醫療眾籌項目要不要炒作? 負面口碑傳播視角下醫療眾籌項目炒作行為研究

胡 森 ,丁 龍 ,胡 斌 ,肖嬌妍

(1.南京信息工程大學 管理工程學院,南京 210044;2.華中科技大學 管理學院,武漢 430074)

近年來,醫療眾籌已經成為籌集治病費用的重要渠道,作為國家醫療保障體系的補充,產生了很大作用。2019年7 月,輕松籌宣布總籌款金額達到360億元,而Bassani等[1]則估計截止2017 年10月,13 633個醫療眾籌項目已經籌集了1.32 億美元。但“羅爾事件”等網絡詐騙事件讓醫療眾籌遭到了巨大沖擊[2]。羅爾事件的起止時間分別為2016-11-25和2016-12-01,以《羅一笑,你給我站住》一文發布開始,羅爾等宣布退還公眾資助結束。為展現“羅爾事件”對醫療眾籌的影響,本文對微公益醫療眾籌項目按月度進行數據匯總,計算出2013年1月至2020年12月(共計96個月)月度捐款人數、月度項目數和月度籌款額。如圖1所示,3項月度數據總體呈波動變化趨勢。但在羅爾事件發生后的兩三年中(圖1(a):2016-12～2018-10,圖1(b):2016-12～2019-06,圖1(c):2016-12～2018-11),月度捐款人數、月度項目數和月度籌款額顯著處于低谷水平,直至2019年左右才開始恢復。數據進一步證實了羅爾事件給醫療眾籌帶來的沖擊。圖1中,項目及其籌款額所屬月份按項目結束時間匯總。

圖1 微公益平臺用戶參與程度演變

回顧羅爾事件,2016年11月25日至11月30日,羅爾通過隱瞞關鍵信息的方式誤導網民[3],引起網民的普遍關注,使得相關信息在社交網絡上迅速擴散,截至30日凌晨1:20,捐贈總額已超過200萬元;11月30日至12月1日,隨著真相披露,負面口碑迅速地在網絡傳播,羅爾等宣布退還網友資助[4]。可見,負面口碑傳播對羅爾事件的轉折起著決定性的作用。與此同時,羅爾事件主要是通過誤導等方式歪曲了網民的理解,偏離了對事實的解讀[5],而非完全虛假。眾多普通醫療眾籌項目可以通過略微夸大經濟困難或病情來達到類似的效果,即通過降低項目真實性,使消費者更易被打動(即消費者易感性提升)。因此,本文使用偏中性的“炒作行為”來形容類似行為。

綜上所述,考慮到醫療眾籌的意義以及“負面口碑傳播→羅爾事件(炒作行為)→醫療眾籌”這一影響鏈,從負面口碑傳播視角構建相應的創新擴散仿真模型,用以研究炒作行為的影響。

創新擴散研究早期主要側重宏觀層面,如Bass模型[6]。之后,由于宏觀模型不能很好地解釋清楚微觀機制,創新擴散的研究逐漸被引入微觀層面。而多主體建模由于能夠很好地連接微觀機制和宏觀現象,被廣泛應用于創新擴散的研究。一些研究針對不同的市場場景進行分析,如考慮市場上存在多品牌、多代際產品[7-8],討論不同社交網絡上(如Twitter和Digg)的異常信息擴散[9]等;另一些研究考慮不同的傳播策略對創新擴散的影響,如對比隨機策略、目標策略和路徑策略[10],對比反應過程策略和接觸過程策略[11];還有一些研究則從復雜網絡視角展開分析,如考慮網絡節點的異質影響力[12]以及網絡結構[13]。而Liu等[14]則利用多主體模型研究了醫療眾籌項目擴散過程中的求助方式。

負面口碑傳播是創新擴散研究的重要內容,但目前這方面研究相對較少。黃敏學等[15]分析了社交關系如何影響負面口碑的感知和發起。蔡淑琴等[16]研究了負面口碑的識別方法。Goldenberg等[17]建模描述了消費者如何綜合正面口碑和負面口碑,形成自己的觀點,并建立仿真模型研究了負面口碑的擴散問題。Shi等[18]發現,信息平臺不僅促進信息傳播,也會促進負面口碑的傳播,因此,對于節能技術的發展而言,信息平臺是一把雙刃劍。但是,現有涉及負面口碑的擴散模型中[17-18],忽略了個體先驗印象的影響,這一影響對于個體社會學習行為起著重要作用[19-21]。個體消費者的學習過程并非只是簡單地綜合每個人的信息,錯誤的演示能夠有效減少信息累積的有效性[20],所以賣家通過操縱學習過程,可以有效地改變消費者購買行為[19]。

近幾年,國內外對醫療眾籌的研究也日益豐富。研究眾籌項目捐贈績效的決定因素是相關實證研究的熱點話題,如群體參與[22]、社會資本[22-23]以及平臺開放性[24]等。除此之外,也有一些研究利用實證方法從傳播學[5]、法學[25]等視角分析了“羅爾事件”的影響。這些文獻比較重視羅爾事件對社會輿情產生了怎樣的影響[3]及其影響機制[5]。

綜上可知,本文的研究具有如下兩個創新點:①現有的針對負面口碑傳播的研究沒有考慮先驗印象的影響[17-18],而本文模型則借助貝葉斯學習機制,將先驗印象的作用體現出來。由表1可見,先驗印象對于醫療眾籌中的信息擴散有著較大的影響。②現有研究主要利用實證方法探討醫療眾籌項目炒作行為(如羅爾事件)的影響,側重從傳播學或社會學等學科視角進行研究,而本文則著重從創新擴散過程入手,找出遏制醫療眾籌項目炒作行為的路徑。

1 醫療眾籌中資助者行為仿真模型

醫療眾籌信息在社交網絡中擴散,社交網絡包含N=1 001個網民。網民可能有兩種身份。一類是求助者,是信息的發起源。根據中國慈善法規定,個人只能通過有資質的基金組織發起醫療眾籌項目,然后在微公益、輕松籌等平臺上發起相應的項目頁面并在社交網絡上發布。因此,本文中的求助者可以是罹患難以負擔疾病的個人及其親友,也可以是具有資質的基金組織及其員工。另一類是捐助者,捐助者包括已經捐贈轉發醫療眾籌項目的網民,也包括有潛在捐贈轉發意愿的網民。即便最終因為擔心項目真實性較差而拒絕捐款或轉發的網民,在最初也是有捐贈意愿的,這類網民也屬于潛在捐助者的范疇。接下來分別介紹社交網絡結構模型和捐贈者行為模型。

1.1 社交網絡結構建模

求助者和捐贈者構成的社交網絡具有一定的結構,本文涉及的社交網絡結構包括一個真實的臉書用戶網絡和3種理論網絡,即規則網絡、小世界網絡和無標度網絡。為避免文字冗余,下文中使用英文縮寫表示具體網絡:臉書用戶網絡-FB,規則網絡-RG,小世界網絡-SW,無標度網絡-BA。

FB網絡對文獻[26]中的臉書用戶網絡進行抽樣,按如下方法抽取了一個包含1 001個節點的連通網絡:隨機選取一個點作為初始網絡,接下來依次隨機加入一個與網絡連接的點,直至網絡規模達到1 001,重復進行100 次抽樣,抽樣網絡平均度的期望值為7.92。RG 網絡中,網民圍成一個圓環,每一個網民以概率m-[m]與前后[m]+1個鄰居構建連邊,以概率1-m+[m]與前后[m]個鄰居構建連邊,這里[m]表示不大于m的最大整數。在本文構建的規則網絡中,對每一條連邊以概率0.2斷開并隨機重連,則構成本文所涉及的小世界網絡[27]。無標度網絡則根據網絡增長和優勢鏈接兩個機制生成[28],新加入的節點按照優勢鏈接法則,以概率m-[m]鏈接[m]+1個已有節點,以概率1-m+[m]鏈接[m]個已有節點。本文3種理論網絡的平均度的期望值約為2m,為了能夠比較擴散過程在不同網絡中的差異,下文中如果不做特殊說明,則m=7.92/2=3.96。

1.2 捐贈者行為建模

步驟1初始時刻(t=0)時,某個求助者創建了醫療眾籌項目,N i個初始轉發者在社交網絡中轉發了項目信息,初始轉發者包括求助者本人、求助者的親友以及承接醫療眾籌項目的基金。假設B是一個潛在捐贈者,初始時他對醫療眾籌有一個總體認識。由于醫療眾籌項目的真實性是捐贈者最關心的因素[29],故假設B對醫療眾籌的認知是關于真實性的。假設一個項目的真實性為θ(θ≤1),則網民在轉發捐贈該項目后,持正面態度的概率為θ,持負面態度的概率為1-θ。但是B無法準確知道項目真實性,而是基于輿論,認為項目真實性θ的先驗分布服從貝塔分布Be(x,y)。很多研究在分析消費者效用時,通常假定消費者屬性服從標準均勻分布[30]。因此,本文中如不做特殊說明,項目真實性θ的先驗分布亦為標準均勻分布,即x=y=1。

步驟2在時刻t>0,消費者B首先會根據以往對醫療眾籌的認知(即θ的先驗分布)和鄰居節點在時刻t-1 結束時的狀態,采用貝葉斯學習機制[31-32]更新對項目的看法。具體而言,在時刻t剛開始時,B獲知所有鄰點在t-1時刻結束時的狀態,發現有dp,B個鄰居對該項目持正面態度,dn,B個鄰居持負面態度。B根據鄰居態度更新對項目的認知,認為θ的分布變為Be(dp,B+x,dn,B+y),期望值如下式所示(證明過程見附錄):

式中,χ為鄰居節點中接受該項目的人數比例,表現為同儕效應[33]。具體實現過程如下:利用Matlab自帶的函數生成一個0～1均勻分布隨機數a。若a∈(0,pa),則B接受項目,并立刻轉發項目信息且對項目進行捐贈。為方便分析,本模型假設所有個體的捐贈額相同,故接受項目的人數與總捐贈額成正比。若a∈[pa,pa+pr],則B拒絕項目;若a∈[pa+pr,1],則B持續觀望。當B持續觀望時,其后續可以轉化為接受或拒絕項目;當B接受(拒絕)項目后,就不會再持續觀望或拒絕(接受)項目。

最后,B產生對項目的態度。若B處于持續觀望狀態,則對項目持中立態度;若B處于拒絕狀態,則對項目持負面態度;若B處于接受狀態,則其在捐贈轉發項目后,持正面態度的概率為θ,持負面態度的概率為1-θ。一旦B對項目產生明確的正面或負面態度,B對項目的態度就不會再改變。

步驟2中,潛在捐贈者狀態和態度變化過程如圖2所示。

圖2 潛在捐贈者狀態變化過程

步驟3進入時刻t+1,重復步驟2,直到式(1)社交網絡上每位成員對項目的態度持續10個時刻不再變化,或者式(2)每位成員都接受或拒絕項目。下文如果不做說明,本文所呈現的結果均為相同參數下重復50次仿真模型后得出的結果均值。

2 模型驗證

本章將通過比較相同狀態下的Bass模型結果和仿真模型結果來驗證仿真模型的合理性。Bass模型有如下公式:

式中:N為所有個體總量;Na(t)表示t時刻接受項目的人數;α為創新系數,即未接受該項目的人受大眾傳媒(外部)影響而接受該項目的可能性;β為模仿系數,即未接受該項目的人受口碑影響而接受該項目的可能性。在Bass模型中,α(N-Na(t-1))為大眾媒體效應,β(N-Na(t-1))Na(t-1)/N為口碑傳播效應。考慮到醫療眾籌主要是通過社交媒體擴散,對應于口碑傳播效應,因此,本文忽略大眾媒體效應[14],即令α=0。此時,Bass模型簡化為

接下來,按照Bass模型對仿真模型的參數進行設置。如果在相同情況下,仿真模型能再現Bass模型的結果,則可以驗證本文仿真模型的合理性。具體設置如下:①Bass擴散模型中,所有個體之間都可以相互影響,相當于社交網絡是一個完全圖。令社交網絡為規則網絡,且N=1 001,m=500時,此時社交網絡變為完全圖。②基本的Bass擴散模型并未考慮負面口碑的傳播,因此,令θ=1,以保證仿真模型中不會出現負面口碑。③根據式(1),令x=1,y=0,以使仿真模型不會出現項目拒絕者,與Bass模型保持一致。④本文仿真模型存在一個問題,當N i過小時,由于先驗印象的原因,會導致擴散失敗(除了初始求助者外,沒有新的項目接受者),經過10 000次重復試驗,發現令N i=10,即便在θ=0.1,β=0.2時,也不會導致擴散失敗,故令N i=10。

根據上述參數設置,本文比較了仿真模型和Bass模型中擴散過程,如圖3所示。

圖3 仿真模型與Bass模型擴散過程比較

圖3中橫軸為迭代時間,縱軸為項目接受者數量。仿真模型與Bass模型相比,兩者擴散過程大體一致。為節約版面,僅列出β=0.2 時的情況,β=0.4,0.6,0.8時的比較圖見線上補充材料第1 部分1)百度網盤鏈接: https://pan.baidu.com/s/18XPII32IiXoPxJ31ac-RQA,提取碼為7hvd。。利用下式[34]計算仿真模型和Bass模型中擴散過程的速度(結果見表1):

表1 仿真模型和Bass模型擴散速度

式中:T=100;na,t表示t時刻仿真模型中項目接受者的數量。

表1的計算結果也表明,本文構建的仿真模型在相同情況下可以再現Bass模型的擴散過程。這表明,仿真模型中關于擴散過程的建模是合理的。相比于Bass模型,本文的仿真模型通過調整參數,可以進一步分析擴散過程如何隨網絡結構、消費者先驗印象而變化。

3 關鍵因素對擴散過程的影響分析

本章主要分析網絡結構、項目真實性和易感性3個關鍵因素對擴散過程的影響,分析結果如圖4所示。相關參數為:N=1 001,N i=10。

圖4呈現如下現象:

圖4 不同網絡結構下擴散過程比較

(1)FB、BA 和SW 網絡中的擴散速度快于RG網絡。當網絡密度相同時,由于RG 網絡的直徑較長,項目信息從一個點傳播至整個網絡所經過的路徑比其他3個網絡長,故RG 網絡中的擴散速度比較慢;β越大,個體接受項目的可能性越高,因此,擴散速度越快。這與以往研究類似[33]。

(2)FB網絡的擴散速度比BA 和SW 網絡略慢。其緣由是,在FB網絡中存在大量的節點只有1個連邊,部分位于網絡邊緣的節點接觸信息的概率更小;而在BA 和SW 網絡中,除極個別邊節點擁有大量的連邊外,大部分節點約有2m個連邊,因此,更有可能接觸到信息。

(3)θ的增加會導致項目接受者的數量增加,但是沒有顯著影響擴散達到平衡狀態的時間。θ越高,則項目接受者持積極態度的概率越高,故而網絡中的負面口碑越少,處于觀望態度的個體更傾向于接受該項目。

4 項目炒作行為

4.1 炒作行為影響建模與分析

首先需要建模度量炒作行為影響。在模型I(基本模型)中,假設項目籌款人沒有炒作行為,項目真實性和易感性分別為θ和β。在模型II(炒作模型)中,項目籌款人在編寫醫療眾籌項目信息時(即在項目信息開始擴散前,時刻t=0時)采取了炒作行為,降低了項目真實性從而提升易感性,因此,模型II中的項目真實性和消費者易感性分別變為θ-0.1和β+0.1,模型II的其他參數與模型I保持一致。分別記作模型II和模型I中時刻t時的項目接受者數量,則為采取炒作行為所引起的項目接受者數量在時刻t的變化程度。由于本文假設項目接受者的捐贈額相同,故項目接受者數量正比于籌款額,因此,如果Δna,t>0,則炒作行為在時刻t會提高籌款人收益;反之,如果Δna,t<0,則炒作行為在時刻t會減少籌款人收益。換言之,Δna,t可視為炒作行為在時刻t的影響。圖5所示為不同網絡結構以及θ和β下,炒作影響Δna,t隨步時的變化情況。

圖5 不同參數與網絡結構下項目炒作行為收益比較

通過對比觀察可以發現,炒作行為具有一些共性的作用。

(1) 短期效應。首先,在FB、BA 和SW 網絡中,炒作收益隨步時而增加,達到峰值(大于0)后開始逐漸降低。這意味著通過炒作行為,求助者可以短期內獲得更高的收益,這對于急需資金做手術的求助人可能有著很強的吸引力。其次,β會影響炒作收益的峰值時間和炒作收益峰值(下文稱為炒作短期收益)。當β=0.2時(對應圖5(a)、5(b)),峰值時間在50左右;當β=0.8時(對應圖5(c)～5(d)),峰值時間在15左右。這說明,β的增加會引起峰值時間的減少。分別對比圖5(a)、5(c)以及圖5(b)和圖5(d),可以發現,圖5(c)～圖5(d)中的炒作短期收益比圖5(a)和圖5(b)小。這表明,β的增加會導致炒作短期收益的減少。最后,由于圖5(b)和圖5(d)中的炒作短期收益分別高于圖5(a)和圖5(c),這表明,θ的增加會增加炒作短期收益。

(2) 長期效應。本文稱Δna,100為炒作長期收益,即最終時的炒作收益。首先,由圖5(a)～圖5(d)可以發現,SW 和BA 網絡中的炒作長期收益均為負,FB網絡中的炒作長期收益除在圖5(a)中為正外,在圖5(b)～圖5(d)中均為負。這表明,炒作長期收益有很大概率為負值。其次,相比于圖5(a)和圖5(b),圖5(c)～圖5(d)中的炒作長期收益總體上是減少的。這表明,β的增加會導致炒作長期收益的減少。最后,相比于圖5(a)和圖5(c),圖5(b)和圖5(d)中的炒作長期收益在FB 網絡中有顯著的降低/增加,而在BA 和SW 網絡中則變化不顯著。

(3) 在RG 網絡中不存在顯著的短期效應和長期效應,炒作行為收益始終接近于0。

因此,下節進行穩健性分析時,不再考慮RG網絡。

短期效應為正而長期效應為負的一個潛在原因可能是傳播過程的特點。項目接受者數量在初期增長迅速,此時易感性對快速傳播起著關鍵作用,因此,炒作短期效應為正;當市場大部分個體基本遍歷完后,最終項目接受者數量更多取決于項目真實性,因此,在大部分場合中炒作長期受益為負。

4.2 穩健性分析

4.1節中的結論,有可能受參數取值的影響,因此,本節將驗證4.1節結論的穩健性。在參數空間范圍內,令x、y、θ和β取不同的值,每個參數的取值范圍如表2所示。在樣本空間內,參數交叉組合,共計產生5×5×4×4=400個樣本模型,構建如下式所示的回歸模型,以檢驗不同參數對炒作長期收益和炒作短期收益的影響,

表2 參數空間與間隔

式中:θi、βi和m i分別為樣本模型i中的θ、β、x和y;Y i為樣本模型i所對應的目標值。當Y=Δna,100時,則回歸模型用于研究各種參數對長期效應的影響;當Y=max(Δna,t)時,則回歸模型用于分析各種參數對短期效應的影響。相關的分析結果如表3和表4所示。其中,表3對應于長期效應,表4對應于短期效應。

表3 各參數對長期效應的影響

表4 各參數對短期效應的影響

表3和表4驗證了4.1節中的長期效應和短期效應大體是穩健的:θ正向影響炒作短期收益而負向影響炒作長期收益;β負向影響短期收益,但對炒作長期收益的影響因網絡結構不同而異,即在FB網絡中為負向影響,在SW 網絡中為正向影響,而在BA 網絡中影響不顯著。對比表3 和表4 可以發現,先驗印象與項目真實性的作用類似,正向影響炒作短期收益而負向影響炒作長期收益,即個體對醫療眾籌先驗印象越好(x越高,y越低),炒作長期收益越低,而炒作短期收益越高。

4.3 敏感性分析

本節分析4.2節結論的敏感性。首先根據θ、β取值將樣本模型分為4 類,分別為:θ<0.5,θ>0.5;β<0.5,β>0.5,然后對每一類樣本模型進行式(6)所示的回歸分析,并將每一類樣本模型對應的回歸分析結果與表3和表4做比較。每一類模型的分析結果與表3和表4基本一致,故將4.3節的詳細分析結果列在線上補充材料B 部分中2)百度網盤鏈接: https://pan.baidu.com/s/18XPII32IiXoPxJ31ac-RQA,提取碼為7hvd。,本節僅在正文中列出不一致的部分。

(1) 當θ<0.5時,FB網絡中項目真實性θ對短期收益的影響不顯著。

(2) 對于FB網絡,僅當θ<0.5或β<0.5時,β對炒作長期收益的影響起負面作用,其他情況下,β對炒作長期收益的影響不顯著。對于SW 網絡,僅當θ<0.5時,β對炒作長期收益的影響起正面作用,其他情況下影響不顯著。

4.4 炒作行為仿真結果分析

(1)4.1～4.3節揭示了一個有趣的現象:炒作行為盡管可以帶來短期收益,但是從長遠來看,很有可能帶來負面收益。從機理上,采用炒作行為,短期內可以獲得更多的流量,從而有機會獲得更多的捐贈。因此,總是可以獲得正的短期收益。從長遠來看,炒作只是加快了擴散速度,由于降低了項目真實性,網絡會出現更多的負面口碑,從而導致更多的人成為項目拒絕者而非項目接受者。因此,炒作長期收益為負。從現實情況來看,羅爾事件也支持了這一模型結果,通過炒作,羅爾在初期獲得大量的收益(正的短期收益),但是隨著負面口碑發酵,羅爾不得不退回所有捐款,因為他評估如果不這樣做,會面臨更大的損失(負的長期收益)。

(2) 項目真實性和先驗印象對長期收益和短期收益具有相反的影響,即正向影響短期收益而負向影響長期收益。究其原因是項目真實性和先驗印象具有類似的作用,項目真實性越高或先驗印象越好,則個體在網絡中搜集到的正面口碑越多,負面口碑越少。因此,項目真實性越高或個體先驗印象越好時,炒作行為帶來的易感性增加可以在短期內吸引較多的項目接受者,從而求助人短期內能夠獲得更多的收益(正的短期收益)。從長期來看,項目真實性越高或先驗印象越好時,求助者本身獲得捐贈額也應該比較高,炒作行為帶來的項目真實性降低對項目最終收益的負面影響也就越大。

(3) 易感性越高,炒作短期收益越小。這一點比較直觀,由于炒作行為的主要作用是增加易感性促進項目信息在早期更快地在網絡上流通,故當易感性比較高時,炒作行為促進項目信息傳播的作用就越小,從而炒作短期收益越小。

(4) 對不同的網絡結構進行對比分析可以發現,BA 網絡中θ和先驗印象對炒作長期收益的削弱作用、θ和先驗印象對炒作短期收益增強作用以及β對短期收益的削弱作用均強于FB 網絡。類似地,SW 網絡中先驗印象對長期收益的削弱作用、θ和先驗印象對炒作短期收益增強作用以及β對短期收益的削弱作用也強于FB 網絡。如上文所述,FB 網絡中存在大量的度為1的節點,而BA/SW 網絡中基本上所有節點的度都不會小于2m。這說明,增加邊緣節點的度有可能增強β對短期收益的削弱作用等,一個實現路徑是,鼓勵個體在不同的社交網絡中發布消息,以此來增加邊緣點的連接邊[35]。

5 結論

本文基于貝葉斯學習機制,建立仿真模型描述了網民如何基于現有對醫療眾籌的印象和正負面口碑,動態調整對某一具體項目的看法,并將這一過程融入現有的創新擴散模型中,探討了項目炒作行為帶來的影響。研究發現:項目炒作行為總是能夠帶來短期收益,短期內增加籌款進度,但是未必能夠提高最終收益。只有當項目信息較難流通(即易感性很低)時,項目炒作才能提升最終收益。項目真實性θ和先驗印象會負向影響短期收益,但對長期收益具有正向影響;易感性β負向影響短期收益,但對炒作長期收益的影響因網絡結構不同而異。

本文的理論貢獻體現在如下兩個方面:

(1) 利用貝葉斯學習機制,建模描述了負面口碑對個體的影響機制。與之前的負面口碑擴散模型[17-18]相比,本文模型考慮了網民的醫療眾籌先驗印象對網民個體決策的影響。結果表明,先驗印象正向影響炒作短期收益,負向影響炒作長期收益。

(2) 現有關于醫療眾籌炒作行為(羅爾事件)的研究,主要基于傳播學等其他學科展開研究,分析醫療眾籌炒作行為流行的原因,如網絡自媒體的碎片化傳播形態等[5]。本文則從信息擴散視角,探討網絡結構、項目真實性、易感性等因素如何調節炒作行為的影響。

通過上述研究得出如下管理啟示:

對求助者而言,盡管通過炒作行為可能提升短期收益,但是炒作行為更有可能導致最終籌款額降低。從長期利益來看,炒作行為更有可能是不利的。

對醫療眾籌平臺而言,其總是希望能夠減少炒作行為。這首先就需要保障負面口碑信息有發布的空間,否則如果平臺上全是正面口碑,網民將難以識別炒作行為并拒絕該醫療眾籌項目,可以說,這是制約炒作行為的根本措施。其次,根據本文模擬結果,求助者如果關注炒作長期收益,則其應更有可能不選擇炒作行為,因此,平臺的主要調控重心應該是控制炒作短期收益。基于這一思路,醫療眾籌平臺應該想辦法提升個體易感性,這可以有效減少炒作短期收益。注意到,盡管降低先驗印象或項目真實性也可以減少炒作短期收益,但這與平臺發展的方向不相符,故而不予考慮。

本文所述模型的一個問題是沒有考慮醫療眾籌項目間的競爭對本文結論的影響。由于醫療眾籌項目捐贈是有成本的,個體短期內不會捐贈大量項目,在這一場景下,炒作行為可能會帶來額外的收益,故而項目間的競爭有可能改變本文的結論。接下來,本文將構建多項目擴散模型,分析項目間的競爭對本文研究話題的影響。

附錄

命題B認為項目真實性概率θ的先驗分布為Be(x,y),若B有dp,B個鄰居對該項目持正面態度,dn,B個鄰居對該項目持負面態度,則B關于θ的后驗分布為貝塔分布Be(dp,B +x,dn,B +y),θ的期望值為(dp,B +x)/(dp,B +dn,B +x+y)。

證明計事件A為dp,B個鄰居對該項目持正面態度,dn,B個鄰居對該項目持負面態度,則事件A的概率函數和θ的先驗密度分別為:

則θ的后驗分布為