知识管理基础、产业竞争优势和创新能力
——以中国和东盟信息技术上市公司为例

曹 平，陆 松，2，梁明柳

（1.广西大学商学院；2.中国移动广西公司，广西南宁 530028；3.广西大学外国语学院，广西南宁 530004）

1 研究背景

信息技术产业是从事信息技术设备制造以及信息的生产、加工、存贮、流通与服务的新兴产业部门。国务院在《“十三五”国家战略性新兴产业发展规划》中指出，信息经济繁荣程度已成为国家竞争实力的重要标志，要实施网络强国战略，加快建设“数字中国”，推动物联网、云计算和人工智能等技术向各行业全面融合渗透，构建万物互联、融合创新、智能协同、安全可控的新一代信息技术产业体系［1］。作为我国的重要经贸伙伴，东盟国家也在积极发展信息技术产业，以期实现经济的转型发展。2015 年以来陆续通过了《东盟信息通信技术总体规划》《东盟轮值主席国新加坡声明》《东盟信息通信技术总体规划2020》《东盟互联互通总体规划2025》等纲领性文件，寻求以互联网经济带动信息技术产业整体突破性发展。《2019 年东南亚数字经济体报告》指出，到2019 年为止，东南亚地区已有3.6 亿互联网用户，其中90%首选通过移动设备连接上网。东南亚地区的总体互联网经济规模已经突破1 000 亿美元，从国家层面来看，马来西亚、泰国、新加坡和菲律宾的互联网经济年增长率为20%～30%，而依托于巨大的人口基数的越南和印度尼西亚则年均增长超过40%，其中印尼数字经济在2019 年达到400亿美元，电商、在线媒体、在线旅游、网约车、数字金融服务这五大关键领域呈现增长势头；越南数字经济规模达120 亿美元。同时，新加坡从2020 年开始商用两个独立的全国5G 电信网络以及两个覆盖特定范围的区域网，2022 年底之前实现5G 网络覆盖至少半个新加坡。到2025 年，东南亚地区的信息技术产业总体经济规模将突破3 000 亿美元，成为不可忽视的重要力量。

东南亚国家联盟（东盟、ASEAN）目前共有10个成员国。其中新加坡、泰国、马来西亚、印度尼西亚、越南、菲律宾6 个国家的总人口数量、地区生产总值（GDP）、信息技术产业增长量占据主要比例，具有很强的代表性，因此本文主要针对这6 个国家进行研究，以下用“东盟六国”代替。2015 年，国家发展和改革委员会、外交部、商务部联合发布《推动共建丝绸之路经济带和21 世纪海上丝绸之路的愿景与行动》，正式提出“信息丝绸之路”计划，计划中指出，网络的本质在于互联，信息的价值在于互通，任何国家都不可能关起门来发展数字经济［2］。在国家《“十三五”国家信息化规划》的“重大任务和重点工程”部分中提出，以广西为支点建设中国—东盟信息港，加快建立面向东盟、服务西南中南的国际通信网络体系和信息枢纽，与东盟国家共同建设基础设施平台、技术合作平台、经贸服务平台、信息共享平台、人文交流平台［3］。2019 年国务院批准了《中国—东盟信息港建设总体规划》，中国—东盟信息港进入全面建设阶段。2019 年7 月召开的中国—东盟外长会上确定，2020 年是中国—东盟数字经济合作年，双方将通过开展一系列活动、实施多方面举措、促成有代表性合作项目等，依托于中国和东盟巨大的人口优势和发展机遇来增进数字经济的优势互补合作，共同打造合作新亮点，共商、共建、共享数字丝绸之路。对中国和东盟标杆国家的信息技术产业的竞争优势和创新能力开展研究，将为中国-东盟自由贸易区的经贸发展提供理论支持，为“一带一路”战略的实施提供助力。

2 概念界定

2.1 知识管理基础

创新中的行为人是信息的载体，而“知识”是被承载的信息。个体产生新事物的创造力和想象力形成了新的知识，个体行为人通过学习和适应过程采用知识，最后知识稳定下来并被反复采用。个人所组成的群体被称为企业（Firms），是生产性知识的载体。企业不断地创造和吸收知识，在探索新的商业模式、发展路径和经济机会的过程中创造出新的知识。知识管理融合了现代信息技术、知识经济理论、企业管理思想和现代管理理念，是匹配于知识经济时代的管理思想与方法。Davenport 等［4］将知识管理定义为“收集，分配和有效使用知识资源的过程”。O'Dell 等［5］将知识管理视为在企业的一种策略，确保知识在指定的时间到达正确的人，并确保他们传播和使用信息以增强组织的知识水平。Bhatt［6］认为知识管理是创建，验证，呈现，分发和应用知识的过程。Bounfour［7］将知识管理描述为企业内的一系列管理和技术工具，目的是更好地传播和利用知识和信息。Bueno 等［8］将知识管理视为一组过程，是利用知识作为企业增加价值和创造价值的主要决定因素。吴溢华等［9］指出，知识管理是提高组织或个人核心竞争力的重要因素,知识分类是知识管理的基础,在组织中构建一个量化与质化的知识系统，让组织中的资讯与知识透过获得、创造、分享、整合、记录、存取、更新、创新等过程，不断的回馈到知识系统内，从而建立起次序化、规范化、系统化的知识世界，有助于企业做出正确的决策，以适应市场的变迁。随着知识经济时代的来临，知识管理作为知识的主体因素而不断发展。

2.2 产业竞争优势

竞争优势（Competitive Advantage）是战略管理领域的一个重要概念，含义是企业相对于竞争对手拥有的可持续性优势，包括获得领先的市场份额或者在特定产业中具有超过具有平均水平的业绩表现。Porter［10］认为，一国的贸易优势并非简单地决定于自然资源、劳动力、利率、汇率，而是在很大程度上决定于产业创新和升级的能力。当代的国际竞争更多地依赖于创新知识的创造和吸收，竞争优势的形成和发展已经不再局限于单个企业或行业的范围，而是成为一个经济体内部各种因素综合作用的结果。一国的价值观、文化、经济结构和历史都成为竞争优势的来源，总成本领先战略、差异化战略和专一化战略是获得竞争优势的3 种通用策略。Teece 等［11］认为，竞争优势也可能来源于企业内部，企业的竞争优势体现在多个方面，包括创新速度、产品质量、生产效率以及市场反应等较之于行业中其他企业的优势程度。Rao［12］指出竞争优势主要包含4 个方面，即提高效率，提高质量，提高生产率或节省成本。Sigalas 等［13］认为竞争优势应该重点关注绩效方面的概念，差异化是获取竞争优势的有效手段，而创新是形成差异化的最佳途径。Porter［14］的“钻石体系”理论指出，特定产业中的企业的组织方式、管理方式、竞争方式取决于所在地的环境与历史。若是一个企业所在区域鼓励创新，有政策与规则刺激企业训练技术、提升能力与开展固定资产投资，企业自然有竞争力。强势区域竞争对手也会刺激企业不断地提升与改进。

检索对影响竞争优势因素的研究，朱秀梅等［15］研究了双元创业学习在学习导向与企业竞争优势之间的中介作用，董保宝等［16］采用交互效应模型研究网络导向、创业能力与竞争优势的关系，温超等［17］分析了创业学习、创业战略与新企业竞争优势的关系。李巍［18］探讨了中小企业创新均衡对竞争优势的影响机理,马巧鸽等［19］研究了大数据分析能力与制造业竞争优势，俞会新等［20］研究了网络嵌入、绿色创新与企业竞争优势关系。通过文献检索发现，虽然在理论上可以认为知识管理基础、技术创新与竞争优势之间存在相当密切的关系，相互之间的实际联系还是缺少实证研究。

2.3 产业创新能力

创新是知识经济的重要特征，是企业获得竞争优势的有效手段。当一个企业进入某个产业时，由于缺乏市场资源和顾客人口，通过创新速度、组织结构、管理和营销等内在表现，能够让组织在不确定性较高的创业环境以及激烈的市场竞争背景下处于有利位置。技术创新是产品和过程中的新颖性的体现，是产品和流程创新的结合。张晖明等［20］指出技术进步是推动产业结构升级的内生的直接动力。付宏等［22］认为，创新实现了技术进步，也带来了新的市场、管理效率提升和改善的制度供给环境，推动了产业结构的高级化发展。近年来，以云计算、大数据为代表的创新技术不断涌现，推动信息产业向纵深发展。

创新能力、创新效率或绩效一直是研究的热点，常见的研究方法包括专利文献计量；仿真模拟；灰色关联方法；结构方程模型；数据包络分析方法(DEA)；随机前沿生产函数模型；柯布-道格拉斯生产函数模型等。已有的研究更多从线性因果关系出发设定模型，需要进行较多的假设以消除内生性问题，有可能导致某些有现实意义的变量被排除在模型之外，同时对于复杂系统中的非线性关系或者高维回归问题无法处理。

3 研究假设

3.1 技术创新与竞争优势的关系

网络就绪指数（NRI）由世界经济论坛（WEF），康奈尔大学和INSEAD 联合发布，基于技术、制度和环境、行为者、影响力4 个部分共计62 项指标，全面地对各国的信息技术能力宏观情况进行评估打分。根据2019 年的NRI 指数，亚太地区得分最高的是新加坡，世界排名第2 位，其次是马来西亚（32 位）、中国（41 位），泰国、越南、菲律宾、印度尼西亚的得分均低于亚太地区平均水准，但子项目进步显著。

技术范畴是创新的来源，技术能力是创新的基础，有了良好的通信和互联网基础，信息技术产业创新才有立足的根本。中国和东盟六国均高度重视信息基础网络建设，中国是世界上最大的电信市场，移动、固定电话和宽带的用户数量都居于世界第一位，在国家“降费提速”政策指导下，2015 年开始的3 年内投资超过62 亿美元，光纤建设覆盖全国95%的行政村，有效地促进了电子商务等互联网应用的发展。新加坡基于亚太地区的区域和国际海底光缆枢纽地位，拥有世界上最发达的移动市场之一，4G 网络覆盖排名世界第1 名。马来西亚、泰国、越南、菲律宾和印度尼西亚也依托于其庞大的人口基数带来的需求，由政府牵头，运营商推动，积极推动网络覆盖率，寻求将网络过渡到最新一代的移动和固定技术。根据2019 年网络就绪指数（NRI）指标，新加坡在移动应用APP和机器人领域排名世界第1，在“公司对新兴技术的投资”“政府采购先进技术产品”“ICT/PCT 专利申请”“计算机软件支出”“人工智能”等领域都有良好表现。值得注意的一点是，泰国、菲律宾和印尼三国在“公司对新兴技术的投资”方面表现也很突出，均接近或进入了前30 名。泰国的机器人密度排在第28 名，印尼的“政府采购先进技术产品”子项目排名第12 名，仅次于中国（10 名）。

中国和东盟六国对新型信息技术的关注度和投入非常高，人工智能等新技术领域受到高度关注。新加坡计划投资1.5 亿新元以提高对未来数字经济发展的AI 能力，并在年度世界经济论坛上发布了《人工智能治理框架》，详细论述了如何符合伦理并负责任地使用人工智能的框架；马来西亚发布了《国家大数据分析框架》，并在该框架基础上扩展推出了人工智能国家战略；越南也制定了《决定发布实施“2025 年人工智能研究与开发”的计划》文件。基于物联网的工业互联网是制造业发展的主要趋势方向。2019 年发布的《东盟数字融合框架行动计划》中提出要进一步促进东盟在数字融合领域的合作，以更好地应对第四次工业革命。新加坡把物联网视为迈向智慧国家的重要基础，目前已经建设了多间创新科技培育中心，针对物联网领域相关技术进行研究，马来西亚也提出要将物联网产业打造成优势产业，泰国和越南业相继出台了物联网战略和计划，东盟六国2019 年在物联网的投资累计达到7 亿美元。综上所述，我们可以得到以下的假设（技术创新用TI 表示，竞争优势用CA 表示）：

H1:技术创新（TI）积极影响竞争优势（CA）。

3.2 创新环境与竞争优势的关系

区域地理范围内的网络构成以及由此带来的本地化学习成本降低，有利于隐形知识学习和流动。系统促进本地化学习过程能够提高创新性和区域经济的竞争优势。制度和环境对技术创新的作用主要表现在降低交易成本、形成激励机制、降低行为风险等几个方面。在2019 年的NRI 网络就绪指数中，中国和东盟六国在“商业便利程度”“法律框架对数值业务模型的适应性”方面表现突出。除了泰国之外，所有国家的“电子商务立法”都获得了满分评分，说明中国和东盟六国对于电子商务的立法监管高度重视。越南的“在线信任安全”获得了满分，印尼排名世界第3 名。新加坡在“电子参与”、“本地在线内容的可用性”和“使用数字支付的城乡差距”子项目都获得了90 分以上的评分。菲律宾和中国的“电子参与”分别排在第19 名和第29 名。

政府的高度积极参与具体体现在几个方面。首先是政府加大研发投入，新加坡政府从2016 开始的4 年内共计划投资191 亿新元用于科研和创新，并设立了“标准、生产力与创新局(SPRING)”作为推动创新的专责机构。基于高效的政府机构，新加坡年度研发支出占GDP 比例约2%～3%，专利数量全球第21 位。中国则是世界第二大研发经费投入国家，研发总额仅次于美国。其次是政府主导型的科研或创新中心，新加坡创立了全球科技创新中心模式，越南也在河内建设了国家创新中心，初期投资8 000 万美元，目标是吸引40 家网络安全、数字内容、智能制造和智慧城市技术的大型科技公司，以及150 家初创公司/中小型企业和15 家风险投资基金入驻。再次是政府为创新提供的各种优惠配套政策，马来西亚的“多媒体超级走廊”配套了多达10 项优惠政策，其中包括“可自由在全球范围内集资借贷”、“免除最长达10 年的盈利税”等，吸引了谷歌、Facebook、苹果、华为、三星、芒果卫视、普华永道、中国电信等企业入驻，形成了强大的数字化转型驱动力。政府主动将新技术应用于电子政务也具备强大的创新推动力。新加坡提出了eCitizen（电子公民）”和“eGov（电子政务）”口号，已经实现了全球领先的电子政务模式。中国和马来西亚也在电子政务方面取得了显著的成绩。政府网站提供在线信息和为公民提供参与性工具和服务，包括电子信息，电子咨询和电子决策等范畴。另一方面，各国的知识产权保护意识和手段也不断提升，东盟各国共同建立知识产权门户网站，并通过东盟电子商务协调委员会协调争议问题，充分激发了信息技术创新的活力。

根据研究成果和实际案例，可以认为优秀的创新环境本身就是一种竞争优势，同时良好的创新环境能够形成更好的技术创新产出，进一步扩大竞争优势地位，因此，我们提出以下假设（创新环境用IE 表示）：

H2a：创新环境（IE）积极影响竞争优势（CA）；

H2b：技术创新（TI）在创新环境（IE）与竞争优势（CA）之间起积极中介作用。

3.3 知识管理基础与竞争优势的关系

在知识经济时代，知识和技术等无形资产已成为企业竞争优势的重要来源，是企业的战略资产。创新技术带来了独特的产品和服务的开发，成功的技术创新很大程度上取决于公司拥有的知识资源，良好的知识管理能力已经成为企业的核心能力之一。McDermott 等［23］指出，企业可以通过持续改进或根本性创新来促进业务发展，这两种方法都是通过吸收组织内部的新知识和相关知识而开展的。郝亚美［24］认为知识管理的实施有助于提高研发型企业的核心竞争力，建立知识管理体系是研发型企业不同于传统企业的本质区别。魏江等［25］提出企业集群功能整合和知识整合是促进集群企业创新能力跃迁的必要条件，通过知识嵌入能推动企业形成创新网络从而获得竞争优势。信息技术产业是由依托于信息技术之上而形成的上下游企业所构成的产业集聚，包括开展信息编码，信息传送，信息检索，信息平台，信息安全保护和提供各种基础设施的企业。ICT 及其与服务业的融合以及移动互联网技术的发展推动形成了一个更具流动性的市场结构，形成了大量新的用户类型，其中包括大量具有不同专业知识和能力的行为者。具备良好的知识管理能力的个体可以通过创造新的细分市场和新的机会而显著地扩张产业边界，从而实现波特所提出的“成本领先”和“差异化”等竞争优势目标。

企业是生产性知识的载体，通过不断地创造和吸收知识，在探索新的商业模式、发展路径和经济机会的过程中继续创造出新的知识。Subramaniam等［27］认为，企业的创新能力在很大程度上取决于其智力资产和利用知识的能力。知识作为组织资产使公司能够为其产品和过程注入新的事物。当创新需要新的变革投入时，知识管理就成为了创新绩效的重要来源和促成因素，知识管理包括识别和分析所需知识和可用知识，以及计划和控制行动以进一步扩展知识资产以实现公司目标［28］。Nielsen［29］认为知识管理不仅可以提高创新绩效，还可以促进公司的竞争优势。Zheng 等［30］通过对218 家中国制造企业的实证研究发现，网络环境下基于知识的动态能力与企业创新之间存在正相关和显着相关。一个在快速变化的动态市场中竞争的信息技术企业需要具备强大的知识管理能力，才能够不断地学习创新并对瞬息万变的市场条件做出快速的响应，以获得可持续的竞争优势。无论是在硅谷、班加罗尔还是杭州和深圳，信息技术产业都在寻求向最新的科技成果以及成果应用场景的趋近，企业不断地开展组织化学习和网络化学习，去寻求已经完成聚类的、完成编码的、被证明有应用性能和生产效率的信息并重构成为创新的重要推动力量。

因此，对于知识管理、技术创新和竞争优势之间的关系，我们提出以下假设（知识管理用KM 表示）：

H3a：知识管理（KM）积极影响竞争优势（CA）；

H3b：技术创新（TI）在知识管理（KM）与竞争优势（CA）之间起积极中介作用。

创新环境对知识管理的积极影响作用见于多个文献之中。从认知角度来看，由于精神和文化层面的存在，人类解决问题往往依赖于先前的创造，或者说是经过选择后所采取的各种恰当的方法和规则。知识可分为显性知识(Explicit Knowledge)和隐性知识(Tacit Knowledge)。信息技术企业的知识创造通常有以下途径：（1）企业的自组织和网络化学习；（2）企业模仿进入；（3）用户参与（用中学）；（4）大学/研究机构开展的研究；（5）微个体开展的创新。知识的创造是在一定的创新环境中产生的，包括上下游产业支持，配套设施环境，制度、文化和政策等。在知识被创造出来以后，就进入了知识转移(包括知识传播和学习)的态势之中。知识转移是一种“知识拥有者”与“知识接收者”之同的一种动态互动的过程，由转移主体（社会成员）、转移内容（特定的知识）、转移媒介和转移情景（特定的社会环境）等个要素构成［31］。知识通过中介媒体时会吸收环境中的各种噪声，环境中的噪声越少，知识转移的效果越好。信息技术产业中的知识传播途径包括本地化学习（区域集聚）、企业的主动知识传播（商业抉择）、大学/科研机构的二次传播、金融机构的间接性协助、用户的学习和传播等。

亚太地区尤其是华人聚居地区一直具有重视基础教育的优良传统，良好的教育基础对于创新知识的创造和扩散传播有极大的帮助。根据2019 年网络就绪指数（NRI），中国、新加坡和马来西亚在“阅读能力”和“数学能力”维度均表现突出。东盟各国在高校学科建设和信息技术人才培养方面制定了各种政策和措施，泰国的“研究型大学项目”选定朱拉隆功大学、玛希隆大学等9 所综合实力较强的公立大学进行研究型大学的重点建设，对其进行额外的预算分配，使其结合自身学科特色和社会经济发展需求，开展不同学科的高水平研究，并先后成立11 个卓越中心(Centers ofExcellence)［32］。新加坡政府依托发达的高等教育实力，以新加坡国立大学和南洋理工大学等著名高校为领军者，加大对信息技术的研究和人才的培养，并通过国家研究基金会把资金投入到数字经济和服务业等4 个关键领域，重点资助大型跨学科研究项目，并创建专门的人才培养路径。综上所述，我们提出以下假设H4。本研究的假设详见图1 所示。

H4：知识管理（KM）在创新环境（IE）与竞争优势（CA）之间起到积极中介作用。

图1 本研究假设

4 产业创新能力评估模型和样本选取

4.1 产业创新能力评估模型

指标体系是由一系列具有相互联系的指标所组成的整体，是预测和评价研究的基础前提，通过将抽象的研究对象按照其深层属性和特征的某一方面的标识分解成为具有行为化、可操作化的结构，并对指标体系中每一构成元素（即指标）赋予相应权重，实现从各个侧面完整地反映现象总体或样本的数量特征。

Hajkova 等［33］将经济、R&D 和教育作为系统分析的输入变量，通过集成化的神经网络和聚类分析模型对欧洲联盟中的区域创新系统进行实证检验，分析出不同地区创新系统的类型，并给出各区域创新系统拓扑图。参考其做法和相关文献［33］,并综合考虑数据的获取难度，本文选择了一系列企业及地区层面的特征变量，涵盖区域经济实力、区域人员能力、政府支持力度、区域产学研协作能力、金融环境等方面。具体采用的代理变量为企业所在地区（按省份自然区划）年度GDP、所在区域（省份）信息技术产业从业人口数量、所在区域（省份）人员大专以上教育程度比例、区域的产业支持政策数量、企业获得的政府补贴、企业所在区域（省份）的高校和科研院所数量、企业所在区域（省份）获得的外资比例。

知识管理本身是一个企业内部的管理概念，目前没有统一的测量和统计口径。前期研究大多是通过问卷调查来获取数据，由于无法开展全面的问卷调查，本文选取具有解释力的代表性变量进行研究。Gold 等［36］认为，知识管理包括知识管理基础建设和知识管理流程两部分，知识管理流程包括获取、转化、应用和保护知识方面的能力。知识管理基础建设和企业的研发投入是密切相关的。而知识管理流程的执行和知识的承载需要合格的知识型员工，对知识型员工的管理是知识管理的核心关键。体现在企业的研发人员数量上。Tanriverdi 等［37］认为，企业知识管理能力不止技术知识的管理，还包括客户知识管理能力、产品知识管理能力和运作知识管理能力，只有具备这些能力，才能更快地应对高速变化的市场竞争。市场是企业知识管理能力的最佳衡量标准，企业学习和管理知识的目的，是为了快速地进行知识的共享与应用，以加快产品更新的速度，缩短产品研发周期并降低成本，最终达到快速占领市场的目标。因此，本文选择知识管理基础投入（研发资金投入）、知识管理流程投入（管理投入）、知识员工比例（研发人员数量）、知识应用投入（市场投入）、知识管理范畴（按照新一代信息技术产业分类的企业性质）、知识累积度（企业年龄）等变量作为知识管理的衡量。

Hausman 等［38］,Caloghirou 等［39］指出专利数据与研发支出是传统的创新研究指标,这是因为专利更好地保存了创新的本质——新颖性［40］，此外，还有基于企业自身信息或其他信息来源的专家评估、历史数据分析等指标。我国国家知识产权局授予的专利有三类：发明、实用新型与外观设计，三类专利在创新程度上依次递减。为了采用结构方程模型开展研究，每个潜变量需要至少3 个测量变量，因此最终选定创新数量（3 种专利申请和授权数）、创新质量（发明专利授权数）、创新意愿（发明专利申请数），作为技术创新的代理变量。

按照波特的理论，成本领先是建立竞争优势的重要战略。要实现成本领先，要求坚决地建立起高效规模的生产设施，在经验的基础上全力以赴降低成本，抓紧成本与管理费用的控制，以及最大限度地减小研究开发、服务、推销、广告等方面的成本费用，体现在企业的各种财务指标之中。同时，对于上市公司来说，财务指标是基本面，企业无形的竞争优势，例如流程管理、企业文化、企业精神等，最终都将影响投资者的信心和决策，通过企业的市值、资产流转状况等指标体现出来。参考相关文献并考虑相关数据获取的难度和信度，选定盈利能力（资产报酬率）、成长能力（净资产增长率）、营运能力（总资产周转率）、资本结构（资产负债率）、现金流量（总资产现金回收率）、企业绩效（市值/资产总额）作为竞争优势的衡量。

由此，得到以下的创新能力评价指标体系和具体的变量设计，见图2、表1 所示。

图2 信息技术产业创新能力指标体系

表1 信息技术产业创新能力变量设定

中国部分的数据（不包括港澳台地区，下同）通过统计年鉴、锐思数据库、万德数据库等途径收集，专利数据通过国家专利管理局网站收集。东盟六国的数据通过万德数据库、统计年鉴等进行收集，通过新加坡证券交易所（SGX）、越南河内证券交易所、越南胡志明市证券交易所、菲律宾证券交易所（PSE）、泰国证券交易所（SET）、马来西亚证券交易所、雅加达证券交易所收集上市公司数据和年报，通过各国的专利管理机构收集补充专利情况。财务数据的货币单位为美元或其他外币的，根据国家统计局公布的2010—2017 年人民币年度平均汇率进行了换算。对于同一指标在不同数据库和企业年报中的含义，进行了核对以确保数据口径一致性。最后共得到592 家中国公司的3 998 条观测值，351 家东盟六国上市公司的2 808 条观测值。对主要变量进行描述性统计特征分析，发现专利授权数量和申请数量、资产负债率、市场投入和管理投入均有明显右向偏移，体现了信息技术产业中存在的技术外包和技术借鉴现象，也和信息技术产业追求高速扩张和负债经营倾向形成了对应。东盟六国的信息技术产业上市公司分布见表2 所示。

表2 东盟六国的信息技术产业上市公司分布 单位：家

4.2 创新能力指标权重确定

指标权重指某被测对象各个考察指标在整体中价值的高低和相对重要的程度以及所占比例的大小量化值。按统计学原理，将某事物所含各个指标权重之和视为1(即100%)、而其中每个指标的权重则用小数表示.称为“权重系数”。层次分析法（AHP）是一种运筹学方法，适用于难于完全定量分析的问题，将与决策有关的元素分解成目标、准则、方案等层次,在此基础之上进行定性和定量分析。具体做法是将复杂的多目标决策问题作为一个系统，建立递阶层次结构模型（创新能力评估），然后将目标分解为多个准则，进而分解为多指标的若干层次，构造出各层次中的所有判断矩阵。通过定性指标模糊量化方法算出层次单排序（权数）和总排序，并进行一致性检验，以作为目标（多指标）、多方案优化决策的系统方法［41］。

首先将目标分解为多个准则（A1～A4），准则A1:技术创新能力，准则A2:知识管理能力，准则A3:创新环境能力，准则A4:竞争优势。接着对应具体的二级指标，将准则分解为多指标(B1-B22)的若干层次。然后通过定性指标模糊量化方法算出层次单排序（权数）和总排序，以作为目标（多指标）、多方案优化决策的依据。首先明确5种重要程度标度［1,3,5,7,9］，数值由低至高分别表示某个指标相对另一个指标的重要程度,中间状态取值［2，4，6，8］。然后构造成对判断矩阵，采用专家评分法和问卷调查法进行综合评分。综合得到评估意见形成判断矩阵。对矩阵每一列进行归一化，然后对按列归一化的矩阵按行求和，即，然后将向量归一化，最后计算最大特征根，然后就可以按比例计算出权重值，如表3 所示。

表3 基于AHP 方法计算的信息技术产业创新能力指标权重值

为了确保权重值的合理性需要进行随机一致性校验。检验方法为先计算一致性指标，然后计算一致性比例CR=CI/RI，CR<0.1 时，可认为不一致性程度在容许范围内，可用特征向量作为权向量。根据随机一致性校验标准(表4)，随机一致性校验通过。

表4 AHP 方法的随机一致性校验标准

5 研究方法

结构方程模型(SEM)是处理多指标变量关系复杂状况的优秀方法，常用的结构方程模型工具有SPSS、AMOS、EQS、LISREL、MPLus 等，本文采用AMOS 软件进行建模和分析。由于所取的样本数据是面板数据，变量在时序上有很强的关联性，会对拟合效果造成很大的影响，因此采用横截面数据进行分析，具体做法是取某一年度的所有相关数据组成横截面，每组样本数量均大于500 个，满足结构方程模型对样本数量的要求。假设模型，潜变量和可测变量已在研究假设和变量选定中明确，每个潜变量均有至少3 个及以上可测变量对应。卡方检定是估计结构方程模型的拟合指标的基本工具，对于变量的正态分布十分敏感，同时，结构方程模型中最常见的极大似然估计法的应用前提也是变量的正态性，对此，我们首先进行缺失值处理，并对可测变量进行z-score 处理。

SEM 方法需要满足的基本多元假设包括数据分布的正态性、关系的线性、不存在离群值和多重共线性问题以及具有足够的样本量，否则会触发统计分析的无效性问题或使分析瘫痪，而且在面板数据的处理上存在缺失。利用人工神经网络方法则对样本要求比较宽松，且对面板数据也具有分析能力。人工神经网络(ANN)是受到生物神经细胞结构启发而研究出来的一种计算体系，是一种由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统，由于具有大规模并行分布式结构和强大的学习及泛化能力，能在遇到一些当前难以处理的复杂问题找到较好的近似解。人工神经网络能够处理线性和非线性关系，同时对所有多元假设都具有鲁棒性。为了更好地对比研究，同时采用BP 神经模型和CNN 神经网络模型进行分析。BP 神经网络模型设计两个隐藏层，将可测变量作为输入，预测变量作为输出，通过均方根误差RMSE 的测量来进行结果分析。作为深度学习的一种模型，CNN 神经网络通过卷积提取不同的特征，滤波器的权重在训练期间自动学习，然后将所有提取到的特征“组合”以作出决定。根据样本数据的特点，基于AlexNet 卷积网络模型的原理，参考Rajkomar 等［43］的方法进行模型设计，技术创新或竞争优势数据作为分类标签，知识管理、创新环境和技术创新作为输入，随机生成70%数据集进行模型训练后，用30%测试集进行预测，与实际数值进行对比以判断输入变量之间的关联关系。

6 结果分析

6.1 结构方程模型结果

为了保证结构方程模型的拟合结果，分别采用Cronbach's Alpha、Composite Reliability(CR)组合信度和AVE 三种校验方法进行信度和聚合效应检验，结果如表5 所示。通常Cronbach's Alpha 系数达到0.7～0.8 时表示量表具有相当的信度，达0.8～0.9 时说明量表信度非常好,所选取的潜变量的Cronbach's Alpha 系数和组合信度CR 均在0.8 以上，平均提炼方程AVE 均在0.6 以上，说明样本的信度良好，符合结构方程模型的要求。

表5 样本数据的信度和聚合效度

模型采用极大似然估计，结果如表6 所示。模型的卡方统计量为246.3，自由度110，GFI 为0.909，RMR 为0.032,RMSE 为0.046，NFI 为0.925,TLI 为0.917，CFI 为0.904，整体拟合效果较好。同时对各潜变量和可测变量之间的因子载荷进行测量，在0.05的显著水平下各变量的因子载荷全都显著不为0，说明测量模型符合要求。

表6 结构方程模型的拟合效果

具体观察潜变量的路径系数如表7 所示，可以看到，技术创新、创新环境和知识管理对及竞争优势的影响在0.05 的显著性水平下显著，且系数为正，说明不能从统计上拒绝假设H1、H2a、H3a。知识管理和创新环境对技术创新的影响同样在0.05 显著性水平下显著不为0，创新环境与知识管理之间的关系在0.05 显著性水平下为0.303。

表7 结构方程模型各潜变量间的路径系数

考虑到横截面是按照单一年度来截取的，可能会因为当年存在特别情况导致竞争优势的决定机制存在差异，因此再随机抽取一个横截面数据进行对照分析，测量权数和结构权数保持不变，同样进行信度和效率检验合格，模型拟合效果较好，因子载荷在0.05 显著性水平下全部显著不为0，得到的路径系数如表8 所示，可以看到模型估计结果保持基本一致。

表8 另一组横截面数据测量的各潜变量间的路径系数

除此之外，还考虑了经济发达省份和不发达省份，以及基础设施子行业和信息技术服务的不同造成的影响机制区别，进一步选取不同的横截面数据，采用按区组变量进行多组分析，多组模型中经济发达和欠发达省份，以及基础设施子行业和信息技术服务业共同的路径系数估计结果如表9 所示，与未分组模型的估计结果基本一致。

表9 结构方程模型多组模型路径系数估计结果

表9 （续）

中介效应采用Sobel 检验方法，经检验发现（见表10），技术创新（TI）在创新环境（IE）和竞争优势（CA）之间，以及在知识管理（KM）与竞争优势（CA）之间均存在中介效应，Z值在0.001 显著性水平下均显著，效应值分别为43.47%和29.88%，假设H2b和H3b得到初步证明。知识管理（KM）在创新环境（IE）和竞争优势（CA）的中介效应Z值为1.876，在0.05 水平下大于1，说明中介效应也存在，效应值为22.45%。假设H4得到初步证明。

表10 结构方程模型中介效应测量结果

6.2 机器学习结果

将数据样本通过设计的模型进行训练和测试，初始学习率设置为0.001。采用不同的算法改变学习率，选择不同的测试集与训练集的比例，为了对比模型的拟合优度，同时设计了一个4 层BP 神经网络进行对比。其中隐藏层2 层，按照经验公式估算，采用同样的梯度下降方法和激励函数，迭代次数设置为1 000 次，运行结果显示，改进的卷积网络模型在收敛时间和拟合优度上均优于BP 神经网络。且预测值与实际值的RMSE 均较小，从另一个侧面证明了前述各项假设。机器学习方法对中介效应的解释力较弱，替代方法是利用Matlab 中的灵敏度分析（Sensitivity Analysis）模块进行分析，即控制其他变量，仅改变一个解释变量从而观察结果变化，共建立9 个模型进行输入分析，结果如表11 所示，结果与结构方程模型基本一致：

表11 CNN 网络和BP 网络的结果对比

7 中国-东盟信息技术产业创新能力

7.1 创新能力评估和预测

对3 年窗口期的创新能力进行评估，在CNN模型中采用全连接函数Softmax 函数进分类输出，Softmax 函数会将数值投射到［0,1］的概率区间上，因此我们对［0,1］的概率空间进行平均区分，按0.2的跃度区分5 个区间，分别对应一种创新能力值。由于越多的特征刺激会形成越靠近概率为1 的的分布，因此我们将(0.8，1］区间定义为综合创新能力“优秀”，其他依次类推，结果如表12 所示。

表12 2010—2017 年中国和东盟六国创新能力趋势

从表12 中可以看到，中国和东盟六国的信息技术企业总体创新水平处于中等偏下，优秀创新企业数量仍然较少，体现在创新产出、财务指标等多个维度对结果输出的特征刺激不足上。2015—2017窗口期60%分位以下（普通，一般，差）占比分别为中国88.75%，东盟六国79.2%。但我们也观察到，40%分位以上（普通，较好，优秀）占比同比第一个窗口期（2010—2012）分别增长了18.41%和13.96%,说明2010—2017 创新能力总体有提升趋势，这个输出结果与GII、IDI以及NRI指数是基本一致的。

进一步预估以下几个创新相关指标：（1）创新产出效率:3 年窗口时间内的专利获批数量/专利申请数量；（2）研发投入的创新产出率:均一化后的专利数量/研发投入；（3）政府补贴的创新意愿推动性：均一化后的专利申请数量/政府补贴。预测情况和误差如表13 和表14 所示：

表13 2010-2017 年中国创新相关指标预测情况

表14 2010-2017 年东盟六国创新相关指标预测情况

表14 （续）

预测正确率均高于85%，从预测走向来看，创新相关指标均呈现增长趋势，但研发投入的创新产出率和政府补贴的创新意愿推动性均低于50%的概率分布，体现出产业中研发投入和政府补贴数据对实际创新产出的推动力有待提高。

7.2 关键变量的模型敏感度

根据参考文献［44］，可以在机器学习模型中人为增加或减弱某一局部特征后，观察模型的输出和预测值的变化（用模型输出值的变化百分比来表示），来判断关键变量的模型敏感程度。具体做法是通过缩放样本中的参量数值（分别乘以0，0.5，1.0 和1.5），输入模型再次进行预测。结果如表15 所示，可以看到中国和东盟六国的企业的自主创新、创新意愿、研发投入、企业所在地区的GDP、政府补助、企业规模指标对总体能力值影响较大大，地区从业人口规模和教育程度也具有相当的影响力，说明区域集聚性和用户参与也是影响信息技术产业创新能力的重要因素。

表15 创新能力关键变量的机器学习模型敏感度

8 结论与建议

通过文献检索，可以发现创新环境、知识管理和技术创新与竞争优势的关系均有很多研究成果，但是数者之间的综合关系研究仍然少见。同时，各类研究多采用问卷调查方式，在解释力上存在不足。本文采用2010—2017 年中国和东盟国家的信息技术产业上市公司数据，基于产业特点进行指标体系设计和变量选取，采用结构方程模型、BP 神经网络和改进的CNN 卷积神经网络模型分别进行研究，发现在信息技术产业中创新环境、技术创新以及知识管理均对竞争优势具有正向的影响，也验证了技术创新在创新环境与竞争优势之间，以及在知识管理与竞争优势之间的中介作用。知识管理在创新环境和竞争优势之间的中介作用是很有意义的一个发现，优良的创新环境对于信息技术企业的发展具有重要作用，但是如果没有良好的知识管理能力，没有形成良好的知识创造、辨别、吸收和扩散的内在基因，企业是无法在快速迭代变化的市场竞争中存续的，近年来我国不少“独角兽”如共享自行车、互联网金融等的溃败，都有知识失能的因素在内。

中国和东盟各国的信息技术产业发展各有侧重，但创新都是重点关注的领域，创新能力和绩效是创新研究的重要方向。中国和东盟国家的信息技术产业发展虽然仍然处于中等水平，但是发展势头良好，潜力巨大，应推进网络先行的“一带一路”战略，把“信息丝绸之路”打造成以通信和互联网产业为抓手的新型国际贸易之路，沿路各国信息交流上互联互通，优势产业互补，媒体共享共赢，在资源互换、人员交流、业务培训上加强互动，推进产学研之间的高效协作，建立起多元、长效的交流合作机制，共同促进经济和社会发展进步。