摘 要：以我國汽車產(chǎn)業(yè)集群數(shù)據(jù)為樣本，采用必要條件分析方法（NCA）與模糊集定性比較分析方法（fsQCA），從知識生態(tài)視角分析知識生態(tài)結(jié)構(gòu)、知識創(chuàng)新行為和知識環(huán)境3種類型、6項前因條件對制造業(yè)集群優(yōu)化升級的多重并發(fā)聯(lián)動效應(yīng)。研究發(fā)現(xiàn)：①所有知識生態(tài)要素均不是引致高績效的必要條件，僅知識主體能力對高績效發(fā)揮普適性作用；②產(chǎn)生高績效的集群優(yōu)化升級路徑為政產(chǎn)學(xué)研協(xié)同型、高知識凝聚型和知識生態(tài)集成型，在知識主體能力作為核心條件時，3條路徑存在遞進關(guān)系，同時，知識生態(tài)結(jié)構(gòu)與知識環(huán)境存在潛在替代關(guān)系；③構(gòu)建完善的知識生態(tài)結(jié)構(gòu)、開展高水平知識創(chuàng)新行為是制造業(yè)集群獲得高績效的關(guān)鍵。

關(guān)鍵詞：知識生態(tài)；制造業(yè)轉(zhuǎn)型升級；NCA；fsQCA

DOI：10.6049/kjjbydc.2023050288

中圖分類號：F272.4

文獻標(biāo)識碼：A

文章編號：1001-7348（2024）20-0088-10

0 引言

知識經(jīng)濟和數(shù)智技術(shù)背景下，由上下游企業(yè)、科技服務(wù)中介等組織在特定地理位置集聚形成的產(chǎn)業(yè)形態(tài)即產(chǎn)業(yè)集群，已成為促進地區(qū)經(jīng)濟發(fā)展、提升國家競爭力的重要載體。中共二十大報告中提出要“推進新型工業(yè)化”“加快建設(shè)制造強國”“推動戰(zhàn)略性新興產(chǎn)業(yè)融合集群發(fā)展”。制造業(yè)作為我國重要的支柱性產(chǎn)業(yè)，如何促進其產(chǎn)業(yè)集群優(yōu)化升級已引起眾多學(xué)者關(guān)注。

中國制造業(yè)經(jīng)過改革開放40多年發(fā)展，已實現(xiàn)從生產(chǎn)簡單玩具、紡織品向提供大量精密電子產(chǎn)品的跨越。一些企業(yè)通過為國外代工，培育了自己的制造能力，其知識創(chuàng)新與技術(shù)創(chuàng)新水平也獲得顯著提高。制造業(yè)集群在代工過程中成為知識生態(tài)建設(shè)的基礎(chǔ)力量，在生態(tài)位匹配與主體互動基礎(chǔ)上，實現(xiàn)橫向競合、縱向耦合共生的生態(tài)化發(fā)展態(tài)勢，這對集群企業(yè)知識積累與整合、核心競爭力提升乃至整體轉(zhuǎn)型升級具有重要戰(zhàn)略意義［1］。

目前我國制造業(yè)集群優(yōu)化升級主要存在3個方面問題：第一，集群企業(yè)個體創(chuàng)新能力不足，顯性和隱性知識流動滯緩。由于信息不對稱，企業(yè)之間存在知識壁壘，知識創(chuàng)新動力不足，生產(chǎn)技術(shù)革新裹足不前（張玲等，2020）。第二，產(chǎn)業(yè)鏈上下游企業(yè)的溝通與協(xié)作能力不足，知識整合與應(yīng)用能力較弱，工作勝任力以及凝聚力未充分激發(fā)［2］。第三，集群產(chǎn)業(yè)鏈存在割裂現(xiàn)象，知識載體關(guān)系稀疏，沒有達(dá)成統(tǒng)一愿景，缺少龍頭企業(yè)，無法協(xié)同發(fā)展［3］。這些均是影響制造業(yè)集群優(yōu)化升級的痛點，且與產(chǎn)業(yè)集群知識生態(tài)及創(chuàng)新行為密切相關(guān)，值得深入探討。

當(dāng)前，我國傳統(tǒng)制造業(yè)正向知識密集型現(xiàn)代制造業(yè)轉(zhuǎn)型，探討知識生態(tài)要素對制造業(yè)集群的影響有利于促進集群創(chuàng)新、培育產(chǎn)業(yè)發(fā)展的新經(jīng)濟增長點。但遺憾的是，知識生態(tài)影響制造業(yè)集群優(yōu)化升級的要素及作用機理的理論“暗箱”尚未打開。為此，本文將從知識生態(tài)視角切入，通過研究主體交互機制、知識創(chuàng)新行為以及知識環(huán)境，探究促進制造業(yè)集群優(yōu)化升級的要素組合，從而為制造業(yè)高質(zhì)量發(fā)展提供理論指導(dǎo)與實踐參考。

1 理論基礎(chǔ)

1.1 制造業(yè)轉(zhuǎn)型升級理論

針對制造業(yè)轉(zhuǎn)型升級問題，相關(guān)學(xué)者主要應(yīng)用價值鏈理論、微笑曲線理論和創(chuàng)新理論展開廣泛而深入的研究。上述理論均指出，制造業(yè)轉(zhuǎn)型的核心是通過技術(shù)創(chuàng)新和資源配置提升核心競爭力，從而實現(xiàn)轉(zhuǎn)型升級。目前關(guān)于制造業(yè)轉(zhuǎn)型升級的研究方興未艾，但與集群優(yōu)化升級的相關(guān)研究較少?，F(xiàn)有的產(chǎn)業(yè)集群研究主要集中在外部因素賦能、內(nèi)部創(chuàng)新資源整合以及產(chǎn)業(yè)創(chuàng)新生態(tài)系統(tǒng)層面。從外部賦能視角，數(shù)字經(jīng)濟被認(rèn)為是促進制造業(yè)轉(zhuǎn)型升級的重要推手［4］。從內(nèi)部創(chuàng)新視角，學(xué)者們多聚焦于產(chǎn)業(yè)結(jié)構(gòu)升級［5］和創(chuàng)新體系建設(shè)研究。創(chuàng)新生態(tài)系統(tǒng)建設(shè)強調(diào)系統(tǒng)主體之間、系統(tǒng)主體與環(huán)境之間的互動有助于實現(xiàn)產(chǎn)業(yè)情境與創(chuàng)新生態(tài)的有機融合［6］?？珙I(lǐng)域知識融合是實現(xiàn)高質(zhì)量發(fā)展的關(guān)鍵［7］，而知識生態(tài)則從微觀層面揭示知識融合與創(chuàng)新的全過程。在知識生態(tài)網(wǎng)絡(luò)中，處于不同生態(tài)位的知識主體借助知識流，實現(xiàn)知識系統(tǒng)演化與知識創(chuàng)新（湯林偉，2013），最終獲得生態(tài)位提升，這從側(cè)面說明知識創(chuàng)新與互動機制有助于促進產(chǎn)業(yè)集群優(yōu)化升級。創(chuàng)新生態(tài)系統(tǒng)研究主要關(guān)注宏觀層面的創(chuàng)新主體、創(chuàng)新資源與環(huán)境之間的互動關(guān)系；知識生態(tài)系統(tǒng)研究側(cè)重于分析主體間的知識互動演化規(guī)律；產(chǎn)業(yè)生態(tài)系統(tǒng)研究則以功能定位來區(qū)分研究主體，從產(chǎn)業(yè)內(nèi)涵特征與驅(qū)動因素兩方面探究產(chǎn)業(yè)生態(tài)系統(tǒng)協(xié)同演化。雖然產(chǎn)業(yè)生態(tài)、創(chuàng)新生態(tài)和知識生態(tài)3個系統(tǒng)的研究主體不盡相同，但在研究方法和構(gòu)念選取上存在借鑒之處，三者相互完善、互為補充，為產(chǎn)業(yè)集群研究打下堅實基礎(chǔ)。

制造業(yè)轉(zhuǎn)型升級是促進工業(yè)經(jīng)濟可持續(xù)發(fā)展、高質(zhì)量發(fā)展的必然選擇。集群優(yōu)化升級是制造業(yè)發(fā)展的必然方向，集群內(nèi)主體眾多，從知識生態(tài)視角切入，通過構(gòu)建知識創(chuàng)新協(xié)同發(fā)展網(wǎng)絡(luò)有助于充分發(fā)揮創(chuàng)新驅(qū)動效應(yīng)，促進產(chǎn)業(yè)集群優(yōu)化升級。

1.2 知識創(chuàng)新理論

20世紀(jì)90年代，艾米頓提出“知識創(chuàng)新是一種通過創(chuàng)造、引進、交流和應(yīng)用，將新理念轉(zhuǎn)化為產(chǎn)品和服務(wù)以促進企業(yè)獲得成功的活動”。之后學(xué)者們逐漸重視知識創(chuàng)新活動。Braunerhjelm等［8］認(rèn)為，企業(yè)員工間的知識流動是知識創(chuàng)新的動力之源；Rapini等［9］通過研究集群企業(yè)知識共享行為發(fā)現(xiàn)，產(chǎn)學(xué)研合作可以促進創(chuàng)新水平提高，知識整合和知識流動是知識創(chuàng)新機制的重要構(gòu)成環(huán)節(jié)。其他學(xué)者對知識創(chuàng)新機制也進行了相關(guān)研究，如Frishkoff等［10］基于知識生態(tài)視角，認(rèn)為知識創(chuàng)新機制是由人、制度、組織、技術(shù)等構(gòu)成的復(fù)雜系統(tǒng)；儲節(jié)旺［11］認(rèn)為，知識演化與創(chuàng)新是知識競爭、協(xié)同的最終結(jié)果。

在前人研究基礎(chǔ)上，本文認(rèn)為，知識創(chuàng)新是知識在各主體間流轉(zhuǎn)演化、鞏固再生的過程，知識主體差異性會導(dǎo)致其外在表現(xiàn)不同。知識創(chuàng)新機制可以劃分為知識演化與協(xié)同、知識整合與分布、知識部署與鞏固，三者相互聯(lián)系、相互作用。在不同主體間，知識演化與協(xié)同作為創(chuàng)新的源泉具有普適性。

1.3 知識生態(tài)理論

1991年，Pór首次提出知識生態(tài)學(xué)概念，并將其引入知識管理領(lǐng)域。知識生態(tài)系統(tǒng)由知識、知識主體以及環(huán)境構(gòu)成，并存在與能量流動、信息傳遞相似的知識流動。按照知識載體層級，可將知識主體劃分為知識個體、知識種群與知識群落，三者通過環(huán)境的作用構(gòu)成完整、復(fù)雜的知識鏈和知識網(wǎng)絡(luò)［12］。

制造業(yè)集群有著與知識生態(tài)系統(tǒng)相似的組織結(jié)構(gòu)，且集群內(nèi)部知識活動緊密交互，知識流動循環(huán)于各主體之間，各級知識主體占據(jù)不同生態(tài)位，基于自身稟賦與知識創(chuàng)新活動尋求生態(tài)位提升，最終實現(xiàn)集群轉(zhuǎn)型升級即知識生態(tài)系統(tǒng)演化躍遷，因此制造業(yè)集群可以看作是另一種知識生態(tài)系統(tǒng)。

在制造業(yè)集群知識生態(tài)系統(tǒng)中，各主體按照資源稟賦和所處網(wǎng)絡(luò)位置，擁有不同生態(tài)位［13］。知識生態(tài)位反映了知識主體在市場環(huán)境下的知識地位以及與其他知識主體的關(guān)系。知識創(chuàng)新是知識生態(tài)系統(tǒng)運轉(zhuǎn)的內(nèi)在動力機制，而知識生態(tài)位是其外在表現(xiàn)形式。知識生態(tài)系統(tǒng)以知識創(chuàng)新為驅(qū)動力，以知識流作為連接集群知識主體的載體，通過一系列知識活動，最終實現(xiàn)整個集群知識生態(tài)位躍遷。

2 知識生態(tài)視角下制造業(yè)集群優(yōu)化升級模型

近年來，知識生態(tài)理論在智庫聯(lián)盟、技術(shù)標(biāo)準(zhǔn)聯(lián)盟和虛擬學(xué)術(shù)社區(qū)等領(lǐng)域應(yīng)用廣泛，并逐步拓展到產(chǎn)業(yè)創(chuàng)新研究領(lǐng)域。知識生態(tài)系統(tǒng)結(jié)構(gòu)類似于自然界組成，其中，企業(yè)是系統(tǒng)的基本組成單位，通過縱向聯(lián)接上下游企業(yè)、橫向聯(lián)接關(guān)聯(lián)性企業(yè)，即可實現(xiàn)知識鏈協(xié)同，而知識鏈的交錯編織出知識網(wǎng)絡(luò)。借助生物學(xué)隱喻剖析知識生態(tài)系統(tǒng)結(jié)構(gòu)要素及特征，有助于明晰各要素作用與內(nèi)在聯(lián)系，具體如表1所示。

本文將從知識生態(tài)結(jié)構(gòu)、知識創(chuàng)新行為和知識環(huán)境3個層面構(gòu)建制造業(yè)集群優(yōu)化升級分析框架。

2.1 知識生態(tài)結(jié)構(gòu)、知識創(chuàng)新行為、知識環(huán)境與集群優(yōu)化升級

2.1.1 知識生態(tài)結(jié)構(gòu)與集群優(yōu)化升級

（1）知識主體能力。知識主體能力取決于個體占據(jù)的生態(tài)位或擁有的知識資源等稟賦之和。在制造業(yè)集群中，知識資源保有量是實現(xiàn)知識創(chuàng)新的基礎(chǔ)［14］，知識主體創(chuàng)造力是實現(xiàn)價值增值的關(guān)鍵。Sun等［15］根據(jù)擁有的核心知識量，將企業(yè)分為優(yōu)勢企業(yè)和劣勢企業(yè)，以此探究異質(zhì)性企業(yè)知識創(chuàng)新行為的演化過程。知識主體能力是知識創(chuàng)新的基礎(chǔ)，知識創(chuàng)新有助于增加企業(yè)知識儲備，二者相輔相成，為知識主體生態(tài)位提升奠定基礎(chǔ)。

（2）知識鏈整合。知識鏈整合是指將縱向的上下游企業(yè)、橫向的關(guān)聯(lián)性企業(yè)進行有效聯(lián)結(jié)［16］。知識鏈整合是知識創(chuàng)新的量變階段，對應(yīng)的主體是產(chǎn)業(yè)鏈上下游企業(yè)群落。知識流動是一個循環(huán)往復(fù)且不斷產(chǎn)生反饋的過程。知識鏈上的知識流動側(cè)重于知識整合與知識部署，以確保面對特定目標(biāo)時企業(yè)群落擁有完整的知識體系［17］。同時，鏈上企業(yè)能快速響應(yīng)用戶需求，并通過知識鏈的高效管理降低創(chuàng)新成本，從而獲得自身生存與發(fā)展空間［18］。

（3）知識網(wǎng)建構(gòu)。隨著知識鏈延伸以及知識需求多樣化，同一知識主體可能處于不同知識鏈，因而知識主體間呈現(xiàn)網(wǎng)狀結(jié)構(gòu)，即知識網(wǎng)（詹湘東等，2019）。知識網(wǎng)建構(gòu)是制造業(yè)集群進行知識創(chuàng)新的質(zhì)變階段［19］，其核心是提高集群知識凝聚性，完成知識部署與知識鞏固，從而協(xié)調(diào)不同知識鏈完成集群戰(zhàn)略性任務(wù)［20］。知識凝聚性提升是知識部署與知識整合過程中表現(xiàn)出來的一種動態(tài)能力。良好的組織溝通與協(xié)調(diào)能力、及時準(zhǔn)確的戰(zhàn)略決策、優(yōu)秀的組織文化與正確的組織價值觀是知識網(wǎng)絡(luò)完善的重要體現(xiàn)［21］。

2.1.2 知識創(chuàng)新行為與制造業(yè)集群優(yōu)化升級

知識創(chuàng)新行為是集群知識演化與知識協(xié)同活動的統(tǒng)稱。如前文所述，知識演化與知識協(xié)同本身就是知識創(chuàng)新機制的一部分，其核心在于知識交換、整合、分布、鞏固與部署［22］。知識演化側(cè)重于顯性知識與隱性知識的流轉(zhuǎn)、內(nèi)化及創(chuàng)新，是生態(tài)系統(tǒng)最基礎(chǔ)、最重要的環(huán)節(jié)。研究產(chǎn)業(yè)鏈上下游企業(yè)如何通過大規(guī)模生產(chǎn)獲得過程性知識，有助于厘清其內(nèi)在邏輯，將經(jīng)驗方法移植到更高維度的集群層面，從而實現(xiàn)整體競爭力提升。集群優(yōu)化升級的主要內(nèi)容是優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)，提高行業(yè)競爭力，獲得更高的轉(zhuǎn)型績效，而知識演化與知識協(xié)同能夠從源頭促進集群上下游產(chǎn)業(yè)鏈“坐而論道”并“起而行之”，有助于深入挖掘整個產(chǎn)業(yè)集群知識創(chuàng)新的內(nèi)生動力。

2.1.3 知識環(huán)境與優(yōu)化升級績效

知識環(huán)境是知識主體交互的重要物質(zhì)條件和文化基礎(chǔ)［23］。知識生態(tài)系統(tǒng)運行與其內(nèi)外部環(huán)境密切相關(guān)。外部環(huán)境主要包括知識產(chǎn)權(quán)保護、知識轉(zhuǎn)化保障、政府政策等，內(nèi)部環(huán)境主要涉及地區(qū)高校、科研院所的人才交流、協(xié)作創(chuàng)新以及組織文化等方面。知識環(huán)境與知識主體之間交互復(fù)雜，知識主體需積極適應(yīng)知識環(huán)境變化，才能實現(xiàn)知識創(chuàng)新、競爭力提升和生態(tài)位躍遷。

（1）知識轉(zhuǎn)化保障。地區(qū)知識產(chǎn)權(quán)環(huán)境深刻影響知識主體創(chuàng)新活力，加大知識產(chǎn)權(quán)保護能夠顯著促進企業(yè)創(chuàng)新的觀點已經(jīng)得到多數(shù)文獻證實?？傮w來說，知識轉(zhuǎn)化保障主要通過防止惡意競爭、構(gòu)建和諧的創(chuàng)新環(huán)境激發(fā)集群知識主體的創(chuàng)新熱情［24］。同時，知識成果轉(zhuǎn)化存在區(qū)域異質(zhì)性［25］，強有力的知識轉(zhuǎn)化保障是實現(xiàn)知識生態(tài)欣欣向榮的關(guān)鍵。

（2）學(xué)研助力。產(chǎn)學(xué)研合作可實現(xiàn)上、中、下游知識創(chuàng)新主體間交互與耦合，地方高校和科研院所是企業(yè)獲得創(chuàng)新靈感的重要來源［26］。在知識生態(tài)系統(tǒng)中，企業(yè)一方面與大學(xué)、重點實驗室構(gòu)建一體化鏈條，暢通學(xué)術(shù)交流；另一方面緊密圍繞產(chǎn)業(yè)發(fā)展需求，開展協(xié)同攻關(guān)（王茤祥等，2023）。在技術(shù)攻關(guān)層面，企業(yè)是創(chuàng)新主體，而學(xué)研方則為企業(yè)創(chuàng)新提供有力支撐。在基礎(chǔ)研究攻關(guān)層面，學(xué)研方通過對海量數(shù)據(jù)進行模擬、仿真、訓(xùn)練與修正，不斷打磨研究成果，拓展知識邊界［7］。

綜上所述，知識生態(tài)結(jié)構(gòu)、知識創(chuàng)新行為與知識環(huán)境的相互作用機制如圖1所示。

2.2 模型構(gòu)建

在知識生態(tài)系統(tǒng)內(nèi)，不同主體以及主體與環(huán)境之間存在復(fù)雜的交互關(guān)系。制造業(yè)集群優(yōu)化升級是知識生態(tài)結(jié)構(gòu)、知識創(chuàng)新行為與知識環(huán)境等諸多因素綜合作用的結(jié)果，依靠單一要素很難提高系統(tǒng)績效。因此，本文將知識主體能力、知識鏈整合、知識網(wǎng)建構(gòu)、知識演化與協(xié)同、知識轉(zhuǎn)化保障、學(xué)研助力6個要素視為制造業(yè)集群優(yōu)化升級的前因變量，以優(yōu)化升級績效作為結(jié)果變量，構(gòu)建以知識創(chuàng)新為核心、知識流動為紐帶的制造業(yè)集群優(yōu)化升級研究框架，如圖2所示。

3 研究方法

3.1 NCA與QCA相結(jié)合

制造業(yè)集群優(yōu)化升級影響因素繁多，而fsQCA的組態(tài)思想有助于解釋多重并發(fā)的因果復(fù)雜性問題，是分析知識生態(tài)系統(tǒng)各要素聯(lián)動對集群升級績效影響的理想方法［27］。采用NCA與fsQCA相結(jié)合的方法，可以有效彌補fsQCA方法的不足，準(zhǔn)確分析知識生態(tài)與制造業(yè)集群優(yōu)化升級間的因果關(guān)系。

NCA與fsQCA是分析導(dǎo)致多因果現(xiàn)象出現(xiàn)的必要性、充分性條件的兩種邏輯方法。NCA方法的應(yīng)用邏輯是探究單個條件的必要非充分性，而fsQCA的應(yīng)用邏輯是進行充分性分析，重點分析不同條件組合對結(jié)果的影響。在具體分析中，首先采用NCA方法測度知識生態(tài)結(jié)構(gòu)、知識創(chuàng)新行為和知識環(huán)境條件是否是導(dǎo)致集群優(yōu)化升級的必要條件，且在多大程度上促進集群實現(xiàn)高水平優(yōu)化升級；其次，借助fsQCA方法，從整體視角進行跨案例比較分析，探討知識生態(tài)結(jié)構(gòu)、知識創(chuàng)新行為和知識環(huán)境的聯(lián)動協(xié)同機制以及各知識要素之間的互動關(guān)系，從而揭示知識生態(tài)要素影響制造業(yè)集群優(yōu)化升級的復(fù)雜因果作用。

3.2 數(shù)據(jù)來源與變量測量

本文選取案例均為近年進行了優(yōu)化升級的產(chǎn)業(yè)集群。以中國汽車工業(yè)協(xié)會發(fā)布的汽車工業(yè)整車20強榜單為藍(lán)本，選取案例企業(yè)所在地產(chǎn)業(yè)集群，剔除數(shù)據(jù)不完整、信息不完善的產(chǎn)業(yè)集群，并增加榜單外相關(guān)汽車產(chǎn)業(yè)集群，最終選定20個地市汽車企業(yè)制造業(yè)集群為樣本。數(shù)據(jù)收集渠道如下：一是國內(nèi)各地市統(tǒng)計年鑒和統(tǒng)計公報;二是各大車企官方網(wǎng)站;三是國家知識產(chǎn)權(quán)局官方網(wǎng)站、教育部官網(wǎng)、壹專利、企查查網(wǎng)站等多種渠道。由于知識生態(tài)要素投入對集群優(yōu)化升級的影響具有時滯性，本文選取2019年1月1日至2020年12月31日的前因變量值，以及2021年1月1日至2021年12月31日的結(jié)果變量值進行分析。借鑒已有文獻量化標(biāo)準(zhǔn)，對以下因素進行量化，如表2所示。

（1）知識主體能力。企業(yè)是產(chǎn)業(yè)集群的微觀組成單元，也是知識創(chuàng)新和產(chǎn)業(yè)升級的主體。知識主體的創(chuàng)新力和知識量是實現(xiàn)集群知識生態(tài)系統(tǒng)演化躍遷的保障。本文采用中心企業(yè)擁有的專利總量作為衡量知識主體能力的指標(biāo)［28-29］。

（2）知識鏈整合。知識鏈整合側(cè)重于知識整合與知識部署。本文采用參與戰(zhàn)略聯(lián)盟個數(shù)、鏈上企業(yè)知識活動次數(shù)和鏈上企業(yè)共享專利個數(shù)衡量［16，23］。

（3）知識網(wǎng)建構(gòu)。知識凝聚性體現(xiàn)了知識網(wǎng)建構(gòu)過程中不同知識元素的整合程度，本文借鑒石靜［30］的方法，采用知識網(wǎng)中各類主體關(guān)系代表知識網(wǎng)絡(luò)建構(gòu)水平。首先，計算不同企業(yè)間知識相關(guān)度，即共享專利與知識網(wǎng)中其它專利的相關(guān)度，計算公式如下：

WARit=∑j≠isijPjtEij∑j≠iPjtEij（1）

其中，sij表示中心企業(yè)i與企業(yè)j之間的專利相關(guān)度，如果中心企業(yè)i與企業(yè)j之間存在專利k（= 1，2，…，s）的引用關(guān)系，那么sij=1，否則sij =0；Pjt表示區(qū)域知識網(wǎng)t內(nèi)企業(yè)j的專利總量；Eij表示中心企業(yè)i與企業(yè)j之間發(fā)生專利轉(zhuǎn)讓及專利許可活動的專利總量；WARit表示中心企業(yè)i與區(qū)域知識網(wǎng)t內(nèi)其它企業(yè)的加權(quán)平均相關(guān)度。若WARit>1，則表示中心企業(yè)i與區(qū)域知識網(wǎng)t內(nèi)其它企業(yè)的專利相關(guān)度較高。知識網(wǎng)絡(luò)凝聚性采用區(qū)域知識網(wǎng)中全部企業(yè)的加權(quán)平均相關(guān)度之和，即：

COHt=∑ni=1WARit×Pit∑iPit（2）

其中，Pit 表示區(qū)域知識網(wǎng)t內(nèi)中心企業(yè)i的專利總量；COHt表示區(qū)域知識網(wǎng)t的網(wǎng)絡(luò)凝聚性。同理，若COHt>1，則表示區(qū)域知識網(wǎng)t內(nèi)知識的整體關(guān)聯(lián)度較高。

（4）知識演化與協(xié)同。知識演化與協(xié)同側(cè)重于顯性和隱性知識的流轉(zhuǎn)、內(nèi)化及創(chuàng)新［31］，因此采用集群企業(yè)跨組織的知識互動頻數(shù)作為衡量企業(yè)知識演化與協(xié)同程度的指標(biāo)［32］。該指標(biāo)通過收集2019年1月1日至2020年12月31日之間案例企業(yè)有關(guān)戰(zhàn)略合作、行業(yè)峰會、行業(yè)競賽等新聞報道信息而得。

（5）知識轉(zhuǎn)化保障。知識轉(zhuǎn)化保障作為企業(yè)創(chuàng)新的環(huán)境基礎(chǔ)，通過促進知識成果轉(zhuǎn)化顯著影響企業(yè)知識創(chuàng)新水平。本文采用地區(qū)技術(shù)市場交易額與其GDP比值［33］，測度地區(qū)知識環(huán)境對產(chǎn)業(yè)集群優(yōu)化升級的影響。

（6）學(xué)研助力。在知識生態(tài)中，地方高校和科研院所是企業(yè)獲得創(chuàng)新靈感的重要渠道，論文合著數(shù)量可從微觀層面反映主體知識交流情況。結(jié)合論文特質(zhì)并借鑒王曉紅等［26］的研究，本文選取論文合著數(shù)以及單位時間內(nèi)校企合作項目數(shù)作為衡量指標(biāo)。

（7）優(yōu)化升級績效。產(chǎn)業(yè)集群優(yōu)化升級的最終目的是提高經(jīng)濟效益和市場競爭力。因此，本文從經(jīng)濟效益和市場競爭力兩方面衡量制造業(yè)集群優(yōu)化升級績效?？紤]到利潤［34］是產(chǎn)業(yè)集群優(yōu)化升級成果的最終表現(xiàn)形式之一，故將其作為衡量轉(zhuǎn)型績效的指標(biāo)。由前文分析可知，產(chǎn)業(yè)集群優(yōu)化升級在知識生態(tài)評價中表現(xiàn)為系統(tǒng)生態(tài)位變化或躍遷，學(xué)者們通常采用“態(tài)”和“勢”來測量當(dāng)前主體生態(tài)位水平與發(fā)展趨勢。如宋琪［13］利用新產(chǎn)品開發(fā)項目數(shù)、論文發(fā)表數(shù)等存量指標(biāo)與專利申請增長率、合同數(shù)增長率等增量指標(biāo)分別測度知識創(chuàng)新生態(tài)位的“態(tài)”和“勢”；趙長軼［35］采用專利數(shù)量、產(chǎn)值利潤率等指標(biāo)測度產(chǎn)業(yè)綜合生態(tài)位的“態(tài)”和“勢”；薛曉芳［36］利用種群知識創(chuàng)新能力和種間關(guān)聯(lián)指數(shù)分別測量虛擬企業(yè)生態(tài)系統(tǒng)知識生態(tài)位的“態(tài)”與“勢”。結(jié)合胡寧寧［37］、儲節(jié)旺［38］等的研究以及知識生態(tài)特質(zhì)，本文選擇地區(qū)產(chǎn)學(xué)研合作項目數(shù)和地區(qū)新增專利數(shù)分別作為測度生態(tài)系統(tǒng)生態(tài)位 “態(tài)”與“勢”的指標(biāo)，同時，二者也可從市場競爭力層面反映產(chǎn)業(yè)集群優(yōu)化升級績效。其中，地區(qū)產(chǎn)學(xué)研合作項目數(shù)用以衡量產(chǎn)業(yè)集群所積累的資源稟賦，地區(qū)新增專利數(shù)用以測量集群知識創(chuàng)新能力。

3.3 標(biāo)準(zhǔn)化處理

結(jié)合已有研究與數(shù)據(jù)特征，將樣本數(shù)據(jù)的3個錨點分別設(shè)為75分位值、50分位值和25分位值，接著將7個變量輸入SPSS26.0軟件進行校準(zhǔn)。

4 結(jié)果分析

4.1 單一要素必要條件分析

NCA方法能夠分析要素是否以及在多大程度上是結(jié)果的必要條件。利用回歸上限技術(shù)（CR）和包絡(luò)上限技術(shù)（CE）兩種方法分別計算效應(yīng)量。在NCA中，效應(yīng)量d值表示前因變量在多大程度上是結(jié)果的必要條件。若效應(yīng)量d≥0.1且蒙特卡羅仿真置換檢驗結(jié)果顯示效應(yīng)量顯著，則認(rèn)為該條件為必要條件。

表3是使用NCA方法對6個前因變量進行分析的結(jié)果。綜合來看，除知識主體能力外，其余5個前因變量的蒙特卡羅仿真置換檢驗p值均大于0.01，因而不符合必要條件要求。知識主體能力p值＜0.01且CR估計效應(yīng)量高達(dá)0.308，即采用上限回歸（CR）方法生成函數(shù)時僅有知識主體能力是引致產(chǎn)業(yè)集群優(yōu)化升級的必要條件。

根據(jù)瓶頸分析結(jié)果可知，如表4所示，要達(dá)到100%的集群優(yōu)化升級水平，知識主體能力、知識鏈整合、知識網(wǎng)建構(gòu)、知識演化與協(xié)同、知識轉(zhuǎn)化保障和學(xué)研助力6個前因變量的水平值分別為82.3%、85.6%、47.4%、44.1%、82.3%和49.7%。隨著集群績效水平提高，各變量增長幅度不均衡，具體為知識鏈整合＞知識主體能力、知識轉(zhuǎn)化保障＞學(xué)研助力＞知識網(wǎng)建構(gòu)＞知識演化與協(xié)同。

采用fsQCA方法的必要分析結(jié)果如表5所示，可以發(fā)現(xiàn)，6個前因變量的一致性值均低于0.9，說明其不是產(chǎn)生高績效的必要條件。通過比較發(fā)現(xiàn)，fsQCA中知識主體能力的必要性與NCA的結(jié)果稍有出入，其原因可能是fsQCA與NCA方法存在差異。根據(jù)Dul的觀點，觀測值的不同分布會導(dǎo)致fsQCA估計參考線與NCA估計上限值存在差異，且NCA與fsQCA對重要性的定義不同，因此fsQCA在數(shù)據(jù)集中發(fā)現(xiàn)的必要條件比NCA少得多。此外，在fsQCA組態(tài)分析中知識主體能力作為核心條件出現(xiàn)了11次，在一定程度上證明知識主體能力對高績效產(chǎn)生具有普適性作用，因此NCA與fsQCA的結(jié)果在整體上具有一致性。

4.2 組態(tài)充分性分析

采用fsQCA方法分析全樣本條件下引致高績效的組態(tài)要素，不同組態(tài)表示不同的要素匹配路徑。本文的案例數(shù)為20個，為中等規(guī)模樣本。參照已有研究，將原始一致性閾值和PRI一致性閾值分別設(shè)為0.8與0.7，同時，將案例頻數(shù)閾值設(shè)置為1，最終得到fsQCA分析結(jié)果如表6、表7所示。結(jié)果顯示，產(chǎn)生高績效的組態(tài)有5種，產(chǎn)生非高績效的組態(tài)有6種，其一致性與整體解的一致性均高于0.8，解的覆蓋度也高于標(biāo)準(zhǔn)值0.5，表明結(jié)果較理想。其中，知識主體能力對每種組態(tài)都是至關(guān)重要的核心條件，該變量分別與其它條件組合成為實現(xiàn)制造業(yè)集群高質(zhì)量發(fā)展的路徑。同時，引致非高績效的組態(tài)中，知識主體能力成為缺失的核心條件，但與高績效組態(tài)不存在對應(yīng)關(guān)系。

4.2.1 高績效路徑分析

（1）政產(chǎn)學(xué)研協(xié)同型。組態(tài)S1顯示，知識環(huán)境友好型地區(qū)通過強化以知識主體能力為主，知識轉(zhuǎn)化保障和學(xué)研助力為輔的要素組合可以產(chǎn)生高績效。該組態(tài)的一致性為0.86，原始覆蓋率為0.15，能夠解釋15%的樣本。這是因為該類型地區(qū)知識主體能力較強、知識資源豐富，知識轉(zhuǎn)化保障受到足夠重視，科研院所、高校與企業(yè)之間交往密切，能夠相互取長補短，即使知識生態(tài)結(jié)構(gòu)欠佳，也可以憑借其龐大的專利擁有量、堅實的研發(fā)基礎(chǔ)與高效的執(zhí)行力維持自身優(yōu)勢地位，從而使得集群獲得高績效。

該組態(tài)的典型案例包括上汽集團和北汽集團。以上汽集團為例，作為中國汽車制造行業(yè)的龍頭企業(yè)，截至2023年1月1日，上汽集團擁有111 506條專利，位居中國車企專利保有量第一名。上汽集團總部位于上海自貿(mào)區(qū)內(nèi)，便捷的貿(mào)易渠道、優(yōu)惠的稅收政策和嚴(yán)格的產(chǎn)權(quán)保護制度共同構(gòu)筑了自由寬松的外部知識環(huán)境。2021年12月15日，上海自貿(mào)試驗區(qū)臨港新片區(qū)管委會發(fā)布《中國（上海）自由貿(mào)易試驗區(qū)臨港新片區(qū)支持知識產(chǎn)權(quán)發(fā)展的若干政策》，對符合要求的項目提供資金支持，為地區(qū)產(chǎn)業(yè)形成高質(zhì)量知識產(chǎn)權(quán)成果提供了政策保障。2023年2月9日，浦東新區(qū)發(fā)改委發(fā)布《引領(lǐng)區(qū)改革創(chuàng)新案例》，該文件以《引領(lǐng)區(qū)意見》為綱要，通過統(tǒng)籌政策、社會資源、專業(yè)服務(wù)全方位賦能創(chuàng)新生態(tài)建設(shè)，構(gòu)建政產(chǎn)學(xué)研金服用七位一體的創(chuàng)新生態(tài)體系，推動制造業(yè)集群研發(fā)中心向開放創(chuàng)新中心升級，深度賦能產(chǎn)業(yè)鏈中小企業(yè)協(xié)同創(chuàng)新，打造生機勃勃的創(chuàng)新“熱帶雨林”。上海自貿(mào)試驗區(qū)良好的創(chuàng)新環(huán)境與上汽集團的深耕相互成就，共同鑄就了國家隊車企的輝煌。

（2）高知識凝聚型。組態(tài)S2、S3與S5的核心條件相同，構(gòu)成二階等價組態(tài)，可以一并分析。該路徑以完善的知識網(wǎng)絡(luò)和較強的知識主體能力為核心條件，以知識鏈高效協(xié)同整合為邊緣條件。3種組態(tài)的一致性均大于0.85，且累計覆蓋度達(dá)到0.56，能夠解釋56%的樣本。在該路徑下，通過建構(gòu)完善的知識網(wǎng)絡(luò)將集群供應(yīng)商整合起來，將高凝聚性作為一條強有力的紐帶，促進中心企業(yè)與上下游供應(yīng)商知識交互。自上而下的知識流動使得各級主體的知識標(biāo)準(zhǔn)得以統(tǒng)一，知識鏈與知識網(wǎng)之間的交互緊密而高效。中心企業(yè)的創(chuàng)新訴求通過逐級傳導(dǎo)，快速得到響應(yīng)，由于標(biāo)準(zhǔn)一致，知識主體的跨層級溝通成本大大降低，促使創(chuàng)新步伐加快，并有助于增強企業(yè)市場競爭力。

除東風(fēng)汽車和長安汽車外，該路徑的典型案例還包括吉利汽車和奇瑞汽車。以東風(fēng)汽車為例，作為國內(nèi)汽車行業(yè)第二梯隊的領(lǐng)頭羊，東風(fēng)汽車積極構(gòu)建自身知識生態(tài)系統(tǒng)，利用自身能力輻射帶動配套產(chǎn)業(yè)集群發(fā)展及轉(zhuǎn)型。東風(fēng)集團董事長竺延風(fēng)在2022中國汽車供應(yīng)鏈大會上提到，我國汽車供應(yīng)鏈正向多主體參與的網(wǎng)狀生態(tài)演變，要堅持共生共構(gòu)、共同進化，推動汽車產(chǎn)業(yè)轉(zhuǎn)型升級。汽車行業(yè)具有其特殊性，產(chǎn)品設(shè)計和工藝改進牽一發(fā)而動全身。東風(fēng)集團高屋建瓴、統(tǒng)籌規(guī)劃全局，以構(gòu)建完善的知識網(wǎng)絡(luò)推進零部件業(yè)務(wù)布局與產(chǎn)品研發(fā)，增強零部件與整車同步開發(fā)能力，促使更多零部件企業(yè)向價值鏈中高端邁進。

（3）知識生態(tài)集成型。組態(tài)S4顯示，雖然學(xué)研助力存在缺失，知識轉(zhuǎn)化保障不確定，但是在知識生態(tài)體系構(gòu)建完善、知識主體能力較強的情況下，也可以實現(xiàn)高績效。該組態(tài)的一致性為0.9，覆蓋度為0.21，能夠解釋21%的樣本。這是因為即使地方政府知識產(chǎn)權(quán)監(jiān)管缺位或地區(qū)教育資源匱乏，但是只要該地區(qū)知識生態(tài)系統(tǒng)自成一體，仍能實現(xiàn)良性循環(huán)。一方面，各知識主體頻繁交互，知識演化自下而上、層層遞進，并借助知識流貫穿不同層級生態(tài)位企業(yè)，為整個知識生態(tài)系統(tǒng)提供源源不斷的知識儲備和技術(shù)支持；另一方面，完善的知識生態(tài)結(jié)構(gòu)會反哺各級知識主體，如知識凝聚性有助于提升各主體抗風(fēng)險能力，支持不同主體結(jié)成靈活、松緊有致的小團體，促進產(chǎn)業(yè)集群協(xié)同發(fā)展。

該路徑的典型案例包括比亞迪和濰柴動力。以比亞迪為例， 2022年比亞迪無可爭議地摘得該年度全球新能源汽車銷量冠軍。作為較早布局新能源汽車的車企之一，截止到2023年3月25日，比亞迪擁有45 240條專利。比亞迪汽車具備從電池、電機、電控到整車的全產(chǎn)業(yè)鏈研發(fā)制造能力，產(chǎn)業(yè)規(guī)模和生產(chǎn)能力位居全球前列。同時，比亞迪構(gòu)筑了完善的知識生態(tài)體系，帶動百余家重點企業(yè)創(chuàng)新發(fā)展，在電動汽車產(chǎn)業(yè)鏈上、中、下游形成完善的產(chǎn)業(yè)布局，擁有相對完整的知識鏈，使得處于不同生態(tài)位的企業(yè)能夠不同程度地享受知識流帶來的便利。知識生態(tài)系統(tǒng)循環(huán)往復(fù)，造就了產(chǎn)業(yè)集群強大的核心競爭力，即使產(chǎn)學(xué)研聯(lián)系稀疏，也可實現(xiàn)高績效。

4.2.2 非高績效路徑分析

本文也檢驗了導(dǎo)致非高績效的路徑，共有6種組態(tài)，具體為表5中的NS1、NS2、NS3、NS4、NS5和NS6，大致可分為3條路徑：第一，知識生態(tài)抑制型。組態(tài)NS1和NS2顯示，當(dāng)6種條件幾乎都缺失時，不會產(chǎn)生高績效，如哪吒汽車和江鈴汽車。第二，資源—政策抑制型。組態(tài)NS3和NS4顯示，在知識主體能力、知識轉(zhuǎn)化保障和學(xué)研助力都缺位的情況下，單獨的知識演化與協(xié)同以及知識鏈或知識網(wǎng)絡(luò)構(gòu)建并不能有效促進轉(zhuǎn)型升級，其中的典型案例如小鵬汽車、中通客車和宇通客車。第三，主體資源—創(chuàng)新活力匱乏型。組態(tài)NS5和NS6顯示，在知識演化與協(xié)同、知識創(chuàng)新表現(xiàn)以及知識主體能力、資源稟賦不足的情況下，即使努力建構(gòu)知識鏈或知識網(wǎng)絡(luò)，也無法實現(xiàn)高績效，如海馬汽車和華晨汽車。綜合上述分析，不難發(fā)現(xiàn)，3條路徑呈現(xiàn)出一定共性，即知識主體能力中資源稟賦不足是引致非高績效的直接原因，但如果知識生態(tài)系統(tǒng)構(gòu)筑完善，或許可以擺脫知識資源不足的桎梏，獲得高績效。

4.3 穩(wěn)健性檢驗

根據(jù)已有研究經(jīng)驗，本文將樣本數(shù)據(jù)的3個錨點調(diào)整為95分位值、50分位值和5分位值，并將一致性閾值提高至0.9，發(fā)現(xiàn)組態(tài)核心條件的分類未發(fā)生改變，說明本文研究結(jié)果具有較高穩(wěn)健性。

5 結(jié)論與啟示

5.1 研究結(jié)論

本文通過拓展知識生態(tài)理論框架，采用NCA與fsQCA方法從知識生態(tài)結(jié)構(gòu)、知識創(chuàng)新行為、知識環(huán)境三方面研究制造業(yè)集群實現(xiàn)優(yōu)化升級的組態(tài)路徑，得到如下結(jié)論：第一，任何單獨的知識生態(tài)要素均不是引致高績效的必要條件，僅知識主體能力對高績效發(fā)揮較為普適的作用。第二，存在3條引致高績效的路徑，即政產(chǎn)學(xué)研協(xié)同型、高知識凝聚型和知識生態(tài)集成型。在知識主體能力作為核心條件存在時，知識生態(tài)結(jié)構(gòu)與知識環(huán)境存在潛在的替代關(guān)系。第三，在知識主體能力較強、資源稟賦較為豐富的地區(qū)，選擇高知識凝聚型路徑是實現(xiàn)高水平轉(zhuǎn)型績效的最優(yōu)選擇。第四，在知識主體能力較強時，3條高績效轉(zhuǎn)型路徑之間存在遞進關(guān)系。其中，政產(chǎn)學(xué)研協(xié)同型是實現(xiàn)高水平轉(zhuǎn)型升級的初級路徑，其關(guān)鍵是產(chǎn)學(xué)研高度協(xié)同、地方性法規(guī)完善健全。在此基礎(chǔ)上，若能構(gòu)筑完善的知識鏈與知識網(wǎng)，即可通過高知識凝聚型路徑邁向中級階段，此階段集群知識生態(tài)初見成型，高知識凝聚性使得溝通效率和交互頻度獲得較大提升。另外，隨著不同主體間交互增強，集群知識演化與協(xié)同能力也得到提高，而完善的知識生態(tài)結(jié)構(gòu)和較強的知識創(chuàng)新能力是集群釋放創(chuàng)新活力、實現(xiàn)轉(zhuǎn)型升級的關(guān)鍵，同時，也是知識生態(tài)要素的集成者，由此實現(xiàn)向更高階段的知識生態(tài)集成型路徑邁進。第五，3條非高績效集群轉(zhuǎn)型路徑具有的共性特征為地區(qū)知識主體能力孱弱、科研資源匱乏。此時，選擇知識生態(tài)集成型路徑有可能擺脫先天資源稟賦不足的桎梏，獲得高績效。整體來看，構(gòu)筑完善的知識生態(tài)結(jié)構(gòu)和具有較高的知識創(chuàng)新能力是制造業(yè)集群獲得高水平轉(zhuǎn)型升級績效的關(guān)鍵。

5.2 管理啟示

由上分析可知，知識生態(tài)結(jié)構(gòu)、知識創(chuàng)新行為、知識環(huán)境要素賦能制造業(yè)集群優(yōu)化升級的實現(xiàn)機制具有多重并發(fā)性、非對稱性和多種路徑等效性。各制造業(yè)集群應(yīng)結(jié)合自身情況，積極探索各具特色的優(yōu)化升級路徑。

（1）以深圳（比亞迪）和濰坊（濰柴動力）等案例為代表的知識生態(tài)集成型路徑是實現(xiàn)高績效的有效捷徑，但該模式對集群知識生態(tài)結(jié)構(gòu)、知識創(chuàng)新行為等都有較高要求，因此并不具有普適性。究其原因，比亞迪和濰柴動力都是在特定轉(zhuǎn)型期抓住機遇、轉(zhuǎn)變賽道，通過構(gòu)筑完善的知識生態(tài)、銳意創(chuàng)新，實現(xiàn)技術(shù)積累，為日后彎道超車打下堅實基礎(chǔ)。因此，該路徑只有在滿足特定要求的情況下才會成為有效捷徑。

（2）高知識凝聚型路徑是實現(xiàn)高水平轉(zhuǎn)型績效的最優(yōu)選擇。該路徑的特色案例為杭州（吉利汽車）、武漢（東風(fēng)汽車）、重慶（長安汽車）和蕪湖（奇瑞汽車）。蕪湖汽車產(chǎn)業(yè)之所以能夠躋身成功范例，是因為蕪湖市在整車—零部件—后市場服務(wù)方面的高效聯(lián)動有目共睹，實現(xiàn)了網(wǎng)絡(luò)企業(yè)互聯(lián)互通、共生互生的創(chuàng)新協(xié)同與優(yōu)勢共享。在高知識凝聚性下，企業(yè)知識交互密切，跨層級溝通成本降低，有助于增強知識網(wǎng)絡(luò)中企業(yè)市場競爭力，助力產(chǎn)業(yè)集群優(yōu)化升級。

（3）知識生態(tài)基礎(chǔ)較為薄弱的地區(qū)，應(yīng)正視知識主體能力和資源稟賦的不足。一方面著力構(gòu)建地方制造業(yè)集群知識生態(tài)體系，以培育專精特新“小巨人”企業(yè)為突破口，不斷優(yōu)化知識生態(tài)結(jié)構(gòu)；另一方面政府應(yīng)加強知識產(chǎn)權(quán)保護，完善企業(yè)知識產(chǎn)權(quán)認(rèn)證制度，建立產(chǎn)權(quán)預(yù)警機制。

5.3 不足之處

本研究尚存在一些不足，有待進一步完善。首先，知識生態(tài)是由多種要素構(gòu)成的復(fù)雜系統(tǒng)，本文僅從“生態(tài)結(jié)構(gòu)—創(chuàng)新行為—知識環(huán)境”3個維度提煉出6個知識生態(tài)要素，未來可從多角度、多層面對知識生態(tài)系統(tǒng)進行剖析;其次，本文僅對中國內(nèi)地20個地市的車企制造業(yè)集群進行研究，未來可選取更多樣本案例，采用大樣本驗證研究結(jié)論。

參考文獻：

［1］ 黃曉瓊，徐飛.知識生態(tài)視域下面向產(chǎn)業(yè)集群的區(qū)域綜合科技服務(wù)系統(tǒng)生態(tài)化發(fā)展研究［J］.科技進步與對策，2021，38（3）：60-69.

［2］ 林潤輝，王倫.基于探索式創(chuàng)新的知識整合能力對突破式創(chuàng)新的影響——企業(yè)吸收能力與創(chuàng)新開放度的調(diào)節(jié)作用［J］.科技管理研究，2023，43（1）：19-27.

［3］ YE D， WU Y J， GOH M.Hub firm transformation and industry cluster upgrading： innovation network perspective［J］.Management Decision， 2020， 58（7）： 1425-1448.

［4］ 周勇，吳海珍，韓兆安.數(shù)字經(jīng)濟對制造業(yè)轉(zhuǎn)型升級的影響［J］.統(tǒng)計與決策，2022，38（20）：122-126.

［5］ 呂明元，程秋陽.工業(yè)互聯(lián)網(wǎng)平臺發(fā)展對制造業(yè)轉(zhuǎn)型升級的影響：效應(yīng)與機制［J］.人文雜志，2022，66（10）：63-74.

［6］ 辛?xí)匀A，繆小明，魏芬芬.產(chǎn)業(yè)創(chuàng)新生態(tài)系統(tǒng)組態(tài)與產(chǎn)業(yè)競爭力——基于模糊集定性比較分析［J］.中國科技論壇，2023，39（3）：82-92.

［7］ 成瓊文，趙藝璇.創(chuàng)新生態(tài)系統(tǒng)知識融合的組態(tài)路徑研究［J］.科研管理，2023，44（7）：41-49.

［8］ BRAUNERHJELM P，DING D，THULIN P.The knowledge spillover theory of intrapreneurship［J］.Small Business Economics，2018，51（1）： 1-30.

［9］ RAPINI M S，DA MOTTA E ALBUQUERQUE E，CHAVE C V，et al.University-industry interactions in an immature system of innovation：evidence from Minas Gerais，Brazil［J］.Science and Public Policy，2009，36（5）：373-386.

［10］ FRISHKOFF G A， COLLINS-THOMPSON K， PERFETTI C A， et al.Measuring incremental changes in word knowledge： experimental validation and implications for learning and assessment［J］.Behavior Research Methods， 2008， 40（4）： 907-925.

［11］ 儲節(jié)旺，李佳軒，唐亮亮.元宇宙視域下的知識生態(tài)系統(tǒng)探析——要素、機理與展望［J］.情報科學(xué)，2023，41（4）：10-16，25.

［12］ 蔣天穎，程聰.企業(yè)知識轉(zhuǎn)移生態(tài)學(xué)模型［J］.科研管理，2012，33（2）：130-138.

［13］ 宋琪，谷灝，陳曉紅.基于組合賦權(quán)法的區(qū)域知識創(chuàng)新生態(tài)位測度研究［J］.創(chuàng)新科技，2023，23（5）：43-53.

［14］ QUINTANA-GARCIA C， BENAVIDES-VELASCO C A.Knowledge organisation in R&D alliances： its impact on product innovation［J］.Technology Analysis & Strategic Management， 2011， 23（10）： 1047-1061.

［15］ SUN Z， ZHANG W.Do government regulations prevent greenwashing？ an evolutionary game analysis of heterogeneous enterprises［J］.Journal of Cleaner Production， 2019， 231： 1489-1502.

［16］ 劉強，張婉茜，李曉娣，等.知識庫兼容性對螺旋型知識創(chuàng)新的影響機理研究［J/OL］.工程管理科技前沿：1-12［2024-01-06］.

［17］ 陳佑成，郭東強.企業(yè)轉(zhuǎn)型過程中的知識生態(tài)系統(tǒng)協(xié)同演化研究 ［J］.情報理論與實踐， 2015， 38 （4）： 51-56.

［18］ 吳玉浩，姜紅，孫舒榆.知識生態(tài)視角下技術(shù)標(biāo)準(zhǔn)聯(lián)盟的穩(wěn)態(tài)機制研究 ［J］.情報理論與實踐， 2019， 42 （10）： 63-70.

［19］ OKRENT D.Risk perception and risk management： on knowledge， resource allocation and equity［J］.Reliability Engineering & System Safety，1998，59（1）： 17-25.

［20］ KHANNA R， GULER I.Degree assortativity in collaboration networks and invention performance［J］.Strategic Management Journal， 2022， 43（7）： 1402-1430.

［21］ TSOUKAS H.The firm as a distributed knowledge system： a constructionist approach［J］.Strategic management journal， 1996， 17（S2）： 11-25.

［22］ CROTEAU D， HOYNES W.Media/society：industries， images， and audiences［M］.London：Sage Publications， 2013.

［23］ 吳玉浩，姜紅，陳晨.智庫聯(lián)盟知識生態(tài)系統(tǒng)的演化與運行機理研究——以阿里研究院為例［J］.情報理論與實踐，2022，45（1）：54-62.

［24］ 吳超鵬，唐菂.知識產(chǎn)權(quán)保護執(zhí)法力度、技術(shù)創(chuàng)新與企業(yè)績效——來自中國上市公司的證據(jù)［J］.經(jīng)濟研究，2016，51（11）：125-139.

［25］ 武爾娜.農(nóng)業(yè)知識產(chǎn)權(quán)轉(zhuǎn)化應(yīng)用問題與策略分析［J］.現(xiàn)代農(nóng)業(yè)研究，2022，28（12）：25-27.

［26］ 王曉紅，胡士磊.中國高校產(chǎn)學(xué)合作效率：測算及外部環(huán)境因素的影響［J］.世界科技研究與發(fā)展，2017，39（6）：503-510.

［27］ 杜運周，李佳馨，劉秋辰，等.復(fù)雜動態(tài)視角下的組態(tài)理論與QCA方法：研究進展與未來方向［J］.管理世界，2021，37（3）：180-197.

［28］ LEIPONEN A， HELFAT C E.Innovation objectives， knowledge sources， and the benefits of breadth［J］.Strategic Management Journal， 2010， 31（2）： 224-236.

［29］ 康淑娟，安立仁.政府干預(yù)、知識資源與區(qū)域創(chuàng)新績效——基于價值鏈視角的雙重門限效應(yīng)［J］.科技進步與對策，2020，37（1）：57-64.

［30］ 石靜，孫建軍.科技創(chuàng)新團隊的知識網(wǎng)絡(luò)構(gòu)建與知識測度研究［J］.情報學(xué)報，2022，41（9）：900-914.

［31］ SENOO D， MAGNIER-WATANABE R， SALMADOR M P.Workplace reformation， active ba and knowledge creation：from a conceptual to a practical framework［J］.European Journal of Innovation Management， 2007， 10（3）： 296-315.

［32］ 王筱莉，張靜，陳淑琴.虛擬學(xué)術(shù)社區(qū)知識生態(tài)系統(tǒng)的演化及其內(nèi)部知識流動研究［J］．情報理論與實踐，2022，45（12）：156-163.

［33］ 丁勇，楊虹.知識產(chǎn)權(quán)保護對區(qū)域創(chuàng)新的影響機制研究［J］.科學(xué)與管理，2024，44（1）：10-17.

［34］ 陳立敏，譚力文.評價中國制造業(yè)國際競爭力的實證方法研究——兼與波特指標(biāo)及產(chǎn)業(yè)分類法比較［J］.中國工業(yè)經(jīng)濟，2004，22（5）：30-37.

［35］ 趙長軼，王瑩.我國高技術(shù)產(chǎn)業(yè)生態(tài)位評價研究——基于省際面板數(shù)據(jù)的實證研究［J］.決策咨詢，2021，32（2）：56-63.

［36］ 薛曉芳，覃正.虛擬企業(yè)的知識創(chuàng)新機制及其知識生態(tài)位研究［J］.情報雜志，2008，27（8）：73-76.

［37］ 胡寧寧，侯冠宇.區(qū)域創(chuàng)新生態(tài)系統(tǒng)如何驅(qū)動高技術(shù)產(chǎn)業(yè)創(chuàng)新績效——基于30個省份案例的NCA與fsQCA分析［J］.科技進步與對策，2023，40（10）：100-109.

［38］ 儲節(jié)旺，李佳軒.知識生態(tài)系統(tǒng)視角下的產(chǎn)學(xué)研協(xié)同共生演化機理研究［J］.情報科學(xué)，2023，41（4）：2-9.

（責(zé)任編輯：胡俊健）

英文標(biāo)題

Multiple Paths for Optimization and Upgrading of Manufacturing Clusters through Knowledge Ecological Structure， Innovation Behavior and Knowledge Environment： A Fuzzy-set QCA Approach Based on the Automotive Industry Data

英文作者Xue Chaogai， Feng Kaibo， Cao Wujun

英文作者單位（School of Management， Zhengzhou University， Zhengzhou 450001， China）

英文摘要Abstract： Against the backdrop of the knowledge economy and digital intelligence technology， manufacturing industry clusters have gradually become crucial in promoting regional economic development and strengthening national competitiveness.Over the past two decades， China has been developing a vast and highly skilled workforce that is adapted to the most tech-intensive industries.In this process， some companies have cultivated their amazing manufacturing capabilities by contracting foreign products， and thus the manufacturing clusters have formed the knowledge ecology base in the formation process.However， the "theoretical darkbox" of how knowledge ecology affects the transformation of manufacturing clusters as well as the combination effect of influencing factors.How to promote its efficient transformation has attracted the attention of both scholars and practitioners.

According to the knowledge ecology theory， the knowledge ecosystem contains the interaction between knowledge subjects within a cluster and between subjects and the environment， maintaining the order of interspecific relationships and niche evolution at different levels.Therefore， the six elements of knowledge subject capability， knowledge chain integration， knowledge network construction， knowledge evolution and collaboration， knowledge transformation guarantee， and academic research assistance are regarded as the antecedent variables for the transformation and upgrading of the manufacturing industry.The transformation and upgrading performance is used as the outcome variable， and a path framework for the transformation and upgrading of the manufacturing industry cluster is constructed with knowledge innovation as the core and knowledge flow as the link .The study tracks 20 official websites of automobile companies using Python to obtain two-year data from January 1， 2019 to December 31， 2020.On the basis of the data， the multiple concurrent linkage effects of three types and six antecedents in the transformation and upgrading of manufacturing clusters are analyzed from the perspective of knowledge ecology by the necessary condition analysis （NCA） and fuzzy set qualitative comparative analysis （fsQCA） methods.

The results show that all knowledge ecological elements are not necessary for high transformation performance， and only the condition of "knowledge subject capability" plays a more general role in high transformation performance.The transformation and upgrading paths with high performance are in the types of "government-industry-academia-research synergy"， "high knowledge cohesion" and "high knowledge cohesion".When the ability of the knowledge subject exists as the core condition， there is a progressive relationship among the three paths， and there is a potential substitution relationship between the knowledge ecological structure and the knowledge environment.For manufacturing clusters， the construction of a sound knowledge ecological structure and high knowledge innovation behavior are key to achieving high transformation and upgrading performance.

In terms of the theoretical contributions of this study， it firstly constructs an integrative model to analyze the linkage and collaboration mechanism built by knowledge ecological structure， innovation behavior and knowledge environment， as well as the interaction relationship among various knowledge elements， so as to reveal the complex causal mechanism of knowledge ecological factors affecting the transformation performance of manufacturing clusters.Secondly， focusing on the performance and development of knowledge innovation behavior in different ecological structures， it clarifies its internal logic and helps to transfer the empirical method to the higher dimension of the cluster level， so as to improve the overall competitiveness.Thirdly， it sorts out the mechanism of knowledge innovation in manufacturing clusters and expands the theoretical research on the transformation and upgrading of manufacturing clusters from the perspective of knowledge ecology.

As to the practical contributions of this study， it first provides practical paths and methods for the transformation of manufacturing clusters against the background of digital economy and intelligent manufacturing.Second， it makes up for the lack of theories and methods in the upgrading of industrial chain， and provides practical methods for the high-quality development of clusters.Third， it provides management suggestions， practical paths， and a policy basis for the government to formulate talent introduction and industrial policies.

英文關(guān)鍵詞Key Words：Knowledge Ecology; Transformation and Upgrading of Manufacturing Industry; Necessary Condition Analysis;Fuzzy Set Qualitative Comparative Analysis

收稿日期：2023-05-15 修回日期：2023-08-02

基金項目：教育部人文社會科學(xué)研究項目（23YJC630090，19YJA630096 ）

作者簡介：薛朝改（1978—），女，河南鄧州人，博士，鄭州大學(xué)管理學(xué)院教授、碩士生導(dǎo)師，研究方向為制造業(yè)轉(zhuǎn)型升級；馮凱博（1999—），男，河南平頂山人，鄭州大學(xué)管理學(xué)院碩士研究生，研究方向為制造業(yè)轉(zhuǎn)型升級；曹武軍（1971—），男，河南鄭州人，博士，鄭州大學(xué)管理學(xué)院教授、碩士生導(dǎo)師，研究方向為電子商務(wù)、跨境電商。本文通訊作者：馮凱博。