语言应用

《北京晚报》高频词与语言的社会制约因素

来源：北京语言文字工作协会 | 发布时间：2017-01-06 16:12:27 | 浏览次数：

本文和《<北京晚报>高频用字与社会语言生活》是姊妹篇，运用的语料是完全一样的。需要特别说明的是，本次统计区分词性，即一个词在语料中出现了两种及以上词性时，词种数按照词性来计数。例如“报告”，在语料中既作名词，又作动词，那就应该将“报告”算作两个词种，分别统计词频。周有光曾将90%的覆盖率作为高频的界限，参照此，本次统计中将词覆盖率达到90%的所有词称为高频词。

一、高频词的统计与分析
1.基本情况

表1：2011-2014年度高频词词种数比较

年度	高频词种数	比例
2011年	10342	27.92％
2012年	10707	19.09％
2013年	10147	19.8％
2014年	8745	30.17％
全部语料	11683	14.76％

从表1，可以看出2011-2013年度的高频词种数量差不多都在10000词左右，2014年只有不到9000个高频词种，这是因为2014年只统计了前三个月，总词种数还不到30000个词。总的来说，《北京晚报》这几年的高频词数量比较稳定。

2.高频词用字统计

在11683个高频词中，排除掉阿拉伯数字，共使用汉字21863字次，计2764个字种，占全部字种数的49.12%。平均每个词由1.87个汉字构成，每个汉字平均使用7.91次。

表2：高频词用字分布

构词数	≥100	99-80	79-50	20-49	19-10	9-3	2	1	字种数
字数	6	3	40	230	375	961	418	731	2764
比例	0.22%	0.11%	1.45%	8.32%	13.57%	34.77%	15.12%	26.45%	100%

表2是2764个字种在高频词中的构词情况，构成100及以上个高频词的字种有6个，分别为“年、人、大、不、一、子”，在下面会有对它们具体的分析。构词数在2个以内的字种高达41.57%，其中只构成1个词的字种有731个，占字种数的26.45％，而这些字种在字区分布上主要处于低频区或靠近低频区的中频区，如“艾”（2096）、“掰”（2612）、“盏”（3031）、“钊”（3224）等，由此，我们可以推断出构词能力弱是字种使用频率低的一个重要原因。表9列出了在高频词中构词能力最强的前10个字种及其分布情况。

表3：构词能力最强的前10个字种

序号（用字总表）	字种	构词数	分布情况
序号（用字总表）	字种	构词数	前410（50%）	411-4543（50-80%）	4544-11683（80%－90%）
13	年	187	5	67	115
6	人	170	6	62	102
10	大	145	3	53	89
5	不	136	5	31	100
2	一	125	10	46	69
33	子	110	2	31	77
16	上	92	2	40	50
19	生	88	5	39	44
15	学	87	6	42	39
30	出	79	3	33	43

从表3，可以发现在《北京晚报》用字总表中，这10个字种的频率排在前20位的共有8个，其中排在前10的就有4个。只有“子”和“出”是排在第30位和第33位。虽然“子”和“出”的字频并不是最靠前的，但是这两个字的构词能力都很强。首先说“子”，“子”在古代汉语中指儿女，发展到现代汉语中，“子”有多个词义，而且“子”经常附加在名词、动词和形容词后，使之具有名词性，如房子、院子、样子、椅子，这类名词在日常生活中经常使用，因此“子”在高频词中属于构词能力最强的前10位也很正常。“出”在现代汉语中有13个义项，就词义而言，比另外9个都要多。除了具体的实义外，“出”还经常放在动词后，表示趋向或效果，如“展出”、“播出”、“派出”等，大大增强了它的构词能力。另外，“年”是高频词中构词能力最强的字种，这主要是由《北京晚报》的报刊性质决定的，因为新闻追求真实性、时效性、准确性，所以内容中涉及到很多时间词，“年”排在第一位就不难理解了。
就分布情况而言，这10个字种集中分布在累积覆盖率的80%－90%之间，比例均在50%以上，最高的“不”字在这一段的比例甚至达到了73.5%。其次是在50％至80％之间，分布最少的是在核心词区，即累积覆盖率大于等于0%，小于50%。这10个字种总共构成了47个核心词，占全部核心词的11.46%，其中“一”一个字种就构成了10个核心词，占核心词的2.44%。

3.高频词词长分析

高频词词长最短为1字词，最长为8字词，6字词在高频词中并没有出现。词长为7字和8字的高频词各有1个，分别为“中华人民共和国”和“中央人民广播电台”，均属于专有名词。词长在两个字的高频词最多，有7900个，占所有高频词的67.62%，其次是1字词、3字词，词长在4个字及以下的高频词累积比例高达99.27%，符合现代汉语用词特点。另外，词长为5个字的高频词共83个，除了“笔记本电脑”“人民大会堂”“中国共产党”“高尔夫球场”“奥斯瓦尔德”“泰坦尼克号”“皮斯托瑞斯”“中央电视台”这9个专有名词外，其余74个全是“1996年”“2014年”这种模式的时间表达式。高频词不同词长词种数的具体比例详见表4。

表4：高频词不同词长的词种数

词长	词种数	比例	累积比例
1	2614	22.37%	22.37%
2	7900	67.62%	89.99%
3	875	7.49%	97.48%
4	209	1.79%	99.27%
5	83	0.71%	99.98%
7	1	0.01%	99.99%
8	1	0.01%	100.00%
总计	11683	100.00%	100.00%

在高频词中的430个核心词里，长度最短为1字，最长为3字。其中1字词有223个，2字词有205个，3字词只有2个，分别为“为什么”和“越来越”两个短语。而在前2000个高频词中，1字词739个，2字词1203个，3字词48个，4字词2个，5字词虽然有8个，但均为时间表达式。由此也可以看出，使用频率越高、词长越短的大致规律。

4.高频词词性分析

表5列出了高频词不同词性的词种分布情况，高频词中名词仍然占了绝大比例，接近高频词词种数的一半。动词、形容词分别以25.38%、7.58%的比例紧随其后。副词、介词、连词、助词、语气词等虚词和实词中偏功能性的叹词、拟声词的比例总和为7.15%左右，还不如形容词一种词类所占的比例。由此可见，高频词中具有实在的词汇意义的实词占了绝大多数，而意义比较虚泛，且偏功能性、语法性的其他词比例甚少。而高频词中熟语的使用也很少，只有57个，占了不到0.5%的比例，这大概是受熟语词长的影响。

表5：高频词不同词性词种数

类别	词种数	比例
语素	645	5.52%
名词	5661	48.46%
动词	2965	25.38%
形容词	885	7.58%
数词	243	2.08%
量词	209	1.79%
代词	167	1.43%
叹词	3	0.03%
拟声词	3	0.03%
副词	603	5.16%
介词	70	0.60%
连词	106	0.91%
助词	29	0.25%
语气词	20	0.17%
量词词组	17	0.15%
熟语	57	0.49%
总计	11683	100.00%

二、年度高频词与社会生活热点

高频词具有稳定性，因此历年来的高频词统计中，相同的词种占了绝大部分，且多为基本词汇，独用词种数较少。
1.基本情况
从表6，我们可以看出2011-2014年的高频词独用词种数比例不一，其中2011年最高，接近20%。2013年最低，不到13%。独用词中名词，尤其是专有名词居多。

表6：2011-2014年度高频词词种数比较

年度	独用词种数	比例
2011年	1997	19.31％
2012年	1769	16.52％
2013年	1313	12.94％
2014年	1222	13.97％

独用词种数的出现往往取决于当年大众的关注焦点，也就是社会生活的热点。因此我们通过比较历年来的独用词种数，不仅可以了解当年的用词情况，还能知晓当年的“大事记”。由于数量众多，这里以高频词独用词中使用频率的前120位为范围，从中挑选出特色词，并以此为基础，挖掘出语言生活中的社会现象。详情如表7所示。

表7：2011-2014年度高频词独用词中的特色词

年度	前120个高频独用词中具有年度特色的词举例
2011	郑渊洁、辛亥革命、溥仪、袁世凯、油价、辛亥、紫禁城、冯玉祥、王妃、梁山、 1911年、汪精卫、哈利、卢作孚、清政府、革命党、好汉、同盟会、水浒传、武昌起义
2012	火星、法医、雷雨、火柴、赛事、陈祖德、林兆华、小剧场、莫言、焦菊隐、围棋、京味、雷锋、索马里、突击队、胶囊、末日、龙年、摩加迪沙、瑞典、火炬、海啸、婚姻法、明胶、开幕式
2013	段振豪、外援、张国荣、贝克汉姆、足协、卡马乔、达喀尔、助学金、恒大、肯尼迪、恐怖主义、伊拉克、斯诺登、奥斯瓦尔德、郑晓龙、冤假错案
2014	几内亚、医疗队、付丽、张昆鹏、童星、姚贝娜、速递、邓波儿、家风、北约、英拉、反贪、轨道、交通、医护、值班、华约、净化器、大操大办

2.辛亥革命纪念活动与2011年度高频词
2011年正好是辛亥革命的100周年。10月9日，北京人民大会堂举行了纪念辛亥革命100周年大会，全国媒体都聚焦于辛亥革命及其纪念活动，所以《北京晚报》在2011出现了“辛亥革命、溥仪、袁世凯、辛亥、紫禁城、冯玉祥、1911年、汪精卫、卢作孚、清政府、革命党、同盟会”等词。2011年4月19日，英国威廉王子和凯特王妃的世纪婚礼同样举世瞩目，故2011独现词中出现了“王妃”。“油价”反映了2011年不稳定的原油价格。另外，“梁山、好汉、水浒传”和“哈利”则分别反映了2011年的电视剧《新水浒传》和哈利波特系列电影终结篇《哈利·波特与死亡圣器（下）》的火热程度。这些无一不是当年国际国内的热点事件。
3.北京人艺院庆活动、莫言获奖等与2012年度高频词
2012年是北京人民艺术剧院（简称“北京人艺”）成立的60周年，北京人艺是国家级的艺术殿堂，从2012年年初就启动了北京人艺建院六十周年的系列庆祝活动，《北京晚报》里出现了“雷雨、林兆华、小剧场、焦菊隐、京味”等词，它们或是北京人艺上演的剧目，或是北京人艺的导演，或是北京人艺的特色，都与北京人艺密切相关。2012年10月11日，瑞典文学院授予了莫言诺贝尔文学奖，这是迄今为止第一个真正意义上属于中国的诺贝尔奖，引发了全国轰动，“莫言”也成为了《北京晚报》2012年的高频词。2012年也是雷锋逝世的50周年，全国上下纷纷开展了“学雷锋”活动，“雷锋”在2012年成为高频词正是反映了这一现象。“赛事、火炬、开幕式”等词的出现则是与2012年伦敦举办的第30届奥运会有关。“索马里、摩加迪沙”反映了2012年2月8日发生在索马里首都摩加迪沙的汽车炸弹袭击事件。“胶囊、明胶”则是与引发了热议的“毒胶囊”事件和“老酸奶、果冻添加工业明胶”事件有关。另外，“婚姻法”反映了2012年热点社会事件之一，即新《婚姻法》的颁布。而“火星、末日、火柴、瑞典”则涉及到2012年的“末日”传言，这一传言宣称地球将在2012年12月21日发生重大灾难，或出现“连续的三天黑夜”等异象，因此“移居到火星”、“世界末日”、“疯抢火柴、蜡烛”“瑞典火柴销售额大幅增长”等相关新闻便接踵而至。
4.足坛要闻、助学金政策等与2013年度主题词
“外援、贝克汉姆、卡马乔、足协、恒大”等的出现反映了2013年足坛的重大新闻，比如2013年5月16日，贝克汉姆正式宣布将退出职业足坛，引起全世界关注。6月，国足主教练卡马乔与中国足协解约；8月，北京律师熊智向中国国家税务总局提交实名举报，举报卡马乔团队偷逃税款，要求严惩足协；11月，广州恒大足球俱乐部获得了亚冠联赛的冠军，取得了历史最好成绩。2013年也是美国总统肯尼迪遇刺身亡的50周年，“肯尼迪、恐怖主义、奥斯瓦尔德”的出现就是基于这一事件。2013年司法机关平反了5起，涉及14名当事人的冤假错案，并启动防冤案机制，响应了十八大以来习近平总书记在法治建设工作中强调“要努力让人民群众在每一个司法案件中都感受到公平正义”的号召，“冤假错案”成为2013年的高频词便是由于这个原因。另外，“助学金”则反映了2013年财政部、教育部将研究生普通奖学金调整为研究生“国家助学金”，并规定博士生的标准为每生每年不低于1万元，硕士生的标准为每生每年不低于6000元的教育政策。
5.社会热点事件与2014年度主题词
2014年只统计了3个月的语料，所以独用词也较少。“付丽、张昆鹏、速递”和“医护、值班”分别反映了中通速递员张昆鹏入室谋财害命和2014年2月25日南京医护人员被打这两个恶性社会事件。“反贪、大操大办”则是由于习近平总书记颁布的关于《加强党员领导干部廉洁自律严禁大操大办宴席的规定》。2014年，姚贝娜登上中央电视台马年春晚，并在零点钟声敲响前献唱压轴歌曲《天耀中华》，成为人们关注的焦点，“姚贝娜”成为2014的高频词也与此相关。2014年2月10日，美国曾经的著名童星邓波儿去世，引发了人们对她的怀念和追忆，“童星、邓波儿”则是这一事件的关键词。

前面已经提到，2011-2014年高频词中的独现词以专有名词居多，而这些专有名词往往反映了当年社会的热点、焦点人物或事件。这些焦点、热点来自社会生活的方方面面，既囊括国际焦点，又含有国内热点；既涵盖政治、经济热点，又网罗社会、生活事件；既涉及体育、娱乐焦点，又包括文化、教育热点。言而总之，语言生活不仅来自于社会生活，也全面反映了社会生活。

附录：《北京晚报》词的总体使用情况
一、基本情况
1.词的年度使用情况
（1）分词单位总数：由分词软件对语料切分得到的字符串的总数为4209587次。其中标点符号出现649969次，其他分词单位出现3559618次。
（2）总词次：在排除纯阿拉伯数字后，得到总词次共计3530389次。
（3）词种数：79158个。
（4）2011-2014年度词使用情况：和汉字的使用情况相似，由于2011、2014年的语料较2012、2013年少，因此2011、2014年得出的总词次和词种数明显要少于另外两年。而2012、2013年的词种数都稳定在50000词以上，其中2012年的词种数比2013年多了4833个。具体数据见表1。
表1：2011-2014年度词语使用情况

年度	总词次	词种数
年度	总词次	词种数
2011年	473368	37038
2012年	1476810	56080
2013年	1248944	51247
2014年	331267	28985
总计	3530389	79158

2.词种覆盖率
表2分别统计了不同覆盖率的词种数。
表2：不同覆盖率的词种数

覆盖率（％）	词种数	比例（％）
10	3	0.00％
20	20	0.03%
30	65	0.08%
40	173	0.22%
50	430	0.54%
60	962	1.22%
70	2054	2.59%
80	4543	5.74%
90	11683	14.76%
91	13081	16.52%
92	14734	18.61%
93	16708	21.11%
94	19102	24.13%
95	22077	27.89%
96	25859	32.67%
97	30898	39.03%
98	38161	48.21%
99	50330	63.58%
100	79158	100%

由表可知，“的”“是”“在”是频率最高的前3个词，它们占词种数的比例几乎为0，却覆盖了全部语料的10%。仅430个词种，就已经覆盖了语料的一半左右。而不到15%的词种，累积覆盖率已经高达90%。覆盖率在99%－100%这一段的词种数有28828个，占词种数的36.42%，却只覆盖了语料的1%。由此可见，读者只要掌握一万多个词，就可以顺畅地阅读《北京晚报》了。
除此之外，我们也可以看到，词种数的第一次大幅增长出现在80%以后，共增加了7140个词种，提升约9.02个百分点。接下来90%～98%这段，词种数稳步增长，增长幅度在2%～9%之间。最后98%～100%这段，词种数迅速增长了41001个，增长幅度超过51个百分点。意味着，超过一半的词种数只占了全部语料的2%。由此得出，频率越高的词种，效用也越大。
根据累积词频，可以将词种分到四个不同的词区。累积频率不超过50%的词处于极高频词区，这一词区的词虽然数量少，但使用频率却极高，可以说是《北京晚报》里的核心词。累积频率大于50%，但却不超过90%的词是高频词。为了方便称呼，可以把极高频词区和高频词区里的词都统称为高频词。累积频率在90%－99%的词是中频词，使用频率在高频词和低频词之间，累积频率越靠近99%，使用频率越低。最后99%－100%这一段的词是低频词，数量占了极大部分，但使用频率却最低。词区的具体分布情况见表3。
表3：2011—2014年度词区分布

字区		词种数量	比例
核心词区（0-50%）	全部语料	430	0.54%
	2011年	407	1.10%
	2012年	433	0.77%
	2013年	419	0.82%
	2014年	407	1.40%
高频词区（50%-90%）	全部语料	11253	14.22%
	2011年	9935	26.82%
	2012年	10274	18.32%
	2013年	9728	18.98%
	2014年	8338	28.77%
中频词区（90%-99%）	全部语料	39077	48.82%
	2011年	21963	59.30%
	2012年	30604	54.57%
	2013年	28610	55.83%
	2014年	16927	58.40%
低频词区（99%－100%）	全部语料	29828	36.42%
	2011年	4734	12.78%
	2012年	14769	26.34%
	2013年	12490	24.37%
	2014年	3313	11.43%

从上表，我们可以看出高频词（包括核心词区和高频词区）中占总词种数的14.76%，却覆盖了全部语料的90%，其中的核心词区以0.54的比例覆盖了一半的语料，其使用频率之高显而易见。中频词区占的比例达到了48.82%，接近词种总数的一半，低频区也高达36.42%。由此可见，《北京晚报》的词种集中在中频词区和低频词区，高频词数量少，低频词占了绝大多数。如果排除2011和2014年，单看2012和2013年，高频词稳定在10000－11000个左右，比例在19%－20%之间，其他几个词区总体来说也比较稳定。
3.不同频次范围的词种情况
从表4中，我们可以看出在全部语料中只使用过一次的词语就占了28.25%。频次不超过5的词种数占全部词种的60%左右。频次不超过20的词种数占81.96%。频次在100以下的词种就已经达到94.67%。频次不超过1000的词种高达99.48%，接近100%了。频次在1000以上的词种不到1%。低频词的词种数有很多，极高频词只有极少一部分，不到500个。
表4：不同频次范围的词种数

频次	词种数	比例（％）	累计（％）
1	22356	28.25%	28.25%
2	9987	12.62%	40.86%
3	6341	8.01%	48.87%
4	4707	5.95%	54.82%
5	3483	4.40%	59.22%
6-10	10030	12.67%	71.89%
11-20	7990	10.09%	81.96%
21-100	10047	12.69%	94.67%
101-1000	3803	4.80%	99.48%
1001以上	414	0.52%	100.00%

（李秋逸，教育部语言文字应用研究所）