龔 睿，王筱莉，朱 株，連卓毅

(上海工程技術(shù)大學(xué) 管理學(xué)院，上海 201620)

0 引言

目前關(guān)于企業(yè)危機(jī)輿情生成方面的研究，少數(shù)學(xué)者利用fsQCA 探究企業(yè)危機(jī)輿情的生成機(jī)理[3-4]。在企業(yè)危機(jī)輿情傳播影響因素方面，有些學(xué)者基于主體層面研究不同主體對企業(yè)危機(jī)輿情傳播的驅(qū)動作用[5]，部分學(xué)者基于行為層面分析不同干預(yù)措施對企業(yè)危機(jī)輿情傳播的影響[6-7]。在企業(yè)危機(jī)輿情應(yīng)對方面，學(xué)者們主要從應(yīng)對效果、應(yīng)對策略等角度對企業(yè)危機(jī)輿情進(jìn)行研究。在輿情應(yīng)對效果研究中，大多學(xué)者采用實證分析法[8]和構(gòu)建指標(biāo)體系[9]探究輿情應(yīng)對效果。在輿情應(yīng)對策略的研究中，部分學(xué)者基于系統(tǒng)動力學(xué)理論對輿情傳播機(jī)制進(jìn)行分析，并在此基礎(chǔ)上提出輿情應(yīng)對策略[10-11]。隨著研究的不斷深入，部分學(xué)者將微博文本與企業(yè)危機(jī)輿情應(yīng)對策略相結(jié)合，探究輿情主題與網(wǎng)民情感變化規(guī)律，并在此基礎(chǔ)上提出輿情應(yīng)對策略[12]。

綜上所述，學(xué)者們從不同角度針對企業(yè)危機(jī)輿情進(jìn)行了大量研究并取得豐碩成果。但針對企業(yè)危機(jī)輿情探究主題與情感演變規(guī)律的研究還相對較少，且在現(xiàn)有的研究中學(xué)者們較少通過知識圖譜整體展示輿情各階段網(wǎng)民討論熱點，也較少使用情感圖譜深入探究輿情情感演變規(guī)律揭示意見領(lǐng)袖對網(wǎng)民情感的影響機(jī)制?；诖?，在現(xiàn)有研究基礎(chǔ)上，本文考慮生命周期理論，融合知識圖譜與情感圖譜構(gòu)建企業(yè)危機(jī)輿情主題與情感演化模型，并以“雙匯生產(chǎn)車間亂象”事件為例進(jìn)行實證分析，以此來揭示企業(yè)危機(jī)輿情主題及情感演化規(guī)律并了解意見領(lǐng)袖對網(wǎng)民情感的影響，為企業(yè)危機(jī)輿情治理提供理論依據(jù)。

1 企業(yè)危機(jī)輿情主題與情感演化模型構(gòu)建

本文以企業(yè)危機(jī)輿情為研究對象，基于生命周期理論，融合知識圖譜與情感圖譜構(gòu)建企業(yè)危機(jī)輿情主題與情感演化模型，如圖1 所示。

圖1 企業(yè)危機(jī)輿情主題與情感演化分析模型

該模型主要由數(shù)據(jù)獲取及預(yù)處理、輿情階段劃分、演化分析三個環(huán)節(jié)組成。

1.1 數(shù)據(jù)獲取及預(yù)處理

通過分布式爬蟲框架Scrapy 爬取企業(yè)危機(jī)輿情相關(guān)微博及評論文本數(shù)據(jù)并對文本數(shù)據(jù)進(jìn)行預(yù)處理，包括刪除重復(fù)項使用Jieba 分詞腳本和自定義詞典進(jìn)行分詞、去停等，得到實驗語料庫。

1.2 輿情階段劃分

基于生命周期理論，結(jié)合輿情發(fā)生的時間和傳播趨勢，將輿情劃分為突發(fā)期、爆發(fā)期和消退期三個階段。同時將實驗語料庫按照輿情階段劃分為三個階段實驗語料庫。

1.3 演化分析

該環(huán)節(jié)基于各階段實驗語料庫進(jìn)行各階段高頻關(guān)鍵詞知識圖譜構(gòu)建、主題挖掘和情感分析，內(nèi)容如下：

2.循環(huán)訓(xùn)練法。此訓(xùn)練法將數(shù)種練習(xí)按一定順序安排，嚴(yán)格控制，使身體一直處于疲勞狀態(tài)下，以發(fā)展多部位力量耐力訓(xùn)練。一般采用4～5個部位練習(xí)循環(huán)4～6組，每組間歇4～6秒，訓(xùn)練間歇2～3分鐘。除了發(fā)展快速力量耐力外，對運動員內(nèi)臟功能也有良好影響，也可提高練習(xí)興趣。

(1)高頻關(guān)鍵詞知識圖譜構(gòu)建。首先基于實驗語料庫統(tǒng)計詞語詞頻并結(jié)合TF-IDF 算法計算詞語權(quán)重，提取各階段高頻關(guān)鍵詞。

其中，tfidf 是評估詞語重要性的加權(quán)方法，tf 指詞詞頻，idf 指逆詞頻。

其次，用共詞分析法構(gòu)建各階段共現(xiàn)矩陣，利用Gephi 軟件繪制各階段高頻關(guān)鍵詞知識圖譜。整體把握網(wǎng)民的關(guān)注熱點且綜合認(rèn)識網(wǎng)民討論內(nèi)容，并了解高頻關(guān)鍵詞在輿情事件中的地位及相互間的關(guān)系。其中，共現(xiàn)矩陣計算公式見式(4)，當(dāng)詞a 和詞b 同時出現(xiàn)在一句話中，則表示詞a 和詞b 之間有共現(xiàn)關(guān)系并形成一條連邊，其邊的權(quán)重加1，反之兩個詞之不存在共現(xiàn)關(guān)系，即邊的權(quán)重為0[13]。

(2)LDA 主題挖掘?；趯嶒炚Z料庫利用LDA主題模型進(jìn)行各階段主題挖掘。LDA 模型結(jié)構(gòu)如圖2所示。生成文檔步驟如下：①計算文檔-文檔話題分布，針對所有文檔進(jìn)行采樣，選擇參數(shù)為α 的狄利克雷分布，分布結(jié)果Qm～Dir(α)，m∈[1，M]；②計算單詞-話題分布，針對所有話題進(jìn)行采樣選擇參數(shù)為β 的狄利克雷分布，分布結(jié)果Qm～Dir(β)，m ∈[1，M]；③針對第m 篇文檔的第n 個詞，從Qm中抽取一個話題Zm，n，使Zm，n～Muliti(Qm)，從φk中采用詞wm，n，使wm，n～Muliti(φk)。其中，Muliti(Qm)是Qm的多項分布，Muliti(φk)是φk的多項分布。

圖2 LDA 模型結(jié)構(gòu)

(3)情感分析。該部分主要包括各階段情感傾向占比分析和各階段情感圖譜繪制。首先，利用樸素貝葉斯分類器對各階段實驗語料庫進(jìn)行情感分類。其描述過程如下：①設(shè)x={a1，a2，…，am}，其中a 為x的某個特征屬性；②有類別集合C={y1，y2，…，yn}；③計算P(y1|x)，P(y2|x)，…，P(yn|x)；④若存在P=(yk|x)max{P(y1|x)，P(y2|x)，…，P(yn|x)}，則x∈yk。

其中步驟③為整個計算過程中的關(guān)鍵步驟，該步驟無法直接計算得出條件概率，因此需要對訓(xùn)練集中各屬性各特征屬于各類別的條件概率進(jìn)行統(tǒng)計。即：

其次，根據(jù)各階段文本情感分類結(jié)果確定發(fā)表該文本的用戶的情感傾向，通過Python 提取各階段用戶間的轉(zhuǎn)發(fā)評論關(guān)系，以微博用戶為節(jié)點，用戶之間的轉(zhuǎn)發(fā)以及評論關(guān)系為邊[14]，利用Gephi軟件繪制各階段情感演化圖譜進(jìn)行可視化情感演化分析。

2 實證分析

2.1 數(shù)據(jù)獲取與輿情階段劃分

考慮到微博平臺的高影響力和高關(guān)注度，本文以“雙匯生產(chǎn)車間亂象”事件作為研究案例，基于微博平臺借助分布式爬蟲框架Scrapy 爬取與該事件相關(guān)的熱門微博及評論信息共獲取相關(guān)數(shù)據(jù)11 622條并進(jìn)行預(yù)處理，最終得到7 874 條有效文本數(shù)據(jù)。依據(jù)生命周期理論，結(jié)合事件發(fā)生的時間以及傳播量等特征，將此次輿情事件劃分為三個階段：3 月14日突發(fā)期階段，共有343 條有效文本數(shù)據(jù)；3 月15日～3 月16 日爆發(fā)期階段，共有6 495 條有效文本數(shù)據(jù)；3 月17 日～3 月31 日消退期階段，共有1 009條有效文本數(shù)據(jù)。

2.2 高頻關(guān)鍵詞知識圖譜構(gòu)建

本節(jié)通過TD-IDF 算法及詞頻統(tǒng)計提取各階段權(quán)重排名前300 且詞頻排名前100 的高頻關(guān)鍵詞構(gòu)建知識圖譜，結(jié)果如圖3 所示。其中，詞語出現(xiàn)頻率越高節(jié)點越大，節(jié)點之間共現(xiàn)次數(shù)越多連邊越粗。

圖3 各階段高頻關(guān)鍵詞共現(xiàn)知識圖譜

由圖3 可知，在輿情整個時期，均是“雙匯”一詞為中心節(jié)點，其他關(guān)鍵詞向邊緣擴(kuò)散?！半p匯”“火腿腸”“食品”“安全”“生產(chǎn)”“車間”“豬排”等詞聯(lián)線較粗共現(xiàn)明顯，這些關(guān)鍵詞圍繞此次輿情事件以及由雙匯事件所引發(fā)的食品安全問題，表明雙匯事件本身和食品安全問題是整個輿情期間網(wǎng)民的關(guān)注熱點。

2.3 LDA 主題挖掘

本節(jié)采用LDA 主題模型進(jìn)行各階段主題挖掘，具體結(jié)果如表1 所示。

表1 各階段主題挖掘結(jié)果

由表1 可知，在突發(fā)期階段輿情討論內(nèi)容三個主題。其中，TopicI-1 討論內(nèi)容是雙匯集團(tuán)之前存在的瘦肉精等問題；TopicI-2 是指雙匯生產(chǎn)車間亂象事件本身；TopicI-3 是網(wǎng)友對雙匯的批評與抵制。在爆發(fā)期階段，輿情討論內(nèi)容在突發(fā)期討論內(nèi)容的基礎(chǔ)上得到了豐富。雙匯生成車間亂象事件在突發(fā)期首次曝光，在爆發(fā)期階段網(wǎng)友對雙匯事件本身進(jìn)行再次轉(zhuǎn)載(TopicII-2)。在宏觀層面，網(wǎng)民的主要關(guān)注點集中于監(jiān)管部門對企業(yè)食品安全的監(jiān)管力度和監(jiān)管責(zé)任的討論(TopicII-3)以及食品安全問題的討論(TopicII-1)。從網(wǎng)民自身角度來看，由于在此次事件期間酸菜也被爆出食品安全問題，網(wǎng)民將火腿腸和泡面一起進(jìn)行了討論(TopicII-5)。雙匯發(fā)展發(fā)布聲明進(jìn)駐雙匯南昌生產(chǎn)車間進(jìn)行調(diào)查、自查自糾，并發(fā)布了道歉聲明以及整改措施。因此聯(lián)合調(diào)查組入駐調(diào)查以及雙匯集團(tuán)發(fā)布道歉聲明也是爆發(fā)期的主要話題(TopiII-6、TopicII-4)。在消退期階段，討論內(nèi)容分為四類，分別為網(wǎng)民希望監(jiān)管部門對于存在食品安全問題的企業(yè)及責(zé)任人進(jìn)行嚴(yán)懲(TopicIII-1)、食品安全事件頻發(fā)的根源(TopicIII-2)、對雙匯所發(fā)布的道歉聲明和整改措施的不認(rèn)同(TopicIII-3)對食品安全問題進(jìn)行討論(TopicIII-4)。

通過對表1 中內(nèi)容分析可知，部分話題會在相鄰的兩個階段連續(xù)出現(xiàn)受到網(wǎng)民持續(xù)性地討論，表明這些話題不僅是輿論熱點還是網(wǎng)民關(guān)切的問題。網(wǎng)民對雙匯事件本身持有不滿意的態(tài)度，并從監(jiān)管力度、處罰力度、事件發(fā)生根源等方面對監(jiān)管部門和國家法律提出質(zhì)疑。雙匯集團(tuán)對于此次輿情的應(yīng)對效果并不好，究其緣由，從過去報道以及突發(fā)期挖掘結(jié)果可以發(fā)現(xiàn)雙匯集團(tuán)曾發(fā)生食品安全問題導(dǎo)致網(wǎng)民對該集團(tuán)失去信任。因此，企業(yè)以及相關(guān)部門可以實時監(jiān)測輿情演變動態(tài)并根據(jù)輿情主題演化特征，針對各階段不同的熱點輿論采取合理及差異化的應(yīng)對措施。

2.4 情感分析

2.4.1 情感傾向性分析

本節(jié)利用樸素貝葉斯分類器對微博文本進(jìn)行情感分類，分類結(jié)果如表2 所示。

表2 各階段網(wǎng)民情感傾向占比

由表2 可知，在整個輿情期間，負(fù)向情感占主導(dǎo)地位占比為73%，而正向情感占比在整個輿情期間波動不明顯，表明在此次輿情中網(wǎng)民對食品安全問題的厭煩且在整個輿情傳播過程中有小部分網(wǎng)友能堅持自己的立場。結(jié)合主題挖掘結(jié)果，輿情突發(fā)期階段中性情感占比27%相對較高，是由于部分網(wǎng)民對微博報道進(jìn)行一個轉(zhuǎn)載使得有些評論信息和微博沒有明顯的情感傾向。輿情爆發(fā)期階段，輿情事件得到了網(wǎng)友的廣泛參與，多數(shù)網(wǎng)友從雙匯事件本身上升到企業(yè)食品安全問題、監(jiān)管問題，并對監(jiān)管部門和雙匯集團(tuán)發(fā)表了負(fù)面評論。在此期間酸菜也被爆出負(fù)面新聞，部分網(wǎng)友將兩者聯(lián)系在一起，更激發(fā)了網(wǎng)民對于企業(yè)食品安全問題的負(fù)面情緒，因此爆發(fā)期階段負(fù)向情感占比高達(dá)75%，在整個輿情演化周期中占比最高。在輿情消退期階段，負(fù)面情感由爆發(fā)期的75%下降到62%，中性情感由爆發(fā)期的17%上升到29%。此階段部分網(wǎng)友開始理智地探討食品安全問題頻發(fā)的根源，形成了負(fù)向情感向中性情感的轉(zhuǎn)變。

2.4.2 情感圖譜構(gòu)建

為了更加深入地了解企業(yè)危機(jī)輿情情感演化規(guī)律并了解意見領(lǐng)袖對普通用戶情感的影響機(jī)制，本節(jié)進(jìn)行情感圖譜繪制，如圖4 所示。其中小、中、大節(jié)點分布代表擁有負(fù)面、中性、正面情感的網(wǎng)民。輿情突發(fā)期，共有316 個節(jié)點、313 條邊，普通節(jié)點形成了一定的負(fù)面情感聚集。輿情爆發(fā)期，共有3 968 個節(jié)點、3 975 條邊，普通節(jié)點數(shù)量迅速增加，負(fù)面情感聚集現(xiàn)象更加集中，以媒體用戶為主的核心節(jié)點其影響力變大。輿情消退期，共有285 個節(jié)點、282 條邊。表明企業(yè)危機(jī)輿情的突發(fā)期和爆發(fā)期是輿情管控的關(guān)鍵時期。

圖4 各階段情感圖譜

從節(jié)點影響力來看，在輿情突發(fā)期，與微博紅人和媒體用戶相連的普通用戶節(jié)點數(shù)量差距不大；在輿情爆發(fā)期，與微博紅人相比，普通用戶與媒體用戶連接更多；在輿情消退期，與普通用戶節(jié)點相連的多為媒體用戶節(jié)點。表明在整個輿情傳播過程中，媒體用戶影響力最為顯著，微博紅人影響力略低于媒體用戶。從節(jié)點情感傾向來看，媒體用戶多為中性情感。微博紅人情感傾向多為負(fù)向。但多數(shù)普通節(jié)點與微博紅人情感類別一致，表明其情緒對社群內(nèi)其他普通用戶的情感有較為直接的影響，容易引起普通用戶的情感共鳴。因此，在輿情管理中，應(yīng)加強對微博紅人的輿論引導(dǎo)，以防其可能的不當(dāng)言論，擴(kuò)大事件影響力。

3 結(jié)論

本文基于生命周期理論，融合知識圖譜和情感圖譜構(gòu)建企業(yè)危機(jī)輿情主題與情感演化模型。以“雙匯生產(chǎn)車間亂象”事件為例，采用知識圖譜、LDA 主題模型、樸素貝葉斯情感分類器和情感圖譜對輿情不同階段的網(wǎng)民關(guān)注熱點、討論主題和情感演變規(guī)律進(jìn)行實證分析。通過實證分析得出結(jié)論：(1)隨著輿情的不斷演化，網(wǎng)民討論內(nèi)容略有不同，但部分話題受到持續(xù)性討論。(2)網(wǎng)民情感變化與輿情主題演化規(guī)律相吻合。突發(fā)期階段開始產(chǎn)生負(fù)面情緒；隨著輿情的擴(kuò)散負(fù)面情感在爆發(fā)期階段達(dá)到峰值；輿情消退期部分網(wǎng)民回歸理智負(fù)面情感較爆發(fā)期有所下降。(3)媒體用戶和微博紅人多為輿情傳播過程中的核心節(jié)點，媒體用戶的影響力略高于微博紅人，但普通用戶的情感容易受到微博紅人的影響。

本文僅選擇“雙匯生產(chǎn)車間亂象”事件進(jìn)行分析，而不同企業(yè)危機(jī)輿情事件可能會存在差異，將多個案例進(jìn)行對比研究，進(jìn)一步深入探討企業(yè)危機(jī)輿情主題與情感演化規(guī)律將是接下來的研究重點。