王林 潘陳益 朱文靜 鄧勝利

〔摘 要〕如何保證高效的微博傳播力是各機(jī)構(gòu)入駐微博后必須面對(duì)的難題之一，因此，分析微博傳播力的具體表現(xiàn)及其影響因素至關(guān)重要。本文基于熵權(quán)法對(duì)機(jī)構(gòu)微博傳播力進(jìn)行量化，并從微博內(nèi)容特征和微博用戶特征兩個(gè)維度，構(gòu)建微博傳播力影響因素的相關(guān)指標(biāo)，最后以旅游機(jī)構(gòu)為實(shí)證研究對(duì)象，使用彈性網(wǎng)絡(luò)（Elastic Net）對(duì)各指標(biāo)的作用進(jìn)行驗(yàn)證。通過驗(yàn)證最終得出旅游機(jī)構(gòu)微博傳播力的影響因素，為微博傳播力的量化及其影響因素的探究提供理論參考，為旅游機(jī)構(gòu)微博運(yùn)營(yíng)提供實(shí)踐參考。

〔關(guān)鍵詞〕微博；傳播力；內(nèi)容特征；用戶特征；旅游機(jī)構(gòu)；影響因素

DOI：10.3969/j.issn.1008-0821.2018.04.005

〔中圖分類號(hào)〕G206 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2018）04-0035-07

〔Abstract〕How to ensure the microblog spreading capacity becomes one of the problems that each organization must face after entering into microblog platform.Therefore，it is significant to analyse specific performance and influencing factors of microblog spreading capacity.This paper quantified the microblog spreading capacity based on the entropy method，and established a index set of influencing factors of microblog spreading capacity from the two aspects：the microblog content features and user features.Also，this paper took the tourism organization as the research object to conduct the empirical analysis and uses Elastic Net to verify the indexs effect.Through the verification，it obtained the influencing factors of the microblog spreading capacity of tourism organizations.Finally，this paper provided not only a theoretical reference for the quantification of microblog spreading capacity and the analysis of its influencing factors，but also some practical reference for the microblog operation of the tourism organizations.

〔Key words〕microblog；spreading capacity；content characteristics；user characteristics；tourism organizations；influence factors

微博自2009年開始內(nèi)測(cè)之后，以其巨大的用戶數(shù)量、便捷的信息發(fā)布途徑以及裂變式的多點(diǎn)線面的信息傳播方式，成為各個(gè)領(lǐng)域青睞的信息傳播媒介。2016年，微博的活躍用戶實(shí)現(xiàn)了高速增長(zhǎng)，月活躍用戶數(shù)達(dá)到了3.13億，而日活躍人數(shù)也達(dá)到了1.39億[1]。與同樣擁有龐大用戶量的微信相比，微博具有更加多樣化的環(huán)境和受眾、更高的內(nèi)容開放度、更加公開透明的信息傳播過程等優(yōu)勢(shì)，吸引了高校、圖書館、政務(wù)單位、旅游機(jī)構(gòu)等各機(jī)構(gòu)紛紛入駐，并將其作為重要的新媒體營(yíng)銷平臺(tái)。

機(jī)構(gòu)在微博上推廣傳播產(chǎn)品或服務(wù)的過程中逐漸形成自己的微博競(jìng)爭(zhēng)力，這種競(jìng)爭(zhēng)力可以理解為機(jī)構(gòu)的微博傳播力[2]。如何獲得更高的傳播力，保證自己的營(yíng)銷效果，成為各機(jī)構(gòu)入駐微博之后必須要面對(duì)的重要問題，而解決這一問題的關(guān)鍵難點(diǎn)在于分析機(jī)構(gòu)微博傳播力的具體表現(xiàn)和影響微博傳播力的主要因素。

因此，本文嘗試對(duì)機(jī)構(gòu)微博傳播力進(jìn)行具體量化，并選取機(jī)構(gòu)微博傳播力的影響因素指標(biāo)，通過實(shí)證研究來驗(yàn)證各影響因素對(duì)機(jī)構(gòu)微博傳播力的作用。為機(jī)構(gòu)微博傳播力的量化和影響因素的探究提供一定理論參考，并為各機(jī)構(gòu)微博運(yùn)營(yíng)提供一定實(shí)踐參考。

1 相關(guān)研究現(xiàn)狀

筆者于2017年5月2日在CNKI中國(guó)知網(wǎng)上以“‘微博and‘傳播力”為檢索條件進(jìn)行高級(jí)檢索，得到92篇CSSCI期刊論文，但對(duì)相關(guān)文獻(xiàn)主題進(jìn)行探究，發(fā)現(xiàn)專門針對(duì)微博傳播力的相關(guān)文獻(xiàn)并不多見。其中有少量研究將傳播力作為用戶影響力或其他官方微博競(jìng)爭(zhēng)力的評(píng)價(jià)指標(biāo)之一[3]，對(duì)比研究微信與微博傳播力[4]，以及研究特定因素對(duì)微博傳播力的影響[5]，研究對(duì)象往往以期刊微博、政務(wù)微博、高校圖書館微博為主。

又以“‘微博and‘影響因素”為檢索條件進(jìn)行高級(jí)檢索，得到125篇CSSCI期刊論文，可以發(fā)現(xiàn)與微博和影響因素相關(guān)的現(xiàn)有文獻(xiàn)主要有用戶、信息傳播、社會(huì)網(wǎng)絡(luò)3個(gè)研究視角，具體研究?jī)?nèi)容、研究對(duì)象和數(shù)據(jù)來源如表1所示。

綜上分析，關(guān)于微博傳播力及其影響因素的相關(guān)研究存在以下不足。

1）微博傳播力概念模糊，且缺少定量化。相關(guān)文獻(xiàn)往往只是提出傳播力或傳播能力的概念，并無對(duì)概念的具體界定，大都直接將轉(zhuǎn)發(fā)數(shù)和評(píng)論數(shù)代表微博傳播力.

2）專門針對(duì)機(jī)構(gòu)微博傳播力影響因素的研究較少，且已有研究成果中考慮微博信息傳播的影響因素較為局限和片面。對(duì)微博信息傳播的影響因素的研究大多直接以轉(zhuǎn)發(fā)數(shù)為衡量指標(biāo)，從微博內(nèi)容、微博情緒等單一角度研究其影響因素，研究對(duì)象往往是單條微博，缺少以用戶為考察主體的研究。

3）研究領(lǐng)域較為局限?，F(xiàn)有文獻(xiàn)研究對(duì)象大都集中于高校[8]、圖書館[11]、政務(wù)[12]和突發(fā)事件[5]。但微博平臺(tái)所囊括的領(lǐng)域遠(yuǎn)遠(yuǎn)不止于此。隨著各個(gè)領(lǐng)域?qū)ξ⒉┑囊蕾囆灾饾u增加，對(duì)其他領(lǐng)域微博傳播力的研究也越來越有必要。

綜合以上問題，本文計(jì)劃先對(duì)機(jī)構(gòu)微博傳播力進(jìn)行概念的限定；并利用熵權(quán)法對(duì)機(jī)構(gòu)微博傳播力進(jìn)行具體量化；然后對(duì)其影響因素指標(biāo)進(jìn)行構(gòu)建；最后，通過實(shí)證驗(yàn)證各因素對(duì)機(jī)構(gòu)微博傳播力的影響，考慮到旅游領(lǐng)域在互聯(lián)網(wǎng)的逐漸深入，本文最后選取新浪微博平臺(tái)上的旅游認(rèn)證機(jī)構(gòu)作為實(shí)證研究對(duì)象。

2 相關(guān)指標(biāo)選取

傳播學(xué)中對(duì)于傳播力的概念有多種界定，主要分為針對(duì)大眾媒體和針對(duì)社會(huì)組織兩種。其中，效能說是從社會(huì)組織的層面切入，認(rèn)為傳播力的本質(zhì)是有效果的傳播，是指?jìng)鞑バ袨閹淼囊磺杏绊懞妥饔玫目偤?，可以在現(xiàn)實(shí)中轉(zhuǎn)為說服和影響的力量[2]?？紤]到機(jī)構(gòu)的社會(huì)組織屬性，本文認(rèn)同效能說觀點(diǎn)。這與霍夫蘭提出的說服傳播理論以及拉斯韋爾傳播學(xué)理論都相吻合，前者認(rèn)為信息的傳播主體、傳播內(nèi)容和傳播客體在很大程度上決定了受眾接收信息后的態(tài)度[13]，后者認(rèn)為傳播過程是一個(gè)目的性行為過程，具有企圖影響受眾的目的，所涉及的重要要素為傳播者、傳播受眾、傳播內(nèi)容、傳播渠道和傳播效果，即5W模式[14]。

綜上，本文認(rèn)為機(jī)構(gòu)在微博的傳播力是機(jī)構(gòu)微博產(chǎn)生有效傳播的能力。機(jī)構(gòu)微博從發(fā)出微博到最終產(chǎn)生有效傳播的過程中會(huì)受到很多因素的影響，綜合說服傳播理論和拉斯韋爾傳播學(xué)理論可以將因素綜合為傳播主體、傳播內(nèi)容和傳播受眾3個(gè)維度，其中傳播主體和傳播受眾在微博平臺(tái)上其實(shí)都為微博用戶，其特征可綜合為用戶特征。

因此，接下來，本文將先選取指標(biāo)對(duì)機(jī)構(gòu)的微博傳播力進(jìn)行量化，然后再從微博內(nèi)容特征和用戶特征兩個(gè)方面分別對(duì)其影響因素指標(biāo)進(jìn)行選取。

2.1 機(jī)構(gòu)微博傳播力指標(biāo)選取及量化

拉維奇和斯坦納提出傳播效果呈階梯模式，由認(rèn)知、情感、態(tài)度和行為4個(gè)維度構(gòu)成，其中，行為是受上述四項(xiàng)支配而表現(xiàn)出的最終外在行動(dòng)[15]。因此，機(jī)構(gòu)微博的有效傳播能力應(yīng)該由信息接收者的最終行為所決定，在微博平臺(tái)上具體表現(xiàn)為轉(zhuǎn)發(fā)、評(píng)論和點(diǎn)贊，其中，轉(zhuǎn)發(fā)行為可使原微博信息被自己的粉絲看到，能夠直接增加原微博的閱讀數(shù)和覆蓋面[8]，因此已有研究大多直接用轉(zhuǎn)發(fā)數(shù)來量化傳播的效果，考慮到評(píng)論和點(diǎn)贊同樣能增強(qiáng)傳播的有效性，本文將這些行為對(duì)應(yīng)的轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)和點(diǎn)贊數(shù)都作為量化機(jī)構(gòu)微博傳播力的指標(biāo)。

一個(gè)機(jī)構(gòu)微博往往不止一條微博，因此，需要對(duì)指標(biāo)進(jìn)行綜合，考慮到不同機(jī)構(gòu)活躍度不同，本文最終對(duì)每個(gè)機(jī)構(gòu)單位時(shí)間內(nèi)所有微博的轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)和點(diǎn)贊數(shù)求平均作為最終指標(biāo)。而由于不同用戶的微博，轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)和點(diǎn)贊數(shù)存在巨大差異，可能會(huì)帶來較大的數(shù)據(jù)波動(dòng)，產(chǎn)生較高異方差性，故而，本文在指標(biāo)具體量化時(shí)將參考清華大學(xué)新聞研究中心《2014政務(wù)微博傳播力報(bào)告》中的數(shù)據(jù)處理方法[16]，將指標(biāo)分別利用自然對(duì)數(shù)進(jìn)行標(biāo)準(zhǔn)化，意在壓縮數(shù)據(jù)尺度使之更平穩(wěn)和削弱可能有的異方差性。

最后對(duì)每一個(gè)指標(biāo)進(jìn)行權(quán)重賦值，則可得出針對(duì)機(jī)構(gòu)的機(jī)構(gòu)微博傳播力W計(jì)算方法如公式（1）所示。

綜上分析，機(jī)構(gòu)微博傳播力可以時(shí)間為單位，得出單日傳播力、周傳播力、月傳播力等等。將時(shí)間特殊化之后，可以推出，當(dāng)機(jī)構(gòu)微博發(fā)出一條微博時(shí)，便會(huì)產(chǎn)生在該條微博生命周期內(nèi)的微博傳播力，此時(shí)，機(jī)構(gòu)微博產(chǎn)生有效傳播的能力可等同于該條微博產(chǎn)生有效傳播的能力，即該條微博的傳播力。也就是說，特殊的，以一條微博的傳播時(shí)間為單位，可得出機(jī)構(gòu)單條微博的傳播力，此時(shí)，指標(biāo)便可特殊化為每條微博的轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)和點(diǎn)贊數(shù)，則可得到針對(duì)該條微博的傳播力W0的計(jì)算方法如公式（2）所示。

2.2 基于微博內(nèi)容特征的指標(biāo)選取

機(jī)構(gòu)微博產(chǎn)生有效傳播的本質(zhì)是內(nèi)容的有效傳遞。因此，機(jī)構(gòu)微博發(fā)出的每一條微博內(nèi)容特征將會(huì)直接影響該條微博的傳播效果，繼而影響機(jī)構(gòu)微博傳播力。關(guān)于微博內(nèi)容對(duì)微博傳播的影響，國(guó)外學(xué)者做過不少針對(duì)Twitter的研究。Berger和Milkman等人證明了情感比較強(qiáng)烈的微博內(nèi)容更容易被用戶轉(zhuǎn)發(fā)[17]，Ron Berman和Colman Humphrey則證明了帶有圖片和視頻的微博更容易得到高轉(zhuǎn)發(fā)量[18]。國(guó)內(nèi)也有少量關(guān)于微博內(nèi)容對(duì)傳播力影響的研究，如劉曉娟、王昊賢等人在研究政務(wù)微博影響因素時(shí)將微博特征分為微博內(nèi)容、發(fā)布時(shí)間和來源機(jī)構(gòu)3個(gè)維度，其中微博內(nèi)容維度包括話題類別、@符號(hào)與鏈接、語言風(fēng)格、內(nèi)容的原創(chuàng)性和內(nèi)容長(zhǎng)度等影響因素[12]；劉叢、謝耘耕等人則是研究了不同類型用戶的微博情緒對(duì)微博傳播力的影響[5]。

綜合以上學(xué)者研究成果，本文將微博內(nèi)容分為微博內(nèi)容元素、微博情感、微博主題和發(fā)布時(shí)間，其中，微博內(nèi)容元素指的是微博正文里所包含的信息元素，包括話題、圖片、視頻、@符號(hào)和內(nèi)容長(zhǎng)度；微博情感指的是微博內(nèi)容所包含的情緒，包括微博情感強(qiáng)度和情感類別；微博主題指的是微博內(nèi)容所屬的不同主題類別；而發(fā)布時(shí)間指微博發(fā)布的年月日和時(shí)刻。具體如表2所示。

2.3 基于微博用戶特征的指標(biāo)選取

傳播主體和傳播受眾，即機(jī)構(gòu)用戶和機(jī)構(gòu)用戶的微博粉絲，在傳播過程中發(fā)揮著重要作用。首先針對(duì)傳播主體，相關(guān)研究發(fā)現(xiàn)用戶的信息覆蓋度（即用戶的粉絲數(shù)）對(duì)信息傳播有著較大的影響[19]；熱門微博的微博主體大部分為活躍度較高、粉絲數(shù)較大、并且進(jìn)行過認(rèn)證的加V用戶[20]，資深用戶（賬號(hào)建立時(shí)間超過1年）和新用戶（最近1個(gè)月才加入）的微博更容易被轉(zhuǎn)發(fā)[10]。其次，針對(duì)傳播受眾，也有少量研究證實(shí)用戶粉絲的特征也會(huì)影響微博的傳播，比如當(dāng)用戶粉絲越活躍時(shí)，其發(fā)布的微博將更容易被轉(zhuǎn)發(fā)[21]。最后，考慮到微博是基于用戶關(guān)系的信息傳播與分享平臺(tái)[22]，社交網(wǎng)絡(luò)中的用戶關(guān)系也會(huì)對(duì)其傳播力產(chǎn)生影響，有研究證明，網(wǎng)絡(luò)節(jié)點(diǎn)中具有重要地位的用戶更可能引起大范圍的信息傳播行為[10]，而微博傳播影響因素的相關(guān)研究較少將用戶關(guān)系屬性考慮在內(nèi)，因此，本文將其納入用戶特征屬性。

綜合以上研究成果的分析，本文將微博用戶特征分為個(gè)人屬性、粉絲屬性和用戶關(guān)系屬性。其中，個(gè)人屬性指的是用戶自身（即傳播者）所帶特征。由于機(jī)構(gòu)用戶都經(jīng)過了認(rèn)證，故本文將不考慮用戶是否認(rèn)證。因此，本文中的個(gè)人屬性主要包括粉絲數(shù)、關(guān)注數(shù)、發(fā)博數(shù)、等級(jí)等。粉絲屬性指的是每位用戶粉絲（即受眾）所帶的特征，包括粉絲的粉絲數(shù)、關(guān)注數(shù)和發(fā)博數(shù)。用戶關(guān)系屬性則指的是用戶在社交關(guān)系網(wǎng)絡(luò)中所表現(xiàn)的特征，包括點(diǎn)度中心度中的點(diǎn)出度（網(wǎng)絡(luò)中該用戶指向的節(jié)點(diǎn)數(shù)）和點(diǎn)入度（網(wǎng)絡(luò)中指向該用戶的節(jié)點(diǎn)數(shù)）、特征向量中心度（PageRank值）。具體如表3所示。

3 實(shí)證研究

為了驗(yàn)證各影響因素指標(biāo)對(duì)傳播力的作用，筆者將以新浪微博平臺(tái)上的旅游機(jī)構(gòu)用戶為研究對(duì)象進(jìn)行實(shí)證研究。同時(shí)考慮到微博內(nèi)容的影響作用時(shí)效性較短，即其對(duì)前文所說的單條微博傳播力的影響更直接，而用戶特征將長(zhǎng)期影響機(jī)構(gòu)微博傳播力。因此，在驗(yàn)證微博內(nèi)容特征時(shí)，將以單個(gè)旅游機(jī)構(gòu)用戶的所有微博為研究對(duì)象，以每一條微博的傳播力為觀察對(duì)象；驗(yàn)證用戶特征時(shí)，將選取多個(gè)旅游機(jī)構(gòu)用戶為研究對(duì)象，以每一個(gè)機(jī)構(gòu)的微博傳播力為觀察對(duì)象。在傳播力計(jì)算過程中，為了簡(jiǎn)化權(quán)重賦值的過程，本文選擇熵權(quán)法進(jìn)行權(quán)重賦值。

3.1 數(shù)據(jù)來源

筆者在微博搜索界面，以“旅游”為關(guān)鍵詞進(jìn)行“找人”，限定條件為“機(jī)構(gòu)認(rèn)證”，利用爬蟲軟件Gooseeker，針對(duì)微博內(nèi)容特征和微博用戶特征分別進(jìn)行數(shù)據(jù)爬取，具體爬取過程如下：

3.1.1 微博內(nèi)容特征數(shù)據(jù)爬取

在搜索結(jié)果中，排在第一位的是途牛旅游網(wǎng)官方微博，說明微博平臺(tái)默認(rèn)其有較大的傳播力，因此，筆者將途牛旅游網(wǎng)官方微博作為微博內(nèi)容特征影響因素的研究對(duì)象，爬取其自2013年9月至2017年5月的所有微博信息，包括微博發(fā)布時(shí)間、微博內(nèi)容、轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)和點(diǎn)贊數(shù)。

3.1.2 微博用戶特征數(shù)據(jù)爬取

為了獲得旅游機(jī)構(gòu)的微博用戶特征信息，筆者針對(duì)模型中的個(gè)人屬性、粉絲屬性和用戶關(guān)系屬性分別進(jìn)行數(shù)據(jù)爬取。首先，針對(duì)個(gè)人屬性爬取了搜索結(jié)果中所有旅游機(jī)構(gòu)用戶的用戶名、關(guān)注數(shù)、粉絲數(shù)、微博數(shù)等內(nèi)容；針對(duì)粉絲屬性爬取了每位用戶粉絲的信息，即其粉絲的粉絲數(shù)、關(guān)注數(shù)和微博數(shù)，由于微博網(wǎng)站的限制，粉絲信息只能查看前5頁，本文只爬取了每位旅游機(jī)構(gòu)用戶前5頁內(nèi)的100位粉絲的信息；針對(duì)用戶關(guān)系屬性爬取了旅游機(jī)構(gòu)用戶間互相關(guān)注的數(shù)據(jù)。最后又爬取了每位用戶在4月份所發(fā)的所有微博信息，包括每條微博的轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)和點(diǎn)贊數(shù)，用以計(jì)算每位用戶在2017年4月份的機(jī)構(gòu)微博傳播力。

所有數(shù)據(jù)爬取時(shí)間為2017年5月3日-2017年5月7日，經(jīng)過初步的去重處理，最后一共爬取到888名用戶數(shù)據(jù)，9 753條途牛旅游網(wǎng)數(shù)據(jù)。

3.2 數(shù)據(jù)處理

3.2.1 微博內(nèi)容數(shù)據(jù)預(yù)處理

考慮到人工標(biāo)注成本，筆者將爬取到的途牛旅游網(wǎng)官博的9 753條微博，按照轉(zhuǎn)發(fā)數(shù)進(jìn)行排序，然后利用層級(jí)抽樣方法，以20為間隔，最后選取了488條微博為研究樣本。

數(shù)據(jù)處理過程中首先將488條微博的轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)和點(diǎn)贊數(shù)利用自然對(duì)數(shù)進(jìn)行標(biāo)準(zhǔn)化，然后利用熵權(quán)法進(jìn)行權(quán)重的賦值，得出權(quán)重分別為44%、36%和20%，計(jì)算每條微博的單條微博傳播力，并與各指標(biāo)做相關(guān)性分析，發(fā)現(xiàn)相關(guān)系數(shù)都大于0.9，說明權(quán)重賦值合理。

然后筆者根據(jù)微博傳播力影響因素指標(biāo)將途牛旅游網(wǎng)微博內(nèi)容是否含視頻、是否含話題和是否含@符號(hào)進(jìn)行標(biāo)注，計(jì)算微博內(nèi)容長(zhǎng)度；利用武漢大學(xué)團(tuán)隊(duì)的內(nèi)容分析工具——Rost Content Mining計(jì)算出每一條微博內(nèi)容的情感值，并根據(jù)情感值將情感類別分為積極情緒、消極情緒和中性情緒，以每一條情感值求絕對(duì)值作為其情感強(qiáng)度；利用該軟件的分詞處理和社會(huì)網(wǎng)絡(luò)與語義分析將途牛旅游網(wǎng)的微博內(nèi)容主題分為抽獎(jiǎng)活動(dòng)、開獎(jiǎng)通知、早安問候、晚安問候、美食相關(guān)、旅游攻略、目的地推薦、商業(yè)合作、新聞資訊、平臺(tái)產(chǎn)品和其他；將發(fā)布時(shí)間按層次分為發(fā)布月份、發(fā)布星期以及發(fā)布時(shí)間段。其中在發(fā)布時(shí)間段中將凌晨0∶00到早上8∶00單獨(dú)作為一個(gè)時(shí)間段，其他時(shí)間段，將每?jī)蓚€(gè)小時(shí)作為一個(gè)時(shí)間段。

3.2.2 微博用戶特征數(shù)據(jù)預(yù)處理

針對(duì)微博用戶特征數(shù)據(jù)，筆者首先按照微博用戶特征中的個(gè)人屬性、粉絲屬性和用戶關(guān)系屬性分別對(duì)相關(guān)數(shù)據(jù)進(jìn)行預(yù)處理，包括缺失數(shù)據(jù)的手動(dòng)補(bǔ)充、粉絲屬性中各粉絲的粉絲數(shù)、關(guān)注數(shù)和發(fā)博數(shù)的平均值計(jì)算以及用戶關(guān)系屬性中每位用戶的點(diǎn)出度、點(diǎn)入度以及PageRank值的計(jì)算。

然后計(jì)算每位用戶所有微博的平均轉(zhuǎn)發(fā)數(shù)、平均評(píng)論數(shù)和平均點(diǎn)贊數(shù)，利用自然對(duì)數(shù)進(jìn)行標(biāo)準(zhǔn)化后按熵權(quán)法賦值，得出權(quán)重分別為39%、37%和24%，計(jì)算每位用戶的微博傳播力，同樣將其與3個(gè)指標(biāo)進(jìn)行相關(guān)性分析，發(fā)現(xiàn)相關(guān)系數(shù)都大于0.9，說明權(quán)重賦值合理。由于本文將旅游機(jī)構(gòu)微博傳播力的研究限定在2017年4月份，因此對(duì)于4月沒有發(fā)博的用戶，則認(rèn)為該用戶在四月份的微博傳播力為0，采取剔除處理，最終保留了566個(gè)用戶。

3.3 數(shù)據(jù)分析與結(jié)果

考慮到微博傳播力影響因素所包含的變量較多，可能有一定的共線性，本文選擇彈性網(wǎng)絡(luò)（Elastic Net）對(duì)影響因素進(jìn)行驗(yàn)證分析。

彈性網(wǎng)絡(luò)（Elastic Net）是線性回歸的改進(jìn)算法，其綜合了以L1范式作為懲罰項(xiàng)的Lasso算法和以L2范式作為懲罰項(xiàng)的Ridge算法，使得結(jié)果既能具備一定的穩(wěn)定性，又可以將一些系數(shù)化化為0，達(dá)到特征選擇的目的，同時(shí)也能有效處理自變量間的共線性[23]。

3.3.1 微博內(nèi)容Elastic Net分析

筆者所選用的分析工具是Python軟件。由于微博內(nèi)容特征中除了情感強(qiáng)度和內(nèi)容長(zhǎng)度，其他都為分類變量，因此在正式分析之前，筆者先用Python語言將所有分類變量轉(zhuǎn)換成虛擬變量，即把所有分類變量轉(zhuǎn)換成取值全為0和1的多個(gè)變量。

然后以微博傳播力為因變量，微博內(nèi)容影響因素為自變量，進(jìn)行Elastic Net分析，輸出各個(gè)變量的系數(shù)，其中非零系數(shù)的結(jié)果如表4所示。

由表4微博內(nèi)容Elastic Net非零系數(shù)結(jié)果可以看出以下幾點(diǎn)：

1）微博內(nèi)容元素中，視頻、話題、艾特和內(nèi)容長(zhǎng)度均對(duì)傳播力有正向影響，其中視頻影響最大，但內(nèi)容長(zhǎng)度系數(shù)較小。這說明，適當(dāng)?shù)囊曨l配合話題和艾特將有利于微博傳播，而內(nèi)容長(zhǎng)度對(duì)微博傳播力則只有細(xì)微的正向作用；

2）微博情感中，情感強(qiáng)度雖被保留，但系數(shù)較小且為負(fù)，而情感類別各個(gè)變量系數(shù)均為0，全部被剔除。說明雖然情感強(qiáng)度對(duì)微博傳播力有細(xì)微的負(fù)向影響，但整體來看，微博情感對(duì)微博傳播力的影響有限；

3）微博主題中，原創(chuàng)、開獎(jiǎng)通知、平臺(tái)產(chǎn)品、抽獎(jiǎng)活動(dòng)、晚安問候和美食相關(guān)被保留，說明這幾個(gè)變量會(huì)對(duì)微博傳播力產(chǎn)生影響。其中，原創(chuàng)微博對(duì)傳播力有正向影響，說明原創(chuàng)微博有利于傳播。而晚安問候、抽獎(jiǎng)活動(dòng)和美食相關(guān)的原創(chuàng)微博，對(duì)傳播力是有正向影響的，開獎(jiǎng)通知和平臺(tái)產(chǎn)品對(duì)傳播力卻有負(fù)向影響。這可能是因?yàn)椋_獎(jiǎng)通知針對(duì)性太強(qiáng)，平臺(tái)產(chǎn)品廣告性質(zhì)太濃，用戶并不會(huì)主動(dòng)對(duì)其進(jìn)行傳播，所以會(huì)對(duì)微博的傳播產(chǎn)生負(fù)向影響。抽獎(jiǎng)活動(dòng)往往會(huì)對(duì)很多用戶產(chǎn)生激勵(lì)作用，進(jìn)而促進(jìn)傳播；

4）發(fā)布時(shí)間中，發(fā)布星期各個(gè)變量系數(shù)均為0，發(fā)布月份除了12月份，其余各變量均被剔除，而發(fā)布時(shí)間段，除了10∶00～12∶00，22∶00～24∶00，其余變量也均被剔除，被留下來的3個(gè)變量其系數(shù)值也較小，這說明發(fā)布時(shí)間對(duì)微博傳播力影響微乎其微，即粉絲對(duì)所發(fā)微博的關(guān)注并不怎么受發(fā)布時(shí)間影響。

3.3.2 用戶特征Elastic Net分析

用戶特征所有涉及的影響因素均為連續(xù)變量，同樣使用Python軟件對(duì)其進(jìn)行Elastic Net分析。

由于各變量存在較大的尺度差異，在進(jìn)行正式分析之前，筆者利用Python中的代碼庫，對(duì)數(shù)據(jù)進(jìn)行了正態(tài)化和歸一化。

然后以用戶傳播力為因變量，用戶特征影響因素為自變量，進(jìn)行ElasticNet分析之后輸出各變量的系數(shù)如表5所示。

由表5用戶特征Elastic Net系數(shù)結(jié)果可以得出以下結(jié)論：

1）在個(gè)人屬性中，當(dāng)月原創(chuàng)發(fā)博數(shù)、發(fā)博數(shù)和等級(jí)系數(shù)為0，被剔除，而粉絲數(shù)、關(guān)注數(shù)和當(dāng)月發(fā)博數(shù)對(duì)微博傳播力有一定的影響。其中，粉絲數(shù)和關(guān)注數(shù)系數(shù)為正，而當(dāng)月發(fā)博數(shù)系數(shù)為負(fù)。這說明粉絲數(shù)和關(guān)注數(shù)的增多對(duì)用戶傳播力起到正向影響，但用戶當(dāng)月發(fā)博數(shù)較多時(shí)，卻會(huì)產(chǎn)生負(fù)向影響，這可能與刷屏現(xiàn)象引起的粉絲厭煩有關(guān)；

2）在粉絲屬性中，除了粉絲數(shù)與關(guān)注數(shù)的比值被剔除，粉絲的關(guān)注數(shù)、粉絲數(shù)和發(fā)博數(shù)都對(duì)用戶的傳播力有一定影響。其中，粉絲關(guān)注數(shù)和粉絲粉絲數(shù)都對(duì)傳播力存在負(fù)向作用，而粉絲發(fā)博數(shù)存在正向作用。這說明，當(dāng)用戶粉絲關(guān)注過多且擁有更多粉絲時(shí)，用戶本身的傳播力是會(huì)下降的，而粉絲發(fā)博數(shù)增多時(shí)，卻有利于用戶本身傳播力，這可能是因?yàn)榉劢z發(fā)博量增加體現(xiàn)了粉絲的活躍度，而活躍度的增加代表的是其與用戶互動(dòng)的可能性增加，推動(dòng)了微博的傳播；

3）用戶關(guān)系屬性中，點(diǎn)入度被剔除，點(diǎn)出度對(duì)傳播力存在負(fù)向作用，Pagerank值對(duì)傳播力存在正向作用，且系數(shù)較大。這說明用戶在關(guān)系網(wǎng)絡(luò)中的重要性對(duì)其傳播力的提升非常重要，但一味地關(guān)注別人，則可能降低自身的傳播力。

4 結(jié) 論

綜上所述，從微博內(nèi)容和用戶特征兩個(gè)方面對(duì)旅游機(jī)構(gòu)的微博傳播力進(jìn)行實(shí)證，可以得出以下結(jié)論：

1）就微博內(nèi)容而言，微博主題和微博內(nèi)容元素會(huì)對(duì)旅游機(jī)構(gòu)的微博傳播力產(chǎn)生較大影響，而微博情感和發(fā)布時(shí)間對(duì)微博傳播力產(chǎn)生的影響雖有但十分細(xì)微。其中，在微博主題中，原創(chuàng)微博中的晚安問候、抽獎(jiǎng)活動(dòng)和美食相關(guān)對(duì)傳播力有正向影響，而開獎(jiǎng)通知和平臺(tái)產(chǎn)品對(duì)傳播力卻有負(fù)向影響；在微博內(nèi)容元素中，包含視頻、話題和艾特會(huì)對(duì)旅游機(jī)構(gòu)的微博傳播力有推動(dòng)作用。

2）就用戶特征而言，個(gè)人屬性、粉絲屬性和用戶關(guān)系屬性均會(huì)對(duì)旅游微博用戶的傳播力產(chǎn)生影響。其中，在個(gè)人屬性中，粉絲數(shù)和關(guān)注數(shù)對(duì)用戶傳播力產(chǎn)生正向影響，當(dāng)月發(fā)博數(shù)對(duì)用戶傳播力有負(fù)向影響；在粉絲屬性中，用戶粉絲的粉絲數(shù)和關(guān)注數(shù)會(huì)對(duì)用戶的傳播力產(chǎn)生負(fù)向影響，而用戶粉絲的發(fā)博數(shù)會(huì)對(duì)用戶的傳播力產(chǎn)生正向影響；在用戶關(guān)系屬性中，用戶本身的節(jié)點(diǎn)重要性會(huì)對(duì)用戶傳播力產(chǎn)生較大的正向影響，而點(diǎn)出度則會(huì)產(chǎn)生負(fù)向影響。

由結(jié)論可得出針對(duì)微博旅游機(jī)構(gòu)用戶的影響因素指標(biāo)如表6所示。

結(jié)合實(shí)證結(jié)論，本文對(duì)旅游機(jī)構(gòu)的微博運(yùn)營(yíng)提出幾點(diǎn)建議：

1）在微博運(yùn)營(yíng)的過程中可以設(shè)置固定的版塊，如早安和晚安問候，并經(jīng)常開辦抽獎(jiǎng)等激勵(lì)性活動(dòng)，減少廣告信息發(fā)送，以吸引活躍度較高的粉絲，提升自己的傳播力；

2）多發(fā)送原創(chuàng)微博，并適當(dāng)使用視頻、話題和艾特，以提高微博傳播力；

3）多跟其他旅游機(jī)構(gòu)用戶進(jìn)行互相關(guān)注，特別是影響力較大的用戶，以提升自己在該領(lǐng)域社會(huì)網(wǎng)絡(luò)的節(jié)點(diǎn)重要性，沒有得到回應(yīng)的單向關(guān)注則可取消；

4）不要過于頻繁地發(fā)送微博，避免用戶逆反心理對(duì)微博傳播力產(chǎn)生負(fù)向影響。

5 總結(jié)與思考

本文先對(duì)機(jī)構(gòu)微博傳播力進(jìn)行概念限定，并選取轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)和點(diǎn)贊數(shù)為指標(biāo)進(jìn)行權(quán)重賦值對(duì)機(jī)構(gòu)微博傳播力進(jìn)行具體量化，然后將用戶關(guān)系屬性納入微博用戶特征，結(jié)合微博內(nèi)容和用戶特征對(duì)微博傳播力影響因素指標(biāo)進(jìn)行選取，最后選取新浪微博平臺(tái)上的旅游機(jī)構(gòu)用戶為實(shí)證研究對(duì)象，利用Elastic Net對(duì)各指標(biāo)進(jìn)行驗(yàn)證，得出了旅游機(jī)構(gòu)微博傳播力的具體影響因素。

除了得出針對(duì)旅游機(jī)構(gòu)用戶的具體影響因素外，由實(shí)證研究的結(jié)論還可以得出以下關(guān)于機(jī)構(gòu)微博傳播力影響因素的相關(guān)思考：

1）用戶關(guān)系對(duì)于機(jī)構(gòu)微博傳播力的重要性。由實(shí)證可以看出，用戶關(guān)系屬性中的PageRank值的確會(huì)對(duì)機(jī)構(gòu)微博傳播力產(chǎn)生影響，且影響較大，這說明，在考慮微博傳播相關(guān)的影響因素時(shí)，微博本身的社交網(wǎng)絡(luò)屬性是非常重要的，不應(yīng)僅僅只把用戶作為獨(dú)立個(gè)體來分析，其關(guān)系屬性不容忽視。但本文分析用戶關(guān)系屬性時(shí)只針對(duì)了部分旅游機(jī)構(gòu)用戶進(jìn)行社會(huì)網(wǎng)絡(luò)分析，下一步可以深入社會(huì)網(wǎng)絡(luò)分析的內(nèi)容，使傳播力的影響因素指標(biāo)更全面；

2）粉絲屬性的復(fù)雜性。由對(duì)旅游機(jī)構(gòu)用戶的實(shí)證研究，可以發(fā)現(xiàn)，粉絲發(fā)博數(shù)的確會(huì)對(duì)用戶傳播力產(chǎn)生推動(dòng)作用，但是其粉絲數(shù)和關(guān)注數(shù)卻會(huì)對(duì)用戶傳播力產(chǎn)生負(fù)向影響，而粉絲發(fā)博數(shù)代表粉絲的活躍度，粉絲的粉絲數(shù)和關(guān)注數(shù)代表粉絲的質(zhì)量，由此可見，粉絲活躍度和粉絲質(zhì)量對(duì)微博傳播力并不一定就會(huì)起到推動(dòng)作用，需要針對(duì)具體對(duì)象進(jìn)行具體分析，但總的來說，粉絲屬性對(duì)于微博傳播力的影響是不容忽視的；

3）影響因素指標(biāo)的領(lǐng)域拓展。雖然微博內(nèi)容和用戶特征作為每位微博用戶的固有屬性并不會(huì)受領(lǐng)域影響，但是，不同領(lǐng)域的微博內(nèi)容風(fēng)格迥異，用戶特征也有所不同，本文實(shí)證研究針對(duì)的是途牛旅游網(wǎng)官方微博的微博內(nèi)容和部分旅游機(jī)構(gòu)用戶的用戶特征，其結(jié)論會(huì)有一定的領(lǐng)域局限。但是，在涉及其他領(lǐng)域時(shí)，依舊可以用這樣的指標(biāo)，并且針對(duì)具體領(lǐng)域進(jìn)行指標(biāo)實(shí)證時(shí)的刪減，最后得出針對(duì)不同領(lǐng)域的微博傳播力影響因素；

4）微博情感計(jì)算的準(zhǔn)確性。本文是使用軟件工具來計(jì)算微博情感的，在詞句的處理上可能會(huì)存在一定的誤差，下一步研究在微博情感這一塊可以考慮引入主觀標(biāo)注，結(jié)合主觀和客觀，使結(jié)果更加準(zhǔn)確。

綜上所述，本文研究成果對(duì)微博傳播力的量化和多角度探究微博傳播力影響因素具有一定的理論參考，為各領(lǐng)域機(jī)構(gòu)從微博內(nèi)容和用戶特征兩個(gè)方面進(jìn)行微博運(yùn)營(yíng)提供了參考依據(jù)。由于時(shí)間和樣本的局限，本文研究方法和結(jié)論存在的不足之處，將在下一個(gè)階段的研究中進(jìn)一步完善。

參考文獻(xiàn)

[1]房雅楠.活躍用戶超3億微博商業(yè)化業(yè)績(jī)靚麗[N].中國(guó)商報(bào)，2017-02-28，（7）.

[2]張春華.傳播力：一個(gè)概念的界定與解析[J].求索，2011，（11）：76-77.

[3]王建東，趙冬梅.電商企業(yè)官方微博競(jìng)爭(zhēng)力評(píng)價(jià)研究——基于熵值法的視角[J].統(tǒng)計(jì)與信息論壇，2013，28（10）：81-84.

[4]方興東，張靜，張笑容，等.基于網(wǎng)絡(luò)輿論場(chǎng)的微信與微博傳播力評(píng)價(jià)對(duì)比研究[J].新聞界，2014，（15）：39-43.

[5]劉叢，謝耘耕，萬旋傲.微博情緒與微博傳播力的關(guān)系研究——基于24起公共事件相關(guān)微博的實(shí)證分析[J].新聞與傳播研究，2015，（9）：92-106，128.

[6]趙玲，張靜.微博用戶使用動(dòng)機(jī)影響因素與結(jié)構(gòu)的實(shí)證研究[J].管理學(xué)報(bào)，2014，11（8）：1239-1245.

[7]彭柯，朱慶華，王雪芬.微博用戶共享行為影響因素研究[J].圖書情報(bào)知識(shí)，2013，（2）：81-87.

[8]陳芳，劉芳.地方高校圖書館社交媒體互動(dòng)效果分析——以新浪認(rèn)證微博為例[J].情報(bào)科學(xué)，2016，（12）：115-119，167.

[9]謝耘耕，榮婷.微博傳播的關(guān)鍵節(jié)點(diǎn)及其影響因素分析——基于30起重大輿情事件微博熱帖的實(shí)證研究[J].新聞與傳播研究，2013，20（3）：5-15，126.

[10]于晶.微博傳播過程中用戶影響力的特征實(shí)證分析[J].情報(bào)雜志，2013，（8）：57-61，38.

[11]周志峰，韓靜嫻.h指數(shù)應(yīng)用于微博影響力分析的探索——以我國(guó)“211工程”大學(xué)圖書館微博為例[J].情報(bào)雜志，2013，32（4）：63-67.

[12]劉曉娟，王昊賢，肖雪，等.基于微博特征的政務(wù)微博影響因素研究[J].情報(bào)雜志，2013，（12）：35-41.

[13]Hovland C I，Janis I L，Kelley H H.Communication and Persuasion[M].New haven：Yale University Press，1953：6-67.

[14]哈羅德·拉斯韋爾.社會(huì)傳播的結(jié)構(gòu)與功能[M].何道寬，譯.北京：中國(guó)傳媒大學(xué)出版社，2013：11-78.

[15]張博，李竹君.微博信息傳播效果研究綜述[J].現(xiàn)代情報(bào)，2017，37（1）：165-171.

[16]沈陽.2014政務(wù)新媒體傳播力報(bào)告[R].北京：清華大學(xué)新聞研究中心，2015：4-7.

[17]Berger，Jonah，and Katherine Milkman.What Makes Online Content go Viral[J].Journal of Marketing Research，2012，49（2）：192-205.

[18]Berman R，Humphrey C，Melumad S，et al.Make America Tweet Again：A Dynamic Analysis of Micro-Blogging During the 2016 U.S.Republican Primary Debates[J].Social Science Electronic Publishing，2017.

[19]張鵬威，劉紅麗，汪林威，等.用戶特征對(duì)微博信息傳播影響的實(shí)證研究[J].現(xiàn)代計(jì)算機(jī)：專業(yè)版，2015，（16）：33-38，69.

[20]王國(guó)華，鄭全海，王雅蕾，等.新浪熱門微博的特征及用戶轉(zhuǎn)發(fā)規(guī)律研究[J].情報(bào)雜志，2014，（4）：117-121，89.

[21]馬俊，周剛，許斌，等.基于個(gè)人屬性特征的微博用戶影響力分析[J].計(jì)算機(jī)應(yīng)用研究，2013，30（8）：2483-2487.

[22]畢凌燕，張鎮(zhèn)鵬，左文明.基于微博傳播信息流的微博效果評(píng)價(jià)模型及實(shí)證研究[J].情報(bào)雜志，2013，（7）：69-73.

[23]柯鄭林.Lasso及其相關(guān)方法在多元線性回歸模型中的應(yīng)用[D].北京：北京交通大學(xué)，2011.

（責(zé)任編輯：郭沫含）