中国创业投资区域网络结构与区域合作研究

阮平南,郭文静,杨 娟

(北京工业大学 经济与管理学院,北京 100124)

摘 要:为揭示创业投资空间行为,促进创业投资对区域经济发展的推动作用,运用社会网络方法,从宏观、中观、微观3个角度剖析我国创业投资区域网络结构,并分析区域间投资合作行为及区域网络的形成。结果表明:我国创业投资区域网络节点间具有互惠性;区域网络可划分为核心区、半边缘区和边缘区,其中核心区成员稳定,各区域节点整体上呈现从半边缘区向边缘区移动的趋势;核心区发展主要依靠核心区内的相互投资,表现为地域上的投资集聚;半边缘区表现出较强的吸引力,主要依靠区域资源及禀赋吸引核心区创投机构投资;核心区节点主要是因为其属于核心区所以更倾向于投资合作关系的形成,而不仅仅是因为关系形成的另一端与自身属于同一区域。

关键词:创业投资;区域网络;网络结构;区域合作

收稿日期:2019-03-20

基金项目:国家自然科学基金面上项目(71772009);北京市教委社科项目(SM201810005003)

作者简介:阮平南(1955-),男,江西吉安人,北京工业大学经济与管理学院教授、博士生导师,研究方向为网络组织和组织理论;郭文静(1995-),女,河南安阳人,北京工业大学经济与管理学院硕士研究生,研究方向为社会网络与社会治理;杨娟(1979-),女,博士,湖北松滋人,北京工业大学经济与管理学院高级实验师,研究方向为网络组织理论与实践。本文通讯作者:杨娟。

DOI10.6049/kjjbydc.2018110558

开放科学(资源服务)标识码(OSID):

中图分类号:F830.59

文献标识码:A

文章编号:1001-7348(2019)14-0008-10

Network Structure and Regional Cooperation Analysis of Regional Venture Capital in China

Ruan Pingnan, Guo Wenjing, Yang Juan

(College of Economic and Management, Beijing University of Technology, Beijing 100124, China)

AbstractIn order to reveal the spatial behavior of venture capital and promote the role of venture capital to advance the development of regional economy, this study utilizes the social network model to analyze the regional network structure of China's venture investment from three perspectives——macro, medium and micro. Analysis of the cooperation behavior between regions and the formation of regional networks are conducted meanwhile. The results show that nodes of the regional network of venture capital in China are mutually beneficial; the regional network is divided into core zone, half edge zone and edge zone, with the fact that core zone members are stable and a general trend of moving from half edge zone to edge zone discovered; the development of the core zone mainly relies on mutual investment in the core zone, which is manifested as geographical investment concentration; the half edge zone shows a strong attraction, relying mainly on their own regional resources and endowments to attract venture capital institutions in the core zone to invest. The node of the core zone is more inclined to form the investment partnership because it belongs to the core zone, not just because the other end of the relationship formation belongs to the same zone with itself.

Key Words:Venture Capital;Regional Network;Network Structure;Regional Cooperation

0引言

创业投资以实际行动支持战略性新兴产业发展、发现新价值、扶持新业态、培育新动能,成为推动创新驱动发展和经济结构转型升级的新引擎[1-2]。我国创业投资活动始于20世纪80年代,在国内外相对有利的发展环境和越来越成熟的国内政策支持下,创业投资迅速发展壮大[3]。2014年7月,我国发布的《关于加快上海创业投资发展的若干意见》将创业投资定义为:创业投资机构(简称“创投机构”)向具有高成长潜力的未上市创业企业,特别是中小微创新型企业进行权益性投资,并为之提供创业管理服务,旨在所投资企业发育成熟或相对成熟后,主要通过权益转让获得资本增值收益。

现有研究发现,创业投资呈现地域集聚、网络化发展特征[4-7]。具体而言:①地域集聚。国内外实证研究表明[8-13],创投机构和创业企业主要集聚在科技或金融创新资源丰富、中介机构云集、创业氛围浓厚的地区或城市,如美国创业投资集中在旧金山、波士顿和纽约,英国创业投资集中在伦敦,我国创业投资主要集中在北京、上海和深圳;②网络化发展特征。国内学者[14-16]研究了创投机构基于投资风险分摊和投资机会共享而形成联合投资网络的网络结构、网络绩效等;③少数学者从城市网络角度对创业投资网络进行了探索性研究。李远勤等[17]研究我国创投机构所在城市因联合投资形成的城市网络发现,联合投资城市网络形成了核心区-亚核心区-半边缘区-边缘区的差序结构,且区域间合作很不均衡。汪明峰等[18]同时考虑投出地和投入地发现,中国风险投资产业供需两方面均存在明显的空间集聚特征,并形成了以北京和上海为核心节点的投资城市网络。

现有研究为创业投资区域网络提供了研究基础和视角,在此基础上有进一步探索空间。在创业投资过程中,创业企业是除创投机构之外另一个非常重要的主体,创业企业所在地区地理邻近性、资源禀赋等因素会影响创投机构投资行为。因此,本研究借鉴汪明峰等[18]构建的网络,基于2003-2017年投资事件,引入创业企业所在地区这一因素,构建创投机构与创业企业所在地区区域网络。首先,本研究针对有向加权区域网络改进测度指标,分析网络宏观、中观、微观结构,旨在揭示创业投资活动空间行为和规律;其次,对不同区域中创投机构与创业企业及其合作关系进行研究,以便更加准确地了解不同区域在网络中的功能和地位;最后,本研究使用指数随机图模型(ERGM)理论和方法进行创业投资区域网络形成分析。研究结果有助于厘清区域合作机制和特征,促进创业投资对区域经济发展产生推动作用。

1创业投资区域网络构建与结构分析

1.1创业投资区域网络构建

研究数据来源于第三方专业机构——清科私募通数据库,具有较高的代表性。基于数据完整性、可获取性和有效性,共收集到2003-2017年85 256个创业投资事件,经过数据清洗,实际统计投资事件共79 931个。首先,样本时间选择恰当。中国创业投资行业已经有30多年的发展历史,但前期发展较为缓慢,从2003年开始其网络化态势才逐渐凸显出来。其次,样本持续时间较长,选择2003年为起点,截至目前可以获得2017年的最新数据,具有良好的全面性。因此,本研究将2003-2017年数据以5年为标准划分为3个时间窗:2003-2007年、2008-2012年、2013-2017年,基于创业投资事件,构建创业投资区域网络。

(1)梳理网络中节点。网络中节点为创投机构或创业企业所在地区,节点个数确定为33个,包括我国内地31个省级行政区以及深圳市和国外两个节点地区。关于节点说明如下:考虑到创业投资在深圳市得到极大程度发展,投资事件与投资金额占比较大,故将其单独作为一个节点;因主要研究的是我国境内区域的创业投资,故将样本中除我国大陆和港澳台之外的美国、英国等32个国家统称为”国外“,并将其平均值代入进行计算比较。

(2)构建网络中节点间的边。若创投机构对创业企业投资,则创投机构所在地区与创业企业所在地区之间有一条边,方向为前者指向后者。投资次数和投资额均可以描述节点间联系的强弱,考虑到数据可得性与完整性,本研究以投资次数总和作为边的权重。本研究构建的是带自环的有向加权网络,在计算方法上有向加权网络在分析网络结构特征和节点间关系方面更具优势[19]。本研究采用文本挖掘软件TDA(Thomson Data Analyzer)对数据进行预处理,以实现节点间的关联矩阵。

最后,运用GEPHI软件将创业投资区域网络可视化。3个时间窗的创业投资区域网络如图1所示。

2003-2007年创业投资区域网络

2008-2012年创业投资区域网络

2013-2017年创业投资区域网络

图1 创业投资区域网络

注:图中节点地区的相对位置按照中国省份地图进行排列,最右边节点代表国外地区。资料来源:作者绘制

1.2创业投资区域网络结构指标

(1)网络密度。网络密度表示网络中节点间相互连接的密集程度。网络密度越大,网络中各节点地区凝聚性越强。如果规模为N个行动者的整体网络是有向关系网,那么其中包含的关系总数在理论上的最大可能值为N(N-1),该网络密度等于M/(N(N-1))[20]。本研究将有向网络推广至带自环的有向网络中,那么网络中包含的关系总数在理论上的最大值为N*N,其网络密度计算公式如式(1)所示。其中,M表示网络中包含的实际关系数目,N表示网络中的节点个数,N*N表示网络中理论上的最大关系数。

(1)

(2)互惠性。互惠性用来衡量网络中个体间交互的密切程度。在有向加权网络中,根据Carlaschelli等[21]提出的公式进行互惠性计算,如式(2)所示。其中,ωij表示节点地区i到节点地区j的创业投资事件数量,时表示网络中存在互惠性,反之则不存在互惠性。

(2)

(3)节点强度。节点强度综合考虑了带自环的有向加权网络的出度、入度和自环差异,以及权重在真实网络中的重要性。本研究采用何喜军等[22]提出的计算公式,如式(3)所示。其中,表示节点地区i的创投机构对本地区创业企业的投资事件数量(自强度),表示节点地区i的创投机构对其它地区创业企业的投资事件数量(出强度),表示节点地区i的创业企业吸引其它地区创投机构的投资事件数量(入强度)。

(3)

(4)节点度相关性。节点度相关性可进一步反映出网络中不同节点类型。根据网络中节点类型,可将网络划分为同类混合网络和非同类混合网络两种。在有向加权网络中,按照边进行划分,计算每条边起点和终点出度或入度的相关性,即起点入度~终点入度、起点出度~终点入度、起点入度~终点出度和起点出度~终点出度相关性,分别记作:Rin-inRout-inRin-outRout-out。当R>0时,网络为同类混合(节点度高的节点与其它节点度高的节点相连接的概率较大),反之则为非同类混合(节点度高的节点与其它节点度低的节点相连接的概率较大)。本研究借鉴何喜军等[22]、Newman[23]研究中的有向加权网络节点度相关性系数,如式(4)所示。其中,WM为网络边权之和,表示第m条边起点的入度之和,表示第m条边终点的入度之和。

(4)

(5)中介中心性。中介中心性是指一个节点通过在其它节点间相连的最短路径上占据中间人位置,从而为其它节点充当网络中介的程度,同时也是行动者对资源的控制程度[24]。其数值越大,表示控制能力越强,网络位置也越高。本研究采用安琪儿等[25]提出的计算公式,如式(5)所示。其中,bjh(i)代表地区节点i恰好位于jh两个地区间最短路径上的概率。计算公式为:代表jh两地区间最短路径的数目,gjh(i)表示jh两地区间经过地区i的最短路径数目。

(5)

(6)核心度。核心度可以衡量网络中节点处于核心或者边缘地位的程度,通过计算网络中各节点核心度大小,可将网络划分成核心-边缘结构。核心-边缘结构是由若干元素相互联系构成的一种中心紧密相连、外围稀疏分散的特殊结构[26]。由于本研究选用的是加权网络,即定比数据,因此选择连续型核心-边缘模型进行分析,计算公式如式(6)和式(7)所示。其中,ci是指节点i所隶属的区域(核心或者边缘),δij(模式矩阵)和aij分别表示一种关系在理想情况与实际情况下存在与否。如果各个值分布固定,当且仅当δijaij分别组成的矩阵相等时,即ρ达到最大值时,才认为与该实际数据模型相对应的网络是一个核心-边缘结构[20]。利用创业投资区域网络初始赋值矩阵可以获得c的各个值,所获得的c值即为每个节点地区的核心度[27]。根据核心度分布规律,可进行核心-边缘区域划分,划分标准如表1所示。

δij=cicj

(6)

(7)

表1 核心-边缘区域划分标准

区域核心区半边缘区边缘区核心度1.000>C≥0.1000.100>C≥0.0100.010>C≥0

1.3创业投资区域网络结构

运用UCINET与Python计算上述网络结构指标。其中,网络密度、互惠性和节点度相关性是指网络宏观层面上的指标,节点强度、中介中心性是指网络微观层面上的指标,核心-边缘结构是指网络中观层面上的指标。

1.3.1 网络宏观结构

(1)网络密度。3个时间窗创业投资区域网络密度分别为0.20、0.42、0.62,呈现密度逐渐增大趋势。在节点数量变化不大情况下,网络密度越大,直接表现为创业投资事件数量越多,表明节点地区间的联系越紧密。

(2)互惠性。3个时间窗创业投资区域网络互惠性值分别为0.14、0.45、0.87,结果全部大于零,说明创业投资区域网络存在互惠性,即网络中两节点地区倾向于相互连接。虽然第一个时间窗数值较小,互惠性不够明显,但随着网络密度的增大,网络互惠性呈增强趋势。若地区i向地区j进行创业投资,基于互惠地区j倾向于回投地区i

(3)节点度相关性。3个时间窗创业投资区域网络节点度相关性结果如表2所示,计算结果全部大于零,说明网络为同类混合,即节点度高的节点与其它节点度高的节点相连接的概率较大。对于每一个地区来说,自身出度或者入度越大,越倾向于与出度或者入度较大的地区进行投资合作。

1.3.2 网络微观结构

北京、上海、深圳等地区在创业投资区域网络中影响力较大。3个时间窗创业投资区域网络节点强度和中介中心性计算结果如表3所示。从节点强度看,3个时间窗节点强度相对大小变化不大,北京、上海、深圳、浙江和江苏稳居前5名,说明这几个地区在我国创业投资区域网络中占据着举足轻重的地位。通过对比各节点地区节点强度和中介中心性可以发现,二者具有显著相关性。节点强度越大的节点地区,其中介中心性越高,对网络资源的控制能力也越强,网络位置也就越高。

表2 创业投资区域网络节点度相关性

变量2003-20072008-20122013-2017Rin-in1.141.031.02Rout-in1.221.061.03Rin-out1.201.071.03Rout-out1.271.081.04

资料来源:作者根据清科数据库数据计算得到,下同

表3 节点强度与中介中心性

节点地区2003-2007节点强度2008-2012节点强度2013-2017节点强度2003-2007中介中心性2008-2012中介中心性2013-2017中介中心性北京1 2306 18127 27818.19217.5645.987上海1 1164 36317 1666.7539.6055.147深圳5023 83811 6068.9126.2904.301浙江2111 7826 9016.4203.7542.451江苏3702 2175 2108.9745.7964.966广东2081 1524 4401.0401.7913.501湖北674621 6360.6500.8501.319福建804571 5420.0251.0031.377山东1207141 4820.3400.5361.677四川695291 4240.0001.0410.939天津676321 2450.5753.6061.998湖南724738350.0000.4451.126陕西372967880.0002.1140.608安徽393477610.1240.1121.212重庆272136460.0000.0281.135河南572966340.0000.1020.739河北281964630.0450.2630.665辽宁262594140.0000.2640.341江西531393900.0000.3240.407新疆202113003.5030.7870.301云南241232370.4920.0080.380西藏4322310.0340.0780.257吉林101512160.0740.0130.049贵州7752010.0000.0510.028黑龙江31841890.0000.0000.038海南181021500.0000.0730.143广西16741460.0000.0000.126内蒙古141041410.0003.1250.095山西16771110.0000.0240.081甘肃3531010.0000.0000.061宁夏348970.0000.0000.045青海636470.0000.0000.006

1.3.3 网络中观结构

3个时间窗创业投资区域网络ρ值分别达到0.750、0.807、0.874,是一个可以接受的ρ值。根据划分标准,3个时间窗创业投资区域网络核心-边缘结构划分结果如表4所示,核心-边缘结构地理分布如图2所示。从划分结果可以看出:

(1)核心区成员构成较稳定。3个时间窗中,北京、上海一直稳居前二,核心区另外几位成员分别是深圳、江苏省和浙江省。深圳作为广东省经济开发区,自身单独发展已经超越了整个省份,尤其在创业投资领域占据着举足轻重的地位,这也是将深圳单独作为一个节点的原因。江苏和浙江是东部沿海地区中发展较好的两个地区,徘徊在核心区边缘。

(2)各区域节点整体上呈现从半边缘区向边缘区移动的趋势。本研究构建的区域网络共包含33个节点,在3个时间窗网络核心-边缘结构分析中,半边缘区包含的节点地区数量分别为21个、16个、9个,呈直线下降趋势;而边缘区情况恰好相反,3个时间窗分析结果分别包含7个、11个、19个。从中可以看出,随着国内创业投资的发展,地区间的差距越来越明显,发展较好地区一直保持着领头羊地位,没有跟上步伐的地区发展缓慢,以至于与核心区节点地区的差距越来越大。

(3)稳居半边缘区的内地节点地区包含湖北、四川、天津、河南和湖南。一般情况下,沿海地区发展优于内陆地区,但是上述几个内陆地区一直处于半边缘区,表明其具有较强的发展实力。湖北、湖南、四川等属于长江经济带,说明长江经济带在创业投资发展过程中地位优势明显;天津邻近北京,能够更好更快地吸收资源[28];河南作为中原地区,也较好地吸引了创业投资的目光。

表4 创业投资区域网络核心-边缘结构划分

区域2003-20072008-20122013-2017核心区北京、上海、深圳、江苏北京、上海、深圳、江苏、浙江北京、上海、深圳、浙江半边缘区浙江、广东、山东、福建、四川、天津、江西、陕西、河南、湖南、辽宁、安徽、湖北、海南、内蒙古、青海、重庆、河北、云南、黑龙江、山西广东、山东、四川、天津、河南、安徽、福建、湖北、湖南、陕西、辽宁、海南、吉林、新疆、重庆、云南江苏、广东、山东、湖北、四川、天津、福建、河南、湖南边缘区贵州、甘肃、广西、吉林、宁夏、新疆、西藏河北、江西、广西、黑龙江、内蒙古、山西、西藏、贵州、宁夏、青海、甘肃陕西、安徽、西藏、江西、重庆、河北、辽宁、贵州、黑龙江、宁夏、新疆、云南、山西、吉林、内蒙古、青海、海南、甘肃、广西

注:节点地区顺序按照核心度从大到小排列

2003-2007年核心-边缘结构

2008-2012年核心-边缘结构

2013-2017年核心-边缘结构

图2 创业投资区域网络核心-边缘结构

资料来源:本研究作者绘制

2创业投资核心-边缘区域合作分析

由以上可知,创业投资区域网络密度在第3个时间窗2013-2017年最大,即2013-2017年创业投资事件最多、节点间联系最紧密,且3个时间窗整体核心区节点相对稳定、核心-边缘发展不均衡。因此,本研究以具有代表性的2013-2017年投资事件为例,对核心-边缘区域创投机构、创业企业及其合作情况进行分析。

2.1核心-边缘区域内创投机构特征

从创投机构资本类型及是否具有国有背景两个方面对核心-边缘区进行分析,以观察各区域分布特征。

(1)从创投机构资本类型看,投资事件主要以核心区本土创投机构投出为主,如表5所示。从纵向看,本土创投机构投资事件数量占全国总数量的80%以上,合资创投机构投资事件数量占比不足2%;从横向看,约84%的投资事件集中在核心区,半边缘区和边缘区分别占12.7%和3.3%。

(2)从创投机构是否具有国有背景看,投资事件主要以核心区非国有背景创投机构投出为主,如表5所示。从纵向看,非国有背景创投机构投出的创投事件数量与国有比例为9∶1,具体到每一个区域,核心区内两者差别最大,半边缘区两者差别最小;从横向看,区域间创投事件比例与上文资本类型分析结果相同。

2013-2017年核心区、半边缘区和边缘区节点数量分别为5个、9个、19个。核心区地区节点数量最少但投资事件数量最多,边缘区地区节点数量最多但投资事件数量最少。可见,创投机构大多集聚在核心区,核心-边缘区域创业投资发展不均衡。

表5 2013-2017年创投机构投资事件数量

项目 核心区半边缘区边缘区本土38 7487 4291 970资本类型外资10 6386312合资8227417机构背景非国有背景46 7965 8771 704国有背景3 4121 689295

2.2核心-边缘区域内创业企业特征

从创业企业所处行业和所处阶段两个方面对核心-边缘区进行分析,以观察各区域分布特征。

(1)投资行业分布。从横向看,核心区、半边缘区和边缘区被投资事件数量占比分别约为69%、24%、7%,投资事件主要集聚在核心区。从纵向看,被重点投资的行业是互联网、IT与生物技术/医疗健康,这3个行业被投资事件数量占比分别约为23%、17%和10%,共约50%。其中,核心区高新技术行业被投资最多;半边缘区高新技术行业被投资比例比核心区少,与此同时机械制造、化工原料及加工两个行业被投资比例比核心区高;边缘区高新技术行业被投资比例不断下降,与此同时机械制造、化工原料及加工、能源及矿产被投资比例不断增加。可见,从核心区到边缘区,被重点投资行业呈现从高新技术行业向传统行业变化的特征,如表6所示。

(2)投资阶段分布。从横向看,核心区、半边缘区和边缘区被投资事件数量占比分别约为69%、24%、7%,投资事件主要集聚在核心区,与投资行业分布一致。从纵向看,种子期、初创期、扩张期和成熟期被投资事件数量占比分别约为15%、27%、34%、24%,核心区种子期和初创期被投资较多,半边缘区扩张期被投资较多,边缘区成熟期被投资较多,种子期数量最少。越靠近核心的区域,未成熟创业企业得到创业投资扶持越多,核心区创业投资在目标实现方面表现良好;越靠近边缘的区域,得到扶持的未成熟企业相对越少,创业投资目标实现度较低,如表7所示。

表6 2013-2017年创业企业所处行业被投资事件数量及部分占比n(%)

序号行业核心区半边缘区边缘区合计1互联网11 092(27)2 114(15)297(7)13 503(23)2IT7 610(19)1 818(13)382(9)9 810(17)3电信及增值业务3 559(9)877(6)1144 5504金融3 147(8)3761303 6535生物技术/医疗健康3 062(8)1 719(12)556(13)5 337(10)6娱乐传媒3 041(7)6251783 8447其它1 2454511421 8388电子及光电设备1 163788230(5)2 1819机械制造1 0601 296(9)399(10)2 75510连锁及零售916280741 27011教育与培训881173401 09412汽车7463241181 18813房地产5323272061 06514清洁技术5275782751 38015物流4391443261516建筑/工程39535813088317化工原料及加工387806(6)318(7)1 51118能源及矿产178233230(5)64119半导体166124929920食品&饮料14923216254321纺织及服装1011502827922农/林/牧/渔9829020859623广播电视及数字电视573189624租赁和商务服务业91010合计40 560(69)14 115(24)4 266(7)58 941

注:行业排列顺序按照核心区创业企业所在行业所接收的创投事件数量降序排列

表7 2013-2017年创业企业所处阶段被投资事件数量及占比n(%)

投资阶段核心区半边缘区边缘区合计种子期7 397(18)1 383(10)258(6)9 038(15)初创期12 587(31)2 607(18)525(12)15 719(27)扩张期13 212(33)5 090(36)1 353(32)19 655(34)成熟期7 066(18)5 065(36)2 104(50)14 235(24)合计40 262(69)14 145(24)4 240(7)58 647

2.3核心-边缘区域间合作

核心-边缘区域间投资合作行为可分为自环、吸引力和辐射力3种。其中,自环用本区域创投机构对本区域创业企业进行投资的事件数量加以测度,吸引力用其它区域创投机构对本区域创业企业进行投资的事件数量加以测度,辐射力用本区域创投机构对其它区域创业企业进行投资的事件数量加以测度。核心-边缘区域间合作关系如图3所示,进一步整理出核心-边缘区域的吸引力和辐射力,如表8所示。

由图3和表8可以看出:①核心区自环事件占比最大。其中,约56%的投资事件都是以自环形式存在,且核心区自环现象最为明显,核心区自环投资事件数量占自环投资事件总数量的比例约为88%。从具体投资事件数据可知,自环事件占比较大说明创投机构有明显的区域偏好。区域偏好表现为核心区创投机构偏好选择核心区创业企业进行投资,或者是创投机构选择与自身地理相邻近的创业企业投资,以减少交易费用,提供便利的增值服务;②半边缘区吸引力较强。半边缘区主要依靠自身资源禀赋吸引核心区创投机构投资;③核心区辐射力最强。这表明,创投机构主要集聚在核心区,具有明显的地理集聚性。核心-边缘区域间投资合作行为愈加紧密过程中,一般都是以自环形式开始,然后选择与网络中的中心节点取得联系,当自身能力提高到一定程度后,再逐渐选择与自身网络地位相差不多的节点地区产生投资行为,或者向网络边缘节点扩展。

图3 2013-2017年核心-边缘区域间合作关系

表8 核心-边缘区域吸引力与辐射力n(%)

类型核心区半边缘区边缘区合计自环37 650(88)4 413(10)829(2)42 892(56)吸引力3 460(20)9 929(59)3 492(21)16 881(22)辐射力12 558(74)3 153(19)1 170(7)16 881(22)合计53 66817 4955 49176 654

资料来源:作者根据清科数据库数据计算得到

3创业投资区域网络形成分析

在上文分析创业投资区域网络结构和区域合作关系的基础上,进一步探讨网络关系形成原因。本研究以2013-2017年投资事件数据为例,使用指数随机图模型方法,对创业投资区域网络形成情况进行分析,旨在从内在机理角度揭示网络结构和区域合作形成的原因。

3.1模型定义

指数随机图模型ERGM(Exponential Random Graph Models)是专门针对网络边的建模工具,能够刻画网络生成因果关系,是社会网络分析的前沿成果[29]。ERGM的一般表达形式如下[30]

(1)

其中,Y表示一个矩阵网络,相应的y为矩阵网络的观测值;总和包括了所有网络构造A。ηA表示与A构造相关的参数,当且仅当A构造中变量间条件独立时,ηA=0;gA(y)表示与A构造相关的网络统计量,若A构造在网络y中被观测到,则gA(y)=1,否则gA(y)=0。K是归一化常量,确保Y中各种网络结构分布概率之和为1。

3.2变量定义

从创业投资区域网络生成机制出发,选择相关统计量作为模型因素变量,表9为后续实证分析用到的统计量定义。

(1)边数edges。本研究将其定义为网络边的数量,与网络密度相关,其反映了网络边的基准效应,解释能力相当于回归模型的常数项。

(2)互惠性mutual。当且仅当一条发出的边连接收到一条直接反馈的边连接时,才记为一次互惠关系,预计该项的回归系数为正,表示与随机边连接情况相比,现实中的区域网络互惠性倾向更加明显。

表9 ERGM模型统计量与内涵

统计量名称含义edges边数网络边基础效应mutual互惠性地区A创投机构对地区B创业企业进行投资后,地区B创投机构是否倾向于对地区A创业企业进行投资nodefactor节点属性具有该属性的节点是否倾向于发生连接nodematch同质性相同属性节点是否倾向于发生连接

(3)节点属性nodefactor。节点属性效应反映的是如果一个节点具备某种属性(分类属性),那么该节点形成边连接的概率较高。选取网络节点所在区域为节点属性,设置核心区为zone.1,半边缘区为zone.2,边缘区为zone.3。该属性属于分类型变量,通过将其纳入模型,将会添加多个统计量。每个统计量分别代表该属性一个节点在边任意一端出现的次数。每个分类变量都有一个参照组,默认参照组是列表中显示的第一组。分析过程中往往会省略参照组而直接计算其它类型分类分析结果,可通过调整基本参数方式改变参照组。

(4)同质性nodematch。本研究将其定义为两端节点拥有相同属性的网络边数量,该统计量可以捕捉节点同质性对网络生成效应的影响。这里研究的属性同样是网络节点所在区域,与节点属性不同的是,节点属性是从一元角度进行考量,而同质性则是从二元角度进行考量。

3.3结果分析

以上文数据为数据源,以其中的2013-2017年数据为例,基于指数随机图模型(ERGM)方法进行创业投资区域网络形成分析。分析过程中构建了以下6个模型,采用R 软件中的STATNET 程序进行模型拟合,方法为MCMC MLE,经过反复尝试和修正模型,得到各模型拟合结果,如表10所示。其中,AIC(Akaike Information Criterion)和BIC(Bayesian Information Criterion)的值越小,说明模型效果越好。

表10 ERGM模型分析结果

模型参数模型1模型2模型3模型4模型5模型6边edges-1.191 8∗∗∗2.425 6∗∗∗0.485 9∗-2.209 3∗∗∗-0.796 8∗∗∗2.510 0∗∗∗互惠性mutual2.098 7∗∗∗1.123 6∗∗∗1.125 3∗∗∗1.131 6∗∗∗1.943 6∗∗∗1.121 5∗∗∗节点属性(区域)nodefactor("zone",base=1)nodefactor.zone.2-0.966 9∗∗∗Nodefactor.zone.3-2.313 8∗∗∗nodefactor.zone.2-1.004 4∗∗∗Nodefactor.zone.3-2.409 4∗∗∗节点属性(区域)nodefactor("zone",base=2)nodefactor.zone.10.976 5∗∗∗nodefactor.zone.3-1.345 6∗∗∗节点属性(区域)nodefactor("zone",base=3)nodefactor.zone.12.311 3∗∗∗nodefactor.zone.21.349 4同质性Nodematch("zone")-0.830 3∗∗∗0.175 0AIC1 3311 0561 0551 0551 2761 056BIC1 3411 0761 0751 0751 2911 081

注:***代表p<0.001,**代表p<0.01,*代表p<0.05

模型1是二元独立性模型。该模型中包括边和互惠性,由上述结果可以看出,互惠性结构呈正向显著,说明地区之间倾向于相互投资,这与上文创业投资区域网络结构分析计算结果相符。

模型2、模型3、模型4中加入节点属性,构成主效应模型。模型2的参照组是zone.1,模型3的参照组是zone.2,模型4的参照组是zone.3。由表10可知,模型2、模型3、模型4的AIC和BIC值几乎相等,说明以不同组为参照组对模型拟合没有影响。但应注意到,当以zone.1为参照组时,半边缘区和边缘区显著为负;当以zone.2为参照组时,核心区显著为正,边缘区显著为负;当以zone.3为参照组时,核心区和半边缘区显著为正。由此可见,核心区中的地区相对于半边缘区和边缘区更倾向于关系形成,半边缘区形成的地区关系倾向弱于核心区但强于边缘区,边缘区相对于核心区和半边缘区未表现出明显的关系形成倾向。即在关系形成可能性方面,核心区>半边缘区>边缘区。

模型5、模型6中加入同质性,构成同质性模型。模型5在模型1的基础上直接加入同质性,从AIC和BIC值可以看出,创业投资区域网络节点间具有同质性,相同区域节点间更倾向于相互连接。模型6在模型2的基础上加入同质性,同时考察节点属性和同质性对网络形成的影响。从表7可以看出,模型6与模型2的AIC值和BIC值几乎相等,说明虽然同质性在网络形成过程中起到一定作用,但起主要作用的还是节点本身的属性特征。即核心区节点主要是因为其属于核心区所以更倾向于边连接的形成,而不仅仅是因为关系形成的另一端与自身属于同一区域。

综上所述,根据模型拟合结果,最优模型为模型2,即“边+互惠性+节点属性”。本研究对最终确定的模型进行拟合优度分析,以检验模型中的参数是否能够很好地描述观测网络的形成。

3.4拟合优度

拟合优度分析是将事实网络与由拟合模型得出的模拟网络进行比较,分析结果中粗黑色实线代表观测网络,浅黑色线代表仿真网络在95%置信区间时的测量结果。当黑色线落在浅黑色线条之间时,说明仿真网络能够较好地代表观测网络的结构特征,模型拟合优度高,否则说明拟合优度低。拟合优度分析结果如图4所示。

图4 拟合优度分析结果

由图4可知,各指标均能较好地还原事实网络特征。整体而言,模型拟合优度满意,具有复原事实网络统计特征的能力,能够捕捉创业投资区域网络生成关键机制。

4结论与启示

4.1结论

本研究基于我国2003-2017年创业投资事件,通过3个时间窗划分,以地区为节点构建创业投资区域网络。运用社会网络方法和理论,剖析我国创业投资区域网络结构特征,通过将我国创业投资区域网络划分成核心区、半边缘区和边缘区,分析区域间投资合作行为及创业投资区域网络的形成。研究发现:

(1)我国创业投资区域网络节点间联系越发紧密、节点间具有互惠性、节点度高的节点之间相连接的概率较大。创业投资区域网络呈现出明显的核心-边缘结构,其中核心区成员构成相对稳定,各区域节点整体上呈现从半边缘区向边缘区移动的趋势。北京、上海、深圳等在创业投资区域网络中的影响力较大。

(2)从创投机构特征分析可以发现,我国投资事件主要由核心区非国有背景本土创投机构投出。2013-2017年创业投资区域网络核心-边缘结构分析结果显示,虽然核心区包含的节点地区仅有5个,但是投出的创投事件数量却占全国总数量的84%,可见创投机构大多集中在核心区,核心-边缘区域创业投资发展不均衡。

(3)从创业企业特征分析可以发现,各区域被重点投资的行业和阶段差异较大。从核心区到边缘区,被重点投资的行业呈现从高新技术行业向传统行业变化的特征,被重点投资的阶段呈现从初创期到成熟期变化的特征。

(4)从区域合作分析可以发现,核心区发展主要依靠核心区内的相互投资,具体表现为地域上的投资集聚;半边缘区表现出较强的吸引力,其发展主要依靠与核心区建立合作关系,依据自身区域资源及禀赋吸引核心区创投机构投资,从而推动区域经济发展。

(5)从创业投资区域网络形成角度看,节点地区产生边连接的可能性大小分别为:核心区>半边缘区>边缘区。其中,核心区节点主要是因为其属于核心区所以更倾向于边连接的形成,而不仅仅是因为关系形成的另一端与自身属于同一区域。

4.2启示

由上述研究结论,可以得到如下启示:

(1)区域网络结构是地区间创业投资合作关系社会化特征的体现。研究说明投资合作不是孤立存在的,合作关系间的交互性反映了投资合作的社会化特征,这种内生性机制容易被多数研究忽略。结构特征是创业投资区域网络自组织的结果,特定的合作自相关性分布将导致不同的结构嵌入性倾向,这种关系嵌入影响投资合作成功与否。

(2)投资合作是内生、外生因素交织的结果。从网络视角看,将投资合作影响因素划分为内生和外生两个方面,更有利于揭示投资合作机理。另外,本研究也充分验证了ERGM 对于合作网络的建模能力,能够同时将内外生因素纳入同一分析框架,是全面揭示投资合作多元复杂机制的有力分析工具。

4.3贡献

本研究贡献在于:①在网络构建方面,以地区为节点构建创业投资区域网络,更加注重不同地区间的发展关系;②不同于以往研究只是停留在网络结构特征的简单描述与统计上,而是采用ERGM 模型,定量测度互惠性和节点属性对创业投资区域网络生成机制的贡献程度。研究方法由一般统计扩展到因果模型,研究焦点由结构发现深入到生成机制,研究结果有助于创业投资区域合作深入和研究方法创新。

参考文献:

[1] VENCKUVIENE V. Building of innovation capacity in venture capital backed companies: qualitative research approach [J]. Business Management Dynamics, 2015, 4(10): 59-68.

[2] PISTORESI B, VENTURELLI V. Credit, venturecapital and regional economic growth [J]. Journal of Economics and Finance, 2015, 39(4): 742-761.

[3] 周育红, 宋光辉. 创业投资网络研究现状评介与未来展望[J]. 外国经济与管理, 2012(6):17-24.

[4] LJUNGQVIST A, HOCHBERG Y V, LU Y. Whom you know matters: venture capital networks and investment performance [J]. Social Science Electronic Publishing, 2007, 62(1): 251-301.

[5] CASTILLA E J. Networks of venture capital firms in Silicon Valley [J]. International Journal of Technology Management, 2003, 25(25): 113-135.

[6] OZMEL U, REUER J J, GULATI R. Signals across multiple networks: how venture capital and alliance networks affect inter organizational collaboration [J]. Academy of Management Journal, 2003, 56(3): 852-866.

[7] HOCHBERG Y V, LJUNGQVIST A, YANG L U. Networking as a barrier to entry and the competitive supply of venture capital [J]. The Journal of Finance, 2010, 65(3): 829-859.

[8] 佘金凤, 汤兵勇. 风险投资发展区域分布不平衡的形成机理研究[J]. 科学学与科学技术管理, 2007, 28(3):112-115.

[9] 张海燕, 袁新敏, 沈玉芳. 风险投资空间行为研究动态与展望[J]. 科技进步与对策, 2012, 29(11).

[10] 崔毅, 陈悦林, 张晨. 风险投资区域集聚支持环境综合评价及差异分析[J]. 科技管理研究, 2011, 31(2):70-73.

[11] 马军伟. 创业投资集聚研究评介及未来展望[J]. 外国经济与管理, 2013, 35(2):43-51.

[12] 胡海峰. 美国创业投资行业区域集聚特征与集聚效应[J]. 中国社会科学院研究生院学报, 2008(5):62-66.

[13] 蒲惠荧, 苏启林. 区域创新资源、金融发达程度与创业投资的集聚效应[J]. 改革, 2013(9):125-130.

[14] 罗永胜, 李远勤. 我国风险投资网络核心——边缘结构的动态演进[J]. 财会月刊, 2017(2):107-112.

[15] 周育红, 宋光辉. 中国创业投资网络的动态演进实证[J]. 系统工程理论与实践, 2014, 34(11):2748-2759.

[16] 金永红, 章琦. 中国风险投资网络的网络特性与社团结构研究[J]. 系统工程学报, 2016, 31(2):166-177.

[17] 李远勤, 童林肯, 吴哲人. 中国创业投资城市网络的区域合作及长江经济带的案例分析[J]. 上海大学学报:自然科学版, 2017, 23(6).

[18] 汪明峰, 魏也华, 邱娟. 中国风险投资活动的空间集聚与城市网络[J]. 财经研究, 2014, 40(4):117-131.

[19] 刘铮, 王世福, 赵渺希, 等. 有向加权型城市网络的探索性分析[J]. 地理研究, 2013, 32(7):1253-1268.

[20] 刘军. 社会网络分析导论[M].北京:社会科学文献出版社,2004.

[21] GARLASCHELLI D, LOFFREDO M I. Patterns of link reciprocity in directed networks [J]. Physical Review Letters, 2004, 93(26):268701.

[22] HE X, DONG Y, WU Y, et al. Structure analysis and core community detection of embodied resources networks among regional industries [J].Physica A: Statistical Mechanics and its Applications, 2017, 479:137-150.

[23] NEWMAN, M E J. Assortative mixing in networks [J]. Physical Review Letters, 2002, 89(20):208701.

[24] 沈丽珍, 汪侠, 甄峰. 社会网络分析视角下城市流动空间网络的特征[J]. 城市问题, 2017(3):30-36.

[25] 安琪儿, 安海忠, 王朗. 中国产业间隐含能源流动网络分析[J]. 系统工程学报, 2014, 29(6):754-762.

[26] BORGATTI S P, EVERETT M G. Models of core/periphery structures [J]. Social Networks, 2000, 21(4):375-395.

[27] 宋歌. 经济学期刊互引网络的核心——边缘结构分析[J]. 情报学报, 2011, 30(1):93-101.

[28] 方嘉雯, 刘海猛. 京津冀城市群创业风险投资的时空分布特征及影响机制[J]. 地理科学进展, 2017(1).

[29] ROBINS G, PATTISON P, KALISH Y, et al. An introduction to exponential random graph (p*)models for social networks [J]. Social Networks, 2007, 29(2):173-191.

[30] GOODREAU S M. Advances in exponential random graph (p*) models applied to large social networks [J]. Social Networks, 2007, 29(2):231-248.

(责任编辑:王敬敏)