社交网络SPV值影响因素实证分析.docVIP

社交网络SPV值影响因素实证分析 　　摘要：社交网络（SNS）近几年在中国极受欢迎。本文提出SPV值这一概念（SNS Page Views），即社交网络浏览量，如新浪微博“粉丝”数、QQ空间“浏览量”、腾讯微博“听众”数、人人网“最近来访”等等。SPV值是驱使个体在社交网络做出不同行为的决定指标。我们将社交网络中众多行为指标引入多元线性回归模型，通过筛选与分析，解释影响SPV值的因素。最后，根据得出结论给出建议并解释当下“读图时代”的作用机制。 　　关键词：社交网络；SPV值；实证分析 　　一、引言 　　Social Network Sites（即社交网站）。以人人网（校内网）、开心网、QQ、众众网SNS平台为代表。以聚合性、真实性、黏粘性为主要特征，给不同身份的人提供了一个互动交流平台，提高用户之间的交流效率，通过提供发布日志、保存相册、音乐视频等站内外资源分享等功能搭建了一个功能丰富高效的用户交???互动平台。 　　不同的社交网络，对于访问量的指标一直有不同的名称和衡量标准，如新浪微博“粉丝”数、QQ空间“浏览量”、腾讯微博“听众”数、人人网“最近来访”等等，其与现实中的客人数有相同的性质，反映了一个人受欢迎的程度。为了提高自己的访问量，有不少人各出奇招——频发状态，频发照片，频发日志等。有的见效显著，有的却效果甚微。本文提出SPV值这一概念，即SNS Page Views（社交网络浏览量），来衡量不同社交网络的访问量指标。接下来将以人人网、新浪微博、QQ空间、腾讯微博四个社交网络为典型样本，分析SPV值的影响因素。 　　二、样本数据与变量的选取 　　不同SNS的众多行为指标间具有相关性，比如等级与勋章数直接反映了活跃程度、上线时间与频率，而这些都会影响等级的增长。好友数与收听数和关注数等反映了该人的交际圈，好友数量多SPV值自然理论上会多。日志与照片可以被转发，以获得等大的关注。当好友点进去观看时，SPV值就会增加。状态、广播、微博数量反映了一个人的活跃程度，数量多说明活跃，SPV值可能较多。 　　三、模型估计 　　（一）模型建立 　　我们假设回归模型为： 　　lnY=β0+β1lnX1+β2lnX2+β3lnX3+…+βnlnXn+μ 　　其中，Y代表SPV值，Xj（j=1…n）代表不同行为指标，μ是随机干扰项。 　　通过描述性统计从均值看出解释变量量纲相差不是很大，可以直接分析。由相关系数矩阵可以看出，不同SNS中Y与x，x之间均有一定的相关性，存在自相关问题。图示散点图检验做各指标与Y的散点图，直观上看，对有较强的相关性和较弱相关性变量有大致了解。用Eviews进行OLS分析，通过模型优化与解释变量选择，得到最后通过显著性检验且系数意义符合常识结果。 　　（二）异方差的检验与修正 　　此模型可能存在异方差问题，进行White检验，证实存在异方差问题，以1/|resid|为权重进行WLS，模型得到了显著的优化。 　　四、直接结论 　　据此我们可以得出一些共性结论：好友数，等级，照片数对SPV值有很强的关系。但类似于发表状态，发微博，留下网络言论等则对SPV值影响不大。这与传统的想法有所出入，我们将在建议部分详细阐述。 　　五、结论存在的问题 　　以上结论可能与常识有一定偏差。大部分SPV值很高的人是因为经常传一些照片所致。但是，他们所传的受欢迎的照片大多是一些写真和搞笑图片。而对于图片的种类，我们没有进行区分。但据常识，写真和搞笑图片会对使访问量剧增，而风景图片则收效甚微。同时，社交网络中个体长相因素也应考虑在内。诚然，帅哥美女拥有很高的SPV值。但长相指标很难量化，需要收集数据通过综合评判指数化后，再引入模型。 　　本次建模得出的是一个普遍层面上的结论，对于每个人的特色没有进行区分，也略去了一些细节，例如在SNS中的发言的内容与质量。所以实际情况可能与模型估计有偏差，模型只是反映普遍层面上的情况。 　　最后，本文仅对多重共线性和异方差性进行了修正，随机解释变量问题并不明显，所以并未纳入考虑，但并不代表其不存在，这方面会造成一定误差。 　　六、建议 　　（一）对通过SNS获得高关注度的个体 　　通过分析我们得出结论，社交网络中“等级”、“照片”、“好友数量”才是造成高关注度，提高SPV值的显著原因，网络言论（“状态”、“广播”、“微博”）无法显著提高SPV。这与一般观念有所不同，许多通过或新颖或激进的言论来获得网络关注度，想“出名”的行为被认为是收效甚微的。不是说你关注多少人发多少条微博就可以获得多少“粉丝”，真正想通过SNS获得高关注度的个体应该要对症下药，比如广交好友，提高好友数量，发一些照片，尤其是高质量有吸引力的照片，这将显著提高SPV值。 　　（二）对社交