ЭКОНОМИЧЕСКИЙ ЖУРНАЛ ВЫСШЕЙ ШКОЛЫ ЭКОНОМИКИ, ТОМ 30 № 2 (2026)Авторы: Валерия Сергеевна Федорова, Национальный исследовательский университет «Высшая школа экономики» (Пермь) Марина Александровна Завертяева, Национальный исследовательский университет «Высшая школа экономики» (Пермь)DOI: https://doi.org/10.17323/ej.2026.38567Ключевые слова: краудфандинг, прогнозирование вероятности успеха проекта, Kickstarter, финансирование проектов, текстовые характеристики, визуальные характеристики
Краудфандинг — это относительно новый метод финансирования проектов, который заключается в привлечении средств от большого количества непрофессиональных инвесторов.
Несмотря на рост этого направления, только около 41,98% краудфандинговых кампаний являются успешными, что требует выявления факторов, способствующих повышению вероятности успешного сбора средств. Исследование направлено на решение вопроса о том, какие текстовые и визуальные характеристики проектов в наибольшей степени определяют их успех и насколько их учет повышает точность прогнозирования.В работе разрабатывается мультимодальная модель прогнозирования вероятности сбора средств на платформе Kickstarter. Выдвинуты гипотезы о том, что включение текстовых (H1) и визуальных (H2) характеристик значимо повышает прогностическую способность моделей, а их совместная интеграция (H3) обеспечивает наилучшее качество прогноза за счет учета дополнительной информации.Эмпирической базой исследования послужили данные о 89557 проектах, размещенных на платформе Kickstarter в период с 2010 г. по 2024 г. Помимо базовых характеристик проектов (целевая сумма, длительность кампании, категория, страна, год публикации), типичных для анализа детерминант успешности краудфандинговых кампаний, в анализ включен расширенный набор текстовых и визуальных факторов. Текстовые характеристики извлекались с применением методов обработки естественного языка, включая оценку тональности, сложности и логичности описаний проектов и рисков. Визуальные признаки получены с использованием предобученной нейронной сети ResNet50 с последующим снижением размерности методом главных компонент. Для целей прогнозирования рассмотрены логистическая регрессия, деревья решений, ансамблевые методы (Random Forest, XGBoost, LightGBM) и многослойный персептрон.Результаты исследования показывают, что включение текстовых и визуальных факторов существенно повышает качество прогноза. Лучшая модель (LightGBM) достигает значения ROC AUC около 0,82. Установлено, что наибольшее влияние на вероятность успеха оказывают целевая сумма, длительность кампании, характеристики текстового описания и визуального контента. На основе полученных результатов сделан вывод о значимой роли информационных сигналов в краудфандинге и предложены практические рекомендации по улучшению стратегии привлечения финансирования через краудфандинговые платформы.
