風險投資企業關系嵌入與投資績效
——一個三階交互模型

倪艷霞（博士）

一、引言

關系嵌入是風險投資企業（Venture Capital Firms，VCFs）在高不確定性、高失敗率和高信息不對稱的投資行業的重要戰略選擇[1]。隨著我國經濟的高速發展以及“雙創戰略”的實施，VCFs在發展戰略性新興產業、促進產業結構升級、建設創新型國家等方面發揮了重要作用[2]，VCFs的投資績效也備受理論界和實踐界的關注。關系嵌入作為VCFs的重要外部知識來源，對投資績效有重要影響。但由前人研究可知，關系嵌入與組織績效之間的關系尚未有統一定論，即存在“關系嵌入悖論”[3]。

VCFs豐富的投資經驗有利于尋找有潛力的創業企業、提供優質的增值服務[4]，是企業重要的內部知識來源。網絡密度作為VCFs重要的網絡屬性和情境因素，也會影響企業資源的獲得[5]。雖然有學者從不同情境因素出發，探討了關系嵌入對投資績效的作用機制[6-8]，但現有研究鮮少從投資經驗、網絡密度及其關系切入，對其在關系嵌入與投資績效間的調節效應進行剖析，這使得投資網絡中VCFs關系嵌入與投資績效間的復雜關系難以得到充分解釋?；诖?，本文以我國VCFs為研究對象，在分析關系嵌入與投資績效關系的基礎上，對在不同投資經驗、網絡密度及其交互作用的影響下，關系嵌入與投資績效之間關系的變化進行深入研究。

本文的貢獻在于：第一，以我國VCFs為研究對象，豐富了新興市場風險投資的研究體系，對現有研究形成補充；第二，在研究設計上，不僅采用獨立樣本T檢驗和獨立樣本非參數Mann-Whitney U檢驗分別對低投資績效和高投資績效兩組子樣本的均值和中位數差異進行檢驗，而且采用能有效解決大樣本中異方差問題的廣義最小二乘法（FGLS）；第三，進一步對樣本的內生性和穩健性問題進行探討，極大避免了不可觀測因素和模型設定所帶來的估計偏誤，保證了研究結論的科學性和可靠性。

二、理論基礎與研究假設

（一）關系嵌入與投資績效

關系嵌入關注的是以直接聯結為紐帶的二元交易問題，即直接交易雙方之間互相理解、信任和承諾的程度[9]。Granovetter[10]將企業間的聯盟關系劃分為強關系和弱關系，用以表征合作伙伴間關系的緊密程度，從而反映從合作伙伴處獲得資源的難易程度和多寡程度。

較強的VCFs戰略聯盟關系能有效提升投資績效的原因如下：第一，VCFs間高度的關系嵌入意味著雙方之間的高度信任，能夠促進合作雙方復雜知識與信息的共享、溝通和交流[11]，提高VCFs成功退出創業企業的概率；第二，隨著VCFs關系嵌入程度的加深，合作雙方信息共享的程度增大，更有利于彼此間資源、信息、知識的轉移，尤其是隱性知識和復雜知識的轉移、轉化[12]，合作雙方也更有可能相互激勵、鼓勵和推動投資活動的開展，從而提高投資績效；第三，當VCFs雙方擁有強連接時，更可能通過反復溝通、交流及協商解決問題，從而對投資過程、結果有共同的理解[13]，對復雜知識和隱性知識有共同的編碼及認知，更有利于挖掘、利用能夠獲得戰略優勢的有價值的知識，從而提高投資績效；第四，關系嵌入能夠大大減少網絡個體機會主義行為的發生[14]；第五，我國是一個講究“人脈”“人情”“禮尚往來”的集體主義國家，我國VCFs更是深諳“關系”對獲取投資回報的重要性[15]，由于我國風險投資市場起步較晚，風險投資市場發育不完全，相應的監管體制和治理機制不完善、信息透明度低、產權保護體系缺失，利用非正式制度、依靠關系就成為我國VCFs獲得資源、解決糾紛、提高投資回報率的極佳辦法[16-18]。

盡管有研究表明，與有限數量的熟悉伙伴合作會阻礙VCFs獲得新的機會，增加同質化、冗余信息的交流[3]，降低VCFs對資源的整合效率和戰略決策效率，但本文認為，在我國文化情境下，關系嵌入對投資績效的促進作用要更大。

基于此，本文提出如下假設：

H1：VCFs關系嵌入對投資績效有正向影響。

（二）投資經驗的調節作用

有學者指出，與有限數量的熟悉伙伴合作會增加企業間同質化、冗余信息的交流[3]，降低VCFs對資源的整合效率和戰略決策效率。因此，VCFs投資經驗所形成的內部化知識與關系嵌入所帶來的外部知識所形成的潛在協同效應對投資績效有重要作用。

組織學習理論指出，不同的組織經驗會影響組織的機會感知能力。豐富的組織經驗有助于組織對潛在機會的識別、理解和利用。組織經驗的價值不僅體現在組織所熟悉的領域，還可擴展到組織經驗在新領域的應用[19]。組織經驗的積累是對知識、信息、資源等識別、獲取和吸收的重要過程，是組織價值創造的基礎，也是企業能力提升的重要信號[20]。隨著VCFs投資經驗的積累，企業內部知識儲存逐漸豐富、內部能力逐漸提高，這是企業價值創造的重要推動力[21]以及競爭優勢的重要來源[22]，有利于VCFs對創業企業的篩選、識別，以及提供價值增值服務。若VCFs僅與有限數量的伙伴合作，那么其獲得冗余信息的可能性增大，有限數量的合作伙伴及限定的投資領域會影響VCFs的信息轉介交換能力，從而增加投資風險。當VCFs的投資經驗豐富時，多行業及多領域的知識就與特定關系嵌入所帶來的有限知識產生互補效應，分散因投資行業的高度不確定性所帶來的風險，從而提高投資績效。

基于此，本文提出如下假設：

H2：VCFs的投資經驗加強了關系嵌入對投資績效的正向影響。

（三）網絡密度的調節作用

網絡密度用來描述組織所處的聯盟網絡內組織間相互聯系的緊密程度[23]。在由相同數目企業構成的聯盟網絡中，企業間聯系越多，其聯盟網絡的密度越高。本文認為，網絡密度與關系嵌入對投資績效的作用機制具有替代效應。原因如下：首先，在高密度的聯盟網絡內，作為網絡節點的VCFs間大多具有直接或間接的聯系，VCFs通過關系嵌入獲得的資源與通過密集網絡獲得的資源會有重合。其次，高度密集的網絡內互相競爭的VCFs獲得的資源差異性較小，關系嵌入所帶來的資源與密集網絡所帶來的資源的重合性不利于VCFs競爭優勢的獲得和提升。最后，由于高度密集的聯盟網絡為VCFs帶來的資源差異性較小，VCFs可能建立更多的強關系來獲得更有價值的資源，從而導致VCFs對聯盟網絡的過度嵌入，不利于投資績效的提升；相反，在稀疏的戰略聯盟網絡內，網絡內資源異質性較大，與關系嵌入所帶來的資源形成協同效應，從而提高投資績效。

基于此，本文提出如下假設：

H3：VCFs的網絡密度削弱了關系嵌入對投資績效的正向影響。

（四）網絡密度與投資經驗的交互調節作用

當聯合投資網絡密度較低時，如果VCFs投資經驗匱乏，雖然其有機會接觸、獲取多樣化的異質性信息和資源，但由于其知識儲備不足，知識基礎薄弱，對市場知識和有效投資機會信息的感知和捕捉能力薄弱，無法對多樣化的異質性資源進行有效篩選及吸收，從而無法充分發揮網絡中異質化知識與關系嵌入所帶來的知識之間的協同效用。相反，如果VCFs投資經驗豐富，擁有豐富的項目篩選、調查、評估、監督及服務經驗，則能更好地識別及利用稀疏網絡中所帶來的異質化知識，先于競爭者獲得有價值的投資機會和資源，選取與伙伴資源相匹配的異質化知識，獲得“先行者”優勢，提升網絡資源的配置效率，從而促進伙伴間知識的共享和傳遞，開發新的知識，進一步鞏固信任機制并減少個體機會主義行為的發生，進而提升投資回報，促進投資績效的提升。綜上，在網絡密度較低時，VCFs豐富的投資經驗更有利于關系嵌入效能的發揮，從而幫助企業獲得更高的投資回報，即投資經驗對關系嵌入與投資績效的正向調節作用將變得更強。

當聯合投資網絡密度較高時，如果VCFs投資經驗匱乏，企業對網絡資源的選取、配置能力不足，在可能存在密度冗余和結構冗余的密集網絡中，企業能力的發揮被進一步限制，難以高效地獲取與伙伴資源相匹配的資源，無法充分發揮伙伴間的共享機制和傳遞機制，還可能增加個體機會主義行為，不利于關系嵌入效能的發揮。如果VCFs投資經驗豐富，雖然企業擁有豐富的知識基礎，但由于密集網絡的封閉和僵化，伙伴間知識出現趨同，不利于異質化知識的獲取，難以獲得與合作伙伴所帶來的知識有協同效應的知識，從而阻礙關系嵌入效能的發揮。綜上，在網絡密度較高時，無論投資經驗豐富與否，都不利于合作伙伴間關系嵌入效能的發揮，不利于提升VCFs的投資績效，即投資經驗的正向調節作用將失效或變弱。

基于此，本文提出如下假設：

H4：相較于密集網絡，稀疏網絡中投資經驗對VCFs關系嵌入與投資績效關系的正向調節效應將變強。

根據以上分析，本文的研究框架如圖1所示。

圖1 關系嵌入與投資績效研究框架

三、研究設計

（一）樣本與數據

本文的樣本來自我國兩大風險投資信息數據庫——中投集團的CVSource和清科集團的Zero2IPO。這兩個數據庫的結構類似于美國風險投資行業的數據庫——湯森路透（Thomson Reuters）的VentureXpert，已有大量研究使用以上數據庫[24]。這兩個數據庫涵蓋了我國幾乎所有VCFs的信息，本文參照前人的做法，將這兩個數據庫的信息進行匹配以避免單個數據庫帶來的信息遺漏[25]。本文使用中國境內2000年1月1日～2018年12月31日時間范圍內的VCFs數據，以保證最大的樣本數據量，盡可能減少樣本缺失所帶來的偏誤。

CVSource數據庫和Zero2IPO數據庫均提供了VCFs的基本信息以及歷年來各行業的投資事件和退出事件，因此相應的數據表有VCFs信息表、投資事件表和退出事件表。首先，對兩個數據庫中相應的原始數據按照下列流程進行處理：①刪除投資事件表中PE-PIPE樣本（該樣本中的被投資對象為已上市的創業企業）；②刪除投資事件表中包含“不披露的企業名稱”“不公開的投資者”等信息模糊的樣本；③刪除VCFs信息表、投資事件表和退出事件表中的重復記錄；④合并事件表中同一輪次相同VCFs的相關數據（有些VCFs使用旗下兩家及兩家以上基金對創業企業進行投資，在原始樣本中就表現為同一輪次中該VCFs出現多次）。然后，將相應的表格進行匹配，即分別對兩個數據庫中的VCFs信息表、投資事件表、退出事件表進行匹配，避免信息遺漏。最后，將匹配后的VCFs信息表、投資事件表、退出事件表三者進行匹配，得到最終的完整樣本。

（二）變量測量

1.被解釋變量。本文的被解釋變量是VCFs的投資績效（Ratio），選取已被學者們廣泛應用的成功退出比例作為其代理變量，成功退出比例的計算方法為：VCFs時間窗內IPO或并購成功退出的次數除以前一個時間窗內的總投資輪次[25，26]。采用滾動時間窗，以t+1～t+4年共4年為一個時間窗觀測VCFs的成功退出比例，即選用2004年1月1日～2014年12月31日我國VCFs的投資數據作為樣本，留有2015年1月1日～2018年12月31日4年時間來觀察投資結果。

2.解釋變量。關系嵌入（Relation）是VCFs基于互惠預期而發生的雙邊關系，是網絡關系的特征。De Clercq等[21]用伙伴聯系次數表示關系嵌入，即VCFs在時間窗內與各合作伙伴的總合作投資次數相加得到的總數。本文借鑒以上做法，同時為避免因反向因果關系帶來的內生性問題，采用VCFs在前一個時間窗內與各合作伙伴的總合作投資輪次相加得到的總數表征關系嵌入。采用滾動時間窗，以t-4～t-1年共4年為一個時間窗觀測VCFs的關系嵌入。

3.調節變量。

（1）投資經驗（Experience）。為避免投資經驗與投資績效研究中出現反向因果關系，用截至樣本觀察年前一年VCFs所參與過的總投資輪次衡量投資經驗。

（2）網絡密度（Density）。用行動者聯合伙伴次數與最大可能聯系次數之比進行測量[27]，采用Ucinet 6.645對該指標進行測算。

4.控制變量。參考前人的研究，本文選用以下控制變量：VCFs年齡（Age）、VCFs規模（Size）、資金來源（Fund）、當年投資數（Num_year）、后向5年投資數（Num_5year）、融資企業所處地理位置（Pc_location）、本土VCFs可用性（Local_vc）、地理鄰近（Geopro）、是否為高科技行業（High_ind）、當年退出條件（Exit_year）、后向4年窗口的退出條件（Exit_4year），以及行業效應、時間效應。

本文的變量定義見表1。

表1 變量定義

（三）模型設定

為了保證估計結果的準確性和可靠性，本文用Wald Test進行組間異方差的檢驗，選用能有效解決大樣本中異方差問題的FGLS，以保證模型選用的恰當性。

為了檢驗關系嵌入對投資績效的影響，本文構建如下基準模型：

在以上公式中，β0為常數項，βi為各項系數，Controli為各控制變量，ε為殘差項。

四、數據分析與研究結果

（一）描述性統計

表2報告了樣本中核心變量的描述性統計結果。由表2可知，投資績效（Ratio）的均值為0.26，標準差為0.64，最小值為0，最大值為12，說明我國VCFs的成功退出比例較低，差異較大。投資經驗（Experience）的均值為17.21，最大值高達609，說明我國VCFs投資次數較多，差異較大。從關系嵌入（Relation）可知，我國VCFs在4年時間窗口內平均聯合投資高達4次，進一步說明我國VCFs的網絡化。從標準化的網絡密度（Density）可知，VCFs的網絡特征差異明顯。在控制變量方面，本土VCFs可用性（Local_vc）的均值高達425.50，說明投資市場火熱；而當年退出條件（Exit_year）和后向4年窗口的退出條件（Exit_4year）的均值分別為110.60和378.70，與我國VCFs日益活躍且表現優異的投資市場現實相吻合。

表2 變量描述性統計

（二）相關性分析

本文對各變量之間的Pearson相關系數和變量的方差膨脹因子（VIF）進行了檢驗。結果顯示：投資經驗（Experience）與投資績效（Ratio）顯著正相關（相關系數為0.24，顯著性水平為1%）；關系嵌入（Relation）與投資績效（Ratio）顯著正相關（相關系數為0.16，顯著性水平為1%）；網絡密度（Density）與投資績效（Ratio）顯著正相關（相關系數為0.11，顯著性水平為1%）。以上結果與前文理論推導基本一致。各變量的VIF值均小于閾值10，表明模型估計不會出現因變量多重共線性而導致的估計偏誤（限于篇幅，檢驗結果不再列示）。

（三）單變量均值與中位數檢驗

在正式回歸前，本文對樣本中的變量進行了單變量均值和中位數檢驗。首先按照投資績效（Ratio）的均值將樣本分為低投資績效和高投資績效兩組，接著對分組后子樣本的均值和中位數進行獨立樣本T檢驗和獨立樣本非參數Mann-Whitney U檢驗，初步判斷變量之間的相關關系，結果如表3所示。

表3 變量的單變量均值和中位數檢驗

由表3中兩組均值和中位數差異的檢驗結果可知，在高投資績效樣本中，關系嵌入（Relation）、投資經驗（Experience）和網絡密度（Density）的均值（4.75、2.6、0.7）均高于低投資績效樣本（3.14、1.9、0.57）。關系嵌入（Relation）、投資經驗（Experience）、網絡密度（Density）的獨立樣本T檢驗和Mann-Whitney U檢驗的結果均表現為1%的顯著性水平。就控制變量而言，地理鄰近（Geopro）和當年退出條件（Exit_year）的獨立樣本T檢驗和Mann-Whitney U檢驗的結果均在1%的水平上顯著，說明VCFs和融資企業的地理位置越近，越有利于VCFs投資收益的提高，且當年退出條件越好，投資市場越活躍，越有利于VCFs投資收益的提高。企業年齡（Age）、企業規模（Size）、資金來源（Fund）、融資企業所處地理位置（Pc_location）、是否為高科技行業（High_ind）的獨立樣本T檢驗和Mann-Whitney U檢驗的結果均表現出顯著的穩健性。除本土VCFs可用性（Local_vc）的獨立樣本T檢驗和Mann-Whitney U檢驗的結果不穩健外，其余控制變量的檢驗結果均顯著且穩健。

綜上所述，單變量均值和中位數檢驗的結果表明：VCFs的關系嵌入越深，越有利于提高企業的投資績效。就控制變量而言，雖然大多數變量通過了顯著性檢驗，但由于單變量檢驗僅考慮所考察變量的影響，可能引起估計偏誤，因此需要通過多元回歸分析得到更為科學穩健的研究結論。

（四）回歸結果與分析

表4報告了本文模型的估計結果。模型（1）～模型（3）依次檢驗了關系嵌入對投資績效的直接作用、投資經驗和網絡密度的調節作用、投資經驗與網絡密度的交互調節作用。由模型（1）～模型（3）中的異方差檢驗Wald Test的估計結果可知，這三個模型均在1%的水平上顯著存在異方差，因此，選用FGLS可以有效修正因異方差產生的估計偏誤。

表4 關系嵌入與投資績效的初步回歸結果（FGLS）

由模型（1）的回歸結果可知，關系嵌入（Relation）與投資績效（Ratio）表現為顯著的正相關關系（β1=0.1346），H1得到支持。由模型（2）的回歸結果可知，投資經驗與關系嵌入交互項（Experience×Relation）的系數在1%的水平上顯著為正（β2=0.1203），說明VCFs積累的投資經驗更有利于關系親密的合作企業間的信息共享和問題解決，從而提高其在時間窗內的投資績效。因此，H2得到支持。此外，網絡密度與關系嵌入交互項（Density×Relation）的系數在1%的水平上顯著為負（β4=-0.0385），說明高密度網絡中流通的信息會取代關系嵌入所帶來的信息，在一定程度上降低關系嵌入對投資績效的促進作用，H3得到支持。由模型（3）的回歸結果可知，投資經驗、網絡密度與關系嵌入三者交互項（Experience×Density×Relation）的系數在1%的水平上顯著為負（β7=-0.1159），H4得到支持。

本文各變量的調節作用效果見圖2～圖4。由圖2可知，投資經驗高時VCFs關系嵌入對投資績效的正向影響大于投資經驗低時相應的影響，由此投資經驗對關系嵌入與投資績效間關系的正向調節作用得以驗證。由圖3可知，稀疏網絡中VCFs關系嵌入對投資績效的正向影響大于密集網絡中相應的影響，由此印證了網絡密度對關系嵌入與投資績效間關系的負向調節作用。分別取網絡密度與投資經驗各自均值上下一個標準，關系嵌入任取兩個數值，得出如圖4所示的投資經驗與網絡密度組合的四條直線，結果表明，在網絡密度低—投資經驗高的情境下，關系嵌入對投資績效具有正向影響，另外三種情境下均為負向影響。由此網絡密度與投資經驗的交互對關系嵌入與投資績效關系的負向影響得以驗證。

圖2 投資經驗的調節效應

圖3 網絡密度的調節效應

圖4 投資經驗和網絡密度的交互調節效應

（五）內生性偏誤檢驗

內生性問題在戰略管理等領域中普遍存在，而內生性問題產生的原因主要有三個：一是解釋變量和被解釋變量互為因果關系，即解釋變量會引起被解釋變量的變化，反過來被解釋變量也會引起解釋變量的變化；二是遺漏重要變量，當未考慮重要的解釋變量時，估計模型無法反映遺漏變量與重要解釋變量之間的關系，從而引發內生性問題；三是變量測量誤差，當對核心解釋變量的測量有偏誤時，測量誤差就會導致計量模型回歸中的一部分誤差，從而引發內生性問題，導致模型估計產生偏誤。

由表5可知，Durbin-Chi2值為2.1707，P值為0.1407，Wu-Hausman-F值為2.1226，P值為0.1453，P值均大于臨界值0.1，說明無法拒絕“所有解釋變量均為外生變量”，即模型不存在內生變量。

表5 內生性偏誤檢驗

綜上所述，本文通過理論分析及DWH方法的檢驗，證明計量模型不存在內生性問題，因此，前文的整體回歸模型和方法的選取是良好的，結果具有穩健性。

（六）穩健性檢驗

現有研究通常采用兩種方法對研究結果進行穩健性檢驗：一是改變回歸模型，用以克服模型設定所帶來的估計偏誤；二是改變被解釋變量的度量方法，用以降低由于代理變量選用而產生的估計偏誤。本文采用這兩種方法對相關假設進行穩健性檢驗。

1.改變回歸模型。本文參考眾多學者的做法，采用多元回歸方法對模型進行估計，并控制模型中的標準誤[17，25]，回歸結果見表6。

表6中模型（1）的回歸結果顯示，關系嵌入（Relation）與投資績效（Ratio）在1%的水平上表現為顯著的正相關關系（β1=0.1974），H1得到支持。模型（2）的回歸結果顯示，投資經驗與關系嵌入交互項（Experience×Relation）的系數在1%的水平上顯著為正（β2=0.1676），H2得到支持；網絡密度與關系嵌入交互項（Density×Relation）的系數在10%的水平上顯著為負（β4=-0.0435），H3得到支持。模型（3）的回歸結果顯示，投資經驗、網絡密度與關系嵌入三者交互項的系數在1%的水平上顯著為負（β7=-0.2178），H4得到支持。

表6 改變回歸模型后關系嵌入與投資績效的穩健性檢驗

2.改變被解釋變量的度量方法。由以往研究可知，IPO是企業投資收益最高的退出方式[29]，考慮到現金收益數據獲取困難，國內外很多研究用成功IPO對投資績效進行度量。本文參考以往研究的做法，將IPO率作為投資績效的代理變量，具體計算公式為：IPO率=IPO數/總投資輪數。表7報告了對被解釋變量進行替換后的模型估計結果。

表7中模型（1）的回歸結果顯示，關系嵌入（Relation）與IPO率的系數在1%的水平上顯著為正（β1=0.0016），H1得到實證支持。模型（2）的回歸結果顯示，投資經驗與關系嵌入交互項（Experience×Relation）的系數在1%的水平上顯著為正（β2=0.0013），H2得到支持；網絡密度與關系嵌入交互項（Density×Relation）的系數在1%的水平顯著為負（β4=-0.0029），H3進一步得到支持。模型（3）的回歸結果顯示，投資經驗、網絡密度與關系嵌入三者交互項的系數在10%的水平上顯著為負（β7=-0.0001），H4得到支持。

表7 替代變量后關系嵌入與投資績效的穩健性檢驗

綜上所述，在采用改變回歸模型和替代變量法的穩健性檢驗中，均得到與前文完全一致的結論，說明本文的研究結論具備很好的穩健性。

五、研究結論與啟示

本文基于2000年1月1日～2018年12月31日我國兩大風險投資數據庫CVSource和Zero2IPO中的樣本，采用FGLS方法，將關系嵌入作為VCFs的重要外部知識來源之一，實證研究了VCFs關系嵌入對投資績效的影響，并分析了投資經驗、網絡密度的調節作用以及二者的交互調節作用。研究結果表明：關系嵌入對投資績效有穩健的促進作用；投資經驗加強了關系嵌入對投資績效的正向影響；網絡密度削弱了關系嵌入對投資績效的正向影響；與密集網絡相比，稀疏網絡中投資經驗對關系嵌入與投資績效關系的正向調節效應變強。

基于研究結論，可以得到如下啟示：首先，應建立與聯盟伙伴的聯系與交流機制，經營與維持良好的伙伴關系，發揮聯盟伙伴關系對提升投資績效的積極作用。其次，應注重投資經驗的積累，優化知識結構，奠定良好的知識基礎。最后，應在聯盟網絡發展迅速的時代背景下，進一步發揮聯盟網絡對提升投資績效的積極作用。此外，還應關注不同維度影響因素的交互效應。在我國經濟轉型升級的背景下，風險投資作為金融體系的重要組成部分，對經濟發展的推動作用日益顯著。隨著VCFs網絡化特征的凸顯，關系嵌入作為VCFs外部知識、資源和信息來源的重要通道，在學習、信息流通和知識轉移方面具備一定的優勢，能夠降低企業對信息流、知識流和技術流的獲取成本，有助于提升VCFs的競爭能力和改善投資績效。投資經驗作為企業競爭優勢的重要體現，在一定程度上決定了VCFs能否充分利用關系嵌入所帶來的信息優勢。網絡密度作為VCFs運營和發展的重要外部環境，形成了網絡中VCFs間知識、信息交流的平臺，影響網絡中VCFs對信息獲得的效率，繼而影響投資績效的提升。同時，VCFs應權衡關系嵌入各維度之間的交互作用。