Impacts of Incubation Network Structure and Risk Propagation on the Ultimate Health of Incubation Network——A Model of Structural Visualization-based Adjustment

Wu Tian 1，2， Hu Haiqing1

(1.School of Economics and Management,Xi'an University of Technology，Xi'an 710054，China；2.School of Finance,Xi'an Eurasia University,Xi'an 710065，China)

Abstract：The spread of risks in the incubation network affects the overall health of the incubation network and will lead to high failure rates and low growth rates of incubating enterprises.For the sake of achieving an effective network governance,the actual networks formed by two national incubators were used as examples,and SIR models of the Complex Theory and the simulation methods were proposed to simulate the propagation mechanism against risks in different network structure under specific circumstances,and those simulated data were subjected to a regression analysis.Studies show that there is a significant correlation between the incubation network structure,risk propagation,and ultimate health of network; under a lower initial health distribution,the scale free network has a faster recovery speed; different network structures and visualization levels can help improve the ability of incubation networks to mitigate risks.

Key Words:Incubator;Incubation Network Structure; Risk Propagation; Incubation Network Health Level; Structural Visualization

DOI：10.6049/kjjbydc.2020090186

开放科学(资源服务)标识码(OSID)：

中图分类号：F272.2

文献标识码：A

文章编号：1001-7348(2021)08-0016-10

收稿日期：2020-09-17

修回日期：2020-10-27

基金项目：国家自然科学基金项目(72072144，71672144，71372173)；陕西省软科学研究计划重点项目(2019KRZ007)；西安市社会科学规划基金课题重点项目(17J85)；陕西省教育厅项目(17JK1033)

作者简介：吴田(1981-)，女，陕西西安人，西安理工大学经济与管理学院博士研究生，西安欧亚学院金融学院副教授，研究方向为孵化网络风险； 胡海青(1971-)，男，陕西西安人，博士，西安理工大学经济与管理学院教授、博士生导师，研究方向为孵化网络、创新创业。

0 引言

在新旧动能转换背景下，孵化网络能够弥补单一孵化器资源匮乏的局限性，而利用集聚效应广泛开展网络化合作，促进科技企业成长，成为推动经济高质量发展的重要举措[1]。伴随这一过程，全国各地涌现出中关村、天津创业服务中心等典型孵化网络。但其蓬勃发展的背后也存在诸多问题，尤其是入孵企业居高不下的死亡率和过低的成长率。数据显示，我国每100家创业企业中只有20～30家可以存活1年，能持续经营3年以上的不超过10家。究其原因在于，风险传播是重要影响因素[2]。所谓孵化网络风险传播，是指由于孵化网络成员企业间具有错综复杂的合作关系，当其中一个或少数几个科技企业产生风险之后，就会借助孵化网络触发合作企业的潜在风险，这种风险相互触发的行为持续下去，便构成网络风险传播[3]。伴随着风险在网络中的传播，这类新创科技企业往往无法抵御风险而孵化失败，同样也给孵化网络带来较大的不确定性。

风险传播影响程度很大一部分由孵化器、科技企业及相关主体间形成的网络结构决定[4]。为有效预防孵化网络风险传播发生概率，最大程度上减少由于风险传播对孵化网络健康水平的影响，本文对孵化网络结构、风险传播与孵化网络最终健康水平间关系进行探究，揭示网络中的风险传播规律，提出提升孵化网络健康水平的对策。

网络结构与风险传播关系研究最早始于Allen & Gale等[5]对网络连通性的探索，认为稀疏网络更有助于风险传播。但Blume 等[6]却提出紧密网络结构会对风险传播起到放大器作用，并带来“多米诺骨牌”传染效应；Gai 等[7]借鉴传染相变理论，将上述结论概括为网络风险传播“稳健且脆弱”的性质。伴随着研究的不断深入，实体网络结构特征备受关注。Gaccioli 等[8]提出，具有无标度特征的金融网络对冲击具有更好的弹性，其感染率高于随机网络；李永奎、周宗放[9]基于企业关联网络进行仿真模拟，提出小世界网络特性有助于节点之间相互分担风险，从而使风险传播具有延迟效应；沈丽等[10]发现，我国地方金融风险空间关联网络属于典型的无标度网络，并同时具备“小世界特征”。在网络结构中，度数中心性指标提升可有效降低风险传播概率。王子丰、周晔[11]借助网络结构中的簇系数、网络密度、小世界效应等指标分析中美上市银行高维网络风险传播路径。上述研究为考察风险传播与网络结构关系提供了基础性理论视角，但鲜有学者将研究领域拓展至孵化网络范畴，也未能将孵化网络结构、风险传播纳入同一解释框架，更缺乏对特定情境下(如结构可视化与初始健康分布)相关影响作用的分析。

在网络健康方面，多数研究围绕现实系统自身健康问题展开。Mageau等[12]率先指出健康是指系统内部处于良好运行状态、具有自我调节与恢复能力，并能够维持内部各要素平衡的一种表现形式。此后，学者们对网络健康内涵进行了补充，强调稳定性、可持续性及维持组织结构是衡量健康的重要标志[13]。上述研究多是借鉴生态系统健康的静态评价，无法结合具体网络结构节点的动态演化诠释不同状态网络的健康状况。

鉴于此，本文借助仿生管理学理念，将“健康”一词纳入网络状态研究范畴[14]，通过仿真模拟，探究以孵化网络结构为载体的网络风险传播机理，验证孵化网络结构、风险传播与孵化网络最终健康水平间关系。同时，分析特定情境(如结构可视化与初始健康分布)对孵化网络健康水平的影响，可为孵化网络管理者在决策与组织治理方面提供有益借鉴。

1 理论基础与研究假设

1.1 理论基础

1.1.1 孵化网络结构

孵化网络结构是孵化系统的网络化表述方式，其中网络节点表示孵化器、科技企业及其它创新主体，节点间连边表示主体之间的合作关系。借助复杂网络理论，可将孵化网络分为小世界网络、无标度网络和随机网络3种结构，并用其表征真实网络。

伴随着孵化网络发展，不断有新科技企业选择入驻孵化器以获取信息、资源、市场等数据，从而导致孵化网络节点规模持续扩大。由于网络中各主体的社会资源和网络地位差异较大，使得新加入企业在寻求合作伙伴时，会优先连接到具有较强品牌声誉、竞争实力雄厚的核心企业或科研机构，从而呈现出“马太效应”[15]，并进一步导致孵化网络中“超级节点”的形成。因此，部分学者认为孵化网络具有无标度特征[16-17]。此外，部分学者发现，孵化网络呈现出小世界特征，并能用来解释现实孵化网络较短平均路径长度、较高聚类系数的现象[18]。研究显示，孵化网络基于共同目标与利益，通过创新主体间合作，搭建相互联系的“捷径”，能够缩短创新主体间距离、减少信息传递障碍，进而缩短网络平均路径长度[19]。同时，孵化过程的低成本、高绩效等优势能够吸引科技企业间保持相对稳定的合作状态，形成以孵化器为核心并将各创新主体利益捆绑在一起的不同派系，而各类派系内部成员节点的紧密连接则能够提高孵化网络集聚水平。鉴于随机网络对于孵化网络而言不易实现，因此本文仅将其作为与其它网络对比的基准存在[20]。

1.1.2 孵化网络风险传播

传染病动力学为风险传播研究提供了坚实基础，本文借鉴风险传染SIR模型，将孵化网络中的节点划分为3种状态加以描述。其中，S代表易感染状态、I代表已感染状态，R表示免疫状态。一旦易感状态节点接触到有风险的节点，便会以确定的感染率(infi)产生风险，随后又能以特定的恢复率(reci)痊愈，并面临再次感染风险的可能[21]。

孵化网络风险既有横向传播也有纵向传播。在同一网络内部，由于各创新主体间存在利益往来，风险会借助一定载体在成员节点间传递，这是风险的横向传播[22]；在区域孵化网络之间，当一个网络中的节点企业产生风险后，会以特定概率传递给所属孵化子网络(如投融资子网络、技术合作子网络等)，并将风险汇聚至该子网络所在孵化基地、产业园等孵化网络，从而形成风险纵向传播[23]。

1.1.3 孵化网络健康水平

孵化网络风险传播研究采用传染病动力学方法，在评估结果时，同样采用仿生原理对孵化网络演化过程健康状态加以呈现。健康的孵化网络一般包括3个特征：一是在网络内部孵化器、科技企业以及各创新主体间实现资源、信息和知识等的良性互动循环[24]；二是孵化网络不断演化，持续获取竞争优势，维持多样化能力并保持开放性[25]；三是孵化网络具备维持组织正常运行且保持稳定的能力。

孵化网络健康对环境的微小变化极为敏感，初始条件差异在风险传播过程中发挥着重要作用。结合医学研究发现，人体健康水平在某种程度上受到出生状态的影响[26]，这也解释了为何健康状况差的人群更容易感染疾病。Blome & Schoenherr[27]认为，与供应网络中初始健康水平较好的节点企业相比，健康状况较差的企业更容易受到负面影响。同理，较高的健康水平也可以扩散到网络中的关联节点，使之相互促进与恢复，进而化解风险传播。鉴于孵化网络属于复杂非线性系统，也就意味着不能采用叠加原理加以分析[28]，而应当采用混沌理论中的“蝴蝶效应”[29]进行解读，即输入的微小变化可能导致结果的巨大变化。鉴于此，孵化网络初始健康分布成为研究过程中一个关键影响变量。

1.1.4 结构可视化

在以往研究中，可视化被视为衡量企业获取实时外部信息并快速识别环境变化的能力[30]。一方面，可视化可用来捕获原料、资金和信息流，并使网络在既定时间内更加透明，这对于增进企业间资源共享、改进绩效尤为重要[31]；另一方面，可视化还可以通过改善合作企业间协调，减少失真的负面影响[32]，促使组织更加敏捷，进而创造出更多战略价值[33]。

当前，关于可视化的研究主要集中在供应网络领域，多数学者将可视化作为变量，探讨其与运营绩效的关系。如Wei & Wang[34]将可视化分为感知、学习、协调和集成4个维度，其中感知可视化直接影响网络战略绩效，学习可视化、协调可视化和集成可视化对于增强网络重构性则非常重要；Dubey[35]研究印度制造网络发现，在网络风险背景下，可视化水平直接影响网络主体的洞察能力。因此，提高网络结构可视化水平有助于促使网络管理者快速识别并阻隔风险传播[36]；Lee等[37]探讨认为，组织间信息系统可视化水平可对整个网络产生积极效应，当联合治理结构到位时，企业潜在风险传染可得到有效缓解。

上述研究仅展示了可视化变量对网络绩效和网络风险传播的重要性，未从孵化网络健康水平角度探讨结构可视化发挥的作用。本文将结构可视化引入孵化网络风险传播研究，探讨该变量对孵化网络最终健康水平的影响。

1.2 研究假设

1.2.1 孵化网络结构与孵化网络最终健康水平

由于孵化网络中的风险传播不仅取决于感染率和恢复率，还取决于孵化网络节点间的结构连通性[38]。因此，本文对孵化网络结构与风险传播间关系进行研究。在具有无标度性质的孵化网络中，优先链接机制决定大部分企业节点对网络中核心节点企业或科研机构具有高度依赖性。由于资源和信息过度集中，导致孵化网络中“超级节点”企业承担着超负荷的资源配置，势必降低企业创新效率，产生锁定效应[39]，并间接影响其它节点企业的研发活动。一旦“超级节点”企业因外部风险引发资金链断裂、市场需求变动或关键技术研发失败，就会诱发网络内关联企业间的连锁反应，导致风险在孵化网络中快速传播。此外，具有无标度特征的孵化网络还会通过抑制流行阈值并加速其在网络中传播的方式促进传播[40]。相反，在具有同等规模和平均中心度的小世界网络中，高聚类系数和短平均路径导致在孵企业与各类创新主体间形成“小团体”和“桥连接”现象[41]。这就意味着，在孵化网络中存在局部集聚派系，其内部成员间连通性强、合作密切，而各派系间的信息传递需要通过长程连接实现。一旦有节点企业产生风险，首先会对派系内部关联企业产生影响，进而再传递给派系以外企业，由此降低风险在整个网络中的传播速度[42]。孵化网络结构和连通性虽然有助于成员企业实现资源共享、信息传递及创新合作，但同时也是形成风险传播的重要载体，而网络风险传播速度决定网络最终健康水平。据此，本研究提出如下假设：

H1a：与随机特征相比，具有无标度特征的孵化网络可加速风险传播，从而降低孵化网络最终健康水平；

H1b：与随机特征相比，具有小世界特征的孵化网络可降低风险传播，从而提高孵化网络最终健康水平。

1.2.2 初始健康分布的调节作用

将孵化网络节点初始健康分布作为本研究情景变量，当其它条件不变时，连接到健康状况较差的在孵企业或其它主体可能比连接到一个健康节点产生风险的概率更大。如东三省新能源汽车产业园所面临的风险冲击就主要是因为规模小且风险高的企业过多、低风险核心健康企业数量少引起的[43]。同理，健康水平高的企业也会对有联系的主体产生溢出效应，因为它可以促进支持、协作和恢复，并鼓励联合风险识别与化解。在孵化网络恢复阶段，局部的高集聚系数使得小世界网络比无标度网络和随机网络拥有更多小团体，一旦团体内部有企业感染了风险，其他成员就有可能会被重复传染，进而降低恢复速度[44]。而相比之下，优先链接机制导致无标度网络中的核心企业拥有较大的访问量，通过提高自身健康水平就可以带动与之相关联的其它节点，使得网络具有较快的风险恢复速度[45]。因此，在低初始健康分布情景下，无标度特征孵化网络比随机网络或小世界特征网络恢复速度更快，进而导致更高的孵化网络最终健康水平。据此，本研究提出如下假设：

H2a：在低初始健康分布下，具有无标度特征的孵化网络比具有随机特征的孵化网络恢复速度更快，进而导致更高的孵化网络最终健康水平；

H2b：在低初始健康分布下，具有无标度特征的孵化网络比具有小世界特征的孵化网络恢复速度更快，从而导致更高的孵化网络最终健康水平。

1.2.3 结构可视化的调节作用

在探讨孵化网络结构与风险传播对最终健康水平的影响时，同样需要将结构可视化情景纳入。提高孵化网络结构可视化，能够更加深入地了解在孵企业间关系，有利于通过减少关联企业或关联项目数量感知风险并抑制传播[46]。相反，如果一个企业只关注有直接联系的合作对象，而未能察觉到底层风险源的潜在连锁反应，由较低可视化带来的后果不堪设想。诸如2011年温州信泰眼镜产业和精益电气产业所引发的危机，正是因为没能识别出网络中一个核心企业在负债规模和经济波动双重压力下的不良业绩，从而导致整个网络出现“雪崩”[47]。无论何种网络结构，高结构可视化程度对于抑制孵化网络风险传播均能起到积极作用。据此，本研究提出如下假设：

H3a：具有高结构可视化水平且表现出无标度网络特性的孵化网络，有助于降低网络风险传播，从而达到更高的孵化网络最终健康水平；

H3b：具有高结构可视化水平且表现出小世界网络特性的孵化网络，有助于降低网络风险传播，从而达到更高的孵化网络最终健康水平；

H3c：具有高结构可视化水平且表现出随机网络特性的孵化网络，有助于降低网络风险传播，从而达到更高的孵化网络最终健康水平。

2 研究设计与仿真建模

2.1 研究设计

2.1.1 案例选取与数据来源

通过访问国家科技部网站，在国家级孵化器中选取两家作为典型案例，验证研究假设中提出的网络结构。其中，孵化网络A属于综合孵化器，在孵企业达到779家，业务分布在新能源技术、生物医药、集成电路等领域。孵化网络B则是专业孵化器，入孵的航空企业有182家，主要从事航空零部件生产、新材料研发制造等。

在由两类孵化器形成的网络中，运用python软件获取在孵企业数量、企业间合作项目、投融资业务、与其他创新主体的互动等关键信息。鉴于GEM定义的初创期企业成长周期为40个月，因此将被调研企业时间设置为近3年。通过采集孵化网络关系数据，分析两类孵化网络结构特征，为探讨孵化网络风险传播规则及变量设置提供真实案例基础。

2.1.2 网络图绘制

通过对孵化网络A和孵化网络B的基础数据进行整理，构建以孵化器、在孵企业和其他创新主体为节点、各成员间合作关系为连边的邻接矩阵Xij。其中，Xij代表创新孵化网络中成员节点i和j的合作关系，若Xij=1，则说明节点i与j具有合作关系；反之，若Xij=0，则说明节点i和节点j不具有合作关系。应用社会网络分析软件Gephi9.2对被调研网络的平均最短路径、聚类系数进行计算，并绘制网络结构图，见图1和图2。

2.1.3 网络结构特征

通过分析得出，孵化网络B更具有小世界特征，其特点是平均路径长度较短，但与具有相同数量节点的随机网络相比聚类系数更高[18，20]。通过与生成同样具有182个节点和782条连边的随机网络对比，从平均路径长度看，小世界样本平均最短路径更短(随机网络为2.635，小世界网络样本为2.591)，但聚类系数明显更高(随机网络为0.042，小世界网络样本为0.499)，从而证实孵化网络B属于小世界网络。而孵化网络A与无标度网络具有较高的相似性，其网络中包含779个节点和2 577条连边。无标度网络的特点是遵循幂律分布。学者们通常以双对数(Log-Log)坐标绘制网络度分布，并使用对数转换后的数据寻找其线性规律特征[48]。结果表明，孵化网络A服从幂律分布，双对数坐标图呈现出直线形式(见图3)。

2.2 仿真研究方法

为探寻特定情境下孵化网络结构、风险传播对孵化网络最终健康水平的影响，需要对孵化网络风险传播动态过程展开研究。由于孵化网络中的创新主体具有各自的社会属性，故无法实现对网络中多主体的可控性实验，而实证分析又难以捕获网络成员多主体交互行为，缺乏对每个实体的异质性反馈。此外，孵化网络结构演化及风险传播相关时间序列数据在现实中往往不能准确获取，这使得实证研究难以深入探寻孵化网络结构、风险传播对孵化网络最终健康水平的影响，从而无法构建特定情境下孵化网络结构、风险传播与孵化网络最终健康水平的完整分析框架。鉴于此，本文采用仿真模拟[49]对特定情境下不同孵化网络结构的风险传播动态过程进行仿真研究。

2.3 风险传播机制

孵化网络成员间的互动行为较为复杂，本文尽可能从现实案例中提取有价值的信息，最大程度上还原真实情景。根据SIR模型建立风险传播机制，设置参数取值区间，最终借助Netlogo软件进行多Agent仿真。本文主要从以下3个方面构建孵化网络风险传播机制。

2.3.1 孵化网络风险传播的基本规则

假定在孵化网络中s(t)、i(t)、r(t)分别为时刻t的易感节点、感染节点和免疫节点占据整个网络规模的比例，则有s(t)+i(t)+r(t)≡1。SIR微分方程描述如式(1)所示。

(1)

其中，β为一个易感个体在单位时间内与感染个体接触并被传染的概率；γ为感染节点恢复到易感节点的概率。根据(1)中第一式和第三式，可得：

(2)

两边积分，得到：

s=s0e-βr/γ，s0=s(0)

(3)

将i=1-s-r代入式(1)并利用式(3)，可得：

(4)

其解可以用如下积分表示，见公式(5)。

(5)

虽然这一积分并不存在显示解，但可以借助数值计算展示随时间推移的网络风险演化特征。假定t=0时，孵化网络中各成员节点被随机分配到3种状态，即健康状态(m1)、中等状态(m2)、差的状态(m3)，每种状态下初始节点网络规模占比均由初始健康分布决定(Hm1-m2-m3)，每个节点都有相应的感染率β和恢复率γ。

2.3.2 基于可视化影响的感染率与恢复率函数

结构可视化程度能对风险传播中感染率和恢复率产生指数效应[46]，可用来反映可视化对感染率减少和恢复率增加呈现出指数变化的趋势，有助于孵化网络减少风险传播并改善健康状态。结构可视化影响下的感染率β'和恢复率γ'函数式如下：

βi'=βi×e-φ·visi,γ'=γi×(1-e-φ·visi)

(6)

其中，βi代表感染率，γi代表恢复率，φ代表影响感染(恢复)水平的增长率或衰变率的常数(一般取值为2)[46]，visi代表结构可视化程度。结合前文所提假设，即无论孵化网络结构表现为随机特征、小世界或无标度特征，结构可视化都将显著改善或维持孵化网络的最终健康水平。

2.3.3 孵化网络节点健康状态转换规则

在孵化网络中给每个节点引入一组相邻节点，这些节点随后的健康状况取决于与它们互动的每一个相邻节点的健康水平，由此反映出合作主体间的交互规则有助于控制孵化网络将来的健康状态。因此，对在孵企业或创新主体节点赋予pij，表示从当前状态i过渡到状态j的转移概率，不难发现在孵化网络中最终健康状态水平不仅取决于结构可视化影响下的感染率函数βi'和恢复率函数γi'，同时也依赖于相邻节点的健康状态。

孵化网络节点在每一个时间步长中具有从当前状态i转换为状态j的唯一概率。目前，处于好的健康状态的节点企业可以保持同一状态，继而过渡到中等状态，或过渡到差的状态。每种状态都有一定的转移概率。以此类推，处于中等或差状态的节点在3种状态中存在一定概率，由此产生的过程如图4所示。

图4说明，在孵化网络中，节点从好的状态m1转变到中等状态m2、或中等状态m2变为好的状态m1，这两种状态转换相差一步。同理，还有从好的状态m2转变到中等状态m3、或从中等状态m3转变为好的状态m2的过程。因此，图中实线箭头表明相邻状态间仅仅相差一步距离。但是，从好的状态m1到差的状态m3，或者从差的状态m3变为好的状态m1中间过程相差两步，于是在图3中用虚线箭头表示不相邻两种状态间的切换。而图5则从另外一个侧面说明核心节点(在孵企业或创新主体)与相邻节点的健康状态变化情况。

如图5所示，孵化网络中核心节点(在孵企业或创新主体)与相邻节点主体间的状态变化呈现出3种情况：①图5(a)表示核心节点从好的状态m1变为中等状态m2，网络中节点健康水平下降；②图5(b)表示核心节点维持在好的状态m1，网络中节点健康水平不变；③图5(c)表示核心节点从差的状态m3变为中等状态m2，网络中节点健康水平提高。

结合图4和图5可以推导出孵化网络中节点企业的健康转移概率pij为：

pij=θiωi[1+(∑j≠ipj/∑jpj)]∀i,j∈(m1,m3)

(7)

pij=θiωi[1+(pj/∑jpj)]∀i,j∈m2

(8)

结合式(7)和式(8)看，节点i和j之间状态的转移概率pij取决于3个因素：考虑结构可视化影响的感染率函数β'或恢复率函数γ'的取值，θi、节点间状态相差的步长ωi、处于与节点j健康状态相同节点数量占全部网络规模的比值pj。

θi取值主要取决于节点i和j所处的状态，当节点j状态比节点i差时，θi的取值为β'，反之则为恢复率γ'。ωi取值取决于当节点j状态与节点i相差一步时，ωi=1；反之当节点j状态与节点i相差两步时，ωi=0.5。风险传染结束，当孵化网络趋于稳定状态后，可采用公式(9)衡量孵化网络的最终健康水平变化率(H)。

(9)

其中，L1表示在初始0时刻，孵化网络中状态好的企业(或其他创新主体)数量；L1'表示网络趋于稳定状态后，状态好的企业(或其他创新主体)数量；L2表示在初始0时刻，孵化网络中等状态企业(或其他创新主体)数量；L3表示孵化网络中状态差的企业(或其他创新主体)数量。假定在风险传播过程中，孵化网络中在孵企业或创新主体不会退出网络，其最终健康水平仅在3种状态间进行切换，所以孵化网络规模将始终保持恒定。

2.4 参数设置

2.4.1 风险传播周期设定

从较为长远的时间段看，孵化网络特征参数也会随之变化。本文重点关注不同健康状态节点分布形成的短期风险传播。因此，规定仿真周期T=40个时间间隔，以与现实中的创业企业成长期保持一致。

2.4.2 网络规模设定

孵化网络规模是指网络内参与企业孵化的所有创新主体的数量。通过对中国内地29个省市国家级孵化网络规模实际数据进行整理发现，孵化网络带有明显的地域性特征，剔除最大值和最小值后，其余各省市网络节点数量分布均在100～1 000之间[50]。

孵化网络平均节点度是指对网络中各节点中心度进行平均，以反映整体网络中创新主体与外界联系的紧密程度，全国各省份孵化网络最大平均度值结果接近于5[50]。因此，为使仿真结果与真实网络演化情况高度相似，对参数取值区间进行设置并取整，见表1。

2.4.3 风险传播参数设定

由于孵化网络中各类主体关系没有金融网络密切，导致其传染率和恢复率也都低于金融网络中的参数取值[51]。这是因为，网络越密集越有利于成员间相互交流和信息传播，被风险感染的个体比例也越高，从而越会加速风险传播概率[52]。同理，当网络处于恢复阶段时，成员间紧密的合作共享也会促使网络整体具有较高的恢复率。因此，本文将两者取值设定在不高于0.25范围之内。与此同时，借鉴Barthélemy 等[40]对网络主体健康状态变化趋势的研究，分配给孵化网络中每种初始健康状态成员节点(好、中、差)所占百分比及结构可视化程度见表2。

2.5 仿真设计有效性控制

为保证仿真结果的有效性，本文采用全因子实验设计路线，共包含9个仿真参数。其中，网络规模、网络类型、连接概率、结构可视化、感染率、恢复率分别有3种取值，平均度有5种取值，仿真周期有1种取值，初始健康分布有6种取值。因此，共需要运行3×3×3×3×3×3×5×1×6=21 870次仿真，且所有仿真均在NetLogo环境中实现。在每次仿真过程中，如果孵化网络中有95%以上节点都处于均衡状态，则孵化网络处于均衡状态，此时仿真停止运行。

3 仿真结果统计分析

3.1 仿真结果

时间步长T=40，图6为不同网络结构进行仿真后的孵化节点状态差异分布。如N=100，=4，pij=0.5，m1=0.8，m2=0.1，m3=0.1，vis=0.75，β'=0.25，γ'=0.15；图6(a)为随机网络、图6(b)为小世界网络、图6(c)为无标度网络。

图7为在特定初始健康及可视化水平下3种网络结构中的风险传播。其中，图7(a)为随机网络、图7(b)为小世界网络、图7(c)为无标度网络。从图6和图7可见，在高结构可视化程度下，3种网络结构中健康节点数量均呈增长趋势。

3.2 仿真回归结果分析

从近期研究看，学者们正在尝试以仿真模拟数据作为基础，运用统计回归分析探究多种变量(因素)间的交互作用。这种新兴研究范式的合理性和有效性日益被国内外学者接纳，并广泛应用于管理学科各个领域[53-54]。因此，本文通过多次模拟迭代消除多主体行为随机性可能产生的偏差，以大样本量(21 870条)仿真结果作为数据来源，对整体模型进行多元回归分析，探讨变量间关系，进一步验证研究假设。

3.2.1 相关性分析

从相关性检验结果可以看出，各变量间的相关系数不高，初步证明多重共线性问题不明显(见表3)。多重共线性检验结果发现，各项间方差膨胀因子远小于10，因此可以排除多重共线性问题。

3.2.2 回归分析

(1)回归模型1验证网络结构对风险传播与孵化网络最终健康水平的影响。结果表明，与随机特征相比，具有无标度网络结构的孵化网络对最终健康水平具有显著负向影响(p<0.001)。相反，与随机特征相比，具有小世界网络结构的孵化网络对最终健康水平具有显著正向影响(p<0.001)。因此，假设H1a与H1b得到验证(见表4)。

(2)回归模型2验证网络类型和初始健康分布的交互效应。结果表明，在低初始健康水平下，具有无标度性质的孵化网络在健康状态m2和m3水平上均比随机网络系数值大，表明无标度网络比随机网络更有利于恢复网络健康，系数为正说明呈显著正向影响(p<0.001)。此外，具有无标度特征的孵化网络在健康状态m2和m3水平上比小世界网络的系数值大，说明无标度网络比小世界网络拥有更快的恢复速度，其系数值均为正说明呈显著正向影响(p<0.001)。因此，假设 H2a、H2b得到验证(见表4)。

(3)回归模型3验证网络类型和可视化程度间的交互影响。结果发现，变量间相互作用显著。在高可视化水平下，具有随机特征的孵化网络能够降低风险，对最终健康水平产生显著正向影响，尤其是可视化取值为0.5和0.75进行对比发现，可视化程度越高，对最终健康水平的影响越显著。同样，在高可视化水平下，小世界特征和无标度特征孵化网络同样都能够降低风险，对最终健康水平产生显著正向影响。在可视化取值为0.5和0.75两种条件下，可视化程度越高，对最终健康水平的影响也越显著。上述结果表明，无论网络结构类型如何，只有提高可视化水平才能降低网络风险传播，提高孵化网络结构可视化水平是有效识别和降低风险的重要免疫措施。因此，假设 H3a、H3b、H3c得到验证(见表4)。

4 结语

4.1 研究结论

本文以陕西省两类国家级孵化器形成的实际网络为研究对象，通过分析其网络结构特征，根据SIR模型设立风险传播规则，设置符合孵化网络实际特征的参数取值区间，运用统计分析方法对筛选的仿真结果数据进行回归分析，得出孵化网络结构、风险传播及特定情境交互项对孵化网络最终健康水平的影响机理。结果发现：孵化网络结构、风险传播与网络最终健康间具有显著相关性；当感染率高于恢复率时，与随机网络相比，无标度网络会加快风险传播，小世界网络则会降低风险传播；在低初始健康分布情景下，感染率低于恢复率，无标度网络具有更快的恢复速度；在不同网络结构下，可视化水平均有助于提升孵化网络风险缓解能力。

4.2 实践启示

(1)关注孵化网络结构特性。专业孵化器网络具备小世界特征，因此可通过适当控制企业间交流频率、增强高集聚水平企业实力，进而提升网络风险恢复速度，降低网络风险传播速度；综合孵化网络具有无标度特征，且网络中存在“超级节点”。因此，在带动网络成员发展的同时极易形成风险传播源，需要重点扶持和保护这类具有较大影响力的核心企业，对这类企业建立风险预警机制或风险阻隔机制，限制其风险传播范围，发挥示范作用，带动关联企业健康运行，从而实现整个孵化网络的健康运行。

(2)改善孵化网络初始化健康分布。在孵节点企业初始健康分布不合理，将会加快网络风险传播速度。因此，对在孵企业进行筛选和评估非常重要。过多低健康、高风险企业节点的出现不仅导致企业自身孵化过程存在风险，还会影响相关孵化企业的存活率和成功率，甚至产生连片孵化失败的结果。所以,不能盲目追求孵化企业数量，而应该对初始健康水平较差的企业加以限制，将其设置在可控范围内，从而降低整个孵化网络风险传播效率；另外，还应合理配置初始健康水平较高、风险较低的企业，扩散其正面溢出效应，对周边在孵企业节点产生正向引导作用，降低孵化网络风险传播效率。

(3)提升孵化网络可视化程度。构建基于互联网的大数据平台，加强孵化器管理者对网络结构可视化水平的关注度，引导成员企业与服务能力强、社会声誉好、技术先进的合作方建立联系。通过数据挖掘搜集可视化节点企业间供需专业数据，建立基于数据驱动的“监控—评估—预警—应对”可视化链式网络治理机制，及时发现风险预兆并实时作出预警，提高企业孵化成功率。

(4)构建整体孵化网络健康水平评估体系。在网络治理方面，应更多关注绩效与单个节点企业的孵化问题，而对于整个网络风险传播问题的关注应该建立整体孵化网络健康水平监控体系。当整个网络出现大范围风险传播时，单个节点无法通过自身治理解决外部风险冲击问题，需要整个孵化网络平台加以干预，阻止风险蔓延与扩散，保证在孵企业安全。这种干预可能与单个企业绩效存在短期矛盾，但在大范围风险传播过程中，在孵企业的安全与存活应摆在首位。

4.3 不足与展望

本研究尚存在一些不足：根据孵化网络特征构建网络模型，并依据流行病传播理论进行仿真实验，在实验过程进行适度简化，尚未对风险种类进行细分，也未诠释孵化网络结构对不同类型风险传播影响的差异；缺乏对孵化网络结构可视化程度差异的案例佐证，未识别风险并确定其传播的潜在规律。因此，未来应从上述几个方面进行深入研究。

参考文献:

[1] 高洋,叶丹,张迪宣,等.东北老工业基地创业孵化器运行效率[J].科学学研究,2019,37(7):1295-1305.

[2] MARIN B,ROMUALDO P S.Epidemic spreading in correlated complex networks[J].Physical Review E,2002,66(4):1-4.

[3] 张延禄,杨乃定.针对研发网络风险传播的控制方法模型及仿真[J].系统管理学报,2018,27(3):500-511.

[4] BATTISTON S,GATTI D D,GALLEGATI M,et al.Liaisons dangereuses: increasing connectivity,risk sharing,and systemic risk[J].Journal of Economic Dynamics and Control,2012,36(8): 1121-1141.

[5] ALLEN F,GALE D.Financial contagion[J].Journal of Political Economy,2000,108(1): 1-33.

[6] BLUME L,EASLEY D,KLEINBERG J,et al.Network formation in the presence of contagious risk[C].ACM Conference on Electronic Commerce,2011.

[7] GAI P,HALDANE A,KAPADIA S.Complexity,concentration and contagion[J].Journal of Monetary Economics,2011,58(5):453-470.

[8] CACCIOLI F,CATANACH T A,FARMER J D.Heterogeneity,correlations and financial contagion[J].Advances in Complex Systems,2012,15(2):1-7.

[9] 李永奎,周宗放.基于小世界网络的企业间关联信用风险传染延迟效应[J].系统工程,2015,33(9):74-79.

[10] 沈丽,刘媛,李文君.中国地方金融风险空间关联网络及区域传染效应:2009-2016[J].管理评论,2019,31(8):35-48.

[11] 王子丰,周晔.中美上市银行高维网络结构特征与系统性风险传染[J].金融经济学研究,2018,33(4):35-45.

[12] MAGEAU M T, COSTANZA R, ULANOWICZ R E. Quantifying the trends expected in developing ecosystems[J].Ecological Modelling,1998,112(1):1-22.

[13] BLOME C,SCHOENHERR T.Supply chain risk management in financial crises—a multiple case-study approach[J].International Journal of Production Economics,2011,134(1):43-57.

[14] 王兴琼.基于仿生视角的组织健康外在表征与内在机制分析[J].科技管理研究,2012,32(20):225-229.

[15] 谢逢洁,崔文田.陆运快递网络的复杂结构特性及演化模型[J].系统管理学报,2016,25(2):364-369，378.

[16] 王国红,周建林,邢蕊.创新孵化网络演化无标度特征仿真分析[J].技术经济,2014,33(10):29-35.

[17] 黄玮强,姚爽,庄新田,等.基于无标度网络的创新扩散模型研究[J].东北大学学报(自然科学版),2015,36(8):1212-1216.

[18] WATTS D J,STROGATZ S H.Collective dynamics of 'small-world' networks[J].Nature,1998,393(6684): 440-442.

[19] STEEN J,MACAULAY S,KASTELLE T.Small worlds: the best network structure for innovation[J].Prometheus,2011,29(1):39-50.

[20] NEWMAN M E J,WATTS D J,STROGATZ S H.Random graph models of social networks[J].Proceedings of the National Academy of Sciences,2002,99(1):2566-2572.

[21] 汪小帆,李翔,陈关荣.复杂网络理论及其应用[M].北京: 清华大学出版社,2006.

[22] 张延禄,杨乃定.针对研发网络风险传播的控制方法模型及仿真[J].系统管理学报,2018,27(3):500-511.

[23] 潘顺荣,崔博,乐美龙,等.系统论视角下的网络风险传播研究[J].系统科学学报,2019,27(1):102-107.

[24] 苗红,黄鲁成.区域技术创新生态系统健康评价初探[J].科技管理研究,2007,27(11):101-103.

[25] 吴金希.创新生态体系的内涵、特征及其政策含义[J].科学学研究,2014,32(1):44-51.

[26] KOROTKOV D,HANNAH T E.The five-factor model of personality: strengths and limitations in predicting health status,sick-role and illness behaviour[J].Personality and Individual Differences,2004,36(1):187-199.

[27] BLOME C,SCHOENHERR T.Supply chain risk management in financial crises—a multiple case-study approach[J].International Journal of Production Economics,2011,134(1):43-57.

[28] 方锦清,汪小帆,刘曾荣.略论复杂性问题和非线性复杂网络系统的研究[J].科技导报,2004,25(2):9-12，64.

[29] THOMAS J C.Chaos,catastrophe,and human affairs: applications of nonlinear dynamics to work,organizations,and social evolution[J].Personnel Psychology,1997,50(1):200-203.

[30] GOSAIN S,MALHOTRA A,OMAR A,et al.Coordinating for flexibility in e-business supply chains[J].Journal of Management Information Systems,2004,21(3):7-45.

[31] MAGHSOUDI A,PAZIRANDEH A.Visibility,resource sharing and performance in supply chain relationships: insights from humanitarian practitioners[J].Supply Chain Management,2016,21(1):125-139.

[32] ARSHINDER K A,DESHMUKH S G.Supply chain coordination: perspectives,empirical studies and research directions[J].International Journal of Production Economics,2008,115(2):316-335.

[33] CHRISTOPHER M.The agile supply chain: competing in volatile markets[J].Industrial Marketing Management,2000,29(1): 37-44.

[34] WEI H L,ERIC T G WANG.The strategic value of supply chain visibility:increasing the ability to reconfigure[J].European Journal of Information Systems,2010,19(2):238-249.

[35] DUBEY R,GUNASEKARAN A,CHILDE S J,et al.Upstream supply chain visibility and complexity effect on focal company's sustainable performance: Indian manufacturers' perspective[J].Annals of Operations Research,2017,290(1):343-367.

[36] TANG C S,ZIMMERMAN J D,NELSON J I.Managing new product development and supply chain risks:the Boeing 787 case[J].Supply Chain Forum: An International Journal,2009,10(1):74-86.

[37] LEE H,KIM M S,KIM K K.Interorganizational information systems visibility and supply chain performance[J].International Journal of Information Management,2014,34(2):285-295.

[38] 张明珍,杨乃定,张延禄.环境动荡性对研发网络结构与风险传播的调节作用研究[J].软科学,2019,33(9):87-91,127.

[39] 蒋同明.科技园区创新网络结构特征测度的仿真研究[J].科学学与科学技术管理,2011,32(1):78-81.

[40] BARTHELÉMY M,BARRAT A,PASTOR-SATORRAS R,et al.Dynamical patterns of epidemic outbreaks in complex heterogeneous networks[J].Journal of Theoretical Biology,2005,235(2): 275-288.

[41] 孙冰,田胜男,姚洪涛.创新网络的小世界效应如何影响突围性技术扩散——基于转换成本的调节作用[J].管理评论,2018,30(3):72-81,127.

[42] 孙耀吾,卫英平.高技术企业联盟知识扩散研究——基于小世界网络的视角[J].管理科学学报,2011,14(12):17-26.

[43] 陈伟,周文,郎益夫.集聚结构、中介性与集群创新网络抗风险能力研究——以东北新能源汽车产业集群为例[J].管理评论,2015,27(10):204-217.

[44] 曹洁琼,其格其,高霞.合作网络“小世界性”对企业创新绩效的影响——基于中国ICT产业产学研合作网络的实证分析[J].中国管理科学,2015,23(S1):657-661.

[45] 黄玮强,庄新田,姚爽.基于创新合作网络的产业集群知识扩散研究[J].管理科学,2012,25(2):13-23.

[46] BASOLE R C,BELLAMY M A.Visual analysis of supply network risks:insights from the electronics industry[J].Decision Support Systems,2014,67:109-120.

[47] 周建华,张捷.产业集群担保网络结构与风险传染机制——以温州眼镜产业担保网和电气产业担保网为例[J].产经评论,2016,7(4):17-29.

[48] NEWMAN,M E J.The structure and function of complex networks[J].SIAM Review,2003,45(2):167-256.

[49] ZHANG X,ZHAO N.The model and simulation of the invulnerability of scale-free networks based on"honeypot"[J].Journal of Networks,2011,6(6):928-931.

[50] 张玲,任晓悦，张元杰，等.中国企业孵化的空间溢出效应——来自35个大中城市的实证研究[J].科技进步与对策.2019,36(3):42-51.

[51] 胡志浩,李晓花.复杂金融网络中的风险传染与救助策略——基于中国金融无标度网络上的SIRS模型[J].财贸经济,2017,38(4):101-114.

[52] 陈庭强,何建敏.基于复杂网络的信用风险传染模型研究[J].中国管理科学,2014,22(11):1-10.

[53] AGGARWAL V A,SIGGELKOW N,SINGH H.Governing collaborative activity:interdependence and the impact of coordination and exploration[J].Strategic Management Journal,2011,32(7): 705-730.

[54] 徐建中,朱晓亚.社会网络嵌入情境下R&D团队内部知识转移影响机理——基于制造企业的实证研究[J].系统管理学报,2018,27(3):422-432,451.

(责任编辑：王敬敏)