数据分析与知识发现, 2019, 3(12): 84-92 doi: 10.11925/infotech.2096-3467.2019.0713

研究论文

创业投资网络核心社团的投资行为分析 *

阮平南1, 王倩颖1, 杨娟,,1, 魏云凤2

1 北京工业大学经济与管理学院 北京 100124

2 北京工业大学城市交通学院 北京 100124

Investing Behaviors of Core Communities in Venture Capital Network

Ruan Pingnan1, Wang Qianying1, Yang Juan,,1, Wei Yunfeng2

1 The College of Economics and Management, Beijing University of Technology, Beijing 100124, China

2 The College of Metropolitan Transportation, Beijing University of Technology, Beijing 100124, China

通讯作者: 杨娟, ORCID: 0000-0002-5582-3229, E-mail:yangjuan@bjut.edu.cn

收稿日期: 2019-06-19   修回日期: 2019-09-13   网络出版日期: 2019-12-25

基金资助: *本文系国家社会科学基金面上项目“新时代背景下跨层次公司社会网络对双元创新的影响研究”.  项目编号: 18GL090
北京市教委社科项目“北京市创业投资网络社团划分与投资引导策略研究”.  项目编号: SM201810005003

Received: 2019-06-19   Revised: 2019-09-13   Online: 2019-12-25

摘要

【目的】分析核心社团的投资行为, 为创业投资机构选择联合投资伙伴提供决策参考。【方法】基于2006年-2017年中国创业投资事件数据, 运用R语言抽取联合投资矩阵构建创业投资网络, 运用Louvain算法和核社团结构系数辨识核心社团。【结果】核心社团之间在投资行业、投资地域和投资阶段上存在差异; 随时间窗后移, 核心社团成员越倾向投资信息服务和文化教育行业, 投资地域仍集中在发达地区, 投资阶段趋向初创期。【局限】仅根据联合投资构建网络, 没有考虑领投与跟投的关系。【结论】通过核心社团的辨识, 能够深入发现社团的投资行为差异及变化, 对实践有一定的指导意义。

关键词: 创业投资网络 ; 社团划分 ; 核心社团辨识 ; 投资行为

Abstract

[Objective] This paper analyzes the investing behaviors of core communities, aiming to help venture capital institutions choose syndicate partners.[Methods] First, we collected events of venture capital investments in China from 2006 to 2017. Then, we used R to extract syndicate matrix and constructed the venture capital network. Finally, we identified the needed communities with Louvain algorithm and the core community structure coefficient. [Results] Various core communities were different in investing industries, areas and stages. Members of the core community increasingly invested in information services and cultural education industries from the developed regions at the initial stage. [Limitations] The proposed network was built according to the syndication, which did include the relationship between leading and following investments. [Conclusions] Identifying the core communities will help us understand the changing behaviors of the community’s investments.

Keywords: Venture Capital Network ; Community Division ; Core Community Identification ; Investment Behavior

PDF (2552KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

阮平南, 王倩颖, 杨娟, 魏云凤. 创业投资网络核心社团的投资行为分析 *. 数据分析与知识发现[J], 2019, 3(12): 84-92 doi:10.11925/infotech.2096-3467.2019.0713

Ruan Pingnan. Investing Behaviors of Core Communities in Venture Capital Network. Data Analysis and Knowledge Discovery[J], 2019, 3(12): 84-92 doi:10.11925/infotech.2096-3467.2019.0713

1 引 言

创业投资是为高成长型创业企业提供股权资本与后期增值服务, 以培育其快速成长后通过股权转让的方式取得高额投资回报的一种投资行为。20世纪80年代以后, 创业投资行业得到迅速发展, 创业投资机构(简称“创投机构”)之间的联合投资也越来越普遍[1,2], 创投机构之间的关系呈现出显著的网络特征, 因此创业投资网络(简称“创投网络”)成为近年来的研究热点。

相较宏观层面对创投网络的整体分析[3,4,5,6]、微观层面对单个创投机构在网络中的影响力分析[7,8,9,10], 中观层面对创投网络社团的分析是一个新视角。现有研究发现, 创投网络社团间存在差异, 但创投网络规模较大、社团众多, 许多有价值的信息和规律隐藏其中难以被发现和挖掘, 社团之间的具体差异仍不清晰, 并鲜有关于社团投资行为趋势变化的研究。因此, 本文在现有研究的基础上, 基于2006年-2017年中国创业投资事件, 构建以5年时间窗为单位的动态创投网络, 划分社团, 计算核社团结构系数进而辨识核心社团, 并从横向和纵向分别分析其投资行为。该结果将对实践中的创投机构合作伙伴选择、保证联合投资的质量给予合理的科学参考; 同时对创投机构如何有效借助网络社团实现自身发展具有重要启示; 并有助于创投机构之间更好地进行沟通和合作, 为创投机构提升绩效以及创业投资行业健康发展提供建议。

2 相关研究

2.1 创投网络社团研究

据CVSource数据统计, 在2000年-2012年期间, 深创投与126家不同的创投机构进行过243次联合投资, 联合伙伴频率曲线呈长尾分布, 表明深创投在选择联合投资伙伴的时候具有明显偏好; 此外, 国内创业投资市场具有较大影响力的创投机构, 如IDG资本、红杉中国、英特尔投资也表现出对其中少部分伙伴的明显偏好[11]。罗家德等[12]依据对中国本土创业投资领域的田野访谈资料和历史文本资料, 指出中国创投机构存在明显的“圈子”现象。这种偏好直接表现为创投机构间的“抱团”现象, Bubna等[13]则将这种网络中集聚的小团体定义为创投网络社团。

有关创投网络社团的研究主要从社团的形成、社团间差异和社团行为等方面展开。

(1) 社团的形成。党兴华等[14,15]从中观层面对创投网络进行研究, 发现创投网络中的社团现象广泛存在, 并将创投网络中社团形成的影响因素提炼为VC异质性资源、风险企业特质、VC关系网络特性和外部投资情景4类。

(2) 社团间差异。Rieder [16]和Bubna等[13]通过实证研究发现, 创投机构在选择合作伙伴时的特定偏好使得创投网络社团之间存在差异。罗吉等[11,17]发现网络中一典型社团的投资行为具有偏向性后, 又识别出社团之间的属性特征有着显著不同, 因而社团之间存在不同的专业化方向。

(3) 社团行为。党兴华等[14]从社团内和社团间两个视角展开有关社团行为的研究, 认为社团内的成员间存在知识共享、机会主义、合作、信息传播和行为传播等行为, 社团间存在着成员的跨社团流动和跨社团连接等行为。Xue等[18]通过进一步研究发现, 跨社团流动行为能够正向影响创投机构的IPO率与内部收益率。

2.2 核心社团相关研究

核心社团是若干网络社团中影响力较大的社团。现有的网络社团划分的方法主要分为两类。

(1) 基于聚合思维的社团划分, 包括K-means算法、基于模块化函数的贪婪算法、GN算法和Louvain算法等;

(2) 基于分裂思维的社团划分, 包括退火算法与K-means 算法结合、快速局部社团划分算法和社团结构发现算法等。

核心社团研究还属于萌芽阶段。一部分学者发现网络中存在核心部分。如He等[19]对基于动力学知识探测出的社团结构进行强弱划分。Seidman等[20]提出一种基于最小度的网络聚类方法, 在综合考虑网络的强连接区和弱连接区情况下, 借助k-核识别网络中更为重要的关系结构, 用于更好地描述网络结构。周育红等[6]从成分、派系、n-派系、k-核4个角度分析创投网络中的凝聚子群, 将创投网络分为低凝聚力区域和高凝聚力区域两类。另一部分学者则是明确提出核心社团的辨识方法。胡天天等[21]提出基于Core Node- Modularity的邮件网络核心社团算法: 通过连接中心度、紧密中心度和中间中心度综合测度出每个节点的中心度, 并以此为基础计算各个节点的点强度, 再以点强度最大的节点为中心挖掘核心社团, 当模块度极值Q最大且节点数目不超过150时, 此社团为核心社团。He等[22]在产业网络社团划分的基础上辨识出网络中聚集程度高、关联程度高、吸引/扩散程度高的社团, 将其定义为“核心社团”, 并发现核心社团与产业集群具有强关联性, 构成了产业网络的核心。

综上, 目前有关创投网络社团的研究缺乏对社团之间具体差异与投资行为趋势变化的探讨, 而创投网络节点数量庞大, 社团众多, 增加了研究的难度与工作量。因此, 本文引入核心社团这一类重要的关系结构, 通过分析具有典型性和代表性的核心社团的网络结构和投资行为, 反映整体网络状况与发展趋势。其中, 横向分析有助于认识社团间投资行为差异, 为创投机构选择合适的联合投资伙伴提供决策参考; 纵向分析有助于创投机构和创业企业直观认识行业发展趋势。研究思路与框架如图1所示。

图1

图1   研究框架


3 创投网络构建与核心社团辨识

3.1 数据来源与创投网络构建

选取“私募通”数据库(①https://invest.pedata.cn/list_1_0_0_0_0.html.)内2006年1月1日至2017年12月31日发生的所有创业投资事件, 排除信息缺失的事件后共收集到60 468次投资事件, 包括10 403家创投机构之间33 668次联合投资事件。

借鉴Hochberg等[23]、罗吉等[11]的做法, 采用5年移动时间窗构建创投网络。运用R语言抽取时间窗内的创投事件, 形成联合投资矩阵。将矩阵输入Gephi软件中生成可视化网络图, 网络中的一个节点代表一个创投机构, 两节点之间的连线代表两家创投机构发生过联合投资, 即他们曾共同投资于一个或者多个创业企业, 边的权重代表创投机构之间联合投资的次数, 此网络为无向加权网络。

3.2 核心社团辨识

(1) 核心社团辨识系数

创投网络中存在众多社团, 本文试图从众多社团中辨识出核心社团, 核心社团不仅内部成员合作关系紧密, 且在整体网络中对其他社团有重要影响力。

选用Blondel等[24]提出的Louvain算法对创投网络进行社团划分。在社团划分结果的基础上, 运用He等[22]提出的社团聚集系数、关联密度系数及社团影响系数以辨识社团中的核结构, 按比例加和三个指标得到核社团结构系数, 并通过核社团结构系数的排名辨识社团中的核心社团。

①社团聚集系数

设$U=(V,S)$表示创投网络, 其中$V$表示网络中节点总数, $S$表示网络中连边的总数, ${{C}_{i}}$表示网络中某一社团, ${{V}_{{{C}_{i}}}}$表示社团${{C}_{i}}$中的创投机构数量, 则社团聚集系数表示为公式(1)。社团聚集系数越大, 表明社团内创投机构聚集程度越高。社团聚集系数侧重反映社团整体在网络中的地位, 平均聚类系数侧重于节点间的一种相互关系的量化表示。

$AAC({{C}_{i}})=\frac{{{V}_{{{C}_{i}}}}}{V}$

②关联密度系数

设$\sum\nolimits_{i,j}^{V}{{{\omega }_{i,j}}}$为网络总权重, $\sum\nolimits_{i,j\in {{C}_{i}}}^{I}{{{\omega }_{i,j}}}$表示社团${{C}_{i}}$内的连边权重总和, $I$表示社团${{C}_{i}}$内共有$I$个成员, 则关联密度系数表示为公式(2)。关联密度系数越大, 表明社团内创投机构间合作越紧密, 凝聚力越高。

$ADC({{C}_{i}})=\frac{\mathop{\sum }_{i,j\in {{C}_{i}}}^{I}{{\omega }_{i,j}}}{\mathop{\sum }_{i,j}^{V}\ {{\omega }_{i,j}}}$

③社团影响系数

设$\sum\nolimits_{i\in {{C}_{i}},j\notin {{C}_{i}}}^{I}{{{\omega }_{i,j}}}$表示社团${{C}_{i}}$内创投机构与社团外创投机构连边的权重总和, 则社团影响力系数表示为公式(3)。社团影响力系数越大, 表明该社团内创投机构对其他社团内创投机构的影响力越大。

$AIC({{C}_{i}})=\frac{\mathop{\sum }_{i\in {{C}_{i}},j\notin {{C}_{i}}}^{I}{{\omega }_{i,j}}}{\mathop{\sum }_{i,j}^{V}\ {{\omega }_{i,j}}}$

④核社团结构系数

按比例加和前三个指标, 可以得到核社团结构系数, 表示为公式(4)。其中$x=y=z=1/3$。核社团结构系数排名越靠前, 表明该社团越靠近网络的核心位置, 具有更显著的地位和重要性。

${{S}_{{{C}_{i}}}}=xAAC({{C}_{i}})+yADC({{C}_{i}})+zAIC({{C}_{i}})$

(2) 核心社团可视化

根据公式(1)-公式(4), 辨识出每个时间窗内的核心社团。为了可视化效果, 仅选取4个时间窗(2007-2011、2009-2013、2011-2015和2013-2017)核社团结构系数排名前三的核心社团网络图, 如图2所示。可以看到随着时间窗的推移, 核心社团的规模在不断扩大, 社团内部和社团之间的合作次数明显增多。

图2

图2   核心社团网络图演化


4 核心社团的特性与投资行为分析

4.1 核心社团的特性

(1) 核心社团成员的稳定性

每个时间窗内核心社团的重要成员(社团内点强度排名前五)及其变化, 如表1所示。

表1   核心社团内重要成员变化

时间窗核心社团重要成员所属地域机构资本类型机构背景
2006-20101IDG资本, 红杉中国, 集富亚洲, 启明创投, 海纳亚洲国外: 42.21%; 上海: 19.74%;
北京: 16.33%; 深圳: 22.91%
本土: 23.12%;
外资: 72.79%
国有: 4.08%;
非国有: 95.92%
26深创投, 同创伟业, 国发创投, 松禾资本, 东方富海江苏省: 22.93%; 上海: 12.61%本土: 94.89%;
外资: 4.55%
国有: 17.61%;
非国有: 82.39%
4达晨创投, 创东方, 中科招商, 亚商资本, 亿润投资深圳: 31.22%; 上海: 20.24%;
北京: 16.52%
本土: 95.45%;
外资: 4.5%
国有: 11.82%;
非国有: 88.18%
2007-20112红杉中国, IDG资本, 清科创投, 海纳亚洲, 集富亚洲国外: 46.84%; 北京: 17.21%;
上海: 15.31%
本土: 23.53%;
外资: 74.02%
国有: 4.46%;
非国有: 95.54%
15深创投, 九鼎投资, 国发创投, 盛世景, 东方富海深圳: 27.12%; 江苏省: 20.23%; 上海: 13.80%本土: 91.63%;
外资: 7.39%
国有: 85.71%;
非国有: 14.29%
30达晨创投, 上海永宣, 德同资本, 亚商资本, 达泰资本北京: 23.82%; 深圳: 19.70%;
上海: 18.94%
本土: 96.69%;
外资: 2.48%
国有: 11.57%;
非国有: 88.43%
2008-201211达晨创投, 同创伟业, 中科招商, 松禾资本, 东方富海深圳: 26.31%; 北京: 23.72%;
上海: 14.91%
本土: 95.18%;
外资: 3.51%
国有: 15.32%;
非国有: 84.86%
1红杉中国, IDG资本, 启明创投, 清科创投, 北极光国外: 41.87%; 北京: 21.72%;
上海: 13.11%
本土: 31.12%;
外资: 67.34%
国有: 11.4%;
非国有88.6%
53深创投, 国发创投, 元禾控股, 乾融资本, 江苏高科投,江苏省: 34.10%; 深圳: 13.75%; 上海: 9.82%本土: 91.13%;
外资: 7.26%
国有: 7.03%;
非国有: 92.97%
2009-201367红杉中国, IDG资本, 启明创投, 清科创投, 经纬中国国外: 35.06%; 北京: 27.62%;
上海: 15.13%
本土: 36.97%;
外资: 59.66%
国有: 4.62%;
非国有: 95.38%
54深创投, 达晨创投, 松禾资本, 同创伟业, 中科招商深圳: 25.64%; 北京: 22.37%;
上海: 14.16%
本土: 93.18%;
外资: 4.50%
国有: 13.63%;
非国有: 86.36%
2元禾控股, 九鼎投资, 国发创投, 江苏高科投, 乾融资本江苏: 29.28%; 北京: 15.63%
上海: 13.82%
本土: 90.48%;
外资: 7.14%
国有: 18.45%;
非国有: 81.55%
2010-20142红杉中国, IDG资本, 经纬中国, 启明创投, 君联资本北京: 33.66%; 国外: 22.13%;
上海: 17.42%
本土: 52.9%;
外资: 44.57%
国有: 7.25%;
非国有: 92.75%
84凯鹏华盈, a16z, 红杉(海外), 美国光速, First Round Capital国外: 88.78%; 北京: 5.26%;
上海: 1.81%
本土: 6.43%;
外资: 93.00%
国有: 2.34%;
非国有: 97.66%
6深创投, 同创伟业, 达晨创投, 中科招商, 松禾资本深圳: 20.22%; 上海: 13.57%;
北京: 13.08%
本土: 95.33%;
外资: 3.74%
国有: 13.10%;
非国有: 86.90%
2011-2015139红杉中国, IDG资本, 经纬中国, 真格基金, 启明创投北京: 36.62%; 上海: 21.11%;
国外: 14.17%
本土: 64.91%;
外资: 32.98%
国有: 5.80%;
非国有: 94.20%
96凯鹏华盈, a16z, 红杉(海外), First Round Capital, 谷歌投资国外: 89.00%; 北京: 4.62%;
上海: 1.72%
本土: 5.91%;
外资: 4.31%
国有: 2.11%;
非国有: 97.47%
80深创投, 同创伟业, 松禾资本, 东方富海, 云锋基金深圳: 26.00%; 北京: 20.23%;
上海: 17.75%
本土: 94.26%;
外资: 4.31%
国有: 11.00%;
非国有: 89.00%
2012-2016225红杉中国, IDG资本, 经纬中国, 真格基金, 腾讯投资北京: 38.18%; 上海: 21.31%;
国外: 8.49%
本土: 75.55%;
外资: 23.26%
国有: 4.97%;
非国有: 95.03%
175红杉(海外), a16z, 凯鹏华盈, Accel, 谷歌投资国外: 90.42%; 北京: 3.27%;
上海: 2.24%
本土: 5.54%;
外资: 93.36%
国有: 1.48%;
非国有: 98.52%
224深创投, 同创伟业, 达晨创投, 景林投资, 松禾资本深圳: 21.91%; 北京: 21.22%;
上海: 16.29%
本土: 94.46%;
外资: 4.23%
国有: 13.03%;
非国有: 86.97%
2013-2017444IDG资本, 红杉中国, 经纬中国, 真格基金, 腾讯投资北京: 33.10%; 上海: 21.52%;
深圳: 9.48%
本土: 79.34%;
外资: 17.37%
国有: 5.21%;
非国有: 94.79%
329Accel, 红杉(海外), a16z, 凯鹏华盈, 谷歌投资国外: 88.42%; 北京: 4.71%;
上海: 2.23%
本土: 7.54%;
外资: 92.14%
国有: 1.89%;
非国有: 98.11%
433天星资本, 上海永宣, 鼎峰资产, 中科招商, 久奕资本上海: 25.12%; 北京: 19.60%;
深圳: 13.28%
本土: 95.47%;
外资: 2.56%
国有: 10.43%;
非国有: 89.57%

新窗口打开| 下载CSV


①以IDG资本、红杉中国为代表的社团核系数最大, 说明这一社团的稳定性极好, 在网络中处于比较重要的位置。

②以深创投为代表的社团从2006年开始连续在7个时间窗内存在, 稳定性较好。

③随着时间窗的推移, 以深创投、国发创投为代表的社团中的一部分创投机构开始融入以达晨创投、中科招商为代表的社团: 之前属于深创投所在社团的高特佳、天堂硅谷等创投机构在2008-2012时间窗内归入达晨创投所在的社团; 深创投也在随后的时间窗内融入该社团。

④以凯鹏华盈为代表的社团从2010年开始连续4个时间窗内存在, 稳定性较好。

⑤在前4个时间窗内, 即使各个社团内的成员不断发生变化, 核心社团成员稳定; 在2010-2014时间窗内, 以凯鹏华盈、红杉(海外)为代表的社团成为核心社团。其中, 凯鹏华盈、英特尔投资、德丰杰等创投机构在前期皆属于以IDG资本和红杉中国为代表的社团, 但在之后的时间窗内, 以IDG资本和红杉中国为代表的社团内本土机构的占比不断上升, 而凯鹏华盈、英特尔投资等外资机构选择增加与a16z、Accel等外资机构的联合投资次数, 最终与之归于同一社团。

(2) 核心社团的创投机构属性

以2013-2017时间窗为例。

①以IDG资本、红杉中国为代表的社团444中创投机构主要聚集在北京、上海、深圳等地, 其中以北京的创投机构占比最多, 为33.10% ; 资本类型属“本土”的创投机构占比最多, 为79.34%; 机构类型属“非国有”背景的创投机构占比最多, 为94.79%。

②以凯鹏华盈、红杉(海外)为代表的社团329中创投机构主要聚集在国外、北京、上海等地, 其中以国外的创投机构占比最高, 为88.42%; 资本类型则属“外资”的创投机构占比最多, 为92.14%; 机构类型属“非国有”背景的创投机构占比最多, 为98.11%。

③以天星资本、鼎峰资产为代表的社团433中, 创投机构主要聚集在上海、北京、深圳等地, 其中以上海的投资机构占比最高, 为25.12%; 资本类型属“本土”的创投机构占比最多, 为95.47%; 机构类型属“非国有”背景的创投机构占比最多, 为89.57%。相较其他两个社团, 社团433中“国有”背景的创投机构比例最高, 为10.43%, 社团中极具影响力与发展活力的天星资本和鼎峰资产皆属“国有”背景。

(3) 核心社团的结构特征

以2013-2017时间窗为例探讨核心社团的结构特征。由表2可知, 社团规模较大, 每个创投机构约有6到13位联合投资伙伴; 较小平均路径长度表明社团集聚程度较高, 呈现显著的小世界特性。以IDG资本、红杉中国为代表的社团444和以凯鹏华盈、红杉(海外)为代表的社团329的网络规模相近, 且远大于以天星资本、鼎峰资产为代表的社团433。社团444具有最大的平均度、平均加权度和最小的平均路径长度。平均加权度是在统计节点度时也考虑边的权重, 其值的大小不仅取决于网络中各创投机构的联合投资伙伴数量, 还取决于各创投机构与每一个联合投资伙伴合作过的次数, 平均加权度越大, 社团内创投机构之间的联系越紧密。平均路径长度越短, 社团内创投机构获取信息和直接影响其他创投机构的能力越强。社团329具有最小的平均聚类系数。平均聚类系数度量的是网络中三元闭合结构的密度, 该值越低, 网络中存在结构洞的可能性越大。社团433则拥有最高的平均聚类系数, 该值越高, 创投机构之间信息与资源的流动越快, 但通过这种“强关系”获得的信息与资源往往具有较高冗余度。

表2   核心社团复杂网络结构特征

社团节点平均度平均
加权度
平均
聚类系数
平均
路径长度
4441 2386 85113.18333.7590.7292.958
3291 0434 6838.81620.0570.6743.105
4336381 8076.86612.8180.8103.250

新窗口打开| 下载CSV


4.2 核心社团的投资行为分析

(1) 横向分析

横向分析以2013-2017时间窗的核心社团为例, 分析核心社团的投资行为差异及其成因。

①核心社团内创投机构投资行为差异

核心社团间投资行为如表3所示。

表3   核心社团间投资行为对比

投资行业投资地域投资阶段
社团
444
信息服务68.88%,
制造业13.59%,
文化教育11.17%
京津冀43.69%,
长三角30.38%,
珠三角12.14%
初创期43.89%, 扩张期33.42%, 种子期11.77%, 成熟期10.07%
社团
329
信息服务74.58%,
制造业10.97%,
文化教育8.34%
国外84.17%,
京津冀3.29%,
长三角2.36%
扩张期52.67%, 初创期39.81%, 成熟期5.43%, 种子期2.02%
社团
433
制造业56.7%,
信息服务28.53%,
文化教育8.71%
京津冀25.95%,
长三角24.4%,
国外21.17%
成熟期43.71%, 扩张期37.47%, 初创期16.83%, 种子期1.59%

①据国家统计局《三次产业划分规定(2012)》行业划分标准, 将行业划分为农业、制造业、流通部门、信息服务业、文化教育行业五大类。

新窗口打开| 下载CSV


1)核心社团在投资行业方面存在显著差异, 每个社团的投资都会涉及到5种行业, 但侧重点有所不同: 以IDG资本、红杉中国为代表的社团444和以凯鹏华盈、红杉(海外)为代表的社团329偏向于投资信息服务行业(IT服务、金融、应用软件等), 而以天星资本、鼎峰资产为代表的社团433偏向于投资制造业(化工原料生产、生物工程、设备制造等)。由于3个核心社团投资于农业和流通部门行业的总量皆低于7%, 且差异不明显, 缺乏研究意义, 因此不多做讨论。

2)核心社团在投资地域方面存在显著差异: 社团444主要投资国内企业; 社团329主要投资国外企业; 社团433兼顾国内外企业。

3)核心社团在投资阶段方面存在显著差异, 社团444和社团329倾向于中早期投资, 而社团433倾向于后期投资。投资阶段越靠前, 投入金额越少, 但投资风险越大。

②社团差异成因分析

由以上分析可知, “抱团”现象普遍存在于联合投资过程中, 且社团之间存在显著差异。

核心社团内以“非国有背景”创投机构为主, 且投资地域多集中于北京、上海、深圳等发达地区, 呈现地域集聚性。通过分析可知, 经济发达的地区拥有更完备的信息资源、人力资源、交通资源、项目资源以及资金资源, 不断吸引着具有逐利性的“非国有背景”创投机构前来投资。

社团444是由外资创投机构领导的以本土创投机构为主的社团, 创投机构主要位于北京、上海、深圳等地; 投资地域主要分布于京津冀和长三角地区; 同时社团内的核心节点如IDG资本、红杉中国等外资创投机构能够从全球或者更广阔的角度出发思考未来发展方向, 因此更偏向于投资信息服务等高科技行业; 投资阶段更偏向于风险较高的种子期和初创期。社团329是以外资创投机构为主的社团, 因此创投机构主要位于国外, 且投资地域主要分布于国外、京津冀、长三角等地; 该社团84.17%的国外业务表明国外投资拥有巨大的利好因素与发展空间, 尤其是信息服务业的发展; 社团更偏向于扩张期的投资。社团433则以本土创投机构为主, 且社团内“国有”背景创投机构比例较高; 创投机构主要位于上海、北京和深圳等地; 投资地域分布于京津冀、长三角和国外, 随着国家“走出去战略”和政府的积极倡导, 越来越多的创投机构积极投身于国外投资事业; 为在未来全球新技术新产业竞争中占据有利地位、缓解就业压力、走出金融危机, 世界各国都高度重视制造业的发展, 我国更是从战略上重视传统制造业与新兴技术的融合发展, 因此本土资本创投机构更加青睐于制造业投资; 但本土资本的创投机构应对风险的能力处于弱势地位, 多投资于成熟期。

(2) 纵向分析

纵向分析2006-2017每个时间窗内核心社团的投资行为变化趋势, 投资行业、投资地域、投资阶段的分布变化趋势分别如图3-图5所示, 其中, 横坐标代表各个时间窗, 纵坐标代表投资比例。

图3

图3   核心社团投资行业演变


图4

图4   核心社团投资地域演变


图5

图5   核心社团投资阶段演变


①核心社团中创投机构的投资行业分布

核心社团更倾向于投资制造业(化工原料生产、生物工程、设备制造等)和信息服务业(IT服务、金融、应用软件等), 较少地投资于流通部门(电子商务、邮电通信、批发零售等)和文化教育(网络教育、文化传播、体育等)。随着2010-2014时间窗内的核心社团成员发生变化, 该时间窗内的数据也发生较大的改变: 制造业投资比例大幅下降, 而信息服务业稳步上升。核心社团对信息服务类企业的投资比例在经历2006-2013间的平稳缓幅增长后于2014年间激增, 虽然投资比例在2015年有所回落, 但之后持续回升。无论核心社团内成员如何变化, 创投机构对于流通部门和文化教育的投资比例都相对稳定, 且随着时间窗的推移, 有关文化教育行业的投资比例逐渐上升。相较于需要高精尖技术和强大资金支持的制造业, 文化教育行业的行业壁垒较低, 一些创业企业通过模仿已有的大型成功企业的技术和运行模式就可获得较高的收益, 因此越发受到创投机构的青睐; 同时2017年9月1日开始实施的《民办教育促进法》明确将教育类企业划分为营利类和非营利类, 清除了教育类企业在资本证券化道路上的障碍, 大大降低了IPO难度。

②核心社团中创投机构的投资地域分布

京津冀地区的投资比例浮动于21%-28%; 珠三角地区呈明显的下降趋势; 长三角地区投资比例在2008-2012间有大幅度起伏, 但在后4个时间窗内趋于稳定并保持在19%左右。在后4个时间窗内, 京津冀地区的投资比例从22.16%上升至24.31%, 长三角地区基本保持稳定, 珠三角地区的投资比例有小幅下降。综合三个地区投资比例的变化, 可知投资地域分布的马太效应显著, 三个地区的投资比例始终占据总投资的70%左右, 表明投资仍然聚集在发达地区。即使近年投资于成都、重庆、福建的次数有所上升, 但大多数省市内的创业企业获得投资的案例仍为个数。

③核心社团中创投机构的投资阶段分布

核心社团成员在投资阶段方面的偏好排序为扩张期、初创期、成熟期和种子期。投资阶段的整体偏后有悖于创业投资扶持种子期和初创期企业的初衷, 这种现象与我国创业投资行业发展与证券市场现状有关: 我国多数创投机构的成立时间较晚, 从业人员大多之前从事证券、基金等金融行业, 对创业投资的专业知识储备不足; 同时政府引导基金的负责人也多为政府或国企事业单位编制内人员, 政治考核压力较大, 且公共财政资金亏损时可能会带来舆论压力与政治压力[25], 为规避风险, 创投机构容易短视, 倾向于后期投资。随着时间窗的后移, 创投机构投资于扩张期和成熟期创业企业的比例有所下降; 而投资于种子期和初创期的比例逐步上升, 这表明核心社团应对风险的能力在逐步提高, 开始注重“低投入, 高风险, 高回报”的投资方式。

从核心社团投资行为的发展趋势可以看出:

(1) 核心社团内“非国有”背景创投机构的比例是影响核心社团投资行为演变的因素。随着“非国有背景”创投机构比例的上升, 核心社团投资于信息服务业的比例随之上升。

(2) 核心社团内创投机构的资本类型是核心社团投资行为演变的影响因素。外资创投机构比例越高, 核心社团应对风险的能力越强, 越倾向于投资于种子期和初创期。

(3) 社团内核心节点的所在地域也是核心社团投资行为演变的影响因素。核心社团内创投机构主要分布于北京、上海和深圳等地, 由于投资地理邻近的创业企业可以降低沟通和监管成本, 核心社团投资地域始终呈现显著的马太效应。

5 结 语

本文在对中国创投网络进行社团划分的基础上进一步辨识出核心社团, 并从横向和纵向两个方面分析核心社团的投资行为, 主要结论如下:

(1) 辨识出2006年-2017年8个时间窗内创投网络的核心社团, 并发现核心社团内成员较为稳定。以IDG资本、红杉中国为代表的社团稳定存在于8个时间窗内; 以深创投为代表的社团存在于从2006年开始连续的7个时间窗内; 以凯鹏华盈为代表的社团存在于从2010年开始连续的4个时间窗内。

(2) 以2013-2017时间窗的核心社团为例进行横向分析, 发现不同社团的投资行为具有不同偏好。在投资行业方面, 以IDG资本、红杉中国为代表的社团444和以凯鹏华盈、红杉(海外)为代表的社团329偏向投资于信息服务行业, 而以天星资本、鼎峰资产为代表的社团433偏向投资于制造业。在投资地域方面, 社团444主要投资国内的企业, 社团329主要投资国外企业, 社团433则兼顾国内外企业。在投资阶段方面, 社团444和社团329倾向于中早期投资, 而社团433倾向于后期投资。了解核心社团间投资行为的具体差异可为创投机构选择合适的联合投资伙伴提供参考。

(3) 对核心社团投资行业、投资地域、投资阶段随时间窗推移的分布变化进行纵向分析: 从投资行业来看, 制造业与信息服务业更受创投机构青睐, 文化教育相关行业的投资比重也在逐步上升。从投资地域来看, 创投机构仍然集中投资于京津冀、长三角和珠三角地区, 马太效应显著。从投资阶段来看, 投资阶段整体偏向中期和后期, 但核心社团内成员创投机构投资于扩张期和成熟期企业的比重在下降, 且投资于种子期和初创期的比重在上升。

本文研究尚存在局限: 在网络构建方面, 仅构建无向加权网络, 而非有向加权网络, 即未考虑联合投资中存在的领投与跟投关系。在有向加权网络中, 可以通过互惠关系、传递关系等有向网络的典型结构优化核心社团的辨识方法, 未来可作进一步研究。

作者贡献声明

阮平南: 提出选题与研究思路, 论文最终版本修订;

王倩颖: 设计研究方案, 数据采集、处理与分析, 论文撰写;

杨娟: 提出选题与研究思路, 设计研究方案, 论文最终版本修订;

魏云凤: 设计研究方案。

利益冲突声明

所有作者声明不存在利益冲突关系。

支撑数据

支撑数据由作者自存储, E-mail: 18810374660@163.com。

[1] 王倩颖. 投资事件.xlsx. 2006-2017年创业投资事件数据.

[2] 王倩颖. analyse_realtion.R. 转化为联合投资矩阵代码.

[3] 王倩颖. 创投网络.xlsx. 每5年时间窗的联合投资矩阵表.

[4] 王倩颖. 核心社团辨识.xlsx. 核心社团辨识计算表.

参考文献

Manigart S, Lockett A, Meuleman M , et al.

Venture Capitalists’ Decision to Syndicate

[J]. Entrepreneurship Theory & Practice, 2006,30(2):131-153.

[本文引用: 1]

Deli D N, Santhanakrishnan M .

Syndication in Venture Capital Financing

[J]. Financial Review, 2010,45(3):557-578.

[本文引用: 1]

Castilla E J .

Networks of Venture Capital Firms in Silicon Valley

[J]. International Journal of Technology Management, 2003,25(1-2):113-135.

[本文引用: 1]

Tykvová T, Schertler A .

Cross-border Venture Capital Flows and Local Ties: Evidence from Developed Countries

[J]. Quarterly Review of Economics & Finance, 2010,51(1):36-48.

[本文引用: 1]

Hochberg Y V, Ljungqvist A, Vissing-Jørgensen A .

Informational Holdup and Performance Persistence in Venture Capital

[J]. The Review of Financial Studies, 2014,27(1):102-152.

[本文引用: 1]

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.

[本文引用: 2]

( Zhou Yuhong, Song Guanghui .

The Dynamic Evolution of Venture Capital Network in China

[J]. Systems Engineering-Theory & Practice, 2014,34(11):2748-2759.)

[本文引用: 2]

Abell P M, Nisar T M .

Performance Effects of Venture Capital Firm Networks

[J]. Management Decision, 2007,45(5):923-936.

[本文引用: 1]

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.

[本文引用: 1]

Gulati R, Lavie D, Madhavan R .

How do Networks Matter? The Performance Effects of Interorganizational Networks

[J]. Research in Organizational Behavior, 2011,31:207-224.

[本文引用: 1]

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.

[本文引用: 1]

( Jin Yonghong, Zhang Qi .

Network Characteristics and Community Structure of Chinese Venture Capital Networks

[J]. Journal of Systems Engineering, 2016,31(2):166-177.)

[本文引用: 1]

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.

[本文引用: 3]

( Luo Ji, Dang Xinghua .

Study on China’s VC Network Communities: Structure Recognition, Dynamic Evolution and Preference Features

[J]. Management Review, 2016,28(5):61-72.)

[本文引用: 3]

罗家德, 秦朗, 周伶 .

中国风险投资产业的圈子现象

[J]. 管理学报, 2014,11(4):469-477.

[本文引用: 1]

( Luo Jiade, Qin Lang, Zhou Ling .

Circle in Chinese Venture Capital Industry

[J]. Chinese Journal of Management, 2014,11(4):469-477.)

[本文引用: 1]

Bubna A, Das S, Prabhala N R .

What Types of Syndicate Partners do Venture Capitalists Prefer? Evidence from VC Communities

[J]. Indian School of Business, 2013,10(21):1-61.

[本文引用: 2]

党兴华, 薛超凯, 施国平 .

风险投资网络社群行为研究述评与展望

[J]. 科技进步与对策, 2016,33(18):156-160.

[本文引用: 2]

( Dang Xinghua, Xue Chaokai, Shi Guoping .

A Review of Researches on the Behavior of Venture Capital Communities and Future Prospects

[J]. Science & Technology Progress and Policy, 2016,33(18):156-160.)

[本文引用: 2]

党兴华, 胡玉杰, 王育晓 .

基于扎根理论的风险投资网络社群形成影响因素研究

[J]. 科技进步与对策, 2016,33(19):14-20.

[本文引用: 1]

( Dang Xinghua, Hu Yujie, Wang Yuxiao .

Research on the Influencing Factors of the Formation of Network Community of Venture Capital Based on the Grounded Theory

[J]. Science & Technology Progress and Policy, 2016,33(19):14-20.)

[本文引用: 1]

Rieder F .

What Drives Venture Capital Syndication?

[J]. Applied Economics, 2004,42(23):3089-3102.

[本文引用: 1]

罗吉, 党兴华 .

我国风险投资网络社群识别、群间差异与投资绩效研究

[J]. 管理评论, 2017,29(9):48-58.

[本文引用: 1]

( Luo Ji, Dang Xinghua .

China’s Venture Capital Network Communities Recognition, Differences Between the Communities and Investment Performance

[J]. Management Review, 2017,29(9):48-58.)

[本文引用: 1]

Xue C, Ping J, Dang X .

The Dynamics of Network Communities and Venture Capital Performance: Evidence from China

[J]. Finance Research Letters, 2019,28:6-10.

[本文引用: 1]

He H, Yang B, Hu X .

Exploring Community Structure in Networks by Consensus Dynamics

[J]. Physica A: Statistical Mechanics and Its Applications, 2016,450:342-353.

[本文引用: 1]

Seidman S B .

Network Structure and Minimum Degree

[J]. Social Networks, 1983(5):269-287.

[本文引用: 1]

胡天天, 戴航, 黄东旭 .

基于CN-M的邮件网络核心社团挖掘

[J]. 计算机技术与发展, 2014,24(11):9-12.

[本文引用: 1]

( Hu Tiantian, Dai Hang, Huang Dongxu .

Mining Core Community from Mail Network Based on CN-M

[J]. Computer Technology and Development, 2014,24(11):9-12.)

[本文引用: 1]

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 & Its Applications, 2017,479:137-150.

[本文引用: 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.

[本文引用: 1]

Blondel V D, Guillaume J L, Lambiotte R , et al.

Fast Unfolding of Communities in Large Networks

[J]. Journal of Statistical Mechanics, 2008(10):155-168.

[本文引用: 1]

马海涛, 师玉朋 .

政府创业投资引导基金发展现状与制度改进

[J]. 地方财政研究, 2016(5):4-8, 22.

[本文引用: 1]

( Ma Haitao, Shi Yupeng .

Government Venture Capital Guiding Fund Development Status and System Improvement

[J]. Sub National Fiscal Research, 2016(5):4-8, 22.)

[本文引用: 1]

/