齊 珉，齊文華，蘇桂武

（中國地震局地質研究所，北京 100029）

0 引言

中國互聯網信息中心（CNNIC）2019年發(fā)布的第43次《中國互聯網絡發(fā)展狀況統計報告》顯示：截至2018年12月，中國網民規(guī)模為8.29億，互聯網普及率達59.6%；網絡新聞用戶為6.75億，占網民總數的81.4%；微博用戶3.51億，占網民總數的42.3%[1]。隨著互聯網和移動通信技術的高速發(fā)展和日臻成熟，越來越多人通過網絡獲取新聞資訊，并在網絡上表達個人對于新聞事件的觀點、看法、情感態(tài)度等。網絡的開放性、便利性、互動性等特點促使其成為輿情孕育、產生、變化和消亡的承載平臺，網絡輿情應運而生[2]。關于網絡輿情的概念，不同學科領域學者有不同的見解，但都體現了網絡空間、多元化的生成模式和傳播路徑等共性特征[3-5]。本文將討論地震災害網絡輿情方面的研究，主要關注網絡平臺/空間上傳播的多元主體對地震災害事件的相關報道、態(tài)度、情感和行為傾向等。因此，這里將地震災害網絡輿情界定為由公眾（包括個人和各種社會群體）、各類媒體和政府機構，由于地震事件的刺激而產生，通過互聯網傳播的對于該地震事件的所有認知、態(tài)度、情感和行為傾向的集合。

微博是在Web2.0上興起的一個基于用戶關系的信息分享和傳播平臺，用戶可以通過WEB、WAP以及各種客戶端組建個人社區(qū)，以140字左右的文字更新信息，并實現即時分享。微博的實時性、互動性、強擴散性等特點，特別是地震等重大災害性事件發(fā)生后，大量用戶在微博平臺上發(fā)表言論，使得網絡輿情成為反映災害特征、社會行為活動、公眾情感傾向等的重要數據源。及時、充分地挖掘和分析地震災害網絡輿情信息，不僅能快速了解災區(qū)災情特征，還能及時把握社會各層次主體對具體地震事件的關注點等，對于政府進行輿情監(jiān)測和引導具有十分重要的意義。新浪微博是由新浪網于2009年推出的提供微型博客服務的類Twitter網站，是當前中國用戶數最多、活躍度最高的微博產品。本文在簡要綜述中國學者針對地震災害網絡輿情相關研究的基礎上，以2017年四川九寨溝7.0級地震為例，基于新浪微博數據，重點分析了微博用戶對于此次地震事件表現出的情感傾向特征，總結了影響用戶情感波動的主要因素。

1 網絡輿情在地震災害中的應用概述

1.1 災情信息挖掘和分析

快速、動態(tài)、準確地獲取震后災情信息是地震應急工作的關鍵之一；震后快速產生的地震相關網絡輿情數據可為獲取災情信息提供一種途徑。一方面，地震災害網絡輿情中含有大量災情相關的文本、圖片和視頻信息，如人和各類器物的反應、房屋破壞、生命線破壞等等；另一方面，網絡輿情的實時性也可滿足災情信息的快速和動態(tài)獲取。因此，充分挖掘地震災害網絡輿情中的災情數據，可為地震應急決策提供有效的輔助。胡素平等[6]、帥向華等[7-8]構建了網絡地震災情信息智能獲取和處理模型，通過對互聯網上2008年汶川地震災情信息的獲取和處理，快速估計了汶川地震的有感范圍，并實現了利用網絡地震災情信息進行地震烈度判定。2013年四川蘆山7.0級地震后，這方面的研究引起了相關學者和地震行業(yè)人員的高度關注，之后歷次破壞性地震都有相關論文發(fā)表?；诨ヂ摼W網站數據的主要研究有：張穎等介紹了四川省輿情監(jiān)控系統在蘆山地震中的應用，由該系統產出的輿情簡報為地震應急指揮系統和災情上報系統提供了重要的災情信息補充[9]；張方浩等制定了互聯網地震災情信息分類編碼規(guī)則，以2014年云南魯甸6.5級地震為例，利用互聯網地震災情信息生成了災區(qū)范圍和受災程度分布圖[10]?；谛吕宋⒉┑壬缃幻襟w數據的主要研究有：徐敬海等[11]、褚俊秀等[12]發(fā)展了一套基于位置微博的地震應急災情提取方法，分別以2014年云南永善5.0級地震和2014年云南魯甸6.5級地震為例，實現了微博地震災情的快速提取與展示；曹彥波等[13-15]通過調用新浪微博API，獲取了2014年云南景谷6.6級地震、2017年四川九寨溝7.0級地震和2018年云南通海5.0級地震的災區(qū)范圍內微博輿情信息，分析了上述地震相關微博數據所反映的災情時空演變特征，其結果為救災決策部署提供了宏觀參考。上述研究表明，基于網絡輿情數據，尤其是移動/手機微博信息，快速、動態(tài)挖掘和分析地震災情信息正逐漸成為相關學者和地震行業(yè)人員的研究熱點，并得到了初步的應用；但仍需借助計算機技術和語義分析等其他學科的成熟技術方法，進一步深入和細化相關提取結果，為地震應急工作提供更加及時、準確和動態(tài)的災情信息。

1.2 地震災害輿情演化與監(jiān)測

網絡輿情主題演化是一個周期性的過程，但隨時會受到周圍環(huán)境擾動，而產生動態(tài)變化，且這種變化具有隨機性、衍生性、難預測性。因此，隨著事件的發(fā)展及時識別網絡輿情的主題及其關鍵節(jié)點，一方面有助于深化對網絡輿情的認知，更好地掌握網絡輿情的演化動態(tài)，另一方面有助于實現網絡輿情的及時疏導。對于地震災害而言亦是如此。地震發(fā)生后，海量的網絡輿情中，除上述震情、災情信息外，還含有數量龐大的以社會行為為主題的相關信息，以及大量衍生信息，如社會捐助、尋人、祈福、災區(qū)需求、謠言、質疑等主題的信息。關于這方面的研究，有學者主要關注地震災害網絡輿情的主題提取方法，如王昊等利用HITS算法對日本“3·11”地震發(fā)生后一周內爬取的新浪微博數據進行事件分析，得到每日的主題詞[16]；蘇曉慧等提出了一種改進的TF-PDF算法，通過發(fā)布微博的博主影響力以及微博的關注度確定地震主題特征項的權重，從而獲得地震信息的熱門主題詞，并以2013年四川蘆山7.0級地震和2012年云南彝良5.7級地震的微博信息為例進行了對比研究[17]。有學者主要研究了地震災害網絡輿情的主題/議題演進，如李紫薇等以2017年四川九寨溝7.0級地震網絡輿情為例，基于Matlab軟件擬合的地震輿情周期和Gephi軟件繪制的地震輿情可視化云圖，利用網絡結構分析了該次地震網絡輿情話題的演進規(guī)律[18]；劉麗群等以2010年青海玉樹7.1級地震、2013年四川蘆山7.0級地震和2014年云南魯甸6.5級地震中的微博輿情為例，借助內容分析法，通過主題類目構建和分析，研究了3次地震災害網絡輿情的主題演進[19]；崔滿豐分析了國內不同區(qū)域網絡用戶對2015年尼泊爾8.1級地震熱點事件的關注程度和輿論走向[20]。也有學者就地震災害網絡輿情中的某個或幾個特定主題的產生、發(fā)展和消亡開展研究，其中，以地震相關謠言為主題的研究居多，如余歡歡[21]、韓國良等[22]、秦琦瑯[23]、徐昕等[24]借助不同震例中出現的地震微博謠言，詳細探討了微博等新媒體網絡社交平臺中，地震相關謠言傳播的特點及傳播的生成動因和防范與解決措施。及時動態(tài)識別地震災害網絡輿情的各類主題，分析其演化規(guī)律，并針對性加以引導，對于災后應急救援工作也至關重要。當前，開展地震災害輿情演化與監(jiān)測方面研究的人員多為新聞傳播學或信息與情報學背景的學者，亟需地震行業(yè)或應急管理方面研究人員的介入，以從災害學視角深入理解地震網絡輿情的演化和應對。

1.3 地震災害輿情情感分析

情感分析是對帶有情感色彩的主觀性文本進行分析、處理、歸納和推理的過程[25]。新媒體為社會各層次主體提供了自由發(fā)表觀點/見解和充分表達情感/情緒的廣闊平臺，也為地震災害社會影響與響應議題注入了新的內容，分析了解這些內容有助于掌握相關的網絡輿情演化情況，為輿情監(jiān)測、引導和應對等提供科學支持。劉雯等以2013年四川蘆山7.0級地震為例，基于新浪微博博文內容，通過情感分析與時間序列聯合建模的方法，對此次地震中各類輿情情感走勢進行分析，為災后情報服務和應急管理提供建議[26]；沙勇忠等仍以蘆山地震為例，借助微博數據情感分析，研究了震后紅十字會的公眾信任問題，揭示了網民情感與公眾信任存在映射關系，可將網民情感作為公眾信任的測度工具和診斷手段[27]；Cheng等以2011年日本東部9.0級大地震為例，調查了社會媒體如何影響人們對災難的看法，及其在災后恢復活動方面的行為意圖，分析了人們對災難感知產生的不同影響[28]；Li等獲取了2011年日本地震和2010年海地地震的Twitter數據，基于情感詞典分析了隨著時間的推移人們在地震中的情感反應特征[29]。

1.4 其他方面

除上述3個方面，不同學者還從多個角度開展了地震災害網絡輿情研究，但整體而言系統性不強。如，張群燕等[30]、蘇曉慧等[31]利用微博平臺用戶群大、公眾參與性強和實時性等特點，以四川蘆山地震為例，嘗試了在網絡微博平臺中及時提取地震前后宏觀異常信息，結果表明，微博信息可以作為地震宏觀異常信息的一個及時來源，有助于發(fā)揮群測群防在防震減災工作中的作用；楊菁等以四川蘆山地震為例，采用內容分析法，探索了重大突發(fā)事件中微博輿情結構和應急反應特征[32]；張芝霞等[33]、車玥[34]定性論述了微博類新興網絡自媒體在地震應急處置工作中的作用，如廣泛調動社會力量參與應急救援、有力推動線下活動等。類似研究也說明了地震災害網絡輿情包含了多方面、多層次的相關信息，如能從多個角度對其進行深入和細致地挖掘和分析，得到的結果將會為地震應急救援、社會影響分析、甚至恢復重建提供關鍵支持。

綜上所述，由于目前地震災害網絡輿情傳播的覆蓋面及社會影響日益擴大，其既能夠及時提供一些災區(qū)災情或救助需求信息，同時也會存在一些負面因素，影響應急救災工作及災區(qū)社會秩序，因此及時地收集、分析和管理地震災害網絡輿情，可為多視角、多主體地震災害響應提供必要的信息補充，這對于減少自然災害損失和維護社會穩(wěn)定具有重要意義。需要說明的是，本文所列文獻只是網絡輿情在地震災害中的相關研究，且不全面；即便如此，仍能反映出網絡輿情在助力地震災害減災救災工作方面的巨大潛力。因此，今后如能充分借助數據挖掘等先進技術和借鑒傳播學等相鄰學科對于網絡輿情的理論和實踐研究，將大力提升網絡輿情在減輕地震災害方面的作用。

2 九寨溝地震相關新浪微博的情感傾向分析

2017年8月8日21時19分四川省九寨溝縣發(fā)生7.0級地震（33.20°N，103.82°E），共造成25人死亡，525人受傷（截至8月13日20時）[35]。震中九寨溝縣是全球著名旅游景點九寨溝景區(qū)所在地；震時又恰逢暑期，國內外大量游客聚集，該次地震得到社會各界的高度關注。微博用戶亦是如此，騰訊微博熱搜榜顯示：至8月9日熱搜榜前十均為該次地震相關信息。除該次地震的震情災情信息外，大量微博用戶發(fā)布了對該次地震相關議題的評論、觀點等輿情信息，蘊含了豐富的情感內容。分析這些富有情感信息的觀點、評論和見解有助于掌握相關的網絡輿情演化情況，為輿情監(jiān)測、引導和應對等提供科學支持。在前人研究成果的基礎上，本文以四川九寨溝7.0級地震為例，以新浪微博博文內容為數據來源，分析了微博用戶對于此次地震事件表現出的情感傾向特征。

2.1 九寨溝地震微博數據獲取和預處理

采用網絡爬蟲技術[36-37]和調用新浪微博應用程序接口[15,38]是獲取新浪微博內容的2種常用方法。本文以“九寨溝地震”為話題關鍵詞，采用Python語言編寫網絡爬蟲，獲取了此次九寨溝地震震后7天（即2017年8月8日震后至8月14日）的新浪微博博文數據。

上述通過網絡爬蟲技術直接獲取的新浪微博數據存在重復、無效的信息和異常符號，如同一用戶發(fā)布的多條內容相同的博文、各種廣告信息、特殊符號或句子內空格等。這些重復或無效信息會對博文情感分析的有效性造成影響，因此需要去除。同樣采用Python語言編程進行數據去重，刪除重復、無效和異常數據，將預處理后的數據存儲為csv格式，最終得到用于“九寨溝地震”情感分析的新浪微博博文4 256條。

2.2 九寨溝地震微博數據特征分析

本文從博文數量的時間變化特征、博文詞頻特征和博文發(fā)文者區(qū)域特征3個方面簡述了九寨溝地震震后新浪微博數據特征。

2.2.1 博文數量的時間變化特征

九寨溝地震震后7天微博發(fā)布數量的時間變化特征如圖1所示。震后當天和第2天（即8月8日和8月9日）是微博發(fā)布的高峰期，相關微博發(fā)布數量總計達2 604條，占總數的61%；其中，在8月9日達到頂峰。之后，隨時間推移，微博發(fā)布數量逐漸減少，微博用戶對該次地震事件的關注度降低，但在震后第7天（即8月14日）出現小幅度反彈。分析相關博文發(fā)現，小幅度反彈與九寨溝景區(qū)自然景觀恢復有關—“8月13日，中科院成都山地災害與環(huán)境研究所專家陳曉清對九寨溝景區(qū)實地勘察發(fā)現，包括五花海、金鈴海、鏡海等許多海子的水，幾乎已經跟地震前一樣?！?。該條微博首先由“四川日報”在微博平臺發(fā)布，并引起不少微博用戶關注。

圖 1 九寨溝地震震后7天新浪微博發(fā)布數量分布圖

2.2.2 博文詞頻統計特征

利用Python的jieba庫對上述4 256條博文進行中文分詞和詞頻統計，詞頻超過100的詞語如表1所示。

表1所列新浪微博博文高頻詞不僅直接反映了九寨溝地震，如“地震”、“九寨溝”、“四川”的詞頻均過千，更涵蓋了此次地震造成的社會影響和各主體的響應。社會影響方面有“受傷”“遇難”“生活”“震后”等；社會響應方面有“救援”“應急”“撤離”“祈?！薄靶麄鳌薄熬杩睢钡?，既有政府的響應又有社會組織和社會公眾的行動?！坝慰汀薄熬皡^(qū)”等高頻詞則反映出景區(qū)游客是此次地震的主要受災群體之一。

2.2.3 博文區(qū)域分析

圖2顯示了不同地區(qū)微博用戶針對九寨溝地震事件的發(fā)博數量。從圖2可以看出，九寨溝地震災區(qū)所在的四川微博發(fā)布數量最高；北京作為各類國家級地震科研和業(yè)務部門、各大媒體所在地，是高活力城市，來自該地區(qū)的微博數量僅次于四川；而其他發(fā)博數量較多的省份多為東部經濟較發(fā)達地區(qū)，如廣東、江蘇、山東、福建、上海、浙江、湖北等。值得注意的是，海外微博用戶對該次地震也表現出很高的關注度。

2.3 九寨溝地震微博數據情感分析

本文使用沈陽教授團隊開發(fā)的Rost CM軟件進行九寨溝地震相關新浪博文情感傾向分析[26]。Rost CM軟件是一款開源的文本挖掘工具，可以實現文本或其他形式內容的情感分析、聚類分析、語義網絡和社會網絡分析等。該工具利用語義詞典將情感詞分類，構建了詞語權重詞典、自定義的否定詞詞典、程度詞詞典和感嘆詞詞典；對待分析文本的每一個子句計算權重，將所有權重相加得到整句或整個文本的情感指數。Rost情感分析工具可以將博文情感分成積極、中立和消極3類，其定義的各類情感值區(qū)間分別為：積極情緒（5，+∞）、中性情緒[-5，5]和消極情緒（-∞，-5）。該工具交叉檢驗的結果表明其微博情感值計算準確率達到80.6%。

表 1 九寨溝地震新浪微博輿情詞頻統計表

圖 2 九寨溝地震新浪微博博文區(qū)域分布

將上述預處理后的4 256條微博數據導入Rost情感分析工具，計算得到每條博文的情感值（圖3），并統計3類博文情感傾向的結果如表2所示：在抓取到的7天微博數據中，表達積極情緒的占了最大比例，為75.30%，表明網友對于九寨溝地震事件整體情緒是趨于積極的。

圖 3 九寨溝地震新浪微博輿情網民情感值分布及情感極性統計

表 2 九寨溝地震新浪微博輿情網民情感極性統計表

中性情感博文所反映的網民情感不明顯，因此本文只對積極和消極的博文內容進行分析。此外，單純轉發(fā)的博文不計入分析范圍。通過對九寨溝地震發(fā)生后抓取的7天微博文本內容的分析，將表達積極情緒的微博分為4類（圖4），分別是表達祝福、災后救援、災后重建、其他。

通過對九寨溝地震相關積極情感的微博內容分析，發(fā)現網民主要針對災后救援、災后重建等信息發(fā)表了自己的觀點；當然，還有相當一部分網民在地震發(fā)生后表達了自己對受災群眾的祝福和希望。整體來看，在積極博文中，表達祝福這一類積極文本占最大比例，為29%；其次是災后救援和針對災后重建工作發(fā)表的觀點，分別是23%和7%。這主要是因為本次研究選取的是震后7天的數據，所以對于災后重建的內容會比較少，而實時的關注和祈福是最多的微博內容，同時人們也十分關注災后的救援。

圖 4 九寨溝地震新浪微博中積極博文內容的分類及占比

通過對九寨溝地震發(fā)生后抓取的7天微博文本內容的分析，將表達消極情緒的微博分為5類（圖5），分別是緬懷悼念、政府公信力問題、對社會各界的質疑、災后救援重建問題、其他。

圖 5 九寨溝地震新浪微博中消極博文內容的分類及占比

分析九寨溝地震相關的消極情感的微博內容可知，災后救援問題主要表現在應急效率、物資、醫(yī)療、志愿者、救援道路擁堵、防疫以及災后重建等方面；分析消極情感的微博內容可知，對社會各界的質疑主要包括對中國各地地震局、非營利機構的作用和意義的質疑；政府公信力問題主要包括面對災害應急管理政府存在不作為的現象、對政府的相關決策不信任、反對強制捐款、認為相關政府部門上報的災害損失數額過大，存在貪腐傾向。

3 結論與討論

地震等重大自然災害發(fā)生后，越來越多的民眾通過網絡來獲取和發(fā)布災情信息、表達個人觀點和情感等，產生海量的地震災害網絡數據。本文簡要概述了中國學者針對地震災害網絡輿情數據的相關研究，其多圍繞地震災情信息挖掘和分析、地震災害輿情演化與監(jiān)測、地震災害輿情情感分析3個大的方面。此外，不少學者還從多個角度開展了地震災害網絡輿情研究，但整體而言系統性不強。基于研究者從事具體工作視角，地震行業(yè)人員主要關注地震災害震情和災情提取，傳播學及管理學人員多重視地震災害輿情演化、監(jiān)測和輿情內容情感分析。雖然本文所列文獻只是網絡輿情在地震災害中的相關研究，且不全面，但仍反映了網絡輿情在助力地震災害減災救災工作方面的巨大潛力。因此，今后如能充分借助數據挖掘等先進技術和借鑒傳播學、管理學等相鄰學科對于網絡輿情的理論和實踐研究，將大大提升網絡輿情在減輕地震災害方面的作用。

基于本文綜述，以2017年四川九寨溝7.0級地震為例，將從新浪微博獲取的該次地震7天內的4 256條微博作為分析數據，分析了社會民眾對于此次地震事件表現出的情感傾向特征。結果表明，對于此次九寨溝地震災害網民整體表現了積極的情緒：有75.30%的博文表現為積極情感傾向，17.95%表現為消極情感傾向。通過對積極和消極博文的內容分析，初步總結影響網民情緒波動的主要因素有：政府有效響應、救援進度、政府公信力、媒體報道形式、其他衍生話題等。