不同主体视角下极端暴雨灾害事件网络舆情演化研究.pdf

水利经济,2023,41(4)摇 E鄄mail:jj 摇 http:/摇 电话:[phone]摇第 41 卷第 4 期Vol.41 No.4水摇 利摇 经摇 济Journal of Economics of Water Resources2023 年 7 月Jul.2023基金项目:国家自然科学基金项目(42171081);国家自然科学基金重大研究计划项目(91846203)作者简介:黄晶(1986),女,副教授,博士,主要从事灾害风险管理与应急管理研究。E鄄mail:j_huang DOI:10.3880/j.issn.10039511.2023.04.014不同主体视角下极端暴雨灾害事件网络舆情演化研究黄摇 晶1,2,吴星妍1,2,李梦晗1,2(1.河海大学商学院,江苏 南京摇 211100;2.河海大学管理科学研究所,江苏 南京摇 211100)摘要:为准确把握极端暴雨灾害事件舆情演化的一般规律,挖掘极端暴雨灾害事件中政府、媒体、意见领袖和网民 4 类主体的舆情演化特点,构建了基于共词网络的主题演化模型和基于情感词典的情感分析模型,以 2019 年“411冶深圳暴雨事件为例,分析了不同主体关注内容、情感态度等变化过程及差异,提出了应对极端暴雨灾害事件网络舆情的管控策略。研究发现:4 类主体的关注内容不同,情感态度差异显著;随着极端暴雨灾害事件的发展,各主体的关注内容、情感态度不断变化,除政府外,其他 3 类主体的关注点均滞后于事件本身的发展,负面情感主要集中在预警期和突发期,随后逐渐趋于中性;4 类主体相互影响,政府在舆情演化中起主导作用,媒体是政府的跟随者,意见领袖对网民关注的话题更加敏锐。最后从舆情监测、舆情引导、信息公开、回应疏导等方面提出了极端暴雨灾害事件不同阶段的网络舆情管控策略。关键词:极端暴雨;社交媒体;舆情演化;舆情主体;共词网络;“411冶深圳暴雨中图分类号:G206摇 摇 摇 文献标志码:A摇 摇 摇 文章编号:10039511(2023)04009408摇 摇 近年来,我国极端暴雨灾害事件频发,对城市基础设施与公共服务、居民工作与生活,甚至人身财产安全等都造成了巨大威胁1。作为破坏性强、涉及范围广的突发公共事件,极端暴雨灾害事件极易引起网民的广泛关注。例如在 2021 年“720冶郑州特大暴雨、2019 年“411冶深圳暴雨等灾害事件中,灾情影响、应急救援等话题成为舆论关注的热点,其中不乏信息误读和谣言传播与发酵,从而造成了一定程度的民众恐慌。舆情主体作为舆情事件的参与者,由于利益诉求的不同,在极端暴雨灾害事件不同阶段的参与积极性、关注内容和情感态度往往会表现出较大差异。因此,从多主体视角出发探寻极端暴雨灾害事件网络舆情的演化规律,有利于准确把握舆情走势,为极端暴雨灾害事件网络舆情管控提供科学依据。舆情主体是指舆情事件中涉及的各类主体,包括个人、组织、政府部门等,共同推动着突发事件舆情的发展与演化2。现有研究从主体利益关切点出发认为舆情主体主要为政府和民众3;而在全媒体时代,舆情主体包括政府、传统媒体、网络媒体、社会公众4;也有研究将意见领袖5鄄6、网络推手7、企业8等多类主体纳入舆情传播。对于网络舆情演化的研究,学者们多采用数据挖掘与机器学习算法、社会网络分析法、系统动力学理论模型、博弈模拟仿真法等,对舆情的传播、主题和情感的演化分析等进行研究9鄄10。其中,舆情主题和情感的演化分析是当前舆情演化研究的重点内容。在主题挖掘上,改进的隐含狄利克雷分布(LDA)主题模型常用于提取舆情热点,如肖倩等11将卷积神经网络和LDA 主题模型相结合,显著提高了热点舆情识别的精确率和及时性。但舆情的监控不仅需要能准确发现舆情主题,还需要把握主题的演化。而基于共词网络分析的舆情主题挖掘方法能依据词与词之间的潜在关系,通过主题聚类刻画舆情热点的迁移与演变,如王家辉等12基于关键词共现和社会网络聚类探究了舆情热点主题特征和演化规律。在情感分析上,机器学习和情感词典法都是舆情情感研究的常用方法。利用机器学习法对评论文本进行情感倾向判断的准确率较高,但该方法只能对情感倾向进行分类13鄄14,而情感词典法则能量化评论文本情感,根据情感值更加细致深入地对舆情情感进行分析15。此外,已有研究大多依据舆情生命周期将灾49水利经济,2023,41(4)摇 E鄄mail:jj 摇 http:/摇 电话:[phone]摇害事件的舆情演进过程分为起始、爆发、消退等阶段16鄄17,并分析各阶段的主题内容和时序发展趋势,但舆情生命周期的演化相较于灾害事件的发展具有一定的滞后性。不同类型灾害发展过程各具特点,基于舆情生命周期的研究无法依据灾害发生发展过程提前研判舆情,不利于对舆情进行前瞻性管控。因此,为了准确把握极端暴雨灾害事件全过程舆情演化的一般规律,挖掘极端暴雨灾害事件中各舆情主体的演化特点,本文在对舆情主体类型进行划分的基础上,构建网络舆情主题和情感演化模型,并以“411冶深圳暴雨灾害事件为例,将暴雨灾害划分为预警期、突发期、应急期和灾后期,基于新浪微博评论数据,定量分析不同主体在灾害不同阶段关注内容、情感态度的变化及差异,进而提出暴雨灾害不同阶段的舆情管控策略。1摇网络舆情主题和情感演化模型构建1.1摇 舆情主体划分为准确把握极端暴雨灾害事件网络舆情中各主体舆情主题和情感演化差异,本文将极端暴雨灾害事件网络舆情主体划分为政府、媒体、意见领袖和网民。政府处于突发事件舆情的核心位置,对舆情事件回应的程度和处理方式对舆情的演化有着重要影响;媒体作为舆情传播的媒介,是公众获取信息的重要渠道;意见领袖是一些在特定领域或社会群体中具有一定影响力和权威性的人士,其言论和态度往往能够引导公众的思考和行动;网民是网络舆情最重要的组成部分,通过互联网获取信息和表达意见,并参与到事件的解决中来。在新浪微博中有蓝 V、黄 V、微博达人和大众网民用户,蓝 V 为经过认证的政府机构、官方组织等,黄 V 属于具有一定平台影响力的主流媒体、自媒体,微博达人对应一些十分活跃或在专业上具有权威性的账号,大众网民用户则属于普通用户。因此,本文的政府、媒体、意见领袖和网民舆情主体,在新浪微博中分别对应蓝 V、黄 V、微博达人和大众网民用户。1.2摇 舆情主题演化模型构建极端暴雨灾害事件舆情主题演化模型构建流程如图 1 所示,首先在数据预处理的基础上提取主题关键词,然后基于关键词的共现关系构建共词网络,接着对共词网络节点聚类挖掘其蕴含的主题社区,最后对各主题社区进行演化分析。1.2.1摇 关键词提取在对原始数据进行预处理的基础上,本文采用词频 逆文档(TF鄄IDF)18提取极端暴雨灾害事件主图 1摇 极端暴雨灾害事件舆情主题演化模型构建流程题关键词。TF鄄IDF 词语权重计算公式为Wij=nij移inijlnM1+J(1)式中:Wij为词语的权重;nij为词语 wi在文本 dj中出现的次数;移inij为文本 dj中所有词语出现次数之和;M 为语料库中的文本总数;J 为包含词语 wi的文本数目。图 2摇 极端暴雨灾害事件舆情共词网络构建1.2.2摇 共词网络构建极端暴雨灾害事件舆情共词网络构建如图 2 所示,文本 A、B、C 的关键词分别形成了 3 个独立的共词网络,而文本 D 通过主题关键词将它们共同串联到一起,形成一个较大的共词网络。因此,暴雨灾害事件舆情共词网络可以抽象为59水利经济,2023,41(4)摇 E鄄mail:jj 摇 http:/摇 电话:[phone]摇G=(N,R)(2)式中:G 为暴雨灾害事件舆情共词网络;N 为暴雨灾害关键词构成的节点集合;R 为由共现关键词之间相连构成的边集合。1.2.3摇 主题社区挖掘共词网络内部结构通常呈现出一定的规律,部分节点聚集在一起形成社区,社区内的关键词则可以代表舆情主题的内容。本文基于 Louvain 算法19并不断优化模块度,实现极端暴雨灾害事件舆情主题社区的挖掘。模块度 Q 可表示为Q=12m移(ijAij-KiKj2)m啄(Ci,Cj)(3)式中:Aij为节点 wi和 wj之间的边权重,即关键词在文本中共现的次数;Ki、Kj分别为与节点 wi和 wj相连的边的权重之和;m 为网络中所有边的权重之和;Ci、Cj分别为节点 wi、wj所属的社区,当 Ci=Cj时啄(Ci,Cj)函数值为 1,否则为 0。1.2.4摇 主题社区演化本文采用王艳东等20提出的演化算法对舆情主题进行演化分析。对于挖掘出的某一主题,取 t1和 t2两个时间段的灾害主题社区分别为 C1,t1和C1,t2,计算 C1,t1社区在 C1,t2社区中的包含量 I(C1,t1,C1,t2)及 C1,t2社区在 C1,t1社区中的包含量 I(C1,t2,C1,t1),根据 I(C1,t1,C1,t2)和 I(C1,t2,C1,t1)对应阈值判断社区的生长、分裂等演化类型,并通过桑基图展示主题演化过程。C1,t1社区在 C1,t2社区中的包含量、节点的度中心性可分别由式(4)、式(5)计算得到:I(C1,t1,C1,t2)=W1疑 W2W1移w沂(W1疑W2)P1w移w沂W1P1w(4)Kwi=移j,i屹jAij(5)式中:W1、W2分别为社区 C1,t1、C1,t2中的关键词集合;P1w为节点 w 在社区 C1,t1中的重要程度;Kwi为节点 wi的度中心性,可用共词网络中与节点连通的边的权重之和表示,表征节点的重要程度。1.3摇 基于情感词典的舆情情感演化模型构建1.3.1摇 暴雨灾害领域情感词典构建本文采用词汇数量适中的知网情感词典作为基础情感词词典。极端暴雨灾害事件的评论文本有其自身特点,如“飞机晚点了冶“要追责相关领导冶中的“晚点冶“追责冶并未包含在知网情感词典中。参考周莉等21所提出的暴雨洪涝情感词典构建方法,同时考虑网络用语和表情符22构建自定义的领域情感词典,并将“凉爽冶“平安冶“战胜冶“力挺冶“热心冶“点赞冶等正面情感词设置为 1 分,将“天灾人祸冶“水火无情冶“闷热冶“冲走冶“追责冶“捞油水冶“吓死冶等负面情感词设置为-1 分。仅用情感词来计算评论文本的情感值是不够的,需要程度词如“有点冶“太冶和否定词如“没有冶“不冶来增强、削弱或反转其原本的情感态度,因此需要构建程度词词典和否定词词典对情感词进行度量。本文以知网程度词词典为基础,并根据已有研究23为各级别程度词赋予相应的权值,同时自建了否定词词典,将否定词赋值为-1 分。1.3.2摇 情感值计算算法构建好词典后,根据本文的实际情况进行微博评论文本情感值的计算,具体步骤如下:淤搜寻评论中的情感词,判断情感词的极性,正面情感词赋值为+1 分,负面赋值为-1 分,否则为 0 分;于寻找程度词、否定词,判断程度词的级别,考虑到可能出现多重否定的情况,需要计算否定词的数量;盂查找表情符,判断表情符的极性,正面表情符赋值为+1 分,负面赋值为 1 分,否则为 0 分;榆计算每条微博评论的情感分值。由于评论文本的长度对情感值的影响较大,因此对评论情感分值取平均数,具体计算公式如下:E=移ni=(1svi(-1)p仪lf=1sd)f+移kj=1sejn+k(6)式中:E 为整条微博评论文本的情感值;n 为情感词的数目;l 为程度词的数目;p 为否定词的数目;k 为表情符的数目;svi为情感词 vi的分值;sdf为程度词 df的权重;sej为表情符 ej的分值。2摇 实例分析2.1摇“411冶深圳暴雨事件概况2019 年 4 月 11 日,深圳市短时极端强降水的最大半小时雨量为 73.4 mm,为深圳有纪录以来4 月份最大半小时雨强。此次降雨导致深圳市多区突发洪水,暗渠、暗涵处甚至发生了作业人员失踪和淹溺死亡事故。据统计,该事件造成 11 人死亡、137处内涝积水、29 台车辆被淹,福田、罗湖两区直接经济损失约为 2253 万元。此次暴雨灾害事件引起了舆论的高度关注。2.2摇 数据获取及预处理获取 2019 年 4 月 11 日 0 时至 13 日 0 时即暴雨灾害发生前后,以“深圳暴雨冶为关键词的微博文本数据共 20060 条,对文本数据进行数据清洗以去除噪声数据,最终得到 13 464 条有效微博文本数据。其中,蓝 V 有 723 条,黄 V 有 1 151 条,微博达69水利经济,2023,41(4)摇 E鄄mail:jj 摇 http:/摇 电话:[phone]摇人发布了 1314 条,大众网民发布了 10276 条。结合事件实际情况,本文将极端暴雨灾害发生发展过程划分为预警期、突发期、应急期和灾后期4 个阶段。4 月 11 日 20 时前,气象局连续发布了暴雨黄色预警在内的 4 个气象预警,因此将 020 时划分为预警期;短时极端强降水发生在 21 时前后,2124 时共发生了 3 起地下险情,因此将 2024时划分为突发期;4 月 12 日 15 时,强降雨逐渐减弱,第一轮应急救援工作已结束,降雨带来的影响也得以初步解决,因此将 015 时划分为应急期,1524 时划分为灾后期。微博数量随灾害发展的变化如图 3 所示。预警期内,微博数量较少,降雨预警未引起舆论的过多关注;突发期内,微博数量快速上升,于21:00 左右达到峰值后迅速下降;应急期内,微博数量在12 日6:00 迅速攀升并持续一段时间后下降;灾后期,随着灾情影响逐渐好转,微博数量缓慢下降。图 3摇“411冶深圳暴雨事件的阶段划分及微博数量变化图 4摇 蓝 V 在不同阶段的主题演化桑基图完成数据清洗后,采用 Jieba 分词工具进行中文分词。为提升分词效果,根据实际情况构建了自定义词典,添加了领域专有词如“暴雨红色预警冶“应急管理局冶等,并综合百度停用词表哈工大停用词表等,合并去重后构建了停用词表,过滤掉无意义词汇、标点符号等。2.3摇 不同主体在暴雨灾害不同阶段的网络舆情主题和情感演化2.3.1摇 不同主体的网络舆情主题演化通过对主题社区进行人工筛选与合并,最终得到普及“安全知识冶“交通状况冶“警示与天气冶“应急救援冶“人员伤亡冶“祈祷平安冶“其他损失与影响冶7 类舆情主题,并在此基础上得到了各主体的舆情主题演化桑基图,见图 4 7。桑基图的每个长方形代表一类主题,其高度为主题间的共有词数量,而长方形之间的连接则表示主题间关键词的流动。a.蓝 V 舆情主题演化。预警期,蓝 V 主要关注“安全知识普及冶和“警示与天气冶两类主题。突发期内“警示与天气冶主题分裂出“交通状况冶,表明蓝 V 由发布预警信息逐渐转为发布暴雨导致的交通状况。应急期以“应急救援冶和“人员伤亡冶主题为主,蓝 V 凭借信息获取优势播报应急救援状况和人员伤亡信息。灾后期其他主题逐渐演变为“其他损失与影响冶主题。b.黄 V 舆情主题演化。预警期内,黄 V 主要关注“警示与天气冶主题。突发期内分裂出“普及安全知识冶主题,但滞后于蓝 V,表明黄 V 受蓝 V 影响开始宣传暴雨安全知识。应急期以“人员伤亡冶和“祈祷平安冶主题为主,较少关注“应急救援冶主题。灾后期,黄 V 受蓝 V 的影响,出现“交通状况冶主题。随后“人员伤亡冶主题不断收缩,“其他损失与影响冶主题不断生长,表明黄 V 的关注重点由“人员伤亡冶等主题逐渐转移至“其他损失与影响冶上。c.微博达人舆情主题演化。微博达人在预警期和突发期内只有“警示与天气冶主题。在应急期,微博达人最先出现“人员伤亡冶主题,表明微博达79水利经济,2023,41(4)摇 E鄄mail:jj 摇 http:/摇 电话:[phone]摇图 5摇 黄 V 在不同阶段的主题演化桑基图图 6摇 微博达人在不同阶段的主题演化桑基图图 7摇 大众网民在不同阶段的主题演化桑基图人最先开始传播人员伤亡信息。在灾后期,微博达人最先报道了大众网民较为关注的“其他损失与影响冶,表明微博达人能及时地对大众网民所关注的话题做出反应,相较于其他主体更加敏锐。随着暴雨灾害事件的发展,“其他损失与影响冶主题逐渐演化为“人员伤亡冶主题,人员伤亡有关舆论在灾后不89水利经济,2023,41(4)摇 E鄄mail:jj 摇 http:/摇 电话:[phone]摇断膨胀,舆情风险较大。d.大众网民舆情主题演化。大众网民在预警期和突发期内以“警示与天气冶和“普及安全知识冶主题为主。在应急期,受蓝 V 发布的交通状况信息引导,大众网民的关注点演化为“交通状况冶,此外“人员伤亡冶主题不断生长,“其他损失与影响冶主题开始出现,反映出大众网民较为关心影响日常出行的交通状况、人员伤亡信息以及暴雨灾害造成的损失与影响。灾后期,受蓝 V 和黄 V 影响出现“交通状况冶主题,随后演化为“人员伤亡冶主题,人员伤亡舆论热度居高不下。通过对蓝 V、黄 V、微博达人以及大众网民 4 类主体的舆情演化特点进行分析,可以发现“411冶深圳暴雨灾害事件网络舆情的总体演化状况为:预警期与突发期主要集中在“警示与天气冶“普及安全知识冶主题,应急期演变为“祈祷平安冶“人员伤亡冶“应急救援冶主题,灾后期演变为“人员伤亡冶“其他损失与影响冶主题。2.3.2摇 不同主体的网络舆情情感演化基于每条评论文本数据的情感值,将文本情感倾向以 0 为阈值分别判定为正面、中性以及负面情感倾向,统计各个倾向的评论文本数量占比,得到各情感倾向的比重,并将各阶段或主体的所有评论文本的情感值求和再除以评论数量得到情感均值,以消除评论数量差异过大的影响。暴雨灾害发展全过程舆情情感如表 1 所示,在预警期和突发期波动较大,负面情感主要集中在此期间,应急期和灾后期的情感趋于中性。具体来说,预警期和突发期对暴雨天气的抱怨与担忧等负面情绪较多,情感负面率分别为 0.42 和 0.49,高于正面率。其中,突发期情感均值最低为-0.2,且由于舆情数量巨大,这一阶段的网络空间充斥着大量的负面程度较高的情感态度。应急期对人员伤亡的悲伤与难过的负面情感和对受灾人员、救灾人员的祈祷与鼓励的正面情感交织出现,情感均值为 0.02,整体情感略偏正面。灾后期舆论集中在探讨人员伤亡原因和应急工作效果上,情感正面率和负面率持平,情感均值为-0.03,整体情感略偏负面。表 1摇 各演化阶段情感值描述性统计演化阶段正面率负面率中性率情感均值预警期0.270.420.31-0.15突发期0.250.490.26-0.20应急期0.400.390.210.02灾后期0.390.390.22-0.03各主体舆情情感演化如图 8 所示,除蓝 V 外,黄 V、微博达人和大众网民的负面情感主要集中在预警期和突发期。其中,蓝 V 各阶段内的情感值较高,体现了其在信息传播中积极正面的特点。黄 V的情感演化趋势和蓝 V 大体保持一致,但情感值波动较大,表明黄 V 在跟随蓝 V 进行信息传播的同时,也会发表自己的观点和看法,可能存在发表情感色彩强烈的言论来博人眼球的现象,且黄 V 的整体情感为负面,表明其在信息传达与回应上未能做到理性中立。此外,突发期内黄 V 的情感值最低,需要进行监管和引导。微博达人和大众网民的情感演化状况较为相似,预警期和突发期内的情感值较低,远低于其他两类主体。其中,微博达人的总体情感最低,表明微博达人的舆情风险较大,在暴雨灾害事件发展的全过程都需要重点关注。图 8摇 各舆情主体情感演化2.4摇 不同阶段的舆情管控策略a.暴雨灾害预警期:动态监测,识别潜在舆情风险。暴雨灾害预警期内,短时强降雨事件还未发生,网络舆论主要集中在暴雨预报预警以及相关安全知识的宣传上,舆论热度不高,此时尚未形成舆情危机。在此期间,公众的整体情感为负面,其中微博达人和大众网民的情感值最低,但此时的负面舆情主要由强降雨这一自然现象引起。因此,在预警期内,政府需要联合媒体积极发布预报预警与安全防范知识,引导意见领袖和网民加强对暴雨安全知识的关注,还需持续监测各类主体的舆情状况,对各类主体网络舆情进行挖掘分析,识别潜在舆情风险。及时处置虚假暴雨信息、极端负面言论等,将不利于社会安定的负面舆情信息抑制在萌发期。b.暴雨灾害突发期:提前研判,设置议题引导舆情。暴雨灾害突发期内,各种诱发舆论危机的因素渐渐集聚,舆情危机萌芽并爆发。突发期的情感值最低,且舆情热度高,这一阶段聚集了大量的负面程度较高的情感态度,是暴雨灾害全过程舆情管控的重点关注阶段。因此,政府可以根据暴雨灾害事件的状况,及时发布灾情通报,向公众传递真实、准确、全面的信息。同时,对舆情进行提前研判,通过预先设置议题,第一时间抢占舆论高地,掌握公共舆99水利经济,2023,41(4)摇 E鄄mail:jj 摇 http:/摇 电话:[phone]摇论和热点话题的话语权,从而前瞻性地引导舆情。如暴雨突发时,发布网民关注的交通状况信息正向引导舆论;发生人员伤亡时,提前设置应急救援、祈祷平安等议题,压缩其他负面舆论滋生的空间。c.暴雨灾害应急期:信息公开,抑制不实消息传播。暴雨灾害应急期内,暴雨灾害突发后发生的人员伤亡事故极易引起舆论的关注。舆情演化结果也表明,这一阶段公众的热点话题主要集中在祈祷平安以及人员伤亡上,尤其是人员伤亡状况。因此,政府应提高信息公开的透明度和及时性,以积极正面的态度持续对公众所关心的伤亡状况进行回应,并实时播报救援动态,提高公众对应急救援消息的关注度。媒体应充分利用其公信力配合政府进行理性、客观的播报,尤其是应急救援动态信息的发布。网民需提升对情绪煽动性和负面虚假性信息的辨识力,理性发言,从而在平息公众高涨的负面情绪的基础上,有效抑制不实消息的传播。d.暴雨灾害灾后期:回应问题,疏导负面情绪。暴雨灾害灾后期内,暴雨灾害事件带来的影响已逐渐消退,公众对于这一事件的关注热度显著降低,但公众的整体情感略偏负面。因此,这一阶段政府需要保持积极正面的情感态度做好舆情的收尾工作,联合意见领袖作为政府与网民的沟通桥梁,设立专门发言机构或培养“红色意见领袖冶。通过对相关话题进行回应和互动,对公众负面情绪进行安抚与疏导,从而增强公众对政府的信任度,提升政府公信力。3摇 结摇 语a.将极端暴雨灾害事件网络舆情主体分为政府、媒体、意见领袖和网民 4 类,从多主体视角出发挖掘了各主体关注内容、情感态度的变化。政府、媒体、意见领袖和网民 4 类主体的关注内容不同,情感态度差异显著。政府主要关注安全知识、暴雨预警和交通状况,并回应救援动态,情感态度积极正面;媒体较少关注安全知识和救援动态,情绪值波动大,可能存在发表情感色彩强烈的言论以博人眼球的现象;意见领袖较多关注伤亡信息,情感均值最低,舆情风险较大;网民较其他主体更为关注影响日常生活的交通状况和灾情影响,负面情感占比较大。b.政府、媒体、意见领袖和网民 4 类主体在极端暴雨灾害事件网络舆情演化中相互影响。政府在舆情演化全过程中起主导作用,凭借信息获取优势率先发布相关主题,影响了其他主体的舆情走向;媒体的主题和情感演化和政府大体保持一致,是政府信息发布和立场观点的跟随者;意见领袖受网民影响较大,对网民所关心的话题非常敏锐。c.将极端暴雨灾害全过程划分为预警期、突发期、应急期和灾后期 4 个阶段,发现各主体关注内容、情感态度随着灾害事件的发展不断变化。在预警期,舆情主题主要为安全知识和天气预警,且大多由政府发布、网民跟随;在突发期,政府开始关注事情造成的影响,如交通信息,而其他主体还在关注天气信息,时间上滞后于事件本身的发展;随着灾害的蔓延,进入应急期,政府开始发布应急救援和人员伤亡等信息,其他主体的关注点从天气信息转向人员伤亡和祈祷平安;在灾害结束后,政府和媒体较多关注灾情影响,而微博达人和网民则偏向于讨论伤亡信息。此外,舆情负面情感主要集中在预警期和突发期,随着灾害的发展,舆情情感逐渐趋于中性。参考文献:1 易嘉伟,王楠,千家乐,等.基于大数据的极端暴雨事件下城市道路交通及人群活动时空响应J.地理学报,2020,75(3):497鄄508.2 杜洪涛,王君泽,李婕.基于多案例的突发事件网络舆情演化模式研究J.情报学报,2017,36(10):1038鄄1049.3 刘人境,孙滨,刘德海.网络群体事件政府治理的演化博弈分析J.管理学报,2015,12(6):911鄄919.4 于鹏,邱燕妮.全媒体时代公共危机舆情传播路径与演化机理研究J.中国行政管理,2019,410(8):94鄄98.5 孟骊超,来爽.网络舆情演变过程的主体博弈及对策研究J.现代情报,2020,40(12):114鄄129.6 冯兰萍,严雪,程铁军.基于政府干预和主流情绪的突发事件网络舆情群体负面情绪演化研究J.情报杂志,2021,40(6):143鄄155.7 林玲,陈福集.网络推手参与的社交媒体舆情传播四方演化博弈J.系统科学与数学,2023,43(2):379鄄398.8 姚晶晶,张雨燕.多主体视角下企业负面舆情热度演化研究J.情报理论与实践,2020,43(8):120鄄127.9 满媛媛,刘佳宁.国内突发事件网络舆情研究进展J.情报科学,2020,38(12):170鄄177.10 王兰成,陈立富.国内外网络舆情演化、预警和应对理论研究综述J.图书馆杂志,2018,37(12):4鄄13.11 肖倩,谢海涛,刘平平.一种融合 LDA 与 CNN 的社交媒体中热点舆情识别方法J.情报科学,2019,37(11):27鄄33.12 王家辉,夏志杰,王诣铭,等.基于句法规则和社会网络分析的网络舆情热点主题可视化及演化研究J.情报科学,2020,38(7):132鄄139.13 庄穆妮,李勇,谭旭,等.基于 BERT鄄LDA 模型的新冠肺炎疫情网络舆情演化仿真J.系统仿真学报,2021,33(1):24鄄36.14 PURNAMASARI N M G D,FAUZI M A,INDRIAT I,etal.Cyberbullying identification in twitter using support001水利经济,2023,41(4)摇 E鄄mail:jj 摇 http:/摇 电话:[phone]摇vectormachineandinformationgainbasedfeatureselectionJ.Indonesian Journal of Electrical Engineeringand Computer Science,2020,18(3):1494鄄1500.15 蒋知义,马王荣,邹凯,等.基于情感倾向性分析的网络舆情情感演化特征研究J.现代情报,2018,38(4):50鄄57.16 曹树金,岳文玉.突发公共卫生事件微博舆情主题挖掘与演化分析J.信息资源管理学报,2020,10(6):28鄄37.17 李紫薇,邢云菲.新媒体环境下突发事件网络舆情话题演进规律研究:以新浪微博“九寨沟地震冶话题为例J.情报科学,2017,35(12):39鄄44.18 罗燕,赵书良,李晓超,等.基于词频统计的文本关键词提取方法J.计算机应用,2016,36(3):718鄄725.19 BLONDEL V D,GUILLAUME J L,LAMBIOTTE R,et al.Fast unfolding of communities in large networks J.Journal of Statistical Mechanics:Theory and Experiment,2008(10):P10008.20 王艳东,李萌萌,付小康,等.基于社交媒体共词网络的灾情发展态势探测方法J.武汉大学学报(信息科学版),2020,45(5):691鄄698.21 周莉,杨小俪.面向突发事件应急管理的情感词典构建:以“暴雨洪涝冶灾害为例J.武汉理工大学学报(社会科学版),2019,32(4):8鄄14.22 靳春妍,牟冬梅,王萍,等.融入表情特征的网络舆情情感分析方法研究J.科技情报研究,2020,2(4):13鄄22.23 陈芬,高小欢,彭玥,等.融合文本倾向性分析的微博意见领袖识别J.数据分析与知识发现,2019,3(11):120鄄128.(收稿日期:20221109摇 编辑:骆超蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚)(上接第 87 页)13 HALLEGATTE S.Modeling the role of inventories andheterogeneity in the assessment of the economic costs ofnatural disastersJ.Risk Analysis,2014,34(1):152鄄167.14 HALLEGATTE S.An adaptive regional input鄄output modeland its application to the assessment of the economic costof KatrinaJ.Risk Analysis,2008,28(3):779鄄799.15 MARKHVIDA M,WALSH B,HALLEGATTE S,et al.Quantification of disaster impacts through household well鄄being losses J.NatureSustainability,2020(3):538鄄547.16 刘远,李宁,张正涛,等.台风“艾云尼冶动态间接经济损失评估J.灾害学,2019,34(3):178鄄183.17 张正涛,崔鹏,李宁,等.武汉市“2016鄄07鄄06冶暴雨洪涝灾害跨区域经济波及效应评估研究J.气候变化研究进展,2020,16(4):433鄄441.18 张正涛,李宁,冯介玲,等.从重建资金与效率角度定量评估灾后经济恢复力的变化:以武汉市“2016鄄07鄄06冶暴雨洪涝灾害为例J.灾害学,2018,33(4):211鄄216.19 周蕾,吴先华,高歌.基于 MRIO 模型的“一带一路冶典型国家气象灾害间接经济损失分析:以 2014 年中国“威马逊冶台风灾害为例J.自然灾害学报,2018,27(5):1鄄11.20 张正涛,刘青,刘远,等.灾后恢复中救助力度对恢复速度支撑的过程模拟研究J.西北大学学报(自然科学版),2020,50(3):386鄄393.21 刘远,李莹,王国复,等.河南省“217冶极端暴雨灾害多区域间接经济损失评估J.灾害学,2022,37(4):45鄄51.22 黄承芳,李宁,张正涛,等.新冠肺炎疫情冲击后的中国经济恢复发展预估J.灾害学,2020,35(4):210鄄214.23 周彩南,王小宁,邹海双.供给侧结构性改革背景下石油产业对经济增长的贡献:以甘肃省庆阳市为例J.开发研究,2019(2):46鄄53.24 曾修彬,曾小舟,马星.基于投入产出表的重庆航空业对地方经济贡献分析J.华东交通大学学报,2014,31(5):63鄄68.25 曹巍.湖北省灾后恢复重建总体方案J.湖北画报,2016(9):62鄄63.(收稿日期:20221129摇 编辑:骆超)101水利经济,2023,41(4)摇 E鄄mail:jj 摇 http:/摇 电话:[phone]摇2.Management Science Institute,Hohai University,Nanjing211100,China)Abstract:Allocation of reconstruction funds among variousindustrial sectors affects regional disaster economic recoverycapacity.In this study,a post鄄disaster economic recoverysimulation model based on Adaptive Regional Input OutputModel(ARIO)wasestablished.Andthenthreereconstruction funds allocation plans were set:“balancedinvestment冶,“high鄄contribution industry priority 冶,and“disaster damage and high contribution industry combined冶.Finally,Hubei province was taken as an example,and theeconomic recovery period after flood disaster in 2016 wassimulated.Theresultsshowthat:Afterdisaster,theproduction added value is reduced,the investment of thereconstruction fund make the production return back to pre鄄disaster level,and then the production continues to increaseuntil the demand for reconstruction is completely satisfied,finally,the production is gradually declined,the economy isreturnedtothepre鄄disasterequilibrium.Post鄄disastereconomic recovery time and reconstruction funds are indexrelationship,and the recovery time of floods is constantlyshortened with increased increasing funds after the disaster,but the rate of economic recovery time is decreasing.Thereconstruction fund should first used to compensate for theeconomic losses caused by disasters,and then allocate fund tohigh鄄contribution industries,which can improve post鄄disasterreconstruction efficiency under the premise of protectingpeople爷s livelihood.Keyword:reginal economy;adaptive regional input outputmodel;post鄄disasterreconstruction;allocation;recoveryperiodResearch on economic loss assessment of supply chaindisruption under flood disaster based on improved DIIM/WANG Ting1,QIU Lei1,WANG Zhiqiang2,ZHI Yanling3(1.Management Science Institute,Hohai University,Nanjing211100,China;2.Information Management and ArtificialIntelligence College,Zhejiang University of Finance andEconomics,Hangzhou 310058,China;3.Business School,Changzhou University,Changzhou 213159,China)Abstract:In recent years,heavy rain and flo