1. 引言
1.1. 研究背景与问题提出
据中国电子商务研究中心(100EC) 2025年Q3报告显示，我国直播电商用户规模已达7.1亿人，36岁以上“银发用户”占比突破18.4%，高端家电、跨境奢侈品等高客单价品类交易规模同比增长45% [1]。行业正从“流量争夺”转向“价值转化”，主播角色也从“单纯带货者”升级为“专业顾问 + 情感连接者”。
实践中呈现出典型分化特征：东方甄选“知识型主播”凭借“专业讲解 + 温和互动”实现客单价提升30%；部分亲和力强但专业度不足的主播陷入“高观看率、低转化率”困境；技术型主播因互动生硬，难以触达银发用户群体[2]。
现有研究已证实主播专业性可降低信息不对称[3]、亲和力能增强社会临场感[4]，但多聚焦单一特质效应，对二者的交互关系及内在传导机制缺乏量化探讨[5]。同时，针对2025年用户结构(银发渗透)、品类特征(高客单价/跨境)的适配性研究存在明显缺口[6] [7]。
基于此，本研究核心问题聚焦：主播专业性与亲和力如何通过交互作用影响用户购买意愿？感知信任与感知价值在其中扮演何种中介角色？该问题的解答将填补现有研究空白，为行业实践提供精准指导。
1.2. 研究意义
1.2.1. 理论意义
第一，突破现有研究“单一特质分析”的局限[4] [5]，首次结合2025年直播电商用户结构与品类特征[1]，量化验证主播专业性与亲和力的交互效应，明确交互作用强度与边界条件；第二，引入感知信任与感知价值双中介变量[6] [8]，细化“主播特质–购买意愿”的传导路径，揭示感知信任(中介占比43.5%)的核心枢纽作用[3]；第三，修正主播专业性与亲和力的量表维度(新增跨境合规、银发适配等指标) [2] [9]，提升理论模型的场景适配性。
1.2.2. 实践意义
为商家提供“品类–主播特质”精准匹配策略[7]，如高客单价品类适配“高专业 + 适度亲和”主播；为平台优化推荐算法提供依据[4]，如向银发用户推送“高亲和 + 通俗专业讲解”主播[2]；为主播能力培养提供方向，避免“重亲和、轻专业”或“重专业、轻互动”的极端倾向[5]。
1.3. 研究方法与技术路线
本研究采用文献研究法、问卷调查法、结构方程模型与调节效应分析。技术路线如下：1) 梳理计划行为理论、感知价值理论等相关文献，构建理论模型并提出研究假设；2) 参考SSCI/CSSCI期刊量表，设计李克特7级量表，通过预调研(n = 108)优化题项；3) 2025年9~10月开展线上调研，收集428份有效样本；4) 运用AMOS 26.0验证主效应与中介效应，SPSS 26.0通过分层回归验证交互效应，并进一步探索产品类型(如享乐型vs.实用型)对主效应的潜在调节作用；5) 总结结论并提出管理建议。
2. 文献综述与研究假设
2.1. 核心概念界定
2.1.1. 主播专业性
指用户感知到的主播在产品知识、行业经验、风险规避能力等方面的专业程度。结合2025年跨境电商与高客单价品类趋势，本研究新增“跨境合规讲解”、“产品售后保障说明”、“高端竞品对比分析”等维度，强调主播对复杂产品信息的传递能力[3]。
2.1.2. 主播亲和力
指用户感知到的主播在互动风格、情感共鸣、语言通俗度等方面的亲切程度。针对银发用户特征，突出“耐心解答重复提问”、“避免专业术语堆砌”、“慢节奏讲解”等表现，体现主播对不同年龄层用户的适配能力[4]。
2.1.3. 用户购买意愿
指用户在直播场景中产生的购买某商品的主观概率与计划，是实际购买行为的核心前因。2025年研究中侧重“多平台比价后仍选择购买”、“优先选择该主播推荐产品”的意愿强度，更贴合理性消费趋势[9]。
2.1.4. 感知信任与感知价值
感知信任指用户对主播推荐产品的质量可靠性、售后安全性的主观判断，核心是降低交易风险感知；感知价值指用户对主播推荐产品性价比、个性化需求满足度的认知评价，体现“收益–成本”的权衡结果[3] [8]。
2.2. 文献综述
2.2.1. 主播特质与购买意愿的直接关系
主播专业性通过降低信息不对称提升用户决策效率，如3C主播的技术参数讲解可减少用户对产品性能的疑虑[8]；主播亲和力通过增强社会临场感拉近心理距离，如农产品主播的“乡土人设”可引发情感共鸣[4]。然而，现有研究对二者的相对重要性缺乏统一结论，尚未结合2025年理性消费趋势开展系统对比分析。
2.2.2. 中介变量的传导作用
感知信任被证实是主播专业性与购买意愿的核心中介，专业背书可降低用户对产品质量的不确定性[3]；感知价值则在亲和力与购买意愿间发挥中介作用，情感互动可提升用户的主观收益感知[6]。但现有研究多采用单一中介模型，未探讨双中介的协同效应，且针对高客单价、跨境品类的中介机制研究不足[3] [7]。
2.2.3. 交互效应的研究缺口
现有研究对专业性与亲和力的交互作用探讨有限[5]：有研究提出“专业性是亲和力的基础”，但未量化验证；Li等(2025)发现低专业主播的过度亲和易引发信任危机，却未明确交互效应的具体强度[4]。此外，现有研究未充分考虑2025年行业新特征，量表维度与研究场景的适配性不足[2]。
2.3. 理论模型与研究假设
基于计划行为理论(TPB)与感知价值理论，构建涵盖“主效应–中介效应–交互效应”的理论模型(见图1)。自变量为主播专业性(A)、主播亲和力(B)；中介变量为感知信任(F)、感知价值(G)；因变量为用户购买意愿(J)；引入“专业性 × 亲和力”交互项(C)检验二者的协同/抑制效应。
Figure 1. Theoretical model diagram
图1. 理论模型图
基于理论梳理与文献分析，提出以下假设。
2.3.1 主效应假设
H1：主播专业性显著正向影响用户购买意愿。
H2：主播亲和力显著正向影响用户购买意愿。
H3：主播专业性显著正向影响用户感知信任。
H4：主播专业性显著正向影响用户感知价值。
H5：主播亲和力显著正向影响用户感知信任。
H6：主播亲和力显著正向影响用户感知价值。
H7：用户感知信任显著正向影响购买意愿。
H8：用户感知价值显著正向影响购买意愿。
2.3.2. 中介效应假设
H9：感知信任在主播专业性与购买意愿间起中介作用。
H10：感知价值在主播专业性与购买意愿间起中介作用。
H11：感知信任在主播亲和力与购买意愿间起中介作用。
H12：感知价值在主播亲和力与购买意愿间起中介作用。
2.3.3. 交互效应假设
H13：主播专业性与亲和力存在正向交互作用——高专业性情境下，亲和力对购买意愿的正向影响更强；低专业性情境下，亲和力对购买意愿的正向影响显著减弱。
3. 研究设计
3.1. 量表设计
问卷采用李克特7级量表(1 = 非常不同意，7 = 非常同意)，各维度题项参考近3年SSCI/CSSCI期刊成果，并结合2025年直播电商场景修正：
主播专业性(5题)：如“主播能清晰讲解产品的跨境合规信息与售后保障”、“主播能准确对比该产品与高端竞品的差异”。
主播亲和力(5题)：如“主播会用通俗语言解答用户疑问，避免专业术语堆砌”、“主播能耐心回应用户的重复提问”。
感知信任(4题)：如“我相信主播推荐的高客单价产品质量真实可靠”、“我认为在该主播直播间购物的售后风险较低”。
感知价值(4题)：如“主播推荐的产品性价比高于其他直播平台”、“购买该产品能满足我的个性化需求(如银发用户的易用性需求)”。
购买意愿(4题)：如“即使对比其他平台，我仍很可能购买主播推荐的这款产品”、“如果需要这类产品，我会优先选择该主播推荐的款式”。
控制变量包括用户性别、年龄、月均直播购物次数、偏好购物品类。
3.2. 数据收集
3.2.1. 数据收集时段与渠道
2025年9~10月为直播电商“下半年消费旺季前夕”(双11预售启动期)，用户购物决策活跃度高。通过三类渠道定向发放问卷：1) 问卷星平台定向推送(筛选“近3个月有直播购物经历”的用户)；2) 微信直播社群精准投放(覆盖3C、美妆、农产品等垂直品类)；3) 抖音/快手直播评论区引流(选择10万~100万粉丝的中腰部主播，覆盖不同年龄层)。
3.2.2. 样本筛选与结构
共发放问卷520份，筛选标准为：1) 填写时间 ≥ 80秒；2) 核心题项无缺失；3) 答案无逻辑矛盾。最终得到有效样本428份，有效回收率82.3%。样本特征分布见表1。
Table 1. Sample characteristics distribution
表1. 样本特征分布
特征类型 |
分类 |
样本数(n) |
占比(%) |
性别 |
女性 |
243 |
56.8 |
男性 |
185 |
43.2 |
年龄 |
18~25岁 |
151 |
35.3 |
26~35岁 |
198 |
46.3 |
36~45岁 |
57 |
13.3 |
45岁以上 |
22 |
5.1 |
月均购物次数 |
1~2次 |
203 |
47.4 |
3~5次 |
162 |
37.8 |
6次以上 |
63 |
14.7 |
偏好品类 |
快消品 |
189 |
44.2 |
3C数码/家电 |
92 |
21.5 |
服饰箱包 |
78 |
18.2 |
跨境商品 |
69 |
16.1 |
3.3. 信效度检验
3.3.1. 信度检验
采用Cronbach’s α系数与组合信度(CR)衡量内部一致性。结果显示，各维度α系数均>0.85，CR值均>0.8，表明量表信度优秀。具体信度与收敛效度检验结果见表2。
Table 2. Results of reliability and convergent validity tests
表2. 信度与收敛效度检验结果
潜变量 |
题项数 |
Cronbach’s α |
CR |
AVE |
主播专业性 |
5 |
0.876 |
0.892 |
0.658 |
主播亲和力 |
5 |
0.868 |
0.885 |
0.643 |
感知信任 |
4 |
0.882 |
0.895 |
0.672 |
感知价值 |
4 |
0.853 |
0.871 |
0.625 |
购买意愿 |
4 |
0.891 |
0.903 |
0.689 |
3.3.2. 效度检验
内容效度：量表源自成熟题项，经专家评审与预调研修正，所有题项临界比值(CR) > 3.0 (p < 0.001)。
结构效度：探索性因子分析提取5个公因子，累计方差解释率75.62%；验证性因子分析显示，五因子模型拟合良好(χ2/df = 2.17, GFI = 0.923, CFI = 0.958, RMSEA = 0.052)。
判别效度：各潜变量AVE平方根均大于与其他变量的相关系数，见表3。
Table 3. Results of discriminant validity tests
表3. 判别效度检验结果
潜变量 |
1 |
2 |
3 |
4 |
5 |
1 主播专业性 |
0.811 |
|
|
|
|
2 主播亲和力 |
0.623 |
0.802 |
|
|
|
3 感知信任 |
0.715 |
0.682 |
0.820 |
|
|
4 感知价值 |
0.693 |
0.657 |
0.738 |
0.791 |
|
5 购买意愿 |
0.678 |
0.635 |
0.752 |
0.724 |
0.830 |
注：对角线粗体值为AVE平方根，下三角为变量间相关系数。
4. 数据分析与结果
4.1. 描述性统计
各维度均值(M)与标准差(SD)如下：主播专业性(M = 5.31, SD = 1.08)、主播亲和力(M = 5.47, SD = 1.05)、感知信任(M = 5.25, SD = 1.12)、感知价值(M = 5.08, SD = 1.18)、购买意愿(M = 5.05, SD = 1.21)。整体用户评价处于中等偏上水平，其中亲和力评分最高，反映2025年用户对“情感互动”的重视程度提升。
4.2. 结构方程模型(SEM)分析
使用AMOS 26.0构建SEM模型，模型拟合度良好(χ2/df = 2.17, GFI = 0.923, CFI = 0.958, RMSEA = 0.052, SRMR = 0.048)。主效应路径系数结果(见表4)显示，H1~H8均得到支持(p < 0.001)，其中主播专业性对购买意愿的直接路径系数(0.29)高于亲和力(0.23)。
Table 4. Path coefficients of main effects
表4. 主效应路径系数
路径 |
标准化系数 |
S.E. |
C.R. |
p值 |
假设验证 |
专业性→购买意愿 |
0.29 |
0.06 |
4.83 |
*** |
H1支持 |
亲和力→购买意愿 |
0.23 |
0.05 |
4.61 |
*** |
H2支持 |
专业性→感知信任 |
0.54 |
0.07 |
7.71 |
*** |
H3支持 |
专业性→感知价值 |
0.49 |
0.06 |
8.17 |
*** |
H4支持 |
亲和力→感知信任 |
0.42 |
0.06 |
7.02 |
*** |
H5支持 |
亲和力→感知价值 |
0.36 |
0.05 |
7.20 |
*** |
H6支持 |
感知信任→购买意愿 |
0.37 |
0.05 |
7.40 |
*** |
H7支持 |
感知价值→购买意愿 |
0.30 |
0.05 |
6.00 |
*** |
H8支持 |
注：***p < 0.001。
Table 5. Results of mediating effect tests
表5. 中介效应检验结果
中介路径 |
间接效应值 |
95%置信区间 |
中介效应占比 |
假设验证 |
专业性→感知信任→购买意愿 |
0.199 |
[0.141, 0.258] |
43.5% |
H9支持 |
专业性→感知价值→购买意愿 |
0.147 |
[0.102, 0.193] |
32.1% |
H10支持 |
亲和力→感知信任→购买意愿 |
0.155 |
[0.108, 0.203] |
40.2% |
H11支持 |
亲和力→感知价值→购买意愿 |
0.108 |
[0.071, 0.152] |
29.5% |
H12支持 |
采用Bootstrap法(重复抽样5000次)检验中介效应，结果(见表5)显示，H9~H12均得到支持(置信区间均不包含0)。感知信任的中介效应占比高于感知价值，证实其为核心传导路径。
4.3. 调节效应分析
将“专业性”与“亲和力”标准化后构建交互项，采用分层回归分析验证交互效应。模型3纳入交互项后，R2提升至0.37 (ΔR2 = 0.03, p < 0.01)，交互项系数显著为正(β = 0.16, p < 0.01)，H13得到支持。具体分层回归结果见表6。
Table 6. Hierarchical regression results of moderating effects
表6. 调节效应分层回归结果
变量 |
模型1 (控制变量) |
模型2 (主效应) |
模型3 (交互效应) |
性别 |
0.08 (0.06) |
0.07 (0.05) |
0.06 (0.05) |
年龄 |
−0.06 (0.04) |
−0.05 (0.04) |
−0.04 (0.04) |
购物次数 |
0.22*** (0.05) |
0.19*** (0.05) |
0.18*** (0.05) |
偏好品类 |
0.11* (0.05) |
0.09* (0.05) |
0.08 (0.05) |
专业性 |
- |
0.30*** (0.06) |
0.32*** (0.06) |
亲和力 |
- |
0.24*** (0.05) |
0.26*** (0.05) |
专业性 × 亲和力 |
- |
- |
0.16** (0.06) |
R2 |
0.06 |
0.34 |
0.37 |
ΔR2 |
- |
0.28*** |
0.03** |
注：括号内为标准误；*p < 0.05，**p < 0.01，***p < 0.001。
简单斜率分析表明：高专业性组(M + 1SD)中，亲和力每提升1个单位，购买意愿提升0.42个单位；低专业性组(M − 1SD)中，亲和力每提升1个单位，购买意愿仅提升0.10个单位。这表明高专业性可放大亲和力的正向效应，而低专业性会弱化该效应。
产品类型的调节效应探索性分析：为进一步检验研究结论的情境适用性，本研究基于样本偏好品类(快消品vs. 3C数码/家电vs.服饰箱包vs.跨境商品)，将产品粗略划分为高涉入/实用型(如3C、跨境)与低涉入/享乐型(如快消、服饰)两组进行多群组结构方程模型分析。初步结果显示，对于高涉入/实用型产品，主播专业性与购买意愿的直接关联路径系数(β_高涉入 = 0.33，p < 0.001)显著高于低涉入/享乐型产品(β_低涉入 = 0.24，p < 0.001)；而亲和力的直接效应在不同产品类型间差异不显著。这表明，产品类型可能调节专业性(而非亲和力)对购买意愿的作用强度，用户的决策过程可能随产品属性不同而对主播专业性的依赖程度有所差异。该探索性结果为未来深入研究提供了初步方向。
5. 研究结论与讨论
5.1. 核心研究结论
第一，主播专业性与亲和力均与用户购买意愿显著正相关，且专业性的预测作用更强(β = 0.29 > 0.23)。这表明2025年直播电商用户已从“感性冲动消费”转向“理性决策消费”，尤其是高客单价、跨境品类用户，更看重主播的专业背书以降低决策风险。
第二，感知信任与感知价值是“主播特质–购买意愿”的核心传导路径，且感知信任的中介效应占比更高(43.5% > 32.1%)。这契合2025年用户对“售后保障、跨境合规、产品真实性”的核心诉求——专业讲解与情感互动需通过提升用户信任，才能更有效地转化为购买意愿。
第三，主播专业性与亲和力存在显著正向交互作用(交互项β = 0.16，ΔR2 = 0.03)，效应量属中小范围但具有管理意义。高专业性主播的亲和力能显著增强购买意愿的预测效果(简单斜率 = 0.42)，而低专业性主播的亲和力作用有限(简单斜率 = 0.10)。这进一步证实了“专业性是亲和力有效性的重要边界条件”，缺乏专业支撑的情感互动难以转化为实际购买。探索性分析还提示，产品涉入度或类型可能进一步调节专业性的作用强度。
5.2. 理论贡献
第一，结合2025年直播电商行业新特征，修正主播专业性与亲和力的量表维度，提升了理论模型的场景适配性；
第二，在量化验证主播专业性与亲和力交互效应(β = 0.16)的基础上，进一步报告并解释了其效应量(ΔR2 = 0.03)与实际影响力，明确了交互作用虽显著但非主导，且专业性作为亲和力有效性的边界条件这一重要发现；
第三，构建双中介模型，证实感知信任的核心中介作用(占比43.5%)，揭示了“主播特质→感知信任→购买意愿”的核心传导机制；
第四，对比分析专业性与亲和力的相对重要性，明确在2025年高客单价、理性消费趋势下，专业性的直接预测作用更强，回应了现有研究的争议；
第五，尝试从“不确定性降低理论”与“双过程加工”视角，对本研究发现的“信任中介强于价值中介”的现象提供了理论解释，并与早期研究结论进行了情境化对比，深化了理论对话。
5.3. 实践建议
5.3.1. 商家层面：优化“品类–主播”匹配策略
高客单价/跨境品类(3C数码、奢侈品、高端家电)：重点布局“高专业 + 适度亲和”型主播。邀请行业专家进行产品培训，确保主播掌握跨境合规政策、售后保障流程等专业内容；同时培训“通俗化表达”、“耐心解答”等基础亲和技能。
快消品/农产品品类：侧重“高亲和 + 基础专业”型主播。通过“真实人设”增强情感共鸣；同时要求主播掌握产品基础信息，通过“真实使用体验分享”强化专业可信度。
银发用户定向运营：组建专属主播团队，优先选择“高亲和 + 慢节奏讲解”的主播，减少专业术语使用，增加产品易用性演示。
5.3.2. 平台层面：优化推荐算法与考核体系
算法优化：将“专业性–亲和力匹配度”、“用户年龄–主播风格适配度”纳入推荐权重。例如，向36岁以上用户推送“高亲和 + 通俗专业讲解”的主播。
考核体系：建立“专业性–亲和力双维度考核体系”，新增“用户专业度评分”与“亲和力评分”，设置双向最低阈值。
主播孵化：开设“专业能力提升营”与“亲和力训练课”，针对不同品类主播提供定制化培训。
5.3.3. 主播层面：提升专业能力，适度发挥亲和力
专业能力提升：针对所处品类系统学习产品知识，高客单价品类重点掌握技术参数、合规政策，通过“专业背书”建立用户信任。
亲和力适度表达：避免过度使用功利性话术，转而通过“分享真实使用体验”、“解答用户实际疑问”建立自然亲切的形象。
差异化定位：根据自身特质选择发展方向，专业背景强的主播可强化“专业顾问”人设，亲和力强的主播可深耕情感互动。
5.4. 研究局限与未来展望
5.4.1. 研究局限
第一，样本未区分主播类型(如明星主播、达人主播、店铺主播)，而不同类型主播的信任来源与用户期待可能存在系统性差异。例如，明星主播的“光环效应”可能部分替代专业性信任，店铺主播的信任则可能源于店铺品牌而非个人特质。因此，本研究关于“特质–信任”路径的结论在推广至所有主播类型时需保持谨慎。
第二，研究方法主要依赖横截面问卷调查获取用户主观报告数据，存在共同方法偏差的可能，且无法严格推断因果关系。同时，数据收集集中于“双11”预售期，此期间用户普遍对价格与促销更敏感，可能相对降低了其对主播专业性的重视程度。因此，本研究结果可能在一定程度上反映了促销情境下的特定模式，对非促销期日常消费决策的解释力有待进一步验证。
第三，研究虽初步探索了产品类型可能的调节作用，但未系统纳入并检验其他重要边界条件，如用户个体差异(认知需求、产品知识水平)、地域文化因素、消费层级等。这些变量的缺失可能限制了模型在不同细分人群与文化背景下的普适性。
第四，本研究聚焦于专业性与亲和力两个特质，未考虑主播其他重要特征(如可信度、吸引力)及其与本研究变量的潜在交互，未来可构建更整合的特质组合模型。
5.4.2. 未来展望
第一，未来研究可将“主播类型”作为关键调节变量或分组变量，深入探讨专业性与亲和力的交互效应在不同类型主播(明星/达人/店播)间的差异，以提供更精细化的运营指导。
第二，采用混合研究方法以增强结论的稳健性与因果推断力。例如：结合直播平台的客观行为数据(点击率、转化率、停留时长等)进行多源验证；或设计情境实验，通过操纵主播的专业性/亲和力水平，更直接地检验其对用户信任、价值感知及购买意愿的因果影响。
第三，系统性地引入并检验更多调节变量。例如：考察产品属性(涉入度、享乐/实用维度)、用户特质(认知需求、文化背景)、消费情境(日常vs.大促)如何影响“主播特质–用户反应”之间的关系，从而使模型更具情境化解释力。
第四，扩大数据收集的时间窗口与情境范围，覆盖日常消费周期与非促销时段，以区分促销驱动与主播特质驱动的消费决策模式差异。
第五，将主播的其他相关特质(如可信度、外表吸引力)纳入研究框架，探讨多维特质组合的协同或替代效应，以更全面地理解主播影响力的形成机制。