孵化網絡結構、風險傳播對孵化網絡最終健康水平的影響
——結構可視化的調節作用

吳 田，胡海青

(1.西安理工大學 經濟與管理學院，陜西 西安 710054；2.西安歐亞學院 金融學院，陜西 西安 710065)

0 引言

在新舊動能轉換背景下，孵化網絡能夠彌補單一孵化器資源匱乏的局限性，而利用集聚效應廣泛開展網絡化合作，促進科技企業成長，成為推動經濟高質量發展的重要舉措[1]。伴隨這一過程，全國各地涌現出中關村、天津創業服務中心等典型孵化網絡。但其蓬勃發展的背后也存在諸多問題，尤其是入孵企業居高不下的死亡率和過低的成長率。數據顯示，我國每100家創業企業中只有20～30家可以存活1年，能持續經營3年以上的不超過10家。究其原因在于，風險傳播是重要影響因素[2]。所謂孵化網絡風險傳播，是指由于孵化網絡成員企業間具有錯綜復雜的合作關系，當其中一個或少數幾個科技企業產生風險之后，就會借助孵化網絡觸發合作企業的潛在風險，這種風險相互觸發的行為持續下去，便構成網絡風險傳播[3]。伴隨著風險在網絡中的傳播，這類新創科技企業往往無法抵御風險而孵化失敗，同樣也給孵化網絡帶來較大的不確定性。

風險傳播影響程度很大一部分由孵化器、科技企業及相關主體間形成的網絡結構決定[4]。為有效預防孵化網絡風險傳播發生概率，最大程度上減少由于風險傳播對孵化網絡健康水平的影響，本文對孵化網絡結構、風險傳播與孵化網絡最終健康水平間關系進行探究，揭示網絡中的風險傳播規律，提出提升孵化網絡健康水平的對策。

網絡結構與風險傳播關系研究最早始于Allen & Gale等[5]對網絡連通性的探索，認為稀疏網絡更有助于風險傳播。但Blume 等[6]卻提出緊密網絡結構會對風險傳播起到放大器作用，并帶來“多米諾骨牌”傳染效應；Gai 等[7]借鑒傳染相變理論，將上述結論概括為網絡風險傳播“穩健且脆弱”的性質。伴隨著研究的不斷深入，實體網絡結構特征備受關注。Gaccioli 等[8]提出，具有無標度特征的金融網絡對沖擊具有更好的彈性，其感染率高于隨機網絡；李永奎、周宗放[9]基于企業關聯網絡進行仿真模擬，提出小世界網絡特性有助于節點之間相互分擔風險，從而使風險傳播具有延遲效應；沈麗等[10]發現，我國地方金融風險空間關聯網絡屬于典型的無標度網絡，并同時具備“小世界特征”。在網絡結構中，度數中心性指標提升可有效降低風險傳播概率。王子豐、周曄[11]借助網絡結構中的簇系數、網絡密度、小世界效應等指標分析中美上市銀行高維網絡風險傳播路徑。上述研究為考察風險傳播與網絡結構關系提供了基礎性理論視角，但鮮有學者將研究領域拓展至孵化網絡范疇，也未能將孵化網絡結構、風險傳播納入同一解釋框架，更缺乏對特定情境下(如結構可視化與初始健康分布)相關影響作用的分析。

在網絡健康方面，多數研究圍繞現實系統自身健康問題展開。Mageau等[12]率先指出健康是指系統內部處于良好運行狀態、具有自我調節與恢復能力，并能夠維持內部各要素平衡的一種表現形式。此后，學者們對網絡健康內涵進行了補充，強調穩定性、可持續性及維持組織結構是衡量健康的重要標志[13]。上述研究多是借鑒生態系統健康的靜態評價，無法結合具體網絡結構節點的動態演化詮釋不同狀態網絡的健康狀況。

鑒于此，本文借助仿生管理學理念，將“健康”一詞納入網絡狀態研究范疇[14]，通過仿真模擬，探究以孵化網絡結構為載體的網絡風險傳播機理，驗證孵化網絡結構、風險傳播與孵化網絡最終健康水平間關系。同時，分析特定情境(如結構可視化與初始健康分布)對孵化網絡健康水平的影響，可為孵化網絡管理者在決策與組織治理方面提供有益借鑒。

1 理論基礎與研究假設

1.1 理論基礎

1.1.1 孵化網絡結構

孵化網絡結構是孵化系統的網絡化表述方式，其中網絡節點表示孵化器、科技企業及其它創新主體，節點間連邊表示主體之間的合作關系。借助復雜網絡理論，可將孵化網絡分為小世界網絡、無標度網絡和隨機網絡3種結構，并用其表征真實網絡。

伴隨著孵化網絡發展，不斷有新科技企業選擇入駐孵化器以獲取信息、資源、市場等數據，從而導致孵化網絡節點規模持續擴大。由于網絡中各主體的社會資源和網絡地位差異較大，使得新加入企業在尋求合作伙伴時，會優先連接到具有較強品牌聲譽、競爭實力雄厚的核心企業或科研機構，從而呈現出“馬太效應”[15]，并進一步導致孵化網絡中“超級節點”的形成。因此，部分學者認為孵化網絡具有無標度特征[16-17]。此外，部分學者發現，孵化網絡呈現出小世界特征，并能用來解釋現實孵化網絡較短平均路徑長度、較高聚類系數的現象[18]。研究顯示，孵化網絡基于共同目標與利益，通過創新主體間合作，搭建相互聯系的“捷徑”，能夠縮短創新主體間距離、減少信息傳遞障礙，進而縮短網絡平均路徑長度[19]。同時，孵化過程的低成本、高績效等優勢能夠吸引科技企業間保持相對穩定的合作狀態，形成以孵化器為核心并將各創新主體利益捆綁在一起的不同派系，而各類派系內部成員節點的緊密連接則能夠提高孵化網絡集聚水平。鑒于隨機網絡對于孵化網絡而言不易實現，因此本文僅將其作為與其它網絡對比的基準存在[20]。

1.1.2 孵化網絡風險傳播

傳染病動力學為風險傳播研究提供了堅實基礎，本文借鑒風險傳染SIR模型，將孵化網絡中的節點劃分為3種狀態加以描述。其中，S代表易感染狀態、I代表已感染狀態，R表示免疫狀態。一旦易感狀態節點接觸到有風險的節點，便會以確定的感染率(infi)產生風險，隨后又能以特定的恢復率(reci)痊愈，并面臨再次感染風險的可能[21]。

孵化網絡風險既有橫向傳播也有縱向傳播。在同一網絡內部，由于各創新主體間存在利益往來，風險會借助一定載體在成員節點間傳遞，這是風險的橫向傳播[22]；在區域孵化網絡之間，當一個網絡中的節點企業產生風險后，會以特定概率傳遞給所屬孵化子網絡(如投融資子網絡、技術合作子網絡等)，并將風險匯聚至該子網絡所在孵化基地、產業園等孵化網絡，從而形成風險縱向傳播[23]。

1.1.3 孵化網絡健康水平

孵化網絡風險傳播研究采用傳染病動力學方法，在評估結果時，同樣采用仿生原理對孵化網絡演化過程健康狀態加以呈現。健康的孵化網絡一般包括3個特征：一是在網絡內部孵化器、科技企業以及各創新主體間實現資源、信息和知識等的良性互動循環[24]；二是孵化網絡不斷演化，持續獲取競爭優勢，維持多樣化能力并保持開放性[25]；三是孵化網絡具備維持組織正常運行且保持穩定的能力。

孵化網絡健康對環境的微小變化極為敏感，初始條件差異在風險傳播過程中發揮著重要作用。結合醫學研究發現，人體健康水平在某種程度上受到出生狀態的影響[26]，這也解釋了為何健康狀況差的人群更容易感染疾病。Blome & Schoenherr[27]認為，與供應網絡中初始健康水平較好的節點企業相比，健康狀況較差的企業更容易受到負面影響。同理，較高的健康水平也可以擴散到網絡中的關聯節點，使之相互促進與恢復，進而化解風險傳播。鑒于孵化網絡屬于復雜非線性系統，也就意味著不能采用疊加原理加以分析[28]，而應當采用混沌理論中的“蝴蝶效應”[29]進行解讀，即輸入的微小變化可能導致結果的巨大變化。鑒于此，孵化網絡初始健康分布成為研究過程中一個關鍵影響變量。

1.1.4 結構可視化

在以往研究中，可視化被視為衡量企業獲取實時外部信息并快速識別環境變化的能力[30]。一方面，可視化可用來捕獲原料、資金和信息流，并使網絡在既定時間內更加透明，這對于增進企業間資源共享、改進績效尤為重要[31]；另一方面，可視化還可以通過改善合作企業間協調，減少失真的負面影響[32]，促使組織更加敏捷，進而創造出更多戰略價值[33]。

當前，關于可視化的研究主要集中在供應網絡領域，多數學者將可視化作為變量，探討其與運營績效的關系。如Wei & Wang[34]將可視化分為感知、學習、協調和集成4個維度，其中感知可視化直接影響網絡戰略績效，學習可視化、協調可視化和集成可視化對于增強網絡重構性則非常重要；Dubey[35]研究印度制造網絡發現，在網絡風險背景下，可視化水平直接影響網絡主體的洞察能力。因此，提高網絡結構可視化水平有助于促使網絡管理者快速識別并阻隔風險傳播[36]；Lee等[37]探討認為，組織間信息系統可視化水平可對整個網絡產生積極效應，當聯合治理結構到位時，企業潛在風險傳染可得到有效緩解。

上述研究僅展示了可視化變量對網絡績效和網絡風險傳播的重要性，未從孵化網絡健康水平角度探討結構可視化發揮的作用。本文將結構可視化引入孵化網絡風險傳播研究，探討該變量對孵化網絡最終健康水平的影響。

1.2 研究假設

1.2.1 孵化網絡結構與孵化網絡最終健康水平

由于孵化網絡中的風險傳播不僅取決于感染率和恢復率，還取決于孵化網絡節點間的結構連通性[38]。因此，本文對孵化網絡結構與風險傳播間關系進行研究。在具有無標度性質的孵化網絡中，優先鏈接機制決定大部分企業節點對網絡中核心節點企業或科研機構具有高度依賴性。由于資源和信息過度集中，導致孵化網絡中“超級節點”企業承擔著超負荷的資源配置，勢必降低企業創新效率，產生鎖定效應[39]，并間接影響其它節點企業的研發活動。一旦“超級節點”企業因外部風險引發資金鏈斷裂、市場需求變動或關鍵技術研發失敗，就會誘發網絡內關聯企業間的連鎖反應，導致風險在孵化網絡中快速傳播。此外，具有無標度特征的孵化網絡還會通過抑制流行閾值并加速其在網絡中傳播的方式促進傳播[40]。相反，在具有同等規模和平均中心度的小世界網絡中，高聚類系數和短平均路徑導致在孵企業與各類創新主體間形成“小團體”和“橋連接”現象[41]。這就意味著，在孵化網絡中存在局部集聚派系，其內部成員間連通性強、合作密切，而各派系間的信息傳遞需要通過長程連接實現。一旦有節點企業產生風險，首先會對派系內部關聯企業產生影響，進而再傳遞給派系以外企業，由此降低風險在整個網絡中的傳播速度[42]。孵化網絡結構和連通性雖然有助于成員企業實現資源共享、信息傳遞及創新合作，但同時也是形成風險傳播的重要載體，而網絡風險傳播速度決定網絡最終健康水平。據此，本研究提出如下假設：

H1a：與隨機特征相比，具有無標度特征的孵化網絡可加速風險傳播，從而降低孵化網絡最終健康水平；

H1b：與隨機特征相比，具有小世界特征的孵化網絡可降低風險傳播，從而提高孵化網絡最終健康水平。

1.2.2 初始健康分布的調節作用

將孵化網絡節點初始健康分布作為本研究情景變量，當其它條件不變時，連接到健康狀況較差的在孵企業或其它主體可能比連接到一個健康節點產生風險的概率更大。如東三省新能源汽車產業園所面臨的風險沖擊就主要是因為規模小且風險高的企業過多、低風險核心健康企業數量少引起的[43]。同理，健康水平高的企業也會對有聯系的主體產生溢出效應，因為它可以促進支持、協作和恢復，并鼓勵聯合風險識別與化解。在孵化網絡恢復階段，局部的高集聚系數使得小世界網絡比無標度網絡和隨機網絡擁有更多小團體，一旦團體內部有企業感染了風險，其他成員就有可能會被重復傳染，進而降低恢復速度[44]。而相比之下，優先鏈接機制導致無標度網絡中的核心企業擁有較大的訪問量，通過提高自身健康水平就可以帶動與之相關聯的其它節點，使得網絡具有較快的風險恢復速度[45]。因此，在低初始健康分布情景下，無標度特征孵化網絡比隨機網絡或小世界特征網絡恢復速度更快，進而導致更高的孵化網絡最終健康水平。據此，本研究提出如下假設：

H2a：在低初始健康分布下，具有無標度特征的孵化網絡比具有隨機特征的孵化網絡恢復速度更快，進而導致更高的孵化網絡最終健康水平；

H2b：在低初始健康分布下，具有無標度特征的孵化網絡比具有小世界特征的孵化網絡恢復速度更快，從而導致更高的孵化網絡最終健康水平。

1.2.3 結構可視化的調節作用

在探討孵化網絡結構與風險傳播對最終健康水平的影響時，同樣需要將結構可視化情景納入。提高孵化網絡結構可視化，能夠更加深入地了解在孵企業間關系，有利于通過減少關聯企業或關聯項目數量感知風險并抑制傳播[46]。相反，如果一個企業只關注有直接聯系的合作對象，而未能察覺到底層風險源的潛在連鎖反應，由較低可視化帶來的后果不堪設想。諸如2011年溫州信泰眼鏡產業和精益電氣產業所引發的危機，正是因為沒能識別出網絡中一個核心企業在負債規模和經濟波動雙重壓力下的不良業績，從而導致整個網絡出現“雪崩”[47]。無論何種網絡結構，高結構可視化程度對于抑制孵化網絡風險傳播均能起到積極作用。據此，本研究提出如下假設：

H3a：具有高結構可視化水平且表現出無標度網絡特性的孵化網絡，有助于降低網絡風險傳播，從而達到更高的孵化網絡最終健康水平；

H3b：具有高結構可視化水平且表現出小世界網絡特性的孵化網絡，有助于降低網絡風險傳播，從而達到更高的孵化網絡最終健康水平；

H3c：具有高結構可視化水平且表現出隨機網絡特性的孵化網絡，有助于降低網絡風險傳播，從而達到更高的孵化網絡最終健康水平。

2 研究設計與仿真建模

2.1 研究設計

2.1.1 案例選取與數據來源

通過訪問國家科技部網站，在國家級孵化器中選取兩家作為典型案例，驗證研究假設中提出的網絡結構。其中，孵化網絡A屬于綜合孵化器，在孵企業達到779家，業務分布在新能源技術、生物醫藥、集成電路等領域。孵化網絡B則是專業孵化器，入孵的航空企業有182家，主要從事航空零部件生產、新材料研發制造等。

在由兩類孵化器形成的網絡中，運用python軟件獲取在孵企業數量、企業間合作項目、投融資業務、與其他創新主體的互動等關鍵信息。鑒于GEM定義的初創期企業成長周期為40個月，因此將被調研企業時間設置為近3年。通過采集孵化網絡關系數據，分析兩類孵化網絡結構特征，為探討孵化網絡風險傳播規則及變量設置提供真實案例基礎。

2.1.2 網絡圖繪制

通過對孵化網絡A和孵化網絡B的基礎數據進行整理，構建以孵化器、在孵企業和其他創新主體為節點、各成員間合作關系為連邊的鄰接矩陣Xij。其中，Xij代表創新孵化網絡中成員節點i和j的合作關系，若Xij=1，則說明節點i與j具有合作關系；反之，若Xij=0，則說明節點i和節點j不具有合作關系。應用社會網絡分析軟件Gephi9.2對被調研網絡的平均最短路徑、聚類系數進行計算，并繪制網絡結構圖，見圖1和圖2。

圖1 孵化網絡A拓撲結構

圖2 孵化網絡B拓撲結構

2.1.3 網絡結構特征

通過分析得出，孵化網絡B更具有小世界特征，其特點是平均路徑長度較短，但與具有相同數量節點的隨機網絡相比聚類系數更高[18，20]。通過與生成同樣具有182個節點和782條連邊的隨機網絡對比，從平均路徑長度看，小世界樣本平均最短路徑更短(隨機網絡為2.635，小世界網絡樣本為2.591)，但聚類系數明顯更高(隨機網絡為0.042，小世界網絡樣本為0.499)，從而證實孵化網絡B屬于小世界網絡。而孵化網絡A與無標度網絡具有較高的相似性，其網絡中包含779個節點和2 577條連邊。無標度網絡的特點是遵循冪律分布。學者們通常以雙對數(Log-Log)坐標繪制網絡度分布，并使用對數轉換后的數據尋找其線性規律特征[48]。結果表明，孵化網絡A服從冪律分布，雙對數坐標圖呈現出直線形式(見圖3)。

圖3 雙對數坐標系下的度分布

2.2 仿真研究方法

為探尋特定情境下孵化網絡結構、風險傳播對孵化網絡最終健康水平的影響，需要對孵化網絡風險傳播動態過程展開研究。由于孵化網絡中的創新主體具有各自的社會屬性，故無法實現對網絡中多主體的可控性實驗，而實證分析又難以捕獲網絡成員多主體交互行為，缺乏對每個實體的異質性反饋。此外，孵化網絡結構演化及風險傳播相關時間序列數據在現實中往往不能準確獲取，這使得實證研究難以深入探尋孵化網絡結構、風險傳播對孵化網絡最終健康水平的影響，從而無法構建特定情境下孵化網絡結構、風險傳播與孵化網絡最終健康水平的完整分析框架。鑒于此，本文采用仿真模擬[49]對特定情境下不同孵化網絡結構的風險傳播動態過程進行仿真研究。

2.3 風險傳播機制

孵化網絡成員間的互動行為較為復雜，本文盡可能從現實案例中提取有價值的信息，最大程度上還原真實情景。根據SIR模型建立風險傳播機制，設置參數取值區間，最終借助Netlogo軟件進行多Agent仿真。本文主要從以下3個方面構建孵化網絡風險傳播機制。

2.3.1 孵化網絡風險傳播的基本規則

假定在孵化網絡中s(t)、i(t)、r(t)分別為時刻t的易感節點、感染節點和免疫節點占據整個網絡規模的比例，則有s(t)+i(t)+r(t)≡1。SIR微分方程描述如式(1)所示。

(1)

其中，β為一個易感個體在單位時間內與感染個體接觸并被傳染的概率；γ為感染節點恢復到易感節點的概率。根據(1)中第一式和第三式，可得：

(2)

兩邊積分，得到：

s=s0e-βr/γ，s0=s(0)

(3)

將i=1-s-r代入式(1)并利用式(3)，可得：

(4)

其解可以用如下積分表示，見公式(5)。

(5)

雖然這一積分并不存在顯示解，但可以借助數值計算展示隨時間推移的網絡風險演化特征。假定t=0時，孵化網絡中各成員節點被隨機分配到3種狀態，即健康狀態(m1)、中等狀態(m2)、差的狀態(m3)，每種狀態下初始節點網絡規模占比均由初始健康分布決定(Hm1-m2-m3)，每個節點都有相應的感染率β和恢復率γ。

2.3.2 基于可視化影響的感染率與恢復率函數

結構可視化程度能對風險傳播中感染率和恢復率產生指數效應[46]，可用來反映可視化對感染率減少和恢復率增加呈現出指數變化的趨勢，有助于孵化網絡減少風險傳播并改善健康狀態。結構可視化影響下的感染率β'和恢復率γ'函數式如下：

βi'=βi×e-φ·visi,γ'=γi×(1-e-φ·visi)

(6)

其中，βi代表感染率，γi代表恢復率，φ代表影響感染(恢復)水平的增長率或衰變率的常數(一般取值為2)[46]，visi代表結構可視化程度。結合前文所提假設，即無論孵化網絡結構表現為隨機特征、小世界或無標度特征，結構可視化都將顯著改善或維持孵化網絡的最終健康水平。

2.3.3 孵化網絡節點健康狀態轉換規則

在孵化網絡中給每個節點引入一組相鄰節點，這些節點隨后的健康狀況取決于與它們互動的每一個相鄰節點的健康水平，由此反映出合作主體間的交互規則有助于控制孵化網絡將來的健康狀態。因此，對在孵企業或創新主體節點賦予pij，表示從當前狀態i過渡到狀態j的轉移概率，不難發現在孵化網絡中最終健康狀態水平不僅取決于結構可視化影響下的感染率函數βi'和恢復率函數γi'，同時也依賴于相鄰節點的健康狀態。

孵化網絡節點在每一個時間步長中具有從當前狀態i轉換為狀態j的唯一概率。目前，處于好的健康狀態的節點企業可以保持同一狀態，繼而過渡到中等狀態，或過渡到差的狀態。每種狀態都有一定的轉移概率。以此類推，處于中等或差狀態的節點在3種狀態中存在一定概率，由此產生的過程如圖4所示。

圖4 孵化網絡節點健康狀態轉移過程

圖4說明，在孵化網絡中，節點從好的狀態m1轉變到中等狀態m2、或中等狀態m2變為好的狀態m1，這兩種狀態轉換相差一步。同理，還有從好的狀態m2轉變到中等狀態m3、或從中等狀態m3轉變為好的狀態m2的過程。因此，圖中實線箭頭表明相鄰狀態間僅僅相差一步距離。但是，從好的狀態m1到差的狀態m3，或者從差的狀態m3變為好的狀態m1中間過程相差兩步，于是在圖3中用虛線箭頭表示不相鄰兩種狀態間的切換。而圖5則從另外一個側面說明核心節點(在孵企業或創新主體)與相鄰節點的健康狀態變化情況。

如圖5所示，孵化網絡中核心節點(在孵企業或創新主體)與相鄰節點主體間的狀態變化呈現出3種情況：①圖5(a)表示核心節點從好的狀態m1變為中等狀態m2，網絡中節點健康水平下降；②圖5(b)表示核心節點維持在好的狀態m1，網絡中節點健康水平不變；③圖5(c)表示核心節點從差的狀態m3變為中等狀態m2，網絡中節點健康水平提高。

圖5 核心節點與相鄰節點健康狀態變化

結合圖4和圖5可以推導出孵化網絡中節點企業的健康轉移概率pij為：

pij=θiωi[1+(∑j≠ipj/∑jpj)]?i,j∈(m1,m3)

(7)

pij=θiωi[1+(pj/∑jpj)]?i,j∈m2

(8)

結合式(7)和式(8)看，節點i和j之間狀態的轉移概率pij取決于3個因素：考慮結構可視化影響的感染率函數β'或恢復率函數γ'的取值，θi、節點間狀態相差的步長ωi、處于與節點j健康狀態相同節點數量占全部網絡規模的比值pj。

θi取值主要取決于節點i和j所處的狀態，當節點j狀態比節點i差時，θi的取值為β'，反之則為恢復率γ'。ωi取值取決于當節點j狀態與節點i相差一步時，ωi=1；反之當節點j狀態與節點i相差兩步時，ωi=0.5。風險傳染結束，當孵化網絡趨于穩定狀態后，可采用公式(9)衡量孵化網絡的最終健康水平變化率(H)。

(9)

其中，L1表示在初始0時刻，孵化網絡中狀態好的企業(或其他創新主體)數量；L1'表示網絡趨于穩定狀態后，狀態好的企業(或其他創新主體)數量；L2表示在初始0時刻，孵化網絡中等狀態企業(或其他創新主體)數量；L3表示孵化網絡中狀態差的企業(或其他創新主體)數量。假定在風險傳播過程中，孵化網絡中在孵企業或創新主體不會退出網絡，其最終健康水平僅在3種狀態間進行切換，所以孵化網絡規模將始終保持恒定。

2.4 參數設置

2.4.1 風險傳播周期設定

從較為長遠的時間段看，孵化網絡特征參數也會隨之變化。本文重點關注不同健康狀態節點分布形成的短期風險傳播。因此，規定仿真周期T=40個時間間隔，以與現實中的創業企業成長期保持一致。

2.4.2 網絡規模設定

孵化網絡規模是指網絡內參與企業孵化的所有創新主體的數量。通過對中國內地29個省市國家級孵化網絡規模實際數據進行整理發現，孵化網絡帶有明顯的地域性特征，剔除最大值和最小值后，其余各省市網絡節點數量分布均在100～1 000之間[50]。

孵化網絡平均節點度是指對網絡中各節點中心度進行平均，以反映整體網絡中創新主體與外界聯系的緊密程度，全國各省份孵化網絡最大平均度值結果接近于5[50]。因此，為使仿真結果與真實網絡演化情況高度相似，對參數取值區間進行設置并取整，見表1。

表1 孵化網絡結構仿真參數

2.4.3 風險傳播參數設定

由于孵化網絡中各類主體關系沒有金融網絡密切，導致其傳染率和恢復率也都低于金融網絡中的參數取值[51]。這是因為，網絡越密集越有利于成員間相互交流和信息傳播，被風險感染的個體比例也越高，從而越會加速風險傳播概率[52]。同理，當網絡處于恢復階段時，成員間緊密的合作共享也會促使網絡整體具有較高的恢復率。因此，本文將兩者取值設定在不高于0.25范圍之內。與此同時，借鑒Barthélemy 等[40]對網絡主體健康狀態變化趨勢的研究，分配給孵化網絡中每種初始健康狀態成員節點(好、中、差)所占百分比及結構可視化程度見表2。

表2 孵化網絡風險傳播仿真參數

2.5 仿真設計有效性控制

為保證仿真結果的有效性，本文采用全因子實驗設計路線，共包含9個仿真參數。其中，網絡規模、網絡類型、連接概率、結構可視化、感染率、恢復率分別有3種取值，平均度有5種取值，仿真周期有1種取值，初始健康分布有6種取值。因此，共需要運行3×3×3×3×3×3×5×1×6=21 870次仿真，且所有仿真均在NetLogo環境中實現。在每次仿真過程中，如果孵化網絡中有95%以上節點都處于均衡狀態，則孵化網絡處于均衡狀態，此時仿真停止運行。

3 仿真結果統計分析

3.1 仿真結果

時間步長T=40，圖6為不同網絡結構進行仿真后的孵化節點狀態差異分布。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；圖6(a)為隨機網絡、圖6(b)為小世界網絡、圖6(c)為無標度網絡。

圖7為在特定初始健康及可視化水平下3種網絡結構中的風險傳播。其中，圖7(a)為隨機網絡、圖7(b)為小世界網絡、圖7(c)為無標度網絡。從圖6和圖7可見，在高結構可視化程度下，3種網絡結構中健康節點數量均呈增長趨勢。

圖6 某次仿真結果：3種網絡結構形態

圖7 某一情境下的仿真結果：3種網絡結構下的風險傳播

3.2 仿真回歸結果分析

從近期研究看，學者們正在嘗試以仿真模擬數據作為基礎，運用統計回歸分析探究多種變量(因素)間的交互作用。這種新興研究范式的合理性和有效性日益被國內外學者接納，并廣泛應用于管理學科各個領域[53-54]。因此，本文通過多次模擬迭代消除多主體行為隨機性可能產生的偏差，以大樣本量(21 870條)仿真結果作為數據來源，對整體模型進行多元回歸分析，探討變量間關系，進一步驗證研究假設。

3.2.1 相關性分析

從相關性檢驗結果可以看出，各變量間的相關系數不高，初步證明多重共線性問題不明顯(見表3)。多重共線性檢驗結果發現，各項間方差膨脹因子遠小于10，因此可以排除多重共線性問題。

表3 變量相關系數

3.2.2 回歸分析

(1)回歸模型1驗證網絡結構對風險傳播與孵化網絡最終健康水平的影響。結果表明，與隨機特征相比，具有無標度網絡結構的孵化網絡對最終健康水平具有顯著負向影響(p<0.001)。相反，與隨機特征相比，具有小世界網絡結構的孵化網絡對最終健康水平具有顯著正向影響(p<0.001)。因此，假設H1a與H1b得到驗證(見表4)。

(2)回歸模型2驗證網絡類型和初始健康分布的交互效應。結果表明，在低初始健康水平下，具有無標度性質的孵化網絡在健康狀態m2和m3水平上均比隨機網絡系數值大，表明無標度網絡比隨機網絡更有利于恢復網絡健康，系數為正說明呈顯著正向影響(p<0.001)。此外，具有無標度特征的孵化網絡在健康狀態m2和m3水平上比小世界網絡的系數值大，說明無標度網絡比小世界網絡擁有更快的恢復速度，其系數值均為正說明呈顯著正向影響(p<0.001)。因此，假設 H2a、H2b得到驗證(見表4)。

(3)回歸模型3驗證網絡類型和可視化程度間的交互影響。結果發現，變量間相互作用顯著。在高可視化水平下，具有隨機特征的孵化網絡能夠降低風險，對最終健康水平產生顯著正向影響，尤其是可視化取值為0.5和0.75進行對比發現，可視化程度越高，對最終健康水平的影響越顯著。同樣，在高可視化水平下，小世界特征和無標度特征孵化網絡同樣都能夠降低風險，對最終健康水平產生顯著正向影響。在可視化取值為0.5和0.75兩種條件下，可視化程度越高，對最終健康水平的影響也越顯著。上述結果表明，無論網絡結構類型如何，只有提高可視化水平才能降低網絡風險傳播，提高孵化網絡結構可視化水平是有效識別和降低風險的重要免疫措施。因此，假設 H3a、H3b、H3c得到驗證(見表4)。

表4 主效應與調節效應顯著性檢驗結果

4 結語

4.1 研究結論

本文以陜西省兩類國家級孵化器形成的實際網絡為研究對象，通過分析其網絡結構特征，根據SIR模型設立風險傳播規則，設置符合孵化網絡實際特征的參數取值區間，運用統計分析方法對篩選的仿真結果數據進行回歸分析，得出孵化網絡結構、風險傳播及特定情境交互項對孵化網絡最終健康水平的影響機理。結果發現：孵化網絡結構、風險傳播與網絡最終健康間具有顯著相關性；當感染率高于恢復率時，與隨機網絡相比，無標度網絡會加快風險傳播，小世界網絡則會降低風險傳播；在低初始健康分布情景下，感染率低于恢復率，無標度網絡具有更快的恢復速度；在不同網絡結構下，可視化水平均有助于提升孵化網絡風險緩解能力。

4.2 實踐啟示

(1)關注孵化網絡結構特性。專業孵化器網絡具備小世界特征，因此可通過適當控制企業間交流頻率、增強高集聚水平企業實力，進而提升網絡風險恢復速度，降低網絡風險傳播速度；綜合孵化網絡具有無標度特征，且網絡中存在“超級節點”。因此，在帶動網絡成員發展的同時極易形成風險傳播源，需要重點扶持和保護這類具有較大影響力的核心企業，對這類企業建立風險預警機制或風險阻隔機制，限制其風險傳播范圍，發揮示范作用，帶動關聯企業健康運行，從而實現整個孵化網絡的健康運行。

(2)改善孵化網絡初始化健康分布。在孵節點企業初始健康分布不合理，將會加快網絡風險傳播速度。因此，對在孵企業進行篩選和評估非常重要。過多低健康、高風險企業節點的出現不僅導致企業自身孵化過程存在風險，還會影響相關孵化企業的存活率和成功率，甚至產生連片孵化失敗的結果。所以,不能盲目追求孵化企業數量，而應該對初始健康水平較差的企業加以限制，將其設置在可控范圍內，從而降低整個孵化網絡風險傳播效率；另外，還應合理配置初始健康水平較高、風險較低的企業，擴散其正面溢出效應，對周邊在孵企業節點產生正向引導作用，降低孵化網絡風險傳播效率。

(3)提升孵化網絡可視化程度。構建基于互聯網的大數據平臺，加強孵化器管理者對網絡結構可視化水平的關注度，引導成員企業與服務能力強、社會聲譽好、技術先進的合作方建立聯系。通過數據挖掘搜集可視化節點企業間供需專業數據，建立基于數據驅動的“監控—評估—預警—應對”可視化鏈式網絡治理機制，及時發現風險預兆并實時作出預警，提高企業孵化成功率。

(4)構建整體孵化網絡健康水平評估體系。在網絡治理方面，應更多關注績效與單個節點企業的孵化問題，而對于整個網絡風險傳播問題的關注應該建立整體孵化網絡健康水平監控體系。當整個網絡出現大范圍風險傳播時，單個節點無法通過自身治理解決外部風險沖擊問題，需要整個孵化網絡平臺加以干預，阻止風險蔓延與擴散，保證在孵企業安全。這種干預可能與單個企業績效存在短期矛盾，但在大范圍風險傳播過程中，在孵企業的安全與存活應擺在首位。

4.3 不足與展望

本研究尚存在一些不足：根據孵化網絡特征構建網絡模型，并依據流行病傳播理論進行仿真實驗，在實驗過程進行適度簡化，尚未對風險種類進行細分，也未詮釋孵化網絡結構對不同類型風險傳播影響的差異；缺乏對孵化網絡結構可視化程度差異的案例佐證，未識別風險并確定其傳播的潛在規律。因此，未來應從上述幾個方面進行深入研究。