Founders’ Formula: Scientists and Venture Financing Dynamics
Notice bibliographique
Résumé
New science- and technology-based ventures are heavily dependent on equity financing for their development, growth, and ultimate success. We explore how the proportion of scientists (PhD holders) on founding teams influences the likelihood of achieving exceptionally high equity financing performance. Using signaling and imprinting theories for explaining the mean and variability effects of equity funding, we theoretically demonstrate that positive outliers in equity financing are likely to be found among the science-based ventures with a medium level of scientists ratio (SR) in founding teams, with the outlier likelihood substantially decreasing in the low and high regions. To test the theoretical predictions, we use a unique dataset from a prominent accelerator of science-based new ventures, which incorporates multiple streams and multiple sites globally. Our findings reveal that the scientists’ ratio (SR) exhibits an inverse U-shaped relationship with both the mean level of equity funding (maximum reached at SR = 0.50) and the variance of equity funding (maximum reached at SR = 0.66), resulting in the highest probability of securing outlier equity funding (top-1%) at an SR of 0.56. In additional analyses, we also demonstrate that an alternative financing mechanism of grant funding demonstrates a different pattern: Although SR also follows an inverse U-shaped relationship with respect to the mean and variance of grant funding, the maximum impacts occur at extremely high SR levels. This suggests that as the SR on founding teams increases, the likelihood of securing exceptionally high grant funding continues to rise without the diminishing returns observed in equity financing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».