城市微博數(shù)據(jù)驅(qū)動(dòng)的群體疫情情感響應(yīng)時(shí)空特征
——以武漢市和石家莊市新冠疫情為例

姜 偉,郝 智 輝,王 艷 東,曹 衛(wèi) 東*,夏 江,吳 浩 澤,樊 成

(1.安徽師范大學(xué)地理與旅游學(xué)院，安徽 蕪湖 241003；2.武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079；3.武漢市疾病預(yù)防控制中心，湖北 武漢 430022；4.武漢市衛(wèi)生健康委員會(huì)，湖北 武漢 430014)

0 引言

新型冠狀病毒肺炎疫情(簡(jiǎn)稱“新冠疫情”)[1,2]的暴發(fā)與全球流行，不僅對(duì)人的生命健康構(gòu)成嚴(yán)重威脅，也導(dǎo)致社會(huì)經(jīng)濟(jì)出現(xiàn)巨大損失[3]。新冠疫情多次局部暴發(fā)[4]，不僅考驗(yàn)社會(huì)的疾病預(yù)防控制工作，也影響當(dāng)?shù)孛癖姷纳踩托睦斫】礫5]，導(dǎo)致民眾出現(xiàn)恐懼、悲傷、憤怒等多維負(fù)面情感響應(yīng)[6]，這些負(fù)面情感如果得不到及時(shí)發(fā)現(xiàn)和治理，會(huì)直接妨礙防控措施的有效實(shí)施，加重社會(huì)集群式恐慌，影響社會(huì)和諧穩(wěn)定[7]。深入理解城市大規(guī)模人群疫情情感響應(yīng)時(shí)空特征及其影響因子，可為民眾情感治理策略制定以及疫情防控措施優(yōu)化提供科學(xué)依據(jù)。

目前國(guó)內(nèi)外學(xué)者多采用實(shí)地調(diào)研等方法挖掘疫情暴發(fā)時(shí)人們的情感響應(yīng)特征[8,9]，但實(shí)地調(diào)研方法難以在疫情防控期間大范圍實(shí)施，無(wú)法即時(shí)采集大規(guī)模人群的疫情相關(guān)情感信息。隨著社交媒體的普及，情感研究由實(shí)體空間映射到網(wǎng)絡(luò)空間[10]。網(wǎng)絡(luò)用戶可在社交平臺(tái)隨時(shí)、隨地發(fā)布自己的情感響應(yīng)和認(rèn)知狀態(tài)信息，這些信息為即時(shí)掌握大規(guī)模群體在疫情防控期間的多維情感響應(yīng)強(qiáng)度及其時(shí)空特征提供了可能[11]。目前，社交媒體數(shù)據(jù)已廣泛用于網(wǎng)絡(luò)用戶群體情感響應(yīng)研究并不斷取得新進(jìn)展[12-16]，但多數(shù)研究?jī)H將社交文本的情感類別劃分為積極、中性、消極3類[12,13,17]，對(duì)用戶群體表達(dá)的情感維度擴(kuò)展不夠，且缺乏對(duì)疫情防控期間用戶群體多維情感強(qiáng)度的定量化評(píng)估方法研究。此外，聚焦國(guó)內(nèi)多地疫情暴發(fā)現(xiàn)狀，不僅要注重全國(guó)層面省市大空間尺度下情感響應(yīng)探索[3,14,15,18]，對(duì)城市內(nèi)部情感響應(yīng)時(shí)空分布特征的精細(xì)化研究也亟待開(kāi)展。鑒于此，本文基于社交媒體大數(shù)據(jù)，結(jié)合實(shí)地問(wèn)卷調(diào)查，提出城市用戶群體疫情情感響應(yīng)時(shí)空特征分析框架，該框架重點(diǎn)構(gòu)建用戶群體對(duì)于疫情的多種情感強(qiáng)度的精確評(píng)估方法，細(xì)粒度且高效反饋用戶群體情感響應(yīng)信息；在此基礎(chǔ)上，挖掘城市用戶群體在多次疫情暴發(fā)期間情感響應(yīng)的動(dòng)態(tài)變化以及在城市空間中的分布特征，探究影響情感響應(yīng)的顯著性因子。

1 研究區(qū)域與數(shù)據(jù)來(lái)源

1.1 研究區(qū)域

武漢市是國(guó)家中心城市之一，也是全國(guó)重要的工業(yè)基地、科教基地和綜合交通樞紐[19]，2019年12月-2020年4月武漢市曾受新冠疫情影響，出現(xiàn)公共衛(wèi)生事件危機(jī)[20,21]；石家莊市是京津冀地區(qū)重要的中心城市之一[22]，2021年1月該市連日新增新冠肺炎確診病例及多例無(wú)癥狀感染者，疫情防控工作壓力巨大。因此，本研究以武漢市和石家莊市為案例城市，選擇武漢市主城區(qū)(江岸區(qū)、江漢區(qū)、硚口區(qū)、漢陽(yáng)區(qū)、青山區(qū)、武昌區(qū)、洪山區(qū))和石家莊市新華區(qū)、裕華區(qū)、橋西區(qū)、長(zhǎng)安區(qū)、藁城區(qū)、正定縣為研究區(qū)域，所選區(qū)域人口較為集中，受疫情影響較大。

1.2 數(shù)據(jù)來(lái)源

新浪微博是國(guó)內(nèi)應(yīng)用最廣泛的社交媒體平臺(tái)之一，20歲以下、21～30歲、31～40歲、41～50歲、51歲及以上5個(gè)年齡段的新浪微博用戶分別約占總用戶的30%、48%、18%、3%、1%，青年用戶占比最大。本研究基于新浪微博開(kāi)放平臺(tái)提供的數(shù)據(jù)接口，采集并存儲(chǔ)2020年1月1日至2月14日在武漢市和2021年1月1日至2月14日在石家莊市發(fā)布的帶有地理標(biāo)簽的社交媒體數(shù)據(jù)，最后分別采集微博用戶在武漢、石家莊市內(nèi)發(fā)布的136 235、500 162條新浪微博數(shù)據(jù)，并存儲(chǔ)為原始數(shù)據(jù)集。為保證數(shù)據(jù)質(zhì)量，本文應(yīng)用噪聲過(guò)濾方法[23]對(duì)數(shù)據(jù)進(jìn)行降噪(剔除用戶轉(zhuǎn)發(fā)的和由機(jī)器人發(fā)布的微博以及廣告)，最終保留91 168條武漢市微博數(shù)據(jù)和112 954條石家莊市微博數(shù)據(jù)。

在兩個(gè)案例地疫情形勢(shì)穩(wěn)定后，本研究對(duì)當(dāng)?shù)孛癖娺M(jìn)行問(wèn)卷調(diào)查，以驗(yàn)證基于微博數(shù)據(jù)評(píng)估城市用戶群體多維情感響應(yīng)結(jié)果的準(zhǔn)確性。兩個(gè)案例地分別發(fā)放1 000份問(wèn)卷，每份問(wèn)卷包含20條微博文本，以李克特5分量表[24,25]對(duì)微博文本的憤怒、恐懼、悲傷和喜悅情感強(qiáng)度進(jìn)行描述?？紤]到社交媒體數(shù)據(jù)可能受人口地理空間分布特征和網(wǎng)絡(luò)用戶年齡段較集中等因素的干擾[26]，為提高問(wèn)卷調(diào)查數(shù)據(jù)的可信度，本次調(diào)查問(wèn)卷均由調(diào)研人員在研究區(qū)域內(nèi)隨機(jī)發(fā)放[27]。最終回收有效問(wèn)卷1 574份，其中，武漢市877份(男性受訪者425人、女性受訪者452人)，石家莊市697份(男性受訪者352人、女性受訪者345人)，有效問(wèn)卷回收率為78.7%?；趦墒械挠行Щ厥諉?wèn)卷，進(jìn)一步提取情感評(píng)估所需的問(wèn)卷數(shù)據(jù)集合。首先，融合微博平臺(tái)發(fā)布的用戶發(fā)展報(bào)告與文獻(xiàn)[28]，厘清新浪微博用戶的年齡構(gòu)成比例；其次，將兩市收集的有效調(diào)查問(wèn)卷分別根據(jù)被調(diào)查者的年齡信息，劃分為20歲以下、21～30歲、31～40歲、41～50歲、51歲及以上5個(gè)年齡段；然后，按照微博用戶年齡構(gòu)成比例，從劃分好年齡段的調(diào)查問(wèn)卷中抽取300份調(diào)查問(wèn)卷，形成問(wèn)卷調(diào)查子集(共600份)，確保該子集中的受訪者年齡構(gòu)成比例與新浪微博用戶年齡構(gòu)成比例一致；最后，利用該問(wèn)卷調(diào)查子集，對(duì)情感響應(yīng)評(píng)估結(jié)果進(jìn)行驗(yàn)證。

2 研究方法

本文以社交媒體數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)，以實(shí)地問(wèn)卷調(diào)查數(shù)據(jù)為驗(yàn)證數(shù)據(jù)，進(jìn)行多維情感響應(yīng)評(píng)估并驗(yàn)證評(píng)估精度；在此基礎(chǔ)上構(gòu)建時(shí)空分析指標(biāo)，用于挖掘情感響應(yīng)時(shí)空特征，并探索城市用戶群體多維情感響應(yīng)特征的影響因素，具體流程如圖1所示。

圖1 方法流程Fig.1 Flowchart of the proposed method

2.1 多維情感響應(yīng)評(píng)估

精確評(píng)估城市用戶群體在疫情防控期間的多維情感響應(yīng)強(qiáng)度，是進(jìn)行情感時(shí)空特征及其影響因素分析的重要前提。本文首先建立疫情背景下的情感詞典，然后構(gòu)建顧及程度副詞、否定詞等語(yǔ)法因素的情感計(jì)算規(guī)則，最后利用問(wèn)卷調(diào)查數(shù)據(jù)驗(yàn)證基于微博數(shù)據(jù)評(píng)估用戶群體情感響應(yīng)強(qiáng)度的準(zhǔn)確性。

2.1.1 疫情場(chǎng)景專有情感詞典構(gòu)建 現(xiàn)有情感詞典可分為一般場(chǎng)景情感詞典和特殊場(chǎng)景情感詞典兩大類[29]。本文在已有一般場(chǎng)景情感詞典基礎(chǔ)上，構(gòu)建疫情場(chǎng)景專有情感詞典。采用的一般場(chǎng)景情感詞典為國(guó)內(nèi)應(yīng)用較廣泛的中文情感詞匯本體庫(kù)(http://ir.dlut.edu.cn/)，該詞庫(kù)總結(jié)了大量生活中通用的中文詞匯及短語(yǔ)，并規(guī)范其詞性種類、情感類別等屬性信息。已有研究表明[30]，憤怒、恐懼、悲傷和喜悅4種情感可以基本反映公眾對(duì)于疫情感知的情感變化動(dòng)態(tài)，因此，本文結(jié)合武漢疫情防控專家的相關(guān)意見(jiàn)，抽取該情感詞匯本體庫(kù)中憤怒、恐懼、悲傷、喜悅4個(gè)維度情感，利用每個(gè)維度對(duì)應(yīng)的情感詞匯構(gòu)建初步情感詞典；然后從兩方面對(duì)初步情感詞典進(jìn)行擴(kuò)充：一是擴(kuò)充疫情相關(guān)的情感詞匯(如“窒息”“野味”“漏報(bào)”等),二是擴(kuò)充近年來(lái)的網(wǎng)絡(luò)流行詞匯(“藍(lán)瘦”“淚目”“坑爹”等)。在詞典擴(kuò)充過(guò)程中，通過(guò)招募20名志愿者對(duì)1萬(wàn)條微博文本中的詞匯進(jìn)行情感詞匯篩選并判別情感維度，將分類后的詞匯擴(kuò)充到初步情感詞典中，在憤怒、恐懼、悲傷、喜悅4個(gè)情感維度上分別擴(kuò)充105、166、183、212個(gè)詞匯，最終構(gòu)成疫情場(chǎng)景多維情感詞典。部分情感詞匯示例如表1所示(1)完整新增詞庫(kù)網(wǎng)址：http://miaochunhuaixia.top/wenjian/ %E5%AE%8C%E6%95%B4%E6%96%B0%E5%A2%9E%E6%83%85%E6%84%9F%E8%AF%8D%E5%85%B8.rar。

表1 情感詞匯庫(kù)示例Table 1 Instances of emotional vocabularies

2.1.2 多維情感評(píng)估規(guī)則構(gòu)建 中文中的副詞、否定詞對(duì)城市用戶群體的情感強(qiáng)度評(píng)估結(jié)果存在顯著影響[31,32]。本文首先引入已有研究構(gòu)建的否定詞和副詞詞庫(kù)[33]，然后基于情感詞、否定詞和副詞詞庫(kù)建立顧及否定詞、副詞影響的多維情感評(píng)估規(guī)則：1)對(duì)于出現(xiàn)否定詞的句子，進(jìn)一步計(jì)算否定詞的數(shù)量。若否定詞為奇數(shù)，則不統(tǒng)計(jì)其后出現(xiàn)的情感強(qiáng)度；若否定詞為偶數(shù)，則按照正常規(guī)則統(tǒng)計(jì)其后出現(xiàn)的情感強(qiáng)度。2)程度副詞。藺璜等[34]根據(jù)程度副詞表達(dá)強(qiáng)烈程度的不同，將程度副詞劃分為不同量級(jí)，構(gòu)建具有強(qiáng)度差異的程度副詞分類表。部分學(xué)者基于該分類表開(kāi)展顧及程度副詞強(qiáng)度差異的多維情感量化評(píng)估，研究結(jié)果表明，該強(qiáng)度分類可顯著提高情感強(qiáng)度評(píng)估結(jié)果的準(zhǔn)確度[32,33,35,36]。因此，本文基于藺璜等對(duì)程度副詞的強(qiáng)度分類，添加少量程度副詞，構(gòu)建研究所需的程度副詞賦值體系，部分程度副詞如表2所示。針對(duì)包含程度副詞的句子，本文將副詞的倍數(shù)與相連情感詞的強(qiáng)度相乘，乘積結(jié)果作為該句子的最終情感強(qiáng)度?；谏鲜鲆?guī)則，針對(duì)用戶發(fā)布的微博文本T，通過(guò)統(tǒng)計(jì)該文本在q情感維度上的總強(qiáng)度Tq(式(1)、式(2))，實(shí)現(xiàn)城市用戶群體的多維情感強(qiáng)度評(píng)估。

表2 程度副詞分類Table 2 Classification of degree adverbs

(1)

(2)

2.1.3 多維情感響應(yīng)強(qiáng)度評(píng)估 本文對(duì)問(wèn)卷調(diào)查數(shù)據(jù)進(jìn)行歸一化處理，將基于社交媒體數(shù)據(jù)的情感強(qiáng)度與問(wèn)卷調(diào)查中的情感強(qiáng)度映射至0～1范圍內(nèi)。針對(duì)每個(gè)情感維度，利用均方根誤差(RMSE)衡量評(píng)估的準(zhǔn)確度，得到憤怒、恐懼、悲傷、喜悅4個(gè)維度的RMSE分別為0.172、0.201、0.189、0.217，可見(jiàn)微博數(shù)據(jù)雖不能反映所有民眾的響應(yīng)(如非網(wǎng)民群體、老年者等)，與群體特征覆蓋較完善的問(wèn)卷調(diào)查結(jié)果存在一定誤差，但二者偏差較小，表明本文構(gòu)建的多維情感響應(yīng)評(píng)估方法準(zhǔn)確性較高。

2.2 時(shí)空分析指標(biāo)構(gòu)建

本文構(gòu)建城市用戶群體的多維情感時(shí)序指標(biāo)(H)、多維情感空間指標(biāo)(K)和主體情感空間指標(biāo)(Q)，在時(shí)空維度上研究城市用戶群體疫情情感變化特征。其中，H反映用戶每天各維度的情感強(qiáng)度，可刻畫用戶群體的情感時(shí)序變化趨勢(shì)，由每天城市用戶群體各維度情感強(qiáng)度總值與當(dāng)天反映該情感微博總數(shù)之比計(jì)算(式(3))；K可定量反映用戶各維情感在空間單元上的分布強(qiáng)度，由每個(gè)空間單元內(nèi)用戶群體各維度情感強(qiáng)度總值與該單元內(nèi)反映該情感微博總數(shù)之比計(jì)算(式(4))。

(3)

(4)

已有研究表明，微博用戶發(fā)布空間信息的最大誤差為1 km左右[37]。為防止空間誤差影響分析結(jié)果，同時(shí)盡可能保證展示空間差異性，本文設(shè)定1.25 km×1.25 km 的規(guī)則格網(wǎng)為基本空間分析單元[38]；為避免小樣本問(wèn)題，本文僅考慮發(fā)布微博數(shù)大于等于10的空間單元[39]。

Q通過(guò)比較目標(biāo)空間單元中用戶多維情感空間指標(biāo)(K)在各維度情感的指標(biāo)大小，反映該空間單元呈主導(dǎo)地位的一種或兩種情感維度。具體計(jì)算過(guò)程為：1)根據(jù)式(4)計(jì)算各空間單元不同情感維度的強(qiáng)度值；2)統(tǒng)計(jì)各空間單元內(nèi)最高和次高情感強(qiáng)度值及其對(duì)應(yīng)的情感維度，并計(jì)算最高和次高情感強(qiáng)度之差；3)繪制全部情感強(qiáng)度差值箱形圖[40]，基于箱形圖的數(shù)值分布，將下邊緣截?cái)帱c(diǎn)的數(shù)值設(shè)定為情感強(qiáng)度閾值；4)若空間單元中最高、次高兩情感強(qiáng)度之差小于設(shè)定的情感強(qiáng)度閾值(0.3)，則判定其屬于極小異常值[41]，表明該空間單元最高、次高兩情感強(qiáng)度的差異很小，屬于兩種并列情感，將其作為該空間單元主體情感，否則，將情感強(qiáng)度最高值對(duì)應(yīng)的情感維度作為該空間單元的主體情感(式(5))。

(5)

式中：(Kqx)max、(Kqy)2nd_max分別為空間單元g中最高強(qiáng)度qx情感和次高強(qiáng)度qy情感對(duì)應(yīng)的情感強(qiáng)度值。

3 結(jié)果與分析

3.1 時(shí)序分析

城市用戶群體疫情情感響應(yīng)時(shí)序變化受多種因素影響[42]。通過(guò)微博詞頻構(gòu)建詞云，可從實(shí)時(shí)、大量的微博文本中提取用戶群體討論的高頻詞匯，從而挖掘微博內(nèi)容中有關(guān)社會(huì)熱點(diǎn)、民眾關(guān)切等主題信息，有利于識(shí)別情感變化的潛在影響因素[43,44]。因此，本文采用上述研究方法識(shí)別用戶疫情情感變化的潛在影響因素。首先，提取各維度情感局部極值發(fā)生時(shí)間點(diǎn)對(duì)應(yīng)的微博數(shù)據(jù)；其次，通過(guò)統(tǒng)計(jì)微博詞頻并構(gòu)建詞云對(duì)社交媒體文本進(jìn)行探索；然后，根據(jù)詞云圖中的高頻詞匯推斷用戶群體情感變化潛在因素，并將因素分為政府行動(dòng)、疫情發(fā)展、傳統(tǒng)節(jié)日以及公眾事件4類(表3)；最后，分別研究4類因素對(duì)憤怒、恐懼、悲傷及喜悅四維情感時(shí)序變化的影響。

表3 群體疫情情感響應(yīng)時(shí)序變化的影響因素Table 3 Factors influencing the groups′ emotional sequential changes

(1)憤怒。政府行動(dòng)對(duì)用戶群體的憤怒情感響應(yīng)影響顯著。如圖2所示，2020年1月27日李克強(qiáng)總理到武漢市考察、2021年1月12日河北省委書記調(diào)研石家莊市防控工作、1月20日石家莊市完成第三次核酸檢測(cè)等政府行動(dòng)均顯著降低了用戶群體的憤怒情感強(qiáng)度，表明政府積極的防控措施可有效安撫城市人群的憤怒情感。武漢市疫情防控期間，1月23日武漢封城并未導(dǎo)致憤怒情感強(qiáng)度的提升，這表明當(dāng)?shù)赜脩羧后w對(duì)武漢封城持贊同和理解態(tài)度，有力駁斥了外國(guó)媒體的歪曲報(bào)道。相反，政府相關(guān)部門行為不當(dāng)卻會(huì)引起憤怒情感強(qiáng)度的提升，如1月3日武漢市啟動(dòng)對(duì)不明原因肺炎的調(diào)查和2月1日紅十字會(huì)物資分配中存在的問(wèn)題引發(fā)用戶群體產(chǎn)生強(qiáng)烈的憤怒情感響應(yīng)。除政府行動(dòng)外，公共事件也是影響憤怒情感強(qiáng)度的重要因素。武漢市疫情中，2月7日英雄人物因公殉職事件備受關(guān)注，奮斗在抗疫一線的醫(yī)務(wù)工作者犧牲，促使用戶群體產(chǎn)生憤怒情感；石家莊市疫情防控期間，由于個(gè)別超市哄抬物價(jià)引起民眾不滿，導(dǎo)致1月10日石家莊市用戶群體的憤怒情感強(qiáng)度達(dá)到峰值。

圖2 憤怒情感強(qiáng)度值的時(shí)間分布對(duì)比Fig.2 Comparison of temporal changes of anger emotion index

(2)恐懼。城市用戶群體的恐懼情感與疫情發(fā)展緊密相關(guān)。如圖3所示，2020年1月9日武漢市出現(xiàn)首例不明肺炎死亡病例、1月17日武漢市持續(xù)發(fā)現(xiàn)新冠肺炎病例等疫情相關(guān)因素引起城市用戶群體恐懼情感強(qiáng)度顯著提升，其中，1月17日持續(xù)發(fā)現(xiàn)新冠肺炎病例促使用戶群體產(chǎn)生最強(qiáng)烈的恐懼情感。1月27日，李克強(qiáng)總理考察武漢，使用戶群體恐懼情感得到顯著緩解；1月27日以后，由于疫情得到有效控制，武漢市用戶群體的恐懼情感波動(dòng)較弱。此外，武漢封城未引起城市內(nèi)用戶群體恐懼情感的劇烈變化。如圖3所示，1月5日石家莊市連續(xù)多日新增確診病例以及1月14日新增死亡病例均引起恐懼情感強(qiáng)度提升；1月20日，全市開(kāi)展第三次核酸檢測(cè)，用戶群體恐懼情感強(qiáng)度顯著下降；1月30日以后，全市復(fù)工復(fù)產(chǎn)，城市用戶群體恐懼情感強(qiáng)度逐步下降。通過(guò)兩地對(duì)比發(fā)現(xiàn)，石家莊市微博用戶群體的平均恐懼情感強(qiáng)度比武漢市下降81.09%，表明在武漢市疫情得到有效控制的背景下，民眾對(duì)政府的防治措施更加信任，疫情再次暴發(fā)產(chǎn)生的恐懼情感強(qiáng)度大幅下降。

圖3 恐懼情感強(qiáng)度值的時(shí)間分布對(duì)比Fig.3 Comparison of temporal changes of fear emotion index

(3)悲傷。城市用戶群體的悲傷情感受城市封閉式管理以及重要人物逝世等公眾事件的顯著影響。如圖4所示，2020年1月23日武漢市封城，政府果斷的決策起到了遏制病毒傳播的作用，得到了廣大民眾的理解和支持。雖然未引發(fā)用戶群體的極端負(fù)面情感響應(yīng)，但是人們依然對(duì)封城之后的生活感到憂傷。2月7日英雄人物因公殉職成為備受關(guān)注的公眾事件，奮斗在抗疫一線的烈士犧牲引起了廣大用戶群體的悲傷情感。在2021年石家莊市新冠疫情中，1月16日石家莊全市累計(jì)確診病例超過(guò)600人，達(dá)到新高，促使城市用戶群體產(chǎn)生悲傷情感；1月23日石家莊市分區(qū)分級(jí)管控導(dǎo)致用戶群體悲傷情感強(qiáng)度顯著提升；石家莊市解封后，該市部分過(guò)年返鄉(xiāng)人員的行程依舊受阻，在2月2日上升為受網(wǎng)絡(luò)用戶群體關(guān)注的公共事件，促使悲傷情感強(qiáng)度上升。

圖4 悲傷情感強(qiáng)度值的時(shí)間分布對(duì)比Fig.4 Comparison of temporal changes of sadness emotion index

(4)喜悅。城市用戶群體的喜悅情感強(qiáng)度與政府行動(dòng)及傳統(tǒng)節(jié)日有關(guān)。如圖5所示，2020年的元旦、春節(jié)和元宵節(jié)，武漢市用戶群體的喜悅情感強(qiáng)度均處于高值，表明疫情防控期間傳統(tǒng)節(jié)日對(duì)武漢市民眾喜悅情感強(qiáng)度有顯著提升作用。此外，政府行動(dòng)也會(huì)提升人們的喜悅情感強(qiáng)度，1月27日總理考察武漢促使用戶群體產(chǎn)生喜悅情感；2021年1月21日石家莊市調(diào)低風(fēng)險(xiǎn)等級(jí)及1月29日石家莊市解封，表明當(dāng)?shù)匾咔橐呀?jīng)得到控制，民眾生活逐步回到正軌，均促進(jìn)喜悅情感強(qiáng)度增長(zhǎng)；2月12日(春節(jié)期間)石家莊市微博用戶群體喜悅情感強(qiáng)度達(dá)到最大值。

圖5 喜悅情感強(qiáng)度值的時(shí)間分布對(duì)比Fig.5 Comparison of temporal changes of happiness emotion index

綜上發(fā)現(xiàn)：1)政府行動(dòng)和公眾事件對(duì)用戶群體的憤怒和悲傷情感影響顯著，政府嚴(yán)格的疫情防控措施不僅不會(huì)引起城市內(nèi)用戶群體的憤怒等負(fù)面情感強(qiáng)度上升，反而對(duì)用戶群體的負(fù)面情緒具有安撫作用；2)連續(xù)確診病例及死亡病例出現(xiàn)等疫情發(fā)展因素會(huì)顯著提升城市內(nèi)用戶群體的恐懼情感強(qiáng)度；3)在疫情防控期間，傳統(tǒng)節(jié)日及政府行動(dòng)對(duì)于用戶群體喜悅情感強(qiáng)度的提升具有一定促進(jìn)作用。

3.2 空間分析

由武漢市、石家莊市用戶群體的多維情感和主體情感空間分布(圖6、圖7)可以發(fā)現(xiàn)，相比其他情感維度，憤怒情感空間分布范圍最小，表明用戶群體的憤怒情感僅在特定空間區(qū)域內(nèi)產(chǎn)生；其次，兩城市的喜悅情感空間分布范圍最廣且強(qiáng)度較高，表明在疫情防控期間城市用戶群體的積極情感仍占據(jù)主流；兩城市主體情感的空間分布顯示，喜悅情感是多數(shù)空間單元中唯一的主體情感，表明疫情防控期間城市用戶群體的主導(dǎo)情感是積極、正向的，且在多數(shù)空間單元中喜悅情感強(qiáng)度遠(yuǎn)高于其他維度情感；武漢和石家莊市區(qū)以及部分市郊出現(xiàn)兩種情感共同作為主體情感的現(xiàn)象，這些區(qū)域內(nèi)用戶群體的主導(dǎo)情感中包括悲傷或恐懼等負(fù)面情感，由于區(qū)域內(nèi)用戶數(shù)量較多、情感響應(yīng)差異較大以及研究時(shí)間跨度較長(zhǎng)等，需要進(jìn)一步加強(qiáng)對(duì)此區(qū)域的情感監(jiān)測(cè)和分析。

圖6 武漢市群體四維情感和主體情感響應(yīng)空間分布Fig.6 Spatial distribution of groups′ four-dimensional and dominant emotion response in Wuhan

圖7 石家莊市群體四維情感和主體情感響應(yīng)空間分布Fig.7 Spatial distribution of groups′ four-dimensional and dominant emotion response in Shijiazhuang

本文在空間分布特征挖掘的基礎(chǔ)上，進(jìn)一步研究城市用戶群體恐懼情感的影響因素。根據(jù)已有的武漢市新冠疫情風(fēng)險(xiǎn)模擬模型[45]，探索武漢市用戶群體恐懼情感強(qiáng)度與新冠疫情風(fēng)險(xiǎn)水平之間的關(guān)系。通過(guò)對(duì)比圖8a與圖8b，發(fā)現(xiàn)風(fēng)險(xiǎn)等級(jí)較高的A、B、C、D、E區(qū)域，其恐懼情感強(qiáng)度值也處于高值水平，表明疫情風(fēng)險(xiǎn)可能是促使用戶群體產(chǎn)生恐懼情感的重要原因。除上述5個(gè)區(qū)域外，F(xiàn)區(qū)域的恐懼情感強(qiáng)度值也較高，通過(guò)解析該區(qū)域內(nèi)的設(shè)施分布，發(fā)現(xiàn)其內(nèi)部存在部分新冠確診病例收治醫(yī)院(武漢同濟(jì)醫(yī)院、武漢市第一醫(yī)院和協(xié)和醫(yī)院)。結(jié)合研究團(tuán)隊(duì)實(shí)地走訪調(diào)查，發(fā)現(xiàn)附近居民廣泛認(rèn)為收治醫(yī)院的聚集會(huì)增加其患病風(fēng)險(xiǎn)，從而導(dǎo)致恐懼情感強(qiáng)度提升。

圖8 武漢市新冠疫情風(fēng)險(xiǎn)模擬與群體恐懼情感響應(yīng)空間分布Fig.8 Spatial distribution of the COVID-19 risk simulation and groups′ fear emotion response in Wuhan

本文根據(jù)已有新冠肺炎患者居住小區(qū)數(shù)據(jù)，進(jìn)一步解析石家莊市恐懼情感的空間分布影響因素。如圖7所示，石家莊市疫情主要分布在主城區(qū)內(nèi)、藁城區(qū)東部及正定縣機(jī)場(chǎng)周邊，而恐懼情感的空間分布與新冠肺炎患者居住小區(qū)的一致性較高。城區(qū)由于人口密度大，人口流動(dòng)速度快，更有利于疫情擴(kuò)散，雖然引起民眾情感響應(yīng)的因素較多，但地理空間因素對(duì)民眾恐懼情感響應(yīng)的影響作用不容忽視[3]。相關(guān)研究表明，無(wú)論是外地輸入還是本土出現(xiàn)的新冠肺炎感染者，都會(huì)引起感染者本人或家庭成員以及與病患有可能近距離接觸人群的緊張與擔(dān)憂[46]。因此，大規(guī)模群體的恐懼情感響應(yīng)空間特征與疫情傳播有關(guān)的地理因素(如新冠肺炎患者所在小區(qū)、村鎮(zhèn))分布密切相關(guān)，并且恐懼情感強(qiáng)度未必會(huì)因空間距離出現(xiàn)線性增強(qiáng)或衰減，而是受多種因素影響，在地理空間中呈現(xiàn)出情感強(qiáng)度差異。

綜上發(fā)現(xiàn)：1)疫情防控期間，城市用戶群體的憤怒情感空間分布范圍較小，喜悅情感空間分布范圍較廣，喜悅是多數(shù)空間單元中的主體情感；2)城市內(nèi)用戶群體恐懼情感的空間分布與疫情風(fēng)險(xiǎn)、收治醫(yī)院、肺炎患者所在小區(qū)緊密相關(guān)。

4 結(jié)論與建議

本研究以武漢市和石家莊市為案例地，結(jié)合社交媒體數(shù)據(jù)及問(wèn)卷調(diào)查數(shù)據(jù)，構(gòu)建疫情防控期間城市用戶群體多維情感精確評(píng)估方法，探索城市內(nèi)部疫情情感時(shí)空分布特征，進(jìn)而解析多維情感影響因素。主要研究結(jié)論如下：1)本研究提出的基于疫情情感詞典的情感響應(yīng)評(píng)估方法能夠精確量化城市群體疫情防控期間喜悅、恐懼、悲傷等多維情感響應(yīng)強(qiáng)度；2)政府嚴(yán)格的疫情防控措施可有效緩解群體負(fù)面情感響應(yīng)，使群體恐懼、憤怒等負(fù)面情感強(qiáng)度顯著下降；3)喜悅情感在疫情防控期間分布范圍最廣且強(qiáng)度較高，是城市群體的主體情感；4)疫情再次發(fā)生不會(huì)引起城市群體負(fù)面情感響應(yīng)強(qiáng)度的顯著上升。

本文為增強(qiáng)疫情中民眾情感監(jiān)測(cè)能力、提升情感治理水平，提出如下建議：1)在整個(gè)疫情發(fā)展過(guò)程中，政府部門應(yīng)注重收集、發(fā)布與事件有關(guān)的信息，積累能夠反映大規(guī)模群體情感響應(yīng)的資料，使面向國(guó)外的輿論宣傳更具真實(shí)性，占有主動(dòng)權(quán)。2)重視在疫情高風(fēng)險(xiǎn)區(qū)域及新冠肺炎患者定點(diǎn)收治醫(yī)院密集分布區(qū)域的情感調(diào)節(jié)工作；根據(jù)不同地點(diǎn)針對(duì)性開(kāi)展疫情防控工作及風(fēng)險(xiǎn)信息的精準(zhǔn)發(fā)布，注重情感調(diào)節(jié)資源在空間上的合理分布，進(jìn)一步向街道社區(qū)、居委會(huì)和村委會(huì)等基層單位部署，做好精細(xì)化的情感疏導(dǎo)和實(shí)際幫扶工作。3)政府等相關(guān)部門應(yīng)繼續(xù)堅(jiān)持嚴(yán)格的疫情管控政策，有效保護(hù)民眾的生命安全，降低民眾的憤怒等負(fù)面情感，化解疫情防控期間民眾心理情感問(wèn)題。

本文研究成果豐富了目前情感響應(yīng)研究的理論與方法體系，可為政府部門的疫情防控措施優(yōu)化以及民眾情感治理政策制定提供科學(xué)依據(jù)。今后研究需重點(diǎn)考慮以下兩方面：1)引入更多維度情感，對(duì)城市用戶群體產(chǎn)生的疫情情感響應(yīng)類型進(jìn)行全面描述；2)綜合多種數(shù)據(jù)源(如面部表情數(shù)據(jù)、視頻監(jiān)控?cái)?shù)據(jù)等)挖掘人們的情感強(qiáng)度信息，從而支撐空間指標(biāo)的時(shí)序動(dòng)態(tài)分析。