通知公告:
個案研究

您當前的位置: 首頁 > 質性研究 > 個案研究

網絡群體性事件中輿情導向與政府回應的邏輯互動——基于“雪鄉”事件大數據的情感分析

信息來源: 《政治學研究》2019年01期  責任編輯:政科網作者:文宏  發布時間:2019-04-02

摘 要】網絡空間已成為公民參與公共事務的重要渠道,網民在輿情走向中是不可忽視的群體,政府希望通過回應和介入事件來緩解網民的情緒。但在實踐操作中,政府回應未必能取得很好的效果,甚至會加劇沖突的爆發,將網民的輿論焦點引至政府自身,造成政府公信力的缺失。本文基于對“雪鄉”事件輿情大數據的分析和挖掘,以過程視角對案例進行深入剖析,利用網民評論的主題和情感構建網絡群體性事件中網民對政府回應的反饋圖譜。本文將數據文本分為政府介入前后兩個階段分別展開分析和探討,發現政府回應與網絡輿情存在邏輯互動偏差。政府管控與網民訴求之間、政府回應滯后與首因效應之間、正當履職與信任缺失之間的偏差,都會導致輿情向消極方向發展。

關鍵詞】政府回應;網絡群體性事件;輿情導向;大數據;情感分析

 

一、問題的提出

隨著網民規模的不斷擴大以及社會事件在網絡中的深度呈現,網民成為網絡輿情治理中不可忽視的有生力量。據中國互聯網絡信息中心最新數據顯示,截至2018年初,我國網民規模達7.72億,普及率達到55.8%,其中,全國在線政務服務用戶規模達到4.85億,占總體網民的62.9%。(1)見,網絡空間已經成為公民參與的重要場域,也是社會風險治理的主戰場。現實中的突發事件常在網絡空間引發廣泛討論,加之網民參與形式多樣和傳播工具低廉高效的特點,極易導致突發事件關注熱度的提升而引爆網絡輿情,事件性質也由網絡圍觀轉化為網絡群體性事件,使社會矛盾凸顯威脅社會穩定。因此,在網絡空間治理中,政府必須密切關注網絡輿論的動態變化,在網絡群體性事件中發揮應有的引導作用,及時回應公眾關切,平息社會矛盾與輿情爭論,實現對網絡群體性事件的有效治理。

然而,政府回應往往事與愿違,難以取得緩解沖突的效果,有時甚至進一步加劇沖突的爆發,使事態升級。網絡群體性事件的發生和演化具有突發性、動態性和不可預測性等特征,政府對網絡群體性事件的認知和引導常常處于被動狀態。通過梳理近年來的相關案例,筆者發現政府對于網絡群體性事件越來越重視,在維穩需求下政府會主動予以回應,試圖降低突發事件帶來的危害,并將可能造成的社會風險限定在可控范圍之內。但由于現實情境的復雜性和地方政府能力有限性之間的矛盾,政府回應的方式和效果呈現出顯著差異,出現政府回應失效的現象,從而引發事件輿論的升溫和惡化,衍生出針對政府的不滿和論戰,嚴重損害政府形象與公信力。在民眾權利意識覺醒、公眾政治參與意愿不斷提升的時代背景下,如何引導民眾有序參與、提升政府管理水平、增進民眾對政府對信任與認同,成為亟須關注的議題,處理網絡群體性事件的方法則是透視政府能力的放大鏡。因此,有必要針對網絡群體性事件中的政府回應過程及其治理效果進行深度挖掘,理清其中的關鍵節點和發展邏輯,從而為網絡群體性事件的治理提供理論參考和經驗借鑒。

作為公共行政理論的核心概念之一,政府回應蘊含著公共管理的基本責任,要求“政府對民眾關于政策變革的接納和民眾要求做出反應,并采取積極措施解決問題”(2)。西方學者較早開展對政府回應議題的研究,并在應然層面構建了政府回應的理論框架,取得較為豐碩的成果。(3)然而,由于西方的制度環境、政治文化與我國存在顯著差異,國外關于政府回應的研究,并不能直接適用于我國具體情境。近年來,國內學者逐漸關注政府回應議題和網絡輿論現象,重視強調實踐層面的案例分析。有學者通過多案例研究,探討網絡反腐事件的要素特征對政府回應的影響(4);有學者梳理政府回應的類型對網絡群體性事件解決效果的影響(5)等,這些研究為本文研究提供了一定的思路啟發。但總體而言,以往大多數研究的關注層次,主要落腳于案例表層信息提取與編碼分析。雖然不少學者在政府回應視角下關注網絡群體性事件,但是這些研究大多存在一些局限性:第一,理論建構研究成果較多,缺乏基于大樣本的實證研究,大數據分析方法并未得到足夠的重視;第二,多數案例研究僅關注案例的表層信息,忽略了對輿情載體——文本內容的深入挖掘;第三,已有研究多從數據指標的構建和分析入手,未能重視案例全過程對于政府回應效果研究的價值。基于以上分析,本文擬從典型的網絡群體性事件入手,運用大數據研究方法,從海量網民評論文本中深度挖掘輿情主題,分析不同時間節點上網民的情感傾向,還原案例事件起因、過程和結果,討論政府回應的效果和存在的不當之處,以期對政府決策提供政策參考。

二、研究框架:核心概念的關聯性構建

(一)政府回應:事件演變的關鍵要素

關于網絡群體性事件的概念內涵,有學者認為網絡群體性事件可以包括線下群體性事件的線上輿情傳播、互聯網群體性事件(6),有學者認為網絡群體性事件專指網絡空間中發生的集群現象(7)。筆者認為,網絡群體性事件是指在網絡空間中,網民自發的、無組織參與的集群行為,其目的往往在于制造輿論、發泄不滿。本文的研究對象包括網民群體行為和政府回應行為。在網絡群體性事件處理過程中,政府的回應至關重要,一旦處置失當,極易產生新的輿情危機。

政府回應具有互動性,是依據政府管理職責對公眾的需求和訴求做出積極反應和回復的過程(8),參照不同的標準可將政府回應劃分為多種類型:按回應的客體對象可分為“對政治指令的回應、對行政程序的回應、對行政目標的回應、對單一公民的回應、對合作方的回應、對沖突需求的回應”(9);按回應方式可分為“話語性回應、行動性回應和制度性回應等”(10)。網絡群體性事件是在網絡空間發生的新型群體性事件,具有信息放大、傳播迅速、反體制、群集化(11)等風險特征,如果政府對網絡輿情缺乏識別和關注,極易導致事件升級甚至引發公共危機。在網絡群體性事件中,政府回應主要遵循“表明立場——跟進調查——公布事實——事后問責”的行動路線,政府或運用電視新聞、網絡新聞、線下聽證會等傳統信息發布方式,或運用官方微博、微信公眾號等新媒體渠道與網民進行特定議題的回應與互動。此外,由于當前網絡通訊具有高度便利、成本低廉的特征,網民與政府之間的互動過程通常具有反復性,網民往往會對政府回應進一步做出反饋,從而導致事件輿情產生新走向,延長網絡群體性事件的生命周期。因此,本文對這一過程的研究將政府回應納入到網絡群體性事件的考察要件中,提出網民對政府回應的評價維度,強調政府多次回應的必要性。

(二)主題情感:輿情信息的可量化路徑

雖然學界對網絡群體性事件的概念存在爭議,但無論是何種定義,網絡群體性事件的發生都是建立在網絡輿情集聚的基礎上。因此,構建網絡群體性事件的分析框架,需要研究者對網絡輿情要素及其發展過程有縝密的考察和清晰的認知。(12)主題及情感是表達網絡輿情核心信息的重要載體(13),同時也是網絡輿情的主要衡量因素(14)。對主題、情感要素的把握,有助于強化我們對網絡輿情狀況的識別、監控以及對潛在網絡輿情危機的預警和治理。(15)可見,明晰網絡輿情的主題及情感為認知網絡群體性事件提供了可量化路徑。

(三)主題挖掘:輿情演變的規律探尋

主題挖掘是指通過一系列的算法設定,從海量的文本內容中抽取重點信息,從而幫助人們判斷樣本主要內容、核心語意的過程。結合輿論場的時序變遷,主題挖掘能夠高效地揭示輿情變化的主要規律,為進一步分析學科意涵提供落腳點。在大數據時代,研究不再局限于結構化信息,對非結構化、半結構化信息進行挖掘的自動文本分析技術得以迅速發展(16),機器學習的蓬勃發展推動了該方法的技術探討。目前學界常用的主題挖掘方法可歸納為層次聚類、劃分聚類、隱含主題模型以及統計指標提取關鍵詞等。層次聚類(17)包括分裂式、聚合式兩種向度。分裂式是指首先將所有文本樣本看作一個大類,再逐漸分裂成若干小類;聚合式則恰恰相反,首先認為所有文本個體自成一類,再根據相似度聚合成若干大類。層次聚類算法的優勢在于無需預設主題個數,但仍需指定一個距離閥值作為終止條件以結束分裂、聚合過程。劃分聚類法(18)要求人為預先設定主題個數,將所有文本轉化成詞向量并計算距離,由距離遠近判斷文本所屬的主題。劃分聚類法的輸出效果依賴于給定的主題個數,因此要求研究者做出合理科學的預判。隱含主題模型法(19)同樣要求研究者預先設定主題個數,該方法能計算每篇文檔、每個詞在各個主題中的分布概率并依此對海量文本進行分類。因此,科學的先驗知識同樣是保障隱含主題模型法輸出效果的關鍵。統計指標提取關鍵詞法(20),則是通過調用TF-IDF、N-gram等統計算法,計算海量文本中所有關鍵詞的權重從而遴選能夠有效代表文本語意的關鍵詞(21)。該方法較為簡便且過程原理通俗易懂,但由于基于詞匯層面的統計特征忽略了對語境因素的考察,因此抽取得到的關鍵詞需通過人工識別予以二次確認方能適用于展現主題。

從當前的工業實踐及學術研究來看,上述主題挖掘方法均得到了較為廣泛的運用。然而,這些方法并非適用于任意場景。總的來說,目前尚未誕生完美的自動文本分析方案(22)。鑒于本文所選取的文本材料為網民評論,其口語化、篇幅短的特征,增加了終止閥值的預設難度以及主題個數的不可確定性,采用單一的聚類方法容易導致主題分類缺乏精確度。因此,為了最大程度保證機器學習的精度與效率,本文選擇TF-IDF關鍵詞編碼與隱含主題模型LDA相結合的方法進行主題挖掘(23)。具體而言,首先采用TF-IDF方法遴選語料庫關鍵詞,回歸關鍵詞所屬語境進行人工編碼形成對語料的先驗知識,構筑主題識別的維度數量;在此基礎上,調用隱含主題模型LDA進行主題判別和輸出;最后通過樸素貝葉斯算法構建自動文本分類器將所有評論歸類生成獨立語料庫。

(四)情感分析:網民情緒的評判工具

情感分析指基于計算機算法對文本材料進行情感傾向評判的過程。目前實踐中的情感分析主要包括兩種技術路徑,一是情感詞典標記法,二是機器學習分類法。情感詞典標記法(24)的原理是通過標注具體的情感詞匯(積極詞匯、消極詞匯),統計該詞匯在文本中的出現頻率,據此為文本累加(減)積分從而得到一段文本的情感得分。為保證情感分析的效果,該詞典不但需要符合研究樣本的表達習慣,也要求對接研究領域的專業知識,對研究者的先驗知識提出了較為苛刻的要求。機器學習分類法(25)的原理是經過語料庫訓練形成文本情感判斷模型,從而對海量文本內容進行自動的情感得分賦值。該方法依賴語料庫的人工標注,本質上屬于“機器學習中的有監督學習”范疇的文本分類。為保障效果,選擇用于訓練的語料庫應在語言結構、內容主題方面與實際測試樣本保持相近。

考慮到網絡語言在情緒表達方面與傳統書面語言存在顯著差異(26),詞典分析的方法在捕捉情感訊號時,有可能存在偏差從而導致語意誤判。因此,本文選擇機器學習分類法,實現網民評論情感的精確表達;通過捕捉輿論全過程的情感分布,揭示情感變化趨勢,并結合政府行為介入的前后變化,反映政府回應所引起的輿論場變遷,從而評判政府回應的效果。

(五)研究框架:治理效果的認知基礎

輿情具有生命力,網絡群體性事件從發生到終結往往具有一定的生命周期,這既反映出對政府介入的現實需求,也為研究者提供了可識別、可考察的要素和載體。自然語言處理、機器學習技術的蓬勃發展,啟發我們拓展學科研究的工具集合,大數據方法的廣泛應用為層次豐富的大樣本研究提供了技術支撐。同時,主題和情感作為文本內容的重要維度,亦能有效拓寬學科探索的邊界,為理論探討提供落腳點。基于以上分析,本文認為利用網民評論的主題、情感可以充分勾畫網絡群體性事件中網民對政府回應的反饋圖譜,將數據文本分為政府介入前后兩個階段分別展開分析和探討,運用大數據工具對政府回應效果進行有效考察,從而構筑對網絡群體性事件中政府回應的清晰認知和優化路徑。研究邏輯框架具體如圖1所示:

 

 1555143262650855.png

 

三、研究設計:雪鄉事件的大樣本呈現

(一)案例選取

2017年12月29日,自媒體一木行在微信公眾號平臺發布了一篇名為《雪鄉的雪再白也掩蓋不掉純黑的人心!別再去雪鄉了!》的文章,講述了作者本人在黑龍江雪鄉旅游景點“趙家大院”旅館的被宰經歷,包括房間坐地起價、60元一桶泡面、扣留房費訂金等細節。該文章經過社交媒體的裂變式傳播引發了全國性關注,其閱讀量在極短時間內突破十萬峰值。

門戶網站、新聞媒體等媒介的快速介入將輿情引向高峰,激發了網民的熱烈討論。隨著輿情的不斷擴散、升溫,當地政府監管部門即黑龍江省森工總局大海林國有林管理局,于2018年1月3日接受新京報記者采訪時稱,發現輿情后大海林國有林管理局已開展調查,證實了趙家大院價格欺詐行為并采取了罰款、限期改正以及啟動行業專項整治等措施。然而,“網帖后文中所說雪鄉售賣的桶面60元一桶及餐館中酸菜炒肉絲幾百元一盤等內容不屬實”,該局相關負責人表示正考慮“走法律途徑”。與此同時,有報道稱,涉事旅店趙家大院對一木行展開了反擊,稱游客“就是想訛我錢”,網帖是勒索的工具,對此一木行公開實況錄音、聊天記錄等更詳細的證據予以反擊。值得注意的是,一木行的后續文章顯示,事件發生后至1月2日,當地政府監管部門曾多次嘗試聯系當事人開展公關。至此,雪鄉事件輿情達到最高峰,百度指數(27)、新浪微博微指數(28)顯示,雪鄉事件的搜索引擎指數、微博觸達數等指標在2018年1月3日達到歷史統計峰值,并保持近半月震蕩。

政府回應的既定目標,是緩和輿情并實現對網絡群體性事件的有效治理,然而在本案例中,政府回應導致了新的輿論戰場出現并引發輿情的升溫。尤其是大海林國有林管理局反駁價格指控并揚言走法律途徑,以及私下聯系當事人等爭議性做法,使得輿論矛頭直指政府主管機構,充分反映了網民對政府回應的不滿和抵觸。

綜上所述,雪鄉事件屬于近期發生的熱點網絡群體性事件,該事件網絡文本材料完整度較高,構成了充足的語料庫,且文本特征適合進行主題挖掘和情感分析;案例中的政府回應對整體輿情的發展造成了可預見的影響,為我們在全過程視角下研究政府回應效果提供了可能。因此,本文選取“雪鄉事件”作為典型案例,具備可行性與實效性。

(二)分析流程與方法

1.數據獲取。

考慮到門戶網站對流量以及網民評論的集聚作用,本文選定在雪鄉事件中資訊傳播較活躍的網易、鳳凰網兩大門戶網站為數據源,通過python計算機語言編寫的爬蟲程序,對其中新聞報道下的網民評論進行抓取。

2.數據預處理。

首先進行數據清洗。當前各個商業門戶網站都建有相應的反爬蟲機制,網絡通訊等不穩定因素也會對網絡評論抓取結果產生消極影響,導致爬蟲程序有可能對少量評論數據實施重復下載。因此,在正式分析之前,需要對數據進行去重操作。其次,考慮到發表評論的網民可能來自繁體字使用地區,因此本文對語料統一執行繁轉簡操作。此外,網民評論具有高度開放性,需要對評論中夾雜的html標簽等無意義字符(@、[]、〈br〉)進行清洗。我們一共得到18153條網民評論用于分析,時間跨度為2018年1月3日至2018年1月13日。

接著進行分詞并去除停用詞。漢語中詞類與句法成分之間不是簡單的對應關系,相較于天然分詞的英語文章,中文文章在進入關鍵詞指標提取之前需要進行分詞工作。(29)此外,為了保證關鍵詞提取的效果,還需要剔除文本中無實義的詞匯,如關聯詞、語氣詞等停用詞。(30)

3.主題挖掘過程。

本文采取TF-IDF統計算法、LDA隱含主題模型、基于樸素貝葉斯的文本分類法完成主題確定、可視化、文本歸類的完整主題挖掘流程。

(1)主題確定。

TF-IDF法是通過計算詞頻(term frequency)和逆文件概率(inverse document frequency)這兩項指標來實現關鍵詞的判斷提取和權重計算。其中,詞頻表示關鍵詞在整個語料庫中出現的頻次,審查逆文件概率則是為了考察關鍵詞在多條評論中的共現狀況,基于兩項指標算法匹配每個關鍵詞的權重并排序。對于得到的關鍵詞,筆者回歸語境進行篩選,進一步剔除與主題不匹配的詞語,并在篩選后的關鍵詞的基礎上建立主題維度編碼表(參見表1),挖掘出雪鄉事件網民評論的主題維度。

 

 1555143286924365.png

 

(2)主題可視化。

我們承接上文關鍵詞編碼獲得的5個主題維度,輸入LDA隱含主題模型(31)進行數據可視化。結果顯示,5個主題相互間離散程度較高,呈現出良好的模型擬合效果。其中,topic1(地域攻擊)、topic2(反思旅游業)、topic3(政府回應反饋)、topic4(事件要素)、topic5(旅游策略)分別覆蓋了24.3%、22%、20%、19.9%、13.8%的文本信息,見圖2。

 

 1555143310623960.png

 

(3)主題歸類。

為了深入挖掘網民評論的結構內涵,筆者對1500條網民評論進行主題標注(地域攻擊T1、評論事件要素T2、討論旅游策略T3、反思旅游業T4、政府回應訴求/反饋T5),通過樸素貝葉斯算法訓練文本獲得分類器,最后調用分類器對剩余所有評論進行主題歸類形成獨立語料,見表2。

 

 1555143331104915.png

 

4.情感分析過程。

本文通過基于樸素貝葉斯(Na?ve Bayes)的機器學習分類法,對雪鄉事件的網民評論進行情感得分計算。首先,在分詞后更新文檔的基礎上隨機選取1500條網民評論作為訓練集,逐條標注情感傾向并構建模型,接著調用模型對“雪鄉事件”語料庫中的所有評論進行情感傾向預測,輸出0~1的數值作為情感得分(越接近0表示情感越消極,越接近1表示情感越積極)。對于結果,本文依照分值將情感分級,分別定義為:s1表示非常消極(0≤s1<0.2),s2表示比較消極(0.2≤s2<0.4),s3表示一般(0.4≤s3<0.6),s4表示比較積極(0.6≤s4<0.8),s5表示非常積極(0.8≤s5≤1),共五個級別。表3為訓練語料標注示范。

 

 1555143359810288.png

 

四、數據結果:回應效果的多維度分析

(一)樣本的主題分布狀況

政府回應介入前,輿情初期新聞報道的關注點在于還原事件細節,網民的評論主要圍繞事件話題展開,按語料庫所占比重排序依次為討論旅游策略(30.49%)、評論事件要素(9.56%)、反思旅游業現狀(5.24%)、政府回應訴求(1.75%)。此外,剩余52.96%的網民評論屬于地域攻擊主題,他們自發劃分為“東北陣營”與“全國陣營”,展開了脫離于事件要素之外的交鋒。此類語句包含較多極端情緒,具備較強的互動性,往往能夠營造論戰氛圍從而加劇輿情擴散。對此,有學者研究表明(32),網絡輿情中普遍存在地域攻擊話語泛化現象,政府應重視并加以引導和治理。

按同樣步驟對政府回應介入后的網民評論進行主題挖掘,政府行為成為輿情聚焦點之一。各主題在語料庫中的比重依次為地域攻擊、反思旅游業、政府回應反饋、評論事件要素和討論旅游策略,所占比例依次為41.30%、21.44%、15.94%、13.25%和8.07%。由此可推斷,雪鄉事件中的政府回應觸發了網絡討論聚焦點的轉移,除了地域攻擊主題依然占最大比重外,其他主題的次序較前一階段均有調整。反思旅游業、反饋政府回應等事后話題的討論熱度超過了事件要素、旅游對策等事中話題,顯示出輿情的顯著變遷。

 

 1555143395131543.png

 

(二)樣本的情感傾向分布狀況

總體而言,數據結果顯示,無顯著情感傾向評論(s3)僅占語料總體的14.33%,大部分網民評論具有情感傾向。其中,積極情感評論(s4+s5)為36.77%,消極情感評論(s1+s2)則達到48.89%,且非常消極(s1)的比重達34.13%,是所占比重最多的情感傾向,反映網民對雪鄉事件的負向整體認知。

然而,將樣本按政府回應介入前后劃分,可觀察到網民情感的分布存在顯著差異。政府回應介入前,樣本情感得分均值為0.468,按照前文界定的情感級別屬于無明確情感傾向的一般級別(s3)。在此階段,積極情感評論(s4+s5)占比最大,達到51.1%,說明網民參與消極網絡群體性事件的情緒未必是消極導向,輿情引導及治理存在基礎可行性。

政府回應介入后,樣本情感得分均值為0.385(s2),較政府回應介入前的情感得分有所下降,整體情感傾向落入消極范疇。具體而言,積極情感評論(s4+s5)比重大幅下降至28.2%,消極情感評論(s1+s2)比重則上升至55.8%,且其中非常消極組別(s1)的變化幅度最為顯著,比重達到39.2%,較前一段階段上升14個百分點。這說明政府回應對整體輿情的疏導和治理效果并不樂觀,反而發生負向調節。

 

 1555143421345502.png

 

(三)基于主題分類的情感挖掘

前文展示了雪鄉事件網絡輿情的主題及情感概況。由此可見,政府回應的介入導致網絡輿情綜合分布的變遷。為了深入探討政府回應對網絡輿情影響機理,需明確細分維度深挖文本,結合文本主題與情感的結構特征綜合審視政府回應的作用過程。對此,本文采取有監督機器學習法將全體文本分為地域攻擊(T1)、事件要素(T2)、旅游策略(T3)、旅游業現狀反思(T4)、政府回應(T5)五個主題維度,并輸出政府回應介入前后的情感傾向差異。結果顯示,議題聚焦點方面,除地域攻擊外其他主題在政府介入后均存在議題點轉移;情感變遷方面,除地域攻擊、政府回應訴求(反饋)外,其他主題在政府介入后均存在消極化傾向(見圖5、圖6)。

 

 1555143455602918.png

 

 1555143475964729.png

 

1.地域攻擊與網民情感。

圍繞該主題展開的討論未見明顯的情感變遷,消極情感占比從政府回應前的43.88%略微增加至43.92%,積極情感占比則由39.81%下降至33.85%,說明政府回應對該類輿情的調節作用并不顯著。具體內容方面,政府回應前后議題中心亦較為相似。外地網民將雪鄉地理概念泛化為東北,進行針對東北人的地域攻擊。此類語料包括直接采用網絡暴力語言對東北人進行人身攻擊,以及陳述理由佐證人性評判,如稱東北人常年在外“作惡”已經是全國人民的普遍認知。東北網民進行自我辯解并展開反擊,稱宰客現象并非東北特有,“不要片面攻擊”。此外,地域攻擊呈現差序格局,部分吉林、遼寧網民稱“不要把東北人都帶上,那是黑龍江”,表達了在面對地域攻擊時東北群體內部的立場分化。

2.事件要素與網民情感。

該主題呈現出情感消極化轉變,消極情感占比從44.62%大幅上升至66.97%;積極情感占比大幅下跌,從44.09%降至21.48%。審視具體內容發現,政府介入前,為原作者爆料行為“點贊”的評論構成了重要語篇,如有網民稱“謝謝作者良心披露”,“感謝此文,了解真相”等,使整體輿情保持在中等水平。政府回應介入后,有關部門的調查結果披露了詳實的宰客違法證據,并公布了涉事旅店的辯解和對原文內容的反擊,因此引發了網絡謾罵,如評價旅店老板“狡辯無恥至極”,“顛倒黑白,心真是黑透了”等,造成整體輿情急轉直下。

3.旅游策略與網民情感。

該主題消極情感占比從48.57%上升至55.79%,積極情感占比從37.44%下降至33.23%。考察主題內部議題變遷可知,政府介入前后議題皆圍繞反對出游雪鄉、探討替代旅游方案兩個向度,其中受政府證實宰客事實及涉事旅店辯解、“不認錯”的影響,后期網民評論夾雜了更多負面情緒化表達,從而導致情感消極化,如“這種地方就該讓它自生自滅”“作繭自縛誰敢去”等。

4.旅游業現狀反思與網民情感。

該主題消極情感占比從54.90%上升至65.11%;積極情感占比從34.31%下降至23.69%。其中,反思國內旅游業宰客現象及探討行業經營之道是最為聚焦的兩個話題。政府回應前,網民主要對國內旅游業整體現狀表達不滿,代表性語料包括“全國景點都一樣”“天下烏鴉一般黑”;政府回應介入后,源于旅店言行的進一步披露,網民評論的焦點轉移到行業經營模式的深入思考,稱“殺雞取卵,竭澤而漁”,“誠信經營才長久”。

5.政府回應與網民情感。

該主題情感變遷不顯著,消極情感占比從70.59%下降至63.57%,積極情感占比則基本保持不變,僅從23.53%上升至23.72%,但在具體內容方面呈現出顯著變遷。在政府回應介入前,網民評論探討最多的議題點有兩個方面,一是呼吁政府的介入,如“黨和政府管不管”,倡導“政府監管部門有所作為”;二是直接批評政府監管不到位,如把旅游宰客問題看成是“有關部門的問題”,指出問題的關鍵“還是監管不力”。政府回應介入后議題中心發生偏轉,少量評論對有關部門的懲治行動表達了認可,稱“看到了主管部門的誠意”,“態度很中肯”。然而,大部分評論依然對政府回應的個別細節表達了質疑和不滿,其中包括:一是針對事件調查結果的質疑,如稱官方回應“60元是編號而非價格”是“不可能”的,商家為了應付檢查“趕緊變便宜”,“等檢查人員一走立刻就漲價”;二是對政府前期行政監管缺失的不滿,如抱怨“處罰總在媒體的曝光后”,稱“這一套見多了,不揭露不整頓”;三是對政府立場的懷疑,如稱有關部門為了經濟利益“庇護”宰客行為,企圖“用行政力量強行洗白”挽救雪鄉品牌。

五、研究發現:輿情事件的結構性認知

(一)事件要素聚焦下的輿情層次擴散分布

網民對網絡群體性事件的關注議論點,并非僅局限于事件要素,而是圍繞事件核心要素,呈現出由內向外擴散、層次逐漸提高的輿情話語主題格局。具體而言,網民評論呈現出從聚焦“微觀劇情要素”(控訴宰客行徑,聲討涉事旅店),到探討“中觀行業狀況”(分享旅游策略,感慨旅游業亂局),再到闡發“宏觀社會感知”(片面偏激的地域攻擊)的議題空間,顯示了網絡群體性事件中網民的關注邏輯。

(二)政府回應影響下的事態階段變遷

作為網民意見的載體,網絡評論具有特定指向性,與網絡資訊的內容要素緊密關聯。而網絡群體性事件作為動態的過程,其衍生出的網絡資訊也存在內容和視角的變遷。研究表明,輿情初期網絡資訊報道主要承擔了事件曝光的職能;輿情中后期,則主要對政府回應進行跟進報道,講述黑龍江省森工總局大海林國有林管理局的相關查處過程及結果。因此,網民評論主題要點也與之匹配,行成了從議論“事中”劇情到討論“事后”政府所作所為的輿情變遷。

(三)地域攻擊話語下輿情的惡化升級

網絡地域攻擊可以理解為由網絡群體性事件中的地域屬性觸發了網民的地域刻板印象,從而引起不同地域網民超脫事件本身的非理性語言互動,通常伴隨暴力語言的使用。雖然各大門戶網站均倡議“文明發言”“理性發帖”,然而地域攻擊現象仍然普遍存在于網絡資訊的跟帖板塊,甚至以地域攻擊為主題的網帖常常成為熱門網帖。本研究發現,政府回應介入前后,地域攻擊一直占據著輿情主題分類的最大比重。其中,憑借數量優勢,外地網民對當事地區網民展開圍剿,造成輿情立場一邊倒。另外,相關評論引來了較為熱烈且頻繁的網民互動,通常呈現出你來我往、爭鋒相對的攻擊與反駁,使輿情在該主題范圍內進一步集聚、增長。

(四)網民情感趨勢下情緒的消極發展

縱觀輿情發展的全過程,政府回應對整體輿情的疏導和治理效果并不樂觀,反而導致輿情向消極化發展,消極情緒的占比較政府回應前顯著增加,積極情緒的占比相應大幅下滑。與此同時,不同主題領域,對政府回應的情感反應也呈現不同。其中,地域攻擊主題由于內容與政府回應匹配度較低,因此情感走向的變化幅度較不明顯,這在一定程度上印證了政府回應對該類主題的治理失效。事件要素主題、旅游策略主題,牽涉較多政府介入的細節內容,因此,情感走向受政府回應調節表現為負相關。同樣,旅游業反思主題涉及較多行業秩序、政府監管、公共服務等領域內容的探討,其情感走向也隨政府回應發生顯著負向變動。而在針對政府回應的訴求、反饋主題領域,雖情感走向未發生顯著變動,但仍可從具體內容方面觀測到大部分評論針對政府回應的細節表達了質疑和不滿。

六、事與愿違:政府回應與輿情導向的互動邏輯

通常而言,網絡群體性事件大多被視為網絡輿情的非理性集聚,可能會對社會秩序造成沖擊,影響社會和諧穩定,因此政府傾向于采取管控和壓制等應對手段,否定網絡群體性事件的隱含意蘊。隨著社會的不斷發展,尤其是在互聯網政治參與的普及,政府逐漸認可網絡輿情聚集在民意表達、政民互動乃至優化公共服務等方面的重要價值。因此,政府對網絡群體性事件的立場態度,逐漸由控制轉變為疏導,強化政府介入和回應,力圖實現網絡群體性事件的善治。然而,在實踐操作中,政府回應并非總能達到對網絡輿情的正向調節,有時甚至會造成輿情轉向消極化發展,以致“引火上身、事與愿違”。

(一)政府管控與網民訴求間的偏差

政府回應的合法性和必要性雖得到普遍認可,然而,在現實情境中,維穩工作仍是官員績效評價體系中的重要組成部分,因此,在現行機制下,政府往往從成本的角度出發,采取消極策略回應網絡輿情,從而管控、壓制輿論的規模。然而,隨著互聯網浪潮的發展,網民參與網絡群體性事件的期望,已從低層次的圍觀需求向更高層次的公共訴求轉變,這個過程伴隨著對良好政府回應性的希冀。本案例中,在輿情爆發的最初階段,當地旅游監管部門積極捕捉識別輿情,體現了政府部門對網絡輿情的重視,政府及時采取了措施進行輿情管控。然而,在掌握事態進展后,政府并未第一時間表態或者公布調查結果,而是優先選擇開展公關,派遣工作人員私下聯系,意圖說服當事人,引導并控制輿情導向。然而,在當事人拒絕私下和解,并在網絡公開上述細節后,網民紛紛表示對政府“誠意”“立場”的不認可,用質疑和謾罵表達對政府回應方式的不滿,正是這種維穩導向的管控思維,使網民議論的焦點轉向政府。

(二)回應滯后與“首因效應”間的偏差

政府回應的主動性是引導輿情走向的重要前提,同時也是達成網絡群體性事件治理目標的關鍵要素。有研究表明,網絡輿情極易受“首因效應”影響,輿情初始階段塑造的“第一印象”,將很大程度決定輿情傳播參與者的態度及立場,后續信息的調節作用將受到“首因效應”的影響,對事件的澄清、解釋作用相應地加強或減弱。(33)在網絡環境下,信息不對稱造成網民對網絡群體性事件的認知壁壘,故事在黑箱中演繹,整體輿情容易受少數具有話語權的意見領袖牽引。政府回應時大多保持審慎的態度,以求不在公開信息中留下把柄。這種思路在以往的實踐中本無可厚非,但隨著信息社會的到來,政府需要轉變思維,加快對突發輿情的處理。眾多案例表明,政府回應時間的滯后性,已越來越難以適應瞬息萬變的網絡環境。對于網絡中討論的熱點事件,政府回應的滯后首先會給網民帶來不好的印象,且可能在被迫回應之后出現更大規模的混亂,如何找到最優點,是政府必須衡量的問題。

因此,為了確保網絡輿情的可控性,實現網絡群體性事件的治理,需要政府積極、主動、及時介入。在本案例中,在輿情爆發初期,當地政府監管部門雖然介入事件調查,卻采取消極被動的方式進行回應。整個回應過程政府未出臺官方聲明,僅僅在相關媒體聯系求證之后,于輿情爆發第六天委托第三方表明立場,發布相關事件調查結果。這種貽誤時機的回應方式,最終造成政府在引導整體輿論導向的缺位,也暴露出政府回應不及時、不誠懇等頑疾。

(三)正當履職與信任缺失間的偏差

在網絡空間,由于信息傳播具有低門檻、即時性、裂變性的特征,失去公眾信任的政府,在面對網絡公共事件時很容易陷入“塔西佗陷阱”(34)。具體而言,在網絡群體性事件中,部分網民傾向于對政府的介入、回應作消極理解,不關注政府的具體工作內容,只是一味質疑政府行為目的和用意。“塔西佗陷阱”的關鍵性誘因,是政府公信力的缺失,這與長久以來政府應對網絡輿情時所表現出的不透明、不誠實、不客觀等密切有關。本案例中,從政府介入前的網民評論中,即可觀察到網民對政府處理宰客事件存在刻板印象,網民先入為主地認為政府會包庇宰客違法行為。此外,當地政府監管部門公布的調查處置結果也引起網民爭議,被網民認為是政府監管不力、政府隱瞞事實糊弄公眾,從而引起了消極輿情大幅集聚,展現公信力缺失條件下政府回應的無奈和乏力。

七、結論

本文基于對“雪鄉事件”輿情大數據的分析和挖掘,以過程視角對案例進行深入剖析,闡釋了網絡群體性事件輿情的分布、變遷狀況,探討了政府回應與網絡輿情存在的邏輯互動偏差,構筑了群體性事件認知的環境和范圍,為當前網絡群體性事件治理提供了詳實的經驗素材,為政府治理提供良好的目標導向。然而,在現實情景下,網絡輿情作為一個涵蓋多種要素影響的復雜系統,不同要素以及彼此之間的集群互動,會產生多重效應,導致網絡輿情的互動變遷。因此,厘清上述復雜系統過程,明確政府介入要素在整個效應場中的作用及邊界,通過輿情變遷揭示網絡群體性事件治理效果至關重要。

鑒于網民評論是網絡輿情研究的重要載體,而主題及情感作為網民評論的內容要素,能夠承擔網絡輿情維度挖掘的任務,筆者認為對主題及情感的測度,能夠較為全面地刻畫網絡輿情的分布、變遷。而對于網絡輿情的要素范圍、傳播路徑和關系網絡等關鍵構件,則需從更多維度及視角展開分析,需要優化TF-IDF、樸素貝葉斯模型等算法,消除機器學習程序在主題分類、情感賦分環節的誤差,深入探討經典算法內容及規則,有效解決自然語言處理及機器學習中的算法適用性、科學性等關鍵問題,推動跨學科交流,強化學科知識與案例情景的適配性改進,確保政府回應介入的準確性,推動大數據研究與實驗研究、實證分析的結合,提升大數據計算的精確度和效率。

 

注釋:

(1)參見中國互聯網絡信息中心(CNNIC)在京發布的第41次《中國互聯網絡發展狀況統計報告》,2018年3月5日,http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201803/t20180305_70249.htm,2018年9月15日。

(2)格羅弗·斯塔林:《公共部門管理》,第132頁,上海譯文出版社,2003年版。

(3)H.G.Frederickson, “Comparing the Reinventing Government Movement with the New Public Administration”, Public Administration Review, Vol.56, No.3, 1996.M.A.Glaser, R.B.Denhardt, “Local Government Performance through the Eyes of Citizens”, Journal of Public Budgeting, Accounting & Financial Management, Vol.12, No.1, 2000.

(4)文宏、黃之玞:《網絡反腐事件中的政府回應及其影響因素——基于170個網絡反腐案例的實證分析》,《公共管理學報》,2016年第13期。

(5)楊立華、程誠、劉宏福:《政府回應與網絡群體性事件的解決——多案例的比較分析》,《北京師范大學學報》(社會科學版),2017年第2期。

(6)謝進川:《互聯網與群體性事件研究述評》,《現代傳播》(《中國傳媒大學學報》),2010年第8期。

(7)姚偉達:《網絡群體性事件:特征、成因及應對》,《理論探索》,2010年第4期。

(8)何祖坤:《關注政府回應》,《中國行政管理》,2000年第7期。

(9)Bryer Thomas A., “Toward a Relevant Agenda for a Responsive Public Administration”, Journal of Public Administration Research and Theory, Vol.17, No.3, 2006.

(10)李放、韓志明:《政府回應中的緊張性及其解析——以網絡公共事件為視角的分析》,《東北師大學報》(哲學社會科學版),2014年第1期。

(11)劉瑾、劉偉:《近十年來國內學界的群體性事件研究:回顧與反思》,《甘肅行政學院學報》,2017年第5期。

(12)郭小安、王國華:《網絡群體性事件的概念辨析及指標設定》,《情報雜志》,2012年第2期。

(13)黃微、李瑞、孟佳林:《大數據環境下多媒體網絡輿情傳播要素及運行機理研究》,《圖書情報工作》,2015年第21期。

(14)曾潤喜、杜換霞、王君澤:《網絡輿情指標體系、方法與模型比較研究》,《情報雜志》,2014年第4期。

(15)李光敏、張行文、張磊、楊朋英:《面向網絡輿情的評論文本情感分析研究》,《情報雜志》,2014年第5期。

(16)孟天廣、李鋒:《網絡空間的政治互動:公民訴求與政府回應性——基于全國性網絡問政平臺的大數據分析》,《清華大學學報》(哲學社會科學版),2015年第3期。

(17)賈燕花、徐蔚鴻:《K-means聚類和支持向量機結合的文本分類研究》,《計算機工程與應用》,2010年第22期。

(18)賀玲、吳玲達、蔡益朝:《數據挖掘中的聚類算法綜述》,《計算機應用研究》,2007年第1期。

(19)唐曉波、房小可:《基于文本聚類與LDA相融合的微博主題檢索模型研究》,《情報理論與實踐》,2013年第8期。

(20)黃承慧、印鑒、侯昉:《一種結合詞項語義信息和TF-IDF方法的文本相似度量方法》,《計算機學報》,2011年第5期。

(21)趙曉航:《基于情感分析與主題分析的“后微博”時代突發事件政府信息公開研究——以新浪微博“天津爆炸”話題為例》,《圖書情報工作》,2016年第20期。

(22)Grimmer Justin and Brandon M.Stewart.“Text as Data:The Promise and Pitfalls of Automatic Content Analysis Methods for Political Texts”, Political Analysis, Vol.21, No.3, 2013.

(23)王婷婷、韓滿、王宇:《基于“21世紀海上絲綢之路”文獻的文本挖掘研究》,《統計與信息論壇》,2017年第11期。

(24)周詠梅、楊佳能、陽愛民:《面向文本情感分析的中文情感詞典構建方法》,《山東大學學報》(工學版),2013年第6期。

(25)荀靜、劉培玉、楊玉珍、張艷輝:《基于潛在狄利克雷分布模型的多文檔情感摘要》,《計算機應用》,2014年第6期。

(26)駱昌日、何婷婷:《網絡語言的特點及其情感性意義》,《武漢理工大學學報》(社會科學版),2015年第2期。

(27)參見百度指數工具,2018年3月1日,http://index.baidu.com/?from=pinzhuan,2018年3月1日。

(28)參見新浪微博微指數工具,2018年3月1日,http://data.weibo.com/index,2018年3月1日。

(29)采用中文分詞系統“jieba”處理語料分詞并生成詞條矩陣。

(30)采用哈爾濱工業大學停用詞表。

(31)D.M.Blei, A.Y.Ng, andM.I.Jordan.“Latent dirichlet allocation”, Journal of machine Learning research, Vol.1, No.3, 2003.

(32)徐頑強、譚偉:《網絡新聞跟帖中地域歧視現象的現實解讀與理性反思》,《電子政務》,2013年第9期。

(33)葉皓:《突發事件的輿論引導》,第34頁,江蘇人民出版社,2009年版。

(34)楊妍:《自媒體時代政府如何應對微博傳播中的“塔西佗陷阱”》,《中國行政管理》,2012年第5期。

 

分享:
广东快乐10分稳赢技巧