10.4　本书创新点

本书从企业创新理论研究中存在的不足，以及企业创新过程中面临的实际问题出发，探讨了不同类型的外部资源获取方式在企业、园区、联盟等多个维度对企业的知识生产效率、知识商业化效率以及综合效率的影响，并且分析了企业规模在此过程中扮演的重要角色。本书为企业创新过程的研究提供了新的视角，为组织惯性理论、产业集群与企业联盟研究都做出了一定的贡献，深化了在新的社会背景下对于企业规模作用的理解。具体来看，本书主要的创新点在于以下三个方面。

首先，本书提出了企业规模、企业外部创新资源获取与企业创新效率之间的“技术并购—联盟—园区”研究模型并加以检验，将企业自身与企业联盟、企业园区等领域的交互作用构成了一个有机的整体，全面阐述了企业如何结合自身规模特点，与外界环境进行资源交换并最大限度地提升自身创新能力，也为企业创新管理提供了一个新的视角。从过去的研究看，企业外部获取资源的种类和方式较为复杂，与企业自身效率之间相关性较低，研究难度较大，学者们因而更加关注不同规模企业的内部资源优劣势、组织结构特征对于企业创新效率的作用（Cáceres et al.，2011）。然而随着产品更迭周期的加快，企业仅仅依靠规模化大生产已难以满足多样化的市场需求，越来越多的外部资源在提升企业创新效率过程中也发挥了不可忽视的作用（Brunswicker et al.，2015；Van et al.，2008；Cassiman et al.，2006）。本书利用从中关村管委会、北京市企业信用网、财政部所设国家中小企业发展基金旗下“天眼查”网站、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等多个来源获取的数据，全面分析了不同外部资源获取方式对于企业效率的动态作用效果。通过将对企业技术并购活动的分析、对企业加入联盟类型的分析与对企业所处园区环境特征的分析相结合，建立了更符合新时代背景、能更好地解释影响企业创新效率因素的理论视角。

其次，本书将DEA模型对于企业效率的测算方式用到对于企业创新绩效评估的研究中来，从企业知识生产效率和企业知识商业化效率两方面入手，开展了对企业创新过程的两阶段分析。自从Charnes和Banker等基于线性规划构建了非参数前沿模型——数据包络分析以来，国内外的学者在测度多投入、多产出的生产系统效率时，广泛使用该模型作为效率衡量的手段，甚至引入熵权法构建改进的交叉效率DEA模型或构建包含关联子系统的网络DEA模型，用于比较不同生产系统之间的效率差异，并分析对效率进行优化的方案（陈凯华等，2013；贾俊颖，2017）。然而，这些研究大都聚焦在对于某些行业或某些区域的纯技术效率评估，忽略了从企业层面探讨对某一企业创新效率产生影响的因素分析，因此对企业创新过程的直接指导意义较为有限。此外，现有的创新绩效评估体系多采用企业专利数量、新商品销售额等作为直接指标，来衡量一个企业创新能力的高低。然而，这些指标仅能反映企业在知识成果产出总量上的相对大小，并不能有效反映企业创新投入与产出之间的关系，即整个创新过程的效率。本书通过将影响企业创新过程的因素与DEA模型对效率的评估相结合，剖析了不同规模的企业如何充分利用自身条件与外部资源环境的交互作用，促进企业创新过程中效率的提升。这对于企业创新管理的相关理论研究，以及DEA模型在企业管理领域的应用，都起到了较为重要的补充作用。

最后，由于研究样本涉及1 000余家企业长达11年的数据，且包含企业与外部环境的交互信息，这些海量复杂数据为计算机模型的结构设计、参数选取和算法训练都提供了强有力的支持。本书采用XGBoost模型、神经网络模型、随机森林模型、决策树模型等，与通过DEA模型计算的企业效率相结合，基于这些企业数据的特征值，实现对企业创新效率的预测。尽管学术界已经意识到了大数据和神经网络模型等可以在经管研究领域广泛应用，目前文献仍然较多地关注模型对于企业信用风险的评估、对于企业财务风险的预测等，通过计算机模型对企业创新效率进行预测研究仍是一个新兴的研究领域（肖斌卿等，2016）。因而，本书使用将企业数据与计算机模型相结合的跨学科研究方法，对于之前章节中的理论研究假设进行检验，并且对已有数据进行更深一步的挖掘和分析。本书的创新点在于，通过神经网络等模型对已有数据进行存储和学习，并且对网络结构和权值不断优化调整，最终使模型具有一定的逻辑推理和判断能力，以达到对未来企业创新过程提供预测和指导的目的。