吳 田，胡海青

(1.西安理工大學 經(jīng)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(zhuǎn)換背景下，孵化網(wǎng)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(wǎng)絡化合作，促進科技企業(yè)成長，成為推動經(jīng)濟高質(zhì)量發(fā)展的重要舉措[1]。伴隨這一過程，全國各地涌現(xiàn)出中關(guān)村、天津創(chuàng)業(yè)服務中心等典型孵化網(wǎng)絡。但其蓬勃發(fā)展的背后也存在諸多問題，尤其是入孵企業(yè)居高不下的死亡率和過低的成長率。數(shù)據(jù)顯示，我國每100家創(chuàng)業(yè)企業(yè)中只有20～30家可以存活1年，能持續(xù)經(jīng)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(wǎng)絡風險傳播，是指由于孵化網(wǎng)絡成員企業(yè)間具有錯綜復雜的合作關(guān)系，當其中一個或少數(shù)幾個科技企業(yè)產(chǎn)生風險之后，就會借助孵化網(wǎng)絡觸發(fā)合作企業(yè)的潛在風險，這種風險相互觸發(fā)的行為持續(xù)下去，便構(gòu)成網(wǎng)絡風險傳播[3]。伴隨著風險在網(wǎng)絡中的傳播，這類新創(chuàng)科技企業(yè)往往無法抵御風險而孵化失敗，同樣也給孵化網(wǎng)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(yè)及相關(guān)主體間形成的網(wǎng)絡結(jié)構(gòu)決定[4]。為有效預防孵化網(wǎng)絡風險傳播發(fā)生概率，最大程度上減少由于風險傳播對孵化網(wǎng)絡健康水平的影響，本文對孵化網(wǎng)絡結(jié)構(gòu)、風險傳播與孵化網(wǎng)絡最終健康水平間關(guān)系進行探究，揭示網(wǎng)絡中的風險傳播規(guī)律，提出提升孵化網(wǎng)絡健康水平的對策。

網(wǎng)絡結(jié)構(gòu)與風險傳播關(guān)系研究最早始于Allen & Gale等[5]對網(wǎng)絡連通性的探索，認為稀疏網(wǎng)絡更有助于風險傳播。但Blume 等[6]卻提出緊密網(wǎng)絡結(jié)構(gòu)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(jié)論概括為網(wǎng)絡風險傳播“穩(wěn)健且脆弱”的性質(zhì)。伴隨著研究的不斷深入，實體網(wǎng)絡結(jié)構(gòu)特征備受關(guān)注。Gaccioli 等[8]提出，具有無標度特征的金融網(wǎng)絡對沖擊具有更好的彈性，其感染率高于隨機網(wǎng)絡；李永奎、周宗放[9]基于企業(yè)關(guān)聯(lián)網(wǎng)絡進行仿真模擬，提出小世界網(wǎng)絡特性有助于節(jié)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(fā)現(xiàn)，我國地方金融風險空間關(guān)聯(lián)網(wǎng)絡屬于典型的無標度網(wǎng)絡，并同時具備“小世界特征”。在網(wǎng)絡結(jié)構(gòu)中，度數(shù)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(wǎng)絡結(jié)構(gòu)中的簇系數(shù)、網(wǎng)絡密度、小世界效應等指標分析中美上市銀行高維網(wǎng)絡風險傳播路徑。上述研究為考察風險傳播與網(wǎng)絡結(jié)構(gòu)關(guān)系提供了基礎(chǔ)性理論視角，但鮮有學者將研究領(lǐng)域拓展至孵化網(wǎng)絡范疇，也未能將孵化網(wǎng)絡結(jié)構(gòu)、風險傳播納入同一解釋框架，更缺乏對特定情境下(如結(jié)構(gòu)可視化與初始健康分布)相關(guān)影響作用的分析。

在網(wǎng)絡健康方面，多數(shù)研究圍繞現(xiàn)實系統(tǒng)自身健康問題展開。Mageau等[12]率先指出健康是指系統(tǒng)內(nèi)部處于良好運行狀態(tài)、具有自我調(diào)節(jié)與恢復能力，并能夠維持內(nèi)部各要素平衡的一種表現(xiàn)形式。此后，學者們對網(wǎng)絡健康內(nèi)涵進行了補充，強調(diào)穩(wěn)定性、可持續(xù)性及維持組織結(jié)構(gòu)是衡量健康的重要標志[13]。上述研究多是借鑒生態(tài)系統(tǒng)健康的靜態(tài)評價，無法結(jié)合具體網(wǎng)絡結(jié)構(gòu)節(jié)點的動態(tài)演化詮釋不同狀態(tài)網(wǎng)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(wǎng)絡狀態(tài)研究范疇[14]，通過仿真模擬，探究以孵化網(wǎng)絡結(jié)構(gòu)為載體的網(wǎng)絡風險傳播機理，驗證孵化網(wǎng)絡結(jié)構(gòu)、風險傳播與孵化網(wǎng)絡最終健康水平間關(guān)系。同時，分析特定情境(如結(jié)構(gòu)可視化與初始健康分布)對孵化網(wǎng)絡健康水平的影響，可為孵化網(wǎng)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(chǔ)與研究假設(shè)

1.1 理論基礎(chǔ)

1.1.1 孵化網(wǎng)絡結(jié)構(gòu)

孵化網(wǎng)絡結(jié)構(gòu)是孵化系統(tǒng)的網(wǎng)絡化表述方式，其中網(wǎng)絡節(jié)點表示孵化器、科技企業(yè)及其它創(chuàng)新主體，節(jié)點間連邊表示主體之間的合作關(guān)系。借助復雜網(wǎng)絡理論，可將孵化網(wǎng)絡分為小世界網(wǎng)絡、無標度網(wǎng)絡和隨機網(wǎng)絡3種結(jié)構(gòu)，并用其表征真實網(wǎng)絡。

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

1.1.2 孵化網(wǎng)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(chǔ)，本文借鑒風險傳染SIR模型，將孵化網(wǎng)絡中的節(jié)點劃分為3種狀態(tài)加以描述。其中，S代表易感染狀態(tài)、I代表已感染狀態(tài)，R表示免疫狀態(tài)。一旦易感狀態(tài)節(jié)點接觸到有風險的節(jié)點，便會以確定的感染率(infi)產(chǎn)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(wǎng)絡風險既有橫向傳播也有縱向傳播。在同一網(wǎng)絡內(nèi)部，由于各創(chuàng)新主體間存在利益往來，風險會借助一定載體在成員節(jié)點間傳遞，這是風險的橫向傳播[22]；在區(qū)域孵化網(wǎng)絡之間，當一個網(wǎng)絡中的節(jié)點企業(yè)產(chǎn)生風險后，會以特定概率傳遞給所屬孵化子網(wǎng)絡(如投融資子網(wǎng)絡、技術(shù)合作子網(wǎng)絡等)，并將風險匯聚至該子網(wǎng)絡所在孵化基地、產(chǎn)業(yè)園等孵化網(wǎng)絡，從而形成風險縱向傳播[23]。

1.1.3 孵化網(wǎng)絡健康水平

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

孵化網(wǎng)絡健康對環(huán)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(fā)揮著重要作用。結(jié)合醫(yī)學研究發(fā)現(xiàn)，人體健康水平在某種程度上受到出生狀態(tài)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(wǎng)絡中初始健康水平較好的節(jié)點企業(yè)相比，健康狀況較差的企業(yè)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(wǎng)絡中的關(guān)聯(lián)節(jié)點，使之相互促進與恢復，進而化解風險傳播。鑒于孵化網(wǎng)絡屬于復雜非線性系統(tǒng)，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(jié)果的巨大變化。鑒于此，孵化網(wǎng)絡初始健康分布成為研究過程中一個關(guān)鍵影響變量。

1.1.4 結(jié)構(gòu)可視化

在以往研究中，可視化被視為衡量企業(yè)獲取實時外部信息并快速識別環(huán)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(wǎng)絡在既定時間內(nèi)更加透明，這對于增進企業(yè)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(yè)間協(xié)調(diào)，減少失真的負面影響[32]，促使組織更加敏捷，進而創(chuàng)造出更多戰(zhàn)略價值[33]。

當前，關(guān)于可視化的研究主要集中在供應網(wǎng)絡領(lǐng)域，多數(shù)學者將可視化作為變量，探討其與運營績效的關(guān)系。如Wei & Wang[34]將可視化分為感知、學習、協(xié)調(diào)和集成4個維度，其中感知可視化直接影響網(wǎng)絡戰(zhàn)略績效，學習可視化、協(xié)調(diào)可視化和集成可視化對于增強網(wǎng)絡重構(gòu)性則非常重要；Dubey[35]研究印度制造網(wǎng)絡發(fā)現(xiàn)，在網(wǎng)絡風險背景下，可視化水平直接影響網(wǎng)絡主體的洞察能力。因此，提高網(wǎng)絡結(jié)構(gòu)可視化水平有助于促使網(wǎng)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(tǒng)可視化水平可對整個網(wǎng)絡產(chǎn)生積極效應，當聯(lián)合治理結(jié)構(gòu)到位時，企業(yè)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(wǎng)絡績效和網(wǎng)絡風險傳播的重要性，未從孵化網(wǎng)絡健康水平角度探討結(jié)構(gòu)可視化發(fā)揮的作用。本文將結(jié)構(gòu)可視化引入孵化網(wǎng)絡風險傳播研究，探討該變量對孵化網(wǎng)絡最終健康水平的影響。

1.2 研究假設(shè)

1.2.1 孵化網(wǎng)絡結(jié)構(gòu)與孵化網(wǎng)絡最終健康水平

由于孵化網(wǎng)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(wǎng)絡節(jié)點間的結(jié)構(gòu)連通性[38]。因此，本文對孵化網(wǎng)絡結(jié)構(gòu)與風險傳播間關(guān)系進行研究。在具有無標度性質(zhì)的孵化網(wǎng)絡中，優(yōu)先鏈接機制決定大部分企業(yè)節(jié)點對網(wǎng)絡中核心節(jié)點企業(yè)或科研機構(gòu)具有高度依賴性。由于資源和信息過度集中，導致孵化網(wǎng)絡中“超級節(jié)點”企業(yè)承擔著超負荷的資源配置，勢必降低企業(yè)創(chuàng)新效率，產(chǎn)生鎖定效應[39]，并間接影響其它節(jié)點企業(yè)的研發(fā)活動。一旦“超級節(jié)點”企業(yè)因外部風險引發(fā)資金鏈斷裂、市場需求變動或關(guān)鍵技術(shù)研發(fā)失敗，就會誘發(fā)網(wǎng)絡內(nèi)關(guān)聯(lián)企業(yè)間的連鎖反應，導致風險在孵化網(wǎng)絡中快速傳播。此外，具有無標度特征的孵化網(wǎng)絡還會通過抑制流行閾值并加速其在網(wǎng)絡中傳播的方式促進傳播[40]。相反，在具有同等規(guī)模和平均中心度的小世界網(wǎng)絡中，高聚類系數(shù)和短平均路徑導致在孵企業(yè)與各類創(chuàng)新主體間形成“小團體”和“橋連接”現(xiàn)象[41]。這就意味著，在孵化網(wǎng)絡中存在局部集聚派系，其內(nèi)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(xiàn)。一旦有節(jié)點企業(yè)產(chǎn)生風險，首先會對派系內(nèi)部關(guān)聯(lián)企業(yè)產(chǎn)生影響，進而再傳遞給派系以外企業(yè)，由此降低風險在整個網(wǎng)絡中的傳播速度[42]。孵化網(wǎng)絡結(jié)構(gòu)和連通性雖然有助于成員企業(yè)實現(xiàn)資源共享、信息傳遞及創(chuàng)新合作，但同時也是形成風險傳播的重要載體，而網(wǎng)絡風險傳播速度決定網(wǎng)絡最終健康水平。據(jù)此，本研究提出如下假設(shè)：

H1a：與隨機特征相比，具有無標度特征的孵化網(wǎng)絡可加速風險傳播，從而降低孵化網(wǎng)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(wǎng)絡可降低風險傳播，從而提高孵化網(wǎng)絡最終健康水平。

1.2.2 初始健康分布的調(diào)節(jié)作用

將孵化網(wǎng)絡節(jié)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(yè)或其它主體可能比連接到一個健康節(jié)點產(chǎn)生風險的概率更大。如東三省新能源汽車產(chǎn)業(yè)園所面臨的風險沖擊就主要是因為規(guī)模小且風險高的企業(yè)過多、低風險核心健康企業(yè)數(shù)量少引起的[43]。同理，健康水平高的企業(yè)也會對有聯(lián)系的主體產(chǎn)生溢出效應，因為它可以促進支持、協(xié)作和恢復，并鼓勵聯(lián)合風險識別與化解。在孵化網(wǎng)絡恢復階段，局部的高集聚系數(shù)使得小世界網(wǎng)絡比無標度網(wǎng)絡和隨機網(wǎng)絡擁有更多小團體，一旦團體內(nèi)部有企業(yè)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(yōu)先鏈接機制導致無標度網(wǎng)絡中的核心企業(yè)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(guān)聯(lián)的其它節(jié)點，使得網(wǎng)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(wǎng)絡比隨機網(wǎng)絡或小世界特征網(wǎng)絡恢復速度更快，進而導致更高的孵化網(wǎng)絡最終健康水平。據(jù)此，本研究提出如下假設(shè)：

H2a：在低初始健康分布下，具有無標度特征的孵化網(wǎng)絡比具有隨機特征的孵化網(wǎng)絡恢復速度更快，進而導致更高的孵化網(wǎng)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(wǎng)絡比具有小世界特征的孵化網(wǎng)絡恢復速度更快，從而導致更高的孵化網(wǎng)絡最終健康水平。

1.2.3 結(jié)構(gòu)可視化的調(diào)節(jié)作用

在探討孵化網(wǎng)絡結(jié)構(gòu)與風險傳播對最終健康水平的影響時，同樣需要將結(jié)構(gòu)可視化情景納入。提高孵化網(wǎng)絡結(jié)構(gòu)可視化，能夠更加深入地了解在孵企業(yè)間關(guān)系，有利于通過減少關(guān)聯(lián)企業(yè)或關(guān)聯(lián)項目數(shù)量感知風險并抑制傳播[46]。相反，如果一個企業(yè)只關(guān)注有直接聯(lián)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(shè)想。諸如2011年溫州信泰眼鏡產(chǎn)業(yè)和精益電氣產(chǎn)業(yè)所引發(fā)的危機，正是因為沒能識別出網(wǎng)絡中一個核心企業(yè)在負債規(guī)模和經(jīng)濟波動雙重壓力下的不良業(yè)績，從而導致整個網(wǎng)絡出現(xiàn)“雪崩”[47]。無論何種網(wǎng)絡結(jié)構(gòu)，高結(jié)構(gòu)可視化程度對于抑制孵化網(wǎng)絡風險傳播均能起到積極作用。據(jù)此，本研究提出如下假設(shè)：

H3a：具有高結(jié)構(gòu)可視化水平且表現(xiàn)出無標度網(wǎng)絡特性的孵化網(wǎng)絡，有助于降低網(wǎng)絡風險傳播，從而達到更高的孵化網(wǎng)絡最終健康水平；

H3b：具有高結(jié)構(gòu)可視化水平且表現(xiàn)出小世界網(wǎng)絡特性的孵化網(wǎng)絡，有助于降低網(wǎng)絡風險傳播，從而達到更高的孵化網(wǎng)絡最終健康水平；

H3c：具有高結(jié)構(gòu)可視化水平且表現(xiàn)出隨機網(wǎng)絡特性的孵化網(wǎng)絡，有助于降低網(wǎng)絡風險傳播，從而達到更高的孵化網(wǎng)絡最終健康水平。

2 研究設(shè)計與仿真建模

2.1 研究設(shè)計

2.1.1 案例選取與數(shù)據(jù)來源

通過訪問國家科技部網(wǎng)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(shè)中提出的網(wǎng)絡結(jié)構(gòu)。其中，孵化網(wǎng)絡A屬于綜合孵化器，在孵企業(yè)達到779家，業(yè)務分布在新能源技術(shù)、生物醫(yī)藥、集成電路等領(lǐng)域。孵化網(wǎng)絡B則是專業(yè)孵化器，入孵的航空企業(yè)有182家，主要從事航空零部件生產(chǎn)、新材料研發(fā)制造等。

在由兩類孵化器形成的網(wǎng)絡中，運用python軟件獲取在孵企業(yè)數(shù)量、企業(yè)間合作項目、投融資業(yè)務、與其他創(chuàng)新主體的互動等關(guān)鍵信息。鑒于GEM定義的初創(chuàng)期企業(yè)成長周期為40個月，因此將被調(diào)研企業(yè)時間設(shè)置為近3年。通過采集孵化網(wǎng)絡關(guān)系數(shù)據(jù)，分析兩類孵化網(wǎng)絡結(jié)構(gòu)特征，為探討孵化網(wǎng)絡風險傳播規(guī)則及變量設(shè)置提供真實案例基礎(chǔ)。

2.1.2 網(wǎng)絡圖繪制

通過對孵化網(wǎng)絡A和孵化網(wǎng)絡B的基礎(chǔ)數(shù)據(jù)進行整理，構(gòu)建以孵化器、在孵企業(yè)和其他創(chuàng)新主體為節(jié)點、各成員間合作關(guān)系為連邊的鄰接矩陣Xij。其中，Xij代表創(chuàng)新孵化網(wǎng)絡中成員節(jié)點i和j的合作關(guān)系，若Xij=1，則說明節(jié)點i與j具有合作關(guān)系；反之，若Xij=0，則說明節(jié)點i和節(jié)點j不具有合作關(guān)系。應用社會網(wǎng)絡分析軟件Gephi9.2對被調(diào)研網(wǎng)絡的平均最短路徑、聚類系數(shù)進行計算，并繪制網(wǎng)絡結(jié)構(gòu)圖，見圖1和圖2。

圖1 孵化網(wǎng)絡A拓撲結(jié)構(gòu)

圖2 孵化網(wǎng)絡B拓撲結(jié)構(gòu)

2.1.3 網(wǎng)絡結(jié)構(gòu)特征

通過分析得出，孵化網(wǎng)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(shù)量節(jié)點的隨機網(wǎng)絡相比聚類系數(shù)更高[18，20]。通過與生成同樣具有182個節(jié)點和782條連邊的隨機網(wǎng)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(wǎng)絡為2.635，小世界網(wǎng)絡樣本為2.591)，但聚類系數(shù)明顯更高(隨機網(wǎng)絡為0.042，小世界網(wǎng)絡樣本為0.499)，從而證實孵化網(wǎng)絡B屬于小世界網(wǎng)絡。而孵化網(wǎng)絡A與無標度網(wǎng)絡具有較高的相似性，其網(wǎng)絡中包含779個節(jié)點和2 577條連邊。無標度網(wǎng)絡的特點是遵循冪律分布。學者們通常以雙對數(shù)(Log-Log)坐標繪制網(wǎng)絡度分布，并使用對數(shù)轉(zhuǎn)換后的數(shù)據(jù)尋找其線性規(guī)律特征[48]。結(jié)果表明，孵化網(wǎng)絡A服從冪律分布，雙對數(shù)坐標圖呈現(xiàn)出直線形式(見圖3)。

圖3 雙對數(shù)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(wǎng)絡結(jié)構(gòu)、風險傳播對孵化網(wǎng)絡最終健康水平的影響，需要對孵化網(wǎng)絡風險傳播動態(tài)過程展開研究。由于孵化網(wǎng)絡中的創(chuàng)新主體具有各自的社會屬性，故無法實現(xiàn)對網(wǎng)絡中多主體的可控性實驗，而實證分析又難以捕獲網(wǎng)絡成員多主體交互行為，缺乏對每個實體的異質(zhì)性反饋。此外，孵化網(wǎng)絡結(jié)構(gòu)演化及風險傳播相關(guān)時間序列數(shù)據(jù)在現(xiàn)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(wǎng)絡結(jié)構(gòu)、風險傳播對孵化網(wǎng)絡最終健康水平的影響，從而無法構(gòu)建特定情境下孵化網(wǎng)絡結(jié)構(gòu)、風險傳播與孵化網(wǎng)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(wǎng)絡結(jié)構(gòu)的風險傳播動態(tài)過程進行仿真研究。

2.3 風險傳播機制

孵化網(wǎng)絡成員間的互動行為較為復雜，本文盡可能從現(xiàn)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(jù)SIR模型建立風險傳播機制，設(shè)置參數(shù)取值區(qū)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(gòu)建孵化網(wǎng)絡風險傳播機制。

2.3.1 孵化網(wǎng)絡風險傳播的基本規(guī)則

假定在孵化網(wǎng)絡中s(t)、i(t)、r(t)分別為時刻t的易感節(jié)點、感染節(jié)點和免疫節(jié)點占據(jù)整個網(wǎng)絡規(guī)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(nèi)與感染個體接觸并被傳染的概率；γ為感染節(jié)點恢復到易感節(jié)點的概率。根據(jù)(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(shù)值計算展示隨時間推移的網(wǎng)絡風險演化特征。假定t=0時，孵化網(wǎng)絡中各成員節(jié)點被隨機分配到3種狀態(tài)，即健康狀態(tài)(m1)、中等狀態(tài)(m2)、差的狀態(tài)(m3)，每種狀態(tài)下初始節(jié)點網(wǎng)絡規(guī)模占比均由初始健康分布決定(Hm1-m2-m3)，每個節(jié)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(shù)

結(jié)構(gòu)可視化程度能對風險傳播中感染率和恢復率產(chǎn)生指數(shù)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(xiàn)出指數(shù)變化的趨勢，有助于孵化網(wǎng)絡減少風險傳播并改善健康狀態(tài)。結(jié)構(gòu)可視化影響下的感染率β'和恢復率γ'函數(shù)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(shù)(一般取值為2)[46]，visi代表結(jié)構(gòu)可視化程度。結(jié)合前文所提假設(shè)，即無論孵化網(wǎng)絡結(jié)構(gòu)表現(xiàn)為隨機特征、小世界或無標度特征，結(jié)構(gòu)可視化都將顯著改善或維持孵化網(wǎng)絡的最終健康水平。

2.3.3 孵化網(wǎng)絡節(jié)點健康狀態(tài)轉(zhuǎn)換規(guī)則

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

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

圖4 孵化網(wǎng)絡節(jié)點健康狀態(tài)轉(zhuǎn)移過程

圖4說明，在孵化網(wǎng)絡中，節(jié)點從好的狀態(tài)m1轉(zhuǎn)變到中等狀態(tài)m2、或中等狀態(tài)m2變?yōu)楹玫臓顟B(tài)m1，這兩種狀態(tài)轉(zhuǎn)換相差一步。同理，還有從好的狀態(tài)m2轉(zhuǎn)變到中等狀態(tài)m3、或從中等狀態(tài)m3轉(zhuǎn)變?yōu)楹玫臓顟B(tài)m2的過程。因此，圖中實線箭頭表明相鄰狀態(tài)間僅僅相差一步距離。但是，從好的狀態(tài)m1到差的狀態(tài)m3，或者從差的狀態(tài)m3變?yōu)楹玫臓顟B(tài)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(tài)間的切換。而圖5則從另外一個側(cè)面說明核心節(jié)點(在孵企業(yè)或創(chuàng)新主體)與相鄰節(jié)點的健康狀態(tài)變化情況。

如圖5所示，孵化網(wǎng)絡中核心節(jié)點(在孵企業(yè)或創(chuàng)新主體)與相鄰節(jié)點主體間的狀態(tài)變化呈現(xiàn)出3種情況：①圖5(a)表示核心節(jié)點從好的狀態(tài)m1變?yōu)橹械葼顟B(tài)m2，網(wǎng)絡中節(jié)點健康水平下降；②圖5(b)表示核心節(jié)點維持在好的狀態(tài)m1，網(wǎng)絡中節(jié)點健康水平不變；③圖5(c)表示核心節(jié)點從差的狀態(tài)m3變?yōu)橹械葼顟B(tài)m2，網(wǎng)絡中節(jié)點健康水平提高。

圖5 核心節(jié)點與相鄰節(jié)點健康狀態(tài)變化

結(jié)合圖4和圖5可以推導出孵化網(wǎng)絡中節(jié)點企業(yè)的健康轉(zhuǎn)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(jié)合式(7)和式(8)看，節(jié)點i和j之間狀態(tài)的轉(zhuǎn)移概率pij取決于3個因素：考慮結(jié)構(gòu)可視化影響的感染率函數(shù)β'或恢復率函數(shù)γ'的取值，θi、節(jié)點間狀態(tài)相差的步長ωi、處于與節(jié)點j健康狀態(tài)相同節(jié)點數(shù)量占全部網(wǎng)絡規(guī)模的比值pj。

θi取值主要取決于節(jié)點i和j所處的狀態(tài)，當節(jié)點j狀態(tài)比節(jié)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(jié)點j狀態(tài)與節(jié)點i相差一步時，ωi=1；反之當節(jié)點j狀態(tài)與節(jié)點i相差兩步時，ωi=0.5。風險傳染結(jié)束，當孵化網(wǎng)絡趨于穩(wěn)定狀態(tài)后，可采用公式(9)衡量孵化網(wǎng)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(wǎng)絡中狀態(tài)好的企業(yè)(或其他創(chuàng)新主體)數(shù)量；L1'表示網(wǎng)絡趨于穩(wěn)定狀態(tài)后，狀態(tài)好的企業(yè)(或其他創(chuàng)新主體)數(shù)量；L2表示在初始0時刻，孵化網(wǎng)絡中等狀態(tài)企業(yè)(或其他創(chuàng)新主體)數(shù)量；L3表示孵化網(wǎng)絡中狀態(tài)差的企業(yè)(或其他創(chuàng)新主體)數(shù)量。假定在風險傳播過程中，孵化網(wǎng)絡中在孵企業(yè)或創(chuàng)新主體不會退出網(wǎng)絡，其最終健康水平僅在3種狀態(tài)間進行切換，所以孵化網(wǎng)絡規(guī)模將始終保持恒定。

2.4 參數(shù)設(shè)置

2.4.1 風險傳播周期設(shè)定

從較為長遠的時間段看，孵化網(wǎng)絡特征參數(shù)也會隨之變化。本文重點關(guān)注不同健康狀態(tài)節(jié)點分布形成的短期風險傳播。因此，規(guī)定仿真周期T=40個時間間隔，以與現(xiàn)實中的創(chuàng)業(yè)企業(yè)成長期保持一致。

2.4.2 網(wǎng)絡規(guī)模設(shè)定

孵化網(wǎng)絡規(guī)模是指網(wǎng)絡內(nèi)參與企業(yè)孵化的所有創(chuàng)新主體的數(shù)量。通過對中國內(nèi)地29個省市國家級孵化網(wǎng)絡規(guī)模實際數(shù)據(jù)進行整理發(fā)現(xiàn)，孵化網(wǎng)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(wǎng)絡節(jié)點數(shù)量分布均在100～1 000之間[50]。

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

表1 孵化網(wǎng)絡結(jié)構(gòu)仿真參數(shù)

2.4.3 風險傳播參數(shù)設(shè)定

由于孵化網(wǎng)絡中各類主體關(guān)系沒有金融網(wǎng)絡密切，導致其傳染率和恢復率也都低于金融網(wǎng)絡中的參數(shù)取值[51]。這是因為，網(wǎng)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(wǎng)絡處于恢復階段時，成員間緊密的合作共享也會促使網(wǎng)絡整體具有較高的恢復率。因此，本文將兩者取值設(shè)定在不高于0.25范圍之內(nèi)。與此同時，借鑒Barthélemy 等[40]對網(wǎng)絡主體健康狀態(tài)變化趨勢的研究，分配給孵化網(wǎng)絡中每種初始健康狀態(tài)成員節(jié)點(好、中、差)所占百分比及結(jié)構(gòu)可視化程度見表2。

表2 孵化網(wǎng)絡風險傳播仿真參數(shù)

2.5 仿真設(shè)計有效性控制

為保證仿真結(jié)果的有效性，本文采用全因子實驗設(shè)計路線，共包含9個仿真參數(shù)。其中，網(wǎng)絡規(guī)模、網(wǎng)絡類型、連接概率、結(jié)構(gòu)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(huán)境中實現(xiàn)。在每次仿真過程中，如果孵化網(wǎng)絡中有95%以上節(jié)點都處于均衡狀態(tài)，則孵化網(wǎng)絡處于均衡狀態(tài)，此時仿真停止運行。

3 仿真結(jié)果統(tǒng)計分析

3.1 仿真結(jié)果

時間步長T=40，圖6為不同網(wǎng)絡結(jié)構(gòu)進行仿真后的孵化節(jié)點狀態(tài)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(wǎng)絡、圖6(b)為小世界網(wǎng)絡、圖6(c)為無標度網(wǎng)絡。

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

圖6 某次仿真結(jié)果：3種網(wǎng)絡結(jié)構(gòu)形態(tài)

圖7 某一情境下的仿真結(jié)果：3種網(wǎng)絡結(jié)構(gòu)下的風險傳播

3.2 仿真回歸結(jié)果分析

從近期研究看，學者們正在嘗試以仿真模擬數(shù)據(jù)作為基礎(chǔ)，運用統(tǒng)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(nèi)外學者接納，并廣泛應用于管理學科各個領(lǐng)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(chǎn)生的偏差，以大樣本量(21 870條)仿真結(jié)果作為數(shù)據(jù)來源，對整體模型進行多元回歸分析，探討變量間關(guān)系，進一步驗證研究假設(shè)。

3.2.1 相關(guān)性分析

從相關(guān)性檢驗結(jié)果可以看出，各變量間的相關(guān)系數(shù)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(jié)果發(fā)現(xiàn)，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(guān)系數(shù)

3.2.2 回歸分析

(1)回歸模型1驗證網(wǎng)絡結(jié)構(gòu)對風險傳播與孵化網(wǎng)絡最終健康水平的影響。結(jié)果表明，與隨機特征相比，具有無標度網(wǎng)絡結(jié)構(gòu)的孵化網(wǎng)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(wǎng)絡結(jié)構(gòu)的孵化網(wǎng)絡對最終健康水平具有顯著正向影響(p<0.001)。因此，假設(shè)H1a與H1b得到驗證(見表4)。

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

(3)回歸模型3驗證網(wǎng)絡類型和可視化程度間的交互影響。結(jié)果發(fā)現(xiàn)，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(wǎng)絡能夠降低風險，對最終健康水平產(chǎn)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(fā)現(xiàn)，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(wǎng)絡同樣都能夠降低風險，對最終健康水平產(chǎn)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(jié)果表明，無論網(wǎng)絡結(jié)構(gòu)類型如何，只有提高可視化水平才能降低網(wǎng)絡風險傳播，提高孵化網(wǎng)絡結(jié)構(gòu)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(shè) H3a、H3b、H3c得到驗證(見表4)。

表4 主效應與調(diào)節(jié)效應顯著性檢驗結(jié)果

4 結(jié)語

4.1 研究結(jié)論

本文以陜西省兩類國家級孵化器形成的實際網(wǎng)絡為研究對象，通過分析其網(wǎng)絡結(jié)構(gòu)特征，根據(jù)SIR模型設(shè)立風險傳播規(guī)則，設(shè)置符合孵化網(wǎng)絡實際特征的參數(shù)取值區(qū)間，運用統(tǒng)計分析方法對篩選的仿真結(jié)果數(shù)據(jù)進行回歸分析，得出孵化網(wǎng)絡結(jié)構(gòu)、風險傳播及特定情境交互項對孵化網(wǎng)絡最終健康水平的影響機理。結(jié)果發(fā)現(xiàn)：孵化網(wǎng)絡結(jié)構(gòu)、風險傳播與網(wǎng)絡最終健康間具有顯著相關(guān)性；當感染率高于恢復率時，與隨機網(wǎng)絡相比，無標度網(wǎng)絡會加快風險傳播，小世界網(wǎng)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(wǎng)絡具有更快的恢復速度；在不同網(wǎng)絡結(jié)構(gòu)下，可視化水平均有助于提升孵化網(wǎng)絡風險緩解能力。

4.2 實踐啟示

(1)關(guān)注孵化網(wǎng)絡結(jié)構(gòu)特性。專業(yè)孵化器網(wǎng)絡具備小世界特征，因此可通過適當控制企業(yè)間交流頻率、增強高集聚水平企業(yè)實力，進而提升網(wǎng)絡風險恢復速度，降低網(wǎng)絡風險傳播速度；綜合孵化網(wǎng)絡具有無標度特征，且網(wǎng)絡中存在“超級節(jié)點”。因此，在帶動網(wǎng)絡成員發(fā)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(yè)，對這類企業(yè)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(fā)揮示范作用，帶動關(guān)聯(lián)企業(yè)健康運行，從而實現(xiàn)整個孵化網(wǎng)絡的健康運行。

(2)改善孵化網(wǎng)絡初始化健康分布。在孵節(jié)點企業(yè)初始健康分布不合理，將會加快網(wǎng)絡風險傳播速度。因此，對在孵企業(yè)進行篩選和評估非常重要。過多低健康、高風險企業(yè)節(jié)點的出現(xiàn)不僅導致企業(yè)自身孵化過程存在風險，還會影響相關(guān)孵化企業(yè)的存活率和成功率，甚至產(chǎn)生連片孵化失敗的結(jié)果。所以,不能盲目追求孵化企業(yè)數(shù)量，而應該對初始健康水平較差的企業(yè)加以限制，將其設(shè)置在可控范圍內(nèi)，從而降低整個孵化網(wǎng)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(yè)，擴散其正面溢出效應，對周邊在孵企業(yè)節(jié)點產(chǎn)生正向引導作用，降低孵化網(wǎng)絡風險傳播效率。

(3)提升孵化網(wǎng)絡可視化程度。構(gòu)建基于互聯(lián)網(wǎng)的大數(shù)據(jù)平臺，加強孵化器管理者對網(wǎng)絡結(jié)構(gòu)可視化水平的關(guān)注度，引導成員企業(yè)與服務能力強、社會聲譽好、技術(shù)先進的合作方建立聯(lián)系。通過數(shù)據(jù)挖掘搜集可視化節(jié)點企業(yè)間供需專業(yè)數(shù)據(jù)，建立基于數(shù)據(jù)驅(qū)動的“監(jiān)控—評估—預警—應對”可視化鏈式網(wǎng)絡治理機制，及時發(fā)現(xiàn)風險預兆并實時作出預警，提高企業(yè)孵化成功率。

(4)構(gòu)建整體孵化網(wǎng)絡健康水平評估體系。在網(wǎng)絡治理方面，應更多關(guān)注績效與單個節(jié)點企業(yè)的孵化問題，而對于整個網(wǎng)絡風險傳播問題的關(guān)注應該建立整體孵化網(wǎng)絡健康水平監(jiān)控體系。當整個網(wǎng)絡出現(xiàn)大范圍風險傳播時，單個節(jié)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(wǎng)絡平臺加以干預，阻止風險蔓延與擴散，保證在孵企業(yè)安全。這種干預可能與單個企業(yè)績效存在短期矛盾，但在大范圍風險傳播過程中，在孵企業(yè)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(jù)孵化網(wǎng)絡特征構(gòu)建網(wǎng)絡模型，并依據(jù)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(wǎng)絡結(jié)構(gòu)對不同類型風險傳播影響的差異；缺乏對孵化網(wǎng)絡結(jié)構(gòu)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(guī)律。因此，未來應從上述幾個方面進行深入研究。