微信公众号
编辑部微信号
微信公众号
编辑部微信号
马丽君
, 张家凤
湘潭大学商学院 湖南湘潭 411105
MA Lijun
中图分类号:
F59
文献标识码:
A
文章编号:
2096-3238（2019）06-0026-22
收稿日期:
2019-09-15
修回日期:
2019-10-30
网络出版日期:
2019-12-30
版权声明:
2019 《旅游导刊》编辑部 《旅游导刊》编辑部 所有
基金资助:
作者简介:
马丽君（1981— ）,男,山东临沂人,博士,湘潭大学副教授,硕士生导师,研究方向：旅游经济运行。E-mail：ljmaljly@163.com;张家凤（1994— ）,女,安徽六安人,湘潭大学商学院硕士研究生,研究方向：旅游经济运行。
展开
摘要 网络舆情与网络关注度之间存在着密切的关系。本文依托百度指数,收集网络关注度数据,分析旅游危机事件网络舆情传播的时空演化特征及其形成机理,结果发现：（1）网络舆情传播大致可以划分为发展期、爆发期和衰退期3个阶段,其中,发展期和爆发期持续时间较短,衰退期较长。（2）旅游危机事件的性质会影响旅游危机事件网络舆情的传播速度和强度、传播范围和衰退速度。（3）较大的旅游危机事件在我国大陆地区均会产生网络舆情,但不同事件在发展期影响范围有较大差别。人口数量、经济发展水平、网络普及率、与事件发生地的距离、有无类似事件等因素是影响网络舆情传播的重要因素。
关键词：
Abstract There is a close relationship between internet public opinion and network attention. This paper relies on the Baidu Index to collect network attention data, and analyzes the spatial and temporal evolution, characteristics, and formation mechanism of the network opinion transmission of tourism crisis events. The results indicated that the spread of network public opinion can be roughly divided into a development period, an outbreak period, and period of terminal decline. While the development period and the outbreak period are short in duration, the decline phase is longer. The total duration is about 2-4 months. Similar incidents will lead to the superposition effect on internet public opinion. The place where the incident takes place and the attribution of the parties to the incident affect the strength of the internet public opinion. Furthermore, the nature of tourism crisis events affects the speed and strength of the related internet public opinion. Finally, larger tourism crisis events produced internet public opinion in 31 provinces, but there were significant differences in the scope of impact of different events in the development period. The important factors affecting the spread of internet public opinion were the level of economic development, population, network penetration, and distance to the site of occurrence.
Keywords：
旅游业是一个对环境非常敏感的产业,极易受到事件的冲击和影响。危机事件往往会对旅游地的形象、客流量等造成很大的负面影响（Frisby,2003）,因而成为学术界研究的热点。早期的相关研究主要集中在危机事件对目的地客流量的影响评估、危机事件类型的划分（侯国林,2005）、影响机制（李九全、李开宇、张艳芳,2003）、危机管理（尹贻梅、陆玉麒、邓祖涛,2005;魏小安、曾博伟,2008;冯四朵、白凯,2016）等方面;研究方法上多采用定性或定量分析法,其中定量分析法以相邻年比较法、本底趋势线理论、ARMA模型居多（孙根年,1998;魏小安、付磊,2003;朱迎波、葛全胜、魏小安等,2003）;研究对象以入境游客为主,既有对单一危机事件的影响分析（李锋、孙根年,2006;孙根年、于立新,2008;李锋,2009）,也有关于多个危机事件影响的对比研究（孙根年、舒镜镜、马丽君等,2010）。随着科技的进步和网络的发展,网络搜索数据在旅游研究中的使用越发普遍,西方学者较早地研究了游客网络信息搜索行为（Pan & Fesenmaier,2006）、游客网络信息搜索的时空演化（Lee,2012;Ardon,Bagchi & Mahanti,et al.,2013;Arcaini,Bordogna & Ienco,et al.,2016）、游客网络搜索行为的影响（Pan,2015;Toral,Martínez-Torres & Gonzalez-Rodriguez,2018）。国内学者早期多分析网络关注度的时空分布特征及影响因素,近年来多分析网络关注度与客流量之间的互动关系,并将网络关注度应用于分析旅游安全（林炜铃、邹永广、郑向敏,2014）、旅游需求（马丽君、郭留留,2017）、旅游流等方面（李渊、付航,2017;马丽君、肖洋,2018;王静、李莉,2018）。网民关注旅游危机事件后,对该事件表达一定的认知、观点、情绪,就出现了旅游危机事件网络舆情（中共中央宣传部舆情信息局,2009）。相关学者就旅游危机网络舆情的概念（付业勤、郑向敏、雷春等,2015）、发生机理（付业勤,2014a）、类型、时空分布特征（付业勤、郑向敏,2015）、应对水平、监控与修复（付业勤、陈雪钧、郑向敏等,2015）等方面进行了较为深入的研究。国内外相关研究已取得了一定的成果,但有关危机事件网络舆情的传播速度、传播范围及演化过程的研究仍然较为薄弱,从时空角度分析旅游危机事件的研究较少。
危机事件网络舆情的传播速度、传播范围关系到危机事件对旅游业的影响程度（付业勤,郑向敏,2015）。2015年10月青岛“天价虾”事件、2016年2月哈尔滨“天价鱼”事件、2016年11月“丽江游客被打”事件是近几年较为典型的旅游地危机事件,相关信息在网络上传播迅速,受到人们的广泛关注和讨论。本文利用百度指数,搜集三起危机事件的网络关注度数据,揭示危机事件网络舆情的时空演化特征,并利用皮尔逊相关系数检验影响危机事件网络舆情传播的因素,以期丰富危机事件对旅游的影响研究,并为有关部门制订相关措施控制网络舆情传播,从而降低相关事件对旅游地的影响提供一定的理论依据。
（1）旅游危机事件
旅游危机事件由旅游业内危机事件和涉旅危机事件两部分组成,是由旅游活动和旅游产业运行直接产生,或与旅游活动、旅游产业、旅游地、旅游资源、旅游企业和旅游接待设施等有关的危机事件,主要包括突发事件、事故、灾难、灾害等（付业勤,2014b）。本文选取的案例是由突发事件引发的旅游业内危机事件,属于在旅游地发生的、与游客和商家利益相关的、由政府处理的突发事件。这一类型的突发事件主要由旅游目的地内部管理不善引起,影响着旅游目的地的口碑形象和品牌声誉。
（2）网络舆情
网络舆情是社会大众和新闻媒体在互联网空间,针对热点事件、特定议题与社会现象,所表达的认知、态度、情绪、意愿、意见、观点和行为倾向等的总和情况（中共中央宣传部舆情信息局,2009）。网络舆情可以从量和内容两个层面分析,由于数据的限制,本文主要从量的角度分析网络舆情的传播特征及机理。
（3）网络关注度
以网民在搜索引擎上的搜索量为数据基础,以关键词为统计对象进行科学分析和计算,得出的搜索频次加权和,作为用户对某类信息的网络关注度（马莉、刘培学、张建新等,2018）。
百度是全球最大的中文搜索引擎,百度指数是以百度海量网民行为数据为基础的数据分享平台。人们利用百度搜索相关信息时,会留下相应的检索痕迹,这些痕迹被统计起来形成所谓的“网络关注度”（或搜索指数）（马丽君、龙云,2017）。
本文利用百度指数,分别以“天价虾”“天价鱼”“丽江打人”为关键词,收集2015年10月5日至2016年2月29日、2016年2月14日至2016年4月30日、2017年1月24日至2017年3月28日我国大陆地区31个省级行政单位每天的网络关注度（见表1）,用以分析网络舆情传播的时空变化。三个事件起点日期的选取是依据事件爆出时间,“天价虾”事件和“天价鱼”事件终止时间的选取考虑了类似事件的叠加作用,选取类似事件的网络关注度趋于下降时作为终止时间,“丽江打人”事件终止时间的选取依据网络关注度下降的趋势趋于稳定时。在分析“天价鱼”事件网络舆情传播的影响因素时,借鉴以往相关研究（马丽君、马曼曼,2018）,收集了我国大陆31个省区的人口总数、人均生产总值（GDP）、网络普及率、各省区至哈尔滨市∀的空间距离等数据,用以分析影响网络舆情时空变化的因素。其中,各省区人口总数和人均生产总值来源于2017年《中国统计年鉴》;网络普及率来源于2017年中国互联网络信息中心发布的《第39次中国互联网络发展状况统计报告》;各省区至哈尔滨市的空间距离则是根据百度地图中哈尔滨市至各省区中心点距离的远近,依据距离衰减原理,按9、7、5、3、1进行赋值,距离越远赋值越小（孙根年、马丽君,2007）,对于事件中涉及的相关省份,如事件发生地（黑龙江）、游客的归属地（江苏）、类似事件发生地（2015年10月山东“天价虾”事件）、叠加效应发生地（2016年4月下旬广西“天价鱼”事件）等相关省区赋值为1,对其他省区赋值为0（见表2）。
表1 我国大陆31个省区对三起事件的网络关注度
Tab.1 Network attentions of 31 provinces in mainland China about three events
表2 我国大陆各省区“天价鱼”事件网络关注度及相关数据
Tab. 2 Network attention and related data of “Tianjiayu” events in various provinces of China
（1）皮尔逊相关检验
皮尔逊相关检验可用于度量两个变量X和Y之间的相关关系（线性相关）,其值介于—1与1之间。若值为—1时,说明变量X和Y之间是完全的负相关关系;若值为1时,说明变量X和Y之间是完全的正相关关系;若值为0时,表明两者之间不存在线性关系。本文利用皮尔逊相关检验分析人口、GDP、网络普及率、距离等因素对网络舆情传播是否有影响。
（2）多元线性回归分析
多元线性回归分析用于由于因变量的变化受几个重要因素的影响,因而需要用两个或两个以上的影响因素作为自变量来解释因变量的变化的情况。本文利用多元线性回归分析法分析人口、GDP、网络普及率等因素对网络舆情传播的影响程度。
（1）“天价虾”事件网络舆情传播的时间变化分析
2015年10月4日,赴青岛旅游的南京朱先生和四川肖先生,在青岛一家大排档各自点了标价38元的虾,结账时却被告知按每只38元收费。在寻求有关执法机关处理未果后,两人不得已分别给付2 000元和800元餐费,随后将遭遇发布于网上。10月5日,一位青岛市的微博大V率先转发受害者微博,事件开始受到网民关注。随后人民网、新华网等诸多主流媒体介入转评,“天价虾”事件迅速引起热议。10月6日,迫于网络舆情倒逼,青岛市物价局官方微博作出回应责成市北区物价局根据有关法律法规予以立案处理。同日晚间,青岛市北区区委宣传部发布消息称,当地物价局拟对该商铺作出9万元的行政处罚决定。10月7日,青岛市对“天价虾”事件相关部门不称职人员作出处分决定,对市北区市场监管局主要负责人作停职检查处理。10月9日,市北区物价局员工致电被宰游客,就未能及时处理“天价虾”事件致歉。10月10日,被宰游客返回归属地。10月20日,青岛某企业家赴四川广元慰问被宰游客。
图1是2015年10月5日至2016年2月29日青岛“天价虾”事件的网络关注度,从图中可以看出,“天价虾”事件网络舆情发展大致经历了发展期、爆发期和衰退期3个阶段。10月5日至6日为发展期,10月7日至11日为爆发期,网络关注度均在10 000人次以上,总媒体关注度在5 000家以上,其中10月9日的网络关注度最高,有26 870人次和1 390家媒体关注,网络舆情达到顶峰。2015年10月12日至2016年1月31日为衰退期,该阶段历时较长,根据网络关注度的大小又可分为3个子阶段：衰退初期（10月12日至31日）,日平均网络关注度为3 000人次左右,日平均媒体关注度为90家,其中10月21日因企业家慰问被宰游客等后续事件,网络关注度出现一次小高峰,有629家媒体关注;衰退中期（11月1日至30日）,日平均网络关注度为2 006人次,仍有6家媒体关注;衰退末期（2015年12月1日至2016年1月31日）,日平均网络关注度为1 020人次,网络舆情基本消退,无媒体关注度。2016年2月受哈尔滨“天价鱼”事件的影响,“天价虾”事件的网络舆情再次升高,出现叠加效应,日平均网络关注度达到1 335人次,9家媒体再次关注该事件。
图1 “天价虾”事件网络舆情时间变化 Fig.1 “Tianjiaxia” event’s network change in public opinion time
从各阶段网络舆情的变化速度来看：第一,发展期,网络关注度平均每天增长3 678人次,增长率为340%,无媒体关注度。第二,爆发期,网络关注度平均每天增长1 049人次,增长率为40%,媒体关注度平均每天为893家。第三,衰退期,网络关注度平均每天下降85人次,下降率为8%,媒体关注度平均每天下降5家,下降率为476%。其中,衰退初期,网络关注度平均每天下降374人次,下降率为5%,媒体关注度平均每天下降5家,下降率为570%;衰退中期,网络关注度平均每天下降29人次,下降率0.2%;衰退末期,网络关注度平均每天下降19人次,下降率16%。
（2）“天价虾”事件网络舆情的空间演变
对2015年10月至2016年1月31个省区的网络关注度作统计（见表1 “天价虾”事件部分）,并依据舆情强弱将31个省区划分为5个档次,其中广东网络舆情强度最大,网络关注度总值超过20 000人次;其次是北京、浙江、江苏、四川、山东、河南、上海,网络关注度总值在15 000至20 000人次之间;河北、湖北、福建、陕西、湖南位于第三档次,网络关注度总值在10 000至15 000人次之间;辽宁、安徽、江西、山西、黑龙江、重庆、天津、吉林、广西、云南、内蒙、贵州、甘肃的网络舆情强度位于第四档次,网络关注度总值在5 000至10 000人次之间;新疆、海南、宁夏、青海、西藏的网络舆情强度最弱,网络关注度总值在1 000至5 000人次之间。
为分析“天价虾”事件网络舆情的空间演变过程,从网络舆情不同的发展时期中（见表3“天价虾”事件部分）,分别选取代表日期对各省区网络舆情进行研究（发展期选取的代表日期为10月5日,爆发期为10月9日,衰退期为1月31日）;同时将网络舆情划分为6个等级,每个等级用不同的符号标示。可以看出,事件伊始,即10月5日微博（青岛）爆料当天,31个省区的总网络关注度为646人次,仅有江苏、广东、山东、四川等11个省区关注该事件,且各省区的网络关注度均在100人次以下,网络舆情强度较低。
表3 三起事件舆情演化过程中代表日期的网络关注度
Tab.3 The network attention degree representing the date in the evolution of the three events
10月9日,网络舆情全面爆发,31个省区的网络关注度为26 870人次,约是10月5日的42倍,其中,广东、北京、浙江、江苏的网络关注度均大于1 500人次,网络舆情最强;其次是福建、河北、河南、湖北、上海、四川、山东;云南、天津、陕西、山西、辽宁、江西、吉林7个省区的网络舆情较弱;新疆、西藏、青海、宁夏、甘肃、内蒙古、贵州、海南8个省区的网络舆情最弱。
进入衰退期后,关注该事件的省区在逐渐减少,网络舆情强度在逐渐降低。2016年1月31日,31个省区的网络关注度仅为456人次,较峰期下降了98.3%。网络关注范围缩小至8个省区,分别是北京、贵州、河北、河南、湖北、江西、辽宁、陕西,且各省区的网络关注均在100人次以下。
通过计算网络关注度的日平均增长率,观察网络舆情的变化速度。笔者发现,在爆发期,北京、西藏的网络舆情传播速度最快,网络关注度增长率为64%;其次是辽宁、云南、黑龙江、上海、浙江、河北6省区,网络关注度增长率在50%至57%之间;江苏、福建、湖北、安徽、内蒙、吉林6个省区的网络关注度的增长率在40%至50%之间;山东、四川、广东等11个省区的网络舆情传播速度较慢,网络关注度增长率在30%至40%之间;甘肃、贵州、新疆、海南、宁夏、青海6个省区的网络舆情传播速度最慢,网络关注度增长率在10%至30%之间。在衰退期,贵州、海南、天津、宁夏、青海、新疆的网络舆情衰退速度最快,网络关注度下降率在30%至50%之间;内蒙、山西、吉林、陕西、云南、黑龙江、辽宁、重庆、甘肃9个省区的网络舆情衰退速度较快,网络关注度下降率在20%至30%之间;第三档次是安徽、山东、上海等8个省区,网络关注度下降率在10%至20%之间;广东、西藏、浙江、河北、河南、北京、江苏、四川8个省区的网络舆情衰退速度最慢,网络关注度下降率在4%至10%之间。
（1）“天价鱼”事件网络舆情传播的时间变化分析
2016年2月14日,赴哈尔滨旅游的常州市民陈先生在微博中爆料称,在哈尔滨松北区北岸渔村饭店被宰,并随后拨打了110报警。当天,哈尔滨松北区的有关部门成立了调查组。2月15日晚,哈尔滨市松北区公布了该起消费争端问题的调查情况通报。2月16日,哈尔滨市政府专题研究部署“天价鱼”事件调查工作。2月17日,事件专项调查组经过调查,针对已核实的该饭店存在不以真实名称提供服务、餐饮许可证过期等问题,责令该饭店停止经营活动。2月21日,哈尔滨松北区市场监督管理局对外发布消息,认定松北区“天价鱼”事件是一起严重侵害消费者权益的恶劣事件,作出对涉事饭店“北岸野生渔村”吊销营业执照、对店主罚款50万元人民币等处罚决定。2016年3月,哈尔滨松北区政府针对在“天价鱼”事件中相关责任部门和责任人员存在的监管缺失、执法不规范等问题进行了问责。2016年4月20日,广西桂林再次出现“天价鱼”事件。
图2是2016年2月14日至2016年4月30日哈尔滨“天价鱼”事件的网络关注度。从图中可以看出,“天价鱼”事件历时2个多月（66天）,事件网络舆情的发展大致经历了发展期、爆发期和衰退期3个阶段。其中,2月14日至2月15日为发展期,14日无媒体关注度,15日媒体关注度突增至1 408家。2月16日至2月23日为爆发期,网络关注度在10 000人次以上,比“天价虾”事件持续时间更长,总媒体关注度在10 000家以上。2月24日至4月19日为衰退期,根据网络关注度的大小又可将其分为3个子阶段：2月24日至3月3日为衰退初期,日平均网络关注度为7 755.08人次,日平均媒体关注度为85家;3月4日至3月31日为衰退中期,日平均网络关注度为4 087.67人次,日平均媒体关注度为27家;4月1日至4月19日是衰退末期,日平均网络关注度为 2 424.73人次,仍有2家媒体关注该事件。4月下旬受桂林“天价鱼”事件的影响,出现叠加效应,日平均网络关注度上升至3 286.55人次,日平均媒体关注度上升至97家。
图2 “天价鱼”事件网络舆情时间变化 Fig. 2 “Tianjiayu” event’s network change in public opinion time
从各阶段网络舆情的变化速度来看：在发展期,网络关注度平均每天增长 5 823人次,增长率为151%,媒体关注度平均每天为704家;在爆发期,网络关注度平均每天增长330人次,增长率为19.27%,媒体关注度平均每天为1 423家;在衰退期,网络关注度平均每天下降181人次,下降率为0.38%,媒体关注度平均每天为36家。其中,衰退初期,网络关注度平均每天下降142人次,下降率为8.49%;衰退中期,网络关注度平均每天下降389人次,下降率为3.33%;衰退末期,网络关注度平均每天下降27人次,下降率为0.22%。
（2）“天价鱼”事件网络舆情的空间演变
对2016年2月14日至4月19日31个省区的网络关注度作统计（见表1 “天价鱼”事件部分）,并依据舆情强弱将31个省区划分为5个档次：广东的网络舆情强度最大,66天的网络关注度总值在30 000人次以上;其次是江苏、北京、山东、浙江、黑龙江、上海,66天的网络关注度总值在20 000至30 000人次之间;河南、四川、云南等16个省区属于第三档次,网络关注度总值在10 000至20 000人次之间;内蒙古、贵州、甘肃、新疆、海南的网络舆情强度较弱,网络关注度总值在5 000至10 000人次之间;宁夏、青海、西藏的网络舆情强度最弱,网络关注度总值在1 000至5 000人次之间。
为分析“天价鱼”事件网络舆情的空间演变过程,本文从网络舆情不同的发展时期中（见表3天价鱼事件部分）,分别选取代表日期对各省区网络舆情进行研究（选取的发展期代表日期为2月14日,爆发期为2月21日,衰退期为4月15日）。可以看出,2月14日微博爆料当日,“天价鱼”事件的网络关注度为2 417人次,网络舆情涉及28个省区（宁夏、青海、西藏除外）,但舆情强度均较弱。
2016年2月21日清晨,哈尔滨松北区市场监督管理局对外发布消息,认定松北区“天价鱼”事件是一起严重侵害消费者权益的恶劣事件,作出对涉事饭店“北岸野生渔村”吊销营业执照、对店主罚款50万元人民币的处罚决定。该消息将网络舆情推向新的高潮,31个省区的网络关注度总计达39 978人次,约是2月14日的17倍,各省区的网络舆情均有较大幅度升高。其中,北京、广东、河北、河南、江苏、上海、四川、山东、浙江的网络关注度大于1 500人次,网络舆情最强;其次是安徽、重庆、福建、广西、黑龙江、湖南、湖北、辽宁、山西、陕西、天津11个省区;再次是海南、宁夏、青海、新疆,网络舆情较弱,网络关注度在100至500人次之间;西藏网络舆情最弱,网络关注度为74人次。进入衰退期后,网络舆情强度在逐渐降低,4月15日,网络关注度为2 001人次,较2月21日下降了约95%,传播范围缩减至25个省区,其中,偏弱关注地区为13个,弱关注地区为12个。
从网络舆情的变化速度来看,在发展期,北京、广东的网络舆情传播速度最快,15日的网络关注度是14日的4倍;其次是黑龙江、湖南、江苏、辽宁、四川、陕西6个省区,15日的网络关注度约是14日的2至3倍;再次是上海、山东、浙江等8个省区,15日的网络关注度是14日的1至2倍;重庆、安徽、广西、贵州、吉林、内蒙、山西、天津8个省区的网络舆情传播速度较慢,15日的网络关注度较14日上升了50%至90%;甘肃、海南、江西、云南的网络舆情传播速度最慢,15日网络关注度较14日上升了10%至50%。
在爆发期,安徽、广东、河南、湖南、江西、四川、山西7个省区网络舆情传播速度最快,网络关注度的增长率在25%至30%之间;其次是浙江、上海、江苏、陕西、重庆、福建、广西、贵州、河北、内蒙、云南,网络关注度的增长率在20%至25%之间;再次是山东、北京、辽宁等9个省区,舆情传播速度较慢,网络关注度的增长率在10%至20%之间;西藏、海南、宁夏的网络舆情传播速度最慢,网络关注度增长率低于10%。
在衰退期,西藏、新疆、宁夏、青海、内蒙、甘肃、海南、贵州的网络舆情衰退速度最快,网络关注度下降率在10%至75%之间;其次是广西、湖南、吉林、天津、江西,网络关注度下降率在1%至10%之间;其他省区网络关注度衰减速度较慢,均低于1%。
（1）“丽江打人”事件网络舆情传播的时间变化分析
2017年1月24日,微博用户“@琳哒是我”爆料称2016年11月11日在丽江旅游期间,与朋友凌晨在当地一家烧烤店就餐时遭到邻桌一群男子的嘲讽和无端殴打,导致伤势严重甚至被毁容,并怀疑当地警方存在处置不力、刻意偏袒的行为。1月25日,该微博用户再次描述了在丽江旅游被抢劫并遭毁容事件的经过,将舆论推至高潮。1月27日,丽江市政府向公众传达警方调查后确认的事件起因、详细经过和最新进展。1月28日后,事件无新的进展,因进入节假日,媒体关注度略有下降,但网民的议论热情仍很高。微博用户“@琳哒是我”否认了网络上“被打是因为说了诋毁丽江的话”的传言。2017年2月9日,丽江市公安局称,女游客被打伤一案的6名嫌疑人已被批准逮捕。2月21日,被殴打毁容女子将伤情鉴定结果展示在微博上。3月9日,丽江市古城区人民法院依法受理该案件。
图3是2017年1月24日至3月28日“丽江打人”事件的网络关注度。可以发现“丽江打人”事件持续约64天,1月24日为发展期,1月25日至29日为爆发期;网络关注度在10 000人次以上,有16家媒体关注;1月30日至3月28日为衰退期,无媒体关注。衰退期根据网络关注度的大小又可分为3个阶段：衰退初期（1月30日至2月14日）,日平均网络关注度为7 422人次;衰退中期（2月15日至28日）,日平均网络关注度为4 238人次,衰退末期（3月1日至28日）,日平均网络关注度为2 696人次。受事件后续相关报道的影响,衰退期的网络舆情有一定的波动,其中衰退初期的波动较大。
图3 “丽江打人”事件网络舆情时间变化 Fig.3 “Lijiangdaren” event’s network change in public opinion time
从各阶段网络舆情的变化速度来看,在发展期,网络关注度平均每天增长57人次;在爆发期,网络关注度平均每天增长2 193人次;在衰退期,网络关注度平均每天下降143人次,下降率为0.9%。其中,在衰退初期,网络关注度平均每天下降304人次,下降率为0.8%;衰退中期,网络关注度平均每天下降160人次,下降率为2.2%;衰退末期,网络关注度平均每天下降42人次,下降率为0.3%。
（2）“丽江打人”事件网络舆情的空间演变
对2016年2月24日至3月28日31个省区的网络关注度作统计（见表1 “丽江打人”事件部分）,依据舆情强弱将31个省区划分为5个档次：广东、北京和四川网络舆情强度最大,64天的网络关注度总值在20 000人次以上;其次是云南、江苏、浙江、山东,网络关注度总值在15 000至20 000人次之间;河北、上海、辽宁等14个省区属于第三档次,网络关注度总值在10 000至15 000人次之间;天津、贵州、江西、内蒙、甘肃、新疆、海南的网络舆情强度较小,网络关注度总值在5 000至10 000人次之间;宁夏、青海、西藏的网络舆情强度最小,网络关注度总值在1 000至3 000人次之间。
为分析“丽江打人”事件网络舆情的空间演变过程,本文从网络舆情不同的发展时期中（见表3“丽江打人”事件部分）,分别选取代表日期对各省区网络舆情进行研究（选取的发展期代表日期为1月24日、爆发期为1月25日、衰退期为3月25日）。可以看出,2017年1月24日微博爆料当天,31个省区的网络关注度为57人次,网络舆情传播范围和强度有限。仅用一天时间,网络舆情达到高峰,传播范围迅速扩展至31个省份,1月25日的网络关注度总值为39 762人次,约是24日的700倍。31个省区的网络舆情均有较大幅度升高,其中：北京、广东、黑龙江、河南、河北、江苏、辽宁、四川、山东、云南、浙江的网络舆情最强,网络关注度大于1 500人次;其次是湖北、吉林、陕西、上海,网络关注度在1 000至1 500人次之间;再次是福建、重庆、天津等11个省区;海南、青海、宁夏、西藏、新疆的网络舆情较弱,网络关注度在100至500人次之间。进入衰退期后,网络舆情强度在逐渐降低,3月25日,31个省区的网络关注度总值是2 286人次,较高峰期下降了约94.25%,传播范围缩减至23个省区,偏弱关注省区15个,弱关注省区8个。
从网络舆情的变化速度来看,在爆发期,31个省区的网络关注度的升降速度有较大差异。依据其网络关注度的变化率将31个省区划为5个档次：浙江是网络关注度上升最快的地区,爆发期的网络关注度上升的速度是发展期的6倍;其次是西藏;再次是新疆、青海、海南、广西、甘肃、福建、重庆、安徽;贵州、河北、江西、内蒙、湖南、云南6个省区的网络关注度增长较慢;北京、广东、江苏等15个省区的网络关注度增长最慢。
在衰退期,西藏的网络舆情衰退最快,网络关注度下降率为61.5%;其次是甘肃、内蒙、海南、青海、新疆,网络关注度下降率在6%至16%之间;广东、上海、浙江等12个省区处于第三档次,网络关注度下降率在0.1%至5%之间;北京、福建、山东、四川、辽宁、江苏、陕西、湖北、湖南、河北、河南、黑龙江、云南的网络舆情衰退速度最为缓慢。
从网络舆情爆发所需时间来看,从发展期到爆发期,“天价虾”事件和“天价鱼”事件用时均是2天,“丽江打人”事件用时1天;从发展期到舆情峰值日,“天价虾”事件用时5天,“天价鱼”事件用时7天,“丽江打人”事件仅用时1天,因此,“丽江打人”事件的网络舆情传播速度最快。事件历时时间越长,网络舆情传播的时间也通常越长,影响范围和程度就越大,对旅游地的负面影响也越大,因此,在最短的时间内,处理好相关事件,减少事件历时时间,有利于降低网络舆情传播。
从事件影响范围来看,三次事件在31个省区均出现网络舆情,即均有网络关注度,但在发展期三次事件之间存在较大差异。在发展期,“天价虾”事件有11个省区出现网络舆情,“天价鱼”事件有28个省区出现网络舆情,“丽江打人”事件仅有1个省区出现网络舆情。
从事件影响强度上看,“天价虾”事件历时64天,平均网络舆情强度约为4 051人次/天;“天价鱼”事件历时64天,平均网络舆情强度约为6 872人次/天;“丽江打人”事件历时64天,平均网络舆情强度约为5 595人次/天,因此从事件的强度看,“天价鱼”事件的强度最大,其次是“丽江打人”事件。
从网络舆情的衰退速度来看,通过分别计算三起事件58天衰退期的网络关注度衰退速度发现,“天价虾”事件的平均衰退速度约为151人次/天,“天价鱼”事件的平均衰退速度约为123人次/天,“丽江打人”事件的平均衰退速度约为142人次/天。因此,“天价虾”事件衰退速度最快,其次是“丽江打人”事件。旅游危机事件的性质会影响旅游危机事件网络舆情的传播范围和衰退速度。“天价虾”事件与“天价鱼”事件同属“宰客”性质,但“天价鱼”事件网络舆情的传播范围更广,而“丽江打人”这一“暴力”性质事件传播的速度较快。
从网络舆情的区域分布及变化来看,三次事件中,广东、北京、浙江、江苏、山东的网络舆情较强,内蒙古、甘肃、贵州、新疆、海南的网络舆情较弱,宁夏、青海、西藏网络舆情最弱;广东、北京、浙江、江苏、山东等省区的网络舆情传播速度较快,衰退速度较慢,而甘肃、内蒙、海南、青海、新疆、宁夏等省区的网络舆情传播速度较慢,衰退速度较快,这说明较大的旅游危机事件在31个省区均会产生网络舆情,但各省区间存在差异。在人口数量多、经济发展水平和网络普及率高的广东、北京、江苏等省区,网络舆情的强度大、传播速度快、衰退速度慢,相反,在人口数量少、经济发展水平低的甘肃、青海、西藏等省区,网络舆情的强度小、传播速度慢、衰退速度快。
图4 网络关注度与网络舆情形成过程及相互关系 Fig.4 Network attention and network public opinion formation process and relationship
一个地区的人口数量决定着对事件讨论的人次,在其他因素相同的情况下,一个地区人口越多,则网络关注度越高,网络舆情越强;人口数量同样影响出游人次,在其他因素相同的情况下,一个地区出游人次越多,对旅游危机事件的关注就越多,网络舆情越强。此外,一个地区的人口特征（如居民文化程度）也影响着网络关注度,广东、北京、上海等省区由于居民的受教育程度较高,对维权事件、社会公平正义等的关注程度也较中西部地区高,因而网络舆情更强。
一个地区的经济发展状况越好,信息设施和服务越完善,可获取的信息也就越多;经济发展状况越好,人均可支配收入越高,居民出游意愿越高,会更多地关注各个旅游目的地的信息,对旅游地危机事件的关注度也越大（邹永广、林炜铃、郑向敏,2015）,因此网络舆情越强。
网络普及率也是影响网络关注度的重要因素,直接影响到一个地区有多少居民可以通过网络对相关事件进行讨论。在其他因素相同的情况下,一个地区的网络普及率越高,通过网络检索旅游信息的人数就越多,网络关注度就越高,网络舆情越强。
网络舆情传播存在距离衰减规律。在其他因素相同的情况下,与事发地的距离越近,居民对事发地的旅游需求越大,对事发地的旅游信息关注越多,网络关注越高,网络舆情越强。此外,某地区是否与事件存在联系,也会对网络舆情在该地区的传播产生一定的影响,如是否是事件发生地、事件主体双方归属地、相似事件发生地等。
为进一步分析各因素对网络舆情传播的影响,本文以哈尔滨“天价鱼”事件为例,利用统计分析软件SPSS 20,以网络关注度为因变量,以人口数量、经济发展水平、网络普及率、空间距离、相关省区为自变量进行皮尔逊相关检验。其中,该事件中所涉及的事件发生地（黑龙江）、游客归属地（江苏）、早期同一性质事件发生地（山东）、后期同一性质事件发生地（广西）等均赋值为1,其他赋值为0,结果如表4所示。由表4可以看出,人口数量、经济发展水平、网络普及率、空间距离与网络关注度在0.01的水平下呈正相关关系,相关省区与网络关注度在0.05的水平下呈正相关关系,说明这5个因素对网络舆情的传播有重要影响,即一个地区的人口数量越多、经济发展水平越高、网络普及率越高、与事发地距离越小、与事件相关度越高,网络舆情越强。
表4 “天价鱼”事件网络舆情传播影响因素检验结果
Tab.4 Test results of factors affecting public opinion transmission of “Tianjiayu”event’s network
在皮尔逊相关检验的基础上,进一步借助SPSS 软件,以网络关注度作为因变量,以人口数量、经济发展水平、网络普及率、空间距离、相关省区作为自变量,构建回归方程：
W=1.427P+0.065E+36411.127N+638.233D+4088.995C—15669.702
方程相关系数R=0.94,拟合度高,说明构建的回归方程有效。公式中,W是网络关注度,P是人口数量,E是地区生产总值,N是网络普及率,D是距离赋值,C是相关省区赋值。可以看出,网络普及率的边际影响系数最大为36 411.127,即网络普及率每增加（或减少）1%,网络关注度将增加（或减少）36 411.127人次;其次是相关省区,回归系数为4 088.955,即在其他条件相同的情况下,相关省区比非相关省区的网络关注度要高出4 088.955人次;人口边际影响系数较小,为1.427,即人口每增（或减少）1万人次,网络关注度将增加（或减少）1.427人次;地区生产总值的影响系数最小,为0.065,即地区生产总值每增加（或减少）1亿元,网络关注度将增加（或减少）0.065人次。
本文依托百度指数,以青岛“天价虾”、哈尔滨“天价鱼”、“丽江打人”三次事件为案例,收集网络关注度数据作为网络舆情演化标志,分析旅游危机事件网络舆情传播的时空演化特征,并揭示旅游危机事件网络舆情传播的影响因素及其机理,结果发现：
（1）网络舆情传播大致可以划分为发展期、爆发期和衰退期3个阶段,总持续时间在2至4个月之间,其中发展期和爆发期持续时间较短,衰退期较长。类似事件会导致网络舆情出现叠加效应。事件爆发地以及事件双方当事人的归属地会影响相关地区的网络舆情强度,如三次事件的爆发地（山东、黑龙江、云南）在事件传播时的网络舆情均偏强,相关省区（四川、江苏）在三次事件中的网络关注度均偏高。
（2）旅游危机事件性质会影响旅游危机事件网络舆情的传播速度和强度、传播范围和衰退速度。“天价虾”事件与“天价鱼”事件同属“宰客”性质,但“天价鱼”事件的网络舆情强度更大、传播范围更广、持续影响力较大;“丽江打人”这一“暴力”性质事件的传播速度更快、网络舆情强度更大,从发展到爆发仅用一天时间,从一个地区迅速扩展至全国。
（3）较大的旅游危机事件在31个省区均会产生网络舆情,但不同事件在发展期的影响范围有较大差别。人口数量、经济发展水平、网络普及率、与事件发生地的距离、有无类似事件等因素是影响网络舆情传播的重要因素。在其他条件相同的情况下,人口数量越多、经济发展水平越高、网络普及率越高、与事件发生地的距离越近,则网络舆情越强、传播速度越快、衰退速度越慢,反之,网络舆情越弱、传播速度越慢、衰退速度越快。
针对旅游危机事件网络舆情的时空演化特征,各级旅游地政府及旅游主管部门应建立有效的危机事件管控机制,加强对各营业商户的监管和地方治安管理,减少旅游危机事件的发生,维护旅游地形象。具体地说,首先,各级旅游地应建立危机事件网络舆情监测预警机制,确保信息源的准确性,维护目的地公信力,做好危机的控制和预防工作。在事件发生初期,及时、公开、透明地为公众梳理事实,为后期信息扩散和舆情消减奠定基础,降低信息源扩散速度;其次,应在最短的时间内,处理好相关事件,减少事件历时时间,从而缩减网络舆情传播的时间和范围;最后,建立和完善旅游危机事件案例库（谢朝武、张俊,2014）,系统梳理案例数据、类型、传播特征、影响力大小等,并及时了解全国案例库中不同性质的事件,为做好旅游地公关工作储备经验,维护好本地的旅游品牌和形象。
本文利用网络关注度数据分析网络舆情的时空演化特征,探索网络舆情传播的影响因素及其机理,在研究视角和研究结论方面有一定的创新。在理论上,丰富了危机事件对旅游的影响研究,拓展和深化了网络舆情传播的相关研究;在实践方面,可以为有关部门制订相关措施控制网络舆情的传播,降低相关事件对旅游地的影响,维护旅游目的地声誉,推动旅游目的地的形象建设提供一定的依据。但本研究也存在一定的缺陷：首先,网络舆情传播的通道有很多,百度指数统计的仅是通过百度搜索引擎检索相关事件的数据,因此,数据并不全面;其次,本研究主要从量的角度考察网络舆情强度的变化,缺少对网络舆情内容变化的研究;再次,影响网络舆情传播的因素有很多,由于数据的限制,本研究仅考察了人口数量、经济发展水平、网络普及率、空间距离、相关省区对网络舆情传播的影响,无法全面验证其他因素（如受教育水平）对网络舆情传播的影响。关于以上几个方面的不足,笔者将在后续研究中加以完善。
User-driven geo-temporal density-based exploration of periodic and not periodic events reported in social networks Spatio-temporal and events based analysis of topic popularity in twitter Communicating in a crisis: The British Tourist Authority’s responses to the foot-and-mouth outbreak and 11th September, 2001 Mining spatio-temporal information on microblogging streams using a density-based online clustering method
[本文引用: 1]
摘要
The power of search engine ranking for tourist destinations Online information search: Vacation planning process
[本文引用: 1]
摘要
Based on relevant literature in tourism, consumer behavior, communication, and information science, this study provided a conceptual model of online tourist search and investigated the micro-level process of vacation planning on the Internet. The results indicate that tourists’ planning can be deconstructed into a series of episodes and chapters reflecting the specific problem being addressed. In addition, findings indicate that the languages they use differ substantially from those found on websites employed for their vacation planning. The theoretical contributions of this study and the implications for designing better tourism related online systems are discussed and future research directions are detailed. Recherche d’informations en ligne: le processus d’organiser des vacances. En se basant sur la documentation pertinente en tourisme, le comportement des consommateurs et les sciences de la communication et de l’information, on présente un modèle conceptuel de la recherche touristique en ligne et un examen du processus au niveau micro d’organiser des vacances avec l’internet. Les résultats indiquent que la planification des touristes peut être déconstruite en une série d’épisodes et de chapitres reflétant la question spécifique abordée. En plus, les conclusions indiquent que les langues des touristes diffèrent considérablement de celles des sites web utilisés pour organiser leurs vacances. On discute des contributions théoriques de cette étude et des implications pour concevoir de meilleurs systèmes en ligne concernant le tourisme, et on suggère des directions des recherches futures. Martínez-Torres M R, Gonzalez-Rodriguez M R. Identification of the unique attributes of tourist destinations from online reviews 旅游目的地人为导致类危机属性构成: 测量量表开发的视角 旅游危机事件网络舆情的发生机理研究 旅游危机事件网络舆情研究: 构成、机理与管控[D] 旅游危机事件网络舆情应对水平的评价研究: 基于灰色统计和熵权TOPSIS方法 旅游危机事件网络舆情的传播机理研究 旅游危机事件网络舆情的本体分析 类型、影响机制与管理模型 基于本底线的不同性质旅游危机事件影响比对研究——以中国4次旅游危机事件为例 基于旅游本底线法(TBLM)的旅游危机事件研究——以2003年“SARS”事件为例 旅游危机事件与旅游业危机管理 微博数据在旅游研究中的应用及展望 旅游安全网络关注度区域差异研究——基于中国31个省市区旅游安全的百度指数 景区旅游流与网络关注度的区域时空分异研究 基于网络关注度的北京市居民对5A级景区旅游需求时空特征分析 基于网络关注度的湖南省居民旅游需求时空特征 “天价虾”事件对青岛旅游网络关注度的影响 湖南省居民省内旅游流的集聚扩散时空特征——基于网络关注度数据的分析 我国境外旅游本底趋势线的建立及科学意义 十年来四川省入境和国内游客的空间聚集性分析 五大危机事件对美国出入境旅游的影响——基于本底线模型的高分辨率分析 基于本底趋势线的秦俑馆旅游危机后评价研究 社交媒体应用对中国旅游者的社会化影响研究——基于社交媒体网站数据的分析 旅游业受“非典”影响情况分析及对几个相关问题的辨析 汶川地震后中国旅游形势分析与判断 时空因素与我国旅游突发事件的关联影响——基于最优尺度分析 旅游危机管理: 构建目的地层面的动态框架 SARS对中国入境旅游人数影响的研究 旅游安全网络关注度时空特征及其影响因素
/
, ZHANG Jiafeng
引言
一、概念界定、数据来源与研究方法
1. 相关概念界定
2. 数据来源
事件 天价虾 天价鱼 丽江打人 省区 10月 11月 12月 1月 总值 2月 3月 4月 总值 1月 2月 3月 总值 广东 17 039 4 196 3 265 2 763 27 263 18 658 9 960 2 632 31 250 9 465 10 668 4 676 24 809 北京 10 722 3 743 2 802 1 836 19 103 15 855 7 440 2 628 25 923 6 726 11 785 2 991 21 502 浙江 10 604 3 401 2 398 1 649 18 052 13 189 7 128 2 500 22 817 5 268 6 840 3 862 15 970 江苏 9 903 3 203 2 464 1 366 16 936 18 891 8 472 2 614 29 977 6 469 7 358 3 559 17 386 山东 9 838 3 286 2 016 1 285 16 425 14 067 7 571 2 199 23 837 6 123 7 009 3 870 17 002 四川 9 896 3 039 2 094 1 675 16 704 10 475 5 956 2 215 18 646 8 755 8 232 3 426 20 413 河南 8 978 3 037 2 049 1 992 16 056 10 444 6 923 2 045 19 412 5 167 6 135 3 608 14 910 上海 9 173 3 354 1 520 958 15 005 13 213 6 028 2 122 21 273 4 123 6 075 3 527 13 725 河北 7 111 2 256 1 703 1 418 12 488 9 485 6 089 1 866 17 440 4 751 5 739 3 324 13 814 湖北 7 011 2 936 1 468 1 153 12 568 8 056 5 549 1 786 15 391 4 009 5 470 3 216 12 695 福建 7 146 2 515 1 404 972 12 037 7 492 5 409 1 922 14 823 3 484 5 090 2 940 11 514 辽宁 5 732 2 114 1 098 751 9 695 9 498 5 424 1 714 16 636 4 664 5 780 3 213 13 657 陕西 5 950 1 671 1 656 878 10 155 6 676 4 808 1 582 13 166 3 508 4 853 2 467 10 828 湖南 5 834 2 503 1 218 931 10 486 5 706 4 972 1 303 11 981 3 426 4 841 2 755 11 022 安徽 5 406 2 002 1 590 438 9 436 6 248 4 820 1 411 12 479 2 933 4 357 2 776 10 066 山西 4 678 1 860 976 1 115 8 629 6 153 4 599 1 513 12 265 3 127 4 486 2 420 10 033 江西 5 120 2 163 982 467 8 732 4 857 4 416 1 052 10 325 2 675 3 892 2 325 8 892 事件 天价虾 天价鱼 丽江打人 省区 10月 11月 12月 1月 总值 2月 3月 4月 总值 1月 2月 3月 总值 黑龙江 4 596 1 686 938 639 7 859 13 218 7 314 2 071 22 603 4 326 5 269 3 046 12 641 重庆 5 400 1 583 1 036 439 8 458 5 502 4 295 1 460 11 257 3 263 4 589 2 282 10 134 天津 4 968 1 271 985 512 7 736 6 722 4 487 1 585 12 794 2 563 4 420 2 711 9 694 吉林 4 639 1 333 516 804 7 292 6 217 4 545 1 265 12 027 3 516 4 693 2 529 10 738 广西 5 512 1 524 800 108 7 944 5 397 4 626 1 239 11 262 2 874 4 629 2 769 10 272 云南 4 559 1 773 228 400 6 960 4 595 4 309 1 255 10 159 6 385 8 473 3 699 18 557 内蒙古 3 572 927 459 327 5 285 4 460 3 845 927 9 232 2 771 4 172 1 780 8 723 贵州 3 820 584 456 416 5 276 3 996 3 621 633 8 250 2 602 4 307 2 207 9 116 甘肃 3 123 688 402 274 4 487 3 487 3 426 573 7 486 1 712 2 973 1 353 6 038 新疆 2 979 513 418 135 4 045 3 073 3 316 647 7 036 1 642 3 177 814 5 633 海南 2 349 573 57 299 3 278 2 815 2 416 741 5 972 1 593 3 066 916 5 575 宁夏 1 859 228 57 117 2 261 2 128 1 528 399 4 055 56 2 115 228 2 399 青海 1 464 228 117 0 1 809 1 785 1 292 114 3 191 739 1 201 171 2 111 西藏 1 035 0 0 0 1 035 792 411 57 1 260 470 576 57 1 103
省区 关注度/人次 人口/万人 GDP/
亿元网络普及率 距离 相关性 省区 关注度/人次 人口/万人 GDP/
亿元网络普及率 距离 相关性 北京 27 750 2 173 25 699.13 77.8% 7 0 湖北 16 803 5 885 32 665.38 51.4% 5 0 天津 13 785 1 562 17 885.39 64.6% 7 0 湖南 13 314 6 882 31 551.37 44.4% 3 0 河北 18 870 7 470 32 070.45 53.3% 7 0 广东 33 508 10 999 80 854.91 74.0% 3 0 山西 13 375 3 682 13 050.41 55.5% 7 0 广西 12 955 4 838 18 317.64 46.1% 3 1 内蒙古 9 806 2 520 18 128.1 52.2% 7 0 海南 6 565 917 4 053.2 51.6% 1 0 辽宁 17 886 4 378 22 246.9 62.6% 9 0 重庆 12 382 3 048 17 740.59 51.6% 3 0 吉林 13 238 2 733 14 776.8 50.9% 9 0 四川 20 380 8 262 32 934.54 43.6% 3 0 黑龙江 23 953 3 799 15 386.09 48.1% 9 1 贵州 9 026 3 555 11 776.73 43.2% 3 0 上海 22 762 2 420 28 178.65 74.1% 5 0 云南 10 985 4 771 14 788.42 39.9% 1 0 江苏 31 814 7 999 77 388.28 56.6% 7 1 西藏 1 317 331 1 151.41 46.1% 1 0 浙江 24 599 5 590 47 251.36 65.6% 5 0 陕西 14 299 3 813 19 399.59 52.4% 5 0 安徽 13 659 6 196 24 407.62 44.3% 5 0 甘肃 8 149 2 610 7 200.37 42.4% 5 0 福建 16 105 3 874 28 810.58 69.7% 3 0 青海 3 365 593 2 572.49 54.5% 3 0 江西 11 312 4 592 18 499.00 44.6% 5 0 宁夏 287 675 3 168.59 50.7% 3 0 山东 25 637 9 947 68 024.49 52.9% 7 1 新疆 7 571 2 398 9649.7 54.9% 1 0 河南 20 920 9 532 40 472 43.4% 5 0
3. 研究方法
二、旅游危机事件网络舆情传播的时空演化过程分析
1．青岛“天价虾”事件网络舆情传播的时空演化过程
事件 天价虾 天价鱼 丽江打人 地区 10.5 10.9 11.16 1.31 2.14 2.21 2.28 4.15 1.24 1.25 2.8 3.25 安徽 △ ○ ▽ □ ▽ ○ △ ▽ 北京 ☆ ▽ ○ ▽ ☆ ▽ ▽ ☆ ▽ ▽ 重庆 △ ▽ □ ▽ ▽ △ ▽ ▽ 福建 ○ □ ○ ▽ □ ▽ ○ △ ▽ ▽ 广东 ○ ☆ ▽ ▽ ☆ ▽ ☆ △ ▽ 甘肃 ▽ △ ▽ △ ▽ 广西 ○ ▽ ▽ ▽ □ ▽ △ ▽ ▽ 贵州 ▽ ○ ○ ▽ △ ▽ △ ▽ ○ 河北 □ ▽ ○ ▽ ☆ ▽ ▽ ☆ ▽ ▽ 黑龙江 △ ▽ □ ▽ ▽ ☆ ▽ ▽ 河南 □ ○ ▽ ☆ ▽ ○ ☆ ▽ ▽ 湖南 ○ △ ○ ▽ □ ▽ ○ △ ▽ ○ 湖北 □ ▽ ○ ▽ □ ▽ ○ □ ▽ ○ 海南 ▽ ▽ ▽ ▽ ○ ▽ ▽ ○ 吉林 ○ △ ○ ▽ △ ▽ ○ □ ▽ ▽ 江苏 ○ ☆ ▽ ▽ ☆ ▽ ▽ ☆ ▽ ▽ 江西 ○ △ ○ ○ ▽ △ ▽ ▽ △ ▽ ○ 辽宁 △ ○ ○ ▽ □ ▽ ▽ ☆ ▽ ▽ 内蒙古 ▽ ▽ △ ▽ ○ △ ▽ 宁夏 ▽ ○ ▽ ○ ○ ▽ ○ 青海 ▽ ▽ ▽ ▽ ○ 上海 ○ □ ▽ ▽ ☆ ▽ ▽ □ ▽ ○ 四川 ○ □ ▽ ○ ☆ ▽ ▽ ☆ ▽ ▽ 山东 ○ □ ▽ ▽ ☆ ▽ ○ ☆ ▽ ▽ 山西 △ ▽ □ ▽ ○ △ ▽ ○ 陕西 △ ○ ○ □ ▽ ▽ □ ▽ ▽ 天津 △ ▽ □ ▽ ○ △ ▽ 西藏 ▽ ○ ▽ ○ 新疆 ▽ ○ ○ ▽ ▽ ▽ ▽ 云南 △ ▽ ▽ △ ▽ ○ ☆ ▽ ▽ 浙江 ○ ☆ ▽ ▽ ☆ ▽ ○ ☆ ▽ ▽ ☆ □ △ ▽ ○ K≥1 500 1 000≤K< 1 500 500≤K <1 000 100≤K <500 0 < K < 100 K=0
强关注 偏强关注 关注 偏弱关注 弱关注 无关注
2. 哈尔滨“天价鱼”事件的网络舆情传播时空演化过程
3．“丽江打人”事件的网络传播时空演化分析
4. 三次事件的对比分析和总结
三、旅游危机事件网络舆情传播的影响机理分析
危机事件发生后,通过各种媒体渠道的传播和报道,引起人们的关注,对该事件及类似事件感兴趣的网民通过网络检索该事件,并进行讨论和二次传播,形成网络舆情（见
各时期网络关注度 皮尔逊相关性 人口
数量经济发
展水平网络普及率 空间
距离相关
省区总网络关注度 Pearson Correlation 0.700** 0.863** 0.522** 0.464** 0.413*
四、结论和讨论
1. 研究结论
2. 相关对策
3. 未来展望
参考文献
[1]
[2]
[3]
[4]
Social networks have been regarded as a timely and cost-effective source of spatio-temporal information for many fields of application. However, while some research groups have successfully developed topic detection methods from the text streams for a while, and even some popular microblogging services such as Twitter did provide information of top trending topics for selection, it is still unable to fully support users for picking up all of the real-time event topics with a comprehensive spatio-temporal viewpoint to satisfy their information needs. This paper aims to investigate how microblogging social networks (i.e. Twitter) can be used as a reliable information source of emerging events by extracting their spatio-temporal features from the messages to enhance event awareness. In this work, we applied a density-based online clustering method for mining microblogging text streams, in order to obtain temporal and geospatial features of real-world events. By analyzing the events detected by our system, the temporal and spatial impacts of the emerging events can be estimated, for achieving the goals of situational awareness and risk management. (C) 2012 Elsevier Ltd.
[5]
[6]
Abstract
Résumé
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26]
[27]
[28]
[29]
[30]
[31]
[32]
[33]
[34]
[35]
[36]
〈
〉
