基于情感挖掘和話題分析的旅游輿情危機演化特征

李勇 蔣冠文 毛太田 蔣知義

[摘? ? 要]現有旅游業危機管理體系缺乏對旅游輿情危機的關注。該研究聚焦旅游業的輿情危機，從情感傳播的視角對旅游輿情危機的演化規律和行為特征進行深入剖析，嘗試探尋旅游輿情危機傳播演化的一般性規律。文章以“麗江女游客被打”事件為例，采用網頁數據采集工具爬取互聯網中新聞報道和用戶評論的相關數據，通過提取危機關鍵詞、識別輿情話題、計算情感強度，并結合危機生命周期的階段性特征，對旅游輿情危機進行綜合分析。研究結果顯示：（1）公眾心理存在“放大效應”，對危機事件的評價更容易被輿論場中最突出的行為特征所掩蓋，而忽視事件自身客觀規律，導致以點概面的評價結果;（2）事件引發的輿情話題存在縱深發展和橫向擴散兩種演化方式，并衍生出新的話題，新的輿情話題伴隨著負面情緒的波峰出現;（3）由公共安全引發的旅游輿情危機突發且易逝，事件生命周期長度具有顯著的不確定性，與現實中案情調查進展、政府應對及信息公布和突發新聞等影響因素密切相關。

[關鍵詞]旅游輿情危機;情感分析;話題分析;演化特征

[中圖分類號]F59

[文獻標識碼]A

[文章編號]1002-5006（2019）09-0101-13

Doi： 10.19765/j.cnki.1002-5006.2019.09.014

引言

近年來，我國旅游市場負面新聞頻發，一些廣受關注的負面事件引起了社會各界的輿論轟動，如“青島天價蝦”“鳳凰古城收費事件”“麗江女游客被打”事件等。這些事件不但干擾了當地旅游企業的正常營運，造成經濟上的損失，還會損壞旅游地的形象，對其聲譽和口碑造成長遠的危害。而這種危害又往往取決于事件所引發的輿論聲勢——實質上是負面事件經過傳統媒介和互聯網新媒體的傳播曝光，在互聯網環境中引發廣泛討論，進而降低公眾（潛在游客）的出行意愿，甚至引起公眾對當地旅游市場的集體抵制與抗議。由于旅游業的高度依賴性和敏感性等行業特點，任何非常規事件的發生，都易使當地旅游市場深陷輿情危機，互聯網新媒體的廣泛普及也加劇了這一現狀。然而，如何對旅游市場的輿情現象進行系統科學的解釋，如何厘清旅游輿情危機的內在演化規律和傳播特征，并將國內外已有的方法體系和理論成果運用到我國旅游業的危機管理中來，已經成為當下亟待解決的研究課題。為此，本研究以“麗江女游客被打”事件為例，通過采集互聯網上的“數據痕跡”作為原始材料，采用情感分析和話題挖掘等方法，以公眾負面情緒作為旅游輿情危機的測度工具，結合危機事件生命周期理論，對旅游輿情危機進行綜合分析。嘗試回答以下問題：（1）互聯網環境中，公眾對旅游輿情危機表現出何種普遍性的行為特征？（2）旅游輿情危機演化的階段特征是什么？這些特征對輿情話題的演變和公眾情緒產生了何種影響？（3）影響危機生命周期的因素有哪些？

1 文獻回顧

關于旅游業危機認知的前期研究中，最早對旅游業的危機進行系統性梳理的是鄧冰等于2004年發表的《國內外旅游業危機管理研究綜述》，該文在收集了大量國內外文獻資料的基礎上，從危機產生的根源上把旅游業危機劃分為受其他行業波及（如戰爭、金融風波、恐怖主義、公共衛生危機）引起的危機和旅游業內部（如針對游客的恐怖襲擊、飯店火災、旅游娛樂設施發生意外等）的危機兩大類[1]。而后陳文君就旅游景區的主要危機進行劃分，即細分為戰略危機、目的地危機、突發事件危機等十幾種形式[2]。李鋒在沿用世界旅游組織（WTO）對旅游危機的定義（“影響旅游者信心，并會危及該地旅游業持續正常運轉的任何不曾預見的事件”）基礎上，將旅游危機事件的性質劃分為自然災害事件和公共衛生事件[3]。這些研究聚焦于戰爭、自然災害、恐怖襲擊事件、公共突發性事件等旅游危機事件，形成了豐富的研究成果，為后續學者提供了寶貴經驗。

2013年4月“鳳凰古城收費事件”發生以后，我國學者開始從公眾輿論的視角出發，首次將旅游市場的輿情危機納入考量，并就此類危機展開專項研究。付業勤等將網絡空間的輿情信息考慮進影響旅游現象的因素當中，以“湖南鳳凰古城收費事件”為研究案例，根據網絡關注度走勢，劃分出輿情演化的不同階段，指出旅游危機事件網絡輿情演化的階段性特征[4]，并建立了危機預警指標體系[5]。羅秋菊等人研究了“占中事件”在微博上引發次生輿情危機（secondary crisis communication）的傳播機理，深入探討了社交網絡中次生危機如何使政治事件演化為旅游聯合抵制的問題，并將之視為旅游目的地危機管理（crisis management in tourism destinations）在互聯網思維下的補充[6]。祁凱和楊志將“三亞宰客事件”“青島天價蝦事件”等負面事件劃歸為由人為因素導致的旅游公共危機，認為旅游市場的宰客、欺詐、打人等惡意行為嚴重威脅到旅游業的正常發展和旅游者的旅游信心，并以“青島天價蝦事件”為研究案例建立了政府、旅游企業和旅游者的三方博弈模型[7]。

整體看來，圍繞旅游業輿情危機的相關研究取得了一定進展，但仍有不足，這主要體現在對旅游業中輿情危機的概念和范疇的理解和認識上。雖然輿情信息的傳播實質上擾亂了當地旅游業的正常經營，削弱了潛在游客的出行信心，但被曝光的負面事件本身往往并不具有很大的破壞性，而由其引發對當地政府以及旅游部門的輿情追責才構成了真正的危機。這與前期研究中聚焦于戰爭、自然災害、恐怖襲擊事件、公共突發性事件等常規性旅游危機事件存在性質上的不同，相關學者將旅游市場的輿情危機籠統地歸于“旅游危機”并不恰當。這說明，學界對此類危機的研究仍處于初級階段，對“旅游危機”的界定尚未達成統一意見。筆者認為：那些由旅游地某一刺激事項所引發，在相對較短的時間內生成大量信息，這些信息的“矛頭”直指當地政府和相關旅游組織，并在更大區域內掀起范圍更廣、強度更強的社會反映，最終危害旅游市場聲譽，影響當地旅游業正常運營，是為旅游輿情危機。其目的是借助網絡輿論，尋求自身利益訴求，其后果在于會損害旅游目的地形象，打擊潛在游客的出行信心。

2 研究設計

2.1 研究方法

2.1.1? ? 情感分析

根據上述對旅游輿情危機的定義，危機的發生會對旅游市場的正常運營造成實質性破壞，并且會損害旅游地形象，打擊潛在游客出行的信心。而游客的這種信心，則直接反映在其行為和態度所表現出的情感傾向中。具體而言，積極的情感情緒有利于增長潛在游客對于旅游目的地的信心和出行意愿，消極情緒則會破壞這種信心，使潛在游客放棄原定的計劃。因此可把互聯網上的負面情感視為輿情危機的一種測度工具。

情感分析旨在對用戶發表的帶有情感傾向的評論、意見、觀點等文本數據自動進行甄別，同時計算每一條文本數據的情感強度，通過統計情感值的分布和變化趨勢，從而跟蹤和觀測網民的情緒變化?；谠~典的情感分析是通過提取待分析語料文本中的領域主題詞，對這些主題詞進行情感極性和強度的標注，同時借助現有的通用情感詞典，構建一個完整的情感分類特征詞典。該方法的關鍵是通過人工標記，為現有的情感詞典補充領域特征詞，構建一個全面的、能夠涵蓋特定事件全部情感特征的詞典[8]。目前，中文通用情感詞典的發展已較為完備，如“清華大學中文褒貶義詞典”1收錄了人文社會科學領域的常用情感詞;知網HowNet情感分析中文詞表1不僅對常用的公共領域情感詞進行了收錄，還根據句式區分了不同句型的情感權重;大連理工大學中文情感詞匯本體庫2覆蓋了名詞、動詞、形容詞、俗語和近幾年的微博網絡用詞。其中，知網HowNet常被國內學者用作構建領域擴展詞典的基礎詞典?；谠~典的情感分析方法在分析輿情危機事件中具有較好的適用性和準確率，在各大領域廣泛使用，近年來也有學者專門針對旅游市場，提出了旅游網絡在線評論的情感詞典構建方法[9-10]，取得了可喜的進展。

2.1.2? ? 話題分析

傳統的危機傳播研究視角認為，消除危機的根本任務是說服公眾與危機相關的各個利益攸關方危機已經結束。為了達到該目的，組織對危機事件進行跟蹤報道、發布事件的進展和處理結果，媒體對這些信息活動進行加工傳播，公眾圍繞組織發布的信息活動來表達其觀點和態度[11]。這種由組織、媒體、公眾之間組成的互動關系，在現代互聯網新媒體平臺下，表現為危機曝光后相關信息的持續發酵和相關話題的發生、衍化、遷移[12]。不斷演化的話題為分析和監控輿情訴求提供了重要窗口。

已有研究表明，高影響力的話題往往受到更高的關注和認同，并被認為是輿情產生的萌芽期和初級階段[13];類型不同的話題事件在互聯網上的傳播也具有差異性，在中文微博中，社會熱點和突發事件的微博話題具有比其他微博話題更深更廣的傳播性[14];在Twitter上，國際性議題和旅游信息則是最流行的話題[15]。

2.1.3? ? 關鍵詞分析

話題分析能夠描述危機事件在組織、媒體、公眾三方交互作用下的動態發展過程以及揭示輿情訴求的變化，關鍵詞分析則能從更小的粒度刻畫危機事件在輿論場中傳播的普遍性特征。由于互聯網相對自由的輿論環境，網民的評論觀點通常被看作其情感態度的真實反映，但海量無序的評論信息中是否存在具有普遍代表性的觀點和意見？若存在，如何從隨意和零散的用戶評論信息中提??？以何種形式呈現？

齊普夫定律為這個問題提供了可行的思路，該定律認為，在印歐語系的長文章中，大多數詞被很少使用，只有極少數詞經常被使用，這些少數的詞語表達了文章大多數價值[16]。許文霞在1986年證明了齊普夫分布規律在漢語語系中具有同樣的適用性[17]。因此，齊普夫定律為從海量的用戶評論數據中提取能夠刻畫輿情危機特征的關鍵詞提供了理論上的可行性。若把從信源平臺上采集的有關旅游輿情危機事件的評論數據視為一個語料集合，把詞語出現的頻率視為大致衡量關鍵詞刻畫危機事件的能力標準，同時語料集合中的詞語符合齊普夫分布，則可以通過適當的文本處理技術和關鍵詞賦權算法，從海量數據中提取描述危機特征的關鍵詞，最后以適當的可視化方法呈現出來。

2.1.4? ? 危機事件生命周期理論

對危機事件的生命周期階段的劃分，學界普遍認同的是Mituoff提出的M模型理論[18]和Fink提出的四階段理論[19]。前者把危機劃分為信號偵測階段、損失控制與處理階段、恢復工作階段、危機事后學習階段;后者將危機的生命周期劃分為征兆期、發作期、延續期和恢復期。通過對M模型理論和四階段理論的不斷修正，形成了一種被普遍使用的危機事件生命周期劃分方法，即將危機的生命周期劃分為：潛伏期、爆發期、延續期和消退期4個階段[20-24]。中國社科院在2016年年末發布的“中國社會心態研究報告”指出，網民的注意力易受熱點事件調動，往往不經任何預熱便迅速傳遍網絡，同時，注意力消散也很迅速，對熱點事件的關注一般不超過72小時，但在危害人身安全的惡性犯罪事件中則表現出更高的關注度[25]。這符合我國當下輿情危機的傳播事實。本文綜合現有危機傳播生命周期理論與研究案例自身特點，將危機生命周期劃分為熱議期、冷卻期和消散期3個階段。

2.2 數據采集

樣本數據的選擇對旅游輿情危機研究的結論影響甚大，因此選擇具有典型意義的案例至關重要。根據人民網旅游3·15投訴平臺2014—2016年公布的旅游投訴輿情來看，云南旅游投訴率連續3年據全國榜首，是我國旅游投訴重災區[26]，而2017年新年前后麗江負面新聞成為持續的輿情沸點，直接導致了2017年春節期間云南游客的銳減，因此選擇“麗江女游客被打”事件的相關數據作為研究樣本具有一定的代表性和現實意義。此外，以“麗江”“被打”為主題在中國知網文獻庫進行檢索，僅有12篇相關文獻，其中，只有5篇文獻來源于期刊論文，其余均來自報紙。相較于往年旅游輿情危機事件的研究（如2013年鳳凰古城收費事件、2015年青島“天價蝦”事件等），本案例的研究極少，并且大多數是以對案情進行報道和還原事件原委的報紙為主，對案例進行量化分析，深入探討互聯網環境中旅游輿情危機傳播特征的研究幾近于零，這與該事件造成的社會危害嚴重不符，也正是由于以上現狀，使本文的研究案例鎖定于“麗江女游客被打”事件。

2.2.1? ? 事件回顧

2016年11月11日凌晨3點左右，網名為“琳噠是我”的女游客與其朋友在麗江古城的某燒烤店就餐時，與當地一群男子發生語言沖突，遭多名男子辱罵毆打半個小時，被用碎酒瓶劃臉至其毀容，并遭其威脅恐嚇。在隨后的報案和鑒定傷情的過程中，“琳噠”聲稱自己遭到了當地政府和醫院的不公平對待。2017年1月24日深夜，被打女游客在其新浪微博主頁中曝光了其在麗江遭惡性毀容搶劫的消息，呼吁網絡還她公道。隨后，此事在網絡上被網友關注轉發，并引起媒體關注，紛紛進行轉載報道。截至2017年1月26日21時，微博、網站、論壇、新聞、微信等各類媒體對該事件進行了大肆跟蹤報告，全網關于“麗江女游客被打”事件的信息總量達84.7萬條，其中，新浪微博的相關數據達83.8萬條，占數據總量的98.9%1，遠高于其他媒體，成為了該事件主要的傳播平臺。

2.2.2? ? 數據獲取與預處理

（1）選擇網絡信源?；谛吕宋⒉υ撌录膱蟮懒扛哌_99%，已接近互聯網上關于此次危機事件的信息全量。因此，本文將新浪微博作為主要網絡信源;并輔以財經網、頭條新聞、華西都市報、新華網、中國青年網和環球時報等對事件傳播擴散推動較大的網絡媒體的實況跟進和評論報道作為數據補充。

（2）確定時間區間。為了突出研究的針對性，本文采集了輿情關注度較高的“麗江女游客被打”事件曝光后的25天（2017年1月24日21：30—2017年2月18日21：30）新浪微博相關報道數據，并以8小時為單位劃分時間窗，為下文計算統計時段內的情感值強度做準備。

（3）確定檢索詞條。由于新浪微博中數據評論的隨意性和零散性，社會現實當中的真實事件可能擁有多個與之對應的微博話題，為了更加全面和精確地采集該事件的有效信息，對“麗江女游客被打”事件分別以“麗江女子被打”“麗江惡性毀容搶劫”和“琳噠是我”3組詞條作為檢索關鍵詞，以“原創微博”作為限定條件分別進行檢索。

（4）爬取數據。在時間區間和詞條檢索下，使用網絡爬蟲工具八爪魚軟件，對檢索目錄下的數據進行爬取，爬取內容包括：① 用戶名;② 發布時間;③ 發布內同;④ 發布方式;⑤ 發布網址;⑥ 用戶主頁;⑦ 用戶UID;⑧ 轉發數;⑨ 評論數;⑩ 點贊數。將爬取的微博數據保存在Excel表格中;對各大網絡媒體的報告數據采取與微博數據同樣的形式并入整體數據集中。

（5）初步清洗。使用Excel刪除重復項、空白項;剔除廣告信息、垃圾信息等無關項。最終得到初始數據。

3 分析過程

3.1 關鍵詞權重計算

為了刻畫“麗江女游客被打”事件在新浪微博平臺上的傳播的普遍性行為特性以及主要情感態度，對初始數據進行文本可視化處理。關鍵詞可視化系統通常包含以下步驟：

（1）對獲取的初始數據進行分詞處理，去除停用詞。

（2）統計詞頻，得到待分析語料詞分布特征。

（3）進行關鍵詞提取，并為這些關鍵詞加權，得到帶有權重的詞語。

（4）針對提取到詞語的特征信息，選擇合適的可視化表達方式，并以計算機編碼或圖形設計的手段進行可視化呈現。

（5）用戶與可視化圖形的交互。

tfidf權重法因其具有較強的普適性和相對簡單易行的操作，成為文本分類特征項賦權方法中最重要的計算方法之一[27]。通過tfidf算法計算“麗江女游客被打”事件待分析語料數據中關鍵詞權重，具體計算公式如下：

[tfi，j=ni，jknk，j] （1）

式（1）中，ni， j表示詞語ti出現在“麗江女游客被打”事件待分析語料數據集合（dj）中的總次數。[knk，j]表示該待分析語料數據集合中全部詞語個數。

[idfi=lgDj：ti∈di] （2）

式（2）中，[D]表示“麗江女游客被打”事件待分析語料數據集中的微博總條數。[j：ti∈di]表示“麗江女游客被打”事件待分析語料數據集中包含了詞語ti的微博條數。

計算詞語ti在待分析語料數據集中tfidf值的公式為：

[tfidfi，j=tfi，j?idfi=ni，jknk，j?lgDj：ti∈di] （3）

通過綜合考慮關鍵詞的詞頻特征（tfidf值）和情感特征（情感強度等級T），則可進一步定義情感關鍵詞的重要性，令詞語ti的重要性為Ii，Ii的計算公式為：

[Ii=tfidfi?Ti] （4）

部分計算結果見表1。

3.2 微博話題發掘

在信息檢索領域，熱點話題發掘一直是中文文本分析中一項重要研究工作，但相比于傳統的網絡長文本信息，新浪微博本身具有更為復雜的關系：同一話題事件可能產生多個與之相關的話題;這些話題會在一定條件的觸發下衍生出新的輿情話題[28]。在微博平臺中，不同的話題通過“#”和中間包含的話題名稱加以區分表示，這種包含一個字串“#麗江打人#”的標記方式被稱為“話題標簽”。通過標記方式可以揭示文本主題，并對話題事件進行發現與跟蹤[28]。這種方法在分析微博文本數據時，能有效克服傳統長文本熱點話題發掘方法中或是脫離事件內容本身，只分析了趨勢的變化，或是完全依賴文本內容，缺乏靈活性等不足，但由于微博將“話題標簽”當作文本正文本身的一部分引入，因此在分析過程中應當注意對關鍵詞提取的影響。

本文以“麗江女游客被打”事件的微博評論數據作為待分析文本，基于微博“標簽”功能提取危機事件的相關話題，該事件在新浪微博中的相關話題以及對應話題事件見表2。

3.3 危機事件中的情感分析

3.3.1? ? 構建情感分類領域特征詞典

基于詞典的情感分析方法關鍵在于構建一個能全面地反映特征本體全部情感要素的詞典。本文選取大連理工大學情感詞表作為構建本文領域特征詞典的通用情感詞典，該詞典將詞匯本體的情感分為7大類21小類，包含0（中性），1（正面），2（負面）3種情感傾向和1、3、5、7、9五種情感強度等級，共收錄情感詞27 466個。本文中領域特征詞典的構建方法具體如下：

（1）對“麗江女游客被打”事件待分析語料數據集進行分詞處理，并通過停用詞字典去除語料庫中的部分介詞、代詞、語氣助詞等。此步驟處理后的詞匯集為X。

（2）令大連理工大學情感詞表中的全部詞語為集合Y，定義集合Z=X-Y，Z即領域補充主題詞集。

（3）進一步去除集合Z中的指示詞以及無關名詞，得到擴展詞匯184個，然后根據大連理工大學情感詞匯本體庫的標注規則，人工標注這些詞匯的情感傾向和強度。

（4）根據“麗江女游客被打”事件的輿情環境，對通用情感詞典中的部分情感詞重新標注情感強度。此步驟在于消除同一詞匯在不同語境下可能存在的情感傾向差異所引入的誤差。例如“輕薄”一詞，在對電子產品的評價信息中屬于正面詞匯，而在對女性的形容中則有負面含義，因此需要對部分情感詞重新定義情感傾向和強度。

（5）步驟3和步驟4中人工標注情感強度的流程和標準參考文獻[29]，標注后的詞匯并入大連理工大學情感詞表中，獲得此次事件的領域特征詞典，共包含情感詞匯27 650個。

3.3.2? ? 單位時間內的情感強度計算

根據本文2.2.2部分確定的時間區間，將采集的相關新浪微博數據以8小時為單位劃分成75個統計時段，每個統計時段的所有微博數據歸并為一個微博語料集合。

定義集合D={Wn|n=1，2，3，…，75}為確定時間區間內所有的微博語料數據集，Wn代表第n個統計時段內所有的微博語料集合;對任意一Wn有Wn={Bj|j=1，2，3，…}，Bj代表集合Wn中第j條微博;對任意一Bj有Bj={Sk|k=1，2，3…}，Sk代表集合Bj中的第k條語句;對任意一Sk中有Sk={Ti|i=1，2，3…}，Ti代表Sk中包? ? 含的第i個情感詞ti的情感強度。單位時間內的情感強度計算規則如下：① 計算微博中每個句子的情感強度[F（Sk）=F（Ti）]，其中[F（Ti）]為句子中所有情感詞的情感極性強度之和;② 考慮不同句型對? 情感表達的差異，不同句型[F'（Sk）]的計算方法[30]如表3所示;③計算每條微博的情感值[F（Bj）=][F'（Sk）]，其中[F'（Sk）]為微博中所有句子的情感極性強度之和;④計算每個統計時段內的情感值[F（Wn）=F（Bj）]，[F（Bj）]為統計時段內所有微博的情感強度之和。

4 分析結果

4.1 關鍵詞可視化分析

危機事件發生后，以新浪微博為網絡信源，對“麗江女游客被打”事件的初始語料數據進行文本處理和關鍵詞提取，進而得到危機事件輿情語料的關鍵詞特征。定義關鍵詞ti的詞頻為f，詞頻為f的關鍵詞個數為n，去除特殊點（詞頻為5094的“麗江”一詞）后統計關鍵詞詞頻f和對應關鍵詞個數n的分布情況，繪制面積圖（圖1a），發現“麗江女游客被打”事件微博關鍵詞分布呈現長尾分布，曲線頭部的少數關鍵詞反映了文本內容的主要信息，而大多數出現頻率較低的關鍵詞，則在曲線后部形成了一條“長尾”。將f和n分別取對數，令橫坐標為lg（f），縱坐標為lg（n）繪制散點圖（圖1b），對圖形進行曲線擬合，取對數后的詞頻分布呈線性分布特征，經驗回歸方程的確定系數R2=0.90978，擬合度高。結果顯示，該危機事件微博關鍵詞的分布符合齊普夫分布定律。

根據3.1部分提出的關鍵詞賦權方法，計算危機事件語料文本中關鍵詞的權重，繪制關鍵詞詞云（圖2）。分析發現，網民輿論的側重點集中體現在少數重要程度高的關鍵詞上（tfidf值大于100的詞條有146個，信息量占比48.8%），這部分關鍵詞體現了網民對該事件的觀點看法與主要訴求，如“云南”“鑒定”“女子”“警方”“真相”“調查”“政府”等。而數量上占大多數，但重要程度較低的關鍵詞（tfidf值小于100的詞條有8669個，信息量占比51.2%），則體現了輿論場中網民觀點主張的多樣性。具體呈現以下特征：

整體而言，“云南”“鑒定”“警方”“政府”“真相”等詞最為突出，特別地，“云南”一詞是描述該危機事件地理位置特征最突出的，也是詞云中最突出的關鍵詞;“古城”則是類型特征中重要程度最高的關鍵詞;雖然“麗江”是出現頻率最高的關鍵詞，同時還是危機事件發生的所在地，但是詞云中的表現程度卻遠不如“云南”;在描述地理位置特征的關鍵詞中，突出程度方面表現為：云南>麗江>大理，并且“云南”的重要程度遠高于其他詞。這說明此次輿情事件的討論焦點不再僅僅是麗江，同時也擴散至大理、香格里拉等云南省其他的旅游城市或景點，公眾對此次危機事件的“口誅筆伐”已經由點及面地從發生城市上升至發生省份，這可能與輿情歷史等原因有關。

值得注意的是，以往的研究通常根據詞頻的高低排列區別不同關鍵詞的重要程度。本研究通過tfidf計算關鍵詞權重，對關鍵詞權重進行排序，得到的主題關鍵詞能更加精確地描述危機事件在互聯網上傳播的特征。例如“麗江”一詞在待分析語料數據集中出現次數最高，達5094次，遠高于其他詞條，但是權重卻只排在第61位，這是由于樣本選取是以“麗江女游客被打”事件作為“話題標簽”進行數據挖掘，“麗江”一詞存在于該話題下的所有微博當中，因此認為“麗江”一詞不能很好地識別該危機事件的特征。tfidf算法能有效規避“話題標簽”對關鍵詞權重計算所產生的影響，同時降低了單純依據詞頻高低確定權重所帶來的誤差。

進一步考慮情感關鍵詞權重（tfidf值）和情感強度等級（T）作為重要性依據，根據公式（4）計算“負面情緒關鍵詞”和“輿情訴求關鍵詞”重要性，結果如圖3所示。

4.2 情感擴散的時間特征分析

危機事件發生后，網友通過微博評論表達主觀情緒具有明顯的時序特征，并且負面情緒占比高達58.36%，大多數評論表現出對此次事件的震驚、憤怒，以及對政府的追責和渴望調查真相等輿情訴求。信息擴散過程呈現出明顯的階段性特征。輿情經過短時間的匯聚，在某個時刻爆發式增長，經過幾天時間發酵達到峰值;隨后雪崩式下降，但依然維持一定熱度，并在很長一段時間內反復波動，形成信息長尾;信息量緩慢降低，危機事件慢慢走出輿論漩渦，熱度逐漸消散。

把上述階段劃分為：熱議期→冷卻期→消散期。各時段內微博信息擴散的整體走勢情況如圖4，具體每階段特征如下：

（1）熱議期。1月24日21：57，“麗江女游客被打”事件受害者@琳噠是我 通過新浪微博平臺闡述自己在麗江的遭遇，希望尋求網絡輿論支援;1月25日12：36，政府官方部門通過微博發聲，輿情開始發酵，隨著網絡媒體的持續跟進，以及微博大V、具有傳播力的名人、明星等意見領袖的二次轉發，危機事件廣泛進入大眾視野，微博話題開始形成，微博平臺中的信息量開始增速走高，成為輿情危機爆發拐點;1月25日12：36，在云南麗江警方發布官方微博對案情進行通報，宣稱已經成立行動組介入調查后，輿情信息量呈現爆發式增長;1月27日13：52，云南警方通報已刑拘6名嫌疑人，期間危機事件開始橫向擴散，由“麗江女游客被打”事件引發的各類暴力事件相繼被曝出，微博網友對此次事件的關注點由“震驚”“懷疑”發展成“憤怒”與“公布調查進展”等輿情訴求。

（2）冷卻期。隨著1月27日警方公開調查進展，危機進入冷卻期。該階段案情信息逐漸明確，總體關注度下降，輿論信息量大幅度回落，但依然保持一定輿情熱度，并在很長一段時間內波動往復。在此階段，網友對該事件的評價趨于理性，輿論訴求由“公布調查進展”發展為“事件后續發展”以及“公開調查真相”等，輿情開始趨于消退，但公眾并未就該危機事件產生免疫，此階段網民情緒十分敏感，是謠言最易萌發，輿論導向最不穩定的時期。在此階段施加正向引導，效果相對最佳。

值得一提的是，危機事件在此階段的演化中，受到某種外界作用，使事件內部“出現”了一個次生危機，信息量顯著提高，輿論出現了一個新的高峰點，導致輿情演化的弛豫時間延長（圖5）。此次事件的核心攸關方應當在該階段付出最大努力，維護輿論穩定，杜絕次生災害發生，讓輿情收穩，以保證交互期向消退期的自發過渡，進而縮短危機事件的生命周期。

（3）消散期。2月13日新華網發文稱“麗江女游客被打事件”受害者將做傷情鑒定，鑒定結果今日公開。信息逐漸明朗，大眾視線開始轉移。信息擴散達到邊界，輿情消解，輿論風波淡出公眾視野。本研究選取消散期中連續5個統計時段內信息量為0的點，選擇其中最后一個點作為分析結束時的點（此案例中涉及刑事案件，審訊周期長，考慮到突出研究重點以及計算開銷，分析結束時的點即視為危機事件輿情消亡的點，后續相關的跟進報道不在此討論）。

鑒于“麗江女游客被打”事件在現實中造成的消極影響以及網絡環境中的負面報道，微博輿論場中負面情緒的特征和演化過程是本研究的重點，由于積極情感和中性情感占比較少，并且傳播特征與消極情感相似，其對理解危機事件在線上的傳播與演化特征并無幫助，因此在后續分析過程中僅保留了負面情感分析部分。

4.3 危機事件的情感分析與話題演變

通過比較負面情感強度值的變化情況以及微博話題的分布，發現危機事件負面情感強度在時間上的變化與微博信息擴散趨勢基本一致，結合信息擴散的時序特征，梳理話題事件的發展脈絡，具體結果如圖6所示。

第一，輿情話題在時間線上的發展存在縱深和橫向擴散兩種趨勢。網民受事件情緒波動影響自發跟進以及網絡媒體對新聞價值深度挖掘推動輿情話題發生變化，“麗江女游客被打”事件從輿論爆發到消亡延續25天，事件話題圍繞#麗江惡性毀容搶劫#向縱深方向發展，輿論關注點集中在被打女游客傷情鑒定、嫌疑人是否被拘捕、作案人數等與案情直接相關的信息上。隨著事件的深度報道和信息逐步公開，#琳噠是我遺書#、#警方通報女子麗江被打案：已刑拘6名嫌疑人#、#麗江被打毀容女子：我真的沒有罵過麗江#等話題相繼出現。

與此同時，一些與此次事件非直接相關的負面消息相繼曝光，并且牽扯出近期發生在麗江的3起打人事件，引發了更大范圍的聲討。受害者不斷涌現，輿情話題開始橫向擴散。圍繞#女游客麗江遭打毀容#話題引發出#石家莊網友再爆2015年在麗江遭遇毀容搶劫經歷#、#張若昀父子曾在麗江被圍毆#、#鄭淵潔給麗江市長鄭藝的信#等新的輿情話題，話題間相互耦合，輿情環境更為復雜。

第二，輿情話題總是伴隨波峰出現，新一輪的波峰也會帶來新的輿情話題，負面情緒聚集的高地也是輿情話題爆發出現的集中點。危機事件曝光后網友和網絡媒體相繼推送轉發，隨著事件調查進展不斷公開，公眾情緒到達高峰，互聯網上圍繞危機事件持續展開討論，輿情話題相繼產生，此時的輿情話題主要圍繞危機事件的縱深發展。

危機進入冷卻期，線上輿論逐漸收穩，但依舊維持著一定關注量，網友爆出事件發生過程中的各種版本，如光棍節約炮言論、女子詆毀麗江等，對受害者帶來了二次傷害的同時加劇了輿論的復雜性，網絡情緒極度不穩定。此階段任何內部或外部因素的刺激都可能激起網友對危機事件的重新回憶，引發次生危機事件。在此次事件中，由鄭淵潔因質疑古城維護費而引起的輿情話題#鄭淵潔給麗江市長鄭藝的信#使得網友評論與危機事件關聯，微博信息量重新攀升，危機事件引發的負面情緒形成新的高潮。此階段的輿情話題主要由危機事件的橫向擴散引發。

第三，云南麗江市公安局作為危機事件的核心攸關方，在危機事件的應對措施中并未起到修復組織聲譽、平息輿情的積極作用，反而由于應對失當，使公眾對輿論的質疑進一步加深。#致云南麗江警方公開信#、#警方通報女子麗江被打案：已刑拘6名嫌疑人#等話題不僅未起到消減負面情緒的作用，甚至讓輿論擴散到危機應對本身，對當地政府公信力造成嚴重影響。

5 結論與討論

5.1 研究結論與理論意義

公眾情感是測度輿情危機的有效手段，輿情話題的發生、衍化、遷移，反映了輿情訴求的變化。本文基于公眾情感與負面事件輿情危機的映射關系，將負面情緒視為輿情危機的測度工具，通過在線數據爬取、提取關鍵詞、計算情感極性強度和分析輿情危機話題，得到以下結論：

第一，公眾心理存在“放大效應”[31]，對危機事件的評價更容易被輿論場中最突出的行為特征所掩蓋，而忽視事件自身客觀規律，導致以點概面的評價結果。由于旅游業屬于“精神層面的消費”，對各類危機事件更加敏感，負面輿情歷史易被挖出，從而引發“放大效應”，公眾對一個旅游地的形象評價會被擴展到整個旅游城市甚至旅游省份。政府在應對危機事件時稍有不當，極易使“應對行為”本身成為新的危機，損壞當地政府公信力。

第二，事件引發的輿情話題存在縱深發展和橫向擴散兩種演化方式，并衍生出新的話題，新的輿情話題伴隨著負面情緒的波峰出現。在危機事件生命周期的不同階段，輿情話題衍生發展的傾向也不同。在熱議期，輿論主要圍繞與案情直接相關的信息發展，此時出現的衍生話題由危機事件的縱深發展產生。在冷卻期，旅游地的其他負面新聞一旦被曝光，這些負面新聞與危機事件本身并無聯系，但易喚起公眾對危機事件的重新回憶，輿論場會自發與危機事件關聯，并且認為如果旅游地在公共安全上存在問題，說明其他管理方面同樣存在問題，由此引發新的輿情話題。此時出現的輿情話題主要由危機事件的橫向擴散所產生。

第三，由公共安全引發的旅游輿情危機突發且易逝，事件生命周期長度具有顯著的不確定性，與現實中案情調查進展、政府應對及信息公布和突發新聞等影響因素密切相關。案情調查進展的公布能引導輿情訴求發生變化，消解疑慮，防止疑惑心理轉為負面情緒，合理的公布方式以及應對措施有助于加快渡過危機，使事件得以平息。突發新聞為危機事件帶來不確定因素，應對不當容易引發次生災害，導致危機生命周期弛豫時間延長。由危機造成口碑和聲譽上的損失則與事件本身的社會危害性和旅游地的輿情歷史等因素有關。

本研究的理論意義如下：

第一，拓展了傳統旅游業危機的外延，對旅游輿情危機這一概念進行了明確定義，一定程度上擴寬了旅游業危機管理研究涉及的內容和范疇。以往對于旅游危機的研究多是在沿用WTO對旅游危機的定義下，圍繞自然災害事件和公共安全事件展開，而旅游市場的輿情危機同樣符合WTO對旅游危機的定義，但又與傳統的旅游危機存在性質上的區別。本研究從網絡輿情的視角定義了旅游輿情危機這一概念，并將其視為旅游危機的一種重要類別。對未來的旅游業危機管理研究有重要借鑒意義。

第二，將情感分析理論框架引入旅游業的危機管理中來，一定程度上豐富了旅游危機管理領域的研究方法和技術手段，為此類研究的后續發展提供了一種新的視角。本研究選擇2017年持續時間較長，影響力較大的旅游輿情危機事件“麗江女游客被打事件”作為典型案例，為其構建了領域情感詞典，通過關鍵詞分析、話題挖掘和情感分析等技術手段初步窺探了旅游輿情危機的演化特征。研究也為在社交網絡高度發展的今天如何開展旅游危機預警與輿情治理提供了啟示。

5.2 管理啟示

本研究以公眾情感傳播作為切入點，初步窺探了旅游輿情危機情感演化的一般性規律。研究結論對旅游產業的輿情治理及旅游危機管理的相關實踐工作具有一定指導意義。一方面，旅游行政管理部門應該重視所在地區游客的申訴，并積極展開維權措施。案件發生后，受害者首先是向當地的維權部門進行申訴，當申訴無果，或相關部門的處理未達到游客申訴的目的或心理預期時，才會轉而向線上求助輿論關注。根據研究結果，旅游輿情危機的整個生命周期中并未歷經明顯的“潛伏期”或是“成長期”階段，而是在短的時間內爆發直接進入熱議期，因此將危機遏制在萌芽階段的“最佳應對時期”觀點已不再適用于新環境下的旅游危機管理。在案件發生后（現實中的刺激事項）到危機發展至線上（旅游輿情危機的起點）存在一段時間差。本案例中，案件發生時間是2016年11月11日，而受害者將自己的遭遇發布至線上的時間是次年1月25日，旅游行政管理部門應當充分利用這段時間積極處理引導，重視游客訴求，而不是推諉或者拖延。

另一方面，旅游輿情危機發生后，事件的核心攸關方應當積極展開調查，及早公開案情進展，面對各方輿情訴求應予以回應，并盡可能合法公開案情細節，防止疑惑心理轉為消極情緒。研究結果表明，對“真相”的訴求是旅游輿情危機中公眾展現出最明顯的情感特征，在訴求不被滿足的情況下，輿情話題則很可能發生橫向擴散，與該地區其他的負面新聞相關聯，進一步加深輿情危機的發展。在本案例中，作為事件核心攸關方的云南麗江市公安局并未及時召開線下的新聞發布會詳述案情細節，而其通過線上官方微博進行的兩次案情通報則因內容疏漏、不具針對性而未能平息輿論，反而使質疑加深，此后接連曝出多起發生在麗江的惡性案件，嚴重影響了當地政府部門的公信力。

5.3 局限性與后續研究工作

通過理論梳理，發現由負面事件引發的旅游輿情危機與網民情感具有映射關系，基于這種映射關系，本文將負面情緒視為輿情危機的測度工具，對其進行度量和分析，然而，這種映射關系還需要進一步探討加以確認。另外，在本文的研究案例中，危機信息量第一次到達頂峰后，于2017年1月26日晚上雪崩式下降，而次日正是我國重要傳統節日除夕，“假日效應”是否對危機事件的演化造成了影響，這些都將作為我們后續的研究工作。

致謝：誠摯感謝瑞典卡羅林斯卡學院（Karolinska Institute）呂欣博士（Dr. LYU Xin）對文章英文摘要的修改完善。

參考文獻（References）

[1] DENG Bing， WU Bihu， CAI Liping. A summary of crisis management studies at home and abroad[J]. Tourism Science， 2004， 18（1）： 1-8. [鄧冰， 吳必虎， 蔡利平. 國內外旅游業危機管理研究綜述[J]. 旅游科學， 2004，18（1）： 1-8.]

[12] YIN Xicheng， ZHU Hengmin， MA Jing， et al. Coupling network model of the topic diffusion of micro-blog public opinio[J]. Information Studies： Theory & Application， 2015， 38（11）： 82-86. [尹熙成， 朱恒民， 馬靜， 等. 微博輿情話題傳播的耦合網絡模型——分析話題衍生性特征與用戶閱讀心理[J]. 情報理論與實踐， 2015， 38（11）： 82-86.]

[13] HE Tao. Reaearch on the Method of Factor Analyzing and Measuring Topic Influence in Online Community[D]. Hefei： Hefei University of Technology， 2012. [賀濤. 網絡社區話題影響力因素分析及度量研究[D]. 合肥： 合肥工業大學， 2012.]

[14] WANG Shoujin， QIAN Ying， LI Wenhui， et al. A study of spreading mode and features of microblogging based on topics[J]. Journal of Intelligence， 2013， 32（6）： 176-180. [汪守金， 錢穎， 李文慧， 等. 基于話題的微博傳播模式與特性研究[J]. 情報雜志， 2013， 32（6）： 176-180.]

[15] ZHAO W X， JIANG J， WENG J， et al. Comparing twitter and traditional media using topic models[C]//CLOUGH P， FOLEY C， GURRIN C， et al. European Conference on Advances in Information Retrieval. Dublin： Springer-Verlag， 2011： 338-349.

[16] POWERS D M W. Applications and explanations of Zipfs Law[J]. Advances in Neural Information Processing Systems， 1998， （4）： 595-599.

[17] XU Wenxia. Zipfs Law and Chinese word frequency distribution mechanism[J]. Information Science， 1986， （1）： 29-36. [許文霞. 齊普夫定律與中文詞頻分布機理[J]. 情報科學， 1986， （1）： 29-36.]

[18] MITROFF， I I. Crisis management： Cutting through the confusion[J]. Sloan Management Review. 1988， 29（2）： 15-20.

[19] FINK S. Crisis management： Planning for the inevitable[J]. American Management Association， 2002， （3）： 875-876.

[20] ALFONSO G H， CORNELIUS B P. An integrated symmetrical model for crisis-communications management[J]. Journal of Public Relations Research， 1996， （2）： 79-105.

[21] HE Zhengchu. Enterprise Crises Management： A Perspective of Arganization and Organization Management[D]. Changsha： Central South University， 2004. [賀正楚. 企業危機管理： 組織與組織管理的視角[D]. 長沙： 中南大學， 2004.]

[22] ZHAO Dingtao， LI Bei. Dynamic management mode of corporation crisis based on the system theory[J]. Journal of Management Science， 2005， 18（3）： 8-15. [趙定濤， 李蓓. 企業危機動態管理模式[J]. 管理科學， 2005， 18（3）： 8-15.]

[23] WANG Feng. Comprehensive Crisis Response Management based on Organizational Reputation Restoration[D]. Heifei： University of Science and Technology of China， 2013. [汪峰. 基于組織聲譽修復的綜合危機應對管理研究[D]. 合肥： 中國科學技術大學， 2013.]

[24] WANG Feng， WEI Jiuchang， ZHAO Dingtao. Comprehensive crisis response model building and organizational reputation restoration： A study based on two cases[J]. Journal of Public Management， 2013， 10（3）： 63-74; 140. [汪峰， 魏玖長， 趙定濤. 綜合危機應對模式構建與組織聲譽修復——基于兩個案例的研究[J]. 公共管理學報， 2013，10（3）： 63-74; 140.]

[25] Chinese Academy of Social Sciences. Research report on Chinese social mentality（2016）[EB/OL]. http：//sky.cssn.cn/zk/zk_zkbg/201612/t20161223_3355907_1.shtml， 2016-12-23. [中國社科院. 中國社會心態研究報告（2016）[EB/OL]. http：//sky.cssn.cn/zk/zk_zkbg/201612/t20161223_3355907_1.shtml， 2016-12-23.]

[26] Peoples Network. Peoples network tourism 3.15 complaint platform data report [EB/OL]. http：//travel.people.com.cn/GB/236434/359205/index.html， 2018-01-10. [人民網. 人民網旅游3民網旅投訴平臺數據報告[EB/OL]. http：//travel.people.com.cn/GB/236434/359205/index.html， 2018-01-10.]

[27] SHI Congying， XU Chaojun， YANG Xiaojiang. Study of TFIDF algorithm[J]. Journal of Computer Applications， 2009， 29（b6）： 167-170. [施聰鶯， 徐朝軍， 楊曉江. tfidf算法研究綜述[J]. 計算機應用， 2009， 29（b6）： 167-170.]

[28] CUI Anqi. Study on Public Sentiment Analysis of Events in Microblogs[D]. Beijing： Tsinghua University， 2013. [崔安頎. 微博熱點事件的公眾情感分析研究[D]. 北京： 清華大學， 2013.]

[29] Peoples network. Peoples network tourism 3.15 complaint platform data report [EB/OL]. http：//travel.people.com.cn/GB/236434/359205/index.html， 2018-01-10. [人民網. 人民網旅游3民網旅投訴平臺數據報告[EB/OL]. http：//travel.people.com.cn/GB/236434/359205/index.html， 2018-01.]

[30] LI Yong， CAI Mengsi， ZOU Kai， et al. Influencing factors and differences of the online and offline emotional spread of social network users： “Female Driver Beaten by A Male Driver in Chengdu” Case as an example[J]. Journal of Intelligence， 2016，35（6）： 80-85. [李勇， 蔡夢思， 鄒凱， 等. 社交網絡用戶線上線下情感傳播差異及影響因素分析——以“成都女司機被打”事件為例[J]. 情報雜志， 2016，35（6）： 80-85.]

[31] ZHU Guangxi， WANG Zhaoming， WAN Ximei， et al. Government image and government crisis public relations in crisis[J]. Journal of Public Management， 2006， 3（2）： 40-48. [朱光喜， 王趙銘， 萬細梅， 等. 危機事件中的政府形象和政府危機公關[J]. 公共管理學報， 2006， 3（2）： 40-48.]

The Evolution Characteristics of Tourism Opinion Crisis based on

Emotion Mining and Topic Analysis：

A Case Study of the Incident of "Female Tourist Attacked in Lijiang"

LI Yong1，2， JIANG Guanwen2， MAO Taitian2， JIANG Zhiyi3

（ 1. School of Economics and Management， Changsha University， Changsha 410000， China; 2. School of Public

Administration of Xiangtan University， Xiangtan 411105， China; 3. Xiangtan University Library， Xiangtan 411105， China）

Abstract： The popularity of mobile social network platforms， such as Sina Weibo， WeChat， etc.， have substantially changed our way of living and communication. As an area closely connected with Internet news media， tourism industry is facing with unprecedented opportunities as well as challenges. Tourism opinion crisis events under the environment of Internet， such as "Fenghuang （Phoenix） Ancient Town charges for residents"， "Qingdao shrimps with high price"， and "Female tourist attacked in Lijiang"， etc.， have raised widespread attention with the facilitation of online social network platforms， and have made a great impact on the image of tourist spots and the development of tourist activities. However， tourism opinion crisis， as the outcome of the development process of platform economy virtualization， has received less attention in the study of tourism crisis management. To amend this gap of knowledge， this implements the following research.

First， a novel classification rule for tourism crisis is proposed， on the basis of combing domestic and foreign literature concerning tourism crisis management and network public opinion. The concept of tourism opinion crisis， which is the research subject in this paper， is expounded from the perspective of network public opinion. Taking the “Female tourist attacked in Lijiang” incident as an example， the webpage data crawling tool is used to extract relevant news reports and user comments data from Sina Weibo. And the final event-related corpus is obtained after data preprocessing.

Second， through crisis keywords extraction， lyric topics identification， and emotional intensity calculation， a comprehensive analysis was carried out with respect to the life cycle of the tourism opinion crisis. It is found that： （1） There exists an "amplification effect" in public psychology. Public evaluation of crisis events is more easily leaded by the most prominent behavioral characteristics of public opinion and it usually ignores the universal evolution law of the events， which results in one-sided evaluation results. （2） Two evolution patterns of public opinion topics are found， i.e. deeply developing and transverse diffusing. New deriving topics are often accompanied by peaks of negative emotions. （3） The tourism opinion crisis caused by public security is emergent and perishable， and the life cycle length of crisis events has significant uncertainty.

Lastly， some targeted suggestions are proposed for tourism crisis management. The research not only reveals the dissemination characteristics of tourism opinion crisis under the environment of Internet， but also offers valuable insights for the supervision departments to improve public opinion management.

Keywords： tourism opinion crisis;emotion analysis;topic analysis;evolution characteristics

[責任編輯：王? ? 婧;責任校對：吳巧紅]