文/王敏燁 梁宏毅 夏 里 劉萬里（.中國科學(xué)技術(shù)大學(xué)管理學(xué)院；.廣汽本田汽車有限公司）

在當(dāng)前激烈的汽車市場競爭中，產(chǎn)品質(zhì)量的穩(wěn)定性和卓越表現(xiàn)是企業(yè)獲得市場競爭優(yōu)勢的重要因素之一。汽車產(chǎn)品質(zhì)量問題不僅會(huì)對司乘人員造成人身安全風(fēng)險(xiǎn)，也會(huì)對汽車制造企業(yè)和整個(gè)汽車產(chǎn)業(yè)鏈造成重要影響。產(chǎn)品召回是涉事汽車制造企業(yè)消除或者化解質(zhì)量問題的通用應(yīng)對策略，但在目前的召回管理過程中，汽車缺陷問題的判別還存在檢驗(yàn)過程時(shí)間長等問題，這也造成了汽車產(chǎn)品召回過程中企業(yè)響應(yīng)時(shí)間長、召回措施不夠徹底等現(xiàn)象。

隨著社會(huì)信息化水平的不斷提高，社交媒體平臺(tái)如微博、短視頻平臺(tái)等快速發(fā)展，消費(fèi)者可以通過多渠道在線發(fā)表信息，投訴產(chǎn)品缺陷和企業(yè)態(tài)度，或表達(dá)潛在購買意愿，并進(jìn)行二次或多次擴(kuò)散，從而形成召回輿情數(shù)據(jù)。產(chǎn)品價(jià)值最終是由市場來檢驗(yàn)的，海量的網(wǎng)絡(luò)輿情數(shù)據(jù)作為信息來源之一，可以及時(shí)反映市場對汽車召回事件的態(tài)度，在一定程度上反映了汽車產(chǎn)品在市場上的生存能力，對企業(yè)的市場戰(zhàn)略、產(chǎn)品設(shè)計(jì)和品牌形象等方面具有非常重要的作用。通過分析社交媒體平臺(tái)、新聞報(bào)道等多種數(shù)據(jù)來源，企業(yè)可以了解到消費(fèi)者對于品牌和產(chǎn)品的關(guān)注度、滿意度、投訴反饋等信息，及時(shí)發(fā)現(xiàn)潛在問題和產(chǎn)品質(zhì)量風(fēng)險(xiǎn)，調(diào)整市場策略和產(chǎn)品設(shè)計(jì)。

為此，本文以互聯(lián)網(wǎng)數(shù)據(jù)及科技資源數(shù)據(jù)挖掘?yàn)榛A(chǔ)，運(yùn)用情感傾向性分析技術(shù)和狄利克雷分配（LDA）主題模型算法，建立市場質(zhì)量表現(xiàn)綜合評價(jià)模型，為汽車行業(yè)相關(guān)企業(yè)提供針對性的產(chǎn)品和市場建議，發(fā)揮大數(shù)據(jù)對企業(yè)業(yè)務(wù)的賦能作用。該方法是基于數(shù)據(jù)驅(qū)動(dòng)的產(chǎn)品綜合評價(jià)模型，能夠解決產(chǎn)品評價(jià)要素單一且難以量化的問題。

一、當(dāng)前研究進(jìn)展

1.社交媒體數(shù)據(jù)

社交媒體的興起徹底改變了消費(fèi)者分享觀點(diǎn)的方式，每一位消費(fèi)者都可以通過社交媒體自由便捷地表達(dá)自己的感受和體驗(yàn)。因此，消費(fèi)者發(fā)布的社交媒體數(shù)據(jù)成為全面了解產(chǎn)品的關(guān)鍵信息來源之一。在競爭分析中，社交媒體數(shù)據(jù)提供了豐富的產(chǎn)品及競爭對手的信息，能夠幫助企業(yè)做出正確的管理決策。當(dāng)前，學(xué)術(shù)界已針對消費(fèi)者對于各種產(chǎn)品功能的情感傾向性，包括競爭對手生產(chǎn)的類似產(chǎn)品等做了較為深入的研究，特別是利用在線評論，基于情感分析和模糊集理論的方法對各類產(chǎn)品進(jìn)行排名。除競爭分析外，挖掘客戶需求并據(jù)此改進(jìn)產(chǎn)品設(shè)計(jì)也引起了相關(guān)學(xué)者的關(guān)注。目前已能夠通過文本分析等技術(shù)，估計(jì)某些句子屬于特定特征的概率，以挖掘需要改進(jìn)的工程特征。另外，社交媒體數(shù)據(jù)在服務(wù)質(zhì)量分析、票房預(yù)測、缺陷或事故預(yù)測等領(lǐng)域也顯現(xiàn)出重大價(jià)值。

2.文本挖掘技術(shù)

自然語言處理是計(jì)算機(jī)科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個(gè)重要方向，其可以將文本或語音形式的自然人類語言轉(zhuǎn)換為結(jié)構(gòu)化格式，以幫助計(jì)算機(jī)理解人類語言。

情感傾向性分析是指從文本數(shù)據(jù)中挖掘用戶態(tài)度相關(guān)信息。國內(nèi)外學(xué)者常用的情感傾向性分析方法有兩種，一是機(jī)器學(xué)習(xí)方法，二是基于情感詞典的方法。與機(jī)器學(xué)習(xí)方法相比，基于情感詞典的方法在處理在線社交媒體數(shù)據(jù)時(shí)更簡單快捷。

主題建模技術(shù)是指通過無監(jiān)督學(xué)習(xí)對語料庫的潛在語義結(jié)構(gòu)進(jìn)行聚類的統(tǒng)計(jì)模型，常用的是LDA 方法。LDA 是一種文檔主題生成模型，也稱為一個(gè)三層貝葉斯概率模型,包含詞、主題和文檔三層結(jié)構(gòu)，當(dāng)涉及語言歧義和噪聲數(shù)據(jù)時(shí)，適應(yīng)能力更強(qiáng)。

二、模型及方法

1.方法框架

為了更好地評估汽車市場質(zhì)量表現(xiàn)，本文提出了一個(gè)由情感傾向性分析和主題建模組成的研究框架。其中，情感傾向性分析是指基于情感值的計(jì)算來判斷文本數(shù)據(jù)的情感傾向的過程，本文采用基于詞典的情感傾向性分析方法，該方法資源消耗少且時(shí)間效率高。在主題建模的過程中，考慮到輿情數(shù)據(jù)主要源自社交媒體平臺(tái)，往往具有體量大、內(nèi)容雜的特點(diǎn)，本文使用LDA 模型挖掘輿情數(shù)據(jù)中潛在的主題和關(guān)鍵信息。

評價(jià)模型主要包括四個(gè)步驟：

（1）從抖音、微博、各大新聞網(wǎng)站等來源收集2001年6 月7 日至2022 年12 月26 日期間與某品牌汽車召回相關(guān)的文本信息。

（2）對收集的原始信息進(jìn)行人工去噪、數(shù)據(jù)清洗、分詞。

（3）基于詞典的情感計(jì)算方法得到文本的情感值。

（4）根據(jù)情感值計(jì)算結(jié)果，將文本數(shù)據(jù)分為消極數(shù)據(jù)（情感值小于0）和非消極數(shù)據(jù)（情感值大于或等于0），通過基于LDA 模型的主題建模，提取輿情數(shù)據(jù)的主要主題。

2.數(shù)據(jù)收集及預(yù)處理

本文共獲得2706 條原始文本數(shù)據(jù)。按照人工數(shù)據(jù)清洗標(biāo)準(zhǔn)對數(shù)據(jù)進(jìn)行進(jìn)一步篩選：第一，刪除不相關(guān)的數(shù)據(jù)，包括廣告、娛樂新聞等一些包含關(guān)鍵詞但實(shí)際上無關(guān)的數(shù)據(jù)，主要涉及來源于抖音和微博的數(shù)據(jù)；第二，從數(shù)據(jù)中刪除圖像、表情符號和視頻鏈接等非結(jié)構(gòu)化的文本信息；第三，刪除數(shù)據(jù)結(jié)尾可能出現(xiàn)的不完整句子，以免后續(xù)分析出現(xiàn)歧義和非必要誤差；第四，刪除無法由代碼實(shí)現(xiàn)清洗的無意義句子、短語的數(shù)據(jù)，如社交平臺(tái)數(shù)據(jù)常涉及的較明顯的亂碼和外文等。經(jīng)過篩選，共獲得2035 條去噪聲文本數(shù)據(jù)，其中各個(gè)來源的具體數(shù)據(jù)體量如表1 所示。

表1 原始數(shù)據(jù)及去噪聲數(shù)據(jù)的數(shù)量統(tǒng)計(jì)表

最后，需要對去噪聲文本數(shù)據(jù)做進(jìn)一步處理，包括數(shù)據(jù)清洗和分詞。通過Python 3.9.13 中的Re 模塊進(jìn)行數(shù)據(jù)清理，從預(yù)處理后數(shù)據(jù)中繼續(xù)刪除無用的信息，包括標(biāo)點(diǎn)符號、用戶名等。獲得較為干凈的數(shù)據(jù)之后，由于計(jì)算機(jī)不能直接識別非結(jié)構(gòu)化數(shù)據(jù)，因此要對文本數(shù)據(jù)進(jìn)行情感傾向性分類只能通過先識別數(shù)據(jù)中的一個(gè)個(gè)詞語，故需要對文本數(shù)據(jù)進(jìn)行分詞。

3.情感傾向性分析

基于詞典（語義傾向）的情感傾向性分析方法是遍歷分詞文本，根據(jù)構(gòu)建的情感詞典分別與分詞文本進(jìn)行匹配，判斷文本數(shù)據(jù)的情感傾向性。若通過分別統(tǒng)計(jì)和比較正面情感詞和負(fù)面情感詞的個(gè)數(shù)，以判斷文本數(shù)據(jù)的情感極性，則稱為情感詞典二分類。為了更好地量化情感傾向，本文使用更細(xì)化的情感詞典法，情感傾向由三類詞共同決定，即情感詞（表示積極或消極情緒的詞，如羨慕、偏愛、不安、差）、程度詞（表示加強(qiáng)或削弱態(tài)度詞強(qiáng)度的詞，如輕微、非常、大多數(shù)）和否定詞（表示扭轉(zhuǎn)態(tài)度詞情感極性的詞，如不、沒有、無）。本文采用知網(wǎng)Hownet 情感詞典等現(xiàn)有詞典，并根據(jù)收集的輿情數(shù)據(jù)添加了汽車召回領(lǐng)域的特有情感詞匯，最后獲得了包含8087 個(gè)積極詞匯和12131 個(gè)消極詞匯的情感詞詞典，包含211 個(gè)詞匯的程度詞詞典和包含69 個(gè)詞匯的否定詞詞典。

為了計(jì)算每條文本數(shù)據(jù)的情感值，需要對三類詞進(jìn)行賦值，分別將積極情感詞、消極情感詞和否定性詞匯賦值為1、-1 和-1，如表2 所示。按照知網(wǎng)情感詞典，程度詞詞典將含有的程度詞分為insufficiently（欠、不）、ish（稍、一點(diǎn)點(diǎn)）、more（更多、更）、very（很、非常）、over（過多、多分、多）和most（最高）六個(gè)情感程度詞典，并相應(yīng)地賦值為0.25、0.5、1.25、1.5、1.75 和2.0。

表2 情感值的計(jì)算規(guī)則和示例

4.主題建模

LDA 模型的基本思路是：在一篇文檔中可能包含多個(gè)主題，意味著一個(gè)主題會(huì)在多個(gè)文檔中出現(xiàn)，但出現(xiàn)在每篇文檔的概率有所差別。而對每個(gè)主題來說，會(huì)包含多個(gè)關(guān)鍵詞，同一個(gè)關(guān)鍵詞也會(huì)在多個(gè)主題中出現(xiàn)，但出現(xiàn)在每個(gè)主題的概率有所差別。因此主題模型認(rèn)為，主題是以一定的概率選擇了文檔，二者之間應(yīng)當(dāng)對應(yīng)一個(gè)概率分布；同理，關(guān)鍵詞也是以一定的概率選擇了某個(gè)主題，此二者之間也應(yīng)當(dāng)對應(yīng)一個(gè)概率分布。

本文LDA 主題建模是通過調(diào)用Python 的自然語言處理庫Genism 實(shí)現(xiàn)的。首先，根據(jù)百度停用詞表、哈爾濱工業(yè)大學(xué)停用詞表、四川大學(xué)機(jī)器智能實(shí)驗(yàn)室停用詞表三種常用的停用詞表，對預(yù)處理后的輿情數(shù)據(jù)進(jìn)行去無意義詞的再處理。其中，為了避免有價(jià)值的情感信息被刪除，根據(jù)研究對象對三個(gè)停用詞表進(jìn)行結(jié)合并修改。其次，根據(jù)分詞結(jié)果構(gòu)建語料庫，形成稀疏向量，其中本文使用了Jieba 分詞精確模式，即試圖將句子最精確地切開，該方法最適合文本分析。然后，對模型進(jìn)行訓(xùn)練，在適當(dāng)?shù)牡螖?shù)下，保證LDA模型收斂而又不過于擬合，最后根據(jù)主題一致性的計(jì)算確定最優(yōu)主題數(shù)。

三、結(jié)果與分析

1.情感傾向結(jié)果分析

根據(jù)上文構(gòu)造的情感詞典和情感值計(jì)算規(guī)則，對抖音、微博、新聞的數(shù)據(jù)分別進(jìn)行情感傾向性分析，結(jié)果統(tǒng)計(jì)如表3 所示。

表3 情感傾向性分析結(jié)果統(tǒng)計(jì)

由表3 可知，有效分析數(shù)據(jù)中約60%來自微博，新浪微博作為我國的主流社交媒體平臺(tái)之一，2022 年9 月其月活躍用戶達(dá)到5.84 億，平均日活躍用戶為2.53 億。而據(jù)抖音發(fā)布的數(shù)據(jù)，截至2022 年9 月其月活躍用戶高達(dá)7.06 億（不包含抖音極速版）。僅從月活躍用戶數(shù)量來看，抖音的熱度高于微博，但從研究輿情的角度來說，抖音作為一個(gè)以短視頻為主的平臺(tái)，用戶群體年齡相對年輕，視頻內(nèi)容多為娛樂趣味性質(zhì)的，而微博則是以文本內(nèi)容為主的社交媒體平臺(tái)，除圖片、視頻外，還可以發(fā)布純文本內(nèi)容，更加多樣化，用戶群體年齡跨度也相對更廣。因此，在收集到的輿情數(shù)據(jù)數(shù)量上，兩者呈現(xiàn)出較大差異。此外，新聞平臺(tái)的數(shù)據(jù)往往具有措辭客觀、篇幅較長、風(fēng)格嚴(yán)肅的特點(diǎn)，根據(jù)觀察，本文收集到的新聞?lì)愓臄?shù)據(jù)主要集中在媒體對于企業(yè)發(fā)布召回公告的解說與剖析上，而非客戶群體自發(fā)性地對汽車質(zhì)量表現(xiàn)的評價(jià)，因此在數(shù)據(jù)的數(shù)量上并不突出。

另外，從輿情數(shù)據(jù)的情感傾向性來看，抖音、微博、新聞數(shù)據(jù)皆呈現(xiàn)出消極情感數(shù)據(jù)多于非消極情感數(shù)據(jù)的特點(diǎn)。其中，抖音的兩類情感傾向數(shù)據(jù)數(shù)量相當(dāng)，而微博和新聞則是消極情感數(shù)據(jù)占比較大，遠(yuǎn)超非消極情感數(shù)據(jù)?？紤]到輿情分析往往是為了更好地改善產(chǎn)品性能，從而提高企業(yè)利潤，應(yīng)重點(diǎn)關(guān)注消極情感數(shù)據(jù)，挖掘潛在原因。

此外，本文將各平臺(tái)的數(shù)據(jù)按年為單位統(tǒng)計(jì)發(fā)文量，并計(jì)算平均情感值，如圖1 所示。抖音和微博的2001 年至2017 年期間的數(shù)據(jù)缺失，而新聞平臺(tái)的發(fā)文量也較少，年發(fā)文量不超過20 條。2018 年至2022年期間，新聞平臺(tái)在2018 年達(dá)到發(fā)文量峰值，而抖音和微博的發(fā)文量分別呈現(xiàn)出穩(wěn)定增長和先增后減的趨勢。就平均情感值而言，所有輿情數(shù)據(jù)的平均值皆小于0，即為消極情緒，其中新聞數(shù)據(jù)的平均情感值波動(dòng)較大，其絕對值遠(yuǎn)大于其他兩個(gè)平臺(tái)，這是因?yàn)樾侣剶?shù)據(jù)篇幅長、內(nèi)容詳盡，對于汽車故障的表述更細(xì)致，從而涉及了更多的消極情感詞。2018 年至2022年期間，三個(gè)平臺(tái)的平均情感值變化趨勢大致相似，在2020 年達(dá)到局部谷值。

圖1 2001—2022 年各平臺(tái)發(fā)文量和平均情感值趨勢圖

根據(jù)圖1 中折線變化趨勢，本文對幾個(gè)特別的點(diǎn)進(jìn)行了數(shù)據(jù)溯源。在2006 年，新聞平臺(tái)報(bào)告內(nèi)容主要集中在某企業(yè)根據(jù)《缺陷汽車產(chǎn)品召回管理規(guī)定》分別于2006 年6 月和2006 年10 月向國家質(zhì)檢總局遞交召回報(bào)告，短短四個(gè)月內(nèi)就對旗下主力車型實(shí)施了兩次召回，涉及車輛數(shù)量較大，引發(fā)了各方新聞媒體的廣泛關(guān)注。2014 年下半年，某車企因供應(yīng)商導(dǎo)致的輔助安全系統(tǒng)故障召回部分車型，同時(shí)因相關(guān)缺陷事故陷入輿論風(fēng)波。

2019 年，部分車型再次因輔助安全系統(tǒng)故障被召回，前半年，該事件在微博引起了熱烈討論，而后半年微博的討論轉(zhuǎn)為驅(qū)動(dòng)系統(tǒng)兩大故障事件。與此同時(shí)，新聞平臺(tái)全年都集中于多起驅(qū)動(dòng)系統(tǒng)故障召回事件，抖音的討論更集中，主要是圍繞某一具體車型的某一驅(qū)動(dòng)系統(tǒng)故障。

2020 年，新聞報(bào)道大部分是關(guān)于某汽車企業(yè)宣布召回發(fā)動(dòng)機(jī)燃油供給系統(tǒng)故障車輛，召回?cái)?shù)量多，車型涵蓋范圍廣。此次召回事件過程中，除發(fā)動(dòng)機(jī)燃油供給系統(tǒng)故障外，抖音部分用戶還集中討論了某車型因汽車行駛系統(tǒng)故障而被內(nèi)部召回，以及軟件問題引發(fā)的召回。而微博則對于前述輔助安全系統(tǒng)故障全年討論熱度不減，持續(xù)發(fā)酵。

2.LDA 主題建模結(jié)果分析

本文分別以抖音、微博、新聞的消極情感數(shù)據(jù)及非消極情感數(shù)據(jù)為輸入，運(yùn)用LDA 主題模型進(jìn)行潛在主題的挖掘。以抖音的消極數(shù)據(jù)為例，其主題數(shù)與一致性得分之間的關(guān)系如圖2 所示。由圖2 可見，當(dāng)主題數(shù)為5 時(shí)，模型一致性得分最高，主題內(nèi)各詞語的相似性最高。

圖2 主題數(shù)目與一致性得分之間的關(guān)系

從LDA 主題建模的結(jié)果詞表中可以看出，就消極情感數(shù)據(jù)而言，微博消極情感數(shù)據(jù)涉及的主題內(nèi)容最集中，新聞次之，抖音的消極情感數(shù)據(jù)主題內(nèi)容較豐富。微博近年來關(guān)于召回事件的討論主要是圍繞輔助安全系統(tǒng)故障展開的，涉及日本、美國、中國等多個(gè)國家。而新聞消極情感數(shù)據(jù)除了輔助安全系統(tǒng)故障之外，還涉及了部分關(guān)于驅(qū)動(dòng)系統(tǒng)故障的討論。抖音平臺(tái)關(guān)于輔助安全系統(tǒng)故障的討論熱度較低，并未在LDA 主題建模結(jié)果中體現(xiàn)，用戶對于熱門車型的各類驅(qū)動(dòng)系統(tǒng)故障包括發(fā)動(dòng)機(jī)燃油供給系統(tǒng)故障等進(jìn)行了熱烈討論。此外，從抖音詞表中可以看出，相關(guān)車型的銷量因“回爐”受到影響。

就非消極情感數(shù)據(jù)而言，抖音、微博和新聞的關(guān)注點(diǎn)也各有側(cè)重。其中，從詞表中可以明顯觀察到抖音的輿情數(shù)據(jù)提及了較多具體的車型名稱，主要是將多個(gè)品牌旗下SUV 車型進(jìn)行對比，或?qū)⑼黄嚻髽I(yè)旗下的各個(gè)車型進(jìn)行比較。用戶往往特別關(guān)注其質(zhì)量、駕駛舒適度、油耗等區(qū)別，多以汽車知識分享、選購信息求助為目的。與抖音不同，微博的非消極情感數(shù)據(jù)多次出現(xiàn)某具體車型，主要為對于企業(yè)對該車型召回計(jì)劃的討論，表達(dá)公眾對企業(yè)就汽車質(zhì)量問題提供的解決方案的認(rèn)可。類似地，新聞非消極情感數(shù)據(jù)的討論內(nèi)容較為集中，多次提到另一具體車型，媒體報(bào)道了在召回事件的影響下中國市場銷量的變化、企業(yè)的應(yīng)對方案及消費(fèi)者對此的態(tài)度。2018 年，某企業(yè)因驅(qū)動(dòng)系統(tǒng)故障問題，一系列熱銷車型接連被召回，搭載同一驅(qū)動(dòng)系統(tǒng)零部件的新款車型難免讓人望而卻步，但緊要關(guān)頭，相關(guān)企業(yè)推出了另一全新混動(dòng)車型，搭載全新升級的驅(qū)動(dòng)系統(tǒng)零部件，讓消費(fèi)者減少了對于該品牌汽車驅(qū)動(dòng)系統(tǒng)問題的擔(dān)憂，因此反響較好。

四、總結(jié)與建議

大數(shù)據(jù)時(shí)代，網(wǎng)絡(luò)輿情信息作為重要的數(shù)據(jù)來源，其數(shù)據(jù)量及價(jià)值已經(jīng)在各行各業(yè)有所體現(xiàn)，基于互聯(lián)網(wǎng)大數(shù)據(jù)的社會(huì)新生態(tài)系統(tǒng)正在逐步形成。作為研究汽車召回缺陷的輔助信息來源，輿情數(shù)據(jù)可以客觀地反映出汽車市場質(zhì)量表現(xiàn)及消費(fèi)者對品牌的態(tài)度。本文旨在通過自然語言處理方法，基于用戶評價(jià)的語料庫建立汽車產(chǎn)品綜合評價(jià)模型。首先，運(yùn)用情感傾向性分析技術(shù)快速準(zhǔn)確地識別輿情文本數(shù)據(jù)中蘊(yùn)含的用戶情緒，按照情感傾向?qū)Ρ疚臄?shù)據(jù)進(jìn)行分類，并從時(shí)間維度對發(fā)文量、平均情感值進(jìn)行分析，挖掘用戶情緒波動(dòng)背后的原因。其次，進(jìn)一步挖掘不同平臺(tái)來源的輿情數(shù)據(jù)潛在的主題信息，重點(diǎn)比較各平臺(tái)用戶關(guān)注點(diǎn)之間的差異，為企業(yè)的產(chǎn)品升級、品牌公關(guān)等提供建議。研究的具體總結(jié)和建議如下：

（1）本文構(gòu)建的模型有效識別出了汽車缺陷相關(guān)事件中熱度較高、波及范圍較廣的若干事件，情感傾向性分析結(jié)果和LDA 主題建模挖掘的信息具有一定程度上的統(tǒng)一性、對應(yīng)性，無不相關(guān)的噪聲信息輸出，驗(yàn)證了本文數(shù)據(jù)收集及預(yù)處理的有效性，說明了所構(gòu)建模型的可靠性。

（2）為了針對性地制定應(yīng)對策略，企業(yè)自身首先需要客觀評估召回事件對品牌形象、銷售業(yè)績等方面的影響；其次要及時(shí)關(guān)注輿情動(dòng)態(tài)，建立公開透明機(jī)制，快速回應(yīng)用戶關(guān)切，對虛假、惡意信息進(jìn)行澄清，并對確實(shí)存在的問題給出實(shí)際的解決方案，以避免輿情進(jìn)一步升級。如果召回事件引起了大范圍的不良輿情，需要做好危機(jī)公關(guān)，對不同程度的危機(jī)事件做出分級別的危機(jī)管理計(jì)劃，在保證客觀真實(shí)的前提下，積極回應(yīng)媒體和用戶的質(zhì)疑，盡可能地減輕事件對品牌的負(fù)面影響。最后，作為企業(yè)，提高產(chǎn)品質(zhì)量是防范類似召回事件的最佳方式，汽車企業(yè)應(yīng)該加強(qiáng)對產(chǎn)品質(zhì)量的管控，建立完善的品質(zhì)管理體系，加強(qiáng)與供應(yīng)商的合作與溝通，持續(xù)提升產(chǎn)品質(zhì)量。尤其是要確保在汽車產(chǎn)品升級后不再出現(xiàn)類似問題，同一原因的零部件故障導(dǎo)致多年來多次同樣的汽車故障及召回會(huì)引發(fā)消費(fèi)者強(qiáng)烈不滿情緒，從而導(dǎo)致社交媒體對相關(guān)事件的討論熱度不減，消費(fèi)者對品牌的信任度大打折扣，同時(shí)也導(dǎo)致了潛在消費(fèi)者的流失。

（3）輿情數(shù)據(jù)具有多源性的特點(diǎn)。通過本文的研究發(fā)現(xiàn)，各平臺(tái)的用戶群體、運(yùn)作機(jī)制的不同會(huì)導(dǎo)致其輿情動(dòng)態(tài)的差異性。針對不同的平臺(tái)，企業(yè)應(yīng)采取不同的應(yīng)對措施。針對新聞媒體平臺(tái)，可以采用傳統(tǒng)的公關(guān)和媒體關(guān)系管理方式，及時(shí)向公眾傳遞企業(yè)的動(dòng)態(tài)和信息；針對社交媒體平臺(tái)，可以加強(qiáng)社交媒體管理，建立專門的社交媒體管理團(tuán)隊(duì)，官方賬號應(yīng)快速回應(yīng)用戶的投訴和反饋，及時(shí)處理問題，同時(shí)結(jié)合熱點(diǎn)話題推出相關(guān)的互動(dòng)營銷活動(dòng)。進(jìn)一步細(xì)分以短視頻為主和以圖文為主的兩大類國內(nèi)主流社交媒體平臺(tái)，以短視頻為主要形式的社交媒體平臺(tái)注重用戶對視頻內(nèi)容的短時(shí)間瀏覽和快速判斷，其內(nèi)容通常會(huì)受到算法的推薦和分發(fā)。因此，汽車企業(yè)可以在此類平臺(tái)上制作一些有趣、生動(dòng)、易于理解的短視頻，直觀地展示召回事件的處理進(jìn)展和解決方案，并通過互動(dòng)形式吸引用戶的關(guān)注和參與，增加用戶的信任和滿意度。此外，企業(yè)還可以在此類平臺(tái)上開展互動(dòng)營銷活動(dòng)，例如開展汽車知識分享、車型對比等，如本文LDA 主題建模結(jié)果所示，現(xiàn)下已有部分賬號自發(fā)地將多個(gè)品牌的相似車型進(jìn)行比較，企業(yè)可以考慮適當(dāng)?shù)淖悦襟w關(guān)系管理方式，增加品牌宣傳。相對于以短視頻為主要形式的社交媒體平臺(tái)，以圖文為主的社交媒體平臺(tái)更注重用戶的互動(dòng)和分享，用戶更注重內(nèi)容的深度和質(zhì)量、品牌的公信力和透明度。因此，企業(yè)可以在此類社交媒體平臺(tái)上發(fā)布一些詳細(xì)的召回事件說明和處理進(jìn)展，及時(shí)回應(yīng)用戶的質(zhì)疑和問題，加強(qiáng)品牌的公信力和透明度，避免輿情進(jìn)一步升級。