سهامداران اولیه فردی، اولین سرمایه گذاری خطرپذیر

خلاصه

ما مجموعه‌ای جدید و جامع از استارت‌آپ‌های مستقر در بریتانیا با اطلاعات گسترده درباره مالکیت، کنترل و ارزش‌گذاری ایجاد می‌کنیم. پایگاه داده ما شواهد توصیفی منحصر به فردی را در مورد ارتباط ذینفعان فردی در استارت آپ ها، به ویژه قبل از ورود سرمایه گذاران نهادی سرمایه گذاری خطرپذیر، ارائه می دهد. ما تأثیر دو ویژگی قابل مقایسه گروه های مختلف ذینفعان فردی قبل از نهادی را مقایسه می کنیم: اندازه و تجربه. ما نشان می‌دهیم که کمیت و همچنین تجربه بنیان‌گذاران، مدیران و سایر سرمایه‌گذاران فردی با نوع و ارزش خروج استارت‌آپ مرتبط است. نتایج موفقیت در انواع تنوع بسیار متفاوت است: به نظر می رسد تنوع عملکردی با موفقیت رابطه مثبت دارد در حالی که تنوع جمعیتی منفی است.

طبقه بندی JEL

M13

G32

G24

کلید واژه ها

استارت آپ ها

سرمایه گذاری خطرپذیر

بنیانگذاران

سرمایه گذاران انفرادی

1 . معرفی

استارت‌آپ‌ها منبع اصلی نوآوری و توسعه فناوری و در نتیجه محرک‌های کلیدی رشد اقتصادی هستند. مراحل اولیه راه اندازی، به ویژه قبل از ورود سرمایه گذاران نهادی سرمایه گذاری خطرپذیر (VC)، بسیار مهم است ( برنشتاین و همکاران، 2017 ). در این دوره «پیش نهادی»، تک تک سهامداران، یعنی بنیانگذاران، مدیران و سایر سرمایه گذاران فردی، از جمله فرشتگان تجاری (BA)، نقش مهمی را ایفا می کنند. ¹ با این حال، هر یک از این گروه‌های افراد نقش متفاوتی در استارت‌آپ بازی می‌کنند، و بنابراین ممکن است تفاوت‌هایی در نحوه تأثیرگذاری آنها بر عملکرد استارت‌آپ وجود داشته باشد. علیرغم ارتباط آنها، ما شواهد بسیار کمی در مورد اهمیت و تأثیر متفاوت هر یک از این گروه های ذینفع فردی در مراحل اولیه استارت آپ ها داریم.

این مقاله با استفاده از مجموعه داده‌ای جدید از استارت‌آپ‌های مبتنی بر VC مستقر در بریتانیا، به بررسی و مقایسه ارتباط بین ویژگی‌های گروه‌های مختلف ذینفعان فردی قبل از نهادی و موفقیت نهایی استارت‌آپ‌ها، به طور مستقیم و غیرمستقیم، از طریق ویژگی‌های سرمایه گذاران VC ما به‌ویژه نشان می‌دهیم که مقداری که به‌عنوان نماینده تنوع و همچنین تجربه راه‌اندازی بنیان‌گذاران، مدیران و سایر سرمایه‌گذاران فردی استفاده شده است، با نوع خروج و ارزش راه‌اندازی مرتبط است. اما مهمتر از آن، نشان می‌دهیم که انواع مختلف ذینفعان فردی به روش‌های متفاوتی اهمیت دارند. تعداد مدیران مؤسس و غیر مؤسس با موفقیت رابطه مثبت معناداری دارد. در مقابل، برای سایر سرمایه گذاران فردی، این تجربه، به ویژه حضور BA است که به طور مثبت با موفقیت مرتبط است. در نهایت، ما نشان می‌دهیم که نتایج ما در مقیاس‌های دقیق‌تر تنوع تیمی متفاوت است: در حالی که سطوح بالاتر تنوع عملکردی به طور مثبت با احتمال موفقیت بالاتر همبستگی دارد، معیارهای جنسیتی و تنوع ملی رابطه منفی دارند.

تاکنون، اطلاعات و داده های سیستماتیک بسیار کمی در مورد تک تک سهامداران استارت آپ ها وجود دارد. این حداقل به دو دلیل است. اولاً، افراد (به عنوان مثال، BA) ممکن است تمایلی به افشای هویت خود و به اشتراک گذاری اطلاعات در مورد فعالیت های خود نداشته باشند، هم به دلایل استراتژیک و هم برای اجتناب از قرار گرفتن در معرض شخصی ( کاپلان و لرنر، 2016 ). سرمایه گذاری هایی که به صورت جداگانه انجام می شود در بسیاری از کشورها (مثلاً در ایالات متحده) مشمول الزامات افشای نظارتی نیستند. دوم، بیشتر پایگاه‌های اطلاعاتی مربوط به استارت‌آپ‌ها، مانند VentureXpert و Venture Source، از نظرسنجی‌های شرکت‌های سرمایه‌گذاری خطرپذیر ناشی می‌شوند ( دا رین و همکاران، 2013 ). در نتیجه، آنها حاوی اطلاعات نسبتاً خوبی در مورد VCها و سرمایه گذاری های آنها هستند، اما اطلاعات بسیار کمتری در مورد سرمایه گذاران، بنیانگذاران یا مدیران فردی دارند، به ویژه قبل از معرفی سرمایه گذاری VC. ²

برای تجزیه و تحلیل ارتباط افراد ذی‌نفع در اکوسیستم استارت‌آپ، مجموعه‌ای جدید و جامع از استارت‌آپ‌های مستقر در بریتانیا با اطلاعات گسترده درباره مالکیت، کنترل و ارزش‌گذاری ایجاد کرده‌ایم. برخلاف بسیاری از کشورهای دیگر، بریتانیا از همه شرکت‌های خصوصی – حتی شرکت‌های بسیار کوچک – می‌خواهد تا پرونده‌های اجباری را به شرکت‌ها، اداره ثبت شرکت‌ها، ارسال کنند. ³ در میان سایر موارد، هر شرکت باید جزئیات گسترده ای را در مورد هویت سهامداران و مدیران خود، و قبل از سال 2009، جزئیات گسترده ای در مورد انتشار سهام، از جمله سهمیه ها و قیمت سهام، که ارزش گذاری راه اندازی را تعیین می کند، تکمیل کند. متأسفانه، ثبت شرکت ها (که شامل حدود 4 میلیون شرکت، از رستوران های کوچک گرفته تا شرکت های چند ملیتی بزرگ) است، مشخص نمی کند که کدام شرکت ها استارت آپ هستند و کدام شرکت ها نیستند.

استراتژی نمونه‌گیری ما شامل انتخاب، از بین کل شرکت‌ها در بریتانیا، همه شرکت‌هایی است که در پایگاه داده VentureXpert گنجانده شده‌اند. از این نمونه از استارت‌آپ‌ها، که با ساخت و ساز VC پشتیبان می‌شوند، ما تمام اطلاعات موجود آن‌ها را در خانه شرکت‌ها از زمان ثبت تا 5 سال پس از اولین سرمایه‌گذاری VC به دست آوردیم. تا جایی که ما می دانیم، پایگاه داده ما اولین پایگاه داده ای خواهد بود که شامل نمونه وسیعی از استارت آپ های تحت حمایت VC در هر کشوری است که اطلاعاتی در مورد هویت همه سهامداران و مدیران در هر مقطع زمانی و تعداد و ارزش آنها دارد. سهام متعلق به هر سهامدار در هر مقطع زمانی. علاوه بر این، با توجه به ماهیت قانونی اسناد منبع، اطلاعاتی که ما جمع‌آوری می‌کنیم باید دقیق‌تر از داده‌های به‌دست‌آمده از طریق نظرسنجی‌ها باشد، که منبع معمول اطلاعات بیشتر پایگاه‌های داده راه‌اندازی موجود است (دا رین و همکاران، 2013 ) .

پایگاه داده ما، ابتدا، شواهد توصیفی در مورد ارتباط، در استارتاپ های تحت حمایت VC، از ذینفعان فردی، مانند بنیانگذاران، مدیران غیر بنیانگذار، و سایر سرمایه گذاران فردی ارائه می دهد. علیرغم اینکه این افراد تنها 11 درصد از کل سرمایه گذاری را به خود اختصاص داده اند، 84 درصد از کل سرمایه گذاران استارت آپی را تشکیل می دهند، در حالی که مؤسسات 81 درصد سرمایه گذاری اما تنها 11 درصد از تعداد سرمایه گذاران را تشکیل می دهند. از نظر خصوصیات، بنیانگذاران و مدیران غیر موسس دارای طیف وسیعی از مشاغل هستند، اما نسبت زنان و خارجی ها بسیار پایین است (9.5٪ و $8.7 %$ ، به ترتیب). در مورد سرمایه گذاران نهادی، پایگاه داده ما علاوه بر VC های مستقل (IVC) و VC های شرکتی (CVC) مانند اکثر پایگاه های داده، سرمایه گذاران نهادی کمتر ساختار یافته و سازمان یافته، مانند سرمایه گذاران سرمایه گذاری شرکتی را شامل می شود. ما سرمایه گذاران خطرپذیر شرکتی را به عنوان شرکت هایی تعریف می کنیم که در استارتاپ ها بدون ساختار رسمی صندوق سرمایه گذاری خطرپذیر سرمایه گذاری می کنند. سرمایه گذاران سرمایه گذاری شرکتی بخش مهمی از تعداد سرمایه گذاران نهادی (29٪) را تشکیل می دهند، اگرچه آنها تنها 4٪ از کل سرمایه گذاری خود را تشکیل می دهند.

از نظر خروج از راه‌اندازی، حدود 39 درصد از شرکت‌های پایگاه داده ما را می‌توان «موفق» در نظر گرفت، که طبق ادبیات قبلی (مانند سورنسن، 2008 ، دوشنیتسکی و شاپیرا، 2010 )، به‌عنوان خروجی در قالب پیشنهاد عمومی اولیه تعریف شده است. (IPO) یا Merger and Acquisition (M&A) (به ترتیب 6% و 33%)، در حالی که بقیه بدون خروج منحل می شوند یا “فعال” می مانند (به ترتیب 44% و 17%). با توجه به اینکه ما از داده‌های الزام‌آور قانونی استفاده می‌کنیم، می‌توانیم صحت انتساب مسیرهای خروج و سرمایه‌گذاری‌های سازمانی انجام شده توسط پایگاه داده استاندارد VentureXpert را نیز ارزیابی کنیم. جای تعجب نیست که نادقیق ترین تخصیص خروجی در پایگاه داده VentureXpert دسته “فعال” است. در عوض، طبقه‌بندی شرکت‌هایی که از طریق IPO خارج می‌شوند و شرکت‌هایی که منحل می‌شوند دقیق‌ترین هستند، به این معنا که آن‌هایی که توسط VentureXpert به این ترتیب طبقه‌بندی شده‌اند در واقع به ترتیب IPO و انحلال واقعی هستند.

داده‌های ما همچنین به ما امکان می‌دهد دو ویژگی ساده اما قابل مقایسه را در میان گروه‌های ذینفع ایجاد کنیم: اندازه و تجربه. ادبیات علم تیمی اغلب تعداد افراد در یک گروه را با تنوع گروهی مرتبط می کند ( Wuyts et al., 2005 , Uzzi et al., 2013 ). دلایلی وجود دارد که باور کنیم، اما شواهد سیستماتیک اندکی، که اندازه و تجربه هر یک از این گروه‌های ذینفع ممکن است با موفقیت راه‌اندازی مرتبط باشد ( کلمبو و گریلی، 2005 ). ادبیات تنوع استدلال می‌کند که گروه‌های بزرگ‌تر به احتمال زیاد دیدگاه‌های چندگانه و متفاوت را ادغام می‌کنند، بنابراین عملکرد را بهبود می‌بخشند ( سینگ و فلمینگ، 2010 ، فالک-کرزینسکی و همکاران، 2011 ). بهره وری را می توان به دلیل مجموعه ای بیشتر از مهارت ها و شبکه گسترده تری از ارتباطات اجتماعی و تجاری افزایش داد ( برینکمن و هوگل، 2011 ). اما در سایر تنظیمات با افزایش اندازه گروه یا افزایش یا حتی کاهش در عملکرد وجود ندارد (برای بررسی، به فون تونزلمن و همکاران، 2003 مراجعه کنید ). بهره وری را می توان به دلیل نیازهای هماهنگی و مشکل مشوق معمول تیم هایی که یک سرمایه گذاری مشترک دارند کاهش داد ( Backs-Gellner et al., 2015 ).

سایر محققان استدلال می کنند که سهامداران بینش های اساسی را از تجربیات قبلی به دست می آورند و در نتیجه شناسایی و بهره برداری از فرصت های تجاری را بهبود می بخشند ( کوربت، 2005 ، بارون و انسلی، 2006 ). با این حال، سایر مقالات مزیت تجربه را زیر سوال می برند ( کامر و لووالو، 1999 ، کسار و کریگ، 2009 ، لندیر و تسمار، 2008 ). در هر صورت، از منظر عملی و سیاستی، مهم است که بدانیم آیا تنوع و تجربه واقعاً عملکرد استارت‌آپ را بهبود می‌بخشد و باید از آن حمایت کرد ( کاسار، 2014 ). تا کنون، ما شواهد سیستماتیک محدودی در مورد تأثیر این ویژگی‌ها در هر یک از ذینفعان مختلف داریم، چه رسد به مقایسه بین گروه‌های ذینفع.

نتایج رگرسیون ما نشان می‌دهد که ویژگی‌های گروه‌های ذینفع فردی اولیه استارت‌آپ، به عنوان مثال، بنیان‌گذاران، مدیران غیرمؤسس، و سایر سرمایه‌گذاران فردی، مستقیماً با احتمال خروج یک استارت‌آپ با پشتوانه VC از طریق IPO یا M&A مرتبط است. موفقیت در استارت‌آپ‌هایی که تیم‌های موسس بزرگ‌تری داشته‌اند، تعداد بیشتری از مدیران غیرمؤسس را منصوب کرده‌اند و پیش از سرمایه‌گذاری اول VC، لیسانس‌های با تجربه را در میان سرمایه‌گذاران خود قرار داده‌اند، بیشتر است. به نظر می رسد تنوع، تا زمانی که توسط اندازه تیم گرفته شود، برای مدیریت مهم است، در حالی که تجربه برای سرمایه گذاران غیرمدیریت ضروری است. با تجزیه نتایج موفقیت در IPOها و M&Aها، نشان می‌دهیم که این ویژگی‌های ذینفعان فردی اولیه نیز با احتمال M&A به طور قابل توجهی بیشتر از IPO مرتبط است و بنابراین، در میان استارت‌آپ‌های موفق، M&A را در مقایسه با IPO بیشتر می‌کند. احتمال دارد. همین سه ویژگی استارت‌آپ نیز با ارزش‌گذاری استارت‌آپ در 3 و 5 سال پس از سرمایه‌گذاری اولین VC و ارزش‌گذاری نهایی استارت‌آپ، هر زمان که اتفاق افتاد، مرتبط هستند.

ما معیارهای دقیق تری از تنوع تیمی از بنیانگذاران و مدیران غیر بنیانگذار را ساخته و تجزیه و تحلیل می کنیم. در اصل، تنوع ممکن است برای تعداد زیادی از ویژگی های شخصی اعمال شود. اما، همانطور که توسط ویلیامز و اوریلی (1998) و کامینگز (2004) پیشنهاد شده است، مهم ترین تفاوت بین انواع تنوع بین “تنوع جمعیتی” – تفاوت در ویژگی های به راحتی قابل تشخیص مانند جنسیت و ملیت – و “تنوع عملکردی” است. -تفاوت در ویژگی های اساسی کمتر قابل مشاهده که بیشتر به شغل مرتبط هستند. تیم‌های موجود در پایگاه داده ما سطوح پایینی از تنوع جمعیتی اما سطوح نسبتاً بالایی از تنوع عملکردی را نشان می‌دهند. نتایج رگرسیون ما در مورد موفقیت راه اندازی در این دو نوع تنوع متفاوت است. در حالی که سطوح بالاتر تنوع عملکردی به طور مثبت با احتمال موفقیت بالاتر همبستگی دارد، جنسیت و معیارهای تنوع ملی همبستگی منفی دارند. بنابراین، نتیجه اندازه گیری کلی تنوع تحت تأثیر تنوع عملکردی قرار می گیرد، زیرا اثرات تنوع جمعیتی به جهت دیگر کشیده می شود. ⁴

ما متوجه شدیم که کمیت و تجربه ذینفعان فردی اولیه نیز با ویژگی‌های سرمایه‌گذاری اول VC از نظر نوع، کمیت و کیفیت سرمایه‌گذاران اولین VC مرتبط است. برای مثال، ما نشان می‌دهیم که استارت‌آپ‌هایی با مدیران موسس و غیرمؤسس بیشتر و بنابراین متنوع‌تر، احتمال بیشتری دارد که IVCها را به‌عنوان سرمایه‌گذاران VC اول داشته باشند. وجود یک سرمایه‌گذار با تجربه BA باعث می‌شود که استارت‌آپ IVC داشته باشد اما احتمال کمتری دارد که CVC داشته باشد. از آنجایی که ذینفعان فردی با ویژگی های سرمایه گذاری اول VC مرتبط هستند، نه تنها روابط مستقیم، بلکه غیرمستقیم نیز با موفقیت وجود دارد. در واقع، تنوع بنیانگذاران و مدیران غیر بنیانگذار، و همچنین حضور یک سرمایه گذار باتجربه BA، این احتمال را افزایش می دهد که استارتاپ در اولین سرمایه گذاری VC یک IVC داشته باشد و وجود یک IVC این احتمال را افزایش می دهد. IPO یا M&A. ما نشان می‌دهیم که بیشتر، اما نه همه این روابط غیرمستقیم، در جهتی مشابه با روابط مستقیم کار می‌کنند، و بنابراین، روابط مستقیم ذینفعان فردی اولیه را با موفقیت استارت‌آپ تکمیل می‌کنند.

رگرسیون های موفقیت راه اندازی ما شامل طیف بی سابقه ای از ویژگی های ذینفعان ماقبل سازمانی و سرمایه گذاران اولین VC است. آنها همچنین ترکیبی از اثرات ثابت صنعت ، سال و مکان را شامل می‌شوند که استارت‌آپ‌هایی را که در تحلیل رگرسیون مقایسه می‌کنیم شبیه‌تر می‌کنند. با این حال، ممکن است ویژگی‌های مشاهده نشده، مانند کیفیت پروژه، وجود داشته باشد که ما را از تفسیر روابط بین سهامداران استارت‌آپ و موفقیت استارت‌آپ به عنوان علت و معلول باز می‌دارد. از این نظر، ما مدعی نیستیم که با گنجاندن لیسانس، احتمال موفقیت استارت‌آپ بیشتر می‌شود، اما در عوض، اگر استارت‌آپ دارای مدرک کارشناسی باشد، احتمال موفقیت آن بیشتر است، یا به این دلیل که BA آن را بیشتر می‌کند. احتمال موفقیت آمیز بودن یا به این دلیل که BA بیشتر احتمال دارد پروژه ای با کیفیت بالاتر را انتخاب کند.

مقاله ما ابتدا به ادبیات کمی کمک می کند که روابط بین سهامداران پیش از نهادی را در مورد موفقیت نهایی استارت آپ ها مطالعه می کند. طبق دانش ما، مقاله ما اولین مقاله ای است که تأثیر بنیانگذاران، مدیران و سایر سرمایه گذاران اولیه فردی را بین یکدیگر مقایسه می کند. برخی از مقالات اندازه تیم موسس را در نظر می گیرند، اما آنها بیشتر از نمونه های بسیار کوچک استفاده می کنند ( کوپر و برونو، 1977 ، روره و مادیک، 1986 ). از نظر تجربه، گومپرز و همکاران. (2010) نتایج موفقیت کارآفرینان باتجربه (سریالی) را برای اولین بار با کارآفرینان مقایسه کرد. کلمبو و گریلی (2005) رابطه مثبتی بین تجربه کاری قبلی در همان صنعت و رشد پیدا کردند. گونزالس-اوریبه و پاراویسینی (2017) با استفاده از داده‌های بریتانیا مانند ما، نقش سرمایه‌گذاران فردی را برجسته می‌کنند و نشان می‌دهند که کل دارایی‌های شرکت جوان پس از افزایش حقوق صاحبان سهام از سرمایه‌گذاران جدید بسیار سریع‌تر از پس از افزایش آن از دارندگان سهام موجود رشد می‌کند. کر و همکاران (2014) ، برای ایالات متحده، و لرنر و همکاران. (2018) ، برای مجموعه ای ناهمگون از 21 کشور، دریافتند که شرکت هایی که بودجه BA دریافت کرده اند در مجموع موفق تر هستند. ⁵ در حالی که ادبیات قبلی انواع خاصی از ذینفعان را در نظر گرفته است، مقاله ما تلاشی برای ارائه دیدگاه گسترده ای در مورد ارتباط ذینفعان فردی قبل از نهادی است.

ما همچنین شواهد کمی در مورد روابط بین افراد و سرمایه‌گذاران نهادی و نوع خروج، در میان استارت‌آپ‌های موفق با پشتیبانی VC داریم. بیشتر تحلیل‌ها در این زمینه اثرات سرمایه‌گذاری IVC و CVC را مقایسه می‌کنند. به دلیل ترجیحات آنها و تفاوت در نوع حمایتی که از سرمایه گذاری های جدید ارائه می کنند، برخی از نویسندگان استدلال کرده اند که احتمال خروج از IPO باید کمتر از احتمال کسب در حضور سرمایه CVC باشد (Hellmann, 2002, Riyanto and Schwienbacher . ، 2006 ). کامینگ (2008) و کیم و پارک (2017) این شهود را تأیید می کنند، در حالی که گومپرز و لرنر (2000) نتیجه معکوس پیدا می کنند. ^نتایج ما نشان می‌دهد که ویژگی‌های افراد، و نه تنها VCها، ممکن است به نفع یک نوع خروج یا دیگری باشد.

مقاله ما همچنین اولین مقاله ای است که به تجزیه و تحلیل مقایسه ای از روابط بین ویژگی های ذینفعان فردی و نوع تامین مالی VC می پردازد . پیش از این، نوع سرمایه گذاری VC، تا جایی که ما می دانیم، تنها توسط سورنسن (2007) مورد مطالعه قرار گرفته است . ⁷ به عنوان سورنسن (2007) ، ما به این سوال که کدام استارت آپ ها تامین مالی VC را دریافت می کنند، نمی پردازیم. ما ویژگی‌های ذینفعان فردی را بررسی می‌کنیم که باعث می‌شود یک استارت‌آپ با پشتوانه VC بیشتر از نوع خاصی از VC کمک مالی دریافت کند. برخی از مطالعات احتمال دریافت بودجه VC و به ویژه اثرات حضور سرمایه گذاران BA بر احتمال دریافت بودجه VC را بررسی کرده اند. ⁸ با این حال، ما در مورد ویژگی‌های استارت‌آپ‌هایی که به‌عنوان مثال، به جای تأمین مالی IVC، به CVC منجر می‌شوند، که برای VC‌های برتر جذاب هستند یا سندیکاهای بزرگ VC را جذب می‌کنند، اطلاعات کمی داریم. مقاله ما اولین تلاش برای پیشرفت در این مسیر است.

در نهایت، مقاله ما همچنین اولین مقاله ای است که طیف گسترده ای از روابط غیرمستقیم بین ویژگی های ذینفعان فردی قبل از نهادی و موفقیت راه اندازی را از طریق ویژگی های سرمایه گذاران سرمایه گذاری خطرپذیر مستند می کند. رابطه مثبت بین حضور سرمایه‌گذاران نهادی و عملکرد استارت‌آپ به خوبی مستند شده است (به عنوان مثال، Giot and Schwienbacher، 2007 ، Chemmanur و همکاران، 2011 ، Puri و Zarutskie، 2012 ، Bertoni and Tykvová، 2015 را ببینید ). با این حال، اینکه چگونه ویژگی‌های خاص این VCها با موفقیت سرمایه‌گذاری مرتبط است، به خوبی درک نشده است. موضوعی که بیشتر مورد توجه قرار گرفته است، دوباره تفاوت بین IVC و CVC است. گفته می شود که صندوق های IVC کمک های پولی قابل توجهی را ارائه می دهند، در حالی که صندوق های CVC نسبتاً بیشتر منابع غیر مالی را ارائه می دهند ( ریانتو و شوین باکر، 2006 ). مشخص شده است که این امر به طور متفاوتی بر استارتاپ هایی که هر کدام از آنها تأمین مالی می کنند تأثیر می گذارد . چمنور و همکاران (2014) در واقع دریافتند که شرکت‌های دارای پشتوانه CVC نوآورتر هستند، همانطور که با نتیجه ثبت اختراع آنها اندازه‌گیری می‌شود، اگرچه آنها جوان‌تر، ریسک‌پذیرتر و سود کمتری نسبت به شرکت‌های تحت حمایت IVC هستند. از سوی دیگر، Dushnitsky و Shapira (2010) دریافتند که سرمایه‌گذاران CVC عملکرد بهتری را نشان می‌دهند، همانطور که با نرخ خروج موفق پرتفوی اندازه‌گیری می‌شود. نتایج Dushnitsky و Lenox ( 2006 ) نشان می‌دهد که CVCها زمانی که شرکت‌های مادرشان از فناوری جدید استفاده می‌کنند، ارزش شرکت بیشتری ایجاد می‌کنند. چند مقاله دیگر تأثیر VC syndication بر استارت آپ ها را بررسی کرده اند. ⁹ برندر و همکاران (2002) و کامینگ و والز (2010) نشان می دهند که سرمایه گذاری های سندیکایی بازده بالاتری نسبت به سرمایه گذاری های مستقل دارند، که نشان می دهد VC ها ارزش مدیریتی را به استارت آپ اضافه می کنند. با این حال، سندیکای VC ممکن است منجر به تضاد منافع در بین اعضای سندیکای VC شود ( Chahine et al., 2012 ). مقاله ما روابط را از طریق نوع سرمایه گذار VC (به عنوان مثال، IVC در مقابل CVC) و سندیکای VC به عنوان کانال های غیرمستقیم نفوذ ذینفعان فردی قبل از نهادی برجسته می کند.

بقیه مقاله به شرح زیر سازماندهی شده است. بخش 2 پایگاه داده ما را شرح می دهد. بخش 3 جزئیاتی را در مورد تعریف متغیرها ارائه می دهد. بخش 4 نتایج را ارائه می کند. بخش 5 به پایان می رسد.

2 . داده ها و شواهد توصیفی: یک پایگاه داده منحصر به فرد

برای ایجاد یک مجموعه داده جامع از استارت‌آپ‌های مستقر در بریتانیا، هم از VentureXpert برای انتخاب نمونه خود و هم از Companies House، ثبت شرکت‌ها برای به دست آوردن تمام اطلاعات مربوطه استفاده کردیم. این بخش این پایگاه داده منحصربه‌فرد را توصیف می‌کند و شواهد توصیفی از ذینفعان فردی در استارت‌آپ‌ها و همچنین ارزیابی سرمایه‌گذاری‌های سازمانی و طبقه‌بندی خروجی ارائه شده توسط پایگاه داده VentureXpert را ارائه می‌کند.

2.1 . تعریف نمونه

ابتدا باید نمونه استارت آپ های خود را در جهان شرکت های بریتانیایی که در Companies House (حدود 4 میلیون شرکت) قرار دارند، شناسایی می کردیم. برای انجام این کار، ما تمام شرکت‌های مستقر در بریتانیا را که در پایگاه داده VentureXpert گنجانده شده‌اند، انتخاب کردیم. ¹⁰ با ساخت و ساز، همه این شرکت ها در مقطعی سرمایه گذاری VC را دریافت کردند. ¹¹ طبق گفته Maats و همکاران. (2011) ، VentureXpert جامع‌ترین پوشش سرمایه‌گذاری را در بین دو پایگاه داده راه‌اندازی قدیمی (VentureXpert و Venture Source) دارد، بنابراین جستجوی مبتنی بر سرمایه‌گذاری ما باید تضمین کند که نمونه بزرگی از استارت‌آپ‌های دارای پشتوانه VC را به دست می‌آوریم. ¹²

ما تمام شرکت‌های پایگاه داده VentureXpert که مقر آن در بریتانیا است را شناسایی کردیم که به‌ویژه اولین سرمایه‌گذاری VC خود را بین سال‌های 1999 و 2005 (هر دو شامل) دریافت کردند و در سال 1995 یا پس از آن ثبت شدند. ما تمام اطلاعات موجود را از (اغلب دستی) به دست آوردیم. pdf های مکتوب ارسال شده توسط این شرکت ها به خانه شرکت ها (شرح زیر)، از زمان ثبت تا حداکثر 5 سال پس از اولین سرمایه گذاری VC. اگرچه هنوز نیاز به ارائه گزارش سالانه دارند، شرکت‌های بریتانیایی از اول اکتبر 2009 ملزم نیستند جزئیات «تخصیص‌دهندگان» (سرمایه‌گذارانی که سهام را در زمان انتشار خریداری کرده‌اند) گزارش کنند. بنابراین، ما اطلاعاتی را در مورد شرکت‌هایی که تا سال 2005 (و نه موارد اخیر) دریافت کرده‌اند، جمع‌آوری کردیم تا حداقل 4 سال از زمان سرمایه‌گذاری اول VC، اطلاعات کاملی داشته باشیم. ما به نمونه ای از 1044 استارت آپ منحصر به فرد مستقر در بریتانیا رسیدیم. ¹³

2.2 . منبع اسناد و سرمایه گذاران

برای هر شرکت، از تاریخ تاسیس تا 5 سال پس از اولین سرمایه گذاری VC یا “تاریخ خروج” (هر دو در زیر تعریف می شوند)، هر کدام که زودتر آمده است را به دست آوردیم:

• بازگشت تخصیص سهام ¹⁴ ، یعنی، انتشار سهام، که شامل نام و همچنین تعداد، طبقه (مثلاً مشترک، ممتاز، و غیره)، ارزش اسمی و قیمت پرداخت شده برای هر سهامدار است. سهام منتشر شده و همچنین تاریخ. هر زمان که انتشار سهام وجود داشته باشد ارائه می شوند.

• فرمهای بازده سالانه ¹⁵ که شامل تعداد (انباشته)، طبقه و ارزش اسمی سهام هر سهامدار و همچنین تاریخ می باشد. آنها یک سال پس از ادغام و هر سال پس از آن ارائه می شوند. ¹⁶

افتادیم $134$ شرکت ها به دلیل اطلاعات گمشده/ناسازگار. ¹⁷ نمونه نهایی ما بدین ترتیب است $910$ شرکت ها

ما به صورت دستی سرمایه گذاران شناسایی شده در اسناد را به «افراد» و «موسسات» طبقه بندی کردیم. ¹⁸ پانل $A$ جدول 1 توزیع سرمایه گذاران (محصول) در پایگاه داده ما را هم از نظر تعداد سرمایه گذاران و هم از نظر اندازه سرمایه گذاری آنها نشان می دهد. سرمایه گذاران انفرادی 84 درصد از تعداد سرمایه گذاران را تشکیل می دهند و 11 درصد از کل سرمایه گذاری را به خود اختصاص می دهند. موسسات با وجود اینکه تنها 11 درصد از بدنه سرمایه گذاران را تشکیل می دهند، 81 درصد از کل سرمایه گذاری را تشکیل می دهند. بقیه سرمایه گذاران (5%)، که شامل سرمایه گذاران کشورهای دارای پناه مالیاتی یا شرکت های “نامزد” (شرکت های مالی واسط که برای نگهداری سهام از طرف اشخاص ثالث ایجاد شده اند)، ناشناخته / افشا نشده هستند (آنها می توانند موسسات یا افراد باشند) .

جدول 1 . افراد و سرمایه گذاران نهادی.

پانل A
سرمایه گذاران (بی نظیر)	عدد	درصد	کل سرمایه گذاری (میلیون پوند)	درصد سرمایه گذاری
اشخاص حقیقی	16,408	84.47٪	617	11.02%
موسسات	2051	10.56٪	4552	81.25٪
ناشناخته / فاش نشده	966	4.97٪	433	7.73٪
جمع	19,425	100.00%	5602	100.00%
پانل B
افراد (نه منحصر به فرد)	عدد	درصد	کل سرمایه گذاری (میلیون پوند)	درصد سرمایه گذاری
بنیانگذاران	2465	9.89٪	158.927	25.74٪
مدیران غیر موسس	8670	34.80٪	119.849	19.42٪
سایر سرمایه گذاران فردی	13781	55.31٪	338.575	54.84٪
جمع	24916	100.00%	617.351	100.00%
پانل C
سرمایه گذاران نهادی (بی نظیر)	عدد	درصد	کل سرمایه گذاری (میلیون پوند)	درصد سرمایه گذاری
VC مستقل	1188	57.92٪	3924.605	86.22٪
VC شرکتی	86	4.20٪	331.787	7.29٪
سرمایه گذاری مخاطره آمیز شرکتی	602	29.35٪	196.183	4.31٪
سازمان VC	38	1.85٪	57.346	1.26٪
سایر سرمایه گذاران نهادی	137	6.68٪	41.891	0.92٪
جمع	2051	100.00%	4551.812	100.00%

این جدول اهمیت انواع مختلف سرمایه گذار در پایگاه داده ما را نشان می دهد. پانل A تعداد سرمایه گذاران منحصر به فرد و کل سرمایه گذاری آنها را برای هر نوع و درصدی که آنها از تعداد کل سرمایه گذاران و کل سرمایه گذاری نشان می دهند را نشان می دهد. پانل B (مقامات، پانل C) اطلاعات مشابهی را در مورد انواع مختلف افراد (مقامات، سرمایه گذاران نهادی) در پایگاه داده ما خلاصه می کند.

2.3 . بنیانگذاران، مدیران غیر موسس و سایر سرمایه گذاران فردی

ما لیست مدیران استارت آپ های خود را از پایگاه FAME که بخشی از اطلاعات خانه شرکت ها را جمع آوری می کند، به دست آوردیم. ¹⁹ برای هر مدیر در هر شرکت، تاریخ انتصاب و تاریخ استعفای او (در صورت وجود) را به دست آوردیم. ²⁰ ما مدیران منحصربه‌فرد را در بین شرکت‌ها شناسایی کردیم و این داده‌ها را با داده‌های سرمایه‌گذار فردی تطبیق دادیم، با در نظر گرفتن اینکه ممکن است اسامی شرکت‌ها کمی متفاوت باشد. مدیران یک شرکت می توانند سرمایه گذار آن شرکت باشند یا نباشند. ما از همه این اطلاعات برای تفکیک ذینفعان فردی به بنیانگذاران، مدیران غیر بنیانگذار و سرمایه گذاران فردی «سایر» (یعنی غیر مدیر) استفاده می کنیم.

برای شناسایی بنیان‌گذاران استارت‌آپ به جای اسناد ادغام، به بازده مشخص‌شده در بالا تکیه می‌کنیم، زیرا بسیاری از استارت‌آپ‌ها از طریق خرید یک شرکت «قفسه» راه‌اندازی می‌شوند. ²¹ ما یک مدیر شرکت را در صورتی که (i) در سال اول سرمایه گذار باشد یا (ii) در سال اول منصوب شده باشد، مدیر مؤسس یا «بنیانگذار» می دانیم. $45$ روزهای شرکت ²²

پانل $B$ جدول 1 تعداد و سرمایه گذاری انواع مختلف افراد در پایگاه داده ما را نشان می دهد. توجه داشته باشید که افراد در این جدول منحصر به فرد نیستند، اما به تعداد شرکت‌هایی که در آن حضور دارند ظاهر می‌شوند. مثلاً ممکن است همان شخص در یک شرکت مدیر مؤسس و در شرکتی دیگر «سرمایه‌گذار فردی دیگر» باشد. .

جای تعجب نیست که بنیانگذاران با سرمایه گذاری 26 درصد از کل سرمایه گذاری افراد در حالی که تنها 10 درصد از تعداد افراد را نمایندگی می کنند، منبع مهمی از سرمایه گذاری برای استارتاپ ها به صورت نسبی هستند. با این حال، 15 درصد از آنها هرگز در شرکت سرمایه گذاری نمی کنند. مدیران غیر موسس بخش بزرگی از افراد موجود در پایگاه داده ما (35%) را نمایندگی می کنند. میانگین شرکت دارای 9.5 نفر از آنها است، در مقابل 2.7 بنیانگذار. اگرچه از هر پنج نفر فقط یک نفر در استارتاپی که هدایت می‌کند، سرمایه‌گذاری می‌کند، اما وقتی سرمایه‌گذاری می‌کنند، مقادیر مشابهی را به عنوان بنیانگذاران سرمایه‌گذاری می‌کنند: میانگین $£ 76 K$ برای بنیانگذاران در مقابل $£ 64 K$ برای مدیران غیر موسس سایر سرمایه گذاران فردی با بیش از نیمی از تعداد و سرمایه گذاری (6٪ از کل، موسسات) مهمترین دسته را تشکیل می دهند. هر یک از این افراد به طور متوسط سرمایه گذاری می کنند $£ 25 K$ در هر شرکت

2.4 . ویژگی های افراد

پانل $A$ در جدول 2 تعداد بنیانگذاران، مدیران غیر موسس و سرمایه گذاران فردی در پایگاه داده ما نشان داده شده است. ما همچنین مشخص کرده‌ایم که چه مدیرانی در هدایت استارت‌آپ‌ها «تجربه» دارند و کدام سرمایه‌گذاران فردی تجربه سرمایه‌گذاری گسترده‌ای دارند، به‌عنوان مثال، کدام یک از آنها لیسانس هستند. در مورد بنیانگذاران و مدیران غیر موسس، ما تجربه را اینگونه تعریف می کنیم که قبلاً مدیر یکی از شرکت های موجود در پایگاه داده ما بوده است. بر اساس این تعریف، 5 درصد از موسسان، و $12.5 %$ از مدیران غیر موسس، تجربه کارگردانی دارند. ما در نظر می گیریم که یک سرمایه گذار منفرد دارای تجربه است، به عنوان مثال، او لیسانس است ، اگر او (من) در سرتاسر پایگاه داده ما سرمایه گذاری کرده باشد. $2$ یا تعداد بیشتری شرکت و در مجموع سرمایه گذاری کرده است $£ 100 K$ یا بیشتر، یا (ii) در آن سرمایه گذاری کرده است $6$ یا شرکت های بیشتری بر اساس این تعریف، 6 درصد از سرمایه گذاران فردی ( $828$ از 13781) مدرک کارشناسی هستند. ²³

رگرسیون‌های ما از اطلاعات زیرمجموعه افراد حاضر در مراحل اولیه راه‌اندازی، قبل از سرمایه‌گذاری اول VC استفاده می‌کنند (برای تعریف رسمی به بخش فرعی بعدی مراجعه کنید). پانل $B$ تعداد انواع مختلف افراد در دوره پیش از تأسیس را نشان می دهد. تعداد مدیران غیر موسس و لیسانس ها به طور قابل ملاحظه ای کمتر از تعداد کل پایگاه داده است که در پانل نشان داده شده است. $A$ . با این حال، نسبت افراد با تجربه مشابه است: 10٪ برای مدیران غیر موسس و 4.5٪ برای لیسانس.

جدول 2 . ویژگی های افراد.

پانل A
اشخاص حقیقی	عدد	درصد
بنیانگذاران	2465
که تجربه کرد	126	5.11٪
مدیران غیر موسس	8670
که تجربه کرد	1091	12.58٪
سایر سرمایه گذاران فردی	13781
از آن فرشتگان تجاری	828	6.01٪
پانل B
افراد اولیه	عدد	درصد
بنیانگذاران	2465
که تجربه کرد	126	5.11٪
مدیران غیر موسس	871
که تجربه کرد	87	9.99٪
سایر سرمایه گذاران فردی	2297
از آن فرشتگان تجاری	105	4.57٪
پانل C
کارگردانان اولیه	عدد	درصد
بنیانگذاران	2465
که نر	2235	90.67٪
از کدام زن	230	9.33٪
که اتباع بریتانیا	2271	92.13٪
که اتباع غیر بریتانیا هستند	194	7.87٪
# مشاغل مختلف	307
مدیران غیر موسس	871
که نر	784	90.01٪
از کدام زن	87	9.99٪
که اتباع بریتانیا	774	88.86٪
که اتباع غیر بریتانیا هستند	97	11.14٪
# مشاغل مختلف	174

این جدول ویژگی های ذینفعان فردی را گزارش می کند. پنل A اطلاعاتی در مورد تجربه آنها در استارتاپ های دیگر نشان می دهد. پانل B همین کار را برای کسانی که قبل از سرمایه گذاری اول VC حاضر هستند انجام می دهد. پانل C جزئیاتی در مورد تنوع جمعیتی و عملکردی مدیران حاضر در سرمایه گذاری First-VC جمع آوری می کند.

پایگاه داده FAME اطلاعات بیشتری را از Companies House در مورد ویژگی های بنیانگذاران و مدیران غیر موسس جمع آوری می کند. پانل $C$ در جدول 2 جنسیت (مرد/مونث) و ملیت (بریتانیا/خارجی) و همچنین تعداد مشاغل مختلف (از جمله مهندسی یا حسابداری) هر یک از این دو نوع از افراد حاضر در پیش نهادی را نشان می دهد. دوره زمانی. تعداد مشاغل مختلف نسبتاً زیاد است، اما جمعیت شناسی هر دو نوع افراد واقعاً همگن است: زنان تنها حدود 9.5٪ مدیران را تشکیل می دهند، در حالی که خارجی ها 8٪ از مؤسسان و 11٪ از مدیران غیر مؤسس را تشکیل می دهند. . ²⁴

2.5 . سرمایه گذاران نهادی و سرمایه گذاری اول VC

ما سرمایه‌گذاران نهادی را به سرمایه‌های مخاطره‌آمیز مستقل (IVC)، سرمایه‌گذاری خطرپذیر شرکتی (CVC)، سرمایه‌گذاری مخاطره‌آمیز شرکتی (CVI) و سرمایه‌گذاری خطرپذیر سازمانی (OVC) طبقه‌بندی کردیم. برای انجام این کار، ابتدا سرمایه گذاران نهادی را با شرکت های موجود در پایگاه داده Orbis مطابقت دادیم. اگر کد NACE در Orbis در حوزه‌های مشاوره مالی یا مدیریت باشد، سرمایه‌گذار منطبق به عنوان IVC در نظر گرفته می‌شود . سرمایه گذار منطبق در هر کد NACE دیگر یک CVC یا یک CVI در نظر گرفته می شود. ما CVCها، شرکت‌هایی که در استارت‌آپ‌ها از طریق صندوق‌های ساختاریافته و سازمان‌یافته سرمایه‌گذاری می‌کنند، با جست‌وجوی اینکه آیا آن‌ها در پایگاه داده کلی VentureXpert وجود دارند (یعنی سرمایه‌گذاری در هر استارت‌آپ موجود در VentureXpert، نه تنها در نمونه‌های ما) را متمایز می‌کنیم. سازمان های غیرانتفاعی/دولتی به عنوان OVC دسته بندی می شوند. ²⁵

پانل $C$ جدول 1 توزیع سرمایه گذاران نهادی (محصول) را در پایگاه داده ما، هم از نظر تعداد و هم از نظر اندازه سرمایه گذاری آنها نشان می دهد. IVC ها بدنه اصلی سرمایه گذاران نهادی را تشکیل می دهند که بیش از نیمی از سرمایه گذاران و 86 درصد سرمایه گذاری را تشکیل می دهند. با وجود اینکه تنها 4 درصد از سرمایه گذاران نهادی را نمایندگی می کنند، CVC ها 7 درصد از سرمایه گذاری سرمایه گذاران نهادی را تشکیل می دهند. از سوی دیگر، CVI ها 29 درصد از سرمایه گذاران را تشکیل می دهند اما تنها 4 درصد از سرمایه گذاری را تشکیل می دهند.

ما آن را به عنوان اولین سرمایه گذاری VC تعریف می کنیم، اولین باری که یک VC در استارتاپ سرمایه گذاری می کند. توجه داشته باشید که طبق پایگاه داده VentureXpert، این ممکن است زودتر از اولین سرمایه گذاری VC باشد. این به این دلیل است که برخی از سرمایه‌گذاری‌های IVC/CVC در استارت‌آپ‌ها در VentureXpert گنجانده نشده‌اند یا به این دلیل است که اولین سرمایه‌گذار نهادی یک CVI است (به بالا مراجعه کنید).

2.6 . سرمایه گذاری، مالکیت و ارزش گذاری

ما سرمایه گذاری انباشته کلی در هر شرکت را در هر نقطه از زمان محاسبه کردیم. برای انجام این کار، ما پول سرمایه‌گذاری شده توسط همه سرمایه‌گذاران در همه طبقات سهام را در تمام انتشارات سهام تا آن نقطه از زمان اضافه کردیم، که در آن پول سرمایه‌گذاری شده به عنوان حاصلضرب «قیمت پرداخت‌شده» و «تعداد سهام تخصیص‌یافته» تعریف می‌شود. ” در آن شکل. در داده های ما، سرمایه گذاری انباشته به طور متوسط، $£ 124 K$ درست قبل از اولین سرمایه گذاری VC، $£ 1.4 m$ در سرمایه گذاری First-VC، و $£ 5.4 m$ در 5 سال پس از سرمایه گذاری یا خروج اولین VC، هر کدام که زودتر آمده باشد.

ما ساختار مالکیت را در هر نقطه از زمان با محاسبه کسری از سرمایه اسمی کلی هر سرمایه گذار محاسبه کردیم. ²⁶ سرمایه اسمی برای هر سرمایه گذار در هر مقطع زمانی با ضرب تعداد سهام او در ارزش اسمی آنها (و جمع کردن سرمایه اسمی سهام عادی، ممتاز و سایر سهام او) محاسبه می شود. ما سرمایه اسمی پایان سال را از بازده سالانه محاسبه کردیم. ما همچنین سرمایه اسمی را در تاریخ های میانی هر زمان که سهام منتشر شد محاسبه کردیم. شکل 1 ساختار مالکیت شرکت متوسط را قبل از اولین سرمایه گذاری VC، در اولین سرمایه گذاری VC و خروج نشان می دهد.

ما شرکت ها را در هر انتشار ارزش گذاری کردیم. برای انجام این کار، ابتدا یک «ضریب حق بیمه» برای سهام عادی هر بازده تخصیص سهام ایجاد کردیم که به عنوان نسبت (حداکثر) قیمت پرداخت شده برای هر سهم تقسیم بر سرمایه اسمی آن سهم تعریف می‌شود. ²⁷ ما ارزش گذاری را با ضرب سرمایه اسمی کلی (یعنی در کل شرکت) در ضریب ممتازی که سرمایه اسمی ترجیحی و سایر سرمایه ها را به آن اضافه کردیم، محاسبه می کنیم. ²⁸ ارزش گذاری برای استارتاپ متوسط است $£ 1.8 m$ درست قبل از اولین سرمایه گذاری VC (ارزیابی قبل از پول)، $£ 2.6 m$ در سرمایه گذاری اول VC (ارزیابی پس از پول)، و $£ 8 m$ 5 سال پس از سرمایه گذاری یا خروج از اولین VC، هر کدام که زودتر آمده باشد.

2.7 . نوع خروج و ارزش گذاری نهایی

اکنون توضیح می‌دهیم که چگونه نوع «خروج» هر استارت‌آپ را شناسایی کردیم، که ممکن است زودتر یا دیرتر از 5 سال پس از سرمایه‌گذاری اول VC باشد. ما شناسایی کردیم $55$ IPOهای موجود در مجموعه داده ما، نشان دهنده 6٪ از استارتاپ ها هستند ( شکل 2 را ببینید )، با جستجو در بورس های اصلی (اگرچه تقریباً همه IPO های موجود در پایگاه داده ما در بورس لندن هستند). ما شناسایی کردیم $298$ M&A (33٪ از شرکت ها) به عنوان مواردی که در آن شرکت دیگری تمام سهام استارت آپ را خریداری می کند (یا در موارد پراکنده، اکثریت سهام کنترل کننده). در نهایت، ما را شناسایی کردیم $400$ انحلال (یعنی 44٪ از نمونه ما) به عنوان یک قرار مدیر/تصفیه کننده، زیرا در این زمان است که شرکت تجارت را متوقف می کند (بسته شدن نهایی معمولاً چندین سال بعد اتفاق می افتد). اگر هیچ یک از این نتایج تا پایان سال 2017 رخ ندهد، شرکت فعال در نظر گرفته می شود . ²⁹

اگر قبل یا بعد از 5 سال از اولین سرمایه گذاری VC اتفاق افتاده باشد، ارزش نهایی را در هنگام خروج به طور مستقل محاسبه کردیم، به شرح زیر. برای IPO ها، ما ارزش بازار را در پایان اولین روز معاملاتی گرفتیم. برای M&A، ما به صورت دستی قیمت خرید را در بیانیه‌های مطبوعاتی درباره خریدارها جستجو کردیم و آن را از طریق جستجوی وب تکمیل کردیم. ³⁰ در صورت انحلال، مقدار نهایی را به آن اختصاص دادیم $0$ . ما نتوانستیم یک ارزیابی نهایی را برای شرکت‌های «فعال» محاسبه کنیم (بنابراین ارزش تخصیص داده شده وجود ندارد).

شکل 3 سرمایه گذاری انباشته و ارزش گذاری را قبل از سرمایه گذاری اول VC، در اولین سرمایه گذاری VC و در خروجی میانگین شرکت در هر نوع خروج نشان می دهد.

سرمایه‌گذاری‌های انباشته، علی‌رغم تفاوت قابل ملاحظه‌ای در پایان در انواع خروجی (به ترتیب، IPO، M&A، فعال و منحل شده)، در سرمایه‌گذاری اول VC نسبتاً مشابه هستند. میانگین سرمایه گذاری در اولین سرمایه گذاری VC بین سرمایه گذاری های نهایی موفق (IPO و M&A) و سرمایه گذاری ناموفق (فعال و منحل شده) تفاوت معنی داری ندارد: آمار t-statistic $= - 0.13$ و $p$ -ارزش $= 0.90$ .

همچنین مشاهده می‌کنیم که شرکت‌هایی که از طریق M&A و IPO خارج می‌شوند، علی‌رغم اینکه ارزش‌گذاری نهایی بالاتری دارند، در سرمایه‌گذاری اول VC ارزش‌های مشابهی نسبت به سایر شرکت‌ها دارند. میانگین ارزش گذاری در سرمایه گذاری اول VC بین سرمایه گذاری های موفق و ناموفق تفاوت معنی داری ندارد: آمار t $= 0.19$ و p-value $= 0.85$ .

2.8 . مقایسه با پایگاه داده VentureXpert

با توجه به ماهیت حقوقی اسناد خانه شرکت ها، اطلاعات ما باید دقیق تر از اطلاعاتی باشد که از طریق نظرسنجی ها به دست می آید، که منبع معمول اطلاعات بیشتر پایگاه های داده راه اندازی موجود است (دا رین و همکاران، 2013 ) . ما اکنون مسیرهای خروج، و تعداد و سرمایه گذاری های IVC و CVC را برای شرکت های موجود در پایگاه داده خود با آن هایی که توسط VentureXpert برای همان شرکت ها شناسایی شده است، مقایسه می کنیم. توجه داشته باشید که سرمایه گذاران فردی و CVI ها در VentureXpert گنجانده نشده اند.

جدول 3 مسیرهای خروج را بر اساس VentureXpert (ستون‌ها) با مسیرهای خروجی واقعی (ردیف‌ها) مقایسه می‌کند، که هر دو تا پایان سال 2017 تعریف شده‌اند. $287$ بیرون از $509$ شرکت هایی که توسط VentureXpert در پایان سال 2017 به عنوان فعال طبقه بندی شده بودند، در آن تاریخ منحل شدند. فقط $124$ بیرون از این $509$ به درستی به عنوان فعال طبقه بندی شدند. $202$ بیرون از $292$ شرکت های طبقه بندی شده به عنوان خروج از طریق M&A در واقع از طریق M&A خارج شده بودند. طبقه بندی شرکت هایی که از طریق IPO خارج می شوند یا منحل می شوند دقیق تر است: $33$ بیرون از $36$ به درستی به عنوان IPO طبقه بندی شدند و $60$ بیرون از $73$ به درستی به عنوان منحل طبقه بندی شدند. با این حال وجود دارد $22$ استارت آپ هایی که از طریق IPO خارج شده اند و $340$ استارت‌آپ‌هایی که منحل شده‌اند و خروجی آن‌ها به درستی در VentureXpert شناسایی نشده است.

پانل A از جدول 4 تعداد و سرمایه گذاری کلی سه (از چهار) نوع سرمایه گذار نهادی را در مجموعه شرکت های پایگاه داده ما با سرمایه گذاری هایی که توسط پایگاه داده VentureXpert نسبت داده شده است، مقایسه می کند. برای محاسبه کل سرمایه‌گذاری طبق VentureXpert، از متغیر سرمایه‌گذار VentureXpert «سرمایه سرمایه‌گذاری تخمینی صندوق سرمایه‌گذاری شده در شرکت در تاریخ سرمایه‌گذاری» استفاده می‌کنیم تا اندازه همه سرمایه‌گذاری‌های این سرمایه‌گذاران در این شرکت‌ها را شناسایی کنیم.

جدول 3 . مقایسه مسیرهای خروجی طبق VentureXpert با مسیر خروجی واقعی.

خروج از راه اندازی	خروج استارتاپ طبق VentureXpert				جمع
سلول خالی	فعال	M&A	IPO	منحل شد	سلول خالی
فعال	124	28	0	5	157
M&A	87	202	1	8	298
IPO	11	11	33	0	55
منحل شد	287	51	2	60	400
جمع	509	292	36	73	910

این جدول مقایسه بین خروجی‌های یافت شده توسط VentureXpert (برگرفته از متغیر “وضعیت شرکت”) و مواردی را که با نمایش تعداد شرکت‌هایی که در هر دسته طبقه‌بندی شده‌اند، هم توسط VentureXpert و هم توسط ما پیدا کردیم، نشان می‌دهد. ردیف ها طبقه بندی ما را نشان می دهند و ستون ها طبقه بندی VentureXpert را نشان می دهند. دسته‌بندی M&A برای VentureXpert شامل موارد زیر است: “اکتساب”، “در انتظار اکتساب”، “ادغام” و “LBO”. دسته فعال برای طبقه بندی ما شامل: “فعال”، “MBO/MBI” و “خرید مجدد”.

جدول نشان می دهد که VentureXpert شامل $416$ از 1188 سرمایه گذار IVC پایگاه داده ما. اما سرمایه‌گذاری‌های IVC که شامل می‌شود، بزرگ‌ترین هستند و در واقع، VentureXpert سرمایه‌گذاری کلی آنها را بیش از حد برآورد می‌کند. $101 %$ از مقدار ثبت شده ما). از نظر سرمایه گذاری CVC، VentureXpert پوشش می دهد $54$ بیرون از $86$ سرمایه گذارانی که 99 درصد از کل سرمایه گذاری این نوع VC را در پایگاه داده ما تشکیل می دهند. در نهایت، VentureXpert شامل $10$ بیرون از $38$ سرمایه گذاران OVC که 60٪ از کل سرمایه گذاری این نوع VC را تشکیل می دهند.

جدول 4 . مقایسه پوشش سرمایه گذاران نهادی توسط VentureXpert و پایگاه داده ما.

پانل A
سلول خالی	عدد			سرمایه گذاری (میلیون پوند)
سلول خالی	مال ما	VX	پوشش VX	مال ما	VX	پوشش VX
VC مستقل	1188	416	35.02٪	3924.61	3982.45	101.47٪
VC شرکتی	86	54	62.79٪	331.79	327.22	98.62%
سازمان VC	38	10	26.32٪	57.35	34.18	59.60٪

پانل B ^a
	تعداد استارت آپ ها				درصد استارت آپ ها
	همخوانی داشتن	مال ما بالاتر است	VX بالاتر است	نه سرمایه گذاری	٪ همخوانی داشتن	٪ دست کم گرفتن	٪ بیش از حد
VC مستقل	244	178	287	19	34.41٪	25.11٪	40.48٪
VC شرکتی	66	15	39	608	55.00٪	12.50٪	32.50٪
سازمان VC	66	7	13	642	76.74٪	8.14٪	15.12٪
همه سرمایه گذاران	188	190	350		25.82٪	26.10٪	48.08٪

این جدول مقایسه داده های ما با VentureXpert را در مورد سرمایه گذاران نهادی نشان می دهد. پانل A مقادیر هر نوع سرمایه گذار نهادی را از نظر تعداد سرمایه گذاران و کل سرمایه گذاری در استارتاپ های نمونه ما مقایسه می کند. ستون های “سرمایه گذاری” کل سرمایه گذاری هر نوع سرمایه گذار را در نمونه ما، هم بر اساس پایگاه داده ما و هم بر اساس VentureXpert (VX) نشان می دهد. ستون “VX Coverage” نسبت درصدی بین دو مورد آخر را نشان می دهد. پانل B، برای هر استارت‌آپ، میزان سرمایه‌گذاری یافت شده در VentureXpert را با سرمایه‌ای که ما برای هر نوع سرمایه‌گذار نهادی پیدا کرده‌ایم مقایسه می‌کند و نشان می‌دهد که آیا تطابق، برآورد بیش از حد یا دست‌کم‌گرفتن توسط VentureXpert وجود دارد. ما یک حاشیه خطا ± 20٪ را مجاز کردیم. نتایج به تعداد شرکت و درصد ارائه شده است.

آ: 182 شرکت به دلیل کمبود داده مورد استفاده قرار نگرفتند. بنابراین N 728 است.

پانل A در نظر نمی گیرد که بیش از حد و دست کم گرفتن ممکن است در بین شرکت ها لغو شود. به همین دلیل است که ما در پنل B گزارش می دهیم که هر چند وقت یکبار داده های سرمایه گذاری VentureXpert با اندازه سرمایه گذاری در استارتاپ های ما مطابقت دارد و حاشیه خطا را در نظر می گیرد. $\pm 20 %$ . ما تعداد و درصد استارت‌آپ‌هایی را گزارش می‌کنیم که VentureXpert اندازه سرمایه‌گذاری هر سرمایه‌گذار را برای آنها منطبق، دست‌کم‌گرفته و بیش‌ازحد برآورد می‌کند. VentureXpert در جذب کل سرمایه‌گذاری VC به خوبی عمل می‌کند، اما در سطح فردی-شرکتی، بیشتر سرمایه‌گذاری‌های گنجانده شده در VentureXpert ارقام گزارش شده توسط شرکت‌ها به شرکت‌ها را دست‌کم یا بیش از حد برآورد می‌کنند.

3 . متغیرها و آمار توصیفی

اکنون متغیرهای مورد استفاده در تحلیل تجربی را شرح می دهیم. ما شرح خلاصه ای از متغیرها در جدول 5 و آمار توصیفی و همبستگی متغیرهای اصلی را به ترتیب در جدول 6 و جدول 7 ارائه می دهیم .

جدول 5 . لیست متغیرها

نام متغیر	تعریف متغیر
تعداد اعضای تیم موسس	تعداد افرادی که موسس هستند
موسس حضور با تجربه در کارگردانی	اگر حداقل یک بنیانگذار تجربه قبلی به عنوان مدیر را داشته باشد، ساختگی برابر با 1 است
تعداد مدیران اولیه غیر موسس	تعداد افرادی که قبل از اولین VC مدیر هستند اما موسس نیستند
حضور با تجربه اوایل مدیر غیر موسس	اگر حداقل یک مدیر غیر موسس تجربه قبلی به عنوان مدیر داشته باشد، ساختگی برابر با 1 است
تعداد دیگر سرمایه گذاران فردی اولیه	تعداد سرمایه گذاران فردی که قبل از اولین VC موسس یا مدیر نیستند
فرشته تجاری اولیه حضور داشته باشید	اگر حداقل یک سرمایه گذار اولیه یک سرمایه گذار باتجربه باشد، ساختگی برابر با 1 است
تعداد کارگردان های اولیه	تعداد افرادی که قبل از اولین VC مدیر هستند
حضور کارگردان با تجربه اولیه	اگر حداقل یک کارگردان تجربه قبلی به عنوان کارگردان را داشته باشد، ساختگی برابر با 1 است
تنوع عملکردی	1 منهای HHI مشاغل درون تیم
تنوع جنسیتی	1 منهای HHI جنسیت در تیم
تنوع ملی	1 منهای HHI ملیت ها در تیم، با در نظر گرفتن همه مدیران خارجی با هم
سن شروع به کار در اولین VC (سال)	تفاوت بین تاریخ اولین VC و تاریخ ثبت (بر حسب سال)
Money inv قبل از اولین VC (گزارش‌ها)	گزارش کل مبلغ سرمایه گذاری شده قبل از اولین VC
حضور موسسه تحقیقاتی اولیه	اگر حداقل یک موسسه تحقیقاتی قبل از اولین VC حضور داشته باشد، ساختگی برابر با 1 است
حضور IVC در اولین VC	اگر حداقل یک IVC در first-VC سرمایه گذاری کند، ساختگی برابر با 1 است
حضور CVC در اولین VC	اگر حداقل یک CVC در first-VC سرمایه گذاری کند، ساختگی برابر با 1 است
حضور CVI در اولین VC	اگر حداقل یک CVI در first-VC سرمایه گذاری کند، ساختگی برابر با 1 است
حضور OVC در اولین VC	اگر حداقل یک OVC در first-VC سرمایه گذاری کند، ساختگی برابر با 1 است
حضور IVC بالا در اولین VC	ساختگی برابر با 1 اگر حداقل یک سرمایه گذاری برتر IVC در first-VC باشد
تعداد VCها در اولین VC	تعداد VCهایی که در first-VC سرمایه گذاری می کنند
VC money inv در اولین VC (لاگ)	گزارش کل مبلغ سرمایه گذاری شده توسط VCها در first-VC
٪ مالکیت VCها در اولین VC	درصد مالکیت گرفته شده توسط همه VCها در first-VC
برنامه کارگردان VC در ابتدا VC	اگر یک مدیر جدید در اولین VC منصوب شود، ساختگی برابر با 1 است
موفقیت	اگر شرکت از طریق IPO یا M&A وجود داشته باشد، ساختگی برابر با 1 است
IPO	اگر شرکت از طریق IPO وجود داشته باشد، ساختگی برابر با 1 است
M&A	اگر شرکت از طریق M&A وجود داشته باشد، ساختگی برابر با 1 است
ارزش گذاری در سال 3 (لوگ ها)	گزارش ارزش بازار سهام عادی به اضافه ارزش اسمی سهام ممتاز 3 سال پس از اولین VC
ارزش گذاری در سال 5 (لوگ ها)	گزارش ارزش بازار سهام عادی به اضافه ارزش اسمی سهام ممتاز 5 سال پس از اولین VC
ارزش گذاری نهایی (لوگ ها)	گزارش ارزش گذاری شرکت در تاریخ خروج

در این جدول متغیرهایی که در رگرسیون ها استفاده می کنیم و تعریف آنها را گزارش می کنیم.

جدول 6 . آمار توصیفی .

متغیرها	(1)	(2)	(3)	(4)	(5)	(6)
سلول خالی	ن	منظور داشتن	میانه	SD	دقیقه	حداکثر
تعداد اعضای تیم موسس	910	2.71	2	1.59	0	10
موسس حضور با تجربه در کارگردانی	910	0.11	0	0.31	0	1
تعداد مدیران اولیه غیر موسس	910	0.96	0	1.62	0	17
حضور با تجربه اوایل مدیر غیر موسس	910	0.07	0	0.26	0	1
تعداد دیگر سرمایه گذاران فردی اولیه	910	2.52	1	4.92	0	58
فرشته تجاری اولیه حضور داشته باشید	910	0.12	0	0.33	0	1
تعداد کارگردان های اولیه	910	3.67	3	2.06	0	19
حضور کارگردان با تجربه اولیه	910	0.17	0	0.38	0	1
تنوع عملکردی	893	0.43	0.5	0.28	0	0.89
تنوع جنسیتی	893	0.11	0	0.18	0	0.5
تنوع ملی	893	0.08	0	0.17	0	0.5
سن شروع به کار در اولین VC (سال)	910	1.52	0.87	1.73	0	10.54
Money inv قبل از اولین VC (£ متر)	910	0.12	0.00	0.78	0	15.85
حضور موسسه تحقیقاتی اولیه	910	0.11	0	0.31	0	1
حضور IVC در اولین VC	910	0.82	1	0.38	0	1
حضور CVC در اولین VC	910	0.06	0	0.25	0	1
حضور CVI در اولین VC	910	0.24	0	0.42	0	1
حضور OVC در اولین VC	910	0.06	0	0.23	0	1
حضور IVC بالا در اولین VC	910	0.37	0	0.48	0	1
تعداد VCها در اولین VC	910	1.63	1	1.18	1	13
VC Money در First VC (میلیون پوند)	645	1.15	0.31	4.40	0.01	103.06
٪ مالکیت VCها در اولین VC	910	39.59	30.77	31.04	0.00	100.00
مدیر VC در ابتدا VC منصوب شد	910	0.48	0	0.50	0	1
موفقیت	910	0.39	0	0.49	0	1
IPO	910	0.06	0	0.24	0	1
M&A	910	0.33	0	0.47	0	1
ارزش گذاری در سال 3 (میلیون پوند)	722	6.67	1.33	23.70	0	434.61
ارزش گذاری در سال 5 (میلیون پوند)	679	7.97	0.84	26.63	0	434.61
ارزش گذاری نهایی (میلیون پوند)	590	12.70	0	39.28	0	434.61

در این جدول، آمار توصیفی برای متغیرهای وابسته و مستقلی که در رگرسیون های این مقاله استفاده می کنیم، گزارش شده است. همه متغیرها در جدول 4 تعریف شده اند .

جدول 7 . همبستگی ها

پانل A
سلول خالی	تعداد اعضای تیم موسس	تعداد مدیران اولیه غیر موسس	تعداد دیگر سرمایه گذاران فردی اولیه	موسس حضور با تجربه در کارگردانی	حضور با تجربه اوایل مدیر غیر موسس
تعداد مدیران اولیه غیر موسس	−0.17 ^⁎⁎⁎
تعداد دیگر سرمایه گذاران فردی اولیه	0.13 ^_	0.08 ^_
موسس حضور با تجربه در کارگردانی	0.19 ^_	−0.03	0.05
حضور با تجربه اوایل مدیر غیر موسس	−0.06 ^_	0.38 ^_	0.06 ^_	0.03
فرشته تجاری اولیه حضور داشته باشید	0.17 ^_	0.08 ^_	0.32 ^_	0.13 ^_	0.14 ^_
پانل B
	حضور IVC در اولین VC	حضور CVC در اولین VC	حضور CVI در اولین VC	حضور OVC در اولین VC
حضور CVC در اولین VC	−0.16 ^⁎⁎⁎
حضور CVI در اولین VC	0.53 ^⁎⁎⁎	−0.10 ^⁎⁎⁎
حضور OVC در اولین VC	−0.18 ^⁎⁎⁎	−0.03	−0.02
حضور IVC بالا در اولین VC	0.35 ^_	0.00	−0.18 ^⁎⁎⁎	0.00
پانل C
	حضور IVC بالا در اولین VC	حضور CVC در اولین VC	حضور CVI در اولین VC	تعداد VCها در اولین VC
تعداد اعضای تیم موسس	0.13 ^_	0.01	−0.08 ^_	0.02
تعداد مدیران اولیه غیر موسس	0.04	0.06 ^_	0.02	0.08 ^_
تعداد دیگر سرمایه گذاران فردی اولیه	0.05	0.02	0.03	0.16 ^_
پنل D
	موفقیت	IPO	M&A
تعداد اعضای تیم موسس	0.10 ^_	−0.02	0.11 ^_
تعداد مدیران اولیه غیر موسس	0.08 ^_	−0.01	0.09 ^_
تعداد دیگر سرمایه گذاران فردی اولیه	0.03	0.00	0.03
تنوع عملکردی	0.07 ^_	0.02	0.07 ^_
تنوع جنسیتی	−0.04	−0.02	−0.03
تنوع ملی	−0.01	−0.07 ^_	0.03
سن شروع به کار در اولین VC (سال)	0.07 ^_	−0.02	0.09 ^_
Money inv قبل از اولین VC (£ متر)	0.04	−0.02	0.05
حضور موسسه تحقیقاتی اولیه	−0.05	0.00	−0.06 ^_
حضور IVC در اولین VC	0.09 ^_	0.00	0.09 ^_
حضور CVC در اولین VC	−0.04	−0.01	−0.03
حضور CVI در اولین VC	−0.07 ^_	0.03	−0.09 ^⁎⁎⁎
حضور OVC در اولین VC	−0.07 ^_	0.00	−0.07 ^_
حضور IVC بالا در اولین VC	0.07 ^_	−0.08 ^_	0.12 ^_
تعداد VCها در اولین VC	−0.03	0.01	−0.04
VC money inv در اولین VC (میلیون پوند)	0.00	−0.02	0.02
٪ مالکیت VCها در اولین VC	0.01	−0.05	0.03
مدیر VC در ابتدا VC منصوب شد	0.08 ^_	−0.01	0.09 ^_

این جدول همبستگی بین برخی از متغیرهایی را که در رگرسیون استفاده می کنیم نشان می دهد.

***: اهمیت را در سطح 1% نشان دهید.
**: اهمیت را در سطح 5 درصد نشان دهید.
*: اهمیت را در سطح 10 درصد نشان دهید.

3.1 . دوره پیش از تأسیس

ما متغیرهایی را می سازیم که هم “کمیت” را به عنوان اولین نماینده تنوع و هم “تجربه” سه نوع ذینفعان فردی را توصیف می کند. از نظر کمیت، ما متغیرهای شمارش را «تعداد اعضای تیم مؤسس»، «تعداد مدیران غیر مؤسس اولیه» و «تعداد دیگر سرمایه‌گذاران اولیه فردی» تعریف می‌کنیم. همانطور که در جدول 6 نشان داده شده است ، به طور متوسط، استارت آپ های نمونه ما 2.71 موسس و 0.96 مدیر غیر موسس دارند. ³¹ مجموع (3.67) مشابه 3.6 میانگین تعداد اعضای هیئت مدیره گزارش شده توسط Ewens و Malenko (2020) در استارت آپ های مستقر در ایالات متحده با حمایت VC است. علاوه بر این، استارت‌آپ‌های ما به طور متوسط 2.52 سرمایه‌گذار اولیه دیگر قبل از اولین سرمایه‌گذاری VC دارند. از نظر همبستگی، پانل $A$ در جدول 7 همبستگی منفی بین اندازه تیم موسس و تعداد مدیران اولیه غیر بنیانگذار نشان داده شده است.

برای ایجاد معیارهای دقیق‌تر تنوع، از شاخص ناهمگونی بلاو ( 1977 ) استفاده می‌کنیم، که یک ساختار استاندارد از ادبیات تنوع، بر اساس شاخص هرفیندال-هیرشمن (HHI) غلظت است. برای به حداکثر رساندن تعداد مشاهدات، تیم‌های موسسان و مدیران غیربنیان‌گذار را گروه‌بندی می‌کنیم تا این معیارهای تنوع را ایجاد کنند. ما “تنوع کارکردی” را اینگونه تعریف می کنیم $1 - \sum s_{i}^{2}$ ، جایی که $s_{i}$ سهم مدیران در شغل است $i$ ، مانند $i = e n g i n e e r$ یا $i = a c c o u n t a n t$ . به طور مشابه، ما “تنوع جنسیتی” را به عنوان تعریف می کنیم $1 - \sum s_{i}^{2}$ ، جایی که $s_{i}$ سهم اعضای تیم در جنسیت است $i$ برای $i = m a l e$ یا $i = f e m a l e$ . در نهایت، ما “تنوع ملی” را به عنوان تعریف می کنیم $1 - \sum s_{i}^{2}$ ، جایی که $s_{i}$ سهم اعضای تیم در ملیت است $i$ برای $i = U K$ و $i = f o r e i g n$ . ³² جدول 6 گزارش می دهد که میانگین تنوع عملکردی 0.43 است، در حالی که تنوع جنسیتی و ملی بسیار کمتر است (به ترتیب 0.11 و 0.08). با توجه به تعداد نسبتاً بالای مشاغل و نسبت پایین زنان و خارجی ها، همانطور که در جدول 2 نشان داده شده است، این تعجب آور نیست . ³³

ما متغیرهایی را برای توصیف تجربه هر یک از انواع مختلف افراد در استارت آپ ایجاد کردیم. در مورد تیم موسس و مجموعه مدیران غیرمؤسس اولیه، ما متغیرهای ساختگی ایجاد کردیم که حضور فردی با تجربه به عنوان کارگردان را مشخص می کند. در مجموعه داده ما، $11 %$ از بین استارتاپ‌ها یک موسس با تجربه در کارگردانی و 7 درصد یک مدیر غیرمؤسس اولیه با این تجربه دارند. ما همچنین یک متغیر ساختگی ایجاد کردیم که حضور یک سرمایه گذار BA را در استارت آپ مشخص می کند (به تعریف BA در بخش 2.3 مراجعه کنید ). حدود 12 درصد از استارت آپ های ما قبل از اولین سرمایه گذاری VC مدرک کارشناسی دارند. به عنوان پنل $A$ در جدول 7 نشان می دهد که حضور سرمایه گذاران باتجربه و کارشناسی با حضور بنیانگذاران با تجربه و مدیران غیر موسس همبستگی مثبت دارد.

به‌عنوان متغیرهای کنترلی، «سن راه‌اندازی در اولین VC» را بر حسب تعداد سال‌های پس از ادغام، و «inv پول قبل از اولین VC» را به‌عنوان سرمایه‌گذاری (انباشته) درست قبل از اولین سرمایه‌گذاری VC (شامل سرمایه‌گذاری کوچک) در نظر می‌گیریم. سرمایه گذاری موسسات تحقیقاتی و سرمایه گذاران ناشناس). به طور متوسط، استارت آپ های ما در اولین سرمایه گذاری VC 1.52 ساله هستند و دریافت کرده اند $124 K$ پوند سرمایه گذاری ما همچنین یک ساختگی برای حضور یک موسسه تحقیقاتی در دوره قبل از تاسیس قرار می دهیم. حدود 11 درصد از استارت آپ ها شامل یک موسسه تحقیقاتی قبل از اولین سرمایه گذاری VC هستند. ³⁴

3.2 . سرمایه گذاری First-VC

ما نوع، کمیت و کیفیت مؤسساتی را که در سرمایه گذاری اول VC سرمایه گذاری می کنند، مشخص می کنیم. ما چهار متغیر ساختگی ایجاد کردیم که نشان می‌دهد آیا اولین سرمایه‌گذاری VC به ترتیب شامل یک IVC، یک CVC، یک CVI و یک OVC است یا خیر. به‌عنوان معیار کیفیت، یک متغیر ساختگی برای حضور «IVC برتر» ایجاد می‌کنیم که به این صورت تعریف می‌شود (i) از نظر سرمایه‌گذاری کلی در مجموعه داده ما در 5٪ بالای IVCها قرار دارد، و/یا (ii) قرار گرفتن در 25٪ برتر از نظر سرمایه تحت مدیریت در پایگاه داده VentureXpert (برای حفظ IVCهایی که با وجود بزرگ و با تجربه بودن، سرمایه گذاری زیادی در بریتانیا انجام نمی دهند). ³⁵ تقریباً 10٪ از IVCهای موجود در پایگاه داده ما، IVCهای برتر در نظر گرفته می شوند. در نهایت، ما “تعداد سرمایه گذاران VC” را به عنوان تعداد VC ها (از هر چهار نوع) در سرمایه گذاری اول VC تعریف می کنیم.

به عنوان متغیرهای کنترل، متغیرهای سرمایه گذاری، مالکیت و حاکمیت زیر را شامل می شود. “VC money inv at first VC” شامل مقدار کلی پولی است که VCها در اولین سرمایه گذاری VC سرمایه گذاری کرده اند. “درصد مالکیت توسط VCها در اولین VC” به عنوان درصدی از سهام مالکیت که توسط همه VCها در اولین سرمایه گذاری VC بدست می آید تعریف می شود. “برنامه مدیر VC در اولین VC” یک متغیر ساختگی است که مشخص می کند آیا سرمایه گذاران VC یک مدیر را در اولین سرمایه گذاری VC منصوب کرده اند یا خیر. اگر مدیر جدیدی دقیقاً در تاریخ اولین سرمایه گذاری VC منصوب شود، ما در نظر داریم که سرمایه گذاران VC یک مدیر را منصوب می کنند.

3.3 . خارج شوید

به عنوان معیارهای عملکرد، با توجه به مسیرهای خروجی استارتاپ، متغیرهای ساختگی «IPO»، «M&A» و «موفقیت» را تعریف می کنیم. به دنبال ادبیات قبلی، موفقیت شامل خروج به عنوان IPO و M&A است. ³⁶ ما همچنین از “ارزیابی نهایی” استفاده می کنیم، همانطور که در بخش قبل توضیح داده شد (که می تواند قبل یا بعد از سال 5 باشد). در نهایت، ما همچنین از «ارزش‌گذاری در سال 3» و «ارزش‌گذاری در سال 5» از اولین سرمایه‌گذاری VC استفاده می‌کنیم، که به‌عنوان مقدار درون‌یابی خطی بین ارزش‌گذاری‌ها در نزدیک‌ترین انتشار (و با استفاده از مقدار 0 در ادغام و ارزش گذاری نهایی در هنگام خروج). مقدار این متغیرها در صورتی که خروج قبل از آن اتفاق بیفتد برابر با ارزش گذاری نهایی است.

4 . نتایج

ما ابتدا پیوندهای بین ذینفعان فردی قبل از نهادی و خروج موفق را با در نظر گرفتن ویژگی‌های سرمایه‌گذاری اول VC تحلیل می‌کنیم. دوم، ما پیوندهای بین ذینفعان فردی قبل از نهادی و ویژگی‌های سرمایه‌گذاری اول VC را بررسی می‌کنیم، که یک رابطه غیرمستقیم بین سهامداران فردی قبل از نهادی و موفقیت ایجاد می‌کند.

4.1 . ذینفعان فردی اولیه، سرمایه گذاری اول VC و خروج

جدول 8 نتایج رگرسیون چندین شاخص عملکرد راه اندازی را در برابر ویژگی های ذینفعان اولیه و سرمایه گذاری اول VC با استفاده از رگرسیون probit، multilogit و OLS توصیف می کند. در همه رگرسیون‌ها، ویژگی‌های استارت‌آپ، مانند سن و سرمایه‌گذاری در سرمایه‌گذاری اول VC، و همچنین مکان و اثرات ثابت سال صنعت را کنترل می‌کنیم. ³⁷ ما خطاهای استاندارد را در سطح صنعت خوشه بندی می کنیم.

همانطور که توسط ستون نشان داده شده است $1$ ، یک استارتاپ اگر توسط یک تیم بزرگ تاسیس شود و تعداد بیشتری از مدیران غیر موسس را منصوب کند، احتمال موفقیت بیشتری دارد. ضرایب مرتبط با هر دو متغیر بسیار مشابه هستند (و تفاوت معنی داری با هم ندارند)، که نشان می دهد تنوع مدیران غیر موسس به اندازه تنوع بنیانگذاران مهم است. همچنین احتمال موفقیت یک استارتاپ در صورتی که سرمایه گذاران BA را قبل از سرمایه گذاری اول VC درگیر کند، بیشتر می شود. ³⁸

جدول 8 . اثرات ویژگی‌های پیش نهادی و سرمایه‌گذاری اول VC بر خروج و ارزش‌گذاری.

متغیرها	(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)	(9)	(10)	(11)
سلول خالی	موفقیت	موفقیت	IPO	M&A	IPO	M&A	IPO در مقابل M&A	IPO در مقابل M&A	ارزش گذاری در سال 3	ارزش گذاری در سال 5	ارزش گذاری نهایی
تعداد اعضای تیم موسس	0.089 ^⁎⁎⁎	0.090 ^⁎⁎⁎	−0.017	0.179 ^⁎⁎⁎	0.012	0.174 ^⁎⁎⁎	−0.117 ^⁎⁎⁎	−0.084 ^⁎⁎⁎	0.094	0.249 ^_	0.371 ^_
	(0.019)	(0.022)	(0.017)	(0.036)	(0.032)	(0.039)	(0.038)	(0.032)	(0.050)	(0.051)	(0.059)
موسس حضور با تجربه در کارگردانی	0.178	0.212	0.638	0.258 ^_	0.721	0.229 ^_	0.088	0.125	0.493	0.797 ^_	1.131
	(0.151)	(0.147)	(0.517)	(0.141)	(0.574)	(0.136)	(0.444)	(0.486)	(0.343)	(0.195)	(0.959)
تعداد مدیران اولیه غیر موسس	0.088 ^⁎⁎⁎	0.093 ^⁎⁎⁎	0.019	0.181 ^_	0.023	0.189⁎⁎⁎ ^_	0.131-	0.151-	0.244 ^_	0.296 ^_	0.313
	(0.009)	(0.018)	(0.155)	(0.024)	(0.133)	(0.023)	(0.114)	(0.105)	(0.032)	(0.047)	(0.163)
حضور با تجربه اوایل مدیر غیر موسس	0.056-	0.089-	0.631	0.382 ^⁎⁎	0.786	0.430 ^⁎⁎⁎	0.396	0.459	0.293-	0.263-	-0.124
	(0.212)	(0.260)	(1.339)	(0.158)	(1.332)	(0.154)	(0.751)	(0.764)	(0.278)	(0.386)	(0.634)
تعداد دیگر سرمایه گذاران فردی اولیه	−0.005	0.003-	0.021 ^_	0.009-	0.014 ^_	−0.011	0.018 ^⁎⁎⁎	0.020 ^⁎⁎⁎	−0.016	0.012-	−0.010
	(0.006)	(0.008)	(0.009)	(0.014)	(0.006)	(0.013)	(0.005)	(0.007)	(0.015)	(0.031)	(0.037)
فرشته تجاری اولیه حضور داشته باشید	0.186 ^⁎⁎⁎	0.174 ^⁎⁎⁎	0.501 ^⁎⁎	0.424 ^⁎⁎⁎	0.537- ^_	0.444 ^⁎⁎⁎	−0.603 ^⁎⁎⁎	0.625 ^⁎⁎	0.601 ^_	0.682	0.727 ^_
	(0.048)	(0.051)	(0.201)	(0.096)	(0.299)	(0.094)	(0.189)	(0.249)	(0.077)	(0.255)	(0.221)
حضور IVC در اولین VC		0.208 ^_	0.993 ^_	0.221 ^⁎⁎⁎			0.432		0.148-	0.339	0.459
		(0.061)	(0.532)	(0.069)			(0.451)		(0.341)	(0.354)	(0.646)
حضور CVC در اولین VC		−0.224⁎⁎ ^_	0.037	0.459 ^⁎⁎⁎	0.615-	−0.503 ^⁎⁎⁎	0.727	0.482	−0.170	0.763	0.073
		(0.098)	(0.988)	(0.029)	(0.725)	(0.049)	(0.978)	(0.819)	(0.273)	(0.505)	(0.683)
حضور CVI در اولین VC		0.025-	0.579	−0.170	−0.163	0.218 ^⁎⁎	0.416	0.238	0.285	0.496	0.324
		(0.094)	(0.575)	(0.130)	(0.447)	(0.109)	(0.310)	(0.175)	(0.261)	(0.302)	(0.591)
حضور OVC در اولین VC		−0.118	0.251	0.259-	0.233-	0.318-	0.459	0.465	0.069	0.310 ^_	0.822
		(0.128)	(0.282)	(0.303)	(0.501)	(0.295)	(0.496)	(0.534)	(0.359)	(0.085)	(1.122)
حضور IVC بالا در اولین VC					0.727-	0.331 ^⁎⁎⁎		−0.602 ^_
					(0.635)	(0.087)		(0.297)
تعداد VCها در اولین VC		−0.069 ^_	0.008	0.141 ^⁎⁎	0.181 ^_	0.146 ^⁎⁎	0.103	0.140 ^_	−0.156 ^_	0.230 ^⁎⁎⁎	0.200-
		(0.035)	(0.099)	(0.057)	(0.076)	(0.071)	(0.100)	(0.073)	(0.039)	(0.014)	(0.074)
حضور موسسه تحقیقاتی اولیه	−0.502 ^⁎⁎⁎	0.485 ^⁎⁎	0.442-	0.878 ^⁎⁎⁎	0.429-	−0.900 ^⁎⁎⁎	0.613 ^_	0.641 ^_	0.336	0.047-	−1.706 ^_
	(0.153)	(0.197)	(0.700)	(0.304)	(0.582)	(0.301)	(0.284)	(0.254)	(0.296)	(0.664)	(0.405)
سن شروع به کار در اولین سرمایه گذاری VC (سال)	0.060	0.049	0.229 ^⁎⁎⁎	0.144 ^_	−0.216 ^⁎⁎⁎	0.150 ^_	−0.173 ^⁎⁎⁎	−0.194 ^⁎⁎⁎	0.229- ^_	0.248- ^_	0.001-
	(0.041)	(0.044)	(0.076)	(0.075)	(0.073)	(0.075)	(0.061)	(0.052)	(0.054)	(0.070)	(0.252)
Money inv قبل از اولین VC (گزارش‌ها)	−0.005	0.001	0.035-	0.003	0.022-	0.004-	0.059-	0.051-	−0.013	0.044	−0.016
	(0.017)	(0.013)	(0.044)	(0.022)	(0.046)	(0.021)	(0.044)	(0.047)	(0.048)	(0.055)	(0.058)
٪ مالکیت VCها در اولین VC		−0.000	−0.010 ^⁎⁎⁎	0.002	−0.008 ^⁎⁎	0.001	0.005 ⁻	0.003-	−0.006	−0.000	0.007 ⁻
		(0.000)	(0.003)	(0.001)	(0.003)	(0.001)	(0.003)	(0.002)	(0.007)	(0.010)	(0.002)
VC Money at First VC (log)		0.054 ^_	0.018-	0.100 ^_	0.039	0.075 ^_	−0.106 ^_	0.065-	0.108	0.067	0.202
		(0.027)	(0.069)	(0.039)	(0.078)	(0.040)	(0.042)	(0.045)	(0.089)	(0.028)	(0.119)
برنامه کارگردان VC در ابتدا VC		0.237 ^⁎⁎⁎	0.262	0.439 ^⁎⁎⁎	0.259	0.430 ^⁎⁎⁎	0.122-	0.132-	0.660 ^⁎⁎⁎	0.807 ^_	1.001
		(0.050)	(0.323)	(0.070)	(0.326)	(0.082)	(0.118)	(0.109)	(0.033)	(0.274)	(0.682)
مکان و کنترل های سال صنعت	آره	آره	آره	آره	آره	آره	آره	آره	آره	آره	آره
ثابت	−1.030 ^⁎⁎⁎	−1.163 ^⁎⁎⁎	−2.084 ^⁎⁎⁎	−2.695 ^⁎⁎⁎	−1.264 ^⁎⁎⁎	−2.649 ^⁎⁎⁎	0.102	0.305	−1.380	−3.050	−6.044 ^⁎⁎⁎
	(0.084)	(0.074)	(0.176)	(0.074)	(0.197)	(0.030)	(0.405)	(0.473)	(0.906)	(1.052)	(0.387)
مشاهدات	908	908	910	910	910	910	317	317	722	679	590
R-squared									0.102	0.123	0.123

خطاهای استاندارد در پرانتز

این جدول تأثیر هر دو مرحله اولیه و سرمایه گذاری اول VC را بر چندین معیار عملکرد استارتاپ نشان می دهد. ستون‌های 1 و 2 احتمال خروج موفقیت‌آمیز را در نظر می‌گیرند که به عنوان یک IPO یا M&A درک می‌شود، برخلاف هر مسیر خروج دیگری. ستون‌های 3 و 4 (و ستون‌های 5 و 6) نتایج یک مدل لاجیت چندجمله‌ای را در مورد احتمال یک IPO یا خروج M&A نشان می‌دهند که به عنوان یک IPO یا M&A درک می‌شود که برخلاف هر مسیر خروج دیگری است. ستون های 7 و 8 نتایج یک مدل پروبیت را در مورد احتمال IPO در مجموعه ای از خروج های موفق نشان می دهد. در نهایت، ستون‌های 9 تا 11 نتایج رگرسیون OLS را در مورد ارزش‌گذاری استارت‌آپ 3 و 5 سال پس از اولین سرمایه‌گذاری VC و همچنین ارزیابی نهایی گزارش می‌کنند. همه رگرسیون ها برای مکان و سال صنعت کنترل می کنند. ما خطاهای استاندارد را در سطح صنعت دسته بندی می کنیم. متغیرهای ساختگی با استفاده از یک پروبیت حداکثر احتمال یا مدل لاجیت چندجمله ای پسرفت شدند، در حالی که متغیرهای عددی با استفاده از یک OLS قوی رگرسیون شدند.

***: اهمیت را در سطح 1% نشان دهید.
**: اهمیت را در سطح 5 درصد نشان دهید.
*: اهمیت را در سطح 10 درصد نشان دهید.

همانطور که توسط ستون نشان داده شده است $2$ وجود IVC در اولین سرمایه گذاری VC احتمال موفقیت را افزایش می دهد، در حالی که حضور سرمایه گذاران CVC به طور قابل توجهی آن را کاهش می دهد. از طرف دیگر، دریافت CVI یا OVC به نظر نمی رسد ارتباط قابل توجهی با موفقیت در هر دو صورت داشته باشد. در نهایت، تعداد VC ها احتمال موفقیت را کاهش می دهد. از این نظر، نتایج ما نشان می‌دهد که سندیکاسیون برای عملکرد راه‌اندازی منفی است. از این رو، آنها بیشتر با نتایج شاهین و همکاران همسو هستند. (2012) ، و تضاد منافع بالقوه در بین اعضای سندیکای VC، نسبت به اعضای براندر و همکاران. (2002) و کامینگ و والز (2010) .

ستون ها $3$ و $4$ از مدل های لاجیت چند جمله ای برای تجزیه نتایج متغیر “موفقیت” بر روی متغیرهای IPO و M&A استفاده کنید. ما ابتدا نشان می‌دهیم که یک تیم موسس بزرگ‌تر، یا تعداد بیشتری از مدیران غیرمؤسس و حضور یک سرمایه‌گذار BA، رابطه مثبتی با موفقیت دارند، اما فقط از طریق M&A، نه از طریق IPO. جالب اینجاست که حضور یک سرمایه گذار باتجربه BA، علیرغم ارتباط مثبت با موفقیت، احتمال IPO را کاهش می دهد. ³⁹ بیشتر تأثیرات سرمایه گذاری اول VC بر موفقیت نیز به دلیل تأثیرات بر M&A است. به عنوان مثال، داشتن یک CVC به طور قابل توجهی احتمال M&A را کاهش می دهد اما نه از IPO. دریافت سرمایه گذاری IVC ارتباط مثبتی با خروج از طریق IPO و M&A دارد. با این حال، همانطور که در ستون ها نشان داده شده است $5$ و $6$ ، که نتایج ستون ها را تکرار می کند $3$ و $4$ اما با جایگزینی IVC با IVC برتر، وجود یک IVC برتر دیگر برای IPO مساعد نیست.

ستون ها $7$ و $8$ ارتباط بین ویژگی های فردی (و VC) و نوع خروج را در بین سرمایه گذاری های موفق آزمایش کنید. ⁴⁰ آنها نتایج رگرسیون پروبیت را در مورد احتمال IPO در زیر مجموعه استارت آپ های موفق گزارش می کنند. آنها نشان می‌دهند که زمانی که BA در راه‌اندازی شرکت ندارند، احتمال IPO بیشتر است. آنها همچنین نشان می‌دهند که زمانی که درصد مالکیت تصاحب شده توسط VCها کمتر باشد (که همچنین به این معنی است که درصد حفظ شده توسط افراد بیشتر است)، یک IVC با تجربه و برتر درگیر نباشد، تعداد تیم‌های بنیان‌گذار و غیر شرکت‌کننده، احتمال IPO بیشتر است. -مدیران موسس کوچکتر هستند (اگرچه ضریب برای مدیران غیر موسس اندک است) و تعداد VCها (برای سطح معینی از سرمایه گذاری) بیشتر است. ضرایب تجربه موسسان معنی دار نیست. به طور کلی، نتایج نشان می‌دهد که بنیان‌گذاران و مدیران قدرتمند، از نظر حقوق کنترل و انسجام، احتمال اینکه یک استارت‌آپ موفق IPO باشد، افزایش می‌دهند، در حالی که VC‌های قدرتمند و سرمایه‌گذاران با تجربه احتمال M&A را افزایش می‌دهند.

توجه داشته باشید که نتایج مربوط به انتخاب بین IPO و M&A قابل توجه است حتی اگر ما از ویژگی های افراد و سرمایه گذاران نهادی در اولین سرمایه گذاری VC و نه در تاریخ خروج استفاده کنیم. آنها پیشنهاد می کنند که اولین سرمایه گذاری VC پیامدهای عمیقی برای اشتراک کنترل بر زندگی استارتاپ ها دارد.

در نهایت، ستون ها $9$ به $11$ پیوندهای بین ویژگی‌های پیش از نهاد، و همچنین سرمایه‌گذاری و ارزش‌گذاری اولین VC را نمایش دهید. ما نشان می‌دهیم که استارت‌آپ‌هایی با تعداد بیشتری از بنیان‌گذاران و مدیران غیرمؤسس، و سرمایه‌گذاری‌شده توسط BA، ارزش‌گذاری بالاتری در سه نقطه از زمان دارند، اغلب با ضرایب قابل توجه. از سوی دیگر، کسب منابع مالی از VCهای سندیکایی با ارزش گذاری رابطه منفی دارد. بنابراین، تعداد VC های موجود در سرمایه گذاری اول VC نه تنها احتمال خروج موفقیت آمیز را کاهش می دهد، عمدتاً به دلیل تأثیر منفی بر احتمال M&A، بلکه منجر به کاهش ارزش گذاری نیز می شود.

4.2 . انواع گوناگونی مدیران موسس و غیر موسس

ما اکنون اثرات تنوع بخش فرعی قبلی را که با تعداد بنیانگذاران و مدیران غیرمؤسس مشخص می شود، بر اساس نوع تنوع تجزیه می کنیم. جدول 9 نتایج رگرسیون شاخص‌های عملکرد استارت‌آپ را در برابر معیارهای تنوع عملکردی و جمعیت‌شناختی تیم بنیان‌گذاران و مدیران غیرمؤسس توضیح می‌دهد. تمام رگرسیون ها شامل ویژگی های سرمایه گذاری اول VC و سایر کنترل های جدول قبلی، مانند سن و سرمایه گذاری در اولین VC، مکان و اثرات ثابت سال صنعت است. ما دوباره خطاهای استاندارد را در سطح صنعت خوشه بندی می کنیم.

ابتدا نشان می دهیم که نتایج مشخصات اصلی بخش قبل (ستون $2$ از جدول 8 ) اگر بنیانگذاران و مدیران غیرمؤسس را در متغیرهای «تعداد مدیران اولیه» و «مدیر با تجربه حضوری» گروه بندی کنیم، تغییری نمی کند. ستون $1$ نشان می دهد که برای تیم کلی بنیانگذاران و مدیران غیربنیان، تعداد و بنابراین تنوع مهم است، در حالی که برای سایر سرمایه گذاران فردی، تجربه است. این تعجب آور نیست، زیرا ضرایب مجزای بنیانگذاران و مدیران غیربنیانگذار در تمام رگرسیون های بخش قبل، هم از نظر بزرگی و هم از نظر اهمیت، بسیار مشابه هستند.

جدول 9 . اثرات ویژگی‌های پیش نهادی، سرمایه‌گذاری اولیه و تنوع بر خروج و ارزش‌گذاری.

متغیرها	(1)	(2)	(3)	(4)	(5)
سلول خالی	موفقیت	موفقیت	IPO	M&A	ارزش گذاری نهایی
تعداد کارگردان های اولیه	0.087 ^⁎⁎⁎
	(0.018)
تنوع عملکردی		0.465 ^⁎⁎⁎	0.969 ^_	0.754 ^_	1.222
		(0.172)	(0.334)	(0.318)	(0.655)
تنوع جنسیتی		0.585-	1.702-	0.811-	−1.867
		(0.438)	(1.258)	(0.761)	(0.915)
تنوع ملی		0.313 ^⁎⁎	−2.986 ^⁎⁎⁎	0.188-	0.997 ^⁎⁎⁎
		(0.137)	(0.940)	(0.218)	(0.080)
حضور کارگردان با تجربه اولیه	0.118	0.215	0.760	0.224	1.128
	(0.214)	(0.200)	(0.882)	(0.195)	(0.795)
تعداد دیگر سرمایه گذاران فردی اولیه	0.003-	0.002-	0.022	0.007-	0.004-
	(0.009)	(0.008)	(0.016)	(0.013)	(0.035)
فرشته تجاری اولیه حضور داشته باشید	0.175 ^⁎⁎⁎	0.213 ^⁎⁎⁎	0.599 ^⁎⁎⁎	0.499 ^⁎⁎⁎	0.796 ^_
	(0.050)	(0.050)	(0.218)	(0.105)	(0.220)
حضور IVC در اولین VC	0.206 ^_	0.232 ^⁎⁎⁎	1.109 ^_	0.250 ^⁎⁎⁎	0.700
	(0.056)	(0.082)	(0.614)	(0.053)	(0.765)
حضور CVC در اولین VC	−0.210 ^_	−0.190 ^_	0.031	0.392 ^⁎⁎⁎	0.253
	(0.082)	(0.078)	(0.947)	(0.044)	(0.591)
حضور CVI در اولین VC	0.018-	0.017	0.705	0.107-	0.451
	(0.087)	(0.038)	(0.546)	(0.082)	(0.449)
حضور OVC در اولین VC	0.132-	0.156-	0.445	0.368-	0.700
	(0.123)	(0.138)	(0.421)	(0.290)	(0.909)
تعداد VCها در اولین VC	−0.068 ^⁎⁎	0.062-	0.025	−0.126 ^_	0.211-
	(0.033)	(0.038)	(0.120)	(0.060)	(0.073)
حضور موسسه تحقیقاتی اولیه	0.488 ^⁎⁎	−0.503 ^⁎⁎⁎	0.653-	0.863 ^⁎⁎⁎	−1.741 ^_
	(0.197)	(0.169)	(0.564)	(0.251)	(0.382)
سن شروع به کار در اولین سرمایه گذاری VC (سال)	0.043	0.060	0.247 ^⁎⁎⁎	0.157 ^_	0.036
	(0.046)	(0.045)	(0.087)	(0.074)	(0.314)
Money inv قبل از اولین VC (گزارش‌ها)	0.001	0.015	0.026-	0.029	0.060
	(0.012)	(0.012)	(0.042)	(0.019)	(0.052)
٪ مالکیت VCها در اولین VC	−0.000	−0.000	−0.009 ^⁎⁎	0.002	−0.006
	(0.000)	(0.000)	(0.004)	(0.001)	(0.003)
VC Money at First VC (log)	0.053 ^_	0.065 ^⁎⁎⁎	0.029-	0.122 ^⁎⁎⁎	0.216
	(0.027)	(0.023)	(0.053)	(0.037)	(0.106)
برنامه کارگردان VC در ابتدا VC	0.238 ^⁎⁎⁎	0.217 ^⁎⁎⁎	0.329	0.385 ^⁎⁎⁎	0.935
	(0.048)	(0.047)	(0.360)	(0.066)	(0.697)
مکان و کنترل های سال صنعت	آره	آره	آره	آره	آره
ثابت	−1.126 ^⁎⁎⁎	0.926 ^⁎⁎⁎	−2.196 ^⁎⁎⁎	−2.128 ^⁎⁎⁎	4.847 ^⁎⁎
	(0.069)	(0.123)	(0.123)	(0.159)	(1.079)
مشاهدات	908	891	893	893	579
R-squared					0.112

خطاهای استاندارد در پرانتز

این جدول تأثیر مرحله اولیه، اولین سرمایه گذاری VC و تنوع تیم را بر چندین معیار عملکرد استارتاپ نشان می دهد. ستون‌های 1 و 2 احتمال خروج موفقیت‌آمیز را در نظر می‌گیرند که به عنوان یک IPO یا M&A درک می‌شود، برخلاف هر مسیر خروج دیگری. ستون‌های 3 و 4 نتایج یک مدل لاجیت چندجمله‌ای را در مورد احتمال یک IPO یا یک خروج M&A نشان می‌دهند که به عنوان یک IPO یا M&A درک می‌شود که برخلاف هر مسیر خروج دیگری است. در نهایت، ستون 5 نتیجه یک رگرسیون OLS در ارزیابی نهایی استارت آپ را گزارش می کند. همه رگرسیون ها برای مکان و سال صنعت کنترل می کنند. ما خطاهای استاندارد را در سطح صنعت دسته بندی می کنیم. متغیرهای ساختگی با استفاده از یک پروبیت حداکثر احتمال یا مدل لاجیت چندجمله ای پسرفت شدند، در حالی که متغیرهای عددی با استفاده از یک OLS قوی رگرسیون شدند.

***: اهمیت را در سطح 1% نشان دهید.
**: اهمیت را در سطح 5 درصد نشان دهید.
*: اهمیت را در سطح 10 درصد نشان دهید.

سپس نشان می‌دهیم که نتایج کلی در انواع گوناگونی بسیار متفاوت است. ستون $2$ (از جدول 9 ) ابتدا نشان می دهد که سطوح بالاتر تنوع عملکردی به طور مثبت و معنی داری با احتمال موفقیت بالاتر همبستگی دارد. در عوض، معیارهای تنوع جمعیتی با موفقیت همبستگی منفی دارد. ضریب تنوع جنسیتی منفی است اما معنی دار نیست، در حالی که ضریب تنوع ملی منفی و معنادار است. بنابراین، نتیجه اندازه گیری کلی تنوع تحت تأثیر تنوع عملکردی قرار می گیرد، زیرا اثرات تنوع جمعیتی به جهت دیگر کشیده می شود.

ستون ها $3$ و $4$ نتایج یک مدل لاجیت چند جمله ای را نشان می دهد که موفقیت متغیر را روی متغیرهای IPO و M&A جدا می کند. نتایج IPO و M&A هر دو از نظر کیفی با نتایج موفقیت کلی یکسان هستند. تمامی ضرایب تنوع عملکردی مثبت و معنادار و تمامی ضرایب تنوع جنسیتی و ملی منفی است. ضرایب (و اهمیت تنوع ملی) برای IPO بزرگتر از M&A است.

در نهایت، ستون $5$ نشان می دهد که نتایج برای ارزیابی نهایی مشابه نتایج ساختگی موفقیت است. تنوع عملکردی دوباره مثبت است، در حالی که هم تنوع جنسیتی و هم تنوع ملی منفی است. در اینجا، هر چند، ضریب تنوع عملکردی دیگر قابل توجه نیست.

4.3 . روابط غیر مستقیم از طریق سرمایه گذاری اول VC

ما اکنون استدلال می‌کنیم که از طریق ویژگی‌های سرمایه‌گذاری اول VC، روابط غیرمستقیم بین ویژگی‌های پیش از نهادی و خروج از راه‌اندازی نیز وجود دارد. در زیر نشان می‌دهیم که تعداد و تجربه ذینفعان فردی اولیه با ویژگی‌های سرمایه‌گذاری اول VC مرتبط است، که به نوبه خود، همانطور که در بخش فرعی قبل نشان داده شد، با موفقیت راه‌اندازی مرتبط است. جدول 10 نتایج رگرسیون ویژگی‌های سرمایه‌گذاران اول VC را در برابر ویژگی‌های ذینفعان اولیه، جداسازی مجدد موسسان و مدیران غیر بنیان‌گذار، با استفاده از رگرسیون probit و OLS نشان می‌دهد. مانند قبل، ویژگی های راه اندازی را کنترل می کنیم و خطاهای استاندارد را در سطح صنعت دسته بندی می کنیم.

نتایج جدول به ما این امکان را می دهد که از طریق نوع سرمایه گذاری VC، روابط غیرمستقیم بین ویژگی های ذینفعان فردی اولیه و موفقیت راه اندازی را مطرح کنیم. به عنوان مثال، ستون $1$ نشان می دهد که اندازه تیم موسس، تعداد مدیران غیر موسس، و حضور یک BA، همگی به طور مثبت با احتمال داشتن یک IVC به عنوان سرمایه گذار اول VC مرتبط هستند. ستون $2$ جدول 8 به نوبه خود نشان می دهد که وجود IVC به طور مثبت با احتمال موفقیت مرتبط است. این روابط غیرمستقیم، بین تعداد و تجربه تک تک ذینفعان و موفقیت استارت‌آپ، علامتی مشابه روابط مستقیم دارد. در واقع، همانطور که توسط ستون نشان داده شده است $1$ از جدول 8 ، اندازه تیم موسس، تعداد مدیران غیر موسس، و حضور لیسانس همگی با احتمال موفقیت ارتباط مستقیم دارند.

جدول 10 . اثرات ویژگی های پیش نهادی بر سرمایه گذاری اول VC.

متغیرها	(1)	(2)	(3)	(4)	(5)	(6)
سلول خالی	حضور IVC در اولین VC	حضور CVC در اولین VC	حضور CVI در اولین VC	حضور OVC در اولین VC	حضور بالا IVC در اولین VC	تعداد VCها در اولین VC
تعداد اعضای تیم موسس	0.096 ^⁎⁎⁎	0.040	−0.086 ^⁎⁎⁎	0.082 ^⁎⁎⁎	0.092 ^_	0.017
	(0.005)	(0.074)	(0.021)	(0.032)	(0.051)	(0.040)
موسس حضور با تجربه در کارگردانی	0.128-	0.035-	0.191⁎⁎⁎ ^_	0.059-	0.095	−0.010
	(0.172)	(0.178)	(0.039)	(0.195)	(0.155)	(0.135)
تعداد مدیران اولیه غیر موسس	0.059 ^_	0.159 ^_	0.064 ^⁎⁎⁎	−0.377 ^⁎⁎⁎	0.019	0.100 ^_
	(0.028)	(0.066)	(0.020)	(0.120)	(0.053)	(0.033)
حضور با تجربه اوایل مدیر غیر موسس	0.252 ^_	0.788- ^_	0.359 ^⁎⁎	0.626 ^⁎⁎⁎	0.300 ^_	0.234-
	(0.151)	(0.431)	(0.162)	(0.239)	(0.124)	(0.201)
تعداد دیگر سرمایه گذاران فردی اولیه	−0.014 ^_	0.014 ^⁎⁎⁎	0.008	0.006	0.005	0.034 ^_
	(0.006)	(0.003)	(0.007)	(0.011)	(0.012)	(0.007)
فرشته تجاری اولیه حضور داشته باشید	0.151 ^_	−0.300 ^⁎⁎⁎	0.127 ^⁎⁎⁎	0.497 ^_	0.029-	0.162 ^_
	(0.049)	(0.068)	(0.030)	(0.205)	(0.238)	(0.035)
حضور موسسه تحقیقاتی اولیه	0.033-	0.296	−0.114	0.777 ^⁎⁎⁎	−0.016	0.104
	(0.169)	(0.202)	(0.086)	(0.239)	(0.249)	(0.214)
سن شروع به کار در اولین سرمایه گذاری VC (سال)	0.134 ^⁎⁎⁎	0.031-	−0.201 ^⁎⁎⁎	0.014	0.002-	0.053-
	(0.016)	(0.070)	(0.018)	(0.065)	(0.012)	(0.032)
Money inv قبل از اولین VC (گزارش‌ها)	0.029- ^_	0.040-	0.014	−0.017	0.047 ^⁎⁎⁎	0.027-
	(0.016)	(0.068)	(0.026)	(0.024)	(0.005)	(0.018)
مکان و کنترل های سال صنعت	آره	آره	آره	آره	آره	آره
ثابت	0.233-	−1.888 ^_	0.300	−2.185 ^⁎⁎⁎	0.743 ^⁎⁎⁎	1.642 ^_
	(0.149)	(0.806)	(0.270)	(0.372)	(0.150)	(0.226)
مشاهدات	902	734	900	793	908	910
R-squared						0.088

خطاهای استاندارد در پرانتز

این جدول اثرات ویژگی های راه اندازی را در مرحله اولیه آن، یعنی در مرحله قبل از VC، بر سرمایه گذاری اول VC نشان می دهد. مجموعه متغیرهای مستقل شامل تعداد اعضای تیم موسس، مدیران غیرمؤسس اولیه و سرمایه گذاران اولیه، متغیرهای ساختگی نشان دهنده حضور یک فرد با تجربه در آن دسته ها و همچنین متغیر ساختگی نشان دهنده حضور یک موسسه تحقیقاتی است. قبل از سرمایه گذاری اول VC متغیرهای مستقل دیگر عبارتند از سن شروع به کار در اولین سرمایه گذاری VC و لگاریتم مبلغ سرمایه گذاری شده قبل از سرمایه گذاری اول VC. در مورد متغیرهای وابسته، «حضور IVC/CVC/CVI/OVC/بالای IVC در First VC» (ستون‌های 1-5) متغیرهای ساختگی هستند که نشان می‌دهند آیا این نوع VC در سرمایه‌گذاری اول VC سرمایه‌گذاری می‌کند یا خیر. ستون 6 تأثیر بر تعداد VC ها را بیان می کند. همه رگرسیون ها برای مکان و سال صنعت کنترل می کنند. ما خطاهای استاندارد را در سطح صنعت دسته بندی می کنیم. متغیرهای ساختگی با استفاده از یک مدل پروبیت حداکثر درستنمایی رگرسیون شدند، در حالی که متغیرهای عددی با استفاده از یک OLS قوی رگرسیون شدند.

***: اهمیت را در سطح 1% نشان دهید.
**: اهمیت را در سطح 5 درصد نشان دهید.
*: اهمیت را در سطح 10 درصد نشان دهید.

با این حال، برخی از روابط غیرمستقیم وجود دارند که نشانه مخالف رابطه مستقیم دارند. به عنوان مثال، داشتن مدرک BA نیز به طور مثبت با تعداد VC ها (ستون $6$ از جدول 10 ). ⁴¹ و به نوبه خود، تعداد VCها با احتمال موفقیت رابطه منفی دارد (ستون $2$ از جدول 8 ). در مجموع، این در جهت مخالف رابطه مثبت بین حضور بودجه BA و موفقیت است. با این حال، به نظر می رسد روابط غیرمستقیم یا نسبتا ضعیف هستند یا یکدیگر را خنثی می کنند. در واقع، همانطور که با مقایسه نتایج ستون ها نشان داده شده است $1$ و $2$ در جدول 8 ، اهمیت و حتی بزرگی ضرایب ویژگی‌های پیش نهادی، مستقل از گنجاندن یا نبودن ویژگی‌های سرمایه‌گذاری اول VC مشابه است. بنابراین، گنجاندن روابط غیرمستقیم از طریق سرمایه‌گذاری اول VC، علامت و میزان ارتباط بین ویژگی‌های قبل از نهادی و موفقیت راه‌اندازی را تغییر نمی‌دهد. ⁴²

جدول 10 سایر روابط بین ویژگی های ذینفعان قبل از نهادی و نوع سرمایه گذار اول VC را شرح می دهد. ستون ها $3$ و $4$ نشان می دهد که CVI ها و OVC ها به احتمال زیاد استارتاپی را تامین می کنند که شامل BA و یک تیم موسس کوچک است. از سوی دیگر، حضور یک بنیانگذار با تجربه و تعداد مدیران غیر موسس بی تجربه ارتباط مثبتی با حضور CVI ها در اولین سرمایه گذاری VC دارد. در مقابل، حضور OVC ها رابطه منفی دارد. تیم موسس بزرگتر و حضور مدیران غیر موسس با تجربه نه تنها به حضور یک IVC بلکه به حضور یک IVC برتر نیز مربوط می شود.

5 . نتیجه

علیرغم اهمیت آنها، ارتباط و تأثیر متفاوت انواع مختلف ذینفعان فردی استارت‌آپ‌ها توجه کمی را از ادبیات قبلی به خود جلب کرده است. به نظر می رسد دلیل اصلی عدم وجود اطلاعات سیستماتیک در مورد افراد ذینفع، به ویژه در محیط قبل از تشکیلات باشد. افراد معمولاً تمایلی به افشای هویت خود و به اشتراک گذاری اطلاعات مربوط به فعالیت های خود ندارند و در بسیاری از کشورها، مانند ایالات متحده، آنها مشمول الزامات افشای نظارتی نیستند. این ممکن است توضیح دهد که چرا اکثر پایگاه های داده رایج در استارتاپ ها اطلاعات بسیار کمی در مورد بنیانگذاران، مدیران و سرمایه گذاران فردی دارند.

ما یک پایگاه داده منحصربه‌فرد از استارت‌آپ‌های مبتنی بر VC مستقر در بریتانیا را بر اساس پرونده‌های اجباری به ثبت شرکت‌ها ارائه و استفاده می‌کنیم. پایگاه داده ما ویژگی های ناشناخته قبلی استارت آپ ها را نشان می دهد. به عنوان مثال، مدیران موسس و غیر موسس حدود نیمی از بدنه ذینفعان فردی و حدود نیمی از سرمایه گذاری آنها در استارت آپ ها را تشکیل می دهند، در حالی که سایر سرمایه گذاران فردی بقیه را تشکیل می دهند. IVC ها بیش از نیمی از تعداد سرمایه گذاران نهادی و اکثر سرمایه گذاری ها را تشکیل می دهند، در حالی که CVI ها بخش مهمی از سرمایه گذاران نهادی را تشکیل می دهند.

ما همچنین نشان می‌دهیم که چندین ویژگی پیش نهادی پیامدهای طولانی‌مدتی برای استارت‌آپ دارند، به‌ویژه از نظر نوع راه‌اندازی، و ارزش در هنگام خروج. ما استدلال می‌کنیم که ویژگی‌های فردی رابطه مستقیمی با موفقیت راه‌اندازی دارند، اما از طریق ویژگی‌های (اما نه اندازه) سرمایه‌گذاری اول VC، که با موفقیت نیز مرتبط هستند، رابطه‌ای غیرمستقیم دارند. روابط مستقیم و غیرمستقیم ممکن است گاهی اوقات به جهت مخالف کشیده شوند، اما روابط غیرمستقیم یا نسبتا ضعیف هستند یا یکدیگر را خنثی می کنند. در واقع، ضرایب متغیرهای ماقبل نهادی مستقل از شامل یا نبودن ویژگی‌های سرمایه‌گذاری اول VC مشابه هستند.

ما معیارهای قابل مقایسه اندازه و تجربه انواع مختلف ذینفعان فردی را در مراحل اولیه راه اندازی ایجاد می کنیم. ما به طور مداوم نشان می دهیم که حاکمیت (مدیران موسس و غیر موسس) از نظر تعداد مهم است، در حالی که سرمایه گذاری (سایر سرمایه گذاران فردی) از نظر تجربه مهم است. از آنجایی که آنها باید با هم کار کنند، هرچه اعضای تیم های بنیانگذار و مدیران غیر بنیانگذار بیشتر باشد، تیم تخصص بیشتری دارد. در عوض، از نظر سرمایه گذاران، داشتن حداقل یکی از آنها با تجربه قبلی در سرمایه گذاری مهم است. ما همچنین نشان می‌دهیم که نتایج موفقیت در انواع گوناگونی بسیار متفاوت است. به نظر می رسد تنوع عملکردی تعیین کننده مثبت موفقیت باشد در حالی که تنوع جمعیتی منفی است.