熟人社交网络平台上信息传播影响指标及其效度研究

黄强 罗继锋 吴志艳

摘 要： 随着社交网络愈发高频地融入人们的生活，人们也越来越依赖于好友在社交网络平台上转发分享的在线内容获取新的资讯，越来越多的机构也开始把社交网路平台当作其产品或品牌的营销平台。依托自主设计及研发的研究平台，采用新颖的在线观察实验方法，通过与新媒体团队合作，进行了熟人社交网路平台上在线内容传播实验。基于研究平台记录的用户对在线内容访问及交互产生的数据，通过建立logit及零膨胀泊松回归模型进行探讨得到以下结论：（1）在线内容上下文方面，在线内容来源用户的好友规模、在线内容传递渠道等会影响访问用户对在线内容的转发分享行为;（2）用户与在线内容交互方面，用户对在线文章内容的阅读时间、阅读比例、是否阅读到第二部分、是否阅读到最后一部分、阅读回顾次数等会对用户的转发分享行为产生影响。

关键词： 社交网络;病毒营销;信息传递;即时消息;熟人;微信

中图分类号： G 206

文献标志码： A

Abstract： While people interacts with social network more intensively in life， people rely more on it to get new information， and therefore more organizations focus on social networking platform to promote their products or brands. This research carried out an experiment about information diffusion on social networking platform of acquaintances using a new research method called online observation experiment based on independently designed and implemented research tool. With the data for users′ visits and interactions with the online content collected by research tool， this research get the following results by constructing a logit and a zero-inflated Poison regression models： （1） in the aspect of online content contexts， the friends number scale of the source user of online content and the channel which conveys online content would influence the decision about share of online content for the receiving user; （2） in the aspect of user′s interactions with online content， the time user spent， the portion of content user read， the fact whether the user reached the second part of content， the fact whether the user reached the last part of content， the number of times user reviewed would have the influences on user’s decision to share.

Key words： social network; viral marketing; information diffusion; instant messaging; acquaintances; WeChat

1 文献综述

1.1 病毒营销

病毒营销最早起源于Hotmail用户邮件正文中附带的可被点击的促销URL链接，早在1997年出现在Netscape Newsletter上，并被宽松地定义为“被网络强化的口碑”（” network-enhance word of mouth”）。Jurvetson （2000）指出病毒營销的一个基本特征便是每一位消费者在使用产品的过程中也自然而然地成为了一个营销人员，且因为携带者来自于朋友的含蓄背书，病毒营销比任何第三方广告都更加有力量。社交网络平台作为人与人之间沟通与分享的平台，天然拥有用户之间简单便捷且及时的信息传递渠道，这使得社交网络平台非常适合作为病毒营销的宿主平台。病毒营销与社交网络的结合也使得病毒营销有了无限的可能及空前的影响力。

近些年，众多的研究者也从各种不同角度对社交网络上用户的转发分享行为进行了研究探讨。Berger和 Milkman （2012） 主要从情感的角度对 New York Times上3个月发布的共7000篇被邮件转发分享最多的文章进行了研究分析。Yuki （2015）按照Berger（2013）提出的口碑营销STEPPS框架[社交货币（Social Currency）、诱因（Trigger）、情绪（Emotion）、公共性（Public）、实用价值（Practical Value）及故事（Stories）]对Facebook上12个月内被转发分享最多的2000条社交网络消息以及对超过1000名社交网络用户进行了研究分析。Ho和Dempsey （2010）则从用户转发分享心理的角度对在线内容病毒传递性进行了研究。Knossenburg等人（2016）也从用户参与度及惊喜度的角度对在线视频内容病毒传递性进行了研究。Renard和 Darpy（2017）则从用户技巧需求性、邀请好友奖励等角度对在线游戏内容的病毒传播性进行了研究。陈成（2016） 、彭晨明等（2016）、张夕汉（2016）、方婧等（2016）则主要从在线文章的标题、主题、推送时间等方面对微信公众号文章内容的传播性进行了研究。概括来说，现有关于社交网络平台上病毒营销的研究所涉及的影响指标的研究主要从内容及用户两个角度展开。

1.2 内容

内容角度，首先是在线内容本身的特征。Dobele等人（2007）指出在线内容所激发的惊喜和其他情绪以及引发的用户想象能够增强在线内容的病毒性传播。Berger和 Milkman （2012） 也指出激发积极情感的内容相对于激发消极情感的内容更容易被转发分享，且能够激发强烈情感的内容（无论积极或者消极）相对于激发中低度情感的文章更容易被读者转发分享。Yuki （2015）指出在线内容实用价值方面的“有用性”、故事方面的“讲故事”以及使用户“看起来很好”“开心”的内容能够增强用户转发动机。Araujo等人（2015）也指出信息价值或内容有用性能增加用户对在线内容的转发分享意愿。另外，关于微信公众号文章的研究中，陈成（2016） 、彭晨明等（2016）、张夕汉（2016）、方婧等（2016）共同指出了在线内容的标题特征、主题、内容信息量、配图等因素都将影响在线文章内容传播的病毒性。内容角度，其次是在线内容上下文。彭晨明等（2016）和方婧等（2016）都指出在线文章内容的推送时间会影响在线文章的热度。同时，彭晨明等（2016）也指出在线文章内容所处的位置也会对文章的热度产生影响。

1.3 用户

用户角度，首先是用户分享心理。Ho和Dempsey （2010）指出用户分享在线内容存在四大潜在动机，即成为群体成员（part of a group）的需求、宣扬个人主义（individualistic）的需求、展现利他主义（altruistic）的需求以及个人成长（personal growth）的需求，且有越强的个人主义或利他主义的网络用户越倾向于转发分享在线内容。Lovett等人（2013）也指出用户会为了显现其专业性形象或增强社会地位参与对相关内容的传递与分享。用户角度，其次是用户与在线内容交互。Knossenburg等人（2016）指出用户参与度（Engagement）和惊喜度（Surprise）是影响在线视频传递性的两个关键因素，且能显著提高在线视频广告内容的病毒传播性。Renard和 Darpy（2017）指出在线游戏对用户技巧（skill）的需求性将增加用户分享在线游戏给其他好友的可能，同时营销人员增加邀请（分享）激励反而会降低用户推荐给其他好友的意愿。

总结而言，现有研究主要从用户及内容两个角度的在线内容特征、在线内容上下文、用户分享心理及用户与在线内容交互等四个方面对在线内容的病毒传播性进行了研究。在线内容特征方面，包括情感、有用性、故事性、惊喜度等因素会对在线内容传递性产生影响;在线内容上下文方面，文章发布时间、文章位置等都会对其热度产生影响;用户分享心理方面，社会形象、利他主义、个人主义以及个人成长等需求会对用户是否分享对在线内容产生影响;用户与在线内容交互方面，用户技巧需求性、用户参与度、用户奖励等会对用户的在线内容分享决策产生影响。

2 研究设计

2.1 研究模型

如前所述，本研究主要从在线内容上下文及用户与在线内容交互两个方面对熟人社交网络平台上在线内容的传播性进行研究。由于不同类别在线内容（文章、视频、图片、网页游戏等）之间存在着较大差异，本研究将仅关注在线文章内容在熟人社交网络平台上的传播问题。在线内容信息传播过程中，信息的每一次传递都涉及接收用户和分享用户两方，因此在线内容的传播性也可以从信息传递过程中涉及的两方用户的角度进行不同的衡量，从而可以从两个不同的角度检验相关影响指标的影响效度，增加研究结论的鲁棒性。所以，本研究从信息传递过程中涉及的访问用户及分享用户两个不同的用户视角建立研究模型。从在线内容访问用户的视角，本研究建立的模型包含所有四个方面完整研究模型如图1的虚线框区域所示。

同时，从分享用户视角建立的模型如图2所示。

2.2 研究假设

鉴于熟人社交网络平台上用户与用户的联结类型仅包括通过有限渠道相互添加的对等好友关系而不包含非对等的订阅关系，本研究认为熟人社交网络中中等好友数量规模的用户相对于大量好友的用户与其好友有更强的社交联系，且中等好友数量规模的用户相对于少量好友的用户有更好的公众认可形象。更强的社交联系和更好的公眾认可形象，常常是用户所推荐内容被认可的两个重要因素，而用户转发行为心理中一个重要因素就是认可其转发的内容与自身形象有关。同时，结合社交网络上用户的转发分享行为也是一种在线口碑营销行为（用户向其好友的推荐行为）的本质，本研究做出以下假设：

虽然互联网在一定程度上使信息传播突破了地理距离的限制，但熟人社交网络平台上用户的社交范围通常受地理位置影响较大，且用户的大部分好友通常仍然属于同地域好友，所以在一定程度上可以认为在熟人社交网络中，相同地理位置的用户之间信息流动传播更充分。结合已有研究中关于用户转发分享心理方面的利他主义需求，用户可能更愿意转发对其好友（预设的受众）相对新鲜和未知的内容，因此本研究也做出以下假设：

H2： 熟人社交网络平台上，在线内容的分享者与接收者之间地理位置的差异将增加接收用户再次转发分享的概率。

熟人社交网络平台上，用户与用户之间传递信息的渠道通常有三种，包括用户的个人状态、用户之间的单点消息，以及用户之间的群组消息。其中，用户之间的单点消息为介于两个用户之间的信息流转。因此，在线文章内容通过单点消息渠道传递时可以认为分享用户判定该在线内容与接收用户有很高相关性且通常带有分享用户相对强烈的推荐意图，所以本研究做出以下假设：

H3： 熟人社交网络平台上，通过单点消息渠道传递的在线内容更可能被接收用户再次转发分享。

用户与在线内容交互方面，用户花费更长的时间对在线文章内容进行阅读可以被认为代表着用户对该在线文章内容付出了更多的时间投入，结合已有研究结果中关于用户投入能增加其转发分享概率的结论，本研究做出以下假设：

H4： 熟人社交网络平台上，用户对在线文章内容的阅读时间越长则越可能转发分享该在线文章内容。

此外，基于对能简单便捷获得大量在线文章内容进行阅读的时代的用户阅读习惯的观察，本研究认为用户做对在线文章内容转发分享决策行为可以被分为两类，一是冲动型，二是审慎型。冲动型的转发分享决策行为相对迅速，通常是用户在仅对在线文章内容的开头部分（首段甚至标题）完成阅读后立即形成对在线文章内容的整体判断（比如确认是否为标题党、是否有转发价值内容等），然后决定是否实施转发分享行为，所以在线文章内容的第一部分对用户转发分享行为的影响较大;审慎型的转发分享决策行为常常相对缓慢，通常是用户在对文章内容的逐步阅读中逐步形成相对完整的理解后做出是否实施转发分享行为的决定。同时，在审慎性转发分享决策范畴里依据用户阅读的内容比例可以分为两种情况：其一，是当用户仅仅对在线文章内容的小部分内容进行阅读后便中止阅读时可以认为用户对在线内容逐渐丧失兴趣，因此其分享概率随着其阅读内容比例的增加而逐渐减小;其二，是当用户完成对在线文章内容大部分的阅读后中止阅读时可以认为用户已经投入了足够的精力，形成了对全文的理解而从节约时间等角度出发放弃阅读，因此其分享概率随着其阅读内容比例的增加而增加。另外，如用户即将完成对在线文章所有内容的阅读而未形成转发分享的决定，则可以认为用户在对全文绝大部分内容进行阅读理解以后没有找到其转发分享的动机，因此有很大可能性在用户完成文章阅读以后依然决定不进行转发分享。基于以上理由，综合考虑两种类型转发分享决策行为的行为模式，本研究做出以下假设：

H5： 熟人社交网络平台上，随着用户阅读在线文章内容比例的增加，其转发分享的概率会呈现出先减后增的趋势。

H6： 熟人社交网络平台上，用户是否阅读到在线文章内容的第二部分对其转发分享的概率具有负面影响。（对比的不是1和2，而是1和1′）

H7： 熟人社交网络平台上，用户是否阅读到在线文章内容的最后一部分对其转发分享的概率具有负面影响。（同上，对比的是10和10′）

最后，基于对用户阅读在线文章内容习惯的观察，部分用户在阅读在线文章内容时会上下滑动手机屏幕对前后相关内容进行多次阅读回顾。用户滚动屏幕对在线内容的回顾次数在一定程度上代表用户对在线文章内容的感兴趣程度或对在线内容的精力投入，同时根据已有研究结果更多的投入常常代表更高的可能性进行转发分享，因此本研究也做出以下假设：

H8： 熟人社交网络平台上，用户在阅读在线文章内容时的回顾次数越多则其转发分享的概率越高。

以上H1～H8为针对本研究的8个原假设，以下本研究将采取实证研究的方法检验以上提出的8个假设。

2.3 研究方法

与大部分营销领域研究中的实体物品对象不同，本研究的研究对象为虚拟在线内容，因此没有选择营销领域常用的调查问卷方法。为适应本研究的研究对象，采用了新颖的在线观察（online observation）实验方法。所谓在线观察，即凭借当前成熟的Web技术，在用户无感知的情况下，研究平台后台程序记录的自用户访问在线文章内容开始到结束离开为止过程中的一系列数据。然后，基于记录的数据集对以上提出的假设采用相关模型进行检验。

为了简化问题而不失一般性，本文以一篇即时新闻类在线文章为代表，研究在线文章内容在以微信为代表的熟人社交网络平台中的传播规律。选择微信作为本研究的社交网络平台的理由主要包括以下几点：首先，微信是一个熟人平台，其标志为截至目前仅支持对等的好友关系而不包含订阅关系（本研究仅仅关注微信个人账号用户而不关注微信公众号）;其次，微信是一个社交网络平台，其标志为微信朋友圈功能;再次，微信是一个媒体与资讯平台，其标志为微信公众平台功能;最后，微信僅有移动端应用支持包括朋友圈、在线文章阅读及分享完整功能，即完整的在线文章内容的传播流程需要微信移动端的功能支持。得益于微信仅有移动端支持在线内容传播的完整流程，本研究可以将在线内容的传播限定到微信移动端，从而大大减少在线文章传播过程中的干扰项，且可以借助微信移动端提供的良好数据接口获取更加完整可靠的数据。因此，微信是一个典型的适合进行在线文章内容传播性研究的熟人社交网络平台。

通过与某法律垂直领域新媒体团队合作，依托自主设计与研发的研究平台，课题组于2016年4月26日13∶54∶23发布了的一篇即时新闻类在线文章。

研究实验步骤大致如下：首先，唯一研究者通过研究平台上的在线文章内容编辑器新建在线文章并填入内容（内容事先已确定），同时生成文章链接;然后，该唯一研究者通过微信访问创建的在线文章内容链接，之后将在线文章内容通过微信分享功能转发分享到由合作团队成员构成的微信群组;接着，在上述微信群组中的合作团队推广人员作为第一层级用户访问该在线文章内容并通过微信分享功能转发分享至其朋友圈、微信群组和微信好友。至此，研究者及合作团队的分发完成，在线文章开始在微信内自发病毒式传播。研究平台也将同时记录在线文章在微信中传播过程的数据。

需要说明的一点是，本研究采用的文章并非由研究小组原创、也并非首发，相似在线文章在其他线上媒体平台上也有刊登。使用非原创且非首发的文章，理由主要有如下两点：其一，高流量原创首发文章获取成本高。为了以较低成本获取足够数量的数据，本研究选择采用相对容易获得的非原创、非首发的在线文章;其二，虽然采用的文章非原创也非首发，但对于本研究涉及的各指标的影响效度并不产生影响。

2.4 数据

本研究的主要数据来源为自主设计及研发的研究平台。研究平台记录的数据分为两类：其一，是用户对在线文章内容的访问及传递数据。一个用户对在线文章内容的一次访问作为一条访问记录，记录了包括在线文章内容的转发分享来源用户、在线内容的访问用户、用户访问时间及渠道、用户分享时间及渠道等相关信息。其二，为用户对在线文章内容阅读的交互记录数据。每个用户对在线文章内容的阅读交互都会以内容分割线（在线文章内容按段落被分割线均分为10个部分）状态及改变时间的方式被记录。截至2016年6月17日06∶07∶42，除去技术故障访问记录（缺失来源用户标识访问的记录、缺失访问用户标识访问的记录等）36条及实验中唯一研究者的访问记录5条，研究平台一共记录微信用户对研究所用在线文章内容的有效访问记录3491条。限于现有可实现的技术，研究平台记录了3491条有效访问记录中3260条对应的阅读交互行为记录（剩余241条访问记录由于用户访问时间太短或网络延迟等原因未被研究平台记录阅读交互数据）。此外，本研究也从《中国城市统计年鉴》中摘取了各省市人均GDP数据，作为衡量各省市经济发展水平差异的依据;同时，也从北京天特信科技有限公司的ipip.net网站上下载了全球 IPv4 地址归属地数据库，作为用户访问时所持设备IP地址转换为用户所在地理位置的依据。

对原始数据及引入的数据进行整合、抽取、变换及层次化，得到了包含3491个观测值的层次化数据集。所谓层次化，即每一个观测值都包含其在在线文章内容传递树中的层级变量及一组表示当前观测值对应的访问用户与转发分享来源用户之间差异的变量。包含部分分支的层次化的在线内容访问的传递树图与按地理位置聚合的传递地图如图3与图4所示。

基于对以上原始数据集的初步统计及数据审查结果，为了使本研究结论更加有效，本研究又对数据集做了如下筛选。首先，考虑到用户对在线文章内容访问的时间跨度较长，而大部分用户访问发生在在线文章内容发布之后不久，所以对用户访问时间跨度做了进一步限制，选择保留按分钟计量的访问时间延迟在前95百分位数（3171分钟）之内的观测值。经过这一步筛选，观测值数量减少到3316，共减少175个。其次，部分用户对在线文章内容的阅读时间包含中途长时间离开（或睡眠）的时间且部分用户对在线文章内容的阅读时间为无意义的0（阅读时间为0与阅读的事实相悖），因此本研究对阅读时间也做了进一步的限制，保留了阅读时间在前95百分位数（约793秒）以内且大于0的访问记录数据。经过这一步筛选，观测值数量减少到2907，共减少209个。然后，如前所述，部分用户访问记录没有对应的阅读行为记录数据，因此有必要将这部分数据筛选出去。由于之前的两步数据筛选过程便已经将大部分没有阅读行为数据的观测值过滤出去，所以这一步筛选仅仅减少8个，共剩余2899个观测值。再者，由于技术相关问题，占比很小的部分观测值缺失访问渠道数据。剔除这部分观测值以后，观测值数量减少到2878，共减少21个。最后，为有效减少未知干扰（比如时区问题），本研究拟仅关注中国大陆地区微信用户对在线文章内容的访问与传递数据。将用户地域限定在中国大陆后，观测值减少54个，共剩余 2824个。

综上，对原始数据集的进一步处理后，最终得到一个共计2824个观测值的数据集。

2.5 变量与描述性统计

本研究旨在基于自主构建的研究平台记录的数据从在线内容上下文及用户与在线内容交互两个方面，探求各指标对在线文章内容在熟人社交网络平台（微信）传播的影响及效度。对应于用户视角模型1，本研究采用用户对在线文章内容进行阅读后是否进行转发分享（share）作为在线文章内容在微信上传播性的衡量指标因变量，建立模型验证在线内容上下文及用户与在线内容交互两方面因素对用户是否分享产生的影响。在线内容上下文方面，主要包括在线文章内容来源相关的上一层用户的子用户数（parent_children_count）变量、用户与上一层用户之间的地理位置差异相关变量以及在线文章内容传递渠道相关变量;用户与在线内容交互两方面，则包括用户阅读时间、阅读比例及其他阅读行为相关变量。为了使研究模型更加可靠，本研究也引入了诸如用户访问时间延迟、用户访问时间段等控制变量。对应于分享用户视角的模型2，本研究采用用户的子用户分享数（children_share_count）为在线内容在微信上传播性的衡量指标因变量建立了第2个模型。以上提及的两个模型的因变量、回归变量及控制变量的所有变量如表1所示。

值得注意的是，受限于微信提供的数据接口，用户对在线内容的访问渠道数据一共分三种，分别为单点消息渠道（visit_channel_singlemessage）、群組消息渠道（visit_channel_groupmessage），以及朋友圈状态渠道，但用户对在线内容的分享渠道仅包含两种，分别为好友消息渠道（visit_channel_appmessage）及朋友圈状态渠道。其中，分享渠道中的好友消息渠道对应访问渠道中的单点消息渠道及群组消息渠道。

以上变量的描述性统计结果如表2所示。

为了解以上列举的各变量之间的相关关系，本研究计算了各变量之间的相关系数矩阵。通过相关系数矩阵可知，各变量之间的相关系数大都在合理的范围之内，仅有少数虚拟变量与其他变量之间的相关系数较高。为了确定各变量之间是否存在多重共线性问题，本研究也检验了各因变量之间的方差膨胀因子。结果表明，模型1中最大VIF值仅为4.47且VIF均值小于2，模型2中最大VIF值也仅为1.64且均值仅为1.24，而一般以系数低于5或10作为判断变量间不存在共线性问题的标准，因此可以认为本研究中两个模型的自变量之间不存在多重共线性问题。

3.5 稳健性检验

本研究中，对在线内容上下文方面来源用户的好友规模对在线内容的传递采用了两个不同的模型从不同角度进行验证，因此可以认为该结果具备稳健性。

同时，虽然本研究中建立的两个模型分别为logit模型及零膨胀泊松模型，但是作为稳健性检验模型，也对应建立了probit模型及零膨胀负二项模型，且前后两组模型结果一致。因此，有理由认为本研究结果稳健。

4 结论

采用在线观察实验方法，基于自主设计及研发的研究平台收集到的数据，本研究主要从在线内容上下文及用户与在线内容交互两个方面对在线内容在熟人社交网络平台上传播的影响指标及效度进行了探讨。本研究一共提出了8个原假设，然后从在线内容访问者和分享者两个角度建立了两个实证模型进行求解检验，所有假设中仅有1个假设被拒绝。概括来说，本研究得到以下结论：

在熟人社交网络平台上，中等好友数量规模的用户转发分享的在线文章内容最可能被其好友再次转发分享。且当用户的子用户数约为60的时候，其子用户对其转发分享的内容再次转发的概率最高;当用户的子用户数约为80的时候，其子用户对其转发的在线内容的再次转发分享数最多。基于此结论，相关机构在熟人社交网络平台上进行商业推广或政策宣传时，可以选择邀请具有中度好友数量规模的名人用户帮助转发分享而不一定需要花费更高额的投入邀请拥有大量好友的名人帮助转发分享。另外，在线内容上下文方面，本研究也发现通过单点消息渠道传递的在线内容更可能被接收用户再次转发分享。

用户与在线内容交互方面，本研究发现用户对在线文章内容的阅读时间越长则越可能转发分享该在线文章内容;随着用户阅读在线文章内容比例的增加，其转发分享的概率呈现出先减后增的趋势，且当用户仅阅读到约文章一半（50%～60%）的时候，其分享概率最低;用户阅读在线文章内容时的回顾次数越多，则其转发分享的概率也越高。据此，相关机构在做在线文章内容设计的时候，可以考虑适当增加容易引起用户时间投入的元素、考虑在内容的中间部分适当添加诱导用户继续阅读的元素（比如留下悬念或者提示后文有惊喜等），以及考虑适当增加前后内容的关联性使得用户有更大兴趣对前后的相关内容进行回顾。

此外，用户与在线内容交互方面，用户阅读到在线文章内容的第二部分与最后一部分都对其转发分享的概率具有显著的负面影响。鉴于文章第一部分及最后一部分对于用户分享率的显著影响，相关机构在设计在线内容的时候可以考虑在文章开头及结尾部分增加更多能激发用户转发分享的元素。

最后，本研究从是否同省、距离以及省份人均GDP的角度拒绝了在线内容分享者与接收者之间地理位置差异与接收用户对在线文章内容转发概率的关系。同时，由统计结果可知，虽然社交网络平台打破了信息流转的地理距离壁垒，然而信息的流转依然大部分发生同省（用户与上一层用户是否同省的均值为0.68，即同省信息流转占比约68%）。因此，为了最大化地域覆盖，相关机构对于诸如品牌推广、商品推广等在线内容在熟人社交网络平台投放时，可以考虑从更多地域寻找名人用户转发分享。

参考文献：

[1] ARAUJO T， NEIJENS P， VLIEGENTHART R. What motivates consumers to re-tweet brand content： The impact of information， emotion， and traceability on pass-along behavior[J]. Journal of Advertising Research， 2015， 55（3）： 284-295.

[2] BERGER J， MILKMAN K L. What makes online content ciral？[J]. Journal of Marketing Research， 2012， 49（2）： 192-205.

[3] DOBELE A， LINDGREEN A， BEVERLAND M， et al. Why pass on viral messages？ Because they connect emotionally[J]. Business Horizons， 2007， 50（4）， 291-304.

[4] HO J Y C， DEMPSEY M. Viral marketing： Motivations to forward online content[J]. Journal of Business Research， 2010， 63（9/10）： 1000-1006.

[5] JURVETSON S. What exactly is viral marketing. Red Herring， 2000（78）： 110-112. Retrieved from http：//sites.google.com/site/kehowells/viral-marketing.pdf

[6] KNOSSENBURG Y， NOGUEIRA R， CHIMENTI P. Contagious content： Viral video ads identification of content characteristics that help online video advertisements go viral[J]. Revista Brasileira de Marketing， 2016， 15（4）： 448-458.

[7] LOVETT M J， PERES R， SHACHAR R. On brands and word of mouth[J]. Journal of marketing research， 2013， 50（4）： 427-444.

[8] RENARD D， DARPY D. What makes online promotional games go viral？： Comparing the impact of player skills versus incentive rewards on game recommendation[J]. Journal of Advertising Research， 2017， 57（2）： 173-181.

[9] YUKI T. What makes brands′ social content shareable on facebook？[J]. Journal of Advertising Research， 2015， 55（4）： 458-470.

[10] 梁俏，羅继锋，吴志艳. 在线医疗中医生努力与声誉对新增患者数的影响研究[J].中国卫生政策研究，2017，10（10）：63-71.

[11] 武文颖，李丹珉，洪晓楠.学术期刊微信推送文章传播效果影响因素研究[J].中国科技期刊研究，2017，28（4）：326-331.

[12] 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.

[13] 张夕汉.如何刷爆朋友圈？——微信公众号文章标题编辑研究[J].现代经济信息，2016（23）：401-402.

[14] 陈成.微信公众号文章的传播方式与效果研究[J].新闻研究导刊，2016， 7（20）：285.

[15] 方婧，陆伟.微信公众号信息传播热度的影响因素实证研究[J].情报杂志，2016，35（2）：157-162.

[16] 国家统计局城市社会经济调查司.中国城市统计年鉴2016[M]. 北京： 中国统计出版社， 2015.

[17] 腾讯企鹅智酷.2017用户&生态研究报告[R]. 2017.

[18] 微信.2017微信数据报告[R]. 2017.

[19] 腾讯.腾讯2017年Q3财报[R]. 2017.

[20] 北京天特信科技有限公司.全球 IPv4 地址归属地数据库[Z]. 2017.