张卫 朱晓峰 王昊 吴志祥
摘 要:[目的/意义]开放政府是新时代下支撑社会管理的重要元素,从用户参与行为的视角剖析开放政府的认同度、互动力以及传播力,对消除政府与用户间数字鸿沟、提高用户参与度具有重要研究意义。[方法/过程]本文融合Logistic方程与Markov模型探索并预测了开放政府的用户参与行为随时间变化的趋势,并以“思想火炬”为样本官微实证了用户的参与度水平。[结果/结论]研究表明:用户参与行为间具备相互作用关系,转发行为更易受到点赞行为与评论行为的影响;融合模型能够预测用户参与行为的发展脉络,进而指导官微进行实时预警;当信息资源聚焦国际关系时,公众参与度显著提升。
关键词:Logistic方程;Markov模型;开放政府;用户参与行为;社会管理;信息资源;参与度
DOI:10.3969/j.issn.1008-0821.2020.03.008
〔中图分类号〕G203 〔文献标识码〕A 〔文章编号〕1008-0821(2020)03-0074-14
Abstract:[Purpose/Significance]Open government is an important element of supporting social management in the new era.Analyzing the recognition,interaction and communication of open government from the perspective of user participation behavior is of great significance for eliminating the digital divide between government and users and improving user participation degree.[Method/Process]Logistic equation and Markov model were combined in this paper to explore and predict the trend of user participation behavior of open government over time,and“thought torch”was taken as a sample government officials to verify the level of user participation degree.[Result/Conclusion]The results showed that there was interaction between user participation behavior and forwarding behavior was more vulnerable to praise behavior and comment behavior;the development of user participation behavior could be predicted by the integration model,and then the government official could be guided to carry out real-time early warning;when information resources focus on international relations,public participation degree would significantly increase.
Key words:open government;user participation behavior;social management;information resources;participation degree
开放政府是以民主为基石的政府治理理念,通过赋予公民政府信息、数据、文件等方式推动公众参与和社会合作继而有效地支撑社会管理效率。近代社会对开放政府理念的探索可以追溯到20世纪60年代由美国政府所颁布的《信息自由法》[1],这是政府信息公开首次得到法律形式的记载。2009年,时任美国总统的奥巴马更是率先公布了《开放政府指令》[2],使得政府数据开放在大数据时代备受瞩目。自此,开放政府透明、参与、合作的三大理念深入人心[3]。近年来,对开放政府的透明建设已初见成效,而用户对于开放资源表达态度、观点以及反馈的需求与日俱增[4],这就使得开放政府的用户参与行为显得尤为重要。
诚如王本刚等[5]在开放政府概念模型中所述,信息公开和数据开放是开放政府同一维度的两个方面,而用户参与则是开放政府最为本质的内容[6]。因此,对用户参与行为进行研究需要考虑二者在当下的发展背景。就前者来说,移动社交媒体与Web2.0的兴起[7]催生出以政府官微(Twitter、微博、微信)为代表的信息公开模式。如Mergel I等[8]强调政府官微能够充分发挥社交媒体平台作为用户参与的官方沟通机制的角色,其灵活性和拓展性能够较好适应新的发展趋势。陈强[9]则指出政府官微已经成为各国政府公众诉求回应的重要工具。而赵玲等[10]则将这种参与行为具体化,认为参与行为就是指用户借助微博信息交互平台,通过关注、被关注、评论和转发等方式获取信息、传播信息、分享信息,以实现个人信息需求和价值满足。就后者而言,互联网技术的深化形成了以政府数据平台为代表的数据开放模式[11],该模式下用户的参与方式主要包括浏览、下载、在线提问、评论或分享数据链接至Twitter、Facebook等社交網站[12]。但是,浏览、下载等属于浅层参与行为[13]且需要用户保持网页在线,而分享等深层次参与行为则需要进一步诉诸于社交网络。此外,政府数据开放在我国尚未建成统一平台[14],用户表达态度、观点难免受到不同平台间的分隔,信息交互大多也只能局限于网站内部,加之信息分享等个性化参与功能至今尚不成熟[15],这都使得用户参与性较为有限。为此,本文工作将以政府官微为切入点探讨开放政府建设过程中用户的参与行为。
随着政府开放与社会化媒体的推动[16],用户参与行为正逐渐演变为一种对信息资源价值表达的反馈行为[17],正如在社交媒体中,用户开展信息发布、转发、浏览、点赞、评论和回复等信息行为一样[18],而此种反馈行为的深入能够有效反映公众在一定时间内对开放政府态度、期望与诉求的表达[19],这就使得用户参与行为在时间脉络下的变化趋势成为衡量信息资源价值的指标[20]。然而,已有研究大多拘泥于对用户参与意愿的影响因素上(Brighton L J等[21];沙勇忠等[22];李洁等[23]),忽略了公众与政府之间交互的变化过程,这也使得用户参与行为的变化趋势难以得到精准刻画。
在政府开放的每个周期内,用户参与行为会随着信息资源价值水平的提高而逐渐上升[24],且往往会在前期产生“集聚效应”[25]后趋于平稳,故可看作种群在信息资源条件下发展的过程。众所周知,Logistic方程具有很强的随时间脉络发展的特性[26],这就使其为处理此类问题提供了研究思路。黄炜等[27]基于Logistic方程构建了微信消息转发模型,通过验证微信消息转发的影响因素为引导微信舆情提供决策参考。朱晓峰等[28]将黄炜构建的模型进行改进,通过博文与粉丝种群探索了我国政府与公众在不同领域内协同发展的现实。不难发现,按照上述研究思路为用户参与行为建立Logistic方程能够验证种群发展过程,而基于验证规律对用户参与行为进行预测,则可进一步挖掘政府开放信息资源的价值。当下,Markov模型被广泛应用于时间序列的预测问题[29-31],具有代表性的如张和平等[32]基于改进的Markov模型分析了“罗一笑事件”,对网络舆情发展趋势做出准确预测。因此,融合Logistic方程与Markov模型,可以刻画种群随时间从一个状态发展至另一个状态的过程[33],也可以精准刻画政府官微的用户参与行为种群状态的变化趋势。
综上,本文拟将Logistic方程与Markov模型融合,通过两阶段建模将Logistic方程的种群饱和度作为Markov模型的状态转移指标,探索开放政府的用户参与行为随时间发展的脉络,并以“思想火炬”为案例展开实证,为开放政府在面向用户过程中强化其各方能力水平进而有效提高用户参与度提供实践参考。
1 开放政府用户参与行为模型解析
对开放政府用户参与行为进行模型解析,是通过种群映射、两阶段模型融合以及关联行为讨论探索用户参与行为表现的过程,研究框架具体如图1所示。
如图1所示,研究框架分为以下几个步骤:第一阶段的核心是通过种群映射,对用户参与行为建立Logistic方程,结合Logistic曲线从时间序列角度探索用户参与行为并计算参与行为的种群饱和度;第二阶段的任务是将Logistic方程与Markov模型进行融合,将用户参与行为的种群饱和度作为状态转移指标建立转移矩阵,对用户参与行为进行验证和预测。最后,构建用户参与行为的关联函数,并结合已有数据对新建函数进行曲面拟合,从而讨论用户不同参与行为之间的关联。
1.1 基于Logistic方程的开放政府用户参与行为分析
开放政府的用户参与行为是一个不断增强政府信息资源认可度、互动力以及传播效能的过程。其中,点赞行为可以视作用户表达认同与支持度的行为方式,反映用户的认可度水平;评论行为视为用户发表观点的行为方式,反映政府与用户的互动力水平;转发行为视为用户传播并扩散信息价值的行为方式,反映政府信息的传播力水平[34]。因此,本文通过点赞种群、评论种群以及转发种群构建Logistic方程量化用户参与行为,从而探索开放政府认可度、互动力以及传播力的发展水平。
传统Logistic方程的增长曲线是一条S型递增曲线[35],其增长规律难以满足本文研究需求。这是因为从生态理论上来说,自然界中会出现阶段性增长、生态退化甚至种群灭绝的现象[36],这就需要从增长与衰退两个维度描绘种群变化的趋势[37-38]。而从现实意义上来说,用户的点赞、评论以及转发等参与行为可能存在多个变化周期[39]且不会随着时间无止境扩大,难以通过一条Logistic曲线进行描绘。基于此,为了更精确地描述开放政府用户参与行为,本文构建了分时段叠加的双向Logistic曲线,具体如图2所示:
如图2所示,分时段叠加的双向Logistic曲线能够反映开放政府用户参与行为种群变化的阶段性和双向性。Logistic曲线的阶段性表现为用户参与行为种群的整体变化轨迹是由若干个Logistic曲线组合而成。其中,上一阶段种群发展的末值将会是下一阶段种群发展的初值。Logistic曲线的双向性能够反映从上一阶段过渡到下一阶段是正向增长还是反向减少,此时需要引入种群饱和度的重要概念加以阐释。
种群饱和度是指在一定时区内实际种群数量占最大环境承受容量(政府所开放的信息资源可产生的最大影响价值)的比重[28]。考虑到Logistic曲线双向性的特征,本文种群饱和度的取值范围为[-100%,100%]。其中,正负号代表的是种群变化方向,数值大小代表种群饱和水平。当Logistic曲线处于递增状态时,种群饱和度由0~100%,饱和水平正向提高,种群增长趋势由快至慢,曲线的头部与尾部分别为种群数量的局部极小值和局部极大值;当Logistic曲线处于递减状态时,饱和度由0~-100%,种群饱和水平反向提高,种群衰退趋势由快至慢,曲线的头部与尾部分别为种群数量的局部极大值和局部极小值。
例如,当t∈(t0,t1)时,用户点赞行为的种群饱和度在t1时刻内达到最大,此时点赞种群数量达到局部极大值N1,能够反映开放政府在(t0,t1)内所达到的最大认可度水平。如果信息资源的认可度在t1之后进一步上升,用户点赞行为的种群饱和水平将在(t1,t2)区间内的t1时刻降为正向最小,种群数量开启新一轮快速增长(如實线所示)。反之,若t1之后信息资源的认可度开始下降,种群饱和水平将于t1时刻降为反向最小,种群数量开始快速下降(如虚线所示)。所以,如果信息资源的认可度不断提高,用户点赞种群的数量将不断上升(如图中连续实线所示),相应的,在任何一个阶段信息资源认可度的下降都会引发用户点赞种群的下降。其中,当种群处于最大饱和水平状态时,用户参与种群会面临增长或下降两极走势,分化的关键在于开放政府后续认可度、互动力、传播力的发展水平。
1.2 基于Markov模型的开放政府用户参与行为预测分析
对用户参与行为进行预测分析,是开放政府发挥信息流未来效能的重要方式,更是其进行服务力研判和社会管理预警的重要手段。考虑到用户参与行为对政府信息资源实时反馈的特点,契合Markov模型未来状态只受当前状态而不受历史状态影响的性质[41],因此,本文将通过Markov模型对开放政府的用户参与行为的系统状态进行预测分析。
第一步,利用聚类分析将各时间点种群饱和度划分为若干个等级。聚类分析法是一种无监督式的分群算法[42],是通过提取所有对象的特征进行相似度计算进而将其划分为由相近对象所组成的多个类的过程。而在聚类算法的应用中,以k-means聚类较为典型[43],其核心是在给定初始聚类的基础上计算各对象与中心之间的聚类,通过反复迭代优化计算距离的整体最小值,最终确定代表所有对象的最优聚类中心。所以,本文将借助k-means聚类对第一阶段建模求得的用户参与行为的种群饱和度进行级别划分。
第二步,凭借划分的级别获得用户参与行为种群变化的状态空间,具体过程如下:记用户参与行为种群饱和度的在t时刻所有可能状态为s1,s2,s3,…,sn,其集合E=st(t=1,2,3,…,n),表示用户参与行为种群饱和度的状态空间。设用户参与行为种群饱和度在i时刻的状态si经过k步转移到另一个不同的种群饱和度状态sj概率为p(k)ij,用户参与行为种群饱和度的转移概率为:
如式(5)所示,p(k)ij是用户参与行为种群饱和度状态变化的条件概率,反映的是处于t时刻的用户参与系统在状态si的条件下经过k步转移到状态sj转移概率,具体过程如图3所示:
如图3可知,整个转移过程可以看作用户参与系统在状态si的条件下直接经过k步转移到状态sj,也可以看作是用户参与系统首先经过(k-1)次状态转移后到达状态sj-1再由sj-1转移一次到达状态sj,还可以看作用户参与系统首先经过(k-n)次状态转移后到达状态sj-n再由sj-n转移n次到达状态sj。如此一来,在状态si与状态sj便形成了一条完整的用户参与行为Markov链条,通过对每一次转移步骤概率值的计算,所获得的最大值即为用户参与行为下一步最有可能发生的状态。具体计算公式为:
如式(6)所示,m(k)ij是指存在多少条Markov子链使得用户参与行为的种群饱和度能够从状态si经过k步转移到状态sj。mi指的是在开放政府用户参与行为的整条Markov链中,种群饱和度状态处于si的所有样本数。其中,由于处于Markov链倒数第k节的状态无法进行k步转移,故设ki为Markov链从最后一级状态起往前k级状态中种群饱和度处于si状态的样本数,如此一来,mi-ki就是指用户参与行为的种群饱和度状态处于si且能够进行k步转移的所有样本数。
第三步,通过Markov模型构建种群饱和度变化的转移概率矩阵,以此刻画不同种群饱和度等级之间的状态转换的可能性。在此之前,首先声明用户参与行为种群饱和度的转移概率具有以下性质:
2 开放政府用户参与行为实证分析
为了突显开放政府对社会管理的贡献,本文选取政府教育类官微“思想火炬”为案例进行实证。该官微单位是我国第一家专门研究文化安全与意识形态的机构,也是中国社会科学院领导下的重要思想智库[44],所开放的信息资源紧贴时政热点,故择其为样本官微分析开放政府的用户参与行为。
首先,應用PYTHON3.6的Urllib与Request模块爬取官微“思想火炬”的开放数据,时间跨度为2017年8月至2019年3月,爬取时间为2019年4月1日,共获得包含“发布时间”、“微博内容”、“点赞数”、“评论数”以及“转发数”等数据字段的17 060条数据。其次,按照月份对所爬取的数据进行组织,分别获得官微每个月的点赞数、评论数以及点赞数(如表1所示)。
2.1 基于Logistic方程的开放政府用户参与行为实证分析此部分的核心是利用分时段叠加的双向Logistic曲线求得用户参与行为的种群饱和度,为下文构建Markov模型的状态空间提供判别指标。由式(3)可知,在利用数据对方程进行迭代之前需要找到估计值的初始点,由于本文所讨论的曲线具有双向性,故有ia>ΔNa(ti)a(ti)、ib>ΔNb(ti)b(ti)、ic>ΔNc(ti)c(ti)。
由表2可知,基于分时段叠加Logistic曲线的性质,在用户参与的每一个时间索引点上都存在对应的自然变化率与最大环境承受容量,种群的变化存在增长或下降两种变化走向(+/-),并可以计算求得用户参与行为的种群饱和度随时间变化的趋势。接下来,为了进一步寻找用户参与行为的变化规律并适当预测其未来状态,下文将基于种群饱和度建立Markov模型探索其状态空间及转移过程。
2.2 基于Markov模型的开放政府用户参与行为实证分析
通过上一节的分析,笔者求得了用户参与行为在各时间内的种群饱和度,本节将构建Markov模型分析种群变化的动态趋势。在此之前,需要对各时间点上用户参与行为的种群饱和度进行分级,从而构造用户参与行为种群变化的状态空间。本文应用PYTHON3.6的k-means算法实现种群饱和度的聚类分级,使用最小欧氏距离进行聚类分析,使散点间实际距离之和最小:
将表2数据带入式(9)迭代,点赞种群、评论种群、转发种群的饱和度均形成5个聚类中心。就点赞种群而言,聚类经过11次迭代形成的中心有(3.5,0.12)、(8.5,0.26)、(12,0.14)、(15,-0.069)、(18,-0.16),平均误差20.1。就评论种群而言,聚类经过10次迭代形成的中心有(2.5,0.13)、(7,0.06)、(11,0.34)、(14.5,-0.013)、(18,-0.84),平均误差18.9。就转发种群而言,聚类经过12次迭代形成的中心有(3,0.18)、(8,0.074)、(12,-0.017)、(15,-0.023)、(18,-0.77),平均误差18.8,均已形成最佳聚类。进一步,根据聚类中心对种群饱和度进行分级(如表3所示)。
由表3可知,分级状态1、2均代表用户参与行为种群处于下降状态,其中,状态1整体区间内的种群饱和水平要大于状态2,其种群变化的剩余空间却小于状态2,故状态2的整体下降趋势较状态1更快;状态3代表种群增长与下降相互转换的转折点,其种群水平较小,既有可能快速上升,也有可能急剧下降;状态4、5均代表种群处于上升状态,其中,状态4整体区间内的种群饱和水平要小于状态5,其种群变化的剩余空间较状态5较大,故状态4的整体上升趋势较状态5更快。进一步,根据用户参与行为的种群饱和度判断其所处状态,如表4所示:
以点赞等级为例进行说明可知,表4中点赞种群处于状态1且能进行1步转移的样本数为4,其经过1步转移后能够到达1次状态1和3次状态4,故p(1)11=0.25,p(1)14=0.75。依照以上步骤并结合式(6)~(8)完成所有状态的计算,构造用户参与种群饱和度的概率转移矩阵,具体如表5所示:
如表5所示,转移概率矩阵能够反映用户参与行为的状态随时间变化的概率。进而,通过表5中的转移矩阵与第四步对概率转移矩阵的预测方式,将2019年2月数据回溯5个月(至2018年10月),结合表4验证2019年3月用户参与行为的状态是否准确,本文以点赞种群为例进行说明(如表6)。
由表6可知,用户点赞行为种群的加权最大值为0.5,对应状态为4,故点赞种群处于分级状态4。对评论种群与转发种群进行相同操作,得到评论种群的加权最大值为0.52,对应状态为2,转发种群的加权最大值为0.37,对应状态1。结合表5进行验证可知状态结果准确,说明本文对用户参与行为构造的概率转移矩阵具有较高可靠性,故可进一步对用户参与行为在未来5个月内的状态进行预测。此外,为了结合政府开放的信息资源探索种群发展规律,本文将提取近5个月来信息资源的核心内容结合种群状态进行分析。调用PYTHON3.6的Jieba模块,对所爬取的微博内容进行分词,通过统计词频抽取每个月内的高频词探讨用户参与种群的状态变化,如图4所示:
由图4可知,纵向虚线左侧为近5个月来用户参与行为的种群饱和度状态,虚线右侧是由概率转移矩阵的预测状态,横向虚线代表状态3。进一步分析可知:2018年11月,开放信息资源主要聚焦于“重庆公交车坠江”、“杜嘉班纳辱华”以及“艾滋病基因编辑婴儿”等事件,核心内容主要包括公共安全、历史文化以及人类伦理。用户的点赞行为处于状态1,种群饱和水平较大,下降速度较慢;评论与转发行为处于状态2,种群饱和水平较小,下降速度较快。此时,用户参与行为均处于不同程度的下降状态。
2018年12月,热点事件包括“苹果销售禁令”、“孟晚舟被捕”以及“南京大屠杀”等,信息资源的核心内容包括国际间法律关系、国际间科技关系以及国际间历史关系。此时,用户的点赞、评论、转发等行为均处于状态4,种群饱和水平较小,用户参与行为均处于快速上升状态。
2019年1月,热点事件包括“有期徒刑”、“氢弹之父逝世”以及“嫦娥登月”等,信息资源的核心内容包括公共安全、历史伟人以及两弹一星。此时,用户的点赞、评论、转发等行为均处于状态1,种群饱和水平较大,用户参与行为以较慢速度下降。
2019年2月,热点事件包括“翟天临学术造假”以及“春晚”,信息资源的核心内容包括学术不端以及春节。用户的点赞与评论行为均处于状态1,种群饱和水平较大,下降速度较慢;转发种群处于状态2,种群饱和水平较小,下降速度较快。此时,用户参与行为均处于不同程度的下降状态。
2019年3月,热点事件包括“两会”和“737MAX停飞”,信息资源的核心内容包括民主问政以及交通安全。用户的点赞行为处于状态4,种群饱和水平较小,上升速度较快;评论行为处于状态2,种群饱和水平较小,下降速度较快;转发种群处于状态1,种群饱和水平较大,下降速度较慢。此时,点赞行为处于快速上升状态,评论与转发行为处于不同程度的下降状态。
因此,在过去的5个月中,当政府开放的信息资源热点集中于法律、科技以及历史等国际关系时,用户参与行为能够有较好的表现。进一步,由未来5个月的预测状态可知,用户点赞种群将长期处于状态3并有可能于8月转移至状态1,说明下一阶点赞种群的变化处于波动状态并有下滑趋势,因此,需要在8月对政府官微的认可度进行实时预警;评论种群将长期处于狀态2并有可能在6月上升至状态4后于7月产生回落,说明下一阶段评论种群将在短暂的反弹上升后继续保持快速下降,因此,需要在7月对开互动力进行实时预警;转发种群将于状态1与状态2之间来回更替,说明转发种群将一直处于下降状态但下降速度的快慢不一,因此,需要从4月份开始就立即对传播力进行实时预警。
综上,政府官微的认可度、互动力以及传播力均有较大上升空间。就认可度而言,在诸如“杜嘉班纳辱华”、“国家公祭日”、“氢弹之父逝世”等事件中,官微可以开放更多有关历史典故、伟人经历以及具有思想引导价值的档案资料提高用户认同感;就互动力而言,在诸如“艾滋病基因编辑婴儿”、“苹果销售禁令”、“翟天临学术造假”等事件中,官微可以从事件的舆情影响力入手,广泛获取用户意见并促成积极舆论导向;就样本官微的传播力而言,在诸如“重庆公交车坠江”、“孟晚舟被捕”、“737MAX停飞”等事件中,官微应当利用事件本身的社会性质,充分挖掘信息资源对用户传播共享的价值。
3 开放政府用户参与行为关联分析
上文研究主要探索用户参与行为在一定信息环境内随时间发展的趋势,而用户参与行为之间是否存在关联则具有进一步研究价值。因此结合式(2)构造关于相互作用系数的关联函数:
由图5可知,图中曲面分别为用户点赞行为、评论行为以及转发行为的拟合曲面,曲面上的散点在空间中的位置对应三元变量值,结合图例R方(0.78、0.54、0.69)可知,关联模型的拟合具备较好的拟合度,故进一步由图中三元方程的参数估计得到用户参与行为种群间相互作用系数(如表7):
由表7可知,就政府官微的点赞种群而言,评论种群对其具有正向影响作用,转发种群对其具有反向影响作用。从实践意义上来说,转发行为对点赞种群的反向作用说明单靠信息资源的传播往往并不会带来更多的社会认同感,而评论行为对点赞种群的正向作用则说明互动能够进一步扩充信息资源的内涵(新观点、新态度、新意见等),继而促使用户进行点赞表达对互动内涵的认可。
就评论种群而言,点赞种群对其具有反向影响作用,转发种群对其具有正向影响作用。点赞行为对评论种群的反向作用说明用户对于自身所认可的社会事件往往不会进行深度讨论,而转发行为对评论种群的正向作用则说明信息资源的扩散能够促使用户进行深入互动。
就转发种群而言,点赞种群对其具有反向影响作用,评论种群对其具有正向影响作用,这说明了相较于具有认可度的信息资源,具有争议性和交流作用的数据往往会更受用户偏好,并驱动其转发至自身网络空间产生新的传播作用。此外,由相互作用系数的数值大小可知,转发行为更容易受到点赞行为与评论行为的作用,这就说明了信息资源的认可度与互动力会对传播力产生深远影响。
4 结 论
在开放政府的建设中,用户对信息资源的参与行为至关重要,本文通过融合Logistic方程与Markov模型进行两阶段建模探索了开放政府用户参与行为随时间变化的趋势。首先,文章提出了一种基于用户点赞、评论与转发种群的分时段叠加双向Logistic曲线,以此计算用户参与行为的种群饱和度;其次,通过对各时间点的种群饱和度进行聚类分级得到用户参与行为的状态空间,并构建Markov模型计算用户参与行为的转移概率矩阵;最后,以政府官微“思想火炬”为样本探索并预测了其用户参与行为的实际状态,对用户参与行为间的作用关系展开讨论。经过本文已有工作,不难发现:
第一,用户参与行为间具备相互作用关系,转发行为更易受到点赞行为与评论行为的影响。
通过对用户参与行为间关联模型的讨论可知,点赞行为会受到评论行为的正向影响作用(2.09E-04),受到转发行为的反向影响作用(-2.79E-04);评论行为会受到点赞行为的反向影响作用(-6.10E-04),受到轉发行为的正向影响作用(9.59E-04);转发行为会受到点赞行为的反向影响作用(-0.23),受到评论行为的正向影响作用(0.5)。其中,用户转发行为更易受到点赞行为与评论行为的作用,这反映了开放政府的信息资源认可度与互动力会对传播力产生深远影响。
第二,融合模型能够预测用户参与行为的发展脉络,进而指导政府进行实时预警。
由融合模型未来5个月的预测结果可知,用户点赞种群的变化将处于波动状态(状态3)并在8月有下滑的可能(状态1),政府官微需要在8月对开放信息资源的认可度进行实时预警;用户评论种群将在6月历经短暂反弹上升(状态4)后于7月起继续保持快速下降(状态2),官微需要在7月对信息资源的互动力进行实时预警;用户转发种群将一直处于下降状态但下降速度的快慢不一(状态1、状态2),官微需要从4月份开始就立即对信息资源的传播力进行实时预警。
第三,当信息资源聚焦国际关系时,用户参与度显著提升。
当政府官微开放信息资源的热点集中于国际间法律关系、科技关系以及历史关系时,用户参与的点赞种群、评论种群以及转发种群均处于状态4,具备较小的正向饱和水平,种群处于快速上涨状态,表明聚焦于国际关系的政府信息资源更有益于促进用户参与度的提高。
参考文献
[1]Luscombe A,Walby K,Lippert R K.Brokering Access Beyond the Border and in the Wild:Comparing Freedom of Information Law and Policy in Canada and the United States[J].Law & Policy,2017,39(3):259-279.
[2]Catlaw T J,Sandberg B.‘Dangerous Government:Info-Liberalism,Active Citizenship,and the Open Government Directive[J].Administration & Society,2015,46(3):223-254.
[3]赵润娣.政府信息公开领域新发展:开放政府数据[J].情报理论与实践,2015,38(10):116-121.
[4]宋雪雁,张祥青,管丹丹,等.基于MUSA模型的政府网站知识服务质量用户满意度实证研究[J].图书情报工作,2018,62(23):32-42.
[5]王本刚,马海群.开放政府理论分析框架:概念、政策与治理[J].情报资料工作,2015,(6):35-39.
[6]汪庆怡,高洁.面向用户服务的美国政府开放数据研究及启示——以美国Data.gov网站为例[J].情报杂志,2016,35(7):145-150.
[7]Xu H,Qian C.Study on Social Media Applications By Government in Hong Kong[C]//International Conference on Theory & Practice of Electronic Governance.New York:ACM,2012:267-270.
[8]Mergel I,Greeves B.Social Media in the Public Sector Field Guide:Designing and Implementing Strategies and Policies[M].New York:John Wiley & Sons,2012.
[9]陈强.政务新媒体政策研究的国内外进展及未来取向[J].情報杂志,2018,37(11):76-80.
[10]赵玲,张静.微博用户行为研究的多维解析[J].情报资料工作,2013,(5):65-70.
[11]Milic P,Veljkovic N,Stoimenov L.Comparative Analysis of Metadata Models on E-government Open Data Platforms[J].IEEE Transactions on Emerging Topics in Computing,2018,(3):1-1.
[12]周军杰.需求导向的中国政府数据开放研究[J].电子政务,2014,(12):61-67.
[13]刘国敏.图书馆微博社区的用户参与行为研究[J].图书馆论坛,2014,34(1):57-61.
[14]沈晶,韩磊,胡广伟.政府数据开放发展速度指数研究——基于我国省级政府数据开放平台的评估[J].情报杂志,2018,37(11):156-163.
[15]吴钢,曾丽莹.国内外政府开放数据平台建设比较研究[J].情报资料工作,2016,(6):75-79.
[16]韩普.社会化媒体环境下公众参与智慧城市管理的众包概念模型研究[J].现代情报,2018,38(7):19-24.
[17]Bobbio L.Designing Effective Public Participation[J].Policy and Society,2018,(1):1-17.
[18]叶凤云,邵艳丽,张弘.基于行为过程的移动社交媒体用户信息质量评价实证研究[J].情报理论与实践,2016,39(4):71-77.
[19]陈卫东,杨若愚.政府监管、公众参与和环境治理满意度——基于CGSS2015数据的实证研究[J].软科学,2018,32(11):49-53.
[20]钱明辉,徐志轩,王珊.基于用户参与的在线健康平台信息服务质量研究[J].情报学报,2019,38(2):132-142.
[21]Brighton L J,Pask S,Benalia H,et al.Taking Patient and Public Involvement Online:Qualitative Evaluation of an Online Forum for Palliative Care and Rehabilitation Research[J].Research Involvement and Engagement,2018,(12):4-14.
[22]沙勇忠,田生芃,肖桂芳.在线公共事务讨论的用户参与行为影响因素研究[J].图书与情报,2015,(3):125-133.
[23]李洁,韩啸.公民自愿、技术接受与网络参与:基于结构方程模型的实证研究[J].情报杂志,2019,38(2):201-207.
[24]王芳,彭超然.公众集聚度与政府审计质量——基于公共选择理论的分析[J].中南财经政法大学学报,2015,(2):72-79.
[25]邓崧,葛百潞.中外政府数据开放比较研究[J].情报杂志,2017,36(12):138-144.
[26]常春,杨婧.基于生物种群增长规律的概念词频变化特征研究[J].情报科学,2018,36(10):128-132.
[27]黄炜,宋为,李岳峰.基于Logistic种群增长模型的微信消息转发影响因素研究[J].情报理论与实践,2018,41(7):78-86.
[28]朱晓峰,张卫,张琳.基于种群密度的微政务信息公开共生演化研究[J].情报学报,2018,37(8):822-835.
[29]Verma S M,Reddy V,Verma K,et al.Markov Models Based Short Term Forecasting of Wind Speed for Estimating Day-Ahead Wind Power[C]//IEEE.2018 International Conference on Power,Energy,Control and Transmission Systems(ICPECTS).Chennai,2018:31-35.
[30]饶浩,文海宁,林育曼,等.改进的支持向量机在微博热点话题预测中的应用[J].现代情报,2017,37(3):46-51.
[31]李电生,张腾飞.基于Logistic生长方程——马尔可夫模型的港口投资风险测度[J].中国管理科学,2018,26(3):33-42.
[32]张和平,陈齐海.基于灰色马尔可夫模型的网络舆情预测研究[J].情报科学,2018,36(1):75-79.
[33]郑岩岩,舒彤,陈收,等.外商直接投资趋势研究——基于灰色马尔可夫预测模型与时间序列模型的对比[J].系统工程理论与实践,2016,36(4):897-909.
[34]刘嘉琪,齐佳音,朱舸.社交媒体中企业生成内容(EGC)的社会化传播行为研究——基于内容和情感分析视角[J].情报科学,2018,36(8):135-141.
[35]张亮,张玲玲,陈懿冰,等.基于信息融合的数据挖掘方法在公司财务预警中的应用[J].中国管理科学,2015,23(10):170-176.
[36]Dax T,Fischer M.An Alternative Policy Approach to Rural Development in Regions Facing Population Decline[J].European Planning Studies,2018,26(2):297-315.
[37]Matis J H,Kiffe T R,Werf W V D,et al.Population Dynamics Models Based on Cumulative Density Dependent Feedback:A Link to the Logistic Growth Curve and a Test for Symmetry Using Aphid Data[J].Ecological Modelling,2009,220(15):1745-1751.
[38]Jolicoeur P,Pontier J.Population Growth and Decline:A Four-Parameter Generalization of the Logistic Curve [J].Journal of Theoretical Biology,1989,141(4):563-571.
[39]唐强荣,徐学军,何自力.生产性服务业与制造业共生发展模型及实证研究[J].南开管理评论,2009,12(3):20-26.
[40]庞博慧.中国生产服务业与制造业共生演化模型实证研究[J].中国管理科学,2012,20(2):176-183.
[41]张耀辉,周森鑫,李超.多态有奖马尔可夫学术期刊动态评价模型研究[J].情报理论与实践,2016,39(5):46-52.
[42]王若佳,魏思仪,赵怡然,等.数据挖掘在健康医疗领域中的应用研究综述[J].图书情报知识,2018,(5):114-123.
[43]翟姗姗,许鑫,夏立新.融合链接分析和内容分析视角的主题门户网站信息组织研究——以国际组织WHO为例[J].情报学报,2017,36(8):821-833.
[44]陈晨.国家文化安全与意识形态建设研究中心开通官方微博[EB/OL].中国青年网,2013-12-26.http://news.youth.cn/gn/201312/t20131226_4446270.htm,2019-04-23.
(责任编辑:陈 媛)