丁乐蓉 李 阳
(南京大学信息管理学院，江苏 南京 210023)
重大传染病疫情是在短时间内发生、波及范围广泛、发病率远高于常年发病水平且出现大量感染者或死亡病例的传染病事件。相较于一般的突发事件，重大传染病疫情具有更强烈的突发性、紧急性、社会性、易传播性，以及时间跨度更长、传播范围更广等灾难事件的典型特点[1]，一旦发生会比一般突发事件更加迅速地蔓延，辐射至更广泛的区域，并且随时可能引爆舆论话题，引发强烈的社会情绪。在重大传染病疫情网络舆情的传播过程中，公众关注焦点和社会情绪往往会在时间维度发生动态变化，由于不同区域疫情严重程度不尽相同，民众关注焦点与社会情绪也必然会在空间维度表现出分布差异性，地理学领域将这种在时间和空间维度表现出不同规律的特征称为时空分异现象。如何掌握重大传染病疫情情境下网络舆情的公众关注焦点与社会情绪的时空分异规律，识别不同时空区域的民众诉求与情绪走向，并实施针对性的舆情话题管控和社会情绪引导，是舆情应急管理与风险防控的关键议题。
全媒体时代社交媒体正在成为网络舆情信息传播的重要场所，也成为人们表达意见和抒发情感的主阵地，尤其在重大传染病疫情情境下表现的更为明显。人们在事件过程中的一切观点、情绪都在社交媒体留下数据痕迹，这些数据承载了大量内容维度和情感维度的信息，成为抽取网民关注焦点与社会情绪等语义信息的重要来源。此外，社交媒体数据还包含时间维度和空间维度的信息，能够揭示内容与情感信息的动态演化或分布差异等时空特征。因此，社交媒体时空数据是了解重大传染病疫情情境下网络舆情公众关注焦点与社会情绪的时空分异规律等信息的重要来源。现有关于社交媒体时空数据的研究多基于时间或空间的单一维度，探讨了突发事件网络舆情的传播规律。如何结合重大传染病疫情情境特征，将社交媒体数据的时间、空间、内容、情感等维度融合起来，从更加系统、更加精细化的角度，探索相关情境下网络舆情中公众关注焦点与社会情绪的演化规律和分布差异，以刻画出公众阶段性行为特征和区域性行为差异，成为本文的关注焦点。鉴于此，本文以新冠肺炎疫情为例，获取微博相关舆情数据并划分时空区域，通过主题识别和情感计算刻画公众关注焦点和社会情绪的演化特征与分布格局，探究重大传染病疫情情境下网络舆情的普适性时空分异规律，定位此类舆情事件中不同时空区域民众的群体需求与情绪动因，为相关部门在重大传染病疫情舆情的社会情绪引导与风险防控提供理论依据和实践指导。
1.1 社交媒体时空数据相关研究
社交媒体时空数据被国内外学者广泛应用于用户画像分析、突发事件舆情分析等方面：①用户画像分析：如Gorrab A等[2]利用Twitter时空数据分析用户关注者、主题等信息的相似性，通过聚类分析实现了用户兴趣推荐。王新越等[3]以携程网和马蜂窝网中青岛市网络游记数据为基础，分析青岛市游客流的来源地区分布和季节性差异；
②突发事件舆情分析：如Zhang T等[4]以台风“海燕”事件为例，利用微博时空数据探讨公众情绪的演化特征与分布规律，王艳东等[5]利用“北京暴雨”事件的微博数据建立了应急主题分类模型，来分析突发事件的异常区域及其分布规律。张琛等[6]以新冠疫情微博评论数据为基础，分析用户情感在时间和空间上的演化特征。
1.2 网络舆情主题分析相关研究
关于网络舆情主题分析的研究，学者们常以两个维度划分主题，探讨不同类别主题的时空演化特征：①内容维度：根据主题内容进行主题分类，探究不同类主题的信息数量、热度等特征，如李纲等[7]将灾难事件中群体话题分为社会环境、建设环境、物理环境和非态势感知4类主题，探讨各类主题信息数量随时间的演化特点；
②用户维度：以用户特性为依据划分不同用户群体关注的主题及其演化特征，如黄仕靖等[8]根据性别、地区、受教育程度、职业情况等因素划分用户群体，探究不同群体在新冠疫情舆情中关注主题的差异及其演化特征。An L等[9]根据用户使用语言和所属国家，探讨了突发公共卫生事件中微博用户和Twitter用户关注主题的差异及其在时间上的演变规律。
1.3 网络舆情情感分析相关研究
关于网络舆情情感分析的研究，可从时间、空间、内容等角度对相关研究进行概括：①时间维度：学者们通常利用舆情周期划分时间阶段再开展情感演化分析，如曹天阳等[10]利用大连理工大学情感词典对新冠疫情舆情数据实现情感分类，探究各类情感在舆情各阶段的演化特征。Zhong Z[11]利用SnowNLP对百度贴吧文本数据进行情感计算，对文本正负向情感的时间演化特征进行分析；
②空间维度：学者多基于行政区进行空间区域划分再开展情感分析，如何婕君等[12]对特定舆情反转事件划分生命周期，以行政区划分空间区域，从时间和空间两个角度刻画了舆情反转事件的情感演化特征。张琛等[13]以舆情事件发展阶段和省级行政区划分舆情数据的时空区域，发现不同时空区域用户情感特征存在一定差异；
③内容维度：Garcia K等[14]利用Twitter数据对美国和巴西网民热点话题内容及其情感进行计算和分析，探究不同主题内容及其情感的原因。
上述研究可以发现：一方面，无论是舆情主题分析还是情感分析，现有涉及空间维度的研究较少，且多数以行政区作为空间划分依据，少有从地理距离角度探究舆情主题与情感空间分布差异的研究；
另一方面，也较少有研究同时综合时间、空间、主题和情感4个维度探讨舆情的演化与分布特征。对重大传染病疫情网络舆情来说，距疫情中心不同地理距离的区域有不同程度的感染风险，因此地理距离是探究重大传染病疫情情境下舆情主题与情感演化不可忽视的重要因素。本文以特定时期的南京新冠肺炎疫情事件为例，以距疫情暴发地南京的地理距离划分空间区域，综合时间、空间、主题、情感维度，探究重大传染病疫情情境下舆情主题与情感的演化与分布特征。
1.4 相关理论阐述
异质性是指事物在某些特征上存在差异，主要包括：①时间异质性：是指事物在时间维度上表现出差异性特征，在时间序列上产生时间性或周期性的变化。比如在信息传播学中，时间异质性用于描述节点用户活跃时间存在差异的特点[15]；
②空间异质性：是指事物在空间维度表现出差异性特征，在空间格局上具有非均匀分布的特点。如计量经济学中的空间异质性可以用来描述不同区域经济行为在空间上的差异性[16]；
③时空异质性：指事物的某些特征在时间维度和空间维度均具有差异性。如地理学领域常使用时空异质性来描述某些地理特征的时间演化特征和空间差异特征[17]；
④时空分异规律：描述事物在时空维度的差异性特点和规律，即演化规律和分布规律。多用于地理学、生态学、农学等学科领域中描述地理因素、生物在不同空间的分布特征及其随时间的变化规律。在网络舆情相关研究中，有不少学者关注到舆情信息随时间的演化特征或在不同空间区域的分布特征，如舆情热度、网民参与度、话题热度、话题类型、网民情感等因素的动态演化规律和地缘分布规律，这些因素的演化特征可能在不同空间区域表现出不同趋势，空间分布特征也可能在不同时段呈现动态变化，这种在时间维和空间维呈现的规律性差异特征可以用网络舆情时空分异规律来描述和概括。因此，以上相关理论能够支持本文关于重大传染病疫情网络舆情时空分异规律的探索。
2.1 研究框架
本文以南京新冠疫情事件为例，探究重大传染病疫情情境下网络舆情的时空分异规律，总体研究框架如图1所示，包括数据采集层、数据处理层、数据分析层3个部分。
第一部分通过Python爬虫代码采集微博平台重大传染病疫情事件博文数据；
第二部分对博文数据进行清洗去重等预处理工作，增加重大传染病疫情舆情事件词表，对文本数据进行分词处理，并划分数据时空区域；
第三部分从时间、空间、时空维度进行数据分析，利用Top2Vec模型识别不同时空区域的主题进行主题分析，借助SnowNLP计算不同时空区域的情感值实现情感分析，通过主题、情感在时间、空间上的分析，总结重大传染病疫情情境下网络舆情的时空分异规律。
2.2 研究方法与步骤
2.2.1 数据获取与处理
2021年7月在南京暴发的新冠肺炎疫情是自武汉新冠疫情暴发以来首次影响大、传播范围广、情况较为严重的国内疫情反弹，是典型的重大传染病疫情事件。因此，本文以南京新冠肺炎疫情事件为例，探讨重大传染病疫情情境下网络舆情主题与情感的时空分异规律。
本文在微博平台以“南京肺炎”“南京疫情”等作为关键词获取2021年7月19日—2021年8月21日的微博数据，数据内容包含微博用户名、用户ID、发文时间、博文内容、用户IP属地等信息，经过清洗、去重和筛选，获得数据共72 219条。
图1 研究框架图
2.2.2 时空区域划分
网民对重大传染病疫情舆情事件的关注度能很好地反映重大传染病疫情事件舆情的发展阶段，本文结合南京新冠疫情微博数据量与关键事件节点来划分舆情周期。如图2所示，此次舆情事件相关话题最早在2021年7月19日受到关注，成为舆情事件起点；
2021年7月20日南京市官方通报新增新冠感染者9名，引发网友广泛讨论，推动舆情进入爆发期；
随着2021年7月30日南京官方公布本轮疫情源头，舆情到达拐点进入平稳期；
2021年8月9日南京本轮疫情首次实现零新增，舆情逐渐平息进入恢复期。因此，本文将南京新冠疫情舆情划分为起始期、爆发期、平稳期、恢复期4个阶段进行后续分析。
图2 舆情周期划分
由于重大传染病疫情具有传染性，距疫情暴发中心越近的区域，其民众将受到越直接的健康威胁，因此，与疫情暴发中心的地理距离是影响疫情传播、舆情态势和公众心理的重要因素。本研究按照与疫情暴发中心南京市的地理空间距离，将数据划分为南京地区、江苏其他地区、江苏接壤省市(安徽省、上海市、山东省和浙江省)以及全国其他省市4个区域，如表1所示，来探究不同时空区域民众关注主题与情感的时空分异规律。
表1 空间区域划分
2.2.3 主题识别
目前，应用最为广泛的主题识别方法有LDA(Latent Dirichlet Allocation)、PLSA(Probabilistic Latent Semantic Analysis)等方法，这些方法在网络舆情主题识别研究中有较广泛的使用，但仍存在一些不足。比如，为了达到最佳效果往往需要设置最优主题数、自定义停用词表、词干提取和词元化等，同时相关方法依赖于文档的词袋，忽略了词的语义与排序。Top2Vec的提出很好地解决了上述问题，Top2Vec是一种分布式主题向量模型，通过联合文档和词的语义嵌入来寻找主题向量，在语义空间中发现的文档密集区的数量为主题数量，文档密集区中心点为主题向量。密集区是由非常相似的文档组成的区域，而中心点或主题向量是最能代表该区域的平均文档。通过语义嵌入，寻找与每个主题向量最接近的词向量，来找到最能代表主题向量的词。Top2Vec模型产生联合嵌入的主题、文档和词向量，它们之间的距离代表了语义相似性。整个过程无需自定义停用词表、词干提取和词元化，而且能够自动得出话题数量，这是Top2Vec相比于传统主题识别方法的最大优势。此外，研究表明Top2Vec发现的话题比LDA和PLSA发现的话题具有更大的信息量，对所训练的语料库来说更具代表性[18]。因此，本文使用Top2Vec主题识别方法提取各个时空区域的主题来进行后续的主题分析。
2.2.4 情感计算
基于SnowNLP的文本情感分析是网络舆情情感分析中的常用方法，SnowNLP的情感计算以朴素贝叶斯分类算法为基础，在很多研究中已经被证明效果显著。为此，本文使用SnowNLP对不同时空区域数据进行情感计算。SnowNLP算法假设文本特征词之间相互独立，并预测一个词语属于各个类别的后验概率值，最终将词语归入可能性最大的类别中。由于朴素贝叶斯分类会受到分类任务的影响，需要进行提前训练，本文根据已标注的正负倾向情感数据对模型进行训练，完成训练的模型可以对数据的情感倾向类别进行判断，将属于情感类别的概率作为其情感值，实现情感计算。由于情感值区间为[0,1]，为了方便比较，本文将情感值区间转换为[-0.5,0.5]，情感值越接近-0.5表示该文本情感越消极，越接近0.5表示该文本情感越积极，以此刻画重大传染病疫情网络舆情中民众情感的演化规律。
3.1 主题的时空分异情况
利用Top2Vec方法对各时空区域的微博主题进行提取，得到不同时空区域的特征话题。考虑到Top2Vec主题建模方法得到的主题中存在大量小众主题，为减少小众主题的影响，本文根据主题向量的余弦相似度识别相似主题并进行主题合并，更新原有的主题展示，通过人工筛选和话题概括得到各时空区域特征话题。由于篇幅原因，每个时空区域选取两个特征话题进行展示，如表2所示。这些主题基本可以凝练为以下3种信息：对个人生活情况和自我情绪的表达、对疫情信息及其衍生话题的关注、对社会问题和制度的思考，因此，本文结合网络舆情情感维度模型中情感焦点的概念[19](情感焦点指民众在舆情活动中对自己、他人和社会的聚焦与关注)，将网民关注的主题焦点概括指向自我、指向他人和指向社会3个层面：①指向自我：是指民众发布信息的焦点在于自身，包括自身情绪的宣泄、自我需求的表达、个人生活的展示等内容；
②指向他人：是指话题信息的关注焦点指向外界事物，即对自身之外的人或事的关注与评价；
③指向社会：是指由舆情事件引发的社会性话题，此类话题发布者往往具有较强的使命感或社会事物参与积极性，话题辐射范围广，冲击力强，极易引起社会广泛关注和情绪共鸣。
表2 不同时空区域民众特征话题(部分)
表2(续)
表2(续)
3.1.1 主题的时间演化情况
表3展示了民众热点话题的主题焦点随时间的演化情况。可以发现，在重大传染病疫情舆情起始阶段，民众主题焦点以指向自我为主，热点话题包括“表达个人情绪”“个人行程/生活受影响”等，也有部分热点话题焦点为指向他人和指向社会，包括“关注疫情并祈祷平安”“对抗疫工作者表达感恩”等。在舆情爆发阶段，除指向自我层面的热点话题之外，也有一些指向他人层面的热点话题，如“关注疫情并祈祷平安”“关注‘德尔塔’疫情信息”“关注疫苗信息”等，以及少部分指向社会的热点话题，如“对抗疫工作者表达感恩”“关注社会工作管理问题”。在平稳期，民众主题的焦点以指向他人和指向社会层面为主，如“关注疫情衍生话题(如毛老太妨碍疫情防控)”，以及“社会工作管理问题”等指向社会层面的信息。在疫情舆情恢复期，民众主题焦点以指向社会层面为主，包括“关注社会工作管理问题”“社会感人事迹”“对中医的肯定”以及“对防疫工作的肯定”等。总体而言，随着时间推移，民众关注焦点呈现“指向自我→指向他人→指向社会”的趋势。
表3 基于时间的主题焦点演化过程
3.1.2 主题的空间分布情况
表4展示了民众热点话题的主题焦点在空间上的分布情况。可以发现，南京市民众主题焦点以指向自我为主，热点话题包括“表达个人情绪”“个人行程/生活受影响”，也有少部分热点话题焦点为指向他人和指向社会，如“关注疫情衍生话题(如毛老太妨碍疫情防控)”等指向他人层面的信息，“对抗疫工作者表达感恩”等指向社会层面的信息。江苏省其他地区，除了指向自我层面的热点话题外，也出现不少指向他人层面的热点话题，如“关注疫情并祈祷平安”“关注‘德尔塔’疫情信息”“关注疫情衍生话题(如毛老太妨碍疫情防控)”“关注疫情相关信息(如高速路口通行信息)”等，还有部分指向社会的热点话题，如“关注社会工作管理问题”。在江苏省接壤省市，民众主题焦点除了指向自
表4 基于空间的主题焦点演化过程
我和指向他人层面之外，还有指向社会层面的热点话题，如“关注社会工作管理问题”“社会感人事迹”等。在全国其他省市，民众关注的主题焦点以指向他人和指向社会为主，尤其是指向社会层面的热点话题，如“关注社会工作管理问题”“对我国疫情防控工作的肯定”“对中医的肯定”等信息。总之，随着与疫情中心距离的增加，民众关注焦点呈现“指向自我→指向他人→指向社会”的趋势。
3.1.3 主题的时空分异规律
可以发现，在不同舆情阶段中，不同地区热点话题的主题焦点上也表现出一定倾向性。在起始期，南京市民众热点话题的焦点以指向自我层面为主，表达个人情绪以及行程或生活受到影响等个人感受，其他地区主题焦点除了表达个人情绪等指向自我层面的热点话题外，还包括“关注疫情并祈祷平安”等指向他人层面的热点话题。在爆发期，南京市与江苏省其他地区民众以指向自我的热点话题为主，江苏省接壤省市和全国其他地区的民众以指向他人和指向社会层面的热点话题为主。在平稳期，南京市有部分指向自我层面的热点话题，其他3个地区关注焦点均为指向他人和指向社会层面。在恢复期，随着与疫情中心距离的增加，民众越来越倾向于对指向社会层面热点话题的关注，如江苏省其他地区“关注社会工作管理问题”、江苏接壤省市对“社会感人事迹”的关注、全国其他省市“对防疫工作的肯定”和“对中医的肯定”等信息。
总之，在重大传染病疫情舆情中，民众的关注焦点在时空上符合随时间推移或距离增加，民众关注话题呈现“指向自我→指向他人→指向社会”的趋势。
3.2 情感的时空分异情况
3.2.1 情感的时间演进情况
图3展示了民众情感值随时间的演进情况。可以发现，在重大传染病疫情情境下，民众情感值在时间上总体呈递增趋势，这表明民众情感随时间推移越来越趋向积极。这可以用未知恐惧心理进行解释。在疫情起始期，民众对疫情信息掌握较少，存在一定程度的未知恐惧心理，基于前文的表2可以发现，网民在舆情起始期、爆发期，有较多表达担忧、害怕、焦虑等情绪的话题，随着时间推移，民众掌握了越来越多的信息，对疫情及其风险有了更清晰的认知，未知恐惧心理逐渐被克服。此外，随着时间推移，疫情态势逐渐明朗，在科学合理的防疫措施下，疫情形势逐渐平稳，因此民众情感也逐渐趋向积极。
图3 情感值随时间的演进情况
3.2.2 情感的空间分布情况
图4展示了民众情感值在空间上的分布情况，可以发现，随着与疫情中心南京市距离的增加，民众情感值总体呈递增趋势，这在一定程度反映出民众情感在空间上具有“涟漪效应”的特点。“涟漪效应”是指越接近灾难事件的中心区域，人们对灾难事件的风险认知和负性情绪越高[20]。灾难事件的发生好比将一块石头投入湖水中，被石头砸中的一点波动最大，随着与中心点距离的增加，波动逐渐降低，形成一圈圈“涟漪”。
图4 情感值在空间的分布情况
这一现象可以通过禀赋效应来理解，禀赋效应是指事件本身的性质或内容对民众当前心理状态产生的直接影响[20]。当重大传染病疫情发生后，疫情中心地民众与病毒有最直接的接触风险，生命健康受到最直接的威胁，生活也首当其冲受到最大的影响，强烈的禀赋效应使疫情中心市民众拥有较高的自我卷入，因此负性情绪较强烈，情感值最低。基于前文的表2特征话题可以发现，南京市民众有较多表达害怕、焦虑等情绪，行程或生活受到影响的话题。随着与疫情中心距离的增加，人们与病毒的直接接触风险逐渐变小，感染风险相对减小，因此民众负性情感逐渐减少，情感值逐渐增加。
3.2.3 情感的时空分异规律
图5展示了不同时期不同区域民众情感值的分布情况。可以发现，在时间上，随着时间推移，除江苏省其他地区外，其余各区域民众情感值基本符合逐渐递增的积极趋势；
在空间上，在起始期与爆发期，民众情感值基本符合“涟漪效应”的特点，在平稳期，江苏省其他地区民众情感值最低，在恢复期，各地区民众情感值均保持较高的水平，整体相差较小。
图5 情感值的时空分布情况
需要指出的是，江苏省其他地区情感值的演变具有一定的特殊性和复杂性。江苏省其他地区在此次重大传染病疫情中是除南京市以外距离疫情暴发中心最近的区域，属于重大传染病疫情的边缘带地区，相比于江苏省接壤省市和全国其他省市等重大传染病疫情外围地区，边缘带地区受到疫情外溢影响的可能性最大。在疫情未波及自身时，边缘带地区民众处于旁观者视角，当疫情外溢波及自身时，边缘带地区民众处于当事人视角。比如在南京疫情平稳期时，疫情发生外溢，蔓延至江苏省其他地区，此时对于江苏省其他地区民众来说，相当于处于疫情严重的爆发期，疫情感染风险骤增，民众生活受到了直接影响，该地区民众处于当事人视角，强烈的禀赋效应使该地区民众会产生焦虑、恐惧等强烈的负性情绪。此外，基于前文表2可以发现，平稳期“毛老太妨碍疫情防控”这一衍生话题引发大量讨论，该事件本身具有较强烈的负面性质，且江苏省其他地区是该事件中受影响的涉事地区，这也可能是导致江苏省其他地区民众在平稳期情感值较低的原因。因此可以看出，在本次事件网络舆情时空演化中，边缘带地区情感具有一定的特殊性和复杂性。
本文以特定的重大传染病疫情事件为例，从主题与情感两个角度探讨重大传染病疫情情境下具有普适性的网络舆情的时空分异规律，得出以下结论：
1)主题方面，不同时空区域民众关注焦点具有不同的倾向。在时间上，起始期民众的关注焦点倾向于“指向自我”层面，随时间推移呈现“指向自我→指向他人→指向社会”的趋势。在空间上，疫情中心地区民众的关注焦点倾向于“指向自我”层面，随着地理距离的增加呈现“指向自我→指向他人→指向社会”的趋势。
2)情感方面，在时间上，随着时间推移，民众情感值逐渐递增，民众情感总体呈现积极态势。在空间上，民众情感基本符合“涟漪效应”，即随着与疫情中心距离的增加，民众情感总体呈递增趋势。此外，边缘带地区的情感演化具有一定的特殊性和复杂性。
基于本文的研究发现，本文就重大传染病疫情相关领域的舆情管控等提出以下建议：①从民众关注焦点的时间演化特征来看：相关部门在舆情初期应关注民众自我层面的需求，如心理健康和生活需求，舆情中期时应警惕舆情负面衍生话题的不良影响，舆情后期时应重视社会层面的群体意见和社会诉求，防止因民意未妥善处理引发的社会情绪和社会风险；
②从民众关注焦点的空间分布特征来看：相关部门应重视疫情中心地区民众自我层面的需求，监测其他地区负面衍生话题的发酵情况，以及民众关注热点和群体诉求；
③从民众情感的时间演化特征来看：相关部门应加强对舆情初期社会情绪的引导和疏散，及时科普疫情信息，减缓个体未知恐惧心理引发的负面情绪；
④从民众情感空间“涟漪效应”来看：相关部门应针对不同区域实行分层次的舆情管控策略，比如重点关注疫情中心地区的社会情绪，及时安抚疫情中心地区民众的恐惧、焦虑心理，同时也要关注边缘带地区民众情绪特征，防止疫情外溢及其负面衍生事件造成边缘带地区民众的负面社会情绪。
本文利用社交媒体时空数据，结合时间、空间、主题、情感维度探讨了不同时空区域民众主题与情感的演化特征和分布差异，总结了重大传染病疫情情境下网络舆情的时空分异规律，对政府在重大传染病疫情事件网络舆情中的群体意见挖掘、社会情绪引导和风险防控方面具有一定参考价值。本文仅以南京疫情为例对重大传染病疫情情境下网络舆情的时空分异规律进行总结，可能存在一定不足与局限性，未来可以选择多个重大传染病疫情舆情事件进行进一步探讨与总结。随着微博“IP透明时代”的到来，用户IP属地的公示为社交媒体数据赋予了更精确的时空属性，也是未来研究重大传染病疫情网络舆情时空规律的重要方向。
猜你喜欢 指向焦点舆情 焦点小资CHIC！ELEGANCE(2022年1期)2022-01-11科学备考新指向——不等式选讲篇中学生数理化(高中版.高考数学)(2021年6期)2021-07-28“两会”焦点南方周末(2018-03-08)2018-03-08本期焦点科学中国人(2017年22期)2018-01-02把准方向盘 握紧指向灯 走好创新路传媒评论(2017年8期)2017-11-08消费舆情消费电子(2016年12期)2017-01-19舆情中国民政(2016年16期)2016-09-19舆情中国民政(2016年10期)2016-06-05焦点摄影之友(2016年8期)2016-05-14舆情中国民政(2016年24期)2016-02-11