直播管理、彈幕互動與用戶付費打賞
——基于781段直播樣本的經驗證據

趙興廬，張 婧

(廣東金融學院 工商管理學院，廣州 510521)

網絡時代的打賞是用戶以贈送代幣、禮物或現金的方式表達對作者或其作品的贊賞。雖然打賞與否完全由用戶自行決定，平臺不會強迫用戶打賞，但據劉冰和王新雨[1]的調查數據，46.77%的新媒體用戶表示十分愿意或愿意打賞主播，38.31%的人態(tài)度一般，只有14.92%的人明確表示不愿意打賞。打賞可以讓創(chuàng)作者回歸內容本身，不強行植入廣告，提高用戶觀感體驗[2]。不過，在實踐中存在引誘打賞[3]、攀比打賞[4]、未成年人打賞[5]等問題，亟待完善相關立法和增強監(jiān)管力度。

目前關于打賞動機的研究有兩個視角：其一是戲劇表演視角，將網絡直播視為現場表演的延續(xù)，通過引發(fā)觀眾共情來獲得收入。張豆豆[6]將直播間視為一個布爾迪厄場域，在自主性和慣習等行動規(guī)則塑造下，不打賞的人逐漸習慣打賞。Tong[7]認為以內容互動和延伸互動強化消費者作為社區(qū)成員的內在形象構建，能夠激發(fā)用戶的持續(xù)贊賞意愿。于鐵山[8]基于30余起打賞案例，認為網絡主播的情感控制能力和情感關系建構能力是表演的核心要素，引發(fā)參與者的情感喚醒并進行打賞。

其二是市場營銷視角，將直播視為一種新的營銷手段，主播的影響力、傳遞信息的可信度是影響消費者購買(打賞)的關鍵因素。Hilvet-Bruce等[9]認為自媒體傳遞的信息價值越高，用戶的打賞意愿就越強。雷羽尚和楊海龍[10]發(fā)現自媒體影響力和內容質量與打賞人數顯著正相關。劉鳳軍等[11]和艾星等[12]發(fā)現網絡營銷的可信度、專業(yè)性、技能性、互動性和吸引力顯著提升用戶對產品的感知價值和感知質量，進而提升了購買意愿的購買意愿。韓蕭亦和許正良[13]發(fā)現高顏值、富有推薦技巧的主播能引起用戶興奮和對主播產生信任，提升感知到的產品價值并下單購物。

既有研究為理解用戶打賞行為提供了豐富洞見，但也存在一些不足。首先，戲劇表演視角得到的結論相對籠統，很難為平臺提供具體管理建議；市場營銷視角側重于分析直播帶貨場景，較少關注游戲、顏值等直播類型。其次，主播的個人行為較少受到文獻關注，既往研究多將主播納入表演體系或營銷過程進行分析，主播的個人行為是否對用戶打賞有系統性影響尚未可知。第三，直播過程中獲得的彈幕數量、參與彈幕的人數、貴賓來訪等因素反映了主播的直播努力和互動質量，這些變量對用戶打賞是否具有系統性影響，尚缺乏可靠的大樣本經驗證據。

基于此，本文從戲劇表演和市場營銷之外的第3個視角——主播個體行為的研究視角提出以下研究問題：①直播時長與用戶打賞有關系嗎？②直播的連續(xù)程度和時間穩(wěn)定性對打賞有影響嗎？③深夜直播比白天直播獲得更多打賞嗎？④直播間的彈幕和貴賓數量越多，用戶的打賞意愿越高嗎？為了回答上述問題，建立一個分析主播行為和互動努力對用戶付費打賞影響的研究框架(圖1)，追加考慮主播的個人影響力為控制變量進入回歸模型。接下來，通過理論分析提出研究假設，進行研究設計檢驗研究假設，最后，討論實證結果并提出管理建議。

圖1 研究框架

1 研究假設

1.1 直播管理與用戶付費打賞

直播時長指一個完整的直播片段所維持的時間長度。據張淑華等[14]的調查數據，73.01%的用戶每天觀看直播的時間少于30 min，本文調查781個直播片段的平均時長為4.6 h?？梢?，用戶觀看直播的心理訴求是為了獲得碎片化的娛樂消遣，主播的直播動機則很大程度上是為了獲得收入和展示才藝成為明星。考慮到直播間熱度存在累積效應，直播時間越長，所積累的人氣越多，越可能產生用戶付費打賞；從主播身體疲勞的程度而言，直播時間越長，身體越疲勞，直播效果逐漸下滑，對用戶觀感體驗造成負面影響。綜上兩方面提出假設。

H1：直播時長與該段直播所獲得用戶付費打賞總額呈現倒“U”形關系。

直播時段指一個直播片段所屬的時間區(qū)域。據吳凱[15]的調查數據，76.27%的用戶選擇在晚上18：00—22：00觀看直播，其次是下午(18.31%)和凌晨(15.59%)。本文調查的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%)。據此推斷，由于夜晚和凌晨是主播和用戶相對集中的上線時間，互動更為熱烈，表演效果更佳，用戶更有可能進行付費打賞；而白天進行的直播相對冷清，表演效果較平淡，較難產生付費打賞行為。由此提出假設。

H2：直播時段選擇在晚上和凌晨進行將顯著獲得更多的時均付費打賞。

連續(xù)程度指主播逐天直播的最長持續(xù)天數。有的主播工作狀態(tài)不穩(wěn)定，無故斷播數天，造成用戶流失或情感轉移；有的主播堅持每天直播，與用戶之間建立可預測的服務關系。據汪雅倩[16]的研究，主播的陪伴性對用戶是極為重要的，用戶只能用碎片化時間上線，但主播應持續(xù)地對用戶進行陪伴。因此，連續(xù)程度高的直播更能獲得用戶的信任和情感認同，不連續(xù)的直播則會造成用戶找不到主播而投懷到其他主播，或對主播不滿導致忠誠度下降并減少打賞。由此提出假設。

H3：連續(xù)程度高的直播樣本獲得了顯著更多的用戶付費打賞。

時間穩(wěn)定性指主播是否在固定時間進行直播。有的主播的直播時間隨意性很大，有的主播則表現出極強的專業(yè)性，向用戶公布每天固定的直播時間并嚴格執(zhí)行。雖然網絡直播不受時空條件的約束，但平臺方有責任進行時間約束以提高觀賞的可預測性[17]。穩(wěn)定性高的直播等同于提前與用戶進行服務預約，能顯著提高開播后的用戶參與率，提升互動質量并帶來更多的用戶打賞行為。由此提出假設。

H4：時間穩(wěn)定性高的直播樣本獲得了顯著更多的用戶付費打賞。

1.2 彈幕互動與用戶付費打賞

彈幕人數指一次完整的直播片段中發(fā)送彈幕的總人數，彈幕人數越多，說明對直播內容感興趣的用戶數量越多。本文調查781段直播樣本的平均彈幕人數為1 009人，最少為7人，最高則達到24 200人。根據符號互動理論，彈幕是主播與用戶之間的一種有約定意義的互動符號[18]，例如，“666”是“溜溜溜”的諧音表示贊許，“555”是“嗚嗚嗚”的諧音表示哭泣。彈幕人數多的直播間說明主播與用戶互動熱烈，用戶參與程度高，更有可能進行打賞；缺乏彈幕的直播間說明主播與用戶缺乏互動，直播內容不吸引用戶，難激發(fā)用戶的情感共鳴進而打賞。綜上提出假設。

H5：彈幕人數與該段直播獲得的付費打賞總額顯著正相關。

人均彈幕指一次完整的直播片段中總彈幕數量與發(fā)送彈幕人數之比，人均彈幕越多，用戶參與互動的程度越深。本文調查781段直播樣本的平均彈幕數量為4.06條，最少的為1.02條，最多的為42.02條。根據傳播學的使用與滿足理論，觀眾會傾向于選擇那些更能夠理解和接受的信息[19]。彈幕是用戶理解直播內容的補充，人均彈幕越多，主播與用戶的互動程度越深，能培育高忠誠度的用戶，進而產生維護主播的行為。人均彈幕少說明主播與用戶的互動停留于淺層，用戶對直播內容感興趣的程度低，對主播的忠誠度低，難產生付費打賞行為。綜上提出假設。

H6：人均彈幕數量與該段直播獲得的人均付費打賞顯著正相關。

新增粉絲指在一次完整的直播片段中新關注主播的用戶數量。主播在一次直播中可能增加粉絲，也可能減少粉絲，取決于直播內容質量以及主播與用戶之間是否產生了情感共鳴。本文調查的781段直播樣本平均新增粉絲為253人，其中極大值為4 068人，而極小值為-284人。當新增粉絲較多時，說明直播內容質量高，互動情況熱烈，引發(fā)了路人的關注興趣或情感共鳴，進行打賞的可能性大；當新增粉絲數量較少甚至負增長時，說明直播間內容不吸引人，或者主播行為失當引起粉絲反感，導致取消關注，此時進行打賞的可能性很低。綜上提出假設。

H7：新增粉絲數量與該段直播獲得的用戶付費打賞顯著正相關。

貴賓數量指在一次完整的直播片段中進入直播間的平臺會員數量。貴賓有用專屬彈幕、全站喇叭、推薦主播上熱門等特權。網絡傳播理論認為，貴賓是大眾傳播的活躍分子和意見領袖，在信息擴散過程中起重要的中介或過濾作用[20]。直播間是一個相對封閉的空間，意見領袖的意見會迅速蔓延開來，受眾基于對意見領袖的推崇產生跟隨行為[21]。因此，貴賓數量多的直播間具有更強的煽動力和互動強度，用戶更可能追隨貴賓進行打賞消費；貴賓數量少的直播間的互動能量和熱烈程度都更低，用戶行為更為冷靜和理智。綜上提出假設。

H8：貴賓數量與該段直播獲得的用戶付費打賞顯著正相關。

2 研究設計

2.1 樣本選取與數據來源

本文選擇斗魚平臺為樣本數據采集對象。自2014年成立以來，斗魚迅速成為直播行業(yè)龍頭，并于2019年7月在美國納斯達克成功上市，目前市值約為40億美元。據公開招股書顯示，2019年第一季度斗魚直播付費用戶達600萬，比上年同期增長66.7%；月活躍用戶達1.592億，同比增長25.7%。因此，基于斗魚平臺研究直播現象和用戶打賞行為具有較好的代表性。

本文以顏值主播為研究對象，顏值主播以才藝展示為主要直播內容，直播內容的穩(wěn)定性較強，受外部事件的影響較小。課題組于2019年10月14日在斗魚顏值頻道隨機選取了52名主播，跟蹤該52名主播從10月15日至10月31日共計17 d的全部直播情況，包括直播時長、付費禮物、送禮人數、彈幕人數、新增粉絲數量、最高貴賓數量等數據，經過篩查整理，最終得到781段有效直播樣本，即N=781。

2.2 變量定義與計算

因變量：付費打賞。包括4個子變量：①付費禮物(pay)，指一次直播過程中主播收到的付費禮物總價值；②付費占比(pay_pct)，指付費禮物占總禮物的比例，其中總禮物包含付費禮物和免費禮物，兩者之間的換算辦法是110單位免費禮物等同于1單位付費禮物(1元人民幣)；③人均付費禮物(pay_pp)，付費禮物總額與送禮人數之比；④時均付費禮物(pay_ph)，付費禮物總額與直播時長之比。

自變量：直播管理。包括4個子變量：①直播時長(duration)，指一段直播維持的時間長度，以小時為單位；②直播時段(time)，指一段直播所處時間段，分5個時段，即凌晨場(0:00—5:00)、上午場(5:00—10:00)、中午場(10:00—14:00)、下午場(14:00—18:00)、晚上場(18:00—24:00)，判別標準是某段直播超過50%的時間所處的時間段，若該段直播跨多個時間段則以第一個時間段為準，將晚上場和凌晨場記為夜晚，標記為1，其他為白天，標記為0；③連續(xù)程度(serial)，指當段直播與上次直播之間的間隔天數，若連續(xù)空缺則為負數，若連續(xù)直播則為正數，考慮離散程度界定最小值為-5，最大值為5；④時間穩(wěn)定性(ftxtime)，若當天直播時間與上一天直播時間基本一致則標記為1，若不一致則標記為0。

自變量：彈幕互動。包括4個子變量：①彈幕人數(barrage_nb)，一次直播過程中發(fā)送彈幕的總人數；②人均彈幕(barrage_pp)，一次直播過程中發(fā)送的總彈幕數量與發(fā)送彈幕總人數之比；③新增粉絲(fansadd)，主播在一次直播過程中收到的新增加或減少的用戶關注數量；④貴賓數量(vipguest)，一次直播過程中直播間同時在線貴賓數量的最高值。

控制變量：①當月排名(rank)，主播當月在斗魚顏值風云榜的排名，取值為1～30，30名以外統一取值為31；②主播等級(level)，主播在斗魚的等級，在1～100取值；③基礎粉絲量(fansnumber)，主播的平臺粉絲數量，以萬為單位，以2019年10月15日的數值為準；④加入時間(jointime)，主播加入斗魚平臺的時間，以月為單位；⑤主播性別(gender)，男性主播取值為1，女性主播取值為0。

2.3 描述性統計分析

描述性統計分析結果見表1。主播平均每次直播獲26 439.58元的付費禮物，平均直播時長4.59 h，每小時獲6 104.44元付費禮物。每場直播有154人贈送禮物，其中86.10%為付費禮物，平均每人贈送付費禮物為171.46元。約64%的直播在18：00至次日5：00進行，連續(xù)程度指數均值為2.82；大約一半的主播有較為穩(wěn)定的直播時間，而另一半的主播的上下播時間較為隨意。平均每場直播有918人發(fā)送彈幕，人均彈幕數約為4條，每場直播為主播增加253個粉絲，光臨直播間的貴賓數量平均為746人。整體而言，顏值直播的熱度較高，受到粉絲熱捧，單場最高付費打賞金額達到752 200元，為平臺和主播帶來了可觀的經濟收益。

表1 主要研究變量的描述性統計分析(N=781)

對主要研究變量進行相關系數分析，結果見表2。付費打賞與直播時長有顯著關系，在夜晚的直播獲得了更多打賞，此外，也跟彈幕人數、新增粉絲數和貴賓數量顯著正相關。付費禮物占比與直播時間的穩(wěn)定性顯著正相關，但與彈幕人數等互動指標則存在顯著負相關關系，表明彈幕互動可能主要提升的是免費禮物贈送，而非付費禮物贈送。人均付費禮物與夜晚時段、彈幕人數和新增粉絲顯著正相關，但與連續(xù)程度顯著負相關。時均付費禮物與直播時長成反比，與彈幕人數、新增粉絲和貴賓數量正向關。整體而言，直播管理和互動努力與用戶付費打賞存在顯著正向關聯關系，但也存在一些負向關聯關系值得深入探究。

表2 主要研究變量相關系數(N=781)

3 實證檢驗

3.1 多元回歸分析

為了深入分析自變量對付費打賞的影響，構建多元回歸方程為

Yi=α+β1durationi+β2durationi×durationi+

β3timei+β4seriali+β5fixtimei+β6barrage_nbi+

β7barrage_ppi+β8fansaddi+β9vipguesti+β10ranki+

β11leveli+β12fansnumberi+β13jointimei+β14genderi+εi

(1)

式中：Y為被解釋變量，在方程1～方程4中分別表示為pay付費禮物、pay_pct付費占比、pay_pp人均付費和pay_ph時均付費；duration表示直播時長，duration×duration為直播時長的平方項，用來檢測非線性關系，time表示夜晚直播時段，serial表示直播連續(xù)程度，fixtime表示直播時間的穩(wěn)定性，barrage_nb表示彈幕人數，barrage_pp表示人均彈幕，fansadd表示新增粉絲，vipguest表示貴賓數量，以上為解釋變量；rank表示主播的當月排名，level表示主播的等級，fansnumber表示主播的基礎粉絲量，jointime表示加入平臺的時間，gender表示主播的性別，以上為控制變量；i代表不同直播片段；ε表示誤差項；α和β1-14表示待估計的未知統計參數。

表3展示了方程1～方程4的回歸結果。對方程1～方程4的解釋變量進行共線性診斷，結果顯示解釋變量的方差膨脹因子VIF值為1.171～3.199，未超過共線性的診斷閾值10，因此方程1～方程4的自變量之間不存在顯著的共線性問題。

表3 主播行為和互動努力對用戶付費打賞的影響結果

綜合表3中方程1～方程4的回歸結果，對假設的驗證情況如下：

直播時長對付費打賞總額的影響顯著為正(β=0.173，P<0.01)，但二次項與付費打賞總額的參數估計值顯著為負(β=-0.361，P<0.01)，表明直播時長與付費打賞呈現倒“U”形影響關系。直播時長對人均付費打賞的影響基本類似。在時均付費方面，直播時長越長，時均付費越少(β=-0.631，P<0.01)，但下降速度趨緩(β=0.170，P<0.05)，符合長尾分布的統計特征。因此，假設H1得到數據支持。

夜晚時段對付費打賞總額(β=0.097，P<0.01)、人均付費(β=0.099，P<0.01)和時均付費(β=0.101，P<0.05)有顯著正向影響，因此，假設H2得到數據支持。

直播連續(xù)程度對付費禮物占比有顯著正向影響(β=0.075，P<0.05)，對付費禮物總額(β=-0.092，P<0.01)、人均付費(β=-0.124，P<0.01)和時均付費(β=-0.069；P<0.10)有顯著負向影響。時間穩(wěn)定性對付費打賞占比有顯著正向影響(β=0.065，P<0.10)，對其他因變量無顯著影響。因此，假設H3和H4獲部分支持。

彈幕人數對付費打賞總額(β=0.656，P<0.01)有顯著正向影響，因此，假設H5得到數據支持。人均彈幕對人均付費打賞(β=0.046，P>0.10)無顯著影響，因此，假設H6未得到數據支持。新增粉絲對付費打賞總額(β=0.094，P<0.05)和人均付費(β=0.118，P<0.05)存在顯著正向影響，因此，假設H7得到了數據支持。

貴賓數量但付費打賞總額的影響為正，但不顯著(β=0.077，P>0.10)，對時均付費打賞的影響顯著為正(β=0.152，P≤0.05)，考慮原因，可能是在貴賓數量與付費打賞之間存在中介變量，潛在的中介變量可能是彈幕人數、人均彈幕和新增粉絲。此外，貴賓數量對付費打賞比例的影響顯著為負(β=0.162，P<0.05)，可能是因為貴賓同時帶動了付費打賞和免費打賞，而免費打賞的增長比重更大。綜合上述分析，認為假設H8僅得到部分支持，潛在的中介效將繼續(xù)分析檢驗。

3.2 對非線性關系和中介效應的進一步分析

為了進一步解析直播時長與付費禮物的非線性關系，將直播時長與付費禮物總額的全案例散點圖繪制如圖2所示，直播時長與時均付費的全案例散點圖如圖3所示。由圖2可見，直播時長與付費禮物整體上正相關，但隨著直播時長不斷增加，這一趨勢開始下降，因此呈現出倒“U”形關系。在圖3中，隨著直播時間的增加，時均付費呈明顯的下降趨勢，呈現出“L”形的長尾分布特點。

圖2 直播時長與付費禮物的倒“U”形散點圖

圖3 直播時長與時均付費的“L”形散點圖

進一步觀察圖2發(fā)現，樣本散點分布存在較為明顯的分叉現象，即一部分樣本的斜率基本保持不變，另一部分樣本的斜率則呈現出衰減趨勢，提示可能存在調節(jié)變量。根據對樣本數據的觀察，推斷主播的基礎粉絲數量可能是造成這一分叉的調節(jié)因素，據此，進一步進行分樣本的回歸檢驗。

本文涉及的781段直播樣本的主播平均基礎粉絲量為17.24萬(最少0.032萬，最高155.21萬)，其中623段直播樣本的基礎粉絲量低于17.24萬，標注為低粉絲樣本，其余158段直播樣本高于該數值，標注為高粉絲樣本。對兩個子樣本分別按照方程1進行多元線性回歸，發(fā)現在低粉絲樣本中，直播時長對付費打賞的影響參數顯著為正(β=0.295，P<0.01)，二次項參數顯著為負(β=-0.436，P<0.01)；在高粉絲樣本中，直播時長對付費打賞的影響參數顯著為正(β=0.113，P<0.05)，但二次項參數估計值不顯著(β=-0.002，P>0.10)。根據上述結果，作出調節(jié)效應判斷：直播時長對付費打賞的影響以主播的基礎粉絲量為調節(jié)變量，高粉絲主播的這一影響為正向線性關系，低粉絲主播的這一影響為倒“U”形關系。

此外，為了檢驗貴賓數量與付費打賞之間是否存在中介變量的問題，對方程1回歸模型進行逐步納入自變量的操作——以付費打賞總額為因變量，逐步納入控制變量、直播管理變量、貴賓數量，最后納入彈幕人數、人均彈幕和新增粉絲。結果顯示，當貴賓數量進入回歸模型時，其對付費打賞總額的影響顯著為正(β=0.720，P<0.01)，模型擬合優(yōu)度R2從0.214提升至0.355，說明貴賓數量是付費打賞的有效解釋變量。最后，彈幕人數(β=0.656，P<0.01)、人均彈幕(β=0.060，P<0.10)和新增粉絲(β=0.094，P<0.05)進入模型，三者均對付費打賞存在顯著影響，但貴賓數量對付費打賞的顯著影響消失(β=0.077，P>0.10)，模型擬合優(yōu)度R2從0.355提升進一步提升至0.525，說明彈幕人數、人均彈幕和新增粉絲是付費打賞的直接解釋變量，貴賓數量是付費打賞的間接解釋變量，中介效應得到初步驗證。

3.3 分時段方差分析

為了進一步厘清直播時段對付費打賞的影響，對5個不同的直播時間段的付費打賞情況和彈幕互動情況進行方差分析，結果見表4。

表4 直播特征和互動場景與用戶付費打賞關系結果

整體來看，晚上場是直播效果最佳和付費打賞最多的時段，這一時段的樣本在付費禮物、總禮物、人均送禮、送禮人數、總彈幕、彈幕人數、時均付費禮物、時均彈幕、時均送禮人數等指標的表現處于領先地位。凌晨場的直播效果低于晚上場，其付費禮物等指標均顯著低于晚上場，而直播時長顯著高于晚上場，為全場最高。此外，凌晨場的人均彈幕和最高貴賓數量為所有時段中最高，說明凌晨時段的用戶更愿意跟主播進行深度交流，但付費打賞的意愿不如晚上場。

在白天時段的直播方面，中午場的表現非常突出，雖然只有84個直播片段在中午進行，占全部樣本的10.7%，但付費禮物均值高達28 686.24元，僅次于晚上場，是上午場的4.57倍，是下午場的1.92倍。此外，中午場在付費禮物、總禮物、人均送禮、時均付費禮物等指標均排第二，時均新增粉絲數量則為全時段第一。這些數據表明，中午是用戶觀看直播并進行付費打賞的理想時段，在這個時段，用戶雖然發(fā)送彈幕的數量不多，但付費打賞的意愿和新增關注的意愿比較強烈。綜合上述指標，主播進行直播的理想時段依次是晚上場、中午場、下午場、凌晨場、上午場，時均付費打賞依次為8 993.63、6 600.07、4 564.22、4 173.08、1 731.32元。

4 結論與討論

4.1 研究結論

1)直播管理對付費打賞有顯著影響。直播時長與付費打賞總額呈現倒“U”形關系，隨著直播時間的增長，付費打賞呈下降趨勢，但基礎粉絲數量大的主播不受這一規(guī)律的影響，其直播時長與付費打賞總額基本為正向線性關系。直播的連續(xù)程度和時間穩(wěn)定性能夠提升付費禮物占比，但對付費禮物總額、人均付費和時均付費存在負面影響，可能的原因是直播內容相對重復導致無法吸引路人，因此主播應避免形成封閉粉絲群，應加強對新用戶和路人的重視和吸引。

2)主播與用戶的互動努力顯著提升了付費打賞。彈幕人數是付費打賞最有力的解釋變量，顯著提升了付費打賞總額、人均付費和時均付費。人均彈幕的影響略低于彈幕人數，說明主播與用戶互動的廣度比深度更為重要。新增粉絲數量反映了主播吸引路人的努力，這一指標對付費打賞有提升作用，說明新用戶對主播關注后很可能產生付費打賞行為。貴賓數量是付費打賞的間接解釋變量，通過提升彈幕人數、人均彈幕和新增粉絲來營造直播間的付費打賞氛圍。

3)直播時段對付費打賞存在顯著影響。晚上場(18:00—24:00)是最為理想的直播時段，其在付費禮物、總禮物、人均送禮、送禮人數、總彈幕、彈幕人數、時均付費禮物、時均彈幕、時均送禮人數等指標的表現處于領先地位。其次為中午場(10:00—14:00)和下午場(14:00—18:00)，而凌晨場的直播不僅時間普遍過長(場均6.51 h)，而且在時均付費、時均新增粉絲等關鍵指標的得分均不如中午場或下午場。這些研究結果表明，付費打賞的核心時段是用戶的工作間隙時間如中午或晚上，熬夜看直播的用戶并不會為主播提供顯著更多的付費打賞。

4.2 理論創(chuàng)新

1)本文采取的主播個人行為視角與既有研究形成了差異和互補。既有研究中，戲劇表演視角側重于分析主播與用戶的感情聯系[6-8]，市場營銷視角側重于對用戶消費心理的揣度和測量[9-13]，鮮有從主播個人行為的角度對直播打賞行為進行的研究。本文將主播的直播行為視為核心變量，分析直播管理和互動努力對付費打賞的影響，補充了既有研究缺乏對主播個人行為關注的不足。

2)本文設計的研究方法具有較強的實證新穎性。既有實證研究又采用案例分析[8]、主播訪談[16]、用戶訪談[13]、用戶問卷調查[22]、彈幕文本分析[11]等方法，嘗試還原直播場景。本文直接抓取直播間的實時數據如直播時長、彈幕數量、新增粉絲、付費禮物等，直接還原直播現場，能夠產生客觀、真實和具體的研究發(fā)現，對于深化對網絡直播現象的學術研究提供了客觀翔實的經驗證據。

3)本文得到了一些出乎常理的新研究結論。例如：①直播時長與付費打賞之間存在倒“U”形的非線性關系，同時這一關系還受到主播基礎粉絲量的權變影響；②直播的連續(xù)性和時間穩(wěn)定性對付費占比有正向影響，但對打賞總額和人均付費有負向影響；③直播間的貴賓數量對付費打賞的影響是間接的，其中介過程是直播間的彈幕人數、人均彈幕和新增粉絲數量；④晚上場是最佳的直播時段，但凌晨場的直播效果不如中午場，用戶的工作間隙是直播打賞的最佳時機。整體而言，這些研究發(fā)現進一步深入厘清了主播行為、直播間氛圍和用戶回應等多種機制的復雜關系，對深入理解和管理直播現象及完善直播經濟提供新的洞見。

4.3 管理建議

平臺是主播的管理者、直播行為的規(guī)范者以及群體互動機制的設計者。基于本文研究結論，對平臺提出以下管理建議：①與主播簽訂更為靈活的直播時間協議。目前不少平臺都與主播簽訂了直播合同[17]，要求主播每天按時直播，但本文的研究發(fā)現直播的連續(xù)程度和時間穩(wěn)定性對付費打賞存在負向影響，因此，平臺不用要求主播逐天準時上播，而是控制整月的直播時間即可。②區(qū)別對待基礎粉絲數量大和小的主播，對基礎粉絲數量大的主播應要求更多的直播時間，而對粉絲少的主播則引導其適度直播。③引導主播減少凌晨直播，盡量選擇在用戶的工作時間空隙如中午和晚上進行直播。④設法改善彈幕功能提高用戶的參與率，降低發(fā)送彈幕的門檻，提升彈幕感官體驗，讓更多的用戶發(fā)送彈幕。

主播是自媒體時代的內容生產者和自我雇傭(創(chuàng)業(yè))者?；诒疚难芯拷Y論，對主播提出以下管理建議：①直播時長不宜過短也不宜過長，適度長度的直播能獲得更多付費打賞，過度直播會降低服務質量。②發(fā)展可持續(xù)直播服務，減少凌晨直播，改為中午或下午直播，不僅可以提升付費打賞，而且對主播自身和粉絲群體的身體健康也有所裨益。③直播與傳統工作存在顯著區(qū)別，朝九晚五的模式不適合主播，主播不必每天準時上下播，而應考慮如何為粉絲提供新的直播體驗和信息量。④注重與粉絲進行彈幕互動，不可埋頭展示才藝而忽略粉絲互動，應多鼓勵粉絲發(fā)送彈幕參與互動。⑤吸引新粉絲的重要性大于培育固定粉絲群，觀眾存在審美疲勞，主播要始終關注吸納新粉絲，過早形成粉絲圈子不利于吸引新粉絲。

4.4 研究局限

本研究還存在一些局限值得在未來深入探索。首先，本文的研究對象為顏值主播，且以女性為主(女性占比84.4%，男性占比15.6%)，因此，本文的研究結論是否適應于其他類型主播如游戲主播(以男性為主)還需要進一步的實證檢驗。其次，研究結果整體上表明付費打賞是一項沖動型消費，受直播間互動氛圍影響較大，而直播時間連續(xù)且穩(wěn)定的主播卻未能獲得更多付費打賞，這與既有研究多以理性視角分析消費者行為的結論有差異，值得深入探究。第三，本文選擇的解釋變量對付費比例和人均付費的解釋力較低(R2分別為0.251和0.140)，未來需要對解釋變量進行更為廣泛的選擇和檢驗。第四，直播現象仍處于快速成長的變化期，直播過程存在許多模棱兩可的兩難問題需要在實踐中繼續(xù)揣摩，例如合適的直播時長、穩(wěn)定抑或隨意的直播時間、彈幕互動的廣度和深度、培育穩(wěn)定粉絲群還是迎合新的路人等，對這些問題的探討還需要在未來進一步持續(xù)深入研究。