在电子商务创业的众筹项目中识别主要投资者:一个综合的BTS框架
郭丽环(Lihuan Guo)和
吴彦春(Yenchun Jim Wu)
《Journal of Theoretical and Applied Electronic Commerce Research》:Identifying Principal Investors in Crowdfunding Initiatives for E-Commerce Entrepreneurship: An Integrated BTS Framework
Lihuan Guo and
Yenchun Jim Wu
【字体:
大
中
小
】
时间:2026年04月28日
来源:Journal of Theoretical and Applied Electronic Commerce Research 4.6
编辑推荐:
摘要 在电子商务行业中,追随者现象广泛存在。作为一种电子商务创业模式,众筹吸引了许多投资者。主要投资者充当“领导者”,对后续投资者施加影响。准确识别在线创业项目中的主要投资者并分析他们的偏好可以提高筹款的成功率。本研究基于BTS(行为-文本-社会)框架,构
摘要 在电子商务行业中,追随者现象广泛存在。作为一种电子商务创业模式,众筹吸引了许多投资者。主要投资者充当“领导者”,对后续投资者施加影响。准确识别在线创业项目中的主要投资者并分析他们的偏好可以提高筹款的成功率。本研究基于BTS(行为-文本-社会)框架,构建了一个多维度模型,包括三个领域的15个子指标:用户行为、文本数据和社交联系。采用神经网络进行训练和预测。通过结合从详细可能性模型(ELM)中提取的中心和外围路径来对影响力进行排名,从而识别主要投资者。实验结果表明,ELM得出的排名具有一致性最高(误差=0.15),其次是用户行为(误差=0.30)、社交指标(误差=0.71)和文本特征(误差=0.95)。使用SHAP进行权重分析,强调了结构洞、出度中心性、投资时间和投资时机的相对重要性。此外,主要投资者倾向于本地项目,并扮演双重角色。本研究为识别主要投资者提供了理论基础和实际指导,从而提高融资绩效并降低后续投资者的投资风险。
1. 引言
通过在线评论传播的口碑效应对用户的意图有显著影响。这种现象体现在包括电子商务、旅游和酒店业在内的多个领域[1,2]。鉴于在线用户的模仿性,提前识别主要投资者对创业成功至关重要。主要投资者被定义为第一组投资者;他们独立评估项目质量,并参与必要的社交活动,为后续投资者提供参考,并以他们的影响力推动后续投资者的行为。因此,从直觉和可量化的角度来看,主要投资者可能会增加后续资本投入的规模或投资的速度[3,4,5]。虽然后续投资者与主要投资者相反,但他们受到主要投资者的影响,并依赖他们对项目价值和风险的判断[6,7,8]。主要投资者通常充当意见领袖;然而,这类领导者更多依赖于人际关系网络(如社交媒体)通过推荐或信息传播来塑造参与度和组织绩效,代表了一种重要的在线口碑形式[9]。相关概念中,早期投资者指的是在创业初期(通常是在种子轮或A轮融资阶段)为企业家提供资金的个人或实体(如天使投资者或风险投资家),时间限制通常为三年[10]。高影响力投资者是指其投资决策、所有权持股比例或战略指导对公司方向、治理结构、绩效或行业地位有重大影响的个人或机构。通过网络分析通常可以估计某个节点(投资者)的权重,然后采用前k名投资者排名(例如k = 10)[11,12]。因此,有效管理主要投资者对于实现精准营销至关重要,突显了这些人物的巨大影响力[13]。近年来,创新和创业活动呈指数级增长。为了解决“融资困难且成本高昂”的问题,电子商务通过“主要投资+后续投资”模式实现了众筹[14,15]。主要投资者利用他们的专业能力降低了后续投资者的专业知识要求[16]。因此,对于经验较少的后续投资者来说,识别主要投资者至关重要,因为它提高了在线创业项目获得必要资金的潜力。
主要投资者在三个主要维度上与意见领袖有所不同:动机、风险感知和潜在逻辑。首先,意见领袖主要受信息传播的驱动,直接经济利益较小,而主要投资者则明确受投资回报的驱动[17]。其次,意见领袖专注于影响公众舆论,这涉及较低的风险管理要求。相比之下,主要投资者必须动态调整策略以应对风险[18]。第三,意见领袖通常基于既定事实或个人经验提供信息[19],而主要投资者则进行全面的评估以预测经济效益[20]。这些独特特征使得将针对意见领袖的现有结论应用于主要投资者的研究变得不可行。因此,在线创业项目中识别主要投资者是一个关键且及时的研究课题。
现有研究主要使用社会网络分析(SNA)来识别意见领袖,通过构建网络并应用页码排名(PageRank)、中心性、介数和结构洞等指标来确定节点的权重[21]。然而,在社交网络中确定节点影响力受到多种混杂因素的影响,依赖单一方法存在固有局限性[22]。因此,学者们通过结合自我报告扩展了这种方法[23]。此外,用户的在线评论也显示出领导潜力[24],特别是在中心化、有影响力的圈子里,评论者更有可能成为领导者[25]。这表明,仅从单一数据模式中识别主要投资者具有挑战性且容易出错,需要一个整合多种因素的多方面模型。
针对在线创业项目的独特特点,本研究提出了一个综合框架,用于衡量三个维度(行为、文本和社会,简称BTS)中主要投资者的影响力。它利用数据挖掘、文本挖掘和社会网络分析在BTS框架内构建一个综合模型。随后,使用深度学习构建和训练人工神经网络模型。该模型结合基于ELM的排名,产生一个综合影响力得分。然后进一步分析区分主要投资者和后续投资者的偏好。这项研究对于在线创业生态系统中识别主要投资者具有实际价值,从而降低后续投资者的风险感知并提高整体融资成功率。
主要内容安排如下:第2节提供文献综述并总结研究空白。第3节介绍研究模型和数据,第4节展示结果。第5节描述额外的测试,最后第6节提出结论和展望。
2. 文献综述和研究空白
2.1 在线创业研究
近年来,在线创新项目不仅在数量上有所扩张,在质量上也有所提高[26,27]。然而,回报潜力本质上伴随着风险,因为项目总是面临内部和外部不确定性[28]。这些包括技术、信用和管理问题等非系统性风险,以及政策、市场和融资威胁等系统性风险[18,29]。由于风险来源于多种来源,它们在生态系统内部传播并对外部产生扩散[30]。例如,在线金融中的风险很容易波及银行、保险和证券行业,产生广泛的影响。因此,降低投资风险已成为多方利益相关者的共同关切[31]。作为有经验的机构或个人,主要投资者拥有广泛的专业知识和高超的风险评估能力[32],这在一定程度上对经验较少的投资者具有示范作用[33]。
尽管在线创业项目汇集了大量人力和物质资源,但由于资金支持不足,它们经常失败,这对筹资者和投资者都产生了不利影响。因此,预测融资绩效已成为学者和实践者的关注焦点。研究工作沿着两个主要方向进行。一方面,利用机器学习基于历史数据预测融资结果,显示出高准确性[34]。另一方面,从行为分析[35]、文本描述[36,37,38]和社会网络[39,40]对在线创业项目进行细致分析。早期投资规模、描述的创意程度和创始人的社会资本等因素会导致不同的影响。例如,积极的早期投资可以降低股权报价;强调“个人”特征的标题有助于融资成功;详细的描述加上推荐网络效应会产生积极影响[20,41,42]。这凸显了预测在线创业项目融资绩效的复杂性。
缓解信息不对称的一种常见策略是发布更多信号,但这可能会被信息过载所削弱[43]。关于自主性、创新或发起人风险倾向的公开信息与融资绩效相关[44,45]。然而,过于详细的描述可能导致信息泄露,并吸引不必要的竞争关注,促使一些企业家故意隐瞒项目内容以保护知识产权[46]。对于缺乏经验和专业知识的普通投资者来说,感知和理解创造力的能力受到明显限制,从而降低了市场参与度[18]。主要投资者凭借他们的专业知识来识别潜在风险并评估项目质量,从而指导后续投资者的决策。
2.2 主要投资者识别研究
在在线投资中,群聚效应是一个被广泛记录的现象[47]。在投资者群体中,意见领袖影响追随者的态度[48]。通常,意见领袖不是正式任命的,而是因为专业能力、社交联系或敏锐的信息判断等属性而影响他人的个体[49,50]。随着社区的扩展,在线文本信息具有相当的说服力,一些学者因此关注在线评论[51],在评论中意见领袖通过口碑影响追随者[52]。然而,在在线投资和融资领域,很少有研究实证验证主要投资者的重要性,他们的角色仍不确定。作为投资活动的先驱,主要投资者兼具专业能力和个人魅力。专业能力体现在知识积累上,而魅力则体现在社交网络的复杂性、成功的融资记录和社会影响力上[18]。
RFM(最近性、频率、货币价值)模型从三个维度描述用户行为:行为的时间新近性、行为频率和货币价值[53,54]。最近性考虑了最近行为的时间方面;频率表示行为的频繁程度;货币价值代表财务金额[55,56]。大量研究应用RFM框架来识别在线口碑场景中的意见领袖。RFM得出的排名与基于网络节点中心性的排名之间表现出高一致性[57]。然而,在线创业项目中的投资决策受多种因素影响,RFM模型无法完全涵盖这些因素。因此,学者们通过结合其他因素扩展了RFM模型[58]。此外,用户生成的内容(UGC)是评估用户影响力的另一个重要途径,主题和情感都被纳入以提高准确性[59,60,61]。
在线社区中的核心群体和外围群体在联系强度上存在差异,对主要投资者产生不同的影响[57,62]。详细可能性模型(ELM)将影响力传播分为中心和外围路径。前者构成从认知参与到通过口碑机制产生影响的因果链(参与→信息寻求→信息质量→影响)。相比之下,后者通过中介意见领袖的影响和感知的亲密性来改变行为[63],通常建模为(信息寻求→意见领袖→信息质量→影响)或(信息寻求→亲密性→信息质量→影响)[64]。
2.3 研究空白和研究问题
尽管许多研究通过社会网络和在线评论识别意见领袖[65],但很少有研究全面分析用户行为。这导致在在线创业项目中识别主要投资者的空白。文献存在几个关键缺陷:首先,在研究背景方面,现有方法主要关注在线社区和电子商务,旨在识别影响购买意向的个体。在线创业中投资者与企业家之间的动态关系(如众筹)与电子商务中商家与消费者之间的关系有很大不同。此外,识别方法通常依赖于文本数据,这不足以涵盖在线创业的复杂背景。其次,在角色方面,意见领袖主要通过文本表达来施加影响,而主要投资者则通过投资行为引导他人,同时帮助企业家获得资金。第三,从指标角度来看,大多数现有模型在单一维度(如社交或文本)内衡量个人影响力。将用户行为纳入考虑需要综合相关指标来构建主要投资者识别模型。为了解决上述问题,本研究提出以下内容:(I)一个BTS(行为-文本-社交)框架,用于识别电子商务创业众筹项目中的主要投资者,该框架从行为、文本和社交三个维度进行测量;(II)一个神经网络模型,采用深度学习方法训练模型并预测影响力权重;(III)一种对权重进行排序的方法,以识别核心元素并分析主要投资者的偏好,从而为电子商务企业家和在线创业平台提供实际见解。
3. 数据收集、测量和研究模型
3.1. 数据收集
本研究采用全球具有代表性的在线创业平台Kickstarter(www.kickstarter.com)作为研究对象。该平台采用全有或全无的融资模式,创业者必须预先设定融资目标;只有当这一目标被达到或超过时,资金才会被筹集。Kickstarter使全球的创业者和投资者能够共同资助项目;然而,由于语言、文化、习俗和偏好等因素的限制,美国市场占据了总体活动的约96%[66],而美国的项目约占所有活动的78%[67]。因此,我们的数据集以美国为中心。我们开发了一个Python 3.7.3爬虫,持续跟踪项目和投资者,收集包括项目、投资者、投资行为和文本数据在内的多维数据,构建了一个全面的语料库。数据集包含4645个与技术相关的项目,其中1720个项目成功获得了融资,成功率为37.03%。数据集包含来自478,893位独特投资者的1,558,067次投资行为,平均每位投资者进行了3.25次投资。平均每个项目从104位投资者那里筹集了37,504.03美元。
3.2. 研究框架
行为、文本和社交(BTS)被整合到一个包含三个维度的模型中。这些维度的综合方式如下:
I. 用户行为:评估与投资者行为相关的数据——如投资频率、成功投资的经验以及投资金额——反映了用户的行为模式[68,69,70,71]。
II. 文本数据:在线投资中的互动行为主要基于文本数据,投资者通过文本数据分享态度和观点——这一关键机制指导其他人的行为。例如在线评价、评价主题和文本情感[72,73,74,75]。
III. 社交连接:在线众筹投资是在一个社区内进行的,其中相互关系是关键指标。例如,如果有人经常支持某个特定的创业者,那么这个创业者很可能会随后支持该用户发起的项目。这些指标通常通过结构洞和中心性程度来衡量[76,77,78]。
图1展示了研究模型。行为数据根据RFM框架[55,56]进行结构化,测量新鲜度、频率和货币价值。文本数据包括评价量、主题、情感和主观性/客观性。社交数据包括来自社交网络分析的指标,包括社交经验、中心性和结构洞。上述三个维度作为基础;然后训练一个深度学习算法模型,将这些子指标综合成一个综合影响力分数,据此对用户进行排名。影响力分数量化了每个用户的影响力程度;得分较高的用户被视为主要投资者。此外,考虑到用户之间的不同联系,还根据ELM的中心路径(CR)和外围路径(PR)进一步区分主要投资者。最后,采用多种指标来验证主要投资者识别的准确性,包括MAPE、召回率、NDCG和精确度等。具体来说,本研究的方法包括以下5个步骤:
图1. 研究模型。
步骤1:语料库收集和预处理。这个阶段主要涉及语料库的构建和数据预处理。
步骤2:定义和测量关键指标。此阶段的主要任务是量化与行为、文本和社交(BTS)维度相关的15个指标,并输出标准化的数值。
步骤3:使用神经网络训练深度学习模型。这个阶段涉及模型的完整构建和训练,确保高质量并避免过拟合。
步骤4:主要投资者识别。根据影响力分数对用户进行排名,并根据排名提取主要投资者。
步骤5:进一步分析。通过比较分析、偏好分析、相关性分析和鲁棒性测试来检查主要投资者的影响。
研究模型如图1所示,包括15个关键变量,这些变量分别来自用户行为、文本数据和社交连接三个维度。新鲜度代表用户活动的程度,包括两个指标:投资间隔和投资时刻[54,56]。频率表示用户对平台的贡献,包括两个指标:投资时间和成功经验[18]。货币价值代表资本的贡献[79,80]。文本数据则在三个维度上进行测量——评价量、内容主题和语言特征——包括六个子维度:评论数量[81]、评论长度[81]、内容主题[82,83]、非内容主题[20]、情感[84]和主观性[85]。最后,社交连接包括四个网络指标:出度中心性[86,87]、入度中心性[88]、结构洞[89]和社交经验[90,91]。每个指标的计算在后续部分中有详细说明。
精确界定时间节点对于识别在线投资中的主要投资者和后续投资者至关重要,因为主要投资和后续投资行为本质上与时间维度紧密相关。如果与投资者相关的文本或社交网络特征是从融资后期生成的信息中提取的,那么“早期领导者识别”的有效性就会受到质疑。为了解决这个问题,我们将时间范围纳入了分割训练/测试的过程中。图2展示了基于时间的训练/测试分割方法。
图2. 基于时间的训练/测试分割过程。
详细来说,为了解决过拟合的问题,在划分训练集和测试集时考虑了时间因素,进行了交叉验证。具体来说,用户的日常行为数据按时间顺序排列,并以10轮(10折交叉验证)的方式逐步扩展训练集和测试集,如图2所示。此外,为了确保模型准确性,还根据它们与项目质量的相关性选择了一组客观特征。也对特征值应用了正则化。
3.3. RFM指标
3.3.1. 行为指标
RFM框架包括三个组成部分:新鲜度、频率和货币价值[54,56]。新鲜度涉及时间元素,通过两个指标进行估计:(a) 投资间隔,即自上次投资以来的天数;(b) 投资时刻,由投资者在项目中的投资顺序的百分位排名表示,如方程(1)中公式化。这里, 是用户的排名; 和 是最大和最小排名; 对于 和 相等(第一名)时, 是常数。较大的 表示较晚的时间进行投资,反之亦然。
频率:具有丰富投资经验和成功融资历史的投资者更有可能成为主要投资者[18]。这个维度通过以下方式捕捉:(a) 投资者参与过的创业项目总数;(b) 投资者之前支持的成功融资项目数量。这两个指标使用方程(2)进行标准化。
货币价值:代表投资者的资本贡献[79,80]。使用方程(3)计算每个项目的平均贡献,其中 是项目的奖励层级数量, 是项目的资金级别数量。
3.3.2. 文本指标
评论量:频繁发布评论并提供实质性评论具有可测量的讨论影响力[81]。经常发布评论的人更有可能成为主要投资者。因此,(a) 评论数量;(b) 评论的平均长度(以字符计)作为代理指标。
内容主题:评论涉及创业项目的多个维度[82,83]。一些主题是内容导向的(例如,项目创意、市场前景、技术难度和投资回报),而其他主题则关注非内容方面,如声誉、战争风险和主观意见[20]。因此,采用了一种监督式主题建模算法将评论分为两类:(a) 与内容相关的;(b) 与内容无关的。以下示例说明了这种区分:
A:该项目计划使用实时可追踪芯片来监测稀有藏羚羊的活动轨迹。然而,当地气候极其恶劣。我们希望发起人能在恶劣环境中测试芯片的性能。
B:支持项目启动!我什么时候能收到项目团队承诺的奖励?
可以看出,评论A提供了背景信息并提出了建设性的专业建议,显示出领导潜力。相比之下,评论B缺乏实质性内容。
随机选取了200条评论文本进行手动标注。与项目内容相关的评论被标记为1,其他评论被标记为0。FastText被用来构建一个机器学习模型,基于提取的关键词建立分类器来预测主题。图3展示了该模型架构。损失使用对数似然函数定义,如方程(4)所示,它总结了每个标签对的对数概率和平均值。
图3. FastText结构。
在这里, 如方程(5)中定义; 表示节点的霍夫曼编码; 和 是参数。
将 视为一个复合术语,转换涉及指数运算和对数运算,得出方程(6)中的函数形式。
评论情感和主观性分析。情感反映了评论者的态度,常用于意见挖掘[84,92]。情感检测通常利用基于词典和机器学习的方法[93,94]。为了揭示潜在的情感,引入了关联规则挖掘来发现特征之间的共现模式[95]。设 表示项集, 表示一个项目; 是事务语料库,事务I中的任何事务都是项集I的子集。 的支持 意味着事务D中至少有 满足 ,置信度 表示事务D中至少有 满足 和 。识别D中满足最低支持度和置信度阈值的所有规则为构建情感特征提供了基础。使用HowNet词典和贝叶斯估计[97,98]对情感进行了分类。客观文本定义为基于证据、数据或逻辑推断的评估,而主观文本涉及带有倾向的价值判断。
本研究采用朴素贝叶斯来评估情感和主观性[85],使用特定类别中单词的频率作为标准。在特征独立性和平等权重的假设下,分类基于概率超过预定阈值进行,如方程(7)中公式化,其中 表示文本中的单词, 表示类别,即正面或负面情感(主观或客观陈述)。
3.3.3. 社交指标
出度中心性:企业家和投资者构成一个二分图结构[86,87],其拓扑结构类似于传统的在线社交网络。出度中心性衡量给定节点(投资者)投资的项目数量(由他人发起)。
入度中心性:相反,入度中心性反映节点发起的项目吸引其他投资的能力[88]。与出度中心性类似,入度中心性也是标准化的。未发起任何项目的用户被赋予0的值。
结构洞:中心性为零并不意味着没有影响力,因为必须考虑通过第三方的间接连接,从而引入了结构洞的概念。结构洞作为 otherwise disconnected 节点之间的桥梁[89]。结构洞的位置越突出,节点作为主要投资者的可能性越大。图4提供了一个计算出度、入度和结构洞指标的示意图。图4. 出度中心性、入度中心性和结构洞的示意图(绿色节点代表投资者,橙色节点代表金融家)。社会经验:许多学者证实了用户在社交网络中的停留时间的作用[90,91]。用户加入平台的日期可以作为社会经验的代理指标。较长的停留时间与更丰富的投资经验相关。3.3.4. 指标测量基于上述分析,表1总结了本研究中使用的15个指标的定义、公式、基础数据字段以及缩放或标准化步骤。这些指标使用不同的数据字段进行量化,并且所有指标的测量都是在用户层面进行的。此外,每个指标都经过标准化或规范化处理,使其可以直接用于后续的建模和计算。表1. 指标的定义、公式、数据字段和关键测量步骤。3.4. 深度学习模型来自行为、文本和社交类别的15个指标作为人工神经网络的输入层。分别计算了ELM的中心路径和外围路径的影响值。图5展示了神经网络架构及相关参数。该模型包含两个隐藏层,输出维度分别为10和4。采用均方误差(MSE)函数作为损失度量标准,MSE值越低表示拟合效果越好。图5. 神经网络结构。3.5. 主要投资者识别排名是通过整合ELM的中心路径(CR)和外围路径(PR)来进行的。CR通过关注者数量来量化,而PR通过节点中心性来测量。使用方程(10)计算CR和PC的影响系数。因变量是项目的融资表现,其中表示误差项。(10)回归结果列在表2中。CR和PR的参数系数分别为0.75和0.25。因此,在综合排名中,中心路径组件和外围路径组件分别被赋予了75%和25%的权重。表2. 中心路径排名和外围路径排名的系数确定。4. 结果与讨论 4.1. 模型训练为了评估模型的性能和参数设置的合理性,采用了10折交叉验证[101],如3.2节所述。神经网络在NVIDIA 3090 GPU上进行了训练,图6展示了训练过程中损失的变化。模型大约在20个周期后收敛,没有观察到明显的过拟合现象。图6. 神经网络训练过程中的损失变化。4.2. 影响力排名表3展示了主要投资者的特征(由于空间限制,只显示了前10名)。主要投资者通常以熟悉平台(注册时间较长)和参与众多投资为特点。此外,他们通常在项目早期阶段就参与进来(投资时机≤50%)。从地理上看,大多数主要投资者来自美国,这反映了以美国为中心的企业家群体。表3. 主要投资者名单(N = 10)。使用方程(11)来量化结果之间的差异,以神经网络(NN)排名作为基准。这里,表示通过ELM计算出的排名,表示从BTS模型得出的排名,其中依次代表以下四个方面:ELM、B(行为)、T(文本)和S(社交)。(11)表4展示了结果的一致性。基于ELM的排名与神经网络基准之间的差异仅为0.15,表明其准确性很高。仅基于行为的排名(MAPE为0.30)和仅基于社交的排名(MAPE为0.71)的准确性较低。仅基于文本的排名具有最高的MAPE(0.95),显示出最差的表现。表4. 一致性测试。对于排序评估,召回率、NDCG和精确度也是常见的比较标准,其计算公式分别在方程(12)–(14)中给出。表3中的结果表明,ELM在所有指标上都表现出良好的性能。然而,在B(行为)、T(文本)和S(社交)指标上表现较差。(12)(13)(14)4.3. 特征排名基于神经网络,本研究引入了SHAP(Shapley加性解释)算法来对模型的输出结果进行排名分析。SHAP的目的是检查每个特征对预测的贡献。SHAP是一种解释预测的算法,它基于博弈论中的Shapley值,并通过计算每个特征对预测的贡献来提供可解释性。SHAP不仅提供了每个特征的贡献,还以统一的方式呈现了不同模型的解释。方程(15)说明了计算每个变量方法,其中表示特征集,表示一个子集,是模型的预测函数。(15)图7使用SHAP显示了特征重要性的排名。结构洞是最重要的元素,表明处于“桥梁”位置的节点具有更大的影响力。其次是出度中心性、投资时间、投资时机和社会经验。相比之下,与文本相关的特征——包括评论数量、情感和主题——对识别主要投资者的贡献最小。结构洞、出度中心性、投资时间、投资时机和社会经验的权重受到主要投资者作为投资“领导者”从他们的战略行为和网络位置获得影响力的影响。这些指标反映了投资敏锐度和决策执行的力度,从而增强了他们的影响力。社会经验体现了 charismatic 资本;更广泛的社会联系有助于调动资源,加强了领导力。图7. 使用SHAP进行的特征重要性排名。从特征重要性结果来看,社交和行为指标占据相对重要的位置,而文本指标的预测能力明显较低。这种现象可能归因于以下原因:首先,对于主要投资者而言,他们的影响来源于社区网络[102];也就是说,主要投资者通过人际关系作为意见领袖施加影响。因此,与社交网络相关的指标更具影响力。其次,文本数据不适合直观展示,因为用户必须先理解文本才能将其转换为可比较的指标[103]。相比之下,行为指标提供了直观的数值,例如主要投资者的投资频率和在社区中的持续时间。5. 额外分析 5.1. 对比分析为了阐明主要投资者的独特特征,提取了前10%用户的数据进行对比分析(47,889名用户)。图8突出了主要投资者和后续投资者之间六个显著不同的特征。与神经网络的排名(图6)相比,主要投资者的新颖性、投资时间、结构洞、投资时机和投资金额的权重得到了验证。值得注意的是,尽管出度中心性和社会经验是重要的指标,但两组之间没有显著差异。具体来说,主要投资者的投资周期更短,频率更高(90天对比280天;频率高出33%);行动更迅速(在融资时间线的约26%时进入项目,且投资金额相对较高);并且具有更强的“桥梁”作用(大约是追随者的两倍)。在线评论的情感方面,主要投资者的情感表达较少(约0.05),相比之下追随者的较为强烈(约0.1),这表明他们的评价更加客观。图8. 主要投资者的特征。5.2. 偏好分析大量证据表明投资者表现出决策偏见,包括地域、性别或行业偏好[104]。在线创业项目,如概念蓝图,往往在想法产生和产品/服务交付之间存在时间滞后。这造成了信息不对称性,对远程投资者来说更为严重[18]。为了减少不确定性,投资者倾向于偏好地理位置较近的项目,因为这种接近性便于实地访问和与企业家的直接互动[105,106]。学者们指出,融资方和投资者之间的平均线下距离约为70英里,大约50%的天使投资发生在半天内[107]。虽然文化差异与地理距离相关,但存在替代效应;即地理距离增加50%会减少30%的文化差异[108]。这强调了地理接近性在投资决策中的重要性。为了研究主要投资者是否也受到类似影响,基于位置进行了偏好分析,如图9所示。主要投资者和后续投资者都表现出距离衰减模式(本地>州级>城市级)。主要投资者在所有地理层面上都表现出明显的本地偏好。图9. 主要投资者和追随者之间的本地偏好比较。为了进一步量化地理距离偏好,将投资者和企业家的位置地理编码为经度和纬度坐标[109]。使用球面余弦定律(方程(16)和(17)来计算位置A和位置B之间的距离。这里,(LatA, LonA)和(LatB, LonB)分别表示位置A和B的坐标。R表示地球半径(6371.004公里),π近似为3.14。(16)(17)图10的A面板展示了主要投资者与后续投资者之间的距离偏好。主要投资者与他们所在位置更接近的项目互动(平均距离:2261公里),而后续投资者的平均距离为2320公里,这证实了主要投资者更强的本地偏好。此外,图9还分析了身份多样性和追随者数量(B和C面板)。在具有多重身份的投资者中(即同时担任投资者和创造者的投资者),主要投资者的比例几乎是后续投资者的两倍。作为影响力的代理指标,追随者数量明显区分了主要投资者,其主要投资者的追随者数量远远超过其他人,表明社会蝴蝶最有可能被识别为主要投资者。图10. 主要投资者和追随者之间的距离偏好和身份差异((A)距离偏好;(B)也是企业家的投资者;(C)后续投资者)。5.3. 主要投资者影响的相关性分析为了研究主要投资者与融资表现之间的相关性,我们指定了两个模型,如方程(18)和(19)所示;每个模型分别测量了(a)项目是否涉及主要投资者(DumLeader,如方程(18)所示),以及(b)参与项目的主要投资者数量(NumLeader,如方程(19)所述)。为了全面评估融资表现,包括三个维度:(a)项目是否成功获得融资(DumFundingSuccess);(b)筹集的资金金额(NumMoneyPledged);以及(c)融资进度(NumFundingProgress)。鉴于在线创业项目受到多种因素的影响,结合了一组质量相关变量,包括更新次数(NumUpdate)、评论数量(NumComment)、融资目标(NumGoal)、融资持续时间(NumDuration)、投资级别数量(NumPledgeLevels)、是否包含视频(DumVideo)、文本长度(NumLength)、图片数量(NumImage)、超链接数量(NumHyperlink)和社交媒体追随者数量(NumSocialFollowers)[18,20,85,110]。(18)(19)表5展示了主要投资者相关性的分析结果。在三个模型中,一个一致的效果显现出来:主要投资者的参与与项目的融资成功率、融资金额和融资进度显著相关(模型1、模型3和模型5)。这一结果也适用于参与项目的主要投资者数量(模型2、模型4和模型6)。因此,主要投资者与融资表现之间存在显著相关性。表5. 主要投资者的相关性分析。5.4. 鲁棒性检验:事件比较和替代时间窗口为了展示主要投资者对项目融资表现的影响,我们对事件比较和替代时间窗口进行了额外的鲁棒性测试。首先,基于主要投资者是否参与投资进行了事件比较。这项测试的有效性基于以下理由:如果主要投资者能够鼓励他人参与投资,那么主要投资者的参与可能会显著提高融资成功的概率。图11展示了结果。显然,事件比较的结果表明主要投资者对融资表现有贡献(主要投资者既增加了支持者数量也提高了成功率)。图11. 事件比较和替代时间窗口的鲁棒性检验(注:* p < 0.05,*** p < 0.001)。关于替代时间窗口的划分,主要投资者可以在任何时间参与投资,对融资成功率的影响程度不同。在这项研究中,融资周期被均匀划分为四个阶段(第一阶段到第四阶段),以分析在原始投资者参与的情况下,哪个时间段内的融资成功率提升最为显著。划分时间段的目的是为了考察原始投资者的影响力是否会随时间发生变化。因此,时间段是根据融资持续时间的长短来均匀划分的。例如,如果一个项目的融资持续时间为28天,那么第一阶段就代表这个时期的第一季度,即最初的七天(28 × 1/4)。基于同样的逻辑,第二阶段对应的是从第8天到第14天的融资表现,第三阶段和第四阶段的时间段划分方式也类似。图11展示了原始投资者在不同时间段内对融资成功率的影响。显然,原始投资者的参与在初始阶段(第一阶段)最为有效,其次是第二阶段(第二阶段);相比之下,在剩余阶段(第三阶段和第四阶段)其影响力相对较弱。
6. 结论与未来方向
电子商务涉及多种形式的创业活动,而众筹就是其中的一种代表。原始投资者凭借敏锐的市场洞察力和专业知识,在成功投资中起着主导作用。为了在在线社区中识别这些投资者,本研究建立了一个基于BTS(行为-文本-社会)框架的模型,该模型包含了三个维度上的15个指标。通过整合ELM(情感计算模型)的中心路径和外围路径,得出了一个综合排名来识别原始投资者。研究结果表明,基于ELM的排名与基准最为接近。在BTS框架中,投资者行为具有最高的预测能力,其次是社会网络,而文本特征的预测能力最低。在特征排名中,结构漏洞具有最大的权重,而文本影响力相对较弱。此外,原始投资者表现出强烈的本地偏好,更倾向于投资地理位置接近的项目。部分原始投资者还承担了创业者的角色,尽管这一比例较低(约3%)。这些发现为原始投资者的识别提供了理论依据,并推动了在线创业的发展。
尽管本研究调查了原始投资者,但它仍属于这一领域的初步研究,存在一些局限性需要承认。首先,数据仅来源于Kickstarter上的技术项目,这限制了其普遍性。未来的工作应该努力将该框架应用于不同类别的项目中进行验证。其次,虽然BTS框架涵盖了用户行为、文本数据和社交联系,但它忽略了项目特定的属性(如质量或奖励),而这些属性也会影响投资决策。将这些变量纳入模型是未来研究的一个有前景的方向。第三,虽然实验结果在不同方法下得出了不同的结论,但这些差异的根本原因尚未得到充分分析,这为进一步优化和完善提供了机会。第四,对于需要在线投资的众筹项目来说,许多项目特定属性会影响投资者对项目质量的评估,从而影响原始投资者和后续投资者的行为模式。尽管我们在模型中纳入了15个指标,但可能仍有一些关键变量被遗漏了。最后,所使用的数据集存在固有的局限性,即本研究使用的数据来源于Kickstarter。作为一个位于美国的知名平台,Kickstarter汇聚了来自世界各地的创业者和投资者。然而,由于文化、语言和监督方面的限制,Kickstarter具有明显的美国中心性。因此,这项研究基本上是基于美国背景进行的。当将该框架应用于其他国家或文化背景下时,可能会得出不同的结论。因此,使用其他国家的数据进行比较研究是一个有前景的方向。