微博社会资本的影响因素

李新锐，崔 莎

（1.清华大学经济管理学院，北京 100084；2.北京大学信息管理系，北京 100871）

微博社会资本的影响因素

李新锐1，崔 莎2

（1.清华大学经济管理学院，北京 100084；2.北京大学信息管理系，北京 100871）

采用新浪微博的数据，通过聚类分析、社会网络分析和回归分析，研究了微博用户的主动行为和真实世界中的社会资本对其微博社会资本的影响。研究结果显示：微博用户的主动行为和线下社会资本对其微博社会资本都有正向影响，且线下社会资本的影响较大；线下桥接社会资本对微博纽带社会资本的影响较大。

微博；社会资本；社会网络

微博作为新型的社交网络媒体，出现后就引起了人们的广泛关注。截至2012年6月底，我国微博用户数达2.74亿，较2011年底增长9.5%，网民使用率为50.9%［1］。由于社交媒体具有网络属性，因此，在大量用户使用微博的情况下，微博社会网络随之形成，微博社会资本进而出现。微博能维护用户在虚拟世界中已有的社会资本，并能给用户带来新的社会网络和社会资本［2］。因此，研究微博社会资本可丰富和发展网络时代下的社会资本理论，是十分必要的。

1 文献综述

1.1 社会资本理论的相关研究

社会资本首先由Hanifan［3］提出。Hanifan认为，社会资本是“组成社会单位的个人和家庭的声望、友谊、相互同情和社会交往。社会资本首先被Bourdieu和Coleman定义。Bourdieu［4］对社会资本的定义是，“社会资本包括所有个人从社会联系中获得的资源”。Coleman［5］从功能角度对社会资本进行定义，认为“社会资本不仅仅涉及单独的个体，而是关系到一系列不同的实体，这些实体具有两个相同的特征，一是他们都由某些社会结构的不同方面组成，二是他们能够支持某些社会成员在结构内的特定行动——无论这些成员是个人还是企业”。Bourdieu［4］提出了“场域”的概念，认为场域是构成社会资本的各种社会关系联结而形成的社会场合或社会领域，其本质是社会构成要素之间的关系，即社会关系网络。Mitchell［6］认为，社会网络是一个人与其他人之间的所有正式和非正式的社会联系，包括了与他人直接形成的社会关系和通过共享物质环境和文化而结成的非直接关系。社会网络研究关注人们之间的互动和联系，而由此产生的个体间的社会互动影响个体的社会行为［7］。从社会资本理论的经典论述中可以看到，研究者大多将社会资本与社会网络天然地联系起来，这对本文通过研究微博社会网络分析微博社会资本是重要的理论支持。

Putman［8］扩展了社会资本的概念，认为社会资本包括社会网络自身以及与之相关的各种形式的信任和互惠——这意味着不同的社会网络应该意味着不同的社会资本，并将社会资本分为两种形式——桥接社会资本和纽带社会资本。Williams［9］将桥接社会资本定义为具有以下4个特点的社会资本：①外向性；②与不同背景的人有更广泛的联系；③认为自己是一个更大群体中的成员，并且拥有最终群体中的所有人都会被联系在一起的感觉；④在更广泛的团体内扩散互惠行为。桥接社会资本更多与弱连带有关，这些弱连带往往具有信息传递的功能。Williams［9］认为纽带社会资本是具有以下4个特征的社会资本：①情感支持；②能够获得稀有资源或有限资源的紧密的网络；③成员团结一致，齐心协力；④对群体外成员具有排斥性。因此，纽带社会资本具有更强的排他性，具有“强化专属身份和同质群体的作用”［8］。纽带社会资本更多与强连带有关，并且往往出现在关系较紧密的网络中，如亲密的朋友和家庭成员构成的网络中，这类网络中的各成员往往具有情感联系以及相近的思维方式［2］。从以上分析可以看出：社会资本具有多维建构性，包含多重社会结构［10］；不管是桥接社会资本还是纽带社会资本都对个体的福利、生活满意度甚至自尊产生积极作用［］。

1.2 微博社会资本的相关研究

由于国内的微博与Twitter网站相似，因此在研究微博社会资本时可借鉴国外学者对Twitter社会资本的研究。Hofer和Aubert［2］发现，Twitter中的桥接社会资本与用户的关注数有关，纽带社会资本与用户的粉丝数有关。此外，一些研究者［12］对比了Facebook与Twitter的情况，发现在Twitter中成为某个用户的粉丝并不需要该用户批准，而Facebook的情况则是需要用户批准，因此Twitter的用户更容易丰富线上社会资本，也更容易产生新的社会网络和社会资本。在Twitter中能够发表140个单词以内的内容，可以帮助用户了解对方的生活，使用户产生属于同一群体的感觉，因此能够增加用户的社会资本［13］。Ye、Fang和He等［12］通过对日本地震后Twitter的使用情况，发现用户使用Twitter能够增加其线上桥接社会资本和纽带社会资本。

目前研究线下社会资本与微博社会资本间关系的文献很少。总结来看，线下社会资本对微博社会资本具有投射性和放大性的作用。在投射性方面，黎悦［14］通过研究大学班级的微博社会网络和线下社会网络后发现，尽管不存在严格的一一对应关系，但是“微博关系网络在很大程度上成为社会关系中影响力、亲密度以及关系强度的重要写照，一个在微博关系中各维度上居于中心的人在社会关系中不可能处在边缘”。投射性意味着线下社会资本越大则微博社会资本越多。在放大性方面，有学者［12，15］发现，Twitter不仅能维持线下社会资本，而且能产生新的社会网络和社会资本。由于任何用户不需要获得批准就可以成为某个用户的粉丝，因此该用户能够扩大其社会网络，从而获得更多的微博社会资本。例如，在真实世界中，普通人很难获得电影明星的生活细节信息，但是通过关注该明星的微博，即成为其粉丝，就能接收到该明星的信息，成为该明星的社会网络中的成员之一。而在这个例子中，线下名气就是该电影明星的社会资本，它在一定程度上决定了其微博社会资本，而微博平台又放大了微博社会资本。同时，微博社会资本获得成本低的特点［16］也提高了微博社会资本的放大性。

1.3 社会网络分析法的相关研究

社会网络分析的运用使得社会学领域中的社会结构研究更加深入，相关模型和方法在国外社会学界已被广泛研究和应用，如社会网络对信息传播和发明推广的影响、社会支持网络的特点和内容以及社会关系与社会支持的关系［17］。然而，统计分析和基于图论的整体网络拓扑结构依旧是社会网络研究的重点，所建立的模型也多是静态而非动态的，这使得社会网络的结构组成以及动态变化特征难以被深刻揭示。

社会网络有整体网络和个体中心网络之分。个体中心网络可用来分析各社会行动者之间的关系、揭示社会网络的特征，但是个体中心网络的结构相对简单，不适合对其进行经典网络研究的结构分析。与个体中心网络相反，整体网络在分析社会联系方面的能力较差，但是该方法是测量网络结构的最重要方法［18-19］。

关于网络研究的最新结果显示，大量的真实网络既不是规则网络，也不是随机网络，而是具有独特特征的复杂网络。目前复杂网络研究的重点集中在网络特征的描述上，其中小世界效应［20-21］是目前最受关注的复杂网络特征。已有研究表明，类似的特征广泛存在于好莱坞演员网络、科学家合作研究网络、人类性关系网络等社会网中［22］。当然，真实网络还有很多统计特征，其中混合模式［23］和度相关特征［24］也受到了研究者们的重视。

微博V用户是新浪实名认证的VIP用户，他们受行业、地域、在线特征和兴趣爱好等因素影响，很容易依据自己的组织潜规则做出小团体行为。从社群结构的角度探讨微博V用户的网络特征的研究文献很少。从某种意义上讲，微博V用户以及其社会网络都是社会网络及其运动的结果。从社会网络的角度切入这一系统，研究用户互动关系及其结成的社会纽带，是一种更容易走进微博V用户的范式。因此，社会网络分析为研究微博V用户的在线社会网络特征提供了新的思路和框架。

2 数据来源

本文所用数据为新浪微博V用户数据，该数据来自新浪微博后台，具有极高的客观性和真实性。根据中国互联网信息中心（China Internet Network Information Center，CNNIC）发布的最新研究报告［1］，我国微博用户规模已进入平稳增长期，同时微博V用户增长更为平稳。本文用于聚类分析和回归分析的数据采集于2012年9月11日，因此数据具有有效性和时效性。用于聚类分析的数据来自随机抽取的10000名新浪微博V用户。用于社会网络分析的数据为新浪微博V用户粉丝量排名前100的用户的数据，收集其前20位关注用户的信息，如果关注总数不足20个，就取全部用户的信息。Google月均搜索量数据采集自Google awards，即以用户的真实姓名作为关键词进行搜索，从而获得以该名字为关键词的月均搜索量。同时，考虑到样本中来自我国港台地区的部分用户习惯使用英文名，因此分别以其英文名和中文名为关键词进行搜索，然后将两者的月均搜索量进行加总。

3 聚类分析

笔者随机抽选10000名新浪微博V用户，根据其在新浪微博平台中的表现情况，如关注数、发博数、粉丝数和被转评数等，对这些用户进行聚类，区分不同用户群体的行为特征。进行聚类分析所用的工具为Clementine软件，采用Kmeans聚类方法。

聚类结果见图1。根据聚类结果，10000名新浪微博V用户被软件分为6组。

第3组共有6112个用户，所占比例（61.10%）最高。该组用户的平均关注数为211、平均粉丝数为124823、平均发博数为2025、平均被转评数为1303，这些指标数据在所有类中均是最低的。这说明，该组绝大部分用户的主动和被动活跃度都较低，因此将其类型命名为“睡眠”型。

第5组和第6组的用户数占比分别为24.60%和12.5%。这两组用户群体的相同之处为发博数、粉丝数和被转评数均较少，不同之处是关注数分别为中等和很高，其中6组较高。这说明，这两组用户都比较喜欢关注其他用户以获得信息，而自身很少发信息，即进行所谓的“网络围观”，因此将这两组合并为一类，将其类型命名为“围观”型。

第2组、第6组以及第1组的用户数均较少，三组用户数合计仅占1.7%。其中，第2类用户数占比为0.8%，该组用户的主动行为很多（关注数和发博数较多），但其影响力较小，因此将其类型命名为“话唠”型。第6组用户数共49人，其关注数和粉丝数处于中等，但其发博数和被转评数较高，因此将其类型命名为“内容为王”型。第1组用户数最少，为37人，具有关注数和发博数少、粉丝数较多、被转评数一般的特点。该组用户通过自身的名人效应引发更多人的关注，均是具有很高知名度的名人，因此将其类型命名为“名气致胜”型。

通过以上聚类分析，笔者发现新浪微博中存在“名气致胜”和“内容为王“的现象。可见，名气（在真实世界中的社会资本）对微博社会资本有正向作用。同时，发博内容也是影响微博社会资本的因素。究其原因：博文内容是否吸引人在一定程度上决定了粉丝数量，也就是决定了社会网络规模，进而影响微博社会资本。

4 社会网络分析

4.1 宏观社会网络分析

通过社会网络分析，形成了新浪微博粉丝量排名前100的V用户的社会网络。该网络共有1194个节点——这意味着有1194人的名字在本研究中出现，有1857条边，平均距离为4.427——即某行为者平均通过不到5个人便可与另一行为者取得联系，平均网络中心度为1.555，网络的聚类系数为0.063。这些数据表明，该网络符合小世界特征，比较接近真实世界中的网络。

图1 用户聚类分析结果

4.2 简化社会网络分析

在对整体社会网络进行研究后，本文对社会网络进行简化，抽取度数大于5的顶点，共得到65个顶点、287条边。节点的度数较大说明节点在社会网络中较为重要，因此这65个节点所对应的64位用户在整个社会网络中较为重要。

简化后的社会网络如图2所示。图2中，线的粗细表示各节点间亲密程度的高低，线越粗表示两者越亲密。图中有6个群组最为明显。第一组是企业家组，包括陈志武、俞敏洪、徐小平、潘石屹、任志强和洪晃，他们均为企业界名人。第二组是影视组，以林心如为桥节点，包括李小璐、李冰冰和何润东，以及赵薇、陈坤和黄晓明——这三人是电影学院的同班同学，在真实世界中有着良好的关系。第三组是以谢娜为中心的快乐家族组。快乐家族是湖南卫视“快乐大本营”节目的主持人，包括谢娜、何炅、杜海涛、李维嘉和吴昕，一些明星通过参加该节目而与这些主持人成为好朋友，如小沈阳，林依晨和陈建州等，图2较好地反映了真实世界的状况。第四组为SHE组，以赛琳娜（Selina）为中心，包括田喜碧（Hebe）和蔡依林。SHE是我国台湾地区的一个人气歌手组合，成员有Selina、Hebe和Ella，但是由于Ella在新浪微博上比较不活跃，因此该组包含的是三人共同的好友蔡依林。第五组为快乐男生组，包括魏晨和张杰。“快乐男生”是湖南卫视的一档选秀节目，魏晨和张杰均为2007年快乐男生。第六组是蔡康永组，以蔡康永为中心，联结了很多重要节点。这是因为不仅蔡康永具有名人效应，而且其被转发数量和被评论数量都很高，说明其微博内容比较吸引人，所以蔡康永同时具备名人效应和内容为王的特点，因此他即使在名人网络中也具有很高的网络中心度。通过社会网络分析，笔者发现，这个由100个用户组成的社会网络较好地与这些用户在现实生活中的联结状态相符合，因此利用该网络对用户在现实生活中的社会资本进行描述较为恰当。

图2 简化后的社会网络

5 模型变量和研究假设

5.1 模型变量

5.1.1 被解释变量

微博社会资本包括微博桥接社会资本和微博纽带社会资本。本文分别使用微博关注数和微博粉丝数衡量微博桥接社会资本和微博纽带社会资本。

1）微博桥接社会资本。

关注某微博用户，意味着能够接收该用户发布的博文，同时关注者是该用户的粉丝。想成为某微博用户的粉丝，并不需要该用户同意，所以某微博用户可能被不同背景的人关注。这些关注者组成的“群体”具有广泛而松散的特点，不具有排他性，而信息能在更广泛的网络中被传播，这种网络形成的社会资本符合桥接社会资本的定义。鉴于此，本文用关注数衡量微博桥接社会资本，即关注数越多、微博桥接社会资本越多。

2）微博纽带社会资本。

Marwick和Boyd［25］的研究证明，微博用户认为其粉丝是“理想的听众”，也就是说粉丝们与他们自身具有相似的兴趣点，因此他们能够与粉丝分享自己的观点，并得到粉丝的赞赏。Beaudoin和Tao［26］则发现，线上网络社区能够提供情感支持，用户会产生一种邻里般的感觉［27］和一种“在给家人和朋友写信的感觉”［28］。鉴于此，本文用粉丝量度量微博纽带社会资本，即粉丝数越多、微博纽带社会资本越多。

5.1.2 解释变量

1）用户微博使用行为。

①发博数。本文用发博数衡量发博行为，即发博数越高、用户的发博行为越主动。

②博文质量。博文内容质量越高，则该微博被转发和被评论的次数就越多。鉴于此，本文用被转发数和被评论数的加总（统称为被转评数）度量博文质量，即被转评数越多、博文质量越高。

2）线下社会资本。

线下社会资本包括线下桥接社会资本和线下纽带社会资本，本文分别使用Google搜索量和网络中心度进行衡量。

①线下桥接社会资本。聚类分析结果显示，新浪微博V用户中存在“人气制胜”的现象。人气其实反映了用户在真实世界中的社会资本。比照桥接社会资本的和纽带社会资本的定义可知：人气只是人们思维中的一种印象，并不会产生直接作用，因此更多的是一种弱连带；人气不具有排他性，即任何人都可以知道一个人的名声，而不需要其他人同意；人气可被具有不同背景的人所享有，因此可代表真实世界中的桥接社会资本；网络人气越高，用户在网络上的搜索量越大。鉴于此，本文以微博用户的姓名为关键词，用基于Google搜索引擎的搜索量度量用户的网络名气，即Google搜索量越多意味着人气越强。

②线下纽带社会资本。本文选取每个微博用户的前20名关注者联结成社会网络。大V用户关注其他用户往往不是为了获取信息，而更多的是对现实生活纽带社会资本的投射。从关注者的角度讲，在真实生活中对其越重要的用户，越可能成为其首先关注的对象，因此越早被关注的用户在与关注者形成的社会网络中具有越重要的地位，也即具有较多的纽带社会资本。网络中心度是度量节点在网络中心程度的指标，也即度量节点在网络中重要程度的指标。节点的网络中心度越大意味着节点在网络中越“重要”，也就意味着节点的纽带社会资本越多。鉴于此，本文用网络中心度度量用户的线下纽带社会资本，即节点的网络中心度越高、其线下纽带社会资本越多。

5.2 研究假设

通过梳理以往文献，笔者发现，使用微博能增加用户的微博社会资本。因此，本文提出如下假设：

用户使用微博对其微博社会资本有正向作用（H1）。

笔者通过分析已有文献发现，微博用户的使用行为能够在一定程度上提高微博用户的被关注程度，从而能够增加其微博社会资本。微博用户的主动行为主要表现为发博数和博文质量。结合聚类分析结果，笔者发现新浪微博中存在大量的“话唠型”用户。他们虽然发布了大量博文，但是并没有收到很多回复，也没有吸引粉丝，因此其微博使用行为对其微博社会资本的影响不大。同时，笔者还发现新浪微博中存在“内容为王型”用户。他们发布的博文能够吸引回复、被转发，这些用户拥有一定数量的关注者。可见，博文质量对微博社会资本有一定的正向影响。综上，假设H1包括：

发博数对微博桥接社会资本没有显著影响（H1a）；发博数对微博纽带社会资本没有显著影响（H1b）；博文质量对微博桥接社会资本有正向影响（H1c）；博文质量对微博纽带社会资本有正向影响（H1d）。

聚类分析结果显示，新浪微博中存在“名气致胜”的现象。名气是用户的线下桥接社会资本。同时，结合已有研究，用户的线下社会资本（包括桥接社会资本和纽带社会资本）对其微博社会资本有正向作用。因此，笔者提出如下假设：

用户在真实世界中的社会资本对其微博社会资本有正向作用（H2）。

假设H2具体如下：

线下桥接社会资本对微博桥接社会资本有正向作用（H2a）；

线下纽带社会资本对微博桥接社会资本有正向作用（H2b）；

线下桥接社会资本对微博纽带社会资本有正向作用（H2c）；

线下纽带社会资本对微博纽带社会资本有正向作用（H2d）。

5.3 模型

微博社会资本影响因素的总模型如下：

6 结果分析

6.1 微博纽带社会资本的影响因素检验

本文运用SPSS软件对式（1）进行多元线性回归分析，结果见表1。由表1可知，F的观测值为15.423，对应概率的P值为0.000，调整后的R2值为0.760。因此，在显著性水平下，回归系数显著不为0，即ln粉丝数与全体解释变量显著相关，可建立回归模型。

表1 新浪微博用户粉丝数影响因素的显著性分析

对式（1）进行多元回归的结果如表2所示。由表2可知，各回归系数的显著性检验的概率P值小于0.05的显著水平，因此“ln粉丝数”与各自变量之间存在显著的线性关系，将这些自变量保留在模型中是合理的。另外，从容差和方差膨胀因子看，式（1）中各自变量间的多重共线性很弱，式（1）所示的“ln粉丝数”与被解释变量的回归模型是成立的，具体的回归模型如下：

6.2 微博桥接社会资本的影响因素检验

运用SPSS软件对式（2）进行多元线性回归分析的结果如表3。由表3可知，F的观测值为30.314，对应的概率P值为0.000，调整后的R2值为0.811。因此，在显著性水平下，回归系数显著不为0，ln关注数与全体解释变量显著相关，可建立回归模型。

表2 式（1）的回归结果

表3 新浪微博用户关注数影响因素的显著性分析

对式（2）进行多元回归的结果如表4所示。由表4可知，各回归系数的显著性检验的概率P值小于0.05的显著性水平，因此“ln粉丝数”与各自变量之间存在显著的线性关系，将这些自变量保留在模型中是合理的。另外，从容差和方差膨胀因子看，式（2）中各自变量的多重共线性很弱，式（2）所示的“ln关注数”与被解释变量的回归模型是成立的，具体的回归模型如下：

ln关注数=10.258+0.346×ln被转评数+ 0.565×lnGoogle搜索量+0.366×ln发博数+ 5.127×ln网络中心度。

通过上述回归分析，笔者发现两个回归模型中4个解释变量的系数都是显著的，并且都大于0，因此假设H1和假设H2均得到验证。

进一步分析发现，在微博桥接社会资本的影响因素中，网络中心度的回归系数显著大于其他影响因素的回归系数，说明真实世界中的纽带社会资本对微博桥接社会资本有较大影响。对此，可用微博网络的“嵌套性”解释［29］：微博网络中往往存在以某几个大V用户为中心的子网络，在这个以某大V用户为中心的子网络中，信息往往从大V用户流向普通用户，而大V用户又可能是其他网络中的节点，信息可从其他子网络流向大V用户，从而形成嵌套结构；在本文研究中，某用户较多的真实世界纽带社会资本使得其在大V用户所形成的网络中占有更中心的位置，从而在不同的子网络中占据桥接点，而这些不同的子网络之间更多是一种弱连带，一种松散的、不基于相同情感和理念而形成的联结，因此表现为较多的微博桥接社会资本。

表4 式（2）的回归结果

在对微博纽带社会资本进行的回归分析中，4个解释变量的回归系数相差不大，其中Google搜索量的回归系数仅比其他3各解释变量的系数略大。可能的原因是：即使在大V用户之间也存在微博“跨界”联络现象。以前文社会网络分析中的“蔡康永组”为例：蔡康永是娱乐界的名人，其发表的博文具有较强的吸引力，吸引了其他领域名人的关注，如企业界的名人，导致这些“跨界”交流的名人最初关注某个用户的因素可能是这个用户的人气，也即真实世界的桥接社会资本，此时这种联结仍然表现为一种弱连带，仅仅基于“道听途说”。但是，该用户的博文内容所体现出的思想内容和情感状况会使关注者产生情感共鸣，从而形成微博纽带社会资本。

另一个值得关注的现象是，两个模型中线下社会资本变量的回归系数都大于用户行为变量的回归系数，说明线下社会资本对微博社会资本的影响更大，这反映出微博社会资本更多还是线下社会资本的体现。

7 研究结论及不足

7.1 研究结论

通过聚类分析，本文发现并区分了微博网络中存在的5种不同属性类别的用户，验证了“网络围观”现象。通过研究微博社会资本的影响因素，本文发现用户主动行为和线下社会资本对微博社会资本均有正向作用，而且线下纽带社会资本对微博桥接社会资本的影响较大，而真实世界的桥接社会资本对微博纽带社会资本有较大作用；无论是对微博桥接社会资本还是对微博纽带社会资本，用户线下社会资本的作用均比用户主动行为要大。

7.2 研究不足

目前研究线下社会资本与微博社会资本间关系的文献不多，研究名人微博社会资本的文献更少，原因之一是测度名人的线下资本比较困难，难以通过问卷调查进行。受限于此，本文作为一种探索性研究，使用线上数据（名人网络中心度和Google搜索量）测度名人在真实世界中的社会资本，结果可能存在一定偏差。

［1］ CNNIC互联网发展研究报告［EB/OL］.［2012-11-03］. http：//tech.163.com/12/0719/14/86PI9C3G00094MS8. html.

［2］ HOFER M，AUBERT V.Perceived bridging and bonding social capital on Twitter：Differentiating between followers and followees［J］.Computers in Human Behavior，2013，29：2134-2142.

［3］ HANIFAN L J.The rural school community center［J］. Annals of the American Academy of Political and Social Science，1916，67：130-138.

［4］ BOURDIEU P.Le Capital Social［J］.Acts de la Rechercheen Sciences Socials，1980，31：2-3.

［5］ COLEMAN J S.Social capital in the creation of human capital［J］.The American Journal of Sociology，1988，94（Supplement）：95-120.

［6］ MITCHELL C J.The concept and use of social networks［M］//MITCHELL C J.Social network in urban situations.Manchester，Eng：Manchester University Press，1969.

［7］ CARRINGTON P.Network as personal communities［M］//WELLMAN B.Social structure：a network approach.New York：Emerald Group Publishing Limited，1988

［8］ PUTNAM R D.Bowling Alone：The Collapse and Revival of American Community［M］.New York：Simon& Schuster，2000.

［9］ WILLIAMS D.On and off the net：scales for social capital in an online era［J］.Journal of Computer-mediated Communication，2006，11：593-628.

［10］ LEE J，LEE H.The computer-mediated communication network：exploring the linkage between the online community and social capital［J］.New Media&Society，2010，12（5）：711-727.

［11］ HELLIWELL J F，PUTMAN R D.The social context of well-being［J］.Philosophical Transactions of the Royal Society of London B，2004，359：1435-1446.

［12］ YE Q，FANG B，HE W，et al.Can social capital be transferred cross the boundary of the real and virtual worlds？An empirical investigation of Twitter［J］.Journal of E-lectronic Commerce Research，2012，13：145-156.

［13］ JAVA A，SONG X，FININ T，et al.Why we twitter：understanding micro-blogging usage and communities［C］//ZHANG H.The Joint Ninth Web KDD and First SNA-KDD Workshop 2007 on Web mining and social network analysis.New York：Association for Computing Machinery，2007：56-65.

［14］ 黎悦.微博关系与现实社会网络关系的比较研究——基于社会网络分析的视角［D］.南宁：广西大学，2012.

［15］ KAIGO M.Social media usage during disasters and social capital：Twitter and the great east Japan earthquake［J］. Keio Communication Review，2012，34：19-35.

［16］ 刘春宇.微博客平合上的社会资本研究［D］.南京：南京师范大学，2012.

［17］ Van del Poel.Delineating personal support network［J］. Social Forces，1993，15：49-70.

［18］ 刘军.社会网络分析导论［M］.北京：中国社会科学出版社，2004.

［19］ 罗家德.社会网分析讲义［M］.北京：社会科学文献出版社，2005.

［20］ WATTS D.Identity and search in social networks［J］. Science，2002，296：1302-1305.

［21］ DOROGOVTSEV M.Scaling properties of scale-free e-volving networks：continuous approach［J］.Science，2002，301：827-829.

［22］ NEWMAN M E J.The structure and function of complex networks［J］.SIAM Review，2003，45（2）：167-256.

［23］ NEWMAN M E J.Mixing patterns in networks［J］. Physical Review E，2003，67：26-126.

［24］ PASTOR-SATORRAS R，VESPIGNANI A..Epidemic spreading in scale-free networks［J］.Phys.Rev.Lett.，2001，86：3200-3203.

［25］ MARWICK A E，BOYD D.I tweet honestly，I tweet passionately：Twitter users，context collapse，and the imagined audience［J］.New Media&Society，2010，13：114-133.

［26］ BEAUDOIN C E，TAO C-C.Benefiting from social capital in online support groups：an empirical study of cancer patients［J］.Cyber Psychology&Behavior，2007，10：587-590.

［27］ BEAUDOIN C E.News effects on bonding and bridging social capital：an empirical study relevant to ethnicity in the United States［J］.Communication Research，2011，38：155-178.

［28］ STEFANONE M A，JANG C-Y.Writing for friends and family：the interpersonal nature of blogs［J］.Journal of Computer-Mediated Communication，2007，13：123-140.

［29］ 张佰明.嵌套性：网络微博发展的根本逻辑［J］.国际新闻界，2010（6）：81-85.

Influencing Factors of Social Capital in Micro-blog

Li Xinrui1，Cui Sha2
（1.School of Economics and Management，Tsinghua University，Beijing 100084，China；2.Department of Information Management，Peking University，Beijing 100871，China）

This paper，through cluster analysis，social network analysis and regression analysis，studies the impact of micro-blog user′s active behavior and off-line social capital on his/her social capital in micro-blog with the data from Sina micro-blog.The result shows as follows：the active behavior and off-line social capital of user in micro-blog have positive effects on his/her social capital in micro-blog，and the impact of off-line social capital is greater；off-line bridging social capital have a greater effect on social bonding social capital in micro-blog.

micro-blog；social capital；social network

C91

A

1002-980X（2014）03-0040-08

2013-12-16

李新锐（1984—），男，辽宁沈阳人，清华大学经济管理学院博士研究生，研究方向：创新创业；崔莎（1989—），女，满族，辽宁锦州人，北京大学信息管理系硕士研究生，研究方向：信息技术。