《Expert Systems with Applications》：A novel dynamic enterprise public opinion risk measurement and early warning approach integrating topic evolution
编辑推荐：
动态贝叶斯网络模型融合多源社交媒体数据，构建话题活跃度、情感极性及传播量三维评估体系，通过LDA算法提取时间窗口内稳定话题，结合话题演化网络揭示风险驱动路径，实现企业舆情风险的动态量化与精准预警，提升风险响应时效性和决策科学性。
Cui-You Yao|Xin Wang|Feng Yang|Jing Zhang|Jia-Qi Liu|Dong-Pu Fu|Ting Yang
首都经济贸易大学管理与工程学院，中国北京100070
摘要
现有关于企业舆论风险的研究往往依赖于静态模型或单一数据来源，对话题演变的关注有限，这限制了预测的准确性和响应的及时性。为了解决这些问题，我们提出了一种动态贝叶斯网络（DBN）模型，该模型整合了多源数据和话题演变。该模型捕捉了话题与风险之间的时间关联，识别出关键演变路径，并实现了动态量化和精准的早期预警。首先，我们从多个平台收集社交媒体数据，并构建了一个多维度指标系统，涵盖话题活跃度、情感极性和传播量。其次，我们在每个时间窗口内提取话题，并构建了一个话题演变网络。最后，我们使用DBN进行动态测量和分层预警。实证结果表明，话题活跃度是企业舆论风险的主要驱动因素，其次是关键词总数和热点话题的数量。所提出的模型得出的风险级别预测与实际分类高度一致，并且优于几种基线方法。本研究强调了话题演变在塑造企业舆论风险中的核心作用，为决策者提供了实时、跨平台的监控和预警能力，支持及时干预、优化资源配置和更具前瞻性的治理。
引言
随着社交媒体技术的迅速发展，信息传播途径和公众参与模式发生了深刻变化（Fang等人，2019年）。与传统媒体在“议程设置”框架下的单向沟通模式不同，中国的社交媒体平台如微博、抖音和知乎改变了信息交流的方式。它们加强了用户之间的多向连接，形成了跨越时空界限的高频互动网络（Han等人，2015年；Schneider和Check，2010年）。这种机制导致数据呈指数级增长，使舆论演变变得更加突然、复杂和连续。在多源信息融合的背景下，公众认知、情感表达和意见互动变得越来越活跃。舆论传播的速度和强度持续上升。次级舆论事件的频率不断增加，企业舆论风险变得越来越难以预测和控制。特别值得关注的是，如果企业舆论冲突得不到缓解，很容易蔓延到线下，引发社会风险事件（Tarafdar和Kajal Ray，2021年），从而对企业利润和声誉、政策实施以及公共治理产生重大冲击（De Graaf和Meijer，2019年；Li等人，2025年）。例如，英国石油公司的原油泄漏事件引发了严重的舆论危机。该公司推卸责任的策略不仅导致了巨额的财务赔偿和声誉损害，还造成了不可逆转的环境污染和生态破坏（Zhang等人，2021年）。这些现实情况表明，舆论风险已成为企业管理和社会治理中不可或缺的变量。
目前，网络舆论的特点是话题演变迅速、跨平台链接增强以及情感的多元交织。面对这一高度复杂的传播生态系统，识别舆论话题的演变轨迹、辨别不同阶段风险的异质性特征，并构建科学合理的测量和预警模型至关重要。这些任务对于实现舆论风险的持续感知、动态分析和及时警报至关重要，这对于有效的公共管理和企业风险应对至关重要。
现有的舆论风险研究大多是静态的或基于单一数据来源的，忽视了跨平台数据整合和风险的动态特性；它们要么忽略了话题演变，要么缺乏动态的话题-风险关联，从而限制了预测和预警的及时性和准确性。关键的是，多源整合和系统层面的准备是预警系统的关键成功因素（Hammood等人，2024年）。为了解决这些挑战，本研究开发了一个基于多源信息融合范式的动态舆论风险建模框架。我们提出了一个DBN模型，该模型整合了话题活跃度、情感极性和传播量，从而建立了话题与风险之间的系统关联结构，以实现动态感知、因果追踪和舆论风险演变的预测。本研究的主要贡献有三个方面：（1）我们提出了一个基于多源社交媒体数据的舆论风险动态建模框架。该框架从多源数据中挖掘舆论话题的演变，捕捉了更真实的舆论演变特征，并增强了风险演变路径的建模能力。（2）我们构建了一个多维度的舆论风险测量指标系统，纳入了话题演变特征，突破了传统风险评估的局限性。（3）我们开发了一个基于DBN的话题-风险关联模型，用于进行多阶段、多因素的舆论风险动态测量，并识别出关键的风险驱动因素。这些结果为相关决策者和企业提供了风险感知、响应和干预的科学依据，提高了社会治理的智慧和前瞻性，并为舆论引导和在线生态优化提供了理论支持。
因此，本研究追求三个研究目标：
(1)基于多源社交媒体数据构建企业舆论风险的动态建模框架；
(2)开发一个包含话题演变、情感和传播特征的多维度评估指标系统；
(3)建立基于DBN的话题-风险关联模型，以实现企业舆论风险的动态测量、预测和预警。
本文的其余部分结构如下：第2节回顾相关工作。第3节分析舆论风险的形成过程。第4节介绍了整合话题活跃度、情感极性和传播量的DBN模型。第5节提供了实证案例研究。最后，第6节总结了研究并指出了未来工作的方向。
相关研究
相关工作
本节从企业舆论、舆论风险测量和舆论风险预警三个角度回顾了现有文献。
基于话题演变的舆论风险分析
基于上述文献，本节提出了一个将话题演变纳入建模过程的舆论风险分析框架。在介绍模型之前，我们首先研究了企业舆论在社交媒体上的形成和演变过程。
指标量化
话题识别。为了提取稳定、可解释且在固定时间窗口内一致的话题，并构建一个可比较的话题演变网络，为下游的DBN结构学习和动态预警提供结构化输入，我们采用LDA进行话题提取。LDA的生成概率框架明确地生成了话题-词分布和文档-话题分布，使得每个窗口内的话题能够被表示出来
数据收集和预处理
根据知乎2023年的年度报告数据和QuestMobile发布的2023年中国移动互联网实力价值榜，2 微博、抖音和知乎全年平均每月活跃用户数（MAU）均超过1亿，显示出强大的用户基础和高水平的参与度。
结论
基于多源数据融合，本文开发了一个包含三个维度的舆论风险测量指标系统：话题活跃度、情感极性和传播量，并随后构建了一个由话题演变驱动的DBN模型，以实现动态风险预测和预警。以“温州特斯拉事故造成一死一伤”为例，我们验证了该模型的适用性和有效性。
主要发现。实证结果表明
CRediT作者贡献声明
Cui-You Yao：概念化、资金获取、撰写——初稿、撰写——审阅与编辑。Xin Wang：数据整理、正式分析、方法论、撰写——初稿。Feng Yang：调查、验证、撰写——审阅与编辑。Jing Zhang：可视化、撰写——审阅与编辑。Jia-Qi Liu：正式分析、软件开发。Dong-Pu Fu：监督、撰写——审阅与编辑。Ting Yang：资源协调、监督。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
本工作得到了国家社会科学基金 [资助编号：22BGL264的支持。
