多維度涉企網(wǎng)絡(luò)輿情對(duì)企業(yè)價(jià)值的影響研究

摘 要： ［目的／ 意義］ 從多維度解構(gòu)涉企網(wǎng)絡(luò)輿情， 涵蓋情感、規(guī)模及影響力等方面， 進(jìn)而建立針對(duì)各維度的量化指標(biāo)模型以探究網(wǎng)絡(luò)輿情如何影響企業(yè)價(jià)值， 以期為企業(yè)、投資者、監(jiān)管等主體有效感知企業(yè)自身輿情發(fā)展態(tài)勢(shì)提供路徑參考。［方法／ 過(guò)程］ 利用機(jī)器學(xué)習(xí)、自然語(yǔ)言處理、情感詞典等多種技術(shù)、方法構(gòu)建多維度涉企網(wǎng)絡(luò)輿情測(cè)度模型， 從微博平臺(tái)抓取涉企輿情數(shù)據(jù)以及從Ｗｉｎｄ 金融數(shù)據(jù)庫(kù)抓取文娛行業(yè)上市公司財(cái)務(wù)數(shù)據(jù)， 運(yùn)用回歸分析方法深入分析多維度涉企網(wǎng)絡(luò)輿情因素如何具體作用于企業(yè)價(jià)值。［結(jié)果／ 結(jié)論］ 結(jié)果表明， 涉企網(wǎng)絡(luò)輿情的正負(fù)情感極性會(huì)顯著影響企業(yè)價(jià)值的增減， 強(qiáng)度則影響增減的幅度； 企業(yè)價(jià)值受網(wǎng)絡(luò)輿情規(guī)模大小的影響較為顯著， 呈正相關(guān)關(guān)系； 網(wǎng)絡(luò)輿情影響力對(duì)企業(yè)價(jià)值的影響不明顯。多維度涉企網(wǎng)絡(luò)輿情測(cè)度模型能有效量化網(wǎng)絡(luò)輿情相關(guān)維度指標(biāo)， 研究結(jié)果為企業(yè)及監(jiān)管機(jī)構(gòu)提供更詳盡的參考， 有助于精準(zhǔn)化解網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)。

關(guān)鍵詞： 網(wǎng)絡(luò)輿情； 企業(yè)價(jià)值； 指標(biāo)量化； 情感分析； 影響力

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２５．０５．０１１

〔中圖分類號(hào)〕Ｇ２０３ 〔文獻(xiàn)標(biāo)識(shí)碼〕Ａ 〔文章編號(hào)〕１００８－０８２１ （２０２５） ０５－０１１３－１３

在網(wǎng)絡(luò)蓬勃發(fā)展的當(dāng)下， 互聯(lián)網(wǎng)成為普通公眾表達(dá)觀點(diǎn)、情感的有效場(chǎng)所， 由此所產(chǎn)生的網(wǎng)絡(luò)輿情在企業(yè)經(jīng)營(yíng)中發(fā)揮了重要宣傳作用， 能夠方便企業(yè)信息傳播和資源共享， 拉近與用戶的距離， 擴(kuò)大企業(yè)的宣傳渠道， 快速提升企業(yè)經(jīng)營(yíng)水平。但同時(shí)，網(wǎng)絡(luò)謠言、負(fù)面消息、欺詐信息等負(fù)面涉企網(wǎng)絡(luò)輿情也為企業(yè)平穩(wěn)運(yùn)行發(fā)展帶來(lái)了輿論壓力與巨大挑戰(zhàn)。更為重要的是， 負(fù)面涉企網(wǎng)絡(luò)輿情可能對(duì)企業(yè)的經(jīng)營(yíng)環(huán)境造成極為惡劣的影響， 如企業(yè)股價(jià)下跌、聲譽(yù)受損、融資困難、營(yíng)銷受阻等問(wèn)題， 進(jìn)而導(dǎo)致企業(yè)價(jià)值的快速減值。

本文綜合考量情感、規(guī)模及影響力３ 個(gè)維度，探討涉企網(wǎng)絡(luò)輿情對(duì)企業(yè)價(jià)值的影響。具體而言， 以企業(yè)價(jià)值作為衡量企業(yè)經(jīng)營(yíng)發(fā)展的指標(biāo)， 采用卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ， ＣＮＮ）與情感詞典結(jié)合的方式計(jì)算網(wǎng)絡(luò)輿情的情感指數(shù)， 并以網(wǎng)絡(luò)輿情的實(shí)際數(shù)量來(lái)代表其規(guī)模， 利用層次分析法對(duì)網(wǎng)絡(luò)輿情數(shù)據(jù)的屬性與發(fā)布者屬性進(jìn)行賦權(quán)并得出網(wǎng)絡(luò)輿情影響力指數(shù)， 以創(chuàng)新性的方式方法量化網(wǎng)絡(luò)輿情３ 個(gè)維度， 并通過(guò)回歸分析方法探究涉企網(wǎng)絡(luò)輿情的各個(gè)維度對(duì)企業(yè)價(jià)值的綜合影響， 為企業(yè)以及相關(guān)監(jiān)管機(jī)構(gòu)化解網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)提供更細(xì)致的指導(dǎo)。

１ 相關(guān)研究

１. １ 多維度網(wǎng)絡(luò)輿情測(cè)度的研究

對(duì)于網(wǎng)絡(luò)輿情測(cè)度目前多從風(fēng)險(xiǎn)、情感等角度開(kāi)展研究。吳琦等［１］ 通過(guò)構(gòu)建領(lǐng)域風(fēng)險(xiǎn)詞典以及創(chuàng)建風(fēng)險(xiǎn)指標(biāo)， 結(jié)合事態(tài)特征、輿情熱度等維度來(lái)測(cè)度社會(huì)安全事件輿情風(fēng)險(xiǎn)。胡吉明等［２］ 通過(guò)ＤＥＭＡ?ＴＥＬ 方法， 從網(wǎng)絡(luò)輿情傳播的主體、客體、本體、引體、載體５ 個(gè)維度， 結(jié)合１８ 種影響因素度量突發(fā)公共事件網(wǎng)絡(luò)輿情熱度。情感作為網(wǎng)絡(luò)輿情測(cè)度最常用的切入點(diǎn)， 也有較多學(xué)者通過(guò)對(duì)網(wǎng)絡(luò)輿情情感進(jìn)行測(cè)度來(lái)體現(xiàn)網(wǎng)絡(luò)輿情發(fā)展趨勢(shì)。張楠楠等［３］ 學(xué)者搜集了超過(guò)１０ 萬(wàn)條關(guān)于新冠肺炎疫情每日通報(bào)的博文評(píng)論， 采用情感分析及詞頻統(tǒng)計(jì)技術(shù)探究了輿情變化的特征與背后的動(dòng)因， 并對(duì)后續(xù)輿情發(fā)展進(jìn)行監(jiān)測(cè)和預(yù)測(cè)。胡玉琦等［４］ 學(xué)者注意到， 現(xiàn)有的情感分類研究往往局限于文本信息的分析而忽視了用戶體征及評(píng)論對(duì)象特性的影響。為應(yīng)對(duì)這一局限，在結(jié)合雙向門(mén)控遞歸單元（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｒｅｃｕｒｒｅｎｔ Ｎｅｕ?ｒａｌ Ｎｅｔｗｏｒｋ， ＢｉＧＲＵ）與卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）的情感分類模型中融入了注意力機(jī)制后取得了顯著成效。

１. ２ 網(wǎng)絡(luò)輿情對(duì)企業(yè)價(jià)值影響的研究

當(dāng)前研究網(wǎng)絡(luò)輿情如何影響企業(yè)價(jià)值主要以兩種方式展開(kāi)： 第一種側(cè)重于運(yùn)用機(jī)器學(xué)習(xí)技術(shù)將網(wǎng)絡(luò)輿情的文本內(nèi)容轉(zhuǎn)化為可量化的指標(biāo)， 如情感傾向和觀點(diǎn)頻次， 進(jìn)而探討這些指標(biāo)對(duì)企業(yè)價(jià)值的潛在影響。第二種則是將網(wǎng)絡(luò)輿情的發(fā)展態(tài)勢(shì)轉(zhuǎn)化為指數(shù)形式， 通過(guò)分析指數(shù)的變動(dòng)趨勢(shì)來(lái)預(yù)估其對(duì)企業(yè)未來(lái)價(jià)值的可能影響。Ｓａｂｈｅｒｗａｌ Ｓ 等［５］ 學(xué)者通過(guò)對(duì)比網(wǎng)絡(luò)輿情信息與企業(yè)股價(jià)的橫截面數(shù)據(jù)揭示了兩者之間的緊密聯(lián)系。研究發(fā)現(xiàn)， 針對(duì)企業(yè)的股市相關(guān)評(píng)論數(shù)量與當(dāng)日股價(jià)的異常變動(dòng)呈現(xiàn)出明顯的正相關(guān)， 且這些評(píng)論在一定程度上能夠有效預(yù)測(cè)次日股價(jià)的走勢(shì)。此外， Ｔｓｕｋｉｏｋａ Ｙ 等［６］ 學(xué)者的研究揭示， 股民評(píng)論活躍程度及態(tài)度傾向與企業(yè)市值、市盈率以及波動(dòng)率呈正相關(guān)。Ｌｅｅ Ｙ Ｊ 等［７］ 則指出，隨著網(wǎng)絡(luò)輿情規(guī)模的不斷擴(kuò)大， 盡管在線評(píng)論的情感傾向與股市收益之間呈現(xiàn)出顯著的相關(guān)性， 但這些評(píng)論并不具備預(yù)測(cè)股市走勢(shì)的能力， 同時(shí)評(píng)論數(shù)量的多少也難以準(zhǔn)確預(yù)估企業(yè)股價(jià)。鑒于此， 許汝?。郏福?從網(wǎng)絡(luò)輿情文本內(nèi)容出發(fā)， 引入網(wǎng)民異質(zhì)性等視角探索網(wǎng)絡(luò)輿情與企業(yè)股價(jià)或價(jià)值之間的關(guān)聯(lián)，通過(guò)構(gòu)建網(wǎng)絡(luò)分析師關(guān)注指數(shù)以研究分析師過(guò)度關(guān)注對(duì)企業(yè)價(jià)值的影響。研究發(fā)現(xiàn)， 分析師的經(jīng)驗(yàn)水平、身份特征等異質(zhì)性因素越顯著， 其關(guān)注的上市公司企業(yè)價(jià)值的波動(dòng)性就越大。

綜合來(lái)看， 目前少有研究從多個(gè)維度探究涉企網(wǎng)絡(luò)輿情對(duì)企業(yè)價(jià)值的影響， 主要還是從投資者情緒、當(dāng)日輿情量等單一維度進(jìn)行研究分析， 評(píng)價(jià)水平較弱。例如， Ｓａｂｈｅｒｗａｌ Ｓ 等［５］ 的研究結(jié)論認(rèn)為，輿論聲量越大則企業(yè)價(jià)值越能增長(zhǎng)， 但該研究未將當(dāng)日評(píng)論中正面與負(fù)面情緒的比例納入考量， 因此無(wú)法有效闡釋大量負(fù)面網(wǎng)絡(luò)輿情如何導(dǎo)致企業(yè)價(jià)值減損。這表明， 在探索多維度網(wǎng)絡(luò)輿情對(duì)企業(yè)價(jià)值影響的研究領(lǐng)域內(nèi)仍存在一定的研究空缺。從研究趨勢(shì)上看， 針對(duì)網(wǎng)絡(luò)輿情的研究開(kāi)始向多維度結(jié)合的方向發(fā)展。因此， 本研究聚焦于網(wǎng)絡(luò)輿情對(duì)企業(yè)價(jià)值的影響， 通過(guò)綜合分析網(wǎng)絡(luò)輿情的情感傾向、規(guī)模及影響力大小等多個(gè)維度， 更全面地揭示其對(duì)企業(yè)價(jià)值的影響， 并為后續(xù)的相關(guān)研究提供一定的參考。

２ 多維度涉企網(wǎng)絡(luò)輿情測(cè)度模型構(gòu)建

２. １ 多維度涉企網(wǎng)絡(luò)輿情測(cè)度過(guò)程

網(wǎng)絡(luò)輿情的情感傾向、規(guī)模大小及影響力既是其基本特征， 也是它影響現(xiàn)實(shí)世界并發(fā)揮作用的方式和途徑。網(wǎng)絡(luò)輿情情感的傾向與強(qiáng)弱能夠顯示網(wǎng)絡(luò)輿情受眾對(duì)于輿情事件的基本態(tài)度， 網(wǎng)絡(luò)輿情的規(guī)模則能擴(kuò)大輿情事件的傳播范圍并體現(xiàn)網(wǎng)絡(luò)輿情的存續(xù)狀態(tài)， 網(wǎng)絡(luò)輿情的影響力則能反映網(wǎng)絡(luò)輿情改變其受眾的觀點(diǎn)極性的能力［９］ 。因此， 本文從情感、規(guī)模、影響力３ 個(gè)維度對(duì)涉企網(wǎng)絡(luò)輿情進(jìn)行測(cè)度， 能夠從觀點(diǎn)傾向、數(shù)據(jù)量級(jí)和影響效力等維度同時(shí)體現(xiàn)網(wǎng)絡(luò)輿情對(duì)企業(yè)影響的整體水平， 可以有效地運(yùn)用在網(wǎng)絡(luò)輿情對(duì)企業(yè)影響的分析研究中。因此， 本文首先針對(duì)涉企網(wǎng)絡(luò)輿情的３ 個(gè)維度分別設(shè)計(jì)相應(yīng)的模型進(jìn)行量化測(cè)度， 為后續(xù)研究奠定數(shù)據(jù)基礎(chǔ)。圖１ 展示了多維度涉企網(wǎng)絡(luò)輿情測(cè)度構(gòu)建的整體流程。

多維度涉企網(wǎng)絡(luò)輿情測(cè)度整體思路為： 首先，通過(guò)從微博等社交平臺(tái)獲取某個(gè)時(shí)間段內(nèi)的涉企網(wǎng)絡(luò)輿情信息并進(jìn)行數(shù)據(jù)清洗等預(yù)處理； 其次， 構(gòu)建關(guān)于涉企網(wǎng)絡(luò)輿情情感、規(guī)模、影響力測(cè)度模型，將涉企網(wǎng)絡(luò)輿情情感強(qiáng)度和極性相結(jié)合得到情感測(cè)度結(jié)果， 通過(guò)將網(wǎng)絡(luò)輿情的總量與對(duì)應(yīng)評(píng)論數(shù)量綜合考量， 得出規(guī)模的測(cè)度值； 將網(wǎng)絡(luò)輿情用戶屬性指標(biāo)和輿情信息屬性指標(biāo)進(jìn)行權(quán)重計(jì)算并結(jié)合得到影響力測(cè)度結(jié)果； 最后， 通過(guò)Ｗｉｎｄ 等平臺(tái)得到企業(yè)的托賓Ｑ 等表示企業(yè)價(jià)值的指標(biāo)， 利用回歸分析等方法探究企業(yè)價(jià)值受涉企網(wǎng)絡(luò)輿情情感、規(guī)模、影響力的影響程度。

２. ２ 涉企網(wǎng)絡(luò)輿情情感測(cè)度模型構(gòu)建

鑒于僅依據(jù)網(wǎng)絡(luò)輿情的情感極性無(wú)法全面反映負(fù)面情緒對(duì)企業(yè)股價(jià)、市場(chǎng)評(píng)價(jià)及商譽(yù)的潛在影響，有必要結(jié)合情感的強(qiáng)弱程度進(jìn)行綜合考量。因此，在涉企多維網(wǎng)絡(luò)輿情的情感測(cè)度中將其細(xì)分為兩部分： 一方面計(jì)算網(wǎng)絡(luò)輿情的情感極性， 另一方面評(píng)估情感的強(qiáng)度， 最后將兩者結(jié)合以全面表達(dá)網(wǎng)絡(luò)輿情的情感傾向及其強(qiáng)烈程度。

在對(duì)網(wǎng)絡(luò)輿情情感極性的分析上， 本文采用Ｐｙｔｈｏｎ 的開(kāi)源工具包ＴｅｎｓｏｒＦｌｏｗ 庫(kù)來(lái)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）模型。訓(xùn)練數(shù)據(jù)集由５ 萬(wàn)條正面情感和５ 萬(wàn)條負(fù)面情感的已標(biāo)注中文文本組成， 文本均源自網(wǎng)絡(luò)收集。模型訓(xùn)練初期， 參數(shù)設(shè)置基于經(jīng)驗(yàn)值進(jìn)行預(yù)設(shè)， 隨后依據(jù)損失函數(shù)值及準(zhǔn)確率的變動(dòng)趨勢(shì)對(duì)ＣＮＮ 模型的參數(shù)進(jìn)行細(xì)致的調(diào)整與優(yōu)化［１０］ ，經(jīng)過(guò)參數(shù)調(diào)優(yōu)確定了最終的模型參數(shù)配置。圖２ 展示了在最優(yōu)參數(shù)下ＣＮＮ 模型在情感分類任務(wù)上的損失函數(shù)值與準(zhǔn)確率表現(xiàn)。

由圖２ 可知， 在進(jìn)行了三萬(wàn)次迭代訓(xùn)練后ＣＮＮ模型的損失函數(shù)已經(jīng)趨于穩(wěn)定， 表明模型已經(jīng)收斂，其在情感極性分類任務(wù)上的準(zhǔn)確率也達(dá)到了高水平。將涉企網(wǎng)絡(luò)輿情數(shù)據(jù)整理成語(yǔ)料庫(kù)輸入到已經(jīng)訓(xùn)練成熟的ＣＮＮ 模型中， 從而快速得出每條網(wǎng)絡(luò)輿情文本的情感極性ｅｐ。在訓(xùn)練集的標(biāo)注過(guò)程中規(guī)定正向情感的文本情感值為＋１， 負(fù)向情感的文本情感值為－１， 因此本文模型最終輸出結(jié)果也與訓(xùn)練集標(biāo)注結(jié)果相同， 正向情感的網(wǎng)絡(luò)輿情ｅｐ 值為＋１，負(fù)向情感的網(wǎng)絡(luò)輿情ｅｐ 值為－１。

在評(píng)估網(wǎng)絡(luò)輿情的情感強(qiáng)度時(shí)， 本文采用了情感詞典的方法。在構(gòu)建停用詞詞典的過(guò)程中綜合了哈爾濱工業(yè)大學(xué)停用詞詞庫(kù)、百度停用詞表等主流資源， 整合后形成了一個(gè)包含１ ９５１個(gè)停用詞的新詞典。對(duì)于程度副詞詞典的構(gòu)建， 基于現(xiàn)有的多個(gè)程度副詞詞典進(jìn)行了去重與整合， 形成了一個(gè)更為完善的新詞典， 同時(shí)參考前人的研究成果， 根據(jù)程度副詞對(duì)情感詞情感的增強(qiáng)程度， 為這些副詞賦予了相應(yīng)的權(quán)重值， 將程度值Ｄｅｇｒｅｅ 設(shè)置為“低級(jí)、中級(jí)、高級(jí)、最高級(jí)” ４ 個(gè)等級(jí)， 分別賦值０. ８、１. １、１. ５、１. ８［１１］ ， 以表示程度副詞對(duì)情感詞語(yǔ)態(tài)的加強(qiáng)程度。情感詞典在情感強(qiáng)度評(píng)估中扮演著核心角色， 要求對(duì)每個(gè)詞匯的情感傾向進(jìn)行精確量化。為此， 本文采用了ＢｏｓｏｎＮＬＰ 情感詞典作為情感強(qiáng)度分析的基礎(chǔ)工具， 該詞典已預(yù)先完成了情感值的標(biāo)注工作， 其構(gòu)建依托于微博、新聞、論壇等多元化的數(shù)據(jù)資源， 確保了每個(gè)詞匯都擁有唯一且明確的情感值。鑒于其包含超過(guò)１０ 萬(wàn)個(gè)情感詞匯［９］ ， 該詞典在應(yīng)用于網(wǎng)絡(luò)輿情文本的情感強(qiáng)度計(jì)算時(shí)能夠擁有高度的有效性和準(zhǔn)確性。

因此， 本文中的涉企網(wǎng)絡(luò)輿情文本的情感強(qiáng)度計(jì)算流程如下： 首先， 將文本以句子為單位進(jìn)行分割， 隨后進(jìn)行分詞處理、去除停用詞， 并提取出其中的程度副詞， 從而形成針對(duì)每條文本的情感詞集合Ｓｅｎｔｅｎｃｅｉ ＝｛ｗ１，ｗ２，…，ｗｊ ｝。ｉ 代表句子數(shù)量， ｊ 代表第ｉ 條句子中情感詞的數(shù)量。隨后利用ＢｏｓｏｎＮＬＰ情感詞典為每個(gè)情感詞匹配其對(duì)應(yīng)的情感值ｓｊ 。若情感詞前有程度副詞修飾， 則將該情感詞的基礎(chǔ)情感值乘以相應(yīng)的程度副詞系數(shù)得到調(diào)整后的新情感值。最后將所有情感詞的情感值進(jìn)行累加， 所得總和即為該條網(wǎng)絡(luò)輿情文本的情感強(qiáng)度。

通過(guò)將涉企網(wǎng)絡(luò)輿情的情感強(qiáng)度與其情感極性相結(jié)合可以對(duì)涉企網(wǎng)絡(luò)輿情的情感指數(shù)ＥＩ（ＥｍｏｔｉｏｎＩｎｄｅｘ）進(jìn)行測(cè)度。計(jì)算方式如式（１） 所示：

其中， ｅｄｍｊ為企業(yè)第ｊ 個(gè)季度的第ｍ 條網(wǎng)絡(luò)輿情數(shù)據(jù)的情感強(qiáng)度， ｅｐｍｊ 為該條數(shù)據(jù)的情感極性。將企業(yè)在每個(gè)季度內(nèi)的每條網(wǎng)絡(luò)輿情數(shù)據(jù)的情感極性與情感強(qiáng)度進(jìn)行相乘運(yùn)算， 隨后累加該季度所有網(wǎng)絡(luò)輿情數(shù)據(jù)的乘積結(jié)果， 即可計(jì)算出企業(yè)在該季度的網(wǎng)絡(luò)輿情情感指數(shù)。其中， 正指數(shù)表明企業(yè)的網(wǎng)絡(luò)輿情傾向于正面情感， 負(fù)指數(shù)則表明企業(yè)的網(wǎng)絡(luò)輿情傾向于負(fù)面情感， 而指數(shù)的絕對(duì)值大小則反映了網(wǎng)絡(luò)輿情情感的強(qiáng)弱程度。網(wǎng)絡(luò)輿情情感指數(shù)ＥＩ為企業(yè)提供了衡量各個(gè)季度網(wǎng)絡(luò)輿情整體情感傾向的指標(biāo)， 結(jié)合企業(yè)季度末的財(cái)務(wù)報(bào)告可以進(jìn)一步探討網(wǎng)絡(luò)輿情情感對(duì)企業(yè)價(jià)值評(píng)估的潛在影響。

２. ３ 涉企網(wǎng)絡(luò)輿情規(guī)模測(cè)度模型構(gòu)建過(guò)程

網(wǎng)絡(luò)輿情規(guī)模的測(cè)度依據(jù)是網(wǎng)絡(luò)輿情信息總量與每條信息回復(fù)數(shù)的總和， 既包括與涉企網(wǎng)絡(luò)輿情事件直接相關(guān)聯(lián)的網(wǎng)絡(luò)輿情信息條目數(shù)量， 又包括該涉企輿情信息所引發(fā)的討論數(shù)量。討論信息也可以視作是網(wǎng)民對(duì)涉企網(wǎng)絡(luò)輿情事件的參與， 因此，本文認(rèn)為將二者的數(shù)量相結(jié)合能夠有效描述涉企網(wǎng)絡(luò)輿情的總體規(guī)模。構(gòu)建涉企網(wǎng)絡(luò)輿情規(guī)模測(cè)度模型的方式如下： 首先， 以單獨(dú)發(fā)布的涉企網(wǎng)絡(luò)輿情信息作為衡量基礎(chǔ)， 代表企業(yè)負(fù)面事件的基本規(guī)模；其次， 依據(jù)每條信息收獲的回復(fù)數(shù)量進(jìn)行加權(quán)， 這部分反映了信息發(fā)布者粉絲群體所貢獻(xiàn)的網(wǎng)絡(luò)輿情規(guī)模。此模型在數(shù)據(jù)收集和計(jì)算復(fù)雜度上均較為簡(jiǎn)便， 卻能有效體現(xiàn)特定時(shí)間段內(nèi)網(wǎng)絡(luò)輿情的總體態(tài)勢(shì)。具體操作時(shí)， 統(tǒng)計(jì)每個(gè)企業(yè)財(cái)務(wù)信息公開(kāi)周期內(nèi)的所有輿情信息及回復(fù)， 以此作為該周期內(nèi)企業(yè)網(wǎng)絡(luò)輿情規(guī)模的量化指標(biāo)。

綜上所述， 涉企網(wǎng)絡(luò)輿情規(guī)模指數(shù)ＳＩ 計(jì)算公式如式（２） 所示：

其中， 企業(yè)第ｋ 季度的網(wǎng)絡(luò)輿情規(guī)模指數(shù)ＳＩｋ為該季度中網(wǎng)絡(luò)輿情數(shù)據(jù)ｎｐｏ 乘以他們所包含的評(píng)論ｃｏｍｍｅｎｔ， 當(dāng)無(wú)評(píng)論時(shí)ｃｏｍｍｅｎｔ ＝ １。這一指標(biāo)綜合考量了由企業(yè)負(fù)面事件直接引發(fā)的原生網(wǎng)絡(luò)輿情規(guī)模， 以及因網(wǎng)絡(luò)輿情信息中的觀點(diǎn)表達(dá)而吸引其他用戶參與回復(fù)所形成的衍生網(wǎng)絡(luò)輿情規(guī)模， 覆蓋了由企業(yè)相關(guān)社會(huì)事件所產(chǎn)生的網(wǎng)絡(luò)輿情信息。在評(píng)估網(wǎng)絡(luò)輿情規(guī)模時(shí)， 由于無(wú)需分析輿情信息的具體內(nèi)容， 因此在采集以企業(yè)名稱為關(guān)鍵詞的網(wǎng)絡(luò)輿情數(shù)據(jù)時(shí)， 僅需同時(shí)記錄每條信息所對(duì)應(yīng)的回復(fù)數(shù)量而無(wú)需額外采集具體的回復(fù)內(nèi)容。

２. ４ 涉企網(wǎng)絡(luò)輿情影響力測(cè)度模型構(gòu)建過(guò)程

涉企網(wǎng)絡(luò)輿情影響力指標(biāo)指的是輿情信息對(duì)投資者意向的影響， 這一影響通常難以量化。傳統(tǒng)的信息載體， 如文字、圖片、視頻等本身并不具備直接體現(xiàn)影響力的特性。鑒于此， 本文將網(wǎng)絡(luò)輿情信息的標(biāo)簽屬性和發(fā)布者的標(biāo)簽屬性二者相結(jié)合來(lái)評(píng)估涉企網(wǎng)絡(luò)輿情的影響力。本文數(shù)據(jù)取自微博平臺(tái)，因此影響力的評(píng)估指標(biāo)主要依據(jù)該平臺(tái)提供的屬性標(biāo)簽數(shù)據(jù)進(jìn)行構(gòu)建， 具體評(píng)估指標(biāo)參見(jiàn)表１。

其中， Ｓ１、Ｓ２、Ｓ３ 為用戶的活躍程度， 數(shù)值均為正整數(shù)。Ｓ４ 為系數(shù)指標(biāo)， 反映用戶身份的真實(shí)度， 按照數(shù)據(jù)獲取平臺(tái)的無(wú)認(rèn)證、個(gè)人認(rèn)證、官方認(rèn)證的３ 種認(rèn)證取值為［１，２，３］。Ｓ５、Ｓ６、Ｓ７ 反映網(wǎng)絡(luò)輿情信息的爭(zhēng)議度， 爭(zhēng)議越大影響力越大， 數(shù)值為正整數(shù)。Ｓ８ 為系數(shù)指標(biāo)， 根據(jù)網(wǎng)絡(luò)輿情信息的文本、圖片、視頻３ 種數(shù)據(jù)類型取值為［１，２，３］，數(shù)據(jù)類型維度越高網(wǎng)絡(luò)輿情信息的影響力越大。

為計(jì)算各指標(biāo)的權(quán)重， 首先需要確定標(biāo)度并構(gòu)建判斷矩陣。在指標(biāo)體系建立完成后， 需對(duì)隸屬于上一層次的每個(gè)指標(biāo)成對(duì)比較， 采用了專家評(píng)價(jià)法邀請(qǐng)了１０ 位研究網(wǎng)絡(luò)輿情方向的專家， 參考表２ 對(duì)指標(biāo)間的重要性關(guān)系進(jìn)行標(biāo)度確定， 并據(jù)此構(gòu)建出判斷矩陣。

利用所確定的標(biāo)度構(gòu)建針對(duì)涉企網(wǎng)絡(luò)輿情影響力測(cè)度指標(biāo)的判斷矩陣， 該矩陣Ｍ 見(jiàn)式（３）：

隨后進(jìn)行權(quán)重計(jì)算與一致性檢驗(yàn)。首先計(jì)算出指標(biāo)的特征向量值及其對(duì)應(yīng)的最大特征根， 這些數(shù)值將作為后續(xù)一致性驗(yàn)證的基礎(chǔ)。層次單排序主要是對(duì)同層同屬的指標(biāo)重要性進(jìn)行確定， 需依據(jù)測(cè)度指標(biāo)體系的架構(gòu)， 構(gòu)建多個(gè)判斷矩陣來(lái)計(jì)算權(quán)重。完成權(quán)重計(jì)算后需對(duì)矩陣進(jìn)行一致性檢驗(yàn)， 如式（４）、式（５） 所示：

ＣＩ ＝λｍａｘ －ｎ／ｎ－１ （４）

ＣＲ ＝ＣＩ／ＲＩ （５）

其中， λｍａｘ為判斷矩陣最大特征根， ｎ 為判斷矩陣階數(shù)， ＣＲ 為一致性指標(biāo)， ＲＩ 為隨機(jī)一致性檢驗(yàn)指標(biāo)， 如表３ 所示。

計(jì)算后ＣＲ 的值若小于０. １， 即判斷矩陣滿足一致性檢驗(yàn)， 反之需調(diào)整判斷矩陣取值。具體數(shù)值如表４ 所示。

經(jīng)過(guò)計(jì)算確定了網(wǎng)絡(luò)輿情影響力測(cè)度指標(biāo)體系中各層級(jí)要素及其指標(biāo)的權(quán)重， 指標(biāo)層中的指標(biāo)對(duì)于目標(biāo)的權(quán)重需要結(jié)合其所屬測(cè)度層指標(biāo)權(quán)重綜合得出， 涉企網(wǎng)絡(luò)輿情影響力測(cè)度指標(biāo)綜合權(quán)重見(jiàn)表５。

在確定指標(biāo)權(quán)重后， 需要結(jié)合網(wǎng)絡(luò)輿情數(shù)據(jù)對(duì)其影響力進(jìn)行測(cè)度， 對(duì)涉企網(wǎng)絡(luò)輿情影響力指標(biāo)數(shù)據(jù)進(jìn)行去量綱化處理， 將其數(shù)值映射至［０，１］區(qū)間。結(jié)合各個(gè)指標(biāo)權(quán)重， 可以測(cè)算網(wǎng)絡(luò)輿情影響力用戶屬性信息（Ｅ１）與觀點(diǎn)屬性信息（Ｅ２）。

涉企網(wǎng)絡(luò)輿情影響力的用戶屬性信息（Ｅ１）Ａｕｓｅｒ如式（６） 所示：

Ａｕｓｅｒ ＝Σｍｉ ＝ １ｗａ ａｉ（ｗｇ ｇｉ ＋ｗｆ ｆｉ ＋ｗｂ ｂｉ ） （６）

其中， ｍ 為季度中關(guān)于上市公司的網(wǎng)絡(luò)輿情發(fā)文用戶數(shù)量， ｇｉ 、ｆｉ 、ｂｉ 、ａｉ 與ｗｇ 、ｗｆ 、ｗｂ 、ｗａ 分別為第ｉ 個(gè)用戶的用戶屬性信息（Ｅ１）指標(biāo)層中Ｓ１、Ｓ２、Ｓ３、Ｓ４ 的指標(biāo)數(shù)值與指標(biāo)權(quán)重。

涉企網(wǎng)絡(luò)輿情影響力的觀點(diǎn)屬性信息（Ｅ２）Ａｏｐｉｎｉｏｎ如式（７） 所示：

Ａｏｐｉｎｉｏｎ ＝Σｎｊ ＝ １ｗｌ ｌｊ（ｗｄ ｄｊ ＋ｗｚ ｚｊ ＋ｗｐ ｐｊ ） （７）

其中， ｎ 為季度中網(wǎng)絡(luò)輿情信息數(shù)量， ｄｊ 、ｚｊ 、ｐｊ 、ｌｊ 與ｗｄ 、ｗｚ 、ｗｐ 、ｗｌ 分別為第ｊ 條網(wǎng)絡(luò)輿情信息的觀點(diǎn)屬性信息（Ｅ２）指標(biāo)層中Ｓ５、Ｓ６、Ｓ７、Ｓ８的指標(biāo)數(shù)值與指標(biāo)權(quán)重。

在對(duì)分解指標(biāo)Ｅ１ 與Ｅ２ 進(jìn)行測(cè)度之后， 將二者加權(quán)求和即可得出網(wǎng)絡(luò)輿情影響力， 當(dāng)期涉企網(wǎng)絡(luò)輿情影響力ｆｉ 如式（８） 所示：

ｆｉ ＝ｗＡｕ Ａｕｓｅｒ ＋ｗＡｏ Ａｏｐｉｎｉｏｎ （８）

其中， ｗＡｕ 、ｗＡｏ為Ｅ１ 與Ｅ２ 的指標(biāo)權(quán)重。

雖然計(jì)算出當(dāng)期的網(wǎng)絡(luò)輿情影響力指數(shù)能夠反映企業(yè)在各個(gè)財(cái)務(wù)季度的即時(shí)影響力狀況， 但若要體現(xiàn)網(wǎng)絡(luò)輿情影響力對(duì)企業(yè)的影響， 還需從影響力變動(dòng)幅度的視角進(jìn)行考察。因此， 通過(guò)計(jì)算企業(yè)網(wǎng)絡(luò)輿情的當(dāng)期影響力指數(shù)與前一期影響力指數(shù)的差值， 來(lái)確定最終的網(wǎng)絡(luò)輿情影響力變化量。網(wǎng)絡(luò)輿情影響力指數(shù)ＦＩ 如式（９） 所示：

ＦＩ ＝ｆｉｘ －ｆｉｘ－１ （９）

其中， ｆｉｘ 為當(dāng)前季度企業(yè)的網(wǎng)絡(luò)輿情影響力，ｆｉｘ－１為企業(yè)前一季度的網(wǎng)絡(luò)輿情影響力。通過(guò)該方式分析網(wǎng)絡(luò)輿情影響力在各個(gè)季度的變化程度， 可以判斷影響力變化對(duì)企業(yè)價(jià)值的影響。

３ 實(shí)證研究

２０１８ 年的“陰陽(yáng)合同” 事件引起了公眾對(duì)娛樂(lè)圈負(fù)面事件的廣泛關(guān)注。廣電總局和國(guó)家稅務(wù)總局加強(qiáng)了對(duì)文娛企業(yè)的監(jiān)管力度， 這使得文娛行業(yè)的網(wǎng)絡(luò)輿情環(huán)境趨于嚴(yán)峻。在此背景下， 涉企網(wǎng)絡(luò)輿情對(duì)企業(yè)的影響變得尤為顯著。此外， 文娛行業(yè)上市公司話題討論度較大， 能夠獲取較多網(wǎng)絡(luò)輿情數(shù)據(jù)， 有利于實(shí)驗(yàn)結(jié)果的準(zhǔn)確性。因此， 本文對(duì)２０１８年之后的文娛行業(yè)網(wǎng)絡(luò)輿情情況與企業(yè)價(jià)值進(jìn)行回歸分析， 能夠較好地驗(yàn)證網(wǎng)絡(luò)輿情對(duì)企業(yè)經(jīng)營(yíng)造成的影響。

３. １ 變量與樣本選取

本文數(shù)據(jù)主要分為兩個(gè)部分， 一是涉企網(wǎng)絡(luò)輿情數(shù)據(jù)， 來(lái)源為微博平臺(tái)中涉及文娛行業(yè)上市公司的相關(guān)評(píng)論， 包括評(píng)論的文本內(nèi)容、屬性標(biāo)簽的具體數(shù)量、發(fā)布用戶的特征數(shù)據(jù)等。二是企業(yè)的財(cái)務(wù)數(shù)據(jù)， 來(lái)源為Ｗｉｎｄ 等金融數(shù)據(jù)庫(kù)， 包括企業(yè)價(jià)值、資產(chǎn)負(fù)債率、收入增長(zhǎng)率等。

企業(yè)價(jià)值是目前非常普遍且合理地體現(xiàn)企業(yè)發(fā)展水平的指標(biāo)， 能夠較好地用于分析涉企網(wǎng)絡(luò)輿情對(duì)企業(yè)的影響， 因此， 本文將企業(yè)價(jià)值作為被解釋變量， 用托賓Ｑ 值（Ｔｏｂｉｎ＇ｓ Ｑ）表示［１２］ ， 托賓Ｑ 公式如式（１０） 所示：

ＴｏｂｉｎＱ ＝市價(jià)×流通股數(shù)＋非流通股數(shù)×每股凈資產(chǎn)＋負(fù)債賬面價(jià)值／資產(chǎn)總計(jì)（１０）

其中， 市價(jià)用季度末５ 日收盤(pán)價(jià)的均數(shù)計(jì)算，每股凈資產(chǎn)用季度末所有者權(quán)益與總股本的比值計(jì)算每股凈資產(chǎn)。解釋變量為前文測(cè)度的涉企網(wǎng)絡(luò)輿情情感、規(guī)模、影響力指數(shù)， 控制變量在參考以往研究基礎(chǔ)上選擇資產(chǎn)負(fù)債率、凈資產(chǎn)利潤(rùn)率、收入增長(zhǎng)率、現(xiàn)金凈流量、營(yíng)業(yè)額［１３］ 。如表６ 所示。

涉企網(wǎng)絡(luò)輿情數(shù)據(jù)方面， 考慮到Ａ 股上市公司財(cái)務(wù)數(shù)據(jù)獲取方便， 且電影、電視、娛樂(lè)業(yè)等細(xì)分行業(yè)的上市公司話題度較高， 相較于其他實(shí)體行業(yè)， 網(wǎng)絡(luò)輿情信息數(shù)據(jù)較為充足， 因此利用“天眼查” Ａｐｐ 的高級(jí)查找功能做篩選， 排除了娛樂(lè)屬性相對(duì)較低的行業(yè)， 如發(fā)行業(yè)、出版業(yè)以及圖書(shū)館等， 同時(shí)也剔除了２０１８ 年之后退市的企業(yè)， 增加影視行業(yè)中排名靠前的龍頭企業(yè)， 共選?。矗?家在Ａ 股主板上市的文娛行業(yè)公司作為研究對(duì)象。同時(shí)，以文娛行業(yè)企業(yè)股票的中文名稱作為檢索關(guān)鍵詞，選擇Ｇｏｏｓｅｅｋｅｒ 網(wǎng)絡(luò)爬蟲(chóng)工具在微博平臺(tái)中進(jìn)行網(wǎng)絡(luò)輿情數(shù)據(jù)抓取， 數(shù)據(jù)收集的時(shí)間范圍設(shè)定為２０１８年１ 月１ 日至２０２０ 年１２ 月３１ 日， 期間從微博平臺(tái)搜集了目標(biāo)企業(yè)的網(wǎng)絡(luò)輿情文本信息， 包括點(diǎn)贊、評(píng)論、轉(zhuǎn)發(fā)次數(shù)等數(shù)據(jù)， 同時(shí)還獲取了微博發(fā)布者的發(fā)帖、關(guān)注、粉絲數(shù)量以及用戶認(rèn)證狀態(tài)等相關(guān)信息?？紤]到目前微博將關(guān)鍵詞檢索內(nèi)容的瀏覽范圍限制在５０ 頁(yè)以內(nèi)， 同時(shí)考慮到數(shù)據(jù)抓取的時(shí)間成本， 以分鐘為時(shí)間切片進(jìn)行抓取則時(shí)間成本巨大，因此本文設(shè)置抓取每個(gè)小時(shí)內(nèi)相關(guān)關(guān)鍵詞的微博數(shù)據(jù)， 由于微博關(guān)鍵詞搜索的內(nèi)容顯示是按照點(diǎn)贊、回復(fù)、轉(zhuǎn)發(fā)等綜合熱度排序而來(lái)， 因此此種抓取邏輯能夠在獲取時(shí)間一定的情況下盡可能抓取信息量充足的有用信息?？傆?jì)抓取超過(guò)４０ 萬(wàn)條網(wǎng)絡(luò)輿情數(shù)據(jù)。關(guān)于企業(yè)財(cái)務(wù)數(shù)據(jù)， 托賓Ｑ 值及各個(gè)企業(yè)財(cái)務(wù)數(shù)據(jù)變量均來(lái)源于Ｗｉｎｄ 數(shù)據(jù)庫(kù)、ＣＳＭＡＲ 數(shù)據(jù)庫(kù)等專業(yè)金融信息平臺(tái)。在排除財(cái)務(wù)數(shù)據(jù)異常及關(guān)鍵變量缺失的樣本后， 最終確定了４９５ 個(gè)有效數(shù)據(jù)觀測(cè)值。

３. ２ 研究假設(shè)

行為金融理論主張證券市場(chǎng)價(jià)格的形成不僅基于股票的內(nèi)在價(jià)值， 還受投資者心理與行為的影響，這意味著投資者的心理和行為在股票價(jià)值波動(dòng)中扮演著關(guān)鍵角色［１４］ 。魏楊［１５］ 指出， 當(dāng)企業(yè)負(fù)面事件在網(wǎng)絡(luò)上發(fā)酵并轉(zhuǎn)化為網(wǎng)絡(luò)輿情時(shí)， 兼具網(wǎng)民與股民身份的投資者在接收到這些負(fù)面信息后可能會(huì)調(diào)整其投資策略。鄧艷［１６］ 則運(yùn)用文本挖掘與情感分析技術(shù)對(duì)網(wǎng)絡(luò)輿情信息進(jìn)行量化處理， 并結(jié)合綜合股價(jià)指數(shù)， 探討了網(wǎng)絡(luò)輿情情感與股票價(jià)格之間的相關(guān)性， 發(fā)現(xiàn)網(wǎng)絡(luò)輿情情感具有一定的股價(jià)預(yù)測(cè)能力，正面情感會(huì)推動(dòng)股價(jià)上漲并觸發(fā)“羊群效應(yīng)”， 進(jìn)一步吸引投資者。歐陽(yáng)哲［１７］ 的研究指出， 企業(yè)的網(wǎng)絡(luò)聲譽(yù)也屬于重要資源， 曾遭遇負(fù)面報(bào)道的企業(yè)在媒體中的聲譽(yù)受損， 當(dāng)再次曝出負(fù)面信息時(shí)媒體和網(wǎng)絡(luò)輿情情感的負(fù)面傾向會(huì)加劇， 這對(duì)企業(yè)的形象塑造、產(chǎn)品推廣及品牌營(yíng)銷構(gòu)成更為嚴(yán)峻的挑戰(zhàn)。綜上所述， 本文提出以下假設(shè)：

假設(shè)１： 涉企網(wǎng)絡(luò)輿情情感對(duì)企業(yè)價(jià)值具有顯著影響

基于信號(hào)傳遞理論與信息不對(duì)稱理論， Ｄａ Ｚ等［１８］ 學(xué)者指出， 企業(yè)與中小投資者之間存在著顯著的信息不對(duì)稱問(wèn)題。然而， 申琦等［１９］ 學(xué)者的研究表明， 在網(wǎng)絡(luò)時(shí)代背景下， 各類資本信息在投資者群體中實(shí)現(xiàn)了有效流通， 信息由企業(yè)與機(jī)構(gòu)所主導(dǎo)的信息場(chǎng)通過(guò)網(wǎng)絡(luò)渠道廣泛傳播至整個(gè)市場(chǎng)， 顯著緩解了企業(yè)與投資者之間的信息不對(duì)稱狀況。研究表明， 前一交易日的股票評(píng)論數(shù)量與當(dāng)日的企業(yè)股票價(jià)值和成交量之間存在較強(qiáng)的關(guān)聯(lián)性［２０］ 。此外， 張琬林［２１］ 的研究表明， 個(gè)體觀點(diǎn)或行為易受群體影響與多數(shù)人的立場(chǎng)保持一致， 網(wǎng)絡(luò)輿情規(guī)模擴(kuò)張的一個(gè)潛在隱患在于， 網(wǎng)民個(gè)體的態(tài)度可能受到羊群效應(yīng)的作用而向網(wǎng)絡(luò)輿情整體情緒靠攏。隨著企業(yè)負(fù)面輿情的不斷擴(kuò)大將對(duì)企業(yè)在二級(jí)市場(chǎng)的信息環(huán)境構(gòu)成不利影響， 網(wǎng)民或投資者群體的觀點(diǎn)將趨于一致， 進(jìn)而影響到企業(yè)的成交量、成交額等， 導(dǎo)致企業(yè)的資產(chǎn)價(jià)值、商譽(yù)以及市場(chǎng)評(píng)價(jià)等代表企業(yè)綜合價(jià)值的要素在短期內(nèi)發(fā)生快速波動(dòng)。綜上所述， 本文提出以下假設(shè)：

假設(shè)２： 涉企網(wǎng)絡(luò)輿情規(guī)模對(duì)企業(yè)價(jià)值具有顯著影響

影響力是指能夠改變他人思維或行動(dòng)的力量，也體現(xiàn)了被他人接納的程度， 人們通常對(duì)擁有高影響力的人或事物持有更高的接受意愿［２２］ 。一方面，上市企業(yè)主動(dòng)公開(kāi)的財(cái)務(wù)報(bào)告、決策公告、重大事件通報(bào)等經(jīng)營(yíng)信息， 對(duì)股票價(jià)值的短期波動(dòng)及融資環(huán)境具有顯著影響［２３］ ； 另一方面， 企業(yè)未曾預(yù)料的突發(fā)事件在網(wǎng)絡(luò)上迅速傳播形成網(wǎng)絡(luò)輿情， 隨著事件影響力或熱度的攀升， 投資者的關(guān)注度也隨之提升。在二級(jí)市場(chǎng)中， 這種突發(fā)的正面或負(fù)面事件會(huì)促使投資者依據(jù)事件的影響力采取相似的投資行為，極端情況下可能導(dǎo)致集體增持或拋售， 進(jìn)而引發(fā)股票價(jià)格的漲?；虻＃郏玻矗?。相較于市值較大的企業(yè)，市值較小的小盤(pán)股對(duì)關(guān)注度和搜索強(qiáng)度的變化更為敏感， 當(dāng)搜索熱度在短期內(nèi)急劇上升時(shí)對(duì)其股價(jià)的影響更大， 從而促使與企業(yè)相關(guān)的信息隨檢索頻率的增加而快速累積［１８］ 。綜上所述， 本文提出以下假設(shè)：

假設(shè)３： 涉企網(wǎng)絡(luò)輿情影響力對(duì)企業(yè)價(jià)值具有顯著影響

３."３ 模型設(shè)計(jì)

為驗(yàn)證假設(shè)１ 網(wǎng)絡(luò)輿情情感對(duì)企業(yè)價(jià)值的影響， 構(gòu)建模型如式（１１） 所示：

ＴＱ＝α０＋α１ＥＩ＋α２Ｌｅｖ＋α３ＲＯＥ＋α４Ｇｒｏｗｔｈ＋α５Ｃａｓｈ＋α６Ｌｎｓａｌｅｓ＋Σｑｕａｒｔｅｒ＋ε （１１）

被解釋變量ＴＱ 為企業(yè)ｉ 第ｔ 年的第ｓ 個(gè)季度的托賓Ｑ 值， α０ 為常數(shù)項(xiàng)， α１ ～α６ 為回歸系數(shù)， ＥＩ 為同期網(wǎng)絡(luò)輿情情感值。Ｌｅｖ、ＲＯＥ、Ｇｒｏｗｔｈ、Ｃａｓｈ、Ｌｎｓａｌｅｓ 為控制變量， 分別為企業(yè)ｉ 第ｔ 年的第ｓ 個(gè)季度的企業(yè)規(guī)模、資產(chǎn)負(fù)債率、凈資產(chǎn)利潤(rùn)率、收入增長(zhǎng)率、現(xiàn)金凈流量、營(yíng)業(yè)額， ｑｕａｒｔｅｒ 為虛擬變量， ε 為殘差項(xiàng)。

為驗(yàn)證假設(shè)２ 網(wǎng)絡(luò)輿情規(guī)模對(duì)企業(yè)價(jià)值的影響， 構(gòu)建模型如式（１２） 所示：

ＴＱ ＝α０ ＋α１ＳＩ＋α２Ｌｅｖ＋α３ＲＯＥ＋α４Ｇｒｏｗｔｈ＋α５Ｃａｓｈ＋α６Ｌｎｓａｌｅｓ＋Σｑｕａｒｔｅｒ＋ε （１２）

為驗(yàn)證假設(shè)３ 網(wǎng)絡(luò)輿情影響力對(duì)企業(yè)價(jià)值的影響， 即是否網(wǎng)絡(luò)輿情影響力越大， 對(duì)企業(yè)價(jià)值的影響越大， 構(gòu)建模型如式（１３） 所示：

ＴＱ＝α０＋α１ＦＩ＋α２Ｌｅｖ＋α３ＲＯＥ＋α４Ｇｒｏｗｔｈ＋α５Ｃａｓｈ＋α６Ｌｎｓａｌｅｓ＋Σｑｕａｒｔｅｒ＋ε （１３）

為驗(yàn)證網(wǎng)絡(luò)輿情各指標(biāo)對(duì)企業(yè)價(jià)值的綜合影響，將網(wǎng)絡(luò)輿情情感、規(guī)模、影響力３ 個(gè)變量代入模型綜合分析其影響效果， 模型如式（１４） 所示：

ＴＱ ＝ α０ ＋ α１ＥＩ ＋ α２ＳＩ ＋ α３ＦＩ ＋ α４Ｌｅｖ ＋ α５ＲＯＥ ＋α６Ｇｒｏｗｔｈ＋α７Ｃａｓｈ＋α８Ｌｎｓａｌｅｓ＋Σｑｕａｒｔｅｒ＋ε （１４）

３. ４ 實(shí)證及分析

回歸分析的分析計(jì)算過(guò)程主要利用ＳＰＳＳ 軟件對(duì)獲取的數(shù)據(jù)進(jìn)行計(jì)算并得出各項(xiàng)結(jié)果， 是目前回歸分析實(shí)驗(yàn)中主流的方法。

３. ４. １ 描述性統(tǒng)計(jì)

描述性統(tǒng)計(jì)結(jié)果見(jiàn)表７， 企業(yè)價(jià)值（ＴＱ）平均值、最小值與最大值分別為１.７１８７、０.２４５ 與６.７４６，極值差距較大， 說(shuō)明文娛行業(yè)內(nèi)企業(yè)間的體量差異顯著。網(wǎng)絡(luò)輿情情感（ＥＩ）的最大值為３８６ ３４５. １８５，最小值為－５３ ２７８. １４６， 平均值為７５ ２４３. ８３２， 表明多數(shù)文娛企業(yè)的網(wǎng)絡(luò)評(píng)論傾向較為正面、輿論環(huán)境相對(duì)寬松。網(wǎng)絡(luò)輿情規(guī)模（ＳＩ）最大值為１７ １３４， 最小值為５９４， 表明不同企業(yè)受到的網(wǎng)民關(guān)注度差距極大。網(wǎng)絡(luò)輿情影響力（ＦＩ）最大值為７ ２７５ ６３４. ７３４，最小值為４６. ２７１， 表明不同時(shí)間段的文娛企業(yè)網(wǎng)絡(luò)輿情影響力存在極大的差距， 平均值４８ ３４６. ７６５也表明多數(shù)情況下文娛企業(yè)網(wǎng)絡(luò)輿情的影響力較為平衡，而發(fā)生輿情事件時(shí)影響力又會(huì)擴(kuò)大至較高水平。

３. ４. ２ 變量相關(guān)性分析

表８ 所示為各變量的相關(guān)系數(shù)， 網(wǎng)絡(luò)輿情情感（ＥＩ）與企業(yè)價(jià)值（ＴＱ）在１％水平上存在顯著的正相關(guān)性， 表明關(guān)于企業(yè)的網(wǎng)絡(luò)輿情情感和數(shù)值越高，企業(yè)價(jià)值估值就越高， 反之則越低； 網(wǎng)絡(luò)輿情規(guī)模（ＳＩ）與企業(yè)價(jià)值在１％的水平上負(fù)相關(guān)， 二者的相互作用仍需通過(guò)回歸分析進(jìn)一步驗(yàn)證； 網(wǎng)絡(luò)輿情影響力與企業(yè)價(jià)值不相關(guān)。企業(yè)價(jià)值與資產(chǎn)負(fù)債率（Ｌｅｖ）、凈資產(chǎn)利潤(rùn)率（ＲＯＥ）呈現(xiàn)顯著的相關(guān)性， 說(shuō)明企業(yè)的盈利能力越強(qiáng)其估值越高。此外， 對(duì)變量的ＶＩＦ 值進(jìn)行檢驗(yàn)以檢驗(yàn)多重共線性是否存在。結(jié)果為變量ＶＩＦ 值均小于１０， 平均值１. ８， 變量之間不存在多重共線性問(wèn)題。

３. ４. ３ 回歸分析

表９ 為涉企網(wǎng)絡(luò)輿情情感、規(guī)模、影響力與企業(yè)價(jià)值的回歸結(jié)果。

在列（１） 的基礎(chǔ)上， 列（２） 引入了控制變量后， 回歸分析結(jié)果顯示網(wǎng)絡(luò)輿情情感的回歸系數(shù)為０. ２４３， 且在１％的水平上顯著。這一結(jié)果表明， 企業(yè)的網(wǎng)絡(luò)輿情情感對(duì)其價(jià)值變化具有顯著影響： 正面網(wǎng)絡(luò)輿情情感的提升會(huì)提高企業(yè)價(jià)值， 反之則降低。換言之， 網(wǎng)民對(duì)企業(yè)的積極評(píng)價(jià)越多， 企業(yè)價(jià)值的增長(zhǎng)動(dòng)力就越強(qiáng)。正面的網(wǎng)絡(luò)輿情不僅能為產(chǎn)品帶來(lái)額外的流量效應(yīng)， 增加資產(chǎn)價(jià)值， 還能進(jìn)一步推動(dòng)企業(yè)價(jià)值的提升， 從而驗(yàn)證了假設(shè)１ 的正確性。

根據(jù)列（３） 和列（４）， 網(wǎng)絡(luò)輿情規(guī)模與企業(yè)價(jià)值的回歸系數(shù)分別為０. ２５２ 和０. ２２１， 且均在１％的水平上顯著。這表明， 網(wǎng)絡(luò)輿情的規(guī)模與企業(yè)評(píng)估價(jià)值之間存在正相關(guān)關(guān)系， 即網(wǎng)絡(luò)輿情規(guī)模越大，企業(yè)的評(píng)估價(jià)值越高。規(guī)模較大的企業(yè)往往擁有更多的話題點(diǎn)， 這些公眾討論的話題能為企業(yè)帶來(lái)更多的流量效應(yīng)。由于股民投資者也是網(wǎng)絡(luò)輿情的受眾之一， 從長(zhǎng)期來(lái)看， 獲得更多曝光機(jī)會(huì)和討論話題的企業(yè)能夠獲取更多的行業(yè)競(jìng)爭(zhēng)優(yōu)勢(shì)， 有利于其股票的流動(dòng)性， 進(jìn)而促進(jìn)企業(yè)實(shí)現(xiàn)價(jià)值創(chuàng)造。從而驗(yàn)證了假設(shè)２。

列（５） 和列（６） 的結(jié)果顯示， 網(wǎng)絡(luò)輿情影響力與企業(yè)價(jià)值的回歸系數(shù)為負(fù)， 但并未達(dá)到顯著性水平， 意味著網(wǎng)絡(luò)輿情的影響力并不能促進(jìn)企業(yè)價(jià)值的增長(zhǎng)。本文分析認(rèn)為這可能是由于網(wǎng)民身份的異質(zhì)性所致， 即便具有高影響力的網(wǎng)絡(luò)用戶發(fā)布了相關(guān)網(wǎng)絡(luò)輿情， 但其對(duì)整體網(wǎng)絡(luò)輿情的導(dǎo)向作用并不強(qiáng)， 不足以引導(dǎo)廣大網(wǎng)民改變對(duì)企業(yè)的預(yù)期看法。因此， 假設(shè)３ 未能通過(guò)本次檢驗(yàn)。

列（７） 的回歸結(jié)果顯示， 在納入３ 個(gè)網(wǎng)絡(luò)輿情指標(biāo)后， 網(wǎng)絡(luò)輿情情感與規(guī)模對(duì)企業(yè)價(jià)值的影響依然保持顯著， 而網(wǎng)絡(luò)輿情影響力對(duì)企業(yè)價(jià)值的影響仍然不顯著。當(dāng)加入規(guī)模指標(biāo)后， 負(fù)面網(wǎng)絡(luò)輿情的影響效應(yīng)被放大了， 表明網(wǎng)絡(luò)輿情規(guī)模能夠增強(qiáng)負(fù)面輿情對(duì)企業(yè)的負(fù)面影響。網(wǎng)絡(luò)輿情作為公眾了解企業(yè)的便捷途徑， 其負(fù)面信息的廣泛傳播將對(duì)企業(yè)價(jià)值產(chǎn)生極為嚴(yán)重的破壞。

３. ５ 實(shí)證結(jié)果討論

本文基于微博平臺(tái)獲取網(wǎng)絡(luò)輿情數(shù)據(jù)， 以探究網(wǎng)絡(luò)輿情對(duì)企業(yè)價(jià)值的具體影響。研究結(jié)果顯示，網(wǎng)絡(luò)輿情情感與企業(yè)價(jià)值的回歸系數(shù)在１％水平上顯著且為正， 揭示了兩者之間存在正相關(guān)關(guān)系， 表明網(wǎng)絡(luò)輿情情感的數(shù)值大小及其正面或負(fù)面的傾向性直接影響企業(yè)價(jià)值的增減變化。具體而言， 正面的網(wǎng)絡(luò)輿情情感有助于提升企業(yè)的價(jià)值， 而負(fù)面網(wǎng)絡(luò)輿情的累積則更容易觸發(fā)輿情危機(jī)， 進(jìn)而造成企業(yè)價(jià)值的下滑。這一發(fā)現(xiàn)與魏楊［１５］ 、鄧艷［１６］ 、歐陽(yáng)哲［１７］ 的研究成果相呼應(yīng)， 他們同樣指出輿論情緒會(huì)顯著影響股價(jià)、市值等企業(yè)價(jià)值指標(biāo)。網(wǎng)絡(luò)輿情規(guī)模與企業(yè)價(jià)值的回歸系數(shù)顯示為０. ２２１， 在１％的統(tǒng)計(jì)水平上顯著且為正， 兩者存在正相關(guān)關(guān)系。這表明在多數(shù)情況下， 網(wǎng)絡(luò)輿情的規(guī)模越大， 企業(yè)所受到的社會(huì)關(guān)注度則越高。這種由規(guī)模引發(fā)的羊群效應(yīng)能夠吸引更多的投資者與企業(yè)形成利益相關(guān)關(guān)系，進(jìn)而使得企業(yè)因知名度提升并實(shí)現(xiàn)價(jià)值的顯著增長(zhǎng)。這一發(fā)現(xiàn)與Ｄａ Ｚ［１８］ 、張琬林等［２１］ 學(xué)者的研究結(jié)論相吻合， 他們同樣強(qiáng)調(diào)了輿情曝光度的提高對(duì)企業(yè)日常運(yùn)營(yíng)及股票市場(chǎng)波動(dòng)的顯著影響。與以往研究有所差異的是， 本研究得出的結(jié)論是網(wǎng)絡(luò)輿情影響力并非影響企業(yè)價(jià)值的主要因素， 網(wǎng)絡(luò)輿情影響力與企業(yè)價(jià)值的回歸系數(shù)為－０. ００３， 且該系數(shù)不顯著。表明企業(yè)網(wǎng)絡(luò)輿情的影響力主要由輿情的傳播廣度和發(fā)布者在社交平臺(tái)上的影響力所決定， 但影響力的大小僅僅反映了參與評(píng)論群體的影響力水平， 而不同的涉企網(wǎng)絡(luò)輿情受眾可能對(duì)企業(yè)持有截然相反的態(tài)度， 這種對(duì)立態(tài)度的博弈平衡狀態(tài)并未對(duì)企業(yè)的實(shí)際經(jīng)營(yíng)活動(dòng)產(chǎn)生顯著影響。因此， 本研究認(rèn)為，企業(yè)價(jià)值更多地是受到網(wǎng)絡(luò)輿情情感傾向和規(guī)模大小的影響。此外， 將網(wǎng)絡(luò)輿情情感、規(guī)模、影響力３ 個(gè)變量綜合帶入回歸模型后， ３ 個(gè)變量與企業(yè)價(jià)值的回歸系數(shù)分別為０. １８１、０. １１４、－０. ０１４， 顯著水平分別為在１％水平顯著、１％水平顯著、不顯著，結(jié)論依舊與前文相同， 情感和規(guī)模的回歸系數(shù)均有一定減小， 說(shuō)明二者在影響企業(yè)價(jià)值的過(guò)程中也具有一定的調(diào)節(jié)作用。

鑒于網(wǎng)絡(luò)輿情的延續(xù)可能對(duì)企業(yè)未來(lái)的經(jīng)營(yíng)和價(jià)值產(chǎn)生變動(dòng)， 本研究采取了滯后檢驗(yàn)的方法， 將企業(yè)價(jià)值滯后１ 期后重新納入回歸模型， 以驗(yàn)證實(shí)證結(jié)果的穩(wěn)健性。從表１０ 的數(shù)據(jù)可以看出， 網(wǎng)絡(luò)輿情情感與網(wǎng)絡(luò)輿情規(guī)模對(duì)滯后１ 期的企業(yè)價(jià)值的影響系數(shù)分別為０. ２５８ 和０. ２６１， 在１％ 的統(tǒng)計(jì)水平上顯著且符號(hào)也保持了一致性。而網(wǎng)絡(luò)輿情傳播影響力與滯后１ 期的企業(yè)價(jià)值之間的關(guān)系依然不顯著。滯后檢驗(yàn)的結(jié)果與之前的驗(yàn)證結(jié)果相吻合， 進(jìn)一步驗(yàn)證了本研究結(jié)論是有效的。具體的回歸結(jié)果參見(jiàn)表１０。

３. ６ 相關(guān)建議

從研究結(jié)果討論可知， 網(wǎng)絡(luò)輿情的情感傾向和規(guī)模大小均對(duì)企業(yè)價(jià)值的變化水平具有顯著的影響。因此， 本文針對(duì)防范網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)影響企業(yè)價(jià)值等方面提出以下建議： 一是加大對(duì)網(wǎng)絡(luò)輿情情感變化的甄別力度， 企業(yè)價(jià)值與網(wǎng)絡(luò)輿情情感和規(guī)模呈現(xiàn)高度正相關(guān)關(guān)系， 則網(wǎng)絡(luò)輿情情感的變化以及規(guī)模增長(zhǎng)將在很大程度上帶動(dòng)當(dāng)季企業(yè)價(jià)值的增減， 并在股價(jià)上有所反映， 因此， 實(shí)時(shí)地針對(duì)網(wǎng)絡(luò)輿情發(fā)展趨勢(shì)進(jìn)行分析是防范由于網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)導(dǎo)致企業(yè)價(jià)值大幅變動(dòng)風(fēng)險(xiǎn)的有效方式， 文娛企業(yè)應(yīng)通過(guò)加強(qiáng)與輿情服務(wù)供應(yīng)商合作、建立輿情態(tài)勢(shì)感知系統(tǒng)等方式， 防范輿情風(fēng)險(xiǎn)發(fā)展進(jìn)而影響企業(yè)價(jià)值。二是應(yīng)加強(qiáng)對(duì)網(wǎng)絡(luò)輿情的定向引導(dǎo)工作， 鑒于網(wǎng)絡(luò)輿情的情感傾向與規(guī)模不僅影響企業(yè)價(jià)值， 還與企業(yè)經(jīng)營(yíng)的關(guān)鍵指標(biāo)（如凈資產(chǎn)利潤(rùn)率和現(xiàn)金凈流量等）存在顯著的正相關(guān)關(guān)系， 因此， 文娛企業(yè)可通過(guò)精準(zhǔn)的營(yíng)銷策略適度擴(kuò)大正面網(wǎng)絡(luò)輿情的規(guī)模， 增加在網(wǎng)絡(luò)空間的曝光率， 利用新聞傳播塑造積極的企業(yè)形象， 對(duì)于提升企業(yè)價(jià)值具有重要意義。三是企業(yè)應(yīng)致力于提高經(jīng)營(yíng)效率， 增強(qiáng)應(yīng)對(duì)輿情風(fēng)險(xiǎn)的能力。一般而言， 企業(yè)規(guī)模越大， 其財(cái)務(wù)靈活性也越強(qiáng)， 更能有效抵御負(fù)面輿情風(fēng)險(xiǎn)引發(fā)的財(cái)務(wù)風(fēng)險(xiǎn)，同時(shí)市場(chǎng)各方對(duì)企業(yè)的容忍度也會(huì)相應(yīng)提高， 從而在輿情危機(jī)爆發(fā)時(shí)對(duì)企業(yè)價(jià)值的沖擊得以減輕。鑒于文娛行業(yè)的上市公司相較于生產(chǎn)企業(yè)普遍規(guī)模較小，因此維護(hù)企業(yè)聲譽(yù)和適度擴(kuò)大企業(yè)規(guī)模成為文娛企業(yè)經(jīng)營(yíng)發(fā)展、有效抵御網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)的重要途徑。

４ 結(jié) 語(yǔ)

本文將涉企網(wǎng)絡(luò)輿情分為情感、規(guī)模、影響力３ 個(gè)方面， 并采用多種技術(shù)手段構(gòu)建了相應(yīng)的測(cè)度模型。通過(guò)回歸分析， 深入探究了涉企網(wǎng)絡(luò)輿情對(duì)企業(yè)產(chǎn)生的具體效應(yīng)。研究揭示， 涉企網(wǎng)絡(luò)輿情的情感傾向與規(guī)模顯著地影響著企業(yè)的經(jīng)營(yíng)狀況， 積極的輿情導(dǎo)向與更大規(guī)模的正面輿情能夠有效推動(dòng)企業(yè)價(jià)值的增長(zhǎng)。而網(wǎng)絡(luò)輿情的影響力則未對(duì)企業(yè)價(jià)值產(chǎn)生顯著影響， 這或許反映出在互聯(lián)網(wǎng)的演進(jìn)中， 網(wǎng)民對(duì)于傳統(tǒng)意見(jiàn)領(lǐng)袖的依賴感正逐漸減弱，網(wǎng)絡(luò)環(huán)境的理性程度有所提高。

本研究也存在一定的局限性， 一是在網(wǎng)絡(luò)輿情指數(shù)的設(shè)計(jì)上仍有待深化， 除了本文探討的３ 個(gè)維度外， 還可以從引導(dǎo)力、熱度等其他角度進(jìn)行更為全面的剖析。二是進(jìn)一步加強(qiáng)數(shù)據(jù)樣本的質(zhì)量， 如，獲取更多涉企網(wǎng)絡(luò)輿情數(shù)據(jù)、增加短視頻等高維數(shù)據(jù)樣本。三是繼續(xù)增加實(shí)證樣本數(shù)據(jù)。由于機(jī)能限制， 本文實(shí)證樣本的數(shù)量取決于能夠獲取到的有效網(wǎng)絡(luò)輿情信息的企業(yè)數(shù)量， 實(shí)證樣本數(shù)量較少， 針對(duì)這一不足后續(xù)研究將在已有數(shù)據(jù)的基礎(chǔ)上繼續(xù)補(bǔ)充。

參考文獻(xiàn)

［１］ 吳琦， 李陽(yáng)． 融入領(lǐng)域風(fēng)險(xiǎn)詞典的社會(huì)安全事件網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)評(píng)估研究［Ｊ］． 情報(bào)理論與實(shí)踐， ２０２４， ４７ （６）： １７５－１８３．

［２］ 胡吉明， 楊澤賢． 突發(fā)公共事件網(wǎng)絡(luò)輿情熱度關(guān)鍵影響因素識(shí)別研究［Ｊ］． 情報(bào)雜志， ２０２２， ４１ （５）： １１２－１１７， １８２．

［３］ 張楠楠， 鄧三鴻， 王昊， 等． 公共衛(wèi)生事件輿情的地區(qū)差異及其情感測(cè)度———以新冠肺炎疫情為例［ Ｊ］． 情報(bào)科學(xué)， ２０２２，４０ （９）： １２３－１２９．

［４］ 胡玉琦， 李婧， 常艷鵬， 等． 引入注意力機(jī)制的ＢｉＧＲＵ－ＣＮＮ 情感分類模型［Ｊ］． 小型微型計(jì)算機(jī)系統(tǒng)， ２０２０， ４１ （８）： １６０２－１６０７．

［５］ Ｓａｂｈｅｒｗａｌ Ｓ， Ｓａｒｋａｒ Ｓ Ｋ， Ｚｈａｎｇ Ｙ． Ｏｎｌｉｎｅ Ｔａｌｋ： Ｄｏｅｓ Ｉｔ Ｍａｔｔｅｒ？［Ｊ］． Ｍａｎａｇｅｒｉａｌ Ｆｉｎａｎｃｅ， ２００８， ３４ （６）： ４２３－４３６．

［６］ Ｔｓｕｋｉｏｋａ Ｙ， Ｙａｎａｇｉ Ｊ， Ｔａｋａｄａ Ｔ． Ｉｎｖｅｓｔｏｒ Ｓｅｎｔｉｍｅｎｔ ＥｘｔｒａｃｔｅｄＦｒｏｍ Ｉｎｔｅｒｎｅｔ Ｓｔｏｃｋ Ｍｅｓｓａｇｅ Ｂｏａｒｄｓ ａｎｄ ＩＰＯ Ｐｕｚｚｌｅｓ ［Ｊ］． Ｉｎｔｅｒｎａ?ｔｉｏｎａｌ Ｒｅｖｉｅｗ ｏｆ Ｅｃｏｎｏｍｉｃｓ ＆ Ｆｉｎａｎｃｅ， ２０１８， ５６： ２０５－２１７．

［７］ Ｌｅｅ Ｙ Ｊ， Ｃｈｏ Ｈ Ｇ， Ｗｏｏ Ｇ． Ａｎａｌｙｓｉｓ ｏｎ Ｓｔｏｃｋ Ｍａｒｋｅｔ Ｖｏｌａｔｉｌｉｔｙｗｉｔｈ Ｃｏｌｌｅｃｔｉｖｅ Ｈｕｍａｎ Ｂｅｈａｖｉｏｒｓ ｉｎ Ｏｎｌｉｎｅ Ｍｅｓｓａｇｅ Ｂｏａｒｄ ［Ｃ］ ／ ／ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈ?ｎｏｌｏｇｙ． ＩＥＥＥ， ２０１４： ４８２－４８９．

［８］ 許汝?。?分析師跟蹤網(wǎng)絡(luò)、融資決策與企業(yè)價(jià)值［Ｄ］． 武漢：中南財(cái)經(jīng)政法大學(xué)， ２０１９．

［９］ 趙江元． 微博輿情觀點(diǎn)團(tuán)簇形成機(jī)理與演化態(tài)勢(shì)感知研究［Ｄ］．長(zhǎng)春： 吉林大學(xué)， ２０２１．

［１０］ 閆璐， 楊剛， 趙江元． 網(wǎng)絡(luò)輿情觀點(diǎn)團(tuán)簇演化等級(jí)測(cè)度與實(shí)證研究［Ｊ］． 圖書(shū)情報(bào)工作， ２０２１， ６５ （２３）： １０６－１１５．

［１１］ 陳國(guó)蘭． 基于情感詞典與語(yǔ)義規(guī)則的微博情感分析［ Ｊ］． 情報(bào)探索， ２０１６ （２）： １－６．

［１２］ Ｌａｎｇ Ｌ Ｈ Ｐ， Ｓｔｕｌｚ Ｒ Ｍ． Ｔｏｂｉｎｓ ｑ， Ｃｏｒｐｏｒａｔｅ Ｄｉｖｅｒｓｉｆｉｃａｔｉｏｎ，ａｎｄ Ｆｉｒｍ Ｐｅｒｆｏｒｍａｎｃｅ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｐｏｌｉｔｉｃａｌ Ｅｃｏｎｏｍｙ， １９９４，１０２ （６）： １２４８－１２８０．

［１３］ Ｓｔａｎｎｙ Ｅ． Ｖｏｌｕｎｔａｒｙ Ｄｉｓｃｌｏｓｕｒｅｓ ｏｆ Ｅｍｉｓｓｉｏｎｓ ｂｙ ＵＳ Ｆｉｒｍｓ ［ Ｊ］．Ｂｕｓｉｎｅｓｓ Ｓｔｒａｔｅｇｙ ａｎｄ ｔｈｅ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１３， ２２ （３）： １４５－１５８．

［１４］ Ｃｏｓｔａ Ｄ Ｆ， Ｃａｒｖａｌｈｏ Ｆ Ｍ， Ｍｏｒｅｉｒａ Ｂ Ｃ Ｍ， ｅｔ ａｌ． ＢｉｂｌｉｏｍｅｔｒｉｃＡｎａｌｙｓｉｓ ｏｎ ｔｈｅ Ａｓｓｏｃｉａｔｉｏｎ Ｂｅｔｗｅｅｎ Ｂｅｈａｖｉｏｒａｌ Ｆｉｎａｎｃｅ ａｎｄ Ｄｅｃｉ?ｓｉｏｎ Ｍａｋｉｎｇ ｗｉｔｈ Ｃｏｇｎｉｔｉｖｅ Ｂｉａｓｅｓ Ｓｕｃｈ ａｓ Ｏｖｅｒｃｏｎｆｉｄｅｎｃｅ， Ａｎｃｈｏ?ｒｉｎｇ Ｅｆｆｅｃｔ ａｎｄ Ｃｏｎｆｉｒｍａｔｉｏｎ Ｂｉａｓ ［Ｊ］． Ｓｃｉｅｎｔｏｍｅｔｒｉｃｓ， ２０１７， １１１（３）： １７７５－１７９９．

［１５］ 魏楊． 基于新浪微博的企業(yè)負(fù)面網(wǎng)絡(luò)輿情傳播特征研究［Ｄ］．合肥： 安徽大學(xué)， ２０１３．

［１６］ 鄧艷． 基于雪球網(wǎng)社會(huì)化投資平臺(tái)投資者情緒與股價(jià)波動(dòng)關(guān)系實(shí)證研究［Ｄ］． 廣州： 華南理工大學(xué)， ２０１６．

［１７］ 歐陽(yáng)哲． 危機(jī)情境下企業(yè)聲譽(yù)對(duì)利益相關(guān)者行為反應(yīng)的影響研究［Ｄ］． 合肥： 中國(guó)科學(xué)技術(shù)大學(xué)， ２０１６．

［１８］ Ｄａ Ｚ， Ｅｎｇｅｌｂｅｒｇ Ｊ， Ｇａｏ Ｐ． Ｉｎ Ｓｅａｒｃｈ ｏｆ Ａｔｔｅｎｔｉｏｎ ［Ｊ］． Ｊｏｕｒｎａｌｏｆ Ｆｉｎａｎｃｅ， ２０１２， ６６ （５）： １４６１－１４９９．

［１９］ 申琦， 廖圣清． 網(wǎng)絡(luò)接觸、自我效能與網(wǎng)絡(luò)內(nèi)容生產(chǎn)———網(wǎng)絡(luò)使用影響上海市大學(xué)生網(wǎng)絡(luò)內(nèi)容生產(chǎn)的實(shí)證研究［Ｊ］． 新聞與傳播研究， ２０１２， １９ （２）： ３５－４４， １１０．

［２０］ 宋敏晶． 基于情感分析的股票預(yù)測(cè)模型研究［ Ｄ］． 哈爾濱：哈爾濱工業(yè)大學(xué)， ２０１３．

［２１］ 張琬林． 企業(yè)網(wǎng)絡(luò)輿情演化博弈模型研究［Ｄ］． 哈爾濱： 哈爾濱理工大學(xué)， ２０２０．

［２２］ Ｋｅｎｗｏｒｔｈｙ Ｌ． Ｔｈｅ Ｅｆｆｅｃｔ ｏｆ Ｐｕｂｌｉｃ Ｏｐｉｎｉｏｎ ｏｎ Ｓｏｃｉａｌ Ｐｏｌｉｃｙ Ｇｅｎ?ｅｒｏｓｉｔｙ ［Ｊ］． Ｓｏｃｉｏ－Ｅｃｏｎｏｍｉｃ Ｒｅｖｉｅｗ， ２００９， ７ （４）： ７２７－７４０．

［２３］ 李成剛， 賈鴻業(yè)， 趙光輝， 等． 基于信息披露文本的上市公司信用風(fēng)險(xiǎn)預(yù)警———來(lái)自中文年報(bào)管理層討論與分析的經(jīng)驗(yàn)證據(jù)［Ｊ］． 中國(guó)管理科學(xué)， ２０２３， ３１ （２）： １８－２９．

［２４］ Ｓａｂｈｅｒｗａｌ Ｓ， Ｓａｒｋａｒ Ｓ Ｋ， Ｚｈａｎｇ Ｙ． Ｏｎｌｉｎｅ Ｔａｌｋ： Ｄｏｅｓ ｉｔ Ｍａｔ?ｔｅｒ？ ［Ｊ］． Ｍａｎａｇｅｒｉａｌ Ｆｉｎａｎｃｅ， ２００８， ３４ （６）： ４２３－４３６．

（責(zé)任編輯： 楊豐僑）

基金項(xiàng)目： 國(guó)家自然科學(xué)基金面上項(xiàng)目“重大突發(fā)事件網(wǎng)絡(luò)輿情受眾的參與行為標(biāo)定、軌跡擬合與靶向?qū)Э匮芯俊保?xiàng)目編號(hào)： ７２１７４０７２）。