风险投资企业关系嵌入与投资绩效——一个三阶交互模型

倪艳霞（博士）

一、引言

关系嵌入是风险投资企业（Venture Capital Firms，VCFs）在高不确定性、高失败率和高信息不对称的投资行业的重要战略选择[1]。随着我国经济的高速发展以及“双创战略”的实施，VCFs在发展战略性新兴产业、促进产业结构升级、建设创新型国家等方面发挥了重要作用[2]，VCFs的投资绩效也备受理论界和实践界的关注。关系嵌入作为VCFs的重要外部知识来源，对投资绩效有重要影响。但由前人研究可知，关系嵌入与组织绩效之间的关系尚未有统一定论，即存在“关系嵌入悖论”[3]。

VCFs丰富的投资经验有利于寻找有潜力的创业企业、提供优质的增值服务[4]，是企业重要的内部知识来源。网络密度作为VCFs重要的网络属性和情境因素，也会影响企业资源的获得[5]。虽然有学者从不同情境因素出发，探讨了关系嵌入对投资绩效的作用机制[6-8]，但现有研究鲜少从投资经验、网络密度及其关系切入，对其在关系嵌入与投资绩效间的调节效应进行剖析，这使得投资网络中VCFs关系嵌入与投资绩效间的复杂关系难以得到充分解释。基于此，本文以我国VCFs为研究对象，在分析关系嵌入与投资绩效关系的基础上，对在不同投资经验、网络密度及其交互作用的影响下，关系嵌入与投资绩效之间关系的变化进行深入研究。

本文的贡献在于：第一，以我国VCFs为研究对象，丰富了新兴市场风险投资的研究体系，对现有研究形成补充；第二，在研究设计上，不仅采用独立样本T检验和独立样本非参数Mann-Whitney U检验分别对低投资绩效和高投资绩效两组子样本的均值和中位数差异进行检验，而且采用能有效解决大样本中异方差问题的广义最小二乘法（FGLS）；第三，进一步对样本的内生性和稳健性问题进行探讨，极大避免了不可观测因素和模型设定所带来的估计偏误，保证了研究结论的科学性和可靠性。

二、理论基础与研究假设

（一）关系嵌入与投资绩效

关系嵌入关注的是以直接联结为纽带的二元交易问题，即直接交易双方之间互相理解、信任和承诺的程度[9]。Granovetter[10]将企业间的联盟关系划分为强关系和弱关系，用以表征合作伙伴间关系的紧密程度，从而反映从合作伙伴处获得资源的难易程度和多寡程度。

较强的VCFs战略联盟关系能有效提升投资绩效的原因如下：第一，VCFs间高度的关系嵌入意味着双方之间的高度信任，能够促进合作双方复杂知识与信息的共享、沟通和交流[11]，提高VCFs成功退出创业企业的概率；第二，随着VCFs关系嵌入程度的加深，合作双方信息共享的程度增大，更有利于彼此间资源、信息、知识的转移，尤其是隐性知识和复杂知识的转移、转化[12]，合作双方也更有可能相互激励、鼓励和推动投资活动的开展，从而提高投资绩效；第三，当VCFs双方拥有强连接时，更可能通过反复沟通、交流及协商解决问题，从而对投资过程、结果有共同的理解[13]，对复杂知识和隐性知识有共同的编码及认知，更有利于挖掘、利用能够获得战略优势的有价值的知识，从而提高投资绩效；第四，关系嵌入能够大大减少网络个体机会主义行为的发生[14]；第五，我国是一个讲究“人脉”“人情”“礼尚往来”的集体主义国家，我国VCFs更是深谙“关系”对获取投资回报的重要性[15]，由于我国风险投资市场起步较晚，风险投资市场发育不完全，相应的监管体制和治理机制不完善、信息透明度低、产权保护体系缺失，利用非正式制度、依靠关系就成为我国VCFs获得资源、解决纠纷、提高投资回报率的极佳办法[16-18]。

尽管有研究表明，与有限数量的熟悉伙伴合作会阻碍VCFs获得新的机会，增加同质化、冗余信息的交流[3]，降低VCFs对资源的整合效率和战略决策效率，但本文认为，在我国文化情境下，关系嵌入对投资绩效的促进作用要更大。

基于此，本文提出如下假设：

H1：VCFs关系嵌入对投资绩效有正向影响。

（二）投资经验的调节作用

有学者指出，与有限数量的熟悉伙伴合作会增加企业间同质化、冗余信息的交流[3]，降低VCFs对资源的整合效率和战略决策效率。因此，VCFs投资经验所形成的内部化知识与关系嵌入所带来的外部知识所形成的潜在协同效应对投资绩效有重要作用。

组织学习理论指出，不同的组织经验会影响组织的机会感知能力。丰富的组织经验有助于组织对潜在机会的识别、理解和利用。组织经验的价值不仅体现在组织所熟悉的领域，还可扩展到组织经验在新领域的应用[19]。组织经验的积累是对知识、信息、资源等识别、获取和吸收的重要过程，是组织价值创造的基础，也是企业能力提升的重要信号[20]。随着VCFs投资经验的积累，企业内部知识储存逐渐丰富、内部能力逐渐提高，这是企业价值创造的重要推动力[21]以及竞争优势的重要来源[22]，有利于VCFs对创业企业的筛选、识别，以及提供价值增值服务。若VCFs仅与有限数量的伙伴合作，那么其获得冗余信息的可能性增大，有限数量的合作伙伴及限定的投资领域会影响VCFs的信息转介交换能力，从而增加投资风险。当VCFs的投资经验丰富时，多行业及多领域的知识就与特定关系嵌入所带来的有限知识产生互补效应，分散因投资行业的高度不确定性所带来的风险，从而提高投资绩效。

基于此，本文提出如下假设：

H2：VCFs的投资经验加强了关系嵌入对投资绩效的正向影响。

（三）网络密度的调节作用

网络密度用来描述组织所处的联盟网络内组织间相互联系的紧密程度[23]。在由相同数目企业构成的联盟网络中，企业间联系越多，其联盟网络的密度越高。本文认为，网络密度与关系嵌入对投资绩效的作用机制具有替代效应。原因如下：首先，在高密度的联盟网络内，作为网络节点的VCFs间大多具有直接或间接的联系，VCFs通过关系嵌入获得的资源与通过密集网络获得的资源会有重合。其次，高度密集的网络内互相竞争的VCFs获得的资源差异性较小，关系嵌入所带来的资源与密集网络所带来的资源的重合性不利于VCFs竞争优势的获得和提升。最后，由于高度密集的联盟网络为VCFs带来的资源差异性较小，VCFs可能建立更多的强关系来获得更有价值的资源，从而导致VCFs对联盟网络的过度嵌入，不利于投资绩效的提升；相反，在稀疏的战略联盟网络内，网络内资源异质性较大，与关系嵌入所带来的资源形成协同效应，从而提高投资绩效。

基于此，本文提出如下假设：

H3：VCFs的网络密度削弱了关系嵌入对投资绩效的正向影响。

（四）网络密度与投资经验的交互调节作用

当联合投资网络密度较低时，如果VCFs投资经验匮乏，虽然其有机会接触、获取多样化的异质性信息和资源，但由于其知识储备不足，知识基础薄弱，对市场知识和有效投资机会信息的感知和捕捉能力薄弱，无法对多样化的异质性资源进行有效筛选及吸收，从而无法充分发挥网络中异质化知识与关系嵌入所带来的知识之间的协同效用。相反，如果VCFs投资经验丰富，拥有丰富的项目筛选、调查、评估、监督及服务经验，则能更好地识别及利用稀疏网络中所带来的异质化知识，先于竞争者获得有价值的投资机会和资源，选取与伙伴资源相匹配的异质化知识，获得“先行者”优势，提升网络资源的配置效率，从而促进伙伴间知识的共享和传递，开发新的知识，进一步巩固信任机制并减少个体机会主义行为的发生，进而提升投资回报，促进投资绩效的提升。综上，在网络密度较低时，VCFs丰富的投资经验更有利于关系嵌入效能的发挥，从而帮助企业获得更高的投资回报，即投资经验对关系嵌入与投资绩效的正向调节作用将变得更强。

当联合投资网络密度较高时，如果VCFs投资经验匮乏，企业对网络资源的选取、配置能力不足，在可能存在密度冗余和结构冗余的密集网络中，企业能力的发挥被进一步限制，难以高效地获取与伙伴资源相匹配的资源，无法充分发挥伙伴间的共享机制和传递机制，还可能增加个体机会主义行为，不利于关系嵌入效能的发挥。如果VCFs投资经验丰富，虽然企业拥有丰富的知识基础，但由于密集网络的封闭和僵化，伙伴间知识出现趋同，不利于异质化知识的获取，难以获得与合作伙伴所带来的知识有协同效应的知识，从而阻碍关系嵌入效能的发挥。综上，在网络密度较高时，无论投资经验丰富与否，都不利于合作伙伴间关系嵌入效能的发挥，不利于提升VCFs的投资绩效，即投资经验的正向调节作用将失效或变弱。

基于此，本文提出如下假设：

H4：相较于密集网络，稀疏网络中投资经验对VCFs关系嵌入与投资绩效关系的正向调节效应将变强。

根据以上分析，本文的研究框架如图1所示。

图1 关系嵌入与投资绩效研究框架

三、研究设计

（一）样本与数据

本文的样本来自我国两大风险投资信息数据库——中投集团的CVSource和清科集团的Zero2IPO。这两个数据库的结构类似于美国风险投资行业的数据库——汤森路透（Thomson Reuters）的VentureXpert，已有大量研究使用以上数据库[24]。这两个数据库涵盖了我国几乎所有VCFs的信息，本文参照前人的做法，将这两个数据库的信息进行匹配以避免单个数据库带来的信息遗漏[25]。本文使用中国境内2000年1月1日～2018年12月31日时间范围内的VCFs数据，以保证最大的样本数据量，尽可能减少样本缺失所带来的偏误。

CVSource数据库和Zero2IPO数据库均提供了VCFs的基本信息以及历年来各行业的投资事件和退出事件，因此相应的数据表有VCFs信息表、投资事件表和退出事件表。首先，对两个数据库中相应的原始数据按照下列流程进行处理：①删除投资事件表中PE-PIPE样本（该样本中的被投资对象为已上市的创业企业）；②删除投资事件表中包含“不披露的企业名称”“不公开的投资者”等信息模糊的样本；③删除VCFs信息表、投资事件表和退出事件表中的重复记录；④合并事件表中同一轮次相同VCFs的相关数据（有些VCFs使用旗下两家及两家以上基金对创业企业进行投资，在原始样本中就表现为同一轮次中该VCFs出现多次）。然后，将相应的表格进行匹配，即分别对两个数据库中的VCFs信息表、投资事件表、退出事件表进行匹配，避免信息遗漏。最后，将匹配后的VCFs信息表、投资事件表、退出事件表三者进行匹配，得到最终的完整样本。

（二）变量测量

1.被解释变量。本文的被解释变量是VCFs的投资绩效（Ratio），选取已被学者们广泛应用的成功退出比例作为其代理变量，成功退出比例的计算方法为：VCFs时间窗内IPO或并购成功退出的次数除以前一个时间窗内的总投资轮次[25，26]。采用滚动时间窗，以t+1～t+4年共4年为一个时间窗观测VCFs的成功退出比例，即选用2004年1月1日～2014年12月31日我国VCFs的投资数据作为样本，留有2015年1月1日～2018年12月31日4年时间来观察投资结果。

2.解释变量。关系嵌入（Relation）是VCFs基于互惠预期而发生的双边关系，是网络关系的特征。De Clercq等[21]用伙伴联系次数表示关系嵌入，即VCFs在时间窗内与各合作伙伴的总合作投资次数相加得到的总数。本文借鉴以上做法，同时为避免因反向因果关系带来的内生性问题，采用VCFs在前一个时间窗内与各合作伙伴的总合作投资轮次相加得到的总数表征关系嵌入。采用滚动时间窗，以t-4～t-1年共4年为一个时间窗观测VCFs的关系嵌入。

3.调节变量。

（1）投资经验（Experience）。为避免投资经验与投资绩效研究中出现反向因果关系，用截至样本观察年前一年VCFs所参与过的总投资轮次衡量投资经验。

（2）网络密度（Density）。用行动者联合伙伴次数与最大可能联系次数之比进行测量[27]，采用Ucinet 6.645对该指标进行测算。

4.控制变量。参考前人的研究，本文选用以下控制变量：VCFs年龄（Age）、VCFs规模（Size）、资金来源（Fund）、当年投资数（Num_year）、后向5年投资数（Num_5year）、融资企业所处地理位置（Pc_location）、本土VCFs可用性（Local_vc）、地理邻近（Geopro）、是否为高科技行业（High_ind）、当年退出条件（Exit_year）、后向4年窗口的退出条件（Exit_4year），以及行业效应、时间效应。

本文的变量定义见表1。

表1 变量定义

（三）模型设定

为了保证估计结果的准确性和可靠性，本文用Wald Test进行组间异方差的检验，选用能有效解决大样本中异方差问题的FGLS，以保证模型选用的恰当性。

为了检验关系嵌入对投资绩效的影响，本文构建如下基准模型：

在以上公式中，β0为常数项，βi为各项系数，Controli为各控制变量，ε为残差项。

四、数据分析与研究结果

（一）描述性统计

表2报告了样本中核心变量的描述性统计结果。由表2可知，投资绩效（Ratio）的均值为0.26，标准差为0.64，最小值为0，最大值为12，说明我国VCFs的成功退出比例较低，差异较大。投资经验（Experience）的均值为17.21，最大值高达609，说明我国VCFs投资次数较多，差异较大。从关系嵌入（Relation）可知，我国VCFs在4年时间窗口内平均联合投资高达4次，进一步说明我国VCFs的网络化。从标准化的网络密度（Density）可知，VCFs的网络特征差异明显。在控制变量方面，本土VCFs可用性（Local_vc）的均值高达425.50，说明投资市场火热；而当年退出条件（Exit_year）和后向4年窗口的退出条件（Exit_4year）的均值分别为110.60和378.70，与我国VCFs日益活跃且表现优异的投资市场现实相吻合。

表2 变量描述性统计

（二）相关性分析

本文对各变量之间的Pearson相关系数和变量的方差膨胀因子（VIF）进行了检验。结果显示：投资经验（Experience）与投资绩效（Ratio）显著正相关（相关系数为0.24，显著性水平为1%）；关系嵌入（Relation）与投资绩效（Ratio）显著正相关（相关系数为0.16，显著性水平为1%）；网络密度（Density）与投资绩效（Ratio）显著正相关（相关系数为0.11，显著性水平为1%）。以上结果与前文理论推导基本一致。各变量的VIF值均小于阈值10，表明模型估计不会出现因变量多重共线性而导致的估计偏误（限于篇幅，检验结果不再列示）。

（三）单变量均值与中位数检验

在正式回归前，本文对样本中的变量进行了单变量均值和中位数检验。首先按照投资绩效（Ratio）的均值将样本分为低投资绩效和高投资绩效两组，接着对分组后子样本的均值和中位数进行独立样本T检验和独立样本非参数Mann-Whitney U检验，初步判断变量之间的相关关系，结果如表3所示。

表3 变量的单变量均值和中位数检验

由表3中两组均值和中位数差异的检验结果可知，在高投资绩效样本中，关系嵌入（Relation）、投资经验（Experience）和网络密度（Density）的均值（4.75、2.6、0.7）均高于低投资绩效样本（3.14、1.9、0.57）。关系嵌入（Relation）、投资经验（Experience）、网络密度（Density）的独立样本T检验和Mann-Whitney U检验的结果均表现为1%的显著性水平。就控制变量而言，地理邻近（Geopro）和当年退出条件（Exit_year）的独立样本T检验和Mann-Whitney U检验的结果均在1%的水平上显著，说明VCFs和融资企业的地理位置越近，越有利于VCFs投资收益的提高，且当年退出条件越好，投资市场越活跃，越有利于VCFs投资收益的提高。企业年龄（Age）、企业规模（Size）、资金来源（Fund）、融资企业所处地理位置（Pc_location）、是否为高科技行业（High_ind）的独立样本T检验和Mann-Whitney U检验的结果均表现出显著的稳健性。除本土VCFs可用性（Local_vc）的独立样本T检验和Mann-Whitney U检验的结果不稳健外，其余控制变量的检验结果均显著且稳健。

综上所述，单变量均值和中位数检验的结果表明：VCFs的关系嵌入越深，越有利于提高企业的投资绩效。就控制变量而言，虽然大多数变量通过了显著性检验，但由于单变量检验仅考虑所考察变量的影响，可能引起估计偏误，因此需要通过多元回归分析得到更为科学稳健的研究结论。

（四）回归结果与分析

表4报告了本文模型的估计结果。模型（1）～模型（3）依次检验了关系嵌入对投资绩效的直接作用、投资经验和网络密度的调节作用、投资经验与网络密度的交互调节作用。由模型（1）～模型（3）中的异方差检验Wald Test的估计结果可知，这三个模型均在1%的水平上显著存在异方差，因此，选用FGLS可以有效修正因异方差产生的估计偏误。

表4 关系嵌入与投资绩效的初步回归结果（FGLS）

由模型（1）的回归结果可知，关系嵌入（Relation）与投资绩效（Ratio）表现为显著的正相关关系（β1=0.1346），H1得到支持。由模型（2）的回归结果可知，投资经验与关系嵌入交互项（Experience×Relation）的系数在1%的水平上显著为正（β2=0.1203），说明VCFs积累的投资经验更有利于关系亲密的合作企业间的信息共享和问题解决，从而提高其在时间窗内的投资绩效。因此，H2得到支持。此外，网络密度与关系嵌入交互项（Density×Relation）的系数在1%的水平上显著为负（β4=-0.0385），说明高密度网络中流通的信息会取代关系嵌入所带来的信息，在一定程度上降低关系嵌入对投资绩效的促进作用，H3得到支持。由模型（3）的回归结果可知，投资经验、网络密度与关系嵌入三者交互项（Experience×Density×Relation）的系数在1%的水平上显著为负（β7=-0.1159），H4得到支持。

本文各变量的调节作用效果见图2～图4。由图2可知，投资经验高时VCFs关系嵌入对投资绩效的正向影响大于投资经验低时相应的影响，由此投资经验对关系嵌入与投资绩效间关系的正向调节作用得以验证。由图3可知，稀疏网络中VCFs关系嵌入对投资绩效的正向影响大于密集网络中相应的影响，由此印证了网络密度对关系嵌入与投资绩效间关系的负向调节作用。分别取网络密度与投资经验各自均值上下一个标准，关系嵌入任取两个数值，得出如图4所示的投资经验与网络密度组合的四条直线，结果表明，在网络密度低—投资经验高的情境下，关系嵌入对投资绩效具有正向影响，另外三种情境下均为负向影响。由此网络密度与投资经验的交互对关系嵌入与投资绩效关系的负向影响得以验证。

图2 投资经验的调节效应

图3 网络密度的调节效应

图4 投资经验和网络密度的交互调节效应

（五）内生性偏误检验

内生性问题在战略管理等领域中普遍存在，而内生性问题产生的原因主要有三个：一是解释变量和被解释变量互为因果关系，即解释变量会引起被解释变量的变化，反过来被解释变量也会引起解释变量的变化；二是遗漏重要变量，当未考虑重要的解释变量时，估计模型无法反映遗漏变量与重要解释变量之间的关系，从而引发内生性问题；三是变量测量误差，当对核心解释变量的测量有偏误时，测量误差就会导致计量模型回归中的一部分误差，从而引发内生性问题，导致模型估计产生偏误。

由表5可知，Durbin-Chi2值为2.1707，P值为0.1407，Wu-Hausman-F值为2.1226，P值为0.1453，P值均大于临界值0.1，说明无法拒绝“所有解释变量均为外生变量”，即模型不存在内生变量。

表5 内生性偏误检验

综上所述，本文通过理论分析及DWH方法的检验，证明计量模型不存在内生性问题，因此，前文的整体回归模型和方法的选取是良好的，结果具有稳健性。

（六）稳健性检验

现有研究通常采用两种方法对研究结果进行稳健性检验：一是改变回归模型，用以克服模型设定所带来的估计偏误；二是改变被解释变量的度量方法，用以降低由于代理变量选用而产生的估计偏误。本文采用这两种方法对相关假设进行稳健性检验。

1.改变回归模型。本文参考众多学者的做法，采用多元回归方法对模型进行估计，并控制模型中的标准误[17，25]，回归结果见表6。

表6中模型（1）的回归结果显示，关系嵌入（Relation）与投资绩效（Ratio）在1%的水平上表现为显著的正相关关系（β1=0.1974），H1得到支持。模型（2）的回归结果显示，投资经验与关系嵌入交互项（Experience×Relation）的系数在1%的水平上显著为正（β2=0.1676），H2得到支持；网络密度与关系嵌入交互项（Density×Relation）的系数在10%的水平上显著为负（β4=-0.0435），H3得到支持。模型（3）的回归结果显示，投资经验、网络密度与关系嵌入三者交互项的系数在1%的水平上显著为负（β7=-0.2178），H4得到支持。

表6 改变回归模型后关系嵌入与投资绩效的稳健性检验

2.改变被解释变量的度量方法。由以往研究可知，IPO是企业投资收益最高的退出方式[29]，考虑到现金收益数据获取困难，国内外很多研究用成功IPO对投资绩效进行度量。本文参考以往研究的做法，将IPO率作为投资绩效的代理变量，具体计算公式为：IPO率=IPO数/总投资轮数。表7报告了对被解释变量进行替换后的模型估计结果。

表7中模型（1）的回归结果显示，关系嵌入（Relation）与IPO率的系数在1%的水平上显著为正（β1=0.0016），H1得到实证支持。模型（2）的回归结果显示，投资经验与关系嵌入交互项（Experience×Relation）的系数在1%的水平上显著为正（β2=0.0013），H2得到支持；网络密度与关系嵌入交互项（Density×Relation）的系数在1%的水平显著为负（β4=-0.0029），H3进一步得到支持。模型（3）的回归结果显示，投资经验、网络密度与关系嵌入三者交互项的系数在10%的水平上显著为负（β7=-0.0001），H4得到支持。

表7 替代变量后关系嵌入与投资绩效的稳健性检验

综上所述，在采用改变回归模型和替代变量法的稳健性检验中，均得到与前文完全一致的结论，说明本文的研究结论具备很好的稳健性。

五、研究结论与启示

本文基于2000年1月1日～2018年12月31日我国两大风险投资数据库CVSource和Zero2IPO中的样本，采用FGLS方法，将关系嵌入作为VCFs的重要外部知识来源之一，实证研究了VCFs关系嵌入对投资绩效的影响，并分析了投资经验、网络密度的调节作用以及二者的交互调节作用。研究结果表明：关系嵌入对投资绩效有稳健的促进作用；投资经验加强了关系嵌入对投资绩效的正向影响；网络密度削弱了关系嵌入对投资绩效的正向影响；与密集网络相比，稀疏网络中投资经验对关系嵌入与投资绩效关系的正向调节效应变强。

基于研究结论，可以得到如下启示：首先，应建立与联盟伙伴的联系与交流机制，经营与维持良好的伙伴关系，发挥联盟伙伴关系对提升投资绩效的积极作用。其次，应注重投资经验的积累，优化知识结构，奠定良好的知识基础。最后，应在联盟网络发展迅速的时代背景下，进一步发挥联盟网络对提升投资绩效的积极作用。此外，还应关注不同维度影响因素的交互效应。在我国经济转型升级的背景下，风险投资作为金融体系的重要组成部分，对经济发展的推动作用日益显著。随着VCFs网络化特征的凸显，关系嵌入作为VCFs外部知识、资源和信息来源的重要通道，在学习、信息流通和知识转移方面具备一定的优势，能够降低企业对信息流、知识流和技术流的获取成本，有助于提升VCFs的竞争能力和改善投资绩效。投资经验作为企业竞争优势的重要体现，在一定程度上决定了VCFs能否充分利用关系嵌入所带来的信息优势。网络密度作为VCFs运营和发展的重要外部环境，形成了网络中VCFs间知识、信息交流的平台，影响网络中VCFs对信息获得的效率，继而影响投资绩效的提升。同时，VCFs应权衡关系嵌入各维度之间的交互作用。