产业集群创新绩效双驱动力研究

赵 鹏

（延安大学 建筑工程学院，陕西 延安 716000）

一、引言

创新是支撑集群持续发展的决定性力量，是集群获取竞争优势的重要因素与不竭动力。知识经济时代背景下，世界产业分工的加速和全球制造网络兴起所带来的开放式的创新环境，对集群创新提出了更高的要求。人们更注意技术的积累、资源的获取和信息通道的畅通。集群网络化的创新模式应运而生。集群内部节点通过竞争合作、资源共享、优势互补而利益共享、风险共担。在集群网络组织中，流动着各种创新资源、信息、技术和知识，这些是集群在以集群网络组织为骨架的网络中流动的血液。

二、变量设计与模型构建

集群创新实质上就是网络节点利用集群网络关系而进行的创新行为，通过知识的整合而实现创新价值，从而提高创新绩效。而其中对集群创新绩效影响最为深刻的就是技术的创新扩散和知识的溢出整合，技术创新实质上也可归结为知识的创新过程。

（一）技术创新扩散机制

集群内自主创新企业使用新技术新知识优势而导致的企业之间的技术势差[1]，以及集群内企业的稠密集聚、地理位置的接近以及相同的社会文化背景，激发了集群企业之间在技术上的追赶效应。产业集群内人才的高流动性增加了网络的密度，频繁流动带动了技术的扩散。集群内存在的高校、科研院所也为新知识向企业的有效传播提供了有针对性的研究，而企业将新知识转化为新技术并体现在最终产品和收益上，也实现了知识的转化与应用，实现了知识的价值。技术创新与扩散，一般是由创新源企业[2]，通过技术发明将创新成果应用于产品生产，通过在集群空间的大力推广，扩散到其他企业，并借助于一定的扩散政策或中介组织在整个集群内加速传播。

图1 产业集群技术创新扩散机制与路径图

产业集群网络内的技术创新扩散和网络结构本身一样，是一个复合型扩散过程，既有横向扩散，也有纵向扩散，而地方政府的扩散政策和有效的中介组织对于技术的创新扩散具有催化和加速作用[3]。在技术创新扩散过程中，本文选取扩散速度为测度技术创新扩散效果的主要变量。

（二）知识溢出整合机制

知识经济时代背景下，企业生产要素性质发生了较大变化，获取、使用和创造新知识的能力成为企业生存和发展的决定性因素，企业创新活动的本质就是知识的溢出、共享、获取、吸收、整合、转化与再造，即知识的溢出与整合。实际上，技术创新过程最终也可以归结为是知识的创新。无论从理论还是实践研究都表明：集群创新的网络机制总是与知识的溢出整合密不可分。知识在溢出并转移过程中，被集群内不同的网络节点捕获，并与自身知识进行了重新组合后，输出为新的知识。网络不仅提高了知识的使用效率，还促进了知识的重组和优化配置，从而推动技术创新，实现更高的经济效益和整个集群创新绩效的提升。可以认为，知识溢出与整合的规模和效率直接影响产业集群创新的速度和绩效[4]。一般情况下，集群内具备自主创新能力的大型企业和知识的专门生产机构高校等科研院所是知识的溢出源节点，知识从这些知识高位势的创新节点溢出后，通过集群网络组织迅速扩散传播到知识低位势的群内其他企业或组织机构，他们对这些溢出知识进行整理、去粗取精，然后吸收，并融入到自有知识体系，经过整合转化后再输出到集群空间，形成新的知识，不断往复循环的过程中，集群行为主体以及整个集群的知识存量得以增加，创新效率得以提高。只有知识在创新主体之间的传递、共享、整合并转化为新知识，才能完成创新。

图2 产业集群知识溢出与整合机制及路径图

知识在溢出传播整合过程中，有可能会正常损耗减少，而更多的是经过不同网络节点整合后增加的新知识。知识的不对称性是知识溢出传播并被吸收整合的根本动力。知识只有在不断的流动与融合中激发新知识的转化最后整合，促进新知识的创新，产业集群才具有源源不断的创新来源[5]。

（三）模型构建

根据上文分析，我们假设并建立模型如下：

假设1：技术创新扩散速度与集群创新绩效存在正相关关系，即技术创新扩散速度越快，创新绩效越大，反之则越小。

假设2：知识溢出规模与集群创新绩效存在正相关关系，即知识溢出规模越大，创新绩效越大，反之则越小。

假设3：知识整合效率与集群创新绩效存在正相关关系，即知识整合效率越高，创新绩效越大，反之则越小。

图3 技术、知识与创新绩效的结构模型图

三、研究方法与实证检验

（一）问卷设计与数据采集

1.问卷设计。问卷发放主要通过发放纸质版和电子版的形式，要求受访人独立客观填答，除真实填写企业的规模大小、经济类别、成立年限等基本情况外，其余均采用李克特量表（Likert scale）进行5段数评分。每个潜变量均设计3～5个观察变量进行测度，见表1。

2.数据采集。本文将研究对象锁定为宝鸡市装备制造业产业集群，原因有两点：第一，宝鸡作为西部工业重镇，是一个典型的工业城市，工业基础较为雄厚；第二，宝鸡市装备制造业产业集群的企业大部分集中于宝鸡市经济技术开发区与工业园，方便了样本数据的集中采集。表2是问卷发放与回收情况一览表。

表1 变量设计表

表2 问卷发放与回收情况一览表

（二）数据分析

1.信度检验。一个调查无论是对多人单次进行还是单人多次进行，其最终结果都应该保持大致相同，才具备可信度[6]。本文采用Cronbach's Alpha系数来衡量题项的内部一致性，Cronbach's Alpha系数一般可以表示为：

吴明隆认为，一般在探索性研究中，信度至少要达到0.7及以上才是可以接受的[7]。

表3 总量表信度

总量表的信度0.952（大于0.8），分量表的信度系数最低0.959（大于0.8），可以认为此量表的准确性相当高。

2.效度检验。效度检测的是一项研究的真实性和准确性程度，又称真确性，本文采用验证性因子分析检验量表效度。

表5 KMO和Bartlett球体效度检验

一般认为，KMO值在0.7以上，进行因子分析效果会更好[8]。本案例中KMO值为0.899，大于0.7，说明非常适合做因子分析。

表6 因子荷载表

由因子荷载表可知，每个构面都形成相对应的不同的因子，并且因子载荷都大于0.6，累积方差解释率达到了90.452%，提取的信息量已经足够，说明结构效度通过了检验。

（三）路径模拟与评价

根据这3个潜变量和13个观察变量，本文采用结构方程模型（Structural Equation Model，SEM）并借助SPSS22.0和AMOS 21.0进行数据关联与路径模拟，并计算路径系数如图4所示。

图4 初始模型路径图

表7 初始模型路径拟合系数表

显著性概率P值小于0.05，说明路径系数是显著的。由表7可知，除创新绩效←知识溢出规模十分显著外，其余2条路径均为显著、且正相关，三条路径都通过验证。

表8 初始模型拟合指数的标准及得分情况

由得分和指标标准对比结果可知，由于理论模型并不总是能完美匹配实际情况，x2/df与RMSEA拟合指数不够理想，模型需要进行修正。

（四）路径修正与再评价

这里我们根据MI值对模型进行修正，修正的目的是提高模型整体的拟合度，使拟合度指标更多的达到标准（见图5）。

图5 修正后的模型路径图

表9 修正模型路径拟合系数表

表10 修正模型拟合指数的标准及得分情况

通过拟合指数得分与指数标准取值范围的比较可知：除RMSEA指标的得分“可接受”外，其余指标达到了“很好”的拟合标准，说明模型的拟合效果良好。

四、结论

模型拟合结果显示：集群创新绩效←技术创新扩散速度，集群创新绩效←知识溢出规模，集群创新绩效←知识整合效率，这3条路径上的假设获得了实证支持，说明技术与知识的创新对集群创新绩效是显著正相关的。加快技术创新的扩散速度、加大知识溢出的规模并提高知识整合的效率将会对改善集群创新绩效具有显著的效果。