张 瑜，菅利荣，倪 杰，刘 剑，罗 茜

(1．南京航空航天大学 经济与管理学院，江苏 南京 210016；2．金陵科技学院 商学院，江苏 南京 211169)

一、引 言

产业技术创新战略联盟(Industrial Technology Innovation Strategy Alliance)起源于战略联盟，进入20世纪90年代后，越来越多的学者关注产业技术战略联盟。产业技术创新战略联盟是产学研合作模式的一种，是以产为技术进步目标，以企业发展的内在需求和联盟参与方的共同利益为基础，通过资源共享和创新要素的优化组合，由企业、科研机构、大学、中介机构等构成的新型产学研合作创新组织。国外对产业技术创新战略联盟的研究主要从过程管理［1-2］、内在冲突［3-4］、理论研究［5-7］、合作伙伴选择［8-9］、绩效评价［10-12］等方面进行研究。而国内侧重于联盟的模式分类［13］、运行机制［14］、影响因素［15］、组织模式优化［16］、知识转移效率［17］、绩效评价［18-19］等方面。美国麦肯锡咨询公司研究报告指出：自20世纪90年代以来，被调查的800多家参与ITIA的美国企业，仅40%的联盟能维持在4年以上，大部分联盟短期内解体［20］。从我国产业技术创新战略联盟实际运行情况来看，其建立时间较短，对其研究还处于初级阶段，还未形成系统的理论成果。同时也有数据显示，我国联盟的失败率高达50%以上［21］，严重挫伤了企业参与联盟的积极性。因此，探索如何建立适合我国本土的产业技术创新战略联盟有其实际意义。

二、基于中心点三角白化权函数的灰评估方法

聚类分析就是将研究的对象按照一定的算法分成若干个类的一种数学分析方法。常用的聚类方法有层次的方法(也称系统聚类法)［22-23］、划分方法［24-27］、基于密度的方法、基于网格的方法［28-30］、基于模型的方法［31］。不同的方法各有其优点和缺点。

而灰色聚类不同于以上聚类文献，它是根据灰色关联矩阵或灰数的白化权函数将一些观测指标或观测对象划分成若干个可定义类别的方法，适宜于“少数据”、“贫信息”系统中的对象［32］。由于江苏省产业技术创新战略联盟成立时间不长，对其进行评价可获得的信息较少，因此，本文采用基于中心点三角白化权函数［33］进行灰评估。

定义 设有n个聚类对象，m个聚类指标，s个不同灰类，根据第i(i=1,2,…,n)个对象关于 j(j=1,2,…,m)指标的观测值xij(i=1,2,…,n;j=1,2,…,m)将第i个对象归入第k(k∈{1,2,…,s})个灰类，称为灰色聚类［32］。

利用基于中心点三角白化权函数的进行灰评估，其步骤如下［33］：

(2)连接点(λk,1)与第k-1个小区间的中心点(λk-1,0)以及(λk,1)与第k+1个小区间的中心点(λk+1,0)，得到 j指标关于 k灰类的三角白化权函数(⋅),j=1,2,…,m;k=1,2,…,s。对于(⋅)和(⋅)，可分别将 j指标的取数范围向左、右延拓至λ0，λs+1，可得 j指标关于灰类1的三角白化权函数(⋅)和 j指标关于灰类s的三角白化权函数(⋅)。对于指标 j的一个观测值x，可由下列公式计算出其属于灰类k(k=1,2,…,s)的隶属度(x)：

(3)确定各指标的聚类权ηj(j=1,2,…,m)。

(4)计算综合聚类系数，即

三、江苏省产业技术创新战略联盟的现状

江苏省产业技术创新战略联盟于2009年开始建立，由江苏省科技厅倡议发起，各市科技局具体落实，截止2012年4月，省一级的产业技术创新战略联盟已达到了30个，有江苏省环保产业技术创新战略联盟、江苏省融合通信产业技术创新战略联盟、江苏省新型平板显示产业技术创新战略联盟、江苏省集成电路产业技术创新战略联盟、江苏省矿山物联网产业技术创新战略联盟、江苏省智能交通产业技术创新战略联盟、江苏省数控机床产业技术创新战略联盟、江苏省小核酸产业技术创新战略联盟、江苏省干细胞产业技术创新战略联盟、江苏省医疗器械产业技术创新战略联盟、江苏省轨道交通产业技术创新战略联盟、江苏省机器人与智能装备产业技术创新战略联盟、江苏省海洋工程产业技术创新战略联盟、江苏省风电产业技术创新战略联盟、江苏省输变电装备产业技术创新战略联盟、江苏省光伏产业技术创新战略联盟、江苏省储能材料与器件产业技术创新战略联盟、江苏省纳米产业技术创新战略联盟、江苏省电容器及材料产业技术创新战略联盟、江苏省再生橡胶新材料产业技术创新战略联盟、江苏省家纺设计及新材料产业技术创新战略联盟、江苏省新兴玻纤复合材料产业技术创新战略联盟、江苏省高性能合金产业技术创新战略联盟、江苏省半导体照明产业技术创新战略联盟、江苏省硅材料产业技术创新战略联盟、江苏省动力电池产业技术创新战略联盟、江苏省船舶及配套产业技术创新战略联盟、江苏省电力电器产业技术创新战略联盟。经过两年多的组建运行，全省创新联盟已经在产业和区域层面形成了稳定的建设格局。

(一)江苏省产业技术创新战略联盟的产业布局

根据2011年第三次修订的《国民经济行业分类标准》和2011年发布的《战略性新兴产业分类目录》，对江苏省30个省级创新联盟进行分析，发现93%属于七大战略性新兴产业，只有江苏省船舶及配套产业技术创新战略联盟和江苏省电力电器产业技术创新战略联盟分属于制造业中的交通运输设备制造业和电力机械及器材制造业。总体来说，江苏省产业技术创新联盟的产业布局是以新兴产业的发展为主导的。

(二)江苏省产业技术创新战略联盟的区域布局

通过对所收集的材料分析及实地调研资料整理，江苏省产业技术创新战略联盟的区域分布如下：江苏省除淮安和宿迁外，其他11个市级地区均建有创新联盟；以苏南五市为主，集中了18个创新联盟，苏中地区共有9个，而苏北地区仅有3个。同时，各区域联盟的产业类型也比较集中：在苏南地区，新一代信息技术产业创新联盟的集中比例最高，主要在苏州和无锡；新材料产业创新联盟位居第二，分布在苏州、常州和镇江；生物医药产业创新联盟在苏州的集中度也较高，高端装备制造业在常州较为集中。

(三)江苏省产业技术创新战略联盟的模式

为了对江苏省产业技术创新战略联盟评价更具可比性，课题组采取了抽样调查，从30家联盟选取了18家，具体联盟如下：江苏省智能交通产业创新联盟、江苏省高性能合金产业创新联盟、江苏省集成电路产业创新联盟、江苏省环保产业创新联盟、江苏省矿山安全物联网产业创新联盟、江苏省数控机床产业创新联盟、江苏省干细胞产业创新联盟、江苏省电容器产业创新联盟、江苏省海洋工程产业创新联盟、江苏省小核酸、江苏省医疗器械产业创新联盟、江苏省船舶与配套产业创新联盟、江苏省动力电池产业创新联盟、江苏省机器人与智能装备产业创新联盟、江苏省风电产业创新联盟、江苏省输变电产业创新联盟、江苏省轨道交通产业创新联盟、江苏省储能与器件产业创新联盟。其选取因素主要考虑：①样本联盟应能够覆盖江苏省新兴产业类型；②样本联盟应能够包括苏南、苏中、苏北的主要创新区域；③为了使联盟的评价具有可比性，选择了2010年12月以前组建完成、并经过1年正式运行的联盟作为调研对象。

通过调研，课题组将江苏省产业技术创新战略联盟的模式分成三种：政府主导型、高校或科研机构主导型和企业主导型。而政府主导型模式又表现为政府直接主导模式、由政府下属的中介组织主导模式、非营利性国有企业主导模式；企业主导型模式又表现为股份制企业主导模式和国有企业主导模式(参见表1)。

表1 18家江苏省产业技术创新战略联盟的模式

尽管江苏省产业技术创新战略联盟已初步形成，但是两年来还未对其运行情况进行评价，为此，本文以江苏省产业技术创新战略联盟为实证分析对象，对其运行效率进行评估。

四、江苏省产业技术创新战略联盟灰评估的实证

(一)指标体系构建

根据科学性、系统优化、通用可比、实用性及目标导向原则，本文设计了如表2所示的新兴产业创新联盟指标体系。

表2 江苏省产业技术创新联盟指标体系

在前述指标体系，存在较多指标属于定性，难以直接用数据描述，为此，课题组采用7点量表法对定性指标进行量化，即7点量表的满分为7分，相应的赋值为(7、6、5、4、3、2、1)。

(二)江苏省产业技术创新战略联盟运行效率的实证检验

1．数据收集

为了量化表2的指标体系，课题组设计了相应的调查问卷。调查从2012年7月-8月进行，共发放调查问卷18份，回收调查问卷18份，有效问卷共18份，有效问卷占发放总量的100%。

2．基本数据处理

问卷回收后，将有效问卷的信息全部输入计算机，首先用Excel软件进行初步数据统计和转化。在处理过程中，课题组调查问卷中定性问题转化为7点量表，统计得到18家联盟二级指标数据，如表3所示。

表3 江苏省产业技术创新联盟调查数据统计

3．聚类分析

根据前述基于中心白化权函数的计算步骤进行聚类分析。

(1)白化权函数的定义。由七点量表，课题组将创新联盟划分成：好∈[6,7]、较好∈[4,6)、一般∈[1,4)三个灰类，并构建中心点三角白化权函数分别如下：

(2)权重的设定。课题组采用专家调查法，请20位专家对表3中的一级指标及二级指标权重进行打分。一级指标U1、U2、U3、U4的权重分别为30%、20%、30%、20%。U1的二级指标权重分别为20%、30%、15%、15%、20%。U2的二级指标权重分别为35%、30%、35%。U3的二级指标权重分别为30%、20%、20%、30%。U4的二级指标权重分别为15%、25%、35%、25%。

根据二级指标权重，对二级指标数据进行加权求和，得到表4一级指标数据。

表4 江苏省产业技术创新联盟一级指标得分

(3)计算综合聚类系数。根据中心点三角白化权函数计算公式，计算出18个联盟的三个等级得分，如表5所示。

表5 江苏省产业技术创新联盟聚类系数

(三)聚类结果分析

1．高校或科研机构主导模式的联盟，其运行情况好于其他两种模式

经过对该模式联盟的调查，发现推动其发展的共性因素主要有：

(1)地方政府的全方位支持。包括人财物有形资源的直接支持、相关政策的间接支持及日常工作的推动。以矿山安全物联网联盟为例，该联盟以中国矿业大学主导发展，但政府委托了徐州市高新技术创业中心全面协助其展开联盟的日常工作，同时以“一个中心、一个联盟、一个公司”的思路来打造对产业发展的全面推动。在日常工作中，该联盟和徐州市安监局、质监局共同举行了行业标准的建设和推广培训，经费由创业中心、安监局和质监局共同承担。

(2)知识源头的创新辐射作用。高校及科研机构作为知识来源方，一方面将知识输出，辐射到联盟内的企业；另一方面，通过培养人才将联盟内的企业积聚在一起，从而推动联盟的发展。

(3)学缘关系是形成良好合作的基础。在矿山安全物联网联盟的调查中，发现75%的联盟成员是中国矿业大学的校友，35%是中国矿业大学兼职教师，这为联盟良好的合作关系打下了实的基础。

2．政府主导模式和企业主导模式联盟，运行效率较为分散，等级“较好”的较少，而“一般”的居多

通过分析数据及调查资料，发现影响政府主导模式和企业主导模式联盟运行效率较为分散的原因主要表现以下几点：

(1)各地政府发展思路不一。由于联盟属地政府的发展思路，尤其是产业政策对联盟发展起至关重要的影响。

(2)各地经济发展水平不一。地方经济水平直接决定了新兴产业在发展初期的资源投入质量、规模和可持续性。如小核酸、轨道交通等联盟都位于经济较发达的苏南地区。

(3)产业发展基础与创新积淀。产业发展的历史也是影响联盟发展的一个重要因素。如轨道交通联盟，其龙头企业中国南车戚墅堰机车有限公司始建于1905年，发展至今，带动了常州市及省内一批企业的发展，形成了轨道技术产业集群，具有坚实的产业发展基础与创新积淀，为联盟的组建奠定了良好的基础。

五、结束语

本文通过对30家江苏省产业技术创新战略联盟的初步调查，分析了联盟现状；同时，抽取了18家联盟进行深入调查，基于中心点三角白化权函数灰评估方法，对其进行分类，并进行分析。课题组认为，目前，江苏省产业技术创新战略联盟以高校/科研机构为主导模式的运行情况较好，而其他两种模式运行情况较为分散，以评价等级“一般”居多。鉴于前述分析结果，为了优化产业技术创新战略联盟的治理，本文提出以下几点建议：

(1)建立健全相关制度，促进联盟成员间紧密联系。由于联盟是一种“不具有法人地位的松散型组织”，导致了联盟成员之间的关系较为松散，因此，应出台一些政策制度，促进关系的耦合，如确立联盟法人地位、项目立项优先、明确政府权力边界、发挥科技中介服务功能等。

(2)提高联盟治理水平，明确共享利益成果。由于联盟成员还未意识到联盟所带来的利益，对参与联盟活动的主动性不够强，因此，应努力提高联盟自身治理水平，让联盟成员意识到加入联盟所带来的好处。这主要包括明确理事长单位和会员各自的权利义务、提高会员大会的权威性、理顺理事会和秘书处的关系、开拓多元化渠道进行筹资、明确知识产权的利益分配及共享程度等。

江苏省产业技术创新战略联盟的运行时间还较短，课题组以期进行持续跟踪，实现对联盟生命周期的动态性研究。

［1］Das TK ，Teng B S.Managing Risk in Strategic Alliances［J］.Academy of Management Executive，1999，13(4)：50-62.

［2］Inkpen A C，Beamish PW.Knowledge，Bargaining Power and International Joint Venture Instability［J］.Academy of Management Review，1997，22(1)：177-202.

［3］Das T K，Teng B S.Instabilities of Strategic Alliances：An Internal Tensions Perspective［J］.Organization Science，2000，11(1)：77-101.

［4］Das TK，Teng BS.Strategic Risk Behavior and Its Temporalities Between Propensity and Decision Context［J］.Journal of Management Studies，2001，38(4)：515-534.

［5］Doz Y L，Hamel G.Alliance Advantage：The Art of Creating Value Through Partnering［M］.Bostong：Harvard Business School Press，1998：71-72.

［6］Khanna T，Gulati T，Nohria N.The Dynamics of Learning Alli-ances：Competition，Cooperation and Relative Scope［J］.Strategic Management Journal，1998，9(3)：193-210.

［7］Parkhe A.Strategic Alliance Structuring：A game Theory and Transaction cost Examination of Interfirm Cooperation［J］.Academy of Management Journal，1993，36(4)：794-829.

［8］Beckman C M，Haunschild P R，Phillips D J.Friends of Strangers?Firm-specific Uncertainty，Market Uncertainty，and Network Partner Selection［J］.Organization Science，2004，15(3)：259-275.

［9］Bierly P E，Gallagher S.Explaining Alliance Partner Selection：Fit，Trust and Strategic Expediency［J］.Long Range Planning，2007，40(2)：134-153.

［10］Lin W B.Factors Affecting the Correlation Between Interactive Mechanism of Strategic Alliance and Technological Knowledge Transfer Performance［J］.The Journal of High Technology Management Research，2007，17(2)：139-155.

［11］Nakos G，Brouthers K D.International Alliance Commitment and Performance of Small and Medium-size Enterprises：The Mediating Roleof Process Control［J］.Journal of International Management，2008，14(2)：124-137.

［12］Osborn R N，Marion R.Contextual Leadership，Transformational Leadership and the Performance of International Innovation Seeking Alliances［J］.The Leadership Quarterly，2009，20(2)：191-206.

［13］邸晓燕，张赤东.产业技术创新战略联盟的类型与政府支持［J］.科学学与科学技术管理，2011，32(4)：78-84.

［14］张晓，盛建新，林洪.我国产业技术创新战略联盟的组建机制［J］.科技进步与对策，2009，26(20)：52-54.

［15］陈佳.产业技术创新产业联盟治理模式影响因素探析［J］.科技管理研究，2011(11)：94-96.

［16］周素芬，周国林，况姗芸.论产业共性技术产学研联盟组织模式的优化与对策选择［J］.湖北社会科学，2011(11)：91-94.

［17］Jiang Zhangsheng，Hu Longying.Modelling the Efficiency of Knowledge Transfer in the Industrial Technology Innovation Alliance［J］.Journal of Harbin Engineering University，2010，31(9)：1265-1277.

［18］刘彦龙.中国企业战略联盟报告［M］.北京：中国经济出版社，2008：575-576.

［19］龚红.产业技术创新战略联盟研究综述及其最新进展［J］.中国科技产业，2010(7)：49-51.

［20］Dyer JH.How To Make Strategic Alliances Work［J］.Sloan Management Review，2001，42(4)：37-43.

［21］李瑞琴.跨国公司战略技术联盟稳定性的博弈分析［J］.财经研究，2005，31(4)：103-111.

［22］Sudipto Guha，Rajeev Rastogi，Kyuseok Shim.CURE：An Efficient Clustering Algorithm For Large Database［J］.Information Systems，2001，26(1)：35-58.

［23］Karypis G，Han EH，Kumar V.CHAMELEON：A Hierarchical Clustering Algorithm Using Dynamic Modeling［J］.Computer，1999，32(8)：68-75.

［24］Kaufman L，Rousseeuw PJ.Finding Groups in Data：An Introduction to Cluster Analysis［M］.New York：John Wiley&Sons，2005：126-163.

［25］Huang Z.Extensions to the k-means Algorithm for Clustering Large Data Sets with Categorical Values［J］.Data Mining and Knowledge Discovery，1998，2(2)：283-304.

［26］Lauritzen SL.The EM Algorithm for Graphical Association Models with Missing Data［J］.Computational Statistics and Data Analysis，1995，19(2)：191-201.

［27］Pascual-Marqui R D，Pascual-Montano A D，Kochi K，et al.Smoothly Distributed Fuzzy c-means：A New Self-organizing Map［J］.Pattern Recognition，2001(1)：2395-2402.

［28］Wei Wang，Jiong Yang，Richard Muntz.STING+：An Approach to Active Spatial Data Mining［C］.Masaru Kitsuregawa.15th International Conference on Data Engineering.Pennsylvania：IEEEComputer Society，1999：116-125.

［29］Sheikholeslami G，Chatterjee S，Zhang A.WaveCluster：A Multi-resolution Clustering Approach for Very Large Spatial Database［C］.Ashish Gupta，Oded Shmueli，Jennifer Widom.Proceeding of the 24th VLDB New York，USA.New York：Morgan kaufmann，1998：428-439.

［30］Agrawal R，Gehrke J，Gunopulos D，et al.Automatic Subspace Clustering of High Dimensional Data for Data Mining Applications［C］.Laura Haas.Proceedings of the 1998 ACM SIGMOD International Conference on Management of data.New York：Association for Computing Machinery，1998:94-105.

［31］Pizzuti Clara，Talia Domenico.P-AutoClass：Scalable Parallel Clustering for Mining Large Data Sets［J］.IEEETransactions on Knowledge and Data Engineering，2003，15(3)：629-641.

［32］刘思峰，党耀国，方志耕.灰色系统理论及其应用［M］.第3版.北京：科学出版社，2007：99.

［33］基于改进三角白化权函数的灰评估新方法［J］.系统工程学报，2011，26(2)：244-250.