This study uses the relevant data from 2010 to 2019 in the Wind database,and obtains a sample of 245 investment institutions with a total of 23 056 investment events.A total of 1 715 ego-networks are constructed for 245 investment institutions in seven window periods,and relevant network indicators are calculated.Finally,the within estimation method and LSDV method are used to conduct empirical analysis on 1 715 ego-networks.
The results show that the relationship dependence among network members negatively affects the ego-network growth and diversity of venture capital respectively; the high level of knowledge depth and knowledge breadth further strengthen the negative relationship between network member relationship dependence and ego-network diversity,and play a negative moderating role; knowledge breadth weakens the negative relationship between the relationship dependence among network members and ego-network growth,and plays a positive regulatory role; however,the knowledge depth has not significant moderating effect on the relationship dependence of network members and the ego-network growth of venture capital.
The research contributions of this paper are mainly reflected in the following aspects.(1) According to the social network theory,the dependence among organizational members in the network is deconstructed from the perspective of social interaction,which provides a new perspective for the research on dynamic driving factors of venture capital ego-network.Different from previous studies with a focus on the exogenous environmental factors or endogenous individual needs,this study is from the perspective of relationship dependence among organizational members,which not only expands the application of social network theory,but also deepens the understanding of the antecedents of ego-network dynamics.(2) The research on the dynamics of venture capital networks has been expanded from the macro and meso perspectives to the micro ego-network perspective,and it enriches and refines the research results related to venture capital networks.It is also helpful to recognize the changes in the amount and richness of resources brought by the ego-network change of each investment institution from the micro perspective.(3) Combining knowledge-based theory,this study analyzes the changes of network member relationship under the action of the knowledge base.It provides help for in-depth exploration of the antecedents of the evolution of the ego-network,supplements the original theoretical research framework,and makes up for the one-sided research with a focus only on the relationship dependence of network members.
开放科学(资源服务)标识码(OSID)：
风险投资作为一种“高能资本”对促进创新、创业、创造发挥重要作用,是推动实体经济发展的有效手段[1],投资机构出于缓解非系统风险、交换资源等目的往往会选择联合投资策略。Wind数据库显示,2020年投资事件数量相比2019年减少3 513起,将近缩减一半,但2020年联合投资事件占比达到 64.87%,相比2019年却增加9个百分点,可见联合投资比例不断攀升。联合投资是风险投资网络形成的起点,即风险投资网络是投资机构借助联合投资形式逐渐形成的关系网络[2-3]。不断攀升的联合投资比例侧面反映出风险投资网络化特征日益明显,而风险投资自我网络则是微观视域下的一种网络形态,是指以某一焦点投资机构为核心所形成的网络,包括焦点投资机构(自方)、与焦点投资机构直接联系的其它投资机构(对方)以及它们所建立的联结关系(罗吉等,2017)。实际上,投资机构能力、需求和资源禀赋会随着时间推移及投资活动经验累积而发生改变,使得投资机构为寻求新机会和新资源而发生网络伙伴更迭与网络拓扑结构改变,从而导致风险投资自我网络重构[4]。自我网络重构会因新颖伙伴的加入而带来异质性知识和信息并发生新思想碰撞,从而增强原有焦点投资机构网络优势,避免知识同质和冗余,对于提升焦点组织知识搜索效率和创新绩效大有裨益[5]。因此,深入理解风险投资自我网络动态变化规律,对于提升投资机构创新绩效、指导风险投资网络发展具有重要意义。
本文对现有文献进行梳理发现:第一,在风险投资网络动态变化相关研究中,学者基于宏观视角,主要探索风险投资网络凝聚子群、聚类系数、核心—边缘密度、网络效率和鲁棒性等结构特性的动态演化规律[7];基于中观视角,学者重点分析网络社群动态、成员跨社群移动[4,10]对投资绩效的作用机制[8-9];基于微观自我网络视角,学者多从静态结构或关系功能维度揭示风险投资自我网络特征。例如,从网络结构视角剖析网络位置、规模、密度[10]与投资绩效的关系,或是从关系角度探讨关系强弱对投资绩效的影响[11]。对自我网络动态性的研究多集中于发明者网络和创新网络等领域。如刘娜等[5]揭示发明者自我网络动态变化对知识搜索的影响;Yan等[12]分析自我网络动态性对社会资本与创新关系的调节作用。第二,在现有网络动态变化前因研究中,由于网络动态变化主要表现在网络节点、节点间关系和结构变化等方面[13],因此部分学者从外界环境因素出发,根据风险投资环境支撑理论,探讨经济、金融、制度、科技、创业环境等因素对网络动态性的影响机制[14];也有部分学者从内部因素出发,基于个体内生动力,指出网络节点关系的建立与断裂遵循择优机制和联合偏好[15]并受资源有限性的约束[16]。
然而现有研究存在如下不足:第一,微观视角自我网络研究多从静态角度出发,动态性研究较少,不利于捕捉网络投资机构因自我网络特征改变而引发的资源多寡和丰富性变化,难以为投资机构搭建高效网络;第二,尽管现有学者分别从内外部因素关注风险投资网络动态变化前因,但外部环境因素是一种宏观、不易改变的外生动力,仅从外生因素入手难以全面揭示其动态变化机制;另外,内生动力研究均是从组织个体需求视角展开,忽略了组织间关系。从形式上看,网络动态变化主要体现为网络成员关系的动态联结,而成员关系的动态联结实质上是对网络组织成员依赖关系作出响应[17]。谢永平等(2014)指出,组织间依赖是网络成员关系联结的本质,组织间依赖使网络成员关系具有敏感性和脆弱性,反映出组织成员依赖关系对自我网络动态变化具有重要影响。石乘齐(2019)认为,组织成员长期的依赖关系容易造成网络成员关系惯性,产生一定固化和锁定作用,从而在两者间形成一种悖论。然而,当前有关网络组织成员依赖关系的研究主要围绕其对情感性承诺、企业绩效的影响展开[18],鲜有对动态网络的深度讨论。
综上所述,本文从网络组织成员依赖关系视角出发,对风险投资自我网络进行研究。当前,学者对组织间依赖关系存在不同理解。部分学者将网络组织依赖等同于资源依赖[19],认为依赖程度取决于外部资源对组织的重要性;但也有部分学者认为前者忽略了网络关系行为因素,并基于社会互动视角提出长期、重复的社会行为会增强组织连接的紧密性,关系紧密度越高意味着网络组织成员间的依赖关系越紧密,并指出网络组织成员依赖是一种关系依赖(石乘齐,2019)。两者区别在于:前者是一种无能为力的被动限制,而后者则是基于“关系”的真心奉献。在风险投资领域,郭晴等(2019)研究发现,我国投资机构更倾向于依赖“关系”“交情”等获取行业声誉和地位,即在风险投资行业存在“圈子”现象。考虑到这一特殊背景,本文采取后者观点,基于网络成员间社会互动关系视角,将网络组织成员依赖细化为关系依赖,考察网络成员关系依赖对风险投资自我网络动态性的影响。此外,由于该领域属于知识密集型产业且具有高度不确定性和风险性,因此投资机构需要储备丰富的专业知识以规避风险。然而,由于投资机构进行联合投资的目的是为分担风险,当投资机构具有足够的知识储备应对投资风险时,是否会减弱向其他新成员寻求合作的需求,是否会降低互动合作频率和深度,从而对网络成员关系依赖产生影响?目前,有学者指出知识属性与合作关系具有替代作用,知识储备更丰富的投资机构反而会降低与其他成员的联结关系[20-21]。石乘齐(2019)指出,知识变化会使网络成员按照知识水平高低重新建立网络关系和网络规则,从而使原有网络成员关系依赖发生改变,并在一定程度上抑制自我网络扩张与多样化联结。但也有学者发现投资机构知识属性与投资绩效紧密相关(杨艳萍等,2020),即投资机构知识禀赋能够在一定程度上释放显著的质量信号,吸引其他潜在网络成员合作,从而促进自我网络扩张与多样化联结关系。综上所述,知识属性对自我网络动态性起促进还是抑制作用值得商榷。目前,鲜有学者深入探讨知识属性对网络成员关系依赖与自我网络动态性关系的调节作用。所以,本文结合知识属性情境,探讨知识属性对两者关系的调节作用。
随着时间推移和投资活动累积,投资机构的兴趣、能力、需求及资源禀赋会发生改变,使投资机构为寻求新机会和新资源产生网络伙伴更替,从而促进自我网络不断解构并形成新的拓扑结构。Ahuja等[13]认为,网络动态性体现为网络节点、节点间关系和结构变化。本文借鉴Guan等[22]的研究,从风险投资自我网络动态性深度和广度两个维度入手。从深度方面,自我网络增长性表现为新增伙伴数量;从广度方面,自我网络多样性表现为联结关系拓扑分布。本文从这两个方面考察,主要是基于以下考虑:一是新进入的网络成员和网络关系拓扑分布会影响自我网络知识同构以及网络功能效用[23];二是自我网络增长性和多样性是显而易见的网络动态变化[24]。
依赖是指组织或个人之间相互影响的程度[34],而组织单元之间相互影响的程度则称为组织间依赖[26]。拓展到网络层面,学者认为组织间依赖对组织网络形成具有重要影响[26],并认为其是网络成员关系的本质[27]。最初,学者将网络组织成员间依赖等同于资源依赖,认为网络组织成员依赖程度取决于外部资源的重要性和不可替代性[17,19]。随后,部分学者认为组织成员间依赖也可能源于组织成员社会关系的紧密程度,是一种社会情感关系依赖[16,26],指出关系性依赖扎根于长期、重复的社会互动行为所缔结而成的情感联结纽带关系。其中,关系质量、关系紧密性越强,关系依赖越显著[17]。综上所述,本文借鉴以往研究,将网络成员关系依赖定义为网络成员之间基于长期、重复的社会互动行为而形成的一种情感联结纽带关系,随着关系重要性的日益加深,网络成员间的依赖程度随之提高。
根据社会网络理论,强连带能够释放信任感和影响力等信号,并带来情绪支持。在强关系嵌入网络中,网络成员之间的关系比较紧密,在关系紧密的网络中不仅容易滋生承诺性关系,而且还能提高网络成员间的信任度和忠诚度[28]。同时,较强的网络成员关系依赖表明网络成员之间的关系信任度、关系紧密度较高[17]。根据这一逻辑,当网络成员关系依赖程度较高时,表明投资机构之间具有紧密的合作关系和较高的信任度。一方面,从情感性承诺和内隐忠诚度看,王永贵等[29]认为高水平的关系依赖表明组织关系纽带和情感积累较深,对维护合作关系高度认同,因而投资机构双方更倾向于正面理解和回应对方行为,一定程度上会增强合作关系凝聚力和交易关系情感性承诺[18],从而使原有网络伙伴之间的关系更稳定持久[29],提高其它投资机构进入壁垒,阻碍其他新成员加入(杨艳萍等,2020);另外,当关系依赖程度较高时,网络成员间关系具有较强的内聚性,在网络中呈现出较高的网络密度和集聚性结构(石乘齐,2017)。石琳等[30]认为,集聚密度较高的风险投资网络虽然可以约束投资伙伴的机会主义行为,但网络成员基于内隐忠诚也不会轻易更换网络伙伴,而是会选择与过往熟悉伙伴建立网络关系,抑制与其它多元化投资机构合作,导致网络信息、资源冗余,造成网络同质化和僵硬,从而降低自我网络开放度并限制网络多样化联结关系。另一方面,从网络“锁定效应”看,石乘齐(2017)认为关系依赖作为网络成员间社会互动的结果,其形成过程需要耗费一定时间和精力,一旦形成则会产生一定的固化效应(周飞等,2015),并随着时间推移不断持续和复制,进一步加深原有网络成员关系紧密性和依赖度,从而对新成员的进入产生阻碍效应[31]。
综上所述,风险投资网络成员关系依赖性越紧密,越不利于吸纳新合作伙伴以及形成多样化联结关系。据此,本文提出如下假设:
H1a:网络成员关系依赖与风险投资自我网络增长性呈负向关系;
H1b:网络成员关系依赖与风险投资自我网络多样性呈负向关系。
根据知识基础理论,知识多寡对组织知识搜索、吸收和内化具有重要影响[32],关系到组织应对风险的能力以及组织长期生存和发展。当投资机构的知识存量足以抵御创新风险时,其会降低与其他成员之间的互动合作频率和深度[20-21],改变网络成员关系紧密度,从而对网络成员关系依赖产生影响,使网络成员重新建立新关系和新网络规则。因此,本文借鉴以往研究,将知识属性划分为知识深度和知识宽度两个维度加以考察(杨艳萍等,2020)。
1.2.1 投资机构知识深度的调节作用
知识深度是指投资机构可能长期专注于某一个或几个领域投资项目,在该领域积累专而精的专业知识,侧重于强调知识垂直维度,本质上是知识累积与存量增加,反映组织在该领域对知识的熟悉程度以及运用知识元素的能力和水平[33]。
(1)根据知识基础理论,知识深度不仅影响新知识挖掘[34],而且影响外部知识消化和吸收[35]。根据这一逻辑,当投资机构知识深度较高时,表明投资机构积累了丰富经验并洞悉和掌握了相应领域的复杂性知识。一方面,知识深度有助于在已有知识的基础上挖掘新知识[34],通过对新知识元素或新领域知识的学习,迅速捕捉和理解有利信息,从而有助于投资机构准确识别具有潜在价值的投资项目[36];另外,高知识深度能够提高知识吸收质量和速度[35],促进新旧知识系统整合[37],加速对所投公司信息和资料的消化理解,甄别出项目隐藏的负面信息[38]。因此,知识深度能够显著影响投资机构获取信息以及识别潜在风险的能力,减少向外界寻求帮助的需求以及对联合投资网络的依赖,缩减新投资伙伴联结数量,促进自我网络收缩。
(2)知识基础理论进一步指出,组织过去积累的知识会使其越来越倾向于之前采用过的知识或经验,即呈现知识依赖特征[39]。根据这一逻辑,由于投资机构长期仅固定投资于某一领域创业项目,知识深度提高会进一步加剧组织惯性与路径依赖效应,使组织锁定在原有领域[40],逐渐形成“认知惰性”,减少向其它领域探索的可能[41];同时,组织仅拘泥于与过往熟悉或者相似伙伴建立关系,减少与多元化投资机构之间的合作;此外,投资机构知识水平越高,网络成员对投资机构的依赖越紧密(石乘齐,2017)。因此,知识深度能够增强网络成员关系依赖与自我网络多样性的负向关系,限制新网络成员进入和多样化联结关系。据此,本文提出以下假设:
H2a:知识深度能够增强网络成员关系依赖与风险投资自我网络增长性之间的负向关系,即高知识深度投资机构网络成员关系依赖性越强,越不利于风险投资自我网络增长;
H2b:知识深度能够增强网络成员关系依赖与风险投资自我网络多样性之间的负向关系,即高知识深度投资机构网络成员关系依赖性越强,越不利于风险投资自我网络多样化发展。
1.2.2 投资机构知识宽度的调节作用
知识宽度是指主体知识结构涵盖领域的丰富程度,侧重于强调知识的横向覆盖维度[42]。在风险投资领域,知识宽度是指投资机构并非局限于某一行业或领域,而是跨越多个区域或行业进行投资,体现出主体拥有多样化知识。投资机构拥有的多样化知识越丰富,资源获取机会越多、知识整合能力越高,越能够弥补向外索取诉求,降低与新成员的合作意愿。
根据知识基础理论,知识丰富度有助于提高知识搜索范围和效率[43]。宽范围知识学习作为一种“维度型吸收能力”[44],知识基础范围越广越有助于吸收、整合和利用异质性知识[35,45]。根据这一逻辑,在风险投资网络中,当投资机构知识宽度较广时,表明主体拥有丰富的异质性知识,对众多领域广泛涉猎(刘凤朝等,2021)。而丰富的知识是扩大外部知识搜索范围的关键[43],投资机构通过所构建的宽范围异质性知识架构,为知识搜索提供更广泛的路径和渠道[42,44],拓宽和更新已有知识库(王巍等,2020),为多方位获取相关信息和知识资源提供机会,提高投资机构识别潜在优质项目的敏锐度和洞察力,实现跨行业或跨地域投资,从而有效分散投资风险并提高投资回报率[43,46];另外,宽范围知识学习作为一种“维度型吸收能力”[44],有助于提高投资机构解决复杂和非常规问题的能力[44,47],并增强应对制度差异和行业波动的适应能力[43,48]。综上所述,高知识宽度投资机构能够获取广泛的知识资源,提高搜寻优质项目的“雷达效应”,以及增强解决复杂问题和应对动荡环境的适应能力,从而弥补投资机构因知识单一性和有限性而产生的资源获取与分摊风险诉求。
基于以上效应,在高知识宽度情境下,投资机构会减少向外界寻求帮助的意愿。但随着网络成员关系依赖程度的不断提高,若存在合作需求,投资机构往往更倾向于与具有信任基础的伙伴进行合作,阻碍其他新成员的加入,从而加剧网络封闭性,减少与外界的多样化联结关系。据此,本文提出以下假设:
H3a:知识宽度能够增强网络关系依赖与风险投资自我网络增长性之间的负向关系,即高知识宽度投资机构网络成员关系依赖性越强,越不利于风险投资自我网络增长;
H3b:知识宽度能够增强网络关系依赖与风险投资自我网络多样性之间的负向关系,即高知识宽度投资机构网络成员关系依赖性越强,越不利于风险投资自我网络多样化发展。
综上所述,本研究构建概念模型,如图1所示。
图1 概念模型
Fig.1 Conceptual model
本文选取Wind数据库2010—2020年数据,共获得49 467起投资事件。经观察,2020年共发生投资事件4 251起,相比于2019年缩减将近一半,可能是由于2020年初新冠肺炎疫情暴发引致。本文重点研究风险投资自我网络增长性和多样性,为排除因变量受外界不可抗力干扰而对研究结果造成的不良影响,本文剔除2020年数据,选取2010—2019年数据。本文以3年移动时间窗为标准,共生成8期风险投资网络(2010—2012年、2011—2013、2012—2014年……2017—2019年)。研究样本遵循如下抽样原则:每一期网络中至少发生过一次联合投资行为的投资机构,共筛选出8期网络中存续的投资机构样本,剔除信息不全数据,最终获得2010—2019年245家投资机构共23 056起投资事件。对245家投资机构在7个窗口期共构建 1 715个自我网络,并计算相关网络指标。
以上数据处理过程和网络指标计算过程主要利用Python及Ucinet工具实现。考虑到样本数据可能存在滞后效应,因此以投资机构在t+1期的数据测度自我网络增长性和自我网络多样性,以t期的数据测度网络成员关系依赖和知识属性,因此实际观测期是7期。
2.2.1 因变量
(1)自我网络增长性(Gro)。参考Guan等[22]的研究,分别找出某个投资机构在第t期和t+1期的合作伙伴,然后比对投资机构两期合作伙伴,统计在第t期未出现但在第t+1期新出现的合作伙伴数量。
(2)自我网络多样性(Diver)。自我网络多样性是指投资机构与合作伙伴合作关系分布的拓扑多样性。借鉴已有研究[22],采用Shannon Entropy计算网络拓扑结构多样性。计算公式如下:
(1)
其中,n为投资机构i的网络伙伴总数;pij为投资机构i与伙伴j的合作次数占投资机构i与所有伙伴合作总次数的比值。
2.2.2 自变量
网络成员关系依赖(RD)。关系依赖程度是指网络成员之间的内聚性或关系强度(石乘齐,2017),本文借鉴Guan等[22]的研究,以网络成员i对合作伙伴的直接与间接依赖性表征。
(2)
其中,Pij表示投资机构i、j直接联结次数占投资机构i与所有合作伙伴联结次数的比率;Pim和Pmj具有类似定义。
2.2.3 调节变量
(1)知识深度(DK)。知识深度是指投资机构知识的垂直维度,因持续在某些特定领域深耕细作而拥有该领域专业化知识。已有学者从区域或行业维度测度知识专业化程度(罗吉等,2016)。本文借鉴以往研究,结合行业和地域两个维度,依据Wind数据库中的11 个行业分类,将地域划分为京津、长三角、珠三角和其它四大区域。具体计算公式如下:
(3)
其中,Ti为投资机构i在某行业投资的项目总数,T为投资机构i投资的所有项目数量;Xi 为投资机构i在某地域投资的项目总数,X为投资机构i投资的所有项目数量;n为投资机构i投资的行业类型数量,m为投资机构i投资的地域类型数量。
(2)知识宽度(BK)。知识宽度是指投资机构知识体系的横向跨越范围,即投资机构接触和获取知识范围的广度。相关研究表明,投资机构采取联合投资策略是因为能够借助网络形式获取合作伙伴的知识资源。因此,本文借鉴杨艳萍(2020)的研究,结合行业和地域两个维度,设置如下计算公式:
(4)
其中,Pij为投资机构i在某行业j的投资项目总数,Pi为投资机构i投资的项目总数,n为投资机构i投资的行业类型数量;Pis为投资机构i在某地域s的投资项目总数;m为投资机构i投资的地域类型数量;N为投资机构i的网络伙伴总量。
2.2.4 控制变量
借鉴以往研究,本文设置如下控制变量:投资机构背景(Bg)、投资机构所在地区(loc)、网络地位(Status)[49]等。投资机构若为本土背景取值为1,否则取值为0;投资机构若处于京津、长三角或珠三角地区取值为1,否则取值为0;网络地位采用中间中心性度量。
由于投资机构在考虑与新伙伴建立联结关系时需要对项目和潜在合作伙伴进行考察,因此自我网络动态性存在一定的时间滞后性。本文借鉴Guan等[22]的做法,采用滞后效应模型,用第t期的解释变量检验其对第t+1期被解释变量的影响;另外,为避免出现反向因果关系,本文构建如下模型,用以检验网络关系依赖、知识属性与风险投资自我网络动态性之间的关系。
Yi,t+1=β0+β1RDi,t+β2RDi,t*Bgi,t+β3RDi,t*loci,t+β4Statusi,t+εi,t
(5)
Yi,t+1=β0+β1RDi,t+β2mi,t+β3RDi,t*mi,t+β4RDi,t*Bgi,t+β5RDi,t*loci,t+β6statusi,t+εi,t
(6)
式(5)用以检验网络关系依赖对自我网络动态性的影响,Yi,t+1表示因变量Gro/Diver,β0为截距项,βi≠0为相应变量估计系数,εi,t为随机误差项。式(6)用以检验知识属性调节作用模型,mi,t为调节变量DK/BK,其它变量含义与公式(5)相同。另外,本文通过乘法方式引入虚拟变量。虚拟变量引入回归模型有加法和乘法两种基本方法。由于虚拟变量不随时间改变,而固定效应模型因为离差转换不允许存在不随时间改变的变量,因此只能采用RE或者OLS效应模型,但又与固定效应模型存在冲突。Das等[21]研究指出,在风险投资发达地区,投资机构之间更容易建立联结关系,说明发达地区与非发达地区投资机构边际自我网络动态性存在显著差异;孙杨等[50]研究指出,具有外资背景的投资机构拥有成熟的管理经验和评估方案,盈利能力较强,投资绩效更高;另外,为更好地了解本土情况和规避风险,其更倾向于与本土投资机构建立联系。因此,不同背景投资机构会对潜在伙伴产生差异性边际吸引力,从而导致不同的自我网络动态性。
为直观呈现风险投资自我网络拓扑结构演化特征以及节点和边的动态演化规律,以达晨创投为例,分别绘制2010—2012年、2014—2016年、2017—2019年3个阶段的拓扑结构图。由图2可知,风险投资自我网络随着时间推移而变得庞大而密集,呈现出扩张状态。
图2 2010-2019年达晨创投自我网络演化特征
Fig.2 Ego-network evolution of Fortune Capital from 2010-2019
表1为描述统计与Pearson相关系数分析结果。由表1可知,风险投资自我网络平均增长11个投资机构,自我网络多样性均值为2.625。网络成员关系依赖与自我网络增长性和多样性呈显著负相关关系;知识深度和知识宽度与自我网络动态性负相关。相关系数矩阵只考虑两变量之间的关系,未考虑其它因素,只起到参考作用。考虑到多重共线性问题,对变量进行方差膨胀因子检验,结果显示变量VIF值小于10,因此判断不存在多重共线性问题,结果如表2所示。
表1 描述统计与Pearson相关系数结果
Tab.1 Results of descriptive statistics and Pearson correlation coefficients
变量 均值标准差GroDiverRDDKBKstatusBglocGro11.09018.51410.640∗∗-0.510∗∗-0.265∗∗-0.0290.478∗∗-0.0060.060∗Diver2.6251.2371-0.689∗∗-0.548∗∗-0.069∗∗0.405∗∗-0.0130.174∗RD-1.2820.91410.552∗∗0.021-0.555∗∗-0.026-0.230∗DK0.5910.22310.079∗∗-0.299∗∗-0.057∗-0.208∗∗BK0.6310.11810.0390.290∗∗0.046status0.4571.03410.0160.083∗∗Bg0.7340.44110.423∗∗loc0.8850.3181
注:***、**、*分别表示在1%、5%和10%水平上显著
表2 多重共线性检验结果
Tab.2 Multicollinearity test results
变量RDDKBK RD∗DK RD∗BKBglocstatusVIF值1.9661.4871.2001.1073.2372.7291.4911.455
3.3.1 模型检验
由于样本为短面板数据,单位根检验功效较弱,因此不需要进行面板单位根检验,只需要选择正确模型保证参数估计的有效性。首先进行F检验,发现所有模型均接受FE固定效应模型;其次进行 Hausman检验,并考虑个体和时点两维特性,结果表明模型1为个体固定效应,模型2～4均为双固定效应模型;最后,考虑到可能存在组间异方差和自相关问题,因此在回归分析前进行检验,结果表明模型1～4均存在异方差及组内自相关问题,如表3和表4所示。
表3 网络成员关系依赖与风险投资自我网络动态性检验结果
Tab.3 Relationship dependence among network members and venture capital ego-network dynamics
估计方法变量Within estimate模型1Gro模型3DiverLSDV模型1Gro模型3Diver模型1模型3C-0.022-0.308∗∗∗-0.151∗-1.107∗∗Cross-section FCross-section F(0.029)(0.049)(0.079)(0.141)2.702∗∗∗6.226∗∗∗RD-0.315∗∗∗-0.225∗∗∗-0.315∗∗-0.225∗∗∗(0.032)(0.029)(0.035)(0.028)Period FPeriod Fstatus控制 38.883∗∗∗49.258∗∗∗RD∗Bg控制 RD∗loc控制 Cross-section randomCross-section randomR20.2870.3830.5290.756126.529∗∗∗424.791∗∗∗F25.180∗∗∗57.910∗∗∗4.17∗∗∗40.77∗∗∗P>chi20.000 组间异方差存在Period randomPeriod randomProb>F0.000 组间异方差存在6.23338.722∗∗∗
注:**表示显著性水平在0.01水平下显著;()值为标准误差
表4 知识属性、网络成员关系依赖与风险投资自我网络动态性检验结果
Tab.4 Knowledge attributes,relationship dependence among network members and venture capital ego-network dynamics
估计方法变量Within estimate模型2a模型2b模型4a模型4b(Gro)(Diver)LSDV模型2a模型2b模型4a模型4b(Gro)(Diver)C-0.546∗∗∗-0.309∗∗∗0.054∗∗∗-0.322∗∗∗-0.647∗∗0.546∗∗∗-0.564∗∗∗-1.114∗∗∗(0.074)(0.077)(0.079)(0.121)(0.147)(0.164)(0.164)(0.167)RD-0.143∗∗∗-0.118∗∗∗-0.170∗∗∗-0.232∗∗∗-0.143∗∗∗-0.118∗∗∗-0.170∗∗∗-0.232∗∗∗(0.030)(0.027)(0.031)(0.029)(0.031)(0.029)(0.028)(0.028)DK0.250∗∗∗-0.655∗∗∗0.250∗∗∗-0.655∗∗∗(0.095)(0.125)(0.084)(0.111)BK-0.170∗∗0.028-0.170∗∗0.028(0.118)(0.185)(0.116)(0.163)RD∗DK-0.001-0.003∗∗-0.001-0.003∗∗(0.001)(0.002)(0.001)(0.002)RD∗BK0.037∗∗-0.068∗∗∗0.037∗∗-0.068∗∗∗(0.017)(0.024)(0.018)(0.024)status 控制RD∗Bg 控制RD∗loc 控制R20.3090.3230.4580.3920.6310.6310.7650.758F17.51∗∗∗17.57∗∗∗51.77∗∗∗47.87∗∗∗5.68∗∗∗5.67∗∗∗42.53∗∗∗40.16∗∗∗Wald P>chi2=0.000组间异方差存在Wooldrige Prob>F=0.000组内自相关存在Cross-section F3.747∗∗∗3.692∗∗∗5.490∗∗∗6.094∗∗∗Period F65.097∗∗∗66.580∗∗∗53.425∗∗∗47.768∗∗∗Cross-section random137.613∗∗∗140.790∗∗∗336.796∗∗∗430.636∗∗∗Period random233.863∗∗∗239.601∗∗∗114.045∗∗∗83.506∗∗∗
3.3.2 回归结果分析
固定效应模型包括组内估计(Within estimate)和LSDV两种参数估计方法,组内估计的优势在于即使个体特征ui与解释变量Xit相关也能获取一致估计。LSDV方法虽然引入虚拟变量会造成自由度缺失,却能估计出每个个体的特征,两者各有优劣。本文采用稳健聚类标准误消除异方差问题,由于是7期短面板数据,因此对自相关问题暂且不进行修正,检验结果如表3和表4所示。
在表3中,模型1和模型3分别检验网络关系成员依赖对自我网络增长性和多样性的影响。在模型1中,两种检验方法自变量系数均显著为负,且组内估计显著性更明显(β=-0.315,P<0.01);另外,两者稳健标准误相差较小(0.002);模型3中自变量系数显著为负(β=-0.225,P<0.01),两者稳健标准误相差较小(0.001)。综上所述,网络成员关系依赖对自我网络增长性和多样性呈负向影响,假设H1a和H1b成立。
在表4中,模型2a用以检验知识深度对网络成员关系依赖与自我网络增长性关系的调节作用。模型2a在模型1的基础上加入知识深度以及知识深度与网络成员关系依赖的交互项,无论是组内估计还是LSDV方法,知识深度与网络成员关系依赖交互项系数P值均大于0.1,表明知识深度对网络成员关系依赖与自我网络增长性关系的调节作用不显著,假设H2a不成立。模型4a用以检验知识深度对网络成员关系依赖与自我网络多样性关系的调节作用。模型4a在模型3的基础上加入知识深度以及知识深度与网络成员关系依赖的交互项,无论在组内估计中还是LSDV方法中,DK*RD系数在两种方法中均显著为负(β=-0.003,P<0.05),表明两者稳健标准误相同;相比于模型3,模型4a中R2值明显增加,模型4a解释力显著增强。这表明,知识深度能够增强网络成员关系依赖对自我网络多样性的负向作用,假设H2b成立。模型2b用以检验知识宽度对网络成员关系依赖与自我网络增长性关系的调节作用。模型2b在模型1的基础上加入知识宽度以及知识宽度与网络成员关系依赖的交互项。在两种检验方法中,知识宽度与网络成员关系依赖交互项系数均显著为正(β=0.037,P<0.05),且稳健标准误相差较小(0.001);相较于模型1,模型2b中R2显著提升,模型解释力增强。这表明,知识宽度会削弱网络成员关系依赖对自我网络增长性的负向作用,即知识宽度越高,网络成员关系依赖对自我网络增长性的负向影响越弱,假设H3a不成立。模型4b用以检验知识宽度对网络成员关系依赖与自我网络多样性关系的调节作用。模型4b在模型3的基础上加入知识宽度以及知识宽度与网络成员关系依赖的交互项,BK*RD系数在两种方法中均显著为负(β=-0.068 P<0.01),两者稳健标准误也相同;相较于模型3,模型4b中R2有所提升,模型解释力有所增强。这表明,知识宽度会增强网络成员关系依赖对自我网络多样性的负向影响,即投资机构知识宽度越高,网络成员关系依赖越不利于自我网络多样性发展,假设H3b成立。
为直观展示知识属性的调节作用,本文绘制3个调节作用图,如图3～图5所示。图3为知识深度对网络成员关系依赖与自我网络多样性关系的调节作用。在高知识深度调节作用下,网络成员关系与网络多样性之间的负向斜率更陡峭,说明知识深度越高的投资机构,网络关系依赖对自我网络多样性的负向作用越显著,知识深度对两者关系起负向调节作用。这是因为,高知识深度投资机构通过对信息、知识资源的学习和理解,能够提高风险应对能力,降低投资机构对联合网络的依赖,从而减少与其它投资机构的多样化联结[43];另外,高知识深度更容易形成路径依赖和认知惰性[43],受惯性影响会减少向其它领域的积极探索,且随着成员间长期依赖关系的建立,机构更愿意与熟悉或者相似伙伴建立联系(杨艳萍等,2020),从而降低自我网络多样性,因此知识深度会增强网络成员关系依赖与自我网络多样性间的负向作用。
图3 知识深度对网络成员关系依赖与自我网络多样性关系的调节作用
Fig.3 Moderating effect of knowledge depth on the relationship among network member dependency and ego-network diversity
然而,知识深度对网络成员关系依赖与自我网络增长性关系的负向调节作用不显著。这可能是因为,高知识深度表征投资机构在该领域积累了较为丰富的经验并洞悉和掌握了深层次复杂性知识,具有较高的专业性能力(杨艳萍等,2020)。虽然高知识深度容易导致组织陷入路径依赖[51],使投资机构更倾向于选择以往熟悉伙伴开展合作(杨艳萍等,2020),但较高的知识深度会增加投资机构项目成功退出率,提升其行业竞争力和知名度[20]。由于投资机构更倾向于与知识经验丰富的成员合作[51],而知识深度所产生的竞争力、知名度和地位会对投资机构合作产生吸引力,并吸引其他潜在网络成员与其开展联合投资,从而提高自我网络增长性。因此,知识深度对网络成员关系依赖与自我网络增长性关系的负向调节作用不显著。
图4和图5分别为知识宽度对网络成员关系依赖与自我网络增长性和多样性关系的调节作用。由图4可知,在高知识宽度的调节作用下负向斜率较为平缓,表明知识宽度会削弱网络成员关系依赖与自我网络增长性之间的负向关系,起到正向调节作用;然而,由图5可知,在高知识宽度调节作用下负向斜率更陡峭,表明知识宽度会改变网络成员关系依赖与自我网络多样性之间的负向斜率,起到负向调节作用,两者之间呈反向作用关系。
图4 知识宽度对网络成员关系依赖与自我网络增长性关系的调节作用
Fig.4 Moderating effect of knowledge breadth on the relationship among network member dependence and ego-network growth
图5 知识宽度对网络成员关系依赖与自我网络多样性关系的调节作用
Fig.5 Moderating effect of knowledge breadth on the relationship among network member dependence and ego-network diversity
当投资机构具有高知识宽度时,意味着投资机构涉足多行业或地域异质性知识,能够获取广泛的信息资源[43],有助于提高项目搜索“雷达效应”(杨艳萍等,2020),并积累应对制度差异和行业波动性的适应能力以及解决复杂问题的能力[36],提高业内声誉和地位,从而获得更高的合法性、信任感和社会认同[39],并受到其它投资机构的青睐;另外,网络成员地位通过合作伙伴的地位映射[22],其它投资机构为追求知名度或社会认同会设法融入此类“圈子”。因此,知识宽度在一定程度上会吸引新成员加入,对原有紧密性网络产生冲击,促进自我网络扩张。
然而,投资机构较高的知识宽度会在一定程度上弥补其与外界成员建立多样化关系的需求。这是因为,投资机构会基于知识单一性和有限性而产生向外界获取资源的诉求,而知识拓宽能够弥补这一缺口,降低投资机构向外界寻求帮助的意愿[21]。虽然投资机构会因自身声誉或地位吸引新成员加入,但随着原有网络成员依赖关系的逐渐增强,原有网络主体关系更加亲密,因此基于长期依赖关系,原有伙伴之间更容易形成关系惯性(石乘齐,2017),投资机构即使有合作需求也更倾向于寻求原有熟悉伙伴,而非选择与新成员建立紧密且频繁的联结关系;另外,由于自我网络多样性与网络伙伴联系频率相关,因此在高知识宽度调节作用下,随着网络成员关系依赖的增强,自我网络多样性呈下降趋势。
综上所述,在高知识宽度调节作用下,投资机构受到更多投资机构青睐,会吸引新成员加入。因此,知识宽度会削弱网络成员关系依赖与自我网络增长性之间的负向关系;然而,由于高知识宽度能够弥补资源短缺和降低风险诉求,因此投资机构会减少与外界成员的多样化联结。可见,在高知识宽度调节作用下,网络成员关系依赖负向斜率更加陡峭。
为进一步检验模型的稳健性,采用面板校正标准误(PCSE)对异方差或自相关问题进行修正,结果如表5所示。由表5模型1和模型3可知,网络成员关系依赖显著负向影响自我网络增长性与多样性;模型4a结果显示,知识深度能够增强网络成员关系依赖与自我网络多样性之间的负向关系;模型2a结果显示,知识深度对网络成员关系依赖与自我网络增长性关系的调节作用不显著;模型2b结果显示,知识宽度会削弱网络成员关系依赖与自我网络增长性之间的负向关系,并起正向调节作用;模型4b结果显示,知识宽度对网络成员关系依赖与自我网络多样性关系具有显著负向调节作用,会加强两者之间的负向关系。上述回归分析结果与前文结论一致,说明回归结果比较稳健。
表5 网络成员关系依赖、知识属性与风险投资自我网络动态性检验结果
Tab.5 Relationship dependence among network members,knowledge attributes and venture capital ego-network dynamics
变量模型1Gro模型2(Gro)模型2a模型2b模型3Diver模型4(Diver)模型4a模型4bC-0.151-0.943∗∗∗-0.647-1.107∗∗∗-0.564-0.787∗∗(0.072)(0.142)(0.138)(0.126)(0.147)(0.322)RD-0.315∗∗∗-0.143∗∗∗-0.118∗∗∗-0.225∗∗∗-0.170∗∗∗-0.232∗∗∗(0.029)(0.030)(0.028)(0.023)(0.023)(0.023)DK0.250-0.655∗∗∗(0.084)(0.093)BK-0.170∗∗0.028(0.114)(0.159)RD∗DK-0.001-0.003∗∗(0.002)(0.002)RD∗BK0.037∗∗-0.068∗∗∗(0.018)(0.021)status 控制RD∗Bg 控制RD∗Loc 控制Adjusted R20.5290.6320.6310.7560.7650.758Wald chi21 348.881 965.011 963.8211 348.2312 090.2211 195.96 Prob>chi2=0.000
本文通过检验网络成员关系依赖、知识属性与风险投资自我网络增长性及多样性的关系,得出如下结论:
(1)网络成员关系依赖对自我网络增长性和多样性具有抑制作用。在网络成员关系依赖较强的网络中,投资机构紧密的网络关系容易产生内隐忠诚,提高其它机构进入壁垒;另外,随着时间推移,固定、共享的网络伙伴容易形成惯性并不断持续和复制,从而导致网络同质化,限制自我网络增长。
(2)在知识深度调节作用下,高知识深度会强化网络成员关系依赖对自我多样性的负向影响。知识深度较高的投资机构拥有丰富的知识经验,能够显著提高对信息知识的获取、吸收和整合能力,并减少网络依赖;另外,高知识深度容易产生路径依赖和认知惰性,使投资机构锁定在原有领域,加剧网络成员关系惯性,造成网络同质化和闭锁性,从而阻碍网络多样性。
(3)知识宽度能够增强网络成员关系依赖与自我网络多样性的负向关系。知识宽度能够满足资源获取和风险分散需求,一定程度上弥补投资机构向外界寻求帮助的意愿,削弱与外界成员的多样化联系。另外,随着网络成员关系依赖的不断提高,原有网络关系更加紧密,即使寻求合作也更倾向于与原有合作伙伴建立频繁联系。因此,在高知识宽度调节作用下,随着网络成员关系依赖的增强,自我网络多样性反而进一步减弱。
(4)知识宽度会削弱网络成员关系依赖与自我网络增长性的负向关系。多样化知识能够提高投资机构对优质项目的灵敏度及项目管理和服务能力,增强对制度差异和不确定性环境的适应能力,间接产生的竞争力、声誉、地位起到信号传递和社会认同作用,对其它机构产生较强吸引力和影响力,使其成为潜在合作对象,从而削弱关系依赖对自我网络增长的负向影响。
本文贡献主要体现在以下几个方面:
(1)根据社会网络理论,从社会互动关系角度解构网络组织成员间依赖,为风险投资自我网络动态性驱动因素研究提供了一种新视角。以往研究多从外生环境因素或内生个体需求角度出发,本文从组织成员间关系依赖视角入手,不仅丰富了社会网络理论应用,而且深化了对自我网络动态性前因的认识和理解。
(2)将风险投资网络动态性从宏观和中观视角拓展到微观自我网络视角,丰富和细化了风险投资网络相关研究。以往研究多从整体结构演化或中观网络社群成员变动出发,本文从微观动态视角引入风险投资自我网络,探讨投资机构自我网络改变所引发的资源多寡和丰富性变化,有助于为焦点投资机构搭建高效网络。
(3)结合知识基础理论,加入知识属性情景,探讨网络成员关系依赖对自我网络动态性的作用机制,深入分析知识基础作用条件下网络成员关系变动,为深入探索自我网络演化前因提供了启发,弥补了网络成员关系依赖研究的不足。
根据上述研究结论,本文提出如下启示:
(1)关系距离固定的网络成员容易造成信息、知识冗余,导致网络僵化,不利于投资机构建立新联结关系和改善网络多样性,限制多样性和新颖性知识资源获取。因此,投资机构应建立相对稀疏或开放的网络。
(2)虽然知识深度能够提高知识获取和理解能力,甄别项目隐匿的负面信息,但过高的知识深度会影响投资机构向其它领域的积极探索,使其拘泥于与熟悉或者相似伙伴建立关系,从而加剧网络同质和冗余。因此,投资机构在提高知识专业化的同时,应考虑建立多样化联结关系,避免网络僵化。
(3)投资机构知识宽度能够提高投资机构竞争优势、声誉和地位,起到信号传递和社会认同作用,一定程度上会吸引新成员加入,对原有紧密性网络产生冲击,促进自我网络扩张,但也会降低与外界的多样化联结关系,即使在有合作需求的情况下也更倾向于与原有熟悉伙伴建立联系,从而增强网络成员关系依赖与自我网络多样性之间的负向关系。因此,投资机构应认识到过高的知识宽度有利有弊,在拓宽知识宽度时应实现效应最优。
本研究存在如下不足:①仅考察网络成员关系依赖,未对网络成员关系依赖进行细分,如成员之间的对称与非对称关系依赖,未来将分别考察其对网络演化的驱动作用;②未研究知识属性对自我网络动态变化的影响,未来将根据知识属性水平高低,将其细分为对照组和实验组,探究其对风险投资自我网络动态演化的影响机制。
[1] 宋清,刘奕惠.市场竞争程度、研发投入和中小科技企业创新产出——基于风险投资调节的条件过程分析[J].中国软科学,2021,35(10):182-192.
[2] HOCHBERG Y V,LJUNGQVIST A,YANG L U.Whom you know matters:venture capital networks and investment performance[J].Journal of Finance,2007,62(1):251-301.
[3] 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):61-70,135.
[4] GUAN J C,ZHANG J J,YAN Y.A dynamic perspective on diversities and network change:partner entry,exit and persistence[J].International Journal of Technology Management,2017,74(1-4):221-242.
[5] 刘娜,武宪云,毛荐其.发明者自我网络动态对知识搜索的影响[J].科学学研究,2019,37(4):689-700.
[6] GU W,LUO J D,LIU J.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.
[7] 金永红,汪巍,奚玉芹.中国风险投资网络结构特性及其演化[J].系统管理学报,2021,30(1):40-53.
[8] XUE C,JIANG P,DANG X.The dynamics of network communities and venture capital performance:evidence from China[J].Finance Research Letters,2019,28:6-10.
[9] 施国平,陈德棉,党兴华,等.网络社群成员变动对风投机构投资绩效的影响[J].管理学报,2019,16(10):1486-1497,1551.
[10] YANG S,LI Y,WANG X.Cohesiveness or competitiveness:venture capital syndication networks and firms' performance in China[J].Journal of Business Research,2018,55(91):295-303.
[11] 王育晓.网络嵌入对风险投资机构网络能力与退出绩效的调节作用研究[J].软科学,2018,32(11):29-33.
[12] YAN Y,GUAN J C.Social capital,exploitative and exploratory innovations:the mediating roles of ego-network dynamics[J].Technological Forecasting and Social Change,2018,126(1):244-258.
[13] AHUJA G,SODA G,ZAHEER A.The genesis and dynamics of organizational networks[J].Organization Science,2012,23(2):434-448.
[14] 张晓晴,谭一帆,徐维军.粤港澳大湾区创业风险投资网络演化及影响因素研究[J].南方经济,2021,38(1):20-36.
[15] TAALBI J.Evolution and structure of technological systems-an innovation output network[J].Research Policy,2020,49(8):104010.
[16] 杨晔,陈蓉,邱知奕.风投机构联盟网络演变与联合投资行为研究[J].科技进步与对策,2021,38(20):1-10.
[17] 石乘齐,党兴华.技术创新网络中组织间依赖的影响因素及形成研究[J].管理工程学报,2017,31(1):1-9.
[18] 吕文晶,陈劲,汪欢吉.组织间依赖研究述评与展望[J].外国经济与管理,2017,39(2):72-85.
[19] MINDLIN S H A.Interorganizational dependence:a review of the concept and a reexamination of the findings of the Aston group[J].Administrative Science Quarterly,1975,20(3):382-392.
[20] 石琳,党兴华,韩瑾.风险投资机构关系嵌入、知识专业化对成功退出的影响:一个交互效应[J].财贸研究,2017,28(11):79-87.
[21] DAS S,JO H,KIM Y.Polishing diamonds in the rough:the sources of syndicated venture performance[J].Journal of Financial Intermediation,2011,20(2):199-230.
[22] GUAN J,LIU N.Dynamic evolution of collaborative networks:evidence from nano-energy research in China[J].Scientometrics,2015,102(3):1895-1919.
[23] CANNELLA J A,MCFADYEN M A.Changing the exchange:the dynamics of knowledge worker ego networks[J].Journal of Management,2016,42(4):1005-1029.
[24] DEMIRKAN I,DEEDS D L,DEMIRKAN S.Exploring the role of network characteristics,knowledge quality,and inertia on the evolution of scientific networks[J].Journal of Management Official Journal of the Southern Management Association,2013,39(6):1462-1489.
[25] THOMPSON J D.Organizations in action:social science bases of administrative theory[M].New Brunswick,NJ:Transaction Publishers,1967.
[26] 石乘齐,党兴华.创新网络中组织间依赖的维度和构面研究[J].经济管理,2012,34(12):120-128.
[27] 石乘齐.创新情景下组织间依赖的研究述评[J].科技管理研究,2017,37(1):32-36.
[28] COLEMAN J C.The foundations of social theory[M].Cambridge:Harvard University Press,1990.
[29] 王永贵,赵春霞,赵宏文.算计性依赖、关系性依赖和供应商创新能力的关系研究[J].南开管理评论,2017,20(3):4-14.
[30] 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(7):9-15.
[31] ZAHEER A,SODA G.Network evolution:the origins of structural holes[J].Administrative Science Quarterly,2009,54(1):1-31.
[32] 王巍,孙笑明,崔文田,等.知识宽度与深度对内部知识搜索的影响:结构洞的调节作用[J].科技进步与对策,2019,36(23):119-128.
[33] ZHOU K Z,CAROLINE BINGXIN L I.How knowledge affects radical innovation:knowledge base,market knowledge acquisition,and internal knowledge sharing[J].Strategic Management Journal,2012,33(9):1090-1102.
[34] MANNUCCI P V,YONG K.The differential impact of knowledge depth and knowledge breadth on creativity over individual careers[J].Academy of Management Journal,2018,61(5):1741-1763.
[35] XU S.Balancing the two knowledge dimensions in innovation efforts:an empirical examination among pharmaceutical Firms[J].Journal of Product Innovation Management,2015,32(4):610-621.
[36] 石琳,党兴华,韩瑾.风险投资机构网络中心性、知识专业化与投资绩效[J].科技进步与对策,2016,33(14):136-141.
[37] 李柏洲,曾经纬.知识搜寻与吸收能力契合对企业创新绩效的影响——知识整合的中介作用[J].科研管理,2021,42(6):120-127.
[38] 党兴华,张晨,王育晓.风险投资机构专业化与投资绩效——来自中国风险投资业的经验证据[J].科技进步与对策,2014,31(12):7-11.
[39] 陈仕华,王雅茹.企业并购依赖的缘由和后果:基于知识基础理论和成长压力理论的研究[J].管理世界,2022,38(5):156-175.
[40] COHEN S L,TRIPSAS M.Managing technological transitions by building bridges[J].Academy of Management Journal,2018,61(6):2319-2342.
[41] 刘洪伟,冯淳.基于知识基础观的技术并购模式与创新绩效关系实证研究[J].科技进步与对策,2015,32(16):69-75.
[42] 于飞,蔡翔,董亮.研发模式对企业创新的影响——知识基础的调节作用[J].管理科学,2017,30(3):97-109.
[43] 王育晓,党兴华,张晨,等.风险投资机构知识多样化与退出绩效:投资阶段的调节作用[J].财经论丛,2015(12):32-40.
[44] VASUDEVA G,ANAND J.Unpacking absorptive capacity:a study of knowledge utilization from alliance portfolios[J].Academy of Management Journal,2011,54 (3):611-623.
[45] 吕斯尧,赵文红,杨特.知识基础、战略导向对新创企业绩效的影响——基于注意力基础的视角[J].研究与发展管理,2019,31(2):1-10.
[46] 宋砚秋,张玉洁,王瑶琪.中国企业风险投资多元化投资策略的绩效——基于资源禀赋调节效应的实证研究[J].技术经济,2018,37(10):45-54.
[47] JIN X,WANG J,CHEN S E A.A study of the relationship between the knowledge base and the innovation performance under the organizational slack regulating[J].Management Decision,2015,53(10):2202-2225.
[48] 徐勇,贾键涛.多元化投资策略对创业投资绩效影响的研究——基于中国创业投资的经验证据[J].中山大学学报(社会科学版),2016,56(5):151-160.
[49] 杨敏利,党兴华.风险投资机构的网络位置对IPO期限的影响[J].中国管理科学,2014,22(7):140-148.
[50] 孙杨,许承明,夏锐.风险投资机构自身特征对企业经营绩效的影响研究[J].经济学动态,2012,61(11):77-80.
[51] 罗超亮,符正平,王曦.组群层次下风险投资多边联盟的形成[J].北京理工大学学报(社会科学版),2018,20(3):60-70.