微信运动“步数排行榜”对用户运动行为的影响

雷丽彩，曾恩钰

1 湘潭大学 商学院，湖南 湘潭 411105 2 南京大学 工程管理学院，南京 210093

引言

党的十九大报告提出“人民健康是民族昌盛和国家富强的重要标志”，提出“实施健康中国战略”。要拥有健康的身体，必须先从脚动起，国际卫生组织将行走定义为“世界上最好的运动”，当今许多国家把行走健身纳入了国家计划，中国也逐渐形成全民健走的氛围。随着移动社交媒体平台的迅速发展，每个人都被紧密地嵌入一个相互影响的社会网络中。同时，当今快速发展的穿戴式智能设备，如智能手机、计步手环等，将用户每天的运动数据通过与互联网交互实现对用户的运动情况和身体健康状况等进行实时监测，各类相关APP的出现进一步推动了健康数据的可视化和社会化。因此，有必要探索多重网络关系中用户健康数据对用户行为的影响机制[1]，用户的运动行为在社会网络中相互影响、相互促进的效应也日益受到研究者和实践者的关注，成为电子健康服务管理领域热门的研究话题之一。

作为移动社交媒体的代表，微信逐渐成为信息获取、形象展示、服务宣传和社交沟通的重要渠道，微信运动是微信上一个类似计步数据库的公众号，2017年9月的日活跃用户数达到1.15亿，用户可以通过关注此公众号查看自己以及好友的实时行走数据，是用户自我形象展示和健康管理的平台，是典型的社会网络。如今越来越多的用户开始使用微信运动共享运动数据，通过公众号的“步数排行榜”激励自己的运动行为，进而期望获得一定的形象展示和社会支持。排行榜中存在明显的竞争机制和社会支持，用户通过参与公众号的“步数排行榜”与好友的运动数据进行实时比较的行为是否真的能对其运动行为产生激励作用，用户之间的态度差异和性别差异又如何调节排名机制对运动行为的激励效应，这都是值得探讨的问题。

因此，在健康数据可视化和社会化背景下，本研究在社会网络行为传染、社会支持与用户运动行为、竞争机制与用户运动行为的已有研究基础上，从激发用户运动行为的内在动机角度，探讨具有社会网络性质的微信运动“步数排行榜”对用户运动行为的影响机制，研究用户之间的态度差异和性别差异对于排名机制与运动行为之间关系的调节作用，为电子健康社交服务平台的运营提供决策依据和借鉴。

1 相关研究评述

1.1 社会网络与行为传染

社会网络不同于其他形式的网络，社会网络是指社会个体成员之间因为互动而形成的相对稳定的关系体系，网络传递性是社会网络一个重要的性质，社会网络的存在能使个体进行更好的知识共享[2]。社会网络中的个体并不是独立存在的，个体的行为往往受到所接触的人和社会的影响，即社会网络的存在对网络中的个体产生诸多方面的影响[3]。社会网络的存在对个体认知的影响可能带来行为的改变，在早期关于健康行为方面的研究中，已有学者研究社会网络中用户行为之间的传染性对健康行为的影响，认为个人的决定和行为影响同侪的决定和行为。在生理健康方面，CHRISTAKIS et al.[4]的研究表明，肥胖可以通过社会关系传播，一对双胞胎，如果其中一个肥胖，另一个变肥胖的概率增加40%。心理健康也受到社会网络的影响，FOWLER et al.[5]发现在社会网络中幸福感具有动态传播性，人们的幸福取决于与他们有关联的其他人的幸福，被许多感觉幸福的人围绕的人在未来幸福的概率更高。

社会网络应用的发展将每个人都紧紧地嵌入一个相互影响的社会网络中[6]，社会网络包含了存在于现实的关系和依托于互联网的关系。GHOSE et al.[7]提出在移动互联网空间中用户行为的经验框架，认为社会网络对用户行为有很强的正向影响。基于社会网络的信息传播研究表明，依托于互联网的社会网络同样具有传递性的特征[8]，个体的行为对其他个体的交互行为有显著影响[9]。

在运动行为研究方面，ARAL et al.[10]认为在全球社会网络中用户的运动行为具有社会传染性，一个用户运动步数的增加在一段时间内促使其同侪的步数也增加，并且这种传染性还伴随着个人特征差异。微信作为中国社交媒体的代表，契合了社会黏性化和人性化发展[11]，也有学者开始依托该平台进行研究，如微信用户使用行为的驱动因子和内在作用机理[12]。从社会网络角度出发，微信用户关系网络分布不均匀，在网络中处于明显核心地位的用户有较强的人际交往能力，对他人的行为和信息资源的获取有一定的影响[13]。微信运动作为微信的一个功能，集社交功能和健康管理于一体，将用户每天的运动行为数据化和社交化，对用户的运动行为具有正向影响[14]。

1.2 社会支持与用户行为

社会支持指来自个人之外的各种支持的总称，是与弱势群体的存在相伴随的社会行为。在社会网络中，用户的在线参与行为能促进信息交流、形象展示和获取情感支持，情感支持比信息交流更能够提升用户对在线健康社区的持续参与度和关注度。已有学者研究社会支持对健康状况的影响，如在体重控制和生活满意度方面，与单独治疗的人相比，获得社会支持的人完成体重减轻治疗和维持体重减轻的比例更高[15]，不同程度的社会支持造成减肥效果的显著差异[16]，社会支持与生活满意度也呈显著正相关[17]。社会支持对健康状况的改善也会产生影响，杨化龙等[18]探讨在线健康社区中用户获得的社会支持和个人目标对于健康状况的影响，表明社会支持从情感和信息等方面积极影响用户健康状况的改善程度。健康状况不仅受到社会支持程度的影响,不同社会支持类型的作用机理也存在差别[19]。在社会支持对运动行为的影响方面，在依托互联网的社会网络中，评论、点赞和转发等社会支持行为对用户的运动行为有积极的短期影响[20]。社会支持可以通过促进自我调节，特别是自我效能来激励个体的运动行为[21]。在微信运动公众号中，用户参与排名后有机会获得好友的点赞，用户自己也可以对好友的运动数据进行点赞，微信运动平台中对他人行走步数的点赞行为也是一种社会支持行为的表现。

1.3 竞争与用户行为

竞争作为一种重要的社会刺激对个人的健康行为具有至关重要的潜在价值。传统的健康行为(如运动和平衡饮食结构等)往往对于自我控制和自我约束要求过高而导致高失败率，而竞争机制试图通过外部激励的方式促进个人追求健康的行为，将患者自我监控下的个人健康管理行为转变为群体参与的比赛行为[22]。然而，目前学术界对于竞争与行为之间的关系尚未有明确的界定，在个体心理过程层面，竞争似乎既不完全有益于也不完全有害于个体的行为表现，二者的关系随着所追求目标的类型不同而变化[23]。但也有学者认为竞争与行为表现之间存在明确的关系，BROWNELL et al.[24]对3次减肥比赛的数据进行分析，发现竞争能够有效降低参与人的流失率并增强减重效果，说明竞争对参与者的运动行为有积极的促进作用。而STAIANO et al.[25]却得到完全相反的结果，该研究基于一个减重主题的视频游戏，发现竞争性的游戏玩家的减重成效并不明显优于其他非竞争的游戏玩家。对此作者的解释是，可能该游戏中的虚拟竞争过于激烈，体质弱的用户群体可能缺乏足够的动力参与游戏。关于微信运动的“步数排行榜”，刘西成等[26]认为该排行榜让用户处于竞争环境中，进而刺激用户增加运动量，具有激励作用。

综上所述，在社会网络中用户的行为具有传染性，一个用户行为的改变影响社会网络中其他用户的行为，而社会支持和竞争环境的存在都可以增强社会网络中的行为传染力度。尽管目前已有研究探讨了微信运动对运动行为的影响，但这些研究却忽视了“步数排行榜”以及性别差异和态度差异等个人因素在运动行为中的作用，个体差异的存在使针对不同类型人群制定政策比仅考虑平均处理效果的政策更有效。评估干预效果的黄金标准是随机对照实验(randomized controlled trial，RCT)，由于成本和道德因素，该实验在社会科学研究中十分罕见，已有的研究大多没有考虑用户参与微信运动“步数排行榜”是否存在一定的选择性偏差。因此，本研究以用户的日平均步数作为用户运动行为的测量指标，基于倾向得分匹配的方法消除选择偏差，探讨微信运动“步数排行榜”对用户运动行为的影响，研究用户个人的性别差异和态度差异对于公众号的排名机制与用户运动行为之间关系的调节作用。

2 研究假设和模型

2.1 微信运动“步数排行榜”排名机制与用户运动行为

FESTINGER[27]提出的社会比较理论认为个体在缺乏客观完备信息的情况下，会把他人作为比较的参考点来进行自我评价，从而评价确认自己的属性，同时还包含个体主观方面的积极愿望，即希望得到肯定性情感的满足。对社会比较的研究一直都是学界关注的焦点，个体通过与其他不同类型的个体相比较来认知、审视自己，进而对自己情感和行为产生影响[28-29]，有研究表明社会比较与运动行为之间存在交互影响[30]。在微信运动的“步数排行榜”中存在竞争环境，对改善用户的运动行为具有重要的潜在价值，因为用户参与竞争可以将个人的自我监控转变为群体参与，通过将自己与好友行走步数不断比对的激励方式改善自己的运动行为。另外，从用户动机角度，排行榜为用户的个人形象展示提供了平台，具有期望得到尊重和认可的动机；同时用户在通过平台进行社交活动时，具有期望获取他人支持和获得归属感的动机[31-32]。用户在激励自己去行走更多的步数来获得好友圈中更靠前的步数排名时，通常会在不断获取成就感和他人对自己的社会支持认同感的过程中维持或改善自己的运动行为。因此，本研究提出假设。

H1微信运动“步数排行榜”对用户运动行为具有正向的激励作用。

2.2 性别差异的调节作用

已有学者研究两性在认知和行为等方面表现出来的差异[33]，通常认为男性更加独立和理性，往往偏向于只关注自己；而女性因为偏爱和谐的关系，在关注自己的同时也会关注他人。而且，环境变化对两性个体行为产生的影响也会不同。男性和女性在与社会角色相关的认知方面有所不同，通过一定的干预，女性会更有计划地改变自己的行为[34]。而男性往往具有更强的运动自我认同感，对运动行为参与度更高，相信自己能比同伴运动的更多[30]。对社会支持的需求程度，相对于男性，女性更注重在社会网络中获得社会支持，因为女性会更在意别人的看法，对社会关系更加敏感[35]。在微信运动平台中，用户可以通过“步数排行榜”看到好友圈中所有参与用户的实时运动数据，任何一个用户的运动行为都可能造成“步数排行榜”中排名的改变，一般排名靠前的用户更容易获得其他用户的点赞。而女性用户更注重社会支持，在关注自己运动数据的同时也密切关注好友的运动行为，使她们更在意自己在“步数排行榜”中的排名，从而更有可能激励自己行走更多的步数。因此，本研究提出假设。

H2微信运动“步数排行榜”对女性用户运动行为的影响比对男性用户更显著。

2.3 态度差异的调节作用

计划行为理论认为影响行为的因素都是经由行为意向间接影响行为的表现，而行为意向受到行为态度、主观规范和知觉行为控制3个因素的影响，其中行为态度是指对于采取某项特定行为抱持的正面或负面的感觉[36]。一般而言，个人对某项行为的态度愈正向，其行为意向愈强。对于运动行为，运动态度是影响其程度的一个关键因素[37]。已有学者的研究结果表明，不同的情感态度对运动行为意图的影响不同，但两者不一定存在完全的正向关系，如CATELLIER et al.[38]的研究表示积极和消极情绪下的参与者比中性情绪下的参与者运动意愿更低。本研究讨论的态度差异是指用户对于参与运动行为的态度差异，对运动行为持积极态度的用户通常会更自觉自愿地参与运动，即使没有任何外力干预监督也如此，参与“步数排行榜”后会进一步促使态度积极者不断增加行走步数，使自己在好友圈中的排名不断靠前，从而更好地展示自己；对运动行为持消极态度的用户自身目标性弱，在没有外力监督的情况下参与运动行为的意愿较低，参与“步数排行榜”使态度消极者的运动行为转变为外部干预监控下好友圈的竞争排名，从而激励其试图不断改善运动行为；态度中性用户则是指对自身的运动行为多持无所谓或不清楚的态度，是否参与微信运动“步数排行榜”对该类用户的运动行为并没有显著影响。因此，本研究提出假设。

H3a微信运动“步数排行榜”对态度积极和态度消极用户的运动行为有显著影响。

H3b微信运动“步数排行榜”对态度中性用户的运动行为影响并不显著。

综上所述，本研究的理论模型见图1。

图1 研究模型Figure 1 Research Model

3 研究方法和数据来源

3.1 研究方法

为有效测量微信运动“步数排行榜”对用户运动行为的影响，定义测量用户步数的方程式为

Y=f(X)+αD+ε

(1)

其中，Y为用户的日平均步数；X为控制变量，包括用户的个人特征、环境特征等，X=(x1,x2,…,xn)；D为用户是否参与“步数排行榜”的两值变量，参与时取值为1，不参与时取值为0；α为参数，ε为随机扰动项。若用户是随机被分配到参与排名组和不参与排名组，则α能够精确测量参与排名对用户步数的净激励效应。用户在使用微信运动平台时，会根据外部环境以及其对运动行为的态度自愿决定是否参与到微信运动“步数排行榜”中，由于对运动行为持不同态度的用户使用微信运动的目的和期望不同，所以用户是否参与微信运动“步数排行榜”存在一定的选择性偏差，这将导致(1)式中D与ε相关，此时若采用OLS进行参数估计，则α的估计结果一定是有偏的[39]。

RCT能有效减少选择性偏差和检验干预效果，同一用户在参与排名时与不参与排名时的步数差可解释为“步数排行榜”对用户运动行为的影响。但是，当用户在调查问卷中对自己的步数进行估计时，只能获得参与排名用户报告的步数(Y1)和未参与排名用户报告的步数(Y0)，而对于参与排名者在未参与排名状态下的步数以及未参与排名者在参与排名状态下的步数则无法获取，这实际上是一种“数据缺失”问题。因此，为了考虑反事实估计参与“步数排行榜”对用户步数的影响，本研究采用ROSENBAUM et al.[40]提出的倾向得分匹配方法来消除自选择偏差。该方法不需要对回归方程的形式和样本的分布进行假设，同时也不需要对控制变量的外生性进行假定。倾向得分匹配方法是通过倾向得分对随机实验过程进行模拟，通过反事实估计评估干预效应，在经济和管理等多个领域得到了很好的应用[41-43]。其核心思想是借助倾向得分找到一组没参与排名的控制组，使其与参加排名的用户(处理组)的资源禀赋特征尽可能相似，这样就可以有效降低选择性偏差带来的影响。由于处理组和控制组两组样本的其他资源禀赋特征相似，两组样本之间如果存在步数差异就可以解释为是“步数排行榜”排名机制的贡献。

本研究采用倾向得分匹配方法的基本思路如下。

第1步，计算倾向得分。倾向得分是在给定条件下接受干预的条件概率，在寻找控制组的过程中，通过特殊方法将多个维度的特征浓缩为一个指标。本研究的倾向得分值利用Logit模型估计得到，在给定i用户的Xi样本特征的情况下，i用户参加“步数排行榜”的概率即为倾向得分值，有

p(Xi)=Pr(Di=1|Xi)=E(Di|Xi)

(2)

其中，p(Xi)为倾向得分值，Xi为影响i用户选择行为的特征变量。

第2步，选择匹配方法。选择合适的匹配方法，将处理组(D=1)中的每一个观测值与控制组(D=0)中倾向得分相近的观测值进行匹配。为了保证估计结果的稳健性，本研究采用最邻近匹配方法、半径匹配方法和核匹配方法3种方法对样本进行匹配。3种匹配方法的基本思想见表1。

表1 匹配方法的基本思想Table 1 Basic Idea of Matching Method

第3步，计算平均处理效应。理论上，在给定倾向得分的情况下，匹配完成后，“步数排行榜”对用户日平均步数的平均处理效应可以通过比较处理组与控制组的步数差异而得到，即

ATT=E[Y1,i-Y0,i|Di=1]

=E{E[Y1,i-Y0,i|Di=1,p(Xi)]}

=E{E[Y1,i|Di=1,p(Xi)]-

E[Y0,i|Di=1,p(Xi)]|Di=1}

(3)

其中，ATT为平均处理效应，Y1,i为i用户参与“步数排行榜”时的日平均步数，Y0,i为i用户不参与“步数排行榜”时的日平均步数。E[Y1,i|Di=1]值可以观测，而E[Y0,i|Di=1]值不可以观测，是一个反事实结果，需要运用倾向得分匹配方法构建E[Y0,i|Di=1]的替代指标。

另外，为了减少样本标准偏差的影响，本研究采用Bootstrap方法获取平均处理效应的标准误。具体步骤为，①在原始样本中重复随机抽取n个观测值后得到经验样本；②运用倾向得分匹配方法计算该经验样本的平均处理效应；③将第1步和第2步重复进行M次，得到M个ATT值；④计算这M个ATT值的标准差后得到原始样本的ATT标准误。

3.2 数据来源

本研究采用网上问卷调研的方式收集数据，在正式发放问卷前，于2017年11月6日至10日对湖南省某大学40名师生进行问卷预调研，得到师生提出的修改意见并进行初始分析，确保问卷题项不存在歧义且信度和效度满足研究要求。在此基础上对问卷进行修改，形成最终正式问卷。

问卷发布在专业调研平台问卷星(http:∥www.wjx.cn)，通过社交网站等各种渠道发送问卷链接邀请微信用户填写。从2017年12月发放问卷，截止到2018年6月下旬，共收集969份答卷。为了保证参与本次调研的人员均为目标调查对象，研究人员在正式问卷开始前设置多个过滤性问题，以保证用户具有真实的计步软件使用经验。基于过滤性问题和反向问题，研究人员剔除回答时间过短、数据缺失(包括无法评估自身的日平均步数、不使用计步软件等)、含异常值、回答态度不认真等无效样本，确保参与本次调查的用户均有微信运动或其他计步软件的使用经验，保证样本数据的可靠性。最终，保留752份有效问卷，有效率为77.606%。将用户分为参与微信运动“步数排行榜”的处理组和不参与排名的控制组，两组样本人口统计学基本信息见表2。

由表2可知，样本中参与“步数排行榜”的用户534人，未参与的用户218人。在参与“步数排行榜”排名的处理组中男性偏多，未参与排名的控制组中女性偏多，两组的年龄均值都介于18岁～34岁之间，年轻人居多，月可支配收入也大都介于1 000元～4 999元之间。而且相对于控制组的用户，处理组用户日平均步数更多，更愿意在运动健康方面投入金钱，并且步数来源更偏向于运动健身，运动态度也更加积极。但是需要注意的是，由于是否参与微信运动的“步数排行榜”是用户的自选择行为，上述各变量的统计差异性有可能不是参与排名后的必然结果，而是由其他因素导致的。因此，需谨慎使用表2中的结果。

表2 样本人口统计学特征Table 2 Demographic Characteristics of Samples

本研究在研究模型的基础上设计问卷和测量量表。本次研究所需数据来自问卷的用户基本信息和运动态度测试两部分，其中，日平均步数来自用户的自我报告，取值为最近一周每日步数的均值。基于毛荣建[44]设计的《锻炼态度量表》测量用户运动态度，毛荣建[44]在AJZEN[36,45]提出的计划行为理论的基础上，建立态度-行为因果关系模型，设计出锻炼态度量表，本研究依据需求选取该量表8个分量表中的66个题项，包含正向计分题和反向计分题。8个分量表分别测量用户的行为态度、目标态度、行为认知、行为习惯、行为意向、情感体验、行为控制感和主观标准。运动态度问卷题项见表3。本研究采用Likert 5点评分法测量，1为非常不同意，5为非常同意。最后用总分测量用户运动态度差异。

表3 运动态度测量量表及其信度和效度检验结果Table 3 Measurement Scale for Exercise Attitude and Test Results for Reliability and Validity

4 实证结果分析和假设验证

4.1 信度和效度检验

对运动态度量表的信度和效度进行检验，对样本数据进行主成分分析后得到的KMO值为0.973，表明适合进行因子分析。计算各测量维度的组合信度(CR)、Cronbach′sα系数、平均提取方差(AVE)以及各测量变量的因子载荷，以验证量表的可靠性，结果见表3。由表3可知，所有测量维度的CR值和α系数值均大于0.700，表明信度较好；各测量维度的AVE值都在0.500以上，各变量的因子载荷都大于0.500，且大部分在0.700以上，表明样本数据具有良好的聚合效度。分析结果表明，测量量表的信度和效度满足研究要求。

4.2 样本匹配效果检验

选取用户的个人特征变量作为解释变量，采用Logit概率模型计算每个用户参与微信运动“步数排行榜”的概率，即倾向得分，然后根据倾向得分采用不同的匹配方法为其匹配禀赋特征最相近的用户。以最邻近匹配法为例说明样本的匹配效果，按1∶3匹配，为每个参与排名的用户寻找倾向得分与之最接近的3个未参与排名的用户，将这3个未参与排名的用户进行加权平均得到1个样本，该样本作为参与排名用户的匹配样本。特征变量在匹配前后的变化情况见表4。ROSENBAUM et al.[40]认为，如果变量在两组样本间的标准偏差的绝对值小于20，可以认为匹配效果可靠；反之，则认为匹配过程失败。由表4可知，在匹配前，特征变量的标准偏差在19.542～51.732之间，说明处理组与控制组之间的大部分特征变量存在明显的差异。完成匹配后，处理组与控制组两组样本的特征变量的标准偏差都有大幅度减少，其标准偏差降至0.142～6.804之间，均小于20，说明匹配后处理组与控制组之间各特征变量的均值水平已经非常接近，组间的特征差异得以部分消除，匹配效果较好。由于半径匹配法和核匹配法的检验结果与最邻近匹配法类似，此处不再赘述。

表4 样本匹配前后特征变量变化情况Table 4 Changes of Characteristic Variables in Samples Before and After Matching

为了进一步检验倾向得分匹配方法的匹配效果，图2给出采用最邻近匹配法时，处理组和控制组的倾向得分值在匹配前后的核密度函数。由图2可知，在匹配前两组样本的倾向得分值密度函数图之间有明显差距，而匹配后处理组与控制组的尾端差距减少，两组样本的整体密度函数分布更加接近，说明处理组与控制组之间的差异显著降低，样本间的特征差异得以部分消除。并且匹配前后处理组与控制组的倾向得分区间的重叠区域(共同支撑域)变化不大，共同支撑域为[0.322,0.909]，匹配后仅损失3个样本，损失数量较少，匹配效果良好。

为了比较不同方法的匹配效果，表5给出进一步检验两组样本间解释变量差异的统计显著性。由表5可知，伪R2值从匹配前的0.054下降到0.001～0.002之间；似然比检验值从48.492下降到1.407～2.262之间，并且对应的p值在1%的置信水平上由匹配之前是统计显著的转变为匹配之后都被拒绝；匹配后平均偏差也大大降低，降低幅度在86.858%～91.855%之间。匹配前后相比，伪R2值和平均偏差较大幅度地降低以及似然比检验的p值由显著变为不显著，这些都充分说明各种倾向得分匹配法的效果良好。

(a)匹配前

(b)匹配后图2 PScore的核密度图(最邻近匹配法)Figure 2 Kernel Density of PScore(Nearest Neighbor Matching Method)

表5 匹配质量总体检验结果Table 5 Overall Test Results for Matching Quality

4.3 竞争促进作用分析

表6给出运用3种匹配方法测算的用户参与微信运动“步数排行榜”对其增加行走步数的激励效应。由表6可知，在匹配前，参与“步数排行榜”用户的日平均步数为8 521.322步，未参与排名用户的日平均步数为6 079.289步，两组之间具有显著差异。采用倾向得分匹配方法对特征变量的差异进行一定程度的控制后，参与“步数排行榜”用户的日平均步数在8 036.286步～8 521.322步之间，未参与排名用户的日平均步数在6 263.086步～6 636.250步之间，参与“步数排行榜”用户的日平均步数比不参与的增长1 773.200步～2 113.604步。这与张铮等[14]的研究结果类似，都表明微信运动对用户的运动行为具有显著的正向影响。研究中虽然不同匹配方法得到的ATT值不一样，但从定性的角度看结果是一样的，都在1%水平上显著，表明用户参与微信运动“步数排行榜”对其运动行为有显著的正向影响，激励其更加积极主动地参与运动，努力增加其日平均行走步数，H1得到验证。另外，匹配后的ATT值小于匹配前的值，因为倾向得分匹配方法将用户参与“步数排行榜”这个因素从影响用户运动行为的其他因素中独立出来，以便考察其对用户运动行为影响的净效应，匹配后的计算结果更为准确。

表6 微信运动“步数排行榜”对用户的激励效应Table 6 Incentive Effect of WeRun′s “Step Ranking” on Users

4.4 组群差异分析

前文已经验证了微信运动“步数排行榜”对用户的运动行为有一定激励作用，分析个人运动行为时需考虑到个体的差异，下面进一步探讨“步数排行榜”对不同样本群体的影响。本研究根据性别特征将用户分为男、女两组，检验排名对不同性别用户的影响差异；根据运动态度得分将用户分为积极态度、中性态度和消极态度3组，检验排名对不同态度用户的影响差异。表7给出不同运动态度和不同性别用户的日平均步数的统计性描述，从日平均步数均值看，运动态度积极用户的日平均步数依次大于中性用户和消极用户的日平均步数，男性用户的日平均步数大于女性用户。从微信运动“步数排行榜”的参与率指标看，运动态度与参与率之间存在正向关系，运动态度得分越高的用户参与“步数排行榜”的比率越高，即运动态度积极的用户倾向于参与排名；男性用户相对于女性用户更愿意参与排名。

表7 不同运动态度和不同性别用户的日平均步数Table 7 Daily Average Steps of Users with Different Exercise Attitudes and Genders

将样本按用户特征进行分类后，分别在组内运用倾向得分匹配方法分析参与“步数排行榜”对用户日平均步数的激励作用，结果见表8。

表8 微信运动“步数排行榜” 对不同运动态度和不同性别用户的激励效应Table 8 Incentive Effect of WeRun′s “Step Ranking” on Different Exercise Attitudes and Genders Users

由表8可知，一方面，通过不同的匹配方法，参与“步数排行榜”对运动态度积极用户的日平均步数分别增加2 695.631、1 276.092和2 814.866；对运动态度消极用户行走步数的激励作用更明显，使消极态度用户的日平均步数分别增加3 051.744、2 632.003和2 324.586以上，结果在不同程度上都具有一定的显著性，表明参与“步数排行榜”对运动态度积极和消极用户的运动行为均具有显著的激励作用，H3a得到验证。而对运动态度中性的用户，采用不同的匹配方法都表明参与“步数排行榜”对运动行为的影响并不显著，H3b得到验证。综上，对运动行为持不同态度的组群中，参与“步数排行榜”对用户运动行为的影响存在差异，积极和消极的用户比中性的用户参与“步数排行榜”对运动行为的影响更显著。该结果与CATELLIER et al.[38]关于态度对运动行为影响的结果相反，这可能是因为：虽然态度积极用户能自觉自愿地参与运动，但是参与“步数排行榜”获得的竞争成就感和社会支持会进一步增强其参与运动的积极主动性。态度消极用户主动参与运动行为的意愿较低，参与“步数排行榜”使其个人的运动行为转变为好友圈干预监控和相互竞争情形下的群体运动，为了在社会网络中获得好友点赞的社会支持和形象展示，态度消极用户参与排名后会激励自己努力增加运动步数，使自己在“步数排行榜”中的排名位置不断靠前，从而比态度积极用户的激励效果更强，平均行走步数增长更多。而对于运动态度中性用户而言，他们对自身的运动行为以及在好友圈排名的位置多持无所谓或不清楚的态度，因此，是否参与排名对其运动行为的影响较小。另一方面，用户参与微信运动“步数排行榜”对其行走步数的影响存在明显的性别差异，表8结果表明，参与“步数排行榜”对女性用户的日平均步数存在显著影响。通过不同的匹配方法，参与“步数排行榜”对女性用户的日平均步数分别增加了1 274.830、977.692和1 532.319，均在不同程度上显著。男性参与排名的日平均步数增长的差异更大，但结果多不具有显著性，并不能说明步数的增长是受到参与排名的影响，H2得到验证。微信运动“步数排行榜”对女性用户运动行为的影响比男性用户更显著，这是由于女性用户对社会关系更加敏感，更注重在社会网络中获得社会支持，女性的运动行为相对更容易受到外界的影响和干预，该结果与VERKOOIJEN et al.[30]的研究结果相似。而男性偏向于理性的自我规划，运动行为的参与度和自觉自愿程度更高，与张书朋等[35]的研究结果相似。同时样本中男性用户对于微信运动“步数排行榜”的参与率极高也是影响研究结果的原因，日平均步数的增长不能仅解释为是参与排名带来的结果。

5 结论

5.1 研究结果

本研究探讨基于微信运动的社会网络中用户参与“步数排行榜”对其运动行为的影响，研究用户的运动态度差异和性别差异对于排名机制与运动行为之间关系的调节作用。

研究结果表明，通过运用倾向得分匹配方法进行检验，控制组与处理组两组样本的特征变量的差异性显著降低，两组样本间倾向得分值密度函数分布更加接近，说明样本间的特征差异得以部分消除，匹配效果良好。匹配后的平均处理效应值表明，对用户特征变量的差异进行控制后，用户参与微信运动“步数排行榜”对其运动行为具有显著的正向激励作用，参与“步数排行榜”用户的日平均步数比不参与排名时均有所增加。

从用户个人特征角度看，微信运动“步数排行榜”对不同运动态度和不同性别用户的运动行为的影响具有显著差异。在运动态度方面，“步数排行榜”对运动态度积极和消极的用户均具有显著的激励作用，而对态度中性的用户的步数增长并不具有显著性；在性别差异方面，参与“步数排行榜”对女性用户的激励作用比男性用户更具显著性，女性用户更容易受到排名机制的影响。

5.2 理论意义

①本研究在研究对象上扩展了关于社会网络中用户行为影响机制的研究。已有研究主要关注在社会网络中用户间的正向关系，如合作关系对行为的影响，而关于用户间的排名机制对用户行为产生积极还是消极的影响或者与用户行为无关等方面的研究长期以来一直存在争议，没有定论。本研究以微信运动这个网络社交平台用户的运动行为作为研究对象，探讨“步数排行榜”对用户运动行为的影响。②本研究从性别差异和态度差异等用户个人特征的角度研究微信运动“步数排行榜”对运动行为的影响，研究结果表明，微信运动的“步数排行榜”对不同运动态度和性别的用户的影响存在显著差异，丰富了已有关于社会网络中用户行为存在性别差异和态度差异的研究。③已有研究对于运动行为大多用行走步数测量，忽略了用户在参与微信运动“步数排行榜”时选择性偏差和反事实估计的问题，本研究采用倾向得分匹配方法降低选择性偏差带来的影响。由于处理组和控制组两组样本的其他资源禀赋特征相似，因此两组样本之间的步数差异就可以解释为是“步数排行榜”排名机制的贡献，这样的结果更加准确。

5.3 实践意义

①从用户个人角度，本研究结果有利于用户更好地认识微信运动“步数排行榜”的价值和功能，了解排名机制对运动行为的影响，帮助其更好的对自我健康进行管理，增加通过排名机制的参与最终激励运动行为的可能性。②从在线健康平台运营角度，本研究弥补了对微信(特别是微信运动)平台中用户运动行为研究的不足。首先，用户的运动行为存在个人差异，平台要根据用户运动行为的习惯和喜好，找出更符合用户的有效服务，并结合用户需求有针对性地进行调整和优化。其次，运动社会网络应该加入排名机制，以激励用户的运动行为，排名中的竞争环境能有效激励用户参与的热情，并最终改变用户的行为意图。再次，在线健康平台对用户的支持不仅局限于提供信息支持和实现自我监控，还可以帮助建立有效的激励机制，而且由于用户间存在个体特征差异，激励措施的设置也应该相应差异化和个性化。最后，社会网络中的实时信息交互使用户在运动过程中获得反馈，以审视和激励自己，服务提供商可以给予“步数排行榜”靠前的用户一些虚拟奖励，如虚拟勋章或积分等，激励用户的运动行为；同时，扩大和完善在线健康平台的功能，如点赞、评论和采纳等，提高其信息化和社交化的功能，让用户感受到社会网络的影响，从而实现全民健身。

5.4 研究局限和展望

①样本有限且是静态数据，无法确定整体社会现象和用户未来行为的变化，“步数排行榜”是否对用户的运动行为产生持续影响是一个值得探讨的问题；而且数据来自于用户的自我报告，受用户主观影响较大，可能存在一定的测量偏差，后续研究可采用用户行走步数的实时数据进行分析；倾向得分匹配方法具有一定的局限性[46]，后续研究可以采用其他的匹配方法进一步的验证。②本研究只讨论了“步数排行榜”这一单一干预对运动行为的影响，未来可进一步增加对行为产生显著影响的变量，量化社会支持(如点赞行为)和竞争环境对行为的影响。③社会网络中存在许多拥有不同特质的群体，从而形成不同的网络结构群体，网络结构和节点位置决定着个体的影响力程度[47]。CENTOLA[48]的研究表明，与随机的网络群组相比，行为在集群化的网络结构中传播的更快，并且拥有越强群聚力的集群网络结构越有利于行为传播，因为当网络中某个体想采取某种行为时能收到越多来自同侪的强化信号，这些信号能增加行为被个人采用的可能性。后续研究可以对基于微信运动的社会网络中群聚结构对于运动行为的影响进行深入研究和考察。