1. 引言
近年来，电商直播带货作为新兴商业模式迅速崛起，自2016年“直播元年”以来，从蘑菇街首创“直播 + 内容 + 电商”模式，到抖音、淘宝等平台形成万亿级市场，据商务部下属中国国际电子商务中心研究院2025年5月发布的《直播电商高质量发展报告2024》，直播电商已成促消费主战场。2025年中国直播电商规模占全球超60%，用户突破6亿，抖音电商GMV目标达4.2万亿元。其凭借直观展示、强互动性等特征重构消费场景，但现有研究多聚焦行业轨迹与问题，对消费者购买意愿影响机制的理论探索不足。故本文致力于构建一个更为完善的理论模型，为深入研究电商直播对消费者购买意愿的影响提供清晰的理论框架和路径，具有重要的理论参考价值。
2. 文献综述
消费者购买意愿的形成是多重变量交互作用的结果。近年国内外学者对其的研究显示，折扣优惠、品牌声誉、主播素养及互动体验是直播电商场景下影响购买决策的关键自变量。其作用机制涵盖感知价值提升、信任构建(品牌、主播)及心理沉浸(心流)的核心路径，为本研究模型提供扎实的理论与实证基础。
2.1. 理论基础
1) 折扣优惠与感知价值
价格刺激是直播带货的核心优势。孙萌和沈中奇(2025)通过构建线上促销活动互动路径作用于消费者购买意愿的研究模型，证实了线上促销活动互动路径对消费者购买意愿的直接正向影响，以及消费者感知价值和涉入度在之间的中介作用[1]。同样，钱晓傲和刘家国(2025)证实了感知信任在虚拟主播特征和消费者购买意愿之间起中介作用[2]。张丽霞(2023)进一步指出，直播中的经济价值(如折扣力度)是感知价值的核心维度之一，可以直接影响到消费行为[3]。这表明了折扣优惠不仅通过价格敏感度触发购买，更通过价值感知形成心理激励。
2) 品牌声誉的信任背书作用
品牌声誉作为消费者决策的信任锚点，在直播场景中尤为重要。关辉和吴洪炜(2021)在实证中发现品牌声誉在品牌店铺直播带货和顾客契合的关系中具有调节作用，会影响消费者的购买意愿[4]。陈凯和常皓媛(2023)同样支持该结论，利用结构方程模型验证了品牌声誉在感知价值对消费者购买意愿的影响中具有负向调节作用[5]。在网红带货情境下，王璐瑀与金永生(2024)强调，品牌态度是网红专业性与购买意愿间的中介桥梁，且高品牌与网红契合度会放大专业性对品牌态度的积极作用[6]。
3) 主播素养的专业驱动力
主播作为信息传递者，其专业性构成说服力的关键。霍夫兰的传播说服理论指出，信源可信度(如主播专业性)直接影响受众态度转变。王昭曦(2023)基于该理论构建模型，证实了感知信任和感知价值的中介作用，探讨了直播中主播特性对消费者购买意愿的影响机制[7]。邓益佳和陈南希(2025)的实证研究进一步揭示，品牌主播信息源可信性、专业性、互动性和吸引力直接影响或经心流体验和社会临场感对购买意愿有着正向影响[8]，而胡恺祎(2022)通过5A模型，并引入对于主播的情感变量，结果表明对主播的情感态度同时影响购买意欲和推荐意欲[9]。
4) 互动体验的心流效应
直播的实时交互特性创造了独特的沉浸式体验。契克森米哈伊的心流理论为理解此机制提供框架：当消费者在直播中感受到高娱乐性、互动性与激励性时，易进入高度投入的“心流状态”。张启尧等(2021)证实这三类要素能显著增强心流体验[10]；张宝生等(2021)则基于SOR理论指出，直播特征通过心流触发购买意愿[11]。强月新和孙志鹏(2020)以互动仪式链为理论基础，分析得出直播间中的虚拟共同在场际遇是直播带货的互动仪式链要素之一，可以产生情感共同体带来的商品消费认同感，进而促进购买意愿[12]。刘艺琴和张梓宁(2024)同样认为增强电商主播的互动质量，可以有效促进直播间观众正向情感能量的沉淀和积累[13]。
2.2. 作用机制
基于上述理论，可说明变量间的作用机制大多依托于两类理论：一是传播说服理论，解释主播素养与品牌声誉如何通过态度改变路径影响决策；二是心流理论，阐释互动体验与折扣优惠如何通过沉浸体验激发行为。
国内外在实证方法上趋于一致，国内学者如丁胜等(2025) [14]、周怀谷等(2025) [15]均采用回归分析与信效度检验来研究影响消费者购买意愿的因素，王锴文(2022)以“聚类分析 + 特征选择”等多种统计分析方法，验证了量表信效度(KMO = 0.906, α > 0.9)较好，服务态度及购物环境对购买意愿的显著性[16]。杨艳萍和李清莹(2023)利用结构方程(SEM)模型[17]，而黄欢(2025)则是选择引入SICAS模型进行电商直播的相关实证检验[18]；国际研究如Liu等(2023) [19]、Chen等(2023) [20]同样聚焦变量间的路径关系。
2.3. 评述总结
根据已有文献可见，现有研究存在三方面拓展空间：其一，多聚焦单一维度影响机制，缺乏系统性整合框架；其二，对主播素养的度量多局限于专业性维度，忽视其作为综合信源的复合影响；其三，鲜有研究将折扣优惠从促销策略中剥离，作为独立变量进行效应比较。基于此，本研究首次将折扣优惠、品牌声誉、主播素养、互动体验纳入统一分析框架，通过传播说服理论与心流理论的交叉整合，构建“刺激–感知–决策”的完整逻辑链条，填补了多变量交互作用机制的理论空白。为直播电商消费行为研究提供标准化方法论参考。
3. 模型构建与研究假设
3.1. 模型构建
整理相关文献，总结出影响消费者购买意愿的因素主要有：折扣优惠、品牌声誉、主播素养、互动体验。针对品牌声誉维度，近年来消费者越发注重品牌影响力与品牌形象，故将品牌声誉作为影响变量进行深入研究。综上，构建路径如下图1：
Figure 1. Path mechanism diagram
图1. 路径机理图
3.2. 研究假设
1) 折扣优惠与购买意愿的关系
折扣优惠与购买意愿的关系是一个复杂且多维度的议题。在直播带货的背景下，商家可以通过折扣优惠策略来刺激消费者的购买欲望，提高购买意愿，从而实现销售增长和品牌推广的双重目标。因此，对折扣优惠维度做出如下假设：
H1：折扣优惠对电商直播带货购买意愿具有显著正向影响。
2) 品牌声誉与购买意愿的关系
品牌声誉是企业在市场上长期积累起来的公众形象和信任度，它反映消费者对品牌的整体认知和评价。一个良好的品牌声誉能够增强消费者对品牌的信任感和好感度，进而提高购买意愿。因此，对品牌声誉维度提出如下假设：
H2：品牌声誉对电商直播带货购买意愿具有显著正向影响。
3) 主播素养与购买意愿的关系
主播作为电商直播中的核心角色，其专业素养、道德品质和互动能力等因素都对消费者的购买意愿产生影响。因此，对主播素养维度做出如下假设：
H3：主播素养对电商直播带货购买意愿具有显著正向影响。
4) 互动体验与购买意愿的关系
在电商直播中，互动体验不仅能够增强消费者对产品或服务的认知，也有助于建立消费者与品牌之间的情感联系，优质的互动体验还能够带来正向的价值感知。因此，对互动体验维度做出如下假设：
H4：互动体验对电商直播带货购买意愿具有显著正向影响。
4. 数据准备
4.1. 变量选取
基于所构建的理论模型及现有学者研究成果，结合购买意愿的影响因素模型，将折扣优惠、品牌声誉、主播素养和互动体验作为本研究的自变量，购买意愿为因变量。通过网络发放问卷，目标群体是参与过电商直播带货的消费者，直播电商主要包括淘宝、京东、抖音等。收集有效问卷共200份。
4.2. 描述性统计
调查对象基本情况概述如下表1，从性别看，女性参与直播购物更积极，男性较保守，源于购物行为与心理差异；年龄上，18~30岁青年群体占40.5%，该年龄段的人群购买力较强；从学历分类来看，学历以本专科为主，占63.5%，该群体网络操作能力相对更适配直播购物流程；职业分布中，自由职业者、企事业单位员工、个体业主占比较大且分布均匀；从月收入来看，收入大多集中在3000~10,000元，考虑主因是直播间价格、互动性等方面更有优势。
Table 1. Basic information about respondents
表1. 被调查者基本信息
类别 |
选项 |
频数 |
百分比 |
性别 |
男 |
67 |
33.5 |
女 |
133 |
66.5 |
年龄 |
18岁以下 |
26 |
13.0 |
18~30岁 |
81 |
40.5 |
31~40岁 |
43 |
21.5 |
41~50岁 |
35 |
17.5 |
50岁以上 |
15 |
7.5 |
学历 |
高中以下 |
11 |
5.5 |
高中 |
41 |
20.5 |
本专科 |
127 |
63.5 |
硕士及以上 |
21 |
10.5 |
职业 |
自由职业者 |
55 |
27.5 |
学生 |
26 |
13.0 |
企事业单位员工 |
56 |
28.0 |
个体业主 |
60 |
30.0 |
其他 |
3 |
1.5 |
月收入 |
3000元以下 |
28 |
14.0 |
3000~5000 |
83 |
41.5 |
5000~10,000 |
70 |
35.0 |
10,000以上 |
19 |
9.5 |
4.3. 描述频率分析
经过频率统计后，见下表2，可知消费者参与直播带货的主要因素是“内容丰富、互动性强”、“价格更优惠”及“娱乐性强、增加购物氛围”。其余因素占比较少但分布均匀。
Table 2. Reasons for participating in live-streaming e-commerce
表2. 参与直播电商的原因
|
|
响应 |
|
个案百分比 |
|
|
个案数 |
百分比 |
|
|
内容丰富、互动性强 |
117 |
24.10% |
58.50% |
|
娱乐性强、增加购物氛围 |
94 |
19.30% |
47.00% |
|
价格更优惠 |
98 |
20.20% |
49.00% |
|
更直观展示商品 |
67 |
13.80% |
33.50% |
|
打发时间 |
35 |
7.20% |
17.50% |
|
看看有没有可以购买的东西 |
75 |
15.40% |
37.50% |
总计 |
|
486 |
100.00% |
243.00% |
a使用了值1对二分组进行制表。
消费者参与直播电商的APP频率分析如下表3所示，可知消费者参与直播带货的主要APP是“抖音”“淘宝”，其次是“快手”“京东”，其余APP占比较少。
Table 3. Frequency of software participation in live streaming e-commerce
表3. 参与直播电商的软件频率
|
|
响应 |
|
个案百分比 |
|
|
个案数 |
百分比 |
|
|
抖音 |
135 |
27.40% |
67.50% |
|
淘宝 |
108 |
22.00% |
54.00% |
|
京东 |
78 |
15.90% |
39.00% |
|
快手 |
95 |
19.30% |
47.50% |
|
拼多多 |
46 |
9.30% |
23.00% |
|
其他 |
30 |
6.10% |
15.00% |
总计 |
|
492 |
100.00% |
246.00% |
a使用了值1对二分组进行制表。
5. 实证分析
5.1. 信度与效度分析
1) 信度分析
信度是衡量测量手段和方法有效性的核心指标，主要体现测量结果的可靠性、稳定性和准确性。当信度系数达到较高水平时，表明分析结果更为可信。结果如表4所示，问卷总体信度达0.9，说明问卷整体信度较好；且自变量、因变量维度的信度均达0.8以上，即可以进行下一步研究。
Table 4. Independent variable reliability analysis
表4. 自变量信度分析
|
变量 |
Cronbach’s Alpha |
自变量 |
折扣优惠(3个题目) |
0.870 |
0.896 |
0.911 |
品牌声誉(4个题目) |
0.896 |
主播素养(4个题目) |
0.883 |
互动体验(4个题目) |
0.830 |
购买意愿(3个题目) |
0.869 |
2) 效度分析
效度分析是衡量测量结果准确反映待测内容的程度。如表5所示，测量量表的KMO值高达0.874，说明研究结构效度较好。同时显著性小于0.05，进一步表明本研究收集的样本数据适合进行后续的因子分析。
Table 5. Validity analysis
表5. 效度分析
KMO和Bartlett的检验 |
取样足够度的Kaiser-Meyer-Olkin度量。 |
0.874 |
Bartlett的球形度检验 |
近似卡方 |
1880.455 |
|
df |
105 |
|
Sig. |
0.000 |
5.2. 因子分析
1) 自变量因子分析
从下表6可知，本研究初始特征值大于1的影响因子共有4个，累计解释方差为77.442%，以及图2碎石图所示第四个点为拐点，都说明15个题目提取的4个因子对原始数据的解释较为理想。
Table 6. Total variance explained by independent variables
表6. 自变量解释的总方差
成份 |
初始特征值 |
提取平方和载入 |
旋转平方和载入 |
|
合计 |
方差的% |
累积% |
合计 |
方差的% |
累积% |
合计 |
方差的% |
累积% |
1 |
6.12 |
40.8 |
40.8 |
6.12 |
40.8 |
40.8 |
3.155 |
21.034 |
21.034 |
2 |
2.151 |
14.341 |
55.14 |
2.151 |
14.341 |
55.14 |
3.043 |
20.288 |
41.322 |
3 |
1.847 |
12.316 |
67.456 |
1.847 |
12.316 |
67.456 |
3.011 |
20.071 |
61.393 |
4 |
1.498 |
9.986 |
77.442 |
1.498 |
9.986 |
77.442 |
2.407 |
16.049 |
77.442 |
5 |
0.45 |
3.002 |
80.444 |
|
|
|
|
|
|
6 |
0.409 |
2.728 |
83.172 |
|
|
|
|
|
|
7 |
0.373 |
2.484 |
85.655 |
|
|
|
|
|
|
8 |
0.343 |
2.285 |
87.94 |
|
|
|
|
|
|
9 |
0.331 |
2.206 |
90.146 |
|
|
|
|
|
|
10 |
0.297 |
1.979 |
92.125 |
|
|
|
|
|
|
11 |
0.284 |
1.893 |
94.018 |
|
|
|
|
|
|
12 |
0.255 |
1.7 |
95.718 |
|
|
|
|
|
|
13 |
0.23 |
1.534 |
97.252 |
|
|
|
|
|
|
14 |
0.223 |
1.485 |
98.737 |
|
|
|
|
|
|
15 |
0.19 |
1.263 |
100 |
|
|
|
|
|
|
Figure 2. Gravel map
图2. 碎石图
通过因子分析对四个因子进行旋转，旋转之后的成份矩阵见表7，载荷因子将题项划分为四个维度，成份1为互动体验，成份2为品牌声誉，成份3为主播素养，成份4为折扣优惠。划分区间与问卷设计维度一致，说明问卷效度较好。
Table 7. Rotation component matrix a
表7. 旋转成份矩阵a
问题 |
成份 |
1 |
2 |
3 |
4 |
1、我会因为商品在直播期间限量限时促销而进行购买 |
|
|
|
0.857 |
2、我会因为商品仅在直播期间特价而进行购买 |
|
|
|
0.833 |
3、我会因为直播过程中发放优惠券、礼物或抽奖而持续观看 |
|
|
|
0.868 |
4、观看直播的原因是该品牌具有优质的名声 |
|
0.822 |
|
|
5、观看直播的原因是该品牌具有很高的知名度 |
|
0.828 |
|
|
6、观看直播的原因是该品牌是很流行的品牌 |
|
0.821 |
|
|
7、观看直播的原因是该品牌具有很高的消费者评价 |
|
0.88 |
|
|
8、主播在其直播的产品领域具有较为丰富的实践经验 |
|
|
0.814 |
|
9、主播对商品信息的讲解简洁易懂、完整，对我来说有用 |
|
|
0.807 |
|
10、主播可以对与商品相关的问题给出专业性的回答 |
|
|
0.83 |
|
11、主播熟悉直播的整个流程及产品购买流程 |
|
|
0.846 |
|
12、观看直播的过程中，我可以直接和该主播就商品相关的问题进行交流 |
0.832 |
|
|
|
13、在观看直播的过程中，我可以和他人分享交流相关的信息 |
0.869 |
|
|
|
14、在观看直播的过程中，该主播可以及时回答我所提出的问题 |
0.85 |
|
|
|
15、在观看直播的过程中，我感觉商品就在我眼前，很有临场感 |
0.825 |
|
|
|
提取方法：主成分分析法。旋转方法：凯撒正态化最大方差法。a旋转在5次迭代后已收敛。
2) 购买意愿因子分析
利用SPSS25对因变量购买意愿进行检验，结果如表8所示，其中KMO = 0.734，Bartlett球形检验的Sig. = 0.000，效度较好，进一步做因子分析。
Table 8. Purchase intention validity analysis
表8. 购买意愿效度分析
KMO和Bartlett的检验 |
取样足够度的Kaiser-Meyer-Olkin度量。 |
0.734 |
Bartlett的球形度检验 |
近似卡方 |
292.548 |
|
df |
3 |
|
Sig. |
0.000 |
采用主成分分析法进行因子分析，抽取出一个公因子的累计方差贡献率达到79.22%，解释度较好。 具体分析结果见表9。
Table 9. Total variance explained by purchase intention
表9. 购买意愿解释的总方差
成份 |
初始特征值 |
提取平方和载入 |
合计 |
方差的% |
累积% |
合计 |
方差的% |
累积% |
1 |
1 |
2.377 |
79.22 |
79.22 |
2.377 |
79.22 |
2 |
2 |
0.353 |
11.779 |
90.999 |
|
|
3 |
3 |
0.27 |
9.001 |
100 |
|
|
提取方法：主成分分析。
5.3. 方差分析
方差分析是检验多个平均数是否相等的假设检验方法，用于探究不同因素对某一变量的影响程度。由下表10分析可得：消费者的年龄及文化程度对购买意愿影响较大，其次是性别、职业、月收入因素。
Table 10. One-way analysis of variance
表10. 单因素方差分析
变量 |
值 |
N |
均值 |
标准差 |
F |
P |
性别 |
男 |
67 |
3.6517 |
1.13919 |
0.124 |
0.725 |
女 |
133 |
3.7093 |
1.06238 |
年龄 |
18岁以下 |
26 |
3.8333 |
1.23738 |
1.813 |
0.128 |
21~30岁 |
81 |
3.823 |
1.08792 |
31~40岁 |
43 |
3.7597 |
0.88289 |
41~50岁 |
35 |
3.3714 |
1.17649 |
50岁以上 |
15 |
3.2667 |
0.98561 |
文化程度 |
高中以下 |
11 |
3.2121 |
1.27604 |
0.851 |
0.467 |
高中 |
41 |
3.7073 |
1.14551 |
本专科 |
127 |
3.7008 |
1.06808 |
硕士及以上 |
21 |
3.8413 |
0.98104 |
职业 |
自由职业者 |
55 |
3.6848 |
1.10632 |
0.351 |
0.843 |
学生 |
26 |
3.8333 |
1.23738 |
企事业单位职员 |
56 |
3.6726 |
1.12365 |
个体业主 |
60 |
3.6222 |
0.99427 |
其他 |
3 |
4.2222 |
0.69389 |
月收入 |
3000元以下 |
28 |
3.7381 |
1.2484 |
0.056 |
0.983 |
3000~5000元 |
83 |
3.6546 |
1.10486 |
5000~10,000元 |
70 |
3.7048 |
1.02079 |
10,000元以上 |
19 |
3.7193 |
1.06726 |
5.4. 相关分析
下表11所研究的是四个自变量与因变量之间的相关性，首先对所有变量进行相关分析。从上表可知，四个变量之间相互独立，与因变量购买意愿具有正向相关关系，且主播素养因子 > 折扣优惠因子 > 品牌声誉因子 > 互动体验因子。因此进一步进行回归检验，研究各变量对顾客购买意愿的影响情况。
Table 11. Correlation analysis
表11. 相关分析
|
互动体验
因子 |
品牌声誉
因子 |
主播素养
因子 |
折扣优惠
因子 |
购买意愿 |
互动体验 因子 |
Pearson相关性 |
1 |
0.000 |
0.000 |
0.000 |
0.261** |
显著性(双侧) |
|
1.000 |
1.000 |
1.000 |
0.000 |
N |
200 |
200 |
200 |
200 |
200 |
品牌声誉因子 |
Pearson相关性 |
0.000 |
1 |
0.000 |
0.000 |
0.293** |
显著性(双侧) |
1.000 |
|
1.000 |
1.000 |
0.000 |
N |
200 |
200 |
200 |
200 |
200 |
主播素养因子 |
Pearson相关性 |
0.000 |
0.000 |
1 |
0.000 |
0.341** |
显著性(双侧) |
1.000 |
1.000 |
|
1.000 |
0.000 |
N |
200 |
200 |
200 |
200 |
200 |
折扣优惠因子 |
Pearson相关性 |
0.000 |
0.000 |
0.000 |
1 |
0.302** |
显著性(双侧) |
1.000 |
1.000 |
1.000 |
|
0.000 |
N |
200 |
200 |
200 |
200 |
200 |
购买意愿 |
Pearson相关性 |
0.261** |
0.293** |
0.341** |
0.302** |
1 |
显著性(双侧) |
0.000 |
0.000 |
0.000 |
0.000 |
|
N |
200 |
200 |
200 |
200 |
200 |
**在0.01水平(双侧)上显著相关。
5.5. 回归分析
通过相关分析的检验结果可以初步验证假设，其次进行线性回归分析，将自变量和因变量之间进行回归分析，如下表12所示：可以看出，模型R平方值为0.348，德宾–沃森检验值为1.965，表示四个预测变量因子可以解释因变量34.8%的部分，该模型具有研究意义。
Table 12. Regression analysis
表12. 回归分析
模型 |
R |
R2 |
调整后R2 |
标准估算的错误 |
德宾–沃森 |
1 |
0.601a |
0.362 |
0.348 |
0.87676 |
1.965 |
a 预测变量：(常量)，折扣优惠因子，主播素养因子，品牌声誉因子，互动体验因子。b 因变量：购买意愿。
经过对模型的F检验，结果见下表13，F值为27.605，p值为0.000，显著小于0.05的临界值。这一结果表明所构建的模型具有显著意义，即模型构建是合理且有效的。因此，继续后续的分析和研究。
Table 13. Anova model table
表13. Anova模型表
模型 |
平方和 |
df |
均方 |
F |
Sig. |
1 |
回归 |
84.881 |
4 |
21.22 |
27.605 |
0.000b |
残差 |
149.899 |
195 |
0.769 |
|
|
总计 |
234.78 |
199 |
|
|
|
从下表14可得出：四个自变量对因变量购买意愿具有显著正向影响，且对购买意愿影响的显著性大小为：主播素养因子 > 折扣优惠因子 > 品牌声誉因子 > 互动体验因子，与相关分析结果一致。
Table 14. Influencing factor coefficient α
表14. 影响因素系数α
模型 |
非标准化系数 |
标准系数 |
t |
Sig. |
B |
标准误差 |
试用版 |
1 |
(常量) |
3.69 |
0.062 |
|
59.52 |
0.000 |
互动体验因子 |
0.283 |
0.062 |
0.261 |
4.555 |
0.000 |
品牌声誉因子 |
0.319 |
0.062 |
0.293 |
5.129 |
0.000 |
主播素养因子 |
0.37 |
0.062 |
0.341 |
5.958 |
0.000 |
折扣优惠因子 |
0.328 |
0.062 |
0.302 |
5.28 |
0.000 |
a 因变量：购买意愿。
6. 结论与建议
6.1. 主要结论
1、根据描述性统计分析的结果可知：参与电商直播带货的消费者多数为接受过良好教育的青年，该年龄段消费者具备一定的消费能力，且女性消费者数量明显高于男性消费者，这反映出电商直播带货在女性消费者中的广泛影响力和吸引力。频率统计分析中，消费者参与直播带货的主要因素是“内容丰富、互动性强”、“价格更优惠”；消费者参与直播的主要平台是“抖音”和“淘宝”，其不仅拥有庞大的用户基数，且通过不断优化直播功能和提升用户体验，成功吸引了大量消费者参与到直播带货的活动中。
2、通过单因素方差分析消费者个人特征可以发现，年龄对购买意愿的影响最大，其次是文化程度，这主要是因为不同年龄和文化程度的消费者在消费观念、需求、价值观和行为习惯等方面存在显著差异。
3、通过相关分析，发现所研究的四个变量：折扣优惠、品牌声誉、主播素养以及互动体验，彼此之间相互独立，且对因变量“购买意愿”存在正向相关关系。在这四个变量中，主播素养与购买意愿之间的相关系数最大。这一发现强调主播在电商直播带货中的核心作用。一个具备专业素养、能够精准传达商品信息、与观众有效互动的主播，往往能够赢得消费者的信任与喜爱，进而激发他们的购买欲望。
4、研究通过显著性检验发现，品牌声誉、主播素养、折扣优惠及互动体验均对电商直播带货购买意愿产生正向影响。具体而言，主播专业素养通过精准传递产品信息、即时解答消费疑虑及构建信任机制，转化为更强的购买力；品牌声誉作为质量担保，通过累积性正面认知提升消费信心；价格刺激作为即时价值信号，显著加速购买决策进程；而实时互动机制则通过营造沉浸式参与场景，既强化产品认知深度，又构建愉悦购物情境，形成双重激励效应。验证了直播媒介中多维要素对消费行为的复合驱动机制。
5、从回归分析的结果可得，对购买意愿具有显著性影响的因子依次为：主播素养因子 > 折扣优惠因子 > 品牌声誉因子 > 互动体验因子，而且分析结果与相关分析结果一致。
6.2. 对策建议
1) 强化品牌直播间的声誉管理。
品牌声誉对消费者购买意愿具有显著正向影响。在直播场景中，尽管消费者通过主播讲解获取产品信息，但产品质量与口碑仍是决策核心。建议品牌方：1、建立全流程品控体系，确保产品符合消费者预期；2、构建动态反馈机制，针对用户评价及时优化产品与服务，通过持续的质量保障与口碑积累，夯实品牌信任基础。
2) 提升主播专业素养与引导能力。
具备扎实产品知识、流畅表达能力的主播能显著增强直播内容可信度。在此为提高主播的专业素养提出以下建议：1、完善主播选拔机制，强化商品知识与直播技能培训；2、建立长效学习激励体系，通过行业培训、知识考核等方式推动主播持续精进；3、构建多维绩效考核框架，将专业度指标纳入主播评级体系，形成良性成长循环。
3) 优化折扣优惠活动的策略设计。
折扣优惠是刺激消费的重要手段。为提升活动效能，商家需：1、基于消费大数据分析，制定差异化优惠策略，精准匹配目标客群需求；2、建立透明化活动规则体系，杜绝虚假宣传，维护促销公信力；3、强化活动期间的服务支撑，通过即时客服响应、售后保障等措施，确保优惠体验的完整性。
4) 构建深度互动的直播生态场景
直播电商的核心竞争力在于互动性带来的沉浸式体验。增强互动效能可从两方面着手：1、创新直播内容设计，嵌入问答抽奖、实时投票等交互环节，提升用户参与感；2、培养主播的情感沟通能力，通过个性化话术、需求捕捉等技巧，建立与消费者的情感联结，进而强化购买意愿与品牌忠诚度。
6.3. 研究局限
在本研究中，我们尽管揭示了浦东新区战略性新兴产业与制造业PMI指数之间的正相关关系，但仍存在一些不足之处：
1) 问卷发放形式单一。研究采用线上问卷收集数据，虽方便快捷，但存在局限：难以覆盖不使用互联网或不愿在线填答人群，且易受网络与设备影响，导致样本代表性不足和数据不完整。
2) 样本容量较小。由于资源的限制，研究样本数量相对有限；且研究结论主要基于特定时间段和特定平台的数据，在其他平台的适用性有待进一步验证，可能无法充分反映消费者群体的整体特征和多样性，从而导致研究结果的普适性受到一定限制。
3) 量表设计的局限性。在构建量表时，主要从折扣优惠、品牌声誉、主播素养、互动体验四个维度来研究对消费者购买意愿的影响，量表的设计还可能受到主观性和文化背景的影响，如“品牌声誉”的测量主要依靠消费者的主观感知，使得研究结果在不同群体或文化背景下存在差异。