不同类型电商主播属性对消费者购买行为的影响机制研究——基于扎根理论和文本分析

王胜源，何江林

(辽宁工程技术大学 营销管理学院，辽宁 葫芦岛 125000)

一、引 言

随着淘宝、抖音等平台对电商直播的资源投入，电商主播成为网络新媒体时代的新兴热门职业。2020年电商直播行业报告[1]显示，从事电商直播行业的人数达到123.4万余人，2021年“双十一”淘宝直播李佳琦以106.53亿销售额把直播带货推向高潮。越来越多的人进入电商直播行业，不同类型的电商主播层出不穷，主要可以分为达人、明星和官方店铺3种类型。很多企业看到电商主播销售战绩很好，就想利用其强大的影响力进行直播带货，有些企业借助主播带货实现高额订单量，有的却收效甚微，如“拼多多联合CBA球员马布里直播带货销量仅183件”“吴晓波、小沈阳等明星直播带货销量惨淡”等。目前，这些现象背后作用机制的理论研究尚不明确，企业如果不能明确不同类型电商主播的带货作用机制，就很难有针对性地挑选适合的电商主播，取得可观的直播带货成绩。

电商主播行业存在同质化严重[2]等问题，直播内容千篇一律[3]。以李佳琦为代表的头部主播占据约80%市场份额，中低部主播很难通过创新在竞争中建立差异化优势，吸引更多观众。引发这一现象的原因是不同类型的电商主播不清楚自身优势，不知哪些属性特征更能吸引消费者，并能显著影响其对商品的购买意愿和行为。然而，目前学术界对于不同类型的电商主播突出增强哪些主播属性能有效唤起消费者购买意愿的研究还比较匮乏，不能解释不同类型电商主播吸引消费者购买的原因。本文拟通过定性与定量相结合的研究方法来解决两个问题：一是电商主播吸引消费者购买的属性特征有哪些；二是不同类型电商主播的哪些属性特征能有效唤起消费者的购买意愿和行为。

二、文献综述

(一)电商主播研究

现有对电商主播的研究，大致分为四个方面：(1)对主播属性的研究。林婷婷[4]证实电商主播的专业度、主播和受众之间的同质性会作用于用户的信任感和价值感知，进而作用于购买意向。Wang等[5]研究证明主播魅力、主播互动和对主播的信任显著影响消费者的社会存在感和心流体验。罗子婵[6]研究证实主播的互动性、专业性、可信性和吸引力对消费者的购买意愿起到正向影响作用。Han等[7]研究证实电商主播的意见领袖感和娱乐感正向影响消费者的感知功能和感知情感价值。韩箫亦等[8]研究发现影响消费者的购买意愿的主播属性为魅力属性、互动属性、展示属性和推荐属性。方超[9]认为电商主播的知名度、专业性、产品涉入度影响消费者态度。赵保国等[10]在研究中证实电商主播的互动、真实、专业和知名度特征均能提升消费者的购买意愿。赵大伟等[11]研究发现电商主播的互动属性、专业属性和魅力属性影响消费者的购买意愿。高云慧[12]研究发现电商主播的专业性、交互性和知名度能够提升消费者的感知娱乐和感知功利价值，而感知娱乐和感知功利价值积极影响消费者的购买意愿。(2)对电商主播互动的研究。诺明[13]在研究中证实电商主播的互动性显著影响消费者的购买意愿。郑兴[14]认为电商主播与消费者的互动会使消费者产生心流体验，心流体验对消费者冲动购买意愿有积极影响。(3)对主播语言的研究。陈睿[15]研究发现，主播李佳琦语言的特色包括简洁明快、网络口语、情感强烈,内容要点包括标签印象、使用体验、使用价值、商品质量、真实批评、多元覆盖等。王芳[16]研究发现李佳琦话语的语用价值表现为：追求最大的语义价值,拉近会话双方距离的关系价值，贴心关怀传递情感的情感价值和语言风格独树一帜的风格价值。(4)对主播传播行为的研究。杨飙等[17]在研究中证实电商主播的语言类传播行为、视觉类传播行为、活动类传播行为正向影响消费者的购买意愿。

前人的研究成果丰富了电商主播影响购买行为的理论视角与研究主题，但就不同类型电商主播哪些属性能有效唤起消费者购买意愿和行为还缺乏细致和量化的研究。本文运用扎根理论分析得出电商主播吸引消费者购买的属性特征；通过Python文本分析挖掘主播属性特征词与情感词对，运用Keras开源深度学习框架搭建LSTM文本情感分析模型，对特征词进行情感分析；最后构建计量模型回归，试图挖掘不同类型电商主播有效唤起消费者购买意愿的特定属性特征。

(二)电商主播的概念及其分类的界定

韩箫亦[18]认为电商主播通过展示个人魅力吸引消费者现场观看，同时通过专业推荐和现场演示，向消费者全面、详细地展示产品，通过持续互动吸引消费者购买。笔者认为电商主播通过展示极具吸引力的个人魅力和专业的产品知识来向消费者推荐商品，具备专业性、互动性及娱乐性等，是利用网络空间带货的网红群体。

电商主播按直播主体性质不同可以分为达人主播、明星主播和官方店铺主播三大类型。本文通过展示不同类型电商主播的主要特征、舆论引导能力、利益代表、代表人物等方式对三种类型电商主播进行解读，具体如表1所示。

表1 主播主要类型及特征信息

三、运用扎根理论分析电商主播属性

(一)扎根理论

扎根理论由Glaster等[19]学者首次提出，是一种从下到上构建理论的研究方法，目的是从大量的原始资料中提取初始框架理论[20]，是生成理论效果较好的探索性方法[21]。扎根理论在定性研究中被广泛使用，大部分的探索性案例研究都运用扎根理论进行[22]。本文首先采用扎根理论对受访者进行非程序化深度访谈，获取资料，对搜集的资料进行编码分析。在对资料进行编码时，参考以往研究者的方法，主要分为两部分：资料编码和验证构建理论的饱和度[23-24]；然后采用程序化扎根理论对收集的资料进行编码分析，同时对研究的信效度进行验证，编码时严格遵循程序化扎根理论每一步骤，对数据资料进行概念化和结构范畴化。参照冉雅璇等[25]程序化编码和理论饱和度检验的方式，本文随机选择所搜集资料的3/4左右进行编码，另外1/4左右的数据用来验证理论饱和度。

(二)深度访谈质性分析

1. 深度访谈设计

本文采用非程序化结构访谈搜集资料，旨在挖掘更多电商主播属性特征影响消费者购买的因素。在访谈过程中，实验受访者详细叙述电商主播哪些属性特征影响其购买欲望并下单。每个人深度访谈时间约为30分钟，根据研究目的，研究设计访谈问题，例如:①您关注电商主播直播间是被主播的哪些属性特征所吸引？②电商主播推荐的商品会在什么情形下引起您的购买欲望？③您心目中理想的电商主播是怎样的？访谈中会根据访谈者的性格对问题进行微调，使访谈信息更加真实有效。

2.受访者背景资料

观看电商直播的群体大多为年轻一代，各种类型的主播在年轻人群中颇受追捧，因此选择35岁以下的人作为访谈对象。由表2可以看出，女性占绝大多数，淘宝直播平台负责人赵圆圆在2018年电商盛典大会上表示，淘宝直播女性用户约占80%，本文的研究对象客观真实反映了电商直播消费者群体的男女比例。

表2 研究样本描述性统计

3.结果分析

对深度访谈文稿进行开放式、主轴式、选择式编码分析，得到外型魅力、声音魅力、性格魅力等23个初始概念和第一好感印象、增强视觉效果、提升听觉感受等61个初始范畴。主轴式编码和选择式编码结果如表3、表4所示。

表3 主轴式编码

表4 选择性编码

4. 信效度检验

通过随机抽取10份访谈文件重新构建理论来检验理论饱和度，结果均未发现除电商主播属性、消费者内在感知、主播属性与内容一致性和消费者在线购买意愿4个主范畴之外的重要范畴和关系。因此，电商主播属性特征对消费者在线购买意愿影响的模型在理论上是饱和的。

研究表明，电商主播魅力属性、互动属性、推荐属性、展示属性、专业属性和信任属性等正向影响消费者的购买意愿和行为；主播属性与内容一致性在电商主播属性影响消费者内在感知的过程中起调节作用，又强化了消费者内在感知在电商主播属性影响消费者购买意愿的中介作用。基于此，本文进一步探讨的问题是：对于不同类型的电商主播，哪些属性特征在唤醒消费者购买意愿和行为方面起到比较重要的作用？

四、 细粒度情感分析与计量模型回归

本文通过两个步骤来研究不同类型电商主播属性对消费者搜索及购买电商主播推荐产品行为的具体影响：第一，对电商主播直播时的弹幕进行爬取和文本分析，包括弹幕分词、词性标注以及消费者关注属性特征词频数统计分析、情感分析；第二，通过构建计量回归模型来研究电商主播属性特征对其推荐产品搜索与购买行为的影响。

(一)细粒度情感分析

1. 弹幕文本预处理

首先，删除一些没有意义的重复词语(“嗯嗯”等)和没有意义的句子(“我想睡觉”等)；其次，去掉噪音评论、停用词过滤、自定义词库，用jieba调用分词效果较好的百度开源Paddle库进行分词；最后进行词性标注，将每个弹幕评论分成名词(n)、形容词(adj)、动词(v)和副词(adv)等，统计弹幕中提到电商主播属性和产品属性词语的频数及占比。

2.特征词挖掘

依据电商主播的6个属性(魅力属性、互动属性、推荐属性、展示属性、专业属性和信任属性)，在对弹幕文本预处理后，使用“词频逆文档频率(TF-IDF)”算法评估特征词对文档的重要程度，即特征词在某个文档中出现频次越多，同时在所有文档中出现频次越少，该特征词就越能够代表该文档的表达重点[26]，并和词频筛选相结合提取特征词。同时，中文词语存在近义词，而且消费者个人表达方式有所不同，本文采用Word2Vec(词向量法)来计算特征词相似度，然后合并同义词。最后，将挖掘的特征词分别归入电商主播6个属性维度。各属性维度对应的词语如表5所示。

表5 特征词表

3.特征词与情感词配对

经过词性标注后，词语一般分为名词、形容词、动词、副词和动名词等。根据扎根理论分析得出的电商主播6个属性特征以及特征词表，筛选弹幕评论中的特征词与情感词对。研究提出4种特征词与情感词配对模型，通过Python编写正则表达式，进行特征词与情感词对的筛选，配对结果如表6所示。将配对好的特征与情感词对归类到对应属性维度，计算属性特征衡量数值。

表6 特征词与情感词配对

4. LSTM文本情感分析模型搭建

情感分析的目的是从弹幕评论中挖掘出消费者对主播特征或者产品性能的观点信息和情感态度[27]。将特征词与情感词配对之后，本文用深度学习情感分析方法对词对进行情感分析，进而得出各特征情感值。学术界采用的在线评论情感分析方法分为三种，即基于情感词典与规则、传统机器学习和深度学习神经网络法，每种方法均存在优点和缺点[28]。深度学习情感分析是最近几年的学术热点，以较高的识别准确率和评价指标取得了广泛的应用[28-29]。

本文使用Keras开源深度学习框架搭建LSTM文本情感分析模型，LSTM文本情感分析模型能够学习长期依赖，允许信息长期存在，能有效避免常规RNN的梯度消失，模型效果较好[30]。利用LSTM文本情感分析模型[31]对电商主播不同属性维度特征词与情感词对做细粒度情感分析。模型框架如图1所示。

图1 LSTM文本情感分析模型

模型训练一共分为5个步骤，具体如下：

(1)准备实验语料。人工标注正面评论与负面评论两个集合。为了模型训练的准确性，正面评论与负面评论的数量维持在1 ∶1，同时评论数量在2 000条以上。人工标注完成后，将两份评论导入Keras平台中进行训练。

(2)将数据集分为训练集和验证集。为了有效训练LSTM文本情感分析模型的准确率，本文将弹幕文本数据随机以4 ∶1比例分成训练集与测试集两部分，分别用来进行模型训练和测试模型准确率，研究将模型准确率指标分为3部分：F1-score，精准率和召回率。

(3)分词。在自然语言处理(NLP)机器代码识别范围中，最小的单位是词。为了能有效判断直播弹幕抽取的属性与情感词对的细粒度情绪倾向，必须将文本转换成最小单位。实验使用jieba分词对弹幕文本进行分词。

(4)词向量化。调用基于谷歌新闻的预训练Word2Vec词向量模型将弹幕文本向量化，将弹幕文本转换为能传递给LSTM文本情感分析模型的输入词条向量列表。

(5)训练LSTM文本情感分析模型。以词向量表作为深度学习的训练资料，将向量送入keras+LSTM文本情感分析模型深度学习框架中，设置LSTM模型参数开始训练。模型测试结果的准确率如表7所示，可知模型训练效果较好。

表7 模型准确率

调用训练好的模型对电商主播不同属性特征词与情感词对进行情感分析。情感分析结果是在[0，1]区间的实数，程序在默认情况下将大于0.5的情感值当作积极情感，小于0.5的情感值当作消极情感。默认情感阈值的设定很多情况下效果并不是最好。研究发现，情感值大于0.65为正情感，0.35～0.65为中立，小于0.35为负面情绪。实验证明，这样的情感阈值划分有利于提高模型的应用准确率。

5. 情感分析结果

由图2可以看出，达人型主播互动属性、推荐属性、展示属性、专业属性和信任属性情感值较为积极；明星型主播魅力属性、互动属性和信任属性情感值较为积极；官方店铺型主播互动属性、推荐属性、展示属性、专业属性和信任属性情感值较为积极。

图2 不同类型主播属性特征情感值

(二) 计量模型

1. 变量定义与计量模型构建

(1)电商主播属性。选取三种电商主播类型(达人主播、明星主播、官方店铺主播)的代表作为研究对象，采用录屏的方式分别从各电商主播直播间获取直播弹幕，为保证获取时间不对弹幕数据产生干扰，本文在同一时间对三种类型主播获取弹幕。弹幕爬取时间是2021年6月20日至2021年7月20日。达人型主播以李佳琦等为代表，共爬取62 587条弹幕；明星型主播以贾乃亮、刘涛等为代表，共爬取56 239条弹幕；官方店铺型主播以三只松鼠、ONLY中国等为代表，共爬取48 965条弹幕。

为了方便构建计量模型，本文将电商主播6个属性分别赋予字母以表示其含义：魅力属性(A)、互动属性(C)、推荐属性(I)、展示属性(U)、专业属性(H)、信任属性(M)。以电商主播魅力属性(A)计算为例，Ai为魅力属性包含的各特征词的词频数，Bi为各特征词相对应的情感值，其他属性计算类似。

(2)产品搜索次数与购买销量。电商主播通过对产品的展示和介绍吸引消费者进入直播间店铺。从弹幕抓取开始到弹幕抓取结束，统计各电商主播店铺产品的搜索次数与购买数量。电商直播平台淘宝、抖音等都有自己的商品购买中心，消费者可在直播间搜索并下单。在弹幕抓取时间范围内，通过专业直播数据大罗神器平台获取统计各电商主播的商品搜索次数与销量。将商品搜索次数定义为S，销量定义为P，购买次数占总搜索次数之比定义为W。

2. 计量模型构建

本文采用虚拟变量Kj表示电商主播类型，用于区分不同主播类型的属性对消费者搜索与购买商品行为的影响，j=0，1，2，K0为达人主播，K1为明星主播，K2为官方店铺主播。当K0=1，K1=0，K2=0时， 因变量为达人型电商主播的搜索次数与销售量；当K0=0，K1=1，K2=0时，因变量为明星型电商主播的搜索次数与销售量；当K0=0，K1=0，K2=1时，因变量为官方店铺型电商主播的搜索次数与销售量；不存在K0，K1，K2同时为1或者两个为1的情况。

对弹幕评论进行分词、词性标注，统计发现弹幕中包含电商主播属性和产品属性两大部分，对词频占比进行统计，发现产品属性不是消费者关注电商主播的首要原因。产品属性表现为产品价格、质量、外观、类型等，而产品质量、外观等取决于消费者的主观感觉，不能用客观数据描述，因此本文将产品价格(J)、类型(L)等作为控制变量，参考黄敏学等[32]的研究，将产品类型分为实用品和享乐品两种，实用品有手机、电脑和手表等，享乐品有牛奶、口红、化妆品等,将实用品记为1，享乐品记为0。

综上所述，本文建立了3个计量回归模型。

模型一：电商主播推荐产品搜索模型

(1)

模型二：电商主播推荐产品购买模型

(2)

模型三：电商主播推荐产品购买比率模型

(3)

其中，K0，K1，K2是截距项；当j=0时，σ110，σ120，σ130，σ140，σ150，σ160分别为达人型电商主播的魅力、互动、推荐、展示、专业、信任等属性对其推荐商品搜索行为的线性影响；σ210，σ220，σ230，σ240，σ250，σ260分别为达人型电商主播的魅力、互动、推荐、展示、专业、信任等属性对其推荐商品购买行为的线性影响；σ310，σ320，σ330，σ340，σ350，σ360分别为达人型电商主播的魅力、互动、推荐、展示、专业、信任等属性对其推荐商品购买比率的线性影响；当j=1时，研究对象为明星型主播，其他类似；当j=2时，研究对象为官方店铺型主播，其他类似；β11～β31，β12～β32分别为控制变量的回归系数，ρ1～ρ3为残差项。

3. 数据分析

(1)文本分析结果。

对157 881条筛选弹幕评论消费者关注点占比分析发现，消费者在弹幕评论中提到电商主播属性103 096次(65.3%)，远远超过产品属性的54 784次(34.7%)，弹幕文本统计分析结果与孟陆等[33]的研究基本一致。在电商主播属性方面，消费者弹幕评论多集中在互动属性(27.9%)、魅力属性(15.6%)和展示属性(12.4%)上；在产品属性方面上，消费者弹幕评论多集中在产品质量感知(45.9%)、价格感知(40.2%)方面。文本分析验证了消费者对电商直播的关注多集中在主播属性上，产品特性起辅助作用。因此，本文将电商主播6个属性作为自变量、产品特性作为控制变量进行研究和模型构建。

(2)计量模型实证结果分析。

使用Stata / MP 16.0软件对数据进行分析，获取的各电商主播不同属性特征词词频数以及情感值如表8所示。将标准化的数据放入式(1)、式(2)、式(3)中进行回归分析，得出的模型回归结果如表9所示。

表8 三种类型电商主播属性各维度特征词词频及情感值描述

表9 回归结果

续 表

① 电商主播产品搜索模型分析。根据A×K0，C×K0，I×K0，U×K0，H×K0，M×K0对搜索次数S的回归系数可知，对于达人主播来说，达人主播的魅力、互动、推荐、展示、专业、可信等属性对消费者搜索次数产生正向影响。进一步分析明星主播的6个属性回归系数，A×K1，C×K1的系数为0.396，0.334，表明明星主播的魅力属性和互动属性显著正向影响消费者对主播推荐产品的搜索次数，而明星主播的推荐、展示、专业和信任等属性对消费者的搜索次数没有影响。最后，根据官方店铺主播属性的回归系数可知，互动、推荐、展示和信任等属性正向影响消费者搜索次数，回归系数分别为0.224，0.235，0.354和0.214，魅力属性和专业属性在影响消费者搜索次数过程中不起作用。

② 电商主播产品购买模型分析。根据A×K0，C×K0，I×K0，U×K0，H×K0，M×K0对销量P的回归系数可知，对于达人主播来说，达人主播的魅力、互动、推荐、展示、专业、可信等属性对销量产生正向影响，其中达人主播的互动、推荐、展示、专业、可信等属性的回归系数为0.294，0.354，0.298，0.267和0.287，表明其显著影响消费者的购买次数。对明星主播来说，明星主播的魅力和互动属性的回归系数为0.268，0.282，表明其显著影响消费者的购买次数；推荐、展示、专业和信任等属性则对销量不起作用。对官方店铺主播来说，互动、推荐、展示和信任等属性正向影响产品销量，魅力和专业属性不起作用。

③ 电商主播产品购买比率模型分析。根据A×K0，C×K0，I×K0，U×K0，H×K0，M×K0对主播推荐产品购买比率W的回归系数可知，达人主播的互动、推荐、展示、专业和信任等属性正向影响主播推荐产品购买比率，魅力属性没有影响。对明星主播来说，明星主播的魅力属性和互动属性正向影响主播产品购买比率，其回归系数为0.312和0.204，推荐、展示、专业和信任等属性对产品购买比率不起作用。对官方店铺主播来说，官方店铺的互动、推荐、展示和信任等属性正向影响主播推荐产品购买比率，魅力属性和专业属性不起作用。

4. 结果分析

对于达人型主播来说，达人主播的魅力、互动、推荐、展示、专业和信任等属性均正向影响消费者的购买意愿和行为。以李佳琦为代表的达人主播通过展示极具吸引力的魅力形象、良好的互动质量、导购般的推荐、全方位的展示、专业的产品知识以及较高的可信度吸引消费者搜索并购买直播间推荐商品。

对明星型主播来说，明星主播的魅力属性和互动属性对消费者购买意愿和行为具有正向影响作用，推荐、展示、专业和信任属性则不起作用。研究认为，明星在直播带货时，由于准备时间、技巧等不如专业主播充足、熟练，所以在推荐、展示和专业讲解直播推荐商品方面不太熟练，知识和方法等欠缺。但明星以自身的明星光环及与消费者接地气的互动唤起了消费者的购买意愿和行为。

对官方店铺型主播来说，官方店铺主播的互动、推荐、展示和信任等属性对消费者的购买意愿和行为有正向影响，魅力属性和专业属性没有作用。研究认为，可能是官方店铺型主播旨在提升商品品牌影响力和销量，在直播中侧重于对商品的展示和讲解，很少宣传主播本身和培养粉丝群，整个直播间都是以扩大品牌曝光度和增加产品销量为导向，而且消费者是因为商品而非主播来直播间购物，较为看重商品本身，故主播魅力和专业属性在官方店铺型主播对消费者的影响中不起作用。

五、研究结论与展望

(一)研究结论

本文运用扎根理论得出电商主播影响消费者购买的6个属性特征：魅力属性、互动属性、推荐属性、展示属性、专业属性和信任属性；电商主播属性影响消费者内在感知，进而影响消费者购买意愿和行为；主播属性与内容一致性正向调节电商主播属性对消费者内在感知的影响，且强化了消费者内在感知在电商主播属性影响消费者购买意愿中起中介作用。达人型主播显著性影响消费者购买意愿的属性特征是魅力、互动、推荐、展示、专业和信任等属性；明星型主播显著性影响消费者购买意愿的是魅力属性和互动属性；官方店铺型主播显著性影响消费者购买意愿的是互动、推荐、展示和信任等属性。

(二)研究意义与营销实践启示

1. 研究意义

第一，本文丰富和拓展了电商主播属性特征影响消费者购买意愿的研究。以往学者多是基于SOR理论模型对消费者购买意愿进行实证研究，研究偏整体，本文细化了不同类型电商主播哪些属性特征能有效唤起消费者的购买意愿。

第二，数据来源方面，既有消费者主观感受的数据——深度访谈，又有客观感知视角的数据——直播弹幕，消费者发送弹幕时并不在实验情境中，结论不易受研究者影响。两份数据结合起来进行研究分析，研究结论具有丰富性和科学性。

2. 营销实践启示

第一，对于电商主播群体来说，本文证明主播属性与内容一致性正向调节电商主播属性对消费者内在感知的影响，即主播自身展示的属性特征和直播内容相符合能增加消费者对主播的认同感、临场感等，进而有效唤起消费者购买意愿。同时，针对不同类型的主播，本文还细化了哪些属性特征能有效唤起消费者购买意愿，可以让主播群体针对性改善直播服务。

第二，对于企业来说，企业应该重视主播带货给公司带来的绩效。目前，电商直播因互动即时、展示全面、专业讲解等越来越受消费者青睐，市场规模增长迅速。同时，直播场景带来的社会临场感、主播互动等正向影响消费者的购买意愿。因此，企业应结合自身资源，根据不同类型电商主播属性特征，有效选择适合本企业的电商主播去带货，从而取得效益比最大化。

第三，对于直播平台来说，直播平台可利用本文研究结论，挖掘符合平台发展战略的电商主播作为宣传重点，打造平台定位来吸引受众。同时，直播平台应承担企业责任，净化直播平台并遵守法律法规，对宣传低俗、不健康等内容的主播采取限流、封禁直播间等手段，营造一个有序健康发展的直播环境。

第四，对政府监管机构来说，根据本文的研究结论，政府机构应针对不同类型电商主播属性分别制定监管政策，比如针对明星型主播应加强对商品质量的监管等，使消费者和商家的利益得到保障。

(三)研究展望

在控制变量的选择上，由于产品质量和产品外观等变量为消费者主观感受，不能用数据来表示，研究结论受到一定程度影响。未来随着研究方法的进步，产品质量和产品外观可以用合适的指标数据来表示，并将其加入回归模型当中，尽可能减少内生性对回归结果的影响；在研究对象选择上，本文只选择了达人、明星和官方店铺型三种主播，未来研究可以挖掘游戏主播和娱乐主播等对消费者购买行为的影响，形成对比研究。当下主播带货已经成为流行趋势，挖掘每种类型主播的有效属性特征对直播发展具有重要意义。