面向应急管理的金融突发事件事理知识图谱构建与分析研究

刘政昊 曾 曦 张志剑

(1.武汉大学信息管理学院,武汉,430072; 2.武汉大学大数据研究院,武汉,430072; 3.武汉大学信息资源研究中心,武汉,430072)

1 引言

近年来，随着经济全球化进程的加速，金融系统的风险敞口也日益增大，各种金融突发事件层出不穷[1]， 并进一步动态演化[2]。 习近平总书记在党的十九大报告中指出，打好防范化解重大风险攻坚战，重点是防控金融风险[3]。 金融突发事件本质是系统性金融风险积累到一定程度并恶化外向表现的危险形式[4]，一旦应对分析处置不当可能会导致风险级联放大效应的产生，引发金融市场大幅震荡、货币大幅贬值、国民经济衰退等严重后果。 因此，及时发现和分析金融突发事件及其演化机理，并加快建立和完善金融机构突发事件应急管理体系，对于及时开展风险管控和应急管理工作、维护金融市场的稳定具有重大作用。

当前，我国关于金融突发事件演化分析及其应急管理的研究仍处于探索阶段，研究内容大多聚焦于国内外突发公共事件对金融市场的影响[5-8]或针对特定的金融突发事件进行风险案例分析与经验总结[9-13]。 然而大数据背景下，传统以专家为主的突发事件分析与决策难以处理海量的数据，现有研究未能从数据驱动的视角对事件演化机理进行研讨，尚未建立起较为成熟的系统性与全局性研究体系。 另外，突发事件涉及的主体和影响因素众多、事件衍生和次生性明显且演化机理复杂，导致常规的应急管理措施正面临严峻的挑战和压力。 因而，如何运用合理有效的方法发现分析金融突发事件的演化机理成为了学术界关注的焦点。 鉴于此，本研究以知识驱动的事件关联与演化为切入点，在借鉴突发事件应急管理方法的基础上，利用融合客观知识与事理逻辑的“事理知识图谱”，探讨分析金融市场突发事件的发展演化规律，并对建立金融突发事件的应对措施和应急管理体系提供相应的对策与建议，从而为金融突发事件建模、分析与全流程管理提供新的研究视角和方法。

2 相关研究

《国家金融突发事件应急预案》规定，金融突发事件是指突然发生的、无法预期或难以预期的、严重影响或可能影响金融稳定、需要立即处置的事件[14]；而金融应急管理主要关注风险成因、演化与传导路径及其对金融业及经济社会造成的损失，以便及时提供合理的应急措施与金融服务[15]。 目前关于金融突发事件及其应急管理的相关研究并不多见，早期研究多从宏观视角出发，重点研究各类突发事件发生后金融行业的应急管理机制[11,16-17]，但并未关注金融突发事件本身。 突发事件应急管理是一项系统工程[18]，要实现有效应对突发事件，将损失减到最小，首先需要对突发事件及其演化机理等有充分认识[19]。 李纲等[20]认为，突发事件演化问题的核心在于利用关联性对其动态特征的捕捉和分析，这种关联关系意味着网络分析与社会管理存在结合。 重大金融突发事件作为一种客观现象，各要素间具有丰富的逻辑链条，在事件的动态演化分析中引入具有关联特性的网络结构，能够清晰地刻画突发事件的关联逻辑及其演化过程，挖掘突发事件驱动传导链路，便于事后总结规律与管理预案建设。 近年来提出的“事理图谱（Event Logical Graph）”作为一种以“事件”为描述核心、揭示事件之间的演化逻辑关系的复杂网络数据存储和可视化技术，在面向突发事件的演化分析与应急管理中具有明显的优势。

事理图谱这一概念最早由刘挺教授在2017年中国计算机大会上提出，与知识图谱（Knowledge Graph）相比，事理图谱更注重对事件之间顺承关系、因果关系、条件关系和上下位等事理逻辑的刻画[21]，知识图谱回答的是“是什么”的问题，而以“事”为核心的事理图谱回答的是“为什么”的问题，因而事理图谱不仅可以帮助人们快速掌握事件的变化方向，还有助于挖掘事件的发展规律，判断事件的未来发展情况。 近年来，国内外关于事理图谱的研究方兴未艾，如Li等[22]和Yang等[23]构建了事件演化图（Event Evolutionary Graph，EEG），用以揭示事件间的演化模式和发展逻辑；寥阔[24]运用端到端的事件因果关系抽取、常识信息增强的事件表示学习以及数据驱动的因果关系强度计算等关键技术，构建了面向金融领域的事理图谱；国内学者夏立新等[25]以“奔驰女车主维权”事件为例，对微博舆情的热度与演化路径进行分析，并通过事件抽取技术抽取舆情子事件，完成事理图谱构建同时生成可视化时间摘要；单晓红[26]、庞世红等[27]则基于构建的抽象事理图谱，依据事件演化方向和概率大小，实现对网络舆情事件的演化路径分析和预测。

可见，事理图谱的构建方法已较为成熟，并在针对网络舆情的演化分析中得到了较好的应用，但“事件”与“舆情”二者存在一定的区别。“舆情”文本相较于“事件”文本规范性较差、价值稀疏性更为明显，但逻辑简单、易于识别与抽取；而“事件”文本中则包含着施事者、受事者等要素和角色信息，事件间的关联更为复杂。 由于金融领域的特殊性和金融突发事件的高度不确定性与复杂性，导致其给金融市场带来的冲击效果与风险因子也具有高度不确定性，很多风险因子隐藏在事件的其他关联信息之中，仅依赖事理图谱分析突发事件的演化并不能从更深层次揭示事件背后涉事主体间的关联特征与传导效应，因而也就无法有针对性地开展风险预警和应急管理。

针对上述问题，本文将静态知识与事理逻辑相结合，构建双层结构的“事理知识图谱（Knowledge Graph with Event Logical,KGEL）”，从事件演化和风险主体关联两个角度解决金融突发事件的演化分析，以进一步增强分析视角的多元性和分析结果的有效性，从而帮助相关企业或金融机构更有针对性地开展风险决策与应急管理工作。

3 金融突发事件事理知识图谱构建方法

3.1 事理知识图谱的提出

事理知识图谱本质上是一种双层图结构，在事件层以“事件”为单位对金融突发事件的演化关系进行描述，同时在实体层又能够反映涉事主体间存在的复杂关联，因而功能更加强大。 图1展示了面向金融突发事件的事理知识图谱结构，其节点主要包含以企业和金融机构为核心的知识节点和以具体的突发事件为核心的事件节点；关系则包含了实体间的分类关联关系、事件间的演化关联关系以及事件和涉事主体间的级联映射关系。

图1 金融突发事件事理知识图谱结构

表1 展示了知识图谱、事理图谱与事理知识图谱的区别。 从直观上来看，传统的知识图谱由于没有事件上下文的因果、顺承等逻辑关联，因而缺乏事物之间动态特征的刻画；而事理图谱因为仅包含了事件，在进行推理时带入了很多先入为主的处理，难以规模化也不够智能化；事理知识图谱则融合了客观知识和事理逻辑，能够提供一个基于多模式知识关联的逻辑推理框架，这是目前其他技术所不具备的能力。

表1 知识图谱、事理图谱与事理知识图谱的对比

3.2 模式层金融突发事件本体构建

本体（Ontology）作为对特定领域概念及其相互之间关系的形式化和规范化的表达，是模式层构建的主要依据[28]。 事件本体（Event Ontology）表示模型作为特殊的领域本体，以事件为认知单元，可以事先确定事件的要素框架以及事件论元角色、不同事件之间的因果关系等事件要素，使得事件能够通过规范、统一的组织模式进行表征，更符合现实世界的存在规律和人类对现实世界的认知规律[29]。

本文在复用SEM（Simple Event Model）[30]、ABC Ontology[31]等事件本体模型的同时，还借鉴唐旭丽等[32]对金融静态本体和动态本体构建思路，构建了具有动态知识表征能力的金融突发事件本体（Financial Emergency Ontology，FEO），在面向金融突发事件的知识建模过程中，研究复用了美国企业数据管理委员会主导、通过众包方式构建的金融全领域静态实体（Financial Industry Business Ontology，FIBO）[33]，从中抽取相应的金融实体，如时间、机构、自主实体及事件等，与立足于突发的风险事件的风险动态本体相结合（如图2所示），有利于形成内部的知识关联。

图2 金融突发事件本体构建过程中的重用本体

金融突发事件类（Financial Emergency Class）是具有共同特征的突发事件的集合。 根据《国家金融突发事件应急预案》对金融突发事件的分类原则，可将金融突发事件的引发类型总结为由公共事件引发、由外部冲击引发等七类；从事件演化的角度来看，任何突发事件都有从发生、发展到减缓的不同阶段，根据这一特点，又可将金融突发事件划分为不同的生命周期，一般可分为预警期、爆发期、缓解期和善后期四大类。 此外，根据突发事件的“情景-应对”处理方式[34]，金融突发事件发生后需要积极开展应急管理，计雷等[18]将应急管理体系视为一个复杂系统，并包含监测预警、指挥调度、处置实施、资源保障和决策辅助五大类。 金融突发事件类的结构层次如图3所示。

图3 金融突发事件类的结构层次

金融突发事件对象类（Financial Emergency Object Class）可以被理解为具有共同特征的事件参与对象及其所在环境的集合。 事件对象可以分为事件主体和事件客体，用于描述金融市场客观事实与知识。 事件参与对象所在的环境主要包括地形、地貌、大气、生物等自然环境和金融行业环境、货币与资本市场的发行交易环境、金融监管环境等复杂的社会环境。

类之间的关系主要包括金融突发事件类之间的关系、事件类与事件对象类之间的关系以及事件及事件环境间存在的复杂社会关系，如交易关系、服务关系、监管关系、信用关系雇佣关系等。 除了对实体的属性和属性值进行约束，还需要制定一些约束条件来消除知识库的不一致。 如为某些实体定义“唯一性”、“传递性”等约束条件。

模式层构建的金融突发事件本体是对金融突发事件知识领域通用化、共享型概念模型的规范化、形式化表达，可以重用已有事件本体的基础性概念模型和知识结构，并使突发事件能够通过统一的组织模式进行表征。 该本体将作为种子本体，并借由后续挖掘分析实现本体的概念扩充和增量更新。

3.3 事件抽取

3.3.1 事件要素抽取

事件要素抽取是事件抽取的核心任务，旨在根据事件表示框架，从文本中抽取事件类型和对应的事件主体。 研究采用基于混合模型的序列标注方法，将输入的金融事件语句转化为由标注标签组成的序列。 在模型选择中，结合了具有动态词表示能力的金融领域预训练模型FinBERT、可加入触发词信息编码的Bi-LSTM 以及具有全局特征约束效果的CRF结构，整体架构如图4 所示。 其中，FinBERT 层的主要目标是从输入文本中提取出丰富的语义信息;Bi-LSTM 分别从正序和逆序两个方向对加入了触发词位置信息的文本进行学习，并将对应的预测标签信息传入到CRF层中;CRF 层作为事件序列语句的全局特征约束方法，根据之前提取到的语义和句法特征，形成对整个输入序列的特征约束，用于判断输出标签预测值中最合理的一组。

图4 基于FinBERT+Bi-LSTM+CRF的实体标注模型

通过抽取识别财经资讯中的事件要素，可以形成“事件-实体”级联关联的异构图谱，更加细化了金融突发事件的表示粒度，并增加了图谱放缩的灵活性，以适应突发事件演化分析、关联风险主体识别及后续的应急管理等多种场景。

3.3.2 实体关系抽取

在实际的抽取任务中，由于每一类事件可能涉及到的不同主体，因而各实体间的关系也较为多元。 研究在对金融事件分类的基础上，对部分关系进行了预定义，如表2所示。

表2 各类型金融事件预定义关系表

其中，企业的行业属性和地区属性由深圳证券信息有限公司提供；涉及金额和人数的关系属性由抽取到的数量词（NUM）清洗后建立，关系名称则取决于事件的类型和触发词。 如“贵人鸟通过自查获悉公司部分银行账户冻结的情况，累计被冻结金额为90.94万元。 上述冻结原因主要系公司未能按期兑付‘14 贵人鸟’债券本息，部分‘14 贵人鸟’债券持有人向司法机关提出财产保全申请。”这一事件属于突发的股权变更事件，抽取的触发词为“冻结”，因此可以断定“贵人鸟”这一实体与“90.94万元”的关系为“股权冻结金额”。

对于不便于预先定义的关系则转化为开放域关系抽取问题。 研究借助LTP自然语言处理工具，运用依存句法分析（Dependency Parsing），根据词性及词间的位置关系判断句中各成分的语法依存关系，并设置相应的抽取规则，当以谓词为代表的关系中含有论元时，提取有效的语义三元组；后将表义模糊的实体和非表意关系进行人工剔除、对相似关系进行合并，最终保留能够与事件元素抽取结果相对应的实体及其语义关联关系。

3.4 事件因果关系抽取

事件并非孤立存在的，事件之间往往存在某种语义上的关联。 其中，因果关系是一类重要的语义关系，表明了事件之间在时序上的先后顺序以及引起与被引起的关系。 桑勇[35]认为，在现实中，突发事件是以原发事件为起始点、处理结果为终点的一系列因果事件链。 相较于一般的顺承关系，因果关系强调事件演化的本质规律，从而避免了事件偶然共现带来的噪声。 利用突发事件之间的因果关系，可以将各事件本身直接关联，形成除主题关联、时序关联外的新关联模式，对于理清金融突发事件发展和演化脉络具有非常重要的作用。

本文参考Qiu等[36]对抽取规则的设计方案，基于设计的因果连词库、结果词库和因果模式规则库，利用LTP 平台实现金融突发事件的因果对抽取，触发词词库与抽取规则如表3所示。 在抽取结果基础之上，又进行了清洗规则的制定，如删除字数少于8 个字的和表意不完整的因事件/果事件，补充指代不明的因事件/果事件等，以保证抽取出来的句子在具有因果语义关系的同时符合一定的表述规范。

表3 事件因果抽取规则表

续表3

3.5 事件泛化

在实际的抽取过程中，由于具体事件往往是非常稀疏的，抽取出的两个因果对中包含完全相同事件的可能性非常小，难以将因果对连接成稠密的网络。 因此，需要对抽取出的具体事件进行抽象和泛化，从具体事件间的因果上升到抽象事件间的因果，从而发现更为一般的因果逻辑演化规律。 事件泛化是指将具有相近语义的事件概括为同一事件，研究采用node2vec算法将事件向量化，将维度设为60，以获取事件的低维分布式向量表示。 而后选择余弦相似度算法度量事件的相似性，将相似度高于0.8的事件划归为同一类事件，并结合kmeans聚类算法进一步完成事件类簇的划分。

4 实证研究

4.1 数据来源与处理

4.1.1 金融事件语料的获取

新闻是对近期发生事实的客观报道，是承载事件的载体，因而各类财经新闻网站是金融突发事件信息最有效的获取渠道。 研究选取2018年10月1日至2021年10月31日发布于中国金融信息网、中国金融网“金融眼”栏目（该栏目的新闻主要是对金融突发事件和相关违纪违规事件的披露）及新浪财经的金融新闻短讯作为金融事件的初始语料，然而很多事件中并不涉及事件主体，因此，需在事件元素抽取时将未抽取出任何实体的事件删除，最终得到53721篇包含实体的金融新闻。

4.1.2 金融负面事件的识别

李娟[37]将金融突发事件定义为由随机因素引发的、带有负面金融风险效应的突然性事件，基本特点之一就是负面性。 一般而言，金融机构爆发的突发事件往往是风险发生的前奏或标志，因此，需要首先将获取的事件语料中的负面事件准确识别，便于进一步筛选代表性金融突发事件，从而利用图谱的知识关联特征找到关联风险主体。

研究将负面事件的识别视为文本情感分类问题，为确定最适合于本研究的情感分析方法，从自建的53721篇金融新闻数据集中随机抽取了11000条财经新闻事件进行人工标注，并将其划分为负面（包含风险因素，用“1”表示）和非负面（情感中性或正面事件，用“0”表示）两类，随后分别使用基于词典的方法、机器学习方法和深度学习方法进行分类实验，比较其准确率。

在基于词典的情感分析中，研究使用Bian等[38]编制的中文金融情感词典(CFSD,Chinese Financial Sentiment Dictionary)，并考虑程度副词、否定词、标点符号以及特定的金融领域风险敏感词对文本情感倾向的影响。 基于机器学习的情感分类采用TF-IDF提取文本特征，并使用支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest，RF）算法进行训练。 基于深度学习的情感分类任务则使用了Bert和Finbert算法，学习率均为0.01，epochs为10，batch_size为32。 除基于情感词典的方法是将标注样本与计算结果直接比较外，对于其他监督类算法，实验将数据集按7∶3的比例划分为训练集和测试集。

实验结果表明，基于词典的方法准确率为88.72%；机器学习中SVM 分类准确率为86.16%，随机森林准确率为84.50%；深度学习中Bert准确率为88.28%，FinBert准确率则为90.03%。 由此可见，基于词典的方法和深度学习的方法准确率均较高，其中FinBert预训练模型在金融文本情感分类任务中也取得了最好的表现，本文选择该方法进行情感分类，同时利用基于词典的方法实现情感打分，为探究时序演化中事件的情感一致性提供数据支持。

通过训练和预测，在包含事件主体的所有金融事件中，共有35363个负面事件，占全部事件的65.8%。 从整体上来看，这些负面事件涉及的主题内容较广，因此需要进一步挖掘不同负面事件主题下的风险类型；从时间维度上来看，负面事件的时间跨度普遍较短，说明负面事件的爆发往往短暂而集中，这正是金融突发事件的典型特征之一。

4.1.3 代表性金融突发事件的确定

经过负面事件的初筛，符合条件的文本数量已大幅减少。 然而，除负面性外，金融突发事件还具有突发性、不确定性、衍生性与社会扩散性等核心特征，对于一些确定性的、紧迫性较小的事件和发生后没有在社会系统产生影响或社会影响范围较小的事件，并不在本研究范畴之列，也需要将其删除，筛选的标准主要从事件紧迫度、事件知名度和事件扩散效应三个方面考虑。 其中，事件知名度可以根据新闻阅读量、新闻热度、用户评论数等指标直接得出结论；事件扩散效应指的是该突发事件是否具有衍生性，一般而言，重大的金融突发事件往往是系列事件，因此会有多篇相关报道，对于事件主体在全部的突发事件文本中出现频率过低（小于3次）的情况，本文认为该事件不具有代表性，也将其删除；事件紧迫度则结合语义规则和人工判断两种方式确定，其中出现“突发”“突遭”“紧急”“严重”“来袭”等表述或情感分数较低即负面情绪值较高（阈值设为低于0.1）的新闻被自动判定为突发新闻事件，同时为了确保新闻事件的质量，辅以人工识别，最终得到13186篇新闻作为代表性金融突发事件语料集。

4.2 事理知识图谱可视化

传统关系数据库中，多表之间的连接操作导致性能低下，图数据库则专门针对跨复杂数据的关联查询进行了优化，因而更适用于存储知识图谱这种大规模复杂网络结构的数据。研究采用Neo4j用于可视化展示和后续的关联查询分析。 Neo4j作为当下知名度最高的图数据库，同时具备图分析、存储和处理能力。此外，Neo4j图数据库突破了传统关系型数据库无法处理数据间关系动态变化的问题，可以实现对实体和实体关系信息的动态存储和有效管理，因而非常适合对双层结构的“事理知识图谱”的存储。 图5展示了将处理后数据批量导入Neo4j后的部分可视化结果。

图5 基于Neo4j的金融突发事件事理知识图谱存储与可视化

4.3 金融突发事件演化关键路径分析

事理知识图谱本质上是图结构，图G=(V,E)定义为节点和边的集合，其中节点集合表示为V={v1,v2,…,v n}，边的集合表示为E。 图上节点间路径表示连接节点的一条通路，路径问题是最基本的图查询问题之一，也是面向知识图谱的价值分析与关系推演的基础。

基于事理知识图谱的事件演化过程如图6所示，金融突发事件蕴含的实体间具有一定的知识关联特征，依据实体间的关联可以发现事件间的关系，而这些关联事件经过泛化后可以从更高层次表示事件间的关系，形成抽象的事理逻辑链，从而便于突发事件演化和应对规律的总结分析。 金融突发事件中各事件要素的知识关联特征与事件间的事理逻辑特征，展现了事件在演变过程中客观存在的规律和模式。 从知识管理角度来看，这种规律和模式是从大量数据中挖掘出来的隐性知识，对于揭示重大金融突发事件的风险传导机理、实现事件全流程管理尤为关键和重要。此外，事件演变的语义传导路径还与知识图谱的关联风险实体密切相关，有利于借助突发事件的演变逻辑分析风险的传导路径。

图6 “事件-实体”结构事理知识图谱的事件泛化及演化过程示意图

事理知识图谱关联路径的查询方案不仅需要从底层图数据结构的角度出发，还需要考虑 “知识”特性，即综合考虑结构特征和语义特征；对于本文构建的事理知识图谱而言，在路径查询时则需重点关注事件时序演化特性对路径查询方案选择的影响。

4.4 金融突发事件案例分析

本文选取包商银行破产事件作为案例展开实证研究，以分析金融突发事件的演化机理。

2019年5月24日，包商银行因出现严重信用风险，被人民银行、银保监会联合接管，成为近20年来首家被行政接管的中小商业银行，并于2020年11月23日被批准破产。 包商银行破产这一突发事件的发生，集中暴露出当前我国中小银行发展过程中所存在的共性问题，迅速引起了市场的强烈关注。

研究首先绘制了如图7 所示的情感时序分布散点图，可以发现，相关事件中大部分都是负面事件，且集中在中后期，少部分的正面情感事件经查询后发现均与央行、银保监会对包商银行的监管取得成效或该事件对于其他金融机构与企业的启示有关，因而一定程度上证实了金融突发事件的情感一致性。

图7 包商银行系列事件情感时序分布散点图

结合具体的事件内容来看，包商银行的破产虽事发突然，属重大金融突发事件，但其实早有端倪。 研究通过对已构建的事理知识图谱进行关联查询，得到如图8 所示的以包商银行为核心节点的事理知识图谱（部分），其中红色节点表示具体事件，绿色节点则表示包含因果逻辑的抽象事件。 具体事件包含了涉事主体、事件类型、关键词和发生时间，通过具体事件可视化可以梳理得到如图9 所示的时序演化路径，可以看到包商银行自2019年5月24日被接管以来，央行、银保监会采取了一系列有效的监管措施，如深入开展资产负债清查与账务清理、引入战略投资者、确定新设银行即蒙商银行股东的认购份额和入股价格等。 然而仅通过事件演化链无法揭示更深层次的内涵，因而还需对抽取得到的相关因果抽象事件及其关联知识进行进一步分析。

图8 包商银行破产事件事理知识图谱(部分)

图9 包商银行破产事件时序演化路径

如图10所示，通过对包商银行被接管前后的事件因果关联关系挖掘发现，造成其突发严重信用风险和流动性风险的原因在于股权问题，尤其是受制于背后的实控人——明天集团。 右侧的股权关系显示了截至2018 年底包商银行的重要股东，表面上看与明天系并无关联，但事件中多次提到明天集团、明天系等，结合多层股权穿透后可知明天集团控股比例高达89%，是隐藏在幕后的实控人。包含语义关联的传导路径也印证了上述发现，并认为包商银行涉嫌违规披露信息，误导投资者。 此外，该路径图谱还揭示了包商银行破产的多重原因与被接管后的应急管理成效。 从中可以看出，除明天系的控股影响外，不良资产的持续攀升、大量资金被占用形成的债务逾期等，也是导致包商银行出现严重风险的重要因素，并进而导致了中小银行收紧风险偏好、服务区域实体经济等系列决策。 而央行和银保监会监管后也对中小银行具有明显的警示作用，有利于中小商业银行进一步明晰自身定位，及时回归贷前调查、贷时审查、贷后检查的“三查”制度，并改变“大行以低成本资金投同业市场、小行以高成本负债投高风险资产”的资金低效运转局面。

图10 包商银行因果逻辑关联与股权关联路径

5 总结与展望

当前我国经济正处于高质量发展阶段，然而，金融突发事件的发生严重阻碍了金融业的稳定发展，并加剧了系统性风险发生的可能性。 在数智时代背景下，传统的以领域专家为主的突发事件应对与管控模式效率低下，难以对海量的事件、舆情等数据进行有效的关联分析，亟需一种能够分析复杂事件的研究思路和方法以更好地支持应急管理工作的开展。 本文从知识驱动的事件关联与演化视角出发，通过建立金融突发事件事理知识图谱，从事件和实体两个层面分析突发事件的关联及演化路径，揭示事件演变的方向和逻辑线索，为金融突发事件的应急决策提供了科学有效的现实依据。 以包商银行破产事件为例的实证分析结果表明，对于重大金融突发事件而言，往往会涉及多个事件主体，除了直接受到冲击和影响的核心主体外，与之相关联的实体也隐含着不同程度的风险。 本文所构建的基于“事件-实体”关联模式的金融突发事件事理知识图谱，能够融合静态知识与动态事理逻辑规则，将重大金融突发事件的事理知识链接形成多层次演化链路图，通过在图谱上进行事件建模和多层逻辑推理，从知识关联的视角揭示重大突发事件的演变规律、模式和动因，提升金融突发事件的态势感知能力[39-40]。

此外，本文的研究思路方法及构建的事理知识图谱，对政府和相关金融监管部门开展舆情分析与应急管理具有一定的实践指导意义。 一方面，通过事理知识图谱可以快速定位到与突发事件施事者与受事者相关的实体，依靠上级部门的协调干预或关联实体的主动协同配合共同行动，及时采取稳控措施，以保证相关实体不受负面影响或最大限度地降低风险损失，使市场风险水平总体处于可控范围内；另一方面，在突发事件常态化的形势与趋势下，事理知识图谱可以辅助相关监管部门和应急管理部门研判事件发展方向和风险传导路径，及时规避相关衍生事件导致的重大风险，从而构建更为完善的应急管理机制，进一步提高相关金融机构的营运能力和政府与监管机构的社会治理水平。

本研究也存在一定的局限性。 第一，在数据获取与处理方面，文中使用政府网站和主流媒体发布的新闻报道作为金融突发事件的主要来源，数据源仍略显单一，数据的价值稀疏性明显。 未来将考虑结合上市公司发布的公告、社交媒体中的相关舆情信息以及咨询报告、学术文献等多源异构甚至多模态数据，构建信息量更丰富的历史重大金融突发事件事理知识图谱。 第二，对于金融突发事件的识别与抽取，本文考虑采用识别负面、高热度、高突发性新闻代替“突发事件”的方式，但对“突发性”这一核心特征的度量方法存在一定的局限，同时事件关系抽取仅考虑了因果事件的抽取，未考虑时序演化事件、顺承事件、反转事件等，且抽取方法较为简单。未来研究中将考虑采用大规模标注与基于深度学习的联合抽取方法，实现对金融突发事件的有效识别和抽取。 第三，本文结合实证案例分析了金融突发事件的演化逻辑和事件发生的原因与处置应对方式，但突发事件具有多样性，对于不同类型不同级别的金融突发事件，能够分析出的特征机理也不尽相同，未来应当在梳理更多案例的基础上总结更为普适的演化规律，为事件演化方向的预测提供更多数据和理论的支持。