產業創新生態系統知識優勢評價體系
——以成都市高新區89家科技企業為樣本的實證分析

李其瑋,顧 新,趙長軼

(1.四川大學商學院，四川 成都 610064；2.四川大學創新與創業管理研究所，四川 成都 610064；3.四川大學軟科學研究所，四川 成都 610064)

產業創新生態系統知識優勢評價體系
——以成都市高新區89家科技企業為樣本的實證分析

李其瑋1,顧 新1，2,趙長軼1，3

(1.四川大學商學院，四川 成都 610064；2.四川大學創新與創業管理研究所，四川 成都 610064；3.四川大學軟科學研究所，四川 成都 610064)

從構成和影響因素兩個維度，構建產業創新生態系統知識優勢的評價指標體系，提出主客觀組合賦權模糊綜合評價模型——K-CF模型。以成都高新區89家科技企業為樣本，運用因子分析法和K-CF模型對科技產業創新生態系統知識優勢評價體系的合理性和適用性進行檢驗。分析結果表明，采用該評價指標體系和K-CF模型能較為科學地得到產業創新生態系統知識優勢水平及各企業知識優勢在系統中所處位置，能發現導致系統知識優勢不佳的相關因素，幫助領導者和決策者改善知識優勢狀況，具有較強的理論意義和實踐推廣價值。

產業創新生態系統；知識優勢；K-CF模型；組合賦權；模糊綜合評價法

知識優勢為產業創新生態系統發展提供持續動力[1]，但受知識價值、知識轉移、社會資本、利益分配機制及外部環境等多重影響，知識優勢的形成存在諸多難點，制約了產業創新生態系統的持續健康發展。建立知識優勢評估體系，科學評價產業創新生態系統知識優勢現狀，查找關鍵阻礙因素，幫助決策者改善知識管理水平、提高產業創新效率，可有效解決產業創新生態系統知識優勢形成難問題。

目前有關跨組織知識優勢評價研究較少，部分學者從知識存量和流量維度、采用模糊技術構建了知識鏈知識優勢評價指標體系[2]。模糊技術能較準確地表達知識優勢對某評語等級的隸屬程度，但現有研究中確定權重的方式集中于專家分析、頻數統計、層次分析法等單一主觀方法，未能考慮綜合評價問題的客觀性。鑒于此，本研究對模糊評價法進行補充完善，提出產業創新生態系統知識優勢K-CF(Knowledge advantage of Industrial Innovation Ecosystem-Combination of Subjective & Objective weight-Fuzzy Comprehensive Evaluation)組合賦權模糊綜合評價模型，以提升評價結果的適用性、穩定性和可信性。

1 產業創新生態系統知識優勢評價體系的構建

從現有文獻來看，構建評價體系的維度選擇主要有以下三種角度：一是從概念本身入手，研究其內涵、特征、功能、構成等，從中析出定量或定性評價指標；二是從概念外延考量，剖析其來源、影響因素、作用機理等，從中提取關鍵要素；三是兩者結合。本研究采用第三種方式，以“構成”衡量系統現有知識優勢情況、以“影響因素”衡量系統知識優勢的未來發展潛力，內外結合構建產業創新生態系統知識優勢評價體系，以期全面反映產業創新生態系統知識優勢水平。

1.1 產業創新生態系統知識優勢的構成

部分學者分析了技術訣竅和知識產權帶來的知識優勢[3]、轉化為產品或服務的知識優勢[4]、知識共享和創造形成的知識優勢[5]、知識協同與融合生成優勢知識[6]等；在此基礎上，李其瑋等通過剖析產業創新生態系統的特征、功能和結構，將其知識優勢歸納為三種不同類型[7]：①專有性知識優勢，指通過創造性智力勞動生產的專有性或獨占性知識成果，本質上是一種專有無形財產權，用新知識的速度、數量及投入產出比表示；②成本領先知識優勢：指產業鏈知識主體間達到的知識總成本、單位成本或邊際成本低于對手的知識運行狀態，用知識流動效率、知識協同與融合度表示；③利益領先知識優勢：指敏銳地洞察市場機會，將知識轉化為高利潤、高收益、高品牌價值或高附加值的優勢產品/服務，用科技成果轉化率和知識價值轉化收益率表征。

1.2 產業創新生態系統知識優勢的影響因素

已有研究提出，產業集群知識的空間粘滯、利益協調的產業鏈分工合作、良好的社會資本、學術性機構參與對集群內知識優勢形成起關鍵作用[8]，供應鏈與知識管理的共性、信任承諾關系、利益分配機制對形成知識優勢具有積極影響[9]，從知識產權及其保護、知識創新、知識培育和知識轉化利用等方面可培育知識優勢[10]。結合產業創新生態系統開放、復雜特性[11]，將產業創新生態系統知識優勢的影響因素歸納為三個層面：①微觀層面，包括知識和能力；知識指標用知識互補、外化和價值表示，體現產業創新生態系統知識互補的程度、內隱知識的編碼化[12]、知識資產的科學與商業價值[13]；能力指標用知識吸收、轉移、利用表征，代表產業創新生態系統外部知識轉化能力[14]，知識傳遞暢通性與知識接收有效性，以及對系統內現有或已知技術知識的應用能力[15]。②中觀層面，包括關系和利益；其中，關系指標即社會資本，包括結構、關系和認知[16]，用網絡關系、相互信任[17]和共同愿景來表征；利益指標用資源調配、利益分配、知識產權保護表示，代表產業創新生態系統內人、財、物、知識等重要資源及R&D投入配置的合理性[18]、經濟利益分配的平衡性、知識產權保護的有效性[19]。③宏觀層面，即外部環境，包括政府政策、產業和市場環境，用政府支持與投入力度、產業合作規模及集聚度[20]、市場競爭壓力[21]表征。

1.3 產業創新生態系統知識優勢的評價指標體系

將產業創新生態系統知識優勢評價體系分為構成和影響因素兩個準則層(見圖1)，其中“構成”維度考察系統現有知識優勢情況，包括專有性、成本領先和利益領先3個指標層，每個指標層選取2～3個要素作為子指標，主要借鑒文獻[4，6，7，9]；“影響因素”維度考察系統知識優勢發展潛能，分為知識、能力、關系、利益和外部環境5個指標層，每個指標層由3個子指標集組成，主要參考文獻[9-10，12-21]。

圖1 產業創新生態系統知識優勢評價指標體系

2 組合賦權模糊綜合評價法——K-CF模型原理及步驟

模糊綜合評價法的一般性步驟包括建立評價對象因素集、建立合理的評語集、生成評價矩陣、指標賦權、用模糊算子計算綜合評價值[22]。K-CF模型以模糊綜合評價理論和組合賦權法為基礎，其具體步驟為：

(1)建立評價因素集。用因子分析法對產業創新生態系統知識優勢評價指標體系進行驗證，隨后確立評價因素集。其中，目標層U={u1,u2,…,un}(n表示目標層下的準則個數)，準則層i的指標Ui={ui1,ui2,…,uis}(其中s表示準則層i下相應的指標個數)，指標層j的子指標Uij={uij1,uij2,…,uijk}(其中k表示指標層j下相應的子指標個數)。

(2)建立評價集V={v1,v2,…,vp}，總評價結果共有p個。對于不確定性、非定量指標評價，通常使用Likert5級或7級梯度評價法。

(3)建立模糊評價矩陣。將評價集用適當的數值rijk表示(如分數、百分比等)，由隸屬度構成模糊評價矩陣Ri=(rijk)n×p。

(4)確定主觀權重值——基于G1法、G2法和層次分析法(AHP)的幾何平均賦權法。采用G1G2AHP賦權法時，請同一組專家對同一指標屬性給出各自的判斷集合或矩陣，對多個判斷集合或矩陣用算術均值法或幾何均值法進行集結。

①采用G1法[23]由每位專家給出評價指標的序關系，并給出相鄰評價指標ui-1與ui重要性程度比的理想賦值fi，則第k個指標的權重αk為

(1)

由此得第k-1，…，3,2個指標的權重(其中，i=k，k-1，…，3，2)：

αi-1=fiaI

(2)

最后，將各位專家的評價權重用算術或幾何均值法進行整合，得到各層因素的相對權重向量。

②采用G2法由每位專家給出評價指標的序關系，并給出最不重要的一個指標uk以及其余評價指標ui與uk重要性程度比的理想賦值di，則第i個指標對該準則層的權重αi為(k表示指標個數)：

(3)

最后，將各位專家的評價權重用算術或幾何均值法進行整合，得到各層因素的相對權重向量。

③采用層次分析法，由每位專家按照1～9標度法對評價因素兩兩比較，建立判斷矩陣，將多個判斷矩陣用算術或幾何均值法進行集結；進行一致性檢驗后，采用和積法[24]計算權重向量，得到各層因素的相對權重向量。

④運用幾何平均賦權[25]思想，設αi1、αi2、αi3分別為采用G1G2AHP法得到的某一指標i的權重值，則該指標計算出的組合權重為：

(4)

其中，λ1、λ2、λ3是可信度偏好指數(0≤λ≤1)，當λ1=λ2=λ3=1/3時，表示三種賦權法具有一致的可信度，此時：

(5)

⑤確定客觀權重值——基于因子分析法。選取適當數據樣本，計算樣本相關矩陣，求相關矩陣的特征根和特征向量，根據累積貢獻率確定主因子個數，計算載荷矩陣，確定因子模型，根據累積貢獻率加權及因子得分系數矩陣計算各指標客觀權重βi。

⑥確定各因素的組合權重。根據第4步得到的主觀綜合權重α和第5步因子分析法得到的客觀權重β，運用乘法歸一化公式確定各指標組合權重。

其中，n表示指標個數，αi為第i項指標的主觀權重，βi為第i項指標的客觀權重，ai為第i項指標的組合權重：

(6)

⑦計算多級模糊綜合評價向量。一級模糊綜合評價集為Bi=Ai×Ri=(bi1,bi2,…,bip)。其中bik表示按照第i個因素的全部等級進行綜合評價時，評價對象對評價集中的第k個元素的隸屬度；同理得到二級、三級綜合評價矩陣。評價時從最后劃分的最底層面因素開始，逐級上評，直到評價至最高層。

⑧根據評價結果判定知識優勢水平。根據評價向量，判定產業創新生態系統知識優勢所處的評價等級和系統內各企業知識優勢等級；同時，可采用分數集(如5級用100,80,60,40,20表示，7級用100,90,80,60,40,20,10表示)，計算綜合評價值，判定系統知識優勢評價值及各企業知識優勢在系統中處于何種位置。

3 基于K-CF模型的科技產業創新生態系統知識優勢評估實證分析

3.1 樣本選取與來源

科技企業處于時代創新前沿，在產業創新領域具有代表性。本研究選取成都市高新區科技產業創新生態系統為樣本開展實證分析。研究問卷采用Likert7級量表，發出調查問卷 100份，收回有效問卷 89 份，有效回收率89.0%。描述性統計分析見表1。

3.2 驗證產業創新生態系統知識優勢評估體系

本文采取 α 系數評定量表信度，全量表Cronbach’s α值為 0.907>0.9；KMO 統計量值為 0.802>0.8，Bartlett 球形度檢驗的顯著性為0.000；相關矩陣中相關系數大于0 且顯著，表明某一群題目兩兩之間有高度相關，表明本樣本問卷觀察變量適合因子分析。

表1 樣本的描述性統計分析

表2 KMO 和 Bartlett 的檢驗

用SPSS19.0軟件，運用Kaiser 標準化的正交旋轉法6次迭代后收斂，23個因素共提取8個主成分，解釋的總方差為80.904%(見表3)，高于單獨采用構成維度的8個指標(63.692%)或影響因素維度的15個指標(71.918%)所解釋的總方差。

表3 解釋的總方差

經最大變異化旋轉后，得到旋轉成分矩陣(見表4)，8個公因子恰好對應了前述產業創新生態系統知識優勢評價體系的8個指標層，23個因子作為子指標分項歸入8個指標，驗證了該評價體系的科學性。

表4 旋轉成分矩陣

注：旋轉在 6 次迭代后收斂。

3.3 組合權重的確定

(1)群決策確定主觀權重。選取高校、科技企業高管等15位專家，采用G1G2AHP法開展指標賦權，用幾何均值法對15位專家的判斷集合或判斷矩陣進行集結后，運用公式(1)(2)(3)(5)，得到主觀權重α。

(2)確定客觀權重值。根據89家科技企業23個指標樣本數據，根據各因子解釋原有變量總方差情況加權及因子得分系數矩陣計算各指標客觀權重β。

(3)確定各因素的組合權重。由主觀權重和客觀權重，根據公式(6)得到各指標的組合權重A。

各指標的主觀權重、客觀權重及組合權重見表5。

表5 產業創新生態系統知識優勢評價指標權重

3.4 計算多級模糊綜合評價向量

采用Likert7級梯度評價法，將評價集設為：V={非常高，高，較高，一般，較低，低，非常低}。從系統整體和系統內企業兩個方面入手，對其知識優勢進行評價。

(1)確定各子指標隸屬度。以89家科技企業的指標評價集為基數，計算每個子指標上各評價梯次占評價總數的比重，得到該科技產業創新生態系統知識優勢的模糊評價矩陣(見表6)。同時，采用百分比集，如某項子指標i評價為“較低”，則該指標模糊評價向量Ri={0,0，0，0，100%,0,0}，以此類推，可構成系統內各企業的模糊評價矩陣R。

表6 科技產業創新生態系統知識優勢模糊評價矩陣表

(2)計算模糊綜合向量。

①一級模糊綜合評價(子指標對指標層)

對科技產業創新生態系統知識優勢進行一級模糊綜合運算，可得“專有性”指標：

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：

“成本領先”指標:

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

“利益領先” 指標:

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

“知識”指標:

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

“能力”指標:

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

“關系”指標:

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

“利益”指標:

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

“外部環境”指標:

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

以“四川久遠銀海軟件”為例，同理可計算各子指標一級評價向量。

“專有性”指標:

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

“成本領先”指標:

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

“利益領先”指標:

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

“知識”指標:

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

“能力”指標:

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

“關系”指標:

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

“利益”指標:

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

“外部環境”指標:

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

②二級模糊綜合評價(指標層對準則層)

對科技產業創新生態系統知識優勢評價進行二級模糊綜合運算，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}

同理可計算“四川久遠銀海軟件”二級評價向量：

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

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

③三級模糊綜合評價

繼續采用和積法模型M(·，+)進行合成運算，可得科技產業創新生態系統知識優勢評價向量為:

B=A×R=(0.4625,0.5375)×

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

同理可得“四川久遠銀海軟件”知識優勢評價向量B={0,0.0252,0.0292,0,0.0115,0,0}。

(3)綜合評價結果分析。根據評價向量集，該科技產業創新生態系統知識優勢在評語集V={非常高，高，較高，一般，較低，低，非常低}上的隸屬度為(0,0.0201,0.0340，0.0057,0.0058，0.0003,0)，最大隸屬度為0.0340，評價等級為較高。采用分數集V={100,90,80,60,40,20,10}，得到科技產業創新生態系統知識優勢綜合評價值為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，成都高新區在全國逾140個國家級高新區中綜合排名第三，體現出較強的科技實力和知識優勢水平。

從“四川久遠銀海軟件”知識優勢評價向量來看，最大隸屬度0.0292，評價等級為較高，綜合評價值F= 5.064，說明該公司知識優勢水平略低于系統整體知識優勢水平，具體來看，該公司在產生新知識的速度、數量及知識生產投入產出比方面評價得分較低，未來應主要從新產品研發入手，改善其知識優勢“短板”。同理，可得其他88家樣本企業知識優勢的評價向量和綜合評價值，如“四川英圖靈網絡科技”知識優勢評價等級為高，綜合評價值為5.629，高于系統整體知識優勢水平；“四川眾勢宏泰科技”知識優勢評價等級為一般，綜合評價值為4.868，低于系統整體知識優勢水平，主要不足在于知識投入產出比、知識融合度較低；等等。

4 結論與啟示

本研究主要結論包括以下三點：

(1)從構成和影響因素2個維度，建立了8個指標層、23個子指標的產業創新生態系統知識優勢評估指標體系，以科技產業創新生態系統89家企業為樣本進行因子分析，驗證了該指標體系的合理性和有效性。

(2)構建K-CF模糊綜合評估模型，運用群決策G1/G2/AHP主觀賦權和FA客觀賦權相結合的組合賦權方法，既融合群決策思想，又客觀反映各指標實際意義，克服傳統模糊綜合評估法單純依靠主觀賦權的局限性。

(3)以成都高新區科技產業創新生態系統為樣本，通過K-CF模型運算得出該科技產業創新生態系統知識優勢的評價等級為較高，并確定系統內各科技企業的知識優勢在系統中所處位置，運算結果符合現實情況，驗證了K-CF模型的合理性。通過實證數據，進一步找出了該科技產業創新生態系統中知識優勢評價等級較低的企業，幫助它們發現經營管理中的潛在問題、有針對性地制定改進措施，進而改善其知識優勢狀況，促進該產業創新生態系統知識優勢水平的不斷提升，檢驗了模型的適用性。

研究以該區域生物化工、新材料能源等其他產業創新生態系統為樣本進行K-CF模型計算，結果證明該模型同樣適用于其他產業創新生態系統知識優勢的評估。

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

[2]張省，顧新.知識鏈知識優勢的形成與評價[J].情報資料工作，2012(03)：24-28.

[3]易敏利，劉開春.論基于知識優勢的競爭戰略[J].西南民族大學學報(人文社科版)，2004，25(02)：253-256.

[4]周穎，王家斌.企業知識優勢形成的理論分析[J].科技與管理，2005(03)：34-36.

[5]顧新.知識鏈管理——基于生命周期的組織之間知識鏈管理框架模型研究[M].成都：四川大學出版社，2008.

[6]吳悅，顧新.產學研協同創新的知識協同過程研究[J].中國科技論壇，2012(10)：17-23.

[7]李其瑋，顧新，趙長軼.產業創新生態系統知識優勢的內涵、來源與形成[J].科學管理研究，2016(05)：53-56.

[8]楊松，林曙光.基于企業集群下知識管理的優勢分析[J].合作經濟與科技，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.知識競爭、知識優勢及其培育[J].金融與經濟，2010(7)：34-46.

[11]李其瑋，顧新，趙長軼.創新生態系統研究綜述：一個層次分析框架[J].科學管理研究，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]宋志紅，陳澍，范黎波.知識特性、知識共享與企業創新能力關系的實證研究[J].科學學研究，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]宋春艷.產學研協同創新中知識產權共享的風險與防控[J].科學管理研究，2016(02)：18-21.

[20]顏克益，芮明杰，巫景飛.產業集聚視角下高技術產業創新績效影響因素研究[J].經濟與管理研究，2010(12)：57-67.

[21]侯俊東，杜蘭英，呂軍.企業實施市場導向的影響因素：中國經驗[J].軟科學，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，齊鑫，徐廣玉.基于組合賦權模型的區域知識創造能力評價研究——31個省市自治區視閾的實證分析[J].運籌與管理，2016(6)：178-185

[25]趙慧冬，關世霞，包玉娥.基于組合賦權的區間型多屬性決策方法[J].統計與決策，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

國家自然科學基金項目“基于跨組織關系演化的知識鏈關系治理研究”(71571126)，四川大學中央高校基本科研業務費研究專項(哲學社會科學)項目——高水平學術團隊建設項目“知識鏈的協同效應形成機理研究”(skgt201502)，四川省軟科學計劃項目“高校上市公司的發展評價及影響因素研究”(2017ZR0084)。

2017-03-28

李其瑋(1983-)，女，四川成都人，四川大學商學院博士研究生；研究方向：創新與創業管理。

F062

A

(責任編輯 劉傳忠)