Knowledge Management Forum >

2021 , Vol. 6 >Issue 6: 315 - 326

DOI: https://doi.org/10.13266/j.issn.2095-5472.2021.030

Research on the Influencing Factors of Users' Purchasing Behavior of Live Broadcast E-commerce

  • Huang Wei ,
  • Wang Shanshan ,
  • Dai Xinyu
Expand
  • School of economics and management, Hubei University of technology, Wuhan 430064

Received date: 2021-06-08

  Online published: 2025-04-28

Fold

Abstract

[Purpose/significance] The research on the users’ purchasing behavior of live broadcast E-commerce is of great significance for the development of live broadcast E-commerce, which is conducive to the targeted adjustment and improvement of live broadcast strategy. [Method/process] This paper studies the influencing factors of users' purchasing behavior of live broadcast E-commerce, constructs an index system from four aspects of anchor ability, commodity information, user attribute, and comprehensive ability of live broadcast team, and draws a conclusion with an example. Through the release of questionnaires and expert consultation to collect data, this paper uses fuzzy comprehensive evaluation method for the first evaluation of all levels of indicators, then uses analytic hierarchy process for pairwise comparison, builds a matrix, gets the final weight, and accurately analyzes the influencing factors of users’ purchasing behavior. [Result/conclusion] Credibility of commodity information and comprehensiveness of commodity display are the first major factors of affecting users’ purchasing behavior. Under segmentation, the most important factors are commodity quality, information detail level and online reputation, follow by the professional ability of the anchor. There are great differences between users of different ages which influenced by anchors with different social identities, and real-time comment interaction is easier to promote user consumption. The continuous penetration of online shopping in the public makes the audience of middle and old users watching live broadcast E-commerce expand gradually, and has a strong development potential.

Key words： live broadcast E-commerce; purchasing behavior; analytic hierarchy process; influencing factors

Cite this article

Huang Wei , Wang Shanshan , Dai Xinyu . Research on the Influencing Factors of Users' Purchasing Behavior of Live Broadcast E-commerce[J]. Knowledge Management Forum, 2021 , 6(6) : 315 -326 . DOI: 10.13266/j.issn.2095-5472.2021.030

1 引言

互联网技术的快速发展、社会网络化进程的不断加快以及智能通讯设备的更迭普及，促进了人们生活方式、生产方式以及思维方式的改变。据中国互联网络信息中心发布的《第47次中国互联网络发展状况统计报告》显示，截至2020年12月，我国网民的规模达9.89亿，其中网络购物用户达7.82亿，占网民整体的79.1% [1]。这表明与线下购物相比，人们越来越倾向于便捷、快速的网络购物，而本身庞大的网民基数又进一步促进了国内消费市场的蓬勃发展。
随着Web 4.0时代的到来和电商平台的不断完善壮大，网络购物中所包含的信息越来越繁杂，不能对商品进行全面了解的消费者，很难在短时间内筛选出对自己有用的信息，且与线下的购物模式相比，网络购物缺乏真实场景的体验，难以对消费者形成直接的刺激。因此在互联网新技术的加持下，一种新的商业形态应运而生——直播电商[2]。
据报告显示，2020年我国直播电商行业的总规模达到9 610亿元，到2021年预计将将接近12 012亿元。而电商直播用户规模为3.09亿，占网民整体的32.9% [3]。2019年“618”购物节期间，淘宝通过直播带货销售30亿元；2019年“双11”当天，仅淘宝直播的成交额就达到200亿，单直播间销售额过亿的超过10个[4]。直播，成为了“双11”活动期间品牌商家销售额的最大贡献者。网络直播作为“线上引流+实体消费”的数字经济模式，其购买转化率高，营销效果好，逐渐成为电商平台新的增长动力，也完美契合了国家“跨越信息鸿沟、实现安全交易、形成健康循环”的新目标。数据显示，在直播电商中购买商品的用户已经达到了整体电商直播用户的66.2%，其中17.8%的用户的电商直播消费金额占其所有网上购物消费额的三成以上[5]。
对比传统的营销模式，直播电商具有3个明显的优势：成本低廉、时效性高、更易宣传。传统营销的宣传模式主要靠电视、户外展牌等，不仅成本高且宣传效果不理想。直播电商以手机和电脑为媒介，充分利用消费者闲暇时间，悄无声息地将商品推送给消费者[6]。比起传统电商平台上的平面图片，直播可以让消费者更直接地接收商品信息。主播实时的语言情绪、观众现场及时的互动反馈，相比于单纯的靠图片和视频展示更加让人体会到真实感，进而降低信任成本。
笔者研究直播电商中最能影响消费者购买行为的因素，希望能够给予通过直播形式来实现品牌影响力提升和带货的企业一些管理启示和实践指导，同时对电商直播的平台方和消费者也具有一定的参考价值和现实意义。

2 电商直播平台用户使用行为影响因素研究综述

我国学者对于电商直播的研究最早开始于2016年，大多数研究集中在直播电商的特点、发展现状及对策、KOL（Key Opinion Leader，简称KOL，中文解释为“关键意见领袖”）经济等方面，且硕博士论文所占比例较大，近几年随着直播电商的广泛应用，对于消费者购买意愿和购买行为的研究也逐渐深入。
在购买意愿的研究方面，主播与粉丝的交互对消费者有较大的影响。陶冰心等[7]从心理学的角度出发，利用实用+享乐理论，研究了电商直播用户互动的关键驱动因素为使用需求和享乐需求；谭羽利[8]采用个案研究和深度访谈的方法，指出意见领袖推荐产品的呈现形式对消费者购买意愿的影响最大；王晰巍等[9]聚焦于直播APP，采用问卷调查和结构方程模型相结合的方法，得出对用户使用意愿影响最大的是感知交互性的结论；田鑫鑫等[10]的研究表明成本的降低、意见领袖、购买情景等都有利于增强消费者的购买意愿。而对于购买行为的研究，目前大多数学者仍从心理学的角度进行分析。魏华等[11]和董方[12]均以SOR（Stimulus—Organism—Response）模型为框架，对用户在线购买行为的影响机理作了深入的研究，分别构建了信息交互对电商直播用户参与行为的影响模型和移动电商网络直播的用户购买意愿影响因素模型，分析得出信息交互的响应性、娱乐性、互助性对用户参与行为具有显著影响的结论；唐舒天[13]采用内容分析的方法，探索了微博网红对粉丝消费行为的具体影响因素，其中包括引起注意、消费狂欢、聚拢粉丝等。由于国外的电商环境相对保守，直播电商的普及也远没有国内高，因此目前对直播电商的研究相对较少，主要集中在对社交电子商务中用户观看直播意愿影响因素的研究。社交电商是一种新的电子商务的营销方式，通过社交平台进行营销。在用户观看直播电商意愿的因素研究方面，感知价值、实时互动、娱乐性等因素有较大影响。如：C. C. Chen等[14]指出，娱乐和社交互动对用户观看直播节目的意图有积极影响；F. F. Hou[15]等研究发现，互动性、幽默感、娱乐性和互动性对用户持续观看意图产生积极的影响，而社交状态则促进了用户的消费意愿； I. Erkan和C. Evans[16]的研究中指出，体验式和场景式的营销方式能极大地增加消费者的参与度，从而刺激其购买欲望。
综上，国内对于直播电商环境中用户购买行为的研究并不少，但大多着眼于某一方面因素的影响，或是从传播学、心理学角度进行分析，鲜少有包含整体多方面的分析。国外由于直播电商环境的不发达，也只是聚焦于如何吸引用户观看，并未着眼于购买转化方面。因此，笔者以模糊综合评价法和层次分析法为基础，从主播、商品信息、用户属性和直播团队多方位研究，筛选出直播电商中最能影响消费者购买行为的因素，希望能够为直播电商领域的从业者带来一定的启示和思考，同时对新型网购模式下消费者购买行为的研究也具有一定的参考价值。

3 直播电商用户购买行为评价指标体系构建

笔者整理了大量的文献资料，遵循全面性、代表性、客观性、合理性、可测量性原则，初步确定指标体系，为了得到更为全面的指标，对研究对象进行更准确的描述与评价，笔者随后采取问卷调查的形式，进一步完善指标体系[17]。在线问卷进行了两次修改，最终设计出了直播电商用户购买行为影响因素调查问卷。问卷的发布对象主要为直播电商的用户，此群体是本次研究的主要接触者，他们对直播电商的各方面（如主播、直播的商品、整个直播团队等）都有相对清晰的认知，可以为本文提供较为准确的建议。问卷发布7天后收到203份反馈，对所有问卷进行查看、整理、分类，并综合多方面观点，将具有参考性的意见与初级指标融合，进一步将各级指标优化完善，最终得到由4个一级指标、8个二级指标、33个三级指标构成的直播电商用户购买行为影响因素的评价指标体系，如表1所示：
表1 直播电商用户购买行为影响因素评价指标
一级指标 二级指标 三级指标
主播能力 吸引力 人设（独特点）
社会身份
性别
外貌身材
与产品形象符合度
亲切感
专业性 口播能力
问题解答
与用户互动程度
商品信息 全面性 质量
信息详细程度
展示全面性
可信性 品牌知名度（品牌粉丝数）
线上口碑
媒体推荐
用户属性 基本属性 年龄
性别
居住地
职业
学历
动态属性 上网频次
浏览记录（近期浏览过）
搜索记录（近期搜索过）
关注记录（关注这个店铺/品牌/主播）
直播团队综合能力 业务能力 商品优惠力度（招商能力）
供应链能力（物流）
客服能力
直播控场能力
直播平台选择
直播环境 氛围营造
他人购买行为
美颜滤镜
画面清晰度

4 指标权值计算

笔者为确定指标权值使用了德尔菲法、模糊综合评价法和层次分析法。德尔菲法与层次分析法因受个人理解的限制而具有一定的主观随意性，但结合学科领域专家的建议并采用科学的计算方法所得到的权值，是具有合理性与有效性的。模糊综合评价法通过数字手段处理评价对象，对所含信息中具有模糊性的资料能够做出更为科学、合理、贴近现实的量化评价，使得本研究在科学性与有效性上有了较大的提升。

4.1 权值计算方法

4.1.1 德尔菲法

德尔菲法（也称“专家调查法”）是最简单的确定权重的方法，主要是收集专家的意见与经验以及对各项指标重要程度的认知，对指标的权重进行分配，越重要的指标权重越大，并在不停的反馈和修改中得到比较满意的成果[18]。笔者在初步确定各项指标时采用德尔菲法，综合直播电商领域各专家的意见对各项指标进行赋值。由于人为挑选带有主观意识，且不同学者持有不同的观点，为了保证权值的合理性并达成共识，只能忽略极少数不一致意见，以各权重的合理性为基础，不断地取舍与调整，最终确定初步权重。

4.1.2 模糊综合评价法

模糊综合评价法是一种基于模糊数学的综合评价方法，它能较好地解决模糊或者难以量化的问题，适用于各种非确定性问题的解决[19]。因此，采用模糊综合评价法对部分定性指标进行评价，其具体步骤如下：
（1）建立评价对象因素集U和评价集V；同时，确定各影响因素的权重W。
（2）确定各因素的评分隶属函数以及综合评价矩阵R，求出隶属度，获得模糊综合评价集 B。
（3）通过综合评价矩阵 R 求模糊综合评价集 B，即：
B＝W×R
最终模糊值，即用模糊综合评价集B和测量标度H计算出评价对象的综合评价分数E：
E＝B×H

4.1.3 层次分析法

采用层次分析法(Analytic Hierarchy Process，简称AHP)进行权重的计算：对同一层次各指标的重要性进行两两比较，专家打分，构造两两比较的判断矩阵，最终采用特征向量法确定指标权重W=( w1，w2，…wn) T，并对其进行一致性校验。通过分析复杂系统所包含的因素并对其相关关系进行研究，将问题层次化，构造一个层次分析结构模型，再将每一层次的各元素两两对比，按照一定的标准，得到相对重要程度的比较标度。建立判断矩阵，计算矩阵的最大特征值及特征向量，得到各层次元素对于上一层次中某元素的重要性次序，从而建立权重向量[20]。其主要步骤如下:
(1)选择 SAATY1~9 标度法，将各个指标两两之间重要性对比进行定量分析，构建判断矩阵。
${R}_{a}=\left[\begin{array}{cc}\begin{array}{cc}{r}_{11}& {r}_{12}\\ {r}_{21}& {r}_{22}\end{array}& \begin{array}{cc}\cdots & {r}_{1n}\\ \cdots & {r}_{2n}\end{array}\\ \begin{array}{cc}⋮& ⋮\\ {r}_{n1}& {r}_{n2}\end{array}& \begin{array}{cc}\ddots & ⋮\\ \cdots & {r}_{nn}\end{array}\end{array}\right]$
(2)计算最大特征根和最大特征向量。
设指标向量$W={\left(\begin{array}{ccc}{w}_{1},& {w}_{2},\dots & {w}_{n}\end{array}\right)}^{T}$，右乘判断矩阵所得结果为：
$RW=\left[\begin{array}{cc}\begin{array}{cc}{r}_{11}& {r}_{12}\\ {r}_{21}& {r}_{22}\end{array}& \begin{array}{cc}\cdots & {r}_{1n}\\ \cdots & {r}_{2n}\end{array}\\ \begin{array}{cc}⋮& ⋮\\ {r}_{n1}& {r}_{n2}\end{array}& \begin{array}{cc}\ddots & ⋮\\ \cdots & {r}_{nn}\end{array}\end{array}\right]\left[\begin{array}{c}{w}_{1}\\ \begin{array}{c}{w}_{2}\\ ⋮\end{array}\\ {w}_{n}\end{array}\right]=\left[\begin{array}{c}{nw}_{1}\\ \begin{array}{c}{nw}_{2}\\ ⋮\end{array}\\ {nw}_{n}\end{array}\right]={\lambda }_{max}$
可知${\lambda }_{max}$为上述判断矩阵 R 唯一的非零最大特征值，W为其对应的特征向量，该向量中的元素就可以作为该矩阵对应的指标权重值。
（3）判断矩阵的一致性校验。① 计算一致性指标 CI =$\frac{{\lambda }_{max}-n}{n-1}$；②找出相应的随机一致性指标RI；③计算一致性比例 CＲ =$\frac{CI}{RI}$ 。当CR＜0.1时，则证明一致性检验通过，否则对A进行修改。
综合专家给出的意见并采用层次分析法对各级指标进行计算，二级指标计算实例和二级指标AHP层次分析结果如表2和表3所示：
表2 二级指标计算实例
A A1 A2 A3 A4 A5 A6 A7
A1 1 1/4 1/9 1/6 1/3 1/2 1/3
A2 4 1 1/6 1/2 1 3 2
A3 9 6 1 4 7 8 7
A4 6 2 1/4 1 3 5 4
A5 3 1 1/7 1/3 1 2 1
A6 2 1/3 1/8 1/5 1/2 1 1
A7 3 1/2 1/7 1/4 1 1 1
表3 二级指标AHP层次分析结果
项 特征向量 权重值/% 最大特征值 CI值
主播吸引力 0.210 3.005 7.212 0.035
主播专业性 0.738 10.538
商品全面性 3.324 47.418
商品可信性 1.384 19.777
团队业务能力 0.554 7.912
直播环境 0.343 4.902
用户动态属性 0.447 6.386
（4）计算含权重值的指标体系。从表3可知，针对主播吸引力、主播专业性、商品全面性、商品可信性、团队业务能力、直播环境、用户动态属性总共7项构建7阶判断矩阵进行AHP层次法研究，分析得到特征向量为W=（0.210，0.738，3.324，1.384，0.554，0.343，0.447），并且总共7项对应的权重值分别是：3.005%、10.538%、47.418%、19.777%、7.912%、4.902%、6.386%。除此之外，结合特征向量计算出最大特征根为7.212，利用最大特征根值计算得到CI值为0.035。针对RI值查表为1.360，因此计算得到CR值为0.026<0.1，意味着本次研究判断矩阵满足一致性检验，计算所得权重具有一致性。

4.2 各级指标权重

笔者综合运用3种指标计算方法，得到如表4所示的各级指标最终权重表。同一二级指标下的三级指标权重差距相对明显，表明指标的相关性较小、区分度较大，由此进一步验证了指标的关联性、合理性与有效性。
表4 各级指标权重表
一级指标 一级指标权重 二级指标 二级指标权重 三级指标 三级指标权重
主播能力 0.097 24 吸引力 0.030 05 人设 0.117 23
社会身份 0.325 86
性别 0.025 82
外貌身材 0.081 42
与产品形象符合度 0.092 92
亲切感 0.356 76
专业性 0.105 38 口播能力 0.169 84
问题解答 0.442 86
与用户互动程度 0.387 3
商品信息 0.531 66 全面性 0.474 81 质量 0.442 86
信息详细程度 0.387 3
展示全面性 0.169 84
可信性 0.197 77 品牌知名度 0.138 07
线上口碑 0.732
媒体推荐 0.129 94
用户属性 0.185 55 基本属性 —— 年龄 ——
性别 ——
居住地 ——
职业 ——
学历 ——
动态属性 0.063 86 上网频次 ——
浏览记录 0.619 35
搜索记录 0.284 23
关注记录 0.096 42
直播团队综合能力 0.185 55 业务能力 0.079 12 招商能力 0.417 74
供应链能力 0.038 84
客服能力 0.417 74
直播控场能力 0.064 34
直播平台选择 0.061 34
直播环境 0.049 02 氛围营造 0.042 11
他人购买行为 0.395
美颜滤镜 0.167 9
画面清晰度 0.395

5 实证分析

5.1 实验设计

为了对直播电商用户购买行为影响因素进行更为全面有效的评价，笔者根据目前电商直播间的火爆程度，选取直播电商中销售额非常高、较高和一般的3个直播间（淘宝平台的“李佳琦”直播间和“赵大喜daxi”直播间、抖音平台的“张庭”直播间）作为调查对象进行综合分析。对每一个直播间进行在线观看，选取每场直播当中销量较好的3个产品，详细记录其直播过程，就其中可量化的指标进行记录，对分数进行平均计算，做出综合评价。

5.2 实验结果

采用德尔菲法得到的结果见表5。15位直播电商领域的专家针对已经选定的3个直播电商实例，综合上述评价指标体系，对每个案例的末级指标给予合理有效的评分。根据表4的各级指标权重表，将不可量化指标去除后，得到新的权重占比。从表中数据可以看出，在质量、信息详细程度、与用户互动程度等方面评分值差异较大。笔者构建的评价指标体系中不包含负分指标，即每项指标对于直播电商用户的购买行为来说都具有一定影响力。
表5 部分可量化指标结果数据
一级指标 二级指标 三级指标 权重/% 李佳琦 张庭 赵大喜daxi
主播能力 吸引力 人设 0.376 93.9 80.2 55.7
社会身份 1.046 90.4 85.3 59.3
性别 0.080 0 0 0
外貌身材 0.260 91.5 89.8 75.2
与产品形象符合度 0.298 93.7 74.7 69.7
亲切感 1.145 96.2 77.4 50.3
专业性 口播能力 1.900 95.7 70.1 57.4
问题解答 4.985 87.3 80.4 69.8
与用户互动程度 4.360 89.6 70.2 59.5
商品信息 全面性 质量 22.460 98.5 76.9 66.3
信息详细程度 19.600 92.1 70.3 58.4
展示全面性 8.600 93.2 84.8 54.3
可信性 品牌知名度 2.900 93.5 75.8 65.2
线上口碑 15.460 95.0 80.2 65.7
媒体推荐 2.745 88.4 76.3 52.6
直播团队综合能力 业务能力 招商能力 3.530 94.8 73.5 51.2
供应链能力 0.328 90.3 79.8 59.4
客服能力 3.520 90.6 75.1 68.9
直播控场能力 0.540 87.3 75.4 53.3
直播平台选择 0.518
直播环境 氛围营造 0.350 95.5 82.1 59.6
他人购买行为 2.060 80.4 77.8 60.4
美颜滤镜 0.879 78.8 79.6 77.9
画面清晰度 2.060 87.7 87.5 87.6
最终得分 92.80 76.27 62.13
对于直播平台的选择，由于无法获得具体的后台数据，两平台都存在较高销售额和较低销售额，对于用户购买行为的具体影响因素无法确认，因此在此处对于直播平台的选择不进行评分。

5.3 实验结论

5.3.1 商品信息

本研究发现，影响直播电商用户购买行为的第一大因素是商品信息，其中影响最大的为商品质量、信息详细程度和线上口碑。李佳琦直播间最终的评分高达92.80，为所选3个案例中得分最高的一位。对其直播间进行在线观看并记录各项时间可以发现，每一样商品介绍展示的时间占比高达60%左右，其次为氛围的营造等，也从侧面反映出商品信息的输出对用户购买行为的影响之大。而商品展示的全面性、品牌的知名度和媒体推荐相对得分不高，由于直播电商规模的不断扩大，各直播间在商品展示、品牌推销上并无太大差异，因此对于用户的影响程度也相对不高。

5.3.2 主播能力

（1）主播身份。对于主播的吸引力，不同社会身份的主播受众有较大差异，整体上看，用户对于职业主播更为信赖。根据数据分析，细分到不同年龄段的用户，18-39岁的青壮年，其购买行为受职业主播的影响最大。而对于40岁以上的中老年人来说，其购买行为受普通人的影响力更大（见图1）。
18-39岁的青壮年在网络上更为活跃，对于流量明星、职业主播的知晓度更高，在明星红利逐渐褪去的同时，职业主播作为更加专业、新颖的形式，对直播电商用户产生着越来越大的影响。但本身拥有丰富人生阅历的中老年人群，对于流量明星的关注度较少，对于职业主播这一新兴行业的信任度也没有那么高，反而是大学生、名校老师、县长这类身份的普通人更能引起他们在价值感上的共鸣。
图 1 各年龄段对于不同社会身份主播的偏好
（2）主播专业能力。对于主播的专业能力，是否能够引导用户实时评论、互动从而促进用户消费是很重要的评价标准。对李佳琦和张庭的直播间进行观看记录，分析发现他们在满足基本商品信息介绍的条件下，尽可能多地与粉丝互动并对他们留言的问题进行解答，与之相比“赵大喜daxi”直播间在这一点上就稍显不足。在传统营销方式中，消费者与营销人员的互动受限，易发生对营销需求了解不充分、沟通延迟、信息不对称等问题。但专业主播在直播的过程中能够不断引导用户，让其在体验到愉悦感的同时又能参与其中，满足了用户对于服务质量和商品价值的感知需求，从而对其购买行为有着正向影响[21]。因此，对于直播电商而言，其人际互动越充分，用户对商品的亲近感和满足感越强，就更有益于为有购物担忧的用户扫清障碍[22]。

5.3.3 用户属性

（1）中老年用户群体逐渐扩大，具有强大发展潜力。随着互联网在中高龄人群中的渗透和中老年人消费观念的不断改变，现在的中老年人越来越追求自由独立多元的生活，他们的心态日趋年轻化、时尚化，线上消费也呈现出明显的增长态势。对于中老年用户来说，有更多的时间观看直播，他们受直播商品价格门槛的限制更小，能够产生更大的购买力。
根据问卷调查结果，经常观看直播电商的人群当中，40-49岁占比31.11%，比18-29岁的青年人群还要多出6.67%（见图2）。对于直播电商的用户，大部分人会认为这是年轻一代热衷的行为，但中国60岁以上的老龄人群已高达2.49亿，50岁以上高达4亿，其中的网民数量已经增加到9 000万人。且中老年网络用户每年都以800万到1 000万的数量持续增加，可见其未来具有强大的发展潜力。
图2 不同年龄阶段的直播电商观看情况
（2）不同职业对于直播电商用户购买行为有较大差异。问卷调查结果显示，在受调查的200多人当中，有35%的全日制学生和33%的销售人员每周网购1-2次，较为频繁。其次为25%的管理人员、25%的市场/公关人员和22%的人力资源从业者。在经常观看直播的群体当中，有77.78%的教师、67%的人力资源从业者、66.67%客服人员和66.67%专业人士（会计师、律师等）（见图3）。可以发现直播电商在不同职业人群当中的渗透度也不同。全日制大学生虽然网购的频率较高，但对于直播电商这一领域关注度仍较低；销售人员因其工作性质，虽然网购较为频繁，但对于直播电商的观看也较少。教师职业虽对电商直播的关注度较高，但网购的频次并不高，从另一方面说明直播电商在教师这一行业的转化率相对较低。相反，人力资源从业者、管理人员这类群体网购和观看直播的频率都较为突出。不同职业的人因其职业属性、工作时间、消费需求等都有较大差异，因此对于直播电商的需求也有所不同。
图 3 不同职业人群网购和观看电商直播的频次
（3）观看直播频率不同的用户，受影响的因素和程度有较大差异。从1到5分别表示非常不影响、比较不影响、一般、比较影响和非常影响。根据数据结果分析可以看到，偶尔观看直播电商的用户，比起经常观看和基本不看的用户，受到商品信息、主播专业性等因素的影响更大；对于基本不观看直播电商的用户，受不同因素影响的跨度最大，最高为受商品信息影响3.34，其次为受主播的专业能力影响3.04和受直播环境影响2.8（见图4）；而对于经常观看直播的用户，基于其对直播电商各方面因素的充分了解，受不同因素的影响跨度较小，但最大的影响因素仍为商品信息，这也进一步论证了前文影响用户购买行为的第一大因素是商品信息的输出的结论。
图4 不同观看直播频率的人受影响的因素和程度

5.3.4 直播团队综合能力

根据最终的指标权重可以看出，整体上用户受到团队业务能力的影响要比直播环境大；在末级指标当中用户最看重的是招商能力，也就是在直播过程中的优惠折扣，其次为他人购买行为和客服能力。大部分直播电商的用户观看直播都是由于其比直接的线上购买优惠力度要大，赠品要多，且限时限量，满足了用户对于价格和有限商品抢购的攀比心理；观看直播的大多数用户都具有购买商品的可能性，在这样的情况下，他人购买行为的播报，会充分满足用户从众的消费心理，从而促进购买转化。

6 对策建议

作为一项新兴事物，直播电商在短时间内受到了大量消费者、企业与媒体的追捧，人们猜测它或许会是下一个互联网经济的风口[23]。各大新闻报道让人们看到了一个个直播带货的神话，掀起直播带货热潮。但从行业发展的规律来看，一个行业一旦进入狂热状态，就会有随时破灭的危险，这是一个比较危险的信号，需要引起企业足够的警戒。
笔者构建了直播电商用户购买行为影响因素的指标体系，并且结合具体实例进行了验证。在确定指标权重方面，综合采用德尔菲法、层次分析法以及模糊综合评价法，使指标更加具有信服力。同时进一步验证了本研究所构造的评价指标体系的合理性。现就研究结果，从以下方面对电商企业提出建议：
（1）在商品信息方面，把控好商品质量，直播中尽可能全面地展示商品信息。整个直播电商是以对人的信任为前提、以销售为本质、以直播为形态的三位一体模式。虽然相对于传统的网络购物，直播电商已经最大限度地将真实的商品展现给用户，但对于直播电商的用户来说，商品信息展示的全面性与商品本身的质量，仍然是他们对商品信任感的来源，也是促成其购买的决定性因素。企业在所有影响因素中，首先应该确保商品的质量，不断提高线上口碑，在直播当中尽可能全面地展示商品，获取用户的信任，而后才是对主播和团队的优化。
（2）在主播能力方面，用户粉丝偏好不同，会有针对性地选择主播。比起明星效应，主播专业程度对用户购买的影响更大。与直播电商兴起时不同，在经历了近半年的浮沉之后，明星带货这一作为直播电商模式全新的“引流手段”，效果已经大不如从前。现如今，直播带货已经从增量竞争转化为对存量用户的拼抢。在直播电商的销售中，主播的表现能力、口播能力、对问题的解答会成为很重要的一部分，需要主播与用户经常性地互动来弥补面对面真实互动的欠缺，适当频率、程度的互动有助于增加粉丝粘性，帮助企业维持直播间的长期效益[24]。并且随着直播技术的发展，主播可充分实现一对多的高强度互动，粉丝可以围绕爆款产品，利用评论、连线等方式向主播咨询，也可以与平台其他参与者交流，深层次了解购买及使用体验，进而提前感知商品的可信性与有用性，帮助企业获得效益。
（3） 在用户属性方面，如何增加流量用户对直播间、品牌的忠诚度，是各企业需要努力创新的地方。受许多网红直播的影响，部分中小型主播也开始模仿大主播的直播方式，“人人能主播”的乱象使得不同平台的主播数量激增，2019年淘宝直播平台的主播人数已超过2万人[25]。但受众审美疲劳过后，一些无直播特色的主播很快就消失在大众视野当中。因此，企业需要根据自己商品的特性，打造属于自己品牌的特色直播间，满足用户的求异心理，提高用户关注度。对于直播间粉丝的行为记录可以更为详细，从观看频率、下单频率、下单金额等多方面进行考量，区分不同忠诚度的粉丝，给予多少不等的优惠，再次正向促进用户对于直播间的粘性和忠诚度。
（4）在直播团队综合能力方面，各企业仍然需要不断对其内容及形式进行创新。一是对商业模式的创新。立足全新的产业链，充分利用5G、云计算、区块链等资源，赋予商品更加全息的展示；完善采购、服务、配送等流程，为用户提供更加优质贴心的服务。[26]二是突出个性化与差异化。直播电商现代商业销售模式和现代网络传播逐渐呈现分众化、差异化趋势，要应对其发展，需要强化相应策略。细分产品与受众，精准施策和按时推送，增加社区交互功能，同时兼具信息传递、品牌输入和大众娱乐的功能，增加用户对平台和商家主播的黏性，提升直播带货效益，从而促进企业直播带货的可持续发展。

黄炜： 进行选题指导，提出研究思路

王珊珊： 文献资料的收集，撰写和修改论文，检查文章内容逻辑

戴辛宇： 直播电商数据采集与分析

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
中国互联网络信息中心(CNNIC).第47次中国互联网络发展现状统计报告[R/OL].[2021-02-03]. http://www.cnnic.cn/hlwfzyj/hlwxzbg/hlwtjbg/202102/t20210203_71361.htm.

[2]
周永生,唐世华,肖静.电商直播平台消费者购买意愿研究——基于社会临场感视角[J/OL].当代经济管理,2021,43(1):40-47. [2021-02-03]. http://202.114.181.48:80/rwt/CNKI/http/NNYHGLUDN3WXTLUPMW4A/kcms/detail/13.1356.f.20200907.0957.004.html.

[3]
余法河.直播电商中存在的问题及规制[J].中国商论,2021(14):9-11.

[4]
陈杰.2020年中国快消品10大趋势[J].上海商业,2020(S1):97-101.

[5]
宦菁.农业在“巨变”[J].风流一代,2021(9):32-33.

[6]
沈宝钢.直播带货商业模式探析及其规范化发展[J].理论月刊,2020 (10):59-66.

[7]
陶冰心,陶冰倩.移动电商直播用户互动的驱动因素及对用户购买行为的实证研究[J].现代商业,2020(10):61-62.

[8]
谭羽利.电商直播中意见领袖对消费者购买意愿的影响研究[D]. 北京:北京印刷学院,2017.

[9]
王晰巍,刘伟利,贾沣琦,等.网络直播APP使用行为影响因素模型及实证研究[J].图书情报工作,2020,64(5):22-31.

[10]
田鑫鑫,田晶晶.电商直播中消费者购买意愿影响因素研究——以淘宝直播为例[J].科技与创新,2020(20):4-8.

[11]
魏华,高劲松,段菲菲.电商直播模式下信息交互对用户参与行为的影响[J].情报科学,2021,39(4):148-156.

[12]
董方.基于移动电商直播情境的消费者购买意愿研究[J].营销界,2019(25):137,162.

[13]
唐舒天.网红直播带货广告效果研究——情感消费的中介作用[J].传播力研究,2020,4(12):100-101.

[14]
CHEN C C, LIN Y C. What drives live-stream usage intention? the perspectives of flow, entertainment, social interaction, and endorsement[J]. Telematics & informatics, 2018, 35(1):293-303.

[15]
HOU F F, GUAN Z，LI B，et al. Factors influencing people’s continuous watching intention and consumption intention in live streaming: evidence from China [J]. Internet research, 2019, 30(1) : 141-163.

[16]
ERKAN I，EVANS C. The influence of eWOM in social media on consumers’ purchase intentions: an extended approach to information adoption[J]. Computers in human behavior, 2016, 61(AUG): 47-55.

[17]
黄建桥,黄炜,程钰,等.“互联网+”大学生创业模式的评价研究[J].湖北农业科学,2017,56(1):181-186.

[18]
霍建梅，李书宁.高校图书馆数字参考咨询引进众包模式研究——基于德尔菲法的调查分析[J].图书情报工作，2013，57（6）:73-78.

[19]
杨瑞仙，梁艳平．国内外高校科研评价方法比较研究[J]．情报杂志，2015，34（9）：107-110．

[20]
邓雪,李家铭,曾浩健,等.层次分析法权重计算方法分析及其应用研究[J].数学的实践与认识,2012,42(7):93-100.

[21]
刘佳,邹韵婕,刘泽溪.基于SEM模型的电商直播中消费者购买意愿影响因素分析[J].统计与决策,2021,37(7):94-97.

[22]
刘平胜，石永东.直播带货营销模式对消费者购买决策的影响机制[J].中国流通经济,2020(10):38-47.

[23]
姚林青，虞海侠.直播带货的繁荣与乱象[J].人民论坛,2020(25):85-87.

[24]
裴学亮,邓辉梅.基于淘宝直播的电子商务平台直播电商价值共创行为过程研究[J].管理学报,2020,17(11):1632-1641,1696.

[25]
宋林霖,黄雅卓.“变”与“常”：电商直播监管的问题检视与对策探寻[J].河南社会科学,2020,28(12):106-114.

[26]
李秋红.直播带货热尚需冷思考[J].传媒,2020(17):1.

Options
Outlines

/

〈 〉