球队微博关注动机、微博互动行为与球迷忠诚的关系——人口统计学变量的调节作用

李汉熙，骆 雷，张孟艳

1 问题的提出

社交媒体的出现深刻影响了体育产品与服务的供给方式与消费方式[1]。 职业体育俱乐部借助各类社交媒体开展线上球迷关系管理。 由于社交媒体具有参与、公开、交流、对话、社区化和连通性等特征[2]，职业体育俱乐部开展社交媒体营销客观上促进了俱乐部与球迷之间互动关系的重塑。 职业球队可以借助社交媒体对球迷群体开展线上视觉产品的传播、“球队之家”的构建、球迷文化的营造等活动[3]，进而提升球迷与职业球队的身份认同。 作为主流的社交媒体平台， 微博具有广泛的用户关注度和影响力。《2018 年微博用户发展报告》[4]显示，截至2018 年第四季度，微博月活跃用户已达4.62 亿人次，日活跃用户达2 亿人次。 微博用户的庞大基数为职业球队扩大球迷群体规模和提高球迷黏性奠定了重要基础。对职业球队而言， 如何借助社交媒体平台将庞大的微博用户转化为高忠诚度的球迷群体是职业球队面临的重要营销议题。

球迷关注社交媒体的动机与社交媒体的一系列功能（如发帖、评论、分享）有直接关系。 已有研究[5]表明， 社交媒体关注动机能够促进球迷在社交媒体上的消费、贡献与创造行为。职业球队可以利用球迷关注微博的动机维度， 差异化地制定球队社交媒体账号的营销管理策略， 吸引更多的球迷加入球队微博的互动中， 进而有效培育球迷的忠诚度和消费黏性。 因此，为有效转化球队微博用户，职业球队需要关注和解答如下具体问题：一是，用户关注球队微博的动机是什么？ 即用户关注动机主要包括哪些可能的维度或因子。二是，球队微博的关注动机是否会影响球迷忠诚度？如果存在影响关系，那么球队微博关注动机对球迷忠诚的影响机理又是什么？ 关注动机是否会通过用户与微博的互动行为对球迷忠诚产生间接影响？三是，不同人口统计学特征属性下的用户在关注动机与互动行为的关系中是否具有显著性差异？例如，男性与女性是否在上述路径关系中的强度上有显著差异。针对上述问题，国外学者主要探讨了用户在不同社交媒体关注动机上的比较问题[6]、球迷对社交媒体的关注动机与互动行为之间的关系问题[5,7]。 国内学者则主要从定性分析的视角阐释了社交媒体对体育营销产生的影响[3,8-9]，以及社交媒体在体育赛事营销领域中的应用现状[10-11]。 从国内外既有研究来看，球队微博关注动机、互动行为以及球迷忠诚等变量间影响机理仍未得到实证数据的验证，人口统计学特征变量在微博关注动机与互动行为间关系的调节作用也未得到既有研究的验证。 基于此，本文以球队微博为例，探讨社交媒体关注动机、互动行为与球迷忠诚的因果路径关系，并以人口统计学特征（性别、年龄、学历）为调节变量，运用多群组比较分析（Multi-group Analysis, MGA），验证不同用户群体对微博关注动机和互动行为关系的调节作用。

2 文献综述与理论假设

2.1 球队微博关注动机与微博互动行为的关系

使用与满足理论 （the uses and gratifications approach） 被广泛应用于体育与社交媒体的研究中[1]。使用与满足理论是站在用户视角， 分析用户的大众传播媒介接触动机以及传播媒介给他们带来的心理或行为上的效用。基于使用与满足理论，球迷关注职业体育俱乐部官方微博的行为是为了满足其社会和心理需求。 这些需求本身自然就表现为球迷的微博关注动机。Witkemper 等[12]将信息、娱乐、消磨时间和粉丝情结视为用户关注运动员Twitter 的主要动机；Li 等[6]通过研究中美球迷使用Twitter 和微博的动机，将粉丝关注球队社交媒体的动机划分为信息、娱乐、技术知识、球队支持、消磨时间和逃避。 结合文献和后续探索性因子分析结果，本文将职业球队微博关注动机的维度划分为信息动机、技术知识与娱乐动机、球队支持动机和消磨时间动机。在球迷的社交媒体互动行为方面，主要表现在页面流量、访问频率、搜索、私信、页面停留时间、点赞、发布、阅读、页面访问、评论和转发内容等[13-15]。

信息动机是指球迷希望通过关注球队微博获得关于球队和球员的各类动态信息，如比赛阵容、得分情况、胜负情况等。信息动机是球迷关注球队官方微博的重要动机。 例如，对于大学生群体而言，信息搜集是他们在Twitter 和Facebook 等社交媒体平台关注自己所喜爱球队的主要因素[7]。 信息动机是否会对球迷的社交媒体互动行为产生影响， 学界的研究发现并不完全一致。 有研究[16]发现中国球迷关注运动员个人微博的信息动机不会显著影响球迷的社交媒体互动，但也有研究[5]发现，球队粉丝关注职业足球俱乐部社交媒体的信息动机会正向显著影响粉丝的互动行为。 尽管信息动机对互动行为的影响关系存在分歧，但是获取信息依旧是影响Twitter 用户体育消费行为的动机因素[12]，用户在社交媒体的互动行为也是信息获取之后完成的。基于此，本文提出如下假设：

H1：信息动机对互动行为存在显著正向影响。

技术知识与娱乐动机是指球迷通过关注球队微博了解运动项目的技术知识， 同时获得乐趣和愉悦的体验。用户在虚拟社区中的互动行为，主要为了满足自己的娱乐需求，用户在点赞、转发和评价等互动过程中能够愉悦身心[17]，球迷关注运动员微博的技术支持动机能够显著影响球迷的社交媒体互动行为[16]。对于许多球迷群体而言， 他们既是运动项目的热爱者，又是球队的支持者。 他们或者因“关注而热爱”，又或者因“热爱而关注”。 他们在关注球队官方微博的同时， 也希望获取与运动项目技能提升有关的知识或方法， 而这一动机对他们在微博平台的互动行为可能具有重要影响。与此同时，关注球队官方微博是球迷的休闲娱乐活动， 愉悦的体验同样可能会促使球迷加强与微博平台及其他粉丝用户的互动。 因此，本文提出如下假设：

H2：技术知识与娱乐动机对互动行为存在显著正向影响。

球队支持动机是指球迷出于对球队的身份认同和喜爱而关注球队官方微博。 球队支持动机与球队认同感关系密切。 如果球迷与球队之间存在强烈的心理依附关系， 球迷往往表现为高度的球队认同和球队支持。反之，如果球迷与球队之间没有心理依附关系，球迷往往表现为较低的球队认同和球队支持。球队支持动机是球迷关注球队社交媒体的动机维度之一[6]。 研究[16]发现，球迷关注球星微博的支持动机会显著正向影响球迷的社交媒体互动，基于此，本文提出如下研究假设：

H3：球队支持动机对互动行为存在显著正向影响。

消磨时间动机是指球迷利用社交媒体来缓解生活中的无聊和工作中的压力。 现代社会的工作与生活节奏普遍加快，体育在人类追求闲适生活、释放工作压力等方面具有天然的作用。 球迷通过关注和追随职业体育俱乐部， 能够营造宽松愉悦的环境和氛围，忘却生活与工作中的烦恼与焦虑，甚至能够实现精神价值的自我重塑。已有研究[12]发现，消磨时间动机影响大学生在社交媒体上的体育消费行为。 如果用户消磨时间的动机较强， 那么他们在关注球队社交媒体的过程中可能会表现为更多的互动行为。 基于此，本文提出如下假设：

H4：消磨时间动机对互动行为存在显著正向影响。

2.2 人口统计学特征变量在关注动机与互动行为关系中的调节作用

虽然球迷群体对职业体育俱乐部微博关注动机与互动行为之间可能存在因果路径关系， 但不同人口统计学特征的球迷群体是否在上述关系中存在强度上的差异？ 这是职业体育俱乐部营销人员进行市场细分的重要参考依据。 Vale 等[5]也建议后续研究探讨社交媒体用户的人口统计学特征变量对动机和参与互动行为之间关系的调节作用。例如，根据性别变量所划分的男性与女性在微博关注动机与互动行为的关系上可能存在一定差异。 男性球迷往往既是球队支持者，也是运动项目的参与者，他们比女性群体可能具有更强的技术知识获取动机， 该动机对互动行为的影响强度可能并不相同。类似地，根据年龄变量所划分的中老年与青年球迷群体之间在消磨时间或球队支持动机上也可能会调节其与互动行为的关系。 基于此，本文提出如下假设：

H5：性别变量在关注动机与互动行为的关系中具有调节作用。

H6：年龄变量在关注动机与互动行为的关系中具有调节作用。

H7：学历变量在关注动机与互动行为的关系中具有调节作用。

2.3 互动行为与球迷忠诚的关系

球队忠诚通常作为球迷心理与行为研究中的结果变量。 球队忠诚通常表现为球迷对所支持球队的心理承诺和行为忠诚。 提升球迷的忠诚度是所有职业体育俱乐部开展客户关系管理的重要目标。 具有强烈忠诚度的球迷与球队间具有较强的身份和情感认同， 他们会重复购买职业球队的赛事门票以及球队的一系列衍生产品， 并通过现场观赛和直播观赛等行为表现出自己的忠诚。 相关研究[18-19]证实，通过增加在线平台上粉丝的互动体验， 会提升粉丝的忠诚度。 在体育营销领域，也有学者[5]建议对社交媒体的互动行为与球迷忠诚度之间的关系进行验证。 基于此，本文提出如下假设：

H8：互动行为对球迷忠诚存在显著正向影响。

基于上述文献回顾和研究假设， 提出理论模型图（图1）。

图1 理论模型图Figure1 Theoretical model

3 研究设计

3.1 量表

量表的设计以相关文献和焦点小组访谈为基础。 首先， 借鉴既有文献构建初步的量表维度及题项。其次，邀请关注球队官方微博的4 名球迷参与焦点小组访谈，了解他们对球队官方微博的态度，集中探讨他们关注球队官微的原因，进一步修改量表。焦点小组采用半结构式访谈为主， 持续时间为90 min左右。 除了4 名球迷外，2 名研究组成员分别负责小组访谈的主持与访谈记录。 焦点小组访谈主要听取他们对于问卷表述和内容结构方面的意见，修正问卷中题目涵义不清晰或者措辞不当的题项， 使量表语句的陈述方式更为合理。 问卷包括4 个部分：（1）微博关注动机量表；（2）微博互动行为量表；（3）球迷忠诚量表；（4）人口统计学特征（性别、年龄、职业、受教育程度、月收入及家庭情况）。其中，微博关注动机量表采用Li 等[6]基于洛杉矶湖人队微博关注动机量表修正， 关注动机初始量表共计18 个观察题项。微博互动行为量表基于微博“浏览、评论、转发、点赞”等四大功能，同时增加“活动参与（例如抽奖、视频投稿等）”测量指标，共计包含5 个观察题项。球迷忠诚量表则采用陈铎[20]的俱乐部球迷忠诚量表，共计6 个题项。 所有题项的测量均采用李克特5 级量表（1 表示非常不同意，2 表示不同意，3 表示一般，4表示同意，5 表示非常同意）。

3.2 数据搜集

采用便利抽样方式， 对微博粉丝用户进行网络问卷发放。为尽可能提升样本的代表性，运用问卷星在球队官方微博、微信球迷群、虎扑论坛相关版块等渠道和平台发放问卷。发放问卷共259 份，回收问卷259 份，其中有效问卷247 份，有效率为95.4%。

3.3 数据分析方法

运用SPSS 25.0 和SmartPLS 3.2.8 进行数据处理与分析。 使用SPSS 25.0 进行探索性因子分析。 在探索性因子分析之前， 进行KMO 值和Bartlett 球形检验。 KMO 值大于0.7 时，认为数据适合做因子分析；Bartlett 球形检验P值小于0.05 时， 相关矩阵不是单位矩阵，存在公共因子。探索性因子分析过程采用主成分法提取因子和最大方差法进行因子旋转，因子特征值应大于或者等于1[21]；因子载荷应大于或者等于0.5[22]。 使用SmartPLS 3.2.8 进行测量模型和结构模型的验证。 测量模型采用外部模型载荷和组合信度，进行信度评估，外部模型载荷、组合信度大于0.7，即视为具有良好的信度；测量模型的收敛效度将平均变异萃取量（Average Variance Extracted，AVE）大于0.5 作为判断标准[23]112-115。 测量模型区分效度检验采用Fornell-Larcker 准则， 即潜在构面AVE 的平方根大于该构面与其他任意构面间的相关系数[24]。 MGA 方面，当两组路径系数有显著不同时（即P＜0.05，拒绝H0：| 路径系数1-路径系数2|=0），则认为调节作用存在[25]。

4 研究结果

4.1 样本的人口统计学特征

247 名职业球队官方微博用户样本中：男性174 名，女性73 名；年龄处于18～22 周岁的为123 名，23～30周 岁 的 为104 名，31～40 周 岁 的 为20 名，40 周 岁 及以上样本数为0， 这与微博用户以青年群体为主的特征吻合；受教育程度方面，高中及以下微博用户为20 名，大专及本科微博用户为186 名，研究生及以上微博用户为41 名。从样本的人口统计学特征分布来看（表1），样本能够较好地反映球队官方微博用户的总体分布特征，样本的代表性较好。

表1 样本人口统计学特征Table1 Demographic characteristics of the sample

4.2 探索性因子分析

为探索和构建球队官方微博的用户关注动机因子的维度，本文采用探索性因子分析。在探索性因子分析之前，进行KMO 值与Bartlett 球形检验。 KMO值为0.871，大于0.70，且Bartlett 球形检验统计量为1 566.208（P＜0.001），说明样本数据适合进行因子分析。 旋转后的成分矩阵见表2，所有观察题项的因子载荷均大于0.5，没有双重载荷现象，因子结构较为稳定。

表2 旋转后的矩阵Table2 Rotation of the matrix

旋转后的成分矩阵显示：共得到4 个因子，根据因子题项所代表的实际意义， 将4 个因子分别命名为信息动机因子（3 个观察题项）、技术知识与娱乐动机因子（5 个观察题项）、球队支持动机因子（3 个观察题项）、消磨时间动机因子（5 个观察题项）。 关注动机所有4 个因子的Cronbach’s α 系数均大于0.7， 表示动机量表具有较好的内部一致性信度[22]，量表及具体观察题项见表3。

表3 关注动机量表Table3 Scale of motivation to follow

4.3 测量模型信效度分析

4.3.1 测量模型的信度

在SmartPLS 中，采用外部模型载荷对指标信度（indicator reliability）进行判断，采用组合信度判断内部一致性信度。由表4 可得，各题项的外部模型载荷除了F4=0.673＜0.7（考虑删除该题项会影响球迷忠诚量表的内容效度， 而且该外部模型载荷接近0.7，故不予删除）， 其余题项的外部模型载荷均大于0.7。 此外，各潜在构面组合信度值均大于0.7，说明测量模型具有较好的内部一致性信度[26]。

表4 外部模型载荷的显著性检验及组合信度Table4 Significance test of outer loadings and composite reliability

4.3.2 测量模型的效度

测量模型的效度检验包括收敛效度与区别效度。 采用AVE 判断收敛效度,如表5 所示，各潜在构面的AVE 值均大于0.5， 表明测量模型的收敛效度较好。 区别效度主要通过Fornell-larcker 准则判断，如表6 所示，各潜在构面AVE 的平方根值均大于该构面与其他任意构面的相关系数， 故测量模型具有较好的区别效度。

表5 潜在因子的AVE 值Table5 Average variance extracted

表6 因子间相关系数Table6 Correlation coefficient between factors

4.3.3 共线性分析

在SmartPLS 中， 采取方差膨胀因子（Variance Inflation Factor，VIF） 作为共线性问题的参考依据。依照Hair 等[23]143-145标准，当VIF 值小于5 时，说明共线性问题并不严重。 外部模型 VIF 值为1.606～4.343，内部模型VIF 值为1～2.180，均小于5，因此不存在严重的共线性问题。

4.4 结构模型与假设检验

4.4.1 路径分析与假设检验

运用SmartPLS 3.2.8 进行结构模型分析， 结构模型的路径分析结果见表7。 结果显示：技术知识与娱乐动机对互动行为具有显著正向影响（P＜0.01），球队支持动机对互动行为也具有显著正向影响（P＜0.01），即假设H2 和H3 得到验证。 而信息动机和消磨时间动机对互动行为均没有显著正向影响，即假设H1 和H4 未得到验证。 此外，互动行为对球迷忠诚具有较强的正向显著性影响（路径系数达0.544，P＜0.01），即假设H8 得到验证。

表7 路径分析结果Table7 Path analysis results

4.4.2 变异解释量

结构模型因变量的变异解释量通常采用决定系数R2判定，该值表示模型中内生变量（因变量）的变异程度可以被所有外生变量（自变量）解释的总量。R2值介于0～1， 数值越高代表自变量对因变量的预测力越强。 在营销领域，0.75、0.5、0.25 分别表示高度、中度、微弱的解释力[23]199。 如表8 所示，互动行为的变异量被所有关注动机因子的解释量约为0.313，球迷忠诚的变异量被互动行为的解释量约为0.293。整体来看， 模型中自变量对因变量的解释强度介于微弱和中等强度之间。

表8 因变量的变异解释量Table8 Variance explained of effect variables

4.4.3 调节效应分析

由于性别、 年龄与学历等均为类别变量或定序变量，故采用MGA 验证上述人口统计学特征变量的调节作用。 结果显示：性别在关注动机与互动行为的关系中没有调节作用， 即男性球迷群体与女性球迷群体在任意关注动机因子与互动行为的关系强度上均没有显著性差异，即假设H5 未得到验证（表9）。

表9 性别的调节作用Table9 Moderating effects of gender

年龄在关注动机与互动行为的关系中具有调节作用，即假设H6 得到验证（表10）。具体而言，18～22周岁的球迷群体与23～30 周岁的球迷群体在技术知识与娱乐动机和互动行为之间的关系强度上存在显著性差异（P=0.031＜0.05），即23～30 周岁球迷群体的关系强度（路径系数=0.452）显著高于18～22 周岁球迷用户的关系强度 （路径系数=0.083）。 与此同时，31～40 周 岁 的 球 迷 群 体 与18～22 周 岁 的 球 迷 群体在球队支持动机和互动行为之间的关系强度上也存在显著性差异（P=0.039＜0.05），即31～40 周岁球迷群体的关系强度（路径系数=0.610）显著高于18～22周岁球迷用户的关系强度（路径系数=0.143）。

表10 年龄的调节作用Table10 Moderating effects of age

学历在关注动机与互动行为的关系中也具有调节作用，即假设H7 得到验证（表11）。 具体而言，高中及以下学历的球迷群体与研究生及以上球迷群体， 在技术知识与娱乐动机和互动行为之间的关系强度上存在显著性差异（P=0.019＜0.05），即高中及以下学历球迷群体的关系强度（路径系数=0.724）显著高于研究生及以上球迷群体的关系强度 （路径系数=-0.117）。

表11 学历的调节作用Table11 Moderating effects of education

5 讨论与管理营销建议

本文从实证研究的角度考察和验证球队微博的关注动机、互动行为与球迷忠诚的因果路径关系，同时探讨了不同人口统计学特征变量在关注动机与互动行为关系中的调节作用。 经过探索性因子分析，得到4 个微博关注动机因子：信息动机、技术知识与娱乐动机、球队支持动机、消磨时间动机。 测量模型的信效度检验发现，测量模型均具有良好的内部一致性水平和建构效度。 结构模型的验证结果显示：技术知识与娱乐动机、球队支持动机均对互动行为具有显著正向影响；互动行为对球迷忠诚也存在显著正向影响。 此外，调节作用分析结果显示：包括年龄和学历在内的人口统计学特征变量均在关注动机与互动行为的关系间具有调节作用。 上述结果表明，职业体育俱乐部社交媒体关注动机、互动行为以及球迷忠诚之间的因果链条得到了实证材料的部分验证。 为进一步阐明本文的理论贡献和实践意义，以理论模型图（图1）和实证研究结果为依据，侧重从技术知识与娱乐动机和微博互动行为的关系、球队支持动机和微博互动行为的关系、微博互动行为与球迷忠诚的关系以及人口统计学变量的调节作用等方面，对本文研究结果在球迷忠诚领域的理论贡献及其对球迷关系营销的实践意义进行分析和讨论。

5.1 技术知识与娱乐动机和微博互动行为的关系

本文发现技术知识与娱乐动机是球迷产生浏览、转发、点赞、评论、参与活动等球队微博互动行为的主要驱动力之一。 这与Vale 等[5]关于粉丝关注职业足球俱乐部Facebook 的信息动机与粉丝互动行为的关系是一致的。 Vale 等[5]研究发现，球迷对技术知识和娱乐信息的关注会显著影响球迷的微博互动行为。基于上述研究发现，本文建议球队微博在整体内容的推送与设计方面应更加注重对技术知识、娱乐信息与功能的开发， 例如增加球队中球员的技术教学文字与视频内容， 设计更加具有娱乐价值的文字与视频内容，提供线上直播的球迷与球队（球星）的见面会等。 通过微博推送内容与微博功能设计的改进， 能够吸引更多球迷以增强与俱乐部微博的互动行为，从而有效提升微博营销的效果。

5.2 球队支持动机和微博互动行为的关系

本文发现球队支持动机能够显著影响球迷的互动行为。 球队支持动机主要来自具有高度球队认同感的球迷群体。 这类群体与球队之间具有强烈的情感认同和心理依附关系， 支持球队就代表着支持球队的一切，当然也包括球队的官方微博等社交媒体。本文再次验证了Park 等[16]、Li 等[6]关于球队支持与互动行为的研究结果。 与Li 等[6]的研究发现有所不同的是，Li 等[6]认为中国NBA 球迷参与美国职业体育社交媒体平台的主要原因是明星运动员， 而非整个球队。 而本文则明确发现球队支持也会显著影响球迷对球队社交媒体的互动参与。为此，建议后续研究可以将“球队支持”和“球员支持”纳入同一个理论模型， 深入探讨上述2 个变量对互动行为和球迷忠诚的影响机理。

5.3 微博互动行为与球迷忠诚的关系

本文验证了微博互动行为对球迷忠诚的显著正向影响， 表明随着球迷对球队微博内容的浏览、转发、点赞、评论、活动参与等互动行为的强化，球迷的忠诚度也随之增强。如前所述，球迷忠诚是职业体育俱乐部开展球迷关系管理的重要目标， 这一研究发现为职业体育俱乐部营销人员利用社交媒体平台培养球迷忠诚度提供了重要的参考依据。 需要指出的是， 虽然球迷的微博互动行为能够显著影响球迷忠诚，但微博互动行为仅是球迷忠诚的一个前因变量，这并不能说明球迷忠诚只能受到互动行为的影响。此外， 本文并未探讨球迷微博互动行为对球迷忠诚的影响机制问题， 即互动行为是否会通过其他中介变量（例如感知价值等）对球迷忠诚产生间接影响。这些问题都有赖于后续研究予以解答。

5.4 人口统计学特征变量在关注动机与互动行为关系间的调节作用

本文发现年龄、 学历在关注动机与互动行为的关系中具有调节作用。第一，在年龄方面，MGA 发现：23～30 周岁人群在技术知识与娱乐动机和互动行为的关系强度显著高于18～22 周岁人群。 18～22 周岁人群大多为在校大学生球迷， 而22～30 周岁人群大多为已经进入工作岗位的球迷。因此，在球队官方微博的营销方面， 建议营销人员针对已经进入工作岗位的青年球迷群体增强技术知识与娱乐性内容的推送。 本文还发现：31～40 周岁人群在球队支持动机和互动行为的关系强度显著高于18～22 周岁人群，即职业球队可以重点关注31～40 周岁人群的球队支持动机， 并通过各种营销手段提升该群体的球队认同度和情感依附程度。 第二，在学历方面，高中及以下人群在技术知识与娱乐动机对互动行为的关系强度显著高于研究生及以上人群。为此，建议营销人员加强对球迷群体在学历维度上的区分， 并对高中及以下学历人群更多推送球员技术动作以及球队娱乐新闻等方面的内容。

6 结束语

社交媒体的使用已经成为国内外体育营销领域的重要议题。 职业体育俱乐部旨在利用社交媒体平台开展球迷关系管理， 搭建球迷与球队之间乃至球迷与球迷之间的沟通平台。 球迷为了满足自身的社会和心理需求关注球队的社交媒体平台， 并在这片球迷的精神家园中参与社交媒体互动。 本文考察了球迷关注球队微博的动机维度与因子构成， 验证了微博关注动机、 微博互动行为与球迷忠诚的因果路径关系， 探讨了人口统计学特征变量在微博关注动机与互动行为关系中的调节作用。 本文为深入了解球迷与球队社交媒体平台互动行为的前因与后果提供了可供借鉴的新视角， 也为后续研究提供了可供比较的基准理论模型。本文可能存在如下不足：一是数据搜集方面， 本文采用了便利抽样的方法进行数据搜集，可能会在某种程度上影响样本的代表性。建议后续研究进一步扩大样本量和样本采集范围。 二是本文仅以微博这一特定的社交媒体平台为研究对象， 后续研究可以进一步验证其他社交媒体平台用户的关注动机与互动行为的关系。 三是本文所采用的社交媒体动机量表来自国外学者的相关量表，量表的跨文化适用性方面可能存在缺陷。 建议后续研究可以基于国内研究情境， 研制具有本土文化适用性的社交媒体关注动机量表。