機構(gòu)微博傳播力影響因素研究

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構(gòu)入駐微博后必須面對的難題之一，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)法對機構(gòu)微博傳播力進行量化，并從微博內(nèi)容特征和微博用戶特征兩個維度，構(gòu)建微博傳播力影響因素的相關(guān)指標(biāo)，最后以旅游機構(gòu)為實證研究對象，使用彈性網(wǎng)絡(luò)（Elastic Net）對各指標(biāo)的作用進行驗證。通過驗證最終得出旅游機構(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，為旅游機構(gòu)微博運營提供實踐參考。

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

DOI：10.3969/j.issn.1008-0821.2018.04.005

〔中圖分類號〕G206 〔文獻標(biāo)識碼〕A 〔文章編號〕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線面的信息傳播方式，成為各個領(lǐng)域青睞的信息傳播媒介。2016年，微博的活躍用戶實現(xiàn)了高速增長，月活躍用戶數(shù)達到了3.13億，而日活躍人數(shù)也達到了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，吸引了高校、圖書館、政務(wù)單位、旅游機構(gòu)等各機構(gòu)紛紛入駐，并將其作為重要的新媒體營銷平臺。

機構(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爭力，這種競爭力可以理解為機構(gòu)的微博傳播力[2]。如何獲得更高的傳播力，保證自己的營銷效果，成為各機構(gòu)入駐微博之后必須要面對的重要問題，而解決這一問題的關(guān)鍵難點在于分析機構(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，本文嘗試對機構(gòu)微博傳播力進行具體量化，并選取機構(gòu)微博傳播力的影響因素指標(biāo)，通過實證研究來驗證各影響因素對機構(gòu)微博傳播力的作用。為機構(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，并為各機構(gòu)微博運營提供一定實踐參考。

1 相關(guān)研究現(xiàn)狀

筆者于2017年5月2日在CNKI中國知網(wǎng)上以“‘微博and‘傳播力”為檢索條件進行高級檢索，得到92篇CSSCI期刊論文，但對相關(guān)文獻主題進行探究，發(fā)現(xiàn)專門針對微博傳播力的相關(guān)文獻并不多見。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爭力的評價指標(biāo)之一[3]，對比研究微信與微博傳播力[4]，以及研究特定因素對微博傳播力的影響[5]，研究對象往往以期刊微博、政務(wù)微博、高校圖書館微博為主。

又以“‘微博and‘影響因素”為檢索條件進行高級檢索，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)有文獻主要有用戶、信息傳播、社會網(wǎng)絡(luò)3個研究視角，具體研究內(nèi)容、研究對象和數(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)文獻往往只是提出傳播力或傳播能力的概念，并無對概念的具體界定，大都直接將轉(zhuǎn)發(fā)數(shù)和評論數(shù)代表微博傳播力.

2）專門針對機構(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。現(xiàn)有文獻研究對象大都集中于高校[8]、圖書館[11]、政務(wù)[12]和突發(fā)事件[5]。但微博平臺所囊括的領(lǐng)域遠遠不止于此。隨著各個領(lǐng)域?qū)ξ⒉┑囊蕾囆灾饾u增加，對其他領(lǐng)域微博傳播力的研究也越來越有必要。

綜合以上問題，本文計劃先對機構(gòu)微博傳播力進行概念的限定；并利用熵權(quán)法對機構(gòu)微博傳播力進行具體量化；然后對其影響因素指標(biāo)進行構(gòu)建；最后，通過實證驗證各因素對機構(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上的旅游認證機構(gòu)作為實證研究對象。

2 相關(guān)指標(biāo)選取

傳播學(xué)中對于傳播力的概念有多種界定，主要分為針對大眾媒體和針對社會組織兩種。其中，效能說是從社會組織的層面切入，認為傳播力的本質(zhì)是有效果的傳播，是指傳播行為帶來的一切影響和作用的總和，可以在現(xiàn)實中轉(zhuǎn)為說服和影響的力量[2]?？紤]到機構(gòu)的社會組織屬性，本文認同效能說觀點。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]，后者認為傳播過程是一個目的性行為過程，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，本文認為機構(gòu)在微博的傳播力是機構(gòu)微博產(chǎn)生有效傳播的能力。機構(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個維度，其中傳播主體和傳播受眾在微博平臺上其實都為微博用戶，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)對機構(gòu)的微博傳播力進行量化，然后再從微博內(nèi)容特征和用戶特征兩個方面分別對其影響因素指標(biāo)進行選取。

2.1 機構(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，由認知、情感、態(tài)度和行為4個維度構(gòu)成，其中，行為是受上述四項支配而表現(xiàn)出的最終外在行動[15]。因此，機構(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，在微博平臺上具體表現(xiàn)為轉(zhuǎn)發(fā)、評論和點贊，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，考慮到評論和點贊同樣能增強傳播的有效性，本文將這些行為對應(yīng)的轉(zhuǎn)發(fā)數(shù)、評論數(shù)和點贊數(shù)都作為量化機構(gòu)微博傳播力的指標(biāo)。

一個機構(gòu)微博往往不止一條微博，因此，需要對指標(biāo)進行綜合，考慮到不同機構(gòu)活躍度不同，本文最終對每個機構(gòu)單位時間內(nèi)所有微博的轉(zhuǎn)發(fā)數(shù)、評論數(shù)和點贊數(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)、評論數(shù)和點贊數(shù)存在巨大差異，可能會帶來較大的數(shù)據(jù)波動，產(chǎn)生較高異方差性，故而，本文在指標(biāo)具體量化時將參考清華大學(xué)新聞研究中心《2014政務(wù)微博傳播力報告》中的數(shù)據(jù)處理方法[16]，將指標(biāo)分別利用自然對數(shù)進行標(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。

最后對每一個指標(biāo)進行權(quán)重賦值，則可得出針對機構(gòu)的機構(gòu)微博傳播力W計算方法如公式（1）所示。

綜上分析，機構(gòu)微博傳播力可以時間為單位，得出單日傳播力、周傳播力、月傳播力等等。將時間特殊化之后，可以推出，當(dāng)機構(gòu)微博發(fā)出一條微博時，便會產(chǎn)生在該條微博生命周期內(nèi)的微博傳播力，此時，機構(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間為單位，可得出機構(gòu)單條微博的傳播力，此時，指標(biāo)便可特殊化為每條微博的轉(zhuǎn)發(fā)數(shù)、評論數(shù)和點贊數(shù)，則可得到針對該條微博的傳播力W0的計算方法如公式（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，機構(gòu)微博發(fā)出的每一條微博內(nèi)容特征將會直接影響該條微博的傳播效果，繼而影響機構(gòu)微博傳播力。關(guān)于微博內(nèi)容對微博傳播的影響，國外學(xué)者做過不少針對Twitter的研究。Berger和Milkman等人證明了情感比較強烈的微博內(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]。國內(nèi)也有少量關(guān)于微博內(nèi)容對傳播力影響的研究，如劉曉娟、王昊賢等人在研究政務(wù)微博影響因素時將微博特征分為微博內(nèi)容、發(fā)布時間和來源機構(gòu)3個維度，其中微博內(nèi)容維度包括話題類別、@符號與鏈接、語言風(fēng)格、內(nèi)容的原創(chuàng)性和內(nèi)容長度等影響因素[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、@符號和內(nèi)容長度；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)布時間指微博發(fā)布的年月日和時刻。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，即機構(gòu)用戶和機構(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、并且進行過認證的加V用戶[20]，資深用戶（賬號建立時間超過1年）和新用戶（最近1個月才加入）的微博更容易被轉(zhuǎn)發(fā)[10]。其次，針對傳播受眾，也有少量研究證實用戶粉絲的特征也會影響微博的傳播，比如當(dāng)用戶粉絲越活躍時，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[22]，社交網(wǎng)絡(luò)中的用戶關(guān)系也會對其傳播力產(chǎn)生影響，有研究證明，網(wǎng)絡(luò)節(jié)點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人屬性、粉絲屬性和用戶關(guān)系屬性。其中，個人屬性指的是用戶自身（即傳播者）所帶特征。由于機構(gòu)用戶都經(jīng)過了認證，故本文將不考慮用戶是否認證。因此，本文中的個人屬性主要包括粉絲數(shù)、關(guān)注數(shù)、發(fā)博數(shù)、等級等。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，包括點度中心度中的點出度（網(wǎng)絡(luò)中該用戶指向的節(jié)點數(shù)）和點入度（網(wǎng)絡(luò)中指向該用戶的節(jié)點數(shù)）、特征向量中心度（PageRank值）。具體如表3所示。

3 實證研究

為了驗證各影響因素指標(biāo)對傳播力的作用，筆者將以新浪微博平臺上的旅游機構(gòu)用戶為研究對象進行實證研究。同時考慮到微博內(nèi)容的影響作用時效性較短，即其對前文所說的單條微博傳播力的影響更直接，而用戶特征將長期影響機構(gòu)微博傳播力。因此，在驗證微博內(nèi)容特征時，將以單個旅游機構(gòu)用戶的所有微博為研究對象，以每一條微博的傳播力為觀察對象；驗證用戶特征時，將選取多個旅游機構(gòu)用戶為研究對象，以每一個機構(gòu)的微博傳播力為觀察對象。在傳播力計算過程中，為了簡化權(quán)重賦值的過程，本文選擇熵權(quán)法進行權(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)鍵詞進行“找人”，限定條件為“機構(gòu)認證”，利用爬蟲軟件Gooseeker，針對微博內(nèi)容特征和微博用戶特征分別進行數(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，說明微博平臺默認其有較大的傳播力，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)布時間、微博內(nèi)容、轉(zhuǎn)發(fā)數(shù)、評論數(shù)和點贊數(shù)。

3.1.2 微博用戶特征數(shù)據(jù)爬取

為了獲得旅游機構(gòu)的微博用戶特征信息，筆者針對模型中的個人屬性、粉絲屬性和用戶關(guān)系屬性分別進行數(shù)據(jù)爬取。首先，針對個人屬性爬取了搜索結(jié)果中所有旅游機構(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構(gòu)用戶前5頁內(nèi)的100位粉絲的信息；針對用戶關(guān)系屬性爬取了旅游機構(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)、評論數(shù)和點贊數(shù)，用以計算每位用戶在2017年4月份的機構(gòu)微博傳播力。

所有數(shù)據(jù)爬取時間為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)進行排序，然后利用層級抽樣方法，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)、評論數(shù)和點贊數(shù)利用自然對數(shù)進行標(biāo)準(zhǔn)化，然后利用熵權(quán)法進行權(quán)重的賦值，得出權(quán)重分別為44%、36%和20%，計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@符號進行標(biāo)注，計算微博內(nèi)容長度；利用武漢大學(xué)團隊的內(nèi)容分析工具——Rost Content Mining計算出每一條微博內(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值作為其情感強度；利用該軟件的分詞處理和社會網(wǎng)絡(luò)與語義分析將途牛旅游網(wǎng)的微博內(nèi)容主題分為抽獎活動、開獎通知、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、平臺產(chǎn)品和其他；將發(fā)布時間按層次分為發(fā)布月份、發(fā)布星期以及發(fā)布時間段。其中在發(fā)布時間段中將凌晨0∶00到早上8∶00單獨作為一個時間段，其他時間段，將每兩個小時作為一個時間段。

3.2.2 微博用戶特征數(shù)據(jù)預(yù)處理

針對微博用戶特征數(shù)據(jù)，筆者首先按照微博用戶特征中的個人屬性、粉絲屬性和用戶關(guān)系屬性分別對相關(guān)數(shù)據(jù)進行預(yù)處理，包括缺失數(shù)據(jù)的手動補充、粉絲屬性中各粉絲的粉絲數(shù)、關(guān)注數(shù)和發(fā)博數(shù)的平均值計算以及用戶關(guān)系屬性中每位用戶的點出度、點入度以及PageRank值的計算。

然后計算每位用戶所有微博的平均轉(zhuǎn)發(fā)數(shù)、平均評論數(shù)和平均點贊數(shù)，利用自然對數(shù)進行標(biāo)準(zhǔn)化后按熵權(quán)法賦值，得出權(quán)重分別為39%、37%和24%，計算每位用戶的微博傳播力，同樣將其與3個指標(biāo)進行相關(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。由于本文將旅游機構(gòu)微博傳播力的研究限定在2017年4月份，因此對于4月沒有發(fā)博的用戶，則認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）對影響因素進行驗證分析。

彈性網(wǎng)絡(luò)（Elastic Net）是線性回歸的改進算法，其綜合了以L1范式作為懲罰項的Lasso算法和以L2范式作為懲罰項的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，達到特征選擇的目的，同時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度和內(nèi)容長度，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，進行Elastic Net分析，輸出各個變量的系數(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：

1）微博內(nèi)容元素中，視頻、話題、艾特和內(nèi)容長度均對傳播力有正向影響，其中視頻影響最大，但內(nèi)容長度系數(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)容長度對微博傳播力則只有細微的正向作用；

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

3）微博主題中，原創(chuàng)、開獎通知、平臺產(chǎn)品、抽獎活動、晚安問候和美食相關(guān)被保留，說明這幾個變量會對微博傳播力產(chǎn)生影響。其中，原創(chuàng)微博對傳播力有正向影響，說明原創(chuàng)微博有利于傳播。而晚安問候、抽獎活動和美食相關(guān)的原創(chuàng)微博，對傳播力是有正向影響的，開獎通知和平臺產(chǎn)品對傳播力卻有負向影響。這可能是因為，開獎通知針對性太強，平臺產(chǎn)品廣告性質(zhì)太濃，用戶并不會主動對其進行傳播，所以會對微博的傳播產(chǎn)生負向影響。抽獎活動往往會對很多用戶產(chǎn)生激勵作用，進而促進傳播；

4）發(fā)布時間中，發(fā)布星期各個變量系數(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個變量其系數(shù)值也較小，這說明發(fā)布時間對微博傳播力影響微乎其微，即粉絲對所發(fā)微博的關(guān)注并不怎么受發(fā)布時間影響。

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軟件對其進行Elastic Net分析。

由于各變量存在較大的尺度差異，在進行正式分析之前，筆者利用Python中的代碼庫，對數(shù)據(jù)進行了正態(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）在個人屬性中，當(dāng)月原創(chuàng)發(fā)博數(shù)、發(fā)博數(shù)和等級系數(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。這說明粉絲數(shù)和關(guān)注數(shù)的增多對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，卻會產(chǎn)生負向影響，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)都對傳播力存在負向作用，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，用戶本身的傳播力是會下降的，而粉絲發(fā)博數(shù)增多時，卻有利于用戶本身傳播力，這可能是因為粉絲發(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的可能性增加，推動了微博的傳播；

3）用戶關(guān)系屬性中，點入度被剔除，點出度對傳播力存在負向作用，Pagerank值對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)容和用戶特征兩個方面對旅游機構(gòu)的微博傳播力進行實證，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)容元素會對旅游機構(gòu)的微博傳播力產(chǎn)生較大影響，而微博情感和發(fā)布時間對微博傳播力產(chǎn)生的影響雖有但十分細微。其中，在微博主題中，原創(chuàng)微博中的晚安問候、抽獎活動和美食相關(guān)對傳播力有正向影響，而開獎通知和平臺產(chǎn)品對傳播力卻有負向影響；在微博內(nèi)容元素中，包含視頻、話題和艾特會對旅游機構(gòu)的微博傳播力有推動作用。

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

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

結(jié)合實證結(jié)論，本文對旅游機構(gòu)的微博運營提出幾點建議：

1）在微博運營的過程中可以設(shè)置固定的版塊，如早安和晚安問候，并經(jīng)常開辦抽獎等激勵性活動，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）多跟其他旅游機構(gòu)用戶進行互相關(guān)注，特別是影響力較大的用戶，以提升自己在該領(lǐng)域社會網(wǎng)絡(luò)的節(jié)點重要性，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微博傳播力產(chǎn)生負向影響。

5 總結(jié)與思考

本文先對機構(gòu)微博傳播力進行概念限定，并選取轉(zhuǎn)發(fā)數(shù)、評論數(shù)和點贊數(shù)為指標(biāo)進行權(quán)重賦值對機構(gòu)微博傳播力進行具體量化，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)容和用戶特征對微博傳播力影響因素指標(biāo)進行選取，最后選取新浪微博平臺上的旅游機構(gòu)用戶為實證研究對象，利用Elastic Net對各指標(biāo)進行驗證，得出了旅游機構(gòu)微博傳播力的具體影響因素。

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

1）用戶關(guān)系對于機構(gòu)微博傳播力的重要性。由實證可以看出，用戶關(guān)系屬性中的PageRank值的確會對機構(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，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立個體來分析，其關(guān)系屬性不容忽視。但本文分析用戶關(guān)系屬性時只針對了部分旅游機構(gòu)用戶進行社會網(wǎng)絡(luò)分析，下一步可以深入社會網(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。由對旅游機構(gòu)用戶的實證研究，可以發(fā)現(xiàn)，粉絲發(fā)博數(shù)的確會對用戶傳播力產(chǎn)生推動作用，但是其粉絲數(shù)和關(guān)注數(shù)卻會對用戶傳播力產(chǎn)生負向影響，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)量對微博傳播力并不一定就會起到推動作用，需要針對具體對象進行具體分析，但總的來說，粉絲屬性對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，本文實證研究針對的是途牛旅游網(wǎng)官方微博的微博內(nèi)容和部分旅游機構(gòu)用戶的用戶特征，其結(jié)論會有一定的領(lǐng)域局限。但是，在涉及其他領(lǐng)域時，依舊可以用這樣的指標(biāo)，并且針對具體領(lǐng)域進行指標(biāo)實證時的刪減，最后得出針對不同領(lǐng)域的微博傳播力影響因素；

4）微博情感計算的準(zhǔn)確性。本文是使用軟件工具來計算微博情感的，在詞句的處理上可能會存在一定的誤差，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)域機構(gòu)從微博內(nèi)容和用戶特征兩個方面進行微博運營提供了參考依據(jù)。由于時間和樣本的局限，本文研究方法和結(jié)論存在的不足之處，將在下一個階段的研究中進一步完善。

參考文獻

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

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

[3]王建東，趙冬梅.電商企業(yè)官方微博競爭力評價研究——基于熵值法的視角[J].統(tǒng)計與信息論壇，2013，28（10）：81-84.

[4]方興東，張靜，張笑容，等.基于網(wǎng)絡(luò)輿論場的微信與微博傳播力評價對比研究[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.微博用戶使用動機影響因素與結(jié)構(gòu)的實證研究[J].管理學(xué)報，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].圖書情報知識，2013，（2）：81-87.

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

[9]謝耘耕，榮婷.微博傳播的關(guān)鍵節(jié)點及其影響因素分析——基于30起重大輿情事件微博熱帖的實證研究[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證分析[J].情報雜志，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“211工程”大學(xué)圖書館微博為例[J].情報雜志，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.社會傳播的結(jié)構(gòu)與功能[M].何道寬，譯.北京：中國傳媒大學(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，2017，37（1）：165-171.

[16]沈陽.2014政務(wù)新媒體傳播力報告[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.用戶特征對微博信息傳播影響的實證研究[J].現(xiàn)代計算機：專業(yè)版，2015，（16）：33-38，69.

[20]王國華，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].情報雜志，2014，（4）：117-121，89.

[21]馬俊，周剛，許斌，等.基于個人屬性特征的微博用戶影響力分析[J].計算機應(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價模型及實證研究[J].情報雜志，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）