基于社会网络的企业微博信息传播途径分析

郭晓姝 刘子龙

[摘 要] 本文通过对一企业微博信息传播案例进行分析，研究了企业微博信息转发网络。对转发用户之间相互关注关系形成的矩阵，进行社会网络分析，发现关注网络具有松散的网络结构，揭示了影响企业信息传播的两个因素——话题和源吸引力，并且发现信息源以及与信息源相关的集团微博的点度中心性和中间中心性都比较高，在信息发布和信息传播中具有较大的权力。本文的研究为企业通过微博平台进行信息传播提供参考。

[关键词] 社会网络；企业微博；成分分析；中心性

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 17. 072

[中图分类号] G350 [文献标识码] A [文章编号] 1673 - 0194（2014）17- 0118- 05

0 引 言

随着网络与信息技术的发展，虚拟社区以多种模式发展，而微博成为时下最流行的模式。“微博”即微型博客，每条信息字数限制在140个以内，发布和传播更方便快捷，实时传递，越来越多的用户利用这一服务在不同的对象之间发布和共享信息[1]。微博最大的特点是基于社交网络的自媒体平台，利用社交网络，信息呈几何级数裂变式传播[2-4]，而且其灵活且广泛的架构降低了参与门槛。微博的信息传播问题已经引起了学者们的广泛关注。众多企业看到微博信息传播的特点，纷纷加入，成为企业微博用户。企业微博是以企业或其产品为名注册的微博[5]，是通过微博平台认证系统认证的，旨在传播企业品牌和及时发布产品最新信息，增加与消费者进行直接沟通的机会，让信息传播更到位。企业拥有企业官方微博的同时，其子品牌、地方分支机构、各组织部门、高管、职员等也开设单独的微博并认证，具有独立的职能，这样的企业微博策略即称为集团微博或家族微博。而社会网络在传播信息[6-8]，产品和创新[9]等方面凸显了重要性。尤其是最近的社会媒体的发展，都加强了网络在信息传播[10-11]中的作用。平亮、宗利永[12]基于社会网络理论，以新浪微博为例，结合微博用户之间的“关注”与“被关注”关系，建立了信息传播的网络拓扑结构，提出了相应的启示。王晓光 [13]以新浪微博为例，对微博客用户行为特征与关系特征进行了实证分析。袁毅 等[14]根据某个时间周期内，微博用户关于某一话题的交流数据，得到用户在交流中形成的关注关系、转发关系、评论关系和引用关系4种社会关系网络，找出其不同之处以及共同特征和联系。已有的研究从社会网络角度，研究某一话题的传播途径或用户行为特征，但是针对企业微博信息传播网络的研究还很少，因此，本文从社会网络角度研究企业微博信息传播的途径，分析影响企业微博信息传播的关键因素，为企业充分利用微博平台提供参考。

1 研究方法与数据来源

1.1 研究方法

社会网络分析方法反映各个体之间的关系。社会网络分析方法（Social Network Analysis，SNA）是由社会学家根据数学方法﹑图论等发展起来的揭示个体之间错综复杂的结构关系的定量分析方法。社会网络分析将被分析对象视为社会行动者和他们之间关系的集合，通过建立各种数学分析模型进行量化研究，利用计算机技术将行动者及其关系结构以图形的方式展示出来。

社会网络分析主要包括网络密度（Density）分析和中心性（Centralization）分析。它们是社会网络分析中两个重要的、互补的测度。“密度”指的是网络节点相互联系程度，亦即节点间相互联系的平均程度，反映了网络节点间的紧密或疏离程度。对一个规模（Size）确定的网络来说，点之间的连线越多，则该网络的密度越大。网络密度越接近1，网络成员间的联系越紧密，信息在成员间传递的速度越高，成员之间的信息交流越方便。 “中心性”描述的是网络节点群体的集中程度，程度中心性越大的点，是越活跃的点。中心性的度量有3种：点度中心度/点度中心势，中间中心度/中间中心势，接近中心度/接近中心势 [15]。在本研究中主要关注的是网络中心性，即点度中心性表示出节点在信息传播中具有的权力。中间中心性是测量行动者对其他行动者的控制程度，即一个行动者处于另两个行动者路径之间，能够控制其他两个行动者的交往能力，若该行动者在网络中这样的位置越多，代表它的中间中心性越高，很多行动者都需要经过它才能发生联系[15]。点度中心度指的是在社会网络中，一个行动者（actor） 与很多其他行动者有直接联系，该行动者就处于中心地位，从而拥有较大的权力。点度中心势：中心势特指作为一个图的中心度，中心势指的不是点的相对重要性而是图的总体整合度或者一致性。

本文为了研究微博信息传播的途径，在新浪微博中选择一条企业微博信息，查看所有转发该条微博信息的用户之间的关注关系，用社会网络分析法分析企业微博信息传播的途径及各用户在信息传播网络中的地位和作用。

1.2 数据来源

本文选取新浪微博平台上的小米公司官方微博（昵称：小米公司）于2012年6月4日13点44分发布的一条标签为“小米手机学院”的微博，在6月11日提取了转发用户基本信息（ID、粉丝数量、关注数量、所属省份、截止到提取当天的微博数）。

在这1 947位用户中，跟踪到这些用户之间，以及用户与小米公司之间的关注关系，列出关系矩阵，去掉全是0的行和列（随机留下几行全0行列，以求各类数据完整性），得到810×810阶矩阵。由于用户ID较复杂，为了方便，将用户统一按顺序编号为v1到v810。部分关注矩阵见表1。

图2中的节点代表转发该微博信息的用户，用户之间的关注关系能够反映出信息传播的起点、过程，用户通过关注企业或其他用户能够看到企业或其他用户信息的更新，然后通过转发，使得关注该用户的其他用户也获得该信息，进而根据意愿决定是否转发，形成一个由关注关系反映的转发网络。由图2看出围绕信息源（微博原始信息发布用户）直接进行的信息传播占较大部分，然后是在小团体之间的传播。用户关注关系主要围绕两大用户，这两个核心点分别是v532（小米公司）和v533（小米手机），有若干两两关注关系围绕在周围。我们可以通过成分分析分析节点的构成。

运用UCINET 6.0进行密度测量，其连线为947，该转发成员关注网络的密度仅为0.001 4，是个极为松散的网络，并不是适合信息相互交流的网络，即该信息传播并不是在一个强关系的小网络中传播，而是发散的网络，说明弱关系有利于信息的传播。

2.2 转发用户关注网络成分分析

对社会网络图的成分分析是指将网络关系图分成若干部分，每个部分的成员之间存在关联，而各个部分之间没有任何关联，这些部分称为成分（component）[16]。成分分析可以分为无向关系网络成分分析和有向关系网络成分分析，对于有向关系数据来说，成分可分为“强成分”和“弱成分”，在有向关系网络中，忽略关系的方向得到的成分为“弱成分”，也就是图论中的弱分图。而在一个成分中任何两点之间都存在严格的双向路径的叫“强成分”，即图论中的强分图。一个孤立的节点也代表一个成分。通过成分分析，可以找到凝聚子群，是最简单的凝聚子群分析形式，整个图由若干个成分构成，每一个成分都是一个子图，子图中任何两点都可以通过一定的途径相连。

2.2.1 弱成分分析

首先进行弱成分分析，得到的结果如表2所示。

从表2中可以看到，弱成分共36个，按照成分的大小分为4种，成分大小与节点数如表3所示，由一个节点构成的成分有7个，两个节点构成的成分有26个（52个节点），3个节点构成的成分有2个（6个节点），745个节点构成一个巨大的成分，该巨大的成分充分体现了微博传播由点到面的特点，而若干小的成分体现了用户自发分散进行的裂变式传播。

成分大小为1的为孤立节点，即和任何节点都不存在关注关系的节点。在处理关注矩阵之初，去掉了多数孤立节点（即矩阵的行和列全为0），随机保留了7个孤立节点作为代表。分析孤立节点的形成，微博中关注一个用户，就能自动获得关注用户的信息更新，即信息的一种来源。孤立节点表明该节点用户并不关注任何用户，不能通过关注的形式获得用户更新的信息，这也说明获取信息的另一种方式是通过非直接关注的形式。该样本中，孤立节点共有1 144个，占全部样本的58.76%，这些孤立节点并没有全部加入矩阵。

成分大小为2的成分，表明两两用户之间至少存在一个关注关系，并且这些节点并不直接关注信息源用户，故这些用户中至少有1/2是通过非直接关注的形式获得信息。这样的成分共有26个，由52个节点构成，占样本全部节点的2.67%。观察发现这些用户两两之间或者单向关注，或者相互关注。

成分大小为3的成分仅有2个，共6个节点，3个节点间存在单向或相互关注关系，这6个节点也不直接关注信息源用户，转发信息的获取也是通过非直接关注的形式。

最大的成分如图3所示，由745个节点构成，占全部节点的38.26%，其内核中有两个高被关注的节点v532和v533（小米公司和小米手机），v532是信息源，v533则是其公司集团微博中的一员。其中302个节点只关注v532，304个节点只关注v533，共同关注二者的有117个节点，则这个最大成分中间接关注二者的节点只有32个，通过成分分析发现，信息从信息源第一次直接传播仅占20%左右，在第二级传播中集团微博成员起到很大的作用，占传播总数的15.61%，集团微博成员借助企业品牌的源吸引力，形成了转发用户的关注网络，用户关注其微博，获取信息来源，同时也产生一些间接关注，形成一个大的子网络。这一成分说明了转发信息的另一种获取方式，通过直接关注信息源或者通过关注转发信息的用户获取信息。

去掉最大成分中直接关注v533和v532，节点入度为零的点，得到图3所示的最大成分中的主要关系网，由网络图可以看到，围绕信息源及信息源同一集团的节点形成的一个关注网络，信息的传播方向恰和关注方向相反，在这个主要网络中，信息的传播，由信息源到转发者之间的直径最大为3。而Kwak、Lee和Park [17]研究表明几乎所有的扩散范围的扩散层级（hops）都小于6，没有超出11，并且基于社交网络的六度分隔理论，通过朋友的朋友不断扩展而形成一个伞状的社会化网络，每一层级不超过6，但是多个层级逐层传播，传播的方向呈网状发散[18]。这里可能由于企业微博信息的特性，信息传播最大层级深度为3，因此企业可以通过关注3层用户发展潜在客户。

2.2.2 强成分分析

通过弱成分分析，我们发现了转发用户关注网络中的最大关注子网，信息的获得与信息的传播方向是相反的，信息的获得方向是单向的，故弱成分分析能够反映很多的信息，强成分分析则可以发现网络中的强关系网络，本例中可以发现相互关注网络。对转发用户关注网络进行强成分分析，共得到767个强成分，分析各个节点后发现，该网络中相互关注的节点只占4.99%，故每个独立节点作为一个强成分。其中包含两个成员的强成分有33个，包含3个或以上成员的强成分有5个，见表4。

通过以上分析发现由企业发布信息后，所有转发用户之间的异质性高达99%，信息的传播是通过单向的关注关系进行的，主要在弱关系间进行传播，只在很小的强关系范围内进行传播。根据微博传播过程，获取微博的另一种途径是信息搜索，搜索信息源用户或者直接搜索相关信息，因此，企业通过微博平台，发布信息并扩大影响，促进信息的传播，需要提高企业影响力，通过一定的方式，如话题形式，进入微博用户推荐排行，吸引其他用户的关注。另外，企业发布微博，为每条微博设置适当的关键字话题标签，便于其他用户对相关微博的搜索。

2.3 转发用户关注网络中心性分析

2.3.1 点度中心性分析

利用UCINET 6.0软件，计算出转发关注网络的点度中心性及点度中心势，表5为转发用户关注网络节点点度中心性描述统计。

Network Centralization （Outdegree） = 0.227%

Network Centralization （Indegree） = 50.845%

从各个节点的点入度中心度（InDegree）、点出度中心度、以及对应的相对点度中心度（NrmIndeg，NrmOutDeg）中可以看出最大的点出度中心性是3，说明成员中最多关注3个用户，故没有较大的相互关注网络。最小点出度中心性为0，说明存在用户并不关注任何用户，则信息获得的途径是非直接关注形式。点入度中心度最高的前3名成员是v533、v532和v402，这几名成员是网络的意见领袖，他们被大多数成员关注，是传播信息的关键，他们发布信息，其他成员通过关注这些节点的形式获得信息，其中v532是该案例中的信息发布者，v533是其集团微博成员，故信息传播中的关键点是信息发布者以及和信息发布者有联系的集团成员。点入度中心性不为0的成员，则作为信息传播者及中介，点入度为0的成员作为信息传播者。

整个网络的点出度标准化中间中心势为0.227%，点入度标准化中心势为50.845%，由于这个网络是用户之间的关注网络，故主要考察点入度中心势。点入度标准化中心势为50.845%，表明该网络的总体整合度处于中等程度，成员间关注关系为中等紧密，被关注的用户有明显的集中趋势。

2.3.2 中间中心性分析

利用UCINET 6.0软件，计算出转发关注网络的中间中心性及中间中心势，表6为转发用户关注网络节点中间中心性描述统计。

从表6中看到，该转发用户关注网络的最大中间中心度是322，最大相对中间中心度是0.049，最小中间中心度是0。其中中间中心性较大的前3个节点是v533、v532、v402，说明其他节点获得消息对这3个节点的依赖程度较高，这3个节点在网络中具有较大的控制权力，能够很大程度上控制信息的传播流动。整个网络的中间中心势是0.05%，非常低，说明该网络中大部分节点不需要别的节点作为中介就可以得到信息。

3 结 语

本文选取企业微博信息为研究对象，分析了企业微博信息的传播途径及传播过程中的关键节点，揭示了影响信息传播的两个因素——话题和源吸引力，发现信息源以及与信息源相关的集团微博的点度中心性和中间中心性都比较高，在信息发布和信息传播中具有较大的权力。企业为了促进信息传播，应该扩大源吸引力，同时大力发展集团微博成员，扩大集团微博成员的吸引力，有利于企业微博的信息传播，发展与企业相关的微博活跃用户，同样能促进信息的传播。

尽管本文的结果比较理想，但是也存在数据选择等方面的局限因素。本文以一条企业微博信息出发，通过研究传播用户的关注关系的逆向，分析信息传播途径，能够反映出企业微博信息传播途径特征及关键节点，但是对于信息内容对传播的影响因素没有考虑，分析具有一定局限。我们也可以通过研究不同类型的企业微博信息传播途径，将其结果与本文结论作比较，分析企业微博信息内容对信息传播途径的影响，这也是一项非常有意义的研究。

主要参考文献

[1]A Java，X Song，T Finin，et al. Why We Twitter：Understanding Microblogging Usage and Communities[C]//Proceedings of the 9th WebKDD and 1st SNA-KDD 2007 Workshop on Web Mining and Social Network Analysis. ACM，2007.

[2]乔金星. 企业微博： 品牌营销新工具[J]. 今传媒，2010（5）：14-16.

[3]张忞娴. 企业微博营销 SWOT 分析及营销策略探究[J]. 现代营销， 2011（10）：67-69.

[4]潘洁. 企业微博营销价值分析[J]. 价值工程， 2011， 30（26）： 103-104.

[5]陈雅. 企业微博客应用性写作研究[J]. 中共济南市委党校学报，2012 （3）：41-44.

[6]Granovetter M S.The Strength of Weak Ties[J].American Journal of Sociology，1973，78：1360-1380.

[7]J J Brown，P H Reingen. Social Ties and Word-of-Mouth Referral Behavior[J].The Journal of Consumer Research，1987，14（3）：350-362.

[8]D J Watts，P S Dodds.Influentials，Networks， and Public Opinion Formation[J].Journal of Consumer Research，2007，34：441-458.

[9]E M Rogers.Diffusion of Innovations[M].5th Edition.New York，NY：Free Press，2003.

[10]D Gruhl，R Guha，etal.Information Diffusion through Blogspace[C]//Proceedings of the 13th International Conference on World Wide Web Conference（WWW），2004.

[11]F Wu，B A Huberman，L A Adamic，et al.Information Flow in Social Groups[J].Physica A：Statistical Mechanics and its Applications，2004，337（1/2）：327-335.

[12]平亮， 宗利永. 基于社会网络中心性分析的微博信息传播研究——以 Sina 微博为例[J]. 图书情报知识， 2011 （6）： 92-97.

[13]王晓光. 微博客用户行为特征与关系特征实证分析——以 “新浪微博” 为例[J]. 图书情报工作， 2010 （14）： 66-70.

[14]袁毅， 杨成明. 微博客用户信息交流过程中形成的不同社会网络及其关系实证研究[J]. 图书情报工作， 2011， 55（12）： 31-35.

[15]Linton C Freeman. Centrality in Social Networks Conceptual Clarification[J].Social Networks，1978-1979，1（3）：215-239.

[16]刘军.整体网分析讲义[M]. 上海：格致出版社， 2009.

[17]H Kwak，C Lee，H Park，et al.What is Twitter， a Social Network or a News Media[C]//Proceedings of the 19th International Conference on World Wide Web. ACM，2010.

[18]史亚光，袁毅.基于社交网络的信息传播模式探微[J]. 图书馆论坛， 2009（6）：220-223.