1. 引言
近年来，服装直播行业高速发展，市场规模持续扩大，但伴随竞争加剧，行业痛点逐渐显现。服装主播作为直播生态的核心参与者，其个人形象、内容质量与用户互动直接影响直播效果。然而，当前服装行业存在主播专业能力不足、内容同质化严重、用户留存率低等问题，导致平台流量成本攀升，商家转化效率受限。如何通过科学分析服装主播个人因素提高目标消费群体吸引力，成为服装行业亟待解决的课题。
在直播行业的迅猛发展中，主播个人因素对直播的影响日益受到重视。刘昊[1]的研究发现，主播的魅力和专业能力是电商直播中吸引消费者的关键因素，它们能够有效降低消费者的矛盾态度，增强直播的吸引力；吴玉珠[2]的研究进一步揭示了主播的亲和力和幽默感对直播节目互动性的积极作用，提升直播的整体效果；邹中威[3]的研究强调了主播个人信誉和专业知识在构建消费者信任中的重要性，一个值得信赖且知识丰富的主播能够更好地赢得消费者的信任；吴娜[4]的研究则从沟通风格的角度出发，指出主播的沟通风格对消费者购买意愿有显著影响，主播应根据直播内容和目标受众选择合适的沟通方式，以提高直播的转化率和营销效果。
现有的国内外文献中，对于服装直播的研究存在很多不确定因素，而价格的高低波动对研究的结果有很大的影响，而本研究剥离价格干扰，深入探究主播非价格要素(知名度、专业性等七维特性)对消费者吸引力的独立影响机制，以明确真正驱动用户决策的关键因子，已有研究对主播个体因素如何影响目标消费群体的购买意愿或者直播效果进行了大量的研究，但是对目标消费群的吸引力研究不足。因此，本文将从主播非价格要素(知名度、专业性等七维特性)出发，基于S-O-R与信源吸引力模型构建理论模型，解决在非价格要素作用下服装主播对目标消费者吸引力影响的问题，为服装企业在进行主播的选择和培养时提供建议，促进服装行业在时代的潮流中良性发展[5]。
基于此，本研究提出一个具有领域独特性的理论框架作为核心边际贡献。首先，我们系统整合并验证了包含专业性、可信性、知名度、个人形象、互动性、共情能力与主播吸引力在内的七维非价格要素模型。该组合并非简单罗列，而是精准对应了服装消费决策的双重特性：“专业性”与“可信性”旨在降低消费者对面料、版型、质量的认知风险与不确定性；而“共情能力”、“互动性”与“吸引力”则致力于激发基于场景想象、审美共鸣与社交联结的情感投入。其次，我们基于S-O-R与信源吸引力模型，构建了“认知–情感”双路径作用机制。该模型揭示，在服装直播情境下，消费者的最终态度并非由单一路径决定，而是主播提供的专业信任背书(认知路径)与营造的情感沉浸体验(情感路径)共同驱动、相互作用的结果。这从理论上解释了为何纯粹的“销售员”或“表演者”难以持续成功，而“专家型”主播(兼具认知权威与情感联结)能构建更稳固的吸引力。在方法论上，为严谨剥离价格干扰以纯粹考察上述非价格要素的效应，本研究明确将“价格中性场景”设定为核心前提与控制条件。这主要通过两种方式实现：一是在问卷设计与实验情境描述中，明确告知被试所评估的直播商品在同品类中具有市场价格一致性，排除特价、折扣造成的决策偏差；二是在后续数据分析中，将价格感知作为控制变量纳入统计模型进行检验。最终，本研究旨在为服装企业突破流量内卷、从“价格战”转向“价值战”提供精准的选聘与培养主播的理论依据与实践策略。
2. 相关概念与理论
2.1. SOR理论模型
SOR即刺激–有机体–反应理论，它从环境心理学的角度研究消费者在受到外部环境因素刺激后形成的内在情绪反应，进而产生外在倾向或回避的行为[5]。现有研究多聚焦电商直播的平台与环境因素，却相对忽视主播主体及其触发的消费者感知价值对购买决策的直接作用，存在显著的理论空白。基于S-O-R理论框架，本文构建“主播要素刺激–消费者感知双路径–吸引力反应”机制模型，将主播特征要素作为核心刺激源(S)，通过激发消费者认知与情感(O)，最终驱动目标消费群吸引力提升。在此过程中，共同解析主播信源特性如何穿透消费者心理黑箱触发行为反馈，为直播转化效率优化提供理论解码。
2.2. 信源吸引力模型
信源吸引力模型认为，人们会通过信息的来源来判断信息的可信度，且信息有效性在一定程度上取决于信源的吸引力[6]，信源吸引力一般会从信源的专业性(发布信息的专业程度和信源传播者的专业背景)、声誉(由信源专业性带来的用户认可度、口碑以及其他心理和行为意愿)和亲和力(信源与消费者之间在价值观、习惯、兴趣爱好等方面的契合程度)等方面来考虑[7]。因此，本文从主播可信度、主播专业性、互动性、知名度4个维度展开，更好地反映服装主播特征要素对目标消费群体吸引力的影响效果。
2.3. 服装主播特征要素
本研究通过有机整合信源吸引力模型与S-O-R模型，构建了一个层次分明、机制清晰的理论框架。具体而言，信源吸引力模型为本研究系统性地解构和遴选主播这一核心信源的关键特质(即知名度、专业性等七个维度，具体变量定义和来源如表1所示)提供了坚实的理论依据，明确了“刺激”的来源与内涵。而S-O-R模型则在此基础上，为整个影响机制搭建了“刺激–机体–反应”的因果逻辑链条：它将七类主播特质定义为外部“刺激”，将消费者内在的“认知”与“情感”变化界定为中介性的“机体”状态，并最终将“消费者吸引力”作为关键的“反应”结果。两大理论的融合，共同奠定了研究假设的逻辑基础，使得对主播非价格要素影响路径的解析得以在一个严谨、完整的理论体系中进行。
Table 1. Definitions and sources of streamer characteristics
表1. 主播特征定义、来源
变量名称 |
变量定义和作用 |
来源 |
主播专业性 |
电商主播对产品的熟悉程度、所拥有的专业知识、消费体验和购买经验[10]。消费者感知到其能够提供准确产品信息的程度。观众对于输出的内容是否准确、符合逻辑以及被事实所验证，具有强烈的依赖性[7]。 |
刘凤军等(2020) [8]；刘忠宇等(2020) [9]；喻广龙(2023) [10] |
主播知名度 |
电商主播被消费者知道、了解的程度以及社会影响的广度和深度[5]。直播电商中意见领袖因其高知名度对信息的传播具有重要的作用[14]。 |
田宵函等(2021) [11]；梦非(2012) [12]；刘承林等(2023) [13]；张丹等(2024) [14]；季晓芬等(2022) [5] |
主播互动性 |
电商主播与消费者之间，借助电商直播平台，就推荐的产品或服务进行双向信息互动的程度[10]。主播与消费者互动程度越高，消费者了解产品越深入，其心理状态越容易受影响，则越容易产生愉悦[5]。 |
孟陆等(2020) [15]；许贺(2021) [16]；季晓芬等(2022) [5]；喻广龙(2023) [10] |
主播吸引力 |
吸引力通常可以通过其外貌精致、身材姣好、声音甜美、技艺高超等特性构成网红吸引力的重要因素[8]。当信息源具有较强的吸引力时，会增强消费者对相关产品和品牌的关注度，并激发消费者对产品的好奇心和探知欲望，从而使受众产生积极的品牌态度和较强的购买意向[8]。 |
Ohanian (1991) [17]；Gotlieb et al. (1991) [18]；刘凤军等(2020) [8] |
主播可信性 |
在营销情境中，当消费者受到外来信息刺激时，信息源越可信性，消费者越会将对信息源的积极评价转移到相应的产品或服务上，进而增强对该品牌的好感度和认可度，甚至形成品牌信赖感[8]。 |
张丹等(2024) [14]；Zhao et al. (2011) [19]；刘凤军等(2020) [8] |
主播个人形象 |
个人形象指电商主播的外表或容貌，主要包括仪容、表情、举止、服饰、谈吐、为人处世的态度六个方面[14]。主播在直播中的个人形象也同样具有重要作用，对消费者的吸引力产生较大影响[14]。 |
张丹等(2024) [14] |
主播共情能力 |
共情能力即移情能力，指电商主播能设身处地体会他人处境，从而感受和理解他人情感的能力，主播的共情能力也是影响消费者吸引力重要因素之一[14]。 |
张丹等(2024) [14] |
3. 研究假设
Figure 1. Theoretical model of the impact of apparel streamer characteristics on attractiveness to target consumer groups
图1. 服装主播特征要素对目标消费群体吸引力的影响的理论模型
基于文献分析，本研究提出以下研究假设：主播的知名度、专业性、可信性、个人形象、吸引力、互动性及共情能力(H1a~H1g)均正向影响目标消费群体吸引力；同时，这七项主播特性既正向影响消费者认知(H2a~H2g)，也正向影响消费者情感(H3a~H3g)；而消费者认知(H5a)与消费者情感(H5b)则正向影响目标消费群体吸引力，并在此过程中发挥中介作用。基于上述假设，本研究构建的理论模型如图1所示。
4. 研究设计
4.1. 问卷设计
问卷的题项描述和来源如表2所示。
Table 2. Questionnaire items and sources
表2. 问卷题项和来源
变量 |
编号 |
题项描述 |
来源 |
主播专业性 |
ZY1 |
该主播在此产品领域有很多的知识储备 |
刘凤军等(2020) [8]；喻广龙(2023) [10] |
ZY2 |
该主播熟悉此产品和服务的相关知识 |
ZY3 |
该主播在此领域具有实践经验 |
主播知名度 |
ZM1 |
该主播在该领域内具有主导、影响力的地位 |
梦非(2012) [12] |
ZM2 |
该主播具有一定的名声、声望 |
ZM3 |
该主播在网络传媒(例如微信、微博和抖音)中出现频率较高 |
主播互动性 |
HD1 |
该主播在直播过程中会积极回应观看者的问题或话题 |
孟陆等(2020) [15] |
HD2 |
该主播会经常和观看者就产品在直播时进行交流 |
HD3 |
该主播会通过【固定时间抽奖】或【邀请观众参与穿搭挑战】等方式提升直播间互动热度 |
主播吸引力 |
XY1 |
主播的形象气质吸引我观看 |
Ohanian (1990) [20]；刘凤军等(2020) [8] |
XY2 |
主播的穿搭风格值得借鉴 |
XY3 |
主播的展示方式激发购买欲 |
主播可信性 |
KX1 |
我认为该电商主播的直播内容是可信的 |
Ohanian (1990) [20]；刘凤军等(2020) [8]；温莹(2024) [21] |
KX2 |
我认为该电商主播所推荐的产品极为可靠 |
KX3 |
我信任所观看的电商主播 |
主播个人形象 |
XX1 |
该主播的着装打扮与直播内容风格一致，显得专业得体 |
张丹等(2024) [14] |
XX2 |
主播的语言表达清晰流畅，能准确传递产品核心信息 |
XX3 |
主播在直播中始终保持积极稳定的情绪状态 |
主播共情能力 |
GQ1 |
主播能够准确理解并回应观众的需求和疑虑，使观众感到被重视。 |
张丹等(2024) [14] |
GQ2 |
在直播中，主播会分享个人经验或故事，以增强与观众的共鸣和情感连接。 |
GQ3 |
当观众提出负面反馈时，主播能够冷静处理，积极寻求解决方案，并表现出对观众情绪的关注和尊重。 |
消费者认知 |
RZ1 |
我能清晰记住推荐款式的特点 |
张丹等(2024) [14] |
RZ2 |
我了解主播推荐服装的适用场景 |
RZ3 |
通过主播的试穿演示和尺码对照建议，我能准确判断该款式与自身身材的匹配度 |
消费者情感 |
QG1 |
您认为直播网红推荐的产品能给您带来愉悦感 |
Mathwick et al. (2001) [22] |
QG2 |
您认为观看直播网红能让您感受到快乐的购物过程 |
QG3 |
您很享受观看直播网红的产品推荐过程 |
目标消费群体吸引力 |
TX1 |
我会优先点击观看该主播推荐的产品链接 |
喻广龙(2023) [10] |
TX2 |
我会将该主播推荐的产品加入购物车 |
TX3 |
我会向其他人推荐该电商主播所推荐的产品 |
首先，设计问卷的初稿。针对调查对象最近一次直播的主观一般性评价。根据既有的成熟量表上，结合电商直播新的情景和电商主播新的研究主体，对相关文字表述进行了修改，形成了问卷的初稿。为了提高数据的真实性和准确性，本问卷首先说明了调查仅供学术论文使用，并让消费者根据最近一次在电商直播平台购物的经历如实填写，问卷首先通过设置筛选题项“您最近3个月是否有电商直播购物经历”来提高问卷的准确性，其中3个月内没有电商直播购物经历视为无效问卷。调查问卷共分为两部分，首先是关于被调查者的基本信息，包括最常观看的主播类型、最近一次购买服装的直播平台、年龄、性别、学历、月收入、职业，共包括7个题项。第二部分是研究变量的操作性问项，用来调查消费者在电商主播影响下目标消费群体的因素。11个研究变量共包含27个测量题项。问卷量表采用Likert 5级量表，被测人根据其上一次电商直播购物经历的真实感受打分，1分为完全不同意，5分为完全同意。
4.2. 样本数据
调查对象为曾使用网络直播购买过服装的消费者，主要采用线上问卷的方式，共发出问卷380份，回收377份，其中有效问卷321份，问卷有效率84%。样本的描述性统计分析见表3。
Table 3. Basic information of samples
表3. 样本的基本情况
变量 |
类别 |
频数 |
占比 |
性别 |
男 |
156 |
48.6% |
女 |
165 |
51.4% |
年龄 |
18~28岁 |
90 |
28.04% |
25~30岁 |
140 |
43.61 |
31~40岁 |
50 |
15.58 |
41~50岁 |
30 |
9.35 |
51岁及以上 |
11 |
3.43 |
学历 |
高中及以下 |
8 |
2.49 |
大专 |
97 |
30.22 |
本科 |
124 |
38.63 |
硕士 |
59 |
18.38 |
博士 |
33 |
10.28 |
月收入职业 |
<3000元 |
48 |
14.95 |
3000~6000元 |
149 |
46.42 |
|
6001~10,000元 |
67 |
20.87 |
10,001~20,000元 |
34 |
10.59 |
>20,000元 |
23 |
7.17 |
职业 |
学生 |
40 |
12.46 |
企业职员 |
130 |
40.50 |
事业单位 |
35 |
10.90 |
自由职业 |
67 |
20.87 |
个体经营 |
36 |
11.21 |
退休 |
5 |
1.56 |
其他______ |
8 |
2.49 |
最近一次购买服装的直播平台 |
抖音 |
109 |
33.96 |
淘宝/天猫 |
37 |
11.53 |
快手 |
72 |
22.43 |
小红书 |
57 |
17.76 |
视频号 |
16 |
4.98 |
京东 |
24 |
7.48 |
其他 |
6 |
1.87 |
抖音 |
109 |
33.96 |
您最常观看的主播类型: |
穿搭专家(专业讲解面料/版型) |
59 |
18.38 |
娱乐型主播(幽默搞笑/段子) |
103 |
32.09 |
品牌官方主播 |
79 |
24.61 |
工厂直销主播 |
26 |
8.10 |
明星/KOL带货 |
54 |
16.82 |
最近一次购买服装的直播平台中超过3成样本选择“抖音”；基本个人信息中超过5成样本选择“女”，以及男样本的比例是48.60%；年龄来讲，“25~30岁”占比最高，为43.61%；月收入职业中，3000~6000占大部分，有149位，占总体的46.42%；职业分布来看，样本大部分为“企业职员”，共有130.0个，占比为40.50%；学历中超过3成样本选择“本科”，表明绝大多数调查对象具有较高的文化水平。因此，样本来源符合项目设计的研究对象群体，可以进行后续的数据分析。
5. 实证分析
5.1. 信度分析
本文在调研中主要选取修正后的项与总计相关系数(CITC值)和Cronbach’s α系数进行信度检验。本文分别对自变量、中介变量、调节变量和结果变量进行信度检验，检验结果如表4所示。由表中数据可得，CITC值均大于0.6，当CITC值大于0.4时，则认为被测变量与其他变量存在相关关系，符合标准，无需剔除题项，各变量Cronbach’s α系数均大于0.8，表明问卷信度较好，可靠性较强，可以用于研究。
Table 4. Variable reliability analysis results
表4. 变量信度分析结果
测量量表 |
Cronbach信度分析 |
题项 |
校正项总计相关性(CITC) |
项已删除的α系数 |
Cronbach’s α系数 |
主播专业性 |
ZY1 |
0.649 |
0.722 |
0.8000 |
ZY2 |
0.643 |
0.729 |
ZY3 |
0.642 |
0.730 |
主播知名度 |
ZM1 |
0.672 |
0.762 |
0.823 |
ZM2 |
0.707 |
0.726 |
ZM3 |
0.656 |
0.779 |
主播互动性 |
HD1 |
0.649 |
0.737 |
0.805 |
HD2 |
0.649 |
0.736 |
HD3 |
0.658 |
0.727 |
主播吸引力 |
XY1 |
0.711 |
0.828 |
0.861 |
XY2 |
0.761 |
0.781 |
XY3 |
0.737 |
0.804 |
主播共情能力 |
GQ1 |
0.719 |
0.737 |
0.831 |
GQ2 |
0.640 |
0.815 |
GQ3 |
0.714 |
0.743 |
主播可信性 |
KX1 |
0.697 |
0.726 |
0.819 |
KX2 |
0.653 |
0.771 |
KX3 |
0.668 |
0.756 |
主播个人形象 |
XX1 |
0.672 |
0.730 |
0.811 |
XX2 |
0.635 |
0.767 |
XX3 |
0.677 |
0.725 |
消费者认知 |
RZ1 |
0.774 |
0.862 |
0.893 |
RZ2 |
0.794 |
0.844 |
RZ3 |
0.803 |
0.837 |
消费者情感 |
QG1 |
0.686 |
0.697 |
0.805 |
QG2 |
0.655 |
0.730 |
QG3 |
0.618 |
0.768 |
目标消费群体吸引力 |
TX1 |
0.813 |
0.867 |
0.907 |
TX2 |
0.818 |
0.863 |
TX3 |
0.810 |
0.870 |
5.2. 效度分析
本文在调研中采用探索性因子分析方法检验问卷效度。“主播信息源特性的旋转因子载荷矩阵”如表5所示。由表中数据可得，主播信息源特性提取7个因子，各个因子的共同度均大于0.4，当共同度大于0.4时，认为该因子的解释程度较高；累计方差解释率为74.53%，初始累计方差大于60%，认为量表具有较好的解释效果；KMO值为0.811，在0~1之间取值符合标准。表明该变量量表效度较好。
Table 5. Variable validity analysis results
表5. 变量效度分析结果
变量 |
效度分析结果 |
题项 |
因子载荷系数 |
共同度(公因子方差) |
因子1 |
因子2 |
因子3 |
因子4 |
因子5 |
因子6 |
因子7 |
主播吸引力 |
XY1 |
0.833 |
|
|
|
|
|
|
0.759 |
XY2 |
0.888 |
|
|
|
|
|
|
0.814 |
XY3 |
0.862 |
|
|
|
|
|
|
0.791 |
主播共情能力 |
GQ1 |
|
0.854 |
|
|
|
|
|
0.783 |
GQ2 |
|
0.796 |
|
|
|
|
|
0.708 |
GQ3 |
|
0.828 |
|
|
|
|
|
0.780 |
主播知名度 |
ZM1 |
|
|
0.829 |
|
|
|
|
0.735 |
ZM2 |
|
|
0.832 |
|
|
|
|
0.769 |
ZM3 |
|
|
0.825 |
|
|
|
|
0.722 |
主播个人形象 |
XX1 |
|
|
|
0.837 |
|
|
|
0.757 |
XX2 |
|
|
|
0.811 |
|
|
|
0.704 |
XX3 |
|
|
|
0.820 |
|
|
|
0.754 |
主播可信性 |
KX1 |
|
|
|
|
0.800 |
|
|
0.760 |
KX2 |
|
|
|
|
0.833 |
|
|
0.739 |
KX3 |
|
|
|
|
0.816 |
|
|
0.740 |
主播互动性 |
HD1 |
|
|
|
|
|
0.774 |
|
0.703 |
HD2 |
|
|
|
|
|
0.808 |
|
0.729 |
HD3 |
|
|
|
|
|
0.829 |
|
0.746 |
主播专业性 |
ZY1 |
|
|
|
|
|
|
0.848 |
0.738 |
ZY2 |
|
|
|
|
|
|
0.797 |
0.706 |
ZY3 |
|
|
|
|
|
|
0.803 |
0.716 |
|
方差解释率% |
11.350% |
10.780% |
10.699% |
10.483% |
10.462% |
10.405% |
10.359% |
- |
|
累积方差解释率% |
11.350% |
22.130% |
32.829% |
43.312% |
53.773% |
64.179% |
74.538% |
- |
|
KMO值 |
0.811 |
- |
|
巴特球形值 |
2900.751 |
- |
5.3. SEM模型验证性因子分析
为检验本数据是否能够准确测量各变量，本文采用AMOS 28.0软件建立结构方程模型，对样本的各个变量进行三方面效度分析，具体包括结构效度、收敛效度和区分效度。
结构效度，是对模型拟合程度的检验。本文通过AMOS 28.0构建结构方程模型，对各变量维度进行结构效度检验，并得到“变量整体拟合系数”，如表6所示。由表中数据可得，χ2/df的值为1.246，小于标准3，符合要求；RMSEA的值为0.028，小于标准0.06，符合要求；NFI、IFI、TLI、CFI的值分别为0.913、0.982、0.978、0.981，均大于0.9，符合要求。因此，模型的整体拟合系数已基本满足适配标准，效果较为理想，模型拟合程度较高。
Table 6. Overall fit coefficients for variables
表6. 变量整体拟合系数
χ2/df |
RMSEA |
NFI |
IFI |
TLI |
CFI |
1.246 |
0.028 |
0.913 |
0.982 |
0.978 |
0.981 |
收敛效度，主要是对各测量量表的标准化因子载荷、AVE值和CR值加以综合评价。本文在AMOS 28.0中检验，“收敛效度汇总表”如表7所示。由表中结果可知，各测量量表的标准化系数均大于0.5，符合大于0.5的标准；AVE值均大于0.5，符合大于0.5的标准；CR值均大于0.7，符合大于0.7的标准。即本问卷的各个指标均达到标准，说明该量表的收敛效度较为理想。
Table 7. Convergence validity summary table
表7. 收敛效度汇总表
测量量表 |
题项 |
Estimate |
AVE |
CR |
可信性 |
KX1 |
0.775 |
0.6038 |
0.8201 |
KX2 |
0.727 |
KX3 |
0.826 |
吸引力 |
XY1 |
0.798 |
0.59 |
0.8118 |
XY2 |
0.733 |
XY3 |
0.772 |
个人形象 |
XX1 |
0.822 |
0.6752 |
0.8617 |
XX2 |
0.851 |
XX3 |
0.791 |
共情能力 |
GQ1 |
0.835 |
0.627 |
0.8339 |
GQ2 |
0.714 |
GQ3 |
0.821 |
互动性 |
HD1 |
0.753 |
0.5792 |
0.805 |
HD2 |
0.76 |
HD3 |
0.77 |
专业性 |
ZY1 |
0.762 |
0.5708 |
0.7995 |
ZY2 |
0.771 |
ZY3 |
0.733 |
知名度 |
ZM1 |
0.739 |
0.61 |
0.8239 |
ZM2 |
0.834 |
ZM3 |
0.767 |
认知 |
RZ1 |
0.833 |
0.7348 |
0.8926 |
RZ2 |
0.874 |
RZ3 |
0.864 |
情感 |
QG1 |
0.714 |
0.5603 |
0.7924 |
QG2 |
0.781 |
QG3 |
0.749 |
消费者吸引力 |
TX1 |
0.882 |
0.7651 |
0.9072 |
TX2 |
0.881 |
TX3 |
0.861 |
区分效度，用于解释各个变量间的判别程度，若各变量间的相关系数显著小于AVE的平方根，则表明各变量存在显著的区分效度。“区分效度情况汇总”如表8所示。由表中数据可得，AVE的平方根大于各变量间的相关系数，表明问卷数据符合相关标准，区分结构效度良好，可用于进一步研究。
Table 8. Summary of discriminant validity results
表8. 区分效度情况汇总
|
知名度 |
专业性 |
互动性 |
共情能力 |
个人形象 |
吸引力 |
可信性 |
情感 |
认知 |
消费者吸引力 |
知名度 |
0.61 |
|
|
|
|
|
|
|
|
|
专业性 |
0.262 |
0.5708 |
|
|
|
|
|
|
|
|
互动性 |
0.346 |
0.342 |
0.5792 |
|
|
|
|
|
|
|
共情能力 |
0.382 |
0.373 |
0.294 |
0.627 |
|
|
|
|
|
|
个人形象 |
0.225 |
0.264 |
0.238 |
0.327 |
0.6752 |
|
|
|
|
|
吸引力 |
0.354 |
0.318 |
0.342 |
0.331 |
0.281 |
0.59 |
|
|
|
|
可信性 |
0.261 |
0.346 |
0.558 |
0.321 |
0.299 |
0.238 |
0.6038 |
|
|
|
情感 |
0.536 |
0.485 |
0.533 |
0.508 |
0.479 |
0.445 |
0.571 |
0.5603 |
|
|
认知 |
0.447 |
0.483 |
0.489 |
0.48 |
0.386 |
0.391 |
0.489 |
0.556 |
0.7348 |
|
消费者吸引力 |
0.439 |
0.421 |
0.45 |
0.433 |
0.388 |
0.37 |
0.471 |
0.734 |
0.618 |
0.7651 |
AVE的平方根 |
0.777 |
0.768 |
0.822 |
0.792 |
0.761 |
0.756 |
0.781 |
0.857 |
0.749 |
0.875 |
5.4. 相关性分析
相关性分析是对研究内容的各个变量进行检验，利用检验结果中的皮尔逊相关系数分析变量间的相关关系，“相关性检验结果汇总”如表9所示。各测量变量间的相关系数均在0.3~0.6之间，绝大多数显著水平均为0.01，通过了显著性检验。电商主播特征要素与目标消费群体吸引力相关系数分别为0.494、0.585、0.465、0.552、0.551、0.440、0.523，均正向显著相关，可初步验证主播特性要素能够增强消费者购买意愿的假设；电商主播专业性、可信性、吸引力、共情能力、个人形象、互动性与消费者认知和情感的各个维度存在显著的正相关性；以及消费者认知与情感与目标消费群体吸引力也存在显著的正相关性。即各个变量之间均通过了显著性检验，可用于后续的验证分析。
Table 9. Summary of correlation test results
表9. 相关性检验结果汇总
Pearson相关–标准格式 |
|
平均值 |
标准差 |
消费者吸引力 |
消费者情感 |
消费者认知 |
个人形象 |
可信性 |
共情能力 |
吸引力 |
互动性 |
知名度 |
专业性 |
消费者吸引力 |
3.462 |
1.189 |
1 |
|
|
|
|
|
|
|
|
|
消费者情感 |
3.617 |
1.108 |
0.735** |
1 |
|
|
|
|
|
|
|
|
消费者认知 |
3.678 |
0.985 |
0.589** |
0.463** |
1 |
|
|
|
|
|
|
|
个人形象 |
3.921 |
0.753 |
0.494** |
0.484** |
0.493** |
1 |
|
|
|
|
|
|
可信性 |
3.795 |
0.865 |
0.585** |
0.479** |
0.477** |
0.411** |
1 |
|
|
|
|
|
共情能力 |
3.671 |
1.025 |
0.465** |
0.390** |
0.455** |
0.352** |
0.552** |
1 |
|
|
|
|
吸引力 |
3.672 |
1.057 |
0.552** |
0.499** |
0.577** |
0.485** |
0.425** |
0.580** |
1 |
|
|
|
互动性 |
3.870 |
0.830 |
0.551** |
0.468** |
0.601** |
0.503** |
0.556** |
0.398** |
0.596** |
1 |
|
|
知名度 |
3.700 |
0.929 |
0.440** |
0.507** |
0.551** |
0.371** |
0.300** |
0.315** |
0.331** |
0.512** |
1 |
|
专业性 |
3.760 |
1.057 |
0.523** |
0.379** |
0.364** |
0.403** |
0.368** |
0.304** |
0.265** |
0.381** |
0.439** |
1 |
注：**p < 0.01。
5.5. 回归分析
Table 10. Regression analysis of the impact of apparel streamer characteristics on target consumer attraction
表10. 服装主播特征要素对目标消费群体吸引力影响的回归分析
假设回归路径 |
B |
p |
是否显著 |
消费者认知←专业性 |
0.218 |
** |
是 |
消费者认知←知名度 |
0.183 |
** |
是 |
消费者认知←互动性 |
0.184 |
** |
是 |
消费者认知←吸引力 |
0.139 |
** |
是 |
消费者认知←共情能力 |
0.180 |
** |
是 |
消费者认知←可信性 |
0.203 |
** |
是 |
消费者认知←个人形象 |
0.117 |
0.052 |
否 |
消费者情感←专业性 |
0.132 |
** |
否 |
消费者情感←知名度 |
0.205 |
** |
是 |
消费者情感←互动性 |
0.120 |
* |
是 |
消费者情感←吸引力 |
0.174 |
** |
是 |
消费者情感←共情能力 |
0.119 |
** |
是 |
消费者情感←可信性 |
0.217 |
** |
是 |
消费者情感←个人形象 |
0.101 |
* |
否 |
消费者吸引力←专业性 |
0.391 |
** |
是 |
消费者吸引力←知名度 |
0.153 |
** |
是 |
消费者吸引力←互动性 |
0.209 |
** |
是 |
消费者吸引力←吸引力 |
0.148 |
** |
是 |
消费者吸引力←共情能力 |
0.136 |
** |
是 |
消费者吸引力←可信性 |
0.173 |
** |
是 |
消费者吸引力←个人形象 |
0.152 |
** |
是 |
消费者吸引力←消费者认知 |
0.517 |
** |
是 |
消费者吸引力←消费者情感 |
0.649 |
** |
是 |
注：*p < 0.05，**p < 0.01。
5.5.1. 服装主播特征要素对消费认知和情感的回归验证分析
关于服装主播特征要素对消费情感，由表10中的回归分析可以看出主播专业性、主播知名度、主播互动性、主播吸引力、主播共情能力、主播可信性、主播个人形象p值均<0.05，因此全部均会对消费者情感产生显著的正向影响关系。因此，假设H3a、H3b、H3c、H3d、H3e、H3f、H3g全部成立。关于服装主播特征要素对消费认知，由表10中的回归分析可以看出主播专业性、主播知名度、主播互动性、主播吸引力、主播共情能力、主播可信性的p值也均<0.05，而主播个人形象的回归系数值为0.117 (p = 0.052 > 0.05)，意味着主播个人形象并不会对消费者认知产生影响关系。因此，假设H2a、H2b、H2c、H2e、H2f、H2g成立，假设H2d不成立。
5.5.2. 消费认知和情感对目标消费群体吸引力的回归验证分析
由表10中的回归分析可以看出消费者情感的回归系数值为0.649 (p = 0.000 < 0.01)，意味着消费者情感会对消费者吸引力产生显著的正向影响关系。消费者认知的回归系数值为0.517 (p = 0.000 < 0.01)，意味着消费者认知会对消费者吸引力产生显著的正向影响关系。因此，假设H5a、H5b成立。
5.5.3. 服装主播特征要素对目标消费群体吸引力的回归验证分析
关于服装主播特征要素对目标消费群体吸引力，由表10中的回归分析可以看出主播专业性、主播知名度、主播互动性、主播吸引力、主播共情能力、主播可信性、主播个人形象p值均<0.05，因此全部均会对目标消费群体吸引力产生显著的正向影响关系。因此，假设H1a、H1b、H1c、H1d、H1e、H1f、H1g全部成立。
5.6. 中介效应分析
用bootstrap法检验消费者认知和情感在主播特征与目标消费群体吸引力之间的中介效应，分析结果见表11。本研究的中介效应分析揭示了主播特质影响吸引力的差异化心理路径，核心验证并细化了“认知–情感”双路径模型。“主播可信性”与“主播吸引力”主要通过激发消费者正向情感实现完全中介；“主播互动性”的影响则完全依托于增强消费者理性认知；尤为重要的是，“主播知名度”被证明能同时通过情感与认知双重路径发挥完全中介作用，这超越了其作为初始流量入口的单一角色，具备了更深层的心理说服功能。然而，“主播专业性”虽对吸引力有强大的直接驱动作用，却未通过预设的中介路径显效，暗示其机制可能更为直接或存在其他中介变量；“主播共情能力”与“个人形象”的中介路径亦不显著。这些发现表明，不同主播特质对消费者心智的影响存在本质区别，企业需依据特质本身属性(如情感型、认知型或双路径型)精准设计沟通策略，而非笼统处理。
Table 11. Summary of mediation effect test results
表11. 中介作用检验结果汇总
中介作用检验结果汇总 |
项 |
c总效应 |
a |
b |
a × b中介效应值 |
a × b (Boot SE) |
a × b
(z值) |
a × b
(p值) |
a × b
(95% BootCI) |
c’直接效应 |
检验
结论 |
主播个人形象→消费者情感→目标消费群体吸引力 |
0.077 |
0.187 |
0.355** |
0.066 |
0.040 |
1.682 |
0.093 |
−0.013~0.143 |
0.034 |
中介作用不显著 |
主播个人形象→消费者认知→目标消费群体吸引力 |
0.077 |
−0.097 |
0.243* |
−0.024 |
0.028 |
−0.856 |
0.392 |
−0.084~0.028 |
0.034 |
中介作用不显著 |
主播可信性→消费者情感→目标消费群体吸引力 |
0.344** |
0.289** |
0.355** |
0.102 |
0.047 |
2.200 |
0.028 |
0.007~0.184 |
0.214 |
完全
中介 |
主播可信性→消费者认知→目标消费群体吸引力 |
0.344** |
0.113 |
0.243* |
0.027 |
0.025 |
1.103 |
0.270 |
−0.025~0.076 |
0.214 |
中介作用不显著 |
主播共情能力→消费者情感→目标消费群体吸引力 |
0.093 |
0.035 |
0.355** |
0.012 |
0.027 |
0.451 |
0.652 |
−0.038~0.073 |
0.063 |
中介作用不显著 |
主播共情能力→消费者认知→目标消费群体吸引力 |
0.093 |
0.073 |
0.243* |
0.018 |
0.023 |
0.758 |
0.449 |
−0.024~0.071 |
0.063 |
中介作用不显著 |
主播吸引力→消费者情感→目标消费群体吸引力 |
0.248** |
0.218** |
0.355** |
0.077 |
0.046 |
1.680 |
0.093 |
0.003~0.180 |
0.110 |
完全
中介 |
主播吸引力→消费者认知→目标消费群体吸引力 |
0.248** |
0.252** |
0.243* |
0.061 |
0.045 |
1.367 |
0.172 |
−0.004~0.166 |
0.110 |
完全
中介 |
主播互动性→消费者情感→目标消费群体吸引力 |
0.146 |
−0.024 |
0.355** |
−0.009 |
0.039 |
−0.218 |
0.827 |
−0.080~0.082 |
0.094 |
中介作用不显著 |
主播互动性→消费者认知→目标消费群体吸引力 |
0.146 |
0.248* |
0.243* |
0.060 |
0.036 |
1.673 |
0.094 |
−0.010~0.129 |
0.094 |
完全
中介 |
主播知名度→消费者情感→目标消费群体吸引力 |
0.075 |
0.273** |
0.355** |
0.097 |
0.038 |
2.568 |
0.010 |
0.018~0.167 |
−0.112 |
完全
中介 |
主播知名度→消费者认知→目标消费群体吸引力 |
0.075 |
0.371** |
0.243* |
0.090 |
0.047 |
1.901 |
0.057 |
−0.004~0.178 |
−0.112 |
完全
中介 |
主播专业性→消费者情感→目标消费群体吸引力 |
0.381** |
0.149 |
0.355** |
0.053 |
0.034 |
1.539 |
0.124 |
−0.012~0.124 |
0.297** |
中介作用不显著 |
主播专业性→消费者认知→目标消费群体吸引力 |
0.381** |
0.129 |
0.243* |
0.031 |
0.027 |
1.163 |
0.245 |
−0.023~0.086 |
0.297** |
中介作用不显著 |
注：*p < 0.05，**p < 0.01。bootstrap类型 = 百分位bootstrap法。
6. 营销建议
基于本研究结论，服装电商商家若欲在价格同质化的红海中脱颖而出，必须从“货品思维”转向“人本思维”，精细化运营主播的非价格要素。商家应将主播定位从“销售员”升级为“时尚问题解决者”与“品质鉴定官”，聚焦构筑专家型人设的认知信任壁垒。这需要通过系统培训，使主播精通服装面料、工艺、版型及场景化穿搭知识，并能通过对比测评、细节展示等可视化方式传递专业信息，从而构建坚实的理性信任基础，有效降低消费者的决策风险与不确定性。单一的要素优势已不足以构建持久吸引力，商家应借鉴“认知–情感双路径模型”，设计要素协同的沉浸式直播剧本。这意味着在直播脚本中精心编排专业性、互动性、共情能力与个人魅力的协同出场，打造多层次、沉浸式的体验，从而同步满足用户的理性求知与情感慰藉需求，实现“晓之以理，动之以情”的传播效果。对“个人形象”为何“动情”却不直接“晓理”的深入剖析，有助于深化对研究发现的理解。这可能源于在服装这类高社交与自我表达属性的品类中，主播形象首先触发的是观看者的审美愉悦、认同或向往等直觉性情感应。
本研究结论也需在固有的局限中审慎看待。例如，采用的便利抽样方法可能导致样本在年龄、地域等方面的代表性不足；横截面数据无法严格断定因果关系，主要揭示了变量间的相关关系；而为了剥离价格干扰所设定的“价格中性”场景，虽强化了内部效度，但与现实中复杂多变的价格促销环境存在差异，可能在一定程度上限制了结论的外部推广性。展望未来，基于服装市场的巨大异质性，实践与研究应更具针对性。例如，对于主打快时尚的商家，可突出主播的时尚敏锐度、互动趣味性与高吸引力形象；而对于高端定制或设计师品牌，则应极致化主播的深度专业知识、品味叙事与独特的个人风格。在消费者生命周期管理上，吸引新客阶段可侧重知名度与吸引力，培养忠诚客户时则需深化专业性、可信性与深度共情。建议后续研究可采用纵向追踪设计以验证因果关系，或针对不同细分品类、不同价位带进行对比研究，以提炼出更具情境特异性的主播要素组合策略，从而为服装直播行业的良性发展提供持续的理论洞察与实践指引。