基于轨迹和波动的新生网商成长模式及特征研究

何玉梅，郭迅华，陈国青

(1. 清华大学经济管理学院，北京 100084；2. 清华大学现代管理研究中心，北京 100084)

1 引言

随着新兴信息技术和电子商务经济的蓬勃发展，网络零售市场日趋成熟，淘宝网、eBay等电子商务平台上涌现出大量网商，即依托于电子商务平台直接与消费者进行持续商务活动的企业或个人[1,2]，网商是电子商务经济的重要载体，据报告显示，2016年仅阿里巴巴平台上网商所创造的营收规模便达到了三万亿[3]，国外亚马逊平台第三方卖家年度销售额约占据平台总销售额的50%[4]。其中相当比例的网商创立时间短，企业规模小[5]，是电子商务环境下的新生企业或者创业者[2](以下简称新生网商)。作为网商的重要组成部分，新生网商已成为带动电子商务经济经济发展、推动创新创业和大众就业的助推器。随着电子商务平台商业生态系统功能的逐步完善，新生网商的成长路径逐渐清晰，衍生出多种成长模式，即在成长过程中形成典型路径结构[6]。由于不同成长模式下的新生网商所需要的资源配置和服务不同，电子商务平台面临着个性化服务与管理方面的挑战。如果无法清晰辨识新生网商成长模式，可能导致电子商务市场资源错配。但目前对新生网商成长模式和特征相关理论研究较少，导致实践中对于新生网商成长缺乏深刻认识。因此讨论新生网商成长模式以及相关因素将揭示电子商务经济中新生企业群体内在成长机制，丰富对于成长模式的认知，指导新生网商成长，实现市场最优资源配置。

从理论上看，新生网商成长模式的讨论属于企业成长模式研究范畴，该类研究从企业成长的历史路径来理解成长[7]，将企业成长看做是动态变化的内在过程[8]，认为在成长过程中存在特定的模式[9-12]。通过获得典型企业成长模式，能够辨识出企业群体成长路径的系统性特征[9]，回答“企业如何成长”的问题[13]，因此该类研究是典型的过程研究[6]，能够弥补传统的影响因素研究的不足[10]，从而更好地揭示企业成长本质[13]。而根据过程研究的研究范式，当成长模式提出后可将其看做传统意义上的变量，讨论其影响因素和结果变量[14-15]。特别地，新生网商所选择的类目具有与行业类似的功能，即是所面临的外部市场环境重要构成要素[8]，绩效是其生存和发展最为关心的要素[16]，如果能辨识出成长模式与类目选择策略以及绩效水平的关系，将进一步拓展成长模式的研究，说明成长模式研究的重要性。因此本文针对新生网商这一研究对象提出两个研究问题：第一，新生网商在初期成长过程具有几种典型成长模式？第二，不同类目选择策略下，新生网商是否表现出不同成长模式；在形成特定成长模式后取得的绩效是否有所差异，哪种成长模式的网商能够取得更好的绩效？

目前对成长模式的研究还处于起步阶段[17]，现有研究一般通过描述某种资源要素随时间变化规律获得企业成长轨迹，从而形成“成长曲线”[8]。从时序轨迹看，研究强调增长趋势以及趋势在一段时间内的持续性，首先利用单位时间段企业销售或者员工的增长率与整体增长率相比得到增长率的高/低[9-10,17-22]，其次根据一段时间内增长率的多个高低状态形成的时序轨迹来对轨迹模式进行命名，其命名方式如表1所示。分析以往成长模式研究文献发现，该类研究的研究对象一般为线下企业，鲜有涉及线上企业成长，即管理和运营渠道基于互联网和信息技术的企业，典型的如电子商务行业的新生网商等。由于新生网商面临成长环境等方面的差异[1]，新生网商与线下企业或者创业者相比，其成长具有更高的不确定性，即其网商未来的成长状态很难预测，这种不确定性主要表现为交易不连续性和交易波动性大两个方面。一方面由于互联网渠道大大降低网商的进入成本，使得同一类目下商家数量巨大，网商同质化程度高[23]，市场竞争激烈[24-25]，新生网商月销售量为零的情况常有发生，因此呈现出与消费者进行产品交易活动的不连续性；另一方面，电子商务交易中搜索引擎和推荐系统的使用降低了消费者的转换成本和搜索成本[23]，使得消费者能够在更短的时间内从更多的网商中选择进行交易[26]，消费者需求具有更高的不确定性[27]，这对新生网商而言，意味着与消费者进行交易活动的风险提高[26]，使得一段时期内的交易具有更高的波动性。这些差异导致传统成长模式研究成果不能直接应用到线上企业的场景；另一方面也使得对于高成长不确定性特征下的新生网商成长模式的讨论，补充和丰富以往企业成长模式相关研究，扩展研究边界。

注：“种类”是指从该文献中识别出的成长模式的种类数量。

本文根据Penrose企业成长理论[8]及新生企业成长特点的相关研究[9]，提出新生网商成长模式可用成长轨迹(具有路径依赖特点)和成长波动所构成的二维矩阵表示。其次，以中国最大电子商务平台上的5582家新生网商作为样本，提出相对扩张指标作为成长测度，对该指标前六个月的成长轨迹进行时序K-means聚类(kml)[28-29]，发现在该时间段内主要存在三类典型的成长轨迹(加速/匀速/减速)，同时对成长波动(销售量相对离散程度)划分出相对高/低水平，在二维矩阵框架下最终得到六种(3*2)成长模式的网商。利用列联分析[18]发现成长模式与新生网商的类目选择相关变量具有相关性；以成长模式为因变量，以初始主营类目等作为自变量的定向测度分析[18]发现，新生网商选择的初始主营类目对于成长模式形成的影响最大。利用方差分析[15]和Kruskal-Walls[19]检验发现，六类成长模式网商之间在销售绩效及信誉等级存在显著统计差异，其中加速/高波动的新生网商与其他成长模式的新生网商的销售绩效差异最大。本文将企业成长模式研究拓展到新生网商，提出新的成长模式的表示方法，并发现其成长模式的类目选择策略和绩效特征，有利于对电子商务平台评估新生网商的成长过程，并提供个性化服务。

2 理论模型

根据Penrose企业成长理论[8]以及以此为基础对新生企业成长特征的研究[9]，本研究认为出新生网商成长模式包括成长轨迹(具有路径依赖特征)和成长波动。首先，新生网商成长模式包括具有路径依赖的成长轨迹。新生网商的成长表现出路径依赖特征[30]，即以前阶段形成的成长结果会影响下一阶段的成长，且该路径依赖可体现于“成长曲线”之中[8]。新生网商在电子商务平台上创办网店的过程中，与线下企业相类似，通过试错和学习来摸索创业和管理经验[7]，通过总结经验教训来完善管理服务技能[31]，赢得客户和声誉，从而实现成长目标。该阶段成长过程中的资源积累会影响下一阶段的成长活动，即路径依赖。在一定时间范围内，这种路径依赖特征将体现在成长时序轨迹中，即新生网商成长模式应包括具有路径依赖的成长轨迹。其次，新生网商成长模式包括成长波动。成长不仅意味着盈利，更意味着经营风险和成本[31]，由于在成长初期面临来自自身资源匮乏和外部竞争的压力，新生企业鲜能持续、线性式增长[9]。新生网商由于成长不确定性高，交易波动大，成长波动在成长过程普遍存在，且成长波动的大小直接反映出成长稳定性，因此成长波动在成长模式也应当有所体现。综上所述，本文认为新生网商的成长模式可用成长轨迹(该轨迹路径依赖)和成长波动形成的二维矩阵表示。

基于过程研究范式，当获得成长模式后，可将其看做传统意义上的变量，讨论其影响因素和结果变量[14-15]，因此本文提出理论模型如图1所示，其含义为新生网商所选择的产品类目(简称类目)影响新生网商的成长模式形成，而不同成长模式下的新生网商具有特定的绩效特征。第一，以往研究表明，新生企业所选择的行业环境将会影响新生企业的成长[30]。对于新生网商而言，基于电子商务市场对产品类目的管理实践，我们认为类目与行业本质上类似。产品类目选择策略就是在电子商务环境下的市场进入策略。新生网商一旦选择了特定类目便进入了特定的市场，因此由于所选择类目不同，新生网商所面临的市场环境特征、所具有的成长资源和外部环境的匹配度不同，在不同的类目下新生网商在一段时间内表现出不同的成长路径，也就是可能形成的成长模式不同。如新生网商分别选择“服装”和“数码产品”类目便进入了“服装”市场和“数码产品”市场，所面临的市场所处阶段、外部市场机会和竞争程度均可能不同，因此可能形成的成长模式有所差异。第二，企业的成长模式是经营水平、市场机遇等内外因素共同作用的结果，体现出企业成长的潜力，说明企业在成长过程中积累了不同的资源[32]，而资源异质性导致其下一阶段能够开展的交易活动和提供的产品服务质量不同，从而带来不同绩效水平[31]，因此由该成长路径依赖特点可推断，成长前期的成长轨迹能影响后期绩效表现；另一方面，成长波动是网商成长质量的信号，它影响新生网商经营管理，如安排库存、制定营销策略等，波动越大，说明企业成长过程中具有不稳定因素越多，可能造成新生网商在管理决策上存在偏差失误，从而影响下一阶段的绩效水平，可归纳为前期的波动对后期的绩效会有负向影响[33]。因此在成长轨迹和成长波动共同作用下，新生网商成长模式与网商绩效有相关关系。

图1 理论模型图示

3 研究方法

3.1 样本描述

本文研究对象为电子商务平台上的新生网商，其创立时间短、企业规模小[3]。基于此特征本文选取目前中国最大电子商务平台[1,16]于2010年3月份开始营业(46546家)，且在开始营业的前半年内[7,26,34]有连续销售量的新生网商5582家，分析数据为2010年3月到2011年2月，共12个月数据的月度数据。第一，样本数据质量高。样本中的新生网商是从在该平台经营的所有网商(超过800万)中选出，是基于全样本的选择；且其经营的产品覆盖该电子商务平台所有产品类目。第二，避免企业年龄对成长模式的影响。企业年龄已被证明对成长有重要影响[35]，本文所选取的样本中新生网商从同一月份开始营业，可认为具有相同企业年龄，从而避免了企业年龄对分析结果带来的误差；第三，本文样本是典型的具有成长性的线上企业。本文研究重点为新生网商“如何成长”，不考虑“生存偏差”带来的影响[36]，暗含研究对象需要具有一定的成长性，一般线下企业中有成长性企业在所有企业的比例为10%左右[7,18]，而该5582新生网商约占网商总数的11.8%，占比与线下成长型企业在所有企业占比接近，可认为其具有成长性。

3.2 变量及测度

1)成长轨迹

成长轨迹是在新生网商在成长过程中表现出典型时序成长路径。本文选择销售量作为成长的指标，因为销售量是衡量新生企业成长最常用的指标[30,37-39]，能够被用于跨类目情境研究[40]。销售量的增长暗示消费者不断接受企业提供的产品和服务，意味着企业市场地位和经营活动的提升，因此也是业界管理者最为看重、最常使用的指标[41-42]。测度使用销售指标一般利用相对增长率来测量[33]，但考虑到网商交易不连续性，即经常可能面临某月销售为零的情况下，传统的相对增长率指标分母可能为零，因此不适用于电子商务环境下成长的测量。利用过程研究中变量及测度可用轨迹表示[14]的思路，结合新生网商交易不连续、路径依赖的特点[9]，提出时序相对扩张轨迹作为成长轨迹的测量。首先，提出相对扩张率作为某时刻成长的测度，第i个新生网商(i=1,2…n)在l时刻(l=1,2…T)的相对扩张率Ri,l如公式(1)所示：

(1)

2)成长波动

成长波动是指在一段时间内新生网商成长的不稳定程度。成长指标仍用销售量的增长表示，测度使用销售量相对离散程度[7]。选取该指标的理由是其他常用指标无法适应研究情境。由于新生网商成长不连续，采用增长率测度成长波动[43-44]无法避免测度分母为零的问题。而中小网商分布于服装等十七个类目，不同类目之间企业规模差别很大，使用绝对离散程度[40]测度成长波动无法排除企业规模的影响，因此，第i个网商成长波动表示如公式(2)。

GrowthVolatilityi=

(2)

3)类目策略

如图2所示，该电子商务平台所提供的产品类目结构包括一级类目和二级类目，一级类目包括服饰、数码产品、珠宝手表等17个，一级类目又可细分为共计81个二级类目，从而形成两层树状类目结构。该类目是基于类目内部专家评分，并经过了多年的类目实践总结而来，具有较高可信度。我们将其主营产品的一级产品类目定义为“类目”，认为该层类目对于新生网商的发展起到了与线下企业所在行业类似的功能，理由是对于新生网商而言，选择某类目意味着面临不同的市场环境，该产品类目的选择将影响其库存管理、营销活动、客户服务等方面的管理经营策略；同时同一类目网商共同决定包括市场激烈程度、集中度等特征，这些特征与传统意义上的行业特征类似。由于成长模式与从属行业相关[7,17-18,45-46]，因为推断成长模式与产品类目相关。行业作为重要的外部环境因素，对成长的影响是多方面的[47]，类似地我们考虑网商的初始进入类目以及在经营管理中的类目策略变动情况。第一，网商经营的类目可能涉及多个类目，但由于主营类目是网商经营重点，而电子商务平台一般依据主营产品类目将网商归入某类目下进行排序等，消费者也往往根据一级类目选择网商，因此本文中的类目测度依赖于主营类目；第二，根据二级类目和文献中产品产品类型划分策略[48-53]划分该电子商务平台的产品类型，如主营二级类目中，“女装”属于“体验型产品”，“相机”属于“搜索型产品”；同时考虑进入电子商务平台后第一个月主营类目(初始主营类目)和前半年每月主营次数最多类目(从属主营类目)[7,18,45]以及前半年转换类目次数(类目转换次数)[16]，初始主营类目和从属主营类目反映了在短期和长期的类目策略，而类目转换次数反映了其类目选择的稳定程度。

图2 某电子商务平台产品类目结构示意图

4)网商绩效

网商绩效特征包括销售收入和信誉等级两方面。销售收入是企业创造利润的直接来源，是企业其他经营层面成长的基础[42]，也是在电子商务环境下大部分商家所追求的经营目标[16]。绩效特征不仅仅包含其水平高低，绩效稳定性同样是反映绩效特征的重要变量。因此本文使用前12个月的累积销售收入和在该累积销售收入计算的最后一个月销售收入分别代表整体/月销售收入水平。

在成长不确定性高的电子商务平台，信誉是新生网商的重要资产[16, 53]，因为网商信誉被作为商品和网商的质量信号[54]，影响消费者对网商的信任[55]，并使得商家获得价格溢价[56]。信誉等级在淘宝信誉体系是衡量网商的重要指标，对消费者决策有重要影响，因此将信誉等级作为网商绩效的测度之一[16]。网商信誉等级是指显示于店铺的卖家信用星级，根据该电子商务平台店铺信用评价规则，根据对商家的累积评价积分的区间得到卖家信誉等级的阶跃函数，按照从低到高的顺序划分“心”、“钻”、“蓝冠”、“黄冠”四个等级，并在每个等级内细分五个子等级，从而得到信誉等级与评分的关系。与销售绩效指标类似，使用其信誉等级高低水平及其标准差作为测度。

3.3 分析方法

本文通过使用成长轨迹(具有路径依赖特征)和成长波动所构成的二维矩阵来表示成长模式。成长轨迹通过对相对扩张轨迹进行时序K-means聚类(kml)[29]获得。该方法聚类效果良好，同时在处理大规模数据时表现稳定[28]。其具体步骤如下：

1)通过测度标准化(相对扩张轨迹)从而消除异常值，以避免聚类分析对异常值敏感的问题[18]，并使用Frechet距离作为距离测度[57]；

2)将样本按2/3的比例随机划分为训练集和测试集[17]，训练集用来得到最优聚类数[18]，测试集验证最优聚类数是否稳健[17-18]。

在此基础上对样本按照最优聚类数进行时序k-means聚类，并对不同长度的时间段聚类以进行敏感性分析，由此得到不同类别的成长轨迹。同时，通过与样本整体成长波动(销售量相对离散程度中位数)的比较，将样本划分出成长波动的“高/低”。由于不满足方差齐次性假设，本文在对成长模式和网商绩效的关系上使用了ANOVA[15,18]中未假定方差齐次性的检验的Dunnett’s T3(3) 检验和Kruskal-Walls 检验[19]进行分析；对成长模式类目策略的探究使用成长模式为因变量，类目为自变量的列联分析[31]。

4 结果及讨论

4.1 成长模式

首先，对训练集进行kml聚类发现成长轨迹的最优聚类数为3，并将最优聚类数运用到测试集，所得各类成长模式网商比例与训练集结果基本一致。其次发现对样本进行kml聚类，结果与训练集保持一致。为了保证结果的稳健性，在对前六个月相对扩张指标轨迹的kml聚类分析中，使用最常用的Caliński & Harabazt标准[58]发现最优聚类数为3；另外使用Ray & Turi 标准和Davies & Bouldin 标准进行一致性检验[28]也得到类似结果，同时根据Caliński & Harabazt 标准，本文选取时间长度为九个月和十二个月进行分析，得到最优聚类数仍为3。因此可以认为新生网商存在三种典型成长轨迹。最终得到聚类结果如图3所示，横轴代表月份，纵轴代表当月的相对轨迹指标其中A、B、C条曲线分别具有近似线性、凸形和凹形的形状，分别命名为匀速(A曲线，43.5%)、加速(B曲线，31.6%)和减速(C曲线，24.9%)。观察不同成长轨迹下网商的在开始营业后半年的销售量动态变化，我们发现，“减速”成长的新生网商在前期有一定销售量，之后月份销售量很少，或者前期有销售量，但第一个月或者第二个月有相对较高销售量(相比之后月份)，甚至销售量增长率为负，可以推测此类网商有可能逐渐退出市场；同“减速”新生网商相比，“匀速”新生网商在前半年有销售的月份有所增加，但是存在期间部分月份销售为零的情况，这说明虽然销售量时高时低，该类网商的经营活动仍然有着较为持续的发展；同“匀速”成长的新生网商相比，“加速”成长的新生网商有销售量的月份明显增多，且呈现出较强的增长趋势，可以推测该类新生网商可能持续成长，实现较高的业绩规模。

图3 新生网商的kml聚类结果(N=5582)

按照个体的成长波动与整体成长波动(销售量相对离散程度中位数)的关系，分为高波动(50.7%)和低波动(49.3%)两类；为了厘清成长波动与聚类中的成长轨迹本身的波动(相对扩张指标的离散程度)两个概念，进行Pearson’s相关性检验，得到二者相关系数为0.158且结果统计上不显著(p>0.1)，即可认为不存在线性相关。分别以成长轨迹和成长波动为横轴和纵轴，得到3*2的矩阵，形成新生网商的六类成长模式，并根据成长轨迹(加速/匀速/减速)和成长波动(高波动/低波动)命名。类别占比如图4所示，匀速/低波动的新生网商占比最大(30.81%)，减速/低波动的新生网商占比最小(7.27%)。

图4 新生网商成长模式划分及其所占比例

为进一步观察六种成长模式新生网商特点并加以区别，并为之后的成长模式与网商绩效讨论做准备，我们做出了新生网商销售量规模和信誉等级在观察期内的(12个月)平均值时序路径图(虚线部分为市场所有新生网商平均路径，作为基准值)。如图5(a)所示，不同成长模式的新生网商销售路径和信誉等级路径具有明显差异，“减速”、“匀速”、“加速”成长趋势依次递增，这也与图4(a)的观察结果一致。“低速/低波动”和“低速/高波动”相对比，“低速/高波动”在观察期内的销售量路径始终保持在“低速/低波动”的销售量路径之上，而“匀速/低波动”和“匀速/高波动”的对比却呈现出相反趋势。如图5(b)所示，不同成长模式新生网商信誉等级在观察前期差别较小，但是随着时间推移，呈现出清晰的路径差异。其中，“加速/低波动”的新生网商信誉等级路径在观察期内一直处于“加速/高波动”网商信誉等级路径之上，“匀速/低波动”和“匀速/高波动”新生网商信誉等级路径差别较小；而“减速/低波动”新生网商信誉等级路径与其他路径相比，始终处于最下端。综上所述，我们发现新生网商存在六种典型成长模式，且不同成长模式新生网商的销售量和网商信誉等级路径呈现出差异。

图5(a) 不同成长模式新生网商销售量路径图

图5(b) 不同成长模式新生网商信誉等级路径图

4.2 类目策略与成长模式

从描述性分析图6(a)所示，新生网商初始主营类目中，“服装”(16.9%)和“珠宝手表”(16.5%)的占比远高于其他类目，其次是“文化玩乐”(8.1%)和“其他”(8.0%)；如图6(b)所示，从属主营类目中，“服装”(18.3%)和“珠宝手表”(14.4%)仍在所有类目中占比最高，其次是“其他”(8.7%)和“文化玩乐”(7.8%)。但从属主营类目占比与初始主营类目占比相比，“服装”升高1.5%，“珠宝手表”降低2.1%，“其他”占比升高0.6%，而“文化玩乐”基本保持不变。

图6(a) 新生网商初始主营类目直方图

图6(b) 新生网商从属主营类目直方图

首先，新生网商的成长模式与类目选择策略变量的相关关系统计显著。如表 2所示，卡方检验统计量结果显示皮尔逊卡方统计双侧渐近显著性水平均小于 0.01，可在1%的显著性水平下拒绝初始主营类目等多个类目测度和成长模式之间不存在关联性的原假设，即新生网商的成长模式与其经营的产品类型、初始主营类目、从属主营类目的相关关系统计显著 (p<0.01)。进一步利用名义变量列联表的定向测度分析[60]，得到以成长模式为因变量所得到的Lambda系数，分别以初始主营类目等测度作为自变量对成长模式进行预测，发现可以减少的预测误差降低幅度，最高可在2.1%左右(初始主营类目，Lambda系数=0.021, p<0.001)，即新生网商所选择的初始主营类目对成长模式的影响最大(2.1%)，同时发现类目转换次数对于成长模式进行预测所降低的误差幅度不显著，即类目转换次数对于成长模式的形成没有显著影响(p=0.238)。

表2 成长模式与类目列联分析检验

注：显著性.c表示(因为渐进误差为零而无法计算)， ‘***’ p<0.01，‘**’ p<0.05 ，‘*’p< 0.1

为了更好地探究网商所隶属类目与其成长模式的关系，以初始主营类目和从属主营类目作为分母，得到某种类目中特定成长模式的占比，从而根据其所在类目判断成长模式，总结如表3所示。分析发现“珠宝手表”、“服装”、“数码产品”和“虚拟产品”四个类目下的网商成长模式分布具有明显特征。其类目下的产品虽然同隶属于体验型产品[49]，“服装”和“珠宝手表”的产品，其类目内部的网商成长模式的占比呈现相反趋势：“珠宝手表”中减速/低波动占比远高于其他类目，甚至超过了匀速/低波动网商的占比，说明如果进入“珠宝手表”，新生网商成为减速/低波动型网商的可能性远高于其他十六个类目；而“服装”中网商成为匀速/高波动网商的可能性比其他类目更大。分析这一现象发现，其可能原因是类目集中度不同。具体来说，两个类目的新生网商数量大致相当(分别为服装943，珠宝手表921，下同)，其类目累积销售额也相近(55,734,336，60,578,177)，但是“珠宝手表”的赫芬达尔—赫希曼指数(Herfindahl-Hirschman Index，HHI)是“服装”HHI指数的两倍(0.0078，0.0164)，HHI越大表明市场集中度越高，该结果说明服装类目的集中度小于珠宝手表类目。而对于“数码产品”和“虚拟产品”的分析，也得出类似的结论。因此可以认为在新生网商的成长模式形成影响因素中，不能仅凭传统的体验型/搜索型产品分类标准，还需要细分产品类目，考虑所在一级类目集中度等类目特征。

表3 不同类目成长模式占比总结

综上所述，成长模式与产品类型、初始主营类目、从属主营类目的列联分析发现，成长模式与类目选择策略具有统计显著的相关性，从而说明具有特定成长模式的新生网商表现出不同的类目分布；初始主营类目对于成长模式可能的影响最大；“服装”、“珠宝手表”、“数码产品”以及“虚拟产品”中某种成长模式网商的占比在其他类目的占比更高。

4.3 成长模式与网商绩效

不同成长模式下的新生网商在销售绩效和信誉等级两个维度具有显著的统计差异。具体说来，通过对第十二个月销售收入，前十二个月的累积销售收入和第十二个月的信誉等级分别进行ANOVA检验[15]和Kruskal-Walls检验[19]，发现六种成长模式的新生网商的绩效在统计上存在显著差异(p<0.001)，同时发现加速/高波动的新生网商与其他成长模式的新生网商销售绩效差异最大。由此进一步观察新生网商成长模式与销售绩效及信誉等级的关系。对销售绩效，如图7(a)和图7(b)所示，在减速或匀速成长轨迹下，高波动的网商第十二月份销售收入和前十二个月销售收入(平均值)更低，但是当成长轨迹为加速时，高波动的网商在该两个指标上反而更高。根据以往成长波动研究[33]，低成长波动下的新生网商具有更加稳定的销售绩效，稳定的绩效将带来更多的资源积累，从而获得更多的竞争优势，取得更好的绩效。但是本文发现在加速成长轨迹下，却表现出与此以往研究相反的规律，加速成长轨迹下，高成长波动的新生网商的绩效平均水平反而比低成长波动的网商的更高，可以推断成长波动对于绩效的影响，考虑成长轨迹的情况下表现出以往研究推断不同的地方；而从成长轨迹的角度看，在同一成长轨迹下，高波动和低波动的网商的绩效水平也有显著差异，说明成长轨迹与销售绩效的相关关系受到了成长波动的影响，因此可以说明成长模式并不是成长轨迹和成长波动的线性加和，而是二者的共同作用，进一步说明本文提出的二维分类框架的合理性。

对信誉等级，如图7(c)所示，加速成长轨迹下，加速/低波动的网商信誉等级，比加速/高波动的企业的，且该成长模式下的新生网商信誉等级所得平均分更高。发现在减速成长轨迹下，高波动的网商比低波动的网商在第十二个月份够取得更高的信誉等级。与销售绩效的分析类似，我们认为这也说明利用成长轨迹和成长波动划的二维矩阵来定义成长模式的合理性。

图7(a) 第十二月销售收入平均值

图7(b) 前十二月销售收入平均值

图7(c) 第十二月信誉等级平均值

5 结语

本文旨在探究电子商务平台新生网商的成长模式及不同成长模式的网商所具有的绩效和类目选择策略。同传统线下企业的成长相比，新生网商成长具有更高的不确定性。本文利用Penrose企业成长理论[8]及对新生企业成长特点[9]的分析，认为新生网商在成长过程中形成的成长模式可由成长轨迹(具有路径依赖特征)和成长波动共同反映，不同成长模式的网商的销售绩效和卖家信誉等级存在差异，且该差异统计显著。特别地，加速/高波动的网商绩效特征最为明显；新生网商的成长模式与产品类型、初始主营类目、从属主营类目等类目测度有显著统计相关性，不同成长模式网商在产品类型、初始主营类目、从属主营类目和类目转换次数上存在显著差异，初始主营类目对于新生网商成长模式的形成影响最大，服装、珠宝手表、数码产品以及虚拟产品四类类目中具有成长模式中占比特征显著。

本文将成长模式的研究对象拓展到电子商务环境下的新生网商这一特殊群体，提出来一种成长模式的可操纵定义，同时分别探究了不同成长模式与类目策略和绩效水平的关系，扩展了企业成长模式相关研究边界。具体地，用成长轨迹(具有路径依赖特征)和成长波动的二维矩阵表示，对网商类目策略和绩效水平的分析发现该成长模式的定义具有较高的内部效度。其次，提出新的时序成长轨迹测度，该相对测度揭示新生企业成长轨迹的依赖特征，避免企业规模和分母为零所带来的影响，利用聚类方法得到典型成长轨迹，克服以往轨迹研究匀速使用阈值来划分“高/中/低”标准的边界问题[17]。

本文所得的成长模式具有实践价值和管理启示。对电子商务平台，本文所得出的成长模式可作为对新生网商进行信用评级并提供个性化服务的依据之一。电子商务平台的主要功能包括“孵化”新生创业者和企业，该功能主要体现为“评价”和“服务”两方面。本文所提出的成长模式将有利于该两大职能的实现。其一，本文所提出成长模式关注新生网商成长过程，并且可以预测下一阶段绩效情况，因此可将作为传统信用评价指标和认证方法的补充，并以此作为融资担保、银行放贷等提供的信用评级证明依据之一，从而更加全面评价新生网商。其二，不同成长模式的新生网商具有不同的成长特征，所需要的配套资源和服务也可能不同，电子商务平台可通过辨识出不同类型的新生网商，依据其所处的成长模式来提供个性化的服务支持，如针对“加速成长/高波动”和“减速/低波动”的新生网商在累积信誉等级路径上存在一定劣势，可提供不同的经营培训服务并推荐个性化课程学习进行相应改善，从而更好地实现电子商务平台的“服务”功能。同时，对新生网商而言，可了解自身所处成长状况，并利用成长模式与类目选择策略的关系发现新的成长机会，管理经营产品类目,如新生网商可通过了解成长模式来判断在某一阶段的成长情况，并以此对下一阶段的经营策略进行调整；同时有针对性地选择不同的产品类目来改变成长模式，以实现理想绩效目标。

本文存在不足与需拓展之处，如时序聚类分析所获得的成长轨迹可与外在创业动机、企业成长策略等相结合；对于新生企业的成长来说，外界环境起到了重要作用[8]，后续研究工作将在已有类目选择策略讨论的基础上，进一步探索市场集中度等类目特征指标等市场环境对成长模式的影响。

参考文献：

[1] Wang Youwei, Wang Shan, Fang Yulin, et al. Store survival in online marketplace: An empirical investigation[J]. Decision Support Systems, 2013 (56):482-493.

[2] 王萌，郭迅华，陈国青，等. 在线关系对中小网商绩效影响的实证分析[J].中国管理科学, 2016, 24(10): 156-163.

[3] 左手“淘宝”，右手“造物”-2017年网商报告之创新生态[R]，阿里研究院，2017.

[4] Annual Report from Amazon in 2016[R], Amazon, 2016.

[5] 淘宝集市个体店家的社会和执业特征[R], 北京大学经济发展研究中心及阿里巴巴研究中心, 2012.

[6] Dooley KJ, Van de Ven AH. Explaining complex organizational dynamics[J]. Organization Science, 1999, 10(3):358-372.

[7] Coad A, Frankish J, Roberts R G, et al. Growth paths and survival chances: An application of Gambler's Ruin theory [J]. Journal of Business Venturing, 2013, 28(5): 615 -632.

[8] Penrose E T. The theory of the growth of the firm [M], Oxford: Oxford University Press, 1959.

[9] Garnsey E, Stam E, Heffernan P. New firm growth: Exploring processes and paths [J]. Industry and Innovation, 2006, 13(1): 1-20.

[10] Brenner T, Schimke A. Growth development paths of firms-A study of smaller businesses [J]. Journal of Small BusinessManagement, 2015, 53(2): 539-557.

[11] Bottazzi G, Secchi A. Why are distributions of firm growth rates tent-shaped? [J]. Economics Letters, 2003, 80(3): 415-420.

[12] Stam E. Growth beyond Gibrat: Firm growth processes and strategies [J]. Small Business Economics, 2010, 35(2): 129-135.

[13] McKelvie A, Wiklund J. Advancing firm growth research: A focus on growth mode instead of growth rate [J]. Entrepreneurship Theory and Practice, 2010, 34(2): 261-288.

[14] Poole M S, Van de Ven A H, Dooley K, et al. Organizational change and innovation processes: Theory and methods for research[M]. Oxford: Oxford University Press,2000.

[15] Joseph D, Boh W F, Ang S, et al. The career paths less (or more) traveled: A sequence analysis of IT career histories, mobility patterns, and career success[J]. MIS Quarterly, 2012, 36(2): 427-452.

[16] Fan Ying, Ju Jiandong, Xiao Mo. Reputation premium and reputation management: Evidence from the largest e-commerce platform in china[J]. International Journal of Industrial Organization, 2016, 46: 63-76.

[17] Diambeidou M B, Gailly B. A taxonomy of the early growth of Belgian start-ups [J]. Journal of Small Business and Enterprise Development, 2011, 18(2): 194-218.

[18] Delmar F, Davidsson P, Gartner W B. Arriving at the high-growth firm [J]. Journal of Business Venturing, 2003, 18(2): 189-216.

[19] McMahon R G. Deriving an empirical development taxonomy for manufacturing SMEs using data from Australia's business longitudinal survey[J]. Small Business Economics, 2001, 17(3): 197-212.

[20] Acs Z J. High-impact firms: Gazelles revisited[M]//Fritsch M. Handbook of research on entrepreneurship and regional Development: National and regional perspectives. Massachusetts: Edward Elgar Publishing, 2011: 133-174.

[21] Kemp R G, Verhoeven W. Growth patterns of medium-sized fast-growing firms [M], Zoetermeer: EIM Business & Policy Research, 2002.

[22] Lee C. A theory of firm growth: Learning capability, knowledge threshold, and patterns of growth [J]. Research Policy, 2010, 39(2): 278-289.

[23] Goldmanis M, Hortaçsu A, Syverson C, et al. Ecommerce and the market structure of retail industries [J]. The Economic Journal, 2010, 120(545): 651-682.

[24] Grewal D, Iyer GR, Levy M. Internet retailing: Enablers, limiters and market consequences [J]. Journal of Business Research, 2004, 57(7): 703-713.

[25] Singh N, Kundu S. Explaining the growth of e-commerce corporations (ECCs): An extension and application of the eclectic paradigm [J]. Journal of International Business Studies, 2002, 33(4): 679-697.

[26] Ba S, Pavlou P A. Evidence of the effect of trust building technology in electronic markets: Price premiums and buyer behavior [J]. MIS quarterly, 2002: 243-268.

[27] 邓爱民, 陶宝, 马莹莹. 网络购物顾客忠诚度影响因素的实证研究 [J]. 中国管理科学, 2014, 22(6): 94-102.

[28] Genolini C, Falissard B. KmL: A package to cluster longitudinal data [J]. Computer Methods and Programs in Biomedicine, 2011, 104(3): 112-121.

[29] Genolini C, Falissard B. KmL: K-means for longitudinal data [J]. Computational Statistics, 2010, 25(2): 317-328.

[30] Gilbert B A, McDougall P M, Audretsch D B. New venture growth: A review and extension [J]. Journal of Management, 2006, 32(6): 926-950.

[31] Delmar F, McKelvie A, Wennberg K. Untangling the relationships among growth, profitability and survival in new firms [J]. Technovation, 2013, 33(8-9): 276-291.

[32] Pettus M L. The resource-based view as a developmental growth process: Evidence from the deregulated trucking industry [J]. Academy of Management Journal, 2001，44(4)：878-896.

[33] Reichstein T, Dahl M S. Are firm growth rates random? Analysing patterns and dependencies [J]. International Review of Applied Economics, 2004, 18(2): 225-246.

[34] Cabral L, Hortaçsu A. The dynamics of seller reputation: Evidence from eBay [J]. The Journal of Industrial Economics, 2010, 58(1): 54-78.

[35] Coad A, Segarra A, Teruel M. Like milk or wine: Does firm performance improve with age? [J]. Structural Change and Economic Dynamics, 2013, 24(0): 173-189.

[36] Chandler G N, McKelvie A, Davidsson P. Asset specificity and behavioral uncertainty asmoderators of the sales growth-employment growth relationship in emerging ventures [J]. Journal of Business Venturing, 2009, 24(4): 373-387.

[37] Daunfeldt S, Elert N, Johansson D. The economic contribution of high-growth firms: Do policy implications depend on the choice of growth indicator? [J]. Journal of Industry, Competition and Trade, 2014 (14): 337-365.

[38] Murphy G B, Trailer J W, Hill R C. Measuring performance in entrepreneurship research [J]. Journal of Business Research, 1996, 36(1): 15-23.

[39] Weinzimmer L G, Nystrom P C, Freeman S J. Measuring organizational growth: Issues, consequences and guidelines [J]. Journal of Management, 1998, 24(2): 235-262.

[40] Davidsson P, Achtenhagen L, Naldi L. Small firm growth [M]. Boston: Now Publishers Inc, 2010.

[41] Achtenhagen L, Naldi L, Melin L. “Business growth”-Do practitioners and scholars really talk about the same thing? [J]. Entrepreneurship Theory and Practice, 2010, 34(2): 289-316.

[42] Shepherd D, Wiklund J. Are we comparing apples with apples or apples with oranges? Appropriateness of knowledge accumulation across growth Studies [J]. Entrepreneurship Theory and Practice, 2009, 33(1): 105-123.

[43] Comin D, Mulani S. A theory of growth and volatility at the aggregate and firm level [J]. Journal of Monetary Economics, 2009, 56(8): 1023-1042.

[44] Davis S J, Haltiwanger J, Jarmin R， et al. Volatility and dispersion in business growth rates: Publicly traded versus privately held firms [M]. Cambridge MA: MIT Press: 2007.

[45] Frankish J S, Roberts R G, Coad A，et al. Do entrepreneurs really learn? Or do they just tell us that they do? [J]. Industrial and Corporate Change, 2013, 22(1): 73-106.

[46] Dobbs M, Hamilton R T. Small business growth: Recent evidence and new directions[J]. International Journal of Entrepreneurial Behaviour & Research, 2007, 13(5): 296-322.

[47] Wiklund J, Patzelt H, Shepherd D. Building an integrative model of small business growth [J]. Small Business Economics, 2009, 32(4): 351-374.

[48] Nelson P. Information and consumer behavior[J]. Journal of Political Economy, 1970，78(2), 311-329.

[49] Girard T, Dion P. Validating the search, experience, and credence product classification framework[J]. Journal of Business Research, 2010, 63(9): 1079-1087.

[50] Korgaonkar P, Silverblatt R, Girard T. Online retailing, product classifications, and consumer preferences[J]. Internet Research, 2006,16(3)： 267-288.

[51] Hsieh Y C, Chiu H C, Chiang M Y. Maintaining a committed online customer: A study across search-experience-credence products[J]. Journal of Retailing, 2005，81(1)： 75-82.

[52] Huang Peng, Lurie N H, Mitra S. Searching for experience on the web: An empirical examination of consumer behavior for search and experience goods[J]. Journal of Marketing, 2009,73(2): 55-69.

[53] Rice S C. Reputation and uncertainty in online markets: An experimental study [J]. Information Systems Research, 2012, 23(2): 436-452.

[54] Mavlanova T, Benbunan F R, Koufaris M. Signaling theory and information asymmetry in online commerce [J]. Information & Management, 2012, 49(5): 240-247.

[55] Zhou Ming, Dresner M, Windle R. Revisiting feedback systems: Trust building in digital markets [J]. Information & Management, 2009, 46(5): 279-284.

[56] Dellarocas C. How often should reputation mechanisms update a trader's reputation profile? [J]. Information Systems Research, 2006, 17(3): 271-285.

[57] Chouakria A D, Nagabhushan P N. Adaptive dissimilarity index for measuring time series proximity[J]. Advances in Data Analysis and Classification, 2007, 1(1): 5-21.

[58] Caliński T, Harabasz J. A dendrite method for cluster analysis [J]. Communications in Statistics-theory and Methods, 1974, 3(1): 1-27.

[59] Costner, Herbert L. Criteria for measures of association [J]. American Sociological Review，1965，30(3): 341-353.