基于面板数据的互联网医疗众筹项目筹资效果影响因素研究

2021-11-22 07:38朱志超
中国卫生统计 2021年5期
关键词:单位根筹资众筹

朱志超 向 菲

【提 要】 目的 通过监测腾讯乐捐平台上316个医疗众筹项目完整筹资周期,选取18个变量研究影响筹资效果的关键性因素,以期为罹患疾病需要募捐的患者及众筹平台管理者提供借鉴参考。方法 利用自开发爬虫程序于2019年6月10日至9月30日,从腾讯乐捐官方网站及微信公众号两大平台获取316个医疗众筹项目进展信息、项目特征信息及人口统计学信息,使用Eviews 10.0进行统计学检验及模型构建。结果 基于强关系的微信一起捐好于其他形式的捐助,项目的筹资目标、周期、传播效果显著影响筹资效果,被救者类型、疾病类型、项目叙述方式、图像情感特征也存在一定影响。结论 医疗众筹项目筹资效果受到众多因素的共同影响,发起众筹时应重点关注传播途径及效果,合理制定筹资周期及目标,优化项目介绍内容。

2018年,国家卫生健康委员会、民政部、国务院扶贫办、国家医保局联合印发《关于进一步加强农村贫困人口大病专项救治工作的通知》,将农村贫困人口专项救助的大病扩充到21种,并推进“一站式”结算[1]。截至2019年7月15日,已有670万户因病致贫的返贫户实现脱贫[2]。大病需要社会救助时,政府帮扶效果极其显著也必不可少,与此同时,基于互联网募捐平台的医疗众筹也可作为帮扶的重要途径,二者能相互补充,共同发挥作用。2018年,民政部指定的20家互联网募捐信息平台为全国1400余家公募慈善组织发布募捐信息2.1万条,网民点击、关注和参与超过84.6亿人次[3],可见互联网众筹受到网民广泛关注与传播,有着较强影响力。

医疗众筹是公益众筹重要组成部分,罹患重症不仅在精神上给患者带来沉重打击,治疗疾病所需的巨额医药费更造成巨大的经济负担,很多家庭因病致贫返贫。利用互联网募捐平台进行医疗众筹能够帮助他们募集资金。但是由于诸多原因,目前筹资效果并不是很理想[4],因此,互联网医疗众筹影响因素及作用机制是值得深入探讨分析的话题。

医疗众筹由个人或者慈善组织发起,经互联网募捐信息平台审核后发布,通过互联网及相关社交媒体进行传播,面向公众,借助网民的力量募集与医疗健康相关的资金[5]。目前对于医疗众筹项目筹资全周期的研究较少,因而笔者利用面板数据构建相关模型,探讨筹资效果受到哪些因素影响,其影响效果如何。理论层面,延伸了面板数据的研究领域,拓展了医疗众筹筹资效果影响因素的研究方法和途径;实践层面,能够为需要筹集资金进行医疗救助的患者提供建议,亦可为互联网募捐平台管理者提供参考,有助于平台的良好持续发展。

资料与方法

1.资料来源

2018年民政部指定的20家信息平台募集资金31.7亿元,其中腾讯公益募集金额最高,达17.25亿元,占比54.42%。其作为目前全国规模最大的网络募捐平台,有着强大号召力和影响力,故本文选择该平台为研究对象。于2019年6月10日至9月30日针对316个医疗众筹项目通过自开发软件进行数据采集,从官方网站及微信公众号两大平台获取公开数据,采集项目整个筹资周期内数据,以求全面观察分析。

2.变量选取

本研究将数据分为3类,其中项目进展信息为时变数据,项目特征信息及人口统计学信息为非时变数据,每日筹资增加额作为因变量,其余17个变量作为自变量。如表1所示。

表1 变量描述

3.统计分析

首先将数据进行清洗与整合,对虚拟变量进行编码处理,后利用Eviews 10.0将清洗后的24442条数据进行统计学分析和检验,构建相关模型。

结 果

1.单位根检验

为确保数据平稳性,避免出现伪回归,构建面板数据模型前,首先对数值型变量进行单位根检验,检验时逐次使用含有截距和趋势项的模型、含有趋势项的模型和两者均没有的模型进行检验,只要通过其中一种模型则通过单位根检验。常见的单位根检验方法包括相同单位根检验的LLC检验、Breitung检验和不同单位根检验的IPS检验、ADF-Fisher检验、PP-Fisher检验,两者的区别主要在于各截面序列的单位根是否相同[6-7]。因为各个医疗众筹项目的筹资天数存在差异,即研究数据集为非平衡面板数据,所以选用了Breitung、ADF-Fisher与PP-Fisher的截距和趋势项模型进行单位根检验。如表2所示,5个变量均通过了单位根检验。

表2 单位根检验结果

2.协整检验

单位根检验确定同阶平稳后,为探究变量间是否存在长期稳定关系,因而进行协整检验。常见的协整检验包括Pedroni检验、Kao检验和Fisher检验,前两者建立在Engle and Granger二步法检验基础上,后者建立在Johansen协整检验基础上。由于截面个数N大于时期T,不适合使用结构突变型的协整检验方法,因而选用基于残差的协整检验方法。如表3和表4所示,检验结果显示变量之间存在长期均衡关系。

表3 时变变量Pedroni检验结果

表4 时变变量Kao检验结果

3.模型的选择与构建

经检验,研究数据集各变量具备平稳且存在长期稳定关系,可利用面板数据构建相关模型,筹资增加额与项目进展信息为基准模型(1),该模型变量均为时变变量,如表5和表6所示,通过F检验和Hausman检验[8]选择固定效应模型,如式(1)所示。

表5 F检验结果

表6 Hausman检验结果

(1)

模型(2)和模型(3)在模型(1)的基础上逐步加入项目特征信息及人口统计学信息等非时变变量,选用混合效应模型,如式(2)、(3)所示。

(2)

(3)

三组模型的截面样本N大于时期T,所以使用截面加权的方法去解决模型估计中可能存在的异方差问题。此外,为处理误差项序列相关、同步相关及异方差问题,使用面板校正标准误PCSE方法估计参数[9]。模型回归结果如表7所示。

表7 计量模型回归结果

讨 论

三个模型结果显示社交关系强弱显著影响筹资效果,通过微信一起捐进行的筹资效果远好于其他途径,一起捐由微信某个好友发起,通过微信朋友圈转发或是转发给其他好友进行传播,号召力更强。目前存在诈捐及骗捐现象使得公众对于医疗众筹产生认同危机[10],而网站或是微信公众号这一陌生人之间的捐助属于弱社会网络关系,极易受到负面信息影响,但通过微信一起捐,因为有熟人这一强关系使得其他潜在捐助者更愿意信任和参与。此外,好友号召也可能间接产生社会压力,所以总体上看一起捐筹资效果更好。

筹资率对每日筹资增加额产生较强正向影响,羊群效应明显,潜在捐助者会模仿他人行为,为降低风险倾向捐助受到较多资助的众筹项目,潜在模仿与从众心理也能让捐助者感受到归属感,因而筹资效果明显。医疗众筹项目发布到众筹平台上并不能一劳永逸,需要借助网络进行广泛传播才能募集到资金,利用腾讯公益官方微信公众号能够极大增强项目曝光率。另一方面,紧急页面是项目高质量信号的一种象征,使得捐助者了解到项目的紧急性、真实性及必要性。项目更新虽然与紧急页面相比作用较小,但对筹资效果仍产生一定正面影响。

受捐者年龄暂无法认定是否影响筹资效果,但个体效果比群体好。疾病类型和所在地区也影响显著:肿瘤类疾病相比于其他疾病能够筹集到更多资金;西部地区效果好于东部和中部,中部好于东部。肿瘤类疾病相较于其他类型疾病更为严重与急迫,利他主义表现得更为明显,筹资效果更好。发达地区资源会补充给欠发达地区,东部地区经济发展情况好于中部和西部,这可能是捐助者产生捐款地区倾向性的重要原因之一。一项针对公益众筹筹资空间配置的研究发现:资金存在跨省配置现象,呈现从东部流向中部和西部的阶梯式空间配置特征[11],本研究结果与之类似。

随着时间的推移,筹资呈现先增加后减少的趋势,即倒U型趋势,筹资目标及筹资周期呈现相似趋势。医疗众筹的开展让众筹项目被越来越多潜在捐助者关注到,时间推移使筹资增加额上升,但是腾讯公益作为全国规模最大的网络募捐平台,先前发布的项目可能会被新发布项目所覆盖,致使每日筹资额达到顶峰后开始下降,这也解释了周期过长产生的负面影响。筹资目标对效果显著影响,目标过小会使捐助者认为还未达到值得捐助的级别,过大会让捐助者怀疑资金需求必要性及筹资成功率,所以制定合理的筹资目标及周期至关重要。

模型(2)(3)暂无法验证捐助说明的字数和标题字数对筹资的影响,但第一人称叙述比第三人称好,积极图片效果好于消极图片。模型(3)显示图片数量产生了一定的正面效果。借助社交媒体的传播,医疗众筹项目大量涌现,项目介绍存在一定的同质化,所以更加要注重项目介绍质量[12],关注叙事及图片风格。

腾讯乐捐平台的医疗众筹项目可以在筹资过程中先使用已筹集到的善款,存在较大灵活性,在募捐结束后筹集到的所有善款都将捐赠给患者。虽然项目筹资结束后未达到100%成功,但对求助者而言每笔善款都极为重要,所以研究众筹筹资效果是具有价值的。本研究局限在于只选用了腾讯公益一个平台作为研究对象,之后的研究可以考虑纳入其他知名众筹平台,拓宽研究适用性。

猜你喜欢
单位根筹资众筹
众筹
义卖书法 筹资助学
STAR模型下退势单位根检验统计量的比较
新闻众筹初探
基于MCMC算法的贝叶斯面板单位根检验
定增相当于股权众筹
试水“众筹+新三板”
ESTAR模型的单位根检验统计量及其功效比较
多管齐下筹资 齐心协力助学
筹资百万救助贫困学生