5.1.3 控制变量
本书也加入了一些可能影响企业效率的控制变量。
企业的所有制类型：所有制通常会对企业运营模式和效率有较大的影响，本书加入变量“所有制”，当企业为国有制时取值为1，否则为0，并将代表所有制的虚拟变量加入实证模型中。
所属行业：样本企业分别来自服务业、制造业、邮电业、零售业等多个不同的行业大类，处于不同行业的企业在资源特征、创新能力等方面具有很大的区别，因而需要对其加以控制。本书建立了四个虚拟变量来反映行业固定效应，以避免多重共线性的问题。
企业年龄：企业年龄会对其内部组织结构、拥有经验多寡产生影响。通常来说，企业年龄较大的企业积累了更多的市场资源与业务经验。因此本书将用当前年份减去企业成立的年份作为变量控制企业年龄。
政府资金支持：企业是否受到政府资金支持也会影响企业与创新相关的战略决策，进而对其效率产生影响，因此本书构建了一个虚拟变量对其进行控制，当企业受到资助时取值为1，否则为0。
企业技术并购：由于企业的技术并购行为会促进企业对外部知识的吸收与转化，进而对其创新过程产生影响，因此本书加入了企业每年在技术并购活动中投资或收购的其他企业数量作为控制变量。
国家级联盟：由于企业在加入国家级联盟之后，可以与不同城市的联盟伙伴进行多样化知识分享与异质性资源交换，进而影响创新过程的效率，因而将国家级联盟作为控制变量加入模型中。通过从中国产业技术创新战略联盟官方网站、新闻公告和企业网站中获取企业加入国家级联盟的信息，包括国家集成电路设计产业技术创新战略联盟、国家玉米产业技术创新战略联盟、数字视频产业技术创新战略联盟等，本书获取了企业每年加入的国家级联盟数量，这些联盟成员大都来自全国不同城市的同一产业。
区域级联盟：由于企业加入区域级联盟之后可以与同一区域的联盟伙伴频繁进行深入交流，从而促进对知识的消化吸收、对资源的充分利用，进而影响创新过程的效率，因此将国家级联盟作为控制变量加入模型中。区域级联盟中的企业主要位于北京及其周边地区，且同处于一种行业或产业之中。通过从中关村国家自主创新示范区官方网站中获取企业加入区域级联盟的信息，包括中关村储能产业技术联盟、中关村智联软件服务联盟、北京安防视音频编解码技术（SVAC）产业联盟等，本书获取了企业每年加入的区域级联盟数量。
产学研联盟：由于企业加入产学研联盟的主要目标是从高校、科研机构等联盟伙伴中获取最新研发的技术成果，进而提升创新过程的效率，因而将产学研联盟作为控制变量加入模型中。首先从中国产业技术创新战略联盟官方网站、中关村国家自主创新示范区官方网站及公司网站公示等渠道获取企业加入联盟信息，并通过联盟成员组成信息判断，将包含高校和研究机构，如清华大学、北京大学、北京航空航天大学、中国科学院半导体研究所、中国建筑设计研究院等的联盟划分为产学研联盟。然后计算每家企业每年加入的产学研联盟中高校、科研机构的数量，将其作为衡量企业从产学研联盟中获得与创新相关的知识深度与广度的指标（Sampson，2007）。
园区成熟度：本书用到的中关村样本企业分别处于形成期、成长期和成熟期这三类不同的科技园区中，处于不同生命周期的园区在企业密集度、制度环境等方面都具有各自的特点，因此构建虚拟变量，将形成期的科技园区作为默认组，将其余两个时期的园区作为控制变量加入实证模型中，以避免多重共线性的问题。
园区行业聚集度：由于企业所处园区的行业聚集度会影响企业开展同行或跨行业合作创新的路径，进而影响创新过程的效率，因此将园区行业聚集度作为控制变量加入模型中。在计算企业所属行业在其所处园区中的密集度时，本书借鉴了测量产业集中度的HHI（即赫芬达尔-赫希曼指数），并在该指数的具体计算内容上进行了改进。公式考虑到了中关村示范区中的所有园区，假设园区总数为i，用Xi表示第i个园区中的企业总数，用Xij表示第i个园区中第j个行业的企业总数，用m表示园区中的行业总数。公式计算了每个行业的企业数量在园区企业总数中占有份额的平方之和，用以刻画该园区的行业分布集中程度。同时，本书计算出了企业所属行业占该园区中所有行业的比重，用以衡量企业所属行业是否在园区中处于优势地位。通过将该行业分布指数与企业所属行业占该园区中所有行业的比重相乘，本书计算得出了每一家企业的园区行业聚集度，具体计算公式如下：
从式（5.1）中可以看出，该指数越大，表示某些优势行业在园区中所占比重越高，垄断程度越高。而如果某些行业在园区中占比较高，说明企业可以与园区中密集存在的同行企业进行知识交流与资源共享，与此同时，该企业也面临着较为激烈的同质性市场竞争。如果园区行业聚集度较高，表明企业处于一个被少数行业占有主导垄断地位的园区，且企业自身属于该优势行业；园区行业聚集度较低，表明企业处于一个多种行业平等竞争的园区环境中，且企业自身属于园区中并不占主导地位的行业。
