Research on the Evolution of Venture Capital Institutions Alliance Network and Joint Investment

Yang Ye1，Chen Rong1， Qiu Zhiyi2

(1.School of Public Economics and Administration,Shanghai University of Finance and Economics,Shanghai 200433,China;2.School of Economics, Changzhou University, Changzhou 213163, China)

Abstract：Based on the data of venture capital events in China Venture database,this paper constructs a quadratic model,empirically examines how the network location of venture capital institutions affects their joint investment strategies from the perspective of sub-group level of joint investment network,and examines the role of informal institutional evolution on the behavior of venture capital institutions.The results show that the relationship between network location and joint investment probability is inverted U-shaped,and the relationship between network location and cross-subgroup joint investment probability is positive U-shaped.That is to say,in the process of evolution of China's joint venture capital investment network,institutions with low network location tend to invest jointly,and they tend to seekoriginal joint partners; institutions with high network location tend to invest independently and are more inclined to seek cross-subgroup joint partners in joint investment.In the process of network evolution of venture capital in China,the change of network relationship alters the information channel of venture capital and affects investment decision-making.The government can consider the network spontaneously formed by the venture capital,and better cultivate the local venture capital market by mastering the evolution law of this informal institution.

Key Words:Venture Capital Institution; Alliance Network;Venture Capital; Joint Investment; Informal Institution;Cross-community Joint

收稿日期：2021-01-18

修回日期：2021-03-16

基金项目：国家社会科学基金一般项目(20BJY190)

作者简介：杨晔(1978-)，女，重庆人，博士，上海财经大学公共经济与管理学院教授、博士生导师，研究方向为风险投资、投融资理论与实践；陈蓉(1992-)，女，江苏泰州人，上海财经大学公共经济与管理学院博士研究生，研究方向为创业与风险投资；邱知奕(1989-)，女，江苏苏州人，博士，常州大学经济学院讲师，研究方向为风险投资与区域创新。本文通讯作者：陈蓉。

DOI：10.6049/kjjbydc.2021010431

开放科学(资源服务)标识码(OSID)：

中图分类号：F832.48

文献标识码：A

文章编号：1001-7348(2021)20-0001-10

0 引言

在创新创业投融资市场中，风险投资机构相比创业者而言存在信息劣势，地理距离[1]和文化差异[2]会加剧这种信息不对称，而联合投资则是一种有效的信息获取方式。在国际疫情背景下，投资机构面临更加严峻的风险考验，联合投资成为风险规避策略之一[3]。据清科私募通数据库统计，2020年上半年中国发生风险投资事件2 406起，相较于2019年上半年减少了1 039起。其中，联合投资事件1 436起，占比达到59.68%，反而比2019年上半年增加了6个百分点。风投机构之间通过联合投资活动建立联系，逐渐形成一张巨大的联盟网络[4]。如图1所示，从左至右分别是基于投中集团China Venture数据库生成的2015-2017年风投联盟网络。从中可见，我国风险投资机构在3年间进行了大量联合投资，且机构间的合作越来越密切。联盟网络中存在众多关系紧密的风投机构，它们在整体网络中表现为联盟“小世界”[5]，即基于整体网络的凝聚子群。联盟“小世界”在整体网络中广泛存在[6]。因此，对风投机构联盟网络进行探讨具有较强的现实意义。已有研究虽然从社会网络视角探讨风险投资问题[7- 8]，但关于联盟网络对联合投资行为影响的理论研究较少。杨敏利等[9]发现，网络位置能够传递声誉信号，进而对联合投资的形成产生正向影响。社会资本理论认为，风投机构联盟网络是一种制度化的关系网络，能够为网络个体带来实际或潜在资源(社会资本)，进而对后续联合投资产生影响。本文基于社会资本视角，在宏观和中观两个层面进行研究具有一定理论意义。

本文重点解决以下两个问题：①在整体网络层面，风险投资机构在联盟网络中的位置如何影响后续联合投资行为？②聚焦到联盟“小世界”层面，风险投资机构在联盟网络中的位置如何影响后续联合伙伴策略选择？本文基于投中集团China Venture数据库1997-2017年的投资事件，针对上述问题进行实证检验，揭示风投机构联盟网络演变规律。

1 理论分析与研究假设

风投机构联盟网络对投资行为具有不同影响：①机构网络位置影响风投机构投资范围。如Hochberg等[10]指出，区域内风投机构网络会封锁区域内行业信息，成为其它机构进入该区域投资的阻碍。但是，外来机构一旦进入当地网络，就更容易获取当地信息[11]；②对标企业的偏好也受网络位置影响。如Alexy等[12]发现，越是处于网络核心位置，风投机构获取的信息越多，投资风险越小，投资于新创企业的金额也越高；③风投机构资本性质不同，受社会网络的影响也不同[13]。如政府风投可以凭借政治关联获取更多项目资源，对联合网络依赖度较低[14]。由此可见，社会网络在风险投资行业具象地表现为信息获取能力。

联合投资决策是风投机构投资行为的重要组成部分，联合投资动机可从以下几个方面考量：①风投机构自身特征，如经验越欠缺的机构越倾向于联合投资[15]；②被投资企业特征，如不同行业创业企业得到联合投资的概率不同[16]；③被投资企业与风投机构之间的联系，如本土投资机构与跨境投资机构在联合投资选择上往往不一致[17]。梳理已有文献可知，联合投资行为的根本目的是应对信息失衡问题[18-19]，而风投机构联盟网络是风投机构之间进行信息传递、知识获取和整合的重要渠道[20]。因此，风投联盟网络通过改变机构信息获取能力，最终影响机构联合投资策略。

1.1 网络位置与联合投资策略

风投机构通过联合投资构建合作网络进而获取信息，再以联合形式拓展网络，或巩固已有网络渠道[21]。结构化网络位置通过影响机构信息获取能力，从而对新的联合投资行为产生影响。因此，当机构网络位置水平较低时，信息获取能力较弱，此时通过联合投资“搭便车”是降低风险的重要途径。随着网络位置提升，信息获取能力增强，该机构更容易被其它机构青睐，因而网络位置提升对联合投资概率有正向推动作用。当机构网络位置水平较高时，信息获取能力也得到较大程度改善，在投资中获得更多主动权，通过联合投资“搭便车”不再是降低风险的首要选择。因此，随着机构网络位置提升及新信息获取能力增强，风投机构联合投资概率降低。为更好地表述这一规律，本文引入阈值的概念，即网络位置对联合投资行为产生正向效应和负向效应的拐点。由此，本文提出如下假设：

H1：当网络位置低于阈值时，网络位置越高，风险投资机构越倾向于联合投资；当网络位置高于阈值时，网络位置越高，风险投资机构越倾向于独立投资。

1.2 网络位置与联合伙伴策略选择

在联合投资网络演化过程中，风投机构是否进行联合决策，决定联合投资网络中个体机构的进入或退出，进而影响整体网络收缩和扩张。同样，风投机构是否与原子群伙伴进行联合决策，决定个体机构间联结的建立和断裂，进而影响整体网络结构变动。跨子群联合行为的实质是联合投资伙伴更替。现有研究在解释联合伙伴选择问题时，多运用同类偏好和资源互补理论。其中，同类偏好理论认为，同质性伙伴间的信任感更强，彼此间的交流合作效率也更高[22]；资源互补理论则认为，与异质性机构建立伙伴关系可以实现资源叠加效应[23]。无论是出于同类偏好还是资源互补，只有当收益大于成本时，风投机构才会进行跨子群联合。

关系网络信息作用理论认为，社会网络构建带来网络成员行为趋同效应[24]。由此可见，网络位置在联盟伙伴选择中起关键作用。具体而言，当风投机构网络位置低于阈值时，其通过与原子群伙伴的联合获取大量外部资源。风投机构初始网络位置越高，其与原子群伙伴间建立的联系越多，联合交易成本越低，可得到的外部资源越丰富，越不需要进行跨子群联合。当风投机构网络位置高于阈值时，较高的信息获取能力使得原子群联合伙伴无法为其提供高质量信息。风投机构初始网络位置越高，得到的冗余信息越多，越倾向于与原子群成员之外的机构合作。据此，本文提出如下假设：

H2：当网络位置低于阈值时，网络位置越高，风投机构越倾向于与原子群成员进行联合；当网络位置高于阈值时，网络位置越高，风投机构越倾向于跨子群联合投资。

2 研究设计与样本选取

2.1 数据来源与样本选取

本文数据来源于投中集团China Venture数据库。使用1997-2015年的联合投资事件数据，借鉴Abell & Nisar[25]的做法，以3年时间窗滚动构建联合投资网络和风投机构凝聚子群。投资事件样本时间跨度为2000-2016年，对投资机构与标的企业按投资时间配对处理后，得到成对形式样本共40 241条。

2.2 网络构建与凝聚子群划分

(1)风投机构联盟网络构建。当风投机构a和b参与目标公司同一轮投资时，认为两者进行了联合投资，建立了联盟关系。如图2所示，为实现可视化效果，图中只显示特征值中心度在0.15～1范围内的节点，节点颜色越深代表节点中心度越高。

(2)凝聚子群划分。本文使用GN算法，根据模块度Q值最大原则对每个时间窗口的整体网络进行划分[26]。当Q值大于0.3时，表明整体网络有鲜明的社群化趋势，且Q值越大反映整体网络越倾向于社群化。本文中的Q值介于0.39～0.77之间，表明整体网络存在鲜明的社群化特征。

划分凝聚子群后的网络如图3所示。图3共有7个凝聚子群，不同凝聚子群特征迥异。最上方的凝聚子群仅由5个本土风投机构组成，其中2个为国资机构，3个为私人机构；右下方的凝聚子群包含40多家风投机构，既有本土机构，又有外资机构。

2.3 变量定义

(1)被解释变量：①联合投资决策。该变量为虚拟变量，当风投机构在第t年投资事件中以联合投资形式进行交易时该变量的值为1，否则为0；②跨子群联合比率。该变量用于度量新联合投资事件中伙伴的更新程度，即在已知风投机构选择联合投资基础上，计算新联合投资伙伴与原有联合投资网络成员不重合的比率；③跨子群联合决策。该变量为虚拟变量，即在已知风投机构选择联合投资的基础上，其与原有联合投资网络成员以外成员进行新联合投资时该变量的值为1，否则为0。

(2)解释变量：网络位置。本文运用Freeman[27]提出的点度中心度、Bonacich[28]提出的特征向量中心度及Burt等[29]提出的结构洞指数作为衡量网络位置的主要指标。点度中心度用来统计与点A存在直接关联的其它点的总个数。为与另外两个网络位置指标数一致，本文使用该变量与百分之一的乘积进行回归。另外，将特征向量中心度计算引入矩阵。Bonacich[28]认为，点中心度与邻点中心度相关，因此可将该点中心度看成所有其它点中心度的函数，从而建立如下中心度函数，进而构建中心度方程。其中，At为邻接矩阵的转置；aij为A中的元素，表示i对j中心度的贡献量；x为中心度向量。中心度方程的解即为每个点的中心度指数。

λxi=a1ix1+a2ix2+…+anixn

(1)

Atx=λx

(2)

结构洞是指不同子网络之间的空隙，投资机构占据结构洞越多意味着其在网络中的桥梁作用越大[29]。结构洞指数越高，说明该投资机构获取的冗余信息越少，对网络的控制力也就越强。假设一个点在另外两点间最短路径上，计算出通过该点最短路径占总最短路径的比例bij(k)，求出比例之和即可得结构洞指数假设网络为联通最密集的星型，该点的结构洞指数可达到(n2+3n+2)/2。本文使用相对结构洞指数，即绝对指数与(n2+3n+2)/2的比值，取值在0～1之间，数值越高，说明以结构洞指数衡量的点的网络位置也越高，具体公式如下：

(3)

(3)控制变量。控制变量包括投资机构、交易、标的企业3个层面变量。

投资机构层面变量包括：①机构外资属性。根据是否有外资参与将风投机构分为合资/合作机构、中资机构和外资机构3类，对应数值分别为1、2和3，回归时形成两个虚拟变量；②机构管理资金规模。本文用机构投资当年管理资金总额衡量，以万亿元为单位；③机构成立年限。本文以投资事件发生年份与机构成立年份作差计算机构成立年限。

交易层面变量包括：①投资金额。本文用每笔交易的融资总额衡量，单位为百万元；②投资阶段。即被投资企业所处发展阶段，分为早期、发展期、扩张期和获利期。其中，分布在发展期的交易最多，占47.78%，分布在获利期的交易最少，占6.31%。回归时将该变量细分成3个虚拟变量；③投资年份。即交易发生年份，跨度为2000-2016年。其中，2015年交易数达到峰值，占样本总量的22.24%，回归时将该变量细分成15个虚拟变量。

标的企业层面变量包括：①标的企业省份。即受资企业所在地，亦即交易资金流入地，按交易数量计算，以北京和上海居首，占比分别为30.72%和16.39%，将该变量细分成30个虚拟变量；②标的企业行业。即根据国标行业门类所属的被投资企业所在行业，其中涉足制造业和信息传输、计算机服务和软件业的标的投资事件占比较大，分别为46.10%和31.2%，将该变量细分成17个虚拟变量。

本文具体变量定义如表1所示。

2.4 模型设定

(1)风投机构网络位置与联合投资决策。设立如下模型：

P(Deal_syni)=α0+α1Xi+α2Xi2+∑βjWij+∑γjYij+∑δjZij+εi

(4)

其中，Deal_syni为因变量，表示第i笔风险投资交易是否以联合投资形式进行。由于其是虚拟变量，因此使用线性概率模型进行实证检验。Xi代表解释变量，即在第i个配对交易事件中风险投资机构的网络位置；同时，引入该变量的二次方项，以检验假设H1。Wij为投资机构层面上的控制变量，即第i笔交易对应风投机构的成立年限、管理资金规模和外资属性；Yij为交易层面上的控制变量，即第i笔交易的投资金额、投资阶段和投资年份；Zij为企业层面上的控制变量，即标的企业所在行业和省份。

(2)风投机构网络位置与跨子群联合行为。当以虚拟变量是否跨子群联合(cros_dumi)作为因变量时，使用线性概率模型；当以连续变量跨子群联合比率(crosi)作为因变量时，使用OLS模型。解释变量和控制变量与式(1)模型保持一致。具体模型如下：

P(cros_dumi)=α0+α1Xi+α2Xi2+∑βjWij+∑γjYij+∑δjZij+εi

(5)

crosi=α0+α1Xi+α2Xi2+∑βjWij+∑γjYij+∑δjZij+εi

(6)

3 实证检验

3.1 描述性统计分析

本文使用成对形式样本数据，主要变量描述性统计结果如表2所示。其中，联合投资样本占总样本的53.4%，说明有超过一半的样本机构选择联合投资策略。在联合投资样本中，有82.4%的样本选择跨子群联合投资，即超过3/4的样本机构在进行联合投资时选择新合作伙伴。因为在计算跨子群联合指标时剔除投资事件发生前3年均不在网络机构的样本，因此跨子群联合比率和跨子群联合决策变量对应样本量小于总联合投资样本量。

3.2 风投机构网络位置对联合投资决策的影响

网络位置与风投机构联合投资决策实证检验结果如表3所示。从中可见，无论使用何种网络位置指标衡量信息获取能力，该指标的一次项和二次项系数均比较显著。这说明，当风投机构信息渠道不畅通时，它们更偏向于利用联合投资将风险分担出去；当风投机构信息获取渠道足够畅通时，信息获取能力越强的机构越青睐于独立投资。当分别以点度中心度、特征向量中心度作为网络位置的衡量指标时，指标阈值分别为1.45和0.41。在阈值处，网络位置对联合投资概率的正向影响递减至0；其后，随着网络位置的提升，联合投资概率降低。此时，网络位置指标超过阈值的样本数占比分别为0.099%和0.42%。由此可见，在大部分样本中，网络位置中心度提升对联合投资决策产生正向影响，只有少数处于中心位置的头部风投机构才能跨越中心度指标阈值。当使用结构洞指数作为网络位置的衡量指标时，其阈值为0.45，样本中有45.53%的机构超过0.45这一结构洞指数，说明非冗余信息获取能力与联合投资概率之间呈倒U型关系，假设H1得到验证。

3.3 风投机构网络位置对跨子群联合投资行为的影响

网络位置与风投机构跨子群联合投资决策实证检验结果如表4所示。模型(3)、模型(6)和模型(9)被解释变量用来衡量是否进行跨子群联合，其它模型被解释变量为不与原子群成员重合的新联合伙伴的比率。无论使用何种衡量指标，网络位置指标的一次项系数均显著为负，二次项系数均显著为正，说明当风投机构处于网络边缘位置时，随着网络位置提升，机构找到合适的合作社群，从而更倾向于与固定子群内部其它机构进行联合投资；当风投机构网络位置高于阈值时，随着网络位置提升，机构难以从所在子群中获取更多新资源，从而更倾向于与子群外部机构进行联合投资。以模型(2)、模型(5)和模型(8)为例，当使用点度中心度、特征向量中心度衡量风投机构网络位置时，阈值分别为1.096和0.269，超过阈值的样本占比分别为1.03%和5.78%，该结果与第二部分结果一致。当使用结构洞指数衡量网络位置时，阈值为0.492，超过阈值的样本占比为43.29%，结构洞指数与跨子群联合投资间呈正U型关系，与假设H2结论一致。

4 稳健性检验与拓展性分析

4.1 所有权性质的影响

国有风投机构通常由政府发起成立，一些机构资金来源于政府财政拨款，被政府视为经济发展的重要催化剂。相比于私人风投机构，国有风投机构具有更多政治资本[30]，这会削弱网络位置对国有风投机构投资行为的影响。本文针对不同所有权性质下风投机构网络位置对联合投资行为的影响进行稳健性检验，分组回归结果如表5和表6所示。从中可见，网络位置对国有风投机构与私人风投机构的影响不同：一是网络位置对国有风投机构联合投资决策的影响弱于私人风投机构，体现为国有风投机构组模型(2)中网络位置变量系数不显著；二是与私人风投机构相比，网络位置对国有风投机构联合伙伴选择的影响较小，体现在模型(9)～(12)中网络位置变量系数小于模型(3)～(6)，这是因为国有风投机构对机构间网络的依赖程度有限。

4.2 退出经验的影响

风险投资机构在作出新投资决策前会参考两种私有信息：一是网络中所联结的投资机构为其提供的即时信息；二是自身在投资过程中产生的经验信息。风投机构的投资经验越丰富，积累的投资信息越多，通过网络获取第一种私有信息就越少。根据风投机构有无历史退出经验，将机构划分为有退出经验和无退出经验两组，分组回归结果如表7和表8所示。对于有退出经验的风投机构而言，其联合投资行为受到网络位置的影响并不总是显著为倒U型，且相比于无退出经验组而言，有退出经验组的网络位置变量系数更小，即退出经验削弱了网络位置对联合投资行为的影响。这是因为，经历过完整投资周期的风投机构积累了大量信息，其独立投资能力增强，通过信息交换得到冗余信息的可能性变大。因此，随着信息积累的增加，风险投资机构对联合投资网络的依赖度变低。

4.3 对内生性的考虑

(1)联合投资行为对网络位置的反向影响。联合投资行为对网络位置的作用途径在于，联合投资促使风投机构与更多机构发生联系，或者与同一机构间的联系更为紧密，有利于开拓风投机构网络圈，促使其网络位置不断提升。为避免这种反向因果关系对结果造成的不良影响，本文对数据进行初步选取和计算。假设投资事件发生在第t期，本文采用第t-4至t-1期事件测算第t期的结构化网络位置，以排除第t期联合投资行为对当期网络位置产生的影响。

(2)遗漏变量的影响。本文在计算变量时保证了时间上的先后顺序，因而同时影响联合投资决策和结构化网络位置的变量可能是一些随时间变化不大的因素，如风险投资机构所有权性质。若风投机构是境外机构，在其它因素不变的情况下，外来者劣势使其与本土机构相比网络位置较低、信息能力偏弱、联合投资意愿较强；若风投机构是国有机构，在其它因素不变的情况下，其强大的信息禀赋使得其它机构积极寻求“搭便车”机会，使得国有风投机构结构化网络位置较高，后续联合投资概率增加。为减少遗漏变量的影响，本文在原有回归模型中加入是否为外资的虚拟变量以控制风险投资机构所有权性质，并在稳健性检验中验证风投机构是否国有对回归结果的影响。

5 结语

本文探讨网络位置对个体机构联合投资策略的影响，作出如下贡献：①丰富了联合投资决策影响因素研究。本文以社会网络带来的社会资本——信息获取能力作为切入点，解释风投机构联盟网络现有结构对联合投资决策的影响，从而窥得网络演变中新联结的发生条件和发生形式；②拓展了凝聚子群层面风投行为研究。本文构建风投机构联盟网络，划分投资机构凝聚子群，既分析了整体网络结构，又将中观层面凝聚子群纳入研究；③本文从动态网络视角出发，通过识别投资机构联合策略变化和跨网络投资行为剖析其动态演变过程，为风投联盟网络研究提供了新视角。然而，本文仍存在一些不足，如缺乏对风投机构与标的企业间关系的考量等，未来可进行深入探讨。

本文研究结论表明：①在联合投资决策方面，风投机构在发展早期信息获取能力较弱，对采用联合投资获取信息有一定的路径依赖，但当机构信息获取能力提升时，就倾向于不再依赖联合投资网络;②在联合伙伴选择方面，当机构刚进入联合投资网络时，其网络位置较低，更倾向于与多个子群机构进行联合，从而提高自身网络位置。当机构网络位置处于中间水平时，其逐渐拥有稳定的联合投资子群。若该机构能跨越阈值，进入网络位置较高水平阶段，其又倾向于寻求与其它子群机构联合，从而使自身网络位置继续得以提升。因此，政府在进行顶层设计时，不仅要关注可变革的正式制度，还要对风投行业已经形成的非正式制度进行考量。鉴于信息获取能力对联合投资行为的显著影响，且风投机构在发展早期对联合投资网络存在依赖，政府可考虑搭建风投机构信息交流平台，提高风险投资市场信息获取能力的最低值，让刚进入市场边缘的风投机构能够拥有更多联合投资机会，从而在正式制度框架中包含能引导非正式制度健康发展的相应政策。

参考文献:

[1] 黄福广,彭涛,邵艳.地理距离如何影响风险资本对新企业的投资[J].南开管理评论,2014,17(6): 83-95.

[2] 李璐男,李志萍.文化距离、制度距离对跨境风险投资进入模式的影响[J].软科学,2017,31(9): 16-19，78.

[3] LERNER J.The syndication of venture capital investments[J].Financial Management,1994,23(3): 16-27.

[4] 党兴华,张晨,佟丽丽.风险投资机构网络位置影响因素探索及实证研究[J].科技进步与对策,2016,33(6): 1-7.

[5] GU W W,LUO J D,LIU J F.Exploring small-world network with an elite-clique: bringing embeddedness theory into the dynamic evolution of a venture capital network[J].Social Networks,2019,57: 70-81.

[6] 罗吉,党兴华.我国风险投资机构网络社群: 结构识别、动态演变与偏好特征研究[J].管理评论,2016,28(5): 61-72.

[7] 杨艳萍,刘窈君.风险投资机构网络凝聚性与投资绩效关系研究——资源属性的调节效应[J].科技进步与对策,2019,36(20): 11-20.

[8] 董建卫,施国平,郭立宏.联合投资网络和引导基金网络对企业创新的影响[J].科学学研究,2019,37(2): 362-374.

[9] 杨敏利,丁文虎,郭立宏,等.双重网络嵌入对联合投资形成的影响——基于网络信号视角[J].管理评论,2018,30(2): 61-135.

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

[11] JAASKELAINEN M,MAULA M.Do networks of financial intermediaries help reduce local bias? evidence from cross-border venture capital exits[J].Journal of Business Venturing,2014,29(5): 704-721.

[12] ALEXY O T,BLOCK J H,SANDNER P,et al.Social capital of venture capitalists and start-up funding[J].Small Business Economics,2012,39(4): 835-851.

[13] LUO J D,RONG K,YANG K H,et al.Syndication through social embeddedness: a comparison of foreign,private and state-owned venture capital (vc) firms[J].Asia Pacific Journal of Management,2019,36(2): 499-527.

[14] ZHANG Y,MAYES D G.The performance of governmental venture capital rms[J].Pacic-Basin Finance Journal,2018,48: 162-185.

[15] 吴翠凤,吴世农,刘威.风险投资介入创业企业偏好及其方式研究——基于中国创业板上市公司的经验数据[J].南开管理评论,2014,17(5): 151-160.

[16] WRIGHT M,LOCKETT A.The structure and management of alliances: syndication in the venture capital industry[J].Journal of Management Studies,2003,40(8): 2073-2102.

[17] 董静,汪立,吴友.地理距离与风险投资策略选择——兼论市场环境与机构特质的调节作用[J].南开管理评论,2017,20(2): 4-16.

[18] HIRSCH J,WALZ U.Why do contracts differ between venture capital types[J].Small Business Economics,2013,40(3): 511-525.

[19] 石琳,党兴华,杨倩,等.风险投资网络社群集聚性与可达性对成功退出的影响[J].科技进步与对策,2017,34(17): 9-15.

[20] DE CLERCQ D,DIMOV D.Internal knowledge development and external knowledge access in venture capital investment performance[J].Journal of Management Studies,2008,45(3): 585-612.

[21] BURT R S.Reinforced structural holes[J].Social Networks,2015,43: 149-161.

[22] RUEF M,ALDRICH H E,CARTER N M.The structure of founding teams:homophily,strong ties,and Iisolation among US Entrepreneur[J].American Sociological Review,2004,68(2): 195-222.

[23] HOCHBERG Y V,LINDSEY L A,WESTERFIELD M M.Resource accumulation through economic ties: evidence from venture capital[J].Journal of Financial Economics,2015,118(2): 245-267.

[24] 蔡宁,邓小路,程亦沁.风险投资网络具有“传染”效应吗——基于上市公司超薪酬的研究[J].南开管理评论,2017,20(2): 17-31.

[25] ABELL P,NISAR T M.Performance effects of venture capital firm networks[J].Management Decision,2007,45(5): 923-936.

[26] NEWMAN M E,GIRVAN M.Finding and evaluating community structure in networks[J].Physical Review E Statistical Nonlinear & Soft Matter Physics,2004,69(2): 26-113.

[27] FREEMAN L C.Centrality in social networks conceptual clarification[J].Social Networks,1978,1(3): 215-239.

[28] BONACICH P F.Factoring and weighting approaches to status scores and clique identification[J].Journal of Mathematical Sociology,1972,2(1): 113-120.

[29] BURT R S,JANNOTTA J E,MAHONEY J T.Personality correlates of structural holes[J].Social Networks,1998,20(1): 63-87.

[30] 杨敏利,丁文虎,郭立宏,等.创业投资引导基金补偿机制对创投机构网络位置的影响研究[J].管理评论,2020,32(1): 107-118.

(责任编辑：王敬敏)