产业创新生态系统种群构成与产业创新能力的关系
——基于向量自回归（VAR）模型的实证分析
朱 翔
（中南大学商学院，湖南长沙 410083）
摘要： 从中观产业创新生态系统视角，运用向量自回归（VAR）模型构建产业创新能力与种群密度、种群丰富度之间的动态关系系统,着重探讨产业创新生态系统演化过程中种群构成对产业创新能力的影响规律。格兰杰因果关系分析表明，种群丰富度、种群密度是引起产业创新能力变动的格兰杰原因。脉冲响应与方差分解表明，种群密度与种群丰富度的正向冲击均会对产业创新能力产生积极的作用，种群密度对产业创新能力的影响较之种群丰富度要大一些；种群密度当期的正向变化会在未来对产业创新能力产生短期的促进作用，且促进作用的增长率会先迅速增大、之后逐渐降低并在第4年作用消失，而种群丰富度的当期正向变化会对产业创新能力产生长期的积极影响。据此提出构建合理的创新生态系统、完善种群结构等建议。
关键词： 产业创新生态系统；种群构成；产业创新能力；向量自回归（VAR）模型
中国轨道交通装备产业是创新驱动、信息智能、绿色发展的典型代表，是我国高端装备制造领域自主创新程度最高、国际创新竞争力最强、产业带动效应最明显的产业之一。中国高铁用7年的时间走完先发国家40多年发展历程，成为“中国制造”和“中国速度”的标杆［1］。中国轨道交通装备产业也从最初的蒸汽机车，发展到现在铁路机车、客车、货车、动车组、城轨地铁车辆及相关零部件自主开发、规模制造、规范服务的完整创新体系，不断向相关多元化领域延伸，电动汽车、深海机器人、风力发电设备、汽车配件、船用曲轴和柴油机、大功率半导体元件、工程机械等相关产业都呈现出良好的发展势头。中国在轨道交通装备产业能够取得如此显著成就，在于构建了与其产业链相适应的创新生态系统，且遵循着一定的规律向前发展和演进，实现创新生态系统的持续升级，推动整个轨道交通装备产业的快速发展。
就目前的阴道分娩接产情况来看,采用的常规方法,接产人员利用手掌向上的推力,尽量的在产妇分娩过程中胎儿在阴道下降的过程中进行适度的托举,使得胎儿能够缓慢的下降,尽量的减弱胎儿对会阴的冲击力度,来减弱胎儿对产妇会阴造成的损伤[5]。采用常规的保护方法,虽然能够在一定程度的上减弱分娩时对会阴的损伤,但是在进行操作时,接产人员的手掌的力量和胎儿下降的合力会给会阴带来很大的的压力,容易在接产时造成会阴的水肿和充血[6]。一旦发生这种情况,会阴的表面会变得更加脆弱,损伤程度可能会加重[7]。因此为了寻找一种更加适合的会阴保护方法,我院对一年来在我院阴道分娩的产妇进行了本次的研究。
1 文献综述
随着中国高铁“走出去”的步伐进一步推进，国际竞争愈加激烈，迫切需要切合中国特色社会主义的创新理论的引领。此外，已有关于创新生态系统演化的研究多为偏理论的经验研究，如Moore［2］的生态系统包括出生、扩张、领导、自我更新和死亡5个阶段生命周期；Still等［3］基于基础关系和网络中心性方法构建企业创新生态系统演化框架；Carayannis等［4］提出强调不同知识和创新范式的共存和共同演化的“模式3”和“四重螺旋”创新生态系统。经验研究虽然可以解释创新生态系统演化的部分规律，但不足以分析和把握整体复杂性，更不能提供实际有利的证据。创新生态系统虽然发展迅速，但还不是一个明确定义的概念，更不是理论，故宜采用向量自回归（vector autoregressive，VAR）模型进行探索。此外，已有创新生态系统的研究多为企业层面、大学视角和区域层面［5-10］。因此，本研究采用实证研究，从中观产业的视角，选取中国轨道交通装备产业为研究对象，展现轨道交通装备产业创新生态系统的演化过程，揭示产业层面创新生态系统的演化特征与规律。
1.1 创新生态系统内涵
借用生物学，生态系统通常指的是一组依赖彼此活动的互动企业［11］。侧重单个企业或者新企业，Teece［12］将创新生态系统视为影响企业、企业的客户及供应商的组织、机构和个人的共同体，被认为是一个相互作用的行动者的经济共同体，通过各行动者的活动相互影响。考虑到超出单一行业边界的所有相关行动者，Teece［12］认为生态系统是企业必须监控与应对的环境，这会影响企业的动态能力，继而影响其建立可持续竞争优势的能力。Adner［13］侧重于核心创新以及支持它的组件（上游）和补充（下游），将创新生态系统视为成员企业将各自的产品组合成一个连贯的、面向客户的解决方案的合作安排，认为企业创新的成功不仅取决于自身的成功完成，还取决于创新生态系统其他组件的成功开发和部署。Adner［14］认为从结构的角度，创新生态系统是多边合作伙伴互动协作实现核心价值主张的协同结构；从隶属关系的角度，生态系统可视为由其网络和平台附属关系确定的相关行动者的社区，概念上不同，但本质是一样的。Adner等［15-16］的研究重点是了解相互依存的参与者如何相互作用，以创造和商业化有益于最终客户的创新；必然结果是，如果生态系统内的协调不充分，创新将失败［17］。在这里，关注的重点是允许客户使用最终产品的创新系统，而不是单个企业。因此，创新生态系统概念旨在捕捉核心产品及其组件与其互补产品/服务之间的联系，这些产品/服务共同为客户增加价值［11］。李恒毅等［18］认为创新生态系统是由多个成员间交互作用所产生的复杂系统，具有动态性、不确定性、非线性等特征。
1.2 创新生态系统构成及种群构成
Moore［19］将商业生态系统定义为互动组织基础支持的经济共同体，成员包括客户、供应商、主要生产商、竞争对手和其他利益相关者。Tsujimoto等［20］对生态系统1900—2014年的文献进行梳理，创新生态系统的成员类别包括自然资源、制造商和客户，商业生态系统的成员属性主要是私营企业。Adner等［16］提出创新生态系统不仅包括核心创新者，还包括其上游供应商、下游采购商和配套商；企业创新的成功往往取决于其他创新者在其环境中作出的努力。Kapoor等［21］又强调创新生态系统中的产品创新往往取决于底层组件和体系结构的技术变化，需要大量的创新上游组件开发任务和下游产品开发任务之间的协调。Nambisan等［22］认为创新生态系统指的是企业和其他实体之间松散而又相互关联的网络，它们围绕共享的一套技术、知识或技能进行协同工作，并且合作和竞争地开发新产品和服务。Adner［14］从隶属关系的角度提出，创新生态系统可视为由其网络和平台附属关系确定的相关行动者的社区，具体包括行为、主体、位置和联系4个基本元素。Jacobides等［11］认为模块化是生态系统出现的关键促进因素，它允许一组独立但相互依存的组织在没有完全的层级结构下相互协调。Song［23］通过模拟实验与实证研究提出，创新生态系统的合作创新绩效取决于生态系统成员之间的互动活动，核心企业与其上游合作伙伴的互动优势比与其下游合作伙伴的互动优势更有利于合作创新绩效；生态系统成员的退出会降低合作创新绩效，并且上游组件合作伙伴退出的影响更为显著。综上所述，生态系统成员构成、生态系统规模（成员数量）是描述创新生态系统的基本要素。
从这两起案件来看，一起刑事案件从公诉到最后的判决，往往需要一段较长的时间，因为不论是对证据的梳理与分析，还是对当事双方的调解，都需要一定的时间来完成。所以倘若有人说一起刑事案件从公诉到判决仅仅只需要几天时间便可完成，大家一定会觉得这是“天方夜谭”，但是李凌偏偏做到了。
当前，我国事业单位的分类有三种，即全额、差额、自收自支。其中，属于全额预算管理的事业单位的经费全部来自国家预算拨款；属于差额预算管理的事业单位，若经费支出大于收入，则差额部分由国家预算补助，否则将多余收入上交国家财政；自收自支型事业单位的经费主要依靠自给自足。经费管控一直是事业单位日常管理的一项重点问题。倘若经费管控不力，不仅可能会置事业单位于运营困难、资金链断裂的境地，还容易造成国有资产流失，给事业单位造成不可估量的损失。因此，加强事业单位经费管控具有显著的现实意义。
2 研究方法
2.1 变量设置及数据来源说明
种群是由在一个特定边界内的，具有共同形式的所有组织构成的集合，即存在于特定系统中的组织形式［29-31］。具有相似特征的组织可以被归类到相同的种群中［32］，构成一个种群的组织的数量为种群密度，一个生态系统含有的种群数量为种群丰富度［33］。本研究的种群构成是描述整个生态系统中种群丰富度、各种群密度的整体结构，因此在研究轨道交通装备产业创新生态系统的演化过程中，重点考察轨道交通装备产业创新生态系统每个发展阶段的产品种类、各机型配件领域的企业数量。
创新能力是企业创新的驱动力［34-35］，若企业产生更多的创新发明成果，那么它的创新能力更强大［36］。产业创新能力为一定周期内引入新产品和采用新工艺的能力［37］。专利统计是创新发明活动唯一正式和公开核实的产出指标，研究人员开始支持专利统计，并将其完全用作创新和创造性活动的衡量标准［38-39］，因此专利数常用来衡量创新能力［38,40-41］。故本文以中国轨道交通装备产业每年的专利申请数衡量其创新能力的变化［28,42］。因此，本文进行实证研究的3个变量为：种群丰富度（PR）、种群密度（PD）与产业创新能力（IC）。本文主要研究种群构成对产业创新能力的影响，但种群构成重点考察产业创新生态系统每个发展阶段的产品种类（种群丰富度）、各机型配件领域企业数量（种群密度）以及各种群核心企业情况，因此选取种群丰富度（PR）作为衡量种群构成的广度变量，具体数据量化为整个产业生态系统每年的主要产品种类；选取种群密度（PD）作为衡量种群构成的深度变量，采用年度各机型配件领域企业数量作为量化指标；至于产业创新能力（IC）采用中国轨道交通装备产业各年的专利申请数进行量化。
本文样本采用1985—2014年的时间序列数据，各指标测度数据均来自于年鉴、行业报告、年报、自传、企业官网、研究文献及新闻报道等。具体数据采集渠道包括： 1999—2014年《中国铁道年鉴》《中国轨道交通装备行业分析报告》，专利数据网、企业官方网站，1994—2001年《中国铁路机车车辆工业总公司年鉴》、2002—2015年《中国南车年鉴》、2002—2015年《中国北车年鉴》、2008—2014年《中国南车集团年报》、2009—2014年《中国北车集团年报》，沈志云等［43］专家回忆录、企业内部人员访谈，以及通过企业实地观察得到的数据、研究文献以及新闻报道。
2.2 研究方法说明
依据CCUS技术的研发进展，预计2035年，第一代捕集技术的成本及能耗与目前相比降低15%～20%；2045年前后，第二代捕集技术实现商业应用，成本及能耗将比第一代技术降低10%～15%；2050年，CCUS技术实现广泛部署，建成多个CCUS产业集群。
VAR模型的数学表达式为：
在建立VAR模型时，要注意整个模型平稳的条件。对于一个VAR模型，若
的所有根都小于1，即均落在单位圆内，则所建立的VAR模型是平稳的。
可将VAR模型展开为如下形式：
则不含外生变量Xt的非限制性向量自回归模型表达式如下：
首先，将着陆试验实测的应变和缓冲器行程数据代入标定试验获得的载荷方程中，计算出起落架轮轴处承受的结构载荷，包括垂向、航向和侧向结构载荷，绘制出实测起落架载荷的时间历程曲线见图3，图中：Pz、Px和Py分别为右主起的垂向、航向和侧向载荷。
式（1）中：Yt是k维内生变量的列向量；Xt是d维外生变量的列向量；p为模型的滞后阶数；T是样本容量；A1，A2，…，Ap，B都是要被估计的系数矩阵；
为k维的误差向量。
本文的实证研究采用向量自回归（VAR）模型，选取的数据分析软件为EViews 9。VAR模型由诺贝尔经济学家Sims［44-45］提出，可通过脉冲响应分析及方差分解来分析几个变量之间的相互作用，广泛用于多元时间序列分析，尤其在宏观经济计量方面。本文主要以中国轨道交通装备产业为研究对象，从产业创新生态系统的视角探索种群构成与产业创新能力的关系，且收集的样本数据为时间序列数据，因此采用VAR模型。
传统的经济模型在进行分析之前就确定了哪些变量为解释变量、哪些变量为被解释变量，其实在实际的统计分析过程中，某些变量之间可以互为解释变量和被解释变量，这样使得实证操作起来比较重复繁琐。而VAR模型可把所有的研究变量互为解释变量和被解释变量，能更全面地分析变量之间的影响关系。其一般的分析流程为：先对时间序列数据进行单位根检验，数据平稳或经过平稳化处理后确定方程的最优滞后阶数，然后建立VAR模型，再检验模型特征根确定该VAR模型的稳定性，最后通过脉冲响应分析及方差分解来分析变量之间的相互关系。
3 实证分析
3.1 平稳性分析
由于非平稳序列会出现伪回归的现象，因此测试选取的3个时间序列的平滑度是非常重要的，且原始数据取对数可以降低误差，故本研究通过EViews 9软件，采用最常用的ADF单位根检验方法（augmented dickey fuller test）对取对数之后的数据进行检验，结果如表1所示。可见经过一阶差分处理，对数差分序列DlnIC与DLnPD均在1%的显著性水平下，拒绝“有单位根”的原假设，通过平稳性检验。
表1 样本变量的ADF单位根检验结果
3.2 向量自回归分析
VAR模型建立后，除了看其拟合效果，模型的稳定性也需要进行检验。模型稳定性检验通过的条件是：所有特征根需落在单位圆内，即所有特征根的绝对值需小于1。本文的VAR模型稳定性检验的结果如表3、图1所示，可见模型的3个特征根均落在半径为1的圆内，因此本文的VAR模型具有稳定性，表明前期进行的各项估计及检验均是科学的、有意义的，对该VAR模型进行数量关系及经济意义的讨论是可行的。
表2 VAR模型滞后期选择标准
其 中：
。由此可知这3个估计式的
值在0.8～1.0之间，且
统计量也都较大，因此该模型拟合效果较好，但若据此对VAR模型各个估计的参数进行解释，实际的意见不是很大，因此需要进行脉冲响应分析与方差分解分析，从而更好地解释模型得到实际经济含义。
根据表1检验结果可知VAR模型的最优滞后期为1，因此对产业创新能力、种群密度以及种群丰富度建立一个VAR（1）模型，通过参数估计与统计检验得到拟合的VAR模型如下：
VAR模型滞后期的选择对于模型分析的准确性具有非常重要的意义，因此本文在建立VAR模型之前首先要确定模型的最优滞后期，主要基于EViews 9.0中滞后期的最优选择分析。如表2 所示，参考似然比检验（LR）、最终预测误差准则（FPE）、AIC准则、SC准则及HQ准则等统计量，EViews 9.0选择的VAR模型最优滞后阶数为1阶。
表3 本文VAR模型特征根稳定性检验结果
图1 本文VAR模型的特征根
3.3 Granger因果检验
格兰杰（Granger）因果关系检验是一种统计假设检验，用于确定一个时间序列是否有助于预测另一个时间序列，确定变量之间是否因各自过去的信息影响自身或其他变量的预测。对Granger因果关系通俗的理解就是，确定变量间是否具备统计学意义上的双向或者单向的因果关系。而本研究主要研究产业创新生态系统的种群构成与其创新能力之间的影响关系，并且Granger因果检验也是VAR模型分析的重要步骤，因此通过EViews9.0进行Granger因果关系检验。从表4可知，在1%的显著性水平下，种群密度是引起产业创新能力变化的Granger原因，种群丰富度是引起产业创新能力变化的Granger原因；在5%的显著性水平下，产业创新能力的变动同时也是引起种群丰富度变化的Granger原因；在10%显著性水平下，接受“产业创新能力不是种群密度的Granger原因”的原假设，种群丰富度不是引起种群密度变化的Granger原因，且种群密度也不是引起种群丰富度变动的Granger原因。通过Granger因果关系检验，表明种群密度与种群丰富度过去值的变化会对产业创新能力的当期值产生影响。
创新生态系统类似于生物生态系统，也由不同的种群物种构成，这些种群物种之间联系紧密、彼此依赖、共同进化［2］。围绕关键物种组织起来的创新生态系统，具有大量松散相关、互相依赖、共同生存的种群群落［24］。在生物学中，种群指在一定时间内占据特定空间的同种有机体的集合群，是进化的基本单位。种群的特征可以分为2种范畴，一是与数量关系和结构有关的特征，二是3个遗传学上的特征：基因库、个体差异及基因突变［25］。在组织生态学中，种群是组织中具有相同单一特征的成员群体，可以通过成员表现出非常相似的环境依赖性的方式来识别群体。组织生态学者认为结构模式的多样性是种群或者组织团体的宝贵财富，为了解释多样性的动态，逐渐提出从种群的视角进行研究，将种群作为分析的单位，特别是组织层面的因果分析，检查某些组织特征（如规模）的存在是否会影响另一个组织层面的变量［26］。因此，结合生物学和组织生态学中种群的概念，将创新生态系统的种群定义为一定时间内，生产同种产品、提供同类服务的所有企业的集合。通过数据收集、数据分析和概念化之间的不断交叠，在理论文献与实际数据之间反复核对验证［27-28］，确定研究变量的种群构成，以描述整个创新生态系统中主要成员类别、各类成员密度以及各类成员核心企业整体结构的状况。学者们从不同角度分析了创新生态系统的内涵及构成，只有对生态系统的成员类型及分布、生态系统成员数量、生态系统核心企业等关键变量进行测度并刻画其演化轨迹，才能从本质上揭示生态系统结构特征及演化规律。
表4 变量的Granger因果关系检验结果
3.4 脉冲响应分析
脉冲响应（impulse response）函数是分析VAR模型估计结果的常用方法，主要刻画当某个内生变量发生一标准单位的随机扰动冲击时，对其他内生变量当前和未来值的影响，即其他内生变量对该标准单位脉冲响应的影响，能较好地体现变量间相互影响的动态关系［44-45］。简单地理解，脉冲响应刻画了一个变量的冲击对另一个变量的影响。因此，脉冲响应函数可以准确地描述经济系统中变量之间的动态相关性。运用EViews9.0得到脉冲响应曲线如图2、图3所示。
从图2可以看出，中国轨道交通装备产业创新生态系统的种群密度对产业创新能力的影响是正向的。图2中横轴表示种群密度冲击作用的滞后期数，纵轴代表产业创新能力对于种群密度冲击的响应水平，实线表示产业创新能力对种群密度冲击的反应，虚线代表示正负两倍标准差偏离带。当本期给种群密度一个单位标准差的正向冲击后，产业创新能力在短期内有所提升，在第2期达到最大值，之后下降并于第4期开始向零收敛，即种群密度冲击对产业创新能力的作用逐渐消失了。这表明当种群密度受到外部条件的正向冲击时会给产业创新能力带来为期3年的正向冲击，这种冲击对于产业创新能力的提升有较为明显的促进作用。
图2 样本种群密度冲击对中国轨道交通装备产业创新能力的影响
从图3可以看出，中国轨道交通装备产业创新生态系统的种群丰富度对产业创新能力具有正向的作用。当第1期给种群丰富度一个单位标准差的正向冲击后，短期内产业创新能力会迅速攀升，在第2期达到最大值，之后会非常缓慢的降低，且具有长期的正向影响。这表示种群丰富度受到外部的某一正向冲击时，会给产业创新能力增长率带来先升后降的影响，对产业创新能力的提升具有长期的作用。
临危受命，陈颐磊多少有点壮怀激烈的感觉，他从顾祝同手里接过委任状，转身向属下敬了礼：“陈某不才，恐难肩此大任，但我心昭日，誓与全军官兵同生死，城在我在！城破我亡！”
对于PLC控制技术和系统，它不仅可以应用于单工序的应用过程控制，而且还可以将通信和信息两大模块合理的融合在一起，以加强在生产过程中对项目的协调和控制。在工业自动化中应用的PLC控制技术，包括远程站、主站层、现场传感器。在远程站和主站层之间的有效连接取决于通信总线，然而远程站与现场传感器之间的有效连接取决次级电缆。
图3 样本种群丰富度冲击对中国轨道交通装备产业创新能力的影响
3.5 方差分解分析
与脉冲响应分析相比，方差分解（variance decomposition）刻画了一个变量对其他变量的解释程度，也突显了变量之间影响作用的大小，从另一个角度来描述系统中变量之间的动态关系。脉冲响应分析展现的是系统其他变量对其中一个变量冲击而产生的反应运动轨迹，方差分解则是将内生变量的均方误差分解成每一个变量标准冲击所作出的贡献，检验每个变量标准冲击对所分解的内生变量变化的影响程度，并可与脉冲响应分析的结果进行比较验证［46］。从表5产业创新能力的方差分解可知，产业创新能力的变动对自身的贡献程度随着期数的增加而逐渐下降，最小的贡献程度为97.234 27%；除了产业创新能力的自身影响，种群密度的冲击扰动对产业创新能力的影响始终位于第一位，且趋势为先增长，到第4期达到最大影响作用，之后种群密度该期冲击的影响逐渐递减，与上述脉冲响应分析的结论一致。种群丰富度的冲击对产业创新能力的影响作用位于第二位，整体的作用逐年递增，但第2期至第3期的增速最快，之后影响增加的速度逐年递减，也与脉冲响应分析的结果一致。
表5 中国轨道交通装备产业创新能力的方差分解结果
4 结论
本文主要运用VAR模型构建了产业创新能力、种群密度、种群丰富度之间的动态关系系统，重点探索了产业创新生态系统中种群结构对产业创新能力的作用规律，并根据中国轨道交通装备产业1985—2014年之间的年度数据进行了实证统计分析。在实证分析中，Granger因果关系检验表明，产业创新生态系统中的种群丰富度、种群密度是引起产业创新能力变化的Granger原因，且产业创新能力同时也是引起种群丰富度变化的Granger原因；但产业创新能力不是引起种群密度变动的Granger原因，种群密度与种群丰富度之间也不构成Granger因果关系。通过VAR模型脉冲响应分析与方差分解的结果可知，种群密度与种群丰富度的正向冲击均会对产业创新能力产生正向的作用。种群密度对产业创新能力的影响较之种群丰富度要大一些，且种群密度当期的正向变化会在未来对产业创新能力产生短期的促进作用，且促进作用的增长率会先迅速增大，之后逐渐降低并在第4年作用消失；而种群丰富度的当期正向变化会对产业创新能力产生长期的积极影响。由此可见，构建合理的创新生态系统、丰富完善种群结构、加大技术创新力度对产业创新能力的提升产生长远的积极影响。
参考文献：
［1］徐飞,吴刚,高明,等.中国铁路“走出去”人才培养培训对策研究［J］.中国工程科学,2017,19(5):56-61.
［2］MOORE J F .Predators and prey: a new ecology of competition［J］.Harvard Business Review,1993,71(3):75-86.
［3］STILL K, HUHTAMAKI J, RUSSELL M G, et al. Insights for orchestrating innovation ecosystems: the case of EIT ICT Labs and>［4］CARAYANNIS E G, CAMPBELL D F J. "Mode 3" and "Quadruple Helix": toward a 21st century fractal innovation ecosystem［J］.International Journal of Technology Management, 2009,46(3/4):201-234.
［5］OH D, PHILLIPS F, PARK S, et al. Innovation ecosystems: a critical examination［J］. Technovation, 2016,54:1-6.
［6］胡京波,欧阳桃花,谭振亚,等.以SF民机转包生产商为核心企业的复杂产品创新生态系统演化研究［J］.管理学报,2014,11(8):1116-1125.
［7］欧阳桃花,胡京波,李洋,等.DFH小卫星复杂产品创新生态系统的动态演化研究:战略逻辑和组织合作适配性视角［J］.管理学报,2015,12(4):546-557.
［8］KUKK P, MOORS E H M, HEKKERT M P. Institutional power play in innovation systems: the case of Herceptin®［J］.Research Policy,2016,45(8):70-81.
［9］吕一博,韩少杰 苏敬勤,等.大学驱动型开放式创新生态系统的构建研究［J］.管理评论, 2017,29(4):68-82.
［10］VIITANEN J. Profiling regional innovation ecosystems as functional collaborative systems: the case of Cambridge［J］.Technology Innovation Management Review, 2016,6(12):6-25.
［11］JACOBIDES M G, CENNAMO C, GAWER A. Towards a theory of ecosystems［J］. Strategic Management Journal, 2018, 39(8):2255-2276.
［12］TEECE D J. Explicating dynamic capabilities: the nature and microfoundations of (sustainable) enterprise performance［J］.Strategic Management Journal, 2010,28(13):1319-1350.
［13］ADNER R. Match your innovation strategy to your innovation ecosystem［J］.Harvard Business Review, 2006,84(4):98-107.
［14］ADNER R. Ecosystem as structure: an actionable construct for strategy［J］.Journal of Management, 2017,43(1):39-58.
［15］ADNER R, DIXON W. The wide lens: a new strategy for innovation［J］. Prometheus, 2012,31(2):23262-23267.
［16］ADNER R, KAPOOR R. Value creation in innovation ecosystems:how the structure of technological interdependence affects firm performance in new technology generations［J］.Strategic Management Journal, 2010,31(3):306-333.
［17］KAPOOR R, LEE J M. Coordinating and competing in ecosystems:how organizational forms shape new technology investments［J］.Strategic Management Journal, 2013,34(3):274-296.
［18］李恒毅,宋娟.新技术创新生态系统资源整合及其演化关系的案例研究［J］.中国软科学, 2014(6):129-141.
［19］MOORE J F. The death of competition: leadership and strategy in the age of business ecosystems［M］.New York: Harper Business, 1996.
［20］ TSUJIMOTO M, KAJIKAWA Y, TOMITA J, et al. A review of the ecosystem concept: towards coherent ecosystem design［J］.Technological Forecasting & Social Change, 2018, 136: 49-58.
［21］KAPOOR R, ADNER R. What firms make vs. what they know:how firms' production and knowledge boundaries affect competitive advantage in the face of technological change［J］. Organization Science, 2012,23(S5):1227-1248.
［22］NAMBISAN S, BARON R A. Entrepreneurship in innovation ecosystems: entrepreneurs' self-regulatory processes and their implications for new venture success［J］.Entrepreneurship Theory and Practice, 2013,37(5):1071-1097.
［23］SONG J. Innovation ecosystem: impact of interactive patterns,member location and member heterogeneity on cooperative innovation performance［J］.Innovation: Management, Policy&Practice, 2016,18(1):1-17.
［24］IANSITI M, LEVIEN R. Strategy as ecology［J］.Harvard Business Review, 2004, 34(3):68-78.
［25］ODUM E P. Fundamentals of ecology［M］.Philadelphia: Saunders, 1971.
［26］HANNAN M T, FREEMAN J. Organizational ecology［M］.Cambridge: Harvard University Press, 1993.
［27］GLASER B G, STRAUSS A L. Discovery of grounded theory:strategies for qualitative research［M］.Chicago: Aldine Publishing Company, 2017.
［28］江诗松,龚丽敏,魏江.转型经济背景下后发企业的能力追赶:一个共演模型:以吉利集团为例［J］.管理世界,2011(4):122-137.
［29］梁磊.中外组织生态学研究的比较分析［J］.管理评论,2004,16(3):51-57.
［30］BAUM J A C. Ecology: organizations［M］.Oxford: Oxford University Press, 2001.
［31］HANNAN M T, FREEMAN J. The population ecology of organizations［J］.American Journal of Sociology, 1977,82(5):929-964.
［32］MONGE P, POOLE M S. The evolution of organizational communication［J］.Journal of Communication, 2008,58(4):679-692.
［33］HANNAN M T, CARROLL G. Dynamics of organizational populations: density, legitimation, and competition［J］.Academy of Management Review, 1992,18(2):355-367.
［34］HSIEH M, TSAI K. Technological capability, social capital and the launch strategy for innovative products［J］.Industrial Marketing Management, 2007,36(4):493-502.
［35］LEE C, LEE K, PENNINGS J M. Internal capabilities, external networks, and performance: a study on technology-based ventures［J］.Strategic Management Journal, 2001,22(6/7):615-640.
［36］SRIVASTAVA M K, GNYAWALI D R, HATFIELD D E. Behavioral implications of absorptive capacity: the role of technological effort and technological capability in leveraging alliance network technological resources［J］.Technological Forecasting and Social Change, 2015,92:346-358.
［37］SEN F K, EGELHOFF W G. Innovative capabilities of a firm and the use of technical alliances［J］.IEEE Transactions on Engineering Management, 2000,47(2):174-183.
［38］NARIN F, NOMA E, PERRY R. Patents as indicators of corporate technological strength［J］.Research Policy, 1987,16(2):143-155.
［39］MA Z, LEE Y, CHEN C F P. Booming or emerging? China's technological capability and international collaboration in patent activities［J］.Technological Forecasting and Social Change,2009,76(6):787-796.
［40］AFUAH A. Mapping technological capabilities into product markets and competitive advantage: the case of cholesterol drugs［J］.Strategic Management Journal, 2002,23(2):171-179.
［41］DUTTA S, WEISS A M. The relationship between a firm's level of technological innovativeness and its pattern of partnership agreements［J］.Management Science, 1997,43(3):343-356.
［42］彭新敏,吴晓波,吴东.基于二次创新动态过程的企业网络与组织学习平衡模式演化:海天1971—2010年纵向案例研究［J］.管理世界,2011(4):138-149,166.
［43］沈志云,张天明.我的高铁情缘:沈志云口述自传［M］.长沙:湖南教育出版社,2014.
［44］SIMS C A. Money, income, and causality［J］.American Economic Review, 1972,62(4):540-552.
［45］SIMS C A. Macroeconomics and reality［J］.Econometrica,1980,48(1):1-48.
［46］张宗益,呙小明,汪锋.能源价格上涨对中国第三产业能源效率的冲击:基于VAR模型的实证分析［J］.管理评论,2010(6):61-70.
Relationship Between the Composition of Industrial Innovation Ecosystem and Industrial Innovation Ability: Empirical Analysis of Vector Autoregressive (VAR) Model
Zhu Xiang
(Business School, Central South University, Changsha 410083, China)
Abstract: From the perspective of mid-view industrial innovation ecosystem, using vector autoregressive（VAR）model, this paper constructs a dynamic relationship system among industrial innovation capability, population density and population richness, focuses on the influence of population structure on innovation ability of the industry in the process of the evolution of industrial innovation ecosystem. Granger causality analysis shows that, population richness and population density are the Granger reasons for the change of industrial innovation ability. Impulse response and variance decomposition show that, the positive impact of population density and population richness will have a positive effect on industrial innovation ability, and the influence of population density on industrial innovation ability is greater than that of population richness. The positive change of population density in current period will have a short-term effect on industrial innovation ability in the future, and the growth rate of promoting effect will increase rapidly first, then gradually decrease and disappear in the fourth year, and the positive change of population richness in the current period will have a long-term positive impact on industrial innovation ability. Based on this, the paper puts forward some suggestions, such as constructing reasonable innovation ecosystem and perfecting population structure.
Key words: industrial innovation ecosystem; population composition; industrial innovation capability; VAR model
中图分类号： F124.3；F224；G301
文献标志码： A
文章编号： 1000-7695（2019）21-0007-07
doi: 10.3969/j.issn.1000-7695.2019.21.002
收稿日期： 2018-12-30，修回日期：2019-03-04
基金项目： 国家自然科学基金青年科学基金项目“创新生态系统下核心企业创新盲点识别及突破研究”（71401183）；湖南省自然科学基金项目“中国轨道交通装备产业跨层次协同演进机理研究”（ 2019JJ40390）
作者简介： 朱翔（1994—），男，湖南株洲人，硕士研究生，主要研究方向为创新管理。
标签：产业创新生态系统论文; 种群构成论文; 产业创新能力论文; 向量自回归(VAR)模型论文; 中南大学商学院论文;