風險投資與目標企業創新績效研究
——基于整合社會網絡和資源詛咒理論的視角

袁 媛

1（河北工業大學經濟與管理學院， 天津 300401） 2（河北地質大學法政學院， 石家莊 050031）

引言

企業創新作為經濟轉型的核心環節，不僅是企業（創新主體）關注的重點，更是備受資本市場、社會公眾乃至國家層面的關注。風險投資作為支持新創企業的重要資本力量，助力企業創新發展已成為一種社會普遍認知。已有研究從社會網絡理論出發，認為企業引入風險投資形成了社會網絡關系，通過交流信息和知識、交換資源或將外部資源內部化，從而克服新創企業的新生弱性和創新活動的資源約束挑戰。從這一視角出發，風險投資社會網絡資源有助于提升目標企業的創新績效。但是，已有的實證結果表明，風險投資對企業創新的影響是促進、抑制或不相關，尚未有統一定論。

謝雅萍和宋超俐（2017）認為風險投資不僅能夠為目標企業注入資金，還囊括了非資本增值服務，在分擔技術創新風險、促進技術創新成果轉化、為創業企業成長保駕護航，乃至推動高新技術產業發展中扮演著不可或缺的重要角色［1］。孫善林等（2017）揭示了資源獲取是高管團隊外部社會資本與企業開放式創新的完全中介變量，而資源整合是高管團隊內部社會資本與企業開放式創新的完全中介變量，社會資本、資源獲取整合、創新績效之間存在著遞進式的正向關系［2］。黃艷等（2017）的研究發現，網絡規模和網絡強度并不會對新創企業的創新績效產生直接影響，而是通過資源拼湊行為呈現出顯著的促進作用，即資源拼湊起著完全中介的作用［3］。許福志（2018）實證研究驗證了資源詛咒現象的門限效應，發現了轉“禍”為“福”的關鍵變量，如社會資本、人力資本、制度質量等［4］。蘇方國等（2017）從企業微觀層面將政治資源拓寬到政治關聯和稅收優惠，該研究也驗證了政治關聯的詛咒效應，但同時也發現了稅收優惠的福音效應［5］。李綱等（2017）研究了網絡規模越大代表著目標企業可以通過網絡成員的關系橋梁將網絡拓展到更廣泛的范圍，為企業獲取異質性資源、合作、交流等提供了更多的機會，從而提升企業的創新績效［6］。陸瑤等（2017）認為風險投資辛迪加有利于目標企業獲得更具突破性的創新成果。目標企業通過嵌入于風險投資辛迪加網絡能夠比嵌入于單獨的風險投資網絡具有更強的創新績效提升效果［7］。

1 研究假設與模型建立

1.1 研究假設

風險投資聲譽資源與目標企業創新績效。當企業面臨資源約束并選擇了嵌入風險投資社會網絡這一便捷路徑時，其正面作用在于引入外部網絡資源補充企業缺位的內部資源，但同時也產生了對外部網絡資源的過度依賴而忽視培育企業內部資源的負面作用，即外部網絡資源與企業內部資源同時存在擠入和擠出效應。但上述擠入和擠出效應并非不可調和，企業在利用外部網絡資源的同時可能通過吸收能力將其內化為企業內部資源，從而實現良性的正向作用［8］。企業引入風險投資獲取社會網絡資源可能存在著資源詛咒現象，而這種現象主要來源于風險投資的行業外資源而非行業內資源。據此提出：

假設1a：風險投資具備的行業內聲譽資源越高，越有助于提升目標企業的創新績效。

假設1b：風險投資具備的行業外聲譽資源越高，越不利于提升目標企業的創新績效。

風險投資社會網絡規模與目標企業創新績效。社會網絡資源強調了當企業嵌入到一個更大的社會網絡時越有機會獲得更多的資源，能夠更好地解決企業內部資源約束的問題，為企業獲取競爭優勢儲備更強大的資源基礎。隨著風險投資社會網絡規模的擴大，社會網絡資源對企業內部資源的擠入效應也隨之強化。但沖突也會隨著網絡規模的擴大而強化［9］。當沖突出現時，風險投資作為強勢一方容易導致原本應該配置在創新領域的資源分散于其他領域，資源配置產生錯位乃至低效甚至是無效的結果，極大地強化了擠出效應造成資源詛咒現象的惡化，從而抑制了創新。因此在這兩種相悖的理論邏輯和效應影響下，目標企業所嵌入的風險投資辛迪加網絡可能存在著最適規模。據此提出：

假設2：風險投資社會網絡規模與目標企業創新績效呈倒U 型關系。

目標企業生命周期的調節作用。當企業所處生命周期不同時，所面臨的境況和需求也有所不同。相比于企業處于生命周期成熟期，初創期企業各方面資源非常匱乏，支持企業研發專有技術、開拓市場、實施創新等活動的基礎資源相對薄弱。相較于成熟期企業，初創期企業對風險投資的依賴程度更高，風險投資行業內聲譽資源對目標企業資源的擠入效應更強，創新績效提升效果也更強，風險投資行業外聲譽資源對目標企業資源的擠出效應也更強，對創新績效的抑制效果也更強。據此提出：

假設3a：相較于目標企業生命周期成熟期，當企業處于企業生命周期初創期時，風險投資行業內聲譽資源對企業創新績效的提升作用更強。

假設3b：相較于目標企業生命周期成熟期，當企業處于企業生命周期初創期時，風險投資行業外聲譽資源對企業創新績效的抑制作用更強。

行業距離的調節作用。風險投資與目標企業之間的行業距離越小，意味著風險投資所投資的其他企業越接近于目標企業所在行業。在這種情況下，風險投資彼此之間的沖突以及風險投資與目標企業之間的沖突都會由于相近的行業認知、知識基礎產生共同語言而弱化，風險投資所帶來的社會網絡資源也更容易被目標企業所利用和吸收，所以當網絡規模達到更大時才會產生擠出效應超過擠入效應的現象，即拐點位置傾向于更大規模，并且風險投資對目標企業創新績效的提升效果更強。據此提出：

假設4：當風險投資與目標企業行業距離越大時，風險投資的最優規模越小，對目標企業創新績效的最強提升效果越弱。

1.2 調節變量與計量模型

（1）行業距離（ID）。關于ID的測量，本文主要基于產業鏈位置測算方法。基于投入產出法，以投入產出表為數據基礎，形成了一套嚴謹的產業鏈位置測算方法［10］，具體方法如下：

引入投入產出表中的一個基本恒等式：

Yi是i產業的總產出，Fi是i產業產出中直接流向最終消費和資本形成總額的部分，而Zi為i產業產出中被用作其他產業消耗的部分。在一個擁有N個產業的國民經濟體系中，式（1）可以進一步被闡述為：

基于式（1）、（2）可以建立關于產業鏈位置的測算方法：

以上述方法及思想作為計算基礎，通過絕對差值的方式測算不同行業之間的行業距離，最終結果仍以0 與1 之間的數值大小加以表征，即i行業與j行業之間的ID為兩者產業鏈位置差值的絕對值：

基于式（4），假設目標企業a嵌入于風險投資x的社會網絡中，目標企業a處于i產業，在風險投資x投資a企業之前所投資的企業成功在新三板上市的包括企業b、c、d等N家企業，分別處于j、k、l等產業，則該VC與A企業的行業距離為：

同樣，對于嵌入兩個及以上風險投資社會網絡的情況，利用上述ID的平均值進行衡量。

（2）目標企業生命周期。企業生命周期數值Z_LIFECYCLE的計算［11］，具體方法如下：

其次，對上述3 個變量ASSETS、CAPEX和SALE_GROWTH進行標準化生成Z_ASSETS、Z_CAPEX和Z_SALE_GROWTH。

（3）計量模型。本文根據新三板企業的風險投資實踐形成了2008～2018 年間658 家企業1261條面板數據觀測值，對上述的研究假設進行檢驗，本文將TFP作為被解釋變量；將風險投資行業內聲譽資源INTRA-IND VCREP、風險投資行業外聲譽資源EXTRA-IND VCREP、網絡規模NETWORK SIZE作為解釋變量，分別反映風險投資的社會網絡聲譽和規模；將行業距離ID、目標企業生命周期LIFE CYCLE作為調節變量；將盈利性ROA、企業規模SIZE、企業年齡AGE、國有企業STATE、外資企業FOREIGN、研發支出RDINTENSITY、行業增長率IND GROWTH、地區GDP、行業IND、年份YEAR作為控制變量，并以CONTROLS為符號代表。模型設定如下：

其中β0為常數項，βi為系數，μb為不隨時間變化的特定效應，ζbt為隨機擾動項。

1.3 樣本來源與變量描述

本文以Wind 數據庫新三板板塊為數據來源，通過新三板PE／VC 投資明細欄目的信息披露收集2008～2018 年的風險投資事件，以獲取新三板企業所嵌入的風險投資社會網絡資源和規模數據。本文采用風險投資參與的數據，剔除變量缺失的觀測值后，形成了2008～2018 年658 家新三板企業1261 條投資觀測值的面板數據庫。

描述性統計分析。1261 條投資觀測值中大部分目標企業分布在北京、廣東省、上海和江蘇省等經濟發達地區，這4 個區域所占比例達到了65.14%，其他所有地區僅占34.86%。對數據庫中1261 條投資觀測值進行描述性統計分析，詳見表1。由表1 可見，風險投資辛迪加聯合投資是當前風險投資參與目標企業的普遍方式，目標企業通常嵌入到兩個及以上的風險投資社會網絡中，在此樣本中，最多有15 家風險投資同時投資了同一家目標企業。

2 假設驗證

2.1 主效應檢驗

本文基于社會網絡與資源詛咒理論的整合視角，從目標企業所嵌入的風險投資社會網絡的“質”（資源）和“量”（規模）兩方面入手，逐層分析嵌入風險投資的社會網絡對目標企業創新績效的復雜作用。為了驗證風險投資社會網絡資源、社會網絡規模與目標企業創新績效的關系，本文從兩個方面進行主效應檢驗。由于數據樣本為面板數據，因此采用面板數據隨機效應模型對上述兩個主效應進行驗證。

風險投資社會網絡資源與目標企業創新績效的關系分析。以風險投資聲譽資源作為其社會網絡資源的代理變量，并進一步結合資源的行業屬性區分了行業內和行業外的聲譽資源，并利用面板數據隨機效應模型進行行業內聲譽資源和行業外聲譽資源EXTRA-IND VCREP對目標企業創新績效的回歸分析。由表2 模型（1）、（2）、（4）的回歸結果可見，INTRA-INDVCREP與TFP在5%的置信水平上具有顯著的正向關系（β＝0.001，p＜0.05），EXTRA-IND VCREP與TFP在1%的置信水平上具有極為顯著的負向關系（β＝-4.24e-04，p＜0.01），這一結果說明目標企業所嵌入的風險投資社會網絡行業內聲譽資源越高，越有利于企業創新績效的提升，即假設1a 得到驗證；而與此相反，風險投資的行業外聲譽資源越高反而越不利于企業創新績效的提升，即假設1b 得到驗證。

表1 模型變量的描述性統計

表2 風險投資社會網絡資源和規模對目標企業創新績效的回歸結果

續 表

結果顯示，目標企業通過引入風險投資社會網絡資源卻同時存在著截然相反的效應。引入社會網絡資源對企業而言究竟是福音還是詛咒，對這一結果的解釋需要關注到資源的行業屬性。行業內資源的正向效應是由于目標企業憑借其在行業內的專業知識積累，有效吸收風險投資所提供的行業內資源，對企業內部的缺位資源進行補充，擠入效應得到強化；盡管企業對風險投資帶來的行業內資源也可能存在依賴，但這類資源能夠隨著企業的使用逐漸內化成企業的資源，擠出效應弱化，因此通過社會網絡引入行業內資源有助于提升企業的創新績效。

2.2 調節效應檢驗

為了研究目標企業生命周期對風險投資社會網絡資源影響企業創新績效的調節作用，以及行業距離對風險投資網絡規模影響企業創新績效的調節作用，在模型中分別加入了INTRA-IND VCREP與LIFE CYCLE、EXTRA-INDVCREP與LIFE CYCLE、NETWORK SIZE與ID、NETWORK SIZE2與ID的乘積項加以檢驗（結果見表3）。

由表3 模型（1）和（3）的結果可見，LIFE CYCLE與INTRA-INDVCREP交互項的回歸系數顯著且為正數（β＝0.002，p＜0.01），與INTRA-IN-DVCREP對TFP的作用方向一致。數值越小，說明企業處于成熟期。結合LIFE CYCLE數值所代表的含義，模型（1）和（3）的回歸結果說明了相比于成熟期，當目標企業處于初創期時，INTRA-IND VCREP對TFP的提升作用更強，即假設3a 得到驗證。這是由于初創期企業比成熟期企業面臨更嚴重的資源約束窘境，因此初創期更依賴于通過嵌入社會網絡獲取資源以打破資源困境，而成熟期企業資源自給自足的程度更高，因此對于初創期企業而言，風險投資的行業內聲譽資源能夠起到更強的作用。

由表3 模型（1）和（3）的結果可見，LIFE CYCLE與EXTRA-INDVCREP交互項的回歸系數顯著且為負數（β＝-3.58e-04，p＜0.05），與EXTRAINDVCREP對TFP的作用方向一致。由于LIFE CYCLE數值的增大意味著企業越傾向于初創期，因此，這一結果說明EXTRA-IND VCREP對TFP的抑制作用在企業初期時效果更強，即假設3b 得到驗證。出現這一結果的原因與前述原因一致，由于初創期企業比成熟期企業更依賴于通過嵌入社會網絡獲取資源，因此社會網絡資源對前者的作用要強于后者，無論這一作用是正向亦或是負向，也因此當企業處于生命周期的初創期時，風險投資的行業外聲譽資源對其創新績效的抑制作用更強。

表3 企業生命周期與行業距離的調節效應回歸結果

2.3 穩健性檢驗

風險投資對目標企業績效的顯著提升作用可能存在著滯后效應。從風險投資參與企業到發揮顯著的積極作用存在一定的滯后期限，期限的均值為3 年［12］。以技術創新為例，實用新型專利和外觀設計專利經歷申請、審查、授權、公開過程一般需要2～3 年，而發明專利則需要4 年。因此，本文考慮了這一因素，將滯后3 期的創新績效（TFPt＋3）作為因變量進行模型的穩健性檢驗（結果見表4），本文所有的研究假設仍然通過了實證檢驗，該理論模型具有較強的穩健性。

3 結論

本文基于社會網絡與資源詛咒的整合視角，從企業嵌入風險投資社會網絡的資源和規模特征入手，揭開引入風險投資對企業創新績效的差異化影響這一黑箱。通過建立“風險投資社會網絡資源—風險投資社會網絡規模—目標企業創新績效”理論模型，提出了相應的研究假設并通過了實證檢驗，本文得到以下研究結論：（1）風險投資的參與能夠為目標企業帶來社會網絡資源，但資源的行業屬性差異決定了資源將為目標企業帶來的是福音效應還是詛咒效應，風險投資的行業內聲譽資源促進了企業的創新績效，行業外聲譽資

源則產生了抑制作用；（2）風險投資社會網絡規模與目標企業的創新績效之間表現為倒U 型關系，存在著最有利于目標企業創新發展的最優規模；（3）對于處在不同生命周期階段的企業，風險投資聲譽資源的福音或詛咒效應有所不同，當目標企業處于初創期時，風險投資行業內聲譽資源提升其創新績效的效果更強，行業外聲譽資源的抑制作用也更強；（4）風險投資與目標企業之間的行業距離也會影響風險投資參與目標企業的最優網絡規模，行業距離越小，目標企業嵌入的風險投資最優網絡規模越大，并且創新績效的提升效果越強。

表4 創新績效滯后3 期的面板數據隨機效應模型回歸結果