网络舆情传播波动性与舆情控制策略——基于GARCH 和灰色Verhulst 方法

郭劲光，宋 宸

（东北财经大学 公共管理学院，辽宁 大连 116025）

如今随着网民数量的逐年增长和互联网普及率的逐年上升，网络成为一种双向交互式平台，为政府与公民间的互动提供空间，达到“上传下达，下情上达”的目的。这不仅在一定程度上促进了经济社会的发展，同时也为广大公民拓展了一条新的政治参与渠道，促进了我国民主法治建设的进程。公民表达利益诉求的网络参与具有匿名性、便捷性，但网络空间的平等性、虚拟性特质也会导致参与过程中的无序性和言论的非理性，造成相应的网络舆情并发展成为网络群体性事件，且其中往往伴有负面情绪的宣泄，增加了社会不稳定因素，影响社会的正常运转。党的十九大报告进一步指出，要“加强互联网内容建设，建立网络综合治理体系，营造清朗的网络空间”①人民网：http://cpc.people.com.cn/n1/2017/1028/c64094-29613660-9.html。。基于此，以政府治理需求为出口对网络舆情进行有效控制，需要同时在理论和实践层面进行科学探索，以提供新的分析技术方法和创新性思路。

一、网络舆情分析技术和阶段划分

目前网络舆情分析技术方面文献大致有以下两种：一是网络舆情控制与引导分析技术。如：贾红雨等[1]针对微博网络舆情的控制和引导问题，提出了一种基于复杂网络的图谱分析方法，即通过对微博网络模块化图谱、路径图谱和中心性图谱分析，定性和定量评估出对舆情活跃度高、传播范围广、传播速度快的微博用户节点，作为控制微博舆情的传播、引导舆情舆论导向的关键用户节点。二是网络舆情传播与扩散分析技术。比如，针对目前网络舆情传播模型存在的对网民个体状态处理过于简单、对舆情传播媒介的处理过于简化等缺陷，陈波等[2]将传统的传染病模型推广到媒体环境的开放系统中，建立了一个直接免疫的SEIR 传播控制模型，该模型通过引入直接免疫率和潜伏个体，可以更加真实地反映网民心理；通过对潜伏期个体的多样化处理，体现了网络舆情传播过程中个体之间的差异性；通过引入外部舆论场影响率表示其他传统媒体对网络舆情传播的影响，反映网络舆情传播的真实情况。此外，叶庆丹[3]则基于元胞自动机模型对网络舆情的传播模型进行分析，并结合模糊理论对舆情传播过程中个体的演变规律进行仿真验证。冯兰萍等[4]通过引入政府干预延迟参数a，构建“政府—网民—关键节点”三方博弈演化模型，并分析该类舆情演化过程中三方博弈的过程和结果，结果显示，当a 增加时，政府趋向选择“干预”策略；面对网民和关键节点的不同策略组合，不同的政府延迟干预程度对政府干预意愿产生不同影响。蒋明敏[5]指出不同舆情事件虽然有着具体的情感内容，但也有一般逻辑，对其治理是以情感为突破口的结构性社会问题的改善。袁国栋[6]结合舆情风险生命周期与社会燃烧理论，从燃烧物质和助燃剂及导火线角度，将舆情风险演化过程划分为萌发阶段、扩散阶段、爆发阶段和消退阶段，并分析了各阶段中关键属性和属性间存在的紧密关联性。在此基础上，利用知识图谱表征现实世界中的各种定义与常识，构建关联规则结构语义知识库，并引入卷积神经网络，将其当作分类器以获取舆情识别模型。利用卷积神经网络中的知识发现法实现舆情情感识别，将输出结果与舆情风险演化流程中的各阶段相对应，更显著地表现突发事件舆情风险的演化过程。

不难发现，尽管网络舆情分析技术研究成果已较为丰富，但总体而言大多以公共管理学、舆论学、社会学、情报学和传播学为学科背景，定性分析较多，通过对具体的网络舆情案例进行分析，进而总结网络舆情信息在形成、演变及传播过程中的规律，而大多数研究缺乏定量分析，使得研究结论较主观，缺乏有力的支撑依据，进而也就无法真正纳入现实应用之中，即理论与具体实践呈现割裂状态。

此外，大部分学者以信息生命周期理论为依据，即遵循事物发生、发展、成熟、消亡的普遍规律，对网络舆情事件自萌芽至消弭的传播阶段予以划分，并依照不同划分标准，将网络舆情事件的传播过程划分为三阶段、四阶段、五阶段等。三阶段的划分如兰月新等[7]、王平等[8]、李紫薇等[9]，三阶段的划分优点在于宏观概括了网络舆情传播的不同阶段，其描述简洁清晰，然而却对网络舆情传播阶段中常有的舆情反复现象等有所忽略，在理论研究与现实应用中显得不够严谨。四阶段的划分如谢耘耕等[10]、李菲等[11]，五阶段的划分如谢科范[12]等，在三阶段基础上的进行更为细致的多阶段划分，对网络舆情的传播阶段予以更加全面细致的阐述，如舆情事件的爆发阶段、反复阶段等，但目前在实践过程中，各阶段的划分仍离不开主观研判。

综上，本研究拟以网络舆情传播的波动性特质为突破口，以“假疫苗事件”为研究样本，利用GARCH模型对网络舆情事件的传播波动性进行剖析，并将在此基础上，研究网络舆情在潜伏期、爆发期、反复期和消弭期四个不同阶段的控制策略。

二、研究设计：样本与数据

本文选取“假疫苗事件”作为研究对象，该事件是近年来较为典型的突发性网络舆情事件，且传播时间较长，不同传播阶段所展现的舆情热议度有较为明显的时间节点，便于分阶段讨论传播过程中舆情信息趋势走向，因此仍具有较高的研究价值。

本文研究数据来源于新浪微指数和百度指数。微指数是新浪微博的数据分析工具，基于微博大数据，将微博提及、阅读、互动指标数据加权得出①参见http://data.weibo.com/index/newindex?visit_type=help。，通过热词指数可检索舆情事件关键词的每日新浪微博热议度，而且该指数是基于关键词的提及频率且考虑到反垃圾机制及舆情口碑后得出的综合指数指标。根据新浪第四季度及全年财报，作为目前国内最大的社区类APP，截至2021 年第四季度末，微博活跃用户已达5.73 亿，庞大的用户群体通过微博这一平台，可以更加自由全面地表达其诉求，为相关研究提供了搜集社会问题和数据的新渠道。百度指数则是以海量网民行为数据为基础的数据分享平台，该平台于2006 年7 月试运行，2007 年11 月正式上线，通过该平台可查看关键词在百度的搜索规模、涨跌态势以及相关舆论变化②参见https://baike.baidu.com/item/%E7%99%BE%E5%。。简言之，微指数和百度指数不仅是大数据背景下重要的统计分析平台，更打破了以往获取数据时受到的地域限制，为相关学术研究提供了较为翔实的依据。

除了拥有海量的用户群体外，微指数和百度指数还具有以下两个优势：第一，平台数据公开透明且易于获取。第二，除了用户数量庞大之外，微博和客户端的出现，也使得新浪微博和百度搜索为广大网民提供了一个较之以往更加简单便捷获取广泛全面的信息资源共享和获取途径，且无论通过微博还是百度搜索获取信息，均无任何“门槛”，广大网民只需一个可以上网的智能手机就可随时获取想要的信息，这在解决了公民上网的时间、空间限制的同时，也使用户结构涵盖多元化社会群体，用户群体既有意见领袖，也有普通民众，信息来源更具多样性。

因此，通过微指数和百度指数得到的数据呈现出符合现实社会结构的多元化属性，更加符合高质量研究的需求。

根据“假疫苗事件”的发生时期在微指数和百度指数进行关键词检索，搜索时间段为2018 年7 月22 日至2018 年9 月23 日，得到数据集如表1 所示。

表1 “假疫苗事件”指数数据及分布

在这一时间段内，该事件在传播过程中有六个关键传播节点（如表2 所示）：

表2 “假疫苗事件”关键传播节点

“假疫苗事件”舆情事件自2018 年7 月22 日发生至2018 年9 月22 日舆情逐渐消亡，共采集到数据65 组，记为序列｛x（0）（t）｝，t=1，2，3，…，65。同时，根据上海交通大学舆情研究实验室对网络舆情热度的定义[13]，本研究将“假疫苗事件”的网络舆情热度定义为：

网络舆情热度=∑（网民关注度+网民热议度）+2

其中，网民关注度以百度搜索指数数据体现，网民热议度则通过新浪微博热议度体现。

三、基于GARCH 模型的网络舆情传播波动性分析

（一）GARCH 模型拟合

由于GARCH 模型适于拟合具有长期记忆性的异方差函数，因此将其引入本研究进行模型建立。在模型建立前为保证模型在建立过程中不影响舆情数据的波动特征，依据x（t）=x（0）（t）/50000 对数据做缩小量级处理，形成新的研究序列：{xt}，t=1，2，…，65。

如图1 所示，随着事件推进，舆情事件在形成、爆发、反复、消弭期有不同的波动变化，且这种变化在网络舆情事件出现新的进展、转机或在政府干预、媒体持续追踪报道等情况下，波动性均较为明显，呈现一定的正相关性，舆情信息的波动具有集群性，满足建立GARCH 模型的基本条件。

图1 “假疫苗事件”舆情波动序列图

如表3 所示，Jarque-Bera 统计量为2693.6976，服从自由度为2 的卡方分布，检验概率P 值为零，说明此次舆情事件的基本统计值不符合正态分布，且偏度值为5.29254，峰度值为32.96994，远高于正态分布的偏度和峰度值，说明该样本数据具有明显的尖峰厚尾特征，且由于大多数网络舆情事件属突发性事件，因此大多具有单边厚尾的特征。换言之，即由于此样本数据不符合正态分布，则现实中网络舆情事件在形成、爆发和扩散过程中，更易于爆发极端性事件。

表3 样本数据描述性统计特征

根据数据序列自相关和偏自相关图，该组样本序列中数据无明显收敛，自相关系数拖尾，偏自相关系数1 阶截尾，Q 统计量的P 值较小，趋近于零，说明序列存在自相关性。且通过向量自回归模型AR（1，2）检验，发现二阶滞后项系数并没有通过检验，故最终选择了不含截距项和趋势项的自回归模型AR（1）和AR（1，3）进行拟合。其次，通过ARCH LM检验发现，AR（1，3）模型在0.05 显著性水平下具有高阶ARCH 效应。在此基础上，通过分别拟合GARCH（1，1）、GARCH（1，2）、GARCH（2，1）、GARCH（2，2）四个常用模型来进行比较后在系数通过显著性检验的前提下，GARCH（1，1）模型最优，满足拟合优度R2和似然值越大，AIC 和SC 值应该越小的准则。最终确定了如下GARCH 模型：

对参数进行显著性检验发现，条件方差1 阶回归项在0.1 的显著性水平下显著，其余各参数则在0.05 显著性水平下显著，ARCH 项系数（0.9573）与GARCH 项系数（-0.1161）的系数之和等于0.8412，小于1，满足参数约束条件，且由于系数之和接近于1，说明该模型序列平稳，具有可预测性，也就是说，网络舆情信息的波动的条件方差序列为“长记忆”型，且网络舆情波动对外部冲击的反应函数以较为缓慢的速度递减，即网络舆情信息传播过程中，新信息的发布对网络舆情信息波动性的影响要大过于舆情信息本身的记忆性。

（二）不对称性：TGARCH/EGARCH 模型分析

由于此次“假疫苗事件”的网络舆情传播存在集簇效应，因此为了检验此次“假疫苗事件”网络舆情传播的波动非对称性，在GARCH 模型基础上调节门阈值，通过TGARCH/EGARCH 模型进行研究。结果发现，当阈值为1 时，TGARCH（1，1）结果如下：

该模型中，杠杆效应项所对应系数γ=1.4319＞0，可说明杠杆效应存在，由此足以说明在此次“假疫苗事件”中舆情的演变特征具有非对称性。在“假疫苗事件”进展过程中，当媒体或网民爆出正面消息时（εt-1＞0）时，会带来-0.0013 倍的负向冲击，且从冲击的绝对值来看虽然显著，但很小；反之，在事件进展过程中，每当有负面信息（εt-1＜0）被挖出时，负面信息则会带来一个0.8773 倍的正向冲击。也就是说，在此次“假疫苗事件”网络舆情的发展过程中，相较于正面信息爆出时舆情的波动程度来看，负面信息能够引发更多的舆论关注，且舆论波动也更大。

（三）EGARCH 模型分析

EGARCH 模型中的参数不受大于0 的约束，本文中，笔者通过指数GARCH 模型来考察网络舆情信息的波动过程。

笔者通过EVIEWS 软件调试不对称值，通过对系数显著性和拟合优度进行比较，得到指数GARCH（2，1）模型更优，且其系数在0.05 显著性水平下显著，输出结果如表4 所示：

表4 指数GARCH（2，1）模型拟合结果

通过指数GARCH 模型（EGARCH）可以考察网络舆情信息的波动过程，研究得出EGARCH（2，1）如下：

观察该模型，非对称效应项γ0.3786＞0，也就是说存在着非对称效应，更进一步说明该样本序列不仅具有波动集聚性，且存在杠杆效应、其波动存在非对称性。

依据TGARCH 模型和EGARCH 模型①笔者注：TGARCH 模型和EGARCH 模型有效性检验均通过了ARCH LM 检验，且P 值在5%显著性水平下显著，接受原假设，残差序列不存在ARCH 效应，消除了条件异方差性。，在“假疫苗事件”传播中，较之正面信息，负面信息更能够推进事件走势，即在传播过程中，每当有更进一步的负面信息爆出时，更能激起舆论的关注和热议。分析其原因，笔者以为，尽管当前舆情事件发生后相关部门回应已较原来更为及时主动，且由官方主动公布的负面信息在一定程度上可减少网民消极态度所造成的不良影响。然而在“假疫苗事件”中，随着事件持续发酵，越来越多负面新闻或由媒体挖出或经由网友爆料，官方回应仍具有一定的滞后性，换言之，即官方信息公开程度和主动回应性不足，这种情况下不仅易于引起公众误会和对负面信息的追问，也更易于引发广大网民的关注和热烈讨论。可见无论是通过官方还是媒体渠道及时公开相关信息和事件调查进展，积极回应网络舆论，不仅可增强相关部门的公信力，更可缩短舆论周期，使事件向良好态势发展。

四、网络舆情信息趋势仿真和阶段性控制策略

前文已提到过，由于对舆情进行四阶段划分能够更为妥帖细致地描述网络舆情事件的整体过程，因此本文采用四阶段划分法，即将“假疫苗事件”的传播过程划分为潜伏期、爆发期、反复期和消弭期。具体阶段划分如图2 所示。2018 年7 月21 日，一篇题为《疫苗之王》的文章在微信朋友圈迅速传播，并引发网民对疫苗安全问题的热议，短短一天时间其关注度已超百万。由于事件发生突然，仅有一天时间即引爆舆论，因此该事件为不存在潜伏期的突发性网络舆情事件，由于这一阶段的样本数据不足以构建相关模型，因此对该事件传播过程中的潜伏期不予以建模分析。而后7 月23 日至28 日，随着媒体持续跟进报道、相关部门多次针对该事件予以回应、网络大V 相继发声，该事件成为全民热议的网络舆情事件，这一阶段为该舆情事件的爆发期；7 月29 日至9 月9 日为反复阶段；9 月10 后，舆论逐渐平息，为此次网络舆情事件的消弭期。接下来将主要对此次事件网络舆情的后三个阶段，即爆发期、反复期和消弭期进行趋势分析。

图2 网络舆情信息演变的阶段

（一）舆情阶段性特征分析

1.事件潜伏期的网络舆情分析

“假疫苗事件”的缘起，是自媒体“兽爷”于2018年7 月21 日在其微信公众号上发布了一篇题为《疫苗之王》的文章，该文章一经发布后在微信朋友圈被迅速转发并引起广大网民针对疫苗安全问题的热议。然而由于该事件发生较为突然，属突发性网络舆情事件，即文章发出后被迅速转发、转载、传播，并引起网络热议，短短两天时间即达到关注热度高峰。与“假疫苗事件”一样，由于网络舆情事件大多具有突发性、负面性，即舆情事件经由网络曝光后迅速引发舆论热议，所以并无潜伏期。所以大多网络舆情事件可称之为突发性网络舆情事件。因此相关部门在这一阶段往往难以对网络舆情事件进行有效预警研判。

由于“假疫苗事件”在这一阶段的样本量不足，因此不予以构建相关模型。但基于以往网络舆情事件的理论与实践经验，当网络舆情事件尤其是负面事件产生时，相关部门应第一时间予以积极、及时的回应，并公开相关信息，充分满足公众的知情权，正确引导舆论走向，推进事态和网络舆论向良好方向发展，切不可视而不见、听而不闻、不予回应，以免由于网民负面情绪持续发酵从而导致舆论周期延长甚至引发群体性事件。

2.事件爆发期的网络舆情分析

“假疫苗事件”一经爆出立即引发热议，相当长一段时间内网民均对该事件保持高度关注。为了挖掘这一阶段的舆情动态特征，研究基于舆情热度数据建立了灰色Verhulst 模型进行分析。

灰色Verhulst 模型本质上是单序列一阶非线性动态模型，主要用以描述具有饱和状态的过程（即“S”型过程）。设X（0）为原始数据序列，即：

X（0）=（51.96215，27.9868，12.185775，5.914725，2.613675，2.8771）

对X（0）进行白化处理，并进一步作邻近值生成，得到其紧邻均值生成序列：

Z（1）=（25.981075，65.95555，86.0418375，95.0920875Z（1）99.356287）

构造矩阵B 和数据向量Y 如下：

利用最小二乘法对灰色Verhulst 模型的辨识参数进行求解，则：

其相应的白化方程为：

令x（1）（0）=x（0）（1）=51.96215，其时间响应式为：

则X（1）的拟合结果见表5：

表5 灰色Verhulst 模型X（1）拟合结果

由表5 可知，X（1）的平均相对误差=0.01128，说明灰色Verhulst 模型的预测数据能够与现实数据较为良好地拟合①笔者注：为了检验模型的精度，研究中分别进行了残差检验、后验差检验和关联度检验，检验结果均通过。。

根据上述仿真结果可知，对于此类公共卫生突发事件，往往存在突发性，且此类事件危害性较大，具有传播速度较快、范围较广的特点，公民对此类事件高度关注，参与度高。这一阶段舆情预警等级应为“重大”，需实现对网络舆情的全时、全面监控。政府应采取积极、及时、有效、有力的处理措施，避免公众负面情绪堆积导致舆情事件持续发酵，缩短舆情周期，避免网络舆情危机事件的发生。

3.事件反复期的网络舆情分析

尽管在网络舆情事件传播的第二个阶段即爆发期已达到舆情热度的巅峰，此后舆情热度总体呈现下降的趋势，然而在后续传播过程中，由于事件受到政府相关部门、媒体及网民等多方持续关注和对事件后续进展的持续报道，在重要传播节点上仍会引起新一轮舆论热议。具体而言，在“假疫苗事件”网络舆情传播过程中，随着舆论热度高峰过去，仍出现了五个关键的传播节点，分别为8 月6 日、17 日、20日、24 日和9 月3 日。对此，同样利用灰色Verhulst模型基于舆情热度数据进行分析。

设X（0）为原始数据序列，即：

对原始数据序列进行一次累加生成X（0）的1-A GO 序列，即X（0）的1-AGO 序列为：

对X（1）作邻近值生成，则其紧邻均值生成序列为：

生成系数矩阵B 和数据向量Y：

运用最小二乘法得到辨识参数为：

其相应的白化方程为：

即EGM（1，1）模型。

令x（1）（0）=x（0）（1）=1.093068，则 其 时 间 响 应式为：

从而进一步得到其相应的预测值为：

拟合结果见表6。

表6 灰色EGM（1，1）预测模型X（0）拟合结果

根据表6，可进一步求得X（0）的平均相对误差。说明构建的灰色EGM（1，1）预测模型预测数据能够与现实数据实现较为良好的拟合，且通过关联度、残差和后验差检验（过程省略）。

接下来运用修正后的灰色Verhulst 模型对该阶段后面的数据进行预测，解得：

由于在模型预测时，数乘变换τ=1/5*10-4，则原始值应是模拟预测值的5*104倍，即该阶段后面的网络舆情热度预测值为6298.5，这一预测结果与现实舆情趋势吻合。可以看出，在网络舆情的爆发期，网民对“假疫苗事件”的关注度仍然很高。人民网舆情频道将舆情预警等级分为重大、较大、一般三个等级①人民网：http://yuqing.people.com.cn/n1/2017/0724/c2090 43-29424805.html。。

根据上述仿真结果，在网络舆情的反复期，网民对“假疫苗事件”的关注度仍然很高，舆情预警应为“较大”，等级指标可设置为5000。政府在处理此类事件时，需及时公开相关信息，一方面可提高公众对政府的认可度，另一方面则可有效消减由于信息不对称造成的恐慌情绪。尽管此时固定的静态预警较为被动，但仍需实时对舆情事件中的传播渠道、传播态势、敏感词、重点人群等予以重点关注和疏导，以免舆论负面情绪持续激增，进而引致网络舆情危机事件的爆发。

4.事件消弭期的网络舆情分析

设X（0）为原始数据序列，即：

对原始数据序列进行一次累加生成X（0）的1-AGO 序列，即X（0）的1-AGO 序列为：

对X（1）作邻近值生成，则其紧邻均值生成序列为：

生成系数矩阵B 和数据向量Y：

用最小二乘法得到辨识参数：

其相应的白化方程为：

令x（1）（0）=x（0）（1）=0.035775，那么模型的时间响应式为：

则其相应的预测值为：

拟合结果如表7 所示。

表7 灰色EGM（1，1）预测模型X（0）拟合结果

根据表7，进一步求出X（0）的平均相对误差为，说明构建的灰色EGM（1，1）预测模型与现实数据拟合情况较好，且通过关联度、残差和后验差检验（过程省略）。

根据模型检验结果，可知所构建的灰色EGM（1，1）预测模型可靠，因此可运用该模型进一步对后期数据进行预测，结果如下：

这一阶段自9 月10 号开始，研究选取了9 月16日至9 月22 日共7 组样本数据区间进行灰色系统模型拟合分析。结果发现，随着重要事件相关信息被一一披露，且相关部门对涉及到的相关问题或人员等已有较为妥善的处置，舆论热度逐渐消退，网民注意力逐渐被新的网络热点事件分散，降低舆情预警等级较为合理。这一阶段舆情危机已处于可控范围，政府应做好事件后续收尾工作。

（二）舆情系统动力学仿真

为了在事件舆情演变各阶段不同特征的基础上探索相应的控制策略，研究基于灰色Verhulst 模型进行系统动力学分析。基本模型如下：

记参数分别为a、b，则其白化微分方程形式，

通过Vensim PLE 构造其白化形式的舆情信息系统流图（见图3）。

图3 舆情信息系统流图

基于以上模型，分别得到了事件在不同的舆情阶段下的信息热度情况，从图3 可以看出，在事件爆发期的第二日，热度值增幅达到此次舆情热度或网民关注度的最高值，舆情信息得到更加迅速的扩散及传播。之后，随着时间推移，舆情热度开始下降，网民的注意力也开始逐渐被新生的舆情事件分散。舆情事件关注热度在第七日开始下降后，在经过发酵后，在第22 日（即8 月13 日）形成发酵后的逆增长，虽然幅度不大，但是也说明了舆情在演化过程中存在反复阶段。随后的第43 日（即9 月3 日），伴随着政府调查的逐步深入和关于事件新信息的披露，网络舆情热度又一次呈爆发式增长，且比前一次波动幅度更大，说明在网络舆情事件调查进展过程中，伴随新信息和政府调查阶段性结果的公布，舆情事件会再次进入公众视野，引起新一轮网络热议。在网络舆情的最后几日，即9 月10 日后，舆情信息热度进入了消弭期，热度在不断下降，整体数值走向呈现逐渐降低的趋势，尽管仍呈现细微的波动趋势，但波动幅度不大，这是由于相关部门在事件爆发后，对事件发生的前因后果进行了及时的披露，也对舆情予以主动的回应，也就是说前期的工作已较为妥当，因此，当事件进行到这一阶段时，舆情热度呈现不断下降的趋势，相关部门只需做好收尾工作，则网民不会再关注该事件，舆情热度日趋平稳且慢慢消退，该事件逐渐淡出网民视野。

（三）网络舆情阶段性控制策略

图4 不同的舆情阶段舆情信息热度分布

所谓网络舆情控制，即不能任由网络舆论尤其带有煽动性、蛊惑性、负面性的言论随意发表。因此，我国目前的网络舆情控制多以维稳为基本导向，其本质即针对有可能经由网络引发的公共危机事件或集体事件予以预警防范。对此，笔者提出以下控制策略：

1.潜伏期：提升治理能力，做好舆情追踪和收集工作

如前所述，由于网络舆情事件的发生大多具有突发性，因此相关部门在这一阶段往往难以提前做出预警。然而，相较于前些年聚焦于困难群体的生存问题以及体制机制等网络舆情，“假疫苗事件”则反映出公共卫生安全的议题属性，类似的还有医疗、教育、食品安全等。这类网络舆情事件往往呈现出“燃点低”但“爆点多”的特点。这一方面说明随着生活水平的稳步提升，百姓开始追求更具幸福感、安全感的生活；另一方面，大多数网络舆情事件都带有明显的政府指向性，这也从侧面反映出相关部门的治理、监管水平亟待提升。在对网络舆情进行有效监管的同时，相关部门更应提升涉及民生、社会安全等领域的治理能力，防微杜渐，从而减少甚至避免相关议题转变为网络舆情事件。网络舆情事件的潜伏期往往蕴藏着舆情事件的首发起因和细节，相关部门在对网络舆论进行监测的过程中，应时刻注意对舆情尤其是较易引发网民关注的事件予以持续追踪、收集与核实，以期第一时间公布事件真相，避免网络谣言的产生和传播，以及由此引发的不必要的猜疑和恐慌。

2.爆发期：实时监测舆情，有效引导舆论

根据以往网络舆情控制的实践经验，这一时期网络舆情热度关注度达到整个舆情事件周期中的最高值，依据本研究的结果，网络舆情事件在爆发期的预警等级应为重大。这一阶段相关部门对网络舆情信息应当予以全面有效的实时监控，掌握网络舆情热点关注度演化的实时状态，并建立网络新闻发言人制度，及时主动对网民疑虑予以有效回复，并及时公布事件调查及处理进展，切不可对网络舆情声音不闻不问。政府部门更应对可能出现的激化情绪予以积极有效疏导，在鼓励网民合理利益诉求的表达的同时，通过新媒体、较有影响力的意见领袖、网络大V 引导并强化网络舆论正面走向。同时，由于突发性网络舆情事件大多具有负面性，为避免负面情绪持续堆积进而引发群体性事件，相关部门应第一时间予以积极、及时的回应，并第一时间公布相关信息，一方面消减网民疑虑，减轻网络舆情的消极情绪；另一方面也可推进事态向良好方向发展，避免由于民众与官方的信息不对称从而延长网络舆情事件周期。

3.反复期：及时公布事件处理进程，建立网络舆情回应制度

网络舆情事件进入反复期后，随着相关部门介入事件调查，网民整体关注点已由爆发期的质疑、借由网络宣泄负面情绪转向对事件进展的关注，此时相关部门一方面应对网络舆情事件的传播渠道、传播态势、敏感词、重点人群等予以较为密切的关注和疏导；另一方面网络既然提供给政府部门和网民一个双向互动交流的平台，则应建立网络舆情回应制度，转变原本的被动态势，积极主动公开事件处理进程，倾听民意，了解网民合理利益诉求，整合网民意见和建议，以网民利益为出发点和落脚点，尽快妥善解决与网民切身利益相关的问题。根据以往网络舆情事件的相关案例，不难发现，当网络舆情事件进入反复期后，较之于网络舆情事件的爆发期而言，尽管网民的关注热度值仍然较高，但整体已开始呈现下降趋势，政府部门快速响应、积极处理有助于使网络民意态度整体由消极转向积极，负面情绪得以化解，网络舆情事件也随之快速进入消弭期。

4.消弭期：政府部门公开事件最终处理结果

基于前几阶段中政府对舆情事件采取的有效处置措施，网络舆情传播进入消弭期后，事态已逐渐平息，舆情热议度呈现明显下降趋势，即网民关注度日渐降低。根据以往经验，此阶段已不会有舆情危机事件产生。政府部门应及时反思，提高危机处置能力和应急响应能力，总结事件处理经验，并及时将事件最终处理结果公之于众。