直播带货下新增粉丝对生鲜产品销量的影响研究——基于抖音平台数据实证分析

Research on the Impact of New Fans on Fresh Product Sales under Live Streaming—Empirical Analysis Based on TikTok Platform Data

摘要: 直播带货成为生鲜产品一种新的销售模式，粉丝不仅是其中的核心角色，更是连接消费者与产品的重要桥梁。因此，深入分析新增粉丝对生鲜产品销量的影响，对于优化直播带货策略具有重要意义。研究基于带货生鲜产品的319个主播账号，采用双向固定效应模型研究新增粉丝量对生鲜产品销量的影响和作用机制。研究发现：(1) 主播的新增粉丝量对生鲜产品销量具有显著的正向影响。(2) 新增粉丝量对生鲜产品销量的促进作用在不同粉丝规模和不同行业主播均存在差异，其中腰部和尾部主播效果更为显著，美食行业主播效果优于非美食行业主播。(3) 平均停留时长和产品线宽度对新增粉丝量与生鲜产品销量的关系存在负向调节效应。

Abstract: Live streaming has become a new sales mode of fresh products, in which fans are not only the core role, but also an important bridge connecting consumers and products. Therefore, in-depth analysis of the impact of new fans on the sales of fresh products is of great significance for optimizing the live-streaming strategy. Based on 319 anchor accounts with fresh products, this study uses two-way fixed effect model to study the impact and mechanism of new followers on the sales of fresh products. The results show that: (1) The number of new fans of the anchor has a significantly positive impact on the sales of fresh products. (2) The promotion effect of the number of new fans on the sales of fresh products varies with different fan sizes and anchors in different industries, among which the effect of waist and tail anchors is more significant, and the effect of anchors in the food industry is better than that of anchors in the non-food industry. (3) The average length of stay and product line width have a negative moderating effect on the relationship between the number of new fans and the sales of fresh products.

1. 引言

随着互联网的快速发展以及粉丝忠实度的不断增强，电商借助品牌或主播的影响力，逐步释放粉丝经济的价值。直播带货通过主播与消费者实时互动、推荐产品，作为粉丝经济与电商结合的新经济现象，推动了传统电商由被动式营销向互动营销的转变。生鲜产品的特点是新鲜、易腐，直播带货可以实时展示产品的新鲜度和品质，随着消费水平的提高，年轻人成为生鲜产品的主要消费群体，购买生鲜产品的习惯逐渐从线下转移到线上。截至2020年，中国生鲜产品消费的线上销售规模已超过6100亿元，生鲜产品拥有巨大的市场需求和潜力，且增长势头还未减缓[1]。2023年2月，中共中央、国务院印发《质量强国建设纲要》指出，要规范发展网上销售、直播电商等新业态新模式[2]。

在政策引导下，农产品电商逐步成为促进乡村产业发展和增加农民收入的重要途径。据《2023丰收节抖音电商助农数据报告》可知，2023年抖音日活用户已超8亿。2022年9月至2023年9月，抖音电商共助销农特产47.3亿单，平均每天就有1300万个装有农特产的包裹销往全国各地。因此，深入分析抖音平台主播新增粉丝对生鲜产品销量的影响，对于优化直播带货策略、提升产品市场竞争力具有重要意义。本文借助抖音平台上的生鲜直播带货数据，研究新增粉丝对生鲜产品销量的影响及作用机制，本文进一步考察了这种影响和机制在不同粉丝规模和不同行业主播之间的差异，旨在为主播和平台提供更具针对性的策略建议。同时，本研究有助于深化对粉丝经济在生鲜产品营销中的作用理解，为生鲜产品直播带货行业的可持续发展和粉丝经济的规范发展贡献力量。

2. 文献综述

关于直播网购农产品的相关研究，主要包括对影响农产品销量因素的研究及对影响消费者购买意愿的研究。李文斌等基于技术接受模型研究发现，感知风险对消费者网购直播生鲜农产品意愿与行为具有显著负向影响[3]。熊雪等指出农产品直播电商能够降低信息不对称，通过声誉效应提升消费者信任，助力销量提升[4]。李连英等基于SOR理论进一步证实了任务契合度、互动性和信息效应对直播下生鲜农产品销量的正向影响作用[5]。

与此同时，在粉丝效应的研究方面，王斌等以东方甄选为例，研究发现知识带货对生鲜农产品销量有正向促进作用，且粉丝量越高，生鲜农产品的销量也会越高[6]。徐兵等把粉丝效应考虑在内，研究发现品牌电商选择与直播间具有粉丝基础的主播合作能够拓展市场，最终获得稳定的需求增长[7]。张君慧等通过构建回归模型发现，主播粉丝数、观众点赞数、上播产品数和直播时长对电商直播销售额有显著正向影响，观众停留时间与销售额呈倒U型关系[8]。

回顾学者们近年来对生鲜产品直播带货的研究，大多数文献集中通过问卷实证分析影响消费者购买意愿以及影响生鲜产品销量的因素，在定量分析方面，缺少对新增粉丝量与生鲜产品销量的深入研究。故本文借助“飞瓜数据”平台获取抖音平台生鲜类主播账号直播数据，通过定量研究，分析主播新增粉丝数对不同类型及不同行业主播生鲜产品销量的影响，同时从直播带货的多方参与者角度出发，提出促进生鲜产品直播行业良性发展的策略和建议。

3. 理论与研究假设

在直播带货过程中，新增粉丝数直接关系到直播间的曝光和观众数量，直播间停留时长影响消费者对产品的了解和信任度，不同消费者根据各自需求选择不同的产品线。因此，生鲜产品购买量的关键在于新增粉丝数、直播间停留时长以及生鲜产品线宽度。

3.1. 主假设

粉丝经济理论认为，粉丝的情感投入和忠诚度能够显著影响其消费行为[9]。社交影响理论指出，个体的行为和决策会受到他人行为和态度的影响。在直播带货中，主播粉丝量的增加意味着直播内容质量高且主播与用户之间产生了强烈的情感共鸣，这种氛围引发了路人的关注兴趣或情感共鸣，从而改变其对产品的态度和购买行为。因此，提出研究假设：

H1a：直播带货时，主播的新增粉丝量对生鲜产品销量具有显著的正向影响。

H1b：头部、腰部和尾部主播新增粉丝量与生鲜产品销量之间均存在显著正向关系，且在尾部主播和腰部主播表现得更加显著。

3.2. 调节效应假设

首先，根据时间成本理论，当消费者在直播间的平均停留时长增加时，他们会更谨慎地评估在直播间内的时间成本，更大概率在其他渠道上寻找更好的产品或交易。其次，较长的停留时长使消费者有更多机会接触直播间不同种类的产品，这种选择多样性会分散直播间内新增粉丝的购买意愿。因此，提出假设：

H2：直播带货时，消费者在直播间的平均停留时长会负向调节新增粉丝数与生鲜产品销量之间的关系。

认知负荷理论指出，人们在处理信息时，大量信息会增加认知负荷，降低决策效率。如果主播在直播间上架的产品线过于宽泛，主播对每种产品的介绍受限，每种产品的曝光时长也会缩短，消费者需要处理更多的信息和选择，导致认知负荷增加，这不利于消费者快速做出购买决定。因此，提出假设：

H3：直播带货时，直播间上架的生鲜产品线宽度会负向调节新增粉丝数与生鲜产品销量之间的关系。

4. 研究设计

4.1. 样本选择

考虑数据可获得性，选择直播时间为2023年3月至2023年10月月销售额排名前2000名的生鲜产品带货主播，筛选出8个月重复入围的319个主播进行的107,985场生鲜产品带货数据，通过飞瓜数据平台获取生鲜主播直播带货数据，包括粉丝数、互动率、直播时长、直播次数、新增粉丝数等指标，经整理有效数据共2552条。

4.2. 变量定义

被解释变量：生鲜产品销量，即主播月均直播销售的生鲜产品数量。

核心解释变量：新增粉丝量，即主播月均新增加的粉丝数量。

调节变量：(1) 平均停留时长，即指主播月均直播时观众在直播间停留的平均时长。(2) 产品线宽度，即主播月均直播销售的生鲜产品二级类别数目。

控制变量：(1) 留存率，指主播月均直播的平均留存率；(2) 直播时长，指主播月均直播总时长；(3) 上架商品数，指主播月均直播上架的商品数量；(4) 点赞数，指主播月均直播总点赞数；(5) 产品均价，指主播月均直播带货商品的平均价格。

在实证过程中，对以上变量进行对数化处理。各变量定义及描述性统计见表1所示。

Table 1. Variable definitions and descriptive statistics (N = 2552)

表1. 变量定义及描述性统计情况(N = 2552)

变量类型	变量名称	变量符号	均值	标准差	极小值	极大值
被解释变量	生鲜产品销量	lnSaleit	9.839	1.379	0	15.34
核心解释变量	新增粉丝量	lnNfansit	9.248	1.432	5.572	14.70
调节变量	平均停留时长	lnStaytimeit	4.309	0.461	3.258	6.068
	产品线宽度	lnWidthit	0.460	0.464	0	1.386
控制变量	留存率	Lcrateit	0.292	0.125	0.0610	0.787
	直播时长	lnTimeit	13.20	0.967	9.659	15.33
	上架商品数	lnProductit	6.565	1.075	2.197	9.998
	点赞数	lnThumbsit	13.49	1.639	8.333	21.18
	产品均价	lnPriceit	4.632	0.803	2.230	7.737

4.3. 模型设计

本研究采用双向固定效应模型来拟合面板数据，模型中包含了个体固定效应和时间固定效应，提升了模型的解释能力。模型公式如下：

$\ln {\text{Sale}}_{it}={\beta }_0+{\beta }_1\ln {\text{Nfans}}_{it}+{\beta }_2{\text{Control}}_{it}+{\mu }_i+{\lambda }_t+{\epsilon }_{it}$ (1)

为了进一步讨论平均停留时长和产品线宽度对上述影响效应的调节作用，在模型(1)的基础上，分别加入自变量和调节变量的交乘项，模型公式如下：

$\ln Sal{e}_{it}={\alpha }_0+{\alpha }_1\ln Nfan{s}_{it}+{\alpha }_{2}Contro{l}_{it}+{\alpha }_3\ln Staytim{e}_{it}+{\alpha }_4\ln Nfan{s}_{it}\times \ln Staytim{e}_{it}+{\mu }_i+{\lambda }_t+{\epsilon }_{it}$ (2)

$\ln Sal{e}_{it}={\alpha }_0+{\alpha }_1\ln Nfan{s}_{it}+{\alpha }_{2}Contro{l}_{it}+{\alpha }_3\ln Widt{h}_{it}+{\alpha }_4\ln Nfan{s}_{it}\times \ln Widt{h}_{it}+{\mu }_i+{\lambda }_t+{\epsilon }_{it}$ (3)

公式中，i表示主播；t表示直播场次；Control_it表示其他控制变量；β₀和ɑ₀为常数项，β₁~β₂、ɑ₁~ɑ₄均为系数；μ_i、λ_t、ε_it分别表示个体效应、时间效应和随机扰动项。

5. 实证研究

5.1. 基准回归

经相关系数计算发现大部分变量在1%的水平上显著，较为理想；方差膨胀系数检验VIF = 2.14，说明该模型中的各变量之间不存在多重共线性问题；怀特检验p值为0.0000，存在异方差，因而使用稳健标准误；豪斯曼检验p值为0.0000，拒绝原假设。本文分别采取随机效应、固定效应和双向固定效应模型回归，在通过检验下考虑使用双向固定效应模型，且该模型拟合优度最高。

基准回归结果见表2所示。第(5)列为新增粉丝量对生鲜产品销量的双向固定回归结果，可见，新增粉丝量的回归系数在1%的统计水平上显著为正，表明新增粉丝量对生鲜产品销量的提升有显著的促进作用，第(6)列为加入控制变量后的回归结果，可见新增粉丝量回归系数变小，说明在不考虑控制变量的前提下单独分析新增粉丝量对生鲜产品销量的影响，会夸大其促进作用。本文假设H1a得到验证，即新增粉丝量越高，直播间生鲜产品销量越高。从控制变量的回归结果来看，粉丝留存率和主播直播时长均能起到提升销量的作用，而商品均价起到抑制销量的作用。

Table 2. Benchmark regression results

表2. 基准回归结果

变量	随机效应模型		固定效应模型		双向固定效应模型
	(1)	(2)	(3)	(4)	(5)	(6)
新增粉丝量	0.566^***	0.471^***	0.555^***	0.463^***	0.565^***	0.470^***
	(0.025)	(0.025)	(0.028)	(0.028)	(0.029)	(0.028)
留存率		0.976^***		0.818^***		0.739^***
		(0.243)		(0.262)		(0.251)
直播时长		0.103^**		0.312^***		0.298^***
		(0.048)		(0.077)		(0.075)
上架商品数		0.159^***		0.088		0.062
		(0.036)		(0.054)		(0.051)
点赞数		0.044^*		0.017		0.036
		(0.024)		(0.028)		(0.027)
产品均价		−0.498^***		−0.438^***		−0.494^***
		(0.049)		(0.068)		(0.070)
常数项	4.606^***	4.505^***	4.705^***	2.426^***	4.692^***	2.807^***
	(0.240)	(0.580)	(0.259)	(0.824)	(0.262)	(0.830)
样本量	2,552	2,552	2552	2552	2552	2552
R^2	0.382	0.459	0.382	0.466	0.434	0.522
时间效应	NO	NO	No	No	YES	YES
个体效应	NO	NO	YES	YES	YES	YES

注：括号内数字代表估计系数的标准误，^*、^**、^***分别表示系数在10%、5%、1%的显著性水平显著。下同。

5.2. 稳健性检验

本文采用替代被解释变量、剔除异常值、工具变量法进行稳健性检验。结果见表3所示。首先，由于直播间生鲜产品销售额与销量有一定相关性，故采用生鲜产品销售额替代被解释变量，并使用双向固定效应模型进行回归检验。其次，为了减少异常值对研究结果的潜在影响，将所有数据进行前后各1%的缩尾处理后进行回归分析。最后，考虑到新增粉丝量与生鲜产品销量之间可能存在反向因果关系及遗漏变量等问题，参考以往学者的做法，选取解释变量滞后一期项作为工具变量，利用两阶段工具变量法来检验。三种方法回归结果与上文结论均一致，进一步说明了本文结论的稳健性和可靠性。

Table 3. Robustness test

表3. 稳健性检验

变量	(1)	(2)	(3)
	替代被解释变量	剔除异常值	工具变量法
新增粉丝量	0.470^***	0.467^***	0.405^***
	(0.028)	(0.027)	(18.02)
留存率	0.739^***	0.756^***	0.714^***
	(0.251)	(0.249)	(3.90)
直播时长	0.298^***	0.303^***	−0.107^***
	(0.075)	(0.077)	(−5.00)
上架商品数	0.062	0.062	0.141^***
	(0.051)	(0.050)	(7.42)
点赞数	0.036	0.039	0.079^***
	(0.027)	(0.027)	(4.18)
产品均价	0.506^***	−0.558^***	−0.696^***
	(0.070)	(0.051)	(−27.43)
常数项	2.807^***	3.038^***	8.515^***
	(0.830)	(0.854)	(25.51)
样本量	2552	2552	2,233
R^2	0.537	0.541	0.626
时间效应	YES	YES	YES
个体效应	YES	YES	YES

5.3. 异质性分析

5.3.1. 粉丝规模异质性

考虑到新增粉丝量对生鲜产品销量的影响在不同粉丝量主播之间存在差异。为检验研究结果的可靠性，首先将主播根据基础粉丝量分为头部、腰部和尾部主播，探讨了不同层级的主播新增粉丝量与生鲜产品销量之间的关系[10]，结果见表4所示。综合来看，头部、腰部和尾部主播新增粉丝量与生鲜产品销量之间均存在显著正向关系，且在尾部和腰部主播中表现更加显著。本文假设H1b得到验证。原因如下：首先，头部主播因已经拥有大量粉丝基础和声誉基础，故在直播间上架的产品品类较多，更注重展示产品，与粉丝互动较少；尾部和腰部主播更倾向于与新增粉丝互动，建立信任和忠诚度，促进产品销售。其次，头部主播为吸引曝光，常设弹幕任务或抽奖，导致弹幕增加，忽略粉丝提问，降低购买意愿。

Table 4. Heterogeneity test results for head, waist, and tail anchors

表4. 头部、腰部和尾部主播的异质性检验结果

变量	(1)	(2)	(3)
	头部	腰部	尾部
新增粉丝量	0.315^***	0.527^***	0.461^***
	(0.061)	(0.045)	(0.037)
留存率	0.764	0.574	0.978^***
	(0.457)	(0.418)	(0.358)
直播时长	0.663^***	0.169	0.400^***
	(0.130)	(0.117)	(0.086)
上架商品数	−0.076	0.120	0.008
	(0.119)	(0.078)	(0.065)
点赞数	−0.043	0.072^*	−0.022
	(0.077)	(0.039)	(0.033)
产品均价	−0.569^***	−0.480^***	−0.487^***
	(0.091)	(0.134)	(0.081)
常数项	2.686^*	3.116^**	2.480^**
	(1.510)	(1.389)	(1.010)
N	352	1272	928
R^2	0.563	0.542	0.533
时间效应	YES	YES	YES
个体效应	YES	YES	YES

5.3.2. 主播行业异质性

此外，本文根据主播所属行业探究不同行业主播新增粉丝量与生鲜产品销量之间的关系，结果见表5所示。根据结果来看，美食行业和非美食行业新增粉丝量与生鲜产品销量之间均存在显著正向关系，且美食行业主播的影响更加显著。原因在于，主播直播带货过程中，粉丝的消费行为同时受到自身因素的限制和主播所属行业的影响，不同行业的主播引发不同程度的粉丝效应[11]。一方面，主播的行业背景对粉丝的消费行为产生影响，美食行业主播擅长制造食欲和好奇心，通过展示精美食材和制作过程唤起观众购买欲望。另一方面，专业的介绍增加粉丝对产品的信任感，提高认可度，主播引发的非理性因素对粉丝的决策影响更大，对生鲜产品销售的正向影响越大。

Table 5. Results of heterogeneity in the gastronomy and non-gastronomy sectors

表5. 美食行业和非美食行业的异质性检验结果

变量	(1)	(2)
	美食行业	非美食行业
新增粉丝量	0.495^***	0.421^***
	(0.036)	(0.046)
留存率	0.866^**	0.377
	(0.338)	(0.396)
直播时长	0.306^***	0.296^***
	(0.109)	(0.093)
上架商品数	0.059	0.064
	(0.064)	(0.081)
点赞数	0.014	0.097^*
	(0.030)	(0.055)
产品均价	−0.579^***	−0.403^***
	(0.065)	(0.117)
常数项	3.147^***	2.187^**
	(1.175)	(1.038)
N	1680	872
R^2	0.559	0.465
时间效应	YES	YES
个体效应	YES	YES

5.4. 调节效应检验

本文在基础模型上分别加入新增粉丝量与平均停留时长的交互项以及新增粉丝量与产品线宽度的交互项，检验平均停留时长和产品线宽度在新增粉丝量影响生鲜产品销量过程中的调节效应，实证结果见表6和表7所示。表6和表7中第(1)列是对全样本进行回归，从结果可以看出，新增粉丝量对生鲜产品销量的影响显著为正，同时交互项的回归系数在1%的统计水平上显著为负，表明平均停留时长和产品线宽度对生鲜产品销量有负向调节作用，抑制生鲜产品销量的增加，验证了本文假设H2和H3。

表6和表7中第(2) (3)列分别按照主播行业进行回归，可见，平均停留时长的交互项在两个行业中回归中系数均是显著的，其中在美食行业主播中更显著；而产品线宽度的调节作用在美食行业主播中显著，而在非美食行业主播中不显著。分析原因：第一，美食行业主播竞争激烈，为吸引粉丝和提高销量，主播更加注重直播内容的质量和趣味性，延长消费者的停留时长，调节效应显著。第二，消费者对生鲜产品的鲜度和品质有较高要求，对美食主播有附加心理预期。若产品线过于宽泛，会稀释主播品牌形象，降低信任度，产生负向调节作用。而在非美食行业主播直播间，粉丝通常不会有过高心理预期。

Table 6. The results of the moderating effect test of lnStaytime_it

表6. 平均停留时长的调节效应检验结果

变量	(1)	(2)	(3)
	全部主播	美食行业	非美食行业
新增粉丝量	0.484^***	0.504^***	0.440^***
	(0.026)	(0.032)	(0.042)
新增粉丝量 × 平均停留时长	−0.176^***	−0.189^***	−0.170^***
	(0.034)	(0.045)	(0.051)
控制变量	YES	YES	YES
常数项	2.053^**	2.735^**	0.121
	(0.840)	(1.128)	(1.134)
样本量	2552	1680	872
R^2	0.535	0.574	0.486
时间效应	YES	YES	YES
个体效应	YES	YES	YES

Table 7. The results of the moderating effect test of lnWidth_it

表7. 产品线宽度的调节效应检验结果

变量	(1)	(2)	(3)
	全部主播	美食行业	非美食行业
新增粉丝量	0.475^***	0.496^***	0.430^***
	(0.027)	(0.034)	(0.046)
新增粉丝量 × 平均停留时长	−0.108^***	−0.152^***	−0.042
	(0.037)	(0.046)	(0.061)
控制变量	YES	YES	YES
常数项	2.670^***	2.933^**	2.151^**
	(0.832)	(1.155)	(1.051)
样本量	2552	1680	872
R^2	0.525	0.567	0.468
时间效应	YES	YES	YES
个体效应	YES	YES	YES

6. 结论与政策建议

本文通过分析新增粉丝量对于生鲜产品销量的影响以及消费者平均停留时长和上架商品的产品线宽度在二者之间的调节效应得出如下结论。第一，主播新增粉丝量对生鲜产品销量有促进作用，稳健性和异质性检验均支持这一结论。第二，新增粉丝量对生鲜产品销量的促进作用在不同粉丝规模和不同行业主播均存在差异，其中腰部和尾部主播效果更为显著，美食行业主播效果优于非美食行业主播。第三，平均停留时长和产品线宽度对新增粉丝量与生鲜产品销量的关系存在负向调节效应，在美食行业主播的直播间调节效果显著。立足以上研究结论，提出如下建议：

1) 主播方面，主播可通过优化直播内容、提升互动体验及增加直播形式来吸引观众。通过实时直播展示农产品的施肥、除草、采摘等日常管理过程，或将农产品从种植到收获的全过程录制视频并上传网络平台，供消费者随时在线观看，以提升信息公开和透明程度，增强消费者对农产品质量安全信任的感知。针对产品线宽度的调节效应，主播可根据消费者需求和市场趋势，精选符合目标受众口味的生鲜产品，坚持从消费者需求出发，向消费者推荐性价比高的优质商品，以满足观众的需求。

2) 平台方面，对于腰部和尾部主播，平台应该加大流量投入与关注，使流量资源实现均衡化。平台可以为主播提供更多的直播支持和资源，包括技术支持、推广资源等，通过提供更好的服务，吸引更多主播入驻平台，增加用户粘性。直播平台应承担多方责任，包括加强对主播专业素质和业务能力的培训与监督，加强对供应链各环节(如主播和商家)的监管，从而提升消费者对产品和服务的信心。

3) 企业方面，企业应该与头部主播开展长期直播合作，通过多样化直播模式满足消费者情感需求，并且充分发挥头部主播高粉丝量的“马太效应”。同时，企业应该注重生鲜农产品质量和服务体验，提供优质的生鲜产品和售后服务，通过讲述生鲜产品背后的故事和品牌理念，吸引消费者的情感共鸣，增强消费者信任感和忠诚度，促进销量增长。