基于SNA的突发事件网络舆情意见领袖传播影响力

2022-04-28万钰珏李世银房子豪折亚亚王雨秋景兴鹏

西安科技大学学报 2022年2期

万钰珏，李世银，房子豪，折亚亚，王雨秋，王帆，景兴鹏

(1.西安科技大学安全科学与工程学院，陕西西安 710054;2.中煤科工集团西安研究院有限公司，陕西西安 710054)

0 引言

截至2021年12月，中国网民规模为10.32亿，手机网民规模达10.29亿，互联网普及率73%[1]。随着互联网的飞速发展，网络成为热点舆论最重要的聚集地，引导和管控网络舆情发展是处置突发事件网络舆情的重要手段。面对突发事件，快速有效地对网络舆情意见领袖进行引导是管控突发事件网络舆情发展的关键。

当前，国内外学者对网络舆情意见领袖开展了一系列研究。BAMAKAN等综述近年来各类网络舆情意见领袖识别方法并分析其优缺点[2]。JAIN等提出了GOLD算法、WHALE优化算法来识别意见领袖联盟[3-4]。LI等通过分析用户情感影响识别意见领袖[5]。LUQIU等以中国社交平台微博为信息源，从事件关注者数量和评论语调2个方面识别意见领袖并分析其影响力[6]。YIN等构建意见延迟免疫模型揭示意见领袖对信息传播的影响力[7]。严炜炜通过构建视频质量评价指标体系，使用聚类分析法揭示了意见领袖形成路径[8]。安璐等从意见领袖的评论内容及用户间的交互入手识别网络意见领袖[9]。徐翔认为意见领袖具有信息传播的扩散力与影响力[10]。孙羽等基于网络分析和文本挖掘分析意见领袖的各类特点[11]。方世南等认为意见领袖在传播和引导网络舆情时具有正负2个方面的作用[12]。余树英认为不同类型网络意见领袖的影响力存在一定的差异性[13]。国外对意见领袖的研究侧重于识别算法，而国内对意见领袖的研究主要围绕其传播特征及作用机理，对于突发事件网络舆情下的意见领袖传播影响力特征研究较少。

因此，以突发事件“湖北十堰燃气爆炸”为例，微博作为数据源，通过网络爬虫采集样本数据，运用Gephi绘制意见领袖舆情传播可视化图，呈现突发事件网络舆情意见领袖传播关系。利用UCINET从网络密度、网络中心性、凝聚子群3个维度，对突发事件网络舆情意见领袖传播网络结构特征进行测度分析，以期为更好地引导和管控突发事件网络舆情提出切实可行的方法。

1 社会网络分析

1.1 社会网络分析法

社会网络分析法(social network analysis，SNA)能够直观、有效地展示社会网络结构中行动者之间的互动关系，通过使用相关可视化工具绘制网络图，分析社会网络关系中各节点的中心趋势、密切关系、分散程度。该方法可应用于各行各业的事物及人物之间复杂关系分析研究[14-16]。

1.2 Gephi可视化

Gephi可处理海量的网络数据集，既能在节点层面对网络属性进行统计分析，也可使用不同布局算法对数据进行可视化处理，还可以对动态网络进行模拟分析[17-19]。因此，本文使用Gephi可视化处理“湖北十堰燃气爆炸”事件数据，利用网络密度、点度中心性属性，更加直观地反映出意见领袖传播的复杂关系。

1.3 UCINET软件

UCINET是目前学术研究运用较广的社会网络分析软件之一[20-22]。UCINET的中心性、凝聚子群、关联性分析等方法，可通过直观的网络图进行数据关系展示。基于此，利用UCINET中网络密度、网络中心性、凝聚子群3个维度的分析指标得到意见领袖传播影响力测度数据，为文中研究提供科学的理论依据。

2 实例分析

2.1 事件回顾

2021年6月13日早晨6点30分左右，湖北十堰市张湾区艳湖小区发生燃气爆炸事故。随着救援工作的开展，官方媒体实时报道现场救援情况，由于伤亡人数不断增加，网民通过网络平台获取到该突发事件的相关报道，并发表个人对于此次突发事件的观点和情绪，从而加速引发了网络平台上的群体性互动，该事件迅速成为热点话题，推动了此次突发事件网络舆情的发展。通过百度指数搜索“湖北十堰”、“燃气爆炸”、“化工园区”、“张湾区艳湖小区”等关键词，研究的时间段设定为6月13日至6月23日，获得此次突发事件网络舆情传播趋势，如图1所示。

图1 “湖北十堰燃气爆炸”网络舆情传播趋势Fig.1 Dissemination trend of internet public opinion on “Gas explosion in Shiyan，Hubei”

2.2 数据获取

采用网络爬虫、微博关键词搜索、“滚雪球采样”等方法对“湖北十堰燃气爆炸”突发事件进行研究，为获取与事件相关微博的转发量和评论量，对相关微博进行了三轮信息数据爬取。

具体步骤为：将爬取数据源的时间设置为2021年6月13日—6月23日，在新浪微博搜索“湖北十堰”、“张湾区艳湖小区”、“燃气爆炸”等高频关键词爬取相关话题的微博转发量、评论量等信息。第1轮数据爬取，共获得微博数据889条，将889条微博用户ID以转发量和粉丝量为标准，从高到低综合排序，选取其中转发量和粉丝量排名均在前100的微博用户ID；第2轮数据爬取，随机选取第1轮中具有代表性的5条微博ID，作为第2次数据爬取初始节点，从而进行第2轮数据爬取，即第2轮数据爬取初始节点为“澎湃新闻”、“头条新闻”、“扒妹一米五”、“中国新闻网”、“每日经济新闻”；第3轮数据爬取，重复第1轮、第2轮数据爬取流程，同样根据高频关键词，随机性选取具有代表性的微博用户ID，从而进行第3次信息数据爬取。

2.3 Gephi可视化分析

基于获取的数据，将其转化为Gephi所需要的CSV格式，导入Gephi中，共得到246个节点以及268条有向边。在此次传播网络中，节点属性代表发布相关信息的传播者微博ID，边属性代表传播者相互之间的转发、评论关系。经过统计计算得到Gephi可视化网络参数见表1。

表1 Gephi可视化网络参数Table 1 Gephi visual network parameters

平均度表示整个传播网络中各节点间的直接关联程度，平均度数值越大，其直接关联程度越高。从表1可得，该传播网络的平均度只有1.61，表明传播网络中各节点间的直接关联程度较低。图密度反映整个传播网络结构的完整程度，图密度越小，表明网络结构的完整程度越差。该传播网络的图密度仅为0.01，表明传播网络结构完整程度较差，网络结构较为松散，信息流通性较低。

在Gephi中，首先使用“Force Atlas”算法调整节点布局，然后通过弹性模型“Fruchterman Reingold”对节点进行布局优化，最终得到“湖北十堰燃气爆炸”网络舆情传播可视化如图2所示。通过Gephi的点度中心度算法，对“湖北十堰燃气爆炸”突发事件的网络舆情传播点度中心度进行测度，选取前20测度结果见表2。

表2 点度中心性Top 20测度结果Table 1 Top 20 measurement results of point degree centrality

从表2可得，“头条新闻”、“央视新闻”、“人民日报”、“澎湃新闻”、“扒妹一米五”5个节点是点度中心性最高节点，占据此次突发事件网络舆情传播核心位置，意味着其处于网络舆情传播优势地位。入度值和出度值均表示一个点与其他点的交互情况，由此得出该5个节点影响力和交互性极高，表明这些节点是此次突发事件网络舆情传播中的意见领袖。

图2为参与“湖北十堰小区爆炸”事件网络舆情传播者的网络拓扑结构。网络拓扑结构模块化分析结果表明，“头条新闻”社区是最大社区，占5个社区总和的30.52%；“扒妹一米五”社区是最小社区，占比10.17%。基于此结果可得，“头条新闻”社区的传播者聚积度最高，关系网最密集，是此次舆情事件中传播影响力最大意见领袖。从传播者类型分析，以“扒妹一米五”为代表的自媒体与以“头条新闻”、“央视新闻”、“人民日报”为代表的官方媒体相比，所带来的传播影响力较小。

图2 “湖北十堰燃气爆炸”网络舆情传播拓扑结构Fig.2 Topology structure of network public opinion dissemination of “Gas explosion in Shiyan，Hubei”

由此可见，在引导与管控突发事件网络舆情中的意见领袖时，应对传播影响力较大的自媒体和官方媒体进行有效的监管。

2.4 网络密度分析

在UCINET软件中，构建了246个节点间的微博转发网络，其中各节点代表微博信息发布者ID，边之间权重代表节点之间进行转发的互动次数。

网络密度是传播者构成的节点间信息传播的互动程度，在有向网络图中，如果整体网络中包含的实际关系数目为a，那么其中包含的关系总数在理论上的最大可能值为b(b-1)，则该网络整体密度M的表达式为[23]

(1)

整体网的密度越大，表明网络成员之间的联系越紧密，该网络对其中传播者的态度、行为等产生的影响就越大。运用UCINET对“湖北十堰燃气爆炸”网络舆情传播网络密度进行测度，得到测度结果如图3所示。

图3 整体网密度测度结果

从图3可知，在此次“湖北十堰燃气爆炸”舆情传播网络中，共有246个传播节点，实际发生的关系连接数为1 270条，该事件网络密度为0.021。表明每1 000名行为者中，仅有21人存在互动关系。MAYHEW等利用随机选择模型分析得出实际社会网络整体图中最大网络密度值为0.5[24]。由此可得，突发事件“湖北十堰燃气爆炸”的网络舆情在传播过程中整体网密度较低，传播者的转发、评论、点赞等信息互动性较差，传播者间的关联性较低。

2.5 网络中心性分析

2.5.1 中间中心度分析

中间中心度是测量传播者对信息资源控制的程度。即一个节点的中间中心度越大，表明在传播过程中是比较重要的“中介”传播路径，表示该节点拥有控制信息资源的重要地位。如果一个点的中间中心度为1，表示能100%控制其他传播者，拥有巨大的影响力。中间中心度表达式为[23]

(2)

式中bjk为点j和k间存在的最短数目，bjk(ni)是包含节点ni的2个节点之间的最短路线数目。

通过UCINET软件测得该事件的中间中心度，并取前50名网络节点见表3。

表3 中间中心度Top 50测度结果Table 3 Top 50 measurement results of betweenness centrality

从表3可得，“扒妹一米五”、“大鹏发布”、“笔录舶圆乡”等传播者的中间中心度最大，表明众多传播者通过这些传播者进行信息传播，其在信息传播中很大程度发挥了“中介”能力，同时表明这些传播者有很强的信息控制能力，由此得出是此次舆情传播影响力最大的意见领袖。“遇见美好”、“逸竹仙”、“南京市秦淮区红十字会”等传播者中间中心度为0，意味着上述传播者在舆情传播中不具备“中介”能力，表明上述传播者并非信息发布源，几乎没有信息控制能力，由此认为在该次舆情传播中上述传播者非意见领袖。

2.5.2 接近中心度分析

接近中心度反映传播者对网络的控制程度。接近中心度越小，表示传播者越接近网络中的核心地位，其信息依赖程度越小，在信息获取中越具有优势、权力声望也越高，则表示该传播者在整个网络中越重要。接近中心度的表达式为[23]

(3)

式中dij为节点i与节点j的捷径距离。

通过UCINET软件测得该事件的接近中心度，并取前50名网络节点见表4。

表4 接近中心度Top 50测度结果Table 4 Top 50 measurement results of closeness centrality

从表4可以看出，“头条新闻”、“央视新闻”、“人民日报”传播者接近中心度最小，表明上述传播者更接近网络舆情传播核心地位，对其他传播者的信息依赖程度最低。在获取信息方面更具备优势，并在传播过程中拥有的权力声望更高，意味着其不易受其他传播者控制，进一步证实上述传播者是此次突发事件网络舆情传播的意见领袖。“青流视频”、“低调大士”、“大河报”等传播者接近中心度最大，表明上述传播者远离网络舆情传播核心地位，对“头条新闻”、“央视新闻”、“人民日报”等传播者的信息依赖程度最高，从而极易受其他传播者控制。在获取信息方面不具备优势且传播过程中拥有的权利声望也最低。

2.6 凝聚子群分析

凝聚子群是传播者的一个子集合，在此集合中的传播者之间具有相对较强的、直接的、紧密的或积极的关系。如果传播网络存在凝聚子群，且凝聚子群的密度较高，表明传播网络中处于凝聚子群内部的传播成员相互之间联系紧密，在信息交流和合作方面交互性高[23]。通过UCINET中的CONCER迭代相关收敛法，经过3次迭代，得到此次突发事件网络传播的凝聚子群成员统计和网络传播凝聚子群，见表5，如图4所示。

从图4可以看出，该传播网络存在7个子群，从上到下依次排序为1子群-7子群。其中，1，3，4，7子群规模较大，包含传播成员较多。从表5可看出，以1子群为例，1子群以“澎湃新闻”为中心形成包含55个传播者的子群，意味着该子群中传播者相互联系紧密，具有稳定且较大信息传播影响力。最小子群是仅包含1个传播者的6子群，即118号“大鹏发布”，表明子群也会出现单个成立的情况，同时表示该传播者“大鹏发布”与其他传播者交互性最差，且信息传播影响力最低。由此得出，传播者较多子群有利于信息传播扩散，其传播影响力则会更大。

表5 凝聚子群成员统计Table 5 Statistics of cohesive subgroup members

图4 “湖北十堰燃气爆炸”网络舆情传播凝聚子群Fig.4 Cohesive subgroup of network public opinion dissemination of “Gas Explosion in Shiyan，Hubei”

凝聚子群密度是衡量一个网络中群体现象的严重程度，凝聚子群密度取值范围在[-1，1]，值越接近于1，表示派系林立程度越大，值越接近于-1，表示派系林立程度越小[25]。从图5可以看出，该网络凝聚子群密度为0.249，证明在该网络中存在小群体现象，但派系林立程度不严重。从整体来看，每个子群密度均高于整体网络密度0.021。从子群间密度来看，个别子群与子群间密度值为0，表明一些子群间信息交流不紧密，但1,2,3,4,5子群间信息交流较为紧密。因此，可得出该网络中传播者之间派系关系相对合理，有派系林立且相互间有关联性，有利于信息交流和传播扩散。