多維度涉企網(wǎng)絡輿情對企業(yè)價值的影響研究

摘 要： ［目的／ 意義］ 從多維度解構涉企網(wǎng)絡輿情， 涵蓋情感、規(guī)模及影響力等方面， 進而建立針對各維度的量化指標模型以探究網(wǎng)絡輿情如何影響企業(yè)價值， 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)勢提供路徑參考。［方法／ 過程］ 利用機器學習、自然語言處理、情感詞典等多種技術、方法構建多維度涉企網(wǎng)絡輿情測度模型， 從微博平臺抓取涉企輿情數(shù)據(jù)以及從Ｗｉｎｄ 金融數(shù)據(jù)庫抓取文娛行業(yè)上市公司財務數(shù)據(jù)， 運用回歸分析方法深入分析多維度涉企網(wǎng)絡輿情因素如何具體作用于企業(yè)價值。［結果／ 結論］ 結果表明， 涉企網(wǎng)絡輿情的正負情感極性會顯著影響企業(yè)價值的增減， 強度則影響增減的幅度； 企業(yè)價值受網(wǎng)絡輿情規(guī)模大小的影響較為顯著， 呈正相關關系； 網(wǎng)絡輿情影響力對企業(yè)價值的影響不明顯。多維度涉企網(wǎng)絡輿情測度模型能有效量化網(wǎng)絡輿情相關維度指標， 研究結果為企業(yè)及監(jiān)管機構提供更詳盡的參考， 有助于精準化解網(wǎng)絡輿情風險。

關鍵詞： 網(wǎng)絡輿情； 企業(yè)價值； 指標量化； 情感分析； 影響力

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

〔中圖分類號〕Ｇ２０３ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２５） ０５－０１１３－１３

在網(wǎng)絡蓬勃發(fā)展的當下， 互聯(lián)網(wǎng)成為普通公眾表達觀點、情感的有效場所， 由此所產(chǎn)生的網(wǎng)絡輿情在企業(yè)經(jīng)營中發(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， 擴大企業(yè)的宣傳渠道， 快速提升企業(yè)經(jīng)營水平。但同時，網(wǎng)絡謠言、負面消息、欺詐信息等負面涉企網(wǎng)絡輿情也為企業(yè)平穩(wěn)運行發(fā)展帶來了輿論壓力與巨大挑戰(zhàn)。更為重要的是， 負面涉企網(wǎng)絡輿情可能對企業(yè)的經(jīng)營環(huán)境造成極為惡劣的影響， 如企業(yè)股價下跌、聲譽受損、融資困難、營銷受阻等問題， 進而導致企業(yè)價值的快速減值。

本文綜合考量情感、規(guī)模及影響力３ 個維度，探討涉企網(wǎng)絡輿情對企業(yè)價值的影響。具體而言， 以企業(yè)價值作為衡量企業(yè)經(jīng)營發(fā)展的指標， 采用卷積神經(jīng)網(wǎng)絡（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ， ＣＮＮ）與情感詞典結合的方式計算網(wǎng)絡輿情的情感指數(shù)， 并以網(wǎng)絡輿情的實際數(shù)量來代表其規(guī)模， 利用層次分析法對網(wǎng)絡輿情數(shù)據(jù)的屬性與發(fā)布者屬性進行賦權并得出網(wǎng)絡輿情影響力指數(shù)， 以創(chuàng)新性的方式方法量化網(wǎng)絡輿情３ 個維度， 并通過回歸分析方法探究涉企網(wǎng)絡輿情的各個維度對企業(yè)價值的綜合影響， 為企業(yè)以及相關監(jiān)管機構化解網(wǎng)絡輿情風險提供更細致的指導。

１ 相關研究

１. １ 多維度網(wǎng)絡輿情測度的研究

對于網(wǎng)絡輿情測度目前多從風險、情感等角度開展研究。吳琦等［１］ 通過構建領域風險詞典以及創(chuàng)建風險指標， 結合事態(tài)特征、輿情熱度等維度來測度社會安全事件輿情風險。胡吉明等［２］ 通過ＤＥＭＡ?ＴＥＬ 方法， 從網(wǎng)絡輿情傳播的主體、客體、本體、引體、載體５ 個維度， 結合１８ 種影響因素度量突發(fā)公共事件網(wǎng)絡輿情熱度。情感作為網(wǎng)絡輿情測度最常用的切入點， 也有較多學者通過對網(wǎng)絡輿情情感進行測度來體現(xiàn)網(wǎng)絡輿情發(fā)展趨勢。張楠楠等［３］ 學者搜集了超過１０ 萬條關于新冠肺炎疫情每日通報的博文評論， 采用情感分析及詞頻統(tǒng)計技術探究了輿情變化的特征與背后的動因， 并對后續(xù)輿情發(fā)展進行監(jiān)測和預測。胡玉琦等［４］ 學者注意到， 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論對象特性的影響。為應對這一局限，在結合雙向門控遞歸單元（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｒｅｃｕｒｒｅｎｔ Ｎｅｕ?ｒａｌ Ｎｅｔｗｏｒｋ， ＢｉＧＲＵ）與卷積神經(jīng)網(wǎng)絡（ＣＮＮ）的情感分類模型中融入了注意力機制后取得了顯著成效。

１. ２ 網(wǎng)絡輿情對企業(yè)價值影響的研究

當前研究網(wǎng)絡輿情如何影響企業(yè)價值主要以兩種方式展開： 第一種側重于運用機器學習技術將網(wǎng)絡輿情的文本內(nèi)容轉化為可量化的指標， 如情感傾向和觀點頻次， 進而探討這些指標對企業(yè)價值的潛在影響。第二種則是將網(wǎng)絡輿情的發(fā)展態(tài)勢轉化為指數(shù)形式， 通過分析指數(shù)的變動趨勢來預估其對企業(yè)未來價值的可能影響。Ｓａｂｈｅｒｗａｌ Ｓ 等［５］ 學者通過對比網(wǎng)絡輿情信息與企業(yè)股價的橫截面數(shù)據(jù)揭示了兩者之間的緊密聯(lián)系。研究發(fā)現(xiàn)， 針對企業(yè)的股市相關評論數(shù)量與當日股價的異常變動呈現(xiàn)出明顯的正相關， 且這些評論在一定程度上能夠有效預測次日股價的走勢。此外， Ｔｓｕｋｉｏｋａ Ｙ 等［６］ 學者的研究揭示， 股民評論活躍程度及態(tài)度傾向與企業(yè)市值、市盈率以及波動率呈正相關。Ｌｅｅ Ｙ Ｊ 等［７］ 則指出，隨著網(wǎng)絡輿情規(guī)模的不斷擴大， 盡管在線評論的情感傾向與股市收益之間呈現(xiàn)出顯著的相關性， 但這些評論并不具備預測股市走勢的能力， 同時評論數(shù)量的多少也難以準確預估企業(yè)股價。鑒于此， 許汝俊［８］ 從網(wǎng)絡輿情文本內(nèi)容出發(fā)， 引入網(wǎng)民異質性等視角探索網(wǎng)絡輿情與企業(yè)股價或價值之間的關聯(lián)，通過構建網(wǎng)絡分析師關注指數(shù)以研究分析師過度關注對企業(yè)價值的影響。研究發(fā)現(xiàn)， 分析師的經(jīng)驗水平、身份特征等異質性因素越顯著， 其關注的上市公司企業(yè)價值的波動性就越大。

綜合來看， 目前少有研究從多個維度探究涉企網(wǎng)絡輿情對企業(yè)價值的影響， 主要還是從投資者情緒、當日輿情量等單一維度進行研究分析， 評價水平較弱。例如， Ｓａｂｈｅｒｗａｌ Ｓ 等［５］ 的研究結論認為，輿論聲量越大則企業(yè)價值越能增長， 但該研究未將當日評論中正面與負面情緒的比例納入考量， 因此無法有效闡釋大量負面網(wǎng)絡輿情如何導致企業(yè)價值減損。這表明， 在探索多維度網(wǎng)絡輿情對企業(yè)價值影響的研究領域內(nèi)仍存在一定的研究空缺。從研究趨勢上看， 針對網(wǎng)絡輿情的研究開始向多維度結合的方向發(fā)展。因此， 本研究聚焦于網(wǎng)絡輿情對企業(yè)價值的影響， 通過綜合分析網(wǎng)絡輿情的情感傾向、規(guī)模及影響力大小等多個維度， 更全面地揭示其對企業(yè)價值的影響， 并為后續(xù)的相關研究提供一定的參考。

２ 多維度涉企網(wǎng)絡輿情測度模型構建

２. １ 多維度涉企網(wǎng)絡輿情測度過程

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

多維度涉企網(wǎng)絡輿情測度整體思路為： 首先，通過從微博等社交平臺獲取某個時間段內(nèi)的涉企網(wǎng)絡輿情信息并進行數(shù)據(jù)清洗等預處理； 其次， 構建關于涉企網(wǎng)絡輿情情感、規(guī)模、影響力測度模型，將涉企網(wǎng)絡輿情情感強度和極性相結合得到情感測度結果， 通過將網(wǎng)絡輿情的總量與對應評論數(shù)量綜合考量， 得出規(guī)模的測度值； 將網(wǎng)絡輿情用戶屬性指標和輿情信息屬性指標進行權重計算并結合得到影響力測度結果； 最后， 通過Ｗｉｎｄ 等平臺得到企業(yè)的托賓Ｑ 等表示企業(yè)價值的指標， 利用回歸分析等方法探究企業(yè)價值受涉企網(wǎng)絡輿情情感、規(guī)模、影響力的影響程度。

２. ２ 涉企網(wǎng)絡輿情情感測度模型構建

鑒于僅依據(jù)網(wǎng)絡輿情的情感極性無法全面反映負面情緒對企業(yè)股價、市場評價及商譽的潛在影響，有必要結合情感的強弱程度進行綜合考量。因此，在涉企多維網(wǎng)絡輿情的情感測度中將其細分為兩部分： 一方面計算網(wǎng)絡輿情的情感極性， 另一方面評估情感的強度， 最后將兩者結合以全面表達網(wǎng)絡輿情的情感傾向及其強烈程度。

在對網(wǎng)絡輿情情感極性的分析上， 本文采用Ｐｙｔｈｏｎ 的開源工具包ＴｅｎｓｏｒＦｌｏｗ 庫來構建卷積神經(jīng)網(wǎng)絡（ＣＮＮ）模型。訓練數(shù)據(jù)集由５ 萬條正面情感和５ 萬條負面情感的已標注中文文本組成， 文本均源自網(wǎng)絡收集。模型訓練初期， 參數(shù)設置基于經(jīng)驗值進行預設， 隨后依據(jù)損失函數(shù)值及準確率的變動趨勢對ＣＮＮ 模型的參數(shù)進行細致的調整與優(yōu)化［１０］ ，經(jīng)過參數(shù)調優(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上的損失函數(shù)值與準確率表現(xiàn)。

由圖２ 可知， 在進行了三萬次迭代訓練后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上的準確率也達到了高水平。將涉企網(wǎng)絡輿情數(shù)據(jù)整理成語料庫輸入到已經(jīng)訓練成熟的ＣＮＮ 模型中， 從而快速得出每條網(wǎng)絡輿情文本的情感極性ｅｐ。在訓練集的標注過程中規(guī)定正向情感的文本情感值為＋１， 負向情感的文本情感值為－１， 因此本文模型最終輸出結果也與訓練集標注結果相同， 正向情感的網(wǎng)絡輿情ｅｐ 值為＋１，負向情感的網(wǎng)絡輿情ｅｐ 值為－１。

在評估網(wǎng)絡輿情的情感強度時， 本文采用了情感詞典的方法。在構建停用詞詞典的過程中綜合了哈爾濱工業(yè)大學停用詞詞庫、百度停用詞表等主流資源， 整合后形成了一個包含１ ９５１個停用詞的新詞典。對于程度副詞詞典的構建， 基于現(xiàn)有的多個程度副詞詞典進行了去重與整合， 形成了一個更為完善的新詞典， 同時參考前人的研究成果， 根據(jù)程度副詞對情感詞情感的增強程度， 為這些副詞賦予了相應的權重值， 將程度值Ｄｅｇｒｅｅ 設置為“低級、中級、高級、最高級” ４ 個等級， 分別賦值０. ８、１. １、１. ５、１. ８［１１］ ， 以表示程度副詞對情感詞語態(tài)的加強程度。情感詞典在情感強度評估中扮演著核心角色， 要求對每個詞匯的情感傾向進行精確量化。為此， 本文采用了ＢｏｓｏｎＮＬＰ 情感詞典作為情感強度分析的基礎工具， 該詞典已預先完成了情感值的標注工作， 其構建依托于微博、新聞、論壇等多元化的數(shù)據(jù)資源， 確保了每個詞匯都擁有唯一且明確的情感值。鑒于其包含超過１０ 萬個情感詞匯［９］ ， 該詞典在應用于網(wǎng)絡輿情文本的情感強度計算時能夠擁有高度的有效性和準確性。

因此， 本文中的涉企網(wǎng)絡輿情文本的情感強度計算流程如下： 首先， 將文本以句子為單位進行分割， 隨后進行分詞處理、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情感詞典為每個情感詞匹配其對應的情感值ｓｊ 。若情感詞前有程度副詞修飾， 則將該情感詞的基礎情感值乘以相應的程度副詞系數(shù)得到調整后的新情感值。最后將所有情感詞的情感值進行累加， 所得總和即為該條網(wǎng)絡輿情文本的情感強度。

通過將涉企網(wǎng)絡輿情的情感強度與其情感極性相結合可以對涉企網(wǎng)絡輿情的情感指數(shù)ＥＩ（ＥｍｏｔｉｏｎＩｎｄｅｘ）進行測度。計算方式如式（１） 所示：

其中， ｅｄｍｊ為企業(yè)第ｊ 個季度的第ｍ 條網(wǎng)絡輿情數(shù)據(jù)的情感強度， ｅｐｍｊ 為該條數(shù)據(jù)的情感極性。將企業(yè)在每個季度內(nèi)的每條網(wǎng)絡輿情數(shù)據(jù)的情感極性與情感強度進行相乘運算， 隨后累加該季度所有網(wǎng)絡輿情數(shù)據(jù)的乘積結果， 即可計算出企業(yè)在該季度的網(wǎng)絡輿情情感指數(shù)。其中， 正指數(shù)表明企業(yè)的網(wǎng)絡輿情傾向于正面情感， 負指數(shù)則表明企業(yè)的網(wǎng)絡輿情傾向于負面情感， 而指數(shù)的絕對值大小則反映了網(wǎng)絡輿情情感的強弱程度。網(wǎng)絡輿情情感指數(shù)ＥＩ為企業(yè)提供了衡量各個季度網(wǎng)絡輿情整體情感傾向的指標， 結合企業(yè)季度末的財務報告可以進一步探討網(wǎng)絡輿情情感對企業(yè)價值評估的潛在影響。

２. ３ 涉企網(wǎng)絡輿情規(guī)模測度模型構建過程

網(wǎng)絡輿情規(guī)模的測度依據(jù)是網(wǎng)絡輿情信息總量與每條信息回復數(shù)的總和， 既包括與涉企網(wǎng)絡輿情事件直接相關聯(lián)的網(wǎng)絡輿情信息條目數(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)民對涉企網(wǎng)絡輿情事件的參與， 因此，本文認為將二者的數(shù)量相結合能夠有效描述涉企網(wǎng)絡輿情的總體規(guī)模。構建涉企網(wǎng)絡輿情規(guī)模測度模型的方式如下： 首先， 以單獨發(fā)布的涉企網(wǎng)絡輿情信息作為衡量基礎， 代表企業(yè)負面事件的基本規(guī)模；其次， 依據(jù)每條信息收獲的回復數(shù)量進行加權， 這部分反映了信息發(fā)布者粉絲群體所貢獻的網(wǎng)絡輿情規(guī)模。此模型在數(shù)據(jù)收集和計算復雜度上均較為簡便， 卻能有效體現(xiàn)特定時間段內(nèi)網(wǎng)絡輿情的總體態(tài)勢。具體操作時， 統(tǒng)計每個企業(yè)財務信息公開周期內(nèi)的所有輿情信息及回復， 以此作為該周期內(nèi)企業(yè)網(wǎng)絡輿情規(guī)模的量化指標。

綜上所述， 涉企網(wǎng)絡輿情規(guī)模指數(shù)ＳＩ 計算公式如式（２） 所示：

其中， 企業(yè)第ｋ 季度的網(wǎng)絡輿情規(guī)模指數(shù)ＳＩｋ為該季度中網(wǎng)絡輿情數(shù)據(jù)ｎｐｏ 乘以他們所包含的評論ｃｏｍｍｅｎｔ， 當無評論時ｃｏｍｍｅｎｔ ＝ １。這一指標綜合考量了由企業(yè)負面事件直接引發(fā)的原生網(wǎng)絡輿情規(guī)模， 以及因網(wǎng)絡輿情信息中的觀點表達而吸引其他用戶參與回復所形成的衍生網(wǎng)絡輿情規(guī)模， 覆蓋了由企業(yè)相關社會事件所產(chǎn)生的網(wǎng)絡輿情信息。在評估網(wǎng)絡輿情規(guī)模時， 由于無需分析輿情信息的具體內(nèi)容， 因此在采集以企業(yè)名稱為關鍵詞的網(wǎng)絡輿情數(shù)據(jù)時， 僅需同時記錄每條信息所對應的回復數(shù)量而無需額外采集具體的回復內(nèi)容。

２. ４ 涉企網(wǎng)絡輿情影響力測度模型構建過程

涉企網(wǎng)絡輿情影響力指標指的是輿情信息對投資者意向的影響， 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)絡輿情信息的標簽屬性和發(fā)布者的標簽屬性二者相結合來評估涉企網(wǎng)絡輿情的影響力。本文數(shù)據(jù)取自微博平臺，因此影響力的評估指標主要依據(jù)該平臺提供的屬性標簽數(shù)據(jù)進行構建， 具體評估指標參見表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， 反映用戶身份的真實度， 按照數(shù)據(jù)獲取平臺的無認證、個人認證、官方認證的３ 種認證取值為［１，２，３］。Ｓ５、Ｓ６、Ｓ７ 反映網(wǎng)絡輿情信息的爭議度， 爭議越大影響力越大， 數(shù)值為正整數(shù)。Ｓ８ 為系數(shù)指標， 根據(jù)網(wǎng)絡輿情信息的文本、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)絡輿情信息的影響力越大。

為計算各指標的權重， 首先需要確定標度并構建判斷矩陣。在指標體系建立完成后， 需對隸屬于上一層次的每個指標成對比較， 采用了專家評價法邀請了１０ 位研究網(wǎng)絡輿情方向的專家， 參考表２ 對指標間的重要性關系進行標度確定， 并據(jù)此構建出判斷矩陣。

利用所確定的標度構建針對涉企網(wǎng)絡輿情影響力測度指標的判斷矩陣， 該矩陣Ｍ 見式（３）：

隨后進行權重計算與一致性檢驗。首先計算出指標的特征向量值及其對應的最大特征根， 這些數(shù)值將作為后續(xù)一致性驗證的基礎。層次單排序主要是對同層同屬的指標重要性進行確定， 需依據(jù)測度指標體系的架構， 構建多個判斷矩陣來計算權重。完成權重計算后需對矩陣進行一致性檢驗， 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， ＲＩ 為隨機一致性檢驗指標， 如表３ 所示。

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

經(jīng)過計算確定了網(wǎng)絡輿情影響力測度指標體系中各層級要素及其指標的權重， 指標層中的指標對于目標的權重需要結合其所屬測度層指標權重綜合得出， 涉企網(wǎng)絡輿情影響力測度指標綜合權重見表５。

在確定指標權重后， 需要結合網(wǎng)絡輿情數(shù)據(jù)對其影響力進行測度， 對涉企網(wǎng)絡輿情影響力指標數(shù)據(jù)進行去量綱化處理， 將其數(shù)值映射至［０，１］區(qū)間。結合各個指標權重， 可以測算網(wǎng)絡輿情影響力用戶屬性信息（Ｅ１）與觀點屬性信息（Ｅ２）。

涉企網(wǎng)絡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 為季度中關于上市公司的網(wǎng)絡輿情發(fā)文用戶數(shù)量， ｇｉ 、ｆｉ 、ｂｉ 、ａｉ 與ｗｇ 、ｗｆ 、ｗｂ 、ｗａ 分別為第ｉ 個用戶的用戶屬性信息（Ｅ１）指標層中Ｓ１、Ｓ２、Ｓ３、Ｓ４ 的指標數(shù)值與指標權重。

涉企網(wǎng)絡輿情影響力的觀點屬性信息（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)絡輿情信息的觀點屬性信息（Ｅ２）指標層中Ｓ５、Ｓ６、Ｓ７、Ｓ８的指標數(shù)值與指標權重。

在對分解指標Ｅ１ 與Ｅ２ 進行測度之后， 將二者加權求和即可得出網(wǎng)絡輿情影響力， 當期涉企網(wǎng)絡輿情影響力ｆｉ 如式（８） 所示：

ｆｉ ＝ｗＡｕ Ａｕｓｅｒ ＋ｗＡｏ Ａｏｐｉｎｉｏｎ （８）

其中， ｗＡｕ 、ｗＡｏ為Ｅ１ 與Ｅ２ 的指標權重。

雖然計算出當期的網(wǎng)絡輿情影響力指數(shù)能夠反映企業(yè)在各個財務季度的即時影響力狀況， 但若要體現(xiàn)網(wǎng)絡輿情影響力對企業(yè)的影響， 還需從影響力變動幅度的視角進行考察。因此， 通過計算企業(yè)網(wǎng)絡輿情的當期影響力指數(shù)與前一期影響力指數(shù)的差值， 來確定最終的網(wǎng)絡輿情影響力變化量。網(wǎng)絡輿情影響力指數(shù)ＦＩ 如式（９） 所示：

ＦＩ ＝ｆｉｘ －ｆｉｘ－１ （９）

其中， ｆｉｘ 為當前季度企業(yè)的網(wǎng)絡輿情影響力，ｆｉｘ－１為企業(yè)前一季度的網(wǎng)絡輿情影響力。通過該方式分析網(wǎng)絡輿情影響力在各個季度的變化程度， 可以判斷影響力變化對企業(yè)價值的影響。

３ 實證研究

２０１８ 年的“陰陽合同” 事件引起了公眾對娛樂圈負面事件的廣泛關注。廣電總局和國家稅務總局加強了對文娛企業(yè)的監(jiān)管力度， 這使得文娛行業(yè)的網(wǎng)絡輿情環(huán)境趨于嚴峻。在此背景下， 涉企網(wǎng)絡輿情對企業(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)絡輿情數(shù)據(jù)， 有利于實驗結果的準確性。因此， 本文對２０１８年之后的文娛行業(yè)網(wǎng)絡輿情情況與企業(yè)價值進行回歸分析， 能夠較好地驗證網(wǎng)絡輿情對企業(yè)經(jīng)營造成的影響。

３. １ 變量與樣本選取

本文數(shù)據(jù)主要分為兩個部分， 一是涉企網(wǎng)絡輿情數(shù)據(jù)， 來源為微博平臺中涉及文娛行業(yè)上市公司的相關評論， 包括評論的文本內(nèi)容、屬性標簽的具體數(shù)量、發(fā)布用戶的特征數(shù)據(jù)等。二是企業(yè)的財務數(shù)據(jù)， 來源為Ｗｉｎｄ 等金融數(shù)據(jù)庫， 包括企業(yè)價值、資產(chǎn)負債率、收入增長率等。

企業(yè)價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， 能夠較好地用于分析涉企網(wǎng)絡輿情對企業(yè)的影響， 因此， 本文將企業(yè)價值作為被解釋變量， 用托賓Ｑ 值（Ｔｏｂｉｎ＇ｓ Ｑ）表示［１２］ ， 托賓Ｑ 公式如式（１０） 所示：

ＴｏｂｉｎＱ ＝市價×流通股數(shù)＋非流通股數(shù)×每股凈資產(chǎn)＋負債賬面價值／資產(chǎn)總計（１０）

其中， 市價用季度末５ 日收盤價的均數(shù)計算，每股凈資產(chǎn)用季度末所有者權益與總股本的比值計算每股凈資產(chǎn)。解釋變量為前文測度的涉企網(wǎng)絡輿情情感、規(guī)模、影響力指數(shù)， 控制變量在參考以往研究基礎上選擇資產(chǎn)負債率、凈資產(chǎn)利潤率、收入增長率、現(xiàn)金凈流量、營業(yè)額［１３］ 。如表６ 所示。

涉企網(wǎng)絡輿情數(shù)據(jù)方面， 考慮到Ａ 股上市公司財務數(shù)據(jù)獲取方便， 且電影、電視、娛樂業(yè)等細分行業(yè)的上市公司話題度較高， 相較于其他實體行業(yè)， 網(wǎng)絡輿情信息數(shù)據(jù)較為充足， 因此利用“天眼查” Ａｐｐ 的高級查找功能做篩選， 排除了娛樂屬性相對較低的行業(yè)， 如發(fā)行業(yè)、出版業(yè)以及圖書館等， 同時也剔除了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)， 共選取４５ 家在Ａ 股主板上市的文娛行業(yè)公司作為研究對象。同時，以文娛行業(yè)企業(yè)股票的中文名稱作為檢索關鍵詞，選擇Ｇｏｏｓｅｅｋｅｒ 網(wǎng)絡爬蟲工具在微博平臺中進行網(wǎng)絡輿情數(shù)據(jù)抓取， 數(shù)據(jù)收集的時間范圍設定為２０１８年１ 月１ 日至２０２０ 年１２ 月３１ 日， 期間從微博平臺搜集了目標企業(yè)的網(wǎng)絡輿情文本信息， 包括點贊、評論、轉發(fā)次數(shù)等數(shù)據(jù)， 同時還獲取了微博發(fā)布者的發(fā)帖、關注、粉絲數(shù)量以及用戶認證狀態(tài)等相關信息。考慮到目前微博將關鍵詞檢索內(nèi)容的瀏覽范圍限制在５０ 頁以內(nèi)， 同時考慮到數(shù)據(jù)抓取的時間成本， 以分鐘為時間切片進行抓取則時間成本巨大，因此本文設置抓取每個小時內(nèi)相關關鍵詞的微博數(shù)據(jù)， 由于微博關鍵詞搜索的內(nèi)容顯示是按照點贊、回復、轉發(fā)等綜合熱度排序而來， 因此此種抓取邏輯能夠在獲取時間一定的情況下盡可能抓取信息量充足的有用信息。總計抓取超過４０ 萬條網(wǎng)絡輿情數(shù)據(jù)。關于企業(yè)財務數(shù)據(jù)， 托賓Ｑ 值及各個企業(yè)財務數(shù)據(jù)變量均來源于Ｗｉｎｄ 數(shù)據(jù)庫、ＣＳＭＡＲ 數(shù)據(jù)庫等專業(yè)金融信息平臺。在排除財務數(shù)據(jù)異常及關鍵變量缺失的樣本后， 最終確定了４９５ 個有效數(shù)據(jù)觀測值。

３. ２ 研究假設

行為金融理論主張證券市場價格的形成不僅基于股票的內(nèi)在價值， 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值波動中扮演著關鍵角色［１４］ 。魏楊［１５］ 指出， 當企業(yè)負面事件在網(wǎng)絡上發(fā)酵并轉化為網(wǎng)絡輿情時， 兼具網(wǎng)民與股民身份的投資者在接收到這些負面信息后可能會調整其投資策略。鄧艷［１６］ 則運用文本挖掘與情感分析技術對網(wǎng)絡輿情信息進行量化處理， 并結合綜合股價指數(shù)， 探討了網(wǎng)絡輿情情感與股票價格之間的相關性， 發(fā)現(xiàn)網(wǎng)絡輿情情感具有一定的股價預測能力，正面情感會推動股價上漲并觸發(fā)“羊群效應”， 進一步吸引投資者。歐陽哲［１７］ 的研究指出， 企業(yè)的網(wǎng)絡聲譽也屬于重要資源， 曾遭遇負面報道的企業(yè)在媒體中的聲譽受損， 當再次曝出負面信息時媒體和網(wǎng)絡輿情情感的負面傾向會加劇， 這對企業(yè)的形象塑造、產(chǎn)品推廣及品牌營銷構成更為嚴峻的挑戰(zhàn)。綜上所述， 本文提出以下假設：

假設１： 涉企網(wǎng)絡輿情情感對企業(yè)價值具有顯著影響

基于信號傳遞理論與信息不對稱理論， Ｄａ Ｚ等［１８］ 學者指出， 企業(yè)與中小投資者之間存在著顯著的信息不對稱問題。然而， 申琦等［１９］ 學者的研究表明， 在網(wǎng)絡時代背景下， 各類資本信息在投資者群體中實現(xiàn)了有效流通， 信息由企業(yè)與機構所主導的信息場通過網(wǎng)絡渠道廣泛傳播至整個市場， 顯著緩解了企業(yè)與投資者之間的信息不對稱狀況。研究表明， 前一交易日的股票評論數(shù)量與當日的企業(yè)股票價值和成交量之間存在較強的關聯(lián)性［２０］ 。此外， 張琬林［２１］ 的研究表明， 個體觀點或行為易受群體影響與多數(shù)人的立場保持一致， 網(wǎng)絡輿情規(guī)模擴張的一個潛在隱患在于， 網(wǎng)民個體的態(tài)度可能受到羊群效應的作用而向網(wǎng)絡輿情整體情緒靠攏。隨著企業(yè)負面輿情的不斷擴大將對企業(yè)在二級市場的信息環(huán)境構成不利影響， 網(wǎng)民或投資者群體的觀點將趨于一致， 進而影響到企業(yè)的成交量、成交額等， 導致企業(yè)的資產(chǎn)價值、商譽以及市場評價等代表企業(yè)綜合價值的要素在短期內(nèi)發(fā)生快速波動。綜上所述， 本文提出以下假設：

假設２： 涉企網(wǎng)絡輿情規(guī)模對企業(yè)價值具有顯著影響

影響力是指能夠改變他人思維或行動的力量，也體現(xiàn)了被他人接納的程度， 人們通常對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)主動公開的財務報告、決策公告、重大事件通報等經(jīng)營信息， 對股票價值的短期波動及融資環(huán)境具有顯著影響［２３］ ； 另一方面， 企業(yè)未曾預料的突發(fā)事件在網(wǎng)絡上迅速傳播形成網(wǎng)絡輿情， 隨著事件影響力或熱度的攀升， 投資者的關注度也隨之提升。在二級市場中， 這種突發(fā)的正面或負面事件會促使投資者依據(jù)事件的影響力采取相似的投資行為，極端情況下可能導致集體增持或拋售， 進而引發(fā)股票價格的漲停或跌停［２４］ 。相較于市值較大的企業(yè)，市值較小的小盤股對關注度和搜索強度的變化更為敏感， 當搜索熱度在短期內(nèi)急劇上升時對其股價的影響更大， 從而促使與企業(yè)相關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：

假設３： 涉企網(wǎng)絡輿情影響力對企業(yè)價值具有顯著影響

３."３ 模型設計

為驗證假設１ 網(wǎng)絡輿情情感對企業(yè)價值的影響， 構建模型如式（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 個季度的托賓Ｑ 值， α０ 為常數(shù)項， α１ ～α６ 為回歸系數(shù)， ＥＩ 為同期網(wǎng)絡輿情情感值。Ｌｅｖ、ＲＯＥ、Ｇｒｏｗｔｈ、Ｃａｓｈ、Ｌｎｓａｌｅｓ 為控制變量， 分別為企業(yè)ｉ 第ｔ 年的第ｓ 個季度的企業(yè)規(guī)模、資產(chǎn)負債率、凈資產(chǎn)利潤率、收入增長率、現(xiàn)金凈流量、營業(yè)額， ｑｕａｒｔｅｒ 為虛擬變量， ε 為殘差項。

為驗證假設２ 網(wǎng)絡輿情規(guī)模對企業(yè)價值的影響， 構建模型如式（１２） 所示：

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

為驗證假設３ 網(wǎng)絡輿情影響力對企業(yè)價值的影響， 即是否網(wǎng)絡輿情影響力越大， 對企業(yè)價值的影響越大， 構建模型如式（１３） 所示：

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

為驗證網(wǎng)絡輿情各指標對企業(yè)價值的綜合影響，將網(wǎng)絡輿情情感、規(guī)模、影響力３ 個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 實證及分析

回歸分析的分析計算過程主要利用ＳＰＳＳ 軟件對獲取的數(shù)據(jù)進行計算并得出各項結果， 是目前回歸分析實驗中主流的方法。

３. ４. １ 描述性統(tǒng)計

描述性統(tǒng)計結果見表７， 企業(yè)價值（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， 說明文娛行業(yè)內(nèi)企業(yè)間的體量差異顯著。網(wǎng)絡輿情情感（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)絡評論傾向較為正面、輿論環(huán)境相對寬松。網(wǎng)絡輿情規(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)民關注度差距極大。網(wǎng)絡輿情影響力（ＦＩ）最大值為７ ２７５ ６３４. ７３４，最小值為４６. ２７１， 表明不同時間段的文娛企業(yè)網(wǎng)絡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)絡輿情的影響力較為平衡，而發(fā)生輿情事件時影響力又會擴大至較高水平。

３. ４. ２ 變量相關性分析

表８ 所示為各變量的相關系數(shù)， 網(wǎng)絡輿情情感（ＥＩ）與企業(yè)價值（ＴＱ）在１％水平上存在顯著的正相關性， 表明關于企業(yè)的網(wǎng)絡輿情情感和數(shù)值越高，企業(yè)價值估值就越高， 反之則越低； 網(wǎng)絡輿情規(guī)模（ＳＩ）與企業(yè)價值在１％的水平上負相關， 二者的相互作用仍需通過回歸分析進一步驗證； 網(wǎng)絡輿情影響力與企業(yè)價值不相關。企業(yè)價值與資產(chǎn)負債率（Ｌｅｖ）、凈資產(chǎn)利潤率（ＲＯＥ）呈現(xiàn)顯著的相關性， 說明企業(yè)的盈利能力越強其估值越高。此外， 對變量的ＶＩＦ 值進行檢驗以檢驗多重共線性是否存在。結果為變量ＶＩＦ 值均小于１０， 平均值１. ８， 變量之間不存在多重共線性問題。

３. ４. ３ 回歸分析

表９ 為涉企網(wǎng)絡輿情情感、規(guī)模、影響力與企業(yè)價值的回歸結果。

在列（１） 的基礎上， 列（２） 引入了控制變量后， 回歸分析結果顯示網(wǎng)絡輿情情感的回歸系數(shù)為０. ２４３， 且在１％的水平上顯著。這一結果表明， 企業(yè)的網(wǎng)絡輿情情感對其價值變化具有顯著影響： 正面網(wǎng)絡輿情情感的提升會提高企業(yè)價值， 反之則降低。換言之， 網(wǎng)民對企業(yè)的積極評價越多， 企業(yè)價值的增長動力就越強。正面的網(wǎng)絡輿情不僅能為產(chǎn)品帶來額外的流量效應， 增加資產(chǎn)價值， 還能進一步推動企業(yè)價值的提升， 從而驗證了假設１ 的正確性。

根據(jù)列（３） 和列（４）， 網(wǎng)絡輿情規(guī)模與企業(yè)價值的回歸系數(shù)分別為０. ２５２ 和０. ２２１， 且均在１％的水平上顯著。這表明， 網(wǎng)絡輿情的規(guī)模與企業(yè)評估價值之間存在正相關關系， 即網(wǎng)絡輿情規(guī)模越大，企業(yè)的評估價值越高。規(guī)模較大的企業(yè)往往擁有更多的話題點， 這些公眾討論的話題能為企業(yè)帶來更多的流量效應。由于股民投資者也是網(wǎng)絡輿情的受眾之一， 從長期來看， 獲得更多曝光機會和討論話題的企業(yè)能夠獲取更多的行業(yè)競爭優(yōu)勢， 有利于其股票的流動性， 進而促進企業(yè)實現(xiàn)價值創(chuàng)造。從而驗證了假設２。

列（５） 和列（６） 的結果顯示， 網(wǎng)絡輿情影響力與企業(yè)價值的回歸系數(shù)為負， 但并未達到顯著性水平， 意味著網(wǎng)絡輿情的影響力并不能促進企業(yè)價值的增長。本文分析認為這可能是由于網(wǎng)民身份的異質性所致， 即便具有高影響力的網(wǎng)絡用戶發(fā)布了相關網(wǎng)絡輿情， 但其對整體網(wǎng)絡輿情的導向作用并不強， 不足以引導廣大網(wǎng)民改變對企業(yè)的預期看法。因此， 假設３ 未能通過本次檢驗。

列（７） 的回歸結果顯示， 在納入３ 個網(wǎng)絡輿情指標后， 網(wǎng)絡輿情情感與規(guī)模對企業(yè)價值的影響依然保持顯著， 而網(wǎng)絡輿情影響力對企業(yè)價值的影響仍然不顯著。當加入規(guī)模指標后， 負面網(wǎng)絡輿情的影響效應被放大了， 表明網(wǎng)絡輿情規(guī)模能夠增強負面輿情對企業(yè)的負面影響。網(wǎng)絡輿情作為公眾了解企業(yè)的便捷途徑， 其負面信息的廣泛傳播將對企業(yè)價值產(chǎn)生極為嚴重的破壞。

３. ５ 實證結果討論

本文基于微博平臺獲取網(wǎng)絡輿情數(shù)據(jù)， 以探究網(wǎng)絡輿情對企業(yè)價值的具體影響。研究結果顯示，網(wǎng)絡輿情情感與企業(yè)價值的回歸系數(shù)在１％水平上顯著且為正， 揭示了兩者之間存在正相關關系， 表明網(wǎng)絡輿情情感的數(shù)值大小及其正面或負面的傾向性直接影響企業(yè)價值的增減變化。具體而言， 正面的網(wǎng)絡輿情情感有助于提升企業(yè)的價值， 而負面網(wǎng)絡輿情的累積則更容易觸發(fā)輿情危機， 進而造成企業(yè)價值的下滑。這一發(fā)現(xiàn)與魏楊［１５］ 、鄧艷［１６］ 、歐陽哲［１７］ 的研究成果相呼應， 他們同樣指出輿論情緒會顯著影響股價、市值等企業(yè)價值指標。網(wǎng)絡輿情規(guī)模與企業(yè)價值的回歸系數(shù)顯示為０. ２２１， 在１％的統(tǒng)計水平上顯著且為正， 兩者存在正相關關系。這表明在多數(shù)情況下， 網(wǎng)絡輿情的規(guī)模越大， 企業(yè)所受到的社會關注度則越高。這種由規(guī)模引發(fā)的羊群效應能夠吸引更多的投資者與企業(yè)形成利益相關關系，進而使得企業(yè)因知名度提升并實現(xiàn)價值的顯著增長。這一發(fā)現(xiàn)與Ｄａ Ｚ［１８］ 、張琬林等［２１］ 學者的研究結論相吻合， 他們同樣強調了輿情曝光度的提高對企業(yè)日常運營及股票市場波動的顯著影響。與以往研究有所差異的是， 本研究得出的結論是網(wǎng)絡輿情影響力并非影響企業(yè)價值的主要因素， 網(wǎng)絡輿情影響力與企業(yè)價值的回歸系數(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)布者在社交平臺上的影響力所決定， 但影響力的大小僅僅反映了參與評論群體的影響力水平， 而不同的涉企網(wǎng)絡輿情受眾可能對企業(yè)持有截然相反的態(tài)度， 這種對立態(tài)度的博弈平衡狀態(tài)并未對企業(yè)的實際經(jīng)營活動產(chǎn)生顯著影響。因此， 本研究認為，企業(yè)價值更多地是受到網(wǎng)絡輿情情感傾向和規(guī)模大小的影響。此外， 將網(wǎng)絡輿情情感、規(guī)模、影響力３ 個變量綜合帶入回歸模型后， ３ 個變量與企業(yè)價值的回歸系數(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， 說明二者在影響企業(yè)價值的過程中也具有一定的調節(jié)作用。

鑒于網(wǎng)絡輿情的延續(xù)可能對企業(yè)未來的經(jīng)營和價值產(chǎn)生變動， 本研究采取了滯后檢驗的方法， 將企業(yè)價值滯后１ 期后重新納入回歸模型， 以驗證實證結果的穩(wěn)健性。從表１０ 的數(shù)據(jù)可以看出， 網(wǎng)絡輿情情感與網(wǎng)絡輿情規(guī)模對滯后１ 期的企業(yè)價值的影響系數(shù)分別為０. ２５８ 和０. ２６１， 在１％ 的統(tǒng)計水平上顯著且符號也保持了一致性。而網(wǎng)絡輿情傳播影響力與滯后１ 期的企業(yè)價值之間的關系依然不顯著。滯后檢驗的結果與之前的驗證結果相吻合， 進一步驗證了本研究結論是有效的。具體的回歸結果參見表１０。

３. ６ 相關建議

從研究結果討論可知， 網(wǎng)絡輿情的情感傾向和規(guī)模大小均對企業(yè)價值的變化水平具有顯著的影響。因此， 本文針對防范網(wǎng)絡輿情風險影響企業(yè)價值等方面提出以下建議： 一是加大對網(wǎng)絡輿情情感變化的甄別力度， 企業(yè)價值與網(wǎng)絡輿情情感和規(guī)模呈現(xiàn)高度正相關關系， 則網(wǎng)絡輿情情感的變化以及規(guī)模增長將在很大程度上帶動當季企業(yè)價值的增減， 并在股價上有所反映， 因此， 實時地針對網(wǎng)絡輿情發(fā)展趨勢進行分析是防范由于網(wǎng)絡輿情風險導致企業(yè)價值大幅變動風險的有效方式， 文娛企業(yè)應通過加強與輿情服務供應商合作、建立輿情態(tài)勢感知系統(tǒng)等方式， 防范輿情風險發(fā)展進而影響企業(yè)價值。二是應加強對網(wǎng)絡輿情的定向引導工作， 鑒于網(wǎng)絡輿情的情感傾向與規(guī)模不僅影響企業(yè)價值， 還與企業(yè)經(jīng)營的關鍵指標（如凈資產(chǎn)利潤率和現(xiàn)金凈流量等）存在顯著的正相關關系， 因此， 文娛企業(yè)可通過精準的營銷策略適度擴大正面網(wǎng)絡輿情的規(guī)模， 增加在網(wǎng)絡空間的曝光率， 利用新聞傳播塑造積極的企業(yè)形象， 對于提升企業(yè)價值具有重要意義。三是企業(yè)應致力于提高經(jīng)營效率， 增強應對輿情風險的能力。一般而言， 企業(yè)規(guī)模越大， 其財務靈活性也越強， 更能有效抵御負面輿情風險引發(fā)的財務風險，同時市場各方對企業(yè)的容忍度也會相應提高， 從而在輿情危機爆發(fā)時對企業(yè)價值的沖擊得以減輕。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，因此維護企業(yè)聲譽和適度擴大企業(yè)規(guī)模成為文娛企業(yè)經(jīng)營發(fā)展、有效抵御網(wǎng)絡輿情風險的重要途徑。

４ 結 語

本文將涉企網(wǎng)絡輿情分為情感、規(guī)模、影響力３ 個方面， 并采用多種技術手段構建了相應的測度模型。通過回歸分析， 深入探究了涉企網(wǎng)絡輿情對企業(yè)產(chǎn)生的具體效應。研究揭示， 涉企網(wǎng)絡輿情的情感傾向與規(guī)模顯著地影響著企業(yè)的經(jīng)營狀況， 積極的輿情導向與更大規(guī)模的正面輿情能夠有效推動企業(yè)價值的增長。而網(wǎng)絡輿情的影響力則未對企業(yè)價值產(chǎn)生顯著影響， 這或許反映出在互聯(lián)網(wǎng)的演進中， 網(wǎng)民對于傳統(tǒng)意見領袖的依賴感正逐漸減弱，網(wǎng)絡環(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)絡輿情指數(shù)的設計上仍有待深化， 除了本文探討的３ 個維度外， 還可以從引導力、熱度等其他角度進行更為全面的剖析。二是進一步加強數(shù)據(jù)樣本的質量， 如，獲取更多涉企網(wǎng)絡輿情數(shù)據(jù)、增加短視頻等高維數(shù)據(jù)樣本。三是繼續(xù)增加實證樣本數(shù)據(jù)。由于機能限制， 本文實證樣本的數(shù)量取決于能夠獲取到的有效網(wǎng)絡輿情信息的企業(yè)數(shù)量， 實證樣本數(shù)量較少， 針對這一不足后續(xù)研究將在已有數(shù)據(jù)的基礎上繼續(xù)補充。

參考文獻

［１］ 吳琦， 李陽． 融入領域風險詞典的社會安全事件網(wǎng)絡輿情風險評估研究［Ｊ］． 情報理論與實踐， ２０２４， ４７ （６）： １７５－１８３．

［２］ 胡吉明， 楊澤賢． 突發(fā)公共事件網(wǎng)絡輿情熱度關鍵影響因素識別研究［Ｊ］． 情報雜志， 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)差異及其情感測度———以新冠肺炎疫情為例［ Ｊ］． 情報科學， ２０２２，４０ （９）： １２３－１２９．

［４］ 胡玉琦， 李婧， 常艷鵬， 等． 引入注意力機制的ＢｉＧＲＵ－ＣＮＮ 情感分類模型［Ｊ］． 小型微型計算機系統(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］ 許汝俊． 分析師跟蹤網(wǎng)絡、融資決策與企業(yè)價值［Ｄ］． 武漢：中南財經(jīng)政法大學， ２０１９．

［９］ 趙江元． 微博輿情觀點團簇形成機理與演化態(tài)勢感知研究［Ｄ］．長春： 吉林大學， ２０２１．

［１０］ 閆璐， 楊剛， 趙江元． 網(wǎng)絡輿情觀點團簇演化等級測度與實證研究［Ｊ］． 圖書情報工作， ２０２１， ６５ （２３）： １０６－１１５．

［１１］ 陳國蘭． 基于情感詞典與語義規(guī)則的微博情感分析［ Ｊ］． 情報探索， 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)負面網(wǎng)絡輿情傳播特征研究［Ｄ］．合肥： 安徽大學， ２０１３．

［１６］ 鄧艷． 基于雪球網(wǎng)社會化投資平臺投資者情緒與股價波動關系實證研究［Ｄ］． 廣州： 華南理工大學， ２０１６．

［１７］ 歐陽哲． 危機情境下企業(yè)聲譽對利益相關者行為反應的影響研究［Ｄ］． 合肥： 中國科學技術大學， 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)絡接觸、自我效能與網(wǎng)絡內(nèi)容生產(chǎn)———網(wǎng)絡使用影響上海市大學生網(wǎng)絡內(nèi)容生產(chǎn)的實證研究［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測模型研究［ Ｄ］． 哈爾濱：哈爾濱工業(yè)大學， ２０１３．

［２１］ 張琬林． 企業(yè)網(wǎng)絡輿情演化博弈模型研究［Ｄ］． 哈爾濱： 哈爾濱理工大學， 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險預警———來自中文年報管理層討論與分析的經(jīng)驗證據(jù)［Ｊ］． 中國管理科學， 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．

（責任編輯： 楊豐僑）

基金項目： 國家自然科學基金面上項目“重大突發(fā)事件網(wǎng)絡輿情受眾的參與行為標定、軌跡擬合與靶向導控研究”（項目編號： ７２１７４０７２）。