
大数据解析“外滩灯光秀改址”为何传播失效_数据分析师
2014年12月31日晚,上海外滩发生了严重的踩踏事故,造成36人死亡,49人受伤。值得注意的是,2014年外滩的灯光秀活动设置,与往年相比发生了重大的变化。而中山大学传播大数据实验室和宏博知微报告通过分析发现,媒体对于这些变化的报道并未达到预期的效果,致使“灯光秀改址”之类的重要信息被很多公众疏忽,一定程度上也间接地导致悲剧的发生。
实际上,这次“灯光秀”的地址从“外滩”改为“外滩源”,而参加条件从“免费、不限制人数”变为“凭票入场,限定2000人参与”。而这条消息在2014年12月23日就通过上海媒体以“外滩跨年4D灯光秀今年停办”的形式第一次报道过,但随后的新闻报道和政务微博传播中,这条消息却未能有效抵达普通市民。
为了验证这一判断,中山大学传播大数据实验室和宏博知微报告以“外滩、灯光秀”为关键词,抓取了2014年12月23日至12月31日的媒体报道,以及新浪微博中媒体及政务微博提及“灯光秀”的新闻及消息,作出了曲线图如下:
从图一可以看出:12月23日,新民网报道“上海外滩跨年4D灯光秀今年停办”得到较多转发,25日,媒体对“外滩灯光修改址”的消息传播达到一个高峰,但也有一些不准确的信息。26、28、29日关于“灯光秀”的报道处于低谷。直到30日,媒体报道数量激增,并且可能产生误导的消息大大超过正确信息,达到高峰。31日,正确信息和可能产生误导的信息在数量上不相上下。
另一方面,为了观察微博用户对“灯光秀改址”信息的知晓情况,研究团队抓取了2014年12月23日~31日微博用户中提及的相关数据,制图如下:
从图二可以看出,23日~29日新浪微博普通用户中提及“外滩灯光秀”的并不多,而在30日,“不知晓”改址消息的用户超过“知晓”的用户数,31日,微博中提及灯光秀的用户达到高峰,而“不知晓”改址消息的用户要远远多于“知晓”的用户。
因此,可以得出结论:媒体前期关于“灯光秀改址、限制人数”的报道并没有达到良好的传播效果,而在30日,媒体中误导性的报道占了多数,即使31日媒体中纠正性的报道增加,但由于正确的消息传播得太迟,效果达成也具有一定的滞后性。
对于如何才能实现类似的公众信息的最有效的传达,此次大数据研究的负责人、中山大学传播与设计学院院长张志安认为,有三个因素非常关键。首先是要对重要的政策信息进行简化、提炼,以最明确和完整的方式来告知公众。比如“外滩灯光秀改址”是属于“告知性信息”,还有一类是有关政策倡导和建议的“说服性信息”,比如“大家不要去外滩看灯光秀”,也应该由政府来告知公众,这样的告知才是完整的。
张志安认为,信息传播的渠道也是一个需要重视的层面,“我们其实会重视主流媒体,但主流媒体覆盖的受众也比较有限,尤其是对于年轻的网民。而微博微信又难以到达不上网的群体,所以,在一个媒体融合的时代,政府需要有效地把不同渠道的媒体和媒介利用和整合起来,在发布一些重大的信息的时候,甚至需要采用群发短信这种成本较高的方式。”
对于公共信息的传播效果,还要进行分析、预判和跟踪,尤其是对受众的感知和接受度来进行分析。“现在社交媒体,尤其是微博提供了一个较好的分析工具,我们可以通过转发和评论,来了解用户是不是真的准确理解了信息的内容,以及预判他们是不是会采取相关的行动,如果‘外滩灯光秀’能提早做这些分析的话,我们就能预判信息是否成功到达用户,以及是否需要采取进一步的预警和传播措施。”张志安表示:“总的来说,信息的提炼和准备、渠道的选择和组合、以及公众接受效果的分析和感知的预判,对政府公共政策的全媒体时代的传播是非常关键的三个环节。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-19偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12