第四節 實證檢驗

一、信度與效度分析

本次調研的多題項變量有被解釋變量、中介變量和控制變量，其中控制變量已被證明有良好的信度和效度，因此只考慮被解釋變量和中介變量。本次研究獲取的數據為橫截面數據，因此只需考慮其是否滿足內在信度的要求，采用Cronbach的一致性系數（α系數）來考察樣本數據的內在一致性，如表3—2的第三列所示。

表3—2 信度和效度分析表

從表3—2中可以看出所有變量的Cronbach'α值均大于0.7，這說明本調查問卷獲取的數據內部一致性較好，即問卷具有較高的信度。

問卷效度從內容效度和結構效度兩個方面來檢驗，本研究在借鑒、整理國內外比較成熟的相關量表的基礎上，通過專家咨詢、對研究團隊成員深度訪談獲取建議，并進行了預調查和反復修改，因此保證了問卷的內容效度，本研究采用因子分析方法來檢驗結構效度，表3—2第四列和第五列是模型效度分析，從表3—2中可以看出模型通過了效度檢驗，四個變量的KMO值均大于0.7，而且各觀測變量的因子載荷均大于0.5，因此問卷具有顯著的結構效度。

為了使用計量經濟學的回歸分析方法，本章將“學習效應”對應的五個指標的取值平均為一維變量LE；將“擁擠效應”對應的三個指標降維為一維變量CE，將“技術創新績效”對應的四個指標降維為一維變量IK，與被調查集群所對應的產業因素、政府因素以及與科研院所的互動因素降維后的變量分別記為c₁、c₂、c₃，地理鄰近GP、生態位寬度B和生態位重疊度Q均為一維變量，不需要處理。

二、描述統計和相關分析

表3—3描述了有關自變量、因變量、調節變量及控制變量的標準差，以及變量間的相關系數情況。由表3—3可以看出，地理鄰近與學習效應之間存在顯著的正相關性；地理鄰近與擁擠效應之間的相關系數雖然是正的，但是顯著性相對較低；學習效應與技術創新績效顯著正相關；擁擠效應與技術創新績效顯著負相關；地理鄰近與技術創新績效存在不顯著的相關關系；同時可以發現生態位寬度與學習效應具有顯著的正相關性，與擁擠效應的負相關性不顯著，與技術創新績效顯著正相關；生態位重疊度與學習效應具有弱正相關性，與擁擠效應具有顯著正相關性，與技術創新績效的負相關性不顯著。這些初步表明生態位寬度和生態位重疊度在地理鄰近的學習效應和擁擠效應上充當了調節變量。

表3—3 相關性分析結果

注：*p<0.05**，p<0.01，***p<0.001。

本章采用了逐步回歸分析來檢驗所提出的假設。表3—4為回歸模型分析的結果，其中共涉及18個模型，模型1至模型4的被解釋變量為技術創新績效，模型5至模型11的被解釋變量為學習效應，模型12至模型18的被解釋變量為擁擠效應。模型1僅包含控制變量，驗證產業因素、政府因素與科研院所的互動因素是否影響集群創新績效；模型2至模型4依次增加了地理鄰近及其平方、學習效應、擁擠效應；模型5至模型11驗證生態位寬度、生態位重疊度以及交互作用對學習效應的調節作用；模型12至模型18驗證生態位寬度、生態位重疊度以及交互作用對擁擠效應的調節作用。模型1至模型4的回歸檢驗結果如表3—4（1）所示。

表3—4（1） 回歸檢驗結果

注：*p<0.05，**p<0.01，***p<0.001。

三、假設檢驗及解釋

模型1只有控制變量而未加入解釋變量，從表3—4（1）可知，模型1的估計結果顯示模型具有顯著性，后續的模型在此基礎上增加了解釋變量，下面分析本章的相關假設。

（一）地理鄰近與技術創新績效

模型2在模型1的基礎上加入了地理鄰近GP和其二次方GP2，在估計結果中GP一次項系數為正，且具有顯著性，二次項系數為負，也具有顯著性，即證實了假設H5，說明了地理鄰近對技術創新績效的影響呈倒U形。

這進一步驗證了學者們所認為的“地理鄰近與集群的創新績效兩者的關系是非線性、辯證的”這一觀點，導致地理鄰近與技術創新績效呈倒U形關系的內在原因是地理鄰近對集群創新既有正效應又有負效應，并且在集群密度較小時，地理鄰近的正效應占主導地位，所以隨著地理鄰近程度的增加，集群的創新績效也增加，在集群密度過大時，地理鄰近的負效應開始占據主導地位，此時隨著地理鄰近程度的增加，集群的創新績效將減小。通過學者們的研究成果可以看出，地理鄰近的正效應主要有交通成本的較低、溝通成本的降低、學習效應和知識溢出效應的增加，地理鄰近的負效應主要有信息渠道的閉鎖、知識溢出的負外部性以及擁擠效應，筆者認為從技術創新層面看，地理鄰近的正效應最直接的就是學習效應，而對于負效應，相關學者已經證明中國當前的產業集群尚未出現信息閉鎖，因此主要是知識溢出的負外部性和擁擠效應，而知識溢出的負外部性的突顯與同質化、惡性競爭是分不開的，這均為擁擠效應的表現，這在當前中國部分產業集群中已有體現。

（二）學習效應與技術創新績效

模型3在模型2的基礎上加入了學習效應LE，其估計結果顯示，LE的系數為正，且具有顯著性，即證明了假設h1，說明集群的學習效應與集群創新績效正相關。

企業在孤立的環境中是無法進行技術創新活動的，創新離不開組織內部、組織之間的交流和學習，學習效應和集群創新的關系已經被學者們廣泛深入地進行了研究，國內外相關文獻在論述產業集群的創新時均強調了集體學習機制，大量的實證研究也表明集群企業間的學習效應對于集群內的創新與整個區域的經濟活力有著顯著的影響。實質上集群式創新之所以具有創新優勢就是因為集群網絡為集群企業的技術創新提供了一個知識密集并且易于相互學習的知識平臺，在集群內部知識的豐富和密集，知識的溢出與共享都促進了企業的相互學習從而提高了集群創新績效。

（三）擁擠效應與技術創新績效

模型4在模型3的基礎上加入了擁擠效應CE，其估計結果顯示CE的系數為負，且具有顯著性，即證明了假設h3，說明集群的擁擠效應與技術創新績效負相關。

在城市化和產業集群形成過程中存在擁擠效應和離心力，并不是什么新觀點，通過對相關文獻進行整理可以發現，多數文獻所指的擁擠效應包括土地租金和住房價格的上升、交通阻塞等外部規模不經濟現象以及由此導致的環境污染、居住空間的狹小、綠地面積的減少和工資成本的上升等與人口生活緊密相關的問題。近年來的文獻才逐漸從生產要素、市場競爭等多方面對擁擠效應進行了擴展，本書所指的技術創新擁擠效應除了上述內容外，還包括由于集群企業密度過大、同質化嚴重而導致的企業在投入要素和產品銷售方面的惡性競爭。從單個企業來說，這種擁擠效應導致企業的投入成本增大、利潤空間縮小，使得企業的創新投入減少，從企業間的關系來說，擁擠必然伴隨惡意競爭，必然降低企業間的信任，增加相互之間的敵意，因此不利于企業間的合作創新，所以擁擠效應與集群創新績效負相關。模型5至模型11的回歸檢驗結果如表3—4（2）所示。

表3—4（2） 回歸檢驗結果續

注：*p<0.05，**p<0.01，***p<0.001。

（四）地理鄰近的學習效應

模型5至模型11中GP的系數為正，且具有顯著性，說明地理鄰近的學習效應是穩健的，即證明了假設H1，說明地理鄰近與集群企業間的學習效應正相關。

地理鄰近有利于組織間的學習這一觀點也被大多數文獻所證實，本書認為地理鄰近促進了集群企業間的學習主要有客觀和主觀方面的原因，客觀方面，地理鄰近縮短了知識傳遞的時間，地理鄰近降低了知識傳遞的損失從而增加了學習效應；主觀方面，地理鄰近催生了組織鄰近，從而降低了組織間交流的溝通成本，激勵了企業間的相互學習。當然也有學者指出過度的地理鄰近不利于組織間的學習，因為地理鄰近所導致的知識溢出具有負外部性，筆者認為增加知識溢出的負外部性的罪魁禍首不是地理鄰近，而是企業間的過度競爭，企業間利益的不一致，如果集群企業間的關系是共生的而不是競爭的，那么地理鄰近并不必然增加知識溢出的負外部性。

（五）生態位對地理鄰近與學習效應的調節作用

模型6中生態位寬度B前的系數為正，但不具有顯著性；模型7在模型6的基礎上增加了生態位寬度與地理鄰近的交叉項GP×B，GP×B前的系數為正，但仍不具有顯著性，即拒絕了假設H6。模型8在模型7的基礎上增加了生態位重疊度Q，Q前的系數為正，但不具有顯著性；模型9在模型8的基礎上增加了生態位重疊度與地理鄰近的交叉項GP×Q，GP×Q前的系數為正，并具有弱顯著性，說明生態位重疊度正向調節了地理鄰近的學習效應，與預期的假設不符，即拒絕假設H8。模型10在模型9的基礎上增加了生態位寬度與生態位重疊度B×Q，B×Q前的系數為正，并具有弱顯著性；模型11在模型10的基礎上增加了GP×B×Q，此時B×Q前的系數不具有顯著性，而GP×B×Q前的系數顯著為正，說明生態位寬度與生態位重疊度的交互作用正向調節了地理鄰近的學習效應，即通過了假設H10。

以上說明僅僅增加集群生態位寬度，降低集群企業間的資源和市場競爭程度并不必然會提升集群企業間的學習效應，反而增加了集群生態位重疊度。在一定程度上提高集群企業的競爭程度卻有利于增強集群企業間的學習效應，筆者認為并不是集群企業間的同質化和競爭促進了相互學習。集群的生態位重疊表明集群企業之間價值鏈上有關聯、業務范圍有交叉、私有知識間有冗余、有共同的價值觀，而這些因素都是組織間的學習能夠開展的前提。生態位寬度和生態位重疊的交互作用顯著正向調節了地理鄰近的學習效應說明一個具有學習能力的產業集群應該維持和諧的競合關系，企業間在滿足差異化的同時應該具有價值鏈的關聯，企業間在存在關聯和交叉的同時又不應存在惡性競爭。模型12至模型18的回歸檢驗結果如表3—4（3）所示。

表3—4（3） 回歸檢驗結果續

注：*p<0.05，**p<0.01，***p<0.001。

（六）地理鄰近的擁擠效應

模型12至模型18中GP的系數均正，且具有顯著性，說明地理鄰近的擁擠效應也是穩健的，即證明了假設h2，說明地理鄰近與集群企業間的擁擠效應正相關。

如前所述，集群規模過大、企業密度過大而導致的地理鄰近具有擁擠效應已經被學者們所證實，這也正是一個城市存在最優規模（肖文，2011）的原因所在。基于此，筆者需要說明的是本書的地理鄰近不是少數幾個企業（更不是兩個企業）間的地理鄰近，而是從產業集群的層面看，眾多企業之間的地理鄰近，這種地理鄰近與集群規模、企業密度是緊密聯系的，這從本書對地理鄰近變量的測量上也可以看出來。因此本書所指出的地理鄰近具有擁擠效應和學者們指出的集群最優規模和城市最優規模的機理是一致的。實際上已有文獻證明中國南方的一些紡織產業集群由于集聚過度已經出現了較為明顯的擁擠效應（唐根年，2010）。

（七）生態位對地理鄰近與擁擠效應的調節作用

模型13中生態位寬度B前的系數為負，但不具有顯著性；模型14在模型13的基礎上增加了生態位寬度與地理鄰近的交叉項GP×B，GP×B前的系數為負，并具有顯著性，即接受了假設H7。模型15在模型14的基礎上增加了生態位重疊度Q，Q前的系數為正，并具有顯著性；模型16在模型15的基礎上增加了生態位重疊度與地理鄰近的交叉項GP×Q，此時Q前的系數不再具有顯著性，而GP×Q前的系數顯著為正，說明生態位重疊正向調節了地理鄰近的擁擠效應，即接受假設H9。模型17在模型16的基礎上增加了生態位寬度與生態位重疊度的交叉項B×Q，B×Q前的系數為負，但不具有顯著性，模型18在模型17的基礎上增加了GP×B×Q，此時GP×B×Q前的系數為負，也不具有顯著性，說明生態位寬度與生態位重疊的交互作用對地理鄰近的擁擠效應的調節作用不明顯，即拒絕了假設H11。

這說明增加集群的生態位寬度、降低集群的生態位重疊度都可以有效地降低地理鄰近誘發的擁擠效應，這是因為兩者都在一定程度上實現了集群企業生態位的分離，拓寬了集群企業資源和市場的范圍，降低了企業間資源要素和市場要素的交叉程度，所以降低了集群企業間對要素和產品市場的競爭程度，因此會大大降低本書所指的擁擠效應，當然降低擁擠效應并不必然對集群創新有利，此時一定要保證集群企業間的關聯和適度重疊。集群生態位寬度和集群生態位重疊的交互影響對地理鄰近的擁擠效應沒有顯著影響可能是因為生態位寬度的增加和集群生態位重疊的增加對擁擠效應存在抵消作用。

總之，通過上面的分析，可以看出地理鄰近兼具有學習效應和擁擠效應，所以導致了地理鄰近對集群創新績效的倒U形影響；另外集群的生態位對地理鄰近的學習效應和擁擠效應的調節作用是復雜的，其中生態位寬度和生態位重疊對學習效應的正向調節作用均不顯著，但生態位寬度與生態位重疊的交互作用對學習效應具有顯著的正向調節作用，生態位寬度負向調節了擁擠效應，生態位重疊正向調節了擁擠效應，但兩者的交互作用對擁擠效應的負向調節作用不顯著。

四、穩健性檢驗

通常來說，穩健性檢驗包括三種類型：第一，從數據出發，根據不同的標準對數據樣本重新進行分類，觀察檢驗結果是否依然穩健；第二，從變量出發，用一個或者多個變量來替換自變量，觀察檢驗結果是否依然穩健；第三，從計量模型出發，用多種模型進行回歸（比如變換用OLS、GMM等模型），觀察檢驗結果是否依然穩健。

首先，將樣本分為重工業集群企業（裝備制造、機床、五金）和輕工業集群企業（信息技術、軟件、家紡和皮革）兩個類別。分別對模型1至模型18進行分樣本回歸，回歸結果顯示，無論是重工業集群企業還是輕工業（包括信息產業）集群企業，均存在一定程度的學習效應和擁擠效應，同時生態位寬度和生態位重疊的調節效應也與全樣本結論一致。從企業性質來看，輕工業集群企業的學習效應和擁擠效應均比重工業集群企業的相應值要高，說明地理鄰近對輕工業產業集群的影響更加明顯，另外回歸結果顯示控制變量的回歸結果與全樣本回歸結果基本上一致。

其次，選擇不同變量對模型進行重新估計，第一次選擇“新產品銷售收入占銷售額比重”這一個因素來度量集群創新績效，這是因為技術創新強調了新技術的首次商業化這樣一個具有經濟意義的概念，在此背景下，投入到市場中的新產品顯然比專利更適合用來測量創新績效。同時考慮到相比于投入，商業化的新產品會有一定的產出滯后，本章選擇滯后兩年的新產品銷售收入比重來測量集群企業的創新績效。重新進行回歸分析發現各回歸系數在數量上有所變動，但顯著性和正負性沒有發生改變，因此分析結論與前面的分析結果大體相同。第二次選擇“企業人均發明專利和實用新型數目”，這是因為發明專利和實用新型代表了工藝創新績效，重新對模型1至模型18進行估計，結果發現地理鄰近對工藝創新績效的負效應較小，即倒U形規律不再具有顯著性，但是地理鄰近的學習效應和擁擠效應仍具有顯著性，只是相比而言，地理鄰近對工藝創新的擁擠效應的影響比對產品創新的擁擠效應的影響要小，顯著性要低。其余各模型的顯著性沒有發生改變。

最后，考慮到在本研究中學習效應和擁擠效應同時作為自變量和因變量，因此學習效應和擁擠效應具有內生性，因此當學習效應和擁擠效應作為自變量時，分別用知識溢出、競爭程度作為工具變量進行兩階段最小二乘回歸，回歸結果與前述研究結論一致。

綜上，本章的結論基本上是可信的。