陈 恒，侯 建，陈 伟
(哈尔滨工程大学 经济管理学院，黑龙江 哈尔滨 150001)
摘 要：封闭式创新向开放式创新转型过程中，正确选择技术创新路径对创新转型至关重要。在考察高技术产业开展内、外部知识源化和非研发创新路径发展特征的基础上，运用空间计量经济学方法，探讨2008-2014年高技术产业内外部知识源化、非研发和创新绩效的空间相关性及分布结构，并将地理空间因素纳入多种创新路径驱动创新绩效机理框架下进行比较分析，实证考察其对创新绩效的影响机理。结果表明，高技术产业外部知识源化与非研发投入所占比重远远小于内部知识源化，技术创新路径非均衡性发展特点显著；高技术产业内外部知识源化、非研发与创新绩效存在较为显著的空间自相关性，内外部知识源化、非研发与创新绩效一定程度上呈现为相似值在空间上趋于集聚的分化态势，相邻地区空间溢出效应显著；高技术产业外部知识源化对创新绩效起到显著正向促进作用，而现阶段内部知识源化和非研发规模对创新绩效分别呈现微弱的正向和负向影响，没有充分发挥促进效应。
关键词：内部知识源化；外部知识源化；非研发；创新路径；创新绩效；高技术产业
创新过程中大量创新性资源的有效运用取决于知识开发与整合[1]，不仅包含复杂的创新路径选择关系，还涉及这种关系的复杂变化，如产业技术格局、技术路线空间结构和演化路径对创新资源选择的影响，以及不同类型技术创新路径对企业创新的影响差异[2]。
多数发展中国家缺乏必要的创新资源，技术转移、引进或技术外溢被认为是技术创新源泉[3]。尽管如此，多数发展中国家都试图依靠自主研发实施内部源化战略(Internal Knowledge Sourcing)[4]，即以内部R&D作为企业内部知识源，通过内部努力和探索，独立进行研究开发，拥有自主知识产权的独特核心技术，使得自身技术创新活动具有独立性[5]。然而，目前创新格局不断变化，创新外部环境边界逐渐被弱化，发展中国家开始积极寻求外部资源建立开放联系，探索新型创新范式——开放式创新[6]。于是，更多的企业通过与具有技术优势的企业、大学和研究机构开展合作研发、研发外包、委托技术开发等进行外部合作创造并获取知识，实现外部知识源化(External Knowledge Sourcing)[4][7]。同时，创新并不完全等同于研发，除内外部研发外，亦存在多种非研发(non-R&D)创新用途。
创新存在显著的空间依赖性，创新活动的空间集聚有效地促进知识溢出，基于地理媒介的知识溢出显著影响创新活动地理分布[8]，推进创新驱动技术格局演变[9]。内部研发、外部源化(合作)以及非研发等技术创新路径存在创新驱动的空间特性[10]，并且作为创新驱动转型的关键因素，对我国总体创新格局发展及变革具有至关重要的作用。那么，从封闭式创新到开放式创新转型变革，到底是内部研发、外部合作还是非研发更有利于创新绩效提升？目前总体要素集聚结构、创新空间格局以及创新资源分布情况，对中国高技术产业创新绩效提升路径选择会产生怎样的影响？为回答上述问题，本文系统梳理被忽视的创新路径，研究和分析我国创新驱动关键转型期间的创新范式空间格局演化特征，探索和选择相适应的创新绩效提升路径，构建独特、有效的多样化创新路径体系。
关于技术创新路径与创新绩效的研究，传统内部研发是封闭式创新中主要的创新路径，学者们普遍认为传统研发是企业技术创新中最重要的作用因素之一[11]。内部研发作为企业内部知识源，有效推动创新绩效提升，驱动国家创新发展，即内部研发与创新绩效之间存在正相关关系[12-13]。但是，也有研究表明研发对创新绩效的影响可能表现出非显著相关性甚至负向效应。研发活动也并不是越多越好，不断上升的研发投入并没有带来产出增长[14-15]。国内学者陈恒和侯建(2016)从地区知识积累视角研究发现，高技术产业自主研发创新驱动科技绩效的效应受到地区知识积累水平显著影响，存在双门槛非线性效应。
近年随着创新格局演化转型以及技术活动环境的快速变化，开放式创新已经成为创新管理领域研究的热点问题。基于此，学者们开始将注意力转向外部源化(研发合作)创新和非研发创新。Gu等[16]认为在开放式创新条件下，企业与外部研发机构之间建立的联系是企业获取创新知识的重要来源。Yamakawa等[17]研究发现，加入探索型合作联盟显著影响企业创新。技术合作有助于企业应对创新投资风险和技术变革[18]。然而，Man等[19]研究提出企业外部合作对创新绩效存在不一致的作用效应。Vega-jurado等[12]通过对西班牙制造业实证分析发现，即使内部研发活动中使用了更多外部知识源相关知识(合作)，也并没有促进创新绩效提高，外部技术来源对创新绩效的影响非常弱。进而，Berchiccl[20]发现,开放式创新随着研发边界开放会导致内部研发机会成本增加，对创新绩效产生显著负向效应。总之，在较短时间内，外部知识源化更为有益，但是长期来看，外部源化具有负面影响[21]。国内研究与国外类似，一方面，有研究表明外部研发源化能够促进企业创新[22]；另一方面,也有研究发现外部研发合作对于创新绩效表现出负相关或者非线性相关[23-24]。
事实上，相对于外部知识源化或内部研发，非研发创新的作用长期被忽视，相关文献较少。关于非研发与创新绩效的研究，Santamara等[25]基于西班牙制造业中低技术行业和高技术行业数，对比分析发现非研发活动对所有类型企业的创新均具有显著影响，是其促进技术创新的重要影响因素。Barge-gil等[26]、Hervas-oliverdeng[27]也证实了其观点。反过来，非研发技术创新者可以大量使用组织和营销等活动，以弥补其研发活动投入不足[28]。非研发活动是驱动外部知识获取的核心因素，然而，研发经费支出却贡献较小[29]。总之，企业创新及其过程构建不仅仅基于研发，还可以通过研发和非研发不同的工作实践与过程构建形成[30]。而国内学者关于非研发影响机理的实证研究极少，有待于进一步探讨。谢子远和黄文军(2015)认为，非研发创新对高技术产业创新绩效的影响同时存在促进效应和替代效应。
综上，目前研究大多忽略中国高技术产业创新驱动中存在的重要地理空间因素，会造成估计结果有偏，采用空间计量经济学方法的研究相对较少，尤其是考虑非研发创新路径和对比分析，有必要进一步拓展。
鉴于此，本文贡献主要在于：首先，系统总结并明晰目前高技术产业不同年份开展内、外部知识源化和非研发创新空间分布结构与战略特征；其次，考虑非研发创新路径驱动机理模型，展开非研发创新路径与其它路径的优化选择和对比分析；最后，研究方法上，将多种创新路径、地理空间因素与其创新绩效置于同一个框架下，比较分析其中的复杂空间效应，运用空间计量经济学方法分析多种技术创新路径对创新绩效的影响。
本文将空间效应纳入考虑范围，首先，在建立计量模型之前采用空间统计分析指数检验变量间是否存在空间区域关联与空间依赖性。在此基础上，构建空间计量经济模型进行检验。
2.1.1 空间权重矩阵
空间权重矩阵W= (Wij)m×n,主要用于表达空间依赖性。其表现形式为：
本文建立基于空间邻接关系的权重矩阵，表示为：
式中，i=1,2,…,n；j=1,2,…,m；m=n或m≠n。本文采用Rook邻近计算方法。
2.1.2 空间自相关性
(1)全域空间自相关分析。全局空间关联分析是从区域空间整体上刻画空间差异程度和空间关联的分析方法，本文使用全局空间自相关度量指标Moran′I指数，测量不同地区间观测变量的总体相关程度：
(1)
式中，
指数大小为[-1,1]，其符号表示空间关联方向性，绝对值表示关联强度。
(2)局域空间自相关。采用局域空间自相关Moran′I指数，分析局部系统分布特征，包括Moran散点图、LISA。通过Moran散点图描述变量X(横轴)与空间滞后向量WX(纵轴)间相关关系。第一象限高值地区被高值地区包围(高-高)；第二象限低值地区被高值地区包围(低-高)；第三象限低值地区被低值地区包围(低-低)；第四象限高值地区被低值地区包围(高-低)。
LISA指标进一步揭示局部地区在空间上的相似性或相关性，识别空间集聚和空间孤立，本文选用局部Moran′I指数衡量局部地区i和地区j的聚集程度，计算公式为:
i=1,2,…,n
(2)
其中，
正的Moran′I值表示高-高或低-低形式，负的Moran′I值表示高-低或低-高形式。
2.1.3 空间计量经济模型
考察空间滞后模型(SLM)和空间误差模型(SEM)[31]。本文设置SLM和SEM全面考察3种技术创新路径对创新绩效的影响。
SLM模型为：
LnYit=a0+ρWLnYit+a1LnIRDit+a2LnERDit+
(3)
其中，Yit为i地区第t年的创新绩效；W为空间权重矩阵；WLnYit表示相邻地区创新绩效的空间滞后变量；ρ为空间自相关回归系数，表示相邻地区创新绩效对本地区创新绩效的空间溢出效应；IRD、ERD、NRD分别表示影响技术创新的内部知识源化、外部知识源化(合作)以及非研发3种主要的技术创新路径。a为相应变量的系数，ε为随机误差向量。X表示影响创新的其它控制变量，δ为相应控制变量的系数。由于创新影响因素是多样的，为减少研究结果偏差，本文在模型设定中加入研发人力(RDH)、出口导向度(EXP)影响、企业规模(ESC)和知识积累(KLA)作为控制变量。
技术创新路径驱动创新绩效的SEM模型为：
LnYit=a0+a1LnIRDit+a2LnERDit+
εit=λWεit+μit
(4)
其中，λ为空间误差系数，表示相邻地区创新绩效因变量对本地区创新绩效的影响；μ为随机误差向量；其它符号同式(3)。
关于SLM和SEM模型选择问题，按照Anselin[32]的思路，首先通过Moran指数判断空间自相关性，引入空间变量，再比较LM-LAG与LM-ERR两个统计量，若LM-LAG更显著，则SLM更恰当，反之，认为SEM更恰当。若两者相近，则比较Robust LM-LAG与Robust LM-ERR。
(1)创新绩效(Y)。创新绩效包括创新活动直接成果和创新成果运营转化两个方面。以往研究中，创新绩效通常以专利申请量或新产品产出表示[33]，而新产品销售收入直接反映高技术创新活动收益和商业价值，是极为显性的创新绩效综合指标。由于内、外部知识源化和非研发中包含商业购买与技术购买及吸收转化环节，根据不同创新路径建构特点和影响机制，本文以新产品销售收入测度高技术产业创新绩效。
(2)内部知识源化(IRD)。高技术产业通过创造或者获取知识形成输入知识流，从知识源角度，内部R&D创造知识为内部知识源化，外部合作创造与获取知识为外部知识源化[24]。传统的内部知识源化是基础创新路径之一，其规模和强度是衡量创新能力的重要指标。具体来说，企业利用内部研发创造知识[4]。本文考虑中国高技术产业实际情况，研发投入转化为最终创新产出具有一定时滞性，而且前期投入也会影响当期投入情况。因此，采用变量滞后一期形式，并且以永续盘存法进行存量计算，即内部研发资本存量[34]。
(3)外部知识源化(ERD)。外部知识源化通过外部合作创造与获取知识[4][24]，主要包括向其它企业、大学和科研院所等组织边界外部支付的研发费用。因此，本文选择高技术产业外部研发经费支出反映外部知识源化程度，计算滞后一期的外部研发资本存量。
(4)非研发(NRD)。开放式创新过程是一个复杂多变的过程，创新来源是多样化的，除内外部研发外，还存在非研发创新投入[25]。根据中国高技术产业非研发活动实际特点，采用各项非研发创新经费支出来衡量，包括技术改造、引进技术、消化吸收和购买国内技术，计算滞后一期的非研发资本存量。
创新是一个复杂的系统过程，还需要对创新效应设置一系列控制因素。借鉴现有文献对发展中国家创新因素的研究[35-36]，研发人力(RDH)也是创新基础要素，以研发人员全时当量表示[34]。开放创新环境下，针对中国高技术产业注重进出口贸易的实际情况，考虑行业出口导向度(EXP)的影响，以高技术产业出口交货值/总产值表示。企业规模(ESC)也是需要控制的重要影响因素，以高技术产业总产值/企业数表示。最后，创新知识流动及当前和以后的研究与开发严重依赖于过去积累形成的知识存量，知识积累(KLA)作为创新过程的重要投入要素，反映研发状况和技术创新发展潜力，其也是衡量科技绩效的基础，以高技术产业专利申请数存量表示。
本文选取中国30省市高技术产业2008-2014年省际面板数据，原始数据来自《中国高技术产业统计年鉴》、《中国科技统计年鉴》、《中国统计年鉴》。为消除价格变动的影响，对于各项研发经费，采用研发价格指数(根据各地居民消费价格指数和固定资产价格指数的加权平均值进行折算，权重分别为0.55和0.45)进行平减；各项非研发经费支出使用同期GDP缩减指数平减，新产品销售收入和总产值使用工业品出厂价格指数平减，以2008年为基期。对于IRD、ERD、NRD和KLA的存量计算，采用永续盘存法，并考虑投入流量滞后效应：
Kt=(1-δ)Kt-1+Rt-1
(5)
其中，Kt代表t期研发资本存量，Rt-1为t-1期研发资本流量，δ为折旧率，设定为15%。
关于基年研发指标存量K0的确定，假定(Kt-Kt-1)/Kt-1=(Rt-Rt-1)/Rt-1=g，g为R的平均增长率，则：
(6)
得到：
K0=R0/(g+δ)
(7)
此外，由于统计资料不再公布2012、2013、2014年高技术产业当年价总产值数据，描绘这项指标其余7年的趋势图发现其发展稳定，因此，按每年增加的百分比估算这一缺失数据，变量数据作对数处理。样本描述性统计结果如表1所示。
表1样本描述统计量
在实践中，按照研发参与程度以及创新活动特征，高技术产业技术创新路径大致分为研发创新(R&D)和非研发创新(non-R&D)。其中，R&D创新又分为内部R&D创新和外部R&D创新[4]。因此，本文以高技术产业内部知识源化、外部知识源化和非研发3种创新路径为研究对象，探讨其路径特征，并分析3种创新路径和创新绩效的空间格局结构。
高技术产业开展内外部研发、非研发活动及其比例如表2和图1所示。绝对值上，2008-2014年中国高技术产业内部研发创新资金支出持续高速增长，从2008年的6 551 995万元持续增长到2014年的22 742 749万元，年平均增长率为23.05%。虽然外部研发和非研发创新资金支出呈现不断增长态势，但年平均增长率分别为8.75%和7.34%，仅为内部研发创新投入的1/2～1/3。相对值上，高技术产业外部研发支出比例逐年下降，非研发创新资金支出与内部研发经费支出的比值也不断下降，外部研发与非研发在中国创新活动中所占比重远远小于内部研发。
表2高技术产业内、外部研发与非研发投入各年分布情况
由此可以发现，高技术产业技术创新路径非均衡性发展特点显著，总体呈现出越来越重视内部创造和自主技术开发的趋势。同时，外部研发支出比例和非研发创新投入在高技术产业研发经费中仍然占有一定比例，有必要引起高度重视。
本文基于Geo DA 9.5软件，首先测算全局Moran I，分析内外部知识源化、非研发与创新绩效的空间相关性，并进一步采用Moran散点图和LISA集聚图探讨每个区域与周边地区的局部空间关联、空间差异程度以及空间格局。
由表3可以看出，2008-2014年内外部知识源化、非研发与创新绩效的Moran指数值均大于0，表明内外部知识源化、非研发与创新绩效存在正向空间自相关性。其中，内外部知识源化与创新绩效在1%水平上显著，内外部知识源化与创新绩效正向空间自相关显著。然而，非研发创新路径呈现出不显著的正向空间自相关性。大致可以认为，2008-2014年高技术产业内外部知识源化、非研发与创新绩效一定程度上呈现为相似值在空间上趋于集聚的分化态势，内外部知识源化、非研发和创新绩效高水平地区被内外部知识源化、非研发和创新绩效高水平地区包围，内外部知识源化、非研发和创新绩效低水平地区被内外部知识源化、非研发和创新绩效低水平地区包围。时间变化上总体呈现较小波动性演变趋势。
图1高技术产业内、外部研发和非研发投入发展趋势
表32008-2014年内、外部知识源化、非研发与创新绩效的全局Moran′sI指数
2008-2014年高技术产业内外部知识源化、非研发和创新绩效Moran散点图如图2-图5所示，表示高技术产业各省市内外部知识源化、非研发与创新绩效的空间联系形式分布情况。结果发现，第一、三象限包含多数地区，尤其在第一象限。除非研发外，这也进一步说明高技术产业内外部知识源化与创新绩效在大部分省市表现为地理空间上的显著正相关性。邻近地区间创新活动相互影响，具有显著外部效应及溢出效应。
本文进一步使用LISA聚集图检验局部地区的空间相关程度(见图6-图9)。以内部知识源化为例，在局部空间分布上内部知识源化形成不同的聚集区域，其中，内部知识源化高值聚集区域以长三角地区及其周边为中心，而且这种高-高聚集类型在样本年份中一直维持不变。位于此聚集区域的地区对内部知识源化的投入力度较大，通过合作带动相邻地区内部研发创新。内部知识源化低值聚集区域以西北地区新疆、甘肃为中心，并且保持相对稳定。位于此聚集区域的地区与周边相邻地区的内部研发都很少，缺乏相互带动作用。外部知识源化表现与之相似。对于非研发创新，上海、江苏是高值集聚区，带动相邻地区非研发创新，而甘肃、辽宁、黑龙江地区形成低-高集聚区，说明这些地区非研发活动较多，但缺乏与周边地区联系。在创新绩效方面，大致以长三角地区为中心形成高值聚集区，以新疆、甘肃为中心形成低值聚集区，而2014年低值创新绩效逐渐扩散至东北黑龙江地区。
图2高技术产业内部知识源化的Moran散点图(2008、2011和2014年)
图3高技术产业外部知识源化的Moran散点图(2008、2011和2014年)
图4高技术产业非研发的Moran散点图(2008、2011和2014年)
图5高技术产业创新绩效的Moran散点图(2008、2011和2014年)
注：限于篇幅，选择2008、2011和2014年作代表性分析，下同
图6高技术产业内部知识源化的LISA集聚图(2008、2011和2014年)
图7高技术产业外部知识源化的LISA集聚图(2008、2011和2014年)
图8高技术产业非研发的LISA集聚图(2008、2011和2014年)
通过上述分析，高技术产业创新绩效在空间上表现出显著的复杂性、自相关性和差异性，破坏了传统计量模型空间均质分布的假设，使得技术创新路径对创新绩效的影响在不同地区之间可能是不同的。因此，本文建立内外部知识源化、非研发对创新绩效影响的空间计量模型，开展有效分析。
图9高技术产业创新绩效的LISA集聚图(2008、2011和2014年)
首先进行模型判断选择。表4中，模型的Moran′s I值为0.082 8，在10%水平上显著，通过空间自相关性检验。LM-LAG通过1%显著性水平检验，而LM-ERR未通过10%显著性水平检验。因此，SLM优于SEM。
表4模型选择性检验
Hausman检验判断采用随机效应还是固定效应：
Hausman test-statistic = -49.2596 (P=0.000<0.05)
结果表明，拒绝接受随机效应的原假设，采用固定效应模型。综上，应采用SLM固定效应模型，包含无固定效应模型、时间固定效应模型、空间固定效应模型和时空固定效应模型。表5中，SLM时空固定效应模型Log-Likelihood和R2值明显大于其它效应，解释力度更强。本文对SLM模型和SEM模型进行拟合分析对比，全面考察内外部知识源化、非研发对创新绩效的影响。
表5内、外部知识源化、非研发对创新绩效影响的空间计量检验结果
由表5可知，高技术产业内部知识源化、外部知识源化对创新绩效的回归系数分别为0.002 1和0.017 7，外部知识源化在1%水平上显著，而非研发的回归系数为-0.002 5且不显著。这表明在目前开放式创新转型中，高技术产业外部知识源化对创新绩效起到显著正向促进作用，而内部知识源化和非研发对创新绩效分别呈现出微弱的正向和负向影响，还没有充分发挥出积极作用。之所以出现这种现象，本文认为，目前高技术产业创新转型中，一方面，企业与外部研发机构之间建立的联系能够促进知识尤其是隐性知识向企业流动，在一定程度上实现创新资源互补和共享，弥补单个企业资源缺乏和研发能力不足及研发风险等缺陷，为创新驱动绩效提升提供保障。另一方面，实践中，在中国创新资源空间分配不均的情境下，大部分高技术产业仍然受自身资源条件限制，研发基础薄弱，研发强度仅为1.78%左右(2014年)，内外部研发驱动作用还存在很大提升空间，控制变量中地区知识积累呈现出不显著的正向促进作用，也进一步证实了目前研发基础薄弱条件下内部研发驱动受到限制。近年来，中国高技术产业受到产品生命周期缩短、自主创新不足和国际技术产权壁垒等限制，加之能源紧缺、资源昂贵以及环境保护压力等紧迫问题，没有为高技术产业展开非研发活动形成规模效应和良好基础条件，相应驱动作用受到限制。此外，非研发创新中技术引进、技术改造可能降低企业自主研发内在动力，强化企业技术创新“惰性”，因而非研发创新实际上“替代”了企业研发创新努力，损害企业自主研发积极性[30]。
其次，SLM的空间滞后系数ρ为0.266 4，在1%水平上显著，地理邻近性对创新绩效具有显著正向效应，区域间创新资源动态流动有利于知识的空间溢出和创新绩效提升。这也证实了外部知识源化通过大量有关技术创新的知识信息和创新要素在区域创新系统间动态流动，促进知识信息扩散运用，推动地区间合作与知识溢出，提升创新资源利用效率，有助于促进地区创新绩效水平提升。
(1)高技术产业技术创新路径非均衡性发展特点显著。高技术产业内、外部知识源化和非研发创新资金支出均保持持续增长，然而，外部研发支出比例和非研发创新投入比例不断下降，外部知识源化与非研发在创新活动中所占比重远远小于内部知识源化。总体呈现越来越重视内部创造和自主技术开发的趋势，同时，外部研发支出和非研发创新投入在高技术产业研发经费中仍然占有一定比例，应引起高度重视。
(2)高技术产业内外部知识源化、非研发和创新绩效存在较为显著的空间自相关性，内外部知识源化、非研发与创新绩效一定程度上呈现出相似值在空间上趋于集聚的分化态势，并且内外部知识源化、非研发和创新绩效在地理分布上高、低值聚集区域基本一致。空间因素对高技术产业创新绩效具有显著影响，邻近地区间创新活动存在显著外部效应及溢出效应。
(3)高技术产业外部知识源化对创新绩效起到显著正向促进作用，而内部知识源化和非研发对创新绩效分别呈现微弱的正向和负向影响，没有充分发挥促进效应。现阶段创新转型中高技术产业创新资源空间分配不均严重，大部分高技术产业仍然受自身资源条件限制，研发基础薄弱，加之非研发存在一些“替代”效应，进而限制了内外部研发驱动和非研发驱动的作用，而外部知识源化在一定程度上实现创新资源互补和共享，弥补单个企业资源缺乏和研发能力不足及研发风险的缺陷，为创新驱动提供基础和保障。
本文研究结论对于分析高技术产业多样化创新范式空间格局演化特征，选择相适应的创新驱动发展路径提供了有效借鉴和参考。
(1)现阶段高技术产业应当继续注重和加强外部知识源化与研发合作，增加外部研发投入，降低技术外包等合作形式的成本，利用政府引导机制，进一步完善高技术产业创新系统环境，对技术合作实行更多减免及扶持优惠政策，完善技术交流渠道以及产学研合作机制等，推动和引导高技术产业开放创新有效转型。
(2)在提升内部研发实力和知识积累的同时，结合高技术产业自身技术基础，合理开展非研发活动，一方面提升内部研发效率，通过充分有效利用大量内部研发投入资源提升自主核心创新能力，为非研发创新提供基础；另一方面，合理利用外部知识源化，为高技术产业自主研发和非研发提供更加优良的内部环境与基础，避免过度强化外部技术来源的“替代”作用、损害高技术产业自主研发积极性，对产业创新发展中存在的多样化驱动路径进行有效利用。
(3)空间邻近因素对高技术产业创新的影响不容忽视，各地区应减少创新路径流动的地域限制，破除区域间内外部知识源化、非研发等创新资本及创新要素流动的体制机制障碍，为多种创新要素扩散提供良好外部环境，建立区域协同创新体系和联动合作机制，发挥创新发展水平较高的地区在创新路径驱动方面的示范效应和扩散效应，积极与周边较低水平地区合作，以缓解创新路径驱动空间分化问题，实现区域创新绩效整体提升。
参考文献:
[1] NERKAR A,PARUCHURI S.Evolution of R&D capabilities: the role of knowledge networks within a firm[J].Management Science,2005,51(5):771-785.
[2] CASSIMAN B,VEUGELERS R.In search of complementarity in innovation strategy: internal R&D and external knowledge acquisition[J].Management Science，2006,52(1):68-82.
[3] 杨龙志,刘霞.区域间技术转移存在“马太效应”吗?——省际技术转移的驱动机制研究[J].科学学研究,2014,32(12):1820-1827.
[4] LIN BW,WU CH.How does knowledge depth moderate the performance of internal and external knowledge sourcing strategies[J].Technovation,2010,30(11):582-589.
[5] SUN Y.China′s national innovation system in transition[J].Eurasia Geography and Economics,2002,43(6):476-492.
[6] CHESBROUGH H.Open innovation: the new imperative for creating and profiting from technology[M].Boston: Harvard Business School Press,2006.
[7] 高良谋,马文甲.开放式创新:内涵、框架与中国情境[J].管理世界,2014(6):157-169.
[8] 李国平,王春杨.我国省域创新产出的空间特征和时空演化——基于探索性空间数据分析的实证[J].地理研究,2012,31(1): 95-106.
[9] 付帼,卢小丽,武春友.中国省域绿色创新空间格局演化研究[J].中国软科学,2016(7):89-99.
[10] MONTMARTINA B,HERRERAC M.Internal and external effects of R&D subsidies and fiscal incentives: empirical evidence using spatial dynamic panel models[J].Research Policy,2015,44(5):1065-1079.
[11] HALL BH,LOTTI F,MAIRESSE J.Evidence on the impact of R&D and ICT investments on innovation and productivity in Italian firms[J].Economics of Innovation and New Technology,2013,22(3):300-328.
[12] VEGA-JURADO J,GUTIERREZ-GRACIA A,FERNANDEZ-DE-LUCIO I.Does external knowledge sourcing matter for innovation? evidence from the Spanish manufacturing industry[J].Industrial and Corporate Change,2009,18(4):637- 670.
[13] YAM C,TANG P,LAU K. Analysis of sources of innovation,technological innovation capabilities,and performance: an empirical study of Hong Kong manufacturing industries[J].Research Policy,2011,40(3):391-102.
[14] BRAUNERHJELM P,ACS ZJ,AUDRETSCH DB,et al.The missing link: knowledge diffusion and entrepreneur-ship in endogenous growth[J].Small Business Economics,2010,34(2):105-125.
[15] OLOF E,ASTRID K,MARTIN SH. The R&D-growth paradox arises in fast-growing sectors[J].Research Policy,2011,40(5):664-672.
[16] GU FF,HUNG K,TSE DK. When does guan xi matter? issues of capitalization and its dark sides[J].Journal of Marketing,2008,72(4):12-28.
[17] YAMAKAWA Y,YANG H,LIN Z.Exploration versus exploitation in alliance portfolio: performance implications of organizational,strategic,and environmental fit[J].Research Policy,2011,40(2):287-296.
[18] WU J.Technological collaboration in product innovation: the role of market competition and sectoral technological intensity[J].Research Policy,2012,41(2):489-496.
[19] MAN A PD,DUYSTERS G.Collaboration and innovation: a review of the effects of mergers，acquisitions and alliances on innovation[J].Technovation,2005,25 (12):1377-1387.
[20] BERCHICCI L.Towards an open R&D system: internal R&D investment,external knowledge acquisition and innovative performance[J].Research Policy,2013,42(1):117-127.
[21] DENICOLA S,RAMIREZ M,TIDD J.Overcoming the false dichotomy between internal R&D and external knowledge acquisition: absorptive capacity dynamics over time[J].Technological Forecasting and Social Change,2016,104(3):57-65.
[22] 赵立雨.开放式创新对企业创新绩效影响研究——内部R&D与环境波动的调节作用[J].科学学与科学技术管理,2014,35(6):119-127.
[23] 王玉,刘靖.创新方式、组织保障与创新绩效的关系研究——基于信息技术业上市公司数据的实证[J].财经研究,2013,39(4):80-89.
[24] 付敬,朱桂龙.知识源化战略、吸收能力对企业创新绩效产出的影响研究[J].科研管理,2014,35(3):25-34.
[25] SANTAMARIA L,NIETO MJ,BARGE-GIL A.Beyond formal R&D: taking advantage of other sources of innovation in low and medium technology industries[J].Research Policy,2009,38(3):507-517.
[26] BARGE-GIL A,NIETO MJ,SANTAMARIA L.Hidden innovators: the role of non-R&D activities[J].Technology Analysis & Strategic Management,2011,23(4):415-432.
[27] HERVAS-OLIVER JL,ALBORS GJ,GIL-PECHUAN I. Making sense of innovation by R&D and non-R&D innovators in low technology contexts: a forgotten lesson for policymakers[J].Technovation,2011,31(9):427-446.
[28] HERVAS-OLIVER JL,SEMPERE-RIPOLL F,BORONAT-MOLL C,et al.Technological innovation without R&D: unfolding the extra gains of management innovations on technological performance[J].Technology Analysis and Strategic Management,2015,27(1): 19-38.
[29] HERVAS-OLIVER JL,ALBORS GJ,BAIXAULI JJ.Beyond R&D activities: the determinants of firms' absorptive capacity explaining the access to scientific institutes in low-medium-tech contexts[J].Economics of Innovation and New Technology,2012,21(1):55-81.
[30] YOU-NA LEE,JOHN PW.Inventing while you work: knowledge,non-R&D learning and innovation[J].Research Policy,2016,45(1):345-359.
[31] ANSELIN L.Spatial econometrics: methods and model[M].Kluwer Academic Publishers,1988.
[32] ANSELIN L,FLORAX R,BERA AK,et al.Simple diagnostic tests for spatial dependence[J].Regional Science and Urban Economics,1996,26(1):77-104.
[33] BRONZINI R,PISELLI P.The impact of R&D subsidies on firm innovation[J].Research Policy,2016,45(2):442-457.
[34] HONG J,FENG B,WU YR,et al.Do government grants promote innovation efficiency in China's high-tech industries[J].Technovation,2016,57-58(11-12):4-13.
[35] HUANG XL,CHI RY.Innovation China's high-tech industries: barriers and their impact on innovation performance[J].International Journal of Technology Management,2013,62(1):35-55.
[36] RASIAH R,SHAHRIVAR RB,YAP X.Institutional support,innovation capabilities and exports: evidence from the semiconductor industry in Taiwan[J].Technological Forecasting and Social Change,2016,109(8):69-75.
Chen Heng,Hou Jian,Chen Wei
(School of Economics and Management,Harbin Engineering University,Harbin 150001,China)
Abstract：In this paper, based on the path characteristics of internal and external knowledge sourcing and non-R&D innovation in high-tech industry, it uses spatial econometrics method to discusses the spatial correlation and distribution structure of internal and external knowledge sourcing,non-R&D and innovation performance during 2008-2014.Then,it introduces the spatial factor into the framework of diversified innovative path driven effect to comparative analysis and empirically investigate the mechanism of its impact on innovation performance.The results show that the proportion of external knowledge resourcing and non-R&D investment in high-tech industries is much smaller than that of internal knowledge sourcing,and the characteristics of non-balanced development of innovation path are significant;there is a significant correlation between internal and external knowledge sourcing,non-R&D and innovation performance.To a certain extent,they appear as the differentiation trend of similar value in space,and the spatial spillover effect is significant in the adjacent area;finally,the external knowledge sourcing has a significant positive effect on innovation performance,while the internal knowledge sourcing at this stage and the scale of non-R&D on innovation performance respectively showsa weak positive and negative effects,which are not give full play to its promoting effect.
Key Words:Internal Knowledge Sourcing;External Knowledge Sourcing;Non-R&D;Innovation Path; Innovation Performance;High-tech Industry
DOI：10.6049/kjjbydc.2017060148
中图分类号：F264.2
文献标识码：A
文章编号：1001-7348(2018)08-0060-10
收稿日期：2017-10-16
基金项目：黑龙江省攻关软科学计划项目(GC13D203)；中央高校基本科研业务费专项资金——博士研究生科研创新基金项目(HEUGIP201718)
作者简介：陈恒(1972-)，男，黑龙江齐齐哈尔人，博士，哈尔滨工程大学经济管理学院教授、博士生导师，研究方向为技术创新；侯建(1990-)，男，河南新乡人，哈尔滨工程大学经济管理学院博士研究生，研究方向为技术创新路径；陈伟(1957-)，男，黑龙江哈尔滨人，博士，哈尔滨工程大学经济管理学院教授、博士生导师，研究方向为知识创新管理。
(责任编辑：万贤贤)