第一篇关于中国疫苗问题的数据新闻是如何出炉的

相较于其他的新闻类型，数据新闻的一个特点就是能把问题量化。 不管是金钱的流向，还是位置的移动，甚至桌上吃什么，只要每一笔、每一次、每一顿都有结构化的记录，就能分析出点门道来。 数据新闻中的“数据”二字绝不单单是“数字”（number）的意思。

为了理清疫苗在中国到底有什么问题，首先想到的是新闻报道。通过检索慧科新闻数据库（一个搜集了各类媒体报道的新闻数据库）中近十年所有标题含有”疫苗“两字的报刊新闻，我梳理了所有涉及疫苗问题的报道。

这件事做了两天，从19号到20号，最直观的感受就是难受，因为看到：

2010年，王克勤的《山西疫苗乱象》引发巨大反响，媒体铺天盖地报道”山西疫苗案“；2014年，不断有婴儿接种乙肝疫苗后死亡，媒体铺天盖地报道”乙肝疫苗疑似致人死亡“；2016年，一篇名为《疫苗之殇》的文章刷爆朋友圈，媒体铺天盖地地报道”山东疫苗案“。

此外，还有各地报纸零零散散的疫苗问题报道。

所以21号疫苗文章刷屏时，没有惊讶，现在是历史的翻版。

不过，仅仅梳理新闻报道是难以呈现疫苗问题全貌的，因为报道的最低标准是只用告诉我们发生了一件疫苗安全事件，至于注射的是什么疫苗，是否真是偶合症，是否有公职人员犯罪等，在不同报道中详略不一，有的报道事无巨细，有的报道只字不提。

这时能够想到的资源就是判决书。 法院的判决书不仅提供了刑事、民事等案件的详细内容，而且信息结构固定，方便分析。更关键的是，判决书容易获取。根据相关规定，除特殊情形外，发生法律效力的判决书均要在互联网公布。

判决书能被方便查阅，和近十年来政府推行的信息公开一样，都是助推数据新闻发展的条件之一。 很多数据新闻的数据都是来源于政府等国家机关公开的资料，这在全球也是一个趋势。

各级法院在相应网站上都会公布自己的裁判文书，而中国裁判文书网（https://wenshu.court.gov.cn/）便是最高法汇总裁判文书的地方。从2014年至今，提及“疫苗”二字的刑事、民事判决书共有8000多条，因为手动整理缓慢，网易数读的另一位同学负责用Python爬取。

在互联网中沉淀着海量数据，《经济学人》把它们称为 数字时代的石油 ，对数字编辑而言，如果搜集起来加以分析，将会得出很多有价值或有趣的结论。网易数读曾发过一篇《分析了300万字文本后，我们终于知道了什么是直男癌》（http://data.163.com/17/0830/19/CT43NV6M000181IU.html），就是基于微博、知乎、豆瓣、虎扑这些社交平台的文章和帖子。而Python这类灵活的工具能节省很多获取或清洗数据的时间。

新闻网站Propublic的那篇有名的 数据新闻《给医生的美元（Dollars for Docs）》 数据就是搜集自药企网站（美国《平价医疗法案（ACA）》规定医药企业必须披露因推销式谈话、咨询等而给医生、牙医等的费用）。搜集来的PDF文件页数有17320页，网站则有243034页，合起来有1099377条记录。要是一个人来手动复制黏贴整理这些记录，要一年半的时间，所以他们就写了个程序，批量化地完成了整理数据这件事——当然，整个过程中，依然需要很多人工的核查和清理。