陈明红，黄嘉乐，方世深，黄涵慧

0 引言

信息技术的跨越式发展与移动互联网的全面普及，使在线视频成为全球互联网用户的核心网络活动[1]。据Cisco统计，截至2020年底，在线视频流量占互联网总流量的80%[2]，用户渗透率高于90%[3]。此外，CNNIC的最新报告显示，中国的网络视频用户规模已达9.27亿，其中短视频用户规模为8.73亿，占整体网民的88.3%[4]。为了更好地满足用户的娱乐与社交需求，提升视频播放体验，各视频网站纷纷引入弹幕这种新型的在线评论与互动方式，提供弹幕视频服务。弹幕视频使用户能够发送“弹幕”形式的简短评论来反映自己的即时观感，并将其展示给其他视频用户，不仅从感官上带来新的体验，也有利于从情感上增强用户的认同感与归属感，形成参与式文化。目前弹幕视频的受众范围不断扩大，国内主流视频平台相继推出弹幕功能，使用弹幕逐渐成为视频用户的既定习惯[5]。

弹幕视频有别于传统视频，其使用行为动机也存在很大差异[6]，影响弹幕视频播放行为的因素和作用机制更为复杂[7]。一方面，弹幕是一种同步信息交互方式，将用户评论以动态字幕的方式实时呈现于视频中，突破了视频单向传播的桎梏，改变了传播主体与受众间的不对等关系，用户通过弹幕表达自我并获得群体认同感，创作弹幕和播放视频的积极性高涨；另一方面，弹幕可能改变用户的感知结构[8]，其内容简短，只言片语的移动字幕流可能分散用户注意力，使得用户产生侵扰体验[9]。目前，弹幕视频的开发应用逐渐受到业界重视，相关问题也引起了学界关注，部分研究对弹幕视频传播效果或评论行为的影响因素进行了探索性研究[10-11]，但对弹幕视频播放量及影响因素的研究还不够深入，构建的模型较简单。鉴于此，本文以详尽可能性模型(Elaboration Likelihood Model，ELM)为理论框架，以国内最具影响力之一的弹幕视频平台——“哔哩哔哩弹幕网”(以下简称“B站”)为数据来源，综合采用多元层次回归和模糊集定性比较分析法(fsQCA)探究弹幕视频播放量的影响因素及组态效应。

1 文献综述

1.1 弹幕视频研究

弹幕起源于日本Niconico网站提供的直播评论，因其全新的用户体验与信息交互模式而深受用户青睐，也使得Niconico一度成为日本用户访问量排名第八的网站[12]。在我国，AcFun和B站最早提供弹幕服务，如今弹幕应用已十分普遍，除视频网站外，各种直播、音乐和阅读服务均有弹幕功能。弹幕的兴起与流行吸引了不少学者关注，研究成果主要集中在传播、语言文化、营销管理、图书情报等学科领域：传播学关注的是弹幕的生产模式与传播效果[13-14]；语言文化领域着重分析弹幕的语言特征与文化体系[15-16]；营销管理聚焦于弹幕对购买意愿与消费行为影响的研究[17-18]；图书情报领域学者较早涉猎弹幕视频研究，重点针对弹幕内容、使用行为与影响等问题展开研究。典型的研究包括：仝冲、王敏等利用网络爬虫获取B站弹幕文本数据，分析弹幕的主题内容、使用动机与情感特征[7，19]；王贇芝等采用扎根理论方法分析弹幕视频使用行为的驱动因素[20]；汤正午调查了我国高校图书馆应用弹幕视频服务的现状与问题[21]；赵雪芹等利用问卷调查弹幕关闭行为的影响因素[22]；陈忆金等通过分析B站的弹幕数据总结用户交互行为特征[23]；Chen等采用问卷调查法分析影响弹幕观看的积极与消极因素[24]。总体上，弹幕视频的相关研究较为丰富，但多数研究的方法较为单一，对弹幕视频播放量的关注度不够，缺乏采用混合方法，利用弹幕视频网站客观数据从多个方面揭示弹幕视频播放行为特征与播放量的影响机制。

1.2 ELM及应用研究

ELM 由 Cacioppo 和 Petty 提出，用于解释人们在处理和接受信息过程中，如何通过中心路径和边缘路径进行评估和判断以形成最优的行为决策[25]。当人们具有较强的动机和能力时，通常采取精细加工可能性高的中心路径，此时人们相对比较理性，关注问题的核心和本质，注重信息内容的理性程度与逻辑性，需要更多认知努力[26]；当人们不愿意或者没有足够能力和资源时，倾向于采取精细加工可能性低的边缘路径，常常根据简单的、非核心的信息线索进行大致判断，比较关注感性的、形式化因素。ELM为解释信息处理和行为意向提供了一个有效的通用解释框架[27]，广泛和深入地应用于各种信息行为研究中。例如，Shi研究表明信息相关性和丰富程度作为中心路径，来源可信度和社交联系强度等作为边缘路径，均对社交网络用户信息传播行为产生重要影响[28]；魏武将在线知识付费产品的内容质量和来源可信度分别视为中心路径和边缘路径，发现边缘路径并不影响用户付费意愿[29]。从信息处理与采纳视角看，弹幕视频播放也需要根据个人动机与能力，理性思考和对比弹幕视频的内容与来源特征，选择最佳的信息处理路径。因此，ELM对于弹幕视频播放研究具有很好的适用性。

2 模型建构与假设

遵循ELM理论框架，充分考虑弹幕视频独特的“弹幕”机制，将弹幕视频播放量作为结果变量，将弹幕视频网的非文本特征作为前因变量，构建研究模型。如图1 所示，在中心路径中，弹幕视频量的影响因素与视频本身相关，包括视频弹幕数、视频点赞数、视频评论数和视频转发数；在边缘路径中，影响因素与视频作者相关，包括视频作者粉丝数和作者投稿数。此外，弹幕视频数和视频时长作为调节变量，调节各中心路径与边缘路径对视频播放量的影响关系。

图1 理论研究模型

2.1 中心路径

在ELM中，中心路径和边缘路径并不是固定的，主要根据信息处理的深度来区分[30-31]。一般来说，中心路径对应用户理性认知因素。当用户采取中心路径时，用户参与度更高，更加系统而精细地评估多种依据，尤其重视与信息本身相关的因素，如信息质量、信息有用性、信息价值等[32]。对于弹幕视频，相较于情境和条件等非内容线索，用户对视频内容进行信息深加工需要耗费更多认知努力才能形成相应的认知，并以此作为发表弹幕评论、点赞和转发视频等行为的决策依据。因此，弹幕数、点赞数、评论数和转发数与弹幕视频内容紧密相关，是用户对弹幕视频质量和价值的量化评价指标，在一定程度上代表用户对弹幕视频内容的认可度，将以上4个因素作为影响弹幕视频播放的中心路径是合理的。

(1)视频弹幕数与播放量。弹幕是用户在观看视频时及时发送的滚动式简短评论，内容较为碎片化，具有很强的互动性和及时性[33]。用户可以在视频播放过程中针对视频或弹幕发出新的弹幕[34]，不仅有利于用户获得认同感，还能够提升视频网站的可持续使用意愿[3]。弹幕数量反映了视频激发用户即时交互的能力，弹幕数量越多代表用户交互越多，说明用户越感兴趣，也就越有可能播放视频，因而弹幕数与视频播放量之间可能存在以下关系：

H1：视频弹幕数对播放量具有显著的正向影响。

(2)视频点赞数与播放量。点赞直接反映受众对相关内容的支持、肯定、接受或满意程度[35]。弹幕视频一旦获得用户认同或支持，更容易获得更多点赞，进而促进视频播放行为，原因在于，一方面，类似于社交网络行为，视频播放行为由视频、用户、点赞数等多方面因素共同促成；另一方面，点赞总数代表用户群体态度，受从众思维影响，人们很可能倾向于播放点赞数多的视频，表现出一定的“羊群效应”。因此，点赞数可以体现弹幕视频内容能否满足用户需求，能否得到用户肯定，点赞数为弹幕视频播放提供了推动力，点赞数与播放量之间可能具有如下关系：

H2：视频点赞数对播放量具有显著的正向影响。

(3)视频评论数与播放量。评论和弹幕都是重要的信息交互方式，但存在显著差异，评论是一种异步的非匿名的信息交互方式，用户交互更加深入，而弹幕交互比较简短。评论数在一定程度上代表受众的关注度，例如，张璐指出评论数高的视频吸引力更大[33]。对于弹幕视频播放，评论数量作为中心路径，反映了视频用户的热议程度。评论数越多意味着由用户提供的信息越丰富，那么越有利于用户从中心路径获得更多认知线索[36]，这些线索会影响用户自身对视频的处理和决策。可见，视频评论数可能对播放量具有积极影响，相关假设如下：

H3：视频评论数对播放量具有显著的正向影响。

(4)视频转发数与播放量。转发是用户融入个人认知后形成的二次信息扩散，能够迅速扩大信息传播面和影响力。已有研究大多关注信息转发行为的影响因素[37]，或通过发布者与转发者特征、信息内容属性等预测转发行为是否发生及演变趋势[38]，较少研究转发数对后续信息行为的影响。相较于点赞与评论，转发是更高卷入度的信息传播行为[39]。人们常常因为强化自我、维持社会关系或利他而主动转发和分享信息内容，可能形成刷屏并促进信息的进一步深入使用。因此，将视频转发数作为中心路径的信息性特征，提出其对播放量具有如下假设关系：

H4：视频转发数对播放量具有显著的正向影响。

2.2 边缘路径

边缘路径对应用户感性认知因素。当用户根据边缘路径决策时，投入较少的努力，依赖一些容易获得的外部线索(如信息来源、易用性、口碑等)做较为简单和直观的判断。在有关弹幕视频的诸多非文本特征中，制作并上传视频的作者粉丝数和投稿数这2个因素与表征内容特征的弹幕数、点赞数等因素相比，用户对其感知更为直观，信息处理水平和层次较低。参考已有研究[40]，将内容作者的相关特征作为边缘路径，探究视频作者粉丝数和投稿数如何影响视频播放量。

(1)视频作者粉丝数与播放量。在以用户为中心的新媒体信息传播中，粉丝数直接反映了账号与平台的影响力和受欢迎程度，因此成为运营账号价值评价的关键要素。从社交媒体信息传播规律看，账号粉丝数越多，其发布的信息就越容易传播[41]，同时粉丝数作为社交媒体信息的声誉特征[42]，也是用户关注的重点[43]。ELM 的应用研究表明，粉丝数一般从边缘路径影响信息和知识传播[44]。对于弹幕视频的分享与传播，视频作者同样具有信息发布者的群体特征，作者粉丝数对视频播放也具有类似的促进作用[45]。因此，本研究认为视频作者粉丝数与播放量之间具有如下关系：

H5：视频作者粉丝数对播放量具有显著的正向影响。

(2)视频作者投稿数与播放量。投稿数反映了视频作者的活跃度[46]。在B站，视频投稿用户称为“UP主”[47]，据统计，目前B站月均活跃UP主超200万，月均视频投稿量达770万[48]，说明视频更新快、生命周期短。视频作者为了保持传播热度和账号的曝光率，需要保持较高的投稿频率和更新频率，持续输出内容[49]。视频作者的投稿数越多，部分视频可能更容易推送给用户，客观上提升了视频播放量，因此，视频作者投稿数与播放量可能具有如下关系：

H6：视频作者投稿数对播放量具有显著的正向影响。

2.3 调节变量

在ELM中，用户选择的路径与其动机和能力直接有关，同时受到调节变量的影响，本研究将弹幕数和视频时长作为调节变量。

(1)弹幕数的调节作用。弹幕数是用户对视频的实时评价，是衡量用户参与度的重要指标，弹幕数越多，代表用户的参与程度越高。弹幕内容多元化，用词新奇，悬浮并滚动在视频画面中，因而吸引了众多用户参与或观看，与此同时，弹幕可能存在内容空洞、表达粗糙等问题，过量的弹幕可能会降低视频观看的视觉体验和沉浸体验，增加用户认知负担，降低用户播放弹幕视频的行为意愿[50]。龚诗阳的研究指出，人们的注意力资源总是有限的，用户在观看高质量的视频时，会在视频内容上耗费更多注意力，在社交方面分配的注意力相对较少[51]。随着弹幕数量的不断增加，弹幕对视频播放的促进作用逐渐弱化，甚至可能引起负面效应，因此，我们认为弹幕数对视频特征与播放量以及作者特征与播放量间的影响关系具有负向调节作用，相关假设如下：

Ha1：弹幕数负向调节视频点赞数对播放量的影响。

Ha2：弹幕数负向调节视频评论数对播放量的影响。

Ha3：弹幕数负向调节视频转发数对播放量的影响。

Ha4：弹幕数负向调节视频作者粉丝数对播放量的影响。

Ha5：弹幕数负向调节视频作者投稿数对播放量的影响。

(2)视频时长的调节作用。视频时长直接反映视频信息的丰富度。从信息使用行为规律看，长视频承载的信息量更大，受众更容易理解。然而，在用户生产内容的新媒体环境下，视频数量巨大，人们难以长时间集中注意力，更乐于接收碎片化信息，因而视频长短可能成为影响视频播放的重要因素[52]。例如，王程伟指出高播放、高点赞的热门政务视频中，70%的视频时长为30 秒以内，说明短视频更受公众欢迎[53]。此外，也有研究指出视频时长对视频点赞、转发等行为的影响不大[54]。由于B站既有短视频，也有许多超过半小时的长视频，为了探究视频时长对播放行为的影响，借鉴已有研究，将视频时长作为调节变量，认为视频时长对视频特征与播放量以及作者特征与播放量间的影响关系具有负向调节作用，相关假设如下：

Hb1：视频时长负向调节视频弹幕数对播放量的影响。

Hb2：视频时长负向调节视频点赞数对播放量的影响。

Hb3：视频时长负向调节视频评论数对播放量的影响。

Hb4：视频时长负向调节视频转发数对播放量的影响。

Hb5：视频时长负向调节视频作者粉丝数对播放量的影响。

Hb6：视频时长负向调节视频作者投稿数对播放量的影响。

3 数据收集与处理

3.1 数据收集

B站较早引进弹幕机制，因其弹幕吸引了众多用户，成为流行的弹幕视频平台，因此选取B站弹幕视频作为数据来源。由于B站弹幕视频在新发布时，其点赞数、播放数等数据还不稳定，可能具有较大变化，为了提高研究结果的客观性，采集发布一定时间后各项数据相对稳定的弹幕视频。根据观察，B站根据视频上传的先后顺序对其进行从小到大的编号，视频编号越大，对应的视频上传时间离当前越近。利用网络爬虫“八爪鱼”软件，爬取B站从视频编号30000000到30010000 的视频数据，各项指标比较稳定。采集的数据包括视频的播放量、点赞数、弹幕数、评论数、转发数、视频时长、视频作者粉丝数和视频作者投稿数，将采集的数据进行去重、删除缺失值等处理，最终得到有效视频2，530个。

3.2 描述性统计分析

描述性统计分析结果如表1所示，播放量、点赞数、弹幕数、评论数、转发数的最大值与最小值均有较大差异，可能是由视频类型、视频质量、作者知名度等方面原因引起的。视频时长的均值为8.87分钟，说明B站的多数视频为短视频。另外，所有变量的偏度均大于3，表明样本数据各指标值呈偏态分布。

表1 描述性统计结果

4 层次回归分析

4.1 主效应检验

首先，采用自然对数变换以减小各变量数值差异带来的影响，并将偏态分布转换为正态分布，对数变换后的变量如表2所示。其次，为了清晰地揭示中心路径、边缘路径和调节变量对弹幕视频播放量的影响，分别将LN弹幕数、LN点赞数、LN评论数、LN转发数、LN视频作者粉丝数、LN视频作者投稿数作为自变量，并逐步加入自变量与调节变量的交互项，采用层次回归分析法进行分析，除点赞数的VIF 值稍高于10 以外，其余变量的VIF值均低于10，说明各模型自变量间不存在严重的多重共线性。

表2 多重共线性检验VIF值

层次回归结果如表3所示，LN弹幕数、LN点赞数、LN评论数、LN转发数、LN视频作者粉丝数、LN 视频作者投稿数的标准系数分别为0.126，0.472，0.159，0.118，0.161，-0.093，P值均小于0.001，说明弹幕数、点赞数、评论数、转发数作为中心路径，与视频播放量之间存在正相关关系，因此，假设H1、H2、H3、H4得到验证；2个边缘路径的影响则不同，视频作者粉丝数与播放量具有正相关关系，而视频作者投稿数与播放量具有负相关关系，因此，假设H5得到验证，H6则并未得到验证。

表3 层次回归分析结果

4.2 调节效应检验

由表3可知，弹幕数对部分影响路径具有负向调节作用，视频时长对所有影响路径都有负向调节作用，对应的假设Ha1、Ha2、Ha3、Ha4、Hb1、Hb2、Hb3、Hb4和Hb5得以验证。

为清晰地揭示调节效应及影响关系，制作调节效应关系图。如图2所示，高弹幕数条件下点赞数对播放量的影响低于低弹幕数条件下点赞数对播放量的影响，说明弹幕数的增加会减弱点赞数对播放量的促进作用。如图3所示，高弹幕数条件下评论数对播放量的正向影响低于低弹幕数条件下评论数对播放量的正向影响，说明弹幕数的提高会削弱评论数对播放量的促进作用。

图2 弹幕数对点赞数与播放量间关系的负向调节效应

图3 弹幕数对评论数与播放量间关系的负向调节效应

如图4所示，高弹幕数条件下转发数对播放量的影响低于低弹幕数条件下转发数对播放量的影响，说明弹幕数负向调节转发数对播放量的促进作用。如图5所示，高弹幕数条件下视频作者粉丝数对播放量的正向影响低于低弹幕数条件下视频作者粉丝数对播放量的正向影响，说明弹幕数的提高会减弱视频作者粉丝数对播放量的促进作用。

图4 弹幕数对转发数与播放量间关系的负向调节效应

图5 弹幕数对粉丝数与播放量间关系的负向调节效应

如图6所示，视频时长较短时的转发数对播放量的影响高于视频时长较长时弹幕数对播放量的影响，说明视频时长的增加会减弱弹幕数对播放量的促进作用。如图7所示，视频时长较短时的点赞数对播放量的影响高于视频时长较长时点赞数对播放量的影响，说明视频时长的增加会减弱点赞数对播放量的促进作用。

图6 视频时长对弹幕数与播放量间关系的负向调节效应

图7 视频时长对点赞数与播放量间关系的负向调节效应

如图8所示，视频时长较短时的评论数对播放量的影响高于视频时长较长时评论数对播放量的影响，说明视频时长的增加会减弱评论数对播放量的促进作用。如图9所示，视频时长较短时的转发数对播放量的影响高于视频时长较长时转发数对播放量的影响，说明视频时长的增加会减弱转发数对播放量的促进作用。

图8 视频时长对评论数与播放量间关系的负向调节效应

图9 视频时长对转发数与播放量间关系的负向调节效应

如图10所示，视频时长较短时的视频作者粉丝数对播放量的影响高于视频时长较长时粉丝数对播放量的影响，说明视频时长的增加会减弱粉丝数对播放量的促进作用。

图10 视频时长对粉丝数与播放量间关系的负向调节效应

综上所述，假设检验结果如表4所示，17个假设中有3个假设不成立，其余14个假设均得以支持。在3个不成立的假设中，H6与原假设相反，Ha5的调节效应不显著，Hb6中的自变量作者投稿数对播放量没有影响。

表4 假设检验结果

5 模糊集定性比较分析

由于个别变量的VIF值较高，说明各个变量可能会形成组合效应对因变量产生影响，因此，在前文分析的基础上，利用fsQCA探究弹幕视频播放各影响因素间的组配效应，以突破传统回归分析方法对自变量相互独立和因果对称的限制。

5.1 数据校准

校准是模糊集定性比较分析首要步骤，即指定一个界定清晰的集合中的隶属程度。首先，对变量值进行归一化处理[55]，将原始数据映射到0～1之间以便于数据校准；其次，采用百分位数间接校准的方法，将排列在95%、50%、5%的数值分别作为完全隶属、最大模糊值与完全不隶属的临界点；最后，为避免0.5的隶属度，将所有小于1的隶属度数值加上0.001[56]。

5.2 必要性分析

单一前因变量的必要性检测得到的是导致结果变量的必要条件，该步骤是构建真值表的重要前提，而真值表分析实质上是进行充分性分析。基于校准后数据，对前因变量进行必要性分析后，得到各变量的一致性与覆盖度，当一致性≥0.9时，对应变量为结果发生的必要条件。如表5所示，LN弹幕数的一致性为0.93，表明弹幕数是影响弹幕视频播放量的必然因素，其余变量的一致性未达到0.9，则需通过真值表的组态分析来评估其充分性程度。

表5 单一前因变量的必要性

5.3 前因变量组态分析

为了分析各变量间组态效应对视频播放量的影响，需要构建真值表探究影响机制。在fsQCA3.0软件中，一致性阈值采用默认参数值0.8，频数阈值设置为4，并剔除PRI值低于0.75的案例集合，得到复杂解、中间解与简单解3种形式的逻辑组配，采用复杂解、中间解及简单解对有实际观察的案例进行组态分析，其中，复杂解只包含实验中所观察到的组态，中间解纳入了具备理论或知识支持的非事实组态，而简单解则纳入了所有非事实组态并进行布尔最小化分析，具体如表6所示，复杂解与中间解得到的组态结果相同。

表6 弹幕视频播放的前因变量组态

3种解均产生2条路径，其中，中间解与复杂解的路径相同，中间解与简单解的路径也基本吻合。“LN 点赞数”“LN 评论数”“LN 转发数”“LN视频作者粉丝数”及“～LN视频时长”是同时出现在中间解与简单解的因素，为核心条件；“～LN视频作者投稿数”仅出现在中间解而未出现在简单解中，因而为边缘条件。然而，简单解缺失了必要条件“LN弹幕数”，其原因可能是必要条件在逻辑组配中被作为逻辑余项消除了。但是，相较于简单解与复杂解，中间解具备一定的理论与实际知识支持，一般被视为是组态分析的最优解，故将中间解得到的2种组态作为弹幕视频播放量的有效影响加以探讨。

组态一：LN弹幕数*LN点赞数*LN评论数*LN转发数*LN视频作者粉丝数，表明视频质量与作者影响力同时对播放量具有重要影响。这与已有研究结论具有一致性，黄微等构建的推文热度测度模型中指出，网络推文的热度可以由推文内容质量、推文作者影响力等指标共同进行测度[57]。弹幕视频的播放量影响机制与其类似，弹幕视频作者的粉丝数越多，其发布视频的影响力和认可度越大，视频播放量也随之越高。

组态二：LN弹幕数*LN点赞数*LN评论数*LN 转发数*～LN 视频作者投稿数*～LN 视频时长，反映了作者投稿数与视频时长的负向影响。与已有研究结论类似，如王林等在机构微博传播力影响因素研究中指出，微博内容质量越高，作者月发布微博数越少，微博传播力越高，这与刷屏现象引起的粉丝厌烦有关[58]。类似地，弹幕视频作者的投稿数越少，其发布的视频质量越高、时长越短，视频的播放量越高。

总之，“LN弹幕数”“LN点赞数”“LN评论数”和“LN转发数”作为核心路径，是影响视频播放量的固定组配，即弹幕数、点赞数、评论数与转发数的高低对视频播放量具有十分重要的影响，说明视频本身的这4个因素缺一不可，共同对播放量产生正向影响，这与层次回归结果是一致的。

6 结论与讨论

6.1 结论

基于ELM理论框架，运用层次回归分析法探析弹幕视频播放量影响因素，并在此基础上，进一步采用fsQCA探析各影响因素间的组配效应，得到如下主要结论。

(1)层次回归分析结果表明，视频本身的相关因素作为影响视频播放量的4个中心路径，均对播放量产生显著正向影响；视频作者粉丝数和作者投稿数作为弹幕视频的非内容特征，是影响用户视频播放的边缘路径，同样是提升播放量的有效推动力；同时，本研究还发现了弹幕数在点赞数、评论数、转发数、作者粉丝数与播放量之间，以及视频时长在所有前因变量与播放量之间的负向调节作用。

(2)fsQCA 分析结果显示，播放量的提升包含两条路径，解释了播放量影响因素之间的组合作用。具体而言，路径一，“LN弹幕数*LN点赞数*LN评论数*LN转发数*LN视频作者粉丝数”体现了视频相关因素与投稿作者在弹幕视频播放量提升中共同发挥作用；路径二，“LN 弹幕数*LN点赞数*LN评论数*LN转发数*～LN视频作者投稿数*～LN视频时长”反映了低投稿数、短视频时长与高视频质量的组合效应对弹幕视频播放量具有激励作用。此外，“LN弹幕数”“LN点赞数”“LN评论数”和“LN转发数”形成影响视频播放量的固定组配，是影响弹幕视频播放量的核心路径。

6.2 理论贡献

在ELM的理论框架下，从中心路径与边缘路径的角度构建弹幕视频量影响因素模型，将视频与投稿作者的相关因素作为自变量，将弹幕数与视频时长作为调节变量。综合采用层次回归分析与fsQCA两种方法，采集B站数据进行实证研究，分析各因素对弹幕视频播放量的影响，并进一步探究对各影响因素之间的组合关系，识别出了影响播放量的两条组合路径。理论上看，采用混合方法识别弹幕视频播放量的中心路径，不仅是ELM的扩展与深入使用，也丰富了弹幕视频播放行为影响的研究，为后续研究提供了较好的借鉴。

6.3 建议

根据层次回归与fsQCA分析结果，为提升弹幕视频服务，可从以下几方面加以改进。

(1)重视视频因素对播放量提升的激励作用。弹幕视频网站应充分重视弹幕数、点赞数、评论数和转发数这些影响视频播放的核心路径，引导投稿作者重视视频质量，鼓励作者投稿高质量的短视频，改变过度生活化和娱乐化的主流旋律，强化内容的实用价值，通过高品质内容吸引用户参与互动，增加用户粘性。此外，利用智能算法实现精准推荐，向目标用户推荐契合度高的优质视频，优化用户体验，从而促进弹幕视频的快速和广泛传播。

(2)视频投稿作者粉丝数与投稿数作为边缘路径也对视频播放量具有一定影响，因此，弹幕视频网站需要识别高质量视频作者，并帮助高质量视频投稿数多的作者吸引粉丝，例如，通过增加推荐、邀请其他知名作者与其合作创作视频的方式，帮助提高粉丝数量；采取一些奖励措施，激励作者增加高质量视频投稿。

(3)弹幕数和视频时长作为调节变量对多条影响路径产生调节作用。弹幕会占用用户的认知资源，过量弹幕会增加用户认知负担，对弹幕视频的播放起到反作用，因此需要合理控制视频画面显示弹幕的数量。另外，视频时间太长，用户的专注力和关注度都会下降，可能产生倦怠态度和中辍行为，因此，弹幕网站应该控制视频时长，用高质量的短视频吸引和保留视频用户，增加用户粘性。

6.4 不足与展望

本文的不足之处在于：一方面，只采用了B站视频数据中的点赞数、播放数、弹幕数、评论数等数据外，尚未采用评论有用性、用户情感等文本特征数据，后续研究可对这些数据进行挖掘以进行更加深入和全面的研究；另一方面，采用横截面数据，从静态视角研究播放量的影响因素，难以揭示视频及其影响因素的变化。未来可针对此不足，从动态视角揭示弹幕视频变化特征与影响机制的演变规律。