EN中文

Economic geography >

2025 , Vol. 45 >Issue 6: 192 - 200

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.06.019

The Impact of Live Streaming E-Commerce on Agricultural Product Sales: Converting User Traffic into Sales Growth

  • LIN Haiying , 1 ,
  • LU Xiaoyan 2 ,
  • FU Baobao 2 ,
  • TANG Yajiao 2 ,
  • LI Wenlong , 3, ※
Expand
  • 1. Business College，Inner Mongolia University of Finance and Economics，Hohhot 010070，Inner Mongolia，China
  • 2. School of Business Administration，Inner Mongolia University of Finance and Economics，Hohhot 010070，Inner Mongolia，China
  • 3. School of Resources and Environmental Economics，Inner Mongolia University of Finance and Economics，Hohhot 010070，Inner Mongolia，China

Received date: 2024-10-23

  Revised date: 2025-01-02

  Online published: 2025-08-07

Fold

Abstract

As an emerging marketing channel, live-streaming e-commerce plays a vital role in promoting the sales and distribution of agricultural products. This paper selects Douyin, a representative live-streaming e-commerce platform, as a case study. Leveraging machine learning and data mining technologies, we collected 43,000 pieces of live-streaming e-commerce data and 867 observational samples. Using structural equation modeling (SEM), we comprehensively analyzed the influence mechanism of live-streaming e-commerce on agricultural product sales performance, considering multiple factors including anchor personal characteristics, anchor activity levels, livestream popularity, and livestore characteristics.The results indicate that: 1) Anchor personal characteristics, activity levels, and livestream popularity significantly enhance agricultural product sales performance. 2) Follower count exerts a significant positive effect on sales, and the aforementioned anchor and livestream characteristics further boost sales through the mediating effect of follower count. 3) The impact exhibits heterogeneity across different follower tiers. The influence of anchor personal characteristics grows stronger with larger follower bases. Furthermore, the effects of anchor activity, livestream popularity, and follower count may reverse (i.e., become negative) due to factors such as audience maturity, sensitivity to waiting times (e.g., delivery), and variations in consumption preferences.Finally, this paper proposes policy recommendations for the government, platforms, and anchors to optimize the live-streaming e-commerce model, boost agricultural product sales, and increase farmer income. These findings provide micro-level decision-making insights for comprehensively promoting rural revitalization.

Key words： agricultural products; live streaming e-commerce; sales effect; number of followers; Douyin(TikTok) platform; rural revitalization

Cite this article

LIN Haiying , LU Xiaoyan , FU Baobao , TANG Yajiao , LI Wenlong . The Impact of Live Streaming E-Commerce on Agricultural Product Sales: Converting User Traffic into Sales Growth[J]. Economic geography, 2025 , 45(6) : 192 -200 . DOI: 10.15957/j.cnki.jjdl.2025.06.019

2024年中央一号文件首次提出了“实施农村电商高质量发展工程”的倡议，旨在推进县域电商直播基地的建设，推动乡村土特产网络销售①。随着数字时代的到来，数字技术在农业领域应用越来越广泛，在推动传统农业向现代化转型中发挥了突出作用，展现出光明前景，已成为促进农业现代化的新举措和新引擎。网络直播作为一种创新性的农产品销售渠道，近年来呈现出迅猛的发展态势[1]。农产品直播电商所具有的低成本、高效率、广覆盖和强互动等优势，能够有效应对农产品销售难题、农户增收乏力和农村消费升级缓慢等挑战。
直播电商依托数字化手段重塑农产品上行机制[2]，通过缩短产销链路、降低流通成本、提升供应链响应效率等方式，成为激活农产品市场、拓展销售渠道的重要路径。其发展以“人、货、场”为核心要素，由平台、品牌方、消费者等多主体协同驱动[3]。商家通过直播平台实现农产品可视化展示与流通成本优化，带来极大的曝光率，进而提升农产品销量，最终形成吸引商家入驻的良性发展循环[4]。农产品直播在降低消费者信息搜寻成本的同时，通过直播场景的视觉直观呈现、实时互动反馈与情感化刺激设计，构建边看边买的沉浸式购物体验[5]，进而推动直播间关注用户数量增长，带动活跃度与平台吸引力的提升。主播作为价值传递的核心和意见领袖，通过与平台及MCN机构协作，凭借专业解说、亲身体验和即时互动，有效增强农产品的可信度与临场感，引导消费决策，强化产销连接并提升消费者忠诚度[6]，消费者基于其表现还可能产生场景依恋，进而深化购买意愿[7]。直播间氛围在客群关系维护与消费体验塑造中作用凸显，便捷性、价格优势、情感互动等要素直接影响消费者决策[8]。直播电商不仅突破传统销售边界，展现农产品多维价值以满足用户差异化需求，更促进双向信息流互动，推动价值共创与农产品上行模式的创新[9]。
随着农产品直播带货在各地区的发展迅速，一系列的相关问题和挑战也逐渐显现。例如，在农产品直播电商实践中[10]，无论是聘请主播还是衔接电商平台，均需投入大量的成本，这对于资源有限的小农户而言构成了实质性的进入壁垒[1]；同时，农产品直播电商领域存在整体规划不足、行业规范缺失以及品牌建设滞后等问题，导致消费者难以与直播商家建立持续、可靠的信任，进而影响了农产品的持续销售[11]。
综上，已有研究仍存在以下待完善之处：①由于兴起较晚，直播电商相较于传统电商等领域的研究仍显不足。②现有研究多基于消费者视角探讨直播相关变量对消费者购买意愿的影响，缺少使用直播销售额、带货率等客观数据进行分析；③鲜有文献使用“关注用户数”作为中介变量研究其对销售效果的影响机制。因此，如何将消费者的“注意力”转化为“购买力”、如何将主播的“流量”转化为“增量”来激发消费潜力并提升农产品销售数量，依然是当前值得深入关注的重要议题。

1 理论分析与研究假设

基于信息源理论，在直播购物中，商家通过主播和直播平台向消费者传递产品信息，而信息源的可信度则会影响消费者的信息解读和态度。主播、直播间和店铺作为信息源，其信誉和信息质量会塑造消费者对产品的认知[12]。本文采用直播销售额衡量农产品直播电商销售效果[13]，同时结合主播信息源特性、直播间信息源特性、直播店铺信息源特性3方面[14]，选取主播个人特征、主播活跃特征、直播人气特征、直播店铺特征、关注用户数5个因素来分析其对直播销售效果的影响，其作用机制如图1。
图1 农产品直播电商对销售效果的作用机制

Fig.1 Mechanism of livestream e-commerce in agricultural sales performance

1.1 直播电商对农产品销售效果的影响

本文的直播电商主要从主播个人特征、主播活跃特征、直播人气特征、直播店铺特征4个方面进行讨论。①在主播个人特征方面，主播作为意见领袖往往会对消费者的购买决策产生重要影响[15]，其中，粉丝量作为主播商业价值的核心要素，粉丝基数越大，其影响力就越强，这直接导致直播间的在线观众数量增加，最终增加所售农产品销量[13]。②在主播活跃特征方面，网络直播和发布视频是电商主播与观众进行互动并传播价值观的两个重要途径。主播直播连续播放时间越长，直播间开通时间越早，直播预热视频越多，说明主播活跃程度越高，直播销售效果就越好[16]。③在直播人气特征方面，直播间人气作为衡量直播间受关注与欢迎程度的关键指标，是系统流量推荐的主要依据。直播间人气不仅体现表面的热度，更与消费者的消费行为存在紧密联系。直播间点赞数对消费者冲动消费有显著影响，直播间观众购买意愿也受到其他观众的影响[17]。④在直播店铺特征方面，店铺特征对消费者的持续购买意愿存在显著影响[18]。具体而言，物流服务显著影响顾客体验和复购意愿，客服响应速度和服务态度也直接影响消费者满意度。鉴于此，本文提出研究假设1。
H1：直播电商对农产品销售效果具有显著正向影响。

1.2 关注用户数对农产品销售效果的直接与间接影响

①关注用户数对农产品直播电商销售效果的直接影响。关注用户数反映了潜在客户基础、社交传播和平台网络效应，这些因素直接影响直播电商销售绩效。第一，潜在客户基础。关注用户是电商潜在客户的基础，直播电商通过推送消息和互动交流激活关注用户的购买欲望，提升转化率和复购率。第二，社交传播效应。每个关注用户都可能成为传播者，通过点赞、评论和分享产品信息至社交网络，形成“病毒式”传播方式，不仅经济高效地吸引更多关注用户，而且基于好友推荐的信任度更高，从而增强购买意愿。第三，平台网络效应。用户的交易和评价为其他潜在用户提供了有价值的信息，成为新用户关注和参与的资源。总之，关注用户数的增加为直播电商带来了更丰富的潜在客户资源，从而显著提升农产品销售绩效[5]。鉴于此，本文提出研究假设2。
H2：关注用户数对农产品直播电商销售效果具有显著正向影响。
②关注用户数对农产品直播电商销售效果的间接影响。信号理论[19]与社会资本理论深化了我们对信号在消费者决策中作用的理解。帕特南认为社会资本由信任、规范和网络构成，其中信任起着核心作用，而互惠规范和参与网络是建立信任的基础[20]。在电商直播环境中，主播通过其关系资本与对商品的深刻理解，提升了消费者的感知价值，进而建立信任，增强了消费者的复购意愿。消费者在购买农产品时，更倾向于听从专业意见，主播通过分享专业知识和实践经验（如使用体验），赢得用户的信任，这是激发消费者购买动机的关键因素[21-22]。信任不仅能增强消费者忠诚度，还能促进口碑传播。信息质量、产品质量和服务质量对消费者的感知信任有积极作用。电商交易中，主播与消费者的认同交流、积极互动、及时反馈和有效问题解决，都能提升消费者对网购的信任。这些因素共同作用，有助于构建消费者对电商直播间的信任，推动持续购买行为。鉴于此，本文提出研究假设3。
H3：关注用户数作为中介变量在直播电商和农产品销售效果作用关系中存在正向间接效应。

1.3 直播电商赋能效应的粉丝量级异质性分析

粉丝量级作为关键要素，对销售成效产生显著且多元的异质性影响。基于传播理论[23]的扩散机制，拥有超高粉丝量的主播，其构建的巨型流量入口，可使农产品获得瞬间海量曝光；同时，主播长期塑造的个人品牌形象形成信用背书[24]，降低消费者的购买决策成本，进而可能激发冲动购买行为，推动销售额快速增长。处于成长关键期的中等粉丝量级主播，已积累一定规模忠实粉丝，聚焦特定农产品领域并以专业知识为核心竞争力，基于其专业性，粉丝可能通过深入了解产品特性、种植知识等形成理性购买决策，其相对较高的复购率或可推动销售稳健提升[25]。粉丝量级较低的主播，多依托地缘、人缘关系积累粉丝[26]，虽能通过强信任关系满足周边近距离消费需求，但受限于人际关系网络的相对封闭性，信息传播可能局限于熟人小圈子，难以跨越不同社交群体广泛扩散，导致传播效率和影响力受限。基于上述逻辑，本文提出研究假设4。
H4：不同的粉丝量级对农产品直播电商销售效果的影响存在异质性。

2 数据来源与模型选择

2.1 数据来源

本文选取农产品电商直播典型平台抖音作为数据来源，采用数据挖掘法，从第三方平台蝉妈妈网站在线抓取抖音平台直播数据。选取抖音平台的理由是：①抖音平台拥有海量的主播和用户群体，是目前我国电商直播行业市场份额占比最高的平台，其占比达37.30%①。根据北京阳光消费大数据研究院联合消费者网对2023年1—11月资讯媒体有关农产品直播电商消费舆情采集情况，抖音电商平台与农产品直播相关的消费舆情占比为51.58％；其次为淘宝、快手、京东、拼多多、小红书。②近年来，抖音在推动农产品上行方面做出了突出贡献。《2023抖音电商产业发展这一年》报告显示，2023年抖音平台农产品直播讲解超过3780万场，累计销售农产品47.3亿单②。因此，选择抖音平台研究农产品直播电商销售效果具有一定的典型性和代表性。
蝉妈妈③是国内一家综合性数据分析服务平台，涵盖了抖音、小红书、快手等多个社交平台的直播销售数据。蝉妈妈网站特设“直播农产品”的板块，借助机器学习技术与数据挖掘技术，首先以2023年10月1日—12月31日蝉妈妈网站的“食品饮料”和“生鲜蔬果”指标共获取包括账号名称、粉丝数量、直播时长、销售量、销售额等4.84万条数据，继而进行数据的筛选和整理，最终获取了4.3万条、867个样本观测值的数据集。

2.2 变量设置与描述性统计

2.2.1 变量设置

本文以抖音农产品直播电商为研究对象，综合分析主播个人特征、主播活跃特征、直播人气特征、直播店铺特征、关注用户数等多个因素对销售效果的直接影响，并探讨关注用户数作为中介变量的间接效应，进一步对农产品销售效果进行异质性分析。结合实际，参照相关文献[12]，本文选取主播个人特征、主播活跃特征、直播人气特征、直播店铺特征、关注用户数、销售效果6个潜变量共16个观测变量进行具体分析（表1）。
表1 样本描述性统计

Tab.1 Sample descriptive statistics

潜变量 观测变量 变量含义 最小值 最大值 平均值 标准差
销售效果 农产品直播销售额（万） 主播90天内直播的实际销售额（总销售额-退单销售额） 0.090 9566.300 160.812 461.229
主播个人特征 粉丝总数（万） 电商主播拥有的粉丝数量 0.000 989.800 34.754 85.322
粉丝团人数（万） 加入粉丝团需提交1抖币团费
截至爬取当日		 0.001 134.600 1.592 6.617
主播活跃特征 预热视频数 直播前吸引观众和引起兴趣的视频数 0.000 1250.000 80.280 130.393
场均直播时长（h） 90天内平均每场直播的时长 0.480 69.510 3.556 4.076
直播总时长（h） 直播总时长等于场均直播时长 · 90天内直播场次 1.500 2224.320 397.406 399.125
直播人气特征 场均人气峰值 平均每场直播一个时间周期内最高观看人次 4.350 52146.940 648.510 2792.987
场均在线人数 平均每场直播在线人数 1.000 14857.000 223.510 843.552
场均停留时长（s） 平均每场直播观众平均停留时长 18.000 508.000 63.690 40.745
场均点赞数 平均每场直播的点赞数 50.000 1381555.000 15923.640 76536.012
直播店铺特征 经营年限（年） 直播店铺经营年限 0.330 141.000 1.665 4.834
商家体验分 根据商家服务、商品体验和物流服务综合评价得出 0.000 5.000 4.683 0.285
商家服务 根据商家问题投诉率、平均IM人工首响时长、平均售中退款时长综合评价得出 0.000 5.000 4.681 0.406
商品体验 根据好评率和品质退货率两个指标综合评价得出 0.000 5.000 4.557 0.450
物流体验 依据平均揽收时长评价 0.000 5.000 4.688 0.367
粉丝量级 低粉丝量级
高粉丝量级		 粉丝数在10万及以下
粉丝数在10万以上		 0.000
11.6000		 9.900
988.800		 3.895
80.070		 3.483
120.554
关注用户数 用户信任 直播间涨粉人数 1.000 9544.000 188.510 586.940
N=867

2.1.2 描述性统计分析

表1显示，调查样本中“销售效果”的观测变量总销售额的均值为160.812万元，标准差为461.229，说明直播电商间的销售额总体差异较大；在“主播个人特征”的观测变量中，电商主播间粉丝总数的差异显著大于粉丝团人数差异，粉丝总数的最大值达到了989.800万，以主播粉丝数量10万为临界点进行粉丝量级划分可知，高粉丝量级账号样本量有350个，低粉丝量级账号样本量有516个，其中低粉丝量级账号之间的粉丝数量差异较小，分布较均匀，而高粉丝量级账号之间的粉丝数量差异显著，标准差达到120.554；“主播活跃度”的观测变量中，场均直播时长的均值为3.556 h，标准差为4.076，表明直播电商间平均每场直播的时间大概在3.5 h，但是电商直播间直播总时长的差异较大；“直播人气特征”的观测变量场均人气峰值的均值为648人，标准差为2792.987，人气峰值最高的直播间可达52147人次，说明直播内容能够广泛传播；场均在线人数的均值为223人，标准差为843.552，场均在线人数体现了直播间的平均人气，说明各直播间的人气差距较大；各直播间的场均点赞数差异非常明显，其标准差达到76536.012；在“直播店铺特征”的观测变量中，各直播间的实力相当；“关注用户数”的均值为188人，标准差为586.940，说明电商直播账号之间的潜在消费者数量差异明显。

3 实证结果及分析

3.1 模型检验

3.1.1 信度和效度检验

为了统一数据量纲，本文对数据进行了Z-Score标准化，标准化后的数据可比性得到提高，继而进行信度和效度检验。结果显示，整体Cronbach's α系数为0.702，各观测变量的α系数均大于0.6，即样本信度可接受；样本总体KMO检验系数为0.728，Bartlett球形检验显著（P=0.000），6个潜在变量在相应测项上的因子载荷值较大，说明调查数据适合做因子分析，且样本效度较好。

3.1.2 模型适配度检验

结构方程模型（SEM）是基于变量的协方差矩阵来分析变量之间关系的一种统计方法，用于分析多个自变量和多个因变量之间的关系。本文利用主播个人特征、主播活跃特征、直播人气特征、直播店铺特征、关注用户数、销售效果6个潜变量和相应观测变量，构建农产品直播电商对销售效果影响的结构方程模型。在进行实证分析前，需要对模型适配度进行优化。经过调整后AGFI、GFI、RMSEA、CFI、NFI、IFI、PCMIN/DF均已达到标准，模型拟合效果得到显著改善。

3.2 直接效应检验

由表2可知，主播个人特征、主播活跃特征、直播人气特征及关注用户数对销售效果存在显著正向影响，标准化路径系数分别为0.296、0.077、0.118和0.340，而直播店铺特征对销售效果的影响不显著。因此，H1得到了实证研究的部分支持。究其原因主要是网店经营者会通过好评返现等方式提高店铺评分，改善店铺信誉等级。好评返现是消费者按照卖家要求撰写不实的积极评价后获得卖家奖励的新兴营销手段，即消费者按照对方的要求，在确认收货之后对评价中的各项指标，如描述相符情况、物流服务、服务态度给出全五星好评，完成操作之后可在一定期限内获得商家所承诺的返现优惠[27]。导致店铺之间的评分差距不大，用户无法根据店铺评分而做出判断。
表2 路径系数

Tab.2 Path coefficient

路径描述 标准化路径系数 C.R.(t) p值
主播个人特征→销售效果 0.296 8.303 ***
主播活跃特征→销售效果 0.077 2.795 **
直播人气特征→销售效果 0.118 2.391 **
直播店铺特征→销售效果 0.033 1.131 0.258
关注用户数→销售效果 0.340 8.303 ***

注：***代表p<0.001，**代表p<0.01，*代表p<0.05。表3、表4、表6同。

3.3 间接效应检验

为进一步分析关注用户数作为中介变量作用于销售效果的间接效应，本文采用AMOS软件进行95%概率水平下的Bootstrapping重复抽样5000次，验证了关注用户数在模型中的中介作用（表3）。图2为修正后的模型标准化路径系数结果。
表3 间接效应检验结果

Tab.3 Indirect effect test results

中介路径 间接效应系数 p值 95%置信区间 中介效果
下界 上界
主播个人特征→关注用户数→销售效果 0.075 * 0.019 0.202 支持
主播活跃特征→关注用户数→销售效果 0.049 * 0.015 0.126 支持
直播人气特征→关注用户数→销售效果 0.238 * 0.019 0.640 支持
直播店铺特征→关注用户数→销售效果 -0.009 0.474 -0.003 0.039 不支持
图2 修正后的模型标准化路径系数结果

Fig.2 Standardized path coefficients of the revised model

由表3可知，在95%的概率水平下，其中3个置信区间均不包括0，即除了直播店铺，关注用户数作为主播个人特征、主播活跃特征、直播人气特征中介变量的实证结果均显著。具体而言：①关注用户数对于主播个人特征作用于销售效果的间接效应系数为0.075，说明主播个人特征通过关注用户数作用于销售效果有显著正向影响，即其他条件不变的情况下，主播个人特征提高1单位，销售效果会提升7.5%。②关注用户数对于主播活跃特征有显著正向影响，间接效应系数为0.049，在其余条件保持不变的情况下，主播活跃特征增加1单位，销售效果会提升4.9%；③关注用户数对于直播人气特征作用于销售效果的间接效应系数为0.238，说明主播人气特征通过关注用户数作用于销售效果有显著正向影响，即其他条件不变的情况下，主播人气特征提高1单位，销售效果会提升23.8%，因此假设H3得到部分验证。

3.4 稳健性检验

本文在进行稳健性检验时，采用了替换被解释变量测度方式、分样本两种方法，以确保结果的可靠性和稳定性。首先，将被解释变量农产品直播销售额替换成农产品直播销售总量；其次采用分样本方法，将样本根据农产品实际销售额的排名分为前50%和后50%两组，检验模型在不同样本子集上的稳健性。由表4可知，标准化路径系数的显著性与初始结果基本一致，表明结果稳健。
表4 稳健性检验结果

Tab.4 Robustness test results

替换被解释变量 调整样本
路径描述 路径系数 路径描述 路径系数（前50%） 路径系数（后50%）
主播个人特征→农产品直播销售总量 0.070 主播个人特征→销售效果 0.360*** 0.182**
主播活跃特征→农产品直播销售总量 0.049 主播活跃特征→销售效果 0.410 0.410***
直播人气特征→农产品直播销售总量 0.142* 直播人气特征→销售效果 0.430*** 0.341***
直播店铺特征→农产品直播销售总量 0.038 直播店铺特征→销售效果 -0.004 0.096*
关注用户数→农产品直播销售总量 0.009*** 关注用户数→销售效果 0.254*** 0.145***
主播个人特征→关注用户数 0.198*** 主播个人特征→关注用户数 0.167*** 0.177*
主播活跃特征→关注用户数 0.129*** 主播活跃特征→关注用户数 0.080* 0.144**
直播人气特征→关注用户数 0.628*** 直播人气特征→关注用户数 0.674*** 0.071*
直播店铺特征→关注用户数 -0.025 直播店铺特征→关注用户数 -0.106 -0.043

注：路径系数已标准化。

3.5 异质性分析

本文从粉丝量级层面进一步分析了农产品直播电商对销售效果的异质性影响。蝉妈妈网站根据粉丝量将直播达人分为5个类型：头部达人（>500万]、肩部达人[100万~500万）、中腰部达人[10万~100万）、小达人[1万~10万）及尾部达人（<1万），而在农产品直播领域主要以中腰部达人和小达人为主，因而本文以主播粉丝数量10万为划分点，进行多群组结构方程模型分析。表5显示，未约束模型与约束模型的卡方值有显著性变化，4个模型的NFI、IFI、RFI、TLI值均大于0.05，说明主播粉丝量级对销售效果有显著影响。由表6可知，在直接效应方面，在不同粉丝量级的直播间，主播活跃特征、直播人气特征和关注用户数对销售效果的影响程度存在逆转，究其原因，一是直播时长与内容存在边际效应递减，其持续输出的农产品信息反而引发观众注意力疲劳，导致转化效率下降[14]；二是粉丝在10万以上的主播因单次直播农产品品类繁多，观众为目标商品的等待成本显著上升[28]；三是粉丝数量大的直播间消费群体成熟度高，且消费观念更复杂，进而加大了主播与粉丝之间的互动难度[29]。而粉丝量级在10万以下的直播间能够精准触达垂直的受众群体，从而在有限时长内实现更高效的销售转化。主播活跃特征和关注用户数对购买决策的影响相对减弱，导致标准化系数降低。除此之外，粉丝数在10万以下和10万以上的主播个人特征对销售效果影响均显著。由表7可知，间接效应方面，在不同粉丝量级的直播间，主播活跃特征与直播人气特征经由关注用户数传导至农产品直播销售效果的路径中依然存在显著异质性逆转。
表5 模型对比结果

Tab.5 Model comparison results

模型 DF CMIN P NFI Delta-1 IFI Delta-2 RFI rho-1 TLI rho2
测量截距 15 199.951 0.000 0.072 0.075 0.058 0.062
结构权重 28 407.395 0.000 0.147 0.154 0.112 0.119
结构协方差 29 408.137 0.000 0.148 0.154 0.110 0.117
测量残差 33 925.496 0.000 0.335 0.349 0.297 0.314
表6 多群组结构模型标准化路径系数及显著性

Tab.6 Multi-group structural model： standardized path coefficients and significance

路径描述 粉丝数在10万以下标准化路径系数 粉丝数在10万以上标准化路径系数
主播个人特征→销售效果 0.417*** 0.527***
主播活跃特征→销售效果 0.094* 0.034
直播人气特征→销售效果 0.200*** -0.024
直播店铺特征→销售效果 0.058 0.076
关注用户数→销售效果 0.363*** 0.188
表7 多群组结构模型间接效应检验

Tab.7 Multi-group structural model： indirect effects test

中介路径 间接效应系数 p值 95%置信区间 中介效果
下界 上界
粉丝数在10万以下 主播个人特征→关注用户数→销售效果 0.074 0.057 -0.001 0.189 不支持
主播活跃特征→关注用户数→销售效果 0.048 * 0.004 0.144 支持
直播人气特征→关注用户数→销售效果 0.207 * 0.028 0.495 支持
直播店铺特征→关注用户数→销售效果 -0.004 0.592 -0.099 0.041 不支持
粉丝数在10万以上 主播个人特征→关注用户数→销售效果 0.050 * 0.003 0.109 支持
主播活跃特征→关注用户数→销售效果 0.042 0.059 -0.010 0.119 不支持
直播人气特征→关注用户数→销售效果 0.105 * 0.015 0.257 支持
直播店铺特征→关注用户数→销售效果 -0.060 * -0.096 -0.005 不支持

4 讨论

4.1 农产品直播电商对销售效果的影响

网络直播是农产品电商销售渠道的创新形式，显著提升了销售效果。这一提升效果的核心机制在于主播、直播平台和店铺三方的共同作用。①知名主播凭借其社会公信力为农产品的质量提供强背书，有效增强消费者信任。此外，知名主播还拥有庞大的粉丝基础，他们的推荐具有强大的影响力。作为意见领袖，他们的话语权能够引导消费者的观念和购买行为[30]。消费者在看到其他粉丝的积极反馈后，更信任并跟随这些主播的选择。在经常性的互动刺激下，观众与主播建立起稳定的情感连接，而“粉丝牌”等预付费行为则标志观众向粉丝的转化，通过这种方式，观众与主播之间的关系被正式商品化，形成了一种基于经济交易的亲密关系[31]。②电商直播的时间主要分为两部分：一是娱乐化直播，旨在吸引观众并建立信任，促进购买意愿；二是专业化产品讲解，通过实时展示提升商品的可信度和认知度，这是影响用户购买的关键因素。在直播中，主播的直播时长越长，有助于提升直播室的氛围，使产品介绍更详尽，进而增强消费者的信任与兴趣，对销售效果产生正向影响。③直播店铺的评分系统是为了帮助消费者在众多店铺中做出更明智的选择，通过比较不同店铺在产品品质、客户服务、物流时效等方面的评分，来区分优劣[32]。然而，随着好评返现、差评屏蔽、刷单等不正当手段严重侵蚀评分系统公正性，扭曲其设计初衷，导致消费者难以基于评分客观比较。评分失真使消费决策陷入信任危机，既损害消费者权益，也破坏公平竞争秩序，使诚信商家处于不利地位[22]。④高人气直播间因集聚潜在消费者形成广阔市场基础，其用户参与度（点赞、聊天、访问量、曝光时间）通过增强互动体验直接影响购买行为[28]。实时互动营造的沉浸氛围与群体效应（观众从众心理驱动），进一步激发消费欲望[29]。

4.2 农产品直播电商对销售效果的中介过程

关注用户是重要的潜在客户资源，该群体呈现出广泛搜索、频繁购买、多次复购的消费特点，商家能直接、高效接触并持续运营这些用户[4]。关注用户越多，意味着有更多的潜在客户可能看到产品推广和营销信息，销售机会也随之提升[33]。同时，随着关注用户数的增加，品牌知名度会通过分享、评论和互动等方式传播至用户的社交网络，从而扩大品牌的影响力[34]。
关注用户数作为中介变量，在农产品直播电商与销售效果之间建立了紧密的联系，为直播电商带来流量资源和用户黏性资源，并进一步影响销售效果。用户关注是消费者对电商平台上众多商家筛选后的结果，这在一定程度上体现了他们对直播电商的兴趣和初步的信任感[5]。信任是决定消费者购买意愿的关键因素，而电商主播的个人形象、互动行为等社会资本能够增强消费者的信任感知。当消费者对电商主播产生信任时，他们会基于这种信任感知，对商品的质量认可，从而提升购买意愿。

4.3 农产品直播电商对销售效果的异质性作用

农产品直播电商的销售效果存在异质性，粉丝数量是关键影响因素。粉丝数量在10万以上的直播间拥有广泛市场影响力、强品牌效应[29]和信任度，能议价能力及曝光度吸引客户[1]，其专业内容和推荐也提升了转化率。相反，粉丝数量在10万以下的直播间虽粉丝小，但粉丝忠诚度高、垂直性强，互动性强，转化率表现突出从而带来销售额的逆转，品牌知名度呈指数级传播。因而，粉丝规模过大也可能增加用户黏性维护难度及对内容、品质的期望，要求主播更注重形象信誉与产品品质以维持信任。
未来研究可考虑从以下方面进行完善和拓展。一是拓展研究对象与样本规模。通过获取更加多样的电商直播平台以及更大容量的样本数据，并延长追踪调查的时间跨度，探究不同平台的直播电商对农产品的销售效果。二是进一步深化研究模型，除了文中研究的影响因素之外，还可以从直播中的销售话术、场景布置、互动方式等方面探究，通过加入调节变量等方式，构建更完善的模型。

5 结论与政策建议

本文选取典型直播电商平台抖音作为研究案例，借助机器学习技术与数据挖掘技术，运用结构方程模型（SEM），综合分析了在主播个人特征、主播活跃特征、直播人气特征、直播店铺特征等多个因素共同作用的条件下，关注用户数对销售效果的直接效应与间接效应的影响机制，并探讨其中介效应；在此基础上，进一步分析了直播电商影响效果的异质性。研究结论如下：①直播电商作为新兴销售模式，显著驱动了农产品销售。其突破传统销售时空限制，通过直观展示与实时互动提升销售效果，为农产品流通开拓新路径，成为拓展市场与提升销售额的关键力量。②关注用户数是影响农产品直播电商销售效果的关键因素，其增长显著提升销售业绩。同时，主播个人特征与活跃特征通过关注用户数产生协同效应，优化直播氛围、增强用户粘性，多因素相互作用促进销售提升。③粉丝量级对农产品直播电商销售效果的影响存在异质性。不同量级对应不同规模潜在消费群体与传播影响力，在流量、口碑和品牌推广方面各有侧重。这表明电商需依据粉丝规模制定差异化营销策略，挖掘粉丝量级在不同阶段和规模下对农产品销售的潜力，以实现销售最大化。
基于上述研究结论，本文提出以下政策建议：①强化直播电商培训与支持。政府和行业协会可以联合开展直播电商培训项目，如电商直播职业技能培训，提升主播的专业技能和营销能力。特别强调农产品特性讲解和互动沟通技巧的培训，以增强直播的专业性和互动性。②优化主播个人品牌建设。主播可以通过社交媒体和内容营销强化个人品牌，提升粉丝忠诚度；平台方应提供工具和资源，支持主播打造个性化直播内容，增强粉丝黏性。③关注用户数的激励机制。平台应通过流量扶持、奖励计划等措施，激励主播增加粉丝互动，提高用户黏性。④实施差异化营销策略。针对不同粉丝量级的主播，实施差异化营销策略。小规模主播应专注于内容质量和个性化服务，而大规模主播则利用其影响力进行品牌合作和产品推广。⑤监管与诚信建设。要利用数据驱动加强对直播电商领域的监管，确保直播内容的真实性和诚信度；打击虚假宣传和刷单行为，维护消费者权益。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
侯慧铭, 张金荣. 新型农业经营主体农产品直播经营的实践过程及行为机制——基于数字资本的分析视角[J]. 中国流通经济, 2024, 38(4):80-89.

[2]
曾亿武, 马长江, 李丽莉, 等. 直播电商与农产品上行价值重构:机理与实现路径[J]. 农业经济问题, 2022(2):108-117.

[3]
张其林, 汪旭晖. 平台型电商声誉向平台卖家声誉的转移机制研究:基于拓展学习迁移理论的分析[J]. 管理世界, 2022, 38(12):143-158.

[4]
陈卫洪, 耿芳艳. 网络营销赋能农村产业发展的机制研究——新媒体平台“直播+短视频+商城”助农案例及其分析[J]. 农业经济问题, 2023(11):118-131.

[5]
陈卫平, 李艳. 农村电商的关注用户数对销售绩效的影响机制研究[J]. 农业技术经济, 2023(8):4-19.

[6]
钟文晶, 罗必良, 谢琳. 数字农业发展的国际经验及其启示[J]. 改革, 2021(5):64-75.

[7]
徐旭初, 杨威. 社交电商农产品规模化上行能力构建逻辑——基于扎根理论的案例研究[J]. 中国流通经济, 2022, 36(11):38-48.

[8]
Visakan S. A study on shopping experiences of consumers in online shopping in Chennai city[J]. Journal of Management Research and Analysis, 2018, 5(2):203-206.

[9]
姚曦, 张梅贞. 电商直播服务场景社会线索与消费者场景依恋研究——认同感和商业友谊的中介作用[J]. 湖北大学学报(哲学社会科学版), 2021, 48(2):154-163.

[10]
马芳芳, 丁志伟. 中国抖音直播带货行业发展的空间分异及影响因素[J]. 经济地理, 2021, 41(12):22-32.

[11]
李艳, 陈卫平. 线上社会网络对农村网商经营绩效的影响:机制与证据[J]. 中国农村经济, 2023(9):165-184.

[12]
刘承林, 刘鲁川, 孙凯, 等. 电商主播信息源活跃度对消费者购买意向的影响——基于Hovland说服理论的实验研究[J]. 管理工程学报, 2023, 37(2):60-70.

[13]
张改素, 于佳甜, 马芳芳, 等. 中国农村抖音网红发育水平的空间差异及影响因素[J]. 经济地理, 2024, 44(06):154-165.

[14]
张君慧, 马恒运, 毕文泰, 等. 我国生鲜农产品电商直播发展水平时空演变及影响因素研究——以抖音为例[J]. 农业现代化研究, 2024, 45(3):488-499.

[15]
Park H J, Lin L M. The effects of match-ups on the consumer attitudes toward internet celebrities and their live streaming contents in the context of product endorsement[J]. Journal of retailing and consumer services, 2020,52:101934.

[16]
武慧慧. 基于抖音直播数据的电商主播带货能力影响因素研究[D]. 成都: 西南财经大学, 2022.

[17]
郑伟, 陈财锟, 潘峻鹏, 等. 游戏直播人气指数指标选取与模型构建[J]. 商业经济, 2018(9):137-138,176.

[18]
梁玉梅, 李聪媛. 电商店铺特征元素对消费者持续购买意愿的影响[J]. 商业经济研究, 2023(11):77-81.

[19]
Lewis G. Asymmetric Information, Adverse Selection and Online Disclosure:The Case of eBay Motors[J]. American Economic Review, 2011, 101(4):1535-1546.

[20]
帕特南. 使民主运转起来[M]. 南昌: 江西人民出版社, 2001.

[21]
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.

[22]
王婷婷. 电商平台对刷单的识别研究及治理建议[D]. 北京: 对外经济贸易大学, 2020.

[23]
刘海龙. 大众传播理论:范式与流派[M]. 北京: 中国人民大学出版社, 2008.

[24]
Aaker D A. 品牌延伸:好坏参半与丑陋不堪[J]. 斯隆管理评论, 1990, 31(4):47-56.

[25]
李淼. 直播电商中社会临场感对消费者购买意愿的影响研究[D]. 对外经济贸易大学, 2021.

[26]
尼古拉斯·克里斯塔基斯, 詹姆斯·富勒. 《大连接:社会网络是如何形成的以及对人类现实行为的影响(经典版)》[J]. 中国报道, 2017(11):87.

[27]
魏瑾瑞, 王金伟. 在线评论回报的动态声誉机制研究[J]. 中国管理科学, 2022, 30(1):252-262.

[28]
张艳辉, 李宗伟, 张嘉皓, 等. 观众效应对直播间消费行为的作用机制研究[J]. 管理学报, 2024, 21(08):1208-1216.

[29]
李光明, 常丽婷. 农产品直播电商中消费者购买意愿的研究:群体效应的视角[J]. 南京财经大学学报, 2023(4):57-67.

[30]
Fulian Y, Xiaowei Z, Xueying S, et al. Modeling and quantifying the influence of opinion involving opinion leaders on delayed information propagation dynamics[J]. AppliedMathematics Letters, 2021(121):107356.

[31]
曾雪云, 费一洋. 直播经济中的准社会交往机制——来自斗鱼平台的经验证据[J]. 财经研究, 2023, 49(12):136-148,165.

[32]
陈朴, 石培昌, 王春阳. 在线店铺转让价格影响因素分析——基于淘宝店铺声誉[J]. 经济学(季刊), 2022, 22(05):1759-1782.

[33]
汪雨雨, 姚万军, 张辉. 电子商务发展下社会资本对农户创业选择的影响——基于CHIP2013农村居民数据的实证分析[J]. 调研世界, 2020(10):20-25.

[34]
黄绍升, 闫春. 农村电商创业者人力资本,社会资本对创业绩效的交互影响——兼论节俭式创新的中介作用[J]. 农林经济管理学报, 2022, 21(4):395-404.

Options
Outlines

/

〈 〉