基于用戶細(xì)分的社會化問答社區(qū)知識貢獻(xiàn)激勵機(jī)制研究

涂 艷 ，崔智斌 ，蔣楚鈺

（1.中央財經(jīng)大學(xué) 信息學(xué)院，北京 100081；2.中國人民大學(xué) 財政金融學(xué)院，北京 100872）

2019年，中國分享經(jīng)濟(jì)知識技能領(lǐng)域交易額達(dá)3 063億元，增速僅為30.2%；融資規(guī)模達(dá)314億元，同比增長-32.3%，呈現(xiàn)出直接融資下滑的趨勢[1]。信息過載及質(zhì)量良莠不齊問題凸顯，優(yōu)質(zhì)內(nèi)容鳳毛麟角，且多數(shù)出自頭部用戶。知識獲取成本逐漸降低，然而識別有效信息的難度卻持續(xù)攀升。在2020年互聯(lián)網(wǎng)市場大規(guī)模沉淀的背景下，社會化問答社區(qū)成員的參與度正逐漸演變?yōu)椤?0-9-1”的金字塔型結(jié)構(gòu)，即90%的長尾用戶，9%的腰部用戶以及1%的頭部用戶。社區(qū)頻繁地推薦高贊、爆款知識內(nèi)容及用戶，會讓頭部用戶的話語權(quán)以及推廣流量逐步擴(kuò)張，繼而形成信息繭房，導(dǎo)致不同問答社區(qū)間出現(xiàn)知識內(nèi)容同質(zhì)化問題。而作為社區(qū)內(nèi)容主要活躍群體的長尾用戶卻無法獲得對應(yīng)的社區(qū)推薦曝光、流量扶持等聲譽(yù)報酬，使得自身的知識貢獻(xiàn)意愿及信息擴(kuò)散效率持續(xù)走低。對問答社區(qū)的管理者而言，存在知識內(nèi)容呈現(xiàn)形式標(biāo)準(zhǔn)化程度偏低與激勵機(jī)制不統(tǒng)一等問題。如何提高長尾用戶聲譽(yù)報酬、孵化培育出核心用戶群體，鼓勵優(yōu)質(zhì)知識生產(chǎn)，繼而實(shí)現(xiàn)知識擴(kuò)散無界化及去中心化格局，對社區(qū)長遠(yuǎn)發(fā)展至關(guān)重要。

目前，結(jié)合知識付費(fèi)情境對社會化問答社區(qū)知識貢獻(xiàn)激勵的研究仍處于起步階段，主要聚焦于知識貢獻(xiàn)意愿激勵，但用戶獲得的聲譽(yù)報酬也會對社區(qū)話題討論熱度等產(chǎn)生影響，進(jìn)而改變?nèi)后w間的流動轉(zhuǎn)換速率，而對貢獻(xiàn)知識的質(zhì)量與所獲聲譽(yù)報酬間的激勵設(shè)計問題卻鮮有涉獵。

本文將社會化問答社區(qū)的用戶群體間流動作為一個系統(tǒng)進(jìn)行拆解，以激勵細(xì)分群體的知識貢獻(xiàn)意愿或質(zhì)量為目標(biāo)，通過仿真知識貢獻(xiàn)與聲譽(yù)報酬對細(xì)分群體間轉(zhuǎn)換動力系數(shù)的影響，進(jìn)而模擬出細(xì)分群體間的加速轉(zhuǎn)換流動過程；將知識付費(fèi)背景下的新型社會化問答社區(qū)-知乎作為研究對象，通過系統(tǒng)動力學(xué)探究依據(jù)激勵因素制定出的政策策略在仿真模擬情景下的演進(jìn)效用。研究結(jié)果將為健全知識付費(fèi)背景下的知識貢獻(xiàn)激勵機(jī)制設(shè)計提供理論借鑒，有利于形成科學(xué)化的社區(qū)細(xì)分群體管理模式，加快構(gòu)建社區(qū)發(fā)展新格局。

一、文獻(xiàn)綜述

（一）知識貢獻(xiàn)影響因素研究

目前，知識貢獻(xiàn)影響因素的相關(guān)研究成果較為豐富，Wang等[2]將影響用戶知識貢獻(xiàn)的相關(guān)因素總結(jié)為環(huán)境、用戶自身、網(wǎng)絡(luò)特征及心理動機(jī)。Guan 等[3]則將影響因素歸納為用戶個人特征、網(wǎng)絡(luò)特征及心理激勵。隨著知識付費(fèi)時代的到來，經(jīng)濟(jì)利益也成為影響用戶知識貢獻(xiàn)的重要因素之一。虛擬社區(qū)知識貢獻(xiàn)的影響因素主要包括：用戶個體特征因素、社交網(wǎng)絡(luò)因素、心理激勵因素、物質(zhì)激勵因素四個維度。

1.用戶個體特征因素

有學(xué)者研究發(fā)現(xiàn)，利他信念、自我效能、信息開放、互惠信念及社區(qū)歸屬等用戶個人特征均會對用戶知識貢獻(xiàn)存在影響。利他信念反映了為他人付出而不求回報的善意[4]，利他信念較高的用戶對應(yīng)的社區(qū)活躍度及與其他用戶的互動頻率也較高[5]；自我效能表現(xiàn)為用戶對自身能力的評價與自信程度，自我效能較高的用戶往往在貢獻(xiàn)知識的數(shù)量方面會明顯大于自我效能偏低的用戶[6]；信息開放則表現(xiàn)為用戶向社區(qū)公開自身信息的意愿程度，信息開放意愿高的用戶對應(yīng)的社區(qū)互動及知識貢獻(xiàn)意愿均較高；互惠信念反映了用戶間依據(jù)所得為對方提供資源的意愿強(qiáng)弱，互惠信念高的用戶往往在情感網(wǎng)絡(luò)中心性和知識分享關(guān)系中發(fā)揮著更為重要的作用[7]；而社區(qū)歸屬感較高的用戶則有助于社區(qū)的長期發(fā)展及優(yōu)質(zhì)知識內(nèi)容的創(chuàng)作，用戶的社區(qū)歸屬感高低與所處的社會網(wǎng)絡(luò)位置均會顯著影響其行為傾向[8]。

2.社交網(wǎng)絡(luò)特征因素

研究發(fā)現(xiàn)社會關(guān)系數(shù)量及社會曝光等因素對用戶知識貢獻(xiàn)行為存在影響。社會關(guān)系數(shù)量反映了用戶在虛擬社區(qū)內(nèi)與其他用戶構(gòu)建的社交互動數(shù)量，社會關(guān)系數(shù)量越多的用戶往往對知識有用性的認(rèn)知程度也越高。社會曝光強(qiáng)度表示用戶貢獻(xiàn)知識在社區(qū)中被其他用戶瀏覽獲取的次數(shù)，其將顯著影響用戶在社區(qū)的活躍度與參與行為[9]。部分用戶會提升知識貢獻(xiàn)數(shù)量與質(zhì)量，以達(dá)成高社會曝光的目的，繼而獲取金錢、名譽(yù)等收益[10]。

3.心理激勵因素

這一細(xì)分領(lǐng)域?qū)W者的研究視角主要集中于信任及感知成本收益維度。信任能夠體現(xiàn)社區(qū)、用戶間的信賴認(rèn)可程度，用戶的被信任水平越高，其知識貢獻(xiàn)行為則會更為頻繁[11]。感知成本收益能夠幫助用戶提升對知識特權(quán)收益或喪失的感知，繼而促進(jìn)或抑制用戶知識貢獻(xiàn)意愿與行為[12-13]。

4.物質(zhì)激勵因素

相較于免費(fèi)知識，進(jìn)行付費(fèi)知識貢獻(xiàn)可以獲得金錢物質(zhì)報酬，對社區(qū)中的活躍及非活躍用戶均將產(chǎn)生正面激勵作用[14]。Kuang等[15]的研究表明，金錢激勵措施增加了用戶的自愿知識共享和社會互動行為。相關(guān)研究發(fā)現(xiàn)，提問者高價的提問會刺激回答者在問題回復(fù)上投入更多時間，而經(jīng)濟(jì)獎勵高低對回答質(zhì)量沒有直接影響[16]。

（二）知識貢獻(xiàn)激勵機(jī)制研究

激勵機(jī)制研究早期源自于企業(yè)組織管理，有學(xué)者圍繞虛擬社區(qū)激勵機(jī)制設(shè)計問題展開了大量研究。設(shè)計合理的激勵機(jī)制對虛擬社區(qū)發(fā)展至關(guān)重要：一方面，虛擬社區(qū)的“公共品”性質(zhì)，導(dǎo)致用戶的知識貢獻(xiàn)行為難以持續(xù)；另一方面，不合理的激勵機(jī)制設(shè)計可能造成適得其反的效果，繼而導(dǎo)致用戶流失。例如：Halfaker[17]的研究發(fā)現(xiàn)，維基百科的質(zhì)量控制機(jī)制在新用戶留存方面就產(chǎn)生了負(fù)面作用。

許多激勵機(jī)制對社區(qū)用戶的知識貢獻(xiàn)行為有一定作用，一些學(xué)者從定性和定量兩個視角對此進(jìn)行了研究。在定性方面，Purvis[18]認(rèn)為虛擬組織缺乏正確引導(dǎo)用戶知識共享行為的能力，在體制上沒有提供知識貢獻(xiàn)者的獎勵制度。Sun[19]從持續(xù)參與動機(jī)角度定性描述了獎勵機(jī)制對知識共享行為的影響機(jī)制。在定量方面，需要結(jié)合用戶真實(shí)行為數(shù)據(jù)進(jìn)行解釋。Thelwall[20]圍繞用戶發(fā)布的第一篇內(nèi)容和收益信息進(jìn)行研究后，認(rèn)為仍不能明確以代幣為核心的激勵方式是否有效促進(jìn)了內(nèi)容生成。

從現(xiàn)有知識貢獻(xiàn)激勵機(jī)制的方法觀察，部分學(xué)者針對用戶的問答過程進(jìn)行委托代理分析，例如王慧賢[21]基于委托代理理論，根據(jù)用戶貢獻(xiàn)的動態(tài)行為過程，研究了個體用戶的搭便車行為；程中月[22]探討了網(wǎng)絡(luò)外部性下不同風(fēng)險偏好的直播平臺激勵策略。按社區(qū)發(fā)展階段進(jìn)行完全/不完全信息動靜態(tài)博弈，例如王健[23]應(yīng)用四種不同條件下的博弈模型對虛擬學(xué)術(shù)社區(qū)中知識貢獻(xiàn)用戶間的博弈收益進(jìn)行了分析。郝琳娜等[24]建立了解答者之間的Nash博弈模型及發(fā)包商與解答者之間的Stackelberg博弈模型，計算眾包競賽虛擬社區(qū)中解答者的最優(yōu)努力程度、最優(yōu)知識共享水平和雙方的最大化收益，并給出參與人數(shù)對解答者收益影響的算例分析?；蛲ㄟ^結(jié)構(gòu)方程模型對知識貢獻(xiàn)影響因素展開探究，并提出相關(guān)建議，例如譚旸等[25]探究了學(xué)術(shù)虛擬社區(qū)的激勵機(jī)制對用戶感知知識貢獻(xiàn)效果的影響。此后，從激勵系統(tǒng)全局視角出發(fā)，一些學(xué)者圍繞影響因素進(jìn)行系統(tǒng)動力學(xué)激勵仿真，并根據(jù)模擬結(jié)果提出采用積分懸賞、金錢激勵等措施，對用戶知識貢獻(xiàn)行為予以激勵，以提升用戶的知識貢獻(xiàn)意愿。

系統(tǒng)動力學(xué)在知識管理領(lǐng)域逐漸得到關(guān)注與應(yīng)用，有學(xué)者由此著重探討了如何提升組織成員的知識貢獻(xiàn)：其一，部分學(xué)者將其應(yīng)用于學(xué)習(xí)型組織的知識貢獻(xiàn)激勵研究領(lǐng)域，李志宏等[26]構(gòu)建了高?？蒲袌F(tuán)隊隱性知識共享系統(tǒng)動力學(xué)模型，有效提升了高校科研團(tuán)隊內(nèi)部的隱性知識共享程度。陳懷超等[27]構(gòu)建了知識轉(zhuǎn)移情境下母子公司知識轉(zhuǎn)移的系統(tǒng)動力學(xué)模型。其二，有學(xué)者則將研究視角集中于網(wǎng)絡(luò)平臺/虛擬社區(qū)。王小立[28]構(gòu)建出百度“知道”知識系統(tǒng)，分析探討了影響其知識傳播的相關(guān)因素。鐘煒等[29]構(gòu)建出開放式創(chuàng)新社區(qū)網(wǎng)絡(luò)平臺中的知識共享系統(tǒng)動力學(xué)模型。其三，還有學(xué)者則在明確虛擬社區(qū)角色及子系統(tǒng)構(gòu)成的基礎(chǔ)上，利用系統(tǒng)動力學(xué)的理論方法詳盡分析了虛擬社區(qū)知識貢獻(xiàn)過程，建立與研討目標(biāo)一致的知識貢獻(xiàn)理論模型，并通過仿真研究定量探討了知識轉(zhuǎn)移效用?；谔摂M社區(qū)用戶細(xì)分的知識系統(tǒng)動力學(xué)模型要素總結(jié)如表1所示。

表1 基于虛擬社區(qū)用戶細(xì)分的知識貢獻(xiàn)系統(tǒng)動力學(xué)模型

綜上所述，目前多數(shù)學(xué)者借助博弈論、委托代理理論及系統(tǒng)動力學(xué)等方法，通過博弈分析或激勵因素仿真分析，進(jìn)行知識貢獻(xiàn)激勵機(jī)制設(shè)計與效用評價。主要聚焦于知識貢獻(xiàn)意愿激勵，繼而影響知識貢獻(xiàn)特征，實(shí)現(xiàn)角色間的流動轉(zhuǎn)換，提升知識貢獻(xiàn)過程的效率。然而，對貢獻(xiàn)知識的質(zhì)量與所收獲的聲譽(yù)報酬之間的激勵鮮有涉獵，而用戶獲得的聲譽(yù)報酬恰好會對社區(qū)話題討論熱度等產(chǎn)生影響，繼而調(diào)整群體間的流動轉(zhuǎn)換速率。為解決此不足，本文不僅考慮了知識貢獻(xiàn)意愿層面的激勵要素，同時考慮了影響用戶獲取聲譽(yù)報酬的知識貢獻(xiàn)質(zhì)量激勵要素，使知識貢獻(xiàn)激勵體系更具完整性，以行之有效地針對不同群體的知識貢獻(xiàn)需求實(shí)現(xiàn)差異化激勵。

二、細(xì)分群體知識貢獻(xiàn)激勵機(jī)制仿真

本文爬取了社會化問答社區(qū)-“知乎”平臺七大熱門版塊中4 416名用戶的行為數(shù)據(jù)，通過兩步層次聚類方法對研究樣本進(jìn)行劃分，并采用配對樣本t檢驗對細(xì)分群體的差異顯著性進(jìn)行驗證，將社區(qū)用戶群體劃分為五種類型，分別是：頭部大V、腰部KOL、興趣型忠誠用戶、高質(zhì)量專業(yè)用戶及沉睡流失用戶，并基于用戶個人特征因素、社交網(wǎng)絡(luò)特征因素、心理激勵因素及物質(zhì)激勵因素維度，從利他信念、自我效能、信息開放、互惠信念、專業(yè)程度、社會學(xué)習(xí)、社會曝光、身份信任、社會比較及經(jīng)濟(jì)利益10個細(xì)化因素出發(fā)，探究完全開放情形下細(xì)分群體流動及知識擴(kuò)散在各要素影響下的變化特征，從而對社區(qū)用戶的知識貢獻(xiàn)行為做出預(yù)判，繼而為提升社區(qū)群體知識貢獻(xiàn)效用指明方向。知識貢獻(xiàn)系統(tǒng)理論模型如圖1所示。

圖1 知識貢獻(xiàn)系統(tǒng)理論模型

為實(shí)現(xiàn)上述理論模型，本文從以下幾方面進(jìn)行分析：第一，明確問題并確定系統(tǒng)構(gòu)成及邊界；第二，分析系統(tǒng)各變量間的反饋回路，構(gòu)建因果關(guān)系圖與系統(tǒng)流量存量圖；第三，明確變量間的數(shù)量關(guān)系，構(gòu)建方程并進(jìn)行參數(shù)估計；第四，運(yùn)用Vensim PLE系統(tǒng)動力學(xué)軟件對各項激勵政策進(jìn)行仿真分析。

（一）知識貢獻(xiàn)激勵系統(tǒng)形成機(jī)制分析

在社會化問答社區(qū)知識貢獻(xiàn)激勵系統(tǒng)中，推動系統(tǒng)演化的主體包括五類細(xì)分用戶群體，通過“問—答”互動模式，貢獻(xiàn)知識并收獲點(diǎn)贊、名聲及金錢等聲譽(yù)報酬。由于本文聚焦研究知識貢獻(xiàn)激勵情況下的細(xì)分群體演化特征，因此，對應(yīng)系統(tǒng)邊界范圍涉及到五類細(xì)分群體知識貢獻(xiàn)（數(shù)量及聲譽(yù)報酬）影響因素有關(guān)的實(shí)體，并對應(yīng)如下假設(shè)：

假設(shè)1.用戶群體的知識貢獻(xiàn)數(shù)量會受到知識貢獻(xiàn)意愿和自身知識水平的影響，知識貢獻(xiàn)數(shù)量=知識貢獻(xiàn)意愿×知識水平。在用戶自身擁有知識量不發(fā)生改變的情況下，其貢獻(xiàn)意愿越高，最終其知識貢獻(xiàn)數(shù)量就會越高。知識量與知識貢獻(xiàn)意愿將依據(jù)群體特點(diǎn)確定，并在仿真知識量參數(shù)設(shè)置中予以體現(xiàn)。

假設(shè)2.用戶群體的知識貢獻(xiàn)報酬受用戶群體的知識貢獻(xiàn)數(shù)量以及質(zhì)量兩方面影響。在知識數(shù)量一定的情況下，貢獻(xiàn)質(zhì)量越高，收獲的知識貢獻(xiàn)報酬就越高。知識貢獻(xiàn)質(zhì)量依照群體認(rèn)可度確定。

假設(shè)3.社會化問答社區(qū)各類細(xì)分群體間存在相互轉(zhuǎn)化。系統(tǒng)內(nèi)用戶增長來源于新注冊用戶及外部專家的引入，各類細(xì)分群體的流失聚焦于群體間的轉(zhuǎn)化流失。

假設(shè)4.不同類型的用戶群體參與知識貢獻(xiàn)受到多種激勵因素影響，不同激勵因素可能對知識貢獻(xiàn)意愿及質(zhì)量均產(chǎn)生影響。為保證建模時系統(tǒng)的有效性，針對各類用戶群體的主要激勵需求，只考慮對該類群體知識貢獻(xiàn)意愿或行為造成顯著影響的主要因素，忽略其他非顯著因素；同時堅持系統(tǒng)動力學(xué)建模的目的性原則，除部分激勵因素外其他因素均不隨時間或其他變量的變化而改變。

假設(shè)5.知識貢獻(xiàn)數(shù)量與聲譽(yù)報酬會對細(xì)分群體間轉(zhuǎn)換速率、新用戶注冊率、專家引入率及部分激勵因素（社會學(xué)習(xí)、社會曝光、身份地位、社會比較、利他信念、社區(qū)歸屬及經(jīng)濟(jì)利益）產(chǎn)生正向影響。群體間轉(zhuǎn)換率則會受到聲譽(yù)報酬或貢獻(xiàn)知識數(shù)量的影響，即數(shù)量越高、聲譽(yù)報酬越高，細(xì)分群體間轉(zhuǎn)換動力系數(shù)也越高。

綜上分析，從系統(tǒng)目的、構(gòu)成、邊界與運(yùn)行等層面對模型系統(tǒng)加以界定，如表2所示。

表2 社會化問答社區(qū)知識貢獻(xiàn)激勵系統(tǒng)

（二）知識貢獻(xiàn)激勵系統(tǒng)動力學(xué)建模

在構(gòu)建激勵機(jī)制之前，首先，對社區(qū)細(xì)分群體間的群體流動過程予以探討。在社會化問答社區(qū)中，討論的問題及回復(fù)均來自于五類細(xì)分群體貢獻(xiàn)的知識，而這些知識源自于細(xì)分群體自身對該類問題認(rèn)知理解的程度。在完成知識貢獻(xiàn)后，其他用戶在瀏覽獲取該條知識時，會依據(jù)其質(zhì)量好壞給予“點(diǎn)贊”“收藏”或“喜歡”等不同聲譽(yù)獎勵。聲譽(yù)報酬將影響用戶后續(xù)是否持續(xù)進(jìn)行知識貢獻(xiàn)，繼而刺激不同細(xì)分群體間的轉(zhuǎn)換，影響群體用戶數(shù)量。在此，本文認(rèn)為用戶群體特征決定了該類群體的知識貢獻(xiàn)量及意愿，通過對群體的知識貢獻(xiàn)意愿進(jìn)行激勵后，知識貢獻(xiàn)數(shù)量得以提升。基于此，對知識貢獻(xiàn)質(zhì)量的激勵使得用戶知識貢獻(xiàn)獲得的最終聲譽(yù)報酬得以提升，實(shí)現(xiàn)長尾用戶角色的轉(zhuǎn)化，從而刺激社區(qū)間知識要素的流動。另外，考慮到知識付費(fèi)背景下用戶從免費(fèi)知識貢獻(xiàn)到付費(fèi)知識貢獻(xiàn)的觀念轉(zhuǎn)移行為，當(dāng)用戶獲得的社區(qū)資本超過一定閾值后，將開始嘗試從無到有的付費(fèi)知識貢獻(xiàn)。因果關(guān)系如圖2所示。

圖2 細(xì)分群體子系統(tǒng)內(nèi)部因果關(guān)系圖

社會化問答社區(qū)細(xì)分群體知識貢獻(xiàn)激勵系統(tǒng)的各子系統(tǒng)間存在關(guān)聯(lián)，子系統(tǒng)間彼此相互影響，其耦合關(guān)系主要依據(jù)細(xì)分群體數(shù)量創(chuàng)建。在該過程中，當(dāng)長尾用戶的知識貢獻(xiàn)數(shù)量及聲譽(yù)報酬超過一定閾值后，知識貢獻(xiàn)特征較之以往發(fā)生變化，貢獻(xiàn)不同層次的知識量、獲取不同等級的聲譽(yù)報酬，繼而受到激勵向更高等級用戶群體進(jìn)行轉(zhuǎn)化，從而表現(xiàn)出社區(qū)行為上的差異，并實(shí)現(xiàn)如圖3所示的群體間轉(zhuǎn)換。

圖3 細(xì)分群體子系統(tǒng)間的轉(zhuǎn)換流動

綜上所述，本文將社會化問答社區(qū)知識貢獻(xiàn)激勵系統(tǒng)分為五類細(xì)分群體子系統(tǒng)，子系統(tǒng)間通過轉(zhuǎn)換速率連接。各類細(xì)分群體內(nèi)部用戶所擁有的知識量及貢獻(xiàn)意愿將對其最終的知識貢獻(xiàn)數(shù)量產(chǎn)生直接影響，而聲譽(yù)報酬對細(xì)分群體間的轉(zhuǎn)換動力系數(shù)產(chǎn)生直接影響，繼而建立起模型的內(nèi)外部聯(lián)系?？傁到y(tǒng)的因果關(guān)系圖如圖4所示。

圖4 社會化問答社區(qū)細(xì)分群體知識貢獻(xiàn)因果關(guān)系

基于群體知識貢獻(xiàn)因果關(guān)系，對社會化問答社區(qū)知識貢獻(xiàn)激勵機(jī)制展開設(shè)計，反饋聯(lián)系如圖5所示。

圖5 激勵機(jī)制反饋聯(lián)系圖

社會化問答社區(qū)激勵機(jī)制系統(tǒng)主要由各類細(xì)分群體的不同知識量、知識貢獻(xiàn)意愿、知識貢獻(xiàn)質(zhì)量、激勵因素以及這些激勵所產(chǎn)生的輸出結(jié)果（知識貢獻(xiàn)數(shù)量與聲譽(yù)報酬）組成。對系統(tǒng)整體結(jié)構(gòu)進(jìn)行分析，以各類細(xì)分群體的需求即相應(yīng)的激勵因素為主線，建立社會化問答社區(qū)細(xì)分群體知識貢獻(xiàn)激勵機(jī)制系統(tǒng)因果關(guān)系模型，如圖6所示。

圖6 知識貢獻(xiàn)激勵機(jī)制因果關(guān)系圖

在因果關(guān)系圖的基礎(chǔ)上，繪制社會化問答社區(qū)細(xì)分群體知識貢獻(xiàn)激勵主系統(tǒng)及其內(nèi)部子系統(tǒng)的系統(tǒng)流圖。因果關(guān)系圖無法反映各變量間的具體數(shù)量關(guān)系及反饋回路的動態(tài)變化情況，因此，需要通過系統(tǒng)存量圖對變量間數(shù)量關(guān)系進(jìn)行具體刻畫。表3呈現(xiàn)了流圖中的變量名稱、符號和取值分布等，其中包括16個狀態(tài)變量、12個速率變量、5個常量及28個輔助變量。細(xì)分群體間轉(zhuǎn)換流失速率變量的大小，將直接影響細(xì)分群體間用戶數(shù)量存量水平。其中，頭部大V、腰部KOL、高質(zhì)量專業(yè)用戶、興趣型忠誠用戶及沉睡型潛水用戶編號為 V(大 V)、K(KOL)、E(Expert)、L(Loyalty)、S(Sleep)。

表3 變量說明表

細(xì)分群體間轉(zhuǎn)化動力系數(shù)是指某類用戶向另一類用戶轉(zhuǎn)化的概率系數(shù)。本文假定社區(qū)群體轉(zhuǎn)換由知識貢獻(xiàn)參與度低、獲得聲譽(yù)報酬較少的長尾用戶轉(zhuǎn)型為參與度較高的核心用戶。轉(zhuǎn)換系數(shù)會受到知識貢獻(xiàn)數(shù)量或聲譽(yù)數(shù)量的影響，即兩者數(shù)量越高，轉(zhuǎn)換動力系數(shù)也越高，成正比關(guān)系。

為表示社會化問答社區(qū)中的積累狀態(tài)，將細(xì)分群體數(shù)量、知識貢獻(xiàn)數(shù)量以及聲譽(yù)報酬數(shù)量定義為存量，分別用以表征細(xì)分群體流動能力、知識擴(kuò)散能力及聲譽(yù)累計能力。其一，在細(xì)分群體數(shù)量存量中，將群體用戶數(shù)量的轉(zhuǎn)換、流失定義為流量，它們之間的協(xié)同互動影響著細(xì)分群體用戶數(shù)量的變化；其二，在知識貢獻(xiàn)數(shù)量存量中，將知識貢獻(xiàn)意愿作為流量；其三，在聲譽(yù)報酬數(shù)量存量中，將知識貢獻(xiàn)質(zhì)量作為流量。在轉(zhuǎn)換連接方面，其一，知識貢獻(xiàn)及聲譽(yù)報酬通過群體轉(zhuǎn)換動力系數(shù)對群體轉(zhuǎn)換速率產(chǎn)生影響，知識貢獻(xiàn)數(shù)量增多表明用戶對社區(qū)知識貢獻(xiàn)參與積極性與產(chǎn)出的增長，社區(qū)知識話題存量會相應(yīng)得以提升，繼而吸引更多新注冊用戶，擴(kuò)展社區(qū)受眾的使用范圍，推動細(xì)分群體間角色的轉(zhuǎn)化；其二，聲譽(yù)報酬提高及網(wǎng)絡(luò)媒體報道量增加，也會相應(yīng)提升關(guān)注度，并有利于其他社區(qū)高流量高影響力的明星用戶加入社區(qū)，這些變量間的相互關(guān)系確定了知識貢獻(xiàn)激勵的機(jī)理。通過上述分析可知，知識貢獻(xiàn)激勵機(jī)制的存量流量圖如圖7所示。

圖7 系統(tǒng)流量存量圖

本文的參數(shù)估計方法包括：其一，借鑒已有知識貢獻(xiàn)激勵機(jī)制的研究成果，并通過電子郵件咨詢專家意見，采用專家打分法確定相關(guān)參數(shù)。經(jīng)過三輪打分并獲取評分均值，繼而對細(xì)分群體知識量、群體間轉(zhuǎn)換閾值、轉(zhuǎn)換速率、流失速率、專家引入率及新用戶注冊率等參數(shù)進(jìn)行優(yōu)化調(diào)整。其二，利用數(shù)據(jù)挖掘方法，爬取并分析社會化問答社區(qū)知乎平臺的用戶行為數(shù)據(jù)。例如，對用戶數(shù)據(jù)進(jìn)行群體畫像，確定各類用戶群體的比例分布，根據(jù)真實(shí)數(shù)據(jù)量化社區(qū)激勵因素，通過實(shí)證回歸分析確定相關(guān)因素的影響系數(shù)等，繼而確定細(xì)分群體的知識貢獻(xiàn)意愿及質(zhì)量。主要的方程設(shè)置如表4所示。隨著社會化問答社區(qū)的發(fā)展，部分激勵機(jī)制將得以完善，細(xì)分群體的知識貢獻(xiàn)意愿、轉(zhuǎn)換速率及激勵因素均將逐步提升，因此，利用表函數(shù)表示細(xì)分群體隨時間推移所發(fā)生的變化。

表4 流圖中主要變量關(guān)系式

三、模型仿真結(jié)果及政策分析

（一）仿真結(jié)果分析

本文以社會化問答社區(qū)“知乎”為例，將仿真時間設(shè)定為60個月。本文時間步長設(shè)置為 0.062 5，到第60個月仿真結(jié)束。由此，得出各類細(xì)分群體（沉睡型潛水用戶、興趣型忠誠用戶、高質(zhì)量專業(yè)用戶、腰部KOL、頭部大V）數(shù)量在各種激勵因素下的仿真結(jié)果，如圖8所示。

圖8 社區(qū)細(xì)分群體數(shù)量變化仿真

根據(jù)仿真結(jié)果分析，五類細(xì)分群體的數(shù)量均得以提升。其中，腰部KOL與頭部大V的增長速度較快，斜率呈現(xiàn)出由緩變急的趨勢，相比核心用戶的緩急增長，長尾用戶則平穩(wěn)遞增，具體增長幅度如表5所示。這一結(jié)果證實(shí)了知識貢獻(xiàn)的確有助于不同類型的細(xì)分群體轉(zhuǎn)化。以上的仿真結(jié)果為服務(wù)商提供了政策層面的管理啟示，即提高用戶知識貢獻(xiàn)意愿及內(nèi)容質(zhì)量，可以有效促進(jìn)社區(qū)內(nèi)長尾群體的資本積累與逐級演化。

表5 細(xì)分群體仿真周期內(nèi)增長幅度表

由圖9可以看出，隨著社區(qū)發(fā)展，深度用戶的付費(fèi)知識貢獻(xiàn)將逐漸增多，這不僅表現(xiàn)出頭部大V付費(fèi)知識貢獻(xiàn)意愿的提升，也反映出腰部KOL的知識貢獻(xiàn)觀念隨社會資本積累，其對應(yīng)的知識貢獻(xiàn)行為由“免費(fèi)”逐步過渡至“付費(fèi)”，并實(shí)現(xiàn)自身流量價值變現(xiàn)，推動免費(fèi)報酬向物質(zhì)報酬轉(zhuǎn)化，進(jìn)一步開拓出知識付費(fèi)的下沉市場。

圖9 付費(fèi)知識貢獻(xiàn)數(shù)量仿真

（二）仿真結(jié)果檢驗

為保證模型系統(tǒng)變化合理描述真實(shí)世界的系統(tǒng)變化規(guī)律，通過系統(tǒng)動力學(xué)建模軟件 Vensim 對模型進(jìn)行檢驗，具體方法包括以下幾點(diǎn)：

1.邊界適當(dāng)性測試

針對不同激勵因素通過對社區(qū)用戶知識貢獻(xiàn)數(shù)量及聲譽(yù)報酬的影響，繼而對群體間的轉(zhuǎn)換速率造成影響，結(jié)合實(shí)證分析及專家訪談等方法，參考前人研究文獻(xiàn)及專家意見，確定系統(tǒng)主要的內(nèi)生外生變量，反復(fù)檢查建模過程可能被忽略的重要反饋回路，在確保模型完整性的基礎(chǔ)上，構(gòu)建模型邊界、因果圖和流圖。

2.量綱一致性測試

通過反復(fù)梳理并明確概念，檢查各方程變量單位，減少變量數(shù)值及量綱與實(shí)際情況的偏差，運(yùn)用Vensim軟件對量綱多次調(diào)試完善，繼而確保量綱的一致性。

3.參數(shù)估計測試

本文收集知乎社區(qū)的歷史數(shù)據(jù)，在部分實(shí)際變量變化規(guī)律的基礎(chǔ)上，通過相應(yīng)參數(shù)估計及反復(fù)調(diào)試修正，進(jìn)而確保模型符合實(shí)際情況。

（三）政策控制仿真

在社會化問答社區(qū)激勵因素對用戶知識貢獻(xiàn)行為影響模型的基礎(chǔ)上，為調(diào)節(jié)利他信念、自我效能、信息開放、互惠信念、社區(qū)歸屬、社會學(xué)習(xí)、社會曝光、身份地位、社會比較及經(jīng)濟(jì)利益等因素，觀察各類細(xì)分群體的知識貢獻(xiàn)數(shù)量及獲取的聲譽(yù)報酬的變化情況。激勵因素按增減10%的變化幅度進(jìn)行系統(tǒng)仿真，調(diào)節(jié)某一類群體激勵因素時其他激勵因素及變量保持原值不變。通過改變激勵因素觀察主要參數(shù)變化情況，對比仿真結(jié)果，進(jìn)行相應(yīng)政策的模擬分析。

1.頭部大V激勵政策分析

對于頭部大V而言，其核心激勵因素包括自我效能與經(jīng)濟(jì)利益。頭部大V的知識貢獻(xiàn)觀念已經(jīng)實(shí)現(xiàn)了從免費(fèi)到付費(fèi)的過渡，經(jīng)濟(jì)利益在其知識貢獻(xiàn)意愿中占比較大。同時頭部大V會因為對自身水平的自信，自發(fā)進(jìn)行社區(qū)知識貢獻(xiàn)，而多數(shù)自我效能展示渠道需使用音頻或視頻作為載體，將耗費(fèi)較高時間精力成本，以完成音視頻剪輯及內(nèi)容制作，所以，自我效能能夠顯著提高知識貢獻(xiàn)意愿。將自我效能、經(jīng)濟(jì)利益分別提高和降低10%，由圖10可以發(fā)現(xiàn)自我效能的影響更為顯著。

圖10 頭部大V知識貢獻(xiàn)激勵仿真

相較于經(jīng)濟(jì)利益，通過提高領(lǐng)袖的自我效能感，將能更為有效地激發(fā)其創(chuàng)作意愿，繼而提升其知識貢獻(xiàn)數(shù)量。這一研究結(jié)論說明，社區(qū)管理者單純依靠高經(jīng)濟(jì)利益吸引頭部大V創(chuàng)作的激勵方式，無法達(dá)成促使優(yōu)秀內(nèi)容流動的目標(biāo)。內(nèi)容生產(chǎn)者進(jìn)入的行業(yè)越多，社區(qū)知識同質(zhì)化現(xiàn)象將無可避免地增加，表征為大眾化、覆蓋面廣等特性，無法滿足用戶深度學(xué)習(xí)的需求，不利于提升用戶忠誠度。因此，垂直化、細(xì)分化正成為頭部大V的轉(zhuǎn)型發(fā)展趨勢。正如陸續(xù)涌現(xiàn)的大量專注于IT、職場、金融、健康等熱門領(lǐng)域的自媒體和大V，其注重自身自我效能的發(fā)揮，能夠結(jié)合自身所長精準(zhǔn)地解決用戶的核心知識需求。

2.腰部KOL激勵政策分析

對于腰部KOL而言，其核心激勵因素包括社會比較、身份地位及經(jīng)濟(jì)利益。身份地位對知識質(zhì)量造成影響的原因源自以下兩個方面：其一，個人形象危害風(fēng)險的提高。當(dāng)用戶受到身份認(rèn)同激勵后，其所對應(yīng)的社區(qū)行為規(guī)范約束將會增加，因此，將更加注重維護(hù)社區(qū)形象。為避免形象造成傷害，這些獲得激勵的用戶會選擇減少回答把握偏低的問題，進(jìn)一步自主把控知識質(zhì)量。其二，根據(jù)馬太效應(yīng)，用戶在社區(qū)中的影響力越大，其所獲得的社區(qū)流量扶持資源就越多，用戶平臺價值得以發(fā)揮的空間也越大。社會比較對知識質(zhì)量造成的影響則是因為社會化問答社區(qū)中的知識貢獻(xiàn)機(jī)制類似眾包模式，已有問題的回復(fù)會對現(xiàn)有回復(fù)產(chǎn)生影響，已有知識貢獻(xiàn)被認(rèn)可程度越高，其面臨比較的壓力越大，用戶持續(xù)回答該問題的熱情就會降低。倘若用戶決定繼續(xù)貢獻(xiàn)自己的回復(fù)，會付出大量時間精力來提升知識質(zhì)量。將社會比較、身份地位與經(jīng)濟(jì)利益分別提高和降低10%，從圖11可以看出，相較于身份地位及社會比較，經(jīng)濟(jì)利益的影響更為顯著。腰部KOL隨著社區(qū)資本的積累，已經(jīng)處于付費(fèi)知識貢獻(xiàn)的臨界點(diǎn)，其知識貢獻(xiàn)觀念逐步轉(zhuǎn)化為“流量變現(xiàn)”，此時，不菲的經(jīng)濟(jì)收益更能激發(fā)其提升知識貢獻(xiàn)質(zhì)量，實(shí)現(xiàn)從無到有的觀念轉(zhuǎn)移與突破。目前多數(shù)KOL貢獻(xiàn)知識大多憑借個人IP效應(yīng)吸引粉絲閱讀或觀看，存在貢獻(xiàn)的知識含金量不高、內(nèi)容較為膚淺以及難以體現(xiàn)專業(yè)度等問題。然而，知識付費(fèi)者優(yōu)先考慮的是知識貢獻(xiàn)者的專業(yè)度與內(nèi)容質(zhì)量，其次才是口碑與知名度等。

圖11 腰部KOL知識貢獻(xiàn)激勵仿真

3.高質(zhì)量專業(yè)用戶激勵政策分析

對于高質(zhì)量專業(yè)用戶而言，其核心激勵因素包括互惠信念及利他信念。在社會化問答社區(qū)中，問題對個人知識專業(yè)、準(zhǔn)確性有著較高的要求，需要考慮在線學(xué)習(xí)者的知識水平和學(xué)習(xí)能力。隨著在線學(xué)習(xí)者知識參與的逐漸頻繁與深入，應(yīng)求知識貢獻(xiàn)會呈現(xiàn)出跨領(lǐng)域趨勢，造成知識質(zhì)量的下降與貢獻(xiàn)數(shù)量的減少，從而對知識貢獻(xiàn)意愿產(chǎn)生負(fù)面影響。而對高質(zhì)量專業(yè)用戶而言，其更加缺乏知識貢獻(xiàn)的主動性與積極性，增強(qiáng)利他信念有助于知識貢獻(xiàn)意愿的提升。雖然知識獲取者在收到高質(zhì)量的回復(fù)答案后會造成用戶對自身專業(yè)技能的感知偏差，從而降低知識貢獻(xiàn)的意愿，并對其后的知識貢獻(xiàn)行為產(chǎn)生負(fù)面影響[37]，但對高回饋信念的社區(qū)用戶而言，在收到積極反饋回復(fù)后，其知識貢獻(xiàn)意愿反而會得到顯著增強(qiáng)，更愿意將經(jīng)驗見解反饋給其他用戶。將互惠信念及利他信念分別提高和降低10%，從圖12可以看出，互惠信念的影響更為顯著。對于該類群體的激勵核心是刺激其從單向輸出向雙向互動的社群化升級，滿足其從知識到泛知識的發(fā)散性需求。該類用戶具備較高的專業(yè)素養(yǎng)，注冊之初多是被某些話題吸引而來，著重考慮挖掘他們的發(fā)散性社交需求，實(shí)現(xiàn)非IP內(nèi)容導(dǎo)流，加強(qiáng)其社區(qū)參與后的成就感。

圖12 高質(zhì)量專業(yè)用戶知識貢獻(xiàn)激勵仿真

4.興趣型忠誠用戶激勵政策分析

對于興趣型忠誠用戶而言，其核心激勵因素包括社會學(xué)習(xí)及社會曝光。就社會學(xué)習(xí)而言，社會學(xué)習(xí)的增多會導(dǎo)致知識貢獻(xiàn)者注意力焦點(diǎn)的改變。隨著社會學(xué)習(xí)的深入，其注意力焦點(diǎn)更多轉(zhuǎn)移至其他用戶貢獻(xiàn)的知識上，其時間精力受到限制[38]，會進(jìn)一步減少低質(zhì)量內(nèi)容輸出，提升知識貢獻(xiàn)質(zhì)量增加獲取報酬。就社會曝光而言，社會曝光的影響則可通過旁觀者效應(yīng)進(jìn)行解釋，在現(xiàn)場旁觀者的數(shù)量會對親社會行為造成影響，知識貢獻(xiàn)者作為理性人在面對高曝光度問題時，其知識貢獻(xiàn)意愿降低，并將考慮提供高質(zhì)量知識繼而吸引關(guān)注曝光。此外，對于曝光度較高的問題，參與知識貢獻(xiàn)的用戶數(shù)量較多，對參與者而言其在高曝光度問題下的應(yīng)求型知識貢獻(xiàn)收益將會提高。如圖13所示，將社會曝光及社會學(xué)習(xí)分別提高和降低10%，后者的影響更為顯著。目前知識貢獻(xiàn)門檻過低且缺乏規(guī)范監(jiān)管，導(dǎo)致大量知識貢獻(xiàn)者涌入，知識內(nèi)容包羅萬象但質(zhì)量參差不齊。用戶追求高質(zhì)量聲譽(yù)報酬依賴于內(nèi)容質(zhì)量評價標(biāo)準(zhǔn)的建立和內(nèi)容篩選，如何建立有效的內(nèi)容篩選和推廣體系，使得興趣型忠誠用戶提升自身專業(yè)水平是該類群體亟待解決的關(guān)鍵問題。

5.沉睡型潛水用戶激勵政策分析

對于沉睡型潛水用戶而言，其核心激勵因素包括社區(qū)歸屬及信息開放。就社區(qū)歸屬而言，多數(shù)沉睡型潛水用戶都是新進(jìn)入社區(qū)的初級用戶，其社區(qū)歸屬感較低，往往知識貢獻(xiàn)數(shù)量及收益較低，歸屬感的提升有助于提升用戶的社區(qū)體驗，獲得更多社區(qū)特權(quán)及優(yōu)惠，繼而激發(fā)與增強(qiáng)用戶的知識貢獻(xiàn)意愿[39]，加深用戶與其他用戶的交互程度，更易獲得其他用戶的點(diǎn)贊、收藏等聲譽(yù)報酬。就信息開放而言，清晰描述身份有益于建立良好的人際關(guān)系，用戶的個人信息披露可有效衡量其在線聲譽(yù)。因此，社會化問答社區(qū)中用戶的個人信息披露程度越高，其單次知識貢獻(xiàn)的聲譽(yù)收益也會越高。將社區(qū)歸屬及信息開放分別提高和降低10%，從圖14可以看出，信息開放對知識貢獻(xiàn)意愿及質(zhì)量的影響均更為顯著。這說明只有完善社區(qū)信息公開機(jī)制，做到及時透明、順暢溝通，才能更好留存新注冊用戶。

圖14 沉睡型潛水用戶知識貢獻(xiàn)激勵仿真

四、結(jié)論與展望

本文基于細(xì)分群體的激勵需求因素，考慮群體間的流動轉(zhuǎn)換及報酬對激勵因素的影響關(guān)系，建立了社會化問答社區(qū)知識貢獻(xiàn)激勵系統(tǒng)動力學(xué)模型。在確定系統(tǒng)邊界的基礎(chǔ)上，對系統(tǒng)運(yùn)行提出相關(guān)假設(shè)，明確各類細(xì)分群體的內(nèi)外部反饋回路，分析各類激勵因素與知識貢獻(xiàn)意愿與質(zhì)量間以及各類細(xì)分群體間的因果關(guān)系，構(gòu)建出社會化問答社區(qū)知識貢獻(xiàn)系統(tǒng)動力學(xué)主系統(tǒng)及細(xì)分群體子系統(tǒng)模型。

根據(jù)細(xì)分群體轉(zhuǎn)換速率與知識數(shù)量、聲譽(yù)報酬之間的相互作用關(guān)系及其仿真結(jié)果可以得出以下結(jié)論：隨著社會化問答社區(qū)的發(fā)展，社區(qū)的知識貢獻(xiàn)數(shù)量與報酬均呈現(xiàn)上升趨勢；深度用戶數(shù)量逐漸增多，原有的長尾用戶群體被稀釋，“去中心化”過程逐步深化，社區(qū)優(yōu)質(zhì)內(nèi)容流動效率明顯提升；通過提高長尾用戶的內(nèi)容生產(chǎn)質(zhì)量及意愿，刺激深度用戶由免費(fèi)轉(zhuǎn)向付費(fèi)高質(zhì)量內(nèi)容創(chuàng)作，以實(shí)現(xiàn)社區(qū)用戶的內(nèi)生轉(zhuǎn)化，從而建立知識付費(fèi)背景下的社區(qū)新格局。由此，建議社區(qū)管理者完善信息披露機(jī)制，以激勵長尾用戶，增強(qiáng)其信任歸屬感及認(rèn)同感；打造高質(zhì)量知識評價反饋體系；拓展PGC“知識+”多元化貢獻(xiàn)矩陣。對于核心用戶激勵，則需要優(yōu)化知識分發(fā)推薦機(jī)制。對于激勵機(jī)制設(shè)計，需要結(jié)合科技賦能，布局線上線下全場景，打造知識貢獻(xiàn)良性氛圍。

本文仍然存在以下局限：其一，盡管本文采集了社會化問答社區(qū)中產(chǎn)生過知識貢獻(xiàn)的用戶群體數(shù)據(jù)，并對社區(qū)內(nèi)所有知識貢獻(xiàn)群體進(jìn)行了細(xì)分研究，但實(shí)際上社區(qū)中還有未進(jìn)行過知識貢獻(xiàn)的高忠誠度潛水型用戶，或許針對這些用戶的知識貢獻(xiàn)激勵機(jī)制研究也將有助于社區(qū)的長久發(fā)展。未來將考慮針對潛水型用戶的實(shí)驗研究，以挖掘其可能的知識貢獻(xiàn)驅(qū)動因素及轉(zhuǎn)化機(jī)制。其二，在單個用戶進(jìn)行知識貢獻(xiàn)時，平臺推薦、話題實(shí)時熱度等均會動態(tài)影響用戶的知識貢獻(xiàn)行為，本文目前主要使用截面數(shù)據(jù)對其激勵機(jī)制設(shè)計進(jìn)行研究，尚未全面覆蓋到這一動態(tài)變化過程。未來將考慮爬取用戶的動態(tài)數(shù)據(jù)，以探究上述因素對知識貢獻(xiàn)造成的動態(tài)影響。其三，盡管本文充分結(jié)合實(shí)際情況進(jìn)行了參數(shù)估計，盡力降低了主觀偏誤，但仍無法杜絕所有可能的測量誤差。未來將對參數(shù)估計進(jìn)一步予以優(yōu)化調(diào)整。