Public Opinion Risk Early Warning Model on Government-Citizen Interaction Data: A Perspective on Evidence-based Decision Making

Liman ZHANG, Yueting U, Wenjing CHENG, Tianyi LIU, Xinxin SUN

PDF(1324 KB)
PDF(1324 KB)
Journal of Library and Information Sciences in Agriculture ›› 0 DOI: 10.13998/j.cnki.issn1002-1248.24-0433

Public Opinion Risk Early Warning Model on Government-Citizen Interaction Data: A Perspective on Evidence-based Decision Making

Author information +
History +

Abstract

[Purpose/Significance] The study aims to construct an early warning model of public opinion risks based on government-citizen interaction data, guided by evidence-based decision-making theory. We seek to uncover the governance value embedded in such interaction data, providing new insights and methods for identifying and managing potential public opinion risks. Traditional methods of monitoring public opinion often rely on subjective judgment, leading to potential bias and inefficiency. In contrast, this study uses objective, data-driven techniques to improve the accuracy and reliability of risk predictions. By integrating evidence-based decision making with public opinion analysis, the study not only advances the theoretical framework but also provides practical tools for government use. This innovation is significant as it addresses the gaps in the current literature regarding the objective assessment of public opinion risks and their impact on governance, thereby contributing to the field of public administration and social governance. [Method/Process] The research methodology involves a multi-step process, starting with the identification of key indicators of public opinion risks. These indicators include appeal purpose, text length, sensitivity, emotional tendency, and degree of aggregation. The analytical hierarchy process (AHP) and the criteria importance through intercriteria correlation (CRITIC) method were employed to calculate the weight of each indicator. AHP, a subjective weighting method, uses expert judgement to construct a judgement matrix and determine indicator weights. However, to reduce subjective bias, the CRITIC method is integrated, which objectively determines weights based on the variability and conflict in the data. The model's workflow began with problem identification, which captures the issues that government officials want to address through public opinion monitoring. Data were then collected from various channels, such as the "12345" government service hotline, government Weibo accounts, and official email inboxes. The risk identification phase involves the construction of a public opinion risk identification index system to identify potential risks in the data collected. This is followed by a risk assessment, where the weight of each indicator is calculated, and the risks are classified into different levels. Finally, decision recommendations were provided based on the risks identified and their urgency. The model was validated using government-citizen interaction data from Suzhou as a case study. The results of the analysis were closely aligned with the future priorities of the Suzhou municipal government, fully demonstrating the model's effectiveness and reliability of the model for early risk warning. [Results/Conclusions] The study concludes with the validation of a feasible and practical early warning model for public opinion risks. The model was tested using interaction data from the Suzhou municipal government's official website, demonstrating its effectiveness in identifying and predicting public opinion risks. The results show that the model can accurately assess the severity of risks and provide timely warnings, helping government decision-makers to manage risks proactively.

Key words

public-political interaction / risk warning / evidence-based policy making

Cite this article

Download Citations
Liman ZHANG , Yueting U , Wenjing CHENG , Tianyi LIU , Xinxin SUN. Public Opinion Risk Early Warning Model on Government-Citizen Interaction Data: A Perspective on Evidence-based Decision Making. Journal of Library and Information Science in Agriculture. 0 https://doi.org/10.13998/j.cnki.issn1002-1248.24-0433

0 引言

2022年6月,国务院发布的《关于加强数字政府建设的指导意见》中提出:“加强数字政府建设是创新政府治理理念和方式、形成政府数字治理新格局、推进国家治理体系和治理能力现代化的重要举措[1]”。数字化时代对政府治理提出了新要求,深入挖掘政务数据的治理价值,以数据驱动政府决策和服务优化是加强数字政府建设的必然举措。随着政民互动平台的建设与普及,海量政民互动数据由此产生。作为政务数据的重要组成部分,其在捕捉公众情绪和评估社会舆论方面发挥着关键作用。利用数字化手段挖掘政民互动数据中的公众诉求,实时感知群众舆论态势,可以识别出数据中潜在的舆情风险并及时做出预警措施,提高群众满意度。
目前有关政民互动数据的研究,涉及数据挖掘、分析、呈现等多个环节,但聚焦于舆情风险预警领域的研究并不多。现有的舆情风险研究成果中,大多研究针对的是某一重大、突发事件的舆情预警,然而在实际的治理场景中,日常的舆情监测对于政府部门提高行政效率和公众满意度也同样重要。因此,利用海量政民互动数据进行实时舆情风险预警,在理论和实践层面都有其重要意义。
鉴于此,本研究在循证决策理论的框架下构建舆情风险预警模型。结合舆情风险的特征表现和民意诉求的表达策略构建舆情风险识别指标体系,实现对舆情事件具体风险值的计算。根据风险严重程度划分等级实现对风险的评估,并针对不同风险等级给出相应的决策建议。在理论层面,拓展了循证决策理论的应用场景,为挖掘政民互动数据的治理价值提供新的思路;在实践层面,为政府利用政民互动数据进行舆情监测提供可参考的模型,为相关部门的风险预警工作提供政策建议。

1 相关研究概述

1.1 政民互动数据

政民互动数据涉及政府与公民之间的交流行为或记录,公民在这过程中向政府提出投诉、建议或咨询[2],而政府部门则对此进行回应,是一类典型的行为或痕迹数据[3]。它是公众对社会治理情感倾向的集成化反映,蕴含着公众的诉求和建议,为政府识别社会风险提供了有效的数据来源。近年来,相关研究逐步深入,在理论层面对将交互叙事应用于政民互动数据进行了可行性分析[4],并尝试通过数据故事的形式提升政府开放数据的认知效果[5]。有研究对网络问政数据进行了多维度测量,丰富了民众诉求与政府回应的评估方法[6],利用LDA主题模型和情感分析技术对公众诉求进行了识别,分析了社会诉求在省际之间的差异,为政府决策赋能[7];开发软件工具提升社交媒体上公众诉求情报的呈现效果[8],提出了一种基于文本语义分析的通用框架,旨在从社交媒体中提取出民众诉求,为政府决策提供信息支持[9]。综合来看,关于政民互动数据的研究主要围绕舆情诉求分析、政府公共服务评估、政府决策支持、数据挖掘与呈现方法等方面展开。这些研究在一定程度上对政民互动数据进行了分析与处理,为政府的高效治理提供了参考。然而,对数据中潜在的社会治理风险挖掘方面仍存在一定的局限性。

1.2 舆情风险预警

网络舆情是指公众和新闻媒体针对社会问题、公共事件或民众普遍关心的个体事件,通过互联网平台表达、传播的观点、态度、意见、情绪和行为倾向等的总和[10]。而公众表达的负面情绪和消极看法等负面信息经过发酵,有可能对社会公共管理乃至国家治理造成危害,形成网络舆情风险。为避免负面网络舆情造成恶劣影响,需要在其发酵之初及时预警,采取相关措施。国内外在舆情风险预警领域已有较为丰富的成果,主要集中在舆情预警方法的研究,包括构建指标体系、分析舆情传播过程、分析情感倾向等预警方法。有学者通过构建指标体系进行网络舆情预警的研究,以舆情热度、舆情强度、舆情变化度为基础构建指标体系[11],或从舆情主题、发布者、参与者、传播特点4个维度入手,构建网络舆情预警模糊综合评价指标体系[12];有的研究者基于网络舆情传播过程,通过SIR传染病模型与EGM灰色预测模型,提出实现舆情预警与防控的模型[13];另也有研究通过情感分析实现舆情预警,例如运用BERT-RGRU情感分析模型预测食品安全的舆情风险[14]
综合来看,目前关于舆情风险预警方法的研究取得了较多成果,但是也存在局限性,大部分舆情预警方法理论性较强,多针对于广义概念下的网络预警,而不适用于具体的分支领域。例如有些学者追求指标体系的普适性,使得指标体系在具体场景中变得冗余,并且有些指标不具有可行性,难以从数据中提取。政民互动数据的舆情风险预警作为政府治理的细分领域,尚未有学者进行针对性的研究,而现有方法直接应用难以达到预警效果,因此本项目将基于指标体系构建政民互动数据的舆情风险预警模型。

2 循证决策理论

2.1 相关概念

循证决策理论源于循证医学,循证医学旨在利用最佳证据制定科学的诊疗方案[15]。随后,循证医学的理论方法进入政府决策领域,衍生出了“循证决策”。20世纪90年代,布莱尔政府[16]首次提出了“基于证据”的政策制定理念,国内学者[17]也提出了相类似的定义,即“基于证据的政策”。循证决策被广泛应用于决策是由于证据是决策的基础和依据,没有客观有效的证据支持的决策可能是主观和草率的。循证决策利用专业的方法和理性的分析,可以提高决策的科学性,实现决策中的最优选择,避免不当政策或措施的产生[18]。在循证决策的定义方面,学者们提出了不同的观点。例如,英国学者将循证决策定义为在政策制定和执行过程中利用外部最佳研究证据帮助做出知情决策的方法[19],描述了科学证据应如何为组织循证决策提供信息[20]。国内专家则认为循证决策是指公共政策制定需要建立在科学证据之上,以帮助政府制定更科学合理的政策[21],提出了循证决策的五个步骤,包括提出问题、收集数据、证据分析、证据评估和证据实践[22]

2.2 在政府治理领域的应用

大多数学者关注循证决策在政府决策领域的应用,相对较少的研究关注将循证决策应用于舆情风险预警模型构建方面。本研究的研究目标之一就是探讨如何利用循证决策的方法从海量的政民互动数据中挖掘出政民互动数据中蕴含的风险,并提供合理的预警和决策建议给政府部门。循证决策通过引入科学证据和数据分析方法,强调决策的客观性和可量化性。这不仅能提高政府决策的科学性,还使政府能够快速响应不断变化的社会需求和风险情景。

3 循证决策视角下基于政民互动数据的舆情风险预警模型构建

循证决策理念认为,证据是制定科学化政策的关键,在决策中处于中心地位[23]。就循证决策研究的本质而言,循证决策的最终目的在于将科学严谨的“证据”用于指导实践。这一科学决策理念与舆情风险预警模型研究具有较高的契合性。从政民互动数据中识别出舆情风险并做出预警,为政府提供决策建议,这一过程恰好符合循证决策理论的要义。其中证据是从政民互动数据中识别出的舆情风险信息,而根据识别出的舆情风险为政府提供预警信息与决策建议,则是证据指导实践的具体表现。
循证决策包括提出问题、收集数据、证据分析、证据评估和证据实践五大步骤。基于循证决策视角,本研究将舆情风险预警模型分为五大模块,包括提出问题、收集数据、风险识别、风险评估和赋能决策,对应循证决策的5个步骤。该模型实现舆情风险预警的流程如图1所示。
Fig.1 Public opinion risk warning process

图1 舆情风险预警的流程

Full size|PPT slide

提出问题模块获取政务工作者希望解决的问题,即通过政民互动数据实现对舆情的监测,及时对风险采取防范措施。收集数据模块则是收集来源于12345政务服务热线、政务微博、政府信箱等渠道的政民互动数据。风险识别部分将构建舆情风险识别指标体系,识别出政民互动数据中潜在的舆情风险信息。风险评估包括指标权重计算和风险等级评估两方面的内容。通过指标权重计算对指标重要性进行排序以便更加精准地识别风险。通过对风险事件的等级进行划分帮助决策者了解风险的紧急程度。决策建议是根据风险内容以及紧急程度给出相应的预警预案,将证据运用到政府治理实践中,发挥出政民互动数据的治理价值。

3.1 提出问题

政民互动数据蕴含丰富的公众诉求信息,能够感知民众情感,发现社会问题。通过挖掘这些信息可以识别目前政府治理存在的潜在舆情风险,帮助政府及时做出防范措施,提高治理效能。本模型要解决的问题是识别政民互动数据中存在的潜在舆情风险,并为政府提供社会治理的风险情报与决策建议。

3.2 收集数据

政民互动渠道丰富多样,民众可以通过政务微博、政务微信、“12345”便民服务热线、政务广播热线、政府门户网站、政务APP等多种平台向政府反馈意见、表达诉求[7],政府对此做出回应,这一过程中会产生海量的政民互动数据。政民互动数据中有一部分是向公众公开的,例如政府官网定期更新的部门信箱数据,这类数据可以通过八爪鱼等数据采集工具来收集。还有一部分数据由于数据体量和格式等原因不对外公开,只提供给政务工作人员,则需要与政府相关部门合作来获取。

3.3 风险识别

风险是指不确定性对目标的影响[24],通常以潜在事件和后果或它们的组合来描述,可以定义为某一事件的发生导致未来结果出现收益或损失的不确定性。而舆情风险是指由于公众意见、媒体报道或社交媒体上信息的传播,可能引发社会舆论波动、公众情绪激化,进而对社会秩序、机构声誉或公共管理产生负面影响的潜在风险[10]
信息沟通理论指出,信息沟通主要包括沟通主体、沟通内容、沟通渠道、沟通客体以及反馈5个基本要素[25],政民互动是信息沟通的过程[26],互动的深度和广度不仅受到参与方特性的影响,也与交流中信息的具体内容密切相关[27],而政府决策者对该信息的认知程度又影响到城市风险决策[28]。因此,本研究将从诉求内容角度出发,深度剖析沟通过程中产生的政民互动数据,关注诉求内容包含的诉求主体本身、诉求内容本身、诉求话语模式[26]3个方面,以识别潜在的舆情风险因素,从而能够及早发现并采取相应的措施来应对这些风险。
通过查阅文献,我们总结了先前研究者在挖掘政民互动数据中的舆情风险时所使用的指标,并从诉求主体本身、诉求内容本身和诉求话语模式3个方面制定了本研究的风险识别指标如表1所示。
Table 1 Risk identification indicator system

表1 风险识别指标体系

项目 指标 参考来源
诉求主体本身 诉求目的 曹艳辉[6]
聚集度 邱文[29]
诉求内容本身 文本长度 张楠迪扬[30]、王东琪[31]
情感倾向 贾改革[7]、张莉曼[2]
诉求话语模式 敏感度 梅潇[32]、SAZZED[33]
(1)诉求目的。诉求目的即民众提出诉求的意图,在政民互动方面,民众的诉求目的可以分为“投诉举报”“咨询求助”“建言献策”“致谢道歉”4个类别[6]。其中,“投诉举报”类别蕴含的社会不满情绪最为强烈,需要作为重点关注信息。
(2)聚集度。聚集度是指民众诉求的集中程度,当一个人多次对同一事件提出诉求,或者在一段时间内多个人对同一事件提出类似诉求时[29],可视为该事件具有较高的聚集度,即具有较高的热度,具有较高的社会关注度,可能为潜在的社会风险事件。
(3)文本长度。文本长度即公众提出的诉求的内容长度,文本长度的差异反映了公民对政府参与的需求和期望的不同层次。在政府与民众互动的语境下,短文本通常由民众用以简洁地表达需求、提出问题或提供反馈。但是短文本的提供的内容有限,相较之下,长文本更可能由民众用于详细陈述复杂的问题[30]、提供全面的背景信息或进行深入讨论[24]。此外,如果民众更愿意使用长文本来表达诉求,显示出他们在诉求表达上的意愿更为强烈。诉求的清晰和紧急程度的提升导致风险程度加大,因此我们需要优先予以解决。
(4)情感倾向。政民互动数据中蕴含了丰富的情感信息,包括了发布者的态度、情绪和观点等信息[34]。一般来说,这些情感信息不仅反映了发布者个体对某一事件的主观感受,还揭示了社会中潜在的情感氛围。当民众对某一事件负面情感倾向较高时,我们通常认为该事件潜在的社会风险较大。
(5)敏感度。敏感性议题具有十分重要的社会价值,它所蕴含的公众情绪对社会管理与政策制定都至关重要[35]。而敏感程度可以分为弱敏感、较敏感、强敏感3类[5]。弱敏感主要是以个人名义提出的诉求;较敏感则是以某一特定的群体所提出的诉求;强敏感议题包括了触及集体行动、官员贪腐,以及对弱势群体的欺压等社会热点因素。

3.4 风险评估

3.4.1 指标权重的确定

在风险识别部分,我们根据5个指标识别出可能对社会造成危害的风险事件,并获得了每个指标所对应的风险值。然而,这5个指标得到的风险值的计算逻辑并不相同,并且它们在风险评估中的重要性也不同。一般来说,敏感度指标涉及社会发展中固有的性别冲突、族际政治等问题,反映了更深层次和本质的社会风险,在舆情发现过程中相比于其他指标需着重注意。因此,本研究的风险评估涉及一个复杂的系统化问题。在进行评估时,我们需要考虑各指标之间的权重关系,以及它们对于风险事件的实际影响程度从而得到一个量化的综合性风险值。
层次分析法是一种主观赋权的评价方法。层次分析法将与决策有关的元素分为目标层、准则层、方案层3个层次,并通过人为主观地对准则层的几个元素赋值,最终得到一个方案层元素的量化得分。但是单一的层析分析法的评估结果会受到个人偏好、经验和主观意见的影响,降低了决策的客观性和科学性。为了增强客观性,本研究融入了CRITIC客观权重分析方法[36]。CRITIC方法是一种基于数据波动性以及冲突性的客观赋权法,二者的结合能够一定程度上克服单一评估手段可能存在的偏见,以确保我们的风险分析更为全面和可靠[37]。具体步骤如下。
(1)计算AHP权重结果。针对5个指标,邀请了10位政治学以及社会学领域的专家进行评分从而获得判断矩阵如表2所示,满足一致性要求后,确定指标权重,结果如表3所示。
Table 2 Indicator indices

表2 指标指数

指标 诉求类型 文本长度 敏感度 情感倾向 聚集度
诉求类型 1 1 0.143 0.2 0.167
文本长度 1 1 0.143 0.2 0.167
敏感度 7 7 1.000 2.0 1.111
情感倾向 5 5 0.500 1.0 0.500
聚集度 6 6 0.900 2.0 1.000
Table 3 Results of AHP hierarchical analysis

表3 AHP层次分析结果

特征向量 权重值/% 最大特征根 CI值
诉求类型 0.247 4.941 5.027 0.007
文本长度 0.247 4.941
敏感度 1.849 36.989
情感倾向 1.204 24.075
聚集度 1.453 29.054
(2)计算CRITIC权重结果。假设m为待评价样本数量,n为评价指标,构造m×n的指标数据矩阵,并对数据做无量纲化处理。接着计算信息承载量,信息量由数据的波动性以及冲突性得出,其中,波动性即对比强度,使用标准差进行表示,标准差越大,即波动性越大,权重越高;冲突性即相关性,使用相关系数进行表示,相关系数越大,即冲突性越小,权重越低[36]
波动性:
x¯j=1nn=1nxijSj=i=1mxij-x¯j2n-1
(1)
冲突性:
Aj=i=1n1-rij
(2)
rij 表示第i个指标与第j个指标的相关系数。
信息量:
Cj=Sj×Aj
(3)
计算权重:
Wj=Cji=1nCj
(4)
(3)AHP与CRITIC法结合。
Wj=WAHPjWCRITICjWAHPjWCRITICj
(5)

3.4.2 风险等级的划分

采取基于等级的评估方法,根据风险事件发生的可能性及风险事件发生后所产生的负面影响大小为风险事件划分不同等级。这一方法能够帮助政府更好地评估潜在的舆情风险,有针对性地采取相应的预防措施。具体做法是将指标权重与风险值相乘并累加得到某一事件的最终风险值,根据最终风险值的大小,依次确定绿色、黄色、红色三级预警等级,如表4所示。
Table 4 Public opinion risk scale

表4 舆情风险等级表

一级

(绿色)

二级

(黄色)

三级

(红色)

一般风险 中度风险 高度风险
绿色风险指并未造成较大影响的社会事件,但是具有一定的社会敏感度。黄色风险指该事件引起了小范围内的社会公众的关注并造成了一定的负面影响。红色风险是指风险事件已经引起了大范围的影响,对社会秩序和公共安全产生较大冲击。

3.5 赋能决策

对于绿色风险,政府应该对该类事件给予一定关注,了解事件发展动向和传播态势,并做好日常维护工作,防止其演变成更高等级的风险事件;对于黄色风险,政府在处理该类事件时应保持警惕,及时与涉事主体沟通,做出应对措施,避免事件进一步传播与发酵造成更大的损失;对于红色风险,政府要重点关注,在风险事件出现后迅速对其进行全面排查,提出科学合理的解决措施,并保持信息公开,及时向媒体和公众公开准确、全面的信息,避免信息不透明引发更多猜测和质疑。

4 实证研究

4.1 提出问题

2023年“苏州12345”工作总结中提出利用更专业化的数据分析[38],让民生数据赋能于民生改善,更准确地理解公众的需求和期望,从而提高回应和处理的针对性和有效性。为此需要挖掘民生关注热点,优化资源配置,将问题分类,并实时监控和预警。尽快确定风险问题的优先级,为后续处理决策提供依据,从而更有效地维护社会稳定与公众利益。

4.2 收集数据

本研究选取了苏州市人民政府网站公众监督栏目中的公众诉求作为数据样本。利用八爪鱼在网页端采集了包括诉求目的、主题、发表时间以及主要内容4个关键字段的政民互动数据。为保证数据的时效性,时间跨度设置为2023年1月1日2023年12月31日,共计8 098条政民互动数据。删除因重复爬取导致的冗余数据及剔除无效诉求等数据预处理操作后,最终得到了8 027条高质量的样本数据。这些数据将作为实证研究的基础,用于探索政民互动数据中潜在的舆情风险,并为政府决策建议提供重要参考。

4.3 风险识别

由于采集到公众诉求的是文本型数据,具有非结构化、信息密度高等特点,无法直接利用舆情风险预警模型进行分析。因此需要赋值编码,将抽象的文本语言量化为具体的数值指标便于后续风险值的评估。详细的政民互动数据中舆情风险指标的量化方式和类别代码如表5所示。
Table 5 Public opinion risk factor indicator categories and quantification

表5 舆情风险因素指标类别及量化方式

指标 类别代码 量化方式
诉求目的 热线(1)、咨询(2)、建议(3)、投诉(4) 按照公众监督栏目中填写者自己选择的诉求目的来划分
敏感度 无敏感(1)、低敏感(2)、中度敏感(3)、高敏感(4) 在现有的评论敏感词库基础上进一步添加具有政民互动特征的敏感词(如上访等),将诉求的主要内容与新构建的敏感词库相比对,不包含任何敏感词的视为无敏感,包含1个到3个敏感词的视为低敏感,包含4个到8个敏感词的视为中度敏感,包含9个及以上的视为高度敏感
聚集度 低(1)、中(2)、高(3) 利用余弦相似度算法判断公众诉求是否反映的是同一个问题,一个问题被仅被提到1次标记为低,被提到2至3次标记为中,被提到4次及以上标记为高
情感倾向 正向(1)、中性(2)、负向(3) 依据SnowNLP对诉求的主要内容计算情感分数,该分数表示了文本的情感急性,低于0.3为负向情感,0.3~0.7为中性情感,高于0.7为正向情感
文本长度 短篇(1)、中篇(2)、长篇(3) 统计公众诉求主要内容的字数,将所有诉求的字数统计结果按照升序排序,按照3:4:3的比例将文本长度划分为短篇、中篇、长篇3类
接着对5个指标的值进行无量纲化处理,统一到同一尺度范围内,以消除不同特征之间的量纲和取值范围差异,使得数据更易于比较和理解。考虑到无量纲化可能会使原本取值范围较大的指标(例如某些高波动的特征)变得与其他低波动的特征相似,导致这些指标对舆情风险的贡献权重被“平滑”了,掩盖掉某些极端或高风险的信号。为确保关键风险信号不会因为数据标准化而被削弱,根据CRITIC和层次分析法对指标赋予不同的权重。这里选择最大最小缩放归一法进行计算,同时也完成了CRITIC方法计算权重的第一步无量纲化。归一化完成后,各指标的分数均分布在0到1之间,提高了模型的鲁棒性。
参考苏州市场监督管理局于2020年发布的《政府公共服务平台诉求分类与代码》政策文件对政民互动语料的主题进行人工标注,标注包括交通出行、民生服务、民政社区、住房保障、劳动人事、医疗卫生、环境保护、科教文体八大主题。随后对诉求的主要内容特征提取,利用bert-bilstm模型对剩余文本数据预测主题。抽查检验,预测准确率在90%以上,主题分类效果良好。
图2展示的是一年中各个主题的政民互动诉求数量,颜色越浅说明数量越多。可以看到民生服务主题的诉求在各个月数量都是最多,其次是民政社区和交通出行主题的,这3类都是与人们日常生活息息相关的,因此反映的数量也相对较多。
Fig.2 Number of claims by topic monthly heat map

图2 各主题诉求数量月度热力图

Full size|PPT slide

4.4 风险评估

首先进行指标权重计算,AHP层次分析法根据前文计算结果得到相应指标的权重,CRITIC客观权重赋权法根据量化完成的诉求数据计算所得。具体如表6所示。
Table 6 Final weights of indicators

表6 指标最终权重

指标名 Ahp法 Critic权重法 最终权重
敏感度 0.395 92 0.093 489 0.248 350 979
情感倾向 0.205 05 0.238 561 0.328 214 030
文本长度 0.071 12 0.284 520 0.135 769 578
聚集度 0.237 57 0.151 238 0.241 074 039
诉求目的 0.089 74 0.232 192 0.139 807 748
经过评估体系的测算后,得到2023年苏州市政民互动数据各主题的舆情风险值。通过绘制核密度分布图,展示各主题的舆情风险分布态势,寻找到公众反应最强烈的主题。根据上述模型构建将风险预警分为绿色、黄色、红色3个级别,具体各级别风险取值范围与各主题的风险紧急程度如表7所示。
Table 7 Risk level for each topic

表7 各主题风险级别

级别

一级

(绿色)

二级

(黄色)

三级

(红色)

分数 0.2以下 0.2~0.5 0.5以上
包含主题

科教文体

交通出行

劳动人事

民生服务

医疗卫生

住房保障

环境保护

民政社区

结果显示,在8个主题的政民互动数据舆情预警评估中,有两个主题处于红色风险等级,4个主题被归类为黄色风险等级,另外两个主题则归入绿色风险等级。这种分布反映了各主题在舆情风险上的不同表现,表明政府需要根据各级别风险采取不同的应对策略,以确保及时、有效地应对公众诉求中的潜在风险。
图3图4分别为环境保护和科教文体两个主题的风险值分布情况,环境保护的风险值集中分布在0.5以上,属于红色三级风险,科教文体的风险值大多分布在0.2以下属于绿色一级风险。
Fig.3 Risk distribution of public opinion on environmental protection topics

图3 环境保护主题舆情风险分布

Full size|PPT slide

Fig.4 Risk distribution of public opinion on science, education, culture and sports topics

图4 科教文体主题舆情风险分布

Full size|PPT slide

以这两个风险主题为例,对比诉求目的、文本长度、情感倾向、聚集度和敏感度5个指标,高风险主题和低风险主题呈现出不同的分布特点。尽管在文本长度、聚集度、敏感度3个方面两者的指标值分布相近,但在诉求目的和情感倾向上存在明显差异,如图5所示。高危红色主题环境保护的政民互动数据中,大多数诉求的情感倾向较为负面,意图通过投诉的方式引起政府重视,期望相关部门能尽快解决污染问题。值得注意的是,情感倾向在5个风险指标中占据最大的权重,因此,该高权重指标的高风险值是环境保护主题被划分为红色风险的关键因素。这一差异表明,在高风险主题中,负面情感的集中表现以及投诉诉求的频繁出现,显著增加了该主题的风险等级,从而促使其在舆情风险预警中被列为红色预警级别。
Fig.5 Distribution of appeal purpose and emotional tendency indicator categories

图5 诉求目的与情感倾向指标类别分布

Full size|PPT slide

同时,根据2024年1月16日苏州市十七届人大三次会议发布的《2024年政府工作报告》[39],提到将“加强生态文明建设,努力增添更多美丽色彩”列为2024年重点做好的10个方面工作之一。也可以进一步说明苏州市政府发现了2023年被百姓多次提及的环境保护问题,意图在新的一年深入打好污染防治攻坚战,全面加强生态保护修复。分析结果与实际结果一致,证明本研究构建的舆情风险预警模型在政民互动数据舆情风险的预警应用中是可靠的。
进一步深入分析发现,环境保护主题中噪声污染类的诉求数量是最多的,其次是大气污染类和固废污染类,这3类占到了总数60%以上,且彼此之间联系紧密经常在一个诉求中同时出现。图6为2023年各月份的风险平均值,图中虚线代表环境保护诉求风险的平均值,可以看到噪声污染、大气污染、固废污染这3类的风险各月的平均值基本上都处于环境保护主题风险平均值之上,说明3类污染问题旷日已久,迫切需要得到解决。如果不能尽快安排合理的处理方式,可能会严重影响涉事单位部门的公信力,引发舆情危机。
Fig.6 Average risk by month

图6 各月份风险平均值

Full size|PPT slide

4.5 赋能决策

对于一级绿色预警,比如科教文体、交通出行主题,政府可以建立专门的网络舆情信息分析系统,利用先进的技术手段监测和分析网络媒体的报道信息。重点关注新兴网络平台,如微博、头条等,及时发现并纠正错误信息,避免舆情进一步扩散。政府可以通过官方账号发布信息,澄清谣言,提供权威的解释和指导,以维护公众的正常秩序和信心。
对于二级黄色预警,如劳动人事、民生服务、医疗卫生等主题,政府需要更加谨慎地处理舆情事件。应当发布预警信息,提醒公众关注并注意事件的发展,必要时考虑启动应急机制,调动相关资源,迅速控制事件的发展。政府及时公布事件的真实情况和处理进展,增强信息的透明度,减少不必要的恐慌和误解,提升公众对政府的信任度。
对于三级红色预警,如环境保护、民政社区等主题,政府应立即采取果断行动,以确保社会的稳定和秩序。政府需要成立专门的应对小组,全面调查事件原因,采取有效措施应对舆情高度紧张的局面。同时,政府部门要与媒体和社会各界紧密合作,召开新闻发布会或通过官方媒体公布事件处理情况,回应公众疑问,平息不良情绪,避免舆情进一步升级。政府还应加强对舆情事件的后续跟踪和处理,以确保社会的稳定和正常秩序。
例如对于噪声污染问题,从图7的关键词共现网络中可以看出,主要的污染源是汽车鸣笛、建筑施工、车辆行驶等,居民希望政府环保部门能尽快解决相关问题。特别提到吴中区的问题尤为严重,相关部门应合理安排工地作业时间,在必要区域设置禁止鸣笛路段,并在道路两侧加装隔音板,保障居民区百姓的正常休息。
Fig.7 Co-occurrence of noise pollution keywords on the web

图7 噪音污染关键词共现网络

Full size|PPT slide

5 结语

本研究构建了基于循证决策视角的政民互动数据舆情风险预警模型,对应循证决策的步骤,该模型分为提出问题、收集数据、风险识别、风险评估、赋能决策5个模块。在此基础上,我们设计了社会风险识别的指标体系,利用主客观相结合的赋权方法对各个指标赋予权重,从而将风险值量化并分类,并且通过实证研究验证了该模型的科学性和有效性,结果显示该模型能够很好地判别社会风险并做出预警为政府治理提供参考。
在理论层面上,该模型延伸了循证决策理论在政务数据处理方面的应用,使其泛化能力得到了提升。同时,该模型提供了一个可供复用的社会风险评估框架,为政民互动数据舆情风险预警带来了新的理论和研究视角。在实践贡献方面,拓宽了政府对社会风险事件进行研判的具体手段和工具,引入了绿色、黄色、红色等级划分,有效地将数据感知转化为数据认知,使政府及相关机构能够清晰了解社会风险的程度,从而提高了决策的科学性和管理服务的效率。此外,实证研究的开展也为研究成果的落地提供了有力支撑,使得整个研究更加贴近实际应用和需求。
考虑到数据隐私问题,本研究存在一定的局限性,所使用的数据目前仅限于政务信箱中的公众诉求数据。未来的研究将探索多源数据的融合处理,以扩展和丰富数据处理和表达的广度和深度,使之更加综合、更全面。同时,也将着手扩展和丰富社会风险识别指标体系,从而提高预警的有效性。

References

1
中国政府网. 国务院关于加强数字政府建设的指导意见[EB/OL]. [2024-03-15].
2
张莉曼, 吴鹏, 尹熙成, 等. 政民互动数据中公众诉求的故事化描述: 集成、重构与叙事[J]. 情报理论与实践, 2023, 46(4): 141-149.
ZHANG L M, WU P, YIN X Z, et al. Storytelling description of public appeal in government-to-citizen interaction data: Integration, reconstruction and narration[J]. Information studies: Theory & application, 2023, 46(4): 141-149.
3
马亮, 郑跃平, 张采薇. 政务热线大数据赋能城市治理创新: 价值、现状与问题[J]. 图书情报知识, 2021, 38(2): 4-12, 24.
MA L, ZHENG Y P, ZHANG C W. The big data empowering effect of government hotlines on city governance innovation: Value, status and issues[J]. Documentation, information & knowledge, 2021, 38(2): 4-12, 24.
4
张莉曼, 张向先, 孙绍丹. 分布式认知视角下政民互动数据的交互叙事研究[J]. 图书情报工作, 2023, 67(9): 53-62.
ZHANG L M, ZHANG X X, SUN S D. Research on interactive narrative of government-citizen interaction data from the perspective of distributed cognition[J]. Library and information service, 2023, 67(9): 53-62.
5
周霞, 王萍, 陈为东, 等. 政府开放数据用户认知图式联结模型——数据故事视角[J]. 情报资料工作, 2021, 42(4): 64-71.
ZHOU X, WANG P, CHEN W D, et al. Government open data user cognitive schematic connection model: From the perspective of data story[J]. Information and documentation services, 2021, 42(4): 64-71.
6
曹艳辉. “适度压力型”政民互动: 基于中部省级网络问政平台的数据分析[J]. 新闻与传播评论, 2023, 76(2): 70-81.
CAO Y H. Political interaction with "appropriate pressure": Large sample data analysis based on the central provincial online political platform[J]. Journalism & communication review, 2023, 76(2): 70-81.
7
贾改革. 政民互动中社会诉求主题挖掘和情感分析——基于人民网领导留言板的数据分析[D]. 杭州: 浙江大学, 2023.
JIA G G. Social appeal theme mining and emotional analysis in the interaction between government and people - Based on the data analysis of people's daily online leadership message board[D]. Hangzhou: Zhejiang University, 2023.
8
HUBERT R B, ESTEVEZ E, MAGUITMAN A, et al. Analyzing and visualizing government-citizen interactions on twitter to support public policy-making[J]. Digital government: Research and practice, 2020, 1(2): 1-20.
9
BELKAHLA DRISS O, MELLOULI S, TRABELSI Z. From citizens to government policy-makers: Social media data analysis[J]. Government information quarterly, 2019, 36(3): 560-570.
10
孙倬, 赵红, 王宗水. 网络舆情研究进展及其主题关联关系路径分析[J]. 图书情报工作, 2021, 65(7): 143-154.
SUN Z, ZHAO H, WANG Z S. Analysis on the association and evolution path of Internet public opinion[J]. Library and information service, 2021, 65(7): 143-154.
11
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 L, LUO W Q, DENG C L, et al. Classification and early warning model of public opinion based on grey correlation analysis[J]. Information science, 2020, 38(8): 28-34.
12
武慧娟, 张海涛, 王尽晖, 等. 基于熵权法的网络舆情预警模糊综合评价模型研究[J]. 情报科学, 2018, 36(7): 58-61.
WU H J, ZHANG H T, WANG J H, et al. Research on the fuzzy comprehensive evaluation model of online public opinion pre-warning based on entropy weight method[J]. Information science, 2018, 36(7): 58-61.
13
彭程, 祁凯, 黎冰雪. 基于SIR-EGM模型的复杂网络舆情传播与预警机制研究[J]. 情报科学, 2020, 38(3): 145-153.
PENG C, QI K, LI B X. Communication and early warning mechanism of public opinion in complex networks based on SIR-EGM model[J]. Information science, 2020, 38(3): 145-153.
14
李知谕, 杨柳, 邓春林. 基于弹幕与评论情感倾向的食品安全舆情预警研究[J]. 科技情报研究, 2022, 4(3): 33-45.
LI Z Y, YANG L, DENG C L. Public opinion early warning on food security based on sentiment of video bullet screen and comments[J]. Scientific information research, 2022, 4(3): 33-45.
15
GROUP E B M W. Evidence-based medicine. A new approach to teaching the practice of medicine[J]. JAMA, 1992, 268(17): 2420-2425.
16
刘瑞, 马海群. 基于循证决策的开放数据政策制定体系构建[J]. 现代情报, 2020, 40(8): 129-133.
LIU R, MA H Q. Construction of open data policy making system based on evidence-based decision making[J]. Journal of modern information, 2020, 40(8): 129-133.
17
马小亮, 樊春良. 基于证据的政策: 思想起源、发展和启示[J]. 科学学研究, 2015, 33(3): 353-362.
MA X L, FAN C L. The origin and development of "evidence-based policy"[J]. Studies in science of science, 2015, 33(3): 353-362.
18
NAM T, PARDO T A. Understanding municipal service integration: An exploratory study of 311 contact centers[J]. Journal of urban technology, 2014, 21(1): 57-78.
19
DAVIES P. What is evidence-based education?[J]. British journal of educational studies, 1999, 47(2): 108-121.
20
ROUSSEAU D M. Making evidence-based organizational decisions in an uncertain world[J]. Organizational dynamics, 2018, 47(3): 135-146.
21
魏景容. 大数据时代循证决策研究: 一个分析框架[J]. 中国科技论坛, 2020(7): 24-32.
WEI J R. Research on evidence-based decision making in the era of big data: An analytical framework[J]. Forum on science and technology in China, 2020(7): 24-32.
22
叶艳, 吴鹏. 循证决策视角下的患者健康咨询主题分析[J]. 情报理论与实践, 2022, 45(2): 198-203, 190.
YE Y, WU P. Topic analysis of patients' health consultation based on evidence-based decision-making theory[J]. Information studies: Theory & application, 2022, 45(2): 198-203, 190.
23
何玉仙. 大数据时代政府循证决策模式探究[J]. 信息系统工程, 2023(8): 120-123.
HE Y X. Research on evidence-based decision-making model of government in the era of big data[J]. China CIO news, 2023(8): 120-123.
24
CHEVALIER J A, MAYZLIN D. The effect of word of mouth on sales: Online book reviews[J]. Journal of marketing research, 2006, 43(3): 345-354.
25
范逢春. 国家治理现代化场域中的社会治理话语体系重构——基于话语分析的基本框架[J]. 行政论坛, 2018, 24(6): 109-115.
FAN F C. Reconstruction of social governance discourse system in the field of modernizing the state governance: Based on general framework of discourse analysis[J]. Administrative tribune, 2018, 24(6): 109-115.
26
王瑶. 网络问政平台中公众诉求表达对政府回应的影响研究[D]. 成都: 电子科技大学, 2024.
WANG Y. Research on the influence of public appeal expression on the government response in the online politics platform[D]. Chengdu: University of Electronic Science and Technology of China, 2024.
27
赵国洪, 刘伟章. 我国政府网站政民互动模型及实证分析[J]. 情报杂志, 2012, 31(2): 195-202.
ZHAO G H, LIU W Z. Construction and empirical analysis of interactivity model for government websites in China[J]. Journal of intelligence, 2012, 31(2): 195-202.
28
詹承豫. 中国城市风险沟通决策的影响因素研究[J]. 治理研究, 2019, 35(5): 13-21.
ZHAN C Y. Research on the influencing factors of communication and decision about urban risk[J]. Governance studies, 2019, 35(5): 13-21.
29
邱文. 公众诉求事件关键数据的空间智能提取与分析[J]. 城市勘测, 2020(2): 27-30.
QIU W. Spatial intelligence extraction and analysis of key data of public appeal events[J]. Urban geotechnical investigation & surveying, 2020(2): 27-30.
30
张楠迪扬, 郑旭扬, 赵乾翔. 政府回应性: 作为日常治理的“全回应”模式——基于LDA主题建模的地方政务服务“接诉即办”实证分析[J]. 中国行政管理, 2023(3): 68-78.
ZHANG N, ZHENG X Y, ZHAO Q X. Government responsiveness: An all-response' pattern of daily governance - An empirical study of local government hotline appeals using latent dirichlet allocation(LDA)[J]. Chinese public administration, 2023(3): 68-78.
31
王东琪. 网络问政的舆情挖掘及引导研究——以河北省“领导留言板”为例[D]. 石家庄: 河北经贸大学, 2023.
WANG D Q. Research on public opinion mining and guidance of online politics - A case study of "leader message board" in Hebei Province[D]. Shijiazhuang: Hebei University of Economics and Business, 2023.
32
梅潇, 查先进, 严亚兰. 智能推荐环境下移动社交媒体用户隐私风险感知影响机理研究[J]. 情报理论与实践, 2024, 47(1): 57-64.
MEI X, ZHA X J, YAN Y L. Influencing mechanism of privacy risk perception in the context of mobile social media intelligent recommendation[J]. Information studies: Theory & application, 2024, 47(1): 57-64.
33
SAZZED S. BengSentiLex and BengSwearLex: Creating lexicons for sentiment analysis and profanity detection in low-resource Bengali language[J]. PeerJ computer science, 2021, 7: e681
34
曾子明, 孙守强, 李青青. 基于融合策略的突发公共卫生事件网络舆情多模态负面情感识别[J]. 情报学报, 2023, 42(5): 611-622.
ZENG Z M, SUN S Q, LI Q Q. Multimodal negative sentiment recognition in online public opinion during public health emergencies based on fusion strategy[J]. Journal of the China society for scientific and technical information, 2023, 42(5): 611-622.
35
臧雷振, 王栋, 仉佳璐. 社会科学研究中的敏感议题: 特征判断与应对方法[J]. 学习与探索, 2023(4): 36-42, 186.
ZANG L Z, WANG D, ZHANG J L. Sensitive issues in social science research: Judging features and handling methods[J]. Study & exploration, 2023(4): 36-42, 186.
36
王磊, 高茂庭. 基于CRITIC权与灰色关联的隐写分析算法综合评估[J]. 计算机工程, 2017, 43(4): 154-159.
WANG L, GAO M T. Comprehensive evaluation of steganography analysis algorithm based on CRITIC weight and grey relation[J]. Computer engineering, 2017, 43(4): 154-159.
37
夏立新, 杨元, 周鼎. “双一流”建设视阈下我国高校文献资源保障水平评价指标体系构建研究[J]. 图书情报工作, 2022, 66(7): 57-65.
XIA L X, YANG Y, ZHOU D. Research on the construction of the evaluation index system of the document resource guarantee level in Chinese universities in "double first-class" construction view[J]. Library and information service, 2022, 66(7): 57-65.
38
苏州市行政审批局. “苏州12345”2023年度工作情况发布[EB/OL]. [2024-05-12].
39
苏州市人民政府. 2024年政府工作报告[EB/OL]. [2024-05-12].
Share on Mendeley
PDF(1324 KB)

68

Accesses

0

Citation

Detail

Sections
Recommended

/