原生广告转发量的影响因素研究——基于信息源特质和分享奖励视角

一、引 言

随着Web2.0互联网技术的不断发展，以微博、博客、视频网站等为代表的社会化媒体拥有着越来越强的影响力，各种创造性的活动也层出不穷

。近年来，哔哩哔哩弹幕网(简称B站)、新浪微博等社会化媒体平台上出现了大量“抽锦鲤”引发的信息病毒式传播现象。其中“抽锦鲤”是指由具有一定影响力的平台用户发起，其他用户通过转发该动态即可参与并有概率成为“幸运锦鲤”(获得奖品)的活动。由于奖品对受众的刺激，这种“抽锦鲤”的方式能够实现信息的快速广泛传播。许多商家发现其中的营销机遇，并通过赞助的方式委托社会化媒体影响者在其发布的用户生成内容中插入赞助内容(Sponsored Content)进行营销。例如，Realme真我手机在新产品发布时，经常通过赞助B站内的影响者发起“抽锦鲤”活动对新产品发布会进行宣传，并提供新款手机作为奖品，从而吸引人们关注该产品。这种营销方式与传统广告明星代言相比有许多优势：对于厂商来说，相较于传统广告明星代言，产品或品牌由用户关注并喜爱的影响者背书，成本较低，也可大大降低受众的抵触情绪和不信任感;对于影响者来说，除厂商给予的利益外，由于可为自己的粉丝带来一定“福利”，自己的影响力也可获得一定提升;对于普通用户来说，影响者为了维护其声誉，会慎重选择可靠的产品进行背书，因此其推荐的产品具有较强的参考性,另外，普通用户也有参与并获奖的可能。可以说，这种由厂商赞助的“抽锦鲤”活动实现了三方共赢的结果，因此对其进行研究有着较强的实践意义。

一般来说，包含赞助内容的转发抽奖动态都可归属为或明或暗的原生广告。现有原生广告对消费者影响的研究基本可划分为基于发布广告的社会化媒体影响者和基于广告本身两个视角：基于发布广告的社会化媒体影响者的研究主要为信息源特质对消费者的影响

；基于广告本身的研究较为多样化，如赞助内容披露

和广告语境融入

等，但目前缺乏针对包含分享奖励的原生广告对消费者影响的相关研究。转发是社会化媒体中原生广告传播的重要途径,社会化媒体平台允许用户发布文字来分享信息，当信息的接收者认为信息值得分享时，可以选择点击“分享”“转发”等选项将信息再次分享给他人

。已有研究表明，信息源特质是影响转发行为的重要因素

；也有学者发现，物质奖励显著影响社区用户的转发意愿

。但目前缺乏统筹考虑信息源特质和分享奖励对包含抽奖的原生广告转发行为影响的相关研究。

鉴于B站或微博等社会化媒体平台推出的“抽锦鲤”等转发抽奖活动同时包含了信息源特质和分享奖励，现有研究难以很好地对其进行解释，因此提出以下问题：第一，信息源特质和分享奖励如何影响转发量？第二，信息源特质和分享奖励是否存在影响转发量的交互作用？根据2020年底QuestMobile发布的数据显示，B站已经成为Z世代(特指1990—2009年出生的人)用户活跃渗透率最高的在线社会化视频App。因此，本文在已有文献的基础上，选择B站内影响者发起的转发抽奖活动为研究对象，针对上述问题进行探讨。

二、理论基础与研究假设

(一)信号理论与原生广告

信号理论(Signaling Theory)为理解如何减少双方之间的信息不对称提供了一个基本框架

，Kirmani和Rao(2000)的研究发现，消费者经常利用可观察的信号获取信息，进而影响消费者的决策

。近年来，信号理论被广泛应用于电子商务

、知识市场

等领域，为解释信号对消费者的影响提供了基本架构。原生广告指任何通过数字媒体传播的、给予发布者一定报酬的广告，并且这些广告往往被整合到发布者编辑的内容中，具有一定的隐蔽性

。研究表明，原生广告越来越受到品牌的欢迎，品牌在原生广告中投入的预算也不断增长

。

作为重要的媒体信号，原生广告及其发布者对受众具有重要影响：研究表明，如果接收者认为信号是可信或有益的，就会接受并处理该信号，进而影响个体行为

。值得注意的是，并非所有信号都有效，有效的信号有两个特征：信号可观察性和信号成本

。信号可观察性指信号的接收者有多大的可能性注意到信号；信号成本则是发送信号需要付出的代价。一般而言，低成本的发送者比高成本的发送者更有利

。现有原生广告的研究多基于广告披露

、广告措辞

和信息源特质

等视角，缺乏对包含分享奖励原生广告的相关研究。同时现有针对分享奖励的研究多基于“拼团”“集赞”等具有一定社会成本、需要他人配合的活动

，缺乏对转发抽奖这种几乎不需要社会成本活动的研究。

根据信号理论，信息源特质和分享奖励都是影响信号有效性的重要因素

。其中，信息源特质主要影响信号的可观察性，分享奖励则对信号成本有着重要影响。因此，本文参考已有研究

，以信息源特质和广告分享奖励为自变量，探索其对转发量的影响，其中信息源特质包含信息源影响力和信息源活跃度。具体来说：王晰巍等(2021)认为受众认可度是影响力的重要组成部分

，而影响者生成内容的获赞数和点击量都反映了影响者创作内容的受众认可度，同时林晶和王世强(2019)将粉丝数视为衡量影响力的指标之一

，因此本文基于视频分享网站的研究情境，以影响者的视频获赞数、播放量以及粉丝数作为影响力的衡量指标；参照廖琳和黄涛(2020)的研究，以影响者发布的视频数量作为活跃度的衡量指标

；参照魏尉等(2020)的研究，以奖品总价值来衡量分享奖励

。因此，本文将统筹考虑信息源特质与广告分享奖励，探究这两类因素及其内部的交互作用对营销效果的影响，进而构建原生广告情境下信息源特质与分享奖励的理论框架，拓展原生广告领域的进一步研究。

因变量为抽奖原生广告的转发量。由于本文采集的B站动态栏目内互动抽奖的必要条件均包括转发该动态(广告)，同时转发可使得更多人看到为赞助商进行宣传的原生广告，这也是赞助商想要实现的营销目标。因此，本文以转发量作为衡量原生广告营销效果的指标。

(二)影响力对转发量的影响

在B站，用户凭借自己的影响力来影响其他人，而粉丝数、视频播放量和获赞数是影响力的重要体现

。Ge和Gretzel(2018)的研究发现，在社会化媒体情境下，影响者90%的影响力来自其创作的内容

。视频获赞数和播放量反映了影响者创作内容的质量，而高质量的内容源自影响者高超的专业技能。Ohanian(1991)的研究发现，高超的专业技能是提升社会化媒体影响者吸引力的重要因素

。因此，视频获赞数和播放量越多，越有利于提升影响者的吸引力。刘凤军等(2020)的研究表明，社会化媒体影响者的吸引力可显著提升用户对背书产品的感知价值

。因此，本文认为视频获赞数和播放量代表的吸引力可以有效提升用户感知到背书产品或品牌对自己或他人的价值。研究表明，利己和利他都是驱动人们主动分享在线内容的动机

。因此，本文认为视频获赞数和播放量能够推动用户对原生广告进行转发。粉丝数即关注影响者的人数，也是反映影响者影响力的重要指标之一

。由于B站互动抽奖位于动态区，因此影响者在发布原生广告后会以动态的形式推送给自己的粉丝，这有效提高了信号的可观察性，进而提升了信号的有效性，也就会有更多的参与者

。同时，粉丝数意味着喜欢并认同该影响者的人数，根据社会认同理论，粉丝相较于其他用户更愿意参与社会化媒体影响者发起的活动

。据此，提出以下假设：

如果说，40年的大改革，成功使中国从高度集中的计划经济体制转向充满活力的社会主义市场经济体制；那么，40年的大开放，则使中国实现从封闭半封闭到全方位开放的成功跨越——

为进一步反映和分析活跃度调节作用的形态趋势，本文进行了简单斜率检验。在对活跃度进行高、低分组(以M±1个SD为标准)的基础上，绘制了活跃度对影响力的调节效应示意图，如图2所示。简单斜率检验的结果显示，在活跃度较低的情况下，影响力对转发量的影响显著(β=0.164,t=5.824,p=0.000)；在活跃度较高的情况下，影响力对转发量的影响显著性降低(β=0.053,t=2.185,p=0.030),同时斜率降低，证明了影响力对转发量的正向影响会随着活跃度的增加而减弱。同时，也绘制了活跃度对分享奖励的调节效应示意图，如图3所示。简单斜率检验的结果显示，在活跃度较低的情况下，分享奖励对转发量的影响不显著(β=0.107,t=1.564,p=0.120)；在活跃度较高的情况下，分享奖励对转发量的影响显著(β=0.395,t=4.565,p=0.000),同时斜率增大，证明了影响力对转发量的正向影响会随着活跃度的增加而增强。

活跃度越高代表着影响者付出更多的努力、创作更多的作品，进而为用户带来满足感和对影响者的认同感。这种满足感和认同感可视为一种内在激励，即出于对影响者个人和作品的认同以及自己需求的满足，用户可能会产生回馈影响者的意愿

，物质奖励虽然能刺激受众的转发意愿，但是也会给受众带来外部压力，削弱分享者的自主感

。参与影响者组织的活动是回馈影响者的重要方式，这种回馈意愿出于自愿报答影响者的心理，是一种高自主性行为。用户通过参与活动能够实现回馈影响者的意愿，可以有效减轻自主感的削弱，进而通过较高的自我效能感强化分享奖励对转发量的正向影响

。苏鹭燕等(2019)的研究表明，较高的认同感会带来较高的信任程度

。本文认为，对影响者的认同感可以有效提升对影响者的信任程度，这会在一定程度上降低消费者对于活动真实性的疑虑，即降低风险感知。朱鹏等(2019)的研究表明，高风险感知会抑制用户的分享行为

。据此，提出以下假设：

(三)活跃度对转发量的影响

H2：信息源活跃度正向影响原生广告的转发量。

活跃度是指信息源能够塑造一个有能力、有精力或吸引力形象的程度

。本研究将活跃度定义为平台用户感知到的影响者创作的活跃程度。B站是具有强大影响力的视频分享网站，网站内社会化媒体影响者创作视频的数量是决定其被认同程度的重要因素

。发布的视频数越多，证明该影响者越活跃，也意味着粉丝可以观看更多自己喜欢和关注影响者的用户生成内容，进而会产生较强的满足感和认同感。根据社会认同理论，个体在对某个群体产生社会认同后，会对该群体产生积极的评价

。黄金华等(2016)的研究发现，对企业微博的认同可以有效提升消费者对该企业产品的推荐意愿

。因此，本文认为对影响者的认同可以有效提升受众对影响者背书产品的推荐意愿。廖琳和黄涛(2020)的研究也表明，社会化媒体影响者的活跃度对其发布内容转发可能性具有正向影响

。同时，活跃度越高意味着信息源在受众心目中的能力越强

。能力代表实施意图的有效程度

，也代表着受众对信息源的信任程度

。因此，高活跃度的影响者可通过受众对其较强的能力感知产生高信任感。研究表明，消费者更容易接受可信或有益的信号

。因此，较高的信任感意味着受众只需要相对较低的收益感知便会采纳该信号，这在一定程度上降低了信号成本

。Shen和Chen(2015)的研究也表明，信任对虚拟社区中成员的转发意愿具有正向影响

。据此，提出以下假设：

(四)分享奖励对转发量的影响

在B站，分享主要以转发的形式进行。在本文中，分享奖励指用户参与转发原生广告可能获得的物质奖励。Wolf等(2011)的研究表明，物质奖励带来的获益感知对社区分享行为起到促进作用

。在本文中，感知价值指用户感知到的抽奖原生广告能为用户自身带来的价值，已有研究表明，感知价值可以带来社会认同感，有利于用户产生积极的态度

。根据使用—满足理论，感知价值包括信息价值、社交价值、娱乐价值和金钱价值

。在B站影响者发布的抽奖原生广告中，物质奖励以奖品总价值来衡量，其中奖品总价值是指在一则抽奖原生广告中所有奖品的价值总和。奖品总价值越高，消费者感知到的金钱价值也就越高。廖俊云等(2019)的研究表明，较高的感知价值能够提高虚拟社区用户的互动参与意愿

。社会交易理论认为，消费者是否愿意参与转发取决于该决策带来的感知收益和感知风险

。因此，分享奖励额度越大，感知收益就越大，进而有利于受众决定是否参与转发。根据信号理论，分享奖励额度越大，越有利于强化受众的获益感知，进而提升受众对信号的采纳意愿

。据此，提出以下假设：

酿醋常用的原料中谷类有糯米、玉米、麸皮、高粱等；薯类原料有甘薯、木薯、马铃薯等；近些年研究比较多的，用富含碳水化合物的蔬菜、水果酿醋，如苹果、柑橘、香蕉、梨、枣、葡萄、李子、猕猴桃、番茄、海带等；富含糖分的甘蔗糖蜜、甜菜糖蜜、蜂蜜等也适用于食醋酿造；也可将食用酒精、啤酒、白酒、果酒用于食醋固态发酵，可简化生产工序，缩短生产周期，提高劳动效率[12]。

H3：分享奖励正向影响原生广告的转发量。

后来我上车后转身往车尾跨步的瞬间，眼角就启动搜寻功能。一旦瞄到她，我会不自觉修正步幅大小，以便能够完美地抵达她面前。我甚至怀疑我是否还保有刚好走四步的习惯。于是在自主意识的帮助下，我总是能刚好站在她面前。合不合理、合不合逻辑、是否命中注定、是否特别有缘都不是重点，重点是我会站在她面前、我想站在她面前、我要站在她面前。

天然无句是推敲，诗到江门品绝高。几处风花真有此，古来周邵本人豪。冥心水月谁堪会，盥手山泉我自抄。读到乌啼春在处，江山垂老觉神交。

(五)活跃度与影响力的交互作用对转发量的影响

表3为分析结果，模型一只有控制变量，模型二加入了自变量对因变量的影响，模型三加入了活跃度与影响力和活跃度与分享奖励的交乘项。

H4：活跃度在影响力与原生广告转发量之间起到调节作用，即当活跃度较高时，影响力对原生广告转发量的正向影响会减弱。

(六)活跃度与分享奖励的交互作用对转发量的影响

为了更好推动未来工程造价信息化建设，还需要能够在整个行业内表现出较强的统一性和标准化效果，尤其是能够较好实现对于企业之间或者是工程内部各个部门之间的信息资源共享，这也就需要进行工程造价信息化管理的标准化体系建设。这种标准化管理体系的建设需要自上而下进行构建，能够在行业内形成统一、权威和规范的体系，为后续造价管理工作提供较强的参考和指导，尽量避免在后续可能形成的明显问题和隐患缺陷。工程造价信息化管理标准体系建设还应该体现出较强的分层次和分阶段效果，能够针对工程造价中的所有数据类型以及数据接口进行统一，保障工程造价信息化管理标准体系得到更好贯彻落实。

通过上述节约里程法一系列的计算与规划，现只需使用1辆车型I与两辆车型II使用人次3次，总车程也将减少21.9KM，这将大大节约我们的成本，也解决了无序性问题和车辆搭配的问题。

H5：活跃度在分享奖励与原生广告转发量之间起到调节作用，即当活跃度较高时，分享奖励对原生广告转发量的正向影响会加强。

综上所述，本文的研究模型如图1所示：

三、研究设计

(一)数据来源

本文使用网络爬虫技术，以B站2020年度和2019年度百大up主为对象，爬取了这些up主动态中2020年1月1日至12月31日之间进行的抽奖原生广告相关信息，并收集每位up主的粉丝数、获赞数和发布视频数等平台个人信息。选择2020年度和2019年度百大up主的原因如下：第一，百大up主均为B站内有着强大影响力的社会化媒体影响者，因此品牌和企业多选择他们进行合作，具有较强的代表性；第二，百大up主分布于B站各个栏目，面向不同类型的用户，因此得到的样本有较强的普适性；第三，由于网络环境的瞬息万变，许多有着强大影响力的社会化媒体影响者可能会由于一些原因在短时间内失去影响力，因此选择近两年评选出来的百大up主进行研究，确保他们在研究时间范围内具有较强的影响力。选择2020年作为数据采集时间的原因如下：第一，up主的粉丝数、获赞数等个人信息是随着时间不断变化的，因此选择距今较近的年份可有效降低这种变化带来的干扰；第二，奖品的价值会随着时间而变化，因此选择距数据采集时间较近的年份有利于降低这种干扰。研究团队于2021年1月15日爬取了所有数据，经过数据预处理，删除不包含原生广告的互动抽奖动态以及数据不完整或奖品价值难以估量的动态，共得到192个样本用于研究。数据的描述性分析统计如表1所示。

(二)变量测量

1.因变量

夏小春看着她，似乎明白了什么。两年过去了，温简也终于明白当初顾青为什么那么轻易地和她分手了。因为他不想拖累她，他对自己充满了怀疑，觉得自己给不了温简想要的幸福。那个时候，他弟正需要大把的钱，他借了很多的钱，包括夏小春的。那次温简见到夏小春和顾青在一起，其实是夏小春送钱来给顾青。

2.自变量

自变量分为信息源特质和分享奖励两大类。信息源特质包括信息源影响力和信息源活跃度，其中信息源影响力参照蔡舜等(2019)的研究，同时根据B站实际情况，以视频播放数、获赞数和粉丝数衡量，具体操作为将三者标准化后求和来衡量影响力

；信息源活跃度以发布视频数来衡量；分享奖励以发布原生广告中包含的奖品总价值来衡量。

3.控制变量

这样一份承诺书其实更像一封自我举报信，反映出了“承诺者”所在部门、单位存在的诸多问题，比如可能存在的各种办事潜规则，比如极为松弛的日常管理，比如消极应对承诺、整改的错误认识和不良作风。因此，当地有关部门在调查这一事件时，千万不能只盯着涉事科室负责人和承诺书的草拟者，而应该深入查一查是不是像网友们怀疑的“承诺=自曝”。只有这样，才能清除深层次问题，让这一奇葩承诺书成为绝响。

本文将关注数(影响者关注其他人的数量)、奖品数和活动已进行时间(以天数衡量，若采集数据时活动已经结束则以活动持续时间衡量)作为控制变量。理由如下：具有较强影响力的影响者很少关注其他用户，即使有少量关注用户，其关注的也多为联系较密切的影响者，因此，对其他用户的关注数在一定程度上反映了影响者的社交偏好，由于影响者之间有时会相互转发动态，加上有影响力的影响者有较多的粉丝，互相转发动态会使得更多的人看到该动态，可能会对结果产生影响；奖品数在一定程度上影响了中奖的概率，可能会影响用户参与转发的意愿；活动已进行时间(天数)会在一定程度上影响信号接收者的数量，进而可能会对转发量产生影响。由于年度百大up主的等级均为6级(B站中的最高等级)，且有部分是团队账号，因此不把等级和性别纳入控制变量。

四、实证结果分析

(一)相关性分析

变量间的相关性分析如表2所示。从相关性分析结果可以看出，假设H1、H2及H3得到了初步验证，且自变量间的皮尔逊相关系数最高值为0.213，远低于0.7。同时可以看出，控制变量中活动已进行时间与转发量显著相关，而关注数和奖品数与转发量并不显著相关。可能的原因是虽然影响者之间会选择互相关注，但不一定会选择帮助其他影响者转发广告信息；同时，选择转发带有分享奖励原生广告的用户在奖品价值的吸引下，也可能不会过多关注奖品数量对自己获奖概率的影响。

(二)假设检验

本文主要探究视频分享网站中信息源特质和原生广告分享奖励两类信号对用户转发决策的影响。针对这一过程中信息源特质和分享奖励对转发量的影响以及二者间交互作用产生的影响，采用层次回归法构建回归模型。根据Aiken和West(1991)的建议，在生成交互项之前，先将自变量和调节变量进行中心化处理，然后再形成交互项纳入模型

。根据本文提出的研究假说，建立如下三个研究模型：

=

+

+

+

_

+

=

+

+

+

_

+

+

+

+

=

+

+

+

_

+

+

+

+

×

+

×

+

在利用振动在线监测诊断系统监测大型透平压缩机组的过程中，分析发现涡流位移传感器的轴向动态振动信号是一个很有用的信号。通过一个实例介绍利用这个信号监测转子轴向振动数据来诊断转子主轴裂纹开裂的方法。

影响力和活跃度都是影响平台用户决策的重要因素

。越高的活跃度可以为用户带来越强的满足感和认同感，进而提升用户的转发意愿。但越高的活跃度也意味着越多内容出现在影响者的动态中，即每一条动态都有更大概率被忽略，这会在一定程度上减弱影响力对转发量的正向影响——部分被影响者影响力覆盖的平台用户可能无法发现该信号(动态)，降低了信号的可观察性，进而会导致更少的转发参与者

。具体来说：当活跃度较低时，被影响力辐射到的用户有较高的可能性发现影响者发布的原生广告，也就可以越好地发挥影响力对转发量的正向作用；当活跃度较高时，虽然活跃度本身对转发量带来的正向影响增强，但也会导致用户有较低的可能性发现影响者发布的原生广告，这会在一定程度上抑制影响力对转发量的正向作用。同时，为了降低承接广告可能带来的粉丝反感等负面影响，影响者一般会在承接广告的前后一段时期内保证作品的创作和上传，因此这一时期的活跃度不会发生显著变化。即在发布广告的前后一段时期内，一般不存在影响者有意降低活跃度使得广告(信号)可见性临时上升的情况。据此，提出以下假设：

H1：信息源影响力正向影响原生广告的转发量。

通过数据分析可知，模型一调整后R

为0.356。加入自变量后，模型二的调整后R

增加到0.517，说明自变量对因变量起到了重要的解释作用。信息源影响力对转发量的回归系数显著为正，H1成立；信息源活跃度对转发量的回归系数显著为正，H2成立；分享奖励对转发量的回归系数显著为正，H3成立。模型三的调整后R

增加到0.545，说明模型的解释力进一步增强。模型三加入活跃度与影响力以及活跃度与分享奖励的交互项，前者显著为负，后者显著为正，H4和H5成立。同时，本文通过检验方差膨胀因子(VIF)来确认研究中是否存在多重共线性的问题，根据检验结果，VIF值最高为2.425，远低于经验值10，说明本研究不存在严重的多重共线性问题。

由于形势发展、环境变化等因素客观长期存在，而且不断变化，导致施工企业生产经营任务更加繁重，外部市场环境更加复杂，各种腐朽思想的侵蚀渗透更加多样，干部职工面对着更多诱惑和考验，导致社会市场项目管理客观上存在较多的问题。

(三)稳健性分析

1.影响力对分享奖励的影响

本文引入影响力与分享奖励的交乘项，探究影响力对分享奖励效果的影响，结果如表4所示。可以看出，影响力与分享奖励的交乘项不显著，即二者没有明显的交互作用，进一步验证了研究结论的稳健性。

2.增加拥有中小影响力的影响者样本

上文验证了以2019年度和2020年度百大up主为样本的相关假设。鉴于部分拥有中小影响力的影响者也有承接抽奖原生广告的行为，因此研究团队爬取了2021年1月1日至7月20日B站内所有的抽奖原生广告样本，并通过筛选和清洗得到up主粉丝数在50万以下的样本383个。通过上述已建立的三个模型进行假设验证，结果如表5所示。中小影响力up主样本的回归结果与百大up主样本的回归结果基本一致，表明结果稳健。

[编者按]瘦素是蛋白激素，在鱼类体内主要由肝合成分泌，参与机体调节摄食、代谢、生长、神经及造血细胞发育、免疫、繁殖等。关于瘦素的研究目前还处在起步阶段，亟待深入研究。本期我们特邀广西大学水产科学研究所许友卿教授以“瘦素对水生动物代谢、生长发育和繁殖的影响及机理”为题，介绍了瘦素对水生动物能量代谢、脂肪代谢、蛋白质代谢、核酸代谢及生长繁殖的影响及机理的探讨，供大家参考。

五、结论与启示

(一)研究结论

本文在社会化媒体影响者营销情境下，从信息源特质和分享奖励的角度出发，基于信号理论构建了信息源影响力、信息源活跃度和分享奖励对转发量影响的理论模型，分析了三者之间的交互效应，并得到以下结论：第一，信息源影响力、信息源活跃度和分享奖励显著正向影响转发量；第二，活跃度与影响力存在负向交互作用，即活跃度负向调节影响力对转发量的正向影响；第三，活跃度与分享奖励存在正向交互作用，即活跃度正向调节分享奖励对转发量的正向影响。同时，还通过稳健性检验证明了影响力与分享奖励不存在显著的交互作用。

(二)理论贡献

首先，本文首次从信号理论的视角探究了原生广告与分享奖励相结合情境下原生广告转发量的影响因素。以往研究大多聚焦于不包含分享奖励的原生广告对消费者的影响，缺乏将信息源特质与分享奖励结合起来的研究。本文弥补了这一不足，为原生广告和分享奖励领域的研究提供了新视角和新思路。其次，本文提出了信息源特质以及分享奖励对转发量影响的框架模型，通过将分享奖励应用至原生广告研究中，丰富了物质奖励领域与原生广告领域的交叉研究。最后，本文考虑了影响力、活跃度和分享奖励间的交互作用，弥补了信息源特质内部以及信息源特质与物质奖励之间交互作用研究的空白。

(三)管理启示

对于品牌和企业的管理者而言，需要选择合适的影响者进行原生广告的创作，同时可以配合分享奖励来增加广告辐射范围。具体来说：在影响者选择层面，影响者的高影响力和高活跃度是产生高转发量的核心要素，因此尽量选择粉丝数、视频获赞数和播放量多的社会化媒体影响者进行营销；在广告层面，高价值的分享奖励也是吸引用户的重要因素。同时，应注意影响者特质与分享奖励的交互作用：虽然影响者的影响力、活跃度与分享奖励都是越多越好，但应注意到活跃度高的影响者会抑制影响力对转发量的正向作用，同时活跃度高的影响者会促进分享奖励对转发量的正向作用。因此在成本有限的情况下，若采用低分享奖励的策略，与低影响力、高活跃度的影响者相比，选择高影响力、低活跃度的影响者可以取得更好的效果；若采用高分享奖励的策略，与高影响力、低活跃度的影响者相比，选择低影响力、高活跃度的影响者可以取得更好的效果。

(四)研究不足与展望

本研究也存在一些不足之处。为了降低不同时间奖品价值和影响者特质(粉丝数、获赞数和视频数)波动带来的干扰，选择了距数据采集最为接近的2020年和2021年的一部分作为时间范围，缺乏以往年份的数据，这使得研究难以进行时间序列分析，也就无法准确把握抽奖原生广告自出现以来的发展趋势。因此，未来可考虑通过长期收集数据来展开时间序列研究，以期得出更加深入的趋势性结论。同时，本文仅针对B站这一种社会化媒体平台内的样本进行研究，未来可考虑选择多种不同类型的社会化媒体平台的样本，以期得出更具稳健性和普适性的结论。

[1]邓乔茜, 王丞, 周志民. 社会化媒体营销研究述评[J]. 外国经济与管理, 2015, 37(1): 32-42.

[2]Boerman， Sophie. C., Willemsen, Lotte. M., Van Der Aa, Eva P. “This Post Is Sponsored”: Effects of Sponsorship Disclosure on Persuasion Knowledge and Electronic Word of Mouth in the Context of Facebook[J]. Journal of Interactive Marketing, 2017, 38(5): 82-92.

[3]Evans N. J., Wojdynski B. W., Hoy M. G., et al. How Sponsorship Transparency Mitigates Negative Effects of Advertising Recognition[J]. International Journal of Advertising, 2019, 38(3): 364-382.

[4]Campbell C., Evans N. J. The Role of a Companion Banner and Sponsorship Transparency in Recognizing and Evaluating Article-style Native Advertising[J]. Journal of Interactive Marketing, 2018, 43(8): 17-32.

[5]Shi Z., Rui H., Andrew B. W. Content Sharing in a Social Broadcasting Environment: Evidence From Twitter. [J]. Mis Quarterly, 2014, 38(1): 123.

[6]廖琳, 黄涛. 信源、信息内容、情绪特征对微博转发的影响探究[J]. 现代情报, 2020, 40(9): 42-52.

[7]赵琴琴, 张梦, 付晓蓉. 物质奖励对旅游虚拟社区再分享意愿影响研究[J]. 旅游学刊, 2018, 33(3): 39-49.

[8]Wells J. D., Valacich J. S., Hess T. J., et al. What Signal are You Sending? How Website Quality Influences Perceptions of Product Quality and Purchase Intentions[J]. Management Information Systems Quarterly, 2011, 35(2): 373-396.

[9]Kirmani A., Rao A. R. No Pain, No Gain: A Critical Review of the Literature on Signaling Unobservable Product Quality[J]. Journal of Marketing, 2000, 64(2): 66-79.

[10]Shao B., Cheng Z., Wan L., et al. The Impact of Cross Border E-tailer’s Return Policy on Consumer’s Purchase Intention [J]. Journal of Retailing and Consumer Services, 2021, 59(3): 59.

[11]Zhang M., Zhang Y., Zhao L., et al. What Drives Online Course Sales? Signaling Effects of User-generated Information in the Paid Knowledge Market[J]. Journal of Business Research, 2020, 118(9): 389-397.

[12]Wojdynski B. W., Evans N. J. Going Native: Effects of Disclosure Position and Ianguage on the Recognition and Evaluation of Online Native Advertising[J]. Journal of Advertising, 2016, 45(2): 157-168.

[13]Campbell C., Grimm P. E. The Challenges Native Advertising Poses: Exploring Potential Federal Trade Commission Responses and Identifying Research Needs[J]. Journal of Public Policy & Marketing, 2019, 38(1): 110-123.

[14]Kotha R., Crama P., Kim H. Experience and Signaling Value in Technology Licensing Contract Payment Structures[J]. Academy of Management Journal, 2018, 61(4): 1307-1342.

[15]Connelly B. L., Certo S. T., Ireland R. D., et al. Signaling Theory: A Review and Assessment[J]. Journal of Management, 2011, 37(1): 39-67.

[16]Evans N. J., Phua J., Lim J., et al. Disclosing Instagram Influencer Advertising: The Effects of Disclosure Language on Advertising Recognition, Attitudes, and Behavioral Intent[J]. Journal of Interactive Advertising, 2017, 17(2): 138-149.

[17]魏尉, 梅姝娥, 江芬芬. 企业分享奖励机制中的价格策略及奖励策略研究[J]. 软科学, 2020, 34(3): 49-55.

[18]江芬芬, 梅姝娥, 仲伟俊. 社交营销中基于消费者分享行为的阈值奖励机制[J]. 系统管理学报, 2020, 29(4): 742-751.

[19]Wolfe C. J., Loraas T. M. Knowledge Sharing: The Effects of Incentives, Environment, and Person[J]. Journal of Information Systems, 2008, 22(2): 53-76.

[20]王晰巍, 贾玺智, 刘婷艳, 等. 区块链环境下社交网络用户意见领袖识别与影响力研究[J]. 情报理论与实践, 2021, 44(5): 84-91.

[21]林晶, 王世强. 高校官方微博影响力评价及对策研究[J]. 情报科学, 2019, 37(4): 122-124.

[22]Ge J., Gretzel U. Emoji rhetoric: a social media influencer perspective[J]. Journal of Marketing Management, 2018, 34(10): 1272-1295.

[23]Ohanian R. The Impact of Celebrity Spokesperson’s Perceived Image on Consumers’ Intention to Purchase[J]. Journal of Advertising Research, 1991, 31(1): 46-52.

[24]刘凤军, 孟陆, 陈斯允, 等. 网红直播对消费者购买意愿的影响及其机制研究[J]. 管理学报, 2020, 17(1): 94-104.

[25]刘伟, 刘昱彤, 李纯青, 等. 刷屏的原理：在线内容的病毒式分享机制[J]. 心理科学进展, 2020, 28(4): 638-649.

[26]Dahl D. W., Fuchs C., Schreier M., et al. Why and When Consumers Prefer Products of User-Driven Firms: A Social Identification Account[J]. Management Science, 2015, 61(8): 1978-1988.

[27]Johnston A. C., Warkentin M. The Influence of Perceived Source Credibility on End User Attitudes and Intentions to Comply with Recommended IT Actions [J]. Journal of Organizational and End User Computing, 2010, 22(3): 1-21.

[28]黄京华, 金悦, 张晶. 企业微博如何提升消费者忠诚度——基于社会认同理论的实证研究[J]. 南开管理评论, 2016, 19(4): 159-168.

[29]Cuddy A., Fiske S. T., Glick P. Warmth and Competence as Universal Dimensions of Social Perception: The Stereotype Content Model and the BIAS Map[J]. Advances in Experimental Social Psychology, 2008, 40(7): 61-149.

[30]Mayer C., Davis H., Schoorman D. An Integrative Model of Organizational Trust[J]. Academy of Management Review, 1995, 20(3): 709.

[31]Shen X., Chen J. Consumers’ Decisions in Social Commerce Context: An Empirical Investigation[J]. Decision Support Systems, 2015, 79(11): 55-64.

[32]Wolf P., Haefliger S., Spaeth S. Participation in Intra-firm Communities of Practice: A Case Study from the Automotive Industry[J]. Journal of Knowledge Management, 2011, 15(1): 2-39.

[33]Hogg M. A. Subjective Uncertainty Reduction through Self-categorization: A Motivational Theory of Social Identity Processes[J]. European Review of Social Psychology, 2000, 11(1): 223-255.

[34]Kwon E. S., Kim E., Sung Y., et al. Brand Followers: Consumer Motivation and Attitude towards Hrand Communications on Twitter[J]. International Journal of Advertising, 2014, 33(4): 657-680.

[35]廖俊云, 林晓欣, 卫海英. 虚拟品牌社区价值如何影响消费者持续参与：品牌知识的调节作用[J]. 南开管理评论, 2019, 22(6): 16-26.

[36]Frenzen J., Nakamoto K. Structure, Cooperation, and the Flow of Market Information[J]. Journal of Consumer Research, 1993, 20(3): 360.

[37]刘丽虹, 张积家. 动机的自我决定理论及其应用[J]. 华南师范大学学报(社会科学版), 2010, (4): 53-59.

[38]苏鹭燕, 李瀛, 李文立. 用户在线知识付费影响因素研究: 基于信任和认同视角[J]. 管理科学, 2019, 32(4): 90-104.

[39]朱鹏, 李璐, Gary Marchionini. 基于调节定向理论的社交网络用户信息分享行为研究[J]. 情报学报, 2019, 38(3): 257-265.

[40]蔡舜, 石海荣, 傅馨, 等. 知识付费产品销量影响因素研究: 以知乎Live为例[J]. 管理工程学报, 2019, 33(3): 71-83.

[41]Aiken L. S., West S. G. Multiple Regression: Testing and Interpreting Interactions[M]. Newsbury Park, CA: Sage, 1991.