基于軌跡和波動的新生網商成長模式及特征研究

何玉梅，郭迅華，陳國青

(1. 清華大學經濟管理學院，北京 100084；2. 清華大學現代管理研究中心，北京 100084)

1 引言

隨著新興信息技術和電子商務經濟的蓬勃發展，網絡零售市場日趨成熟，淘寶網、eBay等電子商務平臺上涌現出大量網商，即依托于電子商務平臺直接與消費者進行持續商務活動的企業或個人[1,2]，網商是電子商務經濟的重要載體，據報告顯示，2016年僅阿里巴巴平臺上網商所創造的營收規模便達到了三萬億[3]，國外亞馬遜平臺第三方賣家年度銷售額約占據平臺總銷售額的50%[4]。其中相當比例的網商創立時間短，企業規模小[5]，是電子商務環境下的新生企業或者創業者[2](以下簡稱新生網商)。作為網商的重要組成部分，新生網商已成為帶動電子商務經濟經濟發展、推動創新創業和大眾就業的助推器。隨著電子商務平臺商業生態系統功能的逐步完善，新生網商的成長路徑逐漸清晰，衍生出多種成長模式，即在成長過程中形成典型路徑結構[6]。由于不同成長模式下的新生網商所需要的資源配置和服務不同，電子商務平臺面臨著個性化服務與管理方面的挑戰。如果無法清晰辨識新生網商成長模式，可能導致電子商務市場資源錯配。但目前對新生網商成長模式和特征相關理論研究較少，導致實踐中對于新生網商成長缺乏深刻認識。因此討論新生網商成長模式以及相關因素將揭示電子商務經濟中新生企業群體內在成長機制，豐富對于成長模式的認知，指導新生網商成長，實現市場最優資源配置。

從理論上看，新生網商成長模式的討論屬于企業成長模式研究范疇，該類研究從企業成長的歷史路徑來理解成長[7]，將企業成長看做是動態變化的內在過程[8]，認為在成長過程中存在特定的模式[9-12]。通過獲得典型企業成長模式，能夠辨識出企業群體成長路徑的系統性特征[9]，回答“企業如何成長”的問題[13]，因此該類研究是典型的過程研究[6]，能夠彌補傳統的影響因素研究的不足[10]，從而更好地揭示企業成長本質[13]。而根據過程研究的研究范式，當成長模式提出后可將其看做傳統意義上的變量，討論其影響因素和結果變量[14-15]。特別地，新生網商所選擇的類目具有與行業類似的功能，即是所面臨的外部市場環境重要構成要素[8]，績效是其生存和發展最為關心的要素[16]，如果能辨識出成長模式與類目選擇策略以及績效水平的關系，將進一步拓展成長模式的研究，說明成長模式研究的重要性。因此本文針對新生網商這一研究對象提出兩個研究問題：第一，新生網商在初期成長過程具有幾種典型成長模式？第二，不同類目選擇策略下，新生網商是否表現出不同成長模式；在形成特定成長模式后取得的績效是否有所差異，哪種成長模式的網商能夠取得更好的績效？

目前對成長模式的研究還處于起步階段[17]，現有研究一般通過描述某種資源要素隨時間變化規律獲得企業成長軌跡，從而形成“成長曲線”[8]。從時序軌跡看，研究強調增長趨勢以及趨勢在一段時間內的持續性，首先利用單位時間段企業銷售或者員工的增長率與整體增長率相比得到增長率的高/低[9-10,17-22]，其次根據一段時間內增長率的多個高低狀態形成的時序軌跡來對軌跡模式進行命名，其命名方式如表1所示。分析以往成長模式研究文獻發現，該類研究的研究對象一般為線下企業，鮮有涉及線上企業成長，即管理和運營渠道基于互聯網和信息技術的企業，典型的如電子商務行業的新生網商等。由于新生網商面臨成長環境等方面的差異[1]，新生網商與線下企業或者創業者相比，其成長具有更高的不確定性，即其網商未來的成長狀態很難預測，這種不確定性主要表現為交易不連續性和交易波動性大兩個方面。一方面由于互聯網渠道大大降低網商的進入成本，使得同一類目下商家數量巨大，網商同質化程度高[23]，市場競爭激烈[24-25]，新生網商月銷售量為零的情況常有發生，因此呈現出與消費者進行產品交易活動的不連續性；另一方面，電子商務交易中搜索引擎和推薦系統的使用降低了消費者的轉換成本和搜索成本[23]，使得消費者能夠在更短的時間內從更多的網商中選擇進行交易[26]，消費者需求具有更高的不確定性[27]，這對新生網商而言，意味著與消費者進行交易活動的風險提高[26]，使得一段時期內的交易具有更高的波動性。這些差異導致傳統成長模式研究成果不能直接應用到線上企業的場景；另一方面也使得對于高成長不確定性特征下的新生網商成長模式的討論，補充和豐富以往企業成長模式相關研究，擴展研究邊界。

注：“種類”是指從該文獻中識別出的成長模式的種類數量。

本文根據Penrose企業成長理論[8]及新生企業成長特點的相關研究[9]，提出新生網商成長模式可用成長軌跡(具有路徑依賴特點)和成長波動所構成的二維矩陣表示。其次，以中國最大電子商務平臺上的5582家新生網商作為樣本，提出相對擴張指標作為成長測度，對該指標前六個月的成長軌跡進行時序K-means聚類(kml)[28-29]，發現在該時間段內主要存在三類典型的成長軌跡(加速/勻速/減速)，同時對成長波動(銷售量相對離散程度)劃分出相對高/低水平，在二維矩陣框架下最終得到六種(3*2)成長模式的網商。利用列聯分析[18]發現成長模式與新生網商的類目選擇相關變量具有相關性；以成長模式為因變量，以初始主營類目等作為自變量的定向測度分析[18]發現，新生網商選擇的初始主營類目對于成長模式形成的影響最大。利用方差分析[15]和Kruskal-Walls[19]檢驗發現，六類成長模式網商之間在銷售績效及信譽等級存在顯著統計差異，其中加速/高波動的新生網商與其他成長模式的新生網商的銷售績效差異最大。本文將企業成長模式研究拓展到新生網商，提出新的成長模式的表示方法，并發現其成長模式的類目選擇策略和績效特征，有利于對電子商務平臺評估新生網商的成長過程，并提供個性化服務。

2 理論模型

根據Penrose企業成長理論[8]以及以此為基礎對新生企業成長特征的研究[9]，本研究認為出新生網商成長模式包括成長軌跡(具有路徑依賴特征)和成長波動。首先，新生網商成長模式包括具有路徑依賴的成長軌跡。新生網商的成長表現出路徑依賴特征[30]，即以前階段形成的成長結果會影響下一階段的成長，且該路徑依賴可體現于“成長曲線”之中[8]。新生網商在電子商務平臺上創辦網店的過程中，與線下企業相類似，通過試錯和學習來摸索創業和管理經驗[7]，通過總結經驗教訓來完善管理服務技能[31]，贏得客戶和聲譽，從而實現成長目標。該階段成長過程中的資源積累會影響下一階段的成長活動，即路徑依賴。在一定時間范圍內，這種路徑依賴特征將體現在成長時序軌跡中，即新生網商成長模式應包括具有路徑依賴的成長軌跡。其次，新生網商成長模式包括成長波動。成長不僅意味著盈利，更意味著經營風險和成本[31]，由于在成長初期面臨來自自身資源匱乏和外部競爭的壓力，新生企業鮮能持續、線性式增長[9]。新生網商由于成長不確定性高，交易波動大，成長波動在成長過程普遍存在，且成長波動的大小直接反映出成長穩定性，因此成長波動在成長模式也應當有所體現。綜上所述，本文認為新生網商的成長模式可用成長軌跡(該軌跡路徑依賴)和成長波動形成的二維矩陣表示。

基于過程研究范式，當獲得成長模式后，可將其看做傳統意義上的變量，討論其影響因素和結果變量[14-15]，因此本文提出理論模型如圖1所示，其含義為新生網商所選擇的產品類目(簡稱類目)影響新生網商的成長模式形成，而不同成長模式下的新生網商具有特定的績效特征。第一，以往研究表明，新生企業所選擇的行業環境將會影響新生企業的成長[30]。對于新生網商而言，基于電子商務市場對產品類目的管理實踐，我們認為類目與行業本質上類似。產品類目選擇策略就是在電子商務環境下的市場進入策略。新生網商一旦選擇了特定類目便進入了特定的市場，因此由于所選擇類目不同，新生網商所面臨的市場環境特征、所具有的成長資源和外部環境的匹配度不同，在不同的類目下新生網商在一段時間內表現出不同的成長路徑，也就是可能形成的成長模式不同。如新生網商分別選擇“服裝”和“數碼產品”類目便進入了“服裝”市場和“數碼產品”市場，所面臨的市場所處階段、外部市場機會和競爭程度均可能不同，因此可能形成的成長模式有所差異。第二，企業的成長模式是經營水平、市場機遇等內外因素共同作用的結果，體現出企業成長的潛力，說明企業在成長過程中積累了不同的資源[32]，而資源異質性導致其下一階段能夠開展的交易活動和提供的產品服務質量不同，從而帶來不同績效水平[31]，因此由該成長路徑依賴特點可推斷，成長前期的成長軌跡能影響后期績效表現；另一方面，成長波動是網商成長質量的信號，它影響新生網商經營管理，如安排庫存、制定營銷策略等，波動越大，說明企業成長過程中具有不穩定因素越多，可能造成新生網商在管理決策上存在偏差失誤，從而影響下一階段的績效水平，可歸納為前期的波動對后期的績效會有負向影響[33]。因此在成長軌跡和成長波動共同作用下，新生網商成長模式與網商績效有相關關系。

圖1 理論模型圖示

3 研究方法

3.1 樣本描述

本文研究對象為電子商務平臺上的新生網商，其創立時間短、企業規模小[3]?；诖颂卣鞅疚倪x取目前中國最大電子商務平臺[1,16]于2010年3月份開始營業(46546家)，且在開始營業的前半年內[7,26,34]有連續銷售量的新生網商5582家，分析數據為2010年3月到2011年2月，共12個月數據的月度數據。第一，樣本數據質量高。樣本中的新生網商是從在該平臺經營的所有網商(超過800萬)中選出，是基于全樣本的選擇；且其經營的產品覆蓋該電子商務平臺所有產品類目。第二，避免企業年齡對成長模式的影響。企業年齡已被證明對成長有重要影響[35]，本文所選取的樣本中新生網商從同一月份開始營業，可認為具有相同企業年齡，從而避免了企業年齡對分析結果帶來的誤差；第三，本文樣本是典型的具有成長性的線上企業。本文研究重點為新生網商“如何成長”，不考慮“生存偏差”帶來的影響[36]，暗含研究對象需要具有一定的成長性，一般線下企業中有成長性企業在所有企業的比例為10%左右[7,18]，而該5582新生網商約占網商總數的11.8%，占比與線下成長型企業在所有企業占比接近，可認為其具有成長性。

3.2 變量及測度

1)成長軌跡

成長軌跡是在新生網商在成長過程中表現出典型時序成長路徑。本文選擇銷售量作為成長的指標，因為銷售量是衡量新生企業成長最常用的指標[30,37-39]，能夠被用于跨類目情境研究[40]。銷售量的增長暗示消費者不斷接受企業提供的產品和服務，意味著企業市場地位和經營活動的提升，因此也是業界管理者最為看重、最常使用的指標[41-42]。測度使用銷售指標一般利用相對增長率來測量[33]，但考慮到網商交易不連續性，即經常可能面臨某月銷售為零的情況下，傳統的相對增長率指標分母可能為零，因此不適用于電子商務環境下成長的測量。利用過程研究中變量及測度可用軌跡表示[14]的思路，結合新生網商交易不連續、路徑依賴的特點[9]，提出時序相對擴張軌跡作為成長軌跡的測量。首先，提出相對擴張率作為某時刻成長的測度，第i個新生網商(i=1,2…n)在l時刻(l=1,2…T)的相對擴張率Ri,l如公式(1)所示：

(1)

2)成長波動

成長波動是指在一段時間內新生網商成長的不穩定程度。成長指標仍用銷售量的增長表示，測度使用銷售量相對離散程度[7]。選取該指標的理由是其他常用指標無法適應研究情境。由于新生網商成長不連續，采用增長率測度成長波動[43-44]無法避免測度分母為零的問題。而中小網商分布于服裝等十七個類目，不同類目之間企業規模差別很大，使用絕對離散程度[40]測度成長波動無法排除企業規模的影響，因此，第i個網商成長波動表示如公式(2)。

GrowthVolatilityi=

(2)

3)類目策略

如圖2所示，該電子商務平臺所提供的產品類目結構包括一級類目和二級類目，一級類目包括服飾、數碼產品、珠寶手表等17個，一級類目又可細分為共計81個二級類目，從而形成兩層樹狀類目結構。該類目是基于類目內部專家評分，并經過了多年的類目實踐總結而來，具有較高可信度。我們將其主營產品的一級產品類目定義為“類目”，認為該層類目對于新生網商的發展起到了與線下企業所在行業類似的功能，理由是對于新生網商而言，選擇某類目意味著面臨不同的市場環境，該產品類目的選擇將影響其庫存管理、營銷活動、客戶服務等方面的管理經營策略；同時同一類目網商共同決定包括市場激烈程度、集中度等特征，這些特征與傳統意義上的行業特征類似。由于成長模式與從屬行業相關[7,17-18,45-46]，因為推斷成長模式與產品類目相關。行業作為重要的外部環境因素，對成長的影響是多方面的[47]，類似地我們考慮網商的初始進入類目以及在經營管理中的類目策略變動情況。第一，網商經營的類目可能涉及多個類目，但由于主營類目是網商經營重點，而電子商務平臺一般依據主營產品類目將網商歸入某類目下進行排序等，消費者也往往根據一級類目選擇網商，因此本文中的類目測度依賴于主營類目；第二，根據二級類目和文獻中產品產品類型劃分策略[48-53]劃分該電子商務平臺的產品類型，如主營二級類目中，“女裝”屬于“體驗型產品”，“相機”屬于“搜索型產品”；同時考慮進入電子商務平臺后第一個月主營類目(初始主營類目)和前半年每月主營次數最多類目(從屬主營類目)[7,18,45]以及前半年轉換類目次數(類目轉換次數)[16]，初始主營類目和從屬主營類目反映了在短期和長期的類目策略，而類目轉換次數反映了其類目選擇的穩定程度。

圖2 某電子商務平臺產品類目結構示意圖

4)網商績效

網商績效特征包括銷售收入和信譽等級兩方面。銷售收入是企業創造利潤的直接來源，是企業其他經營層面成長的基礎[42]，也是在電子商務環境下大部分商家所追求的經營目標[16]?？冃卣鞑粌H僅包含其水平高低，績效穩定性同樣是反映績效特征的重要變量。因此本文使用前12個月的累積銷售收入和在該累積銷售收入計算的最后一個月銷售收入分別代表整體/月銷售收入水平。

在成長不確定性高的電子商務平臺，信譽是新生網商的重要資產[16, 53]，因為網商信譽被作為商品和網商的質量信號[54]，影響消費者對網商的信任[55]，并使得商家獲得價格溢價[56]。信譽等級在淘寶信譽體系是衡量網商的重要指標，對消費者決策有重要影響，因此將信譽等級作為網商績效的測度之一[16]。網商信譽等級是指顯示于店鋪的賣家信用星級，根據該電子商務平臺店鋪信用評價規則，根據對商家的累積評價積分的區間得到賣家信譽等級的階躍函數，按照從低到高的順序劃分“心”、“鉆”、“藍冠”、“黃冠”四個等級，并在每個等級內細分五個子等級，從而得到信譽等級與評分的關系。與銷售績效指標類似，使用其信譽等級高低水平及其標準差作為測度。

3.3 分析方法

本文通過使用成長軌跡(具有路徑依賴特征)和成長波動所構成的二維矩陣來表示成長模式。成長軌跡通過對相對擴張軌跡進行時序K-means聚類(kml)[29]獲得。該方法聚類效果良好，同時在處理大規模數據時表現穩定[28]。其具體步驟如下：

1)通過測度標準化(相對擴張軌跡)從而消除異常值，以避免聚類分析對異常值敏感的問題[18]，并使用Frechet距離作為距離測度[57]；

2)將樣本按2/3的比例隨機劃分為訓練集和測試集[17]，訓練集用來得到最優聚類數[18]，測試集驗證最優聚類數是否穩健[17-18]。

在此基礎上對樣本按照最優聚類數進行時序k-means聚類，并對不同長度的時間段聚類以進行敏感性分析，由此得到不同類別的成長軌跡。同時，通過與樣本整體成長波動(銷售量相對離散程度中位數)的比較，將樣本劃分出成長波動的“高/低”。由于不滿足方差齊次性假設，本文在對成長模式和網商績效的關系上使用了ANOVA[15,18]中未假定方差齊次性的檢驗的Dunnett’s T3(3) 檢驗和Kruskal-Walls 檢驗[19]進行分析；對成長模式類目策略的探究使用成長模式為因變量，類目為自變量的列聯分析[31]。

4 結果及討論

4.1 成長模式

首先，對訓練集進行kml聚類發現成長軌跡的最優聚類數為3，并將最優聚類數運用到測試集，所得各類成長模式網商比例與訓練集結果基本一致。其次發現對樣本進行kml聚類，結果與訓練集保持一致。為了保證結果的穩健性，在對前六個月相對擴張指標軌跡的kml聚類分析中，使用最常用的Caliński & Harabazt標準[58]發現最優聚類數為3；另外使用Ray & Turi 標準和Davies & Bouldin 標準進行一致性檢驗[28]也得到類似結果，同時根據Caliński & Harabazt 標準，本文選取時間長度為九個月和十二個月進行分析，得到最優聚類數仍為3。因此可以認為新生網商存在三種典型成長軌跡。最終得到聚類結果如圖3所示，橫軸代表月份，縱軸代表當月的相對軌跡指標其中A、B、C條曲線分別具有近似線性、凸形和凹形的形狀，分別命名為勻速(A曲線，43.5%)、加速(B曲線，31.6%)和減速(C曲線，24.9%)。觀察不同成長軌跡下網商的在開始營業后半年的銷售量動態變化，我們發現，“減速”成長的新生網商在前期有一定銷售量，之后月份銷售量很少，或者前期有銷售量，但第一個月或者第二個月有相對較高銷售量(相比之后月份)，甚至銷售量增長率為負，可以推測此類網商有可能逐漸退出市場；同“減速”新生網商相比，“勻速”新生網商在前半年有銷售的月份有所增加，但是存在期間部分月份銷售為零的情況，這說明雖然銷售量時高時低，該類網商的經營活動仍然有著較為持續的發展；同“勻速”成長的新生網商相比，“加速”成長的新生網商有銷售量的月份明顯增多，且呈現出較強的增長趨勢，可以推測該類新生網商可能持續成長，實現較高的業績規模。

圖3 新生網商的kml聚類結果(N=5582)

按照個體的成長波動與整體成長波動(銷售量相對離散程度中位數)的關系，分為高波動(50.7%)和低波動(49.3%)兩類；為了厘清成長波動與聚類中的成長軌跡本身的波動(相對擴張指標的離散程度)兩個概念，進行Pearson’s相關性檢驗，得到二者相關系數為0.158且結果統計上不顯著(p>0.1)，即可認為不存在線性相關。分別以成長軌跡和成長波動為橫軸和縱軸，得到3*2的矩陣，形成新生網商的六類成長模式，并根據成長軌跡(加速/勻速/減速)和成長波動(高波動/低波動)命名。類別占比如圖4所示，勻速/低波動的新生網商占比最大(30.81%)，減速/低波動的新生網商占比最小(7.27%)。

圖4 新生網商成長模式劃分及其所占比例

為進一步觀察六種成長模式新生網商特點并加以區別，并為之后的成長模式與網商績效討論做準備，我們做出了新生網商銷售量規模和信譽等級在觀察期內的(12個月)平均值時序路徑圖(虛線部分為市場所有新生網商平均路徑，作為基準值)。如圖5(a)所示，不同成長模式的新生網商銷售路徑和信譽等級路徑具有明顯差異，“減速”、“勻速”、“加速”成長趨勢依次遞增，這也與圖4(a)的觀察結果一致?！暗退?低波動”和“低速/高波動”相對比，“低速/高波動”在觀察期內的銷售量路徑始終保持在“低速/低波動”的銷售量路徑之上，而“勻速/低波動”和“勻速/高波動”的對比卻呈現出相反趨勢。如圖5(b)所示，不同成長模式新生網商信譽等級在觀察前期差別較小，但是隨著時間推移，呈現出清晰的路徑差異。其中，“加速/低波動”的新生網商信譽等級路徑在觀察期內一直處于“加速/高波動”網商信譽等級路徑之上，“勻速/低波動”和“勻速/高波動”新生網商信譽等級路徑差別較??；而“減速/低波動”新生網商信譽等級路徑與其他路徑相比，始終處于最下端。綜上所述，我們發現新生網商存在六種典型成長模式，且不同成長模式新生網商的銷售量和網商信譽等級路徑呈現出差異。

圖5(a) 不同成長模式新生網商銷售量路徑圖

圖5(b) 不同成長模式新生網商信譽等級路徑圖

4.2 類目策略與成長模式

從描述性分析圖6(a)所示，新生網商初始主營類目中，“服裝”(16.9%)和“珠寶手表”(16.5%)的占比遠高于其他類目，其次是“文化玩樂”(8.1%)和“其他”(8.0%)；如圖6(b)所示，從屬主營類目中，“服裝”(18.3%)和“珠寶手表”(14.4%)仍在所有類目中占比最高，其次是“其他”(8.7%)和“文化玩樂”(7.8%)。但從屬主營類目占比與初始主營類目占比相比，“服裝”升高1.5%，“珠寶手表”降低2.1%，“其他”占比升高0.6%，而“文化玩樂”基本保持不變。

圖6(a) 新生網商初始主營類目直方圖

圖6(b) 新生網商從屬主營類目直方圖

首先，新生網商的成長模式與類目選擇策略變量的相關關系統計顯著。如表 2所示，卡方檢驗統計量結果顯示皮爾遜卡方統計雙側漸近顯著性水平均小于 0.01，可在1%的顯著性水平下拒絕初始主營類目等多個類目測度和成長模式之間不存在關聯性的原假設，即新生網商的成長模式與其經營的產品類型、初始主營類目、從屬主營類目的相關關系統計顯著 (p<0.01)。進一步利用名義變量列聯表的定向測度分析[60]，得到以成長模式為因變量所得到的Lambda系數，分別以初始主營類目等測度作為自變量對成長模式進行預測，發現可以減少的預測誤差降低幅度，最高可在2.1%左右(初始主營類目，Lambda系數=0.021, p<0.001)，即新生網商所選擇的初始主營類目對成長模式的影響最大(2.1%)，同時發現類目轉換次數對于成長模式進行預測所降低的誤差幅度不顯著，即類目轉換次數對于成長模式的形成沒有顯著影響(p=0.238)。

表2 成長模式與類目列聯分析檢驗

注：顯著性.c表示(因為漸進誤差為零而無法計算)， ‘***’ p<0.01，‘**’ p<0.05 ，‘*’p< 0.1

為了更好地探究網商所隸屬類目與其成長模式的關系，以初始主營類目和從屬主營類目作為分母，得到某種類目中特定成長模式的占比，從而根據其所在類目判斷成長模式，總結如表3所示。分析發現“珠寶手表”、“服裝”、“數碼產品”和“虛擬產品”四個類目下的網商成長模式分布具有明顯特征。其類目下的產品雖然同隸屬于體驗型產品[49]，“服裝”和“珠寶手表”的產品，其類目內部的網商成長模式的占比呈現相反趨勢：“珠寶手表”中減速/低波動占比遠高于其他類目，甚至超過了勻速/低波動網商的占比，說明如果進入“珠寶手表”，新生網商成為減速/低波動型網商的可能性遠高于其他十六個類目；而“服裝”中網商成為勻速/高波動網商的可能性比其他類目更大。分析這一現象發現，其可能原因是類目集中度不同。具體來說，兩個類目的新生網商數量大致相當(分別為服裝943，珠寶手表921，下同)，其類目累積銷售額也相近(55,734,336，60,578,177)，但是“珠寶手表”的赫芬達爾—赫希曼指數(Herfindahl-Hirschman Index，HHI)是“服裝”HHI指數的兩倍(0.0078，0.0164)，HHI越大表明市場集中度越高，該結果說明服裝類目的集中度小于珠寶手表類目。而對于“數碼產品”和“虛擬產品”的分析，也得出類似的結論。因此可以認為在新生網商的成長模式形成影響因素中，不能僅憑傳統的體驗型/搜索型產品分類標準，還需要細分產品類目，考慮所在一級類目集中度等類目特征。

表3 不同類目成長模式占比總結

綜上所述，成長模式與產品類型、初始主營類目、從屬主營類目的列聯分析發現，成長模式與類目選擇策略具有統計顯著的相關性，從而說明具有特定成長模式的新生網商表現出不同的類目分布；初始主營類目對于成長模式可能的影響最大；“服裝”、“珠寶手表”、“數碼產品”以及“虛擬產品”中某種成長模式網商的占比在其他類目的占比更高。

4.3 成長模式與網商績效

不同成長模式下的新生網商在銷售績效和信譽等級兩個維度具有顯著的統計差異。具體說來，通過對第十二個月銷售收入，前十二個月的累積銷售收入和第十二個月的信譽等級分別進行ANOVA檢驗[15]和Kruskal-Walls檢驗[19]，發現六種成長模式的新生網商的績效在統計上存在顯著差異(p<0.001)，同時發現加速/高波動的新生網商與其他成長模式的新生網商銷售績效差異最大。由此進一步觀察新生網商成長模式與銷售績效及信譽等級的關系。對銷售績效，如圖7(a)和圖7(b)所示，在減速或勻速成長軌跡下，高波動的網商第十二月份銷售收入和前十二個月銷售收入(平均值)更低，但是當成長軌跡為加速時，高波動的網商在該兩個指標上反而更高。根據以往成長波動研究[33]，低成長波動下的新生網商具有更加穩定的銷售績效，穩定的績效將帶來更多的資源積累，從而獲得更多的競爭優勢，取得更好的績效。但是本文發現在加速成長軌跡下，卻表現出與此以往研究相反的規律，加速成長軌跡下，高成長波動的新生網商的績效平均水平反而比低成長波動的網商的更高，可以推斷成長波動對于績效的影響，考慮成長軌跡的情況下表現出以往研究推斷不同的地方；而從成長軌跡的角度看，在同一成長軌跡下，高波動和低波動的網商的績效水平也有顯著差異，說明成長軌跡與銷售績效的相關關系受到了成長波動的影響，因此可以說明成長模式并不是成長軌跡和成長波動的線性加和，而是二者的共同作用，進一步說明本文提出的二維分類框架的合理性。

對信譽等級，如圖7(c)所示，加速成長軌跡下，加速/低波動的網商信譽等級，比加速/高波動的企業的，且該成長模式下的新生網商信譽等級所得平均分更高。發現在減速成長軌跡下，高波動的網商比低波動的網商在第十二個月份夠取得更高的信譽等級。與銷售績效的分析類似，我們認為這也說明利用成長軌跡和成長波動劃的二維矩陣來定義成長模式的合理性。

圖7(a) 第十二月銷售收入平均值

圖7(b) 前十二月銷售收入平均值

圖7(c) 第十二月信譽等級平均值

5 結語

本文旨在探究電子商務平臺新生網商的成長模式及不同成長模式的網商所具有的績效和類目選擇策略。同傳統線下企業的成長相比，新生網商成長具有更高的不確定性。本文利用Penrose企業成長理論[8]及對新生企業成長特點[9]的分析，認為新生網商在成長過程中形成的成長模式可由成長軌跡(具有路徑依賴特征)和成長波動共同反映，不同成長模式的網商的銷售績效和賣家信譽等級存在差異，且該差異統計顯著。特別地，加速/高波動的網商績效特征最為明顯；新生網商的成長模式與產品類型、初始主營類目、從屬主營類目等類目測度有顯著統計相關性，不同成長模式網商在產品類型、初始主營類目、從屬主營類目和類目轉換次數上存在顯著差異，初始主營類目對于新生網商成長模式的形成影響最大，服裝、珠寶手表、數碼產品以及虛擬產品四類類目中具有成長模式中占比特征顯著。

本文將成長模式的研究對象拓展到電子商務環境下的新生網商這一特殊群體，提出來一種成長模式的可操縱定義，同時分別探究了不同成長模式與類目策略和績效水平的關系，擴展了企業成長模式相關研究邊界。具體地，用成長軌跡(具有路徑依賴特征)和成長波動的二維矩陣表示，對網商類目策略和績效水平的分析發現該成長模式的定義具有較高的內部效度。其次，提出新的時序成長軌跡測度，該相對測度揭示新生企業成長軌跡的依賴特征，避免企業規模和分母為零所帶來的影響，利用聚類方法得到典型成長軌跡，克服以往軌跡研究勻速使用閾值來劃分“高/中/低”標準的邊界問題[17]。

本文所得的成長模式具有實踐價值和管理啟示。對電子商務平臺，本文所得出的成長模式可作為對新生網商進行信用評級并提供個性化服務的依據之一。電子商務平臺的主要功能包括“孵化”新生創業者和企業，該功能主要體現為“評價”和“服務”兩方面。本文所提出的成長模式將有利于該兩大職能的實現。其一，本文所提出成長模式關注新生網商成長過程，并且可以預測下一階段績效情況，因此可將作為傳統信用評價指標和認證方法的補充，并以此作為融資擔保、銀行放貸等提供的信用評級證明依據之一，從而更加全面評價新生網商。其二，不同成長模式的新生網商具有不同的成長特征，所需要的配套資源和服務也可能不同，電子商務平臺可通過辨識出不同類型的新生網商，依據其所處的成長模式來提供個性化的服務支持，如針對“加速成長/高波動”和“減速/低波動”的新生網商在累積信譽等級路徑上存在一定劣勢，可提供不同的經營培訓服務并推薦個性化課程學習進行相應改善，從而更好地實現電子商務平臺的“服務”功能。同時，對新生網商而言，可了解自身所處成長狀況，并利用成長模式與類目選擇策略的關系發現新的成長機會，管理經營產品類目,如新生網商可通過了解成長模式來判斷在某一階段的成長情況，并以此對下一階段的經營策略進行調整；同時有針對性地選擇不同的產品類目來改變成長模式，以實現理想績效目標。

本文存在不足與需拓展之處，如時序聚類分析所獲得的成長軌跡可與外在創業動機、企業成長策略等相結合；對于新生企業的成長來說，外界環境起到了重要作用[8]，后續研究工作將在已有類目選擇策略討論的基礎上，進一步探索市場集中度等類目特征指標等市場環境對成長模式的影響。

參考文獻：

[1] Wang Youwei, Wang Shan, Fang Yulin, et al. Store survival in online marketplace: An empirical investigation[J]. Decision Support Systems, 2013 (56):482-493.

[2] 王萌，郭迅華，陳國青，等. 在線關系對中小網商績效影響的實證分析[J].中國管理科學, 2016, 24(10): 156-163.

[3] 左手“淘寶”，右手“造物”-2017年網商報告之創新生態[R]，阿里研究院，2017.

[4] Annual Report from Amazon in 2016[R], Amazon, 2016.

[5] 淘寶集市個體店家的社會和執業特征[R], 北京大學經濟發展研究中心及阿里巴巴研究中心, 2012.

[6] Dooley KJ, Van de Ven AH. Explaining complex organizational dynamics[J]. Organization Science, 1999, 10(3):358-372.

[7] Coad A, Frankish J, Roberts R G, et al. Growth paths and survival chances: An application of Gambler's Ruin theory [J]. Journal of Business Venturing, 2013, 28(5): 615 -632.

[8] Penrose E T. The theory of the growth of the firm [M], Oxford: Oxford University Press, 1959.

[9] Garnsey E, Stam E, Heffernan P. New firm growth: Exploring processes and paths [J]. Industry and Innovation, 2006, 13(1): 1-20.

[10] Brenner T, Schimke A. Growth development paths of firms-A study of smaller businesses [J]. Journal of Small BusinessManagement, 2015, 53(2): 539-557.

[11] Bottazzi G, Secchi A. Why are distributions of firm growth rates tent-shaped? [J]. Economics Letters, 2003, 80(3): 415-420.

[12] Stam E. Growth beyond Gibrat: Firm growth processes and strategies [J]. Small Business Economics, 2010, 35(2): 129-135.

[13] McKelvie A, Wiklund J. Advancing firm growth research: A focus on growth mode instead of growth rate [J]. Entrepreneurship Theory and Practice, 2010, 34(2): 261-288.

[14] Poole M S, Van de Ven A H, Dooley K, et al. Organizational change and innovation processes: Theory and methods for research[M]. Oxford: Oxford University Press,2000.

[15] Joseph D, Boh W F, Ang S, et al. The career paths less (or more) traveled: A sequence analysis of IT career histories, mobility patterns, and career success[J]. MIS Quarterly, 2012, 36(2): 427-452.

[16] Fan Ying, Ju Jiandong, Xiao Mo. Reputation premium and reputation management: Evidence from the largest e-commerce platform in china[J]. International Journal of Industrial Organization, 2016, 46: 63-76.

[17] Diambeidou M B, Gailly B. A taxonomy of the early growth of Belgian start-ups [J]. Journal of Small Business and Enterprise Development, 2011, 18(2): 194-218.

[18] Delmar F, Davidsson P, Gartner W B. Arriving at the high-growth firm [J]. Journal of Business Venturing, 2003, 18(2): 189-216.

[19] McMahon R G. Deriving an empirical development taxonomy for manufacturing SMEs using data from Australia's business longitudinal survey[J]. Small Business Economics, 2001, 17(3): 197-212.

[20] Acs Z J. High-impact firms: Gazelles revisited[M]//Fritsch M. Handbook of research on entrepreneurship and regional Development: National and regional perspectives. Massachusetts: Edward Elgar Publishing, 2011: 133-174.

[21] Kemp R G, Verhoeven W. Growth patterns of medium-sized fast-growing firms [M], Zoetermeer: EIM Business & Policy Research, 2002.

[22] Lee C. A theory of firm growth: Learning capability, knowledge threshold, and patterns of growth [J]. Research Policy, 2010, 39(2): 278-289.

[23] Goldmanis M, Horta?su A, Syverson C, et al. Ecommerce and the market structure of retail industries [J]. The Economic Journal, 2010, 120(545): 651-682.

[24] Grewal D, Iyer GR, Levy M. Internet retailing: Enablers, limiters and market consequences [J]. Journal of Business Research, 2004, 57(7): 703-713.

[25] Singh N, Kundu S. Explaining the growth of e-commerce corporations (ECCs): An extension and application of the eclectic paradigm [J]. Journal of International Business Studies, 2002, 33(4): 679-697.

[26] Ba S, Pavlou P A. Evidence of the effect of trust building technology in electronic markets: Price premiums and buyer behavior [J]. MIS quarterly, 2002: 243-268.

[27] 鄧愛民, 陶寶, 馬瑩瑩. 網絡購物顧客忠誠度影響因素的實證研究 [J]. 中國管理科學, 2014, 22(6): 94-102.

[28] Genolini C, Falissard B. KmL: A package to cluster longitudinal data [J]. Computer Methods and Programs in Biomedicine, 2011, 104(3): 112-121.

[29] Genolini C, Falissard B. KmL: K-means for longitudinal data [J]. Computational Statistics, 2010, 25(2): 317-328.

[30] Gilbert B A, McDougall P M, Audretsch D B. New venture growth: A review and extension [J]. Journal of Management, 2006, 32(6): 926-950.

[31] Delmar F, McKelvie A, Wennberg K. Untangling the relationships among growth, profitability and survival in new firms [J]. Technovation, 2013, 33(8-9): 276-291.

[32] Pettus M L. The resource-based view as a developmental growth process: Evidence from the deregulated trucking industry [J]. Academy of Management Journal, 2001，44(4)：878-896.

[33] Reichstein T, Dahl M S. Are firm growth rates random? Analysing patterns and dependencies [J]. International Review of Applied Economics, 2004, 18(2): 225-246.

[34] Cabral L, Horta?su A. The dynamics of seller reputation: Evidence from eBay [J]. The Journal of Industrial Economics, 2010, 58(1): 54-78.

[35] Coad A, Segarra A, Teruel M. Like milk or wine: Does firm performance improve with age? [J]. Structural Change and Economic Dynamics, 2013, 24(0): 173-189.

[36] Chandler G N, McKelvie A, Davidsson P. Asset specificity and behavioral uncertainty asmoderators of the sales growth-employment growth relationship in emerging ventures [J]. Journal of Business Venturing, 2009, 24(4): 373-387.

[37] Daunfeldt S, Elert N, Johansson D. The economic contribution of high-growth firms: Do policy implications depend on the choice of growth indicator? [J]. Journal of Industry, Competition and Trade, 2014 (14): 337-365.

[38] Murphy G B, Trailer J W, Hill R C. Measuring performance in entrepreneurship research [J]. Journal of Business Research, 1996, 36(1): 15-23.

[39] Weinzimmer L G, Nystrom P C, Freeman S J. Measuring organizational growth: Issues, consequences and guidelines [J]. Journal of Management, 1998, 24(2): 235-262.

[40] Davidsson P, Achtenhagen L, Naldi L. Small firm growth [M]. Boston: Now Publishers Inc, 2010.

[41] Achtenhagen L, Naldi L, Melin L. “Business growth”-Do practitioners and scholars really talk about the same thing? [J]. Entrepreneurship Theory and Practice, 2010, 34(2): 289-316.

[42] Shepherd D, Wiklund J. Are we comparing apples with apples or apples with oranges? Appropriateness of knowledge accumulation across growth Studies [J]. Entrepreneurship Theory and Practice, 2009, 33(1): 105-123.

[43] Comin D, Mulani S. A theory of growth and volatility at the aggregate and firm level [J]. Journal of Monetary Economics, 2009, 56(8): 1023-1042.

[44] Davis S J, Haltiwanger J, Jarmin R， et al. Volatility and dispersion in business growth rates: Publicly traded versus privately held firms [M]. Cambridge MA: MIT Press: 2007.

[45] Frankish J S, Roberts R G, Coad A，et al. Do entrepreneurs really learn? Or do they just tell us that they do? [J]. Industrial and Corporate Change, 2013, 22(1): 73-106.

[46] Dobbs M, Hamilton R T. Small business growth: Recent evidence and new directions[J]. International Journal of Entrepreneurial Behaviour & Research, 2007, 13(5): 296-322.

[47] Wiklund J, Patzelt H, Shepherd D. Building an integrative model of small business growth [J]. Small Business Economics, 2009, 32(4): 351-374.

[48] Nelson P. Information and consumer behavior[J]. Journal of Political Economy, 1970，78(2), 311-329.

[49] Girard T, Dion P. Validating the search, experience, and credence product classification framework[J]. Journal of Business Research, 2010, 63(9): 1079-1087.

[50] Korgaonkar P, Silverblatt R, Girard T. Online retailing, product classifications, and consumer preferences[J]. Internet Research, 2006,16(3)： 267-288.

[51] Hsieh Y C, Chiu H C, Chiang M Y. Maintaining a committed online customer: A study across search-experience-credence products[J]. Journal of Retailing, 2005，81(1)： 75-82.

[52] Huang Peng, Lurie N H, Mitra S. Searching for experience on the web: An empirical examination of consumer behavior for search and experience goods[J]. Journal of Marketing, 2009,73(2): 55-69.

[53] Rice S C. Reputation and uncertainty in online markets: An experimental study [J]. Information Systems Research, 2012, 23(2): 436-452.

[54] Mavlanova T, Benbunan F R, Koufaris M. Signaling theory and information asymmetry in online commerce [J]. Information & Management, 2012, 49(5): 240-247.

[55] Zhou Ming, Dresner M, Windle R. Revisiting feedback systems: Trust building in digital markets [J]. Information & Management, 2009, 46(5): 279-284.

[56] Dellarocas C. How often should reputation mechanisms update a trader's reputation profile? [J]. Information Systems Research, 2006, 17(3): 271-285.

[57] Chouakria A D, Nagabhushan P N. Adaptive dissimilarity index for measuring time series proximity[J]. Advances in Data Analysis and Classification, 2007, 1(1): 5-21.

[58] Caliński T, Harabasz J. A dendrite method for cluster analysis [J]. Communications in Statistics-theory and Methods, 1974, 3(1): 1-27.

[59] Costner, Herbert L. Criteria for measures of association [J]. American Sociological Review，1965，30(3): 341-353.