王海龍

（隴南師范高等?？茖W(xué)校，甘肅隴南742500）

基于回歸分析模型的旅游官方微博影響力分析
——以2015年第三季度全國十大旅游局微博影響力為例

王海龍

（隴南師范高等?？茖W(xué)校，甘肅隴南742500）

本文根據(jù)官方微博影響力評(píng)價(jià)體系中的評(píng)價(jià)指標(biāo)傳播力、互動(dòng)力、服務(wù)力構(gòu)建回歸分析模型，通過Stata軟件對(duì)獲取數(shù)據(jù)做處理分析，得出旅游微博影響力與相關(guān)因素之間的線性關(guān)系，以期發(fā)現(xiàn)與旅游微博影響力相關(guān)的旅游現(xiàn)象，對(duì)旅游業(yè)在社交方面的發(fā)展做出展望。

旅游官方微博；影響力；傳播力；互動(dòng)力；服務(wù)力

在現(xiàn)實(shí)生活中旅游需要頻繁地發(fā)生著變化，旅游行為則表現(xiàn)出了多元化、個(gè)性化、社交化的特點(diǎn)，現(xiàn)階段體驗(yàn)性的旅游成為旅游消費(fèi)者追求精神層面的需求，社交開始成為旅游的一部分。微博是以人為核心，以關(guān)系鏈為基礎(chǔ)，互動(dòng)性極強(qiáng)的一種社交媒介，同時(shí)又是集社會(huì)化與個(gè)性化為一體的社交網(wǎng)絡(luò)平臺(tái)。旅游消費(fèi)者可以通過微博找到了旅游關(guān)系鏈條，通過彼此之間的網(wǎng)絡(luò)連接、相互交織旅游信息，組成一圈又一圈、密密麻麻的旅游社交脈絡(luò)，這種以社會(huì)關(guān)系為紐帶形成的旅游社交網(wǎng)絡(luò)，首先是旅游消費(fèi)者的自我存在、自我表達(dá)、自我展示，再然后是與關(guān)系鏈條上的其他旅游消費(fèi)者或旅游機(jī)構(gòu)互動(dòng)分享，滿足了旅游消費(fèi)者精神層面的需求［1］。微博影響著旅游消費(fèi)者的行為，，滿足了旅游消費(fèi)者的旅游社交需求，并從中挖掘出旅游關(guān)系中存在的價(jià)值，無形中塑造著旅游消費(fèi)者的行為。

社交媒介中的影響力又是網(wǎng)絡(luò)分析的重要內(nèi)容。［2］自從20世紀(jì)50年代Kata和Lazarsfeld［3］發(fā)現(xiàn)社交影響力在社會(huì)生活和決策制定等方面發(fā)揮重要作用至今，影響力分析在多個(gè)領(lǐng)域得到廣泛應(yīng)用，比如推薦系統(tǒng)［3］、社交網(wǎng)絡(luò)信息傳播［5-9］、鏈路預(yù)測［10-12］、病毒式營銷［13-19］、公共健康［20-21］、專家發(fā)現(xiàn)［22-23］、突發(fā)事件檢測［24］和廣告投放［25］等。社交人民網(wǎng)輿情檢測室對(duì)全國通過微博認(rèn)證的官方微博影響力進(jìn)行評(píng)價(jià)，評(píng)價(jià)體系包括三個(gè)維度：傳播力①、互動(dòng)力②、服務(wù)力③［26］。旅游官方微博的影響力，也就是旅游信息傳播力、滲透力，是發(fā)展在線旅游不可忽略的。

一、多元回歸模型

（一）原理

在現(xiàn)實(shí)生活遇到的許多問題中，通常影響問題的隨機(jī)變量的因素不只一個(gè)，而是很多個(gè)，旅游局官方微博影響力就受到諸多因素的影響。旅游局官方微博影響力和微博自身的傳播力、服務(wù)力、互動(dòng)力等等這些隨機(jī)變量間存在明顯的因果性，而相關(guān)系數(shù)只能用來解釋變量之間的相關(guān)關(guān)系的方向和緊密程度，卻不能解釋因果數(shù)量關(guān)系。影響旅游局官方微博影響力中的傳播力、服務(wù)力、互動(dòng)力之間的數(shù)量關(guān)系相互依存卻不嚴(yán)格，回歸分析就是應(yīng)用兩個(gè)或多個(gè)因變量來估計(jì)因變量，根據(jù)數(shù)量關(guān)系不嚴(yán)格、不規(guī)律的問題中找出事件的發(fā)生規(guī)律。若在其他解釋變量保持不變的情況下，通過回歸分析可得其中任一自變量發(fā)生單位變化時(shí)因變量均值的變化［27］?；貧w分析是研究自變量作為一般變量，因變量為隨機(jī)變量時(shí)兩者之間的相關(guān)關(guān)系的統(tǒng)計(jì)［28］。

（二）模型的建立［29］-［31］

多元回歸模型的一般形式為：Y=α+β1X1+ β2X2+β3X3，其中Y表示被解釋變量，X1、X2、X3分別表示三個(gè)解釋變量，構(gòu)建一個(gè)多元回歸模型，其中α、β1、β2、β3為參數(shù)，μ為誤差項(xiàng)。多元回歸分析是以多個(gè)解釋變量的給定值為條件的回歸分析，根據(jù)多元回歸分析中參數(shù)估計(jì)的計(jì)算原理，依靠最小二乘法（OLS），計(jì)算能夠使殘差平方和最小的參數(shù)值。

根據(jù)聯(lián)立的方程組進(jìn)行以下計(jì)算：步驟1，引入矩陣（1.5）的形式來求解。步驟2，根據(jù)（1.6）求出最大似然估計(jì)(）T，最終得出。

（三）模型擬合優(yōu)度檢驗(yàn)

由于旅游局微博影響力受到諸多因素的影響，而多元回歸的決定系數(shù)是用來檢驗(yàn)多元回歸模型擬合優(yōu)度的一種方法，多元相關(guān)系數(shù)則是來測量被解釋變量與兩個(gè)以上的解釋變量之間的相關(guān)關(guān)系的強(qiáng)弱的指標(biāo)［31］。本案例的回歸模型完全適用多元回歸的決定系數(shù)來檢驗(yàn)?zāi)Ｐ偷臄M合優(yōu)度。多元回歸的決定系數(shù)，其中ESS=TSS-RSS，（ESS為回歸平方和，RSS為殘差平方和，TSS為總離差平方和）0≤R2≤1，R越接近1，該方程式中的參考的價(jià)值就越高，模型的擬合度就越高，觀落在回歸直線附近的觀察點(diǎn)越密集。

二、Stata統(tǒng)計(jì)分析回歸模型

（一）模型的建立

本文選取2015年第三季度全國十大旅游局微博影響力分值如表1，根據(jù)分析回歸模型設(shè)旅游局微博的傳播力為X1、服務(wù)力為X2、互動(dòng)力為X3，旅游局微博影響力的總分為Y，得出Y=α+β1X1+β2X2+ β3X3，按照以上步驟進(jìn)行計(jì)算，對(duì)其進(jìn)行微分，聯(lián)立方程組，得出矩陣。

表1 2015年第三季度全國十大旅游局微博影響力分榜

（二）Stata統(tǒng)計(jì)分析數(shù)據(jù)

在Stata 1.2統(tǒng)計(jì)分析軟件中輸入命令經(jīng)過統(tǒng)計(jì)分析表1中的數(shù)據(jù)，得出結(jié)果如下圖。

（三）模型的檢驗(yàn)

由Stata分析結(jié)果可知，RSS=191.798852，ESS=0.00037523，TSS=191.79889，根據(jù)多元回歸系數(shù)

R2=，得出R2=0.99999980。從Stata的報(bào)告系數(shù)

Y=α^+β1X1+β2X2+β3X3=0.0078154+0.3996517X1+0.1999822X2+0.4003539X3。自變量傳播力X1、服務(wù)力X2、互動(dòng)力X3引起的變動(dòng)占旅游局微博影響力變動(dòng)的百分比較高。假設(shè)其他條件不變，若傳播力指數(shù)增加0.3996517可知旅游局微博影響力有95%的概率落在［0.3989273，0.400376］之內(nèi)，大約可以上升0.4；服務(wù)力指數(shù)增加0.1999822，由可知旅游局微博影響力有95%的概率落在［0.1998262，0.2001382］內(nèi)，大約可以上升0.2；互動(dòng)力指數(shù)增加0.400359，由可知旅游局微博影響力有95%的概率落在［0.3998922，0.4008157］之內(nèi)，大約可以上升0.4；旅游官方微博要提高自身的影響力，提升旅游目的地的知名度，旅游局官方微博就需要對(duì)自身公眾號(hào)的傳播力、服務(wù)力、互動(dòng)力加大力度，互動(dòng)性尤其重要。

三、總結(jié)

在后信息時(shí)代，旅游消費(fèi)者對(duì)信息的需求轉(zhuǎn)向了多層次、多方向，對(duì)社交媒介發(fā)布的信息更為敏感，微博在被公眾所認(rèn)可的同時(shí)，也成為一種旅游搜索工具，用戶和微博間形成一種雙向的依賴關(guān)系，在相互依賴中較強(qiáng)的一方往往是微博自身，從傳播內(nèi)容上影響用戶的旅游行為，依賴社交關(guān)系創(chuàng)造旅游需求。當(dāng)微博的某個(gè)用戶主動(dòng)發(fā)布信息，與他人的連接關(guān)系的數(shù)量以及連接關(guān)系的復(fù)雜性都將急劇增加［32］，也就是信息傳播的“小世界效應(yīng)”。

旅游信息的有效接收取決于微博自身的權(quán)威性、可靠性和微博的粉絲，通常用微博的影響力來判斷，根據(jù)人民輿情檢測室的評(píng)價(jià)指標(biāo)，微博的影響力大小主要由微博的傳播力、服務(wù)力、互動(dòng)力來決定。旅游局官方發(fā)布的旅游微博內(nèi)容真實(shí)、有創(chuàng)意，附帶清晰的圖片、有鏈接、有表情符號(hào)等，在相對(duì)程度上能引起用戶的注意，促進(jìn)旅游信息大范圍用戶的有效接收，并閱讀微博；若有話題討論，更能帶動(dòng)用戶積極性去主動(dòng)挖掘旅游相關(guān)信息，點(diǎn)評(píng)微博，更有可能主動(dòng)轉(zhuǎn)發(fā)或創(chuàng)作微博，雙方之間形成一種良性互動(dòng)，旅游相關(guān)信息快速地被一層層傳播下去，傳播的滲透力也更強(qiáng)，激發(fā)潛在旅游消費(fèi)者旅游的動(dòng)機(jī)也就越強(qiáng)，短時(shí)間內(nèi)微博在保持原有數(shù)量的粉絲基礎(chǔ)上吸引新粉絲關(guān)注自身，自身的影響力也會(huì)上升。作為旅游局的官方微博切實(shí)做到以人為核心，從微博的傳播力、服務(wù)力、互動(dòng)力角度出發(fā)，保證發(fā)博總數(shù)有質(zhì)有量有料有調(diào)，加大原創(chuàng)微博的比例，保證越多的用戶去閱讀該微博，甚至主動(dòng)評(píng)論、點(diǎn)贊、轉(zhuǎn)發(fā)該微博，及時(shí)處理用戶的私信，保障用戶需求得到重視得到解決。在下一輪發(fā)出的微博，內(nèi)容要?jiǎng)?chuàng)新，貼近用戶需求，保障原有粉絲數(shù)量不減，并吸納更多的粉絲來響應(yīng)微博的內(nèi)容，用最低的成本，達(dá)到了最佳的旅游宣傳效果。在保證自身微博內(nèi)容質(zhì)量的同時(shí)，也要及時(shí)發(fā)聲，回應(yīng)微博上散布的不真實(shí)、欺騙性的信息，處理熱點(diǎn)輿情信息，穩(wěn)定粉絲情緒，在最短時(shí)間用最快速度將不真實(shí)的信息扼殺在搖籃中，服務(wù)了廣大用戶，保障廣大用戶知情權(quán)的權(quán)利。通過借力網(wǎng)絡(luò)熱點(diǎn)事件，既保證微博自身的權(quán)威性，服務(wù)廣大用戶同時(shí)也提升了自身的影響力。

【注釋】

①“傳播力”該項(xiàng)指標(biāo)依據(jù)微博閱讀數(shù)、發(fā)博總數(shù)、原創(chuàng)微博發(fā)博數(shù)來計(jì)算，傳播力的指標(biāo)越高，表明越多的網(wǎng)民看到微博內(nèi)容。傳播力=微博閱讀數(shù)+發(fā)博總數(shù)+原創(chuàng)發(fā)博數(shù)

②“服務(wù)力”該項(xiàng)指標(biāo)依據(jù)主動(dòng)評(píng)論數(shù)、私信次數(shù)、私信人數(shù)來計(jì)算，服務(wù)力指標(biāo)越高，意味著服務(wù)了越多的網(wǎng)民。服務(wù)力=主動(dòng)評(píng)論數(shù)+私信次數(shù)+私信人數(shù)

③“互動(dòng)力”該項(xiàng)指標(biāo)由被轉(zhuǎn)發(fā)、被評(píng)論、被贊來計(jì)算，互動(dòng)力指標(biāo)越高，說明越多的網(wǎng)民響應(yīng)微博的內(nèi)容?；?dòng)力=被轉(zhuǎn)發(fā)數(shù)+被評(píng)論數(shù)+被贊數(shù)

［1］李翔昊.SNS浪潮---擁抱社會(huì)化網(wǎng)絡(luò)的新變革［M］.北京：人民郵電出版社，2010：1

［2］吳信東，李毅，李磊.在線社交網(wǎng)絡(luò)影響力分析，計(jì)算機(jī)學(xué)報(bào)［N］，2014，37（4）：735-736

［3］Katz E，Lazarsfeld P F.Personal Influence：The Part Played by People in the Flow of Mass Communication.Piscataway：Transaction Publishers，2006

［4］Rashid A M，Karypis G，Riedl J.influence in ratings-based recommender systems：An algorithm-independent approach//Proceedings of the SIAM International Conference on Data Mining.Newport Beach，California，USA，2005：556-560

［5］Bakshy E，Hofman J M，Mason W A，Watts D J.Everyone，s an influence：Quantifying influence on twitter//Proceedings of the 4th ACM International Conference on Web Search and Data Mining.Hong Kong，China，2011：65-74

［6］Cha M，Haddadi H，Benevenuto F，Gummadi K P.Measuring user influence in twitter：The millon follower fallacy//Proceeding of the 4th International AAAI Conference on Weblogs and Social Media，Washington，DC，USA，2010：10-17

［7］Romero D M，Galuba W，Asur S，Huber man B A.Influence and passivity in social media//Proceedings of the European Conference on Machine Learning and Principles and Practices of Knowledge Discover in Databases.Athens，Greece，2011：18-33

［8］Weng J，Lim E-P，Jiang J，He Q.Twitterrank：Finding topic-senstitive influence twitters//Proceedings of the 3rd ACM International Conference on Web Search and Data Mining.New York City，USA，2010：261-270

［9］Yang J，Leskovec J，Modeling information diffusion in implicit networks//Proceedings of the2010 IEEE International Conference on Data Mining.Sydney，Australia，2010：599-608

［10］Backstorm L，Hunterlocher D，Kleinberg J，Lan X.Group formation in large social networks：Membership，growth，and evolution//Proceedings of the12th ACM SIGKDD International Conferenceon Knowledge Discovery and Data Mining.Philadelphia，USA，2006：44-54

［11］Grandall D，Cosley D，Huttenlocher D，et al.Feedback effects between similarity and social influence in on line communities//Proceedings of 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.Las Vegas，USA，2008：160-168

［12］Aiello L M，Barrat A，Schifanella R，et al.Friendship prediction and homophilyin social media.ACMT ransactions on Web，2012，6（2）：1-33

［13］Bass FM.A new product growth model for consumer durables. Management Science，1969，15（5）：215-227

［14］Brown J J，Reingen P H，.Social ties and word-of-mouth referral behavior.Journal of Consumer Reseach，1987，14（3）：350-362

［15］Mahajan V，Muller E，Bass FM.New product diffusion models in marketing：A review and directions for research.The Journal of Marketing，1990，54（1）：1-26

［16］Domingos P，Richardson M.Mining the network value of customer//Proceedings of the 7th ACMSIGKDD International Conference on Knowledge Discovery and Data Mining.San Francisco，USA，2001：57-66

［17］Goldenberg J，Libai B，Muller E，Talk of the network：A complex systems look at the underlying process of world-of-mouth.Marketing Letters，2001，12（3）：211-223

［18］Richardson M，Domingos P.Mining knowledge-sharing sites for viral marketing//Proceeding of the 8th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.Edmonton，Canada，2001：61-70

［19］Leskovec J，Adamic LA，Huberman B A.The dynamics of viral marketing//Proceeding of the 7th ACM Conference on Electronic Commerce. Ann Arbor，USA，2006：228-237

［20］Christakis N A，F(xiàn)owler JH.The spread of obesity in a large social network over 32 years.New England Journal of Medicine，2007，335（4）：370-379

［21］Fowler J H，Christakis N A.Dynamic spread of happiness in a large social network：Longitudinal analysis over20 years in the Framingham heart study.British Medical Journal，2008，337（a2338）：1-9

［22］Dong W，Pentland A.Modeling influence between experts//Proceedings of the ICMI 2006 and IJCAI 2007 International Conference on Artifical Intelligence for Human Computing.Banff，Canada，2007：170-189

［23］Tang J，Sun J，Wang C，Yang Z，Social influence analysis in large-scalenetworks//Proceedings of the15th ACM SIGKDD International Conferenceon Knowledge Discovery and DataMining.Paris，F(xiàn)rance，2009：807-816

［24］Sakaki T，Okazaki M，Matsuo Y.Earthquake shakes twitter users：Real-time event detection by social sensors//Proceeding of the 19th International Conference on World Wide Web.Raleigh，USA，2010：851-860

［25］Bakshy E，Eckles D，Yan R，Rosenn I.Social influence in social advertising：Evidence form field experiments//Proceedings of 13th ACM Conferenceon Electronic York：Free Press，2003

［26］人民網(wǎng)輿情檢測室，2015年第三季度人民日?qǐng)?bào)？政務(wù)指數(shù)微博影響力報(bào)告［DB/OL］.2015.http：//vdisk.weibo.com/s/q0w1lmSsIWPni

［27］郭為.旅游統(tǒng)計(jì)學(xué)［M］.天津：南開大學(xué)出版社.2009.304-309

［28］盛驟，謝式千，潘承毅.概率論與數(shù)理統(tǒng)計(jì)［M］.北京：高等教育出版社.2008（4）：257-262

［29］于俊年，計(jì)量經(jīng)濟(jì)學(xué)［M］.北京：對(duì)外貿(mào)易大學(xué)經(jīng)濟(jì)出版社.2014（3）：75-85

［30］李子奈，潘文卿，計(jì)量經(jīng)濟(jì)學(xué)［M］.北京：高等教育出版社.2010（3）：62-65

［31］白沙堤津耶，瞿強(qiáng).通過例題學(xué)習(xí)計(jì)量經(jīng)濟(jì)學(xué)［M］.北京：中國人民大學(xué)出版社.2002.（1）：98-108

［32］尼古拉斯，克里斯塔基斯，詹姆斯·富勒著，簡學(xué)譯.大連接：社會(huì)網(wǎng)絡(luò)是如何形成的以及對(duì)人類現(xiàn)實(shí)行為的影響［M］.北京中國人民大學(xué)出版社，2013：4

責(zé)任編校：薛兵旺

On Influence of Official Micro-Blog of Tourism Administrations w ith Regression Analysis Model An analysis based on official micro——blog influence of 10 Chinese major tourism ad ministrations of the 3rd quarter of2015

WANG Hai-long
（Longnan Teachers' College，Longnan，Gansu，742500，China）

This paper constructs a regression analysis model with the indexes of the evaluation system of official micro-blog influence—dissemination，interaction，service.The obtained data analysis based on this model with the Stata software indicates a linear relationship between the tourism microblog influence and the relevant factors.This study is intended to reveal the tourism phenomenon related with tourism microblog influence and the development of tourism in the social interaction.

official micro-blog of tourism administrations，influence，dissemination，interaction，service.

F719；F49

A

2095-7955（2016）04-0027-04

2016-06-12

王海龍（1985—），甘肅隴南師范高等專科學(xué)校歷史文化與旅游學(xué)院講師，碩士研究生。主要研究方向：區(qū)域旅游開發(fā)、旅游經(jīng)濟(jì)。