網絡輿情影響下考慮心理參照點變化的多階段群決策方法

王治瑩,王韋棋

(安徽工業大學 管理科學與工程學院,安徽 馬鞍山 243032)

據中國互聯網絡中心公布的報告顯示,截至2022年,中國網民規模達到10.67億,互聯網普及率高達75.6%。同時,近年來頻繁爆發的突發公共事件借助網絡媒體迅速傳播,常常引發輿情危機,其破壞力在網絡輿情的推動下被無限放大,增加了突發公共事件的處理難度。一旦網絡輿情中的某些虛假信息得不到有效管控,極有可能衍生出次生事件,進而對居民生活和社會治安造成巨大的負面影響。因此,在應對突發公共事件時應充分考慮網絡輿情的影響,并通過適當引導網絡輿情走向來減少突發公共事件對社會的危害。

目前,網絡輿情影響下的多階段群決策問題研究主要集中在網絡輿情管控和突發公共事件應急決策兩個方面。首先,針對網絡輿情管控問題,國內外學者從網絡輿情傳播機理分析和網絡輿情演化態勢預測開展了研究。在網絡輿情傳播機理分析方面,聶琦等[1]認為網絡輿情的傳播機理與傳染病的擴散機理類似;WANG等[2]構建了網絡輿情時空演化分析模型和影響因素分析模型,分析了疫情嚴重程度、網民數量、媒體報道數量和區域屬性等多種因素共同影響下的網絡輿情時空演變過程;WANG等[3]采用計量經濟模型對輿情信息進行了多維因素分析;ZHANG等[4]對傳染病模型(SIRS)進行改進,將輿情網絡節點分成高影響層和低影響層,引入層內和層間信息傳輸機制,構建了分層SIRS信息傳輸模型;龐慶華等[5]探索了意見領袖影響下微博負面輿情的演化規律,并構建了政府、媒體和網民的三方演化博弈模型。關于網絡輿情演化態勢預測的研究,主要采用logistic模型[6]、神經網絡[7]、灰色模型[8]、系統動力學[9]、馬爾科夫模型[10]等方法。鮮有研究采用隱馬爾可夫模型對網絡輿情態勢進行預測,隱馬爾科夫模型能夠處理具有時序關系的數據和進行序列預測,且可通過觀測數據反映實際狀態,因此采用隱馬爾科夫預測輿情態勢與實際情況更符合。其次,針對突發公共事件應急決策的研究,胡彥等[11]引入三支決策和前景理論構建模糊多屬性應急決策模型;樊自甫等[12]提出基于區間值模糊熵構建應急群決策模型;童玉珍等[13]提出基于猶豫模糊集的突發公共事件網絡輿情應急群決策方法。然而以上研究均未考慮突發公共事件演化過程的多階段性。王治瑩等[14]提出一種考慮決策者情緒對心理參照點影響的多階段應急決策方法;吳鳳平等[15]提出一種多階段多目標的動態應急決策方法,并使用等差數列對多階段時間序列權重進行賦值。但上述研究未考慮網絡輿情對決策者心理參照點和突發公共事件應急決策的影響。

綜上所述,以往研究未考慮網絡輿情對決策者心理參照點變化和突發公共事件演化態勢的影響,而網絡輿情演化態勢預測的研究中也鮮有考慮應急方案對輿情演化的影響。此外,如何建立網絡輿情影響下的決策者心理參照點更新方法成為突發公共事件多階段群體決策亟待解決的問題?；诖?筆者提出一種網絡輿情影響下考慮決策者心理參照點變化的突發公共事件多階段群體決策方法。主要創新點:一是基于隱馬爾科夫模型預測了考慮應急方案影響的網絡輿情演化過程;二是基于事態演化趨勢更新決策者心理參照點,同時考慮不同決策者風險偏好異質性,引入決策者損益敏感度因子。

1 理論基礎

1.1 隱馬爾科夫模型

隱馬爾科夫模型[16](HMM)是一種有關時序的概率模型,包含狀態集和與狀態對應的觀測序列。狀態間的轉移由狀態轉移概率矩陣表示。觀測序列不是狀態本身,故根據觀測序列得到隱狀態的過程稱為隱馬爾科夫過程。HMM由初始概率分布、狀態轉移概率分布和觀測概率分布決定。

假設所有狀態序列的集合為X=(x1,x2,…,xn);所有觀測序列的集合為Y=(y1,y2,…,ym);長度為T的狀態序列為W={w1,w2,…,wT};相對應的觀測序列為Z={z1,z2,…,zT};則初始狀態概率矩陣為σ=[σi]1×n,σi=P(w1=xi),1≤i≤n,表示在t=1時狀態為xi的概率;狀態轉移概率矩陣為E=[eij]n×m,eij=P{wt+1=xj|wt=xi},1≤i,j≤n,eij為從t時刻狀態xi轉移到t+1時刻xj的概率;觀測值概率矩陣為F=[fj(k)]n×m,fj(k)=P(zt=yk|wt=xj),1≤j≤n,1≤k≤m,表示t時刻在狀態xj的條件下觀測值為yk的概率。綜上,σ和E決定狀態序列,F決定觀測序列,三者共同決定模型參數。因此,將HMM模型參數η表示為η=(σ,E,F)。

1.2 累積前景理論

累積前景理論[17](cumulated prospected theory,CPT)是一種關于決策者行為的理論,傳統的期望效用理論假設決策者完全理性,這與事實不符,CPT的提出彌補了期望效用理論關于理性假設的不足,在決策時會綜合考慮人的風險偏好和心理感知價值等因素。價值函數表示為:

(1)

式中:Δxi為決策結果相對于參照點的損益,Δxi≥0代表決策者收益,Δxi<0代表決策者損失;α和β分別為風險厭惡系數和風險偏好系數;λ為損失規避系數。通常取α=0.89,β=0.92,λ=2.25[18]。決策者對收益和損失的決策權重函數為:

(2)

(3)

式中:W+(·)和W-(·)均為非線性函數;χ和δ分別為決策者對收益和損失的態度,通常取χ=0.61,δ=0.69。

2 問題描述

突發公共事件的演化過程具有多階段、易變化、不確定等特點,決策者在制定應急決策方案時往往不能一蹴而就,而是依據事態等級動態調整應急方案。同時,由突發公共事件引發的網絡輿情也會對突發公共事件的演化過程造成影響,如若不加控制,極易引發輿情危機。反之,突發公共事件的演化及處理過程也會對網絡輿情的演化過程造成影響。因此,網絡輿情與突發公共事件之間的耦合演化關系增加了網絡輿情態勢預測及突發公共事件應急決策的難度。

圖1 網絡輿情影響下的突發公共事件多階段決策過程

基于突發公共事件演化的多階段性以及網絡輿情與突發公共事件演化的耦合性,設計一套科學的決策方法,通過考慮決策者人員傷亡、財產損失和輿情態勢的心理參照點受突發公共事件演化態勢影響動態變化,建立決策者心理參照點更新機制,并綜合考慮人員傷亡、財產損失、輿情態勢及應急決策方案的投入成本、準備時間、可行性、風險指數、輿情傳播廣度等多種指標,通過累積前景理論計算得到備選應急方案的優劣次序,輔助應急管理部門對突發公共事件進行處理。網絡輿情影響下的多階段群決策方法如圖2所示。

圖2 網絡輿情影響下的多階段群決策方法

3 基于HMM的輿情態勢預測

突發公共事件的網絡輿情危機等級無法直接通過數據顯示,但與網民規模、網民活躍度、平臺傳播趨勢、網民情感傾向等可觀測數據緊密相關,故將這些指標作為觀測序列,將輿情危機等級作為隱狀態。

(1)HMM節點狀態設定。充分考慮突發公共事件各種情景下網絡輿情的定量和定性數據的特點,將各節點狀態劃分如下:①突發公共事件情景節點狀態設定,決策點只能有一種情景發生,將決策點發生的情景的狀態表示為T,其他情景狀態表示為F;②備選方案節點的狀態設定,根據突發事件的演化進程及決策者的研判,最終決策只能選一種方案,被選擇的方案狀態為T,其他方案為F。③網民規模狀態劃分,指在一段時間內網民瀏覽事件信息的次數和點贊量。瀏覽次數和點贊量越多,網民規模越大,輿情熱度越高。因此,將網民規模的狀態劃分為高(H)、中(M)、低(S)。④網民活躍度狀態劃分,網民對相關話題發表評論的微博總數量,發表的評論數量越多,網民活躍度越高,對事件的關注度越高,輿情熱度越高。將網民活躍度劃分為高(H)、中(M)、低(S)。⑤平臺傳播趨勢狀態劃分,指事件一段時間內在微博等網絡平臺上傳播的效果,將平臺傳播趨勢劃分為高(H)、中(M)、低(S)。⑥網民情感傾向狀態劃分,分別為積極情感(P)、中性情感(M)和消極情感(N)。⑦輿情危機等級劃分,分別為紅色預警(Ⅰ級)、橙色預警(Ⅱ級)、黃色預警(Ⅲ級)和藍色預警(Ⅳ級)。

(2)HMM參數學習。在使用HMM預測網絡輿情演化態勢時,首先需要獲得HMM的三元要素η=(σ,E,F)。由于無明確狀態序列,屬于無監督學習過程,Baum-Welch算法是一種經典的無監督學習算法,故采用Baum-Welch算法訓練HMM參數。假設已知數據只包含了m個長度為T維的觀測序列{Z1,Z2,…,Zm},沒有給出相應的狀態序列,為學習HMM的參數η=(σ,E,F),將觀測序列數據設為觀測數據Z,狀態序列數據設為不可觀測的隱數據W,故HMM是一個帶有隱變量的概率模型,如式(4)所示,參數學習過程參考文獻[19],具體如式(5)～式(7)所示。

(4)

(5)

(6)

(7)

4 基于CPT的多階段應急決策方法

4.1 基于熵權法的評價指標賦權

(8)

(9)

(10)

4.2 指標屬性值規范化

決策者在做效用評價時,通常有精確值、區間值和自然語言等多種不同數據類型的指標。為了統一比較標準,需對原始數據進行規范化、標準化處理?？紤]到實際決策信息往往具有模糊性、不確定性,因此將不同種數據類型轉換成直覺模糊數的形式,其表達形式為A=(μA(x),vA(x)),μA(x)表示元素x的隸屬度,vA(x)表示元素x的非隸屬度,πA(x)=1-μA(x)-vA(x)表示x屬于A的猶豫度。

(11)

(12)

(13)

表1 語言變量轉化表

(14)

4.3 基于事態演化趨勢的心理參照點更新方法

4.4 計算情景價值

4.5 計算情景權重

πfj(t)=

(15)

式中:πfj(h)=ω+(pfj(h))、πfj(n)=ω-(pfj(n)),f=1,2,…,L,j=1,2,…,M;ω+(·)、ω-(·)分別表示“收益”和“損失”的權重函數,ω+(p)=pγ/(pγ+(1-p)γ)1/γ,ω-(p)=pδ/(pδ+(1-p)δ)1/δ,γ=0.61,δ=0.69。

4.6 計算方案綜合前景值

5 算例分析

某地爆發傳染病,經過傳染病學專家分析疫情將持續3個階段,每個階段都可能出現以下4種情景。S1:疫情得到全面控制,可能造成的人員傷亡數為5～10人,經濟損失為50～100萬元,輿情態勢為[0.0,0.3];S2:疫情在少數地區失控,可能造成的人員傷亡數為10～15人,經濟損失為100～200萬元,輿情態勢為[0.3,0.5];S3:疫情在多數地區失控,可能造成的人員傷亡數為20～30人,經濟損失為200～500萬元,輿情態勢為[0.5,0.7];S4:疫情全面失控,可能造成的人員傷亡數為50～100人,經濟損失為500～700萬元,輿情態勢為[0.7,1.0]。為應對該突發疫情事件,決策者制定4個應急方案。各應急決策備選方案的評價指標如表2所示。

表2 應急決策方案的評價指標

各決策者在決策時主要依據8個指標對流行性傳染病進行應急響應:B1投入成本,B2準備時間,B3可行性,B4風險指數,B5輿情傳播廣度,B6人員傷亡,B7財產損失,B8輿情態勢。4名決策者給出的不同指標的權重如表3所示。

表3 各決策者對各指標的權重

表4 輿情危機狀態轉移概率矩陣

6 結論

(1)針對突發公共事件演化過程受網絡輿情態勢影響可能導致決策結果不同的問題,提出了一種網絡輿情影響下考慮決策者心理參照點變化的多階段群決策方法。不僅考慮了突發公共事件的多階段特征和多決策者對各指標評價不一致的情形,還考慮了網絡輿情演化態勢對決策者心理參照點的影響進而對應急決策結果產生影響,為多階段群決策提供了新思路。

(2)采用HMM預測各情景和應急方案下網絡輿情演化趨勢,并得到各網絡輿情態勢下情景轉移概率;同時,針對決策者不同階段心理參照點轉移,提出基于突發公共事件演化態勢的決策者心理參照點更新機制,并考慮了不同決策者風險偏好異質性,引入損益敏感度改進決策者心理參照點更新機制。

(3)輿情信息從孕育、發展,到爆發,具有時滯性。因此,未來可考慮網絡輿情信息的時滯性,使用具有時滯效應的灰色模型對網絡輿情進行預測,可能會更加貼合網絡輿情傳播機理,得到更佳的決策結果。