基于回归分析模型的旅游官方微博影响力分析——以2015年第三季度全国十大旅游局微博影响力为例

王海龙

（陇南师范高等专科学校，甘肃陇南742500）

基于回归分析模型的旅游官方微博影响力分析
——以2015年第三季度全国十大旅游局微博影响力为例

王海龙

（陇南师范高等专科学校，甘肃陇南742500）

本文根据官方微博影响力评价体系中的评价指标传播力、互动力、服务力构建回归分析模型，通过Stata软件对获取数据做处理分析，得出旅游微博影响力与相关因素之间的线性关系，以期发现与旅游微博影响力相关的旅游现象，对旅游业在社交方面的发展做出展望。

旅游官方微博；影响力；传播力；互动力；服务力

在现实生活中旅游需要频繁地发生着变化，旅游行为则表现出了多元化、个性化、社交化的特点，现阶段体验性的旅游成为旅游消费者追求精神层面的需求，社交开始成为旅游的一部分。微博是以人为核心，以关系链为基础，互动性极强的一种社交媒介，同时又是集社会化与个性化为一体的社交网络平台。旅游消费者可以通过微博找到了旅游关系链条，通过彼此之间的网络连接、相互交织旅游信息，组成一圈又一圈、密密麻麻的旅游社交脉络，这种以社会关系为纽带形成的旅游社交网络，首先是旅游消费者的自我存在、自我表达、自我展示，再然后是与关系链条上的其他旅游消费者或旅游机构互动分享，满足了旅游消费者精神层面的需求［1］。微博影响着旅游消费者的行为，，满足了旅游消费者的旅游社交需求，并从中挖掘出旅游关系中存在的价值，无形中塑造着旅游消费者的行为。

社交媒介中的影响力又是网络分析的重要内容。［2］自从20世纪50年代Kata和Lazarsfeld［3］发现社交影响力在社会生活和决策制定等方面发挥重要作用至今，影响力分析在多个领域得到广泛应用，比如推荐系统［3］、社交网络信息传播［5-9］、链路预测［10-12］、病毒式营销［13-19］、公共健康［20-21］、专家发现［22-23］、突发事件检测［24］和广告投放［25］等。社交人民网舆情检测室对全国通过微博认证的官方微博影响力进行评价，评价体系包括三个维度：传播力①、互动力②、服务力③［26］。旅游官方微博的影响力，也就是旅游信息传播力、渗透力，是发展在线旅游不可忽略的。

一、多元回归模型

（一）原理

在现实生活遇到的许多问题中，通常影响问题的随机变量的因素不只一个，而是很多个，旅游局官方微博影响力就受到诸多因素的影响。旅游局官方微博影响力和微博自身的传播力、服务力、互动力等等这些随机变量间存在明显的因果性，而相关系数只能用来解释变量之间的相关关系的方向和紧密程度，却不能解释因果数量关系。影响旅游局官方微博影响力中的传播力、服务力、互动力之间的数量关系相互依存却不严格，回归分析就是应用两个或多个因变量来估计因变量，根据数量关系不严格、不规律的问题中找出事件的发生规律。若在其他解释变量保持不变的情况下，通过回归分析可得其中任一自变量发生单位变化时因变量均值的变化［27］。回归分析是研究自变量作为一般变量，因变量为随机变量时两者之间的相关关系的统计［28］。

（二）模型的建立［29］-［31］

多元回归模型的一般形式为：Y=α+β1X1+ β2X2+β3X3，其中Y表示被解释变量，X1、X2、X3分别表示三个解释变量，构建一个多元回归模型，其中α、β1、β2、β3为参数，μ为误差项。多元回归分析是以多个解释变量的给定值为条件的回归分析，根据多元回归分析中参数估计的计算原理，依靠最小二乘法（OLS），计算能够使残差平方和最小的参数值。

根据联立的方程组进行以下计算：步骤1，引入矩阵（1.5）的形式来求解。步骤2，根据（1.6）求出最大似然估计(）T，最终得出。

（三）模型拟合优度检验

由于旅游局微博影响力受到诸多因素的影响，而多元回归的决定系数是用来检验多元回归模型拟合优度的一种方法，多元相关系数则是来测量被解释变量与两个以上的解释变量之间的相关关系的强弱的指标［31］。本案例的回归模型完全适用多元回归的决定系数来检验模型的拟合优度。多元回归的决定系数，其中ESS=TSS-RSS，（ESS为回归平方和，RSS为残差平方和，TSS为总离差平方和）0≤R2≤1，R越接近1，该方程式中的参考的价值就越高，模型的拟合度就越高，观落在回归直线附近的观察点越密集。

二、Stata统计分析回归模型

（一）模型的建立

本文选取2015年第三季度全国十大旅游局微博影响力分值如表1，根据分析回归模型设旅游局微博的传播力为X1、服务力为X2、互动力为X3，旅游局微博影响力的总分为Y，得出Y=α+β1X1+β2X2+ β3X3，按照以上步骤进行计算，对其进行微分，联立方程组，得出矩阵。

表1 2015年第三季度全国十大旅游局微博影响力分榜

（二）Stata统计分析数据

在Stata 1.2统计分析软件中输入命令经过统计分析表1中的数据，得出结果如下图。

（三）模型的检验

由Stata分析结果可知，RSS=191.798852，ESS=0.00037523，TSS=191.79889，根据多元回归系数

R2=，得出R2=0.99999980。从Stata的报告系数

Y=α^+β1X1+β2X2+β3X3=0.0078154+0.3996517X1+0.1999822X2+0.4003539X3。自变量传播力X1、服务力X2、互动力X3引起的变动占旅游局微博影响力变动的百分比较高。假设其他条件不变，若传播力指数增加0.3996517可知旅游局微博影响力有95%的概率落在［0.3989273，0.400376］之内，大约可以上升0.4；服务力指数增加0.1999822，由可知旅游局微博影响力有95%的概率落在［0.1998262，0.2001382］内，大约可以上升0.2；互动力指数增加0.400359，由可知旅游局微博影响力有95%的概率落在［0.3998922，0.4008157］之内，大约可以上升0.4；旅游官方微博要提高自身的影响力，提升旅游目的地的知名度，旅游局官方微博就需要对自身公众号的传播力、服务力、互动力加大力度，互动性尤其重要。

三、总结

在后信息时代，旅游消费者对信息的需求转向了多层次、多方向，对社交媒介发布的信息更为敏感，微博在被公众所认可的同时，也成为一种旅游搜索工具，用户和微博间形成一种双向的依赖关系，在相互依赖中较强的一方往往是微博自身，从传播内容上影响用户的旅游行为，依赖社交关系创造旅游需求。当微博的某个用户主动发布信息，与他人的连接关系的数量以及连接关系的复杂性都将急剧增加［32］，也就是信息传播的“小世界效应”。

旅游信息的有效接收取决于微博自身的权威性、可靠性和微博的粉丝，通常用微博的影响力来判断，根据人民舆情检测室的评价指标，微博的影响力大小主要由微博的传播力、服务力、互动力来决定。旅游局官方发布的旅游微博内容真实、有创意，附带清晰的图片、有链接、有表情符号等，在相对程度上能引起用户的注意，促进旅游信息大范围用户的有效接收，并阅读微博；若有话题讨论，更能带动用户积极性去主动挖掘旅游相关信息，点评微博，更有可能主动转发或创作微博，双方之间形成一种良性互动，旅游相关信息快速地被一层层传播下去，传播的渗透力也更强，激发潜在旅游消费者旅游的动机也就越强，短时间内微博在保持原有数量的粉丝基础上吸引新粉丝关注自身，自身的影响力也会上升。作为旅游局的官方微博切实做到以人为核心，从微博的传播力、服务力、互动力角度出发，保证发博总数有质有量有料有调，加大原创微博的比例，保证越多的用户去阅读该微博，甚至主动评论、点赞、转发该微博，及时处理用户的私信，保障用户需求得到重视得到解决。在下一轮发出的微博，内容要创新，贴近用户需求，保障原有粉丝数量不减，并吸纳更多的粉丝来响应微博的内容，用最低的成本，达到了最佳的旅游宣传效果。在保证自身微博内容质量的同时，也要及时发声，回应微博上散布的不真实、欺骗性的信息，处理热点舆情信息，稳定粉丝情绪，在最短时间用最快速度将不真实的信息扼杀在摇篮中，服务了广大用户，保障广大用户知情权的权利。通过借力网络热点事件，既保证微博自身的权威性，服务广大用户同时也提升了自身的影响力。

【注释】

①“传播力”该项指标依据微博阅读数、发博总数、原创微博发博数来计算，传播力的指标越高，表明越多的网民看到微博内容。传播力=微博阅读数+发博总数+原创发博数

②“服务力”该项指标依据主动评论数、私信次数、私信人数来计算，服务力指标越高，意味着服务了越多的网民。服务力=主动评论数+私信次数+私信人数

③“互动力”该项指标由被转发、被评论、被赞来计算，互动力指标越高，说明越多的网民响应微博的内容。互动力=被转发数+被评论数+被赞数

［1］李翔昊.SNS浪潮---拥抱社会化网络的新变革［M］.北京：人民邮电出版社，2010：1

［2］吴信东，李毅，李磊.在线社交网络影响力分析，计算机学报［N］，2014，37（4）：735-736

［3］Katz E，Lazarsfeld P F.Personal Influence：The Part Played by People in the Flow of Mass Communication.Piscataway：Transaction Publishers，2006

［4］Rashid A M，Karypis G，Riedl J.influence in ratings-based recommender systems：An algorithm-independent approach//Proceedings of the SIAM International Conference on Data Mining.Newport Beach，California，USA，2005：556-560

［5］Bakshy E，Hofman J M，Mason W A，Watts D J.Everyone，s an influence：Quantifying influence on twitter//Proceedings of the 4th ACM International Conference on Web Search and Data Mining.Hong Kong，China，2011：65-74

［6］Cha M，Haddadi H，Benevenuto F，Gummadi K P.Measuring user influence in twitter：The millon follower fallacy//Proceeding of the 4th International AAAI Conference on Weblogs and Social Media，Washington，DC，USA，2010：10-17

［7］Romero D M，Galuba W，Asur S，Huber man B A.Influence and passivity in social media//Proceedings of the European Conference on Machine Learning and Principles and Practices of Knowledge Discover in Databases.Athens，Greece，2011：18-33

［8］Weng J，Lim E-P，Jiang J，He Q.Twitterrank：Finding topic-senstitive influence twitters//Proceedings of the 3rd ACM International Conference on Web Search and Data Mining.New York City，USA，2010：261-270

［9］Yang J，Leskovec J，Modeling information diffusion in implicit networks//Proceedings of the2010 IEEE International Conference on Data Mining.Sydney，Australia，2010：599-608

［10］Backstorm L，Hunterlocher D，Kleinberg J，Lan X.Group formation in large social networks：Membership，growth，and evolution//Proceedings of the12th ACM SIGKDD International Conferenceon Knowledge Discovery and Data Mining.Philadelphia，USA，2006：44-54

［11］Grandall D，Cosley D，Huttenlocher D，et al.Feedback effects between similarity and social influence in on line communities//Proceedings of 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.Las Vegas，USA，2008：160-168

［12］Aiello L M，Barrat A，Schifanella R，et al.Friendship prediction and homophilyin social media.ACMT ransactions on Web，2012，6（2）：1-33

［13］Bass FM.A new product growth model for consumer durables. Management Science，1969，15（5）：215-227

［14］Brown J J，Reingen P H，.Social ties and word-of-mouth referral behavior.Journal of Consumer Reseach，1987，14（3）：350-362

［15］Mahajan V，Muller E，Bass FM.New product diffusion models in marketing：A review and directions for research.The Journal of Marketing，1990，54（1）：1-26

［16］Domingos P，Richardson M.Mining the network value of customer//Proceedings of the 7th ACMSIGKDD International Conference on Knowledge Discovery and Data Mining.San Francisco，USA，2001：57-66

［17］Goldenberg J，Libai B，Muller E，Talk of the network：A complex systems look at the underlying process of world-of-mouth.Marketing Letters，2001，12（3）：211-223

［18］Richardson M，Domingos P.Mining knowledge-sharing sites for viral marketing//Proceeding of the 8th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.Edmonton，Canada，2001：61-70

［19］Leskovec J，Adamic LA，Huberman B A.The dynamics of viral marketing//Proceeding of the 7th ACM Conference on Electronic Commerce. Ann Arbor，USA，2006：228-237

［20］Christakis N A，Fowler JH.The spread of obesity in a large social network over 32 years.New England Journal of Medicine，2007，335（4）：370-379

［21］Fowler J H，Christakis N A.Dynamic spread of happiness in a large social network：Longitudinal analysis over20 years in the Framingham heart study.British Medical Journal，2008，337（a2338）：1-9

［22］Dong W，Pentland A.Modeling influence between experts//Proceedings of the ICMI 2006 and IJCAI 2007 International Conference on Artifical Intelligence for Human Computing.Banff，Canada，2007：170-189

［23］Tang J，Sun J，Wang C，Yang Z，Social influence analysis in large-scalenetworks//Proceedings of the15th ACM SIGKDD International Conferenceon Knowledge Discovery and DataMining.Paris，France，2009：807-816

［24］Sakaki T，Okazaki M，Matsuo Y.Earthquake shakes twitter users：Real-time event detection by social sensors//Proceeding of the 19th International Conference on World Wide Web.Raleigh，USA，2010：851-860

［25］Bakshy E，Eckles D，Yan R，Rosenn I.Social influence in social advertising：Evidence form field experiments//Proceedings of 13th ACM Conferenceon Electronic York：Free Press，2003

［26］人民网舆情检测室，2015年第三季度人民日报？政务指数微博影响力报告［DB/OL］.2015.http：//vdisk.weibo.com/s/q0w1lmSsIWPni

［27］郭为.旅游统计学［M］.天津：南开大学出版社.2009.304-309

［28］盛骤，谢式千，潘承毅.概率论与数理统计［M］.北京：高等教育出版社.2008（4）：257-262

［29］于俊年，计量经济学［M］.北京：对外贸易大学经济出版社.2014（3）：75-85

［30］李子奈，潘文卿，计量经济学［M］.北京：高等教育出版社.2010（3）：62-65

［31］白沙堤津耶，瞿强.通过例题学习计量经济学［M］.北京：中国人民大学出版社.2002.（1）：98-108

［32］尼古拉斯，克里斯塔基斯，詹姆斯·富勒著，简学译.大连接：社会网络是如何形成的以及对人类现实行为的影响［M］.北京中国人民大学出版社，2013：4

责任编校：薛兵旺

On Influence of Official Micro-Blog of Tourism Administrations w ith Regression Analysis Model An analysis based on official micro——blog influence of 10 Chinese major tourism ad ministrations of the 3rd quarter of2015

WANG Hai-long
（Longnan Teachers' College，Longnan，Gansu，742500，China）

This paper constructs a regression analysis model with the indexes of the evaluation system of official micro-blog influence—dissemination，interaction，service.The obtained data analysis based on this model with the Stata software indicates a linear relationship between the tourism microblog influence and the relevant factors.This study is intended to reveal the tourism phenomenon related with tourism microblog influence and the development of tourism in the social interaction.

official micro-blog of tourism administrations，influence，dissemination，interaction，service.

F719；F49

A

2095-7955（2016）04-0027-04

2016-06-12

王海龙（1985—），甘肃陇南师范高等专科学校历史文化与旅游学院讲师，硕士研究生。主要研究方向：区域旅游开发、旅游经济。