风险投资影响因素的统计分析及对中国的启示

朱永贵

（中国人民大学 财政金融学院，北京 100872）

风险投资影响因素的统计分析及对中国的启示

朱永贵

（中国人民大学 财政金融学院，北京 100872）

风险投资的研究内容十分广泛，它包括风险投资的概念、性质、特点、资金来源与投资形式、投资风险、资产组合方法与委托～代理关系、组织模式、退出机制等问题。目前为止有一些经济学家就影响风险投资的因素进行过分析。选取了美国1997～2011年七个因素的相关数据统计，通过因素分析法进行相应的数理统计分析，得出七个因素对风险投资影响程度，并针对实证结论提出对我国风险投资发展与进步的有效建议。

风险投资；知识投入；专利数量；长期利率

0 引言

风险投资作为一门重要的学术研究领域其研究内容十分广泛，它包括风险资的概念、性质、特点、资金来源与投资形式、投资风险、资产组合方法与委托-代理关系、组织模式、退出机制等问题。本文的研究目的在于运用一个理论模型来进行风险投资影响因素的分析，该模型包括了风险投资供给方以及需求方的影响因素。这些影响因素包括GDP，短期利率以及长期利率，技术机会（包括国内研发经费的投入，知识投入以及专利数量）以及就业率；该模型分析的数据来源于美国1997～2011年的相关数据。研究的结果知识投入，GDP，专利数量以及就业率这四个因素与风险投资正相关，对风险投资有促进作用；长期利率，短期利率以及国内研发经费的投入与风险投资负相关。

1 样本的选取及选取依据

本文选取的样本为美国1997～2011年的相关数据。由于部分统计科目的数据收集存在一定的困难或者缺乏相应科目的数据统计或是由于数据不全面，在以下的分析中将选取7个因素来进行分析，它们分别是：

国内生产总值（GDP）、短期利率（用联邦纽约银行贴现率来表示）、长期利率（用10年期利率来表示）、国内研发经费的投入（R&D）、专利数量、知识投入、就业率。

表1显示了美国自1997～2011年的相关数据，其中：

Y：风险投资金额，单位：亿美元（数据来源：EVCA and OECD）。X1：GDP（单位：亿美元）；X2：国内研发经费的投入（以占GDP的百分比来统计，单位：%）；X3：专利数量；X4：知识投入（以占GDP的百分比来统计,单位：%）；X5：美联邦纽约银行贴现率（单位：%）；X6：长期利率（10年期利率，单位：%）；X7：就业率（单位：%）。

表1 美国1997～2011年相关统计数据

2 风险投资及其影响因素的实证研究

从表1中可以看出这七组数据统计单位各不相同，有的是以亿美元为统计单位，而有的则是以%为统计单位。如果直接用这样的数据进行分析，势必会存在一些问题。因此，在做相关分析之前，先进行统计数据描述，如表所2所示。

表2 统计数据描述

其中N表示统计数据的个数，即1997～2011年的统计数据共有15个；Minimum表示该项统计数据的最小值；Maximum表示该项统计数据的最大值；Mean表示该项统计数据的平均值；Std.Deviation表示该项统计数据的标准差。

通过SPSS工具分析这七个因素与风险投资之间的相关性，结果可以看出风险投资与GDP的相关系数是：0.987，并且sig值为0能通过残差检验（sig＜0.05即表示能通过残差检验，只有通过残差检验才能说明Pearson检验结果是成立的）这说明风险投资与GDP确实存在着显著的正相关关系。风险投资与国内研发经费的投入之间的相关系数为：0.457，但是由于残差值sig为0.086，不能通过残差检验，所以风险投资与国内研发经费的投入之间不存在相关关系。风险投资与专利数量之间的相关系数为：0.958，并且残差值sig为0，可以通过残差检验，这说明风险投资与专利数量之间存在着显著的正相关关系。风险投资与知识投入之间的相关系数为：0.972，残差值sig为0，能通过残差检验。表明了风险投资与知识投入之间存在着显著的正相关关系。风险投资与短期利率之间的相关系数为：-0.378，残差值sig为0.164（＞0.05），不能通过残差检验，所以风险投资与短期利率之间不存在着负相关关系。风险投资与长期利率之间的相关系数为：-0.887，残差值sig为0，能通过残差检验，这说明风险投资与长期利率之间确实存在着负相关关系，而且这是一种显著的负相关关系。风险投资与就业率之间的相关系数为0.332，残差值sig为0.226（＞0.05），不能通过残差检验，这说明风险投资与就业率之间不存在着正相关关系。

总结一下风险投资与GDP，专利数量以及知识投入这三个因素之间存在着显著的正相关关系，而与长期利率之间存在着显著的负相关关系。

在这里我们为了最大限度得避免这七个因素之间的自相关以及共线性的问题，采用因素分析的方法。

表3 因素分析初始结果

基于因素分析的初始结果显示，根据主成分分析法所得到的7个特征值，是因素分析的初始解，通过这7个初始解以及对应的特征向量，我们可以算出因素载荷矩阵。因为因素变量能够解释每个原始变量的所有方差都，所以原始变量的共同度都是1。通过第三列所计算出的变量共同度，并根据最终提取的m个特征值和对应的特征向量，我们能够计算出因素载荷矩阵。此时由于原始变量个数多与因素变量，那么每个变量的共同度一定是小于1的。比如第一行中0.988，就说明m个因素变量能够解释掉原变量“GDP”方差的98.8%。

从总方差分解结果可以看出，如果采用如将这七个因素分为一类Cumulative的值为：59.408%，这个时候进行因素分析效果是不好的；如将这七个因素分为两类Cumulative的值为：82.325%，应该说这个时候采用因素分析法是有效的；如将这七个因素分为三类则Cumulative的值为：96.944%，这个时候进行因素分析应该说效果是最好的；由此可见将这七个因素分为三类是最佳的选择。

图1 公共因素碎石图

图1的横坐标为公共因素数量，纵坐标为公共因素的特征值。可见前面3个公共因素，特征值变化非常明显，到4个特征值以后，特征值变化趋于平稳。因此说明提取3个公共因素可以对原变量的信息描述有显著作用。这一点从前面的表格中也可以看出来。

从因素载荷矩阵中可以看出第一个因素中的GDP,专利数量,知识投入与风险投资比较相关。第二个因素中的：就业率以及短期利率与风险投资比较相关。第三个因素中的：国内研发经费的投入与风险投资比较相关。

表4 旋转后的因素载荷矩阵

该表格所得到的结果是按照之前设定的方差极大法对因素载荷矩阵旋转后而得出。在没有通过旋转的载荷矩阵中，在许多变量上因素变量都会存在比较高的载荷。其含义自然较模糊。

经过旋转以后，第一个因素变量含义略加清楚，基本上反映了“GDP”、“专利数量”、“知识投入”和“长期利率”这几个因素。

第二个因素基本上反映了“短期利率”和“就业率”这两个因素。

第三个因素基本上反映了“国内研发经费的投入”这一个因素。

该表格是因素转换矩阵，表明了因素提取的方法是主成分分析，旋转的方法是方差极大法。

表5 因素转换矩阵

从这个表格中可以看出因素1与因素2之间的相关系数是-0.021，表明之间没有显著相关性；因素1与因素3之间的相关系数是-0.148，表明之间没有显著相关性。

因素2与因素1之间的相关系数是-0.032，表明之间没有显著相关性；因素2与因素3之间为-0.346，表明之间没有显著相关性。

因素3与因素1之间系数为0.146，表明之间没有显著相关性；因素3与因素2之间系数为0.346，表明之间没有显著相关性。

表6 因素得分矩阵

该表格是因素得分矩阵。这是根据回归算法计算出来的因素得分函数的系数，根据这个表格可以得到下面的因素得分函数：

第一个因素Factor 1=0.24×GDP-0.025×国内研发经费的投入+0.209×专利数量+0.253×知识投入-0.137×短期利率-0.247×长期利率+0.107×就业率；

第二个因素Factor 2=0.027×GDP-0.108×国内研发经费的投入+0.045×专利数量+0.109×知识投入+0.447×短期利率+0.057×长期利率+0.654×就业率；

第三个因素Factor 3=-0.014×GDP+0.941×国内研发经费的投入+0.151×专利数量-0.122×知识投入+0.222×短期利率+0.179×长期利率-0.289×就业率。

经过如上计算，就可以分别得到三个因素的值见表7。

表7 各因素年度数据计算表

表8 因素变量的协方差矩阵

表8是因素变量的协方差矩阵。通过前文的分析，获得的因素变量应该是正交且不相关的。以这个协方差矩阵来看，不同因素之间的数据是0，所以这也证明三个因素变量之间不存在相关性。

对以上三个因素做回归分析。再次强调这样做的目的是最大限度的避免共线性和自相关。

表9 引入或从回归方程中被剔出的变量

表9是被引入或从回归方程中被剔出的各变量。这部分结果说明在对编号为1的模型的当中（Model 1）进行线性回归分析时所采用的方法是全部引入法：Enter。

从上面的表格中可以看出参与回归的是因素1和因素3。回归模型拒绝了因素2，对因素1和因素3进行回归分析。

表10 模型总结

表10中R=0.987，这一指标说明模型与实际情况之间的拟合度，数值＞0.6就表明拟合度强；判定系数R-Square=0.974；调整判定系数Adjusted R Square=0.970，这一指标也说明模型与实际情况之间的拟合度，数值＞0.6就表明拟合度强；回归估计的标准误差S=11.24122。这些都说明了样本回归方程的代表性强。

从上方差分析结果看出，统计量F=228.963；残差值sig=0＜0.05，说明能通过F检验，自变量x与因变量y之间确实存在线性回归关系。Sum of Squares一栏中分别代表回归平方和（87865.935）、残差平方和（1516.381）以及总平方和（59382.316），Df为自由度。

从回归系数分析中，Unstandardized Coefficients为非标准化系数，Standardized Coefficients为标准化系数，t为回归系数检验统计量，sig为参差值。根据估计值及其检验结果来看，常数项=-180.946，回归系数1=0.012，回归系数2=-0.002，回归系数1检验统计量t=8.464，残差值sig=0＜0.05,说明回归系数1与0有显著差别，该回归模型包含因素1；回归系数2检验统计量t=-0.074，残差值sig=0.942＞0.05，所以该项回归系数不能通过t检验，该回归模型要剔除因素3。

综合上面的分析可以得到回归模型：

Y=-180.946+0.012×因素1（为非标准化的回归模型）

Y=0.995×因素1（标准化的回归模型）

根据前面提到的因素得分矩阵，因素1可表示为如下函数：

第一个因素Factor 1=0.24×GDP-0.025×国内研发经费的投入+0.209×专利数量+0.253×知识投入-0.137×短期利率-0.247×长期利率+0.107×就业率，可将因素1代入上述回归模型。

Y=-180.946+0.00288×GDP-0.0003×国内研发经费的投入+0.002508×专利数量+0.003036×知识投入-0.001644×短期利率-0.002964×长期利率+0.001284×就业率 （为非标准化的回归模型）

Y=0.2388×GDP-0.024875×国内研发经费的投入+0.207955×专利数量+0.251735×知识投入-0.136315×短期利率-0.245765×长期利率+0.106465×就业率。（标准化的回归模型）

表11 回归模型剔出变量

表11表示进入回归模型开始就剔出了因素2。

GDP,专利数量,知识投入对风险投资有促进作用，其中知识投入的促进作用最大。长期利率与风险投资负相关。国内研发经费的投入与风险投资的关系最小。

3 实证分析结论及对我国启示

3.1 实证结论

从标准化的回归模型（标准化与非标准化的回归模型都是等价的，选择任意一个作为分析的依据都不会影响最终分析的结果）可以比较清楚的看到七个因素对风险投资的影响程度是不一样的，按照影响程度的正负相关性分：知识投入，GDP，专利数量以及就业率这四个因素与风险投资正相关，对风险投资有促进作用；长期利率，短期利率以及国内研发经费的投入与风险投资负相关。

这里需要说明的是经过模型计算结果国内研发经费的投入与风险投资呈现不显著的负相关的关系，这个结果与传统意义上的理解和认识是有一定偏差的。之所以存在这种偏差原因可能在于在做实证分析的时候没有区分模型所用到的这里统计的国内研发经费的投入笼统概括了所有的国内研发经费的投入而没有区分那些研发经费的投入是来自于风险投资，由于相关数据在收集以及整理方面存在一定的困难，暂时不能做相应的回归分析，这也是本文的局限性之一。

根据以上的排序依据，按照影响程度的绝对大小从高到低排列分别是：知识投入，长期利率，GDP，专利数量，短期利率，就业率以及国内研发经费的投入。

3.2 中国发展风险投资业的经验借鉴及启示

前面的模型结论部分提到了七个影响因素按照影响程度的绝对大小从高到低排列分别是：知识投入，长期利率，GDP，专利数量，短期利率，就业率以及国内研发经费的投入。这里我们针对有重要影响的因素提出政策建议。大力促进这些有重要影响作用的因素有助于促进风险投资业的发展。

⑴加大知识投入的力度。

借鉴美国知识投入经验，加大我国知识投入，为风险投资业的发展提供坚实的物质基础。为了刺激风险投资的发展，必须在科技研发政策和科研经费的投入方面予以有力的支持，积极鼓励高等院校和科研机构的科技研发活动、创业活动、企业的技术创新活动以及企业与高等院校以及科研机构之间的密切合作，努力为风险投资开辟一个选择技术资源的广阔空间，打下坚实的物质基础。

⑵维护长期稳定的宏观经济环境。

目前我国宏观经济保持持续增长，为发展风险投资业提供有利的宏观经济环境。关于经济是否过热的争论有助于宏观调控政策在防通胀还是防通缩之间寻找平衡。积极财政货币政策的转向和稳健货币政策的继续实施，以及稳定的人民币汇率政策和国际经济的加快复苏步伐，都是中国经济继续保持增长的有力保证，这也为风险投资业在我国的发展营造了有利的宏观环境。

⑶加强对知识产权的保护。

一方面，通过产权交易市场为那些尚未到达上市要求的风险企业提供股份转让的场所，使其股票具有一定的流动性，以实现当前一部分风险资本的退出，也可以为风险企业将来在创业板市场直接上市降低风险；另一方面，利用技术交易市场使那些实力相对较弱而又急于变现的风险投资公司的科研成果能够采取技术转让方式，取得转让费用，从而收回原始投资。发展技术产权交易市场是迅速形成风险投资市场基础和市场机制的有效途径之一。

⑷建立相应的低长期利率配套措施。

长期利率水平会影响风险投资的供给。如果长期利率水平升高，普通投资者会转向风险相对较低的替代金融资产，从而降低投资者介入风险资本的意愿，减少风险资本的供给；反之，则将增加风险资本的供给。有鉴于此，为了刺激我国风险投资业的发展，应采用相应的长期利率配套措施，这里也就是指低长期利率的策略。

[1]饶卫,闵宗陶.基于KMRW模型的我国高科技风险投资博弈分析[J].统计与决策,2011,(18).

[2]李武.创业型企业与风险投资合作机制的博弈分析[J].科技进步与对策,2012,(7).

[3]喜济峰,郭立宏.风险投资促进技术创新的动力机制和效应分析[J].科学管理研究,2012,(1).

[4]郑君君,韩笑.基于风险投资的IPO统一价格拍卖定价机制及抑价研究[J].武汉大学学报(哲学社会科学版),2011,(2).

[5]Government Support for Venture Capital[J].Forum,2002,(5).

[6]New Report Calls for Reforms to Maintain Venture Capital Investment in China.Ernst&Young Certified Public Accounts[Z].2005.

[7]张格亮,李昕.美国风险投资的发展历程与启示[J].牡丹江大学学报,2012,(1).

F224.9

A

1002-6487（2013）04-0160-04

朱永贵（1971-），男，四川自贡人，博士研究生，副教授，研究方向：风险投资与证券投资。

（责任编辑/浩 天）