基于微博微信的高校社交网络信息传播特征与效率对比分析

刘虹 李煜 孙建军

〔摘 要〕文章对高校微博、微信平台的信息传播特征与效率展开研究。从985高校的微博、微信平台的信息服务入手，基于时间特征、内容特征、行为特征构建社交网络信息传播效率指标体系，对比分析其传播特征和效率的异同点，并进一步将微博、微信两个平台的发文主题划分为学校资讯、校园活动、思想宣传、娱乐休闲、互动交流等13个类别，探索分析发文主题与传播效果之间的关联。研究发现，高校在两个平台的发文时间分布存在差异；在传播特征指标方面，高校微博的发文数、粉丝数高于微信，但高校微信的传播效率则优于微博；另外，高校在两个平台的发文主题具有互补性，不同发文主题在两个平台的信息传播效果均存在显著差异。

〔关键词〕微博；高校；社交网络；信息交流；信息服务；效率评价；影响因素；指标体系

DOI：10.3969/j.issn.1008-0821.2018.04.001

〔中图分类号〕G203 〔文献标识码〕A 〔文章编号〕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

作为社交网络产业的代表性应用，新浪微博和腾讯微信的发展势头迅猛，用户数不断攀登新高。腾讯和新浪的官方报告显示，到2016年截止，新浪微博的月活跃人数为2.97亿[1]，微信月活跃用户数近9亿、公众号数量已达1 777万个[2]。高校借力微博、微信等社交网络平台开展宣传教育、资讯发布、活动交流等服务是大势所趋。目前，社交网络信息传播的研究主题可归纳为社交网络信息传播特征与行为研究、社交网络信息传播网络结构研究、社交网络信息传播预测模型研究3个方面。

1）社交网络信息传播特征与行为研究：运用文本分析、问卷分析、情绪分析、数據挖掘等研究方法，对社交网络环境下的用户信息传播行为展开定量分析，揭示信息传播特征、运营效率、用户信息传播行为的影响因素和作用机制。Stieglitz和Dang-Xuan[3]以Twitter为例，探讨社交网络中博文内容的情绪特征与用户分享行为之间的关系。Taxidou等[4]的研究表明用户关系对Twitter转发行为存在显著影响。

2）社交网络信息传播网络结构研究：运用复杂网络分析、案例分析、机器学习等研究方法，以微博、微信、Twitter等典型社交网络产品为数据来源，以社交网络用户之间的关注与被关注、转发与被转发、评论与被评论关系为研究对象，挖掘社交网络拓扑结构特征，识别信息传播中的高影响力用户，发现信息传播过程中的意见领袖。Zhang等[5]基于用户兴趣视角，采用内容指标和网络结构指标计算用户相似性。Tang等[6]采用迭代语义分析方法识别社交网络动态多模结构中的用户属性和关系机制。

3）社交网络信息传播预测模型研究：社交网络环境下的用户的转发、评论等信息传播行为产生了大量数据，为信息传播预测研究提供了良好数据支撑，研究范畴包括对具体事件的预测及对用户信息传播行为的预测。具体事件预测研究的主题包括流感预测[7]、股票预测[8-9]、影视收视率或票房预测[10-11]、总统大选结果预测[12]等。用户信息传播行为预测研究主要为转发行为、评论行为及发布行为[13-14]。

微信和微博作为两种不同的社交媒体平台，在价值认同[15]、内容开放度[16]、服务模式[17]等维度均有所差异。本文对高校微博、微信两个社交网络平台信息传播特征和效率展开分析，可帮助明晰高校社交网络信息服务水平，对比分析高校在两个平台信息传播特征和效率的异同点，并为高校的微博、微信服务运营提供针对性改进路径和建议。

1 研究设计

1.1 指标体系构建

关于社交网络信息传播效果的指标体系构建，众多学者在此领域展开研究并取得丰硕成果。Cha等[18]、Ye和Wu[19]认为，点赞、转发和评论是评价Twitter信息传播影响力的重要指标。何音等[20]提出，粉丝数、关注数、发文数等用户特征指标是评价微博信息传播影响力的重要指标。Daft和Lengel[21]的信息丰富性理论认为，不同形式的媒体承载的信息量不同，丰富、生动的信息形式提高了用户沟通交流的可能性[22]。Shang等[23]、Liu等[24]对社交网络的研究也表明视频、图片、URL等信息形式能提升信息传播效果与信息可达度。

考虑到研究的科学性与可对比性，本文在信息传播效率指标的选取过程中只选取微博、微信的共性指标，而对微博关注数、微信菜单栏目等特性指标则不予考察。最终，本文选取的社交网络信息传播的投入指标包括：时间特征指标（注册时间）、内容特征指标（发文数、含视频文章数、原创数）；产出指标包括：行为特征指标（粉丝数、传播度、点赞数）。

1.2 数据来源与获取

以985高校的新浪微博和腾讯微信官方账号为研究对象，研究生会、校友会、招生办公室等二级机构账号不纳入范畴。在39所985高校中，37所高校开通了微博、微信账号，开通比例分别为94.87%和97.44%。

本文以2017年8月10日-2017年9月10日数据为样本，利用爬虫工具获取微博指标数据，利用数说风云[25]获取微信发文数、粉丝数、传播度及点赞数指标数据，采用人工遍历方法获取微信（含视频文章数、原创数指标数据）。剔除在该样本日期内发文数为过少或为0的3所高校，最终得到34所高校的9 707条信息传播特征指标数据。

2 双平台信息传播特征对比分析

2.1 信息传播效率特征指标描述分析

高校微博、微信平台信息传播效率特征指标描述统计如表1所示。

2.1.1 注册时间分析

各高校微博、微信的注册时间均值分别为2011年4月（方差：478.24）与2013年11月（方差：232.58）。高校微信开通时间普遍晚于微博，延迟时间约为31个月，但其建设速度明显优于微博。

2.1.2 发文数分析

微博发文数是微信的8.79倍（日均发文数分别为8篇和0.91篇），高校在微博、微信的发文数方面相差悬殊，原因之一是微信订阅公众号的日推送次数限定为1次[26]，但可通过1次推送多篇文章等途径以提高发文数。

2.1.3 含视频文章数分析

微博含视频文章数均值是微信的9.3倍，但两个平台的含视频文章数占比相差无几，微博的含视频文章数占比仅比微信高2个百分点。

2.1.4 原创数分析

微博、微信原创数最高的3所高校分别为西安交通大学、天津大学、大连理工大学和兰州大学、南京大学、北京大学、武汉大学。就原创数的全部文章数占比而言，微博的原创数占比是微信的4.33倍，究其原因可能是原创标签是识别微信原创文章的常见方式，而目前微信的原创功能是邀请开通机制，部分高校微信文章原创数量为0的原因很可能是因为尚未被邀请开通原创声明功能；而已开通原创功能的高校也需在发布文章前提交原创声明申请，否则不会被标记为原创标签。对于微博而言，则可通过“//@”、“via”、“转发微博”等标签并辅以人工识别来剔除非原创博文。

2.1.5 粉丝数分析

微博、微信粉丝数最高的3所高校分别为清华大学、武汉大学、复旦大学和浙江大学、大连理工大学、厦门大学。对比可知，微博的粉丝数是微信的2.21倍。

2.1.6 传播度分析

对比可知，微信的传播度是微博的9.73倍。需要指出的是，微博阅读数只供账号主体查阅，因此本文的微博传播度测度指标为转发数与评论数之和，而微信传播度测度指标则为阅读数，两个平台的传播度指标测度并不一致。

2.1.7 点赞数分析

对比可知，微博的点赞数是微信的3.74倍；但微博、微信的篇均点赞数分别为87和204，微博篇均点赞数远低于微信，仅为后者的0.43倍。不同于微博的弱关系连接，微信与用户之间的联系更加密切，对公众号的内容推送质量抱有更高期待[27]。另有研究表明[28]，相较于阅读数，长文章、生动的视频等文章内在特征与点赞数的关系更为密切。因此，尽管高校的微信平台建设远远晚于微博，但是通过高质量的内容建设，目前高校的微信账号也拥有了大量的忠实用户。

2.2 發文时间分析

将时间划分为夜间休息、工作时间与休闲时间3个时间段。从图1可知，1）夜间休息（23点～7点）：高校微博、微信在此时间段活跃度非常低，从每天首篇文章的发布时间来看，微博比微信早1个小时，这与微博内容的强互动性与短文本特征有关。2）工作时间（8点～17点）：高校微博在工作时间的活跃度波动较为平缓，微信的活跃度则起伏明显，10点、15点是两个平台的发文高峰期，另外高校微信在17点的发文也十分活跃。3）休闲时间（18点～22点）：微信的活跃度明显提升，22点微信发文量占全天的15%，微博的活跃程度也逐渐上升，全天发文最高峰产生于23点。从整体来看，高校微博的发文频率在白天各时间段较为均衡，而微信则体现出较为集中的趋势。

3 双平台信息传播效率对比分析

3.1 研究方法

采用数据包络分析方法（Data Envelopment Analysis，DEA）分析高校微博、微信的信息传播效率。DEA是管理科学领域的主要效率分析方法之一，常见测度指标包括：综合效率（Technical Efficiency，TE）：衡量高校在微博、微信上的整体资源整合与配置能力；纯技术效率（Pure Technical Efficiency，PTE）：衡量高校在既定社交网络资源投入水平基础上实现产出最优化的能力；规模效率（Scale Efficiency，SE）：测度高校的最优资源投入规模，通过按比例变动各投入指标规模以实现更佳的传播效率。

3.2 信息传播效率测度

基于VRS模型、采用DEA软件Deap2.1对高校微博、微信的信息传播效率加以分析（见表2）。

对比分析微博、微信数据，微信平台的信息传播效率各项指标值都高于微博，微博、微信的综合效率均值分别为0.62与0.52，两个平台的信息传播效率均位居中等水平。另外，两个平台的纯技术效率都高于规模效率，除西安交通大学官方微博处于规模报酬递减阶段外，其他高校在微博、微信的信息传播效率全部处于规模报酬递增阶段，表明高校在两个平台的信息传播效率未达到DEA有效的主要原因在于投入规模不足。根据效率分析指標将高校划分为3个类别：DEA有效（综合效率=1）、弱DEA有效（纯技术效率=1但综合效率<1）、非DEA有效（纯技术效率<1且综合效率<1）。

1）DEA有效：微博、微信平台中信息传播效率DEA有效的高校数分别为6个、5个，清华大学、华东师范大学、厦门大学3所高校在两个平台的信息传播特征指标的投入配置实现最优化。

2）弱DEA有效：微博平台中吉林大学、西北农林科技大学等5所高校弱DEA有效，而微信平台中则有武汉大学、吉林大学等15所高校弱DEA有效。这些高校在微博、微信的运营中对文章发布、原创文章、视频等多媒体资源的结构配置和质量评价已较为成熟，增加对这些指标的投入规模可有效提高其信息传播效果。

3）非DEA有效：微博、微信平台中信息传播效率非DEA有效的高校数分别为23个、14个，需要从提高内容质量、资源配置水平、投入规模等多个维度予以改善。

独立样本T检验结果表明，显著性水平为0.911，差异不显著（见表3），高校在两个平台的信息传播效率表现具有相似性。

4 双平台信息传播效率改进

4.1 冗余度分析

采用Deap2.1软件对微博、微信非DEA有效账户的信息传播效率投入产出指标展开冗余度分析，通过改进信息传播投入指标的比例和规模可实现信息传播效率最优解。

4.1.1 微博冗余度分析

23个非DEA有效高校微博的信息传播投入产出指标的改进比例如表4所示。

在产出指标中，粉丝数改进比例均值为63.46%，表明在现有发文数和原创数等指标的投入规模下，这些高校的粉丝数与最优解差距较大，高校在确保现有用户群体忠诚度的基础上应加强宣传力度，吸引新用户关注，提高官方微博账号的可达度。传播度和点赞数的改进比例均值分别为7.43%和81.55%，非DEA有效高校官方微博博文在转发和评论两个指标上均有较好表现。有学者指出，点赞、评论和转发3种信息传播行为表征用户对博文内容的态度分别为赞同、感兴趣和高度接受，其好感度依次递增[29]，高频次的评论数代表用户对账号主题有较深依赖[30]。因此，实际上非DEA高校微博粉丝与高校微博之间的互动交流非常深入，但由于粉丝数量过少而导致了点赞这一同样具有积极社交意义的信息传播行为占比较低。在投入指标中，含视频文章数的效率冗余度最大，表明部分高校在微博运营过程中要注重对视频质量与数量的把控，过多娱乐休闲主题视频的存在可能会造成高校微博的泛娱乐化，模糊高校微博的定位与功能。发文数与原创数的效率冗余度均超过30%，表明部分原创微博的可阅读性不高，而用户一定时间段内能够仔细阅读或接收的信息有限[31]，过多的博文数量或过于分散的主题都不利于用户对微博的有效利用[32]，这会使得用户无法迅速获取所需的学校资讯、通知公告等信息。另外，注册天数也存在一定的效率冗余，表明部分高校微博运营过程中没有充分利用先发优势。

4.1.2 微信冗余度分析

14个非DEA有效高校微信的信息传播投入产出指标的改进比例如表5所示。从产出指标来看，非DEA有效高校微信的点赞数与传播度改进比例仅为6.19%和7.11%，高校在这两个指标上表现良好，表明高校的微信内容运营质量良好，受到了用户的普遍认同。26.76%的粉丝数改进比例则表明高校微信账号在运营推广、吸引新用户上需要花费更多精力。

4.2 发文主题与信息传播效果的关联分析

本文对高校微博、微信发文主题与信息传播效果之间的关联展开分析。在借鉴相关社交网络信息传播研究的基础上，采用人工编码方式，将微信、微博的文章划分为学校资讯、思想宣传、通知公告、学术科研等13个主题（详情见图2）。

如图2所示，微博发文量最多、最少的3个主题依次是好文赏析、互动交流、知识技能以及学校资讯、师生风采、学术科研；微信发文量最多、最少的3个主题依次是校园活动、学校资讯、师生风采以及互动交流、知识技能、好文赏析。互动交流是高校微博特有的主题，通过每日数次发布诗句、推送佳句和早晚安问候、分享知识技能等娱乐信息，高校有效扩大了受众范围并与用户保持高互动率，而微信的发文主题则更集中于学校相关新闻。高校在微博、微信的发文主题既有部分重叠，也存在一定的互补性，能够较好地发挥双微联动作用。

采用K-S非参数检验方法对微博、微信发文主题与点赞数、传播数两个传播效果指标分别进行差异性检验（见表6）。结果表明，发文主题与高校微博、微信的传播效果密切相关，其中微博主题与点赞数、传播度在0.001的概率水平显著，微信主题与点赞数、传播度分别在0.05和0.1的概率水平显著。

進一步对双平台篇均点赞数、篇均传播度排名前六的主题予以揭示（见图3）。学校资讯、校园活动、校园生活、娱乐休闲、通知公告5个主题在微博和微信两个平台的点赞数和传播度均在前列，思想宣传、社会热点、节日纪念、师生风采、知识技能在微信的传播效果更为显著，而好文赏析、互动交流作为微博发文量占先的主题在信息传播效果上也凸显优势。除此之外，学术科研在两个平台的传播效果都不够理想，4项指标排名皆在中等水平以下。

5 结 论

本文对34所985高校的官方微博、微信账号的信息传播特征和效率展开对比分析。研究发现，高校微博除了注册时间早于微信平台以外，其粉丝数和发文数2个指标也是微信的数倍，但其篇均点赞率仅为微信平台的0.43倍。从发文时间和主题来看，高校微信的发文时间段更为集中，主题多与校园活动、校园生活、学校资讯、思想宣传、师生风采等信息有关，较好地发挥了高校社交媒体的宣传教育功能；微博的发文时间更为疏散，白天各时间段的发文量差异不大，发文主题主要为好文赏析、互动交流、知识技能等娱乐信息，对除校园活动外的其他学校信息的发布较少，两个平台的发文主题具有一定的互补作用。就信息传播效率而言，整体来看高校微信的传播效率优于微博，但两者在优质原创内容创作、多媒体资源合理配置、账号宣传推广等方面都存在一定的改进空间。

参考文献

[1]新浪.2016微博用户发展报告[R].北京：北京微梦创科网络技术有限公司，2016.

[2]腾讯.2016年微信公众号数据洞察报告[R].北京：腾讯控股有限公司，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]陈颖.认同差异下微博与微信的传播机理比较[J].新闻界，2015，（3）：54-57.

[16]方兴东，张静，张笑容，等.基于网络舆论场的微信与微博传播力评价对比研究[J]新闻界，2014，（15）：39-43.

[17]宗一君，郭晶.高校图书馆微服务模式初探——基于典型案例的观测研究[J].图书与情报，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.突发事件情境下影响媒体官方微博传播的因素研究——基于多分logistic回归[J].情报科学，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.數说风云[EB/OL].http：//social.datastory.com.cn/list，2017-09-21.

[26]张丹丹，杨思洛，邢文明.省级公共图书馆微博和微信服务研究[J].图书馆学研究，2015，（20）：57-63.

[27]陈颖.认同差异下微博与微信的传播机理比较[J].新闻界，2015，（3）：54-57.

[28]彭晨明，张莎，赵红.如何让你的微信帖子更受欢迎？——基于知名品牌微信运营数据的实证研究[J].管理评论，2016，28（12）：176-186.

[29]薛杨，许正良.微信营销环境下用户信息行为影响因素分析与模型构建——基于沉浸理论的视角[J].情报理论与实践，2016，39（6）：104-109.

[30]周懿瑾，魏佳纯.“点赞”还是“评论”？社交媒体使用行为对个人社会资本的影响——基于微信朋友圈使用行为的探索性研究[J].新闻大学，2016，（1）：68-75.

[31]赵蓉英，曾宪琴.微博信息传播的影响因素研究分析[J].情报理论与实践，2014，37（3）：58-63.

[32]王娜，梁艳平.微博刷屏与其对用户获取信息效果影响的调查研究[J].图书馆学研究，2015，（17）：85-94.

（责任编辑：马 卓）