11
第17卷 第1期2021年2月
竞争情报
Competitive Intelligence
Vol.17 No.1Feb. 2021
上海交通大学文化创意产业学院，上海 200240
摘 要：本研究利用百度指数对新冠肺炎疫情的舆情发展规律进行研究，采用Fisher 最优分割法、变异系数分析和聚类分析法建构网络舆情时间、空间演变特征，运用多层线性模型分析新冠肺炎疫情中网络舆情时空分异的影响因素。结果显示，此次新冠肺炎疫情的网络舆情在时间分布上呈现四个阶段，在空间分布上存在明显地区差异。舆情发展受到疫情严重程度、媒体报道数量、地区常住人口数及互联网普及率的影响，在本次公共危机事件中，政府干预在舆情发展中起到了重要作用。 关键词：新冠肺炎疫情；舆情指数；时间演变；空间分布；影响因素 XU Yi, WANG Lingling
Cultural and Creative Industry Management School of Shanghai JiaoTong University, Shanghai 200240, China
HOST 格式The Temporal and Spatial Distribution of Online Public Opinion on
COVID-19 Pandemic and Its Factors
聚氨酯丙烯酸酯新冠肺炎疫情网络舆情的
时空分异及影响因素
** 本文系青年科学基金项目“信任对企业新技术采用的影响及其内在机制研究”（编号：71902113）研究成果之一。
Abstract: This essay used Baidu Index to study the law of public opinion development of COVID-19 pandemic. Fisher's optimal segmentation method, coefficient of variation analysis and cluster analysis were used to analyze the temporal and spatial distribution characteristics of online public opinion. The multi-layer linear model was used to analyze the factors that influence the temporal and spatial distribution differences of online public opinions.
徐 女，上海交通大学文化创意产业学院助理研究员，研究方向为文化心理学、媒介心理学和网络舆情。：
***************** 。
王玲玲 女，上海交通大学文化创意产业学院硕士研究生，研究方向为网络舆情、新闻与传播。
徐 王玲玲
12竞争情报第17卷 第1期The research results showed that the online public opinions of the COVID-19 pandemic presented four stages in spatial distribution and significant regional differences in spatial distribution. Public opinions were affected by the severity of the pandemic, the number of media reports, the number of resident population and the penetration rate
of the Internet. The results showed that in this public crisis, government intervention played an important role in the development of public opinion.
Keywords：COVID-19 pandemic; public opinion index; the temporal distribution; the spatial distribution; factors
0引言
2019年12月以来，我国陆续发现新型冠状病毒感染的肺炎病例，给人民的生命健康造成了严重的威胁。2020年1月30日，世界卫生组织（WHO）宣布将新冠肺炎疫情列为国际关注的突发公共卫生事件。在这样的公共卫生危机事件中，民众更频繁地从网络上获取疫情信息，导致网络舆情危机和公共危机相伴而生。2月3日中央政治局常委会会议中，党中央就反复强调要做好宣传教育和舆论引导工作。网络舆情的发展具有聚合扩散、时空交汇[1]的特征，分析一定时间、不同区域的网络舆情，有助于责任部门根据舆情的演变规律和现实特点，制定出有效引导舆情的措施。本文基于网民搜索的百度指数，探讨在新冠肺炎疫情期间，网络舆情在时空分布上的演化特征及其影响因素，以期对突发公共事件的舆情引导提出建议。
1 相关文献与研究假设
1.1网络舆情的定义
网络舆情是舆情在互联网时代的新生产物，具有快速的传播时间、广泛的传播空间[2]等特征。目前，对网络舆情的概念，学者大体分为两类：一类将其定义为社会公意的表达，如王来华[3]提出的网民的“社会政治态度”，张克生[4]提出的“社情民意”在网络上的反映。另一类将网络舆情定义为各种表意的集合，其中，以刘毅[5]为代表，认为网络舆情是公众在一定时期、一定社会空间内，对自己关心或与
自身利益紧密相关的事件的各种情绪和意见交错的总和。后者对网络舆情概念的理解不仅扩大了公众话语权的范围，还强调了网络舆情的时空特性。在本研究中，我们采取后者的定义，即网络舆情是网民体性的意识思想、意见和要求等的综合表现，并具有明显的时空特征。打孔文件夹
1.2 突发公共事件网络舆情的时间演变、空间分布特征
此次突发的新冠肺炎疫情属于突发公共事件。李纲、陈璟浩[6]在对突发公共事件网络舆情的研究进行了较为详尽的回顾后认为，突发公共事件网络舆情除具备一般网络舆情的自由性、互动性、即时性等特点外，其在时间维度和空间维度上具有独特性；学者们从不同的视角提出了三阶段、四阶段和五阶段模型，对网络舆情的时间演化特征进行分析。比较典型的有潘崇霞[7]将网络舆情的时间演化过程简化为初始传播阶段、迅速扩散阶段和消退阶段三个阶段，并对各阶段的特征进行了相应的分析。宋海龙等[8]从网民情绪变化出发将突发公共事件的网络舆情发展过程划分为形成阶段、高涨阶段、波动阶段和淡化阶段四个阶段。五阶段模型中以人民网舆情监测室[9]的总结较为经典，认为网络舆情遵循“形成期—爆发期—高峰期—反复期—消散期”的过程。
受信息全球化和互联网无边界论的影响，突发公
共事件网络舆情的空间分布特征的研究还明显不足。现有的研究以滕文杰、刘国巍、周妍等人为代表，滕文杰[10]筛选2011—2013年发生的11个典型突发公共卫生事件，研究其网络舆情的空间分布情
况，结果显示经济发展水平越高、网民数越多的省份，网络舆情网民关注度越高。刘国巍等人[11]以上海12·31踩踏事件为例，首次运用空间计量学中的Moran’s I指数实现非常规突发事件网络舆情演化的空间定量分析，研究发现非常规突发事件发生地邻近地区具有“高峰型”空间集聚特征。周妍[12]的研究发现，在疫情严重的省份，网民对H7N9疫情的关注热度更高，除此之外，受教育程度越高的区域，网民的关注程度也越高。 从现有文献分析来看，突发公共事件网络舆情的时间维度研究已经初具规模，但以综合概况为主，缺乏具体事件的针对性研究，而突发公共事件网络舆情的空间维度研究尚处于兴起阶段。本文对新冠肺炎疫情网络舆情时空特征演化的研究有利于推动对突发公共事件网络舆情发展的认知，进而形成合理应对策略。
1.3 影响突发公共事件网络舆情时空分布的因素
现有关于网络舆情的影响因素研究多从舆情要素出发。学者们提出了“三要素[13]”“四要素”“五要素[14]”和“八要素[15]”等多种观点。其中，张一文等人[16]提出的“四要素”观点更具有普适性，认为事件本身、政府、媒体和网民是影响突发公共事件网络舆情的主要因素，该观点后来不断得到诸多学者的认同，并加以运用。
“舆情事件本身[17]”是网络舆情形成的根本性因素，会影响事件网络舆情的传播速度、强度、范围和衰退速度。此次疫情的严重程度对网络舆情的时空演化起决定作用；不同省（区、市）政府对舆情事件
的干预程度[18]直接影响着网络舆情的时空分布。舆情事件发生后，媒体的集中报道[19]对舆情热度有推波助澜的作用。鉴于此，本文从事件本身、政府、媒体三方面分析其对新冠肺炎疫情网络时空分布的影响，提出假设H1、H2、H3。
H1：新冠肺炎疫情严重程度对网络舆情的时空分布差异存在影响；
H2：政府干预程度对新冠肺炎疫情网络舆情的时空分布差异存在影响；
H3：媒体报道数量对新冠肺炎疫情网络舆情的时间演变存在影响。
除此之外，突发公共事件网络舆情的地区分布还会受到地区属性的影响。滕文杰[20]认为，经济发展水平越高的地区网络舆情指数越高；刘国巍等人[21]发现人口基数、受教育程度及网络基础设施对突发公共事件网络舆情的空间分布有影响；周妍[22]将地区健康水平纳入突发公共卫生事件网络舆情空间分布特征的影响因素。鉴于此，本文考察“经济发展水平”“常住人口数”“人均受教育程度”“健康水平”和“网络基础设施”这些地区属性对网络舆情空间分布的影响，如图1所示，并提出假设H4。
H4：地区属性对新冠肺炎网络舆情的空间分布存在影响。组合式桥架
2数据来源与研究方法
2.1数据来源与变量
有源噪声控制
（1）因变量：网络舆情指数
本文使用百度指数平台提供的“搜索指数”来表
13
地
区
属
性
媒
体
事件本身
政府
图1 新冠肺炎网络舆情时空分异影响因素假设模型
实践与应用
徐 王玲玲.新冠肺炎疫情网络舆情的时空分异及影响因素huae
征网络舆情指数，数据采集以天为单位，采集时间为
2019年12月9日1—2020年3月9日（全国疫情基本稳定），采用直接取词法，将“新冠肺炎实时动态”+ “新型冠状病毒”+“疫情最新消息”作为组合关键词，在百度指数平台中进行搜索，得到此次疫情在全国水平的网络舆情指数92条和31个省份层面内的网络舆情指数2 852条。根据百度指数对网民个体特征
的统计，关注此次疫情网络舆情网民的年龄主要集中在20~39岁（75%），其次为40~49岁（15%），男性（55%）略多于女性（45%）。
（2）自变量：疫情严重程度、政府干预、媒体报道、地区属性
疫情严重程度：本文使用省域当日新增病例数据来表征疫情严重程度，数据来源于各省级卫生健康委员会。病例数据的采集时间为2020年1月20日—2020年3月9日，包括31个省份92天2 852个条病例数据。
政府干预：本文以此次新冠肺炎疫情中政府的干预级数来反映政府的干预程度。我国政府此次采取分区分级差异化的疫情防控策略，各省（区、市）将应
急响应级别分为一级（特别重大）、二级（重大）、三级（较大）和四级（一般）四个级别。本文将其重新编码，其中一级为5，二级为4，三级为3，四级为2，未实施干预为1。政府干预级数数据以省（区、市）健康卫生委员会官方公布的信息为准。 媒体报道：本文以百度指数平台统计的“媒体指数”数据来表征媒体报道情况，“媒体指数”是当天各大互联网媒体报道的新闻中与关键词相关的、被百度新闻频道收录的数量，可以客观反映媒体报道的数量。
地区属性：省域层面的地区属性值来源于国家统计局最新公布的数据，数据采集包括“经济发展水平” “
常住人口数”“人均受教育程度”“地区健康水平”和“网络基础设施”的量化指标。其中，经济发展水平用“人均GDP ”测量，人均受教育程度以“人均受教育年限”测量，地区健康水平以“死亡率”测量，由于本文考察的网络舆情指数以互联网为基础，所以网络基础设施的情况以“互联网普及率”测量。 本文统计的因变量和自变量相关数据指标及描述性分析如表1所示。
14
竞争情报
第17卷 第1期
1
《新英格兰医学杂志》联合发表Early Transmission Dynamics in Wuhan, China, of Novel Coronavirus–Infected Pneumonia 指出
最早2例发病病例出现于2019年12月9日左右。
～
～ ～
表1 相关变量指标说明及描述性分析
15
式（3）是第二层次，它是建立在组织（时间背景）基础上的，表现为不同组织（时间背景）的截距项 、斜率项 是否一致。 和 分别是 和 的随机成分，也代表了第二层次组织（地区背景）之间的变异。
式（4）是把式（2）嵌套在式（3）后的结果。
3 数据分析与研究结果
3.1 新冠肺炎疫情网络舆情时间阶段
我们利用MATLAB 对新冠肺炎网络舆情指数数据做Fisher 最优分割处理，由于数据量较大，我们将92天每5天取平均数，进行时序迭代计算，计算获得的极差矩阵为 D t = [0, 0, 0, 0, 0, 0.004, 0.008, 0.0152, 0.3263, 0.9254, 1.000, 0.9647, 0.9072, 0.7463, 0.4907, 0.3555, 0.2805, 0.2204]。在最优分割时段对应的期间内，根据指数变化系数的分析，确定最优分割日期。设指数变化系数为a ，a= e[P(n,k)]/e[P(n,k+1)]，其中，e[P(n,k)]=min 2≤t≤n {D(1,t-1)+D(t,n)}，k 表示最优分割段数，n 最大为18。当a 越大，k +1段的效果比分成k段的效果越好，同时最优分割段数必须通过F 检验。通过计算验证，我们得到的最优分割段数k =4，最优分割日期分别是1月18日，1月24日和2月16日。 根据新冠肺炎疫情网络舆情指数时间演变特征，我们将其时间维度的演化路径分为形成期、高涨期、波动期、淡化期四个阶段，如图2所示。
第一阶段是形成期（2019年12月9日—2020年1月17日）。这个阶段突发公共事件有时会有些端倪，但更多的是难以察觉，只有极少数人会关注“以往”与该突发公共事件类似或相关的信息。1月17日之前，
只有极少数网民关注到新型冠状病毒的存在。 第二阶段是高涨期（2020年1月18日—1月23日）。这个阶段突发公共事件产生的危机已经暴露，网络舆情会“脉冲式”迅速增长，绝大多数网民通过互联网平台获悉新冠肺炎疫情事件的有关信息以满足自身的信息需求，舆情指数开始出现猛增，1月19
日起迅速攀升。
实践与应用
徐 王玲玲.
新冠肺炎疫情网络舆情的时空分异及影响因素
2.2 研究方法
（1）Fisher 最优分割法
Fisher 最优分割法是在不破坏数据序列连续性的基础上，利用测度数据组内离差平方和最小、而组间离差平方和最大进行分割。本文采用Fisher 最优分割法划分新冠肺炎疫情网络舆情时间演化阶段，首先将数据标准化，接着计算极差（变差）矩阵，然后进行最优分割，最后确定最优分割段。（2）变异系数分析
变异系数用于表征新冠肺炎疫情网络舆情的离散程度，揭示新冠肺炎疫情网络舆情的分异状况，计算公式为：
（1）其中，C v 表示变异系数， 表示标准差，X i 表示i省（区、市）新冠肺炎疫情的舆情指数， 表示中国31个省（区、市）舆情指数的平均值，n 为31。变异系数越大，则网络舆情的省份差异越大。（3）Q 型聚类分析
Q 型聚类分析是根据观察值和变量之间的亲疏程度，将最相似的对象结合在一起，以便对不同类样本进行分析。本文将31个省份作为观察值，将统计期间新冠肺炎疫情网络舆情指数均值作为变量来分析，然后采用组间联结的聚类方法，对数据进行聚类分析。（4）多层线性模型
本文将采用多层线性模型对统计期间31个省份的面板数据进行分析。不同日期的观测数据形成嵌套在省级地区层面，建立以下方程： 第一层
（2）
第二层 （3）
合并 （4） 式（2）是第一层次，表现为第j 个组织（时间背景）单位中的第i 个个体的Y ij 受组织（地区背景）内预测变量X ij 的影响。 是截距项，可理解为j 组织内Y ij 的平均值。 是斜率项，表示预测变量X ij 每变化一个单位，Y ij 平均变化多少。
