论文部分内容阅读
内容提要：本文以新浪微博为研究对象，从动态信息传播网络特征入手，利用社会网络分析技术构建以微博传播网络的拓扑结构、个体属性特征和官方微博发布的信息特征为变量的假设模型，探究其对微博营销效果的影响。结果表明，传播网络的属性特征与传播网络的大小相关，性别因素影响传播网络的扩张，官方微博当日的微博发布数与传播网络的大小负相关。
关键词：微博营销；社会网络；面板数据；固定效应模型
中图分类号：F49 文献标识码：A 文章编号：1001-148X（2017）02-0012-07
收稿日期：2016-09-25
作者简介：孙江华（1976-），女，河南方城人，中国传媒大学经济与管理学院副教授，研究生导师，研究方向：媒体管理；颜诗烬（1992-），女，湖北荆州人，中国传媒大学经济与管理学院研究生，研究方向：媒体管理、数据挖掘。
基金项目：教育部人文社科重点研究基金项目“电视商务的运营模式创新研究”，项目编号：2015GDYB09。
一、引言
随着互联网的发展，企业营销工具不再局限于传统媒介，以微博为代表的新型媒介已成为企业营销的新宠。传播学大师Marshall McLuhan（2000）认为：“媒介是社会发展的基本动力，也是区分不同社会形态的标志，每一种新媒介的产生，宣告我们进入了一个新时代”[1]。微博基于用户关系进行分享，传播和获取，用户可以自由通过“评论”，“转发”和“点赞”功能将他人传播的信息经过自己的“加工”，向自己的“粉丝”网络进行发布。基于此，微博的互动社交功能能够带来网络效应，提升信息的价值，也是微博快速成为企业必备营销工具的原因之一。据2015年新浪微博发布的第三季度财报中显示，截止2015年9月30日，微博月活跃用户数（MAU）已经达到据222亿人，较上年同期增长33%；9月的日均活跃用户数（DAU）为1亿，较上年同期增长30%[2]。其中，17-33岁用户占月活跃用户总量的79%，是微博的主力人群，且年轻化用户有较为明显的增长趋势。正是因为主力消费人群偏好这种新型媒介，目前大量的企业和组织依托其进行信息传播、分享和互动的网络营销行为。
国内外学者对于微博营销的研究可以分为宏观和微观两种不同的视角[3-8]。宏观视角上一是对微博的社会价值进行探索，并通过真实案例分析微博的营销策略；二是构建微博营销影响消费者的理论模型。微观视角上，学者主要从微博的营销信息传播模型入手，主要通过评估节点影响力和信息质量两方面来进行研究，定量分析如何实现信息扩散效果的最大化。
而微博作为一种典型的复杂社会网络，主要是通過单向的“关注（跟随）”行为构建社会网络关系，众多研究表明，微博具有社会网络的特性。国外学者中Akshay Java et al（2007）[9]、Teutle（2010）[10]、Wojciech Galuba（2010）[11]等以Twitter为对象，通过测量度分布和路径长度，证实微博网络同样具有小世界和无标度特征。国内学者平亮和宗利永（2010）[12]通过关键的网络拓扑结构指标进行了分析，从点度中心性、中间中心性和接近中心性三个方面对微博社会网络的中心性进行了分析，证实微博具有明显的集中趋势，权威用户往往成为“意见领袖”，对信息传播起到关键作用。微博具有社交网络的特性，使得基于微博社交网络的特性来研究微博的营销更具有意义。
在众多行业中，电影行业由于其营销推广需要多频次传播，且高成本的线下推广难以满足片方预期，所以，微博这种社会化媒介成为完成营销推广信息裂变式扩散的最佳渠道。目前，经过认证的电影官方微博账号成为电影行业进行宣传推广的首选。自2011年电影《失恋33天》成功进行微博营销后，大部分的国产电影和部分外国电影都采用开通官方微博这种方式作为自己的推广渠道。尽管越来越多的电影宣传方开始意识到微博营销的重要性，但实证研究表明，大部分电影官方微博营销的运作效果并不佳。特别是在国内，运营官方微博存在各种各样的问题，因此，探讨微博信息传播规律，分析企业微博营销效果的影响因素，对于提高微博运营能力具有重要意义。
综上，本文旨在从社会网络分析的角度探究影响微博营销效果的因素。其中，选取以微博中“转发”行为作为微博营销效果，并综合微博传播网络拓扑结构、个体属性特征和官方微博发布的信息特征对影响因素进行合理划分和提取，建立微博转发扩散效果营销因素模型；以新浪微博为研究对象，利用爬虫技术抓取全年经过认证的电影官方所发布的营销推广微博和其相关的转发信息，通过构造电影上映期间单日的传播网络，以单日转发人数为衡量微博营销效果的指标，并将传播网络的属性信息和传播节点的属性信息进行量化，建立基于面板数据的个体固定效应模型进行实证研究。
二、研究假设及模型
通过构建基于社会网络关系的“转发”网络模型，对信息传播网络进行描述。本文设定参与转发人数作为研究的主要对象和衡量微博营销质量的指标。而这些人转发的特性和构成的“转发”网络结构会对这些人参与转发的人数造成影响，本文将其分为以下3个方面进行分析：
（一）传播网络的拓扑结构特征
微博营销信息一般由官方微博作为中心节点发出，呈类星形扩散。营销信息扩散的转发人，即为信息传播网络中的节点，通过不同的拓扑结构组成社会网络。而社会网络拓扑结构属性，能够很好地刻画社会网络节点之间的关系，对社会网络的整体情况进行描述。由此提出假设：
H1：微博营销信息参与转发人数受到转发的传播网络结构的拓扑特征的影响。
针对这种网络结构，我们可以通过几个指标进行刻画：代表传播网络中连接关系的平均度和平均加权度；代表传播网络整体连接关系的图密度；代表网络转发层级特征网络直径、平均路径长度和熵。根据社会网络分析对这些指标的定义以及其与参与转发人数（即节点数）的关系，提出如下假设： H1a：参与转发人数与转发网络的平均度显著相关。
H1b：参与转发人数与转发网络的平均加权度显著相关。
H1c：参与转发人数与转发网络的图密度显著相关。
H1d：参与转发人数与转发网络的网络直径显著相关。
H1e：参与转发人数与转发网络的平均路径长度显著相关。
H1f：参与转发人数与转发网络的熵显著相关。
（二）传播网络个体属性特征
除了传播网络拓撲结构的属性之外，由于微博参与转发的个体有所差别，其个体属性（节点属性）也会对参与传播人数造成影响。由此提出假设：
H2：微博营销信息参与转发人数受到转发的传播网络个体特征的影响。
对于参与转发的个体，我们可以从以下其性别和是否经认证两个指标探究传播网络中的个体特征是否对参与转发人数造成影响，假设如下：
H2a：参与转发人数与转发网络中男性占比显著相关。
H2b：参与转发人数与转发网路中认证占比显著相关。
（三）官方微博发布的信息特征
此外，官方微博发布营销信息的特征也应当对参与转发人数造成影响，提出假设：
H3：微博营销信息参与转发人数受到营销信息内容的影响。
由于本文未涉及文本分析，仅以官方微博发布的信息和官方微博发布的信息是原创信息在所有发布信息的占比为研究对象。因此假设：
H3a：参与转发人数与营销微博发布的信息量显著相关。
H3b：参与转发人数与营销微博发布的原创占比显著相关。
（四）模型整体框架
在社交网络分析技术的基础上，通过构建微博“转发”网络模型，以微博单日转发量来衡量微博的营销的效果，结合从传播网络的拓扑结构特征、个体属性特征、官方微博发布的信息特征三方面所提出的假设，构建本文微博营销效果影响因素模型框架，如图1所示。
三、实证分析
（一）数据概述
通过爬虫技术对微博转发信息进行收集，选取2015年全年票房排名前50的电影，共收集其官方微博在上映期间发布信息17 825条，共1 694个单位日的发布信息。其中，总转发信息252 636条，共涉及186 640人次。
根据上文中假设，本文从传播网络的拓扑结构特征、传播网络个体属性特征和官方微博发布的信息特征三个角度构建变量。为了使模型拟合度更高，在模型建立的过程中加入了上映天数、百度指数、票房和屏幕数，以及哑变量周五、周六和周日七个指标进行模型建模。相关变量和描述如表1所示。
（二）面板数据回归建模
1.相关变量统计分析
表2是获取的电影官方微博营销相关指标的描述性统计结果。从微博信息传播网络的拓扑结构指标可知，每日的传播网络平均度基本小于1且图密度较小，说明信息传播网络基本符合由中心扩散的单项网状结构，个别单日扩散网络可能出现相互转发的情况，造成平均度大于1的情况。加权平均度考虑到单日内有些用户多次转发官方微博的情况，所以平均加权度基本大于1且大于平均度，说明单日内个别用户多次转发官方微博发布内容是个普遍现象。除了个别微博转发层级很高，大部分官方微博发出的微博平均受到转发为两个层级的转发，而大部分个人微博会受到一次转发。文中引入熵为指标刻画不同层级间转发的差异，从结果可以看出，熵偏小，说明转发层级差异较大，主要集中在一级转发。
从转发用户节点属性特征指标可知参与转发的用户中男性占比较小，说明转发网络中女性为转发行为的主导人群。转发中官方认证的用户较少，大多以“草根”用户为转发的主导人群。从官方微博发布信息特征指标可知电影官方微博在上映期间平均每日发布信息为10条左右，半数电影官方微博平均每日发布信息不大于4条，但是有电影官方微博发布信息高达182条，远大于其他的官方微博。其中，大部分的官方微博发布的信息以转发其他的微博的信息为主，原创内容较少。
2.变量相关关系及多重共线性检验
在建立回归模型之前，由于单日转发人数（节点数）参与计算获得传播网络结构的拓扑指标，故需检验传播网络拓扑结构指标与参与转发人数的相关性。从表3可以看出，各指标两两之间相关性并不明显。
对平均度、平均加权度、网络直径、图密度、平均路径长度和熵6个指标对参与转发的人数进行多重共线性检验。利用方差膨胀因子（Variance Inflation Factor，VIF），即容忍度的倒数进行描述。其中，VIF越大，显示共线性越严重。经验判断方法表明：当0 3.建立固定效应模型
由于部分官方微博的单日传播网络为空，即在某些日期中没有发布微博页没有用户转发其曾经发布的微博，所以部分指标为0，变量不能进行对数处理。本文的实证数据为69部电影的非平衡面板数据，以天为单位的时间序列跨度为12-55，一共有1 694个观测值。故建立如下五个个体固定效应模型：
模型1：以传播网络拓扑结构指标和男性比率为基础指标，探究用户认证比例影响模型。
模型2 ：以传播网络拓扑结构指标和男性比率为基础指标，探究官方微博发布数量影响模型。
模型3：以传播网络拓扑结构指标和男性比率为基础指标，探究官方微博发布原创比率的影响模型。
模型4 ：以传播网络拓扑结构指标和用户认证情况为基础指标，探究官方微博发布数量影响模型。
模型5：以传播网络拓扑结构指标和用户认证情况为基础指标，探究官方微博发布原创比率的影响模型。 4.模型结果
根据以上公式建立个体固定效应模型结果如表5，五个个体固定效应模型的拟合度（R2）均在86%-88%之间，说明模型拟合良好，且所有模型的p值均小于222e-16。说明通过以上变量建立的模型能够通过t检验，模型结果能够被接受。
（三）模型结果分析
基于五个个模型结果，可以得出各指标与单日转发人数关系总结为表5所示。在五个个体固定效应模型中，传播网络拓扑结构指标较为显著且数值稳定，说明传播网络的部分属性特征與传播网络的大小（单日转发人数）相关。平均度显著为正而加权平均度显著为负，说明在传播网络中，参与转发的用户之间通过转发建立更多的关系能够帮助信息进行扩散，然而相同的用户在同一日内多次转发（即用户之间的连接加入权重），并不能使传播网络扩张。图密度与传播网络大小正向显著相关，又由图密度的数据描述可知，各单日传播网络中的图密度较小（因为传播网络属于类星形扩散结构），故可知，在传播网络中的个体之间相互连接增加，有利于传播网络的扩散。
从传播路径的角度进行研究，网络直径与传播网络大小正向显著相关，而平均路径长度与其负向显著相关。对于这种单日的信息传播网络，大部分信息经过少层级的转发同时小部分信息经过多层级的转发，这种模式对转发扩散更加有利，这也可以说明描述网络层级混乱度的熵指标为什么不显著，因为各层级之间的差异性对转发扩散的影响并不大。
当加入一些用户的属性指标，可以看到，男性用户在所有转发用户中所占的比例与传播网络大小正向显著相关。这表明男性用户对信息的传播，更可能引起更多人转发行为，扩张传播网络。而认证用户在所有用户中所占的比例与传播网络的大小关系并不显著，可能的解释是，对于转发官方微博的内容，是否是认证用户进行转发对其他用户是否进行转发行为影响并不大。
从模型2、4中可以看到官方微博单日的微博发布数与传播网络的大小负向相关，说明官方微博每日多发布宣传内容并不能够引起更多地转发。而其中的原创比率并不显著，表明内容是否原创与传播网络的大小没有显著的影响。
四、结论与建议
基于社会网络特性，本文提出“转发”网络模型，使用爬虫技术进行数据采集，构建了官方微博信息扩散的影响因素模型，研究发现：传播网络的属性特征与传播网络的大小相关。在传播网络中，参与转发的用户之间通过转发建立更多的关系能够帮助信息进行扩散，图密度与传播网络大小正向显著相关；网络直径与传播网络大小正向显著相关，而平均路径长度与其负向显著相关；性别因素对传播网络的扩张有影响。男性用户对信息的传播，可能引起更多人转发行为，扩张传播网络，是否认证用户对其他用户转发行为影响并不大。官方微博当日的微博发布数与传播网络的大小负相关，发布内容形式是原创或是转发，对传播网络的扩张没有影响。
根据研究结论，对官方微博发布营销推广信息策略提出如下建议。
从微博传播网络的拓扑结构特征角度来说，一是官方微博在发布信息的内容上，应该多提供一些帮助参与转发人之间互动的内容。例如开展网络大赛等活动进行推广或者发起转发抽奖活动，设置一些奖项来吸引粉丝的参与。二是在宣传上应当采用持续多日的战略。三是官方微博在发布信息内容的时候，应当采用多样化的策略。实证研究表明单一用户多次转发，对宣传营销起到负面的效果，通过多样化的方式，能够吸引更多的新用户转发，帮助信息传播网络扩散，起到促进宣传推广的效果。
从个体属性特征来说，转发网络中男性用户占比越多，该微博被转发的机会也就越多。由此，电影官方微博可以多发布能吸引男性用户的微博内容，扩大转发量。此外，对于电影官方微博来说，认证用户占比与微博单日转发量关系并不显著，可以从侧面反映出认证用户对于微博营销效果的作用并不体现在转发微博的认证用户数量，而主要在于认证用户自身的影响力上。
从官方微博发布的信息特征来看，单日过多的发布信息对信息传播网络的扩散起到负面影响，所以，单日内“少而精”的内容，是帮助营销推广的良策。例如电影官方微博账可以逐渐公布定妆照、剧照、花絮、宣传片、预告片等与演员相关的宣传资料吸引粉丝的关注和转发。
参考文献：
[1] Marshall McLuhan.理解媒介——论人的延伸[M].何道宽，译.商务印书馆，2000：37.
[2] 新浪微博数据中心. 2015年微博用户发展报告[Z].新浪微博，2015（9）.
[3] 杨晓茹.传播学视域中的微博研究[J].当代传播，2010（2）.
[4] 史亚光.企业微博客营销策略研究[D].上海：华东师范大学，2011.
[5] 王海龙.企业微博营销的局限性研究[D].北京：中国地质大学，2011.
[6] Jansen， B. J.， Zhang， M. Twitter Power： Tweets as Electronic Word of Mouth[J].Journal of The American Society for Information Science and Technology， 2009， 60（11）：2169-2188.
[7] 金永生，王睿，陈祥兵.企业微博营销效果和粉丝数量的短期互动模型[J].管理科学，2011，24（4）：71-83.
[8] 陈晓明.企业微博客营销效果的影响因素分析[D].广州：暨南大学，2012.
[9] AkshayJava et al. Why We Twitter： Understanding Microblogging Usage and Communities[C].Procedings of the Joint 9th WEBKDD and 1st SNA-KDD Workshop， 2007. [10]Teutle，A.R.M. Twitter： Network properties analysis[C].2010 20th International Conference on Electronics， Communications and Computer（CONIELECOMP），2010，18：180-186.
[11]Cialuba，W.， Aberer， K. （n.d.）. Outtweeting the Twitterers-Predicting Information Cascades in Microblogs[C].3rd Workshop on Online Social Networks， WOSN，2010.
[12]平亮，宗利永.基于社会网络中心性分析的微博信息传播研究[J].图书情报知识，2010（6）.
The Effects of Social Network Characteristics on the Microblog Marketing
——An Empirical Study based on the Panel Data of Official Movie Microblogs
SUN Jiang-hua， YAN Shi-jin
（School of Economics and Management， Communication University of China， Beijing 100024，China）
Abstract：Taking Sina Microblog as object of study， using social network analysis technology and starting from the characteristics of dynamic information dissemination network， this paper constructs the hypothesis model， which takes topology structure of micro-blog′s network， the individual attribute and the information characteristic of official micro-blog release as variables to explore its effect on microblog marketing. Research shows that the characteristics of the propagation network are related to the size of the propagation network， the gender affects the expansion of the propagation network， and the number of official microblogs posted on the day is negatively correlated with the size of the propagation network.
Key words：Micro-blog marketing； social networks； panel data； fixed effects regression model
（責任编辑：周正）
关键词：微博营销；社会网络；面板数据；固定效应模型
中图分类号：F49 文献标识码：A 文章编号：1001-148X（2017）02-0012-07
收稿日期：2016-09-25
作者简介：孙江华（1976-），女，河南方城人，中国传媒大学经济与管理学院副教授，研究生导师，研究方向：媒体管理；颜诗烬（1992-），女，湖北荆州人，中国传媒大学经济与管理学院研究生，研究方向：媒体管理、数据挖掘。
基金项目：教育部人文社科重点研究基金项目“电视商务的运营模式创新研究”，项目编号：2015GDYB09。
一、引言
随着互联网的发展，企业营销工具不再局限于传统媒介，以微博为代表的新型媒介已成为企业营销的新宠。传播学大师Marshall McLuhan（2000）认为：“媒介是社会发展的基本动力，也是区分不同社会形态的标志，每一种新媒介的产生，宣告我们进入了一个新时代”[1]。微博基于用户关系进行分享，传播和获取，用户可以自由通过“评论”，“转发”和“点赞”功能将他人传播的信息经过自己的“加工”，向自己的“粉丝”网络进行发布。基于此，微博的互动社交功能能够带来网络效应，提升信息的价值，也是微博快速成为企业必备营销工具的原因之一。据2015年新浪微博发布的第三季度财报中显示，截止2015年9月30日，微博月活跃用户数（MAU）已经达到据222亿人，较上年同期增长33%；9月的日均活跃用户数（DAU）为1亿，较上年同期增长30%[2]。其中，17-33岁用户占月活跃用户总量的79%，是微博的主力人群，且年轻化用户有较为明显的增长趋势。正是因为主力消费人群偏好这种新型媒介，目前大量的企业和组织依托其进行信息传播、分享和互动的网络营销行为。
国内外学者对于微博营销的研究可以分为宏观和微观两种不同的视角[3-8]。宏观视角上一是对微博的社会价值进行探索，并通过真实案例分析微博的营销策略；二是构建微博营销影响消费者的理论模型。微观视角上，学者主要从微博的营销信息传播模型入手，主要通过评估节点影响力和信息质量两方面来进行研究，定量分析如何实现信息扩散效果的最大化。
而微博作为一种典型的复杂社会网络，主要是通過单向的“关注（跟随）”行为构建社会网络关系，众多研究表明，微博具有社会网络的特性。国外学者中Akshay Java et al（2007）[9]、Teutle（2010）[10]、Wojciech Galuba（2010）[11]等以Twitter为对象，通过测量度分布和路径长度，证实微博网络同样具有小世界和无标度特征。国内学者平亮和宗利永（2010）[12]通过关键的网络拓扑结构指标进行了分析，从点度中心性、中间中心性和接近中心性三个方面对微博社会网络的中心性进行了分析，证实微博具有明显的集中趋势，权威用户往往成为“意见领袖”，对信息传播起到关键作用。微博具有社交网络的特性，使得基于微博社交网络的特性来研究微博的营销更具有意义。
在众多行业中，电影行业由于其营销推广需要多频次传播，且高成本的线下推广难以满足片方预期，所以，微博这种社会化媒介成为完成营销推广信息裂变式扩散的最佳渠道。目前，经过认证的电影官方微博账号成为电影行业进行宣传推广的首选。自2011年电影《失恋33天》成功进行微博营销后，大部分的国产电影和部分外国电影都采用开通官方微博这种方式作为自己的推广渠道。尽管越来越多的电影宣传方开始意识到微博营销的重要性，但实证研究表明，大部分电影官方微博营销的运作效果并不佳。特别是在国内，运营官方微博存在各种各样的问题，因此，探讨微博信息传播规律，分析企业微博营销效果的影响因素，对于提高微博运营能力具有重要意义。
综上，本文旨在从社会网络分析的角度探究影响微博营销效果的因素。其中，选取以微博中“转发”行为作为微博营销效果，并综合微博传播网络拓扑结构、个体属性特征和官方微博发布的信息特征对影响因素进行合理划分和提取，建立微博转发扩散效果营销因素模型；以新浪微博为研究对象，利用爬虫技术抓取全年经过认证的电影官方所发布的营销推广微博和其相关的转发信息，通过构造电影上映期间单日的传播网络，以单日转发人数为衡量微博营销效果的指标，并将传播网络的属性信息和传播节点的属性信息进行量化，建立基于面板数据的个体固定效应模型进行实证研究。
二、研究假设及模型
通过构建基于社会网络关系的“转发”网络模型，对信息传播网络进行描述。本文设定参与转发人数作为研究的主要对象和衡量微博营销质量的指标。而这些人转发的特性和构成的“转发”网络结构会对这些人参与转发的人数造成影响，本文将其分为以下3个方面进行分析：
（一）传播网络的拓扑结构特征
微博营销信息一般由官方微博作为中心节点发出，呈类星形扩散。营销信息扩散的转发人，即为信息传播网络中的节点，通过不同的拓扑结构组成社会网络。而社会网络拓扑结构属性，能够很好地刻画社会网络节点之间的关系，对社会网络的整体情况进行描述。由此提出假设：
H1：微博营销信息参与转发人数受到转发的传播网络结构的拓扑特征的影响。
针对这种网络结构，我们可以通过几个指标进行刻画：代表传播网络中连接关系的平均度和平均加权度；代表传播网络整体连接关系的图密度；代表网络转发层级特征网络直径、平均路径长度和熵。根据社会网络分析对这些指标的定义以及其与参与转发人数（即节点数）的关系，提出如下假设： H1a：参与转发人数与转发网络的平均度显著相关。
H1b：参与转发人数与转发网络的平均加权度显著相关。
H1c：参与转发人数与转发网络的图密度显著相关。
H1d：参与转发人数与转发网络的网络直径显著相关。
H1e：参与转发人数与转发网络的平均路径长度显著相关。
H1f：参与转发人数与转发网络的熵显著相关。
（二）传播网络个体属性特征
除了传播网络拓撲结构的属性之外，由于微博参与转发的个体有所差别，其个体属性（节点属性）也会对参与传播人数造成影响。由此提出假设：
H2：微博营销信息参与转发人数受到转发的传播网络个体特征的影响。
对于参与转发的个体，我们可以从以下其性别和是否经认证两个指标探究传播网络中的个体特征是否对参与转发人数造成影响，假设如下：
H2a：参与转发人数与转发网络中男性占比显著相关。
H2b：参与转发人数与转发网路中认证占比显著相关。
（三）官方微博发布的信息特征
此外，官方微博发布营销信息的特征也应当对参与转发人数造成影响，提出假设：
H3：微博营销信息参与转发人数受到营销信息内容的影响。
由于本文未涉及文本分析，仅以官方微博发布的信息和官方微博发布的信息是原创信息在所有发布信息的占比为研究对象。因此假设：
H3a：参与转发人数与营销微博发布的信息量显著相关。
H3b：参与转发人数与营销微博发布的原创占比显著相关。
（四）模型整体框架
在社交网络分析技术的基础上，通过构建微博“转发”网络模型，以微博单日转发量来衡量微博的营销的效果，结合从传播网络的拓扑结构特征、个体属性特征、官方微博发布的信息特征三方面所提出的假设，构建本文微博营销效果影响因素模型框架，如图1所示。
三、实证分析
（一）数据概述
通过爬虫技术对微博转发信息进行收集，选取2015年全年票房排名前50的电影，共收集其官方微博在上映期间发布信息17 825条，共1 694个单位日的发布信息。其中，总转发信息252 636条，共涉及186 640人次。
根据上文中假设，本文从传播网络的拓扑结构特征、传播网络个体属性特征和官方微博发布的信息特征三个角度构建变量。为了使模型拟合度更高，在模型建立的过程中加入了上映天数、百度指数、票房和屏幕数，以及哑变量周五、周六和周日七个指标进行模型建模。相关变量和描述如表1所示。
（二）面板数据回归建模
1.相关变量统计分析
表2是获取的电影官方微博营销相关指标的描述性统计结果。从微博信息传播网络的拓扑结构指标可知，每日的传播网络平均度基本小于1且图密度较小，说明信息传播网络基本符合由中心扩散的单项网状结构，个别单日扩散网络可能出现相互转发的情况，造成平均度大于1的情况。加权平均度考虑到单日内有些用户多次转发官方微博的情况，所以平均加权度基本大于1且大于平均度，说明单日内个别用户多次转发官方微博发布内容是个普遍现象。除了个别微博转发层级很高，大部分官方微博发出的微博平均受到转发为两个层级的转发，而大部分个人微博会受到一次转发。文中引入熵为指标刻画不同层级间转发的差异，从结果可以看出，熵偏小，说明转发层级差异较大，主要集中在一级转发。
从转发用户节点属性特征指标可知参与转发的用户中男性占比较小，说明转发网络中女性为转发行为的主导人群。转发中官方认证的用户较少，大多以“草根”用户为转发的主导人群。从官方微博发布信息特征指标可知电影官方微博在上映期间平均每日发布信息为10条左右，半数电影官方微博平均每日发布信息不大于4条，但是有电影官方微博发布信息高达182条，远大于其他的官方微博。其中，大部分的官方微博发布的信息以转发其他的微博的信息为主，原创内容较少。
2.变量相关关系及多重共线性检验
在建立回归模型之前，由于单日转发人数（节点数）参与计算获得传播网络结构的拓扑指标，故需检验传播网络拓扑结构指标与参与转发人数的相关性。从表3可以看出，各指标两两之间相关性并不明显。
对平均度、平均加权度、网络直径、图密度、平均路径长度和熵6个指标对参与转发的人数进行多重共线性检验。利用方差膨胀因子（Variance Inflation Factor，VIF），即容忍度的倒数进行描述。其中，VIF越大，显示共线性越严重。经验判断方法表明：当0
由于部分官方微博的单日传播网络为空，即在某些日期中没有发布微博页没有用户转发其曾经发布的微博，所以部分指标为0，变量不能进行对数处理。本文的实证数据为69部电影的非平衡面板数据，以天为单位的时间序列跨度为12-55，一共有1 694个观测值。故建立如下五个个体固定效应模型：
模型1：以传播网络拓扑结构指标和男性比率为基础指标，探究用户认证比例影响模型。
模型2 ：以传播网络拓扑结构指标和男性比率为基础指标，探究官方微博发布数量影响模型。
模型3：以传播网络拓扑结构指标和男性比率为基础指标，探究官方微博发布原创比率的影响模型。
模型4 ：以传播网络拓扑结构指标和用户认证情况为基础指标，探究官方微博发布数量影响模型。
模型5：以传播网络拓扑结构指标和用户认证情况为基础指标，探究官方微博发布原创比率的影响模型。 4.模型结果
根据以上公式建立个体固定效应模型结果如表5，五个个体固定效应模型的拟合度（R2）均在86%-88%之间，说明模型拟合良好，且所有模型的p值均小于222e-16。说明通过以上变量建立的模型能够通过t检验，模型结果能够被接受。
（三）模型结果分析
基于五个个模型结果，可以得出各指标与单日转发人数关系总结为表5所示。在五个个体固定效应模型中，传播网络拓扑结构指标较为显著且数值稳定，说明传播网络的部分属性特征與传播网络的大小（单日转发人数）相关。平均度显著为正而加权平均度显著为负，说明在传播网络中，参与转发的用户之间通过转发建立更多的关系能够帮助信息进行扩散，然而相同的用户在同一日内多次转发（即用户之间的连接加入权重），并不能使传播网络扩张。图密度与传播网络大小正向显著相关，又由图密度的数据描述可知，各单日传播网络中的图密度较小（因为传播网络属于类星形扩散结构），故可知，在传播网络中的个体之间相互连接增加，有利于传播网络的扩散。
从传播路径的角度进行研究，网络直径与传播网络大小正向显著相关，而平均路径长度与其负向显著相关。对于这种单日的信息传播网络，大部分信息经过少层级的转发同时小部分信息经过多层级的转发，这种模式对转发扩散更加有利，这也可以说明描述网络层级混乱度的熵指标为什么不显著，因为各层级之间的差异性对转发扩散的影响并不大。
当加入一些用户的属性指标，可以看到，男性用户在所有转发用户中所占的比例与传播网络大小正向显著相关。这表明男性用户对信息的传播，更可能引起更多人转发行为，扩张传播网络。而认证用户在所有用户中所占的比例与传播网络的大小关系并不显著，可能的解释是，对于转发官方微博的内容，是否是认证用户进行转发对其他用户是否进行转发行为影响并不大。
从模型2、4中可以看到官方微博单日的微博发布数与传播网络的大小负向相关，说明官方微博每日多发布宣传内容并不能够引起更多地转发。而其中的原创比率并不显著，表明内容是否原创与传播网络的大小没有显著的影响。
四、结论与建议
基于社会网络特性，本文提出“转发”网络模型，使用爬虫技术进行数据采集，构建了官方微博信息扩散的影响因素模型，研究发现：传播网络的属性特征与传播网络的大小相关。在传播网络中，参与转发的用户之间通过转发建立更多的关系能够帮助信息进行扩散，图密度与传播网络大小正向显著相关；网络直径与传播网络大小正向显著相关，而平均路径长度与其负向显著相关；性别因素对传播网络的扩张有影响。男性用户对信息的传播，可能引起更多人转发行为，扩张传播网络，是否认证用户对其他用户转发行为影响并不大。官方微博当日的微博发布数与传播网络的大小负相关，发布内容形式是原创或是转发，对传播网络的扩张没有影响。
根据研究结论，对官方微博发布营销推广信息策略提出如下建议。
从微博传播网络的拓扑结构特征角度来说，一是官方微博在发布信息的内容上，应该多提供一些帮助参与转发人之间互动的内容。例如开展网络大赛等活动进行推广或者发起转发抽奖活动，设置一些奖项来吸引粉丝的参与。二是在宣传上应当采用持续多日的战略。三是官方微博在发布信息内容的时候，应当采用多样化的策略。实证研究表明单一用户多次转发，对宣传营销起到负面的效果，通过多样化的方式，能够吸引更多的新用户转发，帮助信息传播网络扩散，起到促进宣传推广的效果。
从个体属性特征来说，转发网络中男性用户占比越多，该微博被转发的机会也就越多。由此，电影官方微博可以多发布能吸引男性用户的微博内容，扩大转发量。此外，对于电影官方微博来说，认证用户占比与微博单日转发量关系并不显著，可以从侧面反映出认证用户对于微博营销效果的作用并不体现在转发微博的认证用户数量，而主要在于认证用户自身的影响力上。
从官方微博发布的信息特征来看，单日过多的发布信息对信息传播网络的扩散起到负面影响，所以，单日内“少而精”的内容，是帮助营销推广的良策。例如电影官方微博账可以逐渐公布定妆照、剧照、花絮、宣传片、预告片等与演员相关的宣传资料吸引粉丝的关注和转发。
参考文献：
[1] Marshall McLuhan.理解媒介——论人的延伸[M].何道宽，译.商务印书馆，2000：37.
[2] 新浪微博数据中心. 2015年微博用户发展报告[Z].新浪微博，2015（9）.
[3] 杨晓茹.传播学视域中的微博研究[J].当代传播，2010（2）.
[4] 史亚光.企业微博客营销策略研究[D].上海：华东师范大学，2011.
[5] 王海龙.企业微博营销的局限性研究[D].北京：中国地质大学，2011.
[6] Jansen， B. J.， Zhang， M. Twitter Power： Tweets as Electronic Word of Mouth[J].Journal of The American Society for Information Science and Technology， 2009， 60（11）：2169-2188.
[7] 金永生，王睿，陈祥兵.企业微博营销效果和粉丝数量的短期互动模型[J].管理科学，2011，24（4）：71-83.
[8] 陈晓明.企业微博客营销效果的影响因素分析[D].广州：暨南大学，2012.
[9] AkshayJava et al. Why We Twitter： Understanding Microblogging Usage and Communities[C].Procedings of the Joint 9th WEBKDD and 1st SNA-KDD Workshop， 2007. [10]Teutle，A.R.M. Twitter： Network properties analysis[C].2010 20th International Conference on Electronics， Communications and Computer（CONIELECOMP），2010，18：180-186.
[11]Cialuba，W.， Aberer， K. （n.d.）. Outtweeting the Twitterers-Predicting Information Cascades in Microblogs[C].3rd Workshop on Online Social Networks， WOSN，2010.
[12]平亮，宗利永.基于社会网络中心性分析的微博信息传播研究[J].图书情报知识，2010（6）.
The Effects of Social Network Characteristics on the Microblog Marketing
——An Empirical Study based on the Panel Data of Official Movie Microblogs
SUN Jiang-hua， YAN Shi-jin
（School of Economics and Management， Communication University of China， Beijing 100024，China）
Abstract：Taking Sina Microblog as object of study， using social network analysis technology and starting from the characteristics of dynamic information dissemination network， this paper constructs the hypothesis model， which takes topology structure of micro-blog′s network， the individual attribute and the information characteristic of official micro-blog release as variables to explore its effect on microblog marketing. Research shows that the characteristics of the propagation network are related to the size of the propagation network， the gender affects the expansion of the propagation network， and the number of official microblogs posted on the day is negatively correlated with the size of the propagation network.
Key words：Micro-blog marketing； social networks； panel data； fixed effects regression model
（責任编辑：周正）