1. 引言
广告是企业实施促销策略的核心手段之一。近年来，植入式广告在音视频媒体领域的应用中逐渐趋于常态化。其通常被定义为一种将品牌标识、产品实物或相关服务巧妙嵌入影视节目内容的营销推广模式，核心目标在于依托于剧情脉络、情感表达的深度融合，吸引受众的关注目光，并借此强化品牌的公众形象与市场认知度[1]；也有观点将其界定为一种具有明确商业导向的传播策略，具体表现为把商业广告内容有机融入非商业性的传播场景，形成嵌入式营销载体[2]。随着媒介形态的迭代升级，这一营销模式也逐渐拓展至新兴传播场景，播客便是其中极具潜力的载体之一。
播客本质上是互联网领域的一类文件发布技术，用户既能够借助RSS订阅功能自动获取更新的文件资源，也可运用该技术制作个性化的电台节目[3]。其涵盖知识付费节目、音频直播、综合性音频平台以及用户生成内容(UGC)主播等多种形式。据相关预测，到2025年，中国播客年均增长率将保持在15.8%，中文播客听众数量将突破1.5亿，用户收听时长有望接近长视频的消费量级[4]。播客产业已然成为继短视频赛道之后备受市场关注与用户青睐的流量新蓝海，播客植入式广告也凭借自身特性显现出独特的竞争优势。与传统视觉导向的广告形态相比，播客广告传播路径更为直接，情感感染力更强，其兼具精准触达、长尾效应的特质，能够在潜移默化中引导消费者的认知观念与消费行为，不仅能助力品牌方达成核心营销目标，更契合植入式广告“隐性融合”的传播需求，为植入式广告的创新应用提供了优质场景，逐渐成为品牌营销领域的价值高地。
然而，播客植入式广告的实际传播效果并非一概而论，而是受到多种因素的制约。现有关于植入式广告传播效果的探讨多集中在受众态度与广告植入特征两个维度。武维潇的实证研究指出，广告内容的相关性、新颖性与吸引力是制约植入式广告传播效果的核心要素[5]，这一结论在播客场景中同样具有参考价值。国外学者Dominic C进一步证实，播客节目内容与广告内容的匹配程度，是影响该场景下植入广告传播成效的关键变量，二者契合度越高，广告信息越易被受众接纳[2]。在受众情感层面，Laksup A发现，受众对播客节目的情感投入程度，与对其中植入广告的接纳态度呈显著正相关[6]。此外，Kalissa Fatoumata Kir还提出，社会文化背景、群体价值观念等宏观因素，也会对受众对播客植入式广告的接受程度及反馈模式产生不容忽视的影响[7]。可以看出，播客节目自身的内容品质与广告植入模式的合理性直接影响着受众的收听意愿与沉浸程度，进而关联到广告信息的接收效果。因此，深入探究播客植入式广告的影响因素，从多个视角剖析其作用机制，对于探寻提升传播效果的有效路径具有重要意义。
尽管现有研究已为后续探索奠定了基础，但针对播客场景独特性的深入研究仍显不足。播客作为听觉传播载体，其伴随性收听、线性传播等特性，使得广告植入的影响因素与作用机制必然存在特殊性。因此，本研究基于刺激–机体–反应模型(SOR)，聚焦播客植入式广告的植入显著性、内容一致性、低干扰性等核心植入特征，探究其对听众购买意愿的影响，并分析品牌认知与品牌态度的中介作用，旨在完善播客植入式广告传播效果的研究体系。帮助品牌方精准把握播客广告植入的关键要素，适配播客听觉传播特性，制定差异化的植入方案，从而有效提升广告传播效果，实现品牌传播效益的最大化。
2. 理论基础与研究假设
2.1. 理论基础
SOR模型即刺激–有机体–响应模型，核心用于阐释个体针对外部刺激产生行为响应的完整过程，已被广泛应用于消费行为、媒介传播等相关研究领域。例如，甘春梅等基于SOR理论，探究了感知过载通过作用于用户倦怠心理和心流体验，对间接性中缀意愿产生影响的内在机制[8]；张静则依托该模型，分析了渠道选择对消费者购买意愿的作用路径[9]。结合播客植入式广告场景来看，播客节目内容、植入的品牌信息等可构成外部刺激(S)，这类刺激会作用于受众的认知、态度等内部机体状态(O)，进而促使受众产生点击链接、购买产品等行为反应(R)。因此，在研究播客植入式广告传播效果的影响因素时，可借鉴SOR模型的理论框架，结合播客广告的具体植入特点，分析各层面影响因素。基于此，本文以SOR模型为基础构建理论框架，选取播客植入式广告的植入显著性、内容一致性、低干扰性为自变量，品牌认知、品牌态度为中介变量，购买意愿为因变量，理论模型如图1所示。
Figure 1. Theoretical model of the study
图1. 研究理论模型
2.2. 变量选取及研究假设
2.2.1. 自变量
(1) 植入显著性：植入显著性是指品牌广告信息在传播载体中的呈现强度与视觉突出位置，以及品牌信息维持可见状态的时长[2]。通俗来讲，植入式广告的显著性即指品牌、产品或服务在节目内容中的明显程度。在植入式广告定价策略的制定过程中，显著性是需纳入考量的核心综合指标，植入式广告的显著性水平与品牌认知度、受众记忆度呈正相关关系，即显著性越高，品牌的曝光效果与记忆留存效果越佳，购买意愿可能越强烈，但过高的显著性亦可能对受众的品牌态度产生消极影响[10]。故本文将植入显著性作为核心影响变量纳入研究框架，重点探究其对播客植入式广告传播效果的作用机制。因此提出假设：H1a植入显著性正向影响购买意愿。
(2) 内容一致性：内容一致性即指植入广告与传播载体之间的关联紧密程度。植入广告与载体的关联程度，可界定为产品或品牌标识的植入行为是否在强化内容情节、提升消费者对核心目标的理解层面发挥重要作用[11]。此外，有学者进一步将植入式广告中品牌与情节的关联关系划分为两个不同维度：涉及(Involved)和接触(Contacted) [12]。植入式广告与载体的情节关联度与内容一致程度是产生记忆的一个必要条件，强关联度在一定程度上会影响受众对广告的记忆及行为[13]。故本文将内容一致性作为影响消费者态度和行为的重要因素。因此提出假设：H1b内容一致性正向影响购买意愿。
(3) 低干扰性：低干扰性的定义以广告干扰性概念为基础，特指广告在内容呈现过程中对用户造成的侵扰程度较低且不易引发用户反感。高干扰性的广告往往会致使消费者形成消极的广告态度[14]，从而对广告传播效果产生显著的负面影响[15]。由此可见，低干扰性同样是制约广告传播效果的重要变量，因此提出假设：H1c低干扰性正向影响购买意愿。
2.2.2. 因变量
植入式广告效果的多层次测量体系已从早期单一的回忆度、再认度等“认知层面”，逐步发展为涵盖认知、情感、意向与行为的整合性框架。早期研究多借鉴传统广告效果模型，侧重于测量观众对植入品牌的记忆效果，如无提示回忆和品牌再认，作为评估曝光效果的核心指标。随着研究的深入，学者们认识到，仅测量认知层面不足以解释植入式广告的深层影响。因此，测量维度扩展到情感层面，关注品牌植入所引发的情感反应、品牌态度改变[16]。更进一步地，研究开始聚焦于意向与行为层面的测量，包括购买意向及实际购买行为[17]。从理论层面来看，SOR模式指出消费者在外部相关刺激因素的作用下，会逐步形成对特定品牌及产品的购买意愿或实施购买行为，而购买意愿本身亦是驱动消费者产生实际购买行为的核心要素之一。因此，购买意愿是植入显著性、内容一致性与低干扰性影响的最终结果，也是研究的核心因变量。
2.2.3. 中介变量
(1) 品牌认知：信息传播效果在认知维度上具体体现为受众接触外部信息后产生的各类反应，这一维度是传播活动发挥作用的基础前提，而消费者的具体行为决策往往也是在认知层面的铺垫下逐步形成的[17]。根据一致性理论，当信息与个体既有认知一致时，信息处理会更为顺畅，记忆效果也更佳。故本文选取品牌认知作为衡量播客植入式广告传播效果的中介变量，提出假设：H2a品牌认知在植入显著性对购买意愿的影响中存在中介作用，H2b品牌认知在内容一致性对购买意愿的影响中存在中介作用，H2c品牌认知在低干扰性对购买意愿的影响中存在中介作用。
(2) 品牌态度：消费者对广告的态度在广告影响品牌态度和购买意图的过程中起到因果中介变量的作用[18]。品牌广告的植入特征会显著正向影响消费者对品牌的态度，而这种态度进一步提升了消费者对品牌核心信息的识别度与记忆准确性[19]，最终显著提升消费者的行为支持意愿[20]。故本文选取品牌态度作为衡量播客植入式广告传播效果的中介变量，提出假设：H3a品牌态度在植入显著性对购买意愿的影响中存在中介作用，H3b品牌态度在内容一致性对购买意愿的影响中存在中介作用，H3c品牌态度在低干扰性对购买意愿的影响中存在中介作用。
3. 数据来源与描述性分析
3.1. 数据来源
为获取研究所需数据，本文采用问卷调查法开展实证调研，调研对象限定为具备播客收听经验的受众群体。问卷设计借鉴相关成熟问卷量表，结合本文核心变量维度进行适配性调整与优化。并通过以下社交媒体群组定向发放：播客平台官方社群(小宇宙APP用户群、Apple Podcast中文听众群)、垂直兴趣类群组(职场类、文化类播客爱好者微信群)。问卷测量维度设置如下：广告植入特征层面，从植入显著性、内容一致性及低干扰性三个核心维度进行界定与测量；传播效果层面聚焦品牌认知、品牌态度与购买意愿三大关键指标展开评估。问卷结构上，除被调查者个人基本信息外，核心测量部分共设计30道题项，均采用李克特五级量表形式，其中1分至5分分别对应“完全不同意”至“非常同意”。
本次调查工作于2025年4月1日至15日展开，共回收有效问卷252份用于最终的数据分析。以下分析中，X1、X2、X3分别为自变量植入显著性、内容一致性、低干扰性；M1、M2为中介变量品牌认知和品牌态度；Y为因变量购买意愿。
3.2. 样本基本特征
由表1可知，在回收的262份问卷中，男女比例约为1:1；年龄分布在19-25岁的年轻人居多，约占全部问卷的44%，其中学生群体和自由职业者占比较高。除此之外，问卷设计了两道筛选题用来筛除没有收听过播客节目以及没有在收听播客节目时遇到植入式广告的受访者，以此保证问卷的有效性。此类受访者频数为10，因此，以下对252份有效问卷进行分析。
Table 1. Basic characteristics of the sample
表1. 样本基本特征
名称 |
选项 |
频数 |
百分比% |
性别 |
女 |
136 |
52 |
男 |
126 |
48 |
年龄段 |
26~35岁 |
59 |
23 |
19~25岁 |
56 |
21 |
36~45岁 |
44 |
17 |
46~55岁 |
42 |
16 |
55岁以上 |
32 |
12 |
18岁以下 |
29 |
11 |
身份 |
学生 |
85 |
32 |
自由职业者 |
68 |
26 |
工作人员 |
58 |
22 |
退休人员 |
51 |
20 |
月收入范围(单位：元) |
3000~5000 |
119 |
45 |
3000以下 |
85 |
32 |
10,000以上 |
30 |
12 |
5000~10,000 |
28 |
11 |
是否收听过播客节目 |
是 |
257 |
98 |
否(结束作答) |
5 |
2 |
是否曾经在收听播客节目时遇到过
植入式广告 |
是 |
252 |
96 |
否(结束作答) |
5 |
2 |
3.3. 描述性统计分析
由表2可知，各项的均值均在3~4之间浮动，标准差接近于1，表明样本总体上呈正面态度。峰度绝对值全部小于3，偏度均在0附近，说明当前数据分布偏移状态近似正态分布，可进行进一步分析。
Table 2. Descriptive statistics
表2. 描述统计结果
变量 |
测量题项个数 |
最小值 |
最大值 |
均值 |
标准差 |
偏度 |
峰度 |
X1 |
5 |
1.167 |
5.000 |
3.815 |
0.835 |
−0.935 |
0.702 |
X2 |
5 |
1.333 |
4.833 |
3.635 |
0.930 |
−0.753 |
−0.467 |
X3 |
5 |
1.167 |
5.000 |
3.981 |
0.800 |
−1.204 |
1.479 |
M1 |
5 |
1.167 |
5.000 |
3.706 |
0.839 |
−0.714 |
0.055 |
M2 |
5 |
1.167 |
5.000 |
3.826 |
0.869 |
−0.618 |
0.079 |
Y |
5 |
1.333 |
5.000 |
3.972 |
0.761 |
−1.488 |
2.047 |
4. 实证分析
4.1. 信效度分析
由表3和表4可知，问卷总体的信效度极好，且提取的第一个因子的方差解释率小于阈限值40%，说明不存在共同方法偏差的问题(见附录)，因此可以进行下一步分析。
Table 3. Simplified format of reliability
表3. 信度简化格式
Cronbach’s Alpha |
样本量 |
项数 |
0.924 |
252 |
30 |
Table 4. KMO and Bartlett’s test
表4. KMO和巴特利特检验
KMO取样适切性量数 |
0.925 |
巴特利特球形度检验 |
近似卡方 |
3753.568 |
自由度 |
435.000 |
显著性 |
0.000 |
4.2. 假设检验
4.2.1. 直接效应检验
由表5可知，模型公式为：Y = 1.056 + 0.247 * X1 + 0.259 * X2 + 0.284 * X3，模型调整后R方为0.428，且模型通过F检验(F = 63.495, p = 0.000 < 0.01)，说明X1，X2，X3可以解释Y的42.8%变化原因。最终具体分析可知：X1、X2、X3的回归系数值分别为0.247 (t = 5.208)、0.259 (t = 5.963)、0.284 (t = 5.777)，且p值均小于0.01，意味着X1、X2、X3分别对Y产生显著的正向影响关系，故假设H1a、H1b、H1c成立。
Table 5. Results of linear regression analysis of Y on X (ensemble)
表5. Y对X的线性回归分析结果(总效应)
|
非标准化系数 |
标准化系数 |
t |
p |
VIF |
R方 |
调整R方 |
F |
B |
标准误差 |
Beta |
常量 |
1.056 |
0.226 |
|
4.663 |
0.000 |
|
0.434 |
0.428 |
F(3,252) = 63.495, P = 0.000 |
X1 |
0.247 |
0.047 |
0.271 |
5.208 |
0.000 |
1.189 |
0.434 |
0.428 |
F(3,252) = 63.495,
p = 0.000 |
X2 |
0.259 |
0.043 |
0.317 |
5.963 |
0.000 |
1.238 |
0.434 |
0.428 |
F(3,252) = 63.495,
p = 0.000 |
X3 |
0.284 |
0.049 |
0.298 |
5.777 |
0.000 |
1.168 |
0.434 |
0.428 |
F(3,252) = 63.495,
p = 0.000 |
因变量：Y D-W：2.164。
由表6可知，模型公式为Y = 0.724 + 0.212*X1 + 0.227*X2 + 0.224*X3 + 0.222*M1 + 0.217*M2，加入中介变量M1、M2后，模型调整后R方为0.475，且模型通过F检验(F = 57.745, p = 0.000 < 0.01)，表明模型整体依然具有显著的解释力，且模型的解释力保持稳定，说明中介变量M1、M2对Y具有一定的解释作用。
Table 6. Results of linear regression analysis of Y on X and M (direct effect)
表6. Y对X、M的线性回归分析结果(直接效应)
|
非标准化系数 |
标准化系数 |
t |
p |
VIF |
R方 |
调整R方 |
F |
B |
标准误差 |
Beta |
常量 |
0.724 |
0.228 |
|
3.183 |
0.002 |
|
0.483 |
0.475 |
F(4,252) = 57.745, P = 0.000 |
X1 |
0.212 |
0.046 |
0.232 |
4.601 |
0.000 |
1.220 |
X2 |
0.227 |
0.042 |
0.277 |
5.371 |
0.000 |
1.270 |
X3 |
0.224 |
0.049 |
0.235 |
4.600 |
0.000 |
1.249 |
M1 |
0.222 |
0.046 |
0.245 |
4.831 |
0.000 |
1.230 |
M2 |
0.217 |
0.045 |
0.258 |
4.852 |
0.000 |
1.227 |
因变量：Y D-W：2.145。
4.2.2. 中介效应检验
研究通过Process宏程序中的Bootstrap方法进行中介作用分析，针对“M”这一中介变量，如果a和b显著，c′显著，且a*b的95% BootCI不包括数字0，则为部分中介。通过对中介作用效应量结果汇总，得出表7：
由表7可知，M1的中介作用存在异质性：X1、X2通过M1对Y的部分中介效应显著(CI不包含0，中介效应占比12.7%~13.3%)，但X3通过M1的中介效应不显著(CI包含0)。而M2的中介作用更具普适性：X1、X2、X3通过M2对Y的部分中介效应均显著(CI均不包含0)，中介效应占比15.6%~21.9%，综上，M1仅在X1、X2与Y之间发挥部分中介作用，而M2对三条X→Y路径均存在显著部分中介效应，不同中介变量的作用边界与效应强度存在差异。故假设H2a、H2b、H3a、H3b、H3c成立，假设H2c不成立。
Table 7. Summary of mediation effect size results
表7. 中介作用效应量结果汇总
项 |
检验结论 |
a*b |
c |
a*b |
c’ |
效应占比计算公式 |
效应占比(%) |
(95% BootCI) |
总效应 |
中介效应 |
直接效应 |
X1→M1→Y |
部分中介 |
0.006~0.069 |
0.247** |
0.035** |
0.212** |
a*b/c |
13.3 |
X2→M1→Y |
部分中介 |
0.004~0.073 |
0.259** |
0.033** |
0.227** |
12.7 |
X3→M1→Y |
不显著 |
−0.022~0.009 |
0.084** |
0.006ns |
0.024ns |
- |
X1→M2→Y |
部分中介 |
0.010~0.078 |
0.262** |
0.041** |
0.221** |
15.6 |
X2→M2→Y |
部分中介 |
0.008~0.082 |
0.275** |
0.043** |
0.232** |
15.6 |
X3→M2→Y |
部分中介 |
0.005~0.065 |
0.128** |
0.028** |
0.100** |
21.9 |
**p < 0.05, ns: p ≥ 0.1.
最后，对假设验证结果汇总如表8：
Table 8. Summary of hypothesis results
表8. 假设结果汇总表
假设 |
检验结果 |
H1a 植入显著性正向影响购买意愿 |
成立 |
H1b 内容一致性正向影响购买意愿 |
成立 |
H1c 低干扰性正向影响购买意愿 |
成立 |
H2a 品牌认知在植入显著性对购买意愿的影响中存在中介作用 |
成立 |
H2b 品牌认知在内容一致性对购买意愿的影响中存在中介作用 |
成立 |
H2c 品牌认知在低干扰性对购买意愿的影响中存在中介作用 |
不成立 |
H3a 品牌态度在植入显著性对购买意愿的影响中存在中介作用 |
成立 |
H3b 品牌态度在内容一致性对购买意愿的影响中存在中介作用 |
成立 |
H3c 品牌态度在低干扰性对购买意愿的影响中存在中介作用 |
成立 |
5. 结论与建议
5.1. 研究结论
5.1.1. 广告植入特征对购买意愿的直接正向影响
基于实证分析结果，播客植入式广告的植入显著性、内容一致性、低干扰性均对听众购买意愿产生显著正向影响。从植入显著性来看，适度强化的品牌信息呈现能够有效突破听觉信息的瞬时性限制，帮助受众在伴随式收听过程中捕捉核心品牌信息，进而形成购买意愿。这与视觉媒体中显著性通过视觉冲击提升记忆的逻辑一致，但播客的显著性更依赖声音符号的辨识度与重复节奏，而非视觉占位；从内容一致性来看，播客作为深度内容载体，受众往往基于兴趣选择节目，形成较强的场景沉浸感。当广告内容与节目主题、叙事逻辑高度契合时，能够自然融入听觉流，借助受众对节目内容的信任与情感投入，实现品牌信息的深度渗透，有效推动听众产生购买倾向；从低干扰性来看，其对购买意愿的正向影响契合播客“伴随性”收听场景的本质特征。播客听众多在通勤、家务、运动等注意力分散的场景下收听，高干扰性广告易打破收听节奏、引发抵触情绪，而低干扰性广告通过弱化侵入感、贴合节目叙事逻辑的呈现方式，有效维护了收听体验的流畅性，强化了受众对品牌的情感接纳度，最终实现对购买意愿的正向驱动。
5.1.2. 中介变量的差异化作用机制
品牌认知与品牌态度在广告植入特征与购买意愿之间均发挥部分中介作用，但二者的作用边界存在显著差异。品牌认知仅在植入显著性、内容一致性与购买意愿之间承担中介角色，而品牌态度对三条影响路径均具有显著中介效应。这一差异化机制揭示了播客广告效果传导的双重逻辑：植入显著性与内容一致性通过“认知唤醒–态度转化–意愿形成”的完整路径影响消费决策，而低干扰性则主要通过“态度优化–意愿形成”的路径发挥作用。其核心原因在于低干扰性广告虽能减少听众反感，但受限于听觉信息的线性不可回溯性与伴随性收听的注意力分散问题，难以形成强认知印记，却能通过优化收听体验提升品牌态度，进而间接推动购买意愿。也正是由于低干扰性主要通过“态度优化–意愿形成”的特殊路径，播客的“主播信任背书”特性在此过程中发挥了关键作用：低干扰性广告往往以主播自然推荐、场景化分享的形式呈现，避免了生硬推销，这种依托主播公信力的传播方式，降低了受众的广告防御心理，使得品牌态度在无强认知支撑的情况下仍能有效驱动购买意愿。
从受众特征来看，19~35岁青年群体占总样本的44%，成为播客的核心受众。该群体具备较强的自主意识与信息甄别能力，对生硬植入的抵触情绪更为明显，但同时也更易受主播信任背书与内容沉浸感的影响，这也为低干扰性与品牌态度的强关联提供了受众层面的解释。
5.2. 对策建议
5.2.1. 优化广告植入策略，适配播客传播特性
针对植入特征制定差异化植入策略。在植入显著性方面，强化声音符号，通过品牌专属音效、固定口号重复等听觉标识，在不提升干扰性的前提下增强品牌辨识度，为认知唤醒提供支撑。在内容一致性方面，深化广告与节目主题的契合，基于节目调性与受众需求精准匹配广告类型，例如职场类播客植入办公工具、技能培训类广告，文化类播客植入图书、文创类广告，借助内容关联性强化品牌认知向购买意愿的转化。在低干扰性方面，依托播客“伴随性”收听场景，将广告自然融入节目叙事，避免打断收听节奏，同时通过主播口语化、场景化的表达降低广告违和感，重点通过优化体验提升品牌态度。
5.2.2. 聚焦中介变量，构建“态度–认知”双重提升路径
针对品牌态度的普适性中介作用，将品牌态度培育作为核心目标。一方面，强化主播信任背书，鼓励主播基于真实体验分享品牌价值，借助播客“主播–听众”的情感联结，将主播公信力迁移至品牌，提升品牌好感度；另一方面，优化广告内容质感，通过故事化、价值化的表达传递品牌理念，避免单纯的产品推销，让广告成为节目内容的有益延伸，进而深化听众对品牌的情感认同。针对品牌认知的差异化中介作用，对不同植入特征采取针对性认知强化措施。对于植入显著性与内容一致性，通过“核心信息精炼 + 多频次轻度重复”的方式，将品牌名称、核心功能等关键信息浓缩为简洁易记的表达，在节目中合理间隔呈现，帮助听众在伴随性收听中形成清晰认知；对于低干扰性广告，可搭配可视化辅助手段，如在播客平台同步展示广告核心信息卡片、跳转链接等，弥补听觉认知的不足，构建“听觉体验 + 视觉补充”的认知强化体系。
5.2.3. 精准定位目标受众，实现营销效能最大化
基于核心受众特征，优化广告内容与投放渠道。在内容设计上，采用年轻化、个性化的表达风格，融入网络热词、生活场景化案例，贴合目标群体的语言习惯与价值观念；在产品适配方面，优先选择符合该群体消费能力与需求的产品，如平价数码产品、线上服务、文创产品等，提升广告转化效率；在投放渠道上，聚焦垂直类播客节目与高活跃度社群，如小宇宙APP用户群、垂直兴趣类播客微信群等，实现精准触达，同时建立数据反馈机制，通过分析收听完成率、互动数据、转化效果等，动态调整广告的植入策略，实现传播效益最大化。
附 录
下表提取出的5个因子特征根值均大于1，此5个因子的方差解释率分别是13.061%，12.935%，12.629%，12.494%，11.263%。旋转后累积方差解释率为62.383% > 50%。
Table S1. Variance explained rate table (principal component analysis)
表S1. 方差解释率表格(主成分分析法)
因子编号 |
特征根 |
旋转前方差解释率 |
旋转后方差解释率 |
总计 |
方差解释率% |
累积% |
总计 |
方差解释率% |
累积% |
总计 |
方差解释率% |
累积% |
1 |
9.504 |
31.681 |
31.681 |
9.504 |
31.681 |
31.681 |
3.918 |
13.061 |
13.061 |
2 |
2.863 |
9.543 |
41.225 |
2.863 |
9.543 |
41.225 |
3.881 |
12.935 |
25.996 |
3 |
2.497 |
8.325 |
49.549 |
2.497 |
8.325 |
49.549 |
3.789 |
12.629 |
38.625 |
4 |
2.361 |
7.871 |
57.421 |
2.361 |
7.871 |
57.421 |
3.748 |
12.494 |
51.119 |
5 |
1.489 |
4.962 |
62.383 |
1.489 |
4.962 |
62.383 |
3.379 |
11.263 |
62.383 |
6 |
0.724 |
2.414 |
64.797 |
|
|
|
|
|
|
7 |
0.694 |
2.313 |
67.110 |
|
|
|
|
|
|
8 |
0.662 |
2.207 |
69.317 |
|
|
|
|
|
|
9 |
0.612 |
2.041 |
71.358 |
|
|
|
|
|
|
10 |
0.589 |
1.963 |
73.321 |
|
|
|
|
|
|
11 |
0.578 |
1.927 |
75.248 |
|
|
|
|
|
|
12 |
0.553 |
1.843 |
77.091 |
|
|
|
|
|
|
13 |
0.540 |
1.800 |
78.891 |
|
|
|
|
|
|
14 |
0.517 |
1.723 |
80.613 |
|
|
|
|
|
|
15 |
0.508 |
1.693 |
82.307 |
|
|
|
|
|
|
16 |
0.481 |
1.604 |
83.910 |
|
|
|
|
|
|
17 |
0.448 |
1.493 |
85.404 |
|
|
|
|
|
|
18 |
0.429 |
1.431 |
86.835 |
|
|
|
|
|
|
19 |
0.410 |
1.368 |
88.203 |
|
|
|
|
|
|
20 |
0.397 |
1.325 |
89.527 |
|
|
|
|
|
|
21 |
0.380 |
1.265 |
90.793 |
|
|
|
|
|
|
22 |
0.368 |
1.225 |
92.018 |
|
|
|
|
|
|
23 |
0.358 |
1.193 |
93.211 |
|
|
|
|
|
|
24 |
0.351 |
1.169 |
94.380 |
|
|
|
|
|
|
25 |
0.330 |
1.100 |
95.480 |
|
|
|
|
|
|
26 |
0.304 |
1.014 |
96.493 |
|
|
|
|
|
|
27 |
0.280 |
0.934 |
97.428 |
|
|
|
|
|
|
28 |
0.276 |
0.920 |
98.348 |
|
|
|
|
|
|
29 |
0.262 |
0.874 |
99.222 |
|
|
|
|
|
|
30 |
0.233 |
0.778 |
100.000 |
|
|
|
|
|
|