网络拓扑特征对病毒式营销传播动态影响的研究——基于新浪微博大数据的实证分析，本文主要内容关键词为：拓扑论文,实证论文,博大论文,新浪论文,特征论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
互联网已进入了一个全新的时代。随着数字媒体的兴起，传统大众媒体的营销价值开始弱化，越来越多的消费者逐渐对传统营销工具产生了疏远心理。[1]另一方面，随着以社交网站为代表的新媒体快速普及，改变了消费者获取、处理和消费信息的方式。越来越多的企业开始通过新媒体，以病毒式营销方式传播信息。与传统营销工具相比，病毒式营销具有成本低、可信度高、传播速度快的优势，已成为企业整合营销的重要组成部分，国内外都有成功的案例。 但许多企业发现，与传统大众媒体相比，消费者接收到特定信息的几率急剧下降，使许多精心设计的营销信息很难到达目标用户。美国数据分析公司EdgeRank Checker统计了3万多条发布在美国著名社交媒体脸谱(Facebook)上的营销信息，发现一条信息的平均“寿命”仅为2小时56分钟，有些甚至低于15分钟。[2]互联网技术快速发展，为企业病毒式营销带来了巨大的机遇，但为什么取得成功的企业却不多见？[3]从传统媒体营销价值的弱化到新媒体信息寿命的不确定性，我们可能会问：哪些因素会影响到病毒式营销传播效果？传播激活后又需要什么样的动力条件延续传播“寿命”？ 现有文献中，从两个领域探讨了上述问题。复杂网络科学的研究认为，网络中最普遍的是“小世界”(Small World)和“无标度”(Scale-free)特性，前者具有高聚类系数、短路径的拓扑特征，信息传播效果优于随机网络；[4]后者拥有一些超高连接度的中心节点，信息传播效率比随机网络更高。[5]夏克林和保罗(Shakarian and Paulo)构建了多种迥然不同的网络结构，发现每个网络都拥有独特的信息扩散机制，而扩散初期网络结构的微小差异，会导致信息最终传播效果的巨大差异。在营销传播学领域这方面研究的文献相对较少。[6]班布(Bampo)、欣茨(Hinz)和卡托纳(Katona)等学者的工作具有一定的代表性。班布和欣茨认为传播网络中参与者的行为特征、企业育种策略(选择关键参与者)、网络的宏观拓扑特征和信息的内容吸引力等因素，都会影响病毒式营销传播的效果，并通过数值模拟的方法，在随机网络、小世界网络和无标度网络上验证了上述假设。[7]卡托纳等学者以微观拓扑特征为对象，研究发现新产品消费的决策，主要受已有消费体验采纳者的网络特征、已采纳者的局部网络特征以及尚未采纳者的人口统计特征的影响。其中，前两种情境对提高潜在受众的采纳率具有显著作用。[8] 与传统大众营销活动相比，病毒式营销注重消费者之间的互动传播，以及随之形成的传播网络，而在研究营销网络运行时，都会涉及到对网络拓扑结构特征的认识。因此，分析网络拓扑结构的演化对病毒式营销信息传播的影响，已成为网络营销的一个重要课题。但目前该领域的研究，还缺乏对病毒式营销过程中各种因素作用机制的探讨。此外，由于数据可获得性，现有的研究主要采用计算机仿真和小规模案例分析，难以从整体上对病毒式营销传播动力条件变化过程进行动态分析。从市场营销的角度来看，究竟哪些度量具有营销内涵，对营销信息的传播效果具有显著影响；企业在优化病毒式营销策略时，需要重点关注哪些因素，以往的研究并没有给出明确的结论。鉴于此，本文基于传播学、网络科学与社会资本理论，着力研究两个问题：病毒式营销信息传播的网络拓扑特性及其对传播效果的作用强度和方向是怎样的？病毒式营销激活形成与持续扩散两个不同阶段中，传播动力条件有何差异？通过将大数据分析方法引入互联网营销传播领域，对我国消费者真实行为数据的实证分析，对上述问题展开讨论，丰富和拓展学界对病毒式营销信息在新媒体平台上传播机制的理解。 二、理论综述与假设 (一)病毒式营销与传播网络的拓扑特征 病毒式营销是指营销者采用口碑(Word-of-Mouth)传播的形式，激励消费者主动分享、传播与企业或品牌相关的、精心设计的信息，实现特定营销目标的行为。[9]为描述病毒式营销的传播机制，假设存在一个由N个用户组成的新媒体平台网络G(V，E)，其中V=｛
｝代表用户集合，E=｛e(i，j)∈E；i，j∈V｝代表用户间关联关系。营销信息传播伊始，企业从新媒体平台网络中选择其中一组用户(
)作为初始信息源。在其后每个传播层，平台用户开始逐渐参与到信息传播中，由此产生一个参与用户序列：
其中，
表示第i个传播层的用户集合。需要强调的是，新媒体平台网络与营销信息传播网络是两个不同的网络：前者定义了所有潜在信息接收群体，在传播过程中恒稳不变；后者定义了参与信息传播用户构成的网络，随时间规模递增。营销信息传播网络包含了传播参与者集合(
)，以及新媒体平台网络中这些用户间的关联关系(
=｛e(v，w)∈E；v，w∈
｝)。如果按传播层，依次绘出传播参与者及其关联关系，即可观察到营销信息在新媒体平台网络中的传播路径。企业通过分析新媒体网络平台，将传播网络中第一传播层的核心节点列为备选信息源(见图1A)，并从中优选出初始信息源群体
，激活营销信息在信息接收群体中快速扩散(见图1B)。这一过程国外营销学文献称之为育种策略(Seeding Strategy)，即在传播初期选择关键传播者的策略。 由此可见，着眼网络拓扑结构特征，有效的病毒式营销信息传播的动态演化过程可表述为：企业选择合适的初始信息源群体，激活营销信息在信息接收群体中快速传播。通过构建高效的传播网络，优化传播动力条件，实现信息持续扩散，以达到传播效果最大化。在这一过程中，企业引导信息传播路径，顺着消费者的习惯强化印象，保持了品牌形象或信息价值在传播中的完整性，从而将传统媒体的权威性、可控性与新媒体的用户洞察及互动、广泛性融为一体，提升了营销信息的商业价值和社会价值。 (二)网络拓扑特征相关变量对病毒式传播影响 1.初始信息源规模 采用多少初始信息源作为信息传播的起点，是非常敏感的初始条件。初始信息源对于病毒式营销来说，类似传染病扩散过程中的初始病源体，当其规模达到临界区间，传播就被激活。从社会资本视角看，个体拥有的网络连接越多，获取、应用社会资源的能力越强，越容易实现自身目标。在新媒体上，企业使用的初始信息源数量越多，信息的曝光度越高，消费者接触到信息的概率和传播意愿也越高。[10]这也是大众媒体传播规模特性在新媒体平台上的体现。因此，本文提出以下研究假设： 研究假设
：初始信息源规模越大，对病毒式营销信息传播效果的促进作用越大。 2.社群规模与数量关系特征
图1 新媒体平台网络与营销信息传播网络示意图 注：图1模拟了一个新媒体平台网络，以及基于该网络实现的营销信息传播网络。其中，实心圆代表营销信息发布企业，空心圆代表参与传播用户。营销信息传播网络中，参与者间点划线代表未激活的关联关系，营销信息无法通过该路径实现传播。 人们以社群的方式在网络上存在。学术界一般认为社群是“一个拥有某种共同的价值、规范和目标的实体，其中每个成员都把共同的目标当作自己的目标”。[11]人们从属于一个社群，也因社群的不同而区分。各个社群不是完全隔绝的，很多社群总是可以通过不同的人而联系起来。[12]从营销的视角分析，市场是消费者交流活动的结果，网络社群是一群有着共同兴趣爱好和需求的人在网上集聚而成的消费者群体。在社群内充分交换产品价格和质量信息，交流体验感受，结果是具有“近邻模仿效应”(Neighborhood Effect)的大规模购买力。网络社群也是一个开放的小世界，一个“自平衡”市场生态系统。新的消费者进来会发现，在社群内部，也有明显的层级差异。对企业品牌信息具有不同程度的知晓度和忠诚度，由此差异形成的冲突与包容，引导社群进入动态发展的佳境，吸引更多的消费者了解企业的信息。 营销信息传播效果，受外部效应与内部效应的共同影响。[13]相较而言，社群中的正向内部效应，使社群积聚了传播动能，被认为是营销信息或者新产品实现成功传播的决定性因素。[14]外部效应取决于企业营销绩效，如在传统媒体上的广告投放；内部效应则度量了已采纳者的影响，通过积极的口碑激励未采纳者模仿其行为，参与到营销信息或者新产品的传播过程中。当信息传播形成后，社群内的口碑效应和近邻模仿效应交互促进，若形成正向反馈循环，就会不断增强内部效应。当内部效应积累到一定程度后，就会突破扩散的临界点(Take-off Point)，实现高效传播。扩散过程涌现出来的区域性的采纳者社群，具有总体数量不断减少、规模不断增大的拓扑特征。反之，当营销信息在传播初期没有获得必要的关注，则很难在社群内形成大量的内部效应。这时，用户采纳营销信息的决策大多是受企业外部效应的影响，人际间口碑影响的作用很小。在此情境下，外部效应超越了内部效应，成为传播过程的主导因素，采纳者作为单一“社群”随机均匀地分布在整个扩散网络中，社群与社群间关联关系稀疏，显现数量多、规模小的拓扑特征。 由此，本文认为营销信息扩散过程中，如果传播空间中涌现内部关联紧密的少数大规模社群，则表明传播过程中产生了正向反馈循环，有助于提升传播效果。反之，如果传播空间中仅仅分布着大量小规模个体性“社群”，不利于信息的传播与扩散。综上分析，本文提出以下研究假设： 研究假设
：病毒式营销信息接收群体网络中，社群表现出数量少、规模大的拓扑特征，则其传播效果越好。 3.高影响力群体 社会资本理论认为，个体可以通过所属社会网络以及嵌入在网络中的资源，获得各种有形、无形的利益，并籍此实现特定目标。[15]企业在新媒体平台上与消费者之间的双向互动关系，使企业作为一个参与者，嵌入消费者社会网络。这些关联关系构成了企业的“社会资本”，促进信息在传播网络中流动。从社会资本视角分析，企业实现营销信息高效传播取决于两个维度：一是嵌入在网络中的社会资源的量级，二是网络成员间关联关系模式。[16]基于这一理论，本文认为营销网络中的高影响力群体同时具有上述两方面特征，他们在病毒式传播过程中发挥重要作用。高影响力群体是由对信息传播具有较高推动作用的传播参与者构成，并依据群体内部的关联关系形成自群规模。在营销传播中，拥有大量连接的中心人物；具有专业知识、受消费者尊重和信任的专家型意见领袖；拥有优势网络位置的桥梁型群体，都是构成高影响力群体的典型个体。[17] 使用高影响力群体度量传播效果，不仅考虑到参与者个体对营销信息传播效果的作用强度，同时也考虑了成员间的互动关系，真实衡量了传播参与者间产生的协同效应对营销信息传播效果的作用强度。借鉴复杂网络理论，本文引入网络拓扑特征的K-核度量高影响力群体的作用。[18]根据定义，K-核中的节点至少拥有K条传播路径，即至少向K个直接关联成员传播信息，拥有较高的网络连接性和传递能力。显然，K-核作为高影响力群体，体量越大(即传播路径K的数量越多)，对信息传播效果的促进作用也越大。因此，本文提出以下研究假设： 研究假设
：病毒式营销信息接收群体网络中，最大K-核规模越大，则其传播效果越好。 4.网络结构的非均衡性 病毒式营销信息传播过程，从初始形成到持续扩散，是一个多层次嵌套相互作用的动态系统，也就是说，它们之间总是处于信息交换的状态，形成传播系统与环境相互作用。作为一个开放的动态系统，通过与外部环境能量与信息交换进行代谢，维持传播动力。[19]根据耗散结构理论，信息传播过程中的持续代谢，通过变异与选择，造成网络出现局部范围的非均衡性，一旦代谢过程停止，整个网络系统就进入了新的稳定态，丧失了传播动力。[20] 从营销学角度分析，信息接收群体网络结构的非均衡性，主要体现在参与者特质的差异程度上，传播网络中节点间的差异性越大，结构非均衡性的程度越大。这种结构非均衡性从本质上反映了参与者的“多元性”，表明传播网络中存在影响力高于平均水平的关键影响者，导致信息出现非均衡性流动。这一现象降低了相似信息在特定群体中反复流动的次数，提高了传播效率。[21]因此，通过度量参与者的差异，反映病毒式营销信息传播网络的结构非均衡性。综上，本文提出如下研究假设： 研究假设
：病毒式营销信息接受群体网络中，网络非均衡性程度越高，则其传播效果越好。 三、计量模型、数据来源和研究方法 (一)计量模型的设定 本文重点研究网络拓扑特征边际效应的动态趋势。借鉴创新扩散理论，将信息扩散过程分解为四个阶段：16%，16%-50%，50%-84%和84%-100%。其中，16%阶段表示信息传播过程中前16%参与者传播阶段，16%-50%阶段表示第16%到第50%的参与者传播阶段，其余类推。每一阶段分别建立病毒式营销信息传播效果与网络拓扑特征间的计量模型，分析相关因素边际效应的变化趋势。 传统回归模型的基本假设，因变量条件分布服从正态分布。当条件分布有偏时，由传统方法得到的系数不再是无偏有效的。分位数回归通过拟合因变量的条件分布在不同分位数上对自变量变化的响应，放宽了正态性要求，估计系数对偏态、厚尾等分布表现出良好的稳健性，精确描述了自变量与因变量条件分布的整体关系。由于样本信息的传播效果呈现出严重的偏态，[22]本文选用分位数回归模型构建计量模型。具体的分位数回归模型为：
通过求解式(2)的最小化问题，对模型中不同参数实现估计：
其中，Y为模型因变量传播效果。χ为方程自变量集合，包括初始信息源规模、平均社群规模、高影响力子群和网络结构非均衡性，以及模型控制变量。
为第θ分位数上的回归系数。通过最小化第θ分位数回归方程的加权绝对离差和，可以得到系数
的估计值。 (二)研究数据来源 本文的研究数据来源于国内最大的微博运营平台——新浪微博，包含用来构建新媒体平台网络、营销信息传播网络的两个数据集。为了保证研究的有效性和研究信度，本文拟采用以下几个标准，分两步选择样本：第一步，确定发布网络病毒营销信息的样本，要求(1)所选取的企业与消费者的日常生活紧密相关；(2)所选样本具有一定的横截面性质；(3)其微博账户必须是新浪官方认证账户。第二步，采用人工编码的方式，将样本缩小为企业发布的网络病毒式营销微博。样本抓取时间段为2012年1月1日至2012年12月31日。最终，通过新浪微博API，共收集了15个行业，49个企业账户，得到11576条病毒式营销微博。根据上述步骤得到的数据集，构建出营销信息传播网络。 (三)研究变量的度量 1.因变量的度量 已有学者从不同的视角提出了病毒式营销信息传播效果的度量方法，主要有传播参与者人数、信息转发数、单位时间效率等。[23]本文认为，病毒式营销信息的传播效果取决于信息接收群体的主动传播意愿，即信息传播率(Transmissibility)。借鉴SEIR(Susceptible-Exposed-Infective-Recovered)传染病扩散模型，第t期的病毒式营销信息传播率由方程组(3)确定。[24]其中，
为潜在传播者人数，
为实际参与者人数，
为被信息曝光但没有参与传播的人数，
为移出传播网络的人数。参数中，α是至少被信息曝光一次的人数占总人数的比例，β为信息传播率，σ度量了被信息曝光的群体传播信息的概率，取值越高表示传播效果越好。度量了传播参与者删除信息的可能性，即移出传播网络的概率。
由此，计算出每条样本信息的
数值，参照方程组(3)计算每条信息在第t期的传播率β，作为传播效果(Transmissibility)的度量。 2.主要自变量的度量 初始信息源规模。本文用直接参与第一层级传播用户的数量(见图1)度量初始信息源规模。 社群规模与数量关系特征。首先，确定信息接收群体网络的社群数量。本文采用在复杂网络文献中广泛使用的Newman-Grivan模块度优化算法，[25]识别病毒式营销信息传播网络中的簇集数量。NG社区识别算法最大限度地保持了节点间关系强度，通过禁忌搜索算法实现模块度优化。对参与第j条信息传播的用户群体，网络模块度
由公式(4)给出：
式中，
是整个网络实现的连接数量；δ(
)是判断社区归属的显性参数：如果用户v和w归属同一社区，则δ(
)=1，否则为0；
是信息传播网络的邻接矩阵中第v行第w列对应的元素；
是相应零模型中节点v和节点w间的期望连接值。其次，根据社群分布计算每个社群包含的用户数量，计算平均社群规模。由此标准化处理可以消除在外部效应主导下，仅仅出现少量传播参与者的极端情况带来的波动。 高影响力群体。借鉴卡尔米(Carmi)等人提出的迭代K-核分解技术，[26]针对每条病毒式营销信息的传播网络，识别出组成最大K-核的节点集合。具体来说，通过不断移除传播路径数小于K(K=1，2，3，…)的节点，逐步缩小节点集合，直到无法进一步移除任何一个节点为止。剩余节点组成的集合即为传播网络的最大K-核，其中节点的度数K记为高影响力群体的体量大小。 网络结构非均衡性。网络非均衡性一般通过度量群体度分布的有序性获得。[27]借鉴信息论理论，群体度分布的有序性可通过对其信息熵值的度量反映，熵值越高差异化程度越高。根据前文理论假设，第j条微博的信息熵值为：
其中，
为第j条微博的独立参与者人数，p(k)为第j条微博参与者出度分布的概率质量函数。 3.控制变量的度量 控制变量包括企业广告支出、信息的内容表现形式、发布时间、平台发展趋势和行业等。除企业广告支出以外，其他变量通过新浪API接口获得数据，辅以人工编码完成(见表1)。
企业广告支出。前文理论分析中提到病毒式营销信息的传播过程，受到内部效应和外部效应的共同影响。因此，模型中需要纳入相关企业在发布病毒式营销信息同期的广告支出，控制外部效应自身及其与内部效应产生的交互作用对传播效果的影响。数据来源为《尼尔森网联媒体投放报告(2012)》，涵盖企业报告期内，在电视、纸质媒体、电台以及互联网平台上的广告支出数据，辅以人工计算完成。 内容表现形式主要包括微博字符数、是否包含短链接和是否包含图片。单条微博字符数越多，包含高价值属性信息的可能性越大。但是，当字符数超过了用户信息处理能力的极限，就会产生信息过载，降低了用户的传播意愿。[28]图片的视觉效果降低了用户信息处理强度，[29]在减少阅读成本的同时，更容易为用户带来高价值。微博短链接采用与主体不同的颜色，其作用机制与图片相仿。新浪微博上线至今，用户人数经历了先升后稳的发展趋势。依据产品周期理论，新浪微博的发展与信息传播效果之间存在倒“U”型的非线性关系。因此，引入微博发展趋势及其二次项，控制由于传播平台发展带来的自发性传播。同时，不同时段用户活跃度的差异，也会造成传播效果的系统性偏误。本文引入时间虚拟变量，以控制不同时间发布的微博对用户关注度的稀释作用。最后，引入一套行业虚拟变量，以控制由于消费涉入度的差异，而产生的传播环境的系统性差异。[30] 四、实证分析和结果 表2-表5给出了信息扩散不同阶段，网络拓扑特征相关因素与病毒式传播效果的回归系数。图2从分位数变化与传播四个阶段两个维度，给出了各个网络拓扑特征变量在传播各个阶段的动态演化过程，图中等值线分布反映了变量边际效应的变化趋势。实证结果证实，网络拓扑特征对传播效果影响作用明显。尤其在信息传播率高分位数上，作用更加显著。这表明，各相关因素对传播效果具有显著的正向促进作用，分位数回归模型比较准确地描述了整体分布状态的现实。从总体上看，前文提出的研究假设均得到支持。
初始信息源规模(见图2A)的回归系数均为正，但作用强度在各对应分位数上呈现下降趋势，从16%阶段的0.021～0.125(
=0.104)，[31]到100%阶段的0.004～0.049(
=0.045)，波动程度显著减小(F=39.44，p＜0.01)。主要作用区间集中在“16%”和“16%-50%”两个阶段，随后作用强度迅速衰减。在50%-84%和84%-100%阶段，对传播效果的影响力已很小。可以看出，初始信息源规模的边际效应随时间呈现递减趋势，对传播效果边际贡献度逐渐弱化。这一结论表明在病毒式营销中，信息曝光率的作用依然显著，但其作用区间仅在信息传播初期。类似传染病扩散中的病源体，通过确保信息传播初期的基本再生数(Basic Reproductive Ratio，
)大于1，来避免信息过早衰亡。[32]基本再生数越大，病毒式营销信息的自我传播能力越强。当病毒式营销信息的基本再生数显著大于1时，就会出现信息瀑布流现象。到了该阶段，初始信息源规模已不再是影响信息传播效率的主要因素。 社群规模与数量关系特征(见图2B)与传播效果动态变化趋势呈负相关。随信息传播过程，回归系数在各对应分位点上缓慢下降，从16%阶段的0.003～-0.119(
=-0.122)，下降至100%阶段的-0.054～-0.309(
=-0.256)，波动程度显著增加(F=88.12，p＜0.01)。在互联网传播环境，人与人为一定的目的而形成社群，人们可以从社群获取不同层面的信息，以满足不同的信息需求。社群的集体意识和价值取向，影响到个人信息选择的习惯，形成决策的态度和倾向。社群规模与数量之间关系的动态变化，反映了受众群体在信息交流与选择过程引起的社群组织结构的微观变化，进而影响到整个网络的传播效果。图2B中，社群规模与数量关系特征变化，会波及病毒式传播的整个过程，但在“0.5-0.9分位点～84%-100%”区间作用更加显著，表明社群规模的快速增长，是病毒式营销信息实现持续扩散的必要条件。 高影响力群体(见图2C)的回归系数随时间呈下降趋势，从16%阶段的0.045～0.209(
=0.164)，降至100%阶段的0.009～0.044(
=0.035)。与其他变量相比，高影响力群体作用的系数均为正，但作用强度随传播进程迅速降低。在“16%-0.9分位点”上达到极值后，16%-50%阶段就开始减小，到50%-84%阶段数值趋向于0。这表明，高影响力主要作用是在初始阶段激活病毒式营销的传播。我们认为，高影响力群体位于传播网络中心位置，直接受众范围广，容易造成多个节点的辐射范围重叠，致使信息在一个小范围群组中反复流动，阻碍了信息的持续传播。因而，随着信息持续传播，高影响力群体的作用强度逐渐弱化。 网络非均衡性(见图2D)的回归系数随时间呈上升趋势，从16%阶段的0.049～1.015(
=0.966)，逐渐上升到100%阶段的1.117～2.551(
=1.434)，波动区间显著扩大(F=139.01，p＜0.01)。从系数变化幅度分析，网络非均衡性系数的作用区间在各分位点上，均高于其他拓扑特征变量，表明网络非均衡性对信息传播效果的作用强度最高。网络非均衡性的作用随传播的持续与扩散不断增强，进入50%-84%阶段后，作用显著增强，在“84%-100%-0.9高分位点”上达到极值3.178。信息传播初期，由于用户间的口碑效应和模仿行为，首先激活传播网络中的强连接。强连接多发生在两个高度相似的个体间，导致参与初期传播的个体间高度相似，致使信息仅在传播源邻近网络中流动，容易产生冗余，传播效率降低。信息传播扩散后期，为了增加病毒式营销信息的潜在曝光率，企业需要触及不同特质的细分群体，不能只关注已有的关系紧密群体与被证明了的市场，而必须尝试新的消费群。因此需要通过网络群体间的弱连接或者结构洞，[33]使信息扩散到不同特征的目标群体，减缓信息吸引力衰减的速率。在此情境下，差异性较大的受众群体可以确保信息有效通达整个网络的不同部分。因此，在病毒式营销信息的整个生命周期中，强弱连接的依次激活机制，使网络非均衡性逐步成为保持传播持续性的主要驱动因素。
图2 网络拓扑特征对病毒式营销信息传播效果边际效应的动态变化趋势 综合图2(A-D)中各变量边际效益分布，可以得出网络拓扑结构特征对病毒式营销传播动态影响的基本趋势：传播形成阶段主要影响变量是初始信息源规模、高影响力群体，边际效益最大集中在(分位点0.5～0.9—信息传播16%～16%-50%阶段)区域；传播扩散持续阶段主要影响变量是社群的规模与数量关系特征、网络非均衡性，边际效益最大集中在(分位点0.25～0.9—信息传播50%-84%～84%-100%阶段)区域。在两个区域之间，存在着传播动力条件的转换过渡区。从整体演化过程看，传播激活后会进入一个动力条件转换的“弱过渡区间”，在这个区间激活的动力条件(初始信息源规模、高影响力群体)迅速衰减，而持续扩散的驱动因素(社群的规模与数量关系特征、网络非均衡性)的作用刚刚显现，强度尚弱。相当一部分营销信息因缺乏持续扩散的动力条件，难以跨越“弱过渡区间”而“早衰”。“弱过渡区间”的发现，为引言部分提出的“互联网技术快速发展，为企业病毒式营销带来了巨大的机遇，但为什么取得成功的企业却不多见？”的疑问，给出了一个合理的解释。 五、主要研究结论与讨论 结构决定功能是系统科学最重要的观点之一，[34]只有在充分考察了网络拓扑特征后，才能真正理解复杂系统的运行机制。本文基于社会学、传播学与网络科学的理论，将大数据分析方法引入互联网营销传播领域，通过对我国消费者真实行为数据的实证分析发现：初始信息源规模、社群规模与数量关系特征、高影响力群体和网络结构的非均衡性，是影响病毒式营销信息传播效果的四个重要网络拓扑特征。研究还发现，企业病毒式营销信息的传播过程，并不是一个信息均匀扩散的过程，而是一个社群与环境相互作用、传播动力条件转换的过程，形成初始激活与持续的两个传播阶段。在病毒式营销信息激活与持续的不同阶段，网络拓扑结构相关变量具有不同的作用：在初始激活阶段，初始信息源规模、高影响力群体具有显著的正向促进作用；而到了持续扩散阶段，社群的规模与数量关系特征、网络非均衡性成为主要驱动因素。从病毒式营销整体的演化过程来看，初始激活与持续传播阶段间存在着一个动力条件转换的“弱过渡区间”。只有跨越该区域，社群的规模与数量关系特征、网络非均衡性才可能在信息传播中成为主导传播的驱动力，使病毒式营销获得良好的传播效果。因此，企业需要根据传播参与者的在线反馈来调整策略，牵引整个传播过程，并通过强化与社群的关联关系，促进众多社群的自组织发展，以形成长生命周期的大尺度病毒式传播。 本文的理论贡献是，在诠释了病毒式营销的信息传播过程的概念后，融合传播学、网络科学与社会资本的相关理论，识别出影响病毒式营销信息传播效果的四个重要网络拓扑特征，并分析了它们对传播效果的作用机制，相应的研究假设得到了实证数据的支持。进一步的研究中，借鉴创新扩散理论，将信息传播过程按参与者比例进行了划分，动态考察了不同阶段网络拓扑特征边际效应的变化趋势，改变了现阶段仅从静态视角研究信息传播的分析范式，观察到了一些只有在动态信息中才能得出的，随时间变化的不均匀过程，反映了信息传播过程中的微观特征。据了解到的研究动态，本文对网络拓扑特征对病毒式营销传播效果动态演化机制的实证分析尚属首次，推进了关于病毒式营销传播以及新媒体营销领域的理论研究。 除上述贡献外，本文还深入分析了病毒式营销的特点。我们认为，病毒式营销活动中，营销信息会产生异化，可能是正面的，也可能是负面的。营销信息的组织者(企业)通过与用户的沟通与交流，引导信息传播内容，可以保持品牌形象或信息价值在传播中的完整性。从而在根植于新媒体平台上的病毒式营销信息传播过程中，将传统媒体的权威性、可控性与新媒体的用户洞察与互动、广泛性融为一体，开发出一种新的模式，给企业带来商机或价值。本文对病毒式营销信息在新媒体平台上传播机制的分析，为企业如何合理地分配线上营销资源，有效激励用户自发地传播网络口碑，提供了实践性思路。
标签：市场营销论文; 网络与新媒体论文; 用户研究论文; 传播效果论文; 群体行为论文; 企业特征论文; 网络模型论文; 网络社群营销论文; 新媒体营销论文; 新媒体广告论文; 新媒体影响力论文; 动态模型论文; 市场均衡论文;
