基于微博微信的高校社交網(wǎng)絡(luò)信息傳播特征與效率對(duì)比分析

劉虹 李煜 孫建軍

〔摘 要〕文章對(duì)高校微博、微信平臺(tái)的信息傳播特征與效率展開研究。從985高校的微博、微信平臺(tái)的信息服務(wù)入手，基于時(shí)間特征、內(nèi)容特征、行為特征構(gòu)建社交網(wǎng)絡(luò)信息傳播效率指標(biāo)體系，對(duì)比分析其傳播特征和效率的異同點(diǎn)，并進(jìn)一步將微博、微信兩個(gè)平臺(tái)的發(fā)文主題劃分為學(xué)校資訊、校園活動(dòng)、思想宣傳、娛樂(lè)休閑、互動(dòng)交流等13個(gè)類別，探索分析發(fā)文主題與傳播效果之間的關(guān)聯(lián)。研究發(fā)現(xiàn)，高校在兩個(gè)平臺(tái)的發(fā)文時(shí)間分布存在差異；在傳播特征指標(biāo)方面，高校微博的發(fā)文數(shù)、粉絲數(shù)高于微信，但高校微信的傳播效率則優(yōu)于微博；另外，高校在兩個(gè)平臺(tái)的發(fā)文主題具有互補(bǔ)性，不同發(fā)文主題在兩個(gè)平臺(tái)的信息傳播效果均存在顯著差異。

〔關(guān)鍵詞〕微博；高校；社交網(wǎng)絡(luò)；信息交流；信息服務(wù)；效率評(píng)價(jià)；影響因素；指標(biāo)體系

DOI：10.3969/j.issn.1008-0821.2018.04.001

〔中圖分類號(hào)〕G203 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2018）04-0003-09

〔Abstract〕The paper studied the features and efficiency of information dissemination of micro-blog and WeChat platforms of universities.Starting with information services of micro-blog and WeChat platforms of 985 Universities，the paper constructed the efficiency index system of social network information dissemination based on three dimensions including time，content and behavior.Then，the paper compared and analyzed the similarities and differences of dissemination features and efficiency between the two platforms.Besides，the article further divided the subjects into thirteen categories such as school information，campus activity，ideological propaganda，entertainment，leisure and interactive communication.Meanwhile，the paper explored and analyzed the relation between the subjects and information dissemination effects.The research result showed that there were differences in the time distribution of delivery between the two platforms.In terms of dissemination features，the number of articles and followers of micro-blog were higher than WeChat，but the dissemination efficiency of WeChat was better than micro-blog.In addition，subjects in these two platforms were complementary，there were significant differences in the information dissemination effect between different subjects.

〔Key words〕micro-blog；university；social network；information communication；information service；efficiency evaluation；impact factor；index system

作為社交網(wǎng)絡(luò)產(chǎn)業(yè)的代表性應(yīng)用，新浪微博和騰訊微信的發(fā)展勢(shì)頭迅猛，用戶數(shù)不斷攀登新高。騰訊和新浪的官方報(bào)告顯示，到2016年截止，新浪微博的月活躍人數(shù)為2.97億[1]，微信月活躍用戶數(shù)近9億、公眾號(hào)數(shù)量已達(dá)1 777萬(wàn)個(gè)[2]。高校借力微博、微信等社交網(wǎng)絡(luò)平臺(tái)開展宣傳教育、資訊發(fā)布、活動(dòng)交流等服務(wù)是大勢(shì)所趨。目前，社交網(wǎng)絡(luò)信息傳播的研究主題可歸納為社交網(wǎng)絡(luò)信息傳播特征與行為研究、社交網(wǎng)絡(luò)信息傳播網(wǎng)絡(luò)結(jié)構(gòu)研究、社交網(wǎng)絡(luò)信息傳播預(yù)測(cè)模型研究3個(gè)方面。

1）社交網(wǎng)絡(luò)信息傳播特征與行為研究：運(yùn)用文本分析、問(wèn)卷分析、情緒分析、數(shù)據(jù)挖掘等研究方法，對(duì)社交網(wǎng)絡(luò)環(huán)境下的用戶信息傳播行為展開定量分析，揭示信息傳播特征、運(yùn)營(yíng)效率、用戶信息傳播行為的影響因素和作用機(jī)制。Stieglitz和Dang-Xuan[3]以Twitter為例，探討社交網(wǎng)絡(luò)中博文內(nèi)容的情緒特征與用戶分享行為之間的關(guān)系。Taxidou等[4]的研究表明用戶關(guān)系對(duì)Twitter轉(zhuǎn)發(fā)行為存在顯著影響。

2）社交網(wǎng)絡(luò)信息傳播網(wǎng)絡(luò)結(jié)構(gòu)研究：運(yùn)用復(fù)雜網(wǎng)絡(luò)分析、案例分析、機(jī)器學(xué)習(xí)等研究方法，以微博、微信、Twitter等典型社交網(wǎng)絡(luò)產(chǎn)品為數(shù)據(jù)來(lái)源，以社交網(wǎng)絡(luò)用戶之間的關(guān)注與被關(guān)注、轉(zhuǎn)發(fā)與被轉(zhuǎn)發(fā)、評(píng)論與被評(píng)論關(guān)系為研究對(duì)象，挖掘社交網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)特征，識(shí)別信息傳播中的高影響力用戶，發(fā)現(xiàn)信息傳播過(guò)程中的意見領(lǐng)袖。Zhang等[5]基于用戶興趣視角，采用內(nèi)容指標(biāo)和網(wǎng)絡(luò)結(jié)構(gòu)指標(biāo)計(jì)算用戶相似性。Tang等[6]采用迭代語(yǔ)義分析方法識(shí)別社交網(wǎng)絡(luò)動(dòng)態(tài)多模結(jié)構(gòu)中的用戶屬性和關(guān)系機(jī)制。

3）社交網(wǎng)絡(luò)信息傳播預(yù)測(cè)模型研究：社交網(wǎng)絡(luò)環(huán)境下的用戶的轉(zhuǎn)發(fā)、評(píng)論等信息傳播行為產(chǎn)生了大量數(shù)據(jù)，為信息傳播預(yù)測(cè)研究提供了良好數(shù)據(jù)支撐，研究范疇包括對(duì)具體事件的預(yù)測(cè)及對(duì)用戶信息傳播行為的預(yù)測(cè)。具體事件預(yù)測(cè)研究的主題包括流感預(yù)測(cè)[7]、股票預(yù)測(cè)[8-9]、影視收視率或票房預(yù)測(cè)[10-11]、總統(tǒng)大選結(jié)果預(yù)測(cè)[12]等。用戶信息傳播行為預(yù)測(cè)研究主要為轉(zhuǎn)發(fā)行為、評(píng)論行為及發(fā)布行為[13-14]。

微信和微博作為兩種不同的社交媒體平臺(tái)，在價(jià)值認(rèn)同[15]、內(nèi)容開放度[16]、服務(wù)模式[17]等維度均有所差異。本文對(duì)高校微博、微信兩個(gè)社交網(wǎng)絡(luò)平臺(tái)信息傳播特征和效率展開分析，可幫助明晰高校社交網(wǎng)絡(luò)信息服務(wù)水平，對(duì)比分析高校在兩個(gè)平臺(tái)信息傳播特征和效率的異同點(diǎn)，并為高校的微博、微信服務(wù)運(yùn)營(yíng)提供針對(duì)性改進(jìn)路徑和建議。

1 研究設(shè)計(jì)

1.1 指標(biāo)體系構(gòu)建

關(guān)于社交網(wǎng)絡(luò)信息傳播效果的指標(biāo)體系構(gòu)建，眾多學(xué)者在此領(lǐng)域展開研究并取得豐碩成果。Cha等[18]、Ye和Wu[19]認(rèn)為，點(diǎn)贊、轉(zhuǎn)發(fā)和評(píng)論是評(píng)價(jià)Twitter信息傳播影響力的重要指標(biāo)。何音等[20]提出，粉絲數(shù)、關(guān)注數(shù)、發(fā)文數(shù)等用戶特征指標(biāo)是評(píng)價(jià)微博信息傳播影響力的重要指標(biāo)。Daft和Lengel[21]的信息豐富性理論認(rèn)為，不同形式的媒體承載的信息量不同，豐富、生動(dòng)的信息形式提高了用戶溝通交流的可能性[22]。Shang等[23]、Liu等[24]對(duì)社交網(wǎng)絡(luò)的研究也表明視頻、圖片、URL等信息形式能提升信息傳播效果與信息可達(dá)度。

考慮到研究的科學(xué)性與可對(duì)比性，本文在信息傳播效率指標(biāo)的選取過(guò)程中只選取微博、微信的共性指標(biāo)，而對(duì)微博關(guān)注數(shù)、微信菜單欄目等特性指標(biāo)則不予考察。最終，本文選取的社交網(wǎng)絡(luò)信息傳播的投入指標(biāo)包括：時(shí)間特征指標(biāo)（注冊(cè)時(shí)間）、內(nèi)容特征指標(biāo)（發(fā)文數(shù)、含視頻文章數(shù)、原創(chuàng)數(shù)）；產(chǎn)出指標(biāo)包括：行為特征指標(biāo)（粉絲數(shù)、傳播度、點(diǎn)贊數(shù)）。

1.2 數(shù)據(jù)來(lái)源與獲取

以985高校的新浪微博和騰訊微信官方賬號(hào)為研究對(duì)象，研究生會(huì)、校友會(huì)、招生辦公室等二級(jí)機(jī)構(gòu)賬號(hào)不納入范疇。在39所985高校中，37所高校開通了微博、微信賬號(hào)，開通比例分別為94.87%和97.44%。

本文以2017年8月10日-2017年9月10日數(shù)據(jù)為樣本，利用爬蟲工具獲取微博指標(biāo)數(shù)據(jù)，利用數(shù)說(shuō)風(fēng)云[25]獲取微信發(fā)文數(shù)、粉絲數(shù)、傳播度及點(diǎn)贊數(shù)指標(biāo)數(shù)據(jù)，采用人工遍歷方法獲取微信（含視頻文章數(shù)、原創(chuàng)數(shù)指標(biāo)數(shù)據(jù)）。剔除在該樣本日期內(nèi)發(fā)文數(shù)為過(guò)少或?yàn)?的3所高校，最終得到34所高校的9 707條信息傳播特征指標(biāo)數(shù)據(jù)。

2 雙平臺(tái)信息傳播特征對(duì)比分析

2.1 信息傳播效率特征指標(biāo)描述分析

高校微博、微信平臺(tái)信息傳播效率特征指標(biāo)描述統(tǒng)計(jì)如表1所示。

2.1.1 注冊(cè)時(shí)間分析

各高校微博、微信的注冊(cè)時(shí)間均值分別為2011年4月（方差：478.24）與2013年11月（方差：232.58）。高校微信開通時(shí)間普遍晚于微博，延遲時(shí)間約為31個(gè)月，但其建設(shè)速度明顯優(yōu)于微博。

2.1.2 發(fā)文數(shù)分析

微博發(fā)文數(shù)是微信的8.79倍（日均發(fā)文數(shù)分別為8篇和0.91篇），高校在微博、微信的發(fā)文數(shù)方面相差懸殊，原因之一是微信訂閱公眾號(hào)的日推送次數(shù)限定為1次[26]，但可通過(guò)1次推送多篇文章等途徑以提高發(fā)文數(shù)。

2.1.3 含視頻文章數(shù)分析

微博含視頻文章數(shù)均值是微信的9.3倍，但兩個(gè)平臺(tái)的含視頻文章數(shù)占比相差無(wú)幾，微博的含視頻文章數(shù)占比僅比微信高2個(gè)百分點(diǎn)。

2.1.4 原創(chuàng)數(shù)分析

微博、微信原創(chuàng)數(shù)最高的3所高校分別為西安交通大學(xué)、天津大學(xué)、大連理工大學(xué)和蘭州大學(xué)、南京大學(xué)、北京大學(xué)、武漢大學(xué)。就原創(chuàng)數(shù)的全部文章數(shù)占比而言，微博的原創(chuàng)數(shù)占比是微信的4.33倍，究其原因可能是原創(chuàng)標(biāo)簽是識(shí)別微信原創(chuàng)文章的常見方式，而目前微信的原創(chuàng)功能是邀請(qǐng)開通機(jī)制，部分高校微信文章原創(chuàng)數(shù)量為0的原因很可能是因?yàn)樯形幢谎?qǐng)開通原創(chuàng)聲明功能；而已開通原創(chuàng)功能的高校也需在發(fā)布文章前提交原創(chuàng)聲明申請(qǐng)，否則不會(huì)被標(biāo)記為原創(chuàng)標(biāo)簽。對(duì)于微博而言，則可通過(guò)“//@”、“via”、“轉(zhuǎn)發(fā)微博”等標(biāo)簽并輔以人工識(shí)別來(lái)剔除非原創(chuàng)博文。

2.1.5 粉絲數(shù)分析

微博、微信粉絲數(shù)最高的3所高校分別為清華大學(xué)、武漢大學(xué)、復(fù)旦大學(xué)和浙江大學(xué)、大連理工大學(xué)、廈門大學(xué)。對(duì)比可知，微博的粉絲數(shù)是微信的2.21倍。

2.1.6 傳播度分析

對(duì)比可知，微信的傳播度是微博的9.73倍。需要指出的是，微博閱讀數(shù)只供賬號(hào)主體查閱，因此本文的微博傳播度測(cè)度指標(biāo)為轉(zhuǎn)發(fā)數(shù)與評(píng)論數(shù)之和，而微信傳播度測(cè)度指標(biāo)則為閱讀數(shù)，兩個(gè)平臺(tái)的傳播度指標(biāo)測(cè)度并不一致。

2.1.7 點(diǎn)贊數(shù)分析

對(duì)比可知，微博的點(diǎn)贊數(shù)是微信的3.74倍；但微博、微信的篇均點(diǎn)贊數(shù)分別為87和204，微博篇均點(diǎn)贊數(shù)遠(yuǎn)低于微信，僅為后者的0.43倍。不同于微博的弱關(guān)系連接，微信與用戶之間的聯(lián)系更加密切，對(duì)公眾號(hào)的內(nèi)容推送質(zhì)量抱有更高期待[27]。另有研究表明[28]，相較于閱讀數(shù)，長(zhǎng)文章、生動(dòng)的視頻等文章內(nèi)在特征與點(diǎn)贊數(shù)的關(guān)系更為密切。因此，盡管高校的微信平臺(tái)建設(shè)遠(yuǎn)遠(yuǎn)晚于微博，但是通過(guò)高質(zhì)量的內(nèi)容建設(shè)，目前高校的微信賬號(hào)也擁有了大量的忠實(shí)用戶。

2.2 發(fā)文時(shí)間分析

將時(shí)間劃分為夜間休息、工作時(shí)間與休閑時(shí)間3個(gè)時(shí)間段。從圖1可知，1）夜間休息（23點(diǎn)～7點(diǎn)）：高校微博、微信在此時(shí)間段活躍度非常低，從每天首篇文章的發(fā)布時(shí)間來(lái)看，微博比微信早1個(gè)小時(shí)，這與微博內(nèi)容的強(qiáng)互動(dòng)性與短文本特征有關(guān)。2）工作時(shí)間（8點(diǎn)～17點(diǎn)）：高校微博在工作時(shí)間的活躍度波動(dòng)較為平緩，微信的活躍度則起伏明顯，10點(diǎn)、15點(diǎn)是兩個(gè)平臺(tái)的發(fā)文高峰期，另外高校微信在17點(diǎn)的發(fā)文也十分活躍。3）休閑時(shí)間（18點(diǎn)～22點(diǎn)）：微信的活躍度明顯提升，22點(diǎn)微信發(fā)文量占全天的15%，微博的活躍程度也逐漸上升，全天發(fā)文最高峰產(chǎn)生于23點(diǎn)。從整體來(lái)看，高校微博的發(fā)文頻率在白天各時(shí)間段較為均衡，而微信則體現(xiàn)出較為集中的趨勢(shì)。

3 雙平臺(tái)信息傳播效率對(duì)比分析

3.1 研究方法

采用數(shù)據(jù)包絡(luò)分析方法（Data Envelopment Analysis，DEA）分析高校微博、微信的信息傳播效率。DEA是管理科學(xué)領(lǐng)域的主要效率分析方法之一，常見測(cè)度指標(biāo)包括：綜合效率（Technical Efficiency，TE）：衡量高校在微博、微信上的整體資源整合與配置能力；純技術(shù)效率（Pure Technical Efficiency，PTE）：衡量高校在既定社交網(wǎng)絡(luò)資源投入水平基礎(chǔ)上實(shí)現(xiàn)產(chǎn)出最優(yōu)化的能力；規(guī)模效率（Scale Efficiency，SE）：測(cè)度高校的最優(yōu)資源投入規(guī)模，通過(guò)按比例變動(dòng)各投入指標(biāo)規(guī)模以實(shí)現(xiàn)更佳的傳播效率。

3.2 信息傳播效率測(cè)度

基于VRS模型、采用DEA軟件Deap2.1對(duì)高校微博、微信的信息傳播效率加以分析（見表2）。

對(duì)比分析微博、微信數(shù)據(jù)，微信平臺(tái)的信息傳播效率各項(xiàng)指標(biāo)值都高于微博，微博、微信的綜合效率均值分別為0.62與0.52，兩個(gè)平臺(tái)的信息傳播效率均位居中等水平。另外，兩個(gè)平臺(tái)的純技術(shù)效率都高于規(guī)模效率，除西安交通大學(xué)官方微博處于規(guī)模報(bào)酬遞減階段外，其他高校在微博、微信的信息傳播效率全部處于規(guī)模報(bào)酬遞增階段，表明高校在兩個(gè)平臺(tái)的信息傳播效率未達(dá)到DEA有效的主要原因在于投入規(guī)模不足。根據(jù)效率分析指標(biāo)將高校劃分為3個(gè)類別：DEA有效（綜合效率=1）、弱DEA有效（純技術(shù)效率=1但綜合效率<1）、非DEA有效（純技術(shù)效率<1且綜合效率<1）。

1）DEA有效：微博、微信平臺(tái)中信息傳播效率DEA有效的高校數(shù)分別為6個(gè)、5個(gè)，清華大學(xué)、華東師范大學(xué)、廈門大學(xué)3所高校在兩個(gè)平臺(tái)的信息傳播特征指標(biāo)的投入配置實(shí)現(xiàn)最優(yōu)化。

2）弱DEA有效：微博平臺(tái)中吉林大學(xué)、西北農(nóng)林科技大學(xué)等5所高校弱DEA有效，而微信平臺(tái)中則有武漢大學(xué)、吉林大學(xué)等15所高校弱DEA有效。這些高校在微博、微信的運(yùn)營(yíng)中對(duì)文章發(fā)布、原創(chuàng)文章、視頻等多媒體資源的結(jié)構(gòu)配置和質(zhì)量評(píng)價(jià)已較為成熟，增加對(duì)這些指標(biāo)的投入規(guī)模可有效提高其信息傳播效果。

3）非DEA有效：微博、微信平臺(tái)中信息傳播效率非DEA有效的高校數(shù)分別為23個(gè)、14個(gè)，需要從提高內(nèi)容質(zhì)量、資源配置水平、投入規(guī)模等多個(gè)維度予以改善。

獨(dú)立樣本T檢驗(yàn)結(jié)果表明，顯著性水平為0.911，差異不顯著（見表3），高校在兩個(gè)平臺(tái)的信息傳播效率表現(xiàn)具有相似性。

4 雙平臺(tái)信息傳播效率改進(jìn)

4.1 冗余度分析

采用Deap2.1軟件對(duì)微博、微信非DEA有效賬戶的信息傳播效率投入產(chǎn)出指標(biāo)展開冗余度分析，通過(guò)改進(jìn)信息傳播投入指標(biāo)的比例和規(guī)模可實(shí)現(xiàn)信息傳播效率最優(yōu)解。

4.1.1 微博冗余度分析

23個(gè)非DEA有效高校微博的信息傳播投入產(chǎn)出指標(biāo)的改進(jìn)比例如表4所示。

在產(chǎn)出指標(biāo)中，粉絲數(shù)改進(jìn)比例均值為63.46%，表明在現(xiàn)有發(fā)文數(shù)和原創(chuàng)數(shù)等指標(biāo)的投入規(guī)模下，這些高校的粉絲數(shù)與最優(yōu)解差距較大，高校在確?，F(xiàn)有用戶群體忠誠(chéng)度的基礎(chǔ)上應(yīng)加強(qiáng)宣傳力度，吸引新用戶關(guān)注，提高官方微博賬號(hào)的可達(dá)度。傳播度和點(diǎn)贊數(shù)的改進(jìn)比例均值分別為7.43%和81.55%，非DEA有效高校官方微博博文在轉(zhuǎn)發(fā)和評(píng)論兩個(gè)指標(biāo)上均有較好表現(xiàn)。有學(xué)者指出，點(diǎn)贊、評(píng)論和轉(zhuǎn)發(fā)3種信息傳播行為表征用戶對(duì)博文內(nèi)容的態(tài)度分別為贊同、感興趣和高度接受，其好感度依次遞增[29]，高頻次的評(píng)論數(shù)代表用戶對(duì)賬號(hào)主題有較深依賴[30]。因此，實(shí)際上非DEA高校微博粉絲與高校微博之間的互動(dòng)交流非常深入，但由于粉絲數(shù)量過(guò)少而導(dǎo)致了點(diǎn)贊這一同樣具有積極社交意義的信息傳播行為占比較低。在投入指標(biāo)中，含視頻文章數(shù)的效率冗余度最大，表明部分高校在微博運(yùn)營(yíng)過(guò)程中要注重對(duì)視頻質(zhì)量與數(shù)量的把控，過(guò)多娛樂(lè)休閑主題視頻的存在可能會(huì)造成高校微博的泛娛樂(lè)化，模糊高校微博的定位與功能。發(fā)文數(shù)與原創(chuàng)數(shù)的效率冗余度均超過(guò)30%，表明部分原創(chuàng)微博的可閱讀性不高，而用戶一定時(shí)間段內(nèi)能夠仔細(xì)閱讀或接收的信息有限[31]，過(guò)多的博文數(shù)量或過(guò)于分散的主題都不利于用戶對(duì)微博的有效利用[32]，這會(huì)使得用戶無(wú)法迅速獲取所需的學(xué)校資訊、通知公告等信息。另外，注冊(cè)天數(shù)也存在一定的效率冗余，表明部分高校微博運(yùn)營(yíng)過(guò)程中沒(méi)有充分利用先發(fā)優(yōu)勢(shì)。

4.1.2 微信冗余度分析

14個(gè)非DEA有效高校微信的信息傳播投入產(chǎn)出指標(biāo)的改進(jìn)比例如表5所示。從產(chǎn)出指標(biāo)來(lái)看，非DEA有效高校微信的點(diǎn)贊數(shù)與傳播度改進(jìn)比例僅為6.19%和7.11%，高校在這兩個(gè)指標(biāo)上表現(xiàn)良好，表明高校的微信內(nèi)容運(yùn)營(yíng)質(zhì)量良好，受到了用戶的普遍認(rèn)同。26.76%的粉絲數(shù)改進(jìn)比例則表明高校微信賬號(hào)在運(yùn)營(yíng)推廣、吸引新用戶上需要花費(fèi)更多精力。

4.2 發(fā)文主題與信息傳播效果的關(guān)聯(lián)分析

本文對(duì)高校微博、微信發(fā)文主題與信息傳播效果之間的關(guān)聯(lián)展開分析。在借鑒相關(guān)社交網(wǎng)絡(luò)信息傳播研究的基礎(chǔ)上，采用人工編碼方式，將微信、微博的文章劃分為學(xué)校資訊、思想宣傳、通知公告、學(xué)術(shù)科研等13個(gè)主題（詳情見圖2）。

如圖2所示，微博發(fā)文量最多、最少的3個(gè)主題依次是好文賞析、互動(dòng)交流、知識(shí)技能以及學(xué)校資訊、師生風(fēng)采、學(xué)術(shù)科研；微信發(fā)文量最多、最少的3個(gè)主題依次是校園活動(dòng)、學(xué)校資訊、師生風(fēng)采以及互動(dòng)交流、知識(shí)技能、好文賞析?；?dòng)交流是高校微博特有的主題，通過(guò)每日數(shù)次發(fā)布詩(shī)句、推送佳句和早晚安問(wèn)候、分享知識(shí)技能等娛樂(lè)信息，高校有效擴(kuò)大了受眾范圍并與用戶保持高互動(dòng)率，而微信的發(fā)文主題則更集中于學(xué)校相關(guān)新聞。高校在微博、微信的發(fā)文主題既有部分重疊，也存在一定的互補(bǔ)性，能夠較好地發(fā)揮雙微聯(lián)動(dòng)作用。

采用K-S非參數(shù)檢驗(yàn)方法對(duì)微博、微信發(fā)文主題與點(diǎn)贊數(shù)、傳播數(shù)兩個(gè)傳播效果指標(biāo)分別進(jìn)行差異性檢驗(yàn)（見表6）。結(jié)果表明，發(fā)文主題與高校微博、微信的傳播效果密切相關(guān)，其中微博主題與點(diǎn)贊數(shù)、傳播度在0.001的概率水平顯著，微信主題與點(diǎn)贊數(shù)、傳播度分別在0.05和0.1的概率水平顯著。

進(jìn)一步對(duì)雙平臺(tái)篇均點(diǎn)贊數(shù)、篇均傳播度排名前六的主題予以揭示（見圖3）。學(xué)校資訊、校園活動(dòng)、校園生活、娛樂(lè)休閑、通知公告5個(gè)主題在微博和微信兩個(gè)平臺(tái)的點(diǎn)贊數(shù)和傳播度均在前列，思想宣傳、社會(huì)熱點(diǎn)、節(jié)日紀(jì)念、師生風(fēng)采、知識(shí)技能在微信的傳播效果更為顯著，而好文賞析、互動(dòng)交流作為微博發(fā)文量占先的主題在信息傳播效果上也凸顯優(yōu)勢(shì)。除此之外，學(xué)術(shù)科研在兩個(gè)平臺(tái)的傳播效果都不夠理想，4項(xiàng)指標(biāo)排名皆在中等水平以下。

5 結(jié) 論

本文對(duì)34所985高校的官方微博、微信賬號(hào)的信息傳播特征和效率展開對(duì)比分析。研究發(fā)現(xiàn)，高校微博除了注冊(cè)時(shí)間早于微信平臺(tái)以外，其粉絲數(shù)和發(fā)文數(shù)2個(gè)指標(biāo)也是微信的數(shù)倍，但其篇均點(diǎn)贊率僅為微信平臺(tái)的0.43倍。從發(fā)文時(shí)間和主題來(lái)看，高校微信的發(fā)文時(shí)間段更為集中，主題多與校園活動(dòng)、校園生活、學(xué)校資訊、思想宣傳、師生風(fēng)采等信息有關(guān)，較好地發(fā)揮了高校社交媒體的宣傳教育功能；微博的發(fā)文時(shí)間更為疏散，白天各時(shí)間段的發(fā)文量差異不大，發(fā)文主題主要為好文賞析、互動(dòng)交流、知識(shí)技能等娛樂(lè)信息，對(duì)除校園活動(dòng)外的其他學(xué)校信息的發(fā)布較少，兩個(gè)平臺(tái)的發(fā)文主題具有一定的互補(bǔ)作用。就信息傳播效率而言，整體來(lái)看高校微信的傳播效率優(yōu)于微博，但兩者在優(yōu)質(zhì)原創(chuàng)內(nèi)容創(chuàng)作、多媒體資源合理配置、賬號(hào)宣傳推廣等方面都存在一定的改進(jìn)空間。

參考文獻(xiàn)

[1]新浪.2016微博用戶發(fā)展報(bào)告[R].北京：北京微夢(mèng)創(chuàng)科網(wǎng)絡(luò)技術(shù)有限公司，2016.

[2]騰訊.2016年微信公眾號(hào)數(shù)據(jù)洞察報(bào)告[R].北京：騰訊控股有限公司，2016.

[3]Stieglitz S，Dang-Xuan L.Emotions and Information Diffusion in Social Media-Sentiment of Microblogs and Sharing Behavior[J].Journal of Management Information Systems，2013，29（4）：217-248.

[4]Taxidou I，F(xiàn)ischer P M，De Nies T，et al.Information Diffusion and Provenance of Interactions in Twitter：Is it only about Retweets？[C]//Proceedings of the 25th International Conference Companion，2016：113-114.

[5]Zhang Y，Wu Y，Yang Q.Community Discovery in Twitter Based on User Interests[J].Journal of Computational Information Systems，2012，8（3）：991-1000.

[6]Tang L，Liu H，Zhang J.Identifying Evolving Groups in Dynamic Multimode Networks[J].IEEE Transactions on Knowledge and Data Engineering，2012，24（1）：72-85.

[7]Lamb A，Paul M J，Dredze M.Separating Fact from Fear：Tracking Flu Infections on Twitter[C]//Proceedings of HLT-NAACL.2013：789-795.

[8]Bollen J，Mao H，Zeng X.Twitter Mood Predicts the Stock Market[J].Journal of Computational Science，2011，2（1）：1-8.

[9]Zhang X，F(xiàn)uehres H，Gloor P A.Predicting Stock Market Indicators Through Twitter“I Hope it is Not as Bad as I Fear”[J].Procedia Social and Behavioral Sciences，2011，26：55-62.

[10]Asur S，Huberman B A.Predicting the Future with Social Media[C]//Web Intelligence and Intelligent Agent Technology （WI-IAT），2010 IEEE/WIC/ACM International Conference on IEEE，2010，（1）：492-499.

[11]Wakamiya S，Lee R，Sumiya K.Crowd-Powered TV Viewing Rates：Measuring Relevancy Between Tweets and TV Programs[C]//Database Systems for Adanced Applications.Springer Berlin Heidelberg，2011：390-401.

[12]Tumasjan A，Sprenger T O，Sandner P G，et al.Predicting Elections with Twitter：What 140 Characters Reveal about Political Sentiment[J].ICWSM，2010：178-185.

[13]Bourigault S，Lagnier C，Lamprier S，et al.Learning Social Network Embeddings for Predicting Information Diffusion[C]//Proceedings of the 7th ACM International Conference on Web Search and Data Mining.ACM，2014：393-402.

[14]Leskovec J，McGlohon M，F(xiàn)aloutsos C，et al.Patterns of Cascading Behavior in Large Blog Graphs[C]// Proceedings of the 2007 SIAM International Conference on Data Mining.Society for Industrial and Applied Mathematics，2007：551-556.

[15]陳穎.認(rèn)同差異下微博與微信的傳播機(jī)理比較[J].新聞界，2015，（3）：54-57.

[16]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.

[17]宗一君，郭晶.高校圖書館微服務(wù)模式初探——基于典型案例的觀測(cè)研究[J].圖書與情報(bào)，2016，（4）：60-65.

[18]Cha M，Haddadi H，Benevenuto F，et al.Measuring User Influence in Twitter：The Million Follower Fallacy[C]// International Conference on Weblogs and Social Media，Washington DC USA，2010：10-17.

[19]Ye S，Wu S F.Measuring Message Propagation and Social Influence on Twitter.com[C]// International Conference on Social Informatics.Springer，Berlin，Heidelberg，2010：216-231.

[20]何音，夏志杰，翟玥.突發(fā)事件情境下影響媒體官方微博傳播的因素研究——基于多分logistic回歸[J].情報(bào)科學(xué)，2017，（4）：43-47.

[21]Daft R L，Lengel R H.Information Richness.A New Approach to Managerial Behavior and Organization Design[R].Texas A and M Univ College Station Coll of Business Administration，1983.

[22]Vries L D，Gensler S，Leeflang P S H.Popularity of Brand Posts on Brand Fan Pages：An Investigation of the Effects of Social Media Marketing[J].Journal of Interactive Marketing，2012，26（2）：83-9.

[23]Shang S S C，Wu Y L，Li E Y.Field Effects of Social Media Platforms on Information-Sharing Continuance：Do Reach and Richness Matter？[J].Information & Management，2017，54（2）：241-255.

[24]Liu B F，F(xiàn)raustino J D，Jin Y.Social Media Use During Disasters：How Information form and Source Influence Intended Behavioral Responses[J].Communication Research，2016，43（5）：626-646.

[25]DataStory.數(shù)說(shuō)風(fēng)云[EB/OL].http：//social.datastory.com.cn/list，2017-09-21.

[26]張丹丹，楊思洛，邢文明.省級(jí)公共圖書館微博和微信服務(wù)研究[J].圖書館學(xué)研究，2015，（20）：57-63.

[27]陳穎.認(rèn)同差異下微博與微信的傳播機(jī)理比較[J].新聞界，2015，（3）：54-57.

[28]彭晨明，張莎，趙紅.如何讓你的微信帖子更受歡迎？——基于知名品牌微信運(yùn)營(yíng)數(shù)據(jù)的實(shí)證研究[J].管理評(píng)論，2016，28（12）：176-186.

[29]薛楊，許正良.微信營(yíng)銷環(huán)境下用戶信息行為影響因素分析與模型構(gòu)建——基于沉浸理論的視角[J].情報(bào)理論與實(shí)踐，2016，39（6）：104-109.

[30]周懿瑾，魏佳純.“點(diǎn)贊”還是“評(píng)論”？社交媒體使用行為對(duì)個(gè)人社會(huì)資本的影響——基于微信朋友圈使用行為的探索性研究[J].新聞大學(xué)，2016，（1）：68-75.

[31]趙蓉英，曾憲琴.微博信息傳播的影響因素研究分析[J].情報(bào)理論與實(shí)踐，2014，37（3）：58-63.

[32]王娜，梁艷平.微博刷屏與其對(duì)用戶獲取信息效果影響的調(diào)查研究[J].圖書館學(xué)研究，2015，（17）：85-94.

（責(zé)任編輯：馬 卓）