目前，知识贡献影响因素的相关研究成果较为丰富，Wang等^[2]将影响用户知识贡献的相关因素总结为环境、用户自身、网络特征及心理动机。Guan 等^[3]则将影响因素归纳为用户个人特征、网络特征及心理激励。随着知识付费时代的到来，经济利益也成为影响用户知识贡献的重要因素之一。虚拟社区知识贡献的影响因素主要包括：用户个体特征因素、社交网络因素、心理激励因素、物质激励因素四个维度。

1.用户个体特征因素

有学者研究发现，利他信念、自我效能、信息开放、互惠信念及社区归属等用户个人特征均会对用户知识贡献存在影响。利他信念反映了为他人付出而不求回报的善意^[4]，利他信念较高的用户对应的社区活跃度及与其他用户的互动频率也较高^[5]；自我效能表现为用户对自身能力的评价与自信程度，自我效能较高的用户往往在贡献知识的数量方面会明显大于自我效能偏低的用户^[6]；信息开放则表现为用户向社区公开自身信息的意愿程度，信息开放意愿高的用户对应的社区互动及知识贡献意愿均较高；互惠信念反映了用户间依据所得为对方提供资源的意愿强弱，互惠信念高的用户往往在情感网络中心性和知识分享关系中发挥着更为重要的作用^[7]；而社区归属感较高的用户则有助于社区的长期发展及优质知识内容的创作，用户的社区归属感高低与所处的社会网络位置均会显著影响其行为倾向^[8]。

2.社交网络特征因素

研究发现社会关系数量及社会曝光等因素对用户知识贡献行为存在影响。社会关系数量反映了用户在虚拟社区内与其他用户构建的社交互动数量，社会关系数量越多的用户往往对知识有用性的认知程度也越高。社会曝光强度表示用户贡献知识在社区中被其他用户浏览获取的次数，其将显著影响用户在社区的活跃度与参与行为^[9]。部分用户会提升知识贡献数量与质量，以达成高社会曝光的目的，继而获取金钱、名誉等收益^[10]。

3.心理激励因素

这一细分领域学者的研究视角主要集中于信任及感知成本收益维度。信任能够体现社区、用户间的信赖认可程度，用户的被信任水平越高，其知识贡献行为则会更为频繁^[11]。感知成本收益能够帮助用户提升对知识特权收益或丧失的感知，继而促进或抑制用户知识贡献意愿与行为^[12-13]。

4.物质激励因素

相较于免费知识，进行付费知识贡献可以获得金钱物质报酬，对社区中的活跃及非活跃用户均将产生正面激励作用^[14]。Kuang等^[15]的研究表明，金钱激励措施增加了用户的自愿知识共享和社会互动行为。相关研究发现，提问者高价的提问会刺激回答者在问题回复上投入更多时间，而经济奖励高低对回答质量没有直接影响^[16]。

激励机制研究早期源自于企业组织管理，有学者围绕虚拟社区激励机制设计问题展开了大量研究。设计合理的激励机制对虚拟社区发展至关重要：一方面，虚拟社区的“公共品”性质，导致用户的知识贡献行为难以持续；另一方面，不合理的激励机制设计可能造成适得其反的效果，继而导致用户流失。例如：Halfaker^[17]的研究发现，维基百科的质量控制机制在新用户留存方面就产生了负面作用。

许多激励机制对社区用户的知识贡献行为有一定作用，一些学者从定性和定量两个视角对此进行了研究。在定性方面，Purvis^[18]认为虚拟组织缺乏正确引导用户知识共享行为的能力，在体制上没有提供知识贡献者的奖励制度。Sun^[19]从持续参与动机角度定性描述了奖励机制对知识共享行为的影响机制。在定量方面，需要结合用户真实行为数据进行解释。Thelwall^[20]围绕用户发布的第一篇内容和收益信息进行研究后，认为仍不能明确以代币为核心的激励方式是否有效促进了内容生成。

从现有知识贡献激励机制的方法观察，部分学者针对用户的问答过程进行委托代理分析，例如王慧贤^[21]基于委托代理理论，根据用户贡献的动态行为过程，研究了个体用户的搭便车行为；程中月^[22]探讨了网络外部性下不同风险偏好的直播平台激励策略。按社区发展阶段进行完全/不完全信息动静态博弈，例如王健^[23]应用四种不同条件下的博弈模型对虚拟学术社区中知识贡献用户间的博弈收益进行了分析。郝琳娜等^[24]建立了解答者之间的Nash博弈模型及发包商与解答者之间的Stackelberg博弈模型，计算众包竞赛虚拟社区中解答者的最优努力程度、最优知识共享水平和双方的最大化收益，并给出参与人数对解答者收益影响的算例分析。或通过结构方程模型对知识贡献影响因素展开探究，并提出相关建议，例如谭旸等^[25]探究了学术虚拟社区的激励机制对用户感知知识贡献效果的影响。此后，从激励系统全局视角出发，一些学者围绕影响因素进行系统动力学激励仿真，并根据模拟结果提出采用积分悬赏、金钱激励等措施，对用户知识贡献行为予以激励，以提升用户的知识贡献意愿。

系统动力学在知识管理领域逐渐得到关注与应用，有学者由此着重探讨了如何提升组织成员的知识贡献：其一，部分学者将其应用于学习型组织的知识贡献激励研究领域，李志宏等^[26]构建了高校科研团队隐性知识共享系统动力学模型，有效提升了高校科研团队内部的隐性知识共享程度。陈怀超等^[27]构建了知识转移情境下母子公司知识转移的系统动力学模型。其二，有学者则将研究视角集中于网络平台/虚拟社区。王小立^[28]构建出百度“知道”知识系统，分析探讨了影响其知识传播的相关因素。钟炜等^[29]构建出开放式创新社区网络平台中的知识共享系统动力学模型。其三，还有学者则在明确虚拟社区角色及子系统构成的基础上，利用系统动力学的理论方法详尽分析了虚拟社区知识贡献过程，建立与研讨目标一致的知识贡献理论模型，并通过仿真研究定量探讨了知识转移效用。基于虚拟社区用户细分的知识系统动力学模型要素总结如表1所示。

综上所述，目前多数学者借助博弈论、委托代理理论及系统动力学等方法，通过博弈分析或激励因素仿真分析，进行知识贡献激励机制设计与效用评价。主要聚焦于知识贡献意愿激励，继而影响知识贡献特征，实现角色间的流动转换，提升知识贡献过程的效率。然而，对贡献知识的质量与所收获的声誉报酬之间的激励鲜有涉猎，而用户获得的声誉报酬恰好会对社区话题讨论热度等产生影响，继而调整群体间的流动转换速率。为解决此不足，本文不仅考虑了知识贡献意愿层面的激励要素，同时考虑了影响用户获取声誉报酬的知识贡献质量激励要素，使知识贡献激励体系更具完整性，以行之有效地针对不同群体的知识贡献需求实现差异化激励。

本文爬取了社会化问答社区——“知乎”平台七大热门版块中4 416名用户的行为数据，通过两步层次聚类方法对研究样本进行划分，并采用配对样本t检验对细分群体的差异显著性进行验证，将社区用户群体划分为五种类型，分别是：头部大V、腰部KOL、兴趣型忠诚用户、高质量专业用户及沉睡流失用户，并基于用户个人特征因素、社交网络特征因素、心理激励因素及物质激励因素维度，从利他信念、自我效能、信息开放、互惠信念、专业程度、社会学习、社会曝光、身份信任、社会比较及经济利益10个细化因素出发，探究完全开放情形下细分群体流动及知识扩散在各要素影响下的变化特征，从而对社区用户的知识贡献行为做出预判，继而为提升社区群体知识贡献效用指明方向。知识贡献系统理论模型如图1所示。

图 1知识贡献系统理论模型

为实现上述理论模型，本文从以下几方面进行分析：第一，明确问题并确定系统构成及边界；第二，分析系统各变量间的反馈回路，构建因果关系图与系统流量存量图；第三，明确变量间的数量关系，构建方程并进行参数估计；第四，运用Vensim PLE系统动力学软件对各项激励政策进行仿真分析。

在社会化问答社区知识贡献激励系统中，推动系统演化的主体包括五类细分用户群体，通过“问—答”互动模式，贡献知识并收获点赞、名声及金钱等声誉报酬。由于本文聚焦研究知识贡献激励情况下的细分群体演化特征，因此，对应系统边界范围涉及到五类细分群体知识贡献（数量及声誉报酬）影响因素有关的实体，并对应如下假设：

假设1.用户群体的知识贡献数量会受到知识贡献意愿和自身知识水平的影响，知识贡献数量=知识贡献意愿×知识水平。在用户自身拥有知识量不发生改变的情况下，其贡献意愿越高，最终其知识贡献数量就会越高。知识量与知识贡献意愿将依据群体特点确定，并在仿真知识量参数设置中予以体现。

假设2.用户群体的知识贡献报酬受用户群体的知识贡献数量以及质量两方面影响。在知识数量一定的情况下，贡献质量越高，收获的知识贡献报酬就越高。知识贡献质量依照群体认可度确定。

假设3.社会化问答社区各类细分群体间存在相互转化。系统内用户增长来源于新注册用户及外部专家的引入，各类细分群体的流失聚焦于群体间的转化流失。

假设4.不同类型的用户群体参与知识贡献受到多种激励因素影响，不同激励因素可能对知识贡献意愿及质量均产生影响。为保证建模时系统的有效性，针对各类用户群体的主要激励需求，只考虑对该类群体知识贡献意愿或行为造成显著影响的主要因素，忽略其他非显著因素；同时坚持系统动力学建模的目的性原则，除部分激励因素外其他因素均不随时间或其他变量的变化而改变。

假设5.知识贡献数量与声誉报酬会对细分群体间转换速率、新用户注册率、专家引入率及部分激励因素（社会学习、社会曝光、身份地位、社会比较、利他信念、社区归属及经济利益）产生正向影响。群体间转换率则会受到声誉报酬或贡献知识数量的影响，即数量越高、声誉报酬越高，细分群体间转换动力系数也越高。

综上分析，从系统目的、构成、边界与运行等层面对模型系统加以界定，如表2所示。

在构建激励机制之前，首先，对社区细分群体间的群体流动过程予以探讨。在社会化问答社区中，讨论的问题及回复均来自于五类细分群体贡献的知识，而这些知识源自于细分群体自身对该类问题认知理解的程度。在完成知识贡献后，其他用户在浏览获取该条知识时，会依据其质量好坏给予“点赞”“收藏”或“喜欢”等不同声誉奖励。声誉报酬将影响用户后续是否持续进行知识贡献，继而刺激不同细分群体间的转换，影响群体用户数量。在此，本文认为用户群体特征决定了该类群体的知识贡献量及意愿，通过对群体的知识贡献意愿进行激励后，知识贡献数量得以提升。基于此，对知识贡献质量的激励使得用户知识贡献获得的最终声誉报酬得以提升，实现长尾用户角色的转化，从而刺激社区间知识要素的流动。另外，考虑到知识付费背景下用户从免费知识贡献到付费知识贡献的观念转移行为，当用户获得的社区资本超过一定阈值后，将开始尝试从无到有的付费知识贡献。因果关系如图2所示。

图 2细分群体子系统内部因果关系图

社会化问答社区细分群体知识贡献激励系统的各子系统间存在关联，子系统间彼此相互影响，其耦合关系主要依据细分群体数量创建。在该过程中，当长尾用户的知识贡献数量及声誉报酬超过一定阈值后，知识贡献特征较之以往发生变化，贡献不同层次的知识量、获取不同等级的声誉报酬，继而受到激励向更高等级用户群体进行转化，从而表现出社区行为上的差异，并实现如图3所示的群体间转换。

图 3细分群体子系统间的转换流动

综上所述，本文将社会化问答社区知识贡献激励系统分为五类细分群体子系统，子系统间通过转换速率连接。各类细分群体内部用户所拥有的知识量及贡献意愿将对其最终的知识贡献数量产生直接影响，而声誉报酬对细分群体间的转换动力系数产生直接影响，继而建立起模型的内外部联系。总系统的因果关系图如图4所示。

图 4社会化问答社区细分群体知识贡献因果关系

基于群体知识贡献因果关系，对社会化问答社区知识贡献激励机制展开设计，反馈联系如图5所示。

图 5激励机制反馈联系图

社会化问答社区激励机制系统主要由各类细分群体的不同知识量、知识贡献意愿、知识贡献质量、激励因素以及这些激励所产生的输出结果（知识贡献数量与声誉报酬）组成。对系统整体结构进行分析，以各类细分群体的需求即相应的激励因素为主线，建立社会化问答社区细分群体知识贡献激励机制系统因果关系模型，如图6所示。

图 6知识贡献激励机制因果关系图

在因果关系图的基础上，绘制社会化问答社区细分群体知识贡献激励主系统及其内部子系统的系统流图。因果关系图无法反映各变量间的具体数量关系及反馈回路的动态变化情况，因此，需要通过系统存量图对变量间数量关系进行具体刻画。表3呈现了流图中的变量名称、符号和取值分布等，其中包括16个状态变量、12个速率变量、5个常量及28个辅助变量。细分群体间转换流失速率变量的大小，将直接影响细分群体间用户数量存量水平。其中，头部大V、腰部KOL、高质量专业用户、兴趣型忠诚用户及沉睡型潜水用户编号为V(大V)、K(KOL)、E(Expert)、L(Loyalty)、S(Sleep) 。

细分群体间转化动力系数是指某类用户向另一类用户转化的概率系数。本文假定社区群体转换由知识贡献参与度低、获得声誉报酬较少的长尾用户转型为参与度较高的核心用户。转换系数会受到知识贡献数量或声誉数量的影响，即两者数量越高，转换动力系数也越高，成正比关系。

为表示社会化问答社区中的积累状态，将细分群体数量、知识贡献数量以及声誉报酬数量定义为存量，分别用以表征细分群体流动能力、知识扩散能力及声誉累计能力。其一，在细分群体数量存量中，将群体用户数量的转换、流失定义为流量，它们之间的协同互动影响着细分群体用户数量的变化；其二，在知识贡献数量存量中，将知识贡献意愿作为流量；其三，在声誉报酬数量存量中，将知识贡献质量作为流量。在转换连接方面，其一，知识贡献及声誉报酬通过群体转换动力系数对群体转换速率产生影响，知识贡献数量增多表明用户对社区知识贡献参与积极性与产出的增长，社区知识话题存量会相应得以提升，继而吸引更多新注册用户，扩展社区受众的使用范围，推动细分群体间角色的转化；其二，声誉报酬提高及网络媒体报道量增加，也会相应提升关注度，并有利于其他社区高流量高影响力的明星用户加入社区，这些变量间的相互关系确定了知识贡献激励的机理。通过上述分析可知，知识贡献激励机制的存量流量图如图7所示。

本文的参数估计方法包括：其一，借鉴已有知识贡献激励机制的研究成果，并通过电子邮件咨询专家意见，采用专家打分法确定相关参数。经过三轮打分并获取评分均值，继而对细分群体知识量、群体间转换阈值、转换速率、流失速率、专家引入率及新用户注册率等参数进行优化调整。其二，利用数据挖掘方法，爬取并分析社会化问答社区知乎平台的用户行为数据。例如，对用户数据进行群体画像，确定各类用户群体的比例分布，根据真实数据量化社区激励因素，通过实证回归分析确定相关因素的影响系数等，继而确定细分群体的知识贡献意愿及质量。主要的方程设置如表4所示。随着社会化问答社区的发展，部分激励机制将得以完善，细分群体的知识贡献意愿、转换速率及激励因素均将逐步提升，因此，利用表函数表示细分群体随时间推移所发生的变化。

图 7系统流量存量图

本文以社会化问答社区“知乎”为例，将仿真时间设定为60个月。本文时间步长设置为 0.062 5，到第60个月仿真结束。由此，得出各类细分群体（沉睡型潜水用户、兴趣型忠诚用户、高质量专业用户、腰部KOL、头部大V）数量在各种激励因素下的仿真结果，如图8所示。

图 8社区细分群体数量变化仿真

根据仿真结果分析，五类细分群体的数量均得以提升。其中，腰部KOL与头部大V的增长速度较快，斜率呈现出由缓变急的趋势，相比核心用户的缓急增长，长尾用户则平稳递增，具体增长幅度如表5所示。这一结果证实了知识贡献的确有助于不同类型的细分群体转化。以上的仿真结果为服务商提供了政策层面的管理启示，即提高用户知识贡献意愿及内容质量，可以有效促进社区内长尾群体的资本积累与逐级演化。

由图9可以看出，随着社区发展，深度用户的付费知识贡献将逐渐增多，这不仅表现出头部大V付费知识贡献意愿的提升，也反映出腰部KOL的知识贡献观念随社会资本积累，其对应的知识贡献行为由“免费”逐步过渡至“付费”，并实现自身流量价值变现，推动免费报酬向物质报酬转化，进一步开拓出知识付费的下沉市场。

图 9付费知识贡献数量仿真

为保证模型系统变化合理描述真实世界的系统变化规律，通过系统动力学建模软件 Vensim 对模型进行检验，具体方法包括以下几点：

1.边界适当性测试

针对不同激励因素通过对社区用户知识贡献数量及声誉报酬的影响，继而对群体间的转换速率造成影响，结合实证分析及专家访谈等方法，参考前人研究文献及专家意见，确定系统主要的内生外生变量，反复检查建模过程可能被忽略的重要反馈回路，在确保模型完整性的基础上，构建模型边界、因果图和流图。

2.量纲一致性测试

通过反复梳理并明确概念，检查各方程变量单位，减少变量数值及量纲与实际情况的偏差，运用Vensim软件对量纲多次调试完善，继而确保量纲的一致性。

3.参数估计测试

本文收集知乎社区的历史数据，在部分实际变量变化规律的基础上，通过相应参数估计及反复调试修正，进而确保模型符合实际情况。

在社会化问答社区激励因素对用户知识贡献行为影响模型的基础上，为调节利他信念、自我效能、信息开放、互惠信念、社区归属、社会学习、社会曝光、身份地位、社会比较及经济利益等因素，观察各类细分群体的知识贡献数量及获取的声誉报酬的变化情况。激励因素按增减10%的变化幅度进行系统仿真，调节某一类群体激励因素时其他激励因素及变量保持原值不变。通过改变激励因素观察主要参数变化情况，对比仿真结果，进行相应政策的模拟分析。

1.头部大V激励政策分析

对于头部大V而言，其核心激励因素包括自我效能与经济利益。头部大V的知识贡献观念已经实现了从免费到付费的过渡，经济利益在其知识贡献意愿中占比较大。同时头部大V会因为对自身水平的自信，自发进行社区知识贡献，而多数自我效能展示渠道需使用音频或视频作为载体，将耗费较高时间精力成本，以完成音视频剪辑及内容制作，所以，自我效能能够显著提高知识贡献意愿。将自我效能、经济利益分别提高和降低10%，由图10可以发现自我效能的影响更为显著。

图 10头部大V知识贡献激励仿真

相较于经济利益，通过提高领袖的自我效能感，将能更为有效地激发其创作意愿，继而提升其知识贡献数量。这一研究结论说明，社区管理者单纯依靠高经济利益吸引头部大V创作的激励方式，无法达成促使优秀内容流动的目标。内容生产者进入的行业越多，社区知识同质化现象将无可避免地增加，表征为大众化、覆盖面广等特性，无法满足用户深度学习的需求，不利于提升用户忠诚度。因此，垂直化、细分化正成为头部大V的转型发展趋势。正如陆续涌现的大量专注于IT、职场、金融、健康等热门领域的自媒体和大V，其注重自身自我效能的发挥，能够结合自身所长精准地解决用户的核心知识需求。

2.腰部KOL激励政策分析

对于腰部KOL而言，其核心激励因素包括社会比较、身份地位及经济利益。身份地位对知识质量造成影响的原因源自以下两个方面：其一，个人形象危害风险的提高。当用户受到身份认同激励后，其所对应的社区行为规范约束将会增加，因此，将更加注重维护社区形象。为避免形象造成伤害，这些获得激励的用户会选择减少回答把握偏低的问题，进一步自主把控知识质量。其二，根据马太效应，用户在社区中的影响力越大，其所获得的社区流量扶持资源就越多，用户平台价值得以发挥的空间也越大。社会比较对知识质量造成的影响则是因为社会化问答社区中的知识贡献机制类似众包模式，已有问题的回复会对现有回复产生影响，已有知识贡献被认可程度越高，其面临比较的压力越大，用户持续回答该问题的热情就会降低。倘若用户决定继续贡献自己的回复，会付出大量时间精力来提升知识质量。将社会比较、身份地位与经济利益分别提高和降低10%，从图11可以看出，相较于身份地位及社会比较，经济利益的影响更为显著。腰部KOL随着社区资本的积累，已经处于付费知识贡献的临界点，其知识贡献观念逐步转化为“流量变现”，此时，不菲的经济收益更能激发其提升知识贡献质量，实现从无到有的观念转移与突破。目前多数KOL贡献知识大多凭借个人IP效应吸引粉丝阅读或观看，存在贡献的知识含金量不高、内容较为肤浅以及难以体现专业度等问题。然而，知识付费者优先考虑的是知识贡献者的专业度与内容质量，其次才是口碑与知名度等。

3.高质量专业用户激励政策分析

对于高质量专业用户而言，其核心激励因素包括互惠信念及利他信念。在社会化问答社区中，问题对个人知识专业、准确性有着较高的要求，需要考虑在线学习者的知识水平和学习能力。随着在线学习者知识参与的逐渐频繁与深入，应求知识贡献会呈现出跨领域趋势，造成知识质量的下降与贡献数量的减少，从而对知识贡献意愿产生负面影响。而对高质量专业用户而言，其更加缺乏知识贡献的主动性与积极性，增强利他信念有助于知识贡献意愿的提升。虽然知识获取者在收到高质量的回复答案后会造成用户对自身专业技能的感知偏差，从而降低知识贡献的意愿，并对其后的知识贡献行为产生负面影响^[37]，但对高回馈信念的社区用户而言，在收到积极反馈回复后，其知识贡献意愿反而会得到显著增强，更愿意将经验见解反馈给其他用户。将互惠信念及利他信念分别提高和降低10%，从图12可以看出，互惠信念的影响更为显著。对于该类群体的激励核心是刺激其从单向输出向双向互动的社群化升级，满足其从知识到泛知识的发散性需求。该类用户具备较高的专业素养，注册之初多是被某些话题吸引而来，着重考虑挖掘他们的发散性社交需求，实现非IP内容导流，加强其社区参与后的成就感。

图 11腰部KOL知识贡献激励仿真

图 12高质量专业用户知识贡献激励仿真

4.兴趣型忠诚用户激励政策分析

对于兴趣型忠诚用户而言，其核心激励因素包括社会学习及社会曝光。就社会学习而言，社会学习的增多会导致知识贡献者注意力焦点的改变。随着社会学习的深入，其注意力焦点更多转移至其他用户贡献的知识上，其时间精力受到限制^[38]，会进一步减少低质量内容输出，提升知识贡献质量增加获取报酬。就社会曝光而言，社会曝光的影响则可通过旁观者效应进行解释，在现场旁观者的数量会对亲社会行为造成影响，知识贡献者作为理性人在面对高曝光度问题时，其知识贡献意愿降低，并将考虑提供高质量知识继而吸引关注曝光。此外，对于曝光度较高的问题，参与知识贡献的用户数量较多，对参与者而言其在高曝光度问题下的应求型知识贡献收益将会提高。如图13所示，将社会曝光及社会学习分别提高和降低10%，后者的影响更为显著。目前知识贡献门槛过低且缺乏规范监管，导致大量知识贡献者涌入，知识内容包罗万象但质量参差不齐。用户追求高质量声誉报酬依赖于内容质量评价标准的建立和内容筛选，如何建立有效的内容筛选和推广体系，使得兴趣型忠诚用户提升自身专业水平是该类群体亟待解决的关键问题。

图 13兴趣型忠诚用户知识贡献激励仿真

5.沉睡型潜水用户激励政策分析

对于沉睡型潜水用户而言，其核心激励因素包括社区归属及信息开放。就社区归属而言，多数沉睡型潜水用户都是新进入社区的初级用户，其社区归属感较低，往往知识贡献数量及收益较低，归属感的提升有助于提升用户的社区体验，获得更多社区特权及优惠，继而激发与增强用户的知识贡献意愿^[39]，加深用户与其他用户的交互程度，更易获得其他用户的点赞、收藏等声誉报酬。就信息开放而言，清晰描述身份有益于建立良好的人际关系，用户的个人信息披露可有效衡量其在线声誉。因此，社会化问答社区中用户的个人信息披露程度越高，其单次知识贡献的声誉收益也会越高。将社区归属及信息开放分别提高和降低10%，从图14可以看出，信息开放对知识贡献意愿及质量的影响均更为显著。这说明只有完善社区信息公开机制，做到及时透明、顺畅沟通，才能更好留存新注册用户。

图 14沉睡型潜水用户知识贡献激励仿真

本文基于细分群体的激励需求因素，考虑群体间的流动转换及报酬对激励因素的影响关系，建立了社会化问答社区知识贡献激励系统动力学模型。在确定系统边界的基础上，对系统运行提出相关假设，明确各类细分群体的内外部反馈回路，分析各类激励因素与知识贡献意愿与质量间以及各类细分群体间的因果关系，构建出社会化问答社区知识贡献系统动力学主系统及细分群体子系统模型。

根据细分群体转换速率与知识数量、声誉报酬之间的相互作用关系及其仿真结果可以得出以下结论：随着社会化问答社区的发展，社区的知识贡献数量与报酬均呈现上升趋势；深度用户数量逐渐增多，原有的长尾用户群体被稀释，“去中心化”过程逐步深化，社区优质内容流动效率明显提升；通过提高长尾用户的内容生产质量及意愿，刺激深度用户由免费转向付费高质量内容创作，以实现社区用户的内生转化，从而建立知识付费背景下的社区新格局。由此，建议社区管理者完善信息披露机制，以激励长尾用户，增强其信任归属感及认同感；打造高质量知识评价反馈体系；拓展PGC“知识+”多元化贡献矩阵。对于核心用户激励，则需要优化知识分发推荐机制。对于激励机制设计，需要结合科技赋能，布局线上线下全场景，打造知识贡献良性氛围。

本文仍然存在以下局限：其一，尽管本文采集了社会化问答社区中产生过知识贡献的用户群体数据，并对社区内所有知识贡献群体进行了细分研究，但实际上社区中还有未进行过知识贡献的高忠诚度潜水型用户，或许针对这些用户的知识贡献激励机制研究也将有助于社区的长久发展。未来将考虑针对潜水型用户的实验研究，以挖掘其可能的知识贡献驱动因素及转化机制。其二，在单个用户进行知识贡献时，平台推荐、话题实时热度等均会动态影响用户的知识贡献行为，本文目前主要使用截面数据对其激励机制设计进行研究，尚未全面覆盖到这一动态变化过程。未来将考虑爬取用户的动态数据，以探究上述因素对知识贡献造成的动态影响。其三，尽管本文充分结合实际情况进行了参数估计，尽力降低了主观偏误，但仍无法杜绝所有可能的测量误差。未来将对参数估计进一步予以优化调整。