8.1 企业所处园区对企业规模与效率之间关系的影响研究模型
本书分别探讨了企业规模对企业知识生产效率、知识商业化效率的影响，以及企业所在园区成熟度和园区行业聚集度的调节作用，对应的回归模型如表8.1、表8.2、表8.4、表8.5所示。
如表8.1所示，本书在对于企业所处园区成熟度对企业规模与知识生产效率之间关系的调节作用进行实证检验时，将控制变量、自变量与调节变量分别加入回归模型中：模型1中包含所有制、政府资金支持、企业年龄、企业行业类型等控制变量；模型2中的自变量为企业规模，检验的是与因变量企业知识生产效率之间的线性关系；模型3中的自变量是企业规模与园区成熟度的乘积项，检验的是园区成熟度对于企业规模与企业知识生产效率之间关系的调节作用。从以上三个模型的回归结果中可以发现，企业规模的系数无论是在单独作为自变量的模型2中，还是在园区层面的完整模型3中都为负，且在1%的水平下显著（β=-0.101；β=-0.101）；成熟期园区和成长期园区的系数在模型3中分别为-0.032和-0.033且不显著；企业规模与园区成熟度的乘积项在模型3中有正的系数（β=0.097；β=0.101），且在5%的显著性水平下显著，说明园区成熟度的增加会弱化企业规模与知识生产效率之间的负向关系。模型3的总体解释力（R2）在11.81%左右。
由于园区成熟度对于企业规模与知识生产效率之间关系的调节作用可能会受到企业技术并购、企业加入联盟种类等因素的影响，因而在模型4～7中对联盟与园区层面的变量进行了控制，也在模型中综合考虑了其他层面的变量与企业规模的交互作用，并将全模型中的园区成熟度与企业规模的交互项系数与模型3中的系数和显著性作对比，以确定园区成熟度的调节作用是否稳健。从模型7中可以发现，企业规模与知识生产效率之间有负向的关系，且在1%的显著性水平下显著（β=-0.133），成熟期园区与企业规模的交互项对知识生产效率有正向的影响，且在5%的显著性水平下显著（β=0.079）；成长期园区与企业规模的交互项对知识生产效率有正向的影响，且在5%的显著性水平下显著（β=0.096）。以上统计检验表明，在综合考虑到技术并购与联盟层面的影响因素的情况下，园区成熟度的增加依然会显著弱化企业规模与知识生产效率之间的负向关系。
控制变量的回归结果在模型1～7中较为一致，且回归系数的大小也比较接近，表明回归检验的稳健性较好。其中，企业年龄的系数都为负，且都在1%的显著性水平下显著，表明年龄越大的企业在一定程度上有更低的知识生产效率；所有制的系数在大部分模型中都为正且显著，说明国有企业能够取得更高的知识生产效率；反映企业所属行业类型的控制变量系数在以上模型中大部分都不显著。
表8.1 企业所处园区成熟度对企业知识生产效率作用模型的回归结果
续表
注：1.*表示p值＜0.1，**表示p值＜0.05，***表示p值＜0.01。
2.括号中的数值均为稳健标准差，以消除异方差或自相关问题的可能影响。
3.根据Hausman检验的结果，采用固定效应模型。
如表8.2所示，本书在对园区成熟度对企业规模与知识商业化效率之间关系的调节作用进行实证检验时，将自变量与调节变量分别加入回归模型中：模型1中包含所有制、政府资金支持、企业年龄、企业行业类型等控制变量；模型2中的自变量为企业规模，检验的是与因变量企业知识商业化效率之间的线性关系；模型3中的自变量是企业规模与园区成熟度的乘积项，检验的是园区成熟度对于企业规模与企业知识商业化效率之间关系的调节作用。从以上3个模型的回归结果中可以发现，企业规模的系数无论是在单独作为自变量的模型2中，还是在园区层面的完整模型3中都为正，且在1%的水平下显著（β=0.057；β=0.056）；园区成熟度的系数在模型3中不显著；企业规模与园区成熟度的乘积项在模型3中不显著，说明园区成熟度的增加并不会弱化企业规模与知识商业化效率之间的正向关系。模型3的总体解释力（R2）在13.62%左右。
表8.2 企业所处园区成熟度对企业知识商业化效率作用模型的回归结果
续表
注：1.*表示p值＜0.1，**表示p值＜0.05，***表示p值＜0.01。
2.括号中的数值均为稳健标准差，以消除异方差或自相关问题的可能影响。
3.根据Hausman检验的结果，采用随机效应模型。
由于园区成熟度对于企业规模与知识商业化效率之间关系的调节作用可能会受到企业技术并购行为、企业加入联盟种类等因素的影响，因而在模型4～7中对技术并购与联盟层面的变量进行了控制，也在模型中综合考虑了其他层面的变量与企业规模的交互作用，并将全模型中的园区成熟度与企业规模的交互项系数与模型3中的系数和显著性作对比，以确定园区成熟度的调节作用是否稳健。从模型6中可以发现，企业规模与知识商业化效率之间有正向的关系，且在1%的显著性水平下显著（β=0.073），园区成熟度与企业规模的交互项对知识商业化效率有正向的影响且不显著；从模型7中可以发现，企业规模与知识商业化效率之间有正向的关系，且在1%的显著性水平下显著（β=0.105），园区成熟度与企业规模的交互项对知识商业化效率有正向的影响且不显著。以上统计检验表明，在综合考虑到技术并购与联盟层面的影响因素的情况下，企业所处园区成熟度的增加并不会显著弱化企业规模与知识商业化效率之间的正向关系。
控制变量的回归结果在模型1～7中较为一致，且回归系数的大小也比较接近，表明回归检验的稳健性较好。其中，企业年龄的系数都为正，但只在模型1中在1%的显著性水平下显著，表明企业年龄与知识商业化效率之间的关系并不明显；所有制的系数在所有模型中都为正，且在1%的显著性水平下显著，说明国有企业普遍能够取得更高的知识商业化效率；政府资金支持在大部分模型中都不显著，表明受到政府资助的企业并不一定有更高的知识商业化效率；反映企业所属行业类型的控制变量系数在以上模型中大部分都不显著。
本书也加入了采用Xttobit回归的模型作为稳健性检验，检验结果如表8.3所示。在知识生产效率的模型中，企业规模的系数为负且在1%的显著性水平下显著（β=-0.103），企业规模与成熟期园区的交互项为正且在1%的显著性水平下显著（β=0.107），企业规模与成长期园区的交互项为正且在1%的显著性水平下显著（β=0.111）；在知识商业化效率的模型中，企业规模的系数为正且在1%的显著性水平下显著（β=0.056），企业规模与成熟期园区的交互项为正且不显著，企业规模与成长期园区的交互项为正且不显著。这两个Xttobit模型与包含相同变量的前两个模型结果基本一致，大部分变量的符号、显著性都保持不变，系数也较为接近，因此以上对于回归结果的分析较为稳健。
表8.3 企业所在园区成熟度对企业效率作用模型的稳健性检验
续表
注：1.*表示p值＜0.1，**表示p值＜0.05，***表示p值＜0.01。
2.括号中的数值均为稳健标准差，以消除异方差或自相关问题的可能影响。
本书用标准化后的数据生成了斜率，绘制了调节效应的作用图，如图8.1所示。当企业处于成熟度较低的科技园区时（-1 SD），企业规模与企业知识生产效率有显著的负相关趋势；当企业处于成熟度较高的科技园区时（+1 SD），企业规模与企业知识生产效率的负相关趋势有所减弱。
图8.1 企业所处园区成熟度对企业知识生产效率的调节作用
如表8.4所示，本书在对于园区行业聚集度对企业规模与知识生产效率之间关系的调节作用进行实证检验时，将自变量与调节变量分别加入回归模型中：模型1中包含所有制、政府资金支持、企业年龄、企业行业等控制变量；模型2中的自变量为企业规模，检验的是与因变量企业知识生产效率之间的线性关系；模型3中的自变量是企业规模与园区行业聚集度的乘积项，检验的是园区行业聚集度对企业规模与企业知识生产效率之间关系的调节作用。从以上3个模型的回归结果中可以发现，企业规模的系数无论是在单独作为自变量的模型2中，还是在园区层面的完整模型3中都为负，且在1%的水平下显著（β=-0.101；β=-0.092）；园区行业聚集度的系数在模型3中为-0.004且不显著；企业规模与园区行业聚集度的乘积项在模型3中有负的系数（β=-0.067），且在10%的显著性水平下显著，说明园区行业聚集度的增加会强化企业规模与知识生产效率之间的负向关系。模型3的总体解释力（R2）在11.64%左右。
表8.4 企业所处园区行业聚集度对企业知识生产效率作用模型的回归结果
续表
续表
注：1.*表示p值＜0.1，**表示p值＜0.05，***表示p值＜0.01。
2.括号中的数值均为稳健标准差，以消除异方差或自相关问题的可能影响。
3.根据Hausman检验的结果，采用固定效应模型。
由于园区行业聚集度对企业规模与知识生产效率之间关系的调节作用可能会受到企业技术并购、企业加入联盟种类等因素的影响，因而在模型4～7中对联盟与园区层面的变量进行了控制，也在模型中综合考虑了其他层面的变量与企业规模的交互作用，并将全模型中的园区行业聚集度与企业规模的交互项系数与模型3中的系数和显著性作对比，以确定园区行业聚集度的调节作用是否稳健。从模型7中可以发现，企业规模与知识生产效率之间有负向的关系，且在1%的显著性水平下显著（β=-0.133），园区行业聚集度与企业规模的交互项对知识生产效率有正向的影响，且在5%的显著性水平下显著（β=-0.089）。以上统计检验表明，在综合考虑到技术并购与联盟层面的影响因素的情况下，园区行业聚集度的增加依然会显著强化企业规模与知识生产效率之间的负向关系。
控制变量的回归结果在模型1～7中较为一致，且回归系数的大小也比较接近，表明回归检验的稳健性较好。其中，企业年龄的系数都为负，且都在1%的显著性水平下显著，表明年龄越大的企业在一定程度上有更低的知识生产效率；所有制的系数在大部分模型中都为正且显著，说明国有企业能够取得更高的知识生产效率；反映企业所属行业类型的控制变量系数在以上模型中大部分都不显著。
如表8.5所示，本书在对于园区行业聚集度对企业规模与知识商业化效率之间关系的调节作用进行实证检验时，将控制变量、自变量与调节变量分别加入回归模型中：模型1中包含各种控制变量；模型2中的自变量为企业规模；模型3中的自变量是企业规模与园区行业聚集度的乘积项。从以上3个模型的回归结果中可以发现，企业规模的系数无论是在单独作为自变量的模型2中，还是在园区层面的完整模型3中都为正，且在1%的水平下显著（β=0.057；β=0.083）；园区行业聚集度的系数在模型3中不显著；企业规模与园区行业聚集度的乘积项在模型3中在1%的显著性水平下显著（β=-0.182），说明园区行业聚集度的增加会弱化企业规模与知识商业化效率之间的正向关系。模型3的总体解释力（R2）在14.62%左右。
表8.5 企业所处园区行业聚集度对企业知识商业化效率作用模型的回归结果
续表
注：1.*表示p值＜0.1，**表示p值＜0.05，***表示p值＜0.01。
2.括号中的数值均为稳健标准差，以消除异方差或自相关问题的可能影响。
3.根据Hausman检验的结果，采用随机效应模型。
由于园区行业聚集度对企业规模与知识商业化效率之间关系的调节作用可能会受到企业技术并购行为、企业加入联盟种类等因素的影响，因而在模型4～7中对技术并购与联盟层面的变量进行了控制，也在模型中综合考虑了其他层面的变量与企业规模的交互作用，并将全模型中的园区行业聚集度与企业规模的交互项系数与模型3中的系数和显著性作对比，以确定园区行业聚集度的调节作用是否稳健。从模型7中可以发现，企业规模与知识商业化效率之间有正向的关系，且在1%的显著性水平下显著（β=0.105），园区行业聚集度与企业规模的交互项对知识商业化效率有负向的影响且在1%的显著性水平下显著（β=-0.192）。以上统计检验表明，在综合考虑到技术并购与联盟层面的影响因素的情况下，企业所处园区行业聚集度的增加会显著弱化企业规模与知识商业化效率之间的正向关系。
控制变量的回归结果在模型1～7中较为一致，且回归系数的大小也比较接近，表明回归检验的稳健性较好。其中，企业年龄的系数都为正，但只在模型1中在1%的显著性水平下显著，表明企业年龄与知识商业化效率之间的关系并不明显；所有制的系数在所有模型中都为正，且在1%的显著性水平下显著，说明国有企业普遍能够取得更高的知识商业化效率；反映企业所属行业类型的控制变量系数在以上模型中大部分都不显著。
沿用Aiken和West的方法，本书进行了简单斜率检验，并且用标准化后的数据生成了斜率，绘制了调节效应的作用图，如图8.2和图8.3所示。当企业所处的行业在该园区聚集度较低时（-1 SD），企业规模与企业知识生产效率有显著的负相关趋势；当企业所处的行业在该园区的聚集度较高时（+1 SD），企业规模与企业知识生产效率的负相关趋势有所增强。同时，当企业所处的行业在该园区聚集度较低时（-1 SD），企业规模与企业知识商业化效率有显著的正相关趋势；当企业所处的行业在该园区聚集度较高时（+1 SD），企业规模与企业知识商业化效率的正相关趋势有所减弱。
图8.2 企业所处园区行业聚集度对企业知识生产效率的调节作用
图8.3 企业所处园区行业聚集度对企业知识商业化效率的调节作用
本书也加入了采用Xttobit回归的模型作为稳健性检验。检验结果如表8.6所示，所有模型的Wald Chi2值依旧非常显著（p＜0.01）。在知识生产效率的模型中，企业规模的系数为负且在1%的显著性水平下显著（β=-0.093），企业规模与园区行业聚集度的交互项为负且在10%的显著性水平下显著（β=-0.071）；在知识商业化效率的模型中，企业规模的系数为正且在1%的显著性水平下显著（β=0.082），企业规模与园区行业聚集度的交互项为负且在1%的显著性水平下显著（β=-0.184）。这两个Xttobit模型与包含相同变量的前两个模型结果基本一致，所有变量系数的符号、显著性都保持不变，系数也较为接近，因此以上对于回归结果的分析较为稳健。
表8.6 企业所在园区行业聚集度对企业效率作用模型的稳健性检验
续表
注：1.*表示p值＜0.1，**表示p值＜0.05，***表示p值＜0.01。
2.括号中的数值均为稳健标准差，以消除异方差或自相关问题的可能影响。