基于结构特征的产业共生模式分析

5.5.1　聚类分析

加入代表网络方向性的等级度和度数中心势(出度、入度)指标，对样本进行全部指标的聚类分析。聚类参数的选择同上所述，得到图5-25。

从图5-25中可看到，22个样本被分为不同的类别。按照聚类原则(尽量保持类别不少于2，而且各类别内样本个数不要差异过大)，可认为图中反映了3个类别，分别为:

图5-25　基于所有指标的有向网络分析下的聚类结果示意图

第一类:密西西比、Brownsville、Choctaw、日照(规划)、日照(2005)、Kwinana、贵糖、南海、黄兴、Styria，共10个;

第二类:斐济、卡伦堡(1975)、卡伦堡(1985)、卡伦堡(1995)、蒙西、枣庄、鲁北、青啤，共8个;

第三类:潍坊(2005)、潍坊(2007)、Mino Onsan、Kola Peninsula，共4个。

这一分类情况与之前学者作出的结果均有不同之处，尤其是与定性研究中较典型的分类方法——嵌套型、依托型、平等型，有一定差异。将此聚类结果与基于无向网络的聚类分析结果(表5-10)进行对比，不难发现部分相同的案例如黄兴、斐济等被分类至不同的类别，其余的共同案例基本保持相同的分类结果。这既说明采用有向网络的聚类与无向网络的聚类的研究成果有一定的延承性，也表明了两者间存在差别。

表5-10　基于无向网络的产业共生网络聚类分析结果

5.5.2　公因子分析

为了更好地提取所有指标对样本的影响，可采用因子分析方法提取出几个公因子。

1.方法的适用性检验

首先检验方法对样本的适用性。由表5-11可知，KMO统计量为0.719，说明各变量间信息的重叠程度可能较高，因子分析模型较好。再通过Bartlett球形检验可知，各变量的独立性假设不成立，故因子分析的适用性检验通过。

表5-11　样本因子分析适用性检验表

2.因子载荷矩阵计算

由相关系数矩阵R计算得到特征值、方差贡献率和累积贡献(表5-12)。第一因子的方差占所有因子方差的55%左右，前三个因子的方差贡献率达到83.533%(＞80%)，因此选取前三个因子足够描述选取的产业共生网络的总体水平。

表5-12　公因子方差贡献率及累积贡献率

提取出三个公因子后，可以计算各变量的共同度(表5-13)。变量共同度表示各变量中所含原始信息能被提取出的公因子所表示的程度。从表5-13中所示的变量共同度可知，所有变量的共同度基本上在70%以上，因此这三个公因子对各网络特征指标的解释能力是比较强的。

表5-13　变量共同度

采用主成分法计算因子载荷矩阵A，根据因子载荷矩阵可以说明各因子在各变量上的载荷，即影响程度。由于初始的因子载荷矩阵系数不太明显，为了使因子载荷矩阵中系数向0～1分化，对初始因子载荷矩阵进行Quartimax旋转，旋转后的因子载荷矩阵如表5-14所示。

由表5-14可以看出，第一公因子在x 2(平均度)、x 4(聚类系数)、x 6 (效率)、x 8(出度中心势)和x9(入度中心势)上有较大载荷。

第二公因子在x 5(等级度)、x 7(中间中心势)上有较大载荷。

第三公因子在x 1(节点数)、x 3(密度)上有较大载荷。

根据以上分析，可以认为第一公因子F1为表征网络聚集程度的变量，第二公因子F2为表征网络等级性的变量，第三公因子F 3为表征网络规模的变量。与无向网络分析相比，有向网络分析中存在F2因子，表征了网络的等级性(即有方向性)。这一区别补充证明了对于研究产业共生网络而言，有向网络分析方法更具适用性。

表5-14　旋转后公因子矩阵

从表5-15可看出，三个公因子间的相关性极小，可认为这几个公因子间没有重叠提取原始的变量信息，因而旋转后得到的因子分析结果是可信的。

表5-15　公因子相关性矩阵

3.因子得分计算

为了考察样本的发展状况，并对其进行分析和综合评价，采用回归方法求出因子得分函数，SPSS输出的函数系数矩阵如表5-16所示。

表5-16　变量对公因子的系数矩阵

由系数矩阵将三个公因子表示为9个指标的线性形式。因子得分函数为:

三个公因子分别从不同侧面反映了所选取22个案例的产业共生网络总体情况，但单独使用某一公因子并不能对各案例做出综合评价，因此按各公因子对应的方差贡献率为权数计算如下综合统计量:

则可计算得出表5-17。

表5-17　各样本中公因子得分及排名表

续 表

根据因子综合得分可得出图5-26。从图中可发现，整个区域基本可划分为三类，分别代表不同类型的产业共生网络，即在上节中得到的三个类别。第三类得分最高，除潍坊(2005)和潍坊(2007)外，得分均在1～2;第二类得分居中，得分基本在0～0.5;第一类得分最低，除贵糖外(0.060 4)，其余案例得分均在-0.1～-1.5。需要指出的是，这一得分并不适用于评价案例网络的发展状况。其原因在于对于不同的网络案例，在三个公因子上得分不尽相同，网络规模较小的网络更趋向于获得更高的网络集聚度。然而由前述分析，代表集聚度的公因子F 1对综合得分的权重为0.657，几乎是其他两个公因子权重之和。所以有可能出现这样的情况:即使网络规模较小、方向性较差，但由于集聚度较高，而综合得分较高。例如卡伦堡(1975)，其F2得分排名为18，F3得分排名为21，而F 1得分排名为3，最终的综合得分排名为3。相反对于潍坊(2007)，尽管其F 2和F3得分排名分别为第2和第4，但其F1得分排名为18，最终导致其综合得分排名为第10。然而，不能仅因为卡伦堡(1975)综合得分比潍坊(2007)高，就断定前者的产业共生网络发展状况优于后者。事实上，这两个案例分别隶属于不同的网络类别，并不具有多大的网络状况可比性。

根据图5-26可以得出图5-27，图5-28和图5-29，分别反映了22个案例样本作为三个类别在三个公因子F1，F 2，F 3所组成的二维空间中的分布。

首先，不难看出三个类别的案例在代表集聚度的F1得分上有着明显不同的分布规律。第一类别的F 1得分基本位于图的左侧区间(仅Choctaw案例例外)，得分值浮动范围为-1.5～0。第二类别的F 1得分值基本位于图的右侧区间(仅青啤案例例外)，得分浮动范围为0～1。第三类别的F1得分的规律性稍差，潍坊(2005)与潍坊(2007)的F 1得分在-0.5附近，其余两个案例得分均较高，位于1～1.5。因此三个类别的案例在F 1分值分布上基本呈现出了块状分布，即第一类别＜第二类别＜第三类别。这一现象说明对于由上节中聚类分析得到的三个类别而言，其在F 1因子(即集聚度)方面有着较明显的差异。第一类别的集聚度最小，为稀疏联系网络;第三类别的集聚度最大，为紧密联系网络;第二类别集聚度居中，为一般联系网络。

图5-26　各样本因子综合得分示意图

其次，三个类别的案例在代表方向性的F2得分上也有明显的分布规律。第一类别的F2得分基本在-0.1左右浮动，浮动区间约为0～-0.2，平均值为-0.11。第二类别的F2得分基本在0左右浮动，浮动区间为-0.2～0.1，平均值为-0.02。第三类别的F2得分基本在0.4左右，仅Kola Peninsula案例得分较低，整个类别的F2得分均值为0.32。因此，三个类别的案例在F2分值分布也基本呈现出了较明显的块状分布，即第一类别＜第二类别＜第三类别。这一现象说明了对于此三个类别而言，在F2因子(即方向性因子)方面有较明显的差异。第一类别的案例方向性较差，网络成员间关系趋于平等;第二类别的案例方向性一般，网络成员间关系介于平等与“等级森严”之间;第三类别的案例方向性最优，网络成员间关系相对“等级森严”，较具有金字塔式网络结构。换句话说，第三类别的网络在等级性层面上更类似于我们经常提及的食物网，具有比较明显的角色分类:网络关系的“给予者”、“中介者”和“接收者”。

最后，三个类别的案例在F3因子上得分分布相对紊乱，规律性较差。从图5-28和图5-29中可看出，F 3因子得分相似的案例可能归属于不同的聚类类别。然而，这一现象恰好从反面说明了不同的网络类型可以包含不同规模的网络。有的网络规模较大，但不一定具有良好的等级性和聚集度;而规模较小的网络，则可能“麻雀虽小五脏俱全”，从而有紧密的网络关联。这一结论表明，不同规模的网络可根据自身特点，选择不同的网络类型而发展。例如，网络节点数同为11的Choctaw案例和枣庄案例，分别属于第一类别和第二类别;网络密度同为0.24的卡伦堡(1985)案例和潍坊(2007)案例，分别属于第二类别和第三类别。

图5-27　F 1与F 2因子的得分关系分布图

图5-28　F 1与F 3因子的得分关系分布图

图5-29　F 2与F 3因子的得分关系分布图

根据以上分析，可以归纳出三个类别的特征:

第一类别为集聚度较低、等级性较差的网络类型，可称其为“稀疏平等型”网络。网络中各成员联系较少且地位较平等。此类别中包含了在传统定性模式中划分的嵌套型网络(Styria)和平等型网络(黄兴)。此外该类别还包含了在定性研究中被划分为依托型网络的贵糖案例。事实上，本结论(贵糖与Styria同属一类网络)与前面章节中利用无向网络的聚类分析结果相似。

第二类别为集聚度一般、等级性一般的网络类型，可称其为“一般联系型”网络。此类别中包括在定性研究中被划分为依托型网络的卡伦堡案例和鲁北案例。

第三类别为集聚度较强、等级性较强的网络类型，可称其为“紧密层次型”网络。此类别中案例在以前研究中未被定性分类过。

通过观察本章开始对每个案例的网络结构示意图，可将案例网络划分为如下三类。

(1)网络中大部分节点联系稀疏且较平均，仅少数节点与其他节点联系稍微紧密。这一特性说明这一产业共生网络中企业间共生关系较少。这种类型的网络包括日照(规划)、日照(2005)、南海等。事实上，以上所举案例都属于综合性的园区。如日照案例是全国第13个综合性生态产业园区，其中并没有明显的形成生态链条的主导型行业。从图5-7和图5-8中不难发现，相对重要的节点当属糖厂和水泥厂，分别与6个以上的企业有共生关系，超过网络的平均度3.16(规划)和2.91(2005年)的一倍左右。然而网络中却缺乏这些重点企业的上下游企业，甚至是同行业内的企业。与其相联系的企业中除公共设施类(如热电厂、污水处理厂等)外，还包括木浆厂、技宝电子公司、大海油脂厂、饲料厂、砖厂、柠檬酸厂、钢厂、沼气池、养鱼塘等。同样从图5-4中可看出，南海案例中与其余企业联系较密切的企业为环保仪器设备厂、集中供热站和活性碳厂，与之相联系的企业数分别为6个、5个和4个，这些企业类型包括五金回收厂、零部件厂、线路板厂、绿色胶黏厂、废水处理厂、铝型材厂、绿色板材厂、陶瓷厂等，与那三个企业的类型均有较大差异。这三个企业外的其余企业间也存在共生关系，只是较为稀疏，基本每个企业的度数均低于平均度3.17。

因此，在某种意义上可以说，这一类型案例的产业共生以单个企业的“单打独斗”为发展模式，而没有形成一个行业或几个行业间的共生合作关系。或者说，这一类型案例的产业共生关系属于狭义的(传统意义上的)产业共生范畴，即仅仅是副产物和废弃物的再利用。

(2)网络中存在少数几个重要节点，与大多数其余节点有联系，而非重要节点之间的相互联系相对较少。这一类型的案例包括卡伦堡(1975)、卡伦堡(1985)、卡伦堡(1995)、青啤等。在这些案例的网络结构示意图中，可发现网络基本由一个或几个重要节点维系，若移除这些节点，共生网络将被严重破坏。例如，在卡伦堡三个不同时期的案例中，电站和炼油厂均扮演着这类至关重要的角色。在青啤案例中，这一角色则由生产车间承担。表5-18可表明这些节点在网络中的重要性。在这一类型的案例中，重要节点的度数占网络总度数的百分比均在50%以上，其余节点之间的联系较少，使得这一类型的网络呈现出类似星型的放射型结构，在某种程度上与定性分类中的依托型相似。与上一种类别相似，这一类型中的共生关系包含传统意义上的产业共生，网络内有共生关系的企业的类型基本不相同。然而，稍有不同之处在于，这一类型案例中存在非企业节点，例如卡伦堡案例中的海水、原煤等，表征了工业生产中重要的自然资源。因此，这一类型的产业共生关系除传统意义的产业共生关系之外，还包括企业对重要自然资源的依赖关系。

表5-18　重要节点在网络中的度数占网络总度数的百分比

(3)与(1)中案例的网络特征相似，大部分节点联系稀疏且平均，少数节点有较大的度数。然而不同之处在于这一类型的网络的共生关系分布较为复杂，在图中的具体表现则为很难使连接节点的关系线不交叉。这一类型的网络包括潍坊(2005)、潍坊(2007)和Mipo Onsan等。造成这一现象的原因在于网络中均存在一个相对其他节点而言度数极大的节点。在潍坊的两个案例中，这一节点为热电站。在Mipo Onsan案例中，这一节点为Ulsan市。这两个节点几乎与图中所有其他节点有共生关系，从而导致网络示意图看起来很复杂。除此特点外，还有一点值得关注，这一类型的案例中企业大多属于相同或相似的行业。如在潍坊的两个案例中，大多数企业属于化工行业，仅个别企业例外，如新型建材公司和海产品养殖场等。这一现象表明，此类型网络的共生关系不仅局限于传统意义上的以副产品和废弃物为载体的产业共生关系，而还包括了以产品为载体的共生关系。例如，苦卤厂通过提供产品苦卤给硫酸钾厂作为原料，而使这两个企业形成共生关系。

因此，在某种意义上，这一类型案例的产业共生关系多建立在同一行业内，或存在于产业链内。

事实上，以上分析是与上节中利用三个公因子的角度分析相类似的。各类型网络的连接紧密程度则为集聚度因子的体现，而各自的共生关系内涵不同则反映了不同的网络等级度(或方向性)。具体而言，传统意义上的共生关系导致了节点之间较为平等的地位，包含对自然资源依赖关系的共生关系导致了节点间略有差异的地位，而在行业内或产业链内存在的共生关系则导致了节点间差距较大的地位。网络规模因子对各网络的影响则是内在的，不能通过直观的外在网络结构而反映。