江蘇省產業技術創新戰略聯盟的灰評估研究——基于中心點三角白化權函數

張 瑜，菅利榮，倪 杰，劉 劍，羅 茜

(1．南京航空航天大學 經濟與管理學院，江蘇 南京 210016；2．金陵科技學院 商學院，江蘇 南京 211169)

一、引 言

產業技術創新戰略聯盟(Industrial Technology Innovation Strategy Alliance)起源于戰略聯盟，進入20世紀90年代后，越來越多的學者關注產業技術戰略聯盟。產業技術創新戰略聯盟是產學研合作模式的一種，是以產為技術進步目標，以企業發展的內在需求和聯盟參與方的共同利益為基礎，通過資源共享和創新要素的優化組合，由企業、科研機構、大學、中介機構等構成的新型產學研合作創新組織。國外對產業技術創新戰略聯盟的研究主要從過程管理［1-2］、內在沖突［3-4］、理論研究［5-7］、合作伙伴選擇［8-9］、績效評價［10-12］等方面進行研究。而國內側重于聯盟的模式分類［13］、運行機制［14］、影響因素［15］、組織模式優化［16］、知識轉移效率［17］、績效評價［18-19］等方面。美國麥肯錫咨詢公司研究報告指出：自20世紀90年代以來，被調查的800多家參與ITIA的美國企業，僅40%的聯盟能維持在4年以上，大部分聯盟短期內解體［20］。從我國產業技術創新戰略聯盟實際運行情況來看，其建立時間較短，對其研究還處于初級階段，還未形成系統的理論成果。同時也有數據顯示，我國聯盟的失敗率高達50%以上［21］，嚴重挫傷了企業參與聯盟的積極性。因此，探索如何建立適合我國本土的產業技術創新戰略聯盟有其實際意義。

二、基于中心點三角白化權函數的灰評估方法

聚類分析就是將研究的對象按照一定的算法分成若干個類的一種數學分析方法。常用的聚類方法有層次的方法(也稱系統聚類法)［22-23］、劃分方法［24-27］、基于密度的方法、基于網格的方法［28-30］、基于模型的方法［31］。不同的方法各有其優點和缺點。

而灰色聚類不同于以上聚類文獻，它是根據灰色關聯矩陣或灰數的白化權函數將一些觀測指標或觀測對象劃分成若干個可定義類別的方法，適宜于“少數據”、“貧信息”系統中的對象［32］。由于江蘇省產業技術創新戰略聯盟成立時間不長，對其進行評價可獲得的信息較少，因此，本文采用基于中心點三角白化權函數［33］進行灰評估。

定義 設有n個聚類對象，m個聚類指標，s個不同灰類，根據第i(i=1,2,…,n)個對象關于 j(j=1,2,…,m)指標的觀測值xij(i=1,2,…,n;j=1,2,…,m)將第i個對象歸入第k(k∈{1,2,…,s})個灰類，稱為灰色聚類［32］。

利用基于中心點三角白化權函數的進行灰評估，其步驟如下［33］：

(2)連接點(λk,1)與第k-1個小區間的中心點(λk-1,0)以及(λk,1)與第k+1個小區間的中心點(λk+1,0)，得到 j指標關于 k灰類的三角白化權函數(?),j=1,2,…,m;k=1,2,…,s。對于(?)和(?)，可分別將 j指標的取數范圍向左、右延拓至λ0，λs+1，可得 j指標關于灰類1的三角白化權函數(?)和 j指標關于灰類s的三角白化權函數(?)。對于指標 j的一個觀測值x，可由下列公式計算出其屬于灰類k(k=1,2,…,s)的隸屬度(x)：

(3)確定各指標的聚類權ηj(j=1,2,…,m)。

(4)計算綜合聚類系數，即

三、江蘇省產業技術創新戰略聯盟的現狀

江蘇省產業技術創新戰略聯盟于2009年開始建立，由江蘇省科技廳倡議發起，各市科技局具體落實，截止2012年4月，省一級的產業技術創新戰略聯盟已達到了30個，有江蘇省環保產業技術創新戰略聯盟、江蘇省融合通信產業技術創新戰略聯盟、江蘇省新型平板顯示產業技術創新戰略聯盟、江蘇省集成電路產業技術創新戰略聯盟、江蘇省礦山物聯網產業技術創新戰略聯盟、江蘇省智能交通產業技術創新戰略聯盟、江蘇省數控機床產業技術創新戰略聯盟、江蘇省小核酸產業技術創新戰略聯盟、江蘇省干細胞產業技術創新戰略聯盟、江蘇省醫療器械產業技術創新戰略聯盟、江蘇省軌道交通產業技術創新戰略聯盟、江蘇省機器人與智能裝備產業技術創新戰略聯盟、江蘇省海洋工程產業技術創新戰略聯盟、江蘇省風電產業技術創新戰略聯盟、江蘇省輸變電裝備產業技術創新戰略聯盟、江蘇省光伏產業技術創新戰略聯盟、江蘇省儲能材料與器件產業技術創新戰略聯盟、江蘇省納米產業技術創新戰略聯盟、江蘇省電容器及材料產業技術創新戰略聯盟、江蘇省再生橡膠新材料產業技術創新戰略聯盟、江蘇省家紡設計及新材料產業技術創新戰略聯盟、江蘇省新興玻纖復合材料產業技術創新戰略聯盟、江蘇省高性能合金產業技術創新戰略聯盟、江蘇省半導體照明產業技術創新戰略聯盟、江蘇省硅材料產業技術創新戰略聯盟、江蘇省動力電池產業技術創新戰略聯盟、江蘇省船舶及配套產業技術創新戰略聯盟、江蘇省電力電器產業技術創新戰略聯盟。經過兩年多的組建運行，全省創新聯盟已經在產業和區域層面形成了穩定的建設格局。

(一)江蘇省產業技術創新戰略聯盟的產業布局

根據2011年第三次修訂的《國民經濟行業分類標準》和2011年發布的《戰略性新興產業分類目錄》，對江蘇省30個省級創新聯盟進行分析，發現93%屬于七大戰略性新興產業，只有江蘇省船舶及配套產業技術創新戰略聯盟和江蘇省電力電器產業技術創新戰略聯盟分屬于制造業中的交通運輸設備制造業和電力機械及器材制造業。總體來說，江蘇省產業技術創新聯盟的產業布局是以新興產業的發展為主導的。

(二)江蘇省產業技術創新戰略聯盟的區域布局

通過對所收集的材料分析及實地調研資料整理，江蘇省產業技術創新戰略聯盟的區域分布如下：江蘇省除淮安和宿遷外，其他11個市級地區均建有創新聯盟；以蘇南五市為主，集中了18個創新聯盟，蘇中地區共有9個，而蘇北地區僅有3個。同時，各區域聯盟的產業類型也比較集中：在蘇南地區，新一代信息技術產業創新聯盟的集中比例最高，主要在蘇州和無錫；新材料產業創新聯盟位居第二，分布在蘇州、常州和鎮江；生物醫藥產業創新聯盟在蘇州的集中度也較高，高端裝備制造業在常州較為集中。

(三)江蘇省產業技術創新戰略聯盟的模式

為了對江蘇省產業技術創新戰略聯盟評價更具可比性，課題組采取了抽樣調查，從30家聯盟選取了18家，具體聯盟如下：江蘇省智能交通產業創新聯盟、江蘇省高性能合金產業創新聯盟、江蘇省集成電路產業創新聯盟、江蘇省環保產業創新聯盟、江蘇省礦山安全物聯網產業創新聯盟、江蘇省數控機床產業創新聯盟、江蘇省干細胞產業創新聯盟、江蘇省電容器產業創新聯盟、江蘇省海洋工程產業創新聯盟、江蘇省小核酸、江蘇省醫療器械產業創新聯盟、江蘇省船舶與配套產業創新聯盟、江蘇省動力電池產業創新聯盟、江蘇省機器人與智能裝備產業創新聯盟、江蘇省風電產業創新聯盟、江蘇省輸變電產業創新聯盟、江蘇省軌道交通產業創新聯盟、江蘇省儲能與器件產業創新聯盟。其選取因素主要考慮：①樣本聯盟應能夠覆蓋江蘇省新興產業類型；②樣本聯盟應能夠包括蘇南、蘇中、蘇北的主要創新區域；③為了使聯盟的評價具有可比性，選擇了2010年12月以前組建完成、并經過1年正式運行的聯盟作為調研對象。

通過調研，課題組將江蘇省產業技術創新戰略聯盟的模式分成三種：政府主導型、高校或科研機構主導型和企業主導型。而政府主導型模式又表現為政府直接主導模式、由政府下屬的中介組織主導模式、非營利性國有企業主導模式；企業主導型模式又表現為股份制企業主導模式和國有企業主導模式(參見表1)。

表1 18家江蘇省產業技術創新戰略聯盟的模式

盡管江蘇省產業技術創新戰略聯盟已初步形成，但是兩年來還未對其運行情況進行評價，為此，本文以江蘇省產業技術創新戰略聯盟為實證分析對象，對其運行效率進行評估。

四、江蘇省產業技術創新戰略聯盟灰評估的實證

(一)指標體系構建

根據科學性、系統優化、通用可比、實用性及目標導向原則，本文設計了如表2所示的新興產業創新聯盟指標體系。

表2 江蘇省產業技術創新聯盟指標體系

在前述指標體系，存在較多指標屬于定性，難以直接用數據描述，為此，課題組采用7點量表法對定性指標進行量化，即7點量表的滿分為7分，相應的賦值為(7、6、5、4、3、2、1)。

(二)江蘇省產業技術創新戰略聯盟運行效率的實證檢驗

1．數據收集

為了量化表2的指標體系，課題組設計了相應的調查問卷。調查從2012年7月-8月進行，共發放調查問卷18份，回收調查問卷18份，有效問卷共18份，有效問卷占發放總量的100%。

2．基本數據處理

問卷回收后，將有效問卷的信息全部輸入計算機，首先用Excel軟件進行初步數據統計和轉化。在處理過程中，課題組調查問卷中定性問題轉化為7點量表，統計得到18家聯盟二級指標數據，如表3所示。

表3 江蘇省產業技術創新聯盟調查數據統計

3．聚類分析

根據前述基于中心白化權函數的計算步驟進行聚類分析。

(1)白化權函數的定義。由七點量表，課題組將創新聯盟劃分成：好∈[6,7]、較好∈[4,6)、一般∈[1,4)三個灰類，并構建中心點三角白化權函數分別如下：

(2)權重的設定。課題組采用專家調查法，請20位專家對表3中的一級指標及二級指標權重進行打分。一級指標U1、U2、U3、U4的權重分別為30%、20%、30%、20%。U1的二級指標權重分別為20%、30%、15%、15%、20%。U2的二級指標權重分別為35%、30%、35%。U3的二級指標權重分別為30%、20%、20%、30%。U4的二級指標權重分別為15%、25%、35%、25%。

根據二級指標權重，對二級指標數據進行加權求和，得到表4一級指標數據。

表4 江蘇省產業技術創新聯盟一級指標得分

(3)計算綜合聚類系數。根據中心點三角白化權函數計算公式，計算出18個聯盟的三個等級得分，如表5所示。

表5 江蘇省產業技術創新聯盟聚類系數

(三)聚類結果分析

1．高校或科研機構主導模式的聯盟，其運行情況好于其他兩種模式

經過對該模式聯盟的調查，發現推動其發展的共性因素主要有：

(1)地方政府的全方位支持。包括人財物有形資源的直接支持、相關政策的間接支持及日常工作的推動。以礦山安全物聯網聯盟為例，該聯盟以中國礦業大學主導發展，但政府委托了徐州市高新技術創業中心全面協助其展開聯盟的日常工作，同時以“一個中心、一個聯盟、一個公司”的思路來打造對產業發展的全面推動。在日常工作中，該聯盟和徐州市安監局、質監局共同舉行了行業標準的建設和推廣培訓，經費由創業中心、安監局和質監局共同承擔。

(2)知識源頭的創新輻射作用。高校及科研機構作為知識來源方，一方面將知識輸出，輻射到聯盟內的企業；另一方面，通過培養人才將聯盟內的企業積聚在一起，從而推動聯盟的發展。

(3)學緣關系是形成良好合作的基礎。在礦山安全物聯網聯盟的調查中，發現75%的聯盟成員是中國礦業大學的校友，35%是中國礦業大學兼職教師，這為聯盟良好的合作關系打下了實的基礎。

2．政府主導模式和企業主導模式聯盟，運行效率較為分散，等級“較好”的較少，而“一般”的居多

通過分析數據及調查資料，發現影響政府主導模式和企業主導模式聯盟運行效率較為分散的原因主要表現以下幾點：

(1)各地政府發展思路不一。由于聯盟屬地政府的發展思路，尤其是產業政策對聯盟發展起至關重要的影響。

(2)各地經濟發展水平不一。地方經濟水平直接決定了新興產業在發展初期的資源投入質量、規模和可持續性。如小核酸、軌道交通等聯盟都位于經濟較發達的蘇南地區。

(3)產業發展基礎與創新積淀。產業發展的歷史也是影響聯盟發展的一個重要因素。如軌道交通聯盟，其龍頭企業中國南車戚墅堰機車有限公司始建于1905年，發展至今，帶動了常州市及省內一批企業的發展，形成了軌道技術產業集群，具有堅實的產業發展基礎與創新積淀，為聯盟的組建奠定了良好的基礎。

五、結束語

本文通過對30家江蘇省產業技術創新戰略聯盟的初步調查，分析了聯盟現狀；同時，抽取了18家聯盟進行深入調查，基于中心點三角白化權函數灰評估方法，對其進行分類，并進行分析。課題組認為，目前，江蘇省產業技術創新戰略聯盟以高校/科研機構為主導模式的運行情況較好，而其他兩種模式運行情況較為分散，以評價等級“一般”居多。鑒于前述分析結果，為了優化產業技術創新戰略聯盟的治理，本文提出以下幾點建議：

(1)建立健全相關制度，促進聯盟成員間緊密聯系。由于聯盟是一種“不具有法人地位的松散型組織”，導致了聯盟成員之間的關系較為松散，因此，應出臺一些政策制度，促進關系的耦合，如確立聯盟法人地位、項目立項優先、明確政府權力邊界、發揮科技中介服務功能等。

(2)提高聯盟治理水平，明確共享利益成果。由于聯盟成員還未意識到聯盟所帶來的利益，對參與聯盟活動的主動性不夠強，因此，應努力提高聯盟自身治理水平，讓聯盟成員意識到加入聯盟所帶來的好處。這主要包括明確理事長單位和會員各自的權利義務、提高會員大會的權威性、理順理事會和秘書處的關系、開拓多元化渠道進行籌資、明確知識產權的利益分配及共享程度等。

江蘇省產業技術創新戰略聯盟的運行時間還較短，課題組以期進行持續跟蹤，實現對聯盟生命周期的動態性研究。

［1］Das TK ，Teng B S.Managing Risk in Strategic Alliances［J］.Academy of Management Executive，1999，13(4)：50-62.

［2］Inkpen A C，Beamish PW.Knowledge，Bargaining Power and International Joint Venture Instability［J］.Academy of Management Review，1997，22(1)：177-202.

［3］Das T K，Teng B S.Instabilities of Strategic Alliances：An Internal Tensions Perspective［J］.Organization Science，2000，11(1)：77-101.

［4］Das TK，Teng BS.Strategic Risk Behavior and Its Temporalities Between Propensity and Decision Context［J］.Journal of Management Studies，2001，38(4)：515-534.

［5］Doz Y L，Hamel G.Alliance Advantage：The Art of Creating Value Through Partnering［M］.Bostong：Harvard Business School Press，1998：71-72.

［6］Khanna T，Gulati T，Nohria N.The Dynamics of Learning Alli-ances：Competition，Cooperation and Relative Scope［J］.Strategic Management Journal，1998，9(3)：193-210.

［7］Parkhe A.Strategic Alliance Structuring：A game Theory and Transaction cost Examination of Interfirm Cooperation［J］.Academy of Management Journal，1993，36(4)：794-829.

［8］Beckman C M，Haunschild P R，Phillips D J.Friends of Strangers?Firm-specific Uncertainty，Market Uncertainty，and Network Partner Selection［J］.Organization Science，2004，15(3)：259-275.

［9］Bierly P E，Gallagher S.Explaining Alliance Partner Selection：Fit，Trust and Strategic Expediency［J］.Long Range Planning，2007，40(2)：134-153.

［10］Lin W B.Factors Affecting the Correlation Between Interactive Mechanism of Strategic Alliance and Technological Knowledge Transfer Performance［J］.The Journal of High Technology Management Research，2007，17(2)：139-155.

［11］Nakos G，Brouthers K D.International Alliance Commitment and Performance of Small and Medium-size Enterprises：The Mediating Roleof Process Control［J］.Journal of International Management，2008，14(2)：124-137.

［12］Osborn R N，Marion R.Contextual Leadership，Transformational Leadership and the Performance of International Innovation Seeking Alliances［J］.The Leadership Quarterly，2009，20(2)：191-206.

［13］邸曉燕，張赤東.產業技術創新戰略聯盟的類型與政府支持［J］.科學學與科學技術管理，2011，32(4)：78-84.

［14］張曉，盛建新，林洪.我國產業技術創新戰略聯盟的組建機制［J］.科技進步與對策，2009，26(20)：52-54.

［15］陳佳.產業技術創新產業聯盟治理模式影響因素探析［J］.科技管理研究，2011(11)：94-96.

［16］周素芬，周國林，況姍蕓.論產業共性技術產學研聯盟組織模式的優化與對策選擇［J］.湖北社會科學，2011(11)：91-94.

［17］Jiang Zhangsheng，Hu Longying.Modelling the Efficiency of Knowledge Transfer in the Industrial Technology Innovation Alliance［J］.Journal of Harbin Engineering University，2010，31(9)：1265-1277.

［18］劉彥龍.中國企業戰略聯盟報告［M］.北京：中國經濟出版社，2008：575-576.

［19］龔紅.產業技術創新戰略聯盟研究綜述及其最新進展［J］.中國科技產業，2010(7)：49-51.

［20］Dyer JH.How To Make Strategic Alliances Work［J］.Sloan Management Review，2001，42(4)：37-43.

［21］李瑞琴.跨國公司戰略技術聯盟穩定性的博弈分析［J］.財經研究，2005，31(4)：103-111.

［22］Sudipto Guha，Rajeev Rastogi，Kyuseok Shim.CURE：An Efficient Clustering Algorithm For Large Database［J］.Information Systems，2001，26(1)：35-58.

［23］Karypis G，Han EH，Kumar V.CHAMELEON：A Hierarchical Clustering Algorithm Using Dynamic Modeling［J］.Computer，1999，32(8)：68-75.

［24］Kaufman L，Rousseeuw PJ.Finding Groups in Data：An Introduction to Cluster Analysis［M］.New York：John Wiley&Sons，2005：126-163.

［25］Huang Z.Extensions to the k-means Algorithm for Clustering Large Data Sets with Categorical Values［J］.Data Mining and Knowledge Discovery，1998，2(2)：283-304.

［26］Lauritzen SL.The EM Algorithm for Graphical Association Models with Missing Data［J］.Computational Statistics and Data Analysis，1995，19(2)：191-201.

［27］Pascual-Marqui R D，Pascual-Montano A D，Kochi K，et al.Smoothly Distributed Fuzzy c-means：A New Self-organizing Map［J］.Pattern Recognition，2001(1)：2395-2402.

［28］Wei Wang，Jiong Yang，Richard Muntz.STING+：An Approach to Active Spatial Data Mining［C］.Masaru Kitsuregawa.15th International Conference on Data Engineering.Pennsylvania：IEEEComputer Society，1999：116-125.

［29］Sheikholeslami G，Chatterjee S，Zhang A.WaveCluster：A Multi-resolution Clustering Approach for Very Large Spatial Database［C］.Ashish Gupta，Oded Shmueli，Jennifer Widom.Proceeding of the 24th VLDB New York，USA.New York：Morgan kaufmann，1998：428-439.

［30］Agrawal R，Gehrke J，Gunopulos D，et al.Automatic Subspace Clustering of High Dimensional Data for Data Mining Applications［C］.Laura Haas.Proceedings of the 1998 ACM SIGMOD International Conference on Management of data.New York：Association for Computing Machinery，1998:94-105.

［31］Pizzuti Clara，Talia Domenico.P-AutoClass：Scalable Parallel Clustering for Mining Large Data Sets［J］.IEEETransactions on Knowledge and Data Engineering，2003，15(3)：629-641.

［32］劉思峰，黨耀國，方志耕.灰色系統理論及其應用［M］.第3版.北京：科學出版社，2007：99.

［33］基于改進三角白化權函數的灰評估新方法［J］.系統工程學報，2011，26(2)：244-250.