摘 要：針對(duì)眾籌融資過(guò)程中存在的信息不對(duì)稱問(wèn)題，基于前景理論中處理不確定信息的決策效用規(guī)則，結(jié)合眾籌項(xiàng)目信息披露與投資者效用分析，構(gòu)建了一個(gè)新的眾籌績(jī)效預(yù)測(cè)模型。為解決實(shí)際應(yīng)用中特征選擇過(guò)多的問(wèn)題，引入了一種基于神經(jīng)網(wǎng)絡(luò)算法的稀疏性特征選擇方法，該方法能夠幫助眾籌平臺(tái)聚焦于核心特征，以更好地理解和預(yù)測(cè)投資者行為。對(duì)Kickstarter平臺(tái)上超過(guò)15萬(wàn)個(gè)項(xiàng)目的實(shí)證分析結(jié)果表明：考慮投資者風(fēng)險(xiǎn)感知和前景效用的模型對(duì)眾籌績(jī)效有更好的預(yù)測(cè)和解釋能力。該研究結(jié)論不僅為眾籌項(xiàng)目的預(yù)測(cè)和評(píng)估提供了新的視角，也為眾籌平臺(tái)和籌資者建立分析投資者支持行為的分析框架提供了有力的工具。

關(guān)鍵詞：投資者行為； 不確定性偏好； 行為建模； 眾籌績(jī)效

中圖分類號(hào)：TP39；F83 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-3695（2024）08-028-2448-07

doi：10.19734/j.issn.1001-3695.2023.11.0590

Crowdfunding performance prediction model based on investor behavior analysis

Wei Ju1， Zhou Zhengming2

（1.Bank of Beijing Post-Doctoral Research Station， Bank of Beijing， Beijing 100033， China; 2.Post-Doctoral Research Station， Bank of Communications， Shanghai 200093， China）

Abstract：Addressing the issue of information asymmetry in crowdfunding， this paper developed a new model for predicting crowdfunding performance， based on the decision utility rules for processing uncertain information in prospect theory and combining the analysis of crowdfunding project information disclosure with investor utility. To tackle the issue of excessive feature selection in practical applications， it introduced a sparsity-based feature selection method using neural networks， which could help crowdfunding platforms to focus on core features for better understanding and predicting investor behavior. Empirical analysis of over 150 000 projects on the Kickstarter platform shows that models considering investors’ perception of risk and prospect utility have better predictive and explanatory power for crowdfunding performance. The research results not only provide a new perspective for the prediction and evaluation of crowdfunding projects， but also offer powerful tools for crowdfunding platforms and fundraisers to establish models for analyzing backers’ backing behavior.

Key words：investor behavior; uncertainty preference; behavioral modeling; crowdfunding performance

0 引言

長(zhǎng)期以來(lái)，在全球范圍內(nèi)，經(jīng)營(yíng)規(guī)模較小的中小企業(yè)面臨因獲客難和風(fēng)控難而導(dǎo)致的融資難問(wèn)題，從而使其難以發(fā)展與成長(zhǎng)［1～3］。互聯(lián)網(wǎng)等信息通信技術(shù)的發(fā)展，使得以技術(shù)為基礎(chǔ)的方式，特別是基于互聯(lián)網(wǎng)技術(shù)的眾籌平臺(tái)為籌資者提供了資金支持。目前全球共有500多個(gè)眾籌平臺(tái)，如Kickstarter、Indiegogo和GoFundMe等［4，5］。眾籌這一新的商業(yè)模式涉及三個(gè)主要利益相關(guān)者： 發(fā)起者（發(fā)起項(xiàng)目）、投資者（資助項(xiàng)目）和眾籌平臺(tái)（把發(fā)起者和投資者鏈接起來(lái)的平臺(tái)）［6］。有創(chuàng)意的個(gè)人或企業(yè)可以在眾籌平臺(tái)上發(fā)起眾籌項(xiàng)目，面向所有線上網(wǎng)民尋找項(xiàng)目資助者，以獲取資金。除了提供資金支持外，近年來(lái)，眾籌因其能在新產(chǎn)品開(kāi)發(fā)階段了解消費(fèi)者需求，獲取市場(chǎng)反饋和使創(chuàng)業(yè)者在真正投資生產(chǎn)前與消費(fèi)者簽約而備受關(guān)注［7～9］。隨著眾籌在獲取資金和了解市場(chǎng)情況的優(yōu)勢(shì)逐漸顯現(xiàn)，眾籌正在轉(zhuǎn)變?yōu)橐劳谢ヂ?lián)網(wǎng)支持創(chuàng)業(yè)（融資屬性）和學(xué)習(xí)需求（運(yùn)營(yíng)屬性）的重要方式。然而，Kickstarter的統(tǒng)計(jì)數(shù)據(jù)顯示，Kickstarter上成功融資的項(xiàng)目所占比例很小，這使得眾籌平臺(tái)和發(fā)起者迫切想知道如何及時(shí)有效地評(píng)估眾籌項(xiàng)目，從而提高眾籌活動(dòng)的成功率［10，11］。

在過(guò)去的十年中，大量的實(shí)證研究通過(guò)分析項(xiàng)目發(fā)起人特征、項(xiàng)目本身特征和支持者特征來(lái)預(yù)測(cè)眾籌項(xiàng)目的成功［6，12］。例如，Xiao等人［12］通過(guò)構(gòu)建面板向量自回歸模型（panel vector auto regression model）說(shuō)明了投資者對(duì)眾籌的支持決策中存在慣性行為。Du等人［6］利用文本分析，從出資人的質(zhì)押歷史數(shù)據(jù)中識(shí)別出資人的語(yǔ)言偏好，根據(jù)出資人的語(yǔ)言偏好通過(guò)深度學(xué)習(xí)模型預(yù)測(cè)眾籌項(xiàng)目的成功。上述兩項(xiàng)實(shí)證研究說(shuō)明了分析支持者行為對(duì)預(yù)測(cè)眾籌項(xiàng)目績(jī)效的有效性。然而，這兩個(gè)研究只是從識(shí)別投資者行為特征出發(fā)，從而基于識(shí)別的特征建立預(yù)測(cè)模型，但行為相關(guān)因素影響投資者決策的原因和方式卻一直被忽視。

在眾籌融資活動(dòng)中，投資者的支持決策直接決定了眾籌的資金規(guī)模，從而決定了眾籌項(xiàng)目的成敗。因此，在預(yù)測(cè)或評(píng)估眾籌項(xiàng)目的績(jī)效時(shí)，分析個(gè)體出資人的決策行為對(duì)預(yù)測(cè)眾籌項(xiàng)目績(jī)效是非常重要的。此外，了解出資人在眾籌活動(dòng)中的個(gè)人決策行為，對(duì)于項(xiàng)目創(chuàng)作者、眾籌平臺(tái)乃至政府立法者培育更好的眾籌市場(chǎng)［12］都至關(guān)重要。為此，本文在以往實(shí)證研究的基礎(chǔ)上，基于前景理論（prospect theory，PT），從行為相關(guān)因素對(duì)出資人支持決策的影響視角出發(fā)，構(gòu)建了一個(gè)新的混合模型來(lái)評(píng)估眾籌項(xiàng)目。一般來(lái)說(shuō)，影響決策者決策的行為因素可以被廣泛地分為兩類［12，13］：一是與決策情境相關(guān)的因素，如信號(hào)觀察學(xué)習(xí)［13］、同伴影響［14］和媒體注意［15］；二是決策者的心理和情緒，如有限理性［16］、樂(lè)觀［17］和過(guò)度自信［18］。

在互聯(lián)網(wǎng)快速發(fā)展的背景下，本文提出了兩個(gè)與行為相關(guān)的因素： 項(xiàng)目信息觀察和出資人對(duì)不確定性信息的風(fēng)險(xiǎn)偏好。在線眾籌平臺(tái)提供了關(guān)于眾籌項(xiàng)目的詳細(xì)信息（如融資目標(biāo)、持續(xù)時(shí)間、項(xiàng)目描述和介紹），以及項(xiàng)目已有質(zhì)押與目標(biāo)的比例、項(xiàng)目更新次數(shù)、評(píng)論次數(shù)、出資人數(shù)量、截止日期前剩余天數(shù)等實(shí)時(shí)指標(biāo)數(shù)據(jù)。對(duì)于任何潛在的投資者來(lái)說(shuō)，獲取上述項(xiàng)目相關(guān)信息都非常容易。然而，支持者獲取的信息卻并不準(zhǔn)確，并且是不斷變化的。例如，投資者無(wú)法獲得關(guān)于眾籌結(jié)果、眾籌產(chǎn)品以及產(chǎn)品是否會(huì)按時(shí)交付的準(zhǔn)確信息。因此，選擇在眾籌平臺(tái)上支持一個(gè)項(xiàng)目，是否能獲得滿意的產(chǎn)品，對(duì)每個(gè)投資方來(lái)說(shuō)都存在不確定性和風(fēng)險(xiǎn)。綜上，眾籌融資活動(dòng)中支持者的支持決策總是伴隨著不確定性和風(fēng)險(xiǎn)。正如Wei等人［19］的研究結(jié)果指出，不同的投資者在進(jìn)行投資決策時(shí)，對(duì)不確定性和風(fēng)險(xiǎn)的偏好不同，進(jìn)而導(dǎo)致了不同的投資策略。

在本文中，支持者對(duì)不確定性和風(fēng)險(xiǎn)的偏好是上文提到的第二類與行為相關(guān)的因素，即決策者是有限理性的，其主觀參考標(biāo)準(zhǔn)直接影響最終的決策結(jié)果。在存在不確定性和風(fēng)險(xiǎn)的決策問(wèn)題中，傳統(tǒng)的效用函數(shù)無(wú)法解釋決策者的異質(zhì)性行為［20，21］。為了有效刻畫(huà)決策者在面對(duì)不確定和風(fēng)險(xiǎn)時(shí)的行為，Kahneman等人［22］提出了前景理論（PT），作為傳統(tǒng)效用理論的有效補(bǔ)充，前景理論在具有不確定性和風(fēng)險(xiǎn)的決策問(wèn)題中被廣泛應(yīng)用。根據(jù)PT，利用收益為凹、損失為凸的s型（值）效用函數(shù)來(lái)刻畫(huà)決策者的異質(zhì)性風(fēng)險(xiǎn)偏好。PT指出決策者更傾向于選擇前景值較大（相對(duì)值）的決策方案，而不是效用最大（絕對(duì)值）的決策方案［22，23］?；赑T在眾多具有不確定性和風(fēng)險(xiǎn)的決策問(wèn)題的廣泛使用，本文引入PT來(lái)捕捉眾籌中支持者支持行為的異質(zhì)性。直觀來(lái)說(shuō)，每個(gè)支持者首先觀察并學(xué)習(xí)項(xiàng)目相關(guān)信息，然后基于PT對(duì)項(xiàng)目的前景效用進(jìn)行評(píng)估，最后根據(jù)評(píng)估的前景效用進(jìn)行支持決策（PT在本應(yīng)用場(chǎng)景下的詳細(xì)信息見(jiàn)第3.2節(jié)）。

為解決以往研究指出的特征數(shù)目過(guò)多導(dǎo)致實(shí)際應(yīng)用不方便的問(wèn)題，本文使用神經(jīng)網(wǎng)絡(luò)算法并結(jié)合重參數(shù)采樣方法構(gòu)造稀疏優(yōu)化問(wèn)題來(lái)控制眾籌特征子集的大小，即添加特征子集中特征數(shù)量的l0約束［24］。本文中的l0約束意味著只能從N個(gè)候選特征中選擇最多K個(gè)特征來(lái)優(yōu)化特征數(shù)量，其中K值根據(jù)決策者在實(shí)踐決策中的需求確定。

綜上，本文模型包括兩個(gè)部分：a）稀疏特征子集的選擇;b）建立基于信息和行為分析的眾籌項(xiàng)目預(yù)測(cè)模型。首先，稀疏特征子集選擇給出對(duì)眾籌項(xiàng)目績(jī)效貢獻(xiàn)最大的眾籌特征；接著根據(jù)選出的眾籌項(xiàng)目特征，通過(guò)將上述兩種行為相關(guān)的因素和眾籌特征鏈接在一起構(gòu)建基于行為分析的眾籌績(jī)效預(yù)測(cè)模型。

本文有以下三點(diǎn)貢獻(xiàn)：

a）通過(guò)建立基于PT的出資人行為相關(guān)決策模型，考察出資人行為相關(guān)因素對(duì)眾籌評(píng)估和預(yù)測(cè)的影響，本文為在眾籌場(chǎng)景中使用投資者行為預(yù)測(cè)眾籌績(jī)效的實(shí)證論文提供了理論解釋。雖然當(dāng)前已有學(xué)者關(guān)注對(duì)投資人投資行為的拆解，但其研究?jī)H通過(guò)實(shí)證數(shù)據(jù)檢驗(yàn)強(qiáng)調(diào)投資人投資行為對(duì)眾籌績(jī)效預(yù)測(cè)的重要性。本文通過(guò)對(duì)支持者的決策過(guò)程進(jìn)行PT建模，識(shí)別支持者行為相關(guān)因素，量化支持者的預(yù)期效用，檢驗(yàn)了支持者行為相關(guān)因素如何影響眾籌項(xiàng)目的績(jī)效。

b）通過(guò)將深度學(xué)習(xí)模型應(yīng)用于基于互聯(lián)網(wǎng)的眾籌領(lǐng)域，對(duì)特征選擇進(jìn)行稀疏優(yōu)化，本文在方法論上作出了貢獻(xiàn)。本文采用隨機(jī)神經(jīng)網(wǎng)絡(luò)模型結(jié)合重參數(shù)化采樣方法，簡(jiǎn)單有效地解決了稀疏性特征子集選擇是NP-hard的問(wèn)題。通過(guò)特征選擇權(quán)重稀疏性來(lái)控制眾籌特征子集的大小，并使用深度學(xué)習(xí)方法，本文模型可以為特定數(shù)量的項(xiàng)目特征選擇貢獻(xiàn)最大的特征子集。同時(shí)，為了將多源項(xiàng)目相關(guān)信息與支持者的效用相結(jié)合進(jìn)行實(shí)證分析，采用了證據(jù)理論（ET）［25］中的Dempster的組合規(guī)則來(lái)匯總從特征信息數(shù)據(jù)中提取的多個(gè)加權(quán)證據(jù)。

c）本文模型為眾籌平臺(tái)和籌資者在處理投資者行為相關(guān)決策的問(wèn)題上提供了實(shí)際應(yīng)用價(jià)值。在模型中，基于深度學(xué)習(xí)模型的稀疏特征子集能夠選擇貢獻(xiàn)最大的特征，優(yōu)化發(fā)起人特征選擇效率。在實(shí)際應(yīng)用中，眾籌平臺(tái)可以使用提出的模型動(dòng)態(tài)選擇貢獻(xiàn)最大的特征，這有利于眾籌平臺(tái)和集資方提高眾籌相關(guān)特征的資源配置效率。并且通過(guò)眾籌項(xiàng)目評(píng)估與預(yù)測(cè)模型以及關(guān)注支持者行為相關(guān)決策的預(yù)測(cè)模型，構(gòu)建了這些被選擇的特征對(duì)眾籌項(xiàng)目評(píng)估的影響，有效促進(jìn)了眾籌項(xiàng)目個(gè)性化推薦的處理過(guò)程，從而進(jìn)一步提高眾籌融資績(jī)效。

1 文獻(xiàn)綜述

在過(guò)去的幾十年里，眾籌已經(jīng)發(fā)展成為一種有效解決小公司傳統(tǒng)融資難的有效機(jī)制。與傳統(tǒng)的融資方式相比，眾籌為個(gè)人和企業(yè)提供了創(chuàng)業(yè)機(jī)會(huì)，讓創(chuàng)意能在潛在支持者的資金支持下得以實(shí)現(xiàn)。然而，眾籌的概念仍處于進(jìn)化的早期階段，在以往的研究中，學(xué)者們主要使用了兩種方法來(lái)概念化眾籌：a）將眾籌作為一種商業(yè)模式，由創(chuàng)始人（項(xiàng)目創(chuàng)造者）、資助人（人群）和眾籌網(wǎng)站（在線平臺(tái)）等關(guān)鍵部分組成［1～3］;b）將眾籌定義為支持創(chuàng)業(yè)和企業(yè)發(fā)展的籌集小額資金的方法［26］。隨著眾籌在國(guó)內(nèi)外的不斷發(fā)展，眾籌項(xiàng)目分為獎(jiǎng)勵(lì)型眾籌、股權(quán)型眾籌、借貸型眾籌和捐贈(zèng)型眾籌四種。

本文的研究目標(biāo)集中在基于獎(jiǎng)勵(lì)的眾籌市場(chǎng)?，F(xiàn)有的基于獎(jiǎng)勵(lì)的眾籌前沿研究主要從實(shí)證分析的角度關(guān)注眾籌績(jī)效（如成功的項(xiàng)目）的影響因素，并確定了項(xiàng)目層面、創(chuàng)造者層面和資助方層面的相關(guān)特征。例如，Mollick［27］使用線性回歸模型證明項(xiàng)目的質(zhì)量、社會(huì)網(wǎng)絡(luò)聯(lián)系和目標(biāo)數(shù)量對(duì)融資成功均會(huì)產(chǎn)生影響。Wu等人［28］的研究結(jié)果表明投資者數(shù)量、互動(dòng)話題、價(jià)格梯度和活動(dòng)持續(xù)時(shí)間對(duì)眾籌項(xiàng)目融資成功概率有正向影響。Xiao等人［12］強(qiáng)調(diào)了在線眾籌市場(chǎng)中跟蹤個(gè)體投資者投資行為的重要性，建立了帶有外生變量的面板向量自回歸模型（panel vector auto regression model），以檢驗(yàn)投資者在眾籌項(xiàng)目的重復(fù)投資決策中是否存在慣性行為，以及慣性行為是如何存在的。研究發(fā)現(xiàn)，投資者在獎(jiǎng)勵(lì)層選擇中的慣性行為似乎強(qiáng)于投資時(shí)機(jī)選擇，項(xiàng)目屬性相關(guān)因素對(duì)投資者決策的影響不同，同行投資者的影響對(duì)出資人投資時(shí)機(jī)選擇的影響強(qiáng)于籌資人的營(yíng)銷力度。 Du等人［6］利用文本分析來(lái)識(shí)別每個(gè)資助人的語(yǔ)言偏好，并基于語(yǔ)言期望理論使用深度學(xué)習(xí)模型來(lái)預(yù)測(cè)眾籌項(xiàng)目的成功。

與以往的研究相比，本文從理論角度探究了既往文獻(xiàn)提出的行為因素在眾籌決策過(guò)程中的作用，詳細(xì)分析了眾籌中個(gè)體行為因素對(duì)評(píng)估和預(yù)測(cè)的影響。與現(xiàn)有的對(duì)支持者個(gè)人行為因素的實(shí)證研究不同，本文引入PT識(shí)別支持者行為相關(guān)因素并量化支持者效用，利用ET檢驗(yàn)支持者行為相關(guān)因素對(duì)眾籌評(píng)估的影響，這對(duì)于眾籌平臺(tái)推薦支持者最有可能支持的項(xiàng)目具有重要意義。

同時(shí)，本文研究也與行為經(jīng)濟(jì)學(xué)文獻(xiàn)相關(guān)，在行為經(jīng)濟(jì)學(xué)領(lǐng)域，研究者通常試圖解釋心理和情感因素在決策者決策過(guò)程中的作用，大量的研究結(jié)果表明，在決策過(guò)程中必須考慮心理和情感因素，能夠解釋效用理論可能產(chǎn)生的一些悖論和非理性現(xiàn)象［29］。在許多心理實(shí)驗(yàn)中，決策者是有限理性的，其主觀決策參考標(biāo)準(zhǔn)直接影響最終的決策結(jié)果［30］。例如，假設(shè)有一個(gè)投擲硬幣的問(wèn)題，如果硬幣正面朝上，玩家可以贏得5萬(wàn)美元。否則，玩家將損失5萬(wàn)美元，雖然這個(gè)博弈的預(yù)期結(jié)果是零，而且是一個(gè)完全公平的賭注，但許多實(shí)驗(yàn)表明，大多數(shù)人不愿參與這個(gè)博弈［30，31］。在存在不確定性信息的眾籌市場(chǎng)中，投資人的支持決策也可能存在類似的涉及心理因素的行為模式，因?yàn)橥顿Y人在支持眾籌項(xiàng)目的決策中總是存在不確定性和風(fēng)險(xiǎn)。正如Xiao等人［12］的實(shí)證研究結(jié)果表明，當(dāng)投資者選擇支持一個(gè)新的眾籌項(xiàng)目時(shí)，投資者的慣性行為總是存在的。

為了對(duì)眾籌融資過(guò)程中支持者支持行為的行為因素進(jìn)行建模，本文采用前景理論來(lái)描述風(fēng)險(xiǎn)和不確定性下的決策行為。PT表明最終的結(jié)果是用與決策者的參照點(diǎn)相比的得失來(lái)表示的，而不是財(cái)富的最終狀態(tài)，PT引入價(jià)值函數(shù)來(lái)描述決策者的風(fēng)險(xiǎn)態(tài)度的影響。作為對(duì)傳統(tǒng)效用理論的補(bǔ)充，前景理論闡述了決策者的風(fēng)險(xiǎn)態(tài)度如何影響最終結(jié)果，并已在決策領(lǐng)域得到證實(shí)和廣泛應(yīng)用［32～34］。例如：Zhu等人［31］提出了一種多參考點(diǎn)的風(fēng)險(xiǎn)決策方法；Wang等人［32］研究了一種基于前景理論的應(yīng)急群體決策方法;Liu等人［33］建立了基于前景理論的比例分析加全乘法形式的多目標(biāo)優(yōu)化方法，并將其推廣到概率語(yǔ)言信息環(huán)境中。同時(shí)，為了聚合多個(gè)項(xiàng)目的相關(guān)信息來(lái)評(píng)價(jià)眾籌項(xiàng)目，本文采用Dempster-Shafer理論［25］中的證據(jù)推理理論來(lái)表示一個(gè)特征與眾籌績(jī)效之間的關(guān)系，并利用ER規(guī)則將從特征信息數(shù)據(jù)中提取的多個(gè)證據(jù)進(jìn)行聚合。

2 前景理論和前景投資者

2.1 前景理論

前景理論是由Tversky等人［20］于1992年提出的，通過(guò)將心理學(xué)研究應(yīng)用在經(jīng)濟(jì)學(xué)中，前景理論為不確定情況下決策者的決策建模作出了突出貢獻(xiàn)。針對(duì)長(zhǎng)期以來(lái)沿用的完全理性人假設(shè)，前景理論從實(shí)證研究出發(fā)，從決策者的心理特質(zhì)、行為特征入手，揭示了影響選擇行為的非理性心理因素。前景理論認(rèn)為決策者的決策具有參考依賴以及損失敏感的特性，投資者根據(jù)和參考點(diǎn)對(duì)比得到的相對(duì)的前景收益來(lái)分析各種風(fēng)險(xiǎn)方案的收益和損失，并選擇前景收益最大的決策方案［34，35］。

式（1）是前景理論中用來(lái)刻畫(huà)參考依賴和損失敏感的價(jià)值函數(shù)v（x）。

v（x）=（x-）α if x-≥0-λ（-（x-））β if x-<0（1）

其中：是決策方案的參考點(diǎn)；x是決策方案某一特征的取值。因此，根據(jù)前景理論，x-≥0表示相對(duì)于參考點(diǎn)的前景收益，x-<0表示相對(duì)于參考點(diǎn)的損失。決策參考點(diǎn)是前景理論中的一個(gè)關(guān)鍵概念，它關(guān)注的是決策結(jié)果與預(yù)期結(jié)果之間的差異，而不僅僅是結(jié)果本身。α∈（0，1）和β∈（0，1）是風(fēng)險(xiǎn)態(tài)度系數(shù)。價(jià)值函數(shù)v（x）是關(guān)于收益（x->0）為凹、損失（x-<0）為凸的s型（值）效用函數(shù)。α、β的值越高，說(shuō)明出資人越容易冒險(xiǎn)。λ為損失厭惡系數(shù)，當(dāng)λ>1時(shí)，表示出資人對(duì)損失風(fēng)險(xiǎn)敏感。

2.2 前景投資者

眾籌研究領(lǐng)域的實(shí)證研究已經(jīng)表明眾籌項(xiàng)目特征信息對(duì)于預(yù)測(cè)項(xiàng)目績(jī)效的重要性。然而，眾籌平臺(tái)上的產(chǎn)品和項(xiàng)目信息往往是由發(fā)起者自行發(fā)布的，這引發(fā)了信息的不確定性，包括信息造假和不準(zhǔn)確的產(chǎn)品描述等問(wèn)題。這一不確定性和風(fēng)險(xiǎn)源于投資者難以獲得有關(guān)眾籌結(jié)果、產(chǎn)品質(zhì)量以及交付時(shí)間的準(zhǔn)確信息。

此前的研究表明，傳統(tǒng)的效用函數(shù)無(wú)法很好地解釋決策者在面對(duì)不確定性和風(fēng)險(xiǎn)時(shí)的異質(zhì)行為［20］。因此，在眾籌場(chǎng)景中，尤其是存在信息不確定性的情況下，鑒于前景理論已被大量的研究文獻(xiàn)證明能夠用來(lái)刻畫(huà)決策者在面臨不確定性和風(fēng)險(xiǎn)時(shí)的決策行為，在本文中，前景理論被用來(lái)深入分析眾籌中支持者的支持決策和效用。前景理論關(guān)注決策者在面對(duì)不確定性信息時(shí)對(duì)潛在收益和損失的感知不對(duì)稱性，并提供了一個(gè)效用決策框架來(lái)梳理不確定性條件下的決策過(guò)程。前景理論的優(yōu)勢(shì)在于它能夠解釋為何某些支持者更愿意冒險(xiǎn)，而其他人則更加保守，以及他們?nèi)绾螜?quán)衡潛在的風(fēng)險(xiǎn)和回報(bào)。

將前景理論融入眾籌領(lǐng)域的研究，有助于更全面地分析和展示支持者在面對(duì)眾籌環(huán)境中不確定性信息時(shí)的潛在決策行為。這種方法為眾籌平臺(tái)的管理和投資者提供了更有效的決策支持工具。具體模型構(gòu)建邏輯為：每位訪問(wèn)眾籌平臺(tái)的支持者均能觀察并學(xué)習(xí)與項(xiàng)目相關(guān)的信息，并依據(jù)前景理論評(píng)估項(xiàng)目的效用，最終基于評(píng)估出的前景效用作出支持決策。

為了將PT應(yīng)用于眾籌場(chǎng)景中投資者決策的建模，本文定義決策參考點(diǎn)向量為特征均值。為了說(shuō)明投資者決策的異質(zhì)性（如損失和收益的偏好），本文將PT中的價(jià)值函數(shù)擴(kuò)展重寫(xiě)為

vij（Δrij）=θΔrαij if Δrij≥0-λ（-Δrij）β if Δrij<0（2）

其中：Δrij=dij-rj，dij是項(xiàng)目i在特征j上的規(guī)范化取值，rj是所有項(xiàng)目在特征j上的均值，也就是特征j的決策參考點(diǎn)。根據(jù)所定義的價(jià)值函數(shù)vij（Δrij），對(duì)于相同程度的收益（Δrij>0）或損失（Δrij<0），具有不同收益/損失偏好的決策者（θ，λ）的前景效用值不同，因此，使用前景效用可以很好地刻畫(huà)投資者在眾籌活動(dòng)中的異質(zhì)性偏好。在實(shí)際應(yīng)用中，眾籌平臺(tái)可以根據(jù)每個(gè)支持者的支持歷史行為，模擬出θ、λ的取值，從而利用式（2）計(jì)算支持者的前景效用值，進(jìn)行有效的個(gè)性化推薦服務(wù)。投資者信息獲取過(guò)程如圖1所示。

綜上，相比于以往的研究方法，除了利用項(xiàng)目相關(guān)特征信息對(duì)眾籌項(xiàng)目績(jī)效進(jìn)行回歸分析以外，本文利用PT分析在不確定決策條件下的投資者行為，使用PT中的效用函數(shù)計(jì)算出資人的預(yù)期前景效用，從而將投資者效用和眾籌項(xiàng)目特征信息共同作為輸入和眾籌績(jī)效進(jìn)行回歸分析。本文模型不僅能夠用來(lái)說(shuō)明投資者行為在預(yù)測(cè)眾籌績(jī)效方面的貢獻(xiàn)，同時(shí)也能為眾籌平臺(tái)指定個(gè)性化推薦策略提供有效的研究視角。

3 模型建立

本文模型建立包括兩部分內(nèi)容：a）建立基于神經(jīng)網(wǎng)絡(luò)和重參數(shù)方法的稀疏性特征子集選擇，通過(guò)加強(qiáng)權(quán)值稀疏性來(lái)控制眾籌特征子集的大小，并使用帶有重新參數(shù)采樣的隨機(jī)神經(jīng)網(wǎng)絡(luò)算法，通過(guò)檢查和評(píng)估各種可能的特征子集來(lái)獲得最優(yōu)特征子集；b）根據(jù)步驟a）選出的特征使用2.2節(jié)的PT計(jì)算每個(gè)項(xiàng)目的前景效用值，結(jié)合眾籌項(xiàng)目信息和前景效用值對(duì)眾籌項(xiàng)目績(jī)效進(jìn)行預(yù)測(cè)。本文模型建立框架如圖2所示。

3.1 稀疏性特征子集選擇

稀疏性特征子集選擇在限制特征個(gè)數(shù)的同時(shí)提供了對(duì)眾籌績(jī)效貢獻(xiàn)最大的特征列表，通過(guò)使用Kickstarter網(wǎng)站上真實(shí)的眾籌項(xiàng)目特征信息數(shù)據(jù)，稀疏性特征子集選擇可以建模為式（3）的回歸問(wèn)題。

minw‖Xw-Y‖22

s.t. eTw=10≤wi≤1‖w‖0≤Ki=1，2，3，…，N（3）

其中：X∈Euclid ExtraaBpM×N是M個(gè)項(xiàng)目在N個(gè)特征上的取值向量;w∈Euclid ExtraaBpN是特征權(quán)重向量;e是一個(gè)N維的單位矩陣;Y∈Euclid ExtraaBpM表示眾籌項(xiàng)目的籌集資金量，即眾籌績(jī)效;約束‖w‖0≤K用于限制模型選取特征的個(gè)數(shù)為K，即對(duì)權(quán)重向量進(jìn)行l(wèi)0范數(shù)約束（權(quán)重向量w中非零元素的個(gè)數(shù)）。

事實(shí)上，具有l(wèi)0范數(shù)的優(yōu)化問(wèn)題是不可微的，并且已經(jīng)被證明是NP-hard［24］。本文的創(chuàng)新之一在于引入隨機(jī)神經(jīng)網(wǎng)絡(luò)算法來(lái)求解上述l0范數(shù)優(yōu)化問(wèn)題。然而眾所周知，由于反向傳播算法不能應(yīng)用于不可微函數(shù)，具有權(quán)值稀疏性的隨機(jī)神經(jīng)網(wǎng)絡(luò)會(huì)由于不可求導(dǎo)的稀疏性約束變得很難訓(xùn)練。為了解決此問(wèn)題，根據(jù)隨機(jī)梯度估計(jì)的最新發(fā)展，可以通過(guò)重參數(shù)采樣的技巧得到梯度的低方差估計(jì)，即通過(guò)Gumbel-softmax技術(shù)，使用重參數(shù)化采樣技巧為不可微樣本獲得訓(xùn)練梯度，從而實(shí)現(xiàn)隨機(jī)神經(jīng)網(wǎng)絡(luò)算法的反向傳播，并迭代更新參數(shù)來(lái)搜索最優(yōu)特征子集。將隨機(jī)神經(jīng)網(wǎng)絡(luò)算法與重新參數(shù)化采樣技巧結(jié)合包括以下三個(gè)步驟：

a）參數(shù)化采樣。研究目標(biāo)是從N個(gè)特征中選擇最多K個(gè)特征，為了更好地理解特征選擇過(guò)程，以從袋中取球?yàn)槔?，假設(shè)有K個(gè)袋子，每個(gè)袋子裝有N個(gè)球，從索引為i的袋中抽到一個(gè)索引為j的球的概率是ρij。為了方便計(jì)算，使用獨(dú)熱編碼向量來(lái)記錄從袋中取球的結(jié)果，例如，對(duì)于第1個(gè)袋子，如果第5個(gè)球被選中，則得到一個(gè)向量z1=［0;：：：;0;1;0;：：：］，即在向量z1中，第5個(gè)元素是1（對(duì)應(yīng)第五個(gè)球被選中），其余的都是0。因此，稀疏性特征選擇過(guò)程和取球一樣，可以用一個(gè)隨機(jī)過(guò)程來(lái)描述： 依次從每個(gè)袋子中準(zhǔn)確地挑選一個(gè)球，并每次記錄球的索引，這保證了最終最多得到K個(gè)唯一的索引，通過(guò)索引就能獲取其對(duì)應(yīng)的眾籌項(xiàng)目特征。因此，最終模型輸出K個(gè)向量，即{z1，z2，…，zK}∈（N×K）。將每個(gè)zi進(jìn)行加和，得到一個(gè)長(zhǎng)度為N的向量z=∑Ki=1zi，其中最多K個(gè)元素是非零的，其表示的是相應(yīng)的特征應(yīng)該被選取。在模型訓(xùn)練優(yōu)化上述過(guò)程中涉及到的輔助變量是有界的，即ρij∈（0，1），而神經(jīng)網(wǎng)絡(luò)算法的參數(shù)是沒(méi)有約束的，故需要引入一個(gè)無(wú)約束變量S作為輸入來(lái)得到ρij，即給定輸入S∈Euclid ExtraaBpK×N，ρij=exp（Sij）∑jexp（Sij）。同時(shí)，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)關(guān)于各特征的權(quán)重向量w也是隨機(jī)生成的輸入向量=［1，2，…，N］，同樣不受約束，為了滿足式（3）中對(duì)于權(quán)重向量w的約束，通過(guò)無(wú)約束的隨機(jī)值輸入得到最后的權(quán)重輸出w，步驟如下：（a）=exp（）=［exp（1），exp（2），…，exp（N）］;（b）=ΘZ（Θ表示克羅內(nèi)克內(nèi)積運(yùn)算;（c）w=i∑ii。

b）梯度估計(jì)。通過(guò)重參數(shù)采樣，可以將特征權(quán)重w看作是由一個(gè)隨機(jī)函數(shù)w=f（w，S，ε）產(chǎn)生的，ε表示抽樣過(guò)程（特征選擇過(guò)程）引入的隨機(jī)性。隨機(jī)生成函數(shù)w=f（w，S，ε）理解為具有離散隱藏神經(jīng)元Z的隨機(jī)神經(jīng)網(wǎng)絡(luò)，通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練即可得到最終的特征權(quán)索引和對(duì)應(yīng)的權(quán)重向量。然后，隨機(jī)生成函數(shù)中的向量Z和ρ是離散的，而擁有離散神經(jīng)元的隨機(jī)神經(jīng)網(wǎng)絡(luò)由于缺乏梯度而變得難以訓(xùn)練，因?yàn)樯窠?jīng)網(wǎng)絡(luò)中的反向傳播算法需要可微神經(jīng)元進(jìn)行梯度更新和迭代。為了解決這個(gè)問(wèn)題，即在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)獲得有效的梯度，使用Gumbel-softmax技巧［24］以及straight through（ST）梯度估計(jì)器［28］為優(yōu)化Z和ρ時(shí)提供有效梯度，如式（4）所示。

z=softmax（g+log（ρ））（4）

其中：g=［g1，g2，…，gN］是從Gumbel（0，1）抽取的隨機(jī)樣本。式（4）背后的動(dòng)機(jī)是將可訓(xùn)練變量ρ從純?cè)肼昰中“分離”，以便對(duì)分布參數(shù)取隨機(jī)樣本的梯度成為可能。舉一個(gè)簡(jiǎn)單的例子，考慮從高斯分布z～N（μ，σ2）采樣，并計(jì)算導(dǎo)數(shù)zu、zσ。如果直接對(duì)高斯分布N（μ，σ2）采樣，梯度的計(jì)算很困難。然而，如果進(jìn)行以下采樣： （a）從一個(gè)標(biāo)準(zhǔn)的高斯分布采樣ε，ε～N（0，1）；（b）計(jì)算z=u+εσ，則計(jì)算梯度zu、zσ是很容易的。重新參數(shù)化技巧的詳細(xì)證明可以在Zhang等人［23］的分析中找到。

c）算法優(yōu)化求解。經(jīng)過(guò)以上兩步，可以得到特征的權(quán)重向量w。通過(guò)使用運(yùn)算符‖Xw-Y‖22作為損失函數(shù)，并使用模擬退火算法更新所有參數(shù)，得到最終滿足式（3）所有約束的最優(yōu)參數(shù)值。圖3概述了上述稀疏性特性子集選擇的優(yōu)化流程。

3.2 支持者的前景效用

基于3.1節(jié)所選的特征子集，本節(jié)將PT應(yīng)用于所選特征的支持者的前景效用模型，并使用ET聚合候選眾籌項(xiàng)目的多個(gè)特征效用。假設(shè)投資者根據(jù)他們的前景效用作出融資決策，關(guān)于前景投資者的詳細(xì)信息見(jiàn)2.2節(jié)。在前景投資者的假設(shè)下，項(xiàng)目特征的價(jià)值在計(jì)算投資者的前景效用中發(fā)揮重要作用，從而影響投資者支持項(xiàng)目的決策。由于所選特征的類型和度量單位不同，為了便于比較和計(jì)算，本文首先對(duì)特征的值進(jìn)行歸一化處理。假設(shè)特征的規(guī)范化值是dij，則定義以下規(guī)范化規(guī)則：

dij=max dj-dijmax dj-min dj（5）

其中：max dj=max{dij，i=1，2，…，M}；min dj=min{dij，i=1，2，…，M}。值得注意的是，不同的決策者對(duì)利益和風(fēng)險(xiǎn)的偏好不同，這反映在面對(duì)相同的利益或風(fēng)險(xiǎn)時(shí)，他們的預(yù)期效用并不總是完全相等的?？紤]到這一差異，基于特征值矩陣D=［dij］M×N和決策參考點(diǎn)向量R=［rj］1×N，本文中項(xiàng)目i在特征j上的前景值矩陣V=［vij］M×N可以按照式（6）進(jìn)行計(jì)算：

vij（Δrij）=θΔrαij if Δrij≥0-λ（-Δrij）βif Δrij<0（6）

其中：Δrij=dij-rj，rj是特征j上所有項(xiàng)目的平均值。當(dāng)α=β時(shí)，對(duì)于收益或損失值為Δrij時(shí)，具有不同λ和θ值的決策者具有不同的值。為了綜合所有特征信息得到項(xiàng)目pi的綜合前景值，使用證據(jù)推理理論的框架，即將方案pi在特征fj上的vij前景價(jià)值作為項(xiàng)目pi達(dá)到預(yù)期值的證據(jù)之一。

4 實(shí)證分析

本章針對(duì)提出的眾籌項(xiàng)目評(píng)估預(yù)測(cè)模型進(jìn)行了實(shí)證研究。數(shù)據(jù)來(lái)源于Kickstarter網(wǎng)站，Kickstarter成立于2009年，是歷史最悠久、規(guī)模最大、最受歡迎的眾籌平臺(tái)［36］。以往大多數(shù)研究都是使用Kickstarter平臺(tái)的數(shù)據(jù)集，因此本文也采用Kickstarter網(wǎng)站上的數(shù)據(jù)，以保證研究結(jié)果可靠且具有可對(duì)比性。

4.1 實(shí)驗(yàn)數(shù)據(jù)信息

數(shù)據(jù)收集分為兩個(gè)主要步驟。首先，利用專門(mén)開(kāi)發(fā)的爬蟲(chóng)工具從Kickstarter網(wǎng)站定期抓取新發(fā)布的實(shí)時(shí)項(xiàng)目，頻率為每天一次;接著，基于這些實(shí)時(shí)項(xiàng)目數(shù)據(jù)，進(jìn)一步提取早期項(xiàng)目的相關(guān)信息。項(xiàng)目的簡(jiǎn)介頁(yè)面不僅顯示了項(xiàng)目所有者的歷史記錄，還提供了投資者的詳細(xì)信息，包括他們支持的其他項(xiàng)目。本文的數(shù)據(jù)樣本范圍覆蓋了2009年—2014年11月期間的所有項(xiàng)目。在篩選項(xiàng)目時(shí)，排除了正在進(jìn)行、被取消或暫停的項(xiàng)目。參考以往的研究［36］，考慮到資金規(guī)模非常小或非常大的項(xiàng)目可能與主流項(xiàng)目有顯著差異，進(jìn)一步篩除了資金目標(biāo)在100以下或1 000 000以上的項(xiàng)目。最終，數(shù)據(jù)樣本涵蓋了15個(gè)資助類別，總計(jì)151 752個(gè)項(xiàng)目。有關(guān)數(shù)據(jù)詳情和特征信息如表1和2所示。

4.2 模型評(píng)價(jià)

為了展示模型的有效性，基于邏輯回歸模型構(gòu)建了四個(gè)預(yù)測(cè)模型，邏輯回歸模型在二值分類中被廣泛使用，并與支持向量機(jī)等傳統(tǒng)分類模型有著相似的預(yù)測(cè)性能［36］。首先，采用了Zhou等人［36］的研究特征作為基準(zhǔn)預(yù)測(cè)模型（模型1）。接著，基于第3章提出的效用研究框架，計(jì)算基準(zhǔn)模型的每一個(gè)特征，得到其前景效用特征，加入模型1形成了基準(zhǔn)模型+CPT（模型2）。最后，為了驗(yàn)證重參數(shù)方法在特征選擇上的優(yōu)勢(shì)，通過(guò)加強(qiáng)權(quán)值稀疏性來(lái)控制眾籌特征子集的大?。ㄟx擇的特征個(gè)數(shù)為9和13），進(jìn)行了進(jìn)一步的效果檢驗(yàn)（模型3和4），即K={9，13}。模型3和4構(gòu)建的邏輯如下：a）通過(guò)3.1節(jié)提出的方法控制特征的個(gè)數(shù);b）根據(jù)a）選出的特征使用PT計(jì)算每個(gè)特征的前景效用值，即輸入為原特征和特征的前景效用值。模型3和4與模型2的不同之處在于，模型3和4進(jìn)行了輸入特性個(gè)數(shù)限定這一步處理。

為了解決樣本不平衡問(wèn)題，利用imblearn模塊的SMOTE對(duì)實(shí)證檢驗(yàn)中的數(shù)據(jù)進(jìn)行抽樣，訓(xùn)練集和測(cè)試集的樣本分布情況如表3所示。

為了展示預(yù)測(cè)效果，使用混淆矩陣來(lái)度量本文模型的性能。混淆矩陣是一個(gè)兩行兩列的表，表示真陽(yáng)性（TP）、假陽(yáng)性（FP）、假陰性（FN）和真陰性（TN）的數(shù)量。舉例來(lái)說(shuō)，如果一個(gè)本來(lái)就屬于成功的眾籌項(xiàng)目，被預(yù)測(cè)為成功，則被認(rèn)為是真陽(yáng)性，如果被歸類為失敗，則被算作假陰性，反之亦然。在預(yù)測(cè)性能上來(lái)說(shuō)，本文用accuracy（Acc）、F1-score和area under curve（Auc）三個(gè)性能指標(biāo)來(lái)評(píng)價(jià)模型的預(yù)測(cè)性能。

recall=TPTP+FN， precision=TPTP+FP

accuracy=TP+TNtotal， F1=21precision+1recall（7）

其中：Acc是指精確度或準(zhǔn)確率，表示模型正確預(yù)測(cè)的實(shí)例與總體實(shí)例之間的比率;F1分?jǐn)?shù)是precision（精確率）和recall（召回率）的調(diào)和平均值，它試圖平衡這兩個(gè)指標(biāo)。是衡量分類器正確的頻率。Auc的取值在0.5（等于隨機(jī)猜測(cè)）～1.0（完美分類器）。一個(gè)模型的Auc值越接近1.0，表示該模型的性能越好。根據(jù)表3中的數(shù)據(jù)，四個(gè)模型預(yù)測(cè)指標(biāo)如表4所示。

首先，由表4可知，與模型1相比，模型2通過(guò)行為分析的效用模型，在Acc、F1和Auc指標(biāo)上分別提高了3%、3%和2%。從決策建模來(lái)看，本文提出的基于前景理論投資分析過(guò)程考慮了投資者在不確定性決策過(guò)程的行為特征，提供了關(guān)于決策者對(duì)風(fēng)險(xiǎn)和損失的感知方式的理論基礎(chǔ)，從而有助于更精確地模擬支持者的投資決策過(guò)程，實(shí)現(xiàn)了模型預(yù)測(cè)效果的提升。其次，表4的結(jié)果表明，平均而言，與模型1相比，本文提出的具有稀疏特征選擇的模型（模型3、4）在Acc、F1和Auc指標(biāo)測(cè)度上分別提高了11.5%、10.5%和12.5%。從特征選擇來(lái)看，本文提出的以稀疏特征選擇代替所有特征作為初始特征輸入能夠減少特征維度，使模型更集中地關(guān)注對(duì)決策產(chǎn)生影響的關(guān)鍵特征，避免了維度災(zāi)難和過(guò)擬合的問(wèn)題。這與特征選擇理論和機(jī)器學(xué)習(xí)中的維度縮減方法一致，有助于提高模型的泛化性能，從而在Acc、F1和Auc等指標(biāo)上實(shí)現(xiàn)明顯的改進(jìn)n2+DMN1YY2LdZm+ZllzTMQ==。

綜上所述，本文模型在Acc、F1和AUC等指標(biāo)上表現(xiàn)優(yōu)于基準(zhǔn)模型。為進(jìn)一步詳細(xì)地驗(yàn)證實(shí)證結(jié)果，圖4展示了本文模型的ROC曲線。ROC曲線揭示了在各種閾值設(shè)置下真陽(yáng)性率與假陽(yáng)性率的變化關(guān)系，進(jìn)一步證實(shí)了本文模型的效用和有效性。

如圖4（a）和（b）所示，相較于模型1，新提出的模型（模型2、3、4）的ROC曲線更接近左上角。這種趨勢(shì)表明，這些模型在維持較高的真陽(yáng)性率的同時(shí)，成功降低了假陽(yáng)性率。這一性能表現(xiàn)意味著在實(shí)際應(yīng)用中，當(dāng)項(xiàng)目所有者考慮調(diào)整項(xiàng)目配置或評(píng)估其融資成功的可能性時(shí)，使用所提出的模型會(huì)更為有效和準(zhǔn)確。同時(shí)，為了檢驗(yàn)本文所提出的基于行為效用分析模型的穩(wěn)健性，使用KNN（K-nearest neighbor）和NB（naive Bayes classifier）模型進(jìn)行預(yù)測(cè)分析（表5）。由表5可知，相比于其他算法，本文提出的效用+稀疏性方法（模型3和4）在預(yù)測(cè)指標(biāo)上表現(xiàn)突出。

5 結(jié)束語(yǔ)

基于前景理論，從決策行為出發(fā)，構(gòu)建了眾籌場(chǎng)景中投資者的前景效用決策模型，并進(jìn)一步引入了特征選擇過(guò)程，揭示了行為相關(guān)因素影響出資人支持決策的路徑和機(jī)理。在互聯(lián)網(wǎng)眾籌融資的研究背景下，識(shí)別和建模項(xiàng)目信號(hào)觀察以及出資人對(duì)不確定性和風(fēng)險(xiǎn)的偏好兩種行為因素。從決策過(guò)程來(lái)看，首先每位投資者獲取并了解項(xiàng)目信息，然后基于PT模型評(píng)估項(xiàng)目的前景效用，最后作出支持決策。為了模擬上述的投資者的決策，模型分為兩個(gè)主要步驟：稀疏特征子集的選擇以及眾籌項(xiàng)目的評(píng)估與預(yù)測(cè)。考慮到眾籌平臺(tái)和項(xiàng)目創(chuàng)作者資源有限，使用權(quán)重稀疏性控制特征子集的大小，并評(píng)估這些特征如何影響項(xiàng)目評(píng)估與預(yù)測(cè)。

通過(guò)實(shí)證檢驗(yàn)，本文確定了影響出資人支持行為的因素，并量化了投資者前景預(yù)期效用。從決策建模來(lái)看，本文提出的基于前景理論投資分析過(guò)程考慮了投資者在不確定性決策過(guò)程的行為特征，提供了關(guān)于決策者對(duì)風(fēng)險(xiǎn)和損失的感知方式的理論基礎(chǔ)，從而有助于更精確地模擬支持者的投資決策過(guò)程，實(shí)現(xiàn)了模型預(yù)測(cè)效果的提升。從特征選擇來(lái)看，本文提出的以稀疏特征選擇代替所有特征作為初始特征輸入能夠減少特征維度，使模型更集中地關(guān)注對(duì)決策產(chǎn)生影響的關(guān)鍵特征，避免了維度災(zāi)難和過(guò)擬合的問(wèn)題。這與特征選擇理論和機(jī)器學(xué)習(xí)中的維度縮減方法相一致，有助于提高模型的泛化性能，從而在實(shí)證指標(biāo)上實(shí)現(xiàn)明顯的改進(jìn)。

1）研究啟示

a）為眾籌平臺(tái)提供評(píng)估工具。通過(guò)深入識(shí)別和量化投資者行為因素，本文提供了一個(gè)綜合的眾籌評(píng)估與預(yù)測(cè)模型。分析結(jié)果揭示，投資者在作出決策時(shí)，其對(duì)不確定性和風(fēng)險(xiǎn)的偏好也起到關(guān)鍵作用。與傳統(tǒng)的基線模型相比，本文模型能更準(zhǔn)確地預(yù)測(cè)眾籌成功的可能性，并在F1和Auc指標(biāo)上表現(xiàn)出眾。因此，眾籌平臺(tái)在推薦項(xiàng)目時(shí)應(yīng)考慮這些行為因素，這將有助于提高眾籌成功率并增加預(yù)期利潤(rùn)。

b）為發(fā)起者提供策略指引。發(fā)起者應(yīng)持續(xù)關(guān)注項(xiàng)目的動(dòng)態(tài)特征，努力吸引投資者的關(guān)注，從而獲得融資資金。以往的研究，如文獻(xiàn)［6，12］，主要從支持者的角度探討了如何預(yù)測(cè)項(xiàng)目的成功率。更深入地，本文模型結(jié)合了出資人的前景效用和項(xiàng)目相關(guān)特性，這種方法為發(fā)起者提供了一個(gè)動(dòng)態(tài)工具，幫助其更好地理解和模擬潛在出資人的支持行為。隨著項(xiàng)目進(jìn)展，特定的項(xiàng)目特征和投資者的偏好可能會(huì)發(fā)生變化，本文模型為發(fā)起者提供了新的策略思路，幫助他們應(yīng)對(duì)這些變化，提高項(xiàng)目的成功率。

2）不足及未來(lái)研究方向

盡管本文為新興金融市場(chǎng)提供了有益的見(jiàn)解，但存在一些不可忽視的局限性，并留下了未來(lái)研究的可能方向。首先，建立了基于PT的出資人行為決策模型，探討了出資人行為因素如何影響眾籌的評(píng)估和預(yù)測(cè)。但在線眾籌市場(chǎng)上的出資人行為模式還未得到深入探討。為此，未來(lái)研究可以模擬資助人的行為模式，例如通過(guò)追蹤其資助記錄，從而為其行為決策提供更細(xì)致的見(jiàn)解。

其次，本文提出的眾籌評(píng)估模型聚焦于出資人行為決策，忽略了一些可能影響決策的外部因素，如眾籌項(xiàng)目頁(yè)面的大小、項(xiàng)目所處的位置，以及出資人瀏覽頁(yè)面的時(shí)間等。在未來(lái)的研究中，考慮這些因素并納入分析將使模型更為全面。

最后，盡管眾籌項(xiàng)目的圖片中包含了豐富的信息，由于技術(shù)挑戰(zhàn)，本文尚未能充分利用圖片中的信息。但根據(jù)某些研究，將用戶提供的照片與評(píng)論文本結(jié)合在預(yù)測(cè)上有更好的表現(xiàn)，如在線酒店評(píng)論的有用性方面。因此，未來(lái)有必要構(gòu)建一個(gè)同時(shí)考慮眾籌項(xiàng)目圖片信息的眾籌績(jī)效分析模型。

參考文獻(xiàn)：

［1］顧永跟， 于再溥， 陶杰， 等. 基于眾籌預(yù)售和眾包生產(chǎn)的兩階段最優(yōu)定價(jià)機(jī)制［J］. 計(jì)算機(jī)應(yīng)用研究， 2023， 40（8）： 2423-2428. （Gu Yonggen， Yu Zaipu， Tao Jie， et al. Two-stage optimal pricing mechanism based on crowdfunding pre-sales and crowdsourcing production［J］. Application Research of Computers， 2023， 40（8）： 2423-2428.）

［2］黃健青， 黃曉鳳，殷國(guó)鵬. 眾籌項(xiàng)目融資成功的影響因素及預(yù)測(cè)模型研究［J］.中國(guó)軟科學(xué)，2017（7）： 91-100. （Huang Jianqing， Huang Xiaofeng， Yin Guopeng. Factors influencing the success of crowdfunding projects and research on predictive models［J］. China Soft Science， 2017（7）： 91-100.）

［3］劉征馳， 周莎. 個(gè)體認(rèn)知， 群體共識(shí)與互聯(lián)網(wǎng)眾籌投資績(jī)效——基于計(jì)算實(shí)驗(yàn)方法的研究［J］. 管理評(píng)論，2022， 34（10）： 24-36. （Liu Zhengchi， Zhou Sha. Individual cognition， group consensus， and Internet crowdfunding investment performance — a study based on computational experimental methods［J］. Management Review， 2022， 34（10）： 24-36.）

［4］Afsaneh B， Hasti C， Sarah K. Deterrents of tourism business crowdfunding： aversion decision and aversion behavior［J］. International Journal of Hospitality Management， 2020，88： 102517.

［5］Kim M J， Hall C M. Investment crowdfunding in the visitor economy： the roles of venture quality， uncertainty， and funding amount［J］. Current Issues in Tourism， 2020， 23（20）： 2533-2554.

［6］Du Qianzhou， Li Jing， Wang Gang， et al. Predicting crowdfunding project success based on backers’ language preferences［J］. Journal of the Association for Information Science and Technology， 2021，72（12）：1558-1574.

［7］Kaur H， Gera J. Effect of social media connectivity on success of crowdfunding campaigns［J］. Procedia Computer Science， 2017， 122： 767-774.

［8］Chemla G， Tinn K. Learning through crowdfunding， forthcoming［J］. Management Science， 2019，66（5）：3278.

［9］Strausz R. A theory of crowdfunding： a mechanism design approach with demand uncertainty and moral hazard［J］. American Economic Review， 2017，107（6）： 1430-1476.

［10］Ryoba M J， Qu Shaojian， Zhou Yongyi. Feature subset selection for predicting the success of crowdfunding project campaigns［J］. Electronic Markets， 2020，31（3）：1-14.

［11］Parhankangas A， Renko M. Linguistic style and crowdfunding success among social and commercial entrepreneurs［J］. Journal of Business Venturing， 2017， 32（2）： 215-236.

［12］Xiao Shengsheng， Yue Qing. Investors’ inertia behavior and their repeated decision-making in online reward-based crowdfunding market［J］. Decision Support Systems， 2018， 111： 101-112.

［13］Kuhnen C M， Miu A C. Socioeconomic status and learning from financial information［J］. International Journal of Finance & Economics， 2017， 124（2）： 349-372.

［14］Foucault T， Fresard L. Learning from peers’ stock prices and corporate investment［J］. Journal of Financial Economics， 2014， 111（3）： 554-577.

［15］Kaniel R， Parham R. WSJ Category Kings-the impact of media attention on consumer and mutual fund investment decisions［J］. International Journal of Finance & Economics， 2017， 123（2）： 337-356.

［16］Ahmad Z， Ibrahim H， Tuyon J. Behavior of fund managers in Malaysian investment management industry［J］. Qualitative Research， 2017， 9（3）： 205-239.

［17］Sen Ri， Tumarkin R. Stocking up： executive optimism， option exercise， and share retention［J］. Journal of Financial Economics， 2015， 118（2）： 399-430.

［18］Menkhoff L， Schmeling M， Schmidt U. Overconfidence， experience， and professionalism： an experimental study［J］. Journal of Economic Behavior & Organization， 2013， 86： 92-101.

［19］Wei Ju， Yang Yongxin， Jinag Mingzhu， et al. Dynamic multi-period sparse portfolio selection model with asymmetric investors’ sentiments［J］. Expert Systems with Applications， 2021， 177： 114945.

［20］Tversky A， Kahneman D. Advances in prospect theory［J］. Journal of Risk and Uncertainty， 1992， 5（4）： 297-323.

［21］Wang Tianxing， Li Huaxiong， Zhou Xianzhong， et al. A prospect theory-based three-way decision model［J］. Knowledge-Based Systems， 2020， 203： 106129.

［22］Kahneman D， Tversky A. Prospect theory： an analysis of decision under risk title［J］. Econometrica， 1979， 47（2）： 263-291.

［23］Zhang Haisu， Chen Weizhi. Backer motivation in crowdfunding new product ideas： is it about you or is it about me［J］. Journal of Pro-duct Innovation Management， 2018， 36（2）： 241-262.

［24］Yang Yongxin， Zheng Yu， Timothy M H. Diversity and sparsity： a new perspective on index tracking［C］//Proc of IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway，NJ：IEEE Press， 2020.

［25］Dempster A P. Upper and lower probabilities included by a multi-valued mapping［J］. Annals of Mathematical Statistics， 1967， 38（2）： 325-339.

［26］Colombo M G， Franzoni C， Rossi-Lamastra C. Internal social capital and the attraction of early contributions in crowdfunding［J］. Entrepreneurship Theory and Practice， 2015， 39（1）： 75-100.

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

［28］Wu Wenqing， Fu Mingxia， Zhao Liming. Successful factors and herding phenomenon of crowdfunding［J］. Soft Science， 2016， 30： 5-8.

［29］Lars P M， Marc O R. Non-cooperative games with prospect theory players and dominated strategies［J］. Games and Economic Behavior， 2019， 115： 396-409.

［30］Zhou Xiaoyang， Wang Liqin， Liao Huchang. A prospect theory-based group decision approach considering consensus for portfolio selection with hesitant fuzzy information［J］. Knowledge-Based Systems， 2019， 168： 28-38.

［31］Zhu Jianjun， Ma Zhenzhen，Wang Hehua，et al. Risk decision-making method using interval numbers and its application based on the prospect value with multiple reference points［J］. Information Sciences， 2017， 385-386： 415-437.

［32］Wang Liang， Wang Yingming， Martinez L. A group decision method based on prospect theory for emergency situations［J］. Information Sciences， 2017， 418-419： 119-135.

［33］Liu Peide， Li Ying. An extended MULTIMOORA method for probabilistic linguistic multi-criteria group decision-making based on prospect theory［J］. Computers & Industrial Engineering， 2019， 136： 528-545.

［34］Bao Tiantian， Xie Xinlian， Long Peiyin. MADM method based on prospect theory and evidential reasoning approach with unknown attribute weights under intuitionistic fuzzy environment［J］. Expert Systems with Applications， 2017， 88： 305-317.

［35］Voorbraak F. A computationally efficient approximation of Dempster-Shafer theory［J］. International Journal of Man Machine Studies， 1989， 30（5）： 525-536.

［36］Zhou Mi， Lu Baozhou， Fan Weiguo， et al. Project description and crowdfunding success： an exploratory study［J］. Information System Frontiers， 2018， 20（2）： 259-274.