社交網絡活躍行為的大數據分析：網絡外部性的視角

冉曉斌，劉躍文，姜錦虎

西安交通大學 管理學院，西安 710049

社交網絡活躍行為的大數據分析：網絡外部性的視角

冉曉斌，劉躍文，姜錦虎

西安交通大學 管理學院，西安 710049

用戶是社交網絡平臺的基石，用戶的活躍行為為平臺創造內容、帶來價值，因而用戶活躍度一直是社交網絡平臺的關注重點。已有研究僅關注用戶是否存在持續使用意向或行為，將持續使用行為定義為二元變量，未對持續使用行為細分，忽略了對用戶活躍行為的研究。此外，社交網絡中用戶活躍行為之間有著不可忽視的相互影響，而受制于用戶的關系網絡數據難以獲取，少有研究從該角度對社交網絡中的用戶行為進行研究。

將持續使用行為進一步細分為個體活躍和沉默行為，從網絡外部性視角探討同伴活躍行為對焦點個體活躍行為的影響以及個體網絡規模與活躍行為的關系，并進一步探討個體間關系強度和個體特征的調節作用。以超過百萬用戶的真實關系網絡、個體特征信息和使用行為數據進行實證分析，通過Tobit模型驗證上述關系。

研究結果表明，同伴活躍度和個體網絡規模對個體活躍度有顯著的正向作用，同時關系強度具有正向調節作用；個體特征在同伴活躍度與個體活躍度之間起調節作用，具體來說，女性用戶和年輕用戶受同伴活躍行為的影響更強。

從網絡外部性的角度探討用戶活躍行為的影響因素，拓展了關于在線社交網絡用戶持續使用行為的研究和網絡外部性測量方式，關注不同節點對于網絡外部性貢獻的差異性，對今后網絡外部性的研究有一定的借鑒意義?；谥袊鴶蛋偃f真實用戶的數據集，結果更具普適性，同時反映出中國在線社交網絡中用戶的行為特征，可為今后的研究者提供參考。研究結果可以幫助社交網絡平臺的管理者更加了解用戶活躍度的影響機理以及用戶行為之間的內在聯系，從而能以更科學合理的方式激發用戶活躍度，保持社交網絡平臺的持續運營。

社交網絡；持續使用；活躍行為；網絡外部性；Tobit模型

引言

用戶是社交網絡的生存之本，用戶創造的內容、建立的社會關系都為社交網絡帶來源源不斷的活力，也是其盈利能力的重要支撐。然而，并非所有用戶都能為社交網絡帶來價值，其中大量用戶處于沉默狀態，即在一定時間內未使用社交網絡，他們為網站的貢獻極為有限。研究表明，Facebook的用戶中沉默用戶接近一半[1]，關于Twitter的研究也發現了相似的結果[2]。而活躍用戶會更多的產生社會互動、創造內容，這都會為社交網站帶來社會化關系的增長、增大網站流量，從而提高網站收益[3]。由此可見，對于社交網站而言，提高用戶活躍度、延長活躍期是提高用戶忠誠度和防止用戶流失的重要手段[4]。因此，對用戶活躍行為的理解和研究，對于社交網絡的發展意義重大。

關于社交網絡用戶行為的相關研究，學者們從過程視角將其分為采納前和采納后，即用戶采納行為和持續使用行為。從過程視角看，用戶活躍行為屬于持續使用行為的一部分。但已有的相關研究一般將持續使用行為定義為二元變量，即用戶持續使用或流失，而對用戶從活躍到沉默這一動態過程的關注較少。此外，用戶在社交網絡中的使用行為在一定程度上受其同伴行為的影響。本研究聚焦于個體活躍行為研究，從網絡外部性的角度探討個體活躍度的影響因素，主要研究同伴活躍度對個體活躍度的影響以及個體特征屬性對活躍度的直接效應和調節效應；采用的數據集來自于中國最大的在線社交網絡，共120余萬用戶的實際數據，包括用戶活躍行為、特征信息和完整的社會網絡數據。

1 相關研究評述

1.1社交網絡的活躍行為

個體的采納是社交網絡成功的第一步，而個體的持續使用行為更為重要。已有對持續使用的研究主要分為內因論和外因論?；趦纫蛘摰某掷m使用行為的研究方法最初由采納行為發展而來，普遍認為持續使用也是一種有意識的理性行為，可在技術接受模型(technology acceptance model,TAM)的基礎上加以研究。之后，學者們認為持續使用并不只是采納行為的簡單延續，TAM模型不能很好地解釋用戶在采納前后態度和行為的變化，因而有學者提出期望確認模型，將用戶的態度、滿意度等非理性因素加入到模型中[5]。此后，李倩等[6]認為習慣也是影響持續使用行為的重要因素，MOUAKKET[7]認為習慣會調節滿意度與持續使用意向之間的關系，對期望確認模型進行了補充。然而，從外因的角度開展的研究相對較少，主要包括網絡外部理論[8]和社會影響理論[9]。CHIU et al.[8]認為網絡外部性包含感知網絡規模、外部聲望、相容性和互補性4個部分，其中感知網絡規模負向影響用戶對社交網絡的認同，其他3個部分起正向影響。

已有研究忽視了個體持續使用行為的差異，不同用戶對產品或服務的貢獻是有所區別的。對于在線社交網絡而言，用戶登錄平臺、參與交互及貢獻內容的質量和頻次稱之為活躍度?；钴S度是平臺運營中的重要指標，體現了用戶為平臺所帶來的價值，活躍用戶對在線社區的貢獻遠遠超過非活躍用戶[10]，個體的活躍程度對在線社交網絡的成功有顯著正向影響[11]。因此，對個體活躍行為的研究十分必要，是對持續使用研究的進一步細化。已有關于活躍行為的研究主要關注用戶生成內容[12]，但個體在社交網絡上的活躍行為不僅限于此。CHEN et al.[13]對社交網絡的活躍行為進行分類，認為社交網絡的活躍行為主要包括內容生成、內容傳播、關系建立和關系維護。這些行為都是以用戶登錄為前提的，因此，本研究以登錄行為的頻率作為測量活躍度的指標。

綜上所述，①已有關于用戶活躍行為的研究較少，但該問題對于社交網絡管理來說至關重要，平臺希望增強用戶活躍度以提高用戶粘性，防止用戶轉入沉默期進而流失；②已有研究主要從內因解釋持續使用行為的機理，而較少探討外部因素，特別是好友行為對用戶的影響；③已有研究對于持續使用行為的測量不準確，主要測量其行為意向而非實際使用行為，且未對活躍行為進行有效的測量。本研究關注用戶活躍行為，并進一步探討同伴之間行為的相互影響。

1.2社交網絡的網絡外部性

網絡外部性是指當消費同樣產品的使用者數量增加時，單個使用者從消費該產品中獲得的效用會隨之增加[14]。網絡外部性可以分為直接網絡外部性和間接網絡外部性兩類[14]，網絡規模和互補性可以代表這兩類網絡外部性。直接網絡外部性來自于使用同一產品的用戶。例如，電話是典型的網絡產品，用戶使用電話的目的是為了與他人溝通，只有當你的好友使用時，電話才會產生價值。使用電話的人數越多，其產生的效用就會越大。間接網絡外部性主要來源于互補性的服務，并非網絡規模。以手機平臺為例，用戶數量的增加會吸引第三方的開發者進入，用戶因此會得到更多的服務。存在網絡外部性特征的產品或服務稱為網絡產品，如社交網絡。社交網絡爆炸式的發展引起大量研究者的關注，LIN et al.[15]認為網絡外部性會影響個體使用信息交互技術的意向。學者們對網絡外部性影響機制進行深入探討，研究表明感知網絡規模會影響社交網絡的感知有用性、感知交互性和感知流[16]。此外，網絡外部性對個體的使用行為有顯著影響，BACKSTROM et al.[17]研究發現，用戶參與一個在線社區的行為，與已經參與到這個社區中的好友數之間有顯著的相關性，同時也受到網絡結構的影響。

已有研究說明了網絡外部性對社交網絡的影響機制，但存在一定的不足。①研究者通常將網絡外部性定義為網絡規模，并沒有關注網絡中個體的差異性；②已有研究大多采用問卷法，難以獲取個體間社會關系連接的數據，因而無法將網絡中的個體行為相連接，難以有效測量個體獲得的網絡效用。本研究從網絡外部性視角，借以大量客觀的網絡關系數據和使用行為數據來填補該研究的空白。

1.3社交網絡大數據

隨著信息技術的發展，每天產生大量的數據。因此，近年來大量研究者利用大數據展開研究，特別是關于社會計算、社會網絡等主題的研究[18]。得益于在線社交網絡的發展，研究者可以獲取大規模社交網絡數據和用戶行為數據，探究在線社交網絡中網絡外部性對用戶行為的影響。關于采納行為的研究，ARAL et al.[19]采集2 740萬個即時通信服務的用戶數據，研究發現接近一半的采納行為的擴散是由個體之間的相互影響導致的。關于社交網絡活躍行為的研究，KRAMER et al.[20]設計了包括68萬Facebook用戶的實驗，結果表明個體的情緒受好友發布狀態的影響。此外，BOND et al.[21]認為個體的選舉投票行為受到好友投票行為的直接影響，該影響可達到用戶的二度好友(用戶的直接好友稱為一度好友，好友的好友稱為二度好友)。

近年來，越來越多的研究者使用大數據研究個體在社交網站上的使用行為，但仍存在一些不足。①研究主要關注個體的采納、生成內容、信息傳播等行為，忽視了對個體活躍度的研究；②研究對象主要基于Facebook和Twitter，這些社交網站在包括中國在內的一些國家中并沒有得到廣泛的應用，具有一定的局限性。本研究將聚焦于中國某在線社交網絡，對個體的活躍行為展開研究。

2 研究假設

2.1網絡外部性

開發在線社交網絡之初的目的是為了能使朋友間的聯系更加方便、快捷，因此用戶使用在線社交網絡獲得的效用與其他用戶的使用行為密切相關。已有研究表明，在線社交網絡是一個典型的網絡產品，用戶的效用隨平臺中參與者數量的增加而增大。但與其他網絡產品相比，在線社交網絡仍有一些特殊之處，用戶在社交網絡上的行為主要基于其自身的社交網絡，因此用戶的效用與個體網絡規模最為相關，而不是整體的社會網絡規模[8]。

已有研究探討個體網絡規模對個體持續使用行為的影響，表明個體網絡規模對個體的持續使用行為具有正向的促進作用[22]。相關研究對其作用機理進行了探究，個體網絡規模通過影響個體的感知有用性和感知趣味性[23]促進其持續使用行為。同時，感知趣味性會增加個體的正向情感響應，對持續使用行為產生顯著的正向影響[24]。個體使用社交網絡的過程中，會逐漸形成社區依戀和人際依戀而持續使用[25]。因此，本研究提出假設。

H1個體網絡規模對個體活躍度有正向影響。

已有關于網絡外部性的研究大多是將網絡規模作為其唯一的指標，而社交網絡不同于手機等網絡產品，個體間的交互需建立在其活躍的基礎上，同時只有活躍用戶才能為平臺貢獻內容。對社交網絡的網絡外部性的研究不應只關注網絡中節點的數量，還應考慮將節點的質量作為網絡外部性的指標。社交網絡中不同個體對網絡外部性的貢獻是有差異的，活躍用戶對個體效用的提升更為顯著。此外，好友間頻繁的交互和情感支持會形成社交氛圍，增大個體間的相互影響力[26]。因此，個體行為通過社會性影響機制對網絡中其他個體的行為產生影響[27]。即在社交網絡中，個體的網絡外部性不只受到同伴數量的影響，還受到同伴活躍度的影響?；诖耍狙芯刻岢黾僭O。

H2同伴活躍度對個體活躍度有正向影響。

鄧巴理論提出，由于認知的局限性，個體可以穩定維持的社會關系的數量將被限制在150個。這只是穩定維持的關系數量，而與個體頻繁接觸、關系緊密的同伴更是少之又少，只是個體整個社交網絡的一小部分。由于維持親密關系需要很高的時間和精力成本，個體接觸頻繁的核心社交網絡一般只有5人～8人[28]。而在線社交網絡的出現使個體之間聯系更加便捷，一般來說，效率的提高會使用戶更便于擴大其社會網絡。但情況并非如此，雖然個體的社交網絡得以擴大，其好友列表平均包括約200人；但同樣的，只有一小部分的朋友會與個體產生聯系，使用即時通信服務的用戶每天聯系的好友數大多不超過5人[15]。DONATH et al.[29]的研究表明，在線社交網絡并不能使強關系的數量增加，但會增加更多的弱關系。

因此，個體社交網絡中的同伴對于個體的重要性并不完全一致，即不同連接之間的關系強度有所差別，其中關系密切、感情維系較強的關系被稱為強關系。而關系強度會正向影響個體之間的交互行為，如信息分享意愿[30]。進一步的研究發現，強關系作用下個體之間的影響力顯著增強[31]。而關系強度的調節作用也得到驗證[32]，特別是處于在線網絡社區的背景下，關系強度正向調節個體行為之間的影響作用[33]。因此，在強關系的連接下，同伴的活躍行為會對個體產生更高的效用，從而影響其活躍行為。基于此，本研究提出假設。

H3關系強度能夠正向調節同伴活躍度與個體活躍度之間的關系。

2.2個體特征

無論是在現實環境還是虛擬環境中，個體行為在某種程度上都取決于其個體特征。人口統計特征是描述個體特征的基本信息，包括性別、年齡等。研究表明，不同人口統計特征總是呈現不同的行為[34]。本研究探討性別和年齡對個體活躍行為的直接效應，以及它們在同伴活躍度與個體活躍度之間的調節效應。

社會角色理論揭示了男女勞動的歷史分化，女性傾向于承擔家庭責任，男性更傾向于參與社會活動。由于社會行為伴隨的性別差異，男性和女性的期望開始分化，從一代傳遞到下一代，這對兩性的社會行為產生強烈的影響[35]。社會角色理論在實際環境中被反復驗證，隨著互聯網的發展，研究人員發現社會角色理論有助于解釋虛擬環境中的性別差異。已有研究證實，用戶在社交網絡上的行為存在性別差異[36]。性別差異會造成個體交友行為的不同，與男性相比，女性更愿意參加社會互動[34]，其個體活躍度較高。此外，也有研究指出性別對個體的使用行為存在調節作用。LIN et al.[37]認為性別對個體的持續使用行為有調節作用，女性對感知易用性和感知有用性更敏感。因此，對女性用戶而言，同伴活躍度對其效用的影響更大?；诖耍狙芯刻岢黾僭O。

H4a性別對個體活躍度有顯著影響，女性個體活躍度高于男性；

H4b性別能夠調節同伴活躍度與個體活躍度之間的關系，與男性相比，女性的個體活躍度受同伴活躍度的影響更強。

在社交網絡的使用行為上也存在年齡的差異，年輕人更愿意使用社交網絡進行溝通，而老年人的接受程度較低。許多研究者揭示了其背后的原因，GREGOR et al.[38]認為，與年輕人相比，老年人的各類功能下降，出現認知問題，所以大多數老年人不能像年輕人一樣容易接受新技術。

年齡差異同樣會造成同伴網絡的不同，PFEIL et al.[39]的研究表明，年輕用戶的同伴網絡規模相對較大；DONG et al.[40]利用超過700萬用戶和10億條通話記錄的手機網絡數據，發現年輕用戶更傾向于建立新關系。這說明與老年用戶相比，年輕用戶與同伴的交流頻率更高，關系更緊密。從效用的角度看，年輕用戶使用社交網絡的效用受到同伴行為的影響更明顯?；诖耍狙芯刻岢黾僭O。

H5a年齡對個體活躍度有負向影響；

H5b年齡能夠調節同伴活躍度與個體活躍度之間的關系，與年長用戶相比，年輕用戶的活躍度受同伴活躍度的影響更強。

基于上述假設，本研究構建概念模型，見圖1。

3 數據分析

本研究使用的數據集來自于中國某在線社交網絡平臺，包含數百萬用戶在線行為的數據。本研究使用的數據抽樣方法是滾雪球法：首先，確定抽樣的種子用戶；其次，抽取種子用戶所連接的好友，稱為一度好友；最后，再抽取一度好友的好友，即二度好友。這樣由20名種子用戶出發，以滾雪球的方式抽取其所連接的所有二度好友用戶，既能有效控制樣本總量，又能保證所獲取用戶的社會網絡的完整性。數據收集時間為2013年6月，共包括該月120余萬用戶和1 800余萬條關系連接，其中5 788名用戶為一度用戶，其余為二度用戶。本研究回歸分析中采用的樣本為5 788名一度用戶，而同伴的活躍度則來自于全部120萬二度用戶。

數據集包括多種用戶信息，具體見表1。①個體特征包括性別和年齡；②控制變量包括使用經驗和城市規模，出于信息安全的考慮，城市信息經過脫敏處理，只有數字代碼，可以根據代碼計算每個城市的用戶數，表示該城市的大?。虎劬W絡外部性包括個體網絡規模(同伴數量)和同伴活躍度，同伴活躍度的測量是根據各用戶好友的活躍度計算活躍度均值；④關系強度的調節作用：首先基于共同好友算法(common number,CN)測量用戶間的關系強度，再據此計算出經關系強度調節的同伴活躍度；⑤個體活躍度：用月活躍天數(ADM)測量，即一個月內用戶登錄的總天數。變量間的相關系數見表2，除同伴活躍度與用關系強度調節的同伴活躍度的相關系數為0.793，其余變量間的相關系數均小于0.300，說明因子間區分度較高，不存在多重共線性的問題。

本研究對數據進一步處理，得到如下各圖。圖2為某用戶的自我網絡，圖中節點大小表示每個用戶活躍度的高低，男性為藍色，女性為紅色。由圖2可知，①高活躍度的用戶相對聚集，因為高活躍度用戶會給與其連接的其他用戶帶來高效用，提升其活躍度，這體現了網絡外部性的作用；②同性別用戶相對 聚集，且活躍度相近，說明性別與活躍度及網絡外部性之間存在一定的相關性。圖3～圖6為基于本研究的全部樣本120萬用戶繪制的。圖3為網絡規模的分布情況，柱狀圖和折線圖分別表示用戶數和累計百分比。由圖3可知，網絡規模主要集中在10人～ 100人的區間，并符合長尾分布的特征。圖4為個體活躍度的分布情況，柱狀圖和折線圖分別表示用戶數和累計百分比，個體活躍度在兩側的分布較高，這是由于活躍度取值范圍所限，月活躍天數的取值范圍為0～30，這類因變量被稱為限制因變量。

圖1 概念模型Figure 1 Conceptual Model

變量說明樣本量最小值最大值平均值中位數標準差Gender性別(男性取值為0，女性取值為1)57880 1Age年齡578810 5925．40326 4．948Tenure使用經驗57881 16483．95185 33．888Citysize城市規模57882．2075．5164．777 4．9290．664Friends個體網絡規模57883999243．542213154．841Aveadm同伴活躍度57882．95029．10421．11721．3822．825Cnadm經關系強度調節的同伴活躍度578803023．07123．4292．781

表2 相關系數Table 2 Correlation Coefficients

注：***為plt;0.010，**為plt;0.050，下同。

圖2 某用戶的自我網絡Figure 2 A User′s Ego Network

圖3 網絡規模分布Figure 3 Distribution of Network Size

圖4 個體活躍度分布Figure 4 Distribution of Individual Activity Degree

圖5給出個體網絡規模與活躍度的相關關系，根據活躍度將用戶劃分為4個組，最低活躍組是指活躍度為0天的用戶，最高活躍組是指活躍度為30天的用戶，較低活躍組是指活躍度為1～14天的用戶，較高活躍組是指活躍度為15～29天的用戶。較高和最高活躍度的用戶比例隨網絡規模的增大呈現較強的增大趨勢，較低和最低活躍度用戶則相反，說明網絡規模與活躍度具有較強的相關性。圖6給出城市規模與用戶數和活躍度的相關關系，當城市規模大于3，即具有一定用戶樣本時，用戶活躍度與城市規模呈正相關關系。

圖5 個體網絡規模與活躍度Figure 5 Network Size and Activity Degree of Individuals

4 實證分析

4.1模型

Tobit模型是Tobin于1958年在研究耐用品需求時 首先提出的計量經濟模型，Tobin觀察到大多數家庭

圖6 個體所在城市規模與活躍度Figure 6 City Size and Activity Degree of Individuals

在一定時期內關于耐用品的支出通常為0，而因變量的分布堆積在0處，不具有正態分布的條件，那么此時普通最小二乘法就不再適用于系數的回歸，這時遵循最大似然法的Tobit就是一個較好的選擇。Tobit模型的重要特征是被解釋變量有上限、下限或者存在極值等問題[41]。由于本研究中的被解釋變量個體活躍度是受限制的觀測變量，其取值范圍被限制在0～30之間。因此，本研究采用Tobit模型進行回歸分析。

ADMi=α0+α1Tenurei+α2Citysizei+α3Agei+

α4Genderi+α5Friendsi+α6Aveadmi+

α7Cnadmi+α8Genderi·Aveadmi+

α9Agei·Aveadmi+εi

(1)

其中，ADMi為第i個體的活躍度，取值范圍為0～30；α0為常數項，α1～α7為自變量回歸系數，α8和α9為交互項回歸系數，εi為誤差項。根據(1)式中變量的系數可以驗證提出的假設，Friends、Aveadm和Cnadm可作為關于網絡外部性假設的檢驗依據，Gender和Age及其與Aveadm的交互項可作為關于個體特征假設的檢驗依據。

4.2結果分析

4.2.1 網絡外部性

H1、H2和H3均為關于網絡外部性的假設，表3給出檢驗結果，因變量為個體活躍度。模型1給出網絡規模與個體活躍度的回歸結果，網絡規模對個體活躍度有顯著正向影響，β=0.261,plt;0.010，H1得到驗證；模型2給出同伴活躍度與個體活躍度的回歸結果，同伴活躍度對個體活躍度有顯著正向影響，β=0.474,plt;0.010，H2得到驗證；模型3給出同伴活躍度與關系強度的交互項對個體活躍度的回歸結果，β=0.334,plt;0.010，加入同伴活躍度與關系強度的交叉項，同伴活躍度的系數從模型2的0.474下降到0.210，表明關系強度在同伴活躍度與個體活躍度之間起正向調節作用，H3得到驗證。

表3 網絡外部性的檢驗結果Table 3 Test Results for Network Externality

注：括號中數據為標準誤，下同。

4.2.2 個體特征

H4和H5都是關于個體特征影響的假設，檢驗結果見表4，因變量為個體活躍度。由表4可知，模型4給出性別對個體活躍度的回歸結果，性別對個體活躍度有顯著的正向影響，β=0.046,plt;0.010，說明女性的整體活躍度高于男性，H4a得到驗證；模型5給出年齡對個體活躍度的回歸結果，年齡對個體活躍度有顯著的負向影響，β=-0.064,plt;0.010，說明年輕用戶的整體活躍度較高，H5a得到驗證。

模型6給出同伴活躍度與性別的交互項對個體活躍度的回歸結果，β=0.024,plt;0.100，性別的回歸系數從模型4的0.046降到0.030，顯著性也有所下降，表明性別在同伴活躍度與個體活躍度之間起正向調節作用，即與男性相比，女性用戶的活躍度受同伴活躍度的影響更大，H4b得到驗證。模型7給出同伴活躍度與年齡的交互項對個體活躍度的回歸結果，β=-0.034,plt;0.050，年齡的回歸系數從模型5的-0.064變為-0.007，且不再顯著，表明年齡在同伴活躍度與個體活躍度之間起負向調節作用，即與年長用戶相比，年輕用戶的活躍度受同伴活躍度的影響更強，H5b得到驗證。

5 結論

5.1研究結果

雖然學者們對社交網絡中個體持續行為進行了一定的探索，但對于個體活躍行為的研究仍相對較少，特別是通過網絡外部性的視角探究個體行為之間的內在聯系。本研究以網絡外部性的視角，研究同伴活躍度對個體活躍度的直接影響，以及關系強度和個體特征的調節作用，并以超過百萬用戶的實際社交網絡數據，通過Tobit模型進行實證分析。研究結果表明，在社交網絡中，個體網絡規模和同伴活躍度均正向影響個體活躍度，關系強度正向調節同伴活躍度與個體活躍度之間的關系；個體特征對個體活躍度有直接影響，個體特征在同伴活躍度與個體活躍度之間起調節作用，具體來說，女性用戶和年輕用戶受同伴活躍度的影響更強。

表4 個體特征的檢驗結果Table 4 Test Results for Individual Characteristics

注：*為plt;0.100。

5.2理論貢獻和實踐意義

本研究從3個方面豐富了已有研究。①本研究關注個體活躍度的影響因素，已有研究僅關注用戶是否存在持續使用意向或行為，而本研究將持續使用行為進一步細分，探究個體活躍和沉默行為的影響因素，拓展了關于在線社交網絡用戶持續使用行為的研究。②本研究利用大規模的社交網絡數據，將個體間的持續使用行為連接，檢驗網絡外部性。同時拓展了網絡外部性測量方式。已有研究大多使用網絡規模作為網絡外部性的測量變量，網絡規模只能反映出節點的數量，但不同節點對于網絡外部性的貢獻并不完全一致。而本研究將同伴的個體活躍度納入網絡外部性的指標中，并采用共同好友算法測量關系強度，這對今后網絡外部性的研究有一定的借鑒意義。③本研究基于中國數百萬真實用戶的數據集，與已有使用問卷法進行的持續使用行為的研究相比，其結果具有普遍性，同時反映出中國在線社交網絡中用戶的行為特征，可為今后的研究者提供參考。

本研究為社交網絡平臺如何提高用戶活躍度提供了一定的啟示。研究結果表明，同伴活躍度顯著影響個體活躍度，同時關系強度在這之中有調節作用?；诖?，平臺應引導用戶之間產生更多、更深的聯系，如優化好友推薦系統，擴大個體網絡規模；激勵用戶共同參與線上活動，增強用戶關系；將用戶參與活動向其他用戶展示，利用該用戶的影響力進行擴散，同時提高用戶間的關注度。此外，個體特征對用戶活躍度的影響也不可忽視，平臺應針對不同特征用戶采取相應的激勵政策。

5.3局限性和未來研究方向

本研究還有不足之處。①樣本的局限性。本研究使用的數據來自單個數據集，雖然樣本數達到了百萬余個，但仍存在樣本選擇偏差的問題。而且基于該平臺數據的研究結論是否能擴展到其他社交網絡平臺需要進一步探討，建議收集來自多個數據來源的數據。②研究方法的局限性。與大多數已有研究一樣，由于數據可獲取性的限制，本研究只獲取了橫截面數據進行研究，因此變量間的因果關系并不明確，特別是同伴行為與用戶行為之間的相關性不容易解釋其因果關系，因為其中混雜了同質性和社會影響的作用，同質性相似的人之間更容易建立連接[42]；同時個體行為會在社會網絡中相互影響，也會通過社會關系影響他人，越來越多的研究人員也在致力于揭示這一現象[43]。對于后續研究，建議采用隨機試驗等試驗方法驗證其因果關系，可以更好地控制內生性問題。

[1]WILSON C,BOE B,SALA A,et al.User interactions in social networks and their implications∥Proceedingsofthe4thACMEuropeanConferenceonComputerSystems.New York:ACM,2009:205-218.

[2]LANG J,WU S F.Social network user lifetime.SocialNetworkAnalysisandMining,2013,3(3):285-297.

[3]CHEN R.Member use of social networking sites:an empirical examination.DecisionSupportSystems,2013,54(3):1219-1227.

[4]周軍杰.社會化商務背景下的用戶粘性:用戶互動的間接影響及調節作用.管理評論,2015,27(7):127-136.

ZHOU Junjie.User stickiness in social commerce era:the indirect effect and moderating role of member interaction.ManagemetReview,2015,27(7):127-136.(in Chinese)

[5]BARNES S J,B?HRINGER M.Modeling use continuance behavior in microblogging services:the case of Twitter.JournalofComputerInformationSystems,2011,51(4):1-10.

[6]李倩,侯碧梅.基于維持現狀偏好理論的信息系統使用決策研究.管理評論,2013,25(1):44-51.

LI Qian,HOU Bimei.Decision mechanism analysis of information system use based on status quo bias theory.ManagementReview,2013,25(1):44-51.(in Chinese)

[7]MOUAKKET S.Factors influencing continuance intention to use social network sites:the Facebook case.ComputersinHumanBehavior,2015,53(C):102-110.

[8]CHIU C M,CHENG H L,HUANG H Y,et al.Exploring individuals′ subjective well-being and loyalty towards social network sites from the perspective of network externalities:the Facebook case.InternationalJournalofInformationManagement,2013,33(3):539-552.

[9]陳渝,毛姍姍,潘曉月,等.信息系統采納后習慣對用戶持續使用行為的影響.管理學報,2014,11(3):408-415.

CHEN Yu,MAO Shanshan,PAN Xiaoyue,et al.Understanding the post-adoption behavior:the influence of users′ habits on continuance usage.ChineseJournalofManagement,2014,11(3):408-415.(in Chinese)

[10] RAU P L P,GAO Q,DING Y.Relationship between the level of intimacy and lurking in online social network services.ComputersinHumanBehavior,2008,24(6):2757-2770.

[11] TRUSOV M,BODAPATI A V,BUCKLIN R E.Determining influential users in internet social networks.JournalofMarketingResearch,2010,47(4):643-658.

[12] CHEN A,LU Y,WANG B,et al.What drives content creation behavior on SNSs?A commitment perspective.JournalofBusinessResearch,2013,66(12):2529-2535.

[13] CHEN A,LU Y,CHAU P Y K,et al.Classifying,measuring,and predicting users′ overall active behavior on social networking sites.JournalofManagementInformationSystems,2014,31(3):213-253.

[14] KATZ M L,SHAPIRO C.Network externalities,competition,and compatibility.TheAmericanEconomicReview,1985,75(3):424-440.

[15] LIN C P,BHATTACHERJEE A.Elucidating individual intention to use interactive information technologies:the role of network externalities.InternationalJournalofElectronicCommerce,2008,13(1):85-108.

[16] ZHOU T.The effect of network externality on mobile social network site continuance.Program,2015,49(3):289-304.

[17] BACKSTROM L,HUTTENLOCHER D,KLEINBERG J,et al.Group formation in large social networks:membership,growth,and evolution∥Proceedingsofthe12thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining.New York:ACM,2006:44-54.

[18] 劉澤照,張謙,黃杰.基于SNA的國際大數據研究結構態勢.科學學與科學技術管理,2014,35(11):40-47.

LIU Zezhao,ZHANG Qian,HUANG Jie.Structural research momentum of international big data study upon social network analysis.ScienceofScienceandManagementofS.amp;T.,2014,35(11):40-47.(in Chinese)

[19] ARAL S,MUCHNIK L,SUNDARARAJAN A.Distinguishing influence-based contagion from homophily-driven diffusion in dynamic networks.ProceedingsoftheNationalAcademyofSciencesoftheUnitedStatesofAmerica,2009,106(51):21544-21549.

[20] KRAMER A D I,GUILLORY J E,HANCOCK J T.Experimental evidence of massive-scale emotional contagion through social networks.ProceedingsoftheNationalAcademyofSciencesoftheUnitedStatesofAmerica,2014,111(24):8788-8790.

[21] BOND R M,FARISS C J,JONES J J,et al.A 61-million-person experiment in social influence and political mobilization.Nature,2012,489:295-298.

[22] 李蒙翔,顧睿,尚小文,等.移動即時通訊服務持續使用意向影響因素研究.管理科學,2010,23(5):72-83.

LI Mengxiang,GU Rui,SHANG Xiaowen,et al.Critical factors of post adoption intention of mobile instant messaging service.JournalofManagementScience,2010,23(5):72-83.(in Chinese)

[23] HOFFMAN D L,NOVAK T P.Flow online:lessons learned and future prospects.JournalofInteractiveMarketing,2009,23(1):23-34.

[24] 陳昊,李文立,柯育龍.社交媒體持續使用研究:以情感響應為中介.管理評論,2016,28(9):61-71.

CHEN Hao,LI Wenli,KE Yulong.Empirical study on continuous usage of social media:the mediating role of affection appeal.ManagementReview,2016,28(9):61-71.(in Chinese)

[25] 賀愛忠,李雪.在線品牌社區成員持續參與行為形成的動機演變機制研究.管理學報,2015,12(5):733-743.

HE Aizhong,LI Xue.A study on the evolutionary mechanism of motivations in the formation of online brand community members′ sustained participation behavior.ChineseJournalofManagement,2015,12(5):733-743.(in Chinese)

[26] 孫怡,魯耀斌,魏國基.社交氛圍對朋友群組成員的購買意愿和行為的影響.管理學報,2016,13(9):1392-1399.

SUN Yi,LU Yaobin,WEI Kwok Kee.Social commerce:the impact of social climate on friendship group members′ purchase intention and behavior.ChineseJournalofManagement,2016,13(9):1392-1399.(in Chinese)

[27] 肖邦明,黃敏學,廖俊云.交易型社區的網絡閉包機制研究.管理科學,2015,28(5):129-144.

XIAO Bangming,HUANG Minxue,LIAO Junyun.A study on network closure in transactional community.JournalofManagementScience,2015,28(5):129-144.(in Chinese)

[29] DONATH J,BOYD D.Public displays of connection.BTTechnologyJournal,2004,22(4):71-82.

[30] 劉濤,陳潔,韋俊龍.關系強度、情境開放性與自嘲信息分享意愿.管理學報,2016,13(1):131-137.

LIU Tao,CHEN Jie,WEI Junlong.Tie strength,context openness and sharing intention of self-deprecating information.ChineseJournalofManagement,2016,13(1):131-137.(in Chinese)

[31] 史楠,王刊良.在線推介激勵中推介雙方社會距離對其行為的影響.管理科學,2013,26(6):94-104.

SHI Nan,WANG Kanliang.Impacts of social distance between two parties on their behaviors in the context of online referral incentive.JournalofManagementScience,2013,26(6):94-104.(in Chinese)

[32] 周燕,郭偲偲,張麒麟.內外雙向因素與搭便車行為:社會網絡的調節作用.管理科學,2015,28(3):130-142.

ZHOU Yan,GUO Caicai,ZHANG Qilin.Free rider behavior and internal-external bidirectional factors:moderating effects of social network.JournalofManagementScience,2015,28(3):130-142.(in Chinese)

[33] 王殿文,黃敏學,周南.初次購買和升級購買中的社會傳染.管理科學,2016,29(5):106-115.

WANG Dianwen,HUANG Minxue,ZHOU Nan.Social contagion in trial and upgrade purchase.JournalofManagementScience,2016,29(5):106-115.(in Chinese)

[34] LEUNG L.Net-generation attributes and seductive properties of the internet as predictors of online activities and internet addiction.CyberPsychologyamp;Behavior,2004,7(3):333-348.

[35] EAGLY A H,WOOD W,DIEKMAN A B.Social role theory of sex differences and similarities:a current appraisal∥TheDevelopmentalSocialPsychologyofGender.Mahwah,New Jersey:Erlbaum,2000:123-174.

[36] SHEPHERD R P.Men,women,and Web2.0 writing:gender difference in Facebook composing.ComputersandComposition,2016,39:14-26.

[37] LIN X,LI Y,CALIFF C B,et al.Can social role theory explain gender differences in Facebook usage?∥Proceedingsofthe46thHawaiiInternationalConferenceonSystemSciences.Wailea,USA,2013:690-699.

[38] GREGOR P,NEWELL A F,ZAJICEK M.Designing for dynamic diversity:interfaces for older people∥ProceedingsoftheFifthInternationalACMConferenceonAssistiveTechnologies.Edinburgh,Scotland,2002:151-156.

[39] PFEIL U,ARJAN R,ZAPHIRIS P.Age differences in online social networking:a study of user profiles and the social capital divide among teenagers and older users in MySpace.ComputersinHumanBehavior,2009,25(3):643-654.

[40] DONG Y,YANG Y,TANG J,et al.Inferring user demographics and social strategies in mobile social networks∥Proceedingsofthe20thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining.New York:ACM,2014:15-24.

[41] 楊爽.信息質量和社區地位對用戶創造產品評論的感知有用性影響機制:基于Tobit模型回歸.管理評論,2013,25(5):136-143,154.

YANG Shuang.The impact mechanism of information quality and community status on perceived usefulness for user-generated product reviews:Tobit regression analysis.ManagementReview,2013,25(5):136-143,154.(in Chinese)

[42] MCPHERSON M,SMITH-LOVIN L,COOK J M.Birds of a feather:homophily in social networks.AnnualReviewofSociology,2001,27:415-444.

[43] CHRISTAKIS N A,FOWLER J H.Social contagion theory:examining dynamic social networks and human behavior.StatisticsinMedicine,2013,32(4):556-577.

FundedProject:Supported by the National Natural Science Foundation of China(71301128,91546119,71331005)

Biography:RAN Xiaobin is a Ph.D candidate in the School of Management at Xi′an Jiaotong University. His research interests include social network and big data. E-mail：ranxiaobin@stu.xjtu.edu.cn

LIU Yuewen, doctor in management, is an associate professor in the School of Management at Xi′an Jiaotong University. His research interests include big data and e-commerce, social network. His representative paper titled “Negative price premium effect in online market——the impact of competition and buyer informativeness on the pricing strategies of sellers with different reputation levels” was published in theDecisionSupportSystems(Issue 1, 2012). E-mail：liuyuewen@mail.xjtu.edu.cn

JIANG Jinhu, doctor in management, is a professor in the School of Management at Xi′an Jiaotong University. His research interests include information system and e-commerce. His representative paper titled “The effects of trust assurances on consumers′ initial online trust: a two-stage decision-making process perspective” was published in theInternationalJournalofInformationManagement(Issue 3, 2014). E-mail：jiangjinhu@mail.xjtu.edu.cn

□

BigDataAnalysisoftheActiveBehaviorinSocialNetwork:ThePerspectiveofNetworkExternality

RAN Xiaobin，LIU Yuewen，JIANG Jinhu

School of Management, Xi′an Jiaotong University, Xi′an 710049, China

Users are the cornerstone of social network platforms. Users′ active behavior can generate content and add value for platforms. Therefore, user activation is always a great concern of social network platforms. Existing studies mainly focus on the intention or behavior of continuous usage of social network users. Moreover, they define continuous usage as the binary variable, which hinders the subdivision of continuous usage behavior and further ignores research on users′ active behavior. Although there is an undeniable interaction between users′ active behaviors in social network, few studies explored user behavior in social network from the perspective of peer effect due to the low accessibility of users′ social network data. Thus, the current study aims to fill this research gap.

Dividing continuous usage behavior into active and inactive behavior, this study explores the relationships between ①peers′ and egos′ active behavior; and ②users′ social network size and active behavior from the perspective of network externalities. Then, this study investigates the moderating effects of tie strength and individual characteristics. Finally, hypotheses are examined by Tobit model with a large scale social network dataset containing personal feature and individual behavior from more than one million users.

Results show that peers′ active behavior and individuals′ social network size both have a significant positive effect on individual activity, and tie strength has a positive moderating effect. In addition, individual characteristics have a moderating effect on the relationship between peers′ and users′ active behavior. Specifically, female and younger users are more sensitive to peers′ active behavior.

This study expands research on continuous usage behavior in social network by discussing factors that affect users′ active behavior from the perspective of network externality. It also extends the measurement of network externality. Different from prior research that uses network size(i.e., the number of nodes) as the network externality variable, this study focuses on the diverse contributions of various nodes to network externality, which may also inspire future research on network externality. Owing to the analysis of dataset containing millions of real users in China, the results become more universal and could reflect users′ behavior traits in Chinese online social network, which could provide references for future researchers. Meanwhile, these results can help managers of social network platforms understand the influence mechanism of user activity better and figure out the internal relationship between peers′ and users′ behaviors. Thus, they can stimulate user activity by a more scientific and reasonable way, and maintain the continuous operation of social network platforms.

social network；continue usage；active behavior；network externality；Tobit model

Date:December 19th, 2016AcceptedDateJune 13th, 2017

F490.6

A

10.3969/j.issn.1672-0334.2017.05.007

1672-0334(2017)05-0077-10

2016-12-19修返日期2017-06-13

國家自然科學基金(71301128,91546119,71331005)

冉曉斌，西安交通大學管理學院博士研究生，研究方向為社交網絡和大數據等，E-mail：ranxiaobin@stu.xjtu.edu.cn

劉躍文，管理學博士，西安交通大學管理學院副教授，研究方向為大數據與電子商務、社交網絡等，代表性學術成果為“Negative price premium effect in online market——the impact of competition and buyer informativeness on the pricing strategies of sellers with different reputation levels”，發表在2012年第1期《Decision Support Systems》，E-mail：liuyuewen@mail.xjtu.edu.cn

姜錦虎，管理學博士，西安交通大學管理學院教授，研究方向為信息系統和電子商務等，代表性學術成果為“The effects of trust assurances on consumers′ initial online trust: a two-stage decision-making process perspective”，發表在2014年第3期《International Journal of Information Management》，E-mail：jiangjinhu@mail.xjtu.edu.cn