基于眾籌融資效率的影響因素分析

王惠 汪文秋 馮 婷 張濤

摘 ? ?要：選取中國最具有代表性且發展較為成熟的第三方網站——“眾籌家”為研究對象，基于“眾籌家”項目實際數據，采用多元回歸分析等方法進行研究，刪除異常點和強影響點，利用加權最小二乘回歸修正異方差，得到更加合理的估計參數，找出對眾籌融資績效影響顯著的因素，從而得出有利于眾籌融資績效提高的針對性建議.實證結果顯示：眾籌籌資效果受到包括目標融資金額、實際融資、回報方式、項目要素數量以及評論數等多方面因素的影響.

關鍵詞：影響分析;加權最小二乘法;回歸插補;多元線性回歸;眾籌家

中圖分類號：O212.1∶C81 ? ? ? DOI：10.16375/j.cnki.cn45-1395/t.2019.03.016

引言

眾籌即大眾籌資或群眾籌資，是一種通過互聯網方式向網友募集項目資金的模式.眾籌作為一種融資方式，具有營銷推廣、項目調研、數據采集等作用，能夠緩解中小企業融資難的問題.通過查閱中外相關文獻發現，關于眾籌項目影響因素的研究主要集中在眾籌項目成功影響因素方面的探究，經過梳理，可以系統性歸納的影響因素有：基本屬性、項目內部因素、項目外部因素.其中，基本屬性包括投資人數和目標融資額兩要素[1-2].Frydrych等[3]發現，對于相對較低的項目目標融資金額能夠達到較好的項目預期.國內學者陳亮[4]通過“點名時間”的項目研究，提出項目目標融資金額和項目成功之間呈現負相關關系.項目內部因素主要包括：項目回報方式、項目質量、項目類別、融資期限等. 鄭海超等[5]根據信號理論，利用眾籌網站“大家投”的數據進行融資績效的影響因素分析，發現項目質量信息，如項目動態更新次數、發起人團隊人數等因素影響顯著.外部影響因素包括社會資本、地理因素和平臺因素三類.Evers[6]首次嘗試研究眾籌模式的“親社會性”，證實了項目評論數量對眾籌結果有一定影響.曾江洪等[7]通過統計點名時間等4個國內主要的眾籌網站的數據，證實了社會資本、“地域偏見”對融資績效的作用，項目發起人來自發達地區更容易獲得投資.

綜合上述文獻的分析，發現研究仍然存在不足之處：1）已有關于眾籌融資的研究沒有綜合考慮3種因素對眾籌融資效率的影響，只是單方面因素的討論;2）前述研究皆默認平臺數據的合理性，對數據的異常波動予以剔除，未對異常數據進行分析;3）前述研究中采用的回歸分析，沒有考慮強影響點對估計參數的影響.基于上述原因，本文選取眾籌第三方網站—眾籌家作為研究樣本，充分考慮研究中存在的上述3個問題，建立合適的多元回歸模型[8-9]，以期為眾籌實踐提供指導.

1 ? ?數據初步探索

基于從眾籌第三方網站—眾籌家提取的數據，結合前人研究成果、因素自身特點和融資動態階段確定影響因素指標，并進行變量賦值，如表1所示.

1.1 ? 數據預處理分析

在數據分析過程中，數據對象經常是不夠完整的.當數據集存在缺失值時，建模過程中就容易出現報錯的情況.缺失值分析過程通常包括缺失值檢測和缺失值處理.對收集得到的894個樣本點繪制缺失值模式圖形，結果如圖1所示.

從圖1中可以看出，變量中只有支持數變量存在缺失值，且該變量存在279個缺失值.

通過觀察數據發現關注數和支持數存在一定的相關關系，進一步計算兩者之間的相關系數值為0.771.利用關注數對支持數進行回歸插補缺失值，回歸插補后的數據集為不含缺失值的完整數據集，該數據集的樣本量仍為894個.

為避免異常值數據對建模分析帶來不必要的影響，對收集整理得到的數據初步進行異常值的刪除.繪制主要研究對象眾籌融資效率的直方圖、箱線圖，如圖2所示.

從圖2中可以看出，眾籌融資效率值集中分布在5 000以內且遠小于5 000，且融資效率值存在至少3個顯著異常值.利用R軟件找到3個顯著異常值所在的樣本，并將刪除后的數據作為接下來研究的數據集，樣本量為891個.

1.2 ? 描述性分析

描述性統計分析是進一步的統計推斷和分析的基礎.統計主要涉及到數據集中趨勢、分散程度、數據分布和一些基本統計圖.對數據預處理后得到的數據集進行描述性分析，如 表2所示.

從表2中可以看出，融資效率的均值為2.39，說明普遍融資成功的效果較好;眾籌項目的融資目標金額[x2]和實際融資金額[x3]的標準差都很大，差異性很大，但兩者的中值分別只有100 000元和202 500元，說明從大多數的產品眾籌來看，金額都不大.這些眾籌產品大部分都是個人或者是中小企業的項目.并且這些項目都是不需要大量的資金就可以完成的項目.

對分類型變量（地區[x1]、所屬平臺[x10]、回報方式[x4]）分別討論它們各自在眾籌融資效率上的差異，如圖3所示.

箱線圖的箱體長度反映出數據的集中程度.由圖3的箱體長度可看出：天津、福建、上海、浙江等省、直轄市的數據較分散，眾籌融資效率相對較高;其他各個省、直轄市的數據較集中，眾籌融資效率基本穩定在1附近.在刪除幾個異常值的前提下，上海市的眾籌融資效率仍出現較多的異常值點.如圖4所示.

由圖4的箱線圖可以直觀地看出，p10平臺的眾籌融資效率顯著高于其他平臺，且不存在異常值的情況;平臺p13、p21、p22、p23、p24、p29、p42存在眾籌融資效率的異常值情況，說明這些投資平臺存在一定的風險，融資效率有時會達到較高數值，通常達到平均水平，但這些平臺整體融資效率值相比其他平臺要高.

圖5為依據回報方式分組的融資效率箱線圖，從圖中可以看出3種回報方式的融資效率值存在一定的差異.以產品作為回報的融資效率值整體較高，但存在較多異常值，差異性較大;以權益作為回報方式的融資效率值箱體長度最短，數據較小且較集中;以產品和權益作為回報方式的融資效率值的箱體長度介于前兩種方式之間，出現異常值的情況最少.

綜合對分類型變量的分析，可看出融資效率在變量地區、回報方式上存在一定的差異性，在接下來的研究中有必要將其考慮進去.

從融資目標和實際融資入手具體考察各個省份的融資情況，如圖6所示.結果表明，各省、直轄市的融資目標和實際融資值呈正線性相關關系，其中上海、江蘇、山東、廣東、黑龍江的眾籌融資狀況較好，眾籌融資的實施力度較大;其他省、直轄市微見雛形，眾籌融資有待發展.

2 ? ?回歸建模分析

2.1 ? 變量設計

1）因變量的選擇

本文研究影響眾籌融資績效的關鍵因素.由于眾籌出現時間較短，無論是國內還是國外對于構建眾籌融資績效的評級指標仍處于探索階段.對此，本文選取項目完成的融資效率，即實際籌資金額與目標融資金額的比值作為因變量，能夠較準確地衡量項目的籌資績效.

2）二級分析指標的選擇

本文在以上分析的基礎上，基于科學、完整、實用的原則以及以往的研究成果和平臺的數據可獲得性，考慮變量所屬平臺種類較多量化困難，選取表1中除去變量[x10]外的其余12個自變量對融資績效影響因素的問題進行研究，并對其余2個分類變量進行量化.量化方式為：項目所在地區是一線城市賦值為3，二線城市賦值為2，三線城市賦值為1;回報方式為：產品賦值為3，權益賦值為1，兩者兼而有之的賦值為2.

2.2 ? 模型構建

首先基于對數據觀察，運用最小二乘法進行多元線性回歸模型的擬合.初步擬合結果顯示：模型通過方程的檢驗（[F]檢驗），但大多數自變量系數不顯著.由于自變量較多，自變量[x6]（是否公益）和[x7]（支持數）符號，大多數與實際不符，考慮可能是存在多重共線性.

對建立的模型進行多重共線性診斷分析，用方差膨脹因子[VIFj]作為診斷自變量之間是否存在多重共線性的準則，利用R軟件計算得到12個自變量的方差膨脹因子見表3.

由表3可知，回歸系數和方程顯著的幾個變量的方差膨脹因子都顯著小于10，說明模型不存在多重共線性問題.

2.3 ? 異常值及影響分析

對得到的模型進行回歸診斷，考慮是否由于異常值或強影響值對回歸決定系數的影響，回歸診斷圖如圖7所示.

圖7（a）中，縱坐標殘差值度量尺度[ri]值遠大于2， 第92、第141、第64號樣本點明顯遠離其他樣本點，為顯著異常值;圖7（c）是標準化殘差絕對值的開方的殘差圖，可知圖7（c）和圖7（a）可以得到相同的結論.圖7（d）中樣本點110的Cook距離值最大，可能為強影響點.

為了避免異常值以及強影響值對模型建立的影響，依據以下準則對樣本點做標記：對最大殘差絕對值的樣本作標記;對標準化殘差和學生化外殘差絕對于2的樣本作標記;對于杠桿值[hii>2（p+1）/n]的樣本作標記;對[DFFITSi>2（p+1）/n]（[p]是自變量個數）樣本作標記;對最大的Cook距離的樣本作標記;對距1最遠的COVRATIO統計量的能本作標記.依據以上對異常值和強影響值識別的準則，利用R軟件得到部分被標記的樣本點，結果見表4：

摘取部分樣本點數據，以第2號樣本點為例：第2號樣本點的普通殘差[e2=13.024]，此值與其他數據點對應的普通殘差相比較大，且它的學生化內殘差[r2=3.622]和學生化外殘差[t2=3.647]都比其他數據點對應的學生化內殘差和學生化外殘差大很多，因而可認為第2號樣本點是異常值點.

計算得到該數據的杠桿值[h2，2=0.029 793>2（12+1）891=0.029 18]也較大，根據DFFITS準則的統計量值[DFFITS2=0.639 18>2（p+1）/n=0.241 58]，即表明該樣本點還是高杠桿值點.同理對其他異常值及強影響值做標記，在數據預處理的數據集基礎上刪除被標記的樣本點作為接下來研究的對象.記該數據集為data1.

對數據集data1利用最小二乘法建立多元線性回歸，并對回歸系數的[t]檢驗沒有通過的變量，依據刪除變量的準則即[p]值大于10%且取最大值的變量刪除，對數據預處理后的數據在初步選擇的11個變量的基礎上，依次進行最小二乘回歸并刪除不顯著變量，得到最后顯著的變量回歸結果見表5：

2.4 ? 模型檢驗

數據的模型檢驗，包括誤差項的正態性檢驗、方差齊性檢驗和獨立性檢驗，該過程運用R軟件進行處理分析.

1） 正態性檢驗

殘差正態性檢驗較為簡單的方法是畫殘差的Q-Q圖，這種檢驗方法帶有一定的主觀性，本文采用shapiro test（）函數作殘差的正態性檢驗.

殘差正態性檢驗的p=0.092 1大于顯著性水平0.05，接受原假設，認為該模型的殘差滿足正態性假設.

2） 獨立性檢驗

殘差的獨立性檢驗等同于殘差的自相關檢驗，本文運用D-W檢驗獨立性.

定性觀察D-W值為1.975 8基本接近于2，p= 0.346 8>0.05，無法拒絕原假設，說明誤差是滿足獨立性條件的;定量來看，經查表得到dit=1.674，D-W值正好介于dit與4-dit之間，認為不存在自相關，同樣說明殘差通過獨立性檢驗.

3） 方差齊性檢驗

方差齊性檢驗即等方差檢驗，該檢驗的理論依據有殘差圖分析法和等級相關系數法.殘差圖分析法是一種比較直觀的分析方法.等級相關系數法適用于大樣本、小樣本數據的檢驗.

考慮本文的樣本量[n=785>8]，采用等級相關系數法來檢驗該模型是否存在異方差性.經計算得到模型6個變量的等級相關系數如表6所示.

給定顯著性水平[α=0.05]，查t分布的臨界值表[t0.025/2（45）=2.014 1]，隨著樣本量的增大，[t0.025/2（n）]值將越來越小，因此可以斷定[t=29.615 5>t0.025/2（785）].認為殘差絕對值[ei]與自變量顯著相關，即隨機誤差項存在異方差性.

4）異方差修正

消除異方差性的常用方法有：加權最小二乘法、Box-Cox變換法、方差穩定性變換法.本文采用加權最小二乘法修正異方差性，用方差的倒數作為樣本點的權重，以減少非齊性方差帶來的影響.

利用R軟件進行加權最小二乘估計得到模型的擬合優度提高到0.821 1，但變量[x12]的t檢驗沒通過，刪除不顯著變量再次進行加權最小二乘回歸得到模型結果見表7.

由模型可知，眾籌融資效率的主要影響因素是目標融資金額、實際融資、回報方式、項目要素數量以及評論數.進一步表明目標融資金額與融資效率是成反比，其他指標與融資效率呈正比，符合實際意義.

5）修正后模型的檢驗

為了進一步確定修正后模型的效果，對殘差修正后的模型再次進行檢驗.相比修正前的模型，修正后的模型滿足正態性和方差齊性并且不存異常點，Cook距離圖顯示數據也不存在強影響點.

3 ? ?結論

從眾籌平臺的視角.眾籌平臺是眾籌項目的粘合劑也是“中介”.結合多元回歸分析結果可以得出如下結論：

1）眾籌項目的評論數與眾籌融資效率呈正相關.眾籌平臺對項目的關注者進行了提醒、推送等區別服務，評論的項目更能吸引籌資者的注意力，這樣做的目的也是為了促進眾籌項目的成功.從本文的實證數據分析來看，平臺這樣做的努力是符合預期的.

2）項目要素數量與眾籌融資效率正相關.在本文實證分析的眾籌平臺上，眾籌項目提供的項目要素數量越多，資料越齊全，可信度就會越高，越能得到籌資者的信賴，從而大大地提高眾籌融資效率.因此該眾籌項目也就會更加容易獲得成功了.

3）目標融資金額、實際融資對眾籌融資效率的影響相反.目標融資金額較大會對籌資者產生心理壓力，影響項目成功.通過對目標融資金額與實際融資額在地區的差異可看出，目標融資和實際融資是呈正線性相關關系，其中上海、江蘇、山東、廣東、黑龍江的眾籌融資狀況較好，眾籌融資的實施力度較大，其他省份微見雛形，眾籌融資有待發展.

4）回報方式對眾籌融資效率是正向影響.即合理的回報方式會促進眾籌融資效率.通過描述分析發現以產品作為回報的融資效率值整體較高，但差異性較大;以權益作為回報方式的融資效率較小;以產品和權益作為回報方式的融資效率值的箱體長度介于前兩種方式之間.且大部分眾籌項目集中在以產品為回報方式上.

為此，眾籌平臺應基于顯著性因素適當調整運營制度，努力提高眾籌績效.

參考文獻

[1] MOLLICK E. The dynamics of crowdfunding： an exploratory study[J]. Journal of Business Venturing，2014，29（1）：1-16.

[2] MOUTINHO N， LEITE P.Sharing information in a virtual community of crowdfunding：the caseof kickstarter[J/OL]. （2013）[2019-03-29].https：//repositorio-aberto.up.pt/handle/10216/71430 .

[3] FRYDRYCH D， BOCK A J，KINDER T，et al. Exploring entrepreneurial legitimacy in reward-based crowdfunding[J].Venture Capital，2014，16（3）：247-269.

[4] 陳亮.基于眾籌視角的互聯網金融創新模式實證研究[J].特區經濟，2015（3）：55-56

[5] 鄭海超，黃宇夢，王濤，等.創新項目股權眾籌融資績效的影響因素研究[J].中國軟科學，2015（1）：130-138.

[6] EVERS M. Main drivers of crowdfunding success：a conceptual framework and empirical analysis[D].Rotterdam： Erasmus University，2012.

[7] 曾江洪.社會資本對眾籌項目融資成功率影響的實證研究[J].技術經濟，2014，33（11）：90-95.

[8] 胡偉平.基于回歸分析的人臉老化模型構建[J].廣西科技大學學報，2016，27（3）：39-44.

[9] 張濤，吳文澤，萬艷玲.基于特征篩選的模型選擇[J].廣西科技大學學報，2016，27（1）：26-30，42.

Abstract： This paper selects the most representative and more mature third-party website–"crowdfunding" in China as the research object. Based on the actual data of "crowdfunding Home" project，multivariate regression analysis and other methods are used. The abnormal and strong influence points are removed by the influence analysis， and the weighted least squares regression is used to correct the heteroscedasticity， so as to obtain more reasonable estimation parameters. Finally， the most significant factors are found for the performance of crowdfunding financing. Through analysis， we can identify the most significant factors affecting the performance of crowdfunding financing and draw targeted recommendations that are conducive to the improvement of crowdfunding financing performance. The empirical results show that the crowdfunding is affected by many factors including the target financing amount， actual financing， return method， number of project elements and number of comments.

Key words： influence analysis; weighted least squares; regression interpolation; multiple linear regression; crowdfunding

（責任編輯：張玉鳳）