Warum Menschen spenden: eine Evidenzbasis aus Primärquellen

lmaa.space
27. August 2026
PAP-011

Was die begutachtete Literatur wirklich belegt, was sie nicht belegt, und wo die am häufigsten empfohlenen Effekte am schwächsten dastehen.

Worum es hier geht

Diese Datei sammelt, was die begutachtete Literatur tatsächlich darüber feststellt, warum Menschen Geld spenden. Sie ist auf zwei Bereiche beschränkt: auf Spenden an Open-Source-Software und digitale öffentliche Güter, und auf die verhaltenswissenschaftliche Literatur zum Spenden, soweit sich der jeweilige Effekt auf einer Website umsetzen liesse. Sie ist eine Evidenzbasis und sonst nichts. Sie enthält keine Empfehlungen, keine Gestaltungsvorschläge und keine Vergleichszahlen von Praktikern oder Plattformbetreibern.

Wo eine Zahl berichtet wird, stammt sie aus dem Ergebnisteil der Arbeit selbst, sofern die Aussage nicht ausdrücklich anders gekennzeichnet ist.

Wie die Zugriffsvermerke zu lesen sind

Jede Quelle trägt im Nachweis einen von drei Vermerken, denn eine Aussage aus einer Ergebnistabelle und eine Aussage aus einer Zusammenfassung sind nicht dieselbe Art von Beleg.

• Volltext gelesen heisst, dass die Arbeit heruntergeladen und ihre Ergebnisse direkt gelesen wurden.
• nur Zusammenfassung heisst, dass in dieser Sitzung nur die veröffentlichte Zusammenfassung oder ein Datenbankeintrag erreichbar war. Der Befund wird so wiedergegeben, wie die Autoren ihn selbst zusammenfassen, und die dahinterstehenden Effektstärken wurden nicht geprüft.
• ungeprüft heisst, dass die Aussage in der Literatur gut bekannt ist, hier aber keine Primärquelle dafür erreicht wurde. Sie ist festgehalten, damit eine spätere Sitzung sie nachprüfen kann, und sie sollte nicht als belegt gelten. Wo die Zahlen nur aus einer Trefferliste stammen, steht zusätzlich Suchergebnis.

Eine allgemeine Warnung gilt durchgehend: Der grösste Teil dieser Literatur misst einmalige Gaben an eingetragene Wohltätigkeitsorganisationen, eingeworben per Post, per Telefon oder an der Haustür. Sehr wenig davon misst eine kleine, nicht kommerzielle Website, die ihre eigenen Leser um einen wiederkehrenden Beitrag bittet. Abschnitt 5 und Abschnitt 6 sagen, wo die Lücke zwischen beidem am grössten ist.

1. Open-Source-Finanzierung und digitale öffentliche Güter

1.1 Wie viele Projekte fragen, und wie wenig ankommt

Wie viele Open-Source-Projekte überhaupt um Geld bitten und was dabei ankommt, haben Overney, Meinicke, Kästner und Vasilescu¹ für zwei grosse Bestände durchgezählt. Ihr Ergebnis in einem Satz: Fast niemand fragt, und bei den wenigen, die fragen, kommt fast nichts an.

Fragen ist selten. Zum Stichtag 23. Mai 2019 baten 1.145 von 537.640 Repositories im npm-Korpus um Spenden, das sind 0,2 Prozent. Im GitHub-Korpus lag die Zahl bei 25.885 von 77.934.441 Repositories, das sind 0,04 Prozent. Patreon war in npm die häufigste Plattform, PayPal über GitHub insgesamt. Rund 10,9 Prozent der Repositories nutzten mehr als eine Plattform, meistens PayPal zusammen mit Patreon.

Was ankommt, ist so schief verteilt, dass der Mittelwert in die Irre führt. Über die 817 npm-Projekte mit Patreon oder OpenCollective reichten die eingegangenen Mittel in einem Neunmonatsfenster von 0 USD bis 589.382 USD, bei einem Median von 55 USD und einem Mittelwert von 6.108 USD. Nur 575 dieser Projekte, also 70 Prozent, erhielten überhaupt etwas, und nur 45 davon, also 5 Prozent, erhielten mehr als 1.000 USD pro Monat. Im grösseren GitHub-Korpus erhielten 58 Prozent der fragenden Projekte etwas und 10 Prozent erreichten 1.000 USD pro Monat oder mehr. Die Autoren merken an, dass 1.000 USD pro Monat fast überall unter einem konkurrenzfähigen Gehalt für eine Fachkraft der Softwareentwicklung liegen.

Dieselbe Schieflage taucht in jeder späteren Untersuchung von GitHub Sponsors auf. Zhang, Wang, Yu, Zeng, Li und Wang² erfassten 8.028 Maintainer, 13.555 Sponsoren und 22.515 Sponsorenverhältnisse. Von den Maintainern, die den Mechanismus eingerichtet hatten, erhielten 36,8 Prozent mindestens eine Zuwendung, 6 Prozent wurden mehr als zehnmal unterstützt, und nur 25 Maintainer wurden mehr als hundertmal unterstützt.

Shimada, Xiao, Hata, Treude und Matsumoto³ befragten 1.695.015 Mitwirkende über 1.168.856 Repositories und fanden 9.366 Entwickler, die um Unterstützung baten. Davon hatten 3.697 mindestens einen Sponsor gewonnen und 5.666 keinen. Unter den Unterstützten lag der Median bei 2 Sponsoren, 80 Prozent hatten acht oder weniger, 1.355 von ihnen (36 Prozent) hatten genau einen, und der am stärksten unterstützte Entwickler hatte 1.342.

Chen und Kollegen⁴ berichten dieselbe Verteilung aus einer anderen Stichprobe: 31 Prozent der Entwickler, die den Mechanismus aktivierten, erhielten überhaupt eine Zuwendung, 69 Prozent erhielten nichts, 39,3 Prozent der Empfänger erhielten nur einen Dollar, 26,97 Prozent erhielten zwischen einem und zehn Dollar, und 0,29 Prozent erhielten mehr als hundert Dollar.

Für einen Eindruck von der heutigen Grössenordnung berichten Hiltz und Ghaleb⁵, dass GitHub Sponsors im März 2026 über 49.148 Entwickler in 144 Ländern unterstützte. Sie beschreiben die Verteilung als stark asymmetrisch in der Beteiligung und geografisch konzentriert.

1.2 Was vorhersagt, ob eine Spende ankommt

Overney und Kollegen¹ schätzten ein logistisches Modell für das Fragen (Pseudo-R² = 0,31) und ein Hurdle-Modell für das Erhalten (Pseudo-R² = 0,29 für den binären Teil, 0,30 für die Höhe). Ein Hurdle-Modell trennt die Frage, ob überhaupt etwas ankommt, von der Frage, wie viel ankommt. Der Anteil der erklärten Varianz je Prädiktor dient ihnen als Ersatzmass für die Effektstärke.

Das Muster lautet: Ruf und sichtbare Langlebigkeit entscheiden darüber, ob überhaupt etwas ankommt, und Bekanntheit allein entscheidet darüber, wie viel. Overney und Kollegen lesen den Befund zum Projektalter als Ruf, der sich in der Gemeinschaft über die Zeit aufbaut.

Die CHI-Studie kommt in deutlicheren Worten zum selben Schluss. In der Hurdle-Regression von Zhang und Kollegen² erklärte die Zahl der Follower eines Maintainers 45,8 Prozent der Varianz darin, ob er überhaupt unterstützt wurde, und 65,3 Prozent der Varianz in der Höhe. Die Followerzahl ist ein Mass für sozialen Status und keines für Code. Die Zahl der Diskussionen erklärte 22,7 Prozent der Wahrscheinlichkeit, unterstützt zu werden. Die Zahl der Commits erklärte 0,3 Prozent. Die Autoren fassen den Widerspruch nüchtern zusammen: Die befragten Maintainer glaubten, es käme auf nützliche Beiträge und auf Aktivität an, während die Daten sagten, es komme auf sozialen Status an.

Shimada und Kollegen³ liefern die Sichtbarkeitsschwelle von der anderen Seite. Unter 450.884 Mitwirkenden, die ausschliesslich zu Repositories mit neun oder weniger Sternen beigetragen hatten, fanden sie drei unterstützte Entwickler. Der Median der höchsten Sternzahl unter den Repositories, zu denen jemand beigetragen hatte, lag bei 13.527 für unterstützte Entwickler gegenüber 6.103 für nicht unterstützte. Ihr zweiter Hauptbefund ist ein Netzwerkeffekt: Ob ein Entwickler Spenden erhält, hängt damit zusammen, ob jemand in seiner Gemeinschaft bereits spendet, und von 3.697 unterstützten Entwicklern waren 809 (22 Prozent) selbst Sponsoren anderer.

1.3 Was das Geld bewirkt, und wofür es ausgegeben wird

Overney und Kollegen¹ rechneten eine unterbrochene Zeitreihe über Projekte, die eine erste Spende erhielten, mit 345 Projekten im Commit-Modell und 337 im Modell zur Bearbeitungsgeschwindigkeit von Issues. Eine unterbrochene Zeitreihe vergleicht den Verlauf vor und nach einem klar datierten Ereignis. Das Ereignis selbst hatte keinen messbaren Effekt auf die Commit-Aktivität (β = 0,03, nicht von null unterscheidbar). Der zuvor steigende Trend bei den Commits kehrte sich danach um (β für den Monatsindex = 0,15, β für den Monat danach = -0,25, p < 0,001). Die Bearbeitungsgeschwindigkeit von Issues verbesserte sich zum Zeitpunkt des Ereignisses kurz (β = -0,37, p < 0,01, bei umgekehrt kodierter abhängiger Variable), der Trend änderte sich aber nicht. Die Höhe der Förderung hing mit der Aktivität zusammen: Jede Erhöhung der Einnahmen um den Faktor e ging mit rund 35 Prozent mehr Commits und rund 15 Prozent schnellerer Issue-Bearbeitung einher, wobei der Anteil der erklärten Varianz in beiden Fällen klein war.

Der negative Fall ist der auffälligere. In einem gesonderten Modell über Projekte, die um Spenden baten und nichts erhielten, sank die Aktivität nach der Bitte langsam ab. Overney und Kollegen beschreiben mehrere dieser Bitten als Hilferufe.

Die unterbrochene Zeitreihe von Zhang und Kollegen² stimmt zu und geht noch etwas weiter: Das Ereignis war negativ mit Commits und mit Diskussionen korreliert, während ein gepaarter Wilcoxon-Test über das instabile Fenster um das Ereignis herum einen kurzfristigen Anstieg der Commits und keine Veränderung bei den Diskussionen zeigte. Ihr Schluss lautet, dass Sponsoring einen kurzfristigen, leichten Schub gibt, der nicht anhält. Die bisherige Aktivität erklärte in allen vier Modellen mehr als 80 Prozent der Varianz, andere Finanzierungsquellen unter 1,1 Prozent.

Zu erklärten Absichten und tatsächlichen Ausgaben fanden Overney und Kollegen, dass 41 Prozent der untersuchten Repositories überhaupt keine Erwartung nannten oder nur sagten, Spenden zeigten Wertschätzung. Unter denen, die eine Erwartung nannten: Entwicklung 48 Prozent, Gemeinschaft 18 Prozent, laufende Projektkosten 13 Prozent, persönlich 9 Prozent. Über 2.957 OpenCollective-Transaktionen in 540 GitHub-Projekten entfielen auf Entwicklung 1.133 Transaktionen und 1.316.225 USD, auf Dienstleistungen 493 und 238.761 USD, auf Reisen und Verpflegung 333 und 104.875 USD, auf Weiterspenden an andere Projekte 591 und 79.751 USD sowie auf Soziales 296 und 61.128 USD. Geringer finanzierte Projekte gaben anteilig mehr für Dienstleistungen wie Hosting aus.

Sparen statt Ausgeben ist die Regel: 64 Prozent der OpenCollective-Projekte gaben weniger als 25 Prozent dessen aus, was sie erhielten, und nur 11 Prozent gaben mehr als 75 Prozent aus.

Zhou, Wang, Kamei, Hassan und Ubayashi⁶ haben dieselbe Plattform untersucht. Sie verfolgen nicht nur, was bei den Projekten eingeht, sondern auch, wofür diese es wieder ausgeben.

1.4 Der Aufbau der Stufen innerhalb einer Spendenplattform

Die Hurdle-Regression von Zhang und Kollegen² enthält den einzigen hier gefundenen direkten Beleg dazu, wie sich die Betragsleiter innerhalb einer Sponsorenseite verhält. Die niedrigste Stufe war negativ mit der Wahrscheinlichkeit korreliert, überhaupt unterstützt zu werden (12,3 Prozent der erklärten Varianz), während die höchste Stufe positiv damit korreliert war (5 Prozent). Im Modell für die Höhe des Betrags wurde die niedrigste Stufe nicht mehr signifikant. Ob ein Einleitungstext vorhanden war und was darin stand, erklärte 5,1 Prozent der Wahrscheinlichkeit, unterstützt zu werden.

Diese Form, bei der die unterste Sprosse die Beteiligung dämpft und die oberste nicht, deckt sich mit dem, was die allgemeine Literatur zur Betragsleiter in Abschnitt 2.5 findet. Das ist ein seltener Fall, in dem sich die beiden Literaturen einig sind.

Zhang und Kollegen halten aus ihrer Befragung ausserdem zwei Auffindbarkeitsprobleme fest: 51,3 Prozent der Maintainer sagten, mögliche Sponsoren könnten sie nicht finden, und 40,1 Prozent der Sponsoren sagten, sie könnten nicht erkennen, wer dringend Unterstützung brauche.

1.5 Warum Sponsoren nach eigener Aussage geben

In der Befragung von Zhang und Kollegen² sagten 85,1 Prozent der Sponsoren, sie unterstützten, um den Entwicklern der von ihnen genutzten Open-Source-Software zu danken. Nur 8,9 Prozent sagten, sie hätten den Maintainer vorher gekannt, was die Autoren so lesen, dass soziale Beziehungen für Open-Source-Spenden weitgehend unerheblich sind. Unter den Sponsoren sagten 53,7 Prozent, das Verhältnis habe ihre Erwartungen vollständig oder weitgehend erfüllt, und 14,1 Prozent sagten, es habe sie kaum erfüllt. Unter den Maintainern waren nur 20,7 Prozent mit dem erhaltenen Betrag zufrieden, während 30,1 Prozent unzufrieden waren, obwohl 50,4 Prozent sagten, das Sponsoring motiviere sie sehr. Die qualitative Auswertung von Shimada und Kollegen³ kommt an dieselbe Stelle: Viele unterstützen aus Wertschätzung, ohne eine bestimmte Gegenleistung zu erwarten.

1.6 Eine kleine Zahlung kann schlechter sein als keine

Conti, Gupta, Guzman und Roche⁷ haben gemessen, was die erste erhaltene Zuwendung mit der Arbeit eines Entwicklers macht. Ihre Antwort ist unangenehm: Eine kleine Zahlung kann weniger bewirken als gar keine.

Anhand von Daten zu mehr als 35.000 Entwicklern finden sie, dass die Anmeldung zum Sponsorenprogramm die innovative Leistung nach der Ankündigung des Programms erhöhte, dass aber die erste erhaltene Zuwendung mit weniger neu angelegten Repositories und weniger gemeinschaftsbezogener Arbeit einherging, wobei beides über dem Niveau vor dem Programm blieb. Der Programmieraufwand blieb unverändert. Ihr Umfrageexperiment fand, dass eine bescheidene Zuwendung von 20 US-Dollar die Innovation gegenüber gar keiner Vergütung und gegenüber einer Belohnung von 1.000 US-Dollar senkte.

Ihre Deutung ist eher informationsbezogen als motivational im klassischen Sinn: Nichts zu erhalten ist mehrdeutig und lässt sich einem dünnen Markt oder den Normen der Open-Source-Welt zuschreiben, sodass die eigene Einschätzung des Entwicklers davon unberührt bleibt. Eine Zuwendung von 20 Dollar dagegen ist ein präzises und ungünstiges Signal, dass jemand die Arbeit bewertet und niedrig bepreist hat. Das ist die schärfste verfügbare Formulierung eines Risikos, das Overney und Kollegen¹ nur als Vermutung mit Verweis auf die Literatur zum Ehrenamt aufgeworfen hatten: Freiwillige ein wenig zu bezahlen kann schlechter sein, als sie gar nicht zu bezahlen.

2. Mechanismen mit Belegen aus Feldexperimenten

2.1 Soziale Information darüber, was andere gegeben haben, und wie sie gerahmt wird

Die am besten übertragbare Studie hier ist die von Linek und Traxler⁸, denn sie ist ein A/B-Test mit Bannern auf der deutschsprachigen Wikipedia. Sechs Durchläufe, zwischen 2014 und 2018 gemeinsam mit Wikimedia Deutschland gefahren, ergaben knapp 23.000 Spenden über insgesamt 442.167 Euro, wobei die einzelnen Durchläufe 1,2 bis 6,6 Millionen Einblendungen umfassten.

Zwei Ergebnisse zählen, und beide weisen in die entgegengesetzte Richtung der üblichen Erwartung.

Die negative Rahmung einer gegebenen Zahl schlug die positive Rahmung. Gegen Kontrollbanner mit „aber nur N Menschen haben gespendet" schnitten Behandlungsbanner mit „bereits N Menschen haben gespendet" schlechter ab. In Durchlauf 1 fielen die Bannerklicks von 1,56 auf 1,22 je tausend Einblendungen (-22 Prozent, p = 0,000) und die Spenden von 1,12 auf 0,91 je tausend (-18 Prozent, signifikant auf dem Ein-Prozent-Niveau, n = 2.387.700 Einblendungen). In Durchlauf 2 fielen die Klicks von 2,36 auf 2,18 (-8 Prozent, p = 0,014) und die Spenden von 1,17 auf 1,01 (-13 Prozent, signifikant auf dem Ein-Prozent-Niveau, n = 1.691.420). Der durchschnittliche Spendenbetrag war praktisch identisch, der gesamte Effekt lag also auf der extensiven Marge, also bei der Frage, ob jemand überhaupt spendet.

Die soziale Information selbst zu variieren bewirkte nichts. Die Durchläufe 3 und 4 änderten die genannte Bezugszahl der Einblendungen so, dass sich 20 bis 40 mal höhere Spendenquoten je Einblendung ergaben. Durchlauf 3 verschob die Spendenquote von 1,03 auf 0,98 je tausend (-5 Prozent, p = 0,044, n = 6.539.790) und Durchlauf 4 von 1,63 auf 1,64 (+0,4 Prozent, p = 0,865, n = 3.565.460). Durchlauf 5 verglich „weniger als 0,1 Prozent" mit „weniger als 1 Prozent" der Nutzer, die spenden, und fand +1 Prozent, nicht signifikant. Durchlauf 6, der vorab registriert war, verschob die Quote von 1,19 auf 1,16 (-3 Prozent), nicht signifikant. Ein begleitendes Umfrageexperiment bestätigte, dass die negative Rahmung die Vorstellungen über die Spenden anderer senkte, während das Variieren der Zahlen die durchschnittlichen Vorstellungen nicht verschob.

Die Autoren deuten das Muster so, dass Spenden an Wikipedia strategische Substitute sind und keine Komplemente, und sie bringen self-signalling als möglichen Kanal ins Spiel, also das Signal, das man sich selbst über die eigene Person gibt. Wenn viele andere spenden, ist der Identitätsgewinn aus dem eigenen Spenden kleiner, weil der eigene Beitrag weniger notwendig erscheint.

Dem stehen die klassischen Befunde gegenüber, die positive Effekte sozialer Information in Offline-Kontexten fanden.

Frey und Meier⁹ teilten Studierenden der Universität Zürich bei der Einschreibung mit, dass entweder etwa 64 Prozent oder etwa 46 Prozent der früheren Studierenden zu zwei sozialen Fonds beigetragen hätten. Linek und Traxler⁸, die dieselbe Arbeit gelesen haben, beschreiben den Behandlungseffekt auf die Spendenquoten als positiv, aber statistisch nicht signifikant, und erst signifikant, wenn man auf frühere Spenden der Studierenden bedingt. Diese Lesart ist mehr wert als die verkürzte Fassung dieser Studie, die im Umlauf ist und einen sauberen positiven Effekt berichtet.

Shang und Croson¹⁰ teilten Anrufern einer Spendenaktion des öffentlichen Radios mit, was ein früherer Spender gegeben hatte. Berichtet wird ein Anstieg der Beiträge um 12 Prozent in der wirksamsten Bedingung, wobei die einflussreichste Bezugszahl aus dem 90. bis 95. Perzentil früherer Beiträge stammte und der Effekt für neue Mitglieder signifikant war, für verlängernde dagegen nicht. Bremans Literaturüberblick¹¹, im Volltext gelesen, gibt dieselbe Zahl mit 12 Prozent im Mittel und bis zu 29 Prozent für Erstspender wieder.

Martin und Randal¹² veränderten den sichtbaren Inhalt einer durchsichtigen Spendenbox in einer Kunstgalerie über vier Bedingungen hinweg: überwiegend grosse Scheine, mehrere kleine Scheine, viel Münzgeld und leer. Sie berichten signifikante Effekte auf Zusammensetzung, Häufigkeit und Wert der Spenden und weisen auf eine Abwägung zwischen diesen Grössen hin.

Eine Verfeinerung ist festzuhalten, weil sie billig umzusetzen ist. Bartke, Friedl, Gelhaar und Reh¹³ finden, dass Menschen, denen eine deskriptive Norm mitgeteilt wird, signifikant mehr spenden, wenn sie diese Norm vorher schätzen sollen. Die Autoren führen das darauf zurück, dass das Schätzen die Aufmerksamkeit auf die Norm lenkt.

2.2 Leitspenden und seed money

Das stärkste Ergebnis in dieser ganzen Datei, gemessen an einer deutschen Stichprobe, lautet: Einen Leitspender anzukündigen, ohne irgendetwas zu verdoppeln, verdoppelt die durchschnittliche Gabe beinahe. Als seed money bezeichnet die Forschung eine bereits zugesagte Startsumme, die vor der eigentlichen Sammlung bekanntgegeben wird.

Huck und Rasul¹⁴ schrieben im Juni 2006 14.000 Stammbesucher der Bayerischen Staatsoper an, zufällig verteilt auf vier Behandlungen von jeweils rund 3.700 Personen: Kontrolle, nur angekündigter Leitspender, Leitspender plus 50 Prozent matching, und Leitspender plus 100 Prozent matching. Matching heisst, dass jeder gespendete Euro von dritter Seite um einen festen Anteil aufgestockt wird.

Der Sprung von 74,30 Euro auf 132 Euro zwischen T0 und T1 ist eine Reaktion auf die blosse Anwesenheit eines Leitspenders, denn der relative Preis des Gebens war zwischen diesen beiden Armen unverändert, und der Median verschob sich mit, es liegt also nicht an Ausreissern. Über die vier Behandlungen hinweg gaben 585 Spender mehr als 57.000 Euro, im Mittel 99 Euro gegeben und 137 Euro erhalten einschliesslich des matching. Über die volle Stichprobe von 25.000 Empfängern kamen mehr als 120.000 Euro zusammen, womit die 60.000 Euro des Leitspenders ausgeschöpft waren.

Die strukturelle Folgearbeit verschärft das zu einer Rangfolge. Huck, Rasul und Shephard¹⁵ schrieben 25.000 Opernbesucher in sechs Behandlungen an, die das Vorhandensein eines Leitspenders und das angewandte matching-Verfahren variierten. Ihr Schluss: Spenden werden maximiert, indem man die Leitspende schlicht ankündigt, statt sie zum Verdoppeln einzusetzen. Besteht der Leitspender auf matching, ist ein nicht konvexes Schwellenverfahren die nächstbeste Möglichkeit. Ihre eigene Schwellenbehandlung brachte weniger ein als die schlichte Leitspenderbehandlung, weil die Schwelle von 50 Euro unter der mittleren Spende von 132 Euro lag und damit für fast niemanden bindend war.

Das Feldexperiment von Gneezy, Keenan und Gneezy¹⁶, beschrieben in Abschnitt 2.4, liefert eine unabhängige Schätzung zu seed money an einer US-Stichprobe: Eine seed-Behandlung brachte 13.220 USD gegenüber 8.040 USD in der Kontrolle, das sind 64 Prozent mehr, wobei die Spendenquote von 3,36 Prozent auf 4,75 Prozent stieg.

Die kanonische Quelle zu seed money ist die Arbeit von List und Lucking-Reiley¹⁷. Das hier erreichbare Exemplar war ein gescanntes Bild ohne extrahierbaren Text, deshalb wird in dieser Datei keine Effektstärke aus dieser Arbeit berichtet. Sie wird bei Huck, Rasul und Shephard für die Aussage zitiert, dass seed money Spenden erhöht, weil es die Spender näher an ein ausdrückliches Ziel bringt.

2.3 Matching, und ob ein höheres Verhältnis hilft

Karlan und List¹⁸ verschickten Briefwerbung an über 50.000 frühere Spender einer US-Organisation.

Anzukündigen, dass ein matching zur Verfügung stehe, erhöhte den Ertrag je Anschreiben um 19 Prozent und die Spendenwahrscheinlichkeit um 22 Prozent. Der Ertrag je Anschreiben lag bei 0,813 USD in der Kontrolle, 0,937 USD bei 1:1, 1,026 USD bei 2:1 und 0,938 USD bei 3:1. Höhere matching-Verhältnisse brachten nichts zusätzlich. Die Elastizität von der Grundlinie zur Behandlung betrug -0,30, über den Bereich der matching-Verhältnisse hinweg lag sie bei etwa null. Die Verteilungen der Gaben unterschieden sich über die matching-Verhältnisse hinweg nicht signifikant voneinander. Weder die matching-Schwelle noch der Beispielbetrag hatten einen nennenswerten Einfluss.

Ein Heterogenitätsbefund, den man leicht überinterpretiert: Das matching erhöhte den Ertrag je Anschreiben um 55 Prozent in Bundesstaaten, die 2004 für Bush gestimmt hatten, und hatte kaum Wirkung in den übrigen. Die Organisation war eine politisch links stehende Gruppe, das ist also eine Aussage über ein politisches Umfeld im Zusammenspiel mit einem politisch aufgeladenen Anliegen und kein allgemeiner Moderator.

Die Folgearbeit schwächt die Schlagzeile deutlich ab. Karlan, List und Shafir¹⁹ testeten matching-Verhältnisse von 1:1 und 1:3 an knapp 20.000 früheren Spendern einer Organisation und fanden nur schwache Belege dafür, dass eines von beiden wirkte. In der Gesamtstichprobe erhöhte das matching das Spenden erst, nachdem die matching-Frist abgelaufen war. Spender, die die Organisation aktiv unterstützten, wurden positiv beeinflusst. Inaktive Spender blieben unbeeinflusst oder reagierten negativ. Manche Darstellungen des matching richteten Schaden an, namentlich ein hoher Beispielbetrag von 75 USD zusammen mit einem matching-Verhältnis unter 1:1.

Das deutsche Opernexperiment von Huck und Rasul¹⁴ fand, dass lineares matching zwar die erhaltene Gesamtsumme einschliesslich des matching-Werts erhöhte, aber die tatsächlich gegebenen Spenden teilweise verdrängte, sodass das Eigeneinkommen der Organisation ohne das matching sank. Adena und Huck²⁰ finden, dass diese Verdrängung geringer ausfällt, wenn das matching einem zweiten, ergänzenden Zweck zugutekommt, und dass ihre matching-Behandlung die Zahl der grossen Gaben gegenüber einer Leitspender-Kontrolle senkte.

Zusammengenommen gilt: Dass es ein matching gibt, hilft. Wie hoch es ausfällt, hilft nicht. Es wirkt am besten bei aktuell engagierten Spendern, und es kann senken, was die Organisation tatsächlich erhält, wenn man den matching-Wert nicht mitzählt. Eine Leitspende schlicht anzukündigen schlägt das matching in dem einen Experiment, das beides direkt verglichen hat.

2.4 Verwaltungskosten, und wer sie trägt

Gneezy, Keenan und Gneezy¹⁶ führten ein Feldexperiment mit 40.000 potenziellen US-Spendern durch, 10.000 je Arm.

Der Verwaltungskostenarm schlug die Kontrolle um 188 Prozent, den seed-Arm um 75 Prozent und den matching-Arm um 89 Prozent, jeweils bei p < 0,001. Bedingt darauf, dass überhaupt gegeben wurde, waren die durchschnittlichen Beträge über die drei Behandlungen hinweg ähnlich (27,83, 27,69 und 27,04 USD) gegenüber 23,93 USD in der Kontrolle. Der grösste Teil des Unterschieds liegt also auf der extensiven Marge.

Der Laborteil klärt den Mechanismus. Wenn die eigene Spende der Teilnehmer keine Verwaltungskosten trug, gaben 73,33 Prozent an die Zielorganisation. Bei 5 Prozent Verwaltungskosten waren es 66,67 Prozent (nicht signifikant), bei 50 Prozent Verwaltungskosten 49,43 Prozent. Wurden dieselben 50 Prozent Verwaltungskosten aber von jemand anderem getragen, gaben 71,43 Prozent, was sich statistisch nicht von der Bedingung ohne Verwaltungskosten unterscheidet. Die Abneigung gegen Verwaltungskosten dreht sich also darum, dass das eigene Geld beim Zweck ankommt, und nicht um Verwaltungskosten als Zeichen von Ineffizienz. Nur 6 Prozent der Befragten in der begleitenden Arbeit lasen daraus überhaupt ein Effizienzsignal.

Die Autoren selbst weisen auf das offene Risiko hin, dass dies langfristig negativ wirken könnte, wenn Spender erwarten, dass Verwaltungskosten immer von jemand anderem getragen werden.

2.5 Betragsleitern, Voreinstellungen und Anker

Goswami und Urminsky²¹ führten acht Studien mit 11.508 Teilnehmern und 2.423 Spendenentscheidungen durch, darunter ein grosses natürliches Feldexperiment.

Sie identifizieren drei Effekte, die gegeneinander wirken:

• einen lower-bar effect, bei dem eine niedrig voreingestellte Summe die Spendenquote erhöht;
• einen scale-back effect, bei dem niedrige Voreinstellungen die durchschnittlichen Spendenbeträge senken;
• einen default-distraction effect, bei dem das Einführen irgendeiner Voreinstellung die Wirkung anderer Hinweise abschwächt, auch die positiver Informationen über die Organisation.

Voreinstellungen erhöhten in ihrer Feldstudie tatsächlich den Ertrag, was der Behauptung widerspricht, Voreinstellungen wirkten nach hinten los. Die Autoren beschreiben Voreinstellungen aber als möglicherweise selbstaufhebend, weil die beiden gegenläufigen Wirkungen der Höhe der Voreinstellung unter dem Strich keinen Ertragseffekt ergeben.

Altmann, Falk, Heidhues, Jayaraman und Teirlinck²² fanden auf einer Online-Plattform, dass in jeder Behandlung der häufigste positive Beitrag genau der angegebenen Voreinstellung entsprach, dass aber Voreinstellungen keinen signifikanten Effekt auf die durchschnittliche Spendenhöhe hatten. Die Autoren warnen davor, Voreinstellungen unter der schlichten Annahme, sie wirkten schon, anzuheben, weil das nach hinten losgehen kann.

Zur Form einer mehrstufigen Leiter statt einer einzelnen Voreinstellung wiederholt sich der Befund, dass die unterste Sprosse die Rücklaufquote steuert und die oberste Sprosse den durchschnittlichen Betrag. De Bruyn und Prokopec²³ sprachen 50.000 Spender einer Organisation mit Betragsrastern an, die auf das frühere Verhalten zugeschnitten waren. Sie berichten, dass sowohl die Höhe des ersten Betrags als auch die Steilheit des restlichen Rasters die Spendenbeträge erhöhten, dass aber nur die Höhe des ersten Betrags die Spendenwahrscheinlichkeit senkte, und dass beide Effekte bei seltenen Spendern stärker ausfielen als bei häufigen.

Karlan und Lists¹⁸ eigene Variation des Beispielbetrags innerhalb der matching-Formulierung erzeugte keinen nennenswerten Einfluss auf das Verhalten, und Karlan, List und Shafir¹⁹ fanden, dass ein hoher Beispielbetrag von 75 USD zusammen mit einem schwachen matching Schaden anrichtete. Warwicks Praxisbefund, den Karlan und List zitieren, lautet, dass niedrigere Betragsvorschläge auf einer Antwortkarte den Ertrag üblicherweise erhöhen, weil die Rücklaufquote steigt, während sich der gegebene Betrag selten ändert. Das ist eine Sekundärquelle ohne Begutachtung und steht hier nur, weil Karlan und List es als das Muster behandeln, gegen das ihre Anordnung testete. ungeprüft

Wird der Anker zu weit getrieben, lassen Spender die vorgeschlagenen Beträge liegen, statt ihnen zu folgen. Von Reiley und Kollegen und ihren Mailing-Experimenten für das öffentliche Fernsehen²⁴ wird berichtet, dass ein Anheben des gesamten Vektors der vorgeschlagenen Beträge dazu führte, dass angeschriebene Spender die Vorschläge um 50 Prozent seltener annahmen. Der Rückgang war deutlich grösser, wenn die Vorschläge um rund 50 Prozent statt um rund 20 Prozent stiegen, und die Wirkung auf die Wahrscheinlichkeit, überhaupt zu spenden, war klein und statistisch nicht signifikant.

Bemerkenswert ist die Übereinstimmung mit Abschnitt 1.4: Die Regression von Zhang und Kollegen² zu GitHub Sponsors fand, dass die niedrigste Stufe die Beteiligung dämpft und die höchste sie hebt. Das ist dieselbe Asymmetrie, in einem völlig anderen Umfeld gefunden.

2.6 Gegenseitigkeit: das bedingungslose Geschenk, und warum das bedingte anders wirkt

Das sind zwei gegenläufige Befunde, die häufig vermengt werden, und genau der Unterschied ist der Punkt.

Ein bedingungsloses Geschenk, vorab und unabhängig von jeder Spende gegeben, erhöht das Spenden. Falk²⁵ verschickte rund 10.000 Spendenbriefe, ein Drittel ohne Geschenk, ein Drittel mit einem kleinen Geschenk, ein Drittel mit einem grossen. Die relative Häufigkeit der Spenden stieg um 17 Prozent beim kleinen und um 75 Prozent beim grossen Geschenk.

Ein bedingtes Geschenk, angeboten im Austausch für eine Spende, senkt das Spenden. Newman und Shen²⁶ führten sechs Experimente durch und fanden, dass Menschen zwar erwarten, angebotene Dankgeschenke erhöhten die Spenden, dass die Angebote sie aber senken. Der Effekt hielt über Organisationen und Geschenktypen hinweg, über hypothetische und echte Spenden, über begehrte und unbegehrte Geschenke, über bekannte und unbekannte Organisationen und über verschiedene Geschenkwerte. Ihre Erklärung lautet, dass ein bedingtes Geschenk die Möglichkeit ins Bewusstsein hebt, man spende für das Geschenk statt zum Helfen, was der Verdrängung der eigenen Motivation Tür und Tor öffnet, und dass Spender die Kosten des Geschenks als Verschwendung ihres Geldes ansehen können. Das Geschenk als vereinbar mit prosozialen Zielen umzudeuten hob den negativen Effekt lediglich auf und hob die Spenden nicht über die Bedingung ohne Geschenk hinaus.

Die Bestätigung im Feld ist die Arbeit von Chao²⁷. Ein Feldexperiment mit Briefwerbung fand, dass Dankgeschenke die Spendenquoten senkten, wobei die Verdrängung von jenen getragen wurde, die im Vorjahr grössere Beträge gespendet hatten. Ein ergänzendes Online-Experiment fand die Senkung nur dann, wenn das Geschenk optisch hervorstach, was für einen aufmerksamkeitsbasierten Mechanismus spricht.

Die mechanistische Lesart der Grenze lautet: Gegenseitigkeit wirkt, wenn das Geschenk bedingungslos ankommt und eine Verpflichtung erzeugt, und sie versagt, wenn es als Preis angeboten wird und den Vorgang zu einem Tausch umdeutet.

2.7 Warm glow, unreiner Altruismus, und was daraus folgt

Den theoretischen Anker liefert Andreoni²⁸. Warm glow bezeichnet das gute Gefühl, das aus dem eigenen Akt des Gebens entsteht. Spender ziehen ihren Nutzen nicht nur aus der Gesamtmenge des öffentlichen Guts, sondern aus dem Geben selbst, und deshalb sind sie nicht gleichgültig zwischen einer Gabe, die sie selbst gemacht haben, und einer gleich grossen Gabe von jemand anderem oder vom Staat. Unter reinem Altruismus sagt das Modell vollständige Verdrängung privaten Gebens durch staatliche Bereitstellung und Wirkungslosigkeit von Subventionen voraus, und beides widerlegen die Daten. Unreiner Altruismus sagt das nicht voraus.

Die praktische Vorhersage, die daraus folgt, und der Grund, warum das in einem Dokument über Oberflächen steht, lautet: Ein von warm glow motivierter Spender achtet auf die Sichtbarkeit und die persönliche Zurechenbarkeit seiner eigenen Handlung, während ein rein altruistisch motivierter Spender auf das Gesamtergebnis achtet. Beide reagieren unterschiedlich auf denselben Text, und Abschnitt 2.9 enthält den direkten Test dazu.

Bönke, Massarrat-Mashhadi und Sielaff²⁹ passen diesen Rahmen mit zensierter Quantilsregression an deutsche Einkommensteuererklärungen an und finden, dass kleine und untere mittlere Spender sich wie reine Altruisten verhalten, während obere mittlere und grosse Beitragende sich wie unreine Altruisten verhalten.

2.8 Die Bitte selbst, und was es kostet, gefragt zu werden

DellaVigna, List und Malmendier³⁰ entwarfen eine Haustürsammlung, bei der manche Haushalte per Türhänger vorab erfuhren, wann der Sammler genau kommen würde.

Der Türhänger senkte den Anteil der Haushalte, die die Tür öffneten, um 10 bis 25 Prozent. Wo der Türhänger ein Kästchen „bitte nicht stören" zum Ankreuzen bot, sank das Spendenaufkommen um rund 30 Prozent, und zwar vollständig konzentriert auf Spenden unter 10 USD. Die strukturelle Schätzung für die Kosten des sozialen Drucks, einem Sammler abzusagen, beträgt 3,50 USD für eine Organisation im eigenen Bundesstaat und 1,40 USD für eine ausserhalb. Ihre Wohlfahrtsrechnung ergibt, dass solche Kampagnen den Nutzen möglicher Spender im Mittel senken.

Was sich auf einen Web-Kontext übertragen lässt, ist nicht die Haustürmechanik, sondern die Zerlegung: Ein grosser Teil der kleinen Gaben wird mit dem Unbehagen des Absagens bezahlt und nicht mit dem Wunsch zu geben, und dieser Teil verschwindet in dem Moment, in dem das Absagen kostenlos wird. Eine Spendenaufforderung, die sich stillschweigend wegklicken lässt, liegt näher am Türhänger-Arm als am Haustür-Arm.

2.9 Informationen über Wirkung und Wirksamkeit

Karlan und Wood³¹ variierten, ob ein Spendenbrief von Freedom from Hunger eine Darstellung wissenschaftlich gemessener Programmwirkung enthielt. Beide Arme enthielten dieselbe qualitative Geschichte über eine einzelne begünstigte Person.

Die ehrliche Schlagzeile ist die, die die Autoren selbst voranstellen: Wissenschaftliche Wirkungsinformationen hinzuzufügen hatte in der Gesamtstichprobe keinen Effekt darauf, ob jemand spendete, und keinen auf die Höhe. Die viel zitierte Heterogenität, dass grosse frühere Spender ihre Gaben erhöhten und kleine frühere Spender sie senkten, gilt unter kürzlich aktiven früheren Spendern, von denen die Autoren annehmen, dass sie den Brief eher geöffnet haben. In den Regressionen der ersten Welle erreichte kein einzelner Koeffizient das Zehn-Prozent-Niveau, und der formale Test, ob der Behandlungseffekt für grosse und kleine Spender gleich ist, wurde nicht verworfen (p = 0,178). Das Ergebnis beschreibt man deshalb am besten als Hinweis auf eine Trennung zwischen warm glow und Altruismus und nicht als belegten Effekt.

2.10 Der ordnende Rahmen

Bekkers und Wiepking³² haben mehr als 500 Aufsätze gesichtet und ordnen das Feld in acht Mechanismen: Wahrnehmung von Bedarf, Ansprache, Kosten und Nutzen, Altruismus, Ansehen, psychologischer Gewinn, Werte und Wirksamkeit.

Zwei ihrer Beobachtungen betreffen unmittelbar die wiederholte Bitte. Die Zahl der Ansprachen zu erhöhen kann Spendenmüdigkeit erzeugen und den durchschnittlichen Beitrag senken. Und weil Werte sich experimentell praktisch nicht manipulieren lassen, schweigt die experimentelle Literatur ausgerechnet zu dem Mechanismus, der für ein von einem Anliegen getragenes Publikum plausibel am meisten zählt. Die Autoren selbst mahnen in einem späteren Beitrag, dass es sich um breite Dachbegriffe mit vielen Untermechanismen handelt und dass der Überblick die bis 2007 verfügbare Literatur abbildet.

3. Wiederkehrendes Spenden

Die begutachtete Grundlage ist hier dünn, und noch dünner für alles, was einem Website-Abonnement ähnelt. Was es gibt, betrifft überwiegend die Frage, wie man bestehende Monatsspender dazu bringt, ihren Betrag zu ändern, und nicht die Frage, wie man einen Erstbesucher zu einem wiederkehrenden Spender macht. In dieser Sitzung wurde keine Studie gefunden, die den Übergang von einer einmaligen Web-Spende zu einer wiederkehrenden misst oder die eine Bindungskurve für wiederkehrende Spender aus einer randomisierten Anordnung berichtet. Die Bindungskennzahlen, die in diesem Bereich kursieren, stammen von Anbietern von Fundraising-Software und liegen ausserhalb des Rahmens dieser Datei. unerforscht

Was belegt ist:

Sich zu einer künftigen Erhöhung im Voraus zu verpflichten hebt den Betrag und erhöht die Kündigungen nicht. Breman¹¹ führte zwei natürliche Feldexperimente mit schwedischen Organisationen durch, in denen bestehende Monatsspender gebeten wurden, ihren Beitrag sofort, in einem Monat, in zwei Monaten oder zu einem selbst gewählten Zeitpunkt zu erhöhen. Die mittleren Erhöhungen fielen unter Vorabbindung signifikant höher aus: Der Behandlungseffekt der Zwei-Monats-Bedingung betrug 32 Prozent im ersten und 11 Prozent im zweiten Experiment. Nachverfolgungsdaten zeigen, dass mehr als 95 Prozent der teilnehmenden Spender nicht von der zugesagten Erhöhung abwichen, und dass es keine statistisch signifikanten Unterschiede in den Kündigungsquoten zwischen Kontrolle und Behandlung gab. Die Autoren berichten ausserdem Heterogenität in der Reaktion auf verschiedene Fristen, die sie als Unterschiede in den Zeitpräferenzen lesen.

Das ist wirklich nützlich und wirklich begrenzt: Es sagt, dass eine terminierte künftige Erhöhung eingehalten wird und niemanden vertreibt, und es sagt nichts darüber, ob eine wiederkehrende Zusage überhaupt zu erbitten das Gesamtaufkommen dämpft.

Um wiederkehrende statt einmalige Spenden zu bitten senkt offenbar die Bereitschaft, sofern keine Gesamtsumme gezeigt wird. Ho, Chin und Wang³³ berichten sechs Studien mit Archiv- und Experimentaldaten, die übereinstimmend zeigen, dass Konsumenten sich von wiederkehrenden Bitten weniger angezogen fühlen als von einmaligen, vermittelt über einen erhöhten „pain of giving", also einen stärker empfundenen Schmerz des Gebens. Der Effekt schwächt sich bei weniger sparsamen Konsumenten ab, fällt geringer aus, wenn um Zeit statt um Geld gebeten wird, und kehrt sich um, wenn eine erwartete Gesamtspendensumme sichtbar gemacht wird.

Die zeitliche Umdeutung eines wiederkehrenden Betrags ist ein Laborbefund mit einer bekannten Grenze. Gourville³⁴ schlägt vor, dass die Darstellung eines Betrags als kleine laufende Ausgabe dazu führt, dass Menschen kleine laufende Ausgaben als Vergleichsmassstab heranziehen, während eine Darstellung als Gesamtsumme grosse seltene Ausgaben abruft. Die häufig wiederholte Spendenzahl, dass ein als 85 Cent pro Tag dargestellter Gehaltsabzug zu 52 Prozent angenommen wurde gegenüber 30 Prozent bei der Darstellung als 300 Dollar pro Jahr, stammt aus den Laborstudien dieser Arbeit. Die wichtige Grenze, die Gourville (2003) zugeschrieben wird, lautet, dass der Effekt mit steigendem Grundbetrag schwächer wird und sich schliesslich umkehrt.

Wiederholte Bitten für dasselbe Anliegen sind Substitute und keine Komplemente. Adena und Huck³⁵ beeinflussten die Erwartungen der Spender darüber, wie wahrscheinlich eine künftige Kampagne sei. Die anfängliche Gabe sank mit der Wahrscheinlichkeit einer künftigen Kampagne, während die spätere Gabe mit der anfänglichen stieg. Sie lesen das so, dass jedes Modell wiederholten Gebens Gewohnheitsbildung enthalten muss, und als Beleg dafür, dass Spenden an dasselbe Anliegen in verschiedenen Perioden Substitute sind.

Dieser letzte Befund ist das, was der Literatur an einer Warnung vor einer wiederkehrenden Bitte neben einer einmaligen Bitte am nächsten kommt, und es ist eine einzelne Studie.

4. Der deutschsprachige Markt

4.1 Wie viele Menschen geben, und wie viel

Die belastbarsten deutschen Zahlen stammen aus dem Sozio-oekonomischen Panel. Gricevic, Schulz-Sandhof und Schupp³⁶ haben daraus ausgerechnet, wie viele Menschen in Deutschland spenden und wie viel sie geben. Ihre Spenderquote liegt deutlich über den Zahlen, die die öffentliche Diskussion prägen.

Die Stichprobengrössen betrugen 16.648, 25.045 und 25.620 Befragte. Die Verteilung ist stark rechtsschief: Der Mittelwert stieg zwischen 2009 und 2017 von 206 auf 301 Euro, während der Median bei etwa 100 Euro blieb. Das Volumen stieg in diesem Zeitraum nominal um knapp 70 Prozent und real um gut 50 Prozent.

Die Autoren widmen einen Abschnitt der Frage, warum die SOEP-Zahl so stark von den Zahlen der Branchenumfragen abweicht, die die öffentliche Diskussion prägen und eine Spenderreichweite im Bereich von 24 bis 30 Prozent der Bevölkerung berichten. Sie führen die Lücke vor allem auf die Frageformulierung zurück: Das SOEP fragt breit nach sozialen, kirchlichen, kulturellen, gemeinnützigen und wohltätigen Zwecken, während die engeren Erhebungsinstrumente gezielt nach Geld für Hilfsorganisationen fragen. Auch der Erhebungsmodus und das Mindestalter der Befragten unterscheiden sich. Praktisch heisst das: Eine einzige deutsche Spendenquote gibt es nicht, und jede Zahl muss zusammen mit der Frage gelesen werden, die sie hervorgebracht hat.

4.2 Feldexperimentelle Belege an deutschen Stichproben

Drei der bereits zitierten Studien wurden an deutschen oder deutschsprachigen Populationen durchgeführt, was in dieser Literatur ungewöhnlich ist und ausdrücklich festgehalten gehört, denn der Rest ruht überwiegend auf US-Stichproben.

• Die Wikipedia-Durchläufe von Linek und Traxler⁸ sind deutschsprachige Webbanner mit knapp 23.000 Spenden und 442.167 Euro. Sie sind der einzige grossflächige, online erhobene deutsche Beleg in dieser Datei, und ihr zentrales Ergebnis lautet, dass ein weithin empfohlener nudge, nämlich die positive soziale Rahmung, schlechter abschnitt als die negative Rahmung, die er ersetzen sollte.
• Die Opernexperimente von Huck und Rasul¹⁴ sowie von Huck, Rasul und Shephard¹⁵ sind deutsche Postsendungen an 14.000 beziehungsweise 25.000 Empfänger. Ihre Rücklaufquoten von 3,5 bis 4,2 Prozent lagen rund doppelt so hoch wie in vergleichbaren grossen Feldexperimenten zum Spenden, was die Autoren auf die starke Verbundenheit des Publikums mit dem Anliegen zurückführen. Das ist beim Lesen ihrer absoluten Zahlen zu beachten, denn es handelt sich um ein selbstselektiertes, wohlhabendes und stark verbundenes Publikum.
• Bönke, Massarrat-Mashhadi und Sielaff²⁹ nutzen deutsche Einkommensteuererklärungen und finden, dass die steuerliche Absetzbarkeit genug zusätzliches privates Spenden erzeugt, um die entgangenen Steuereinnahmen auszugleichen.

Auch die Arbeiten von Adena und Huck zu matching²⁰ und zu zeitlicher Verdrängung³⁵ nutzen deutsche Spenderlisten von Opernhäusern.

4.3 Was für den deutschen Markt nicht belegt ist

In dieser Sitzung wurde keine begutachtete Quelle zu deutschen Vorlieben bei Zahlungsmitteln gefunden, keine zum Online-Anteil des deutschen Spendenaufkommens und keine zu deutschen Haltungen gegenüber wiederkehrenden Spendenbitten im Besonderen. Die häufig zitierten deutschen Zahlen zum Spendenvolumen nach Kanal und nach Monat stammen aus der beauftragten Panelstudie des Deutschen Spendenrats, die eine Branchenquelle ist und ausserhalb des Rahmens dieser Datei liegt. Das ist eine echte Lücke und sollte nicht durch Hochrechnen aus US-Daten gefüllt werden. unerforscht

5. Umstritten, nicht repliziert oder schwächer als gemeinhin behauptet

Dieser Abschnitt zählt genauso viel wie die positiven Befunde, denn mehrere der Effekte, die für Spendenoberflächen am häufigsten empfohlen werden, gehören zu den schwächsten der Literatur.

5.1 Der identifiable victim effect

Das ist der klarste Fall eines kanonischen Ergebnisses, das einer Überprüfung nicht standhält. Der identifiable victim effect besagt, dass ein benanntes einzelnes Opfer mehr Spenden auslöst als eine Statistik.

Das Original stammt von Small, Loewenstein und Slovic³⁷. In ihrer Studie 1 gaben Teilnehmer, denen ein identifizierbares Opfer gegenüberstand, mehr (M = 2,12 USD, SD = 2,13) als jene mit einem statistischen Opfer (M = 1,21 USD, SD = 1,67), F(1,115) = 6,75, p < 0,05, partielles Eta-Quadrat = 0,06. Teilnehmer über den Effekt aufzuklären senkte die Spenden (M = 1,31 gegen M = 2,00), F(1,115) = 4,15, p < 0,05, partielles Eta-Quadrat = 0,04. Die Wechselwirkung ist der einprägsame Teil: Die Zelle mit identifizierbarem Opfer und ohne Aufklärung gab M = 2,83 USD, während die anderen drei Zellen im Mittel M = 1,26 USD gaben, t(117) = 4,06, p < 0,001. Ihre Studie 3 testete die Kombination direkt und fand einen signifikanten Effekt der Identifizierbarkeit, F(2) = 5,67, p < 0,01, partielles Eta-Quadrat = 0,07, wobei das identifizierbare Opfer sowohl die reine Statistik übertraf (p < 0,01) als auch das identifizierbare Opfer zusammen mit Statistiken (p < 0,05). Reine Statistik und Identifizierbarkeit plus Statistik unterschieden sich nicht (p = 1,0). Die spezielle Behauptung, dass Statistiken zu einem benannten Fall hinzuzufügen dessen Vorteil zerstört, ist im Original also gestützt.

Die Gegenprüfung stammt von Maier, Wong und Feldman³⁸. Ihre robuste bayesianische Metaanalyse der Metaanalyse von Lee und Feeley (2016) zu diesem Effekt fand moderate Belege für Publikationsverzerrung (BF01 = 0,11), starke Belege für das Fehlen eines durchschnittlichen Effekts (BF01 = 14,93) und einen modellgemittelten mittleren Effekt von r = 0,002, 95-Prozent-KI [0; 0,004]. Studien mit kleineren Standardfehlern zeigten kleinere Effekte, und nicht signifikante Studien wurden erheblich seltener veröffentlicht. Ihre eigene vorab registrierte Replikation und Erweiterung der Studien 1 und 3 fand keine empirische Stützung für den identifiable victim effect (Eta-Quadrat = 0,000, 95-Prozent-KI [0,000; 0,003]) und folglich auch keine für dessen Entschärfung (Eta-Quadrat = 0,001, 95-Prozent-KI [0,000; 0,012]).

Die Autoren gehen sorgfältig mit der Einschränkung um: Ihre Replikation nutzte hypothetische Spenden, während das Original echtes Geld verwendete, und sie fordern ausdrücklich gut ausgestattete Replikationen mit echten Spenden. Sie schlagen ausserdem vor, das Phänomen als scope insensitivity umzudeuten, also als Unempfindlichkeit gegenüber der Grössenordnung, statt als Vorliebe für identifizierte Opfer. Sie halten mehrere weitere jüngere Fehlschläge fest, darunter Moche und Västfjäll, die in sechs von sieben gut ausgestatteten Studien nicht replizieren konnten, und ihre eigene gescheiterte Replikation von Kogut und Ritov (2005).

5.2 Fristen und Dringlichkeit

Damgaard und Gravert³⁹ verschickten E-Mails und Kurznachrichten mit unterschiedlichen Fristen an rund 53.000 frühere Spender einer grossen dänischen Organisation. Sie finden keinen Effekt von Fristen auf die Spendenneigung, sondern ein Muster nach dem Motto jetzt oder nie, bei dem fast alle Spenden unabhängig von der Frist innerhalb von zwei bis drei Tagen eintrafen. Eine längere Frist erhöhte den Betrag bedingt darauf, dass gespendet wurde, was das Gegenteil dessen ist, was Dringlichkeitsrahmung auf der intensiven Marge vorhersagt.

Karlan, List und Shafir¹⁹ steuern ein unmittelbar einschlägiges Negativergebnis bei: In ihrem matching-Experiment richtete die Aussage, jetzt sei der Zeitpunkt zu geben, ohne einen Grund zu nennen, Schaden an, und das matching hinzuzunehmen hob diesen Schaden offenbar auf, ohne mehr Spenden zu erzeugen.

Zur Knappheitsrahmung im weiteren Sinn wird die Literatur als uneindeutig beschrieben, wobei eine Arbeit im Journal of the Academy of Marketing Science von 2023⁴⁰ versucht, sie über ressourcenspezifische Knappheit und individuelle Moderatoren aufzulösen.

5.3 Fortschrittsbalken, Spendenthermometer und goal gradients

Der positive Beleg ist die Arbeit von Cryder, Loewenstein und Kollegen⁴¹. Dort wurden Fonds verglichen, die als zu 10, 66 oder 85 Prozent auf dem Weg zu ihrem Ziel beschrieben waren, und es kamen mehr Spenden näher am Ziel, mit der wahrgenommenen Wirkung als Vermittler. Als goal gradient bezeichnet die Forschung die Beobachtung, dass der Antrieb mit der Nähe zum Ziel wächst.

Dagegen steht eine PLOS-One-Studie von 2022 zur Plattform JGive⁴², die einen negativen Effekt der Zielnähe-Information fand. Die Autoren führen das teils darauf zurück, dass die Plattform sich selbst anschiebt, weil Projektinhaber in ihre eigenen Projekte einzahlen konnten, und teils darauf, dass eng verbundene örtliche Spender zuerst kommen. Spätere Arbeiten argumentieren, dass das Vorzeichen mit dem Bewertungsmodus kippt, sodass Spender bei gemeinsamer Bewertung mehrerer Anliegen mehr an jenes Anliegen geben, das weiter von seinem Ziel entfernt ist. ungeprüft

5.4 Geschenke und Prämien als Anreiz

Behandelt in Abschnitt 2.6 und hier wiederholt, weil die Richtung am häufigsten falsch verstanden wird. Bedingte Dankgeschenke senken die Spenden, in sechs Laborexperimenten (Newman und Shen 2012²⁶) und in einem Feldexperiment mit Briefwerbung (Chao 2017, PNAS²⁷), wobei die Verdrängung im Feld auf die grösseren Spender des Vorjahres konzentriert war. Bedingungslose Geschenke, die unabhängig vom Spenden verschickt werden, erhöhen sie (Falk 2007²⁵). Chaos Online-Experiment wurde 2024 von Holzmeister und Kollegen erfolgreich repliziert, wobei das Feldexperiment nicht erneut gefahren wurde. ungeprüft für die Replikation von Holzmeister

Die Open-Source-spezifische Fassung derselben Warnung ist der Befund von Conti, Gupta, Guzman und Roche⁷, dass eine Zuwendung von 20 US-Dollar die Innovation gegenüber gar keiner Zuwendung senkte, besprochen in Abschnitt 1.6.

5.5 Matching, am Rand betrachtet

Die Effekte von 19 und 22 Prozent bei Karlan und List¹⁸ sind echt und gut identifiziert. Abschnitt 2.3 hält aber fest, dass Karlan, List und Shafir¹⁹ an einer anderen Stichprobe nur schwache Belege für beide getesteten matching-Verhältnisse fanden, dass Huck und Rasul¹⁴ lineares matching teilweise die tatsächlich gegebenen Spenden verdrängen sahen, und dass der strukturelle Vergleich von Huck, Rasul und Shephard¹⁵ die schlichte Leitspender-Ankündigung vor jedes von ihnen getestete matching-Verfahren setzte. Die Behauptung, ein höheres matching-Verhältnis helfe, ist direkt und wiederholt widerlegt worden. dagegen

5.6 Soziale Information, am Rand betrachtet

Die sechs Durchläufe von Linek und Traxler⁸ fanden, dass das Variieren der mitgeteilten sozialen Information keinen messbaren Effekt hatte, und zwar über Varianten hinweg, die um den Faktor 20 bis 40 auseinanderliegende Spendenquoten nahelegten, in einem Umfeld mit Millionen von Einblendungen und einem vorab registrierten Arm. Der ursprüngliche Effekt sozialer Vergleiche auf die Spendenquoten bei Frey und Meier⁹ war nach der Lesart von Linek und Traxler unbedingt betrachtet positiv, aber nicht statistisch signifikant. Der Effekt von 12 Prozent bei Shang und Croson¹⁰ galt für neue Mitglieder und nicht für verlängernde.

5.7 Voreinstellungen

Goswami und Urminsky²¹ kommen selbst zu dem Schluss, dass Voreinstellungen sich beim Ertrag selbst aufheben können, und Altmann und Kollegen²² fanden keinen signifikanten Effekt von Voreinstellungen auf die durchschnittliche Spendenhöhe, obwohl die Voreinstellung zuverlässig zum häufigsten Beitrag wurde. Beides sind positiv klingende Literaturen mit Nullergebnissen beim Ertrag in ihrem Kern. schwach

5.8 Moral licensing

Als moral licensing bezeichnet die Forschung den Gedanken, dass eine gute Tat einen später zu einer schlechteren berechtigt. Blanken, van de Ven und Zeelenberg⁴³ haben 91 Studien mit 7.397 Teilnehmern metaanalysiert und d = 0,31 geschätzt. Sie merken dabei an, dass veröffentlichte Studien grössere Effekte zeigten als unveröffentlichte und dass eine trim-and-fill-Analyse der 57 veröffentlichten Studien auf 21 fehlende schliessen liess. Spätere Metaanalysen haben deutlich kleinere Schätzungen ergeben, im Bereich von -0,05 bis 0,18, und eine mehrebenenanalytische Metaanalyse von 2026 über 115 Experimente (N = 21.770) fand licensing sehr viel stärker, wenn die Teilnehmer beobachtet wurden (g = 0,65), als wenn sie unbeobachtet waren (g = 0,13), was für eine Erklärung über den Ruf spricht. nur Zusammenfassung, auch für die späteren Metaanalysen, die hier keine eigene Nummer tragen

5.9 Verdrängung innerer Motivation

Dieser Befund hält, und er ist die theoretische Rückendeckung für die Abschnitte 2.6 und 1.6. belastbar

Frey und Oberholzer-Gee⁴⁴ befragten Schweizer Einwohner dazu, ob sie ein Endlager für Atommüll in ihrer Gemeinde akzeptieren würden. 50,8 Prozent stimmten zu, wenn keine Entschädigung angeboten wurde. Die Zustimmung fiel auf 24,6 Prozent, sobald eine Entschädigung angeboten wurde, über Beträge von 2.175 bis 6.525 USD hinweg, und stieg auf nur 27,4 Prozent, als das Angebot erhöht wurde. Nur 4,9 Prozent sagten, der Betrag sei zu gering, und die Autoren schlossen ein Risikosignal als Erklärung aus.

Mitzunehmen ist daraus: Einen Preis dort einzuführen, wo eine bürgerschaftliche oder identitätsgetragene Motivation wirkte, kann das Verhalten senken, und den Preis zu erhöhen repariert das nicht.

6. Befunde, geordnet nach Belastbarkeit und Umsetzbarkeit auf einer Website

Geordnet nach dem Produkt aus zwei Dingen: wie gut die Belege den Befund stützen, und wie direkt er sich in eine Weboberfläche bauen liesse. Nichts in diesem Abschnitt ist eine Empfehlung, es ist eine Rangfolge der Belege.

Stufe 1: belastbare Belege, direkt umsetzbar belastbar

Stufe 2: gute Belege, umsetzbar, mit angegebener Grenze belastbar

Stufe 3: echt, aber schwach, bedingt oder null beim entscheidenden Ergebnis schwach

Stufe 4: darauf nicht bauen dagegen

Die grösste Lücke

Wiederkehrendes Spenden. unerforscht Die gesamte hier aufgefundene Literatur zu wiederkehrenden Spenden besteht aus einem Feldexperiment darüber, wie man bestehende Monatsspender zu einer Erhöhung bewegt, einer Marketingarbeit von 2025, die nahelegt, dass wiederkehrende Bitten weniger anziehend sind als einmalige, sofern keine Gesamtsumme gezeigt wird, einem Laborergebnis von 1998 zur zeitlichen Umdeutung mit einer bekannten Umkehr bei höheren Beträgen, und einem Feldexperiment, das zeigt, dass wiederholte Bitten für dasselbe Anliegen Substitute und keine Komplemente sind. Es gibt keinen aufgefundenen randomisierten Beleg dazu, wie aus einem erstmaligen Web-Spender ein wiederkehrender wird, keinen zu Bindungskurven wiederkehrender Spender, und keinen dazu, ob eine wiederkehrende Option neben einer einmaligen Option das Gesamtaufkommen dämpft. Genau diese letzte Frage muss eine auf Abonnements ausgerichtete Spendenoberfläche beantwortet haben, und die Literatur beantwortet sie nicht.

Knapp dahinter folgt der deutsche Markt. Die Spendenquote und ihre Verteilung sind durch das SOEP gut gemessen, und es gibt drei gute deutsche Feldexperimente, aber es gibt hier keinen aufgefundenen begutachteten Beleg zu deutschen Vorlieben bei Zahlungsmitteln, zum Online-Anteil des deutschen Spendenaufkommens oder zu deutschen Haltungen gegenüber wiederkehrenden Bitten.

Anhang: was gelesen wurde, und wie

Volltext beschafft und Ergebnisse direkt gelesen

Nur Zusammenfassung oder Datenbankeintrag

Festgehalten, aber in dieser Sitzung nicht gegen eine Primärquelle geprüft, und an der Verwendungsstelle so gekennzeichnet

Quellennachweis

Vierundvierzig Arbeiten, in der Reihenfolge ihres Auftretens. Der Vermerk hinter jedem Eintrag sagt, wie tief die Arbeit gelesen wurde.

1. Overney, Meinicke, Kästner und Vasilescu (2020): How to Not Get Rich: An Empirical Study of Donations in Open Source. ICSE 2020. DOI 10.1145/3377811.3380410. Volltext gelesen Quelle↩↩↩↩
2. Zhang, Wang, Yu, Zeng, Li und Wang (2022): Who, What, Why and How? Towards the Monetary Incentive in Crowd Collaboration: A Case Study of GitHub's Sponsor Mechanism. CHI 2022. DOI 10.1145/3491102.3501822. Volltext gelesen Quelle↩↩↩↩↩↩
3. Shimada, Xiao, Hata, Treude und Matsumoto (2022): GitHub Sponsors: Exploring a New Way to Contribute to Open Source. ICSE 2022. Volltext gelesen Quelle↩↩↩
4. Chen und Kollegen (2023): An Empirical Study on GitHub Sponsor Mechanism. International Journal of Software Engineering and Knowledge Engineering 33(9). DOI 10.1142/S0218194023500377. nur Zusammenfassung Quelle↩
5. Hiltz und Ghaleb (2026): Mapping GitHub Sponsorships: A Longitudinal Observatory for Open-Source Sustainability. FSE 2026. Volltext gelesen, davon Zusammenfassung und Einleitung Quelle↩
6. Zhou, Wang, Kamei, Hassan und Ubayashi (2022): Studying donations and their expenses in open source projects: a case study of GitHub projects collecting donations through open collectives. Empirical Software Engineering 27(1):24. DOI 10.1007/s10664-021-10060-y. nur Zusammenfassung Quelle↩
7. Conti, Gupta, Guzman und Roche: A Market for Open Source Innovation: The GitHub Sponsors Program and Developer Output. Harvard Business School Working Paper 24-014, auch als NBER Working Paper 31668 verbreitet. Volltext gelesen, davon Zusammenfassung und Einleitung Quelle↩↩
8. Linek und Traxler (2021): Framing and Social Information Nudges at Wikipedia. arXiv 2106.11128. Volltext gelesen Quelle↩↩↩↩
9. Frey und Meier (2004): Social Comparisons and Pro-social Behavior: Testing 'Conditional Cooperation' in a Field Experiment. American Economic Review 94(5), Seiten 1717 bis 1722. nur Zusammenfassung für Frey und Meier selbst; die Beschreibung des Ergebnisses stammt aus dem Volltext von Linek und Traxler Quelle↩↩
10. Shang und Croson (2009): A Field Experiment in Charitable Contribution: The Impact of Social Information on the Voluntary Provision of Public Goods. The Economic Journal 119(540), Seiten 1422 bis 1439. DOI 10.1111/j.1468-0297.2009.02267.x. nur Zusammenfassung für die Arbeit selbst; die Werte von 12 und 29 Prozent wurden gegen Bremans Volltext gegengeprüft Quelle↩↩
11. Breman (2011): Give more tomorrow: Two field experiments on altruism and intertemporal choice. Journal of Public Economics 95(11), Seiten 1349 bis 1357. Volltext gelesen, davon Zusammenfassung und Ergebnisüberblick Quelle↩↩
12. Martin und Randal (2008): How is donation behaviour affected by the donations of others? Journal of Economic Behavior & Organization 67(1), Seiten 228 bis 238. nur Zusammenfassung Quelle↩
13. Bartke, Friedl, Gelhaar und Reh (2016): Social Comparison Nudges: Guessing the Norm Increases Charitable Giving. Kiel Working Paper 2058. Volltext gelesen, davon die Zusammenfassung Quelle↩
14. Huck und Rasul (2011): Matched fundraising: Evidence from a natural field experiment. Journal of Public Economics 95(5-6), Seiten 351 bis 362. Volltext gelesen Quelle↩↩↩↩
15. Huck, Rasul und Shephard: Comparing Charitable Fundraising Schemes: Evidence from a Natural Field Experiment and a Structural Model. American Economic Journal: Economic Policy, hier in der Arbeitsfassung von 2013. Volltext gelesen, davon Zusammenfassung und Ergebnisdiskussion Quelle↩↩↩
16. Gneezy, Keenan und Gneezy (2014): Avoiding overhead aversion in charity. Science 346(6209), Seiten 632 bis 635. DOI 10.1126/science.1253932. Volltext gelesen Quelle↩↩
17. List und Lucking-Reiley (2002): The Effects of Seed Money and Refunds on Charitable Giving: Experimental Evidence from a University Capital Campaign. Journal of Political Economy 110(1), Seiten 215 bis 233. ungeprüft: das erreichbare Exemplar war ein gescanntes Bild ohne extrahierbaren Text Quelle↩
18. Karlan und List (2007): Does Price Matter in Charitable Giving? Evidence from a Large-Scale Natural Field Experiment. American Economic Review 97(5), Seiten 1774 bis 1793, gelesen in der Fassung als NBER Working Paper 12338. Volltext gelesen Quelle↩↩↩
19. Karlan, List und Shafir (2011): Small matches and charitable giving: Evidence from a natural field experiment. Journal of Public Economics 95, Seiten 344 bis 350. Volltext gelesen, davon die Zusammenfassung Quelle↩↩↩↩
20. Adena und Huck (2017): Matching donations without crowding out? Some theoretical considerations, a field, and a lab experiment. Journal of Public Economics 148, Seiten 32 bis 42. nur Zusammenfassung Quelle↩↩
21. Goswami und Urminsky (2016): When Should the Ask Be a Nudge? The Effect of Default Amounts on Charitable Donations. Journal of Marketing Research 53(5). Volltext gelesen, davon die Zusammenfassung Quelle↩↩
22. Altmann, Falk, Heidhues, Jayaraman und Teirlinck (2019): Defaults and Donations: Evidence from a Field Experiment. Review of Economics and Statistics 101(5), Seite 808. nur Zusammenfassung Quelle↩↩
23. De Bruyn und Prokopec (2013): Opening a donor's wallet: The influence of appeal scales on likelihood and magnitude of donation. Journal of Consumer Psychology. DOI 10.1016/j.jcps.2013.03.002. nur Zusammenfassung Quelle↩
24. Reiley und Kollegen: Mailing-Experimente für das öffentliche Fernsehen zum Vektor der vorgeschlagenen Spendenbeträge. ungeprüft: Diese Arbeit wurde in dieser Sitzung nicht erreicht, die Zahlen stammen aus einem Suchergebnis Quelle↩
25. Falk (2007): Gift Exchange in the Field. Econometrica 75(5), Seiten 1501 bis 1511. DOI 10.1111/j.1468-0262.2007.00800.x. nur Zusammenfassung für Falk selbst; dieselben Zahlen stehen im Volltext von Newman und Shen, der direkt gelesen wurde Quelle↩↩
26. Newman und Shen (2012): The counterintuitive effects of thank-you gifts on charitable giving. Journal of Economic Psychology 33(5), Seiten 973 bis 983. Volltext gelesen, davon Zusammenfassung und Literaturteil; die Statistiken der einzelnen Experimente wurden nicht entnommen Quelle↩↩
27. Chao (2017): Demotivating incentives and motivation crowding out in charitable giving. PNAS 114(28), Seiten 7301 bis 7306. DOI 10.1073/pnas.1616921114. nur Zusammenfassung Quelle↩↩
28. Andreoni (1990): Impure Altruism and Donations to Public Goods: A Theory of Warm-Glow Giving. The Economic Journal 100(401), Seiten 464 bis 477. DOI 10.2307/2234133. nur Zusammenfassung Quelle↩
29. Bönke, Massarrat-Mashhadi und Sielaff (2010): Charitable Giving in the German Welfare State: Fiscal Incentives and Crowding Out. Freie Universität Berlin Discussion Paper 2010/30, später in Public Choice, DOI 10.1007/s11127-011-9806-y. Volltext gelesen, davon die Zusammenfassung Quelle↩↩
30. DellaVigna, List und Malmendier (2012): Testing for Altruism and Social Pressure in Charitable Giving. The Quarterly Journal of Economics 127(1), Seiten 1 bis 56, gelesen in der Fassung als NBER Working Paper 15629. Volltext gelesen, davon die Zusammenfassung Quelle↩
31. Karlan und Wood (2017): The effect of effectiveness: Donor response to aid effectiveness in a direct mail fundraising experiment. Journal of Behavioral and Experimental Economics 66, Seiten 1 bis 8, gelesen in der Fassung als NBER Working Paper 20047. Volltext gelesen, davon Zusammenfassung und Teile der Ergebnisse Quelle↩
32. Bekkers und Wiepking (2011): A Literature Review of Empirical Studies of Philanthropy: Eight Mechanisms That Drive Charitable Giving. Nonprofit and Voluntary Sector Quarterly 40(5), Seiten 924 bis 973. Volltext gelesen, davon Zusammenfassung und Rahmenteil Quelle↩
33. Ho, Chin und Wang (2025): Recurring versus one-time donation requests: The toll on attracting donors. Journal of Business Research 192. DOI 10.1016/j.jbusres.2025.115317. nur Zusammenfassung Quelle↩
34. Gourville (1998): Pennies-a-Day: The Effect of Temporal Reframing on Transaction Evaluation. Journal of Consumer Research 24(4), Seiten 395 bis 408. nur Zusammenfassung; die Werte von 52 gegen 30 Prozent stehen hier als Suchergebnis und wurden nicht in der Arbeit gelesen, sie gelten daher als ungeprüft Quelle↩
35. Adena und Huck (2019): Giving once, giving twice: A two-period field experiment on intertemporal crowding in charitable giving. Journal of Public Economics 172, Seiten 127 bis 134. DOI 10.1016/j.jpubeco.2019.01.002. nur Zusammenfassung Quelle↩↩
36. Gricevic, Schulz-Sandhof und Schupp (2020): Spenden in Deutschland: Analysen auf Basis des SOEP und Vergleiche mit anderen empirischen Studien. SOEPpapers 1074, DIW Berlin, März 2020. Volltext gelesen, davon die Ergebnistabellen Quelle↩
37. Small, Loewenstein und Slovic (2007): Sympathy and callousness: The impact of deliberative thought on donations to identifiable and statistical victims. Organizational Behavior and Human Decision Processes 102(2), Seiten 143 bis 153. Volltext gelesen Quelle↩
38. Maier, Wong und Feldman (2023): Revisiting and Rethinking the Identifiable Victim Effect: Replication and Extension of Small, Loewenstein, and Slovic (2007). Collabra: Psychology 9(1):90203. Volltext gelesen Quelle↩
39. Damgaard und Gravert (2017): Now or never! The effect of deadlines on charitable giving: Evidence from two natural field experiments. Journal of Behavioral and Experimental Economics 66, Seiten 78 bis 87. DOI 10.1016/j.socec.2016.04.013. nur Zusammenfassung Quelle↩
40. Arbeit zur Knappheitsrahmung im Journal of the Academy of Marketing Science (2023). Der Ausgangstext nennt weder Verfasser noch Titel. DOI 10.1007/s11747-023-00938-2. nur Zusammenfassung Quelle↩
41. Cryder, Loewenstein und Kollegen (2013): Arbeit zum goal gradient im Journal of Experimental Social Psychology. heruntergeladen; Zusammenfassung und Anordnung gelesen, Effektstärken nicht entnommen Quelle↩
42. PLOS One (2022): Studie zur Spendenplattform JGive. DOI 10.1371/journal.pone.0278391. nur Zusammenfassung Quelle↩
43. Blanken, van de Ven und Zeelenberg (2015): A Meta-Analytic Review of Moral Licensing. Personality and Social Psychology Bulletin 41(4), Seiten 540 bis 558. DOI 10.1177/0146167215572134. nur Zusammenfassung Quelle↩
44. Frey und Oberholzer-Gee (1997): The Cost of Price Incentives: An Empirical Analysis of Motivation Crowding-Out. American Economic Review 87(4), Seiten 746 bis 755. Volltext gelesen, davon die einschlägigen Ergebnisse Quelle↩