基于ANP和随机Petri网的突发事件网络舆情危机预警机制研究

doi:10.16381/j.cnki.issn1003-207x.2020.2433

摘要/Abstract

摘要：

突发事件网络舆情危机一旦爆发，会引发民众心理不安，影响社会安定。为及时有效预报危机触点、预防舆论爆发和预控事态升级，研究危机预警已刻不容缓。本文首先依据突发事件网络舆情的信息属性建立预警条块指标，并采用ANP对条指标进行定权-分类-评级，得到风险度由高到低的三级风险指标（Ⅰ级、Ⅱ级和Ⅲ级）；再结合预警体系框架构建了“阶梯并联式”预警机制；最后以“北京新发地疫情”为例，利用随机Petri网与马尔科夫链的同构性对预警机制进行仿真分析。结果表明，Ⅰ级和Ⅱ级风险指标实时值和增长率均与舆情危机爆发概率之间存在非线性关系，Ⅰ级、Ⅱ级和Ⅲ级风险指标增长率之间的交互关系产生了预警临界面，据此制定了预警启动规则，为有关部门提前采取针对性的防范措施提供决策参考。

关键词: ANP, 随机Petri网, 网络舆情, 危机预警, 马尔可夫链

Abstract:

Once an emergency network public opinion crisis breaks out， it will cause unrest among the people and hinder social stability. In order to forecast crisis contacts in a timely and effective manner， prevent the outbreak of public opinion， and pre-control the escalation of the situation， it is urgent to study crisis warning. Firstly， the early warning block indicators are established based on the network public opinion information attributes of emergencies in this paper， the weights are determined by ANP， and the three-level risk indicators which is from high to low risk （level I， II， and III） are obtained through the cumulative weight ratio in the ABC classification method thoughts. Secondly， the “cascade-parallel” early warning mechanism based on the framework of the early warning system is designed to monitor real-time dynamics and predict the future situation. Finally， taking the “new outbreak in Beijing” as an example， the early warning mechanism is simulated and analyzed by using the isomorphism of the Stochastic Petri Net and the Markov chain. The results show that the nonlinear relationship is found between the real-time value of level I and level II risk indicators and the probability of occurrence of public opinion crisis， as well as the growth rate of risk indicators， and the interactive relationship among the growth rate of level I， level II and level III has produced the critical surface of early warning. According to these analyses， the three-dimensional graph is drawn and the early warning start rule is formulated. In the rule， the interactive relationship among different indicators is considered， the early warning activation level from many aspects is judged， and the alert level is divided into three categories from small to large： yellow， orange and red， so as to provide decision-making reference for relevant departments to take targeted preventive measures in advance.

Key words: ANP, Stochastic Petri Net, network public opinion, crisis warning, Markov chain

中图分类号:

G206

田世海,王春梦,杨文蕊. 基于ANP和随机Petri网的突发事件网络舆情危机预警机制研究[J]. 中国管理科学, 2023, 31(10): 215-224.

Shi-hai TIAN,Chun-meng WANG,Wen-rui YANG. Research on the Early Warning Mechanism of Network Public Opinion Crisis for Emergencies Based on ANP and Stochastic Petri Net[J]. Chinese Journal of Management Science, 2023, 31(10): 215-224.

图/表 16

表1

危机预警条块指标体系"

块指标	条指标	量化指标（单位时间内）
事件信息块 $B 1$	事件信息可靠度 $C 11$	权威媒体发布事件信息数
	事件信息关注度 $C 12$	事件信息浏览访问数
	事件信息传播度 $C 13$	事件信息转发点赞评论数
	事件信息行为度 $C 14$	事件信息图片、表情、视音频数
	事件信息情绪度 $C 15$	消极情绪的信息增加数
风险信息块 $B 2$	风险信息关注度 $C 21$	风险信息浏览访问数
	风险信息传播度 $C 22$	风险信息转发点赞评论数
	风险信息行为度 $C 23$	风险信息图片、表情、视音频数
	风险信息情绪度 $C 24$	消极情绪信息增加数
衍生信息块 $B 3$	衍生信息关注度 $C 31$	衍生信息浏览访问数
	衍生信息传播度 $C 32$	衍生信息转发点赞评论数
	衍生信息行为度 $C 33$	衍生信息图片、表情、视音频数
官方信息块 $B 4$	信息披露度 $C 41$	事件追踪信息数
	事件处理度 $C 42$	相关处理措施信息数
	不实信息甄别度 $C 43$	辟谣信息数
	奖惩力度 $C 44$	政府对该事件奖惩信息数

表1

图1

图2

图3

表2

突发事件网络舆情预警要素有限集合"

$P 1$ ：历史信息数据

$P 2$ ：原始信息数据

$P 3$ ：实时信息数据

$P 4$ ：关键信息整合

$P 5$ ：舆情态势不佳

$P 6$ ：舆情态势扩大

$P 7$ ：舆论爆发

$P 8$ ：官方信息滞后

$P 9$ ：危机预警

表2

表3

突发事件网络舆情预警要素变迁的有效集合"

$t 1$ ：数据库更新

$t 2$ ：Ⅰ级风险评定

$t 3$ ：Ⅱ级风险评定

$t 4$ ：Ⅲ级风险评定

$t 5$ ：舆情热度上升

$t 6$ ：不实信息滋生

$t 7$ ：Ⅰ级风险上升

$t 8$ ：Ⅱ级风险加大

$t 9$ ：Ⅲ级风险加深

$t 10$ ：矛盾冲突激化

$t 11$ ：事件升级

$t 12$ ：预警启动、官方进行管控

表3

图4

表4

危机预警指标风险评级"

危机预警指标体系				危机预警指标风险评级
块指标	块指标权重	条指标	条指标权重	风险排序指标	风险排序指标权重	风险指标等级权重	风险指标等级
事件信息块 $B 1$	0.2442	事件信息可靠度 $C 11$	0.0479	事件信息传播度 $C 13$	0.1563	0.7003	Ⅰ级
		事件信息关注度 $C 12$	0.0969	事件信息关注度 $C 12$	0.0969
		事件信息传播度 $C 13$	0.1563	风险信息关注度 $C 21$	0.0799
		事件信息行为度 $C 14$	0.0770	风险信息传播度 $C 22$	0.0779
		情绪转移度 $C 15$	0.0682	事件处理度 $C 42$	0.0776
风险信息块 $B 2$	0.3793	风险信息关注度 $C 21$	0.0799	事件信息行为度 $C 14$	0.0770
		风险信息传播度 $C 22$	0.0779	情绪转移度 $C 15$	0.0682
		风险信息行为度 $C 23$	0.0302	信息披露度 $C 41$	0.0665
		情绪转移度 $C 24$	0.0516	情绪转移度 $C 24$	0.0516	0.2147	Ⅱ级
衍生信息块 $B 3$	0.2396	衍生信息关注度 $C 31$	0.0340	事件信息可靠度 $C 11$	0.0479
		衍生信息传播度 $C 32$	0.0440	衍生信息关注度 $C 32$	0.0440
		衍生信息行为度 $C 33$	0.0334	不实信息甄别度 $C 43$	0.0372
官方信息块 $B 4$	0.1369	信息披露度 $C 41$	0.0665	衍生信息关注度 $C 31$	0.0340
		事件处理度 $C 42$	0.0776	衍生信息行为度 $C 33$	0.0334	0.0850	Ⅲ级
		不实信息甄别度 $C 43$	0.0372	风险信息行为度 $C 23$	0.0303
		奖惩力度 $C 44$	0.0213	奖惩力度 $C 44$	0.0213

表4

图5

图6

图7

图8

图9

图10

图11

图12

参考文献 20

1	林燕霞，谢湘生，张德鹏.复杂交互行为影响下的网络舆情演化分析［J］.中国管理科学，2020， 28（1）：212-221.
	Lin Yanxia， Xie Xiangsheng， Zhang Depeng. Analysis of online public opinion evolution under the influence of complex interaction behaviors［J］. Chinese Journal of Management Science，2020，28（1）：212-221.
2	顾秋阳，吴宝，池仁勇.考虑思考时滞的社交网络舆情最优控制模型［J］.中国管理科学，2021，29（11）：215-223.
	Gu Qiuyang， Wu Bao， Chi Renyong. Optimal control model of social network public opinion considering thought time-lag［J］. Chinese Journal of Management Science，2021，29（11）：215-223.
3	徐选华，马志鹏，陈晓红.基于公众偏好大数据分析的大群体应急决策质量动态演化研究［J］.中国管理科学，2022，30（7）：140-149.
	Xu Xuanhua， Ma Zhipeng， Chen Xiaohong. Dynamic evolution research on emergency decision quality of large group based on the pubic preferences big data［J］. Chinese Journal of Management Science，2022，30（7）： 140-149.
4	孙继伟，李晓琳，王轶群.企业危机管理中自媒体舆论引导策略的探索性研究［J］.管理科学， 2020，33（5）：101-115.
	Sun Jiwei， Li Xiaolin， Wang Yiqun. Exploratory research on we media public opinion guide strategy in enterprise crisis management［J］. Journal of Management Science， 2020，33（5）： 101-115.
5	Bhandari A， Pal N R. Can edges help convolution neural networks in emotion recognition？［J］. Neurocomputing， 2021， 433： 162-168.
6	李金，申苏浩，孙晓蕾，等.重要数据跨境流动背景下风险路径的识别与分级.中国管理科学，2021，29（3）：90-99.
	Li Jin， Shen Suhao， Sun Xiaolei， et al. Identification and classification for risk paths in the context of cross-border important data flow［J］. Chinese Journal of Management Science， 2021，29（3）：90-99.
7	Masood M A， Abbasi R A. Using graph embedding and machine learning to identify rebels on twitter［J］. Journal of Informetrics， 2021， 15（1）： 101-121.
8	谭雪晗，涂艳，马哲坤.基于SNA的事故灾难舆情关键用户识别及治理［J］.情报学报，2017， 36（3）：297-306.
	Tan Xuehan， Tu Yan， Ma Zhekun. Analysis of key users in accident public opinion spread on social network theory［J］. Journal of the China Society for Scientific and Technical Information， 2017，36（3）：297-306.
9	裘江南，杨书宁，翟劼.基于扫描统计量的微博中突发事件舆情动态监测方法［J］.情报学报，2015，34（4）： 414-423.
	Qiu Jiangnan， Yang Shuning， Zhai Jie. Method for dynamic monitoring of online public opinion in emergency events based on scanning of micro-blogs［J］. Journal of the China Society for Scientific and Technical Information， 2015，34（4）：414-423.
10	许诺，唐锡晋.基于百度热搜新闻词的社会风险事件5W提取研究［J］.系统工程理论与实践，2020，40（2）： 334-342.
	Xu Nuo， Tang Xijin. A Study on 5W Extraction for societal risk events based on hot new search words［J］. Systems Engineering-Theory & Practice，2020， 40（2）：334-342.
11	杜洪涛，孟庆国，王君泽.互联网数据在舆情研判中的效用研究［J］.中国软科学，2016（4）： 34-44.
	Du Hongtao， Meng Qingguo， Wang Junze. Effectiveness of internet data in the public opinion analysis task［J］. China Soft Science， 2016（4）： 34-44.
12	杨小溪，郑珊珊，晋兆雨，等. 基于信息生态理论的网络舆情预警评价指标体系研究［J］.情报理论与实践， 2021，44（3）： 143- 148.
	Yang Xiaoxi， Zheng Shanshan， Jing Zhaoyu， et al. Research on evaluation index system of network public opinion hotness based on information ecology theory［J］. Information Studies： Theory & Application， 2021，44（3）： 143-148.
13	黄炜，黄建桥，李岳峰.网络恐怖事件预警指标体系研究［J］.情报杂志，2017，36（4）：41-46.
	Huang Wei， Huang Jianqiao， Li Yuefeng. Early warning index system of online terrorism event［J］. Journal of Intelligence， 2017，36（4）： 41-46.
14	刘樑，沈焱，曹学艳，等.基于关键信息的非常规突发事件预警模型研究［J］.管理评论，2012，2 4（10）：166-176.
	Liu Liang， Shen Yan， Cao Xueyan， et al. Research on early-warning of unconventional emergencies based on key information［J］. Management Review，2012，24（10）： 166-176.
15	赵金楼，高宏玉.基于随机Petri网的网络群体事件演化模型研究［J］.情报学报， 2015，34（10）： 1040-1047.
	Zhao Jinlou， Gao Hongyu. Evolution model of network colony incident based on stochastic petri nets［J］. Journal of the China Society for Scientific and Technical Information， 2015， 34（10）：1040-1047.
16	李勇建，王循庆，乔晓娇.基于广义随机Petri网的重大传染病传播演化模型研究［J］.中国管理科学，2014，22 （3）：74-81.
	Li Yongjian， Wang Xunqing， Qiao Xiaojiao. Spread model of major infectious disease based on generalized stochastic petri nets［J］. Chinese Journal of Management Science，2014，22（3）：74-81.
17	刘宇，梁循，杨小平.基于Petri网的微博网络信息传播模型［J］.中国管理科学，2018，26 （12）：158-167.
	Liu Yu， Liang Xun， Yang Xiaoping. Information propagation model of microblog network based on petri nets［J］. Chinese Journal of Management Science，2018， 26（12）：158-167.
18	杨柳，罗文倩，邓春林，等.基于灰色关联分析的舆情分级与预警模型研究［J］.情报科学，2020，38（8）：28-34.
	Yang Liu， Luo Wenqian， Deng Chunlin，et al. Classification and early warning model of public opinion based on grey correlation analysis［J］. Information Science，2020，38（8）： 28-34.
19	林琛.基于网络舆论形成过程的舆情指标体系构建研究［J］.情报科学，2015，33（1）：146-149+161.
	Lin Chen. Research on the construction of public opinion indicator system based on the formation process of public voice［J］. Information Science， 2015，33（1）：146-149+ 161.
20	Molly M K. Discrete time stochastic petri nets［J］. IEEE Trans Software Engineering， 1985，11（4）： 417-423.

[1]	王明珠, 郭林江, 刘怡君. 考虑网民心理因素的网络舆情干预时机研究[J]. 中国管理科学, 2025, 33(6): 140-150.
[2]	陈杰,邢灵博,李胃胜,陈志祥,陈崇萍. 不完备质量下带有风险厌恶的库存决策模型[J]. 中国管理科学, 2024, 32(2): 54-64.
[3]	侯艳辉,管敏,王家坤,孟帆,张昊. 全媒体时代基于微分博弈的网络舆情引导激励机制研究[J]. 中国管理科学, 2023, 31(8): 239-252.
[4]	郝俊, 李建平, 冯倩倩, 孙晓蕾. 基于溢出效应的金融危机早期预警方法研究[J]. 中国管理科学, 2023, 31(4): 35-45.
[5]	陈华, 张煜巍. 企业社会责任负面事件网络舆情演化阶段式建模分析[J]. 中国管理科学, 2023, 31(2): 195-204.
[6]	王磊, 李守伟, 何建敏, 候德飞. 网络舆情扰动下房地产投资者“追涨杀跌”行为扩散研究[J]. 中国管理科学, 2023, 31(1): 56-69.
[7]	李坚飞, 孙梦霞, 李蓓. 零售服务供应链动态演化中存在“质量桥”吗？[J]. 中国管理科学, 2022, 30(8): 130-142.
[8]	欧阳资生, 杨希特, 黄颖. 嵌入网络舆情指数的中国金融机构系统性风险传染效应研究[J]. 中国管理科学, 2022, 30(4): 1-12.
[9]	王治莹, 李勇建, 王伟康. 基于随机Petri网的突发事件信息演化模型[J]. 中国管理科学, 2020, 28(3): 113-121.
[10]	祁凯, 杨志. 突发危机事件网络舆情治理的多情景演化博弈分析[J]. 中国管理科学, 2020, 28(3): 59-70.
[11]	林燕霞, 谢湘生, 张德鹏. 复杂交互行为影响下的网络舆情演化分析[J]. 中国管理科学, 2020, 28(1): 212-221.
[12]	武博, 官雨娴, 陈杰, 陈志祥. 带有马尔可夫竞争因子的多产品报童模型[J]. 中国管理科学, 2019, 27(5): 96-108.
[13]	孙华丽, 赵喆, 刘涛, 薛耀锋. 震后应急医疗救援流程效率评价研究[J]. 中国管理科学, 2019, 27(1): 205-216.
[14]	吴鹏, 强韶华, 高庆宁. 基于SOAR模型的网民群体负面情感建模研究[J]. 中国管理科学, 2018, 26(3): 126-138.
[15]	余顺坤, 张欧. 基于ANP的农信机构客户经理综合评价研究[J]. 中国管理科学, 2015, 23(4): 167-176.