邵 婷，楊佩婷，姜紅波

（廈門理工學(xué)院經(jīng)濟(jì)與管理學(xué)院，福建 廈門 361024）

2014年，“農(nóng)村電商”被正式寫入中央一號文件，迅速成為推動農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展的新引擎，幫助貧困地區(qū)實(shí)現(xiàn)跨越式發(fā)展，在精準(zhǔn)扶貧的同時(shí)實(shí)現(xiàn)多方共贏［1］。2020年，恰逢脫貧攻堅(jiān)決勝之年，卻又面臨新冠疫情，物流不暢，農(nóng)產(chǎn)品銷售普遍遇到困難。在這樣的形勢下，抖音（TikTok）電商平臺開展一系列助農(nóng)直播帶貨活動。其中，“山貨上頭條”“市長帶你看湖北”“寶藏鄉(xiāng)村過大年”“齊心戰(zhàn)疫，八方助農(nóng)”“云逛街”等活動反響熱烈。得益于線上直播和短視頻的新形式，抖音電商平臺在助農(nóng)產(chǎn)品銷售中取得巨大的成功，為“戰(zhàn)疫助農(nóng)”和“鄉(xiāng)村扶貧”作出了巨大的貢獻(xiàn)［2］。

在電子商務(wù)領(lǐng)域，消費(fèi)者往往通過發(fā)布在線評論來表達(dá)對產(chǎn)品、服務(wù)及平臺的真實(shí)感受，因此在線評論中豐富的語義信息成為獲取消費(fèi)者需求的重要信息來源。隨著自然語言處理（NLP）的發(fā)展，出現(xiàn)許多從非結(jié)構(gòu)化文本中提煉信息的方式，如詞干提取、詞向量化、主題分析、情感分析等，而潛在狄利克雷分配（latent Dirichlet allocation，LDA）主題分析是最為常見的一種。LDA模型的生成過程是一個(gè)無監(jiān)督學(xué)習(xí)的過程，可以對非結(jié)構(gòu)化的文本進(jìn)行主題提取，同時(shí)需要人為地定義這些主題的名稱。消費(fèi)者在線評論因其口語化和隨意性，是典型的非結(jié)構(gòu)化文本。因此將在線評論與LDA 模型組合的研究范式，在電商領(lǐng)域應(yīng)用十分廣泛，主要包括消費(fèi)者情感分析［3-5］、消費(fèi)者偏好特征和消費(fèi)者畫像構(gòu)建［6-10］、消費(fèi)者滿意度測評和影響因素研究等［11-15］。隨著消費(fèi)理念和消費(fèi)方式的升級，挖掘并滿足消費(fèi)者的個(gè)性化需求成為各類電商平臺成功的關(guān)鍵，目前相關(guān)研究主要集中在生鮮電商、網(wǎng)絡(luò)零售及社交網(wǎng)絡(luò)平臺［8，15］，對抖音為代表的興趣電商平臺的研究才剛剛開始。同時(shí)，現(xiàn)有的研究往往將LDA 模型作為主題挖掘的方法，與其他模型或方法相結(jié)合進(jìn)行消費(fèi)者情感分析、偏好分析或滿意度分析，構(gòu)建類似于“主題識別-整體情感分析”的研究范式［5，16-17］。一方面，該方法缺少對高頻詞之間共現(xiàn)關(guān)系的可視化分析，難以細(xì)粒度地識別主題間的關(guān)聯(lián)關(guān)系［18］；另一方面，該方法只能分析在線評論的整體情感傾向，無法獲得不同評價(jià)主題的情感傾向。為此，本文以抖音電商平臺上的助農(nóng)產(chǎn)品在線評論為研究對象，在基于LDA 模型探究消費(fèi)者關(guān)注主題的同時(shí)，引入高頻詞分析、共現(xiàn)網(wǎng)絡(luò)分析、情感分析等方法對評論數(shù)據(jù)進(jìn)行擴(kuò)展分析，構(gòu)建“主題識別-高頻詞分析-共現(xiàn)網(wǎng)絡(luò)分析-主題情感分析”的深度研究范式，既考察整體高頻詞的共現(xiàn)關(guān)系，又探究不同主題的消費(fèi)者情感，以把握消費(fèi)者對助農(nóng)產(chǎn)品的關(guān)注點(diǎn)和情感傾向，從而為電商平臺的發(fā)展提出建議。

一、數(shù)據(jù)來源與預(yù)處理

（一）數(shù)據(jù)來源

2021 年以來，抖音推出“山貨上頭條”助農(nóng)項(xiàng)目，截至2022 年3 月21 日，該項(xiàng)目已陸續(xù)推出“風(fēng)味延邊”“風(fēng)味龍巖”“冬季山貨節(jié)”3 個(gè)重點(diǎn)項(xiàng)目。在為期24 天的“冬季山貨節(jié)”活動中，平臺共助銷547.3萬單農(nóng)貨，短視頻播放量達(dá)14.4億次，9 000多位創(chuàng)作者參與分享家鄉(xiāng)山貨［19］。本文選取抖音電商平臺“山貨上頭條”官方賬號櫥窗精選好物中消費(fèi)者評論數(shù)量大于2 000且排序靠前的18件產(chǎn)品的評論，通過Python編程抓取評論數(shù)27 365條，具體的產(chǎn)品評論示例如表1所示。

表1 Python編程抓取的產(chǎn)品評論示例Table 1 Sample product comments captured by Python

（二）數(shù)據(jù)預(yù)處理

（1）文本去重。通過刪除重復(fù)評論和系統(tǒng)默認(rèn)評論來保證評論數(shù)據(jù)的有效性，共刪除12 140條數(shù)據(jù)，剩余有效評論15 225條。

（2）機(jī)械壓縮去詞。為避免口語表達(dá)的隨意性和非正式性，當(dāng)一個(gè)詞重復(fù)出現(xiàn)3 次時(shí)執(zhí)行壓縮。例如，將“個(gè)頭大 新鮮 好吃好吃好吃好吃”壓縮為“個(gè)頭大 新鮮 好吃”，共壓縮去除7 683 個(gè)字符，剩余字符串長度343 839。

（3）短句刪除。由于短文本對情感分析沒有太大的作用，所以將單條評論少于5 個(gè)字的數(shù)據(jù)刪除。例如“好”“一般”“收到了”，共刪除1 221條數(shù)據(jù)，剩余有效評論14 460條。

（4）文本分詞。在中文中，只有字、句和段落之間能通過明顯的分界符進(jìn)行劃分，而對于“詞”和“詞組”來說，是邊界模糊的，因此，中文分詞結(jié)果的準(zhǔn)確性對后續(xù)模型構(gòu)建有著不可忽視的影響，本文使用Python 的jieba 庫的精確模式對評論文本進(jìn)行分詞。例如，將“不錯(cuò)，第二次購買了”分詞為“-不錯(cuò)-，-第二次-購買-了-”。

（5）導(dǎo)入自定義詞庫和停用詞庫。本文使用的停用詞庫是基于哈爾濱工業(yè)大學(xué)和百度的停用詞表，再加上采集的評論中出現(xiàn)的數(shù)值、字符和無意義詞，如“吃、喝、買”等動詞，以及“太、挺”等副詞。同時(shí)針對助農(nóng)產(chǎn)品評論的特殊性，導(dǎo)入特定的詞匯，如“助農(nóng)”“戰(zhàn)疫”等。

（6）對分詞結(jié)果進(jìn)行詞性標(biāo)注，主要有名詞、形容詞和動詞。

二、基于LDA模型的助農(nóng)產(chǎn)品在線評論主題分析

LDA是由Blei等［20］在2003年提出的一個(gè)生成性的三層貝葉斯模型，分為文檔、主題和詞語3層。其中，一篇文檔可對應(yīng)一個(gè)或者多個(gè)主題，一個(gè)主題對應(yīng)一個(gè)詞匯表。同時(shí)，預(yù)先設(shè)定的LDA主題數(shù)量會直接影響聚類結(jié)果的優(yōu)劣。因此，在主題抽取之前應(yīng)該對可能的最優(yōu)主題數(shù)有一定的先驗(yàn)估計(jì)［21］。

預(yù)裂孔：線裝藥密度：加強(qiáng)段 294g/m、正常段 147g/m，底部裝藥量 1.8kg，單孔裝藥量 3.8kg。

在LDA 模型中，通常通過困惑度來確定主題數(shù)量。困惑度是通過計(jì)算給定數(shù)據(jù)集的對數(shù)似然函數(shù)來衡量模型對未見過的文檔的預(yù)測能力。即對于一條評論文本，所訓(xùn)練出來的模型對文本屬于哪個(gè)主題的不確定程度。較低的困惑度值表示模型更好地預(yù)測了未見過的文檔中的詞，即模型對整個(gè)數(shù)據(jù)集的擬合效果更好。困惑度的計(jì)算公式為

式（1）中：D表示語料庫；M為文檔數(shù)；Nd表示每篇文檔中的單詞數(shù)；Wd表示文檔中的詞；p（Wd）為文檔中詞Wd產(chǎn)生的概率。

利用Python 代碼實(shí)現(xiàn)LDA 主題困惑度的計(jì)算，具體如圖1 所示，隨著主題個(gè)數(shù)的增加，主題困惑度逐漸降低，表明該模型的聚類效果相對較好。但困惑度值也不是越小越好，因?yàn)檫^擬合也可能導(dǎo)致困惑度降低，因此在選擇主題個(gè)數(shù)時(shí)需要與實(shí)際相結(jié)合。圖1中，主題個(gè)數(shù)在6、7時(shí)困惑度曲線的變化率出現(xiàn)拐點(diǎn)，8 達(dá)到最低。接著導(dǎo)入pyLDAvis 包，對主題聚類結(jié)果進(jìn)行可視化展現(xiàn)，如圖2所示，當(dāng)主題個(gè)數(shù)為8 時(shí)，各主題覆蓋的內(nèi)容區(qū)分較好，因此最終確認(rèn)主題個(gè)數(shù)為8［22］。

圖1 主題數(shù)量-困惑度圖Fig.1 Number of topics-perplexity

圖2 主題聚類可視化結(jié)果圖Fig. 2 Topic clustering

確定最佳主題數(shù)量之后，再次利用Python 軟件構(gòu)建LDA 模型對評論文本進(jìn)行主題聚類，包括確定主題特征詞和計(jì)算主題強(qiáng)度。在LDA 模型中，每個(gè)詞語都有一個(gè)權(quán)重值，表示該詞語在當(dāng)前文檔中與某個(gè)主題的關(guān)聯(lián)度。通過計(jì)算每個(gè)詞語在特定主題中的權(quán)重，可以找到與主題最相關(guān)的特征詞。首先，輸出每個(gè)主題下出現(xiàn)頻率靠前的25 個(gè)詞匯。其次，為確保各個(gè)主題之間邊界清晰，對于出現(xiàn)在多個(gè)主題和意義不明確的特征詞予以刪除，選取頻率相對靠前且更具主題區(qū)分度和代表性的12 個(gè)詞匯作為特征詞，并根據(jù)特征詞的語義關(guān)系進(jìn)一步對主題進(jìn)行人工命名。最后，作為一種概率模型，通過基于概率分布的統(tǒng)計(jì)結(jié)果來確定各主題強(qiáng)度，即不同主題下評論文本的數(shù)量占總文本數(shù)量的比重。LDA主題聚類結(jié)果如表2所示。

表2 LDA主題聚類結(jié)果Table 2 Results of LDA topic clustering

三、助農(nóng)產(chǎn)品在線評論擴(kuò)展分析

由于主題聚類結(jié)果中主題8的特征詞語義關(guān)系不明確，難以進(jìn)行命名，表明主題模型可能無法挖掘出消費(fèi)者的所有關(guān)注點(diǎn)。因此在LDA 模型的基礎(chǔ)上，進(jìn)行高頻詞分析和共現(xiàn)網(wǎng)絡(luò)分析，旨在識別主題間的關(guān)聯(lián)關(guān)系，探究LDA 模型可能忽略的關(guān)鍵信息。最后，引入情感分析識別不同主題的消費(fèi)者情感傾向。

（一）高頻詞分析

高頻詞分析是對文本數(shù)據(jù)中的重要詞匯出現(xiàn)的次數(shù)進(jìn)行統(tǒng)計(jì)和分析，能夠更快速地了解在線評論的熱點(diǎn)。對預(yù)處理后的在線評論詞匯的分析發(fā)現(xiàn)，消費(fèi)者描述購物體驗(yàn)所使用的高頻詞（表3）中，名詞占47.50 %、動詞占31.47%、形容詞占8.9%。名詞多用于描述消費(fèi)者所評價(jià)的產(chǎn)品維度，如味道、質(zhì)量、包裝、口感、物流、價(jià)格等；形容詞主要體現(xiàn)消費(fèi)者對購物過程的體驗(yàn)和對產(chǎn)品的整體感知，如不錯(cuò)、好吃、值得、滿意，其中，贊美詞出現(xiàn)的頻次居多，即情感傾向多為正面；動詞主要是對消費(fèi)者購買過程中不同行為的描述，如收到、購買、回購、支持、推薦等。

表3 高頻詞表Table 3 High frequency words

（二）共現(xiàn)網(wǎng)絡(luò)分析

共現(xiàn)分析法是一種計(jì)算文本中多個(gè)詞語同時(shí)出現(xiàn)的頻次，并根據(jù)它們之間的相似性關(guān)系進(jìn)行分析的研究方法。通過構(gòu)建相應(yīng)的共現(xiàn)網(wǎng)絡(luò)，能夠更清晰、直觀地了解各關(guān)鍵詞的重要性和它們之間的關(guān)聯(lián)關(guān)系［23］。本文使用KHCoder3 軟件繪制抖音助農(nóng)產(chǎn)品在線評論中高頻詞的共現(xiàn)關(guān)系。具體設(shè)置包括：（1）根據(jù)詞頻數(shù)來篩選詞匯，獲得詞頻數(shù)大于75 的詞匯共176 個(gè)；（2）選取Jaccard 系數(shù)大于0.05的共現(xiàn)網(wǎng)絡(luò)關(guān)系。共現(xiàn)網(wǎng)絡(luò)分析如圖3所示。

圖3 共現(xiàn)網(wǎng)絡(luò)分析Fig. 3 Co-occurrence network analysis

在共現(xiàn)網(wǎng)絡(luò)分析中，詞所在的圓圈大小代表詞出現(xiàn)頻次的大小，不同的顏色代表不同的主題；詞與詞之間的連接線代表關(guān)聯(lián)度，連接線越短或連接節(jié)點(diǎn)越少，說明詞與詞之間的關(guān)系越緊密，虛線代表不同主題間的關(guān)鍵詞存在共現(xiàn)關(guān)系［23］。通過共現(xiàn)網(wǎng)絡(luò)圖，可以了解消費(fèi)者對抖音平臺助農(nóng)產(chǎn)品評價(jià)的整體情況。

首先，從共現(xiàn)網(wǎng)絡(luò)圖中能夠發(fā)現(xiàn)，其與LDA 主題相互佐證的關(guān)系。如“性價(jià)比-價(jià)格-貴-便宜”表明消費(fèi)者重視產(chǎn)品的價(jià)格，對應(yīng)主題1；“品質(zhì)-質(zhì)量-商品-很好”表明消費(fèi)者重視產(chǎn)品的質(zhì)量，對應(yīng)主題2；“支持-公益-肖戰(zhàn)-助農(nóng)-項(xiàng)目”表明粉絲愿意跟隨偶像一起參與助農(nóng)等公益活動，對應(yīng)主題3；“好吃-甜-核小”表明消費(fèi)者對產(chǎn)品的感知價(jià)值，對應(yīng)主題4；“商家-服務(wù)-態(tài)度-感覺-很好”描述消費(fèi)者對商家服務(wù)的體驗(yàn)，對應(yīng)主題5；“推薦-縣長-代言-領(lǐng)導(dǎo)”反映消費(fèi)者對“縣長直播”的期待和支持，對應(yīng)主題6；“物流-快-發(fā)貨-速度”反映消費(fèi)者對助農(nóng)產(chǎn)品的物流效率的感受，對應(yīng)主題7。

進(jìn)而發(fā)現(xiàn)：（1）商家服務(wù)和物流服務(wù)是聯(lián)系緊密的主題?！吧碳?服務(wù)-快遞-態(tài)度-感覺-很好-物流-快-發(fā)貨-速度”等節(jié)點(diǎn)之間存在關(guān)聯(lián)性。物流服務(wù)和商家服務(wù)都是在助農(nóng)產(chǎn)品購買過程中為消費(fèi)者提供支持和服務(wù)的重要環(huán)節(jié)，客服人員和物流人員友善的態(tài)度、高效率的服務(wù)都會提升消費(fèi)者的購買體驗(yàn)。（2）產(chǎn)品價(jià)格和產(chǎn)品質(zhì)量是聯(lián)系緊密的主題?！吧唐?質(zhì)量-品質(zhì)-性價(jià)比-價(jià)格-貴”等節(jié)點(diǎn)之間存在關(guān)聯(lián)性，消費(fèi)者在購買時(shí)更傾向于選擇性價(jià)比較高的產(chǎn)品。（3）助農(nóng)活動和縣長支持是有關(guān)聯(lián)的?！邦I(lǐng)導(dǎo)-代言-縣長-推薦”和“助農(nóng)-粉絲-項(xiàng)目組-公益組”雖然聯(lián)系不是很緊密，但主題間距離較近，部分高頻詞存在共現(xiàn)關(guān)系。

最后，在共現(xiàn)網(wǎng)絡(luò)中也發(fā)現(xiàn)了新的關(guān)聯(lián)關(guān)系。如“再來-下次-光顧-再買”表明消費(fèi)者具有再次購買的意向，“包裝-完好-嚴(yán)實(shí)”反映消費(fèi)者對產(chǎn)品包裝的感知較好，而“分量-足-少”反映消費(fèi)者對產(chǎn)品分量的感受不太一致；“滿意-購物-抖音-產(chǎn)品”表明消費(fèi)者對抖音平臺產(chǎn)品及購物體驗(yàn)是比較滿意的。

（三）在線評論情感分析

在線評論情感主要分為“積極”“中性”和“消極”3 類，用于了解消費(fèi)者對抖音電商助農(nóng)產(chǎn)品的滿意度。本文使用ROST Content Mining軟件對所爬取的助農(nóng)產(chǎn)品評論進(jìn)行情感分析，運(yùn)行結(jié)果中情感賦值是正數(shù)則表示積極情緒，0表示中性情緒，負(fù)數(shù)表示消極情緒。進(jìn)一步將積極情緒劃分為一般（0~10）、中度（10~20）、重度（20 以上），將消極情緒劃分為一般（0~-10）、中度（-10~-20）、重度（-20以下）［24］。不同主題的情感分析結(jié)果如表4所示。

表4 不同主題的情感分析結(jié)果Table 4 Results of sentiment analysis by topic

由表4 可知，在總體情感分析中，積極情緒占80.75%，中性情緒占9.94%，消極情緒占9.31%，可見，消費(fèi)者對所購買的助農(nóng)產(chǎn)品總體上是滿意的，但仍有改善空間。究其原因，可能是電商助農(nóng)模式仍存在產(chǎn)品信息不透明、監(jiān)管不足等問題，導(dǎo)致消費(fèi)者收到的農(nóng)產(chǎn)品質(zhì)量不符合預(yù)期，購買體驗(yàn)不佳。在7 個(gè)意義明確的主題中，積極情緒排名前3 的主題是物流服務(wù)、助農(nóng)活動和商家服務(wù)，積極評論占比分別為：86.16%、86.15%、83.16%。不難發(fā)現(xiàn)，消費(fèi)者對助農(nóng)產(chǎn)品存在一定的偏好，愿意以實(shí)際行動助力解決農(nóng)產(chǎn)品滯銷問題。消費(fèi)者對物流服務(wù)和商家服務(wù)的滿意度較高，這是因?yàn)殡S著農(nóng)村電商的發(fā)展，快遞物流鄉(xiāng)鎮(zhèn)覆蓋率和配送速度得到提升。而且，平臺已經(jīng)形成較為成熟的售后體系，能夠?qū)οM(fèi)者的合理訴求作出回應(yīng)，提升購買體驗(yàn)。

對積極情緒和消極情緒的程度進(jìn)一步劃分，積極情緒和消極情緒程度分析如表5 所示。由表5可知，在總體的積極評論中，“一般”積極的評論數(shù)量為4 716 條，占總評論的32.61%，而“高度”積極的評論數(shù)量為2 880條，僅占總評論的19.92%，表明即便是在積極情緒中，消費(fèi)者的滿意度仍然還有很大的提升空間。在總體的消極評論中，“高度”消極僅106 條，占比0.73%，在各主題下消極評論中也存在類似的比例。說明在消極情緒中，消費(fèi)者的用詞仍不是完全否定，而是理性的批評。

表5 積極情緒和消極情緒程度分析表Table 5 Degrees of positive and negative sentiments

四、結(jié)論與建議

（一）研究結(jié)論

本文采用LDA 模型，基于抖音電商平臺助農(nóng)產(chǎn)品的在線評論數(shù)據(jù)，深度挖掘消費(fèi)者關(guān)注的主題，并以此為依據(jù)進(jìn)行相關(guān)擴(kuò)展分析。研究結(jié)果表明：消費(fèi)者對助農(nóng)產(chǎn)品的關(guān)注點(diǎn)主要包括產(chǎn)品質(zhì)量和價(jià)格、商家服務(wù)和物流服務(wù)、消費(fèi)者感知價(jià)值、助農(nóng)活動和縣長支持等。因此“高性價(jià)比”+“優(yōu)質(zhì)的服務(wù)”+“高感知價(jià)值”+“高社會效益”是提升平臺競爭力的要素。消費(fèi)者對抖音電商平臺上助農(nóng)產(chǎn)品不同主題的情感傾向是不同的，總體滿意但仍有改進(jìn)空間。

（1）助農(nóng)產(chǎn)品的高性價(jià)比是消費(fèi)者關(guān)注的重點(diǎn)。在線評論主題中關(guān)注度排名第一的是“產(chǎn)品價(jià)格”，排名第二的是“產(chǎn)品質(zhì)量”，在共現(xiàn)網(wǎng)絡(luò)分析中，產(chǎn)品價(jià)格和產(chǎn)品質(zhì)量聯(lián)系緊密，說明消費(fèi)者經(jīng)常將二者結(jié)合在一起考慮，即性價(jià)比。而從情感分析可知，產(chǎn)品價(jià)格的積極情緒占比是所有主題中最低的，表明產(chǎn)品性價(jià)比是一個(gè)高關(guān)注度、低滿意度的因素。因此，持續(xù)為消費(fèi)者提供高性價(jià)比的助農(nóng)產(chǎn)品，提升滿意度是抖音電商平臺成功的關(guān)鍵。

（2）平臺及商家優(yōu)質(zhì)的服務(wù)是影響消費(fèi)者滿意度的重要因素。物流服務(wù)和商家服務(wù)的累計(jì)主題強(qiáng)度僅次于產(chǎn)品質(zhì)量，通過共現(xiàn)網(wǎng)絡(luò)分析，發(fā)現(xiàn)消費(fèi)者具有再次購買的意向且對抖音平臺購物體驗(yàn)滿意度高。在情感分析中，物流服務(wù)和商家服務(wù)的積極評論占比分別排名第二和第三，同樣表明消費(fèi)者對服務(wù)是比較滿意的。

（3）消費(fèi)者對產(chǎn)品和服務(wù)的感知價(jià)值會影響其滿意度。一般來說，當(dāng)消費(fèi)者認(rèn)為產(chǎn)品或服務(wù)提供了他們需要的功能、品質(zhì)和體驗(yàn)，并且超出了他們支付的價(jià)格，他們很可能會感到滿意。消費(fèi)者對助農(nóng)產(chǎn)品的感知價(jià)值主要集中在味道、外觀、分量等方面，同時(shí)具有對產(chǎn)品整體的基本判斷（正宗、不值）。通過共現(xiàn)網(wǎng)絡(luò)分析還發(fā)現(xiàn)消費(fèi)者對包裝比較滿意，而對分量感受不一。在情感分析中，積極和消極情緒占比都排名第四，是中等關(guān)注度、中等滿意度的因素，還需通過加強(qiáng)平臺助農(nóng)產(chǎn)品的品質(zhì)提升消費(fèi)者滿意度。

（4）助農(nóng)產(chǎn)品的社會屬性也是影響消費(fèi)者購買體驗(yàn)的重要因素。助農(nóng)活動和縣長支持主題強(qiáng)度較高，體現(xiàn)了消費(fèi)者對助農(nóng)產(chǎn)品的特別關(guān)注。然而，消費(fèi)者對二者的情感傾向并不一致。一方面，在所有主題中，對“助農(nóng)活動”的積極情感占比最高，表明消費(fèi)者購買助農(nóng)產(chǎn)品不僅僅出于對產(chǎn)品的需要，更是對國家扶貧助農(nóng)事業(yè)的支持。另一方面，消費(fèi)者對“縣長支持”的積極情緒占比排名倒數(shù)第二，而消極情感占比排名第一。究其原因，可能是因?yàn)榭h長身份的權(quán)威性，使得消費(fèi)者收到的產(chǎn)品不如預(yù)期時(shí)，更容易產(chǎn)生被欺騙的感覺；也可能是因?yàn)榭h長沒有受過專業(yè)訓(xùn)練，對產(chǎn)品的介紹不夠嚴(yán)謹(jǐn)、詳盡，導(dǎo)致消費(fèi)者不夠滿意。

（二）研究建議

（1）持續(xù)且深入地挖掘消費(fèi)者的關(guān)注點(diǎn)。把握消費(fèi)者的需求痛點(diǎn)，才能不斷提升產(chǎn)品質(zhì)量和相關(guān)服務(wù)，制定合理的營銷策略，將消費(fèi)者潛在需求變成平臺增長的突破口。

（2） 加強(qiáng)供應(yīng)鏈管理，提供優(yōu)質(zhì)低價(jià)的農(nóng)產(chǎn)品。平臺和商家應(yīng)重點(diǎn)關(guān)注產(chǎn)品的“質(zhì)量”和“價(jià)格”這兩個(gè)要素，做好助農(nóng)產(chǎn)品的篩選和監(jiān)督管理。加強(qiáng)農(nóng)產(chǎn)品供應(yīng)鏈管理，提升生產(chǎn)和流通效率，同時(shí)強(qiáng)化質(zhì)量監(jiān)控，從根本上保證助農(nóng)產(chǎn)品性價(jià)比。

（3） 把握“電商助農(nóng)”的宣傳大方向。抖音平臺助農(nóng)板塊是為了緩解新冠疫情對農(nóng)產(chǎn)品生產(chǎn)流通帶來的不利影響而設(shè)立的，平臺應(yīng)當(dāng)借助自身的流量，加大“助農(nóng)產(chǎn)品”宣傳力度，讓更多消費(fèi)者了解各地區(qū)的優(yōu)質(zhì)農(nóng)產(chǎn)品。同時(shí)樹立“電商助農(nóng)”的正面形象，實(shí)實(shí)在在解決各地農(nóng)產(chǎn)品滯銷問題，響應(yīng)國家扶貧政策，促進(jìn)平臺健康發(fā)展。

（4） 加強(qiáng)對主播的專業(yè)培訓(xùn)，強(qiáng)化直播間的監(jiān)督管理。主播已成為影響消費(fèi)者購買意愿的關(guān)鍵因素之一，因此無論是專業(yè)主播還是類似“縣長”這樣的臨時(shí)主播，平臺都應(yīng)該加大對其業(yè)務(wù)能力、專業(yè)知識的培訓(xùn)，使其能夠正確描述產(chǎn)品的特征和使用感受，讓消費(fèi)者更好地了解產(chǎn)品特性，最終做出合理的購買決策。其次，應(yīng)當(dāng)加強(qiáng)平臺直播管理，打擊虛假營銷、攀比打賞等直播亂象。只有這樣，抖音電商平臺的助農(nóng)產(chǎn)品銷售才能獲得可持續(xù)發(fā)展。