优势产业集群对产业布局优化和产业结构升级的重要影响已得到广泛认可(张占贞等，2011)，本地化知识溢出既是产业集群的优势效应，也是决定集群企业相对于非集群企业获取创新优势的重要条件(Molina-Morales，2002)。林业产业集群指一定地理区域内，各林业生产、流通、服务企业与相关机构和部门之间有机结合所形成的经济聚合体(张占贞，2013)，是实现林业产业现代化的新型林业产业组织方式。为了转变林业产业传统增长路径，增强林业产业集群科技创新驱动力，全面提升林业产业发展水平，2014年中央1号文件特别强调“推动集群发展，加大农业科技创新平台基地建设和技术集成推广力度”。然而，在气候变化频繁、资源环境需求益增的背景下，林业产业集群这种“公共资源”并非为集群企业均等享有，集群创新绩效的提升有赖于集群企业通过对集群网络资源的有效利用而产生创新优势。那么，集群网络结构产生创新绩效的作用机制如何？影响林业产业集群企业创新绩效差异的关键要素有哪些？

近年来关于产业集群的研究明确了地理邻近、知识溢出与企业创新绩效的关联性(李琳等，2011)，不少学者把集群视为一个网络结构，如Johnston(2004)认为产业集群具备构成网络的活动、资源和活动主体3个基本要素，集群内部的网络连接在技术创新能力的提升上比区域间联系和国际间交易更具优势(Britton，2003)。然而，创新绩效优势的提升依赖于产业集群网络嵌入创新链的有效性，但创新链如何整合产业集群网络结构以产生创新绩效的机制尚未得到充分揭示。此外，虽然林业产业具有群体本质上的生态性和社会性，但由于资源禀赋的差异，集群中的林业企业在集群网络中的位置、资源获取和占有能力不同(王晓娟，2008)，而这可能正是林业产业集群企业创新绩效差异产生的重要原因。对于林业产业集群整体而言，降低创新资源专用性是提高整体绩效的重要条件，但作为集群中的林业企业则更倾向于寻求一种自身利益关系的平衡，了解林业企业的行为选择并揭示这种平衡背后的机制是制定相关林业产业创新政策的有益参考。已有关于林业产业集群的研究主要关注产业集群水平的测度(张占贞等，2011； 洪燕真等，2014)、集群与非集群企业创新绩效差异等(张占贞，2013)，尚少深入林业产业集群内部从企业间创新绩效差异的原因入手进行分析。鉴于此，本文拟结合林业产业集群创新活动特点，深入集群内从企业层面剖析林业产业集群创新网络结构对创新绩效的作用机制。福建省是我国发展林产工业的重要省份，2013年林业产业总产值占全国的7.53%，本文在福建省林产工业发展的重要区域、林业产业集聚的典型区域——南平市、三明市和莆田市展开企业调查，定量识别引起企业创新绩效差异的关键因素，旨在揭示林业产业集群企业创新绩效差异的内在机制，也为其他省针对性地制定林业产业集群创新的相关政策、激励集群林业企业自主创新、促进林业企业技术进步、实现林业产业转型升级提供参考。

林业产业的资源限制性和资源再生性特征使林业产业链贯通资源、流通、生产、需求和服务等市场，是产业链条特别长的复合产业群体，这决定了林业产业集群是由围绕林业向市场提供不同功能服务的企业或单元组成的复杂网络结构(郭承龙等，2009)。此外，林业产业的多重属性使其同时具有经济、生态和社会效益，林业产业集群在生态功能约束下的利益共享、节点企业对林业产业链贡献的不对等及由此产生的利益不均衡，决定了林业产业集群企业创新活动不是单纯的市场活动，也对各节点的创新资源获取能力提出了更高要求。为解释单纯用经济资本无法解释的诸多问题，法国社会学家Bourdieu(1985)率先提出“社会资本”概念。社会资本理论运用嵌入式分析范式，是从镶嵌于企业内外部社会网络中资源和能力的视角解释差异化企业绩效的理论工具。Gabbay等(1999)首次提出“企业社会资本”概念，指出企业社会资本是以社会结构为载体，镶嵌于企业内外部网络，有助于企业实现其经营目标的特殊资源。在此基础上，国内外学者对企业社会资本的维度展开了探讨，其中最具代表性的是Nahapiet等(1998)基于企业社会资本的本质属性将社会资本划分为结构维度、关系维度和认知维度3个层面。一些国内学者结合具体产业的特点从纵向联系、横向联系和社会联系3个维度区分企业社会资本，如张方华等(2006)通过这3个维度实证分析了企业社会资本与技术创新的关系。

产业集群创新网络结构指创新价值链上的不同创新参与主体为了获得和分享创新资源，通过一系列契约联结而成的多维向量空间体系(李海东，2010)，其中结构维度定性或定量地测度集群创新网络主体和客体的结构属性，关注个人或组织所处的网络结构位置具有的信息价值和控制优势，用网络位置、网络规模及网络密度等表示； 关系维度强调网络成员间形成相互信任关系以及由此形成的彼此重视和行动一致性，重视创新资源获取的路径和方向，用网络关系强度、关系互惠性、关系稳定性等表示(Burt，1992)。根据Anderson等(2004)的观点，结合林业产业集群的特点，认为林业企业、政府部门、科研院所、金融机构、中介组织、林业行业协会等成员构成网络节点。林业产业集群中的企业拥有纵向联系、横向联系和社会联系等镶嵌于企业内外部社会网络中的资源和能力。纵向社会关系指核心林业企业与上、下游企业的关系，主要体现为供应链网络； 横向社会关系指林业企业之间竞争与合作的联结，是提升集群创新能力和竞争力最核心的价值网络； 对外社会关系资本在集群网络结构中起到“信息桥”作用：政府等公共部门、高校和科研院所、金融服务机构、中介机构、林业行业协会等组织为林业产业集群企业提供资源、共建项目或分担创新风险，体现为林业产业集群创新的外围支持网络。集群网络各节点构成的网络主体和纵向、横向、社会关系资本构成的网络客体彼此作用，共同决定集群网络创新资源流动情况。而林业产业集群是资源依托型产业集群(Hagadone et al., 2012)，运输设施、原材料、信息等资源的获取对产业链中不同等级企业的影响差异很大，因此，其创新资源和流动情况取决于系统内不同创新节点之间的创新联结方式、相互位置和相互关系等网络结构和网络关系维度(图 1)。

	图 1 基于企业社会资本理论的林业产业集群企业创新网络结构框架 Fig. 1 The framework of forestry industry cluster innovation network structure based on corporate social capital theory

林业产业集群企业创新网络结构框架描述了林业产业集群网络结构维度、关系维度与创新绩效构成复杂关系结网的宏观结构，而从微观层面看，国内外学者广泛采用社会网络分析方法研究集群创新网络结构，采用的研究维度主要有3种：一是聚焦于企业层次和节点间关系层次的网络变量；二是基于位置维度分析节点之间的关系模式，界定节点在行为体系中的位置； 三是基于嵌入的视角分析不断深化的各种网络关系对企业竞争行为的影响(Wasserman et al., 1994)。林业产业集群具有资源依托型特征，集群效应对区域经济发展的带动更加明显，其纵深发展受政策环境影响更为显著。林业产业链条长及林业的多重属性决定了林业企业之间具有利益共享、风险共担的战略联盟关系，但是生态功能约束下的利益共享与节点企业对林业产业链的贡献并不对等(张方华，2006)。因此，在借鉴已有研究的基础上，重点从网络结构和网络关系维度刻画林业产业集群企业创新活动的特征，提出以下研究假设：

1)网络居间性对林业企业创新绩效有正向影响(H1.1)林业上、下游产业环节间企业的中心度和利益并不均衡。一般而言，网络位置居间的节点企业对林业产业链影响力大，掌握关键资源，拥有更多的联结渠道，有更多的机会及时获得其他林业企业的信息、知识和管理技能等，从而形成信息交汇点，甚至在一定程度上通过对信息流动的阻断或扭曲控制其他节点的思想和行为(李志刚等，2007)。Burt(1992)认为，由于享有信息优势和控制优势，具有网络居间性的企业可能提高创新绩效。

2)网络规模对林业企业创新绩效有正向影响(H1.2)集群网络成员的数量和异质性反映了网络规模的大小。

首先，从数量上看，若林业企业联结的外部实体数量较多，其面临环境压力时可能迅速调整运营资源从而转换创新策略，而林业产业集群在每一个节点上必须有相当数量的企业才能平衡产业链之间的供求关系； 其次，从集群网络成员的异质性看，异质性越强，成员间交互关系越少，其交流的信息差异性可能越大。因此，假设网络规模对林业企业创新绩效有正向影响。

3)网络密度对林业企业创新绩效有正向影响(H1.3)网络密度主要反映集群网络成员间关系的密切程度和信息流动的速度及效率(Britton，2003)。网络密度首先通过影响企业的议价能力从而影响其成本(张占贞等，2011)。网络密度高的林业产业集群成员可缩短信息流动路径，提高资源流动速度，迅速搜集并获取新信息和新技术。同理，与往来的企业或金融机构、政府部门、科研院所等关系密切，有利于集群中的林业企业寻找到双方或多方互利的技术创新合作模式，从而可能提高技术创新绩效。因此，假设网络密度对林业企业创新绩效有正向影响。

4)网络开放度对林业企业创新绩效有正向影响(H1.4)有效利用本地知识溢出是集群企业相对于非集群企业取得竞争优势的主导途径，但是长期接触内部化知识而缺乏外部知识源的激活可能固化集群企业的思想，从而产生“锁定效应”(王晓娟，2008)。网络开放度越高，集群企业与外部进行资金、人才交流的机会越多，越可能吸收及扩散新技术信息和市场信息，从而使开放的系统为产业集群输入负熵提供必要条件。根据Pouder等(1996)的观点，假设网络开放度对林业企业创新绩效有正向影响。

5)网络资源丰富度对林业企业创新绩效有正向影响(H1.5)在创新活动日趋复杂的形势下，对资源的有效整合与利用是决定企业创新绩效的重要因素(张占贞等，2011)，林业产业的特点决定了其集群形成过程中对天然的林地资源、原材料、技术创新等资源有更强依赖性，集群网络中的信息、知识、人力、资金、组织等创新资源是增强企业技术创新优势的重要条件。林业产业集群网络中有效创新资源的丰富度能提高资源配置的灵活性和高效性，因此，假设网络资源丰富度对林业企业创新绩效有正向影响。

1)网络关系强度对林业企业创新绩效有负向影响(H2.1)网络关系强度的大小描述了行为主体联系频率的高低和组织资源对联系承诺度的高低。关于网络关系强度与企业绩效的关系学术界有不同的观点，其中Burt(1992)和Granovetter(1985)提出的“弱连接的强度”观点最具有知名度和代表性：Burt以结构洞观点提出由非冗余成员形成的网络关系，其信息的交流更具价值； Granovetter认为强连接所获取的信息多是重复或类似的，较少有创新或产生信息的机会。因此，根据Burt与Granovetter的理论，假设网络关系强度对林业企业创新绩效有负向影响。

2)网络关系互惠性对林业企业创新绩效有正向影响(H2.2)网络关系互惠性主要衡量联系双方地位的平等性。如果网络成员间强调组织合作、联合与协调，而非命令、权力与控制(李志刚等，2007)，则表明网络成员在互惠性基础上愿为共同的利益与目标而努力，更容易产生共享准则、相互信任关系以及共同的行为模式。林业产业集群企业的共同生态约束目标可能使其对网络关系互惠性有特殊的要求。因此，假设网络关系互惠性对林业产业集群企业创新绩效可能具有正向影响。

3)网络关系稳定性对林业企业创新绩效有正向影响(H2.3)网络关系稳定性主要衡量网络成员间随时间进化而产生的信任、认知度及共享机制的稳定性。由于企业培育和扶植网络关系属于投入阶段，从网络关系中获取价值属于产出阶段，因此，从投入到产出过程中各主体联系的稳定性及由此产生的创新协同效应是提高集群企业创新绩效的关键(李志刚等，2007)。林业产业集群中技术创新过程更长，技术外溢性更明显，因而林业企业对一定时间内保持网络关系稳定性的期许更大。因此，假设网络关系稳定性对林业企业创新绩效有正向影响。

4)网络反馈机制对林业企业创新绩效有正向影响(H2.4)网络反馈机制主要衡量林业产业集群通过链接实现价值活动的反馈响应机制。迅速又明确的反馈机制有利于隐含知识的扩散，促进共同学习和信息交流，从而推动创新。林业产业链条长，从上游的种植抚育、中游的工业加工到下游的商业贸易等环节都需要紧密的衔接，林业企业对集群网络各创新环节反馈的及时程度影响企业创新绩效。因此，假设网络反馈机制对林业企业创新绩效有正向影响。

在林业产业集群创新网络结构理论框架构建的基础上，借鉴王晓娟(2008)、李志刚等(2007)、窦红宾等(2010)对产业集群网络结构和创新绩效的研究，结合林业产业集群的特点制定相关调查量表，并选择部分企业进行了预调查，根据预调查反馈意见对量表进行了适当修改以确保调研的科学性。文中主要变量使用Likert 5点量表法测量，“非常不同意”、“较不同意”、“一般”、“较同意”、“非常同意”分别对应分值1，2，3，4，5分，得分高低代表受访者的认同程度，这些变量均为定序变量。企业年龄和企业规模等控制变量用数值变量反映。

已有研究主要采用新产品创新来衡量创新绩效，但林业产业是一种特殊行业，林业产业链涉及的上游种植抚育环节、中游林产加工制造环节和下游贮运和销售环节跨越三大产业，不同产业链环节的林业企业侧重于产品、管理、市场等创新能力，而林业所背负的社会生态功能使其对绿色工艺创新要求更高。因此，对企业创新绩效的测量采用多维度指标体系。被解释变量“创新绩效”使用5个指标衡量。前半句都是“相比于集群内的同行业企业，贵公司”，后半句分别为：“产品创新能力更强”、“工艺创新能力更强”、“市场创新能力更强”、“管理创新能力更强”和“信息获取能力更强”。被解释变量“创新绩效”的得分取5个指标得分的平均值。

量表共用35个问题测量网络结构特征。其中，1)网络规模用9个问题测度，前8个问题前半句都是“相比于集群内的同行业企业，与贵公司往来的”，后半句分别为：“上游厂商数目更多”、“下游厂商数目更多”、“同业厂商数目更多”、“政府机构数目更多”、“高校/科研院所数目更多”、“林业行业协会数目更多”、“金融机构数目更多”、“中介机构数目更多”。此外，问题“与贵公司有往来关系的对象类型差异性较大”反映网络异质性。9个题项得分平均值表示网络规模得分。2)网络密度8个问题前半句都是“相比于集群内的同行业企业，与贵公司往来的”，后半句分别为：“上游厂商次数较频繁”、“下游厂商次数较频繁”、“同业厂商次数较频繁”、“政府机构次数较频繁”、“高校/科研院所次数较频繁”、“林业行业协会次数较频繁”、“金融机构次数较频繁”、“中介机构次数较频繁”。网络密度的得分为 8个问题得分平均值。

3)网络开放度的测量用9个问题体现，前8个问题前半句都是“与贵公司往来的”，后半句分别为：“上游厂商多数分布在本市内”、“下游厂商多数分布在本市内”、“同业厂商多数分布在本市内”、“政府机构多数分布在本市内”、“高校/科研院所多数分布在本市内”、“林业行业协会多数分布在本市内”、“金融机构多数分布在本市内”、“中介机构多数分布在本市内”。第9个问题为“贵公司在外地设立了较多分支机构”。网络开放度的得分为9个问题得分的平均值。

4)网络居间性在量表中用4个问题测量，分别为：“贵公司在所在林业产业集群网络中的知名度高”、“产业集群网络中其他企业与贵公司进行技术交流的愿望强烈”、“产业集群网络中其他企业与贵公司进行技术交流很容易”、“贵公司所有的往来对象在建立技术联系时，很多需要通过贵公司从中牵线”。网络居间性的得分为 4个问题得分的平均值。

5)网络资源的丰富度用测量问题是：“相比于集群内的同行业企业，贵公司交际网络中流动的”，后半句分别为：“知识资源更加丰富”、“信息资源更加丰富”、“人力资源更加丰富”、“资金资源更加丰富”、“组织资源更加丰富”。5个题项得分平均值表示网络资源丰富度。

量表共用33个问题测量网络结构特征。其中，1)网络关系强度8个问题前半句都是“相比于集群内的同行业企业，与贵公司往来的”，后半句分别为：“上游厂商关系较密切”、“下游厂商关系较密切”、“同业厂商关系较密切”、“政府机构关系较密切”、“高校/科研院所关系较密切”、“林业行业协会关系较密切”、“金融机构关系较密切”、“中介机构关系较密切”。最终得分为 8个问题得分平均值。2)量表用16个问题测量网络关系互惠性，8种联系中每一种网络关系互惠性都用2个问题测度。如测度林业企业与上游厂商关系互惠性的2个问题分别为：①往来的上游厂商对贵公司非常重要； ②贵公司对往来的上游厂商非常重要。每种网络联系的互惠性得分=(①题得分+②题得分)/2-│①题得分-② 题得分│。8种联系网络互惠性得分平均值构成每个林业企业网络互惠性得分。3)网络关系稳定性8个问题前半句都是“相比于集群内的同行业企业，贵公司”，后半句分别为：“与上游厂商进行联系的持续时间较长”、“与下游厂商进行联系的持续时间较长”、“与同业厂商进行联系的持续时间较长”、“与政府机构进行联系的持续时间较长”、“与高校/科研院所进行联系的持续时间较长”、“与林业行业协会进行联系的持续时间较长”、“与金融机构进行联系的持续时间较长”、“与中介机构进行联系的持续时间较长”。8个题项得分平均值构成关系稳定性得分。4)网络反馈机制用1个问题衡量：“相比于集群内的同行业企业，贵公司对集群网络各创新环节的反馈较及时”。

此外，林业产业集群中不同规模和发展阶段的林业企业创新绩效可能存在差异，因此，量表中反映了以下控制变量：①企业年龄，年龄越大的企业越有经验优势，抑或，越年轻的企业获取创新资源的能力越强，因此以企业成立以来持续年数测度其年龄；②企业规模，规模大的企业可能有更多资源投入重要关系的维护中，从而提高创新绩效，因此采用企业(固定)员工人数反映规模(王晓娟，2008)。

本研究问卷主要采用已有研究广泛使用的量表来测量相关变量，在考虑林业产业集群特征的基础上进行个别调整，因此，问卷具有较好的内容效度。为了检验量表信度，采用SPSS16.0 统计软件对假设中各变量进行信度分析，得出总量表a系数为0.968，创新绩效测量量表a系数为0.986，网络规模、网络密度、网络开放度、网络居间性、网络资源丰富度、网络关系强度、网络关系互惠性、网络关系稳定性、网络反馈机制测量量表的a系数分别为0.737，0.732，0.709，0.949，0.975，0.730，0.868，0.743，0.893，均超过0.7，说明问卷具有较好的信度。

正式问卷调查于2013年11—12月展开，根据典型抽样和随机抽样相结合的方法，选择福建省三明市、南平市和莆田市林业产业集群进行调研，涉及三明市沙县木竹加工园区、三明永安市福建省毛竹现代科技园区、三明市尤溪县浦头工业园区，南平市建瓯笋竹城、建阳海西林产工贸园区、政和中国竹具工艺城、邵武林产加工科技示范区和莆田秀屿国家级木材加工示范区等。共调查90家林业企业，收回问卷90份，有效问卷82份，有效率91.11%。为确保数据的准确性，本研究问卷发放对象为各集群林业企业的高层管理人员。调查样本中固定员工人数100人以下的占64.63%，100～500人的占30.49%，500～1 000人的占4.88%； 企业年销售额1 000万元以下的为14.63%，1 000万～15 000万元的占78.05%，15 000万元以上的占7.32%。可见，样本具有较广的分布性。样本企业相关变量得分情况见表 1。

表 1 样本变量的描述性统计分析 Tab.1 The description of the sample variable

表 1 样本变量的描述性统计分析 Tab.1 The description of the sample variable 变量 Variable 变量类型 Variable type 最大值 Max. 最小值 Min. 平均值 Ave. 标准差 SD 创新绩效 Innovation performance 定序变量 Ordinal variable 5 0 3.02 1.03 网络规模 Network scale 定序变量 Ordinal variable 5 0.33 2.24 0.86 网络密度 Network density 定序变量 Ordinal variable 5 0 2.20 0.93 网络开放度 Network openness 定序变量 Ordinal variable 4.78 0.33 2.11 0.84 网络居间性 Network intermediary density 定序变量 Ordinal variable 5 0 2.82 1.01 网络资源的丰富度 Network resources richness 定序变量 Ordinal variable 5 0 2.88 0.99 网络关系强度 Network relationship stringency 定序变量 Ordinal variable 5 0 2.20 0.93 网络关系互惠性 Network relationship reciprocity 定序变量 Ordinal variable 5 0 1.96 1.00 网络关系稳定性 Network relationship stability 定序变量 Ordinal variable 5 0 2.17 0.94 网络反馈机制 Network feedback mechanism 定序变量 Ordinal variable 5 0 2.63 1.08 企业年龄 Enterprise age 数值变量 Numerical variable 5 1 2.00 0.81 企业规模 Enterprise scale 数值变量 Numerical variable 850 6 112.88 157.05

根据理论分析和量表设计，初步构建如下计量模型：

$\begin{array}{l}Y = {\beta _0} + {\beta _1}NS + {\beta _2}ND + {\beta _3}NO + {\beta _4}NRS + {\beta _5}NRR + \\\;\;\;\;\;{\beta _6}NRST + {\beta _7}NC + {\beta _8}NROR + {\beta _9}NFM + {\beta _{10}}EA + \\\;\;\;\;\;{\beta _{11}}ES + \varepsilon \end{array}$

式中：Y表示林业产业集群中企业的创新绩效； NS，ND，NO，NRS，NRR，NRST，NC，NROR，NFM，EA，ES分别表示网络规模、网络密度、网络开放度、网络关系强度、网络关系互惠性、网络关系稳定性、网络居间性、网络资源的丰富度、网络反馈机制、企业年龄和企业规模； ε表示残差。

根据本文构建的理论分析框架，自变量之间存在相互作用，预计回归模型可能因此产生多重共线性问题。因此，本文基于82家企业的问卷调查数据，首先利用OLS方法进行计量模型拟合，结果显示，网络规模、网络密度、网络关系强度、网络关系互惠性、网络开放度的VIF值均大于10，表明回归模型的多重共线性较为严重。较强的多重共线性会使估计出来的网络规模、网络密度等自变量对因变量影响的标准差偏大，难以准确区分不同自变量对因变量的影响，因此需对OLS回归模型进行修正。

目前，缓解多重共线性问题的方法主要有增加样本量、逐步回归法、主成分分析法、岭回归法、偏最小二乘法等。其中，由Wold等(1984)提出的偏最小二乘法(PLS，partial least-squares)结合了多元线性回归、典型相关分析和主成分分析，是目前使用较为广泛的多重共线性问题解决办法。PLS方法在主成分提取时同时考虑自变量与因变量信息，对自变量信息进行重组而不是剔除变量，从而有效提取对系统解释性最强的综合变量，排除重叠信息或无解释意义信息的干扰，同时实现消除多重共线性问题和保证回归模型稳定性(齐琛等，2013)。因此，采用R软件进行偏最小二乘回归建模。

PLS方法包括单因变量的PLS回归与多因变量的PLS回归，本文属于单因变量PLS回归。PLS分析前需对因变量和自变量的原始数据进行标准化处理，从而得到标准化后的X与Y矩阵。本文包括82个调查样本、11个自变量，由此构成82维的因变量向量和由自变量构成的82×11的观测矩阵X=[NS，…，ES]_82×11。PLS方法需在矩阵X中提取k个主成分(主成分为NS，…，ES的线性组合)，要求主成分应尽可能好地综合X的信息，同时对Y又有最强的解释力。本文采用国外广泛应用的交互检验(CV，cross validation)方法确定最佳的PLS主成分个数，以保证所提取的主成分对系统解释能力最强，同时克服主成分过多而造成二次多重共线性问题。

交互检验首先计算预测误差平方和(PRESS，prediction residual error sum of squares)，PRESS值达到最小时的主成分数即为最佳的主成分数量。由表 2可知，当提取2个主成分时的PRESS值最小(为0.497 2)，但2个成分对总方差的累积贡献率只有77.11%；而主成分个数为3时，PRESS值(为0.501 2)仅比主成分个数为2时略微增加0.004，且3个主成分对自变量矩阵X总方差的累积贡献率达到85.34%，更好地综合了矩阵X的信息，故选择3个主成分进行后续分析。

表 2 PLS主成分个数的确定 Tab.2 The determination of PLS principal component number

表 2 PLS主成分个数的确定 Tab.2 The determination of PLS principal component number 常数 Constant 主成分1 PC1 主成分2 PC2 主成分3 PC3 主成分4 PC4 主成分5 PC5 主成分6 PC6 PRESS 1.043 0.732 4 0.497 2 0.501 2 0.512 1 0.519 4 0.524 5 adj-PRESS 1.043 0.732 2 0.496 6 0.499 7 0.509 6 0.515 8 0.520 6 TRAINING:% variance explained 主成分1 PC1 主成分2 PC2 主成分3 PC3 主成分4 PC4 主成分5 PC5 主成分6 PC6 X 57.55 77.11 85.34 91.05 95.11 97.00 Y 52.71 78.31 79.59 80.45 81.10 81.58

提取3个主成分后，PLS方法继而实施Y对t₁，t₂，t₃的回归，然后借助t₁，t₂，t₃对NS，ND，…，ES的回归方程，得到Y关于原变量NS，ND，…，ES的回归方程，PLS估计结果如表 3所示。Jackknif检验显示对创新绩效影响显著的变量有4个，按影响系数从大到小依次为网络居间性、网络资源丰富度、网络反馈机制和网络关系互惠性。

表 3 回归模型的拟合结果 Tab.3 Fitting results of the regression model

表 3 回归模型的拟合结果 Tab.3 Fitting results of the regression model 自变量 Independent variable PLS拟合结果 PLS fitting results OLS拟合结果 OLS fitting results Coef. P Coef. P ①*,**,*** 分别表示10%，5%，1%的统计显著性水平。*，**，*** respectively represent 10%，5%，1% statistical significant level. 网络规模 Network scale 0.002 0.963 -1.561 0.002*** 网络密度 Network density 0.012 0.686 1.263 0.010** 网络开放度Network openness -0.028 0.631 0.326 0.046** 网络关系强度 Network relationship stringency -0.020 0.485 0.317 0.527 网络关系互惠性Network relationship reciprocity -0.112 0.037** -0.341 0.053* 网络关系稳定性 Network relationship stability -0.008 0.828 -0.252 0.543 网络居间性Network intermediary density 0.404 0.006*** 0.739 0.000*** 网络资源的丰富度Network resources richness 0.400 0.002*** 0.354 0.000*** 网络反馈机制Network feedback mechanism 0.264 0.016** 0.050 0.640 企业年龄Enterprise age 0.007 0.901 0.029 0.697 企业规模Enterprise scale -0.033 0.484 -0.060 0.218 R2 0.833

第一，从林业产业集群技术创新链网络结构看，网络居间性和网络资源丰富度对企业创新绩效有显著的正向影响，假设H1.1和H1.5通过了检验。这说明企业在集群网络中所处的位置越中心，网络资源越丰富，获取较高创新绩效的可能性越大，证实了林业产业链不同节点企业利益的不均衡性和林业产业集群各类资源不足是创新绩效提高缓慢的原因。

网络规模对创新绩效的影响不显著，说明林业产业链长，林业产业集群中纵向节点及横向节点在规模、市场适应能力等方面具有较大差异，而维持大规模网络结构需要耗费过多成本，无法实现信息、技术等资源的筛选和关系的平衡，反而可能产生冗余的创新资源(Britton，2003)。网络密度和网络开放性未对创新绩效产生显著影响可能与福建林业产业集群的特征和发展阶段有关，也反映出当前林业产业集群中知识产权保护体系不完善等现状。根据调查，知识产权保护法规不完善使集群中的林业企业在竞合机制中倾向于以竞争为主，不利于信任、共享的行为模式产生效果。同时，福建林业产业集群网络成员对外开放性和向集群外部寻求创新资源的积极性和行动性不强。

第二，从网络关系看，网络反馈机制对企业创新绩效有显著的正向影响，假设H2.4通过检验。这说明林业产业集群各创新链条间的链接情况和林业企业对各创新环节反馈的及时性对提高集群企业创新绩效具有重要意义。网络关系互惠性对企业创新绩效有显著的负向影响，假设H2.2与预设的方向相反。该结论与针对高新技术产业的相关研究结果不符(Wasserman et al., 1994)，但从福建林业产业集群调查情况看，结论符合实际情况。根据对福建林业产业集群的测度，第一产业和第三产业的集聚效应并不明显(洪燕真等，2014)。而林业产业链各环节企业禀赋不同，下游企业因产品最接近市场而可能获得更多利润和竞争优势，也更容易获取政策资源。林业本质上的风险共担性和利益关系不对等的现实冲突使网络主体间的协作关系质量较低。因此，至少在林业企业管理者的主体意识层面认为成员间关系越平等越不利于自身绩效的提高。

网络关系强度和关系稳定性对创新绩效的影响不显著，这与其他研究(王晓娟，2008； 李志刚等，2007)得出的结论具有相似性。极强的网络关系可能使林业企业因过分依赖而丧失持续创新动力，极弱的网络关系不利于林业产业集群创新联合活动的开展，而关系强弱之间的平衡点难以把握。此外，在信息瞬息变化的时代，对长时间持续稳定关系的维持在企业的认知层面变得不再关键，及时更新知识、信息等创新资源才是林业企业获得最新技术的重要决策。

本文基于企业社会资本理论构建林业产业集群创新网络结构框架，运用社会网络分析法实证分析林业产业集群网络结构和网络关系对林业企业创新绩效的影响。结果表明：网络结构维度中网络居间性、网络资源丰富度对林业企业创新绩效有显著的正向影响，网络关系维度中网络反馈机制和网络互惠性分别对林业企业创新绩效产生正向和负向影响。随着林业产业转型升级步伐的加快，以信息化推进新型林业产业发展道路的逐步形成，林业产业集群技术创新活动更明显地表现出以经济网络纵横联系聚集为前提，信息、知识和产品链结合的创新特点。林业企业创新越来越依赖于创新网络环境，优势的集群创新网络结构是林业产业集群企业开展创新活动不可或缺的重要条件，尤其是企业在集群网络中所处的居间位置和集群内丰富的知识、信息、人才等创新资源，增强了集群内林业企业支配创新资源的能力，降低了信息识别和获取的成本； 此外，良好的集群创新网络关系是企业创新成功演化的助推剂，不仅利于形成创新资源共享的行为模式，更使创新链条的延伸和紧密衔接成为可能。

针对模型中显著的变量引出以下政策启示：从企业层面看，应占据林业产业集群网络中心位置，突出重要网络关系的培育和建设，不必盲目追求扩大网络规模，提高与重点林业产业集群网络主体的协作关系质量； 充分挖掘和利用创新网络的价值，提高创新资源吸收能力。从政府层面看，应重视集群内的弱势节点，增强林业产业链关联度，提高节点企业风险共担意识，完善利益共享机制； 从法律法规、合作组织与服务机构、竞争秩序构建等方面营造适宜林业产业集群成长的发展环境； 构建良好的知识交流平台，加快集群内知识扩散和转移的速度。

虽然本研究样本涉及福建省典型林业产业集群，但应注意以下问题：一是样本量的局限性。由于调查条件所限，本研究有效林业企业样本为82家，虽接近样本量为观测变量10倍的要求，但条件允许的情况下应进一步扩大样本量以增强结果的可信性； 二是林业产业集群创新链前期研究成果较少，本研究基于网络分析法的林业产业集群企业创新绩效变量的选取主要参考其他行业，其与林业产业特殊性的契合度及量表的稳定性有待进一步深入论证。