理谕研究・
第39卷第4期2024年4月突发金融舆情事件信息传播规律与对策研究
王雪秋山水诗词
(长春光华学院金融学院，吉林长春130033)
摘要：【目的/意义】对突发金融舆情事件信息传播过程的多角度分析，有助于把握舆情管理的节奏，提出具有针对性的金融舆情信息管理策略：【方法/过程】通过网络爬負采集新浪微博数据，使用Gephi、ROST CM6等软件进行社会网络分析和内容分析，对突发金融舆情事件信息的传播网络、关键节点、网民情感分类以及舆情信息内容等进行分析和讨论，以探究突发金融舆情事件信息的传播规律，并提出对应的管理建议。【结果/结论】突发金融舆情事件信息传播规律不同于其他类型的舆情事件，传播网络结构较为分散，信息传播较多依赖意见领袖节点；虽然网 民态度较为理性，但关注的信息内容较为分散。【创新/局限】本研究的创新性在于对突发金融舆情事件进行了多角度的分析。局限性有两方面，一是研究样本话题较为单一，导致研究结论的代表性存在局限；二是数据来源平台单一，没有考虑不同平台中金融舆情事件传播的异同。
关键词：金融舆情；社会网络分析；舆情传播；情感分类；内容分析
中图分类号：G206.3;F830.3DOI：10.13833/j.issn.1007-7634.2021.04.008
1引言2文献回顾
根据中国互联网络信息中心(CNNIC)发布的第47次《中国互联网络发展状况统计报告》，截至2020年12月，我国网民用户到达9.89亿，互联网普及率达70.4%，以微博、为代表的社交应用使用率超过50%，庞大的网民体构成了中国的消费市场“。随着互联网和社交媒体应用的快速发展，在社交平台上交流和传播信息成为网民的主要选择，社交媒体平台逐渐成为网民和媒体进行信息发布、共享、沟通和互动的主要载体，同时也是网络舆情产生、发酵的主要场域。网络舆情不仅会影响网民的态度、立场和情绪，还对社会经济有着日益扩大的影响。金融是与社会关联度较高的领域之一，一旦有热点事件发生，便很容易引起社会各界的关注和讨论，借助网络的传播效应演变成金融舆情事件。再加上金融舆情事件具有突发性强、发展速度快、反复性高等特点，对网民和金融市场都有着巨大的影响，如果不能及时关注和合理应对金融舆情事件，有可能诱发更严重的金融舆情危机事件。因此，通过对金融舆情的监测和分析有助于把握舆情管理的节奏，进而维护网民和金融市场的稳定。
鉴于此，本文在回顾国内外金融舆情研究的基础上，选取热度较高的典型金融舆情事件“美股熔断”作为研究案例，通过舆情传播网络分析、网民情感分析以及舆情信息内容分析等，提出具有针对性的金融舆情管控策略，以期为了解金融舆情的形成和传播规律提供借鉴和参考。
金融舆情源自于公众对特定金融事件或金融运行趋势所发表的评论、观点和意见，能够通过一定的作用机理对金融市场、金融机构甚至宏观金融运行产生现实的影响a。目前国外对于金融舆情的研究主要集中在金融舆情的内容分析和文本分析上，侧重于对关键词和公众情感的分析，也会涉及对舆情带来影响的探究。由于金融领域的专业术语种类繁多，为了解决金融舆情中出现的未知词，基于word2ve 算法中的上下文语义相似性提出了一种方向替换模型，用于对金融舆情中的未知单词进行文本分类罚；金融舆情的传播和放大会影响投资决策者的情绪，通过语义分析获得情感数据，并基于热最优路径方法(TOP)分析舆情和情绪的动态影响3；在分析公众情绪的基础上，采用MF-DCCA方法研究了情绪对金融市场收益率之间的非线性相关关系m；基于内容分析法提出了一个用于对舆情事件中的民意和情绪进行监测的新颖框架，专注对意见领袖及其粉丝的社交媒体内容进行分析，选取“中美贸易战”数据集对框架进行测试和验证间。对于舆情带来的影响，主要围绕舆情信息对于投资者行为变化的影响以及公众情绪变化的影响⑴。
国内学者对于金融舆情的研究主要集中在金融舆情文本分析、影响效应分析、风险识别与防控分析、舆情应对与管理等方面。关于金融舆情的文本分析，主要集中在对金融舆情文本的情感分析与预测以及可信度测量上。采用自然语
收稿日期:2021-01-24
基金项目：吉林省教育厅“十三五”202()年度社会科学研究项目“吉林省农村普惠金融发展的对策研究"(JJKH20201279SK)作者简介：王雪秋(1979-)，女，吉林长春人，副教授，硕士，主要从事舆情传播、金融经济研究.
新唐书房玄龄传-54-
•理谕研究
第39卷第4期2021年4月
言处理技术对金融舆情文本数据进行分词、关键字提取等操作，通过构建词重要性指数模型来进行情绪预测m；基于注意力机制和深度学习构建金融文本情感分类模型，自动得到情感分类标签，为金融舆情研究提供了一定的参考叫基于认知情感评价模型（OCC）和长短期记忆模型（LSTM胸建了微博文本情感分类模型，并结合13家上市公司的微博文本数据进行了实证研究和模型验证对比，解决了金融微博文本中网民情感状态转移的时序数据分析问题他；基于模型检测技术设计可信度检测框架，利用决策树算法构建金融舆情可信度判断规则，快速实现金融舆情可信度自动监测，最后结合具体实例验证了框架的有效性对于金融舆情的影响效应分析，主要釆用VAR模型和基于格兰杰因果关系检验的时间序列模型，来探究金融新闻热度、情感对实际金融活动产生的效应和影响机制何；基于本体的规则推理技术和案例推理技术，构建金融舆情时间本体，综合金融舆情和财务、非 财务指标对金融事件
的影响进行预测和推理3；从理论和实证分析的角度对网络舆情的测度方法进行归纳，并分别探讨了舆情对市场稳定性的影响关系"“。对于金融舆情的风险识别与舆情管理，主要是在梳理舆情监控的现状和问题分析的基础上，结合具体区域或事件""，对舆情信息的内容、结构、传播方式以及受众的心里等进行分析閃，最终对金融舆情管理和风险防控的相关建议进行概述，为相关决策者提供借鉴。
综上所述，国内外关于金融舆情的研究均关注舆情内容的分析和舆情带来的影响，特别是对舆情事件中的情感分析。除此之外，国内研究较偏向金融舆情的防控和管理策略这种指导实际应用层面的理论研究；而国外研究则相对侧重算法改进、模型和框架的创新等方面的研究。对于金融舆情事件中的网络结构、关键节点以及舆情内容可视化分析的研究目前较为少见。
3数据收集与分析
3.1案例选择
由于受到新冠肺炎疫情全球流行等消息的冲击，美股持续大幅震荡，在8个交易日内熔断4次（见图1）。
•2020Sf3H9a
XtiMSTRfilSOOiS.MStSRtHM.2020Sf3fi16a
B«500J8SRBSii7%.
•2020WH19a
•2020乍3R2R
MR7590
rtMRffKISl.
图1“美股熔断”时序图
Figure1'U.S.stock fuse"timing chart 2020年3月9日美国三大股指开盘暴跌，触发熔断机制，这是2008年以金融危机以来美股首次因暴跌熔断；3月12日第二次熔断机制被触发；3月16日发生第三次熔断;3月19日再次发生熔断.这已经是短时间内的第四次熔断。美股在短时间内连续发生的4次熔断对世界经济产生了重大影响；“美股熔断”消息一出，也立即在舆论场中引发了大量的讨论和关注。根据知微事见显示，该舆情事件的影响力指数高于90%的金融财经类事件，在3月19日舆论场排名达到峰值第三四。因此，本研究选取“美股熔断”事件作为研究案例进行后续的分析和讨论。
3.2数据来源与收集
根据新浪微博数据中心发布的用户发展报告显示，微博月活跃用户超过4亿，垂直领域数量达到60个，日均超过2亿的用户通过微博关注和讨论最新资讯；微博依靠其独有的产品矩阵和较高的用户覆盖率，能够快速触发社交裂变传播的关键节点，已经成为目前中国市场上主流的社交平台之一冏。因此，本研究选取新浪微博平台作为数据采集来源.使用火车头采集器对新浪微博平台中#美股熔断#话题下的数据进行采集。采集的字段包括用户ID、昵称、评论或转发内容、时间和工具端等，采集时间为2020年3月9日到2020年3月21日。共采集到转发和评论数据40611条，经过Access和Excel软件进行删选、排序、删除空白字段、无效链接以及重复数据后，剩余数据40457条。
3.3数据分析
3.3.1事件传播网络分析
使用社会网络分析工具Gephi构建“美股熔断”事件传播网络，并进行网络可视化、网络结构和关键节点的分析。参与事件讨论的用户为节点，节点间的边代表用户间的转发评论关系。选择ForceAtlas2图形布局，因为该布局能够有效地展示事件参与者的重要性阿。在构建事件传播网络的基础上，通过网络的平均路径长度和和聚类系数两个指标来分析网络整体结构，判断金融舆情事件的传播网络是否存在显著的“小世界”现象。平均路径长度是传播网络中所有节点对之间的平均最短距离，是衡量网络传输性能的重要指标⑻。平均路径长度越小，说明传播网络中节点间的连通性越强，舆情信息经过较少的
节点就可以实现更大范围地传播⑻。聚类系数通常可以反映整体传播网络的凝聚力明，取值范围在0-1之间，值越大表明网络节点间的整体凝聚性越强，节点间的联系越紧密，网络中存在的结构洞越少回。点度中心性衡量节点的交互能力，值越大表明节点越位于网络的核心位置；中介中心性用来衡量节点作为“桥梁”连接其他节点、促进信息扩散的能力閃。
3.3.2网民情感分析
情感分析能够通过对文本内容的分析判断出用户的情感倾向。现有的情感分析方法主要分为两种，基于词典的方法和基于机器学习的方法冋。情感分类将网民情感分为多种类别，包括正向冲性、负向叫愤怒、厌恶、恐惧、快乐、悲
-55
INFORMATION SCIENCE
Vol.39,No.4
April,2021
・ Theory Research ・
(a) 3月9日第一次熔断(a) First fusing on March 9
(b) 3月12日第二次熔断(b) The second fusing on March 12
(c) 3月16日第三次熔断(a) First fusing on March 9
(d) 3月19日第四次熔断(b) The second fusing on March 12
图2各时期事件传播网络图
Figure 2 Network diagram of event propagation in various periods
伤和惊讶等切。通过对用户情绪分布规律和变化趋势的探 究，能够追踪网络舆情的发展动态囱。ROST CM6文本数据
挖掘软件是由武汉大学沈阳教授课题组编码研发的社会计 算平台，可以实现分词、词频统计分析、社会网络分析、情感
分析、语义网络分析和聚类分析等操作闻。因此，本研究使
用该平台进行网民情感分类，最终将网民情感分为积极情
感冲性情感和消极情感3种类型。
3.3.3文本内容分析
语义网络是一种将知识表示为相互连接的节点和边的
结构模式，通过建立文本中单词之间的连接网络，将在上下
文中同时出现或具有相似含义的词联系起来阿。社会语义 网络的构建过程包括：对待分析文件进行分词并生成高频词 表；对高频词表进行无意义词过滤，接着对行特征进行提取; 依据词之间的共现关系形成高频词共现矩阵，最后通过Net-
Draw 对语义网络进行可视化咧。通过对社会语义网络的构
建和分析能够揭示网民对舆情事件所持观点之间的关联、内
容结构和变化趋势，有助于对舆情事件中网民意见发展规律 的把握和舆论走向的疏导。因此，本研究采用ROST CM6构
建各时期子事件的社会语义网络图，对事件中网民生成的文 本内容进行可视化展示和分析。
4传播规律分析
4.1传播网络结构规律
突发金融舆情事件在社交网络中呈现出以某些关键节 点为顶点的多级传播模式（见图2）。在4个时期内，均形成
以“人民日报”“央视新闻”秋'新浪财经”三类关键节点为顶
点的网络结构，这种传播结构拓宽了金融舆情传播路径的深
度和广度。以关键节点为中心形成发散状拓扑网络结构。
在这种传播网络结构下，信息流的传播路径相对较短，传播
速度较快；同时也表明这三类节点把握着事件传播网络中大 多数的信息流。此外，一部分中介作用较强的“桥梁”节点起
到连接关键节点及其周围用户社的作用。由图2可见3类
-56
-
•理迨研究
第39卷第4期2024年4月
关键节点之间的路径上存在一些用户节点，他们连通着网络
中的其他用户节点和信息流，在一定程度上提高了传播网络
的连通性。
突发金融舆情事件传播网络结构整体上连通性较好，网
络中的信息流通性较高。在整个事件传播周期内,4个子事
件传播网络的平均路径长度分布均在1-1.2之间（见表1）,
这说明每个用户节点平均通过1-1.2个其他用户节点就可
以进行信息的传递和沟通。但是，突发金融事件传播网络整
体上缺乏凝聚力，多数参与事件讨论的用户节点之间的信息
交流不够充分。各时期事件传播网络的聚类系数均在0.1以
下，聚类系数的值属于较低的范围。其次，事件传播网络结
构中存在较多“结构洞”，并且这些“结构洞”占据着优势地
位，掌握大量信息流。网络中整体的信息流动较多地依赖于
某些关键节点和起到“桥梁”作用的中介用户节点，这一结果
与上文中传播网络图的分析结果相一致。
表1各时期网络结构指标表
Table1Network structure index table for each period
时期平均路径长度聚类系数
3.9第一次熔断 1.1140.035
3.12第二次熔断 1.190.035
3.16第三次熔断 1.0250.018
3.19第四次熔断 1.0890.083
表2各时期关键节点中心度表
Table2Centrality of key nodes in each period
时期昵称
点度
中心度
昵称
中介
中心度
人民日报6310喜欢炮炮豪七蜜桃只养
了招财
583
3.9央视新闻3264lzzzzzzzzzzzzyyyyyyyyy97
50平米以内装修价格
第一次熔断新浪财经1269王胖胖o074江宁婆婆87你畅还是你畅57江南警哥67玫玫真可爱55人民日报3501畅通天下1980196
3.12央视新闻1624航天用品108
第二次新浪财经1158这个被占用那个也被占
用
84
熔断午后狂睡69猴猴猴赛雷12383头条新闻35天才少9琪露诺、79.5
人民日报7784趣味59.5 3.16新浪财经1961卖不出衣服的小哥哥59.5第=次央视新闻1247邓庆旭1&5
熔断卖不出衣服
的小哥哥
74先生易智12趣味42风炀一12央视新闻2633白鲸pf103
3」9人民日报1743赤道西门吹雪98第四次新浪财经451playplay36
熔断行行摄摄的
路上
57小桃子想吃桃子36玖月彦39阿卡姆越狱者22
突发金融舆情事件在传播的不同时期关键节点和中介节点存在较大的差异性；同一节点的中心度值在不同传播时期也有较大的波动。传播网络中用户节点的中心度对比如表2所示，从点度中心度来看，“人民日报”、“央视新闻”和“新浪财经”在各时期均是点度中心度值最高的前三位节点，但每个时期的中心度值存在较大的变化幅度。除了这三类节点，其他中心度值排名靠前的节点也是不断变化的。从节点的中介中心度来看，“喜欢炮炮豪七蜜桃只养了招财”、“畅通天下1980”、“白鲸pf”等是舆情事件传播中中介中心度较高的节点，表明这些节点处于舆情传播的关键节点路径上，连通着网络中许多其他的用户节点，起到信息传递“桥梁”的作用。同时，中介中心度较高的节点也并不是一成不变的，在舆情传播的每个时期中，中介节点不仅类型不同，而且中介中心度值得差异也较大。
4.2用户情感分布规律
在突发金融舆情事件中，用户中性情感占比明显；并且在事件发展的不同时期用户情感波动较小，情感结构稳定。
••4-tttiis•Bos
图3各时期情感分类结果分布
Figure3Distribution of sentiment classification results in various periods
表3各时期情感类别占比
Table3Percentage of emotion categories in each period 40
情感类别
3.9
第一次熔断
3.12
第二次熔断
3.16
第三次熔断
3.19
第四次熔断积极情感 1.27% 1.08% 4.20%0.69%
中性情感94.28%95.97%93.89%96.57%
消极情感 4.45% 2.95% 1.91% 2.74%
中性柩
-40
3用日沁日日期3月16日3月19日
正确使用干粉灭火器图4各时期情感得分分布
Figure4Distribution of emotional scores in each period
一57
—
INFORMATION SCIENCE
Vol.39,No.4致我们终将逝去的青春 豆瓣
April,2021
• Theory Research •
如图3和表3所示，在整个舆情事件传播期间，网民的三
类情感占比的整体变动并不明显.一直都是持中性情感倾
向的网民占绝大多数，并且整体上来看中性情感的占比是 在不断增加的；积极情感和消极情感占比虽有变动，但波动
逆战歌词幅度较小。这一结果表明大部分网民在该舆情事件中都能
保持自己情感倾向的稳定，客观、理智地对该舆情事件进行 讨论和评价。其次，在该金融舆情事件中，网民较高强度的
极端情感倾向出现得较少，能够适度地表达个人立场和态
度。图4显示了不同时期网民情感得分的分段统计结果.网
民情感得分取值范围在-40到40之间，0代表中性情感，大
于0代表积极情感，小于0代表消极情感，情感得分的绝对 值越大，表明情感强度越髙。图中网民的情感强度集中分
布在-20到20之间，情感倾向强度适中，没有明显的大范围
极端情感倾向。4.3传播内容分布规律
突发金融舆情事件各时期除围绕事件主题外，其他讨论
的信息内容分布差异性较大，信息内容主题分散且涉及范围
较广，不同主题信息内容间连接性较弱。图5为各时期网民
发布信息内容的高频词社会语义网络图，可以看出在各个时 期基本都有以“熔断”为中心的网络结构。但是，在3月9日
到16日前三次熔断发生后，网民发布的信息内容中出现多
(b) 3.12第二次熔断
(b) The second fusing on March 12
(c) 3.16第三次熔断
(c) The third fusing on March 16
(d) 3.19第四次熔断
(d) The fourth fusing on March 19
图5各时期高频词社会语义网络图
Figure 5 The social semantic network of high-frequency words in various periods
-58
-
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论