王 玉，許楠楠，胡海波

(華東理工大學管理科學與工程系，上海 200237)

0 引言

社交網(wǎng)絡和社交媒體的出現(xiàn)和發(fā)展不僅改變了人們建立好友關(guān)系的方式，也改變了信息獲取和傳播的方式[1-2]。用戶不僅是信息的接收者，也是信息的生產(chǎn)者和傳播者。近年來，信息傳播已吸引了來自不同領域?qū)W者們的關(guān)注，在實證、模型和擴散預測研究方面均取得了重要進展[3-9]。實際上，用戶往往同時擁有多個社交平臺的帳號，不僅可以在一個平臺上接收和擴散信息，而且可以扮演信息轉(zhuǎn)播的角色，將信息從一個平臺擴散到另一個平臺[10-11]。通過社交平臺和媒體平臺之間的跨平臺傳播，信息擴散的規(guī)模和速度得到了顯著提高。

隨著信息技術(shù)尤其是移動互聯(lián)網(wǎng)的發(fā)展以及智能手機的普及，網(wǎng)絡中的信息擴散涌現(xiàn)出了更多樣化的場景和渠道。傳統(tǒng)社會科學往往從宏觀角度研究跨平臺擴散現(xiàn)象[12-14]，近年來隨著信息技術(shù)的發(fā)展，我們能夠得到關(guān)于跨平臺信息擴散的更細致的信息。實證研究表明，在不同的網(wǎng)絡平臺上，用戶對各類事件能夠同步響應，即信息可以通過不同的平臺進行擴散，呈現(xiàn)同步傳播的特征[15]。

對于某一網(wǎng)絡平臺，信息到達網(wǎng)絡中的用戶有兩種不同的方式，一是從該網(wǎng)絡的其他用戶那里獲知信息，二是從該網(wǎng)絡之外的其他信息源，如主流媒體獲得信息。媒體網(wǎng)站或社交網(wǎng)站上會有來自其他網(wǎng)站的鏈接，表明這些信息來自于外部信息源。Cha等[16]研究了博客網(wǎng)站中YouTube視頻鏈接的擴散，發(fā)現(xiàn)視頻的傳播模式因視頻的類別而異。關(guān)于最新政治新聞的視頻能立即受到大量關(guān)注，但因為時效性等原因僅僅過了一周就不再傳播，而音樂視頻在很長一段時間都受人關(guān)注。Heimbach等[17]研究了德國新聞網(wǎng)站的文章在Twitter、Facebook和Google+三個社交平臺上的傳播，發(fā)現(xiàn)不同平臺用戶有不同的分享模式：Twitter和Google+的用戶對技術(shù)、政治、商業(yè)、科學主題的新聞更感興趣，Google+用戶更傾向于分享生活方式和職業(yè)相關(guān)的新聞；而實用性強的文章很少在Facebook上被分享，在這3個平臺上與體育有關(guān)的新聞都很少被分享。Myers等[18]研究了Twitter推文中的鏈接，利用風險函數(shù)量化了外部信息源的強度和影響。研究發(fā)現(xiàn)信息傾向于在社交網(wǎng)絡中“跳動”，Twitter中約71%的信息量可歸因于網(wǎng)絡擴散，剩下29%則來自于外部事件的影響。

現(xiàn)實中的信息擴散并不僅僅局限于某一特定的網(wǎng)絡，如新聞既可以在社交網(wǎng)絡中傳播，也可以在博客和大眾媒體中擴散。Leskovec等[19]研究了信息在主流媒體網(wǎng)站和博客中的傳播，發(fā)現(xiàn)新聞媒體關(guān)注高峰與博客之間存在典型的2.5 h的延遲，信息大多從新聞媒體傳播到博客上，但也有3.5%的例外，在這些案例中信息首先在主導性的博客圈出現(xiàn)，之后擴散到了主流媒體。Gomez-Rodriguez等[20]研究了信息在博客和新聞文章中的擴散，發(fā)現(xiàn)信息傳播網(wǎng)絡往往具有核心—外圍結(jié)構(gòu)。一小部分核心媒體向網(wǎng)絡的其他部分傳播信息，這些媒體往往具有穩(wěn)定的影響力，一般的新聞媒體是它們之間的連接者。Gomez-Rodriguez等也發(fā)現(xiàn)，一般的、頻繁發(fā)生的話題信息擴散路徑比突發(fā)的、正在進行的新聞事件的擴散路徑更穩(wěn)定[21]。對于正在進行的新聞事件，主流新聞和博客的相關(guān)報道集群經(jīng)常在幾天內(nèi)出現(xiàn)并消失。Kim等[22-23]研究了信息在新聞媒體、社交網(wǎng)絡和博客中的傳播，發(fā)現(xiàn)，不同類型網(wǎng)站的影響力取決于信息的內(nèi)容：對于藝術(shù)和經(jīng)濟信息，新聞媒體的影響力最大，而對于政治和文化信息，社交網(wǎng)絡和博客的影響力最大。政治抗議、多元文化主義等爭議性話題往往在多個網(wǎng)站上同時傳播，而新電影、明星等娛樂話題則更可能在單一平臺上傳播。Cagé等[24]研究了2013年法國新聞媒體發(fā)布的新聞在互聯(lián)網(wǎng)中的擴散，發(fā)現(xiàn)原創(chuàng)新聞往往受眾更廣。另有一些研究聚焦于特定話題信息的跨平臺傳播，如網(wǎng)絡仇恨和極端主義言論，以及關(guān)于COVID-19的虛假信息，并提供了建議以抑制其全球傳播[25-26]。

雖然跨平臺信息擴散吸引了不同領域?qū)W者們的關(guān)注，但一些更深入的問題，比如跨平臺和非跨平臺擴散模式的差異，不同類型的媒體信息(視頻、新聞、文章等)擴散規(guī)模和深度的差異，來自哪些平臺的信息更容易傳播等尚未得到充分的研究。中國互聯(lián)網(wǎng)相對于國外有不同的數(shù)字生態(tài)系統(tǒng)，有數(shù)量眾多的新聞、視頻、文章平臺，通過一鍵轉(zhuǎn)發(fā)功能，大量的信息在不同平臺間分享、傳播。直覺上，跨平臺與非跨平臺的信息在擴散指標上會存在顯著差異，不同類型的跨平臺信息在擴散程度上也會存在差異，某些因素會與跨平臺信息的擴散規(guī)模存在顯著相關(guān)性。本文將利用社交媒體中的傳播數(shù)據(jù)研究跨平臺信息擴散，揭示其傳播模式和影響因素。

1 數(shù)據(jù)描述

本文研究數(shù)據(jù)來自于新浪微博中關(guān)于昆山反殺案的博文，該案件是2018年在江蘇昆山發(fā)生的社會性熱點事件，事件在微博上曝光后引起了廣泛關(guān)注。數(shù)據(jù)中微博共有1 723 784條，原創(chuàng)微博79 378條，時間區(qū)間為2018年8月27日至9月2日，這7天包括了事件的披露、發(fā)酵直至昆山公安發(fā)布判決結(jié)果的全過程。雖然該事件最初在微博上披露，但微信公眾號、新聞媒體和視頻網(wǎng)站等其他平臺都進行了跟進和討論。用戶從新聞或視頻網(wǎng)站收到相關(guān)信息，在微博等社交媒體上分享并發(fā)表自己的觀點，輿論動態(tài)也被媒體報道，形成了信息擴散的閉環(huán)，因此該數(shù)據(jù)非常適合研究跨平臺的信息擴散。值得注意的是，本文中跨平臺并非指信息在微博、微信公眾號、新聞媒體等之間的跨平臺傳播，而是界定為信息從其他平臺擴散到微博中。

微博主要包含文本、表情符號和URL。URL是出現(xiàn)在微博中的超鏈接，有些是微博平臺的鏈接，如定位地點、微博用戶、其他微博，有些則來自于其他平臺，如微信、各類視頻網(wǎng)站及新聞網(wǎng)站。因此分析URL是研究跨平臺擴散的第一步。用戶點擊URL后可以跳轉(zhuǎn)至其他平臺的頁面以獲取更詳細的信息，故含有URL的微博蘊含了更多的隱藏信息，只有在點擊URL之后才能看到。

原創(chuàng)微博中的46 093條(58.1%)含有URL，微博中的URL為短鏈接http://t.cn/*的形式，需將其轉(zhuǎn)為原始鏈接并根據(jù)網(wǎng)頁內(nèi)容進行分類。如短鏈接http://t.cn/RF9efr0對應的原始鏈接為https://news.sina.cn/sh/2018-09-01/detail-ihinpmnr4405330.d.html，它來自新浪新聞。得到原始鏈接后，我們根據(jù)網(wǎng)頁內(nèi)容將URL分為13類：新聞、投票、視頻、文章、地點、微信公眾號、博客、廣告、論壇、問答、直播、用戶和音頻。但數(shù)據(jù)量集中在前7類，所以我們將重點研究這幾類。其中，新聞和文章是針對事件的報告和點評，視頻是跟事件相關(guān)的視頻，投票則是用戶在微博平臺上對事件進行表態(tài)。

2 信息擴散樹

每一條原創(chuàng)微博及其轉(zhuǎn)發(fā)微博會形成一棵信息擴散樹，它可視為有向網(wǎng)絡，節(jié)點為微博，邊的方向表示信息的轉(zhuǎn)發(fā)關(guān)系。沒有入度的節(jié)點為種子節(jié)點或根節(jié)點，即原創(chuàng)微博，沒有出度的節(jié)點為被動節(jié)點或葉子節(jié)點，既有出度又有入度的節(jié)點為病毒節(jié)點。除了擴散規(guī)模，還有其他的參數(shù)可以刻畫原創(chuàng)微博的擴散能力，本文選用5個指標：扇出系數(shù)rv、可傳遞性λ、基本再生數(shù)r0[27]、擴散深度d和速度s。表1給出了擴散樹相關(guān)的指標及含義。

表1 指標及含義Tab.1 The parameters and their meanings

含URL的微博包含的信息量更大且信息呈現(xiàn)的方式也更多樣化，但需要用戶點擊鏈接才能看到完整信息，而無URL的微博包含的消息量較少,但不需額外操作就可知道全部信息，據(jù)此提出假設1：

假設1相對于非跨平臺微博，跨平臺微博的扇出系數(shù)、傳遞性、基本再生數(shù)和擴散深度較大，而擴散速度較慢。

本文計算了每一棵擴散樹的5個參數(shù)并根據(jù)原微博中是否含有URL進行了區(qū)分，表2給出了各擴散指標的中位數(shù)/均值。利用Mann-Whitney單邊檢驗，我們發(fā)現(xiàn)，含URL的原創(chuàng)微博，其可傳遞性、基本再生數(shù)和擴散深度的中位數(shù)均顯著小于不含URL者，而擴散速度的中位數(shù)卻顯著高于不含URL者。進一步利用K-S單邊檢驗刻畫每個指標兩類微博經(jīng)驗累積分布函數(shù)之間的距離，進而評估總體上一類微博的某個指標是否顯著大于另一類。研究發(fā)現(xiàn)，整體上含URL微博的可傳遞性、基本再生數(shù)和擴散深度均顯著小于不含URL者，而擴散速度則顯著高于不含URL者，故假設1不支持。

表2 跨平臺與非跨平臺微博5個參數(shù)的對比Tab.2 Comparison of 5 parameters between cross-platform and non-cross-platform microblogs

*p<0.05，**p<0.01，***p<0.001。

3 含不同類URL的微博擴散程度對比分析

微博的擴散深度和規(guī)模是描述微博擴散程度的最直接的指標，前者刻畫了微博的滲透力，后者刻畫了微博的影響范圍。圖1給出了含URL和不含URL的原創(chuàng)微博擴散深度和規(guī)模的互補累積分布。本文用冪律分布來擬合擴散規(guī)模的分布，基于極大似然估計，可得含URL和不含URL的分布冪指數(shù)分別為-1.78(cmin=4)和-1.73(cmin=6)，且前者通過了閾值為p=0.1的K-S擬合優(yōu)度統(tǒng)計檢驗，其p值為0.553，表明冪律是一個合理的分布模型，而后者p=0.002，故冪律并非一個合理模型。微博中有URL的最大擴散規(guī)模比沒有URL的大，但是有URL的微博最大擴散深度跟沒有URL的相同。

圖1 含URL和不含URL的微博擴散深度和規(guī)模的互補累積分布Fig.1 The complementary cumulative distributions of diffusion depth and size for microblogs with and without URLs

關(guān)于微博擴散規(guī)模，本文提出假設2：

假設2相對于非跨平臺微博，跨平臺微博的擴散規(guī)模較大。

研究發(fā)現(xiàn)，有URL與無URL的微博擴散規(guī)模的中位數(shù)/均值分別為1.000/9.388和1.000/15.068，Mann-Whitney檢驗和K-S檢驗表明，無URL的原創(chuàng)微博擴散規(guī)模中位數(shù)顯著高于有URL者(p<0.001)，根據(jù)累積分布函數(shù)，無URL的原創(chuàng)微博擴散規(guī)?？傮w上也高于含URL者(p<0.001)，故假設2不支持?？梢?，用戶在瀏覽信息的時候，在高信息量與便利性之間會做出權(quán)衡，最終對大多數(shù)用戶而言便利性更勝一籌，總體上無URL的微博在擴散深度和規(guī)模上都顯著高于含URL者。

圖2給出了含7個主要類別鏈接的原創(chuàng)微博擴散深度和規(guī)模的互補累積分布。由圖2a可知，深度最大的為微信公眾號，達到了16層，其次是含有文章和視頻鏈接的微博。由圖2b可知微信公眾號具有最大的擴散規(guī)模，其次是文章和視頻鏈接。微信公眾號雖然來自另一個社交平臺——微信，但在微博上獲得了最大的轉(zhuǎn)發(fā)量。微信和微博作為即時通信和社交媒體的兩大主流平臺，用戶的交集龐大，用戶在兩個平臺之間相互轉(zhuǎn)發(fā)消息，這種多平臺間的合作有利于社交媒體的可持續(xù)發(fā)展。

本文研究的事件為社會新聞事件，故提出假設3：

假設3相對于其他類別，新聞類的擴散深度和規(guī)模較大。

研究發(fā)現(xiàn)，對于擴散深度，K-S檢驗表明，整體上，微信公眾號與視頻并無顯著差異，但它們都顯著大于文章、地點、新聞、博客和投票(p<0.001)；文章亦顯著大于地點、新聞、博客和投票(p<0.001)；而地點與新聞和博客均無顯著差異，但顯著大于投票(p<0.001)；新聞與博客無顯著差異，但也顯著大于投票(p<0.001)；而博客亦顯著大于投票(p<0.05)?？傊?，我們發(fā)現(xiàn)微信公眾號/視頻>文章>地點/新聞/博客>投票。同樣，對于擴散規(guī)模，仍然有微信公眾號/視頻>文章>地點/新聞/博客>投票。即不論是擴散深度還是規(guī)模，來自微信公眾號和視頻網(wǎng)站的信息均顯著大于其他類微博，而投票類微博則顯著小于其他類微博，故假設3不支持。

圖2 含有不同鏈接的微博擴散深度和規(guī)模的互補累積分布Fig.2 The complementary cumulative distributions of diffusion depth and size for microblogs with different types of URLs

對視頻類別繼續(xù)細分，追溯到各個視頻平臺。目前國內(nèi)互聯(lián)網(wǎng)上主要的視頻平臺有長視頻為代表的愛奇藝視頻、騰訊視頻、優(yōu)酷視頻和短視頻為代表的秒拍視頻、美拍視頻、新浪視頻等。長視頻的長度在0.5 h以上，以影視劇作品為主，由專業(yè)的公司制作而成；短視頻一般由用戶自制，視頻長度小于5 min。微博視頻和其他視頻有所不同，它們嵌入在微博內(nèi)容中，在瀏覽微博時不用點擊即可自動播放，而其他類視頻無法自動播放，需要點擊鏈接之后跳轉(zhuǎn)播放。對于用戶而言，觀看其他平臺視頻的成本比觀看微博視頻要高，需要點擊及跳轉(zhuǎn)的步驟和等待時間。

圖3給出了來自主要視頻平臺的微博擴散深度和規(guī)模的互補累積分布。從圖3a可知最大深度排名前三的是微博視頻、秒拍視頻和新浪視頻。圖3b中最大擴散規(guī)模最高的分別是秒拍視頻、微博視頻和新浪視頻。這3個平臺不僅均為短視頻平臺，而且均來自于與新浪有關(guān)的公司，其中秒拍視頻新浪有其股份，微博視頻和新浪視頻本身均在新浪旗下。用戶在瀏覽微博時一般不愿將更多的時間花費在較長的文字和視頻上，短視頻時間短，用戶只需花較短的時間成本就能觀看，且根據(jù)圖2，在擴散深度和規(guī)模上，短視頻類別均占有優(yōu)勢。這意味著對于機構(gòu)和意見領袖等而言，將短視頻轉(zhuǎn)發(fā)至微博可能會獲得較多的關(guān)注。

圖3 URL為視頻的微博擴散深度和規(guī)模的互補累積分布Fig.3 The complementary cumulative distributions of diffusion depth and size for microblogs with video URLs from different platforms

考慮到微博視頻的特點，故提出假設4：

假設4相對于其他視頻平臺，微博視頻的擴散深度和規(guī)模較大。

K-S檢驗表明，不管是擴散深度還是規(guī)模，優(yōu)酷和秒拍視頻均顯著大于好看視頻(p<0.05)，而微博視頻則顯著大于秒拍、新浪、鳳凰、UC和好看視頻(p<0.05)，其余不同類視頻平臺間無顯著差異，故假設4不支持，但微博視頻仍在擴散中具有優(yōu)勢。

對文章類別繼續(xù)細分，圖4給出了來自主要文章平臺的微博擴散深度和規(guī)模的互補累積分布。前三類中微博文章是嵌入在微博中的長文，UC文章是第三方的新聞平臺，搜狐是新聞平臺。文章主要是對事件較長的報道、訪談，包括評論人、法律從業(yè)者等發(fā)表的自身對事件的看法。我們發(fā)現(xiàn)，微博文章的最大擴散深度達到了14，遠高于其他平臺，之后是新浪文章和百度文章。微博文章的最大轉(zhuǎn)發(fā)量也是最高的，且也遠高于其他平臺。微博文章由微博用戶撰寫發(fā)布，這些用戶有些是意見領袖或評論人，相較于新聞，更會從用戶的角度來看待事件；而其他平臺的文章如搜狐文章、UC文章等，由編輯完成。微博文章作為微博內(nèi)部的一種表達形式，不僅在數(shù)量上，還在最大轉(zhuǎn)發(fā)量和深度上領先于其他平臺。

圖4 URL為文章的微博擴散深度和規(guī)模的互補累積分布Fig.4 The complementary cumulative distributions of diffusion depth and size for microblogs with article URLs from different platforms

同樣考慮到微博文章的特點，提出假設5：

假設5相對于其他文章平臺，微博文章的擴散深度和規(guī)模較大。

K-S檢驗表明，不管是擴散深度還是規(guī)模，微博文章均顯著大于新浪、搜狐和UC文章(p<0.05)，其余不同類文章平臺間無顯著差異，故假設5不支持，但微博文章仍在擴散中具有優(yōu)勢。

本文也對新聞類別進行了細分，按數(shù)量排名前五的為新浪新聞、百度新聞、網(wǎng)易新聞、騰訊新聞和鳳凰新聞，與傳統(tǒng)的新聞媒體不同，它們都來自互聯(lián)網(wǎng)新聞行業(yè)。百度新聞、騰訊新聞等是提供新聞的平臺，匯集了各個媒體的新聞。圖5給出了來自主要新聞平臺的微博擴散深度和規(guī)模的互補累積分布。URL來自新浪新聞的微博最大轉(zhuǎn)發(fā)深度最深，之后是百度新聞、騰訊新聞和鳳凰新聞；新浪新聞的最大轉(zhuǎn)發(fā)量最高且遠高于其他平臺，其次是鳳凰網(wǎng)新聞和今日頭條。

圖5 URL為新聞的微博擴散深度和規(guī)模的互補累積分布Fig.5 The complementary cumulative distributions of diffusion depth and size for microblogs with news URLs from different platforms

考慮到微博在新浪旗下，提出假設6：

假設6相對于其他新聞平臺，新浪新聞的擴散深度和規(guī)模較大。

K-S檢驗表明，不管是擴散深度還是規(guī)模，百度新聞均顯著大于網(wǎng)易新聞(p<0.05)，其余不同類新聞平臺間無顯著差異，故假設6不支持。就平均深度而言，排名前五的為人民日報、人民網(wǎng)新聞、快報新聞、百度新聞和新浪新聞，而就平均擴散規(guī)模而言，前五則為新浪新聞、今日頭條、鳳凰新聞、人民日報和快報新聞。

4 與跨平臺信息擴散相關(guān)的因素

本文利用回歸分析來研究影響跨平臺信息擴散的因素。在微博上，粉絲能夠?qū)崟r收到所關(guān)注用戶的動態(tài)更新，粉絲越多，微博被閱讀并轉(zhuǎn)發(fā)的可能性也就越大。隨著事件在微博上的蔓延，其熱度在變化，原創(chuàng)微博發(fā)布的時間也與其擴散規(guī)模有密切關(guān)系，故我們將原創(chuàng)微博發(fā)布時間減事件發(fā)生時間得到時間差。微博從發(fā)出到最后一個用戶轉(zhuǎn)發(fā)是該微博的活躍時間，其越長微博被曝光的時間也越長，該微博被閱讀的概率也越高。因為當原創(chuàng)微博被用戶轉(zhuǎn)發(fā)后，會出現(xiàn)在用戶的首頁，即使該原創(chuàng)微博是一天前發(fā)布，一旦用戶轉(zhuǎn)發(fā)，排序就會靠前，進而被更多的用戶看到。而擴散深度意味著滲透力，同樣跟轉(zhuǎn)發(fā)量相關(guān)。

微博中的用戶分為認證用戶和普通用戶，認證用戶包括政府結(jié)構(gòu)、媒體、明星、官方組織、企業(yè)、博主等。我們將認證用戶分為4類：博主、媒體、政務以及其他。博主包括各種達人和自媒體等，媒體包括報紙、廣播電臺、電視、雜志、新聞等，政務包括公安、檢察院、婦聯(lián)、共青團、司法機構(gòu)、黨組織、信息辦等，其他包括作家、明星、運動員、企業(yè)、品牌、律師等，用戶的類型也可能影響微博的擴散量。故最終以擴散規(guī)模(取自然對數(shù))為因變量，基本自變量為原創(chuàng)微博發(fā)布者的粉絲數(shù)(取自然對數(shù))、關(guān)注數(shù)(取自然對數(shù))以及時間差(單位為d)、活躍時間(單位為d)和擴散深度。

首先研究URL類別對擴散規(guī)模的影響，根據(jù)前文研究，本文提出假設7和8：

假設7粉絲數(shù)、時間差、活躍時間和擴散深度與擴散規(guī)模有顯著正相關(guān)性。

假設8相對于微信公眾號，其他URL類別與擴散規(guī)模有顯著負向關(guān)系。

對于圖2中的7類URL，將微信公眾號設置為參考變量，對于用戶，以沒有認證的普通用戶為參考變量，回歸模型為

(1)

自變量通過了共線性檢驗(相關(guān)系數(shù)絕對值均不大于0.60)，表3給出了回歸結(jié)果(所有模型變量的統(tǒng)計特征見本文支撐數(shù)據(jù)：https://doi.org/10.6084/m9.figshare.15170931)，我們發(fā)現(xiàn)時間差、粉絲數(shù)、活躍時間和深度跟擴散規(guī)模有顯著的正相關(guān)性，而關(guān)注數(shù)則顯著負相關(guān)，故假設7支持。隨著微博發(fā)布時間的延后，整個事件也在不斷發(fā)酵，引起了更多人的關(guān)注，故微博發(fā)布時間越晚，擴散規(guī)模越高。在控制其他變量后，與來自微信公眾號的微博相比，來自博客、地點、視頻、文章、新聞的擴散規(guī)模要更少，假設8不支持；與普通用戶相比，四類認證用戶微博的擴散規(guī)模也更少。

對于來自視頻網(wǎng)站的微博，本文提出假設9：

假設9相對于微博視頻，其他視頻網(wǎng)站與擴散規(guī)模有顯著負向關(guān)系。

考慮到數(shù)據(jù)量，本文選取了5個視頻平臺，即UC、好看、新浪、秒拍和微博視頻，并將微博視頻作為參考變量，根據(jù)式(1)，表4給出了回歸結(jié)果。同樣地，時間差、粉絲數(shù)、活躍時間和深度跟擴散規(guī)模正相關(guān)，關(guān)注數(shù)跟擴散規(guī)模負相關(guān)。在控制其他變量后，相對于微博視頻，來自好看視頻、新浪視頻和秒拍視頻的微博擴散規(guī)模更少，故假設9不支持；與普通用戶相比，幾類認證用戶微博的擴散規(guī)模也更少。

對于來自文章平臺的微博，本文提出假設10：

假設10相對于微博文章，其他文章平臺與擴散規(guī)模有顯著負向關(guān)系。

本文選擇了4個文章平臺，即UC、搜狐、新浪和微博文章，對來自它們的微博進行了回歸分析，且將微博文章作為參考變量，表5給出了回歸結(jié)果。在控制其他變量后我們發(fā)現(xiàn)，相對于微博文章，來自UC、搜狐和新浪文章的微博擴散規(guī)模并無顯著差異，故假設10不支持；與普通用戶相比，認證為媒體和其他的用戶微博的擴散規(guī)模要更少。

最后，對于來自新聞網(wǎng)站的微博，考慮到專業(yè)機構(gòu)發(fā)布新聞的權(quán)威性，本文提出假設11和12：

假設11相對于新浪新聞，其他新聞網(wǎng)站與擴散規(guī)模有顯著負向關(guān)系。

假設12相對于普通用戶，認證為媒體和政務的用戶與擴散規(guī)模有顯著正向關(guān)系。

本文選擇了9個新聞平臺，即一點資訊、人民日報、今日頭條、鳳凰網(wǎng)、百度、網(wǎng)易、騰訊、澎湃和新浪新聞，并將新浪新聞作為參考變量，表6給出了回歸結(jié)果。我們發(fā)現(xiàn)，在控制其他變量后，相對于新浪新聞，來自人民日報、鳳凰網(wǎng)新聞、百度新聞、網(wǎng)易新聞、騰訊新聞和澎湃新聞的微博擴散規(guī)模更少，假設11不支持。值得注意的是，對于新聞，與普通用戶相比，認證為媒體和政務的用戶微博的擴散規(guī)模要更多，這意味著，媒體或政務部門發(fā)布新聞會產(chǎn)生更大的影響力，假設12支持。

表3 考慮不同大類來源平臺的回歸結(jié)果Tab.3 Regression results considering information sources of different categories

表4 考慮不同視頻來源平臺的回歸結(jié)果Tab.4 Regression results considering information sources from different video platforms

表5 考慮不同文章來源平臺的回歸結(jié)果Tab.5 Regression results considering information sources from different article platforms

表6 考慮不同新聞來源平臺的回歸結(jié)果Tab.6 Regression results considering information sources from different news platforms

在穩(wěn)健性檢驗中，本文將擴散深度替換為平均深度，其定義為擴散樹中每個葉子節(jié)點與根節(jié)點間的距離的平均值，它也刻畫了微博的滲透力，得到的結(jié)果顯示該部分中的結(jié)論不變(見支撐數(shù)據(jù))?；貧w分析中的活躍時間和深度跟擴散過程密切相關(guān)，它們也跟最終的信息擴散規(guī)模有顯著的正相關(guān)性，但這兩個參數(shù)在微博剛發(fā)布時是未知的，而其余自變量在微博剛發(fā)布時就為用戶所知。如果用除二者之外的其余自變量進行回歸分析，調(diào)整后的R2大幅減少：考慮不同大類、不同視頻、不同文章和不同新聞來源平臺的回歸分別減少至0.122，0.075，0.136和0.134(見支撐數(shù)據(jù))，進而表明根據(jù)微博發(fā)布時的信息預測其擴散規(guī)模的困難性，這與前人的研究結(jié)果一致[3,28-29]。

5 結(jié)語

本文利用社交媒體數(shù)據(jù)，研究了其他平臺的信息在微博中的擴散特征及影響因素。我們發(fā)現(xiàn)，根據(jù)累積分布函數(shù)，跨平臺擴散的微博其可傳遞性、基本再生數(shù)、擴散深度和規(guī)模均顯著小于非跨平臺者，而擴散速度則顯著高于非跨平臺者，用戶在微博的高信息量和獲取信息的便利性之間權(quán)衡時更傾向于后者。對于外部平臺大類，來自微信公眾號和視頻網(wǎng)站的信息在擴散深度和規(guī)模上均顯著大于來自其他平臺的信息；對于視頻類平臺，來自微博視頻的信息在擴散中更有優(yōu)勢；而對于文章類平臺，微博文章更有優(yōu)勢。根據(jù)回歸分析的結(jié)果，我們發(fā)現(xiàn)，微博發(fā)布時間差、發(fā)布者粉絲數(shù)、微博活躍時間和擴散深度跟擴散規(guī)模有顯著的正相關(guān)性。對于來自新聞平臺的信息，在控制其他變量后，發(fā)現(xiàn)來自新浪新聞者更有傳播優(yōu)勢，且與普通用戶相比，認證為媒體和政務的用戶微博的擴散規(guī)模更多，進而表明了他們發(fā)布新聞時的權(quán)威性。

本文的研究初步揭示了跨平臺信息擴散的特征和影響因素，為進一步從微觀角度研究互聯(lián)網(wǎng)空間中的輿情擴散機制奠定了基礎，但論文仍有諸多不足。信息不僅可以從其他平臺擴散到微博，也可以反向擴散，或者在不同的新聞、視頻、文章等平臺間擴散，由于缺乏這類數(shù)據(jù)故無法進一步研究。此外，也需要構(gòu)建更細致的擴散模型來再現(xiàn)跨平臺信息擴散的關(guān)鍵特征，這方面的工作仍然較少，也是我們下一步研究的重點。