EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 2: 351 - 363

DOI: https://doi.org/10.12082/dqxxkx.2021.200294

疫情舆情动态分析

基于新闻数据的新冠疫情事件下“全球-中国”国际关系变化分析方法

  • 薛浩男 , 1, 2 ,
  • 张雪英 , 1, 2, * ,
  • 吴明光 1, 2 ,
  • 曹天阳 1, 2
展开
  • 1.虚拟地理环境教育部重点实验室（南京师范大学）,南京 210023
  • 2.江苏省地理信息资源开发与利用协同创新中心,南京 210023
* 张雪英（1970— ）,女,四川眉山人,博士,教授,主要从事地理大数据挖掘、智慧城市、人文和社会地理信息系统 的研究。E-mail:

薛浩男（1995— ）,女,江苏南通人,硕士生,主要从事人文和社会地理信息系统的研究。E-mail:

收稿日期: 2020-06-09

  修回日期: 2020-07-23

  网络出版日期: 2021-04-25

基金资助

国家自然科学基金项目(41631177)

国家自然科学基金项目(41671393)

国家自然科学基金项目(41971337)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

The Analysis Method of Changes in "Global-China" International Relations during the COVID-19 Event based on News Data

  • XUE Haonan , 1, 2 ,
  • ZHANG Xueying , 1, 2, * ,
  • WU Mingguang 1, 2 ,
  • CAO Tianyang 1, 2
Expand
  • 1. Key Laboratory of Virtual Geographic Environment, Nanjing Normal University, Ministry of Education, Nanjing 210023, China
  • 2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
* ZHANG Xueying, E-mail:

Received date: 2020-06-09

  Revised date: 2020-07-23

  Online published: 2021-04-25

Supported by

National Natural Science Foundation of China(41631177)

National Natural Science Foundation of China(41671393)

National Natural Science Foundation of China(41971337)

Copyright

Copyright reserved © 2021.
Fold

摘要

在新冠疫情的冲击下,国际关系错综复杂、瞬息万变,不稳定性不确定性剧增。全面及时地分析“全球-中国”国际关系变化特征,对于中国的外交发展规划具有重要的参考价值。复杂的国际关系可以分解为一系列事件单元,新闻数据中蕴含了时间、地点、人物、事物等关键信息,是构建事件的最直接、最全面的信息来源。本文以GDELT（Global Database of Events, Language, and Tone）新闻事件数据库为数据源,基于“全球-中国”的视角,利用2020年1—5月全球疫情相关新闻数据,研究新冠疫情事件背景下的国际关系的变化。本文首先以事件数量、事件强度值和事件被提及数作为关键变量,提出了国际关系的分类表达和计算模型,解决了国际关系表达模糊和难以计算的问题。然后从时空可视化角度展示疫情下国际关系的变化特征,并结合疫情期间的国际重要事件,进一步分析引起国际关系变化的原因。研究表明,采用本文方法能精确掌握新冠疫情下“全球—中国”国际关系的发展程度,发现“全球-中国”国际关系的变化规律和变化原因,具有重要的应用价值。本文的研究可以为大数据时代的国际关系研究提供一个新的视角,同时也为新闻数据的分析提供参考。

关键词： 新冠疫情事件; GDELT; 国际关系表达; 国际关系计算; 国际关系变化分析; “全球-中国”; 时空可视化

本文引用格式

薛浩男 , 张雪英 , 吴明光 , 曹天阳 . 基于新闻数据的新冠疫情事件下“全球-中国”国际关系变化分析方法[J]. 地球信息科学学报, 2021 , 23(2) : 351 -363 . DOI: 10.12082/dqxxkx.2021.200294

Abstract

The outbreak of the COVID-19 event has been a major international concern since the first case was discovered in December 2019. After mid-to-late February 2020, the daily number of newly diagnosed cases abroad has increased rapidly, showing the characteristics of a pandemic disease. Under the deep impact of the COVID-19 event, the international relations are intricate and ever-changing. The instability and uncertainty of international relations have increased dramatically and have brought profound changes to the economy, security, and diplomacy. A comprehensive and timely analysis of "Global-China" international relations and its changing characteristics has important reference value for China's diplomatic development planning. Complex international relations can be split up into a series of event units. News data contains key information such as time, location, people, things, etc. It is the most direct and comprehensive source of information for constructing events. The GDELT ( Global Database of Events, Language, and Tone ) is a free and open news database which monitors news from print, broadcast, and online media in the world then analyzes the texts and extracts the key information such as people, location, organization, and event. From the perspective of "Global-China", this paper takes GDELT as the data source and uses global news data about the COVID-19 event from January to May 2020 to analyze the changes in international relations. First of all, the characteristics of international relations, such as intensity, similarity and polarity, are consistent with emotions. According to Plutchik's wheel of emotions, this paper provides a representation and calculation model of international relations to solve the problem of ambiguity in representation and the difficulty in calculation, using key variables including the number of events, the intensity of events, and the number of mentioned events. Then, the features of the changes in international relations are obviously displayed from the perspective of spatio-temporal visualization. Finally, this paper analyzes the causes of changes in international relations by important international events during the COVID-19 event. The results show that the analysis method can accurately reveal the development degree of the "Global-China" international relations during the COVID-19 event and find out the rules and causes of changes and has important application value. This paper can provide a new perspective for the exploration of international relations and a reference for the analysis of news data in the era of big data. And it shows the great potential and broad prospect of the research on international relations of big data.

Key words： the COVID-19 event; GDELT; the representation of international relations; the calculation of international relations; the analysis of changes in international relations; "Global-China"; spatio-temporal visualization

1 研究背景

国际关系是两个或多个特定国家主体之间的关系,包括联合和战争2种基本类型[1]。复杂的国际关系可以分解为一系列事件单元,如访问、结盟、抗议、威胁、战争等。通过分析事件单元数据,能够判断和预测两国间的国际关系。在2019年12月开始的短短几个月内,新冠疫情迅速地成为了破坏力巨大的全球“大流行病”。在新冠疫情的冲击下,“全球-中国”的舆论风向波诡云谲、瞬息万变,不稳定性不确定性剧增。全面及时地分析“全球-中国”国际关系变化特征,对于中国的外交发展规划具有重要的参考价值。新闻中蕴含了时间、地点、人物、事物等关键信息,是构建事件的最直接、最全面的信息来源。此外,新闻数据具有的多源性、复杂性、时效性等特征,有利于研究更长时间范围、更小空间尺度和更细事件粒度下的国际关系。作为世界上规模最大的新闻事件数据库,GDELT（Global Database of Events, Language, and Tone）内容全面、分类粒度细、更新频率高,是国际关系研究极好的数据支撑。
国际关系研究常使用“规范的、思辨的”的历史研究方法[2,3],但是这种方法依赖于研究学者的专业背景知识、经验或直觉,不同学者的判断差异很大。后来,有学者通过对国家之间发生的事件进行量化来分析国际关系。如早期的“冲突与和平数据集”（Conflict and Peace Data Bank, COPDAB）[4]、“世界事件互动测量”（World Event/Interaction Survey, WEIS）[5],计算机科学兴起后的堪萨斯事件数据系统（Kansas Event Data System, KEDS）[6]等。在中国的国际关系研究中,李少军等[7]较早尝试运用新闻事件数据描述中美关系的冲突与合作;清华大学阎学通[8]提出了用于衡量国家间事件的双边关系事件分值标准。2012年出现的GDELT新闻事件数据库因其信息丰富且易获得,使众多学者开始利用GDELT来研究国际关系。如以研究时段内所有相关事件的GoldsteinScale分值的平均值作为测量方式,衡量国家间双边关系的合作和冲突程度[9,10,11];通过分析新闻事件及其影响程度来研究国家间的相互关系[12]、国家的活跃程度[13]等;通过构建国家交互网络,来探测国家冲突事件交互网络的时序变化[14]等;通过回归模型[15]、隐马尔科夫[16]、频繁子图[17,18]等方法进行国家间冲突事件的预测;还有学者探讨了国际关系5种不同的计算方法及其问题[19]。
对于国际关系的研究已经从多个方面进行了积极探索,但仍在定量化表达和分析方面存在不足：① 现有研究方法虽有定性描述和用于国际间事件的测量分值标准,但没有针对国际关系具体衡量与发展水平测度的统一规范。② 已有国际关系的研究尺度较小,多侧重于两国或多国,少有面向全球的大规模时空尺度下的国际关系分析。因此,本文探索并提出了国际关系的分类表达和计算模型：将合作类分为普通、良好、友好、亲密4个等级,冲突类分为不和、紧张、对立和敌对4个等级,同时将每种关系类型分为低、中、高3个程度,实现了国际关系的分类表达;考虑事件数量、事件强度值和事件被提及数3个变量,提出了国际关系的计算模型,科学合理地实现了国际关系的程度分类和精确计算。同时,利用GDELT数据量丰富、更新频率高等特点,立足于“全球-中国”的视角,从时空角度展示疫情下国际关系的变化特征,为大数据时代的国际关系探索提供一个新的视角。

2 国际关系的分类表达与计算模型

2.1 国际关系的分类表达

国际关系是两个或多个特定国家主体之间的关系,包括联合和战争2种基本类型[1]。国际关系研究中的“竞合理论”认为,合作和竞争是对立统一的,如同阴阳两极,是一对矛盾却又相互依赖的力量[20]。在新闻事件数据中,“竞合”对应着冲突和合作事件类型。
参考德国心理学家普拉切克（Plutchik）的情绪三维模型对国际关系进行定性描述[21]。情绪三维模型将情绪分为强度、相似性和两极性3个维度,明确界定了情绪类型并描述了不同情绪之间的相似性和对立性特征。按照情绪三维模型构建国际关系的分类表达模型（图1）：将合作和冲突作为相对的两极,按照由浅到深的程度,将合作类依次分为普通、良好、友好、亲密4个等级,冲突类依次分为不和、紧张、对立和敌对4个等级。其中,垂直维度代表关系强度,离圆心越近代表强度越高;每一种关系类型按照程度差别都可以进一步分为低、中、高3类,同属一种关系类型的3个程度类之间具有相似性;对角位置的关系类型则是对立的,具有两极性。
图1 国际关系的分类表达模型

Fig. 1 The classification and representation model of international relations

2.2 国际关系的计算模型

在国际关系的计算中,事件数量、事件强度值和事件被提及数是3个非常重要的变量。事件数量即事件发生的次数,事件强度值即事件的合作和冲突程度,事件被提及数即所有报道中提及该事件的总次数。事件被提及数在一定程度上反映了事件的影响力和受关注度,侧面说明该事件的重要性并极大可能对国际关系产生影响。因此,两国间国际关系R的计算公式如下：
R 1 = ∑ n = 1 N 1 I n N 1 + 0.1 × lo g 2 ∑ n = 1 N 1 M n N 1 + 1
式中： R 1 表示国际合作关系; N 1 为合作类事件数量; I n 为合作类里每个事件的强度值; M n 为合作类里每个事件的被提及次数。
R 2 = ∑ n = 1 N 2 I n N 2 + 0.1 × lo g 2 ∑ n = 1 N 2 M n N 2 + 1
式中： R 2 表示国际冲突关系; N 2 为冲突类事件数量; I n 为冲突类里每个事件的强度值; M n 为冲突类里每个事件的被提及次数。
为了直观精确地表示国际关系的发展程度, 将国际关系合作值和冲突值归一化至8个类型 （图2）。其中冲突负极最左端代表两国关系最恶劣的情形,合作正极最右端代表两国关系最友好的情形,这是两种极端情况。二者的中值为0,表示两国关系处于绝对的非敌非友或毫无关系的状态。同种关系类型下按照关系程度进一步分为低、中、高3类。
图2 国际关系的衡量标准

Fig. 2 The yardstick of international relations

3 数据获取及处理

获取2020年1月1日至2020年5月31日的来源于GDELT的新闻数据并进行进一步处理。GDELT中的数据每15 min更新一次,Event事件表相应更新一个CSV文件。以天为最小单位,将数据合并后导入数据库。根据新冠肺炎疫情相关的“coronavirus”、“pneumonia”、“Wuhan”、“2019-nCov”、“NCP”、“Novel coronavirus pneumonia”等关键词对数据库中的SourceURL字段进行筛选,共有疫情全球相关新闻数据200余万条。GDELT每条事件记录中,数据结构定义为行为体A对行为体B的一次言语或现实性行为,记为“A→B”,其中符号“→”表示事件是从主动方（Actor1）到被动方（Actor2）的一次有指向的行为记录。进一步对筛选出的疫情相关新闻数据进行处理,选择事件被动方中Actor2Geo_CountryCode字段为中国（CH）,事件主动方中Actor1Geo_CountryCode字段不为空且不为中国（CH）,获取这个时间段内的全球所有国家或地区对中国的新闻事件记录,结果共计7万余条。将最终事件记录中的言语合作与现实合作认为合作类,言语冲突与现实冲突认为冲突类进行合并。以GDELT新闻数据库中的各类事件的GoldsteinScale分值为合作类和冲突类下的In,NumMentions为合作类和冲突类下的Mn,统计各国合作类和冲突类的新闻数量N1和N2,并按照式（1）、式（2）,得到以天为单位的、涉及中国的每个国家的合作值和冲突值。有研究显示不同国家和地区的媒体对事件的选择和措辞可能具有不同的倾向性,但它们对于同一事件的报道在判断事件的合作或冲突性质方面较为一致[22]。
从图3可看出,合作类型新闻数量为52 943条,报道量最高的10个国家依次为美国、英国、澳大利亚、意大利、加拿大、日本、印度、韩国、伊朗和法国;冲突类型新闻数量为17 622条,报道量最高的10个国家依次为美国、澳大利亚、英国、俄罗斯、日本、印度、意大利、韩国、加拿大和伊朗。合作类较高的国家和冲突类较高的国家基本一致,唯一差别的是法国只在合作类前10中出现,俄罗斯只在冲突类前10中出现。但实际上,法国在冲突类中排名为11,俄罗斯在合作类中排名为12。总体而言,疫情事件下国际上对中国报道和关注度较高的国家基本是图中所示的11个国家。
图3 2020年1月—5月与疫情相关的“全球-中国”新闻数据分布情况

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(2016)1667号的标准地图制作,底图无修改。

Fig. 3 Distribution of "Global-China" news data related to COVID-19 from January to May 2020

聚焦到各国自身,在本国的疫情新闻报道总数中,各个国家的合作和冲突类型新闻数量占比基本稳定在3:1,俄罗斯为3:2,俄罗斯的冲突类新闻数量占比在各国里是最高的。结合截至2020年5月31日的疫情确诊病例数,也可以看到各国的新闻报道总量、冲突类型新闻数量和疫情确诊病例数呈显著的正相关关系。美国、英国、意大利、俄罗斯等地区确诊病例数较高,累计的冲突类新闻数量也较多。

4 “全球-中国”国际关系变化时空特征分析

2020年1—5月的疫情相关新闻中,涉及到中国的全球国家或地区共有204个。以每月为固定时间间隔,分为5个等间隔时间段,计算出每个时间段内全球各国或地区对中国的合作和冲突关系值。结合该时间段内各国的确诊病例人数,对“全球-中国”国际关系进行时空可视化（图4）。
图4 “全球-中国”国际关系时空可视化（左为合作类,右为冲突类）

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(2016)1667号的标准地图制作,底图无修改。

Fig. 4 Spatio-temporal visualization of "Global-China" international relations (left is for cooperation, right is for conflict)

从图4可看到“全球-中国”国际关系变化具有以下特征：
（1）新冠疫情事件下,“全球-中国”的国际关系受疫情的发展影响产生相应变化,但总体维持在一个合作类的普通到良好、冲突类的不和到紧张的相对稳定的情况下。
（2）特定国家对中国的国际关系在某个时段下具有相似性,这或许可以预测国际联合形势。如从图4中可看出,美国和澳大利亚两国前后期对中国的合作值和冲突值相似,可以说明两国前后期对待中国的国际舆论态度相似。结合不同时间下的国际热点,如疫情前期澳大利亚和美国共同认为中国是疫情的源头以此来攻击中国,澳大利亚甚至要求中国提供巨额赔偿和5月以来大利亚境内对华人和亚裔的种族歧视言行和暴力行为也明显上升等现象,对进一步探索疫情下美国和澳大利亚两国行为间的关联性提供帮助。
在对全球根据国际关系表达类型进行时空可视化的基础上,使用“核密度分析”工具进行2种事件类的核密度分析,将结果采用自然间距法划分为不同的区间,如图5所示。
图5 “全球-中国”国际关系核密度分析（左为合作类,右为冲突类）

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(2016)1667号的标准地图制作,底图无修改。

Fig. 5 Kernel Density Estimation Map of "Global-China" international relations (left is for cooperation, right is for conflict)

依据图5,结合图4进行进一步分析,可以发现“全球-中国”国际关系变化还具有以下特征：
（1）新冠疫情事件下,“全球-中国”国际关系合作类和冲突类一直处于变化之中,且变化不同,出现了合作类由降反升、冲突类由升至降的迂回情况。2020年1月时,“全球-中国”国际关系合作密度高于冲突密度。这一时期,极大部分疫情发生在中国境内,国外病例较少或无病例。国外媒体报道量较少,涉华报道的态度主要体现在认同中国疫情处理能力、肯定中国对新冠病毒传播的应对措施及时有效上。2020年2—4月,“全球-中国”国际关系比起1月时,合作密度有所下降且冲突密度明显上升。这一段时期,疫情从中国高发期进入全球蔓延期。全球媒体对其报道量剧增,态度逐渐从客观转向负面,“疫情政治化”开始在国际舆论中出现,如为了转移本国国内疫情严峻、矛盾加剧引发的批评焦点,主张向中国追讨责任等。总体而言,随新冠疫情在全球呈多点暴发态势,“全球-中国”国际关系不稳定性增加,冲突程度恶化。2020年5月,“全球-中国”国际关系合作密度略有回升,冲突密度略有下降。这一段时期,随着疫情在中国进一步好转但在全球加速蔓延,国际舆论转向,普遍认为中国为全球疫情防控赢得了时间,且防控措施可为其余国家提供借鉴。
（2）新冠疫情深刻影响中国与各区域性国际组织的关系,如欧盟、东盟等。欧洲作为新冠疫情的第二个中心,也是涉华新闻舆论中合作密度和冲突密度的中心之一。随着新冠疫情在欧洲的扩散,欧盟国成员之间分歧摩擦不断,对华关系也经历了 3个代表性阶段：前期不可避免的谴责,疫情在各国相继暴发时的求助与警惕并存到疫情进入全球大流行后对中欧关系的反思感悟等。总体而言,欧盟大多数国家并没有出现强烈的反华情绪,各国政府在前期也均对中国的遭遇表示同情并提供了相应支持。疫情蔓延至欧洲时,中国也主动提供了力所能及的帮助,派出了援助医生和大量物资,并且和欧盟举办了多次新型肺炎疫情防治电话会来分享防控治疗经验等。
（3）合作事件类和冲突事件类在同一地区相应呈现聚集性趋势,高合作类与高冲突类在欧洲中部地区、亚洲西南部、非洲东西部等地区相伴随出现。5个月来,各国媒体从常规报道到高度关注,相关新闻增多,疫情关注度持续走强,且关注度渐渐从中国转向自国的疫情实况和防疫措施上,这与疫情的全球流行趋势吻合。
以天为单位,统计5个月里疫情新闻中涉及中国的国家数量（图6）。以每月为固定时间间隔,分析“全球-中国”国际关系类型的数量分布（图7）。
图6 涉及中国的国家数量变化

Fig. 6 The number of countries related to China

图7 每月国际关系类型的数量分布

Fig. 7 Distribution of types of international relations per month

从图6可看出,疫情相关新闻中涉华的国家数量在2020年1月底2月初激增,3—5月开始呈现逐步降低的趋势,这与疫情暴发中心从国内开始转移至国外有关。此外,每天有记录的合作类国家总数量要略高于冲突类国家总数量。
图7显示,全球大部分国家或地区保持在合作类的普通到良好、冲突类的不和到紧张的相对应程度。前期疫情主要在中国境内暴发,全球范围内涉华舆情少。随疫情蔓延至全球,涉华国家数量增加,并且出现了位于两端的较高合作值和较高冲突值的国家。此外,结合图6可发现每天有记录的合作类国家总数量要略高于冲突类国家,但冲突值的变化比合作值更明显。这表明,全球各国实际上对疫情下发生的、可能含有冲突或暴力,能引起社会舆论和巨大担忧的隐患事件更为敏感。

5 “全球-中国”国际关系变化事件因素分析

事件是影响国际关系变化最重要的原因,短时间内的新闻会受特定的事件影响。在新冠疫情期间,国内外发生了一系列关键节点事件,如2020年1月23日武汉封城、2020年2月23日有研究表明新冠始发地非华南海鲜市场等。以66个重要的疫情相关国际事件为例,分析不同事件对国际关系变化的影响。
考虑到不同的国家间因时差等客观因素,难以在事件发生当日立刻有所反应,所以以事件当日和次日2天作为计算事件影响的窗口期。以报道量和疫情确诊病例都较高的4个主要国家（美国、英国、意大利和俄罗斯）为例,分析重大事件发生后,4个主要国家对中国的国家关系的变化。每个国家在首次出现合作或冲突关系值后,若之后某天缺少交互事件行为而出现断点,则默认保留之前最靠近一天的关系值。图8是4个主要国家—中国和“全球-中国”国际关系的对比,图9是4个主要国家-中国的国际关系类型变化图。
图8 主要国家-中国与“全球-中国”国际关系变化对比

Fig. 8 Comparison of changes in international relations between major countries to China and "Global-China"

图9 主要国家-中国的国际关系类型变化

Fig. 9 Changes in the types of international relations in the main countries to China

从图8可发现,新冠疫情事件下四国-中国冲突值的变化程度略大于合作值。此外,美国和英国的国际关系变化基本围绕全球平均值上下波动,但意大利和俄罗斯的国际关系变化波动程度远高于美国和英国,且有极端值出现,说明其受事件影响较大。
从图9可发现,四国的合作关系值基本分布在良好类,冲突值基本分布在不和类和紧张类,这与全球趋势一致。以66个疫情事件为例,进一步分析事件对国际关系的影响。为避免合作正值和冲突负值相抵消,分别将窗口期内的合作类值和冲突类值先取平均,后取绝对值相加,作为事件对“全球-中国”国际关系的总影响值。总影响值越大即说明当前重大事件对当前国家-中国的国际关系影响越大。按顺序将每个国家影响值最高的10个事件分国家排列显示（图10）。
图10 事件影响力第1—第10排列下各国对比

Fig. 10 Comparison of countries after the impact of events ranked by 1-10

从图10可看出,虽然都是对各国影响最大的 第1—第10位事件,影响值也各有高低。从第1—第10位事件中,影响值变化最明显的意大利;其次是俄罗斯,变化趋势都是从前几位事件的反应剧烈到后面下降并处于平均水平;美国、英国虽然按照影响值高低进行排列,但10个事件的影响值相差并不大,没有像英国和俄罗斯一样出现急下的剧烈变化和明显差别。因此,不同事件对不同国家会产生不一样的影响。在每个国家影响值排名前10的事件中,只有28个不同事件,有9个事件在四国的排序里重复出现。在各国排序中共现次数为2次及以上的,较为重要的9件事件如表1所示。
表1 共现次数2次以上的事件

Tab. 1 Events with twice or more co-occurrences in total

序号 时间 事件描述 共现次数 共现国家（排名）
1 2020-01-24 《柳叶刀》论文披露首例新冠肺炎病患无华南海鲜市场暴露史 3 美国(9);意大利(1);俄罗斯(4)
2 2020-01-25 中国河南、辽宁等8个省（区、市）启动重大突发公共卫生事件一级响应 3 美国(4);意大利(2);俄罗斯(3)
3 2020-05-10 外媒：世卫组织要求各国重新排查新冠疑似病例 3 美国(6);意大利(4);俄罗斯(5)
4 2020-02-06 “疫情吹哨人”李文亮去世 2 美国(3);英国(6)
5 2020-02-11 WHO“新型冠状病毒全球研究与创新论坛”在瑞士日内瓦开幕,正式命名新冠病毒为“COVID-19” 2 美国(2);意大利(10)
6 2020-02-23 研究：新冠始发地非华南海鲜市场,11月下旬或已人传人 2 美国(10);俄罗斯(6)
7 2020-03-13 中韩成立应对新冠肺炎疫情联防联控合作机制并举行首次视频会议 2 意大利(7);俄罗斯(10)
8 2020-03-21 习近平就法国、德国、西班牙、塞尔维亚发生新冠肺炎疫情分别向四国领导人致电慰问 2 英国(5);俄罗斯(8)
9 2020-05-11 俄罗斯新冠确诊超22万人,成全球新冠确诊数第三高国家 2 意大利(5);俄罗斯(1)
从图10和表1中可以发现,对四国有影响的重要事件具有共性。如2020年1月25日的“中国河南、辽宁等8个省（区、市）启动重大突发公共卫生事件一级响应”、3月21日的“习近平就法国、德国、西班牙、塞尔维亚发生新冠肺炎疫情分别向四国领导人致电慰问”等。观察其事件主题,发现事件影响值的变化受到当日全球疫情实况、国家外交政策和防疫举措、世界卫生组织（WHO）等官方机构发言等显著影响。如2020年1月30日的“WHO将疫情列入国际关注的突发公共卫生事件（PHEIC）”举措,在美国影响值中排名第7。2020年3月2日,世卫组织总干事谭德塞强调“污名化”比病毒本身更可怕,呼吁各国人民团结一致共抗疫情。世卫组织作为国际上最大的政府间卫生组织,每一次的表态和判断都成为了国内外舆论的风向标,进一步影响了国际关系。另外,一些创新性的、新的肺炎病毒研究成果的问世,如2020年 2月23日的“新冠始发地非华南海鲜市场,11月下旬或已人传人”等明显不同于已有认知或加深认知的,也会对“全球-中国”的国际关系变化产生较大的影响。
此外,事件对国际关系的影响因国家和事件性质不同而具有差异性。即使是共现2次及以上的同一个事件,对不同的国家影响值和影响程度也不同。如2020年2月6日“疫情吹哨人李文亮去世”事件,在对美国影响的事件中排序第3,远大于排序第6的英国。参考图4可进一步发现对“美国-中国”的冲突关系影响较大,结合这一时期美国媒体欲借李文亮医生病逝事件抨击中国国家体制和社会治理,可以发现事件用于对国际关系的变化究因是合理的。2020年2月11日的WHO举办“新型冠状病毒全球研究与创新论坛”大会和正式命名新冠病毒为“COVID-19”事件,在美国的事件影响值中高达第2,而在意大利的事件影响值中仅为第10,在英国和俄罗斯中都未进入影响值前10。围绕着新冠病毒的来源、名称,中美外交部门一度陷入“病毒起源论战”。网络上充斥着中国的负面消息,一些曾鼓吹自身价值中立的美国媒体在疫情之下突然转变成了国家的对外政治工具,这是符合国际实际的。2020年5月11日的“俄罗斯新冠确诊超22万人,成全球新冠确诊数第三高国家”事件,在俄罗斯的事件影响值中排名居于第1。俄罗斯从前期的“防疫典范”国成为了全球疫情的主角之一。
四国排名前10内的事件中,除表1列出的共现次数2次以上的事件外,其余事件虽然只出现一次,但在内容或主题上也具有针对性。如2020年1月31日的“美国宣布公共卫生紧急状态,拒绝近期到过中国的非美国公民入境”事件,在美国影响值中排名第8;2020年4月14日的“东盟与中日韩（10+3）抗击新冠肺炎疫情领导人特别会议以视频方式举行”事件,在事件对俄罗斯的影响值中排名第9。俄罗斯作为东盟的十个对话伙伴之一,与东盟建立了全面合作伙伴关系,加强了双方的民间来往和交流。同时,俄媒认为中俄面临相似发展困境,需进一步加强合作。

6 结论与展望

本文基于GDELT新闻事件数据库,获取2020年1月1日至5月31日的全球疫情相关新闻数据,立足于“全球-中国”的视角,研究新冠疫情事件背景下全球对中国的国际关系变化,力图为大数据时代下国际关系的分析和区域发展策略规划提供一些参考。基于新闻数据库,本文提出了国际关系的表达和计算模型,实现了国际关系的精确计算和程度分类。并从时空特征和事件因素2个角度,进一步对疫情下国际关系的变化特征和原因进行分析阐述,主要得到以下结论：
（1）新冠疫情事件下,国际关注度较高的有美国、英国、澳大利亚、意大利和俄罗斯等11个国家。
（2）新冠疫情事件下,“全球-中国”国际关系合作类和冲突类均有变化,但变化各有不同。一开始全球合作类密度高于冲突类,后续出现了合作类由降反升、冲突类由升至降的迂回情况,这与疫情下国际媒体对中国的“肯定—否定—肯定”的舆情态势相关。
（3）报道量和疫情确诊病例都较高的4个国家中（美国、英国、意大利和俄罗斯）,国际关系冲突值波动幅度远大于合作值。意大利和俄罗斯的国际关系变化波动程度高于美国和英国。
（4）随疫情在全球多点暴发,全球疫情关注度持续走强。“全球-中国”国际关系合作值略有下降,冲突值明显增加,总体水平上保持在合作类的普通到良好、冲突类的不和到紧张的相对应程度,且高合作值和高冲突值在同一地区往往相伴随出现。
（5）引发国际关系变化的事件类型多样。但特定主题会对国际关系变化产生较大影响,如全球疫情实况、国家外交政策和防疫举措、国际官方机构发言、疫情研究成果等。
（6）新冠疫情下,“全球-中国”国际关系不稳定性和不确定性增多,经历了多重复杂变化过程。可以看到,5月以来整个全球对中国的国际关系环境朝着合作增多的趋势发展,这说明中国在疫情中践行的“人类命运共同体”理念占据了全球抗疫斗争的制高点,开始获得了越来越多国家的支持和认同。疫情扭转了部分外界对中国曾有的极端认识,并创造了重塑与他国关系的机遇。但在国际形势转好的同时,中国也不能掉以轻心,重“表面合作”而忽视国家间根深蒂固的深层矛盾。总体而言,中国最为关键的仍是坚持做强自身,并注意国际新闻舆论的重要性,积极支持联合国、世界卫生组织等第三方国际机制发挥公正引导作用。
此外,本文重在从时空角度和事件因素2个方面探索新冠疫情下“全球-中国”的线状国际关系,后续考虑继续对全球国际关系网络的研究。同时利用多尺度的时空分析方法,从不同时间范围、不同空间尺度上通过空间交互网络展示国际关系的变化特征,实现国际关系的实时变化分析和预测,为国际关系的研究提供新的思路和技术手段。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
孙进己. 历史上国际关系的几种基本模式[C]. 中国中外关系史学会会员代表大会, 2005: 19-22.

[ Sun J J. Several basic models of international relations in history[C]. Membership Congress of the Chinese Society for Historians of China's foreign Relations, 2005: 19-22. ]

[2]
郭锐, 王箫轲. 奥巴马政府对朝政策评估及其走向[J]. 美国问题研究, 2010(1): 150-164, 208, 210.

[ Guo R, Wang X K. Evaluation and trend of the Obama Administration's North Korea policy[J]. Fudan American Review, 2010(1): 150-164, 208, 210.]

[3]
郭锐, 凌胜利. 民族主义与韩国外交政策[J]. 世界经济与政治论坛, 2010(3):150-159.

[ Guo R, Lin S L. Nationalism and South Korea's foreign policy[J]. Forum of World Economics and Politics, 2010(3):150-159. ]

[4]
Sundberg R, Melander E. Introducing the UCDP georeferenced event dataset[J]. Journal of Peace Research, 2013,50(4):523-532.

DOI

[5]
McClelland C. A World event/interaction survey codebook[M]. Ann Arbor: Inter-University Consortium for Political and Social Research, 1976.

[6]
Schrodt P A, Davis S G, Weddle J L. Political Science: KEDS: A program for the machine coding of event data[J]. Social Science Computer Review, 1994,12(4):561-587.

DOI

[7]
李少军. "冲突—合作模型"与中美关系的量化分析[J]. 世界经济与政治, 2002(4):43-49.

[ Li S J. "Conflict-Cooperation Model" and quantitative analysis of Sino-US relations[J]. World Economics and Politics, 2002(4):43-49. ]

[8]
阎学通, 周方银. 国家双边关系的定量衡量[J]. 中国社会科学, 2004(6):90-103,206.

[ Yan X T, Zhou F Y. A quantitative measurement of international Bi-lateral political relations[J]. Social Sciences in China, 2004(6):90-103,206. ]

[9]
Abb P, Strüver G. Regional linkages and global policy alignment: The case of China-Southeast Asia relations[J]. Issues and studies, 2015,51(4):83.

[10]
Davis C L, Meunier S. Business as usual? Economic responses to political tensions[J]. American Journal of Political Science, 2011,55(3):628-646.

DOI

[11]
Davis C, Fuchs A, Johnson K. State control and the effects of foreign relations on bilateral trade[J]. Working Papers, 2014,98(3):033526.

[12]
方鹏. 基于Django的海量媒体数据分析平台的设计与实现[D]. 南宁:广西大学, 2017.

[ Fang P. The design and implementation of massive media data analysis platform based on Django[D]. Nanning: Guangxi University, 2017. ]

[13]
Bi S, Gao J, Wang Y, et al. A contrast of the degree of activity among the three major powers, USA, China, and Russia: Insights from media reports [C]// International Conference on Behavioral, Economic and Socio-cultural Computing (BESC). IEEE, 2015: 38-42.

[14]
秦昆, 罗萍, 姚博睿. GDELT数据网络化挖掘与国际关系分析[J]. 地球信息科学学报, 2019,21(1):14-24.

DOI

[ Qin K, Luo P, Yao B R. Networked mining of GDELT and international relations analysis[J]. Journal of Geo-information Science, 2019,21(1):14-24. ]

[15]
Alikhani E. Computational social analysis: Social unrest prediction using textual analysis of news[M]. New York: State University of New York at Binghamton, 2014.

[16]
Qiao F C, Li P, Zhang X, et al. Predicting social unrest events with hidden markov models using GDELT[J]. Discrete Dynamics in Nature and Society, 2017,2017:1-13.

[17]
Keneshloo Y, Cadena J, Korkmaz G, et al. Detecting and forecasting domestic political crises: A graph-based approach [C]// ACM Conference, ACM, 2014: 192-196.

[18]
Qiao F C, Wang H . Computational approach to detecting and predicting occupy protest events [C]// International Conference on Identification, Information, and Knowledge in the Internet of Things, IEEE, 2015: 94-97.

[19]
池志培, 侯娜. 大数据与双边关系的量化研究:以GDELT与中美关系为例[J]. 国际政治科学, 2019(2):67-88.

[ Chi Z P, Hou N. Quantitative research on big data and bilateral relationship: Taking GDELT and Sino-US relationship as an example[J]. Quarterly Journal of International Politics, 2019(2):67-88. ]

[20]
储昭根. 竞合主义:国际关系理论的新探索[J]. 太平洋学报, 2015,23(8):43-52.

[ Chu Z G. Co-opetitionism: A new approach to the IR Theories[J]. Pacific Journal, 2015,23(8):43-52. ]

[21]
Plutchik R. A general psychoevolutionary theory of emotion[M]. New York: Academic Press, 1980.

[22]
Ma M, Fang P, Gao J, et al. Does ideology affect the tone of international news coverage? [C]// International Conference on Behavioral, Economic, Socio-cultural Computing (BESC), 2017: 1-5.

Options
文章导航

/

〈 〉