高校官方微博影響力評(píng)價(jià)與比較實(shí)證研究

摘 要：本文以36家985高校的官方微博（后簡(jiǎn)稱為“官微”）為研究對(duì)象，選取“粉絲”數(shù)、微博數(shù)、原創(chuàng)微博數(shù)、多媒體微博數(shù)、轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)、點(diǎn)贊數(shù)、“粉絲”參與率和關(guān)注轉(zhuǎn)化內(nèi)容率為指標(biāo)，通過因子分析對(duì)我國(guó)985高校官微影響力進(jìn)行評(píng)價(jià)和比較研究。因子分析提取了985高校官微影響力評(píng)價(jià)的3個(gè)公因子，即互動(dòng)因子、官微發(fā)布因子和人氣因子。研究發(fā)現(xiàn)，985高校官微的影響力水平分布不均衡，多數(shù)高校微博的影響力偏低，影響力較高的高校微博數(shù)量偏少。

關(guān)鍵詞：高校官方微博；影響力；因子分析

中圖分類號(hào)：G647 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-8883（2020）04-0235-01

隨著互聯(lián)網(wǎng)的發(fā)展和移動(dòng)終端的普及，微博的傳播價(jià)值越來越受到關(guān)注。作為社會(huì)新思想的搖籃，高校也不例外地開始重視自己在微博上的傳播影響力。在知網(wǎng)上以“高?！焙汀拔⒉睘殛P(guān)鍵詞進(jìn)行檢索，發(fā)現(xiàn)少有評(píng)估其影響力的文獻(xiàn)。本文力圖通過爬蟲軟件直接爬取微博相關(guān)數(shù)據(jù)，以更科學(xué)地評(píng)估高校官微的影響力，并提出相應(yīng)的發(fā)展建議。

一、構(gòu)建指標(biāo)體系

根據(jù)Malcolm Gladwell提出的流行三法則，本文從微博傳播者、微博傳播內(nèi)容、受眾和傳播特征這4個(gè)維度選取博主活躍度、微博內(nèi)容、“粉絲”參與度、微博傳播度4個(gè)要素構(gòu)建高校官微影響力評(píng)價(jià)指標(biāo)體系。[1]以下逐一闡述其含義。

博主活躍度是指微博用戶在微博上的活躍程度。博主通過發(fā)微博才能吸引其他用戶的眼球，以此吸引“粉絲”，擴(kuò)大自身影響。因此，本文選取微博數(shù)這一指標(biāo)來量化博主活躍度，從發(fā)布微博的頻率來評(píng)價(jià)高校官微的活躍度。

微博內(nèi)容是指用戶原創(chuàng)或轉(zhuǎn)發(fā)的微博內(nèi)容。本文選取原創(chuàng)微博數(shù)、多媒體微博數(shù)和關(guān)注轉(zhuǎn)化內(nèi)容率這3項(xiàng)指標(biāo)進(jìn)行量化。原創(chuàng)微博反映了創(chuàng)新程度，其所占比例越多，越容易形成自身影響力和品牌效應(yīng)；[2]多媒體微博數(shù)是指包含圖片、視頻和音樂的微博總數(shù)，此類微博比純文字的微博內(nèi)容更能吸引用戶的眼球；關(guān)注轉(zhuǎn)化內(nèi)容率是指轉(zhuǎn)發(fā)微博數(shù)與關(guān)注數(shù)之間的比例，關(guān)注轉(zhuǎn)化內(nèi)容率越高，其轉(zhuǎn)發(fā)所關(guān)注用戶的微博數(shù)量也越多。

“粉絲”參與度是指在接收微博信息后會(huì)對(duì)此產(chǎn)生反應(yīng)和態(tài)度的“粉絲”在總“粉絲”中所占的比例?！胺劢z”參與度用來研究微博用戶的活躍“粉絲”數(shù)的比重，這一指標(biāo)通過“粉絲”參與率（指評(píng)價(jià)時(shí)間段內(nèi)發(fā)布的所有微博的轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)、點(diǎn)贊數(shù)之和與“粉絲”數(shù)之間的比率）來量化?！胺劢z”參與率越高，說明活躍的高質(zhì)量“粉絲”越多。

微博傳播度是指微博用戶所發(fā)微博的傳播范圍的廣度和深度。轉(zhuǎn)發(fā)可以擴(kuò)散微博信息，體現(xiàn)傳播的廣度。評(píng)論和點(diǎn)贊則表達(dá)了“粉絲”對(duì)微博內(nèi)容的態(tài)度和觀點(diǎn)，體現(xiàn)傳播的深度，同時(shí)評(píng)論和點(diǎn)贊的數(shù)量達(dá)到一定數(shù)量也能將微博推上熱門，從而被更多用戶看見，擴(kuò)大傳播范圍?！胺劢z”數(shù)量的多少也決定著微博用戶影響力的輻射范圍和影響程度。[3]因此，本文選擇微博轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)、點(diǎn)贊數(shù)和“粉絲”數(shù)這4項(xiàng)指標(biāo)進(jìn)行量化。

二、數(shù)據(jù)來源和研究方法

數(shù)據(jù)來源和說明：我國(guó)高校微博數(shù)量眾多，且各高校層級(jí)差異比較大。為了保證研究對(duì)象的可對(duì)比性，本文選取同一層級(jí)的高?！?85高校的官微作為研究對(duì)象。由于廈門大學(xué)和國(guó)防科技大學(xué)沒有經(jīng)過官方認(rèn)證的官微賬號(hào)，北京理工大學(xué)官微“粉絲”數(shù)僅有6000多，與其他高校官微“粉絲”數(shù)相差過大，所以將這幾所學(xué)校剔除。本文一共選取了除這3所高校之外的36所985高校作為樣本，并選擇2018年9月21日至11月21日作為研究時(shí)段進(jìn)行數(shù)據(jù)采集，運(yùn)用爬蟲軟件與人工統(tǒng)計(jì)相結(jié)合的方法采集數(shù)據(jù)，再使用SPSS 24.0軟件進(jìn)行數(shù)據(jù)分析。

三、因子分析過程及結(jié)果

（一）指標(biāo)相關(guān)性及適用性檢驗(yàn)

對(duì)樣本量進(jìn)行KMO與Bartlett的檢驗(yàn)。KMO的值= 0.782>0.6，Bartlett球形檢驗(yàn)近似卡方統(tǒng)計(jì)值為408.348，顯著性水平P值=0.000<0.05，說明本文數(shù)據(jù)適合做因子分析。

（二）提取公因子

使用主成分分析和最大方差旋轉(zhuǎn)法提取中國(guó)高校官微影響力的公因子，3個(gè)公因子特征值均大于1，且提取公因子的累計(jì)方差貢獻(xiàn)率達(dá)91.654%。說明這3個(gè)公因子基本上涵蓋了原始數(shù)據(jù)所反映的信息，丟失內(nèi)容較少，因子分析法適用于本文的研究。通過Kaiser標(biāo)準(zhǔn)化的正交旋轉(zhuǎn)法，建立公因子載荷矩陣，旋轉(zhuǎn)在4次迭代后收斂，使各個(gè)變量在某一公因子上產(chǎn)生較高載荷。

第一公因子F1在點(diǎn)贊數(shù)、評(píng)論數(shù)、轉(zhuǎn)發(fā)數(shù)、關(guān)注轉(zhuǎn)化內(nèi)容率和“粉絲”數(shù)這6個(gè)指標(biāo)上具有較高載荷。點(diǎn)贊數(shù)、轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)和“粉絲”參與率體現(xiàn)了“粉絲”在接收到高校官微發(fā)布的微博信息之后愿意通過轉(zhuǎn)發(fā)、評(píng)論、點(diǎn)贊來參與互動(dòng)的互動(dòng)絕對(duì)數(shù)和比例。關(guān)注轉(zhuǎn)化內(nèi)容率體現(xiàn)了高校官微獲取其他用戶的信息并且轉(zhuǎn)發(fā)為自己微博內(nèi)容的概率。這6個(gè)指標(biāo)都是高校官微及其“粉絲”的互動(dòng)行為。因此，本文將第一公因子F1命名為互動(dòng)因子。

第二公因子F2在多媒體微博數(shù)、微博數(shù)和原創(chuàng)微博數(shù)這3個(gè)指標(biāo)上具有較高載荷。微博數(shù)體現(xiàn)了高校官微的活躍度，多媒體微博數(shù)和原創(chuàng)微博數(shù)則體現(xiàn)了所發(fā)微博內(nèi)容的豐富性、創(chuàng)新性。這3個(gè)指標(biāo)與高校官微發(fā)布微博這一行為有關(guān)，因此，本文將第二公因子F2命名為官微發(fā)布因子。

第三公因子F3在“粉絲”數(shù)這一指標(biāo)上具有較高載荷?！胺劢z”數(shù)體現(xiàn)了高校官微的人氣程度。因此，本文將第三公因子F3命名為人氣因子。

（三）因子得分及結(jié)果討論

根據(jù)原始各變量得分系數(shù)和標(biāo)準(zhǔn)化值，利用回歸方法計(jì)算各公因子得分。以3個(gè)公因子的方差貢獻(xiàn)率作為公因子得分的權(quán)數(shù)，構(gòu)建高校官微影響力綜合得分函數(shù)：F=0.44898×F1+0.33410×F2+0.13347×F3。根據(jù)各個(gè)因子得分和綜合因子得分，可相應(yīng)地得出36家高校官微影響力排名。

根據(jù)互動(dòng)因子F1得分和排名可知，前5名分別為上海交通大學(xué)、浙江大學(xué)、山東大學(xué)、華東師范大學(xué)和武漢大學(xué)。這5所高校官微在互動(dòng)方面較為突出。高轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)、點(diǎn)贊數(shù)和“粉絲”參與率間接說明了其所發(fā)微博的價(jià)值，在傳播的深度和廣度方面都取得了較好的效果。高關(guān)注轉(zhuǎn)化內(nèi)容率說明其能積極將關(guān)注的其他用戶的優(yōu)質(zhì)微博內(nèi)容轉(zhuǎn)發(fā)到自己的微博上，豐富微博內(nèi)容。

根據(jù)官微發(fā)布因子F2得分和排名可知，前5名分別為中南大學(xué)、天津大學(xué)、大連理工大學(xué)、南開大學(xué)、電子科技大學(xué)和東北大學(xué)。這5所高校官微所發(fā)微博數(shù)較多，說明活躍度、信息公開程度高，積極運(yùn)營(yíng)微博賬號(hào)并且分享校園信息。同時(shí)，原創(chuàng)微博數(shù)和多媒體微博數(shù)也較多，更容易吸引讀者閱讀興趣，從而提高影響力。

根據(jù)人氣因子F3得分和排名可知，前5名分別為清華大學(xué)、北京大學(xué)、復(fù)旦大學(xué)、武漢大學(xué)和電子科技大學(xué)。說明這5所高校官微的“粉絲”數(shù)領(lǐng)先，人氣高，有群眾基礎(chǔ)。

從綜合得分和排名來看，36家高校官微影響力水平發(fā)展不均衡，各高校之間差異較大。排名前5的高校官微存在兩種情況：一是3個(gè)公因子排名均比較靠前，如武漢大學(xué)；二是部分公因子排名領(lǐng)先，另一部分公因子排名比較靠后。排名靠后的5所高校官微的3個(gè)公因子得分排名均靠后，各方面實(shí)力較弱。

四、結(jié)語(yǔ)

本文通過對(duì)36家“985”高校官微影響力水平進(jìn)行比較和分析，發(fā)現(xiàn)：第一，高校官微影響力發(fā)展水平不均衡，例如綜合得分第一名與最后一名相差2.53分，差距較大。運(yùn)營(yíng)成熟的高校官微應(yīng)繼續(xù)保持自身優(yōu)勢(shì)，在發(fā)展中尋求創(chuàng)新和突破；影響力水平較低的高校官微應(yīng)在發(fā)揮自身優(yōu)勢(shì)的基礎(chǔ)上，借鑒和吸收優(yōu)秀高校官微的運(yùn)營(yíng)經(jīng)驗(yàn)，力爭(zhēng)上游。第二，高影響力的高校官微偏少，低影響力的相對(duì)偏多，呈底部巨大的金字塔型分布。目前這一分布狀況并不合理，各高校官微尤其是影響力排名靠后的，應(yīng)盡力提高自身的影響力水平，躋身中高影響力行列，使整體分布結(jié)構(gòu)趨于紡錘形。

參考文獻(xiàn)：

[1] 呂尚彬.穹頂之下：產(chǎn)品結(jié)構(gòu)、互聯(lián)網(wǎng)思維與“引爆點(diǎn)”[J].今傳媒，2015，23（09）：4-7.

[2] 趙阿敏，曹桂全.政務(wù)微博影響力評(píng)價(jià)與比較實(shí)證研究——基于因子分析和聚類分析[J].情報(bào)雜志，2014，33（03）：107-112.

[3] 梁昌明，李冬強(qiáng).基于新浪熱門平臺(tái)的微博熱度評(píng)價(jià)指標(biāo)體系實(shí)證研究[J].情報(bào)學(xué)報(bào)，2015，34（12）：1278-1283.

作者簡(jiǎn)介：王夢(mèng)珠（1995—），女，浙江寧波人，中國(guó)傳媒大學(xué)研究生在讀，研究方向：媒體管理。