知识生态结构、知识创新行为与知识环境促进制造业集群优化升级的多元路径分析

摘 要：以我国汽车产业集群数据为样本，采用必要条件分析方法（NCA）与模糊集定性比较分析方法（fsQCA），从知识生态视角分析知识生态结构、知识创新行为和知识环境3种类型、6项前因条件对制造业集群优化升级的多重并发联动效应。研究发现：①所有知识生态要素均不是引致高绩效的必要条件，仅知识主体能力对高绩效发挥普适性作用；②产生高绩效的集群优化升级路径为政产学研协同型、高知识凝聚型和知识生态集成型，在知识主体能力作为核心条件时，3条路径存在递进关系，同时，知识生态结构与知识环境存在潜在替代关系；③构建完善的知识生态结构、开展高水平知识创新行为是制造业集群获得高绩效的关键。

关键词：知识生态；制造业转型升级；NCA；fsQCA

DOI：10.6049/kjjbydc.2023050288

中图分类号：F272.4

文献标识码：A

文章编号：1001-7348（2024）20-0088-10

0 引言

知识经济和数智技术背景下，由上下游企业、科技服务中介等组织在特定地理位置集聚形成的产业形态即产业集群，已成为促进地区经济发展、提升国家竞争力的重要载体。中共二十大报告中提出要“推进新型工业化”“加快建设制造强国”“推动战略性新兴产业融合集群发展”。制造业作为我国重要的支柱性产业，如何促进其产业集群优化升级已引起众多学者关注。

中国制造业经过改革开放40多年发展，已实现从生产简单玩具、纺织品向提供大量精密电子产品的跨越。一些企业通过为国外代工，培育了自己的制造能力，其知识创新与技术创新水平也获得显著提高。制造业集群在代工过程中成为知识生态建设的基础力量，在生态位匹配与主体互动基础上，实现横向竞合、纵向耦合共生的生态化发展态势，这对集群企业知识积累与整合、核心竞争力提升乃至整体转型升级具有重要战略意义［1］。

目前我国制造业集群优化升级主要存在3个方面问题：第一，集群企业个体创新能力不足，显性和隐性知识流动滞缓。由于信息不对称，企业之间存在知识壁垒，知识创新动力不足，生产技术革新裹足不前（张玲等，2020）。第二，产业链上下游企业的沟通与协作能力不足，知识整合与应用能力较弱，工作胜任力以及凝聚力未充分激发［2］。第三，集群产业链存在割裂现象，知识载体关系稀疏，没有达成统一愿景，缺少龙头企业，无法协同发展［3］。这些均是影响制造业集群优化升级的痛点，且与产业集群知识生态及创新行为密切相关，值得深入探讨。

当前，我国传统制造业正向知识密集型现代制造业转型，探讨知识生态要素对制造业集群的影响有利于促进集群创新、培育产业发展的新经济增长点。但遗憾的是，知识生态影响制造业集群优化升级的要素及作用机理的理论“暗箱”尚未打开。为此，本文将从知识生态视角切入，通过研究主体交互机制、知识创新行为以及知识环境，探究促进制造业集群优化升级的要素组合，从而为制造业高质量发展提供理论指导与实践参考。

1 理论基础

1.1 制造业转型升级理论

针对制造业转型升级问题，相关学者主要应用价值链理论、微笑曲线理论和创新理论展开广泛而深入的研究。上述理论均指出，制造业转型的核心是通过技术创新和资源配置提升核心竞争力，从而实现转型升级。目前关于制造业转型升级的研究方兴未艾，但与集群优化升级的相关研究较少。现有的产业集群研究主要集中在外部因素赋能、内部创新资源整合以及产业创新生态系统层面。从外部赋能视角，数字经济被认为是促进制造业转型升级的重要推手［4］。从内部创新视角，学者们多聚焦于产业结构升级［5］和创新体系建设研究。创新生态系统建设强调系统主体之间、系统主体与环境之间的互动有助于实现产业情境与创新生态的有机融合［6］。跨领域知识融合是实现高质量发展的关键［7］，而知识生态则从微观层面揭示知识融合与创新的全过程。在知识生态网络中，处于不同生态位的知识主体借助知识流，实现知识系统演化与知识创新（汤林伟，2013），最终获得生态位提升，这从侧面说明知识创新与互动机制有助于促进产业集群优化升级。创新生态系统研究主要关注宏观层面的创新主体、创新资源与环境之间的互动关系；知识生态系统研究侧重于分析主体间的知识互动演化规律；产业生态系统研究则以功能定位来区分研究主体，从产业内涵特征与驱动因素两方面探究产业生态系统协同演化。虽然产业生态、创新生态和知识生态3个系统的研究主体不尽相同，但在研究方法和构念选取上存在借鉴之处，三者相互完善、互为补充，为产业集群研究打下坚实基础。

制造业转型升级是促进工业经济可持续发展、高质量发展的必然选择。集群优化升级是制造业发展的必然方向，集群内主体众多，从知识生态视角切入，通过构建知识创新协同发展网络有助于充分发挥创新驱动效应，促进产业集群优化升级。

1.2 知识创新理论

20世纪90年代，艾米顿提出“知识创新是一种通过创造、引进、交流和应用，将新理念转化为产品和服务以促进企业获得成功的活动”。之后学者们逐渐重视知识创新活动。Braunerhjelm等［8］认为，企业员工间的知识流动是知识创新的动力之源；Rapini等［9］通过研究集群企业知识共享行为发现，产学研合作可以促进创新水平提高，知识整合和知识流动是知识创新机制的重要构成环节。其他学者对知识创新机制也进行了相关研究，如Frishkoff等［10］基于知识生态视角，认为知识创新机制是由人、制度、组织、技术等构成的复杂系统；储节旺［11］认为，知识演化与创新是知识竞争、协同的最终结果。

在前人研究基础上，本文认为，知识创新是知识在各主体间流转演化、巩固再生的过程，知识主体差异性会导致其外在表现不同。知识创新机制可以划分为知识演化与协同、知识整合与分布、知识部署与巩固，三者相互联系、相互作用。在不同主体间，知识演化与协同作为创新的源泉具有普适性。

1.3 知识生态理论

1991年，Pór首次提出知识生态学概念，并将其引入知识管理领域。知识生态系统由知识、知识主体以及环境构成，并存在与能量流动、信息传递相似的知识流动。按照知识载体层级，可将知识主体划分为知识个体、知识种群与知识群落，三者通过环境的作用构成完整、复杂的知识链和知识网络［12］。

制造业集群有着与知识生态系统相似的组织结构，且集群内部知识活动紧密交互，知识流动循环于各主体之间，各级知识主体占据不同生态位，基于自身禀赋与知识创新活动寻求生态位提升，最终实现集群转型升级即知识生态系统演化跃迁，因此制造业集群可以看作是另一种知识生态系统。

在制造业集群知识生态系统中，各主体按照资源禀赋和所处网络位置，拥有不同生态位［13］。知识生态位反映了知识主体在市场环境下的知识地位以及与其他知识主体的关系。知识创新是知识生态系统运转的内在动力机制，而知识生态位是其外在表现形式。知识生态系统以知识创新为驱动力，以知识流作为连接集群知识主体的载体，通过一系列知识活动，最终实现整个集群知识生态位跃迁。

2 知识生态视角下制造业集群优化升级模型

近年来，知识生态理论在智库联盟、技术标准联盟和虚拟学术社区等领域应用广泛，并逐步拓展到产业创新研究领域。知识生态系统结构类似于自然界组成，其中，企业是系统的基本组成单位，通过纵向联接上下游企业、横向联接关联性企业，即可实现知识链协同，而知识链的交错编织出知识网络。借助生物学隐喻剖析知识生态系统结构要素及特征，有助于明晰各要素作用与内在联系，具体如表1所示。

本文将从知识生态结构、知识创新行为和知识环境3个层面构建制造业集群优化升级分析框架。

2.1 知识生态结构、知识创新行为、知识环境与集群优化升级

2.1.1 知识生态结构与集群优化升级

（1）知识主体能力。知识主体能力取决于个体占据的生态位或拥有的知识资源等禀赋之和。在制造业集群中，知识资源保有量是实现知识创新的基础［14］，知识主体创造力是实现价值增值的关键。Sun等［15］根据拥有的核心知识量，将企业分为优势企业和劣势企业，以此探究异质性企业知识创新行为的演化过程。知识主体能力是知识创新的基础，知识创新有助于增加企业知识储备，二者相辅相成，为知识主体生态位提升奠定基础。

（2）知识链整合。知识链整合是指将纵向的上下游企业、横向的关联性企业进行有效联结［16］。知识链整合是知识创新的量变阶段，对应的主体是产业链上下游企业群落。知识流动是一个循环往复且不断产生反馈的过程。知识链上的知识流动侧重于知识整合与知识部署，以确保面对特定目标时企业群落拥有完整的知识体系［17］。同时，链上企业能快速响应用户需求，并通过知识链的高效管理降低创新成本，从而获得自身生存与发展空间［18］。

（3）知识网建构。随着知识链延伸以及知识需求多样化，同一知识主体可能处于不同知识链，因而知识主体间呈现网状结构，即知识网（詹湘东等，2019）。知识网建构是制造业集群进行知识创新的质变阶段［19］，其核心是提高集群知识凝聚性，完成知识部署与知识巩固，从而协调不同知识链完成集群战略性任务［20］。知识凝聚性提升是知识部署与知识整合过程中表现出来的一种动态能力。良好的组织沟通与协调能力、及时准确的战略决策、优秀的组织文化与正确的组织价值观是知识网络完善的重要体现［21］。

2.1.2 知识创新行为与制造业集群优化升级

知识创新行为是集群知识演化与知识协同活动的统称。如前文所述，知识演化与知识协同本身就是知识创新机制的一部分，其核心在于知识交换、整合、分布、巩固与部署［22］。知识演化侧重于显性知识与隐性知识的流转、内化及创新，是生态系统最基础、最重要的环节。研究产业链上下游企业如何通过大规模生产获得过程性知识，有助于厘清其内在逻辑，将经验方法移植到更高维度的集群层面，从而实现整体竞争力提升。集群优化升级的主要内容是优化产业结构，提高行业竞争力，获得更高的转型绩效，而知识演化与知识协同能够从源头促进集群上下游产业链“坐而论道”并“起而行之”，有助于深入挖掘整个产业集群知识创新的内生动力。

2.1.3 知识环境与优化升级绩效

知识环境是知识主体交互的重要物质条件和文化基础［23］。知识生态系统运行与其内外部环境密切相关。外部环境主要包括知识产权保护、知识转化保障、政府政策等，内部环境主要涉及地区高校、科研院所的人才交流、协作创新以及组织文化等方面。知识环境与知识主体之间交互复杂，知识主体需积极适应知识环境变化，才能实现知识创新、竞争力提升和生态位跃迁。

（1）知识转化保障。地区知识产权环境深刻影响知识主体创新活力，加大知识产权保护能够显著促进企业创新的观点已经得到多数文献证实。总体来说，知识转化保障主要通过防止恶意竞争、构建和谐的创新环境激发集群知识主体的创新热情［24］。同时，知识成果转化存在区域异质性［25］，强有力的知识转化保障是实现知识生态欣欣向荣的关键。

（2）学研助力。产学研合作可实现上、中、下游知识创新主体间交互与耦合，地方高校和科研院所是企业获得创新灵感的重要来源［26］。在知识生态系统中，企业一方面与大学、重点实验室构建一体化链条，畅通学术交流；另一方面紧密围绕产业发展需求，开展协同攻关（王茤祥等，2023）。在技术攻关层面，企业是创新主体，而学研方则为企业创新提供有力支撑。在基础研究攻关层面，学研方通过对海量数据进行模拟、仿真、训练与修正，不断打磨研究成果，拓展知识边界［7］。

综上所述，知识生态结构、知识创新行为与知识环境的相互作用机制如图1所示。

2.2 模型构建

在知识生态系统内，不同主体以及主体与环境之间存在复杂的交互关系。制造业集群优化升级是知识生态结构、知识创新行为与知识环境等诸多因素综合作用的结果，依靠单一要素很难提高系统绩效。因此，本文将知识主体能力、知识链整合、知识网建构、知识演化与协同、知识转化保障、学研助力6个要素视为制造业集群优化升级的前因变量，以优化升级绩效作为结果变量，构建以知识创新为核心、知识流动为纽带的制造业集群优化升级研究框架，如图2所示。

3 研究方法

3.1 NCA与QCA相结合

制造业集群优化升级影响因素繁多，而fsQCA的组态思想有助于解释多重并发的因果复杂性问题，是分析知识生态系统各要素联动对集群升级绩效影响的理想方法［27］。采用NCA与fsQCA相结合的方法，可以有效弥补fsQCA方法的不足，准确分析知识生态与制造业集群优化升级间的因果关系。

NCA与fsQCA是分析导致多因果现象出现的必要性、充分性条件的两种逻辑方法。NCA方法的应用逻辑是探究单个条件的必要非充分性，而fsQCA的应用逻辑是进行充分性分析，重点分析不同条件组合对结果的影响。在具体分析中，首先采用NCA方法测度知识生态结构、知识创新行为和知识环境条件是否是导致集群优化升级的必要条件，且在多大程度上促进集群实现高水平优化升级；其次，借助fsQCA方法，从整体视角进行跨案例比较分析，探讨知识生态结构、知识创新行为和知识环境的联动协同机制以及各知识要素之间的互动关系，从而揭示知识生态要素影响制造业集群优化升级的复杂因果作用。

3.2 数据来源与变量测量

本文选取案例均为近年进行了优化升级的产业集群。以中国汽车工业协会发布的汽车工业整车20强榜单为蓝本，选取案例企业所在地产业集群，剔除数据不完整、信息不完善的产业集群，并增加榜单外相关汽车产业集群，最终选定20个地市汽车企业制造业集群为样本。数据收集渠道如下：一是国内各地市统计年鉴和统计公报;二是各大车企官方网站;三是国家知识产权局官方网站、教育部官网、壹专利、企查查网站等多种渠道。由于知识生态要素投入对集群优化升级的影响具有时滞性，本文选取2019年1月1日至2020年12月31日的前因变量值，以及2021年1月1日至2021年12月31日的结果变量值进行分析。借鉴已有文献量化标准，对以下因素进行量化，如表2所示。

（1）知识主体能力。企业是产业集群的微观组成单元，也是知识创新和产业升级的主体。知识主体的创新力和知识量是实现集群知识生态系统演化跃迁的保障。本文采用中心企业拥有的专利总量作为衡量知识主体能力的指标［28-29］。

（2）知识链整合。知识链整合侧重于知识整合与知识部署。本文采用参与战略联盟个数、链上企业知识活动次数和链上企业共享专利个数衡量［16，23］。

（3）知识网建构。知识凝聚性体现了知识网建构过程中不同知识元素的整合程度，本文借鉴石静［30］的方法，采用知识网中各类主体关系代表知识网络建构水平。首先，计算不同企业间知识相关度，即共享专利与知识网中其它专利的相关度，计算公式如下：

WARit=∑j≠isijPjtEij∑j≠iPjtEij（1）

其中，sij表示中心企业i与企业j之间的专利相关度，如果中心企业i与企业j之间存在专利k（= 1，2，…，s）的引用关系，那么sij=1，否则sij =0；Pjt表示区域知识网t内企业j的专利总量；Eij表示中心企业i与企业j之间发生专利转让及专利许可活动的专利总量；WARit表示中心企业i与区域知识网t内其它企业的加权平均相关度。若WARit>1，则表示中心企业i与区域知识网t内其它企业的专利相关度较高。知识网络凝聚性采用区域知识网中全部企业的加权平均相关度之和，即：

COHt=∑ni=1WARit×Pit∑iPit（2）

其中，Pit 表示区域知识网t内中心企业i的专利总量；COHt表示区域知识网t的网络凝聚性。同理，若COHt>1，则表示区域知识网t内知识的整体关联度较高。

（4）知识演化与协同。知识演化与协同侧重于显性和隐性知识的流转、内化及创新［31］，因此采用集群企业跨组织的知识互动频数作为衡量企业知识演化与协同程度的指标［32］。该指标通过收集2019年1月1日至2020年12月31日之间案例企业有关战略合作、行业峰会、行业竞赛等新闻报道信息而得。

（5）知识转化保障。知识转化保障作为企业创新的环境基础，通过促进知识成果转化显著影响企业知识创新水平。本文采用地区技术市场交易额与其GDP比值［33］，测度地区知识环境对产业集群优化升级的影响。

（6）学研助力。在知识生态中，地方高校和科研院所是企业获得创新灵感的重要渠道，论文合著数量可从微观层面反映主体知识交流情况。结合论文特质并借鉴王晓红等［26］的研究，本文选取论文合著数以及单位时间内校企合作项目数作为衡量指标。

（7）优化升级绩效。产业集群优化升级的最终目的是提高经济效益和市场竞争力。因此，本文从经济效益和市场竞争力两方面衡量制造业集群优化升级绩效。考虑到利润［34］是产业集群优化升级成果的最终表现形式之一，故将其作为衡量转型绩效的指标。由前文分析可知，产业集群优化升级在知识生态评价中表现为系统生态位变化或跃迁，学者们通常采用“态”和“势”来测量当前主体生态位水平与发展趋势。如宋琪［13］利用新产品开发项目数、论文发表数等存量指标与专利申请增长率、合同数增长率等增量指标分别测度知识创新生态位的“态”和“势”；赵长轶［35］采用专利数量、产值利润率等指标测度产业综合生态位的“态”和“势”；薛晓芳［36］利用种群知识创新能力和种间关联指数分别测量虚拟企业生态系统知识生态位的“态”与“势”。结合胡宁宁［37］、储节旺［38］等的研究以及知识生态特质，本文选择地区产学研合作项目数和地区新增专利数分别作为测度生态系统生态位 “态”与“势”的指标，同时，二者也可从市场竞争力层面反映产业集群优化升级绩效。其中，地区产学研合作项目数用以衡量产业集群所积累的资源禀赋，地区新增专利数用以测量集群知识创新能力。

3.3 标准化处理

结合已有研究与数据特征，将样本数据的3个锚点分别设为75分位值、50分位值和25分位值，接着将7个变量输入SPSS26.0软件进行校准。

4 结果分析

4.1 单一要素必要条件分析

NCA方法能够分析要素是否以及在多大程度上是结果的必要条件。利用回归上限技术（CR）和包络上限技术（CE）两种方法分别计算效应量。在NCA中，效应量d值表示前因变量在多大程度上是结果的必要条件。若效应量d≥0.1且蒙特卡罗仿真置换检验结果显示效应量显著，则认为该条件为必要条件。

表3是使用NCA方法对6个前因变量进行分析的结果。综合来看，除知识主体能力外，其余5个前因变量的蒙特卡罗仿真置换检验p值均大于0.01，因而不符合必要条件要求。知识主体能力p值＜0.01且CR估计效应量高达0.308，即采用上限回归（CR）方法生成函数时仅有知识主体能力是引致产业集群优化升级的必要条件。

根据瓶颈分析结果可知，如表4所示，要达到100%的集群优化升级水平，知识主体能力、知识链整合、知识网建构、知识演化与协同、知识转化保障和学研助力6个前因变量的水平值分别为82.3%、85.6%、47.4%、44.1%、82.3%和49.7%。随着集群绩效水平提高，各变量增长幅度不均衡，具体为知识链整合＞知识主体能力、知识转化保障＞学研助力＞知识网建构＞知识演化与协同。

采用fsQCA方法的必要分析结果如表5所示，可以发现，6个前因变量的一致性值均低于0.9，说明其不是产生高绩效的必要条件。通过比较发现，fsQCA中知识主体能力的必要性与NCA的结果稍有出入，其原因可能是fsQCA与NCA方法存在差异。根据Dul的观点，观测值的不同分布会导致fsQCA估计参考线与NCA估计上限值存在差异，且NCA与fsQCA对重要性的定义不同，因此fsQCA在数据集中发现的必要条件比NCA少得多。此外，在fsQCA组态分析中知识主体能力作为核心条件出现了11次，在一定程度上证明知识主体能力对高绩效产生具有普适性作用，因此NCA与fsQCA的结果在整体上具有一致性。

4.2 组态充分性分析

采用fsQCA方法分析全样本条件下引致高绩效的组态要素，不同组态表示不同的要素匹配路径。本文的案例数为20个，为中等规模样本。参照已有研究，将原始一致性阈值和PRI一致性阈值分别设为0.8与0.7，同时，将案例频数阈值设置为1，最终得到fsQCA分析结果如表6、表7所示。结果显示，产生高绩效的组态有5种，产生非高绩效的组态有6种，其一致性与整体解的一致性均高于0.8，解的覆盖度也高于标准值0.5，表明结果较理想。其中，知识主体能力对每种组态都是至关重要的核心条件，该变量分别与其它条件组合成为实现制造业集群高质量发展的路径。同时，引致非高绩效的组态中，知识主体能力成为缺失的核心条件，但与高绩效组态不存在对应关系。

4.2.1 高绩效路径分析

（1）政产学研协同型。组态S1显示，知识环境友好型地区通过强化以知识主体能力为主，知识转化保障和学研助力为辅的要素组合可以产生高绩效。该组态的一致性为0.86，原始覆盖率为0.15，能够解释15%的样本。这是因为该类型地区知识主体能力较强、知识资源丰富，知识转化保障受到足够重视，科研院所、高校与企业之间交往密切，能够相互取长补短，即使知识生态结构欠佳，也可以凭借其庞大的专利拥有量、坚实的研发基础与高效的执行力维持自身优势地位，从而使得集群获得高绩效。

该组态的典型案例包括上汽集团和北汽集团。以上汽集团为例，作为中国汽车制造行业的龙头企业，截至2023年1月1日，上汽集团拥有111 506条专利，位居中国车企专利保有量第一名。上汽集团总部位于上海自贸区内，便捷的贸易渠道、优惠的税收政策和严格的产权保护制度共同构筑了自由宽松的外部知识环境。2021年12月15日，上海自贸试验区临港新片区管委会发布《中国（上海）自由贸易试验区临港新片区支持知识产权发展的若干政策》，对符合要求的项目提供资金支持，为地区产业形成高质量知识产权成果提供了政策保障。2023年2月9日，浦东新区发改委发布《引领区改革创新案例》，该文件以《引领区意见》为纲要，通过统筹政策、社会资源、专业服务全方位赋能创新生态建设，构建政产学研金服用七位一体的创新生态体系，推动制造业集群研发中心向开放创新中心升级，深度赋能产业链中小企业协同创新，打造生机勃勃的创新“热带雨林”。上海自贸试验区良好的创新环境与上汽集团的深耕相互成就，共同铸就了国家队车企的辉煌。

（2）高知识凝聚型。组态S2、S3与S5的核心条件相同，构成二阶等价组态，可以一并分析。该路径以完善的知识网络和较强的知识主体能力为核心条件，以知识链高效协同整合为边缘条件。3种组态的一致性均大于0.85，且累计覆盖度达到0.56，能够解释56%的样本。在该路径下，通过建构完善的知识网络将集群供应商整合起来，将高凝聚性作为一条强有力的纽带，促进中心企业与上下游供应商知识交互。自上而下的知识流动使得各级主体的知识标准得以统一，知识链与知识网之间的交互紧密而高效。中心企业的创新诉求通过逐级传导，快速得到响应，由于标准一致，知识主体的跨层级沟通成本大大降低，促使创新步伐加快，并有助于增强企业市场竞争力。

除东风汽车和长安汽车外，该路径的典型案例还包括吉利汽车和奇瑞汽车。以东风汽车为例，作为国内汽车行业第二梯队的领头羊，东风汽车积极构建自身知识生态系统，利用自身能力辐射带动配套产业集群发展及转型。东风集团董事长竺延风在2022中国汽车供应链大会上提到，我国汽车供应链正向多主体参与的网状生态演变，要坚持共生共构、共同进化，推动汽车产业转型升级。汽车行业具有其特殊性，产品设计和工艺改进牵一发而动全身。东风集团高屋建瓴、统筹规划全局，以构建完善的知识网络推进零部件业务布局与产品研发，增强零部件与整车同步开发能力，促使更多零部件企业向价值链中高端迈进。

（3）知识生态集成型。组态S4显示，虽然学研助力存在缺失，知识转化保障不确定，但是在知识生态体系构建完善、知识主体能力较强的情况下，也可以实现高绩效。该组态的一致性为0.9，覆盖度为0.21，能够解释21%的样本。这是因为即使地方政府知识产权监管缺位或地区教育资源匮乏，但是只要该地区知识生态系统自成一体，仍能实现良性循环。一方面，各知识主体频繁交互，知识演化自下而上、层层递进，并借助知识流贯穿不同层级生态位企业，为整个知识生态系统提供源源不断的知识储备和技术支持；另一方面，完善的知识生态结构会反哺各级知识主体，如知识凝聚性有助于提升各主体抗风险能力，支持不同主体结成灵活、松紧有致的小团体，促进产业集群协同发展。

该路径的典型案例包括比亚迪和潍柴动力。以比亚迪为例， 2022年比亚迪无可争议地摘得该年度全球新能源汽车销量冠军。作为较早布局新能源汽车的车企之一，截止到2023年3月25日，比亚迪拥有45 240条专利。比亚迪汽车具备从电池、电机、电控到整车的全产业链研发制造能力，产业规模和生产能力位居全球前列。同时，比亚迪构筑了完善的知识生态体系，带动百余家重点企业创新发展，在电动汽车产业链上、中、下游形成完善的产业布局，拥有相对完整的知识链，使得处于不同生态位的企业能够不同程度地享受知识流带来的便利。知识生态系统循环往复，造就了产业集群强大的核心竞争力，即使产学研联系稀疏，也可实现高绩效。

4.2.2 非高绩效路径分析

本文也检验了导致非高绩效的路径，共有6种组态，具体为表5中的NS1、NS2、NS3、NS4、NS5和NS6，大致可分为3条路径：第一，知识生态抑制型。组态NS1和NS2显示，当6种条件几乎都缺失时，不会产生高绩效，如哪吒汽车和江铃汽车。第二，资源—政策抑制型。组态NS3和NS4显示，在知识主体能力、知识转化保障和学研助力都缺位的情况下，单独的知识演化与协同以及知识链或知识网络构建并不能有效促进转型升级，其中的典型案例如小鹏汽车、中通客车和宇通客车。第三，主体资源—创新活力匮乏型。组态NS5和NS6显示，在知识演化与协同、知识创新表现以及知识主体能力、资源禀赋不足的情况下，即使努力建构知识链或知识网络，也无法实现高绩效，如海马汽车和华晨汽车。综合上述分析，不难发现，3条路径呈现出一定共性，即知识主体能力中资源禀赋不足是引致非高绩效的直接原因，但如果知识生态系统构筑完善，或许可以摆脱知识资源不足的桎梏，获得高绩效。

4.3 稳健性检验

根据已有研究经验，本文将样本数据的3个锚点调整为95分位值、50分位值和5分位值，并将一致性阈值提高至0.9，发现组态核心条件的分类未发生改变，说明本文研究结果具有较高稳健性。

5 结论与启示

5.1 研究结论

本文通过拓展知识生态理论框架，采用NCA与fsQCA方法从知识生态结构、知识创新行为、知识环境三方面研究制造业集群实现优化升级的组态路径，得到如下结论：第一，任何单独的知识生态要素均不是引致高绩效的必要条件，仅知识主体能力对高绩效发挥较为普适的作用。第二，存在3条引致高绩效的路径，即政产学研协同型、高知识凝聚型和知识生态集成型。在知识主体能力作为核心条件存在时，知识生态结构与知识环境存在潜在的替代关系。第三，在知识主体能力较强、资源禀赋较为丰富的地区，选择高知识凝聚型路径是实现高水平转型绩效的最优选择。第四，在知识主体能力较强时，3条高绩效转型路径之间存在递进关系。其中，政产学研协同型是实现高水平转型升级的初级路径，其关键是产学研高度协同、地方性法规完善健全。在此基础上，若能构筑完善的知识链与知识网，即可通过高知识凝聚型路径迈向中级阶段，此阶段集群知识生态初见成型，高知识凝聚性使得沟通效率和交互频度获得较大提升。另外，随着不同主体间交互增强，集群知识演化与协同能力也得到提高，而完善的知识生态结构和较强的知识创新能力是集群释放创新活力、实现转型升级的关键，同时，也是知识生态要素的集成者，由此实现向更高阶段的知识生态集成型路径迈进。第五，3条非高绩效集群转型路径具有的共性特征为地区知识主体能力孱弱、科研资源匮乏。此时，选择知识生态集成型路径有可能摆脱先天资源禀赋不足的桎梏，获得高绩效。整体来看，构筑完善的知识生态结构和具有较高的知识创新能力是制造业集群获得高水平转型升级绩效的关键。

5.2 管理启示

由上分析可知，知识生态结构、知识创新行为、知识环境要素赋能制造业集群优化升级的实现机制具有多重并发性、非对称性和多种路径等效性。各制造业集群应结合自身情况，积极探索各具特色的优化升级路径。

（1）以深圳（比亚迪）和潍坊（潍柴动力）等案例为代表的知识生态集成型路径是实现高绩效的有效捷径，但该模式对集群知识生态结构、知识创新行为等都有较高要求，因此并不具有普适性。究其原因，比亚迪和潍柴动力都是在特定转型期抓住机遇、转变赛道，通过构筑完善的知识生态、锐意创新，实现技术积累，为日后弯道超车打下坚实基础。因此，该路径只有在满足特定要求的情况下才会成为有效捷径。

（2）高知识凝聚型路径是实现高水平转型绩效的最优选择。该路径的特色案例为杭州（吉利汽车）、武汉（东风汽车）、重庆（长安汽车）和芜湖（奇瑞汽车）。芜湖汽车产业之所以能够跻身成功范例，是因为芜湖市在整车—零部件—后市场服务方面的高效联动有目共睹，实现了网络企业互联互通、共生互生的创新协同与优势共享。在高知识凝聚性下，企业知识交互密切，跨层级沟通成本降低，有助于增强知识网络中企业市场竞争力，助力产业集群优化升级。

（3）知识生态基础较为薄弱的地区，应正视知识主体能力和资源禀赋的不足。一方面着力构建地方制造业集群知识生态体系，以培育专精特新“小巨人”企业为突破口，不断优化知识生态结构；另一方面政府应加强知识产权保护，完善企业知识产权认证制度，建立产权预警机制。

5.3 不足之处

本研究尚存在一些不足，有待进一步完善。首先，知识生态是由多种要素构成的复杂系统，本文仅从“生态结构—创新行为—知识环境”3个维度提炼出6个知识生态要素，未来可从多角度、多层面对知识生态系统进行剖析;其次，本文仅对中国内地20个地市的车企制造业集群进行研究，未来可选取更多样本案例，采用大样本验证研究结论。

参考文献：

［1］ 黄晓琼，徐飞.知识生态视域下面向产业集群的区域综合科技服务系统生态化发展研究［J］.科技进步与对策，2021，38（3）：60-69.

［2］ 林润辉，王伦.基于探索式创新的知识整合能力对突破式创新的影响——企业吸收能力与创新开放度的调节作用［J］.科技管理研究，2023，43（1）：19-27.

［3］ YE D， WU Y J， GOH M.Hub firm transformation and industry cluster upgrading： innovation network perspective［J］.Management Decision， 2020， 58（7）： 1425-1448.

［4］ 周勇，吴海珍，韩兆安.数字经济对制造业转型升级的影响［J］.统计与决策，2022，38（20）：122-126.

［5］ 吕明元，程秋阳.工业互联网平台发展对制造业转型升级的影响：效应与机制［J］.人文杂志，2022，66（10）：63-74.

［6］ 辛晓华，缪小明，魏芬芬.产业创新生态系统组态与产业竞争力——基于模糊集定性比较分析［J］.中国科技论坛，2023，39（3）：82-92.

［7］ 成琼文，赵艺璇.创新生态系统知识融合的组态路径研究［J］.科研管理，2023，44（7）：41-49.

［8］ BRAUNERHJELM P，DING D，THULIN P.The knowledge spillover theory of intrapreneurship［J］.Small Business Economics，2018，51（1）： 1-30.

［9］ RAPINI M S，DA MOTTA E ALBUQUERQUE E，CHAVE C V，et al.University-industry interactions in an immature system of innovation：evidence from Minas Gerais，Brazil［J］.Science and Public Policy，2009，36（5）：373-386.

［10］ FRISHKOFF G A， COLLINS-THOMPSON K， PERFETTI C A， et al.Measuring incremental changes in word knowledge： experimental validation and implications for learning and assessment［J］.Behavior Research Methods， 2008， 40（4）： 907-925.

［11］ 储节旺，李佳轩，唐亮亮.元宇宙视域下的知识生态系统探析——要素、机理与展望［J］.情报科学，2023，41（4）：10-16，25.

［12］ 蒋天颖，程聪.企业知识转移生态学模型［J］.科研管理，2012，33（2）：130-138.

［13］ 宋琪，谷灏，陈晓红.基于组合赋权法的区域知识创新生态位测度研究［J］.创新科技，2023，23（5）：43-53.

［14］ QUINTANA-GARCIA C， BENAVIDES-VELASCO C A.Knowledge organisation in R&D alliances： its impact on product innovation［J］.Technology Analysis & Strategic Management， 2011， 23（10）： 1047-1061.

［15］ SUN Z， ZHANG W.Do government regulations prevent greenwashing？ an evolutionary game analysis of heterogeneous enterprises［J］.Journal of Cleaner Production， 2019， 231： 1489-1502.

［16］ 刘强，张婉茜，李晓娣，等.知识库兼容性对螺旋型知识创新的影响机理研究［J/OL］.工程管理科技前沿：1-12［2024-01-06］.

［17］ 陈佑成，郭东强.企业转型过程中的知识生态系统协同演化研究 ［J］.情报理论与实践， 2015， 38 （4）： 51-56.

［18］ 吴玉浩，姜红，孙舒榆.知识生态视角下技术标准联盟的稳态机制研究 ［J］.情报理论与实践， 2019， 42 （10）： 63-70.

［19］ OKRENT D.Risk perception and risk management： on knowledge， resource allocation and equity［J］.Reliability Engineering & System Safety，1998，59（1）： 17-25.

［20］ KHANNA R， GULER I.Degree assortativity in collaboration networks and invention performance［J］.Strategic Management Journal， 2022， 43（7）： 1402-1430.

［21］ TSOUKAS H.The firm as a distributed knowledge system： a constructionist approach［J］.Strategic management journal， 1996， 17（S2）： 11-25.

［22］ CROTEAU D， HOYNES W.Media/society：industries， images， and audiences［M］.London：Sage Publications， 2013.

［23］ 吴玉浩，姜红，陈晨.智库联盟知识生态系统的演化与运行机理研究——以阿里研究院为例［J］.情报理论与实践，2022，45（1）：54-62.

［24］ 吴超鹏，唐菂.知识产权保护执法力度、技术创新与企业绩效——来自中国上市公司的证据［J］.经济研究，2016，51（11）：125-139.

［25］ 武尔娜.农业知识产权转化应用问题与策略分析［J］.现代农业研究，2022，28（12）：25-27.

［26］ 王晓红，胡士磊.中国高校产学合作效率：测算及外部环境因素的影响［J］.世界科技研究与发展，2017，39（6）：503-510.

［27］ 杜运周，李佳馨，刘秋辰，等.复杂动态视角下的组态理论与QCA方法：研究进展与未来方向［J］.管理世界，2021，37（3）：180-197.

［28］ LEIPONEN A， HELFAT C E.Innovation objectives， knowledge sources， and the benefits of breadth［J］.Strategic Management Journal， 2010， 31（2）： 224-236.

［29］ 康淑娟，安立仁.政府干预、知识资源与区域创新绩效——基于价值链视角的双重门限效应［J］.科技进步与对策，2020，37（1）：57-64.

［30］ 石静，孙建军.科技创新团队的知识网络构建与知识测度研究［J］.情报学报，2022，41（9）：900-914.

［31］ SENOO D， MAGNIER-WATANABE R， SALMADOR M P.Workplace reformation， active ba and knowledge creation：from a conceptual to a practical framework［J］.European Journal of Innovation Management， 2007， 10（3）： 296-315.

［32］ 王筱莉，张静，陈淑琴.虚拟学术社区知识生态系统的演化及其内部知识流动研究［J］．情报理论与实践，2022，45（12）：156-163.

［33］ 丁勇，杨虹.知识产权保护对区域创新的影响机制研究［J］.科学与管理，2024，44（1）：10-17.

［34］ 陈立敏，谭力文.评价中国制造业国际竞争力的实证方法研究——兼与波特指标及产业分类法比较［J］.中国工业经济，2004，22（5）：30-37.

［35］ 赵长轶，王莹.我国高技术产业生态位评价研究——基于省际面板数据的实证研究［J］.决策咨询，2021，32（2）：56-63.

［36］ 薛晓芳，覃正.虚拟企业的知识创新机制及其知识生态位研究［J］.情报杂志，2008，27（8）：73-76.

［37］ 胡宁宁，侯冠宇.区域创新生态系统如何驱动高技术产业创新绩效——基于30个省份案例的NCA与fsQCA分析［J］.科技进步与对策，2023，40（10）：100-109.

［38］ 储节旺，李佳轩.知识生态系统视角下的产学研协同共生演化机理研究［J］.情报科学，2023，41（4）：2-9.

（责任编辑：胡俊健）

英文标题

Multiple Paths for Optimization and Upgrading of Manufacturing Clusters through Knowledge Ecological Structure， Innovation Behavior and Knowledge Environment： A Fuzzy-set QCA Approach Based on the Automotive Industry Data

英文作者Xue Chaogai， Feng Kaibo， Cao Wujun

英文作者单位（School of Management， Zhengzhou University， Zhengzhou 450001， China）

英文摘要Abstract： Against the backdrop of the knowledge economy and digital intelligence technology， manufacturing industry clusters have gradually become crucial in promoting regional economic development and strengthening national competitiveness.Over the past two decades， China has been developing a vast and highly skilled workforce that is adapted to the most tech-intensive industries.In this process， some companies have cultivated their amazing manufacturing capabilities by contracting foreign products， and thus the manufacturing clusters have formed the knowledge ecology base in the formation process.However， the "theoretical darkbox" of how knowledge ecology affects the transformation of manufacturing clusters as well as the combination effect of influencing factors.How to promote its efficient transformation has attracted the attention of both scholars and practitioners.

According to the knowledge ecology theory， the knowledge ecosystem contains the interaction between knowledge subjects within a cluster and between subjects and the environment， maintaining the order of interspecific relationships and niche evolution at different levels.Therefore， the six elements of knowledge subject capability， knowledge chain integration， knowledge network construction， knowledge evolution and collaboration， knowledge transformation guarantee， and academic research assistance are regarded as the antecedent variables for the transformation and upgrading of the manufacturing industry.The transformation and upgrading performance is used as the outcome variable， and a path framework for the transformation and upgrading of the manufacturing industry cluster is constructed with knowledge innovation as the core and knowledge flow as the link .The study tracks 20 official websites of automobile companies using Python to obtain two-year data from January 1， 2019 to December 31， 2020.On the basis of the data， the multiple concurrent linkage effects of three types and six antecedents in the transformation and upgrading of manufacturing clusters are analyzed from the perspective of knowledge ecology by the necessary condition analysis （NCA） and fuzzy set qualitative comparative analysis （fsQCA） methods.

The results show that all knowledge ecological elements are not necessary for high transformation performance， and only the condition of "knowledge subject capability" plays a more general role in high transformation performance.The transformation and upgrading paths with high performance are in the types of "government-industry-academia-research synergy"， "high knowledge cohesion" and "high knowledge cohesion".When the ability of the knowledge subject exists as the core condition， there is a progressive relationship among the three paths， and there is a potential substitution relationship between the knowledge ecological structure and the knowledge environment.For manufacturing clusters， the construction of a sound knowledge ecological structure and high knowledge innovation behavior are key to achieving high transformation and upgrading performance.

In terms of the theoretical contributions of this study， it firstly constructs an integrative model to analyze the linkage and collaboration mechanism built by knowledge ecological structure， innovation behavior and knowledge environment， as well as the interaction relationship among various knowledge elements， so as to reveal the complex causal mechanism of knowledge ecological factors affecting the transformation performance of manufacturing clusters.Secondly， focusing on the performance and development of knowledge innovation behavior in different ecological structures， it clarifies its internal logic and helps to transfer the empirical method to the higher dimension of the cluster level， so as to improve the overall competitiveness.Thirdly， it sorts out the mechanism of knowledge innovation in manufacturing clusters and expands the theoretical research on the transformation and upgrading of manufacturing clusters from the perspective of knowledge ecology.

As to the practical contributions of this study， it first provides practical paths and methods for the transformation of manufacturing clusters against the background of digital economy and intelligent manufacturing.Second， it makes up for the lack of theories and methods in the upgrading of industrial chain， and provides practical methods for the high-quality development of clusters.Third， it provides management suggestions， practical paths， and a policy basis for the government to formulate talent introduction and industrial policies.

英文关键词Key Words：Knowledge Ecology; Transformation and Upgrading of Manufacturing Industry; Necessary Condition Analysis;Fuzzy Set Qualitative Comparative Analysis

收稿日期：2023-05-15 修回日期：2023-08-02

基金项目：教育部人文社会科学研究项目（23YJC630090，19YJA630096 ）

作者简介：薛朝改（1978—），女，河南邓州人，博士，郑州大学管理学院教授、硕士生导师，研究方向为制造业转型升级；冯凯博（1999—），男，河南平顶山人，郑州大学管理学院硕士研究生，研究方向为制造业转型升级；曹武军（1971—），男，河南郑州人，博士，郑州大学管理学院教授、硕士生导师，研究方向为电子商务、跨境电商。本文通讯作者：冯凯博。