彭琳 張榮 劉斌

（1.上海海事大學(xué)經(jīng)濟管理學(xué)院 上海浦東 201306；2.上海海事大學(xué)物流研究中心 上海浦東 201306）

一、引 言

與傳統(tǒng)實體經(jīng)濟不同，廣義虛擬經(jīng)濟并非遵循著“物本”思維，而是以“人本”思維作為主導(dǎo)[1]。劉駿民[2]在國內(nèi)首次提出股票、證券及金融衍生品等屬于狹義虛擬經(jīng)濟范疇,文化娛樂產(chǎn)業(yè)、高新技術(shù)產(chǎn)業(yè)等屬于廣義虛擬經(jīng)濟范疇。然而，真正將廣義虛擬經(jīng)濟與傳統(tǒng)經(jīng)濟學(xué)區(qū)別開來，并進行系統(tǒng)研究的是林左鳴教授及其帶領(lǐng)的研究團隊[3]；他把廣義虛擬經(jīng)濟定義為“同時滿足人的物質(zhì)需求和心理需求（并且往往是以心理需求為主導(dǎo)）的經(jīng)濟，以及只滿足人的心理需求的經(jīng)濟的總合”[4]。換言之，廣義虛擬經(jīng)濟是創(chuàng)造虛擬價值為主導(dǎo)的相關(guān)經(jīng)濟形式[1]。虛擬價值是生產(chǎn)、生活資料等原材料初級產(chǎn)品和單純滿足人的物質(zhì)需求的商品以外產(chǎn)生的價值，它更多地包含了體驗、服務(wù)、創(chuàng)意、品牌、人氣、信心、知識等與實物相區(qū)別的泛文化內(nèi)涵[1]。與此同時，隨著信息技術(shù)的發(fā)展和網(wǎng)絡(luò)的興起，使得社會開始網(wǎng)絡(luò)化，社會網(wǎng)絡(luò)化是虛擬經(jīng)濟的實體化過程，推動了虛擬價值的產(chǎn)生[5]。黃純純等人[5]在研究中提出廣義虛擬經(jīng)濟中的虛擬價值是由金融經(jīng)濟價值、網(wǎng)絡(luò)經(jīng)濟價值、外部性價值三種價值組成。

根據(jù)以上廣義虛擬經(jīng)濟的內(nèi)涵，本文將研究的視角聚焦在捐贈型眾籌上。眾籌，近年來利用互聯(lián)網(wǎng)向大眾籌集資金的一種手段，使得它具有虛擬價值中的金融經(jīng)濟價值與網(wǎng)絡(luò)經(jīng)濟價值。對于眾籌，Ordanini等較早地從消費者的角度來研究眾籌，強調(diào)了消費者與投資者的關(guān)系，即消費者為他人項目提供資金支持[6]。Belleflamme等學(xué)者將眾籌融資定義為：主要基于互聯(lián)網(wǎng)，通過向不特定人群提供諸如獎勵、股權(quán)等形式的回報來獲取資金，從而為項目發(fā)起者提供項目資金的商業(yè)形式[7]。眾籌的參與往往需要外部投資者的參與，這又體現(xiàn)了虛擬價值中的外部性價值。

2016年，“羅一笑”事件再次引起了大眾對慈善捐贈的關(guān)注；同年，我國《慈善法》的頒布與施行為公益活動提供了法律保證[7]。近年來，越來越多以眾籌模式開展的公益活動不斷涌現(xiàn)，捐贈型眾籌也變得熱門。根據(jù)一些學(xué)者的研究，眾籌主要分為捐贈型眾籌、獎勵型眾籌、債權(quán)型眾籌和股權(quán)型眾籌[8-10]。其中：捐贈型眾籌是一種約定投資者在投資后不會獲得任何物質(zhì)或金錢獎勵的捐贈合同[9]。本文主要研究廣義虛擬經(jīng)濟視角下投資者在捐贈型眾籌中參與意愿決定因素與細分，是為了探討投資者在捐贈型眾籌參與過程中的心理需求和虛擬價值的體現(xiàn)，并提出相關(guān)的虛擬價值提升策略，使得虛擬價值得到更好的發(fā)揮。

本文使用結(jié)構(gòu)方程模型（Structural Model Equation，簡稱SEM），確定投資者在捐贈型眾籌中參與意愿的影響因素；結(jié)合有限混合偏最小二乘法（Finite Mixture Partial Least Squares，簡稱FIMIX-PLS），挖掘出在PLS-SEM中未觀測到的異質(zhì)性并將參與意愿進行細分。當(dāng)應(yīng)用因果建模方法，如偏最小二乘法（PLS）路徑建模時，細分是應(yīng)對估計因果關(guān)系中異質(zhì)性問題的關(guān)鍵問題[11]。異質(zhì)性顯著影響了總體數(shù)據(jù)級別的估計路徑模型關(guān)系，該方法將允許創(chuàng)建出具有獨特路徑模型估計的同質(zhì)觀測組[11]。因此，本文通過這種方法將提供差異化的分析結(jié)果，從而可以對形成的每個細分進行更精確的解釋。

二、理論背景與假設(shè)

由于眾籌是基于互聯(lián)網(wǎng)，參與者需要通過眾籌平臺，即網(wǎng)頁、軟件等進行具體操作，本文以整合型技術(shù)接受與使用模型（Unified Theory of Acceptance and Use of Technology，UTAUT）為基礎(chǔ)；結(jié)合Ordanini等對消費者與投資者之間關(guān)系的研究和本文的研究背景，適當(dāng)調(diào)整了UTAUT模型；再根據(jù)“虛擬價值是一種感受價值”[1]，由此結(jié)合消費者感知價值理論，引入了感知利益、感知風(fēng)險、感知成本三個變量；結(jié)合捐贈型眾籌的背景和廣義虛擬經(jīng)濟中符合人類的心理需求，引入初始信任、慈善兩個變量。圖1展示了概念模型圖。

眾籌是眾包的衍生模式。眾籌與眾包有許多相同之處。學(xué)者對眾包用戶參與動機的研究較多，這些學(xué)者的研究成果表明大眾對于參與眾包將帶來的收益是大眾考慮是否參與眾包的一個重要影響因素。Schwienbacher和Larralde[12]的研究表明，眾籌投資者參與眾籌項目的并不是為了金錢回報，他們更多的是希望參與到創(chuàng)新項目中，體驗創(chuàng)業(yè)的一種刺激感，在項目進展中的話語權(quán)以及獲得認可和個人滿足是主要的參與動機。Belleflamme，Lambert和Schwienbacher[7]指出控制權(quán)和投票權(quán)作為眾籌投資者的額外收益可以彌補眾籌所產(chǎn)生的二級價格歧視。本人認為，眾籌投資者作為一般消費者，獲得未能在市場上獲得的產(chǎn)品也可以作為收益成為眾籌投資者參與眾籌的重要驅(qū)動因素。

圖1 概念模型

在UTAUT模型中，感知收益對應(yīng)著績效期望?？冃谕≒E）是指用戶期望在多大程度上通過利用系統(tǒng)在工作績效中實現(xiàn)多少收益[13]。 在這項研究中，PE代表了投資者在通過相關(guān)平臺參與捐贈籌集項目時所看到的有形和無形的利益。PE是使用技術(shù)意圖的最強預(yù)測因素。本文將感知收益定義為投資者參與眾籌能使其獲得的相關(guān)收益。依據(jù)已有學(xué)者的研究和本人對眾籌參與者的初步調(diào)查，本文將從投資者參與眾籌期望獲得的名氣聲譽、投票權(quán)、交友、快樂、滿足感等來研究感知收益是否對慈善產(chǎn)生影響。

H1：投資者的感知利益與慈善正相關(guān)。

學(xué)者對信任的界定多集中于信任是信任方對被信任方的善意、誠實和能力的信心。在眾籌過程中，大眾與眾籌籌資者以及眾籌平臺之間進行了價值交換，只要存在交換就會涉及三方之間的是否信任的問題。眾籌行為是借助網(wǎng)絡(luò)進行的，網(wǎng)絡(luò)可以為眾籌參與者提供更為便捷和良好的溝通環(huán)境，但網(wǎng)絡(luò)的虛擬性為眾籌模式的發(fā)展帶來缺陷。如網(wǎng)絡(luò)欺詐行為、資金賬號被盜行為、知識產(chǎn)權(quán)保護問題等。Agrawal、Catalini 和Goldfarb[14]在研究近距離眾籌投資者和遠距離眾籌投資者的差別時指出眾籌這種網(wǎng)絡(luò)交易行為雖然消除了與距離相關(guān)的經(jīng)濟摩擦，但并沒有消除與社會相關(guān)的經(jīng)濟摩擦，近距離眾籌投資者因為熟悉創(chuàng)業(yè)者的特征和現(xiàn)狀，創(chuàng)業(yè)者的前期行為給予投資者信任保障，所以他們傾向于早期投資，投資的額度也較遠期眾籌投資者大；遠距離投資者傾向于后期投資，且投資達到一定額度后才進行投資，以防止受騙。

初始信任（IT）被定義為一個人愿意承擔(dān)風(fēng)險，以便在沒有經(jīng)驗或可靠信息的情況下實現(xiàn)自己的目標[15-17]。當(dāng)人們通過互聯(lián)網(wǎng)進行創(chuàng)新服務(wù)而沒有經(jīng)驗時，這被認為是一個重要因素。因此，最初的信任將有助于支持者的慈善行為。在此情況下的信任可以界定為投資者對眾籌籌資者和眾籌平臺的善意、誠實和能力的信任。對眾籌籌資者的信任表現(xiàn)為專有性人力資本、創(chuàng)意的可靠性、信息披露，對眾籌平臺的信任表現(xiàn)為資金安全、個人信息安全和項目安全性保證。本文主要涉及對互聯(lián)網(wǎng)的信任、對眾籌平臺的信任、對籌資者及其項目的信任。

H2：投資者的初始信任與慈善正相關(guān)。

H3：投資者的感知利益與初始信任正相關(guān)。

感知風(fēng)險是個人通過心理衡量對眾籌的一種風(fēng)險認知。感知風(fēng)險是消費者行為研究中一個重要的研究變量。在過去的研究表明，感知風(fēng)險對消費者購物決策、態(tài)度以及信息處理等行為都有顯著的影響。著名的感知風(fēng)險操作定義就有1974年Kaplan，Szybillo和Jacoby提出的五個維度的感知風(fēng)險模型[18]。Remond A.Bauer在提出感知風(fēng)險概念時指出風(fēng)險是消費者的購買行動會產(chǎn)生某種不確定且令人不愉快的后果，感知風(fēng)險是消費者主觀感受到的風(fēng)險[19]。Cunningham提出“不利后果”和“該后果發(fā)生的可能性”這兩個變量可以測量消費者感知風(fēng)險[20]。Peter和Ryan認為兩個因素經(jīng)常倍增地結(jié)合在一起可以一般的表明感知風(fēng)險，即：風(fēng)險=負面后果概率*負面后果的嚴重程度[21]。這些研究從規(guī)范的角度界定了感知風(fēng)險的含義，具有重要的理論意義。本文的感知風(fēng)險是指大眾在參與眾籌的過程中對自己的眾籌行為所帶來可能的不利后果的感受和判斷。

H4：投資者的感知風(fēng)險與慈善負相關(guān)。

H5：投資者的感知風(fēng)險與初始信任負相關(guān)。

感知成本是購買者針對所要購買的產(chǎn)品付出的成本的感知。Wood和Scheer提出，成本除了貨幣意義上的價格成本及時間和精力等，還包括不確定性所帶來的心理成本——感知風(fēng)險[22]。本文的感知成本主要指三方面，一是大眾參與眾籌時投資的資金成本，如果覺得資金成本較少，則參與，反之則不參與；二是大眾參與眾籌時的時間消耗成本，如果覺得投資的時間消耗較少，則參與眾籌，反之則不參與；三是大眾參與眾籌時了解信息的過程程序是簡單的，則參與眾籌，反之則不參與。

H6：投資者的感知成本與慈善負相關(guān)。

維基百科對慈善的定義為：這是一種善良意愿的社會活動，不要求物質(zhì)回報，給予有需要的個人或社團幫助、贊助等，慈善是促進人類福利進步的利他關(guān)懷，通常通過捐獻金錢、資產(chǎn)或活動，由教育或醫(yī)療機構(gòu)捐贈予有需要的人，或公益協(xié)助其他社會需求。創(chuàng)業(yè)者需要資金支持來完成他的創(chuàng)業(yè)夢想，有同情心的人會有幫助創(chuàng)業(yè)者實現(xiàn)夢想的意愿。這也可以從另一方面解釋大眾接受眾籌模式帶來的二級價格歧視的原因，不僅僅是 Belleflamme，Lambert 和 Schwienbacher[7]所認為的控制權(quán)和投票權(quán)，還有大眾的慈善心理。Lambert 和 Schwienbacher[23]的研究表明，很多籌款活動是以捐贈為基礎(chǔ)的，80%會給予一定形式的回報，調(diào)查還表明，22%的眾籌項目依賴于捐贈。可見，慈善可以作為大眾參與眾籌行為的影響因素。本文將慈善定義為：投資者對眾籌籌資者提供無償資金支持或超額資金支持的行為。

H7：投資者的慈善與參與意愿正相關(guān)。

Venkatesh 等人[13]認為促進條件是指使用者認為組織與技術(shù)設(shè)施支持信息系統(tǒng)使用的程度。感知行為控制、促進因素和兼容性是促進條件的三個因素。本文將促進條件定義為投資者認為參與眾籌過程中可以獲得的來自其他組織和個人以及眾籌平臺等方面支持的程度。感知行為控制是指投資者認為參與眾籌過程存在的內(nèi)外部約束條件，如金錢支持、重要人物參與、朋友支持等；促進因素是指使大眾更加容易的參與眾籌過程的客觀環(huán)境因素，如眾籌網(wǎng)站幫助眾籌籌資者制作宣傳視頻。Andrea Ordanini，Lucia Micel，Matrta Pizzetti[6]指 出 將 籌資過程分為：朋友投資階段、大眾投資階段和競爭加入階段。大眾支持階段是最微妙的階段，若一個項目在此階段若表現(xiàn)為長時間的停滯的話，那么其在潛在資助者那里將會缺乏吸引力，因為他們會由此推斷投資這個項目是風(fēng)險很大的。因此很多項目沒有通過此階段。因此本研究新加入項目籌資進度這一維度，探究項目現(xiàn)有支持狀況和距離截止日期的遠近是否會影響參與行為。

H8：投資者的促進條件與參與意愿正相關(guān)。

三、PLS-SEM：數(shù)據(jù)分析與結(jié)果

（一）問卷量表設(shè)計

由于本文研究的是眾籌網(wǎng)站注冊用戶的參與行為，注冊用戶在地理上分布較為分散，采取大規(guī)模訪談的方法較難實現(xiàn)，所以本文采用問卷調(diào)查的方式進行數(shù)據(jù)的收集。在大量文獻閱讀的基礎(chǔ)上，結(jié)合相關(guān)領(lǐng)域國內(nèi)外研究的成熟量表，運用七點式李克特量表，設(shè)計出初始問卷量表，通過對問卷進行試測后，改進和完善了問卷。本研究從中國的輕松籌的樣本收集數(shù)據(jù)。

感知利益的測量改編自Brabham[24]、Schwienbacher & Larralde[25]、Belleflamme,Lambert & Schwienbacher[7]、Ordanini,Miceli & Pizzetti[6]、 徐 珊[26]、楊波[27]，常靜等[28]、王彥杰[29]、Ryu,2014[30]、Ordanini[6]、Rubinton[31]。 測量初始信任的項目是在Schwienbacher & Larralde、蔣驍[32]上開發(fā)的。慈善的測量變量量表是基于Lambert & Schwienbacher[10]、徐珊[26]、楊波[27]。促進條件、感知成本、感知風(fēng)險以及參與意愿是基于Schwienbacher & Larralde[25]、王震勤等[33]、徐晨飛等[34]開發(fā)的。

（二）樣本的數(shù)據(jù)分析

本文借助SmartPLS 3.0進行數(shù)據(jù)分析。測量題項、Cronbach’s Alpha系數(shù)、平均變異抽取量（AVE）、組合信度如表1所示。從檢驗的結(jié)果看，各潛變量的Cronbach’s Alpha值均大于0.70，內(nèi)容效度良好。各潛變量的AVE值均大于閾值0.5，表明有足夠的區(qū)分效度。各組成信度均大于0.9，達到了相關(guān)的要求。

表1 變量測量及其統(tǒng)計特征

（三）理論模型的實證檢驗

評估結(jié)構(gòu)模型，首先評估共線性問題的結(jié)構(gòu)模型。第二，結(jié)構(gòu)模型顯著性和相關(guān)性將被評估。第三，評估決定系數(shù) 的大小。

視預(yù)測潛變量容忍值小于0.20（VIF＞ 5.00）為具有共線性問題。本模型中VIF最低值為1.148，最高VIF值為1.654；所有VIF值小于5.00，這表明沒有共線性問題。為了估計路徑系數(shù)的顯著性，采用bootstrapping技術(shù)，用t檢驗來檢驗每個路徑系數(shù)的統(tǒng)計學(xué)意義。結(jié)果如圖2所示。其中，7個假設(shè)得到了支持（H2、H3、H4、H5、H6、H7、H8）。發(fā)現(xiàn)感知風(fēng)險對初始信任（β=0.179**，t=2.992）和慈善（β=0.192***，t=4.025 ）有正面影響，這與預(yù)測相反，也是一個有意思的現(xiàn)象。

最常用來評估結(jié)構(gòu)模型的標準為決定系數(shù)（coefficient of determination，R2值）。R2值介于0～1之間，數(shù)值較高代表較高的預(yù)測力。要提出一般可接受的R2值大小并不容易,因為這可能涉及了模式復(fù)雜度以及學(xué)科差異[35]。R2值為0.20在顧客行為研究中算高的，但對有效因素研究（例如在預(yù)測解釋顧客滿意度與忠誠的研究）而言，等于或高于0.75的值才會被接受。在營銷領(lǐng)域，0.75、0.50、0.25的R2值則可大致被歸類為顯著的、中度、微弱的解釋力[36,37]。慈善變異的約48.5%是由初始信任解釋的；感知利益和感知風(fēng)險解釋了33.3%初始信任的變異。 此外，51.1%的參與意愿差異由慈善和便利條件解釋。

圖2 路徑分析結(jié)果

四、FIMIX-PLS：數(shù)據(jù)分析與結(jié)果

當(dāng)應(yīng)用FIMIX-PLS來發(fā)現(xiàn)不可觀察到的異質(zhì)性時，類的實際數(shù)量通常是未知的[38]。與任何聚類程序一樣，保留合適數(shù)量的分類是至關(guān)重要的，因為許多管理決策都是基于此結(jié)果[38]。在實證研究中，F(xiàn)IMIX-PLS的應(yīng)用依賴于信息和分類標準，從數(shù)據(jù)中選擇適當(dāng)數(shù)量的分類[38]。

（一）識別適當(dāng)數(shù)量的細分

在FIMIX-PLS中，實際上是不知道要分成幾類細分。在實際應(yīng)用中，研究人員可以通過啟發(fā)式測量法比較赤池信息量準則（AIC），一致AIC（CAIC）或貝葉斯信息準則（BIC）來比較不同分類解決方案的估計[11]。這些信息標準是基于可能性的懲罰函數(shù)形式，研究人員在操作上研究了具有不同數(shù)量分類的幾個競爭模型，并選擇最小化信息標準值的模型[11]。

盡管前面的啟發(fā)式解釋通過整合懲罰項來解釋過度參數(shù)化，但是它們并不能保證在所選解決方案中這些類被充分分離。基于熵統(tǒng)計學(xué)的分類標準，其指示了類之間的分離程度，可以幫助評估分析是否產(chǎn)生分離好的群集[39]。在這種情況下，規(guī)范的熵統(tǒng)計[40]是分析段特定FIMIX-PLS結(jié)果的關(guān)鍵標準。相關(guān)指標 范圍在0和1之間，一般在0.5以上為合適的細分數(shù)量[41-43]。

在下一個分析步驟中，SmartPLS的FIMIXPLS模塊基于估計的潛在變量分數(shù)應(yīng)用于細分的觀察。最初，F(xiàn)IMIX-PLS結(jié)果計算為兩個類。 此后，類的數(shù)量依次增加。如表3所示，分類特定信息和分類標準的比較顯示，兩組的選擇適合于參與意愿的細分。所有相關(guān)的評估標準在隨后的分類數(shù)量上大幅增加。

表3 對于不同的信息分類標準

值為0.640額外支持了參與意愿的兩個細分。如表4所示，所有觀察值的80%以上都被分配到兩個部分之一，概率大于0.7。相對于較高數(shù)量的類，這些概率顯著下降，這表明較低的 也表現(xiàn)出增加的分割模糊性。對于一定數(shù)量的分類， 為0.5或更高的數(shù)據(jù)允許數(shù)據(jù)的明確細分。

接下來，根據(jù)分段隸屬度的最大概率將觀測值分配給每個分類。表5顯示了相對于不同細分解決方案的分類大小，這允許指定影響分析的異質(zhì)性：（a）隨著分段數(shù)量的增加，較小的細分逐漸分離以創(chuàng)建其他細分，而較大細分的大小保持相對穩(wěn)定約為0.5）。（b）基于EN標準的額外分類數(shù)量的下降使本文得出結(jié)論，關(guān)于ACSI的這一特定分析的總體觀察結(jié)果包括一個大的，穩(wěn)定的細分和一個小的模糊的細分。（c）FIMIX-PLS不能進一步降低較小部分的模糊性。

表4 觀察分類成員最高概率的總概述

表5 不同分類個數(shù)的細分大小

在增加類的數(shù)量的過程中，F(xiàn)IMIX-PLS仍然可以識別具有較高成員概率的較大的細分，但是在用異質(zhì)觀察處理小組時是矛盾的。因此，成員的概率下降，導(dǎo)致EN值降低。這表明在將該數(shù)據(jù)集中的觀測值分配給附加細分的過程中的方法復(fù)雜性。在該示例中，相對于S=7類獲得表現(xiàn)出內(nèi)部路徑模型關(guān)系和/或高于1的回歸方差的結(jié)果。因此，根據(jù)表5中細分大小的發(fā)展，可以在此時刻分析附加數(shù)量的類別。

（二）事后分析與解釋變量的選擇

在FIMIX-PLS結(jié)果表明通過使用最佳擬合數(shù)量的S類進行分類可以減少整體數(shù)據(jù)集中的異質(zhì)性的情況下，在事后分析中必須揭示一個解釋變量。在此步驟中，數(shù)據(jù)通過解釋變量進行分類，該變量用作具有PLS路徑建模的類特定計算的輸入。識別解釋變量的過程對于利用FIMIX PLS結(jié)果至關(guān)重要。這些發(fā)現(xiàn)對研究人員來說也是有價值的，以確認路徑模型估計中不可觀察到的異質(zhì)性不是問題，或者它們允許通過分類來處理這個問題，從而促進多組PLS路徑建模分析[44,45]。顯著不同的群體特定路徑模型估計對PLS建模結(jié)果進行了進一步的差異化解釋，并可能促進更有效的策略的發(fā)起。

在對結(jié)構(gòu)模型進行分析后，根據(jù)潛變量的估計分數(shù)，應(yīng)用有限混合偏最小二乘法（FIMIX-PLS）對樣本進行分類。最后，通過t檢驗，采用參數(shù)分析來確定細分是否有統(tǒng)計學(xué)差異。對于每個細分，再次估計該模型，并分析PLS估計的精度。表6展示了全局模型和兩個潛分類的FIMIX-PLS結(jié)果。在評估擬合優(yōu)度度量和內(nèi)部模型關(guān)系之前，針對細分特定路徑模型估計的所有結(jié)果在可靠性和判別效度方面進行了測試。分析表明，所有措施均符合模型評估的相關(guān)標準[37]。

表6 全局模型和兩個潛分類的FIMIX-PLS結(jié)果

根據(jù)Hair等人[46]的研究，在事后分析中使用一個解釋變量或幾個解釋變量的組合對數(shù)據(jù)進行分區(qū)，產(chǎn)生與FIMIX-PLS產(chǎn)生的數(shù)據(jù)大致對應(yīng)的數(shù)據(jù)分組。FIMIX-PLS分區(qū)與由解釋變量產(chǎn)生的分區(qū)之間的60%重疊被認為是令人滿意的[46]。本研究的解釋變量可以為性別、年齡、教育程度、月收入。根據(jù)計算，這些變量均達到了60%的重疊水平，本文在此將它們都作為解釋變量。其中，性別為男、女分為兩組；年齡以30歲為界限分為兩組；教育程度以本科為界限分為兩組；月收入以3000元為界限分為兩類。

（三）數(shù)據(jù)的先驗分類和細分特定模型的估計

一旦研究確定了一個或多個與FIMIX-PLS分區(qū)匹配的解釋變量，最后一步是估計由解釋變量表示的類特定模型。在這樣做時，研究人員必須確保所有模型測量都符合通常的質(zhì)量標準，例如Hair等人[35]的研究中所記錄的。這些分析完成了基本的FIMIX-PLS應(yīng)用。然而，進一步的分析可能涉及使用多組分析來測試類特異性路徑系數(shù)之間的數(shù)值差異是否也顯著不同。但是，在解釋多組分析結(jié)果之前，研究人員必須確保測量模型在組間不變。通過建立測量不變性，研究人員可以相信，模型估計中的組差異不是由于組內(nèi)潛在變量的獨特內(nèi)容和/或含義。例如，潛在變量之間的結(jié)構(gòu)關(guān)系的變化可能來自于群體的受訪者對于被測量的現(xiàn)象的不同含義作出選擇，而不是結(jié)構(gòu)關(guān)系中的真實差異。為了在PLS-SEM背景下測量不變性，研究人員應(yīng)該執(zhí)行Henseler等人[35]描述的復(fù)合模型（MICOM）程序的測量不變性。這可以在SmartPLS3中實現(xiàn)，本模型符合MICOM程序。

表7顯示了細分特定模型的路徑估計與R2值。由表7，再與FIMIX-PLS的兩組潛分類作比較，可以發(fā)現(xiàn)，年齡與月收入是分別對應(yīng)的潛分類。其中，30歲以下對應(yīng)FIMIX-PLSGroup2分類，30歲以上對應(yīng)FIMIX-PLSGroup1分類；3000元/月以下對應(yīng)FIMIX-PLSGroup1分類，3000元/月以上對應(yīng)FIMIX-PLSGroup2分類。

五、討論與啟示

（一）結(jié)果討論

本文使用基于偏最小二乘法的結(jié)構(gòu)方程模型（PLS-SEM），從圖2中可以得出，影響捐贈型眾籌參與意愿的因素主要有慈善（β=0.798***）與促進條件（β=0.501***）,它們對參與意愿有著正向影響，這與假設(shè)H7、H8相符合。其中，影響慈善的主要因素有初始信任（β=0.427***）、感知風(fēng)險（β=0.192***）、感知成本（β=-0.327***），假設(shè) H2、H6得到了驗證。有趣的是，感知風(fēng)險對慈善有著正向影響，這與之前的假設(shè)H4相反；感知利益對于慈善沒有影響，假設(shè)H1不成立。初始信任受感知利益（β=0.545***）、感知風(fēng)險（β=0.179***）的正向影響，前者驗證了假設(shè)H3，后者與假設(shè)H5相反。

本文使用了有限混合偏最小二乘法（FIMIXPLS），通過該算法，尋找異質(zhì)性，得出兩類潛分類。在全局模型中，初始信任對慈善有正向影響（β=0.427***）； 在 FIMIX-PLS中，Group1即72.85%投資參與者的初始信任對慈善有正向影響（β=0.475**），這與胡怡[47]的實證研究相符：人際信任對投資的影響最大，到達60%；Group2即27.15%的投資參與者的初始信任對慈善有負向影響（β=-0.060***），這反應(yīng)了少部分人對慈善活動持有反常的信任觀念，這可以解釋為一開始對眾籌項目的不了解、籌資者的不充分接觸和眾籌平臺的操作不便性帶來的低初始信任，從而驅(qū)動投資參與者去解決這些上述問題，從而提高了對項目的慈善，這種驅(qū)動可以由Higgins[48]提出的調(diào)節(jié)定向理論中的促進定向來解釋。在全局模型中，感知成本對慈善有負向作用（β=-0.327***）；在FIMIX-PLS中，大部分投資參與者的感知成本對慈善有負向作用（β=-0.466***），這與原假設(shè)相符合；小部分投資參與者的感知成本對慈善有正向作用（β=0.174***），這可以解釋為寧愿用高成本追求慈善的行為，是一種對質(zhì)的追求。

表7 細分特定的模型估計

對于H4、H5的假設(shè)與結(jié)論相反，通過細分特定的模型估計的路徑系數(shù)可以看出，正向影響（H5）可能是由不同的性別造成的。在這項研究中，將投資者分為兩組，分別是男性和女性。建立了由女性分組的參與者假設(shè)支持感知風(fēng)險與初始信任之間存在負相關(guān)（β=-0.121**，t=2.89）。然而，由男性分組的參與者的假設(shè)得到感知風(fēng)險與初始信任之間存在正相關(guān)（β=0.236**，t=3.001）。這表明女性在作出決定時可能會更加謹慎。當(dāng)男性傾向于參與捐贈型眾籌時，男性更具冒險性。這個發(fā)現(xiàn)符合前提條件。De Mel，McKenzie和Woodruff[49]在抽象博弈實驗中進行了研究，發(fā)現(xiàn)男性對收入的風(fēng)險偏好較大；女性有著更大的風(fēng)險厭惡。Adams和Funk[50]對高級管理人員進行了調(diào)查，發(fā)現(xiàn)男性對成就和權(quán)利的需求較強，而女性更傾向于積極性，傾向于較低的安全感。因此，當(dāng)感知風(fēng)險影響初始信任時，女性會更保守;而男性則會采取一些行動，甚至是風(fēng)險偏向性。這種情況與H4相似，認為風(fēng)險由不同性別對慈善有不同的影響：建立了由女性分組的參與者的假設(shè)支持感知風(fēng)險與慈善之間的負相關(guān)（β=-0.265***，t=4.894）；支持由男性分組的參與者支持感知風(fēng)險與慈善之間的正相關(guān)（β=0.375***，t=6.532）。此外，H4和H5可能被“高風(fēng)險，高回報”的概念所混淆。在這里，回報并不意味著實物收益，如貨幣回報，產(chǎn)品或服務(wù)。它是指名譽、聲譽、投票權(quán)、幸福感等無形利益，反映出捐贈型眾籌的感知風(fēng)險的影響與以前的研究不同。

（二）研究啟示

本項研究主要在四個方面對文獻作了貢獻。首先，廣義虛擬經(jīng)濟已經(jīng)以新的經(jīng)濟模式發(fā)展起來，另外眾籌也是一個新興話題，在廣義虛擬經(jīng)濟背景下研究捐贈型眾籌的相關(guān)研究并不多。第二，大多數(shù)從項目發(fā)起者或眾籌平臺上以獎勵型眾籌為基礎(chǔ)的研究。從發(fā)起者的角度來看，對投資意愿已有深入的研究。然而，對投資者研究的角度較少。第三，這是較新穎地將UTAUT應(yīng)用于捐贈型眾籌背景下進行分析影響投資者投資意愿的關(guān)鍵因素的研究之一。此外，結(jié)合了消費者感知價值理論，另外加入初始信任、慈善兩個變量到UTAUT模型中，這是一個創(chuàng)新點。第四，本文使用了FIMIX-PLS，尋找數(shù)中的異質(zhì)性，通過潛分類，劃分出了兩類；通過多組分析，尋找出了契合潛分類的細分。

本研究為項目發(fā)起者和捐贈眾籌平臺提供相關(guān)建議。發(fā)現(xiàn)初始信任，感知風(fēng)險和感知成本對投資者的慈善產(chǎn)生了影響。慈善是影響投資者參與意愿中最有效的決定因素。為了吸引更多的人關(guān)心，眾籌平臺可以為每個項目的倡導(dǎo)者做一個廣告宣傳的機制。設(shè)立“榮譽勛章”，鼓勵提供大支持和大量資金的人，這將增加支持者的聲譽和聲譽，滿足支持者的幸福和認可。因此，平臺應(yīng)該監(jiān)督資金的流動和使用，這可以推動更多的人參與慈善籌資活動。這都將使得捐贈型眾籌的虛擬價值得以提升。

六、總 結(jié)

廣義虛擬經(jīng)濟與捐贈型眾籌已經(jīng)成為了如今熱議的話題，如何提高捐贈型眾籌的虛擬價值是本文的重點。本文使用了基于偏最小二乘法的結(jié)構(gòu)方程模型（PLS-SEM）和有限混合偏最小二乘法（FIMIX-PLS）進行研究投資者在捐贈型眾籌中參與意愿的決定因素及其潛在細分。雖然這項研究產(chǎn)生有意義的結(jié)果，但仍然存在一些限制。首先，學(xué)者應(yīng)該謹慎地將調(diào)查結(jié)果推廣到其他國家（如美國，歐洲）。由于不同的文化和環(huán)境（例如投資意愿），這一結(jié)果可能因地區(qū)而異。因此，建議在未來研究中進行跨文化問題的多組分析。此外，論文只關(guān)注投資的資金意愿，可以擴大到其他類型的眾籌活動或項目中。最后，數(shù)據(jù)采集涉及方便抽樣，建議未來的研究從眾籌平臺的數(shù)據(jù)庫中獲取更為準確的數(shù)據(jù)。