传媒教育网

 找回密码
 实名注册

QQ登录

只需一步,快速开始

搜索
做个试验
楼主: admin
打印 上一主题 下一主题

数据新闻案例集锦

[复制链接]
101#
发表于 2017-1-28 19:13:40 | 只看该作者
【案例】最全数据:从微信红包看中国人的鸡年除夕
来源:微信派
http://mp.weixin.qq.com/s/bb-kFSYE5LHr6X2wpf3vGg
102#
发表于 2017-2-2 17:13:39 | 只看该作者
【案例】你以为川普的推特都是他自己写的?数据可不这么认为!
写在前面

近日,一直以“推特治国”闻名的川普正式宣誓就任了美国第 45 任总统。

川普这次在美国大选中胜出,他的推特也发挥了巨大的作用。相比大多数总统竞选人来说,他们都没时间自己发推。但推特玩的风生水起的川普却表示,他的推特都是自己发的……

那么事实真的是这样吗?

有个美国网友发现川普发推特有两个客户端。一个安卓,另一个是 iPhone 。



而且这位细心的网友还发现,一些言辞激烈的推都来自安卓;而画风比较正常的推都来自 iPhone。

这一发现,也引起了数据分析师 David Robinson 的注意。David  注意到当川普发祝贺内容时,是通过 iPhone ;而当他抨击竞选对手时而是通过安卓。而且两个不同客户端通常发推的时间也不太相同。

本着科学严谨的态度,程序员小哥决定让数据说话,于是做了程序,抓取分析了川普发过的推,终于发现了一些模式。并且通过统计,图表,最终他基本确定,川普的推特并不是他一个人写的。



数据证明,安卓端和iPhone发的推分别是两个人所写的。而且发推时间,使用标签,加链接,转发的方式也截然不同。同时,安卓端发的内容更加激烈和消极。

如果就像川普采访中所说他使用的手机是三星 Galaxy ,我们可以确信用安卓发推的是川普本人,用 iPhone 发的大概是他的团队助理。

发推时间对比
首先用 twitteR 包中的 userTimeline 函数导入川普发推的时间数据:

♦  library ( dplyr )
♦  library ( purrr )
♦  library  ( twitteR )

# You'd need to set global options with an authenticated appsetup_twitter_oauth(getOption("twitter_consumer_key"),
                    getOption("twitter_consumer_secret"),
                    getOption("twitter_access_token"),
                    getOption("twitter_access_token_secret"))
# We can request only 3200 tweets at a time; it will return fewer
# depending on the APItrump_tweets <- userTimeline("realDonaldTrump", n = 3200)trump_tweets_df <- tbl_df(map_df(trump_tweets, as.data.frame))

# if you want to follow along without setting up Twitter authentication,
# just use my dataset:load(url("http://varianceexplained.org/files/trump_tweets_df.rda"))

稍微清理下数据,提取源文件。(在此只分析来自 iPhone 和 Android tweet  的数据,除去很少一部分发自网页客户端和 iPad 的推文)。

library(tidyr)
tweets <- trump_tweets_df %>%
  select(id, statusSource, text, created) %>%
  extract(statusSource, "source", "Twitter for (.*?)<") %>%
  filter(source %in% c("iPhone", "Android"))
  
分析的数据包括来自 iPhone 的 628 条推文,来自 Android 的 762 条推文。

主要考虑推文是在一天内什么时间发布的,在此我们可以发现区别:

♦  library(lubridate)
♦  library(scales)

tweets %>%
  count(source, hour = hour(with_tz(created, "EST"))) %>%
  mutate(percent = n / sum(n)) %>%
  ggplot(aes(hour, percent, color = source)) +
  geom_line() +
  scale_y_continuous(labels = percent_format()) +
  labs(x = "Hour of day (EST)",
       y = "% of tweets",
       color = "")



川普一般习惯早上发推,而他的助理会集中在下午或晚上发推。

发文习惯对比
当川普的安卓手机转推时,习惯用双引号引用这整句话。



而 iPhone 转推时,一般不使用双引号。



安卓手机: 500 多条推文没有双引号,200 多条有双引号

iPhone:几乎没有双引号

与此同时,在分享链接和图片时,安卓和 iPhone 也大不相同。

tweet_picture_counts <- tweets %>%
  filter(!str_detect(text, '^"')) %>%
  count(source,
        picture = ifelse(str_detect(text, "t.co"),
                         "Picture/link", "No picture/link"))
ggplot(tweet_picture_counts, aes(source, n, fill = picture)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(x = "", y = "Number of tweets", fill = "")



数据证明 iPhone 端 发的推文很多会附上图片,链接。内容也以宣传为主。

比如下面这条:



而川普安卓端发的推文没有图片、链接,更多是直接的文字,比如:



用词对比
在对比安卓和 iPhone 用词区别时,David 用到了他和 Julia Silge 一起编写的 tidytext 包。

用 unnest_tokensfunction 把句子分解为单独的词:

library(tidytext)
reg <- "([^A-Za-z\\d#@']|'(?![A-Za-z\\d#@]))"tweet_words <- tweets %>%
  filter(!str_detect(text, '^"')) %>%
  mutate(text = str_replace_all(text, "https://t.co/[A-Za-z\\d]+|&", "")) %>%
  unnest_tokens(word, text, token = "regex", pattern = reg) %>%
  filter(!word %in% stop_words$word,
         str_detect(word, "[a-z]"))
tweet_words

## # A tibble: 8,753 x 4
##                    id source             created                   word
##                 <chr>  <chr>              <time>                  <chr>
## 1  676494179216805888 iPhone 2015-12-14 20:09:15                 record
## 2  676494179216805888 iPhone 2015-12-14 20:09:15                 health
## 3  676494179216805888 iPhone 2015-12-14 20:09:15 #makeamericagreatagain
## 4  676494179216805888 iPhone 2015-12-14 20:09:15             #trump2016
## 5  676509769562251264 iPhone 2015-12-14 21:11:12               accolade
## 6  676509769562251264 iPhone 2015-12-14 21:11:12             @trumpgolf
## 7  676509769562251264 iPhone 2015-12-14 21:11:12                 highly
## 8  676509769562251264 iPhone 2015-12-14 21:11:12              respected
## 9  676509769562251264 iPhone 2015-12-14 21:11:12                   golf
## 10 676509769562251264 iPhone 2015-12-14 21:11:12                odyssey
## # ... with 8,743 more rows

总体来说川普推文中有哪些常用词呢?



在此基础上我们再来分别看安卓和 iPhone 常用词的区别。



android_iphone_ratios <- tweet_words %>%
  count(word, source) %>%
  filter(sum(n) >= 5) %>%
  spread(source, n, fill = 0) %>%
  ungroup() %>%
  mutate_each(funs((. + 1) / sum(. + 1)), -word) %>%
  mutate(logratio = log2(Android / iPhone)) %>%
  arrange(desc(logratio))



结论
·  带标签的推文基本来自 iPhone 。
·  iPhone 推文中常用词有宣传性的词,比如:“参加”,“明天”,“晚上 7 点”。
·  安卓的推文常用有强烈情绪性的词汇,“差劲”,“疯了”,“软弱”,“傻瓜”等等。

情感分析
安卓和 iPhone 推文在情感上也有很大的差异,让我们来量化一下。用到 tidytext 当中的NRC Word-Emotion Association 词典,主要把用词联系以下十种情绪分析:积极,消极,愤怒,期待,厌恶,恐惧,快乐,悲伤,惊讶,信任。

nrc <- sentiments %>%
  filter(lexicon == "nrc") %>%
  dplyr::select(word, sentiment)
nrc

## # A tibble: 13,901 x 2
##           word sentiment
##          <chr>     <chr>
## 1       abacus     trust
## 2      abandon      fear
## 3      abandon  negative
## 4      abandon   sadness
## 5    abandoned     anger
## 6    abandoned      fear
## 7    abandoned  negative
## 8    abandoned   sadness
## 9  abandonment     anger
## 10 abandonment      fear
## # ... with 13,891 more rows

为了分别计算安卓和 iPhone 推文的情感,可以把不同用词分类。

sources <- tweet_words %>%
  group_by(source) %>%
  mutate(total_words = n()) %>%
  ungroup() %>%
  distinct(id, source, total_words)
by_source_sentiment <- tweet_words %>%
  inner_join(nrc, by = "word") %>%
  count(sentiment, id) %>%
  ungroup() %>%
  complete(sentiment, id, fill = list(n = 0)) %>%
  inner_join(sources) %>%
  group_by(source, sentiment, total_words) %>%
  summarize(words = sum(n)) %>%
  ungroup()
head(by_source_sentiment)

## # A tibble: 6 x 4
##    source    sentiment total_words words
##     <chr>        <chr>       <int> <dbl>
## 1 Android        anger        4901   321
## 2 Android anticipation        4901   256
## 3 Android      disgust        4901   207
## 4 Android         fear        4901   268
## 5 Android          joy        4901   199
## 6 Android     negative        4901   560

(比如,我们可以看到安卓推文中 4901 个词中 321 个词与情感“愤怒”有关。)

同时可以用 Poisson test 分析,比起 iPhone ,安卓推文更喜欢使用带强烈情绪的词。

library(broom)
sentiment_differences <- by_source_sentiment %>%
  group_by(sentiment) %>%
  do(tidy(poisson.test(.$words, .$total_words)))
sentiment_differences

## Source: local data frame [10 x 9]
## Groups: sentiment [10]
##
##       sentiment estimate statistic      p.value parameter  conf.low
##           (chr)    (dbl)     (dbl)        (dbl)     (dbl)     (dbl)
## 1         anger 1.492863       321 2.193242e-05  274.3619 1.2353162
## 2  anticipation 1.169804       256 1.191668e-01  239.6467 0.9604950
## 3       disgust 1.677259       207 1.777434e-05  170.2164 1.3116238
## 4          fear 1.560280       268 1.886129e-05  225.6487 1.2640494
## 5           joy 1.002605       199 1.000000e+00  198.7724 0.8089357
## 6      negative 1.692841       560 7.094486e-13  459.1363 1.4586926
## 7      positive 1.058760       555 3.820571e-01  541.4449 0.9303732
## 8       sadness 1.620044       303 1.150493e-06  251.9650 1.3260252
## 9      surprise 1.167925       159 2.174483e-01  148.9393 0.9083517
## 10        trust 1.128482       369 1.471929e-01  350.5114 0.9597478
## Variables not shown: conf.high (dbl), method (fctr), alternative (fctr)

我们可以用 95% 的置信区间来明确二者的区别:



从而我们可知,川普安卓的推文比起 iPhone ,使用“厌恶”“悲伤”“恐惧”“愤怒”等消极情绪词的比例高 40-80%



在数据挖掘下
川普推特背后的团队就这么被扒了个精光
所以,看川普的推特,只要看安卓端的就好了。

但据报道,上任后的川普必须使用一部由美国特工处认证的安全加密手机,以替换他之前使用的安卓系统手机。据称前总统奥巴马就无法通过安全手机发推文,那使用安全手机后,川普还能继续愉快的“推特治国”吗?来源: CDA数据分析师
http://mp.weixin.qq.com/s/v-JVRvTDPkIXgJdr580UWw
103#
 楼主| 发表于 2017-2-26 21:23:06 | 只看该作者
【案例】美国大学开了一门课,名字叫“抵制狗屁”
原创 2017-02-25 方可成 新闻实验室
以下内容是新闻实验室会员通讯内容试读,选自2017年2月23日出品的会员通讯第53期。


开一门媒体素养/信息素养方面的课程,是我的心愿之一。这件事情已经有一些人在做了,而且有的人还做得非常酷,比如我今天要跟大家介绍的这门《Calling Bullshit In the Age of Big Data》——课名直译过来大概是“在这个大数据时代,分辨并驳斥狗屁”。



这门课由位于西雅图的华盛顿大学(University of Washington)开设,目前是一个学分,明年计划拓展到3-4个学分。授课老师是生物系的Carl Bergstrom和信息学院的Jevin West。

信息学院的老师讲这门课是很自然的,之所以还有一位生物系的老师参与,是因为这门课中有很大一部分内容关注的是科学中的狗屁,诸如用数据说谎、科学研究中的偏见和谬误等。

什么是“狗屁”

两位老师是这样定义“狗屁”的:

Bullshit involves language, statistical figures, data graphics, and other forms of presentation intended to persuade by impressing and overwhelming a reader or listener, with a blatant disregard for truth and logical coherence.
(狗屁指的是公然罔顾事实和逻辑的语言、统计数据、图表,以及其他呈现方式,它们的目的是让受众留下深刻印象并且让人难以抗拒。)

Calling bullshit is a speech act in which one publicly repudiates something objectionable. The scope of targets is broader than bullshit alone. You can call bullshit on bullshit, but you can also call bullshit on lies, treachery, trickery, or injustice.
(驳斥狗屁指的是公开批驳有问题的东西。驳斥的对象其实比狗屁更广,还可以包括谎言、背叛、诡计和不公。)

在大学课程的名字里面使用“狗屁”这种粗俗的语言,自然是颇为惊世骇俗的。在课程网站的问答部分,两位老师也作出了解释。他们说,实在找不到更好的替代词,如果觉得“bullshit”这个词太粗俗的话,就用“bull”吧。不过他们也表示:

But let’s be honest: we like the fact that the term is profane. After all, profane language can have a certain rhetorical force. “I wish to express my reservations about your claim” doesn’t have the same impact as “I call bullshit!”
(实话说,我们看重的就是这个词的粗俗。毕竟,粗俗的语言有一种特殊的力量。“我希望对你的说法表达保留意见”远没有“你这就是放狗屁”有影响力。)

这门课的培养目标包括:

对你的信息食谱中出现的狗屁保持警惕;
无论何时何地遇到狗屁,能够识别出来;
能够准确说明为什么一则狗屁是狗屁;
能够在统计学或科学专业的人面前给出对狗屁的技术分析;
能够在迷信的阿姨和不自觉间表露出种族主义的叔叔面前分析狗屁,让他们能听懂,并且有说服力。
两位老师表示:这门课上学到的东西,肯定是你整个大学期间学到的最有用、应用范围最广的能力。

怎样教大家分辨和驳斥狗屁?

当然,在这个粗俗的课名之下,是非常严肃的课程设置。

两位老师在课程网站的教学大纲页面(http://callingbullshit.org/syllabus.html)公布了全部的课程内容和阅读材料。感兴趣的朋友可以仔细阅读。以下我做一个简单的介绍和分析。

在引言部分,课程使用的是普林斯顿大学教授Harry Frankfurt的文章《On Bullshit》。其实他出版了一本书就叫《On Bullshit》。南方朔将其翻译成了中文,在台湾出版的时候用的书名是《放屁!名利雙收的捷徑》,在大陆出版的时候则用了非常保守的译名《论扯淡》。

第2周引入了一些常见的分辨狗屁的方法。第3周介绍的是孕育狗屁的生态系统,比如社交媒体如何促进了狗屁的传播,再比如TED演讲有时候兜售的是高端狗屁。

接下来的几周,课程从统计学和逻辑的角度切入,具体分析了一些狗屁的类型,包括混淆相关性和因果关系、中位数和平均数、“检察官谬误”等。课程还单独辟出一周介绍了数据可视化中常见的误导。

第7周的大数据部分,关注的是在大数据和算法的光鲜外表之下,“垃圾进、垃圾出”的现象,以及对机器学习的滥用、具备误导性的参数等。顺便说一句,这一周的扩展阅读材料正是会员通讯046介绍的《Weapons of Math Destruction》。

其后几周深入科学研究领域,介绍了“发表偏倚(Publication bias)”、“掠夺性发表(Predatory publishing)”等概念,以及学科之内、学科之间互相批评的伦理。

第11周是关于假新闻的。内容包括假新闻的经济驱动、回音室效应、如何进行事实核查等等,都是新闻实验室经常谈到的内容。如果这门课开设在新闻学院,那么这方面的内容足够扩展成整整一门课了。不过因为这门课的重点放在了科学上,所以新闻方面的内容被压缩到了一节课。

最后一周讲的是如何驳斥狗屁。针对不同的受众,需要用到不同的策略。这方面的内容基本上就是传播学中的说服效果研究,如果开设在传播学院同样可以拓展成整整一门课。

课程材料开放使用

这门课在2017年春季学期是第一次开设,它很快引起了网民及媒体的注意。很多人问:你们开这门课,是不是受到川普上台及“后真相时代”的刺激,想做点什么?

两位老师的回答是:并非如此。他们从2015年就开始准备这门课程了。“虽然这门课程今天看起来非常及时,但是我们不会评论当下的美国和世界政治。我们认为,如果人们可以识别出各个政治派别生产的狗屁,那么每个人都能过得更好。你可能不同意我们关于政府大小,以及美国干预国际事务的看法,没关系。我们只是希望,不管你的政治观点如何,你都可以抵制狗屁。我们相信,如果我们每个人都能够知道如何更好地判断信息,我们就可以作出更好的集体决策。”

在华盛顿大学,这门课极受欢迎。选课开始后,160个名额很快被抢光。两位老师收到了许多来信,以及出版社的出书邀请。

两位老师特别强调:欢迎其他学校的老师使用这些材料,开设课程。只有两个要求:一是注明出处,二是写信告诉他们自己是如何使用这些材料的。

所谓“造谣张张嘴,辟谣跑断腿”,在英文世界里也有类似的说法——Brandolini定律:驳斥狗屁所需要的能量比创造狗屁需要的能量高了几个数量级。不过,两位老师认为:这一定律成立的前提,是人们不善于分辨狗屁。如果这门课可以使得更多人意识到身边大量存在着狗屁,并且学会分辨和驳斥狗屁,那么这条定律或许会发生改变:狗屁将变得越来越难以传播。

这当然是一种乐观主义的估计。也许过于乐观了。不过可以确定的是,如果不去做,世界只会变得更糟糕。
链接:
http://mp.weixin.qq.com/s/8Cds0bZq7XXy4wK-3QA4JA
104#
 楼主| 发表于 2018-8-9 12:49:52 | 只看该作者
【案例】
数据说话:国有多富,民有多穷?
若不是拼多多的横空出世,人们可能依旧沉浸在眼前大都市的繁华之中,迷失在当下“消费升级”的热风深处,却全然不觉:全国还有80%的人月收入不超过3000元。

同样的道理,就像你看惯了“本科遍地走”,听惯了“专科多如狗”,说惯了“本科生不值钱,一抓一大把”,却不知道在全国范围内,拥有本科及以上学历的人占全国总人口比重居然还不到4%。

任何自我感觉良好,在数据面前都是苍白的;数据不会说谎,骗人的只是我们自己狭隘的感知。

可能有人会起疑:而今我们国家经济体量已稳坐全球第二把交易,为什么穷人还是如此之多?答案很简单:国富不等于民富,宏观国民经济增长与百姓身家财富增长并不同步。

为了寻求最为客观真实的证据,我们还是要借助数据来说话。

1 人均GDP越来越高于人均可支配收入

作为把握一个国家或地区宏观经济运行状况与人民生活水平的重要工具,人均GDP历来都是被各个国家所推崇的重要指标。

从数据上看,2017年,我国人均GDP已接近9000美元,距离跨越“中等收入陷阱”(即人均GDP超过12000美元)并迈入高收入国家阵营的距离已经越来越近,这无疑令人倍感振奋。

然而,人均GDP从来就不是老百姓身家财富最真实的展现。严格来说,GDP表征的是“一个国家或者地区所有常驻单位在一定时期内生产的所有最终产品和劳务的市场价值”,按照收入法衡量,其构成包括劳动者报酬、生产税净额、固定资产折旧、营业盈余四项,而只有“劳动者报酬”才是直接关系到老百姓消费水平的决定项。但是在计算人均GDP具体数值时,被考虑在内的显然不止这一项内容;换言之,人均GDP大大高估了国人的身家财富。

倘若用“人均可支配收入”这一指标来进行对比,情况便全然不同。

从图1可以清晰地看到,无论是城镇还是农村,人均可支配收入均显著低于同期的人均GDP,且与人均GDP的差距随着时间的推移正呈现出逐渐加大之势,这充分印证了国人收入水平已经越来越赶不上人均GDP增长的步伐,这一趋势在农村居民身上尤为严重:2017年,农村人均可支配收入的数值尚不及全国人均GDP的1/4。

这便是“国富民穷”的最直接证据:所谓“国富”,更多地体现在高楼、大厦、马路、立交桥等基础设施建设上,而普罗大众财富增长的进展明显要滞后于国民经济的发展,且越来越滞后。

2
财政收入超速增长
国人工资收入占比较低

要想探究“国”究竟有多富,政府收入水平的高低是一个重要的衡量维度。

政府的收入构成主要包括:以税收为主的财政收入,以土地、矿产资源等构成的资产性收入和增值,以及国有企业上缴的利税等。其中财政收入在政府收入构成中是最为主要的部分,如此一来,财政收入的增速与其在GDP中的占比,自然也就成了衡量“国富”程度的恰当指标。

根据国家统计局数据显示,1978-2017年,我国的公共财政收入年均增速为13.76%,而我国GDP的年均增速则为9.5%。从年度数据看,绝大多数年份里,财政收入的增长速度都显著高于GDP增速(参见图2)。此外,1995年财政收入占GDP的比重为历史最低点10.18%,而后总体上呈现出不断攀升的态势,到了2010年之后,该比重再也没有低于过20%。

那么,老百姓的收入又是怎样一番景象?

居民收入构成主要包括:工资和薪金收入(即劳动报酬收入),奖金和福利收入、财产性收入以及转移性收入。对绝大多数人来讲,工资是最为主要的收入来源,故可以用工资收入来大致衡量国民财富状况。

从城镇居民人均工资收入来看,1978-2017年的年均增速为13.08%,低于全国公共财政收入13.76%的平均增速;再看全国公共财政收入与全国职工工资总额各自占GDP的比重,自改革开放以来,除了上世纪90年代个别年份外,财政收入占GDP的比重均长期高于职工工资总额的占比,且1998-2010年期间,二者差距逐年拉大,近些年才有所缓和。2017年,两个比重分别为20.87%和15.7%(参见图3)。


顺便提一句,另有研究表明,全国范围内约90%的职工只拥有工资总额的不到50%,而其他约10%的高管或垄断行业职工,却瓜分了超过一半的工资。这样对于90%的人来说,他们的工资总额占GDP的比重与财政收入占GDP的比重相比,自然更加悬殊。

到底还是穷人多。

3
劳动报酬在GDP中的比重显著偏低

严格地说,按照官方统计口径,职工工资涉及到的范畴并未涵盖乡镇企业就业人员、私营企业就业人员、城镇个体劳动者等等。为了更加全面地反映居民收入状况,还可以选择采用计算国内生产总值中劳动报酬占比来加以分析。

从数据看,自1990年起,我国劳动者报酬占GDP的比重平均值不到48%,最高为1990年的53.4%,从此再没有达到这一水平;新世纪以来,该比重更是长期低于一半,最低的2007年甚至不到40%(参见图4)。

反观美国,1990年以来,劳动者报酬占GDP的比重平均值约为55%,高于中国7个百分点;虽说2010年以后略微有所降低,但也从未低于过52%。这一比较结果告诉我们,同发达国家相比,我国老百姓收入在整体国民收入中所占的比例是显著偏低的。

这种劳动者报酬占GDP比重的差距意味着什么?通俗点讲,倘若拿2016年中美各自的GDP体量与劳动者报酬占比进行计算,那么中国老百姓的总收入将会比美国老百姓的总收入少45794.3亿美元,再考虑到中国人口比美国多了10亿人……

中美两国,经济总量仅差一个排名,但是国人之间的收入差距却如此悬殊。

4
高企的负债,加剧了国人的贫穷

或许上述分析还偏于乐观了。

事实上,我国老百姓手中可花的钱远远没有想象中那么多,只因为日渐上涨的房价与医疗教育等成本,让绝大多数国人的身上都背负着巨额债务,这可以用居民杠杆率进行衡量。

所谓居民杠杆率,是指居民部门债务占GDP的比重。数据显示,1996年我国居民杠杆率只有3%,2008年也仅为18%,但是自2008年以来,居民杠杆率开始呈现迅速增长态势,短短六年间翻了一倍,达到36.4%,到了2017年已经高达49%,较之2008年激增了近30个百分点,也高于国际上大多数新兴市场国家的平均水平。须知,美国居民部门杠杆率从20%上升到50%以上用了接近40年时间,而我国只用了不到10年。

高企的负债对于国人来说意味着什么呢?“月入三万活得却像月入三千”,便是最好的答案。电视剧《蜗居》中有一段令人动容的独白,或许更能佐证这一判断:

“每天一睁开眼,就有一串数字蹦出脑海:房贷六千,吃穿用度两千五,冉冉上幼儿园一千五,人情往来六百,交通费五百八,物业管理费三四百,手机电话费两百五,还有煤气水电费两百。也就是说,从我苏醒的第一个呼吸起,我每天要至少进账四百,至少……这就是我活在这个城市的成本。这些数字逼得我一天都不敢懈怠,根本来不及细想未来十年……

我哪有什么未来,我的未来就在当下,在眼前……我曾经的坚持,内心的原则,少年的立志,就被这孩子、被家庭、被工作、被房子、被现实生活磨砺的不剩些许……”

5
“国富民穷”态势亟待扭转

当然,“国富”的表现还包括国有经济对国民经济的主导以及国有资产的不断增值,“民穷”还体现在居民收入差距不断扩大、税负居高不下等方面。

可不管怎样,长期来看,“国富民穷”的态势都是不利于国民经济与人民生活可持续发展的,比如以下几点:

1、挤压居民消费导致内需不足,进而制约我国经济结构的转型升级;
2、过低的劳动报酬,从多个方面限制了国家的创新能力;
3、劳动者在社会上不能得到应有的尊重;
4、容易为寻租行为的滋生提供土壤;
5、不利于社会稳定与和谐。

其实,究竟应该是“藏富于民”还是“藏富于国”,古今中外早有定论。

战国末期的先贤荀子曾经说过:“田野荒而仓廪实,百姓虚而府库满,夫是之谓国蹶。”

而十八世纪发过大思想家孟德斯鸠也声称:“如果国家把自己的财富与个人的财富调节到一定比例,那么个人的富裕必将会很快推动国家的富强”。

话语中所蕴含的理念,对今天的我国,无疑有着深刻的启迪。

历史经验表明:国强不等于民富,但民富则几乎没有国不强之理。为此,我们还需要从降低国人税负、改善收入分配结构、提高劳动报酬在初次分配中的比重、加快完善社会保障体系建设、有效约束行政权力、遏制一些机构部门与民争利等方面着手,力求扭转“国富民穷”这一态势。

道阻且长,行则将至。毕竟,国民国民,国终究还是属于民。
原文链接:https://mp.weixin.qq.com/s/eN-T32sAlHNcVfmpaQbxfg
编辑:杨琦钜
105#
 楼主| 发表于 2018-8-9 15:24:15 | 只看该作者
【案例】



编辑:杨琦钜
106#
 楼主| 发表于 2018-8-16 21:00:03 | 只看该作者
【案例】

30张地图看懂世界格局,用大数据说话



来源:中国智慧城市导刊
1.世界人口聚集地


红色越深人口密度越大;灰色代表无人地带。

2.全球各国平均智商分布图


颜色越浅智商越高


3.全球冰川融化后的世界地图


4.世界每100人拥有枪支的数量
美利坚都黑了——几乎人手一枪……


5.世界各国成年人吸毒率
6.美国各种关于公共场所裸露上半身的法律
绿色:无论男女都可以在公共场合裸露上半身;
褐色:有法律约束但是定位模糊;
红色:严谨女性裸露上半身。
数年前看到一则新闻,说美国女性抗议公共场合禁止女性裸露上半身是性别歧视…果然是东西方文化差异,亚洲各国女性纷纷表示被男人看到胸部等同于吃了大亏……


7.世界各国取名规则
取名规则
红色:只有名
橙色:名+父姓+母姓
黄色:名+母姓+父姓
浅黄:名+宗族姓
白:宗族姓+名
深绿:名+姓
浅绿:姓+名
深蓝:名+父名+祖父名+姓
浅蓝:名+父系名+姓
紫:名+父系名
难怪俄罗斯人的名字奇长无比……


8.屏蔽全球3大网站的国家


三大网站
完全屏蔽这三个网站的国家有:中国、朝鲜、伊朗


9.世界各国平均年龄结构
平均年龄结构
日本、俄罗斯、美国老龄化如此严重了……
中国形式也不太乐观,少子高龄化的危机就在眼前。


10.全球各国女性生育子女数量
生育子女数量


11.世界各国世界杯最好成绩
世界杯最好成绩
灰色:从未入围过世界杯;
绿色:曾经进过首轮;
浅绿:杀入过第二轮。


12.马航乌克兰上空被导弹袭击后,美国媒体街头随机采访路人,让他们点出乌克兰在世界地图上的位置,结果。。


乌克兰在哪?


13.世界各国移民进出状况




各国移民进出


红、粉、紫:接受移民的国家;
绿、浅绿、黄:输出移民的国家。


14.世界各国访问最多的网站(日本为yahoo)


访问最多网站
全球只有中国和俄罗斯的民众访问最频繁的是本土网站;百度干得漂亮……当然,有些网站在中国无法访问可能也占了一部分原因。
15.世界各国电影票均价


绿色越深越便宜,红色越深越贵。
中国竟然比美国看电影贵……日本看电影贵吗?普通1800日元(约人民币97元)、3D 2400日元(约人民币129元)真的很贵?


16.世界各国已经探明的石油储量


颜色越深储量越大。
美国上面有加拿大,下面有墨西哥,石油储量都不弱于中东诸国;说美国为了石油才打伊拉克的,能解释下为什么美国不打又穷又近又容易打的墨西哥呢?


17.全球实行免费医疗,或者免除部分医疗的国家和地区

免费医疗国家
清一色的万恶的、水深火热的资本主义国家……


18.美国本土成人电影产量分布图


左:美国本土成人电影产量最多的州;右:全世界成人电影产量最大的国家。这些国家按名次排名分别是:美国、匈牙利、捷克、英国、俄罗斯、法国、加拿大、德国、意大利、巴西


19.各国死刑状况

死刑状况
蓝色:已废除死刑
绿色:已废除一些极端情况下犯罪的死刑(如战争)
橙色:未废除死刑但近十年几乎没有执行案例
红色:死刑国家


20.世界各国每1000人拥有汽车的数量


每千人拥有汽车数量


21.全球各国的网速


绿色越深网速越快、红色越深网速越慢。灰色代表无民用互联网接入。
日本、韩国、欧洲领先……中国貌似也还可以。


22.第二次世界大战各国死亡人口占总人口比例


二战死亡人口比例
美国果然死的最少;俄罗斯惨不堪言啊……


23.各国流行的运动


最流行的活动
左下角示例图从上至下分别是:美式足球、箭术、澳式足球、棒球、篮球、板球、足球、盖尔人足球、马术、冰球、拳击、滑雪、乒乓球、橄榄球、摔跤


24.各国女性罩杯


由红到绿顺序为D罩杯以上、D、C、B、A罩杯
亚洲女性集体悲剧……俄罗斯果然美女多,无论身材还是相貌。


25.世界各地平均寿命


蓝色越深寿命越高;红色越深寿命越低。
资本主义国家再次领先……


26.全球地震多发点


地震多发点
日本全境都被地震点覆盖了……得益于优秀的耐震建筑,日本地震的死亡率却是全球最低的。


27.全球华人移民分布图


华人移民分布图
点评:整个东南亚基本上都红了……


28.全球烟民指数


红色越深烟民比例越高
香烟果然是摇钱树,高额税收之下管它对身体的害处有多大了。


29.世界各国男女比例


红色代表女多男少,蓝色代表女少男多;绿色代表男女均衡。
中国男人果然比较悲催……


30.世界各国潜在冲突指数


潜在冲突指数
深红色:社会极度不稳定极易产生冲突;
橙色:社会稳定度较差容易产生冲突;
黄色:社会基本稳定不易产生冲突;
绿色:社会稳定程度极高,基本不可能产生冲突。

https://mp.weixin.qq.com/s/AJJ8CVMzsnjW0wApShzq4g
编辑:付莎莎

107#
 楼主| 发表于 2018-10-25 23:22:02 | 只看该作者
【案例】

研究:90%安卓app数据被传回谷歌

    牛津大学研究人员发现,谷歌Play Store提供下载的app可能将数据传给了多个第三方。但谷歌对此提出异议。



更新于2018年10月24日 05:53 英国《金融时报》 阿莉娅•拉姆 伦敦报道

    牛津大学(Oxford University)研究人员发现,通过近100万款安卓(Android) app收集的数据有近90%被传回谷歌(Google)。
    这项经同行评审的研究分析了2017年谷歌Play Store提供下载的约三分之一app,发现这些app可能将数据传给多个(中位数为10个)第三方。
   
    今年以来,网站使用用户数据的方式受到前所未有的密切关注,但智能手机app此前没有受到什么关注。
    领导这个项目的计算机科学家鲁宾•宾斯(Reuben Binns)表示,随着多数app转向“免费增值”模式——即它们从广告(而不是销售)获得营收——数据共享已经失控。
    他说,对于智能手机数据流向数字广告集团、数据经纪商以及购买、销售并混合信息的中介机构的程度,用户、监管者、有时甚至app开发人员都不知道。“给人的感觉是这种本来正当的商业模式已经完全失控,形成了一种混乱的行业,受其影响最大的人却对它不了解,”宾斯表示。
   
    第三方通过智能手机app收集的数据包罗万象,从个人资料信息(如年龄和性别)到位置详细信息(包括附近移动通信塔或Wi-Fi路由器的数据),以及有关手机上其他所有app的信息。
    研究集团App Annie表示,自谷歌为安卓用户创建app商店以来,app经济快速增长,过去10年里有近1000万款app发布。今年8月,Play Store里有280万款app。
   
    牛津大学研究人员查看了app中表明数据正被传输的代码,并展示了它如何流向少数几家公司,特别是谷歌的母公司Alphabet,以及Facebook、Twitter和亚马逊(Amazon)。
    谷歌对这项研究的结论提出异议,称其错误表征了“普通功能”,例如app在崩溃后报告。
    Facebook、Twitter和亚马逊拒绝置评。
    译者/和风


网页链接:http://www.ftchinese.com/story/001079918#s=d
编辑:王豪
108#
 楼主| 发表于 2018-10-29 14:16:01 | 只看该作者
【案例】
数据造假成点评类网站潜规则? 造假容易追责难

北京青年报 10月29日 03:37
原标题:造假成本低廉 追责成本却非常高

数据造假成点评类网站“潜规则”?

业内人士表示,刷单、刷量可影响消费者的决定,为商家赢得更多生意,平台也可给投资人一份好看的数据,因而数据造假已成为行业的大问题,甚至成为许多点评类网站的“潜规则”。据北京青年报记者了解,数据造假成本低廉,2元即可买1万视频点击,与此同时,追责的成本非常高,此前有视频网站起诉刷量公司,9.5亿次的造假换来50万元的赔偿。

日前,旅行平台马蜂窝被曝数据造假,2100万条点评中有85%以上是从竞争对手网站抄袭来的。不论马蜂窝如何义正言辞地表示“文中所述数量与事实不符”,但马蜂窝平台上的确存在数据造假问题,这是毋庸置疑的。

业内人士表示,数据造假问题,包括刷单、刷量、刷分、搬运原创内容等,已成为行业的大问题,也是目前许多点评类网站的“潜规则”。北青报记者了解到,这些数据造假成本低廉,2元即可买1万视频点击,或3毛钱购买到一条微博评论。与此同时,追责的成本非常高,此前有视频网站起诉刷量公司,9.5亿次的造假换来50万元的赔偿。

马蜂窝承认数据造假行为

此前,乎睿数据提供的数据显示,马蜂窝的海量点评中85%以上来源于竞争对手网站,马蜂窝的2100万条“真实点评”中1800万来自于抓取其他网站。马蜂窝上有7454个抄袭账号,合计从携程、艺龙、美团、Agoda、Yelp上抄袭搬运了572万条餐饮点评与1221万条酒店点评。

而马蜂窝在回应中先是承认了数据造假的问题,其次表示没有文中所述的那么多。“点评内容在马蜂窝数据量中仅占比2.91%,涉嫌虚假点评的账号数量占比更小,马蜂窝已对这部分账号进行清理。”

但这样的说法又被对方指出“偷换概念”。“这个‘数据量’是条数还是数据大小?如果这 2100 万‘真实点评’占的是条数的 2.91%,那反推马蜂窝的游记、攻略有7 亿条?明显不是。如果这 2100 万‘真实点评’占的是数据大小的 2.91%,那这个比较有什么意义?一条点评 100 字,大小只有几百字节,但游记里一张图片就好几 MB。一篇游记的数据量可能是一篇点评的几万倍,拿点评的数据量只占 2.91% 来说点评不重要?”对方还罗列了马蜂窝在首页显示“2100万条”真实点评的宣传,来说明点评对马蜂窝的重要性。

几天后,在马蜂窝召开的新品发布会上,其CEO也当场承认,数据造假问题是存在的,只是文中所述内容与事实不符。有业内人士表示,数据造假问题已经是业内的一种“潜规则”,有人的地方几乎就有数据造假的问题,而目前不论是行业还是个体,都很少对该问题进行重视和追责,也就使得数据造假进一步成为一种“潜规则”。

为何刷单?数据造假是初创公司“捷径”

据业内人士介绍,在数据造假上,有两种造假的需求主体,一是商家,二是平台。对商家来说,在具有影响力的平台刷单、刷量,可以提升商家的排名和影响力,更多的好评和更靠前的影响力会影响消费者的消费决定,从而为自己赢得更多的生意。因此,在许多电商网站上,甚至许多线下的营销公司等都纷纷做起了代理生意,指导商家如何通过各种途径,包括刷单、促销、刷评价等方式,为自己带来利益。

一位餐饮店铺的老板对北青报记者表示,自己新开了店铺,因为知名度和地理位置的关系,流量一直不大。“现在许多消费者都依靠网络平台寻找店铺,因此我们很重视这块。找了专门的营销公司帮着做,他们先帮我们提升店内的浏览量和点击率,然后再提升交易量和好评数,很有一套。假的带真的嘛,现在店里客人真的比之前多了很多,我觉得很值。”

而对平台来说,为何对许多商家刷评论或刷单的行为“睁一只眼闭一只眼”,甚至平台自己也会偷偷去刷呢?因为对许多内容平台来说,数据就是生命,只有平台整体保持有足够多、足够优质的评价,消费者才会形成一种使用习惯,真是消费者打开次数多了、消费次数多了,就会带来更多的消费与评价。另一方面,是融资的需要。拿给投资人一份好看的数据,是每个初创公司的共同追求,短期内提升数据很难?数据造假可能是一条“捷径”。

此前有平台被发现大规模搬运其他平台的评价,该平台承认了存在店铺违规转载的情况,并表示:“该事件发生是因为平台新上线试运营的推荐栏目,在未经授权的情况下对相关内容进行了违规转载。”平台新栏目上线,没有评价怎么办?转载其他平台的,这也是很多评价类平台都存在的问题。

刷单成本低至2元起

北青报记者调查发现,这种机械的刷单价格十分低廉,由于刷单、刷量、刷评论等相关技术已经很成熟,因此造假的成本其实非常低。

例如在微博平台,一家专门做微博营销的公司开出的价格是5元起,“微博转发,点赞,微博投票,价格分别如下:首次体验价5元100个,100=10元,1000=80元,1万=600元;评论:30元=100个(注:指定一条微博至少100次起刷,不够100按100算)。去别人微博底下评论的赞,最低30元100个,微博阅读量10元1万,80元10万;视频播放量20元1万。”这家公司同时帮助用户增加粉丝,粉丝还分为初级、高级、精品和顶级几类:“高级、初级都是凑数的哦(就数量没质量),高级是有头像,初级就数量什么都没有;顶级、精品是真人,有自带粉丝跟博文的。”据透露,许多顶级和精品的账号都来源于盗取真实用户的账号,攻陷后,这些此前被精心维护的账号就成了别人手中的“武器”。

而为视频网站的作品刷量,报价2元起。据一家营销工作室负责人介绍,目前所有的视频网站包括优酷土豆、腾讯、爱奇艺、搜狐、乐视、PPTV等都可以操作“刷量”,价格不等。其中,爱奇艺的分为两档,一档为“掉量的”,也就是以机器刷量,这种方式容易被爱奇艺以技术手段发现并屏蔽,10元1万次,7天内包补;另一档为“不掉量的”,价格为80元1万次,不过该档“不保证速度,需要排队,数据延迟更新,不接急单”。另外几家视频网站的刷量报价从2元1万到60元1万不等,有的承诺“掉量补”,有的则保证“快速”。一些刷量的商户显示月销近5000笔,由此获得的不法收益也较为可观。此前,爱奇艺就起诉了一家“刷量”的公司,并被判获赔50万元。

而一位做“水军”业务营销公司的老总告诉北青报记者,一部影片在豆瓣的刷分投入在5000元起。他说,基本上每部影片或电视剧在推广期都有安排豆瓣刷分、微博炒作等渠道。虽然豆瓣方面一直查得很严,但豆瓣对影视产品来说还是非常重要,因此大量公司还是会去做。具体怎么做?该老总说,要根据具体影片、电视剧具体分析:电影相对于电视剧来说难度更大,“电影评论比较集中,一上映评论打分就蜂拥进来,基本是当天就开分(显示评分)。”未上映的新剧和新片“还没开分”,操作空间比较大;而已经上映的,就要做搜集数据、技术分析了。具体价格也要根据客户需求来看,较为小众的,较好操作,5000-20000元左右即可;而类似前段时间被质疑声音较多的《后来的我们》这种级别的,“可能要几十万”。他说,一般刷分不能单纯刷,还要和长短评论、点赞、讨论区搭配起来做,而这个价格通常是比较高的,“长短评、讨论区、点赞都有单价,就看项目需要多少量。具体是,长短评40元/条,讨论区40元/条,点赞2元/个;做这些项目都会附加四五星打分。”

而对于餐饮类平台,价格则相对较高,询价中一公司介绍,“专业团队操作点评,点评价格3到6星VIP账号是60元一条,1到2星账号是40元一条。量大可以优惠。”为了保证可信度,对方还表示只用当地账号写。

此前还有业内人士发现,蜻蜓FM通过强行后台自启动等方式对月活数据进行造假,一位用户随后便在知名社区“知乎”上爆出蜻蜓FM后台自启动代码。通过反向编译蜻蜓FM安卓版本软件,他发现该软件中隐藏有名为“普罗米修斯”和“宙斯”的强行自启代码。前者可以无声无息地在用户手机中,后台启动无窗口透明界面,伪造DAU(日活跃用户数);后者则可以自主触发广告商的广告,并回传给第三方数据公司,从而完成“用户自主点击广告”的操作进行广告费的欺骗。

另外,蜻蜓FM的CEO在宣布用户数1.5亿的两个月之后就宣布用户数突破2亿,也就是说两个月之内涨了5000万用户,不少业内人士纷纷表示数据一定有问题,而数据造假的目的应该是增加广告收入和促进融资。虽然蜻蜓FM回应这些软件是新功能上线时进行AB对照测试、统计相关用户指标,以便产品决策的技术框架,但依然无法解释为何会增加广告点击量和日活数。

平台也会主动抓取内容

而平台自己也会利用“爬虫”等技术手段抓取用户信息或评论。据一位工程师向北青报记者介绍,一些网站可以利用“网络爬虫”来抓取,“爬虫”就是将正常人可以浏览的内容,用公开的查询接口读取出来,再归纳成文档。由于评价的内容是公开的,因此很容易被“爬虫”抓取,一些网站不仅抓取评价内容,连注册用户的内容也完全照搬。

例如,小红书就曾被一网站批量侵权。多位小红书用户称,自己在小红书上的原创内容遭到点评网“达人”栏目的搬运,将自己的账号、头像和图片内容都搬运到点评网上。“前几天朋友告诉我在点评网上看到跟我的小红书账号一模一样的名字、头像、笔记内容,甚至是视频(我在此之前毫不知情)。和几个小红书的小伙伴私下聊一下,发现点评网上出现的一堆‘达人’账号,都是批量操作批量盗用小红书的博主账号。”点评网回应称,经调查,该事件发生是因为点评网新上线试运营的推荐栏目在未经授权的情况下对相关内容进行了违规转载,已第一时间完成所有内容排查与全部清理下线,并通过技术手段确保该类问题不再出现。

百度此前也曾遭遇类似问题。百度公司未经许可在百度地图和百度知道中大量使用了来自大众点评网的信息,在百度地图和百度知道产品中搜索某一商户,页面会显示用户对该商户的评价信息,其中大部分信息都来自于大众点评网。后者将之诉诸法院,法院调查发现,由百度地图公证抽取的商户点评信息资料,其中涉及餐饮行业的1055个商户共使用来自于大众点评网的评论信息86286条,平均每家商户使用81条。有784家商户使用的评论信息中超过75%的比例来自大众点评网,且所有评论信息均全文显示并主要位于页面前列。因此,最后百度被判赔偿后者300万元的损失。

法律规定刷单刷量者要承担责任

事实上,刷量行为不仅会降低网站或商户的信用,更会造成不公平竞争。上述案例中不少平台或公司都由此被告上了法院,最终被法院判处赔偿。不过,为何还有大量的刷单、刷量行为呢?据一营销公司介绍,一是由于商家刷量的同时,也会为平台增加活跃度,因此很多平台睁一只眼闭一只眼,不会进行举报;二是举证难,许多营销公司刷量时会利用人工、技术等多种手段,伪装成真实评价,不易被发觉,更不易被取证;三是维权成本高,走司法途径等需要花费一定的时间成本和经济成本,而且最终被赔偿的金额也不高,例如爱奇艺被刷量9.5亿次,最终仅被赔偿50万元。

不过上海徐汇法院知识产权审判庭庭长王利民则认为,应当维权。他说,在现代社会信息化浪潮中,信息、数据成为推动社会进步的重要力量,大数据以及相应应用技术尤为重要,已经成为市场经营者掌握竞争优势的重要因素。法律制度对于大数据信息所蕴藏巨大商业价值的保护与规制,应秉持保障交易安全、促进技术发展、尊重诚实信用以及公认商业道德的基本思路,刷量的行为会损害视频网站的商业利益,也会损害消费者的合法权益,应承担相应侵权责任。

文/本报记者  温婧

链接:https://news.sina.cn/gn/2018-10- ... 701.d.html?from=wap

编辑:陈心茹

109#
 楼主| 发表于 2018-11-2 00:22:34 | 只看该作者
【案例】
2018年美国移动视频广告报告
Inmobi  新媒体创意营销  2018-10-31
来源: 199IT互联网数据中心
Inmobi发布了“2018年美国移动视频广告报告”,2018年美国移动广告支出将达到700亿美元,是2008年的200倍。到2021年,这个数字将达到1020亿美元,比2018年增长46%。总而言之,到2021年美国广告商和营销商将媒体预算的40%用于移动广告。
各种移动设备上的视频消费指数都在上升,特别是智能手机。五年前,美国人在PC上花费的时间是移动设备的2倍。现在,这个数字得到逆转,人们在移动设备上花费的时间比PC1.5倍。因此,移动视频广告对广告商和广告客户都变的越来越重要。
美国占视频支出和收视的50%,对视频的需求增长了176%。人们在应用内花费的时间份额正在增长,应用内视频收视也如此。网络视频观众的数量在2016-2020年间将增长10%,达到2.359亿人。2017年美国网络视频收视量增长176%,移动视频广告支出增长150%
美国广告客户视频可见率为94%。各国品牌广告客户可以追踪和衡量全球可见度,以确保最大限度地减少浪费资源。
美国正在推进广告程序化购买。91%的品牌广告客户在2017年使用过广告程序化购买渠道,主要是由于其超高的效率和透明度。因此可以理解为什么美国广告程序化购买支出增长136%
SDK级整合带来更好的点击率和可见度测量。那些拥有SDK级整合库存的品牌广告享有预缓存视频,其加载更快,提供更好的体验,带来更高的点击率。
零售、移动电子商务和食品饮料广告客户更依赖移动视频。视觉、听觉和移动性影响消费者的购买决策。一张图顶千言万语,现在则是一个视频顶千张图。因此,各行业广告客户投资移动视频广告合情合理。

编辑:陈心茹

110#
 楼主| 发表于 2018-11-5 19:38:21 | 只看该作者
【案例】搜狐Q3同比减亏近66% 视频业务同比减亏超50%
摘要:财报显示,搜狐第三季度总营收为4.60亿美元,同比下滑11%;归属搜狐的净亏损为3500万美元,较去年同期净亏损1.04亿美元有所收窄。

蓝鲸TMT频道115日讯,搜狐(NASDAQSOHU)今天发布了截至2018930日的第三季度未经审计财报。财报显示,搜狐第三季度总营收为4.60亿美元,同比下滑11%;归属搜狐的净亏损为3500万美元,较去年同期净亏损1.04亿美元有所收窄。

财报显示,搜狐第三季度品牌广告收入为5,700万美元,较2017年同期下降24%,较上一季度下降7%,搜狐解释,这部分下降主要是由于门户以及视频广告业务收入下降。

同时,搜索及搜索相关广告业务收入为2.55亿美元,较2017年同期增长13%,较上一季度下降6%

搜狐表示,第三季度移动端搜索流量及商业化能力保持增长,但由于部分广告业务一次性暂停了10天业务进行整改,以符合政府监管要求,搜索业务收入受到一定影响。

在线游戏收入为9,600万美元,较2017年同期下降28%,较上一季度增长2%

搜狐公司董事长兼首席执行官张朝阳称,2018年第三季度总收入大致符合此前的预期,不考虑非经营项目,盈亏情况好于预期。

他认为,这主要得益于搜狐视频成本下降和在线游戏业务的良好表现。搜狐媒体方面,核心移动APP日活跃用户和使用时长均呈上升趋势。搜狐视频持续削减内容成本,并不断开发投资回报率较好的自制节目,使得视频板块同比减亏超过50%。而受益于天龙八部端游及手游的健康表现,畅游的收入及利润均显著好于预期。




编辑:冉玲琳

发表回复

您需要登录后才可以回帖 登录 | 实名注册

本版积分规则

掌上论坛|小黑屋|传媒教育网 ( 蜀ICP备16019560号-1

Copyright 2013 小马版权所有 All Rights Reserved.

Powered by Discuz! X3.2

© 2016-2022 Comsenz Inc.

快速回复 返回顶部 返回列表