网络个体结构特征对中小企业创新绩效的影响分析

三、网络个体结构特征对中小企业创新绩效的影响分析

（一）中小企业创新绩效的测量与检验

Hagedoorn和Cloodt（2003）用R＆D投入、申请的专利数、引用的专利数和新产品开发数4个指标企业来测度企业创新绩效；张方华（2006）用新产品开发速度、新产品开发数、创新产品成功率、申请的专利数和新产品产值占销售总额的比例（与国内同行业主要竞争者相比）5个指标，来测量企业创新绩效。借鉴已有测量方法，结合中小企业集群创新网络的特点，本文从新产品开发数、R＆D投入、申请的专利数、新产品占销售额比重和采用新生产工艺和新技术（与群内其他企业相比）5个指标（问项）来测量群内中小企业的创新绩效。

对样本数据进行信度检验，发现中小企业创新绩效测量量表的Cronbach'sα值为0.971，表明量表具有较好的内部一致性。通过KMO样本充分性测度和巴特莱特球体检验后，对样本数据进行探索性因子分析。结果显示，1个因子（即企业创新绩效）被识别出来，且各题项的因子载荷系数均大于0.5，说明量表具有较好的收敛效度和区别效度。该因子解释了总体方差89.811%的变异，说明已包含了测量变量的大部分信息。因此，可对中小企业技术创新绩效5个测量题项的值进行简单算术平均后，代入回归模型作进一步分析。

（二）集群创新网络个体结构特征变量的测度

运用网络分析软件Ucinet 6.0，从节点度数、中介性和结构洞三个指标，对乐清工业电器集群创新网络中50家样本企业的个体机构特征进行分析。其中个体节点结构洞的测量，采用了伯特（Burt，1992）提出的“有效规模”（effective size）计算方法。具体计算结果见表5-7。

表5-7　乐清电器集群50家企业个体结构特征分析结果

续表

（三）多元回归分析

运用SPSS 13.0统计软件，以节点度数、中介性和结构洞三个个体结构特征为自变量，中小企业创新绩效为因变量，进行多元回归分析，结果如表5.8所示。通过多重共线性和序列相关检验，发现各自变量对因变量的方差膨胀因子（V IF）值分别为3.238，6. 672，7. 801，说明各自变量之间不存在严重的多重共线性问题；回归模型中的DW值分别为1.926，较接近于2，说明不存在序列相关问题。从表5-8可知，回归模型的R²为0. 574，调整的R²值为0.540，说明节点度数、中介性和结构洞特征对中小企业创新绩效有较好的解释度；F值为57. 961，且显著性水平p＜0. 001，说明选取的3个个体结构变量对群内中小企业创新绩效的解释是有效的。

表5-8　中小企业创新绩效对个体结构特征的多元回归分析结果

注：^***表示显著水平p＜0.001（双尾检测）。

回归分析结果显示，节点度数（回归系数β＝0.740，p＜0.01）和中介性（回归系数β＝0.233，p＜0.05）对中小企业创新绩效有显著正向影响，假设1和假设2成立。在集群创新网络中，一个中小企业拥有较高的节点度数，意味着该企业与群内其他企业、组织和中介机构保持着较密切的联系，有更多的机会从网络其他节点处获取信息、知识、技术等资源，从而更好地开展创新活动并提升企业创新绩效。而一个中小企业（网络节点）的中介性程度越高，说明该企业对知识和创新成果扩散的控制能力越强，其创新绩效也相对更好。与此同时，在回归模型中，节点度数的显著性水平和回归系数均高于中介性，说明节点度数对中小企业创新绩效的影响要大于中介性特征。回归分析结果同时显示，结构洞对创新绩效的正向影响并不显著（回归系数β＝0. 154，p＞0.05），假设3不成立。考虑到Ahuja（2008）在对国际化工产业的实证分析中，所得出的结构洞数量对企业创新绩效有负向影响的研究结论。说明结构洞对中小企业创新绩效的具体影响机制可能较为复杂，需要进一步深入分析和实证检验。