全球创业公司网络WorldWide-up研究者-研究者论文地址

　　

全球创业公司网络WorldWide-up研究者-研究者论文地址

　　

　　论文题目：预测全球创业网络的成功

　　论文地址：

　　随着近年来经济的增长，社会对初创企业的关注度也越来越高：政策决策者致力于如何提供高回报。

　　初创公司能够带来如此巨大的回报，通常与业务变革和技术跨越发展密切相关。大企业也依靠创新型初创企业，通过与中小企业的合作，实现技术创新，让自己的企业跟上新的步伐。毫无疑问，这样的技术密集型创新型企业将对经济和社会产生巨大的积极影响。

　　然而，初创公司也面临着很大的不确定性。投入的研发成本是极其巨大的沉没成本，同时也面临着新的社会责任。因此，一家创业公司的长期变现是很难预测的，未来的经济效益也很难估计。

　　事实上，基于历史商业活动数据（销售额、产能、市场规模等）的传统分析模型并不适合初创企业。主要原因是创业公司历史较短，商业模式不稳定，无法提供有效数据进行分析。投资者和风险投资机构对创业公司的判断主要来自对创业者个人能力和资质的判断。这就是所谓的“投资就是投资”。这样的判断方法和评价标准，也使早期投资成为一项极其主观的任务，也使投资领域难免充满偏见和不确定性。

　　出于这些原因，伦敦玛丽皇后大学的 Moreno Bonaventura 和 Vito Latora 使用大型创业公司数据提出了一个新的数字驱动框架——构建和分析创业公司之间的时间成为全球专业网络。这让投资者和政策制定者能够对初创企业的长期潜力进行更客观的评估，并进行相应的干预。

　　全球创业公司网络

　　全球创业

　　研究人员使用了 crunchbase 提供的 1990 年至 2015 年（共 26 年）的全球初创公司数据进行研究。研究人员主要使用来自公司和人员的数据。其中包括：公司创始人、公司员工、顾问、投资者和董事会成员。

　　公司成立后，其他公司和组织的人会加入新公司，为新公司注入新鲜血液——知识通过员工工作的变化带入新公司。所以，如果把公司看成一个节点，人流就代表了节点之间的联系。我们可以绘制公司-世界各地的人-World Wide Start-up (WWS) 的网络图像。

　　数据来源：

　　

　　WWS 网络概览，由于可视化的限制，这里只显示了 8% 的节点和 31% 的边。

　　

　　Airbnb WWS 网络示例

　　以 Airbnb 为中心的网络示例

　　上图显示了Airbnb的在线图片，这是一家为房东和租户提供租赁服务的初创公司。 Airbnb 于 2013 年聘请了 Google 前高级产品经理 Thomas Arend 博士。

　　

　　博士Thomas Arend，2013 年 1 月至 2014 年 3 月在 Airbnb 工作，目前在 Facebook 担任产品经理。

　　从图中可以看出，他曾在谷歌、推特、Mozilla等公司工作，这也意味着他将把其他公司的知识和经验带入新公司——几家公司之间的潜在渠道知识流已经建立。这也将使Airbnb缩短与WWS形象中其他公司的距离，或者被其他公司包围，与其他公司的关系更加紧密——更接近网络形象的“中心”。这样的职位变动将加速初创企业获取新知识并带来新的商机。

　　最大连通分量 LCC

　　员工的工作变动可以拉动初创公司与其他公司之间的关系。当我们从时间变化的角度来看这个问题时，它是：随着时间的推移，一个公司在WWS网络中的位置逐渐从网络边缘移动到网络中心。

　　在这项研究中，研究人员将连接边最多的公司定义为最大连接组件 (LCC)。在 WWS 网络中，LCC 是网络的中心。

　　

　　随着时间的推移，全球最大 LCC 的分布。 （蓝色区域）

　　

　　初创公司（黑色）和连接边（灰色）的增长数量； LCC中收录的节点比例（蓝色）。

　　在上面的统计图中，我们可以发现，在过去的 26 年里，WWS 网络的节点和边的数量呈指数级增长。在本研究中，WWS 由分布在全球 117 个国家的 41830 家公司组成，共有 135099 个连接。而 LCC 已经可以收录近 80% 的公司节点。

　　人类社交网络存在六度分隔：任何两个陌生人之间的分隔不会超过六个人。换句话说，人与人之间的分离度为6，而在WWS网络中，公司之间的平均分离度为4.74。

　　在本次研究中，研究人员根据中心性对公司进行了排名，LCC自然排名第一。

　　中心度是指到其他节点的平均距离。平均距离越短，位置越“中心”。

　　

　　中心节点（公司）排名变化图

　　从上图可以看出，苹果的整体排名非常好；微软层在前期已经呈现下滑； Facebook、Uber、Airbnb等公司从创业初期就呈现出快速上升的趋势。这可能与近年来风险投资行业的活跃度增加有关。

　　初创公司的早期评估

　　此外，研究人员开始使用他们的模型来预测初创公司的长期业绩。为了开展这方面的研究，研究人员采集了有关融资、收购和 IPO 的数据。研究人员评估的公司主要是那些已上市且未完成融资、未被收购、未上市的公司。在这个涵盖 26 年数据的数据集中，共有 5,305 家公司已公开交易。同时，研究者保证他的模型不会受到资本市场的影响。考虑到早期风险投资的平均成功率只有10-15%。因此，预测这些未来的潜在交易是一项极具挑战性的任务。

　　为了评估一家公司的长期业绩，研究人员设置了一个时间跨度为 7 年的时间窗口，并使用 WWS 排名前 20 的公司来比较这些公司的真实经济状况。

　　在这项研究中，研究人员设定了创业成功的三个标准：收购其他公司；被其他公司收购；上市。

　　评价模型预测效果的成功率表示为：（Top 20公司中真正成功的公司数量）/（Top list的长度，即20）。是值得注意的是，这里的预测成功是指这家公司进入了“Top List”，这与上面提到的“创业成功标准”不同。而且，从后面的分析中我们也可以看出，创业确实是一种“人生”。九死”。

　　排名区分公司的能力

　　为了进一步比较“Top List”上成功和失败公司的业绩差异，研究人员做了如下分析：首先，研究人员每月统计一次榜单的排名，累计成功企业的统计数据。和不成功的公司。落入每个排名的不成功公司的百分比，然后在左边缩放后，得到下图：

　　

　　排名位置（向心度）分布图像。横坐标是缩放排名。越靠近左边，排名越高。要绘制直方图，请设置 bin = 0.005。纵坐标代表每个 bin 中公司数量的比例。

　　从上图我们可以清楚地看到，在排行榜的最前面，成功的公司和不成功的公司之间有着明显的排名差异。由此，我们可以通过“Top List”筛选出可能成功的公司。预测哪些公司更有可能取得成功。

　　使用公司排名来预测成功的公司

　　

　　预测排序（蓝实线）和随机排序（黑实线）的成功率对比图。顶部的小图显示了显着性指数的 p 值。灰色阴影部分表示结果显着（p值

　　上图的结果表明，使用本文给出的分析方法选出的 Top 20 初创公司的整体表*敏*感*词*融危机，该模型的性能一直在下降，结果并不显着。在 2000 年代初期的互联网泡沫和 2008 年金融危机中，模型预测的结果优于仅随机选择的结果及其弱优势。金融危机后，该模型的预测能力得到恢复。

　　此外，研究者还对其他长度的公司排行榜（如Tpo 50）等时间窗口（6-8年））进行了对比分析，得到的结果与上图。

　　此外，研究人员还评估了他们模型的整体性能。

　　

　　模型对 Top 20、50、100 公司的预测的整体表现。黑色误差条代表随机模型的预测能力。

　　从上图可以看出，该模型对 2000 年至 2009 年 Top 20 的预测成功率约为 30%。并且我们会发现随机选择的模型的预测能力几乎接近传统投资机构的投资成功率。

　　模型评价能力稳定性分析

　　为了保证研究模型的稳定性，研究人员还比较了Closeness Centrality、Between's centrality和Degree Centrality之间的相关性。结果如下图所示。显示：

　　

　　中心性度量的相关性，从左到右，显示接近中心性-介数中心性（CB，图a），介数中心性-度中心性（BD，图b），接近中心性-度Pearson中心性相关系数（CD） , 图 c).

　　从上图可以看出，不同的指标之间存在很强的相关性，这也说明不同的评价指标不会影响模型的稳定性。同样，在研究者控制了其他影响因素（风险投资、员工人数、公司所在地）后；调整不同时间窗（6-8年）后，确定模型预测效果稳定。

　　总结

　　由于缺乏足够的数据和主观判断的偏差，评估初创公司的能力并预测其风险并不容易。但是，研究人员可以通过建立全球公司网络 WWS 对公司的长期潜力进行无风险评估。有了这个模型，投资者可以简单地通过公司的人员流动来判断公司的价值。创业者还应提高社交技能，维护企业间的合作网络，以保护初创企业的长期潜力。

　　虽然本文的研究模型并没有预测每家公司的成功概率——它只是对公司进行相对排名——但研究人员表示，该模型和本文使用概率回归来预测每家公司的成功率提出的 WWS 模型“具有相同的预测能力”。