产业创新生态系统知识优势评价体系——以成都市高新区89家科技企业为样本的实证分析

李其玮,顾 新,赵长轶

(1.四川大学商学院，四川 成都 610064；2.四川大学创新与创业管理研究所，四川 成都 610064；3.四川大学软科学研究所，四川 成都 610064)

产业创新生态系统知识优势评价体系
——以成都市高新区89家科技企业为样本的实证分析

李其玮1,顾 新1，2,赵长轶1，3

(1.四川大学商学院，四川 成都 610064；2.四川大学创新与创业管理研究所，四川 成都 610064；3.四川大学软科学研究所，四川 成都 610064)

从构成和影响因素两个维度，构建产业创新生态系统知识优势的评价指标体系，提出主客观组合赋权模糊综合评价模型——K-CF模型。以成都高新区89家科技企业为样本，运用因子分析法和K-CF模型对科技产业创新生态系统知识优势评价体系的合理性和适用性进行检验。分析结果表明，采用该评价指标体系和K-CF模型能较为科学地得到产业创新生态系统知识优势水平及各企业知识优势在系统中所处位置，能发现导致系统知识优势不佳的相关因素，帮助领导者和决策者改善知识优势状况，具有较强的理论意义和实践推广价值。

产业创新生态系统；知识优势；K-CF模型；组合赋权；模糊综合评价法

知识优势为产业创新生态系统发展提供持续动力[1]，但受知识价值、知识转移、社会资本、利益分配机制及外部环境等多重影响，知识优势的形成存在诸多难点，制约了产业创新生态系统的持续健康发展。建立知识优势评估体系，科学评价产业创新生态系统知识优势现状，查找关键阻碍因素，帮助决策者改善知识管理水平、提高产业创新效率，可有效解决产业创新生态系统知识优势形成难问题。

目前有关跨组织知识优势评价研究较少，部分学者从知识存量和流量维度、采用模糊技术构建了知识链知识优势评价指标体系[2]。模糊技术能较准确地表达知识优势对某评语等级的隶属程度，但现有研究中确定权重的方式集中于专家分析、频数统计、层次分析法等单一主观方法，未能考虑综合评价问题的客观性。鉴于此，本研究对模糊评价法进行补充完善，提出产业创新生态系统知识优势K-CF(Knowledge advantage of Industrial Innovation Ecosystem-Combination of Subjective & Objective weight-Fuzzy Comprehensive Evaluation)组合赋权模糊综合评价模型，以提升评价结果的适用性、稳定性和可信性。

1 产业创新生态系统知识优势评价体系的构建

从现有文献来看，构建评价体系的维度选择主要有以下三种角度：一是从概念本身入手，研究其内涵、特征、功能、构成等，从中析出定量或定性评价指标；二是从概念外延考量，剖析其来源、影响因素、作用机理等，从中提取关键要素；三是两者结合。本研究采用第三种方式，以“构成”衡量系统现有知识优势情况、以“影响因素”衡量系统知识优势的未来发展潜力，内外结合构建产业创新生态系统知识优势评价体系，以期全面反映产业创新生态系统知识优势水平。

1.1 产业创新生态系统知识优势的构成

部分学者分析了技术诀窍和知识产权带来的知识优势[3]、转化为产品或服务的知识优势[4]、知识共享和创造形成的知识优势[5]、知识协同与融合生成优势知识[6]等；在此基础上，李其玮等通过剖析产业创新生态系统的特征、功能和结构，将其知识优势归纳为三种不同类型[7]：①专有性知识优势，指通过创造性智力劳动生产的专有性或独占性知识成果，本质上是一种专有无形财产权，用新知识的速度、数量及投入产出比表示；②成本领先知识优势：指产业链知识主体间达到的知识总成本、单位成本或边际成本低于对手的知识运行状态，用知识流动效率、知识协同与融合度表示；③利益领先知识优势：指敏锐地洞察市场机会，将知识转化为高利润、高收益、高品牌价值或高附加值的优势产品/服务，用科技成果转化率和知识价值转化收益率表征。

1.2 产业创新生态系统知识优势的影响因素

已有研究提出，产业集群知识的空间粘滞、利益协调的产业链分工合作、良好的社会资本、学术性机构参与对集群内知识优势形成起关键作用[8]，供应链与知识管理的共性、信任承诺关系、利益分配机制对形成知识优势具有积极影响[9]，从知识产权及其保护、知识创新、知识培育和知识转化利用等方面可培育知识优势[10]。结合产业创新生态系统开放、复杂特性[11]，将产业创新生态系统知识优势的影响因素归纳为三个层面：①微观层面，包括知识和能力；知识指标用知识互补、外化和价值表示，体现产业创新生态系统知识互补的程度、内隐知识的编码化[12]、知识资产的科学与商业价值[13]；能力指标用知识吸收、转移、利用表征，代表产业创新生态系统外部知识转化能力[14]，知识传递畅通性与知识接收有效性，以及对系统内现有或已知技术知识的应用能力[15]。②中观层面，包括关系和利益；其中，关系指标即社会资本，包括结构、关系和认知[16]，用网络关系、相互信任[17]和共同愿景来表征；利益指标用资源调配、利益分配、知识产权保护表示，代表产业创新生态系统内人、财、物、知识等重要资源及R&D投入配置的合理性[18]、经济利益分配的平衡性、知识产权保护的有效性[19]。③宏观层面，即外部环境，包括政府政策、产业和市场环境，用政府支持与投入力度、产业合作规模及集聚度[20]、市场竞争压力[21]表征。

1.3 产业创新生态系统知识优势的评价指标体系

将产业创新生态系统知识优势评价体系分为构成和影响因素两个准则层(见图1)，其中“构成”维度考察系统现有知识优势情况，包括专有性、成本领先和利益领先3个指标层，每个指标层选取2～3个要素作为子指标，主要借鉴文献[4，6，7，9]；“影响因素”维度考察系统知识优势发展潜能，分为知识、能力、关系、利益和外部环境5个指标层，每个指标层由3个子指标集组成，主要参考文献[9-10，12-21]。

图1 产业创新生态系统知识优势评价指标体系

2 组合赋权模糊综合评价法——K-CF模型原理及步骤

模糊综合评价法的一般性步骤包括建立评价对象因素集、建立合理的评语集、生成评价矩阵、指标赋权、用模糊算子计算综合评价值[22]。K-CF模型以模糊综合评价理论和组合赋权法为基础，其具体步骤为：

(1)建立评价因素集。用因子分析法对产业创新生态系统知识优势评价指标体系进行验证，随后确立评价因素集。其中，目标层U={u1,u2,…,un}(n表示目标层下的准则个数)，准则层i的指标Ui={ui1,ui2,…,uis}(其中s表示准则层i下相应的指标个数)，指标层j的子指标Uij={uij1,uij2,…,uijk}(其中k表示指标层j下相应的子指标个数)。

(2)建立评价集V={v1,v2,…,vp}，总评价结果共有p个。对于不确定性、非定量指标评价，通常使用Likert5级或7级梯度评价法。

(3)建立模糊评价矩阵。将评价集用适当的数值rijk表示(如分数、百分比等)，由隶属度构成模糊评价矩阵Ri=(rijk)n×p。

(4)确定主观权重值——基于G1法、G2法和层次分析法(AHP)的几何平均赋权法。采用G1G2AHP赋权法时，请同一组专家对同一指标属性给出各自的判断集合或矩阵，对多个判断集合或矩阵用算术均值法或几何均值法进行集结。

①采用G1法[23]由每位专家给出评价指标的序关系，并给出相邻评价指标ui-1与ui重要性程度比的理想赋值fi，则第k个指标的权重αk为

(1)

由此得第k-1，…，3,2个指标的权重(其中，i=k，k-1，…，3，2)：

αi-1=fiaI

(2)

最后，将各位专家的评价权重用算术或几何均值法进行整合，得到各层因素的相对权重向量。

②采用G2法由每位专家给出评价指标的序关系，并给出最不重要的一个指标uk以及其余评价指标ui与uk重要性程度比的理想赋值di，则第i个指标对该准则层的权重αi为(k表示指标个数)：

(3)

最后，将各位专家的评价权重用算术或几何均值法进行整合，得到各层因素的相对权重向量。

③采用层次分析法，由每位专家按照1～9标度法对评价因素两两比较，建立判断矩阵，将多个判断矩阵用算术或几何均值法进行集结；进行一致性检验后，采用和积法[24]计算权重向量，得到各层因素的相对权重向量。

④运用几何平均赋权[25]思想，设αi1、αi2、αi3分别为采用G1G2AHP法得到的某一指标i的权重值，则该指标计算出的组合权重为：

(4)

其中，λ1、λ2、λ3是可信度偏好指数(0≤λ≤1)，当λ1=λ2=λ3=1/3时，表示三种赋权法具有一致的可信度，此时：

(5)

⑤确定客观权重值——基于因子分析法。选取适当数据样本，计算样本相关矩阵，求相关矩阵的特征根和特征向量，根据累积贡献率确定主因子个数，计算载荷矩阵，确定因子模型，根据累积贡献率加权及因子得分系数矩阵计算各指标客观权重βi。

⑥确定各因素的组合权重。根据第4步得到的主观综合权重α和第5步因子分析法得到的客观权重β，运用乘法归一化公式确定各指标组合权重。

其中，n表示指标个数，αi为第i项指标的主观权重，βi为第i项指标的客观权重，ai为第i项指标的组合权重：

(6)

⑦计算多级模糊综合评价向量。一级模糊综合评价集为Bi=Ai×Ri=(bi1,bi2,…,bip)。其中bik表示按照第i个因素的全部等级进行综合评价时，评价对象对评价集中的第k个元素的隶属度；同理得到二级、三级综合评价矩阵。评价时从最后划分的最底层面因素开始，逐级上评，直到评价至最高层。

⑧根据评价结果判定知识优势水平。根据评价向量，判定产业创新生态系统知识优势所处的评价等级和系统内各企业知识优势等级；同时，可采用分数集(如5级用100,80,60,40,20表示，7级用100,90,80,60,40,20,10表示)，计算综合评价值，判定系统知识优势评价值及各企业知识优势在系统中处于何种位置。

3 基于K-CF模型的科技产业创新生态系统知识优势评估实证分析

3.1 样本选取与来源

科技企业处于时代创新前沿，在产业创新领域具有代表性。本研究选取成都市高新区科技产业创新生态系统为样本开展实证分析。研究问卷采用Likert7级量表，发出调查问卷 100份，收回有效问卷 89 份，有效回收率89.0%。描述性统计分析见表1。

3.2 验证产业创新生态系统知识优势评估体系

本文采取 α 系数评定量表信度，全量表Cronbach’s α值为 0.907>0.9；KMO 统计量值为 0.802>0.8，Bartlett 球形度检验的显著性为0.000；相关矩阵中相关系数大于0 且显著，表明某一群题目两两之间有高度相关，表明本样本问卷观察变量适合因子分析。

表1 样本的描述性统计分析

表2 KMO 和 Bartlett 的检验

用SPSS19.0软件，运用Kaiser 标准化的正交旋转法6次迭代后收敛，23个因素共提取8个主成分，解释的总方差为80.904%(见表3)，高于单独采用构成维度的8个指标(63.692%)或影响因素维度的15个指标(71.918%)所解释的总方差。

表3 解释的总方差

经最大变异化旋转后，得到旋转成分矩阵(见表4)，8个公因子恰好对应了前述产业创新生态系统知识优势评价体系的8个指标层，23个因子作为子指标分项归入8个指标，验证了该评价体系的科学性。

表4 旋转成分矩阵

注：旋转在 6 次迭代后收敛。

3.3 组合权重的确定

(1)群决策确定主观权重。选取高校、科技企业高管等15位专家，采用G1G2AHP法开展指标赋权，用几何均值法对15位专家的判断集合或判断矩阵进行集结后，运用公式(1)(2)(3)(5)，得到主观权重α。

(2)确定客观权重值。根据89家科技企业23个指标样本数据，根据各因子解释原有变量总方差情况加权及因子得分系数矩阵计算各指标客观权重β。

(3)确定各因素的组合权重。由主观权重和客观权重，根据公式(6)得到各指标的组合权重A。

各指标的主观权重、客观权重及组合权重见表5。

表5 产业创新生态系统知识优势评价指标权重

3.4 计算多级模糊综合评价向量

采用Likert7级梯度评价法，将评价集设为：V={非常高，高，较高，一般，较低，低，非常低}。从系统整体和系统内企业两个方面入手，对其知识优势进行评价。

(1)确定各子指标隶属度。以89家科技企业的指标评价集为基数，计算每个子指标上各评价梯次占评价总数的比重，得到该科技产业创新生态系统知识优势的模糊评价矩阵(见表6)。同时，采用百分比集，如某项子指标i评价为“较低”，则该指标模糊评价向量Ri={0,0，0，0，100%,0,0}，以此类推，可构成系统内各企业的模糊评价矩阵R。

表6 科技产业创新生态系统知识优势模糊评价矩阵表

(2)计算模糊综合向量。

①一级模糊综合评价(子指标对指标层)

对科技产业创新生态系统知识优势进行一级模糊综合运算，可得“专有性”指标：

B11=A11×R11=(0.0642,0.0314,0.0622)×

{0,0.0085,0.0397,0.0277,0.0784,0.0035,0}

同理可得：

“成本领先”指标:

B12={0,0.0558,0.0917,0.0041,0,0,0}

“利益领先” 指标:

B13={0,0.0500,0.0962,0.0060,0.0009,0,0}

“知识”指标:

B21={0,0.0295,0.0608,0.0089,0.0010,0,0}

“能力”指标:

B22={0,0.0628,0.0748,0.0103,0,0,0}

“关系”指标:

B23={0,0.0472,0.0677,0.0038,0,0,0}

“利益”指标:

B24={0,0.0268,0.0534,0.0237,0,0,0}

“外部环境”指标:

B25={0,0.0253,0.0371,0.0045,0,0,0}

以“四川久远银海软件”为例，同理可计算各子指标一级评价向量。

“专有性”指标:

B11={0,0,0,0,0.1578,0,0}

“成本领先”指标:

B12={0,0.1516,0,0,0,0,0}

“利益领先”指标:

B13={0,0.0771,0.0760,0,0,0,0}

“知识”指标:

B21={0,0.0297,0.0705,0,0,0,0}

“能力”指标:

B22={0,0,0.1479,0,0,0,0}

“关系”指标:

B23={0,0.0812,0.0375,0,0,0,0}

“利益”指标:

B24={0,0.0234,0.0804,0,0,0,0}

“外部环境”指标:

B25={0,0.0288,0.0381,0,0,0,0}

②二级模糊综合评价(指标层对准则层)

对科技产业创新生态系统知识优势评价进行二级模糊综合运算，可得：

B1=A1×R1=(0.1578,0.1516,0.1531)×

{0,0.0175,0.0349,0.0059,0.0125,0.0006,0}

同理可得：

B2={0,0.0223,0.0332,0.0056,0.0001,0,0}

同理可计算“四川久远银海软件”二级评价向量：

B1={0,0.0348,0.0116,0,0.0249,0,0}

B2={0,0.0170,0.0443,0,0,0,0}

③三级模糊综合评价

继续采用和积法模型M(·，+)进行合成运算，可得科技产业创新生态系统知识优势评价向量为:

B=A×R=(0.4625,0.5375)×

{0,0.0201,0.0304,0.0057,0.0058,0.0003,0}

同理可得“四川久远银海软件”知识优势评价向量B={0,0.0252,0.0292,0,0.0115,0,0}。

(3)综合评价结果分析。根据评价向量集，该科技产业创新生态系统知识优势在评语集V={非常高，高，较高，一般，较低，低，非常低}上的隶属度为(0,0.0201,0.0340，0.0057,0.0058，0.0003,0)，最大隶属度为0.0340，评价等级为较高。采用分数集V={100,90,80,60,40,20,10}，得到科技产业创新生态系统知识优势综合评价值为F=(0,0.0201,0.0340，0.0057,0.0058，0.0003,0)×(100,90,80,60,40,20,10)T=5.109。2017年，成都高新区在全国逾140个国家级高新区中综合排名第三，体现出较强的科技实力和知识优势水平。

从“四川久远银海软件”知识优势评价向量来看，最大隶属度0.0292，评价等级为较高，综合评价值F= 5.064，说明该公司知识优势水平略低于系统整体知识优势水平，具体来看，该公司在产生新知识的速度、数量及知识生产投入产出比方面评价得分较低，未来应主要从新产品研发入手，改善其知识优势“短板”。同理，可得其他88家样本企业知识优势的评价向量和综合评价值，如“四川英图灵网络科技”知识优势评价等级为高，综合评价值为5.629，高于系统整体知识优势水平；“四川众势宏泰科技”知识优势评价等级为一般，综合评价值为4.868，低于系统整体知识优势水平，主要不足在于知识投入产出比、知识融合度较低；等等。

4 结论与启示

本研究主要结论包括以下三点：

(1)从构成和影响因素2个维度，建立了8个指标层、23个子指标的产业创新生态系统知识优势评估指标体系，以科技产业创新生态系统89家企业为样本进行因子分析，验证了该指标体系的合理性和有效性。

(2)构建K-CF模糊综合评估模型，运用群决策G1/G2/AHP主观赋权和FA客观赋权相结合的组合赋权方法，既融合群决策思想，又客观反映各指标实际意义，克服传统模糊综合评估法单纯依靠主观赋权的局限性。

(3)以成都高新区科技产业创新生态系统为样本，通过K-CF模型运算得出该科技产业创新生态系统知识优势的评价等级为较高，并确定系统内各科技企业的知识优势在系统中所处位置，运算结果符合现实情况，验证了K-CF模型的合理性。通过实证数据，进一步找出了该科技产业创新生态系统中知识优势评价等级较低的企业，帮助它们发现经营管理中的潜在问题、有针对性地制定改进措施，进而改善其知识优势状况，促进该产业创新生态系统知识优势水平的不断提升，检验了模型的适用性。

研究以该区域生物化工、新材料能源等其他产业创新生态系统为样本进行K-CF模型计算，结果证明该模型同样适用于其他产业创新生态系统知识优势的评估。

[1]NONOKA I，TAKEUCHI H.The Knowledge-creating company[M].New York：Oxford University Press，1995.

[2]张省，顾新.知识链知识优势的形成与评价[J].情报资料工作，2012(03)：24-28.

[3]易敏利，刘开春.论基于知识优势的竞争战略[J].西南民族大学学报(人文社科版)，2004，25(02)：253-256.

[4]周颖，王家斌.企业知识优势形成的理论分析[J].科技与管理，2005(03)：34-36.

[5]顾新.知识链管理——基于生命周期的组织之间知识链管理框架模型研究[M].成都：四川大学出版社，2008.

[6]吴悦，顾新.产学研协同创新的知识协同过程研究[J].中国科技论坛，2012(10)：17-23.

[7]李其玮，顾新，赵长轶.产业创新生态系统知识优势的内涵、来源与形成[J].科学管理研究，2016(05)：53-56.

[8]杨松，林曙光.基于企业集群下知识管理的优势分析[J].合作经济与科技，2004(18)：30-31.

[9]TAYYAB M，DEREK W，ANDREW F.Extending the “knowledge advantage”：creating learning chains[J].Learning organization，2007，14(2)：123-141.

[10]曾珠.知识竞争、知识优势及其培育[J].金融与经济，2010(7)：34-46.

[11]李其玮，顾新，赵长轶.创新生态系统研究综述：一个层次分析框架[J].科学管理研究，2016(02)：14-17.

[12]PINCH S，HENRY N，JENKINS M，et al.From industrial districts to knowledge clusters：a model of knowledge dissemination and competitive advantage in industrial agglomeration[J].Journal of economic geography，2003(03)：373-388.

[13]宋志红，陈澍，范黎波.知识特性、知识共享与企业创新能力关系的实证研究[J].科学学研究，2010(04)：597-604,634.

[14]ZAHRA S A，GEORGE G.Absorptive capacity：a review，reconceptualization，and extension[J].Academy of management review，2002，27(02)：185-203.

[15]HANSEN M T，NOHRIA T.TIERNEY T.What’s your strategy for managing knowledge[J].Harvard business review，1999(3-4)：106-116.

[16]NAHAPIET J，GHOSHAL S.Social capital，intellectual capital and the organizational advantage[J].Academy of management review，1998，23(2)：242-266.

[17]CHEN M，CHANG Y,HUANG S.Social capital and creativity in R&D project teams[J].R&D management，2008，38(01)：21-34.

[18]DONALD S S，WALDMAN A D，ATWATER E L，et al.Commercial knowledge transfers from universities to firms：improving the effectiveness of university-industry collaboration[J].Journal of high technology management research，2003，15(01)：111-133.

[19]宋春艳.产学研协同创新中知识产权共享的风险与防控[J].科学管理研究，2016(02)：18-21.

[20]颜克益，芮明杰，巫景飞.产业集聚视角下高技术产业创新绩效影响因素研究[J].经济与管理研究，2010(12)：57-67.

[21]侯俊东，杜兰英，吕军.企业实施市场导向的影响因素：中国经验[J].软科学，2011(07)：102-106.

[22]ZUO R G，CHENG Q M，FREDERICK P A.Application of a hybrid method combining multilevel fuzzy comprehensive evaluation with asymmetric fuzzy relation analysis to mapping prospectively[J].Ore geology reviews，2009(35)：101-108.

[23]李柏洲，齐鑫，徐广玉.基于组合赋权模型的区域知识创造能力评价研究——31个省市自治区视阈的实证分析[J].运筹与管理，2016(6)：178-185

[25]赵慧冬，关世霞，包玉娥.基于组合赋权的区间型多属性决策方法[J].统计与决策，2012(19)：98-101.

EvaluationResearchofKnowledgeAdvantageofIndustrialInnovationEcosystem——EmpiricalAnalysisof89TechnologyCompaniesinChengduHigh-techZone

Li Qiwei1，Gu Xin1，2，Zhao Changyi1，3

(1.Business School of Sichuan University,Chengdu 610064,China；2.Innovation and Entrepreneurship Research Institute of Sichuan University,Chengdu 610064,China；3.Soft Science Institute,Sichuan University，Chengdu 610064 China)

With the dimensions of constitutes and key influencing factors，this paper builds an evaluation index system of knowledge advantage of industry innovation ecosystem，and proposes K-CF model(Knowledge advantage of Industrial Innovation Ecosystem-Combination of Subjective& Objective Weight-Fuzzy Comprehensive Evaluation).Using evidence from 89 technology companies in Chengdu high-tech zone，it proves the reasonability and applicability of the evaluation index system on the basis of factor analysis and the K-CF model.The results show that this evaluation index system and its K-CF model can scientifically get the whole knowledge rating of industrial innovation ecosystem and the site of the companies’ knowledge advantage in the ecosystem，can find some relevant factors blocking the formation of knowledge advantage，which would help leaders and decision-makers to improve the condition of knowledge advantage，and have strong theory significance and practice value.

Industrial innovation ecosystem；Knowledge advantage；K-CF model；Combination weight；Fuzzy comprehensive evaluation

国家自然科学基金项目“基于跨组织关系演化的知识链关系治理研究”(71571126)，四川大学中央高校基本科研业务费研究专项(哲学社会科学)项目——高水平学术团队建设项目“知识链的协同效应形成机理研究”(skgt201502)，四川省软科学计划项目“高校上市公司的发展评价及影响因素研究”(2017ZR0084)。

2017-03-28

李其玮(1983-)，女，四川成都人，四川大学商学院博士研究生；研究方向：创新与创业管理。

F062

A

(责任编辑 刘传忠)