九十年代汉语词汇地域分布的定量研究，本文主要内容关键词为：汉语论文,定量论文,地域论文,词汇论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一 导言
20世纪80年代、90年代是华人社会（涵盖中国大陆、台湾、香港等地区）在政治、经济、文化、生活等各方面都飞速发展变化的时期。这世纪之交的最后十来年间，在这个也叫“汉语文化圈”的地域中，凡是可以觉察到的时代演进的每一步伐和各自社会的点滴变化，都充分反映在通行的汉语——这一“信息载体”上。
而语言的“四大要素”——语音、词汇、句法、语义中，唯有词汇和语义具备了折射时代以及反映社会的功能。这两者都是一个“动态”的体系。它们一直是处于一种与社会同步发展变化的状态之中。从这一点出发，可以说，研究一种语言的词汇及其变化是研究考察这个社会变迁的重要方面。反之，研究一个社会也可以从词汇及语义的角度出发，去寻找确凿的印证。
由于历史的原因，长期以来华人社会有所谓的“两岸三地”（注：“两岸”指“海峡两岸”，即大陆和台湾。“三地”指大陆、台湾和港澳三个区域。）之说。这“两岸三地”所使用的语言是“同源、同体”的民族共同语——汉语。但又具有各自不同的地域特点。因此今天研究汉语词汇，应该具有更高的“视点”和更广的“视野”。
当代汉语词汇研究应当具有以下五方面的特质：
（1）广泛的地域分布：涵盖中国大陆、台湾、港澳等地区；
（2）崭新的时期分段：截取20世纪80～90年代的时段；
（3）坚实的语料基础：运用中大型的精语料库；
（4）客观的分析方法：从定量到定性的分析过程；
（5）现代化的研究手段：电脑检索、统计和分析。
前后历时六载，于1997年六月完成了全部语料录入，词语切分，并具备了各项基本检索功能的中型当代汉语语料库——香港理工大学的《中港台汉语词库》（原暂名，以下简称《汉库》（注：这是原香港理工大学中文及双语学系首席教授张日升（Chair— Professor Cheung Yatshing）于1991年创办的。此处沿用原来的暂名。现任项目负责人为陈瑞端教授。）基本具备了以上五方面特质。其基本情况和数据如下：
建库单位：香港理工大学中文及双语学系
建库时间：1991年——1997年
语库容量：6,100,194个符号
汉字：5,139,920个（+960,274个非汉语符号）
词条（注：该词库用“已切分单位”指称根据本身研究制定的切分条例的切分出来的语言单位。此处使用通行的术语“词条”和“词次”。）60,811个（汉语）
6,373个（英语）
词次：3,273,760个（+218,528个专名）
收词地域：大陆、台湾、香港三个区域
语料时段：1990年——1992年
语料来源：1.大陆：《人民日报》《北京晚报》（北京）《新民晚报》（上海）《羊城晚报》（广州）
2.台湾：《中央日报》《中国时报》《联合报》
3.香港：《明报》《信报》《成报》
编列方式：词频排序，普通话和粤语和粤语音序索引
编排内容：1.词序 2.词语 3.汉语拼音 4.粤语拼音
5.词频 6.累计词频（覆盖率）7.总使用度
8.地域使用度：（1）大陆 （2）台湾 （3）香港
9.学科使用度：（1）政治 （2）民生／治安／环境
（3）财经 （4）体育 （5）文化活动 （6）娱乐
（7）读者来信 （8）广告 （9）副刊：旅游、影
评、述评、小说、人物、艺术、科学、健康等
据悉，这是迄今为止已经完成的语料地域分布涵盖整个汉语文化圈的第一个汉语语料库。
《汉库》由以地域划分的大陆、台湾、香港三个独立的“分语料库”（以下简称“京、台、港”（注：有学者建议称之为“京港台汉语词库”或者“陆港台汉语词库”。此处采用前者。））的语料组成，然后再合成一个“整语料库”。
《汉库》中京、台、港三个分语料库的语料容量数据是：
《中港台汉语词库》中三个分语料库的语料容量（字数）
大陆地区台湾地区香港
语库量 比例语库量 比例语库量 比例
1,776,87034.57%(5) 1,675,614
32.60% 1,687,436 32.83%
⑤这里表示的是所收的一地区的语料量和三区域总的语料量之间的相对比例。后两项同。
以上京、台、港三个区域的语料量相对比例大约为：34∶33∶33。即三者的相对比例大致为：1∶1∶1。比例大致是相当的。
为此我们可以从横和纵的两个角度，在“整语料库”中统计和分析出整个京、台、港三地的词语共时地域分布状况。从而从定量的考察中得到比较客观的定性结论。
二 当代汉语词语的地域分布
国内汉语研究和教育界早就注意到汉语文化圈内三个不同区域之间的词语差异。近十年来已经有不少专论和辞书专门描写和分析其中的一些差异。其中有些是双区域的（包括大陆与台湾的“两岸”之间的词语差异（注：比如辞书《大陆和台湾词语差异辞典》邱质朴主编，南京大学出版社，1990。）或者国内与香港的“两地”之间）词语差异（注：比如辞书《香港话词典》吴开斌著，花城出版社，1997。《香港话·普通话词典》朱永锴著，汉语大词典出版社，1997。）。也有的是三区域的（即所谓“两岸三地”之间）词语差异（注：比如辞书《当代港台用语词典》朱广祁编著，上海辞书出版社，1994。）
应该说，这些研究成果都是很有价值的，但是相对而言都尚有一些需要商榷的地方。比如说：1.语料的周遍性，2.语料的代表性，3.词语的稳固性，4.词语的出现频率，5.词语大类的外延和划界，6.词语的内涵，等等。
从《汉库》的语料来考察，如果从地域的角度去看，京、台、港三个区域各自使用的汉语词汇可以视作下列三个语言圈（圈子大小并不意味着词语数量的多寡）：
而在实际的语文使用中，上述三个语言圈子是彼此相互交叠的。情形就像下图：（外延大小并不意味着词语数量的多寡）：
图中，三个圆圈重叠的ABC部分代表着京、台、港三地共用， 即在整个使用汉语的地区（三个区域）都通行的部分。这部分可以看作是京、台、港三地汉语词语相同的部分，叫做“三区域共同词语”；
图中两个圆圈重叠的AB，BC和AC三个部分分别代表在其中某两个区域（AB：京、台，BC：台、港，AC：京、港）里通行的部分。叫做“双区域通用词语”（注：国内学术界存在着一个所谓“港台词语”的术语。这仅是一个以大陆为立足点进行观察的结果。因此实际上还应有“京台词语”和“京港词语”之说。况且，台湾词语和香港词语完全不能够混同一起说，其间既有各自的“区域词语”之分，也有闽、粤方言之分。）；
而其余完全不重叠的A，B，C 部分则各自代表着仅在其中某一个区域里通行的词语。它们是京、台、港三地之中各自独特的部分，叫做“单区域独用词语”。
“三区域共用词语”（以下简称“共用词语”）应该认为是当代汉语词语的“共同底层”，是华人社会信息交流底部基础；而“双区域通用词语”（以下简称“双区词语”）应是“共同底层”的外延，是“共用词语”的直接补充部分。三个“单区域独同词语”（以下简称“单区词语”）均属于“各自表层”部分。它们是“共用词语”的预备补充部分。
当然“双区词语”中“京、台通用词语”和“京、港通用词语”要比“台、港通用词语”离“共同底层”的距离更近，进入“共同底层”的速度也更快。而“单区词语”中“大陆独用词语”也比“台湾独用词语”及“香港独用词语”进入“共同底层”的速度为快。其原因是：1.大陆汉语是汉语的“母体”，台湾和香港汉语是“子体”；2.无论是使用地域的面积和使用的人口数量，大陆汉语都占了绝对优势；3.就单语使用普通话而言，其比例也是前者远远高于后两者。（后两者都是“双语区”和“多语区”）。
三 “共用词语”“双区词语”和“单区词语”例词
1
“三区域共用词语”举例（注：根据《中港台汉语语料库》的切分条例，凡是音节长度超过四个音节的语言单位都要硬性进行切分，所以《中港台汉语语料库》并没有五音节或以上词长的词语。下同。）
“共用词语”几乎包括所有的单音节词语和四音节词语。而且词语的序号都比较靠前。
（1）单音节词（按频率递降序的前50个，序号从1号到50号）
的、在、一、是、有、不、了、十、和、人、上、年、为、个、者、之、他、队、将、与、到、中、而、也、及、以、说、三、多、会、大、二、已、月、五、但、两、来、时、就、日、并、白、国、四、于、后、我、等、能；
（2）双音节词（按频率递降序的前50个，序号从53号到209号）
经济、公司、政府、问题、表示、他们、国家、我们、发展、市场、工作、没有、今年、社会、投资、认为、目前、企业、世界、进行、可以、国际、由于、大陆、可能、有关、去年、方面、计划、第一、一些、自己、要求、因为、指出、总统、代表、部分、改革、活动、这些、其他、会议、地区、因此、情况、人士、举行、关系、人员、主要、这个、时间、人民、昨天、同事、影响、希望、服务、包括；
（3）三音节词（按频率递降序的前50个，序号从297号到2819号）
委员会、共和国、电视台、发言人、一方面、候选人、大多数、负责人、青少年、运动员、锦标赛、平方米、越来越、办公室、现代化、房地产、办事处、艺术家、秘书长、不得不、可能性、反对党、一系列、股份制、博物馆、研究所、财政部、总书记、录影带、记者会、愈来愈、经济部、电视剧、检察官、分析家、公务员、派出所、小朋友、爱滋病、大学生、百分点、反对派、高科技、居英权、建筑物、自行车、进出口、国内外、出版社、电视机；
（4）四音节词（按频率递降序的前50个，序号从1822号到9916 号）
卡拉OK（注：《汉库》里外语字母看成为一个音节的单位。故“卡拉OK”算作“四音节词语”。）、经济学家、引人注目、平方公里、前所未有、大专院校、管弦乐队、供不应求、众所周知、成千上万、讨价还价、举足轻重、丰富多彩、实事求是、二氧化碳、不可或缺、千方百计、各行各业、当务之急、农副产品、不约而同、层出不穷、脱颖而出、全心全意、各式各样、不以为然、理所当然、意想不到、不可思议、全力以赴、千家万户、房地产业、不知不觉、难得一见、显而易而、后顾之忧、脍炙人口、名副其实、耳目一新、有目共睹、息息相关、安居乐业、应有尽有、方兴未艾、刮目相看、出乎意料、不遗余力、出人意料、相提并论、独一无二；
2 “双区域通用词语”举例
“双区词语”又分作三部分：（1）京、台通用词语，（2）台、港通用词语，（3）京、港通用词语。 这类词语主要是双音节词和三音节词。它们出现的序号一般都比较靠后。现将各自的40个例词分别例举如下（注：现在例举的是90年代前期的情况。不包括在以往的时间里因三个区域的人员的交往而引致的词语互相交融和吸收的结果。）：
1）京、台通用词语
（1）单双音节词（按频率递降序，序号从3757号到6685号）
栋、坑、县府、额度、违章、组建、摊贩、编列、违规、片子、酱油、缓解、民营、交割、路子、公交、搭配、评比、管线、告发；
（2）三音节词语（按频率递降序，序号从4258号到12939号）
废弃物、被害人、乡公所、复印机、企事业、电信局、大奖赛、全方位、侦查员、海洛因、合作社、交换机、学杂费、冰淇淋、社会化、政策性、阶段性、根据地、管委会、认购证；
2）台、港通用词语
（1）双音节词（按频率递降序，序号从2863号到6629号）
民运、飞弹、疲弱、片商、私校、录影、同业、权证、预估、私家、社工、籍着、相较、房车、核武、知会、影带、厘定、国父、执业；
（2）三音节词语（按频率递降序，序号从5348号到13038号）
嘉年华、高峰会、影印机、偷渡客、六合彩、年增率、精神科、大陆客、停车位、荷尔蒙、公民权、争议性、水族馆、剧情片、生育率、民营化、同意权、移民潮、海洛因；
3）京、港通用词语（注：因为粤港两地均通行粤语， 而台湾不通行，因此下表中包含有一部分粤语词语。）
（1）双音节词（按频率递降序，序号从1104号到10080号）
靓、碟、今次、通胀、船民、展销、楼宇、的士、物业、软件、录像、弱智、汇报、首期、型号、客商、车匪、打印、拚搏、街坊；
（2）三音节词语（按频率递降序，序号从4799号到18802号）
录像带、录像机、游戏机、大耳窿、公积金、打印机、商品房、紧迫感、大排档、直通车、赞助商、国庆节、咨委会、再生产、朱古力、外省市、一次过、集团化、发行师、回乡证；
3.“单区域独用词语”举例
“单区词语”又分作三部分：（1）大陆独用词语，（2）台湾独用词语，（3）香港独用词语。一般也是双音节词和三音节词。 它们出现的序号一般都很后。现将各自的40个例词分别例举如下：
1）大陆独用词语
（1）双音节词（按频率递降序，序号从3745号到10585号）
案犯、团伙、民警、房改、荧屏、粮店、房管、面料、解困、民办、公房、评委、十佳、剧组、老伴、老区、信访、上岗、三产、动迁；
（2）三音节词（按频率递降序，序号从6418号到14479号）
居委会、供销所、文化站、监督局、粮食局、离退休、粮管所、群众性、小商品、面包车、煤气灶、特困户、人贩子、节假日、小公共、文化馆、豆制品、自觉性、影剧院、指战员；
2）台湾独用词语
（1）双音节词（按频率递降序，序号从2002号到7967号）
国中、国小、安打、职棒、联考、行库、国代、课征、窃盗、国协、软体、上档、电玩、港剧、列管、宣导、费率、查报、税捐、房贷；
（3）三音节词（按频率递降序，序号从6911号到13120号）
选委会、证交税、公权力、国中生、立法院、歌仔戏、交流道、零组件、公交法、自营商、公私立、原住民、督察室、幻像机、原委会、双年展、电影处、防火巷、印表机、参与率；
3）香港独用词语
（1）双音节词（按频率递降序，序号从4063号到8555号）
按揭、视乎、公屋、求证、轻铁、中六、经已、若然、规例、楼盘、加幅、押后、羁留、发牌、失车、沽盘、收生、楼市、学额、美仙；
（2）三音节词（按频率递降序，序号从5741号到12201号）
大律师、开幕礼、入境处、保护令、消防处、临屋区、发展商、颁奖礼、电话卡、平方呎、蓝筹股、回报率、区局节、律师行、音统处、护卫员、反黑组、民主派、评议会、赔偿额。
四 当代汉语三个区域词汇共时分布的数量和比例
1.不考虑词频的纯语料库数量统计和“人工干预”统计
如果不考虑词频，仅仅根据《汉库》纯语料库语料的统计，我们可以得出一个“语库统计”的数量和比例。如果再经过“人工干预”后的“定性”再“定量”的计算，可以得出一个“人工干预”后的统计结果。
“共用词语”词条与总词语词条的数量及比例的结果分别如下：
《汉库》中总词语词条与“共用词语”词条的数量及比例
纯语料库统计人工干预的统计
总量比例数量比例
总词语词条60,811个100.00% 60,811个100.00%
共用词语词条 16,742个 27.53% 55,412个 91.12%
“双区词语”的“纯语料库统计”以及“人工干预”后的数量和比例，分别如下：
《汉库》中总词语词条与“双区词语”词条的数量及比例
纯语料库统计人工干预的统计
总量比例数量比例
总词语词条60,811个100.00% 60,811个100.00%
双区词语词条 11,503个 18.92%
1,322个 2.17%
“单区词语”的“纯语料库统计”以及“人工干预”后的数量和比例，分别如下：
《汉库》中总词语词条与“单区词语”词条的数量及比例
纯语料库统计人工干预的统计
总量比例数量比例
总词语词条60,811个100.00% 60,811个100.00%
单区词语词条 32,566个 53.55%
4,077个 6.70%
很明显，以上统计很清晰地反映了一个强烈的反差：根据纯语料库语料统计，三地“单区词语”占的比重超过一半（53.55%）， “共用词语”次之（27.53%），而“双区词语”最少（18.92%）。三者相对比例约为：5∶3∶2。但是经过“人工干预”的“定性”结果， 则极不相同。“单区词语”只有6.70%，“双区词语”只有2.17%，绝大多数是“共用词语”，占了91.12%。这个对比充分说明了两点：
（1 ）《汉库》的语料量对正确显示三个地区的词语的“共同底层词汇量”及其相互之间的“差异量”还显得不够，因此偏差还比较大。
（2）光看词语数词的绝对数量， 还不能揭示汉语词汇的真实共时状况。“词频”“累计词频”“地区分布比”和“地区词频”是考察词语分布状况的重要参量。
2.考虑词频的“共同词语”“双区词语”和“单区词语”统计
词频是词语研究的极端重要的参量。为研究和表述方便，我们把《汉库》的词频的分级分成下列三级，六级：
段 别级 别名 称频 率
高频词第一级高高频 F＞=30,000次
第二级低高频
30,000次＞F＞=3,000次
中频词第三级高中频3,000次＞F＞=300 次
第四级低中频 300次＞F＞=30
次
低频词第五级高低频
30次＞F＞=15
次
第六级低低词 F＜=15
次
根据上述的频率表，我们再对纯语料库统计的“共用词语”“双区词语”和“单区词语”的词语数量做一次新的统计。得到的数据如下：
“共用词语”“双区词语”和“单区词语”的词语在不同频率段的数量和比例
段 级共用词语 双区词语 单区词语总计
数量 比例数量 比例
数量 比例
数量
高频词 高高频 4 100.0%—— ——
4
低高频128 100.0%—— —— 128
中频词 高中频 1,323 99.9% 2 0.1%——
1,325
低中频 6,216 93.6%329 4.9% 96 1.5% 6,639
低频词 高低频 3,502 78.5%700 15.7%260 5.8% 4,462
低低频 5,569 11.5% 10,474 21.7% 32,210 66.8% 48,253
总计 16,742 27.5% 11,503 18.9% 32,566 53.5% 60,811
以上的统计给了我们一个全新的概念，如果把频率考虑进去的话，就不难发现，纯语料库统计的“共用词语”在自“高高频”到“高低频”的各个频率段的使用频率和比例都高于同段级的“双区词语”和“单区词语”，尤其在高频词的段级，百分之百是共用词语”；即使在中频词的段级（共7,539个词），“共用词语”的数量比例高达93.6%，而“双区词语”和“单区词语”的比例分别为4.9%和1.5%。远远高于后两者；甚至到了低频词段级的“高低频”段级（共3,502个词），“共用词语”的数量也在78%以上。
情况仅仅只在“低低频”段级才变得相反。这样就显示出，在整个词库的词语中，就词频而言， 在“高低频”以上的五个段级中（前11,173个词），三者排序都是：第一“共用词语”；第二“单区词语”；第三“双区词语”。
3.考虑累计词频的“共用词语”、“双区词语”和“单区词语”统计
“累计词频”是词语研究的又一个重要参量。它能利用词语使用频率累计而形成的“覆盖面”去揭示出词语使用的等级：（1 ）最常用词（2）次常用词（3）常用词（4）通用词。
根据国家对外汉语教学领导小组办公室汉语水平考试部，综合研究了自1959年至1991年32年间国内主要的16种常用词统计资料后所制定及颁布的《汉语水平词汇与汉字等级大纲》（注：北京语言学院出版社，1992年6月。），上述四级词语等级的划分线是：
最常用词、次常用词、常用词、通用词四级词语等级划分标准
等 级级 别界 标覆盖面 实际数量(16)
最常用词 甲级词1,000词次 73%1,027个
次常用词 乙级词3,000词词 86%2,012个
常用词丙级词5,000词次 91%2,114个
通用词丁级词8,000词词 95%3,907个
共计9.060个
(16)此比例引自《现代汉语频率辞典》，北京语言学院出版社，1986。
根据《汉库》的语料统计，我们再从“覆盖面”去考察这四类词语的分级、分等情况的话会看到如下不同结果：
《汉库》词语在不同累计词频段的分布情况
累计词语 共用词语 双区词语
词频总量 数量 比例 数量比例
1 ＞=60%623623100.0% — —
2 ＞=65%873872 99.9%1.011%
3 ＞=70% 1,222 1,220 99.8%2.016%
4 ＞=75% 1,737 1,737 99.7%5.288%
5 ＞=80% 2,548 2,537 99.6%8.314%
6 ＞=85% 3,927 3,888 99.0%
29.738%
7 ＞=90% 6,564 6,341 96.3% 1802.74%
8 ＞=95% 13,026 11,359 87.2%1,2369.49%
单区词语
数量比例
1 — —
2 — —
3 — —
4 — —
53.118%
6
10.255%
7
43.655%
8 4313.31%
以上统计显示出一个有说服力的证据：，在累计词频大于等于60%时，“共用词语”的走势和“词语总量”的走势几乎完全一样。从比例来说，在累计词频（覆盖面）达到85%的3,927个词里，“共用词语”的比例一直高居99%（这个数字已经囊括前表的“最常用词”和“次常用词”的总和——3,039个）；而在覆盖面达到95%的13,026个词里，“共用词语”的比例还是高居87%（这个数字也已经远远超过前表的四类词语的总和——9,060个）。它有力地显示出“共用词语”在汉语交际中是最主要最重要的部分。
五 三点结论
综合以上统计和分析，我们大致可以认定以下三条结论：
（1）当代汉语的词语确实存在着地域差异。 而“共用词语”无论在数量上（占90%以上），使用频率上（在高频段和中频段），还是在累计频率上（覆盖率达到95%）都占了绝对的优势。
“双区词语”和“单区词语”数量上占了不到10%的比例，且大都出现在低频段。其覆盖率处在95%至100%的区间里。 所以汉语词语的“内部一致性”还是相当高的。京、台、港三个区域词语的相同之处始终是主流。
《汉库》各级词语的分级界标和实际数量
等级级 别界 标 覆盖面实际数量
最常用词甲级词1,000词次70% 1,222个
次常用词乙级词4,000词词85% 2,705个
常用词 丙级词6,500词次90% 2,637个
通用词 丁级词
13,000词次95% 6,462个
共 计 13,026个
（2）《汉库》中累计使用覆盖率到达95 %的词语可以分为如下等级：
依照以上等级和级别的划分认定，各级词语分级的数量约为：甲级1,222个，乙级词2,705个，丙级词2,637个，丁级词6,462个。依其累计数量，四级词语相互之间的累进比重大约为1∶4∶7∶13。其中“最常用词”“次常用词”和“常用词”属于“高频词”和“中频词”，而“通用词”属于“低频词”中的“高低频词”。根据这个比例，可以认定，对京、港、台三地的汉语词语分级定出下列分级标准是有事实根据，也是比较妥当的：
甲级词1,200个， 乙级词2,500个， 丙级词2,500个， 丁级词6,500个。
（3 ）《汉库》中“共用词语”“双区词语”和“单区词语”的数量和比例在各词频段级的分布情况如下：
“共用词语”“双区词语”和“单区词语”的数量和比例在各词频段级的分布情况
共用词语双区词语单区词语总计
数量
比例数量比例数量比例
高频词128 100.0%— — — — 128
中频词 6,216
93.6%3274.9% 961.5% 6,639
低低频 5,569
11.5% 10,474
21.7% 32,210
66.8% 48,253
总 计 16.742
27.5% 11,503
18.9% 32,566
53.5% 60.811
以上数据显示，“共用词语”使用中的高频率和高覆盖率使得“华人文化圈”的汉语交流在百分之90的程度上没有语言障碍。“共用词语”依然在90年代的当代汉语中占了核心的地位和绝对的优势。其次，对说汉语的中国人以及学习汉语的外国人来说，掌握了近1,000个“最常用词”和3,000个“次常用词”，是最低量的“词语集”。而要使自己在京、台、港三地工作、学习、生活、旅游时不遇到什么大的语言阻碍和问题的话，就必须掌握将近7,000个“常用词”。但那也还只是中等量“词语集”。高等量的“词语集”应是13,000个左右。