第四章 實證分析
第四節 迴歸模型
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
41
第四節 迴歸模型
本節整合本章前三節之論述，首先利用 Hausman’s Test 檢測本研究之資料應採 用固定效果模型或隨機效果模型。檢定結果如下表所示：
表 7：Hausman’s Test 檢定結果表
P-value SN_T1 SN_T2 PA 0.0000 0.0000 C 0.0000 0.0000
檢定結果顯示所有模型均應採用固定效果模型。而根據固定效果模型，在分 析教育網絡的貢獻程度之前必須先控制住創投公司及被投資公司各別獨有的特性(
如同第三節所列之創投方控制變數及被投資公司方控制變數)，使教育網絡的貢獻 程度估計結果不因這些特性而受影響。接著，由於不同創業投資案的聯合投資狀 況及注資次數均不同，故必須再控制住創業投資記錄的影響程度(即創業投資記錄 控制變數)後，即可估計出教育網絡對被投資公司自身的研發能力的「淨影響效果
」，故可將本研究之模型以下列之迴歸估計式表示：
R&𝐷 𝑂utput𝑖𝑡 = constant + 𝑇𝑦𝑝𝑒𝑎,𝑖𝑡+ ∑ 𝑓𝑜𝑢𝑛𝑑𝑒𝑟𝑏
𝐵
𝑏=1
+ ∑ 𝑉𝐶𝑐
𝐶
𝑐=1
+ 𝐼𝑛𝑣𝑒𝑠𝑡𝑚𝑒𝑛𝑡𝑡+ 𝜀𝑖𝑡，for a = 1,2
其中，i表示第 i 個創業投資案，
a表示「教育網絡」的二種分類層級，
b表示第b家被投資公司，
c表示第c家創業投資公司。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
42
此迴歸估計式的意義為，在控制住創投公司及被投資公司雙方各自學歷經歷 背景、地點因素及創業投資記錄因素後，教育網絡在第 i 個創投投資案中對被投資 公司自身的研發能力的影響程度。
本研究主要在於衡量創投公司及被投資公司過去的教育網絡聯結關係是否有 助於提升被投資公司的研發能力，我們以被投資公司歷年的專利申請數量及被引 證次數為被解釋變數，此兩變數均屬於計數資料，符合計數資料模型(Count Data Model)的特性，而計數資料模型中較常使用的迴歸模型為卜瓦松迴歸模型(Poisson Regression Model，PRM)，此外本研究之歷年專利申請數量及被引證次數兩變數也 符合卜瓦松分配(Poisson Distribution)之「單位時間某一事件發生次數」之性質，因 此可以此模型進行估計，以下將簡述本模型之特性。
衡 量 單 位 時 間 內 某 一 事 件 發 生 之 次 數 的 分 配 稱 為 卜 瓦 松 分 配 (Poisson Distribution) ， 若 離 散 隨 機 變 數X具有以下之機率密度函數(Probability Density Function)，則稱為卜瓦松分配(Poisson Distribution)：
f(X) =𝑒−𝜆𝜆𝑋
𝑋! ，𝑋 = 0,1,2, … … λ：單位時間內事件發生之平均次數
另由於本研究資料既是追蹤資料(Panel Data)又是計數資料(Count Data)，因此 在迴歸模型上應採用卜瓦松固定效果迴歸模型(Poisson Fixed Effect Regression Model)，本研究以 Stata 統計軟體進行估計，並以下表分別呈現被投資公司歷年專 利申請數量及被引證次數之迴歸結果：
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
44
由於本模型是採用固定效果，所以 fTaipei、fHsinchu、f_1、f_2、f_3、vcTaipei 及 vcHsinchu 等 7 個變數由於本身就是固定的變數，在卜瓦松固定效果迴歸模型 (Poisson Fixed Effect Regression Model)中直接將此 7 個變數剔除。表 8 統計結果顯 示，SN_T1 對於專利申請數量的效果顯著是負的，但 SN_T2 卻顯著是正的；SN_T1 對於被引證次數的效果顯著是負的，SN_T2 是正的但不顯著。此一結果顯示若創 投方與被投資方只有校友聯結關係，則由於連結關係太過薄弱，創投方只依靠學 校這塊招牌進行投資，對於提升被投資公司的研發能力不但沒有幫助，反會造成 反效果；若除校友聯結外，增加學院與學位背景的系友關係，則創投公司會出於
「同系情誼」，而願意提供投入時間了解被投資公司的價值，也更願意注資給被投 資公司，幫助提升被投資公司研發能力，但由於 SN_T2 在被引證次數模型中並不 顯著，證明 SN_T2 的聯結仍然過於薄弱，即使創投公司與被投資公司有「同系情 誼」聯結，仍無法提升被投資公司的專利品質。
觀察 fMBA 及 fScience 兩變數可發現，商學背景人才不具備高超之研發技術
，對於公司的實質研發貢獻有限，甚至可能因提出許多天馬行空的想法，使得技 術人才摸不著頭緒阻礙研發，所以 fMBA 為負向影響；相反的，理工背景人才擁 有豐富的技術知識，因此足夠了解提升研發能力之正確路徑，所以 fScience 為正 向影響。另方面，觀察 vcMBA 及 vcScience 兩變數後，由於 VC 投資的目的是為 了在 IPO 後一段時間出脫股票以換取資本利得，因此在 IPO 前勢必想盡辦法協助 提升公司的市場價值，而為了提升公司的市場價值，VC 可從組織改造、產品創新
、提升研發能力等方面下手，文獻也指出增強被投資公司的研發能力有助於提升 其市場價值。依此觀點，VC 經理人無論是商學背景或理工背景都有誘因設法提高 被投資公司的專利申請數量與專利品質，以證明被投資公司具備很高的研發能力
，所以 vcMBA 及 vcScience 都是正的。
最後，Syndication 的影響顯著是負的，表示由於創投團隊人數眾多往往無法 取得共識，可能反而會造成人多嘴雜影響研發能力的提升；AR 越多的話，表示公
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
45
司所募集的資金也越多，資金越多的公司能使用的資源相對越多，因此公司有足 夠的資源可作為研發用途以提升研發能力。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
46