直播管理、弹幕互动与用户付费打赏——基于781段直播样本的经验证据

赵兴庐，张 婧

(广东金融学院 工商管理学院，广州 510521)

网络时代的打赏是用户以赠送代币、礼物或现金的方式表达对作者或其作品的赞赏。虽然打赏与否完全由用户自行决定，平台不会强迫用户打赏，但据刘冰和王新雨[1]的调查数据，46.77%的新媒体用户表示十分愿意或愿意打赏主播，38.31%的人态度一般，只有14.92%的人明确表示不愿意打赏。打赏可以让创作者回归内容本身，不强行植入广告，提高用户观感体验[2]。不过，在实践中存在引诱打赏[3]、攀比打赏[4]、未成年人打赏[5]等问题，亟待完善相关立法和增强监管力度。

目前关于打赏动机的研究有两个视角：其一是戏剧表演视角，将网络直播视为现场表演的延续，通过引发观众共情来获得收入。张豆豆[6]将直播间视为一个布尔迪厄场域，在自主性和惯习等行动规则塑造下，不打赏的人逐渐习惯打赏。Tong[7]认为以内容互动和延伸互动强化消费者作为社区成员的内在形象构建，能够激发用户的持续赞赏意愿。于铁山[8]基于30余起打赏案例，认为网络主播的情感控制能力和情感关系建构能力是表演的核心要素，引发参与者的情感唤醒并进行打赏。

其二是市场营销视角，将直播视为一种新的营销手段，主播的影响力、传递信息的可信度是影响消费者购买(打赏)的关键因素。Hilvet-Bruce等[9]认为自媒体传递的信息价值越高，用户的打赏意愿就越强。雷羽尚和杨海龙[10]发现自媒体影响力和内容质量与打赏人数显著正相关。刘凤军等[11]和艾星等[12]发现网络营销的可信度、专业性、技能性、互动性和吸引力显著提升用户对产品的感知价值和感知质量，进而提升了购买意愿的购买意愿。韩萧亦和许正良[13]发现高颜值、富有推荐技巧的主播能引起用户兴奋和对主播产生信任，提升感知到的产品价值并下单购物。

既有研究为理解用户打赏行为提供了丰富洞见，但也存在一些不足。首先，戏剧表演视角得到的结论相对笼统，很难为平台提供具体管理建议；市场营销视角侧重于分析直播带货场景，较少关注游戏、颜值等直播类型。其次，主播的个人行为较少受到文献关注，既往研究多将主播纳入表演体系或营销过程进行分析，主播的个人行为是否对用户打赏有系统性影响尚未可知。第三，直播过程中获得的弹幕数量、参与弹幕的人数、贵宾来访等因素反映了主播的直播努力和互动质量，这些变量对用户打赏是否具有系统性影响，尚缺乏可靠的大样本经验证据。

基于此，本文从戏剧表演和市场营销之外的第3个视角——主播个体行为的研究视角提出以下研究问题：①直播时长与用户打赏有关系吗？②直播的连续程度和时间稳定性对打赏有影响吗？③深夜直播比白天直播获得更多打赏吗？④直播间的弹幕和贵宾数量越多，用户的打赏意愿越高吗？为了回答上述问题，建立一个分析主播行为和互动努力对用户付费打赏影响的研究框架(图1)，追加考虑主播的个人影响力为控制变量进入回归模型。接下来，通过理论分析提出研究假设，进行研究设计检验研究假设，最后，讨论实证结果并提出管理建议。

图1 研究框架

1 研究假设

1.1 直播管理与用户付费打赏

直播时长指一个完整的直播片段所维持的时间长度。据张淑华等[14]的调查数据，73.01%的用户每天观看直播的时间少于30 min，本文调查781个直播片段的平均时长为4.6 h。可见，用户观看直播的心理诉求是为了获得碎片化的娱乐消遣，主播的直播动机则很大程度上是为了获得收入和展示才艺成为明星。考虑到直播间热度存在累积效应，直播时间越长，所积累的人气越多，越可能产生用户付费打赏；从主播身体疲劳的程度而言，直播时间越长，身体越疲劳，直播效果逐渐下滑，对用户观感体验造成负面影响。综上两方面提出假设。

H1：直播时长与该段直播所获得用户付费打赏总额呈现倒“U”形关系。

直播时段指一个直播片段所属的时间区域。据吴凯[15]的调查数据，76.27%的用户选择在晚上18：00—22：00观看直播，其次是下午(18.31%)和凌晨(15.59%)。本文调查的781次直播片段中有37.4%是在晚上，其次是凌晨(26.2%)和下午(17.4%)。据此推断，由于夜晚和凌晨是主播和用户相对集中的上线时间，互动更为热烈，表演效果更佳，用户更有可能进行付费打赏；而白天进行的直播相对冷清，表演效果较平淡，较难产生付费打赏行为。由此提出假设。

H2：直播时段选择在晚上和凌晨进行将显著获得更多的时均付费打赏。

连续程度指主播逐天直播的最长持续天数。有的主播工作状态不稳定，无故断播数天，造成用户流失或情感转移；有的主播坚持每天直播，与用户之间建立可预测的服务关系。据汪雅倩[16]的研究，主播的陪伴性对用户是极为重要的，用户只能用碎片化时间上线，但主播应持续地对用户进行陪伴。因此，连续程度高的直播更能获得用户的信任和情感认同，不连续的直播则会造成用户找不到主播而投怀到其他主播，或对主播不满导致忠诚度下降并减少打赏。由此提出假设。

H3：连续程度高的直播样本获得了显著更多的用户付费打赏。

时间稳定性指主播是否在固定时间进行直播。有的主播的直播时间随意性很大，有的主播则表现出极强的专业性，向用户公布每天固定的直播时间并严格执行。虽然网络直播不受时空条件的约束，但平台方有责任进行时间约束以提高观赏的可预测性[17]。稳定性高的直播等同于提前与用户进行服务预约，能显著提高开播后的用户参与率，提升互动质量并带来更多的用户打赏行为。由此提出假设。

H4：时间稳定性高的直播样本获得了显著更多的用户付费打赏。

1.2 弹幕互动与用户付费打赏

弹幕人数指一次完整的直播片段中发送弹幕的总人数，弹幕人数越多，说明对直播内容感兴趣的用户数量越多。本文调查781段直播样本的平均弹幕人数为1 009人，最少为7人，最高则达到24 200人。根据符号互动理论，弹幕是主播与用户之间的一种有约定意义的互动符号[18]，例如，“666”是“溜溜溜”的谐音表示赞许，“555”是“呜呜呜”的谐音表示哭泣。弹幕人数多的直播间说明主播与用户互动热烈，用户参与程度高，更有可能进行打赏；缺乏弹幕的直播间说明主播与用户缺乏互动，直播内容不吸引用户，难激发用户的情感共鸣进而打赏。综上提出假设。

H5：弹幕人数与该段直播获得的付费打赏总额显著正相关。

人均弹幕指一次完整的直播片段中总弹幕数量与发送弹幕人数之比，人均弹幕越多，用户参与互动的程度越深。本文调查781段直播样本的平均弹幕数量为4.06条，最少的为1.02条，最多的为42.02条。根据传播学的使用与满足理论，观众会倾向于选择那些更能够理解和接受的信息[19]。弹幕是用户理解直播内容的补充，人均弹幕越多，主播与用户的互动程度越深，能培育高忠诚度的用户，进而产生维护主播的行为。人均弹幕少说明主播与用户的互动停留于浅层，用户对直播内容感兴趣的程度低，对主播的忠诚度低，难产生付费打赏行为。综上提出假设。

H6：人均弹幕数量与该段直播获得的人均付费打赏显著正相关。

新增粉丝指在一次完整的直播片段中新关注主播的用户数量。主播在一次直播中可能增加粉丝，也可能减少粉丝，取决于直播内容质量以及主播与用户之间是否产生了情感共鸣。本文调查的781段直播样本平均新增粉丝为253人，其中极大值为4 068人，而极小值为-284人。当新增粉丝较多时，说明直播内容质量高，互动情况热烈，引发了路人的关注兴趣或情感共鸣，进行打赏的可能性大；当新增粉丝数量较少甚至负增长时，说明直播间内容不吸引人，或者主播行为失当引起粉丝反感，导致取消关注，此时进行打赏的可能性很低。综上提出假设。

H7：新增粉丝数量与该段直播获得的用户付费打赏显著正相关。

贵宾数量指在一次完整的直播片段中进入直播间的平台会员数量。贵宾有用专属弹幕、全站喇叭、推荐主播上热门等特权。网络传播理论认为，贵宾是大众传播的活跃分子和意见领袖，在信息扩散过程中起重要的中介或过滤作用[20]。直播间是一个相对封闭的空间，意见领袖的意见会迅速蔓延开来，受众基于对意见领袖的推崇产生跟随行为[21]。因此，贵宾数量多的直播间具有更强的煽动力和互动强度，用户更可能追随贵宾进行打赏消费；贵宾数量少的直播间的互动能量和热烈程度都更低，用户行为更为冷静和理智。综上提出假设。

H8：贵宾数量与该段直播获得的用户付费打赏显著正相关。

2 研究设计

2.1 样本选取与数据来源

本文选择斗鱼平台为样本数据采集对象。自2014年成立以来，斗鱼迅速成为直播行业龙头，并于2019年7月在美国纳斯达克成功上市，目前市值约为40亿美元。据公开招股书显示，2019年第一季度斗鱼直播付费用户达600万，比上年同期增长66.7%；月活跃用户达1.592亿，同比增长25.7%。因此，基于斗鱼平台研究直播现象和用户打赏行为具有较好的代表性。

本文以颜值主播为研究对象，颜值主播以才艺展示为主要直播内容，直播内容的稳定性较强，受外部事件的影响较小。课题组于2019年10月14日在斗鱼颜值频道随机选取了52名主播，跟踪该52名主播从10月15日至10月31日共计17 d的全部直播情况，包括直播时长、付费礼物、送礼人数、弹幕人数、新增粉丝数量、最高贵宾数量等数据，经过筛查整理，最终得到781段有效直播样本，即N=781。

2.2 变量定义与计算

因变量：付费打赏。包括4个子变量：①付费礼物(pay)，指一次直播过程中主播收到的付费礼物总价值；②付费占比(pay_pct)，指付费礼物占总礼物的比例，其中总礼物包含付费礼物和免费礼物，两者之间的换算办法是110单位免费礼物等同于1单位付费礼物(1元人民币)；③人均付费礼物(pay_pp)，付费礼物总额与送礼人数之比；④时均付费礼物(pay_ph)，付费礼物总额与直播时长之比。

自变量：直播管理。包括4个子变量：①直播时长(duration)，指一段直播维持的时间长度，以小时为单位；②直播时段(time)，指一段直播所处时间段，分5个时段，即凌晨场(0:00—5:00)、上午场(5:00—10:00)、中午场(10:00—14:00)、下午场(14:00—18:00)、晚上场(18:00—24:00)，判别标准是某段直播超过50%的时间所处的时间段，若该段直播跨多个时间段则以第一个时间段为准，将晚上场和凌晨场记为夜晚，标记为1，其他为白天，标记为0；③连续程度(serial)，指当段直播与上次直播之间的间隔天数，若连续空缺则为负数，若连续直播则为正数，考虑离散程度界定最小值为-5，最大值为5；④时间稳定性(ftxtime)，若当天直播时间与上一天直播时间基本一致则标记为1，若不一致则标记为0。

自变量：弹幕互动。包括4个子变量：①弹幕人数(barrage_nb)，一次直播过程中发送弹幕的总人数；②人均弹幕(barrage_pp)，一次直播过程中发送的总弹幕数量与发送弹幕总人数之比；③新增粉丝(fansadd)，主播在一次直播过程中收到的新增加或减少的用户关注数量；④贵宾数量(vipguest)，一次直播过程中直播间同时在线贵宾数量的最高值。

控制变量：①当月排名(rank)，主播当月在斗鱼颜值风云榜的排名，取值为1～30，30名以外统一取值为31；②主播等级(level)，主播在斗鱼的等级，在1～100取值；③基础粉丝量(fansnumber)，主播的平台粉丝数量，以万为单位，以2019年10月15日的数值为准；④加入时间(jointime)，主播加入斗鱼平台的时间，以月为单位；⑤主播性别(gender)，男性主播取值为1，女性主播取值为0。

2.3 描述性统计分析

描述性统计分析结果见表1。主播平均每次直播获26 439.58元的付费礼物，平均直播时长4.59 h，每小时获6 104.44元付费礼物。每场直播有154人赠送礼物，其中86.10%为付费礼物，平均每人赠送付费礼物为171.46元。约64%的直播在18：00至次日5：00进行，连续程度指数均值为2.82；大约一半的主播有较为稳定的直播时间，而另一半的主播的上下播时间较为随意。平均每场直播有918人发送弹幕，人均弹幕数约为4条，每场直播为主播增加253个粉丝，光临直播间的贵宾数量平均为746人。整体而言，颜值直播的热度较高，受到粉丝热捧，单场最高付费打赏金额达到752 200元，为平台和主播带来了可观的经济收益。

表1 主要研究变量的描述性统计分析(N=781)

对主要研究变量进行相关系数分析，结果见表2。付费打赏与直播时长有显著关系，在夜晚的直播获得了更多打赏，此外，也跟弹幕人数、新增粉丝数和贵宾数量显著正相关。付费礼物占比与直播时间的稳定性显著正相关，但与弹幕人数等互动指标则存在显著负相关关系，表明弹幕互动可能主要提升的是免费礼物赠送，而非付费礼物赠送。人均付费礼物与夜晚时段、弹幕人数和新增粉丝显著正相关，但与连续程度显著负相关。时均付费礼物与直播时长成反比，与弹幕人数、新增粉丝和贵宾数量正向关。整体而言，直播管理和互动努力与用户付费打赏存在显著正向关联关系，但也存在一些负向关联关系值得深入探究。

表2 主要研究变量相关系数(N=781)

3 实证检验

3.1 多元回归分析

为了深入分析自变量对付费打赏的影响，构建多元回归方程为

Yi=α+β1durationi+β2durationi×durationi+

β3timei+β4seriali+β5fixtimei+β6barrage_nbi+

β7barrage_ppi+β8fansaddi+β9vipguesti+β10ranki+

β11leveli+β12fansnumberi+β13jointimei+β14genderi+εi

(1)

式中：Y为被解释变量，在方程1～方程4中分别表示为pay付费礼物、pay_pct付费占比、pay_pp人均付费和pay_ph时均付费；duration表示直播时长，duration×duration为直播时长的平方项，用来检测非线性关系，time表示夜晚直播时段，serial表示直播连续程度，fixtime表示直播时间的稳定性，barrage_nb表示弹幕人数，barrage_pp表示人均弹幕，fansadd表示新增粉丝，vipguest表示贵宾数量，以上为解释变量；rank表示主播的当月排名，level表示主播的等级，fansnumber表示主播的基础粉丝量，jointime表示加入平台的时间，gender表示主播的性别，以上为控制变量；i代表不同直播片段；ε表示误差项；α和β1-14表示待估计的未知统计参数。

表3展示了方程1～方程4的回归结果。对方程1～方程4的解释变量进行共线性诊断，结果显示解释变量的方差膨胀因子VIF值为1.171～3.199，未超过共线性的诊断阈值10，因此方程1～方程4的自变量之间不存在显著的共线性问题。

表3 主播行为和互动努力对用户付费打赏的影响结果

综合表3中方程1～方程4的回归结果，对假设的验证情况如下：

直播时长对付费打赏总额的影响显著为正(β=0.173，P<0.01)，但二次项与付费打赏总额的参数估计值显著为负(β=-0.361，P<0.01)，表明直播时长与付费打赏呈现倒“U”形影响关系。直播时长对人均付费打赏的影响基本类似。在时均付费方面，直播时长越长，时均付费越少(β=-0.631，P<0.01)，但下降速度趋缓(β=0.170，P<0.05)，符合长尾分布的统计特征。因此，假设H1得到数据支持。

夜晚时段对付费打赏总额(β=0.097，P<0.01)、人均付费(β=0.099，P<0.01)和时均付费(β=0.101，P<0.05)有显著正向影响，因此，假设H2得到数据支持。

直播连续程度对付费礼物占比有显著正向影响(β=0.075，P<0.05)，对付费礼物总额(β=-0.092，P<0.01)、人均付费(β=-0.124，P<0.01)和时均付费(β=-0.069；P<0.10)有显著负向影响。时间稳定性对付费打赏占比有显著正向影响(β=0.065，P<0.10)，对其他因变量无显著影响。因此，假设H3和H4获部分支持。

弹幕人数对付费打赏总额(β=0.656，P<0.01)有显著正向影响，因此，假设H5得到数据支持。人均弹幕对人均付费打赏(β=0.046，P>0.10)无显著影响，因此，假设H6未得到数据支持。新增粉丝对付费打赏总额(β=0.094，P<0.05)和人均付费(β=0.118，P<0.05)存在显著正向影响，因此，假设H7得到了数据支持。

贵宾数量但付费打赏总额的影响为正，但不显著(β=0.077，P>0.10)，对时均付费打赏的影响显著为正(β=0.152，P≤0.05)，考虑原因，可能是在贵宾数量与付费打赏之间存在中介变量，潜在的中介变量可能是弹幕人数、人均弹幕和新增粉丝。此外，贵宾数量对付费打赏比例的影响显著为负(β=0.162，P<0.05)，可能是因为贵宾同时带动了付费打赏和免费打赏，而免费打赏的增长比重更大。综合上述分析，认为假设H8仅得到部分支持，潜在的中介效将继续分析检验。

3.2 对非线性关系和中介效应的进一步分析

为了进一步解析直播时长与付费礼物的非线性关系，将直播时长与付费礼物总额的全案例散点图绘制如图2所示，直播时长与时均付费的全案例散点图如图3所示。由图2可见，直播时长与付费礼物整体上正相关，但随着直播时长不断增加，这一趋势开始下降，因此呈现出倒“U”形关系。在图3中，随着直播时间的增加，时均付费呈明显的下降趋势，呈现出“L”形的长尾分布特点。

图2 直播时长与付费礼物的倒“U”形散点图

图3 直播时长与时均付费的“L”形散点图

进一步观察图2发现，样本散点分布存在较为明显的分叉现象，即一部分样本的斜率基本保持不变，另一部分样本的斜率则呈现出衰减趋势，提示可能存在调节变量。根据对样本数据的观察，推断主播的基础粉丝数量可能是造成这一分叉的调节因素，据此，进一步进行分样本的回归检验。

本文涉及的781段直播样本的主播平均基础粉丝量为17.24万(最少0.032万，最高155.21万)，其中623段直播样本的基础粉丝量低于17.24万，标注为低粉丝样本，其余158段直播样本高于该数值，标注为高粉丝样本。对两个子样本分别按照方程1进行多元线性回归，发现在低粉丝样本中，直播时长对付费打赏的影响参数显著为正(β=0.295，P<0.01)，二次项参数显著为负(β=-0.436，P<0.01)；在高粉丝样本中，直播时长对付费打赏的影响参数显著为正(β=0.113，P<0.05)，但二次项参数估计值不显著(β=-0.002，P>0.10)。根据上述结果，作出调节效应判断：直播时长对付费打赏的影响以主播的基础粉丝量为调节变量，高粉丝主播的这一影响为正向线性关系，低粉丝主播的这一影响为倒“U”形关系。

此外，为了检验贵宾数量与付费打赏之间是否存在中介变量的问题，对方程1回归模型进行逐步纳入自变量的操作——以付费打赏总额为因变量，逐步纳入控制变量、直播管理变量、贵宾数量，最后纳入弹幕人数、人均弹幕和新增粉丝。结果显示，当贵宾数量进入回归模型时，其对付费打赏总额的影响显著为正(β=0.720，P<0.01)，模型拟合优度R2从0.214提升至0.355，说明贵宾数量是付费打赏的有效解释变量。最后，弹幕人数(β=0.656，P<0.01)、人均弹幕(β=0.060，P<0.10)和新增粉丝(β=0.094，P<0.05)进入模型，三者均对付费打赏存在显著影响，但贵宾数量对付费打赏的显著影响消失(β=0.077，P>0.10)，模型拟合优度R2从0.355提升进一步提升至0.525，说明弹幕人数、人均弹幕和新增粉丝是付费打赏的直接解释变量，贵宾数量是付费打赏的间接解释变量，中介效应得到初步验证。

3.3 分时段方差分析

为了进一步厘清直播时段对付费打赏的影响，对5个不同的直播时间段的付费打赏情况和弹幕互动情况进行方差分析，结果见表4。

表4 直播特征和互动场景与用户付费打赏关系结果

整体来看，晚上场是直播效果最佳和付费打赏最多的时段，这一时段的样本在付费礼物、总礼物、人均送礼、送礼人数、总弹幕、弹幕人数、时均付费礼物、时均弹幕、时均送礼人数等指标的表现处于领先地位。凌晨场的直播效果低于晚上场，其付费礼物等指标均显著低于晚上场，而直播时长显著高于晚上场，为全场最高。此外，凌晨场的人均弹幕和最高贵宾数量为所有时段中最高，说明凌晨时段的用户更愿意跟主播进行深度交流，但付费打赏的意愿不如晚上场。

在白天时段的直播方面，中午场的表现非常突出，虽然只有84个直播片段在中午进行，占全部样本的10.7%，但付费礼物均值高达28 686.24元，仅次于晚上场，是上午场的4.57倍，是下午场的1.92倍。此外，中午场在付费礼物、总礼物、人均送礼、时均付费礼物等指标均排第二，时均新增粉丝数量则为全时段第一。这些数据表明，中午是用户观看直播并进行付费打赏的理想时段，在这个时段，用户虽然发送弹幕的数量不多，但付费打赏的意愿和新增关注的意愿比较强烈。综合上述指标，主播进行直播的理想时段依次是晚上场、中午场、下午场、凌晨场、上午场，时均付费打赏依次为8 993.63、6 600.07、4 564.22、4 173.08、1 731.32元。

4 结论与讨论

4.1 研究结论

1)直播管理对付费打赏有显著影响。直播时长与付费打赏总额呈现倒“U”形关系，随着直播时间的增长，付费打赏呈下降趋势，但基础粉丝数量大的主播不受这一规律的影响，其直播时长与付费打赏总额基本为正向线性关系。直播的连续程度和时间稳定性能够提升付费礼物占比，但对付费礼物总额、人均付费和时均付费存在负面影响，可能的原因是直播内容相对重复导致无法吸引路人，因此主播应避免形成封闭粉丝群，应加强对新用户和路人的重视和吸引。

2)主播与用户的互动努力显著提升了付费打赏。弹幕人数是付费打赏最有力的解释变量，显著提升了付费打赏总额、人均付费和时均付费。人均弹幕的影响略低于弹幕人数，说明主播与用户互动的广度比深度更为重要。新增粉丝数量反映了主播吸引路人的努力，这一指标对付费打赏有提升作用，说明新用户对主播关注后很可能产生付费打赏行为。贵宾数量是付费打赏的间接解释变量，通过提升弹幕人数、人均弹幕和新增粉丝来营造直播间的付费打赏氛围。

3)直播时段对付费打赏存在显著影响。晚上场(18:00—24:00)是最为理想的直播时段，其在付费礼物、总礼物、人均送礼、送礼人数、总弹幕、弹幕人数、时均付费礼物、时均弹幕、时均送礼人数等指标的表现处于领先地位。其次为中午场(10:00—14:00)和下午场(14:00—18:00)，而凌晨场的直播不仅时间普遍过长(场均6.51 h)，而且在时均付费、时均新增粉丝等关键指标的得分均不如中午场或下午场。这些研究结果表明，付费打赏的核心时段是用户的工作间隙时间如中午或晚上，熬夜看直播的用户并不会为主播提供显著更多的付费打赏。

4.2 理论创新

1)本文采取的主播个人行为视角与既有研究形成了差异和互补。既有研究中，戏剧表演视角侧重于分析主播与用户的感情联系[6-8]，市场营销视角侧重于对用户消费心理的揣度和测量[9-13]，鲜有从主播个人行为的角度对直播打赏行为进行的研究。本文将主播的直播行为视为核心变量，分析直播管理和互动努力对付费打赏的影响，补充了既有研究缺乏对主播个人行为关注的不足。

2)本文设计的研究方法具有较强的实证新颖性。既有实证研究又采用案例分析[8]、主播访谈[16]、用户访谈[13]、用户问卷调查[22]、弹幕文本分析[11]等方法，尝试还原直播场景。本文直接抓取直播间的实时数据如直播时长、弹幕数量、新增粉丝、付费礼物等，直接还原直播现场，能够产生客观、真实和具体的研究发现，对于深化对网络直播现象的学术研究提供了客观翔实的经验证据。

3)本文得到了一些出乎常理的新研究结论。例如：①直播时长与付费打赏之间存在倒“U”形的非线性关系，同时这一关系还受到主播基础粉丝量的权变影响；②直播的连续性和时间稳定性对付费占比有正向影响，但对打赏总额和人均付费有负向影响；③直播间的贵宾数量对付费打赏的影响是间接的，其中介过程是直播间的弹幕人数、人均弹幕和新增粉丝数量；④晚上场是最佳的直播时段，但凌晨场的直播效果不如中午场，用户的工作间隙是直播打赏的最佳时机。整体而言，这些研究发现进一步深入厘清了主播行为、直播间氛围和用户回应等多种机制的复杂关系，对深入理解和管理直播现象及完善直播经济提供新的洞见。

4.3 管理建议

平台是主播的管理者、直播行为的规范者以及群体互动机制的设计者。基于本文研究结论，对平台提出以下管理建议：①与主播签订更为灵活的直播时间协议。目前不少平台都与主播签订了直播合同[17]，要求主播每天按时直播，但本文的研究发现直播的连续程度和时间稳定性对付费打赏存在负向影响，因此，平台不用要求主播逐天准时上播，而是控制整月的直播时间即可。②区别对待基础粉丝数量大和小的主播，对基础粉丝数量大的主播应要求更多的直播时间，而对粉丝少的主播则引导其适度直播。③引导主播减少凌晨直播，尽量选择在用户的工作时间空隙如中午和晚上进行直播。④设法改善弹幕功能提高用户的参与率，降低发送弹幕的门槛，提升弹幕感官体验，让更多的用户发送弹幕。

主播是自媒体时代的内容生产者和自我雇佣(创业)者。基于本文研究结论，对主播提出以下管理建议：①直播时长不宜过短也不宜过长，适度长度的直播能获得更多付费打赏，过度直播会降低服务质量。②发展可持续直播服务，减少凌晨直播，改为中午或下午直播，不仅可以提升付费打赏，而且对主播自身和粉丝群体的身体健康也有所裨益。③直播与传统工作存在显著区别，朝九晚五的模式不适合主播，主播不必每天准时上下播，而应考虑如何为粉丝提供新的直播体验和信息量。④注重与粉丝进行弹幕互动，不可埋头展示才艺而忽略粉丝互动，应多鼓励粉丝发送弹幕参与互动。⑤吸引新粉丝的重要性大于培育固定粉丝群，观众存在审美疲劳，主播要始终关注吸纳新粉丝，过早形成粉丝圈子不利于吸引新粉丝。

4.4 研究局限

本研究还存在一些局限值得在未来深入探索。首先，本文的研究对象为颜值主播，且以女性为主(女性占比84.4%，男性占比15.6%)，因此，本文的研究结论是否适应于其他类型主播如游戏主播(以男性为主)还需要进一步的实证检验。其次，研究结果整体上表明付费打赏是一项冲动型消费，受直播间互动氛围影响较大，而直播时间连续且稳定的主播却未能获得更多付费打赏，这与既有研究多以理性视角分析消费者行为的结论有差异，值得深入探究。第三，本文选择的解释变量对付费比例和人均付费的解释力较低(R2分别为0.251和0.140)，未来需要对解释变量进行更为广泛的选择和检验。第四，直播现象仍处于快速成长的变化期，直播过程存在许多模棱两可的两难问题需要在实践中继续揣摩，例如合适的直播时长、稳定抑或随意的直播时间、弹幕互动的广度和深度、培育稳定粉丝群还是迎合新的路人等，对这些问题的探讨还需要在未来进一步持续深入研究。