直播电商弹幕对绩效影响的研究＊

■ 彭赓 鲁海博 刘颖

中国科学院大学经济与管理学院 北京 100190

0 引言

直播电商（Livestreaming Commerce）是嵌入实时社交互动（包括实时视频和基于文字的聊天渠道）的电子商务的一个子集[1]。受政策利好、技术进步、居民消费能力增强等外部因素驱动，直播电商近年来迅猛发展，其行业市场规模从2017 年的196 亿元上升到2022 年的3.5万亿元，年均增速超300%，预计2025年接近5万亿元＊＊＊＊＊＊数据来源于雪球网（https：//xueqiu.com）文章：《2022年度中国直播电商市场数据报告》。。直播电商快速崛起的内在原因是创新了商业模式，在其“商家立体展示——互动与购买”的冲动式交易过程中，引入弹幕技术强化了买卖双方之间的互动关系[1][2]，从而较好地降低了买卖双方之间的信息不对称问题。具体来说，弹幕主要表现为用户在观看直播过程中发布的短文本，目的是向主播咨询与商品、商家和售后服务等有关的信息。主播对提问式弹幕文本的即时响应能有效缓解买卖双方的信息不对称问题[3]。正因如此，弹幕现已成为直播电商中主播与用户之间、用户与用户之间互动沟通、信息交流不可或缺的渠道。

在传统电子商务交易中，买卖双方在时间和空间上的分离导致相互之间,难以建立实时性的互动关系[4]。为了解决此问题，传统电商平台纷纷引入在线评论功能。在线评论是双方在交易完成后通过互联网提交的对产品和卖家的评价性文本信息[5]，是在线口碑（Word-Of-Mouth）传播最主要的一种形式[6]。虽然弹幕和在线评论在文本的表现性和买卖双方的互动性表现出一定的相似性，但二者在以下3 个方面表现出较明显差异。第一，与电商交易发生的同步性不同。在线评论发布于商品交易完成之后，而弹幕发布于交易过程之中，所以弹幕是一种实时互动方式;第二，响应方式不同。卖家一般主要以文本的方式响应买家的在线评论，而在直播电商情景下，主播可以通过语音、文字、表情、商品展示等多种方式的组合响应弹幕；第三，功能作用不同。在线评论的核心功能是买家在线反馈其对交易的满意程度，而弹幕的主要功能是买家下单之前获取支持交易决策的相关信息。截至2023 年12 月，关于在线评论与传统电商绩效关系的研究已积累了丰富的成果[5][6][7][8]，然而，鉴于弹幕与在线评论之间存在的显著差异，探讨弹幕对直播电商绩效的影响是有必要的。具体而言，有两个关键问题需要阐明：一是弹幕对直播电商绩效有何种影响？二是这种影响关系会受到什么因素的调节作用？

本研究聚焦以上问题，从抖音电商平台爬取了1200余万条弹幕文本数据，以信息不对称理论和信息过载理论为基础构建实证模型，验证了弹幕与直播电商绩效间的相关关系，并进一步探讨了直播间氛围与用户熟悉度对该关系的潜在调节作用。作为“电商平台大数据杀熟的形成机制、效应和治理研究”与“基于福利效应评价的算法治理研究”基金项目的部分成果，本研究对直播电商中弹幕功能的作用机制及其对绩效的影响进行了初步探索，为弹幕管理和优化提供了实证支撑。

1 研究方法

1.1 理论分析

用户在观看直播的过程中，如果在商品交易、售后物流等方面存在疑问，会通过弹幕文本进行提问，而主播和其它用户也会通过语音、文字、表情、商品展示等多种方式的组合即时响应用户的弹幕提问。由此可见，弹幕作为直播电商中用户与主播、与其他用户互动的载体，缓解了直播电商中买卖双方因时空不同步导致的信息缺乏[3]和信任危机[9]问题，这会对直播间绩效产生正向影响。但是，随着弹幕文本数量的增加，用户在短时间内接收到的信息量超过了自身对信息的处理能力，导致信息筛选、理解和决策困难[10]，进而出现了信息过载问题（如图1 所示），对直播间绩效产生负向影响。除了信息过载问题之外，弹幕过多导致主播难以对每一条弹幕提问都及时回应，这打破了社会交往活动中的交换平衡＊＊＊＊＊＊＊＊社会交换理论的主要思想是当事人会在获得回报的预期下，涉入并维持与他人的交换关系［11］。[12]，引发了用户对主播（品牌方）的信任度和满意度下降的问题。同时，过度的交互行为，无论是通过大量的商业信息还是无用的信息，都可能给用户带来压力，从而降低用户在网络交易中的参与度[11]。

图1 信息过载示意图

以上分析表明，弹幕对于直播间绩效而言具有“双刃剑”效应。一方面，随着弹幕文本数量的增加，信息不对称所引起的市场失灵问题得到缓解，对直播间绩效产生正向影响。另一方面，当弹幕文本数量增加超过一定阈值时，信息过载问题又会引发用户的消极态度，从而对直播间绩效产生负向影响。基于此，本研究假设直播电商弹幕与绩效呈现出倒U型的关系。

假设1：直播间弹幕与绩效呈现出倒U型的关系。

直播间氛围是指直播过程中所营造的整体环境和气氛，包括主播与用户之间的互动、情感体验等[13]。它对用户参与度、情绪反应以及对直播内容的感受产生重要影响[14][15]。梁晨[16]用视频弹幕与评论的情感极性代表直播间氛围，实证分析发现，在其它条件相同时，流媒体中正向情感极性的弹幕文本数量越多，其流行度和受欢迎程度也表现更佳。在直播电商中，积极正向的弹幕会激励主播和其它用户更加努力的回应，从而提高用户参与度。因此，本研究提出假设：直播间氛围会对直播电商弹幕与绩效的关系产生调节作用。

假设2：直播间氛围对直播电商弹幕与绩效的关系有调节作用。

用户熟悉度是用户对于直播电商平台、主播或品牌的认知程度和了解程度[17]。在直播间中，相比于首次发言用户，历史发言用户在平台和直播间花费的时间更长，对平台和直播间的特点、主播和品牌方的风格有更深入的了解。这些用户通过多次参与和互动，逐渐掌握了更准确、更适度的交流方式。他们发送的弹幕文本信息往往具有更高的质量，更受其他用户和主播的欢迎。因此，本研究提出假设：用户熟悉度会对直播电商弹幕与绩效的关系产生调节作用。

假设3：用户熟悉度对直播电商弹幕与绩效的关系有调节作用。

1.2 数据来源与说明

为探究直播电商弹幕与绩效的关系，本研究从抖音电商平台爬取了美妆护肤行业532 场直播的弹幕数据，经整理清洗之后，有效弹幕数量为12250212条。

由于抖音电商是国内近年来崛起的电商平台之一，具有巨大的用户基础和商业潜力，因此，选择从该平台爬取弹幕数据，能够更全面地揭示直播电商中用户行为的特点和规律。美妆护肤类商品具有经验品、信用品和修饰品性等典型特征，这些特征使得信息不对称现象普遍存在，进而导致市场失灵问题。因此，选择美妆护肤行业作为研究对象，能够更好地从“信息”角度探讨弹幕与绩效的关系。在直播间类型方面，本研究涵盖了两种主流类型：店播类直播间和达人主播类直播间。其中，店播类直播间以花西子官方旗舰店为代表，而达人主播类直播间则以曹颖抖音店铺为代表。

1.3 研究设计

Haans、Pieters 和He 等学者[18]回顾 了1980～2012 年《Strategic Management Journal》上发表的涉及U 型关系的110篇文章，总结出U 型关系的检验模型，本文借鉴了上述学者的研究建立了实证模型。基础计量模型见式(1)，调节效应检验模型见式(2)。

其中，下标n表示某场直播的相关数据（以下计量模型均与此相同）。

其中Zi(i=1or2)表示两个调节变量直播间氛围和用户熟悉度，其中，直播间氛围使用正向情感词总数作为代理变量[17]，而用户熟悉度则使用历史发言用户占比作为代理变量[19]。

表1 是变量定义表，其中被解释变量购买转化率表示直播电商绩效。计算公式为：购买转化率=实际购买产品的用户数量/观看直播的用户数量·100%。购买转化率是衡量直播电商绩效的常用指标，一般来说，一个直播间如果想做到长期运营，其购买转化率均值需保持在5%～20%之间。

表1 变量定义表

解释变量弹幕总数，指的是该场次的直播过程中，直播观看用户发送的弹幕文本总条数。考虑到直播时间过长和水军刷弹幕两个因素可能导致直播间弹幕总数异常偏高的情况，本研究还采用了弹幕密度和弹幕用户参与度来代替原解释变量进行了稳健性检验。其中，弹幕密度是指弹幕总数与直播时长的比值，用于衡量单位时间内的弹幕发送频率。弹幕用户参与度则是指弹幕总数与弹幕发送人数的比值，用于衡量每个发送用户的平均弹幕发送量。

控制变量方面，梳理文献发现店铺口碑和人气[19]、直播间类型[20]以及直播时长[21]都会对直播电商绩效产生影响。基于此本研究选取店铺粉丝数、店铺点赞数和店铺评分来衡量直播电商直播间的口碑和人气，并将直播间类型、直播时长以及弹幕发送人数都纳入到控制变量的考虑范围内。

分组变量方面，本研究以直播间类型和上架商品数均值为标准将样本进行分类。

调节变量方面，正向情感词总数是弹幕文本中正向情感词的合计数，使用知网（How Net）情感词典计算得到；历史发言用户占比是每场直播中，历史发送弹幕的用户数与发送弹幕用户的总数之间的比值。

表2提供了各个变量的描述性统计信息。表中美妆护肤类商品购买转化率的平均数为（0.19）、中位数为（0.10）、标准差为（0.20），这些数据展示出该变量的分布相对集中，波动范围较小。此外，比较直播电商弹幕数量的均值（23026.71）与中位数（11238），可以发现该变量在数据上存在一定右偏性。同时，弹幕数量最大值（280461）和最小值（120）之间的差异显著，表明不同直播间的弹幕文本数量存在显著差距，且总体上直播间弹幕发送数量较多。表2 最后一列显示了变量的VIF 值，由表可知，所有变量的VIF 值都远低于临界值10，这表明模型并未出现严重的共线性问题。

表2 描述性统计表

2 研究结果

2.1 基础模型实证检验

前文对直播电商弹幕与绩效的关系进行了理论分析并提出了研究假设1，即直播间弹幕与绩效呈现出倒U型的关系。本文在这一部分使用抖音直播平台的真实弹幕数据实证检验了假设1，具体分析如表3所示。

表3 基础模型回归表＊＊＊＊＊＊＊＊＊＊在表3 到表6 中：（1）回归系数（Coefficient）为非标准化值，括号里面的数值是回归模型中估计的系数的标准误差（Standard Error）。（2）***表示P-value＜0.001，**表示P-value＜0.01，*表示P-value＜0.05，双尾检验。（3）回归分析均使用了Eicker–Huber–White估计器来对标准误差进行校正，用以纠正数据的异方差性和自相关性。所有的实证分析均使用Stata15版本完成。

表3 是基础模型回归结果。表中第2 列和第3 列分别展示了线性模型和非线性模型的回归结果，从系数可以发现线性模型的结果不符合经济实质（解释变量弹幕总数系数为负），并且线性模型R^2 值比较低，因此考虑非线性模型。

表中第4、5 两列是非线性模型的回归结果，可以看出模型中解释变量弹幕总数的系数为正，弹幕总数的平方项系数为负，并且这两个系数在统计上均高度显著（Pvalue＜0.01）。这表明直播电商弹幕与绩效呈现出倒U型关系。表中第6列考虑到解释变量弹幕总数数据的右偏性，对其取对数之后再次回归，结果仍然显著。

倒U 型关系的检验，由上表第5列可知，一次项系数为3.91e-06，二次项系数为-1.24e-11，由此可得该回归方程的拐点为-b/2a=157661.3，斜率方程为：∂Conversion_Cercent/∂Barrage_Count=-2.48e-11·Barrage_Count+3.91e-06。由于自变量弹幕总数的取值范围为[120,280461]，拐点-b/2a=157661.3 位于自变量弹幕总数的取值范围之内。由斜率方程可知，当弹幕总数较小时（120），斜率值为正；当弹幕总数较大时（280461），斜率值为负。因此，证实了直播电商弹幕与绩效的倒U 型关系。

2.2 稳健性检验

在实证检验了直播电商弹幕与绩效的倒U 型关系之后，考虑到在直播电商直播间中，直播时间过长和水军刷弹幕可能会导致弹幕数量异常偏高，进而造成直播电商弹幕与绩效的倒U 型关系缺乏说服力，本研究使用弹幕密度和弹幕用户参与度对原解释变量进行替换，实证结果如表4所示。

表4 稳健性检验表

表4 是稳健性检验结果，其中弹幕密度与商品购买转化率均值的回归结果展示在表中第2 列和第3 列，弹幕用户参与度与商品购买转化率均值的回归结果展示在表中第4 和第5 列。从表中回归系数可以看出一次项系数为正值，二次项系数为负值，并且均高度显著（Pvalue＜0.01）。倒U型关系检验发现，拐点值位于自变量的取值范围内，并且任取拐点两侧的自变量值代入斜率方程，其导数方程值符号相反，证明倒U 型关系成立。基于表4结果可知：改变解释变量，即把直播间直播时间过长和水军刷弹幕的因素纳入模型考量之后，本研究核心结论“直播电商弹幕与绩效的倒U 型关系”并没有发生任何改变。

2.3 异质性检验

前文实证检验了直播电商弹幕与绩效的倒U 型关系，并且该关系通过了稳健性检验。然而，直播间的类型与上架商品的数量在直播电商中是影响绩效的关键因素，此观点已获得众多文献[19][21]的支持。基于此，本文接下来专门探讨了不同直播间类型和商品数量如何影响弹幕与绩效倒U 型关系的异质性。具体的分析结果详见表5。

表5 异质性检验表

表5是本研究的异质性检验结果。为了验证在不同直播间类型中，直播电商弹幕与绩效的倒U 型关系是否成立，本研究根据不同直播间类型进行了分组回归。上表中第2 和第3 列的回归结果表明，当直播间属于店播类型时，弹幕总数系数显著为正，弹幕总数平方项的系数显著为负，这表明直播电商弹幕与绩效的倒U 型关系在店播类型直播间中仍然显著成立。然而，当直播间属于达人主播类型时，一次项系数为正值，二次项系数为负值，但二者在统计上均不显著（P-value>0.05）。这可能是因为在达人主播类型的直播间中，弹幕文本除了缓解商品交易中的信息不对称问题之外，还有一部分弹幕交互行为被用来促进达人主播与用户的情感联系。这种现象在一定程度上抵消了弹幕总数过多导致的信息过载问题，使得在达人主播类型的直播间中，直播电商弹幕与绩效的倒U型关系不再显著。

在直播电商的直播间中，上架的商品总数对直播间的销售绩效，即商品购买转化率，具有不同的影响。考虑到这一点，本研究对每场直播的商品上架数量进行了整理，并以上架商品数量的平均值为界，将样本分为两组进行分组回归。根据上表第4、第5 列的回归结果，无论是商品上架数量较高还是较低，直播间弹幕与绩效的倒U型关系都显著成立。

2.4 调节效应检验

前文理论分析了直播间氛围和用户熟悉度对直播电商弹幕与绩效的倒U 型关系的调节效应，提出了研究假设2和假设3，即直播间氛围对直播电商弹幕与绩效的关系有调节作用和用户熟悉度对直播电商弹幕与绩效的关系有调节作用。在这一节，本研究使用抖音直播平台的真实弹幕数据实证检验了假设2和假设3，具体分析如表6所示。

表6 调节效应检验表

表6展示了直播间氛围和用户熟悉度对直播电商弹幕与绩效的倒U 型关系的调节效应实证结果。从表中第3 列回归结果来看，正向情感词总数的系数为0.0000106，正向情感词总数与弹幕总数的交乘项的系数为-2.39e-10，正向情感词总数与弹幕总数平方的交乘项的系数为1.04e-15，而且在统计上均是高度显著的（Pvalue<0.05）。调节变量正向情感词总数对直播间购买转化率均值有显著的正向影响。把表中第2列的系数带入调节方程检验模型2中，如式（3）：

对Y求X的一次导数，结果得到∂Y/∂X=4.52e-06-(2·2.38e-11)X-2.39e-10Z1+2(1.04e-15)Z1X。为求拐点，令导数值为零，即∂Y/∂X=0，若使用（X0，f（X0））表示拐点，则X0=(-4.52e-06+2.39e-10Z1)/(2(1.04e-15)Z1-2·2.38e-11)，可以看出拐点的位置受到调节变量Z1值的影响。进一步地，为了探究拐点随Z1值的变化情况，即不同的正向情感词总数数值下倒U 型曲线拐点的变化情况，对X0求Z1的 一 次 导 数，得 到∂X0/∂Z1=(-2.39e-10·2·2.38e-11+2·1.04e-15·4.52e-06)/((2.08e-15Z1-4.76e-11)^2), 由 于∂X0/∂Z1的分母大于零，因此导数值小于零，这表明随着调节变量Z1的增加，拐点往左移动。这意味着，随着直播间弹幕文本中正向情感词总数数量的增大，弹幕总数与直播间购买转化率均值倒U 型关系的拐点得以提前，表明了直播间氛围对直播电商弹幕与绩效的倒U 型关系有调节作用。

用户熟悉度的调节作用分析同上，结果显示：随着直播间弹幕文本中历史发言用户占比的增大，弹幕总数与直播间购买转化率均值倒U 型关系的拐点提前出现，表明了用户熟悉度对直播电商弹幕与绩效的倒U 型关系有调节作用。

2.5 进一步研究结果

在进一步研究中，本研究使用LDA文本主题聚类模型结合双边市场理论对弹幕文本进行了分类并构建了分类词典，包括信息类弹幕和粘性类弹幕，研究了不同分类的弹幕文本与绩效的关系，发现不同分类词典的弹幕文本TF-IDF 合计值与购买转化率之间也呈现出显著的倒U 型关系。同时，研究还发现直播间氛围和用户熟悉度对这一关系具有调节作用。具体来讲：较多的正向情感词总数和较高的历史发言用户占比可以提前倒U型关系的拐点出现，即在弹幕文本量较少时就能达到绩效的峰值。

3 研究结论和政策启示

3.1 研究结论

直播电商弹幕与绩效之间呈现一种倒U 型关系。通过即时互动，有效缓解了商品信息不对称问题，从而对绩效产生正向影响。然而，随着弹幕文本数量的不断增加，用户面临的信息过载问题逐渐显现，对绩效产生负向影响。综合来看，直播电商中弹幕与绩效之间存在先上升后下降的倒U型关系。

分直播间类型来看，店播型直播间中弹幕与绩效呈现出显著的倒U 型关系，而在达人主播类型直播间中，倒U 型关系不再显著，本研究猜想这可能是因为粘性类弹幕文本比重大于信息类弹幕文本，从而弱化了信息过载问题。此外，异质性分析还发现，在不同上架商品数量的情况下，直播电商弹幕与绩效的倒U 型关系不会发生改变。

直播间氛围和用户熟悉度对直播电商弹幕与绩效的倒U 型关系具有调节作用。也就是说，正向情感词总数的增加以及历史发言用户占比的提高，能够促使倒U型关系的拐点提前出现。这意味着，在相对较少的弹幕文本量的情况下，直播间绩效就能够达到峰值。

3.2 政策启示

（1）进行弹幕数量管理：过多的弹幕可能导致用户面临信息过载问题，从而降低直播间绩效。对此，平台可以采取以下措施进行管理。第一，弹幕分类和分时显示。按照主题、情绪等对弹幕文本进行分类，并添加相应的标签。同时根据时间段进行分组显示，以避免弹幕混乱和刷屏问题。第二，加强弹幕审核和过滤。完善弹幕内容的审核和过滤机制，筛选掉恶意、低俗或重复的弹幕内容，提高信息的质量和可靠性，减少用户处理信息的负担。

（2）塑造积极的直播间氛围，进行用户粘性管理：平台和主播可以通过设定评论准则和奖励机制，对于正向、优质的弹幕，给予支持和奖励，激励用户积极地参与直播间的互动，建立起积极的直播间氛围，提高用户驻留时间，增强用户粘性，提高购买决策的信心和意愿。同时，提倡平台增设用户评价体系，通过用户反馈调控内容质量。

（3）定制提词器功能：研究过程中发现，弹幕文本内容经常出现错别字词和提问对象指代不清的现象，这会导致用户与主播之间的沟通互动出现偏差。直播间电商平台可以引入定制的提词器功能，减少用户弹幕提问信息的错误，提升用户与主播之间的沟通互动效果。

（4）加强政策法规的引导与实施：通过设立严格的处罚措施和相关法律规章，惩戒利用弹幕进行虚假宣传的平台商家。在弹幕发布系统内部植入隐私保护机制，赋予用户控制个人数据与隐私设置的权力，并确保平台符合所有适用的隐私法规。并且，推动电商平台与监管机构的协同工作，以保障平台信息内容的真实性与透明度。