向安玲，沈 陽

一、引言

從2012年微信公眾號推出發(fā)展至今，短短四年間公號數(shù)量已突破2000萬，用戶數(shù)量突破8億(騰訊，2016年8月17日)。微信公眾號對輿論場的傳播力、覆蓋力、影響力都在逐步增強，作為一種新型媒體形態(tài)拓寬并解構(gòu)著媒介生態(tài)圈，其整體發(fā)展態(tài)勢逐漸成為學(xué)界和業(yè)界的關(guān)注熱點。量化分析微信公眾號的傳播效果對于了解新媒體發(fā)展態(tài)勢、把握輿論場導(dǎo)向、促進(jìn)媒體融合等都有重要意義。

大數(shù)據(jù)技術(shù)為微信公號傳播效果評價奠定了基礎(chǔ)，基于海量傳播數(shù)據(jù)可以科學(xué)、客觀地構(gòu)建評估指標(biāo)體系，并根據(jù)數(shù)據(jù)測試對評估體系不斷修正，通過對指標(biāo)項的修正和權(quán)重的調(diào)整實現(xiàn)評估結(jié)果的優(yōu)化升級。基于評估模型的開放性、專業(yè)性和權(quán)威性，本文選取清博大數(shù)據(jù)公司推出的微信傳播力指數(shù)WCI (We-chat Communication Index)為研究對象，根據(jù)數(shù)據(jù)分析對其迭代過程進(jìn)行科學(xué)性論證，并總結(jié)出指標(biāo)體系優(yōu)化的基本思路和方法。

二、研究綜述

國內(nèi)外有關(guān)新媒體傳播力評價的研究主要集中在評價維度分析、指標(biāo)體系構(gòu)建和評估方法的理論闡述上，定性分析居多。就國內(nèi)研究來看，周莉(2011)基于個人私域、社區(qū)聯(lián)系、經(jīng)濟交往、公共傳播四個不同的社會傳播層次，從有害信息、文化傳承、內(nèi)容創(chuàng)新和價值導(dǎo)向四個維度構(gòu)建新興媒體的評價體系，并對指標(biāo)進(jìn)行細(xì)化區(qū)分，使評價方式更符合傳播實踐。方興東等人(2014)則通過構(gòu)建網(wǎng)絡(luò)輿論場形成要素評價體系，將微信與微博進(jìn)行對比研究，探索微信在新輿論場中的傳播能力。郭順利等人(2016)運用扎根理論，采用質(zhì)性訪談方法，從微信平臺自身特征、用戶、服務(wù)方式及內(nèi)容、傳播效果4 個維度，選取17 項指標(biāo)構(gòu)建傳播力評價指標(biāo)體系進(jìn)行實證研究。李明德、高如(2015)基于媒介傳播力視角，運用層次分析法，構(gòu)建以平臺設(shè)計、內(nèi)容呈現(xiàn)、消息回復(fù)模式、推送頻次、傳播程度為準(zhǔn)則的媒體微信公眾號傳播力評價體系，為挖掘微信平臺信息傳播潛力提供建議。就國外研究而言，Ronald E.Rice(1984)認(rèn)為媒體始終是在特定社會背景下傳播，在對媒體構(gòu)建評價體系時需要考慮到政治、經(jīng)濟、技術(shù)、社會大環(huán)境的影響因素。Graham Williamson(2011)指出傳播力(communication capacity)是傳播者和受眾成功對信息進(jìn)行編碼和解碼的能力(ability)，因此在構(gòu)建評價指標(biāo)體系時要更多地考慮受眾因素。Kristene Unsworth和Adam Townes(2012)從透明度、參與性和協(xié)作力三大角度出發(fā)，對推特在公民政治參與當(dāng)中起到的傳播交互作用進(jìn)行了評估。總體來看，國內(nèi)外目前對新媒體傳播能力的評價研究多停留在指標(biāo)維度分析和方法探索上，為本研究的評估維度設(shè)計、指標(biāo)因子選取、算法模型計算提供了理論參考。但鮮有研究基于大數(shù)據(jù)等技術(shù)手段，對大規(guī)模樣本進(jìn)行測算評估。本研究在借鑒相關(guān)研究經(jīng)驗和理論模型的基礎(chǔ)上，結(jié)合指標(biāo)獲取的可操作性、客觀性，對萬級樣本進(jìn)行數(shù)據(jù)測算和模型迭代優(yōu)化，旨在探索一種客觀、科學(xué)、標(biāo)準(zhǔn)化的傳播力評估指標(biāo)體系的優(yōu)化方法。

針對評價指標(biāo)體系優(yōu)化方法，國內(nèi)外研究主要集中在指標(biāo)的篩選調(diào)整和權(quán)重的優(yōu)化方法上，涉及的方法包括層次分析法、灰色關(guān)聯(lián)特征值法、問卷調(diào)查等。丁敬達(dá)、邱均平(2010)以其最近3年積累的中國高?？萍紕?chuàng)新競爭力評價指標(biāo)數(shù)據(jù)為例，提出對評價指標(biāo)體系尤其是權(quán)重進(jìn)行優(yōu)化的思路和方法，并檢驗其科學(xué)性和合理性，對其他領(lǐng)域評價指標(biāo)體系的優(yōu)化亦有借鑒意義。錢吳永等人(2014)則基于灰色關(guān)聯(lián)特征值法對指標(biāo)體系進(jìn)行優(yōu)化，并利用差異信息驅(qū)動機理確定指標(biāo)權(quán)重，為量化評價指標(biāo)體系提供支撐。劉勐(2012)通過深度訪談和問卷調(diào)查的方式，對評價指標(biāo)體系進(jìn)行修正和調(diào)整，并用實證分析進(jìn)行論證。Ying Ding等人(2011)在分析圖書采購招投標(biāo)的業(yè)務(wù)流程基礎(chǔ)上，研究了圖書采購的結(jié)構(gòu)、內(nèi)容和權(quán)重的評價標(biāo)準(zhǔn)，提出用層次分析法來優(yōu)化指標(biāo)評價體系。Guanghua Guan等人(2011)基于常用績效指標(biāo)，通過仿真研究對渠道控制系統(tǒng)的績效指標(biāo)進(jìn)行了測算與優(yōu)化。Christina N.Zavalishina(2015)通過問卷調(diào)查對自我評估模型的相關(guān)指標(biāo)進(jìn)行調(diào)整，并基于羅殊模型(Rasch Model)對其科學(xué)性進(jìn)行檢驗。總體而言，本文在研究設(shè)計上主要借鑒了丁敬達(dá)、邱均平對中國高?？萍紕?chuàng)新競爭力評估中采取的權(quán)重優(yōu)化思路和方法，也即通過對同一批樣本進(jìn)行連續(xù)數(shù)年的數(shù)據(jù)評價，進(jìn)一步采用各指標(biāo)項平均值，利用最小二乘法、變異系數(shù)法計算各項指標(biāo)的客觀權(quán)重，同時結(jié)合層次分析法計算各項指標(biāo)的主觀賦權(quán)，在此基礎(chǔ)上結(jié)合客觀賦權(quán)和主觀賦權(quán)計算綜合賦權(quán)，最后對主觀權(quán)重、客觀權(quán)重、綜合權(quán)重得出的評估結(jié)果進(jìn)行分析和比較，從而確定最佳權(quán)重系數(shù)。

三、微信傳播力指數(shù)WCI簡介

微信傳播指數(shù)WCI從2014年10月開發(fā)上線以來，已迭代至12.0版本，目前已有超過兩萬家單位使用指數(shù)算法進(jìn)行新媒體評價?；谇宀┐髷?shù)據(jù)平臺1800多萬個微信公號數(shù)據(jù)和500多萬個日常監(jiān)測數(shù)據(jù)，每日采用WCI發(fā)布的發(fā)布榜單已超過2000個，覆蓋了包括各大部委、央企、500強企業(yè)在內(nèi)的政府、媒體和企業(yè)用戶。另外，部分學(xué)者基于WCI模型對各個領(lǐng)域微信公號的內(nèi)容運營策略、傳播推廣效果、行業(yè)整體發(fā)展等展開了研究，近兩年來采用WCI進(jìn)行評價研究的論文已達(dá)十余篇，綜合被引超過三十余次，學(xué)界對模型的科學(xué)性也進(jìn)行了校驗和認(rèn)可?？梢哉fWCI已成為業(yè)內(nèi)和學(xué)界進(jìn)行微信公號評價的權(quán)威標(biāo)準(zhǔn)，且相關(guān)評價指標(biāo)也有穩(wěn)定的、規(guī)?；?、動態(tài)更新的數(shù)據(jù)支撐。因此，本文針對WCI歷次版本迭代中指標(biāo)維度、權(quán)重設(shè)置、算法的修正路線，利用數(shù)據(jù)庫中的累積評價指標(biāo)數(shù)據(jù)，著重對指標(biāo)和權(quán)重優(yōu)化進(jìn)行科學(xué)性驗證，以總結(jié)指標(biāo)體系優(yōu)化的方法和途徑。

(一)評價目的和意義

WCI模型旨在多維度、全面客觀地反映微信公眾號在一定周期內(nèi)的傳播能力和傳播效果，形象直觀地呈現(xiàn)微信公眾號對輿論場的引導(dǎo)力和影響力，為把握微信公號的整體發(fā)展態(tài)勢、輿論場熱度、熱門話題導(dǎo)向等提供技術(shù)和智力支持?；诹炕u估結(jié)果，對綜合領(lǐng)域和細(xì)分領(lǐng)域的微信公號傳播能力進(jìn)行縱橫對比，發(fā)現(xiàn)優(yōu)勢行業(yè)領(lǐng)域和相關(guān)賬號，為平臺方管理、企業(yè)運營、媒體融合發(fā)展和相關(guān)學(xué)術(shù)研究提供依據(jù)和參考。

(二)評估體系構(gòu)建原則

從指標(biāo)選取上來看，主要遵循關(guān)聯(lián)性、重要性、全面性、客觀性、可操作性五大原則，采用可量化獲取數(shù)據(jù)指標(biāo)進(jìn)行評估。其中關(guān)聯(lián)性主要衡量評估指標(biāo)與微信公眾號傳播力之間的相關(guān)性，也即相關(guān)指標(biāo)是否會影響公號傳播力，基于關(guān)聯(lián)性原則剔除不相干指標(biāo)；重要性主要衡量指標(biāo)對微信公眾號傳播力的影響作用程度，基于重要性原則剔除相關(guān)但影響作用甚微的指標(biāo)因子(如微信公號文章的評論量，因是人工進(jìn)行篩選后發(fā)布，雖然與影響力有一定關(guān)聯(lián)但是不具備重要性，在此不納入指標(biāo)體系)；全面性主要衡量評估指標(biāo)因子的豐富程度，盡可能保證在可操作的基礎(chǔ)上從最多視角進(jìn)行傳播力評估；客觀性是指評估因子不受主觀判斷影響，均為客觀數(shù)據(jù)，設(shè)置該項原則主要是考慮到對大規(guī)模樣本評估過程中的可操作性和評估結(jié)果的客觀科學(xué)性。在權(quán)重設(shè)置上，側(cè)重于評估公號發(fā)布文章的平均質(zhì)量，旨在鼓勵賬號提高單篇文章質(zhì)量，合理把握推文數(shù)量，多發(fā)原創(chuàng)精品、少發(fā)“垃圾文”。在標(biāo)準(zhǔn)化算法上，主要遵循以下四大原則：(1)各指標(biāo)量級統(tǒng)一：如閱讀和點贊數(shù)存在量級差，對單項指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理以縮小量級差，保障數(shù)值得分分布合理；(2)去除組間影響：盡量避免對賬號的分組處理，一方面有利于不同類別微信公眾號之間的橫向?qū)Ρ?，另外一方面也能保證評估結(jié)果的分布合理，不出現(xiàn)斷層；(3)去除樣本影響：考慮到樣本范圍的動態(tài)可擴張性，在評估算法上盡量避免基于全樣本數(shù)據(jù)得出評分，如將標(biāo)準(zhǔn)差、均值、極值等引入算法公式中，以避免新增評估樣本對原有樣本評分的影響；(4)避免數(shù)據(jù)斷層：避免采用分段函數(shù)等算法，以保證評估結(jié)果分布平滑合理、數(shù)據(jù)無明顯斷層?？傮w上，評估模型力求做到“科學(xué)、合理、客觀、公正”，并通過動態(tài)迭代和優(yōu)化來不斷提升模型的權(quán)威性和專業(yè)性。

(三)評估體系的構(gòu)建

根據(jù)以上評估原則，從指標(biāo)選取、權(quán)重設(shè)置、算法確定、數(shù)據(jù)測試四大方面進(jìn)行模型構(gòu)建。首先，基于客觀可獲取數(shù)據(jù)初步擬定閱讀指數(shù)和點贊指數(shù)兩大維度，分別設(shè)置了包括總閱讀/點贊數(shù)、平均閱讀/點贊數(shù)、最大閱讀/點贊數(shù)、頭條閱讀/點贊數(shù)、點贊率等指標(biāo)，并根據(jù)專家評估和李克特量表對各項指標(biāo)進(jìn)行篩選，初步構(gòu)建評價指標(biāo)體系；其次，結(jié)合主觀賦權(quán)法和客觀賦權(quán)法計算各項指標(biāo)的權(quán)重，考慮到目前微信公眾號生態(tài)的普遍運行規(guī)律和用戶閱讀點贊行為習(xí)慣，點贊數(shù)主要受限于文章類型(一般雞湯文、情感類文章獲贊量普遍較高，而專業(yè)類文章點贊普遍偏低)，且微信文章點贊率普遍不高、點贊數(shù)更容易受人為操作刷量，故在評估過程中總體上保障閱讀指數(shù)重要性大于點贊指數(shù)；再次，基于量級統(tǒng)一、組間統(tǒng)一等原則確定各指標(biāo)項的標(biāo)準(zhǔn)化算法和加總算法；最后根據(jù)數(shù)據(jù)測試和調(diào)試結(jié)果不斷修正迭代，得到WCI模型(12.0版)。

四、模型迭代思路與檢驗方法

一個客觀、科學(xué)的評價指標(biāo)體系應(yīng)具備動態(tài)修正功能，主要包括指標(biāo)的篩選修正和權(quán)重賦值調(diào)整兩方面。就評估指標(biāo)而言，隨著行業(yè)發(fā)展方向的轉(zhuǎn)變和大眾媒介使用行為的變化，部分指標(biāo)的信度和效度會降低，需要剔除或替換；就權(quán)重而言，由于評估側(cè)重點會隨著傳播生態(tài)演化而變化，部分指標(biāo)的權(quán)重需做出相應(yīng)調(diào)整?；谇宀┐髷?shù)據(jù)平臺歷史評價數(shù)據(jù)，從指標(biāo)增刪和權(quán)重調(diào)整兩個角度出發(fā)，對WCI模型從2014年10月1.0版本上線到2016年2月12.0版本推出的迭代路線進(jìn)行分析，基本思路如下：

(1)確定分析樣本。剔除兩年內(nèi)各版本迭代過程中注銷、新增的部分賬號，從TOP10000中篩選得12個WCI版本共同面向的評價對象共1786個賬號。

(2)提取2014年10月、2015年10月、2016年10月三個時間段(版本迭代的關(guān)鍵時間點)內(nèi)各項原始評價指標(biāo)數(shù)據(jù)，對各項數(shù)據(jù)進(jìn)行無量綱化處理，保障其最大得分值均為100分，從而避免各項指標(biāo)量級懸殊差別帶來的影響。在此基礎(chǔ)上，對各項指標(biāo)數(shù)據(jù)進(jìn)行描述統(tǒng)計，計算三個時間段內(nèi)的均值、標(biāo)準(zhǔn)差、變異系數(shù)、偏度、峰度等數(shù)值，為指標(biāo)維度的動態(tài)修正奠定基礎(chǔ)。

(3)基于1786個樣本各項指標(biāo)百分制數(shù)據(jù)的描述統(tǒng)計值，剔除相關(guān)系數(shù)較低、區(qū)分度不強、誤差影響大和重復(fù)性設(shè)置的部分指標(biāo)，完成指標(biāo)維度的修正。

(4)基于相關(guān)文獻(xiàn)調(diào)研，權(quán)重計算方法主要分為客觀賦權(quán)、主觀賦權(quán)和綜合賦權(quán)三類。本文參考相關(guān)文獻(xiàn)研究成果，利用最小二乘法和變異系數(shù)法求得客觀權(quán)重，利用層次分析法計算各項指標(biāo)的主觀權(quán)重，在集成客觀權(quán)重和主觀權(quán)重的基礎(chǔ)上，結(jié)合專家賦權(quán)確定綜合集成權(quán)重(也即迭代后的指標(biāo)權(quán)重)。

(5)分別利用客觀權(quán)重(早期版本)、主觀權(quán)重(早期版本)、綜合集成權(quán)重(迭代版本)計算樣本評價結(jié)果并分別進(jìn)行排序，將各版本的序列結(jié)果與預(yù)設(shè)最優(yōu)序列結(jié)果進(jìn)行比較，挑選出最佳權(quán)重系數(shù)集合，完成對權(quán)重設(shè)置的優(yōu)化。

五、指標(biāo)描述統(tǒng)計與修正

基于全面性、完整性、客觀性原則，WCI早期版本囊括盡可能多的數(shù)據(jù)指標(biāo)項，共包括兩大維度、11項二級指標(biāo)(如表1所示)。在后期迭代過程中，根據(jù)各項指標(biāo)測試數(shù)據(jù)的描述統(tǒng)計與分析，剔除部分指標(biāo)，完成指標(biāo)項優(yōu)化。

為了便于指標(biāo)項之間的對比分析，對各指標(biāo)項三個測試時間段的樣本數(shù)據(jù)分別進(jìn)行百分制標(biāo)準(zhǔn)化，之后取均值進(jìn)行描述統(tǒng)計，計算得相關(guān)指標(biāo)如表2所示。

表1 微信傳播力評價指標(biāo)匯總

表2 樣本指標(biāo)三個時間段平均值的表述統(tǒng)計

從各個指標(biāo)項描述數(shù)據(jù)來看，可發(fā)現(xiàn)S11(日均閱讀數(shù))與S14(周期內(nèi)總閱讀數(shù))各項統(tǒng)計值相同，也即兩項指標(biāo)具有重復(fù)性，考慮到長周期評價時數(shù)值量級過大的問題，故決定采用S11(日均閱讀數(shù))，剔除S14(總閱讀數(shù))指標(biāo)；同理，點贊指數(shù)計算上也采用S21(日均點贊數(shù))，相應(yīng)地剔除S24(總點贊數(shù))。

從變異系數(shù)來看，S15(平均閱讀數(shù)增量)和S25(平均點贊數(shù)增強)變異系數(shù)最大，對評價對象的區(qū)分度最好，也就是評估對象較容易通過該項指標(biāo)提高綜合得分，形成差異。但考慮到評估對象之間的基礎(chǔ)能力差異，采用S15和S25容易強化單一指標(biāo)的影響度、擴大誤差，尤其是針對頭部賬號和尾部賬號進(jìn)行對比分析時，存在一定的不公平性，故剔除S15和S25。

除S15(平均閱讀數(shù)增量)外，所有指標(biāo)分布均呈現(xiàn)右偏和尖峰分布，也即大部分樣本賬號的指標(biāo)值都低于平均水平，頭部賬號呈現(xiàn)出集中趨勢，長尾現(xiàn)象較為明顯。此外，S26(點贊率)由S11(日均閱讀數(shù))和S21(日均點贊數(shù))共同決定，從分布上來看，S11的離散程度明顯高于S21，且S21變動對評估結(jié)果影響程度更大，也就是說，更容易通過提高點贊數(shù)去提升S26的值，從而影響整個評估結(jié)果；另一方面，由于S11數(shù)值分散，量級差異會對S26的數(shù)值造成較大影響，綜合考慮各方面因素，最終決定剔除S26，盡量減小評估誤差。

經(jīng)過數(shù)據(jù)分析與論證，最終確定兩大維度、6項二級指標(biāo)(如表3所示)。由于部分指標(biāo)在迭代過程中被剔除，其權(quán)重也應(yīng)合理分配到其所對應(yīng)的關(guān)聯(lián)指標(biāo)項中。為保證權(quán)重分配的合理性，我們在更新指標(biāo)維度后重新采用層次分析法和綜合賦權(quán)法對余下各項指標(biāo)重新賦權(quán)。

表3 微信傳播力評價指標(biāo)體系(WCI-12.0)

六、權(quán)重優(yōu)化分析

WCI早期版本因缺乏歷史經(jīng)驗數(shù)據(jù)和反饋數(shù)據(jù)，為避免人工賦權(quán)的主觀性和不可控性，主要采用客觀賦權(quán)法，利用最小二乘法和變異系數(shù)法計算各項指標(biāo)的客觀權(quán)重；后因客觀權(quán)重?zé)o法反映出各項指標(biāo)的實際重要程度，改用主觀賦權(quán)法，利用層次分析法計算各項指標(biāo)的權(quán)重，凸顯評估重點；之后又因為只用層次分析法無法實現(xiàn)對權(quán)重系數(shù)的微調(diào)，而且在復(fù)雜指標(biāo)項計算上存在一定局限性，最終確定采用綜合賦權(quán)法，結(jié)合層次分析法和專家直接賦權(quán)初步確定指標(biāo)權(quán)重，在此基礎(chǔ)上根據(jù)測試結(jié)果進(jìn)行微調(diào)，得到12.0版本權(quán)重賦值(見表3)。

(一)客觀權(quán)重

客觀賦權(quán)法計算出來的各項指標(biāo)權(quán)重是由各項指標(biāo)的實際數(shù)據(jù)所反映信息量大小決定的，也即該項指標(biāo)區(qū)分度越高、反映問題越明顯，其所得權(quán)重越大。一般而言包括突出整體差異的最小二乘法賦權(quán)，和凸顯局部差異的變異系數(shù)賦權(quán)法。WCI在早期構(gòu)建過程中，分別采用這兩個方法計算各項指標(biāo)的權(quán)重。

表4 各種方法計算所得權(quán)重

(二)主觀權(quán)重

采用層次分析法進(jìn)行主觀賦權(quán)，首先對各項指標(biāo)的重要性進(jìn)行評估，然后依次建立相關(guān)模糊集、確定模糊評價矩陣，最終計算得S11、S12、S13(也即S21、S22、S23)的特征向量為：W=[0.230,0.648,0.122]T。根據(jù)專家交叉打分確定閱讀指數(shù)和點贊指數(shù)各自權(quán)重為0.8和0.2，最終計算得各項指標(biāo)權(quán)重如表4所示。

另外，亦可通過專家交叉打分直接為各個指標(biāo)賦權(quán)，由于微信傳播力的評估側(cè)重點多從行業(yè)實際運營狀況考慮，客觀權(quán)重不能反映實際評估重點，層次分析法計算靈活性不足。基于專業(yè)認(rèn)知和經(jīng)驗數(shù)據(jù)的專家賦權(quán)往往更能反映評估側(cè)重點，對微信公號的傳播力評價起到指導(dǎo)性作用。通過專家交叉打分和業(yè)界綜合反饋，采用加權(quán)匯總的方法計算得專家賦權(quán)如表4所示，專家賦權(quán)也將作為WCI各項指標(biāo)權(quán)重設(shè)置的關(guān)鍵依據(jù)。

(三)綜合賦權(quán)

為保證指標(biāo)權(quán)重值的科學(xué)合理性，應(yīng)結(jié)合主觀賦權(quán)和客觀賦權(quán)，綜合確定各項指標(biāo)的權(quán)重。在實際操作中，以主觀判斷為基礎(chǔ)，客觀賦權(quán)作為修正參考，采用加權(quán)匯總方法得到綜合賦權(quán)值。假設(shè)Ai、Bi、Ci、Di分別為最小二乘權(quán)、變異系數(shù)權(quán)、層次分析權(quán)和專家賦權(quán)生成的xi的權(quán)重系數(shù)，k1、k2、k3、k4為待定常數(shù)，加和為1(分別設(shè)定為0.05、0.05、0.2、0.7)，反映了各項權(quán)重系數(shù)在綜合賦權(quán)中的影響作用，則綜合權(quán)重值為wi=k1Ai+k2Bi+k3Ci+k4Di。其中，Di(專家賦權(quán))和Ci(層次分析賦權(quán))作為基礎(chǔ)權(quán)重系數(shù)，對匯總權(quán)重進(jìn)行微調(diào)得綜合集成權(quán)(見表4)。

(四)評估結(jié)果對比分析

對比表4中各項客觀賦權(quán)、主觀賦權(quán)和綜合賦權(quán)值，可以發(fā)現(xiàn)最小二乘權(quán)和變異系數(shù)權(quán)雖然能突出整體差異，在約束條件之下最大限度反映各評價對象之間的差別，但其并沒有反映相關(guān)指標(biāo)的實際重要程度。例如，S21、S22、S23(點贊指數(shù))的變異系數(shù)權(quán)明顯高于閱讀指標(biāo)，不符合業(yè)界對傳播力的實際評判標(biāo)準(zhǔn)，參考價值并不高。故在計算綜合集成權(quán)過程中，我們盡量降低客觀賦權(quán)的比重，主要采用層次分析權(quán)和專家賦權(quán)加權(quán)集成。

基于1786個樣本賬號2014年10月、2015年10月、2016年10月各項指標(biāo)的標(biāo)準(zhǔn)化數(shù)據(jù)，分別采用最小二乘權(quán)、變異系數(shù)權(quán)、層次分析權(quán)、專家評價權(quán)和綜合集成權(quán)計算傳播力得分(WCI)?？紤]到各項權(quán)重系數(shù)的參考價值，選取層次分析權(quán)、專家評價權(quán)及綜合集成權(quán)計算得來的傳播力得分值，計算的平均得分作為理想化評價結(jié)果，并根據(jù)理想化評價結(jié)果得出假定最優(yōu)排序。分別對假定的理想化評價結(jié)果以及各種賦權(quán)法所得評價結(jié)果進(jìn)行排序，在此基礎(chǔ)上計算各類賦權(quán)結(jié)果排序與假定最優(yōu)排序之間的差值，對差值絕對值進(jìn)行加和，所得結(jié)果如表5所示。

表5 各種賦權(quán)計算結(jié)果的序位差絕對值之和

續(xù)表

可以發(fā)現(xiàn)，無論是1786個總樣本還是大多數(shù)細(xì)分領(lǐng)域樣本，采用綜合集成權(quán)計算出來的排位結(jié)果是最貼近最優(yōu)排序的，相比之下，客觀賦權(quán)計算結(jié)果明顯偏離最優(yōu)排序。總體來看，各項賦權(quán)系數(shù)的參考價值排序依次為：綜合集成權(quán)>專家評價權(quán)>層次分析權(quán)>變異系數(shù)權(quán)>最小二乘權(quán),故最終確定綜合集成權(quán)作為WCI的最佳賦權(quán)系數(shù)，完成對指標(biāo)權(quán)重的修正和優(yōu)化，最終確定的優(yōu)化模型如表3所示(即WCI的12.0版本)。

基于以上分析，對WCI從1.0版本到12.0版本的迭代優(yōu)化過程進(jìn)行路徑梳理，整合各版本的迭代緣由如表6所示。

表6 WCI版本迭代優(yōu)化路徑梳理

續(xù)表

七、結(jié)論

本文以微信傳播力指數(shù)WCI為例，結(jié)合其版本迭代過程中的歷史數(shù)據(jù)，對其指標(biāo)修正和權(quán)重優(yōu)化過程進(jìn)行分析，提出了一種指標(biāo)體系優(yōu)化和結(jié)果驗證的方法，并對WCI迭代版本的科學(xué)性和合理性進(jìn)行了論證。在指標(biāo)修正方面，通過提取迭代過程中不同時間段的指標(biāo)數(shù)據(jù)，減少了樣本指標(biāo)數(shù)據(jù)隨時間變化起伏對客觀信息獲取的影響，并基于標(biāo)準(zhǔn)化指標(biāo)數(shù)據(jù)的描述統(tǒng)計值，剔除重復(fù)性設(shè)置、關(guān)聯(lián)性不強、區(qū)分度過強且易人工調(diào)控的部分指標(biāo)，整個指標(biāo)修正過程基本依據(jù)客觀數(shù)據(jù)，降低了主觀判斷的不可控性；在權(quán)重優(yōu)化上，梳理了WCI迭代過程中指標(biāo)賦權(quán)的方法軌跡，對最小二乘權(quán)、變異系數(shù)權(quán)、層次分析權(quán)、專家直接賦權(quán)、綜合集成權(quán)的計算方式，及其各自的優(yōu)勢進(jìn)行了對比分析，并根據(jù)各種賦權(quán)方法計算評價結(jié)果與預(yù)設(shè)理想排序結(jié)果進(jìn)行比對，選擇最貼近理想序列結(jié)果的賦權(quán)方法計算迭代版本的指標(biāo)權(quán)重?；诳陀^數(shù)據(jù)分析和科學(xué)計算方法，最終完成模型的優(yōu)化，得到WCI的12.0版本。

本研究在指標(biāo)修正和權(quán)重優(yōu)化的過程中主要基于樣本數(shù)據(jù)判斷，能較為客觀科學(xué)地反映評價結(jié)果的有效性。但限于純算法結(jié)果與現(xiàn)實情況存在一定背離，不能反映模型預(yù)設(shè)的評估側(cè)重點，在很大程度上依然需要依靠主觀判斷和人工評分去調(diào)整模型。尤其是在權(quán)重修正方面，本研究主要基于專家交叉打分進(jìn)行主觀賦權(quán)，將客觀賦權(quán)作為參考性指標(biāo)，專家賦權(quán)的標(biāo)準(zhǔn)有待進(jìn)一步細(xì)化和規(guī)范化，人工賦值的科學(xué)合理性也有待進(jìn)一步論證。另外，在選擇最優(yōu)權(quán)重集合的過程中預(yù)設(shè)了一種理想化評分排序，預(yù)設(shè)排序主要基于非客觀賦權(quán)所計算的平均得分，該得分序列是否為最優(yōu)結(jié)果也有待驗證。因此，本研究仍需要提升模型優(yōu)化方法和檢驗方法的客觀性，擴大樣本量和數(shù)據(jù)規(guī)模，全方位對評價結(jié)果的科學(xué)性進(jìn)行驗證，進(jìn)一步將定性判斷和定量分析進(jìn)行融合，實現(xiàn)評價結(jié)果的最優(yōu)化。