基于指数随机图模型的区域产业组织网络形成研究:来自义乌的经验证据

李 敏 ,胡载舟 ,鲁倩倩

(1.华南理工大学 经济与金融学院,广州 510006;2.北京师范大学创新发展研究中心(珠海),广东 珠海 519087)

近年来,社会网络分析方法的应用已从人的关系扩展到企业间的关系,并在企业联盟网络[1-2]、知识转移网络[3-4]、创新合作网络[5-7]等方面取得了丰硕的成果。已有研究主要采用各项网络统计指标,描述网络拓扑结构特征或分析其时间演化趋势,以及探讨提高企业利润和创新绩效、占据市场有利地位的网络手段的问题。企业间通过产业分工和供应链要素流动形成的供给-需求关系是企业间一切关系的基础,在产业集群中,一系列企业相互间的关联构成区域产业组织网络,对其结构特征和形成机制的研究能够揭示企业活动的基本模式,但由于数据的可得性,尚未被充分研究。目前涉及交易关系的研究普遍采用投入产出表构建产业网络,该方法只能用于产业层面的分析,若构建基于微观企业数据的融合微观企业和中观产业的产业组织网络显然将更进一步逼近事实的本质。

理论上,企业间形成关系或产业网络一般被认为是出于摆脱资源约束[8]或降低交易成本[9]的目的。现有研究中,企业关系形成研究集中在企业自身属性和关联企业双方的特征,如声誉、规模、技术能力和企业在网络中的位置等特征会影响企业构建联盟的倾向[10-12],以及企业在技术、资源或地位等特征上的相似性或邻近性会影响双方之间关系的形成[13-16]。然而,源自社会学的关系形成理论指出,关系的形成往往是多重社会过程同时驱动的结果,其中,除了行动者自身或双方的属性因素外,两个企业间关系的形成也会受到网络中其他关系存在与否的影响。例如,当两家企业建立了单向交易关系后,反向的交易关系将更容易建立;再如,市场上,当某企业为多家企业提供原材料时,同样需要此类原材料的其他企业将更容易和这家企业建立交易关系;又如,若企业1同时为企业2和企业3提供中间品,那么,企业2和企业3形成交易关系的可能性会受到企业1和企业2之间以及企业2和企业3之间这两对关系的影响。即“网络中的其他关系”也是影响网络中关系形成的重要方面,其重要程度是现实企业关系形成中不可忽视的。但当前的研究尚未充分考察网络中的这种自组织性。

现有理论采用3类社会过程解释社会关系的形成——行动者属性(行动者-关系效应)、网络自组织(内生结构效应)和外生情境。

(1)在行动者属性方面,个体特质可能影响行动者向其他个体发送或接受关系[17];两个行动者是否有同质性或邻近性也会影响它们之间的关系形成[13]。

(2)在网络自组织方面,互惠被认为是最基本、最普遍的人类活动[18],网络中的关系往往是互相回报的;在三元组层面,结构平衡理论[19]表明了网络中三角形结构具有闭合的倾向;结构洞理论[20]考察了位于非闭合结构中心的个体所具有的优势;声望[21]和偏好依附理论[22]都指出了网络中受欢迎的行动者会越来越受欢迎的现象。

(3)外生情境意味着一个网络会为另一网络提供情境,因此,两个行动者之间的关系会促进其他关系的出现[23]。

在方法层面上,现有研究主要采用Logit或Probit等回归模型。然而,标准回归模型要求关系之间具有独立性假设,但对于网络中关系形成相互影响的事实,这种假设是存在问题的。例如,企业关系可能源于内生结构效应(如互惠性),也可能源于企业或二元组的特征(如同质性),如果模型没有考虑内生结构效应,则会混淆两方面的作用,将原本由内生结构过程驱动的结果不恰当地归因于行动者特征[24-26]。另外,回归方法可能会出现模型设定不规范的问题,如两个企业间的生意往来可能既依靠中间人的介绍,又源于他们的资源互补,而回归方法只能将网络结构(如中间人的作用)视为外生因素或随机扰动。当前部分学者已呼吁应关注网络结构的内生性问题[27-28]。

因此,需要建立一个包含多种社会过程的模型,从而能够区分不同社会过程产生的影响,并评估每种影响的相对贡献[29]。指数随机图模型(Exponential Random Graph Model,ERGM)适合解决传统回归方法的局限,它放松了传统模型中对关系之间独立性的假设,能够将共同塑造网络的内生依赖性和外生因素联合建模,考察它们对网络形成的影响。这种模型有助于解决局部社会过程如何共同作用形成整体网络的问题,在现实问题中能够实现从微观的企业关系到中观的产业网络的贯通。近年来,已有一些对企业间关系的研究引入了ERGM,克服了传统回归方法的局限,并指出包含内生结构效应的模型对企业间网络的形成具有更强的解释力,不论是行业联盟网络[30]、连锁董事网络[31]还是联合投资网络[32],都是在行动者特征和网络自组织的共同驱动下形成的。并且,在利用ERGM 将网络中的内生性过程建模后,能够更准确地理解网络形成的复杂机制,估计得到的模型对现实数据也具有更好的预测能力。目前,该类型的研究也开始涉及企业间最基础的供给-需求关系,文献[33]中对日本上市公司生产网络形成的研究是最早利用ERGM 对企业生意伙伴选择机制的探讨。

利用银行转账数据代替投入产出方法,将供给-需求关系的研究推进到更微观的企业层面,本文不仅仅只停留在理论探讨、静态描述水平,而是上溯到源头的关系形成机制问题,更深入地认识特定区域或集群中企业间互动的基本模式。借助新技术手段ERGM,网络中关系之间的依赖性被纳入模型,将有助于对企业间关系的一些本质问题的理解。

1 网络构建与结构特征分析

1.1 数据来源与网络构建

本文所用数据主要来自义乌市规模最大的银行,原始数据为2009～2017年间经过该银行在义乌市行政区内所有网点的全部对公转账记录,其中包括户名、对方户名、转账日期、转账金额、币种等信息。各组织的地理位置、所属行业、性质等信息来自天眼查、企信宝等企业信息平台。本研究所构建的义乌市产业组织网络为有向网络,网络中的节点为转账记录中位于义乌的各个组织(含企业和非企业组织),边为转账关系,方向为转账方向,与产品或服务的需求方向一致。起点和终点相同的转账关系只计一次。每一个节点所在地区、所在地区的人口和财政收入、所属行业、组织性质等信息作为节点属性也包含在网络中。

1.2 网络规模

2009～2017年义乌市产业组织网络整体规模的变动情况如表1所示。网络中的节点数量呈先上升后趋于稳定的趋势,2013年后一直维持在4 000左右,稳中有升;边数量的变动也呈现出相同趋势。企业数占总节点数的59%～74%,企业数量总体呈增长趋势。网络覆盖71～76个产业部门,基本涉及义乌市经济活动的各个方面。

表1 2009～2017年网络规模

1.3 度中心性及其分布

据表2可知,2009～2017年,义乌市产业组织网络平均度中心性的均值为7.475,最高值为2013年的8.523。网络中各组织的客户和供应商的平均数量为5.6～8.5个。平均度中心性的变化趋势也是先上升并在2013年及之后保持稳定,该指标反映了供给方和需求方之间的关系趋于稳定,市场成熟,运行平稳。

表2 2009～2017年网络和企业节点平均度

进一步分析网络中的企业节点可知,企业节点的平均度中心性略低于整个网络的平均度中心性,且变化幅度较小,介于5.3～7.0之间,这也意味着网络中的非企业组织平均度中心性整体上高于企业,且波动较大,并对整个网络平均度中心性的变化产生了较大影响。也就是说,企业的度中心性波动整体上要小于非企业组织,这可能是由于企业面临着更高的市场风险,需要与客户和供应商形成更稳定的关系。另外,对比企业的平均出度和平均入度,除2010～2012年,企业平均入度均高于平均出度,即企业更多地是作为供给方出现在网络中,而非企业组织更多地担任需求方角色,这一点也与企业的自身特性相符合。

图1中的散点图和直方图分别描绘了企业节点出度和入度的相关性和分布情况。由图1 可以看出,企业的出度和入度具有极高的相关性,出(入)度较高的企业,往往也具有较高的入(出)度。图中绝大多数节点都分布在散点图对角线附近,意味着大多数企业出度和入度都相等或接近。而且,随着时间的推移,偏离对角线的节点越来越少,同时沿对角线向右上方逐渐延伸(在直方图中表现为尾部抬高和图形趋于平缓)。这反映了企业生产经营专业化的深化,大多数企业都成为了产业链中的一环,既担任供给方又担任需求方,两个方面的角色也越来越平等。同时,图1中的直方图也显示,义乌企业格局长期以中小企业为主,大型企业数量稀少,但整体产业中出现了越来越多的规模较大的龙头企业,他们拥有较多的供应商,同时也为较多的客户提供商品和服务。

图1 2009～2017年企业节点度分布

2 变量与测量

本文因变量为每一年义乌市产业组织网络中的企业间交易关系,自变量主要考察行动者-关系效应(企业属性、二元组关联属性)和内生结构效应对企业间交易关系的影响。表3列出了模型所包含的变量及解释。

表3 模型变量与解释

2.1 行动者-关系效应

行动者-关系效应指行动者属性对其社会关系的影响。行动者属性泛指个体层面的变量,对企业而言,包括其规模、盈利能力、地理位置、产业归属等,这些属性通过影响企业的网络参与来发挥作用。例如,具有相似属性的行动者更容易发生接触或合作[13],即“同质性”或“邻近性”。在现有研究中,地理邻近性和认知邻近性对企业间关系的影响通常是研究的重点[34],本文通过对地处同一地区(镇或街道)以及归属同一产业部门的组织是否更有可能达成交易建模,考察地理因素和产业因素对产业组织网络形成的作用。此外,在有向网络中,行动者属性也会导致个体更加活跃(即建立更多的关系)或更受欢迎(即收到更多的关系)[17],它们分别被称为“发送者效应”和“接收者效应”。本文将组织所在地区的社会经济环境(人口、人均财政收入)和组织性质(企业或公共机构)作为行动者属性,考察组织发送或接受联系的倾向是否会受到这些因素的影响。

2.2 内生结构效应

内生结构效应表示网络中一些关系的存在促使其他关系形成的现象,也称为网络的自组织性。内生结构效应是产业组织网络形成的重要驱动因素。指数随机图模型能够有效地将网络密度、度分布、三元闭合等局部网络结构纳入模型,并整合其他效应以考察网络所具有的结构特征[35-36]。本文也将探讨一些主要的结构效应对产业组织网络形成的影响,包括:①互惠性,表示当组织1已经成为组织2的客户时,组织2有多大的可能性也成为组织1的客户;②聚敛性和扩张性,这是度量网络中度分布集中化的倾向,其中聚敛性度量一家组织成为其他组织的供应商的频率,即受欢迎程度,扩张性度量一家组织向其他组织发起采购的频率,即活跃程度;③传递性,指都与第三家有联系的两家组织之间形成交易关系的可能性,表示为传递性三元组——三元闭合的一种形式。

本文将使用新的设定来整合上述结构效应,并克服模型退化问题[37-38]。入度和出度的分布通过几何加权,成为几何加权入度(GWID)和几何加权出度(GWOD)两个统计量,并通过下式计算得到:

式中:x表示一个网络;a为事先设定或模型估计得到的衰减参数,用于控制权重;i为度中心性;Di(x)为网络x中出度或入度为i的节点数量,由几何函数[1-(1-e-a)i]加权。GWID 和GWOD 分别用于计算聚敛性和扩张性,如果这两项的系数显著为正,则表明网络中有较多的高度中心性节点,即网络中的组织倾向于拓展自己的供销渠道,拥有更多的需求方或供给方。同样地,传递性三元组以几何加权边共享伙伴(GWESP)统计量被纳入模型,用于度量网络中三元组之间形成传递性闭合的趋势,即组织1和组织2连接、组织2和组织3连接时,组织1和组织3是否更有可能连接。GWESP的定义为

ESPi(x)为网络x中有i个共享伙伴的边的数量,其余部分和式(1)一致。

将内生结构效应纳入模型,有助于更准确地预测网络中关系的形成。这是因为没有结构项的模型会存在高估行动者属性影响的情况,而加入结构项后,这些行动者属性项的参数估计值可能会降低或不再显著,所以包含了结构项的模型能够更准确地判断影响企业间关系形成的因素,提高拟合优度。模型的参数估计和拟合采用R 软件的statnet包[39],方法为MCMC-MLE。

3 构建指数随机图模型

3.1 基本原理

指数随机图模型提供了一个强大、灵活的工具来分离各种并发的社会过程,并评估每个过程对观察到的网络结构形成的相对贡献,允许研究者在更广阔的网络层面上捕捉多种影响,促进对网络形成所涉及的机制的理解。文献[40]中在p1模型和马尔科夫随机图模型的基础上提出了p*模型,该模型假设网络中各条边之间广泛存在条件依赖关系,这一假设可以将含有大部分依赖性假设条件的ERGM 看作是p*模型。p*模型的一般形式为

这里,X是一个由关系变量构成的矩阵。用随机变量Xij表示行动者i和j之间的关系,可以称为“关系变量”,如果行动者i和j之间存在边,则Xij=0,否则为0。x为网络中真实关系构成的矩阵,k为网络局部结构的个数,κ为总数量。zk(x)是模型协变量,表示第k个局部结构在网络x中的数量,相应的θk是待估计的参数,反映z统计量对观测网络的影响。c是一个标准化常数,用来保证所有可能网络的概率之和为1。式(3)也可以用单个关系的条件对数概率表示:

式中:表示除变量Xij外网络的剩余部分;δzk(x)是当Xij从0变为1时zk(x)的变化统计量,变化统计量是ERGM 相对于logit模型在解释方面最关键的差异。公式左侧分隔符号表明,Xij=0是以网络中其他关系变量为条件的,表明了关系变量之间的相互依赖。ERGM 通过这种方式容纳相互依赖的观测值。解释系数为θk——如果一个关系的形成使zk增加1个单位,在其他条件相同的情况下,关系形成的对数概率增加θk个单位。

在估计出模型系数θk后,可以通过式(5)预测任意一对行动者i和j之间存在关系的概率:

3.2 模型构建

在式(4)的基础上,本文构建两类指数随机图模型。模型1主要考察行动者-关系效应,不包括除边之外的结构项:

式中:第1项为边数,相当于回归模型中的截距项;第2～4项为发送者效应;第5～7项为接收者效应,分别表示人口、人均财政收入和组织性质;第4和第7项的type为分类变量,企业定义为1,非企业定义为0;第8和第9项为同质性效应,分别考虑地区、产业部门,当i和j属性相同时,取值为1,不相同时取值为0。每一项对应的参数θ表示该变量对关系Xij出现概率的相对贡献,模型1的估计结果可以反映组织自身属性对其交易活动的影响。在没有结构项时,ERGM 的结果与传统逻辑回归模型的结果相同。

模型2 在模型1 的基础上进一步加入了结构项:

式中,第10～13项分别为互惠性、聚敛性、扩张性和传递性对应的局部结构的变化统计量,其余部分与式(6)相同。模型2主要考察在考虑组织特征的情况下内生结构效应如何塑造产业组织网络。

4 实证分析

4.1 模型估计结果与评价

在ERGM 中,边(edges)项表示网络中关系形成的基准倾向。由表1可计算出2009年义乌市产业组织网络密度为:8 061/2 886×(2 886-1)=0.000 97,即任意两家组织之间有交易关系的概率为0.097%。根据表4中模型1的估计结果可见,边的系数显著为负(-7.176),意味着网络中如果不考虑组织属性,网络中任意两组织之间有交易关系的概率为:,低于网络密度0.021个百分点,这一差距表明,行动者-关系效应为网络中关系的形成提供了一部分解释。模型2中边的系数更低(-7.462),概率进一步低至0.057%,说明模型2中包含的结构统计量为关系的形成提供了更多的解释。

表4 模型估计结果

根据两个模型的AIC 和BIC 可知,模型2 的AIC和BIC 相比于模型1有大幅度下降,说明内生结构效应在产业组织网络的形成中起到了非常重要的作用。此外,本文通过将拟合优度图形化来观察仿真网络和真实网络之间的匹配情况[24],如图2所示。在每一个图中,用拟合模型随机生成100个仿真网络,这些仿真网络结构特征的分布状况被绘制为箱线图。另外,真实网络的结构特征由黑线表示,两者的对比显示了模型与真实网络的拟合情况。图2中的y轴为相对频率的Logit。

图2(a)和图2(b)中的前两个子图分别表示出度分布和入度分布。模型2的拟合好于模型1,模型1的黑线与箱线图很少重合,而模型2的黑线大致位于箱线图的范围内,模型2生成的仿真网络的度分布更接近于真实网络的度分布。第3个子图表示三元组分布,它捕捉了16种不同的三元组形式在网络中出现的频率。模型1对每一种三元组的预测都存在较大偏差,而模型2提供了较好的改进,每一种三元组的预测数量都更能反映真实网络中的三元组分布。第4个子图显示了共享伙伴分布(两个行动者之间共同朋友的数量),可以看到,模型2仍然拟合得较好,黑线完全从箱线图内部通过,但模型1的黑线与箱线图相差甚远。第5个子图提供了一个高阶网络统计量——所有行动者之间最短距离的分布,模型1只在较高范围上预测得较好,而模型2虽然略微低估了最短距离,但箱线图与黑线更加接近。由上可知,模型2在拟合上优于模型1。

图2 仿真网络和真实网络之间的匹配情况

4.2 网络形成机制分析

在ERGM 中,结构项系数为正表明网络中某一局部结构出现的频率高于预期,或该局部结构的出现会提高关系形成的可能性。模型2中,互惠性的系数为正且显著性高,表明组织之间有明显的“互相照顾生意”的倾向,两个生意伙伴之间互为客户和供应商的情况常见。这也从另一面印证了图1 的结论,即企业节点的出度和入度有极高的相关性。由于企业和自己的生意伙伴之间互通往来,多了一家客户通常也意味着多了一家供应商,故每一家企业的出度和入度接近,在图1中呈现出的就是散点集中在对角线附近。

聚敛性和扩张性两项的系数都显著为负,表示如果一条关系的出现会使GWID 和GWOD 统计量增加越多,则该关系就越不可能出现,而根据式(1),任何组织不论度中心性大小,只要接受或发送一条关系,都会使GWID 或GWOD 统计量增加。但是度中心性越低的组织,其增加一条关系带来的统计量的变化会越大,这就意味着网络中的组织普遍不倾向于拓展客户或供应商,而且度中心性越低的组织越是如此。1.3节中对企业节点出(入)度分布的分析已经指出,2009年义乌市度中心性较高的企业数量稀少,大多数企业都停留在较低的出(入)度水平上,度中心性越低,企业出现的频率越高,而且呈指数级变化(见图1)。因此,该网络不利于孕育出高度中心性企业,尤其不利于小微企业成长,网络内整体趋势为拓展外部关系的意愿较为消极,网络活动稀少。传递性显著为正的系数表明中间人的存在有利于交易关系的形成,而且两家机构之间的中间人越多,他们发生交易的可能性越大。相比于聚敛性和扩张性,传递性在网络中更有可能出现,这意味着网络中集群的形成主要受到重叠的三角形的驱动,而不是特别受欢迎的或活跃的企业(群)驱动的。

在行动者特征方面,结合模型1和模型2,只有发送者(pcr)、接收者(pop)、接收者(type)和同质性(area)4项在控制了内生结构效应之后仍然显著。其中,发送者(pcr)和接收者(pop)的系数均显著为负,分别说明了位于人均财政收入较高地区的组织、位于人口较多地区的组织分别成为买方、卖方的可能性更低,即地区经济发展水平越低,越依赖外部产品和服务的输入,地区人口数量越少,越能够对外输出。接收者(type)系数显著为正,与前述分析相一致,即企业相比于非企业在网络中更多地是担任供给方。最后,位于同一行政区的机构之间更有可能形成交易(同质性(type)系数显著为正),说明地理邻近性存在于义乌市产业组织网络中。

模型1和模型2的对比也体现了ERGM 在关系形成研究领域的作用。在加入了结构项后,一些节点属性协变量的影响发生了明显的变化,在模型2中不再显著或是显著性降低,因此,结构效应的引入有助于更准确地评估不同的社会过程对关系形成的贡献,如本文发现一些交易关系的形成实际上是由互惠性和传递性驱动的,如果采用传统回归方法,它们将被看做是由机构自身特征所产生的。

5 模型预测及其精确度

5.1 模型生成的原网络

根据式(5)以及模型1和模型2估计得到的参数,可以计算产业组织网络中任意一对机构之间存在交易关系的概率。本文将所有企业间的关系分为两类,如果一对机构之间已经存在交易关系,称为已有关系;如果一对机构之间没有交易关系,称为潜在关系。首先,分别用模型1、2计算2009年义乌市产业组织网络中8 061个已有关系和8 318 049个潜在关系出现的概率,概率值的分布情况如图3、4所示。

图3 模型1预测结果

通过模型1预测得到的8 061个已有关系出现的平均概率为0.263%,为网络密度(0.097%)的2.7倍,但这一概率仍然过低,并不能作为对已发生事件的预测。8 318 049个潜在关系出现的平均概率为0.108%,略高于网络密度。而且,图3 显示,8 061个已有关系中,出现概率的预测值全都低于0.008,有超过3 000个关系出现概率的预测值小于0.001,而在潜在关系中,有大量关系出现的概率超过0.002。因此,按照模型1的预测结果,所有的关系都只有极低的出现概率,与真实网络存在较大偏差,且不能区分已有关系和潜在关系,不能用于预测关系的形成。

而模型2做出了更好地预测,已有关系和潜在关系出现的平均概率分别为84.141%和0.011%。图4(a)显示,模型2对8 061个已有关系出现概率的预测呈两个极端:绝大多数(7 350 个)出现的概率超过0.5,且多数超过了0.9,但仍有一小部分(711个)出现概率低于0.1,不能准确预测;同时,图4(b)中潜在关系出现概率的分布也呈现出两个极端,绝大多数(8 317 338个)出现概率极低,一小部分(711个)有一定的出现概率(超过0.2)。也就是说,模型2能够判断出该网络中应该出现8 061个关系,但由于已有关系中有711个未能被准确预测,在网络中留下了空缺,被相同数量的潜在关系所填补。这也反映出义乌市产业组织网络中有一些企业之间虽然在2009年没有交易,但在未来有较高的可能形成交易关系。另外,模型2也未能完全考虑所有的影响关系形成的因素。

图4 模型2预测结果

5.2 预测精确度评价

在复杂网络领域,评价关系预测精确度通常采用 AUC(Area Under the Receiver Operating Characteristic Curve)和Ranking Score两种指标,本文将借助AUC 和Ranking Score两种方法计算预测精确度得分。

AUC的具体做法:每次将测试集中的关系与随机选择的潜在关系的出现概率进行对比,如果测试集中的关系的概率大于潜在关系的概率,就加1分;如果相等,加0.5分。独立比较n次,如果有n'次测试集中的关系的概率大于潜在关系的概率,有n″次两者相等,则AUC定义为

Ranking Score计算的是测试集中的关系在潜在关系中的位置。如果有H个潜在关系(包括测试集中的关系),ri表示测试集中的关系i在其中的排名,则该关系的Ranking Score值为

对网络中M个已有关系重复上述做法,得到M个RankS值,并按照下式求平均值:

AUC越接近1,预测方法真实性越高;RankS值越小,代表模型预测精确度越高。

根据上述公式,采用“留一个在外”的方法,每次从2009年的8 061个已有关系中选择一个作为测试集,假设其为未连接的关系,将其出现概率与其余8 318 049个潜在关系的出现概率对比,最终计算得到的精确度得分如表5所示。

表5 模型预测精确度得分

由模型1与模型2的对比显示,模型2的AUC更大,Ranking Score更小,表明加入结构项后的模型2预测效果明显提高

5.3 对2010～2017年网络形成的预测

由于模型2的预测能力较好,故采用模型2预测2010～2017年义乌市产业组织网络的形成。图5所示为模型2对2010～2017年义乌市产业组织网络中已有关系出现概率的预测值分布情况。由图5可见,模型2虽然是用2009年的产业组织网络估计得到的,但它对于后面的网络依然有相当好的预测能力,每一年网络中绝大多数已有关系出现概率的预测值都在0.5以上,只有一小部分未能准确预测。即在2009～2017年间,义乌市产业组织网络的形成机制未发生较大变化,模型2的结果可以反映整个时期义乌市地方生产网络的基本模式。

图5 2010～2017年已有关系出现概率分布

6 结论

企业间关系的形成是多种因素共同作用的结果。在关系形成理论和已有的企业间关系形成研究的基础上,本文引入ERGM 考虑更多的影响企业间关系形成的社会过程,更精确地考察了这些过程如何同时塑造在企业关系网络中观察到的结构。本文的研究也进一步显示了指数随机图模型的优势,即相比于传统回归方法,它能够将内生结构效应纳入模型,得到一些传统方法无法得到的结果,从而更全面地评估企业间关系的影响因素,加深对关系形成机制的理解。

本文利用银行转账数据代替投入产出表构建产业网络,将研究层面推向更加微观也更加基础的企业间市场交易关系。研究发现:

(1)义乌市企业关系中存在强烈的互惠倾向,企业间通常互有往来,最终也带来了出度和入度的高度相关性。

(2)义乌市企业普遍不倾向于拓展需求方或供给方,且本身需求方或供给方数量越少的企业越是如此,大多数企业都停留在较低的出入度水平上,该网络不易出现大型企业,小微企业成长缓慢。

(3)传递性在网络中起到较大的正向作用,中间人越多,交易越有可能达成,这也反映出义乌市企业选择交易对象更多地是通过中间商联络。

(4)相比于非企业机组织,企业更多地作为供给方出现在网络中,这与企业入度高于出度的特点相一致,也反映了企业在经济体系中作为商品和服务的生产、销售者的角色。

(5)企业所在地区经济发展水平越高,越不依赖外部的输入,所在地区人口越少,越能够对外输出,即相对富裕或人口较少地区的企业具有更高的对外输出能力。

(6)位于同一地区的组织之间更有可能形成交易,即地理邻近性促进交易关系形成。通过对模型预测结果和精确度的考察指出,这些发现能够代表2009～2017年间义乌市企业间关系的实际。

本文从嵌入性的角度讨论了“结构嵌入”如何影响企业间关系的形成。嵌入性的另一层面是“关系嵌入”,即不同类型的关系相互影响,如两家企业在交易关系的基础上又开展了技术合作。由于当前的企业间关系趋于多样化,一对企业之间不同类型关系的相互带动和反馈也是一个值得研究的问题,这一领域也有待进一步探索。