區域產業集群創新效率與路徑
——基于模糊集定性比較分析

王 松，聶菁菁

(1.杭州電子科技大學人文藝術與數字媒體學院；2.杭州電子科技大學經濟學院，浙江杭州 310018)

在區域一體化加速發展的今天，企業之間的交流合作隨之增加，相關關聯企業、供應商、服務提供商等組織之間的緊密聯系促進了區域產業集群的誕生，產業集群處于國家創新系統與企業之間的中觀層面［1］，拉近了獨立企業的空間距離，創造了促進區域聚集企業交流合作的環境［2］，完善了以企業為單位的創新系統。集群對于企業創新的重要作用一直得到學者們的關注。集群創新的研究內容主要包括影響因素、機制和效率、路徑，從影響因素到路徑研究，研究深度逐漸增加，使用的研究方法也隨之完善，但關于路徑識別的研究方法還有待改進。目前被應用于集群創新路徑識別的研究方法主要有文本分析法、專利分析的定性方法或是結構方程的定量分析。其中，定性分析有著以下缺陷：憑借研究者主觀的判斷和直覺，得到的是粗糙的、缺乏客觀數據分析的結論；而使用回歸分析、結構方程的方法，得到的結論準確地說并不是創新路徑，而只是單個變量對結果的影響。而將模糊集定性比較分析法應用于集群創新路徑的識別，則可以克服以上方法的缺陷。模糊集定性比較分析是以集合和布爾代數等數學理論作為基礎，將定量與定向最優特性有機組合，得到的是在不同情況下達到某特定效果的條件組合。產業集群的內外部環境復雜，想要通過某個單一條件作用達到提升創新效率的效果顯然并不可靠，因此本研究采用數據包絡分析（DEA）-馬姆奎斯特（Malmquist）指數測度產業集群的創新效率，根據效率特征對集群進行分類，然后對于不同類型集群使用模糊集定性比較分析法識別其創新路徑，兩種方法的結合可以在準確界定集群創新效率異質性的基礎上識別集群的個性化創新路徑，從而得到更加科學和準確的結論，以期豐富現有的集群創新管理理論。

1 文獻綜述

Porter［3］提出集群是相關聯的企業、專業供應商、服務提供商、相關行業的企業和相關機構在競爭和合作的特定領域的地理集中。企業聚集形成的產業集群，在區域經濟發展和企業技術創新中起著重要作用［4］。集群內企業在地理上具有臨近優勢，形成共性或互補的生產基地［5］，共享市場資源，降低交易成本；同時產業集群形成了復雜的動態環境，有利于提高集群內企業的競爭優勢，以適應競爭日益激烈的市場［6］。

研究表明集群與區域技術創新之間存在著密切聯系，如杜爽等［7］討論了集群聚集對區域創新的影響，并得出了制造業集聚在一定程度上有利于區域創新能力提升的結論；吳迪［8］研究了區域創新能力與產業集群之間的聯系，并提出產業集群能為區域創新提供發展信息、知識，區域創新的提升同時也促進了產業集群的發展；田穎等［9］以省級數據為樣本研究了我國國家級創新產業集群對區域創新的影響，從3 個方面解析驗證了產業集群與區域創新之間的關系。

一些學者研究創新與集群效率的關系，如卜宏運等［10］使用Malmquist 指數法測算產業集群的全要素生產率，研究其與集群競爭力之間的關系，并得到產業集群促進了企業之間的競爭和創新進而提高了全要素生產率的觀點；陳抗等［11］以省級數據為樣本計算了我國高技術產業集群的全要素生產率，討論了平均收入規模、研發經費支出、有效專利數量等指標對全要素生產率的影響，提出了促進產業集群全要素生產率提升的建議；楊浩昌等［12］使用DEA-Malmquist 指數法測算了制造業創新生產率及其分解指標，同時構建了制造業聚集對創新生產率及其分解指標影響的計量模型，分析了制造業聚集對創新生產率的影響。

關于生產率的度量方法，有研究如王萍萍等［13］使用超越對數生產函數形式的隨機前沿模型計算軍工企業的全要素生產率；張少華等［14］采用基于投入冗余的全要素生產率指數（ISP）來測度和分解全要素生產率；張衛國［15］使用了Malmquist 指數度量和分析高校科研生產率。經過對幾種生產率測度方法的比較，借鑒馮海燕［16］的研究，考慮到本研究采用面板數據、產業集群的創新是一種多投入多產出的生產模式，因此選擇采用DEA-Malmquist 方法測度區域產業集群的科研效率。

目前關于創新路徑的研究更多聚焦于農業勞動或科技創新績效等方面，如汪小平［17］通過歷年農業勞動生產率的數值分析我國農業所處階段和增長特征，總結農業勞動的增長機制和路徑；張永安等［18］使用兩階段DEA 模型計算我國各省份的科技創新效率，根據不同省份的投入產出特點設計科技創新政策績效的提升路徑。有少數研究從協同創新角度研究戰略性產業集群的創新路徑，使用定性分析方法研究產業集群的創新路徑，如周勁波等［19］在引入了創新和集群的概念后，通過對文獻歸納和內容提升，總結出了集群創新的路徑；赫連志巍［20］分別從技術、組織和管理的角度對產業集群的創新路徑構建提出了建議；葉繼濤等［21］使用案例分析的方法總結出產業集群與研究機構共同運作的創新路徑；喬彬等［22］將回歸方法用于創新路徑的識別，研究了集群技術創新與制度創新融合路徑與質量問題，但導致某一現象出現總是幾種因素共同作用的結果，回歸只能得到某一個變量對集群績效的影響，不能得到促進集群績效提升的變量組合。

在深入研讀了與識別提升路徑的有關文獻后，本研究總結出兩點有待改進之處：其一，考慮變量組合對結果的影響，而不是單個變量。古典經濟學理論認為勞動、土地和資本是影響生產的3 種要素；隨著經濟的發展，經濟學家們認為人力、技術、信息、環境對提高生產效率都十分重要［23］。但社會現象的本質不是簡單的線性關系［24］18-30，導致某一現象的出現是幾種因素共同作用的結果。因此，想要提升區域聚集集群的創新效率，應采用配置方法，打破“單個因素總是對創新有貢獻、有減損或不重要”的假設［25］。其二，在識別提升創新效率的路徑時，如汪小平［17］、許學國等［26］指出，需要考慮不同地區的異質性，根據其實際情況和產業的發展階段采取差異化的提升政策，畢重人等［27］通過研究發現，我國不同省份有不同的創新效率結構，要根據其創新價值鏈特征選擇適合的創新路徑。因此，僅通過改善某個單獨因素達到提升區域科研創新效率是不可行，應該首先識別區域經濟、環境特征，測度區域目前的科研創新生產率后，再通過科學方法識別實現區域科研創新效率提升路徑。

2 研究設計

本研究使用2016—2019 年《中國火炬統計年鑒》的分省創新型產業集群相關數據，首先以省份為單位，采用DEA-Malmquist 方法測度各區域集群的創新效率變化和發展水平；考慮到創新投入與產出的滯后性，再使用2019 年的創新生產率作為結果和2018 年影響區域集群創新效率的4 個方面的8 個變量作為條件，通過模糊集定性比較分析法，識別各省份集群中影響創新的關鍵因素和創新路徑，提出相關改進建議。

2.1 創新效率的計算

2.1.1 創新效率計算方法

測度效率變化的方法主要有4 種：經濟計量生產模型的最小二乘法（LS）；全要素生產效率（TFP）指數；數據包絡分析；隨機前沿方法（SF）。這4種方法各具特色，其中DEA 可以測算技術效率、技術變化、TFP 變化等5 個方面，且使用時不需人為預先設置權重，同時又能在盡可能多的投入和產出指標參與效率評價時保證最優的合理性。根據科埃利［28］的研究，在可以獲得s時期到t時期的樣本數據情況下，DEA-Malmquist 可以測算兩個時期的生產技術估計值。將s 期定為基期，s期與t期直接的Malmquist 全要素生產率變化指數公式如下：

根 據DEA-Malmquist 的 性 質 可 知：tfpch=tech×effch。其中，tfpch 表示全要素生產率指數，effch（effiency change）表示技術效率指數，tech（technical change）表示技術進步指數。后來學者又將技術效率指數分解為規模效率變化指數（sech）和純技術效率變化指數（pech）。故全要素生產率的公式可表示為tfpch=tech×effch=tech×sech×pech。因此，若式（1）大于1，表示從s期到t期全要素生產效率的正增長，反之小于1，表示全要素生產效率的下降；當式（4）大于1 時，表明生產可能性邊界的移動正向促進生產率變化，即代表技術進步，反之代表技術退步；技術效率指數是指在一組固定投入要素的情況下，目標對象的實際產出與假設同樣投入情況下的最大產出之比［29］，當式（3）大于1 代表技術效率改善，反之則表現為技術效率退步［30］；純技術效率變化指數是指在可變規模前提下測量樣本的技術效率變化，純技術效率變化大于1，說明技術運用水平提高；而規模效率變化指數表示規模經濟對生產率的影響，規模效率變化指數大于1，說明規模優化，規模效率變化指數小于1，說明規模惡化［29］。

2.1.2 創新效率變量設置

使用DEA-Malmquist 方法的關鍵是建立合理的評價體系。通常將指標分為投入指標和產出指標，投入指標是指投入到產業集群創新過程中的人力、財力、物力等資源的指標，產出指標是指產業集群創新過程中的技術應用、成果轉化和業務收入。本研究參考并拓展陳志宗［31］構建的區域創新評價系統，將某一地區的集群數量、科技經費支出、集群人員總和、企業總數、高新技術企業總數、產業聯盟數量作為投入指標的一部分，以省份為單位、產業集群為調查對象得到相關數據；產出指標包括營業收入和當年發明專利授權數量。具體如表1 所示。

表1 產業集群投入產出指標

2.2 創新路徑的識別

2.2.1 創新路徑識別方法

對創新路徑的識別使用的是模糊集定性比較分析法（fsqca）。定性比較分析方法首次出現在拉金［24］18-30的著作《比較方法》中，該方法作為一種案例導向性研究，以集合和布爾代數等數學理論為基礎，實現了將定量與定向最優特性的有機組合。定性比較分析方法具體包括多值集、清晰集和模糊集3 種。模糊集理論認為，現實中的集合間關系并不像傳統集合論中假設所說的存在明確的隸屬與不隸屬的界限［32］。根據模糊集的概念，某集合的隸屬分數可能是介于0～1 之間的任何數字。在模糊集定性比較分析法中，每個案例都被視為屬性的組合［33］，放棄單個變量的凈效應，從整體視角與組態思維來看待問題，不同的屬性組合與結果對應一致，因此用該方法來揭示提升各地區產業集群創新效率的條件組合更加科學。

2.2.2 創新路徑的變量設置

在得到各省份產業集群的創新生產率Malmquist指數后，將其定為模糊集定性比較分析法的結果變量。在動態開放的創新環境中，產業集群創新受到內部和外部的同時影響［4］，因此前因變量的設置應包含內外部兩個方面，并分為4 個部分：環境要素、集群投入、集群聯系、集群經營成果（見表2）。

表2 區域產業集群創新模糊集定性比較分析的前因變量設置

（1）環境要素。Gordon 等［34］認為一個地區或企業的創新能力受地區創新環境的影響，通過提高區域經濟和科技水平可以改善創新環境。本研究中環境要素包括地區人均生產總值（GDP）、大學科技園數量、集群數量。其中，較高的人均GDP 為政府提供了更多稅收，這樣的地區通常有較完善的基礎設施和全面的社會服務，可以達到降低交易成本的效果［35］，因此人均GDP 較高的地區可以為產業集群提供完善的基礎設施和活躍的經濟環境，從外部助力集群創新生產。高新技術的科研創新離不開基礎的科學知識，大學正是基礎科學知識的來源，因此大學科技園對于產業集群的創新影響不可以忽視［13］。產業集群中的企業如果僅僅在圈子內封閉學習，會造成鎖定效應、“孤獨現象”，使集群信息出現同質化，因此與外界知識溝通十分重要。大學科技園的增多，在一定程度上會增加不同區域的企業之間交流合作，可以減輕企業封閉學習帶來的鎖定效應［36］。葉丹等［30］提出大學作為基礎科技知識的來源和參與知識深化的機構之一，在集群的創新過程中起到了重要作用，故大學科技園的增多使得產業集群有了更多與高校交流合作的機會，促進集群產學研一體化，進而提高集群的創新生產率。區域內產業集群數量增加，能夠帶動就業、提高產值，促進區域經濟發展，同時集群內的科研活動也能夠改善區域整體科研水平［37］。產業集群數量變多，整體的地區經濟環境有向好趨勢，集群與集群之間的經濟、科研合作也會增加，集群內部的企業面臨的競爭也會變得更激烈，這3 個方面共同作用，促進產業集群經濟科研發展，因此產業集群數量變多，地區產業集群發展隨之壯大，通過不同層面的合作和競爭，激勵集群內企業開展科研，從而促進集群的創新效率提升。

（2）集群投入。集群內企業在知識和技術上的資本投入影響著技術研發、科技成果交易、知識學習和科技成果商品化等過程，直接決定了企業技術能力的強弱［38］，因此，影響產業集群創新生產率的第二方面是集群投入，包括集群科技經費支出和大專人數占從業人員百分比。科技經費是科研活動的必要條件，有了充足的科研經費才可以為項目提供先進的研究設備，才可以從物質上激勵科研工作者提高科研動力，科研經費的投入可以為產業集群內企業的科研活動提供物質基礎和保障。李盛楠等［37］提出為促進高技術產業創新效率提升，應提高科技創新人才比例和研發投入，促進高質量專利產出。僅僅有經費的支撐，科研活動是無法進行的，人力資源是使科研項目不斷產出成果的必須條件嗎，因此，提高區域產業集群的創新效率可以通過引進人才等方式實現。

（3）集群聯系。從Porter［3］對集群的定義中我們發現，產業集群中的企業受到來自集群內部和外部的共同影響，外部影響表現為環境因素，而內部作用則通過集群內的產業聯盟實現，故將代表集群之間聯系程度的產業聯盟數量定義為影響產業集群創新生產率的第3 個方面。產業集群協同創新績效的提升在很大程度上依靠集群內各企業之間在交流和聯系的過程中所傳遞的信息、知識和技術［39］。Moran［40］在對組織網絡關系的研究中發現，當組織間存在較強的關系聯結強度的時候，可以提高創新資源轉移的速度，提高企業的創新績效，因此產業聯盟對集群創新的重要作用不可忽視。產業集群內部的產業聯盟促進了集群之間信息交流的速度、知識水平的深度的增加，從而促進集群創新效率提高。

（4）集群經營成果。McCann 等［41］認為擁有最強大內部資源的企業最有能力駕馭他們的環境，并了解、吸收和利用外部知識。企業內部資源不僅直接驅動創新，而且可能影響外部資源對企業創新的作用效果［42］。因此，本研究將經營成果定義為影響產業集群創新生產率的第4 個方面，包括營業收入和當年發明專利授權數量。占有資源多、聲譽高的企業能夠維系與更多企業和機構的學術交流，提高企業技術水平［43］。也有研究表明，有一定研究基礎的企業勞動生產率在知識豐富的地區有所提高［44］。因此，營業收入多的企業和產業集群往往可以進行更為豐富全面的創新研究，提高發明質量和創新效率；掌握更多資源、享有聲譽的企業在對外交流、人才引進等方面都占有相對優勢。

運用模糊集定性比較分析法，可以得到不同地區產業集群對應的前因變量組合，有助于理解其中哪些前因變量起到促進創新的效果，哪些變量不影響集群創新效率。

2.3 數據來源

研究對象選擇我國各地區的創新型產業集群。創新型產業集群是指科技部火炬中心［45］在《創新型產業集群建設工程實施方案》中提到的：以知識或者技術密集型產品為主要內容，以創新組織網絡、商業模式和創新文化為依托的產業集群。與產業集群側重于觀察分析集群中縱橫交錯的行業聯系相比，創新型產業集群更關注企業的創新能力，關注如何產生持續的競爭優勢［29］。樣本集群數據來自歷年《中國火炬統計年鑒》，因2016—2018 年的研發投入數據缺失，因此以研發投入強度乘以營業收入之積作為研發投入金額的估計值；各省份人均GDP 數據來源于國家統計局；各省份的研發強度通過研發投入金額占GDP 總額的百分比求得，數據來源為《中國科技統計年鑒》。各省份所包含的集群具體如表3所示。

表3 我國創新型產業集群主要分布情況

表3 （續）

3 創新型產業集群的創新效率測算

3.1 創新效率的分析結果

使用DEAP2.1 軟件進行DEA-Malmquist 分析，從部分省份創新型產業集群的創新生產率情況可知，產業集群的創新投入和產出與各省份的經濟基礎、地理位置有著密不可分的關系，處于經濟發達、交通便利的省份，產業集群有著更優越的發展環境，創新效率也就相對較高。如貴州除了具有本省特色的農業集群外，本省氣候特點、產業基礎、政府扶持等因素也為其大數據產業集群發展提供了極大助力，使得貴州在產業集群發展上優于同是內陸省份的河北、內蒙古。

從表4 可以看到，大部分省份創新型產業集群的Malmquist 平均指數均大于1，說明即使是創新科研基礎較差的省份，產業集群的創新效率也是逐年遞增的。值得注意的是，近幾年湖北、貴州、福建等地區的創新效率有所提高，從其創新效率分解指標情況可以看到，這些地區創新型產業集群創新的推動力主要來源于技術進步。以湖北為例，其產業集群涵蓋了電子信息、汽車、高端裝備產業等方面，省內擁有國家級、省級開發區和高校數量較多，已經形成了產業集群優勢，為本地區技術創新提供了完善的支撐體系和充足的人才支撐。黑龍江、內蒙古、吉林、云南、江西等地區的技術效率指數、規模效率、純技術效率情況良好，但這些地區的技術進步指數偏低限制了其創新效率提高。

表4 2019 年我國創新型產業集群創新效率及其分解指標水平

3.2 產業集群創新效率演變規律與特征

結合表4 分析，可得樣本集群創新效率演變規律如下：

第一，2019 年多數省份產業集群的創新生產率大于1，表征了2019 年我國創新型產業集群的平均創新效率大于1，這與目前我國創新型產業集群的發展狀況是耦合的。

第二，2017—2019 年間產業集群的發展是波動的，并不是一條斜率固定的直線，只是總體呈上漲的趨勢。其中，中西部地區1）發展增速較快，東部地區發展速度雖然有所減緩但總體上漲的趨勢仍然不變，說明發展基礎比較薄弱的地區進步速度更快。分析2018 年與2019 年的數據可以發現，在中部地區和西部地區創新型產業集群中，產業聯盟數量的增長表現要優于東部地區，同時中西部創新型產業集群中當年發明專利授權數量增長表現也較優于東部地區。

第三，根據對創新效率的分解，可以將樣本集群所在地區進行分類。北京創新型產業集群的技術進步指數、技術效率指數、規模效率變化指數、純技術效率變化指數均大于1，因此將其劃分為全能型。福建、湖北、湖南、廣東、廣西、重慶、貴州等地區創新型產業集群均呈現出技術效率指數、規模效率變化指數、純技術效率變化等于1、技術進步指數大于1 的現象，因此將其劃分為技術進步型，同時，從對上海、安徽的生產率分解指標水平可見，其技術進步指數也具有一定優勢，故也將其劃分為技術進步型。內蒙古、吉林、黑龍江、云南等地區創新型產業集群的技術效率指數、規模效率變化指數、純技術效率變化等于1，但技術進步指數小于1，因此將其劃分為技術薄弱型；從河北和江西的生產率分解指標水平可見，其技術進步指標也是相對較差的，因此也將其劃分為技術薄弱型。江蘇、浙江、天津、四川等等地區創新型產業集群的規模經濟指數相對較好，可劃分為規模經濟型。

4 創新路徑的識別

4.1 描述性統計分析

通過對樣本集群數據的描述性統計分析可見（見表5），各地區創新型產業集群的創新效率差異較大，但總體均值仍大于1。就環境要素中的省份人均GDP 來看，離散度非常高，可見地區經濟基礎差距很大；從集群投入中的科研人員占總員工之比也反映出不同地區的產業集群對于創新的投入是存在顯著差異的。

表5 變量的描述性統計分析

表5 （續）

4.2 數據處理

借鑒Moran［40］和Ragin 等［46］的研究，使用模糊集合/QCA 3.0 程序進行集合關系分析。數據校準是通過設置完全隸屬點、交叉隸屬點、完全不隸屬點3 個臨界點，使用fsqca 軟件將數據轉化到0～1之間。在選擇臨界點時，參考高偉等［47］和Fiss［48］的校準方法，將95%定為完全隸屬點、50%定為交叉隸屬點、5%定為完全不隸屬點。數據校準完成后，需要進行必要性檢驗，因為如果前因變量中出現了必要條件，軟件處理數據得到的簡約解會剔除必要條件，只有在條件組合中出現了該條件，結果才會發生。一般來說，一致性大于0.9 則認為該指標為必要條件。參照趙文等［49］的做法，如表6 所示，其中不帶浪紋線的指標為隸屬該原因變量，帶浪紋線的指標表示為不隸屬該原因變量。從表6 結果可知，沒有變量的必要性超過90%，因此保留所有變量。

表6 前因變量的必要性分析

與上述必要條件分析不同的是，組態分析試圖揭示的是多個條件構成的不同組態引致結果產生的充分性分析［49］，即討論多個前因條件組成的集合是否為結果集合的子集。充分性分析與必要性檢驗相同之處在于，同樣需要設置一個最低的一致性閾值檢查充分性。已有關于模糊集定性比較法的研究中，對于一致性的閥值設定不同，如張明等［50］將閾值定為0.76，趙文等［49］將閾值定為0.75，張衛國［15］將閾值定為0.8。經過測試各項閾值的分析結果，本研究選擇0.85 為一致性閾值，區分不同解釋里的變量組合，案例閾值設為1，篩選出至少能夠解釋一個案例的變量組合。通過模糊集定性比較分析法可以得到簡約解和中間解、復雜解。簡約解是納入全部邏輯余項但不考慮邏輯余項是否合理，因此簡約解往往與事實存在偏差；復雜解不納入任何邏輯余項，只觀測案例數據形成的解；而中間解則納入了符合理論方向預期和經驗證據的理論余項。已有相關研究在分析結果時選擇不同的解進行分析，如張明等［50］匯報中間解并輔之簡約解，Fiss［48］、趙文等［49］選擇分析中間解；萬筠等［51］選擇分析復雜解。為更好地確定本研究中各變量在各條件組態中的重要性，選擇分析中間解并輔助使用簡約解。在使用fsqca 計算后，得到組合如表7、表8 所示。表7 中，實心圓表示該條件存在；空心圓表示該條件缺席；空格表示為模糊狀態，即該條件的出現與否對結果影響并不大。大圓為中間解、簡約解均出現的核心條件；小圓為僅出現在中間解的輔助條件。經過分析和篩選，共得到7 條創新路徑，且每條路徑的一致性和總體樣本的一致均大于設定的0.85 閾值。

表7 樣本集群創新效率構型

表7 （續）

借鑒任聲策等［52］、鄭季良等［53］、周新等［54］通過歸納路徑中變量的特征對變量進行分類和命名的做法，對以上路徑的條件組合進行分析。其中，全面型路徑包括兩條，即需要多個條件一起出現才可以達到結果，第1 條路徑與第2 條路徑的區別在于路徑1 中大學科技園數量不存在，而路徑2 中省份人均GDP 不存在；第3、4、5 條路徑稱為環境型路徑，即條件組合中出現的多是描述產業集群內外部環境的指標，這3 條路徑的區別在于3 路徑中集群環境變量和產業聯盟數量和當年發明專利授權數量均存在，而路徑5 和路徑5 中產業聯盟數量和當年發明專利授權數量不存在，且路徑4 中省份人均GDP 不存在，路徑5 中集群數量不存在；第6、7 條路徑為聚集型路徑，即要求出現的條件主要帶有產業集群特色和描述集群創新產出創新投入的指標變量，兩條路徑的差別在于路徑6 中集群數量和集群經費支出變量需要存在。表8 展現了4 種類型的產業創新集群與創新路徑的對應關系：全面型的第1條路徑對應技術進步型集群，第2 條路徑對應全面型集群；環境型的3 條路徑都對應技術薄弱型路徑；聚集型路徑的第1 條對應規模經濟性路徑，第2 條對應技術進步型集群。

表8 樣本集群創新路徑與集群類型對應關系

在全面型路徑下，第一種情況中省份人均GDP、集群數量、集群科技經費支出、產業聯盟數量、營業收入和當年發明專利授權數量的組成促成了當前的結果，起到核心作用的是產業聯盟數量；第二種情況與前一種情況略微不同，省份人均GDP不是必須存在的變量，而大學科技園數量是十分關鍵的前因變量。結果表明，廣東、福建的創新型產業集群適用路徑1，湖北、北京的創新型產業集群適用路徑2。廣東和福建經濟水平較高，因此在路徑1 中省份人均GDP 變量需要存在；通過路徑2 的湖北、北京的優質高校提供的人才及其在科研領域的帶動作用是其創新型產業集群創新的重要推動力，因此大學科技園數量需要存在。上述省份的創新型產業集群都帶有技術進步特色，企業經營收入和對創新投入都具有一定基礎，人才占比也比較高，部分領域如5G 產業位于國內領先地位，研究主要致力于科技前沿，但產業鏈高端缺位，高新技術產業發展不平衡，想要構建高新技術全產業鏈條必然要在外部經濟和內部交流上投入更多精力，扶持高新技術產業走向產業鏈高端。

環境型路徑包括3 種情況。情況1 中需要出現的變量組合為省份人均GDP、大學科技園數量、集群數量和產業聯盟數量、當年發明專利授權數量；情況2 中需要大學科技園數量和集群數量出現；情況3 則對應了省份人均GDP、大學科技園數量、大專人數占從業人員百分比的變量組合。在這些路徑中，出現頻率較高的條件為省份人均GDP、大學科技園數量、產業聯盟數量，這些指標描述了集群外部經濟和集群內部現狀。在這種類型路徑中，河北、江西、云南、吉林、陜西的創新型產業集群具有技術薄弱的特點，均適用于路徑3、路徑4 和路徑5。其中，河北創新型產業集群的產業聯盟數量和當年發明專利授權數量相對表現較好，這些方面對于集群創新效率提升的作用不可忽視，因此集群創新路徑中這兩個變量是存在的；江西和云南的經濟環境相對較差，因此其創新型產業集群創新路徑4 中省份人均GDP 對于結果的影響沒有同類型中其他省份強；吉林和陜西的高校數量多，教育形成的人才是其創新型產業集群創新過程中的重要動力，因此大專人數占從業人員百分比這一條件存在。說明在該路徑的情形下，技術比較薄弱的省份創新型產業集群可以通過吸收更多企業進入集群，促進產業集群規模、效益發展以及集群中產業聯盟數量增加，避免集群企業出現“閉門造車”的研發現象；同時大學是高等教育的主要集中地，大學科技園將具有科研優勢特色的大學與市場資源相結合，推動創新資源繼承、科技成果轉化，對人才培養、創業孵化都有著重要作用，通過以上兩個方面從內促進集群中企業合作、從外促進集群企業開展知識交流，以此提高企業創新效率。

聚集型路徑包括路徑6 和路徑7，兩條路徑重合的條件包括營業收入、產業聯盟數量和當年發明專利授權數量，此外路徑6 還涵蓋了集群數量和集群經費支出變量。在聚集型的路徑中，江蘇、浙江、四川、福建以及貴州通過路徑6，廣西通過路徑7。江蘇和浙江的創新型產業集群具有規模經濟的特點，福建和貴州的創新型產業集群技術進步特色更濃厚一些。江蘇、浙江可以通過聚集型發展擴大產業規模，發揮規模經濟優勢，進而促進集群創新效率提升。四川雖然規模經濟優勢較江蘇、浙江稍弱，但在技術效率指數、技術進步指數、純技術效率變化指數、規模效率變化指數中規模效率指數最高，因此利用自身規模經濟這一相對優勢也能達到提高省內集群創新效率的目的。福建、貴州著重從產業集群的角度促進科研技術進步，可以利用自身的集群優勢達到同樣效果。而廣西雖然被劃分為技術進步型，但其技術進步指數的優勢較其他同類省份較小，因此應選擇從產業集群發展的角度，同樣利用自身的規模經濟優勢、技術效率優勢來達到提升集群創新效率的目的。

4.3 穩健性檢驗

穩健性檢驗可從集合論和統計論角度進行。從集合論角度出發，通過改變校準閾值、增減變量實現穩健性檢驗；從統計論角度出發，通過改變樣本數據時間跨度等方法檢驗穩健性。本研究采用集合論的角度，將充分性檢驗的閾值改變為0.7 并對路徑進行篩選后，得到了9 條路徑，但基本的路徑情況與對應的省份與闕值改變前保持大致一致，證明研究結果具有穩健性。

5 結論

創新是集群和企業發展的不懈動力，不斷追求創新效率的提升是企業發展路途中永遠的話題，因此企業創新路徑也是學者們一直以來的研究熱點。尋找一條萬能適用的創新路徑提升所有產業集群的創新效率顯然是不可行的，不同企業、不同區域產業集群的自身情況、面臨的環境都不同，一味套用某一種路徑而不考慮集群本身特性有時可能會適得其反。本研究通過模糊集定性比較分析法，根據不同地區產業集群的特征得到適合各地區產業集群的創新路徑。主要結論如下：

（1）在全面型、技術進步型、技術薄弱型、規模經濟型這4 種類型的產業集群中，全面型集群分解出的變量指數均大于1，北京的創新型產業集群是唯一一個全面型集群；技術進步型集群是指分解出的變量中技術進步指數表現較好，即技術進步是其創新的主要推動力，包括福建、貴州、重慶、湖北等地區的創新型產業集群；技術薄弱型與技術進步型相反，分解出的變量中技術進步指數表現較差，技術上的停滯抑制了其創新的進程，這類集群包括內蒙古、吉林、云南等地區的創新型產業集群；規模經濟型是指規模經濟指數表現良好的產業集群，包括江蘇、浙江、四川、天津等地區的創新型產業集群。

（2）根據產業集群創新效率的不同，集群創新路徑包括全面型路徑、環境型路徑和聚集型路徑。其中，全面型路徑下大多數前因變量都需要出現才能促使最終結果發生，因此適用全面型集群和技術進步型集群；技術薄弱型集群需要大量的外部資源和開放式創新環境，因此適合環境型路徑；聚集型路徑既有區域聚集產生的知識溢出效應和產學研合作福利，也能夠產生規模經濟效應，因此適用技術進步型和規模經濟型集群。

（3）通過模糊集定性比較分析法，得到出現頻率比較高的影響創新型產業集群創新效率的指標有集群數量、產業聯盟數和當年發明專利授權數量，其中集群個數和產業聯盟數量都是極具集群特色的指標變量，反映產業集群在提高企業創新生產率方面的重要作用。集群數量和產業聯盟數的增加可以增加企業之間的合作交流，并且形成具有競爭性的市場，刺激產業集群及其中企業的創新發展。

（4）各條路徑與各省份集群的對應關系反映出，同一類型的產業集群在不同的省份可以對應不同的路徑達到提高創新效率的效果，例如技術進步型集群有的可通過全面型路徑完成，有的可通過聚集型路徑完成。

同時，本研究仍存在不足之處：一是在進行DEA 分析時得到的樣本集群創新效率有部分與預期不符，后續應通過進一步分析找出原因所在；二是在模糊集定性比較分析法中，使用二手數據得到的結論覆蓋率一般應在30%以上，因此后續研究中應采用覆蓋率較強的數據來源。

注釋：

1）按照國務院發展中心發展戰略和區域經濟研究部使用的地區分類法，將我國31 個省份劃分為3 個區域：東部地區（北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、海南）、中部地區（山西、安徽、江西、湖南、湖北、河南、吉林、黑龍江）和西部地區（重慶、四川、貴州、云南、西藏、陜西、甘肅、寧夏、青海、新疆、內蒙古、廣西）。