胡 森 ,丁 龍 ,胡 斌 ,肖嬌妍

(1.南京信息工程大學 管理工程學院,南京 210044;2.華中科技大學 管理學院,武漢 430074)

近年來,醫(yī)療眾籌已經(jīng)成為籌集治病費用的重要渠道,作為國家醫(yī)療保障體系的補充,產(chǎn)生了很大作用。2019年7 月,輕松籌宣布總籌款金額達到360億元,而Bassani等[1]則估計截止2017 年10月,13 633個醫(yī)療眾籌項目已經(jīng)籌集了1.32 億美元。但“羅爾事件”等網(wǎng)絡詐騙事件讓醫(yī)療眾籌遭到了巨大沖擊[2]。羅爾事件的起止時間分別為2016-11-25和2016-12-01,以《羅一笑,你給我站住》一文發(fā)布開始,羅爾等宣布退還公眾資助結束。為展現(xiàn)“羅爾事件”對醫(yī)療眾籌的影響,本文對微公益醫(yī)療眾籌項目按月度進行數(shù)據(jù)匯總,計算出2013年1月至2020年12月(共計96個月)月度捐款人數(shù)、月度項目數(shù)和月度籌款額。如圖1所示,3項月度數(shù)據(jù)總體呈波動變化趨勢。但在羅爾事件發(fā)生后的兩三年中(圖1(a):2016-12～2018-10,圖1(b):2016-12～2019-06,圖1(c):2016-12～2018-11),月度捐款人數(shù)、月度項目數(shù)和月度籌款額顯著處于低谷水平,直至2019年左右才開始恢復。數(shù)據(jù)進一步證實了羅爾事件給醫(yī)療眾籌帶來的沖擊。圖1中,項目及其籌款額所屬月份按項目結束時間匯總。

圖1 微公益平臺用戶參與程度演變

回顧羅爾事件,2016年11月25日至11月30日,羅爾通過隱瞞關鍵信息的方式誤導網(wǎng)民[3],引起網(wǎng)民的普遍關注,使得相關信息在社交網(wǎng)絡上迅速擴散,截至30日凌晨1:20,捐贈總額已超過200萬元;11月30日至12月1日,隨著真相披露,負面口碑迅速地在網(wǎng)絡傳播,羅爾等宣布退還網(wǎng)友資助[4]?？梢?負面口碑傳播對羅爾事件的轉折起著決定性的作用。與此同時,羅爾事件主要是通過誤導等方式歪曲了網(wǎng)民的理解,偏離了對事實的解讀[5],而非完全虛假。眾多普通醫(yī)療眾籌項目可以通過略微夸大經(jīng)濟困難或病情來達到類似的效果,即通過降低項目真實性,使消費者更易被打動(即消費者易感性提升)。因此,本文使用偏中性的“炒作行為”來形容類似行為。

綜上所述,考慮到醫(yī)療眾籌的意義以及“負面口碑傳播→羅爾事件(炒作行為)→醫(yī)療眾籌”這一影響鏈,從負面口碑傳播視角構建相應的創(chuàng)新擴散仿真模型,用以研究炒作行為的影響。

創(chuàng)新擴散研究早期主要側重宏觀層面,如Bass模型[6]。之后,由于宏觀模型不能很好地解釋清楚微觀機制,創(chuàng)新擴散的研究逐漸被引入微觀層面。而多主體建模由于能夠很好地連接微觀機制和宏觀現(xiàn)象,被廣泛應用于創(chuàng)新擴散的研究。一些研究針對不同的市場場景進行分析,如考慮市場上存在多品牌、多代際產(chǎn)品[7-8],討論不同社交網(wǎng)絡上(如Twitter和Digg)的異常信息擴散[9]等;另一些研究考慮不同的傳播策略對創(chuàng)新擴散的影響,如對比隨機策略、目標策略和路徑策略[10],對比反應過程策略和接觸過程策略[11];還有一些研究則從復雜網(wǎng)絡視角展開分析,如考慮網(wǎng)絡節(jié)點的異質影響力[12]以及網(wǎng)絡結構[13]。而Liu等[14]則利用多主體模型研究了醫(yī)療眾籌項目擴散過程中的求助方式。

負面口碑傳播是創(chuàng)新擴散研究的重要內容,但目前這方面研究相對較少。黃敏學等[15]分析了社交關系如何影響負面口碑的感知和發(fā)起。蔡淑琴等[16]研究了負面口碑的識別方法。Goldenberg等[17]建模描述了消費者如何綜合正面口碑和負面口碑,形成自己的觀點,并建立仿真模型研究了負面口碑的擴散問題。Shi等[18]發(fā)現(xiàn),信息平臺不僅促進信息傳播,也會促進負面口碑的傳播,因此,對于節(jié)能技術的發(fā)展而言,信息平臺是一把雙刃劍。但是,現(xiàn)有涉及負面口碑的擴散模型中[17-18],忽略了個體先驗印象的影響,這一影響對于個體社會學習行為起著重要作用[19-21]。個體消費者的學習過程并非只是簡單地綜合每個人的信息,錯誤的演示能夠有效減少信息累積的有效性[20],所以賣家通過操縱學習過程,可以有效地改變消費者購買行為[19]。

近幾年,國內外對醫(yī)療眾籌的研究也日益豐富。研究眾籌項目捐贈績效的決定因素是相關實證研究的熱點話題,如群體參與[22]、社會資本[22-23]以及平臺開放性[24]等。除此之外,也有一些研究利用實證方法從傳播學[5]、法學[25]等視角分析了“羅爾事件”的影響。這些文獻比較重視羅爾事件對社會輿情產(chǎn)生了怎樣的影響[3]及其影響機制[5]。

綜上可知,本文的研究具有如下兩個創(chuàng)新點:①現(xiàn)有的針對負面口碑傳播的研究沒有考慮先驗印象的影響[17-18],而本文模型則借助貝葉斯學習機制,將先驗印象的作用體現(xiàn)出來。由表1可見,先驗印象對于醫(yī)療眾籌中的信息擴散有著較大的影響。②現(xiàn)有研究主要利用實證方法探討醫(yī)療眾籌項目炒作行為(如羅爾事件)的影響,側重從傳播學或社會學等學科視角進行研究,而本文則著重從創(chuàng)新擴散過程入手,找出遏制醫(yī)療眾籌項目炒作行為的路徑。

1 醫(yī)療眾籌中資助者行為仿真模型

醫(yī)療眾籌信息在社交網(wǎng)絡中擴散,社交網(wǎng)絡包含N=1 001個網(wǎng)民。網(wǎng)民可能有兩種身份。一類是求助者,是信息的發(fā)起源。根據(jù)中國慈善法規(guī)定,個人只能通過有資質的基金組織發(fā)起醫(yī)療眾籌項目,然后在微公益、輕松籌等平臺上發(fā)起相應的項目頁面并在社交網(wǎng)絡上發(fā)布。因此,本文中的求助者可以是罹患難以負擔疾病的個人及其親友,也可以是具有資質的基金組織及其員工。另一類是捐助者,捐助者包括已經(jīng)捐贈轉發(fā)醫(yī)療眾籌項目的網(wǎng)民,也包括有潛在捐贈轉發(fā)意愿的網(wǎng)民。即便最終因為擔心項目真實性較差而拒絕捐款或轉發(fā)的網(wǎng)民,在最初也是有捐贈意愿的,這類網(wǎng)民也屬于潛在捐助者的范疇。接下來分別介紹社交網(wǎng)絡結構模型和捐贈者行為模型。

1.1 社交網(wǎng)絡結構建模

求助者和捐贈者構成的社交網(wǎng)絡具有一定的結構,本文涉及的社交網(wǎng)絡結構包括一個真實的臉書用戶網(wǎng)絡和3種理論網(wǎng)絡,即規(guī)則網(wǎng)絡、小世界網(wǎng)絡和無標度網(wǎng)絡。為避免文字冗余,下文中使用英文縮寫表示具體網(wǎng)絡:臉書用戶網(wǎng)絡-FB,規(guī)則網(wǎng)絡-RG,小世界網(wǎng)絡-SW,無標度網(wǎng)絡-BA。

FB網(wǎng)絡對文獻[26]中的臉書用戶網(wǎng)絡進行抽樣,按如下方法抽取了一個包含1 001個節(jié)點的連通網(wǎng)絡:隨機選取一個點作為初始網(wǎng)絡,接下來依次隨機加入一個與網(wǎng)絡連接的點,直至網(wǎng)絡規(guī)模達到1 001,重復進行100 次抽樣,抽樣網(wǎng)絡平均度的期望值為7.92。RG 網(wǎng)絡中,網(wǎng)民圍成一個圓環(huán),每一個網(wǎng)民以概率m-[m]與前后[m]+1個鄰居構建連邊,以概率1-m+[m]與前后[m]個鄰居構建連邊,這里[m]表示不大于m的最大整數(shù)。在本文構建的規(guī)則網(wǎng)絡中,對每一條連邊以概率0.2斷開并隨機重連,則構成本文所涉及的小世界網(wǎng)絡[27]。無標度網(wǎng)絡則根據(jù)網(wǎng)絡增長和優(yōu)勢鏈接兩個機制生成[28],新加入的節(jié)點按照優(yōu)勢鏈接法則,以概率m-[m]鏈接[m]+1個已有節(jié)點,以概率1-m+[m]鏈接[m]個已有節(jié)點。本文3種理論網(wǎng)絡的平均度的期望值約為2m,為了能夠比較擴散過程在不同網(wǎng)絡中的差異,下文中如果不做特殊說明,則m=7.92/2=3.96。

1.2 捐贈者行為建模

步驟1初始時刻(t=0)時,某個求助者創(chuàng)建了醫(yī)療眾籌項目,N i個初始轉發(fā)者在社交網(wǎng)絡中轉發(fā)了項目信息,初始轉發(fā)者包括求助者本人、求助者的親友以及承接醫(yī)療眾籌項目的基金。假設B是一個潛在捐贈者,初始時他對醫(yī)療眾籌有一個總體認識。由于醫(yī)療眾籌項目的真實性是捐贈者最關心的因素[29],故假設B對醫(yī)療眾籌的認知是關于真實性的。假設一個項目的真實性為θ(θ≤1),則網(wǎng)民在轉發(fā)捐贈該項目后,持正面態(tài)度的概率為θ,持負面態(tài)度的概率為1-θ。但是B無法準確知道項目真實性,而是基于輿論,認為項目真實性θ的先驗分布服從貝塔分布Be(x,y)。很多研究在分析消費者效用時,通常假定消費者屬性服從標準均勻分布[30]。因此,本文中如不做特殊說明,項目真實性θ的先驗分布亦為標準均勻分布,即x=y=1。

步驟2在時刻t>0,消費者B首先會根據(jù)以往對醫(yī)療眾籌的認知(即θ的先驗分布)和鄰居節(jié)點在時刻t-1 結束時的狀態(tài),采用貝葉斯學習機制[31-32]更新對項目的看法。具體而言,在時刻t剛開始時,B獲知所有鄰點在t-1時刻結束時的狀態(tài),發(fā)現(xiàn)有dp,B個鄰居對該項目持正面態(tài)度,dn,B個鄰居持負面態(tài)度。B根據(jù)鄰居態(tài)度更新對項目的認知,認為θ的分布變?yōu)锽e(dp,B+x,dn,B+y),期望值如下式所示(證明過程見附錄):

式中,χ為鄰居節(jié)點中接受該項目的人數(shù)比例,表現(xiàn)為同儕效應[33]。具體實現(xiàn)過程如下:利用Matlab自帶的函數(shù)生成一個0～1均勻分布隨機數(shù)a。若a∈(0,pa),則B接受項目,并立刻轉發(fā)項目信息且對項目進行捐贈。為方便分析,本模型假設所有個體的捐贈額相同,故接受項目的人數(shù)與總捐贈額成正比。若a∈[pa,pa+pr],則B拒絕項目;若a∈[pa+pr,1],則B持續(xù)觀望。當B持續(xù)觀望時,其后續(xù)可以轉化為接受或拒絕項目;當B接受(拒絕)項目后,就不會再持續(xù)觀望或拒絕(接受)項目。

最后,B產(chǎn)生對項目的態(tài)度。若B處于持續(xù)觀望狀態(tài),則對項目持中立態(tài)度;若B處于拒絕狀態(tài),則對項目持負面態(tài)度;若B處于接受狀態(tài),則其在捐贈轉發(fā)項目后,持正面態(tài)度的概率為θ,持負面態(tài)度的概率為1-θ。一旦B對項目產(chǎn)生明確的正面或負面態(tài)度,B對項目的態(tài)度就不會再改變。

步驟2中,潛在捐贈者狀態(tài)和態(tài)度變化過程如圖2所示。

圖2 潛在捐贈者狀態(tài)變化過程

步驟3進入時刻t+1,重復步驟2,直到式(1)社交網(wǎng)絡上每位成員對項目的態(tài)度持續(xù)10個時刻不再變化,或者式(2)每位成員都接受或拒絕項目。下文如果不做說明,本文所呈現(xiàn)的結果均為相同參數(shù)下重復50次仿真模型后得出的結果均值。

2 模型驗證

本章將通過比較相同狀態(tài)下的Bass模型結果和仿真模型結果來驗證仿真模型的合理性。Bass模型有如下公式:

式中:N為所有個體總量;Na(t)表示t時刻接受項目的人數(shù);α為創(chuàng)新系數(shù),即未接受該項目的人受大眾傳媒(外部)影響而接受該項目的可能性;β為模仿系數(shù),即未接受該項目的人受口碑影響而接受該項目的可能性。在Bass模型中,α(N-Na(t-1))為大眾媒體效應,β(N-Na(t-1))Na(t-1)/N為口碑傳播效應?？紤]到醫(yī)療眾籌主要是通過社交媒體擴散,對應于口碑傳播效應,因此,本文忽略大眾媒體效應[14],即令α=0。此時,Bass模型簡化為

接下來,按照Bass模型對仿真模型的參數(shù)進行設置。如果在相同情況下,仿真模型能再現(xiàn)Bass模型的結果,則可以驗證本文仿真模型的合理性。具體設置如下:①Bass擴散模型中,所有個體之間都可以相互影響,相當于社交網(wǎng)絡是一個完全圖。令社交網(wǎng)絡為規(guī)則網(wǎng)絡,且N=1 001,m=500時,此時社交網(wǎng)絡變?yōu)橥耆珗D。②基本的Bass擴散模型并未考慮負面口碑的傳播,因此,令θ=1,以保證仿真模型中不會出現(xiàn)負面口碑。③根據(jù)式(1),令x=1,y=0,以使仿真模型不會出現(xiàn)項目拒絕者,與Bass模型保持一致。④本文仿真模型存在一個問題,當N i過小時,由于先驗印象的原因,會導致擴散失敗(除了初始求助者外,沒有新的項目接受者),經(jīng)過10 000次重復試驗,發(fā)現(xiàn)令N i=10,即便在θ=0.1,β=0.2時,也不會導致擴散失敗,故令N i=10。

根據(jù)上述參數(shù)設置,本文比較了仿真模型和Bass模型中擴散過程,如圖3所示。

圖3 仿真模型與Bass模型擴散過程比較

圖3中橫軸為迭代時間,縱軸為項目接受者數(shù)量。仿真模型與Bass模型相比,兩者擴散過程大體一致。為節(jié)約版面,僅列出β=0.2 時的情況,β=0.4,0.6,0.8時的比較圖見線上補充材料第1 部分1)百度網(wǎng)盤鏈接: https://pan.baidu.com/s/18XPII32IiXoPxJ31ac-RQA,提取碼為7hvd。。利用下式[34]計算仿真模型和Bass模型中擴散過程的速度(結果見表1):

表1 仿真模型和Bass模型擴散速度

式中:T=100;na,t表示t時刻仿真模型中項目接受者的數(shù)量。

表1的計算結果也表明,本文構建的仿真模型在相同情況下可以再現(xiàn)Bass模型的擴散過程。這表明,仿真模型中關于擴散過程的建模是合理的。相比于Bass模型,本文的仿真模型通過調整參數(shù),可以進一步分析擴散過程如何隨網(wǎng)絡結構、消費者先驗印象而變化。

3 關鍵因素對擴散過程的影響分析

本章主要分析網(wǎng)絡結構、項目真實性和易感性3個關鍵因素對擴散過程的影響,分析結果如圖4所示。相關參數(shù)為:N=1 001,N i=10。

圖4呈現(xiàn)如下現(xiàn)象:

圖4 不同網(wǎng)絡結構下擴散過程比較

(1)FB、BA 和SW 網(wǎng)絡中的擴散速度快于RG網(wǎng)絡。當網(wǎng)絡密度相同時,由于RG 網(wǎng)絡的直徑較長,項目信息從一個點傳播至整個網(wǎng)絡所經(jīng)過的路徑比其他3個網(wǎng)絡長,故RG 網(wǎng)絡中的擴散速度比較慢;β越大,個體接受項目的可能性越高,因此,擴散速度越快。這與以往研究類似[33]。

(2)FB網(wǎng)絡的擴散速度比BA 和SW 網(wǎng)絡略慢。其緣由是,在FB網(wǎng)絡中存在大量的節(jié)點只有1個連邊,部分位于網(wǎng)絡邊緣的節(jié)點接觸信息的概率更小;而在BA 和SW 網(wǎng)絡中,除極個別邊節(jié)點擁有大量的連邊外,大部分節(jié)點約有2m個連邊,因此,更有可能接觸到信息。

(3)θ的增加會導致項目接受者的數(shù)量增加,但是沒有顯著影響擴散達到平衡狀態(tài)的時間。θ越高,則項目接受者持積極態(tài)度的概率越高,故而網(wǎng)絡中的負面口碑越少,處于觀望態(tài)度的個體更傾向于接受該項目。

4 項目炒作行為

4.1 炒作行為影響建模與分析

首先需要建模度量炒作行為影響。在模型I(基本模型)中,假設項目籌款人沒有炒作行為,項目真實性和易感性分別為θ和β。在模型II(炒作模型)中,項目籌款人在編寫醫(yī)療眾籌項目信息時(即在項目信息開始擴散前,時刻t=0時)采取了炒作行為,降低了項目真實性從而提升易感性,因此,模型II中的項目真實性和消費者易感性分別變?yōu)棣?0.1和β+0.1,模型II的其他參數(shù)與模型I保持一致。分別記作模型II和模型I中時刻t時的項目接受者數(shù)量,則為采取炒作行為所引起的項目接受者數(shù)量在時刻t的變化程度。由于本文假設項目接受者的捐贈額相同,故項目接受者數(shù)量正比于籌款額,因此,如果Δna,t>0,則炒作行為在時刻t會提高籌款人收益;反之,如果Δna,t<0,則炒作行為在時刻t會減少籌款人收益。換言之,Δna,t可視為炒作行為在時刻t的影響。圖5所示為不同網(wǎng)絡結構以及θ和β下,炒作影響Δna,t隨步時的變化情況。

圖5 不同參數(shù)與網(wǎng)絡結構下項目炒作行為收益比較

通過對比觀察可以發(fā)現(xiàn),炒作行為具有一些共性的作用。

(1) 短期效應。首先,在FB、BA 和SW 網(wǎng)絡中,炒作收益隨步時而增加,達到峰值(大于0)后開始逐漸降低。這意味著通過炒作行為,求助者可以短期內獲得更高的收益,這對于急需資金做手術的求助人可能有著很強的吸引力。其次,β會影響炒作收益的峰值時間和炒作收益峰值(下文稱為炒作短期收益)。當β=0.2時(對應圖5(a)、5(b)),峰值時間在50左右;當β=0.8時(對應圖5(c)～5(d)),峰值時間在15左右。這說明,β的增加會引起峰值時間的減少。分別對比圖5(a)、5(c)以及圖5(b)和圖5(d),可以發(fā)現(xiàn),圖5(c)～圖5(d)中的炒作短期收益比圖5(a)和圖5(b)小。這表明,β的增加會導致炒作短期收益的減少。最后,由于圖5(b)和圖5(d)中的炒作短期收益分別高于圖5(a)和圖5(c),這表明,θ的增加會增加炒作短期收益。

(2) 長期效應。本文稱Δna,100為炒作長期收益,即最終時的炒作收益。首先,由圖5(a)～圖5(d)可以發(fā)現(xiàn),SW 和BA 網(wǎng)絡中的炒作長期收益均為負,FB網(wǎng)絡中的炒作長期收益除在圖5(a)中為正外,在圖5(b)～圖5(d)中均為負。這表明,炒作長期收益有很大概率為負值。其次,相比于圖5(a)和圖5(b),圖5(c)～圖5(d)中的炒作長期收益總體上是減少的。這表明,β的增加會導致炒作長期收益的減少。最后,相比于圖5(a)和圖5(c),圖5(b)和圖5(d)中的炒作長期收益在FB 網(wǎng)絡中有顯著的降低/增加,而在BA 和SW 網(wǎng)絡中則變化不顯著。

(3) 在RG 網(wǎng)絡中不存在顯著的短期效應和長期效應,炒作行為收益始終接近于0。

因此,下節(jié)進行穩(wěn)健性分析時,不再考慮RG網(wǎng)絡。

短期效應為正而長期效應為負的一個潛在原因可能是傳播過程的特點。項目接受者數(shù)量在初期增長迅速,此時易感性對快速傳播起著關鍵作用,因此,炒作短期效應為正;當市場大部分個體基本遍歷完后,最終項目接受者數(shù)量更多取決于項目真實性,因此,在大部分場合中炒作長期受益為負。

4.2 穩(wěn)健性分析

4.1節(jié)中的結論,有可能受參數(shù)取值的影響,因此,本節(jié)將驗證4.1節(jié)結論的穩(wěn)健性。在參數(shù)空間范圍內,令x、y、θ和β取不同的值,每個參數(shù)的取值范圍如表2所示。在樣本空間內,參數(shù)交叉組合,共計產(chǎn)生5×5×4×4=400個樣本模型,構建如下式所示的回歸模型,以檢驗不同參數(shù)對炒作長期收益和炒作短期收益的影響,

表2 參數(shù)空間與間隔

式中:θi、βi和m i分別為樣本模型i中的θ、β、x和y;Y i為樣本模型i所對應的目標值。當Y=Δna,100時,則回歸模型用于研究各種參數(shù)對長期效應的影響;當Y=max(Δna,t)時,則回歸模型用于分析各種參數(shù)對短期效應的影響。相關的分析結果如表3和表4所示。其中,表3對應于長期效應,表4對應于短期效應。

表3 各參數(shù)對長期效應的影響

表4 各參數(shù)對短期效應的影響

表3和表4驗證了4.1節(jié)中的長期效應和短期效應大體是穩(wěn)健的:θ正向影響炒作短期收益而負向影響炒作長期收益;β負向影響短期收益,但對炒作長期收益的影響因網(wǎng)絡結構不同而異,即在FB網(wǎng)絡中為負向影響,在SW 網(wǎng)絡中為正向影響,而在BA 網(wǎng)絡中影響不顯著。對比表3 和表4 可以發(fā)現(xiàn),先驗印象與項目真實性的作用類似,正向影響炒作短期收益而負向影響炒作長期收益,即個體對醫(yī)療眾籌先驗印象越好(x越高,y越低),炒作長期收益越低,而炒作短期收益越高。

4.3 敏感性分析

本節(jié)分析4.2節(jié)結論的敏感性。首先根據(jù)θ、β取值將樣本模型分為4 類,分別為:θ<0.5,θ>0.5;β<0.5,β>0.5,然后對每一類樣本模型進行式(6)所示的回歸分析,并將每一類樣本模型對應的回歸分析結果與表3和表4做比較。每一類模型的分析結果與表3和表4基本一致,故將4.3節(jié)的詳細分析結果列在線上補充材料B 部分中2)百度網(wǎng)盤鏈接: https://pan.baidu.com/s/18XPII32IiXoPxJ31ac-RQA,提取碼為7hvd。,本節(jié)僅在正文中列出不一致的部分。

(1) 當θ<0.5時,FB網(wǎng)絡中項目真實性θ對短期收益的影響不顯著。

(2) 對于FB網(wǎng)絡,僅當θ<0.5或β<0.5時,β對炒作長期收益的影響起負面作用,其他情況下,β對炒作長期收益的影響不顯著。對于SW 網(wǎng)絡,僅當θ<0.5時,β對炒作長期收益的影響起正面作用,其他情況下影響不顯著。

4.4 炒作行為仿真結果分析

(1)4.1～4.3節(jié)揭示了一個有趣的現(xiàn)象:炒作行為盡管可以帶來短期收益,但是從長遠來看,很有可能帶來負面收益。從機理上,采用炒作行為,短期內可以獲得更多的流量,從而有機會獲得更多的捐贈。因此,總是可以獲得正的短期收益。從長遠來看,炒作只是加快了擴散速度,由于降低了項目真實性,網(wǎng)絡會出現(xiàn)更多的負面口碑,從而導致更多的人成為項目拒絕者而非項目接受者。因此,炒作長期收益為負。從現(xiàn)實情況來看,羅爾事件也支持了這一模型結果,通過炒作,羅爾在初期獲得大量的收益(正的短期收益),但是隨著負面口碑發(fā)酵,羅爾不得不退回所有捐款,因為他評估如果不這樣做,會面臨更大的損失(負的長期收益)。

(2) 項目真實性和先驗印象對長期收益和短期收益具有相反的影響,即正向影響短期收益而負向影響長期收益。究其原因是項目真實性和先驗印象具有類似的作用,項目真實性越高或先驗印象越好,則個體在網(wǎng)絡中搜集到的正面口碑越多,負面口碑越少。因此,項目真實性越高或個體先驗印象越好時,炒作行為帶來的易感性增加可以在短期內吸引較多的項目接受者,從而求助人短期內能夠獲得更多的收益(正的短期收益)。從長期來看,項目真實性越高或先驗印象越好時,求助者本身獲得捐贈額也應該比較高,炒作行為帶來的項目真實性降低對項目最終收益的負面影響也就越大。

(3) 易感性越高,炒作短期收益越小。這一點比較直觀,由于炒作行為的主要作用是增加易感性促進項目信息在早期更快地在網(wǎng)絡上流通,故當易感性比較高時,炒作行為促進項目信息傳播的作用就越小,從而炒作短期收益越小。

(4) 對不同的網(wǎng)絡結構進行對比分析可以發(fā)現(xiàn),BA 網(wǎng)絡中θ和先驗印象對炒作長期收益的削弱作用、θ和先驗印象對炒作短期收益增強作用以及β對短期收益的削弱作用均強于FB 網(wǎng)絡。類似地,SW 網(wǎng)絡中先驗印象對長期收益的削弱作用、θ和先驗印象對炒作短期收益增強作用以及β對短期收益的削弱作用也強于FB 網(wǎng)絡。如上文所述,FB 網(wǎng)絡中存在大量的度為1的節(jié)點,而BA/SW 網(wǎng)絡中基本上所有節(jié)點的度都不會小于2m。這說明,增加邊緣節(jié)點的度有可能增強β對短期收益的削弱作用等,一個實現(xiàn)路徑是,鼓勵個體在不同的社交網(wǎng)絡中發(fā)布消息,以此來增加邊緣點的連接邊[35]。

5 結論

本文基于貝葉斯學習機制,建立仿真模型描述了網(wǎng)民如何基于現(xiàn)有對醫(yī)療眾籌的印象和正負面口碑,動態(tài)調整對某一具體項目的看法,并將這一過程融入現(xiàn)有的創(chuàng)新擴散模型中,探討了項目炒作行為帶來的影響。研究發(fā)現(xiàn):項目炒作行為總是能夠帶來短期收益,短期內增加籌款進度,但是未必能夠提高最終收益。只有當項目信息較難流通(即易感性很低)時,項目炒作才能提升最終收益。項目真實性θ和先驗印象會負向影響短期收益,但對長期收益具有正向影響;易感性β負向影響短期收益,但對炒作長期收益的影響因網(wǎng)絡結構不同而異。

本文的理論貢獻體現(xiàn)在如下兩個方面:

(1) 利用貝葉斯學習機制,建模描述了負面口碑對個體的影響機制。與之前的負面口碑擴散模型[17-18]相比,本文模型考慮了網(wǎng)民的醫(yī)療眾籌先驗印象對網(wǎng)民個體決策的影響。結果表明,先驗印象正向影響炒作短期收益,負向影響炒作長期收益。

(2) 現(xiàn)有關于醫(yī)療眾籌炒作行為(羅爾事件)的研究,主要基于傳播學等其他學科展開研究,分析醫(yī)療眾籌炒作行為流行的原因,如網(wǎng)絡自媒體的碎片化傳播形態(tài)等[5]。本文則從信息擴散視角,探討網(wǎng)絡結構、項目真實性、易感性等因素如何調節(jié)炒作行為的影響。

通過上述研究得出如下管理啟示:

對求助者而言,盡管通過炒作行為可能提升短期收益,但是炒作行為更有可能導致最終籌款額降低。從長期利益來看,炒作行為更有可能是不利的。

對醫(yī)療眾籌平臺而言,其總是希望能夠減少炒作行為。這首先就需要保障負面口碑信息有發(fā)布的空間,否則如果平臺上全是正面口碑,網(wǎng)民將難以識別炒作行為并拒絕該醫(yī)療眾籌項目,可以說,這是制約炒作行為的根本措施。其次,根據(jù)本文模擬結果,求助者如果關注炒作長期收益,則其應更有可能不選擇炒作行為,因此,平臺的主要調控重心應該是控制炒作短期收益。基于這一思路,醫(yī)療眾籌平臺應該想辦法提升個體易感性,這可以有效減少炒作短期收益。注意到,盡管降低先驗印象或項目真實性也可以減少炒作短期收益,但這與平臺發(fā)展的方向不相符,故而不予考慮。

本文所述模型的一個問題是沒有考慮醫(yī)療眾籌項目間的競爭對本文結論的影響。由于醫(yī)療眾籌項目捐贈是有成本的,個體短期內不會捐贈大量項目,在這一場景下,炒作行為可能會帶來額外的收益,故而項目間的競爭有可能改變本文的結論。接下來,本文將構建多項目擴散模型,分析項目間的競爭對本文研究話題的影響。

附錄

命題B認為項目真實性概率θ的先驗分布為Be(x,y),若B有dp,B個鄰居對該項目持正面態(tài)度,dn,B個鄰居對該項目持負面態(tài)度,則B關于θ的后驗分布為貝塔分布Be(dp,B +x,dn,B +y),θ的期望值為(dp,B +x)/(dp,B +dn,B +x+y)。

證明計事件A為dp,B個鄰居對該項目持正面態(tài)度,dn,B個鄰居對該項目持負面態(tài)度,則事件A的概率函數(shù)和θ的先驗密度分別為:

則θ的后驗分布為