顾丽敏 段 光

基于网络集中度的产业集群知识共享研究*——以江苏省科技型产业集群为例

顾丽敏 段 光

产业集群发展过程也是知识共享的过程，知识共享效果成为产业集群发展成功与否的关键。虽然每个集群都认识到知识共享的重要性，都在努力搭建共享平台，但是现实中，集群知识共享的效果并不令人满意。本文将产业集群视为一种网络结构，即集群网络，并从集群网络集中度视角来研究其对集群知识共享的影响及条件。研究发现，集群网络集中度影响集群知识共享，但影响过程较为复杂，而且集群知识共享意愿在集群网络中心度与知识共享之间具有调节作用。

集群网络；程度中心性；中介中心性；知识共享；知识共享意愿

一、引言

江苏尤其是苏南的产业集群发展在全国起步较早，经历了上世纪80年代初由地理位置的毗邻形成的区域要素整合，以亲缘关系、资本纽带等形成的集群之间社会关系(李军林，1998；张一力，2006)。2000年之后，地方政府更加重视产业集群的发展，在全省经济结构调整过程中，形成了产业向园区集中，园区向专业化发展的格局，换言之，各园区(开发区)成为产业集群发展的载体。

产业集群产生与演化过程同时也是一种知识共享和演变的过程，集群内部往往都拥有高度的知识流动性和信息交流网络。从集群层面看，知识共享可以减少知识生产的重复性投入，节约知识的获取成本，并运用集体的智慧提高组织的应变能力和创新能力，从而提升整个集群的竞争力。从企业层面看，集群内不同主体之间利用集群知识共享平台，在互相学习过程中实现知识的扩散和新知识的产生，提升企业知识吸收能力和学习能力，提升自主创新能力。

虽然每个集群都认识到知识共享的重要性，都在努力搭建共享平台，但是现实中，集群知识共享的效果并不令人满意，甚至远没达到共享目标。许多研究者对这方面的问题进行了探讨，指出知识产权保护不完善、政府扶持力度不够、集群自身不重视、知识特性等都会影响到知识共享效果。本文以江苏100家科技型产业集群为样本，从社会网络理论视角，将产业集群视为一种社会网络，探讨除了上述研究指出的这些可能的原因外，集群的网络结构特征对集群知识共享的影响。网络集中度是最常用和最重要的网络结构性特征，包括网络程度中心性和网络中介中心性两个方面，这个网络特征影响了集群知识共享(分为两个维度——深度知识共享和广度知识共享)。同时，集群成员的知识共享意愿对这些起到调节作用。

二、理论与假设

社会网络(social network)是一种基于节点之间的相互连接而形成的网状结构。社会网络关注的是网络成员之间的互动和联系，进而影响成员的社会行为。随着社会网络理论和研究方法的丰富，社会网络研究从个体向群体、组织、集群等宏观层次扩展。将产业集群视为一种社会网络更利于揭示集群运行的本质，从而成为当今研究的热点。

产业集群是在某一特定区域内，互相联系的、在地理位置上相对集中的企业和机构的集合。产业集群可以视为一个社会网络，集群内的各个主体不是孤立的，它们之间基于市场交换或社会联结而产生各种各样的网络关系，彼此关联互动，由此形成其特有的网络结构(曹丽莉，2008)，本文称之为集群网络。

网络集中度(centralization)是指网络以一个或少数几个个体为中心，其他个体围绕着他们发生联系的程度。高集中度的网络往往更为机械，而具有多个结构中心的组织则可能是更有机的(Shrader，1989)。在网络集中度的研究中，又有两个维度一直是社会社会网络研究重点，一个是网络程度集中度，另一个是网络中介集中度。程度集中度一般用程度中心性(degree centrality)来表达，而中介集中度用中介中心性(betweenness centrality)来表达。

网络程度中心性反映了网络结构化程度，是区分不同网络之间差异的核心指标。当网络程度中心性越高时，这个网络就越正规化、规范化，甚至层级化，更表现出机械性。相反，低网络程度中心性表明网络中没有其主导作用的成员，更类似于有机式组织的特征。在对不同规模的网络进行程度中心性的测量时，采用相对中心性这个指标。

网络中介中心性反映了一个网络成员之间直接联系的程度。在一个社会网络中并不是所有个体之间都能直接联系，有些个体之间的联系要通过第三方，甚至第四方才能达到。根据结构洞理论，当两两结点必须通过某一结点进行联系时，处于两者连接状态的第三者拥有两种优势：信息优势和控制优势(Burt，1992)。占据结构洞的结点具有较高的中介中心性，能够获取来自多方面的异质性信息，使得该结点获得更丰富的信息资源进而成为信息和知识集散中心，从而具有信息优势。占据结构洞的结点连接最初没有联系的两两节点，因此拥有调和双方的独特优势，可以决定各种资源的流动方向，从而形成控制优势。当网络中存在着较多的中间人或纽带时，说明网络中介中心性高；反之，则说明中介中心性低。

(一)集群网络程度中心性对集群知识共享的影响

随着知识经济的到来，作为无形资源的核心的知识资源的重要性已经逐步显露。在众多的研究中，将知识共享视为知识管理的重要职能被更多学者所接受。

本文将集群网络视为知识共享的场所，其内涵是集群网络中各类主体将所拥有的异质性知识投入到知识共享平台，集群网络内的所有成员可以根据需要从这个共享平台中获取所需要的知识，实现组织和集群目标。知识共享分为两种类型，其一是深度知识共享，是指企业沿着已有的技术轨迹、知识和惯例学习，表现为对产品功能、生产技术、市场信息等进行深度开发和完善所需要的知识的学习过程；其二是广度知识共享，是指企业沿着全新的知识、技术轨迹进行学习(Gupta et al.，2006)，表现为对现有产品、技术或市场的放弃，寻求新的解决问题的方式，探索新的商业模式等。

产业集群网络程度中心性存在着差异。网络程度中心性高的集群，说明该集群中有一个或几个主导企业，其他成员围绕着它们开展生产经营活动。例如，在一个集群中有一个或几个大型企业，它们是这个集群的核心，所有其他企业和机构都主要围绕着它们从事配套生产、技术服务、人力资源、销售等。在这样的集群中，主导企业在其周围形成了较为稳定的企业关系，这种关系形同费孝通先生的“差序格局”人际圈。所有的知识共享也是围绕着这些核心企业展开，共享的知识往往以核心企业的需要为主，知识在成员之间广泛传播。相对于其他成员企业，集群中的核心企业的创新往往一般采用的是渐进式的方式进行，在自己已有产品、技术、流程、工艺和管理的基础上进行完善和提高；他们很少采用颠覆式的激进式创新，激进式创新需要企业放弃已有的成功经验和做法，面临着更大的风险。由此，本文认为网络中心性高的集群往往会形成深度知识的共享，而很少进行多样化知识的共享，即很少进行广度知识的共享。因此，本文假设：

假设1a：集群网络程度中心性越高，集群越会进行深度知识共享。

假设1b：集群网络程度中心性越高，集群越不会进行广度知识共享。

(二)集群网络中介中心性对集群知识共享的影响

网络集中度的另一个重要的维度是中介中心位置，一般用网络中介中心性测量。对于整个集群而言，中介中心性高的成员企业在网络中处于枢纽地位，有更多的机会从不同渠道获取一定信息和知识，从而增加彼此间的知识共享，进而迸发出新思想、新观念和新知识，促进整个网络的创新。

就集群网络整体而言，中介中心性高意味着集群网络中存在着较多的结构洞，而且有一个或多个成员企业在这个网络中占据着中介中心位置，他们是知识在集群中转移的中介和桥梁。中介中心性高的集群网络，知识转移受到处于中介中心位置的企业的控制和影响，他们接受来自各方多样化的知识，知识呈星型传播和扩散。在中介中心性高的集群网络中，一般存在着一个或几个控制着这个集群网络知识和信息传播的企业，这些企业一般也是整个集群的核心。与程度中心性不同的是，这样的企业往往不一定规模很大，也不是通过影响力来影响其他成员企业的共享行为，他们是通过对信息和知识的流动的控制能力来影响集群知识共享行为。另外，处于中介中心性高的集群网络中核心企业，获取多样化知识的优势会促使他们为了保持这样的中心位置而不断地创新，为了防止其他成员企业的模仿，而会采用激进式创新，以便其他成员企业难以竞争，而一直处于中介中心位置。因此，集群网络中介中心性越高，越有利于广度知识的共享。诚如March(1991)研究认为，在网络中中存在若干个作为桥梁或媒介的企业或机构，这些成员促进了集群内部的信息交流和知识共享，不断拓展知识共享的宽度。因此，提出假设：

假设2a：集群网络中介中心性越高，集群越会进行广度知识共享。

假设2b：集群网络中介中心性越高，集群越不会进行深度知识共享。

(三)成员企业知识共享意愿的调节作用

知识共享意愿(intention to knowledge sharing)是指个体愿意与他人共享知识的主观可能性的程度(Ford，2004)。知识共享意愿是一种主观的倾向性或意图。Law & Partridge(2002)指出，知识共享意愿应该是知识共享行为的一个前因变量。本文认为知识共享意愿不仅仅是作为知识共享的直接原因，还有可能在集群网络特征与知识共享之间起到调节作用。

1.知识共享意愿在集群网络程度中心性与集群知识共享之间的调节影响

产业集群内成员企业的知识共享意愿会对集群网络程度中心性对知识共享效果产生积极的影响。一方面，成员企业知识共享意愿会对集群网络程度中心性影响知识共享深度起到积极的调节作用。集群网络程度中心性对知识共享的影响程度要视集群网络中成员企业的知识共享意愿高低而定。网络程度中心性高的集群为深度知识共享提供了机会和平台，这个机会和平台作用发挥还要受整个集群中成员企业知识共享意愿的影响。当每个成员企业都有强烈的共享意愿时，他们会投入更多的知识，更主动地与其他企业交流，促进企业间的深度合作，充分利用网络程度中心性的作用，更好地促进知识共享。另外，当企业有较强的知识共享意愿时，会激励他们增加对学习的投入，提高吸收能力。这种对学习的关注和吸收能力的提高也会增加企业对核心企业需要的知识以外的知识的吸收和共享。因此，本文认为：

假设3a：产业集群中成员企业知识共享意愿越高，产业集群网络程度中心性对集群深度知识共享影响越大。

假设3b：产业集群中成员企业知识共享意愿越高，产业集群网络程度中心性对广度知识共享的影响越小。

2.知识共享意愿在集群网络中介中心性与集群知识共享之间的调节影响

在集群网络中介中心性特征影响集群知识共享广度的过程中，成员企业知识共享意愿也会起到重要的作用。对于处于集群网络中介中心位置的企业，如果他们没有知识共享意愿，他们会利用所处的有利的网络位置，考虑到自身偏好、利益或其他影响因素，加强对知识转移的控制，不轻易将有价值的信息和知识扩散出去，从而保持团队内部结构洞的存在，导致更多机会成本的产生，从而影响到其他成员企业的学习和知识共享效果。相反，如果他们有强烈的知识贡献意愿，这种意愿无论是自身的需要还是一种习惯，都会促使他们积极发挥中介中心位置的优势，积极促进不同成员企业之间的知识共享。同样，其他成员企业如果没有强烈的知识共享意愿，即使中心企业提供了学习的机会和共享的平台，他们也不会主动去学习，也会影响知识共享的效果。如果他们有强烈的知识共享意愿，他们会积极利用中介中心位置企业提供机会和平台，积极投入到知识共享平台中，这必然会提升整个网络知识共享的效果。基于此，本文认为：

假设4a：产业集群中成员企业知识共享意愿越高，集群网络中介中心性越有利于集群广度知识共享。

假设4b：产业集群中成员企业知识共享意愿越高，集群网络中介中心性对深度知识共享的影响越小。

三、研究方法

(一)样本选择与收集方法

本文通过江苏省级集群管理部门，选择省内科技型产业集群(主要是新兴产业集群)为研究对象，在一定程度上解决了产业集群大样本研究存在难题。在实证研究的测量方面，本文采用问卷调查方式收集数据。为了确保大样本问卷调查的数据质量和回收率，通过省级集群管理部门联系，采用电子邮件方式的发放和回收问卷，共回收问卷96份，其中有效问卷91份。

(二)变量测量

自变量集群网络程度中心性的测量采用整体网络视角的网络测量方法。程度中心性用来测量集群网络中成员之间的友谊或情感网络中的网络位置，反映了整个集群网络的集中性程度，程度中心性越高，说明网络中存在着一个或几个主导型的企业，他们在网络中具有权力优势(影响力和声誉)。中介中心性用来测量咨询网络中的中介位置，反映了集群中某个或几个企业在网络中的信息优势，中介中心性高，说明在集群网络中有一个或几个主导型企业，他们控制着集群内部的信息和知识的流动。本文参考Krackhardt等人(1985)的友谊网络问卷和咨询网络问卷(在此基础上略作了修改)，分别设计3个题项来测量。所用计算公式分别为(1)和(2)：

(1)

其中，CD为网络程度中心性，CDmax为网络中个体程度中心性最大值，CDi为网络中第i个个体的程度中心性值。

(2)

其中，CB为网络中介中心性，CBmax为网络中个体中介中心性最大值，CBi为网络中第i个个体的中介中心性值，N为整个网络总个体数(或节点数)。

在数据处理上，根据每个题项的得分，计算出相应的程度/中介中心性得分，然后对三个题项得出的三个中心性得分进行平均，得到总的个体程度/中介中心性得分。

因变量深度知识共享和广度知识共享的测量，主要根据March(1991)的研究并借鉴Atuahene-Gima(2003)的研究，各有3个题项，采用Likert五级标度，对公司过去3年中对相应题项的认同程度进行评价，并相应选择从l(不认同)到5(非常认同)。

关于调节变量成员企业知识共享意愿的测量，目前已经有很多成熟的知识共享量表，但关于个体层面的比较多。根据这些已有测量，结合研究情境，本文参考Bock，Zmud和Kim(2005)的测量方法，采用了7个题项。虽然该量表被多个学者所使用过，但是为了符合中国情境特征，在采用中略做了修改，并进行了严格的信度、效度检验。

在研究影响集群绩效的因素中，集群网络规模、集群持续时间也对集群知识共享有一定的影响，本文将它们作为控制变量。

(三)数据收集及数据质量分析

1.量表信度、效度分析

本文理论构念主要采用里克特量表，信度效果通过Cronbach α系数表示，包括集群网络程度中心性、中介中心性、深度知识共享、广度知识共享、知识共享意愿等的信度系数分别为0.86、0.85、0.76、0.77、0.79。所有构念Cronbach α系数均大于0.7，说明构念信度较好。构念的信度、负载及T值如表1所示。

表1 构念信度和测量模型负载

效度分为聚合效度和区分效度。通过构建因子测量模型，利用CFA来判断测量模型的拟合优度，从而判断聚合效度高低。本文利用结构方程模型软件Lisrel7.0对数据进行分析，所得的测量模型的拟合优度如下：χ2=567.35(p=0.00)，χ2/df=1.45，Good-of-fit index(GFI)=0.94，Comparative fit index(CFI)=0.96，Incremental fit index(IFI)=0.98，Root mean square error of approximation(RMSEA)=0.069等。这些指标表明，测量模型对数据的拟合优度较好。结合表1，这些构念具有良好的聚合效度。

构念的区分效度利用结构方程建模来检验。通过合并6个构念题项，构建单维度模型、两维度模型、三维度模型、四维度模型和五维度模型，并对这些测量模型分别进行数据拟合情况分析。根据Lisrel7.0运行的结果，对所有测量模型进行比较，五因素测量模型拟合优度最佳，本文构念具有良好的区分效度。

2.同源方差分析

本文在研究设计和统计方法上采取多种措施减少同源方差带来的影响，包括：在量表开发中尽量采用成熟的量表、通过对量表的“回译”以降低歧义、问卷采用匿名回答、颠倒回答预测源与题项顺序和改善量表的题项等，降低问卷设计程序上可以出现的偏差；在问卷设计上，将问卷分为A、B卷，让不同人员分别完成A卷和B卷，从而使数据来源不同，以降低同源方差；在问卷完成中，让完成问卷的人员知道回答问卷没有对错之分，从而降低了因为主观因素对数据质量的影响。

虽然在问卷设计和调查过程中有意识地对同源方差问题进行了控制，但是结果如何还需要对数据进行检验，本文采用Harman的单因素检验方法。结果表明，本文分析析出了6个大于1的特征根，解释了总变异量的75.6%，其中第一个因子的特征值为17.2，解释了26.5%总方差。这表明没有一个因子解释了绝大部分的变异量，数据的共同方法偏差问题不是很严重。

四、研究结果

(一)描述性统计与相关分析

从Pearson相关系数的结果看，本文的主要变量之间存在显著的相关性，例如，集群的程度中心性与知识共享深度以及知识共享广度具有显著的相关性，这些结果初步预测了变量之间的关系。进一步通过对数据进行正态性检验，在企业规模和集群年龄取对数处理后，所有变量都近似符合正态分布，符合接下来的统计分析。

(二)假设的回归分析及结果

1．集群网络集中度与集群知识共享之间关系的回归分析

为了便于进行便捷的检验，将四个计量方程进行重新整合，形成两个计量模型。其中一个是以深度知识共享为因变量，以网络程度中心性和网络中介中心性为自变量；另一个是以广度知识共享为因变量，以网络程度中心性和网络中介中心性为自变量。数据运行结果显示，网络程度中心性与深度知识共享之间的回归系数为0.44，在0.05置信水平下统计显著(T=4.51)，假设1a通过检验，假设成立。另外，网络程度中心性与广度知识共享的关系上，两者之间同样存在着显著性(r=0.31，T=4.11)，但是因为回归系数为负值，说明网络程度中心性对广度知识共享有着消极的影响，假设1b通过检验，假设成立。

在集群网络中介中心性与知识共享效果的关系上，中介中心性与深度知识共享之间的回归系数为-0.26，在0.05置信水平下统计显著(T=2.62)，两者之间存在着负相关关系，假设2a通过检验，假设成立。而网络中介中心性与集群广度知识共享的相关系数为0.57，回归系数在0.01置信水平下显著，假设2b通过检验。

2．知识共享意愿的调节影响回归分析

(1)知识共享意愿在集群网络程度中心性与深度知识共享之间的调节效应分析

检验方法采用多元线性层级回归分析来检验调节影响。程度中心性为自变量，知识共享意愿为调节变量、深度知识共享为因变量，而构造的乘积项“程度中心性和知识共享意愿”的回归系数用于检验调节影响。分析结果显示，乘积项“程度中心性×知识共享意愿”与深度知识共享的回归系数为0.31，在0.01置信水平下统计显著(T=2.98)。同时，在加入乘积项后，R2值从0.54变化到0.64，ΔR2为0.10，在0.000置信水平下F检验显著，假设3a通过检验。

(2)知识共享意愿在集群网络程度中心性与广度知识共享之间的调节效应分析

同样，以程度中心性为自变量，知识共享意愿为调节变量、广度知识共享为因变量，而构造的乘积项“程度中心性×知识共享意愿”的回归系数用于检验调节影响。乘积项“程度中心性×知识共享意愿”与广度知识共享的回归系数为-0.34，在0.01置信水平下统计显著(T=3.91)。同时，在加入乘积项后，R2值从0.51变化到0.62，ΔR2为0.11，在0.000置信水平下F检验显著。因此，乘积项“程度中心性×知识共享意愿”对广度知识共享有调节影响。而乘积项的回归系数为-0.31，知识共享意愿减弱了程度中心性对广度知识共享的影响程度，因此假设3b通过检验。

(3)知识共享意愿在集群网络中介中心性与深度知识共享之间的调节效应

中介中心性为自变量，知识共享意愿为调节变量、深度知识共享为因变量，而构造的乘积项“中介中心性×知识共享意愿”的回归系数用于检验调节影响。乘积项“中介中心性×知识共享意愿”与深度知识共享的回归系数为-0.27，在0.05置信水平下统计显著(T=2.71)。同时，在加入乘积项后，R2值从0.44变化到0.53，ΔR2为0.09，在0.000置信水平下F检验显著。因此，乘积项“中介中心性×知识共享意愿”对深度知识共享有调节影响，而且，知识共享意愿减缓了中介中心性对深度知识共享的影响程度，假设4a通过检验。

(2)知识共享意愿在集群网络程度中心性与广度知识共享之间的调节效应

乘积项“中介中心性×知识共享意愿”与广度知识共享的回归系数为0.34，在0.01置信水平下统计显著(T=4.61)。同时，在加入乘积项后，R2值从0.42变化到0.51，ΔR2为0.09，在0.000置信水平下F检验显著。因此，乘积项“中介中心性×深度知识共享意愿”对广度知识共享有调节影响。而乘积项的回归系数为0.26，知识共享意愿增强了中介中心性对广度知识共享的积极影响程度，因此假设4b通过检验。

五、讨论与结论

基于社会网络的视角，将产业集聚内部结构视为一种网络结构，能够更好地理解产业集群内部运营规律，本文选取江苏科技型产业集群为样本，研究集群的网络集中度(程度中心性、中介中心性)对集群知识共享的影响。

一是集群网络程度中心性影响集群知识共享效果。首先，集群网络程度中心性促进深度知识共享；其次，集群网络程度中心性阻碍广度知识共享效果。

二是集群网络中介中心性影响集群知识共享效果。首先，集群网络中介中心性阻碍集群深度知识共享效果。其次，高中介中心性的集群网络存在的多结构洞使得每个成员企业在知识共享过程中投入的知识和获取的知识都是各不相同的，成员企业越多，差异化的知识就越多。

三是知识共享意愿在集群网络程度中心性与知识共享之间有显著的调节影响。首先，知识共享意愿增强了网络程度中心性对深度知识共享的影响程度。其次，知识共享意愿缓解了网络程度中心性对广度知识共享的阻碍作用。

四是知识共享意愿在集群网络中介中心性与知识共享之间有显著的调节影响。首先，高中介中心性的集群网络中存在着较多的结构洞，处于结构洞附近的企业，如果没有知识共享意愿时，他们会利用所处的信息优势，根据自己的需要对知识共享进行控制，从而影响了集群的多样化知识的共享；同时，为了保持自己优势的结构洞位置，也不会轻易将有价值的信息和知识扩散出去，从而影响到其他成员企业的学习和知识共享效果。相反，如果他们有强烈的知识贡献意愿，就会发挥中介中心位置的信息优势，积极促进不同成员企业之间的知识共享。对于距离中心位置较远的其他成员企业，如果他们没有知识共享意愿，即使有了共享的机会和平台，他们也不会主动去学习。如果他们有强烈的知识共享意愿，必然会抓住其他企业提供的共享机会，有效地进行学习。因此，知识共享意愿增强了网络中介中心性对广度知识共享的影响程度。其次，虽然集群网络中介中心性对集群知识共享效果有一定阻碍作用，但是当集群成员企业有强烈的知识共享意愿时，他们会根据自己现有的知识基础，通过共享平台，在多样化知识提供者中发现自己需要的知识，在整个集群网络中容易形成一个个半隔离的次级同质网络，从而可以起到深度知识共享的效果。因此，当集群成员企业知识共享意愿较强时，他们越会进行一定程度的深度知识共享。

虽然本文对理论构建的部分内容进行了实证研究，但是还有一部内容没有得到检验。无论是得到验证的还是没有得到验证的，都可能是本文研究方法上的不足所致，这些不足包括：样本代表性的不足、数据质量方面的不足、研究的理论基础和研究能力的不足。这些方面存在的问题既是本文研究的不足，也为未来研究提供了一定方向。

〔1〕Burt， R. S.， 1992. Structural Holes: The Social Structure of Competition. Cambridge， MA: Harvard University Press.

〔2〕Coleman， J. S.，1990. Foundations of Social Theory. Cambridge，MA: Harvard University Press.

〔3〕Cummings J L， & Teng B S.，2003. Transferring R&D Knowledge：The Key Factors Affecting Knowledge Transfer Success.JournalofEngineeringandTechnologyManagement， 20(2):39-68．

〔4〕Freeman，L.C.，1979.Centrality in Social Networks: Conceptual Clarification.SocailNetworks，1:215-239.

〔5〕Giuliani，E.，2006. The Selective Nature of Knowledge Networks in Clusters： Evidence from the Wine Industry.JournalofEconomicGeography，(7):139-168.

〔6〕Tsai， W.， 2001. Knowledge Transfer in Intraorganizational Networks: Effects of Network Position and Absorptive Capacity on Business Unit Innovation and Performance.AcademyofManagementJournal， 44(5):996-1004.

〔7〕曹丽莉：《产业集群网路结构的比较研究》，《中国工业经济》2008年第8期。

〔8〕罗家德、郑孟育：《实践性社群内社会资本对知识分享的影响》，《江苏社会科学》2007年第3期。

〔责任编辑：清菡〕

AStudyonKnowledge-sharinginIndustrialClustersBasedonNetworkConcentration

GuLimin&DuanGuang

The development of industrial clusters involves the knowledge concentration and evolvement. Knowledge-sharing is important to both the cluster and enterprises.. Although the importance of knowledge-sharing is recognized by clusters which are trying to build up sharing platform, the cluster knowledge-sharing system is not well functioning. In this paper, industrial cluster is regarded as a social network, namely cluster network, and centrality is an aspect standing for cluster network structure. The influence and adjustment of cluster knowledge-sharing by cluster network centrality is studied. The following conclusions are reached: Cluster network centrality could influence cluster knowledge-sharing, but with a complicated process. Cluster knowledge-sharing intention could exert adjusting influence between cluster network centrality and knowledge-sharing.

cluster network；degree centrality； betweenness centrality；knowledge sharing；knowledge sharing intention

*本文是国家自然科学基金面上项目“开发式创新、探索式创新与企业绩效：作为前因的内外部网络互动和环境的调节影响”(71172059)的阶段性成果。

顾丽敏，南京大学商学院博士研究生，江苏省发展和改革委员会宏观经济研究院副研究员 南京 210013；段光，南京理工大学经济管理学院讲师、博士 南京 210094

F124.4

A

1001-8263(2014)09-0142-07