在经济学研究中，有哪些量化企业家精神的方法？

经济学中量化企业家精神，并非一个能用一个简单公式就能概括的课题。它更像是在拼凑一幅复杂的画作，我们需要从不同角度、运用各种工具去捕捉其精髓。企业家精神本身就是一种动态的、多维度的概念，它涉及到人的特质、行为、以及环境的互动。因此，量化它需要我们深入剖析这些要素，并寻找它们的经济学体现。

首先，我们得明确，企业家精神的核心在于创新、风险承担和价值创造。围绕这三个核心，经济学家们发展出了多种量化方法：

一、 基于个体行为的量化：

创业活动参与率 (Entrepreneurial Activity Rates): 这是最直接的衡量方式之一。我们关注的是一个特定时期内，有多少人在进行创业活动。这可以通过调查数据来获得，例如：
新创企业数量 (Number of New Businesses): 直接统计在一定时期内新注册成立的企业数量。这反映了经济体中新进入者的活跃度。
潜在创业者比例 (Proportion of Potential Entrepreneurs): 通过问卷调查，询问人们是否有意愿在未来一段时间内创业。这可以捕捉到潜在的创业动力。
早起阶段创业者比例 (EarlyStage Entrepreneurship Rates): 例如，使用GEM（Global Entrepreneurship Monitor）等国际项目的数据，关注那些处于“生存期”（即创办不到3.5年的企业）的创业者比例。这更能反映近期创业的活力。
自我雇佣比例 (SelfEmployment Rates): 虽然自我雇佣不完全等同于企业家精神，但它常常是创业的起点或一种形式。高比例的自我雇佣可能意味着更多人愿意承担自主经营的风险。

风险承担程度的量化 (Quantifying RiskTaking): 企业家精神离不开风险，量化风险承担是关键。
融资结构 (Financing Structure): 分析企业如何获取资金。那些依赖股权融资（如风险投资、天使投资）而非债务融资的企业，可能意味着更高的风险偏好。风险投资的金额、数量以及其在融资总额中的比例，都可以作为量化指标。
失败率分析 (Failure Rate Analysis): 创业的失败是常态。分析新创企业的存活率，以及不同行业、不同地区创业失败率的差异，能够间接反映创业者对风险的认知和承担能力。一个高但“健康”的失败率（意味着很多人在尝试）可能比一个低且停滞的失败率更能说明问题。
投资规模与回报预期 (Investment Size and Expected Returns): 分析企业家愿意投入的初始资本规模，以及他们对未来回报的预期。那些追求高回报（当然也伴随高风险）的创业者，其量化指标可能体现出与传统雇员不同的风险回报权衡。

创新行为的量化 (Quantifying Innovative Behavior):
新产品/服务推出数量 (Number of New Products/Services Launched): 统计企业在一定时期内推出的新产品或服务数量。
研发投入占销售额比例 (R&D Spending as a Percentage of Sales): 这是衡量技术创新投入的重要指标。虽然很多小企业可能没有正式的R&D部门，但我们可以将其扩展到对新技术的探索和应用投入。
专利申请与授权数量 (Patent Applications and Granted Patents): 对于科技驱动型创业企业，专利是创新的直接体现。分析专利的数量、质量（例如被引用的次数）以及其覆盖的领域。
商业模式创新 (Business Model Innovation): 这相对更难量化，但可以通过分析企业采用的全新销售渠道、定价策略、价值链组织方式等来间接衡量。例如，分析企业是否进入了此前未被开发的细分市场。

二、 基于企业层面的量化：

新创企业的增长潜力与绩效 (Growth Potential and Performance of New Ventures):
收入增长率 (Revenue Growth Rate): 新创企业快速增长是企业家精神创造价值的有力证据。
市场份额扩张 (Market Share Expansion): 成功创业者往往能够迅速占领或开辟新的市场。
就业创造 (Job Creation): 新创企业是就业的主要来源之一。统计新创企业创造的就业岗位数量及其增长速度。
盈利能力 (Profitability): 虽然早期创业者可能不以盈利为首要目标，但长期的盈利能力是价值创造的最终体现。

企业网络与资源整合能力 (Enterprise Networks and Resource Mobilization Capability):
风险投资获得额度 (Venture Capital Funding Received): 企业家吸引外部资金的能力，很大程度上反映了其项目的潜力和自身的说服力。
战略联盟与合作伙伴数量 (Number of Strategic Alliances and Partnerships): 企业家善于整合资源，建立合作关系。分析企业建立的战略联盟数量和质量。
人才吸引能力 (Talent Attraction Capability): 成功创业企业能够吸引优秀人才加入，形成有战斗力的团队。可以通过分析员工的平均学历、工作经验、以及核心团队的背景来量化。

三、 基于宏观环境与政策的量化：

创业生态系统指标 (Entrepreneurial Ecosystem Indicators): 宏观环境对企业家精神有重要影响，可以通过一系列指标来衡量：
营商便利度排名 (Ease of Doing Business Ranking): 世界银行等机构的排名，反映了政府在简化注册、审批、税收等方面的努力。
知识产权保护强度 (Strength of Intellectual Property Protection): 有效的IP保护能够鼓励创新创业。
金融市场发达程度 (Development of Financial Markets): 包括风险投资、私募股权、股票市场的成熟度。
教育体系对创业技能的培养 (Education System's Cultivation of Entrepreneurial Skills): 例如，大学的创业课程设置、创业竞赛的参与度等。
文化对创业的态度 (Cultural Attitudes Towards Entrepreneurship): 通过调查人们对创业的接受度和尊重程度。

政策激励的效果评估 (Evaluation of Policy Incentives): 政府会出台各种鼓励创业的政策，例如税收减免、创业补贴、孵化器支持等。经济学家会设计计量模型来评估这些政策对创业活动和企业绩效的实际影响。

如何深入地进行量化研究？

1. 数据来源是关键： 经济学研究高度依赖数据。量化企业家精神需要可靠的数据来源，如：
全国性调查数据： 如GEM（Global Entrepreneurship Monitor）项目，它在全球范围内收集关于创业活动、态度和能力的数据。国内也有一些大型的抽样调查。
工商注册数据： 可以获取新注册企业的数量、类型、注册资本等信息。
金融市场数据： 包括风险投资数据库（如PitchBook, Crunchbase）、IPO数据、上市公司财务数据等。
专利数据库： 如USPTO（美国专利商标局）、EPO（欧洲专利局）等。
企业微观数据： 部分研究会与特定企业合作，获取更详细的运营和行为数据。

2. 计量经济学方法的运用：
回归分析 (Regression Analysis): 这是最常用的工具，用于探究不同因素（如政策、教育水平、金融市场发展）对创业活动或企业绩效的影响。例如，我们可以建立一个模型，预测某地区新创企业的数量，而解释变量可能包括该地区营商便利度、风险投资活跃度、以及教育投入等。
面板数据分析 (Panel Data Analysis): 当我们拥有跨越多个时间点和多个主体（如企业或地区）的数据时，面板数据分析能更有效地控制不随时间变化的因素，捕捉动态关系。
因果推断方法 (Causal Inference Methods): 许多研究的目的是确定“原因”和“结果”。例如，我们想知道“风险投资是否真的能提高企业的创新产出？”这时就需要运用倾向性得分匹配（Propensity Score Matching, PSM）、工具变量法（Instrumental Variables, IV）、断点回归（Regression Discontinuity Design, RDD）等方法来克服选择性偏差，建立因果联系。
网络分析 (Network Analysis): 用于分析企业家之间的社交网络、企业之间的合作关系等，理解信息传播、资源流动和知识溢出在创业生态系统中的作用。
文本分析 (Text Analysis): 对企业年报、新闻报道、论坛讨论等非结构化文本数据进行分析，挖掘其中隐藏的关于企业家愿景、战略和市场信号的信息。例如，分析科技公司创始人演讲中对未来技术的描绘程度，可以作为其创新前景的量化指标。

3. 创新指标的设计： 很多时候，直接的量化指标不足以完全捕捉企业家精神的创新维度。因此，研究者需要设计代理变量 (Proxies)。比如，企业创始人对“解决一个未被满足的市场需求”的描述频率，或者企业网站上强调的“颠覆性技术”的次数，都可以作为尝试量化创新精神的代理指标。

总而言之，量化企业家精神是一个不断发展和精进的领域。它不是简单地统计数字，而是通过科学的理论框架和严谨的数据分析，去理解和衡量驱动经济增长和价值创造的那股“看不见的手”——企业家精神。研究者们正努力地将那些难以捉摸的特质和行为，转化为可以分析和解释的经济现象。

网友意见

这方面不太熟，不过近年来文献确实比较多，可以列举几种常用的方法。准确衡量企业家精神面临的问题是我们很难准确说明我们对企业家的要求是什么，核心含义可能是冒险+创新，所谓started from the bottom now we here。

比较传统的方法主要是两个：一是自雇佣率，二是新开设企业/工厂数量。自雇佣率面临的问题主要是自雇佣的未必就是企业家，其中可能有很多是因为没有就业机会，不得不自雇佣。这一部分其实是不想冒险的，如果稍微有好一点的就业机会，他/她就选择去就业了(Earle and Sakova, 2000)。一般学者把这种叫opportunity，用necessity来指代那种自发创业者。另外，自雇佣中很大一部分都是不愿意创新的(Hurst and Pugsley, 2010)。后一个数据点也有类似的问题，很多新企业/工厂是没有任何创新成分在里面的，或者很少。2011年Kauffmann基金会出过一本书，里面把初创企业分成创新的(innovative)和替代的(replicative)来分析，也是在批评类似的点(Baumol, 2011)。有一些作者更细致地考察了这一点，他们发现自雇佣率在城市地区和初创企业数量以及企业创新数量相关性很高，在乡村地区就就不怎么相关了，失准的原因就是前面说的，很多自雇佣者是因为无法就业才选择自雇佣的(Faggio and Silva, 2012)。因此，如果是要做发达地区的研究，用自雇佣率误差可能没有那么大，而且这个数据也比较好拿。

还有一些其它指标值得注意。Glaeser今年和两个合作者发了一篇论文，题目就叫Entrepreneurship and Urban Growth，大概内容是以当地有没有矿产资源做工具变量，来看企业家精神对城市雇佣劳动力总量的影响(Glaeser, Kerr and Kerr, 2015)。这个文章长70页，基本把用的数据的每一个细节都讨论了，以后再做企业家精神实证，这个文章可能也是必引的。文章中用的指标是初创企业平均雇员数量，在正文里面他们简单地讨论了一下优点，认为平均初创规模既能综合已有的指标，又能比较好地过滤掉经济周期的影响。像自雇佣类和新企业数量这种，在周期不同位置波动很厉害。虽然可以把这部分影响滤掉，但准确度还是没有平均规模好。在补充材料里面他们做了更多分析，发现这个数据的变动趋势和其它一些已有指标都是吻合的。也有一些学者提出应该用福布斯统计的“自力更生的百万富翁”(self-made billionaire)来反映企业家精神。他们认为基于自雇佣率和小企业指标的研究都不可靠，以下因素都可能导致企业家精神和这些指标发生分歧：更高的收入、更高的信任程度、更低的税率、更多的风投、更低的监管壁垒，等等(Henrekson and Sanandaji, 2014)。我个人比较赞同他们的看法，但题主如果是在中国做这个研究，这个指标可能没法用。看起来很多富翁似乎都是白手起家的，仔细追究之下又未必。这种数据强烈依赖于福布斯和胡润之类富豪榜统计的准确性，但这也是很成疑问的。

最后就是有些机构也会定期发布衡量企业家精神的数据，这些统计基本上都是用对自雇佣和小企业的统计做出来的，所以对上面的批评没法免疫。如果对研究要求不高应该也可以用，如果要求很高，有更细致的微观数据可以检查匹配应该也可以用。比较常用的有全球企业家指数监察(GEM, Global Entrepreneurship Monitor)，这个数据主要统计42月以内的新生企业(baby entrepreneurship)。另一个大家用得比较多的是世界银行环球企业家调查(WBGES, World Bank Global Entrepreneurship Survey)，这个数据主要追踪全球范围内新注册有限责任公司的数量。最后一个是经济合作与发展组织企业家指数计划(OECD Entrepreneurship Indicator Project)，这个数据会细很多，类似gazelle business（四年之类销售翻倍的企业，泛指超高速增长企业）这种都有专门统计，很方便。以上数据都有专门的讨论，括号里是和GEM，WBGES和OECD数据对应的文献(Reynolds et el., 2005; Klapper, Amit and Guillen, 2007; Davis, 2006)。如果想做跨国研究，针对这些数据在发达国家和发展中国家的准确性也有专门讨论，主要是针对合法/不合法、正式/非正式、机会/必需来讨论数据，上面第三个维度就是前面讲的opportunity/necessity。这些因素都会造成误差，所以用这一类数据必须要谨慎，要找更多相关指标来印证(Sammeksha, 2009)。

如果想做国别的，像英美都会专门统计相关指标，像英国有BSD(Business Structure Database)和CIS(Community Innovation Survey），美国的话就更多了。像Glaeser他们用的LBD(Longitudinal Business Database)就很丰富，让人蛮眼热的。如果是想做中国题目的话，应该也可以依葫芦画瓢，构造相应指标。

总之，这个问题还是要看做什么水平的研究吧。如果只是说像看看趋势规模之类的，应该各种指标都可以用；如果想做高水平的，可能各种指标都要用，而且都要讨论。挂一漏万，应该还有很多其它办法，像用R&D指标的，我就见得比较少，也没有列，希望专业人士补充。

参考文献：

Baumol W J. Formal microeconomic structure for innovative entrepreneurship theory[J]. Entrepreneurship Research Journal, 2011, 1(1).

Davis T. Understanding entrepreneurship: Developing indicators for international comparisons and assessments[M] Measuring entrepreneurship. Springer US, 2008: 39-63.

Desai S. Measuring entrepreneurship in developing countries[M]. Research paper/UNU-WIDER, 2009.

Earle J S, Sakova Z. Business start-ups or disguised unemployment? Evidence on the character of self-employment from transition economies[J]. Labour economics, 2000, 7(5): 575-601.

Faggio G, Silva O. Does self-employment measure entrepreneurship[J]. Evidence from Great Britain. Spatial Economics Research Centre (SERC) Discussion Paper, 2012 (109).

Glaeser E L, Kerr S P, Kerr W R. Entrepreneurship and urban growth: An empirical assessment with historical mines[J]. Review of Economics and Statistics, 2015, 97(2): 498-520.

Henrekson M, Sanandaji T. Small business activity does not measure entrepreneurship[J]. Proceedings of the National Academy of Sciences, 2014, 111(5): 1760-1765.

Klapper L, Amit R, Guillén M F. Entrepreneurship and firm formation across countries[M]//International differences in entrepreneurship. University of Chicago Press, 2010: 129-158.

Reynolds P, Bosma N, Autio E, et al. Global entrepreneurship monitor: Data collection design and implementation 1998–2003[J]. Small business economics, 2005, 24(3): 205-231.

类似的话题

• 

  在经济学研究中，有哪些量化企业家精神的方法？

  

  经济学中量化企业家精神，并非一个能用一个简单公式就能概括的课题。它更像是在拼凑一幅复杂的画作，我们需要从不同角度、运用各种工具去捕捉其精髓。企业家精神本身就是一种动态的、多维度的概念，它涉及到人的特质、行为、以及环境的互动。因此，量化它需要我们深入剖析这些要素，并寻找它们的经济学体现。首先，我们得明.............
• 

  机器学习在理论经济学研究中有哪些可能的应用前景？

  

  机器学习在理论经济学研究中的应用前景，说实话，广阔得令人兴奋，而且这不仅仅是“数据分析”那么简单。它正在为我们理解经济世界的复杂性提供前所未有的工具和视角，尤其是在理论层面，其潜力是巨大的。1. 复杂经济模型的构建与分析：传统的经济模型，无论是新古典的，还是新凯恩斯主义的，往往建立在高度简化的假设之.............
• 

  对于「人在不理性时会如何决策」，目前经济学有哪些研究结果？

  

  人在不理性时会如何决策？经济学研究结果的详细探讨经济学在传统上建立在“理性人”的假设之上，即假定个体总是以最优的方式来追求自身利益。然而，现实生活中的人类行为往往偏离这一理想模型，表现出明显的“不理性”特征。对于“人在不理性时会如何决策”，现代经济学，特别是行为经济学（Behavioral Econ.............
• 

  哪些被我们不断争论的家庭决策问题，在经济学上早有过研究？

  

  在我们家庭的日常生活中，总有一些问题让我们争论不休，好像永远找不到完美的答案。其实，这些“家务事”背后的决策逻辑，在经济学领域早就被深入地研究过了，只是我们往往用生活化的语言去体验和争执。今天，我们就来聊聊那些我们为之烦恼的家庭决策，看看经济学是如何为它们提供洞察的。一、 育儿支出：幸福的投资还是沉.............
• 

  经常看论文与偶尔看论文的研究生在科研或工作中会有什么区别？

  

  经常看论文和偶尔看论文的研究生，在科研和工作上的表现，就像是每天都钻研厨艺的大厨和偶尔下厨尝鲜的家庭煮夫，差距可不是一点半点。这其中的区别，可以从好几个层面细细道来。一、知识体系的深度与广度 经常看论文的研究生： 他们的知识体系就像一块块拼图，随着阅读的论文不断增加，拼出的画面也越来越完整、精细.............
• 

  为什么经常有低学历的民科们在研究或讨论国家大事、历史和军事？

  

  这个问题挺有意思的，也确实是很多人观察到的现象。为什么那些学历不高的人，反而热衷于在国家大事、历史和军事这些领域“指点江山”呢？这背后其实有几个挺复杂的社会和心理层面的原因，咱们掰开了揉碎了聊聊。一、信息获取的便利性与“平等感”的错觉现在网络时代嘛，信息量爆炸，但门槛好像也低了。任何人，只要会上网，.............
• 

  在你所研究或者熟悉的经济学领域，你认为最核心的问题是什么？

  

  在我所研究和熟悉的经济学领域，我认为最核心的问题可以归结为：在稀缺性的约束下，如何有效地配置资源以满足人类不断增长的需求。这看似简单的一句话，实则包含了经济学最根本的逻辑和最复杂的挑战。下面我将从几个维度来详细阐述为什么我认为这是最核心的问题：1. 稀缺性：经济学存在的基石 什么是稀缺性？ 稀缺.............
• 

  法律界废死派经常说研究证明就算废除死刑也不会导致犯罪率上升？依据在哪？法学界废除死刑是不是主流？

  

  在法律界，关于死刑存废的争论由来已久，其中“废死派”的核心论点之一便是“研究证明废除死刑不会导致犯罪率上升”。这个论点并非空穴来风，而是建立在多项实证研究和理论分析之上。那么，这些研究依据到底是什么？法学界废除死刑的观点是否占主流呢？实证研究的依据：废死派提出的“犯罪率不上升”的论断，主要基于以下几.............
• 

  在经济学领域，有哪些年轻有为的学术新星？

  

  经济学领域一直不乏充满活力和创新精神的年轻学者。他们通过新的理论模型、严谨的实证研究以及对现实经济问题的深刻洞察，正在重塑我们对经济世界的理解。以下是一些在我看来是经济学领域年轻有为的学术新星，我将尽量详细地介绍他们的研究方向和贡献：需要强调的是，“年轻有为”是一个相对的概念，这里列举的学者大多在3.............
• 

  在经济学中，同样10000块钱，是给富人更有用，还是给穷人更有用？

  

  在经济学领域，关于同样一笔钱（比如10000块）给不同收入群体产生的“效用”差异，是一个非常经典且常被讨论的问题。这背后涉及到了“边际效用递减”以及“财富分配”等核心概念。简单来说，这笔钱对穷人而言，其“有用程度”通常远高于富人。下面我来详细解释一下原因。核心概念：边际效用递减 (Diminishi.............
• 

  「泡沫」在经济学中有明确定义吗？

  

  “泡沫”这个词，在咱们日常说话里，指的是那种虚无缥缈、看着好看但一戳就破的东西。但在经济学里，它也有点这个意思，但更具体，而且是个挺头疼的问题。咱们可以这么理解，“经济泡沫”其实就是指某种资产的价格，远远脱离了它内在的真实价值，并且这种脱离还在不断自我强化，就像吹泡泡一样，越吹越大，直到某个点无法维.............
• 

  朱元璋在经济学方面的造诣真的那么高吗？

  

  提起朱元璋在经济学方面的造诣，这可不是一句“高”就能简单概括的，更像是一种在极端困境中摸索出来的、充满阳刚之气的生存智慧和国家治理方略。我们不能用现代经济学的理论框架去套他，因为他所处的时代、面对的问题，以及他个人的经历，都与我们今天所知的经济学原理有着天壤之别。朱元璋本人出身贫寒，做过和尚，当过乞.............
• 

  私生活放纵在经济学中是理性的选择吗？

  

  私生活放纵在经济学中是否是理性的选择，这是一个复杂且多维度的问题，无法简单地用“是”或“否”来回答。经济学分析的关键在于“理性”的定义以及“选择”所涉及的成本与收益的评估。从不同的经济学理论和角度来看，结论也会有所不同。下面我将从几个关键的经济学概念出发，详细阐述这个问题：1. 理性选择理论（Rat.............
• 

  机器学习（machine learning）在经济学领域是否有应用前景？

  

  机器学习在经济学领域的应用前景，可以说是非常广阔且令人兴奋的。这不仅仅是理论上的可能性，而是实实在在的、正在改变我们理解和实践经济学的方式。过去，经济学家们主要依赖理论模型和传统统计方法来分析经济现象。这些方法在解释宏观经济趋势、理解市场结构等方面发挥了重要作用，但也存在一些局限性：它们往往需要对经.............
• 

  比较高深的数学在经济学有哪些运用相当漂亮？

  

  好的，咱们不谈那些“人工智能”的高谈阔论，就聊聊那些真正让数学这把“瑞士军刀”在经济学里挥洒自如，解开复杂问题的绝妙应用。经济学说到底，就是研究“人”和“稀缺性”这二者之间关系的学问。人是复杂的，有情绪、有偏好、有预期；稀缺性意味着选择，而选择就必然伴随着权衡和优化。如何把这些既抽象又具象、既理性又.............
• 

  如果我想在经济学提出自己的范式，我会需要哪些哲学思想的指导？

  

  要创立经济学新范式，你需要的哲学指导绝非寻常的文献堆砌，而是深植于对人类行为、知识获取以及社会本质的深刻洞察。这更像是一次心灵的探险，而非简单的论文写作。如果我站在你面前，和你一起筹划这场事业，我会这样和你聊：首先，关于“真实”与“可知”的争论，我们将从认识论（Epistemology）出发。 经济.............
• 

  实证分析（Positive Analysis）在经济学中的地位是怎样的？

  

  好的，咱们来聊聊实证分析在经济学里到底是个啥地位，以及它有多重要。 我尽量把这话说得明白些，也让它听起来更像咱人说话，而不是什么机器生成的报告。实证分析：经济学里的“事实侦探”你可以把实证分析想象成经济学里的“事实侦探”。它的主要工作，就是去看看现实世界是怎么运作的，然后用数据和证据来回答“是什么.............
• 

  欧拉公式在经济学中的运用到底是什么，学习两期模版的时候总能看见又欧拉公式可得？

  

  你好！很高兴能和你聊聊欧拉公式在经济学中的应用，特别是你提到的“两期模型”里。说实话，欧拉公式在经济学里出现的频率确实挺高的，尤其是在涉及跨期决策、资本积累、以及生产函数的场合。咱们先从最常见的“两期模型”说起。两期模型与欧拉公式想象一下，一个人（或者一个家庭、一个企业）活在两个时期：现在（第一期）.............
• 

  如图，如何看待马歇尔在《经济学原理》一书中对马克思的剩余价值理论的驳斥?

  

  好的，我们来详细探讨一下阿尔弗雷德·马歇尔在其划时代巨著《经济学原理》（Principles of Economics）中对卡尔·马克思剩余价值理论的“驳斥”。首先需要明确一点，马歇尔并非直接像后来的经济学家那样，逐条列举马克思理论的漏洞。他的“驳斥”更多地体现在他用自己建立的，基于边际效用和边际生.............
• 

  有哪些计量回归结果不显著却发表在经济学顶级期刊的论文？

  

  找到明确指出“计量回归结果不显著”却发表在经济学顶级期刊的论文，并进行详细阐述，实际上是比较困难且具有一定挑战性的。原因如下：1. 期刊发表标准: 经济学顶级期刊通常追求具有理论创新性、方法论严谨性、研究结论有说服力（通常表现为统计显著性）的研究。一个核心的、关键的计量回归结果不显著，往往会削弱论.............