广义虚拟经济视角下投资者对捐赠型众筹参与意愿细分与虚拟价值提升策略

彭琳 张荣 刘斌

（1.上海海事大学经济管理学院 上海浦东 201306；2.上海海事大学物流研究中心 上海浦东 201306）

一、引 言

与传统实体经济不同，广义虚拟经济并非遵循着“物本”思维，而是以“人本”思维作为主导[1]。刘骏民[2]在国内首次提出股票、证券及金融衍生品等属于狭义虚拟经济范畴,文化娱乐产业、高新技术产业等属于广义虚拟经济范畴。然而，真正将广义虚拟经济与传统经济学区别开来，并进行系统研究的是林左鸣教授及其带领的研究团队[3]；他把广义虚拟经济定义为“同时满足人的物质需求和心理需求（并且往往是以心理需求为主导）的经济，以及只满足人的心理需求的经济的总合”[4]。换言之，广义虚拟经济是创造虚拟价值为主导的相关经济形式[1]。虚拟价值是生产、生活资料等原材料初级产品和单纯满足人的物质需求的商品以外产生的价值，它更多地包含了体验、服务、创意、品牌、人气、信心、知识等与实物相区别的泛文化内涵[1]。与此同时，随着信息技术的发展和网络的兴起，使得社会开始网络化，社会网络化是虚拟经济的实体化过程，推动了虚拟价值的产生[5]。黄纯纯等人[5]在研究中提出广义虚拟经济中的虚拟价值是由金融经济价值、网络经济价值、外部性价值三种价值组成。

根据以上广义虚拟经济的内涵，本文将研究的视角聚焦在捐赠型众筹上。众筹，近年来利用互联网向大众筹集资金的一种手段，使得它具有虚拟价值中的金融经济价值与网络经济价值。对于众筹，Ordanini等较早地从消费者的角度来研究众筹，强调了消费者与投资者的关系，即消费者为他人项目提供资金支持[6]。Belleflamme等学者将众筹融资定义为：主要基于互联网，通过向不特定人群提供诸如奖励、股权等形式的回报来获取资金，从而为项目发起者提供项目资金的商业形式[7]。众筹的参与往往需要外部投资者的参与，这又体现了虚拟价值中的外部性价值。

2016年，“罗一笑”事件再次引起了大众对慈善捐赠的关注；同年，我国《慈善法》的颁布与施行为公益活动提供了法律保证[7]。近年来，越来越多以众筹模式开展的公益活动不断涌现，捐赠型众筹也变得热门。根据一些学者的研究，众筹主要分为捐赠型众筹、奖励型众筹、债权型众筹和股权型众筹[8-10]。其中：捐赠型众筹是一种约定投资者在投资后不会获得任何物质或金钱奖励的捐赠合同[9]。本文主要研究广义虚拟经济视角下投资者在捐赠型众筹中参与意愿决定因素与细分，是为了探讨投资者在捐赠型众筹参与过程中的心理需求和虚拟价值的体现，并提出相关的虚拟价值提升策略，使得虚拟价值得到更好的发挥。

本文使用结构方程模型（Structural Model Equation，简称SEM），确定投资者在捐赠型众筹中参与意愿的影响因素；结合有限混合偏最小二乘法（Finite Mixture Partial Least Squares，简称FIMIX-PLS），挖掘出在PLS-SEM中未观测到的异质性并将参与意愿进行细分。当应用因果建模方法，如偏最小二乘法（PLS）路径建模时，细分是应对估计因果关系中异质性问题的关键问题[11]。异质性显著影响了总体数据级别的估计路径模型关系，该方法将允许创建出具有独特路径模型估计的同质观测组[11]。因此，本文通过这种方法将提供差异化的分析结果，从而可以对形成的每个细分进行更精确的解释。

二、理论背景与假设

由于众筹是基于互联网，参与者需要通过众筹平台，即网页、软件等进行具体操作，本文以整合型技术接受与使用模型（Unified Theory of Acceptance and Use of Technology，UTAUT）为基础；结合Ordanini等对消费者与投资者之间关系的研究和本文的研究背景，适当调整了UTAUT模型；再根据“虚拟价值是一种感受价值”[1]，由此结合消费者感知价值理论，引入了感知利益、感知风险、感知成本三个变量；结合捐赠型众筹的背景和广义虚拟经济中符合人类的心理需求，引入初始信任、慈善两个变量。图1展示了概念模型图。

众筹是众包的衍生模式。众筹与众包有许多相同之处。学者对众包用户参与动机的研究较多，这些学者的研究成果表明大众对于参与众包将带来的收益是大众考虑是否参与众包的一个重要影响因素。Schwienbacher和Larralde[12]的研究表明，众筹投资者参与众筹项目的并不是为了金钱回报，他们更多的是希望参与到创新项目中，体验创业的一种刺激感，在项目进展中的话语权以及获得认可和个人满足是主要的参与动机。Belleflamme，Lambert和Schwienbacher[7]指出控制权和投票权作为众筹投资者的额外收益可以弥补众筹所产生的二级价格歧视。本人认为，众筹投资者作为一般消费者，获得未能在市场上获得的产品也可以作为收益成为众筹投资者参与众筹的重要驱动因素。

图1 概念模型

在UTAUT模型中，感知收益对应着绩效期望。绩效期望（PE）是指用户期望在多大程度上通过利用系统在工作绩效中实现多少收益[13]。 在这项研究中，PE代表了投资者在通过相关平台参与捐赠筹集项目时所看到的有形和无形的利益。PE是使用技术意图的最强预测因素。本文将感知收益定义为投资者参与众筹能使其获得的相关收益。依据已有学者的研究和本人对众筹参与者的初步调查，本文将从投资者参与众筹期望获得的名气声誉、投票权、交友、快乐、满足感等来研究感知收益是否对慈善产生影响。

H1：投资者的感知利益与慈善正相关。

学者对信任的界定多集中于信任是信任方对被信任方的善意、诚实和能力的信心。在众筹过程中，大众与众筹筹资者以及众筹平台之间进行了价值交换，只要存在交换就会涉及三方之间的是否信任的问题。众筹行为是借助网络进行的，网络可以为众筹参与者提供更为便捷和良好的沟通环境，但网络的虚拟性为众筹模式的发展带来缺陷。如网络欺诈行为、资金账号被盗行为、知识产权保护问题等。Agrawal、Catalini 和Goldfarb[14]在研究近距离众筹投资者和远距离众筹投资者的差别时指出众筹这种网络交易行为虽然消除了与距离相关的经济摩擦，但并没有消除与社会相关的经济摩擦，近距离众筹投资者因为熟悉创业者的特征和现状，创业者的前期行为给予投资者信任保障，所以他们倾向于早期投资，投资的额度也较远期众筹投资者大；远距离投资者倾向于后期投资，且投资达到一定额度后才进行投资，以防止受骗。

初始信任（IT）被定义为一个人愿意承担风险，以便在没有经验或可靠信息的情况下实现自己的目标[15-17]。当人们通过互联网进行创新服务而没有经验时，这被认为是一个重要因素。因此，最初的信任将有助于支持者的慈善行为。在此情况下的信任可以界定为投资者对众筹筹资者和众筹平台的善意、诚实和能力的信任。对众筹筹资者的信任表现为专有性人力资本、创意的可靠性、信息披露，对众筹平台的信任表现为资金安全、个人信息安全和项目安全性保证。本文主要涉及对互联网的信任、对众筹平台的信任、对筹资者及其项目的信任。

H2：投资者的初始信任与慈善正相关。

H3：投资者的感知利益与初始信任正相关。

感知风险是个人通过心理衡量对众筹的一种风险认知。感知风险是消费者行为研究中一个重要的研究变量。在过去的研究表明，感知风险对消费者购物决策、态度以及信息处理等行为都有显著的影响。著名的感知风险操作定义就有1974年Kaplan，Szybillo和Jacoby提出的五个维度的感知风险模型[18]。Remond A.Bauer在提出感知风险概念时指出风险是消费者的购买行动会产生某种不确定且令人不愉快的后果，感知风险是消费者主观感受到的风险[19]。Cunningham提出“不利后果”和“该后果发生的可能性”这两个变量可以测量消费者感知风险[20]。Peter和Ryan认为两个因素经常倍增地结合在一起可以一般的表明感知风险，即：风险=负面后果概率*负面后果的严重程度[21]。这些研究从规范的角度界定了感知风险的含义，具有重要的理论意义。本文的感知风险是指大众在参与众筹的过程中对自己的众筹行为所带来可能的不利后果的感受和判断。

H4：投资者的感知风险与慈善负相关。

H5：投资者的感知风险与初始信任负相关。

感知成本是购买者针对所要购买的产品付出的成本的感知。Wood和Scheer提出，成本除了货币意义上的价格成本及时间和精力等，还包括不确定性所带来的心理成本——感知风险[22]。本文的感知成本主要指三方面，一是大众参与众筹时投资的资金成本，如果觉得资金成本较少，则参与，反之则不参与；二是大众参与众筹时的时间消耗成本，如果觉得投资的时间消耗较少，则参与众筹，反之则不参与；三是大众参与众筹时了解信息的过程程序是简单的，则参与众筹，反之则不参与。

H6：投资者的感知成本与慈善负相关。

维基百科对慈善的定义为：这是一种善良意愿的社会活动，不要求物质回报，给予有需要的个人或社团帮助、赞助等，慈善是促进人类福利进步的利他关怀，通常通过捐献金钱、资产或活动，由教育或医疗机构捐赠予有需要的人，或公益协助其他社会需求。创业者需要资金支持来完成他的创业梦想，有同情心的人会有帮助创业者实现梦想的意愿。这也可以从另一方面解释大众接受众筹模式带来的二级价格歧视的原因，不仅仅是 Belleflamme，Lambert 和 Schwienbacher[7]所认为的控制权和投票权，还有大众的慈善心理。Lambert 和 Schwienbacher[23]的研究表明，很多筹款活动是以捐赠为基础的，80%会给予一定形式的回报，调查还表明，22%的众筹项目依赖于捐赠。可见，慈善可以作为大众参与众筹行为的影响因素。本文将慈善定义为：投资者对众筹筹资者提供无偿资金支持或超额资金支持的行为。

H7：投资者的慈善与参与意愿正相关。

Venkatesh 等人[13]认为促进条件是指使用者认为组织与技术设施支持信息系统使用的程度。感知行为控制、促进因素和兼容性是促进条件的三个因素。本文将促进条件定义为投资者认为参与众筹过程中可以获得的来自其他组织和个人以及众筹平台等方面支持的程度。感知行为控制是指投资者认为参与众筹过程存在的内外部约束条件，如金钱支持、重要人物参与、朋友支持等；促进因素是指使大众更加容易的参与众筹过程的客观环境因素，如众筹网站帮助众筹筹资者制作宣传视频。Andrea Ordanini，Lucia Micel，Matrta Pizzetti[6]指 出 将 筹资过程分为：朋友投资阶段、大众投资阶段和竞争加入阶段。大众支持阶段是最微妙的阶段，若一个项目在此阶段若表现为长时间的停滞的话，那么其在潜在资助者那里将会缺乏吸引力，因为他们会由此推断投资这个项目是风险很大的。因此很多项目没有通过此阶段。因此本研究新加入项目筹资进度这一维度，探究项目现有支持状况和距离截止日期的远近是否会影响参与行为。

H8：投资者的促进条件与参与意愿正相关。

三、PLS-SEM：数据分析与结果

（一）问卷量表设计

由于本文研究的是众筹网站注册用户的参与行为，注册用户在地理上分布较为分散，采取大规模访谈的方法较难实现，所以本文采用问卷调查的方式进行数据的收集。在大量文献阅读的基础上，结合相关领域国内外研究的成熟量表，运用七点式李克特量表，设计出初始问卷量表，通过对问卷进行试测后，改进和完善了问卷。本研究从中国的轻松筹的样本收集数据。

感知利益的测量改编自Brabham[24]、Schwienbacher & Larralde[25]、Belleflamme,Lambert & Schwienbacher[7]、Ordanini,Miceli & Pizzetti[6]、 徐 珊[26]、杨波[27]，常静等[28]、王彦杰[29]、Ryu,2014[30]、Ordanini[6]、Rubinton[31]。 测量初始信任的项目是在Schwienbacher & Larralde、蒋骁[32]上开发的。慈善的测量变量量表是基于Lambert & Schwienbacher[10]、徐珊[26]、杨波[27]。促进条件、感知成本、感知风险以及参与意愿是基于Schwienbacher & Larralde[25]、王震勤等[33]、徐晨飞等[34]开发的。

（二）样本的数据分析

本文借助SmartPLS 3.0进行数据分析。测量题项、Cronbach’s Alpha系数、平均变异抽取量（AVE）、组合信度如表1所示。从检验的结果看，各潜变量的Cronbach’s Alpha值均大于0.70，内容效度良好。各潜变量的AVE值均大于阈值0.5，表明有足够的区分效度。各组成信度均大于0.9，达到了相关的要求。

表1 变量测量及其统计特征

（三）理论模型的实证检验

评估结构模型，首先评估共线性问题的结构模型。第二，结构模型显著性和相关性将被评估。第三，评估决定系数 的大小。

视预测潜变量容忍值小于0.20（VIF＞ 5.00）为具有共线性问题。本模型中VIF最低值为1.148，最高VIF值为1.654；所有VIF值小于5.00，这表明没有共线性问题。为了估计路径系数的显着性，采用bootstrapping技术，用t检验来检验每个路径系数的统计学意义。结果如图2所示。其中，7个假设得到了支持（H2、H3、H4、H5、H6、H7、H8）。发现感知风险对初始信任（β=0.179**，t=2.992）和慈善（β=0.192***，t=4.025 ）有正面影响，这与预测相反，也是一个有意思的现象。

最常用来评估结构模型的标准为决定系数（coefficient of determination，R2值）。R2值介于0～1之间，数值较高代表较高的预测力。要提出一般可接受的R2值大小并不容易,因为这可能涉及了模式复杂度以及学科差异[35]。R2值为0.20在顾客行为研究中算高的，但对有效因素研究（例如在预测解释顾客满意度与忠诚的研究）而言，等于或高于0.75的值才会被接受。在营销领域，0.75、0.50、0.25的R2值则可大致被归类为显著的、中度、微弱的解释力[36,37]。慈善变异的约48.5%是由初始信任解释的；感知利益和感知风险解释了33.3%初始信任的变异。 此外，51.1%的参与意愿差异由慈善和便利条件解释。

图2 路径分析结果

四、FIMIX-PLS：数据分析与结果

当应用FIMIX-PLS来发现不可观察到的异质性时，类的实际数量通常是未知的[38]。与任何聚类程序一样，保留合适数量的分类是至关重要的，因为许多管理决策都是基于此结果[38]。在实证研究中，FIMIX-PLS的应用依赖于信息和分类标准，从数据中选择适当数量的分类[38]。

（一）识别适当数量的细分

在FIMIX-PLS中，实际上是不知道要分成几类细分。在实际应用中，研究人员可以通过启发式测量法比较赤池信息量准则（AIC），一致AIC（CAIC）或贝叶斯信息准则（BIC）来比较不同分类解决方案的估计[11]。这些信息标准是基于可能性的惩罚函数形式，研究人员在操作上研究了具有不同数量分类的几个竞争模型，并选择最小化信息标准值的模型[11]。

尽管前面的启发式解释通过整合惩罚项来解释过度参数化，但是它们并不能保证在所选解决方案中这些类被充分分离。基于熵统计学的分类标准，其指示了类之间的分离程度，可以帮助评估分析是否产生分离好的群集[39]。在这种情况下，规范的熵统计[40]是分析段特定FIMIX-PLS结果的关键标准。相关指标 范围在0和1之间，一般在0.5以上为合适的细分数量[41-43]。

在下一个分析步骤中，SmartPLS的FIMIXPLS模块基于估计的潜在变量分数应用于细分的观察。最初，FIMIX-PLS结果计算为两个类。 此后，类的数量依次增加。如表3所示，分类特定信息和分类标准的比较显示，两组的选择适合于参与意愿的细分。所有相关的评估标准在随后的分类数量上大幅增加。

表3 对于不同的信息分类标准

值为0.640额外支持了参与意愿的两个细分。如表4所示，所有观察值的80%以上都被分配到两个部分之一，概率大于0.7。相对于较高数量的类，这些概率显著下降，这表明较低的 也表现出增加的分割模糊性。对于一定数量的分类， 为0.5或更高的数据允许数据的明确细分。

接下来，根据分段隶属度的最大概率将观测值分配给每个分类。表5显示了相对于不同细分解决方案的分类大小，这允许指定影响分析的异质性：（a）随着分段数量的增加，较小的细分逐渐分离以创建其他细分，而较大细分的大小保持相对稳定约为0.5）。（b）基于EN标准的额外分类数量的下降使本文得出结论，关于ACSI的这一特定分析的总体观察结果包括一个大的，稳定的细分和一个小的模糊的细分。（c）FIMIX-PLS不能进一步降低较小部分的模糊性。

表4 观察分类成员最高概率的总概述

表5 不同分类个数的细分大小

在增加类的数量的过程中，FIMIX-PLS仍然可以识别具有较高成员概率的较大的细分，但是在用异质观察处理小组时是矛盾的。因此，成员的概率下降，导致EN值降低。这表明在将该数据集中的观测值分配给附加细分的过程中的方法复杂性。在该示例中，相对于S=7类获得表现出内部路径模型关系和/或高于1的回归方差的结果。因此，根据表5中细分大小的发展，可以在此时刻分析附加数量的类别。

（二）事后分析与解释变量的选择

在FIMIX-PLS结果表明通过使用最佳拟合数量的S类进行分类可以减少整体数据集中的异质性的情况下，在事后分析中必须揭示一个解释变量。在此步骤中，数据通过解释变量进行分类，该变量用作具有PLS路径建模的类特定计算的输入。识别解释变量的过程对于利用FIMIX PLS结果至关重要。这些发现对研究人员来说也是有价值的，以确认路径模型估计中不可观察到的异质性不是问题，或者它们允许通过分类来处理这个问题，从而促进多组PLS路径建模分析[44,45]。显著不同的群体特定路径模型估计对PLS建模结果进行了进一步的差异化解释，并可能促进更有效的策略的发起。

在对结构模型进行分析后，根据潜变量的估计分数，应用有限混合偏最小二乘法（FIMIX-PLS）对样本进行分类。最后，通过t检验，采用参数分析来确定细分是否有统计学差异。对于每个细分，再次估计该模型，并分析PLS估计的精度。表6展示了全局模型和两个潜分类的FIMIX-PLS结果。在评估拟合优度度量和内部模型关系之前，针对细分特定路径模型估计的所有结果在可靠性和判别效度方面进行了测试。分析表明，所有措施均符合模型评估的相关标准[37]。

表6 全局模型和两个潜分类的FIMIX-PLS结果

根据Hair等人[46]的研究，在事后分析中使用一个解释变量或几个解释变量的组合对数据进行分区，产生与FIMIX-PLS产生的数据大致对应的数据分组。FIMIX-PLS分区与由解释变量产生的分区之间的60%重叠被认为是令人满意的[46]。本研究的解释变量可以为性别、年龄、教育程度、月收入。根据计算，这些变量均达到了60%的重叠水平，本文在此将它们都作为解释变量。其中，性别为男、女分为两组；年龄以30岁为界限分为两组；教育程度以本科为界限分为两组；月收入以3000元为界限分为两类。

（三）数据的先验分类和细分特定模型的估计

一旦研究确定了一个或多个与FIMIX-PLS分区匹配的解释变量，最后一步是估计由解释变量表示的类特定模型。在这样做时，研究人员必须确保所有模型测量都符合通常的质量标准，例如Hair等人[35]的研究中所记录的。这些分析完成了基本的FIMIX-PLS应用。然而，进一步的分析可能涉及使用多组分析来测试类特异性路径系数之间的数值差异是否也显著不同。但是，在解释多组分析结果之前，研究人员必须确保测量模型在组间不变。通过建立测量不变性，研究人员可以相信，模型估计中的组差异不是由于组内潜在变量的独特内容和/或含义。例如，潜在变量之间的结构关系的变化可能来自于群体的受访者对于被测量的现象的不同含义作出选择，而不是结构关系中的真实差异。为了在PLS-SEM背景下测量不变性，研究人员应该执行Henseler等人[35]描述的复合模型（MICOM）程序的测量不变性。这可以在SmartPLS3中实现，本模型符合MICOM程序。

表7显示了细分特定模型的路径估计与R2值。由表7，再与FIMIX-PLS的两组潜分类作比较，可以发现，年龄与月收入是分别对应的潜分类。其中，30岁以下对应FIMIX-PLSGroup2分类，30岁以上对应FIMIX-PLSGroup1分类；3000元/月以下对应FIMIX-PLSGroup1分类，3000元/月以上对应FIMIX-PLSGroup2分类。

五、讨论与启示

（一）结果讨论

本文使用基于偏最小二乘法的结构方程模型（PLS-SEM），从图2中可以得出，影响捐赠型众筹参与意愿的因素主要有慈善（β=0.798***）与促进条件（β=0.501***）,它们对参与意愿有着正向影响，这与假设H7、H8相符合。其中，影响慈善的主要因素有初始信任（β=0.427***）、感知风险（β=0.192***）、感知成本（β=-0.327***），假设 H2、H6得到了验证。有趣的是，感知风险对慈善有着正向影响，这与之前的假设H4相反；感知利益对于慈善没有影响，假设H1不成立。初始信任受感知利益（β=0.545***）、感知风险（β=0.179***）的正向影响，前者验证了假设H3，后者与假设H5相反。

本文使用了有限混合偏最小二乘法（FIMIXPLS），通过该算法，寻找异质性，得出两类潜分类。在全局模型中，初始信任对慈善有正向影响（β=0.427***）； 在 FIMIX-PLS中，Group1即72.85%投资参与者的初始信任对慈善有正向影响（β=0.475**），这与胡怡[47]的实证研究相符：人际信任对投资的影响最大，到达60%；Group2即27.15%的投资参与者的初始信任对慈善有负向影响（β=-0.060***），这反应了少部分人对慈善活动持有反常的信任观念，这可以解释为一开始对众筹项目的不了解、筹资者的不充分接触和众筹平台的操作不便性带来的低初始信任，从而驱动投资参与者去解决这些上述问题，从而提高了对项目的慈善，这种驱动可以由Higgins[48]提出的调节定向理论中的促进定向来解释。在全局模型中，感知成本对慈善有负向作用（β=-0.327***）；在FIMIX-PLS中，大部分投资参与者的感知成本对慈善有负向作用（β=-0.466***），这与原假设相符合；小部分投资参与者的感知成本对慈善有正向作用（β=0.174***），这可以解释为宁愿用高成本追求慈善的行为，是一种对质的追求。

表7 细分特定的模型估计

对于H4、H5的假设与结论相反，通过细分特定的模型估计的路径系数可以看出，正向影响（H5）可能是由不同的性别造成的。在这项研究中，将投资者分为两组，分别是男性和女性。建立了由女性分组的参与者假设支持感知风险与初始信任之间存在负相关（β=-0.121**，t=2.89）。然而，由男性分组的参与者的假设得到感知风险与初始信任之间存在正相关（β=0.236**，t=3.001）。这表明女性在作出决定时可能会更加谨慎。当男性倾向于参与捐赠型众筹时，男性更具冒险性。这个发现符合前提条件。De Mel，McKenzie和Woodruff[49]在抽象博弈实验中进行了研究，发现男性对收入的风险偏好较大；女性有着更大的风险厌恶。Adams和Funk[50]对高级管理人员进行了调查，发现男性对成就和权利的需求较强，而女性更倾向于积极性，倾向于较低的安全感。因此，当感知风险影响初始信任时，女性会更保守;而男性则会采取一些行动，甚至是风险偏向性。这种情况与H4相似，认为风险由不同性别对慈善有不同的影响：建立了由女性分组的参与者的假设支持感知风险与慈善之间的负相关（β=-0.265***，t=4.894）；支持由男性分组的参与者支持感知风险与慈善之间的正相关（β=0.375***，t=6.532）。此外，H4和H5可能被“高风险，高回报”的概念所混淆。在这里，回报并不意味着实物收益，如货币回报，产品或服务。它是指名誉、声誉、投票权、幸福感等无形利益，反映出捐赠型众筹的感知风险的影响与以前的研究不同。

（二）研究启示

本项研究主要在四个方面对文献作了贡献。首先，广义虚拟经济已经以新的经济模式发展起来，另外众筹也是一个新兴话题，在广义虚拟经济背景下研究捐赠型众筹的相关研究并不多。第二，大多数从项目发起者或众筹平台上以奖励型众筹为基础的研究。从发起者的角度来看，对投资意愿已有深入的研究。然而，对投资者研究的角度较少。第三，这是较新颖地将UTAUT应用于捐赠型众筹背景下进行分析影响投资者投资意愿的关键因素的研究之一。此外，结合了消费者感知价值理论，另外加入初始信任、慈善两个变量到UTAUT模型中，这是一个创新点。第四，本文使用了FIMIX-PLS，寻找数中的异质性，通过潜分类，划分出了两类；通过多组分析，寻找出了契合潜分类的细分。

本研究为项目发起者和捐赠众筹平台提供相关建议。发现初始信任，感知风险和感知成本对投资者的慈善产生了影响。慈善是影响投资者参与意愿中最有效的决定因素。为了吸引更多的人关心，众筹平台可以为每个项目的倡导者做一个广告宣传的机制。设立“荣誉勋章”，鼓励提供大支持和大量资金的人，这将增加支持者的声誉和声誉，满足支持者的幸福和认可。因此，平台应该监督资金的流动和使用，这可以推动更多的人参与慈善筹资活动。这都将使得捐赠型众筹的虚拟价值得以提升。

六、总 结

广义虚拟经济与捐赠型众筹已经成为了如今热议的话题，如何提高捐赠型众筹的虚拟价值是本文的重点。本文使用了基于偏最小二乘法的结构方程模型（PLS-SEM）和有限混合偏最小二乘法（FIMIX-PLS）进行研究投资者在捐赠型众筹中参与意愿的决定因素及其潜在细分。虽然这项研究产生有意义的结果，但仍然存在一些限制。首先，学者应该谨慎地将调查结果推广到其他国家（如美国，欧洲）。由于不同的文化和环境（例如投资意愿），这一结果可能因地区而异。因此，建议在未来研究中进行跨文化问题的多组分析。此外，论文只关注投资的资金意愿，可以扩大到其他类型的众筹活动或项目中。最后，数据采集涉及方便抽样，建议未来的研究从众筹平台的数据库中获取更为准确的数据。