突发事件舆情传播的网络结构及关键节点识别

突发事件舆情传播的网络结构及关键节点识别

1社会网络理论及危机传播信息社会和网络社会的到来，除了改变传统观念和社会形态外，还增加了不稳定性和风险。世界范围内的各种突发事件呈现常态化、多元化和系统化的特点。公共危机已经不再外在于社会,而成为社会结构中的内在构成要素。在公共突发危机事件的发生、发展和变异过程中,网络媒体和网民群体主动或随机地以网络为平台,通过新闻跟贴、论坛发贴、微博转发等方式进行信息收集、分析和交流后,形成了基于事件或变异的网络舆情,网络舆情具有形成的自发性风暴性、内容的庞杂性海量性和论点的分散性多元性等特点。现有以刚性干预为主要手段,以传统权威组织为管理层级的被动回应模式,难以适应网络监督的压力,经常在管理上陷入“一对多”、“慢对快”、“点对面”的困境。信息社会的动态复杂网络环境对各级组织提出了突发事件舆情管理的新挑战,尤其是微博的出现和普及,不仅使得信息能够在较短时间内实现较大范围的传播,也打破了传统的以政府为主体的“单级”信息传播控制模式。如何在多媒体交互式参与的多极化信息传播模式下实现突发事件的网络舆情有效预防与应对,是目前的理论研究热点和实践难题。在突发事件信息的传递与交流中,各种以信息为媒介的触发、耦合、并发、转化关系的存在,在突发事件的组织与个体之间形成了具有特定网络拓扑特性的网状结构。社会网络理论中的节点与位置分析为突发事件舆情管理的研究提供了一个新视角。在学术界,网络舆情与应急管理研究作为一个新兴的交叉研究热点,吸引了传播学、社会学、管理学、数学和通信等多学科学者的广泛关注。西方学者在传播学及社会学领域的相关研究始于保罗·F·拉扎斯菲尔德的“二级传播理论”(后发展为“多级传播”学说),他通过不断改进抽样调查技术和量化分析方法,将社会学和传播学结合起来,指出了作为大众媒体和广大社会之间中介的“意见领袖”,可以通过信息来影响媒体的“流动”,并影响到各自的追随者。传播理论在20世纪末开始对信息传播的影响及网络关系进行大量定量研究。Helsloot和Ruitenberg从危机的属性、公众的应对经验、性别、社会定位等方面分析了危机信息对不同群体的心理和行为影响。FionaDuggan和LindaBanwell构建了危机中的信息传播模型,模型对于理解危机信息扩散的影响因素起到重要作用,提出在危机信息传播过程中,信息发送者的编码规则起到主导作用。Berelson认为传播就是信息的传递,并不一定被接收或理解,所谓“网络”是通过人和群体之间的传播创造出来的社会结构,并分为正式网络和新兴网络。社会网络这一领域的理论研究一般被认为是从Mllgram提出著名的“六度分割”思想开始的,1973年,Granovetter又提出了经典的“弱连接”理论,其研究重点在于将个人行为置于人际关系互动网络中观察,强调行动者通过社会网络不断地进行信息交换、情报搜集时,强联系多的人会陷入信息传递的小圈子中,而弱联系在信息的搜索和新信息的获取上更具有价值。1997年ThomaBirkland从分析危机传播的新视角提出了焦点事件理论。1998年,康奈尔大学的Watts和Strogat表述了社会网络的小世界特性并建立了小世界网络模型,Elgazzar对演进规则做了定义。1999年,Barabdsi和Albert又提出了复杂网络的无标度性并建立了无标度网络模型。综合看,社会学方面研究采用邻接矩阵和社群图表示社会网络,利用一些如密度、中心度、模块度等的网络指标来挖掘网络中的团体、明星节点等。Nomingos以及Rieharson提出了节点影响力分析的基本算法,Kelnpe等将社会网络通过建模构建形成图,Fortunato研究了5种网络媒介下的模型,分别为全连通图、方格、无标度网络、随机图和星型图。近年来,学界进一步将网络的分析范式与危机信息传播相结合。Lubitz的研究表明,在突发事件中低效的信息流将会造成巨大的经济损失及人员伤亡。基于网络能力的应急响应比传统基于层级的响应具有更多优势,可以为应急管理提供一个信息平台,以提高管理效率和情境适应性。NaimKapucu提出网络分析评估响应组织之间的关系,协调应急行动。Harikesh在2010年利用自然实验,提出网络行为影响的新准则,并充分强调意见领袖的作用。国内学者进行的相关研究中较有代表性的有:安世虎等和李鹏翔等运用删除法,分别提出了基于无权网络和加权网络的节点重要性评价方法,其思路是基于节点的重要性等价于节点删除后对网络的破坏性;许进等基于“节点的重要性等价于该节点与其他节点的连接而使其具有的显著性”提出了较为系统的“核与核度理论”;刘浪提出了节点重要度计算的优先等级法;曾大军提出基于异质网络结构的传播模型;北京邮电大学方滨兴院士提出了基于事件的社会网络演化分析框架;另外,人民网舆情监测室、北京交通大学网络舆情安全研究中心和中国传媒大学网络舆情研究所等研究机构对舆情监测进行了研究。综上所述,国内外的研究成果表明,由于突发事件网络舆情的研究领域交叉性比较强,不同学科的研究侧重点不同,如通信和计算机领域主要从研究文本挖掘及方法计算角度对网络舆情进行复杂的技术研究,管理学和传播学更多从特征、影响因素、管理监督、传播过程和媒体角色等方面进行定性研究,近年来,将二者进行有机结合跨学科研究是目前学界热点。本文运用社会网络分析方法,以具有典型代表意义的突发事件为案例分析和实证分析对象,对网络舆情进行数据收集统计,研究网络中节点与节点之间联系、网络的关键节点及分层结构,进而通过相关参数测度来分析突发事件舆情传播的网络结构、各级节点在网络中的位置对舆情信息的传播路径与速度的影响,试图从更本质角度把握网络舆情演变规律,为突发事件舆情管理按节点作用不同进行引导控制的政策提供理论和实践依据。2突发事件网络舆情传播的分析方法社会网络分析(SocialNetworkAnalysis,简称为SNA)是适应研究社会结构和社会关系需要而发展起来的一种分析方法。主要分析某一特定空间范围内行动者的关系状况,寻找关系的特征以及发现关系对组织的影响。在社会学中,社会结构是在各不相同的层次上使用的。它既可用以说明微观的社会互动关系模式,也可说明宏观的社会关系模式。也就是说,基于SNA不仅能研究群体内部结构和人际关系等单一微观网络,也可应用到包括经济生活在内的全部社会领域的宏观网络研究中。互联网环境下突发事件信息作为一种异化情境下的特殊信息形态存在于复杂互动的网络之中,信息管理主体与传播主体、主体间关系以及传播途径共同构成基于事件信息的网络空间结构。网络成员接收信息的同时也在发送信息,通过不同网络成员的嵌套和勾连,信息在更大范围内进行传播,渐渐结成一张庞大的社会学意义上的“群体社会网络”。通常用节点表示社会行动者(SocialActor),社会行动者可以是任何一个个体或组织,用边来连接这些节点,边表示突发事件网络信息传播的路径,两个节点出现连接表明有关系,同时关系的强弱可以通过关系的强度计算来体现。网络成员多数情况下并非来自同一个组织或同一个领域,因此成员间的联系多呈现一种弱联系。在研究信息交流时,基于社会网络中弱联系的探索更加重视人的因素,更能反映信息交流和传播的本质。突发事件舆情网络是一种社会网络,所以社会网络中的一些网络属性也适用于网络舆情研究。本文提出的分析方法主要包括两部分,即突发事件舆情传播网络测度和网络关键节点分析。突发事件网络舆情传播模型的构建可以使用关系矩阵和SNA的网络结构图。模型的建立流程如下:网络节点的确定→网络关系的确定→数据的搜集和处理→网络模型的建立与输出→关键节点识别与分层。具体如图1所示。社会网络分析提供了很多参数,按用途大致可以分为网络整体结构测度和位置角色测度两类。其中网络密度、可达性和聚类系数是反映网络整体结构特征的指标。可达性考察一个网络中各个节点的互联能力,通过网络的连通性识别其是否具有小世界效应,小世界效应影响到信息传播经过的节点数,影响到经过的中转节点数,影响到传播所需要时间的长短以及其它。如果网络中一部分个体之间相互联系紧密,那么这部分个体构成了一个小团体的可能性很大,即网络中存在某种群落结构。通过聚类系数的计算可以发现网络中凝聚子群存在的平均密度。测度结果有助于把握整个网络的离散程度,识别局部中心。网络中的个体存在于网络中,因其位置不同使得其角色意义不同,处于不同位置的节点所掌握和控制的资源能力与数量有巨大差异。有的个体处于网络的核心位置,有的个体处于网络的边缘位置,有的个体在网络中还扮演着“桥梁”的角色。因此,突发事件舆情信息网络也可以表示成“关键节点-普通节点”的分层结构,这一分层识别在本文是通过“K-核分析”实现的。中心性与中介性则是计算节点在团体网络中角色的主要指标。在中心性分析中,通过计算各个节点的点度中心度、接近中心度来反映中心性指数。中介性属性是指其它节点的最短路径通过本节点的频数,反映该节点与其他节点间沟通和控制能力。接近度值反映的是信息通过节点到达其它节点的难易程度,而中介性反映的是信息流通时对节点的依赖性。上述参数的计算与测度旨在从不同的角度揭示个体对于整个网络的重要程度。另外,因为突发事件中各节点关系是相互的,所以对网络进行了对称化处理,突发事件网络结构图中采用了无向图。3网络数据分析的sna下“7.23”和“s”的关键节点分析3.1“7.23”车辆错误信息传播分析3.1.1关于事故处理的态度和调查工具2011年7月23日20时34分,D301次动车组列车运行至甬温线上海铁路局管内永嘉站至温州南站间双屿路段,与前行的杭州站开往福州南站的D3115次动车组列车发生追尾事故,后车四节车厢从高架桥上坠下。事故共造成40人死亡,172人受伤,直接经济损失19371.65万元。7月24日铁道部在官方网站透露,经初步了解,事故原因是雷击造成设备故障导致的,详细情况正在进一步调查,同时宣布免去上海铁路局局长、党委书记和分管局长的现任职务,对事故遇难者表示哀悼,对受伤旅客和死伤人员家属表示慰问。此举引发大量负面情绪,加之信息发布不及时不透明,新闻发言人所发表言论不当等原因遭到网友的一致批判。新浪微博上关于对事故处理情况满意度的调查显示,90%以上的网民认为处置不力。质疑和责难主要集中在事故发生的真实原因、事发8小时后是否停止救援、伤亡人数与善后赔偿处理、列车残骸处理、中国高铁安全、铁道部新闻发布会及流媒体表现等焦点事件上。7月28日上午,温总理实地察看事故现场并召开中外记者会,强调要求事故调查全过程公开、透明,给群众一个负责任的交代,得到了一致认可。多家媒体进行了直播,舆情向好。7月28日,国务院调查组召开全体会议,成员包括有关部门单位、地方负责人和多领域专家。调查组表示,事故原因的调查已经全面展开,争取9月中旬向社会公布。9月21日,新华社发布国务院调查组的进展,表示仍有许多技术、管理等方面问题要深入分析和验证,调查报告的形成仍需一段时间。12月25日调查组认定,“7·23”事故是一起因列控中心设备存在严重设计缺陷、审查把关不严、雷击导致设备故障后应急处置不力等因素造成的责任事故。原因是:通信信号研究设计院在设备研发中管理混乱,通信信号集团公司履责不力,致使为温州南站提供的设备存在严重设计缺陷和重大安全隐患。铁道部在设备招投标、技术审查、上道使用等方面违规操作、把关不严,致使其上道使用。雷击导致列控中心设备和轨道电路发生故障,错误的控制信号显示,使行车处于不安全状态。上海铁路局相关作业人员安全意识不强,未认真正确地履行职责,故障处置工作不得力。建议给予铁道部等单位54名责任人员党纪政纪处分。3.1.2微博成为主导舆论格局的核心突发事件网络舆情传播阶段通常可分为事件影响初始期、传播扩散期和衰退终结期。在“7·23”动车事故的案例中第一阶段信息包括了事故发生前7分钟,温州居民@Smm_苗通过微博发出动车行驶缓慢的消息,这条微博也成为众多网友质疑24日新华社通稿的事故发生时间为20:27的重要依据。随后在事故发生13分钟时,乘客@羊圈圈羊发出第一条求助微博,转发突破十万次。事故发生12小时后,微博上相关讨论量已突破200万条,其中寻人的转发量超过了50万条。“浙江省卫生厅”、“浙江省血液中心”等多家官方微博也连夜实时发布消息。但铁道部在抢险救援过程中由于信息发布问题及新闻发言人的言论不当遭到网友的批判,使“我反正信了”和“这是生命的奇迹”已经作为“高铁体”被网友广泛传播。铁道部的新闻发布会将网络舆情推向了高潮,使网络舆情由开始的事件影响初始期进入了舆情的传播与扩散期。据7月26日人民网每日舆情热点数据显示,热门新闻跟帖最高的五条新闻、论坛热帖前三名和微博热门话题前五位均与动车事故相关,百度百科、百度知道均已出现相关词条解释,有关新闻1600多篇,微博181万余条,7月26日舆情达到顶峰后呈下降趋势。27日,除珠海政协委员陈利浩的微博转推数达到943282之外,与此事件相关的微博转推数和评论已大幅减少。28日温总理实地察看事故现场并召开中外记者会后,网民情绪有所缓和稳定,网上舆情首次出现积极态势。截止7月28日10时,中国传媒大学网络舆情研究所的分析监测数据显示,有关温州动车追尾事件直接相关报道共有17595篇,参与转载的网站有468家,这些新闻报道总共获2845626条网民评论,另有论坛主帖92796篇,博客文章53495篇,以“温州动车追尾”为关键词的微博有9616248条。在本次事件中,传统媒体和主流媒体的反应速度和关注相对迟缓,事故发生后第4天才有新闻主播评论。7月24日凌晨,新华网、人民网仍未有相关头条报道。《人民日报》、《经济日报》、《光明日报》与《解放军报》的次日头条标题都未有动车事故的相关内容刊登。以微博、博客和论坛等为代表的网络交往平台,在信息传播速度、广度和便捷性等方面的优势,加上其庞大的用户数量,改变了传统舆论格局的力量对比,成为引领舆论的关键节点。微博相关讨论量在7月25日达到高点,共有1090000条;传统媒体的报道在7月26日达到高点,共有1360000条网页信息,微博比传统媒体早一天到达高点,“7·23”事件也成为了证明微博影响力的标志性事件,但微博和媒体报道数量趋势基本同态。在网络舆情的传播与扩散期中,“新浪新闻”等网络新闻媒体在公共舆论平台信息的传播过程中占据了重要位置,通过对事件的信息发布、微博和博文的转发从而引起关注与思考,官方信息的传播与扩散也首先是通过各个公共舆论平台进行发布的,并且信息的可信度要高于其他信息来源,因此其主要作用是微博客无法替代的。个人舆论平台中明星“姚晨”、“浙江同省会”、“珠海政协委员陈利浩”关于“7·23”动车事故的微博都引起了大量网民和网络媒体的关注,其发布的信息通过转发、关注的方式达到扩散的目的,如“姚晨”的关注量达到1000万,“浙江同省会”的信息推转数达到50万,“珠海政协委员陈利浩”的微博转发量达到100多万。但微博传播方式中存在马太效应,意见领袖与其他草根博主受关注度存在巨大差异,表明了节点的作用不同。由于微博采用的是单向的“关注”和“被关注”关系,这种形态使得微博上用户既能建立起以现实生活中亲朋好友为基础的强关系,同时也有基于共同兴趣爱好、共同行业等因素建立起来的弱关系,强弱关系的打通满足了用户多层次的需求,使其具有舆情热点发酵和生成的优势。但是突发事件通常具有信息不对称及不透明的特点,事件进程中社会各方都迫切需要权威部门的动态信息,传统媒体在公众心目中具有相对更高的公信力,因此,传统媒体的舆论引导功能依然是社会总体舆论环境的主流,往往在关键的节点上起到推动或消解舆论的作用。3.2“7.23”车辆错误网络的舆论传播结构图及主要节点的测量3.2.1公共舆论平台的节点分布在“7·23”动车事故中,网络舆情主要通过公共网络平台和个人信息发布平台进行信息的传播交流。通过滚雪球的方法分别对两个平台进行节点的选取,如在微博客中,首先选取三个节点:Smm_苗、杨峰陈碧、姚晨,通过当日信息的转发和被关注选出部分节点,依次类推。本文选取公共舆论平台中的34个网站及其微博客为节点,包括以人民网、新华网、新浪新闻、腾讯新闻等为主的新闻网;以天涯社区、凯迪社区、强国论坛为主的论坛和社区类;以凤凰视频、优酷网为主的音视频网。选取个人舆情平台的55个博客主和微博主作为节点,主要是以新浪博客、网易博客为主的博客和以新浪微博、腾讯微博为主的微博客。节点联系值(边的值)在社会网络中衡量节点之间联系的紧密程度,其取值在公共网络平台和博客主要是浏览次数、评论次数和通过微博客的转发数量;在微博客中则主要是关注与被关注数量、转发与评论次数。在此基础上,通过各个节点之间的联系构建了邻接矩阵。该矩阵的可视化结果见图2。3.2.2信息可达性测度(1)网络密度测度。密度表示的是网络成员间信息传播的互动程度,测量密度需要考察社会网络图中实际存在的连接数与最大可能存在的连接数之比。在一个包含n个点的无向图中,最大可能存在的连接数是n(n-1)/2,因此无向图的密度计算公式是:l为社会网络图实际存在连接数,n为社会网络图的节点个数。表1为运用软件Pajek对“7·23”舆情传播整体网邻接矩阵数据进行密度测度的结果。根据表1结果显示,在由89个传播节点组成的“7·23”事故舆情网络中,实际存在的连接数为716条,即只有716对节点之间存在联系,且网络的密度为0.183。Mayhew和Levinger指出,在现实情况下,实际图的连接数要远远小于完备图的连接数,利用随机选择模型分析测量出网络图最大密度值是0.5。因此测定结果表明了在“7·23”动车事故舆情传播网络范围内节点之间连接较紧密,存在普遍的、密切的交流关系,信息交流紧密。(2)可达性测度。测量可达性的指标是直径(Diameter)和平均路径。网络的直径D为网络中任意两个节点之间的距离的最大值。在一个存在孤立点的图中,网络表示“在图中最大关联图,即一组任意两点都能互相连接的个体集合的规模”。直径短,表示信息可以通过较少步骤或节点传播到整个网络。表达式为:dij为网络中两个节点i和j之间的距离,是连接这两个节点的最短路径上的边数。网络的平均路径长度L是连接网络内两个节点之间最短关系链中的节点平均个数。有研究表明,如果网络具有小世界效应,那么对于固定的网络平均度,平均路径长度L的增加速度与网络规模n的对数成正比,信息转移效率与网络平均路径成反比。较短的平均路径意味着信息传播迅速、互动性强、更新快。网络的平均路径长度表达式为:其中n为网络节点数。表2为运用Pajek软件对“7·23”舆情传播整体网邻接矩阵数据进行直径测度的结果。结果说明,在“7·23”动车事故舆情网络中无不可达点。网络直径D为4,平均路径L为1.97,即在舆情网络中每个节点最长通过4个节点将信息传播到网络中的其他节点。且每个节点平均通过1.97个点与其他节点进行信息的交流,说明了信息在“7·23”动车事故舆情网络中依托节点的传播较为便利,速度较快。(3)聚类系数测度。聚类系数由Watts等提出,用来刻画复杂网络拓扑结构特性,其物理意义是网络集团化的程度。聚类系数Ci定义为一个节点i的相邻点之间实际存在的边数与总共可能存在的边数之比,该值介于0到l之间,且值越大说明网络的整体凝聚性越强。公式为:Ei为节点i相邻点之间实际存在边数,ki为与节点i直接相连的节点数。表3为运用Pajek软件对“7·23”舆情传播整体网进行聚类系数测度的结果。结果表明,“7·23”网络中所有节点聚类系数的平均值为0.137,该平均凝聚系数较低,即意味着多数节点之间信息的交流范围较窄,或网络中可能存在一些连接比较紧密的团体,即网络可能存在一些群落结构,而群落之间的连接相对较弱。7.23舆情网络结构图显示,网络中存在较为紧密的团体,且分散的节点较多,因此导致平均凝聚系数较低。12号“新周刊”的聚类系数最大,为0.346,即与“新周刊”相连的节点中,有34.6%的节点之间存在直接交流,说明了与“新周刊”相连的节点集群化程度高。52号“五岳散人”的成对组数最多,为482。由于聚类系数表示节点的邻接点之间存在的可能性大小,实际存在边数不变的话,规模越小,聚类系数越大。在信息传播交流网络结构图中,可能会存在成对数少,但聚类系数大的情况,如“Haitaode”的成对数仅为150对,聚类系数为0.223,排在第17位。3.2.3网络中心度分析(1)点度中心性测度。点度中心度描述的是一个节点与其他节点直接交互、联系的能力。直接交互能力越强,点度中心度越高,该节点越接近于社会网络的中心,社会地位越高,权力越大。其表达式为:其中,Xij是0或1,代表节点j是否与节点i有信息交流,n是整个网络中的节点数。点度中心势是指图的总体整合度或者一致性。如果一个网络中“点的点度中心度差异很大”,则该网络的向心趋势就较为明显,说明了该网络结构图具有较大的中心势,存在关键性节点,并且该节点与其他节点之间交流紧密。其表达式为:其中,CDi是第i个节点的中心度,CDmax是所有节点的CDi的最大值,n为整个网络中的节点数。表4为运用Pajek软件对“7·23”舆情传播整体网邻接矩阵数据进行点度中心性测度的结果。从表4中可以看出“7·23”舆情网络的整体点度中心势为0.301,表明该舆情网络的点度中心性较大,网络的向心趋势明显,并且存在整个网络的中心关键点。点度中心度最大为28号“新浪微博”,为42,说明了该节点的点度中心度最高,拥有的权利最大,即信息资源掌控能力和信息交流能力强,与众多节点之间存在交流。紧随其后的是52号“五岳散人”、7号“凤凰网”、71号“李承鹏”、83号“闾丘露薇”,分别为39、35、35、35。说明“7·23”事件中意见领袖的影响力较强。(2)中介中心性测度。中介中心度衡量了一个节点作为媒介的能力,也就是占据在其他两个节点之间最短路径上的能力,即测度该节点作为“桥”存在的能力大小。占据两个节点或者团体之间最短路径连接点“桥”的位置越多,则该节点的中介中心度越高,越多的节点就必须通过它进行联络。中介中心度的表达式为:gjk为点j和k间存在的最短路线数目,gjk(ni)表示包含行动者ni的两个行动之间的最短路线数目。中介中心势是指在网络结构图中中介中心度最高的节点与其他节点中介中心度的差距。该节点与其他节点的差距越大,则网络的中介中心势越高。其表达式为:CBi是第i个节点的中介中心度,CBmax是CBi的最大值。表5为运用Pajek软件对“7·23”舆情传播整体网进行中介中心性测度的结果。由表5可见,“7·23”舆情传播网络的中介中心势为0.122,表明该网络的连通性高,信息交流密切,存在“桥”。最大中介中心势为0.132,为28号“新浪微博”,作为个人舆论平台和个人交流空间的“新浪微博”在“7·23”舆情传播网络中起到非常重要作用,如果失去该节点,那么经过“新浪微博”的所有最短路径就会改变,拥有多条最短路径的节点对就将失去一条获取信息捷径,而对于经过该节点的唯一一条最短路径的节点对来说,节点之间信息的传播就需要经过更多的步骤。(3)接近中心性测度。接近中心度测量的是行动者不受他人控制的程度。其测量公式为:接近中心势则关注核心节点和节点距离分布,从路径角度考虑网络信息交流能力,它测量的是整个社会网络结构图的中心性程度,其数值越接近0,说明成员之间的信息依赖程度越强。表达式为:n为网络节点数,CCi为第i个节点的接近中心度,CCmax为CCi最大值。表6为运用Pajek软件对“7·23”舆情传播整体网进行接近中心性测度的结果。“7·23”舆情整体网络的接近中心势为0.279,说明“7·23”动车事故舆情网络中,信息资源被节点或者小团体控制和垄断的可能性较小,即舆情网络上每个节点发布的信息,都能比较顺利地传播到其他节点。在舆情网络中节点的接近中心势最大值为0.652,是28号节点“新浪微博”,其下依次为52号“五岳散人”和7号“凤凰网”,分别为0.642、0.624,测度结果与点度中心性和中介中心性测度排序结果基本一致,说明排序位置靠前的节点在获取信息时不易受其他点的控制,在传递信息方面更加容易和顺畅。3.2.4核心-边缘分析(1)K-核分析。如果一个子群中的全部节点都至少与该图的K个其他节点连接,则称这样的子群为K-核心网络。舆情网络结构图的核心是根据节点间相互联系而形成的,由于节点间信息传播对象和联系的数目不确定,因此由庞大节点数目构成的复杂网络中,并不一定存在同比例的“核心”节点数量。图3为运用Pajek软件对“7·23”舆情传播邻接矩阵数据进行K-核分析生成的舆情网络结构图。K-核分析中K值越小,K-核越松散,K值越大,K-核越紧密,通过分析得到“7·23”动车事故舆情网络的最大K值为13,节点数目为35个,数据说明了在该舆情网络图中存在联系紧密的“凝聚子群”,在整个舆情网络图中所占比例超过39%,并且这些节点在整个网络中的点度中心度较大。因此可以认为该“子群”在舆情网络图中占据了重要位置,并主导了信息的交流。舆情网络图的13-核节点,如28号“新浪微博”,与网络中的节点信息交流次数总共为42,其中有24个核心节点,说明了核心节点的信息交流不仅限于核心部分,也会与边缘区域的节点进行信息交流。(2)核心-边缘分析。核心-边缘结构是由若干节点相互联系构成的一种中心紧密相连、外围稀疏分散的特殊结构。StephenP.Borgatti和MartinG.Everett归纳了核心-边缘结构的3个特点,即核心-边缘结构是一种不能分割为多个互斥子群的网络结构;核心-边缘网络可分成核心块和边缘块;处于核心块的节点之间联系紧密,处于边缘块的节点之间联系较稀疏,且均有与核心节点建立关系的倾向。核心-边缘局部关联模型表示核心成员与边缘成员之间存在一定数目的关系。关联模型如下:在等式中,αij表示在观察的数据中关系的存在与否,如果节点i和j存在关系,则αij=1,否则为0。Ci指的是行动者i所隶属的类型(核心或者边缘),δij指的是一种关系在理想情况下的存在与否。利用舆情网络的初始赋值矩阵获得C的各个值,从而使得与公式对应的数据矩阵和模式矩阵之间的相关系数最大。所获得的C值即为每个节点的核心度。表7为运用Pajek软件对“7·23”事故进行核心-边缘结构模型相关系数测量的结果。从表7可知,经过1000次迭代以后,核心-边缘模型的相关系数ρ达到最大值0.481。当ρ达到最大值时,表明了这种结构就是一个核心-边缘结构。在表7中,28号“新浪微博”的核心度最大,为0.293,表明了“新浪微博”处于信息资源交流核心区域,和其他节点的信息交流深度与广度最大,核心度其下依次为6号“腾讯网”、59号“姚晨”、48号“童大焕”,分别为0.269、0.267、0.258。其中59号“姚晨”、48号“童大焕”由于核心度高,并且其博文或者微博具有典型代表性,为大多数网民认可,在该舆情传播网络中扮演了“意见领袖”的角色。3.3核心度:基于中心-边缘的分析在舆情网络位置角色的测度与分析中,可以通过K-核分析与核心-边缘分析对关键节点进行识别与分层,由图3可见,13-核中共有35个节点,其中26个节点核心度超过平均核心度0.083,并且这些节点在舆情网络位置中心性测度中都表明了处于关键节点位置。核心-边缘结构分析是通过计算行动者的核心度来量化行动者在社会网络中所处的位置,本文将节点分为中心核心、普通核心和边缘三种类型。根据计算结果分析,由于第四位“童大焕”和第五位“凤凰网”的核心度相差较大,因此得到中心核心区域为核心度排名前4的点;普通核心区域与边缘区域则选取平均核心度作为划分指标,软件计算结果为0.083。中心核心区域:“腾讯网”等1个新闻网,“新浪微博”等1个微博客平台,“姚晨”、“童大焕”等2个网民,总共4个节点。普通核心区域:“凤凰网”、“财经网”等3个新闻网,“新周刊”、“南方都市报”等5个传统媒体类网站,优酷、土豆等3个视频网,天涯社区、猫扑社区等2个论坛和社区,“腾讯微博”等1个微博客平台,“赵普”、“邓飞”等16个网民,总共28个节点。边缘区域:网易网、搜狐网等7个新闻网,南风窗、南都周刊等3个传统媒体类网站,搜狐视频等4个视频,凤凰论坛等6个论坛和社区,新浪博客等6个博客,“网易微博”等2个微博客平台,作业本、大记者张斌等29个网民,总共有57个节点。在核心-边缘分析中,根据边的数量和边的权重来计算核心度。因此,作为信息交流的平台的“新浪微博”由于微博客的数量庞大,且通过它实现了大部分的信息交流,其核心度值最高,处于中心核心区域,是本次事件中的最关键节点;“姚晨”处于中心核心区域则是由于她的微博关注高转发次数多,同时作为娱乐明星,粉丝数量和名声的支持也是支撑“姚晨”作为中心核心区域的重要因素;“@Smm_苗”的微博数量转发次数超过10万,但在舆情网络图中,与“@Smm_苗”进行信息交流的节点数量较少,因此位于边缘区域。由表可以看出,处于中心核心区域和普通核心区域的网民数量超过了50%,并且他们的信息交流大部分是通过微博客和博客。尤其是“姚晨”、“童大焕”等意见领袖在微博客平台上的积极参与,