从认知论的角度分析了微博危机事件感知过程与危害

　　引 言
　　
　　学术界对于危机存在不同的定义，Barton 认为危机具有事件性,危机事件是危机爆发的导火索。传统危机管理理论一方面通过建立危机预防机制避免企业陷入危机情境，一方面关注于危机的应对以减少损失，但由于信息加工能力的限制而无法实现危机事件的快速预警。随着 Internet 的发展、Web2. 0 技术的广泛应用，使得企业通过信息搜集和加工来感知危机事件成为可能。而微博作为新兴社会媒体成为信息来源的首选，《中国社会舆情年度报告（ 2012） 》指出微博已经成为舆情事件的第一信息来源地.一方面由于微博用户来源广泛，每个用户都可能成为危机事件的“目击者”或“见证者”; 另一方面由于微博的快速信息交换,用户间“口口相传”的传播方式使得事件信息在短时间内爆炸式增长。以 2012 年 4 月爆发的“毒胶囊”事件为例，从 4 月 15 日起至 25 日的短短 11 天内，就有近 12 万人次发表（ 转发） 微博讨论该事件，而在微博平台上影响到的用户多达数千万。该事件之所以成为危机事件，还由于其对明胶生产企业、食品企业、制药企业和政府主管部门在产品、资产、声誉等各方面产生不同程度的损害。但微博信息的碎片性、去中心性和无序性使得企业难以从海量的微博中加工出危机事件，更难以判断危机事件对企业的损害。本文从竞争情报的角度，基于全信息理论和设计科学研究如何克服微博的碎片性、去中心性和无序性，测度危机事件并判断危机事件对企业的损害性，对企业危机管理实践和丰富微博信息加工理论都具有重要意义。

　　企业危机预警研究可以追溯到上世纪 60 年代，用企业财务指标的组合作为企业危机预警的依据的研究缺乏对危机事件重视。随着信息技术和互联网技术的兴起基于情报学和信息加工的危机预警研究逐渐兴起,这类研究为危机事件预警提供了一些指导性原则。公共危机事件的研究多以社会网络和系统仿真方法研究其传播结构和演变机制,缺乏对危机事件定量的判别或损害性测度的研究。微博作为一种新兴社会媒体为危机预警提供快速和来源广泛的信息，学术界对微博的研究分为 2 类： 对微博用户关系及其结构的研究，如微博用户的入度和出度的分布、地理位置和语言微博关联的影响; 对微博内容的研究，如使用 NER 从大量微博内容中识别对象.此外还有将微博数据用于某个应用目的研究，如用研究微博与股票指数之间的关系、用内容分析法研究非盈利组织如何使用微博.

　　本文首先从认识论的层次以全信息模型分析了微博危机事件作用于企业主体的过程，即如何通过微博信息来测度危机事件对企业主体的损害性。面向微博危机事件对企业主体损害性的核心问题，构建了损害性测度三维指标。依据 ISDT,本研究以全信息感知过程为核理论以损害性三维指标为需求设计了从原始微博信息到危机事件对企业主体损害性的信息加工全过程。最后用现实微博平台上抓取的数据作为语料库验证本文所提设计。

　　1 微博危机事件认知模型
　　
　　1. 1 微博危机事件的对象
　　全信息理论是认识论层次的信息概念，认为任何事物的运动状态都可以用某种符号来表示，符号之间的相互关系表示事物运动、状态变化方式.这种状态、变化方式与其所表示的事物客体联系起来，抽象的符号就具有了实际的意义。

　　符号表示的客体投射在主体上，就会体现出其对主体的效用和影响。全信息理论对象的内涵和以及在微博危机事件中的外延如表 1 所示：

　　符号集是微博内容、微博用户及其相互关系的集合。微博用户是意见主体，既可以是自然人，也可以是公司、政府机构、新闻网站、政治人物等。微博内容是信息的基本单位，包括： 用户当前状态、新闻故事、评论、兴趣相关等。符号间的相互关系表示微博用户、微博内容中的相互关系包括： 转发关系、关注关系、发布关系，它体现了意见主体和意见内容在微博平台上的运动、状态变化方式。客体是危机事件，是可能会引起组织及其员工、产品、服务、资产和声誉造成潜在巨大损失的、可被观察的突发事件.主体是对客体的观察者和客体效用的承受者，在本研究中特指受微博危机事件影响的企业。企业是从事生产、流通、服务等经济活动，以生产或服务满足社会需要，实行自主经营、独立核算、依法设立的一种盈利性的经济组织。微博危机事件从产品、供应商、销售渠道和区域位置等因素对企业主体产生影响。【表1】

　　
　　1. 2 微博危机事件的认知模型
　　图 1 的全信息模型表现了微博危机事件中符号、客体和主体间的关联。危机事件的语法信息表示符号之间的互相关系，表示事物运动状态的变化方式。符号集经清洗、加工和形式化后的语法信息可以表示成一个 2 类节点和 3 类边集组成的图 GMBS如式1.其中 Vmb表示微博内容集、Vu表示用户点集，Ec表示用户间关系边集、Ef表示微博内容间关系边集、Ep表示微博内容与用户间关系边集。【图1.1】

　　
　　符号的状态和关系与它所反映的事物客体联系起来，才使得符号信息具有实际的含义即语义信息。与客体不同，语义信息仅是客体在符号集上的反映，即表现在微博平台上的危机事件。语义信息从内容上表现为危机事件的时间、地点、领域、干系人等信息，内容项及关系谓词表示为图 GCce,Vw指内容项，Er指关系谓词如式 2; 从结构上表现为危机事件在微博平台上的信息来源者、传播者、传播路径和影响规模等信息，事件的传播结构表示为图 GSce,Vs指微博用户集，Ef指传播路径如式 3.符号的状态和关系及其含义只有与认识主体相联系，才会对主体显示其相对目的而言的效用即语用信息。语用信息即对主体的损害程度，具体表现为危机事件所表现出来的规模大小以及与企业主体的相关程度等。微博危机事件相对于企业主体的语用信息是对其感知的目标。【图2】

　　2 危机事件损害性三维测度指标
　　
　　危机事件对企业主体的损害性即图 1 中的语用信息，即整个微博危机事件感知过程的目标。如图 2 把危机事件对企业主体的分解到相互独立且又与损害性相关的三个维度： 影响力测度 c（ ）ce 、真实性测度p（ ）ce和相关性测度 rce,（ ）e,其中 ce 表示危机事件，e表示企业主体。

　　影响力测度指危机事件影响范围和强度。从空间范围可把危机事件分为： 国际危机、国内危机、区域危机和组织危机; 从时间范围可以把危机事件分为：

　　长期危机、中期危机和短期危机。危机事件的空间范围和时间范围越大其影响力越大。微博危机事件的影响力可用事件的传播范围、持续时间和用户的情感倾向测度，传播范围越大、持续时间越长、情感倾向越强烈的事件影响力越大。

　　危机事件真实性指由于传播过程中信息扭曲和失真而导致主体对危机事件结果感知的不确定性，在微博平台上即危机事件微博的发布者和传播者的主观因素造成的。真实性测度从事件发布者的可信度和传播者的真实性反馈 2 个测度指标交叉验证。信息发布者的可信度越高，则事件越真实； 越多接收者认为该事件真实可靠，则该事件越真实。

　　相关性测度指危机事件与企业的相关程度，对于危机事件的内容项与企业主体属性重合度较大则危机事件对企业的影响较大。

　　图 2 中的 8 个区间把微博危机事件按照对企业主体的损害划分为 8 个类型如表 2.图 4 中的三个测度维度按高、低划分，例如： 影响力测度 c（ ）ce = H 表示该微博危机事件具有较高影响力，而 rce,（ ）e = L 表示该事件与企业主体 e 相关度较低。【表2】

　　危机事件如果对企业主体不产生影响，只是普通的公共事件而不构成危机事件。微博危机事件感知的目标即测度其对企业主体损害性位于图 2 描述的三维空间中的位置，帮助企业主体感知危机事件并采取相应措施。

　　3 微博危机事件损害性测度设计
　　
　　3. 1 信息处理设计理论
　　 Walls 提出的 ISDT 指导信息加工设计的设计范式，它结合了解释理论、预测理论和标准化理论用于解决具体问题如图 3.本研究基于 ISDT 提出面向危机事件感知的微博信息加工模型如表 2.【图3】

　　面向危机事件感知的微博信息图式加工定义为：以全信息理论为核理论，以危机事件损害性的三维模型为元需求，对微博符号 MBS 进行加工，输出危机事件 CE 相对企业主体 E 的损害性 GH= harm ce,（ ）e的测度过程。危机事件感知的微博图式加工过程设计如图 4.
　　
　　3. 2 元设计
　　 元设计是以核理论为依据解决元需求的过程，即以图 1 所述的认知论为依据以现有的技术和方法为工具，解决危机事件对企业主体的效用问题。全信息理论把微博危机事件的感知分解为语法信息、语义信息和语用信息加工如图 4.语法信息加工的输出为语义信息加工的输入，语义信息加工的输出为语用信息加工的输入，而语法信息加工的输入来自微博符号集。【图4】

　　
　　3. 2. 1 语法层设计。语法层信息加工包括： 微博吸取、微博清洗、形式化存储。网络爬虫技术、数据库技术和数据筛选规则可有效的支持上述信息加工的实现。

　　3. 2. 2 语义层设计。语法信息 GMBS既是微博信息传播的“语法”,又可看成一个信息池，信息过载使得语法信息无法直接对企业主体产生作用。语义层加工即抽取出与特定事件的子集 GCEMBS,并表示成企业主体更易理解和应用的形式，即 GSce和 GCce两部分。

　　微博内容具有社会网络属性，即转发微博形成的转发树内的所有内容都是围绕同一个讨论主题，从语法信息 GMBS中抽取转发树的根节点集 Vmbr,用余弦相似度计算 Vmb中节点对的距离选择包含更多叶子节点的转发树根节点为聚类中心，通过层次聚类算法自下而上地生成聚类树划分出单独特定事件子集 GCEMBS如式 4.【4】

　　结构含义加工输出式3 中的 GSce,即参与事件讨论的用户集合及其在事件传播中的交互关系。并通对GCEMBS的中心化测度划分在危机事件传播过程中用户所扮演的不同角色.内容含义加工输出式 2 中的GCce,即用精炼、易理解的分词或句子集合表达危机事件的主要内容。改进现有 KEA 模型，Vcemb根节点的分词统计 tf - idf 指标和位置指标外增加中心化指标作为分词特征，以 NB 分类器抽取 GCEMBS的内容含义 GCce.

　　3. 2. 3 语用层设计。语用信息是符号表示的客体对主体的效用，即微博危机事件对企业主体的损害性。语用层加工如图 2 损害性可从影响力 c（ ）ce 、真实性 p（ ）ce和相关性 rce,（ ）e三个维度测度。

　　影响力 c（ ）ce由 3 个相互独立的指标测度： 危机事件的传播范围、危机事件的时间跨度和参与者的情感强度。传播范围测度即用社会网络统计工具统计图GSce的大小。Vcemb中的节点内容往往仅是一个表情、词或短句表达情感倾向。危机事件时间跨度测度即末条微博的时间和首条微博时间之差。在 Lin 等提出的LSPM 模型基础上，以 Vcemb中的节点为基本测度单位把用户情绪预先划分为： 支持（ 1） 、中立（ 0） 和反对（ -1）二类，并以微博的中心度指标加权和测度 GCEMBS的情感强度。

　　真实性 p（ ）ce 也由 2 个相互独立的指标测度： GSce中信息发布者的可信度和用户的可信度反馈。发布者可信度测度选择是否身份认证用户、粉丝数、微博数的指标作为判断其可信度的指标集，以此判断 GSce上中心度划分结果中信息发布者是否具有高额可信度。可信度反馈把用户情绪预先划分为： 无质疑（ 0） 、质疑（ -1） 和反对（ - 2） 二类，同样以 LSPM 模型测度其可信度情感强度，并以中心度指标加权和测度 GCEMBS的反馈可信度。

　　相关性 rce,（ ）e指用关键词匹配的方法测度危机事件和企业主体的匹配程度，即匹配内容含义 GCce与企业主体的关键词，并以关键词的权重统计 rce,（ ）e .

　　4 实例验证
　　
　　本文以新浪微博平台为语料库来源，用 C#语言程序和新浪微博开放平台提供的 API 为工具采集数据。采集到与“临湘鞭炮厂爆炸”事件相关的微博 331 条相关用户 307 名。本文还虚拟 2 个企业的关键词集合如图 5.【图5】

　　
　　4. 1 语义层设计验证
　　4. 1. 1 结构含义设计验证。复杂网络向社会网络映射的方法得到 Gcembs的结构含义 GSce如,即微博危机事件传播的路径。并用中心度测度划分了 Gcembs的传播者如表 3,可得出微博危机事件传播的规律，即某个普通用户首先发布，由意见领袖大规模传播。【表3】

　　
　　4. 1. 2 内容含义设计验证。由元设计所提出的改进 KEA 算法的微博危机事件关键词抽取技术生成该危机事件的内容含义如图 7.从图 7 基本上能看出该事件的内容梗概，但是对于内容更为复杂的事件，这种方法的可读性可进一步改进。【图7】

　　4. 2 语用层设计验证
　　4. 2. 1 事件的传播范围测度。对结构含义的计量可得有 283 人参与了该事件的传播，而有 4 688 228人可能接收到该事件的信息。

　　4. 2. 2 事件的时间跨度测度。对该微博危机事件的统计可得末条微博的时间为“2012 - 01 - 09”,而首条微博的时间为“2011 - 11 - 17”,时间跨图为 53天，表明该事件在一个较长的时间内受到关注。

　　4. 2. 3 情感强度。测度以元设计提出的测度方法对 Gcembs中微博内容的情感倾向测度，得出具有情感倾向的微博45 条，其中表示否定的 37 条（ - 1） ,表示肯定的 8 条（ 1） .且否定情感的用户的重要性加权大于肯定用户，表明该事件明显具有否定的情感倾向。从结果来看即使是表示肯定情感的微博也只是采用反语的方法，也就是俗称的“说反话”,这种情况很难用机器辨别。

　　4. 2. 4 信息发布者的可信度测度。通过对 GSce的点度中心度计算和结构分析，可以得出危机事件信息的发布者如下表 6 所示。除了用户“天益水火”为非意见领袖，其余的 4 个发布者均为媒体型意见领袖，表明该事件的发布者可信度值很高。

　　4. 2. 5 可信度反馈测度。以元设计提出的方法测度 Gcembs中的叶子节点的可信度反馈，得出具有可信度倾向的微博 6 条。其中表示否定（ - 2） 的微博数 0条，表示质疑的 6 条（ - 1） ,但表示疑问的用户在 GSce上的中心度权重教较低，表明该事件虽有少数用户质疑，但并不影响其真实性。

　　4. 2. 6 企业的相关性测度。假定企业主体 EA和EB的图式如下图8 所示，其中企业主体 EA表示乘风鞭炮厂，企业 EB表示其销售商 Y.通过 EA,EB分别与危机事件内容含义 GCce的匹配，得到 EA与危机事件具有高匹配度，而 EB仅在供应商、产品和领域与危机事件匹配。

　　4. 3 结果分析
　　危机事件“临湘鞭炮厂爆炸”对两个假定企业的损害性测度如下表 4.对与企业 EA来说，区间 I 表明该事件是其确定无疑的大灾难； 而对于企业 EB而言，区间 II 表明该事件是其供应商的大灾难，也会对其产生一定程度的影响。【表4】

　　
　　5 总结与展望
　　
　　微博出现的时间很短，从其中感知危机事件是解决危机预警的一个新思路，而危机事件的本质是对企业组织的损害，测度微博危机事件对企业主体的损害性具有应用价值。本文设计了从原始微博信息加工成危机事件信息集合，并测度其对企业主体的损害性的全过程信息加工，既为危机管理理论提出了一个新方法，又丰富了微博信息的应用研究。在未来的研究中，将进一步完善相关算法并验证其效率，例如： 以层次聚类划分微博危机事件的效率研究，改进的 KEA 算法对微博危机事件内容含义加工的研究以及改进的 LSPM算法对微博危机事件的情感强度研究。

　　参 考 文 献
　　[1] Heath R L. Crisis Management for Managers and Executives[M]. London: Pearson Education Limited,1999
　　[2] 喻国明。 中国社会舆情年度报告（ 2012） [R]. 北京： 人民日报出版社，2012
　　[3] Lovejoy K,Waters R D,Saxton G D. Engaging StakeholdersThrough Tw itter: How Nonprofit Organizations are Getting moreout of 140 Characters or Less[J]. Public Relations Review ,2012,38（ 2） : 313 - 318
　　[4] 高承实，荣 星，陈 越。 微博舆情监测指标体系研究[J]. 情报杂志，2011,30（ 9） : 66 -70
　　[5] Yamaguchi Y,Takahashi T,Amagasa T,et al. TURank: TwitterUser Ranking Based on User - Tw eet Graph Analysis[C]/ / 11thInternational Conference on Web Information Systems Engineer-ing. China: Hong Kong,2010: 240 - 253
　　[6] Li H,Sun J. Empirical Research of Hybridizing Principal Com-ponent Analysis With Multivariate Discriminant Analysis and lo-gistic Regression for Business Failure Prediction[J]. Expert Sys-tems With Applications,2011,38（ 5） : 6244 - 6253
　　[7] Hui L,Jie S. Forecasting Business Failure in China Using Case- based Reasoning w ith Hybrid case Respresentation[J]. Journalof Forecasting,2010,29（ 5） : 486 - 501
　　[8] Rong - Ho L,Yao - Tien W,Chih - Hung W,et al. Developinga Business Failure Prediction Model via RST,GRA and CBR[J]. Expert Systems with Applications. 2009,36（ 2） : 1593 -1600
　　[9] 王 伟，靖继鹏。 基于 CAS 的危机信息管理体系的构建[J].情报学报。 2008,27（ 3） : 446 -450
　　[10] 任福兵，任 屹。 企业危机信息的传播网络与控制分析---以三鹿奶粉事件为例[J]. 情报杂志，2009,28（ 7） : 194 -198
　　[11] 潘 芳，卞艺杰，潘 郁。 危机事件网络舆情传播模型及消极思潮应急对策[J]. 情报杂志，2010,54（ 15） : 40 -43
　　[12] 丁菊玲，勒中坚。 网络舆情危机事件形成因素分析[J]. 情报杂志，2010,30（ 2） : 6 -9
　　[13] 周 鹏，蔡淑琴，石双元。 微博危机事件的用户中心化研究[J]. 情报杂志，2013（ 3） : 2 -10
　　[14] Ghosh S,Srivastava A,Ganguly N. Effects of a Soft cut - offon Bode - degree in the Tw itter Social Netw ork[J]. ComputerCommunications,2012,35（ 7） : 784 - 795
　　[15] Takhteyev Y,Gruzd A,Wellman B. Geography of Twitter Net-w orks[J]. Social Netw orks,2012,34（ 1） : 73 - 81
　　[16] Jason J J. Online Named Entity Recognition Method for Micro-texts in Social Netw orking Services: A Case Study of Tw itter[J]. Expert Sytems with Applications. 2012,39（ 9） : 8066 -8070[17] Bollen J,Mao H,Zeng X. Twitter Mod Pedicts the Sock Mrket[J]. Journal of Computational Science,011,2（ 1） : 1 -8
　　[18] Waters R D,Jamal J Y. Tweet,Tweet,Tweet: A Content Analy-sis of Nonprofit Organizations'Tw itter Updates[J]. Public Re-lations Review ,2011,37（ 3） : 321 - 324
　　[19] Walls J G,Widmeyer G R,El Sawy O A. Building an Informa-tion System Design Theory for Vigilant EIS[J]. InformationSystems Research,1992,3（ 1） : 36 - 59
　　[20] 钟义信。 信息科学原理： 第三版[M]. 北京： 北京邮电大学出版社，2002[21] 刘 刚。 危机管理[M]. 北京： 中国经济出版社，2004