消费咨询网络中意见领袖的演化机制研究——预期线索与网络结构，本文主要内容关键词为：网络论文,线索论文,领袖论文,机制论文,结构论文，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。
一、引言 随着web2.0技术和社会网络SNS(social network site)的兴起，人们之间的联系越来越密切，互联网中种类繁多、规模庞大的虚拟社会网络也应运而生，例如注重社交互动的微信、注重信息分享的微博、注重购物分享的蘑菇街等，这大大改变了人们交流和沟通方式。在这些虚拟社会网络中，往往存在着一类用户，他们拥有数量众多的粉丝，其发表的言论影响广泛，往往被称为意见领袖(opinion leaders)。例如新浪微博中的“大V”，粉丝少则几百万，多则几千万，其发布信息的覆盖人数甚至超过了主流报纸的发行数量。为此，很多企业对虚拟社交网络上的意见领袖也非常关注，一是试图通过关注意见领袖的信息传播来了解消费形态和舆论趋势，二是希望借助意见领袖的影响力来影响其粉丝，进行社会化营销。 “意见领袖”最早由Katz和Lazarsfeld(1955)提出，用以解释媒体传播与大众观念形成的关系，而社会学、营销学等学科也早在20世纪七八十年代就对其进行了研究(King and Summers，1970；Levy，1978)。随着互联网的发展，对这一概念的研究也越来越深入，相关研究主要集中在识别社会网络中的意见领袖以及意见领袖会带来什么样的影响。在识别意见领袖方面，以往研究主要关注了在社会网络中哪些用户是具有影响力的，以及影响者与被影响者之间的互动关系(Trusov and Bodapati，2010)，而在意见领袖产生影响方面的研究非常多，比如意见领袖对新产品扩散的作用(Iyengar and Van den Bulte，2011)、对新技术采纳的影响(Miller and Mobarak，2014)、对社会观点形成的作用(Watts and Dodds，2007)等等。然而，对于意见领袖本身是如何形成的，也就是它的前因却少有关注。问题是，在社会网络中意见领袖并不是从来就有的，而是存在一个从有到无、从小到大的动态演化过程，如果不能深入理解意见领袖的形成机理，企业就很难利用意见领袖开展所谓的社会化营销。 为什么之前的文献较少涉及意见领袖的形成机制研究呢?一个很重要的原因是，在以往文献中研究的网络是一种与现实生活紧密联系的社交网络，网络关系往往是现实人际关系反映(例如微信)，意见领袖影响力的大小是由个人的资源禀赋和社会地位等内生因素所决定的，其演化过程比较缓慢(Myers and Robertson，1972)，因此很难观察和研究意见领袖的形成机理。但是在互联网环境下，存在另一类网络，在这种网络中网络关系不再是人际关系的反映，而主要代表了信息的流动，在本文中我们将其定义为消费咨询网络(美丽说、蘑菇街、微博)。这种脱离现实人际关系的消费咨询网络具有快速演变的特性，在这样的网络中意见领袖的形成更多是与用户在网络中的活动紧密相关的，例如微博中很多依靠创造有趣内容而成为“网红”的“大 V”(Kossinets and Watts，2006；Palla et al.，2007)。 为了进一步理解意见领袖的形成这一问题，本文首先对不同的网络形态进行了划分，提出了消费咨询网络这一概念，突出了咨询网络中生人关系和信息导向的特点。在消费咨询网络的背景下，本文提出了两类影响意见领袖形成的因素，分别是基于预期的网络节点的信息创造和网络结构，信息创造突出的是意见领袖作为网络中信息的提供者，其提供信息的量和质能推动关系的建立，吸引“粉丝”；而网络结构的影响则凸显的是两个节点现有结构关系对新关系建立的影响。最后，本文利用真实网络演化数据对意见领袖的形成进行了实证分析。 二、相关研究和假设 (一)相关研究：意见领袖的识别及其影响 意见领袖作为社会网络中有影响力的节点，对于网络其他成员的行为和网络整体变化具有重要作用，所以以往对于意见领袖的研究关注较多的是意见领袖在网络中的识别和意见领袖带来的影响。对于意见领袖的识别而言，主要是依靠某些指标来判断网络节点的影响力，影响力较大的则被认为是意见领袖；而对于意见领袖的影响，以往学者主要研究的是意见领袖的行为对其他人的示范和带动作用。 意见领袖的识别。一般而言，意见领袖包含3个层次：首先，意见领袖具有一些人格上的特质，例如是让人信服的，甚至是充满魅力的；其次，意见领袖必须在某一或某些方面具有丰富的专业知识，成为这方面的专家；最后，与其他网络节点相比，意见领袖拥有更多的网络关系(Goldenberg et al.，2009)。显然，在识别意见领袖的时候，前两种属性是很难被观测到的，他们是意见领袖所具有的内在特质。而第三种属性，也就是网络关系的数量则很容易观测、计量和划分，因此也被用于很多研究作为划分意见领袖的标准(Goldenberg et al.，2009；Iyengar and Van den Bulte，2011)。用这种方法识别确定意见领袖的合理性在于，虽然网络关系的数量只反映了意见领袖的一个方面，但是在大部分情况下，其他两个方面与其的相关性是非常高的，那些在社会网络中占据大量网络关系的节点也是网络中最有声望和能力的节点。除此之外，一些研究中还用到了自我报告(self-reported)的方法识别意见领袖，即被研究对象对自己在群体中多大程度上是意见领袖做出评价；还有一些学者则是从网络节点的实际影响力出发，计算出所有节点的影响力，选取一定比例的最高影响力的节点作为意见领袖(Trusovand Bodapati，2010；Aral and Walker，2012)。 意见领袖带来的影响。在社会网络中，意见领袖最为显著的作用是推动创新的扩散和采用。这主要是因为如果意见领袖采用了某项新产品或新技术，就会起到重要的示范带动作用，进而刺激其他网络成员也采用该项创新(Iyengar and Van den Bulte，2011；Watts and Dodd，2007；Van den Bulteand Joshi，2007；Goldenberg et al.，2009)。需要指出的是，意见领袖对社会网络中其他人所带来的影响主要是通过网络关系来实现的，即只有与意见领袖建立了关系才会受到其影响，例如社会网络中的社会学习(social learning)就是与中心节点基于与意见领袖的关系进而学习其行为；再如扩散模型中的门槛模型(threshold model)的基本假设也是基于中心节点与其他节点的网络关系。由此可以看出，网络关系不仅仅是识别意见领袖的重要标准，也是意见领袖影响力的基础和本质体现(Ho and Dempsey，2010)。除此之外，还有其他学者研究了意见领袖对于公众舆论涌现的作用，这类研究认为，社会舆论的传播存在两阶段特征，意见领袖会首先接受某些舆论观点，进而传播给更广泛的社会大众，因此意见领袖具有引导社会舆论的重要作用(Watts and Dodds，2007)。 综上可以看出，网络关系既是区别意见领袖和非意见领袖的重要依据，也是意见领袖对其他网络节点产生影响的重要途径。而在社会网络中，尤其是在虚拟社会网络中，意见领袖这种网络关系的累积和影响力的递增不是一蹴而就的，有一个不断演化的过程(Kossinets and Watts，2006；Palla et al.，2007)。那么哪些因素在这个过程中发挥了重要作用，影响了意见领袖关系的构建，以往研究并没有给与明确回答。对于网络关系的形成，以往的研究多从链路预测(link prediction)的角度来考虑，但是用于计算的指标多为结构性指标，例如结构相似性、网络闭包等(Lü and Zhou，2011)，缺乏从以网络节点为主体的视角考虑这一问题。然而对于企业而言，尤其是企业在进行社会化媒体营销时，需要知道企业自身能够通过哪些努力来吸引粉丝关注，增加自身影响力。因此，我们需要从意见领袖本身的视角来回答这一问题，即意见领袖本身做了什么从而获得了大量的“粉丝”。 (二)研究背景：消费咨询网络和意见领袖的形成 以往针对意见领袖的大部分研究都是以社交网络为基础，网络关系反映了现实的社会关系，关系双方在现实生活中相互认识，网络关系的建立则是为了满足社会交互和情感支持的需要(Myers and Robertson，1972；Borgatti and Mehra，2009)。在这样的环境下，意见领袖的形成往往依赖于其原有的社会资源和社会地位，例如在一个组织中的意见领袖一般是职位较高的领导，而在一个社区中的意见领袖则是社区中资历较高的成员，因此这种内生的因素决定了社会网络中的意见领袖的形成。并且由于社会结构变化比较缓慢，进而也造成了嵌入式的意见领袖比较稳定(Childers，1986)。 但是在互联网虚拟环境下，还存在着与社交网络有着巨大差异的网络，在这里我们将其定义为消费咨询网络(consumer advice network)。咨询网络这一网络概念最初来源于组织行为学，其描述的是组织成员之间的信息交流关系，因而被叫做咨询网络(Stokman and Doreian，1997)。与传统社交网络相比，消费咨询网络最大的特点在于其网络关系是与现实生活相分离的，网络成员具有匿名性，之间互不认识，是一种生人关系。更为重要的是，在消费咨询网络中，关系的构建主要不是为了满足社会交互的需要，而更多的是通过网络关系获取有价值的信息，因此关系本质上是一种流关系(flow)，代表了信息的流动(Borgatti and Mehra，2009)。目前已经存在很多这样的网络，有线下企业自主打造的在线社区，如小米论坛；还有在线消费平台自创的交互平台，如淘宝帮派；还有独立的第三方购物分享网站，如美丽说、蘑菇街等。在这些网络中，网络成员通常具有匿名性，网络成员在现实生活中的角色和社会资源无法带入到在线社区中。并且网络成员也热衷于在这种匿名的方式下分享自己的购物和生活经验，与其他成员进行交流，积极参与到整个网络社区中。同时，消费者也会主动加入到这样的咨询网络中，搜索关于产品和服务的信息(Chevalier and Mayzlin，2006；Ludwig et al.，2013)。
所以，在消费咨询网络中，意见领袖实际上承担了信息提供者的角色。这充分体现了意见领袖的第二个维度，也就是在某些方面，意见领袖应该具有更多的专业知识。例如当消费者在面对新产品时，会寻找与新产品相关的意见领袖，寻求专业意见。在传统的社交网络中，这种咨询关系表现为面对面的交谈或者通过其他方式的实际沟通(Iyengar and Van den Bulte，2011)。在消费咨询网络中，消费者则会直接搜索相关产品的评论，以及网络中的意见领袖。所以不难看出，在消费咨询网络中，信息的创造和供给是意见领袖价值所在，也是其形成的核心要素；只有当意见领袖能够提供大量有用的信息时，其他节点才会对其关注，成为意见领袖的“粉丝”。从理论上来看，这体现的是网络节点生成内容和网络关系建立的互动，网络节点贡献的内容越多，就越能够吸引他人与自己建立关系；而关注粉丝越多，越能够激发网络节点贡献内容(Lu et al.，2013；Shriver et al.，2013；Goes et al.，2014)。所以在消费咨询网络中，信息是网络的核心，网络成员参与到网络社区的目的是为了获取有用的信息，而那些能够提供丰富有用信息的用户更能够吸引别人的关注，成为网络中意见领袖，由此而产生了意见领袖和信息之间的循环。
图1 意见领袖与信息分享 (三)网络关系的构建模式：预期线索与网络结构 1.预期线索 如前所述，在消费咨询网络中意见领袖的形成就是关系的构建和累积，那么从理论上来说网络节点为什么会与他人构建关系呢?在以往关于社会网络的研究中，网络节点被认为是资源或利益(benefit)的来源，而这种资源又可以被其他节点通过关系的构建所利用(Bala，V.and Goyal，2000；Goyal and Vega-Redondo，2005)。例如某人在一个组织中是很有地位的，那么这个组织中的其他成员就可以通过与之建立关系，从而有可能利用这个人所掌握的资源。而在我们所研究的消费咨询网络中，网络关系构建带来的好处是可以从他人那里获得关于产品和服务的信息，帮助网络节点消除购买过程中的信息不对称。所以在网络节点考虑要不要建立关系时，他会基于对关系所带来资源的预期来做出决策(Schmidt，1973)。在消费咨询网络中，这种预期主要是针对信息，如果网络节点认为这条网络关系能够给其带来丰富而有价值的信息，那么其构建关系的可能性就比较大。 因此，在消费咨询网络中，从关注节点的角度看，他们之所以选择关注其他节点，是因为他们可以从自己所关注的节点那里获得所需要的有价值的信息。而从被关注节点的角度看，他们之所以获得了其他人的关注，是因为他们成为了一个有价值的信息源，利用足够有质量的信息来吸引这些“粉丝”。这种信息贡献和网络关系构建的互动已经得到了一些实证研究的验证，一般而言用户所发布的内容越多，与之建立关系的其他节点也越多；并且反过来，更多的关系也会激励网络内容的创造(Shriver et al.，2013；Goes et al.，2014)。更进一步来说，一些网络用户之所以会主动地无偿地向网络社区中贡献信息，一方面是因为有些人可以从这种信息分享行为本身获得乐趣；另一方面，信息分享也是网络用户在社区中进行自我形象构建的重要手段，这些信息往往会增加他们在社区中声誉(reputation)和影响力(Wasko and Faraj，2005)。例如某些新浪微博草根用户在成为“大V”之前，他们并不具有知名度，但是通过提供大量的有价值的原创性内容，他们成功地积累了属于自己的粉丝群体，成为这个群体的意见领袖。可见网络节点发布的信息是吸引其他人关注的重要原因，因此我们假设如下。
：网络节点发布的内容越多，与之建立关系的其他节点就越多，就越有可能成为意见领袖。 除了信息的数量对关系的构建产生影响外，信息的质量会不会也存在一定的作用呢?以往对网络节点创造内容的研究表明不仅内容的数量很重要，内容的具体特征也同样具有很大的影响力，例如网上评论的文本特征会对消费者的购买决策产生显著影响，这些文本特征包括效价(valence)、语言风格(linguistic style)、情绪(sentimentality)等(Ludwig et al.，2013)。其中研究较多的是网络评论的效价所带来的影响，Chevalier和Mayzlin(2006)对亚马逊的研究表明负面的网络评论会显著地减少消费者对商品的购买，并且负面的评论影响力往往比正面的评论更大。从心理学方面的机制来看，批评性的、负面的言论往往会被感知为更聪明、更有知识以及更有用(Moe and Trusov，2011)。以往的研究情境主要是针对网络购物，因此负面的内容可能对消费者评价商品更为重要。在这里我们考虑是网络关系的建立，所以内容的正面或负面可能都会产生的一定的影响，因为其代表了一种观点的鲜明程度。因此我们假设如下。
：网络节点发布内容的观点越鲜明，与之建立关系的其他节点就越多，就越有可能成为意见领袖。 2.网络结构 以往文献中对于网络关系的构建多从网络结构角度来考虑，即利用当前网络结构变量来预测未来潜在关系的可能性，从而寻找出那些在未来最有可能建立的网络关系。这种研究视角对于我们理解网络关系的演化非常重要，但是对于企业而言，尤其是当企业要主动地来吸引“粉丝”，提高自身影响力时，这些网络结构变量显然很难回答企业的问题，因为企业无法人为地去改变网络结构。但是作为嵌入网络结构的节点在构建关系时必然会受到其周围网络结构特点的影响，这种影响是客观存在的，所以我们在分析网络关系构建时也将以往文献中提出的网络结构变量纳入分析范畴，这些变量主要包括偏好连接(preferential attachment)、相似性(similarity)、结构等价(structural equivalence)和互惠性(reciprocity)(黄敏学等，2015；姚铮等，2013；杨震宁等，2013)。 偏好连接描述的是在社会网络中那些具有更多关系的网络节点更能吸引其他节点与之建立关系，类似于“强者愈强、弱者愈弱”。这种现象已经在很多不同的网络中得到证实，例如学者合作网络、互联网网站等(Barabási，2012；Barabási and Albert，1999)。出现偏好连接这种现象的主要原因是因为网络节点在构建关系时会搜寻网络中的明星节点(star)，与这样的明星节点构建关系所带来的价值要高于与普通节点构建关系所带来的价值，而网络关系数量的多寡则成为了判断明星节点的重要标注(Goeree et al.，2009)。结合到意见领袖的形成，这种偏好连接的现象似乎更为普遍，例如我们在加入到某个网络中时(如新浪微博)，首先都会搜寻那些最知名的最有影响力的(Wasko and Fara，2005)。因此我们假设如下。
：网络节点的已有关系越多，与之建立关系的其他节点就越多，就越有可能成为意见领袖。 除此之外，网络节点之间的相似性(similarity)也会成为预期形成的重要因素。网络成员会由于处于相似的网络位置而产生在不同维度的相似性，例如行为、观念等(Cpherson et al.，2001)；同时这种相似性也会带来成员之间的信任，往往相似的网络成员之间更容易发生交互和建立关系。在消费咨询网络中，网络用户越相似，那么说明用户之间在网络行为上有很多共同点，例如他们有着相似的兴趣点，因此网络用户更有可能从相似的其他用户中获得其感兴趣的信息。因此我们假设如下。
：网络节点之间的相似性越高，建立关系的可能性也越大。 结构等价这一概念则描述的是两个网络节点在网络结构上的相似性，具体地说就是两个节点与哪些共同的其他网络节点相连接(Burt，1987)。结构上的等价反映了网络结构的闭包特征(network closure)，也就是网络节点之间紧密相连，这样的网络结构不仅有利于信息的传播，同时也能够推动网络中信任的形成，促进关系的建立(Yang et al.，2011；Burt，1992)。因此我们假设如下。
：网络节点之间的结构等价越强，建立关系的可能性也越大。 互惠性是社会关系的基本原则之一。互惠性意味着作为对友好行为的回应，人们会比一般人为的更加友好；相反的，在回应敌对行为时，也会态度更加恶劣，前者叫做积极的互惠性(positive reciprocity)，后者叫做消极的互惠性(negative reciprocity)(Ernst and G
chter，2000)。在社会网络中，尤其是在有向网络(directed network)中，例如微博、Twitter等，会存在一种连接互惠性(link reciprocity)(Wasserman and Faust，1994)，这是互惠性在社会网络中最直接的表现之一。具体来说对于节点
和节点
，如果节点
与节点
建立了连接，那么这会增大节点
与节点
建立关系的可能性(Garlaschelli and Loffredo，2004)。据此我们得出以下假设。
：网络节点间的互惠性越强，建立关系的可能性也越大。
图2 意见领袖形成模型 本文总体假设研究模型如图2所示。 三、研究设计 (一)研究对象 为了验证本文所提出的假设，我们选取了epinion.com这一网站作为我们的研究背景，该网站由美国eBay公司创办，网站注册会员可以在其上面匿名发表关于各种商品和服务的评论，网站的性质类似于中国的蘑菇街、美丽说类似的购物分享网站，因此其特征符合我们对消费咨询网络的定义。该网站的用户可以关注其他用户，也可以被其他用户关注，关注后就可以优先看到其所关注用户发表的评论，所以对于该网站的用户而言，参与其中的主要目的是为了获取关于产品和服务的相关信息。 (二)数据收集 为了研究网络中关系建立和意见领袖的形成过程，我们需要选取一定的网络用户，然后观察他们之间网络关系的建立。在这样的思路下，我们首先利用滚雪球的方法从Epinion.com的网站中抽取一定数量的节点，形成有7000个用户的用户样本库；然后从中随机抽取200个用户，形成我们的研究对象；最后抓取这200个用户的关系建立、网上活动和其他信息。 我们的数据收集时间是2014年3月，数据可以追溯到2001年1月，因此数据的时间跨度约为13年。时间跨度较长的时间序列数据为我们分析关系建立模式提供了丰富的数据点，同时也保证了研究结论的稳健性，这对于研究社会网络关系的形成变化至关重要。数据抓取完成后，剔除一个无效用户剩下199个有效用户。每个网络用户理论上都可以与其他用户建立198条关系。所以总体来说，我们的研究对象是这199×198=39402条潜在关系，研究问题是这些潜在关系是否建立，以及哪些因素会影响关系的建立。 (三)变量构建 依据所收集的数据我们构建了一个面板数据，由于数据跨度时间较长，所以我们将每条观测的时间跨度设为一个自然季度。数据中的因变量为关系建立的状态，如果在该季度关系未建立，该变量取值为0，如果在该季度建立，取值为1。数据的另一部分为自变量，下面详细介绍自变量构建过程。为了标记方便，现做如下假定：用G(V，E)表示所研究的网络，其中V表示网络中的节点，E节点已存在的关系。现考虑某一潜在关系(
，
)，其中
是关注节点，
是被关注节点。 1.预期线索 在前面的分析中，网络用户在关注意见领袖，建立关系时主要是受信息性影响，这主要包含两个方面，一个是意见领袖一方发布信息的数量，另一个是信息中观点的鲜明程度。在epinion.com网站上，对于每一个用户所发布的评论都有记录，因此这里我们用评论的数量表示网络用户发布信息的数量。此外，用户的每条评论都会在一个五分量表对产品和服务进行打分，一分表示最不满意，五分表示最满意，所以我们用打分来代表信息观点的鲜明程度，我们分别计算出打分等于五分和小于等于两分的评论数量，以此来代表正面观点和负面观点，并对打分求平均，来代表信息的整体观点偏向。 2.网络结构 除此之外，我们还将以往文献中提出的影响关系建立的网络结构变量纳入分析。首先是偏好连接，这一概念反映的是网络节点已有的关系数量越多，那么其他节点与之建立关系的可能性也就越大，因此沿用以往的研究方法，这里我们用网络节点的度(degree)来表示已有关系的数量，来反映偏好连接这一因素带来的影响。 其次，对于相似性，以往的文献多用人口统计变量等指标来计算节点之间的相似性，例如性别、年龄等。但是我们没有这些数据，不过在epinion.com中，网站将发布的评论按照产品类别进行了分类，有的用户在某些类别评论数量更多，这反映了其兴趣点。因此我们计算了两个用户之间在不同产品类别上发布评论数量的欧氏距离，以此来测量相似性。 最后是网络节点之间的结构等价和互惠性。对于网络节点
、
来说，如果二者有着结构等价，那么意味着两个节点与相同的其他节点相连接。而网络的互惠性是指两个节点之间一方建立与另一方的关系会促进反向关系的形成。其具体表示如下，假设网络中与某一点v(v∈V)直接连接的点为N(v)，其中
为与v直接连接的点的数量，所以结构等价就可以表示为：
3.控制变量 为了控制其他可能混淆的变量，我们尽可能多的将其他可能影响到消费者咨询关系建立的变量纳入考虑范围。具体来说包含以下变量：首先是关注节点的活跃度，因为更活跃的节点本身就更有可能建立关系，该活跃度我们用两个变量表示，一个是关注节点的关注总数，另一个是关注节点在t时刻的关注总数；其次关注者的自身所具有的信息水平，也就是关注节点在t时刻所发布的评论数量，这反映了关注节点的对专业知识的兴趣。 综合以上，我们给出了各个变量的含义和计算方法。 四、实证分析 (一)模型 由于我们要研究的是潜在的关系是否建立，并且自变量又是随时间不断变化的，所以传统的线性模型或logit模型很难应用，因此我们主要使用了生存模型(survival model)。生存分析最初主要用于生物医学和可靠性分析，关注的是某一特定事件(event)发生时间的长短，在本文中事件则是指网络关系的建立。这一模型由于在处理时间变量时的优越性，后来被广泛运用到其他领域，例如犯罪学、经济学、社会学等等。生存分析在营销领域也有广泛的应用，多用来分析消费者决策和产品扩散(Sinha and Chandrashekaran，1992；Seetharamanand Chintaguntasource，2003)。 生存分析中应用比较广泛的是Cox Proportional Hazard Model(Cox PHM)，本文也主要用这种模型形式，其主要形式如下：
这里
代表研究对象i在时间t-1事件(event)未发生，而在时间t发生的条件概率，
代表事件在时间t发生的基准概率，类似于线性模型中的常数项。
代表影响事件发生概率大小的协变量向量，在本文中主要是指预期线索、网络结构和控制变量，β是协变量对应的待估参数。
表示变量对事件发生概率的影响，如果取值大于1，表示变量会提高事件发生的可能性，如果取值小于1，表示变量会降低事件发生的可能性。
(二)一般关系建立 首先我们对意见领袖形成过程中关系建立的一般模式进行了分析。为了更加直观地展示网络中关系的形成过程，我们将整个网络演进通过网络图方式呈现出来。我们将网络的演进分成了4个阶段，即网络建立初期(2001年)，然后每4年呈现一次。虽然这只是一个粗略的展示，但是从图3中还是可以得出一些简单的观察结论：随着新的节点不断加入网络以及新的关系的形成，网络呈现出动态变化的过程；此外可以看出图3中网络关系的形成是不均匀的，有的节点建立的关系多，有的节点关系建立的少。我们又将网络用户的网络关系入度(in-degree)进行了简单的频率统计。从频数分布图中可以看出，样本中的199个用户中，大部分建立的关系数量都小于10，只有少部分用户建立了大量的关系，成为这个网络社区中的意见领袖。而我们的研究问题就是为什么是这些用户成为意见领袖。
图3 2001～2014年网络演化及最终网络度分布图 注：为了展示方便，截取了少量度大于250的用户。 为了进一步量化地分析数据，我们基于生存模型对数据集进行了回归。本文使用了R软件(版本3.1.0)对各变量的系数进行估计，使用的软件包为“KMSurv”和“survival”，以下是得出的各变量对关系建立的影响。我们首先估计的是KM生存曲线图，该生存曲线反映的是研究对象累计“生存”概率，生存表示事件未发生。截至我们数据收集，在39402条潜在关系中，建立了847条，建立的比率为2.15％。从图4中可以看出，随着时间的推移，累计生存率呈现不断下降的趋势，也就是潜在关系建立的累计可能性越来越大。但是这种下降的趋势是不断减小的，这意味着 epinion.com中的用户关系大部分是在用户注册后的短时间内建立的。根据这样一个关系建立过程，在整个研究的时间段末尾估计累计生存概率为97.5％，即关系累计建立的概率为1-97.5％=2.5％。
图4 关系建立概率估计
接着我们对影响关系建立的自变量的系数进行了估计，表4是估计结果。 在模型一中我们首先考虑了评论带来的影响，从回归结果可以看出评论数量对于关系的建立有显著的正向影响(hazard rate=1.006，P＜0.05)，这说明那些发布更多评论的节点会吸引更多的人与之建立关系，因此假设1a得到了支持。从网络结构来看，已经建立的关系会带来新的关系的建立(hazard rate=1.010，P＜0.001)，这与2a是一致的，即网络关系的建立存在偏好连接(preferential attachment)的特点。但是在将关系数量取平方项后，系数变为了负数，这说明这种影响并不是线性的，而是呈现边际递减的效果。除此之外，用户之间的相似性也对关系的建立产生了正向的影响(hazard rate=1.001，P＜0.001)，这说明两个相似的节点之间更有可能建立网络关系，因此意见领袖的“粉丝”一般都会与其拥有相似的兴趣。从关系规范的角度来看，结构等价之间的节点之间更有可能建立关系(hazard rate=1.017，P＜0.001)，这体现了网络结构上的重合对于网络关系建立的促进作用。并且网络关系的互惠性对网络关系的建立具有很大的影响(hazard rate=66.49，P＜0.001)，其影响力远远大于其他因素的作用，这说明如果节点
关注了节点
，那么节点
则非常有可能关注节点
。为了检验这种互惠性影响力过高是否会对研究结果带来偏差，我们在后面对初次关系建立进行了稳健性检验。 在模型二中，我们进一步分析了网络节点评论的具体特征，并且将控制变量纳入回归。在对评论的特征分析方面，我们主要考虑了内容中所表达观点的鲜明程度，这主要反映在网络用户所发表的每个评论中的评分，这里我们把打分小于等于2分的评论视为表达的是负面的观点，打分等于5分的评论视为表达的是正面的观点。从分析结果来看，无论是负面还是正面内容对于关系建立的都有显著的影响，并且负面内容所带来的影响要大于正面的内容
，这与以往的研究是一致的。并且将这两个变量纳入分析后，评论总量这一变量变为不显著，这说明评论的影响完全可以分解为正面和负面两个方面，那些观点偏中性的评论影响非常小。并且将控制变量纳入回归后，以上这些系数的大小和显著性都没有较大变化。 在模型三中，我们对以上的分析结果进行了稳健性检验。因为通过分析发现，关系的互惠性会对关系的形成造成很大的影响，为了检验这一因素是否会对分析结果带来偏差，我们在模型三中只分析了初次关系的建立，也就是说关系双方之前未建立任何关系，这样就不存在互惠性的作用。从分析结果来看，在模型一、模型二中得出的结论在模型三中大部分成立。 (三)意见领袖与非意见领袖的对比分析 从一般的关系建立的分析可以看出，除了以往文献中提到的一些网络结构变量会对关系构建产生影响，网络节点的发布内容和信息贡献也会吸引其他节点来关注自己，这充分说明了在消费咨询网络中，意见领袖可以通过提供丰富有用的信息来吸引关注、增加粉丝。为了进一步证明节点的发布内容和意见领袖形成的关系，我们对意见领袖和非意见领袖进行了对比分析。 首先我们根据以往文献所提出的标准，对网络节点进行了划分，分为意见领袖和非意见领袖两类。关于社会网络中意见领袖或中心人物的确定，不同的文献提出了不同的标准，Trusov M.等(2010)指出，网络中影响力排在前20％的网络节点是有影响力的人物，Goldenberg J.等(2009)则设定度(degree)为标准值的3个标准差之上(＞mean+3[*]sd)的节点为中心节点。在这里，我们依照Trusov M.等的方法，设定度排在前20％的节点为意见领袖，这样共有39个节点属于意见领袖，160个节点属于非意见领袖。 接着，我们对意见领袖和非意见领袖评论的差异以及评论与网络关系累积的关系进行了分析。为了直观展示评论数量和关系构建之间的关系，我们分别挑选了一个意见领袖节点和非意见领袖节点，将节点从注册开始后每个季度增加的关系数量(关系增量)和评论数量进行了统计。其中意见领袖节点ID为“Majenta”，非意见领袖节点ID为“Steven9988”，两个用户均于2001年2月注册，最终“Majenta”粉丝数量为472，“Steven9988”粉丝数量为76。从柱状图可以看出，在时间维度上，网络节点单位时间内的关系增量与其评论数量存在非常明显的相关关系，评论数量的增加伴随着关系数量的增加，并且评论还会存在一定的滞后效应，即当期的评论会带来下一期的关系。将所有节点的数据纳入分析后，我们发现评论数量和关系增量的相关系数为0.49(p＜0.001)，评论数量和滞后一期的关系增量的相关系数也达到0.41(p＜0.001)。 从图5也可以看出对于意见领袖而言，其评论数量要明显多于非意见领袖。为了检验意见领袖和非意见领袖的评论行为之间是否有显著差异，我们对这两类节点每个季度的评论数量进行了方差分析，从方差分析结果可以看出意见领袖每个季度的评论数量要显著的多于非意见领袖的发帖数量
。 然后我们对意见领袖和非意见领袖两类节点的关系构建模式差异进行了分析，这里我们是将所有潜在关系按照被关注节点是意见领袖还是非意见领袖分为两类，分别进行生存分析，以此来检验影响关系建立的因素在这两类节点中的差异，以下是分析结果。 从生存模型的回归分析来看，对于发表评论对关系构建的影响(预期线索)，意见领袖要强于非意见领袖，而网络结构对关系构建的影响非意见领袖要强于意见领袖。
从上面的分析结果可以看出，负面评论对于意见领袖的关系构建发挥了主要作用，但是对于非意见领袖的关系构建却没有显著影响，那么这两种节点发布的负面评论是不是本身存在差异呢?因此，最后我们对意见领袖和非意见领袖负面评论的文本质量进行了分析。参照以往文献，我们主要考虑了文本的全面性(comprehensiveness)和文本的可读性(readability)(Lu et al.，2013)。文本的全面性用每个文本中句子的个数表示，因此可以假设文本全面性取值越高，那么文本中所包含的信息也就越多。而文本的可读性则表示为： 可读性=0.4×(句子平均长度+每百词难词数)
图5 评论数量和关系增量
图6 意见领袖与非意见领袖评论数量对比 这里的难词为包含3个及以上音节的词汇。从分析的结果看意见领袖节点所发表帖子的文本质量要显著的高于非意见领袖的帖子，这主要表现在帖子的全面性更高(
=18.5＞
=15.5，p＜0.001)，可读性更强(
=17.1＞
=14.4.p＜0.01)。 (四)数据分析小结 基于以上数据分析，我们可以看出在消费咨询网络中网络节点发布内容、贡献信息对于吸引关系构建和意见领袖的形成起到了至关重要的作用。这种作用首先表现在，那些发布评论越多的网络节点更吸引其他节点对其关注，提升其影响力；并且从时间维度看，网络节点发布内容的数量和其关系的累计存在明显的相关关系；而且意见领袖比非意见领袖发布了更多的内容，这充分说明了在消费咨询网络中，网络节点的内容创造是意见领袖形成的重要前因变量。除此之外，相比于中立或正面的内容，高质量的负面内容对于关系的构建影响力更大，这种影响机制在意见领袖上表现得更为显著。通过进一步分析可以看出，之所以负面内容对于意见领袖关系累计作用更大，是因为意见领袖所发内容本身质量较高，信息更全面，可读性更高，所以作用更大。 而与以往的研究一致，我们发现网络结构对于潜在网络关系的构建也发挥了一定的作用，例如网络结构的重合、节点特征的相似性以及节点之间的互惠性能够显著地提升两个节点之间关系构建的概率，并且互惠性的影响要显著地大于其他影响因素。而在我们的网络中，偏好连接这样一种关系产生模式也同样存在，也就是已有的关系越多，那么建立新的关系的可能性也就越大。
图7 意见领袖与非意见领袖负面帖文本质量对比 五、结果讨论与管理启示 (一)理论价值 首先，本文丰富了社会网络的研究，将社会网络划分为传统的社交网络和消费咨询网络两类，二者最本质的区别在于社交网络的网络关系是一种社会嵌入关系，反映了人们在真实生活中的联系，因而是一种强关系；但是消费咨询网络中的关系是一种虚拟关系，独立于现实生活而存在，因而是弱关系。并且在社交网络中，网络节点建立关系主要是为了进行社会交互，进而获得情感支持，而在消费咨询网络中，网络关系的建立主要是为了获取信息，网络关系承载的是信息的流动。 其次，本文还深入刻画社会网络中的关系构建，展现了网络的形成机制。网络关系是社会网络存在的基础，并且网络关系是一个不断演化的过程，而在不同的网络中，关系的形成有其内在的逻辑。对于消费咨询网络而言，网络的关系承担了信息获取的作用，因此网络用户最有可能和那些能提供丰富信息的人来建立关系，进而实现关系的价值。 再次，本研究还加深了我们对意见领袖的认知。基于已有的研究，我们探究了在消费咨询网络中意见领袖本身是如何形成的。我们发现那些最能提供丰富而有价值信息的网络节点最有可能成为意见领袖。这是因为越有可能提供充足信息的网络节点，越有可能被关注，进而影响力也就越大。除此之外，网络结构也会对意见领袖的形成产生影响。 最后，我们还丰富了对于用户产生内容的研究，以往对于用户产生内容的研究更多的是关注其对消费者的购买决策的影响。而我们的研究显示，用户产生内容对于网络关系的建立和意见领袖的形成同样会产生作用。这进一步证明了在社会网络中，UGC(用户生成内容)和网络关系之间的互动关系，从网络节点的角度看两个因素是相互影响，相互促进的。 (二)企业启示 互联网从Web1.0进入2.0，现在又进入移动互联网时代，消费者行为的SoLoMo化，即社交化(Social)、位置化(Location)和移动化(Mobile)，推动着消费决策的社会化，有70％的消费者依赖网络口碑信息作为信息来源和决策参考。为此，很多企业从传统的广告促销模式转向基于社交媒体的口碑传播模式，因此企业需要深刻理解消费咨询网络的演化机制和洞察意见领袖形成机制。 首先，可尽早地与潜在消费意见领袖建立信任关系，利用意见领袖的社会影响力扩大企业传播效果。消费意见领袖一旦形成很大影响力后，就会比较独立和表现出专家性，这时的企业很难与其建立关系和介入影响这些意见领袖的信息表达，有时甚至对企业的信息表达出质疑和负面评价传播。这就要求企业尽早通过社会网络分析能够识别出潜在消费意见领袖，提前与其建立互动和信任关系。比如小米手机不断从社区活跃成员中聘任其作为论坛版主发挥其影响力，甚至招聘他们作为公司的内部员工。 其次，企业可以从消费者角度培养自己代理的意见领袖。意见领袖有其形成机制，企业完全可以应用本研究揭示的形成规律来培养自己的意见领袖，目前很多企业在新浪微博或者微信公众号，通过提供丰富而有趣的信息来吸引粉丝注意并建立关注。比如，小米手机将公司董事长雷军作为公司意见领袖代言人，并成立专门团队来运作其粉丝账号的日常信息发布和粉丝互动。 再次，企业应该适应社会化媒体特征，按照意见领袖的需求提供合适的信息，借助其影响力来为企业的营销活动服务。意见领袖作为消费咨询网络中重要的信息源，其发布的信息对其他网络成员存在重要影响。目前企业经常会借助这些意见领袖来为企业做宣传，例如依靠微博大V来转发企业微博。但是这些做法都略显生硬，并且成效有限。正确的做法应该是企业了解意见领袖关注什么样的信息，从而可以主动提供相应的信息，借助意见领袖的力量进行信息的扩散，扩大企业的影响。这种从控制意见领袖到变为服务意见领袖的转变能够让意见领袖发布的信息更能迎合其粉丝的口味，自然效果事半功倍。比如，小米有专门创作团队，以社会化媒体形式对公司进行故事性创作，以满足意见领袖传播信息内容的需求。 最后，企业可以借助社会化媒体营造属于自己的消费者网络，建立企业的粉丝团。意见领袖的形成本质上来看实际上是一个圈子的构建，拥有共同兴趣的一群人围绕某些有影响力的意见领袖建立的属于自己的圈子，是网络模块化的体现。而企业可以利用这些网络用户的独特需求和行为模式，建立依附于自身品牌的网络圈子。例如目前小米构建小米粉丝社区就是一种圈子的构建，小米将自己的忠诚顾客集合起来，纳入到小米论坛中，建立一个以小米消费者为主的网络，一方面可以巩固其顾客群，另一方面又可以借助这一网络来扩散企业的营销信息，打造企业品牌。
标签：网络结构论文; 网络节点论文; 社会网络论文; 网站结构论文; 用户研究论文; 消费社会论文;
