突發(fā)公共衛(wèi)生事件中中國(guó)網(wǎng)民關(guān)注度分析

陳璟浩 陳美合 曾楨

摘? 要：[目的/意義]利用新冠疫情網(wǎng)絡(luò)輿情數(shù)據(jù)來(lái)研究突發(fā)公共衛(wèi)生事件中中國(guó)網(wǎng)民關(guān)注度，有助于提升疫情期間政府信息供給效率、滿足公眾需求和提供社會(huì)支持等。[研究設(shè)計(jì)/方法]通過(guò)新浪輿情大數(shù)據(jù)平臺(tái)獲取研究數(shù)據(jù)，包括：疫情流行高峰期間全網(wǎng)輿情數(shù)據(jù)、每日轉(zhuǎn)發(fā)排名前100名熱門微博、每日新增病例數(shù)據(jù)等。采用描述性統(tǒng)計(jì)、列聯(lián)表分析、回歸分析等方法，研究突發(fā)公共衛(wèi)生事件中網(wǎng)民關(guān)注度變化趨勢(shì)及影響因素。[結(jié)論/發(fā)現(xiàn)]疫情爆發(fā)初期，媒體大規(guī)模報(bào)道造成大量網(wǎng)民對(duì)事件關(guān)注;隨著疫情嚴(yán)重，新增病例與網(wǎng)民關(guān)注出現(xiàn)同頻共振;媒體報(bào)道初期，網(wǎng)民關(guān)注度集中趨勢(shì)高;防疫舉措、鼓勵(lì)加油、捐獻(xiàn)贈(zèng)送、倡議建議、贊譽(yù)肯定5大關(guān)注主題，貫穿疫情流行高峰;主流媒體發(fā)布微博受關(guān)注最多，不同賬戶類型情感傾向有顯著差異;網(wǎng)民總體關(guān)注度受新增病例和變異系數(shù)影響;每日熱門輿情關(guān)注度，受新增病例、變異系數(shù)、輿情總量和戲劇性分值影響;單條微博受關(guān)注程度與當(dāng)日相關(guān)話題總量和微博粉絲數(shù)有一定關(guān)系。[創(chuàng)新/價(jià)值]本文系統(tǒng)分析了突發(fā)公共衛(wèi)生事件中網(wǎng)民關(guān)注度變化趨勢(shì)和影響因素，為政府決策提供支持。

關(guān)鍵詞：新冠疫情;突發(fā)公共衛(wèi)生事件;網(wǎng)絡(luò)輿情;網(wǎng)民關(guān)注度;影響因素

DOI：10.3969/j.issn.1008-0821.2020.10.002

〔中圖分類號(hào)〕G203? 〔文獻(xiàn)標(biāo)識(shí)碼〕A? 〔文章編號(hào)〕1008-0821（2020）10-0011-11

Analysis on the Attention of Chinese Netizens in Public Health Emergencies

——Based on COVID-19 Network Public Opinion Data

Chen Jinghao1，2? Chen Meihe1? Zeng Zhen2，3

（1.School of Public Policy and Management，Guangxi University，Nanning 530004，China;

2.Big Data Institute，Wuhan University，Wuhan 430072，China;

3.School of Information Management，Guizhou University of Finance and Economics，Guiyang 550000，China）

Abstract：[Purpose/Significance]Using the network public opinion data of COVID-19，this study aimed to access the attention of Chinese netizens in public health emergencies.Research results can help improve the efficiency of government information supply during the epidemic，meet public needs，and provide social support.[Design/Methodology]From Sina big data platform，obtained Research data including public opinion data，top 100 popular Weibo，new case data etc.Using descriptive statistics，crosstabs analysis，regression analysis and other methods to study the changing trends and influencing factors of netizens attention in public health emergencies.[Findings/Conclusion]In the early stage of the outbreak，large-scale media reports caused a large number of netizens to pay attention to the incident;as the epidemic was serious，new cases and the netizens? concerns appeared at the same frequency resonance;in the early days of media reports，the concentration of netizens attention was high;The five major themes of epidemic prevention measures，encouragement，donation，initiative，and praise throughout the epidemic;Netizens most concerned about the mainstream medias weibo，and there were significant differences in the emotional tendencies of different weibo account types;The overall attention of netizens was affected by new cases and coefficients of variation;The daily popularity of public opinion was affected by new cases，coefficient of variation，total public opinion and dramatic scores;The degree of attention of a single Weibo had a certain relationship with the total number of related topics on that day and the number of account fans.[Originality/Value]This article systematically analyzed the changing trends and influencing factors of netizens attention during public health emergencies.

Key words：COVID-19;public health emergencies;public opinion;attention of chinese netizens;influence factors

公眾關(guān)注度是一種稀缺資源，其反應(yīng)了在一定時(shí)間、一定資源范圍內(nèi)公眾的信息偏好和注意力分配[1]。突發(fā)公共衛(wèi)生事件網(wǎng)民關(guān)注度是指在突發(fā)公共衛(wèi)生事件期間網(wǎng)民對(duì)互聯(lián)網(wǎng)信息的偏好和注意力，其在一定程度上反應(yīng)了網(wǎng)民對(duì)突發(fā)公共衛(wèi)生事件議題的關(guān)注程度、信息需求和特定意見(jiàn)。對(duì)其進(jìn)行分析，有助于提升疫情期間政府信息供給效率、滿足公眾需求和提供社會(huì)支持等[2]。傳統(tǒng)對(duì)公眾關(guān)注度的研究主要采用抽樣問(wèn)卷調(diào)查，這種方式成本高、耗時(shí)長(zhǎng)、效率低[3]，難以滿足突發(fā)公共衛(wèi)生事件中數(shù)據(jù)增長(zhǎng)迅猛、議題變化快、持續(xù)時(shí)間短的現(xiàn)實(shí)要求。隨著互聯(lián)網(wǎng)的發(fā)展和普及，利用大數(shù)據(jù)監(jiān)測(cè)平臺(tái)采集和分析網(wǎng)民數(shù)字足跡成為可能，這也為短時(shí)間內(nèi)有效測(cè)量網(wǎng)民關(guān)注度提供了可行路徑。

2020年1月下旬以來(lái)，新冠肺炎疫情在武漢大規(guī)模爆發(fā)，并很快蔓延至全國(guó)。為了有效控制疫情，切斷病毒傳播途徑，2020年1月23日武漢政府關(guān)閉了離漢通道，并對(duì)武漢及其周邊城市采取隔離措施。25日，除西藏外，我國(guó)31個(gè)省、自治區(qū)、直轄市啟動(dòng)了突發(fā)公共衛(wèi)生事件1級(jí)響應(yīng)，北京時(shí)間31日，世界衛(wèi)生組織將新冠疫情認(rèn)定為國(guó)際公共衛(wèi)生緊急事件（PHEIC）。2月6日，中國(guó)境內(nèi)確診新冠病例超過(guò)3萬(wàn)人，我國(guó)抗疫工作進(jìn)入攻堅(jiān)期，3月4日全國(guó)21省市下調(diào)應(yīng)急響應(yīng)級(jí)別，10日習(xí)近平主席抵達(dá)武漢考查防疫工作，12日國(guó)家衛(wèi)健委表示我國(guó)疫情流行高峰已過(guò)。在此期間，我國(guó)網(wǎng)民在新浪微博平臺(tái)上發(fā)布和轉(zhuǎn)發(fā)了超過(guò)2億條與疫情相關(guān)的博文，這為探索突發(fā)公共衛(wèi)生事件中中國(guó)網(wǎng)民關(guān)注度提供了很好的機(jī)會(huì)和資料。

鑒于此，本文利用新浪大數(shù)據(jù)輿情監(jiān)測(cè)平臺(tái)對(duì)突發(fā)公共衛(wèi)生事件中網(wǎng)民關(guān)注度進(jìn)行測(cè)量，試圖考查突發(fā)公共衛(wèi)生事件情境下，網(wǎng)民關(guān)注度變化趨勢(shì)、特點(diǎn)及影響因素等內(nèi)容。為掌握突發(fā)公共衛(wèi)生事件中網(wǎng)民信息需求和關(guān)注焦點(diǎn)提供理論支撐，為提升政府輿論引導(dǎo)能力、公眾溝通水平和公共服務(wù)效果提供決策支持。

1? 相關(guān)研究

當(dāng)前，對(duì)公眾關(guān)注度的分析主要分為基于供給（Supply-based）和基于需求（Demand-based）兩類，基于供給主要是指網(wǎng)民主動(dòng)發(fā)布在微博、Facebook、博客等社交媒體上的數(shù)據(jù)，基于需求則是人們?cè)诰W(wǎng)絡(luò)中的搜索行為數(shù)據(jù)[4]。

基于供給的公眾關(guān)注度分析主要研究的內(nèi)容有：①公眾關(guān)注度與公眾在社交媒體上發(fā)布的信息數(shù)量之間的關(guān)系，如：Neuman W R等就利用大數(shù)據(jù)技術(shù)分析了2012年29個(gè)政治議題的公眾關(guān)注度，發(fā)現(xiàn)傳統(tǒng)媒體對(duì)議題的報(bào)道會(huì)增加社交媒體對(duì)議題的討論[5];Househ M分析了埃博拉疫情期間Twitter數(shù)量與Google新聞數(shù)量之間的關(guān)系，發(fā)現(xiàn)兩者高度相關(guān)[6];②不同類型機(jī)構(gòu)發(fā)布信息對(duì)公眾關(guān)注度的影響，如：Fung I C等就研究了中國(guó)政府和世衛(wèi)組織在微博上發(fā)布的H7N9和MERS-CoV信息，發(fā)現(xiàn)公眾對(duì)中國(guó)政府發(fā)布的信息關(guān)注度更高，而世衛(wèi)組織關(guān)注度相對(duì)較低[7];③公眾關(guān)注度與病例數(shù)量之間的關(guān)系，如：Signorini A等就研究了H1N1流行期間Twitter數(shù)與病例數(shù)之間的關(guān)系，發(fā)現(xiàn)兩者之間正相關(guān)[8];Mollema L等研究了社交媒體、在線新聞與麻疹病例數(shù)的關(guān)系，發(fā)現(xiàn)在線新聞數(shù)與社交媒體數(shù)的相關(guān)性比與麻疹病例數(shù)的相關(guān)性更強(qiáng)[9];④公眾關(guān)注主題與疫情發(fā)展的變化特征研究，如：An L等就研究了公眾在埃博拉、塞卡、中東呼吸綜合征流行期間，關(guān)注議題的變化趨勢(shì)和特征[10];⑤不同媒體平臺(tái)與公眾關(guān)注度之間的關(guān)系，如：Yla Tausczika等研究了H1N1流感爆發(fā)期間公眾對(duì)報(bào)紙、博客、維基百科關(guān)注度之間的關(guān)系，發(fā)現(xiàn)公眾對(duì)疫情的關(guān)注首先表現(xiàn)在維基百科的搜索行為，然后是博客，最后才是報(bào)紙文章[11]。

基于需求的公眾關(guān)注度分析主要是運(yùn)用網(wǎng)絡(luò)搜索、瀏覽記錄等數(shù)據(jù)來(lái)對(duì)公眾關(guān)注度予以測(cè)度，如：Hou Z等就收集了新冠肺炎爆發(fā)期間新浪微博熱搜、百度指數(shù)、阿里電商指數(shù)，并對(duì)其進(jìn)行分析，發(fā)現(xiàn)在中央媒體報(bào)道前公眾對(duì)疫情的關(guān)注很低，當(dāng)政府正式對(duì)外宣布疫情后，公眾反應(yīng)迅速，并出現(xiàn)恐慌性購(gòu)買、謠言泛濫等現(xiàn)象[12];Ishii A等分析了用戶搜索行為的季節(jié)性偏差，發(fā)現(xiàn)用戶搜索主題詞隨著季節(jié)變化而變化[13];鄭路等利用大數(shù)據(jù)挖掘方法，分析了用戶新聞關(guān)注主題與影響因素，發(fā)現(xiàn)不同地區(qū)、不同階層用戶的新聞關(guān)注主題有顯著差異[14];孟天廣等采集了2011-2017年26個(gè)政策議題的百度搜索數(shù)據(jù)，探索公眾搜索行為與政策關(guān)注度，發(fā)現(xiàn)社會(huì)議題存在地區(qū)差異性，與各地區(qū)人口、消費(fèi)、經(jīng)濟(jì)等因素有關(guān)[15]。

綜上，利用大數(shù)據(jù)監(jiān)測(cè)系統(tǒng)來(lái)分析研究公眾關(guān)注度已成為當(dāng)前國(guó)內(nèi)外研究趨勢(shì)。同時(shí)，為了應(yīng)對(duì)突發(fā)公共衛(wèi)生事件情境下，短時(shí)間內(nèi)大量議題涌現(xiàn)，頻繁更替的情況，本文擬采用基于供給的方式對(duì)網(wǎng)民關(guān)注度進(jìn)行研究。這主要出于兩方面考慮：一方面，在突發(fā)事件中，每天議題迅速變化，衍生輿情此起彼伏，靠單一關(guān)鍵詞追蹤百度指數(shù)變化極易出現(xiàn)漏檢，而人工構(gòu)建關(guān)鍵詞集工作量巨大，效果也難以保證;另一方面，在保證數(shù)據(jù)覆蓋全面、準(zhǔn)確的情況下，采用基于供給的方式來(lái)研究網(wǎng)民關(guān)注度，可探索維度更多，且對(duì)關(guān)注趨勢(shì)變化感知更敏感。基于此，本文將從網(wǎng)民關(guān)注度總體趨勢(shì)、指標(biāo)變化趨勢(shì)、主題變化趨勢(shì)等方面來(lái)探索突發(fā)公共衛(wèi)生事件中中國(guó)網(wǎng)民的關(guān)注度規(guī)律。

2? 數(shù)據(jù)與方法

21? 數(shù)據(jù)來(lái)源

本文使用新浪輿情大數(shù)據(jù)平臺(tái)的微博數(shù)據(jù)作為測(cè)量網(wǎng)民關(guān)注度的主要數(shù)據(jù)來(lái)源，該平臺(tái)擁有新浪微博全量數(shù)據(jù)庫(kù)，每天存儲(chǔ)新浪微博數(shù)據(jù)超過(guò)6 000萬(wàn)條，可獲得用戶賬號(hào)類型、微博轉(zhuǎn)發(fā)量、微博發(fā)文時(shí)間、博主所在區(qū)域等信息。本研究在該系統(tǒng)中輸入：肺炎、疫情、病毒等關(guān)鍵詞，檢索時(shí)間范圍在2020年1月20日至2020年3月12日共53天所有有關(guān)新冠疫情微博，數(shù)據(jù)達(dá)230 139 482條，在此基礎(chǔ)上對(duì)每天微博發(fā)文量進(jìn)行記錄，并將轉(zhuǎn)載量最多的前100條熱門微博數(shù)據(jù)進(jìn)行下載，共計(jì)5 300條。對(duì)下載的熱門微博數(shù)據(jù)進(jìn)行清洗，去除機(jī)器自動(dòng)轉(zhuǎn)載博文、廣告博文，最終建立了一個(gè)時(shí)間跨度53天，包含4 968條新冠疫情熱門微博數(shù)據(jù)集，該數(shù)據(jù)集包含熱門微博內(nèi)容、博主信息、博文轉(zhuǎn)載量、博主賬號(hào)類型、微博情感傾向等屬性，同時(shí)，為后續(xù)考察關(guān)注度影響因素，課題組還向數(shù)據(jù)集中添加了博主粉絲數(shù)、微博內(nèi)容特征等屬性數(shù)據(jù)。此外，為考察網(wǎng)民關(guān)注度的宏觀影響因素，本文還收集了2020年1月20日至2020年3月12日期間國(guó)家衛(wèi)健委發(fā)布的病例數(shù)據(jù)，包括：新增確診、新增疑似、新增治愈和新增死亡數(shù)據(jù)，共53條。

33? 熱門輿情關(guān)注主題變化趨勢(shì)分析

前述基本面分析有助于把握我國(guó)網(wǎng)民關(guān)注度總體變化趨勢(shì)，但微觀探索不足，難以指導(dǎo)具體實(shí)踐。為此，本文進(jìn)一步探索熱門輿情關(guān)注主題變化趨勢(shì)，幫助管理部門掌握疫情期間網(wǎng)民對(duì)各類信息的關(guān)注程度，具體需求，了解不同階段話題分布特點(diǎn)。

依據(jù)22節(jié)劃分的39個(gè)熱門微博話題，做疫情流行高峰期間熱門微博主題分布圖，如圖4?？梢?jiàn)，在疫情發(fā)展的不同階段，網(wǎng)民對(duì)熱門主題的關(guān)注也呈現(xiàn)出不同特點(diǎn)。

在疫情爆發(fā)前期（2020年1月20至2020年2月5日），由于信息不對(duì)稱，網(wǎng)民更關(guān)注疫情動(dòng)態(tài)、病毒來(lái)源、防疫舉措、科普答疑及類似案例（參考借鑒），同時(shí)由于疫情給公眾的工作、生活帶來(lái)諸多不便，網(wǎng)民開(kāi)始關(guān)注政府失職、網(wǎng)絡(luò)問(wèn)政、醫(yī)護(hù)請(qǐng)求支援及抗疫科研攻關(guān)成果等話題。另外，在強(qiáng)大的媒體宣傳攻勢(shì)下，網(wǎng)民轉(zhuǎn)發(fā)了許多有關(guān)防疫的倡議建議以及對(duì)醫(yī)護(hù)的鼓勵(lì)支持，1月24日后，捐獻(xiàn)贈(zèng)送轉(zhuǎn)發(fā)在網(wǎng)絡(luò)中大量涌現(xiàn)。

疫情爆發(fā)中期（2020年2月6日至2020年2月23日），我國(guó)開(kāi)始進(jìn)入抗疫攻堅(jiān)階段，防疫次生問(wèn)題開(kāi)始涌現(xiàn)，如：少數(shù)病人得不到救治開(kāi)始在線上求助、一些企業(yè)出現(xiàn)經(jīng)營(yíng)困境、知名人士因病去世、醫(yī)護(hù)警察因公殉職等。為滿足公民訴求，一些組織和機(jī)構(gòu)的支持援助舉措，如：開(kāi)通線上救助通道、線上義診平臺(tái)等獲得大量關(guān)注點(diǎn)贊。與此同時(shí)，防疫舉措、鼓勵(lì)加油、捐獻(xiàn)贈(zèng)送、倡議建議及政府失職問(wèn)題也持續(xù)受到關(guān)注。此外，2月15日后，隨著疫情的全球蔓延，國(guó)外疫情開(kāi)始受到大量關(guān)注。

疫情爆發(fā)后期（2020年2月24日至2020年3月12日），疫情得到基本控制，我國(guó)網(wǎng)民注意力開(kāi)始分散，其他話題比例明顯增多，贊譽(yù)肯定成為主流，感恩道謝逐漸增多，國(guó)外疫情關(guān)注程度持續(xù)上升，網(wǎng)民開(kāi)始期待疫情結(jié)束后的生活。

總的來(lái)看，在整個(gè)疫情流行高峰期間，網(wǎng)民始終關(guān)注防疫舉措、鼓勵(lì)加油、捐獻(xiàn)贈(zèng)送、倡議建議、贊譽(yù)肯定這5大主題。這一方面是由于媒體宣傳范圍廣、力度大造成的;另一方面，也反映了我國(guó)網(wǎng)民在特殊時(shí)期的團(tuán)結(jié)精神。

具體各類話題分布比例如表4。

疫情期間，網(wǎng)民最關(guān)注哪些媒體發(fā)布的信息？這些賬戶有何特點(diǎn)？他們發(fā)布的熱門信息占所有熱門信息比例的多少？為了回答此問(wèn)題，本文對(duì)采集的熱門輿情微博賬戶數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，如圖5所示。疫情期間，網(wǎng)民關(guān)注的熱點(diǎn)微博信息更多來(lái)自國(guó)家主流媒體，在發(fā)布熱門微博最多的前10名賬號(hào)中，國(guó)家主流媒體賬號(hào)占到了8個(gè)，分別為：人民日?qǐng)?bào)、央視新聞、中國(guó)新聞網(wǎng)、環(huán)球網(wǎng)、人民網(wǎng)、新華視點(diǎn)、環(huán)球時(shí)報(bào)和新京報(bào)，其發(fā)布的熱門信息占到所有熱門信息的1677%?？梢?jiàn)，在突發(fā)公共衛(wèi)生事件期間，權(quán)威媒體具有很強(qiáng)的輿論引導(dǎo)作用，他們發(fā)布的內(nèi)容獲得網(wǎng)民關(guān)注度最高。

2）熱門輿情賬戶情感分布

疫情期間，不同類型的微博賬戶發(fā)布的熱門微博情感傾向如何？是否有顯著差異？為考察此問(wèn)題，本文將熱門微博賬戶分為媒體、大V、個(gè)人、政府、企業(yè)和機(jī)構(gòu)組織6種類型，分別統(tǒng)計(jì)不同類型賬戶發(fā)布的熱門微博情感傾向，如圖6。采用SPSS23對(duì)數(shù)據(jù)進(jìn)行雙向無(wú)序列列聯(lián)表分析，比較不同賬戶發(fā)布的熱門微博情感是否有差異，如表5、表6。從列聯(lián)表檢驗(yàn)結(jié)果來(lái)看，顯著性水平P<0001，即：不同類型微博賬戶發(fā)布的熱門微博情感傾向是有差異的。為了比較各賬戶類型情感傾向的差異，進(jìn)一步做卡方分割，兩兩比較，發(fā)現(xiàn)：媒體和政府、大V和政府、企業(yè)和組織機(jī)構(gòu)發(fā)布的熱門微博內(nèi)容情感傾向無(wú)顯著差異;媒體、大V、個(gè)人和企業(yè)、組織機(jī)構(gòu)發(fā)布的熱門微博內(nèi)容情感傾向有顯著差異，企業(yè)和組織機(jī)構(gòu)發(fā)布的非敏感熱門微博更多;媒體和大V、媒體和個(gè)人、大V和個(gè)人發(fā)布的熱門微博內(nèi)容情感傾向有明顯差異，大V、個(gè)人發(fā)布的敏感熱門微博比媒體要多，個(gè)人發(fā)布的敏感熱門微博比大V多。出現(xiàn)上述情況，本文推斷是由于在疫情期間權(quán)威媒體報(bào)道方式、手段、視角單一、同質(zhì)性過(guò)高，造成網(wǎng)民信息疲勞，而大V、個(gè)人賬號(hào)的一些負(fù)面爆料、情緒宣泄在一定程度上填補(bǔ)了權(quán)威媒體空白，引發(fā)網(wǎng)民共鳴，而獲得較多關(guān)注。

4? 影響因素分析

為進(jìn)一步探索突發(fā)公共衛(wèi)生事件中影響中國(guó)網(wǎng)民關(guān)注度的因素，本節(jié)將從宏觀、中觀、微觀3個(gè)層面展開(kāi)分析。具體包括：網(wǎng)民總體關(guān)注度影響因素分析、每日熱門輿情關(guān)注度影響因素分析和單條熱門微博關(guān)注度影響因素分析。

41? 網(wǎng)民總體關(guān)注度影響因素分析

1）模型與變量

依據(jù)31節(jié)分析結(jié)論，全網(wǎng)網(wǎng)民對(duì)疫情的關(guān)注度與新增確診、新增疑似、新增治愈病例數(shù)有關(guān)。同時(shí)，32節(jié)結(jié)論顯示變異系數(shù)大的天數(shù)，往往伴隨著引人注目的焦點(diǎn)事件發(fā)生，這在某種程度上也會(huì)提升當(dāng)天網(wǎng)民的總體關(guān)注度。因此，根據(jù)上述推斷，建立相應(yīng)影響因素模型（3）如下：

Ai=β0+β1Di+β2Si+β3Ci+β4Vi+ε（3）

式中Ai為i天網(wǎng)民對(duì)疫情關(guān)注度，β0代表常數(shù)項(xiàng)，Di代表i天新增確診，Si代表i天新增疑似，Ci代表i天新增治愈，Vi代表i天變異系數(shù)，ε代表隨機(jī)擾動(dòng)項(xiàng)。為避免極值對(duì)模型結(jié)果造成影響，對(duì)關(guān)注度Ai、新增確診Di、新增疑似Si、新增治愈Ci和變異系數(shù)Vi取對(duì)數(shù)，模型轉(zhuǎn)化為：

lnAi=β0+β1lnDi+β2lnSi+β3lnCi+β4lnVi+ε（4）

2）結(jié)果分析

將式（4）帶入SPSS23進(jìn)行基本多元線性回歸，共線性診斷發(fā)現(xiàn)新增確診和新增疑似兩變量存在嚴(yán)重的共線性，為解決此問(wèn)題，采用嶺回歸分析將式（4）重新帶入，當(dāng)回歸系數(shù)K=023時(shí)，得到如下結(jié)果，如表7。模型（4）中新增治愈未通過(guò)顯著性檢驗(yàn)，其他解釋變量均通過(guò)顯著性檢驗(yàn);模型的F統(tǒng)計(jì)量為2636，通過(guò)顯著性檢驗(yàn);R2=0687及調(diào)整后的R2=0661，說(shuō)明模型擬合度較好。

模型結(jié)果顯示，新增確診、新增疑似和當(dāng)天變異系數(shù)是影響網(wǎng)民對(duì)疫情關(guān)注的主要因素，且這3個(gè)解釋變量與總體關(guān)注度正相關(guān)。

42? 每日熱門輿情關(guān)注度影響因素分析

1）模型與變量

通過(guò)觀察發(fā)現(xiàn)，每日轉(zhuǎn)發(fā)量前100的熱門微博其轉(zhuǎn)載總量與當(dāng)日全網(wǎng)疫情輿情總量相關(guān)，即：當(dāng)日全網(wǎng)輿情總量多，則排名前100的熱門微博轉(zhuǎn)載總量也多;而且，隨著微博內(nèi)容戲劇性元素增多，即：1條微博描述的內(nèi)容包括名人、政府部門、偶發(fā)事件等敏感因素，則其戲劇性成分增加關(guān)注人數(shù)也會(huì)相應(yīng)增加，如：李文亮醫(yī)生過(guò)世事件。為此，本文為模型設(shè)置了戲劇性解釋變量。該變量的計(jì)算方法為：依據(jù)戲劇元素在熱門微博中出現(xiàn)的頻次，人工篩選出10個(gè)戲劇性特征，包括名人、政府、醫(yī)生、病人、學(xué)生、寵物、公益組織、慈善組織、國(guó)際組織、偶發(fā)事件，對(duì)熱門微博內(nèi)容進(jìn)行遍歷，若內(nèi)容包含其中1個(gè)特征，則戲劇性分值為1，兩個(gè)特征分值為2等。最終每日熱門輿情關(guān)注度影響因素模型（5）如下：

Hi=β0+β1Di+β2Si+β3Ci+β4Vi+β5Ai+β6Fi+ε（5）

式中β0、Di、Si、Ci、Vi、Ai、ε意義與式（3）相同，Hi為第i天排名前100的熱門微博關(guān)注度，F(xiàn)i為第i天所有排名前100的熱門微博戲劇性分值總和。為避免極值對(duì)模型結(jié)果造成影響，對(duì)所有解釋變量取對(duì)數(shù)，轉(zhuǎn)化為：

lnHi=β0+β1lnDi+β2lnSi+β3lnCi+β4lnVi+β5lnAi+β6lnFi+ε（6）

2）結(jié)果分析

將式（6）帶入SPSS23進(jìn)行基本多元線性回歸，共線性診斷發(fā)現(xiàn)新增確診和新增疑似兩變量存在嚴(yán)重的共線性，為解決此問(wèn)題，采用嶺回歸分析將式（6）重新帶入，當(dāng)回歸系數(shù)K=028時(shí)，得到如下結(jié)果，如表8。模型（6）中新增確診未通過(guò)顯著性檢驗(yàn)，其他解釋變量均通過(guò)顯著性檢驗(yàn);模型的F統(tǒng)計(jì)量為7513，通過(guò)顯著性檢驗(yàn);R2=0907及調(diào)整后的R2=0895，說(shuō)明模型擬合度較好。

模型結(jié)果顯示，新增疑似、新增治愈、變異系數(shù)、輿情總量和戲劇性分值是影響網(wǎng)民對(duì)當(dāng)天熱門疫情微博關(guān)注的主要因素。其中，輿情總量、變異系數(shù)、戲劇性分值和新增疑似與熱門輿情關(guān)注度正相關(guān)，新增治愈則為負(fù)相關(guān)。

43? 單條熱門微博關(guān)注度影響因素分析

1）模型與變量

最后需要考察的是單條熱門微博所獲關(guān)注度的影響因素，根據(jù)觀察發(fā)現(xiàn)單條熱門微博所獲關(guān)注度即受當(dāng)天全網(wǎng)相關(guān)輿情總量的影響，也受發(fā)帖人粉絲數(shù)和內(nèi)容戲劇性的影響。為此，建立單條熱門微博關(guān)注度影響因素模型（7）如下：

W=β0+β1Ai+β2F+β3FS+ε（7）

式中β0、Ai、ε意義與式（3）相同，W代表單條熱門微博關(guān)注度，F(xiàn)代表熱門微博戲劇性分值，F(xiàn)S代表熱門微博博主粉絲數(shù)。為避免極值對(duì)模型結(jié)果造成影響，對(duì)所有解釋變量取對(duì)數(shù)，轉(zhuǎn)化為：

lnW=β0+β1lnAi+β2lnF+β3lnFS+ε（8）

2）結(jié)果分析

將式（8）帶入SPSS23進(jìn)行基本多元線性回歸，得到如下結(jié)果，如表9。模型（8）中戲劇性分值未通過(guò)顯著性檢驗(yàn)，其他解釋變量均通過(guò)顯著性檢驗(yàn);模型的F統(tǒng)計(jì)量為49419，通過(guò)顯著性檢驗(yàn);R2=0230及調(diào)整后的R2=0230，說(shuō)明模型擬合度較弱，存在其他因素對(duì)單條微博關(guān)注度的影響。

模型結(jié)果顯示，輿情總量和微博賬號(hào)粉絲數(shù)是影響網(wǎng)民對(duì)單條微博關(guān)注的主要因素，這兩個(gè)變量

與單條微博關(guān)注度正相關(guān)。戲劇性因素未能通過(guò)顯著性檢驗(yàn)，一種可能的解釋是即便內(nèi)容再好，若沒(méi)有合適的傳播節(jié)點(diǎn)，不順應(yīng)大環(huán)境也很難獲得關(guān)注。

5? 結(jié)論與建議

本文詳盡分析了2020年1月20日至2020年3月13日新冠肺炎疫情在中國(guó)流行高峰期間，網(wǎng)民關(guān)注變化趨勢(shì)及相關(guān)影響因素。得出以下結(jié)論：①在疫情爆發(fā)初期，網(wǎng)民關(guān)注度并非完全由確診病例、疑似病例數(shù)上升決定，更多是由媒體大規(guī)模報(bào)道造成的;②隨著疫情變得嚴(yán)重，新增確診、新增疑似病例與網(wǎng)民關(guān)注度出現(xiàn)同頻共振，新增死亡與網(wǎng)民關(guān)注度不顯著;③每日網(wǎng)民關(guān)注度呈現(xiàn)出一定的集中趨勢(shì)，聚焦于少數(shù)事件，特別在媒體大規(guī)模報(bào)道初期，集中度最高;④防疫舉措、鼓勵(lì)加油、捐獻(xiàn)贈(zèng)送、倡議建議、贊譽(yù)肯定5大主題始終貫穿于疫情流行高峰，疫情發(fā)展不同階段，網(wǎng)民關(guān)注主題與實(shí)際抗疫情況疊加變化;⑤疫情期間，主流媒體發(fā)布的微博受關(guān)注最多，不同賬戶類型發(fā)布內(nèi)容情感傾向有顯著差異;⑥網(wǎng)民對(duì)疫情的總體關(guān)注度，主要受新增確診、新增疑似和變異系數(shù)影響;⑦每日熱門輿情關(guān)注度，主要受新增疑似、新增治愈、變異系數(shù)、輿情總量和戲劇性分值影響;⑧單條微博獲得關(guān)注與當(dāng)日相關(guān)話題輿情總量和微博賬號(hào)粉絲數(shù)有一定關(guān)系。

依據(jù)上述分析結(jié)果，對(duì)于疫情期間政府信息供給、引導(dǎo)輿情、提升公共服務(wù)水平給出如下建議：

1）確保疫情期間相關(guān)信息公開(kāi)透明，對(duì)重大防疫舉措必須做好相應(yīng)宣傳解釋

信息公開(kāi)透明是減少信息不對(duì)稱和緩解公眾恐慌的重要舉措。在疫情爆發(fā)初期，應(yīng)積極向公眾進(jìn)行科普答疑、宣傳解釋，讓公眾對(duì)疫情具備基本認(rèn)知、對(duì)政府舉措產(chǎn)生認(rèn)同理解。這樣有助于減少突發(fā)事件中由于信息不對(duì)稱造成的恐慌情緒，緩解因疫情防控需要造成公民慣性生活節(jié)奏被打亂產(chǎn)生的心理和身體不適。

2）積極利用主流媒體對(duì)防疫工作進(jìn)行播報(bào)宣傳，同時(shí)注重報(bào)道內(nèi)容的多樣化

在防疫工作的宣傳和報(bào)道過(guò)程中，主流媒體發(fā)布內(nèi)容具有權(quán)威性和專業(yè)性特征，其發(fā)布內(nèi)容獲網(wǎng)民關(guān)注程度也較高。但在宣傳部門統(tǒng)一管控下，主流媒體易出現(xiàn)報(bào)道視角、方式、手段單一，內(nèi)容缺乏新意，機(jī)械式口號(hào)宣傳等問(wèn)題。為此，應(yīng)鼓勵(lì)主流媒體在不違反宣傳管控要求的前提下，提升報(bào)道內(nèi)容的多樣性、豐富性和思辨性。

3）積極把握網(wǎng)民關(guān)注度變化規(guī)律，提升輿論引導(dǎo)及信息供給效率

突發(fā)公共衛(wèi)生事件要得到快速、妥善處理，離不開(kāi)廣大公眾的積極配合。但由于部分公眾個(gè)人保護(hù)意識(shí)不強(qiáng)，重視不夠，便成為防疫工作的薄弱環(huán)節(jié)。因此，應(yīng)積極把握網(wǎng)民關(guān)注規(guī)律，邀請(qǐng)知名專家在權(quán)威媒體上向公眾宣傳防疫知識(shí)，發(fā)動(dòng)廣大明星、知名人士在抗疫攻堅(jiān)階段不斷給大家加油打氣、倡議建議、捐獻(xiàn)贈(zèng)送，提升全體民眾的凝聚力。

參考文獻(xiàn)

[1]Ripberger J T.Capturing Curiosity：Using Internet Search Trends to Measure Public Attentiveness[J].Policy Studies Journal，2011，39（2）：239-259.

[2]Tang L，Bie B，Park S E，et al.Social Media and Outbreaks of Emerging Infectious Diseases：A Systematic Review of Literature[J].American Journal of Infection Control，2018.

[3]Henry G T，Gordon C S.Tracking Issue Attention：Specifying the Dynamics of the Public Agenda[J].Public Opinion Quarterly，（2）：2.

[4]Ginsberg J.Detecting Influenza Epidemics Using Search Engine Query Data[J].Nature，2009，457.

[5]Neuman W R，Guggenheim L，Jang S M，et al.The Dynamics of Public Attention：Agenda-Setting Theory Meets Big Data[J].Journal of Communication，2014，64（2）：193-214.

[6]Househ M.Communicating Ebola Through Social Media and Electronic News Media Outlets：A Cross-sectional Study[J].Health Informatics Journal，2015，22（3）.

[7]Fung I C，F(xiàn)u K，Ying Y，et al.Chinese Social Media Reaction to the MERS-CoV and Avian Influenza A（H7N9）Outbreaks.Infect Dis Poverty 2，31（2013）.https：//doi.org/10.1186/2049-9957-2-31.

[8]Signorini A，Segre A M，Polgreen P M.The Use of Twitter to Track Levels of Disease Activity and Public Concern in the US During the Influenza A H1N1 Pandemic[J].PloS One，2011，6（5）.

[9]Mollema L，Harmsen I A，Broekhuizen E，et al.Disease Detection or Public Opinion Reflection？Content Analysis of Tweets，Other Social Media，and Online Newspapers During the Measles Outbreak in the Netherlands in 2013[J].Journal of Medical Internet Research，2015，17（5）：e128.

[10]An L，Yu C，Lin X，et al.Topical Evolution Patterns and Temporal Trends of Microblogs on Public Health Emergencies：An Exploratory Study of Ebola on Twitter and Weibo[J].Online Information Review，2018，42（6）：821-846.

[11]Yla Tausczika，Kate Faasseb，James W Pennebakera，et al.Public Anxiety and Information Seeking Following the H1N1 Outbreak：Blogs，Newspaper Articles，and Wikipedia Visits[J].Health Communication，2012，27（2）：179-185.

[12]Hou Z，Du F，Jiang H，et al.Assessment of Public Attention，Risk Perception，Emotional and Behavioural Responses to the COVID-19 Outbreak：Social Media Surveillance in China[J].Risk Perception，Emotional and Behavioural Responses to the COVID-19 Outbreak：Social Media Surveillance in China（3/6/2020），2020.

[13]Ishii A，Wakabayashi T，Okano N，et al.Analysis of Social Media Content and Search Behavior Related to Seasonal Topics Using the Sociophysics Approach[J].2018.

[14]鄭路，吳文兵，葛天任，等.社會(huì)關(guān)注度的新聞大數(shù)據(jù)分析——社會(huì)、時(shí)間與空間的維度[J].浙江學(xué)刊，2018，（3）：82-90.

[15]孟天廣，趙娟.大數(shù)據(jù)時(shí)代網(wǎng)絡(luò)搜索行為與公共關(guān)注度：基于2011-2017年百度指數(shù)的動(dòng)態(tài)分析[J].學(xué)海，2019，（3）：41-48.

[16]張文彤，董偉.SPSS統(tǒng)計(jì)分析高級(jí)教程[M].北京：高等教育出版社，2004：247-248.

（責(zé)任編輯：孫國(guó)雷）