基于微博微信的高校社交網絡信息傳播特征與效率對比分析

劉虹 李煜 孫建軍

〔摘 要〕文章對高校微博、微信平臺的信息傳播特征與效率展開研究。從985高校的微博、微信平臺的信息服務入手，基于時間特征、內容特征、行為特征構建社交網絡信息傳播效率指標體系，對比分析其傳播特征和效率的異同點，并進一步將微博、微信兩個平臺的發文主題劃分為學校資訊、校園活動、思想宣傳、娛樂休閑、互動交流等13個類別，探索分析發文主題與傳播效果之間的關聯。研究發現，高校在兩個平臺的發文時間分布存在差異；在傳播特征指標方面，高校微博的發文數、粉絲數高于微信，但高校微信的傳播效率則優于微博；另外，高校在兩個平臺的發文主題具有互補性，不同發文主題在兩個平臺的信息傳播效果均存在顯著差異。

〔關鍵詞〕微博；高校；社交網絡；信息交流；信息服務；效率評價；影響因素；指標體系

DOI：10.3969/j.issn.1008-0821.2018.04.001

〔中圖分類號〕G203 〔文獻標識碼〕A 〔文章編號〕1008-0821（2018）04-0003-09

〔Abstract〕The paper studied the features and efficiency of information dissemination of micro-blog and WeChat platforms of universities.Starting with information services of micro-blog and WeChat platforms of 985 Universities，the paper constructed the efficiency index system of social network information dissemination based on three dimensions including time，content and behavior.Then，the paper compared and analyzed the similarities and differences of dissemination features and efficiency between the two platforms.Besides，the article further divided the subjects into thirteen categories such as school information，campus activity，ideological propaganda，entertainment，leisure and interactive communication.Meanwhile，the paper explored and analyzed the relation between the subjects and information dissemination effects.The research result showed that there were differences in the time distribution of delivery between the two platforms.In terms of dissemination features，the number of articles and followers of micro-blog were higher than WeChat，but the dissemination efficiency of WeChat was better than micro-blog.In addition，subjects in these two platforms were complementary，there were significant differences in the information dissemination effect between different subjects.

〔Key words〕micro-blog；university；social network；information communication；information service；efficiency evaluation；impact factor；index system

作為社交網絡產業的代表性應用，新浪微博和騰訊微信的發展勢頭迅猛，用戶數不斷攀登新高。騰訊和新浪的官方報告顯示，到2016年截止，新浪微博的月活躍人數為2.97億[1]，微信月活躍用戶數近9億、公眾號數量已達1 777萬個[2]。高校借力微博、微信等社交網絡平臺開展宣傳教育、資訊發布、活動交流等服務是大勢所趨。目前，社交網絡信息傳播的研究主題可歸納為社交網絡信息傳播特征與行為研究、社交網絡信息傳播網絡結構研究、社交網絡信息傳播預測模型研究3個方面。

1）社交網絡信息傳播特征與行為研究：運用文本分析、問卷分析、情緒分析、數據挖掘等研究方法，對社交網絡環境下的用戶信息傳播行為展開定量分析，揭示信息傳播特征、運營效率、用戶信息傳播行為的影響因素和作用機制。Stieglitz和Dang-Xuan[3]以Twitter為例，探討社交網絡中博文內容的情緒特征與用戶分享行為之間的關系。Taxidou等[4]的研究表明用戶關系對Twitter轉發行為存在顯著影響。

2）社交網絡信息傳播網絡結構研究：運用復雜網絡分析、案例分析、機器學習等研究方法，以微博、微信、Twitter等典型社交網絡產品為數據來源，以社交網絡用戶之間的關注與被關注、轉發與被轉發、評論與被評論關系為研究對象，挖掘社交網絡拓撲結構特征，識別信息傳播中的高影響力用戶，發現信息傳播過程中的意見領袖。Zhang等[5]基于用戶興趣視角，采用內容指標和網絡結構指標計算用戶相似性。Tang等[6]采用迭代語義分析方法識別社交網絡動態多模結構中的用戶屬性和關系機制。

3）社交網絡信息傳播預測模型研究：社交網絡環境下的用戶的轉發、評論等信息傳播行為產生了大量數據，為信息傳播預測研究提供了良好數據支撐，研究范疇包括對具體事件的預測及對用戶信息傳播行為的預測。具體事件預測研究的主題包括流感預測[7]、股票預測[8-9]、影視收視率或票房預測[10-11]、總統大選結果預測[12]等。用戶信息傳播行為預測研究主要為轉發行為、評論行為及發布行為[13-14]。

微信和微博作為兩種不同的社交媒體平臺，在價值認同[15]、內容開放度[16]、服務模式[17]等維度均有所差異。本文對高校微博、微信兩個社交網絡平臺信息傳播特征和效率展開分析，可幫助明晰高校社交網絡信息服務水平，對比分析高校在兩個平臺信息傳播特征和效率的異同點，并為高校的微博、微信服務運營提供針對性改進路徑和建議。

1 研究設計

1.1 指標體系構建

關于社交網絡信息傳播效果的指標體系構建，眾多學者在此領域展開研究并取得豐碩成果。Cha等[18]、Ye和Wu[19]認為，點贊、轉發和評論是評價Twitter信息傳播影響力的重要指標。何音等[20]提出，粉絲數、關注數、發文數等用戶特征指標是評價微博信息傳播影響力的重要指標。Daft和Lengel[21]的信息豐富性理論認為，不同形式的媒體承載的信息量不同，豐富、生動的信息形式提高了用戶溝通交流的可能性[22]。Shang等[23]、Liu等[24]對社交網絡的研究也表明視頻、圖片、URL等信息形式能提升信息傳播效果與信息可達度。

考慮到研究的科學性與可對比性，本文在信息傳播效率指標的選取過程中只選取微博、微信的共性指標，而對微博關注數、微信菜單欄目等特性指標則不予考察。最終，本文選取的社交網絡信息傳播的投入指標包括：時間特征指標（注冊時間）、內容特征指標（發文數、含視頻文章數、原創數）；產出指標包括：行為特征指標（粉絲數、傳播度、點贊數）。

1.2 數據來源與獲取

以985高校的新浪微博和騰訊微信官方賬號為研究對象，研究生會、校友會、招生辦公室等二級機構賬號不納入范疇。在39所985高校中，37所高校開通了微博、微信賬號，開通比例分別為94.87%和97.44%。

本文以2017年8月10日-2017年9月10日數據為樣本，利用爬蟲工具獲取微博指標數據，利用數說風云[25]獲取微信發文數、粉絲數、傳播度及點贊數指標數據，采用人工遍歷方法獲取微信（含視頻文章數、原創數指標數據）。剔除在該樣本日期內發文數為過少或為0的3所高校，最終得到34所高校的9 707條信息傳播特征指標數據。

2 雙平臺信息傳播特征對比分析

2.1 信息傳播效率特征指標描述分析

高校微博、微信平臺信息傳播效率特征指標描述統計如表1所示。

2.1.1 注冊時間分析

各高校微博、微信的注冊時間均值分別為2011年4月（方差：478.24）與2013年11月（方差：232.58）。高校微信開通時間普遍晚于微博，延遲時間約為31個月，但其建設速度明顯優于微博。

2.1.2 發文數分析

微博發文數是微信的8.79倍（日均發文數分別為8篇和0.91篇），高校在微博、微信的發文數方面相差懸殊，原因之一是微信訂閱公眾號的日推送次數限定為1次[26]，但可通過1次推送多篇文章等途徑以提高發文數。

2.1.3 含視頻文章數分析

微博含視頻文章數均值是微信的9.3倍，但兩個平臺的含視頻文章數占比相差無幾，微博的含視頻文章數占比僅比微信高2個百分點。

2.1.4 原創數分析

微博、微信原創數最高的3所高校分別為西安交通大學、天津大學、大連理工大學和蘭州大學、南京大學、北京大學、武漢大學。就原創數的全部文章數占比而言，微博的原創數占比是微信的4.33倍，究其原因可能是原創標簽是識別微信原創文章的常見方式，而目前微信的原創功能是邀請開通機制，部分高校微信文章原創數量為0的原因很可能是因為尚未被邀請開通原創聲明功能；而已開通原創功能的高校也需在發布文章前提交原創聲明申請，否則不會被標記為原創標簽。對于微博而言，則可通過“//@”、“via”、“轉發微博”等標簽并輔以人工識別來剔除非原創博文。

2.1.5 粉絲數分析

微博、微信粉絲數最高的3所高校分別為清華大學、武漢大學、復旦大學和浙江大學、大連理工大學、廈門大學。對比可知，微博的粉絲數是微信的2.21倍。

2.1.6 傳播度分析

對比可知，微信的傳播度是微博的9.73倍。需要指出的是，微博閱讀數只供賬號主體查閱，因此本文的微博傳播度測度指標為轉發數與評論數之和，而微信傳播度測度指標則為閱讀數，兩個平臺的傳播度指標測度并不一致。

2.1.7 點贊數分析

對比可知，微博的點贊數是微信的3.74倍；但微博、微信的篇均點贊數分別為87和204，微博篇均點贊數遠低于微信，僅為后者的0.43倍。不同于微博的弱關系連接，微信與用戶之間的聯系更加密切，對公眾號的內容推送質量抱有更高期待[27]。另有研究表明[28]，相較于閱讀數，長文章、生動的視頻等文章內在特征與點贊數的關系更為密切。因此，盡管高校的微信平臺建設遠遠晚于微博，但是通過高質量的內容建設，目前高校的微信賬號也擁有了大量的忠實用戶。

2.2 發文時間分析

將時間劃分為夜間休息、工作時間與休閑時間3個時間段。從圖1可知，1）夜間休息（23點～7點）：高校微博、微信在此時間段活躍度非常低，從每天首篇文章的發布時間來看，微博比微信早1個小時，這與微博內容的強互動性與短文本特征有關。2）工作時間（8點～17點）：高校微博在工作時間的活躍度波動較為平緩，微信的活躍度則起伏明顯，10點、15點是兩個平臺的發文高峰期，另外高校微信在17點的發文也十分活躍。3）休閑時間（18點～22點）：微信的活躍度明顯提升，22點微信發文量占全天的15%，微博的活躍程度也逐漸上升，全天發文最高峰產生于23點。從整體來看，高校微博的發文頻率在白天各時間段較為均衡，而微信則體現出較為集中的趨勢。

3 雙平臺信息傳播效率對比分析

3.1 研究方法

采用數據包絡分析方法（Data Envelopment Analysis，DEA）分析高校微博、微信的信息傳播效率。DEA是管理科學領域的主要效率分析方法之一，常見測度指標包括：綜合效率（Technical Efficiency，TE）：衡量高校在微博、微信上的整體資源整合與配置能力；純技術效率（Pure Technical Efficiency，PTE）：衡量高校在既定社交網絡資源投入水平基礎上實現產出最優化的能力；規模效率（Scale Efficiency，SE）：測度高校的最優資源投入規模，通過按比例變動各投入指標規模以實現更佳的傳播效率。

3.2 信息傳播效率測度

基于VRS模型、采用DEA軟件Deap2.1對高校微博、微信的信息傳播效率加以分析（見表2）。

對比分析微博、微信數據，微信平臺的信息傳播效率各項指標值都高于微博，微博、微信的綜合效率均值分別為0.62與0.52，兩個平臺的信息傳播效率均位居中等水平。另外，兩個平臺的純技術效率都高于規模效率，除西安交通大學官方微博處于規模報酬遞減階段外，其他高校在微博、微信的信息傳播效率全部處于規模報酬遞增階段，表明高校在兩個平臺的信息傳播效率未達到DEA有效的主要原因在于投入規模不足。根據效率分析指標將高校劃分為3個類別：DEA有效（綜合效率=1）、弱DEA有效（純技術效率=1但綜合效率<1）、非DEA有效（純技術效率<1且綜合效率<1）。

1）DEA有效：微博、微信平臺中信息傳播效率DEA有效的高校數分別為6個、5個，清華大學、華東師范大學、廈門大學3所高校在兩個平臺的信息傳播特征指標的投入配置實現最優化。

2）弱DEA有效：微博平臺中吉林大學、西北農林科技大學等5所高校弱DEA有效，而微信平臺中則有武漢大學、吉林大學等15所高校弱DEA有效。這些高校在微博、微信的運營中對文章發布、原創文章、視頻等多媒體資源的結構配置和質量評價已較為成熟，增加對這些指標的投入規模可有效提高其信息傳播效果。

3）非DEA有效：微博、微信平臺中信息傳播效率非DEA有效的高校數分別為23個、14個，需要從提高內容質量、資源配置水平、投入規模等多個維度予以改善。

獨立樣本T檢驗結果表明，顯著性水平為0.911，差異不顯著（見表3），高校在兩個平臺的信息傳播效率表現具有相似性。

4 雙平臺信息傳播效率改進

4.1 冗余度分析

采用Deap2.1軟件對微博、微信非DEA有效賬戶的信息傳播效率投入產出指標展開冗余度分析，通過改進信息傳播投入指標的比例和規模可實現信息傳播效率最優解。

4.1.1 微博冗余度分析

23個非DEA有效高校微博的信息傳播投入產出指標的改進比例如表4所示。

在產出指標中，粉絲數改進比例均值為63.46%，表明在現有發文數和原創數等指標的投入規模下，這些高校的粉絲數與最優解差距較大，高校在確保現有用戶群體忠誠度的基礎上應加強宣傳力度，吸引新用戶關注，提高官方微博賬號的可達度。傳播度和點贊數的改進比例均值分別為7.43%和81.55%，非DEA有效高校官方微博博文在轉發和評論兩個指標上均有較好表現。有學者指出，點贊、評論和轉發3種信息傳播行為表征用戶對博文內容的態度分別為贊同、感興趣和高度接受，其好感度依次遞增[29]，高頻次的評論數代表用戶對賬號主題有較深依賴[30]。因此，實際上非DEA高校微博粉絲與高校微博之間的互動交流非常深入，但由于粉絲數量過少而導致了點贊這一同樣具有積極社交意義的信息傳播行為占比較低。在投入指標中，含視頻文章數的效率冗余度最大，表明部分高校在微博運營過程中要注重對視頻質量與數量的把控，過多娛樂休閑主題視頻的存在可能會造成高校微博的泛娛樂化，模糊高校微博的定位與功能。發文數與原創數的效率冗余度均超過30%，表明部分原創微博的可閱讀性不高，而用戶一定時間段內能夠仔細閱讀或接收的信息有限[31]，過多的博文數量或過于分散的主題都不利于用戶對微博的有效利用[32]，這會使得用戶無法迅速獲取所需的學校資訊、通知公告等信息。另外，注冊天數也存在一定的效率冗余，表明部分高校微博運營過程中沒有充分利用先發優勢。

4.1.2 微信冗余度分析

14個非DEA有效高校微信的信息傳播投入產出指標的改進比例如表5所示。從產出指標來看，非DEA有效高校微信的點贊數與傳播度改進比例僅為6.19%和7.11%，高校在這兩個指標上表現良好，表明高校的微信內容運營質量良好，受到了用戶的普遍認同。26.76%的粉絲數改進比例則表明高校微信賬號在運營推廣、吸引新用戶上需要花費更多精力。

4.2 發文主題與信息傳播效果的關聯分析

本文對高校微博、微信發文主題與信息傳播效果之間的關聯展開分析。在借鑒相關社交網絡信息傳播研究的基礎上，采用人工編碼方式，將微信、微博的文章劃分為學校資訊、思想宣傳、通知公告、學術科研等13個主題（詳情見圖2）。

如圖2所示，微博發文量最多、最少的3個主題依次是好文賞析、互動交流、知識技能以及學校資訊、師生風采、學術科研；微信發文量最多、最少的3個主題依次是校園活動、學校資訊、師生風采以及互動交流、知識技能、好文賞析。互動交流是高校微博特有的主題，通過每日數次發布詩句、推送佳句和早晚安問候、分享知識技能等娛樂信息，高校有效擴大了受眾范圍并與用戶保持高互動率，而微信的發文主題則更集中于學校相關新聞。高校在微博、微信的發文主題既有部分重疊，也存在一定的互補性，能夠較好地發揮雙微聯動作用。

采用K-S非參數檢驗方法對微博、微信發文主題與點贊數、傳播數兩個傳播效果指標分別進行差異性檢驗（見表6）。結果表明，發文主題與高校微博、微信的傳播效果密切相關，其中微博主題與點贊數、傳播度在0.001的概率水平顯著，微信主題與點贊數、傳播度分別在0.05和0.1的概率水平顯著。

進一步對雙平臺篇均點贊數、篇均傳播度排名前六的主題予以揭示（見圖3）。學校資訊、校園活動、校園生活、娛樂休閑、通知公告5個主題在微博和微信兩個平臺的點贊數和傳播度均在前列，思想宣傳、社會熱點、節日紀念、師生風采、知識技能在微信的傳播效果更為顯著，而好文賞析、互動交流作為微博發文量占先的主題在信息傳播效果上也凸顯優勢。除此之外，學術科研在兩個平臺的傳播效果都不夠理想，4項指標排名皆在中等水平以下。

5 結 論

本文對34所985高校的官方微博、微信賬號的信息傳播特征和效率展開對比分析。研究發現，高校微博除了注冊時間早于微信平臺以外，其粉絲數和發文數2個指標也是微信的數倍，但其篇均點贊率僅為微信平臺的0.43倍。從發文時間和主題來看，高校微信的發文時間段更為集中，主題多與校園活動、校園生活、學校資訊、思想宣傳、師生風采等信息有關，較好地發揮了高校社交媒體的宣傳教育功能；微博的發文時間更為疏散，白天各時間段的發文量差異不大，發文主題主要為好文賞析、互動交流、知識技能等娛樂信息，對除校園活動外的其他學校信息的發布較少，兩個平臺的發文主題具有一定的互補作用。就信息傳播效率而言，整體來看高校微信的傳播效率優于微博，但兩者在優質原創內容創作、多媒體資源合理配置、賬號宣傳推廣等方面都存在一定的改進空間。

參考文獻

[1]新浪.2016微博用戶發展報告[R].北京：北京微夢創科網絡技術有限公司，2016.

[2]騰訊.2016年微信公眾號數據洞察報告[R].北京：騰訊控股有限公司，2016.

[3]Stieglitz S，Dang-Xuan L.Emotions and Information Diffusion in Social Media-Sentiment of Microblogs and Sharing Behavior[J].Journal of Management Information Systems，2013，29（4）：217-248.

[4]Taxidou I，Fischer P M，De Nies T，et al.Information Diffusion and Provenance of Interactions in Twitter：Is it only about Retweets？[C]//Proceedings of the 25th International Conference Companion，2016：113-114.

[5]Zhang Y，Wu Y，Yang Q.Community Discovery in Twitter Based on User Interests[J].Journal of Computational Information Systems，2012，8（3）：991-1000.

[6]Tang L，Liu H，Zhang J.Identifying Evolving Groups in Dynamic Multimode Networks[J].IEEE Transactions on Knowledge and Data Engineering，2012，24（1）：72-85.

[7]Lamb A，Paul M J，Dredze M.Separating Fact from Fear：Tracking Flu Infections on Twitter[C]//Proceedings of HLT-NAACL.2013：789-795.

[8]Bollen J，Mao H，Zeng X.Twitter Mood Predicts the Stock Market[J].Journal of Computational Science，2011，2（1）：1-8.

[9]Zhang X，Fuehres H，Gloor P A.Predicting Stock Market Indicators Through Twitter“I Hope it is Not as Bad as I Fear”[J].Procedia Social and Behavioral Sciences，2011，26：55-62.

[10]Asur S，Huberman B A.Predicting the Future with Social Media[C]//Web Intelligence and Intelligent Agent Technology （WI-IAT），2010 IEEE/WIC/ACM International Conference on IEEE，2010，（1）：492-499.

[11]Wakamiya S，Lee R，Sumiya K.Crowd-Powered TV Viewing Rates：Measuring Relevancy Between Tweets and TV Programs[C]//Database Systems for Adanced Applications.Springer Berlin Heidelberg，2011：390-401.

[12]Tumasjan A，Sprenger T O，Sandner P G，et al.Predicting Elections with Twitter：What 140 Characters Reveal about Political Sentiment[J].ICWSM，2010：178-185.

[13]Bourigault S，Lagnier C，Lamprier S，et al.Learning Social Network Embeddings for Predicting Information Diffusion[C]//Proceedings of the 7th ACM International Conference on Web Search and Data Mining.ACM，2014：393-402.

[14]Leskovec J，McGlohon M，Faloutsos C，et al.Patterns of Cascading Behavior in Large Blog Graphs[C]// Proceedings of the 2007 SIAM International Conference on Data Mining.Society for Industrial and Applied Mathematics，2007：551-556.

[15]陳穎.認同差異下微博與微信的傳播機理比較[J].新聞界，2015，（3）：54-57.

[16]方興東，張靜，張笑容，等.基于網絡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.

[17]宗一君，郭晶.高校圖書館微服務模式初探——基于典型案例的觀測研究[J].圖書與情報，2016，（4）：60-65.

[18]Cha M，Haddadi H，Benevenuto F，et al.Measuring User Influence in Twitter：The Million Follower Fallacy[C]// International Conference on Weblogs and Social Media，Washington DC USA，2010：10-17.

[19]Ye S，Wu S F.Measuring Message Propagation and Social Influence on Twitter.com[C]// International Conference on Social Informatics.Springer，Berlin，Heidelberg，2010：216-231.

[20]何音，夏志杰，翟玥.突發事件情境下影響媒體官方微博傳播的因素研究——基于多分logistic回歸[J].情報科學，2017，（4）：43-47.

[21]Daft R L，Lengel R H.Information Richness.A New Approach to Managerial Behavior and Organization Design[R].Texas A and M Univ College Station Coll of Business Administration，1983.

[22]Vries L D，Gensler S，Leeflang P S H.Popularity of Brand Posts on Brand Fan Pages：An Investigation of the Effects of Social Media Marketing[J].Journal of Interactive Marketing，2012，26（2）：83-9.

[23]Shang S S C，Wu Y L，Li E Y.Field Effects of Social Media Platforms on Information-Sharing Continuance：Do Reach and Richness Matter？[J].Information & Management，2017，54（2）：241-255.

[24]Liu B F，Fraustino J D，Jin Y.Social Media Use During Disasters：How Information form and Source Influence Intended Behavioral Responses[J].Communication Research，2016，43（5）：626-646.

[25]DataStory.數說風云[EB/OL].http：//social.datastory.com.cn/list，2017-09-21.

[26]張丹丹，楊思洛，邢文明.省級公共圖書館微博和微信服務研究[J].圖書館學研究，2015，（20）：57-63.

[27]陳穎.認同差異下微博與微信的傳播機理比較[J].新聞界，2015，（3）：54-57.

[28]彭晨明，張莎，趙紅.如何讓你的微信帖子更受歡迎？——基于知名品牌微信運營數據的實證研究[J].管理評論，2016，28（12）：176-186.

[29]薛楊，許正良.微信營銷環境下用戶信息行為影響因素分析與模型構建——基于沉浸理論的視角[J].情報理論與實踐，2016，39（6）：104-109.

[30]周懿瑾，魏佳純.“點贊”還是“評論”？社交媒體使用行為對個人社會資本的影響——基于微信朋友圈使用行為的探索性研究[J].新聞大學，2016，（1）：68-75.

[31]趙蓉英，曾憲琴.微博信息傳播的影響因素研究分析[J].情報理論與實踐，2014，37（3）：58-63.

[32]王娜，梁艷平.微博刷屏與其對用戶獲取信息效果影響的調查研究[J].圖書館學研究，2015，（17）：85-94.

（責任編輯：馬 卓）