考虑决策者在时间紧急及信息不完备的情况下给出评估值时可能会出现犹豫不决的情况, 提出基于犹豫模糊集的网络舆情突发事件应急群决策法. 首先, 通过犹豫模糊信息熵及交叉熵建立各评价指标的权重确定模型; 其次, 利用犹豫模糊加权平均算子 及得分函数计算各突发事件评价指标的犹豫模糊评估值得分; 然后结合各评价指标的权重值及评估值得分, 计算出各网络舆情突发事件综合危害性得分, 进而辅助应急部门确定各网络舆情突发事件的处置顺序; 最后通过案例分析证明了方法的有效性.
Considering that decision maker may hesitate to give the assessed value in the scenario of time urgency and incomplete information, the emergency group decision making method of internet public opinion outbreak based on hesitant fuzzy set is proposed. Firstly, the weight determination model of each evaluation index is established by hesitant fuzzy information entropy and cross entropy. Secondly, the HFWA and score function are used to calculate the evaluation score of each evaluation index. Then, using the weight value and evaluation score of each index to calculate comprehensive harmfulness score of internet public opinion emergency to assist emergency departments to determine the disposal order. Finally, the effectiveness of the proposed method is proved by a case study.
据CNNIC的数据显示, 截至2018年6月, 中国网民规模达8.02亿, 而微博作为社交媒体其使用率已达40.9%, 其中新浪微博月活跃用户已经达到了3.76亿, 每十分钟更新一次的热门话题对于网络舆论热点有着深度的影响. 庞大的中国网民数量, 也加快了网络舆论的发酵、传播和扩散速度, 政府部门也已将网络舆情的治理与管控放在了重点工作位置之上. 网络舆情突发事件[
基于以上分析, 首先目前大多数学者侧重于研究构建网络舆情突发事件各类指标体系与评价、传播模型, 对于网络舆情突发事件的应急群决策法的研究则较少. 在现实生活中, 某地可能会同时爆发多个网络舆情突发事件, 这时需要各应急决策专家及时对各网络舆情突发事件的危害性进行评估, 进而用有限的应急资源去优先处理危害性最高的网络舆情突发事件. 此外, 在运用熵权法确定属性权重的过程中, 大多数文献如文献[
本文的基本框架如下: 第2节回顾犹豫模糊集的相关概念、运算以及评估等级的划分方法; 第3节构建基于犹豫模糊环境下的网络舆情突发事件应急群决策模型, 提出评价指标权重确定模型及网络舆情突发事件综合危害性得分的计算方法; 第4节运用一个实例去验算所提出方法的有效性, 并进行对比分析; 第5节对全文进行总结.
本节将回顾犹豫模糊集的基本概念、运算法则、加权平均算子、得分函数、信息熵及交叉熵以及基于犹豫模糊集的评估等级划分方法.
定义1[
定义2[
(1)
(2)
(3)
(4)
定义3[
其中,
定义4[
其中,
定义5[
其中,
性质1.
性质2. 当且仅当
性质3. 若
性质4.
定义6[
为犹豫模糊数
(1)
(2)
在对若干个评估对象进行评估之前, 需要合理、科学地划分评估等级. 本文基于犹豫模糊集, 将所有可能评估结果的汇总表示为
假设某城市在同一时间爆发了多个网络舆情突发事件
文献[
信息熵描述的是信息的不确定程度, 若网络舆情突发事件的某一应急决策指标的熵值越小, 则该评价指标所包含的信息越多, 那么该指标在全局指标中也越重要, 应赋予更大的权重值; 若某一项决策指标上的交叉熵越大, 则表示在该项指标上所有舆情事件的评价差异越大, 那么该指标的重要性也越大, 也应赋予更大的权重值. 因此本文将采用各评价指标的评价值计算其信息熵及交叉信息熵, 可以更加科学地计算出各评价指标的重要性程度, 尽量避免人为赋权所带来的影响, 让各评价指标最终所被赋予的权重更加合理且更加符合客观实际.
本文将运用犹豫模糊的信息熵及其交叉熵建立相应的指标权重模型, 其具体计算步骤如下:
Step 1. 第
Step 2. 运用式(3), 计算各评价指标的信息熵
Step 3. 运用式(4), 计算评价指标
Step 4. 由犹豫模糊信息熵及交叉熵理论可知, 评价指标
求解该模型, 并进行归一化处理, 可以得到各决策指标的标准权重如下:
显然它满足
Step 5. 根据应急决策专家对决策影响大小的权重
Step 6. 最后得到各评价指标的权重集合
各网络舆情突发事件的综合危害得分的计算步骤如下:
Step 1. 运用式(1)得到各决策专家在网络舆情突发事件
其中,
Step 2. 运用式(2)计算各网络舆情突发事件中的各评价指标的犹豫模糊评估分值
Step 3. 令
Step 4. 最后根据各网络舆情突发事件的综合评估分值对其综合危害性的高低进行排序, 进而为政府应急部门的确定处理顺序提供合理依据.
城市A的网络舆情监测站点监测到可能爆发的4个网络舆情突发事件
由于各决策专家受时间压力以及对舆情事件各信息掌握的不全面、不准确, 往往难以及时地对各指标给出精确的评估值, 因此允许各专家对决策指标给出一个或多个评价值. 本文选取区间
综合危害评估分值对应的等级标准
综合危害评估分值 | [0.8, 1] | [0.6, 0.8] | [0.4, 0.6] | [0.2, 0.4] | [0, 0.2] |
综合危害等级评定 | 很高 | 高 | 中等 | 低 | 很低 |
根据给定的评估等级, 邀请3位决策专家对可能爆发的4个网络舆情突发事件的6个评价指标给出相应的评价值, 如
第一位决策专家对各舆情事件的犹豫模糊评价值
舆情事件广度 | 舆情事件敏感度 | 舆情事件易爆度 | 舆情事件扩散速度 | 舆情事件可能持续时间 | 舆情事件次生灾害发生 | |
舆情事件1 | {0.7} | {0.3, 0.4} | {0.9} | {0.6} | {0.1, 0.2} | {0.7} |
舆情事件2 | {0.8} | {0.1, 0.2} | {0.3} | {0.6, 0.8} | {0.5} | {0.7, 0.8} |
舆情事件3 | {0.3, 0.4} | {0.8} | {0.5, 0.6} | {0.8} | {0.4, 0.5} | {0.2} |
舆情事件4 | {0.5, 0.6} | {0.6, 0.7} | {0.7, 0.8} | {0.5} | {0.3, 0.4} | {0.5} |
第二位决策专家对各舆情事件的犹豫模糊评价值
舆情事件广度 | 舆情事件敏感度 | 舆情事件易爆度 | 舆情事件扩散速度 | 舆情事件可能持续时间 | 舆情事件次生灾害发生 | |
舆情事件1 | {0.8} | {0.3} | {0.7, 0.8} | {0.1} | {0.5, 0.7} | {0.7} |
舆情事件2 | {0.1, 0.2} | {0.5, 0.6} | {0.8} | {0.3, 0.4} | {0.7, 0.8} | {0.3} |
舆情事件3 | {0.3} | {0.6} | {0.8} | {0.5, 0.6} | {0.3, 0.4} | {0.4, 0.5} |
舆情事件4 | {0.7, 0.8} | {0.4, 0.5} | {0.5, 0.6} | {0.8} | {0.3} | {0.7, 0.8} |
第三位决策专家对各舆情事件的犹豫模糊评价值
舆情事件广度 | 舆情事件敏感度 | 舆情事件易爆度 | 舆情事件扩散速度 | 舆情事件可能持续时间 | 舆情事件次生灾害发生 | |
舆情事件1 | {0.1, 0.2} | {0.7} | {0.1, 0.2} | {0.5} | {0.9} | {0.3} |
舆情事件2 | {0.6, 0.7} | {0.5, 0.6} | {0.4} | {0.2, 0.4} | {0.7, 0.8} | {0.5, 0.6} |
舆情事件3 | {0.8} | {0.4, 0.5} | {0.6} | {0.1, 0.2} | {0.6, 0.7} | {0.6} |
舆情事件4 | {0.3, 0.4} | {0.7} | {0.5, 0.6} | {0.7, 0.8} | {0.8} | {0.3, 0.4} |
为了方便计算, Xu等[
Step 1. 由4.2可得决策专家的犹豫模糊评价矩阵
Step 2. 运用式(3), 计算各应急决策指标的信息熵, 然后计算出各网络舆情突发事件在各评价指标下的平均信息熵, 计算结果如
决策专家
决策专家1 | 舆情广度
|
舆情敏感度
|
舆情易爆度
|
舆情扩散速
|
舆情可能持续
|
舆情次生灾害
|
舆情事件1 | 0.8461 | 0.9134 | 0.3709 | 0.9617 | 0.5203 | 0.8461 |
舆情事件2 | 0.6506 | 0.5203 | 0.8461 | 0.8444 | 1 | 0.7579 |
舆情事件3 | 0.9134 | 0.6506 | 0.9904 | 0.6506 | 0.9904 | 0.8036 |
舆情事件4 | 0.9904 | 0.9134 | 0.7579 | 1 | 0.9134 | 1 |
决策专家2 | 舆情广度
|
舆情敏感度
|
舆情易爆度
|
舆情扩散速
|
舆情可能持续
|
舆情次生灾害
|
舆情事件1 | 0.6506 | 0.8461 | 0.7579 | 0.3709 | 0.9783 | 0.8461 |
舆情事件2 | 0.5203 | 0.9904 | 0.5217 | 0.9134 | 0.7579 | 0.8461 |
舆情事件3 | 0.8461 | 0.9617 | 0.6506 | 0.9904 | 0.8047 | 0.9904 |
舆情事件4 | 0.7579 | 0.9904 | 0.9904 | 0.6506 | 0.8461 | 0.7579 |
决策专家3 | 舆情广度
|
舆情敏感度
|
舆情易爆度
|
舆情扩散速
|
舆情可能持续
|
舆情次生灾害
|
舆情事件1 | 0.5203 | 0.8461 | 0.5203 | 1 | 0.3709 | 0.9136 |
舆情事件2 | 0.9134 | 0.9904 | 0.9617 | 0.8816 | 0.7579 | 0.9904 |
舆情事件3 | 0.6506 | 0.9904 | 0.9617 | 0.5203 | 0.9134 | 0.9617 |
舆情事件4 | 0.9134 | 0.8461 | 0.9904 | 0.7579 | 0.5217 | 0.9134 |
决策专家
舆情广度
|
舆情敏感度
|
舆情易爆度
|
舆情扩散速度
|
舆情可能持续
|
舆情次生灾害
|
|
决策者专家1 | 0.8501 | 0.7494 | 0.7413 | 0.8641 | 0.8561 | 0.8519 |
决策者专家2 | 0.6937 | 0.9471 | 0.7301 | 0.7313 | 0.8467 | 0.8601 |
决策者专家3 | 0.7494 | 0.9182 | 0.8585 | 0.7899 | 0.6409 | 0.9447 |
Step 3. 运用式(4), 计算各网络舆情突发事件关于各评价指标的全局犹豫模糊交叉熵, 然后计算出平均犹豫模糊交叉熵, 计算结果如
Step 4. 运用式(6), 计算得到各评价指标的初始权
Step 5. 根据决策专家对应急决策影响大小的权重
Step 6. 最后得到各评价指标的权重集合
各决策指标平均交叉熵
舆情广度平均
|
舆情敏感度平均
|
舆情易爆度平均
|
舆情扩散速度平均
|
舆情可能持续时间
|
舆情次生灾害发生
|
|
决策者专家1 | 0.038 45 | 0.062 48 | 0.053 38 | 0.036 25 | 0.050 38 | 0.040 12 |
决策者专家2 | 0.055 84 | 0.036 41 | 0.061 29 | 0.057 18 | 0.053 49 | 0.035 89 |
决策者专家3 | 0.051 95 | 0.032 41 | 0.037 96 | 0.051 09 | 0.063 87 | 0.031 75 |
Step 1. 各决策专家对应急决策影响大小的权重
同理可求得剩余评价指标的加权平均集成算子.
Step 2. 运用式(2), 计算得到各决策指标的评估分值, 结果如
Step 3. 运用式(8), 计算得到各网络舆情突发事件的综合危害评估分值, 以网络舆情突发事件1为例, 其各评价指标的得分为{0.617 63, 0.491 39, 0.710 00, 0.425 56, 0.685 91, 0.606 76}, 那么网络舆情突发事件1的综合危害评估最终得分:
各舆情事件中不同决策指标的评估得分
舆情关注度
|
舆情敏感度
|
舆情易爆度
|
舆情扩散速度
|
舆情可能持续
|
舆情次生灾害
|
|
舆情事件1 | 0.617 63 | 0.491 39 | 0.7100 | 0.425 56 | 0.685 91 | 0.606 76 |
舆情事件2 | 0.597 43 | 0.457 13 | 0.613 17 | 0.485 15 | 0.695 04 | 0.562 15 |
舆情事件3 | 0.558 68 | 0.117 07 | 0.193 06 | 0.182 25 | 0.197 39 | 0.105 24 |
舆情事件4 | 0.586 10 | 0.612 75 | 0.625 41 | 0.716 65 | 0.600 95 | 0.572 25 |
同理可得所有网络舆情突发事件综合危害评估得分, 如
网络舆情突发事件综合危害评估得分
事件名称 | 舆情事件1 | 舆情事件2 | 舆情事件3 | 舆情事件4 |
最终得分 | 0.598 01 | 0.579 13 | 0.566 29 | 0.622 08 |
Step 4. 根据各网络舆情突发事件的综合危害评估分值, 对各网络舆情突发事件综合危害性的高低进行排序:
根据各网络舆情突发事件的综合危害评估分值, 可以得到网络舆情突发事件4的综合危害性评估得分最高, 对应的综合危害评估等级为高, 因此应最先处理网络舆情突发事件4, 再依序处理剩下的事件.
为了比较说明本文提出方法的有效性, 分别与文献[
使用文献[
本文考虑到在信息不完备、时间紧急的情况下, 决策者很难及时地对网络舆情突发事件的各评价指标给出精确的评估值, 提出基于犹豫模糊环境下的网络舆情突发事件应急群决策法, 使评估过程更加符合应急情况下的客观实际, 让评估结果更具合理性; 通过犹豫模糊信息熵及交叉熵构建指标权重确定模型, 能减少信息的丢失, 使权重结果更具科学性; 运用本文所提出的方法, 不仅可以得出各突发事件综合危害性得分, 为应急部门对突发事件的处置顺序提供合理依据, 还可以得到突发事件的各评价指标的评估得分, 让应急部门能够重点针对危害性分值高的评价指标, 开展具有针对性的应急决策方案, 此外本文所提出的决策方法还适用于生产安全事故及自然灾害应急预案评估如煤矿突发事故应急预案、突发山洪事故等应急预案研究, 帮助决策者在各方案中选择最佳应急方案, 具有一定的实用意义.
黄星, 刘樑. 突发事件网络舆情风险评价方法及应用. 情报科学, 2018, 36(4): 3–9.
曾润喜. 网络舆情突发事件预警指标体系构建. 情报理论与实践, 2010, 33(1): 77–80.
马哲坤, 涂艳. 基于知识图谱的网络舆情突发话题内容监测研究. 情报科学, 2019, 37(2): 33–39.
Liu DH, Wang WG, Li HY. Evolutionary mechanism and information supervision of public opinions in internet emergency. Procedia Computer Science, 2013, 17: 973–980.
周凤丽, 伍永豪. 互联网突发事件中的舆情进化机制和信息监管. 情报杂志, 2015, 34(4): 76–80, 36.
曹学艳, 张仙, 刘樑, 等. 基于应对等级的突发事件网络舆情热度分析. 中国管理科学, 2014, 22(3): 82–89.
李磊, 刘继, 张竑魁. 基于共现分析的网络舆情话题发现及态势演化研究. 情报科学, 2016, 34(1): 44–47, 57.
Zhang ZL, Zhang ZQ. An interplay model for rumour spreading and emergency development. Physica A: Statistical Mechanics and its Applications, 2009, 388(19): 4159–4166.
Xu JP, Zhang MX, Ni JN. A coupled model for government communication and rumor spreading in emergencies. Advances in Difference Equations, 2016, 2016(1): 208.
Zhao LJ, Wang Q, Cheng JJ, et al. The impact of authorities’ media and rumor dissemination on the evolution of emergency. Physica A: Statistical Mechanics and its Applications, 2012, 391(15): 3978–3987.
Shan SQ, Lin X. Research on emergency dissemination models for social media based on information entropy. Enterprise Information Systems, 2018, 12(7): 888–909.
张一文, 齐佳音, 方滨兴, 等. 非常规突发事件网络舆情热度评价体系研究. 情报科学, 2011, 29(9): 1418–1424.
高明美, 孙涛, 朱建军. 基于改进熵和新得分函数的区间直觉模糊多属性决策. 控制与决策, 2016, 31(10): 1757–1764.
付沙, 周航军, 肖叶枝, 等. 基于信息熵和灰色系统理论的区间直觉模糊多属性决策. 沈阳师范大学学报(自然科学版), 2017, 35(4): 430–434.
刘培德, 秦西友. 基于区间语言直觉模糊集及信息熵的TOPSIS方法. 经济与管理评论, 2018, 34(3): 87–94.
吴冲, 万翔宇. 基于改进熵权法的区间直觉模糊TOPSIS方法. 运筹与管理, 2014, 23(5): 42–47.
Torra V. Hesitant fuzzy sets. International Journal of Intelligent Systems, 2010, 25(6): 529–539.
Xia MM, Xu ZS. Hesitant fuzzy information aggregation in decision making. International Journal of Approximate Reasoning, 2011, 52(3): 395–407.
Xu ZS, Xia MM. Hesitant fuzzy entropy and cross-entropy and their use in multiattribute decision-making. International Journal of Intelligent Systems, 2012, 27(9): 799–822.
葛涛, 万昆, 徐莉. 基于犹豫模糊三角函数的水利项目评价. 技术经济, 2014, 33(9): 125–130.
张倩生, 谢柏林, 张新猛. 网络舆情突发事件的应急群决策方法. 统计与决策, 2016, (10): 38–41.
王应明, 阙翠平, 蓝以信. 基于前景理论的犹豫模糊TOPSIS多属性决策方法. 控制与决策, 2017, 32(5): 864–870.
Zhang YX, Xu ZS, Liao HC. Water security evaluation based on the TODIM method with probabilistic linguistic term sets. Soft Computing, 2018, doi: 10.1007/s00500-018-3276-9.