微信公众号传播力评价指标体系研究

张良 张日龙

摘  要  微信新推出的7.0版对公众号做了调整，公众号传播力评价指标体系也需要进行相应的优化。文章通过因子分析法和层次分析法，从阅读量传播力、在看传播力和创作传播力三个方面构建了微信公众号传播力评价指标体系，并选取部分科技类公众号数据对指标体系进行验证，结果表明，该指标体系对微信公众号有良好的区分度，而且较好地适应了新版微信。

关键词  微信公众号;传播力;评价指标体系

中图分类号  G2      文献标识码  A      文章编号  2096-0360（2019）22-0001-07

自2012年7月推出以来，微信公众平台发展迅速。微信公众平台随着版本更新，细节在不断完善和优化。在2013年8月，微信发布5.0版本，微信公众平台推出服务号和订阅号，这两个平台号针对不同的用户群体，服务号的用户群体是企业和组织，而订阅号的用户群体是媒体和个人。在微信7.0版本里，增加了“看一看”模块，微信公众号推文底部页面也发生了改变，文章里“点赞”更新为“好看”，当用户点击“好看”后，文章会被推荐到“看一看”界面，用户的好友就可以看到推荐的推文，并可以互动。在后续的版本中，公众号文章页面又再次更新，位于文章底部右下角的“好看”更新为“在看”。“看一看”模块中的“好看”也更新为“朋友在看”。

当下有很多微信公众号数据监测平台，例如清博指数、新榜、西瓜数据、微小宝等，在这些微信公众号数据监测平台中，部分平台公开了自己的微信指数算法，例如清博的WCI指数和新榜RSI指数，这些指数算法都有各自的特点，都能对微信公众号的运营情况进行排名，排名也有良好的区分度。但在微信7.0改版后相应的指标和权重也应进行调整。在微信7.0版本上线后，微信公众号增加了新模块“看一看”，同时公众号阅读量破万后阅读数据精确到千，现有的评价指标体系也需要做出调整，反映上述改动。

用户阅读推文后点了“在看”，好友就可以通过“看一看”模块中的“朋友在看”与其进行互动。此功能可提高公众号内容的分享和传播，由于活跃粉丝是公众号活力的来源，也是公众号粉丝扩大的基础，对于改版后阅读数相同在看数更高的推文，可以认为后者的用户更活跃，二次传播能力更强，所以文章的“在看数”在微信公众号评价指标体系中的权重有必要调高，大于一万的阅读量数据精确到千，具有一定模糊性，所以有必要降低阅读量在微信公众号评价指标体系中的权重。除此之外，目前主要的微信公众号数据监测平台，例如清博的WCI指数和新榜RSI指数均没有将文章数量、公众号推送次数等作为评价指标。本文认为有更高推送频次的公众号，其传播力也更高。

基于以上分析，有必要提出一种新的微信公众号传播力评价指标体系，适应微信改版后的变化。

1  研究现状

关于微信公众号传播力，国内很多学者有相关的研究。张莉曼等认为微信公眾号传播力是指微信公众号运营者通过微信公众平台将信息内容高效传递给用户的能力及信息传播活动对用户产生的实际影响效力[1]。丁炫凯和李刚则认为传播力是传播者传递信息的能力，其组成因素包括传播者、传播工具和传播受众[2]。吴素华以9种专业类微信公众号基于清博的WCI指数研究各变量的相关性，总结出专业类微信公众号的内涵与特征，提出了微信公众号传播力提升的策略[3]。柳毅、唐满华和谭青基于WCI从内容优化、表达形式变通、传播方式改进、用户体验增加等方面研究政务微信公众号传播力的提升方法[4]。李明德和高如使用层次分析法，从内容、平台设计、更新频率、回复服务、传播域等方面构建指标体系[5]。

当下许多微信公众号监测平台也有自己的评价指标体系，例如清博WCI指数和新榜RSI指数，上述两种指标体系的权重主要由专家给出。

本文通过因子分析法和层次分析法给出一种确定指标权重的客观方法，并在此基础上构建评价指标体系，搜集20个科技类微信公众号的数据，计算其微信公众号传播力评价指数并进行排名。此外，还将本文提出的公众号传播力评价指数与WCI指数进行对比分析。

2  研究方法

2.1  因子分析法

因子分析通过研究各个变量的内部关系，寻找数据中的基本组成架构，再用少量的几个线性组合变量来描述。因子就是各个变量的线性组合，它包含了所有变量的大部分信息[5]。因子分析通常包括以下五个步骤。

2.1.1  选择分析的变量

变量之间必须要有相关关系，这是因子分析的前提。

2.1.2  计算相关系数矩阵

如果所选变量无相关性就不适合做因子分析，所以相关系数矩阵是分析因子模型组成结构的

基础。

2.1.3  提取公共因子

根据因子方差的大小确定因子数量，需要累计方差贡献率达到70%以上。

2.1.4  因子旋转

因子旋转可以使每个变量只在一个公因子上有较大的载荷，突出因子与变量之间的关系。

2.1.5  计算因子得分

因子得分公式可以用于综合评价指标体系的

构建。

2.2  层次分析法

层次分析法将与决策相关的指标分解多个层级，例如目标层、准则层、方案层，将问题转化为确定方案层指标相对于总目标的相对重要权值，然后在构建的层级上进行定性和定量分析，这是一种层次权重决策分析方法[6]。层次分析法基本步骤

如下。

2.2.1  建立层次结构模型

将与总目标有关的指标按照不同分类规则分解成多个层次，同一层因素对上层因素有影响，同时又受下层因素作用。

2.2.2  构造成对比较阵

除了总目标层，需要对其他层级构造成对比较阵，通常使用成对比较法或1—9比较尺度法。

2.2.3  计算权向量及一致性检验

计算每个成对比较阵最大特征根及对应特征向量，利用一致性指标CI做一致性检验。如果检验通过，特征向量就是权向量;否则，需重构成对比较阵。CI定义见式（1），CI值大小与一致性成反比关系。

（1）

RI指标用来衡量CI的大小，见式（2）：

（2）

检验系数CR用来检验判断矩阵是否具有满意的一致性，见式（3），当CR<0.1时，认为通过一致性检验。

（3）

2.2.4  计算组合权向量及一致性检验

计算最下层所有因素对于目标层相对重要性的权值，并做组合一致性检验。检验通过方案就有效，否则需要重构模型或重构成对比较阵。

3   数据与分析

3.1  搜集微信公众号数据

本文选取20个知名度较高的科技类微信公众号，从清博、新榜、微小宝和西瓜数据等公众号数据平台采集其近几个月公众号运营情况数据。2019年2月份20个科技类微信公众号数据见表1。

3.2  建立模型

3.2.1  因子分析

本文使用IBM SPSS Statistics 21对20个科技类微信公众号2月的数据进行因子分析，表2为10个微信公众号变量之间的相关系数矩阵。由表可知，发布次数与篇数、篇数与总阅读数、总阅读数与头条阅读数、总在看数与平均在看数、平均头条阅读与最高阅读数等之间有较强的相关性。表2中平均发文篇数、平均头条阅读和平均在看数等三个指标是基于表1的数据计算得出的。

用SPSS对表2中的数据进行KMO和Bartletts球形度检验，KMO=0.662>0.5，而且Bartlett的球形度检验的p值小于0.01，说明应该拒绝微信公众号各变量相互独立的假设，可以对各变量做因子分析。

表3为公因子方差表，可知公因子包含了每个微信公众号变量80%左右的信息。

表3  公因子方差

指标 初始 提取

发布次数 1.000 0.883

篇数 1.000 0.971

总阅读数 1.000 0.894

头条阅读 1.000 0.927

平均阅读 1.000 0.818

总在看数 1.000 0.737

平均发文篇数 1.000 0.881

平均头条阅读 1.000 0.958

平均在看数 1.000 0.799

最高阅读数 1.000 0.966

接下来计算特征根、方差贡献率和成份矩阵，因子旋转前三个因子累计贡献率已达到88.342%，保留前三个因子即可，公因子在部分变量上的载荷没有明显的差别，所以需要进行因子旋转。

表4和表5分别为旋转成份矩阵和成份转换矩阵。第1个公因子在变量平均阅读、平均在看数、平均头条阅读、最高阅读数、总在看数上有较大载荷，可以命名为阅读传播力因子，简称R。第2个公因子在发布篇数、发布次数、头条阅读、总阅读数上有较大载荷，可以命名为在看传播力因子，简称L。最后一个公共因子在平均发文篇数上有较大的载荷，可以命名为创作传播力因子，简称C，本文构建的评价指标体系命名为RLC指数。

表4  旋转成份矩阵

指标 成份

1 2 3

平均阅读 0.889 0.142 0.089

平均在看数 0.850 0.208 -0.179

平均头条阅读 0.777 0.226 0.551

最高阅读数 0.761 0.255 0.567

总在看数 0.614 0.594 -0.090

发布次数 0.122 0.931 0.042

篇数 0.001 0.819 0.549

头条阅读 0.549 0.780 0.130

总阅读数 0.506 0.758 0.249

平均发文篇数 0.000 0.121 0.931

表5  成份转换矩阵

成份 1 2 3

1 0.689 0.643 0.334

2 -0.683 0.421 0.597

3 0.244 -0.639 0.729

表6为因子得分系数矩阵。将各变量定义为发布次数X1，篇数X2，总阅读数X3，头条阅读X4，平均阅读X5，總在看数X6，平均发文篇数X7，平均头条阅读X8，平均在看数X9，最高阅读数X10。根据表6可得三个因子得分表达式Y1，Y2和Y3：

（4）

（5）

（6）

表6  成份得分系数矩阵

指标 成份

1 2 3

发布次数 -0.161 0.429 -0.141

篇数 -0.224 0.313 0.218

总阅读数 0.021 0.221 -0.005

头条阅读 0.043 0.243 -0.090

平均阅读 0.330 -0.144 -0.033

总在看数 0.128 0.173 -0.206

平均发文篇数 -0.097 -0.099 0.587

平均头条阅读 0.230 -0.156 0.263

平均在看数 0.319 -0.056 -0.217

最高阅读数 0.216 -0.141 0.270

公式（4）、公式（5）和公式（6）为因子的得分公式，其中～是将原始数据标准化后的数值。将三个微信公众号传播力公因子以各自的方差贡献率占总方差贡献率的比重作为传播力因子权重来加权计算综合得分。记三个公因子权重分别为

、、，则微信公众号传播力综合因子得分函数计算如公式（7）：

（7）

其中

3.2.2  构建微信公众号评价指标体系

1）建立微信公众号评价层次结构模型。本文分析微信公众号相关定量影响因素，如：发布次数、发文篇数、总阅读数、总在看数等。使用层次分析法，将各个微信公众号定量指标按照不同分类规则以树状分解成3层次，子层的各指标对父层指标有影响，同时又受到下一层指标的作用。最上层为微信公众号评价指数，中间层分别为阅读传播力、在看传播力和创作传播力。最下层为指标层，阅读传播力包含五个指标;在看传播力包含两个指标;创作传播力包含三个指标。层级结构见图1。

图1  微信公众号评价指标体系

2）确定层级模型权重。根据层次分析法，层次结构模型各层次各因素权重确定要经过构造成对比较阵、层次排序和一致性检验。在构造成对比较阵时，主要根据以往经验，以量化值确定一个因素比另一个因素的重要程度，此方法受人主观意识的影响大。

本文尝试一种非定性确定层级结构权重的方法，将因子分析与层次分析有机结合，层次结构模型的各层次各指标的权重由因子分析的得分系数与各传播力公因子比重的乘积来确定。此方法能消除人为主观意识确定指标的权重的弊端，各传播力公因子方差贡献率比重见表7。

表7  三个公因子方差贡献率的比重

成份 方差贡献率 所占比重

第1公因子 36.457 0.412 680 265

第2公因子 32.672 0.369 835 412

第3公因子 19.213 0.217 484 322

如果指标在第一公因子中得分系数为a1，在第二公因子中得分系数为a2，在第三公因子中得分系数为a3，则指标的因子权重为ω：

（8）

由公式（8）计算可得到各指标在层次结构模型中的相应因子权重，再将因子权重标准化得到标准化后的权重。（表8）

微信公众号不同指标有不同维度，为了在构建微信公众号评价指标体系中消除不同指标量纲的影响，需要对微信公众号各指标进行标准化。

根据公众平台官方规定，1个常规的微信订阅号，每天只能群发1条消息，每次最多发布8篇推文。对于微信7.0版本后订阅号的相关指标，单篇阅读数最高为10万，单篇在看数最高为10万。本文借鉴新榜的NRI算法，将各指标常规最大数值规定为指标理论上的最高分，定为1 000分，所以对于一个普通微信公众号，10万为“平均阅读数”指标在理论上的1 000分。但对于每天有多次推送的权限的账号，例如果壳、虎嗅App，指标最高分就可能超过1 000分。参考样本历史数据，99%以上单篇推文的在看数不会超过1万，所以将1万规定为在看数指标的理论最高分。结合微信公众号历史数据及微信公众平台的官方规则，设定在不同的时间周期下各指标常规最大数值。（表9）

表8  指标权重

指标 因子权重 标准化权重

发布次数 0.061 552 58 8%

篇数 0.070 729 687 9%

总阅读数 0.089 312 49 12%

头条阅读 0.088 041 668 12%

平均阅读 0.075 751 206 10%

总在看数 0.072 002 83 9%

平均发文篇数 0.051 019 606 7%

平均头条阅读 0.094 420 513 12%

平均在看数 0.063 740 124 8%

最高阅读数 0.095 712 911 13%

权重总和 0.762 283 614 1

表9  各指标常规最大数值

指标 常数数值

总阅读数 R1 n8100 000

平均阅读数 R2 100 000

头条阅读总数 R3 n100 000

头条平均阅读数 R4 100 000

最高閱读数 R5 100 000

总在看数 L1 n810 000

平均在看数 L2 10 000

发布篇数C1 n8

发布次数 C2 n1

平均发文篇数 C3 8

注：统计数据周期分别为日、周、月和年时，n的值分别为1、7、30、365

3）微信公众号传播力评价指标体系模型。根据表8中指标权重运算结果，以传播力指数为一级指标，以阅读传播力、在看传播力和创作传播力为二级指标，以总阅读数、总在看数等为三级指标建立微信公众号评价指标体系，RLC指数的各级指标权重如表10所示。

由表10可知，阅读传播力（R）权重为59%，在看传播力（R）权重为17%，创作传播力（R）权重为24%。本文构建的RLC指数降低了阅读相关传播力指标的权重，提高好看（在看）相关传播力指标权重，并且增加了创作传播力。

根据表8和表9，可得阅读传播力R、在看传播力L、创作传播力C和微信公众号RLC指数计算公式如下：

（9）

（10）

（11）

当评价周期为天、周、月和年时，n的取值分别为1、7、30和365。

（12）

这里、、分别为0.59、0.17和0.24。

即：                               （13）

公式（9）、公式（10）和公式（11）中对每个指标数值“+1”再取对数是为了避免出现“0”数值时而产生无效值，RLC指数理论上不会大于1 000，但对于能推送多次的特殊公众号就有可能大于1 000。

4  分析结果及验证

4.1  模型结果

根据构建的微信公众号传播力评价指标RLC指数，以2019年2月的20个科技类公众号的数据进行计算，得到20个科技类公众号的RLC指数。20个科技类微信公众号RLC指数排名第一的订阅号是虎嗅App，指数966.84，排名第二第三分别是果壳和差评，指数分别为964.41和952.33，排名最低的订阅号是机智猫，指数为675.61，RLC指数对各个不同公众号具有良好区分度。

为了比较微信公众号RLC指数和清博的WCI指数，将两种评价结果展示在一起，见表11和图2。

表11  RLC指数与WCI指数对比

公众号 RLC RLC排名 WCI WCI排名

虎嗅App 966.84 1 1 367.97 2

果殼 964.41 2 1 383.56 1

差评 952.33 3 1 346.06 3

酷玩实验室 937.72 4 1 255.41 4

科技美学 915.81 5 1 190.83 6

CSDN 914.59 6 1 202.48 5

躺倒鸭 911.36 7 1 188.78 7

全是黑科技 902.31 8 1 137.44 9

安兔兔 890.90 9 1 095.65 11

科技每日推送 884.13 10 1 160.14 8

科技狐 880.29 11 1 111.08 10

爱否科技 878.11 12 1 084.44 13

新智元 853.29 13 999.2 16

腾讯科技 853.01 14 1 031.33 15

互联网热点 832.82 15 1 055.64 14

爆科技 796.74 16 1 087.7 12

科技晚8点 753.34 17 971.16 19

指尖刀客 744.57 18 991.23 17

氪金思维 740.52 19 983.46 18

机智猫 675.61 20 574.45 20

4.2  结果验证与分析

由表11可知，RLC指数和WCI指数的排名相差无几，例如科技美学在RLC指数排名第5名，在WCI指数中排名第6名，安兔兔在RLC指数排名第9名，在WCI指数中排名第11名。由对比结果可知，本文构建的微信公众号RLC指数和清博指数WCI对微信公众号的总体排名变化不大，两者对微信公众号都有较好的区分度，验证了RLC指数的有效性。

对于微信7.0改版后的阅读数、在看数和发文创作等三个指标，RLC指数比清博WCI指数的评价效果更好。例如新智元和爆科技，新智元在RLC指数和WCI指数中排名分别为13和16，爆科技在RLC指数和WCI指数中排名分别为16和12，两个公众号在不同指数排名上刚好相反。新智元阅读数的指标整体比爆科技低，但由于新版在阅读数过万后，数据只精确到千，同时增加了“在看”按钮，所以RLC指数降低了阅读数权重，同时增加了“在看量”的权重和微信公众号发文创作的相关评价指标，使得在看数指标和创作指标整体更高的新智元的RLC指数更高，这样的结果更适合微信7.0版本。

5   结论与创新建议

通过2019年2月20个科技类公众号数据对RLC指数进行检验，结果表明，RLC指数具有良好的区分度，RLC指数和清博WCI指数在微信公众号的排名上大体一致，而RCL指数更好地反映了微信7.0改版后的阅读数、在看数和发文创作等三个

方面。

应用RLC指数算法，根据指数排名可以发现运营良好的微信公众号，可以起到规范引导的作用。优质公众号都有高阅读量、高推送频次和高发文量的特征。因此，RLC指数算法能够推动微信公众平台的发展，能为微信用户提供更好的用户体验，为运营者提供一定的借鉴与参考。微信版本不断迭代，公众号传播力评价方法也需要与时俱进，后续研究需要根据微信公众号改版的特点设计相应的评价指标体系。

参考文献

[1]张莉曼，张向先，李中梅，等.基于BP神经网络的智库微信公众平台信息传播力评价研究[J].情报理论与实践，2018，41（10）：93-99.

[2]丁炫凯，李刚.新型智库传播力评价及其实证研究[J].南京社会科学，2018（10）：29-36.

[3]吴素华.专业类微信公众号传播力提升策略——基于9种微信公众号的比较分析[J].中国记者，2018（12）：

70-72.

[4]柳毅，唐满华，谭青.基于微信传播指数WCI的省级科技主管部门政务微信公众号研究——以“科技湖南”为例[J].企业技术开发，2018，37（10）：45-48，69.

[5]李明德，高如.媒体微信公众号传播力评价研究——基于20个陕西媒体微信公众号的考察[J].情报杂志，2015，34（7）：141-147.

[6]方开泰.实用多元统计分析[M].上海：华东师范大学出版社，1989.

[7]Saaty，T.L.The Analytic Hierarchy Process. New York.McGraw-Hill，1980.