Vorauswahl von Startup-Unternehmen für Investments mit Social Capital und Industriestrukturmerkmalen - ein datengetriebener Ansatz

Autor: Jan-Niklas Dietz

ISBN: 978-3-69030-019-3

Dissertation, Leibniz Universität Hannover, 2025

Herausgeber der Reihe: Tewiss Verlag

Band-Nr.: TEWISS 01/2025

Umfang: 248 Seiten, 37 Abbildungen

Schlagworte: Data-Driven Venture Capital, Startups, Resource-Based View, Assets in Place, Value Creation, Growth Opportunitites, Opporstunity Tension, Growth Trigg

Kurzfassung: Die Monographie handelt von der Venture Capital Finanzierung von Startups und dem Wert, den Big Data für die Auswahl von Investitionen bietet. Das Aufkommen von Big Data hat neue Ansätze für klassische Auswahlverfahren ermöglicht, die in die Auswahl von Startup Investitionen mit einbezogen werden können. Theoretisch kann ein solcher Ansatz aus der Perspektive des erweiterten Resource Based Views argumentiert werden, da eine Fülle von möglichen Eingangsvariablen für mögliche Bewertungsansätze identifiziert werden können. Diese Ansätze zielen darauf ab, die vorhandenen Vermögenswerte zu bewerten und die verfügbaren Wachstumsmöglichkeiten zu quantifizieren und zu beurteilen, um Entscheidungen zwischen den verfügbaren Investitionsmöglichkeiten zu treffen. Diese Monographie konzentriert sich auf ein Investorennetzwerk als Datenquelle, bei dem das soziale Kapital als Variable für die Vorhersage erfolgreicher Startups durch angewandte Netzwerkanalyse weiter untersucht wird. Der Autor, mit seiner eigenen beruflichen Erfahrung als Venture Capitalist, argumentiert, dass die Industriezugehörigkeit einen Einfluss auf die Kapitalbeschaffung eines Startups haben sollte, da die Gelegenheitsspannung junger Industrien überlegene Wachstumsmöglichkeiten bietet. Die Literaturübersicht zeigt eine Forschungslücke in diesem Bereich auf, die durch die Untersuchung einer Moderation des sozialen Kapitals durch die Industriezugehörigkeit angegangen wird. Frühere Forschungsergebnisse zeigen, dass die Industriezugehörigkeit einen Effekt auf das soziale Kapital im Kontext des Startuperfolgs haben könnte. Der Autor ist der Meinung, dass die Erfassung dieses Effekts durch Industrie-Dummy-Variablen zu einfach ist und untersucht daher die Anwendbarkeit von Industriereife-Klassifizierungen. Es wird jedoch festgestellt, dass diese Methoden nicht anwendbar sind, weshalb ein Präferenzranking für Industrien basierend auf Branchenstrukturmerkmalen vorgestellt und für die Moderationsanalyse angewendet wird. Der Ranking-Erstellungsprozess stellt ein multikriterielles Entscheidungsproblem dar, das zu 1.530 möglichen Lösungen führt. Diese Optionsvielfalt wird durch die Berücksichtigung verschiedener Datenaggregations-, Skalierungs- und Ranking-Methoden, die zu unterschiedlichen Ergebnissen fuhren, weiter erhöht. So werden insgesamt 12.240 Regressionsmodelle ausgewertet, um die vielversprechendsten Optionen für den Hypothesentest zu identifizieren. Die Auswahlstrategie wird dokumentiert und begründet, um die Transparenz der Selektion sicherzustellen. Diese Monographie untersucht die Forschungsfragen anhand eines großen und einzigartigen Datensatzes von bis zu 54.535 Beobachtungen, was die Ausarbeitung von anderen Studien im Bereich der Sozialkapitalforschung deutlich absetzt. Robustheitsprüfungen für verschiedene Zeithorizonte und Finanzierungsbereiche, die eine erhebliche Reduzierung der Stichprobengröße mit sich bringen, bieten neue und wertvolle Erkenntnisse. Die Ergebnisse deuten darauf hin, dass der Effekt des sozialen Kapitals auf den Startuperfolg durch das neu entwickelte Industrie-Präferenz-Ranking moderiert werden kann. Diese Moderation ist konsistent für verschiedene Zeithorizonte und Finanzierungssummen. Darüber hinaus werden Unterschiede zwischen sozialen Kapitalvariablen identifiziert, die für Frühphaseninvestoren und Grunder von praktischem Interesse sein können.