区块链创业生态系统的前瞻性分析：一种数据驱动方法

《Futures》：Analyzing blockchain entrepreneurial ecosystems with foresight: A data-driven approach

　　

研究人员使用前瞻性方法（foresight methods）绘制区块链创业生态系统（blockchain entrepreneurial ecosystems）图谱；识别区块链（blockchain）中的新兴趋势和创业机会（entrepreneurial opportunities）；比较不同区块链创业生态系统产生的机会；并应用基于信号（signal-based）的新兴业务领域分析来理解创业生态系统动态。

**论文解读：区块链创业生态系统的前瞻性分析——基于数据驱动的方法**

**研究背景与问题提出**
创业生态系统（entrepreneurial ecosystems）被广泛视为推动创新和经济增长的关键机制，其核心在于识别和培育商业机会。然而，传统评价指标（如专利数量、初创企业数量、风险投资额等）难以全面捕捉新兴数字技术领域的机会动态，尤其是标准产业分类（SIC）系统无法准确分类高科技与数字企业，常将其归为“其他”类别。这导致政策制定者在制定激励和监管措施时缺乏精准依据。此外，现有研究多采用回溯性或描述性分析，缺乏将前瞻性（foresight）方法系统整合到创业生态系统分析中的探索。区块链技术（blockchain）作为高度不确定、快速演化的新兴领域，为检验此类方法提供了理想场景。基于此，研究人员提出一种数据驱动的前瞻性方法，旨在识别区块链创业生态系统中强信号（strong signal）和弱信号（weak signal）业务领域，并探索其与后续创业涌现和增长的关系。该研究发表在《Futures》。

**主要技术方法**
研究基于Crunchbase数据库（2014-2019年区块链创业企业，共13,690家，剔除缺失商业描述数据），采用自然语言处理（NLP）预处理商业描述文本，保留名词和形容词。通过计算关键词的总频率和平均年增长率（AAGR_term），将关键词划分为稳定区域、强信号、弱信号和利基区域。利用余弦相似度（cosine similarity）将每个创业企业归类到信号类别，并计算创业生态系统层面的平均创业形成增长率（VentureGrowth）和风险投资增长率（FundGrowth）。最后，采用多水平逻辑回归（multilevel logistic regression）模型，分析2014-2019年创业生态系统在强/弱信号领域的活动与2020-2023年创业商业化结果（收入低于/高于100万美元）的关系，控制企业规模、年龄、创始团队规模、领先投资者数量、融资阶段等变量。

**研究结果**
（保留原文小标题）

**2. Literature review**
2.1 Entrepreneurial Opportunities and Blockchain Technology
文献综述指出，技术变革持续重塑创业机会格局，区块链从加密货币基础设施演变为覆盖金融、供应链、数字身份和治理的通用技术，其不确定性为创业生态系统带来挑战与机遇。
2.2 Weak Signals and Entrepreneurial Ecosystem Adaptation
弱信号作为早期变化指标，可引导创业生态系统关注新兴技术轨迹，促进实验与适应。但研究强调，这些过程难以直接观测，需通过创业形成和投资活动作为代理变量。
2.3 Foresight and entrepreneurial ecosystems
现有研究多依赖回顾性指标，缺乏前瞻性整合。研究人员提出基于关键词的信号检测方法，结合强/弱信号分析，可映射创业生态系统对新兴机会的参与模式。

**3. Data and Methodology**
3.1 Identify strong and weak signal business areas in the blockchain sector
通过2014-2019年区块链创业企业的商业描述文本，计算关键词频率和AAGR，识别出强信号（如network, DeFi, NFT, real estate, gaming）和弱信号（如hardware, metaverse, privacy, governance, health）。
3.2 Analysing blockchain entrepreneurial ecosystems with strong and weak signals
采用余弦相似度将创业企业归类，计算每个创业生态系统在强/弱信号领域的平均创业形成增长率和风险投资增长率。
3.3 Multilevel Analysis of Venture Commercialization Outcomes
构建多水平逻辑回归模型，以收入低于/高于100万美元为因变量，纳入企业特征（规模、年龄、创始团队人数、领先投资者数、融资阶段）和生态系统层面变量（FundGrowth Strong Signals, FundGrowth Weak Signals, VentureGrowth Strong Signals, VentureGrowth Weak Signals）。

**4. Results and Discussion**
强信号业务领域涵盖核心基础设施和快速增长的应用程序（如DeFi、NFT、游戏），弱信号领域则涉及硬件、治理、可持续性等早期探索方向。创业生态系统映射显示，强信号领域领先的生态系统包括洛杉矶、纽约、旧金山、新加坡、楚格、伦敦、香港，这些城市同时具备高创业形成和高风险投资增长率。弱信号领域呈现更广泛的地理分布，如亚特兰大、圣何塞、迪拜、米兰、布宜诺斯艾利斯等，表明探索性活动的多样性。
多水平逻辑回归结果显示，创业年龄、创始团队规模、种子资金与收入超过100万美元显著正相关（p<0.01）。强信号领域的风险投资增长率与高收入创业正相关（odds ratio=1.78, p<0.01），而弱信号领域的风险投资增长率则与高收入创业负相关（odds ratio=0.34, p<0.05）。模型ROC-AUC分别为0.663（低收入）和0.739（高收入），表明预测能力有限，主要作为探索性关联分析。

**5. Conclusion**
研究结论部分指出，该研究首次引入数据驱动的前瞻性方法分析区块链创业生态系统。通过识别强/弱信号业务领域并映射创业生态系统，发现全球中心（如洛杉矶、纽约、旧金山、楚格、新加坡、伦敦、香港）在强信号领域集中了大量创业形成和投资，而弱信号领域则呈现更分散的探索性景观。探索性估计分析表明，强信号领域的高投资增长率与后续高收入创业相关，但弱信号领域则相反，可能反映其高不确定性和低制度合法性。研究的主要贡献在于将前瞻性信号分析与创业生态系统映射相结合，提供了一个可扩展、可转移至其他技术领域的框架，尤其适用于快速变化、高不确定性的行业。对于政策制定者、投资者和生态系统建设者，该方法有助于监测新兴技术发展，识别机会区域，并制定前瞻性战略。