黃偉鑫 畢達天 楊陽 孔婧媛

關鍵詞：平臺特征；跨社交媒體；信息分享行為；SOR模型；用戶生成內(nèi)容

《2023中國社交媒體平臺指南》表明，截至2022年12月，社交媒體用戶人數(shù)占全體網(wǎng)民的95.13%，微信、抖音、快手、微博、B站、小紅書等社交媒體平臺的月活躍用戶總數(shù)超過30億，其用戶群體相互交叉。在“全民社交”與“社交媒體多元化”的雙重催化下，用戶跨社交媒體信息行為呈現(xiàn)流行性和普遍性，學界也將社交媒體相關研究的場景從單平臺轉向多平臺或者跨平臺。而在跨社交媒體場景下，同一用戶會在不同社交平臺發(fā)布或接觸到相似或相同的用戶生成內(nèi)容（User-gener-ated-Content，簡稱UGC），這一類UGC被定義為跨社交媒體UGC?？缟缃幻襟wUGC信息分享行為給平臺和用戶帶來了更大的價值，如用戶引流、內(nèi)容曝光、社交關系維系等。因此，分析用戶跨社交媒體場景下的特征和主體關系，厘清跨社交媒體UGC信息分享行為的影響因素具有重要意義。

當前，跨社交媒體UGC信息分享行為的研究尚處于探索階段。Oh S等基于馬斯洛需求層次理論、內(nèi)在和外在動機模型、雙因素理論、社會交換理論和社會認知理論，揭示了跨社交媒體UGC信息分享的動機，并發(fā)現(xiàn)不同因素受到社交平臺異質(zhì)性的影響：Ham C D等從理性行動理論和社會交換理論視角探究其影響因素。相關研究尚存在局限性：以動機理論和社會理論為主，僅考慮用戶機體層面的變量，鮮有研究分析信息環(huán)境層面變量影響：對于社交平臺異質(zhì)性的探索集中在平臺類型中，以對比分析為主，較少研究進一步揭示平臺特征的影響機理。

大量針對社交媒體信息行為的元分析已表明，社交平臺異質(zhì)性對于信息行為模型具有顯著影響。因此，本文認為，在跨社交媒體場景下，平臺特征作為環(huán)境刺激影響用戶機體感知，從而作用于用戶分享行為?；诖?，為彌合這一理論差距，本文基于SOR模型框架，引入感知有用性，探究平臺的聲譽、關注度、技術升級等特征對跨社交媒體UGC的影響機理，同時利用多源異構面板數(shù)據(jù)集，通過固定效應模型驗證相關假設。針對相關結論，本文進一步控制時間效應和創(chuàng)作者效應檢驗結論的穩(wěn)健性。

1文獻綜述

1.1跨社交媒體UGC

UGC是社交媒體的核心組成，是用戶表達觀點的重要工具，也是獲取利益的手段之一，因此，UGC信息分享過程中至少包含社交平臺、UGC信息創(chuàng)作者、UGC信息接收者3個主體。而跨社交媒體UGC至少包含兩個及以上的社交平臺，強調(diào)信息的多渠道流通、互動和共振，對用戶信息行為和平臺戰(zhàn)略產(chǎn)生影響。

從用戶身份差異的視角看，學者們對政府、企業(yè)、新聞機構、學術機構、個體等用戶跨社交媒體UGC展開了分析，并試圖解決3個基本問題：①用戶為什么會跨社交媒體？②如何識別用戶跨社交媒體？③用戶跨社交媒體具有什么影響？

1.1.1用戶跨社交媒體動機

針對用戶跨社交媒體的動機，Alhabash S等分析了便利性、娛樂性、打發(fā)時間、媒體吸引、信息共享等因素對社交媒體使用動機的影響。研究表明，不同社交媒體使用動機之間的差異并不大，但是自我記錄、自我表達和社交互動會讓用戶更多地選擇使用Snapchat和Instagram，而不是Facebook或Twitter。自我表達和社交互動等需求在后續(xù)研究中被認為是影響用戶跨社交媒體使用行為的關鍵動因。

1.1.2用戶跨社交媒體識別

針對識別用戶跨社交媒體，齊林峰提出了基于鏈接和文本內(nèi)容，比較不同社交媒體賬戶的屬性、領域和關鍵詞等相似度的方法。與之相似，Amara A等提出利用各種相似性度量進行身份匹配，其中Jaccard指數(shù)被選為相似性度量方法。Zafarani R等研究表明，可以利用用戶獨特行為模式下的信息冗余找到不同社交媒體之間身份映射的方法?？傮w而言，識別用戶跨社交媒體主要通過用戶的“數(shù)字痕跡”，利用相似度算法和關鍵匹配屬性實現(xiàn)這一目標。

1.1.3用戶跨社交媒體影響

針對用戶跨社交媒體的影響，Unnava V等研究發(fā)現(xiàn)，當用戶使用多個社交媒體日寸，一個平臺的品牌宣傳會直接影響同一平臺的用戶參與度，并可能影響在其他平臺上的品牌互動，同時延長發(fā)布UGC的互動時間。換句話說，用戶跨社交媒體存在直接效應、溢出效應和延長效應。此外，許多學者采用對比的方式探究用戶跨社交媒體過程中的互動、議程設置、網(wǎng)絡拖釣等行為之間的差異。

本文的研究問題是對基本問題③的變形與延伸，即創(chuàng)作者跨社交媒體投放的UGC在什么特征的平臺中會更容易被信息接收者分享？針對平臺特征的分析，許多學者采用分組對比的思路，如對比不同平臺樣本的均值、回歸模型等。然而，這一做法得出的結論因果性較弱。為解決這一問題，發(fā)揮跨社交媒體場景近似隨機實驗的優(yōu)勢，本文參照基本問題②，先采用匹配的方式識別跨社交媒體UGC，再構建多源異構面板數(shù)據(jù)集，最后在控制創(chuàng)作者效應、時間效應、內(nèi)容效應等固定效應的基礎上進行回歸分析。

本文探究的主要思路是以感知有用性作為中介變量，分別討論平臺的外部特征、內(nèi)部特征和技術特征對跨社交媒體UGC信息分享行為的影響。從信息生態(tài)的視角看，平臺特征、用戶感知、信息分享行為分別屬于信息環(huán)境、信息人和信息層面的因素，三者之間存在內(nèi)在關聯(lián)性。具體而言，信息環(huán)境中存在可能影響信息人機體感知的刺激，對于跨社交媒體用戶，不同社交平臺的特征差異是其環(huán)境刺激；信息人的感知又將調(diào)整其信息行為，感知有用性影響信息分享。綜上所述，本文采用刺激一機體一反應模型作為研究的模型框架。

1.2刺激一機體一反應模型框架

刺激一機體一反應模型（S-O-R Model）表明，外在環(huán)境刺激（S）會影響個體的內(nèi)在狀態(tài)（O），從而使得個體產(chǎn)生反應或行動（R）。該模型被廣泛應用于在線環(huán)境中，如社交媒體、電子商務、直播等，是分析用戶行為的有力工具。本文選用S-O-R模型作為理論框架的原因有兩條：一方面，平臺特征在影響層次上歸屬于信息環(huán)境，可被作為外在環(huán)境刺激，通過該模型能識別平臺特征對信息分享行為的獨特影響并探明其作用路徑；另一方面，該模型對于用戶信息行為具有較好的適配性，能更清晰地探究跨社交媒體UGC信息分享行為。

1.2.1刺激：平臺特征

刺激是外部環(huán)境因素，可以在不同方面影響個體。對于跨社交媒體用戶而言，平臺特征會影響用戶在線上環(huán)境中的行為，因此，將平臺特征作為影響用戶信息行為的刺激。學者們一般認為，不同社交媒體具有異質(zhì)性，因此可以從平臺特征的視角分析用戶信息行為。本文將平臺特征分為3類：內(nèi)部特征、外部特征和技術特征，它們都對用戶信息行為具有重要影響。

內(nèi)部特征指的是平臺聲譽。許多研究表明，聲譽是平臺用戶的整體評價，能有效幫助用戶對平臺建立信任，是平臺特征的重要體現(xiàn)之一。聲譽對用戶信息行為也有重要影響，如激勵用戶提升信息質(zhì)量、促進知識分享等。由于聲譽是由平臺內(nèi)部用戶的評級形成的，因此它可以表征平臺的內(nèi)部特征。

外部特征指的是平臺關注度。關注度指的是公眾對平臺的注意力程度，通常由谷歌趨勢、百度指數(shù)等第三方統(tǒng)計機構進行測量。學者們發(fā)現(xiàn)，關注度是經(jīng)濟預測和行為預測的重要指標，如通過百度指數(shù)精準預測旅游出行行為。由于平臺關注度主要是通過外部搜索形成的，因此它可以表征平臺的外部特征。

技術特征指的是用戶服務技術迭代。用戶服務技術指的是為解決服務問題，支撐并提升用戶體驗而開發(fā)的數(shù)字化工具，而技術迭代則是描述技術升級和優(yōu)化的狀態(tài)，因此用戶服務技術迭代是技術特征的重要組成。在技術迭代飛速發(fā)展的時代，技術特征對用戶信息行為的影響愈加明顯，劉百靈等分析了隱私管理技術特征對移動用戶信息披露意愿的影響：溫科等以技術特征作為調(diào)節(jié)變量研究質(zhì)量信號對創(chuàng)新績效的影響。同時，董雪艷等揭示了技術特征與關系結構之間的關系，并通過實證研究驗證了它們對社會化購買的影響。此外，還有學者將技術迭代作為宏觀背景，討論技術演化過程中的用戶權利、算法感知和商業(yè)模式。然而，鮮有學者探究用戶服務技術迭代的影響，為此，本文將其納入研究框架中，檢驗其對用戶信息行為的影響。

1.2.2機體：感知有用性

在S-O-R模型中，機體指的是個體感知和情感的狀態(tài)，這一狀態(tài)在環(huán)境刺激和個體行動之間起著中介作用。在許多經(jīng)典理論中，如技術接受模型、信息采納模型，都強調(diào)感知有用性對個體態(tài)度、行為的顯著影響，并在社交媒體等相關場景下成為用戶信息行為的重要影響因素。鑒于此，本文將感知有用性作為跨社交媒體UGC信息分享行為模型的機體部分，以反映用戶在進行信息分享行為時的內(nèi)在狀態(tài)。

UGC的感知有用性受到多個層面因素的影響。從UGC的內(nèi)容看，閆強等發(fā)現(xiàn)，極端的情感傾向和較長的正文評論會正面影響評論的感知有用性，而評論的效價、標題長度和可讀性沒有顯著影響。后續(xù)學者在此基礎上又探究了追加評論、矛盾性追加評論的影響。從UGC的信息源看，信息采納模型中指出信息來源可信度正向顯著影響感知有用性。許一明等通過扎根理論也得出了UGC的信息源會影響感知有用性。綜上所述，UGC的感知有用性不但受到其自身的信息質(zhì)量、用戶的信息需求等微觀層面的影響，還受到信息來源等宏觀層面的影響。

1.2.3反應：跨社交媒體UGC信息分享

在S-O-R模型中，反應是個體依據(jù)他們對不同情境因素的感知而產(chǎn)生的行動?？缟缃幻襟wUGC信息分享可以被看作是個體接受外部環(huán)境刺激后做出的反應。針對跨社交媒體UGC信息分享行為，Oh S等在5種不同類型的社交媒體中測試了享受、自我效能、學習、個人收益、利他主義、同理心、社會參與、社區(qū)興趣、互惠和聲譽10個因素的影響。所有的動機因素都鼓勵用戶的信息共享行為；Ham C D等的研究揭示了社交存在、社交對話、輕松聯(lián)系和自我管理對信息分享的影響；Shang S等通過場效應理論分析了體驗社交平臺和情報擴散平臺下的認知共享過程，并實證分析了平臺類型的調(diào)節(jié)作用。

這些研究集中于用戶感知視角，從心理學視角凝練變量，較少研究從平臺的外部特征、內(nèi)部特征和技術特征展開分析。盡管Shang S等驗證了平臺類型的調(diào)節(jié)作用，但是本文區(qū)別于其選取的平臺特征，著重討論平臺的聲譽、關注度和技術迭代產(chǎn)生的影響。因此，本文有利于跨社交媒體UGC信息分享行為的理論構建，豐富平臺層面的影響因素探索。

2模型構建與假設提出

基于S-O-R模型．本文認為在跨社交媒體場景下，平臺的聲譽、關注度和技術迭代顯著影響感知有用性，進而作用于跨社交媒體UGC信息分享行為。此外，平臺特征對感知有用性和跨社交媒體UGC信息分享之間的關系具有調(diào)節(jié)作用，如圖1所示。

2.1平臺特征與感知有用性

之前的研究表明，信息來源的特征對感知有用性具有顯著影響。在跨社交媒體場景中，不同的社交平臺特征具有異質(zhì)性。因此，在不同社交平臺上發(fā)布的相同UGC的用戶感知也存在差異，而這種差異性可以被平臺特征所解釋?；诖?，本文分別從平臺聲譽、平臺關注度和用戶服務技術迭代3個特征出發(fā)，考慮它們對感知有用性的影響。

在跨社交媒體場景中，由于社交聯(lián)系、隱私保護、利益驅動等因素的影響，用戶之間處于信息不對稱的狀態(tài)。根據(jù)聲譽理論，在信息不對稱的情形下，聲譽是一種有效的激勵機制，聲譽高的社交平臺更容易贏得用戶的信任，提高信息來源的可信度和對信息質(zhì)量的感知。同時，社交媒體存在一個在線的虛擬社交網(wǎng)絡，根據(jù)社會支持理論，用戶會得到社區(qū)、社群、親密關系所提供的可被感知的工具性或表達性支持，社會支持影響用戶的認知和情感狀態(tài)。而聲譽符合表達性支持特征，因為聲譽更高的社交平臺意味著用戶的認可，能為使用這些社交平臺的用戶提供心理支持。綜上，本文提出以下假設：

H1：平臺聲譽會顯著正向影響感知有用性

許多研究表明，關注度是用戶看待一個事物的情緒表現(xiàn)，如羅琦等利用百度指數(shù)中的搜索指數(shù)衡量投資者對現(xiàn)金股利和高轉送的情緒。根據(jù)場動力理論．個體行為的方向和向量取決于環(huán)境刺激和個體內(nèi)部動力，同時環(huán)境刺激只有當被人的“心理場”所感知和激活時才會發(fā)揮作用。而平臺關注度既屬于環(huán)境刺激，也能表征用戶的情緒，還影響著用戶行為。因此，從場動力理論的角度看，平臺關注度被人的“心理場”所感知，并進一步形成吸引力，又反作用于人的感知。綜上，本文提出以下假設：

H2：平臺關注度會顯著影響感知有用性

技術特征對用戶信息行為的影響日益增強，特別是推薦算法、AIGC、大數(shù)據(jù)等技術的興起。一方面，用戶服務技術迭代將逐漸改變社交平臺的內(nèi)部服務邏輯，直接影響用戶的使用體驗和對平臺的服務感知；另一方面，隨著數(shù)字經(jīng)濟的流行，用戶的數(shù)字素養(yǎng)得到了鍛煉，對數(shù)字技術的接受和應用能力也顯著提高。綜上，本文提出以下假設：

H3：用戶服務技術迭代會顯著正向影響感知有用性

2.2感知有用性的中介作用

TAM模型表明，感知有用性具有中介作用，外部環(huán)境變量能通過感知有用性進而影響行為意向。已有學者的研究表明，感知有用性會影響社交媒體場景下的信息分享行為。從信息生態(tài)視角看，與單社交媒體場景相比，在跨社交媒體場景下，主要是信息環(huán)境、信息技術和信息等要素的構成發(fā)生了顯著變化，而信息人要素的變化較少。因此，本文推斷，盡管機體感知有用性的外部影響因素會發(fā)生改變，但機體內(nèi)部的作用路徑依然存在。綜上，本文認為：

H4：平臺特征能通過感知有用性進一步影響跨社交媒體UGC信息分享行為

2.3平臺特征的調(diào)節(jié)作用

本文關注的平臺特征包含平臺的聲譽、關注度和用戶服務技術迭代。其中，平臺聲譽是一種信息激勵機制，高聲譽的社交平臺收獲更多的信任，同時給予用戶心理支持：平臺關注度是用戶一段時間內(nèi)的注意力集成，蘊含著用戶情緒：用戶服務技術迭代是滿足用戶需求、提升用戶體驗的數(shù)字工具優(yōu)化過程。從場動力理論的視角，平臺特征都屬于外部環(huán)境刺激，感知有用性屬于內(nèi)部機體的驅動力。場動力理論表明，行為受到外部環(huán)境刺激和內(nèi)在驅動力的交互影響。由此，本文推斷平臺特征對感知有用性和跨社交媒體UGC信息分享行為具有調(diào)節(jié)作用。

H5a：平臺聲譽對感知有用性和跨社交媒體UGC信息分享行為的關系具有調(diào)節(jié)作用

H5b：平臺關注度對感知有用性和跨社交媒體UGC信息分享行為的關系具有調(diào)節(jié)作用

H5c：平臺用戶服務技術對感知有用性和跨社交媒體UGC信息分享行為的關系具有調(diào)節(jié)作用

3研究方法

3.1研究背景

抖音和B站是中國最大的內(nèi)容生成型社交平臺，用戶通過視頻類UGC分享觀點和生活日常，用戶之間具備弱社交屬性。根據(jù)抖音和B站的官方數(shù)據(jù)顯示，抖音平臺每月熱點視頻播放量高達4000億，熱點視頻數(shù)量超過百萬；B站的日活躍用戶超過9000萬。作為頭部的內(nèi)容生成平臺，其創(chuàng)作者群體存在交叉并擁有大規(guī)模的UGC，能提供豐富、完善的數(shù)據(jù)集。此外，抖音是以短視頻為主陣地，用戶身份也較為豐富；B站以長視頻為主陣地，通過二次元等屬性吸引眾多年輕人和學生群體，用戶身份較為集中。由此推斷這兩個視頻平臺的聲譽、關注度和用戶服務技術迭代存在差異，能為平臺特征的相關研究提供助力。綜上所述，本文選擇抖音和B站的相關數(shù)據(jù)作為研究的樣本。

3.2數(shù)據(jù)采集

數(shù)據(jù)采集過程如圖2所示．本文分別從手機應用商城、百度指數(shù)、抖音、B站等平臺采集數(shù)據(jù)，再根據(jù)不同數(shù)據(jù)集之間的屬性關系進行連接，形成面板數(shù)據(jù)集。數(shù)據(jù)采集收集的時間為2023年4月，為避免UGC的點贊、評論、收藏、分享等指標的大幅度變化，本文僅獲取2023年3月之前的相關數(shù)據(jù)。

針對跨社交媒體UGC的識別，本文提出兩步匹配法，即先匹配跨社交媒體創(chuàng)作者，在此基礎上匹配跨社交媒體UGC，如圖3所示。參照前人的研究思路，本文選取相似度算法進行匹配。

具體而言，本文從B站的音樂、舞蹈、游戲、知識等分區(qū)中隨機抽取400名創(chuàng)作者，根據(jù)其名稱、頭像、簡介等相關信息，通過在抖音平臺上的搜索實現(xiàn)匹配。由于創(chuàng)作者為了形成跨社交媒體的影響力，他們在不同平臺上的信息具有極高的相似性，因此借助于社交平臺的搜索功能就能實現(xiàn)較高的匹配結果。識別完成后，本文爬取了對應創(chuàng)作者在抖音和B站發(fā)布的所有視頻，針對視頻數(shù)小于50的創(chuàng)作者進行剔除，最終識別結果如表1所示。

在此基礎上，本文針對同一創(chuàng)作者在B站和抖音發(fā)布的所有視頻類UGC進行二次匹配。具體而言，對于某一個UGC，根據(jù)余弦相似度計算它的標題與另一平臺歸屬于同一創(chuàng)作者的所有UGC標題的相似度，選取其中相似度最高的UGC建立對應關系。完成所有的對應關系后，利用三直方圖算法計算封面圖片相似度進行驗證，并只保留封面相似度大于0.5的對應關系。最后，通過人工手動核查UGC的對應關系，最終的匹配結果如表1所示。綜上所述，本文從抖音平臺和B站平臺中成功匹配了5101對跨社交媒體UGC，總計10202條視頻，并以此為樣本展開分析。

3.3變量測量

本文的核心解釋變量為平臺特征，包含平臺聲譽、平臺關注度和用戶服務技術迭代；核心被解釋變量為跨社交媒體UGC信息分享：中介變量為感知有用性；控制變量包含創(chuàng)作者的關注數(shù)、粉絲效應以及UGC的情感傾向等，同日寸，在此基礎上控制平臺類型和UGC類型帶來的固定效應。由于上述變量的數(shù)據(jù)來源不一致，測算量綱存在差異，因此本文對相關數(shù)據(jù)進行標準化處理。表2為變量測量的方式和依據(jù)。

3.3.1平臺特征

針對平臺聲譽（PR），參照前人對品牌聲譽、服務提供商聲譽、產(chǎn)品聲譽的測量方式，采用用戶評級進行測量。由于抖音和B站的使用習慣集中在移動端，因此選用手機商城中用戶對它們的評分作為衡量依據(jù)。具體而言，本文采集了華為、Oppo、Vivo、小米、蘋果等幾大頭部手機廠商的應用商城評分數(shù)據(jù)，并以每日點評量為權重，測算抖音和B站的每日平臺聲譽情況。

針對平臺關注度（PA），參照學者們的做法，應用百度指數(shù)中的搜索指數(shù)進行衡量。具體而言，本文分別以抖音和B站為關鍵詞，在百度指數(shù)平臺中進行檢索，再通過網(wǎng)絡爬蟲技術獲取每日的搜索指數(shù)數(shù)據(jù)，以此測算抖音和B站的每日平臺關注度情況。

針對用戶服務技術迭代（UT），本文采用社交平臺APP版本升級中披露的相關數(shù)據(jù)進行衡量。首先，社交平臺APP為了維持競爭力，會持續(xù)優(yōu)化APP的用戶服務技術，并對平臺版本進行升級；其次，版本升級的同時，社交平臺APP的發(fā)布者會披露相關的技術信息，如圖4所示；最后，基于這些披露的信息進行文本分析，可以較為高效地衡量出用戶技術服務迭代。具體而言，本文采用關鍵詞定位法，當技術文本出現(xiàn)“體驗”“用戶”“創(chuàng)作”“服務”等關鍵詞時，將本次技術升級納為用戶服務技術，并統(tǒng)計1個自然月中技術迭代的次數(shù)作為用戶服務技術迭代的測算依據(jù)。同時，為避免自然月無用戶服務技術迭代而造成缺失數(shù)據(jù)過多的情況，對用戶服務技術迭代進行加1并對數(shù)化處理。

3.3.2跨社交媒體UGC信息分享

針對跨社交媒體UGC信息分享（AUGCS），由于已在數(shù)據(jù)采集過程中識別出了跨社交媒體UGC，因此，本文直接采用用戶對不同平臺的AUGCS的分享次數(shù)作為測量依據(jù)。

3.3.3感知有用性

先前的研究表明，用戶的點贊、收藏等行為可以反映用戶對UGC的喜歡和認同。因此，本文以UGC的點贊數(shù)、評論數(shù)、收藏數(shù)為指標，采用主成分分析法構建感知有用性。

本文對上述變量進行描述性統(tǒng)計、相關性分析和多重共線性檢驗，如表3～5所示。相關變量的相關性均不大于0.6，且VIF值均小于10。因此，本文的分析模型不存在多重共線性的問題。

3.4模型測量

本文采用多元回歸分析測量構建的跨社交媒體UGC信息分享模型，如式（1）和式（2）所示：

4實證結果

4.1固定效應模型

本文利用Stata進行分步多元回歸，并以跨社交媒體UGC作為聚類標準調(diào)整相關誤差統(tǒng)計量，結果如表6所示。在模型（1）中，本文在控制了平臺類型和UGC類型后，探究了平臺特征（PF、PA、UT）對感知有用性（PU）的影響，結果表明它們均對PU有顯著影響，且通過1%的顯著性檢驗。其中PF和UT為正向影響，PA為負向影響。在模型（2）中，本文引入了創(chuàng)作者層面和UGC內(nèi)容層面的控制變量，PF、PA、UT對PU的影響依舊成立。由此說明，H1、H2、H3等相關假設成立。此外，由模型（3）和模型（4）的系數(shù)對比可知，在引入PU后，PF的系數(shù)從0.818縮小為0.627．UT的系數(shù)從0.315縮小到0.145，這說明PU具有中介效應，H4成立。此外，模型（5）表明，PF、PA、UT與PU的交乘項對AUGCS的影響通過1%的顯著性檢驗，說明平臺特征具有調(diào)節(jié)效應。

4.2穩(wěn)健性分析

為驗證結果的穩(wěn)健性，本文進一步控制時間特征和創(chuàng)作者特征的影響。在時間層面，本文考慮年、月、星期等UGC的發(fā)布時間對模型的影響：在創(chuàng)作者層面，本文考慮除受社交平臺影響外的創(chuàng)作者固定效應。

4.2.1時間效應

由表7可知，加入年效應、月效應和星期效應后，PF的影響依舊顯著，PA對AUGCS的影響從顯著變?yōu)椴伙@著（未通過5%的顯著性檢驗），同時交互項也變?yōu)椴伙@著。由此推斷，PA對AUGCS的影響是由于時間差異造成的，PA并不會顯著影響AUGCSo此外，從模型（3）可知，在加入PU后，UT對AUGCS的影響由顯著變?yōu)椴伙@著，而UT又顯著影響PU（系數(shù)為0.432，t統(tǒng)計值為11.75），由此可以說明，在加入時間效應后，PU完全中介UT和AUGCS之間的關系。

4.2.2創(chuàng)作者效應

由表8可知，進一步考慮創(chuàng)作者效應后，PF的影響依舊顯著，而PA與UT的顯著性與考慮日寸間效應相同。同時，對比調(diào)整后的R方可知，隨著時間效應和創(chuàng)作者效應的引入，R方得到了提高，模型的解釋力增強。以考慮交互項的AUGCS模型為例，在表6中，其R方為0.608，加入日寸間效應后R方為0.658，加入創(chuàng)作者效應后R方為0.723。由此表明，考慮時間效應和創(chuàng)作者效應后，模型整體的解釋能力增強。因此，盡管本文未考慮用戶偏好特征的影響，但通過控制多重固定效應，解釋了AUGCS 72.3%的變異量，平臺特征的影響是顯著且關鍵的。

經(jīng)過穩(wěn)健性分析，本文重新審視提出的假設，如圖4所示。H1～H4均成立，H5a、H5c成立，而H5b不成立。此外，綜合上述分析可知，PF-PU-AUGCS為部分中介路徑，而UT-PU-AUGCS，PA -PU-AUGCS為完全中介路徑。同時，為進一步分析平臺聲譽（PF）和用戶服務技術迭代（UT）的調(diào)節(jié)效應，本文繪制調(diào)節(jié)效應分解圖。如圖5所示，PF和UT對PU和AUGCS之間的關系均為抑制效應。

5結論與討論

5.1研究結論

本文通過S-O-R理論框架構建跨社交媒體UGC信息分享行為的影響因素模型，并分析平臺特征對其的影響路徑。研究結論可從3個方面進行概述。

首先，平臺聲譽對跨社交媒體UGC信息分享行為具有顯著正向影響，而平臺關注度和用戶服務技術迭代對跨社交媒體UGC信息分享行為沒有顯著影響：其次，平臺聲譽和用戶服務技術迭代通過感知有用性部分中介影響跨社交媒體UGC信息分享，而平臺關注度則通過感知有用性完全中介影響被解釋變量。此外，平臺關注度是負向中介路徑，用戶服務技術迭代是正向中介路徑；最后，平臺聲譽和用戶服務技術迭代都抑制感知有用性對跨社交媒體UGC信息分享的正向影響。

對于平臺聲譽而言，用戶因受到聲譽系統(tǒng)的激勵和社會支持而增強對信息的感知有用性從而進行分享，也會因為聲譽系統(tǒng)的影響而直接進行信息分享。此外，關于平臺聲譽的負向調(diào)節(jié)作用，本文認為產(chǎn)生這一現(xiàn)象的原因是聲譽系統(tǒng)主要影響的是用戶信任，在聲譽高的平臺，信任的影響強度大于感知有用性的影響強度，從而抑制了感知有用性對跨社交媒體UGC的信息分享。

對于平臺關注度，研究發(fā)現(xiàn)它對用戶的感知有用性是負向影響。平臺關注度屬于平臺的外部信息環(huán)境，而外部信息環(huán)境比內(nèi)部信息環(huán)境更為復雜和不確定。同時，平臺的意外崩潰和負面消息都更容易激發(fā)外部搜索和討論，造成負向的外部性。本文梳理樣本發(fā)布期間，抖音和B站在微博熱搜上出現(xiàn)的原因，大部分都為負向因素。此外，在不考慮時間效應時，平臺關注度對跨社交媒體UGC信息分享的影響是正向顯著的?；仡櫰脚_的關注度變化，本文發(fā)現(xiàn)抖音關注度較高的時期是它承辦2022年世界杯直播的時段，B站則是在電競比賽的時候具有較高的關注度，而這些活動都是具有周期性的。這也進一步印證了為什么在控制時間效應后，平臺關注度的作用效果失效。

對于用戶服務技術迭代，本文研究發(fā)現(xiàn)，當未加入交互項日寸，它對跨社交媒體UGC信息分享的作用效果被遮掩。這一現(xiàn)象的原因可能是：①用戶服務技術迭代并沒有直接效應，其效應部分地體現(xiàn)在與其他變量的交互中；②關注表8模型（3）中的UT，其t統(tǒng)計量為1.55，接近5%的顯著性水平。而交互項的加入有助于減少因測量誤差導致的偏差，從而使得UT的t統(tǒng)計量從1.55變?yōu)?.67；③加入交互項后意味著模型設定的改變，交互項提供了更多的信息，使得模型的解釋能力增強（調(diào)整后的R方增加了3.4%）。因此，本文認為用戶服務技術迭代能對被解釋變量產(chǎn)生影響。同時，用戶服務技術迭代具有負向調(diào)節(jié)感知有用性和跨社交媒體UGC信息分享之間的關系，這一效應與平臺聲譽的影響類似，存在一個由用戶服務技術迭代驅動的關鍵機體變量。

5.2研究意義

本文具有實踐意義：①對于社交平臺而言．優(yōu)化用戶服務技術，激發(fā)內(nèi)在信息環(huán)境的聲譽優(yōu)勢，控制負面輿論造成的關注度，能有效地在用戶跨社交媒體場景下，影響用戶的信息分享行為；②對于創(chuàng)作者而言，在低聲譽平臺中更關注UGC的感知有用性，能形成更具規(guī)模的分享效應。區(qū)別于OhS等、Ham C D等關于心理動機因素的研究，本文的研究結論能更為直接地為社交平臺和內(nèi)容創(chuàng)作者提供指導，啟發(fā)社交平臺的用戶管理和內(nèi)容創(chuàng)作者的粉絲管理形式，并對內(nèi)容創(chuàng)作者理解跨社交媒體信息分享提供信息環(huán)境層面的思路。

本文具有理論意義：①針對用戶跨社交媒體場景，提出“匹配一融合一回歸”的實證分析思路，即先匹配跨社交媒體信息，再融合不同社交平臺的數(shù)據(jù)形成面板數(shù)據(jù)集，最后利用回歸分析檢驗相關假設：②豐富了S-O-R理論在跨社交媒體場景中的應用，構建了跨社交媒體UGC信息分享模型，豐富了信息分享的理論研究：③揭示了平臺特征對用戶信息行為的作用路徑，為理解平臺特征與用戶信息行為之間的互動提供理論工具。本文相較于Shang S等的研究，進一步細分了平臺特征的類型，在拓展其研究思路的同時，提出新的實證分析思路。此外，本文的研究是對平臺異質(zhì)性的深入探索，與社交媒體信息行為元分析的相關研究結論相呼應，并從外部、內(nèi)部和技術3個層面做了全面分析，為學者理解、構建和分析信息環(huán)境層面的影響因素提供了參考。

5.3研究局限

用戶跨社交媒體是一個復雜的場景，在此場景下衍生出的信息行為也更為復雜，故本文的研究存在局限性。首先，僅關注了中國的社交媒體，這一結論在不同文化背景下的可遷移性尚處于未知：其次，僅考慮了具有競爭性的兩個社交平臺，未對互補性的社交平臺進行探究，因此忽略了社交平臺之間的互動；最后，未考慮用戶偏好和信息需求，因此需要采用不同的研究方法進行進一步的探索。綜上所述，未來研究可基于平臺維度進一步豐富面板數(shù)據(jù)集，并充分考慮UGC多元化的媒介載體，以及在不同文化背景下的理論延伸。