区域产业集群创新效率与路径——基于模糊集定性比较分析

王 松，聂菁菁

(1.杭州电子科技大学人文艺术与数字媒体学院；2.杭州电子科技大学经济学院，浙江杭州 310018)

在区域一体化加速发展的今天，企业之间的交流合作随之增加，相关关联企业、供应商、服务提供商等组织之间的紧密联系促进了区域产业集群的诞生，产业集群处于国家创新系统与企业之间的中观层面［1］，拉近了独立企业的空间距离，创造了促进区域聚集企业交流合作的环境［2］，完善了以企业为单位的创新系统。集群对于企业创新的重要作用一直得到学者们的关注。集群创新的研究内容主要包括影响因素、机制和效率、路径，从影响因素到路径研究，研究深度逐渐增加，使用的研究方法也随之完善，但关于路径识别的研究方法还有待改进。目前被应用于集群创新路径识别的研究方法主要有文本分析法、专利分析的定性方法或是结构方程的定量分析。其中，定性分析有着以下缺陷：凭借研究者主观的判断和直觉，得到的是粗糙的、缺乏客观数据分析的结论；而使用回归分析、结构方程的方法，得到的结论准确地说并不是创新路径，而只是单个变量对结果的影响。而将模糊集定性比较分析法应用于集群创新路径的识别，则可以克服以上方法的缺陷。模糊集定性比较分析是以集合和布尔代数等数学理论作为基础，将定量与定向最优特性有机组合，得到的是在不同情况下达到某特定效果的条件组合。产业集群的内外部环境复杂，想要通过某个单一条件作用达到提升创新效率的效果显然并不可靠，因此本研究采用数据包络分析（DEA）-马姆奎斯特（Malmquist）指数测度产业集群的创新效率，根据效率特征对集群进行分类，然后对于不同类型集群使用模糊集定性比较分析法识别其创新路径，两种方法的结合可以在准确界定集群创新效率异质性的基础上识别集群的个性化创新路径，从而得到更加科学和准确的结论，以期丰富现有的集群创新管理理论。

1 文献综述

Porter［3］提出集群是相关联的企业、专业供应商、服务提供商、相关行业的企业和相关机构在竞争和合作的特定领域的地理集中。企业聚集形成的产业集群，在区域经济发展和企业技术创新中起着重要作用［4］。集群内企业在地理上具有临近优势，形成共性或互补的生产基地［5］，共享市场资源，降低交易成本；同时产业集群形成了复杂的动态环境，有利于提高集群内企业的竞争优势，以适应竞争日益激烈的市场［6］。

研究表明集群与区域技术创新之间存在着密切联系，如杜爽等［7］讨论了集群聚集对区域创新的影响，并得出了制造业集聚在一定程度上有利于区域创新能力提升的结论；吴迪［8］研究了区域创新能力与产业集群之间的联系，并提出产业集群能为区域创新提供发展信息、知识，区域创新的提升同时也促进了产业集群的发展；田颖等［9］以省级数据为样本研究了我国国家级创新产业集群对区域创新的影响，从3 个方面解析验证了产业集群与区域创新之间的关系。

一些学者研究创新与集群效率的关系，如卜宏运等［10］使用Malmquist 指数法测算产业集群的全要素生产率，研究其与集群竞争力之间的关系，并得到产业集群促进了企业之间的竞争和创新进而提高了全要素生产率的观点；陈抗等［11］以省级数据为样本计算了我国高技术产业集群的全要素生产率，讨论了平均收入规模、研发经费支出、有效专利数量等指标对全要素生产率的影响，提出了促进产业集群全要素生产率提升的建议；杨浩昌等［12］使用DEA-Malmquist 指数法测算了制造业创新生产率及其分解指标，同时构建了制造业聚集对创新生产率及其分解指标影响的计量模型，分析了制造业聚集对创新生产率的影响。

关于生产率的度量方法，有研究如王萍萍等［13］使用超越对数生产函数形式的随机前沿模型计算军工企业的全要素生产率；张少华等［14］采用基于投入冗余的全要素生产率指数（ISP）来测度和分解全要素生产率；张卫国［15］使用了Malmquist 指数度量和分析高校科研生产率。经过对几种生产率测度方法的比较，借鉴冯海燕［16］的研究，考虑到本研究采用面板数据、产业集群的创新是一种多投入多产出的生产模式，因此选择采用DEA-Malmquist 方法测度区域产业集群的科研效率。

目前关于创新路径的研究更多聚焦于农业劳动或科技创新绩效等方面，如汪小平［17］通过历年农业劳动生产率的数值分析我国农业所处阶段和增长特征，总结农业劳动的增长机制和路径；张永安等［18］使用两阶段DEA 模型计算我国各省份的科技创新效率，根据不同省份的投入产出特点设计科技创新政策绩效的提升路径。有少数研究从协同创新角度研究战略性产业集群的创新路径，使用定性分析方法研究产业集群的创新路径，如周劲波等［19］在引入了创新和集群的概念后，通过对文献归纳和内容提升，总结出了集群创新的路径；赫连志巍［20］分别从技术、组织和管理的角度对产业集群的创新路径构建提出了建议；叶继涛等［21］使用案例分析的方法总结出产业集群与研究机构共同运作的创新路径；乔彬等［22］将回归方法用于创新路径的识别，研究了集群技术创新与制度创新融合路径与质量问题，但导致某一现象出现总是几种因素共同作用的结果，回归只能得到某一个变量对集群绩效的影响，不能得到促进集群绩效提升的变量组合。

在深入研读了与识别提升路径的有关文献后，本研究总结出两点有待改进之处：其一，考虑变量组合对结果的影响，而不是单个变量。古典经济学理论认为劳动、土地和资本是影响生产的3 种要素；随着经济的发展，经济学家们认为人力、技术、信息、环境对提高生产效率都十分重要［23］。但社会现象的本质不是简单的线性关系［24］18-30，导致某一现象的出现是几种因素共同作用的结果。因此，想要提升区域聚集集群的创新效率，应采用配置方法，打破“单个因素总是对创新有贡献、有减损或不重要”的假设［25］。其二，在识别提升创新效率的路径时，如汪小平［17］、许学国等［26］指出，需要考虑不同地区的异质性，根据其实际情况和产业的发展阶段采取差异化的提升政策，毕重人等［27］通过研究发现，我国不同省份有不同的创新效率结构，要根据其创新价值链特征选择适合的创新路径。因此，仅通过改善某个单独因素达到提升区域科研创新效率是不可行，应该首先识别区域经济、环境特征，测度区域目前的科研创新生产率后，再通过科学方法识别实现区域科研创新效率提升路径。

2 研究设计

本研究使用2016—2019 年《中国火炬统计年鉴》的分省创新型产业集群相关数据，首先以省份为单位，采用DEA-Malmquist 方法测度各区域集群的创新效率变化和发展水平；考虑到创新投入与产出的滞后性，再使用2019 年的创新生产率作为结果和2018 年影响区域集群创新效率的4 个方面的8 个变量作为条件，通过模糊集定性比较分析法，识别各省份集群中影响创新的关键因素和创新路径，提出相关改进建议。

2.1 创新效率的计算

2.1.1 创新效率计算方法

测度效率变化的方法主要有4 种：经济计量生产模型的最小二乘法（LS）；全要素生产效率（TFP）指数；数据包络分析；随机前沿方法（SF）。这4种方法各具特色，其中DEA 可以测算技术效率、技术变化、TFP 变化等5 个方面，且使用时不需人为预先设置权重，同时又能在尽可能多的投入和产出指标参与效率评价时保证最优的合理性。根据科埃利［28］的研究，在可以获得s时期到t时期的样本数据情况下，DEA-Malmquist 可以测算两个时期的生产技术估计值。将s 期定为基期，s期与t期直接的Malmquist 全要素生产率变化指数公式如下：

根 据DEA-Malmquist 的 性 质 可 知：tfpch=tech×effch。其中，tfpch 表示全要素生产率指数，effch（effiency change）表示技术效率指数，tech（technical change）表示技术进步指数。后来学者又将技术效率指数分解为规模效率变化指数（sech）和纯技术效率变化指数（pech）。故全要素生产率的公式可表示为tfpch=tech×effch=tech×sech×pech。因此，若式（1）大于1，表示从s期到t期全要素生产效率的正增长，反之小于1，表示全要素生产效率的下降；当式（4）大于1 时，表明生产可能性边界的移动正向促进生产率变化，即代表技术进步，反之代表技术退步；技术效率指数是指在一组固定投入要素的情况下，目标对象的实际产出与假设同样投入情况下的最大产出之比［29］，当式（3）大于1 代表技术效率改善，反之则表现为技术效率退步［30］；纯技术效率变化指数是指在可变规模前提下测量样本的技术效率变化，纯技术效率变化大于1，说明技术运用水平提高；而规模效率变化指数表示规模经济对生产率的影响，规模效率变化指数大于1，说明规模优化，规模效率变化指数小于1，说明规模恶化［29］。

2.1.2 创新效率变量设置

使用DEA-Malmquist 方法的关键是建立合理的评价体系。通常将指标分为投入指标和产出指标，投入指标是指投入到产业集群创新过程中的人力、财力、物力等资源的指标，产出指标是指产业集群创新过程中的技术应用、成果转化和业务收入。本研究参考并拓展陈志宗［31］构建的区域创新评价系统，将某一地区的集群数量、科技经费支出、集群人员总和、企业总数、高新技术企业总数、产业联盟数量作为投入指标的一部分，以省份为单位、产业集群为调查对象得到相关数据；产出指标包括营业收入和当年发明专利授权数量。具体如表1 所示。

表1 产业集群投入产出指标

2.2 创新路径的识别

2.2.1 创新路径识别方法

对创新路径的识别使用的是模糊集定性比较分析法（fsqca）。定性比较分析方法首次出现在拉金［24］18-30的著作《比较方法》中，该方法作为一种案例导向性研究，以集合和布尔代数等数学理论为基础，实现了将定量与定向最优特性的有机组合。定性比较分析方法具体包括多值集、清晰集和模糊集3 种。模糊集理论认为，现实中的集合间关系并不像传统集合论中假设所说的存在明确的隶属与不隶属的界限［32］。根据模糊集的概念，某集合的隶属分数可能是介于0～1 之间的任何数字。在模糊集定性比较分析法中，每个案例都被视为属性的组合［33］，放弃单个变量的净效应，从整体视角与组态思维来看待问题，不同的属性组合与结果对应一致，因此用该方法来揭示提升各地区产业集群创新效率的条件组合更加科学。

2.2.2 创新路径的变量设置

在得到各省份产业集群的创新生产率Malmquist指数后，将其定为模糊集定性比较分析法的结果变量。在动态开放的创新环境中，产业集群创新受到内部和外部的同时影响［4］，因此前因变量的设置应包含内外部两个方面，并分为4 个部分：环境要素、集群投入、集群联系、集群经营成果（见表2）。

表2 区域产业集群创新模糊集定性比较分析的前因变量设置

（1）环境要素。Gordon 等［34］认为一个地区或企业的创新能力受地区创新环境的影响，通过提高区域经济和科技水平可以改善创新环境。本研究中环境要素包括地区人均生产总值（GDP）、大学科技园数量、集群数量。其中，较高的人均GDP 为政府提供了更多税收，这样的地区通常有较完善的基础设施和全面的社会服务，可以达到降低交易成本的效果［35］，因此人均GDP 较高的地区可以为产业集群提供完善的基础设施和活跃的经济环境，从外部助力集群创新生产。高新技术的科研创新离不开基础的科学知识，大学正是基础科学知识的来源，因此大学科技园对于产业集群的创新影响不可以忽视［13］。产业集群中的企业如果仅仅在圈子内封闭学习，会造成锁定效应、“孤独现象”，使集群信息出现同质化，因此与外界知识沟通十分重要。大学科技园的增多，在一定程度上会增加不同区域的企业之间交流合作，可以减轻企业封闭学习带来的锁定效应［36］。叶丹等［30］提出大学作为基础科技知识的来源和参与知识深化的机构之一，在集群的创新过程中起到了重要作用，故大学科技园的增多使得产业集群有了更多与高校交流合作的机会，促进集群产学研一体化，进而提高集群的创新生产率。区域内产业集群数量增加，能够带动就业、提高产值，促进区域经济发展，同时集群内的科研活动也能够改善区域整体科研水平［37］。产业集群数量变多，整体的地区经济环境有向好趋势，集群与集群之间的经济、科研合作也会增加，集群内部的企业面临的竞争也会变得更激烈，这3 个方面共同作用，促进产业集群经济科研发展，因此产业集群数量变多，地区产业集群发展随之壮大，通过不同层面的合作和竞争，激励集群内企业开展科研，从而促进集群的创新效率提升。

（2）集群投入。集群内企业在知识和技术上的资本投入影响着技术研发、科技成果交易、知识学习和科技成果商品化等过程，直接决定了企业技术能力的强弱［38］，因此，影响产业集群创新生产率的第二方面是集群投入，包括集群科技经费支出和大专人数占从业人员百分比。科技经费是科研活动的必要条件，有了充足的科研经费才可以为项目提供先进的研究设备，才可以从物质上激励科研工作者提高科研动力，科研经费的投入可以为产业集群内企业的科研活动提供物质基础和保障。李盛楠等［37］提出为促进高技术产业创新效率提升，应提高科技创新人才比例和研发投入，促进高质量专利产出。仅仅有经费的支撑，科研活动是无法进行的，人力资源是使科研项目不断产出成果的必须条件吗，因此，提高区域产业集群的创新效率可以通过引进人才等方式实现。

（3）集群联系。从Porter［3］对集群的定义中我们发现，产业集群中的企业受到来自集群内部和外部的共同影响，外部影响表现为环境因素，而内部作用则通过集群内的产业联盟实现，故将代表集群之间联系程度的产业联盟数量定义为影响产业集群创新生产率的第3 个方面。产业集群协同创新绩效的提升在很大程度上依靠集群内各企业之间在交流和联系的过程中所传递的信息、知识和技术［39］。Moran［40］在对组织网络关系的研究中发现，当组织间存在较强的关系联结强度的时候，可以提高创新资源转移的速度，提高企业的创新绩效，因此产业联盟对集群创新的重要作用不可忽视。产业集群内部的产业联盟促进了集群之间信息交流的速度、知识水平的深度的增加，从而促进集群创新效率提高。

（4）集群经营成果。McCann 等［41］认为拥有最强大内部资源的企业最有能力驾驭他们的环境，并了解、吸收和利用外部知识。企业内部资源不仅直接驱动创新，而且可能影响外部资源对企业创新的作用效果［42］。因此，本研究将经营成果定义为影响产业集群创新生产率的第4 个方面，包括营业收入和当年发明专利授权数量。占有资源多、声誉高的企业能够维系与更多企业和机构的学术交流，提高企业技术水平［43］。也有研究表明，有一定研究基础的企业劳动生产率在知识丰富的地区有所提高［44］。因此，营业收入多的企业和产业集群往往可以进行更为丰富全面的创新研究，提高发明质量和创新效率；掌握更多资源、享有声誉的企业在对外交流、人才引进等方面都占有相对优势。

运用模糊集定性比较分析法，可以得到不同地区产业集群对应的前因变量组合，有助于理解其中哪些前因变量起到促进创新的效果，哪些变量不影响集群创新效率。

2.3 数据来源

研究对象选择我国各地区的创新型产业集群。创新型产业集群是指科技部火炬中心［45］在《创新型产业集群建设工程实施方案》中提到的：以知识或者技术密集型产品为主要内容，以创新组织网络、商业模式和创新文化为依托的产业集群。与产业集群侧重于观察分析集群中纵横交错的行业联系相比，创新型产业集群更关注企业的创新能力，关注如何产生持续的竞争优势［29］。样本集群数据来自历年《中国火炬统计年鉴》，因2016—2018 年的研发投入数据缺失，因此以研发投入强度乘以营业收入之积作为研发投入金额的估计值；各省份人均GDP 数据来源于国家统计局；各省份的研发强度通过研发投入金额占GDP 总额的百分比求得，数据来源为《中国科技统计年鉴》。各省份所包含的集群具体如表3所示。

表3 我国创新型产业集群主要分布情况

表3 （续）

3 创新型产业集群的创新效率测算

3.1 创新效率的分析结果

使用DEAP2.1 软件进行DEA-Malmquist 分析，从部分省份创新型产业集群的创新生产率情况可知，产业集群的创新投入和产出与各省份的经济基础、地理位置有着密不可分的关系，处于经济发达、交通便利的省份，产业集群有着更优越的发展环境，创新效率也就相对较高。如贵州除了具有本省特色的农业集群外，本省气候特点、产业基础、政府扶持等因素也为其大数据产业集群发展提供了极大助力，使得贵州在产业集群发展上优于同是内陆省份的河北、内蒙古。

从表4 可以看到，大部分省份创新型产业集群的Malmquist 平均指数均大于1，说明即使是创新科研基础较差的省份，产业集群的创新效率也是逐年递增的。值得注意的是，近几年湖北、贵州、福建等地区的创新效率有所提高，从其创新效率分解指标情况可以看到，这些地区创新型产业集群创新的推动力主要来源于技术进步。以湖北为例，其产业集群涵盖了电子信息、汽车、高端装备产业等方面，省内拥有国家级、省级开发区和高校数量较多，已经形成了产业集群优势，为本地区技术创新提供了完善的支撑体系和充足的人才支撑。黑龙江、内蒙古、吉林、云南、江西等地区的技术效率指数、规模效率、纯技术效率情况良好，但这些地区的技术进步指数偏低限制了其创新效率提高。

表4 2019 年我国创新型产业集群创新效率及其分解指标水平

3.2 产业集群创新效率演变规律与特征

结合表4 分析，可得样本集群创新效率演变规律如下：

第一，2019 年多数省份产业集群的创新生产率大于1，表征了2019 年我国创新型产业集群的平均创新效率大于1，这与目前我国创新型产业集群的发展状况是耦合的。

第二，2017—2019 年间产业集群的发展是波动的，并不是一条斜率固定的直线，只是总体呈上涨的趋势。其中，中西部地区1）发展增速较快，东部地区发展速度虽然有所减缓但总体上涨的趋势仍然不变，说明发展基础比较薄弱的地区进步速度更快。分析2018 年与2019 年的数据可以发现，在中部地区和西部地区创新型产业集群中，产业联盟数量的增长表现要优于东部地区，同时中西部创新型产业集群中当年发明专利授权数量增长表现也较优于东部地区。

第三，根据对创新效率的分解，可以将样本集群所在地区进行分类。北京创新型产业集群的技术进步指数、技术效率指数、规模效率变化指数、纯技术效率变化指数均大于1，因此将其划分为全能型。福建、湖北、湖南、广东、广西、重庆、贵州等地区创新型产业集群均呈现出技术效率指数、规模效率变化指数、纯技术效率变化等于1、技术进步指数大于1 的现象，因此将其划分为技术进步型，同时，从对上海、安徽的生产率分解指标水平可见，其技术进步指数也具有一定优势，故也将其划分为技术进步型。内蒙古、吉林、黑龙江、云南等地区创新型产业集群的技术效率指数、规模效率变化指数、纯技术效率变化等于1，但技术进步指数小于1，因此将其划分为技术薄弱型；从河北和江西的生产率分解指标水平可见，其技术进步指标也是相对较差的，因此也将其划分为技术薄弱型。江苏、浙江、天津、四川等等地区创新型产业集群的规模经济指数相对较好，可划分为规模经济型。

4 创新路径的识别

4.1 描述性统计分析

通过对样本集群数据的描述性统计分析可见（见表5），各地区创新型产业集群的创新效率差异较大，但总体均值仍大于1。就环境要素中的省份人均GDP 来看，离散度非常高，可见地区经济基础差距很大；从集群投入中的科研人员占总员工之比也反映出不同地区的产业集群对于创新的投入是存在显著差异的。

表5 变量的描述性统计分析

表5 （续）

4.2 数据处理

借鉴Moran［40］和Ragin 等［46］的研究，使用模糊集合/QCA 3.0 程序进行集合关系分析。数据校准是通过设置完全隶属点、交叉隶属点、完全不隶属点3 个临界点，使用fsqca 软件将数据转化到0～1之间。在选择临界点时，参考高伟等［47］和Fiss［48］的校准方法，将95%定为完全隶属点、50%定为交叉隶属点、5%定为完全不隶属点。数据校准完成后，需要进行必要性检验，因为如果前因变量中出现了必要条件，软件处理数据得到的简约解会剔除必要条件，只有在条件组合中出现了该条件，结果才会发生。一般来说，一致性大于0.9 则认为该指标为必要条件。参照赵文等［49］的做法，如表6 所示，其中不带浪纹线的指标为隶属该原因变量，带浪纹线的指标表示为不隶属该原因变量。从表6 结果可知，没有变量的必要性超过90%，因此保留所有变量。

表6 前因变量的必要性分析

与上述必要条件分析不同的是，组态分析试图揭示的是多个条件构成的不同组态引致结果产生的充分性分析［49］，即讨论多个前因条件组成的集合是否为结果集合的子集。充分性分析与必要性检验相同之处在于，同样需要设置一个最低的一致性阈值检查充分性。已有关于模糊集定性比较法的研究中，对于一致性的阀值设定不同，如张明等［50］将阈值定为0.76，赵文等［49］将阈值定为0.75，张卫国［15］将阈值定为0.8。经过测试各项阈值的分析结果，本研究选择0.85 为一致性阈值，区分不同解释里的变量组合，案例阈值设为1，筛选出至少能够解释一个案例的变量组合。通过模糊集定性比较分析法可以得到简约解和中间解、复杂解。简约解是纳入全部逻辑余项但不考虑逻辑余项是否合理，因此简约解往往与事实存在偏差；复杂解不纳入任何逻辑余项，只观测案例数据形成的解；而中间解则纳入了符合理论方向预期和经验证据的理论余项。已有相关研究在分析结果时选择不同的解进行分析，如张明等［50］汇报中间解并辅之简约解，Fiss［48］、赵文等［49］选择分析中间解；万筠等［51］选择分析复杂解。为更好地确定本研究中各变量在各条件组态中的重要性，选择分析中间解并辅助使用简约解。在使用fsqca 计算后，得到组合如表7、表8 所示。表7 中，实心圆表示该条件存在；空心圆表示该条件缺席；空格表示为模糊状态，即该条件的出现与否对结果影响并不大。大圆为中间解、简约解均出现的核心条件；小圆为仅出现在中间解的辅助条件。经过分析和筛选，共得到7 条创新路径，且每条路径的一致性和总体样本的一致均大于设定的0.85 阈值。

表7 样本集群创新效率构型

表7 （续）

借鉴任声策等［52］、郑季良等［53］、周新等［54］通过归纳路径中变量的特征对变量进行分类和命名的做法，对以上路径的条件组合进行分析。其中，全面型路径包括两条，即需要多个条件一起出现才可以达到结果，第1 条路径与第2 条路径的区别在于路径1 中大学科技园数量不存在，而路径2 中省份人均GDP 不存在；第3、4、5 条路径称为环境型路径，即条件组合中出现的多是描述产业集群内外部环境的指标，这3 条路径的区别在于3 路径中集群环境变量和产业联盟数量和当年发明专利授权数量均存在，而路径5 和路径5 中产业联盟数量和当年发明专利授权数量不存在，且路径4 中省份人均GDP 不存在，路径5 中集群数量不存在；第6、7 条路径为聚集型路径，即要求出现的条件主要带有产业集群特色和描述集群创新产出创新投入的指标变量，两条路径的差别在于路径6 中集群数量和集群经费支出变量需要存在。表8 展现了4 种类型的产业创新集群与创新路径的对应关系：全面型的第1条路径对应技术进步型集群，第2 条路径对应全面型集群；环境型的3 条路径都对应技术薄弱型路径；聚集型路径的第1 条对应规模经济性路径，第2 条对应技术进步型集群。

表8 样本集群创新路径与集群类型对应关系

在全面型路径下，第一种情况中省份人均GDP、集群数量、集群科技经费支出、产业联盟数量、营业收入和当年发明专利授权数量的组成促成了当前的结果，起到核心作用的是产业联盟数量；第二种情况与前一种情况略微不同，省份人均GDP不是必须存在的变量，而大学科技园数量是十分关键的前因变量。结果表明，广东、福建的创新型产业集群适用路径1，湖北、北京的创新型产业集群适用路径2。广东和福建经济水平较高，因此在路径1 中省份人均GDP 变量需要存在；通过路径2 的湖北、北京的优质高校提供的人才及其在科研领域的带动作用是其创新型产业集群创新的重要推动力，因此大学科技园数量需要存在。上述省份的创新型产业集群都带有技术进步特色，企业经营收入和对创新投入都具有一定基础，人才占比也比较高，部分领域如5G 产业位于国内领先地位，研究主要致力于科技前沿，但产业链高端缺位，高新技术产业发展不平衡，想要构建高新技术全产业链条必然要在外部经济和内部交流上投入更多精力，扶持高新技术产业走向产业链高端。

环境型路径包括3 种情况。情况1 中需要出现的变量组合为省份人均GDP、大学科技园数量、集群数量和产业联盟数量、当年发明专利授权数量；情况2 中需要大学科技园数量和集群数量出现；情况3 则对应了省份人均GDP、大学科技园数量、大专人数占从业人员百分比的变量组合。在这些路径中，出现频率较高的条件为省份人均GDP、大学科技园数量、产业联盟数量，这些指标描述了集群外部经济和集群内部现状。在这种类型路径中，河北、江西、云南、吉林、陕西的创新型产业集群具有技术薄弱的特点，均适用于路径3、路径4 和路径5。其中，河北创新型产业集群的产业联盟数量和当年发明专利授权数量相对表现较好，这些方面对于集群创新效率提升的作用不可忽视，因此集群创新路径中这两个变量是存在的；江西和云南的经济环境相对较差，因此其创新型产业集群创新路径4 中省份人均GDP 对于结果的影响没有同类型中其他省份强；吉林和陕西的高校数量多，教育形成的人才是其创新型产业集群创新过程中的重要动力，因此大专人数占从业人员百分比这一条件存在。说明在该路径的情形下，技术比较薄弱的省份创新型产业集群可以通过吸收更多企业进入集群，促进产业集群规模、效益发展以及集群中产业联盟数量增加，避免集群企业出现“闭门造车”的研发现象；同时大学是高等教育的主要集中地，大学科技园将具有科研优势特色的大学与市场资源相结合，推动创新资源继承、科技成果转化，对人才培养、创业孵化都有着重要作用，通过以上两个方面从内促进集群中企业合作、从外促进集群企业开展知识交流，以此提高企业创新效率。

聚集型路径包括路径6 和路径7，两条路径重合的条件包括营业收入、产业联盟数量和当年发明专利授权数量，此外路径6 还涵盖了集群数量和集群经费支出变量。在聚集型的路径中，江苏、浙江、四川、福建以及贵州通过路径6，广西通过路径7。江苏和浙江的创新型产业集群具有规模经济的特点，福建和贵州的创新型产业集群技术进步特色更浓厚一些。江苏、浙江可以通过聚集型发展扩大产业规模，发挥规模经济优势，进而促进集群创新效率提升。四川虽然规模经济优势较江苏、浙江稍弱，但在技术效率指数、技术进步指数、纯技术效率变化指数、规模效率变化指数中规模效率指数最高，因此利用自身规模经济这一相对优势也能达到提高省内集群创新效率的目的。福建、贵州着重从产业集群的角度促进科研技术进步，可以利用自身的集群优势达到同样效果。而广西虽然被划分为技术进步型，但其技术进步指数的优势较其他同类省份较小，因此应选择从产业集群发展的角度，同样利用自身的规模经济优势、技术效率优势来达到提升集群创新效率的目的。

4.3 稳健性检验

稳健性检验可从集合论和统计论角度进行。从集合论角度出发，通过改变校准阈值、增减变量实现稳健性检验；从统计论角度出发，通过改变样本数据时间跨度等方法检验稳健性。本研究采用集合论的角度，将充分性检验的阈值改变为0.7 并对路径进行筛选后，得到了9 条路径，但基本的路径情况与对应的省份与阙值改变前保持大致一致，证明研究结果具有稳健性。

5 结论

创新是集群和企业发展的不懈动力，不断追求创新效率的提升是企业发展路途中永远的话题，因此企业创新路径也是学者们一直以来的研究热点。寻找一条万能适用的创新路径提升所有产业集群的创新效率显然是不可行的，不同企业、不同区域产业集群的自身情况、面临的环境都不同，一味套用某一种路径而不考虑集群本身特性有时可能会适得其反。本研究通过模糊集定性比较分析法，根据不同地区产业集群的特征得到适合各地区产业集群的创新路径。主要结论如下：

（1）在全面型、技术进步型、技术薄弱型、规模经济型这4 种类型的产业集群中，全面型集群分解出的变量指数均大于1，北京的创新型产业集群是唯一一个全面型集群；技术进步型集群是指分解出的变量中技术进步指数表现较好，即技术进步是其创新的主要推动力，包括福建、贵州、重庆、湖北等地区的创新型产业集群；技术薄弱型与技术进步型相反，分解出的变量中技术进步指数表现较差，技术上的停滞抑制了其创新的进程，这类集群包括内蒙古、吉林、云南等地区的创新型产业集群；规模经济型是指规模经济指数表现良好的产业集群，包括江苏、浙江、四川、天津等地区的创新型产业集群。

（2）根据产业集群创新效率的不同，集群创新路径包括全面型路径、环境型路径和聚集型路径。其中，全面型路径下大多数前因变量都需要出现才能促使最终结果发生，因此适用全面型集群和技术进步型集群；技术薄弱型集群需要大量的外部资源和开放式创新环境，因此适合环境型路径；聚集型路径既有区域聚集产生的知识溢出效应和产学研合作福利，也能够产生规模经济效应，因此适用技术进步型和规模经济型集群。

（3）通过模糊集定性比较分析法，得到出现频率比较高的影响创新型产业集群创新效率的指标有集群数量、产业联盟数和当年发明专利授权数量，其中集群个数和产业联盟数量都是极具集群特色的指标变量，反映产业集群在提高企业创新生产率方面的重要作用。集群数量和产业联盟数的增加可以增加企业之间的合作交流，并且形成具有竞争性的市场，刺激产业集群及其中企业的创新发展。

（4）各条路径与各省份集群的对应关系反映出，同一类型的产业集群在不同的省份可以对应不同的路径达到提高创新效率的效果，例如技术进步型集群有的可通过全面型路径完成，有的可通过聚集型路径完成。

同时，本研究仍存在不足之处：一是在进行DEA 分析时得到的样本集群创新效率有部分与预期不符，后续应通过进一步分析找出原因所在；二是在模糊集定性比较分析法中，使用二手数据得到的结论覆盖率一般应在30%以上，因此后续研究中应采用覆盖率较强的数据来源。

注释：

1）按照国务院发展中心发展战略和区域经济研究部使用的地区分类法，将我国31 个省份划分为3 个区域：东部地区（北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南）、中部地区（山西、安徽、江西、湖南、湖北、河南、吉林、黑龙江）和西部地区（重庆、四川、贵州、云南、西藏、陕西、甘肃、宁夏、青海、新疆、内蒙古、广西）。