1. 引言
随着互联网的迅猛发展和社交媒体的广泛普及，网络舆情对上市公司的影响已经引起高度重视，声誉管理和舆情应对已成为企业经营的重要任务之一。通常，优质企业凭借其良好的产品和稳定的经营，赢得了公众认可和信赖，在网络舆论中占据优势，有助于网络舆情向积极的方向发展。反之，如果企业经营不佳，就更容易陷入舆情危机。当企业陷入负面的网络舆情，公众会对企业形成标签化的负面印象，不仅影响公众与公司的互动，还会消减公众对公司品牌的信任。一旦公众形成了对企业的负面态度和消极认知，就会长期存在且较难扭转，影响公司发展。因此，充分理解上市公司质量与网络舆情的关系，有助于上市公司增加网络舆情危机的预见性，采取有利策略，避免舆情危机，保证稳定发展。
2. 文献综述
对于上市公司质量的研究可以追溯到1934年，Graham等人(1934) [1]研究了财报数据和股票价格的关系，并且在美国证券市场中，证实了结论的有效性。但是，财务报表往往忽视企业生产经营实际特征，导致指标滥用，分析结论失真[2]。Asness等人[3]建议使用综合指标来体现公司质量，他们认为质量是投资者愿意为企业支付更高价格的特征，并通过对戈登股利增长模型的研究，从盈利性、成长性、安全性三个维度构建了衡量企业质量的体系。Hsu等人(2019) [4]基于MSCI、标普等质量指标构建方法，提出从获利能力、收益稳定性、会计质量、企业投资、盈利成长性、资本结构、派息等七个维度，研究公司质量的影响因素。Kyosev等人(2020) [5]认为对企业未来利润增长的预测是衡量公司质量的核心维度，高质量的公司实现高预期回报，是投资者对盈利增长反映的结果。Sehgal等人(2021) [6]通过对印度市场中1848家公司的研究，发现在印度盈利能力和安全性是对公司质量影响最显著的两个因素。柯毅(2022) [7]发现学者们通常将盈利能力强、安全性高、具备较强成长潜力的公司称为高质量公司，并且对欧美市场进行了深入研究，发现高质量公司通常能够在市场中获得更好的收益。
上市公司网络舆情主要以公众评论和留言的形式存在，具有海量性、实时性、动态性、非结构性等特点，而且大多以文本形式展现，这些文本信息多数呈碎片状，但蕴含着丰富的和上市公司相关的信息。通过深入研究网络舆情的作用，可以帮助我们更好地理解其内在逻辑，并探索其在公司中的实际应用价值(孙欣，2018) [8]。早在2007年，Dellarocas等人(2007) [9]就在研究中强调了网络舆情对企业的重要性，作为企业的关键信息资源，网络舆情的影响力不仅体现在战略制定方面，还体现在能够有效促进企业经营业绩的增长。Tsukioka等人(2018) [10]通过研究发现，评论数量较多、受到投资者广泛关注的企业，普遍呈现高市值、高市盈率、较高市场波动率等特征。上市公司对网络舆情的重视和投入，能够向资本市场传递公司特质信息，提高资本市场的信息效率，降低股价崩盘风险(田高良，2018) [11]。王曰芬等(2020) [12]研究发现，上市公司的负面网络舆情对股价会产生持续且显著的影响，如果影响发生，上市公司将在应对媒体、处理投资者关系、管理网络声誉等领域，面临巨大挑战，因此舆情管理相当重要。库玉玲(2019) [13]基于微博平台舆情文本数据，研究华谊兄弟股价波动情况，揭示了网络舆情变化与股价波动的内在联系。当公司面临负面网络舆情和不利消息时，积极的网络舆情管理显得尤为重要，可以有效改善股票流动性、维护市场形象(吴璇，2017) [14]。
公司质量评价体系，已经从传统的仅注重比率分析的指标体系，完善优化为涵盖资本结构、资产增长、资产周转、利润质量、现金流量质量五个维度的现代公司质量评价体系。在质量因子选择方面，由于公司财务指标数量较多，绝大多数文献都用到了降维方法，将因子归纳到相应维度下。借鉴这些做法，本文将在现代公司质量评价体系的基础上，引入技术投入和市场地位两个维度，用于实证部分的分析。在上市公司网络舆情研究方面，由于网络舆情的载体以文本类数据为主，情绪作为常用于衡量网络舆情的指标，其最常用的测度方法是文本情感分析技术。文本情感分析技术主要分为基于词典的文本情感分析和基于机器学习技术的文本情感分析，本文选择基于词典的文本情感分析方法开展后续分析。
目前，学界对公司质量和网络舆情两个领域开展了较多研究，但对二者关系的研究还相对不够充分，因此相关研究既有必要、也有价值。本文构建了双向固定效应模型，研究公司质量与网络舆情关系，分析不同类型的公司是否有差异化表现，为公司网络舆情预防和治理提出可行建议。
3. 模型设定与变量说明
3.1. 样本选择
本文选取2020~2022年共12个季度，沪深300中230家上市公司为研究样本，为了减少极端值和异常值影响，对所有连续性变量进行了1%和99%水平上的缩尾处理。经过对数据的初步处理，获得了2760个有效样本数据。
本文研究使用的网络情感得分指标，选用东方财富网股吧中的文本评论，选取了2020~2022年共计12个季度的数据。公司质量因子数据从Wind数据库、Choice金融终端和各公司季报获取。为确保样本的完整性和准确性，剔除了数据缺失较严重的公司。
3.2. 变量说明
1) 被解释变量：网络情感得分。投资者和公众是舆情事件的核心参与者，他们对网络信息的参与和态度可以直接影响网络舆情的发展态势。企业网络舆情状况的表现可以由网络情感得分指标来衡量。网络情感得分越高，说明该公司在网络环境中的评价越好、舆情态势越好。
东方财富网股吧中的评论基本为中文本文数据，本文使用SnowNLP中文情感分析词典对文本数据进行情感分析，原始评论数据在[0, 1]范围内进行情感赋值，得到的分数是网络情绪表示积极的概率。越接近0，说明网络评论中的情绪越消极；越接近1，说明网络评论中的情绪越积极。
一般情况下，整句评论中通常包含着比较复杂的词语，可能同时出现积极情绪词与消极情绪词，为了更准确地从整句角度为评论情绪赋值，本文采用情绪值计算的方法，对上述情绪关键词进行赋值，情感值赋值区间为[0, 1]。情绪值所处区间在[0, 0.45)中为消极情绪，[0.45, 0.55)为中性情绪，[0.55, 1]为积极情绪。
评论文本情绪计算公式如下：
(1)
其中，E表示评论文本情绪数值，
和
分别代表正面情感词汇和负面情感词汇的数目，
和
分别代表正面情感词汇和负面情感词汇的权值。
采用上述方法对评论文本数据进行情感评分处理，使用情绪关键词赋值的方法为每条评论进行打分，结果如表1中展示的案例所示。
Table 1. Example of sentiment analysis results
表1. 情感分析结果示例
情感得分 |
评论文本数据 |
0.1608 |
真是不行，亏了百分之二十了还不涨。 |
0.2377 |
看这量能没什么希望，能红盘报收就满足了。 |
0.4203 |
这股票老是走成这个样谁敢买啊？ |
0.5452 |
今天可能有些人会卖出观望，等季报出来再择机买入。 |
0.6185 |
今天挺厉害，该跌不跌，反而红了。 |
0.8211 |
疫情严厉封控之下业绩还有增长，算是很不错了，未来看涨。 |
0.8884 |
在碳中和背景下，合成生物学有望迎来快速发展。 |
对于研究时间段内的网络情感得分，将使用公式(2)来计算，如下：
网络情感得分 = 每条评论情感得分之和/总评论数量 (2)
当股吧文本评论数据中的正面情绪评论占比上升时，所构建的网络情感得分指标值会随之增大，如果负面情绪评论增多，网络情感得分指标值也相应减小。一般情况下，网络情感得分越高，则认为企业占据舆论优势，舆情信息相对积极。反之，则认为该企业舆情信息较为消极，投资者和公众对企业不满意、对前景不乐观，有可能陷入舆情危机。
2) 核心解释变量：本文在现代公司质量评价体系中增加了两个维度，即技术投入和市场地位维度，作为核心解释变量。
技术投入：采用技术投入率指标进行计算。对于企业而言，技术投入的增加不仅意味着企业对于创新能力的持续投入，更是企业在竞争激烈的市场环境中增强自身核心竞争力、实现可持续发展的关键所在。技术投入力度加大，能够显著提升企业潜在竞争力，使其在竞争中赢得更优地位，进而展现出更为强大的发展潜力和广阔的成长前景。
市场地位：采用供应链融资效率、应收结构和应付结构指标进行计算。市场地位反映了企业在市场中的排名位次和影响能力，与其在供应链网络中所能掌控的资源有密切联系。市场地位高的企业，占有更多更好的资源，拥有更大的影响力和更强的话语权。
3) 控制变量：考虑到一些常用的财务指标既是公司质量的构成指标，也是可能引起公司声誉和网络舆情变动的因素。因此，总结出以下五个控制变量：
a) 资本结构质量。资本结构质量决定了企业的再融资能力和偿债水平，直接作用于企业的预期盈利水平，一定程度反映了公司的整体运营情况和质量状况。一般认为，资本结构质量越好，企业的网络舆情状况越好。
b) 资产增长。企业能够在日益激烈的市场竞争中，实现持续增长、稳健积累资产，说明企业的质量状况比较优秀。一般认为，资产增长越快，企业的网络舆情状况越好。
c) 资产周转。资产周转反映企业的资产经营效率，企业的资产周转数据往往会随着行业和个体差异有所不同。一般认为，资产周转越快，资产利用情况越好，企业的网络舆情状况越好。
d) 利润质量。利润质量直接反映了企业经济效益的稳健性。一般认为，企业利润质量越好，企业的网络舆情状况越好。
e) 现金流量质量。现金流量的质量是企业稳健运营的关键。一般认为，现金流量质量越好，企业的网络舆情状况越好。
相关研究变量汇总如表2。表2中市场地位、资本结构质量、资产增长、资产周转、利润质量和现金流量质量都是经过因子分析三级指标后得到的相关权重计算的。
Table 2. Research variable settings
表2. 研究变量设置
变量分类 |
变量名称 |
变量符号 |
计算方式 |
被解释变量 |
网络情感得分 |
Y |
每条评论情绪得分之和/评论数量 |
核心解释变量 |
技术投入 |
JSTR |
技术投入率 |
控制变量 |
市场地位 |
SCDW |
市场地位 = (0.445*(0.519*供应链融资效率 + 0.453*应收结构 + 0.725*应付结构) + 0.345*(−0.666*供应链融资效率 + 0.746*应收结构 + 0.0115*应付结构))/0.791 |
资本结构质量 |
ZBJG |
资本结构质量 = (0.614*(−0.5*资产负债率 + 0.228*利润积累率 + 0.586*现金比率 + 0.595*速动比率) + 0.301*(0.394*资产负债率 − 0.798*利润积累率 + 0.336*现金比率 + 0.307*速动比率))/0.915 |
资产增长 |
ZCZZ |
资产增长 = (0.392*(0.673*总资产增长率 + 0.698*营业收入增长率 + 0.245*营业利润增长率) + 0.331*(−0.279*总资产增长率 − 0.0675*营业收入增长率 + 0.958*营业利润增长率))/0.722 |
资产周转 |
ZCZL |
资产周转 = 0.5*应收账款周转率 + 0.5*总资产周转率 |
利润质量 |
LRZL |
利润质量 = 0.59*总资产毛利率 + 0.548*净资产收益率 + 0.593*总资产收益率 |
现金流量质量 |
XJLL |
现金流量质量 = (0.37*(0.259*核心利润获现率 + 0.625*经营性资产获现率 + 0.736*销售获现率) + 0.342*(0.861*核心利润获现率 − 0.496*经营性资产获现率 + 0.118*销售获现率))/0.712 |
异质性变量 |
是否为国企 |
SOE |
国有企业 = 1，非国有企业 = 0 |
3.3. 模型设定
本文选择构建控制时间和个体的固定效应模型，如公式(3)所示：
(3)
其中，
表示i企业在t时间的网络舆情状况。
表示i企业在t时间的技术投入水平。
衡量了技术投入对网络舆情状况的影响程度。
表示i企业在t时间的市场地位水平，用主成分分析得到的包括供应链融资效率、应收结构、应付结构三项指标的计算公式来衡量。
衡量了市场地位对网络舆情状况的影响程度。
表示控制变量，包括资本结构质量、资产增长、资产周转、利润质量和现金流量质量。
和
表示控制个体与时间的固定效应。
为随机误差项。
4. 实证结果分析
4.1. 相关性分析与共线性检验
从表3的相关性实证分析结果看，网络情感得分与技术投入因素和市场地位因素，均呈显著正相关关系，具有一定的统计学意义。各变量之间的相关系数绝对值均在0.8以下，表明模型中的变量选择较为恰当。对于各变量间是否存在多重共线性，将通过VIF检验进一步验证。相关性分析仅能代表变量之间的关联程度，不能直接进行因果判定，需要进一步做回归分析，确定因果关系。
Table 3. Correlation analysis
表3. 相关性分析
|
Y |
JSTR |
SCDW |
ZBJG |
ZCZZ |
ZCZL |
LRZL |
XJLL |
Y |
1 |
|
|
|
|
|
|
|
JSTR |
0.236*** |
1 |
|
|
|
|
|
|
SCDW |
0.038** |
−0.049*** |
1 |
|
|
|
|
|
ZBJG |
0.275*** |
−0.126*** |
−0.157*** |
1 |
|
|
|
|
ZCZZ |
0.104*** |
0.045** |
0.021 |
0.008 |
1 |
|
|
|
ZCZL |
0.248*** |
−0.013 |
0.097*** |
0.001 |
−0.023 |
1 |
|
|
LRZL |
0.284*** |
−0.031 |
0.044** |
0.101*** |
0.219*** |
0.263*** |
1 |
|
XJLL |
0.063*** |
−0.004 |
0.033* |
0.002 |
0.011 |
0.005 |
0.041** |
1 |
注：上表中数据为相关系数，其中***、**、*分别表示在1%、5%和10%的水平下显著。
当变量间出现严重共线性问题时，会导致结果不稳定，或者出现回归系数符号与实际情况相反的情况，影响分析的有效性。为了检验各变量间是否存在多重共线性，需要进行VIF检验，结果如表4所示。
Table 4. VIF test
表4. VIF检验
Variable |
VIF |
1/VIF |
JSTR |
1.020 |
0.976 |
SCDW |
1.040 |
0.959 |
ZBJG |
1.060 |
0.947 |
ZCZZ |
1.060 |
0.942 |
ZCZL |
1.090 |
0.916 |
LRZL |
1.150 |
0.868 |
XJLL |
1.000 |
0.997 |
Mean VIF |
1.060 |
一般认为，VIF值小于10代表变量间不存在多重共线性。结果显示，各自变量的方差膨胀因子值都在1左右，VIF平均值为1.06，远小于临界值。模型不存在多重共线性问题。
4.2. 基准结果分析
构建控制个体和时间的双固定效应模型，进一步探究公司质量因子和网络舆情之间的关系，结果如表5所示。
Table 5. Analysis of benchmark regression results
表5. 基准回归结果分析
VARIABLES |
(1) |
(2) |
Y |
Y |
JSTR |
0.690*** |
0.682*** |
|
(7.209) |
(7.130) |
SCDW |
0.100*** |
0.103*** |
|
(4.678) |
(4.829) |
ZBJG |
0.003** |
0.003** |
|
(2.119) |
(2.203) |
ZCZZ |
0.005*** |
0.006*** |
|
(6.205) |
(6.050) |
ZCZL |
0.000*** |
0.000*** |
|
(3.644) |
(2.973) |
LRZL |
0.106*** |
0.067*** |
|
(7.519) |
(3.636) |
XJLL |
0.001*** |
0.001*** |
|
(3.941) |
(3.989) |
Constant |
0.393*** |
0.378*** |
|
(62.681) |
(53.422) |
Observations |
2760 |
2760 |
FE |
NO |
YES |
注：***p < 0.01，**p < 0.05，*p < 0.1。括号中的数值为t检验的值。
根据基准回归结果，核心解释变量JSTR的t值为7.130，在0.01的显著性水平下显著，回归系数为0.682，符号为正。这说明技术投入的增加与网络情感得分之间存在显著正相关关系。具体来说，当技术投入每增加1个单位，网络情感得分平均上升0.682个单位。近年来，企业技术水平在推动企业发展方面的作用越来越显著，技术水平的上升不仅意味着企业产品质量的升级，还代表着企业核心竞争力和综合水平的提升。持续的研发投入和技术提升，使得企业能够不断推出更先进和更高端的产品，满足消费者对高品质的需求。不仅增强了产品市场竞争力，又提升了企业的公众声誉，帮助企业获得更积极、更正面的企业形象，也就是技术投入对企业的网络舆情有正向促进作用。
核心解释变量SCDW同样在0.01的显著性水平下显著，意味着市场地位的增加与网络情感得分之间也存在着显著正相关关系，当市场地位每提升1个单位，网络情感得分平均上升0.103个单位。企业市场地位是一个涵盖资源占有、渠道影响力等多项因素的综合指标，企业的市场地位提升，可以帮助企业树立更好的品牌形象，增强消费者、合作者、投资者的信任和好感，使企业在舆论中获得更积极、更正面的评价，也就是市场地位对企业的网络舆情状况有正向的促进作用。
控制变量资本结构质量、资产增长、资产周转、利润质量和现金流量质量，均对模型产生了显著的正向影响，即更好的资本结构质量、更快的资产增长速度、更高频的资产周转、更优秀的利润质量和现金流量质量，都可以对企业的网络舆情状况起到正面的积极作用，符合常识理解。
4.3. 异质性分析
为了研究不同企业产权性质是否会对分析结果产生影响，以是否为国有企业为划分依据，对样本进行分组，进行回归分析，结果如表6所示。
Table 6. Heterogeneity analysis
表6. 异质性分析
VARIABLES |
(1) |
(2) |
SOE = 1 |
SOE = 0 |
JSTR |
0.830*** |
0.609*** |
|
(5.695) |
(4.752) |
SCDW |
0.125*** |
0.055 |
|
(4.500) |
(1.604) |
ZBJG |
0.011** |
0.002 |
|
(2.210) |
(1.221) |
ZCZZ |
0.005*** |
0.006*** |
|
(3.979) |
(4.637) |
ZCZL |
0.000* |
0.000** |
|
(1.882) |
(2.306) |
LRZL |
0.111*** |
0.033 |
|
(3.530) |
(1.396) |
XJLL |
0.001*** |
0.001** |
|
(3.314) |
(2.235) |
Constant |
0.346*** |
0.402*** |
|
(29.852) |
(42.831) |
Observations |
1356 |
1404 |
FE |
YES |
YES |
其中，SOE = 1代表国有企业样本，SOE = 0代表非国有企业样本。从表6可知，核心解释变量和控制变量的回归系数均为正，说明即便按企业产权性质进行分组，公司质量因子对网络舆情的影响方向也是一致的。在国有企业样本中，技术投入变量在1%的显著性水平下与网络情感得分呈现正相关关系，其系数为0.830，市场地位变量也在1%的显著性水平下与网络情感得分呈现正相关关系，其系数为0.125。在非国有企业样本中，技术投入变量在1%的显著性水平下与网络情感得分呈现正相关关系，其系数为0.609。然而，市场地位变量并没有表现出显著的相关性，其系数为0.055。这一结果表明，相较于非国有企业，国有企业技术投入和市场地位因素的提升，对网络舆情状况有更正向的促进作用。
4.4. 稳健性检验与内生性处理
本文采用两种方式对模型进行稳健性检验。首先，更换OLS模型，如果得到的核心解释变量对被解释变量的影响，与双向固定效应模型结论一致，说明模型结果稳健。检验结果如表7第2列所示。然后，调整数据时间周期，剔除了2022年第四季度的数据，若技术投入和市场地位对网络舆情状况的影响仍然一致，说明模型结果稳定，检验结果如表7第3列所示。
Table 7. Robustness tests and endogeneity treatment
表7. 稳健性检验与内生性处理
|
OLS |
FE |
GMM |
L.Y |
|
|
0.201*** |
|
|
|
(−0.042) |
JSTR |
0.485*** |
0.666*** |
0.417*** |
|
(−17.213) |
(−6.359) |
(−0.08) |
SCDW |
0.042*** |
0.082*** |
0.042** |
|
(−4.23) |
(−3.628) |
(−0.019) |
ZBJG |
0.013*** |
0.004** |
0.003 |
|
(−17.921) |
(−2.414) |
(−0.004) |
ZCZZ |
0.002** |
0.005*** |
0.004** |
|
(−2.381) |
(−5.611) |
(−0.002) |
ZCZL |
0.000*** |
0.000** |
0.000*** |
|
(−11.26) |
(−2.12) |
(0) |
LRZL |
0.135*** |
0.073*** |
0.085*** |
|
(−9.771) |
(−3.552) |
(−0.021) |
XJLL |
0.001*** |
0.001*** |
0.001 |
|
(−3.143) |
(−4.244) |
(−0.001) |
Constant |
0.380*** |
0.380*** |
0.321*** |
|
(−73.784) |
(−50.849) |
(−0.017) |
Observations |
2760 |
2530 |
2530 |
ar1p |
|
|
0 |
ar2p |
|
|
0.925 |
sarganp |
|
|
0.131 |
注：内生性检验中括号中的数值为标准误差。
从表7两次稳健性检验中，技术投入和市场地位因素对网络情感得分的影响与基准回归结果相近，结论与预期一致。更换OLS模型后，发现技术投入和市场地位对网络情感得分的影响和双向固定效应模型结果一致，均为显著正影响，说明模型结果稳健。剔除了2022年第四季度的数据后，技术投入和市场地位对网络情感得分的影响依然显著。具体来说，在0.01的显著性水平下，两个核心解释变量对被解释变量依然呈现出显著的正向影响。这一结果与先前的模型结果一致，验证了本文回归分析结果的稳健性，即模型通过了稳健性检验。
为了解决研究中可能存在的内生性问题，采用动态GMM工具变量法，选取被解释变量的滞后一期作为工具变量，也通过了内生性模型的检验。
5. 结论与建议
本文使用沪深300中的230家上市公司2020~2022年共12个季度的面板数据，研究公司质量因子与网络舆情状况之间的关系，以企业技术投入和市场地位为核心解释变量，对公司质量如何作用于网络舆情进行实证研究，并分析了企业产权性质(是否为国有企业)的异质性。研究结论：第一，企业技术投入与网络舆情之间，存在显著正向关系。具体来说，随着企业不断向技术领域投入资源，企业的网络舆情环境也向更积极、更有利的方向发展。第二，企业市场地位与网络舆情状况呈正相关关系。企业的市场地位提升，能够带动企业获得更积极的网络舆情环境。市场地位作为衡量企业资源占有、渠道建设和影响力的重要指标，它的提升有助于企业营造更好的品牌形象，增强市场信任度，获得更为积极、正面的舆论评价，对网络舆情产生积极作用。第三，国有企业增加技术投入、提升市场地位，对网络舆情状况的正向促进作用，相较于非国有企业而言，效果更明显。
基于以上结论，针对企业网络舆情应对和管理，提出以下建议：一是公司质量的提升是重中之重。公司质量对于企业网络舆情状况具有直接而深远的影响，提升公司质量可以从多个维度入手。通过本文的研究，加大新技术研发投入力度，持续提升市场地位，都能显著提升公司质量。优质的公司更容易获得公众信任，使公司在舆论中占据优势，推动舆情向积极的方向发展。二是建立专业的舆情监测平台，重视舆情风险防范。积极应用专业舆情监测技术，通过自建或引进舆情监测平台，实现对公众情绪和注意力的实时监测，精准把握网络舆论动态，及时妥善处理，提升舆情应对的主动性和有效性。三是如果舆情事件已演变成舆论危机，公司的态度至关重要。公司应该积极地、迅速地对舆情关注进行合理回应，尽快落实处理方案和解决措施，展现责任感，控制舆情损失。
声 明
本研究基于特定数据来源和特殊时期(2020~2022疫情期间)的局限性，结论外推时需保持谨慎。