中國企業(yè)“走出去”的技術(shù)進步效應(yīng)影響因素
——基于修正的多指標面板數(shù)據(jù)模糊聚類

陳曄婷，劉洪穎

（云南師范大學(xué) 經(jīng)濟與管理學(xué)院， 云南 昆明 650500）

一、 引言

在經(jīng)濟全球化背景下， 通過對外直接投資渠道獲取的國外研發(fā)資本能夠顯著提升一國的創(chuàng)新績效，特別是對于發(fā)展中國家更能起到縮短研發(fā)周期、節(jié)約研發(fā)成本的目的。 企業(yè)通過對外直接投資能夠提升具有比較優(yōu)勢的產(chǎn)品和技術(shù)的市場發(fā)展?jié)摿?，參考國外在技術(shù)層面和企業(yè)管理層面的經(jīng)驗發(fā)展，并結(jié)合企業(yè)自身特點提升綜合市場競爭力。 發(fā)展中國家企業(yè)的研究和發(fā)展（R&D）活動在全國經(jīng)濟增長和發(fā)展中越來越重要，而世界經(jīng)濟的全球化為促進知識創(chuàng)造活動提供了更多機會。

雖然“一帶一路”倡議推動著中國企業(yè)對外直接投資的發(fā)展，但從目前的發(fā)展狀況來說，中國企業(yè)對外直接投資發(fā)展歷程較短，當前仍處于摸索建設(shè)初級階段，在發(fā)展規(guī)模、資本積累、技術(shù)研發(fā)和創(chuàng)新、人才培養(yǎng)等方面處于弱勢領(lǐng)域。 此外，目前“走出去”的企業(yè)中雖然不乏通過對外直接投資成功推動企業(yè)創(chuàng)新的企業(yè)，如聯(lián)想成功并購IBM 的PC 業(yè)務(wù)，海爾集團在海外建立了8 個研發(fā)中心，北汽成功收購瑞典薩博汽車的知識產(chǎn)權(quán)等。 這些企業(yè)通過并購和綠地投資等方式，使自己在技術(shù)、產(chǎn)品等方面有了較大提高，快速增強了海外影響力和競爭力。然而不得不承認，有很多企業(yè)“走出去”卻沒能實現(xiàn)提高研發(fā)實力的目的。 如TCL 作為海外投資的先行者，但創(chuàng)新績效沒有得到顯著的提升。 “走出去”是趨勢和訴求，但沒有達到預(yù)期目標的企業(yè)也比比皆是。 在這種背景下，我們應(yīng)當盡可能從企業(yè)內(nèi)部挖掘影響技術(shù)進步效應(yīng)的因素，避免更多的企業(yè)盲目“走出去”，促使適合的企業(yè)更好地“走出去”，這也有助于中國對外直接投資取得更好的經(jīng)濟成效。

學(xué)者們對知識轉(zhuǎn)移現(xiàn)象的影響因素進行了較為廣泛的研究，最早對企業(yè)所處的外部環(huán)境作為主要的影響因素。 李梅［1］通過中國省際數(shù)據(jù)實證檢驗了對外直接投資的逆向技術(shù)溢出效應(yīng)。 結(jié)果表明，對外直接投資的逆向技術(shù)溢出存在明顯的地區(qū)差異，并存在門檻效應(yīng)。 并從經(jīng)濟發(fā)展、技術(shù)差距、金融發(fā)展和對外開放程度等方面測算了引發(fā)積極逆向技術(shù)溢出效應(yīng)的門限水平。尹東東［2］在此基礎(chǔ)上進一步檢驗了表征各因素對逆向技術(shù)溢出效應(yīng)的影響，結(jié)果發(fā)現(xiàn)國內(nèi)經(jīng)濟發(fā)展水平、對外開放程度、基礎(chǔ)設(shè)施、金融發(fā)展規(guī)模對于OFDI 逆向技術(shù)溢出效應(yīng)的實現(xiàn)起到了積極的促進作用。 隨后學(xué)者們研究影響因素的重點逐漸從外部環(huán)境轉(zhuǎn)向了企業(yè)本身，目前的研究主要從企業(yè)母公司自身特征出發(fā)。沙文兵［3］通過實證研究發(fā)現(xiàn)自主研發(fā)投入水平的不同會導(dǎo)致對外直接投資逆向技術(shù)溢出的吸收程度不同。 李梅［4］考慮了企業(yè)的管理者背景，認為企業(yè)高管政治緊密，則逆向技術(shù)溢出越顯著，高管政治聯(lián)系正向調(diào)節(jié)技術(shù)溢出對創(chuàng)新的影響。林莎［5］從進入東道國的戰(zhàn)略出發(fā)，認為跨國并購和綠地投資兩種不同對外投資方式在績效上呈現(xiàn)出差異性。 Piperopoulos［6］以對外直接投資的目標國家為研究對象，認為對外直接投資對中國企業(yè)創(chuàng)新績效有正向影響，當目標國為發(fā)達國家時，該作用更為顯著。Hsu［7］從對外直接投資經(jīng)驗的視角， 考察研發(fā)國際化對創(chuàng)新的作用， 將國際化經(jīng)驗作為調(diào)節(jié)變量來考慮。Nair［8］認為子公司所處的網(wǎng)絡(luò)、知識復(fù)雜性以及東道國的競爭指數(shù)都會影響跨國公司的知識轉(zhuǎn)移。 通過對文獻的梳理發(fā)現(xiàn)，學(xué)界對企業(yè)對外直接投資與創(chuàng)新績效的影響因素研究還并不完善，雖然已經(jīng)有學(xué)者從母公司異質(zhì)性特征的視角，如企業(yè)的研發(fā)投入、所在行業(yè)、社會資源等，也有學(xué)者從子公司進入東道國的模式出發(fā)，以并購或者綠地投資作為研究視角進行初步的探討。

通過對文獻的梳理還發(fā)現(xiàn)，影響創(chuàng)新績效的企業(yè)特征因素往往被直接用作“走出去”企業(yè)技術(shù)進步效應(yīng)的控制變量，對控制變量也缺乏進一步的分析，這顯然存在著不足。 由于跨國投資的難度加大，對企業(yè)自身也提出了更高的要求。雖然目前越來越多的企業(yè)試圖通過對外直接投資的方式學(xué)習(xí)和獲取境外的先進技術(shù)，但失敗的企業(yè)數(shù)量是不容小覷的。除了外部環(huán)境因素，每個企業(yè)的特征各不相同，探討企業(yè)特征對技術(shù)進步的影響有助于幫助企業(yè)進行對外直接投資決策。 基于上述論述，本文意圖從企業(yè)的特征入手，對企業(yè)面板數(shù)據(jù)進行實證分析。由于現(xiàn)有論文中大多采用回歸的方法，將文中要測算的變量常被用作控制變量。 也就是說，學(xué)者們普遍認為企業(yè)的規(guī)模、企業(yè)成立時間等基本特征對“走出去”企業(yè)的技術(shù)進步效應(yīng)有正向影響，為了對這種固有思維進行驗證，本文采用聚類的方法對數(shù)據(jù)進行挖掘。 但是，目前面板數(shù)據(jù)聚類方法的研究還相對欠缺，面板數(shù)據(jù)的主要作用仍然是對數(shù)據(jù)的基本形式進行刻畫，在不同領(lǐng)域不同分析方法中，仍然以研究數(shù)據(jù)的因變量模型為主要內(nèi)容［9］。

朱建平［10］最早對面板數(shù)據(jù)做了統(tǒng)計描述，用面板數(shù)據(jù)的聚類分析進行實證檢驗證明方法的有效性，某種意義上為后續(xù)學(xué)者進行研究奠定了一定的理論基礎(chǔ)。 二維截面數(shù)據(jù)聚類分析的理論基礎(chǔ)已經(jīng)很成熟，因此，一般面板數(shù)據(jù)聚類個體間的相似度問題是將基本的聚類分析用于面板數(shù)據(jù)時唯一需要考慮的問題。 部分學(xué)者也正是這樣進行實證檢驗的。 李因果［11］認為在經(jīng)濟管理問題中，必須考慮根據(jù)研究對象構(gòu)建相似的共識進行測度，根據(jù)面板數(shù)據(jù)的特性提出了反映面板數(shù)據(jù)樣本間絕對量差異、增速差異、波動性差異的距離統(tǒng)計量，之后結(jié)合改進的距離公式給出了面板數(shù)據(jù)ward 聚類法的聚類步驟。 李崢［12］定義了包含三個維度的“歐式時空距離”，在此基礎(chǔ)上對面板數(shù)據(jù)進行聚類分析，將數(shù)據(jù)進行分類，再利用面板數(shù)據(jù)的變系數(shù)模型進行實證檢驗。 劉兵［13］則考慮了時間序列的特征，研究了具有水平趨勢、非水平趨勢、線性趨勢的面板數(shù)據(jù)，以樣品指標序列的趨勢特征來設(shè)置統(tǒng)計量，但論文中還未探討其他形式時間序列的聚類問題。

基于上述論述，本文利用wind 數(shù)據(jù)庫中上市公司的財務(wù)報表數(shù)據(jù)與商務(wù)部發(fā)布的《對外直接投資名錄》進行匹配，結(jié)合修正的多指標面板數(shù)據(jù)模糊聚類方法驗證“走出去”企業(yè)技術(shù)進步效應(yīng)的內(nèi)在影響因素。 主要貢獻體現(xiàn)在兩個方面：一是從企業(yè)內(nèi)部特征的視角發(fā)現(xiàn)，與被廣泛認同的企業(yè)特征不同，并不是企業(yè)規(guī)模越大，成立時間越長，就會通過對外直接投資提高創(chuàng)新能力，反而是與“蹬羚企業(yè)”具有相似特征的中小規(guī)模企業(yè)更能在對外直接投資過程中獲取技術(shù)；二是在方法上修正面板數(shù)據(jù)的聚類方法，由于面板數(shù)據(jù)的聚類方法（灰色關(guān)聯(lián)度、降維）相對欠缺并存在聚類方法復(fù)雜、不便于使用、聚類數(shù)無法評價等問題，因此提出一種多指標面板數(shù)據(jù)的模糊聚類及評價方法。 該方法能夠有效地對多指標面板數(shù)據(jù)進行聚類。

二、研究設(shè)計

當前針對多指標面板數(shù)據(jù)的聚類方法，主要集中在一些學(xué)者將傳統(tǒng)的灰色關(guān)聯(lián)分析方法進行改良，并應(yīng)用在面板數(shù)據(jù)相似性的分析上。 劉震［14］在其研究的基礎(chǔ)上，將面板數(shù)據(jù)在三維空間的數(shù)據(jù)點看作網(wǎng)格狀結(jié)構(gòu)的節(jié)點，將網(wǎng)格拆分，從而構(gòu)建了灰色網(wǎng)格的關(guān)聯(lián)度模型。 吳利豐［15］則基于面板數(shù)據(jù)的凸性構(gòu)建了三維灰色凸關(guān)聯(lián)度、指標隨時間變化的速度和指標發(fā)展的協(xié)調(diào)水平。 錢吳永［16］將灰色關(guān)聯(lián)度的應(yīng)用范圍由一維向量拓展到二維矩陣。 多指標面板數(shù)據(jù)聚類分析的最大困難在于其數(shù)據(jù)結(jié)構(gòu)的特殊性，其聚類分析理論的構(gòu)建實際上是傳統(tǒng)多元分析方法應(yīng)用拓展到高維數(shù)據(jù)的重要突破。

目前，許多學(xué)者在聚類時用預(yù)處理的手段對多指標面板數(shù)據(jù)進行降維。 徐華鋒［17］等通過數(shù)據(jù)線性組合的方式對數(shù)據(jù)進行降維，之后采用動態(tài)聚類的方法對投影向量進行了聚類。 任娟［18］通過因子分析的方式達到降維的目的，又依據(jù)Fisher 的最優(yōu)分割法提出了多指標面板數(shù)據(jù)的有序聚類方法。 王雙英［19］將面板數(shù)據(jù)的指標分為因變量指標與自變量指標進行降維，再利用自組織競爭神經(jīng)網(wǎng)絡(luò)進行聚類。

通過上述文獻梳理發(fā)現(xiàn)，基于灰色關(guān)聯(lián)度進行聚類分析的過程是非常復(fù)雜的，并且降維數(shù)據(jù)會造成數(shù)據(jù)源的不完整。 本文針對上述問題，提出一種易于實現(xiàn)的、快速的、能夠自評價的多指標面板數(shù)據(jù)聚類方法。

（一）模型設(shè)計

常見面板數(shù)據(jù)的存儲方式是按照樣本進行劃分，每個樣本內(nèi)部形成“時間-指標”矩陣。 也就是每個樣本一張表，該表每一列為一期，每一行為一個指標。 這種方式的存儲是對面板數(shù)據(jù)最直觀的表達方式，結(jié)構(gòu)簡單、直觀，便于研究者對樣本進行數(shù)據(jù)分析［20-21］。

但是，這種存儲方式不易于聚類分析。 面板數(shù)據(jù)聚類分析的目的是發(fā)現(xiàn)樣本之間的相似性，因此每個樣本應(yīng)該對應(yīng)著該樣本的特征向量。 面板數(shù)據(jù)難于聚類的主要原因就在于特征向量不易表達。 如果直接使用面板數(shù)據(jù)是無法進行表達的，當前采用最多、最易于實現(xiàn)的方式是將面板數(shù)據(jù)表示為如表1 所示的面板數(shù)據(jù)二維表示法。 每一行代表一個樣本，每一列可以作為樣本的特征向量，通過這種變換每一行就能夠作為該樣本的特征向量，從而進行聚類。

表1 面板數(shù)據(jù)二維表示法

其中，Dij（t）表示第i 個樣本的第j 個指標在第t 期的值，i∈［1，N］，j∈［1,m］，t∈［1，n］。 將樣本按照時間進行對齊的方式就能夠?qū)γ總€樣本的特征進行刻畫，從而進行聚類分析。

若將樣本數(shù)據(jù)使用一個矩陣△x∈RN×M進行表達，則△x（k，l）與Dij（t）具有如下關(guān)系：

其中，k∈［1，N］， l∈［1，M］。

特征向量間的相似性主要通過向量間距離進行計算。 常用的計算距離方法包括歐氏距離、曼哈頓距離、余弦距離等。 這些距離應(yīng)用場景不同，各有利弊，其中應(yīng)用最廣泛的是余弦距離。 本文也使用余弦距離計算兩個特征向量間的相似性：

其中，‖Vx（i）‖和‖Vx（j）‖分別為向量Vx（i）和Vx（j）的范數(shù)，為歸一化向量。

為了有效地發(fā)現(xiàn)樣本之間的相似性，首先利用一種典型的模糊聚類方法——模糊C 均值聚類算法FCM（Fuzzy C-Means）［22］來確定樣板數(shù)據(jù)的聚類中心與隸屬度矩陣。 該隸屬度矩陣和聚類中心為下一節(jié)的劃分和確定奠定了基礎(chǔ)，具體的獲取方法敘述如下。

算法1：隸屬度矩陣與聚類中心獲取算法。

步驟一：輸入由事件構(gòu)建所得特征矩陣△x，其中第i 行即為該條事件的特征向量△x（i）；

步驟二：對于活動數(shù)C（2≤C≤N），當滿足閾值ε 或者達到最大迭代次數(shù)K 時迭代停止，記錄下取C 時所對應(yīng)的隸屬度矩陣和聚類中心；

步驟三：輸出所有聚類數(shù)C 所構(gòu)建的隸屬度矩陣集合MU和聚類中心集合Center［22］。

定義1（Hpal 熵）［23］：

定義2（平均模糊熵）：給定聚類數(shù)為C，通過算法1 求得的對應(yīng)隸屬度矩陣為U，則平均模糊熵定義為

其中，μij表示樣本j 屬于第i 類的程度。

通過定義2 可知，針對不同C 的平均模糊熵H（C）也不同，在所有的聚類數(shù)C（2≤C≤N）中，存在一個聚類數(shù)m 使得平均模糊熵H（m）達到最小值，此時所對應(yīng)的聚類數(shù)m 即為最佳聚類結(jié)果，對應(yīng)的隸屬度矩陣和聚類中心分別記為Um 和CTm。 具體如算法2 所示［24］。

算法2：聚類結(jié)果確定及結(jié)果關(guān)聯(lián)。

步驟一： 根據(jù)聚類數(shù)C 和相應(yīng)的隸屬度矩陣UC 依次計算每個聚類數(shù)C 所對應(yīng)的模糊熵，得到模糊熵集合Entropy={entropy1，…，entropyC}；

步驟二：對模糊熵集合歸一化，得到歸一化的模糊熵集合Entropy′={entropy1/e1-1/c，…，entropyC/e1-1/c}；

步驟三：得到Ci=argminentropyi′及Ci所對應(yīng)的聚類中心Centeri、隸屬度矩陣Ui；

步驟四：根據(jù)隸屬度閾值δ，聚類中心Centeri、隸屬度矩陣Ui得到當前每個樣本的聚類集合也就是聚類結(jié)果A，以及A 與各個樣本的關(guān)聯(lián)關(guān)系集R；

步驟五：輸出聚類結(jié)果A以及A 與各個樣本的關(guān)聯(lián)關(guān)系集R。

（二）模型優(yōu)勢

多指標面板數(shù)據(jù)不僅能夠用于表達包含時間維度與空間維度的橫截面數(shù)據(jù)，還是一種重要的數(shù)據(jù)結(jié)構(gòu)。 這種數(shù)據(jù)結(jié)構(gòu)與當前聚類方法所采用的特征向量二維矩陣稍有不同，所以本文考慮通過對面板數(shù)據(jù)稍加變換即可作為企業(yè)的特征向量來表征企業(yè)。 該方式從數(shù)據(jù)結(jié)構(gòu)的層面與當前面板數(shù)據(jù)復(fù)雜的表達方式不同。 在方法層面，本文主要通過FCM 聚類對多指標面板數(shù)據(jù)進行聚類。 已有的面板數(shù)據(jù)聚類往往是硬化分（例如朱建平［10］和李因果［11］采用的層次聚類方法），由于模糊聚類得到的樣本屬于各個類別的不確定性程度，表達了樣本類屬性的中介性，即建立起樣本對于類別的不確定性描述，更能客觀地反映實際事物。 同時，本文提出一種基于模糊熵的聚類評價方法， 通過計算每種聚類結(jié)果對應(yīng)的熵值來評判聚類結(jié)果的優(yōu)劣，從而確定聚類數(shù)。

三、 實證分析

（一）數(shù)據(jù)來源及說明

本文采用研發(fā)效率作為企業(yè)技術(shù)進步效應(yīng)的替代變量。 先通過將《對外直接投資名錄》和wind 數(shù)據(jù)庫進行匹配，將對外直接投資時長超過10 年并且基本信息公布較為全面（主要是研發(fā)投入的數(shù)據(jù)）的企業(yè)篩選出來，其次對這些企業(yè)的研發(fā)效率逐個計算（研發(fā)效率的計算公式:RDratioti=Pti/RD（t-1）i，其中創(chuàng)新投入指標為R&D 經(jīng)費，專利申請量P 是衡量技術(shù)創(chuàng)新產(chǎn)出的一個重要指標。 考慮到研發(fā)產(chǎn)出的滯后性，產(chǎn)出比投入滯后一期），保留研發(fā)效率呈上升趨勢的企業(yè)共11 家，這些企業(yè)組成A 組數(shù)據(jù)。 另外一組由進行對外直接投資時間較短的企業(yè)組成，由于大部分企業(yè)是在2014 年左右才開始進行對外直接投資的，這些企業(yè)“走出去”的時間較短，研發(fā)效率的趨勢并不穩(wěn)定，因此隨機從這些企業(yè)中抽取了報表中財務(wù)數(shù)據(jù)較為全面的企業(yè)共39 家，這些公司包括四川長虹電器股份有限公司、孚日集團股份有限公司、云南白藥集團股份有限公司等，這些企業(yè)組成一個組，設(shè)為B 組。 A 組中企業(yè)數(shù)量有11 個，B 組中企業(yè)數(shù)量有39 個。 通過企業(yè)特征變量將這兩個組的企業(yè)放在一起并進行模糊聚類，進行模糊聚類的企業(yè)成為C 組，觀察C 組的聚類結(jié)果。 如果B 組中有企業(yè)能夠和A 組企業(yè)聚在一起，說明這些企業(yè)具有相似性。 那么B 組企業(yè)在未來也有隨著對外直接投資的進程，研發(fā)效率顯著提升的可能性。 分析這些企業(yè)的特征，為企業(yè)進行對外直接投資決策提供可能的參考。 通過梳理已有文獻，總結(jié)可能影響研發(fā)效率的因素，并且考慮到數(shù)據(jù)的可獲取性，最終選擇考察的指標包括：資本密集度（固定資產(chǎn)/員工數(shù)）、企業(yè)規(guī)模（從業(yè)人員對數(shù)）、資本流動性（流動資本-流動負債）/總資產(chǎn)、企業(yè)年齡（被調(diào)查年份-創(chuàng)辦年份+1）、是否研發(fā)、資本勞動比、是否高新技術(shù)企業(yè)，時間周期從2011—2017 年，共7 期。

實驗步驟設(shè)計為六步：a.對樣本數(shù)據(jù)Data 進行預(yù)處理；b.將數(shù)據(jù)轉(zhuǎn)化為二維特征矩陣；c.利用FCM 方法獲得聚類數(shù)和聚類中心；d.通過本文提出的基于Hpal 熵的方法遍歷聚類數(shù)，計算每種聚類數(shù)下的模糊熵；e.記錄模糊熵值最小時的分布；f.多次重復(fù)實驗步驟c、d、e，取多次重復(fù)且出現(xiàn)次數(shù)最多的聚類數(shù)為最終結(jié)果。

因為FCM 聚類每次聚類的結(jié)果可能不同，所以我們在實驗方案中考慮通過多次計算（本實驗計算50 次）選取多次中出現(xiàn)最頻繁的聚類結(jié)果為最終結(jié)果。

（二）實驗結(jié)果與分析

通過實驗得到的結(jié)果如圖1、圖2 和圖3 所示。 其中圖1 為聚類數(shù)從1 變化到39 對應(yīng)的平均模糊熵的變化情況。 從圖1 中可以看出，當聚類數(shù)為7 時，對應(yīng)的平均模糊熵達到最小值0.24，因此實驗數(shù)據(jù)對應(yīng)的聚類數(shù)為7。在該聚類數(shù)下，每個樣本所屬的聚類編號（從1 到7，共7 類）如圖2 所示，每類包含的樣本數(shù)統(tǒng)計結(jié)果如圖3 所示。 從圖2、圖3 可以發(fā)現(xiàn)：第一類包含的樣本數(shù)最多達到12 個；第3 類和第5 類包含的樣本數(shù)最少，均只有1 個。

圖1 平均模糊熵隨聚類數(shù)變化

圖2 聚類結(jié)果下每個樣本所屬類別

圖3 聚類結(jié)果下各個聚類類別包含樣本統(tǒng)計

通過聚類企業(yè)分類的結(jié)果如圖4 所示。 第一類樣本包括四川長虹電器股份有限公司、浙江新安化工集團股份有限公司、江蘇銀河電子股份有限公司、濟南輕騎摩托車股份有限公司、株洲時代新材料科技股份有限公司、云南白藥集團股份有限公司、博深工具股份有限公司、江蘇聯(lián)發(fā)紡織股份有限公司、深圳市大族激光科技股份有限公司、重慶華邦制藥股份有限公司、北京福星曉程電子科技股份有限公司、歌爾聲學(xué)股份有限公司（共12 家）；第二類樣本包括：浙江久立特材科技股份有限公司、陽光電源股份有限公司、中國南玻集團股份有限公司、新疆金風(fēng)科技股份有限公司、四川海特高新技術(shù)股份有限公司（共5 家）；第三類樣本包括蘇州勝利精密制造科技股份有限公司（共1 家）；第四類樣本包括廣西柳工集團有限公司、亞普汽車部件股份有限公司、中信重工機械股份有限公司、浙江萬豐奧威汽輪股份有限公司、中國長城計算機深圳股份有限公司、京東方科技集團股份有限公司、江蘇金智科技股份有限公司（共7家）；第五類樣本包括雙錢集團股份有限公司（共1 家）；第六類樣本包括江西銅業(yè)股份有限公司、杭州?？低晹?shù)字技術(shù)股份有限公司、孚日集團股份有限公司、金發(fā)科技股份有限公司、貴州鋼繩股份有限公司（共5 家）；第七類樣本包括：濰柴動力股份有限公司、煙臺冰輪股份有限公司、建研科技股份有限公司、浙江正泰電器股份有限公司、上海電氣集團股份有限公司、北汽福田汽車股份有限公司、江漢石油鉆頭股份有限公司、武漢高德紅外股份有限公司（共8 家）。

圖4 企業(yè)分類結(jié)果

圖4 展示了每類企業(yè)都有哪些家。 第一類企業(yè)共有12 家，第二類企業(yè)共有5 家，第四類企業(yè)共7 家，第六類企業(yè)共5 家，第七類企業(yè)共8 家，共有5 個組。 第三類和第五類各有1 家企業(yè)，因此不再考慮。 每一組企業(yè)的具體特征均值如表2 至表6 所示。

表2 第一組企業(yè)的描述性分析

表6 第七組企業(yè)的描述性分析

表3 第二組企業(yè)的描述性分析

表4 第四組企業(yè)的描述性分析

表5 第六組企業(yè)的描述性分析

幾組數(shù)據(jù)中平均數(shù)都大于標準差，表示數(shù)據(jù)中沒有極端值，并且將各組的特征分別進行排序。 資本密集度：第二組（66.474）＞第四組（48.943）＞第六組（33.291）＞第七組（26.966）＞第一組（25.855）。 企業(yè)規(guī)模：第六組（9.154）＞第四組（9.088）＞第七組（8.874）＞第一組（8.452）＞第二組（8.126）。 資產(chǎn)流動性：第六組（0.317）＞第一組（0.291）＞第七組（0.257）＞第四組（0.210）＞第二組（0.185）。 企業(yè)年齡：第六組（4.839）＞第四組（2.752）＞第一組（2.734）＞第二組（2.716）＞第七組（2.639）。 資本勞動比：第六組（63.014）＞第四組（54.419）＞第七組（31.943）＞第二組（26.366）＞第一組（17.255）。 是否高新技術(shù)企業(yè)：第二組（0.750）＞第四組（0.583）＞第一組（0.500）＞第六組（0.400）＞第七組（0.259）。 再次聚類，可以發(fā)現(xiàn)具有哪些特征的企業(yè)能夠與長期進行對外直接投資的企業(yè)聚在一類。

（三）發(fā)現(xiàn)與結(jié)論

進行對外直接投資的企業(yè)達到十年及以上的，企業(yè)數(shù)據(jù)完整且研發(fā)效率呈增長趨勢的企業(yè)分別是：深圳遠望谷信息技術(shù)股份有限公司、深圳信隆實業(yè)股份有限公司、國光電器股份有限公司、寧波韻升股份有限公司、浙江海亮股份有限公司、橫店東磁集團股份有限公司、杭州士蘭微電子股份有限公司、江蘇恒瑞醫(yī)藥股份有限公司、中國軟件與技術(shù)服務(wù)股份有限公司、威海華東數(shù)控股份有限公司、青島金王應(yīng)用化學(xué)股份有限公司。 影響研發(fā)效率的企業(yè)特征如表7 所示。

表7 影響研發(fā)效率的企業(yè)特征的描述性分析

將這11 家企業(yè)影響研發(fā)效率的特征與前文提到的39 家企業(yè)合在一起共50 家企業(yè)進行聚類，聚類結(jié)果如圖5 所示。50 家企業(yè)共聚成兩類，其中前11 家企業(yè)有10 家都在同一個類別中（類2），說明這10 家企業(yè)的特征都具有相似性。 因此推斷在企業(yè)進行對外直接投資的過程中，技術(shù)進步顯著的企業(yè)可能擁有表6 中描述的那些特征。 類2 中其余的企業(yè)共11 家，分別是歌爾聲學(xué)股份有限公司、蘇州勝利精密制造科技股份有限公司、雙錢集團股份有限公司、四川海特高新科技股份有限公司、江蘇聯(lián)發(fā)紡織股份有限公司、中信重工機械股份有限公司、新疆金風(fēng)科技股份有限公司、中國南玻集團股份有限公司、陽光電源股份有限公司、浙江久立特材料科技股份有限公司、浙江新安化工集團股份有限公司。 這些企業(yè)能與前面10 家企業(yè)聚為一類，說明他們的企業(yè)特征具有相似性；而將這些企業(yè)的研發(fā)效率進行測算，發(fā)現(xiàn)這些企業(yè)確實在對外直接投資期間研發(fā)效率呈增長態(tài)勢。

圖5 兩組企業(yè)聚合分類結(jié)果

將上述11 家企業(yè)與分組企業(yè)對照發(fā)現(xiàn)， 第二類樣本的5 家企業(yè)全都涵蓋在這11 家之中。 這類企業(yè)的特點是規(guī)模較其他組的企業(yè)小，資產(chǎn)流動性較低，企業(yè)也比較年輕，但都是高新技術(shù)企業(yè)并且資本密集度明顯高于其他組企業(yè)。 除了第二類的5 家企業(yè)，第一類有3 家、第四類有1 家，第三類有1 家和第五類有1 家也都在第二類分組里。 這些企業(yè)的影響因素特征的描述性分析如表8 所示。

表8 企業(yè)影響因素特征的描述性分析

與第二類數(shù)據(jù)的特征相似，這11 家企業(yè)的平均資本密集度更高，企業(yè)規(guī)模更小也更為年輕，并且同樣是高新技術(shù)企業(yè)較多。 因而可以得出這樣的結(jié)論，對于近期進行對外直接投資或者未來將要進行對外直接的企業(yè)，并不是全部的制造業(yè)都可以通過對外直接投資方式提高創(chuàng)新能力，而具有如下特征的企業(yè)更能夠通過對外直接投資行為實現(xiàn)技術(shù)進步：年輕的高新技術(shù)企業(yè)、規(guī)模相對較小且資本密集度遠超出普通制造業(yè)的企業(yè)。

四、結(jié)語

在經(jīng)濟全球化的今天，國家與國家之間競爭的核心就是生產(chǎn)力的競爭。 新形勢下如何有效提升科技進步對經(jīng)濟增長的貢獻率成為一個值得研究和深思的問題［25］。 在當前開放經(jīng)濟條件下，如何有效發(fā)揮企業(yè)對外直接投資渠道從而提升創(chuàng)新績效，對于作為世界第二大對外直接投資國的中國企業(yè)而言，形成自身競爭優(yōu)勢具有重要的現(xiàn)實意義。 關(guān)于制造業(yè)“走出去”的技術(shù)進步效應(yīng)的影響因素，學(xué)者們已經(jīng)展開了較為廣泛的討論，關(guān)注的重點也逐漸從外部環(huán)境的影響轉(zhuǎn)移到企業(yè)自身，但由于方法的限制等原因，企業(yè)的特征因素往往得不到深入的挖掘?；诖?，本文提出一種多指標面板數(shù)據(jù)的模糊聚類及評價方法。該方法首先將多指標面板數(shù)據(jù)從三維橫截面數(shù)據(jù)轉(zhuǎn)化為二維特征矩陣表示方式，其次利用改進的FCM 方法對特征向量進行聚類，再次提出一種基于Hpal 熵的模糊聚類自評價方法，最后通過遍歷聚類數(shù)并計算當前聚類模糊熵進而確定最終聚類結(jié)果。 在此方法的基礎(chǔ)上，將近期進行對外直接投資企業(yè)和已經(jīng)對外直接投資超過10 年的企業(yè)面板數(shù)據(jù)分別進行多次聚類， 用以分析什么樣的企業(yè)特征能夠在長期的對外直接投資中實現(xiàn)研發(fā)效率的提升。 結(jié)果發(fā)現(xiàn)，近期進行對外直接投資的39 家企業(yè)中，有11 家企業(yè)與能夠提高研發(fā)效率的企業(yè)聚為一類。 這些企業(yè)的特征包括：成立時間并不長，員工人數(shù)不多并且多為高技術(shù)企業(yè)。 這些企業(yè)由于資本密集度較高，因此資本流動性較低。

我國企業(yè)進行對外直接投資之前，除了進行海外市場的調(diào)研，了解海外高端技術(shù)行情以外，還應(yīng)從企業(yè)自身的特征出發(fā)，考慮是否適合進行“技術(shù)獲取型”的對外直接投資。 研究結(jié)果顯示，高新技術(shù)企業(yè)進行對外直接投資相比于普通的制造業(yè)企業(yè)，更易于通過對外直接投資的方式提高創(chuàng)新能力。 對于普通的制造業(yè)企業(yè)來說，通過對外直接投資的方式直接提高創(chuàng)新能力的結(jié)果并不是很理想，因此普通的制造業(yè)企業(yè)應(yīng)先拉近與高端技術(shù)的距離，逐漸提升自己的學(xué)習(xí)能力，然后再向更尖端的技術(shù)靠攏，這樣才能將研發(fā)資金更有效地加以利用并有利于培養(yǎng)自身的核心競爭力。 在此之前可以考慮其他的途徑提高自身的創(chuàng)新能力而不是跟風(fēng)走出國門。 此外，結(jié)果顯示，并不是成立時間較長的規(guī)模較大的企業(yè)能夠通過對外直接投資來提高創(chuàng)新能力，反而是成立時間不長、規(guī)模也不大但資本密集度高的企業(yè)能夠在技術(shù)獲取型的對外直接投資中脫穎而出。 可能的原因是技術(shù)的提高除了需要大量研發(fā)資金和研發(fā)人員的投入外，更需要企業(yè)自身的設(shè)備作為支撐。 特別是中美貿(mào)易戰(zhàn)之后，發(fā)達國家對中國的技術(shù)封鎖越發(fā)嚴格（如華為被無理制裁），中國企業(yè)特別是高新技術(shù)企業(yè)通過對外直接投資的方式直接獲取顯性知識變得愈發(fā)困難。 在這種背景下，企業(yè)可以通過與海外子公司以及海外技術(shù)人員溝通交流來獲取有益于創(chuàng)新的隱性知識，進而轉(zhuǎn)化為顯性知識來提高創(chuàng)新能力。 由于直接將專利和新產(chǎn)品反哺母國企業(yè)的趨勢變緩了，因此只有結(jié)合自身的高端機械設(shè)備并結(jié)合發(fā)達國家的經(jīng)驗及技能，才能有效地通過“走出去”的方式提高中國企業(yè)的技術(shù)水平。 此外，年輕的企業(yè)可能更注重產(chǎn)品的創(chuàng)新研發(fā)，因此鼓勵年輕的、規(guī)模不大但資本密集度高的高新技術(shù)企業(yè)“走出去”，就能夠在未來獲得更為顯著的技術(shù)進步效應(yīng)。