彈幕視頻播放量影響因素與組態(tài)效應*

陳明紅，黃嘉樂，方世深，黃涵慧

0 引言

信息技術的跨越式發(fā)展與移動互聯(lián)網的全面普及，使在線視頻成為全球互聯(lián)網用戶的核心網絡活動[1]。據Cisco統(tǒng)計，截至2020年底，在線視頻流量占互聯(lián)網總流量的80%[2]，用戶滲透率高于90%[3]。此外，CNNIC的最新報告顯示，中國的網絡視頻用戶規(guī)模已達9.27億，其中短視頻用戶規(guī)模為8.73億，占整體網民的88.3%[4]。為了更好地滿足用戶的娛樂與社交需求，提升視頻播放體驗，各視頻網站紛紛引入彈幕這種新型的在線評論與互動方式，提供彈幕視頻服務。彈幕視頻使用戶能夠發(fā)送“彈幕”形式的簡短評論來反映自己的即時觀感，并將其展示給其他視頻用戶，不僅從感官上帶來新的體驗，也有利于從情感上增強用戶的認同感與歸屬感，形成參與式文化。目前彈幕視頻的受眾范圍不斷擴大，國內主流視頻平臺相繼推出彈幕功能，使用彈幕逐漸成為視頻用戶的既定習慣[5]。

彈幕視頻有別于傳統(tǒng)視頻，其使用行為動機也存在很大差異[6]，影響彈幕視頻播放行為的因素和作用機制更為復雜[7]。一方面，彈幕是一種同步信息交互方式，將用戶評論以動態(tài)字幕的方式實時呈現于視頻中，突破了視頻單向傳播的桎梏，改變了傳播主體與受眾間的不對等關系，用戶通過彈幕表達自我并獲得群體認同感，創(chuàng)作彈幕和播放視頻的積極性高漲；另一方面，彈幕可能改變用戶的感知結構[8]，其內容簡短，只言片語的移動字幕流可能分散用戶注意力，使得用戶產生侵擾體驗[9]。目前，彈幕視頻的開發(fā)應用逐漸受到業(yè)界重視，相關問題也引起了學界關注，部分研究對彈幕視頻傳播效果或評論行為的影響因素進行了探索性研究[10-11]，但對彈幕視頻播放量及影響因素的研究還不夠深入，構建的模型較簡單。鑒于此，本文以詳盡可能性模型(Elaboration Likelihood Model，ELM)為理論框架，以國內最具影響力之一的彈幕視頻平臺——“嗶哩嗶哩彈幕網”(以下簡稱“B站”)為數據來源，綜合采用多元層次回歸和模糊集定性比較分析法(fsQCA)探究彈幕視頻播放量的影響因素及組態(tài)效應。

1 文獻綜述

1.1 彈幕視頻研究

彈幕起源于日本Niconico網站提供的直播評論，因其全新的用戶體驗與信息交互模式而深受用戶青睞，也使得Niconico一度成為日本用戶訪問量排名第八的網站[12]。在我國，AcFun和B站最早提供彈幕服務，如今彈幕應用已十分普遍，除視頻網站外，各種直播、音樂和閱讀服務均有彈幕功能。彈幕的興起與流行吸引了不少學者關注，研究成果主要集中在傳播、語言文化、營銷管理、圖書情報等學科領域：傳播學關注的是彈幕的生產模式與傳播效果[13-14]；語言文化領域著重分析彈幕的語言特征與文化體系[15-16]；營銷管理聚焦于彈幕對購買意愿與消費行為影響的研究[17-18]；圖書情報領域學者較早涉獵彈幕視頻研究，重點針對彈幕內容、使用行為與影響等問題展開研究。典型的研究包括：仝沖、王敏等利用網絡爬蟲獲取B站彈幕文本數據，分析彈幕的主題內容、使用動機與情感特征[7，19]；王贇芝等采用扎根理論方法分析彈幕視頻使用行為的驅動因素[20]；湯正午調查了我國高校圖書館應用彈幕視頻服務的現狀與問題[21]；趙雪芹等利用問卷調查彈幕關閉行為的影響因素[22]；陳憶金等通過分析B站的彈幕數據總結用戶交互行為特征[23]；Chen等采用問卷調查法分析影響彈幕觀看的積極與消極因素[24]。總體上，彈幕視頻的相關研究較為豐富，但多數研究的方法較為單一，對彈幕視頻播放量的關注度不夠，缺乏采用混合方法，利用彈幕視頻網站客觀數據從多個方面揭示彈幕視頻播放行為特征與播放量的影響機制。

1.2 ELM及應用研究

ELM 由 Cacioppo 和 Petty 提出，用于解釋人們在處理和接受信息過程中，如何通過中心路徑和邊緣路徑進行評估和判斷以形成最優(yōu)的行為決策[25]。當人們具有較強的動機和能力時，通常采取精細加工可能性高的中心路徑，此時人們相對比較理性，關注問題的核心和本質，注重信息內容的理性程度與邏輯性，需要更多認知努力[26]；當人們不愿意或者沒有足夠能力和資源時，傾向于采取精細加工可能性低的邊緣路徑，常常根據簡單的、非核心的信息線索進行大致判斷，比較關注感性的、形式化因素。ELM為解釋信息處理和行為意向提供了一個有效的通用解釋框架[27]，廣泛和深入地應用于各種信息行為研究中。例如，Shi研究表明信息相關性和豐富程度作為中心路徑，來源可信度和社交聯(lián)系強度等作為邊緣路徑，均對社交網絡用戶信息傳播行為產生重要影響[28]；魏武將在線知識付費產品的內容質量和來源可信度分別視為中心路徑和邊緣路徑，發(fā)現邊緣路徑并不影響用戶付費意愿[29]。從信息處理與采納視角看，彈幕視頻播放也需要根據個人動機與能力，理性思考和對比彈幕視頻的內容與來源特征，選擇最佳的信息處理路徑。因此，ELM對于彈幕視頻播放研究具有很好的適用性。

2 模型建構與假設

遵循ELM理論框架，充分考慮彈幕視頻獨特的“彈幕”機制，將彈幕視頻播放量作為結果變量，將彈幕視頻網的非文本特征作為前因變量，構建研究模型。如圖1 所示，在中心路徑中，彈幕視頻量的影響因素與視頻本身相關，包括視頻彈幕數、視頻點贊數、視頻評論數和視頻轉發(fā)數；在邊緣路徑中，影響因素與視頻作者相關，包括視頻作者粉絲數和作者投稿數。此外，彈幕視頻數和視頻時長作為調節(jié)變量，調節(jié)各中心路徑與邊緣路徑對視頻播放量的影響關系。

圖1 理論研究模型

2.1 中心路徑

在ELM中，中心路徑和邊緣路徑并不是固定的，主要根據信息處理的深度來區(qū)分[30-31]。一般來說，中心路徑對應用戶理性認知因素。當用戶采取中心路徑時，用戶參與度更高，更加系統(tǒng)而精細地評估多種依據，尤其重視與信息本身相關的因素，如信息質量、信息有用性、信息價值等[32]。對于彈幕視頻，相較于情境和條件等非內容線索，用戶對視頻內容進行信息深加工需要耗費更多認知努力才能形成相應的認知，并以此作為發(fā)表彈幕評論、點贊和轉發(fā)視頻等行為的決策依據。因此，彈幕數、點贊數、評論數和轉發(fā)數與彈幕視頻內容緊密相關，是用戶對彈幕視頻質量和價值的量化評價指標，在一定程度上代表用戶對彈幕視頻內容的認可度，將以上4個因素作為影響彈幕視頻播放的中心路徑是合理的。

(1)視頻彈幕數與播放量。彈幕是用戶在觀看視頻時及時發(fā)送的滾動式簡短評論，內容較為碎片化，具有很強的互動性和及時性[33]。用戶可以在視頻播放過程中針對視頻或彈幕發(fā)出新的彈幕[34]，不僅有利于用戶獲得認同感，還能夠提升視頻網站的可持續(xù)使用意愿[3]。彈幕數量反映了視頻激發(fā)用戶即時交互的能力，彈幕數量越多代表用戶交互越多，說明用戶越感興趣，也就越有可能播放視頻，因而彈幕數與視頻播放量之間可能存在以下關系：

H1：視頻彈幕數對播放量具有顯著的正向影響。

(2)視頻點贊數與播放量。點贊直接反映受眾對相關內容的支持、肯定、接受或滿意程度[35]。彈幕視頻一旦獲得用戶認同或支持，更容易獲得更多點贊，進而促進視頻播放行為，原因在于，一方面，類似于社交網絡行為，視頻播放行為由視頻、用戶、點贊數等多方面因素共同促成；另一方面，點贊總數代表用戶群體態(tài)度，受從眾思維影響，人們很可能傾向于播放點贊數多的視頻，表現出一定的“羊群效應”。因此，點贊數可以體現彈幕視頻內容能否滿足用戶需求，能否得到用戶肯定，點贊數為彈幕視頻播放提供了推動力，點贊數與播放量之間可能具有如下關系：

H2：視頻點贊數對播放量具有顯著的正向影響。

(3)視頻評論數與播放量。評論和彈幕都是重要的信息交互方式，但存在顯著差異，評論是一種異步的非匿名的信息交互方式，用戶交互更加深入，而彈幕交互比較簡短。評論數在一定程度上代表受眾的關注度，例如，張璐指出評論數高的視頻吸引力更大[33]。對于彈幕視頻播放，評論數量作為中心路徑，反映了視頻用戶的熱議程度。評論數越多意味著由用戶提供的信息越豐富，那么越有利于用戶從中心路徑獲得更多認知線索[36]，這些線索會影響用戶自身對視頻的處理和決策?？梢?，視頻評論數可能對播放量具有積極影響，相關假設如下：

H3：視頻評論數對播放量具有顯著的正向影響。

(4)視頻轉發(fā)數與播放量。轉發(fā)是用戶融入個人認知后形成的二次信息擴散，能夠迅速擴大信息傳播面和影響力。已有研究大多關注信息轉發(fā)行為的影響因素[37]，或通過發(fā)布者與轉發(fā)者特征、信息內容屬性等預測轉發(fā)行為是否發(fā)生及演變趨勢[38]，較少研究轉發(fā)數對后續(xù)信息行為的影響。相較于點贊與評論，轉發(fā)是更高卷入度的信息傳播行為[39]。人們常常因為強化自我、維持社會關系或利他而主動轉發(fā)和分享信息內容，可能形成刷屏并促進信息的進一步深入使用。因此，將視頻轉發(fā)數作為中心路徑的信息性特征，提出其對播放量具有如下假設關系：

H4：視頻轉發(fā)數對播放量具有顯著的正向影響。

2.2 邊緣路徑

邊緣路徑對應用戶感性認知因素。當用戶根據邊緣路徑決策時，投入較少的努力，依賴一些容易獲得的外部線索(如信息來源、易用性、口碑等)做較為簡單和直觀的判斷。在有關彈幕視頻的諸多非文本特征中，制作并上傳視頻的作者粉絲數和投稿數這2個因素與表征內容特征的彈幕數、點贊數等因素相比，用戶對其感知更為直觀，信息處理水平和層次較低。參考已有研究[40]，將內容作者的相關特征作為邊緣路徑，探究視頻作者粉絲數和投稿數如何影響視頻播放量。

(1)視頻作者粉絲數與播放量。在以用戶為中心的新媒體信息傳播中，粉絲數直接反映了賬號與平臺的影響力和受歡迎程度，因此成為運營賬號價值評價的關鍵要素。從社交媒體信息傳播規(guī)律看，賬號粉絲數越多，其發(fā)布的信息就越容易傳播[41]，同時粉絲數作為社交媒體信息的聲譽特征[42]，也是用戶關注的重點[43]。ELM 的應用研究表明，粉絲數一般從邊緣路徑影響信息和知識傳播[44]。對于彈幕視頻的分享與傳播，視頻作者同樣具有信息發(fā)布者的群體特征，作者粉絲數對視頻播放也具有類似的促進作用[45]。因此，本研究認為視頻作者粉絲數與播放量之間具有如下關系：

H5：視頻作者粉絲數對播放量具有顯著的正向影響。

(2)視頻作者投稿數與播放量。投稿數反映了視頻作者的活躍度[46]。在B站，視頻投稿用戶稱為“UP主”[47]，據統(tǒng)計，目前B站月均活躍UP主超200萬，月均視頻投稿量達770萬[48]，說明視頻更新快、生命周期短。視頻作者為了保持傳播熱度和賬號的曝光率，需要保持較高的投稿頻率和更新頻率，持續(xù)輸出內容[49]。視頻作者的投稿數越多，部分視頻可能更容易推送給用戶，客觀上提升了視頻播放量，因此，視頻作者投稿數與播放量可能具有如下關系：

H6：視頻作者投稿數對播放量具有顯著的正向影響。

2.3 調節(jié)變量

在ELM中，用戶選擇的路徑與其動機和能力直接有關，同時受到調節(jié)變量的影響，本研究將彈幕數和視頻時長作為調節(jié)變量。

(1)彈幕數的調節(jié)作用。彈幕數是用戶對視頻的實時評價，是衡量用戶參與度的重要指標，彈幕數越多，代表用戶的參與程度越高。彈幕內容多元化，用詞新奇，懸浮并滾動在視頻畫面中，因而吸引了眾多用戶參與或觀看，與此同時，彈幕可能存在內容空洞、表達粗糙等問題，過量的彈幕可能會降低視頻觀看的視覺體驗和沉浸體驗，增加用戶認知負擔，降低用戶播放彈幕視頻的行為意愿[50]。龔詩陽的研究指出，人們的注意力資源總是有限的，用戶在觀看高質量的視頻時，會在視頻內容上耗費更多注意力，在社交方面分配的注意力相對較少[51]。隨著彈幕數量的不斷增加，彈幕對視頻播放的促進作用逐漸弱化，甚至可能引起負面效應，因此，我們認為彈幕數對視頻特征與播放量以及作者特征與播放量間的影響關系具有負向調節(jié)作用，相關假設如下：

Ha1：彈幕數負向調節(jié)視頻點贊數對播放量的影響。

Ha2：彈幕數負向調節(jié)視頻評論數對播放量的影響。

Ha3：彈幕數負向調節(jié)視頻轉發(fā)數對播放量的影響。

Ha4：彈幕數負向調節(jié)視頻作者粉絲數對播放量的影響。

Ha5：彈幕數負向調節(jié)視頻作者投稿數對播放量的影響。

(2)視頻時長的調節(jié)作用。視頻時長直接反映視頻信息的豐富度。從信息使用行為規(guī)律看，長視頻承載的信息量更大，受眾更容易理解。然而，在用戶生產內容的新媒體環(huán)境下，視頻數量巨大，人們難以長時間集中注意力，更樂于接收碎片化信息，因而視頻長短可能成為影響視頻播放的重要因素[52]。例如，王程偉指出高播放、高點贊的熱門政務視頻中，70%的視頻時長為30 秒以內，說明短視頻更受公眾歡迎[53]。此外，也有研究指出視頻時長對視頻點贊、轉發(fā)等行為的影響不大[54]。由于B站既有短視頻，也有許多超過半小時的長視頻，為了探究視頻時長對播放行為的影響，借鑒已有研究，將視頻時長作為調節(jié)變量，認為視頻時長對視頻特征與播放量以及作者特征與播放量間的影響關系具有負向調節(jié)作用，相關假設如下：

Hb1：視頻時長負向調節(jié)視頻彈幕數對播放量的影響。

Hb2：視頻時長負向調節(jié)視頻點贊數對播放量的影響。

Hb3：視頻時長負向調節(jié)視頻評論數對播放量的影響。

Hb4：視頻時長負向調節(jié)視頻轉發(fā)數對播放量的影響。

Hb5：視頻時長負向調節(jié)視頻作者粉絲數對播放量的影響。

Hb6：視頻時長負向調節(jié)視頻作者投稿數對播放量的影響。

3 數據收集與處理

3.1 數據收集

B站較早引進彈幕機制，因其彈幕吸引了眾多用戶，成為流行的彈幕視頻平臺，因此選取B站彈幕視頻作為數據來源。由于B站彈幕視頻在新發(fā)布時，其點贊數、播放數等數據還不穩(wěn)定，可能具有較大變化，為了提高研究結果的客觀性，采集發(fā)布一定時間后各項數據相對穩(wěn)定的彈幕視頻。根據觀察，B站根據視頻上傳的先后順序對其進行從小到大的編號，視頻編號越大，對應的視頻上傳時間離當前越近。利用網絡爬蟲“八爪魚”軟件，爬取B站從視頻編號30000000到30010000 的視頻數據，各項指標比較穩(wěn)定。采集的數據包括視頻的播放量、點贊數、彈幕數、評論數、轉發(fā)數、視頻時長、視頻作者粉絲數和視頻作者投稿數，將采集的數據進行去重、刪除缺失值等處理，最終得到有效視頻2，530個。

3.2 描述性統(tǒng)計分析

描述性統(tǒng)計分析結果如表1所示，播放量、點贊數、彈幕數、評論數、轉發(fā)數的最大值與最小值均有較大差異，可能是由視頻類型、視頻質量、作者知名度等方面原因引起的。視頻時長的均值為8.87分鐘，說明B站的多數視頻為短視頻。另外，所有變量的偏度均大于3，表明樣本數據各指標值呈偏態(tài)分布。

表1 描述性統(tǒng)計結果

4 層次回歸分析

4.1 主效應檢驗

首先，采用自然對數變換以減小各變量數值差異帶來的影響，并將偏態(tài)分布轉換為正態(tài)分布，對數變換后的變量如表2所示。其次，為了清晰地揭示中心路徑、邊緣路徑和調節(jié)變量對彈幕視頻播放量的影響，分別將LN彈幕數、LN點贊數、LN評論數、LN轉發(fā)數、LN視頻作者粉絲數、LN視頻作者投稿數作為自變量，并逐步加入自變量與調節(jié)變量的交互項，采用層次回歸分析法進行分析，除點贊數的VIF 值稍高于10 以外，其余變量的VIF值均低于10，說明各模型自變量間不存在嚴重的多重共線性。

表2 多重共線性檢驗VIF值

層次回歸結果如表3所示，LN彈幕數、LN點贊數、LN評論數、LN轉發(fā)數、LN視頻作者粉絲數、LN 視頻作者投稿數的標準系數分別為0.126，0.472，0.159，0.118，0.161，-0.093，P值均小于0.001，說明彈幕數、點贊數、評論數、轉發(fā)數作為中心路徑，與視頻播放量之間存在正相關關系，因此，假設H1、H2、H3、H4得到驗證；2個邊緣路徑的影響則不同，視頻作者粉絲數與播放量具有正相關關系，而視頻作者投稿數與播放量具有負相關關系，因此，假設H5得到驗證，H6則并未得到驗證。

表3 層次回歸分析結果

4.2 調節(jié)效應檢驗

由表3可知，彈幕數對部分影響路徑具有負向調節(jié)作用，視頻時長對所有影響路徑都有負向調節(jié)作用，對應的假設Ha1、Ha2、Ha3、Ha4、Hb1、Hb2、Hb3、Hb4和Hb5得以驗證。

為清晰地揭示調節(jié)效應及影響關系，制作調節(jié)效應關系圖。如圖2所示，高彈幕數條件下點贊數對播放量的影響低于低彈幕數條件下點贊數對播放量的影響，說明彈幕數的增加會減弱點贊數對播放量的促進作用。如圖3所示，高彈幕數條件下評論數對播放量的正向影響低于低彈幕數條件下評論數對播放量的正向影響，說明彈幕數的提高會削弱評論數對播放量的促進作用。

圖2 彈幕數對點贊數與播放量間關系的負向調節(jié)效應

圖3 彈幕數對評論數與播放量間關系的負向調節(jié)效應

如圖4所示，高彈幕數條件下轉發(fā)數對播放量的影響低于低彈幕數條件下轉發(fā)數對播放量的影響，說明彈幕數負向調節(jié)轉發(fā)數對播放量的促進作用。如圖5所示，高彈幕數條件下視頻作者粉絲數對播放量的正向影響低于低彈幕數條件下視頻作者粉絲數對播放量的正向影響，說明彈幕數的提高會減弱視頻作者粉絲數對播放量的促進作用。

圖4 彈幕數對轉發(fā)數與播放量間關系的負向調節(jié)效應

圖5 彈幕數對粉絲數與播放量間關系的負向調節(jié)效應

如圖6所示，視頻時長較短時的轉發(fā)數對播放量的影響高于視頻時長較長時彈幕數對播放量的影響，說明視頻時長的增加會減弱彈幕數對播放量的促進作用。如圖7所示，視頻時長較短時的點贊數對播放量的影響高于視頻時長較長時點贊數對播放量的影響，說明視頻時長的增加會減弱點贊數對播放量的促進作用。

圖6 視頻時長對彈幕數與播放量間關系的負向調節(jié)效應

圖7 視頻時長對點贊數與播放量間關系的負向調節(jié)效應

如圖8所示，視頻時長較短時的評論數對播放量的影響高于視頻時長較長時評論數對播放量的影響，說明視頻時長的增加會減弱評論數對播放量的促進作用。如圖9所示，視頻時長較短時的轉發(fā)數對播放量的影響高于視頻時長較長時轉發(fā)數對播放量的影響，說明視頻時長的增加會減弱轉發(fā)數對播放量的促進作用。

圖8 視頻時長對評論數與播放量間關系的負向調節(jié)效應

圖9 視頻時長對轉發(fā)數與播放量間關系的負向調節(jié)效應

如圖10所示，視頻時長較短時的視頻作者粉絲數對播放量的影響高于視頻時長較長時粉絲數對播放量的影響，說明視頻時長的增加會減弱粉絲數對播放量的促進作用。

圖10 視頻時長對粉絲數與播放量間關系的負向調節(jié)效應

綜上所述，假設檢驗結果如表4所示，17個假設中有3個假設不成立，其余14個假設均得以支持。在3個不成立的假設中，H6與原假設相反，Ha5的調節(jié)效應不顯著，Hb6中的自變量作者投稿數對播放量沒有影響。

表4 假設檢驗結果

5 模糊集定性比較分析

由于個別變量的VIF值較高，說明各個變量可能會形成組合效應對因變量產生影響，因此，在前文分析的基礎上，利用fsQCA探究彈幕視頻播放各影響因素間的組配效應，以突破傳統(tǒng)回歸分析方法對自變量相互獨立和因果對稱的限制。

5.1 數據校準

校準是模糊集定性比較分析首要步驟，即指定一個界定清晰的集合中的隸屬程度。首先，對變量值進行歸一化處理[55]，將原始數據映射到0～1之間以便于數據校準；其次，采用百分位數間接校準的方法，將排列在95%、50%、5%的數值分別作為完全隸屬、最大模糊值與完全不隸屬的臨界點；最后，為避免0.5的隸屬度，將所有小于1的隸屬度數值加上0.001[56]。

5.2 必要性分析

單一前因變量的必要性檢測得到的是導致結果變量的必要條件，該步驟是構建真值表的重要前提，而真值表分析實質上是進行充分性分析?；谛屎髷祿瑢η耙蜃兞窟M行必要性分析后，得到各變量的一致性與覆蓋度，當一致性≥0.9時，對應變量為結果發(fā)生的必要條件。如表5所示，LN彈幕數的一致性為0.93，表明彈幕數是影響彈幕視頻播放量的必然因素，其余變量的一致性未達到0.9，則需通過真值表的組態(tài)分析來評估其充分性程度。

表5 單一前因變量的必要性

5.3 前因變量組態(tài)分析

為了分析各變量間組態(tài)效應對視頻播放量的影響，需要構建真值表探究影響機制。在fsQCA3.0軟件中，一致性閾值采用默認參數值0.8，頻數閾值設置為4，并剔除PRI值低于0.75的案例集合，得到復雜解、中間解與簡單解3種形式的邏輯組配，采用復雜解、中間解及簡單解對有實際觀察的案例進行組態(tài)分析，其中，復雜解只包含實驗中所觀察到的組態(tài)，中間解納入了具備理論或知識支持的非事實組態(tài)，而簡單解則納入了所有非事實組態(tài)并進行布爾最小化分析，具體如表6所示，復雜解與中間解得到的組態(tài)結果相同。

表6 彈幕視頻播放的前因變量組態(tài)

3種解均產生2條路徑，其中，中間解與復雜解的路徑相同，中間解與簡單解的路徑也基本吻合?！癓N 點贊數”“LN 評論數”“LN 轉發(fā)數”“LN視頻作者粉絲數”及“～LN視頻時長”是同時出現在中間解與簡單解的因素，為核心條件；“～LN視頻作者投稿數”僅出現在中間解而未出現在簡單解中，因而為邊緣條件。然而，簡單解缺失了必要條件“LN彈幕數”，其原因可能是必要條件在邏輯組配中被作為邏輯余項消除了。但是，相較于簡單解與復雜解，中間解具備一定的理論與實際知識支持，一般被視為是組態(tài)分析的最優(yōu)解，故將中間解得到的2種組態(tài)作為彈幕視頻播放量的有效影響加以探討。

組態(tài)一：LN彈幕數*LN點贊數*LN評論數*LN轉發(fā)數*LN視頻作者粉絲數，表明視頻質量與作者影響力同時對播放量具有重要影響。這與已有研究結論具有一致性，黃微等構建的推文熱度測度模型中指出，網絡推文的熱度可以由推文內容質量、推文作者影響力等指標共同進行測度[57]。彈幕視頻的播放量影響機制與其類似，彈幕視頻作者的粉絲數越多，其發(fā)布視頻的影響力和認可度越大，視頻播放量也隨之越高。

組態(tài)二：LN彈幕數*LN點贊數*LN評論數*LN 轉發(fā)數*～LN 視頻作者投稿數*～LN 視頻時長，反映了作者投稿數與視頻時長的負向影響。與已有研究結論類似，如王林等在機構微博傳播力影響因素研究中指出，微博內容質量越高，作者月發(fā)布微博數越少，微博傳播力越高，這與刷屏現象引起的粉絲厭煩有關[58]。類似地，彈幕視頻作者的投稿數越少，其發(fā)布的視頻質量越高、時長越短，視頻的播放量越高。

總之，“LN彈幕數”“LN點贊數”“LN評論數”和“LN轉發(fā)數”作為核心路徑，是影響視頻播放量的固定組配，即彈幕數、點贊數、評論數與轉發(fā)數的高低對視頻播放量具有十分重要的影響，說明視頻本身的這4個因素缺一不可，共同對播放量產生正向影響，這與層次回歸結果是一致的。

6 結論與討論

6.1 結論

基于ELM理論框架，運用層次回歸分析法探析彈幕視頻播放量影響因素，并在此基礎上，進一步采用fsQCA探析各影響因素間的組配效應，得到如下主要結論。

(1)層次回歸分析結果表明，視頻本身的相關因素作為影響視頻播放量的4個中心路徑，均對播放量產生顯著正向影響；視頻作者粉絲數和作者投稿數作為彈幕視頻的非內容特征，是影響用戶視頻播放的邊緣路徑，同樣是提升播放量的有效推動力；同時，本研究還發(fā)現了彈幕數在點贊數、評論數、轉發(fā)數、作者粉絲數與播放量之間，以及視頻時長在所有前因變量與播放量之間的負向調節(jié)作用。

(2)fsQCA 分析結果顯示，播放量的提升包含兩條路徑，解釋了播放量影響因素之間的組合作用。具體而言，路徑一，“LN彈幕數*LN點贊數*LN評論數*LN轉發(fā)數*LN視頻作者粉絲數”體現了視頻相關因素與投稿作者在彈幕視頻播放量提升中共同發(fā)揮作用；路徑二，“LN 彈幕數*LN點贊數*LN評論數*LN轉發(fā)數*～LN視頻作者投稿數*～LN視頻時長”反映了低投稿數、短視頻時長與高視頻質量的組合效應對彈幕視頻播放量具有激勵作用。此外，“LN彈幕數”“LN點贊數”“LN評論數”和“LN轉發(fā)數”形成影響視頻播放量的固定組配，是影響彈幕視頻播放量的核心路徑。

6.2 理論貢獻

在ELM的理論框架下，從中心路徑與邊緣路徑的角度構建彈幕視頻量影響因素模型，將視頻與投稿作者的相關因素作為自變量，將彈幕數與視頻時長作為調節(jié)變量。綜合采用層次回歸分析與fsQCA兩種方法，采集B站數據進行實證研究，分析各因素對彈幕視頻播放量的影響，并進一步探究對各影響因素之間的組合關系，識別出了影響播放量的兩條組合路徑。理論上看，采用混合方法識別彈幕視頻播放量的中心路徑，不僅是ELM的擴展與深入使用，也豐富了彈幕視頻播放行為影響的研究，為后續(xù)研究提供了較好的借鑒。

6.3 建議

根據層次回歸與fsQCA分析結果，為提升彈幕視頻服務，可從以下幾方面加以改進。

(1)重視視頻因素對播放量提升的激勵作用。彈幕視頻網站應充分重視彈幕數、點贊數、評論數和轉發(fā)數這些影響視頻播放的核心路徑，引導投稿作者重視視頻質量，鼓勵作者投稿高質量的短視頻，改變過度生活化和娛樂化的主流旋律，強化內容的實用價值，通過高品質內容吸引用戶參與互動，增加用戶粘性。此外，利用智能算法實現精準推薦，向目標用戶推薦契合度高的優(yōu)質視頻，優(yōu)化用戶體驗，從而促進彈幕視頻的快速和廣泛傳播。

(2)視頻投稿作者粉絲數與投稿數作為邊緣路徑也對視頻播放量具有一定影響，因此，彈幕視頻網站需要識別高質量視頻作者，并幫助高質量視頻投稿數多的作者吸引粉絲，例如，通過增加推薦、邀請其他知名作者與其合作創(chuàng)作視頻的方式，幫助提高粉絲數量；采取一些獎勵措施，激勵作者增加高質量視頻投稿。

(3)彈幕數和視頻時長作為調節(jié)變量對多條影響路徑產生調節(jié)作用。彈幕會占用用戶的認知資源，過量彈幕會增加用戶認知負擔，對彈幕視頻的播放起到反作用，因此需要合理控制視頻畫面顯示彈幕的數量。另外，視頻時間太長，用戶的專注力和關注度都會下降，可能產生倦怠態(tài)度和中輟行為，因此，彈幕網站應該控制視頻時長，用高質量的短視頻吸引和保留視頻用戶，增加用戶粘性。

6.4 不足與展望

本文的不足之處在于：一方面，只采用了B站視頻數據中的點贊數、播放數、彈幕數、評論數等數據外，尚未采用評論有用性、用戶情感等文本特征數據，后續(xù)研究可對這些數據進行挖掘以進行更加深入和全面的研究；另一方面，采用橫截面數據，從靜態(tài)視角研究播放量的影響因素，難以揭示視頻及其影響因素的變化。未來可針對此不足，從動態(tài)視角揭示彈幕視頻變化特征與影響機制的演變規(guī)律。