朱国庆, 陈燕, 郎坤, 王书田
大连海事大学 航运经济与管理学院，辽宁 大连 116026
收稿日期：2022-04-24
基金项目：国家重点研发计划项目(2018YFC0309600)；中央高校基本科研业务费专项资金资助项目(3132019353)。
作者简介：朱国庆(1992-)，男，山东枣庄人，大连海事大学博士研究生;
陈燕(1952-)，女，辽宁大连人，大连海事大学教授，博士生导师。

摘要：针对不确定信息下森林火灾网络舆情风险预警问题，构建基于证据推理的直觉模糊风险预警评估模型.首先，从信息生态系统的角度，识别出森林火灾事件网络舆情风险指标体系；其次，针对指标信息的不确定性和不完整性，基于模糊规则通过直觉模糊数统一描述多种指标信息；然后，利用直觉模糊熵和模糊层次分析法联合确定各级指标权重，并采用证据推理理论完成指标信息集结融合；最后，通过直觉模糊测距确定网络舆情风险预警等级，并通过效用值法确定网络舆情风险排序.通过3个现实案例分析和验证所建模型的实用性和有效性，为森林火灾网络舆情风险评估研究提供新思路和新方法.
关键词：森林火灾信息生态网络舆情风险评估不确定性证据推理
Research on Risk Warning of Network Public Opinion for Forest Fires from the Perspective for Information Ecology
ZHU Guo-qing, CHEN Yan, LANG Kun, WANG Shu-tian
School of Shipping Economics and Management, Dalian Maritime University, Dalian 116026, China
Corresponding author: CHEN Yan, E-mail: chenyan_dlmu@163.com.

Abstract: To address the risk warning of network public opinion for forest fires under uncertain information, a risk warning evaluation model based on evidential reasoning and intuitionistic fuzziness was established. Firstly, a network public opinion risk evaluation index system of forest fires was identified based on the perspective of the information ecosystem. Secondly, given the uncertainty and incompleteness of the index information in the evaluation process, the number of intuitionistic fuzziness was used to describe multiple index information by fuzzy rules. Then, the weight of the index system was calculated via intuitionistic fuzzy entropy and fuzzy analytic hierarchy process, and evidential reasoning theory was used to complete the integration of index information. Finally, the network public opinion risk level was determined by measuring the distances of intuitionistic fuzziness, and the ranking of network public opinion risks was determined by the utility value method. The practicability and effectiveness of the model were validated through three practical cases, providing new ideas and methods for the risk warning assessment of network public opinion for forest fires.
Key words: forest fireinformation ecologynetwork public opinion risk assessmentuncertaintyevidential reasoning
近年来，森林火灾事故频发，2010—2021年，全国共发生森林火灾39 656起，受灾森林面积高达20.56万公顷.森林火灾事件关乎人民群众生命财产安全，备受社会关注.民众纷纷在网络上表达自己对火灾事件的看法与态度，从而形成网络舆情.网络舆情在复杂原因的推动下容易呈现众多负面效应，造成舆论危机.通常，森林火灾事件网络舆情风险一方面表现为虚假信息、恐慌情绪和不良行为的传播，从而加剧公众的恐慌和混乱，可能会对公众的生命财产安全造成威胁；另一方面表现为舆论引导、信息误导和公众压力等，从而影响决策者的决策方向和决策效果.准确地把握突发森林火灾事件网络舆情发展态势，及时对网络舆情进行危机评估预警，可为政府正确引导和科学管控突发森林火灾事件网络舆情的发展提供有力的决策支持.因此，针对森林火灾事件网络舆情风险问题，构建有效的舆情风险预警评估机制至关重要.
1 研究述评目前，针对网络舆情预警评估问题的研究成果主要集中在网络舆情的预警评估指标体系的筛选和预警模型的构建.对于网络舆情指标体系构建的研究成果主要来自国内****，主要聚焦于以下三点^[1]：①基于舆情事件主题分类的指标体系构建^[2]；②基于舆情发生主体的指标体系构建，如高校和政府^[3]等发生主体，针对性较强；③基于网络舆情内在机理的指标体系构建，主要是从网络舆情的生命周期、演进过程和构成要素等方面展开设计的^[4].综上，目前针对网络舆情风险指标体系构建的研究成果颇丰.然而，指标体系设计中仍存在指标主观性过强、指标类型单一和底层指标量化难等问题.另外，网络舆情处于一个复杂多变的网络信息生态系统中^[1]，已有文献较少从整体-系统视角探究网络舆情风险预警指标，尤其是围绕森林火灾事件.因此，为丰富现有研究，本文从信息生态系统的角度探索影响森林火灾事件网络舆情发展的内在机理.
关于网络舆情预警评估模型的研究，国外****多借助文本挖掘相关算法和文本分析技术建立舆情评估模型^[5].然而，国内关于网络舆情预警评估模型的研究，主要从两个角度展开：一种是直接应用成熟的指标体系综合评价方法，例如，层次分析法、模糊综合评价法、BP神经网络法等^{[4, 6-7]}；另一种是对一些评估方法进行结合与改进，例如，加速遗传算法与投影寻踪相结合、灰色关联分析方法与K均值聚类以及支持向量机相结合^[8].上述方法在各自的研究领域均取得了较好的效果，但在实际的网络舆情风险预警评估过程中，存在着诸多不确定信息，例如，部分属性值难获取以及领域专家评估时由于自身知识的局限性和掌握信息的模糊性导致属性值不明确.针对不确定信息下网络舆情预警评估问题的研究目前仍处于初步研究阶段^[9]，主要存在两个方面的不足：一是语义评价信息方面，多选择仅有单一隶属度的传统模糊语言，很难准确刻画复杂决策环境下决策者的犹豫度；二是模糊信息集结方面，传统的模糊评估方法容易在信息融合的过程中丢失信息.考虑到直觉模糊集具备同时考虑隶属度、非隶属度和犹豫度信息的能力，且能够实现定性语义信息的转化^[9]；证据推理(evidential reasoning, ER)理论在逐层属性信息集结与融合过程中可降低信息冲突性与易失性^[10]，恰好可以弥补现有直觉模糊信息融合方法的不足.
基于此，本文提出基于ER理论与直觉模糊集的网络舆情风险评估模型.首先，从信息生态系统视角，分析森林火灾事件网络舆情风险特点，并从信息人、信息源、信息环境和信息管理4个维度设计预警评估体系指标；其次，采用直觉模糊熵(intuitionistic fuzzy entropy, IFE)与模糊层次分析法(fuzzy analytic hierarchy process, FAHP)联合确定指标权重；然后，针对指标信息获取的不确定性与不完整性，基于模糊规则和直觉模糊数统一描述混合指标信息，并采用ER理论完成指标直觉模糊信息集结与融合；最后，通过计算直觉模糊数的汉明距离得出网络舆情风险预警等级，并通过效用值(utility value, UV)法确定网络舆情风险排序，最终建立森林火灾网络舆情预警评估模型，并选择3个真实案例验证模型的实用性和有效性.
2 相关理论基础2.1 直觉模糊集相关理论直觉模糊集由Atanassov提出^[11]，相比于传统模糊集，它能够同时描述隶属度、非隶属度和犹豫度的信息，已被广泛运用于诸多领域的模糊多属性决策问题的研究中^[9].
定义1??设X为一个给定的论域，则X上的一个直觉模糊数定义为

(1)

式中: μ_P(x): X→[0, 1]和γ_P(x): X→[0, 1]分别为X中元素x属于P的隶属度和非隶属度，且满足0≤μ_P(x)+γ_P(x)≤1, ?x∈X; X中元素x属于P的犹豫度为π_P(x)=1－μ_P(x)－γ_P(x); μ_P(x)和γ_P(x)组成的有序对(μ_P(x), γ_P(x))称为直觉模糊数.
定义2??设b=(μ_b, γ_b), b₁=(μ_b1, γ_b1)和b₂=(μ_b2, γ_b2)为直觉模糊数，λ为任意实数，则直觉模糊数的运算法则为
1) b=(γ_b, μ_b)；
2) λb=(1-(1-μ_b)^λ, γ_b^λ)；
3) b^λ=(μ_b^λ, 1-(1-γ_b^λ))；
4) b₁+b₂=(μ_b1+μ_b2－μ_b1μ_b2, γ_b1γ_b2).
定义3??设(μ_a, γ_a)和(μ_b, γ_b)为两个直觉模糊数，其汉明距离可以表示为

(2)

2.2 证据推理基本概念ER是基于评价分析模型、Dempster-Shafer理论和传统IF-THEN规则库的证据组合规则提出的一种多属性决策理论，主要用于处理评估过程中的“未知”和“不确定”混合多属性信息的融合问题^{[10, 12]}.
定义4??设H={H₁, H₂, …, H_P}为识别框架，若集函数m: 2^H→[0, 1]满足：①m(?)=0，② ，0≤m(B)≤1，称m为H上的基本可信度分配(basic probability assignment, BPA), 也称为Mass函数.
ER理论的基本思路主要分为三步：
1) 设H={H₁, H₂, …, H_P}为证据(即评价方案的各个基本属性A_i)的识别框架，H₁, H₂, …, H_P表示证据A_i从最差到最好的所有评价等级，H_N?H表示未知信息，证据A_i的评价结果可表示为
式中, (H_k, β_k，i)表示证据A_i被评为等级H_k的置信度为β_k，i.另外，(H_N, β_{N, i})表示关于证据A_i未知评估信息H_N的置信度为β_{N, i}，其中.
2) 根据证据A_i的权重ω_i和置信度β_k，i，确定其BPA的表示方法，并基于Dempster组合规则的ER迭代算法，来合成所有证据的BPA，从而得到综合评价结果.
3) 依据效用理论得到最终的评价结果.
3 构建森林火灾网络舆情风险评估模型针对森林火灾网络舆情风险评估问题，构建如图 1所示的风险预警评估模型.
图 1(Fig. 1)

图 1 森林火灾网络舆情风险评估模型Fig.1 Network public opinion risk assessment model of forest fires

3.1 指标体系构建与指标权重计算3.1.1 森林火灾事件网络舆情风险评估指标体系构建“信息生态”的概念由Nardi和O’Day首次提出，并定义信息生态是指在特定环境下由人、实践、技术和价值共同构成的整体系统^[13].此后，****们对信息生态理论进行了不断完善^[14].鉴于信息生态理论的整体性、系统性以及前沿性，目前诸多****开始利用信息生态理论对网络舆情系统的构成和运行进行分析研究^[7].这些研究为网络舆情预警评价提供了参考.
网络舆情的生成与演化均处于一个复杂多变的信息生态系统中.在网络舆情信息生态系统中，信息源自身特征吸引信息人的参与促进了子代网络舆情信息的繁衍; 同时，网络信息环境和信息管理为网络舆情演化提供了支撑和限定.在分析影响森林火灾事件网络舆情风险的因素时，需要结合其所处的系统要素进行探讨.因此，依据信息生态系统理论，从信息人、信息源、信息环境与信息管理4个维度梳理出以下风险要素.
1) 信息人.信息发布者是信息产生的源头，信息参与者是信息网络传播的载体，发布者与参与者的网络作用力是衡量森林火灾事件网络舆情风险的关键因素.发布者作用力一般采用发布信息数量^{[1-2, 8, 15]}和发布者的情感态度^{[4, 15]}来量化；参与者作用力以参与者评论转发数量和参与者情感态度^{[4, 15]}来衡量.
2) 信息源.森林火灾危害等级、森林火灾消防/扑火人员伤亡情况是信息源的构成要素.其中，森林火灾等级^{[2, 8]}、火灾受损面积^[8]、火灾持续时长和起火原因敏感度^{[8, 15]}决定了森林火灾的危害等级；森林消防/扑火人员伤亡情况以消防员牺牲人数^[1-2]、牺牲人员的平均年龄来衡量.
3) 信息环境.信息技术环境和信息传播环境为网络舆情演化提供了动力.其中，信息工具普及率和信息工具接入率是反映信息技术环境的主要因素^[15]；意见领袖主流媒体影响力^{[1, 15]}、媒体价值取向、媒体发文更新速度和媒体传播速度^{[4, 7]}是影响信息传播环境的重要指标.
4) 信息管理.森林火灾网络舆情管控能力和应急管理能力决定了网络舆情演化趋势.其中，森林火灾网络舆情管控能力主要体现在森林火灾事件网络舆情收集能力和舆情引导能力^[15]；森林火灾应急管理能力主要体现在森林火灾预警能力^[2]、应急资源调度能力和灾民的综合满意度^{[2, 15]}.
基于此，本文根据可操作性、科学性、整体性3个指标体系构建基本原则，遵循风险预警的动态性，采用信息生态系统理论、文献调研法和Delphi法，从信息人、信息源、信息环境和信息管理4个维度对森林火灾网络舆情风险要素进行探究，最终确定7个二级指标和15个三级指标作为反映森林火灾网络舆情内在机理的风险预警评估指标体系，见图 2.
图 2(Fig. 2)

图 2 森林火灾网络舆情风险预警评估指标体系Fig.2 Network public opinion risk monitoring indicator system of forest fires

3.1.2 指标权重计算1) 基于IFE的指标客观权重计算.案例j中指标A_i的直觉模糊数μ_ij, γ_ij, π_ij，本文借助文献[16]改进的IFE法确定指标A_i客观权重.计算J个案例下指标A_i的直觉模糊熵为E_i，进而确定指标A_i的客观权重ω_i′.见式(3)和式(4).

(3)

(4)

2) 基于FAHP的指标主观权重计算.根据森林火灾网络舆情风险评估指标特点，构造模糊判断矩阵，运用线性加权法，综合相关专家的偏好判断信息构建综合判断矩阵，并进行一致性检验，最后利用置信度排序法来计算各指标的主观权重ω_i″，详细计算过程见文献[17].
3) 组合赋权.将前文获取的指标客观权重ω_i′和主观权重ω_i″进行加权计算，得到综合指标权重ω_i, 见式(5).加权系数λ一般取值为0.5.

(5)

3.2 舆情预警初始决策信息直觉模糊化森林火灾事件网络舆情预警的指标体系中包含定量和定性两类属性.为方便指标信息的综合比较和计算，首先需要根据模糊规则改进直觉模糊集对混合型信息进行规范统一，具体步骤如下.
3.2.1 基于模糊规则的指标置信度统一基于模糊规则的决策信息转化方法^[12]，将定性和定量属性信息转化到统一的置信度框架下.首先，设定指标的初始评价集即置信度框架为

(6)

其中: (H_{k, i}, β_{k, i})表示指标A_i被评为等级H_{k, i}的置信度为β_k，i，且H_{k+1, i}优于H_{k, i}；L表示指标个数；F表示评价等级个数.
1) 定量指标信息转化.对于定量指标，其最好值和最差值较容易获取，记为[H_{best, i}, H_{worst, i}]，可通过式(7)将其转化为F个等级的一般形式.

(7)

当H_{k, i}≤h≤H_{k+1, i}时，通过式(8)求得各评价级H_{k, i}的置信度β_k，i；当H_{k+1, i}≤h≤H_{k, i}时，通过式(9)求得H_{k, i}的置信度β_k，i, h表示指标数值.

(8)

(9)

2) 定性信息转化.通过式(10)提取定性指标的各评价等级置信度β_k，i.其中，q_{k, i}表示单个案例中指标A_i评为H_{k, i}等级的专家人数，Q_i表示参与评价指标A_i的专家总人数.

(10)

3.2.2 指标置信度直觉模糊化根据建立的风险等级识别框架H_k，通过文献调查法和Delphi法确定符合研究主题的F级风险等级的直觉模糊数初始评价标度R_k.然后，根据式(11)完成指标A_i的直觉模糊数P(A_i)转化.

(11)

3.2.3 指标数据缺失的处理当指标数据缺失时，设定此属性值的隶属度μ和非隶属度γ应为0，未知度π为1.
3.3 基于ER的直觉模糊信息集结本文采用ER理论对前文给出的初级指标直觉模糊数P(A_i)和权重ω_i集结融合，确定案例的综合直觉模糊数.相比传统直觉模糊融合方法，ER理论在获取最终直觉模糊数时，可以减少指标信息融合过程中的损失，保留信息不完全这一特性，省去了补全信息的繁琐.
定义5??设H={H₁, H₂}为属性的识别框架，等级H₁和H₂分别表示隶属度和非隶属度，H_N表示未知度.则(H₁, μ)表示在等级H₁的置信度为μ，(H₂, γ)表示在等级H₂的置信度为γ，(H_N, π)表示关于未知度H_N的置信度为π，简记为(μ, γ, π)，其中μ+γ+π=1.
基于ER理论的直觉模糊信息集结方法如下：
1) 计算初级指标的BPA.

(12)

(13)

(14)

(15)

(16)

式中: m_{1, i}为证据A_i在等级H₁上的BPA; m_{2, i}为证据A_i在等级H₂上的BPA; m_{N, i}为未知度的BPA.m_{N, i}和表示权重和证据本身的不完整性所导致的不完整参数.
2) 证据融合.通过ER理论融合初级指标BPA，确定单个案例的综合BPA和不完整参数m₁，m₂，，m_N.其中k=1, 2.

(17)

(18)

(19)

(20)

3) 计算综合直觉模糊数.根据式(21)~式(23)计算出单个方案综合直觉模糊数(μ, γ, π).

(21)

(22)

(23)

3.4 确定风险等级与风险排序1) 确定案例风险等级.根据定义3计算案例综合直觉模糊数与各风险等级的直觉模糊初始评价标度之间的汉明距离，并排序，距离越小，表示案例越贴近对应的风险等级.
2) 基于UV法确定风险等级排序^[12].
设置效用值.u(H_k)为评价等级H_k的效用值，见式(24).其中K为目标评价等级的数量.

(24)

效用值计算.将属性值转换为效用值u(E)：

(25)

风险等级排序.根据效用值u(E)的大小，确定风险等级排序，u(E)值越大风险越高.
4 实例分析本文以2019年以来国内发生的3次森林火灾为例，运用构建的森林火灾网络舆情风险评估模型进行实验分析.3个案例初始数据信息均通过Python爬虫技术和官方报道统计获取，详见表 1.
表 1(Table 1)

表 1 森林火灾网络舆情案例统计信息Table 1 Statistical information of network public opinion cases on forest fire 指标 案例1 案例2 案例3 数据来源 极值 最优 最差 发布信息数量A111 37 545 19 398 28 221 爬虫统计 0 100 000 发布者情感态度A112 1.28 1.32 1.29 同上 2 -2 参与者评论、转发数量A121 483 778 207 757 391 186 同上 0 1 000 000 参与者情感态度A122 0.56 0.78 0.68 同上 2 -2 森林火灾等级A211 特别重大 较大 特别重大 官方统计 一般 特别重大 火灾受损面积A212/hm2 约20 — 791.6 同上 0 1 000 牺牲人数A221/人 27 6 18 同上 0 30 牺牲成员平均年龄A222/岁 23 25 38.2 同上 60 18 起火原因 雷击失火 明火耕作 电力故障 同上 — — 注：a.案例1：3 · 30木里县森林火灾(2019.3.30)；案例2：3 · 14沁源森林火灾(2019.3.14)；案例3：3 · 30西昌森林火灾(2020.3.30).其中“—”为缺失值.b.主要统计事件发生7日内来自腾讯、百度、今日头条等网络平台数据.c.发布者与参与者的情感态度通过情感分析算法获取.具体步骤：首先将爬取的文本信息进行分词及去除停用词；接着读取情感词典、程度副词词典和否定词典，识别出情感词的极性(积极词赋1分，消极词赋-1分)以及其前面的程度副词和否定词，其中，程度副词的权值从高到低分别是2，1.5，1.2，0.5，-1；进而，对每条文本中的情感词得分进行加权平均，获得文本信息的情感态度得分，范围[-2, 2].其中分数越高，说明情感越趋向于积极性；最后专家根据情感得分结合个人经验对各案例的情感态度倾向进行标注.

表 1 森林火灾网络舆情案例统计信息 Table 1 Statistical information of network public opinion cases on forest fire

4.1 实验过程4.1.1 数据预处理1) 确定风险等级及其直觉模糊初始评价标度.本文依据《森林防火条例》和文献[2]，通过Delphi法，将森林火灾网络舆情风险等级划分为四级评价等级，即H_k=(极高风险H₁, 高风险H₂, 一般风险H₃, 低风险H₄).然后，基于文献[18]改进风险等级直觉模糊数评价标度R_k，形成更符合研究主题的四级量表，详见表 2.
表 2(Table 2)

表 2 风险等级直觉模糊数初始评价标度Table 2 Initial intuitionistic fuzzy number at each risk level 风险等级 直觉模糊数 标记符号 H1 (0.13, 0.72, 0.15) R1 H2 (0.35, 0.51, 0.14) R2 H3 (0.51, 0.35, 0.14) R3 H4 (0.63, 0.21, 0.13) R4

表 2 风险等级直觉模糊数初始评价标度 Table 2 Initial intuitionistic fuzzy number at each risk level

2) 初始决策信息直觉模糊化.首先，对于定量指标，通过查阅资料和Delphi法确定各定量指标的两个极值，见表 1，并根据式(7)~式(9)规范指标置信度；对于定性指标，选取5位领域内专家(其中3名从事舆情分析研究，2名从事灾害学研究)根据个人经验独立地对3个案例的定性指标风险等级进行标注，并利用式(10)计算指标置信度，见表 3.然后，利用式(11)对置信度统一后的指标直觉模糊化，另外，设案例2中缺失的定量指标值的直觉模糊数为(0，0，1)，结果见表 4.
表 3(Table 3)

表 3 指标数据置信度Table 3 Confidence of indicators 指标 案例1 案例2 案例3 H1 H2 H3 H4 H1 H2 H3 H4 H1 H2 H3 H4 定性指标 A112 0.00 0.20 0.51 0.24 0.00 0.10 0.58 0.32 0.00 0.14 0.60 0.26 A122 0.08 0.25 0.35 0.31 0.00 0.20 0.45 0.35 0.00 0.15 0.52 0.28 A213 0.05 0.19 0.66 0.10 0.14 0.46 0.31 0.04 0.00 0.17 0.30 0.43 A311 0.05 0.20 0.25 0.40 0.00 0.20 0.40 0.35 0.05 0.15 0.40 0.30 A312 0.35 0.50 0.15 0.00 0.15 0.40 0.30 0.10 0.05 0.45 0.40 0.05 A411 0.05 0.10 0.44 0.41 0.05 0.16 0.40 0.33 0.10 0.28 0.32 0.25 A412 0.00 0.15 0.43 0.42 0.00 0.21 0.45 0.31 0.00 0.26 0.35 0.36 A421 0.05 0.18 0.48 0.22 0.00 0.20 0.56 0.24 0.00 0.20 0.48 0.32 A422 0.10 0.18 0.49 0.23 0.00 0.18 0.40 0.35 0.00 0.26 0.44 0.30 定量指标 A111 0.00 0.13 0.87 0.00 0.00 0.00 0.58 0.42 0.00 0.02 0.85 0.15 A121 0.00 0.45 0.55 0.00 0.00 0.00 0.62 0.38 0.00 0.17 0.83 0.00 A211 1.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 1.00 0.00 0.00 0.00 A212 0.00 0.00 0.06 0.94 — — — — 0.37 0.63 0.00 0.00 A221 0.70 0.30 0.00 0.00 0.00 0.00 0.60 0.40 0.00 0.80 0.20 0.00 A222 0.64 0.36 0.00 0.00 0.50 0.50 0.00 0.00 0.00 0.56 0.44 0.00

表 3 指标数据置信度 Table 3 Confidence of indicators

表 4(Table 4)

表 4 指标信息直觉模糊数Table 4 Intuitionistic fuzzy number of indicator information 指标 案例1 案例2 案例3 μij γij πij μij γij πij μij γij πij A111 0.49 0.37 0.14 0.56 0.28 0.15 0.53 0.32 0.15 A112 0.50 0.35 0.15 0.54 0.31 0.15 0.53 0.32 0.15 A121 0.44 0.41 0.14 0.56 0.29 0.15 0.49 0.37 0.14 A122 0.49 0.35 0.16 0.53 0.32 0.15 0.51 0.34 0.15 A211 0.13 0.72 0.15 0.51 0.35 0.14 0.13 0.72 0.15 A212 0.62 0.22 0.16 0 0 1.00 0.28 0.58 0.14 A213 0.48 0.37 0.15 0.38 0.48 0.14 0.51 0.33 0.16 A221 0.20 0.65 0.15 0.56 0.29 0.15 0.39 0.47 0.14 A222 0.22 0.64 0.15 0.25 0.61 0.15 0.43 0.43 0.14 A311 0.49 0.35 0.16 0.51 0.33 0.15 0.48 0.37 0.15 A312 0.31 0.54 0.15 0.40 0.45 0.15 0.41 0.44 0.14 A411 0.54 0.31 0.16 0.50 0.35 0.16 0.46 0.39 0.15 A412 0.55 0.30 0.16 0.51 0.33 0.15 0.51 0.33 0.16 A421 0.48 0.37 0.15 0.52 0.33 0.15 0.53 0.32 0.15 A422 0.49 0.36 0.15 0.51 0.34 0.15 0.52 0.33 0.15

表 4 指标信息直觉模糊数 Table 4 Intuitionistic fuzzy number of indicator information

4.1.2 确定指标权重首先，选择5位专家独立地对各级指标给出模糊数互补判断矩阵，并利用FAHP法得出指标主观权重值.然后，根据表 4的指标直觉模糊数，通过IFE法利用式(3)~式(4)得出指标客观权重.最后，运用式(5)确定指标组合权重，详见表 5.
表 5(Table 5)

表 5 森林火灾网络舆情风险指标权重Table 5 Risk indicator weights of network public opinion on forest fires 维度 ωi′ ωi″ ωi 二级指标 ωi′ ωi″ ωi 三级指标 ωi′ ωi″ ωi A1 0.250 0.295 0.273 A11 0.138 0.164 0.151 A111 0.071 0.088 0.080 A112 0.067 0.076 0.072 A12 0.112 0.131 0.122 A121 0.050 0.073 0.062 A122 0.062 0.058 0.060 A2 0.420 0.361 0.391 A21 0.224 0.142 0.193 A211 0.131 0.052 0.091 A212 0.066 0.049 0.058 A213 0.047 0.041 0.044 A22 0.176 0.219 0.198 A221 0.089 0.130 0.109 A222 0.087 0.089 0.088 A3 0.091 0.089 0.090 A31 0.091 0.089 0.090 A311 0.051 0.047 0.049 A312 0.039 0.042 0.041 A4 0.239 0.254 0.247 A41 0.124 0.158 0.141 A411 0.054 0.081 0.067 A412 0.070 0.078 0.074 A42 0.115 0.096 0.106 A421 0.058 0.050 0.054 A422 0.057 0.046 0.052

表 5 森林火灾网络舆情风险指标权重 Table 5 Risk indicator weights of network public opinion on forest fires

4.1.3 确定风险排序和风险等级1) 舆情风险排序.通过ER理论利用式(12)~ 式(23)进行指标信息融合，得到3个案例的森林火灾网络舆情风险综合直觉模糊数，详见表 6.然后，借助UV法即利用式(24)~式(25)计算3个案例的风险效用值，确定风险排序.本文借助基于ER理论开发的IDS(intelligent decision system) 软件^[10]确定风险评价结果，见图 3.
表 6(Table 6)

表 6 3个案例综合风险等级直觉模糊测距Table 6 Intuitionistic fuzzy distance of comprehensive risk level in three cases 案例 直觉模糊数(μ, γ, π) 风险等级汉明距离 R1 R2 R3 R4 1 (0.420 1, 0.500 1, 0.079 8) 0.290 1 0.070 1 0.079 9 0.260 1 2 (0.515 4, 0.409 5, 0.075 0) 0.385 4 0.165 4 0.090 5 0.169 5 3 (0.469 1, 0.452 2, 0.078 7) 0.339 1 0.119 1 0.078 7 0.212 2

表 6 3个案例综合风险等级直觉模糊测距 Table 6 Intuitionistic fuzzy distance of comprehensive risk level in three cases

图 3(Fig. 3)

图 3 3个案例网络舆情风险效用值排序Fig.3 Ranking of risk utility values of network public opinion in three cases

2) 舆情风险等级.通过式(2)计算3个案例与4个风险等级之间的汉明距离，结果见表 6.
4.2 实验结果分析由表 6的风险评价输出结果可知，案例1的森林火灾网络舆情风险等级综合直觉模糊数与风险等级“高风险H₂”的直觉模糊初始评价标度最为贴近，其汉明距离最小，为0.070 1；案例2和3的风险等级均为“一般风险H₃”，其汉明距离分别是0.090 5, 0.078 7.评价结果与现实情况基本一致.同时，将3个案例风险等级进行排序，见图 3.图中效用值越高表明风险等级越高.因此，3个案例中，案例1的网络舆情风险等级最高，其次是案例3、案例2.值得注意的是, 在现实中案例1“3 · 30木里县森林火灾”的森林火灾等级为“特别重大”，牺牲的森林消防员最多，为27人，平均年龄最低只有23岁，当时引发了强烈的社会关注；案例3同样损失惨重，事件发生后政府有关部门，迅速启动应急预案，及时安抚群众，社会关注度相对案例1较低；案例2火灾等级相对低，受灾程度小，网络舆情反应较弱.由此可见，3个案例的实验结果与实际情况相吻合，验证了本文所提风险评估模型的合理性.
进一步计算3个案例的一级指标效用值，并排序见表 7.结果表明：3个案例的一级指标效用值排序与各案例综合风险排序基本一致.具体而言，案例1的4个维度中3项指标效用值排名均位列第一，仅一项指标“信息管理”效用值位列第三，但差距并不明显.以上结果进一步验证了评估模型的有效性.
表 7(Table 7)

表 7 各案例的一级指标效用值排序Table 7 Ranking of primary indicator utility value of each case 案例 A1 A2 A3 A4 u(E) 排序 u(E) 排序 u(E) 排序 u(E) 排序 1 0.420 7 1 0.705 4 1 0.514 7 1 0.366 7 3 2 0.327 4 3 0.587 4 3 0.453 6 3 0.379 8 2 3 0.372 8 2 0.636 8 2 0.471 5 2 0.389 4 1

表 7 各案例的一级指标效用值排序 Table 7 Ranking of primary indicator utility value of each case

针对案例1，利用模型深入分析各级指标风险，获取指标风险排序见表 8.结果表明，案例1中的4个一级指标中，“A₂信息源”的风险最高，第二是“A₃信息环境”，其次为“A₁信息人”和“A₄信息管理”.具体分析，其中，指标A₂对应的二级指标中风险最高的是“A₂₂森林消防/扑火人员伤亡情况”，指标A₂₂下的三级指标中风险最高的是“A₂₂₁牺牲人数”.值得注意的是，现实中，“3 · 30木里县森林火灾”事件发生后，关于“森林消防员伤亡情况”的新闻报道占据了各大网络平台热搜榜.因此，上述结论再次验证了所提风险评估模型的实用性和有效性.
表 8(Table 8)

表 8 案例1各级指标风险排序Table 8 Risk ranking of indicators in case 1 一级指标 二级指标 三级指标 A2 A22 A221, A222 A21 A211, A213, A212 A3 A31 A312, A311 A1 A12 A121, A122 A11 A111, A112 A4 A42 A421, A422 A41 A411, A412 注：由上到下由左到右各级指标风险逐渐降低.

表 8 案例1各级指标风险排序 Table 8 Risk ranking of indicators in case 1

5 结论1) 从信息生态系统的视角出发，基于信息人、信息源、信息环境和信息管理4个维度构建了森林火灾网络舆情风险评估指标体系，并利用IFE法和FAHP法组合赋权确定指标权重.
2) 针对指标信息的不确定、不完全性以及类型多样性，采用基于模糊规则和直觉模糊集统一描述指标信息.
3) 为了避免指标信息集结过程中丢失信息，保留信息的不完全性，利用ER理论对指标信息集结处理，并通过测量综合直觉模糊数与风险等级直觉模糊初始评价标度之间的汉明距离确定风险等级，同时运用UV法确定风险排序，识别出关键风险因素，构建基于证据推理的直觉模糊森林火灾网络舆情风险预警评估模型.
4) 运用所提模型分析现实中3大森林火灾实例，所得风险评估结果与现实相仿，进一步验证了模型的实用性和有效性.此研究不仅为森林火灾网络舆情风险评估提供了一种新的方法与思路，而且也有助于政府相关部门更好地评估与管控森林火灾网络舆情风险.
参考文献

[1]	秦琴, 汤书昆. 突发自然灾害网络舆情风险监测指标体系研究[J]. 电子科技大学学报(社会科学版), 2020, 21(4): 1-9. (Qin Qin, Tang Shu-kun. Research on the index system of network public opinion risk monitoring for sudden natural disasters[J]. Journal of University of Electronic Science and Technology of China (Social Science Edition), 2020, 21(4): 1-9.)
[2]	张宇, 傅敏, 罗加蓉. 震灾网络舆情风险监测指标及其评估方法[J]. 重庆大学学报(社会科学版), 2018, 24(6): 38-49. (Zhang Yu, Fu Min, Luo Jia-rong. Risk monitoring indexes and assessment method of network public opinion of earthquake disaster[J]. Journal of Chongqing University(Social Science Edition), 2018, 24(6): 38-49.)
[3]	金潞. 生态系统视域下的图书馆政府舆情信息服务质量评价研究[J]. 图书馆学研究, 2020(13): 68-75, 95. (Jin Lu. Research on library government public opinion information service quality evaluation from the perspective of ecosystem[J]. Research on Library Science, 2020(13): 68-75, 95.)
[4]	张鑫, 田雪灿, 刘鑫雅. 反复性视角下网络舆情风险评估指标体系研究[J]. 图书与情报, 2020, 4(6): 123-135. (Zhang Xin, Tian Xue-chan, Liu Xin-ya. Research on the risk assessment index system of internet public opinion from the perspective of recurrence[J]. Library & Information, 2020, 4(6): 123-135.)
[5]	Tavoschi L, Quattrone F, D'Andrea E, et al. Twitter as a sentinel tool to monitor public opinion on vaccination: an opinion mining analysis from september 2016 to august 2017 in Italy[J]. Human Vaccines & Immunotherapeutics, 2020, 16(5): 1062-1069.
[6]	Chen X G, Duan S, Wang L. Research on trend prediction and evaluation of network public opinion[J]. Concurrency and Computation: Practice and Experience, 2017, 29(24): e4212. DOI:10.1002/cpe.4212
[7]	杨小溪, 郑珊珊, 晋兆雨, 等. 基于信息生态理论的网络舆情预警评价指标体系研究[J]. 情报理论与实践, 2021, 44(3): 143-148. (Yang Xiao-xi, Zheng Shan-shan, Jin Zhao-yu, et al. Research on evaluation index system of network public opinion hotness based on information ecology theory[J]. Information Studies: Theory & Application, 2021, 44(3): 143-148.)
[8]	黄星, 刘樑. 突发事件网络舆情风险评价方法及应用[J]. 情报科学, 2018, 36(4): 3-9. (Huang Xing, Liu Liang. The evaluation method and application of unexpected events network public opinion[J]. Intelligence Science, 2018, 36(4): 3-9.)
[9]	Fu S, Xiao Y, Zhou H. Contingency response decision of network public opinion emergencies based on intuitionistic fuzzy entropy and preference information of decision makers[J]. Scientific Reports, 2022, 12(1): 1-13.
[10]	Xu D L, Yang J B. Intelligent decision system based on the evidential reasoning approach and its applications[J]. Journal of Telecommunications and Information Technology, 2005, 3(16): 73-80.
[11]	Atanassov K T. Intuitionistic fuzzy sets[J]. Fuzzy Sets & Systems, 1986, 20(1): 87-96.
[12]	Yang J B. Rule and utility based evidential reasoning approach for multiattribute decision analysis under uncertainties[J]. European Journal of Operational Research, 2001, 131(1): 31-61.
[13]	Nardi B A, O'Day V. Information ecologies: using technology with heart[M]. New York: Mit Press, 1999: 1-50.
[14]	Zhao D, Wang X W, Xiang M M, et al. Model of micro-blog public opinion dissemination trend under the new media environment: an information ecology perspective[J]. Journal of Intelligence, 2016, 35(10): 173-180.
[15]	李明, 曹海军. 面向突发公共事件的网络舆情风险评估研究——以"3 · 21"响水化工企业爆炸事件为例[J]. 当代经济管理, 2019, 41(12): 49-55. (Li Ming, Cao Hai-jun. Research on risk assessment of network public opinions for public emergencies —taking the"3 · 21"Xiangshui chemical enterprise explosion as an example[J]. Contemporary Economic Management, 2019, 41(12): 49-55.)
[16]	Meng F Y, Chen X H. Entropy and similarity measure of Atanassov's intuitionistic fuzzy sets and their application to pattern recognition based on fuzzy measures[J]. Pattern Analysis and Applications, 2016, 19(1): 11-20.
[17]	Lamba D, Yadav D K, Barve A, et al. Prioritizing barriers in reverse logistics of E-commerce supply chain using fuzzy-analytic hierarchy process[J]. Electronic Commerce Research, 2020, 20(2): 381-403.
[18]	Ghorabaee M K, Amiri M, Zavadskas E K, et al. Fuzzy extension of the CODAS method for multi-criteria market segment evaluation[J]. Journal of Business Economics and Management, 2017, 18(1): 1-19.