EN中文

经济地理 >

2026 , Vol. 46 >Issue 1: 266 - 276

DOI: https://doi.org/10.15957/j.cnki.jjdl.2026.01.026

旅游经济与管理

旅游危机突发事件的网络舆情扩散与衰退时空分异及其驱动因素

  • 祁凯 ,
  • 滕兴站 , ※ ,
  • 左佳加
展开
  • 哈尔滨师范大学 经济与管理学院， 中国黑龙江 哈尔滨 150025
※滕兴站（2001—），男，硕士研究生，研究方向为网络舆情。E-mail：

祁凯（1981—），女，博士，教授，研究方向为网络舆论引导及公共危机治理。E-mail：

收稿日期: 2025-04-29

  修回日期: 2025-12-29

  网络出版日期: 2026-02-12

基金资助

黑龙江省哲学社会科学研究一般项目(24GLB011)

收起

Spatiotemporal Differentiation and Driving Factors of Online Public Opinion Diffusion and Decline in Tourism Crisis Emergencies

  • QI Kai ,
  • TENG Xingzhan , ※ ,
  • ZUO Jiajia
Expand
  • School of Economics and Management， Harbin Normal University， Harbin 150025，Heilongjiang， China

Received date: 2025-04-29

  Revised date: 2025-12-29

  Online published: 2026-02-12

Fold

摘要

新媒体技术的迅猛发展使得突发旅游危机事件网络舆情呈现出高发态势，其传播速度快、波及范围广、负面作用强的特性愈发显著。文章以“哈尔滨冰雪大世界退票事件”为案例，融合情感分析模型与空间统计方法，系统揭示了突发旅游危机事件网络舆情的时空分异特征与驱动因素。研究发现：①舆情演化具有阶段性与空间极化特征，其中爆发期集中于东北三省，衰退期随空间距离衰减。②空间自相关分析显示，地理邻近与文化认同共同塑造舆情扩散路径。③网络关注度、人口迁移规模、经济水平与空间距离等多因子协同驱动舆情分布，交互效应显著。文章通过对旅游危机事件网络舆情进行时空双维分析，为公共部门精准识别舆情风险、制定差异化空间治理策略提供了借鉴参考。

关键词： 旅游危机; 网络舆情; 情感分析; 地理邻近; 人口迁移; 哈尔滨

本文引用格式

祁凯 , 滕兴站 , 左佳加 . 旅游危机突发事件的网络舆情扩散与衰退时空分异及其驱动因素[J]. 经济地理, 2026 , 46(1) : 266 -276 . DOI: 10.15957/j.cnki.jjdl.2026.01.026

Abstract

The rapid development of new media technology has led to a high incidence of online public opinion in tourism crisis emergencies. These emergencies are characterized by swift dissemination, broad impact, and increasingly significant negative effects. Taking the ticket refund incident of Harbin Ice and Snow World as a case study, this paper integrates sentiment analysis models and spatial statistical methods to systematically reveal the spatiotemporal differentiation patterns and driving factors of online public opinion in tourism crisis emergencies. The findings indicate that: 1) The evolution of online public opinion exhibits stage-specific and spatially polarized characteristics, with the outbreak phase concentrated in the three northeastern provinces and the decline phase diminishing with increasing spatial distance. 2) Spatial autocorrelation analysis demonstrates that geographical proximity and cultural identity jointly shape the diffusion pathways of online public opinion. 3) Online attention, population migration intensity, economic level, and spatial distance synergistically drive the distribution of online public opinion, with significant interaction effects observed. By conducting a dual-dimensional spatiotemporal analysis of online public opinion in tourism crisis emergencies, this study provides insights for public authorities to accurately identify public opinion risks and formulate differentiated spatial governance strategies.

Key words： tourism crisis; online public opinion; sentiment analysis; geographical proximity; population migration; Harbin

“十四五”以来，我国高度重视旅游业高质量发展，持续推进现代旅游业体系建设，加快旅游业供给侧结构性改革，致力于实现更加公平、更有效率、更可持续的发展目标。旅游业不仅是幸福产业、民生产业，也正在成长为战略性新兴支柱产业[1]。2024年，全国国内旅游人次达56.15亿，旅游总收入达5.75万亿元[2]，旅游业对经济内循环、区域协调发展与消费升级的支撑作用日益增强，我国正从旅游大国向旅游强国迈进。而在旅游业由大转强的关键阶段，其风险类型与治理逻辑也发生了深刻变化。新媒体时代的到来使得旅游业的发展深度融入社会公共生活，这导致任何局部的突发危机都极易被社交媒体放大与传播，迅速演变为冲击全国的公共舆情事件。社交媒体给予了社会公众更多参与信息传播和讨论的机会[3]，同时也改变了传统的旅游危机传播模式[4]。旅游业高度依赖正面形象与公众信心，具有先天脆弱性[5]，旅游危机一旦爆发，产生的负面舆情会在社交媒体平台迅速扩散，原生危机与次生舆情危机相互叠加、共振，对地方旅游产业造成沉重打击。旅游危机事件的频发不仅使得旅游者的生命财产安全受到威胁[6]，更会严重损害旅游地声誉和形象[7]，极大削弱客源地旅游需求，影响旅游地的长远发展[8-9]。在此背景下，识别旅游危机舆情在时空尺度上的传播模式与情绪演化轨迹，厘清其演变机制及空间分异特征，不仅有助于揭示数字舆论场中的危机动态，更是推动旅游危机舆情治理向精准化、差异化方向发展的关键。因此，本文聚焦于突发旅游危机事件中的网络舆情扩散现象，深入探究旅游危机舆情在时间与空间上呈现出的演化规律与聚集模式，并对舆情形成与扩散的驱动因素进行探究，以期为构建科学、高效的旅游舆情治理体系提供理论支撑与决策依据。
负面偏差理论认为，与同等强度的正面信息相比，人们倾向于赋予负面信息更大的权重、关注度和影响力[10]。相较于正面或中性事件，旅游目的地爆发的负面事件会对人们产生更大的吸引力和煽动性[11]。近年来，旅游目的地的负面事件层出不穷，社交媒体的助推进一步加剧了旅游危机事件的传播速度与影响范围[12]。因此，在新媒体环境下，围绕旅游危机舆情事件的研究受到学界广泛关注，且日益呈现出内容深化聚焦、理论交叉融合与方法多元创新的综合发展态势。在研究内容方面，学界主要聚焦于危机舆情的传播路径、公众情绪演化及多元主体的治理响应等核心议题，相关成果揭示了旅游危机舆情在信息扩散、情感演化及治理机制等方面的多维特征，为理解舆情演化与治理提供了重要实证基础[13-15]。在理论基础方面，相关研究不断引入社会学、心理学等多学科理论，推动了学界从单一视角向多元解析的转型，深化了对旅游危机舆情本质的认知，提升了对舆情形成机制与公众情绪感知的解释力[16-17]。在研究方法方面，旅游危机舆情的研究路径正由传统的定性分析逐步转向多源数据支撑的综合测度，如文本挖掘、主题建模及情感分析等技术的综合应用，有效提升了对舆情传播机制和演化路径研究的科学性与解释力，并为危机情境下的实证分析与政策建议提供了有力支撑[18-19]。
现有研究虽然系统揭示了旅游危机舆情的产生与演进机制，并不断完善了理论与方法体系，但关注重心依然以社会心理及传播演化为主。近年来，随着社交媒体地理位置信息的广泛嵌入，地理空间视角在舆情研究中的应用逐渐受到学界关注，成为推动该领域研究创新的重要方向。有研究表明，地理空间环境及其变化在一定诱发因素下会影响人们的情绪与态度[20]，进而间接作用于舆情的关注和传播。同时，伴随位置感知设备和位置服务技术的普及，带有地理信息的数据日益增多[21-22]，为舆情分析引入空间维度奠定了基础。因此，学者们开始尝试将地理信息技术引入舆情分析，通过挖掘数据的空间属性，揭示舆情空间分布格局及其驱动机制。当前相关文献主要聚焦于以下几个方面：首先，自然灾害背景下的舆情空间特征已成为空间舆情分析的典型领域。多项研究发现，灾害事件中舆情的空间分布往往与事件的影响程度密切相关，不同区域在主题关注点和情感倾向上呈现出显著的空间异质性。例如，有学者通过洪涝和地震案例揭示了舆情热点与受灾区域的空间耦合关系，并发现灾情严重程度与网络关注度之间具有高度一致性[23-25]。其次，在公共卫生事件与社会突发事件领域，空间分析同样显示出强大优势。通过融合LDA主题建模、空间自相关与情感分析等方法，研究者不仅揭示了疫情期间公众关注主题和情绪反应的区域分布，还识别了舆情空间聚集现象与事件传播路径之间的内在联系[26-28]。此外，部分学者还将空间分析方法应用于社会热点事件与文化类事件，探索了舆情时空扩散特征及其与多维地理环境的互动关系[29-30]。值得注意的是，随着旅游业与社交媒体的深度融合，也有学者开始关注旅游领域的舆情空间格局及其演化特征。相关研究多采用地理探测器、核密度分析等空间分析方法，揭示了旅游目的地网络关注度、旅游流及其时空分异特征，并探讨了这些现象背后的影响因素[31-33]。
综上所述，已有研究在旅游危机舆情的传播机制、公众情绪演化及多元主体响应等方面取得了较为丰富的成果。然而，现有研究对旅游危机舆情的空间挖掘仍存在一定的局限：尽管空间分析方法在自然灾害、公共卫生等领域的舆情研究中已得到广泛应用，但这些领域的舆情与旅游危机舆情存在本质差异。具体来说，在驱动机制上，自然灾害等舆情的空间分布多与其受灾程度高度耦合，其驱动力相对客观；而旅游危机舆情的生成与扩散，则更深层地受到地域形象、游客情感认同等社会心理因素的复杂影响。在传播动力上，前者多以信息告知与风险预警为核心，而旅游危机舆情则内嵌于旅游者及公众的消费体验中，其传播伴随着强烈的主观感知，从而在空间上可能呈现出与客源地、潜在游客分布等旅游市场要素相关的独特规律。基于此，本文聚焦于哈尔滨冰雪大世界退票事件的网络舆情演化过程，引入情感分析与空间分析技术，探讨旅游危机舆情在不同地域与时间尺度上的分布特征，弥补现有研究在危机情境下空间分析方面的不足。同时，通过识别旅游危机舆情演化背后的驱动因素，深入剖析其驱动作用及交互效应，以揭示舆情事件发展过程中存在的规律与特点，为旅游目的地危机治理与风险响应提供更具针对性的理论依据与实践参考。

1 研究方法与数据来源

1.1 研究方法

1.1.1 SnowNLP情感分析模型

SnowNLP是一个开源的Python库，它专注于中文文本处理并且提供情感分析、文本分类、关键词提取等多种功能，该模型基于朴素贝叶斯分类器利用内置的情感词典和统计模型，对文本的情感倾向做出准确判断，它能够输出一个[0,1]之间的浮点数，数值越大表示情感越趋于正面。本文利用SnowNLP情感分析模型对爬取到的评论数据进行积极、中性、消极的情感极性分类并对3种情感进行赋值，其中积极性评论赋值1，中性评论赋值0，消极评论赋值为-1。

1.1.2 空间自相关分析

①全局空间自相关分析。全局空间自相关分析是用于评估整个研究区域内的空间关联性的一种方法，它通过分析观测值在空间上的自相关性来反映地理空间数据的相似性或差异性在空间上是否显著聚集。通常使用全局莫兰指数来评估。
②局部空间自相关分析。局部空间自相关分析是用于评估整个研究区域内各个局部区域或地理单元间的空间关联性的一种方法。它通过对每个地理单元或局部区域进行空间自相关性的量化来反映这些区域在空间上是否具有显著的相似性或差异性聚集。其常用指标是局部莫兰指数。

1.1.3 冷热点分析

冷热点分析旨在识别地理空间中具有统计显著性的高值或低值的聚集区域。该方法通过计算每个地理单元及其邻近单元的观测值来识别整个研究区域内显著的热点与冷点区域，其主要目的是揭示地理空间数据中相似性或差异性在局部区域上的聚集模式，为空间规划和决策提供依据。冷热点分析常用的方法之一是Getis-Ord ${G}_{i}^{*}$统计量。

1.1.4 地理探测器

地理探测器是一种用于探测地理要素空间分异性及其驱动因素的统计方法，它通过量化地理要素的空间分层异质性，揭示不同因子对地理现象的独立或交互影响。地理探测器分为因子探测器、交互探测器、风险探测器、生态探测器[34]。

1.2 案例选取

哈尔滨冰雪大世界退票事件（以下简称“退票事件”）发生于2023年12月18日，当日为第二十五届哈尔滨冰雪大世界开园首日，由于园区游客数量远超预期承载力，导致热门项目排队时间过长、预约系统崩溃，部分游客因体验落差引发不满并高呼“退票”。该事件迅速通过微博、抖音等社交媒体跨区域扩散，并在短时间内形成全国性舆情热点。

1.3 数据来源与预处理

目前以抖音、新浪微博等平台为代表的社交媒体对人们的日常生活产生了深远影响，2个平台拥有庞大的用户规模与活跃度，依托内置时间戳与地理标签服务能够精准记录用户行为的时空轨迹。而抖音以短视频为核心载体，新浪微博以图文帖子为主，两者在内容形态上具有互补性。因此，本文首先基于Python爬虫技术，以“冰雪大世界退票”为关键词对抖音、新浪微博两大平台进行数据采集，采集数据包括用户昵称、ID、评论/转发时间、地理标签等结构化字段，共获得初始数据101507条；继而将采集到的数据进行清洗、去停用词，包括剔除特殊字符、图片、表情、网页链接以及归属地为境外的评论数据和其他无关内容，且对清洗的全部文本数据仅保留中文汉字，以此来提高文本分析的准确性以及分析效率。最终共获得有效评论数据90981条。
在时间尺度上，基于生命周期理论，考虑到获取数据的时间分布规律以及案例呈现的高突发性与快速传播性特征，将“退票事件”划分为爆发期与衰退期2个阶段进行深入分析，将2023年12月18日至2024年1月20日界定为事件爆发期，2024年1月21日至31日界定为事件衰退期。在空间尺度上，由于抖音、新浪微博的评论数据携带省级地理标注字段，因此将中国34个省级行政区（以下简称“省份”）作为研究区域与空间分析单元，用于描述性统计与时空可视化分析。图1为“退票事件”舆情时间分布图。
图1 “退票事件”舆情时间分布

Fig.1 Temporal distribution of online public opinion regarding the ticket refund incident of Harbin Ice and Snow World

此外，本文在舆情驱动因子挖掘中选取人口密度、人口迁移规模、互联网普及率、网络关注度、GDP、人均可支配收入、距事发地空间距离7个因子，其中人口迁移规模通过《中国人口普查年鉴》全国按现住地、性别分的户口登记地在外省的人口进行计算，网络关注度数据来源于百度指数平台，距事发地空间距离为各省会城市与哈尔滨市间的空间距离，其余数据均来源于中国及各省份统计年鉴。

2 结果与分析

2.1 “退票事件”情感挖掘及时空演化分析

2.1.1 舆情情感倾向分析

本文利用训练后的SnowNLP模型对收集到的评论数据进行情感分析，根据各评论情感倾向进行赋值，积极赋1分、中性赋0分、消极赋-1分。在此基础上，计算特定时间段内中国34个省份所有评论的情感值总分，以此作为该省份的最终情感评分。
由图2~图3可知，在“退票事件”演化周期中，各极性评论数量都呈现显著的阶段性特征。具体来看，爆发期积极评论数量达到35949条，而衰退期则锐减至2990条，评论数量大幅下降，且该现象在省域层面具有普遍性，尤其以黑龙江、辽宁和吉林为代表的东北地区表现最为突出。据情绪感染理论可知，在舆情演化初始阶段的部分情绪传染者会产生正向情绪扩散，但随着时间推移和信息过载会逐渐转化为情绪免疫者。在本案例中，随着事件热度的消退，网民群体的关注度和参与度逐渐降低，进而减少了发表评论的行为。此外，爆发期消极评论数量为44366条，衰退期锐减至2757条。从省份分布来看，以黑龙江、辽宁、吉林、北京和河北为代表的地区，其消极评论占比均呈现5%~15%的下降，这反映了情绪衰减的空间一致性特征。根据情绪感染理论存在以下两种情境：一是网民群体由消极情绪感染者逐渐转变为情绪免疫者；二是在情绪的交叉感染过程中转变为积极情绪感染者。通过分析本案例数据发现，消极评论的衰减存在明显的时间窗口，当冰雪大世界园方及时响应且当地政府介入调查时，消极评论衰减速度迅速提升。这种现象证明了当官方发布权威信息与采取整改措施时，能够有效消解公众的负面情绪，引导网络舆情从情绪宣泄阶段向理性讨论阶段转化。在该事件的发展过程中，发表中性评论的网民群体是最容易受影响且发生情感转变的群体，中性评论发布者在事件传播中同样具有重要作用。中性评论数量在爆发期为4551条，衰退期缩减至368条，减少约90%。基于情绪感染理论，中性评论发布者数量的减少可归结为以下3种情形：一是在未发生情绪交叉感染的情况下，随着时间推移，中性情绪者因对事件淡忘而逐渐转变为免疫状态；二是尽管存在情绪交叉感染的可能性，但中性情绪者转变为消极情绪者的概率在本案例中相对较低；三是园方及政府在爆发期采取了积极行动并进行有效舆论引导，促使大众更倾向于发表正面评论，即中性情绪感染者转变为积极情绪感染者，这可以从积极评论数量及比例的增长以及消极评论相应减少的趋势中得到验证。
图2 爆发期各省份不同极性评论数量及其占比

Fig.2 Number and proportion of three types of comment by province during the outbreak period

图3 衰退期各省份不同极性评论数量及其占比

Fig.3 Number and proportion of three types of comment by province during the decline period

由图4可知，在事件爆发期，大多数省份的评论呈现出以消极情绪为主的总体特征。位于事件发源地的东北三省以及部分东部地区如北京、上海、广东、江苏和浙江，其消极评论占比普遍超过50%，体现出较高的公众关注度与情绪响应。相比之下，西部省份的评论极性结构则相对均衡，未出现明显的情绪极化现象。进入事件衰退期后，评论极性结构有所调整，多数省份的积极评论占比有所上升，消极评论占比则相应下降，表明公众情绪趋于缓和，舆情分布呈现出理性回归的趋势。
图4 不同时期各省份不同极性评论占比

Fig.4 Proportions of three types of comment in various provinces during different periods

2.1.2 舆情时空演化分析

为了从空间角度分析本案例评论及情感数据，使“退票事件”的舆情态势更加直观可见，本文利用ArcGIS对采集到的评论用户的地理位置信息数据制作舆情空间分布图（图5）。
图5 不同时段评论数量空间分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2023）2763号的标准地图制作，底图边界无修改。图6~图8同。

Fig.5 Spatial distribution of comment volumes during different periods

由图5可知，爆发期评论数量突破8.4万条，空间上表现为以事发地为核心的聚集特征。其中，黑龙江的评论数量为22499条，占同期总量的26.5%，形成核心区；邻近的辽宁和吉林构成次级聚集区，三省合计贡献率达46.2%；同时，北京和广东等远距离省份占比均超过5%，显示出事件关注的跨区域外溢现象。衰退期评论数量收敛至6115条，较峰值降幅达到92.8%，东北三省仍为舆情核心区，但各省份参与度明显减弱，其中黑龙江约1250条占比20.4%，较爆发期下降94.4%，辽宁、广东、北京和吉林构成新的次级参与梯队。舆情数量的空间变化表明，该类舆情事件在发展过程中表现出围绕事发地及其邻近地区集聚的特征。由此可见，地理邻近性使得事件发源地及毗邻地区对事件的演化态势保持更高的关注度，从而形成舆情核心区。在爆发期，东北三省地域文化认同度较高、社会传播网络密度较大，加之12月处于冰雪旅游旺季，一旦出现负面舆情，极易影响旅游行业的发展，产生更大范围的负面影响，进而触发更强的公众参与；同时，其他省份具有冰雪旅游出行意愿的潜在游客为降低目的地不确定性，也更倾向于密切关注相关信息，间接推动了舆情在全国范围内的扩散与发酵。在衰退期，随着事件的澄清，相关信息的不确定性显著下降，公众对事件的事实脉络已基本形成一致性认知；同时，平台在热度回落后算法降权，热点被其他议题竞争分流，导致评论数量在时序上快速收敛，空间上由广域扩散转为核心残留，从而出现衰退期的普遍回落与地域分布的再集中。
据图6可知，在事件舆情演化周期内存在明显的省域情感异质性。从图6a全时期情感值分布特征来看，黑龙江（-1573分）位居各省份负面情感首位，辽宁（-1360分）和吉林（-508分）次之，东北三省形成负面情感核心区域；而在山东、江苏、浙江和广东等经济发达且人口密集省份同样呈现较高的负面情感分布，其情感值均低于全国平均水平。在全国34个省份中仅新疆、青海、西藏、台湾、云南、澳门维持非负区间。这一空间分布特征表明“退票事件”引发的负面舆情存在地理扩散现象，其影响强度与行政区划的区位分布存在相关性。东北三省由于地理空间距离相近且文化、习俗较为相似，因此黑龙江作为事件发源地极易影响吉林和辽宁网民群众的情感倾向，这表明地域性公共事件对民众情感的影响力较强。结合图7、图8的数据结果可知，西北地区与部分南方省份的中性与积极情感相较于其他地区占比更高，主要与两方面因素相关：一是地理距离使当地对事件的关注度、共情度较低，从而削弱了负面情感的跨区迁移；二是社会文化与旅游需求差异降低了情绪共振。不同地区的社会文化取向、旅游需求结构并不相同，负面信息难以激发强烈共鸣。两种因素叠加形成非负情感的空间聚集。这种情感差异实质上是文化认同与地理邻近协同作用于公众情感认知的结果。
图6 不同时期情感值空间分布

Fig.6 Spatial distribution of sentiment values during different periods

图7 爆发期不同极性评论数量空间分布

Fig.7 Spatial distribution of the number of three types of comment during the outbreak period

图8 衰退期不同极性评论数量空间分布

Fig.8 Spatial distribution of the number of three types of comment during the decline period

2.2 “退票事件”空间特征分析

2.2.1 基于莫兰指数的空间相关性分析

为测度“退票事件”舆情信息的空间集聚特征，本文基于莫兰指数构建省级行政区评论数据的空间自相关分析框架，运用全局莫兰指数验证舆情分布的总体空间异质性，并采用局部空间自相关分析识别聚类模式。
①全局空间自相关分析。全局莫兰指数为0.1515，P值为0.0378，Z值为2.0766。具体而言，莫兰指数正值通过1.96的Z值临界阈值，显示空间关联性具有统计显著性；P值<0.05的检验结果提供了充分证据拒绝“空间随机性”的原假设；进一步分析表明，Z值得分超过标准正态分布95%置信区间临界值，确认空间自相关特征非随机产生。因此可判定“退票”事件舆情在95%置信水平下呈现空间集聚分布模式，其正向空间自相关性表明各省份的评论数量存在非随机集聚模式，证实舆情扩散受到地理邻近性影响，事件发源地及周边省份因地理距离接近形成核心舆情圈层，高值区域（如黑龙江及邻近东北省份）在空间上显著聚集，低值区域（如西北边陲省份）则呈现离散分布。
②局部空间自相关分析。前文通过全局莫兰指数揭示“退票事件”舆情的整体空间集聚特征，但无法辨识区域异质性的特征，为此本文进一步采用局部莫兰指数来识别省域层面的空间关联模式。结果可知，吉林呈现高—高聚集类型，表明东北三省共同构成舆情高值聚集区，这也再次证明了文化认同与地理邻近性对舆情扩散的叠加作用；新疆、甘肃和四川3个省份则呈现低—低聚集类型，与其邻近区域形成了低值聚集区，这些省份对于该事件的舆情关注度普遍较低，表明地理距离衰减等因素抑制了舆情渗透强度；内蒙古呈现低—高聚集类型，位于高值圈层边缘，表现为舆情向外扩散减弱的过渡缓冲地带；而广东呈现高—低聚集类型，其舆情强度高于周边省份，说明经济发达、人口密集等因素在跨区域舆情传播中起到重要作用；其余省份未通过显著性检验，空间关联模式呈随机分布。概括而言，高—高聚集指向热点核心带，高—低聚集表明其为枢纽或扩散边界的单点高值，低—高聚集标示边缘过渡区，低—低聚集对应冷点区域，进一步印证了该事件在空间上呈现的非随机集聚。

2.2.2 基于Gi*统计量的冷热点分析

通过对“退票事件”舆情进行冷热点分析，进一步揭示舆情空间分布的层级特征。结果可知，全国范围内仅存在显著性热点区域，未检测到具有统计意义的冷点区域，整体表现为东北显著热点、外圈广而浅的空间边界。而该现象产生的原因则是由于本文所选案例评论数据空间高度集中，东北地区热点区域评论数量远高于其他省份，而评论数量较低的省份往往分散或边缘相邻，导致局部低值难以成片集聚，即高值集中且低值广泛但离散，未能越过冷点阈值，从而不满足冷点生成的统计前提。
而从热点区域来看，黑龙江和吉林以99%的置信度构成核心热点区，内蒙古则以95%置信度形成次级热点区，表明黑龙江作为事件发源地影响了其邻近区域的舆情态势。这一分布特征说明空间距离会影响公众参与讨论的频率，容易形成以事发地为核心的舆情辐射格局。需要注意的是，广东虽在局部空间自相关分析中表现为高—低聚集类型，但其Gi*值未通过显著性检验，说明该省份舆情数量虽高于周边地区，但未达到全国层面的热点阈值。冷热点分析结果进一步印证了事件舆情分布的空间异质性，尽管舆情在全国范围内广泛传播，但关注度较高的区域仍集中于东北地区。

2.2.3 舆情分布驱动因子分析

①驱动因子选择。为定量研究影响“退票事件”舆情分布的驱动因子，本文选用地理探测器进行因子作用力分析。通过对现有参考文献进行梳理[35-38]，遵从数据的科学性和客观性，并考虑到数据的可获取性，本文选取人口密度、人口迁移规模、互联网普及率、网络关注度、GDP、人均可支配收入、距事发地空间距离7个因子，同时基于地理探测器模型的分区要求，以中国31个省份（不包括港澳台）为研究单元，将各省份在“退票事件”期间的评论数据作为舆情关注度指标，探究其与所选取的驱动因子之间的空间分异关系（表1）。
表1 驱动因子选取指标及说明

Tab.1 Selection criteria and descriptions of driving factors

影响因素 因子选取 标号
社会结构 人口密度 X1
人口迁移规模 X2
信息传播 互联网普及率 X3
网络关注度 X4
经济基础 GDP X5
人均可支配收入 X6
空间位置 距事发地空间距离 X7
②单因子探测结果分析。本文利用因子探测器得到各驱动因子对舆情评论空间分异影响力q值并排序（表2）。具体来看，7个影响评论分布的因子q值排序为：网络关注度>人口迁移规模>GDP>距事发地空间距离>人均可支配收入>互联网普及率>人口密度。
表2 单因子探测结果

Tab.2 Single factor detection results

因子 X1 X2 X3 X4 X5 X6 X7
q 0.395 0.651 0.498 0.816 0.591 0.545 0.578
p 0.254 0.002 0.035 0.018 0.023 0.017 0.009
排名 7 2 6 1 3 5 4
由表2可知，“网络关注度”在所有因子中解释力最强。该因子在一定程度上反映了各地区民众对于“退票事件”的关注程度，驱动了该事件的跨地域传播。东北三省较高的舆情热度也与该因子的强解释力形成呼应。“人口迁移规模”的较高解释力则说明人口流动性在该事件中发挥了重要的空间连接功能。东北三省人口的大量迁出一方面加大了各省份信息交互的密度与频率，另一方面也强化了舆情内容在迁入地区所引发的共鸣，从而表现出更高的评论活跃度。在经济基础类指标中，“GDP”和“人均可支配收入”均达到显著水平。这表明经济发达程度对事件舆情关注具有显著影响。一方面，经济发展水平较高的地区网络基础设施更完善、信息获取与表达渠道更多，易于形成更广泛的舆情参与；另一方面，这类地区居民旅游消费能力强、权益意识高，对旅游服务质量与体验预期亦更敏感，因此事件发生后民众更倾向于表达不满情绪并积极参与传播，加强了舆情在这些地区的聚集。此外，“距事发地空间距离”表明地理邻近性也在一定程度上影响了公众对事件的关注强度。距离事发地较近的省份对事件信息的关注度更高，而负面危机事件更易在本地引起强烈的舆情反应。在本案例中，舆情关注度呈现出由黑龙江向吉林和辽宁辐射扩散的趋势，反映出该事件在东北地区造成了区域性的舆情聚集。“互联网普及率”则表明数字基础设施完善程度仍是舆情参与的重要保障。互联网普及率越高的地区，居民更易通过微博、抖音等平台接收、评论和转发信息，具备更强的信息响应能力，从而提高了舆情活跃度。“人口密度”未通过显著性检验，说明其对舆情分布的空间解释力较弱。尽管人口密集可能意味着更高的信息传播潜力，但其未必与事件关注形成正向关系。
综上所述，本次“退票事件”的舆情空间分布总体呈现出多元驱动特征。而通过对驱动因子的归纳分析发现，文化认同这一潜在影响是推动该事件演进的核心驱动力，其内在作用机制深刻影响了事件发展的路径与结果。本文所选案例发生在东北地区，其独特的地域文化与情感认同促使该地区公众对事件产生更强烈的关注与情绪反应，形成了舆情传播的重要文化土壤。由此可以得出，旅游危机舆情扩散是根植于公众文化情感寄托之中，而经济条件、社会条件等因素在信息获取、表达与传播方面也加速了舆情的扩散进程。
③交互探测结果分析。地理探测器的交互作用分析不仅揭示了各因子独立对舆情空间分异的解释力，还进一步探讨了不同因子间交互作用所产生的复合影响机制。由图9可知，多数因子之间的交互作用强度显著高于其各自的单因子q值，呈现出增强效应，这说明舆情空间分异是多因子协同驱动的复合过程，而非简单的线性叠加。具体来说，“人口迁移规模”与其他因子的交互作用均表现出极强的解释力，其中与“人均可支配收入”（0.85）、“网络关注度”（0.93）和“距事发地空间距离”（q=0.89）等的组合均显著高于任一因子单独的解释力。这表明人口流动不仅在物理空间上增强了舆情的联动性，更通过与经济水平和文化认同的交汇，强化了特定区域舆情的聚集特征。“网络关注度”与多个因子均呈现出强交互效应，与“互联网普及率”（0.89）和“人口密度”（0.90）等因子组合时的q值也显著高于各自单因子结果。这体现出文化认同在数字环境中的传播优势，即冰雪旅游的热度在网络高度发达、人口集聚度高的地区更易转化为实际的舆情响应，提升了信息的可达性，也加剧了情绪的快速扩散。“距事发地空间距离”在交互中发挥了放大效应。尽管其单因子q值相对中等（0.578），但与“人口迁移规模”（0.89）、“网络关注度”（0.87）等因子的组合均表现出较强解释力。该数据结果说明地理距离虽非决定性因素，但放大了信息的传播强度和舆论的关注焦点，构建了以事发地为核心、以周边区域为辐射圈层的空间传播格局。此外，经济基础类因子之间的交互也表现出非线性增强特征，说明经济实力越强的地区，其舆情表达能力和情绪反应强度越高，且与社会结构、信息传播等因子的融合进一步推动了信息的扩散深度与广度。
图9 交互因子探测结果

Fig.9 Results of interaction factor detection

总体而言，交互探测结果揭示了舆情空间分异背后的复杂机制，多维要素的耦合驱动了舆情事件的演化与发展。东北三省由于在文化、社会、经济等方面形成了高度重叠的结构特征，使其在此次事件中呈现出强烈的舆情响应。这一发现对于理解突发旅游事件舆情演化规律、识别潜在高敏感区域具有重要理论价值和实践意义。

3 结论与讨论

3.1 研究结论

本文以哈尔滨冰雪大世界“退票事件”为研究对象，结合社交媒体文本数据、情感分析模型与空间分析方法，从时空双维度揭示了突发旅游危机事件网络舆情的演化规律与空间驱动机制。主要结论如下：①舆情传播过程具有显著的时间分段性与空间极化特征。爆发期评论集中于黑龙江及其邻近的辽宁和吉林，形成高密度负面情绪核心区；衰退期舆情总量大幅回落，负面情绪随空间距离逐渐衰减，部分经济发达省份仍表现出较高的舆论活跃度。②空间自相关分析表明，舆情分布在省域尺度上具有显著的空间聚集特征，说明地理邻近性与区域间文化认同共同影响了舆情的空间扩散路径。③地理探测器识别出网络关注度、人口迁移规模、GDP与空间距离为关键驱动因子，显示舆情空间分异受多维因素复合影响。交互作用探测结果表明，多因子之间存在显著增强效应，凸显文化与地理因素在舆情演化过程中的协同作用。

3.2 对策与建议

基于上述研究结论，本文提出以下面向旅游治理实践的对策建议：①把握关键时间窗口，按照“早处置、快回应、准引导”的原则开展工作。舆情爆发初期，相关责任单位应迅速研判与核实，尽快发布情况说明与处置安排，及时向公众解释事件原委与解决方案，压缩谣言滋生空间，利用信息发布的时效优势降低负面舆情的外溢；在舆情的扩散与平复阶段，持续围绕社会疑问与关注点，借助官方媒体与行业协会公开进行权威背书，发布处理进展与结果，提升信息可信度与可达性，稳步实现舆情引导与精准化治理。②构建“核心—非核心”两级空间治理框架。对事发地及其邻近区域的核心地带，既要做好问题整改与善后处置，保障游客权益，又要注重澄清说明的信息投放；对其他非核心地带要联合权威媒体与意见领袖解读公众疑点问题，突出事实要点与采取的措施，稳步推进口碑恢复与形象维护。在此基础上，坚持因地施策，根据不同地区的社会、经济、文化等实际条件形成风险画像，并按画像实施差异化措施，做到同问题同处方、不同阶段不同剂量，在时间与空间双维度上提升治理的有效性与精准性。

3.3 不足与展望

尽管本文从空间统计角度对突发旅游危机事件网络舆情的传播模式进行了较为系统的分析，但仍存在一定局限：①本文以单一旅游危机事件为例，其演化逻辑、空间传播模式与自然灾害、公共卫生等其他类型的危机事件是否具备共性，仍有待通过跨事件比较研究进一步验证。②随着AIGC、大模型等新兴技术的发展，舆情识别不应仅停留在情感极性层面，未来可探索结合多模态内容识别与用户传播网络结构，进一步深化对舆情形成机制与影响路径的理解。③本文结论更适用于具有明显地理定位、地方文化认同强烈的突发性旅游危机情境，如东北地区、山河四省、两广地区等特殊地理定位的旅游危机舆情事件，而对于持续性、慢演变型旅游危机事件还需结合其他类型数据与方法进行补充分析。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
新华网. 满足“诗和远方”新期待,旅游大国加速迈向旅游强国[EB/OL]. https://www.xinhuanet.com/20250825/7e38552c7040481f814cd8cbab335f06/c.html,2025-08-25.

[2]
中华人民共和国文化和旅游部. 2024年度国内旅游数据情况[EB/OL]. https://zwgk.mct.gov.cn/zfxxgkml/tjxx/202501/t20250121_958012.html,2025-01-22.

[3]
吕兴洋, 徐虹, 刘宇青. 旅游者权力对旅游者满意影响的实证研究——感知控制的中介作用及消费经验的调节作用[J]. 旅游科学, 2014, 28(5):41-53.

[4]
Lin X, Spence P R, Sellnow T L, et al. Crisis communication,learning and responding:Best practices in social media[J]. Computers in Human Behavior, 2016, 65:601-605.

DOI

[5]
张鹏飞, 郭伟, 虞虎. 从脆弱性到韧性:旅游业何以转危为机?[J]. 旅游学刊, 2024, 39(12):45-60.

[6]
黄锐, 谢朝武, 赖菲菲. 中国市域尺度旅游安全事件集群强度的测度与演化态势[J]. 地理学报, 2025, 80(6):1674-1696.

DOI

[7]
张薇, 史坤博, 杨永春, 等. 网络舆情危机下旅游形象感知的变化及对出游意向的影响——以青岛“天价虾事件”为例[J]. 人文地理, 2019, 34(4):152-160.

[8]
George R. Visitor perceptions of crime-safety and attitudes towards risk:The case of Table Mountain National Park,Cape Town[J]. Tourism Management, 2010, 31(6):806-815.

DOI

[9]
Santana G. Crisis management and tourism:Beyond the rhetoric[J]. Journal of Travel & Tourism Marketing, 2004, 15(4):299-321.

[10]
Baumeister R F, Bratslavsky E, Finkenauer C, et al. Bad is stronger than good[J]. Review of General Psychology, 2001, 5(4):323-370.

DOI

[11]
胡家镜, 万秋, 刘悦, 等. 负面事件对旅游目的地的影响及应对策略——基于动态视角的实验研究[J]. 旅游学刊, 2020, 35(5):108-123.

[12]
毕凌燕, 王一帆, 左文明. 旅游网络舆情危机事件中观点演化的仿真与实证研究[J]. 情报科学, 2022, 40(4):147-155,178.

[13]
王苗, 张冰超. 社交媒体情境下旅游舆情传播路径研究——基于信息认知与情感渗透的耦合视角[J]. 财经问题研究, 2020(7):94-101.

[14]
党红艳. 重大疫情中旅游危机的演化机理及应对策略[J]. 宏观经济管理, 2020(5):43-50.

[15]
Su L, Gou S, Huang Y. The evolving impacts of destination crisis event strength on tourists' boycotting behavior:A crisis life cycle perspective[J]. Journal of Sustainable Tourism, 2025:1-30. https://doi.org/10.1080/09669582.2025.2526513

[16]
Zhang S N, Li Y Q, Ruan W Q, et al. Would you enjoy virtual travel?The characteristics and causes of virtual tourists' sentiment under the influence of the COVID-19 pandemic[J]. Tourism Management, 2022, 88:104429.

DOI

[17]
吴荻, 刘慧, 王恩旭, 等. 基于扎根理论的旅游舆情形成机制研究——心理契约违背视角[J]. 管理评论, 2021, 33(4):170-179.

[18]
邹永广, 雷振仙, 廖金斤, 等. 新媒体时代旅游资源持续关注损失测度及影响因素——基于网络舆情大数据的证据[J]. 自然资源学报, 2024, 39(7):1512-1530.

DOI

[19]
祁凯, 彭程. 基于SEIR演化博弈模型的旅游公共危机演化与控制研究[J]. 运筹与管理, 2022, 31(3):145-150.

DOI

[20]
赖凯声, 付宏, 晏齐宏, 等. 地理舆情:大数据时代舆情研究的新路径[J]. 情报理论与实践, 2020, 43(8):64-69.

[21]
Qin S, Man J, Wang X, et al. Applying big data analytics to monitor tourist flow for the scenic area operation management[J]. Discrete Dynamics in Nature and Society, 2019(1):8239047.

[22]
王录仓, 严翠霞, 李巍. 基于新浪微博大数据的旅游流时空特征研究——以兰州市为例[J]. 旅游学刊, 2017, 32(5):94-105.

[23]
Wang W X, Zhu X H, Lu P C, et al. Spatio-temporal evolution of public opinion on urban flooding:Case study of the 7.20 Henan extreme flood event[J]. International Journal of Disaster Risk Reduction, 2024, 100:104175.

DOI

[24]
Zhang T, Cheng C. Temporal and spatial evolution and influencing factors of public sentiment in natural disasters—A case study of typhoon Haiyan[J]. ISPRS International Journal of Geo-Information, 2021, 10(5):299.

DOI

[25]
Wang C, Ye Y, Qiu Y, et al. Evolution and spatiotemporal analysis of earthquake public opinion based on social media data[J]. Earthquake Science, 2024, 37(5):387-406.

DOI

[26]
王卷乐, 张敏, 韩雪华, 等. COVID-19疫情防控中的中国公众舆情时空演变特征[J]. 地理学报, 2020, 75(11):2490-2504.

DOI

[27]
刘培学, 王欢颖, 陈伟, 等. 新冠疫情对旅游景区客源市场需求的空间分异影响——以南京夫子庙景区为例[J]. 地理科学, 2022, 42(7):1250-1259.

DOI

[28]
林安琪, 吴浩, 韩磊, 等. 面向非洲猪瘟疫情的社交媒体信息提取与舆情挖掘[J]. 武汉大学学报(信息科学版), 2024, 49(10):1800-1812.

[29]
聂芹, 满旺, 袁莹, 等. 基于社交媒体大数据的闽南非物质文化遗产时空扩散及对地理环境的响应[J]. 地理科学, 2023, 43(8):1392-1400.

DOI

[30]
邢云菲, 王晰巍. 基于时空大数据的社交网络舆情演化图谱研究——以“天和核心舱发射”话题为例[J]. 情报资料工作, 2022, 43(2):46-55.

[31]
陈玉娟, 王雨凡, 孙莹. 基于抖音数据的浙江省景区村庄网络关注度的空间分异及其影响因素[J]. 经济地理, 2025, 45(5):213-223.

DOI

[32]
刘俊, 王胜宏, 余云云, 等. 基于微博大数据的气候变化对中国赏樱旅游的影响[J]. 地理学报, 2022, 77(9):2292-2307.

DOI

[33]
马斌斌, 陈兴鹏, 陈芳婷. 基于社交大数据的敦煌旅游流多尺度时空分异特征[J]. 经济地理, 2021, 41(3):202-212.

DOI

[34]
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1):116-134.

DOI

[35]
王新越, 郭利贞. 中国旅游经济适应性循环演化及影响机理[J]. 地理科学, 2024, 44(2):297-308.

DOI

[36]
舒小林, 闵浙思, 郭向阳, 等. 省域数字经济与旅游业高质量发展耦合协调及驱动因素[J]. 经济地理, 2024, 44(1):197-208.

DOI

[37]
黄鑫楠, 孙斌栋, 张婷麟. 地理距离对互联网社会中网络信息传播的影响[J]. 地理学报, 2020, 75(4):722-735.

DOI

[38]
谭红日, 刘沛林, 李伯华. 基于网络文本分析的大连市旅游目的地形象感知[J]. 经济地理, 2021, 41(3):231-239.

DOI

Options
文章导航

/

〈 〉