中国企业创新战略的集群驱动力
——基于北京市中关村科技园区的实证研究
苏依依 周长辉
北京大学光华管理学院
摘要：本文吸收和整合了两个理论视角——企业行为理论和组织生态学，深入探讨产业集群对企业创新的驱动作用。从企业行为理论来看，集群期望为集群企业提供了绩效评估的基准，进而影响企业的创新决策。从组织生态学来看，集群生态系统的动态演进会影响集群企业对外部环境的认知，从而作用于企业的创新决策。我们的实证分析基于中关村科技园区高新技术企业2002－2003年的年度数据。结果显示，集群企业的研发强度与企业绩效偏离集群期望的程度、集群进入率和退出率成正相关关系。
关键词：企业创新 集群驱动 企业行为理论 组织生态学
0引言
技术创新是企业获得和保持长期竞争优势的基础。创新能够帮助企业拓展产品和市场空间，为企业带来高收益。然而，创新在本质上又是一项高投入、高风险的投资行为。创新的风险来自于交互影响的两个方面，一是创新活动的长期导向（long-term orientation），二是市场和创新本身的不确定性（uncertainty）。这些特征使得创新成为企业一项重要而又艰巨的战略抉择。现有的文献曾从不同的角度对企业创新进行讨论，分析可能影响企业创新的各种要素，例如管理团队特征（Kor, 2006），制度环境情况（Li & Atuahene-Gima, 2001），和企业资源条件（Greve, 2003）等。
近年来，产业集群对企业创新的促进作用越来越受到西方学者的关注（Baum & Mezias, 1992; Porter, 1998; Pouder & St. John, 1996; Shaver & Flyer, 2000）。国内很多学者也对中国背景下的产业集群展开讨论，为我们积累了一定的文献资料。例如，张维迎、周黎安、顾全林（2003，2005）等学者的研究是以产业集群为研究背景，探讨影响中国高新企业生存和发展的相关因素。耿帅（2005）通过比较集群企业与非集群企业的竞争优势水平及其与共享性资源之间的关联，分析集群企业竞争优势的来源。还有一些研究则通过深入细致的案例分析，探究产业集群的演进及演进过程中企业的创新行为（如何铮、谭劲松，2005）。但是，这些研究文献无论在理论上还是研究方法上都存在着一定的局限。其局限性主要表现为：多依赖于经济学的分析视角，如产业经济学、地理经济学，而较少利用最新发展的组织理论；多依赖于单一理论，如企业资源观（如耿帅，2005），而很少综合不同的理论流派；很少从权变的观点出发，对不同的集群效应加以区分和考察；在研究方法上，多依赖于个案的分析和推导，而基于大样本数据的实证分析还相对匮乏。
本文聚焦于产业集群对企业创新投资的影响。为了填补上述的研究空白，我们综合不同的理论视角，权变地分析产业集群对企业创新的影响。具体地说，我们将吸收和整合企业行为理论（behavioral theory of the firm）和组织生态学（organizational ecology）的最新发展，提出产业集群对企业创新的四力驱动模型（问题驱动力、资源驱动力、机会驱动力和危机驱动力）。本文实证分析的背景是我国最大的国家级高新园区——北京中关村科技园区。我们利用2002－2003两年的中关村高新技术企业的面板数据对我们提出的理论模型进行了检验。本文的动机和贡献在于为中国企业创新问题的研究提供新的理论视角和实证经验，我们希望我们的研究结果能为认识企业创新的驱动力，特别是产业集群对企业创新的促进作用，提供新的理解。
1文献背景
产业集群是指在某个特定区域内，大量相互关联的企业及相关机构在空间上集聚，它们既相互竞争，又相互依赖，形成一个有机的整体（Porter, 1998）。作为当今世界经济的一个普遍现象，产业集群目前已经受到人们的广泛关注，成为包括产业经济学、组织生态学、经济地理学在内的多个学科的重要研究问题。研究者试图从不同的理论视角理解产业集群是如何影响集群企业的战略决策、生存与发展的，其中，产业集群对集群内部企业创新的影响又是研究中的焦点。这方面的理论探讨和实证研究应该说已经积累了大量的文献。然而，在产业集群对集群企业所发挥的作用这一根本问题上，研究者之间还存在着颇多的争议。最大的争议问题是：产业集群对集群企业的创新能力和竞争优势到底是起着促进作用还是阻碍作用？
长期以来占据主导地位的观点认为，产业集群存在正的外部性（positive externalities）。这一观点源自Marshall（1920）对聚集经济性（agglomeration economies）的讨论。Marshall（1920）指出三种聚集经济的产生机制：（1）信息交换和技术扩散，（2）劳动力市场的规模效应，和（3）中间投入品的规模效应。Porter（1990; 1998）的一系列著作使人们对产业集群这一概念得到了更为全面的理解。Porter对国家竞争优势、产业和区域经济发展和企业竞争优势这三个层次都给予了特别的关注和深入的探讨，而产业集群成为贯穿这三个层次的一条主要线索。在宏观层面，产业集群是Porter钻石模型的一个重要维度。而对个体企业而言，如果企业进入一个具有广泛的正外部效应的产业集群，那么它将更有可能获得专业化的生产要素投入、优质的劳动力资源、充足的社会资本和公共产品等等，这些都会成为企业提高自身的生产率和创新能力的有利条件。
相应的实证研究通过分析产业集群对企业选址、研发等方面的影响，不同程度上验证了这种外部经济性的存在（Frost & Zhou, 2000; Head, Rise & Swenson, 1995; Rosenthal & Strange, 2003）。例如，Head, Rise & Swenson（1995）考察了日本企业在美国的选址情况，发现产业集聚所带来的外部性是企业选址的重要考虑因素。Frost & Zhou（2000）则强调技术层面的聚集经济性。基于美国的专利数据，他们发现东道国各州的技术特征会影响外国跨国公司的研发投资决策。Rosenthal & Strange（2003）利用美国企业的邮编信息，通过现代绘图软件（mapping software）把聚集经济性在空间的分布细化到具体的英里数①。
与上面的观点平行的认识则关注产业集群对企业经营的负面作用，也就是所谓的集群不经济（agglomeration diseconomies）。这种观点并没有占据主导地位，但是却给人留下深刻的印象。这种观点认为，产业集群会给集群企业带来竞争、成本、创新等方面的不利影响，可能会抵消产业集群的外部经济性。首先，集群内部的企业需要争夺有限的客户资源，因此面临激烈的市场竞争，这种局部化的竞争（localized competition）是导致企业失败的主要因素。Baum & Mezias（1992）利用1898-1990年曼哈顿酒店业的数据，发现曼哈顿酒店的死亡率和该地区相似竞争者（规模、位置、定价上比较接近的企业）的密度成正相关关系。其次，产业集聚会造成当地生活成本和劳动力价格的提高，增加企业的生产成本（Authur, 1992）。Wang & Wang（1998）在中关村科技园区的研究中指出，高昂的经营费用是阻碍中关村进一步发展的主要因素之一。最后，产业集群的不经济也表现在企业创新战略上。大量竞争性企业在空间的集聚，会导致技术和信息的泄漏（knowledge spillover），从而削弱了集群企业的创新动机（Arrow, 1962）。
近年来，一些学者开始意识到，产业集群对企业的影响不能一概而论，应该从集群和企业各自的特点以及它们之间的互动作用去考察和理解具体的影响机制和影响效果（Pouder & St. John, 1996; Shaver & Flyer, 2000）。我们把这种观点称为产业集群作用的权变观（contingency perspective）。这种权变观意味着产业集群研究的核心问题需要从“产业集群是好是坏”转变到“什么特征的企业更受益于产业集群”、“什么类型的产业集群、处于哪一阶段的产业集群更有利于集群企业的生存与发展”等。在这方面，一些研究已经作了初步的探索。例如，Shaver & Flyer（2000）认为，由于企业的异质性，同一产业集群对不同企业的影响大相径庭。在集群内部，那些“技术优越”的企业较难获得集群优势，因为它们在技术、员工和支持产业的优势会外溢到“技术低劣”的企业中去②，从而在竞争中处于不利的地位。这两位作者通过分析1987年外国在美直接投资的数据，验证了该命题。又如，Pouder & St. John（1996）综合了组织生态学、经济地理学、产业经济学、资源观点、制度理论等流派的思想，把产业集群的演进路径分为形成阶段、收敛阶段和重新定位阶段。他们指出，在不同阶段中，产业集群在资源条件、制度过程和管理层的认知模式上不尽相同，因此，它对集群企业创新的影响也不相同。在形成阶段，共享性的资源和强调创新能力的认知模式推动着集群企业的创新活动。随着产业集群自身的演进，集群经济逐渐弱化，组织惰性、认知模式的趋同以及模仿型的竞争行为都会给企业层面的创新活动造成不利的影响，最终导致产业集群的重新定位。Tan（2006）在对北京中关村科技园区的个案研究中，发现了该产业集群也存在着类似的演进模式。
本文采取权变的观点来研究产业集群对企业创新的驱动作用。我们认为，单纯比较集群企业和非集群企业的创新战略，难免有失偏颇；只有多视角、多维度地对集群、企业层面的权变因素进行分析，我们才能全面地、正确地理解产业集群对企业创新的驱动作用。下面，我们将说明和讨论本文为什么采用企业行为理论和组织生态学这两种理论视角，然后分别在每一理论视角下推演有关因素的影响作用，进而提出一系列可检验的具体假设，建立一个初步的关于集群驱动力的企业创新模型。
2理论假设
影响集群企业创新的权变因素有很多，例如产业结构、集群演进、企业特征、政府政策等等（Pouder & St. John, 1996; Shaver & Flyer, 2000）。本文聚焦于集群企业与所在集群之间的交互作用对企业创新的影响。我们认为，集群企业与所在集群之间的交互作用应该是理解产业集群的基本出发点。Gimeno, Hoskisson, Beal & Wan（2005）就曾指出，集群企业的战略决策不是单纯由企业自身的能力决定的，也不是简单地建立在对外部环境的独立分析之上；相反地，它根植于企业所在的产业集群，受到其他集群企业行为的影响。
为了探讨这种交互作用对企业创新的影响，我们选择企业行为理论和组织生态学来研究产业集群对企业创新的驱动力。这两大理论流派都强调环境因素对企业决策的影响。企业行为理论中的一个重要思想，就是企业可能通过社会比较（social comparison）进行绩效评估，并从这种比较中获得高风险投资、组织变革的动力与野心（Cyert & March, 1963）。组织生态学则将生物学中种群（population）和亚种群（subpopulation）的概念引入对产业集群的分析上，强调不同产业的公司在空间的集聚模式很大程度上决定了企业的生存和发展（Hannan & Freeman, 1989; Pouder & St. John, 1996）。本文综合这两大流派的基本思想，提出产业集群对企业创新的四力驱动模型——问题驱动力、资源驱动力、机会驱动力和危机驱动力，来探究产业集群影响企业的创新战略的作用机制。
.集群绩效反馈与集群期望假设
企业行为理论是由Cyert & March（1963）创立的。企业行为理论强调绩效评估（performance evaluation）在企业决策中的作用，提出了绩效反馈模型（performance feedback model）。该模型认为，有限理性（boundedly rational）的企业为了简化信息处理，会根据某种绩效基准（benchmark）把自己简单地定义为成功者或失败者，来制定高风险、高投入战略决策。企业通常把社会同类企业（comparable peers）的绩效水平作为绩效基准，例如，同行业企业的平均绩效。Cyert & March（1963）把这种来自于社会的绩效基准称为社会期望（social aspiration）③。当自身绩效等于或者接近于社会期望时，企业对风险比较抗拒（risk-averse），它们倾向于延续从前的战略和经营模式；当企业绩效远低于或者高于社会期望时，企业为了改变落后地位或者巩固竞争优势会改变对风险的态度，它们更愿意参与到高风险的战略活动中去，如高投入、周期长的创新活动。因此，企业的绩效水平和风险态度之间存在着非线性、非单调的关系，文献中又把这种绩效的作用形式称为期望绩效（aspiration performance）（Baum, Rowley, Shipilov & Chuang, 2005）。
近来，在西方管理学的主流期刊上，绩效反馈模型被广泛地应用于企业战略的研究上，如企业创新（Chen & Miller, 2007; Greve, 2003），组织变革（Greve, 1998），战略合作伙伴（Baum et al., 2005）等等。其中，Greve（2003）首先提出了企业研发创新的行为理论，他通过分析1971-1996年日本造船企业的创新活动，发现企业绩效越是低于期望④，企业越可能开展高强度的研发和创新活动。Chen & Miller（2007）利用美国不同产业上市公司的数据，也发现了类似的关系。
本文运用绩效反馈模型的基本思想来研究产业集群和企业创新之间的关系。我们认为，产业集群为集群企业提供了绩效评估的社会参照物，进而影响企业的创新战略。研究表明，相对于集群外部的企业，集群企业更关注集群内部企业的经营状况(Pouder & St. John, 1996)。由于在地理位置上比较接近，集群企业可以通过多种渠道了解到集群内其他企业的信息，这些渠道包括劳动力的流动、当地企业的交流、合作联盟、近距离观察和媒体报道。由于企业的认知资源是有限的（Cyert & March，1963），这些易得的信息就成为集群企业战略决策的主要依据（Fiske & Taylor, 1991）。
由于不同产业之间存在较大的差异（Baum et al., 2005），集群企业往往会选择集群内同一产业的企业作为参照对象，把它们的绩效水平作为绩效考评中的基准。为了区别一般意义的社会期望，我们将这种来自于产业集群的社会期望称为集群期望（cluster aspiration）。当绩效接近于集群期望时，集群企业为了规避风险，倾向于在原有战略的基础上作一些微调。而那些绩效远远落后于集群期望的企业可能把自己定位为失败者，它们将质疑原有的经营模式，希望通过新的战略和组织形式达到绩效标准。因此，这些落后的企业更愿意开展高风险的创新活动，我们把绩效低于集群期望带来的驱动力称为问题驱动力（problem driver）。
假设1（问题驱动假设）：企业绩效越是低于集群期望，集群企业越有可能开展高强度的创新活动。
另一方面，我们认为那些绩效远高于集群内部竞争者的企业也有动力开展高风险的创新活动。这些领先者往往拥有额外的，低成本的资源，这些资源是企业开展试验（experimentation），进行组织变革的必要条件。虽然优越的绩效有时并不能直接给企业带来额外的资源（Greve, 2003），经营良好的企业一般还是能以较低的成本获取资源（Baum et al., 2005）。同时，领先的企业也会因为之前的成功，更有信心和能力去承担高风险的研发活动。我们把绩效高于集群期望带来的驱动力称为资源驱动力（slack driver）。
假设2（资源驱动假设）：企业绩效越是高于集群期望，集群企业越有可能开展高强度的创新活动。
这里，我们要着重强调基于集群的期望绩效和一般绩效的区别。由于集群期望在集群企业绩效评估中的作用，即使是绩效相同的企业，它们的自我定位和风险态度也会有所不同。在绩效普遍不好的产业集群中，表现平平的集群企业可能把自己定义为优胜者；在整体绩效较高的产业集群中，经营尚佳的集群企业，也会把自己看作是后进分子而推行较为激进的战略。这一绩效反馈模型反映了产业集群对企业认知模式的塑造作用，集群企业从自己所在产业集群中获取自我评估的绩效基准，作为推行创新战略的依据。
.集群生态系统的动态演进假设
Hannan & Freeman（1977）利用现代种群生态学（population ecology）的观点分析组织与环境的关系，开创了组织生态学的先河。这一学派强调组织外部环境的决定作用，致力于探讨种群（population）的产生、发展和消亡的演进过程。其中，组织的创建（founding）和消亡（disbanding）是分析种群演进的两个重要议题（Carroll & Hannan, 1989; Hannan & Freeman, 1977）。从本质上说，组织的创建和消亡与种群外部的环境密切相关，反映了种群生态系统动态演进的趋势。组织生态学的研究一般把组织的创建和消亡作为是因变量，分析哪些组织、种群特征会影响种群的动态演进（如Baum & Mezias, 1992）。
从组织生态学的观点来看，企业在空间的集聚是为了获取有利的生态位（niche），以支持企业的生存和发展。如果把整个产业看成是一个种群，那么产业集群中的产业就构成了亚种群，具有相对独立的资源禀赋、制度过程和竞争模式（Hannan & Carroll, 1992）。和一般的种群类似，产业集群的动态演进也是通过集群企业的进入和退出实现的（Pouder & St. John, 1996）。在集群的形成期，大量企业为了获得聚集经济性和合法性（legitimacy）纷纷进入产业集群，原有企业也会通过资产分拆（spin-offs）等形式分离出新创企业（new venture）。进入收敛期后，产业集群逐渐丧失其在资源、制度上的优势，企业进入产业集群的动机被削弱。当集群逐渐走向衰弱，集群不经济占主导地位时，集群企业的退出率就会比较高，一些企业是因为经营不善而退出市场，另外一些则通过重新选址进入新兴的产业集群。
本文把集群企业的进入和退出作为企业创新的前因变量来研究。我们认为，集群生态系统的动态演进过程能够影响集群企业对自身处境的认识，进而作用于企业的创新决策。下面，我们将从进入企业的动机和特征来说明产业集群的进入率对企业创新的影响。就进入企业的动机而言，大量企业进入产业集群，一般说明该集群内存在尚待开发的市场机会（Schoonhoven, Eisenhardt & Lyman, 1990）。集群企业为了开发市场机会，往往会把创新作为获取竞争优势的主要手段。就进入企业的特征而言，产业集群中的新创企业很多都是从在位的（incumbent）集群企业中分离出来的，它们和在位企业之间存在很多相似之处，如资源、供货渠道（Pouder & St. John, 1996）。为了在竞争中占据有利地位，这些新创企业一般会采取差异化和创新的战略，在集群创新中发挥积极作用。基于上面的论述，我们认为，大量企业涌入产业集群会推动集群企业的创新，我们把这种推动力称为机会驱动力（opportunity driver）。
假设3（机会驱动假设）：产业集群的企业进入率越高，集群企业越有可能开展高强度的创新活动。
那么，当大量企业退出产业集群时，集群企业是否会开展高风险、高投入、长期导向的创新活动？我们认为，集群企业的退出率和企业创新的关系，需要视具体的产业集群而定。如果企业所在的产业集群式微，导致大量集群企业不能存活，那么创新战略势必会加重企业的财政负担，增加额外的退出风险。这种情况下，集群企业往往会减少创新方面的投入。相反地，如果产业集群进行着深刻的结构调整，淘汰低效和缺乏竞争力的企业，那么集群企业为了顺应集群环境的变化，往往会进行战略调整（如技术创新），以谋求长期的生存和发展。
本文的研究背景是北京中关村科技园区。我们认为，中关村园区目前更接近于上述第二种情况。从中关村发展状况上看，该科技园区仍然处于高速发展期。尽管2000年以来每年有大量企业退出中关村，但是进入企业的数量仍远远高于退出企业的数量；而且，中关村企业创新的力度也有所加强。从现有对中关村的研究上看，研发创新也是促进中关村企业生存和发展的重要因素（张维迎、周黎安、顾全林，2003，2005）。张维迎、周黎安、顾全林（2003）以中关村科技园区为研究背景，发现研发投入能够减少企业的退出率。张维迎、周黎安、顾全林（2005）在基于中关村企业的大样本数据分析中，发现技术效率和研发投入能够保护和促进企业的增长，并且这种促进作用会随着企业的成长不断加强。因此，我们推断，当大量企业退出产业集群时，中关村企业为了化解生存危机、确保竞争优势，会加强在创新方面的投入，我们把这种集群作用力称为危机驱动力（threat driver）。
假设4（危机驱动假设）：产业集群的企业退出率越高，集群企业越有可能开展高强度的创新活动。
图1对产业集群和企业创新的四力驱动模型（问题驱动力、资源驱动力、机会驱动力和危机驱动力）进行了总结。这一理论框架反映了产业集群对企业创新的作用机制，这种作用机制是建立在具体的企业特征（企业绩效和集群期望的对比关系）和集群演进状况（集群企业的进入和退出）之上，通过企业复杂的信息处理过程影响企业的战略决策。
[插入图1]
3变量说明和研究方法
数据和样本
本文以中关村科技园区高新技术企业的年度数据为样本，对集群驱动力模型进行检验。中关村科技园区内高新企业众多，企业和研究所之间关系密切，是我国最大的高科技产业集群（Tan, 2006）。中关村高新企业数据库涵盖了所有获得高新技术企业认证的中关村企业的信息，包括企业的基本信息、财务报表、科技活动情况等等。该数据库信息丰富，企业面广，为研究中国高新企业和产业集群提供了切入点（张维迎、周黎安、顾全林，2003，2005）。由于该数据库从2000年以后才开始收录中关村高新企业科技活动的数据，我们只能对2000年后的企业创新情况进行分析。我们依照下列程序筛选数据，选取样本。
第一，由于新的《国民经济行业分类》（GB/T4754-2002）在2002年中期正式实施，为了统一对行业的选择，本文的分析对象是2002-2003年两年的企业创新状况。
第二，尽管数据库中的企业均通过高新技术企业认证，我们发现一些企业的行业代码（如零售业、批发业）很难与高科技联系在一起。为了保险起见，我们基于两位的国民经济行业代码，对产业作了筛选，选出10个传统意义上的高科技产业。
第三，我们选择了处于营业状态的企业，排除了停业、筹建、撤销等非正常状态下的企业。为了保证产业集群对企业决策的影响，我们选取在中关村经营一年或者一年以上的企业的创新活动作为研究对象。
基于上述程序，我们的样本包括中关村2002-2003年6685家高新技术企业，分布在10个高科技产业中（化学原料及化学制品制造业、医药制造业、专用设备制造业、通用设备制造业、电气制造业、电子设备制造业、仪器仪表制造业、电信服务业、计算机服务业、软件业）。由于数据缺失值的存在，最终进入回归模型的样本量为6539。
变量说明
本文的因变量是企业创新。在进行实证分析时，我们把研发投入作为考量企业创新的主要指标。我们之所以选择研发投入，因为它不仅是企业建立知识吸收能力的基础（Cohen & Levinthal, 1990），而且反映了企业推行创新战略的承诺（strategic commitment）。文献中研发强度的测量一般是研发费用除以销售收入、员工人数或者企业资产（Kor, 2006）。由于我们的样本中很大一部分都是新创企业，销售收入并不稳定，所以我们用研发费用除以员工人数来测量研发强度。由于样本中研发强度偏度较高，而且一部分企业的研发强度又为0，所以我们沿用Laursen & Salter（2006）的方法对研发强度进行对数变型，即，研发强度*=Ln（1+研发强度）。
为了和此前的研究保持一致（如Chen & Miller, 2007），我们在检验集群期望假设时选取资产回报率（ROA），即，净利润除以总资产，作为衡量企业绩效的指标，用中关村科技园区中同一产业企业的平均资产回报率来测量集群期望。在我们的假设中，我们预测集群企业通过对比自身绩效与集群期望来制定创新战略，所以我们用企业绩效中减去集群期望得到的差值（即，企业绩效−集群期望）来测量基于集群的绩效反馈。为了检验企业绩效大于或者小于集群期望的作用是否一致，我们用spline函数对绩效反馈变量（企业绩效−集群期望）进行转换（Greve, 2003）。这一转换过程生成两个变量：（1）企业绩效−集群期望(>0)，即当企业绩效大于集群期望时，该变量为企业绩效减去集群期望，当企业绩效小于或者等于集群期望时，则为0；（2）企业绩效−集群期望(<0)，即当企业绩效小于集群期望时，该变量为企业绩效减去集群期望，当企业绩效大于或者等于集群期望时，则为0。企业绩效−集群期望(>0)表示产业集群的资源驱动，企业绩效−集群期望(<0)则表示产业集群的问题驱动。这种绩效形式是绩效反馈研究中的一般测量方法，能够检验企业绩效和研发强度之间是否存在非线性关系（Chen & Miller, 2007; Greve, 2003）。
在集群动态演进假设中，我们把集群企业的进入率和退出率作为企业创新的自变量。对于企业退出的界定，我们采取了张维迎、周黎安和顾全林（2003）一文中的定义，即，如果某企业在数据中第t-1年存在而在第t年消失，那么我们则定义这个企业在第t年退出。同理，如果某企业在数据中第t-1年不存在而在第t年存在，我们则定义这个企业在第t年进入。在测量时，我们分别对第t年中关村某一行业退出和进入企业的个数进行加总，然后除以该行业第t-1年末的企业总数，作为该产业在中关村科技园区第t年的退出率和进入率。
另外，我们在实证分析中引入了可能会影响企业创新的变量作为控制变量，包括总资产（企业总资产的对数值），企业年龄，国有企业（虚拟变量，1为国有企业，0为非国有企业），资产负债率（企业负债与资产的比率）和企业前一期的研发强度。我们还创建年份的虚拟变量，控制时间对创新战略可能的影响。
表1给出了相关变量的描述性统计和相关系数。从表中看，因变量和自变量之间存在显著的相关关系，自变量之间、自变量和控制变量不存在多重相关性（相关系数都低于）。统计数据还显示出样本中集群企业和产业集群的一些基本信息。样本中集群企业的平均年龄是年，且有23%的企业为国有控股企业，这表明大部分中关村高新企业属于非国有性质新创企业。从产业集群的角度来看，样本中集群的平均进入率为，远大于集群的平均退出率（），说明中关村这一产业集群仍然处于高速发展期。
[插入表1]
研究方法
由于本文所要分析的数据是面板结构（panel data），单纯采用OLS估计，将无法有效地反映出模型中时间和空间的特性，因此，我们对企业研发强度进行了面板数据回归分析。同时，考虑到分析模型中有随时间不变的企业特征（国有企业变量），我们选取了面板数据随机效应模型（random-effect）的回归方法（Wooldridge, 1999），这与Greve（2003）研究中所用的回归模型是一样的。我们采取了分层回归的方法（hierarchical regression）进行数据分析，以观察自变量在不同模型中的系数和显著性是否一致。模型中所有自变量和控制变量都滞后一年，我们通过企业创新当年的两位行业代码链接企业所在集群前一年的信息（集群期望、集群进入率、集群退出率），创建集群驱动力的变量。针对我国在2002年实行新的国民经济行业分类，我们利用新旧代码的对照表创建2002年的集群变量。由于对照表上个别行业不是一一对应的，可能导致样本偏差，我们又对2003年的企业研发强度作了普通OLS回归，以此作为稳健性检验（robustness check）。
4实证结果
表2列出了回归结果⑤。模型1-4是面板数据随机效应模型分层回归的结果：模型1列出了所有控制变量对因变量的影响；模型2、3分别将集群期望假设和集群动态演进假设的自变量引入模型；模型4是全模型（full model），列出了所有控制变量和自变量对企业创新的影响。模型5是稳健性检验，采用普通OLS回归对2003年的企业创新的数据进行分析。下面，我们将对这些结果进行归纳讨论。
[插入表2]
第一，集群期望假设。假设1和假设2提出，企业绩效和研发强度存在非线性关系。这组假设在模型2、4和5中得到一致的验证。其中，企业绩效−集群期望(<0)的回归系数为负，显著水平在，说明企业绩效越是低于集群期望，企业研发强度越高；企业绩效−集群期望(>0)的回归系数为正，显著水平在和之间，说明企业绩效越是高于集群期望，企业研发强度越高。这一结果反映了，产业集群内部存在一定的绩效反馈机制，为集群企业提供了创新的问题驱动力和资源驱动力。因此，集群期望是企业绩效评估、战略决策中的重要因素。
第二，集群动态演进假设。集群动态演进假设指出，集群企业的研发强度与集群企业的进入率、退出率成正相关关系。在模型3和5中，集群进入率和集群退出率的回归系数都为正，显著水平在和之间。这说明，集群动态演进刺激集群企业的创新活动，提供企业创新的机会驱动力和危机驱动力。假设3和假设4得到验证。但是，我们也要看到，集群企业退出率的作用并不稳定。在模型4中，当我们同时引入了集群期望的自变量时，集群企业进入率的结果保持一致，而集群企业退出率的回归系数从显著变为不显著。从计量经济学的角度上看，这种变化可能是变量之间的相关性引起的。尽管表1中自变量的相关性并不高，为了检验可能的共线性问题，我们还利用一般的OLS回归计算了各变量的因子膨胀系数（variance inflation factors, VIF），发现各变量的因子膨胀系数在的区间之内，平均因子膨胀系数为，因此，模型中不存在多重共线性问题。
从表2中还可以看出，一些控制变量也会作用于企业的创新战略：（1）企业资产对研发强度有显著的正向作用，显著水平在，这说明企业规模越大，企业越有可能推行创新战略；（2）企业年龄与研发强度显著负相关，即，企业年龄的增长会减少企业的创新动机；（3）企业的研发强度和上一期的研发强度高度正相关，这表明企业的创新战略有一定的延续性，是企业内部制度化的探索行为（institutionalized search）（Chen & Miller, 2007）。另外，各模型的R2在20%-23%之间，说明模型的整体拟合程度较好。
5结论
本文吸收和整合了不同的理论视角——企业行为理论和组织生态学，深入探讨企业所在的产业集群对企业创新的驱动作用，建立产业集群对企业创新的四力驱动模型。我们运用中关村高新企业2002-2003年的面板数据对该模型进行了检验，发现集群企业的研发强度与企业绩效偏离集群期望的程度、集群进入率和集群退出率成正比，从而验证了产业集群对企业创新存在着四种驱动作用（问题、资源、机会和危机）。因此，本文提出的企业创新的集群驱动模型得到比较一致的实证支持。
在分析过程中，我们以权变的观点分析产业集群和企业创新之间的关系，这表明集群效应对企业创新的作用力不能简单地归结为促进或者阻碍，而是由集群、企业的具体特征决定的。这种权变观对战略管理研究的意义是深远的。我们认为，简单判断某项战略（如多元化、选址）的优劣难免浮于表面，只有深入挖掘具体战略的运行机制及该战略与其他因素的交互作用，才能对这一战略有全面的理解。同样，这种权变观对政策的启示也是深刻的。鉴于产业集群对企业创新的作用不尽相同，政府不能推行简单划一的集群政策，而是应该对不同的产业集群、集群企业加以区分，具体问题具体分析，通过不同的政策刺激，推动产业集群的创新发展。
本文的理论模型是对西方主流管理理论的补充和扩展。第一，我们首次将企业行为模型应用于产业集群的研究上，把企业所在集群的绩效水平当作集群企业绩效评估的基准。我们认为，由于在地理位置上比较接近，集群内部的其他企业对集群企业构成了不可忽视的参照对象。利用企业行为模型分析产业集群既丰富了原来的行为模型，也为理解产业集群提供了一种新的思路。第二，我们也是首次运用发展中国家的数据对企业行为模型进行检验，验证了绩效反馈中企业创新的资源驱动力和问题驱动力。而在西方相关研究中（Chen & Miller, 2007; Greve, 2003），企业创新的资源驱动一直没有得到证明。我们猜测，企业的认知模式和风险态度根植于特定的制度环境之中，这就造成了企业行为模型在不同制度环境下的表现形式不尽相同。因此，只有以不同的制度环境为研究背景，形成于西方的企业行为模型才能得到进一步发展。第三，在传统的组织生态学研究中，组织的创建和消亡一般都是作为因变量进入分析的。不同于以往的文献，本文把集群企业的进入和退出当成是影响企业决策的前因变量，这种研究设计突出了种群和组织之间的互动关系，拓展了组织生态学的分析思路。
总之，本文在深化人们对产业集群认识的同时，还提供了如何利用西方管理理论分析具体问题的范例。当然，本文的集群驱动力模型建立在企业行为理论和组织生态学的基础之上，并不能涵盖产业集群对企业创新所有的作用机制。我们期望，后续的研究能够从其他理论视角，进一步丰富和完善人们对产业集群的理解。
注释
此前的研究一般把州或城市作为考察集聚经济性的分析单位。
文中，“技术优越”的企业是指那些拥有先进技术、人力资本、培训体系、优良的供应商的企业；“技术低劣”的企业是指那些拥有落后的技术、人力资本、培训体系、供应商的企业。
绩效评估中还包括历史比较，即，企业通过比较自身的绩效历史进行决策分析。由于本文主要关注基于集群的绩效评估，就不再对绩效的历史比较展开讨论。有兴趣的读者，可以参阅Cyert和March的《A Behavioral Theory of the Firm》。
Greve（2003）一文中的期望的测量是包含社会比较和历史比较的综合测量（composite measure）。
我们还对样本进行了OLS和面板数据的固定效应模型的回归，因篇幅所限，就不在正文中列出了。我们发现，OLS的回归结果和随机效应模型回归的结果基本保持一致；而固定效应回归的结果则比较异常，表现在企业的研发强度和前一期的研发强度为显著的负相关关系。
参考文献
耿帅：《共享性资源与集群企业竞争优势的关联性分析》，《管理世界》，2005年第11期。
何铮、谭劲松：《复杂理论在集群领域的研究——基于东莞PC集群的初步探讨》，《管理世界》，2005年第12期。
张维迎、周黎安、顾全林：《高新技术企业的成长及其影响因素：分位回归模型的一个应用》，《管理世界》，2005年第10期。
张维迎、周黎安、顾全林：《经济转型中的企业退出机制——关于北京市中关村科技园区的一项经验研究》，《经济研究》，2003年第10期。
Arrow KJ., 1962, “Economic welfare and the allocation of resources for invention”, In: Richard Nelson (Ed.), The Rate and Direction of Inventive Activity, Princeton University Press, Princeton, pp. 609-625.
Authur W., 1990, “Silicon Valley locational clusters: When do increasing returns imply monopoly?”, Mathematical Social Sciences, (19): 235-251.
Baum JAC., Mezias SJ., 1992, “Localized competition and organizational failure in the Manhattan hotel industry, 1989-1990”, Administrative Science Quarterly, (37): 580-604.
Baum JAC., Rowley TJ., Shipilov AV., Chuang YT., 2005, “Dancing with strangers: Aspiration performance and the search for underwriting syndicate partners”, Administrative Science Quarterly, (50): 536-575.
Carroll GR., Hannan MT., 1989, “Density dependence in the evolution of populations in newspaper organizations”, American Sociological Review, (54): 524-541.
Chen WR., Miller KD., 2007, “Situational and institutional determinants of firms’ R&D search intensity”, Strategic Management Journal, (28): 369-381.
Cohen WM., Levinthal DA., 1990, “Absorptive capacity: A new perspective on learning and innovation”, Administrative Science Quarterly, (35): 128-152.
Cyert RM., March JG., 1963, A Behavioral Theory of the Firm, Prentice-Hall, Englewood Cliffs, NJ.
Fiske ST., Taylor SE., 1991, Social Cognition, McGraw-Hill, New York.
Frost T., Zhou C., 2000, “The geography of foreign R&D within a host country: An evolutionary perspective on location-technology selection by multinationals”, International Studies of Management & Organization, (30): 10-43.
Gimeno J., Hoskisson RE., Beal BD., Wan WP., 2005, “Explaining the clustering of international expansion moves: A critical test in the . telecommunications industry”, Academy of Management Journal, (48): 297-319.
Greve HR., 1998, “Performance, aspirations, and risky organizational change”, Administrative Science Quarterly, (43): 58-86.
Greve HR., 2003, “A behavioral theory of R&D expenditures and innovations: Evidence from shipbuilding”, Academy of Management Journal, (46):685-702.
Hannan MT., Carroll GR., 1992, Dynamics of Organizational Populations: Density, Legitimation, and Competition, Oxford University Press, New York.
Hannan MT., Freeman JH., 1977, “The population ecology of organizations”, Academy Journal of Sociology, (83): 929-964.
Head K., Ries J., Swenson D., 1995, “Agglomeration benefits and location choice: Evidence from Japanese manufacturing investments in the United States”, Journal of International Economics, (38): 223-247.
Kor YY., 2006, “Direct and interaction effects of top management team and board compositions on R&D investment strategy”, Strategic Management Journal, (27): 1081-1099.
Laursen K., Salter A., 2006, “Open for innovation: The role of openness in explaining innovation performance among UK manufacturing firms”, Strategic Management Journal, (27): 131-150.
Li H., Atuahene-Gima K., 2001, “Product innovation strategy and the performance of new technology ventures in China”, Academy of Management Journal, (44): 1123-1134.
Marshall A., 1920, Principles of Economics, 8th edition, Macmillan, London
Porter ME., 1990, The Competitive Advantage of Nations, Free Press, New York.
Porter ME., 1998, On Competition, Harvard Business School Press, Boston.
Pouder R., St. John CH., 1996, “Hot spots and blind spots: Geographical clusters of firms and innovation”, Academy of Management Review, (21): 1192-1225.
Rosenthal SS., Strange WC., 2003, “Geography, industrial organization, and agglomeration”, Review of Economics and Statistics, (85): 377-393.
Schoonhoven CB., Eisenhardt KM., Lyman K., 1990, “Speeding products to market: Waiting time to first product introduction in new firms”, Administrative Science Quarterly, (35): 177-207.
Shaver JM., Flyer F., 2000, “Agglomeration economies, firm heterogeneity, and foreign direct investment in the United States”, Strategic Management Journal, (21): 1175-1193.
Tan J., 2006, “Growth of industry clusters and innovation: Lessons from Beijing Zhongguancun Science Park”, Journal of Business Venturing, (21): 827-850.
Wang J., Wang J., 1998, “An analysis of new-tech agglomeration in Beijing: A new industrial district in the making?”, Environment and Planning A, (30), 681-701.
Wooldridge JM., 2002, Econometric Analysis of Cross Section and Panel Data, MIT Press, Cambridge, MA.
Clustering Motivation of Corporate Innovation:
Empirical Analysis of Beijing Zhongguancun Science Park
SU Yi-yi, ZHOU Chang-hui
(Guanghua School of Management, Peking University, Beijing 100871, China)
Abstract This paper integrates two theoretical perspectives, behavioral theory of the firm and organizational ecology, and discusses the effects of industrial clustering on corporate innovation. From behavioral theory of the firm, cluster aspiration provides clustered firms the benchmark in performance evaluation and influences firms’ strategic choice in innovation. From organizational ecology perspective, the evolution of industrial clusters reverses clustered firms’ perception of the external environment and therefore influences corporate innovation. Our empirical analysis is based on a sample of high-tech corporations in Beijing Zhongguancun Science Park, 2002-2003. Results show that R&D intensity of the clustered firms is positively related to the distance of their performance and clustering aspiration, clustering entry rate and clustering exit rate.
表1 变量的统计描述
变量
1
2
3
4
5
6
7
8
9
1
研发强度(对数值)
1
2
企业绩效−集群期望(>0)
*
1
3
企业绩效−集群期望(<0)
*
**
1
4
集群进入率
**
**
1
5
集群退出率
**
**
**
1
6
总资产(对数值)
**
**
**
*
1
7
企业年龄
**
**
**
**
**
**
1
8
国有企业(虚拟变量)
**
**
**
**
**
1
9
资产负债率
**
**
*
**
1
最大值
0
22
1
最小值
0
0
0
0
0
0
均值
标准差
注：（1）双尾。（2）*、**分别表示在5%和1%下显著。
表2 回归结果
模型
1
2
3
4
5
总资产(对数值)
***
()
***
()
***
()
***
()
***
()
企业年龄
***
()
***
()
***
()
***
()
***
()
国有企业(虚拟变量)
()
()
()
()
**
()
资产负债率
()
()
()
()
()
上一期研发强度
***
()
***
()
***
()
***
()
***
()
年份2002
***
()
***
()
***
()
***
()
企业绩效−集群期望(>0)
***
()
**
()
***
()
企业绩效−集群期望(<0)
**
()
**
()
**
()
集群进入率
***
()
**
()
**
()
集群退出率
**
()
()
***
()
Wald chi-square
1027***
1062***
1052***
1075***
F-value
***
R2
样本量
6539
6539
6539
6539
2757
注：* 、**、***分别表示在5%、1%和%下显著。
图1 理论框架：企业创新的集群驱动
PAGE
PAGE 1
