眾籌籌得金額影響因素實證分析

本文通過對“京東眾籌”下成功的樣本進行隨機抽樣分析，多元線性回歸模型和聯立方程模型，將影響眾籌的因素可以分為先決變量和內生變量，先決變量包括發起者類型、互動、項目描述，內生變量包括支持者。得出如下結論：在眾籌過程前，發起者可以根據企業的規模、與支持者互動，商品描述詳細度、公司規模、類別預測籌集金額，進行最優規模確定。在眾籌過程中，企業可以根據實物投資人數、點贊人數預測籌得金額，進行調整。這一結論有助于企業制定合理的預期目標，選擇最佳生產規模、取得最大利潤。

一、緒論

眾籌是一種新型融資方式。眾籌通過互聯網進行融資，出資者眾多，人均出資較少，在規定時間內達到目標金額即為眾籌成功。2011年，我國首家眾籌平臺“點名時間”成立，隨后相繼出現追夢網、天使匯等早期眾籌平臺。2014年，京東涉足金融，成立眾籌平臺，市場潛力較大。Anderson于2004年首次提出沖擊了“二八定律”的長尾理論。即，尾部市場向右側無限延長，眾多異質化產品市場匯合商品交易量甚至可以匹敵主流市場?；舯鴮㈤L尾理論與互聯網金融相結合，研究兩者關系?；ヂ摼W平臺上發布眾籌項目，宣傳費用交易成本大幅降低。企業大多選擇異質化產品，滿足用戶不同的偏好。

迄今為止，前期文獻大多研究融資績效，忽略了如何對籌得金額、實際銷量進行合理預期，眾籌企業可以在預期籌得金額與預期銷量上，調整可變要素與固定要素的比例，選擇最優生產規模，降低眾籌成本，獲得最大利潤。

二、假設提出

（一）影響最終籌得金額的先決因素

先決因素是指影響系統，不受系統影響的因素，本文假定項目描述、與參與者互動、發起者類型、類別屬于先決因素。其中，由于發起者與支持者的互動主要取決于廠商的重視程度與專業人員配備，本文假設支持者同質，將互動看作發起者的自身能力。

Craig R. Everett提出，與傳統金融融資渠道不同，互聯網融資缺乏監督。逆向選擇問題使得在眾籌過程中，劣等產品將優秀產品逐出市場的問題更為明顯。解決逆向選擇問題，廠商可以通過增加項目描述，表明自身企業類型，通過與支持者的互動，將有效信息傳達給支持者，來通過信號效應減少逆向選擇問題。

（二）影響最終籌得金額的內生因素

內生因素是指，由系統決定，受系統影響的因素，本文特指支持者。

發起者可以根據系統的內生因素不斷調整生產規模。發起者不能忽視“羊群效應”，即個人的觀念或行為與多數人相一致的方向變化的現象。余欣研究表明，支持者人數對于項目成功率有正向影響。Kuppuswamy提出，個人的決策會影響他人的決策，并且在項目期初和期末尤為明顯。本文認為，發起者項目的完成離不開支持者，但支持者是陸續加入。發起者項目前期加入的支持者會給隨后的支持者一種安全的信號，使得前期籌集金額多的項目籌集金額更多，前期籌得金額較少的項目后期進展更加困難。

三、模型設計和變量定義

（一）影響最終籌得金額的先決因素模型

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

模型一是模型二與模型三的對照組，后者重點研究類別對于籌得金額的固定影響與邊際影響。

變量解釋

Ln（raise）每個項目最終籌得的金額

interact發起者與支持者的互動，即話題數為，企業與支持者對話數

Progress發起者與支持者的互動，即項目發展階段說明條數。

Video有視頻描述取1，否則取0。

Quality有前文描述的詳細描述，如尺寸等，取1否則取0。

Discount有明確折扣或遠低于市場價格字樣，取1否則取0。

Large若企業為知名企業或國際企業，則large變量取1否則取0。

Small若企業描述不詳細、或沒有出現公司的字樣，變量取1。

Appliances家電類別取1。

Technology科技類別取1。

Ln（price）項目商品單價，即最低商品價格。

注：Quality項目描述度是啞變量，通過有無具體參數描述，例如功率、尺寸、使用溫度、目錄、保質期、原料等。

（二） 影響最終籌得金額的內生因素模型

由于發起者在眾籌過程中可以根據支持者的人數不斷調整生產規模，而由羊群理論支持者數量會影響投資者投資心理。因此本文考慮京東平臺獨有特點，創新性地加入了實物投資人數這一分類。但不同支持者人數均為內生變量，受先決變量價格，公司規模，類別，話題數影響，因此本文采用聯立方程模型進行研究，并用兩階段最小二乘法進行估計。

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、實證檢驗

本文數據源于京東眾籌平臺6個類別下各100的成功樣本。采用隨機抽樣取法，即計算機生成隨機數字，根據生成的隨機數字抽取對應類別下的樣本。類別為娛樂、健康、出版、設計、家電、科技。由于失敗樣本全部下架，無法獲取，所以本文不再研究眾籌是否成功的影響因素，而研究影響眾籌籌得金額的影響因素。

（一）影響最終籌得金額的先決因素實證檢驗

1. 描述性統計

變量N均值最小P25中位數P75最大標準差

Discount6000.42000110.494

Small6000.34000110.475

Large6000.11000010.317

Quality6000.69001110.462

Video6000.35000110.478

Interact600105.16017411052101185.127

Progress60014.3305111816715.194

Ln（price）6005.211.614.225.076.1310.121.44

2. 檢驗結果

Variable模型一模型二模型三

CoefProbCoefProbCoefProb

C9.01970.000***9.35050.000***9.19320.000***

interact0.00340.000***0.00290.000***0.00370.000***

progress0.01700.000***0.01750.000***0.01700.000***

video0.00050.9963-0.08270.443-0.08460.436

quality0.89790.000***0.73610.000***0.70780.000***

discount0.00010.99910.05110.6290.07890.453

ln（price）0.30190.000***0.22070.000***0.25970.000***

large0.52710.003***0.64020.000***0.65890.000***

small-0.1680.1498-0.14250.207-0.17820.115

technology 1.13130.000***

appliances 0.28650.106

quality×technology 1.13910.000***

interact×technology -0.0010.032**

R-square44.19%48.72%48.00%

本文變量容差小于0.1。VIF小于10。表示不存在強烈共線性。且本文進行懷特檢驗，結果顯示三個模型均不存在異方差問題。項目描述詳細度，項目進展數，話題數，大公司均與最終籌得金額正相關。Small變量在三個模型中雖系數為負，但不顯著。模型二與模型一對比可知，籌得金額與科技類別正相關，與家電類別并不敏感，為研究科技類別對其他解釋變量的邊際影響，本文建立模型三，由結果可知，科技類別下眾籌項目，項目描述度邊際貢獻更高，表明投資者更看重科技類別的詳細參數；而話題數卻邊際貢獻較低。

（二）影響最終籌得金額的內生因素實證檢驗

變量N均值最小值中位數最大值標準差

Object600351.81511814805972.13

favor6002204.0637705.50600005146.61

實物投資人數，點贊人數的均值均遠遠高于中位數，表明極端值較嚴重，因此本文將兩變量作對數化處理。點贊人數遠遠多于實物投資人數。表明吸引一個實物投資人需要較多的點贊人數。

2. 檢驗結果

模型中內生變量為ln（raise）、ln（object）、ln（favor），先決變量為technology、ln（price）、ln（interact）、large、1，該模型是可識別模型，因此本文選擇兩階段最小二乘法。

先將模型化為簡化式，再將簡化模型內生變量估計值替換觀測值。

簡化式：

ln（raise）=+technology+ln（price）+ln（interact）+

ln（object）=+technology+ln（price）+ln（interact）+

ln（favor）+technology+ln（price）+ln（interact）+

變量ln（raise）ln（object）ln（favor）

CoefProbCoefProbCoefProb

C3.26350.000***-1.5660.000***1.07210.000***

technology1.12560.000***-0.1280.24080.15310.000***

ln（price）0.65110.000***3.41380.005***0.19060.000***

ln（interact）0.16400.015**0.21750.000***-0.0280.020**

large0.65110.000***-0.3500.000***0.32080.000***

R-square55.35%45.76%13.11%

結構式模型為：

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

由結果可知，發起者公司規模、項目價格、話題數均可影響點贊人數、實物投資人數。由結構模型可知，點贊人數變化1%，籌得金額變化4.7986%，實物投資人數變化1%，籌得金額變化0.7540%，籌得金額與點贊人數的敏感系數大于籌得金額與實物投資人數的敏感系數，因此點贊人數增加對于籌得金額增加更具有影響力。

五、結論及建議

（一）本文結論

發起者在眾籌之前可以根據先決模型進行預測，得出相應預期以確定最優生產規模。其中，籌得金額與企業規模、項目價格、項目描述度、參與者互動成正相關。科技類別下，籌得金額較其他類別高。

發起者在眾籌過程中可以根據內生變量模型進行調整，降低由于預測偏差而帶來的損失。其中籌得金額與點贊人數和實物投資人數正相關，且對于點贊人數的敏感性更高。

（二）借鑒意義

眾籌作為新型融資模式，最佳生產規模選擇可以降低成本。因此，如何制定合理生產規模，保持可變成本、固定成本比例最優化，成為企業關心問題之一。本文提供籌得金額預測模型，對最終籌得金額進行合理預測，對銷量進行預測，從而優化生產規模，促進利潤提高。

發起者若希望籌集金額更多，銷量更大，則應當及時更新項目進展、對項目描述更加詳細，及時解決消費者的疑問，而不是以含糊、模糊的說法描述項目，或是對消費者的疑問進行推脫、掩蓋缺點、回答不明確等。

發起者前期自身宣傳尤為重要。由于從眾心理，項目最初的支持者會影響后續支持者。因此前期眾籌既是發起者的一個機會，也是一個挑戰。（作者單位為天津財經大學）