2025年9月5日下午14：00，中国营销工程与创新研究中心 (以下简称“MEI”) 2025-2026年第一学期第1次研讨会 (以下简称“Seminar”) 在MEI如期举行，参与本次研讨会的有黄敏学老师及MEI各位成员。

　　本次Seminar由谢晓东研读文章《The Promotional Effects of Live Streams by Twitch Influencers》。

　　一、研究简介

　　在过去的几年里，直播已经成为一种广受欢迎的媒体形式。为了利用这种快速增长的模式，许多公司雇佣网红在直播中推广他们的产品。

　　一、理论背景

　　1.现实价值与研究贡献

　　从业者似乎普遍认为，直播促销能带来高回报。然而，有选择性报道的成功案例可能夸大了直播推广的平均效果。如果企业利用这种促销来宣传已经越来越受欢迎的产品，这些案例可能会造成一种错误的印象，即直播推动了销售。

　　学术文献很少尝试超越暗示性的案例，估计直播促销对产品需求的因果影响。

　　2.研究内容

　　在本文中，作者估计了直播对电子游戏行业的影响。

　　首先，估算视频游戏直播对观看直播游戏人数的平均影响。

　　其次，超越这一平均效应，我们进一步估算并描述不同类型游戏中直播效应的分布情况。

　　第三，使用这些估计的直播效果来评估游戏发行商在赞助直播中推广游戏的预期收益。

　　二、研究设计

　　1.数据来源

　　Twitch.tv的直播数据(每个小时相关游戏的直播情况)

　　来自Steam的游戏使用数据(每个小时相关游戏的使用时长和游戏介绍等)

　　2019-2020年的美国个人购买数据补充主要数据集(通过个人观看主播后是否购买计算转化率)。

　　twitchtracker.com收集了每位主播每日活跃订阅用户数量的数据(计算开播博主的开播价格)。

　　2.方法概述

　　一、实证分析

　　1.实证策略

　　我们使用以下工具变量(IV)策略来模拟这个理想的实验。利用我们的高频数据，我们控制游戏日期固定效应，以隔离顶级流媒体的广播活动在一天内的变化。

　　和以前一样，我们将顶级流媒体定义为平均同时观看人数最多的5%的流媒体。

　　然后，我们使用在给定小时内播放游戏的顶级主播数量作为该游戏在该小时内Twitch收视率的IV。

　　我们的主要假设是，尽管主播可以策略性地选择是否直播以及在某一天播放哪些游戏，但他们在某一天播放游戏的时间并不会对这款游戏的受欢迎程度产生影响。

　　2.实证模型与估计

　　我们设定了一个模型，既捕捉 Twitch 观众数量对游戏使用量的即时影响，也捕捉其在后续时间段的持续影响：

　　其中，Vjt(δ)  是下文将解释的总观众存量;λj, d(t)是游戏-日期固定效应，(d(t)) 是时间(t)对应的日期;µj, h(t) 是游戏-一天中的小时固定效应，(h(t)) 是时间(t)对应的一天中的小时;ηt是时间固定效应;εjt是特质冲击。

　　方程(1)中的变量Vjt(δ) 是游戏j在时间t的总观众存量。可以将Vjt(δ) 解释为衡量观众最近花在 Twitch 上观看游戏(j)直播的累计时间。我们将Vjt(δ) 定义为具有几何衰减权重的近期观众数量的加权和：

　　其中，Viewersjt是在时间t观看 Twitch 上游戏j直播的总人数，δ是一个介于0和1之间的持续性参数。在估计中，我们假设(T = 72)小时，这使得观众数量的影响最多可以持续三天。

　　我们构建了一个工具变量向量zjt=(zjt,zjt-1,...zjt-12)，其中zjt 是在小时t直播游戏j的顶级主播数量。也就是说，zjt 是一个工具变量向量，捕捉了在小时t和t之前的 12 小时内有多少顶级主播直播了游戏j。

　　3.Twitch直播观众数量的平均效应

　　与此可能性一致，假设δ的模型产生的弹性估计值为 0.013，低于我们考虑了持续效应的首选模型(第3列)。

　　Twitch 直播观众数量的平均效应(稳健性检验)

　　直播可能会在直播期间将观众从玩所直播的游戏中分流出来，并可能鼓励他们在直播后玩这款游戏，从而产生负的同期效应和正的溢出效应。

　　我们估计了一个分布滞后模型，该模型将当前玩家数量非参数地回归到观众数量的滞后值。

　　我们还表明，我们的结果对于包含其他固定效应集、使用原始的 10 分钟间隔估计模型、改变zjt中滞后工具变量的数量、剔除不受欢迎的游戏观众或玩家为零的日子，以及仅基于在不同日子直播时间有较大变化的顶级主播构建工具变量zjt都是稳健的。

　　4.理解直播效应的异质性

　　图4显示了估计的弹性β(xj)的分布。所有游戏的平均估计弹性为0.022，与我们在表3中的平均弹性估计值0.027相似。

　　此外，我们估计不同游戏的直播效应存在显著的异质性。估计的弹性在-0.112到0.156之间变化，四分位距为0.005到0.029。该分布明显向零倾斜，这意味着对于大多数游戏来说，直播带来的新增玩家很少。

　　接下来，我们探讨估计的弹性如何随属性xj变化。

　　综合来看，我们发现直播效应在小型发行商的游戏、高评分游戏以及具有小众吸引力的游戏中最为显著。

　　5.赞助直播的投资回报率

　　考虑一个雇佣顶级主播在 Twitch 上直播游戏的发行商。在本节中，我们提供简单的粗略计算，以评估此类赞助对我们样本中游戏的盈利能力。

　　其中，∆Purchasej = = ∆Playersj × Conversion是由赞助直播产生的新购买数量，等于由直播带来的游戏新增玩家数量(∆Playersj)乘以这些玩家中购买游戏的比例(“转化率”)。

　　6.赞助直播和有机直播的效果是否相同？

　　赞助直播的效果可能与有机直播不同。

　　然而，我们发现赞助直播在增加玩家数量方面的效果仅为有机直播的 17.3%，这意味着赞助直播增加观众数量的平均弹性约为0.031×17.3%≈0.005。

　　7.赞助直播如何影响游戏使用量？

　　在没有赞助直播的情况下，游戏(j)处于稳定状态，具有一定数量的玩家Players0 j、观众数量Viewers0 j和基准观众存量V0 j。我们假设前两个变量的基准值等于我们样本中该游戏的平均玩家数量和观众数量。

　　我们表明，赞助直播使观众数量增加了2559人。

　　8.直播如何影响游戏销量？

　　在在线附录E.4中，我们使用来自Comscore面板的个人层面数据分解了估计的直播弹性。我们估计在Twitch上观看一款游戏是否会使消费者更有可能在同一小时内在Steam上购买该游戏。

　　我们发现，在 Twitch 上观看一款游戏会使在 Steam 上购买该游戏的概率增加0.0016。

　　9.投资回报率估计

　　图6可视化了根据方程(4)计算的每小时赞助直播的预期美元收入分布。

　　我们发现赞助对收入的中位数影响仅为7.66美元，远低于估计的144美元赞助费。这些估计意味着中位数投资回报率为- 95%。

　　10.管理启示

　　首先，从业者不应过分看重那些经常被报道的、据称赞助直播产生了高投资回报率的轶事。

　　从业者应谨慎选择通过直播推广哪些视频游戏。

　　最后，从业者应考虑其他生成直播内容的方式。我们表明，有机直播在吸引玩家参与所直播的游戏方面的效果约为赞助直播的六倍。

　　一、研究启示

　　1.主要研究结果

　　1.直播对游戏玩家数量的影响：通过利用 Twitch网红直播时长的外生变异，研究发现直播能使游戏玩家数量产生小而短暂的增长。

　　2.直播效应的异质性：结合游戏属性分析，Twitch直播的效果在不同类型游戏中存在差异，主要体现在能提高小众发行商游戏的知名度，以及帮助消费者了解游戏质量和匹配价值。

　　3.赞助直播的投资回报：通过估算可知，仅有较少游戏能从Twitch的赞助直播中获得正回报。

　　2.研究局限

　　1.投资回报估算的局限性：ROI估算结合了不同的数据来源，且其中包含多项较强的假设。

　　2.效应研究的局限性：由于数据性质和实证策略的限制，研究仅关注了直播的短期效应。

　　至此，本次Seminar文章研读完毕。

　　之后，由喻英豪、陈星宇、陈铭雯分享研究进展，老师与同学们提出了建议，并明确了进一步的研究计划。

　　至此，本学期第1次Seminar圆满结束。

　　文字 / 刘雨璐

　　排版 / 刘雨璐

　　审核 / 左翎