互联网金融舆情风险防控理论研究
董志学
摘要：互联网金融是金融产业与互联网产业相互耦合的结果，伴随互联网金融的发展，互联网金融舆情事件也大量涌现。文章通过与普通舆情事件对比，得出互联网金融舆情具有“影响区域广、处理难度大、涉事主体多、持续周期长”的超网络特征，并以此为基础，构建了我国互联网金融舆情超网络模型框架。文章采用集聚系数、K-shell值、介数指标方法对互联网金融舆情中的关键人物进行了识别，并从控制、引导、干预的角度构建了互联网金融舆情风险防控体系，为互联网金融舆情事件的解决提供了解决方案。
关键词：超网络；互联网金融舆情；风险防控；理论研究
一、引言
互联网金融是金融产业与互联网产业相互耦合的结果，它为传统金融业注入了全新的发展思维和理念，也为互联网产业开拓了新型的业务领域和对象。谢平（2012）认为，互联网金融是传统金融机构或电商企业与互联网企业利用互联网技术和信息通信技术实现资金融通、支付、投资和信息中介服务的新型金融业务模式，是介于传统金融与互联网两端之间的金融交易和组织形式。自2013年互联网金融元年以来，我国互联网金融发展迅速，2015年市场整体规模超过10万亿元，其中支付市场规模就达到9.22亿元。然而，伴随机构和产品的数量持续增长、金融消费者对自身权益的保护意识增强，以及我国互联网金融监管体系的缺失，造成我国互联网金融事件频发，以众筹行业为例，截至2016年，全国各类型正常运营的众筹平台总计427家，全年倒闭、转型及其他（跑路、提现困难以及众筹板块下架等）平台数量达293家，给消费者、企业、社会带来难以估计得损失。
由于互联网金融事件具有互联网快速传播、金融行业保密隐私的特征，导致我国在应对互联网金融舆情风险的防控中捉襟见肘，尤其存在传播途径认识不清、影响程度和范围评估不准、关键人物识别模糊等情况，导致金融运营机构、监管机构应对危机能力有限。本文在分析互联网金融舆情事件与普通舆情事件差异的基础上，从超网络的视角对互联网金融舆情进行风险识别与管控研究，分别构建了不同级别人物的识别模型、舆论演变模型，以及互联网金融舆情引导策略矩阵，最终从控制、引导、干预三个方面构建我国互联网金融舆情风险防控体系。
二、互联网金融舆情的定义与特征
舆情是较多群众关于社会中各种现象、问题所表达的信念、态度、意见和情绪等表现的总和。针对互联网金融舆情方面，目前学术界并没有一致的定义，本文认为互联网金融舆情是指享受互联网金融服务的对象对所发生的互联网金融事件信息进行传播与互动的过程。根据互联网金融舆情的发生对象不同，可以分为金融形势舆情和金融事件舆情。其中，前者是指升息、货币政策调整引起的金融市场的波动，如果媒体等传播主体没有正面引导，那么容易引发舆情波动以及相应的资本市场变化。后者是指各互联网金融机构在运行过程中所遇到的一些与经营有关的资金链断裂、资金挤兑、金融产品亏损等突发事件，该类事件容易产生大幅度的社会舆论，对相关银行、证券、保险等金融企业产生较大的负面影响。本文所研究的对象是指互联网金融事件舆情。
在网络技术发达的当今时代，舆情中信息的不对称性正在弱化，传播方式呈现出快速共享、全面透明、多向传播的特征，与普通舆情相比，互联网金融舆情尤其体现为错综复杂性和难以控制性。
（一）影响区域广
不同特征的舆情事件影响范围和程度各不相同，并且具有行业性、区域性等特征，如某个公共政策引发的舆情事件具有区域性特征，某一产品的质量引发的舆情事件具有行业性特征，而互联网金融舆情事件的影响范围可能会达到全国，涉事对象能够涵盖社会不同阶层，因此影响范围更大。从爆发过程来讲，普通舆情事件以爆发点是唯一的，呈现从中心向四周辐射的态势，而互联网金融舆情一旦爆发，将会在多地区产生“核裂变”式的连锁反应，在短期内呈现燎原之势。例如，爆发于2015年的“e租宝”事件，涉及金额约745亿元，涉及人数达到了90.95万人，涉事主体遍及全国31个省市区。
（二）处理难度大
基于互聯网金融具有的普惠特征，我国不同地区经济发展的差异化，造成在不同区域会出现影响程度与范围出现高与低之分。从处理方式来看，各区域政府很难在短时间内做到联合协同处理。此外，由于互联网金融具有同质性，一旦一家互联网金融机构出现问题，很容易波及上下游对象，并且对同类单位和产品造成巨大影响。从处理对象上看，普通舆情事件呈现“线”形特征，关键人物或节点有可能产生在事件爆发的起点，其关键人物或节点可以通过数据分析精确定位，而互联网金融舆情事件呈现“面”形特征，容易出现多点爆发的态势，其关键人物或节点的出现时间和节点难进行清晰识别，其识别与防控难度巨大。
（三）涉事主体多
舆情主体包括与舆情事件有关联的人或组织。从参与者的角度来看，普通舆情的参与主体包括制造者、参与者、管理者和旁观者；而互联网金融舆情事件，涉事主体一方是从事互联网金融业务的企业，另一方是购买互联网金融服务的庞大群体。此外，在互联网金融舆情事件中，由于涉及到违法、犯罪等行为，政府、行业监管主体往往会介入。因此，任何一个互联网金融舆情事件，都会涉及多方主体，每一方的角色、人物均不相同，具有错综复杂性的系统性特征。正因为如此，从根源上讲，处理普通舆情事件的目标是平息舆情，但处理互联网金融舆情的目标是解决舆情。
（四）持续周期长
舆情本身具有突发性的特征，不同性质的舆情的持续周期存在差异性，普通舆情事件的生命周期大多呈现“正态曲线”分布（见图1- a），从事件的突然爆发到最终消亡是一个正态分布的趋势，其持续周期一般在3个月以内；互联网金融舆情则呈现“梯形分布”特征（见图 1-b），此类事件发生之后，人们的关注度会持续攀升，并在一定时间段之后，达到一个长期的平稳状态，该阶段会随着事件调查等工作持续很长时间，其长短由解决方案的推出时间决定，最后随着事件解决，关注度会逐渐回落。
通常来讲，普通舆情事件的持续周期大约是三个月左右时间，并会伴随新事件的发生而逐渐消亡，而互联网金融舆情事件的持续周期可能会达到半年甚至一年以上，并且会随着新的互联网金融舆情事件的发生，推动原有事件朝着更严重的方向发展。例如，在2015年发生的“快鹿事件”，从事件爆发到最终立案调查，持续周期达到了6个月。
互联网金融舆情特征的特殊性，导致对其进行风险识别与防控必然不能采取与普通舆情一样的应对措施，而是应该基于传播网络建立从识别到判断、从控制到干预的防控系统。
三、互联网金融舆情风险防控研究现状
从现有研究成果来看，对互联网金融舆情风险的识别与防控方面的研究始于2010年以后，张世晓（2012）认为，金融监管机构对收集到的金融舆情信息可以从定性、定量两种方法角度建立研究分析机制，其中，定性分析主要是对金融舆情主题分类整理和对金融舆情观点归纳整理。定量分析主要包括统计方法和计量方法，统计方法可以实现基础数据统计和对各类主题、各类观点的占比等进行指标设定。计量方法是基于基础数据运用计量分析舆情变化的影响因素。张金凤、王恒山（2013）从网络舆情的传播过程提出对不良金融信息网络传播的管理方法，认为金融部门可以成立专门的检测部门、网络媒体编辑室，以及通过处理好跟传统媒体的关系获得传统媒体的支持等。谭云明、饶潇（2015）认为网络金融舆情共有“金融市场突发事件、业务表现失败事件、服务缺失与行为失当、制度性弊端”四类，并认为网络金融舆情的处理流程包括信息采集、定量分析、危機预警三个部分，继而提出强化危机意识、加强组织领导、熟悉舆情形成与传播规律等措施。庞引明等（2016）分别从时间节点、时间序列的角度研究了风控模型，指出可以通过大数据集进行试算，并在试算中调整各种参数，就可以训练出适合具体环境和分析目标的大数据风控模型。
从以上学者的研究范畴可以看出，现有成果多集中在互联网金融舆情的形成机制、处置流程、防范措施方面，部分学者运用统计学等方法实现了情绪识别、影响因素识别等局部防控，但是在传播网络等方面的系统性研究不足。本文从超网络的角度，试图揭示舆情事件中各类数据的深层次关系，主要达到如下目标，一是理清互联网金融舆情在线上和线下网络中的传播机制与扩散路径，二是构建互联网金融舆情在传播过程中不同类别舆情人物的识别方法，三是建立“控制、引导、干预”一体化的互联网金融舆情风险防控体系。
总之，本文通过对舆情事件主体、传播态势的准确识别方法，以及处理舆情事件过程与控制体系，为政府、企业等责任主体及时应对舆情事件有实质指导意义。
四、互联网金融舆情超网络的构建
Nagurney和Dong（2002）最早提出了超网络（Super Net Work）的概念，指出高于并超出现有网络结构可称之为超网络，Bohannon（2009）认为传统的社会网络分析方法中，主要关注事件主体中“人”的信息，但是对于环境、时间、区域等事件的动态属性研究较少。我国相关学者对超网络与金融的关系研究较早，王志平和王众托（2008）构建了金融超网络模型，认为典型的网络是由许多“节点”与连接两个节点的一些“边”组成的。其中，节点用来表示实际系统中不同的个体，连接节点的边则用来表示两个节点之间具有某种特定的关系。李倩倩、刘怡君（2012）将舆论模型的研究从复杂网络进一步扩展到超网络空间中。
相比普通舆情事件的传播机制，互联网金融舆情事件往往是在线上爆发，并通过线上和线下两个网络层面进行同步传播。此外，互联网金融舆情除了受个体影响（心理、观点、行为）外，还受外界环境（政府、法律、媒体等）的影响，将这些因素分别建模为相关子集网络，再聚集成为超网络，对防控互联网金融风险具有重要意义。
从图2可以看出，互联网金融舆情网络是一个典型的超网络，对网络节点间的亲疏、远近关系的度量，可以研判互联网金融舆情事件的发展态势、引导预期走势的基础。对节点间的度量主要是进行距离度量和连接能力度量，其中距离度量可通过最短路径距离、平均路径长度进行衡量；连接能力度量可通过优先连接进行度量。
（一）节点间最短路径距离
最短路径旨在寻找网络中两节点之间的最短路径，最常用的为Floyd算法，其原理为。
如果一个矩阵D=[dij]，其中dij表示i与j的距离，dij>0。若i与j之间不存在连接路径，则dij为无穷大；i与j的最短距离分为是否经过i与j间的k两种情况，可以令k=1，2，3，…，n（n为节点数），检验dij与（dik+dkj）的值，在此，（dik+dkj）分别是已知的i到k、k到j的最短距离，因此，（dik+dkj）就是i到j的最短距离。所以，若有dij>dik+dkj，表示从i到k，再到j的距离要比原来的从i到j的距离短，自然把i到j的dij重写成（dik+dkj）。每当一个k搜索完，dij就是目前i到j的最短距离。将此过程不断重复，当查完所有的k时，dij就是i到j的最短距离。
（二）平均路径长度
平均路径长度（APL）是指网络中所有节点之间的平均最短距离，与之相对的最大距离称为网络的直径，二者共同衡量网络的传输性能与效率。平均路径长度的计算公式为
APL=■■dij
式中dij为节点i和j之间的最短距离。
（三）优先连接
优先连接是指新增加的关注者的观点、心理总是受到权威机构、人物等具有较高连接特征人群的影响，新出现的节点更倾向于与较高连接度的节点相连接。一个新的节点与一个原有节点相连接的概率Πi与节点vi的度ki和适应度ηi之间的关系满足如下关系。
Πi=■
从式中可以看出，优先连接概率不仅与节点的度成正比，还与节点的度与适应度的乘积成正比。通常情况下，越老的节点具有越高的度，但如果一个新的节点具有较高的适应度，在随后的网络演化过程中同样可以获得更多甚至比老节点更多的边。
通过以上的计算方法，可以计算各节点之间的紧密、亲疏程度，在实际应用过程中的价值体现如表1所示。
五、基于超网络的互联网金融舆情人物的有效识别
互联网金融舆情具有全国区域性特征，因此要对舆论加以引导和控制，必须要识别出舆情传播过程中的人物类别。根据相关人物在舆情网络中的作用，可以分为“领袖人物、连接人物、扩散人物、一般人物”四类，其中前三类可称之为“关键人物”，不同的人物类型在线下和线上网络舆情传播中起到领导、联系等不同的作用。
（一）领袖人物
领袖人物对舆情的形成和演化具有重要作用，在现实互联网金融舆情分析中，领袖人物分为两类，一类是在互联网传播中起到意见领导作用的具体人物；另一类是对解决互联网金融舆情起到领导作用的虚拟人物，包括监管机构等权威主体。
对具体领袖人物的识别分为两类，一类是线下领袖人物识别，可以根据线下活动的角色进行确定；另一类是对线上领袖人物的识别，可以通过节点超度、超边重叠度、集聚系数、平均最短距离等进行识别。其中，集聚系数应用较广，可以用来衡量网络中各节点的群聚情况。
设网络中节点i通过ki个节点相连，如果这ki个点完全相连的话，将有■条边，而节点i与这ki个节点间的连接边数仅为Ei，则节点i的集聚系数Ci为：
Ci=■
（二）擴散人物
扩散人物在网络结构中处于核心位置，分为正面人物和负面人物，负面人物大多为造谣者和传谣者，正面人物大多为辟谣者。在互联网金融舆情事件中，线上和线下的扩散人物可能并不一致，线下的正面扩散人物可以是监管机构的工作人员，线上的正面人物可以是国家权威的社会媒体；线下的负面人物可能是竞争对手或者互联网金融机构的工作人员等，线上的负面人物可能是在互联网金融舆情事件中损失较大的投资者等。
线下的扩散人物较容易识别，对于线上扩散人物，可以利用K-shell值可识别出网络中的扩散人物，并通过计算这些扩散人物之间的距离，防止负面人物舆论的扩大，以及实现正面人物扩散积极信息的范围达到最大化。K-shell其基本思想如下。
假设边缘节点的 K-shell值为 1，然后往内一层层进入网络的核心，先去除网络中度值等于 1 的所有节点以及连边。若剩下的节点里面，仍有度值等于 1 的节点，则重复上述操作，即去除这些节点和连边，直至所有节点的度值都大于 1，把这些去除的节点的 K-shell 值记为 1，也就是说这些节点均处于kls值为1的层。然后依次去除度值小于或等于k的节点及连边（k为整数，k≥2），直到所有的节点都有对应的ks值为止。
（三）连接人物
连接人物是指在网络结构中起到连接作用的人物，在互联网金融舆情事件中，连接的对象包括互联网金融企业、社交媒体、政府部门、行业监管机构、投资者等多个主体，因此在互联网舆情关系体系内众多的人物中识别连接人物较难。
对连接人物的识别通常由两种方式，一是通过介数指标（Betweenness）刻画节点对网络结构的连接作用及该节点对其他节点对之间信息的控制能力；二是利用BR（Bridging）方法识别网络中重要连接人物。
例如在图4中，节点m和节点o之间的联系，依赖于连接节点m和节点o路径上的其他节点i、q和p，因此，计算一个节点的与其他节点的关联性可以通过计算经过该节点的最短路径的数量获得，这个数量就是点的介数。令b为介数，则节点i的介数为
综上，领袖节点是舆情网络中影响力最大的节点，即连接度最大的节点；扩散节点是K-shell值最大的节点，该节点位于网络的中心位置；介数或BR描绘的则是节点本身对网络结构所具有的全局影响。通过对线上、线下“领袖人物”、“扩散人物”、“连接人物”的识别，可以制定线上、线下不同的引导、干预策略。
六、基于超网络的互联网金融舆情风险防控方法
（一）控制
互联网金融舆情与普通舆情相比，就是在互联网金融舆情的超网络中存在大量的关键人物、领袖人物，并且这些人物在超网络中所起的作用各异，因此对其进行有效控制的难度很大。目前，在舆情控制理论方面，主要有蜂拥控制（Flocking Control）、牵制控制（Pinning Control）两类。其中，蜂拥控制源自仿生学，采用最多的经典模型是Reynolds（1987）模型，该模型按照大自然中鸟群群体蜂拥飞行的特点，通过观察每个鸟的现有邻居来决定其飞行方向。以此模型为基础，Han J、Li M、Guo L（2006）构建了Boids模型，该模型以Reynolds模型为基础，通过引入“间谍鸟”来控制群体行为。蜂拥控制能够通过在系统结构保持稳定的情况下，对特定群体行为进行有效控制。
牵引控制是指通过对舆情网络中的部分节点施加一定的影响进而使整个的网络朝着预期的方向改变。对节点的施加影响可以是随机施加，也可以按照相关的目的特定施加。Lu和Wang（2008）基于谷歌对网页重要性进行排序的PageRank算法，提出了计算某一节点是否重要的ControlRank算法，即通过ControlRank值来评定哪些节点是最需要进行控制。节点的ControlRank值（CRi）如下。
综上，互联网金融舆情属于典型的超网络，因此，采用特定牵制的方式进行舆情控制是最有效的方式，尤其是利用ControlRank算法能夠挖掘出度较大的节点进行控制，进而实现对整个系统进行有效控制的目的。
（二）引导
1. 引导对象的识别
在互联网金融舆情传播网络中，共有三类人物，分别是活跃人物、焦点人物和领袖人物。活跃人物活动范围广、活动频率高，其传播的舆情内容能够加速整个舆情事件的发展速度与程度，因此，在舆情爆发的开始阶段要尽可能地降低其传播负面信息的概率，而在舆情的平稳阶段要最大程度地引导其传播正面消息的数量和范围。在互联网金融舆情事件中，活跃人物分为线上和线下两类，线上的活跃人物可通过发帖数量、评论数量等进行衡量，线下活跃人物可通过具体的行为数量加以评判。线上活跃人物的可通过节点超度识别，节点超度越大，表明其活跃程度越高，其表率和示范能力越强。
焦点人物是具有高度凝聚力特征的人物，在线上传播中作用明显。焦点人物主要体现为两类，一是负面焦点人物，往往是互联网金融舆情事件的肇事者，主要为线下人物；二是在传播过程中起到推波助澜作用的传播焦点人物，主要为线上人物。互联网金融舆情事件一旦爆发，前者会成为众矢之的，往往会变为沉默人物；后者拥有较大规模的粉丝数量，其言论容易得到较大数量的评论和转发，其看待舆情问题的观点较为精确，而且其观点具有长期稳定、持续的特征。在焦点人物的识别上，负面焦点人物较容易识别。传播焦点人物可通过超边重叠度（Hyperedge Density，Dh）进行识别，其数值越高，焦点人物的程度越高。
领袖人物是整个舆情事件的引领者，其支持率较高，在整个互联网金融舆情事件中，领袖人物一般分为两类，一是舆情事件本身的事件领袖人物；二是处理舆情事件的权威领袖人物。后者往往是权威机构部门的发言人，对整个舆情事件起导向作用；前者是一般是舆情事件的参与者，往往是舆情受害者的代表。事件领袖人物和权威领袖人物构成直接的对话关系，二者的关系决定该舆情事件解决的好与坏、快与慢。
2. 引导策略的选定
互联网金融舆情网络是一个超网络，每一类人物都存在线上人物和线下人物，由于互联网金融舆情具有区域性的特征，因此在识别的基础上进行引导时，要做到因时制宜、因地制宜。
（三）干预
1. 干预的舆情主体
在当今各种社交媒体的作用下，舆论的传播除了受社交网络中个体的影响，还受到来自媒体、政府等其他媒介的影响。李倩倩、刘怡君（2012）建立了社会舆论超网络模型，从环境网络、社交网络、心理网络、观点网络共同构建舆情的传播与驱动机制。在互联网金融舆情事件中，按照互联网金融事件的主体划分，可分为肇事者、涉事者、旁观者三类，不同主体的心理、观点、行为共同构建互联网金融舆情事件舆论模型。
其中，肇事者是指爆发互联网金融舆情的经营机构，互联网金融舆情爆发以后，出于保全自己、将损失降到最低的观点，责任较大的肇事者往往采取隐匿藏身、秘密跑路的行为，部分责任较轻者会采取投案自首等行为。涉事者是指互联网金融舆情事件中遭受经济损失的群体，当出现互联网金融舆情事件时，对肇事者持有极其愤怒的心理，同时也会出现后悔、自责的心理，涉事者基于各自的经济实力、能力水平会出现孤立无助、内心矛盾等观点，继而出现全体上访、法律诉讼、甚至是暴利破坏等行为；旁观者是指未在互联网金融事件造成损失的群体，该群体包括行业从业者、普通人士等。该群体出于自身考虑，通常对互联网金融舆情事件持有庆幸自己未遭损失、嘲笑、同情涉事者心理，因此会有事不关己的观点，部分旁观者会采取提供法律帮助等行为，但同时会存在指责、建议采取一定措施等行为。
2. 干预的措施
互联网金融舆情具有系统性的特征，与普通舆情事件相比，解决互联网金融舆情的目标不是平息事件，而是彻底解决事件，因此，必须借助政府、媒体的作用才能得以解决，所以采取的措施也必然以解决事件为出发点。干预的路径是通过外部环境、自身认知的改变引起相关主体心理的改变，进而促使该主体观点的变化，最后达成行为方式的改变。可见，干预的本质是通过改变达成控制。基于此，干预的措施包括隔离、嵌入、重构三个方面。
（1）隔离
从理论上讲，隔离是通过隔离舆情网络中一条或多条负向超边，进而达到改变网络传播结构的目的。在实践中是指隔离互联网金融舆情超网络中的持有、传播负面信息的活跃人物、焦点人物和领袖人物。隔离的方式包括信息隔离和物理隔离，前者是通过信息化技术手段隔离相关人物的账号、内容等，后者是指对造成极大恶劣影响的人物通过法律手段等实现隔离。隔离并不是最终目的，如果隔离出错，甚至会引起更大波澜的舆情，因此，隔离必须从系统的角度有理有据，一针见效。
（2）嵌入
嵌入是指通过在超网络中嵌入一条或多条正向超边，进而达到通过增加正向超边数量影响整体舆情态势的目的。嵌入的方式主要有信息嵌入和人物嵌入两种，信息嵌入包括以新闻发布会、媒体文章等形式适时发布一些真实信息，进而对舆情态势起到一定的引导作用；人物嵌入是指在互联网金融舆情事件发展过程中，引入一些权威的政府、法律、权威机构等领域的人士，让其传播特定信息的目的。在运用嵌入策略时，嵌入的时机、内容至关重要，嵌入内容的传播程度和范围直接可以影响到嵌入结果。
（3）重构
重构是指通过改变超网络中的负面超边和正面超边进行重新排列组合，进而实现对整个互联网金融舆情达到整体防控的目的。重构是一个系统工程，在重构前应该制定具体的重构策略和紧急情况出现时的备选措施，尤其针对全国性的互联网金融舆情事件进行重构时，必须考虑到区域联动，做到行动一致、目标一致、方法一致。
七、总结
本文通过借鉴相关学者对网络舆情研究成果，结合金融舆情的特性，得出互联网金融舆情的传播机制、人物识别方法、风险防控措施等，并进一步提出了针对互联网金融舆情的监测和引导策略。从实际使用的角度来讲，本文的研究仅仅是互联网金融风险链条中的一环，为了有效地监测网络金融舆情，还应该利用信息化手段，建立互联网金融舆情的监测平台系统，将信息采集、数据分析和危机预警三个层次有机结合在一起，并建立舆情事件数据库，将消费者数据、宏观经济数据、金融产品数据等融为一体，为深度的信用评价、产品定价等大数据挖掘服务。
参考文章：
[1]You You Lu，Xiao Fan Wang. Pinning control of directed dynamical networks based on ControlRank[J].International Journal of Computer Mathematics， 2008（08）.
[2]李倩倩，刘怡君.基于超网络的社会舆论演化及应用研究[J].中国科学院院刊，2012（27）.
[3]谭云明，饶潇.网络金融的舆情引导策略[J].重庆社会科学，2015（07）.
[4]张金凤，王恒山.金融信息网络传播研究[J].金融经济，2013（10）.
[5]张世晓.金融舆情与金融监管[J].经济研究导刊，2012（02）.
（作者简介：作者系中央财经大学博士后）
