基于3C框架的创业与创新的关键预测因素:一项数据驱动的机器学习分析

《Journal of Innovation & Knowledge》:Key predictors of entrepreneurship and innovation via the 3C framework: A data-driven machine learning analysis

【字体: 大 中 小 】 时间:2026年02月13日 来源:Journal of Innovation & Knowledge 14.0

编辑推荐:

  创业是将知识转化为创新和经济价值的关键途径,然而,其背后的因素仍是一个“黑箱”。基于认知、能力和承诺(3C)框架,本研究采用数据驱动的机器学习方法——具体为决策树算法——系统性地识别早期创业活动(TEA)的潜在预测因素。研究人员利用来自2020年全球创业观察(

  
创业是将知识转化为创新和经济价值的关键途径,然而,其背后的因素仍是一个“黑箱”。基于认知、能力和承诺(3C)框架,本研究采用数据驱动的机器学习方法——具体为决策树算法——系统性地识别早期创业活动(TEA)的潜在预测因素。研究人员利用来自2020年全球创业观察(GEM)超过70,000名个体的原始数据,并辅以2021年数据进行稳健性检验,结果表明,多种形式的创业认知(如必要性驱动动机、家庭传统和机会稀缺感知)成为突出的潜在预测因素。相比之下,能力相关变量表现出相对较低的预测权重。这些发现可能推进对创业模式的理论理解,并为旨在促进创业的政策制定者提供潜在可行的启示。此外,它们凸显了机器学习在揭示动机与情境因素之间复杂非线性交互中的效用,从而为超越传统GEM分析提供了补充性探索见解。
**论文解读:基于3C框架的创业与创新预测因素——一项数据驱动的机器学习分析**

**研究背景与问题**

在全球经济快速重组和技术持续进步的背景下,创业活动(EA)被广泛认为是创新、就业创造和持续经济增长的催化剂(Avelar等,2024;Li等,2024;Uriarte等,2025)。2020年全球事件(COVID-19疫情)进一步凸显了创业在经济复苏与适应中的重要性(Ratten,2023)。然而,理解新创企业背后因素的需求日益迫切,但现有研究大多依赖线性回归或方差分析,难以捕捉个体、制度与动机因素之间潜在的非线性交互与相互依赖效应(Braunerhjelm,2022)。因此,认知、能力与承诺相关因素如何与早期创业活动(TEA)相关联的潜在模式尚未得到充分理论化。本研究旨在填补这一空白,采用认知、能力与承诺(3C)框架作为整合分析视角,并利用数据驱动的机器学习方法,系统识别TEA的潜在预测因素。

**研究内容与结论**

研究人员基于2020年和2021年全球创业观察(GEM)个体层面数据,涵盖77个国家超过70,000名受访者(2020年)和超过60,000名受访者(2021年),运用决策树算法(递归分区算法)进行预测建模。研究结果发现,认知因素(如必要性驱动动机、家庭传统、机会稀缺感知)在预测TEA中具有更高的相对重要性,而能力相关变量的预测权重较低。决策树结构揭示了2020年(疫情冲击期)与2021年(早期恢复期)之间的显著差异:2020年首要分裂变量为家庭传统动机(sumotiv3),而2021年则转变为“工作涉及创业”(bjobst)。这表明创业路径具有高度的情境敏感性。研究发表在《Journal of Innovation》,其意义在于:通过3C框架整合了创业认知、能力与承诺的理论视角,验证了机器学习在揭示复杂非线性交互中的效用,并为政策制定者提供了针对不同动机群体的差异化干预启示。

**关键方法**

研究人员采用数据驱动的监督机器学习方法,具体使用决策树算法(通过R语言的“rpart”和“caret”包实现)。数据来源为2020年和2021年全球创业观察(GEM)成人人口调查(APS),2020年样本包括超过70,000名个体,2021年超过60,000名个体,涵盖77个国家。模型训练使用80%数据,测试使用20%数据,通过10折交叉验证进行参数调优(调节复杂度参数),并以平衡准确率作为训练指标。变量重要性通过基尼指数(Gini index)评估,树结构通过剪枝避免过拟合。

**研究结果**

**模型评估**
决策树模型在2020年达到准确率0.906、AUC 0.696;2021年准确率0.836、AUC 0.614。召回率(2020年0.946;2021年0.862)和精确率(2020年0.955;2021年0.962)均较高,F1分数分别为0.950和0.909,表明模型能有效识别创业活动,尽管Kappa值较低(因类别不平衡)。

**变量重要性**
2020年和2021年的变量重要性分析显示,认知相关变量(尤其动机:“因工作稀缺而谋生”sumotiv4、“延续家庭传统”sumotiv3、“改变世界”sumotiv1)始终是显著的预测因素。机会稀缺感知(oppism)和财富创造动机(sumotiv2)也排名靠前。能力相关变量中,除“工作涉及创业”(bjobst)和技能感知(suskill)外,其他贡献较小。

**使用树结构刻画创业轮廓**
- **2021年决策树**:根节点为“工作涉及创业”(bjobst)。未为雇主创业的独立创业者具有更高的TEA倾向;在此群体中,媒体覆盖(nbmedial)成为关键次级因素。为雇主创业的群体中,家庭传统动机(sumotiv3)是重要区分因素。后续分裂还涉及谋生动机(sumotiv4)和低恐惧失败(fearfaill)。
- **2020年决策树**:根节点为家庭传统动机(sumotiv3)。具有较强家庭传统动机的个体中,机会感知(opportl)是强化因素;较弱动机的个体中,好职业选择(nbgoodcl)是主要次级预测因素。主动性(proact)在整个树中起关键作用。

**跨年一致性与变异**
认知和承诺变量在两个年份均重要,但层级结构不同:2020年内嵌动机(家庭传统)占主导,2021年就业背景(独立创业vs.内部创业)成为首要预测因素,媒体影响和机会感知的角色在树中位置变化。这揭示了创业路径的情境敏感性。

**讨论与结论**

**理论贡献**
第一,研究强调了认知因素相对于感知能力的更强预测作用,将理论焦点从“我能做吗?”(能力)转向“我为什么要做?”(认知)。第二,通过实证验证3C框架,整合了认知、能力与承诺的配置性交互关系,为创业行为提供了更整体性的理解。第三,揭示了非对称、配置性和情境依赖的创业路径:2020年疫情冲击下,稳定的内部启发(家庭传统)和主动性更突出;2021年经济恢复期,就业背景和外部媒体验证成为关键区分因素,与效果理论(Effectuation theory)保持一致。

**方法贡献**
研究展示了决策树算法在理论构建中的效用,通过可视化树结构直接观察认知、能力与承诺因素的组合如何与创业关联,克服了传统回归方法对线性假设的依赖。同时,通过跨年复制验证了核心构念(认知始终优于能力)的稳定性,并捕捉了情境依赖的变异。

**实践启示**
政策制定者可针对不同动机群体设计差异化支持:如为家庭传统动机者提供家族企业继承规划,为必要性动机者提供快速响应补助和技能提升项目。此外,媒体覆盖和创业好职业选择等社会规范因素的重要性表明,应投资于塑造积极的创业叙事和生态系统。

**研究结论**
基于3C框架,利用2019-2021年GEM数据,通过决策树分析发现:认知因素(尤其是动机)是预测TEA的最重要因素,能力因素权重较低;创业路径具有配置性和情境依赖性,2020年与2021年的树结构差异反映了疫情冲击与恢复时期的动态变化。这些发现为理解创业行为提供了理论和方法贡献,并启示政策制定者采取差异化、情境敏感的干预措施。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号