作者

周勇，中国人民大学新闻学院副院长、教授、博士生导师、新闻与社会发展研究中心研究员。

赵轩，中国人民大学新闻学院2015级博士研究生。

本文是国家社科基金重点项目“基于大数据的视听传播效果研究”（项目批准号：）的阶段性成果。

文本

近年来，媒体技术的发展加深了媒体融合程度。 在此背景下，基于小样本调查、主要关注电视收视行为的传统收视调查方法日益显现出局限性。 建立全面反映多屏时代视听信息传播效果的理论和方法体系已经成为问题。 是理论界和实践界共同关心的紧迫问题。

一

视听信息传播效果衡量路径

本文的研究对象是视听信息，主要是指通过电视、PC、平板电脑、手机等终端等多种渠道传播的以音频、视频为主体的动态图像。 沟通效果可以从多个方向来衡量。 本研究主要考察多屏互动下视听信息产品的受众关注度和美誉度。 相关研究中定量评价的路径一般有两种：一是衡量受众的媒体接触行为，二是考察受众对视听信息的满意度以及哪些因素影响受众的态度。

(1)受众媒体接触行为测量

1. 电视收视率测量：传统收视率调查

早在20世纪30年代，美国企业就开始采用抽样方法，通过电话调查和日记卡等方式进行收听率和收视率调查。 在效率优先的美国商业广播体系下，内容产品的评价与电视机构的运营直接挂钩。 收视率调查制度可以直接反映内容产品的市场规模，因而逐渐成为美国电视传播效果最主流的评价标准。 尽管我国各大电视台一直在尝试将更加多元化的指标纳入节目效果的评价中，但目前仍以收视率作为主要考核标准。 从全球范围来看，当前的评级调查呈现出两大特点：一是各国垄断是常态；二是垄断是各国的常态。 一些国际公司控制着全球评级调查（刘德欢等，2009）。 在我国目前的收视率调查市场中，中广软媒体研究中心（CSM）基本处于垄断地位。 尼尔森曾一度退出中国市场，随后又回归。

2、多屏互动下的视频受众测量

随着技术的发展，电视和互联网在内容和渠道上的界限逐渐模糊。 相应地，观众收视行为的测量也从单一电视观众测量转变为多渠道、多终端视频观众测量。 基于循环数据的电视时移和实时收视测量。 总体来说，目前时移观看的监控技术已经比较成熟，但还不够完善，没有公认的标准和计算口径。 在线观看行为的测量。 由于观看渠道和终端的多样化，网络侧衡量视听信息传播效果的技术有多种，采集的数据结构也不同。 采集方式主要有3种。 一是通过爬虫技术抓取网络数据； 二是在用户端安装软件，可以监控样本用户在各视频网站观看视听信息的行为； 三是利用视频网站或服务器端植码获取所有用户在编码​​网站或服务器上的观看行为。

3、社交媒体兴起下视频产品的用户测量

互联网、手机等新媒体的出现正在瓦解传统电视以时间为核心的内容组织方式，使内容的呈现方式从固化走向离散（周勇，2011）。 社交媒体的出现，将这种离散、碎片化的特征放大并发挥到了极致。 在社交媒体上，与节目相关的其他内容如官方幕后、明星个人剪辑、粉丝自制视频等，由于篇幅或目标受众更容易传播，因此更具扩散性和影响力更清楚了。 在这个过程中，信息的接受者从被动的观看者转变为主动的使用者。 因此，传统的受众测量也开始转变为用户研究。

(2)受众态度测量及其影响因素研究

尽管收视调查已经逐渐系统化，并直接、便捷地向业界和学术界提供了公认的收视行为测量数据，但大多数学者仍然认为仅根据收视数据来评价节目有失偏颇。 收视数据只能显示观看节目的观众数量，但不能评价节目本身的质量，也不能衡量观众对节目的喜好和满意度。

1.早期观众满意度测量研究

与美国商业广播电视系统追求市场利益最大化不同，以英国为代表的公共广播电视系统的电视评价更注重综合性和公共价值。 它还使用收视率测量，但不仅仅是收视率。 BBC主要从四个方面衡量“公众价值”：

（1）到达率：到达率（每周15分钟以上）、低到达率观众群体到达分析、每周平均观看时长、观众市场份额； （二）质量：满意度、欣赏指数、获奖数量和比例、平面媒体报道数量和正面负面报道比例、独特性和创新性评价； （3）影响力：记忆力、影响因子（记忆力与受众份额的比值）、信任和行为影响力、印刷媒体报道、社会和教育活动的影响力衡量； （4）消费价值：每观众成本、观众每小时成本、消费价值感知调查（BBC，2005）。

与英国BBC基于频道的评价模式不同，美国公共电视台的评价主要以节目评价为主。 1978年，美国传播研究服务处开始推动一系列节目质量研究项目，服务于公共电视的评估。 例如，样本家庭的电视机上安装了电子设备。 设备上有9个按钮来评价节目的质量，包括“非常好”、“提供有用的信息”、“可信”、“有趣”和“无聊”。 “”、“不可信”、“笨蛋”、“看不下去就换台”、“演员的角色表演”，观众可以按下相应的按钮来表达自己对电视节目的看法，数据为通过电话线传回。 还通过邮寄问卷调查观众对节目的认知度、曝光度、节目偏好等； 调查还设有专门指标来衡量特定细分市场的节目是否受到目标受众的喜爱。

2、基于大数据的视听信息舆情研究

进入多屏交互时代，大数据为视听信息满意度研究带来了更多方法论创新的可能性。 衡量数字电视播放、点播、在线观看的市场规模仅反映新传播渠道带来的收视增长，并不能全面反映新媒体的影响。 社交媒体提供的并不是视听信息本身，而是次要信息，即关于信息的信息（，2005/2016：158）。 对“关于信息的信息”的测量和分析，就是社交媒体时代的满意度分析。 与传统的舆情分析方法相比，互联网上大量用户言行积累的大数据无疑成为舆情研究的有力工具。

具体到视听信息的传播，对于新闻节目来说，网络上的讨论大多是围绕新闻中的事件展开的。 事件类节目与社会舆论的关联性是构建人们社会活动的一个非常重要的方面。 与上述舆情调研的内容基本相同。 重叠; 对于电视剧、综艺等娱乐节目的网络舆情测量，主要由营销方推动。 总体而言，大多数研究都是基于与上述类似的指标，包括节目的提及次数、讨论量、评论中正面和负面信息的比例等。

二

视听信息传播效果

评价指标体系构建

如何整合来自不同渠道、终端的用户观看行为数据和满意度数据一直是效果研究的难点。 由于各方数据来源、结构不同，存在数据孤岛问题，采用构建指标体系模型的方法对各方进行整合。 将渠道和终端的传播效果结合起来，是一种更加合理、易于操作的方法。

（一）视听信息传播效果评价指标体系研究现状

目前建立传播效果评价指标体系的路径主要是基于抓取公共网络数据建立模型。 学术界和工业界都有很多相关研究。 本文综合了相关研究人员的研究成果，将涉及的主要维度和指标总结如下：

总体而言，现有关于指标体系构建的研究主要有以下几个方面需要改进：一是在指标的选取方面，业界比较全面，学术界也比较有理论基础，但都没有对指标体系的构建进行考察。各指标的有效性。 没有对指标模型进行验证和优化。 其次，目前确定指标体系中各指标权重的方法主要有三种：等权、德尔菲法、德尔菲法与层次分析法相结合。 这三种方法主要依赖研究者或相关专家的经验，缺乏客观数据的说服力。 第三，虽然大多数研究都是通过爬取互联网上的大量数据来建立模型，但并没有充分利用大数据的优势，而是简单地将指标数据与通过实证方法获得的权重相结合。 大数据没有数据挖掘来探索数据之间的关系。

(2)本研究的维度构建及指标选取

在心理学中，态度分为三个维度：认知、情感/情绪和行为。 因此，本研究拟从这三个维度来衡量受众对视听信息的态度。 整个指标体系模型的建立将分为两个步骤：第一步，根据以往的经验，初步选择各个维度的研究指标，并尽可能全面，包括可能对行业产生影响的指标。各个方面。 第二步，积累一定量的数据后，分析各个指标的信度和效度，选择指标，优化模型。 本节主要介绍最初纳入测量的具体指标及其测量方法。 具体的研究方法将在后面详细阐述。

三

研究方法

(一)研究对象的选择

1、以电视剧为研究对象

视听信息中，新闻、电视剧、综艺节目最受观众关注。 然而，新闻节目在电视和互联网上以不同的格式播放。 大多是网络上的新闻短视频，难以整合和分析。 综艺节目多为周播，播出周期较长，不方便数据收集； 相关数据（综艺新闻，2017）显示，2017年上半年，全网近6.3万个不同类型节目的视频总点击量达到5007亿次，电视剧内容占比超过60%。视频点击量为3360.1亿次，遥遥领先于其他类型节目。 因此，选取电视剧作为本研究的研究对象。

2、电视剧选择

研究执行过程中，每天抓取百度电视剧排行榜前五十名的电视剧。 进入榜单并在电视上播出的电视剧均作为本次研究的研究对象。

（二）指标体系构建与优化

1. 数据收集

以“天”为单位，利用爬虫技术，持续抓取每天进入研究范围的电视剧各项指标的相关数据。

2.确定重量

本研究通过构建统计模型计算权重，选取“次日收视率”作为传播效果指标体系模型的拟合目标，考察当日电视收视情况、网络收视情况等指标以及公众的影响力。电视剧在网络上的评论量，对第二天观众的影响。 观看行为的影响。 然后，通过构建统计模型，将指标体系和拟合目标的最优解作为各指标的权重。

3.模型的优化

通过新数据的加入，在计算和拟合过程中不断调整和优化指标体系，得到最简洁有效的传播效果评价体系。

(3)统计模型的选择

从理论上讲，大数据方法代表了一种新的经验主义范式。 当数据量大到足以覆盖全部或大部分样本空间时，不再需要通过模型来识别新样本，而是可以直接从数据库中检索相同或非常相似的数据来推断结果。 然而，在社会科学中，样本空间往往太大并且总是在变化。 研究中很难获得足够的数据来覆盖样本空间，因此仍然需要构建模型来提供适当的泛化能力。 本文介绍了经济学中常用的向量自回归模型（VAR）来分析这些指标之间的关系。

向量自回归是基于数据统计特性的模型。 VAR模型通过将系统中的每个内生变量视为系统中所有内生变量的滞后值的函数来构建模型，从而将单变量自回归模型扩展到多元时间序列。 由变量组成的“向量”自回归模型。 VAR模型常用于预测相互关联的事件序列系统并分析随机扰动对变量系统的动态影响。 因此，本文将引入VAR模型来分析网络观看行为、网络舆情指标和评分在时间维度上的交互作用。 关系。

四

研究成果

(1)基于VAR模型的收视率预测

1. 数据来源及处理

本文数据采集时段为2017年8月1日至9月17日，选取了该时段内电视首播且连续多日进入百度电视剧排行榜前50名的10部电视剧（见表3）作为研究对象。 ，收集了这10部及以上电视剧各指标的每日相关数据，以一天的数据为一期，所用软件为.0。 在进行VAR模型分析时，为了消除可能存在的异方差性的影响，对各指标进行对数处理。

2. VAR模型的估计

由于本文只选取了10部电视剧，指标体系中的电视播出频道、电视播出时长、网络播出平台等指标差异不大，因此没有纳入模型中。 目前VAR模型所包含的8个指标进行分析以及最佳滞后阶数的选择都是通过软件计算和测试经过多次尝试而确定的。 回归估计结果如下：

= 0.109*(-1) - 0.290* (-2)+0.255* (-1) + 0.043* (-2) - 0.560*(-1) +0.838*(-2) + 0.113*(-1) - 0.487* (-2) + 0.167* (-1) - 0.111* (-2) + 0.091* (-1) +0.090* (-2) + 0.524* (-1) + 0.042* (-2) - 0.410 *(-1) - 0.300* (-2) + 0.6022

上述回归模型中估计系数的t统计值大部分在10%显着性水平下显着。 尽管有些系数并不显着，但我们仍然选择滞后期为2的模型。某些系数的不显着可能是由于同一方程中同一变量的多个滞后值造成的多重共线性。 对于 VAR 模型，单个参数估计值的解释很困​​难。 除了预测之外，其更重要的应用是脉冲响应分析和结构分析的方差分解。

3.模型稳定性测试

VAR模型的有效性取决于模型的稳定性。 如果模型不稳定，某些结果将无效。 因此，下面对估计模型进行稳定性检验。 本文使用AR根进行测试。 如果估计的VAR模型的所有根模态的倒数都小于1，即位于单位圆内，则它是稳定的。 从图1可以直观地看出，所有单位根都落在单位根圆内，因此所设置的模型是稳定的，说明所选变量之间存在长期稳定的关系，可以进一步分析。

4. 格兰杰因果关系检验

格兰杰因果检验主要用于检验一个变量是否受到其他变量的滞后变量的影响。 如果一个变量受到其他变量的滞后变量的影响，则称它们之间存在格兰杰因果关系。 本文VAR模型中各变量的因果关系检验结果如表4所示。

考察各变量之间的格兰杰因果关系，从上表检验结果可以得出，在5%显着性水平下，滞后期每日在线浏览量和微信官方文章数的增幅帐户对评级有影响 它有影响。 滞后期微信公众号文章数量对媒体转载数量有影响。 滞后期的百度指数对正面评论的比例有影响。 滞后期每日网络浏览量和媒体转载量的增加对微博话题热度产生影响。 影响力、滞后期的百度指数、收视率、日在线播放量、媒体转载量、微博热度等都对微信公众号文章数量产生影响； 在10%显着性水平下，滞后期日在线播放量增加对正面评论比例有影响，滞后期微信公众号文章数量对微博热度有影响，滞后期微信公众号文章数量对微博热度有影响。滞后期微博热度对微博话题热度有影响。

当收视率作为因变量时，其他变量与收视率之间的格兰杰因果关系如表5所示。虽然个别变量中，仅对网络播放量日增幅和微信公众号进行了卡方检验帐户文章显着，但表的最后一行（ALL）表明所有滞后内生变量对评级的综合影响是显着的。

5. 脉冲响应分析

脉冲响应函数描述了内生变量对残余冲击的响应。 具体来说，它描述了对随机误差项应用标准差冲击（来自系统内部或外部）后内生变量对内生变量的响应。 当前和未来价值的动态影响。 在VAR模型中，当某个变量在t周期内的扰动项发生变化时，通过变量之间的动态联系，在t周期后各变量会发生一系列的连锁反应。 脉冲响应函数将描述系统对冲击扰动的动态响应。 ，并从动态响应中判断变量之间的时滞关系。

考虑到样本量，响应周期设置为10个周期。 通过软件计算，结果如图2所示。从图2-1可以看出，当该时段百度搜索指数受到正面影响时，短期内评分会上下波动，且在第二阶段达到正值最大值后，收视率将逐渐收敛。 这说明，短期内，百度搜索指数对收视率存在滞后效应。 百度搜索指数的提升会对收视率产生显着的带动作用，但长期来看，这种带动作用会越来越弱。 从图2-2可以看出，当该时段的日播放量增长出现积极影响时，收视率会在短期内出现一定程度的波动，在第二时段达到最大负面反应，以及第三期的最大正响应。 然后逐渐收敛。 由于播出平台不同，网络播放量逐日增加，以及刷量等作弊行为的存在，短期内可能会出现一些结构性问题，对收视率产生一定的负面影响，但长期来看还是比较积极的。 领头人。 图2-3和2-4分别显示了媒体转载数量和正面评论比例对收视率的影响。 总体而言，媒体转载数量与收视正面评价比例的影响模式较为相似。 在本文期间产生积极影响后，短期内收视率出现一定波动。 第二期出现积极反应，第三、四期出现下降。 然而，从第五期开始，收视率都是正面的。 可见，媒体转载数量和好评数量对收视率增长具有长期驱动作用。 从图2-5可以看出，微博热度对收视率的影响存在滞后性。 本期给予正面影响后，第一期和第二期的反应为零，第三期的反应为负面然后增加，第四期的反应达到期间最大正面反应后，下降，第7到10期都是负面反应。 可见，微博的受欢迎程度对收视率的提升有短期的积极影响，但长期来看可能不会产生积极的提升。 影响。 图2-6展示了微话题热度对收视率的影响。 当微话题的热度在本期给予正面影响时，短期内收视率会出现上下波动。 第二期的收视率将达到最高点。 减小，第五期出现负响应，然后逐渐收敛。 这说明，短期内，微话题热度的提升会对收视率产生明显的带动作用，但长期来看，这种带动作用会越来越弱。 图2-7展示了微信公众号文章数量对评分的影响。 当本期微信公众号文章数量出现正面影响时，评分上下波动。 可见，微信公众号文章数量的增加并不一定是必然的。 带动收视率增加。

6. 方差分解分析

方差分解利用方差来评估模型中每个内生变量的相对重要性，即衡量每个结构影响对其他内生变量的贡献。 从方差分解的结果来看，对滞后1到10的评分变化贡献最大的是其自身因素，但其贡献率逐渐从滞后1时的94.17%下降到滞后10时的43.11%，而其他因素的贡献则逐渐下降。收视率增长的指标随着时间的推移而增加。 百度搜索指数对第二期评分的贡献率由第一期的5.83%提升至15.40%。 到第10期，百度搜索指数贡献率稳定在8%左右。 百度搜索指数对短期内的评级影响较大。 率有很大提高，但长期贡献较小。 在线播放量贡献率从第二期的0上升到6.64%，第三期以来稳定在20%以上。 媒体转载数和微信公众号文章数的贡献率从第1期到第10期的滞后逐渐上升，到第10期分别增加到7.52%和11.06%。 两者对收视率的影响是比较长期和滞后的。 正面评论和微博热议对收视率的贡献较小，到第10期分别上升至3.19%和2.97%。 微话题热度贡献率从第一期的0上升到第二期的4.29%，随后开始回落。 可以看出，正面评论比例、微博讨论热度、微话题热度对收视率增长影响不大。

(2)基于VAR模型的视听信息传播效果评价指标体系构建

根据VAR模型的分析结果，我们采用进入VAR模型的8个因素作为评价视听信息传播效果的指标。 同时，为了使最终的电视剧综合指数更好地体现短期和长期效果，将方差分解为各变量在10个时期的平均贡献，作为各指标的权重。 因此，将初始模型修改如下：

每部电视剧的综合得分是根据每部电视剧的各项指标数据的平均值和权重计算得出的。 结果如表8所示。总体来看，《那年花开月圆》评分最高，为94.8分，其次是《人间最好的滋味是欢乐》，《血痕》等电视剧得分最高。 《绿山》和《通天狄仁杰》的传播效果相对较低。 不同之处。

五

结论

本文以10部电视剧的日数据为基础，运用VAR模型对传统收视率、网络搜索指数、每日在线播放量、媒体转载量、正面评论比例、微博热度、微话题热度进行分析，研究结果显示所有其他滞后变量对收视率的共同影响是显着的。 本文分析了各个指标在时间维度上的关系以及各个指标的有效性，并通过统计模型客观地计算了各个指标之间的权重。

这项研究还有一些未解决的问题。 首先，本文建立模型所用的数据量较小。 初始模型中曝光维度涉及的频道、时段、网络播出平台等指标，10部剧之间并无重大差异，因此不能纳入分析模型。 其次，本文只研究电视剧。 新闻、综艺等其他节目类型可能有不同的影响指标，也可能有不同的影响方式。 本文的指标体系模型可能并不完全适用。 第三，从方差分解的结果来看，滞后期的评级是对评级影响最大的变量。 也就是说，虽然网络口碑、宣传度、搜索行为等其他指标也对收视率产生一定的影响。

本文为精简版，省略了参考文献。 原文发表于《国际报》2017年第10期。

封面图来自网络

（本期执行编辑：肖舒）