基于PCA的地震官方微博影響力評(píng)價(jià)研究

李志恒 李紅 崔昭文 權(quán)騰龍 鐘普浴 崔華偉 于江薇

1)山東省地震局，濟(jì)南 250014 2)自然資源部信息中心，北京 100037

0 引言

地震作為一種頻繁發(fā)生的自然災(zāi)害，能夠造成嚴(yán)重的人員傷亡及經(jīng)濟(jì)損失，因此，社會(huì)公眾對(duì)地震相關(guān)信息的關(guān)注度越來(lái)越高，對(duì)地震科普知識(shí)、地震震情信息等的需求也逐漸增大。隨著數(shù)字網(wǎng)絡(luò)傳播技術(shù)的快速發(fā)展，人們通過(guò)微博、微信、抖音等新媒體平臺(tái)獲取地震相關(guān)信息也越來(lái)越普遍。據(jù)人民網(wǎng)輿情監(jiān)測(cè)室發(fā)布的《2019年政務(wù)指數(shù)·微博影響力報(bào)告》統(tǒng)計(jì)，截至2019年12月26日，經(jīng)過(guò)微博平臺(tái)認(rèn)證的政務(wù)微博已達(dá)179932個(gè)，其中政務(wù)機(jī)構(gòu)官方微博138854個(gè)(1)http://www.people.com.cn/；據(jù)中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心發(fā)布的《第45次中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2020年3月，我國(guó)在線政務(wù)服務(wù)用戶規(guī)模達(dá)6.94億，占網(wǎng)民總數(shù)的76.8%(2)http://www.cnnic.net.cn/。由此可知，利用網(wǎng)絡(luò)新媒體平臺(tái)進(jìn)行在線政務(wù)服務(wù)，已成為包括地震部門(mén)在內(nèi)的各級(jí)行政機(jī)構(gòu)進(jìn)行交流、發(fā)布信息、開(kāi)展服務(wù)的重要渠道和手段。地震官方微博是地震部門(mén)面向社會(huì)公眾服務(wù)的重要網(wǎng)絡(luò)平臺(tái)，從本質(zhì)上來(lái)看其屬于政務(wù)微博，主要提供震情信息及防震減災(zāi)科普服務(wù)(吳玉如，2013)。據(jù)統(tǒng)計(jì)，目前全國(guó)有30個(gè)省(市、自治區(qū))建立了以各自省級(jí)地震局為認(rèn)證主體的地震官方微博賬號(hào)；但是，地震官方微博在實(shí)際運(yùn)維過(guò)程中，尚存在許多問(wèn)題，例如對(duì)關(guān)注用戶的需求挖掘不足、推送信息時(shí)效性差、微博內(nèi)容刻板單調(diào)、平臺(tái)互動(dòng)不充分及推廣力度弱等(閆曉美等，2019)。地震官方微博存在的諸多問(wèn)題已嚴(yán)重降低了其自身的影響力，因此對(duì)地震部門(mén)官方微博影響力進(jìn)行比較評(píng)價(jià)研究，對(duì)提升我國(guó)地震部門(mén)微博運(yùn)維服務(wù)能力和影響力水平具有重要意義。

許多國(guó)內(nèi)外學(xué)者曾對(duì)微博影響力及比較的方法進(jìn)行研究。例如，Kwak等(2010)利用Rage Rank模型對(duì)Twitter用戶影響力進(jìn)行了評(píng)價(jià)，并發(fā)現(xiàn)粉絲數(shù)與轉(zhuǎn)發(fā)數(shù)之間存在弱相關(guān)性；Lee等(2010)通過(guò)實(shí)證分析，提出了基于時(shí)間序列的Twitter影響力排序方法，該方法可對(duì)擁有潛在影響力的用戶進(jìn)行挖掘；楊長(zhǎng)春等(2018)對(duì)微博影響力的影響因素進(jìn)行了分析歸納，利用H指數(shù)對(duì)微博用戶進(jìn)行篩選，并基于層次分析法構(gòu)建了政務(wù)微博影響力評(píng)價(jià)指標(biāo)體系；張紹武等(2015)根據(jù)微博價(jià)值及信息傳播過(guò)程中用戶活躍度及產(chǎn)生的影響力擴(kuò)散，提出了微博影響力、活躍度影響力及行為影響力的度量方法；齊超等(2014)對(duì)微博用戶評(píng)論、轉(zhuǎn)發(fā)和提及3種行為進(jìn)行分析，利用統(tǒng)計(jì)分析方法將不同行為對(duì)微博影響力的貢獻(xiàn)度進(jìn)行比較，發(fā)現(xiàn)用戶行為中最能反映微博影響力大小的是用戶轉(zhuǎn)發(fā)情況。

綜上所述，通過(guò)對(duì)相關(guān)文獻(xiàn)資料的閱讀，發(fā)現(xiàn)國(guó)內(nèi)外學(xué)者對(duì)微博影響力的研究主要集中在基于數(shù)學(xué)算法模型研究和基于微博用戶行為研究?jī)煞矫?，本文綜合參考現(xiàn)有的微博影響力評(píng)價(jià)理論，結(jié)合地震行業(yè)特點(diǎn)，利用主成分分析法，結(jié)合收集到的各地震官方微博的基礎(chǔ)運(yùn)維數(shù)據(jù)，構(gòu)建出地震官方微博影響力評(píng)價(jià)指標(biāo)體系，并測(cè)算地震官方微博影響力指標(biāo)的得分水平，從而對(duì)各地震官方微博影響力進(jìn)行比較評(píng)價(jià)分析，以期為地震官方微博提升傳播影響力水平提供建議。

1 研究設(shè)計(jì)與方法

1.1 主成分分析法概述

主成分分析法是多元統(tǒng)計(jì)方法中的一種，英文簡(jiǎn)寫(xiě)為PCA，其利用降維思想將多個(gè)原始相關(guān)變量轉(zhuǎn)化成幾個(gè)不相關(guān)且正交的綜合變量(即主成分)，轉(zhuǎn)換之后得到的每個(gè)綜合變量均可反映原始變量的大部分信息(James et al，1990；Robertson et al，2001；朱建平，2006；Yousefi et al，2017；Tang et al，2018)。

1.2 數(shù)據(jù)來(lái)源

本文以新浪微博為研究平臺(tái)，選取全國(guó)地震系統(tǒng)30個(gè)省級(jí)地震局的官方微博作為調(diào)查對(duì)象(表1)，利用Python程序和爬蟲(chóng)工具挖掘各個(gè)地震微博號(hào)的基礎(chǔ)運(yùn)維數(shù)據(jù)。數(shù)據(jù)包括微博總數(shù)、粉絲數(shù)、關(guān)注數(shù)、開(kāi)通月數(shù)以及評(píng)估期內(nèi)的微博數(shù)、原創(chuàng)數(shù)、評(píng)論數(shù)、轉(zhuǎn)發(fā)數(shù)、點(diǎn)贊數(shù)。本次研究共計(jì)收集原始數(shù)據(jù)10573條。

表1 全國(guó)省級(jí)地震局官方微博賬號(hào)信息

2 地震官方微博影響力指標(biāo)體系構(gòu)建與分析

2.1 指標(biāo)選取

在微博影響力評(píng)估指標(biāo)的選取方面，已有很多學(xué)者進(jìn)行過(guò)研究(李志宏等，2016；劉健等，2016；李勇等，2016；胡媛等，2017；張雪梅等，2020)。本次研究在結(jié)合前人研究成果的基礎(chǔ)上，從微博的基本功能著手(劉清等，2014)，對(duì)地震微博用戶的特征行為進(jìn)行調(diào)研，發(fā)現(xiàn)地震微博的用戶行為包括地震博主行為和其他用戶行為，其中地震博主行為主要包括開(kāi)通微博、推送微博、關(guān)注他人微博、轉(zhuǎn)發(fā)微博行為等；其他用戶行為主要包括關(guān)注地震博主及轉(zhuǎn)發(fā)、評(píng)論、點(diǎn)贊地震博主微博行為等。以這兩類行為為基礎(chǔ)，對(duì)地震官方微博影響力評(píng)估指標(biāo)進(jìn)行挖掘；考慮到地震微博具行業(yè)特殊性，其發(fā)布的微博多為震情信息和地震科普知識(shí)等服務(wù)社會(huì)大眾的內(nèi)容，故還需從其推送的微博內(nèi)容上挖掘影響力指標(biāo)。

本文在綜合考慮地震微博特色、用戶行為及數(shù)據(jù)可獲得性的前提下，共選取13個(gè)影響力指標(biāo)(表2)，其中部分指標(biāo)數(shù)據(jù)來(lái)源于2020年6月1日至8月31日的微博。選取上述時(shí)間段是因?yàn)樵谶x取指標(biāo)時(shí)，需保證指標(biāo)數(shù)據(jù)的時(shí)效性和可靠性；此外，由于各省級(jí)地震局官方微博賬號(hào)的關(guān)注度和影響力受本地區(qū)的地震震情影響較大(李志恒等，2020)，為反映地震官方微博賬號(hào)的實(shí)際運(yùn)維情況，在選取樣本近期運(yùn)維數(shù)據(jù)的評(píng)估期時(shí)間段時(shí)，將結(jié)合中國(guó)地震臺(tái)網(wǎng)官方網(wǎng)站所示的全國(guó)震情數(shù)據(jù)選擇無(wú)較大震情的時(shí)間段；最終，選取的近期運(yùn)維數(shù)據(jù)的評(píng)估期時(shí)間段為2020年6月1日至8月31日。

表2 地震官方微博影響力評(píng)估指標(biāo)

2.2 基于主成分分析的評(píng)估指標(biāo)體系構(gòu)建

本研究使用IBM SPSS Statistics 22.0軟件對(duì)指標(biāo)數(shù)據(jù)進(jìn)行分析處理。由于所選指標(biāo)數(shù)據(jù)具不同數(shù)量級(jí)，故首先需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；然后再對(duì)標(biāo)準(zhǔn)化處理后的數(shù)據(jù)進(jìn)行相關(guān)檢驗(yàn)，判斷能否對(duì)數(shù)據(jù)進(jìn)行降維處理，即檢驗(yàn)數(shù)據(jù)是否適合采用主成分分析法進(jìn)行因子分析(曹鑫等，2020)。檢驗(yàn)的方法為KMO檢驗(yàn)和Bartlett球形度檢驗(yàn)(張穎超等，2020；洪增林等，2020)，檢驗(yàn)結(jié)果見(jiàn)表3。

表3 KMO和Bartlett球形度檢驗(yàn)結(jié)果

由表3 可知，所選數(shù)據(jù)的KMO檢驗(yàn)值為0.682且大于0.5，Bartlett球形度檢驗(yàn)P值為0且小于0.01，由此可以認(rèn)為所選指標(biāo)數(shù)據(jù)適合進(jìn)行主成分分析。在SPSS軟件中對(duì)標(biāo)準(zhǔn)化數(shù)據(jù)進(jìn)行主成分分析，計(jì)算各主成分的貢獻(xiàn)率和累積貢獻(xiàn)率，并以特征值大于1和方差大于80%為數(shù)據(jù)篩選標(biāo)準(zhǔn)，得出結(jié)果如表4 所示。

表4 地震官方微博影響力評(píng)估指標(biāo)特征值及方差貢獻(xiàn)率

根據(jù)表4，共篩選出3個(gè)主成分，即F1、F2、F3，其特征值分別為8.153、2.114、1.177，對(duì)應(yīng)的各主成分的方差貢獻(xiàn)率為58.236%、15.100%、8.407%，累積方差貢獻(xiàn)率達(dá)81.743%，說(shuō)明進(jìn)行主成分分析的結(jié)果較為理想，故可將原始的13個(gè)評(píng)估指標(biāo)分為3類，并用這3個(gè)主成分進(jìn)行后續(xù)分析。為了對(duì)上述選取的主成分進(jìn)行命名和做出更加合理的解釋，可利用方差最大正交旋轉(zhuǎn)對(duì)因子載荷矩陣進(jìn)行旋轉(zhuǎn)，得到的旋轉(zhuǎn)成分矩陣見(jiàn)表5。

表5 地震官方微博影響力評(píng)估指標(biāo)因子載荷矩陣旋轉(zhuǎn)后的成分矩陣

由表5 可知，粉絲數(shù)、關(guān)注數(shù)、微博總數(shù)、更新頻率(條/月)、微博數(shù)(6—8月)、日均微博數(shù)(6—8月)、震情微博數(shù)(6—8月)、地震科普微博數(shù)(6—8月)等8個(gè)指標(biāo)在主成分F1中具較高載荷，以上指標(biāo)體現(xiàn)出地震官方微博的覆蓋水平及發(fā)布信息情況，能夠說(shuō)明地震微博的服務(wù)能力水平，故可以將F1命名為服務(wù)力主成分；在F2中，評(píng)論數(shù)(6—8月)、轉(zhuǎn)發(fā)數(shù)(6—8月)、點(diǎn)贊數(shù)(6—8月)、反饋率(6—8月)等4個(gè)指標(biāo)載荷較高，以上指標(biāo)體現(xiàn)地震官方微博與受眾之間交流、互動(dòng)的情況，故將F2命名為交互力主成分；在F3中，原創(chuàng)率(6—8月)指標(biāo)載荷較高，該指標(biāo)反映地震微博的原創(chuàng)情況，體現(xiàn)創(chuàng)作能力，故可將F3命名為創(chuàng)作力主成分。根據(jù)以上分析，再結(jié)合地震官方微博影響力評(píng)估指標(biāo)選取結(jié)果，可構(gòu)建出地震官方微博影響力評(píng)估指標(biāo)體系(圖1)。

圖1 地震官方微博影響力評(píng)估指標(biāo)體系

3 地震官方微博影響力實(shí)證分析

3.1 基于主成分得分的地震官方微博影響力評(píng)估

對(duì)30個(gè)目標(biāo)地震官方微博影響力及服務(wù)力、交互力、創(chuàng)作力進(jìn)行定量評(píng)價(jià)，使用表5 中載荷矩陣的數(shù)據(jù)除以對(duì)應(yīng)主成分的特征值，再將結(jié)果開(kāi)平方根，得到3個(gè)主成分中每個(gè)指標(biāo)對(duì)應(yīng)的系數(shù)(表6)，進(jìn)而可得出各主成分的得分系數(shù)公式。

表6 主成分得分系數(shù)矩陣

據(jù)表6，得到的地震官方微博服務(wù)力F1、交互力F2、創(chuàng)作力F3的得分系數(shù)公式分別為

F1=0.278X1+0.206X2+0.302X3+0.303X4+0.339X5+0.068X6+0.339X7+0.337X8+

0.276X9+0.157X10+0.145X11+0.114X12+0.033X13

(1)

F2=-0.028X1-0.321X2-0.211X3-0.007X4+0.065X5-0.028X6+0.065X7+0.076X8-

0.123X9+0.519X10+0.564X11+0.569X12+0.598X13

(2)

F3=-0.44X1+0.094X2+0.184X3+0.189X4+0.03X5+0.82X6+0.03X7+0.094X8+

0.123X9+0.285X10+0.182X11+0.126X12-0.029X13

(3)

將各個(gè)主成分的方差貢獻(xiàn)率(表4)作為定量計(jì)算地震微博影響力的權(quán)重系數(shù)，得出的地震官方微博影響力F的綜合得分公式為

F=0.582F1+0.151F2+0.084F3

(4)

由式(1)～(4)，可定量計(jì)算出各個(gè)目標(biāo)地震微博用戶的服務(wù)力、交互力及創(chuàng)作力的具體得分?jǐn)?shù)值以及地震微博影響力的綜合得分?jǐn)?shù)值(表7)。

表7 30個(gè)地震官方微博各主成分得分及影響力綜合得分

根據(jù)表7 所示的結(jié)果，可以看出各省級(jí)地震局的官方微博在服務(wù)力、交互力、創(chuàng)作力及綜合影響力得分方面差距明顯。從整體上看具有不平衡性及兩極分化性，例如河北省地震局和四川省地震局的官方微博在各方面指標(biāo)得分均具較高水平，說(shuō)明其微博運(yùn)維管理較好，官方微博影響力較高，且具有借鑒性；反觀綜合影響力得分小于1的地震官方微博，在各方面指標(biāo)得分均不高，說(shuō)明其地震官方微博建設(shè)不足，存在運(yùn)維方面問(wèn)題，需要對(duì)地震微博運(yùn)維的發(fā)展予以足夠的關(guān)注。從各指標(biāo)分值分布上來(lái)看，各指標(biāo)得分為負(fù)數(shù)的占比較高，說(shuō)明大部分地震微博影響力水平不高，尚有較大的提升空間。

3.2 地震官方微博影響力提升策略

由地震官方微博影響力綜合得分公式可知，地震官方微博綜合影響力水平主要受服務(wù)力、交互力及創(chuàng)作力水平三方面制約，三者水平的提升與否直接關(guān)系到綜合影響力的大小，故可以根據(jù)本文構(gòu)建的地震官方微博影響力評(píng)估指標(biāo)體系(圖1)和影響力得分結(jié)果(表7)，結(jié)合對(duì)地震微博服務(wù)力、交互力、創(chuàng)作力得分情況靠前的地震局官方微博的分析，提出切實(shí)可行的微博影響力提升策略。

3.2.1 服務(wù)力提升策略

服務(wù)力指標(biāo)對(duì)地震官方微博影響力的方差貢獻(xiàn)率達(dá)58.236%，對(duì)地震微博影響力貢獻(xiàn)度最大。從地震微博服務(wù)力指標(biāo)得分排名來(lái)看(表7)，前五名分別是河北省、四川省、新疆、北京市、陜西省地震局的官方微博。這五家地震官方微博在服務(wù)力方面表現(xiàn)優(yōu)秀，其微博更新頻率高，在發(fā)布震情信息服務(wù)和地震科普知識(shí)服務(wù)方面取得了較好的傳播效果，并且長(zhǎng)期穩(wěn)定的地震服務(wù)信息發(fā)布量形成了可觀的累積規(guī)?；?yīng)，對(duì)讀者產(chǎn)生積極的影響作用，不僅可以留住已有粉絲，還可吸引更多讀者關(guān)注，使粉絲數(shù)量不斷增加，形成微博吸引粉絲良性循環(huán)，微博影響力不斷增強(qiáng)。因此可借鑒以上分析，提出地震官方微博服務(wù)力提升策略：①找準(zhǔn)自身服務(wù)定位，保持地震微博活躍度，適當(dāng)提高地震服務(wù)信息更新頻度；②挖掘受眾對(duì)地震信息的需求，分析其閱讀習(xí)慣，適時(shí)調(diào)整發(fā)布的微博服務(wù)信息形式及風(fēng)格，提高信息質(zhì)量。

3.2.2 交互力提升策略

交互力指標(biāo)對(duì)地震官方微博影響力的方差貢獻(xiàn)率達(dá)15.1%，包括微博評(píng)論數(shù)、轉(zhuǎn)發(fā)數(shù)、點(diǎn)贊數(shù)等二級(jí)指標(biāo)，反映用戶與粉絲或受眾之間的互動(dòng)行為，對(duì)微博影響力提升具有關(guān)鍵作用。由表7 可知，交互力得分較高的前五名分別為四川省、江蘇省、遼寧省、河北省、北京市地震局官方微博。這五家地震官方微博推送的博文能夠得到受眾較好的反饋，同時(shí)能引起受眾的共鳴。觀察其發(fā)布的微博，在內(nèi)容上多具趣味性、熱點(diǎn)性；在形式上具多樣性，包括動(dòng)畫(huà)、視頻、音頻、長(zhǎng)圖、文章等。較好的博文建設(shè)使用戶與受眾之間形成互動(dòng)效應(yīng)，表現(xiàn)為受眾對(duì)博文的認(rèn)可行為，對(duì)博文的關(guān)注及二次傳播行為，對(duì)博文的深度關(guān)注及表態(tài)行為。鑒于以上分析，提出地震官方微博交互力提升策略：注重博文內(nèi)容及形式建設(shè)，緊抓時(shí)事熱點(diǎn)，結(jié)合熱點(diǎn)問(wèn)題多推送形式多樣、時(shí)效性強(qiáng)、主題有趣、普及面廣、具共情力的信息。

3.2.3 創(chuàng)作力提升策略

創(chuàng)作力指標(biāo)對(duì)地震官方微博影響力的方差貢獻(xiàn)率達(dá)8.407%，主要通過(guò)微博原創(chuàng)率來(lái)體現(xiàn)。據(jù)表7，河北省、四川省、北京市、新疆、江蘇省地震局的官方微博在創(chuàng)作力指標(biāo)方面得分較高。這五家地震微博重視原創(chuàng)博文內(nèi)容，評(píng)估期間微博原創(chuàng)率分別為90.4%、88.6%、84.7%、82.8%、82.3%，創(chuàng)作水平較高，主要以推送自己創(chuàng)作的系列地震科普博文為主，并逐漸形成了地震微博品牌效應(yīng)，進(jìn)而提高了粉絲的忠誠(chéng)度和粘度，對(duì)地震官方微博的影響力提升具有積極作用。鑒于上述分析，提出地震官方微博創(chuàng)作力提升策略：加強(qiáng)對(duì)地震微博原創(chuàng)內(nèi)容的創(chuàng)作，打造體現(xiàn)自身特色的系列地震原創(chuàng)科普作品，樹(shù)立自身地震微博品牌形象。

4 結(jié)論

本文以我國(guó)地震部門(mén)工作性質(zhì)以及行業(yè)特點(diǎn)為前提，選取地震系統(tǒng)30個(gè)省級(jí)地震官方微博為研究樣本，采用主成分分析法構(gòu)建了地震官方微博影響力評(píng)估指標(biāo)體系，并對(duì)其微博影響力進(jìn)行了實(shí)證分析。主要結(jié)論如下：

(1)本文建立的地震官方微博影響力評(píng)估指標(biāo)體系覆蓋了地震微博服務(wù)功能、內(nèi)容形式、互動(dòng)推廣及博文建設(shè)等方面，能夠全面系統(tǒng)地對(duì)地震微博平臺(tái)進(jìn)行考核，可為目前運(yùn)行的各個(gè)地震微博平臺(tái)提供科學(xué)的評(píng)價(jià)參考依據(jù)。

(2)在本文構(gòu)建的地震官方微博影響力評(píng)估指標(biāo)體系中，地震微博的服務(wù)力對(duì)微博綜合影響力的貢獻(xiàn)率最高，其次分別為交互力和創(chuàng)作力。

(3)本文在定量評(píng)價(jià)30個(gè)地震官方微博的各主成分指標(biāo)得分的基礎(chǔ)上，發(fā)現(xiàn)地震官方微博的綜合影響力得分水平受服務(wù)力、交互力及創(chuàng)作力指標(biāo)得分的影響，并對(duì)地震官方微博服務(wù)力、交互力及創(chuàng)作力的提高提出了有針對(duì)性的提升策略。