微信公眾號傳播力評價指標體系研究

張良 張日龍

摘? 要? 微信新推出的7.0版對公眾號做了調整，公眾號傳播力評價指標體系也需要進行相應的優化。文章通過因子分析法和層次分析法，從閱讀量傳播力、在看傳播力和創作傳播力三個方面構建了微信公眾號傳播力評價指標體系，并選取部分科技類公眾號數據對指標體系進行驗證，結果表明，該指標體系對微信公眾號有良好的區分度，而且較好地適應了新版微信。

關鍵詞? 微信公眾號;傳播力;評價指標體系

中圖分類號? G2? ? ? 文獻標識碼? A? ? ? 文章編號? 2096-0360（2019）22-0001-07

自2012年7月推出以來，微信公眾平臺發展迅速。微信公眾平臺隨著版本更新，細節在不斷完善和優化。在2013年8月，微信發布5.0版本，微信公眾平臺推出服務號和訂閱號，這兩個平臺號針對不同的用戶群體，服務號的用戶群體是企業和組織，而訂閱號的用戶群體是媒體和個人。在微信7.0版本里，增加了“看一看”模塊，微信公眾號推文底部頁面也發生了改變，文章里“點贊”更新為“好看”，當用戶點擊“好看”后，文章會被推薦到“看一看”界面，用戶的好友就可以看到推薦的推文，并可以互動。在后續的版本中，公眾號文章頁面又再次更新，位于文章底部右下角的“好看”更新為“在看”。“看一看”模塊中的“好看”也更新為“朋友在看”。

當下有很多微信公眾號數據監測平臺，例如清博指數、新榜、西瓜數據、微小寶等，在這些微信公眾號數據監測平臺中，部分平臺公開了自己的微信指數算法，例如清博的WCI指數和新榜RSI指數，這些指數算法都有各自的特點，都能對微信公眾號的運營情況進行排名，排名也有良好的區分度。但在微信7.0改版后相應的指標和權重也應進行調整。在微信7.0版本上線后，微信公眾號增加了新模塊“看一看”，同時公眾號閱讀量破萬后閱讀數據精確到千，現有的評價指標體系也需要做出調整，反映上述改動。

用戶閱讀推文后點了“在看”，好友就可以通過“看一看”模塊中的“朋友在看”與其進行互動。此功能可提高公眾號內容的分享和傳播，由于活躍粉絲是公眾號活力的來源，也是公眾號粉絲擴大的基礎，對于改版后閱讀數相同在看數更高的推文，可以認為后者的用戶更活躍，二次傳播能力更強，所以文章的“在看數”在微信公眾號評價指標體系中的權重有必要調高，大于一萬的閱讀量數據精確到千，具有一定模糊性，所以有必要降低閱讀量在微信公眾號評價指標體系中的權重。除此之外，目前主要的微信公眾號數據監測平臺，例如清博的WCI指數和新榜RSI指數均沒有將文章數量、公眾號推送次數等作為評價指標。本文認為有更高推送頻次的公眾號，其傳播力也更高。

基于以上分析，有必要提出一種新的微信公眾號傳播力評價指標體系，適應微信改版后的變化。

1? 研究現狀

關于微信公眾號傳播力，國內很多學者有相關的研究。張莉曼等認為微信公眾號傳播力是指微信公眾號運營者通過微信公眾平臺將信息內容高效傳遞給用戶的能力及信息傳播活動對用戶產生的實際影響效力[1]。丁炫凱和李剛則認為傳播力是傳播者傳遞信息的能力，其組成因素包括傳播者、傳播工具和傳播受眾[2]。吳素華以9種專業類微信公眾號基于清博的WCI指數研究各變量的相關性，總結出專業類微信公眾號的內涵與特征，提出了微信公眾號傳播力提升的策略[3]。柳毅、唐滿華和譚青基于WCI從內容優化、表達形式變通、傳播方式改進、用戶體驗增加等方面研究政務微信公眾號傳播力的提升方法[4]。李明德和高如使用層次分析法，從內容、平臺設計、更新頻率、回復服務、傳播域等方面構建指標體系[5]。

當下許多微信公眾號監測平臺也有自己的評價指標體系，例如清博WCI指數和新榜RSI指數，上述兩種指標體系的權重主要由專家給出。

本文通過因子分析法和層次分析法給出一種確定指標權重的客觀方法，并在此基礎上構建評價指標體系，搜集20個科技類微信公眾號的數據，計算其微信公眾號傳播力評價指數并進行排名。此外，還將本文提出的公眾號傳播力評價指數與WCI指數進行對比分析。

2? 研究方法

2.1? 因子分析法

因子分析通過研究各個變量的內部關系，尋找數據中的基本組成架構，再用少量的幾個線性組合變量來描述。因子就是各個變量的線性組合，它包含了所有變量的大部分信息[5]。因子分析通常包括以下五個步驟。

2.1.1? 選擇分析的變量

變量之間必須要有相關關系，這是因子分析的前提。

2.1.2? 計算相關系數矩陣

如果所選變量無相關性就不適合做因子分析，所以相關系數矩陣是分析因子模型組成結構的

基礎。

2.1.3? 提取公共因子

根據因子方差的大小確定因子數量，需要累計方差貢獻率達到70%以上。

2.1.4? 因子旋轉

因子旋轉可以使每個變量只在一個公因子上有較大的載荷，突出因子與變量之間的關系。

2.1.5? 計算因子得分

因子得分公式可以用于綜合評價指標體系的

構建。

2.2? 層次分析法

層次分析法將與決策相關的指標分解多個層級，例如目標層、準則層、方案層，將問題轉化為確定方案層指標相對于總目標的相對重要權值，然后在構建的層級上進行定性和定量分析，這是一種層次權重決策分析方法[6]。層次分析法基本步驟

如下。

2.2.1? 建立層次結構模型

將與總目標有關的指標按照不同分類規則分解成多個層次，同一層因素對上層因素有影響，同時又受下層因素作用。

2.2.2? 構造成對比較陣

除了總目標層，需要對其他層級構造成對比較陣，通常使用成對比較法或1—9比較尺度法。

2.2.3? 計算權向量及一致性檢驗

計算每個成對比較陣最大特征根及對應特征向量，利用一致性指標CI做一致性檢驗。如果檢驗通過，特征向量就是權向量;否則，需重構成對比較陣。CI定義見式（1），CI值大小與一致性成反比關系。

（1）

RI指標用來衡量CI的大小，見式（2）：

（2）

檢驗系數CR用來檢驗判斷矩陣是否具有滿意的一致性，見式（3），當CR<0.1時，認為通過一致性檢驗。

（3）

2.2.4? 計算組合權向量及一致性檢驗

計算最下層所有因素對于目標層相對重要性的權值，并做組合一致性檢驗。檢驗通過方案就有效，否則需要重構模型或重構成對比較陣。

3? ?數據與分析

3.1? 搜集微信公眾號數據

本文選取20個知名度較高的科技類微信公眾號，從清博、新榜、微小寶和西瓜數據等公眾號數據平臺采集其近幾個月公眾號運營情況數據。2019年2月份20個科技類微信公眾號數據見表1。

3.2? 建立模型

3.2.1? 因子分析

本文使用IBM SPSS Statistics 21對20個科技類微信公眾號2月的數據進行因子分析，表2為10個微信公眾號變量之間的相關系數矩陣。由表可知，發布次數與篇數、篇數與總閱讀數、總閱讀數與頭條閱讀數、總在看數與平均在看數、平均頭條閱讀與最高閱讀數等之間有較強的相關性。表2中平均發文篇數、平均頭條閱讀和平均在看數等三個指標是基于表1的數據計算得出的。

用SPSS對表2中的數據進行KMO和Bartletts球形度檢驗，KMO=0.662>0.5，而且Bartlett的球形度檢驗的p值小于0.01，說明應該拒絕微信公眾號各變量相互獨立的假設，可以對各變量做因子分析。

表3為公因子方差表，可知公因子包含了每個微信公眾號變量80%左右的信息。

表3? 公因子方差

指標 初始 提取

發布次數 1.000 0.883

篇數 1.000 0.971

總閱讀數 1.000 0.894

頭條閱讀 1.000 0.927

平均閱讀 1.000 0.818

總在看數 1.000 0.737

平均發文篇數 1.000 0.881

平均頭條閱讀 1.000 0.958

平均在看數 1.000 0.799

最高閱讀數 1.000 0.966

接下來計算特征根、方差貢獻率和成份矩陣，因子旋轉前三個因子累計貢獻率已達到88.342%，保留前三個因子即可，公因子在部分變量上的載荷沒有明顯的差別，所以需要進行因子旋轉。

表4和表5分別為旋轉成份矩陣和成份轉換矩陣。第1個公因子在變量平均閱讀、平均在看數、平均頭條閱讀、最高閱讀數、總在看數上有較大載荷，可以命名為閱讀傳播力因子，簡稱R。第2個公因子在發布篇數、發布次數、頭條閱讀、總閱讀數上有較大載荷，可以命名為在看傳播力因子，簡稱L。最后一個公共因子在平均發文篇數上有較大的載荷，可以命名為創作傳播力因子，簡稱C，本文構建的評價指標體系命名為RLC指數。

表4? 旋轉成份矩陣

指標 成份

1 2 3

平均閱讀 0.889 0.142 0.089

平均在看數 0.850 0.208 -0.179

平均頭條閱讀 0.777 0.226 0.551

最高閱讀數 0.761 0.255 0.567

總在看數 0.614 0.594 -0.090

發布次數 0.122 0.931 0.042

篇數 0.001 0.819 0.549

頭條閱讀 0.549 0.780 0.130

總閱讀數 0.506 0.758 0.249

平均發文篇數 0.000 0.121 0.931

表5? 成份轉換矩陣

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為因子得分系數矩陣。將各變量定義為發布次數X1，篇數X2，總閱讀數X3，頭條閱讀X4，平均閱讀X5，總在看數X6，平均發文篇數X7，平均頭條閱讀X8，平均在看數X9，最高閱讀數X10。根據表6可得三個因子得分表達式Y1，Y2和Y3：

（4）

（5）

（6）

表6? 成份得分系數矩陣

指標 成份

1 2 3

發布次數 -0.161 0.429 -0.141

篇數 -0.224 0.313 0.218

總閱讀數 0.021 0.221 -0.005

頭條閱讀 0.043 0.243 -0.090

平均閱讀 0.330 -0.144 -0.033

總在看數 0.128 0.173 -0.206

平均發文篇數 -0.097 -0.099 0.587

平均頭條閱讀 0.230 -0.156 0.263

平均在看數 0.319 -0.056 -0.217

最高閱讀數 0.216 -0.141 0.270

公式（4）、公式（5）和公式（6）為因子的得分公式，其中～是將原始數據標準化后的數值。將三個微信公眾號傳播力公因子以各自的方差貢獻率占總方差貢獻率的比重作為傳播力因子權重來加權計算綜合得分。記三個公因子權重分別為

、、，則微信公眾號傳播力綜合因子得分函數計算如公式（7）：

（7）

其中

3.2.2? 構建微信公眾號評價指標體系

1）建立微信公眾號評價層次結構模型。本文分析微信公眾號相關定量影響因素，如：發布次數、發文篇數、總閱讀數、總在看數等。使用層次分析法，將各個微信公眾號定量指標按照不同分類規則以樹狀分解成3層次，子層的各指標對父層指標有影響，同時又受到下一層指標的作用。最上層為微信公眾號評價指數，中間層分別為閱讀傳播力、在看傳播力和創作傳播力。最下層為指標層，閱讀傳播力包含五個指標;在看傳播力包含兩個指標;創作傳播力包含三個指標。層級結構見圖1。

圖1? 微信公眾號評價指標體系

2）確定層級模型權重。根據層次分析法，層次結構模型各層次各因素權重確定要經過構造成對比較陣、層次排序和一致性檢驗。在構造成對比較陣時，主要根據以往經驗，以量化值確定一個因素比另一個因素的重要程度，此方法受人主觀意識的影響大。

本文嘗試一種非定性確定層級結構權重的方法，將因子分析與層次分析有機結合，層次結構模型的各層次各指標的權重由因子分析的得分系數與各傳播力公因子比重的乘積來確定。此方法能消除人為主觀意識確定指標的權重的弊端，各傳播力公因子方差貢獻率比重見表7。

表7? 三個公因子方差貢獻率的比重

成份 方差貢獻率 所占比重

第1公因子 36.457 0.412 680 265

第2公因子 32.672 0.369 835 412

第3公因子 19.213 0.217 484 322

如果指標在第一公因子中得分系數為a1，在第二公因子中得分系數為a2，在第三公因子中得分系數為a3，則指標的因子權重為ω：

（8）

由公式（8）計算可得到各指標在層次結構模型中的相應因子權重，再將因子權重標準化得到標準化后的權重。（表8）

微信公眾號不同指標有不同維度，為了在構建微信公眾號評價指標體系中消除不同指標量綱的影響，需要對微信公眾號各指標進行標準化。

根據公眾平臺官方規定，1個常規的微信訂閱號，每天只能群發1條消息，每次最多發布8篇推文。對于微信7.0版本后訂閱號的相關指標，單篇閱讀數最高為10萬，單篇在看數最高為10萬。本文借鑒新榜的NRI算法，將各指標常規最大數值規定為指標理論上的最高分，定為1 000分，所以對于一個普通微信公眾號，10萬為“平均閱讀數”指標在理論上的1 000分。但對于每天有多次推送的權限的賬號，例如果殼、虎嗅App，指標最高分就可能超過1 000分。參考樣本歷史數據，99%以上單篇推文的在看數不會超過1萬，所以將1萬規定為在看數指標的理論最高分。結合微信公眾號歷史數據及微信公眾平臺的官方規則，設定在不同的時間周期下各指標常規最大數值。（表9）

表8? 指標權重

指標 因子權重 標準化權重

發布次數 0.061 552 58 8%

篇數 0.070 729 687 9%

總閱讀數 0.089 312 49 12%

頭條閱讀 0.088 041 668 12%

平均閱讀 0.075 751 206 10%

總在看數 0.072 002 83 9%

平均發文篇數 0.051 019 606 7%

平均頭條閱讀 0.094 420 513 12%

平均在看數 0.063 740 124 8%

最高閱讀數 0.095 712 911 13%

權重總和 0.762 283 614 1

表9? 各指標常規最大數值

指標 常數數值

總閱讀數 R1 n8100 000

平均閱讀數 R2 100 000

頭條閱讀總數 R3 n100 000

頭條平均閱讀數 R4 100 000

最高閱讀數 R5 100 000

總在看數 L1 n810 000

平均在看數 L2 10 000

發布篇數C1 n8

發布次數 C2 n1

平均發文篇數 C3 8

注：統計數據周期分別為日、周、月和年時，n的值分別為1、7、30、365

3）微信公眾號傳播力評價指標體系模型。根據表8中指標權重運算結果，以傳播力指數為一級指標，以閱讀傳播力、在看傳播力和創作傳播力為二級指標，以總閱讀數、總在看數等為三級指標建立微信公眾號評價指標體系，RLC指數的各級指標權重如表10所示。

由表10可知，閱讀傳播力（R）權重為59%，在看傳播力（R）權重為17%，創作傳播力（R）權重為24%。本文構建的RLC指數降低了閱讀相關傳播力指標的權重，提高好看（在看）相關傳播力指標權重，并且增加了創作傳播力。

根據表8和表9，可得閱讀傳播力R、在看傳播力L、創作傳播力C和微信公眾號RLC指數計算公式如下：

（9）

（10）

（11）

當評價周期為天、周、月和年時，n的取值分別為1、7、30和365。

（12）

這里、、分別為0.59、0.17和0.24。

即：? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（13）

公式（9）、公式（10）和公式（11）中對每個指標數值“+1”再取對數是為了避免出現“0”數值時而產生無效值，RLC指數理論上不會大于1 000，但對于能推送多次的特殊公眾號就有可能大于1 000。

4? 分析結果及驗證

4.1? 模型結果

根據構建的微信公眾號傳播力評價指標RLC指數，以2019年2月的20個科技類公眾號的數據進行計算，得到20個科技類公眾號的RLC指數。20個科技類微信公眾號RLC指數排名第一的訂閱號是虎嗅App，指數966.84，排名第二第三分別是果殼和差評，指數分別為964.41和952.33，排名最低的訂閱號是機智貓，指數為675.61，RLC指數對各個不同公眾號具有良好區分度。

為了比較微信公眾號RLC指數和清博的WCI指數，將兩種評價結果展示在一起，見表11和圖2。

表11? RLC指數與WCI指數對比

公眾號 RLC RLC排名 WCI WCI排名

虎嗅App 966.84 1 1 367.97 2

果殼 964.41 2 1 383.56 1

差評 952.33 3 1 346.06 3

酷玩實驗室 937.72 4 1 255.41 4

科技美學 915.81 5 1 190.83 6

CSDN 914.59 6 1 202.48 5

躺倒鴨 911.36 7 1 188.78 7

全是黑科技 902.31 8 1 137.44 9

安兔兔 890.90 9 1 095.65 11

科技每日推送 884.13 10 1 160.14 8

科技狐 880.29 11 1 111.08 10

愛否科技 878.11 12 1 084.44 13

新智元 853.29 13 999.2 16

騰訊科技 853.01 14 1 031.33 15

互聯網熱點 832.82 15 1 055.64 14

爆科技 796.74 16 1 087.7 12

科技晚8點 753.34 17 971.16 19

指尖刀客 744.57 18 991.23 17

氪金思維 740.52 19 983.46 18

機智貓 675.61 20 574.45 20

4.2? 結果驗證與分析

由表11可知，RLC指數和WCI指數的排名相差無幾，例如科技美學在RLC指數排名第5名，在WCI指數中排名第6名，安兔兔在RLC指數排名第9名，在WCI指數中排名第11名。由對比結果可知，本文構建的微信公眾號RLC指數和清博指數WCI對微信公眾號的總體排名變化不大，兩者對微信公眾號都有較好的區分度，驗證了RLC指數的有效性。

對于微信7.0改版后的閱讀數、在看數和發文創作等三個指標，RLC指數比清博WCI指數的評價效果更好。例如新智元和爆科技，新智元在RLC指數和WCI指數中排名分別為13和16，爆科技在RLC指數和WCI指數中排名分別為16和12，兩個公眾號在不同指數排名上剛好相反。新智元閱讀數的指標整體比爆科技低，但由于新版在閱讀數過萬后，數據只精確到千，同時增加了“在看”按鈕，所以RLC指數降低了閱讀數權重，同時增加了“在看量”的權重和微信公眾號發文創作的相關評價指標，使得在看數指標和創作指標整體更高的新智元的RLC指數更高，這樣的結果更適合微信7.0版本。

5? ?結論與創新建議

通過2019年2月20個科技類公眾號數據對RLC指數進行檢驗，結果表明，RLC指數具有良好的區分度，RLC指數和清博WCI指數在微信公眾號的排名上大體一致，而RCL指數更好地反映了微信7.0改版后的閱讀數、在看數和發文創作等三個

方面。

應用RLC指數算法，根據指數排名可以發現運營良好的微信公眾號，可以起到規范引導的作用。優質公眾號都有高閱讀量、高推送頻次和高發文量的特征。因此，RLC指數算法能夠推動微信公眾平臺的發展，能為微信用戶提供更好的用戶體驗，為運營者提供一定的借鑒與參考。微信版本不斷迭代，公眾號傳播力評價方法也需要與時俱進，后續研究需要根據微信公眾號改版的特點設計相應的評價指標體系。

參考文獻

[1]張莉曼，張向先，李中梅，等.基于BP神經網絡的智庫微信公眾平臺信息傳播力評價研究[J].情報理論與實踐，2018，41（10）：93-99.

[2]丁炫凱，李剛.新型智庫傳播力評價及其實證研究[J].南京社會科學，2018（10）：29-36.

[3]吳素華.專業類微信公眾號傳播力提升策略——基于9種微信公眾號的比較分析[J].中國記者，2018（12）：

70-72.

[4]柳毅，唐滿華，譚青.基于微信傳播指數WCI的省級科技主管部門政務微信公眾號研究——以“科技湖南”為例[J].企業技術開發，2018，37（10）：45-48，69.

[5]李明德，高如.媒體微信公眾號傳播力評價研究——基于20個陜西媒體微信公眾號的考察[J].情報雜志，2015，34（7）：141-147.

[6]方開泰.實用多元統計分析[M].上海：華東師范大學出版社，1989.

[7]Saaty，T.L.The Analytic Hierarchy Process. New York.McGraw-Hill，1980.