微信公众号传播力评价指标体系研究

来源：核心期刊咨询网时间：12

摘要：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

　　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
 

　　《网络新媒体技术》是经国家新闻出版总署批准，由中国科学院主管，中国科学院声学所主办的公开发行的科技刊物，创刊于1980年，系月刊，是我国最早的计算机类科技刊物之一。

　　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Bartlett’s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

转载请注明来自：http://www.qikan2017.com/lunwen/wyi/15211.html