基于BERTopic文本挖掘的绿色甲醇汽车数据驱动群体共识决策研究

为解决绿色甲醇汽车(GMV)评价中媒体数据对决策者(DMs)的干扰问题，研究人员创新性地将BERTopic文本挖掘技术与多维度中心性理论相结合，构建了动态大规模群体共识决策(LSGDM)模型。该研究通过语义分析提取评价标准，利用水填充理论优化决策者权重分配，并引入有限置信机制提升共识效率。案例验证表明模型能有效评估GMV与煤制甲醇车、汽油车及电动车的生产-生活-生态效益差异，为低碳交通政策制定提供了数据驱动的决策支持。

　　

在全球应对气候变化与能源危机的背景下，交通领域正经历着电动、氢能、甲醇等多技术路线并存的变革。绿色甲醇汽车(GMV)作为新兴路径，其全生命周期CO₂
减排潜力显著，但公众认知度低且媒体数据易干扰决策评估。中国作为全球最大甲醇生产国（占2022年总产能超50%），虽在甲醇汽车技术应用领先，但市场渗透率仍局限在山西、陕西等地。传统决策方法难以应对GMV这类涉及多维度评价的复杂问题，亟需建立融合数据挖掘与群体智慧的新型评估体系。

中国矿业大学的研究团队在《Sustainable Energy Technologies and Assessments》发表研究，提出基于BERTopic文本挖掘的LSGDM模型。该研究首先爬取甲醇汽车相关新闻报道，通过BERTopic（结合BERT预训练模型与主题建模的技术）提取出"低温适应性""使用成本"等12个核心评价标准；针对社交网络中不同中心性指标（DC/CC/BC）的结论冲突问题，创新性融合多维度中心性与水填充理论（WFC）计算决策者权重；进一步采用K-means聚类和有限置信模型（描述决策者仅接受相近意见的心理阈值）设计动态共识机制，最终完成GMV与三种传统车型的对比评估。

关键技术方法包括：1) 从中国主流媒体平台爬取甲醇汽车新闻文本；2) 使用BERTopic模型提取评价标准及权重；3) 基于WFC算法整合度中心性(DC)、接近中心性(CC)和中介中心性(BC)指标；4) 构建含有限置信参数的LSGDM共识机制；5) 采用TOPSIS方法进行多准则决策分析。

研究结果显示：

1. 标准体系构建：通过BERTopic从3876篇报道中识别出生产技术（26.7%）、政策支持（18.3%）、低温性能（15.2%）等关键标准，其中CO₂
   -to-methanol路径的环保权重达0.214。
2. 决策者权重优化：WFC方法在美国航空网络（USAir）、代谢网络等真实案例验证中，其节点影响力排序与SIR传染病模型一致性达89.7%，显著优于单一中心性指标。
3. 共识机制效能：引入有限置信阈值δ=0.85后，共识轮次减少37%，且子群间意见离散度降低至0.062。
4. 综合评估结果：GMV在生产-生态维度得分0.718领先电动车（0.653），但在生活便利性（0.521 vs 0.689）方面存在差距，煤制甲醇车因全周期高排放得分最低（0.402）。

结论表明：该研究首次将语义挖掘技术与群体决策理论结合应用于GMV评估，其创新点在于：1) 利用BERTopic解决传统文本挖掘模型（如LDA）对专业术语处理不足的问题；2) 通过WFC平衡社交网络中节点位置、关系强度与信息流效率；3) 设计的动态共识机制更符合决策者心理行为特征。讨论部分指出，虽然当前标准体系尚未充分反映公众意见，但随着GMV推广，未来可融合社交媒体数据完善评估维度。研究为中国交通低碳转型提供了兼顾技术创新与人文因素的决策框架，其方法论对新能源政策制定具有普适参考价值。