MétaCan
Menu
Retour à la cohorte
Enregistrement W4403189047 · doi:10.3390/jrfm17100454

The Influence of Fixed and Flexible Funding Mechanisms on Reward-Based Crowdfunding Success

2024· article· en· W4403189047 sur OpenAlexvenueno aff
Lenny Phulong Mamaro, Athenia Bongani Sibindi

Notice bibliographique

RevueJournal of risk and financial management · 2024
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinTech, Crowdfunding, Digital Finance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBusinessInternet privacyComputer science

Résumé

récupéré en direct d'OpenAlex

This study examined whether fixed or flexible funding mechanisms influence crowdfunding success. Under the fixed funding mechanism, the pledges contributed to the crowdfunding campaign projects are returned to the backers if the project fails, whereas, under the flexible funding mechanism, the project creator can keep all the raised pledges, irrespective of whether the project succeeds or fails. Secondary data consisted of reward-based crowdfunding projects retrieved from The Crowd Data Centre. Logistic regression was employed to respond to research objectives. The results reveal that the fixed funding mechanism increases the probability of success more than flexible funding. Entrepreneur experience, spelling errors, and project description negatively affect crowdfunding success, and backers positively affect crowdfunding success. The findings guide entrepreneurs seeking financing to design and choose an appropriate funding mechanism that effectively reduces the failure rate. Although many entrepreneurs seek funding in the crowdfunding market, relatively little research has been conducted on the influence of flexible or fixed funding mechanisms on crowdfunding success in Africa. This study provides entrepreneurs with appropriate financing strategies that enhance crowdfunding success. The empirical literature indicates that the flexible funding mechanism creates distrust among backers due to unrealistic target amounts.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,576
Score d'incertitude au seuil0,733

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,010
Tête enseignante GPT0,223
Écart entre enseignants0,213 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetFinTech, Crowdfunding, Digital FinanceTravaux en français237 207