Анализ социальной реакции на инциденты: сравнение Архангельска и Екатеринбурга

Цель исследования заключается в разработке и апробации методики анализа данных из социальных сетей, которая позволит повысить надежность систем реагирования на чрезвычайные ситуации за счет оперативного выявления, оценки масштаба, локализации и прогнозирования кризисных событий с учетом региональных особенностей общественной активности. Для достижения этой цели была создана программа на Python, выполняющая автоматизированный сбор, предварительную обработку и комплексный анализ данных из социальной сети ВКонтакте. Программа была протестирована на данных двух городов – Архангельска и Екатеринбурга, чтобы продемонстрировать ее применимость для мониторинга ЧС в различных регионах.

Методы. В ходе исследования применялись методы сбора данных из открытых групп ВКонтакте, их предварительной обработки и комплексного анализа, который включал текстовый анализ (определение тональности комментариев и построение облаков слов), математический анализ (расчет энтропии и производной энтропии для оценки динамики активности) и анализ внешних факторов (влияние метеорологических условий, праздничных дней и выходных).

Результаты. Исследование выявило значительные региональные различия в уровне социальной активности по различным категориям чрезвычайных ситуаций. Уровень активности в Архангельске превышает уровень в Екатеринбурге минимум в два раза, несмотря на меньшее население города. Характер активности также существенно различается: в Екатеринбурге наблюдаются более резкие всплески активности, тогда как в Архангельске активность распределена более равномерно. Сезонность проявляется в увеличении активности в периоды технических работ или экстремальных погодных условий. В категории «Пожар» оба города демонстрируют высокую и устойчивую активность, однако в Екатеринбурге отмечаются более резкие всплески, особенно в конце марта и начале апреля, что может свидетельствовать о крупных инцидентах. В категории «Отключение воды» в Архангельске зафиксированы два значительных пика активности – в апреле и 31 июля–1 августа, что может указывать на массовые проблемы с водоснабжением. В Екатеринбурге активность в этой категории значительно ниже, но чаще, что может говорить о мелких перебоях или информационных сообщениях.

Выводы. Социальные сети представляют собой ценный источник данных для анализа общественной реакции на чрезвычайные ситуации. Выявленные региональные особенности поведения пользователей подчеркивают необходимость создания адаптированных систем мониторинга и прогнозирования, учитывающих специфику каждого региона. Использование данных из социальных сетей позволяет повысить надежность и эффективность систем реагирования за счет быстрого определения масштаба, местоположения и последствий инцидентов, а также выявления сезонных и локальных угроз. Полученные данные подтверждают необходимость внедрения автоматических инструментов анализа, способных оперативно оценивать ситуацию. Социальные сети могут служить индикатором сезонных и локальных угроз, что позволяет заранее готовиться к потенциальным рискам. Выявленные различия в уровнях активности между регионами подчеркивают важность учета местных условий при разработке стратегий информирования и управления кризисными ситуациями. Активное использование социальных сетей в качестве платформы для гражданского участия демонстрирует их потенциал для усиления взаимодействия между населением и органами управления в условиях кризиса.

1. Timashev S., Malyutina E. Automated entropy analysis of the social consequences of urban man-made accidents and natural catastrophes // Reliability: Theory & Applications. 2024. Vol. 19. No. SI 6(81). Pp. 142-150.

2. Тимашев С.А., Малютина Е.В. Энтропийный анализ социальной активности во время и после крупных аварий городской инфраструктуры. Екатеринбург : Уральский рабочий, 2023. 66 с.

3. Timashev S., Malyutina E. Entropy Analysis of Social Unrest After Large Urban Infrastructure Accidents // ASCE INSPIRE. 2023. № 1. Pp. 631–639. DOI: https://doi.org/10.1061/9780784485163.074

4. Diakopoulos N., De Choudhury M., Naaman M. Finding and assessing social media information sources in the context of journalism // Proceedings of the SIGCHI conference on human factors in computing systems. 2012. Pp. 2451-2460. DOI: 10.1145/2207676.2208409

5. Kwak H. et al. What is Twitter, a social network or a news media? // Proceedings of the 19th international conference on World wide web. 2010. Pp. 591-600. DOI: 10.1145/1772690.1772751

6. Starbird K., Muzny G., Palen L. Learning from the crowd: Collaborative filtering techniques for identifying onthe-ground Twitterers during mass disruptions // ISCRAM. 2012.

7. ZubiagaA., Ji H., Knight K. Curating and contextualizing twitter stories to assist with social newsgathering // Proceedings of the 2013 international conference on Intelligent user interfaces. 2013. Pp. 213-224. DOI: 10.1145/2449396.2449424

8. Gao Y. et al. Brand data gathering from live social media streams // Proceedings of international conference on multimedia retrieval. 2014. Pp. 169-176. DOI: 10.1145/2578726.2578748

9. Olteanu A. et al. Social data: Biases, methodological pitfalls, and ethical boundaries // Frontiers in big data. 2019. Vol. 2. P. 13. DOI: 10.3389/fdata.2019.00013

10. Sung K.H., Lee M.J. Do online comments influence the public’s attitudes toward an organization? Effects of online comments based on individuals’ prior attitudes // The Journal of psychology. 2015. Vol. 149. No. 4. Pp. 325-338. DOI: 10.1080/00223980.2013.879847

11. Hasan M., Orgun M.A., Schwitter R. Real-time event detection from the Twitter data stream using the TwitterNews+ Framework // Information Processing & Management. 2019. Vol. 56. No. 3. Pp. 1146-1165. DOI: 10.1016/j.ipm.2018.03.001

12. Teodorescu H.N. Using analytics and social media for monitoring and mitigation of social disasters // Procedia Engineering. 2015. Vol. 107. Pp. 325-334. DOI: 10.1016/j.proeng.2015.06.088