“粤天气”品牌微博舆情信息传播的影响因素

许艾米，杨颖璨，黄俊生，曹梅

（广东省气象公共服务中心，广东广州 510640）

根据中国互联网络信息中心（CNNIC）发布的第45次《中国互联网络发展状况统计报告》，截至2020年3月，我国网民规模9.04亿，普及率64.5%，其中微博网民使用率达42.5%［1］。作为中国最有影响力的社交媒体平台，微博在媒体融合及政务服务方面表现亮眼，它凭借自身用户基数大、信息传播快、互动能力强等特点，成为网络舆情传播的主要力量［2］。在微博平台中，普通用户、意见领袖、媒体、政府机关等用户围绕某一话题，通过发布信息、传播信息、评论信息等方式迅速产生聚集效应，促使更多用户的意见、看法合流，从而引发舆情事件［3］，其中跟气象灾害或气象部门相关的称为“气象微博舆情”，如“北京暴雨”“台风天鸽”“@青岛气象”和“@青岛发布”互撕事件，如果不及时引导和管控会造成负面影响，不利于气象服务的开展及气象部门的正面形象。

广东省气象微博起步较早，粉丝基数和影响力排在全国气象政务微博前列［4-5］。广东气象灾害种类多、强度大，每当台风、暴雨等重大气象灾害来临时，以微博为代表的社交网络平台已成为气象信息传播的主要窗口，公众和媒体关注度高，给气象舆情管理工作带来极大挑战。因此研究气象微博舆情信息传播特点，探究影响其传播效果的因素，能够为气象部门舆情管理和气象服务工作提供科学有效的参考。

1 资料与方法

1.1 数据来源

对2020年“粤天气”品牌微博进行舆情监控，综合考虑关注度和社会影响，选取“粤天气”品牌微博中粉丝数百万级以上的“广东天气”“广州天气”“深圳天气”为研究对象，爬取2020年度关注度高和影响力大的15个气象舆情案例期间发布的微博数据，包括发布时间、正文文本、评论数、转发数、发布平台等，并将采集到的原始数据进行初步筛选，剔除零转发或评论量、与案例主题无关微博，得到有效数据共1 192条。

1.2 指标分类与数据处理

1）指标分类。

传播效果是指传播对人的行为产生的有效结果，评论量和转发量是受众对微博的阅读情况和有效互动情况的直接反映，其数量越多则说明该微博的受关注程度越高，覆盖范围越广，传播效果越好。因此本研究将转发量和评论量作为气象微博舆情信息传播效果的衡量指标［6-7］。

基于气象微博运营特点，将影响微博舆情信息传播的自变量划分为内容特征和文本特征两个方面。内容特征是指与微博内容质量相关的指标，包括气象微博舆情信息类型、表达方式、原创性；文本特征包括文本字数、图片数量、博文类型、是否带链接、@/via符号、话题等这些与微博内容相关的外在因素指标。其中气象微博舆情信息类型分为气象灾害类、辟谣信息类、突发天气事件、重大气象活动和其他社会安全（或公共卫生）事件5大类；表达方式分为专业型和非专业型2类；博文类型分为视频类及图文、文章、纯文本等非视频类。

2）数据处理。

（1）连续变量处理。

微博舆情数据中，转发数、评论数、文本字数、图片数量为连续变量，通过统计数值直接得到，需先将不同变量数据转换到相同量级上，实现标准化，采取方法如下：分别求出各变量总体数据的均值μ和标准差σ，代入z-score标准化转换公式：

其中，z为标准化后的变量值；x为实际变量值。

（2）分类变量处理。

气象微博舆情信息类型、表达方式、原创性等剩余变量均为无序分类变量，无法直接进行数据分析，需引入哑变量描述。哑变量是用以反映质的属性、人为量化虚设的变量，通常取值为0或1，引入哑变量可反映某个变量的不同属性类型对因变量的作用，使结果更具实际意义。各无序分类变量编码如下：

①气象微博舆情信息类型，按照气象灾害类、辟谣信息类、突发天气事件、重大气象活动、其他社会安全（或公共卫生）事件，从1到5依次编码。表达方式中专业型编码为1，反之为0；博文类型中视频类编码为1，反之为0。是否为原创、是否有链接、是否有@/via符号、是否带话题根据是否含有该类特征分来划分，具有该特征，编码为1，反之则编码为0。

②发布时间编码。根据中国电子商务研究中心提供的网民上网时间分布报告［8］，一天中10：00—11：00（北京时，下同）、15：00—17：00、20：00—22：00为中国互联网网民上网高峰期，编码为1，其余时段为非上网高峰期，编码为0。

③发布平台编码。“广东天气”为省级平台编码为1，“深圳天气”和“广州天气”归为非省级平台编码为0。

1.3 研究方法

采用逐步回归分析方法［9-10］研究“粤天气”品牌微博舆情信息传播效果影响因素，将变量逐个引入模型，每引入一个解释变量后都要进行F检验，并对已经选入的解释变量逐个进行t检验，当原来引入的解释变量由于后面解释变量的引入变得不再显著时，则将其删除，如此反复，直到既没有显著的解释变量选入回归方程，也没有不显著的解释变量从回归方程中剔除为止，最终建立“最优”回归方程。

2 结果与分析

2.1 转发模型

运用SPSS软件对转发模型进行逐步回归，得到5种模型结果，选取拟合度最优（R2=0.53，通过了F检验）的模型数据作为最终结果，该模型剔除了气象灾害类、突发天气事件、辟谣信息、公共卫生事件、专业型、原创性、文本字数、是否带话题、发布时间和发布平台等变量，筛选出重大气象活动、有@或via、有链接、视频、图片数量共5个具有显著影响的变量。回归结果如表1所示。

表1 转发模型回归结果

转发模型结果表明：（1）内容特征中只有重大气象活动类与转发量显著正相关。这是因为重大气象活动期间，气象部门充分运用转发抽奖等形式来增强公众参与积极性，活动相关微博通常传播量较为可观。（2）文本特征中图片数量、是否有链接、是否有@/via符号与转发量正相关。对于公众来说，气象信息往往较为专业、复杂，图文并茂，可视化效果强，更具吸引力和可读性，还能起到补充说明作用；@/via符号以及链接可实现气象部门和相关职能部门、新闻媒体间的联合效应，尤其通过@特定意见领袖［11］，一方面可以提升自身在社会网络的节点重要性，另一方面也能提高关键信息的传播效果。因此发博时应优化文本形式，多带图片、链接和通过@加强互动。（3）文本特征中视频类与转发量呈负相关。由于样本选取时段内（2020年），广东气象新媒体短视频业务才刚起步，普遍量少质低，并不能引起很好的正反馈和正向传播效果。但短视频时代不能因暂时性“差评”而放弃主流信息传播渠道和市场，未来需加强短视频的内容生产模式和内容优化研究，产出更吸引公众、更适应于新媒体渠道传播的优质内容。（4）从标准系数可知，对转发量影响最大的自变量为有链接的信息（0.197），其后依次为重大气象活动类信息（0.156）和视频类信息（-0.114）。

2.2 评论模型

同样运用SPSS软件对评论模型进行逐步回归，得到6种结果，最终选取拟合优度最高的模型（R2=0.23，通过了F检验）。该模型筛选出气象灾害类、公共卫生事件、原创性、文本字数、带话题共5个具有显著影响的变量，其余变量均被剔除，得到回归结果如表2所示。

表2 评论模型回归结果

评论模型结果表明：（1）内容特征中气象灾害类信息与评论量呈现正相关关系。当气象灾害影响时，社会关注度会拉高，微博上能得到直观、迅速体现；再结合转发模型中重大气象活动类信息的表现得出，气象微博应以气象灾害影响、重大气象活动为契机，充分发挥职能和专业优势，加强相关信息的内容策划、节奏把控和产品发布，从而提高“粤天气”品牌传播力和影响力。（2）公共卫生事件类信息与评论量呈现负相关关系。原因解释为公众认为该类信息与气象职能不吻合，更取信来源于卫健委等职能部门信息，气象微博发布可能会被认为蹭热度行为，造成反效果。因此应尽量减少发布与天气无关内容，或将其他信息与天气融合，才能有助于激起公众传播行为。（3）原创性与评论量正相关。原创微博为气象部门直接信息的表达，具有权威、真实、可靠性，更能获取公众认可和评论，因此在服务时应多发原创微博。（4）文本特征中文本字数与评论量呈现负相关。这是因为字数越多，公众需耗费更多阅读时间，易造成阅读疲惫感、降低阅读兴趣，不利于吸引更多用户评论，但也不能过于简短草率，应精炼语言，以尽量少的字数直击最核心问题，如关键信息过多实在无法精简，可采取有节奏分次发布，且每条有侧重。（5）是否带话题与评论量显著正相关。微博话题功能起到引流作用，可增加博文曝光度。特别当重大天气过程影响期间，按照气象灾害标准化服务流程主动设置统一话题、全省联动，结合话题强化服务节奏，将有助于掌握信息传播主动权，引导公众和社会媒体积极响应，提高“粤天气”品牌影响力。（6）从标准系数可知，公共卫生事件对评论量影响最大，标准系数达到-0.244。其次是原创性（0.198）和气象灾害类（0.163）。

另外，转发模型和评论模型的部分结果差异说明微博评论和转发是两种不同的信息传播机制，转发行为体现信息的可达性，而评论则是了解受众对于信息真实看法的重要渠道，研究传播效果时两种行为都应予以考虑。

影响转发量的正相关因素有重大气象活动类、图片数量、链接、@/via符号，负相关因素有视频，带链接的信息对转发量影响最大，其次为重大气象活动类和视频类信息；影响评论量的正相关因素有气象灾害类、原创性、带话题，负相关因素有公共卫生事件类、文本字数，其中公共卫生事件类信息对评论量影响最大，其次是原创性和气象灾害类信息。建议从增强天气相关信息内容策划和原创发布、优化文本（如多带图片/链接/话题、运用@互动、精简字数、优化视频）等方面来提升气象微博舆情信息的传播和服务效果。受样本限制，本研究存在诸多不足：一是样本案例选取时段为一年内，还需扩大时间维度；二是影响因素没有考虑用户特征；三是分别选取转发和评论量来衡量传播效果，但点赞数同样能增强传播的有效性。这3种指标如何融合量化传播效果，而不是分别单独建模，今后还需进行更深入的研究。