李金澤　夏一雪　張鵬等

DOI：10.3969/j.issn.1008-0821.2021.09.012

[中圖分類號]G206 [文獻標識碼]A [文章編號]1008-0821（2021）09-0115-12

1現(xiàn)狀分析

隨著移動互聯(lián)網(wǎng)的普及，社交媒體對人們生活的影響日益加大，微博作為典型的社交媒體之一，具有開放、虛擬、互動以及便捷的特性，借助現(xiàn)代移動智能終端的便捷性，逐漸成為重要的突發(fā)事件網(wǎng)絡(luò)輿情源生地和助推器。掌握突發(fā)事件微博輿情傳播規(guī)律，對突發(fā)事件微博輿情的傳播影響機制進行階段化、精細化和深刻化的研究，可為政府治理突發(fā)事件以及引導(dǎo)微博輿情提供理論支持。

突發(fā)事件微博輿情作為一個交叉研究領(lǐng)域，兩者的結(jié)合吸引了大量的傳播學(xué)、社會學(xué)、數(shù)學(xué)和計算機學(xué)等多個學(xué)科學(xué)者的關(guān)注，目前，國內(nèi)外學(xué)者針對突發(fā)事件微博輿情傳播已經(jīng)開展了較多研究，對這些研究成果進行共被引網(wǎng)絡(luò)聚類分析，如圖1所示，主要分為4個方面：①突發(fā)事件微博輿情傳播模式和規(guī)律，包括：直線式、分裂式和矩陣式等微博傳播模式，傳播規(guī)律呈Logistic模型的‘S型曲線，符合信息生命周期理論等;②突發(fā)事件微博輿情的研究方法，包括：主題分析、情感分析和SNA等，分析微博用戶對實發(fā)事件的情感態(tài)度，發(fā)現(xiàn)微博輿情主題演變規(guī)律;③突發(fā)事件微博輿情預(yù)警與監(jiān)測方法，包括：構(gòu)建微博輿情預(yù)警指標體系，基于突發(fā)事件危險等級劃分監(jiān)測順序，通過微博輿情監(jiān)測進行事件畫像與高危人群預(yù)測等;④對于突發(fā)事件微博輿情政府的引導(dǎo)策略，包括：政府依靠官方微博賬號進行新聞宣傳工作，聯(lián)合意見領(lǐng)袖引導(dǎo)民眾觀點，突發(fā)事件發(fā)生后及時進行事件真相的介紹與跟進等。綜上而言，對于突發(fā)事件微博輿情方面，大多學(xué)者集中于整體的、靜態(tài)的視角下進行研究，需要進一步開展對微博輿情傳播階段的精細化研究和影響機制的深刻化分析。基于此，本文將微博作為突發(fā)事件輿情數(shù)據(jù)的來源和環(huán)境，研究突發(fā)事件微博輿情的傳播規(guī)律，基于Logistic模型對突發(fā)事件微博輿情傳播進行精細化分段，結(jié)合建立的微博輿情傳播因子指標體系，構(gòu)建突發(fā)事件微博輿情影響機制模型，運用結(jié)構(gòu)方程模型（SEM）研究各階段因子指標對微博輿情傳播的影響方向和程度，總結(jié)微博輿情階段化的傳播規(guī)律，為引導(dǎo)控制輿情傳播提供方向，進而促進社會穩(wěn)定。

2突發(fā)事件微博輿情傳播階段研究

2.1突發(fā)事件微博輿情傳播規(guī)律研究

目前，學(xué)術(shù)界對于微博輿情傳播階段的研究，主要是基于信息生命周期理論。生命周期是生命科學(xué)的術(shù)語，其本義是指生物體從出生、成長、成熟、衰退到死亡的全部過程。目前，對于“信息生命”探討中，普遍認為“信息生命”會像生物的生命一樣最終走向消亡，即“信息生命”的終點便是信息消亡。微博輿情也有這樣的特點，Logistic模型用來描述種群增長規(guī)律，種群的增長也經(jīng)歷了“形成期”“增長期”“穩(wěn)定期”等時期，曲線大致呈‘S型，兩者在機理層面具有一致性。本文為了研究的客觀性，根據(jù)突發(fā)事件的4種類型：自然災(zāi)害類、事故災(zāi)難類、公共衛(wèi)生事件類和社會安全事件類，在每個類型中選擇兩個事件進行數(shù)據(jù)累加，共選取8個突發(fā)事件?；诎俣戎笖?shù)對8個突發(fā)事件的微博輿情數(shù)據(jù)進行獲取，畫出微博輿情數(shù)據(jù)的累加曲線圖，如表1所示。

如表1所示，突發(fā)事件微博輿情傳播趨勢則呈“近似S型”，符合Logisitic模型的表面曲線特征，說明Logisitic模型可以研究微博輿情的傳播規(guī)律?；诖?，本文選用λ-Logistic模型，假設(shè)y為輿情信息量，時間為x，r為單位時間內(nèi)輿情信息值的增長率，由于受到網(wǎng)絡(luò)環(huán)境和政府機構(gòu)的限制，不可能無限制的增長，隨著輿情信息量地增長，增長率就在下降，r則應(yīng)是y的減函數(shù)，當Δx→0時，其微分表達式為：

3突發(fā)事件微博輿情傳播影響機制模型研究

由于微博輿情具有動態(tài)性、衍生性和多維性等特點，突發(fā)事件微博輿情傳播影響因子較為復(fù)雜，為了深入探究突發(fā)事件微博輿情傳播影響機制，掌握微博輿情傳播趨勢規(guī)律，需要進行微博輿情傳播因子假設(shè)，建立影響因子和效果因子的指標體系，進而基于SEM構(gòu)建突發(fā)事件微博輿情傳播影響機制模型，為實證分析打下理論基礎(chǔ)。

3.1微博輿情傳播因子假設(shè)

3.1.1影響因子假設(shè)

本文要對突發(fā)事件微博輿情傳播的影響因子進行假設(shè)，目前而言，國內(nèi)學(xué)者對微博輿情傳播影響因子的研究主要集中于以下4個方面：①從信源特征和信息形式視角出發(fā)，分析粉絲數(shù)、微博數(shù)、關(guān)注數(shù)對微博輿情的傳播起到中介作用;②利用多分類Logistic回歸，探究用戶特征、時間指標和環(huán)境因素這3個層面對微博輿情傳播的作用方向和作用程度;③基于ELM模型研究信息內(nèi)容（陳述型、策略型和情感型）和信息特征（引證標識和補充線索）對微博輿情傳播的影響;④基于結(jié)構(gòu)方程模型，從用戶感知、偏好和涉入3個方面研究影響微博輿情傳播意愿的因素。

通過研究以往突發(fā)事件微博輿情的傳播規(guī)律，針對微博用戶整合出了傳播用戶（X1）、博文內(nèi)容（X2）、文本特征（X3）這3個層面和11個突發(fā)事件微博輿情影響因子，構(gòu)建了影響突發(fā)事件微博輿情傳播的指標體系，如表2所示。

由于微博輿情傳播主要是通過微博用戶為信息主體，在網(wǎng)上對突發(fā)事件進行轉(zhuǎn)述和評價，加速了事件在微博中的傳播，所以要基于微博用戶的行為特征來研究。本文總結(jié)出“傳播用戶”“博文內(nèi)容”“文本特征”3個維度，從中提煉突發(fā)事件微博輿情傳播的影響因子，用于微博輿情影響機制的分析。

傳播用戶（X1）是發(fā)布微博的主體，傳播用戶這方面的影響因子，包括粉絲數(shù)（a1）、關(guān)注數(shù)（a2）、微博數(shù)（a3），這些因子影響該主體在發(fā)出微博后其他用戶的反應(yīng)程度，經(jīng)調(diào)查發(fā)現(xiàn)，粉絲數(shù)（a1）越多證明關(guān)注他的人越多，能讓更多的用戶看到發(fā)表的內(nèi)容;關(guān)注數(shù)（a2）越高證明接觸的領(lǐng)域更廣，傳播的范圍更大;微博數(shù)（a3）越高說明平時發(fā)文頻率更高，發(fā)文質(zhì)量相對較高，使事件更容易曝光。

博文內(nèi)容（X2）是微博用戶的發(fā)文詳情，博文內(nèi)容的差異將引發(fā)不同的關(guān)注和轉(zhuǎn)發(fā)。在研究相關(guān)文獻以及長期微博輿情監(jiān)測的基礎(chǔ)上，得出發(fā)文內(nèi)容這方面的影響因子，包括真實性（a4）、新奇性（a5）、內(nèi)容性（a6）、傾向性（a7）、敏感性（a8）。真實性（a4）、新奇性（a5）、傾向性（a7）往往會對該條微博的傳播量和傳播速度有很大的影響，而且微博輿情的內(nèi)容性（a6）分為事件的識別信息、處理信息和反應(yīng)態(tài)度，是對突發(fā)事件進行基礎(chǔ)描述，對事件的處理措施以及后續(xù)當事人的反應(yīng)態(tài)度，往往后兩個能引起人們的興趣，且傳播速度更快。敏感性（a8）則是指微博用戶經(jīng)常對一些明星緋聞、政府公務(wù)人員工作方面的沖突或者社會上的一些尖銳問題極其敏感，引起眾多圍觀者，進而促進輿情的傳播。

文本特征（X3）是微博內(nèi)容最直觀的呈現(xiàn)。所以這部分的因子顯得尤為重要。文本特征的影響因子，包括直觀性（a9）、話題性（a10）、博文長度（a11）。直觀性（a9）是指發(fā)文內(nèi)容有無視頻、圖片，這些都是補充信息的一種形式，使讀者有更直觀的體驗，感受事件發(fā)生經(jīng)過，因此可能會影響微博的轉(zhuǎn)發(fā)和傳播。話題性（a10）是對于發(fā)文內(nèi)容中含@標識和話題等，可能會影響到微博信息的轉(zhuǎn)發(fā)。博文長度（a11）是指發(fā)文內(nèi)容的字數(shù)，一般情況下，內(nèi)容越多，事情交代得越清楚，讀者更容易理解。

3.1.2效果因子假設(shè)

本文假設(shè)了4個微博輿情傳播的效果因子，如表3所示，分別是：評論量（b1）、點贊量（b2）、轉(zhuǎn)發(fā)量（b3）、持續(xù)時間（b4）。這4個指標用來衡量突發(fā)事件微博輿情的傳播趨勢，通過這4個指標可以以數(shù)據(jù)的形式觀察在影響因子的作用下信息流量的變化。

3.2突發(fā)事件微博輿情傳播影響機制模型構(gòu)建

本文基于結(jié)構(gòu)方程模型（SEM）構(gòu)建突發(fā)事件微博輿情傳播影響機制模型，對突發(fā)事件微博輿情的傳播因子進行測量和驗證，通過“路徑分析”和“驗證性分析”，對影響微博輿情傳播各階段的因子進行驗證性研究，估計因子結(jié)構(gòu)和因子關(guān)系，根據(jù)模型的因子權(quán)重提取各階段的關(guān)鍵因子，進而把握微博輿情的傳播路徑和影響機制。結(jié)構(gòu)方程模型是由測量模型和結(jié)構(gòu)模型兩個基本模型構(gòu)成。測量模型是觀測變量的線性函數(shù)，結(jié)構(gòu)模型是潛變量間的因果關(guān)系模型，即本文將作為因的外因潛變量設(shè)為X、作為果的內(nèi)因潛變量設(shè)為y，外因觀測變量設(shè)為a，內(nèi)因觀測變量設(shè)為b，ε與δ皆為殘差或干擾因素。本文采用常用的結(jié)構(gòu)方程模型公式，以下公式作為模型研究基礎(chǔ)。

首先，測量模型的回歸方程式（4）表示為：

最終將測量模型的矩陣方程式（5）表示為：

a=ΛaX+δ （5）

同樣地，將微博輿情傳播作為內(nèi)因潛變量，微博輿情的效果因子作為其觀測變量的正向反饋，兩者的回歸方程式（6）表示為：

b=ΛbY=ε （6）

其中，ε與X、Y及δ無關(guān)，δ與X、Y及ε也無關(guān)。Aa與Ab為觀測變量（a、b）的因素負荷量，而δ、ε為外顯變量的測量誤差。

將上文假設(shè)的影響因子和效果因子指標代入方程式（4）和（5）中，構(gòu)建突發(fā)事件微博輿情傳播影響機制模型，在測量模型中，信息流量（Y）是內(nèi)因潛變量，并通過4個效果因子（b1～b4）作為觀測變量進行測量，如表3所示;而傳播用戶（X1）、博文內(nèi)容（X2）和文本特征（X3）為外因潛變量，由a1～a11進行測量，如表2所示。最終利用Mplus軟件繪制突發(fā)事件微博輿情傳播影響機制模型圖，如圖2所示，在結(jié)構(gòu)模型中，傳播用戶（X1）、博文內(nèi)容（X2）和文本特征（X3）三者之間相互影響，共同作用于信息流量（Y）的變化。

4實證分析

4.1案例來源

2017年11月22日，有家長反映北京朝陽區(qū)管莊紅黃藍幼兒園（新天地分園）的幼兒遭遇老師扎針、喂不明白色藥片等情況并報警處理。事件曝光后經(jīng)網(wǎng)絡(luò)迅速傳播，其中謠傳更有軍隊人員參與虐童事件。相關(guān)輿情量在11月24日達到最高峰，在11月29日出現(xiàn)次高峰，截至12月1日事件輿論區(qū)域平息，圖3為該事件發(fā)生前后微博平臺中點贊、轉(zhuǎn)發(fā)和評論信息的統(tǒng)計數(shù)據(jù)。本研究以新浪微博為研究對象，采用Python爬蟲的搜集方法對“紅黃藍事件”進行數(shù)據(jù)采集，檢索時間篩選為2017年11月21日—12月3日，采集共獲得原創(chuàng)微博703條，其中評論量有89.9萬，點贊量162.5萬，轉(zhuǎn)發(fā)量有17.8萬，總計共有270.2萬，部分數(shù)據(jù)采集結(jié)果如圖4所示。

4.2紅黃藍事件微博輿情傳播階段劃分

根據(jù)上文爬取的紅黃藍事件實際數(shù)據(jù)，本文將點贊量、評論量和轉(zhuǎn)發(fā)量三者疊加值作為微博輿情信息量，代入λ-Logistic模型，仿真出微博輿情傳播的5個階段，擬合出紅黃藍事件微博輿情傳播趨勢，得到各參數(shù)值的最優(yōu)解為：y=2727500，r=1.4221，λ=5.8876。由此得到其微分方程為：

將式（7）中的各個參數(shù)值帶入P、P₁、P₂、P₃、P₄中，則計算出各個橫坐標的節(jié)點為：

x₁=0.1651，x₂=1.5571，x₃=6.2074，x4=7.9296，xm=3.8823（增速最大點）

則紅黃藍事件的第一階段為萌芽期[0，0.1651]，第二階段為潛伏期[0.1651，1.5571]，第三階段為爆發(fā)期[1.5571，6.2074]，第四階段為緩解期[6.2074，7.9296]，第五階段為飽和期[7.9296，+∞]，由圖5所示微博輿情傳播將經(jīng)歷這幾個階段最終達到飽和。

4.3紅黃藍事件微博輿情傳播影響機制模型分析

4.3.1數(shù)據(jù)預(yù)處理

首先，要獲取模型的15個因子的基礎(chǔ)數(shù)據(jù)：①通過Python構(gòu)建細粒度情感分析的程序，將發(fā)文內(nèi)容輸入，得出各條微博的傾向性;②通過Py-thon爬蟲直接獲取微博的轉(zhuǎn)發(fā)量、點贊量、評論量、發(fā)文內(nèi)容、照片、視頻、話題和各用戶的粉絲數(shù)、關(guān)注數(shù)、微博數(shù)等數(shù)據(jù)。

其次，為了得到能在結(jié)構(gòu)方程模型中直接應(yīng)用和運算的有效數(shù)據(jù)，本文使用德爾菲法，對紅黃藍事件的15個因子的初始數(shù)據(jù)進行二次處理。結(jié)合突發(fā)事件的發(fā)展特征和模型運行特點，將模型中15個因子的數(shù)值轉(zhuǎn)化為1～5分，分為5個等級。

最后，基于前面的精細化分段，將上述處理好的數(shù)據(jù)分成5部分，在對整體數(shù)據(jù)進行信度檢驗和驗證性分析后，再分段提取影響較大的指標。

4.3.2信度檢驗

模型的合理性需要進行信度檢驗，一般用α系數(shù)（即Cronbach a系數(shù)）來衡量數(shù)據(jù)信度的大小，α系數(shù)越大，數(shù)據(jù)信度越高，α系數(shù)大于0.7作為數(shù)據(jù)信度是否可接受的分界線，將紅黃藍事件的數(shù)據(jù)進行信度檢驗后，分析結(jié)果如表4所示，變量依次都大于0.7，能夠說明數(shù)據(jù)具有較好的可靠性，紅黃藍事件微博輿情傳播影響機制模型的信度檢驗可以通過。

4.3.3驗證性分析與調(diào)整

本文利用驗證性因子分析（Confirmatory Factor Analysis，CFA）來檢驗紅黃藍事件微博輿情傳播影響機制模型收斂效度。在驗證性因子分析中，效度水平可以由模型的擬合指數(shù)和標準化因子載荷系數(shù)來檢驗。評估收斂效度的標準共有3項：①所有標準化的因子荷載（Standard Regression Weights）要大于0.5，且達到顯著水平;②組合信度（CR）要大于0.6;③平均變異抽取量（AVE）要大于0.5。

第一次驗證性因子分析檢驗的結(jié)果如表5所示，持續(xù)時間（b4）的標準化載荷值小于0.5，因此將該項刪除之后進行第二次驗證性因子分析。

刪除b4之后進行第二次驗證性分析結(jié)果，如表6所示，根據(jù)載荷值計算得出4個部分的CR在0.812～0.948之間，均大于0.6的標準，AVE在0.586～0.858之間，均大于最低標準0.5，證明紅黃藍事件微博輿情傳播影響機制模型收斂效度符合標準。

4.3.4紅黃藍事件微博輿情傳播階段化分析

本文采用MPLUS進行紅黃藍事件微博輿情傳播影響機制模型的路徑分析，表7為模型的擬合結(jié)果，與結(jié)構(gòu)方程模型的標準值相比，擬合指標均符合標準，說明模型擬合度高，適合分析。

對模型進行整體的信效度分析和驗證性因子分析后，如圖6所示，這是整個紅黃藍事件微博輿情傳播過程中，傳播用戶（X1）、博文內(nèi)容（X2）、文本特征（X3）對信息流量（Y）的影響路徑權(quán)重和各觀測變量的載荷值。結(jié)果表明：傳播用戶（X1）對信息流量（Y）有顯著正向影響（β=0.235，p=0.000<0.001），博文內(nèi)容（X2）對信息流量（y）有顯著正向影響（β=0.245，p=0.000<0.001），文本特征（X3）對信息流量（Y）有顯著正向影響（β=0.115，p=0.020<0.05）。

將前面階段化后的數(shù)據(jù)分別帶入模型進行分析，得到其結(jié)構(gòu)模型的階段化路徑系數(shù)和測量模型的階段化載荷值，如表8、表9所示。

根據(jù)表8和表9，將紅黃藍事件各階段載荷值大于0.85的因子指標提取出來，作為紅黃藍事件各階段的重要影響因子進行分析（有*的指標為各階段新出現(xiàn)的重要影響因子）：

1）在萌芽期，紅黃藍事件剛剛發(fā)生，網(wǎng)上輿情信息苗頭初起，微博輿情信息量增量最小，微博用戶關(guān)注度低。如表10所示，結(jié)合紅黃藍事件分析得，事件中微博內(nèi)容“新奇性”越高，微博用戶越感興趣，這條微博被轉(zhuǎn)發(fā)、評論、點贊的次數(shù)就會越多，進而形成熱點話題;事件中微博的“話題性”越強，形成轉(zhuǎn)發(fā)的概率越高，事件初期的話題熱度持續(xù)升溫，人們是比較關(guān)注這一事件發(fā)展的走向的，帶有話題的博文會更引起人們的注意，增加了轉(zhuǎn)發(fā)的可能性;在紅黃藍事件微博輿情傳播過程中有些微博含有照片、視頻等，其“直觀性”較強，起到補充說明的作用，用戶容易理解，促進微博轉(zhuǎn)發(fā)。

2）在潛伏期，紅黃藍事件繼續(xù)發(fā)酵，微博輿情信息量增量變大，微博用戶關(guān)注度提升。如表11所示，意見領(lǐng)袖出現(xiàn)，“粉絲數(shù)”和“微博數(shù)”高的微博用戶，其活躍粉絲的比例也相對較高，信息向外擴散的可能性更大，相比普通用戶，更容易促成高轉(zhuǎn)發(fā)量，說明此時“傳播用戶”的特征對突發(fā)事件的傳播有很大的影響，人們更喜歡通過官博、大V等“公眾人物”來得到關(guān)于突發(fā)事件的發(fā)展進程。比如在紅黃藍事件前期，由于章子怡和黃曉明的發(fā)聲，導(dǎo)致其粉絲持續(xù)關(guān)注該事件，強烈要求查明真相，懲治相關(guān)責任人員。

3）在爆發(fā)期，紅黃藍事件的微博輿情信息量在短時間內(nèi)快速增加，微博用戶關(guān)注度最高，網(wǎng)絡(luò)輿情熱度最高，同時事件相關(guān)的大量小道消息、猜測信息等相互碰撞，極易出現(xiàn)網(wǎng)絡(luò)流言。如表12所示，原創(chuàng)的博文內(nèi)容中“真實性”和“傾向性”往往會結(jié)合在一起，影響紅黃藍事件微博輿情的傳播，此時伴隨著極端正向或者負向情感的微博，都容易被用戶廣泛傳播，比如：一個名為“初心5566666666”的微博用戶傳播謠言，以極其憤怒的情緒將事件的責任推給“老虎團”，導(dǎo)致網(wǎng)民消極情緒上升，在微博中對“老虎團”的譴責也到達頂峰：對于微博的“內(nèi)容性”，此時微博用戶不滿足對于事件進程的基本描述，更喜歡看到事件的處理辦法和名人對這個事件的評價，比如在事件爆發(fā)后的幾天內(nèi).由于警方遲遲沒有公布監(jiān)控錄像，導(dǎo)致微博上有些明星開始對警察進行攻擊，發(fā)表極端的觀點，這種微博在爆發(fā)期傳播的速度最快。

4）在緩解期，紅黃藍事件的原因調(diào)查、事件處理和信息公開等工作已經(jīng)接近尾聲，如表13所示，與爆發(fā)期相比，事件的“粉絲數(shù)”“微博數(shù)”“新奇性”和“話題性”在這個階段影響力度不大，輿情熱度開始降低。但是由于衍生輿情的出現(xiàn)，輿情的傳播趨勢出現(xiàn)第二個“S”型，比如在2017年11月29日，紅黃藍幼兒園發(fā)聲道歉，同時北京警方公布了紅黃藍幼兒園涉嫌傷害兒童事件調(diào)查情況，導(dǎo)致又一波針對該事件的討論開始，輿情熱度再次升高，各階段的“真實性”“內(nèi)容性”和“傾向性”對于微博輿情的影響強度和爆發(fā)期一致，促進輿情傳播的又一高潮。

5）根據(jù)上文中的表9，在飽和期，沒有重要影響因子需要提取，紅黃藍事件處理完畢，沒有出現(xiàn)像緩解期的衍生輿情，微博用戶不再關(guān)注這一事件，各指標對“信息流量”的影響都不大。

5結(jié)語

為了研究突發(fā)事件微博輿情的傳播規(guī)律，精細化、深刻化地分析各個階段中突發(fā)事件微博輿情傳播影響機制，幫助政府引導(dǎo)輿情傳播趨勢，治理微博輿情生態(tài)，本文基于Logisitic-SEM構(gòu)建突發(fā)事件微博輿情傳播影響機制模型，利用Python爬取的“紅黃藍事件”實際數(shù)據(jù)，對突發(fā)事件微博輿情傳播的各個階段進行劃分，并假設(shè)檢驗影響突發(fā)事件微博輿情傳播各階段的各個因子指標，分析“傳播用戶”“博文內(nèi)容”和“文本特征”在各階段對“信息流量”的影響方向和程度。根據(jù)上文實證分析得出相應(yīng)的應(yīng)對策略，在萌芽期，由于微博平臺每天產(chǎn)生大量的輿情信息，政府和公安機關(guān)要時時進行輿情監(jiān)測，針對特定的、新奇性高的話題重點關(guān)注，防止其擴大成為熱點，難以控制;在潛伏期，政府和公安機關(guān)要關(guān)注大V這種影響力高的微博用戶，尊重并引導(dǎo)其報道真實權(quán)威信息，發(fā)揮意見領(lǐng)袖的積極作用，加強對輿情走勢引導(dǎo);在爆發(fā)期，政府和公安機關(guān)要及時發(fā)現(xiàn)情緒極端化的用戶以及發(fā)布的謠言，針對謠言進行集中澄清和階段性的輿情疏導(dǎo)，對于熱點問題，政府要利用官博揭示事實，表明自身態(tài)度，制定處理措施;在緩解期，輿情事件的熱度逐漸下降，但政府和公安機關(guān)不能放松警惕，要持續(xù)高強度的網(wǎng)絡(luò)輿情監(jiān)測，防止衍生輿情的出現(xiàn)，造成社會損失的擴大;在飽和期，政府和公安機關(guān)針對輿情事件，總結(jié)輿情傳播規(guī)律，補充相應(yīng)預(yù)案，增加有效措施。本文由于數(shù)據(jù)有限，有些因子指標未能準確量化，未來將通過完善和調(diào)整因子指標體系、不斷優(yōu)化和更新案例庫來提高突發(fā)事件微博輿情傳播影響機制模型的準確性。