什么更吸引互联网风险投资：产业还是资本？

王亮 靳振忠

(1.南京大学经济学院，江苏 南京 210093；2.国泰君安投资管理股份有限公司，上海 200060；3.南京审计大学政府审计学院，江苏 南京 211815)

一、引言

以互联网技术为代表的新一代信息技术被称为全球经济第五次康德拉季耶夫周期的标志(Yushkova，2014)[23]，正在深刻影响并改变经济社会的发展。互联网能够发挥解决市场信息不完全和不对称(洪银兴，2016)[30]、降低交易成本(Haucap and Heimeshoff，2014)[10]、提高市场资源配置水平(黄群慧等，2019)[31]等作用，互联网技术创新已成为我国建设现代化经济体系的重要驱动力，党的十九大报告和国家“十三五”规划都明确了互联网在经济新动能中的重要定位。

然而，互联网产业是新兴产业，创新创业企业普遍具有规模小、成长快、风险高、有形资产低等典型特征，抵押资产贷款等传统的间接融资在互联网领域难以适用，因此以风险资本为主的直接融资成为促进互联网创业企业发展的关键要素。从全球经验来看，互联网等新兴产业的发展均离不开风险资本的推动，风险资本具有的市场化投资、治理机制以及与企业之间收益风险对称机制，使其成为了创新创业生态链的关键要素和重要环节。从我国发展规律来看，互联网行业高速发展阶段与风险投资规模爆发增长阶段基本一致，互联网企业呈现出成长周期短、创新能力强、爆发集中等特点，一批企业快速发展，这与风险资本的深度介入密不可分：一方面风险资本推动互联网企业快速成长，另一方面互联网创新也为风险资本提供了巨大的投资机会。

不论是在全球范围还是在我国，互联网产业均呈现出不均衡的空间分布格局，并且存在进一步空间极化的趋势(Kellerman，2000；Townsend，2001；曹前等，2018)[14][21][26]。创新存在显著的正向空间性，创新技术的空间溢出效应会随着距离的增加而减弱。我国东部发达地区已经形成了创新驱动的密集带，但中西部地区的创新能力却在不断减弱(李婧等，2010)[32]。互联网技术作为当前和今后相当长时期内的重要创新技术，如果不能有效降低互联网产业空间分布的差异性，那么地区间创新水平的差异性可能会不断加大。风险资本是互联网产业不可或缺的要素资源，风险投资空间分布对互联网创业企业选址具有至关重要的作用(Zook，2002)[24]，因此风险资本是否在空间上实现了资源最优配置，不仅关系一个地区互联网产业的发展水平，也影响着该地区其他产业发展能否获得互联网技术创新带来的溢出效应。国内外研究均表明，风险资本的投资方向在地理上具有很强的集聚性(Martin et al.，2005；Chen et al.，2010；汪明峰， 2014)[15][5][36]，通常会倾向于选择高科技产业聚集区和金融中心进行投资(Martin et al.，2002；Bernoth et al.，2010)[16][3]。就互联网创新创业和风险投资的关系而言，显然创新技术、专业人才、创业资本等要素获取的便利性会从多方面影响创业企业是否能发展壮大，进而决定风险投资是否能成功。因此，一个地区要素资源越丰富，互联网创业企业越容易吸引风险资本进行投资。那么，各类要素对互联网风险投资的影响如何？不同要素发挥的作用是否存在差异？

本文将研究重点放在互联网产业和风险资本对互联网风险投资空间选取的影响和作用机制上，尝试对上述问题进行回答。本文可能的贡献主要体现在两方面：第一，在我国互联网产业和风险资本同步快速发展的背景下，很少有文献针对我国互联网风险投资进行深入研究，而本文通过研究风险资本在互联网企业空间投资选择上的影响因素，重点探索了互联网风险投资空间分布不均衡的原因；第二，现存文献很少对不同要素影响风险投资的差异进行比较分析，而本文对比研究了产业和资本两个核心要素对互联网风险投资空间选择的差异化影响效应，通过对计量模型解释度的有效分解量化测算了不同要素在影响风险投资上的具体作用程度，从而对要素资源的重要程度进行了分析和排序。此外，虽然本文的立足点是互联网产业的风险投资，但对于其他新兴产业的研究同样具有借鉴意义，对中央政府推动各地区均衡发展、地方政府培育创新型产业的相关政策制定具有重要的现实意义。

二、理论分析和研究假设

风险资本进行投资时，投资区域的产业禀赋资源是重要的影响因素(Avnimelech and Teubal，2006)[2]。互联网创业成功的一个关键要素是技术，空间邻近性有利于面对面交流，加快知识和技术的传播，促进新思想的产生(张可，2019)[38]。处于产业集群地区的企业具有知识获取、交流和信息溢出等优势，而且更容易获得相关企业帮助，因此，投资于产业集聚地区创业企业的风险资本收益更高，并且风险资本成功退出的概率也得到显著提升(Cumming and Dai，2010；龙玉和李曜，2016)[7][33]。互联网创业成功的另一个关键要素是人才(Combes and Duranton，2006)[6]，一方面，产业集聚区内大企业的裂变会衍生出很多新的创业者，形成一个创业网络(张萃，2018)[37]；另一方面，产业集聚存在人力资本蓄水池效应，空间的邻近性能够提高劳动力与工作岗位之间的匹配度(Papageorgiou，2013)[17]。互联网产业是新兴产业，不同地区之间发展水平差异性更加明显，创业企业发展不可或缺的技术、人才等核心要素的空间集聚性也更强，尤其会集中在头部互联网企业所在地区，因此风险资本会综合考虑投资区域互联网产业的发展水平。基于以上分析，本文提出如下假设：

H1：在互联网产业发展水平高的地区，产业集群效应促进了风险资本选择本地区互联网创业企业进行投资。

地理距离是影响风险资本进行投资决策的重要因素(Hochberg and Rauh，2013)[12]。风险投资是实行专业化管理、以高成长高风险企业为投资对象的股权式投资(蔡宁和何星，2015)[25]，信息的高度不对称性使得投资前的逆向选择(Stiglitz and Weiss，1981)[19]和投资后的道德风险(Holmstrom and Tirole，1997)[13]伴随着风险投资各阶段。便利的各种交流手段可以令投资人及时获得被投企业的信息，有利于降低信息不对称性，Bernstein et al.(2016)[4]研究发现风险投资人和被投企业之间交流的增加能够提高创业企业的创新能力和风险资本成功退出率。随着科技的快速发展，信息交流的方式越来越丰富。电话、邮件和视频等现代通讯手段虽然为远距离交流提供了更多的可能和便利，但信息传递过程中的失真和漏损不可避免，面对面的交流仍无法被取代(Fritsch and Schilder，2008)[9]。因此，投资机会发现评估、对被投企业监督管理以及增值服务面临的难题使得风险投资呈现出显著的“本地偏好”(龙玉等，2017)[34]。相对于发达国家的风险资本市场，我国各地的地方保护主义普遍存在，风险投资人选择本地或者空间邻近地区进行投资的偏好更强(Ahlstrom et al.，2007)[1]。基于以上分析，本文提出如下假设：

H2：在风险资本集聚程度高的地区，风险投资空间邻近效应提高了风险资本在本地区投资互联网创业企业的可能性。

Venkataraman(2004)[22]研究发现，一个地区如果只有风险资本，很可能直接流入低质量创业企业，具有创造性的个人以及创业环境等因素也是促进风险资本获得成功的关键因素。对于高新技术创业企业来说，创新技术、专业人才和风险资本是其能够快速成长并获得成功的三个必要要素(Stuart and Sorenson，2003)[20]，其中创新技术和专业人才主要依赖于产业链，特别是头部企业的溢出效应。虽然产业和资本可能都对互联网风险投资具有正向影响，但两者影响程度孰高孰低仍有待进一步验证。因此，本文提出以下两个相反的待检验假设：

H3a：风险资本对互联网创业企业的投资选择，对互联网产业发展水平较高地区的偏好强于风险资本集聚程度较高地区。

H3b：风险资本对互联网创业企业的投资选择，对风险资本集聚程度较高地区的偏好强于互联网产业发展水平较高地区。

三、研究设计

(一)数据说明

本文研究对象为广义的风险投资，所使用的风险资本和互联网行业风险投资数据来源于中投集团的CV Source投资数据库，具体包括VC(venture capital，风险投资)、PE(private equity，私募股权投资)、战略投资者和券商直投。本文整理了2012―2017年以上所有类别风险投资机构数据作为风险资本的衡量指标。CV Source数据库中CV行业分类将互联网作为一个单独行业进行统计，涉及网络广告、网络游戏、电子商务、行业网站、网络社区、网络视频、电子支付及互联网其他等8个子行业，本文选取了2012―2017年互联网行业VC/PE融资数据作为互联网风险投资的衡量指标。本文以中国大陆31个省市自治区(以下简称省份)为空间单位进行研究，剔除了中国香港、澳门、台湾和其他国家的相关数据，并将风险投资机构根据总部所在地划分至相应省份，互联网风险投资根据被投企业所在地划分至相应省份。

以互联网排名前100的企业作为互联网产业衡量指标，主要基于两点考虑：一是龙头企业代表了一个产业的发展水平。互联网产业具有企业成长快、破产也快的特征，因此采用龙头企业可以有效地衡量一个地区互联网发展的真实水平。二是数据的可得性和准确性。由于互联网企业多为跨行业经营，国家统计局尚未对互联网行业进行明确分类，因此本文采用了互联网主管部门工业和信息化部的官方数据。互联网百强企业数据来源于工业和信息化部公布数据，根据互联网企业上一年度营业收入、在线业务访问量和访问速度等多项指标统计数据，进行标准化和加权求和计算得分，取综合得分前100家企业。其中，中国互联网企业百强排行榜2012年由工业和信息化部电信研究院和信息中心联合发布，2013年开始由工业和信息化部信息中心和中国互联网协会联合发布一次。对于上榜互联网企业，本文通过国家企业信用信息公示系统、天眼查和企业官方网站确定企业总部所在地区。

(二)计量模型设定

基于我国31个省份的面板数据，本文构建以下实证模型：

其中，被解释变量Yit表示t年i地区互联网行业风险投资案例数占全国比重，借鉴高正平和张兴巍(2014)[28]的研究方法，用来衡量风险资本对该地区互联网企业的投资偏好程度。Int_topit表示t年总部在i地区的行业排名前100的互联网企业数量，用来衡量该地区互联网产业发展水平；VCit表示t年总部在i地区的风险投资机构数量占全国比重，参考高正平和张兴巍(2014)[28]，用来衡量该地区风险资本集聚程度。Int_topit和VCit是本文重点关注的两个核心解释变量。

Control为控制变量集合，参考已有文献(Bernoth et al.，2010；Chen et al.，2010；Hirukawa and Ueda，2011；Felix et al.，2013；涂红和刘月，2014；龙玉等，2017)[3][5][11][8][35][34]，本文回归时主要考虑了以下变量：经济增长(GDP)为地区GDP实际增长率；产业结构(Indus)为第三产业增加值占地区GDP比重；创新水平(Innova)为地区人均专利申请受理数；教育水平(Edu)为地区大专及以上教育程度人数占6岁以上人口比重；人力成本(Labor)为城镇单位就业人员平均工资(万元)；政府支出(Gov)为地方政府财政支出占地区GDP比重。此外，模型中还控制了地区固定效应和年份固定效应。

由于不同地区之间互联网产业发展水平和风险资本集聚程度差异性较大，因此产业(Int_top)和资本(VC)两个核心要素在不同地区对互联网风险投资的影响可能也存在差异。为了研究地区差异性产生的影响，本文进一步在模型中引入交叉项进行估算：

其中，DI表示互联网产业发展水平的地区虚拟变量，借鉴何菊香等(2015)[29]以互联网产业增加值衡量互联网产业发展水平的研究方法，将高于互联网产业增加值平均数的地区记为1，低于平均数的地区记为0，相关数据来源于《中国电子信息产业统计年鉴》。DV表示风险集聚水平的地区虚拟变量，北京、上海和广东是我国的风险投资中心(龙玉和李曜，2016)[33]，将这三个地区记为1，其他地区记为0。

(三)Shapley分解

借鉴Shorrocks(2013)[18]的研究方法，基于回归结果对拟合优度R2进行Shapley分解，分析各影响因素对互联网行业中区域风险投资的贡献程度。具体来看，Shapley分解在测算某因素的具体贡献时，首先通过模型(1)进行估算并得出R2，这是由全部解释变量整体对被解释变量的拟合程度；之后对R2进行分解，测算各解释变量在其中的边际影响，从而得出不同解释变量对被解释变量的贡献程度。

四、主要变量统计分析

本节对主要变量进行了统计分析，研究了互联网风险投资、互联网产业和风险资本在各地区的分布情况，并初步分析不同变量之间的相关性。

(一)主要变量描述性统计

主要变量的描述性统计结果见表1。由于被解释变量(Y)和两个核心解释变量(Int_top和VC)以地区份额衡量，因此这三个变量的均值相同。全样本中，互联网风险投资变量(Y)最大值为0.4620，最小值为0，表明我国不同地区互联网创业企业获取的风险投资存在比较明显的差异。互联网产业发展变量(Int_top)最大值为0.5300，最小值为0，反映出我国大型互联网企业空间分布的不均衡性。风险资本集聚变量(VC)最大值为0.2396，最小值为0.0003，说明我国各地区均已有风险资本运作。

(二)被解释变量互联网风险投资空间分布特征

本文选取以下两种方法分析风险资本对各地区互联网企业投资的空间分布情况。第一，采用赫芬达尔指数(Herfindahl-Hirschman Index，HHI)进行衡量，计算公式为：

表1 主要变量的描述性统计

其中Qi表示i地区互联网风险投资案例数，Q表示全国互联网风险投资总案例数，Si表示i地区占全国比重，N为地区数量。

第二，采取集中率指标进行衡量，计算公式为：

其中CRn表示排名前n位地区占全国的比重之和。根据各地区经济发展水平和数据分布特征，本文分别选取n=3和n=4进行分析，本文研究对象前三名均为北京、上海和广东，第四名均为浙江。

表2显示，2012―2017年全国互联网企业获得的风险投资案例数出现了先上升后下降的“倒U”趋势，其中2014年、2015年连续两年出现翻倍增长，最高峰值2015年为2012年的6.90倍；2016年开始降温，2017年出现大幅下降，投资案例数仅为2015年的47.29%。进一步分析互联网风险投资空间分布情况可以发现，空间分布集中度整体上呈现出下降态势，但主要集聚区占全国比重仍然很高。赫芬达尔指数(HHI)由2012年的30.05%下降至2017年的20.73%。2012―2017年间，前三空间集中率(CR3)下降了13.14个百分点，前四空间集中率(CR4)下降了9.99个百分点，反映出北京、上海和广东三个地区的集中度下降，但排名第四的浙江占全国比例呈现出了上升态势。虽然北京、上海和广东三个地区的集中率下降，但2017年仍然超过70%，同时浙江占全国比重增加，2017年四个主要地区占全国比例为82.36%，反映出风险资本对这四个集聚区互联网企业的投资偏好明显高于其他地区。

(三)核心解释变量互联网产业和风险资本空间分布特征

对于互联网产业和风险资本的空间分布同样采用上一节的方法进行测度，其中互联网产业以互联网百强企业衡量。表3分别展示了互联网百强企业和风险资本的空间分布集中度，对比可以发现，两者既表现出比较显著的共同特征，也存在一定的差异性。

从共同特征来看，互联网百强企业和风险资本的空间分布均呈现出高度的集中性，主要集聚在个别发达地区。其中，北京、上海和广东的互联网百强企业数量占比一直超过60%，再加上浙江的四个地区占比则保持在70%以上，其中占比最高的2013年达到了93%；北京、上海和广东风险资本数量占全国比重在55%～62%之间，再加上浙江的四个地区占比在65%～71%之间波动。

从差异性来看，互联网百强企业和风险资本空间集中度的变化趋势呈现出显著区别，前者集中度快速下降，而后者集中度出现了小幅上升，前者集中度明显大于后者的现象逐步消失。2012―2017年互联网百强企业空间集中度整体出现快速下降趋势，其中2012―2015年下降相对平缓，2016年大幅下降，HHI、CR3和CR4三项指标降幅均为10%左右，2017年各指标变动均在1%之内。对于风险资本空间集中度，2012―2017年HHI、CR3和CR4三项指标变化幅度相对较小，2017年各指标均比2012年出现了小幅提高。进一步对比互联网百强企业空间集中度和风险资本空间集中度，发现2012―2017年间，不论是赫芬达尔指数(HHI)还是主要地区的空间集中率(CR3和CR4)，前者的数值均大于后者。

图1 各地区互联网百强企业、风险投资机构与互联网风险投资的关系

(四)主要变量相关性分析

图1报告了2012―2017年我国各地区互联网百强企业、风险投资机构分别与互联网风险投资的基本关系。可以发现，一个地区获得的互联网风险投资占全国比重与该地区互联网百强企业占比、风险投资机构占比均呈现出明显的正相关性，初步表明一个地区互联网产业集群水平越高，风险资本集聚程度越强，该地区互联网企业能够获取的互联网风险投资也越多。

表4进一步展示了主要变量的相关系数，可以发现互联网风险投资比重(Y)与主要解释变量均显著相关。解释变量之间也存在一定的关联，解释变量的相关性可能会对实证分析结果产生一定的影响，本文主要通过两种方法进行缓解：一是通过GMM方法缓解内生性；二是通过剔除北京、上海和广东三个主要集聚地区进行稳健性检验，Int_top和VC两个核心解释变量的相关性降至73.16%，基本可以认为不存在多重共线性问题(高太山和柳卸林，2016)[27]，并且进行检验得出的主要结论依然成立。

五、实证结果与分析

本节利用计量方法研究互联网产业和风险资本等要素对互联网风险投资空间选择的影响效应。

(一)基础回归结果与分析

首先，利用OLS方法估算模型(1)，分别对不加入控制变量和加入控制变量的模型依次回归，回归结果详见表5第(1)列和第(2)列。从两列估计结果可以发现，不论是否加入控制变量，核心解释变量Int_top的回归系数均在1%水平下显著为正，说明一个地区大型互联网企业数量越多，即互联网产业发展水平越高，风险资本在本地区投资互联网企业的规模越大，初步验证了假设H1。另外一个核心解释变量VC的系数在1%水平下显著为正，表明一个地区风险资本规模越大，本地区互联网创业企业越容易获得风险投资，假设H2得到初步验证。对于控制变量，教育水平(Edu)的系数在5%水平下显著为正，表明一个地区劳动者受教育水平越高，该地区互联网企业更容易获得风险投资；人力成本(Labor)的系数在1%水平下显著为负，说明人力成本的提高在一定程度上会阻碍风险投资的进入；经济增长(GDP)、产业结构(Indus)、创新水平(Innova)、政府支出(Gov)的影响均不显著。从模型回归的拟合优度来看，列(1)未加入控制变量的回归结果中R2达到了96.76%，表明Int_top和VC两个变量已经可以在很大程度上有效地解释被解释变量Y。

表4 主要变量的相关系数

表5 互联网寡头和风险资本对互联网企业获取风险投资的影响

为了缓解模型中可能存在的内生性问题，本文引入滞后期变量，通过GMM方法重新对模型(1)进行估算。表5 列(3)中Int_top和VC两个核心解释变量的回归系数分别在1%和5%水平下显著为正，而列(4)中这两个变量的回归系数分别在5%和10%水平下显著为正，这与OLS方法的回归结论基本一致，同样表明互联网产业集群水平和风险资本集聚程度的提升均能有效提高本区域互联网创业企业获取风险投资的规模，进一步验证了假设H1和假设H2。对比列(3)和列(4)可以发现，不加入控制变量时，回归的拟合优度超过了95%，加入控制变量后，控制变量回归系数均不显著，这也进一步反映出相对于其他要素，互联网产业发展水平和风险资本集聚程度是一个地区互联网企业能否获取风险投资最关键的影响因素。

(二)考虑地区差异的回归分析

表6展示了模型(2)的回归结果。互联网产业发展水平和产业集群效应的交叉项(Int_top×DI)的系数在列(5)和列(7)中分别在1%和5%水平下显著为正，在列(8)和列(10)中也在10%水平下显著为正，表明在互联网产业发展水平越高的地区，产业集群效应对互联网风险投资的吸引效应越强，因此假设H1得到进一步检验。

风险资本集聚程度和资本集聚效应交叉项(VC×DV)的系数在列(6)、列(7)和列(9)中均在1%水平下显著为正，列(10)中在10%水平下显著为正，反映出风险资本集聚水平更高的地区，资本集聚效应对互联网风险投资地区偏好的提升效应更加显著，从而进一步验证了假设H2。

(三)影响因素的分解与进一步讨论

为了进一步研究不同解释变量对于被解释变量的具体贡献程度，检验假设H3a和假设H3b，本文对表5中四个模型回归结果的R2进行分解。表7展示了对于不同因素具体影响效应的Shapley分解结果。

表6 地区发展水平不同产生的差异性影响效应

表7 不同因素影响效应的Shapley 分解结果

从表7中可以看出，四个模型中Int_top因素对互联网风险投资空间分布的贡献度均最高，表明一个地区大型互联网企业数量，即互联网产业发展水平是风险资本考虑是否在本地区选择互联网企业进行投资的首要因素。不加入控制变量的两个模型回归结果中，Int_top的相对贡献均超过50%，其中GMM回归结果中的贡献度超过了60%；加入控制变量后，Int_top的相对贡献也达到33.35%，超过了风险资本规模的贡献，仅略低于控制变量组的贡献。加入控制变量后，VC对互联网风险投资区域分布的贡献度也超过了30%，说明风险资本集聚程度是影响一个地区获取风险投资能力高低的另外一个主要因素。四个模型中VC的相对贡献均低于Int_top的相对贡献，支持了假设H3a，拒绝了假设H3b。

控制变量对被解释变量也具有一定贡献，但整个控制变量组的贡献程度仅相当于Int_top和VC单个因素的水平，这进一步反映出控制变量虽然可能对互联网行业风险投资区域投向有一定的影响，但影响程度相对较低，互联网产业发展水平和风险资本集聚程度是吸引互联网风险投资最关键的因素。

(四)稳健性检验

1.替换变量方法

为了检验以上回归结果的稳健性，本文重新设定Int_top变量的衡量标准，将互联网百强企业细化分类，对排名1～100的互联网企业按照100～1的方式进行赋值，测算地区排名前100的互联网企业加权数量，进一步细分研究地区互联网大型企业规模的影响效应。

从表8可以看出，Int_top系数均在1%水平下显著为正，说明一个地区互联网大型企业数量越多、企业规模越大，产生的溢出效应越强，对互联网风险投资的吸引效应越强。VC系数分别在1%和5%水平下显著为正，说明风险资本集聚效应增强了互联网风险投资的空间偏好。Shapley分解结果显示Int_top的贡献均高于VC，而整个控制变量组与两个核心变量各自贡献的差异较小，表明互联网产业发展水平对互联网风险投资的影响效应最强，而风险资本集聚效应则是另外一个关键因素，进一步验证了上文结论的可靠性。

表8 替换变量的稳健性检验

2.变更样本方法：前50%样本

由于我国风险投资和互联网产业发展水平均存在较大的区域差异性，在欠发达地区，不论是注册的风险投资机构规模还是获得的风险投资规模都相对较低，互联网大型企业也相对较少，部分地区甚至没有。为了解决欠发达地区样本被解释变量和两个核心解释变量数值过低可能导致全样本回归结果有偏，本文以互联网风险投资排名前50%的区域作为研究样本重新进行估算。

表9显示，Int_top和VC的系数均在1%水平下显著为正，而Int_top的相对贡献高于VC，与前文结果一致。

3.变更样本方法：剔除北上广样本

我国风险投资和互联网产业在北京、上海和广东三个地区出现了明显的集聚性，为了防止样本回归中个别地区数值偏离可能产生的有偏估计，进一步对剔除了北上广三个地区后的样本进行了估算。表10显示，OLS回归中Int_top和VC系数均在1%水平下显著为正，GMM回归中Int_top和VC系数分别在5%和10%水平下显著为正，并且Shapley分解结果中Int_top的相对贡献大于VC，与前文结果一致。

表9 变更样本(前50%)的稳健性检验

表10 变更样本(剔除北上广)的稳健性检验

六、结论与启示

我国互联网产业发展水平已位居世界前列，互联网技术创新不仅推动了经济发展，而且从很多方面改变了人们的生活。不同于传统产业，互联网产业技术创新强、成长周期短、创业风险高，互联网产业发展一直伴随着风险资本的支持和推动，互联网产业快速发展带来的巨大红利也促进了我国风险资本市场的快速成长。但是，互联网风险投资在空间分布上呈现出明显的不均衡性，大多数资源集中布局在少数地区。本文从空间经济学的角度出发，以2012―2017年数据为样本，以省份作为研究对象，重点研究了产业和资本这两个核心要素对互联网风险投资空间选择的影响，并且通过Shapley分解方法比较其影响大小。

研究发现：第一，互联网产业发展水平和风险资本集聚程度是一个地区能否获取互联网风险投资最关键的影响因素，这两个核心要素的影响效应明显强于其他要素资源；第二，在互联网产业发展水平高的地区，产业集群效应促进了风险资本选择本地区互联网创业企业进行投资；第三，在风险资本集聚程度更高的地区，风险投资空间邻近效应提高了风险资本在本地区投资互联网创业企业的可能性；第四，风险资本对互联网企业的投资选择，对互联网产业发展水平较高地区的偏好强于风险资本集聚程度较高地区，表明对于互联网风险投资，产业的吸引效应大于资本。

本文结论具有重要的政策含义和启示。首先，政府应该利用好各类政府背景的产业投资基金，充分发挥政府基金的引导作用，撬动更多社会资本参与产业创新发展。其中，中央政府注重不同地区间布局的均衡性，更有效地在全国范围配置资源；地方政府注重优先布局重点产业，更有效地在产业之间配置资源。其次，政府应该健全支持科技创新创业的金融体系，一方面加快风险资本等金融要素集聚发展，更多地通过资本市场以直接融资的方式支持高新技术产业发展，解决创业企业、科技企业融资难的问题；另一方面提高要素市场流动性，完善资本市场退出机制，形成风险资本可进可退的畅通渠道。再次，对于互联网等新兴产业、高技术产业的培育，地方政府应该重点引进或培育一批行业龙头型企业，围绕龙头型企业构建产业链，一方面形成产业集群效应，吸引更多要素资源集聚；另一方面形成产业溢出效应，提高区域内技术、人才等要素配置效率。