论文部分内容阅读
本文通過对“京东众筹”下成功的样本进行随机抽样分析，多元线性回归模型和联立方程模型，将影响众筹的因素可以分为先决变量和内生变量，先决变量包括发起者类型、互动、项目描述，内生变量包括支持者。得出如下结论：在众筹过程前，发起者可以根据企业的规模、与支持者互动，商品描述详细度、公司规模、类别预测筹集金额，进行最优规模确定。在众筹过程中，企业可以根据实物投资人数、点赞人数预测筹得金额，进行调整。这一结论有助于企业制定合理的预期目标，选择最佳生产规模、取得最大利润。
一、绪论
众筹是一种新型融资方式。众筹通过互联网进行融资，出资者众多，人均出资较少，在规定时间内达到目标金额即为众筹成功。2011年，我国首家众筹平台“点名时间”成立，随后相继出现追梦网、天使汇等早期众筹平台。2014年，京东涉足金融，成立众筹平台，市场潜力较大。Anderson于2004年首次提出冲击了“二八定律”的长尾理论。即，尾部市场向右侧无限延长，众多异质化产品市场汇合商品交易量甚至可以匹敌主流市场。霍兵将长尾理论与互联网金融相结合，研究两者关系。互联网平台上发布众筹项目，宣传费用交易成本大幅降低。企业大多选择异质化产品，满足用户不同的偏好。
迄今为止，前期文献大多研究融资绩效，忽略了如何对筹得金额、实际销量进行合理预期，众筹企业可以在预期筹得金额与预期销量上，调整可变要素与固定要素的比例，选择最优生产规模，降低众筹成本，获得最大利润。
二、假设提出
（一）影响最终筹得金额的先决因素
先决因素是指影响系统，不受系统影响的因素，本文假定项目描述、与参与者互动、发起者类型、类别属于先决因素。其中，由于发起者与支持者的互动主要取决于厂商的重视程度与专业人员配备，本文假设支持者同质，将互动看作发起者的自身能力。
Craig R. Everett提出，与传统金融融资渠道不同，互联网融资缺乏监督。逆向选择问题使得在众筹过程中，劣等产品将优秀产品逐出市场的问题更为明显。解决逆向选择问题，厂商可以通过增加项目描述，表明自身企业类型，通过与支持者的互动，将有效信息传达给支持者，来通过信号效应减少逆向选择问题。
（二）影响最终筹得金额的内生因素
内生因素是指，由系统决定，受系统影响的因素，本文特指支持者。
发起者可以根据系统的内生因素不断调整生产规模。发起者不能忽视“羊群效应”，即个人的观念或行为与多数人相一致的方向变化的现象。余欣研究表明，支持者人数对于项目成功率有正向影响。Kuppuswamy提出，个人的决策会影响他人的决策，并且在项目期初和期末尤为明显。本文认为，发起者项目的完成离不开支持者，但支持者是陆续加入。发起者项目前期加入的支持者会给随后的支持者一种安全的信号，使得前期筹集金额多的项目筹集金额更多，前期筹得金额较少的项目后期进展更加困难。
三、模型设计和变量定义
（一）影响最终筹得金额的先决因素模型
模型一：Ln（raise）= + interact+ progress+ ln（price）+ large+ small+ quality
+ video+ discount+μ
模型二：Ln（raise）= +interact+progress+ln（price）+large+small+quality
+video+discount+technology+appliances+μ
模型三：模型二：Ln（raise）= +interact+progress+ln（price+large+small+quality
+video+discount+technology×quality+interact×technology+μ
模型一是模型二与模型三的对照组，后者重点研究类别对于筹得金额的固定影响与边际影响。
变量 解释
Ln（raise） 每个项目最终筹得的金额
interact 发起者与支持者的互动，即话题数为，企业与支持者对话数
Progress 发起者与支持者的互动，即项目发展阶段说明条数。
Video 有视频描述取1，否则取0。
Quality 有前文描述的详细描述，如尺寸等，取1否则取0。
Discount 有明确折扣或远低于市场价格字样，取1否则取0。
Large 若企业为知名企业或国际企业，则large变量取1否则取0。
Small 若企业描述不详细、或没有出现公司的字样，变量取1。
Appliances 家电类别取1。
Technology 科技类别取1。
Ln（price） 项目商品单价，即最低商品价格。
注：Quality项目描述度是哑变量，通过有无具体参数描述，例如功率、尺寸、使用温度、目录、保质期、原料等。
（二） 影响最终筹得金额的内生因素模型
由于发起者在众筹过程中可以根据支持者的人数不断调整生产规模，而由羊群理论支持者数量会影响投资者投资心理。因此本文考虑京东平台独有特点，创新性地加入了实物投资人数这一分类。但不同支持者人数均为内生变量，受先决变量价格，公司规模，类别，话题数影响，因此本文采用联立方程模型进行研究，并用两阶段最小二乘法进行估计。
ln（raise）=+ln（object）+ln（favor）+technology+ln（interact）+μ （1）
ln（object）=+technology +ln（price）+ln（interact）large+μ （2） ln（favor）=++ technology+ ln（price）+ ln（interact）+large+μ （3）
四、實证检验
本文数据源于京东众筹平台6个类别下各100的成功样本。采用随机抽样取法，即计算机生成随机数字，根据生成的随机数字抽取对应类别下的样本。类别为娱乐、健康、出版、设计、家电、科技。由于失败样本全部下架，无法获取，所以本文不再研究众筹是否成功的影响因素，而研究影响众筹筹得金额的影响因素。
（一）影响最终筹得金额的先决因素实证检验
1. 描述性统计
变量 N 均值 最小 P25 中位数 P75 最大 标准差
Discount 600 0.42 0 0 0 1 1 0.494
Small 600 0.34 0 0 0 1 1 0.475
Large 600 0.11 0 0 0 0 1 0.317
Quality 600 0.69 0 0 1 1 1 0.462
Video 600 0.35 0 0 0 1 1 0.478
Interact 600 105.16 0 17 41 105 2101 185.127
Progress 600 14.33 0 5 11 18 167 15.194
Ln（price） 600 5.21 1.61 4.22 5.07 6.13 10.12 1.44
2. 检验结果
Variable 模型一 模型二 模型三
Coef Prob Coef Prob Coef Prob
C 9.0197 0.000*** 9.3505 0.000*** 9.1932 0.000***
interact 0.0034 0.000*** 0.0029 0.000*** 0.0037 0.000***
progress 0.0170 0.000*** 0.0175 0.000*** 0.0170 0.000***
video 0.0005 0.9963 -0.0827 0.443 -0.0846 0.436
quality 0.8979 0.000*** 0.7361 0.000*** 0.7078 0.000***
discount 0.0001 0.9991 0.0511 0.629 0.0789 0.453
ln（price） 0.3019 0.000*** 0.2207 0.000*** 0.2597 0.000***
large 0.5271 0.003*** 0.6402 0.000*** 0.6589 0.000***
small -0.168 0.1498 -0.1425 0.207 -0.1782 0.115
technology 1.1313 0.000***
appliances 0.2865 0.106
quality×technology 1.1391 0.000***
interact×technology -0.001 0.032**
R-square 44.19% 48.72% 48.00%
本文变量容差小于0.1。VIF小于10。表示不存在强烈共线性。且本文进行怀特检验，结果显示三个模型均不存在异方差问题。项目描述详细度，项目进展数，话题数，大公司均与最终筹得金额正相关。Small变量在三个模型中虽系数为负，但不显著。模型二与模型一对比可知，筹得金额与科技类别正相关，与家电类别并不敏感，为研究科技类别对其他解释变量的边际影响，本文建立模型三，由结果可知，科技类别下众筹项目，项目描述度边际贡献更高，表明投资者更看重科技类别的详细参数；而话题数却边际贡献较低。
（二）影响最终筹得金额的内生因素实证检验
变量 N 均值 最小值 中位数 最大值 标准差
Object 600 351.81 5 118 14805 972.13
favor 600 2204.06 37 705.50 60000 5146.61
实物投资人数，点赞人数的均值均远远高于中位数，表明极端值较严重，因此本文将两变量作对数化处理。点赞人数远远多于实物投资人数。表明吸引一个实物投资人需要较多的点赞人数。
2. 检验结果
模型中内生变量为ln（raise）、ln（object）、ln（favor），先决变量为technology、ln（price）、ln（interact）、large、1，该模型是可识别模型，因此本文选择两阶段最小二乘法。
先将模型化为简化式，再将简化模型内生变量估计值替换观测值。
简化式：
ln（raise）=+technology+ln（price）+ln（interact）+
ln（object）=+technology+ln（price）+ln（interact）+
ln（favor）+technology+ln（price）+ln（interact）+
变量 ln（raise） ln（object） ln（favor）
Coef Prob Coef Prob Coef Prob
C 3.2635 0.000*** -1.566 0.000*** 1.0721 0.000***
technology 1.1256 0.000*** -0.128 0.2408 0.1531 0.000*** ln（price） 0.6511 0.000*** 3.4138 0.005*** 0.1906 0.000***
ln（interact） 0.1640 0.015** 0.2175 0.000*** -0.028 0.020**
large 0.6511 0.000*** -0.350 0.000*** 0.3208 0.000***
R-square 55.35% 45.76% 13.11%
結构式模型为：
ln（raise）=-0.700+0.7540ln（object）+4.7986ln（favor）+0.4870technology+0.4870ln（interact）
ln（object）=-1.566-0.128technology+3.4138ln（price）+0.2175ln（interact）-0.350large
ln（favor）=1.0721+0.1531technology+0.1906ln（price）-0.028 ln（interact）+0.3208large
由结果可知，发起者公司规模、项目价格、话题数均可影响点赞人数、实物投资人数。由结构模型可知，点赞人数变化1%，筹得金额变化4.7986%，实物投资人数变化1%，筹得金额变化0.7540%，筹得金额与点赞人数的敏感系数大于筹得金额与实物投资人数的敏感系数，因此点赞人数增加对于筹得金额增加更具有影响力。
五、结论及建议
（一）本文结论
发起者在众筹之前可以根据先决模型进行预测，得出相应预期以确定最优生产规模。其中，筹得金额与企业规模、项目价格、项目描述度、参与者互动成正相关。科技类别下，筹得金额较其他类别高。
发起者在众筹过程中可以根据内生变量模型进行调整，降低由于预测偏差而带来的损失。其中筹得金额与点赞人数和实物投资人数正相关，且对于点赞人数的敏感性更高。
（二）借鉴意义
众筹作为新型融资模式，最佳生产规模选择可以降低成本。因此，如何制定合理生产规模，保持可变成本、固定成本比例最优化，成为企业关心问题之一。本文提供筹得金额预测模型，对最终筹得金额进行合理预测，对销量进行预测，从而优化生产规模，促进利润提高。
发起者若希望筹集金额更多，销量更大，则应当及时更新项目进展、对项目描述更加详细，及时解决消费者的疑问，而不是以含糊、模糊的说法描述项目，或是对消费者的疑问进行推脱、掩盖缺点、回答不明确等。
发起者前期自身宣传尤为重要。由于从众心理，项目最初的支持者会影响后续支持者。因此前期众筹既是发起者的一个机会，也是一个挑战。（作者单位为天津财经大学）
一、绪论
众筹是一种新型融资方式。众筹通过互联网进行融资，出资者众多，人均出资较少，在规定时间内达到目标金额即为众筹成功。2011年，我国首家众筹平台“点名时间”成立，随后相继出现追梦网、天使汇等早期众筹平台。2014年，京东涉足金融，成立众筹平台，市场潜力较大。Anderson于2004年首次提出冲击了“二八定律”的长尾理论。即，尾部市场向右侧无限延长，众多异质化产品市场汇合商品交易量甚至可以匹敌主流市场。霍兵将长尾理论与互联网金融相结合，研究两者关系。互联网平台上发布众筹项目，宣传费用交易成本大幅降低。企业大多选择异质化产品，满足用户不同的偏好。
迄今为止，前期文献大多研究融资绩效，忽略了如何对筹得金额、实际销量进行合理预期，众筹企业可以在预期筹得金额与预期销量上，调整可变要素与固定要素的比例，选择最优生产规模，降低众筹成本，获得最大利润。
二、假设提出
（一）影响最终筹得金额的先决因素
先决因素是指影响系统，不受系统影响的因素，本文假定项目描述、与参与者互动、发起者类型、类别属于先决因素。其中，由于发起者与支持者的互动主要取决于厂商的重视程度与专业人员配备，本文假设支持者同质，将互动看作发起者的自身能力。
Craig R. Everett提出，与传统金融融资渠道不同，互联网融资缺乏监督。逆向选择问题使得在众筹过程中，劣等产品将优秀产品逐出市场的问题更为明显。解决逆向选择问题，厂商可以通过增加项目描述，表明自身企业类型，通过与支持者的互动，将有效信息传达给支持者，来通过信号效应减少逆向选择问题。
（二）影响最终筹得金额的内生因素
内生因素是指，由系统决定，受系统影响的因素，本文特指支持者。
发起者可以根据系统的内生因素不断调整生产规模。发起者不能忽视“羊群效应”，即个人的观念或行为与多数人相一致的方向变化的现象。余欣研究表明，支持者人数对于项目成功率有正向影响。Kuppuswamy提出，个人的决策会影响他人的决策，并且在项目期初和期末尤为明显。本文认为，发起者项目的完成离不开支持者，但支持者是陆续加入。发起者项目前期加入的支持者会给随后的支持者一种安全的信号，使得前期筹集金额多的项目筹集金额更多，前期筹得金额较少的项目后期进展更加困难。
三、模型设计和变量定义
（一）影响最终筹得金额的先决因素模型
模型一：Ln（raise）= + interact+ progress+ ln（price）+ large+ small+ quality
+ video+ discount+μ
模型二：Ln（raise）= +interact+progress+ln（price）+large+small+quality
+video+discount+technology+appliances+μ
模型三：模型二：Ln（raise）= +interact+progress+ln（price+large+small+quality
+video+discount+technology×quality+interact×technology+μ
模型一是模型二与模型三的对照组，后者重点研究类别对于筹得金额的固定影响与边际影响。
变量 解释
Ln（raise） 每个项目最终筹得的金额
interact 发起者与支持者的互动，即话题数为，企业与支持者对话数
Progress 发起者与支持者的互动，即项目发展阶段说明条数。
Video 有视频描述取1，否则取0。
Quality 有前文描述的详细描述，如尺寸等，取1否则取0。
Discount 有明确折扣或远低于市场价格字样，取1否则取0。
Large 若企业为知名企业或国际企业，则large变量取1否则取0。
Small 若企业描述不详细、或没有出现公司的字样，变量取1。
Appliances 家电类别取1。
Technology 科技类别取1。
Ln（price） 项目商品单价，即最低商品价格。
注：Quality项目描述度是哑变量，通过有无具体参数描述，例如功率、尺寸、使用温度、目录、保质期、原料等。
（二） 影响最终筹得金额的内生因素模型
由于发起者在众筹过程中可以根据支持者的人数不断调整生产规模，而由羊群理论支持者数量会影响投资者投资心理。因此本文考虑京东平台独有特点，创新性地加入了实物投资人数这一分类。但不同支持者人数均为内生变量，受先决变量价格，公司规模，类别，话题数影响，因此本文采用联立方程模型进行研究，并用两阶段最小二乘法进行估计。
ln（raise）=+ln（object）+ln（favor）+technology+ln（interact）+μ （1）
ln（object）=+technology +ln（price）+ln（interact）large+μ （2） ln（favor）=++ technology+ ln（price）+ ln（interact）+large+μ （3）
四、實证检验
本文数据源于京东众筹平台6个类别下各100的成功样本。采用随机抽样取法，即计算机生成随机数字，根据生成的随机数字抽取对应类别下的样本。类别为娱乐、健康、出版、设计、家电、科技。由于失败样本全部下架，无法获取，所以本文不再研究众筹是否成功的影响因素，而研究影响众筹筹得金额的影响因素。
（一）影响最终筹得金额的先决因素实证检验
1. 描述性统计
变量 N 均值 最小 P25 中位数 P75 最大 标准差
Discount 600 0.42 0 0 0 1 1 0.494
Small 600 0.34 0 0 0 1 1 0.475
Large 600 0.11 0 0 0 0 1 0.317
Quality 600 0.69 0 0 1 1 1 0.462
Video 600 0.35 0 0 0 1 1 0.478
Interact 600 105.16 0 17 41 105 2101 185.127
Progress 600 14.33 0 5 11 18 167 15.194
Ln（price） 600 5.21 1.61 4.22 5.07 6.13 10.12 1.44
2. 检验结果
Variable 模型一 模型二 模型三
Coef Prob Coef Prob Coef Prob
C 9.0197 0.000*** 9.3505 0.000*** 9.1932 0.000***
interact 0.0034 0.000*** 0.0029 0.000*** 0.0037 0.000***
progress 0.0170 0.000*** 0.0175 0.000*** 0.0170 0.000***
video 0.0005 0.9963 -0.0827 0.443 -0.0846 0.436
quality 0.8979 0.000*** 0.7361 0.000*** 0.7078 0.000***
discount 0.0001 0.9991 0.0511 0.629 0.0789 0.453
ln（price） 0.3019 0.000*** 0.2207 0.000*** 0.2597 0.000***
large 0.5271 0.003*** 0.6402 0.000*** 0.6589 0.000***
small -0.168 0.1498 -0.1425 0.207 -0.1782 0.115
technology 1.1313 0.000***
appliances 0.2865 0.106
quality×technology 1.1391 0.000***
interact×technology -0.001 0.032**
R-square 44.19% 48.72% 48.00%
本文变量容差小于0.1。VIF小于10。表示不存在强烈共线性。且本文进行怀特检验，结果显示三个模型均不存在异方差问题。项目描述详细度，项目进展数，话题数，大公司均与最终筹得金额正相关。Small变量在三个模型中虽系数为负，但不显著。模型二与模型一对比可知，筹得金额与科技类别正相关，与家电类别并不敏感，为研究科技类别对其他解释变量的边际影响，本文建立模型三，由结果可知，科技类别下众筹项目，项目描述度边际贡献更高，表明投资者更看重科技类别的详细参数；而话题数却边际贡献较低。
（二）影响最终筹得金额的内生因素实证检验
变量 N 均值 最小值 中位数 最大值 标准差
Object 600 351.81 5 118 14805 972.13
favor 600 2204.06 37 705.50 60000 5146.61
实物投资人数，点赞人数的均值均远远高于中位数，表明极端值较严重，因此本文将两变量作对数化处理。点赞人数远远多于实物投资人数。表明吸引一个实物投资人需要较多的点赞人数。
2. 检验结果
模型中内生变量为ln（raise）、ln（object）、ln（favor），先决变量为technology、ln（price）、ln（interact）、large、1，该模型是可识别模型，因此本文选择两阶段最小二乘法。
先将模型化为简化式，再将简化模型内生变量估计值替换观测值。
简化式：
ln（raise）=+technology+ln（price）+ln（interact）+
ln（object）=+technology+ln（price）+ln（interact）+
ln（favor）+technology+ln（price）+ln（interact）+
变量 ln（raise） ln（object） ln（favor）
Coef Prob Coef Prob Coef Prob
C 3.2635 0.000*** -1.566 0.000*** 1.0721 0.000***
technology 1.1256 0.000*** -0.128 0.2408 0.1531 0.000*** ln（price） 0.6511 0.000*** 3.4138 0.005*** 0.1906 0.000***
ln（interact） 0.1640 0.015** 0.2175 0.000*** -0.028 0.020**
large 0.6511 0.000*** -0.350 0.000*** 0.3208 0.000***
R-square 55.35% 45.76% 13.11%
結构式模型为：
ln（raise）=-0.700+0.7540ln（object）+4.7986ln（favor）+0.4870technology+0.4870ln（interact）
ln（object）=-1.566-0.128technology+3.4138ln（price）+0.2175ln（interact）-0.350large
ln（favor）=1.0721+0.1531technology+0.1906ln（price）-0.028 ln（interact）+0.3208large
由结果可知，发起者公司规模、项目价格、话题数均可影响点赞人数、实物投资人数。由结构模型可知，点赞人数变化1%，筹得金额变化4.7986%，实物投资人数变化1%，筹得金额变化0.7540%，筹得金额与点赞人数的敏感系数大于筹得金额与实物投资人数的敏感系数，因此点赞人数增加对于筹得金额增加更具有影响力。
五、结论及建议
（一）本文结论
发起者在众筹之前可以根据先决模型进行预测，得出相应预期以确定最优生产规模。其中，筹得金额与企业规模、项目价格、项目描述度、参与者互动成正相关。科技类别下，筹得金额较其他类别高。
发起者在众筹过程中可以根据内生变量模型进行调整，降低由于预测偏差而带来的损失。其中筹得金额与点赞人数和实物投资人数正相关，且对于点赞人数的敏感性更高。
（二）借鉴意义
众筹作为新型融资模式，最佳生产规模选择可以降低成本。因此，如何制定合理生产规模，保持可变成本、固定成本比例最优化，成为企业关心问题之一。本文提供筹得金额预测模型，对最终筹得金额进行合理预测，对销量进行预测，从而优化生产规模，促进利润提高。
发起者若希望筹集金额更多，销量更大，则应当及时更新项目进展、对项目描述更加详细，及时解决消费者的疑问，而不是以含糊、模糊的说法描述项目，或是对消费者的疑问进行推脱、掩盖缺点、回答不明确等。
发起者前期自身宣传尤为重要。由于从众心理，项目最初的支持者会影响后续支持者。因此前期众筹既是发起者的一个机会，也是一个挑战。（作者单位为天津财经大学）