2019年12月，武汉出现多起病毒性肺炎病例，2020年1月30日世界卫生组织宣布，将新冠肺炎疫情列为国际关注的突发公共卫生事件（PHEIC）^{[1, 2]}。突发公共卫生事件因其突发性、危害性、传播的广泛性及空间分布差异性等特点，一经爆发会迅速引起人们的关注，例如2003年的SARS非典^[3]。当今信息时代，互联网成为人们获取信息的重要渠道，而网络数据容易获取且数据量大，为公共卫生技术发展、传染性疾病的监测预警等提供了新途径^[4]。网络关注度是指基于需求的主动搜索行为，反映人们对某些热点的关注程度，本文通过百度上有关疫情的网络实时搜索数据，来表征人们对这一突发公共卫生事件的关注度。

对于网络关注度的研究主要有Google趋势和百度指数两方面^[5]。国外学者多利用Google趋势数据进行分析，如调查宗教活动与流感爆发之间的相关性^[6]、检验环境问题与经济增长之间的关系^[7]以及预测旅游需求等各个研究领域的不同问题^[8]。国内学者多通过百度指数来获取数据^{[9, 10]}，研究尺度上，主要在全国尺度^[5]、省域尺度^[11]和市域尺度^[12]等尺度上开展研究；研究内容上，主要有游客满意度网络关注度的分析^[5]、景区网络关注度的探讨^[13]以及地区之间信息联系强度^{[10, 11]}等不同的研究内容。新冠肺炎疫情的爆发，引起了人们的高度关注，在网络上搜索量激增，相关研究也在迅速增加。就目前而言，国外学者对新冠肺炎疫情的研究成果多涉及医学、病毒学等领域^{[14, 15]}。国内学者在各领域对新冠肺炎疫情的研究成果较丰富，地理学者在研究内容上多是基于疫情实时数据，进行疫情风险评估^[16]、疫情时空扩散特征分析^[17]及疫情对我国城市^[18]、经济^[19]、旅游业发展^[20]等方面产生的影响和制定防控对策等^[16]研究。

可见，国内学者对新冠肺炎疫情的研究领域较国外学者宽泛，为抗击疫情提供了大量的科学依据，但基于公众视角对疫情关注度的研究相对较少。习近平总书记指出：“人民群众是疫情防控的主体”。随着疫情的持续发酵，网上资讯成为人们获取疫情信息的主要途径，且在不同时段，人们对疫情的关注度是不断变化的。基于网络搜索的疫情关注度在时间和空间上的演变态势，能更好地反映出人民群众在疫情发生期间的认知需求变化，对疫情防控具有重要作用。基于此，本文以中国大陆31个省（自治区、直辖市）作为研究单元，通过空间自相关对2020年1月16日—2月26日为期6周疫情网络关注度的时空演变特征进行分析；引入空间变差函数，探究其空间分异的演变机理；并采用地理探测器探析其时空演变的影响因素。利用地理学专业优势，旨在从时间和空间尺度揭示中国大陆31个省（自治区、直辖市）居民对疫情网络关注度的时空演变特征，使政府在时间和空间上科学准确地把握我国各省（自治区、直辖市）的居民对疫情的关注度，厘清疫情的网络关注度在各方向上变化的空间差异及发展趋势，并进一步对影响因素进行分析，针对东、中、西部地区的主要影响因素，为制定科学化、合理化与差异化的防控对策提供实证参考，也为政府继续加强舆情治理工作以及今后重大突发公共卫生事件的舆情应对和管控提供科学借鉴。

1 数据来源与研究方法 1.1 数据来源

网络关注度依托百度指数这一数据平台，以网民在百度搜索引擎中的关键词搜索量为基础，科学计算各关键词的搜索频次^[21]。百度是全球最大的中文搜索引擎，相对其他搜索引擎来讲，其超过千亿的中文网页数据库，基本上可涵盖网民的基本搜索内容，是衡量网民搜索量的重要途经。本文网络关注度的数据源于百度指数的趋势研究模块^①。其中，检索关键词的设置理由为：截止2020年1月23日即武汉“封城日”，百度指数上已收录的有关疫情的关键词主要有“病毒性肺炎”、“新型冠状病毒”、“新型冠状病毒的特征”、“新型冠状病毒肺炎”、“病毒性肺炎最新消息”、“新型冠状病毒肺炎症状”、“武汉疫情”、“新型冠状病毒最新消息”，这8个关键词基本上涵盖了武汉封城之前，网络上能搜索到的有关疫情的所有关键词，利用站长工具进一步检验8个关键词的搜索量均位于搜索前列，具有较强的代表性^[22]。检索时间的设置理由为：百度指数上最早收录有关新冠肺炎疫情的关键词为“病毒性肺炎”，时间为2019年12月31日；其次为“新型冠状病毒”，时间为2020年1月9日；余下6个关键词的收录时间皆在2020年1月16日以后。若以百度指数上最早收录疫情相关关键词的时间作为研究起点，则初期能够检索的关键词仅为1至2个，其代表性较弱，基于此，以武汉封城前1周（1月16日—1月22日）作为初始研究周期。2020年2月23日即武汉封城一个月后，各省（自治区、直辖市）当日新增确诊病例基本为0，进入相对平息期，基于此，以武汉封城后1个月的5个整周（1月23日—2月26日）作为余下研究周期。具体检索时间设置为2020年1月16日—1月22日、1月23日—1月29日、1月30日—2月5日、2月6日—2月12日、2月13日—2月19日、2月20日—2月26日。最终获得了8个关键词自2020年1月16日至2020年2月26日共计六周的关键词搜索量，作为研究的基础数据。此外，本文的研究数据还源于各省市区《2019年国民经济和社会发展统计公报》、《2019年中国统计年鉴》、百度地图官网^②、新冠肺炎实时疫情追踪网站^③以及百度地图迁徙大数据网站^④。

1.2 研究方法 1.2.1 全局空间自相关

空间自相关是衡量地理要素在空间上是否存在关联性的一种方法^[23]。全局空间自相关是分析地理要素观测值在整体研究区上的空间特征^[24]。本文利用Moran's I值对疫情网络关注度的全局空间演变特征进行分析，选取Rook contiguity准则构建空间权重矩阵，其公式为：

(1)

其中，Moran's I值的显著性能通过Z得分来检验：

(2)

式（1）中，，n为研究区数量，x_i、x_j分别为第i个和第j个研究区的观测值，W_ij为空间权重矩阵。全局Moran's I的取值范围为[-1, 1]，在通过显著性检验的前提下，I > 0表示空间正相关性，空间分布格局为集聚态势；I < 0表示空间负相关性，空间分布格局为分散态势；I = 0表示不存在空间相关性，空间分布格局为随机态势^[25]。式（2）中，E(I) 为期望指数，Var(I) 为方差，若Z < -1.65或Z > 1.65时，表示通过显著性检验，空间分布具有相关性^[24]。

1.2.2 局部空间自相关

局部空间自相关是分析地理要素观测值在局部研究区上空间分布的异质性^[23]。选取Getis-Ord G_i^* 指数，通过地理要素空间冷热点的区域变化来分析疫情网络关注度的局部空间演变特征，其公式为：

(3)

式中，n为研究区数量，W_ij为空间权重矩阵，X_j为研究区j的观测值。在通过显著性检验的前提下，若G_i^* 为正，则为高值集聚区，即热点区；若G_i^* 为负，则为低值集聚区，即冷点区^[25]。

1.2.3 空间变差函数

空间变差函数是描述地理要素空间变异规律以及空间结构特征的函数，用于测度区域化变量的空间变异格局，即空间变异程度随距离变化的特征^{[26, 27]}，其公式为：

(4)

式中，Z(x_i) 和Z(x_i+h) 分别为Z(x) 在空间位置x_i和x_i+h上的观测值，N(h) 为间距h的样本量。在空间变差函数中，距离和方向是方差拟合的主要特征，表征参数为块金值(C₀)、结构方差(C)、基台值(C₀+C)、块金系数(C₀ (C₀ + C))、变程(A) 和分维数(D)。其中，C₀为变量在小于观测尺度时的非连续变异，其值大小表征变化幅度的大小；C为空间自相关引起的变异程度；C₀+C为变量随着间距增加出现的平稳值；C₀ (C₀+C) 为变量的变异特征，其值越小，说明变异多由结构性因素引起，空间相关性越强；A为r(h) 到达基台值的间距，即变量在空间上存在相关性的范围；D的大小由r(h) 与间距h决定^{[28, 29]}，公式为：

(5)

式中，D为空间变差函数的曲率，表征空间变异强度，其值越接近2，说明由空间自相关引起的空间异质性越高，说明空间分布越均衡^[29]。

1.2.4 地理探测器

地理探测器则是探测空间分异性的一种统计学方法，且对共线性问题具有免疫作用。因子探测的基本原理为：影响因变量Y的自变量X在空间分布上存在差异性，若某一自变量X和因变量Y在空间上具有显著一致性，表明这一自变量对因变量的影响作用大^{[30, 31]}。选用因子探测分析各因子对新冠肺炎疫情网络关注度时空演变的影响强度，其公式为：

(6)

(7)

式中，q为探测值；h = 1，2，…，l为自变量X的分区；N_h和N分别为h区和全区的单元数；σ_h²和σ²分别是h区和全区因变量Y值的方差；SSW为层内方差之和，SST为全区总方差。q的取值范围为[0, 1]，数值越大，表示自变量对因变量的影响力越强，反之则越弱^[30-32]。

2 新冠肺炎疫情网络关注度的时空演变特征分析 2.1 时序演变特征分析

依据百度指数的搜索统计量，得到新冠肺炎疫情网络关注度的时序演变图（图 1、图 2）。如图 1所示，我国东部、中部和西部地区以及全国范围内的新冠肺炎疫情网络关注度均呈先升后降的“倒V型”演变趋势。第一周时全国以及东部、中部和西部地区的搜索统计量最小，人们对疫情的关注度较低；第二周人们对疫情的关注度急速升高；随后人们对疫情的关注度又逐渐降低。同时六个周内东部地区的搜索统计量高于中部和西部地区，而中、西部地区搜索量的差距则相对较小。

由图 2可知，31个省（自治区、直辖市）在六周内的搜索统计量存在明显差异，各省（自治区、直辖市）在第一周的关键词搜索统计量较小，是新冠肺炎疫情网络关注度的低峰期，第二周至第六周关键词的搜索量呈先增大后减小的趋势，尤以第二周的搜索量最大，是疫情网络关注度的高峰期。其中，六周内东部地区的广东省搜索统计总量为最高值，山东省次之，江苏省位列第三，但山东省在第二周内的搜索量高于广东省，此外河北省、浙江省和北京市的搜索量也较高；河南省、湖北省、安徽省和湖南省六周的搜索统计量位于中部地区的前列，河南省第一周至第六周的搜索统计量均高于其它省份，且搜索量与湖北省相差不大；四川省六周的搜索量明显高于西部地区其它省份。2020年1月20日国家领导人对新冠肺炎疫情作出重要指示，同日钟南山院士在央视发声，1月23日武汉宣布“封城”，这些抗疫行动提升了全国人民对疫情的关注度。

2.2 空间演变特征分析 2.2.1 全局空间相关性

运用GeoDa软件计算新冠肺炎疫情网络关注度的全局Moran′s I值（表 1）。由表 1可知，六周的全局Moran′s I值均为正，且通过了1%的显著性检验，表明疫情网络关注度存在显著的空间正相关性，空间分布上呈集聚态势，具体表现为高（低）关注度地区在空间上趋于邻近。从演变趋势看，第一周至第二周全局Moran′s I值增大，疫情网络关注度的空间集聚效应增强，空间分布差异显著；第二周至第六周全局Moran′s I值不断减小，空间集聚效应逐渐减弱，空间分布差异渐趋均衡。

2.2.2 局部空间相关性

为揭示新冠肺炎疫情高（低）关注度地区的集聚效应，通过GeoDa软件计算得到G_i^* 值，利用Jenks自然断裂法将G_i^* 值由高到低划分为四类，并绘制可视化图（图 3）。如图 3所示，整体上我国新冠肺炎疫情网络关注度存在显著的空间分异特征，冷热点区呈明显的以“胡焕庸线”为界的空间分布格局，热点区多位于胡焕庸线以东的地区，冷点区多位于胡焕庸线以西的地区。其中，热点和次热点区呈“三纵一横”的“卅字型”空间格局：“三纵”为京沪线、京九线、京广线三条纵向铁路干线沿途的北京、河北、河南、山东、上海、湖北、湖南、广东等地区，“一横”为长江经济带沿线的江苏、浙江、安徽、湖北、湖南、四川等地区；冷点和次冷点区多集中在新疆、西藏以及青海等地区。从空间演变格局看，热点和次热点区在空间范围上未产生明显的空间跃迁，第二周热点区的空间范围最大，表明疫情高关注度地区的空间集聚效应在第二周最强；冷点和次冷点区的空间范围呈先缩小后平稳演变的趋势，第一周冷点区的空间范围最大，第二周至第六周整体变幅较小，呈较为稳定的空间演变特征。值得注意的是，北京和上海由第一、二周的热点区演变为第三周的次热点区，上海更是继续演变为次冷点区，北京和上海对疫情关注度的空间集聚效应逐渐减弱；这主要由于北京和上海是我国主要的人口净流入地，而春节期间人口净迁出规模大，新冠肺炎疫情关键词搜索量的网民基数缩小，使其关注的热度减退。

2.3 空间分异的演变机理分析

引用空间变差函数进一步分析新冠肺炎疫情网络关注度空间分异的演变机理，将关键词搜索量的加权和作为地理变量，并赋值各省会城市的空间中心点，利用GS+软件计算空间变差函数的表征参数。运用高斯模型、线性模型、指数模型和球体模型中拟合度最高的模型对数据进行估计（表 2），并测算各周在不同方向上的分维数（表 3），然后对数据进行Kriging插值（图 4）^[29]。

由表 2可知，第一周至第六周，块金值和基台值虽有小幅波动，但整体呈下降趋势，块金系数先增后减，表明新冠肺炎疫情网络关注度的空间差异不断缩小，由随机因素引起的空间分异逐渐减弱，而由结构性因素引起的空间分异逐渐增强，空间关联特征渐趋显著；变程由第一周的13.750 km升至第六周的15.050 km，呈波动上升趋势，表明疫情的网络关注度由结构性因素引起的空间相关性作用范围扩大，受核心区的影响力增强，存在明显的溢出效应；六周的最优拟合模型皆为高斯模型，决定系数先增后减，表明疫情网络关注度的空间结构特征相似，空间自组织性逐渐增强后又渐趋减弱。

由表 3可知，第一周至第六周，全方向的分维数先减小后增大，越来越接近均质分布的理想值2，表明新冠肺炎疫情网络关注度空间差异先变大后又逐渐减小，全方向上空间差异的均质性较高，步长不变，更多的空间差异体现在局部微观层面。从不同方向的分维数看，南—北方向上分维数始终保持在1.850以上，决定系数最小，且呈波动下降趋势，表明疫情的网络关注度在此方向上的空间差异逐渐缩小，均质化水平较高，其中，此方向上第二周时的空间差异最小；东—西方向上分维数拟合的决定系数逐渐减小，第二周至第六周分维数偏离均质分布的理想值最大，表明疫情网络关注度在此方向上的空间差异最为显著，但分维数逐渐增大，表示空间分异程度存在缩小的趋势；东北—西南方向上分维数在第一周最小，总体呈“波浪式”上升的趋势，表明此方向上第一周时的疫情网络关注度空间差异最为显著，随后其空间差异由缩小转为增大后又渐趋缩小；东南—西北方向上分维数先减后增，表明疫情网络关注度在此方向上的空间差异逐渐缩小。

Kriging插值拟合图反映了新冠肺炎疫情网络关注度的空间分布形态及其内在空间结构的演变过程。由图 4所示，六周内，新冠肺炎疫情网络关注度整体上呈“东高西低”阶梯状的空间分布形态，东部地区高高隆起，形成一座同心圆式的“金字塔”形状。从空间结构演变过程看，我国东部、中部的华中、华东和华南等地区主要为高值集聚区，其分布范围总体变幅不大，华中地区一直为同心圆的圆心并逐步向外扩散；西部地区为低值集聚区，其空间分布范围经历了先缩小再稍有扩大的较平稳的演进历程；空间分异具有明显的由内向外扩散的层次性特征，东—西方向始终为空间分布形态最显著的方向。

3 新冠肺炎疫情网络关注度时空演变的影响因素 3.1 指标体系构建

结合新冠肺炎疫情的实际情况，并参考已有研究成果^{[5, 33, 34]}，构建疫情网络关注度时空演变的影响因素指标体系，见表 4。指标选取依据：①经济水平决定了居民的购买能力和生活质量，经济水平高的地区，网民的普及率较高，是进行网上搜索的基本保障。②城市化水平是衡量地区社会发展进步的重要标志，城市化率高的地区，通讯基础设施相对完善，网络建设水平高。③人口密集地区带来的规模效应使得疫情信息传播速度加快，能促使居民上网搜索更多的信息。④人口基数是网络搜索量的基础之一，而15—64岁年龄段的人口是我国互联网用户的主要群体，在一定程度上可以代表该地区网上搜索的行为主体。⑤受教育程度在一定程度上能够反映出该地区的人口素质，而高等学校的学生捕捉热门话题和搜索新鲜事物的能力较强，能够合理地使用网络平台，更加便捷地获取和分享疫情信息。⑥网络普及率由互联网宽带接入用户数与移动互联网用户数之和占总户数的比重来表示，疫情信息通过网络不断进行传递、扩散，网络普及率高的地区，能快速的搜索和接收疫情的信息动态。⑦国家卫健委每日发布的感染新冠病毒的确诊人数会直接影响人们对疫情的关注度。⑧新冠肺炎疫情传播路径以百度地图迁徙大数据中迁入来源地的日均迁徙规模指数来表征，百度迁徙数据是通过迁徙人员的手机定位进行统计的，准确度和可信度较高^[35]。⑨新闻媒体宣传力度选用百度指数中资讯关注模块的数据来表征，其数据来源、计算方法与搜索指数无直接关系。新闻媒体对疫情信息的关注和报道越多，越会增加公众对疫情的搜索量。⑩地理区位依据百度地图筛选的各省会城市到达武汉的最短陆路交通时间来表征，武汉是我国新冠肺炎疫情爆发的中心，距武汉近的地区易受到疫情的波及和影响，故推测疫情的关注度也较高。

3.2 因子探测结果分析

首先利用自然断裂点法将各探测因子的空间分布划分为6个等级，再引用地理探测器的因子探测分析各因子的影响力，同时将通过1%、5%和10%显著性检验的因子依据q值大小分别划分为核心影响因素、重要影响因素和一般影响因素^[32]，具体探测结果见表 5和表 6。

3.2.1 时序演变的影响因素分析

在对时序演变的影响因素进行分析时，以每个周的搜索统计量和六周的搜索统计总量为因变量。由表 5可知，第一周至第六周新闻媒体宣传力度和人口密集程度均通过1% 的显著性检验，为核心影响因素；自疫情全面爆发以来，媒体的报道也进入白热化阶段，通过新闻媒体的报道，人们会利用网络快速的搜索更多的疫情信息；人口密集程度的强显著性也证实人口密度是上述分析中网络关注度呈“胡焕庸线”空间格局的核心影响因素。

具体从各探测因子的影响强度看，不同时间各因子强度不同。对通过显著性检验的因子排序后发现，第一周至第六周，新闻媒体宣传力度的q值最大，对疫情网络关注度时序演变的影响作用强。新冠肺炎疫情传播路径的q值在第二周升至0.773后降至第三周的0.544，第四周又回升至0.738，而后两周稍有下降，总体波动幅度较大；第二周正值我国春节返乡潮，人口空间迁徙规模大，影响作用强，随后受疫情影响，我国2020年春节假期延长，多地复工日推迟至元宵节前后，致使第三周的p值未通过显著性检验，而第四周因复工潮的出现，人口迁徙规模指数回升，其影响力有所增强。新冠肺炎实时疫情的q值在第二周达到最大值0.673，成为核心影响因素，而p值在第一、六周未通过显著性检验；第一周为疫情爆发的萌芽期，确诊人数相对较少，第六周各地每日确诊人数开始出现零增长，其影响力降低。地理区位的q值持续减小，由重要影响因素转变为一般影响因素，表明疫情的关注度由最开始的湖北武汉周边地区的高关注度逐渐转为全国人们的普遍关注，地理位置邻近的影响作用逐渐减弱。

3.2.2 空间演变的影响因素分析

在对空间演变的影响因素进行分析时，以全国及东部、中部和西部各地区六周的搜索统计总量为因变量。由表 6可知，各探测因子的影响力在空间上存在显著的异质性。全国层面上，新闻媒体宣传力度、人口密集程度、新冠肺炎疫情传播路径为核心影响因素；新冠肺炎实时疫情为重要影响因素；地理区位为一般影响因素。

东部地区的疫情传播路径为重要影响因素，人口密集程度为一般影响因素；我国东部地区人口迁徙规模较大，高频次的人口迁徙使人们在前往某地时对当地疫情信息的搜索量增加，同时东部地区的人口密集程度高，高密度的人口分布使疫情信息的传播速度快，网络搜索量大，表明相较于新闻媒体宣传力度、新冠肺炎实时疫情和地理区位，疫情传播路径和人口密度对东部地区疫情关注度空间分异的影响力更强。中部地区的新闻媒体宣传力度为核心影响因素，地理区位为一般影响因素；我国中部地区虽人口迁徙规模和人口密度较东部地区低，但地理位置上距离武汉较近，表明疫情传播路径、人口密度和确诊人数对中部地区疫情关注度空间分异的影响力作用不显著，而其地理距离却增强了人们对疫情的关注度。西部地区仅新闻媒体宣传力度通过显著性检验，表明西部地区疫情网络关注度空间分异的影响条件较少，新闻媒体宣传力度是其核心影响因素；我国西部地区人口迁徙规模和人口密度均较低，确诊人数较少，地理位置上距离武汉也较远，表明这些因素对西部地区疫情关注度的影响作用不显著，而新闻媒体的宣传报道的影响作用大。

4 结论与讨论 4.1 结论

新冠肺炎疫情的爆发，引起了人们的广泛关注，本文借助百度实时搜索数据，采取空间自相关和空间变差函数分析疫情网络关注度的时空演变特征与空间分异机理，并运用地理探测器探析其时空演变的影响因素，主要结论为：

（1）第一周至第六周，全国范围内新冠肺炎疫情的网络关注度均呈先升后降的“倒V型”演变趋势；2020年1月23日，武汉宣布“封城”是提升公众对疫情关注度的重要时间转折点。

（2）新冠肺炎疫情网络关注度存在显著的空间正相关性，第一周至第二周疫情关注度的空间集聚效应增强，空间分布差异显著；第二周至第六周空间集聚效应逐渐减弱，空间分布差异渐趋均衡；局部冷热点的分布呈现以“胡焕庸线”为界的东西差异显著的空间格局。

（3）新冠肺炎疫情的网络关注度由随机因素引起的空间分异逐渐减弱，而由结构性因素引起的空间分异逐渐增强；整体上呈“东高西低”阶梯状的空间分布形态，东部地区高高隆起，形成以华中地区为同心圆的“金字塔”形状，空间分异存在由内向外扩散的层次性特征，东—西方向为扩散最显著的方向。

（4）时序演变上，第一周至第六周新闻媒体宣传力度和人口密度为核心影响因素；新冠肺炎疫情传播路径在第二周、第四周和第五周的影响增强；新冠肺炎实时疫情在第二周的影响最大；地理区位的影响则逐渐减弱。空间演变上，新闻媒体宣传力度、人口密度、新冠肺炎疫情传播路径为网络关注度时空演变的核心影响因素；新冠肺炎实时疫情为重要影响因素；地理区位为一般影响因素。其中，新冠肺炎疫情传播路径和人口密度对东部地区的影响较大；媒体宣传和地理区位对中部地区的影响较大；西部地区则受媒体宣传的影响较大。

4.2 讨论

2020年1月，我国新冠肺炎疫情以武汉为中心全面爆发，习近平总书记高度重视，各级党委和政府，带领人民投入到抗疫工作中，虽疫情得到有效控制，但专家提醒外防输入、内防反弹的任务依然严峻，东北三省、北京、新疆和河北等地区疫情的多点散发，也警示我们应增强防范意识。因此，本文分析居民在网络上对疫情关注度的时空演变特征和影响因素，为突发公共卫生事件的舆情应对和管控等工作，具有一定的现实意义。在研究方法上，引入探索性空间分析法和空间变差函数，旨在揭示居民对疫情网络关注度的时空演变特征和空间分异机理，厘清疫情的网络关注度在各方向上变化的空间差异及发展趋势，以期使分析结果更具说服力和科学性。在影响因素的指标体系构建上，尝试结合疫情实际情况，将新冠肺炎实时疫情、疫情传播路径等纳入指标体系中，从时间和空间视角剖析新冠肺炎疫情网络关注度的影响因素，针对疫情爆发关键期内各影响因素在时空上的变化，能够制定出更合理化与差异化的防控对策。

本文以我国省域为研究单元，虽能够明确我国新冠肺炎疫情网络关注度的时空演变特征，但研究尺度有待进一步拓展，今后应针对疫情风险较高的市域或县域进行更详尽、更微观的分析，结合地理空间分析技术，在时间和空间上准确地把握高风险地区人们对疫情的关注程度，从而提出更具针对性、更全面、更深入的舆情治理对策，为丰富舆情应对和疫情管控的研究内容提供理论指导。此外，随着国外新冠肺炎疫情的持续恶化，国外的广大民众对新冠肺炎疫情的关注程度如何，也是将来研究的重要方向。

注释：

①http://index.baidu.com/v2/index.html#/。

②https://map.baidu.com。

③https://www.360kuai.com/mob/subject/400?sign=360_6aa05217。

④https://qianxi.baidu.com/。