震災網(wǎng)絡輿情風險監(jiān)測指標及其評估方法

張 宇，傅 敏，羅加蓉

(1.西南科技大學 經(jīng)濟管理學院，四川 綿陽 621010；2.四川雪寶乳業(yè)集團有限公司，四川 綿陽 621000)

一、文獻回顧與問題提出

截至2017年6月，中國網(wǎng)民規(guī)模達到7.51億，互聯(lián)網(wǎng)普及率達54.3%?；ヂ?lián)網(wǎng)的普及為網(wǎng)民表達自己對事件的態(tài)度和看法提供了便捷途徑，這種對事件的態(tài)度和看法形成網(wǎng)絡輿情，網(wǎng)絡輿情通過網(wǎng)絡媒體的傳播和擴散，在一定程度上能夠促進或阻礙事態(tài)發(fā)展。地震造成基礎設施、人員和財產(chǎn)的巨大損失，在各種因素作用下震災輿情增加了震災的應對難度，甚至造成更為嚴重的次生或衍生災害。

現(xiàn)行的各種輿情管控實踐證明，如果能夠對震災網(wǎng)絡輿情風險進行科學評估，一方面能夠有效減輕震災帶來的災害損失和社會危害，另一方面能夠為應急管理部門掌握災區(qū)需求信息和制定輿情管控預案提供支持。目前相關研究主要集中于網(wǎng)絡輿情的熱度、傳播規(guī)律、風險管控等方面。在網(wǎng)絡輿情熱度研究方面，王慧軍等[1]為降低輿情熱度負面影響，依據(jù)優(yōu)化理論，研究了政府對輿情熱度監(jiān)控問題；柳虹[2]提出了輿情熱點發(fā)現(xiàn)模型，對均值聚類和支持向量機兩種算法在網(wǎng)絡輿情發(fā)現(xiàn)作用方面進行了比較；方倩等[3]認為微信公眾號文章熱度與主題、推送時間、標題特征相關，與推送頻率弱相關；焦超等[4]提出了獨立網(wǎng)絡突發(fā)事件熱度分布的泊松分布模型；翟曉芳等[5]通過分析微博提出了新的熱度指標計算方法；曹學艷等[6]研究了突發(fā)事件網(wǎng)絡輿情熱度等級與突發(fā)事件風險等級之間的對應關系，根據(jù)對應關系的“一致”或“不一致”提出突發(fā)事件應對策略；張一文等[7]研究了非常規(guī)突發(fā)事件網(wǎng)絡輿情熱度評估指標和權重；魏德志等[8]將新聞網(wǎng)頁內容的相似度和頁面鏈接分析作為話題熱度的計算依據(jù)，提出一種基于時間序列的熱點話題發(fā)現(xiàn)模型；Fu等分別采用不同聚類算法和仿真模型對網(wǎng)絡熱點時間進行發(fā)現(xiàn)和模擬[9-12]。在網(wǎng)絡輿情傳播研究方面，王治瑩等[13]研究了政府干預下突發(fā)事件輿情傳播規(guī)律與管控決策問題；Huo等[14]建立了突發(fā)事件下官方行為與輿情傳播的交互作用模型；Lebensztayn等[15]構建了群眾謠言傳播的馬爾科夫模型；Zhao等[16]研究了突發(fā)事件演化與輿情傳播及官方媒介的交互作用；齊佳音等[17]研究了突發(fā)公共事件網(wǎng)絡輿情的耦合機制，認為網(wǎng)絡輿情的耦合協(xié)調度與社會影響力呈正比；康偉[18]研究了網(wǎng)絡輿情傳播結構對信息的傳播路徑、速度和范圍的影響。在網(wǎng)絡輿情風險管控方面的研究，張玉亮[19]依據(jù)突發(fā)事件發(fā)生周期系統(tǒng)提出網(wǎng)絡輿情風險評估指標；路枝芳等[20]以輿情熱點事件為驗證對象，采用因子聚類分析方法研究了2015年中國第一季度各類熱點輿情事件的風險程度。

綜上，現(xiàn)有研究主要有兩方面需要繼續(xù)深入：一是在指標構建上，現(xiàn)有研究更多考慮事件的外因，即社會屬性，如輿情轉載量、評論量及發(fā)文量等，較少考慮事件本身的物理屬性，如事件自身導致輿情演化的動因、敏感性、促進因素等。對外因的考慮也多從定量角度提取指標，較少關注一些定性指標，尤其是面對突發(fā)災害背景下網(wǎng)絡輿情監(jiān)測所涉及的關鍵不確定性指標；二是針對震災網(wǎng)絡輿情綜合風險評估問題較少涉及，已有研究更多圍繞輿情熱點的分布、線性擬合及預測等方面，少量成果針對突發(fā)事件風險提出監(jiān)測指標與評估方法，但監(jiān)測指標更多突出輿情風險的社會屬性，很少涉及導致輿情風險的物理屬性，而且評估方法較為單一，往往忽略突發(fā)災害網(wǎng)絡輿情指標數(shù)據(jù)的非線性、高維度和非正態(tài)問題，評估結果與實際偏差較大。基于以上原因，本研究的不同之處在于：從突發(fā)災害網(wǎng)絡輿情的物理屬性和社會屬性兩方面提出適應性強、能夠覆蓋整個輿情演化周期的風險監(jiān)測指標；將BP神經(jīng)網(wǎng)絡運用于突發(fā)災害網(wǎng)絡輿情綜合風險評估之中，并用AGA對BP神經(jīng)網(wǎng)絡進行改進，提出基于AGABP的震災網(wǎng)絡輿情風險評估方法。

二、震災網(wǎng)絡輿情風險監(jiān)測指標

(一)指標構建

網(wǎng)絡輿情主要有潛伏、擴散和消退三個階段，其傳播曲線呈“S”型(如圖1)，其風險點一般處于傳播中的擴散前期和擴散后期的轉折處，如圖1中的N點，N點也是輿情高漲轉折點。

圖1 網(wǎng)絡輿情傳播過程

在圖1中，網(wǎng)絡輿情傳播風險的產(chǎn)生和高漲的出現(xiàn)主要由載體、主體和事件本身共同推動完成。網(wǎng)絡媒體是震災輿情產(chǎn)生的載體，屬條件因素；網(wǎng)民是震災輿情產(chǎn)生的主體，屬推動因素；震災是輿情事件的本身，屬輿情產(chǎn)生的誘導因素。條件因素和推動因素是震災網(wǎng)絡輿情擴散和傳播的社會屬性，誘導因素是震災網(wǎng)絡輿情的物理屬性，敏感性對輿情的產(chǎn)生起誘導作用。在風險監(jiān)測指標設計上，本研究圍繞震災網(wǎng)絡輿情產(chǎn)生的物理屬性和社會屬性兩個維度的作用力設計風險監(jiān)測指標。

其一，震災網(wǎng)絡輿情產(chǎn)生的物理屬性。這由震災本身的危害程度決定，一般來講，震災危害程度越大，社會影響力就越高，誘發(fā)網(wǎng)絡輿情擴散的能力也會越強?？刹捎谜馂奈：Φ燃墶⑹転某潭鹊榷壷笜擞枰院饬?，其中震災危害等級主要包括地震震級和震中烈度2個三級指標，受災程度主要包括傷亡人數(shù)、受災范圍、財產(chǎn)損失3個三級指標。

其二，震災網(wǎng)絡輿情產(chǎn)生的社會屬性?？刹捎谜馂膽蹦芰Α⒕W(wǎng)絡媒體作用力、輿情擴散能力3個二級指標予以衡量，其中震災應急能力對減輕災害損失、緩解網(wǎng)民負面情緒有直接影響，主要包括應急資源滿足能力、政府部門反應能力、監(jiān)測預警能力3個三級指標；網(wǎng)絡媒體作用力主要包括各主要網(wǎng)絡平臺的發(fā)文量、評論數(shù)及轉發(fā)量3個三級指標；輿情擴散能力主要包括點擊數(shù)與回復數(shù)之比、原發(fā)文數(shù)變化率2個三級指標。

綜上所述，本研究圍繞物理屬性和社會屬性兩個維度提出5個二級指標和13個三級指標的震災網(wǎng)絡輿情風險監(jiān)測評估指標，進一步通過文獻調查、專家問詢等方式，在震災危害等級中增加1個次生災害發(fā)生概率的三級指標，在震災應急能力中增加1個災民綜合滿意度的三級指標，刪除輿情擴散能力指標，形成4個二級指標和13個三級初選指標。為驗證初選指標之間相對獨立性、與評估目標的相關性及代表性，本研究采取專家計分的方式獲取了13個初選指標的初始數(shù)據(jù)，并采用Cronbach`s Alpha參數(shù)來度量問卷信度，通過做KMO和Bartlett球形檢驗來驗證問卷表的效度。通過檢驗，總問卷信度值Cronbach`s Alpha=0.871，說明問卷可靠性很高；KMO=0.743，Bartlett球形檢驗為0.000，說明問卷效度很好，可用來做因子分析。檢驗結果發(fā)現(xiàn)Bartlett球形檢驗的P<0.001，說明初選指標中有重復解釋指標存在，通過分析指標兩兩之間的相關關系，刪掉兩兩之間相關度>0.6以上的指標1個，即刪掉“受災范圍”，保證剩下12個初選指標的相對獨立。為檢驗剩下12個初選指標與評估對象之間的相關度，進一步做因子相關性分析，刪掉相關度<0.65的指標1個，即刪掉“震中烈度”指標，保障剩下11個指標與被評估對象高度相關。本研究采用主成分分析方法尋找剩下指標，將累積貢獻率達85%的指標作為最終評估指標。最終形成2個維度4個二級指標和10個三級指標作為震災網(wǎng)絡輿情風險監(jiān)測指標(如表1)。

表1中的震災應急能力所屬的三級指標采取專家計分方式確定；網(wǎng)絡作用力所屬三級指標采用北京清博大數(shù)據(jù)科技有限公司開發(fā)的“清博大數(shù)據(jù)輿情系統(tǒng)”平臺中的數(shù)據(jù)，通過統(tǒng)計微信、微博、網(wǎng)頁、報刊、客戶端和論壇6個輿情傳播平臺上地震網(wǎng)絡輿情的發(fā)文量、評論數(shù)和轉發(fā)量數(shù)據(jù)。

(二)建立風險等級標準

建立震災網(wǎng)絡輿情風險等級標準包括兩部分內容：設定風險等級數(shù)和確定各風險等級下每個指標的標準區(qū)間值。在設定震災網(wǎng)絡輿情風險等級數(shù)上，本研究參考國際慣例及國內相關學者研究，將震災網(wǎng)絡輿情風險等級劃分為4級，即v={Ⅳ，Ⅲ，Ⅱ，Ⅰ}={極高風險，高風險，一般風險，低風險}，并賦值：“極高風險”為4、“高風險”為3、“一般風險”為2、“低風險”為1。在確定各風險等級下每個指標的標準區(qū)間上，以上海交通大學輿情研究實驗室“中國公共事件數(shù)據(jù)庫”為依托，從500多起震災案例中挑選出2000年以來震級在3～9之間的150起案例作為研究樣本，針對定性指標按表1賦值后采取問卷方式獲取數(shù)據(jù)；針對定量指標，以特定期間客觀數(shù)據(jù)為準，其中，地震震級、傷亡人數(shù)和財產(chǎn)損失風險標準依據(jù)《國家地震應急預案》確定，其余指標的風險等級劃分借鑒蔣金才等[21]對水旱災害風險等級劃分方法，對獲取的指標數(shù)據(jù)采用聚類方法進行修正后得到震災網(wǎng)絡輿情風險等級標準值。由于震災背景下的網(wǎng)絡輿情風險指標數(shù)據(jù)往往具有不確定性，各指標的風險等級標準難以用確切數(shù)據(jù)劃分，故采用模糊區(qū)間數(shù)表示各指標的風險等級更為合理。鑒于此，本研究以150起案例為依據(jù)，采用四分位風險劃分方法來確定震災網(wǎng)絡輿情風險等級標準。具體做法是：首先，將各個指標的專家建議值Z(i)進行升序排列，設定Z(i)max為極高風險上限值，Z(i)min為最低風險下限值，中位數(shù)Z(i)med為一般風險值；然后，找出Z(i)min和Z(i)med序列中的中位數(shù)Z*(i)med、Z(i)med和Z(i)max序列的中位數(shù)Z**(i)med，其風險等級劃分方法如表2。

表2 震災網(wǎng)絡輿情風險等級標準

最后，依據(jù)表2方法，計算各個風險等級下每個指標的標準區(qū)間值，如表3。

表3 震災網(wǎng)絡輿情風險等級標準

三、AGABP評估模型構建

BP神經(jīng)網(wǎng)絡是一種負梯度優(yōu)化算法，具有自適應、自組織、容錯性和魯棒性強的優(yōu)點，而且易于在計算機上實現(xiàn)編譯。將BP神經(jīng)網(wǎng)絡用于震災輿情網(wǎng)絡風險評估點評估中，能夠有效解決多指標非線性、高維度和非正態(tài)評估問題的局限性，有利于評估系統(tǒng)以任意均方差的精度逼近任意平方可積非線性連續(xù)函數(shù)，保證評估結果的可靠。但BP神經(jīng)網(wǎng)絡學習速度較慢、存在局部最小問題，會在很大程度上影響網(wǎng)絡的外推能力。為解決這個問題，采用AGA對常規(guī)BP神經(jīng)網(wǎng)絡進行改進，在BP算法訓練評估網(wǎng)絡出現(xiàn)收斂速度緩慢時啟動AGA來優(yōu)化網(wǎng)絡參數(shù)，把優(yōu)化的參數(shù)作為BP算法的初始值。通過這樣的改進，能夠有效增強BP網(wǎng)絡的外推能力，防止訓練網(wǎng)絡進入局部循環(huán)。

(一)構建步驟

由于存在一個三層BP神經(jīng)網(wǎng)絡可以任意精度逼近從輸入層到輸出層的映射，對輸出層節(jié)點n和隱層節(jié)點m的大小沒有嚴格限制。根據(jù)經(jīng)驗，隱層的節(jié)點數(shù)m一般不宜過大，m較大，BP網(wǎng)絡的概括能力和訓練速度都會降低，在能達到期望精度條件下，m的取值范圍一般控制在[n,2n+1]內且盡可能小。本研究構建一個三層BP神經(jīng)網(wǎng)絡(如圖2)，其拓撲結構為n∶n∶1，n取3。

圖2 三層BP神經(jīng)網(wǎng)絡拓撲結構

記輸入層神經(jīng)元為h，隱層神經(jīng)元為i，輸出神經(jīng)元為j，隱層節(jié)點i和輸出層節(jié)點j的閾值分別為θi、θj，輸入層節(jié)點h與隱層節(jié)點i間以及輸出層節(jié)點j與隱層節(jié)點i間的連線權值分別為whi、wij，各點的輸入、輸出分別為x、y?；贏GA的BP網(wǎng)絡算法設計如下。

步驟1：指標隨機樣本點獲取。在后續(xù)的BP神經(jīng)網(wǎng)絡訓練中，首先需要隨機生成無量綱的震災網(wǎng)絡輿情風險等級樣本數(shù)據(jù)，通過隨機樣本訓練得到最優(yōu)參數(shù)后，再用實際樣本數(shù)據(jù)進行測試。在隨機樣本數(shù)據(jù)獲取上，本研究參考王碩等[22]的研究成果，用均勻隨機數(shù)在各級指標變化區(qū)間范圍內隨機產(chǎn)生nu個指標樣本值x*(k,j)，相應的震災網(wǎng)絡輿情風險標準等級值為y(k)=i。為充分反映評估指標中各指標的邊界值的信息，取各指標邊界值各1次，風險等級值取與該邊界值有關的兩個風險等級值的算術平均值，這樣就可得震災網(wǎng)絡輿情風險評估標準樣本系列{x*(k,j),y(k)}，k=1～nk,j=1～nj,其中nk為樣本數(shù)目。為消除指標量綱，使本研究評估模型具有一般性，各指標的無量綱化處理采取以下式子進行：

x(k,j)=x*(k,j)/Xmax(j) (k=1～nk,j=1～nj)

(1)

a(i,j)=a*(k,j)/xmax(j) (i=1～ni,j=1～nj)

(2)

b(i,j)=b*(k,j)/xmax(j) (i=1～ni,j=1～nj)

(3)

步驟2：初始化。設用于機器學習的已做歸一化處理后的震災輿情網(wǎng)絡樣本值的輸入、輸出樣本對為{xhk,dk|h=1,2,,n;k=1,2,,N}，給各節(jié)點間的連接權值、閾值賦予(-1,1)區(qū)間上的隨機值。

步驟3：置k=1。把各層輸入、輸出樣本對{xhk,dk}提供給網(wǎng)絡，(h=1,2,,n;k=1,2,,N)。

步驟4：計算隱層各節(jié)點的輸入xi、輸出yi，輸出層節(jié)點的輸入xj、輸出yj，則有：

(4)

(5)

步驟5：計算輸出層節(jié)點所收到的總輸入變化時單樣本點誤差Ek=0.5(yj-dk)2的變化率以及隱層節(jié)點所收到的總輸入變化時單樣本點誤差Ek的變化率。

(6)

(7)

步驟6：修正各連接的權值和閾值。

(8)

(9)

其中，m為修正次數(shù)，η為學習速率且η∈(0,1)，a為動量因子且a∈(0,1)。

步驟7：置k=k+1，轉步驟3，直至全部N個樣本點訓練完畢，轉步驟9。

步驟8：轉步驟2，進行新一輪的學習，直至網(wǎng)絡全局誤差函數(shù)小于預先設定的一個較小值或學習次數(shù)大于預先設定的值，結束學習。

(10)

為使式(10)的全局誤差函數(shù)極小化，需要確定BP網(wǎng)絡中θi、θj、whi和wij的最優(yōu)值，以促使各層級網(wǎng)絡連接的權值和閾值達到穩(wěn)定。標準BP神經(jīng)網(wǎng)絡在訓練參數(shù)過程中容易出現(xiàn)局部最小問題，且訓練后的參數(shù)在學習后期收斂速度過于緩慢，在較大程度上影響評估結果的可靠性。本研究采用AGA對BP網(wǎng)絡參數(shù)進行優(yōu)化，將優(yōu)化后的參數(shù)作為BP網(wǎng)絡的初始值，避免標準BP網(wǎng)絡的不足。其優(yōu)化步驟如下[23]。

(1)BP網(wǎng)絡參數(shù)變化區(qū)間構造。設cj是BP算法訓練網(wǎng)絡出現(xiàn)收斂速度緩慢時網(wǎng)絡的任一參數(shù)的值，則它的變化區(qū)間構造為[aj,bj]，其中，aj=cj-d|cj|，bj=cj+d|cj|，d為一正的常數(shù)。

(2)BP網(wǎng)絡參數(shù)編碼。設編碼長度為e，把區(qū)間[aj,bj]等分成2e-1個子區(qū)間，于是整個網(wǎng)絡參數(shù)變化空間被離散成(2e)p個網(wǎng)格點。其中，p=2n2+n+1。每個網(wǎng)格點稱為個體，它對應網(wǎng)絡p個參數(shù)的一種可能取值狀態(tài)，并用p個e位二進制數(shù)表示。于是，p個網(wǎng)絡參數(shù)、網(wǎng)格點、個體、二進制數(shù)予以一一對應。

(3)初始父代群體的隨機生成與父代個體適應度的評估。從上述(2e)p個網(wǎng)格點中均勻隨機選取n個點作為初始父代群體。把第i個個體代入式(7)中，得到相應的網(wǎng)絡全局誤差函數(shù)值Ei,Ei越小則個體的適應能力越強。

(4)父代個體的選擇與雜交。把父代個體按優(yōu)化準則函數(shù)值Ei從小到大排序，排序后最前面幾個個體稱為優(yōu)秀個體。構造與Ei成反比的函數(shù)pi，pi>0，p1+p2+,+pn=1，從這些父代個體中以概率pi選擇i個個體。于是共選擇兩組各為n個的個體，然后將兩組個體隨機兩兩配對n對雙親，將雙親的二進制數(shù)組的任意一段值互換，得到兩組子代個體。

(5)子代個體的變異。任取步驟父代個體雜交中的一組子代個體，將它們的二進制數(shù)組的任意兩值以變異率pm進行翻轉，即將原值為0的變?yōu)?，原值為1的變?yōu)?。

(6)迭代。由步驟(6)得到的n個子代個體作為新的父代，算法轉入父代個體適應度評估步驟，進入下一代進化過程。

(7)加速循環(huán)。用第一次、第二次進化迭代所產(chǎn)生的優(yōu)秀個體參數(shù)的變化范圍，作為參數(shù)新的初始變化區(qū)間，算法進入網(wǎng)絡參數(shù)編碼步驟，即上述步驟(2)；如此循環(huán)往復，優(yōu)秀個體的參數(shù)變化區(qū)間將逐步收縮，與最優(yōu)的距離越來越近，直至達到給定加速次數(shù)，結束運行。

步驟9：把待測的第k期對應各單項評估模型的評估值作為輸入樣本，輸入已學習完畢的網(wǎng)絡，其網(wǎng)絡輸出值經(jīng)過與歸一化對應的逆處理即為組合評估值Fk。

(二)控制參數(shù)配置

在AGA-BP算法中，根據(jù)經(jīng)驗，控制參數(shù)預先設定為：(1)設定BP網(wǎng)絡中的學習因子η=0.1，動量系數(shù)a=0.1；(2)設定AGA中的編碼長度e=10，變異率pm=1.0，父代個體數(shù)目q=300，優(yōu)秀個體數(shù)目s=10。

四、實例應用

(一)驗證數(shù)據(jù)選取

計算機運行環(huán)境為：Core(TM) 2 CPU 2.29GHZ、內存為2.00GB，仿真工具：Matlab_R2012a。本研究從《中國震例》中選取2005年以來國內發(fā)生的6次地震作為AGABP評估模型的驗證數(shù)據(jù)，數(shù)據(jù)獲取途徑包括定性指標專家評分、清博大數(shù)據(jù)輿情系統(tǒng)、《中國震例》及官方網(wǎng)站(如表4)。其中，網(wǎng)絡輿情轉發(fā)量、發(fā)文量及評論量的統(tǒng)計期間規(guī)定為震災發(fā)生當日后30日的數(shù)據(jù)量；震級、死傷人數(shù)及財產(chǎn)損失以震災發(fā)生地官方網(wǎng)站公布為準。評估方法應用分為兩個階段：第一階段采用隨機樣本數(shù)據(jù)訓練AGABP網(wǎng)絡以獲得最優(yōu)參數(shù)，并與BP神經(jīng)網(wǎng)絡、邏輯斯蒂曲線對比，以觀察AGABP評估模型的訓練精度；第二階段將6次地震網(wǎng)絡輿情數(shù)據(jù)裝入訓練后的AGABP模型中，對6次震災網(wǎng)絡輿情的風險性進行評估，并提出政策建議。

表4 2005年以來6次震災網(wǎng)絡輿情風險監(jiān)測指標數(shù)據(jù)

注：表中各序號對應地震為：1.江西九江(2005.11.26)；2.云南寧洱(2007.6.3)；3.四川汶川(2008.5.12)；4.青海玉樹(2010.4.14)；5.四川雅安地震(2013.4.20)；6.云南魯?shù)?2014.8.3)

(二)AGABP網(wǎng)絡參數(shù)訓練與實例評估

1.隨機樣本數(shù)據(jù)訓練AGABP網(wǎng)絡

根據(jù)表3的震災網(wǎng)絡輿情風險等級標準和步驟1，隨機生成1～31組震災網(wǎng)絡輿情風險等級標準樣本數(shù)據(jù)，如表5所示。

表5 震災網(wǎng)絡輿情風險評估隨機樣本數(shù)據(jù)及AGABP計算對比

對樣本數(shù)據(jù)按式(1)至式(3)進行無量綱處理后輸入AGABP網(wǎng)絡學習訓練，取訓練次數(shù)10 000次，AGABP加速尋優(yōu)4次，計算結果如表5。進一步，將隨機樣本數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡、邏輯斯蒂曲線，其訓練精度對比如圖3。

圖3 AGABP與BP神經(jīng)網(wǎng)絡、邏輯斯蒂曲線訓練精度對比

從圖3可知，經(jīng)過10 000次訓練后，AGABP網(wǎng)絡全局誤差為0.000 712，達到收斂要求；BP網(wǎng)絡的全局誤差為0.001 671；邏輯斯蒂曲線的擬合誤差為0.001 011。與實際風險等級值相比，AGABP網(wǎng)絡的精度明顯高于BP神經(jīng)網(wǎng)絡和邏輯斯蒂曲線；此時，AGABP網(wǎng)絡的穩(wěn)定權值和閾值見表6。

表6 隨機樣本數(shù)據(jù)訓練AGABP網(wǎng)絡10 000次后的穩(wěn)定權值和閾值

2.實例評估

經(jīng)過10 000次訓練后，AGABP網(wǎng)絡的閾值和各層的權值達到穩(wěn)定，訓練精度符合要求，說明訓練后的AGABP網(wǎng)絡能夠用于震災網(wǎng)絡輿情風險評估中。分別運用AGABP網(wǎng)絡、BP神經(jīng)網(wǎng)絡和邏輯斯蒂曲線對表4中6個案例進行評估。設定AGABP網(wǎng)絡和BP神經(jīng)網(wǎng)絡各自訓練次數(shù)15 000、加速尋優(yōu)4次，其他參數(shù)不變；邏輯斯蒂曲線仍采取擬合方式進行風險評估。三種方法得到結果如表7、圖4所示。

表7 三種方法的評估結果

圖4AGABP、BP和邏輯斯蒂的評估曲線

(三)結果分析

采用AGABP模型對6次震災網(wǎng)絡輿情風險評估結果表明：(1)地震震級、傷亡人數(shù)、財產(chǎn)損失、發(fā)文量、評論數(shù)和轉發(fā)量等6個指標是影響震災網(wǎng)絡輿情風險等級的關鍵性指標。通過觀察隨機數(shù)據(jù)訓練結果，次生災害發(fā)生率、應急資源滿足能力、監(jiān)測預警能力和災民綜合滿意度這4個指標對震災網(wǎng)絡輿情風險等級的影響程度低于其余6個指標。(2)AGABP模型評價結果與實際基本一致，可信度高于BP神經(jīng)網(wǎng)絡和邏輯斯蒂曲線。表7中，BP神經(jīng)網(wǎng)絡將汶川地震網(wǎng)絡輿情風險評估為低風險，這與實際不符，實際上汶川地震后網(wǎng)絡輿情迅速擴散，謠言四起，經(jīng)過政府、專家的正確引導和管控才杜絕眾多負面輿情的膨脹。邏輯斯蒂曲線將雅安地震評估為一般風險，這也與實際不符。

五、結論

科學構建震災網(wǎng)絡輿情風險評估體系是制定網(wǎng)絡輿情應對預案、提升震災應急效率和增加災害應急能力的基礎工作。本研究得出如下結論。

第一，提出具有高度代表性特征的震災網(wǎng)絡輿情風險監(jiān)測指標。依據(jù)網(wǎng)絡輿情傳播規(guī)律和震災網(wǎng)絡輿情產(chǎn)生特征，從事件的物理屬性和社會屬性兩方面設置風險監(jiān)測粗選指標。通過指標信度、效度檢驗后，采用主成分分析和累計貢獻率方法對粗選指標篩選后，提出2個維度、4個二級指標、10個三級指標所構成的震災網(wǎng)絡輿情風險監(jiān)測指標體系。模型驗證結果表明，本研究所構建的指標體系能夠有效對震災網(wǎng)絡輿情進行評估。

第二，訓練后的AGABP模型，在收斂速度、參數(shù)優(yōu)化和預防過早收斂上明顯優(yōu)越于BP神經(jīng)網(wǎng)絡，能夠用于震災網(wǎng)絡輿情風險管理實踐。

第三，AGABP模型的精度高于BP神經(jīng)網(wǎng)絡和邏輯斯蒂曲線。樣本訓練和實例驗證表明，BP神經(jīng)網(wǎng)絡容易陷入局部最優(yōu)，精度低于AGABP模型，訓練時間也長于AGABP模型；邏輯斯蒂曲線在眾多非線性擬合中精度較高，從圖3、圖4也可以看出，兩次擬合結果表明邏輯斯蒂曲線對非線性數(shù)據(jù)的擬合結果十分穩(wěn)定，但與AGABP模型相比，邏輯斯蒂曲線的擬合精度仍然較差。