如何利用AI智能提高企业效率
人工智能已经引起各领域的深度关注，而且人工智能领域的深度学习、智能设计正在走进企业日常的运作当中，使得企业效率得以大幅提升。 前言2017年，在柯洁和埃尔法狗的围棋大战中，柯洁以0：3完败艾尔法狗，这一度将人们对人工智能的认知推到了一定的高度。近年来，人工智能技术发展越来越快，已经与教育、医疗、交通等领域密切结合，可以说无处不在。
现在很多企业已经意识到人工智能不再仅仅是个风口，而是可以运用的先进武器，很多企业运用人工智能来发展其相关的产品、服务和工具，必定是行业的佼佼者。那么，如何利用人工智能来提高企业效率呢？
[[411782]]
一、什么是人工智能人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人类的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能研究的一个主要目标就是使机器能够胜任一些通常需要人类智能才能完成的复杂工作，通俗来讲，就是对人的意识和思维信息过程的模拟，它不是人的智能，但它也可以像人类一样思考，甚至超过人的智能。
另一方面，我们把这个词拆解来看，人工和智能。人工，很好理解，就是传统意义上的人工系统；智能，涉及到自我、思维、意识等问题。人唯一了解的就是人本身的智能，但了解程度也是有限的，因此人工智能不但设计对人智能本身的研究，也包括对其他动物智能或是人造系统智能的研究。
二、人工智能的商业应用近年来，AI智能技术快速发展，很多企业将AI智能技术与商业相结合，见证了AI智能在商业应用中的优势，轻松实现不易达成的目标。AI智能现在已成为各行各业在竞争场上强而有力的武器。
1.预测分析和见解
AI智能可以更好地利用数据进行受众细分和定位，而这也正是销售人员的首要任务。AI智能可以帮助企业战胜数据混乱，确定最有利可图的营销渠道和行动。人工智能可以预测并应对不断变化的消费者行为；可以识别和获取“相似”的潜在客户，与理想的买家角色紧密匹配；还可以在企业的客户关系管理中为潜在客户打分，并提出满足销售数字的最佳措施。预测分析这种技术适用于中小型企业和大型企业。
2.对话式人工智能
在商业销售中，电话销售是其中关键的一个环节，但是这种传统的人工电话销售通常都有人员流动性大、培训成本高、大量重复性问题消耗人工客服的效率的问题。电话销售又是客户和企业之间的沟通桥梁，因此，提高客服效率，把握电话效率和质量是企业迫在眉睫的挑战。
随着AI智能技术的不断发展，很多渠道基本都已经开始了数字化转型，在营销工作中应用人工智能可以大大提高效率。比如，机器人客服，这是对人工客服的一种补充，是客户支持自动化的驱动力。营销本身就是为了建立良好的人际关系并引导有意义的对话，而机器人客服都可以胜任，从而将电话销售人员从重复枯燥、低价值的劳动中解放出来，使销售工作变得更具实在价值，帮助企业在不同阶段通过多种渠道与潜在客户进行互动。
比如，在旅游行业，机器人客服已经得到应用，可以为接下来的旅行提供路线建议和管理酒店预定。
3.提升获客效率
从获客角度来看，AI智能通过大数据技术，可以筛掉不符合画像的客户，精准筛选出符合预期的目标客户，对有购买欲望的客户转接到人工客服，在人工成本降低、工作效率提高的同时，企业的获客率和回报率也得到了提升。
企搜客，作为一款基于大数据和AI智能的销售线索挖掘平台，有着丰富的数据标签和机器学习算法，实现数据闭环，从而高智能荐客。从销售线索的挖掘、商机的触达、与企客宝客户关系管理系统对接时的客户管理到成单分析，实现全过程智能销售方案。
企业只需要关键字搜索，系统通过对全网在线企业信息的分析和挖掘，结合企业内部客户关系管理系统，利用机器人学习自动建立定量的客户模型，帮助企业准确挖掘全国数千万家公司的优质客户。帮助企业在销售端降低其销售成本，更大限度地提高销售效率。
[[411783]]
总结人工智能已经引起各领域的深度关注，而且人工智能领域的深度学习、智能设计正在走进企业日常的运作当中，使得企业效率得以大幅提升。只有充分了解自身所在的行业，并对人工智能这样的新技术关注利用，才能更好的为企业管理服务。
智能机器人技术应用，大大提高了人们的工作效率
随着技术的发展，智能服务正在融入群众的生活。智能机器人的应用，大大提高人们的工作效率，并减少投入的成本。
传感器检测是否有来宾，指纹识别模块可以用来签到，语音识别处理模块可以进行简单的日常提问进行识别并用相应的回答，触摸屏界面实现人机互动，可以实现查询地点位置、部门介绍等功能。
ESP32-S3搭载Xtensa®32位LX7双核处理器，主频高达240MHz，内置512KBSRAM(TCM)，具有45个可编程GPIO管脚和丰富的通信接口。
ESP32-S3MCU增加了用于加速神经网络计算和信号处理等工作的向量指令(vectorinstructions)。AI开发者们通过ESP-DSP和ESP-NN库使用这些向量指令，可以实现高性能的图像识别、语音唤醒和识别等应用。
当人体感应模块检测到有人接近时，语音系统可以播报出“欢迎光临”。当客户说出“指纹识别”指令时，MCU可以正常进入指纹识别程序，指纹识别程序分为指纹签到，指纹录入，指纹删除。
当客户说出“楼层娱乐查询”指令时，MCU进入楼层娱乐查询程序，并且当客户说出某楼层号时，即可查询到某楼层的娱乐设施的分布地图和价格明细，如果客户说的是房间号，则告诉客户房间号的位置。
当客户说出“帮助”指令时，可得到负责人的联系方式，如果在紧急情况下，客户可通过“紧急拨号功能”，第一时间获得帮助。
迎宾机器人可以实现迎宾、人机对话、指纹签到、签到汇总、进出人数统计、地点查询、部门介绍等接待客人的功能，给人们带来管理便利。
利用芯片实现对客户的语音的识别，把人机互动变得更加的有趣。在实际的应用中，需要在编程时，加入一些过滤词语，提高模块对词语的过滤能力。
ESP32-S3拥有45个可编程GPIO以及SPI、I2S、I2C、PWM、RMT、ADC、DAC、UART、SD/MMC主机控制器和TWAITM控制器等常用外设接口。
其中的14个GPIO可被配置为HMI交互的电容触摸输入端。此外，ESP32-S3搭载了超低功耗协处理器(ULP)，支持多种低功耗模式，广泛适用于各类低功耗应用场景。
ESP32-S3支持更大容量的高速OctalSPIflash和片外RAM，支持用户配置数据缓存与指令缓存。它还支持2MbpsPHY，用于提高传输速度和数据吞吐量。
ESP32-S3集成2.4GHzWi-Fi(802.11b/g/n)，支持40MHz带宽；其低功耗蓝牙子系统支持Bluetooth5(LE)和BluetoothMesh，可通过CodedPHY与广播扩展实现远距离通信。
当有客人过来拜访，前台迎宾机器人检测到人体，触出CPU电路发出“欢迎光临”的迎宾声音，迎宾机器人采集客人的指纹以便下次签到使用。
如果是已采集指纹的客人则可以进行指纹识别签到，若是客人对主办部门的情况不是很了解，则可以进行语音提问或者在人机界面查询。根据客户的语音指令或者在触摸屏上做选择，MCU进入不同的程序处理。审核编辑：符乾江
人工智能时代需要怎样的教师
“我的工作会被机器人取代吗？”人工智能的迅猛发展，让越来越多的人开始担心自己的“饭碗”。而随着人工智能进军教育领域，许多教师也开始忧虑起来：“机器人会让我失业吗？”
实际上，这种担心并非空穴来风。2016年5月，美国佐治亚理工学院计算机科学教授艾休克·戈尔，在自己的网络课程中，将一款聊天机器人安排为自己的助教。这一聊天机器人在后台回答问题的功能非常强大，学生们根本没有注意到自己的聊天对象是机器人。人工智能会取代教师吗？
教师被人工智能替代的几率为0.4%
“如果你的工作包含以下三类要求，那么你被机器人取代的可能性非常小：社交能力、协商能力以及人情练达的艺术；同情心以及对他人真心实意的扶助和关切；创意和审美。”北京师范大学教育学部副部长余胜泉说，“反之，如果你的工作符合以下特征，那么被机器人取代的可能性就非常大：无需天赋，经由训练即可掌握的技能；大量的重复性劳动，每天上班无需过脑，但手熟尔；工作空间狭小，坐在格子间里，不闻天下事。”
余胜泉告诉记者，英国广播公司（BBC）基于剑桥大学研究者的数据体系，分析了365种职业未来的“被淘汰概率”。其中，电话推销员、打字员、银行职员等职业，分别以99.0%、98.5%、96.8%概率，被列为可被人工智能取代的职业；而艺术家、心理医生、教师等职业，分别以3.8%、0.7%、0.4%的概率，被列为最不可能被人工智能取代的职业。
“BBC分析认为，教师被机器人替代的概率只有0.4%，但英国教育专家AnthonySeldon则预测现在离人类教师消失只剩下3000天。孰是孰非呢？”《华东师范大学学报（教育科学版）》主编杨九诠说，“我想不可能有也不应该有肯定的答案。但值得注意的是，此‘教师’已非彼‘教师’。在未来新的社会样态、教育样态、知识样态和学习样态中，教师的思想观念、心智结构、生活方式和角色意识等，以及教师与社会、组织、学生、同行的关系，都可能发生颠覆性的全新变化。”
“传道、授业、解惑，是教师的主要职责。随着人工智能的出现，智能机器人可以代替教师传授知识、解疑答难、展示方法、考试阅卷，但在‘传道’这一块是替代不了的。”新疆呼图壁县教科局局长朱新宇说。
“目前的智能教学系统还是对优秀教师的模拟，建立教师模型、学生模型、教学法模型和交互模型等。所以说，人工智能远远谈不上对教师、特别是优秀教师的直接威胁。我们可以将人类智慧编码输入电脑，但不可能将电脑芯片植入一个健康的大脑。”北京大学教育学院教育技术系教授贾积有说。
人工智能将是教师的得力助手
“人工智能不可能取代教师，而是要成为师生的强大助手，可大幅提升教与学的效率和效果，所以学校应积极拥抱人工智能。”科大讯飞轮值总裁吴晓如说。贾积有也表示，人工智能技术在教育领域的应用与传统教学方法相比具有比较显著的正面影响。
贾积有介绍，数据挖掘技术应用到教育上，可以实现教育决策和管理的民主化及科学化；学习分析技术可以帮助教育者更好地实施个性化和适应性教学活动，也可以帮助学习者更准确地认识自己，开展针对性学习，改进学习效果，提高学习效益；模式识别技术如情感识别等可以自动识别学生的情感状态，以便实施适应性教学；自然语言处理技术一方面可以作为辅助工具应用到语言教学上,促进学生听说读写译各个方面的发展，另一方面作为人机交互手段应用到智能教学系统上，实现自动答疑。
余胜泉也认为，人工智能在教育未来的许多方面，如自动出题与批阅、学习障碍诊断与及时反馈、问题解决能力测评、学生心理素质测评与改进、青少年体质健康实时监测、学生成长发展指导、智能学习伴侣、个性化智能教学、综合素质评价报告等方面，都可以承担起教师的角色。
“人工智能将引发现代教与学的革命，众多语音图像识别、可穿戴设备、虚拟现实成像技术渗入课堂，使得现行的教学媒介、师生评价反馈、深度学习等都发生改变，学生个性化、任务单式的学习，团队项目式的学习，多学科的统整融合实践等，都将在智能设备的支持下变得更便捷。”广东省深圳市南山区后海小学校长蒋和勇说。
“人要驾驭机器，而不能被机器奴役。”北京市第十八中学校长管杰表示，有了人工智能的辅助，教师可以腾出更多的时间和精力，创新教育内容、改革教学方法，让教育变得更好。教师就不再仅仅是知识的传授者，还是满足学生个性化需求的教学服务提供者、设计实施定制化学习方案的成长咨询顾问，成为学生学习的陪伴者、动力的激发者、情感的呵护者，真正成为学生“灵魂的工程师”。
不会使用人工智能的教师有可能被淘汰
“显然，未来的优秀教师将是那些善于使用人工智能的教师，教师要主动拥抱人工智能。”教育部基础教育课程教材发展中心主任田慧生说，“我们应该积极面对人工智能带来的挑战，同时提高自身的自主学习能力，培养创造力。创新思维的培养，就是要呵护学生的好奇心和求知欲，鼓励学生发现问题。”
“人工智能不能取代教师，但是使用人工智能的教师却能取代不使用人工智能的教师。”余胜泉说，未来的教育是人与人工智能协作的时代，充分发挥机器与人类不同的优势是提高教育生产力的关键，人工智能将会取代简单重复的脑力劳动，教师要发挥人类的创新、复杂决策、情感关怀激励等优势。
朱新宇认为，在人工智能时代，教师教学必须抓住3个核心：一是教授学生有价值的知识，同时培养学生探寻知识的兴趣、欲望和方法；二是培养学生良好的品行；三是启发学生寻找人生的价值和意义。
“最基础的教育，将不再需要教师；而‘更好教育’的需求以及市场选择中不同的支付渠道和交换方式，将大大提升教师的薪资水平和社会地位。”杨九诠认为，“教师将成为未来社会不同类型、不同规模的学习中心重要的共同规划者和运行者，从而成为社会与教育的协同创生力量；在工作性质和社会筛选的相互作用下，教师的道德水平将提升到新的境界，甚至可以想象，未来教师的薪资中将可能包含社会供养的成分。”
教育部教师工作司司长、北京外国语大学党委书记王定华说，教师要不断增长本领，善用人工智能，提高教学效果，扩展知识疆域，调动学生兴趣，不能对其漠然置之、不屑一顾。同时，教师也要体现主体地位，永做学校主人，关注学生成长。人不仅是学习知识的认知体，更是有血有肉的生命体。教师职业必将长期存在，人工智能则发挥必要辅助。
“面对信息技术和人工智能的日新月异，有关大学和中小学应加快教师发展信息化步伐，主动拥抱人工智能，进一步推动信息技术在教育教学、教育管理、教育服务过程中的应用，利用智能技术支撑人才培养模式的创新，支撑教学方法的改革，持续不断地造就一批又一批掌握信息技术、具有创新思维的教师。”王定华说。（本报记者苏令）
人工智能技术：如何提高生产效率和降低成本
人工智能技术已经成为了现代工业生产中不可或缺的一部分。人工智能技术的应用可以大大提高生产效率和降低成本，从而为企业带来更多的利润和竞争优势。本文将从以下几个方面探讨人工智能技术在生产中的应用。
一、智能制造
智能制造是人工智能技术在工业生产中的一种应用。通过智能制造，企业可以实现生产过程的自动化和智能化，从而提高生产效率和降低成本。智能制造可以通过机器人、自动化设备和传感器等技术实现生产过程的自动化和智能化，从而减少人力成本和生产周期，提高生产效率。
二、智能物流
智能物流是人工智能技术在物流领域的一种应用。通过智能物流，企业可以实现物流过程的自动化和智能化，从而提高物流效率和降低物流成本。智能物流可以通过物流机器人、智能仓储和智能配送等技术实现物流过程的自动化和智能化，从而减少人力成本和物流周期，提高物流效率。
三、智能质量控制
智能质量控制是人工智能技术在质量控制领域的一种应用。通过智能质量控制，企业可以实现质量控制过程的自动化和智能化，从而提高产品质量和降低质量成本。智能质量控制可以通过智能检测设备、智能质量分析和智能质量反馈等技术实现质量控制过程的自动化和智能化，从而减少人力成本和质量周期，提高产品质量。
人工智能技术在工业生产中的应用可以大大提高生产效率和降低成本，从而为企业带来更多的利润和竞争优势。企业应该积极采用人工智能技术，不断探索和创新，以适应市场的变化和发展。
本文来源：http://www.szchelong.com
【2019年研究生资助创新基金项目】★项目介绍及成果摘要★杨金娟：《人工智能可以有效提高股权众筹项目的投资效率吗——基于投资者信息感知视角的实证研究》
该项目负责人是深圳大学管理学院的杨金娟，项目成员是王雨鹏、孙慧莹。本项目主要内容包括：一、投资者对项目简介文本信息的感知对股权众筹的影响。学者已证实目标金额、已筹集金额、出让股份大小等易获取的结构性数据对众筹成功均有显著的影响。研究发现投资者在浏览众筹项目时首先关注摘要，如果对摘要不感兴趣，仔细阅读全文的可能性会很小。二、投资者对创业团队照片图像信息的感知对股权众筹的影响。天使投资人和风险投资人在进行投资决策时非常看重创业团队的相关特质。三、机器学习的信息感知对股权众筹的影响。人工智能与机器学习的发展给传统计量经济学带来不小的冲击，线性的机器学习模型对股权众筹结果的预测更为准确。
本项目的创新之处主要体现在以下三个方面：①基于信息不对称理论，从信号感知视角利用机器学习中的自然语言处理技术和人脸识别技术增强投资者对股权众筹项目披露的文本信息和图像信息的认知能力，补充了影响股权众筹成功的因素；
②将机器学习中的经典预测模型BP神经网络应用到对股权众筹项目成功率的预测中，通过与传统计量模型的对比，实证检验机器学习预测的科学性和准确性，为机器学习在金融领域的应用提供了一个很好的范例；③利用机器学习技术，通过新指标的选取和预测模型的完善，提高了投资者对股权众筹项目的甄别能力，进而提高了投资者的投资效率。
本项目经结项验收，符合结项要求。其最终成果为：
论文：人工智能可以有效提高股权众筹项目的投资效率吗？——基于投资者信息感知视角的实证
人工智能可以有效提高股权众筹项目的投资效率吗？——基于投资者信息感知视角的实证【摘要】人工智能通过降低投资者认知的有限性提高了投资者的信息感知能力进而提高其决策效率。以聚募网公布的145起股权众筹项目为研究对象，利用传统的回归模型和基于机器学习的神经网络模型来预测项目成功的概率。研究发现，将文本和图像信息加入评估模型中会有效提高投资者对股权众筹项目的投资效率；且BP神经网络模型的预测准确率高于传统的Probit模型。
【关键词】股权众筹；文本分析；图像识别；BP神经网络；随机森林一、引言
在互联网金融的时代浪潮下，股权众筹在我国经济转型的关键时期应运而生，尤其是在李克强总理提出“大众创业、万众创新”的口号后，创业企业的大量涌现推动了股权众筹的快速发展。股权众筹在解决我国小微创业企业融资问题和促进创新创业方面发挥着重要的作用。股权众筹平台的服务对象主要是尚未成型的创业企业或创意项目，投融资双方存在一定的信息不对称性，投资者无法获得众筹项目的所有信息，较高的风险和较大的不确定性增加了投资者项目选择的难度。参与众筹的投资者需要具备一定的信息判断和感知能力，股权众筹的参与者多数不是专业投资者，即使优质的众筹项目能发出信号，投资者也未能有效识别。因此，从信息感知视角研究投资者如何有效利用已有的信号做出科学的判断显得尤为重要。
基于信号理论，提高投资者的信息感知能力可以有效降低投融资双方的信息不对称性。信息感知是用户吸收和利用信息的开端，用户自身的认知经验、知识结构和信息存在的状态都会对用户的信息感知产生影响。投资者的信息感知能力同时受其获取信息的宽度和掌握信息的深度两方面的影响[1]。由于受数据获取与数据处理等技术问题的限制，在股权众筹的现有研究中，信息获取来源多集中于传统的数值型数据，对文本数据、图像数据和音频数据等新型载体所蕴含的信息则关注较少，减小了投资者获取信息的宽度；以往研究对数据的处理大都采用传统的计量模型，人为设定变量之间的关系为线性关系，在一定程度上限制了对信息的认知深度。随着大数据时代的到来，大量且多样化的信息对投资者的信息感知能力带来了前所未有的挑战，传统的数据获取和处理技术在大数据面前显得捉襟见肘。
人工智能通过其自然语言处理技术、图像识别和机器学习等技术为投资者信息感知能力的提高提供了强有力的技术支持。自然语言处理技术和图像识别技术能够发现非结构化数据的有趣特征并加以描述，从数据获取上拓宽了投资者获取信息的宽度。大数据背景下众多学科交叉融合，很多新兴领域借助大数据得到越来越多研究者的关注，机器学习就是其中的热门研究方向之一[2]。机器学习是实现人工智能的重要方法，着眼于数据挖掘与模型预测，对模型没有过多苛刻的假定。当数据样本量大、维度多、关系复杂时，机器学习在数据拟合及模型预测方面的优势就愈加明显，有效地提高了投资者处理信息的深度。因而越来越多的学者进入机器学习领域，让大数据分析更好的服务于学术研究和管理实践。本文从信息感知视角讨论人工智能如何通过提高投资者获取信息的宽度和掌握信息的深度来提高其在股权众筹项目中的投资效率。本文的贡献体现在三个方面：一是基于信号理论，从投资者信息感知的角度，探讨了项目简介和创业团队成员照片对股权众筹项目融资成功率的影响，补充了股权众筹项目融资成功与否的影响因素。二是利用人工智能中的自然语言处理技术和图像识别技术增强投资者对股权众筹项目披露的文本信息和图像信息的认知能力，拓宽了投资者信息获取的宽度；利用机器学习中的经典预测模型BP神经网络和随机森林算法对影响股权众筹项目成功与否的因素进行处理，加深了投资者信息分析的深度。三是利用人工智能进行变量选取和模型建立，通过与传统计量模型的对比，实证检验了人工智能在处理非常规数据和模型预测方面的优势，为人工智能在金融领域的应用提供了一个很好的范例。
第二部分为理论分析与假设，第三部分为研究设计，第四部分为实证分析，第五部分为结论。二、理论分析与假设
本文主要基于信号理论，探讨人工智能在股权众筹项目投资中是否会提高投资者对投资项目的信息感知能力，从而提高投资效率。在股权众筹中，投资者相较于筹资者而言，处于信息劣势，无法获得股权众筹项目的所有信息，投融资双方存在一定的信息不对称性。为解决经济生活中的信息不对称问题，信号理论应运而生[3]，信号理论主要包括信号传递和信甄别两大方面，信号传递（Signalingmodel）指信息优势方先行动，通过可观察的行为传递商品价值或质量的确切信息，信号甄别（Screeningmodel）则指信息劣势方先行动，主动对信息做出甄别。在股权众筹领域中，可以通过融资者主动的信息披露（信号传递）和投资者的信息感知（信号甄别）来有效降低投融资双方面对的信息不对称程度。
现有关于股权众筹信息不对称问题的研究，重点关注项目筹资者的主动信息披露行为对降低筹资者和投资者之间信息不对称性的影响，如Courtney等[4]基于信息经济学，提出创业者通过媒体渠道向投资者传递项目相关信息可以有效降低筹资者和投资者之间的信息不对称性，提高项目募资成功的概率；彭红枫和米雁翔[5]以京东东家私募股权融资平台的83个融资成功的项目验证了筹资者的信号传递在一定程度上降低了双方的信息不对称性，促进了股权众筹项目的成功。也有学者同时从筹资者和投资者的视角研究了双方释放的信号在降低信息不对称时的作用[6-7]。从投资者信息感知视角来研究如何降低筹资者和投资者之间信息不对称性的较少。在金融领域，很多学者利用投资者的认知能力来解释投融资双方面对的信息不对称性，从投资者有限关注的视角把投资者的认知能力当作一种有限资源来研究[8-10]，即投资者认知能力的有限性直接限制了投资者对项目信息的感知水平，进而影响了信号传递者所传递信息的有效性。人工智能的发展，在技术层面有效降低了有限认知对投资者信息感知能力的限制。因此，以人工智能技术为依托，从投资者信息感知视角来研究投融资双方的信息不对称问题可以突破传统认知能力的限制，提高投资者的决策效率。
图1信号传递理论在股权众筹市场上的应用模型
从图1可以看出，信号感知阶段是投资者做出投资决策前最重要的一个环节，主要包括获取数据并对相关数据做出处理。受限于传统的数据分析处理工具，以往投资者大多利用传统的计量经济模型对项目相关的数值型数据进行线性分析。随着信息披露形式的多样化，文本信息、图像信息甚至是音频信息的出现都对投资者的数据获取和分析带来了前所未有的挑战，传统的技术无法较好地处理非数值型数据，计量模型提供的线性拟合在一定程度上也无法满足投资者的数据分析需求，当面对股权众筹平台发布的大量项目信息时，投资者对信息的理解、判断或感知存在一定的偏差。专业投资者根据积累的知识和经验可以较准确判断项目的优劣，降低其面对的信息不对称性，但参与股权众筹平台大多是非专业投资者，如何科学地根据已有信息做出判断是投资者最为关注的话题。人工智能则在数据获取和处理方面提高了投资者信息获取和处理的宽度及深度，通过提高投资者的信息感知能力进而提高了投资者的决策效率。
作为一种新兴的互联网金融模式，股权众筹项目所涉及到的相关信息均借助互联网平台在线上披露，因而投资者无法像投资传统项目那样与融资者进行面对面沟通交流，投资者对项目的了解均来自于股权众筹平台上披露的信息。综合各专业股权众筹平台的信息披露模式，可以将股权众筹项目披露的信息总结为两类，即与项目本身相关的特征和与创业团队相关的特征[11-12]。综观国内外学者对影响股权众筹项目融资成功与否因素的研究也大多从以上两个方面展开。关于项目本身所传递信息对股权众筹项目成功与否的研究，现有文献主要从目标金额、最低起投额、已筹集金额、出让股份大小等易获取的结构性数据对众筹项目的成功与否进行分析。Mollick[13]研究发现，目标金额的设置讲究技巧，太少无法吸引潜在投资者，太多则需要承担目标无法实现的风险。黄玲和周勤[14]基于期望理论指出目标金额较低、项目新颖度越高以及差异化设置回报种类的众筹项目成功的可能性越大。最低起投额的限制越低，参与投资的人数越多，投资者可以较高的分散风险[15]。出让股份份额大小与成功率存在负向相关关系[16]。随着股权众筹披露信息的不断丰富，投资者对众筹项目的关注扩大至创业团队信息。诸多经验丰富的早期投资者透露在进行投资决策时非常看重创业团队的相关特质。王巧然和陶小龙[17]研究表明创业者先前经验中的创业经验与行业经验对创业绩效具有显著的正向影响。吴文清等[18]发现，团队组织规模对股权众筹项目成功与否并无显著影响；钱颖和朱莎[15]则认为团队人数代表企业的人力资本，团队人数越多，说明团队的综合实力越强。另外，还有研究还具体分析了创业团队在性别、年龄、经验、教育水平等方面的异质性对创业绩效的影响[19]。
可以发现，上述对股权众筹项目特征和团队特征的研究主要利用传统的结构化数据，并未捕捉到股权众筹项目中文本和图像所蕴含的信息。随着计算机技术的革新，关于股权众筹相关特征的数据量不断扩大，数据处理与数据分析方法也在不断的完善，本文则以筹资者在股权众筹平台发布的信息为基础，从投资者的信息感知视角来研究人工智能在处理文本信息和图像信息时对降低投融资双方信息不对称性的作用。
（一）文本的信息感知：项目简介随着大数据以及人工智能在金融领域的广泛应用，学者们对项目特征的讨论不再局限于传统的数值型数据。从投资者的行为模式来看，已有文献发现读者在阅读论文时首先关注摘要，如果对摘要不感兴趣，仔细阅读全文的可能性会很小[20]。对Kickstarter、“众筹网”、“聚募网”等国内外知名众筹平台调查，可以发现项目简介均被置于显著位置。类似的，如果股权众筹项目的项目简介文本不能吸引投资者，投资者也不会阅读项目的详细内容，并评估项目的投资价值[21]。由此可见，项目简介等文本是影响投资者投资意愿的第一要素。由于传统计量经济学方法的限制，现有研究对股权众筹项目标题、项目简介等文本信息分析的较少，仅王伟等[20]借助文本挖掘方法，从众筹项目简介语言风格的说服性角度进行分析，表明不同的语言风格会改变投资者对项目前景的感知，进而影响他们的投资意愿。
基于以上分析，我们猜测项目简介的相关特征对股权众筹的成功有显著影响。具体哪些特征起到了主导作用则是我们研究的重点。文本的可读性通过发挥信号作用，可以缓解借款人与投资人之间的信息不对称程度，可读性强的文本不仅能够减少信息的噪声，降低投资者信息筛选的成本，还可以向投资者释放一种积极的信号[22]。基于此，提出本文的假设。
H1a：项目简介的可读性越强，股权众筹项目融资成功的概率越大。
当然，文本传递的不仅包括信息，更蕴含了撰写者的情感，情感分析也是近几年来较热的话题。国外关于情感倾向的分析较多，如ACL、COLING、AAAI等涉及人工智能领域的国际顶级会议都收录了文本情感分析的论文[23]，国内的研究则相对较少。有研究证明，广告宣传采用过于夸张的手法不利于消费者了解该品牌，从而降低购买意愿[24]。同样，政治领导人的传记如果采用夸张手法，会降低可信度[25]。但李桂华等[26]基于扎根理论构建文本情感表达丰裕度指标，研究虚拟社区标题和内容的情感丰裕度对用户浏览和回帖的影响，证实高情感丰裕度的帖子吸引了更多浏览者的关注。文本情感在不同的场合会有不同的作用，互联网金融平台的投资人是否会受到项目情感的影响，还有待检验。基于此，提出本文的假设。
H1b：项目简介的情感倾向越积极，股权众筹项目融资成功的概率越小。
启发式判断是心理学的一个概念，指在不确定条件下，人们会根据以往的经验（相同的类似的甚至是无关的）来对当前情况进行判断[27]。人的决策主要由直觉系统和推理系统做出，推理系统对直觉系统的监控是松懈的，这就使得启发式判断有了可能[28]。当投资者面对一个新的投资项目时，无疑会根据之前接触到的项目做出启发式判断。在分析了项目简介文本可读性、情感性的基础上，根据股权众筹项目的分类，将每个类别中最成功的项目作为参照标准，把其他项目与该成功项目做文本相似度分析，“幸福的人都是相似的，不幸的人更有各的不幸”，我们推测成功的项目简介内容之间必定有某种相似之处，因此，两者项目简介的文本相似度也越高。根据人们做出决策时受启发式判断的影响可知，若一个项目与成功项目的文本相似度越高，则表明该项目成功的可能性也较高。基于此，提出本文的假设。
H1c：与成功项目的项目简介相似性越高，股权众筹项目融资成功的概率越大。
（二）图像的信息感知：创业团队照片除上述对项目简介的文本分析外，有学者借助数据挖掘技术，对项目是否有视频介绍、是否有创业团队照片、项目更新次数等因素进行探讨[29]，研究发现项目辅助信息的全面化、宣传形式的多样化可以向投资者传递质量信号，从而吸引更多投资者的关注，增加融资成功的机率。Yang[30]发现可识别肖像的可信度和情感对投资者的行为具有重要的影响。虽然“眼见为实”不是在所有情况下都成立，但创业团队上传照片的行为，以及投资者从照片中获取的信息都能够提高股权众筹项目展现形式的立体性，从而增加投资者对项目的信任程度。
众筹项目团队成员的颜值在一定程度上会影响创业团队对部分投资者的吸引力。进化论表明，人的容貌能够对外传递很多视觉上的信号，研究表明“颜值”高的人会被认为更有能力，表现更出色。Rule等[31]指出，CEO的外貌特征可以提供关于衡量公司财务业绩表现的客观信息。
HalfordandHsu[32]的研究表明，外貌特征比较吸引人的CEO具有较高的谈判能力和较高的识别度，会给公司股东创造更多的价值。互联网金融的兴起使得投资者的投资环境和方式发生了较大的变化，Gonzalez等[33]通过使用P2P平台Prosper的数据，发现在违约概率大致相同的情况下，漂亮申请者获得贷款的概率要比其他申请者高，且支付的利息更低。基于此，将创始团队成员照片的颜值视为股权众筹项目创业团队吸引力的代理变量，提出本文的假设。
H2a：股权众筹项目创业团队的吸引力越高，股权众筹项目融资成功的概率越大。
除颜值特征外，以创业团队成员照片的视觉效果为基础，利用图像识别技术还识别出各成员照片上的视觉年龄。创业者的个人特征会对创业行为甚至创业结果产生影响[34]，占怡[35]以年龄作为创业者的个人特征之一对不同年龄阶段的个人在创业行为中的策略进行了研究，发现创业策略并没有受到创业者年龄差异的影响。然而，随着分工的不断细化和智能器械的大范围使用，专业人才成了各行业的稀缺资源，年龄年轻化受过系统科学训练的从业者甚至创业者势必会给所在行业带来新鲜的血液[36]。基于互联网平台的股权众筹作为创新项目融资的新渠道[37]，其受众呈现年轻化的态势，且平台上项目多为基于互联网的技术型创新项目。因此，我们认为创业团队成员的年龄越年轻化，其对科技类创业项目的走向把握越准确，推出的新产品和新项目也更容易得到投资者的认可。基于此，将创始团队成员的年龄视为股权众筹项目创业团队年轻化的代理变量，提出本文的假设。
H2b：股权众筹项目创业团队越年轻化，股权众筹项目融资成功的概率越大。
在创业团队颜值和年龄特征的基础上，进一步识别了团队成员的面部表情特征，相由心生，个人的面部特征在一定程度上反映了其心理特征。个人的创业态度不仅会影响其创业倾向，还会对创业结果产生影响[38]，阳光乐观的心态是发展的深层动力[39]。因此，创业团队积极的心态能向投资者传递出创业团队对自身项目的信心和乐观的信号，从而为该项目提供了隐形的担保，投资者也更倾向于投资此类项目。将创始团队成员面部表情为高兴视为股权众筹项目创业团队积极性的代理变量，提出本文的假设。
H2c：股权众筹项目创业团队积极性越高，股权众筹项目融资成功的概率越大。
（三）利用机器学习进行信息感知随着计算机技术的不断革新，越来越多的数据可以被采集。大数据的发展，推动了学术界和业界对数据分析方法的深入研究与探讨[2]。对于传统的计量经济学学者来说，以往研究的都是局部的观测数据，一般仍需经人工的二次处理，数据的科学性有待检验。大数据背景下，不仅样本量快速增加，数据维度也在不断扩张，再加上大数据稀疏、高噪声与关系复杂等特点，使得传统计量经济学分析方法力不从心。由此，越来越多的学者开始关注数据解构与人工智能分析系统[40]。其中，机器学习理论是从人工智能中延伸出来的，它是从样本中寻找规律，然后对无法观测的、未来的样本数据进行预测出的一种理论方法[41]。李雅婷和左文明[42]利用5种机器学习模型对股权众筹的结果进行预测，研究证实，BP神经网络模型更适合用于预测众筹项目的筹资结果；而在BP神经网络模型构建前通过随机森林算法选择相关变量的最优子集去训练模型则会在单独使用BP神经网络的基础上进一步提高模型预测的准确率。传统的计量方法只能分析结构化数据，而机器学习可以将非结构化或者半结构化的数据转换成结构化数据[43]。由于机器学习可以处理非结构化数据，大大扩充了数据分析的范围，故本文猜想其对股权众筹预测准确性具有改进作用。基于上述分析，提出如下假设：
H3：相较于线性计量方法，非线性的机器学习模型对股权众筹结果的预测更为准确。
一、研究设计（一）样本选择
本文的实验数据来自聚募网（https://www.dreammove.cn/），聚募网是浙江省最大的互联网非公开股权融资平台，2014年8月创立于中国杭州，旨在帮助初创企业解决融资难、融资贵的问题。在国家严监管的背景下，我国目前正在运营的众筹平台数量较少，聚募网是其中一家经营良好、平台规范、信息公布较全面的众筹平台。截至2018年年末，累计融资额25431万元，累计认证投资人42000余人。
投资者只有在通过实名验证，成为合格投资者才可查看聚募网的项目信息。合格投资者可以查看平台上公布的所有项目，包括正在进行融资、融资成功以及融资失败的项目，这为我们获取数据提供了便利。通过对该网站截止2019年1月23日聚募网发布的196起股权众筹项目所有可视项目进行信息爬取，得到本文分析用到的项目基本信息。考虑到项目信息的完整性，先后剔除掉股东持股数据缺失（49个）、项目估值数据缺失（1个）和来源于第三方平台的项目（1个），最终进入本文进行实证分析的样本为145个，约占总样本的74.5%。
（二）研究设计
为了探讨股权众筹项目的文本和图像信息对项目成功的影响，如若在基础模型的基础上加入新的信息能提高模型预测的准确率，则表明该信息能够为投资者提供有价值的参考信息，提高投资者的投资效率。此处包括文本和图像两方面的信息：一是项目特征中项目简介文本中所蕴含的信息，如项目简介的可读性、情感倾向、与成功项目表述相似性等因素对项目成功的影响；二是团队特征中成员照片信息特征，若团队成员公布照片，则可以从照片中分析出项目团队的吸引力、年轻化程度、积极性等特征，继而探讨其对项目成功与否的影响。以往的计量分析主要以结构化数据为主，但人工智能的发展让文本、照片等非结构化数据为研究者所用。本文所用非结构化数据均以python作为脚本，借助百度AI接口实现数据处理，图像处理和文本处理都基于百度AI平台保证了数据处理的一致性和可比较性。
1.变量的度量
项目融资成功的界定。以项目目标额为准，在项目合投期限内（30天），认投额等于或大于目标额为成功(Y=1)，反之为失败(Y=0)。
项目简介。对项目简介这一文本信息的处理，主要借助百度AI平台提供的自然语言处理技术，从项目简介的可读性、项目简介的情感性和与成功项目的相似性等方面将文本信息转换为结构化的数据。具体的变量的定义及计算见表1。
团队成员照片。对团队成员照片的处理，主要借助百度AI平台提供的图像识别技术来检测照片中的信息。该技术可适应大角度侧脸、遮挡、模糊、表情变化等各种实际环境；在检测出人脸后，可对人脸进行分析，获得眼、口、鼻轮廓等150个关键点定位，准确识别多种人脸属性，如性别、年龄、表情等信息；重点关注团队成员照片呈现出的团队吸引力、团队的年轻化程度和团队的积极性，具体的变量定义及计算见表1。
其他相关变量
参照以往学界和业界的估值模型，在实证分析部分加入了控制变量，以控制除项目简介和成员照片之外的项目特征和创业团队特征对项目成功与否的影响。实证分析部分用的所有变量见表
1。
表1模型中涉及到的变量
变量特征
信息特征
变量名称
变量描述
项目融资成功（Y）
Y=1，成功；Y=0，失败
项目特征
文本型
项目简介的可读性
利用深度卷积神经网络（DNN）模型来判断一句话是否符合语言表达习惯，输出分词结果并给出每个词在句子中的概率值。该值越小，说明越符合人类语言表达习惯。
项目简介的情感性
项目简介的情感得分，通过对包含主观观点信息的文本进行情感分类（积极=2、中性=1、消极=0），并给出相应的置信度。
与成功项目的相似性
以各项目类别中DNN得分最小的项目为标准，将同一类别中其他项目与之对比，得出文本相似度得分。该得分范围为 0到1，得分越高表明相似度越高，0 表示完全不相似，
1表示完全相似。
数值型
目标金额
项目的目标筹资额（万元）
起投额
投资者最低投资限额（万元）
关注度
项目浏览人数取对数
项目估值
衡量公司的价值（万元）
出让股权比例
为筹集资金公司愿意出让股权的占比
是否基于互联网创业
人工整理，是=1，否=0
创业团队特征
图像型
团队的吸引力
用团队成员的颜值均值表示，颜值均值=团队成员颜值总得分/团队总人数
团队年轻化程度
用团队成员的年龄均值表示，年龄均值=团队成员年龄加总/团队总人数
团队的积极性
用成员照片的表情表示，照片心情为高兴则表示团队越积极，照片心情显示为高兴的人数/团队总人数
数值型
团队人数
创业团队总人数
成员照片
有照片成员人数/团队总人数
男性占比
男性成员人数/团队总人数
前3 大股东持股比例
前3大股东持股比例加总
第1 大股东是否CEO
是CEO，取值为1；反之则为0
有创业经验
有创业经验成员人数/团队总人数
有行业经验
有行业经验成员人数/团队总人数
学士学位
有学士学位成员人数/团队总人数
硕士学位
有硕士学位成员人数/团队总人数
博士学位
有博士学位成员人数/团队总人数
MBA 学位
有MBA学位成员人数/团队总人数
海外留学
海外留学成员人数/团队总人数
2.研究方法的设计
针对本文提出的两个假设，主要设计了Probit模型、BP神经网络、随机森林和BP神经网络模型三种模型来解决研究问题。
（1）Probit模型
以往学者认为股权众筹项目的项目特征、创业团队特征等因素会对项目的成功与否产生影响，基于此，通过观察项目披露的信息就可以推测该项目成功的概率，即：
PrYXn=fXn+ε⑴
其中，Xn表示项目披露的基本信息，通常指可以直接用来进行数据分析的结构化数据。随着人工智能的发展，将非结构化数据转化为结构化数据，增加人们投资决策时可用的信息量，对于做出正确的投资决策具有重要的意义，因此，可以使用项目简介文本中和创业团队成员照片中包含的信息来辅助预测项目成功的概率，式（2）和式（3）是分别加入项目简介文本特征和成员照片特征后项目成功概率的表达式。
PrYXn,Xi=fXn,Xi+ε⑵
PrYXn,Xj=fXn,Xj+ε⑶
其中，Xi为项目简介文本中包含的信息,Xj为成员照片中包含的信息。若项目简介中包含的文本信息和创业团队成员照片中包含的信息对判断项目的成功与否具有参考价值，则式（2）和式（3）的概率均要大于式（1）。
式（4）在式（1）的基础上，同时加入项目简介和创业团队成员照片中包含的信息，若项目简介文本中和团队成员照片中包含的信息对判断项目成功与否具有参考意义，则式（4）的概率要大于式（1）、式（2）和式（3）。
PrYXn,Xi,Xj=fXn,Xi,Xj+ε⑷
通过式（2）、式（3）、式（4）与式（1）概率大小的比较来验证假设1和假设2。
BP神经网络模型
神经网络采用梯度下降法和特征缩放法求得最优的回归参数，对于大规模的数据量和特征指标，神经网络的多个非线性的层（和参数）基本上可以学习任何类型的映射关系，因此对更适合复杂的建模环境及大数据量的仿真模拟；并且人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。本文属于模式识别范畴里的自然语言处理，模式识别是对表征事物或现象的各种形式的信息进行处理和分析，来对事物或现象进行描述、辨认、分类和解释的过程。该技术以贝叶斯概率论和申农的信息论为理论基础，对信息的处理过程更接近人类大脑的逻辑思维过程。人工神经网络是模式识别中的常用方法，近年来发展起来的人工神经网络模式的逐渐取代传统的线性预测方法。
预测是数据挖掘领域中一个涉及面非常广泛的研究课题。将预测运用于股权众筹模式研究，能够为股权众筹创业者提供有效的信息反馈，同时为非专业投资者提供有价值的参考。无论是有效性、收益性还是提升性，神经网络模型均好于传统的线性模型，其中以神经网络中的BP神经网络模型为最佳预测模型[35]。此处基于聚募网的股权众筹项目，使用BP神经网络对项目的成功与否进行预测。以所有项目的85%作为训练集，以剩下的15%的项目检验模型的准确率，进而不断训练模型，使之达到更好的预测效果。为了与传统的线性模型做比较，依照式（1）至式（4）分别构建4个神经网络模型，并与相应的传统回归模型做比较，若BP神经网络预测的准确性高于传统的线性模型，则验证了本文提出的假设3。
随机森林和BP神经网络
随机森林是一种监督学习算法，通过建立多个决策树并将它们合并在一起以获得更准确和稳定的预测。本文模型三的BP神经网络构建与模型二类似，差别在于在训练神经网络模型前，先利用随机森林算法在所有变量中找出最优决策子集，再使用找出的最优决策子集去训练BP神经网络，进一步提高模型的拟合程度和精度。变量的添加过程及训练集和预测集的选择均和模型二保持一致。
二、实证分析（一）描述性统计
1.项目特征
图2左半部分为聚募网145起股权众筹项目所在地的区域分布图，右半部分为各个地区股权众筹项目的具体数量。由于聚募网是浙江省的投资平台，平台上有102个项目的项目所在地位于浙江省，江浙沪地区的项目总数占到总样本的82%，由此可见，聚募网重点辐射江浙沪一带的初创企业，但平台上也不乏远至新疆、云南、黑龙江等地区的项目。
图2项目所在地区域分布图
项目简介是除项目标题外，投资者对一个投资项目了解的重要窗口，一个好的项目简介关系到投资者对项目的总体印象及评价，因此实证部分主要基于百度AI开放平台提供的自然语言处理技术对145起股权众筹项目的项目简介进行了DNN得分（判断一句话是否符合语言表达习惯）、情感倾向得分、文本相似度分析等处理，表2是对项目简介及所有项目特征变量的描述性统计分析结果。
由表2可知，在145起股权众筹项目中，最终融资成功的项目占总样本的67.59%；股权众筹项目的项目简介平均有63.9448个汉字，其中，最少的有9个，最大的有100个，不同的项目之间存在较大的差异；项目简介的可读性得分分布区间为77.0939到3742.7100，分布不均匀，说明不同的项目简介在是否符合人们的阅读习惯上存在较大的差异；项目简介的情感性得分的分布范围为0到2，均值为1.8207，项目简介的情感倾向高涨；股权众筹项目的项目简介与成功项目相似性的均值为0.2382。
表2项目特征描述性统计
变量
观测值
均值
标准差
最小值
最大值
项目融资成功
145
0.6759
0.4697
0
1
项目简介的字数
145
63.9448
23.9156
9
100
项目简介的可读性
143
717.8828
508.6833
77.0939
3742.7100
项目简介的情感性
145
1.8207
0.5357
0
2
与成功项目的相似性
143
0.2382
0.2049
0
1
目标金额（万元）
145
123.0791
114.0613
0.0100
1000
起投额（万元）
145
0.7599
0.8677
0
10
关注度
145
9310.3790
4792.5080
1289
25793
项目估值（万元）
145
2418.9720
6297.558
70
66667
出让股权比例
145
13.0570
13.1933
0
100
是否基于互联网创业
145
0.5862
0.4942
0
1
项目筹资目标金额的均值为123.0791万，最少为0.01万，最多为1000万，创业者的资金需求存在较大的差异。145个项目的起投额从0到10万不等，平均起投资金为0.7599万元。投资者对项目的关注度平均为2418.9720人次，其中关注度最低的项目是TeaKa新茶饮，为1289人次，关注度最高的项目是网络剧《夏天的烦恼》，为25793人次。项目估值的最小值为70万元人民币，最大值约为6亿元，其中，估值最低的项目为意佰度滋活披萨西湖文化广场店，估值最高的项目为基于互联网平台的餐饮项目——要吃啥。出让股权比例最低的为虚拟项目聚募APP，出让股权比例最高的项目为博芮客浙大校友店。在总样本中，基于互联网创业的项目占到58.62%。
根据百度AI开放平台提供的基于自然语言处理的文章分类技术，把145个项目进行分类，最终的项目分类结果如下：科技类项目最多，占26%；社会和财经次之；由于项目细分类别较多，将比例不超过5%的合并在一起，构成其他类。
2.创业团队特征
创业团队成员是影响创业项目能否成功的重要因素之一，除成员学历、经历、经验等传统考核指标外，团队成员的照片也能反应出创业团队的特征，如创业团队的吸引力、年轻化程度、积极性等非强制性公开信息，这些都会影响投资者对项目成功率的判断。因此实证部分主要基于百度AI开放平台提供的图像识别技术对145起股权众筹项目的创业团队照片进行了处理，表3是对成员照片及所有创业团队特征变量的描述性统计分析结果。
表3项目团队成员信息的描述性统计
变量
观测值
均值
标准差
最小值
最大值
成员照片
145
0.7658
0.3753
0
1
团队的吸引力
145
39.0845
20.9840
0
77.4160
团队的年轻化程度
145
21.2461
11.0564
0
39.6667
团队的积极性
145
0.2897
0.3707
0
1
男性占比
145
0.4797
0.4406
0
1
团队人数
145
4.9655
2.4872
1
22
前3 大股东持股比例
145
0.2757
0.4268
0
1.0500
第1 大股东是否是CEO
145
0.3931
0.4901
0
1
有行业经验
145
0.7875
0.3108
0
1
有创业经验
145
0.2222
0.2168
0
1
学士学位
145
0.4237
0.3422
0
1
硕士学位
145
0.1250
0.2045
0
1
博士学位
145
0.0217
0.0749
0
0.4286
MBA 学位
145
0.0267
0.0732
0
0.5000
海外留学
145
0.0495
0.1080
0
0.5000
由表3可知，每个团队中对成员照片的披露程度约为76.58%，团队的吸引力得分最小值为0，最大值为77.4160，各项目团队成员的年龄均值约为21岁，创业团队偏年轻化，男性创业者占到样本总人数的47.97%，团队中成员照片心情为高兴的占比约为28.97%，积极性高的团队占样本四分之一左右。样本中团队成员人数最少为1人，最多为22人，其中人数最多的项目为线上线下职业教育机构；前3大股东持股比例的均值为27.57%，有39.31%的项目第1大股东为CEO。平均每个团队中有行业经验的人员占比为78.75%，有创业经验的人员占比为22.22%；团队成员的学历构成从学士学位、硕士学位到博士学位依次减少，因项目类型的不同，博士学位的成员在各个团队中分布差异较大；各个团队中获得MBA学位的人员占比约为2.67%，有海外留学经历的占比为
4.95%。在后续的回归分析中，将团队成员的学历特征，如学士学位、硕士学位等进行主成分分析，取特征根大于1的因子代替团队成员的学历，并命名为学历特征。
（二）基本结果
表4基于Probit模型的回归结果
(1)
(2)
(3)
(4)
数值型信息
加入文本信息
加入图像信息
加入文本图像信息
项目简介的情感性
-0.948**
-0.853*
(-1.992)
(-1.769)
项目简介的可读性
-0.322
-1.045
(-0.316)
(-0.899)
与成功项目的相似性
1.994
1.991
(1.469)
(1.336)
团队的吸引力
-0.016
-0.016
(-0.769)
(-0.710)
团队的年轻化程度
-0.171***
-0.167***
(-2.928)
(-2.749)
团队的积极性
1.446***
1.376**
(2.584)
(2.444)
成员照片
4.700*
4.439*
(1.952)
(1.748)
男性占比
0.128
0.282
(0.267)
(0.571)
团队人数
-0.059
-0.049
-0.090
-0.059
(-1.021)
(-0.800)
(-1.423)
(-0.894)
目标额
-0.001
-0.001
-0.001
-0.001
(-0.710)
(-0.382)
(-0.578)
(-0.396)
起投额
0.049
-0.038
0.050
-0.032
(0.294)
(-0.222)
(0.269)
(-0.170)
关注度
1.720**
1.905**
1.332
1.438
(2.061)
(2.103)
(1.490)
(1.510)
项目估值
-1.130
-1.164
-1.439
-1.501
(-0.539)
(-0.560)
(-0.652)
(-0.671)
出让股权比例
0.032*
0.036*
0.035**
0.040**
(1.829)
(1.945)
(2.048)
(2.194)
是否基于互联网创业
0.570*
0.475
0.738**
0.607
(1.957)
(1.496)
(2.104)
(1.605)
前3大股东的持股比例
0.533
0.421
0.720
0.655
(1.295)
(0.981)
(1.531)
(1.346)
第一大股东是否为CEO
0.392
0.453
0.397
0.455
(1.161)
(1.264)
(1.108)
(1.194)
有创业经验
-1.205**
-1.211*
-1.698**
-1.678**
(-2.004)
(-1.814)
(-2.465)
(-2.231)
有行业经验
-0.036
0.014
-0.097
-0.083
(-0.074)
(0.026)
(-0.191)
(-0.153)
学历特征
0.059
-0.053
-0.023
-0.133
(0.565)
(-0.456)
(-0.204)
(-1.042)
常数项
-0.908
0.225
0.079
1.170
(-1.146)
(0.181)
(0.085)
(0.845)
行业
控制
控制
控制
控制
地区
控制
控制
控制
控制
观测值
134
132
134
132
R方
0.212
0.254
0.304
0.336
模型预测准确率
72.39%
72.73%
73.88%
78.03%
（tstatisticsinparentheses：*p