讲座回顾
2025年11月24日上午八点半，“厦门大学会计学科教师与研究生系列Seminar”之一百七十五期在嘉庚二201教室如期举办。在会计学系张国清教授的主持下，英国纽卡斯尔大学助理教授Jiayuan (Doris) Xin报告了其研究成果《What Makes Successful Equity Crowdfunding Campaigns? A Machine Learning Analysis of Information Cues》。会计学系教师及硕士、博士研究生参加了此次讲座。
Xin教授首先从股权众筹在全球及中国市场的快速发展切入，阐述了研究背景与动机。作为一种新兴融资方式，股权众筹允许初创企业通过在线平台向公众募集资金，但成功率普遍较低。现有研究多聚焦于单一信息维度（如文本或数值），缺乏对多类信息线索诊断性的系统分析。为此，本研究创新性地整合信号理论与信息线索理论，探讨不同类型信息（定量、叙事、视觉）在预测股权众筹成功中的相对重要性。
研究以中国Dreammove平台2014年至2019年间144个众筹活动为样本，应用五种机器学习模型（包括随机森林、支持向量机等）进行预测，并结合SHAP（Shapley Additive exPlanations）可解释性方法解析关键因素。结果表明，定量信息线索（如团队规模、融资目标）对众筹成功的预测力最强；叙事线索（如项目描述的简洁性与可读性）也具有诊断价值，但作用较弱；视觉线索（如图像清晰度、年轻化元素）的预测能力有限。具体而言，较大的创业团队、较高的融资目标、简洁易懂的叙事描述以及适度年轻的视觉形象，更易吸引投资者关注。
在实证分析部分，Xin教授通过丰富的图表和数据对比，展示了不同信息线索的SHAP值分布，直观揭示了各因素对预测结果的贡献度。进一步稳健性检验排除了平台特定规则、行业差异等混淆变量，证实了结论的可靠性。本研究不仅突破了传统单维分析局限，还为创业者和投资者提供了实践指导：在众筹活动中应优先优化定量与叙事信息，视觉元素需服务于整体信息一致性。
以往股权众筹研究多聚焦单一信息维度，本次研究创新性地融合信号理论与信息线索理论，探讨不同信息类型对融资成功的预测价值。研究选取中国聚募众筹（Dreammove）平台 2014-2019 年的 144 个项目为样本，通过 5 种机器学习模型分析发现：相较于传统单一变量分析，多维度信息线索的整合能更精准地解释股权众筹的成功逻辑，弥补了现有研究的视角局限。
讲座最后，Xin教授与现场师生进行了深入交流。讨论话题包括机器学习模型在金融研究中的适用性、SHAP方法在行为财务中的拓展应用，以及如何将研究发现应用于中国新兴众筹市场的政策设计。现场互动热烈，本次Seminar在掌声中圆满结束。