盛東方 尹航

摘 要：[目的/意義]突發(fā)公共事件中的政策需求方，是應(yīng)急管理活動(dòng)的重要構(gòu)成角色之一。相應(yīng)的政策供給是否與政策需求相匹配，關(guān)系著應(yīng)急管理的成效。政策供需匹配研究拓展了政策文本研究的分析視角，為優(yōu)化應(yīng)急管理政策的科學(xué)設(shè)計(jì)，提升突發(fā)公共事件治理的精準(zhǔn)度提供參考。[方法/過程]以新冠肺炎疫情為例，基于主題分布分析和關(guān)鍵詞共現(xiàn)分析兩條路徑，采用融合了主題挖掘、文本分類和共現(xiàn)分析的政策文本計(jì)算方法，探究突發(fā)公共事件下中小企業(yè)扶持政策供需匹配問題。[結(jié)果/結(jié)論]金融支持類政策供需較為平衡，信息化征管和稅費(fèi)優(yōu)惠類政策尚需加強(qiáng)輿論宣傳，政務(wù)服務(wù)和物資保供類政策有待進(jìn)一步增加政策供給。

關(guān)鍵詞：政策文本計(jì)算;政策供需匹配;突發(fā)公共事件;新冠肺炎;中小企業(yè)

Abstract：[Purpose/Significance]The policy demander in public emergency is one of the important roles of emergency management.Whether the corresponding policy supply matches the policy demand is related to the effectiveness of emergency management.The research on policy supply-demand matching expands the analysis perspective of policy text research，and provides reference for optimizing the scientific design of emergency management policies and improving the accuracy of public emergency management.[Method/Process]Taking Novel Coronavirus Pneumonia as an example，based on the two paths of theme distribution analysis and co-word analysis，this paper used the policy text computing method which integrates topic mining，text classification and co-word analysis to explore the matching of supply and demand of minor enterprises support policies in public emergencies.[Result/Conclusion]The supply and demand of financial support policies were relatively balanced，public opinion publicity needed to be strengthened by the information collection and management policies and tax preferential policies，and policy supply needed to be further increase by the government service policies and material guarantee and supply policies.

Key words：policy text computing;policy supply-demand matching;public emergencies;Novel Coronavirus Pneumonia;minor enterprises

新型冠狀病毒感染的肺炎（以下簡稱“新冠肺炎”）疫情，給我國的經(jīng)濟(jì)社會(huì)生活帶來了一定的沖擊和影響。中小企業(yè)作為我國國民經(jīng)濟(jì)的重要支柱，囿于自身規(guī)模小、業(yè)務(wù)單一、盈利能力弱、抗風(fēng)險(xiǎn)能力低，其生產(chǎn)經(jīng)營遭遇到嚴(yán)峻的挑戰(zhàn)。為了切實(shí)緩解當(dāng)前中小企業(yè)生產(chǎn)經(jīng)營所面臨的困難，確保經(jīng)濟(jì)的平穩(wěn)健康發(fā)展，中央及地方政府積極尋求并密集出臺(tái)了若干中小企業(yè)扶持政策，形成了一系列涉及財(cái)稅、金融、社保等領(lǐng)域的政策文本。這為突發(fā)公共事件下的政策研究提供了資料。

政策文本指因政策活動(dòng)而產(chǎn)生的記錄文獻(xiàn)，包括官方文獻(xiàn)（如法律、法規(guī)、部門規(guī)章）、公文檔案（如研究、咨詢、聽證或決議）、政策輿情文本[1]。從方法上來看，以往的政策文本研究存在著重規(guī)范分析、輕實(shí)證研究，重定性分析、輕定量研究的傾向[2]。隨著自然語言處理、數(shù)據(jù)挖掘、知識(shí)可視化等數(shù)據(jù)處理技術(shù)的發(fā)展，大樣本、細(xì)粒度的政策文本分析成為可能。因此，近幾年興起的計(jì)算社會(huì)科學(xué)的理念被引入到政策研究領(lǐng)域，發(fā)展出政策文本計(jì)算、政策語義分析、政策情感分析等新的研究視角[3]。

從研究問題來看，國內(nèi)外政策文本的研究多集中在政策界定與比較、體系構(gòu)建、演變發(fā)展等主題，而政策實(shí)施效果及其與需求的匹配度等問題的探究卻相對(duì)缺乏，尤其是鮮有針對(duì)這一問題的實(shí)證研究[4]。政策的需求方作為應(yīng)急管理的參與者和對(duì)象，是關(guān)系著突發(fā)公共事件治理成敗和效果的關(guān)鍵角色。近幾年，我國政府一直積極倡導(dǎo)并努力推進(jìn)國家治理體系和治理能力現(xiàn)代化，特別是提出了“社會(huì)治理共同體”的創(chuàng)新社會(huì)治理理念，強(qiáng)調(diào)“科技支撐”和“公眾參與”要素[5]。因此，有必要在政策研究中納入需求方的視角，挖掘政策需求方的實(shí)際訴求，從而評(píng)估政策供需匹配度。基于此，本研究探索以新型冠狀病毒感染的肺炎疫情為例，基于政策文本計(jì)算的方法研究突發(fā)公共事件下中小企業(yè)扶持政策供需匹配問題。本研究一方面將豐富政策文本研究的分析框架，拓展政策匹配研究的分析視角;另一方面，研究結(jié)果將為優(yōu)化應(yīng)急管理政策的科學(xué)設(shè)計(jì)，提升突發(fā)公共事件治理的精準(zhǔn)度提供參考。

1 相關(guān)研究

政策文本計(jì)算是一個(gè)涉及計(jì)算機(jī)科學(xué)、情報(bào)學(xué)、政治學(xué)、信息學(xué)等學(xué)科的新興交叉研究方向?；谏鲜鰧W(xué)科的理論和方法，政策文本計(jì)算研究嘗試構(gòu)建從政策文本到政策語義的自動(dòng)解析框架，并進(jìn)一步關(guān)注政策文本及其內(nèi)涵分析[1，6]。有學(xué)者從研究方法與范式的角度將政策文本計(jì)算分為基于數(shù)理統(tǒng)計(jì)的內(nèi)容分析類、文獻(xiàn)計(jì)量類、社會(huì)網(wǎng)絡(luò)分析類、文本挖掘類和綜合方法類[7]?；跀?shù)理統(tǒng)計(jì)的內(nèi)容分析類研究一般遵循傳統(tǒng)的文本分析框架，采用人工或半人工半機(jī)器的方式識(shí)別和提取概念。如黃如花等采用內(nèi)容分析和描述性統(tǒng)計(jì)分析方法進(jìn)行我國政府?dāng)?shù)據(jù)開放共享的政策框架構(gòu)建與主題分析[8];裴雷等采用內(nèi)容分析法對(duì)中國智慧城市政策文本展開研究[9]。文獻(xiàn)計(jì)量類研究則從政策文本的總體特征出發(fā)，量化分析政策文獻(xiàn)的結(jié)構(gòu)屬性[10]。如王芳等在進(jìn)行農(nóng)村信息化政策計(jì)量研究時(shí)，探索了政策文本的主題分布、發(fā)布單位與時(shí)間變化趨勢等問題[11]。相比文獻(xiàn)計(jì)量類研究，社會(huì)網(wǎng)絡(luò)分析類更關(guān)注挖掘政策文本中的關(guān)系網(wǎng)絡(luò)、語言關(guān)聯(lián)、行動(dòng)關(guān)系[7]。如郝冰冰等通過構(gòu)建國家扶貧政策共詞網(wǎng)絡(luò)揭示扶貧政策階段性演變規(guī)律[12]。

尤為值得關(guān)注的是，近幾年，國內(nèi)外學(xué)者積極探索利用文本挖掘技術(shù)識(shí)別政策文本中的隱含知識(shí)，旨在拓展政策量化研究的廣度與深度。一些研究探索通過機(jī)器的方式提升信息抽取和特征識(shí)別的效率，為政策主題分析和熱點(diǎn)識(shí)別等提供支持[13]。如Quinn K M等采用無監(jiān)督學(xué)習(xí)方法對(duì)參議院演講資料進(jìn)行分類[14];Loren C等則使用有監(jiān)督學(xué)習(xí)方法，將一個(gè)政策議程主題編碼框架應(yīng)用于聯(lián)邦法規(guī)和國會(huì)法案的研究中[15];張濤等提出一種融合了關(guān)鍵詞抽取法、主題分析法和共現(xiàn)分析法的政策文本計(jì)算框架[16]。一些學(xué)者嘗試基于深層潛在語義的知識(shí)發(fā)現(xiàn)展開政策情感、政策立場和政策傾向研究。如Yu B等采用機(jī)器學(xué)習(xí)的方法基于國會(huì)演講數(shù)據(jù)分類政黨的傾向[17];Barbera P使用Twitter的選民數(shù)據(jù)來估計(jì)政治人物、政黨和選民的政治主張[18]。

2 研究設(shè)計(jì)

2.1 數(shù)據(jù)采集與預(yù)處理

2.1.1 數(shù)據(jù)采集

為探索新冠肺炎疫情發(fā)生以來，我國中小企業(yè)扶持政策供給和政策需求情況，揭示二者的匹配度，本研究嘗試采集相關(guān)政策文本數(shù)據(jù)作為政策供給的文本挖掘資料，采集新聞報(bào)道數(shù)據(jù)作為政策需求的文本挖掘資料。具體地，基于最大努力采集原則，獲取了國家及地方針對(duì)中小企業(yè)生產(chǎn)經(jīng)營的扶持性政策123份（時(shí)間截止到2020年2月5日），政策文件涉及草案、條例、決定等多種形式;以百度資訊為新聞數(shù)據(jù)來源，以“中小企業(yè)”+“疫情”為搜索關(guān)鍵詞，檢索疫情發(fā)生以來關(guān)于中小企業(yè)生產(chǎn)經(jīng)營問題的報(bào)道以及中小企業(yè)扶持性政策的實(shí)施評(píng)價(jià)，考慮到新聞報(bào)道的時(shí)滯性，檢索截止日期為2020年2月8日，最終利用Python爬蟲技術(shù)結(jié)合人工篩選的方法獲取278份新聞報(bào)道文本。

2.1.2 數(shù)據(jù)預(yù)處理

對(duì)文本資料進(jìn)行預(yù)處理?？紤]到政策文本的特殊性，首先利用NLPIR-Parser對(duì)文本進(jìn)行新詞發(fā)現(xiàn)與挖掘，并導(dǎo)入詞庫以提高分詞效果。采用四川大學(xué)機(jī)器智能實(shí)驗(yàn)室停用詞庫和百度停用詞詞表進(jìn)行停用詞處理。完成分詞后，對(duì)整體文本和單篇文本展開計(jì)量，獲得權(quán)重、詞頻、信息量等多項(xiàng)統(tǒng)計(jì)值。

2.2 分析方法與框架

2.2.1 分析方法

1）主題挖掘

主題挖掘是文本挖掘的常用手段，旨在基于一系列文檔中發(fā)現(xiàn)抽象主題?？紤]到政策文本的多主題特性和詞項(xiàng)的高維特性[7]，本研究采用LDA（Latent Dirichlet Allocation）模型進(jìn)行政策文本主題分析。LDA是一種文檔生成模型，常用來作為文本分析的主題建模。它的原理基礎(chǔ)是詞袋模型，基于Dirichlet分布和貝葉斯分類器完成[19]。LDA認(rèn)為每篇文章是由多個(gè)主題所構(gòu)成，并將每一個(gè)詞視為向量，而每個(gè)主題又是由多個(gè)詞語所代表的，因此每一篇文本被制成詞頻向量，最終將文本信息構(gòu)建成數(shù)字信息。LDA的核心公式為式（1）：

2）文本分類

文本分類的主要任務(wù)是將給定的文本集合劃分到已知的1個(gè)或者多個(gè)類別集合中，其核心問題是文本表示與分類模型[20]。主要的實(shí)現(xiàn)方法有兩類：一種是基于傳統(tǒng)機(jī)器學(xué)習(xí)的文本分類;另外一種是基于深度學(xué)習(xí)的文本分類。前者是人工特征工程和淺層分類模型的結(jié)合;后者則采用分布式詞向量表示文本，并依賴深度學(xué)習(xí)模型實(shí)現(xiàn)分類，提升了分類的準(zhǔn)確率。然而在監(jiān)督學(xué)習(xí)中，多層神經(jīng)網(wǎng)絡(luò)容易陷入局部極值點(diǎn)從而導(dǎo)致文本聚集于單個(gè)局部主題;在非監(jiān)督學(xué)習(xí)中，又缺乏有效的方法構(gòu)建多層網(wǎng)絡(luò)。為了平衡這一問題，Hinton提出在非監(jiān)督數(shù)據(jù)上建立神經(jīng)網(wǎng)絡(luò)的算法，分為前向傳播和后向傳播兩個(gè)方向，并且基于Logistic回歸和極大似然估計(jì)進(jìn)行運(yùn)算，將文本向量化，建立深層神經(jīng)網(wǎng)絡(luò)。

3）共詞分析

共詞分析是對(duì)一組詞兩兩統(tǒng)計(jì)它們?cè)谕黄臋n中出現(xiàn)的次數(shù)并做聚類分析，從而反映這些詞的親疏關(guān)系。這種親疏關(guān)系可以用共現(xiàn)強(qiáng)度來計(jì)算，如式（2）[21]。共現(xiàn)分析可以幫助理解文檔的主題結(jié)構(gòu)，并且當(dāng)文檔具有相同或類似主題時(shí)，往往會(huì)包含大量相同的共現(xiàn)詞[22]。因此可以借助共現(xiàn)分析反映政策主題和新聞報(bào)道主題之間的關(guān)系。在共詞分析之前，需要采用關(guān)鍵詞抽取法獲得文本中的有效詞語，本研究采用K值關(guān)鍵詞篩選的方式提取關(guān)鍵詞，如式（3）。

2.2.2 分析框架

本文在張濤等學(xué)者[16]提出的政策內(nèi)容分析方法的基礎(chǔ)上，構(gòu)建了一套融合主題挖掘、文本分類和共現(xiàn)分析的分析框架（如圖1所示），主要通過主題分布分析和關(guān)鍵詞共現(xiàn)分析兩條路徑實(shí)現(xiàn)政策供需匹配評(píng)估，具體流程如下：

1）主題分布分析路徑

首先，對(duì)預(yù)處理后的政策文本進(jìn)行LDA建模和主題抽取，確定政策文本的主題分類，依據(jù)LDA的極大似然估計(jì)，將政策文本根據(jù)主題進(jìn)行分類;然后，利用LDA分類后的政策文本作為訓(xùn)練集，采用基于深度神經(jīng)網(wǎng)絡(luò)的文本分類方法對(duì)預(yù)處理后的新聞文本進(jìn)行主題分類;最后，對(duì)比政策文本和新聞文本的主題分類結(jié)果，從文本分布、波動(dòng)差異、偏好性等指標(biāo)方面對(duì)政策供給和政策需求的匹配度進(jìn)行分析。

2）關(guān)鍵詞共現(xiàn)分析路徑

首先，采用K值關(guān)鍵詞抽取法對(duì)預(yù)處理后的新聞文本進(jìn)行關(guān)鍵詞提取;其次，利用共現(xiàn)分析法對(duì)政策文本的主題關(guān)鍵詞和新聞文本的關(guān)鍵詞進(jìn)行共現(xiàn)強(qiáng)度計(jì)算;最后，從詞匯對(duì)的共現(xiàn)強(qiáng)度角度對(duì)政策供給和政策需求的匹配度進(jìn)行分析。

3 數(shù)據(jù)分析

3.1 政策文本主題挖掘

3.1.1 文本摘要提取

在LDA主題分析之前，對(duì)政策文本進(jìn)行摘要處理，通過摘要可以形成對(duì)中小企業(yè)扶持政策的整體結(jié)構(gòu)性理解，并為LDA的主題數(shù)確定提供參考。本研究利用NLPIR-parse實(shí)現(xiàn)文本摘要，摘要率為0.2，最大摘要長度為250，關(guān)鍵詞為Top20，并呈現(xiàn)地名、機(jī)構(gòu)名，生成的摘要信息如表1所示。

從政策涉及機(jī)構(gòu)來看，來自中央及各地市財(cái)政部門的政策文件占總文件數(shù)的54%，其次是省級(jí)與地市級(jí)政府辦公廳（室）和人社部門（如圖2）。反映出在應(yīng)對(duì)新冠肺炎疫情對(duì)中小企業(yè)的沖擊問題上，已形成了中央與地方聯(lián)動(dòng)、部門與部門協(xié)作的形勢。且由部門職能占比推斷，目前的政策主題可能多圍繞財(cái)稅、社保等話題。

3.1.2 基于LDA建模的主題識(shí)別

采用LDA模型對(duì)政策文本主題進(jìn)行挖掘。關(guān)于LDA的主題數(shù)如何確定，目前學(xué)術(shù)界尚未形成一套公認(rèn)的準(zhǔn)則。本研究基于政策文本摘要形成的整體認(rèn)識(shí)，將主題數(shù)確定在4～7種。反復(fù)實(shí)驗(yàn)后發(fā)現(xiàn)，4種主題無法充分展現(xiàn)信息，7種主題則容易導(dǎo)致缺少意義，最終將主題數(shù)確定為5。α值選取50/k+1，其中k為主題數(shù)，β值選擇0.01，迭代次數(shù)為5 000次。表2展示了5類主題按相關(guān)度排序的特征詞詞項(xiàng)（Top20）。將抽取的主題結(jié)果與摘要信息結(jié)合進(jìn)行政策文本主題分析。

3.2 政策與新聞文本分類分析

3.2.1 政策文本分類

進(jìn)一步基于主題對(duì)政策文本進(jìn)行分類，首先在LDA建模的基礎(chǔ)上獲得每個(gè)文本的歸屬概率，計(jì)算5個(gè)主題下文本的標(biāo)準(zhǔn)差和離散系數(shù)（見表3）。結(jié)果顯示，主題二（稅費(fèi)優(yōu)惠）、主題三（政務(wù)服務(wù)）和主題四（物資保供）的離散系數(shù)較小，而主題一（信息化征管）和主題五（金融支持）的離散系數(shù)較大。表明政策文本大多為復(fù)合主題，其中，信息化征管和金融支持的話題多出現(xiàn)在其它主題的政策文本中。采用極大似然估計(jì)LDA方法，將文本的概率最大的主題類型視作該文本的類型，并通過了F檢驗(yàn)，得到的結(jié)果如圖3所示?？梢钥闯?，圍繞主題一（信息化征管）和主題五（金融支持）的政策文本數(shù)量較多，與上述采用文本概率計(jì)量離散系數(shù)的結(jié)果較為相符。

3.2.2 新聞文本分類

在進(jìn)行新聞文本分類之前，先通過有效核心詞語反映新聞文本的熱門話題。采用K值關(guān)鍵詞抽取法對(duì)預(yù)處理后的新聞文本進(jìn)行關(guān)鍵詞提取，借助NLPIR-parse實(shí)現(xiàn)。刪除無意義詞，合并意義重復(fù)詞，得到的關(guān)鍵詞平均詞頻為10.32。選取詞頻大于11，k值大于0.75的關(guān)鍵詞，按權(quán)重排序展示（見表4）?？梢钥闯觯侣勎谋揪劢褂谝咔榉揽?，以中小微企業(yè)為主體，圍繞“復(fù)工復(fù)產(chǎn)”“貸款利率”“穩(wěn)定職工隊(duì)伍”“生活物資”“綠色通道”等話題展開。值得注意的是，多數(shù)核心關(guān)鍵詞與政策文本的重要特征詞一致，但“復(fù)工復(fù)產(chǎn)”“穩(wěn)定職工隊(duì)伍”“援企穩(wěn)崗”等則是新聞報(bào)道關(guān)注的特殊問題。

將LDA分類后的123篇政策文本作為訓(xùn)練集，采用基于深層神經(jīng)網(wǎng)絡(luò)的文本分類方法對(duì)278篇新聞文本進(jìn)行主題分類。使用NLPIR-parse的機(jī)器學(xué)習(xí)分類方法實(shí)現(xiàn)，對(duì)句子的每一個(gè)詞生成一個(gè)實(shí)值的詞向量，然后按照句子合并成詞向量矩陣，得到的結(jié)果如圖4所示?？梢钥闯觯侣剤?bào)道對(duì)主題三（政務(wù)服務(wù)），主題四（物資保供）和主題五（金融支持）的關(guān)注較多，而關(guān)于主題一（信息化征管）和主題二（稅費(fèi)優(yōu)惠）的探討則相對(duì)較少。

3.3 政策供需匹配分析

3.3.1 基于主題分布的政策供需匹配分析

從宏觀的主題視角出發(fā)，對(duì)比政策文本和新聞文本在5類主題上的分布差異，分析中小企業(yè)扶持

政策的供需匹配情況。政策文本分類分布選取自LDA分布結(jié)果，依據(jù)文本—主題概率矩陣，計(jì)算求和分布;新聞文本分類則采用深層神經(jīng)網(wǎng)絡(luò)分類結(jié)果。以主題文本數(shù)目除去總文本數(shù)目，獲取文本類型占比（圖5）?？梢园l(fā)現(xiàn)，政策供給和政策需求在5類主題上存在以下特點(diǎn)：

1）相比其它主題，金融支持（主題五）在政策文本和新聞文本中的分布占比相當(dāng)，且均占比較高。反映了金融幫扶既是中小企業(yè)在疫情沖擊下的重要政策訴求，也是當(dāng)前政府為中小企業(yè)紓困的主要手段。金融支持相關(guān)的政策供給和政策需求呈現(xiàn)出較為平衡的關(guān)系。

2）信息化征管（主題一）和稅費(fèi)優(yōu)惠（主題二）在政策文本中的占比明顯高于新聞文本，特別是信息化征管主題在政策文本中熱度最高，而稅費(fèi)優(yōu)惠主題在新聞文本中熱度最低。表明盡管政府基于這兩套幫扶策略已經(jīng)快速、密集地制定了政策方案，短期內(nèi)尚未獲得市場足夠的關(guān)注和探討。

3）與之相反的是，政務(wù)服務(wù)（主題三）和物資保供（主題四）在新聞文本中的占比明顯高于政策文本，其中，政務(wù)服務(wù)主題在新聞文本中熱度最高，而物資保供主題在政策文本中熱度最低。推測一方面可能是已推出的這兩類政策吸引了市場極大的關(guān)注，另一方面可能是企業(yè)對(duì)這兩類政策的需求呼聲較高。

3.3.2 基于關(guān)鍵詞共現(xiàn)的政策供需匹配分析

進(jìn)一步地從微觀的關(guān)鍵詞視角出發(fā)，揭示特定主題關(guān)鍵詞下政策供給與需求的差異，對(duì)部分政策文本和新聞文本的詞語展開關(guān)鍵詞共現(xiàn)強(qiáng)度分析?；谡呶谋镜闹黝}分析及特征詞提取結(jié)果和新聞文本的關(guān)鍵詞抽取結(jié)果，選取恰當(dāng)?shù)脑~匯對(duì)：信息化征管主題關(guān)鍵詞“電子稅務(wù)局（線上）”和“繳費(fèi)”，稅費(fèi)優(yōu)惠主題關(guān)鍵詞“緩繳”和“××稅”，政務(wù)服務(wù)主題關(guān)鍵詞“綠色通道”和“審批”，物資保供主題關(guān)鍵詞“生產(chǎn)”和“生活物資”，金融支持主題關(guān)鍵詞“降”和“（貸款）利率”。上述關(guān)鍵詞在政策文本、新聞文本、政策+新聞文本中的共現(xiàn)強(qiáng)度如圖6所示，其中每組柱狀圖從左到右分別代表政策文本、新聞文本、政策+新聞文本。由圖可知，不同的關(guān)鍵詞在政策文本和新聞文本中的共現(xiàn)表現(xiàn)差異較大，具體地：

1）在上述幾組詞匯對(duì)中，電子稅務(wù)局（線上）和繳費(fèi)在政策文本中的共現(xiàn)強(qiáng)度最高，而在新聞文本中共現(xiàn)強(qiáng)度較低。一定程度反映出財(cái)稅部門通過各項(xiàng)政策方案的制定，大力推廣疫情期間的信息化、“非接觸式”征管服務(wù)，而這些現(xiàn)代化的安全、高效的辦稅手段，仍有待更大力度的新聞宣傳和推廣。

2）綠色通道和審批在新聞文本中共現(xiàn)強(qiáng)度最高，在政策文本中共現(xiàn)強(qiáng)度也較高。表明一方面，政府積極重視開通“特事特辦”“容缺受理”“隨時(shí)約辦”的綠色審批通道，為企業(yè)做好服務(wù);另一方面，這些政策和舉措也獲得了市場的廣泛關(guān)注，形成了較好的輿論影響。

4 結(jié)論與建議

本文以新型冠狀病毒感染的肺炎疫情為例，基于政策文本和新聞文本探究突發(fā)公共事件下中小企業(yè)扶持政策供需匹配問題。研究首先識(shí)別出，新冠肺炎疫情發(fā)生以來，為了幫助中小企業(yè)應(yīng)對(duì)疫情的沖擊，中央與地方、部門與部門迅速聯(lián)動(dòng)協(xié)作出臺(tái)了若干扶持政策，主要涉及信息化征管、稅費(fèi)優(yōu)惠、政務(wù)服務(wù)、物資保供和金融支持5類主題。而后，本文基于主題挖掘、文本分類和共現(xiàn)分析的政策文本計(jì)算方法，通過主題分布分析和關(guān)鍵詞共現(xiàn)分析，從宏觀和微觀的視角解析了當(dāng)前中小企業(yè)扶持政策供給和需求之間的關(guān)系。研究得到如下結(jié)論及建議：

信息化征管是數(shù)字化戰(zhàn)“疫”的重要手段。國家衛(wèi)生健康委發(fā)布《關(guān)于加強(qiáng)信息化支撐新型冠狀病毒感染的肺炎疫情防控工作的通知》，要求以“遠(yuǎn)距離、不接觸”最大限度隔絕病毒的傳播途徑。為了給中小企業(yè)納稅人提供安全高效的辦稅環(huán)境，財(cái)稅部門紛紛推出信息化征管方案。如引導(dǎo)納稅人優(yōu)先選擇電子稅務(wù)局辦理涉稅業(yè)務(wù)，推廣基于實(shí)名信息采集驗(yàn)證的網(wǎng)絡(luò)辦稅方式等。盡管信息化征管方面的政策供給力度較大，但目前該主題的新聞報(bào)道熱度偏低。為了促進(jìn)中小企業(yè)盡快了解并使用信息化辦稅手段，有必要加強(qiáng)相關(guān)話題的新聞引導(dǎo)。

稅費(fèi)優(yōu)惠是中央及地方政府扶持中小企業(yè)的直接措施之一。稅費(fèi)優(yōu)惠的政策方案形式多樣，包括多種措施（如延期申報(bào)、緩繳、減免）和多種對(duì)象（如增值稅、房產(chǎn)稅、社保、租金等），政策覆蓋范圍較廣（包括直接從事疫情物資生產(chǎn)及流通的企業(yè)和由于疫情造成經(jīng)營困難的企業(yè)等）。相較而言，稅費(fèi)優(yōu)惠的“組合拳”尚未得到輿論的足夠關(guān)注。稅費(fèi)問題切實(shí)關(guān)系到中小企業(yè)的基本利益，相關(guān)優(yōu)惠信息不應(yīng)只停留在政策文本中，還應(yīng)加大向需求端的流入。增加相關(guān)輿論宣傳，使納稅人準(zhǔn)確掌握和及時(shí)享受各項(xiàng)稅費(fèi)優(yōu)惠政策。

通過提升政務(wù)服務(wù)效能，幫助企業(yè)復(fù)工復(fù)產(chǎn)，是政策供給的另一主題。本次突發(fā)公共事件中的政務(wù)服務(wù)創(chuàng)新主要體現(xiàn)在兩個(gè)方面：一是開展網(wǎng)絡(luò)服務(wù)，解決疫情期間企業(yè)辦理業(yè)務(wù)的限制，如依托在線政務(wù)服務(wù)平臺(tái)，推行“不見面審批”“不見面服務(wù)”;二是提高行政審批效率，開通一站式、全鏈條的“綠色通道”。從相關(guān)新聞報(bào)道來看，上述舉措獲得了輿論較高的關(guān)注，受到了政策需求端的積極認(rèn)可。因此，尚未部署政務(wù)服務(wù)支持的政策制定者可考慮推出和完善相關(guān)政策。

物資保供類政策旨在為企業(yè)釋放產(chǎn)能提供政策支持。通過幫助解決企業(yè)生產(chǎn)面臨的資金、資質(zhì)、生產(chǎn)場地、設(shè)備購置和原材料采購等實(shí)際困難，推動(dòng)全產(chǎn)業(yè)鏈協(xié)調(diào)聯(lián)動(dòng)，保證疫情期間的防疫物資和生活物資供給。物資保供主題的輿論熱度較高，反映出市場對(duì)于復(fù)工復(fù)產(chǎn)的極大關(guān)注。隨著疫情逐漸得到控制，需要加大此類政策供給，助力中小企業(yè)渡過難關(guān)，早日恢復(fù)生產(chǎn)。

金融支持類政策主要通過激勵(lì)金融機(jī)構(gòu)加強(qiáng)對(duì)中小企業(yè)的金融服務(wù)和資金支持，緩解企業(yè)抗擊疫情和復(fù)工復(fù)產(chǎn)中面臨的資金流壓力。目前各級(jí)政府已密集出臺(tái)了一批金融支持政策，涉及信貸增量支持、信貸結(jié)構(gòu)優(yōu)化、還款期限和方式調(diào)整等內(nèi)容。特別是針對(duì)受疫情影響較大的行業(yè)，采取多種金融手段精準(zhǔn)施策。政策需求端也表現(xiàn)出對(duì)金融支持較高的關(guān)注度，一定程度上反映出此類政策比較契合中小企業(yè)的需求，政策供需較為平衡。

參考文獻(xiàn)

[1]裴雷，孫建軍，周兆韜.政策文本計(jì)算：一種新的政策文本解讀方式[J].圖書與情報(bào)，2016，（6）：47-55.

[2]丁煌.發(fā)展中的中國政策科學(xué)——我國公共政策學(xué)科發(fā)展的回眸與展望[J].管理世界，2003，（2）：23-38，58.

[3]馬海群，張斌.我國政策計(jì)量研究：方法與模型[J].數(shù)字圖書館論壇，2019，（5）：2-8.

[4]徐德英，韓伯棠.政策供需匹配模型構(gòu)建及實(shí)證研究——以北京市創(chuàng)新創(chuàng)業(yè)政策為例[J].科學(xué)學(xué)研究，2015，33（12）：29-38，135.

[5]中華人民共和國中央人民政府.中共中央關(guān)于堅(jiān)持和完善中國特色社會(huì)主義制度 推進(jìn)國家治理體系和治理能力現(xiàn)代化若干重大問題的決定[EB/OL].http：//www.gov.cn/zhengce/2019-11/05/content_5449023.htm，2020-03-05.

[6]Laver M，Benoit K，Garry J.Extracting Policy Positions from Political Texts Using Words as Data[J].American Political Science Review，2003，97（2）：311-331.

[7]楊慧，楊建林.融合LDA模型的政策文本量化分析——基于國際氣候領(lǐng)域的實(shí)證[J].現(xiàn)代情報(bào)，2016，36（5）：73-83.

[8]黃如花，溫芳芳.我國政府?dāng)?shù)據(jù)開放共享的政策框架與內(nèi)容：國家層面政策文本的內(nèi)容分析[J].圖書情報(bào)工作，2017，61（20）：12-25.

[9]裴雷，周兆韜，孫建軍.政策計(jì)量視角的中國智慧城市建設(shè)實(shí)踐與應(yīng)用[J].圖書與情報(bào)，2016，（6）：41-46.

[10]李江，劉源浩，黃萃，等.用文獻(xiàn)計(jì)量研究重塑政策文本數(shù)據(jù)分析——政策文獻(xiàn)計(jì)量的起源、遷移與方法創(chuàng)新[J].公共管理學(xué)報(bào)，2015，12（2）：143-149，164.

[11]王芳，紀(jì)雪梅，田紅.中國農(nóng)村信息化政策計(jì)量研究與內(nèi)容分析[J].圖書情報(bào)知識(shí)，2013，（1）：38-48，79.

[12]郝冰冰，黃燕玲，羅盛鋒.扶貧政策變遷文本計(jì)量分析與演變規(guī)律探討[J].統(tǒng)計(jì)與決策，2019，35（19）：103-107.

[13]Mirjana N D.Politics as Text and Talk：Analytic Approaches to Political Discourse[J].International Politics，2004，41（2）：286-287.

[14]Quinn K M，Monroe B L，Colaresi M，et al.How to Analyze Political Attention with Minimal Assumptions and Costs[J].American Journal of Political Science，2010，54（1）：209-228.

[15]Loren C，John W.Tradeoffs in Accuracy and Efficiency in Supervised Learning Methods[J].Journal of Information Technology & Politics，2012，9（3）：298-318.

[16]張濤，蔡慶平，馬海群.一種基于政策文本計(jì)算的政策內(nèi)容分析方法實(shí)證研究——以互聯(lián)網(wǎng)租賃自行車為例[J].信息資源管理學(xué)報(bào)，2019，（1）：68-78.

[17]Yu B，Kaufmann S，Diermeier D.Classifying Party Affiliation from Political Speech[J].Journal of Information Technology & Politics，2008，5（1）：33-48.

[18]Barbera P.Birds of the Same Feather Tweet Together：Bayesian Ideal Point Estimation Using Twitter Data[J].Political Analysis，2015，23（1）：76-91.

[19]Blei D M，Ng A Y，Jordan M I，et al.Latent Dirichlet Allocation[J].Journal of Machine Learning Research，2003，（3）：993-1022.

[20]劉婷婷，朱文東，劉廣一.基于深度學(xué)習(xí)的文本分類研究進(jìn)展[J].電力信息與通信技術(shù)，2018，16（3）：1-7.

[21]馮璐，冷伏海.共詞分析方法理論進(jìn)展[J].中國圖書館學(xué)報(bào)，2006，（2）：90-94.

[22]白秋產(chǎn)，金春霞，章慧，等.詞共現(xiàn)文本主題聚類算法[J].計(jì)算機(jī)工程與科學(xué)，2013，35（7）：164-168.

（責(zé)任編輯：陳 媛）