虚拟社区激励措施对用户知识贡献倾向的影响机理研究

张红超 王 茜 容 哲

(1.重庆邮电大学经济管理学院;2.中山大学管理学院;3.广州大学管理学院)

1 研究背景

虚拟社区用户知识贡献是社区可持续发展的源泉。社区平台普遍采取激励措施激发用户知识贡献积极性[1],但效果并不理想[2]。如何制定有效的激励措施鼓励用户积极贡献知识,实现虚拟社区可持续发展目标,已成为虚拟社区亟待解决的问题。

学术界已取得物质激励[3～6]、精神激励[7～12]以及二者联合激励措施[13]对用户知识贡献行为的影响成果。理性行为理论认为,用户行为意愿越强,实际发生行为的可能性越高。用户知识贡献倾向代表用户贡献知识的意愿程度。激励措施引起用户知识贡献倾向的变化,最终诱发贡献知识的行为发生[14]。只有厘清“激励—动态知识贡献倾向—知识贡献行为发生”这一完整链条,才能探究激励对知识贡献行为更深层次机理。目前,有关物质激励[3～6]、精神激励[7～12]对知识贡献倾向影响研究的结论存在明显分歧。用户知识贡献倾向会随用户的社区参与、社会曝光等社区环境,以及激励措施的变化而动态变化[15],但以往相关研究多假设用户知识贡献倾向是静态的,静态的激励措施无法与动态的用户知识贡献倾向相匹配,激励效果不理想。

针对于此,本研究依据刺激—有机体—反应(SOR)理论,认为虚拟社区激励通过诱发用户知识贡献倾向的变化影响用户知识贡献行为。以旅游虚拟社区为背景,主要回答以下问题:①社区用户知识贡献具有哪些客观的隐含倾向?②在同一知识贡献倾向下,用户的社区特征(如首次回答问题时间、累计贡献数量等)对知识贡献行为的影响如何?③如何根据用户动态变化的知识贡献倾向,实施匹配的激励措施?

本研究基于马蜂窝旅游虚拟社区数据,采用隐马尔科夫模型客观地刻画用户动态的隐含知识贡献倾向,探究物质激励、精神激励和二者联合激励与用户动态知识贡献倾向的匹配,以及对贡献行为的影响。本研究的创新点主要体现在以下方面:①基于隐马尔科夫模型测度用户的知识贡献倾向,为量化用户隐含的知识贡献倾向提供了新思路;②本研究在检验激励对用户知识贡献倾向的影响作用时证明,激励需要同用户知识贡献倾向相匹配才能产生正向作用,解决了现有关于激励对用户知识贡献倾向的影响结论不一致的问题;③本研究探讨特定知识贡献倾向下,首次回答问题时间、旅游经验、累计知识贡献数量与知识贡献行为之间的关系,在一定程度上拓展了用户社区特征与知识贡献行为关系的研究。本研究拟挖掘用户客观的隐含知识贡献倾向,明确不同激励措施有效性的适用边界,以期为虚拟社区运营者动态地实施匹配的激励措施,激发用户知识贡献积极性,维持社区的可持续发展提供理论依据和实践启示。

2 文献综述和理论基础

2.1 激励与知识贡献的相关研究

知识贡献行为是指知识拥有者提供和创造知识的过程和行为。为了激发用户积极贡献知识,社区运营者实施激励措施来刺激用户贡献知识[16]。相关研究表明,激励通过刺激用户知识贡献倾向的变化,进而诱发贡献知识的行为发生[14]。用户知识贡献倾向越强,产生知识贡献行为的可能性越大[17]。学者们分别探讨了内在激励和外在激励对用户知识贡献倾向的影响[1,8,9]。其中,外在激励又细分为物质激励、精神激励,以及物质激励和精神激励二者联合激励。

在物质激励对用户知识贡献倾向的影响研究中,有学者认为用户贡献知识是为了得到奖励,社区的物质激励会提高用户知识贡献倾向[1,4,18]。但SEBA等[5]认为,用户贡献知识是为了享受贡献乐趣,物质激励对用户知识贡献倾向没有影响。然而,BOCK等[6]研究发现,物质激励侵蚀用户内在动机,对知识贡献倾向产生负向影响。物质激励对用户知识贡献倾向是正向还是负向影响?GARNEFELD等[19]的研究提供了一种可能解释,他们从用户细分角度,认为物质激励对活跃用户知识贡献倾向产生负向影响,而对不活跃用户知识贡献倾向没有影响。关于精神激励对用户知识贡献倾向影响的研究,同样未得到一致的结论。部分学者研究证实,精神激励对用户知识贡献倾向产生正向影响[11]。而CHEN等[12]研究却认为,用户知识贡献倾向处于较高水平时,精神激励对用户知识贡献倾向没有影响。在联合激励对用户知识贡献倾向影响的研究中,赵琴琴等[1]发现在无精神激励时,高水平物质激励对用户知识贡献倾向的影响,大于低水平物质激励对用户知识贡献倾向的影响。

外在激励对知识贡献倾向的影响研究已取得丰富的成果,但仍存在以下局限:①用户知识贡献倾向是动态的[15],但现有研究多假设用户知识贡献倾向是静态不变的,从而无法根据用户动态变化的知识贡献倾向实施匹配的激励措施。②用户知识贡献倾向是隐含的,无法直接观测[12]。既有研究多采用问卷调查方法获取用户主观的知识贡献倾向,难免会受到调研对象主观认知的影响而产生测量误差。③用户知识贡献行为受到其社区特征的影响,但现有研究缺乏关于同一知识贡献倾向下用户社区特征对知识贡献行为影响的探讨,从而难以针对不同社区特征的用户实施有效激励措施,促使其积极贡献知识。

2.2 理论基础

SOR理论认为,外在刺激通过个体情感或认知影响其行为。该理论不仅能反映个体行为,还能揭示个体行为产生的内在原因,已被广泛应用在消费者购物行为、客户关系管理等研究中。基于该理论,本研究构建物质激励、精神激励以及联合激励对用户知识贡献倾向和知识贡献行为影响的机理模型。

3 模型构建与变量测量

3.1 模型构建

隐马尔科夫模型由BAUM等[20]提出。该模型不仅能够通过个体可观测行为来挖掘行为背后对应的隐含状态,而且能刻画隐含状态以及对应行为的动态变化过程,有利于企业根据个体所处隐含状态采取措施,以改变个体隐含状态,激发其产生对应行为。本研究利用该模型,基于可观测的激励措施和用户知识贡献行为,来挖掘行为背后对应的隐含知识贡献倾向,研究虚拟社区如何根据用户隐含的知识贡献倾向采取外部激励措施,提高用户知识贡献倾向,最终激发用户产生知识贡献行为。构建模型见图1。图1中,外部刺激(S)为用户在t时期受到的物质激励、精神激励和联合激励;有机体的中介状态(O)为用户在t时期知识贡献倾向;行为反应(R)为用户在t时期知识贡献倾向受到外部刺激发生转移后产生的知识贡献行为。

依据隐马尔科夫模型,设置Oit作为用户i在t时期的隐含知识贡献倾向集,假设用户隐含知识贡献倾向有N类,N的取值由似然函数值、赤池信息量准则(Akaike information criterion,AIC)、 贝叶斯信息准则 (Bayesian information criterions,BIC)确定。用户i在t时期受到激励Sit后,隐含知识贡献倾向发生转移,知识贡献倾向转移矩阵定义为Qit,则

(1)

式中,O为用户当期的隐含知识贡献倾向;O′为用户上一期的隐含知识贡献倾向;O、O′∈{1,2,…,N}。参照PARK等[21]的研究,用多项Logit模型表示用户i在t时期受到激励后,隐含知识贡献倾向由O′转移到O的函数表达式为

(2)

式中,uiO′O为用户i知识贡献倾向转移的常数项;Sit表示影响知识贡献倾向的激励措施,这里特指物质激励(mit)、精神激励(sit)和二者联合激励(jit);δO′O为激励措施系数值;conit表示影响用户知识贡献倾向的控制变量,包括用户粉丝变化量(fit)、撰写游记被阅读量(rit)和回复量(pit);αO′O为各控制变量系数值集合。考虑到每个用户知识贡献倾向转移存在异质性,对uiO′O做进一步的分解,有

uiO′O=φO′O+ηiO′O,

(3)

式中,φO′O表示所有用户知识贡献倾向从O′转移至O的平均倾向;ηiO′O表示用户i知识贡献倾向从O′转移至O的个体异质性倾向,即

φ=[φ11,φ12,…,φ1(O-1),…,φO(O-1)]′;

(4)

ηi=[ηi11,ηi12,…,ηi1(O-1),…,ηiO(O-1)]′ 。

(5)

用户知识贡献数量Cit拥有大量零值,考虑到零膨胀问题,参照MULLAHY[22]提出的栅栏模型,构建用户知识贡献数量为Cit时的函数表达式为

(6)

式中,Pit|O=P(Cit|Oit=O)表示用户i在t时期知识贡献倾向为O时,知识贡献数量为Cit的概率值;πitO满足logit(πitO)=δO+δi+xitφO;λitO满足ln(λitO)=γO+xitβO;xit表示特定知识贡献倾向下影响用户知识贡献行为的用户社区特征变量,具体包括用户首次回答问题时间(ait)、历史贡献数量(hit)、旅游经验(eit)。根据隐马尔科夫模型,将观察到的用户i在Ti时期内知识贡献行为(Ci1,Ci2,…,CiT)的联合概率记为Li,则

(7)

3.2 数据与样本

本研究数据来源于旅游虚拟社区马蜂窝(https://www.mafengwo.cn/)。马蜂窝是我国知名用户分享和获取旅游知识服务平台,截至2020年10月16日已经积累1 600万条用户点评,覆盖全球6万多个旅游目的地。为了激发用户贡献知识,马蜂窝推出了一系列激励措施,如虚拟货币(物质激励)、等级制度(精神激励)等。其中,虚拟货币指社区给予完成撰写游记、回答问题等贡献知识用户的“蜂蜜”奖励,可直接兑换实物商品或兑换实物商品时抵扣现金;等级制度指社区给予完成撰写游记、回答问题等贡献知识用户的“特权”奖励,在马蜂窝举办的社区活动中,等级越高的用户可获得更多的参与机会和福利。马蜂窝的激励措施和用户知识贡献行为数据为本研究提供了良好的基础条件。

本研究随机选取马蜂窝社区10 000名用户,自2020年7月19日～10月16日持续3个月的贡献行为数据,包括每天实时抓取用户获取蜂蜜数量、等级大小、撰写游记数量、回答问题数量、首次回答问题时间、累计知识贡献数量、足迹等获取激励和贡献行为数据。为了探究用户贡献行为背后的贡献倾向,本研究选择在观测期内至少有一次知识贡献行为的用户作为研究对象,最终得到421名用户构成有效样本集。该样本集不仅能够满足隐马尔科夫模型对数据周期长度以及样本量的要求,而且能够满足本研究的研究目标。

3.3 变量与测量

本研究以周为单位对模型中变量进行测量,变量的具体定义和测量方式如下。

(1)测量激励措施的变量有物质激励(mit)、精神激励(sit)和联合激励(jit)。参考以往研究中激励测量指标[1],本研究选取马蜂窝提供的虚拟货币“蜂蜜”表示物质激励措施,用上一期用户知识贡献获得的“蜂蜜”数量衡量;选取马蜂窝旅游虚拟社区设置的用户等级制度表示精神激励措施,用上一期用户知识贡献获得的等级变化量衡量;将上一期物质激励与精神激励两个变量相乘得到的交乘项来表示联合激励。

(2)测量用户知识贡献行为的变量为用户知识贡献数量(Cit)。知识贡献行为是指知识拥有者提供和创造知识的过程和行为,包括发表自己的想法、回答其他用户问题等。旅游虚拟社区中用户主要通过撰写游记、回答问题贡献知识[1],因此本研究选择用户本期撰写游记和回答问题的总量作为用户知识贡献数量。

(3)测量用户社区特征的变量有用户首次回答问题时间(ait)、历史贡献数量(hit)、旅游经验(eit)。用户知识贡献行为不仅受到用户知识贡献倾向的影响,也会受到用户在社区的时间因素、历史贡献行为等用户社区特征的影响[23]。本研究同样考虑用户在社区的时间因素对其知识贡献行为的影响。由于马蜂窝社区未公开用户注册时间,本研究选取用户首次回答问题的时间作为用户社区时间因素变量,并计算用户每一期与首次回答问题时间差值来衡量用户社区时间变量。此外,CHEN等[12]和PAI等[24]研究发现,用户历史贡献行为会影响其未来的知识贡献行为。因此,选择用户截至上一期撰写游记数量、回答问题数量的累计量衡量用户历史贡献数量。相关研究表明,用户经验是影响其知识贡献行为的因素之一[25],用户经验越丰富,其知识贡献数量越多。本研究认为,旅游经验丰富的用户可能会撰写更多的游记,也会更积极地回答其他用户的问题,即旅游经验越丰富越容易产生知识贡献行为,故选择截至上一期用户到访旅游景点的数量来衡量用户旅游经验。

(4)测量的控制变量有用户粉丝变化量(fit)、撰写游记被阅读量(rit)和回复量(pit)。相关研究提出,虚拟社区环境对用户知识贡献倾向产生影响[15,26],虚拟社区环境是用户赖以生存以及虚拟社区得以正常运转的客观条件的总和,其中用户粉丝数量、社会曝光等属于虚拟社区环境的重要指标[27]。用户粉丝数量和社会曝光是影响其知识贡献倾向的因素[26],故本研究选取二者作为控制变量。社会曝光是指用户贡献的知识在社区中被其他用户浏览的次数。本研究以用户所撰写游记被阅读数量和被回复数量来衡量社会曝光。相关变量的定义及描述性统计详见表1。

表1 变量定义及描述性统计(N=421)

续表1

4 模型结果

4.1 挖掘用户的隐含知识贡献倾向

为减少抽样点间的共线性问题,本研究采用等距抽样方法,利用混合Gibbs 抽样和M-H 抽样算法估计模型中参数。为了达到较好的参数收敛结果,实验中共进行100 000 次迭代,在删除前90 000次迭代结果消除先验假设的影响后,选择后10 000次较稳定的数据估计参数后验均值。

进一步挖掘用户隐含知识贡献倾向的数量。用户隐含知识贡献倾向可能有2、3、4种类型,通过模型的似然函数值、AIC和BIC值判断用户隐含知识贡献倾向数量是多少时模型拟合度最好[28],依此确定用户隐含知识贡献倾向类型的数量。用户隐含知识贡献倾向类型为2、3和4种时,模型的似然函数值、AIC和BIC值见表2。由表2可知,隐含知识贡献倾向为3种类型时,模型拟合效果最好。因此,确定用户隐含知识贡献倾向为3种。当用户处于高知识贡献倾向时最容易产生知识贡献行为,而当用户处于低知识贡献倾向时最不易产生知识贡献行为。为了便于阐述,本研究依据不同倾向下用户知识贡献数量多少,将用户知识贡献倾向依次定义为积极倾向(知识贡献数量最多)、参与倾向(知识贡献数量次之)、沉默倾向(知识贡献数量最少)3种。

表2 客观的隐含知识贡献倾向类型划分(N=421)

4.2 识别用户的隐含知识贡献倾向

借鉴NETZER等[28]提出的识别用户隐含状态的方法,挖掘每位用户在任何时期知识贡献倾向所处的隐含状态,随机选取4名用户在每一时期的隐含知识贡献倾向情形见图2。

图2 用户隐含知识贡献倾向动态变化

由图2可知,不同时期用户隐含知识贡献倾向是随社区环境以及激励变化而动态变化,而且用户的知识贡献倾向可在不同的倾向间转移。此外,在取样期间不同用户的知识贡献倾向转移具有不同的模式,如用户样例1仅在沉默倾向和参与倾向间转移,从未转移到积极倾向;而用户样例2在沉默倾向、参与倾向和积极倾向间转移。

不同周期不同知识贡献倾向转移用户数量见表3。由表3可知,大部分用户处于沉默倾向或参与倾向,仅有少部分用户处于积极倾向。这也符合虚拟社区用户知识贡献倾向不高的现实状况。此外,当用户处于沉默倾向时,其更可能维持在沉默倾向;当用户处于参与倾向时,其更可能维持在参与倾向;而当用户处于积极倾向时,其更可能转向积极倾向或沉默倾向。

表3 不同周期不同知识贡献倾向转移用户数量(N=421)

4.3 同一倾向下用户特征对其知识贡献行为的影响

为了衡量特定知识贡献倾向下用户社区特征对用户知识贡献行为的影响,本研究选择最后10 000次迭代结果,计算用户社区特征变量系数的后验均值及5%显著性水平下的置信区间,结果见表4。

表4 用户社区特征变量系数后验均值(N=421)

由表4可知,无论用户处于沉默倾向、参与倾向还是积极倾向,累计知识贡献数量对用户当期的知识贡献数量产生正向影响(系数值分别为0.012,0.019,0.029);旅游经验对用户的知识贡献数量产生正向影响(系数值分别为0.021,0.026,0.027);首次回答问题时间对用户的知识贡献数量产生正向影响(系数值分别为0.037,0.057,0.274)。以上系数值表明,在同一知识贡献倾向下,用户累计知识贡献数量、旅游经验越多,首次回答问题时间越早,用户知识贡献数量越多。

4.4 激励对用户知识贡献倾向的影响

为了衡量激励对用户知识贡献倾向的影响,本研究计算激励措施变量和控制变量系数的后验均值及5%显著性水平下的置信区间,结果见表5。

表5 激励措施变量及控制变量系数的后验均值(N=421)

由表5可知:①当用户处于沉默倾向时,物质激励和精神激励对其继续停留在沉默倾向均产生正向影响(系数值分别为0.073,0.094),联合激励对其继续停留在沉默倾向产生负向影响(系数值为-0.172),物质激励对其向参与倾向转移具有促进作用(系数值为0.074),精神激励和联合激励对其向参与倾向转移均产生消极影响(系数值分别为-0.231,-0.198);②当用户处于参与倾向时,物质激励和联合激励对其向沉默倾向转移均产生积极影响(系数值分别为0.002,0.013),精神激励对其向沉默倾向转移产生负向影响(系数值为-2.707),物质激励和联合激励对其继续维持在参与倾向均具有促进作用(系数值分别为0.001,0.013),精神激励对其继续维持在参与倾向具有抑制作用(系数值为-1.423);③当用户处于积极倾向时,精神激励和联合激励均促使其向沉默倾向转移(系数值分别为0.098,0.007),物质激励抑制其向参与倾向转移(系数值为-0.005),精神激励和联合激励对其向参与倾向转移均产生正向影响(系数值分别为0.105,0.008)。

为进一步量化不同激励措施对用户知识贡献倾向转移的边际效应,更直观地展现激励措施对用户知识贡献倾向转移的影响,将表3中常数项均值、控制变量系数均值、控制变量均值代入式(1)和式(2),得到基准的知识贡献倾向转移概率值;再分别将物质激励系数均值及其变量均值、精神激励系数均值及其变量均值、联合激励系数均值及其变量均值依次代入式(1)和式(2),得到知识贡献倾向转移概率值作为对照,所得结果见表6。

表6 用户知识贡献倾向转移概率值(N=421)

由表6可知:①当用户处于沉默倾向时,联合激励使用户转移至积极倾向的概率值提高10%,使用户停留在沉默倾向的概率值降低9%;而精神激励对用户知识贡献倾向的转移没有影响;相反,物质激励使用户转移至积极倾向的概率值降低4%,使用户保持在沉默倾向的概率值提高3%。因此,当用户处于沉默倾向时,联合激励对其向更高倾向转移具有积极作用。②当用户处于参与倾向时,精神激励使用户转移至积极倾向的概率值提高1%,使用户转移至沉默倾向的概率值降低2%;相反,物质激励(联合激励)使用户转移至积极倾向的概率值降低2%(1%),使用户转移至沉默倾向的概率值提高3%(1%)。因此,当用户处于参与倾向时,精神激励对其向更高倾向转移产生积极影响。③当用户处于积极倾向时,物质激励使用户维持在积极倾向的概率值提高8%,使用户转移至参与倾向的概率值降低9%,而精神激励和联合激励对用户知识贡献倾向的转移没有影响。因此,当用户处于积极倾向时,物质激励有利于其继续维持在积极倾向。上述结果表明,正是由于用户知识贡献倾向存在动态转移变化,激励措施唯有与用户隐含知识贡献倾向相匹配才能发挥最佳效果。

5 结语

本研究主要结论如下:①根据模型似然函数值、AIC和BIC值可以明确,用户可观测知识贡献行为背后的隐含知识贡献倾向具有积极倾向、参与倾向、沉默倾向3种类型;②在特定的知识贡献倾向下,用户首次回答问题时间、旅游经验、累计知识贡献数量对其知识贡献行为产生正向影响;③激励与用户动态变化知识贡献倾向匹配才能取得正向的激励作用。当用户处于沉默倾向时,实施联合激励更能有效促使其向积极倾向转移;当用户处于参与倾向时,实施精神激励更能有效刺激其向积极倾向转移;当用户处于积极倾向时,实施物质激励可以使其继续维持在积极倾向。

本研究的理论贡献:①本研究发现,激励对知识贡献倾向的影响是正向促进、负向抑制还是没有作用,取决于用户的知识贡献倾向所处的状态是沉默、参与,还是积极,调和了现有激励对用户知识贡献倾向影响结论不一致的矛盾。②以往研究多采用问卷调查方法获得用户的知识贡献倾向[15],难免会受到调研对象主观偏好影响而产生误差,同时问卷调查方法无法对用户动态的隐含知识贡献倾向进行实时量化。本研究采用隐马尔科夫模型,不仅弥补了问卷调查方法存在的计量偏差,而且能够对用户实时变化的知识贡献倾向进行量化。③现有研究虽然考虑了用户社区特征对知识贡献行为的影响,但缺乏对特定知识贡献倾向下用户社区特征对知识贡献行为影响的探讨。本研究探究同一知识贡献倾向下用户首次回答问题时间、旅游经验、累计知识贡献数量对其知识贡献行为的影响,推进了用户社区特征与用户知识贡献行为关系的研究。

本研究对管理实践也有重要的启示:①研究表明,用户的隐含知识倾向分为积极倾向、参与倾向、沉默倾向,且不同倾向间能够动态地转移。这为虚拟社区运营者提供了一个观察用户贡献行为的新视角——看似静态的在线用户,实则贡献倾向在动态变化。虚拟社区运营者可以针对不同倾向用户群体动态调整匹配的激励措施,促使用户向积极倾向转移,产生知识贡献行为。②不同用户处于同一知识贡献倾向时,累计贡献数量越多、旅游经验越丰富、首次回答问题时间越早,其知识贡献的数量越多。因此,社区运营者应重视对这部分客户的管理和保留。③由于用户知识贡献倾向的动态变化,激励对知识贡献倾向影响边界不同,即呈现不同的效果甚至出现正负向影响的转变。这意味着在激励用户贡献知识时,切忌一味盲目地采取“一刀切”的激励措施。

本研究还存在一定局限:①仅以国内典型旅游虚拟社区用户为研究对象,未来研究可进一步选择其他旅游虚拟社区用户进行分析,研究结论会更具普适性;②本研究抓取421名社区用户持续3个月的知识贡献行为和激励措施数据,未来研究可延长时段、选择更多的用户样本,使研究结论更加稳健;③本研究以兴趣型社区用户为研究对象,后续研究可选取交易型社区、开源软件社区[29]等其他类型社区用户知识贡献行为进行分析,进一步拓展和丰富研究结论。