大數據情緒指數與經濟學研究：現狀、問題與展望*

,

傳統經濟學“理性人”假設的缺陷催生了聚焦經濟主體有限理性行為的行為經濟學，使得經濟學的研究越來越多地依賴于實驗和各種數據的搜集, 依賴于對人的心理分析, 依賴于對現實“經濟人”行為的了解, 從而導致了有關市場主體情緒的研究逐漸成為經濟學領域的熱門話題。但經濟主體情緒的測量始終是世界性難題，受到技術條件的限制，早期學者多使用實驗、問卷調查的方法收集反映市場主體行為的數據，然后運用傳統的統計方法計算情緒指數。囿于有限的樣本量、抽樣誤差和實驗的人為性，情緒指數的準確性備受質疑。2011年以來，大數據技術快速發展，互聯網時代大數據的“全量數據”“真實數據”“實時數據”和“時空數據”等特點，突破了樣本量和地理分布的限制，自然語言處理、數據挖掘和機器學習等技術使分析表征經濟主體情緒的海量非結構化數據從而測度經濟主體行為成為可能，[1][2]并能夠基于此深入探究社交行為、信息傳播、空間關聯等因素在經濟主體預期、偏好、消費行為形成過程中的作用。[3][4]因此，近年來，國內外經濟學界通過對經濟主體行為的測度來反映和量化經濟主體情緒并基于此構建大數據情緒指數的相關研究方興未艾。

所謂大數據情緒指數，是基于海量結構化和非結構化數據，依托機器學習、自然語言處理等數據挖掘、處理和分析技術構建的反映經濟主體情緒的量化指標的總稱，學術研究中常見的情緒指數、信心指數、滿意度指數、幸福感指數、壓力指數等都屬于大數據情緒指數的范疇。作為經濟主體行為的顯化指標，大數據情緒指數漸進地打開了經濟主體行為和預期形成過程的“黑箱”，拓展和深化了傳統經濟學的研究廣度和深度，給行為經濟學、行為金融學的實證研究提供了全新的思路，甚至在一定程度上正在引起經濟學研究范式的變革。

隨著互聯網快速普及，信息技術和人類生產生活交匯融合，全球數據呈現爆發增長、海量集聚的特點，對大數據時代的經濟學研究及其相關政策分析提出了許多新的課題。為此，習近平總書記在中央政治局實施國家大數據戰略進行第二次集體學習時強調：“要運用大數據提升國家治理現代化水平，”“要充分利用大數據平臺，綜合分析風險因素，提高對風險因素的感知、預測、防范能力”*參見新華社：《習近平主持中共中央政治局第二次集體學習》，http://www.gov.cn/xinwen/2017-12/09/con tent_5245520.htm.。本文擷取大數據情緒指數這個大數據時代經濟學研究的新動向，全面梳理了大數據情緒指數在經濟學研究中的應用范圍，并系統歸納了四種常見的大數據情緒指數類型，深入分析了大數據情緒指數的出現對傳統經濟學、行為經濟學、行為金融學和媒體經濟學產生的積極推動作用，同時也全面總結了當前大數據情緒指數研究方面存在的若干問題和爭議，并在此基礎上就其應用前景進行了科學展望。

一、大數據情緒指數在經濟學研究中的應用范圍

在社會科學研究中，經濟學研究是最引領時尚新風的學科之一。大數據作為一種重要的工具，引入經濟學研究是一種必然，由此經濟學研究也會發生某種革命性的變化，值得高度重視。大數據情緒指數在現代經濟學研究中應用最廣泛的當屬金融市場，大量文獻研究了投資者情緒對金融市場交易行為、資產定價等問題的影響。同時，大數據技術的快速發展使得基于網絡消費大數據編制消費者信心指數、基于網絡及微博數據構建房地產投資者情緒指數、基于電子旅游服務平臺的用戶評論構建旅游市場情緒指數等創新研究層出不窮。

(一)大數據情緒指數在金融市場的應用

在20世紀30年代的大蕭條時期，凱恩斯就曾提出過心理因素在人的經濟決策中的重要性，強調人們在受理性經濟動機影響的同時還受到非理性的“動物精神”(animal spirit)的支配，并將“動物精神”看作是經濟波動的主要原因。[5](P161)在金融市場上，投資者情緒對金融資產定價的影響是學術研究關注的重點問題之一。在互聯網時代，信息是投資者做出投資決策的重要依據，[6]人們獲取信息以及人際互動的便利性也得到了顯著提高，情緒傳染使得社會大眾情緒與股市之間的關系變得更加緊密。[7]因而，區別于傳統的投資者情緒指數構建方式，來自于股票論壇、財經媒體、社交媒體的網絡信息成為直接、實時地反映投資者情緒的載體，文本挖掘、主題分析和情感分析等大數據技術的應用使得根據網絡信息構建投資者情緒指數，并探究其對金融市場的影響成為新趨勢。目前大數據情緒指數在金融市場的應用是最多的，一些智能投顧(Robo-Advisor)平臺甚至嘗試把大數據情緒指數納入資產組合模型中，提供具有鮮明“人工智能+大數據”特色的資產組合管理服務。

(二)大數據情緒指數在零售商品市場的應用

消費者情緒在零售商品市場上最常見的表現形式是消費者信心指數。隨著電子商務、物聯網、云計算等技術的發展，網上交易已經深入到人們的日常生活中，這些交易行為會以數據形式真實記錄消費行為，因此近年來大量學者嘗試基于網絡消費大數據編制消費者信心指數，或研究其與傳統的消費者信心指數之間的關系，或據此對未來的消費趨勢進行預測。[8][9][10]

此外，運用網絡大數據為反映消費者的通貨膨脹預期和測度通貨膨脹水平提供了新的視角。麻省理工學院網絡價格指數(BPP)項目則利用網絡交易數據探索更新CPI等指標編制方法，比較了基于網絡交易價格編制的CPI指數與官方編制的CPI指數，認為網絡交易數據的監測成本更低，其數據頻度為日，能夠縮小誤差，數據范圍和種類豐富且可以即時更新。截止2016年，該團隊利用900多個零售商提供的約1 500萬件商品交易數據為20個國家編制每日通脹指數，其宏觀數據庫則涵蓋了60多個國家的900 多個零售商。*參見趙志龍：《“互聯網+”對CPI的影響研究》，國家統計局網站，http://www.stats.gov.cn/tjzs/tjsj/tjcb/dysj/201705/t20170522_1496322.html.國內學者陳航(2014)也通過實證研究發現CPI指數和基于網絡搜索行為合成的通貨膨脹預期指數兩者間高度相關，具有長期穩定協整關系。[11]張洋(2015)則提出了一些對短期CPI預測的新方法。[12]

(三)大數據情緒指數在房地產市場的應用

目前以大數據方法構建房地產市場情緒指數的研究相對較少，主要是利用網絡大數據(包括電子化形式的傳統媒體、搜索引擎、社交媒體、自媒體等)構建住房市場情緒指數預測房價波動。修(Soo，2013)和谷智彥(Tomohiko Taniyama，2013)基于主流報紙中的專欄文章或網站的專業板塊上的新聞報道，測算出當地住房市場的情緒指數，并實證說明了其與當地房價波動密切相關。[13][14]隨后國內也有學者利用我國知名門戶網站新浪網的房地產頻道中對樣本城市的相關報道，并將其與相應城市房價的百度指數相結合，計算了樣本城市投資者對房價的情緒等級以預測房價，[15]或基于微博數據構建房地產投資者情緒指數，[16]但考慮到數據可得性，這些研究中樣本城市的選擇往往集中于我國的一線或準一線城市。

(四)大數據情緒指數在其他領域的運用

社交媒體的發達極大地豐富了數據內容，各種服務平臺和平臺經濟的建立也拓展了大數據情緒指數的應用范圍。基于去哪兒網、攜程網等電子旅游服務平臺上的用戶評論及游記，可以建立旅游目的地評價體系，分析游客情感特征，根據游客偏好為其更為精準地匹配和推薦旅游目的地。[17]分析公眾在微博上對公共事件的情緒表達，政府能夠及時掌握網民情緒的走向，可以通過自身或者意見領袖的積極引導促使事件向著良性方向發展，避免因公眾情緒不穩定并進而產生集群效應所帶來的社會問題。[18]

二、大數據情緒指數的類型

眾所周知，數據結構決定編制方法和數據功能。大數據情緒指數的編制方法與傳統方法相比有較大差異，而方法技術的差異往往是由于數據源的差異決定的。因此，本文根據所依托的數據來源不同，歸納了以下四種大數據情緒指數的類型。

(一)基于高頻交易數據構建情緒指數

高頻交易主要集中于金融市場，以股票市場和期貨市場為代表，用高頻交易形成的換手率、成交量和收益率等數據分析投資者情緒，盡管相對簡單，但已經運用到了大數據情緒指數的思想。貝克和沃格勒(Baker and Wurgler，2006)指出，投資者情緒是一種不能被已有事實所證實的關于金融資產未來現金流和風險的信念，它是投資者的認知偏誤在資本市場上的總體表現(Investor sentiment in the stock market)。基于此，他們采用封閉式基金折價率、IPO數量及其上市首日的收益率、交易量、股票發行量與證券發行量之比、股利收益等6個指標，運用主成分分析法構造了反映投資者情緒指數的BW指數。[19]國內學者馬若微和張娜就運用上證A股月度IPO首日平均收益、IPO總量、總市值加權的換手率及上證A股每月新增開戶數構建了反映市場投資者情緒的SENT指數，并分析其與上證A股市場指數之間的關系，說明投資者情緒與股票市場指數之間存在自我加深的循環作用，需要適度合理的政策來調節非理性情緒所造成的市場波動。[20]

(二)基于搜索引擎數據構建情緒指數

互聯網時代，搜索引擎可謂網民獲取信息的首要方式。通過搜索關鍵詞反映出的經濟主體個性特征、情緒態度和交易行為越來越多地映射到互聯網空間，形成大量的結構化和非結構化的海量數據，反映出現實世界里經濟主體需求、興趣和關注的內容及強弱。[21]因此，國內外一些學者在研究中開始使用搜索引擎數據來構造指標度量市場主體情緒。國外學者大多基于Google提供的數據構建情緒指數，[22]如預測股票市場波動的FEARS(Financial and Economic Attitudes Re-vealed by Search)指標、預測美國房地產按揭貸款的違約概率和風險敞口的“住房壓力指數”和反映中國35個大中城市居民對當地住房市場前瞻和預期的“信心指數”。[23][24][25]國內學者則主要基于百度搜索數據進行指數構建，其中以俞慶進和張兵(2012)、孟雪井等(2016)利用百度指數作為投資者關注度指標研究其對股票市場的影響，以及董倩(2014)使用百度指數預測我國16城市房地產價格較為典型。[26][27][28]

(三)基于媒體報道數據構建投資者情緒指數

與搜索引擎完全客觀地記錄和呈現不同，媒體報道既反映社會公眾的意見，又為了追求經濟效益而對內容進行篩選，從而帶有一定的主觀情感傾向。[29](P55)媒體報道傳遞出的對某一事件的態度和建議即構成了所謂的“媒體情緒”，并易于成為社會“主流意見”引導公眾情緒。[30]因此基于媒體報道構建情緒指數，也是國內外學者常用的方法。早期，證券市場研究人員通過閱讀主流財經報紙上的報道，判斷機構、分析師甚至個人投資者的投資觀點，在此基礎上構建市場參與者情緒指數。[31][32]隨著紙媒電子化和自然語言處理、情感分析等大數據技術的應用，文本分析方法被廣泛應用于構建各類資本市場情緒指數，并實證發現這些指數能夠對市場交易行為、資產定價產生顯著影響。[30][33]類似的手段也被應用于房地產情緒指數構建，具有代表性的是前文述及的修(Soo，2013)和谷智彥(Tomohiko Taniyama，2013)分別基于美國和日本主流報紙中的專欄文章或網站的專業板塊上的新聞報道所測算出的住房市場情緒指數。

(四)基于社交平臺數據構建情緒指數

隨著各種移動終端的普及，越來越多的網民在互聯網社交平臺上獲取信息并發表觀點。由這些信息和觀點形成社交平臺數據，兼具了主要反映個體行為的搜索引擎數據和主要反映組織行為的新聞媒體數據的特征，往往能夠更直接地反映公眾的關注度和情緒。[34]因而也成為構建情緒指數的重要數據來源。歐美學者多使用Twitter或Facebook作為數據來源，基于Twitter用戶活躍度、用戶結構等特征構建的指數被發現與股票市場間有很強的相關性，[35]基于Facebook個人用戶狀態中表達情緒的詞匯構建的國民幸福指數(Gross National Happiness)同樣被證實能夠有效預測美國股市的未來走勢。[36]國內學者運用微博數據的研究較常見，主要用于股票市場、房地產市場投資者情緒指數的構建，[37][38]近兩年還出現了運用中文微博情感分析方法計算公眾環境情感指數和公民幸福指數等更貼近民生問題的研究。[39][40]隨著電子政務的發展，情緒指數研究進一步拓展到行政管理領域，石磊(2016)采用文本分析法構建的地方政務微博服務公眾滿意度指數，較好地反映了公民對地方政府信息化建設的滿意程度。[41]

三、大數據情緒指數與經濟學理論研究

隨著新經濟的蓬勃發展和網絡時代的到來，各類經濟主體的社會經濟行為逐步數字化、網絡化和自媒體化，構成了經濟行為的自然實驗，形成高速、實時、多樣化等特征的海量數據集合或信息資產，即大數據。基于海量結構化和非結構化數據，依托機器學習、自然語言處理等數據挖掘、處理和分析技術構建反映各類經濟主體的大數據情緒指數，有可能漸進地打開了經濟主體行為和預期形成過程的“黑箱”和“灰箱”，拓展和深化傳統經濟學的研究廣度和深度，給行為經濟(金融學)學的實證研究提供了全新的思路，并有助于定量測度媒體傳播能力及其社會影響力，深化媒體經濟學中有關經濟主體媒介接觸和媒介消費行為的研究。

(一)大數據情緒指數對傳統經濟學的可能貢獻

1.大數據情緒指數使量化經濟主體行為成為可能。

傳統經濟學的主要結論均建立在諸如“理性經濟人”等一系列嚴格的假設條件之上，這與現實世界并不完全相符，難以反映微觀市場主體的行為差異及其在經濟運行中的作用。在數字經濟和網絡時代背景下，逐步數字化、網絡化和自媒體化的各類經濟主體行為，其數據的普遍性、真實性、覆蓋性、交互性和可測性為經濟主體行為信息的獲取和量化提供了便利。傳統量化經濟主體行為的方式主要有直接指標測量和間接指標測量。直接指標測量是以問卷調查形式誘導主體暴露出預期，[42][43]但是這種方式易受到樣本量、地理分布或時間頻率和主觀因素的限制；[13]間接指標測量是從市場相關數據中提煉出代理變量，然后用主成分分析法等統計學方法構建指數。[19]這種方式有一定的說服力，但或因遺漏變量而難以完全反映投資者情緒。互聯網時代大數據的“全量數據”“真實數據”“實時數據”和“時空數據”等特點，突破了樣本量和地理分布的限制，數據挖掘、自然語言處理和機器學習等技術使得運用大數據情緒指數對直接表征經濟主體行為的、自然觀察的、具有高度的時效性的信息進行全樣本分析成為可能，較之政府或其他機構借助統計調查和主成分分析法獲得的信息,更具客觀性和真實性。

2.有望漸進打開經濟主體預期形成過程的“黑箱”。

盡管宏觀經濟學中有專門關于預期的理論闡釋，但是，一方面主流經濟學的理性預期概念備受詬病，另一方面因預期難以測量而呈現適應性預期、理性預期及有限理性預期的爭論，導致經濟主體預期形成過程仍是“黑箱”。[44]當前對于預期形成的理論解釋主要有信息剛性理論和適應性學習理論。[45][46]信息剛性理論假定投資者仍是完全理性的，只因不愿或不能及時更新和完全掌握所有信息而難以保持理性，導致了有限理性。適應性學習理論則認為投資者本身是不完全理性的，信息在公眾間傳播，投資者通過相互學習，不斷調整預期。[47]兩個理論都需要設定數學模型從理論上解釋預期的形成過程，[48]但限于傳統方法難以科學地量化預期，兩個理論均缺乏實證檢驗，[49]因此預期形成機制仍是“黑箱”。基于大數據構建情緒指數，為測量預期和量化市場主體情緒提供了新的路徑，有望漸進打開經濟主體預期形成過程的“黑箱”，拓寬了傳統經濟學的研究視野。

3.大數據情緒指數有助于提高傳統經濟學理論模型的廣度、精確性和時效性。

傳統經濟學中實證分析主要依靠結構化數據，大數據技術則將文本、圖像，甚至聲音、視頻等大量海量非結構化數據都作為構建情緒指數的數據來源,而且呈現出兩大特點:一是對傳統研究方法難以測量的人類活動例如人際關系、社交網絡可以構建大數據情緒指數進行統計分析，擴展了傳統經濟學理論模型的廣度，研究對象不斷多元化，研究方法更豐富。此外，結構化數據的一個明顯缺陷是其具有很強的時滯性。大數據超高時效性的特點有效彌補了這一缺陷，數據可以實時獲取。互聯網、社交媒體上的數據更是實時更新。較之于傳統的情緒指數構建方式，大數據情緒指數運用數據挖掘、自然語言處理和機器學習等技術，基于文本、圖像，甚至聲音、視頻等大量海量非結構化數據來構建，大大提高了時效性和精確程度。將表征經濟主體行為的大數據情緒指數納入傳統經濟學理論模型進行分析，使傳統經濟模型可以充分利用實時數據，提高分析或預測的時效性，為經濟預警和政策制定提供最快速的資料和依據。[50]大數據情緒指數將有助于提高傳統經濟學理論模型的廣度、精確性和時效性，對分析宏觀經濟形勢和制定經濟政策具有重要的意義。

(二)大數據情緒指數對行為經濟(金融)學的可能貢獻

1.有助于有限理性和心理賬戶等行為經濟(金融)學基本概念的量化。

行為經濟(金融)學通過證偽新古典經濟學“理性經濟人”的公理化假定，運用有限理性和心理賬戶等概念形成其行為決策理論。雖然行為經濟(金融)學逐漸獲得廣泛認可，但是囿于其研究的重點仍停留在對市場“異象”的質疑和投資者心理認知偏差的定性描述和歷史觀察上，缺乏對有限理性和心理賬戶等行為經濟(金融)學基本概念的量化而不斷受到主流經濟學界的質疑，成為其致命的弱點。行為經濟學很長一段時間停留在理論階段，難以進行實證分析。實驗方法一定程度上緩解了行為經濟(金融)學的尷尬處境，但實驗研究成本高，且受實驗對象主觀因素影響較大。運用大數據方法構建情緒指數則為有限理性和心理賬戶等行為經濟(金融)學基本概念的量化提供了新思路，從而為行為經濟(金融)學的實證分析創造了條件。同時，基于大數據構建情緒指數已經在一定程度上突破了數據本身，數據挖掘技術并非傳統意義上對某些假設的驗證，而是一種提出假設的過程，其思路更接近數據生成過程本身，具備先驗和智能性質。[51]人工智能的發展促使行為經濟(金融)學向更高級的智能經濟學發展。

2.運用大數據情緒指數科學量化投資者個體行為和投資者群體行為。

相對于行為經濟學其他分支，行為金融學更關注投資者情緒對其交易行為的影響。行為金融學理論認為，偏好和投資理念異質的投資者在投資過程中往往是非理性的，并且由于模仿學習、情緒傳播等社會互動機制的影響及場內有限套利情形的存在，將可能導致市場中資產定價偏離一般正常水平。因此，行為金融學的核心內容之一是對投資者情緒的研究，即科學地量化投資者情緒，測量投資者的非理性行為。投資者情緒是行為金融學的理論基石之一。

基于大數據構建投資者情緒指數是近年來行為金融學研究的新趨勢。隨著互聯網大數據時代的到來，行為金融學進入海量數據的大樣本時代，數據類型的多樣化則使投資者情緒指數的數據來源日益豐富，解釋能力逐漸提高，采用數據挖掘技術從網絡用戶行為中提取投資者情緒指數更為客觀、實時和精準。同時，投資者之間的模仿學習、情緒傳播也會通過網絡用戶行為的大數據信息呈現出來，有助于顯化和刻畫“羊群效應”等個體理性行為如何形成群體非理性行為，最終導致個體主觀決策的結果有悖于個體預期效用的社會現象，從而了解投資者情緒形成、擴散和作用機制及對金融市場的影響，解析經濟個體決策行為和決策過程的“黑匣子”及金融市場的風險定價機制。

3.有助于把“有限理性”投資者個體行為和投資者群體行為納入資產定價模型中，推動行為經濟(金融)學形成成熟統一的理論體系。

綜上所述，大數據情緒指數既有助于有限理性和心理賬戶等行為經濟(金融)學基本概念的量化，又可以測量投資者個體行為和投資者群體行為，基于此，可以把“有限理性”投資者個體行為和投資者群體行為納入資產定價模型中，分析其對資產價格的影響，從而對主流金融理論的資產定價模型起到了良好的修正作用。近年來行為資產定價模型( Behavioral Asset Pricing Model，BCPM)和行為組合理論( Behavioral Portfolio Theory，BPT)已經嘗試把“有限理性”和投資者行為的研究成果融入傳統金融理論常用的資產定價模型中，大數據情緒指數通過有限理性和心理賬戶及投資者行為的量化，將推動納入行為因素的資產定價模型的完善，有利于行為經濟(金融)學形成成熟統一的理論體系。

(三)大數據情緒指數對傳媒經濟學的可能貢獻

1.大數據情緒指數有助于深化對經濟主體媒介接觸和媒介消費行為的研究。

傳媒經濟研究不僅需要傳統的經濟學理論，也需要社會學理論、網絡科學理論等其他學科理論。社會網絡化和經濟數字化的發展趨勢使得經濟主體之間的行為、觀念、感情的相互影響逐漸增強，社交媒體是重要的信息傳播中介，也是經濟主體情緒顯化的重要途徑，傳媒經濟學研究價值和意義日益凸顯。然而，由于真實世界中的社交關系和社會影響往往是難以觀測的，社會影響的形式也往往是復雜而多樣的，對經濟主體之間社交影響的實證研究受到了很大的限制，[52]這也極大制約了傳媒經濟學理論的前進。

依托于社交媒體信息構建的大數據情緒指數，雖然基于在線上的虛擬世界中重構的社會關系，但卻真實還原了經濟主體的思想和行為，使個體之間的聯系突破地域、時間等方面的限制，又與現實世界產生千絲萬縷的聯系，為研究社會網絡中的社會影響現象提供了一個較為理想的實驗環境。通過挖掘各類社交媒體的數據，借助于人工智能技術構建大數據情緒指數，有力地推動研究者借助社會學理論和社會網絡研究理論，把個體納入一定的社會結構和社會情境中，考察個體鑲嵌其中的社會關系因素如何影響個體的媒介接觸和媒介消費行為，研究影響個體行為的各種因素及其影響機制，揭開人們媒介接觸和媒介消費行為的“黑箱”，從而深化傳媒經濟學理論研究。

2.大數據情緒指數有助于定量測度媒體對各類信息的傳播能力及其社會影響力。

情緒指數是傳媒經濟學實證研究的重要工具，構建情緒指數是將經濟主體的心理活動、思想傾向以及社會影響進行量化的重要途徑。傳統的傳媒經濟學研究中，主要的研究方法包括抽樣調查、內容分析、假設檢驗、實驗研究等，這些方法均受制于研究條件和數據可得性，難以準確地實現媒體對各類信息傳播能力及其社會影響的定量測度。[53]因此，傳媒經濟學的發展亟須學者設計和運用新的研究方法與研究工具來提高情緒指數的質量。

大數據情緒指數充分尊重信息不對稱這一市場的基本特征，最大程度地還原了信息通過媒體進行傳播的過程，通過對受眾的媒介接觸行為和媒介傳播行為進行準確的追蹤分析，從更微觀的層面量化媒體對各類信息的傳播能力，以及不同經濟主體在信息傳播中作用和影響力的差異，從而更加真實地以數字化形式描繪出媒體本身在信息傳播中除作為中介渠道之外的綜合效應，以及經濟主體利用媒體對其他經濟主體施加心理影響的過程。進一步地，大數據情緒指數通過對不同經濟主體接受信息廣度和深度的刻畫和對不同媒體社會影響力大小的準確測度，使研究人員能夠據此對社會公眾對某一政策、事件或行動的預期做出預測，并利用對未來預測的結果指導現階段對媒體工具的利用、改造和引導。

四、大數據情緒指數存在的問題、爭議及未來展望

任何新生事物都有不成熟的方面，需要在今后的實踐中不斷發展和完善。大數據情緒指數相對于傳統方法構建的情緒指數具有諸多優勢，但大數據方法本身仍存在一些待解決的問題，對大數據方法在經濟主體心理活動和行為機制研究乃至在整個經濟學研究中的作用和定位也存在一些爭議，這些問題和爭議一定程度上削弱了學術界對大數據情緒指數的認可程度。但是，隨著計算機科學和信息技術的發展，大數據廣泛應用于經濟學研究是大勢所趨，大數據方法與經濟學理論及研究范式未來將會更加有效地融合。

(一)大數據情緒指數本身存在的問題

首先，基于大數據構建情緒指數的基礎在于數據的可得性，但政府部門、科研機構掌握的優質數據資料不輕易公開。這一方面造成大數據的數據源產生缺失，另一方面由于這類數據通常被認為是比較權威的指標，也影響了大數據情緒指數的可信度和說服力。不過，隨著未來政府部門、科研機構掌握的優質數據源漸進公開，將不斷提高大數據情緒指數的可信度，增強其說服力。

其次，網絡數據中的噪音問題也始終是數據處理過程中困擾研究人員的一個問題。某種程度上說，大數據的大容量是一把雙刃劍，數據體量大雖克服了抽樣誤差，但其中難免包含了大量噪音。由于現階段大數據情緒指數的構建通常借助于自然語言處理方法進行文本分析，而中文的語義分析和情感分析相對于英文更加困難，以目前的技術手段，在數據清洗過程中很難將噪音完全消除，這對大數據情緒指數的準確程度產生了一定的負面影響。

最后，大數據情緒指數難以復制。互聯網時代，經濟主體的每一個行為都能夠轉化為數據被記錄下來，因此數據每天都在不斷產生和累積，特別是網絡數據，幾乎是時時更新。這種數據的時效性一方面使大數據情緒指數克服了傳統方法的時滯性缺陷，但同時也使得基于此構建的情緒指數難以復制。這在一定程度上影響了有關大數據情緒指數的研究結論能否被廣泛認同，以及能否上升為成熟的經濟學理論。總之，從方法創新到理論突破，大數據情緒指數仍然任重道遠。

(二)大數據情緒指數在經濟學研究中存在的爭議

首先，學術界對于大數據有基本共識但尚無明確統一的定義，因此研究人員對大數據及大數據方法的理解和解讀還存在分歧。部分學者過分強調大數據之“大”，只關注擴大數據源，仍固守傳統分析方法；也有部分學者只強調數據處理技術的應用，將主題分析、情感分析等具體方法與大數據情緒指數概念畫等號。這些認識上的分歧使得學術界對大數據情緒指數能否科學反映經濟主體行為以及大數據應用于經濟學研究的方式、方法及態度存在差異。

其次，學術界對大數據方法對經濟學研究的作用定位仍有爭議。有學者認為這是經濟學研究范式的一次革命，將徹底改變傳統的統計學和計量經濟學方法，推動經濟學研究進入數據驅動范式時代，更有學者提出了“大數據經濟學”概念，認為它是一門涉及應用經濟、統計學、管理工程、計算機科學與技術、軟件工程、情報學、心理學等學科的新興交叉學科，甚至提議將其作為與理論經濟學和應用經濟學并列的一級學科。[54]也有學者認為大數據方法更多體現在方法創新上，與傳統經濟學研究方法是互為補充和相互促進的關系，而非替代關系，基于大數據編制的指數包括情緒指數能夠為傳統統計調查提供佐證、補充，乃至相互融合。[55]

最后，學術界認為大數據情緒指數只能驗證其與因變量之間的相關關系，而無法解釋因果關系。[56]由于市場上發生的一切變化都可能對經濟主體情緒產生影響，而經濟主體情緒又通過影響其行為導致市場變化，因此在運用情緒指數解釋某些經濟現象時很難將其他變量的影響剝離開來，也就難以把大數據情緒指數作為因果分析的工具。

(三)未來展望

盡管存在上述問題和爭議，面對信息時代社會網絡化、經濟數字化及計算機科學和信息技術的快速發展，大數據廣泛應用于經濟學研究是大勢所趨，大數據方法未來將更加有效地與經濟學理論及研究范式融合。展望未來，大數據情緒指數作為經濟主體行為的顯化指標，其構建過程將更為科學精確，從而能夠更準確地揭示經濟主體預期和行為的形成機制。

首先，經濟學理論將為大數據情緒指數編制提供更多的指導。已有學者在反思現階段大數據研究中存在的“數據→數據”的研究思路，旨在強調即便在大數據時代，經濟學理論在大數據情緒指數研究中仍然具有基礎性作用，大數據方法離不開經濟學理論的指導。今后的大數據情緒指數研究中將更重視回歸經濟學理論，發揮經濟學理論在決定數據選取等帶有先驗性主觀性質的內容時所起到的指導作用，如為初步選擇關鍵詞和初步設定算法提供理論線索。

其次，大數據方法技術將進一步成熟。隨著機器學習、自然語言處理等數據挖掘、處理和分析技術的不斷進步，在數據采集過程中的噪音或將逐漸降低，從而使得數據質量得到顯著提升，更為貼近現實世界，提高大數據情緒指數及其他大數據指標的有效性。此外，大數據預測可以借鑒在經濟學中已經很成熟的小樣本數據質量控制方法，從而減少因數據偏差所引起的預測錯誤。國家對大數據平臺建設和人工智能發展的重視，也將使得一些權威的優質數據庫逐步開放，使學者可以借助官方統計或調查所得出的傳統數據與大數據情緒指數進行對比分析。

再次，基于大數據方法的因果分析應更受重視。現階段大數據的分析預測更多來源于數據本身，因而得出的結論往往只能揭示變量之間的相關性。相關性是因果性的前提，為了更好地解決實際問題，下一階段大數據方法如何在經濟學理論指導下探尋事物之間的因果關系，將成為其在經濟學研究中亟待解決的重要問題。實際上，目前一些大數據情緒指數的研究人員已經認識到了因果分析的重要性，并開始嘗試在理論層面糾正模型設計的偏差，以經濟學理論指導改進大數據情緒指數編制方法，探究經濟主體情緒和行為之間的因果機制。

最后，大數據情緒指數將為完善經濟學的理論研究提供新的路徑。一方面，大數據情緒指數為重新確認經濟學模型中的約束條件提供了可能性，或將放松傳統經濟模型的某些約束條件，使其更加符合現實世界，提高模型解釋力。另一方面，基于對市場主體行為和預期形成機制的分析將推動行為經濟學理論的發展，使其從理論分析進入實證分析階段。如對投資者情緒在資產誤定價過程中作用的分析有助于改進傳統的資產定價模型，從而完善行為金融學理論。

總而言之，以大數據情緒指數研究為契機，打開經濟主體行為、經濟主體預期的“黑箱”，不斷降低對經濟主體行為認識的信息不對稱，探究經濟主體有限理性預期行為的形成機制，為經濟學發展帶來了前所未有的機遇，將推動經濟學研究向更深層次發展。可以期待，大數據時代的經濟學可能將會由此發生重大變革！

參考文獻：

[1] Armah, N.A. Big data analysis: the next frontier[J]. Bank of Canada Review, 2013, Summer.

[2] Naimi A I, Westreich D J. Big Data: A Revolution That Will Transform How We Live, Work, and Think[J]. Mathematics & Computer Education, 2013, 47(17).

[3] Einav L, Levin J. Economics in the age of big data[J]. Science, 2014, 346(6210).

[4] 蔡慶豐, 郭春松, 陳詣之. 大數據思維在金融學研究中的運用[J]. 經濟學動態, 2015, (3).

[5] Keynes J.M. The General Theory of Employment, Interest and Money[M]. London: Macmillan, 1936.

[6] 林全盛. 網絡信息與股票市場的相關性探究[D]. 成都：西南財經大學, 2016.

[7] 賴凱聲, 陳浩, 錢衛寧. 微博情緒與中國股市:基于協整分析[J]. 系統科學與數學, 2014, 34(5).

[8] 孫毅, 呂本富, 陳航. 大數據視角的通脹預期測度與應用研究[J]. 管理世界, 2014, (4).

[9] 董現壘, Bollen J., 胡蓓蓓. 基于網絡搜索數據的中國消費者信心指數的測算[J]. 統計與決策, 2016, (5).

[10] 劉偉江, 李映橋. 網絡消費者信心指數和經濟增長的動態相關性研究[J]. 財貿研究, 2017(5).

[11] 陳航. 基于網絡搜索的消費者信心指數構建及應用研究[D]. 北京：中國科學院大學, 2014.

[12] 張洋. 大數據背景下CPI短期預測[J]. 中國統計, 2015, (12).

[13] Soo C K. Quantifying Animal Spirits: News Media and Sentiment in the Housing Market[Z]. The Stephen M. Ross School of Business at the University of Michigan Research Paper Series,2013.

[14] Tomohiko Taniyama. Nowcasting the real estate market with news articles and Internet search data[Z]. Nomura Research Institute Report, 2013.

[15] Sun D., Y. Du, W. Xu, M. Zuo, C. zhang, J. zhou. Combining online news articles and Web search to predict the fluctuation of real estate market in big data context[J]. Pacific Asia Journal of the Association for Information Systems, 2015,6(4).

[16] 蘇志. 公眾預期與房地產市場的短期相關性——基于微博信息的實證研究[J]. 經濟與管理研究, 2016, 37(3).

[17] 劉逸, 保繼剛, 朱毅玲. 基于大數據的旅游目的地情感評價方法探究[J]. 地理研究, 2017, 36(6).

[18] 魯艷霞, 吳迪, 黃川林. 大數據環境下面向突發公共事件的微博用戶情緒分析[J]. 軟件工程, 2017, 20(1).

[19] Baker M, Wurgler J. Investor Sentiment and the Cross-Section of Stock Returns[J]. The Journal of Finance, 2006, 61(4).

[20] 馬若微, 張娜. 我國股票市場投資者情緒SENT指數的構建——基于上證A股公司的面板數據[J]. 中央財經大學學報, 2015, (7)

[21] 蘇志, 張騏. 基于網絡大數據的社會經濟預測綜述[J]. 情報雜志, 2015, (7).

[22] Choi H., Varian H. Predicting the present with google trend[J]. Economic Record, 2012, 88(s1).

[23] Da Z.,Joseph Engelberg and Pengjie Gao. In search of attention[J]. Journal of Finance, 2011, 66(5).

[24] Chauvet M, Gabriel S A, Lutz C. Mortgage Default Risk: New Evidence from Internet Search Queries[J]. Journal of Urban Economics, 2016, (96).

[25] Zheng S, Sun W, Kahn M E. Investor Confidence as a Determinant of China’s Urban Housing Market Dynamics[J]. Real Estate Economics, 2016, 44(4).

[26] 俞慶進, 張兵. 投資者有限關注與股票收益——以百度指數作為關注度的一項實證研究[J]. 金融研究, 2012, (8).

[27] 董倩, 孫娜娜, 李偉. 基于網絡搜索數據的房地產價格預測[J]. 統計研究, 2014, 31(10).

[28] 孟雪井, 孟祥蘭, 胡楊洋. 基于文本挖掘和百度指數的投資者情緒指數研究[J]. 宏觀經濟研究, 2016, (1).

[29] [德]托馬斯·梅耶.傳媒殖民政治[M]. 劉寧譯.北京: 中國傳媒大學出版社,2009.

[30] 游家興, 吳靜. 沉默的螺旋:媒體情緒與資產誤定價[J]. 經濟研究, 2012, (7).

[31] 宋逢明, 唐俊. 中國股票市場的信息傳導與流動性需求[J]. 經濟科學, 2002, (2).

[32] 饒育蕾, 彭疊峰, 成大超. 媒體注意力會引起股票的異常收益嗎?——來自中國股票市場的經驗證據[J]. 系統工程理論與實踐, 2010, 30(2).

[33] Tetlock P C. Giving Content to Investor Sentiment: The Role of Media in the Stock Market[J]. Journal of Finance, 2007, 62(3).

[34] 石勇, 唐靜, 郭琨. 社交媒體投資者關注、投資者情緒對中國股票市場的影響[J]. 中央財經大學學報, 2017, (7).

[35] Ruiz E. J.et al. Correlating financial time series with micro-blogging activity[Z]. International Conference on Web Search and Web Data Mining, 2012.

[36] Karabulut Y. Can Facebook Predict Stock Market Activity? [EB/OL]. AFA 2013 San Diego Meetings Paper. Available at SSRN, https://ssrn.com/abstract=2017099.

[37] 程琬蕓, 林杰. 社交媒體的投資者漲跌情緒與證券市場指數[J]. 管理科學, 2013, (5).

[38] 黃潤鵬, 左文明, 畢凌燕. 基于微博情緒信息的股票市場預測[J]. 管理工程學報, 2015, 29(1).

[39] 陳顧遠等. 一種基于微博數據的公眾環境污染情感指數估算方法[A]. 2016全國環境信息技術與應用交流大會暨中國環境科學學會環境信息化分會年會, 2016.

[40] 郭義超, 樊紅. 基于中文文本分析的微博情感地圖的制作[J]. 計算機系統應用, 2017, 26(2).

[41] 石磊. 地方政務微博服務公眾滿意度測評研究[D]. 湘潭：湘潭大學, 2016.

[42] Carlson J A, Parkin M. Inflation Expectations[J]. Econometrica, 1975, 42(166).

[43] Case K E, Shiller R J. Is There a Bubble in the Housing Market?[J]. Brookings Papers on Economic Activity, 2003, 68(2).

[44] 鐘春平, 田敏. 預期、有偏性預期及其形成機制:宏觀經濟學的進展與爭議[J]. 經濟研究, 2015, (5).

[45] Mankiw N G, Reis R. Sticky Information versus Sticky Prices: A Proposal to Replace the New Keynesian Phillips Curve[J]. Quarterly Journal of Economics, 2002, (117).

[46] Evans G. Expectational Stability and the Multiple Equilibria Problem in Linear Rational Expectations Models[J]. Quarterly Journal of Economics, 1985, 100(4).

[47] Orphanides A, Williams J C. Imperfect Knowledge, Inflation Expectations, and Monetary Policy[Z]. National Bureau of Economic Research, Inc, 2004.

[48] Branch W A, Evans G W. A simple recursive forecasting model[J]. Economics Letters, 2006, 91(2).

[49] Milani F. Expectation Shocks and Learning as Drivers of the Business Cycle [J]. Economic Journal, 2011, 121(552).

[50] 劉濤雄, 徐曉飛. 互聯網搜索行為能幫助我們預測宏觀經濟嗎?[J]. 經濟研究, 2015, (12).

[51] 俞立平. 大數據經濟學的概念、框架與學科定位研究[J]. 統計與信息論壇, 2015, 177(6).

[52] 毛佳昕,劉奕群,張敏,馬少平.基于用戶行為的微博用戶社會影響力分析[J].計算機學報,2014,37(04).

[53] 王亮.大數據時代對傳媒經濟研究的影響[J].青年記者,2014，(36).

[54] 俞立平. 大數據與大數據經濟學[J]. 中國軟科學, 2013, (7).

[55] 米子川, 姜天英. 大數據指數是否可以替代統計調查指數[J]. 統計研究, 2016, 33(11).

[56] 汪毅霖. 大數據預測與大數據時代的經濟學預測[J]. 學術界, 2016, (11).