產業集群創新績效雙驅動力研究

趙 鵬

（延安大學 建筑工程學院，陜西 延安 716000）

一、引言

創新是支撐集群持續發展的決定性力量，是集群獲取競爭優勢的重要因素與不竭動力。知識經濟時代背景下，世界產業分工的加速和全球制造網絡興起所帶來的開放式的創新環境，對集群創新提出了更高的要求。人們更注意技術的積累、資源的獲取和信息通道的暢通。集群網絡化的創新模式應運而生。集群內部節點通過競爭合作、資源共享、優勢互補而利益共享、風險共擔。在集群網絡組織中，流動著各種創新資源、信息、技術和知識，這些是集群在以集群網絡組織為骨架的網絡中流動的血液。

二、變量設計與模型構建

集群創新實質上就是網絡節點利用集群網絡關系而進行的創新行為，通過知識的整合而實現創新價值，從而提高創新績效。而其中對集群創新績效影響最為深刻的就是技術的創新擴散和知識的溢出整合，技術創新實質上也可歸結為知識的創新過程。

（一）技術創新擴散機制

集群內自主創新企業使用新技術新知識優勢而導致的企業之間的技術勢差[1]，以及集群內企業的稠密集聚、地理位置的接近以及相同的社會文化背景，激發了集群企業之間在技術上的追趕效應。產業集群內人才的高流動性增加了網絡的密度，頻繁流動帶動了技術的擴散。集群內存在的高校、科研院所也為新知識向企業的有效傳播提供了有針對性的研究，而企業將新知識轉化為新技術并體現在最終產品和收益上，也實現了知識的轉化與應用，實現了知識的價值。技術創新與擴散，一般是由創新源企業[2]，通過技術發明將創新成果應用于產品生產，通過在集群空間的大力推廣，擴散到其他企業，并借助于一定的擴散政策或中介組織在整個集群內加速傳播。

圖1 產業集群技術創新擴散機制與路徑圖

產業集群網絡內的技術創新擴散和網絡結構本身一樣，是一個復合型擴散過程，既有橫向擴散，也有縱向擴散，而地方政府的擴散政策和有效的中介組織對于技術的創新擴散具有催化和加速作用[3]。在技術創新擴散過程中，本文選取擴散速度為測度技術創新擴散效果的主要變量。

（二）知識溢出整合機制

知識經濟時代背景下，企業生產要素性質發生了較大變化，獲取、使用和創造新知識的能力成為企業生存和發展的決定性因素，企業創新活動的本質就是知識的溢出、共享、獲取、吸收、整合、轉化與再造，即知識的溢出與整合。實際上，技術創新過程最終也可以歸結為是知識的創新。無論從理論還是實踐研究都表明：集群創新的網絡機制總是與知識的溢出整合密不可分。知識在溢出并轉移過程中，被集群內不同的網絡節點捕獲，并與自身知識進行了重新組合后，輸出為新的知識。網絡不僅提高了知識的使用效率，還促進了知識的重組和優化配置，從而推動技術創新，實現更高的經濟效益和整個集群創新績效的提升?？梢哉J為，知識溢出與整合的規模和效率直接影響產業集群創新的速度和績效[4]。一般情況下，集群內具備自主創新能力的大型企業和知識的專門生產機構高校等科研院所是知識的溢出源節點，知識從這些知識高位勢的創新節點溢出后，通過集群網絡組織迅速擴散傳播到知識低位勢的群內其他企業或組織機構，他們對這些溢出知識進行整理、去粗取精，然后吸收，并融入到自有知識體系，經過整合轉化后再輸出到集群空間，形成新的知識，不斷往復循環的過程中，集群行為主體以及整個集群的知識存量得以增加，創新效率得以提高。只有知識在創新主體之間的傳遞、共享、整合并轉化為新知識，才能完成創新。

圖2 產業集群知識溢出與整合機制及路徑圖

知識在溢出傳播整合過程中，有可能會正常損耗減少，而更多的是經過不同網絡節點整合后增加的新知識。知識的不對稱性是知識溢出傳播并被吸收整合的根本動力。知識只有在不斷的流動與融合中激發新知識的轉化最后整合，促進新知識的創新，產業集群才具有源源不斷的創新來源[5]。

（三）模型構建

根據上文分析，我們假設并建立模型如下：

假設1：技術創新擴散速度與集群創新績效存在正相關關系，即技術創新擴散速度越快，創新績效越大，反之則越小。

假設2：知識溢出規模與集群創新績效存在正相關關系，即知識溢出規模越大，創新績效越大，反之則越小。

假設3：知識整合效率與集群創新績效存在正相關關系，即知識整合效率越高，創新績效越大，反之則越小。

圖3 技術、知識與創新績效的結構模型圖

三、研究方法與實證檢驗

（一）問卷設計與數據采集

1.問卷設計。問卷發放主要通過發放紙質版和電子版的形式，要求受訪人獨立客觀填答，除真實填寫企業的規模大小、經濟類別、成立年限等基本情況外，其余均采用李克特量表（Likert scale）進行5段數評分。每個潛變量均設計3～5個觀察變量進行測度，見表1。

2.數據采集。本文將研究對象鎖定為寶雞市裝備制造業產業集群，原因有兩點：第一，寶雞作為西部工業重鎮，是一個典型的工業城市，工業基礎較為雄厚；第二，寶雞市裝備制造業產業集群的企業大部分集中于寶雞市經濟技術開發區與工業園，方便了樣本數據的集中采集。表2是問卷發放與回收情況一覽表。

表1 變量設計表

表2 問卷發放與回收情況一覽表

（二）數據分析

1.信度檢驗。一個調查無論是對多人單次進行還是單人多次進行，其最終結果都應該保持大致相同，才具備可信度[6]。本文采用Cronbach's Alpha系數來衡量題項的內部一致性，Cronbach's Alpha系數一般可以表示為：

吳明隆認為，一般在探索性研究中，信度至少要達到0.7及以上才是可以接受的[7]。

表3 總量表信度

總量表的信度0.952（大于0.8），分量表的信度系數最低0.959（大于0.8），可以認為此量表的準確性相當高。

2.效度檢驗。效度檢測的是一項研究的真實性和準確性程度，又稱真確性，本文采用驗證性因子分析檢驗量表效度。

表5 KMO和Bartlett球體效度檢驗

一般認為，KMO值在0.7以上，進行因子分析效果會更好[8]。本案例中KMO值為0.899，大于0.7，說明非常適合做因子分析。

表6 因子荷載表

由因子荷載表可知，每個構面都形成相對應的不同的因子，并且因子載荷都大于0.6，累積方差解釋率達到了90.452%，提取的信息量已經足夠，說明結構效度通過了檢驗。

（三）路徑模擬與評價

根據這3個潛變量和13個觀察變量，本文采用結構方程模型（Structural Equation Model，SEM）并借助SPSS22.0和AMOS 21.0進行數據關聯與路徑模擬，并計算路徑系數如圖4所示。

圖4 初始模型路徑圖

表7 初始模型路徑擬合系數表

顯著性概率P值小于0.05，說明路徑系數是顯著的。由表7可知，除創新績效←知識溢出規模十分顯著外，其余2條路徑均為顯著、且正相關，三條路徑都通過驗證。

表8 初始模型擬合指數的標準及得分情況

由得分和指標標準對比結果可知，由于理論模型并不總是能完美匹配實際情況，x2/df與RMSEA擬合指數不夠理想，模型需要進行修正。

（四）路徑修正與再評價

這里我們根據MI值對模型進行修正，修正的目的是提高模型整體的擬合度，使擬合度指標更多的達到標準（見圖5）。

圖5 修正后的模型路徑圖

表9 修正模型路徑擬合系數表

表10 修正模型擬合指數的標準及得分情況

通過擬合指數得分與指數標準取值范圍的比較可知：除RMSEA指標的得分“可接受”外，其余指標達到了“很好”的擬合標準，說明模型的擬合效果良好。

四、結論

模型擬合結果顯示：集群創新績效←技術創新擴散速度，集群創新績效←知識溢出規模，集群創新績效←知識整合效率，這3條路徑上的假設獲得了實證支持，說明技術與知識的創新對集群創新績效是顯著正相關的。加快技術創新的擴散速度、加大知識溢出的規模并提高知識整合的效率將會對改善集群創新績效具有顯著的效果。