唐建龙 吴桐 徐彬 田燕 贾天明
（德邦证券股份有限公司，上海200010）
摘要：证券公司具有典型的高风险、高收益特征，声誉风险一旦发生会对整个行业乃至金融系统产生巨大破坏，其监测预警体系的构建尤其重要。本文在深入剖析证券公司声誉风险形成机理的基础上，构建了一套反应声誉风险传播特点的证券公司声誉风险预警指标体系，并以近两年我国证券公司发生的2000余条负面舆情为数据基础，采用线性模型、逻辑回归模型和决策树模型分析声誉风险的预警指标，并用准确率、精准率、召回率以及F1-score等指标评价三种模型预测效果，研究发现决策树模型具有更加优异的预测精度和稳定性。为提升预警模型的可操作性，本文进一步建立了声誉风险预警指数，并对其表现出的风险程度划分等级，提升了预警模型的实用性。
关键词：声誉风险；形成机制；预警系统
作者简介：唐建龙，男，德邦证券股份有限公司高级副总裁，首席风险官。吴桐，男，德邦证券股份有限公司风险管理部总经理。徐彬，男，德邦证券股份有限公司科技中心数据智能室执行总经理。田燕，女，德邦证券股份有限公司企业传播部总经理。贾天明（通讯作者），男，德邦证券股份有限公司风险管理部风险研究副总监。团队研究方向：全面风险管理、风控体系建设。
通讯地址：上海市黄浦区中山东二路558号N1栋9楼
一、引言
自2008年金融危机爆发以来，全球金融机构对声誉风险管理的认识达到了一个新的高度，并纷纷将声誉风险纳入到全面风险管理体系当中。我国监管机构对声誉风险管理亦非常重视，中国银监会和保监会先后于2009年和2014年制定并发布各自监管领域内的声誉风险管理指引，中国证券业协会也于2021年10月发布《证券公司声誉风险管理指引》并明确要求证券公司应建立声誉风险管理制度和机制。在协会的指引下，行业内部证券公司也陆续加强了声誉风险管理。但是从实操来看，证券公司仍缺乏一套系统且成熟的声誉风险监测和预警机制，多数情况下依然采用“危机公关”式的处置措施，相关部门充当“救火队”的角色（陈三三等，2018；洪祥骏等2020）[8] [23]。另外，随着社会化媒体的快速发展，信息传播的速度空前加快，极小的负面信息会很快演变成为全社会关注的焦点（崔亚等，2014；成俊会，2022）[6] [9]。因此，在当前环境下，加强对证券公司声誉风险研究并建立符合舆情传播特点的声誉风险预警系统意义重大。
本文边际贡献可能有：一是将利益相关者理论和风险传播理论纳入证券公司声誉风险研究框架，深入剖析了声誉风险的形成机理；二是构建了一套可跟踪判断证券公司声誉风险程度的指标体系及预警模型运行方法，可为证券行业声誉风险管理和防范提供有益的参考和借鉴。
二、证券公司声誉风险形成机理
（一）声誉风险的信息流属性
公司声誉是公司的利益相关者对公司做出的综合评价（Philipp Sturm，2013）[1]。公司通过生产经营活动向市场上的利益相关者（供应商、消费者、媒体、政府等市场主体）发出信息，信息经过利益相关者传递给社会公众，社会公众对信息形成统一认知后形成公司声誉（缪荣，2013）[24]。而声誉风险就是由企业内部经营行为或其他外部事件引起的，导致利益相关方对公司做出负面评价，若这些负面评价不及时处置或处置不得当，负面事件会在利益相关者间持续传播和发酵，最终导致对公司的经营发展甚至整个行业健康运行产生负面影响的风险，其本质是一种负面信息的流动过程（Laureen，2008；缪荣，2007；张环，2017）[4][11] [13]。从信息流的角度看，声誉风险包括风险诱因和风险后果两个方面（乔海曙等，2013）[27]。风险诱因可能产生于企业内部，如在经营过程中发生的违法违规行为；也可能产生于企业外部，如监管政策改变、突发性外部事件等（见表1）；风险后果主要是利益相关者对企业做出的负面评价，这种负面评价、感知和积累的过程会导致最终的声誉风险，破坏公司的正常经营，甚至会对行业产生重大信任危机。
（二）声誉风险的成因分析
声誉风险的形成其实是一个各利益相关方共同作用下的负面信息流的社会放大过程，其从产生到演化为声誉风险主要原因是由于相关组织介入不及时或者处置不当导致相关者的利益不能得到及时满足从而产生了向外扩张的作用力，最终引发危机（邱鸿峰，2013；高贵武，2017；张克旭，2020）[26] [25] [17]。从利益相关者的视角来看，声誉风险是风险诱发者的产出力（负面舆情累积过程）、事件发布者的触发力、网络媒体和传统媒体的影响力、普通网民的作用力、意见领袖的助推力以及政府部门的风险处置能力等多种作用力相互耦合作用的结果（见图1）。一般情况下，负面舆情的制造力受到行业特性、人员素质、风险管控力度、制度措施完备程度等方面影响，事件发布的触发力受到负面舆情敏感度、信息真实性、发布者的影响力和态度等方面影响，政府部门等的风险处置能力受到反应速度、评估能力、预警能力、信息发布能力、执行能力等方面的影响。
（三）声誉风险的传导路径分析
声誉风险的信息流属性决定了其具有风险传播的一般规律性（安璐等，2019）[20]。风险在传播的过程中表现出典型的生命周期特点，具体表现为潜伏期、爆发期、蔓延期和消散期四个阶段（Fink，1989；王晓慧，2017）[2] [21]。证券公司在开展不同类型的业务时，往往会出于最大化自身利益的机会主义行为而与利益相关者发生利益冲突，从而导致利益相关者的负面评价，引发声誉风险。在企业的日常经营过程中，每时每刻都存在着利益相关者的负面评价（李心合，2001；缪荣，2005）[18] [11。从这个角度来看，其实声誉风险是一种常态化的现象，之所以未形成危害，主要因常态化的风险事件处于一种相对均衡和稳固的状态，表现为利益相关者对证券公司的评价、判断与感知处于平衡态。但是当这种常态化的风险积累达到一定的阈值，或者由某个突发性或是敏感性的负面事件的爆发突破了这种平衡态时，声誉风险将被引发。图2展示了证券公司声誉风险的一般传导路径，其中危机爆发后出现的金融体系内传播和外界大众传播具有明显的风险扩散特征。
1.金融体系内部传播
金融体系内传导指的是证券公司产生的声誉风险信息流在行业体系内传播，此时负面信息开始表现出“社会涟漪”效应（Kasperson，1988；Eckert，2017）[3] [5]，即已经由个体扩散到了行业（见图3）。声誉风险事件发生后，其产生的信息流首先在投资者、发行人和债务人等与证券公司有直接利益关系的相关者间传播，单个证券公司又是金融体系中的一份子，风险信息流还会很快地传导到其它证券公司，继而在行业内部快速传播。在我国，证券公司的产品种类、业务模式、风控措施等具有高度相似性，一旦网络体系中某个证券公司发生声誉风险事件，很容易使投资者、发行人和债务人等利益相关者产生对整个行业的负面评价，引发监管关注，严重情况下，甚至会引发行业信任危机，导致资产抛售、资本外逃等风险。
2.外界社会公众间传播
社会公众间传播指风险信息开始流向外部社会大众，此时声誉风险的影响范围已经扩散到了行业之外的群体组织，“社会涟漪”继续扩大（见图4）。在这一过程中，媒体发挥至关重要作用。为了深入理解媒体运作规律，本文将媒体分为官方媒体、大众媒体和以网络为代表的新媒体等。
官方媒体：因官方媒体受到政府管控，严肃性和政治性属性明显，一般不会为了商业利益而博取公众的关注度。在声誉风险爆发后，风险信息流在传导的过程中会受到政府的干预，经政府筛选后提供给官方媒体，之后再向利益相关者和社会大众传播，严格意义上的官方媒体包括杂志、报纸、广播、电视等，如人民日报、新华社等为代表的中央级媒体。需要强调的是，一旦负面事件被官方媒体刊载，表明事件的严重性已经很大，会对公司声誉产生严重冲击。
大众媒体：相比官方媒体，大众媒体自由度较高，强调市场化运作，带有一定的商业性质，其报道的信息往往较为详实，甚至会出现一些专家类的点评报道，如全国性、地方性财经媒体和主流门户网站等。
新媒体：以网络为代表的新媒体，商业属性很强，甚至为了博取公众“眼球”，会对声誉风险信息进行“异化”处理，具有开放、自由和监管困难的特点。该类媒体主要包括新浪微博、各类论坛、微信公众号、小红书、抖音、知乎及新闻类客户端等。
综上，官方媒体特有的政治性和严肃性，决定了其不会为了博取公众关注度而跟风炒作，以尊重客观事实的正面报道居多。而大众媒体和新媒体的商业化属性较强，为了追求高“点击量”和高“转载率”，甚至会扭曲客观事实以满足公众的好奇和娱乐心态，从中获取商业利益。因此，从以上媒体的运作规律来看，大众媒体和新媒体是推动负面舆情向声誉风险转化的主要作用力，需要引起重点关注。更需要注意的是，随着社会化媒体的快速发展，通过网络渠道传播的舆情已经逐步超越传统媒体，成为了信息传播的主流渠道。
三、证券经营机构声誉风险监测预警模型构建
（一）证券公司声誉风险预警指标体系
传统风险管理的理念是由内向外，专注于监测和防控自身业务经营过程中出现的问题，很少从利益相关者的视角分析和管理风险。根据前文声誉风险形成机理的分析结果，本文认为声誉风险的监测更应该侧重于由外到内的管理，应紧盯证券公司负面舆情传播动态。从这个角度出发，本文构建的证券公司声誉风险预警指标体系包括以下四类因素（见表2）：一是舆情来源，主要反映舆情产生的根源和路径；二是舆情持续时间，主要反映舆情在网络中暴露的程度；三是舆情热度，主要反映舆情事件的公众关注程度；四是舆情负面程度，主要反映舆情的负面效应评判。
（二）证券公司声誉风险预警指标量化规则
1．舆情来源
根据前文各类媒体的传播特点，对舆情新闻的来源按照媒体级别进行分类和归档，本文参考中国银行业协会声誉风险管理专业委员会的媒体划分方法[19]，将所有媒体分为以下五类：中央级媒体、全国性财经媒体、地方重点媒体、新媒体以及其他媒体。为了将媒体级别转换为可衡量的声誉风险监测指标，采用专家经验法对每个类型的媒体进行分值确认和分值上限设定（见表3），经过统计计算得到最终的舆情来源分数。
2．舆情持续时间
舆情持续时间是反映声誉风险发酵情况的一个重要指标，根据相关研究，风险在传播过程中，舆情热度呈现明显的左偏特征（罗闯等，2018）[15]，需要对舆情持续时间进行了衰减平滑处理，处理方法如下：
（1）
综合专家经验判断和测试效果（见图4），得出当
时，舆情持续时间的平滑效果最佳。
3．舆情热度
舆情热度反映了单位时间内公众对于舆情事件的关注程度，是体现声誉事件传播广度和速度的重要指标之一。本文参考了赵龙文（2013）[14]基于意见领袖的预测方法，选定了转载系数和舆情最高变化数两个二级指标作为衡量舆情热度的量化指标。
（1）转载系数
转载系数主要反映负面舆情发生后被不同媒体转发的情况，转载系数越大反映负面舆情被媒体转发的次数越多。本文依托公司舆情监控系统，梳理出每个负面舆情涉及的媒体家数，作为反映负面事件的转载程度。
（2）舆情最高变化数
舆情最高变化数
是反映在一个声誉风险事件中舆情新闻日环比最高变化量，是衡量舆情爆发阶段增长速度的重要指标。其计算方法如下：
（2）
其中d为新闻持续天数。
4．舆情负面程度
本文采用了公司舆情监控系统对负面舆情的严重程度划分方法，分为严重负面、重大负面和一般负面三类，分类标准为通过自然语言处理模型对每天获取到的舆情新闻进行标注，得到舆情负面分数，表示负面舆情程度，分数越低负面程度越高。将严重负面设定为[-3,-2）、重大负面设定为[-2,-1）、一般负面设定为[-1,0）。
对于同一声誉风险事件从发生到结束，往往会有几十条甚至几百条舆情新闻，为了将舆情负面程度作为一个指标引入到声誉风险预警模型中，因此对同一声誉风险事件中的新闻做了求和平均处理，如下所示：
（3）
其中S为舆情负面程度，n为同一声誉风险事件出现的新闻总数，
为第i篇舆情新闻的情感得分。
（三）数据说明
1．数据来源
依托公司舆情监控系统，以2021-2022年作为统计周期，共筛选出2032条证券公司负面舆情，涉及622个负面事件，其中多数事件的舆论热度、持续时间和严重程度等均很低，为了提高模型训练效果，以事件涉及媒体数量超过10家（含）作为筛选标准，对622个负面事件进行二次筛选，共得到83个证券公司负面事件，确定最终模型训练样本。
根据上文指标量化规则，从舆情来源、舆情持续时间、舆情热度、舆情负面程度等特征维度构建声誉风险数据集，假定负面舆情发生后当天股票涨跌情况表示利益相关者对负面事件的反应情况，为了排除其他因素对股价的影响，采用中证证券全收益指数平滑后的当天股价涨跌情况作为模型的最终Y值（因变量）进行建模。
2．特征分析
为了降低噪声对模型构建的影响，采用特征分析法对指标进行可视化，从图5中可以看出：
第一，转载系数与最高转载变化在分布上具有较高的线性相关性。在转载系数增大的时候，最高转载变化也会随之增大，且二者分布直方图也较为一致。
第二，持续时间分数在经过热度衰减函数处理后有明显的截断特征，能够有效避免极端值的出现。
第三，舆情负面分数分布多集中在较低的负面舆情分数区域，这可能跟样本的本身负面程度以及采用的求和平均处理方式有关。
（四）模型构建
线性模型、Logistic回归分析模型和决策树在预测模型中应用广泛，但预测效能的优劣在不同的研究中存在差异（王冬燕，2014；方毅等，2022）[22] [12]。本文采用上述三种模型分别进行声誉风险预警模型的构建。从整理的83个风险事件随机取出62例事件作为测试集，剩余的21例事件作为验证集。通过准确率、精准率、召回率以及F1-score等指标评价训练效果，详细结果如表4。
从表4可以看出通过决策树模型构建的声誉风险度量模型在准确率、精准率、召回率以及F1-Score上均高于线性模型和逻辑回归模型，为了更加直观的查看三个模型在每个类别上的分类结果，根据真实标签与预测标签绘制混淆矩阵，查看每个类别的预测情况，通过图6可以看到决策树模型预测假阳性和假阴性的样本数量均小于另外两个模型。
（五）效果检验
为了对证券公司声誉风险预警模型的综合性能进行更加全面的评价，不仅要对模型的准确度进行检验，还需要对模型的泛化能力进行考察，以此确定最终的声誉风险预警模型。
1．模型准确性验证
分别将测试集中剩余的21个样本数据放入到上文中训练好的三个模型中，查看模型准确率、精准率、召回率以及F1-Score等指标的情况，测试效果见表5。
可以看到决策树模型在准确率、精准率以及F1-Score这三个指标上仍然表现最好，说明决策树模型具有较强的泛化能力；再绘制每个模型对应的预测结果的混淆矩阵（见图7），同样可以发现，决策树的准确率、召回率等指标，均优于线性模型和逻辑回归模型。
2．决策树模型分析
综合准确性和稳定性的验证结果，采用决策树模型构建的声誉风险预警模型更加科学合理。为了提升模型的可操作性，通过计算每个节点下分类样本占总样本权重和每个节点对应特征的熵值加权求和（见公式4），并最后做归一化得到特征重要性程度（见表6）。
（4）
（六）预警模型运行
为了进一步提升预警模型的可操控性，根据决策树模型下指标特征重要程度，构建模型预警指数，以此进一步判定通过决策树模型筛选出的负面舆情的严重程度，模型预警指数运行规则见表7。
证券经营机构声誉风险预警指数旨在用于跟踪利益相关者的负面评价程度，反应风险趋势，并及时反馈预警结果，辅助对已经发生的负面事件进行分析判断。为了提升预警指数的可操作性，本文借鉴相关研究成果（冀淑慧，2014；曾润喜，2009）[10] [16]，坚持最小容忍度原则，将预警指数分为三个等级，划分区间为[0-30)、[30-60)、[60-100]，分别表示一般负面、重大负面和严重负面。
声誉风险指数可以实现三个层面的应用：一是通过跟踪指数随时了解某个负面事件的舆情演化情况，及时发出预警；二是指数所处的分值区间可作为判断当前舆情严重程度的重要依据，便于采取针对性处置措施，提高风险处置效率，可成为风险监测、评估报告的重要组成部分（见表8）；三是指数可用于不同负面事件引发的声誉风险暴露程度比较，有助于证券经营机构掌握舆情演化规律，及早做出风险判断。
需要强调的是，指数在运行的过程中，同一事件不能重复计算，除非事件出现重大升级或者事件在一个周期后（一般为6周后）二次复发亦或是引发了其它问题。另外，表6中关于转载数和变化率中设定的媒体个数上限，可以根据大数据统计情况以及证券公司对媒体覆盖程度的容忍程度进行调整。
四、结论与建议
证券公司作为资金融通的重要桥梁，具有明显的高风险、高收益特点，利益相关者对其声誉事件的敏感度往往较高，管控不当极易引发行业声誉危机，有必要针对证券公司声誉风险开展研究。本文重点研究了证券经营机构声誉风险的形成机理和监测预警指标的构建问题，试图找出一种更加契合舆情传播规律的声誉风险监测预警指标体系及其构建的科学方法。主要研究成果如下：
一是声誉风险的信息流属性决定了其传导路径具有风险传播的一般规律性，因此声誉风险的监测和预警更应该侧重于由外到内的管理，紧盯证券公司负面舆情传播动态。
二是从传播学的视角构建了一套覆盖舆情来源、舆情持续时间、舆情热度和舆情负面程度四个维度的证券经营机构声誉风险预警指标体系，经过验证效果良好，可为证券经营机构声誉风险预警实践提供借鉴。
三是决策树模型具有更加优异的预测精度和稳定性，并基于该模型，建立了声誉风险预警指数，且对指数进行了声誉风险等级划分，用于监测利益相关者的负面评价程度，大幅提高了模型的实用性。
本文虽然只是对证券行业声誉风险进行分析，但其它金融机构同样可进行借鉴。针对本文的研究结果，针对如何提升证券行业的声誉风险处置效率，建议如下:
第一，证券公司需加强声誉风险的日常预警。证券公司声誉风险的日常预警应至少包括日常舆情监测、风险预控决策以及预警结果评估三个流程。每个流程下分为不同的事项措施，同时配以组织保障，共同构成证券公司声誉风险的日常跟踪预警机制。
第二，证券公司应重视声誉风险潜伏期的处置。在网络媒体快速发展的环境下，声誉风险的处置成本大幅提高，而且危机带来的影响也远超以往，将声誉风险控制在扩散前是声誉风险处置成功与否的重要指标。在声誉风险潜伏期，应做到日常业务开展过程中各类风险的有效维护以及防微杜渐，具体措施包括强化全员沟通，加强社会化媒体使用管理，设置议程有效引导媒体和舆论等。
第三，证券公司要强化声誉风险爆发期和扩散期的处置。声誉风险一旦发生，最重要的是如何将危害降到最低，建议从四个方面做好处置：一是坚持“速度第一原则”，建立迅速反应机制，如迅速抢占消息源，防止信息被扭曲扩散；二是在处理的过程中需审慎对待“意见领袖”，积极有效实施舆论引导；三是声誉风险爆发后，社会关注度会在短期内达到高峰，若是后续处置措施不当，热度会再次出现峰值，因此在处置过程中需做到规避形成次生风险，对外沟通过程中要做到前后一致，对外沟通言论和承诺必须要能够公之于众，在舆论导向尚不能有效控制时，谨慎使用自有媒体；四是建立联动处置机制，可考虑建立与股东、行业乃至监管部门的联动机制，联动一切力量及时解除风险。
参考文献：
[1] Philipp,S. Operational and reputational risk in the European banking industry:market reaction to operational risk events[J]. Journal of Economic Behavior & Organization. 2013,(2): 191-206.
[2]S.Fink．Crisis Management: Planning for the Inevitable[M]．New York: American Management Association，1989:123-124.
[3] Kasperson, R. E. et al., The Social Amplification of Risk: A Conceptual Framework[J]. Risk Analysis, 1988,8(2):177-191.
[4] Laureen,Regan.A.Framework for Integrating Reputation Risk into the Enterprise Risk Management Process[J]. Journal of Financial Transformation, 2008,01(22):187-194.
[5] Eckert,C. Corporate reputation and reputation risk: Definition and measurement from a (risk) management perspective[J]. The journal of risk finance. 2017,18(2):145-158.
[6]崔亚，谢志刚.保险行业声誉风险的成因与管控研究[J].保险研究，2014（17）：109-118.
[7]缪荣，茅宁.中国公司声誉测量指标构建的实证研究[J].南开管理评论，2007，10（1）：91-98.
[8]陈三三，孙卫东，朱进.新传媒环境下如何做好银行声誉风险管理[J].中国银行业，2018，（2）：65-67.
[9] 成俊会，李梅，全过程视角下社会化媒体用户舆情参与行为机制的实证研究[J].情报杂志，2022，（4）：111-118.
[10]冀淑慧.商业银行声誉风险预警系统构建刍议[J].浙江金融，2014，（4）：42-46.
[11]缪荣，茅宁.公司声誉概念的三个维度——基于企业利益相关者价值网络的分析[J].经济管理，2005，（6）：7-11
[12]方毅，陈煜之. 机器学习与线性模型在资产收益率预测中的比较［J］．统计与决策，2022，(16):180-183．
[13]张环.融媒体环境下我国商业银行声誉风险研究[D].兰州大学，2017.
[14] 赵龙文, 公荣涛等. 基于意见领袖参与行为的微博话题热度预测研究[J].情报杂志.2013，32（12）：42–46.
[15] 罗闯等. 突发事件网络舆情关注点演化研究——基于利益相关者视角[J].图书馆学研究，2018（16）：36-42.
[16] 曾润喜，徐晓林.网络舆情突发事件预警系统、指标与机制[J].情报杂志，2009，28（11）：52-54.
[17] 张克旭. 社交媒体在疫情危机风险传播中的核心作用与传播机制[J].新闻与传播评论，2020，73（3）：26-35.
[18] 李心合.面向可持续发展的利益相关者管理[J].当代财经，2001，（1）：66-70
[19] 中国银行业协会声誉风险管理专业委员会.中国商业银行声誉风险管理理论与实务[M].北京：中国金融出版社，2018：29-30.
[20]安璐等，基于主题一致性和情感支持的评论意见领袖识别方法研究[J].管理科学，2019，32（1）：3-13.
[21] 王晓慧.面向企业危机预警的反竞争情报需求分析[J].情报科学，2017，35（1）：47-50.
[22] 王冬燕．Logistic回归与决策树分类效能的ROC曲线比较［J］．智能计算机与应用，2014，4(5):34-36．
[23] 洪祥骏，赵婧，马征.券商监管与声誉价值:中国证券市场治理与企业并购绩效[J].经济评论，2020，（2）：86-105.
[24] 缪荣.公司声誉[M].北京：经济管理出版社，2013:26-27.
[25] 高贵武. 新媒体坏境下的主流媒体声誉管理刍议——基于利益相关者理论框架[J].网络传播研究，2017，（1）：142-156.
[26] 邱鸿峰. 环境风险的 社会放大与政府传播：再认识厦门事件[J].新闻与传播研究，2013，（8）：105-128.
[27]乔海曙. 金融企业声誉风险传导及效应研究[J].经济问题，2013，（9）：87-92.
