■肖舒婷 刘伟
　　［本文提要］本文基于 2020 年至 2021 年中国县级政府官方微信公众号的推文数据， 考察地方政府在社交媒体平台中的政治传播内容与行为，比较了不同传播策略对民众注意力和政府影响力的影响。标题党策略和议题党策略均为中国地方政务新媒体的常用传播策略，但标题党策略却并未吸引更多的民众注意力。在主要议题中，政务信息、经济社会发展、公共服务、文化历史类的议题能获得更高的阅读量，相较而言，民众较少关注主流价值观类的信息。文章认为，民众会依据自己的需求和偏好来选择要阅读、分享与点赞的信息，媒介逻辑和受众逻辑对于中国地方政府政治传播的影响程度在不断加深。
　　［关键词］政治传播 政务新媒体 县级融媒体 标题党 议题党
　　
一、引言
　　近年来，随着微博、微信、抖音、哔哩哔哩等社交媒体平台的兴起，中国地方政府在各社交媒体平台开疆拓土，建设全方位的融媒体矩阵。社交媒体不仅在民众日常生活中发挥着重要作用，也能够帮助政府提升行政效率与透明度，提高民众对政府的信任度以及促进民众进行政治参与等（Mergel，2013；臧雷振，2016；王薪喜，孟天广，2021）。可以说，社交媒体对中国的政治与社会都产生了深远的影响，不仅影响了政府的政治传播行为，也在一定程度上塑造了民众的政治行为与心理。与此同时，在中国政治体制中，上级政府对于下级政府的激励与考核也影响着下级政府的政治传播行为，促使地方政府使用多种媒介策略以吸引民众的注意力，提升其社交媒体账号的影响力，从而在政绩考核中取得更好的成绩。那么，媒介策略究竟在中国的政治传播过程中扮演着什么样的角色？又发挥着何种效用？本文结合中国地方政务新媒体经验资料展开量化分析，旨在考察地方政府在社交媒体中的政治传播行为及其效用。
　　具体来说，本文主要比较分析了中国地方政务新媒体常用的标题党和议题党策略是否获得了所期待的传播效果。在此基础上，进一步分析地方政府政治传播过程中政治逻辑与媒介逻辑所发挥的作用。为此，本文采用分层随机抽样的方法，抽取中国100个县（区）级地方政府的官方微信公众号作为样本，分析2020年9月20日至2021年9月20日一年内官方微信公众号的推文，通过比较宣传主题以及阅读量、在看量、点赞量等指标来回答上述问题。总而言之，本文试图揭示地方政府如何增强其在社交媒体平台的影响力，并初步描绘中国地方政府在社交媒体中与民众沟通的逻辑，以期理解竞争性环境中的政府传播行为。
　　
二、社交媒体中的民众注意力与政府影响力
　　社交媒体是民众获取政治信息、展开政治讨论与政治参与的重要平台与空间。相较于传统媒体，当前大多数中国人倾向于从社交媒体中获取新闻与信息。据《第51次中国互联网络发展状况统计报告》统计，截至2022年12月，我国在线政务服务用户规模达9.26亿，网络新闻用户规模达7.83亿（中国互联网络信息中心，2023）。随着越来越多的民众选择在网上办理政务，或是通过网络寻找新闻与信息，当代中国政府越来越重视在社交媒体中与民众进行政治沟通。社交媒体已经成为政府与民众直接沟通和互动的重要平台，是重塑政府-民众关系、提升政府治理能力和持续生产政治合法性的重要渠道（Schlger & Jiang，2014）。
　　（一）社交媒体中的“无限”信息与“有限”注意力
　　在数字媒体时代，来自各类社交媒体平台的多样信息充斥着民众的眼球，民众注意力明显处于超负荷状态（兰斯·班尼特，2012/2018：9）。在此背景下，政务新媒体就需要运用各种媒介策略与其他账号和信息竞争，从而获得民众的注意力分配。家长式的政治话语往往无效（Blumler & Kavanagh，1999），为此，政府会通过有趣的、民众易于理解的方式来传递信息，从而赢得民众的关注和喜爱，进而确立其在社交媒体这一公共领域中的地位。学者对中国政府政治传播内容与模式的分析结果表明，政务新媒体发布的内容变得越来越多元，也越来越多地采取更接地气、更有亲和力的宣传方式（邵梓捷等，2015；孟天广，郑思尧，2017）。由此可见，媒介逻辑对于政治话语的传播发挥了越来越重要的作用。学者们发现，政治机构日益依赖媒介并受其影响，大众媒介对宏观政治有着显著影响，媒介在政治运作过程中扮演着重要角色（Green-Pedersen & Stubager，2010）。
　　与此同时，新闻传播的专业规范也在不断适应社交媒体平台的传播特质（Hermida， 2010）。有学者指出，社交媒体不仅是新闻传播的平台，也是新闻生成的重要空间（谢静，2016），民众在社交媒体中的分享与点赞能够扩大其注意力的影响范围。因而，在数字媒体时代，民众不是被动的信息消费者，而是积极地理解并生产信息（Hermida & Thurman，2008）。社交媒体成为民众分享、讨论与生产信息的公共领域（Hermida et al.，2012）。民众个人不仅意识到他们具备在众多信息中进行选择的能力，而且也越来越意识到他们做出的选择和内容分享能够影响他人的注意力分配（詹姆斯·韦伯斯特，2014/2017：24-27）。同时，其行为数据也能够帮助地方政府和媒介平台完善其政治传播方式。因而，政府不仅要了解民众信息消费的主要内容和特点，也要了解民众行为背后可能传递的信息。在实际研究过程中，学者对民众注意力的测量主要通过受众的在线行为（如点赞等）来构建（Haro-de-Rosario et al.，2018）。同时，学者认为，阅读、点赞、分享等受众行为对于社交媒体平台如何呈现内容、民众如何看待内容等发挥着重要作用（Zhang et al.， 2018）。由此，本文将客观可见的受众行为指标，视作民众注意力分配的测量标志，试图分析政府如何通过媒介策略来吸引、聚集和扩散民众的注意力，进而提升其在社交媒体平台中的影响力。
　　（二）标题党策略与议题党策略
　　《牛津英语词典》对标题党（clickbait）的定义是“以鼓励用户点击链接为主要目的的互联网内容，尤其是该网页被认为是低质量或低价值的情况下”（Oxford University Press， 2023）。所谓“标题党”策略主要体现为信息生产者为诱导访问者点击其信息内容而设计的一种标题写作风格（邓建国，2019）。学者认为，标题党是因“好奇心鸿沟”而带来的一种认知现象，在访问者未点击链接以前，标题等信息使得访问者产生了好奇心，从而使得他们为满足好奇心而点开链接（Potthast et al.，2016，2018）。标题党的常见策略是复杂的句式、较短的平均词长，同时会使用传统标题中并不常见的词或标点符号，比如名词、代词、副词、省略号、夸张用语、网络俚语、感叹号、问号等（Chakraborty et al.，2016；Lu & Pan，2021）。实证研究表明，地方政务新媒体使用标题党策略通常能收获更高的点击率（Lu & Pan，2021）。不过，也有学者研究发现，标题党策略的使用与阅读量之间存在倒U型关系，也就是说，标题党可能在短期内吸引民众阅读，但持续使用这种策略则可能产生相反的效果（Zhang et al.，2020）。这是因为大部分标题党信息的具体内容与受众的期待有一定差距，甚至被认为有着较低的质量和可信度（Molyneux & Coddington，2020）。
　　马克斯韦尔·麦库姆斯（Maxwell Mccombs，2004/2008，序言：7）认为，“新闻在很大程度上基于讲故事的传统，但是，好新闻不仅仅是讲故事，而且是讲述那些对公民具有重要意义的故事”。因而，新闻信息的主题也是影响读者是否点击或阅读文章的重要因素。研究发现，能概述文章主要信息的标题（例如，美国经济即将再次繁荣），可以增加受众对于新闻的参与度（Scacco & Muddiman，2020）。与此同时，学者发现，用户更喜欢高质量的、有用的且具备说服力的信息（Chang et al.，2015）。民众是否转发推文，与发布者的社交网络背景、推文所包含的信息内容和信息价值有着非常密切的关系（Bongwon et al，2010）。与此同时，民众个人对某个问题的关注程度也会影响其是否被政府媒介所影响（Stockmann，2010）。国内学者的研究发现，中国“网民更偏爱贴近民生、日常生活的民生服务类信息，而舆论宣传和时政报道较少获得网民关注和认可”（孟天广，郑思尧，2017）。本文将政务新媒体通过标题凸显信息主题来吸引民众关注的传播策略称为“议题党”。
　　为扩大政务新媒体的影响力，地方政府既重视使用标题党策略，亦强调使用议题党策略。如果说标题党策略代表的是地方政务新媒体传播行为的媒介逻辑，那么，议题党策略主要体现的是地方政务新媒体传播行为的政治逻辑。本文试图比较在社交媒体平台中，地方政务新媒体经常使用的标题党策略与议题党策略的基本情况及传播效果。
　　
三、数据与方法
　　（一）样本选择
　　本文在全国2800多个县（区）级政府的官方微信公众号中，①通过分层随机抽样的方式抽取了100个县（区）的账号作为研究样本。②选择县一级政府微信公众号作为研究对象主要基于以下原因：其一，微信是目前绝大多数中国人使用的社交媒体平台，根据腾讯数据（2023），月均有13多亿用户在微信上保持活跃状态，微信已然成为中国互联网史上用户数量最多的社交媒体平台之一。其二，县级政权是中国政府治理中最为基础的一环，也是社会稳定的基石。地方政府尤其是县级政府的社交媒体账号是连接民众、服务民众的“最后一公里”。其三，基于县级融媒体中心建设的政策要求，县一级政权在各大社交媒体平台均有自己的舆论阵地，其开通和使用等情况也成为政府绩效评估的重要组成部分。
　　（二）数据采集、研究方法与变量测量
　　本研究主要通过编写Python爬虫程序，爬取县（区）官方微信公众号2020年9月20日至2021年9月20日一年中微信推文的标题、阅读量、点赞量及在看量，并通过人工筛选删除已经被官方从发布记录中删除的推文或使用少数民族语言发布的推文，③最后共获得194889条推文。此外，在判别标题是否使用了标题党策略方面，本文使用卢樱丹和潘婕（2021）的中国地级市微信推文数据来训练和测试标题党策略的二分类模型。
　　本文综合使用文本分析与统计分析的方法来回答核心研究问题。首先，本文采取潜在狄利克雷分配（LDA，Latent Dirichlet Allocation）模型和吉布斯采样（Gibbs Sampling）对标题进行文本分析。LDA模型主要基于无监督机器学习的原理，对大量文本进行特征分类。该模型主要运用于测量议题党策略的五个变量，通过LDA主题模型对该推文属于主流价值观、政务信息、经济社会发展、公共服务、文化历史中的哪一类进行分类，属于该类别则赋值为1，不属于则赋值为0。其次，采用套索回归（Lasso Regression）的有监督机器学习的方法识别样本中的标题党策略。该条推文采用了标题党策略则赋值为1，未采用标题党策略则赋值为0。最后，使用负二项回归模型（阅读量）以及零膨胀负二项回归模型（在看量和点赞量）对标题党和议题党两种传播策略的效果展开分析。由于阅读量的数据分布较为分散，因此，负二项分布可以获得更好的估计结果（Hilbe，2011：2）。而测量效果数据中的在看量和点赞量存在大量为零的数据，因而，使用零膨胀负二项回归模型能在一定程度上避免偏误。
　　
四、地方政务新媒体的传播行为
　　（一）地方政务新媒体的传播内容
　　地方政府的官方微信公众号通常由地方党委及政府直属部门主办，其认证机构一般不是私营企业。④作为地方政府的账号，其平台一般定位为权威信息发布平台，部分地方政府甚至强调了其平台的唯一性。虽然官方微信公众号主管部门的性质以及平台定位的性质，决定了其传播内容应更多以本地政务为主，但实际包含了各种各样主题的信息。
　　本文使用LDA主题模型来展现中国地方政府在官方微信公众号中传播内容的比例。我们首先对收集到的微信标题内容进行文本预处理（包括去除停止词、分词等），并通过分别检验从10到120个主题（间隔为10个主题），共计12个不同模型的困惑度（Perplexity）和似然值（Loglikelihood）来确定主题数量。同时，通过使用10倍交叉验证来获得每个模型迭代10次的平均困惑度和平均似然值，以获得更为稳健的结果。数据结果表明，主题数设置为60时能得到最优模型。然后，我们通过阅读与每个主题相关的20个排名靠前的标题以及关键词，确定了每个主题的标签。在确定主题内容之后，我们进一步参照主题标签和已有的研究成果提炼主题（吴朝彦，饶阳泓，2017；孟天广，郑思尧， 2017），将推文分类为主流价值观、政务信息、经济社会发展、公共服务、文化历史五类主题，⑤具体所含内容如下：
　　（1）主流价值观：英雄榜样与作品展播、政治庆典、民族团结、文明实践与志愿服务、党史故事与课堂、党史知识竞答、上级表彰与公示、红色革命教育、会议精神学习与宣讲、党史学习教育实践活动、党史学习教育。
　　（2）政务信息：领导走访与慰问、领导调研与督导、政府规划与工作报告、专项整治与会议、政府工作目标、中央媒体报道、基层党建与治理、两会、地方政府例会、地方政府党建活动、地方政府工作、安全生产、教育整顿与巡察整改、中央领导人活动、地方政府活动、地方防疫政策与工作、基层两委换届。
　　（3）经济社会发展：项目建设与生态环保、企业服务、城市与科技创新、乡村振兴与脱贫攻坚、经济社会高质量发展、小康社会、创建文明城市、营商环境与人口普查。
　　（4）公共服务：防疫科普与新闻、社会保障、公益广告与民生服务、森林防火与防灾减灾、宣传普法与防范诈骗、致市民的信与祝福、教育政策与通知、新冠疫情防控通报、便民服务与送温暖、扫黑除恶与生活指南、民生实事工程、职业技能培训、新冠疫苗接种、天气预警、招聘与招募、疫情风险提示、安全与健康建议、旅游与交通提示、新冠疫情新增病例。
　　（5）文化历史：传统节日、文体比赛与作品展、地方风光与直播预告。
　　图1呈现的是每个主题在所有标题中所占的比例，颜色由浅到深分别是公共服务、经济社会发展、文化历史、政务信息和主流价值观类的主题。从传递信息的比例来看，地方政府在官方账号中传递的信息主题由多到少分别是公共服务、政务信息、主流价值观、经济社会发展与文化历史。
　　可以发现，推文的内容包括政务新闻、天气预报、安全生产、传统节日、医疗信息等，也即是说，县一级政务新媒体的功能不仅局限在政务信息传播方面，还包含了公共服务和文化娱乐等功能。公共服务类信息是直接面向民众的信息，与民众生活贴合最为紧密，是政府贯彻民生政治的关键一环，因而在这几类信息中占比最高；其次是政务信息与主流价值观类信息，这两类信息的内容合并占比将近一半，体现了党和政府“通过意识形态宣传和主流价值塑造来加强民众的政治认同”（荆学民，赵洁，2021）的意图，也反映了党和政府对于持续生产意识形态合法性和绩效合法性的需求。
　　（二）地方政务新媒体的标题党策略
　　为了分辨标题中的标题党策略，我们使用了有监督的机器学习方法来训练模型，通过训练好的模型去提取标题中的标题党特征，比如代词、感叹词等。模型的训练集数据和测试集数据均来源于卢樱丹和潘婕（2021）采集的中国地级市微信推文标题数据。⑥本文以1:1的训练-测试比率将语料库随机分成训练集和测试集，并对标题进行分词，再通过计算词语的词频-逆文档频率（Term Frequency - Inverse Document Frequency，TF-IDF）来实现文本的特征提取，并利用提取的特征对文本进行分类。为了评估模型的性能，我们测量了套索回归模型的ROC曲下线面积（Area under the curve of ROC）、精确率（Precision）、召回率（Recall）和F1分数（F1-score），如表1所示，训练的模型有着较好的分类效果。⑦接着，将采集到的194808条数据放入训练好的模型中，⑧对这些标题是否使用了标题党策略来进行分类。
　　分析结果表明，共有66136篇推文采用了标题党策略，占推文总数的33.9%。这表明，中国地方政务新媒体确实非常重视使用标题党策略。由图2可知，超过40%的文化历史类信息和公共服务类信息采用了标题党策略。比如，《文明洁净市北三十二丨还路于民！这个农贸市场即将彻底拆除》通过代词“这个”的方式使用了标题党策略；又如《今天说说，温江如何照护3岁以下婴幼儿？》则运用了数字、问号等形式吸引民众的注意力。相比较而言，经济社会发展类和主流价值观类信息使用标题党策略的比例在25%左右，而政务信息中使用标题党策略的比重则低于20%。由于采用标题党策略的标题会使用常规标题中不常使用的词语（比如代词等）或是标点符号（比如感叹号、省略号等）等，这些特点与主流价值观、政务信息和经济社会发展类信息本身更明显的权威性、严肃性等特征不太契合，可能是此类信息更少使用标题党策略的原因。
　　（三）政务新媒体传播行为有效性分析
　　地方政务新媒体传播行为的有效性主要通过推文的阅读量、在看量、点赞量来测量。
　　首先，通过建构负二项回归模型来检验标题党策略和议题党策略与阅读量之间的关系，通过建构零膨胀负二项回归模型检验两种策略与在看量和点赞量之间的关系，并在每个模型中均添加了城市固定效应并控制了新冠疫情的相关推文。⑨标题党策略和议题党策略与阅读量之间的关系如（表2　表2见本期第73页）所示，模型1只包含了标题党策略，模型2只包含议题党策略，模型3则包含了这两种策略。由表2可知，标题党策略的使用与阅读量之间呈负相关关系，这表明，标题党策略的使用并不一定意味着更高的阅读量。这与前人的研究一致，即尽管标题党策略能够在短期内增加阅读量，但长期使用这种策略会使用户失望并导致用户流失（Zhang，2020）。从标题呈现的主题与民众阅读量之间的关系来看，主流价值观类的信息与民众的阅读量呈负相关关系，政务信息类、经济社会发展类、公共服务类和文化历史类的信息均与民众的阅读量呈正相关关系。这说明，标题呈现的信息主题可能影响民众是否选择阅读这篇推文，也即是说，议题党策略在一定程度上影响民众是否阅读这条信息。具体来说，政务信息、经济社会发展、公共服务和文化历史类的信息都得到民众更多关注。
　　表3呈现的是两种策略与微信推文在看量之间的关系。微信推文中的“在看”，实际上是一种分享形式。如果阅读者点击了“在看”，这篇推文则会分享到其朋友圈的在看列表中。因而，在看量能够反映民众的分享行为，而民众分享推文的行为实际上也是对信息的一种“再传播”（黄文森，廖圣清，2021），能进一步增强地方政府在社交媒体平台中的影响力。标题党策略对于在看量有正向影响，这说明民众愿意将能够吸引自己的信息分享给朋友。从议题党策略与在看量之间的关系来看，民众更倾向于分享政务信息、经济社会发展和文化历史类信息，而较少分享主流价值观类的信息，公共服务类信息对于在看量的影响不具备统计学上的意义。似乎“有用”是促进民众分享行为的关键因素。
　　标题党策略、议题党策略与点赞量之间的关系如（表4　表4见本期第75页）所示，标题党策略与点赞量之间不存在明显的相关关系，而信息的主题与点赞量之间的关系则存在统计学意义，即不同的信息主题会影响民众是否点赞这条信息。具体而言，经济社会发展和文化历史类信息得到民众更多点赞，民众较少点赞主流价值观类和公共服务类的推文，政务信息类推文对于民众点赞量的影响并不显著。这意味着，宏大政治价值观和政治议题的传播效能在减弱（荆学民，于淑婧，2020），与民众生活相关的政治信息更易获得民众积极的评价。与此同时，虽然民众关注公共服务类的信息，但却较少点赞，也没有明显倾向要将此类信息转发分享到自己的社交圈中。结合前文分析，公共服务类信息中有将近一半都是标题党信息，这也从侧面表明民众对于公共服务类标题党信息的失望。
　　为确认上述研究发现的可靠性，本文通过更换模型的方式进行了稳健性检验。具体来说，使用泊松回归模型（阅读量）以及负二项回归模型（在看量和点赞量）来进行检验。如表5所示，标题党策略与阅读量呈负相关关系，与在看量和点赞量之间的关系不具备统计学意义；从议题党策略来看，主流价值观类信息与阅读量、在看量、点赞量之间呈负相关关系，政务信息、经济社会发展、公共服务、文化历史类信息则能够正向影响民众的阅读量。因而，本文的研究结果基本成立。
　　与此同时，本文进一步进行了异质性分析，对不同地区民众对于地方政府传播策略的反应做了分类分析。在西部和东北地区，标题党策略与阅读量、在看量和点赞量之间均呈负相关关系，东部地区使用标题党策略则能在一定程度上增加民众的在看量和点赞量。从议题党策略来看，主流价值观类主题会对东部、中部、东北地区民众的阅读和点赞行为产生负向影响，但西部地区民众对主流价值观类议题有着正向反馈。与此同时，文化历史类主题会显著增加民众的阅读量、在看量和点赞量（表6　表6见本期第76页）。
　　
五、结论与讨论
　　标题党策略和议题党策略是中国地方政务新媒体常用的两种传播策略。本文通过爬虫程序建构中国县级政府官方微信推文数据库，并使用机器学习的方法识别标题党策略和议题党策略，进而分析究竟何种策略更为有效。基于此，可以清晰地呈现民众的注意力分配与地方政府在数字媒体时代中的传播行为。
　　本文的基本发现是，在数字媒体时代中，媒介逻辑正在不断介入政治逻辑中（闫文捷，潘忠党，吴红雨，2020）。具体而言，其一，地方政府在社交媒体平台中传播丰富多元的信息。不仅包含主流价值观、政务信息、经济社会发展等政府传统宣传中包含的内容，还包括公共服务、文化历史等更贴合民众日常生活的信息。值得一提的是，公共服务类信息占比最高，其次是政务信息和主流价值观类信息。总体来看，中国地方政府的官方社交媒体账号仍旧以政治宣传为主，贴合“政治统摄传播”的特质（荆学民，于淑婧，2020）。其二，结合民众对地方政府传递信息的反馈来看，地方政府的确会使用标题党策略和议题党策略。然而，使用标题党策略的推文并没有得到民众更多的关注与阅读。其三，议题党策略的使用比标题党策略的使用更为有效。政务信息、经济社会发展、公共服务、文化历史类的议题能获得更高的阅读量，相较而言，民众较少关注主流价值观类的信息。从民众的分享和评价行为来看，经济社会发展和文化历史类信息更能赢得民众的积极分享与评价，民众关注并愿意分享政务信息类的推文，但较少点赞公共服务类的推文。这也在一定程度上表明了民众对公共服务的高期望和现实情境中公共服务并未达到民众需求的落差。因此，从民众的视角来看，其本身更为关注的是自己偏好的信息，而不是信息的传递方式和传递策略。
　　本研究在理论上同时从宏观和微观层面探讨了地方政府在政治传播过程中的行为逻辑。在数字媒体时代，地方政府不得不提升其信息传播能力和信息治理能力，从而在互联网这一公共领域中获得民众的注意力分配，并影响社会及社会中的民众行为。首先，本文进一步表明，政治传播逻辑不仅受到政治逻辑的影响，也受到媒介逻辑和受众逻辑的影响。“媒体不是权力的持有者，但它们大体上构成了决定权力的空间”（Castells，2007）。在数字媒体时代，媒介与受众对于政治传播的影响不断增强。其次，虽然媒介逻辑对于政府与民众之间沟通的影响越来越强，但媒介逻辑并不能取代政治逻辑。中国地方政府的政治传播行为仍旧受到中国政治制度与政治结构的影响，呈现出较强的政治色彩，即使这类信息不一定能获得民众更多的关注和积极评价。与此同时，在中国的党政体制中，地方政府的官方宣传平台主要以党委宣传部门、网信部门、政府信息办公室等为主要运营管理者。作为地方政府向民众传递信息的平台，其首要的功能定位还是权威性。最后，在政府运营的账号中，标题党策略并未明显增加民众的阅读量与积极评价。实际上，民众会依据自己的需求和偏好来选择要阅读、分享与点赞的信息，而这种选择主要依据的是标题中呈现的信息主题。也即是说，地方政府要提升其在社交媒体中的影响力，需要进一步从民众的需求端出发提升信息质量，也更需要在充分了解掌握民意民情的基础上，制定相应的民生政策。
　　本研究也有不足之处。这主要表现在两个方面：一方面，本文在概念操作化过程中仅将社交媒体行为参数（阅读量、在看量、点赞量）作为政府政治传播影响力的测量指标。这也许是将概念操作化的一种可行方式，但可能在一定程度上窄化政治传播影响力这一概念。在现实情境中，可以看到地方政府政治传播对于民众的影响不仅体现为民众在媒介中的具体行为，亦能够体现为对于民众政治心理的影响。另一方面，地方政府在媒介平台中使用的策略绝不仅仅是文中研究的两种策略，还包括情感策略、图片策略等。政治传播逻辑在政治逻辑、媒介逻辑和受众逻辑互动互构中变迁，这三种不同视角都值得学者们关注，而本文仅是探索性研究此类议题的一个尝试。■
　　
注释
①本研究选取能够代表地方党委和政府的最权威的、统一的信息发布平台作为研究对象。因而，认证的机构一般为地方党委及政府直属部门，如党委宣传部门、网信部门、政府信息办公室等。
②根据中国行政区划，抽样分为两层。第一层为地区，根据国家统计局对全国地区的分区标准，将中国31个省分为东部、中部、西部和东北四个区域，根据每个区域中的县（区）数量占全国2800多个县（区）的比例，来分配样本数量。第二层为县与区的比例，根据县和区的数量分别在2800多个县区中所占比例来分配样本数量。
③被删除的微信推文显示可能是由于内容或信息错误，因而被发布者删除。被删除的少数民族语言信息共计201条，值得一提的是，有部分少数民族聚居地政府会使用少数民族语言发布信息，并有个别政府有专门使用民族语言的账号。
④值得注意的是，样本中的绝大多数政府微信公众号的技术接口功能有着私营企业的助力，且一个公众号可能与多个私营企业合作。但是，公众号的认证机构和主要运营机构一般为党政部门。
⑤其中社会新闻与地方新闻两类（见图1中最后一列的新闻）因无法明确具体的信息类别，故在第二次标记时被标记为无法明确。
⑥由于卢樱丹和潘婕采集的58711条数据中，使用标题党和未使用标题党策略的数据集不平衡（未使用标题党的标题占比在三分之二以上）。为取得更好的训练效果，本文从40910条未使用标题党的数据中抽取了17801条数据，与使用标题党策略的17801条数据合并，共计35602条数据作为本文训练模型和测试模型的数据来源。
⑦ROC曲下线面积可以对所有可能的分类阈值的效果进行综合衡量，AUC值越大则模型性能越好；精确率为所有被预测为标题党策略的推文实际为标题党的概率；召回率则指的是实际是标题党策略的标题被预测使用了标题党策略的概率；F1分数是精度和召回率之间的综合评价指标。
⑧其中有81条标题数据因在文本预处理后无法判定主题信息，因而人工对这些标题进行分析判定是否使用标题党策略。
⑨城市固定效应主要通过发布该条推文的城市来进行控制，新冠疫情推文控制通过LDA主题模型分类中隶属于与新冠疫苗接种、新冠疫情新增病例、新冠疫情防控通报、疫情风险提示等与新冠疫情相关的推文进行控制。
　　
参考文献
邓建国（2019）。“标题党”的起源、机制与防治。《新闻与写作》，（08），45-53。
黄文森，廖圣清（2021）。同质的连接、异质的流动：社交网络新闻生产与扩散机制。《新闻与传播研究》，28（02），18-36+126。
荆学民，于淑婧（2020）。自媒体时代的政治传播秩序及中国调适。《政治学研究》，（02），14-26+124-125。
荆学民，赵洁（2021）。中国共产党百年政治传播的基本经验。《党政研究》，（05），22-33。
兰斯·班尼特（2012/2018）。《新闻：幻想的政治》（杨晓红、王家全译）（第9版）。北京：中国人民大学出版社。
马克斯韦尔·麦库姆斯（2004/2008）。《议程设置：大众媒介与舆论》（郭镇之，徐培喜译）。北京：北京大学出版社。
孟天广，郑思尧（2017）。信息、传播与影响：网络治理中的政府新媒体——结合大数据与小数据分析的探索。《公共行政评论》，10（01），29-52+205-206。
邵梓捷，张小劲，孟天广（2015）。政治传播视角下《新闻联播》的宣传模式分析。《清华大学学报（哲学社会科学版）》，30（03），30-42。
腾讯控股有限公司（2023）。《2023中期报告》，检索于https://static.www.tencent.com/uploads/2023/08/29/1d726a2 226130c610975c21480cf1890.PDF王薪喜，孟天广（2021）。中国城市居民的互联网使用与政治参与基于介入方式与信息消费的类型学分析。《社会》，41（01），178-206。
闫文捷，潘忠党，吴红雨（2020）。媒介化治理——电视问政个案的比较分析。《新闻与传播研究》，27（11），37- 56+126-127。
吴朝彦，饶阳泓（2017）。基于内容分析法的城市政务微信公众号信息传播主题研究。《现代情报》，37（02），52- 56+67。
谢静（2016）。微信新闻：一个交往生成观的分析。《新闻与传播研究》，23（04），10-28+126。
中国互联网络信息中心（2023）。《第51次中国互联网络发展状况统计报告》。检索于https://www.cnnic.net.cn/ NMediaFile/2023/0807/MAIN169137187130308PEDV637M.pdf臧雷振（2016）。新媒体信息传播对中国政治参与的影响——政治机会结构的分析视角。《新闻与传播研究》，23（02）， 51-65+127。
詹姆斯·韦伯斯特（2014/2017）。《注意力市场：如何吸引数字时代的受众》（郭石磊译）。北京：中国人民大学出版社。 BlumlerJ. G.& Kavanagh, D. (1999). The Third Age of Political Communication: Influences and Features. Political Communication , 16(3)209–230.
Bongwon SuhLichan Hong, PirolliP.& ChiE. H. (2010，August). Want to be Retweeted？ Large Scale Analytics on Factors Impacting Retweet in Twitter Network. Paper presented at 2010 IEEE Second International Conference on Social Computing , Minneapolis.
CastellsM. (2007). Communicationpower and counter-power in the network society. International Journal of Communication , (1)238–266.
Oxford University Press (2023). Oxford English Dictionary Online. Retrieved from https://www.oed.com/search/dict ionary/？scope=Entries&q=clickbait.
Chang, Y.T.Yu, H.& Lu, H.P. (2015). Persuasive messages, popularity cohesion, and message diffusion in social media marketing. Journal of Business Research , 68(4)777–782.
Chakraborty, A. , ParanjapeB. , KakarlaS. , & GangulyN. (2016August). Stop clickbait: detecting and preventing clickbaits in online news media. Paper presented at 2016 IEEE/ACM international conference on advances in social networks analysis and mining . San Francisco.
Green-PedersenC.& Stubager, R. (2010). The Political Conditionality of Mass Media Influence: When Do Parties Follow Mass Media Attention？ British Journal of Political Science , 40(3)663–677.
Haro-de-Rosario, A.Sáez-Martín, A.& del Carmen Caba-Pérez, M. (2018). Using social media to enhance citizen engagement with local government: Twitter or Facebook？ New Media & Society20(1)29–49.
Hermida, A. (2010). Twittering the News: The emergence of ambient journalism. Journalism Practice , 4(3)297– 308.
Hermida, A.& ThurmanN. (2008). A Clash of Cultures: The integration of user-generated content within professional journalistic frameworks at British newspaper websites. Journalism Practice, 2(3)343–356.
Hermida, A.Fletcher, F.Korell, D.& LoganD. (2012). ShareLike, Recommend: Decoding the social media news consumer. Journalism Studies , 13(5–6)815–824.
Hilbe, J. (2011). Negative binomial regression. CambridgeNew York: Cambridge University Press.
LuY. D.& PanJ. (2021) . Capturing clicks: how the chinese government uses clickbait to compete for visibility. Political Communication38(1–2)1–32.
MergelI. (2013). A framework for interpreting social media interactions in the public sector. Government Information Quarterly , 30(4)327–334.
MolyneuxL.& Coddington, M. (2020). AggregationClickbait and Their Effect on Perceptions of Journalistic Credibility and Quality. Journalism Practice , 14(4)429–446.
PotthastM.Kopsel, S.SteinB.HagenM. (2016March). Clickbait Detection. Paper presented at the 38th European Conference on Information Retrieval . Padova.
PotthastM. , Gollub, T. , Komlossy, K. , Schuster, S. , Wiegmann, M. , & FernandezE. P. G. , et al. (2018August). Crowdsourcing a Large Corpus of Clickbait on Twitter. Paper presented at the 27th International Conference on Computational Linguistics . Santa Fe.
ScaccoJ. M.& Muddiman, A. (2020). The curiosity effect: Information seeking in the contemporary news environment. New Media & Society , 22(3)429–448.
Schlger, J.& JiangM. (2014). Official Microblogging and Social Management by Local Governments in China. China Information , 28(2)189–213.
Stockmann, D. (2010). Who Believes Propaganda？ Media Effects during the Anti-Japanese Protests in Beijing. The China Quarterly , 202269–289.
Zhang, Y.WellsC.Wang, S.& Rohe, K. (2018). Attention and amplification in the hybrid media system: The composition and activity of Donald Trump’s Twitter following during the 2016 presidential election. New Media & Society , 20(9)3161–3182.
Zhang, W. P.Du, W.Bian, Y. Y.Peng, C.H.& JiangQ. (2020). Seeing is not always believing: an exploratory study of clickbait in WeChat. Internet Research , 30(3)1043–1058.
　　
[作者简介]肖舒婷系武汉大学地方政治研究中心研究人员；刘伟系武汉大学政治与公共管理学院教授、博士生导师，地方政治研究中心主任。本文为“研究阐释党的二十大精神”国家社会科学基金重大项目“全过程人民民主的治理效能与实现路径研究”（23ZDA066）的阶段性成果。