技术创新合作网络知识流动的微观作用路径分析
——以我国生物医药领域为例

阮平南,顾春柳

(北京工业大学 经济与管理学院,北京 100124)

摘 要:知识流动是技术研发合作过程中的一种重要行为,对创新成果产出具有不可忽视的作用。从网络结构、合作关系以及节点属性3个维度对知识流动的影响及其交互作用展开分析,初步构建技术创新合作网络知识流动微观分析的基本框架。然后,以我国生物医药领域96个创新主体为主要研究对象,通过定性比较分析(QCA)方法深入剖析协同创新过程中知识流动的核心作用路径及典型微观作用路径。研究发现:①合作网络的知识流动受到节点属性、网络结构和关系程度三者交互作用的影响;②主体知识存量及密切合作是实现知识流动的重要保障;③目前在我国生物医药领域,高校、科研院所更倾向通过与不同类型的主体建立广泛的合作关系实现知识的有效流动,而企业则主要通过与少量主体建立密切合作关系实现知识有效流动。

关键词:技术创新合作网络;知识流动;定性比较分析(QCA);生物医药

0 引言

技术创新合作过程中,企业、高校、研究机构等不同主体通过合作形成技术创新合作网络,以实现资源优势互补。知识是创新活动的基础和源泉,主体间知识共享、流动及扩散是合作创新过程中的重要活动,也是资源互补、体现合作价值的关键[1]。已有研究认识到不同主体间知识的有效流动对合作网络创新绩效提升具有重要作用。关于知识流动,国内外一些学者也给出了相关解释。余东华等[2-3]在分析网络组织技术创新时指出,知识流动主要是指知识在创新主体驱动下转移、共享、整合及学习的过程。Lin C[4]认为,知识流动可被视为主体间知识或经验流动、积累和分享的动态过程,并遵循某些规则。本文认为,知识流动是创新主体在频繁互动基础上形成的知识吸收、扩散、共享、再创造等的循环过程。知识流动过程通过实现显性知识交流、隐性知识挖掘、新旧知识融合以及新知识内化吸收与再造,从而达到提升合作网络创新绩效的目的。影响技术创新合作网络知识流动的因素众多,包括文化差异、地理与技术距离、市场环境、国家政策、网络结构、合作关系、节点属性等[5-7]。其中,文化差异、市场环境等因素不直接作用于知识流动,而是通过对网络结构、合作关系、节点属性等微观路径因素产生影响,间接作用于知识流动。因此,有必要厘清知识流动的微观作用路径,找出影响协同创新绩效提升的关键因素,这是本研究的价值所在。

1 文献回顾

目前,国内外学者针对微观路径层面合作网络知识流动的研究主要集中在网络结构和关系特征两个方面。刘晓燕等[8]在研究专利合作网络时发现,合作伙伴数量、合作次数与知识扩散正相关。由于各主体掌握的知识不同,建立合作关系的伙伴越多知识来源越广,发现新知识的可能性越大。随着合作次数增加,各主体通过紧密、深入、频繁的沟通交流,加深了相互间的理解与信任,进而提高了知识跨边界转移效率。Kratke[9]的实证研究表明,网络关系强度和稳定性有利于合作主体间知识获取与学习,以及企业技术创新能力提升。Powell[10]在分析美国生物制药合作网络时发现,合作网络中不仅存在生产、研发关系,还存在金融关系,不同主体在合作过程中相互作用与补充,共同促进网络中知识的有效传递。技术创新合作网络结构会影响网络功能,进而影响网络中知识流动过程[11]。邱均平等[12]发现,网络结构对科学知识交流与扩散具有重要影响。Lee[13]基于美国生物科技行业专利合作网络的研究表明,个体可以通过有效利用结构洞位置提高自身新知识产出。陈伟等[14]认为,网络中心性对网络内部知识共享具有显著推动作用,为企业知识整合与再造提供了前期基础,促进了企业核心能力和创新绩效提升。Anderson[15]的实证研究表明,位于网络中心且拥有丰富关系的主体在知识收集方面更具优势。与此同时,刘凤朝等[16]在研究中国区域科研合作网络时发现,除联系强度和网络中介位置外,节点属性也会对创新主体间的知识流动产生影响。张华等[17]基于美国生物高科技行业11年间专利合作状况的研究发现,网络中心性与知识创新呈正相关关系,但这种关系受到个体特征调节作用的影响。

以上研究引发了进一步讨论,在承认网络结构和关系程度对知识流动具有重要作用的同时,是否忽视了一个重要方面,即个体属性特征对知识流动的影响,抑或是个体属性特征与网络结构和关系程度之间是否存在某种共同作用于知识流动的关联。现有研究聚焦于网络结构和关系程度等因素的影响,而关于节点属性对知识流动影响的研究较少,也未通过分析节点属性特征,揭示其对创新网络知识流动的影响。此外,还有研究侧重于网络结构、关系强度等单因素分析,忽视了知识流动过程中节点属性、关系程度及网络结构之间可能存在的交互作用对知识流动的综合影响。鉴于此,本文将节点属性纳入重点研究范畴,深入探讨节点属性、关系程度、网络结构对知识流动的影响及其相互作用,并构建技术创新合作网络知识流动微观作用路径基本分析框架。随后,采用社会网络分析与定性比较分析(QCA)方法对我国生物医药领域专利合作网络知识流动的微观作用路径进行实证分析,以验证分析框架的合理性。

2 影响要素分析

2.1 节点属性、关系程度、网络结构与知识流动

技术创新合作网络是一个复杂系统,主要包括技术主体、合作关系以及网络结构3个部分。其中,技术主体包括企业、高校、科研机构等,关系是指通过合作而形成的主体间关系,网络结构是对创新主体在网络中相对位置及合作状况的反映,节点代表创新主体,边表示主体间的合作关系。

(1)节点属性。节点的知识水平、层次和类型等属性均会影响主体间知识流动,本文主要考察节点类型和知识存量两个特征。技术创新合作网络节点主要包括企业、高校和科研机构等。其中,企业以实用性技术创新研究为主,关注知识流动的价值收益;高校及科研院所的技术创新侧重于基础性研究,对知识秉承兼容、开放的态度。此外,节点的知识存量对合作网络知识流动效果具有重要影响。节点的知识存量越大,意味其在该领域的技术创新实力越强,在知识流动过程中对外部知识的吸收、扩散能力也越强。因此,这类节点更容易将新近获取的知识与自身原有知识融合,保证知识流及时更新[18]

(2)网络结构。网络结构是节点间知识流动的渠道,节点在网络中的位置会因网络结构不同而变化,网络位置优势有助于节点提高知识获取效率。有关网络结构位置的测度指标很多,本文主要选取应用较为广泛的中心性指标进行测度[19-20]。度数中心性高意味着节点拥有较多的知识来源,表明其在知识流动过程中有更多选择。网络连接的中间位置是主体间知识流动的重要桥梁,既可以广泛吸收来自不同主体的知识,也可以在不同主体间对自身整合的知识进行扩散与传播,从而在一定程度上具备网络知识流动调控能力。接近或占据中心位置的节点能比其它节点更迅速地抵达网络各处,从而可以在更广范围内快速获取自身所需的知识。

(3)关系程度。关系程度反映了主体间的互动频率和关联程度,影响着网络中知识获取方式及其类型。在综合借鉴Grannovetter的社会关系理论和赛马德[21]的开放式创新中组织间关系内涵的基础上,本文主要从合作次数、合作多样性维度展开分析。合作次数反映了伙伴间联系的紧密程度,与合作伙伴保持高频合作关系能够促进彼此间深层次沟通与学习,有助于发掘合作伙伴显性和隐形知识,从而提高主体间知识传递效率与共享水平。与不同主体建立多样性合作关系为主体间知识优势互补提供了更多选择,并且异质性知识的碰撞更能激发创新的火花,从而为合作网络注入新的活力。

2.2 节点属性、关系程度与网络结构在知识流动过程中的交互作用

交互作用原理表明,系统内各要素相互作用产生的效果优于各要素单独作用的效果。技术创新合作网络中知识的有效流动并非节点属性、网络结构、关系程度的简单加总,而是各要素间复杂交互作用的结果。

(1)节点的属性特征会影响其在网络结构中的位置及关系程度。具有较大知识存量的节点往往会成为其它节点优先考虑的合作对象,因而合作关系较为密集,成为知识流的集散中心或知识传递的桥梁,而自身技术实力薄弱的节点则更有可能处于网络边缘。节点类型同样会影响创新网络结构及关系。企业、高校及科研院所等主体研究重点的差异使其在知识流动过程中分工不同。节点依据自身需求与特定类型的节点合作并建立网络,推动了知识流多元化。网络中节点类型越多,节点合作的契合点也越多,网络中的合作关系越多样。这些深层次或多样化的合作关系均为知识沟通与学习提供了重要保障。

(2)网络结构与关系间存在着相互作用。网络结构是节点在合作互动过程中逐渐形成的,节点在网络中的相对位置随之确立。网络结构与节点位置会因合作关系的巩固、瓦解以及其它节点进入、退出而发生相应调整,从而使知识流动渠道发生改变,进而影响知识流动方向和效率。节点还可以通过有意识地建立合作关系改变网络结构,进而改变网络中的知识流向。例如,知识存量少的节点可以主动寻求与中心节点保持密切合作为自身知识获取创造有利的外部环境;积极参与不同类型主体间异质知识优化与整合,以加速对新知识的学习与扩散,最终达到提升自身及合作网络知识流动效果的目的。

(3)合作关系建立及网络结构改变会反向影响网络节点行为。虽然知识吸收与节点自身特性密切相关,但网络位置优势可以为节点知识获取提供更多机会。换言之,即使节点的类型相同、知识存量相当,也会因网络结构及自身位置不同使其知识流动状况存在差异[17]。此外,广泛多样的合作关系需要较多知识资源维系,实力单薄的小企业难以实现,而对大企业则相对容易。

总之,节点属性、网络结构、关系程度三者之间存在复杂的交互作用,共同影响着技术创新合作网络知识流动效果。

3 技术创新合作网络知识流动作用路径实证分析

3.1 数据来源

生物医药行业的主要特征是以新兴技术为基础[22],是当今发展最快、活力最强、科学技术含量最高的领域之一,也是国家“十三五”重点发展的战略性新兴产业。因此,选取生物医药领域作为实例分析知识流动极具代表性和实践意义。德温特专利数据库(Derwent Innovation Index,DII)收录了全球40多家专利机构、100多个国家的专利数据,能够提供最全面的国际专利信息,可以作为本研究的数据来源。为了提高检索结果的准确性,本文在参考经济合作与发展组织(OECD)的相关标准及后来学者研究成果的基础上[23],按照专利主分类号A61K38/00、A61K31/00、A61P35/00、A61P31/00检索数据,时间跨度为2014年1月1日至2017年1月1日,检索时间2017年1月17日。数据清洗后,从中选取我国境内96位专利权人作为主要研究对象。

图1 技术创新合作网络知识流动的微观作用路径

3.2 研究方法选择

社会网络分析方法在网络结构测度方面的应用较为广泛,此处不再赘述。而对于技术创新合作网络知识流动微观作用路径分析则采用了由Ragin始创、以集合论为基础的定性比较分析方法(QCA),其原因主要包括以下两点:

(1)本研究的前因变量不仅包括数值变量,还包含类别变量(如节点属性),并且通过对数据的初步统计分析发现数值变量的二分化较为明显,而QCA分析的基础正是变量的二分化处理,即前因变量和结果变量的取值均可转化为0和1两种。此外,传统分析方法需要大样本支撑,但QCA分析则比较适合中小规模样本。根据马克斯、杜莎等的数据模拟结果,对包含7个前因要素的清晰集定性比较分析(csQCA)而言,样本量达到90就能够满足数据分析要求[24]

(2)在本研究中,技术创新合作网络的知识流动涉及节点自身特征、合作网络结构、合作伙伴多样性、合作次数等因素,并且这些影响因素是多重并发的,因而知识流动是多种因素综合作用的结果。常用的回归分析法能较好反映出网络结构、关联程度和节点属性等变量对知识流动累积性结果的平均、线性作用,但未给出某一特定结果产生的原因;QCA分析法的使用前提正是默认某种结果的出现是多种因素并发的产物,符合本研究情形。

3.3 变量测度

本文选用清晰集定性比较分析方法(csQCA),将样本中各变量及结果按照二分归属原则进行赋值,1表示“是(True)”、“存在(Presence)”或“程度高(High)”,0表示“否(False)”、“不存在(Absence)”或“程度低(Low)”;~表示“负相关”或“不存在”;*表示条件“同时存在”;=或→表示“导致”[25]

各前因要素和结果变量的测度指标及其解释如表1所示。对于中间中心度指标,当节点存在中间中心度时赋值为1,表示节点处于中间桥梁位置,否则为0。针对企业、高校及科研院所的研究重点、盈利性质等特征,在前人研究成果基础上,将企业单独作为一类,节点属性赋值为1,而高校和科研院所等划为另一类,赋值为0。对于其余各变量,当其测度值小于或等于中位数时赋值为0,表示“程度低”;大于中位数时赋值为1,表示“程度高”,具体指标值见表2。根据二值化前因变量和结果变量构建真值表,罗列所有原因条件组合,以真值表为分析起点,依据布尔代数简化原因结果条件组合。

表1 基于专利数据的变量测度及解释

变量名称变量测度及判断赋值说明前因变量度数中心度节点的度数中心度反映了与该创新主体直接连接的合作伙伴数量中间中心度中间中心度反映了创新主体处于合作网络中其他节点联系的中间桥梁程度接近中心度接近中心度反映了创新主体与合作网络中其它主体的距离与接近程度合作的次数用创新主体与其它专利权人的共现次数测度,共线次数越多,合作也越多合作多样性在专利合作网络中,创新主体的合作伙伴类型越多越有利于实现合作的多样性知识存量用创新主体以往的专利数量来测度,专利数量越多,其知识存量也就越高节点类型根据专利权人的类型,本文研究的创新主体主要包括企业、高校及科研院所等结果变量知识流动在借鉴ChangSB等[26]研究成果的基础上以专利的引用数据来测度技术创新合作网络的知识流动状况,创新主体间专利引用频次越高,知识流动的效果越好

表2 各变量的指标测度值

变量名称最大值最小值均值标准差中位数度数中心度0.0630.0100.0260.0100.021接近中心度0.0220.0010.0020.0070.002合作次数24.0004.0008.1255.5516.000合作多样性3.0000.0000.9170.7391.000知识存量545.0004.00087.875191.91616.500知识流动166.0000.00024.72937.7328.500

3.4 数据分析

3.4.1 单变量必要性分析

在定性比较分析中,首先进行一致性和覆盖率计算,以判定变量之间是否存在必要性和充分性关系。一致性是指纳入分析的所有样本在多大程度上共享了导致结果发生的某个给定条件(或条件组合);覆盖率是指这些给定条件(或条件组合)在多大程度解释了结果[27]。根据拉金、王凤彬等[28]的研究,如果条件X是结果Y的充分或必要条件,其必要性、一致性指标值通常大于0.9。运用fs/QCA2.0软件对数据进行单变量必要性测算,结果如表2所示。本研究中各单一变量的必要性、一致性均小于0.9,不足以构成技术创新合作网络知识有效流动的充分或必要条件。因此,合作网络中的知识流动是多种因素共同影响的结果,可以进行多因素作用路径分析。

3.4.2 清晰集定性比较分析

将真值表导入fs/QCA2.0软件进行清晰集定性比较分析,删除连续性小于0.8,案例数小于1的逻辑组合,可得到复杂解、精简解和中间解3种组合方案。根据刘凤朝[14]、张华等[15]的研究成果,本文认为同时出现在精简解和中间解的因素组合为知识流动的核心路径,复杂解为知识流动的综合路径。本文试图通过分析核心路径找出实现知识有效流动的关键条件组合,通过分析不同类型创新主体知识流动综合路径,探析知识有效流动的微观作用机理,以更好地揭示技术创新合作网络中各因素对知识流动的相对重要程度及交互作用。

表3 单变量必要性分析

变量名称一致性(Consistency)覆盖率(Coverage)度数中心度0.5760.404~度数中心度0.4450.596中间中心度0.8670.553~中间中心度0.3180.447接近中心度0.8750.298~接近中心度0.4120.702合作次数0.6820.638~合作次数0.3260.362合作多样性0.5590.404~合作多样性0.4520.596知识存量0.8090.723~知识存量0.2410.277节点类型0.3800.404~节点类型0.6090.596

表4 技术创新合作网络知识流动的核心作用路径

前因要素核心路径路径A路径B路径C路径D合作伙伴数量1中间桥梁位置1与其他伙伴的距离合作的次数1合作的多样性自身知识存量111自身的属性10原覆盖率(RawCoverage)0.5420.4580.3750.255一致性(Consistency)1.0001.0001.0001.000方案覆盖率(Solutioncoverage)0.852方案一致性(Solutionconsistency)1.000

注:表中的Raw Coverage、Consistency表示由该构型独立解释、不与同一被解释结果的其它构型重合的覆盖率及一致性;Solution coverage、Solution consistency表示总体方案的覆盖率和一致性,但除了总体方案中列示的构型外还可能包含其它构型。换言之,前者的累加合计不一定等于后者,下同

由表4可知,技术创新合作网络中知识流动的核心作用路径主要分为4种:合作次数+自身知识存量(0.542)、合作伙伴数量+自身知识存量(0.458)、企业+自身知识存量(0.375)、高校、科研院所等+合作伙伴数量(0.255)。拥有丰富知识存量的节点无论通过深层次合作还是广泛交流合作均能推动彼此间知识的有效流动。此外,高校、科研院所更倾向与众多伙伴建立合作关系,以实现对知识的有效吸收和扩散,而企业更倾向于凭借自身丰富的知识存量促进知识的有效流动。由此可见,节点自身的知识存量往往与节点合作状况密切相关,二者相互作用是实现知识有效流动的重要保障,并且自身技术创新能力的增强对生物医药企业实现知识共享的作用更为显著。

为了更好地研究不同主体间知识有效流动的微观作用路径,本文选取原覆盖率(Raw Coverage)最高的4种典型路径进行分析:

(1)伙伴数量*中间桥梁位置*合作多样性*自身知识存量*高校、科研院所等(0.292)。在该作用路径中,高校、科研院所通过与不同类型的伙伴广泛建立合作关系,以充分调用不同节点的知识资源和潜能,促进彼此间知识的有效流动。随着合作伙伴数量增加、合作关系多样化,拥有较强技术实力的高校、科研院所逐渐占据技术创新合作网络的中间桥梁位置,使其可以在局部范围内影响知识流集散,为知识进一步整合创造了条件。

表5 技术创新合作网络知识流动的微观作用路径

前因要素核心路径路径1路径2路径3路径4合作伙伴数量1100中间桥梁位置10与其他伙伴的距离000合作次数111合作多样性1100自身知识存量111自身的属性0011原覆盖率(RawCoverage)0.2920.2080.2080.107一致性(Consistency)1.0001.0001.0001.000方案覆盖率(Solutioncoverage)0.852方案一致性(Solutionconsistency)1.000

(2)伙伴数量*~与其它伙伴的距离*合作次数*合作多样性*自身知识存量*高校、科研院所等(0.208)。高校、科研院所可以通过与不同的合作伙伴建立深度合作关系实现对知识的深度开发,合作伙伴多元化能为其提供丰富的知识和信息。合作过程中的频繁互动、交流增进了彼此间的信任与了解,进一步推动了知识的有效传递与再造。与此同时,高校、科研院所与网络中其它节点的距离较近、合作伙伴数量较多、知识存量丰富,占据合作网络中心区域,对整个网络中知识流的吸收、扩散和更新发挥了较强的调节与导向作用。

(3)~伙伴数量*~与其它伙伴的距离*合作次数*~合作多样性*知识存量*企业(0.208)。

(4)~伙伴数量*~中间桥梁位置*~与其它伙伴的距离*合作次数*~合作多样性*企业(0.107)。路径3的含义为:自身知识存量丰富的企业通过与少量合作伙伴频繁交流、互动,实现彼此间知识的有效流动。虽然与网络中其它节点的距离较近,但合作伙伴数量较少、合作类型较为单一,表明企业主要通过与占据网络中心位置的高校及科研院所保持密切合作,推动彼此间知识的有效传递及优势互补。同时,研究还发现,路径4中部分没有丰富知识存量的企业通过与少数伙伴频繁合作,也实现了知识的有效流动,但这种密切合作并未使之成为知识传播的中间桥梁。企业自身知识存量的限制可能使其很难处于技术创新合作网络中其他节点联系的中间路径,而只能处于网络中心位置的边缘,借助与技术实力比较强大的科研院所的密切合作提升知识吸收与扩散水平。

综上可知,知识流动的核心作用路径很好地揭示了节点自身知识存量与节点间合作状况对知识有效流动的重要保障作用,而4种典型微观作用路径除了涵盖上述共性因素外,还呈现出这两类节点各自的典型特征。高校、科研院所更倾向通过与不同类型的合作伙伴广泛建立合作实现知识的有效流动,而企业则主要借助与少量伙伴的密切合作实现知识的有效流动。该特征很好地证明了技术创新网络的知识流动受到节点属性、网络结构和关系程度三者交互作用的影响。

4 结语

本文区别于以往直接以创新绩效为目标的研究,聚焦于技术创新合作网络绩效提升的关键环节——知识流动,在结合现有研究成果基础上,从节点属性、网络结构、关系程度3个维度对技术创新合作网络知识流动的微观作用机理及其交互作用进行考察。以我国生物医药领域的专利研发合作数据为基础,运用定性比较分析方法(QCA)得到合作网络知识流动的核心作用路径及典型微观作用路径,并进行深入剖析,得到以下结论:技术创新合作网络的知识流动受节点属性、网络结构和关系程度交互作用的影响,知识流动效果提升需要综合考虑这3个维度因素的综合作用;主体自身的技术创新实力及主体间的密切合作关系是知识流动的重要保证;创新主体类型及研究侧重点使其知识获取方式存在一定差异,高校、科研院所倾向与不同类型的合作伙伴建立广泛联系以推动知识的有效流动,而企业则主要通过与少量伙伴的密切合作推动知识流动。

本文的研究结论揭示出目前我国生物医药领域技术研发合作的一些典型特征,据此提出以下两点建议:①网络中的知识流动受节点属性、关系程度及网络结构交互作用的影响。因此,不仅要考虑节点的技术实力和节点间知识互补性,还要注意合作关系的匹配性,以形成结构合理、关系稳定的合作网络,进而推动不同主体间知识的有效流动与共享;②由于企业与高校、研究机构的知识获取方式和实现方式存在一定差异,因而在产业化合作网络构建过程中,需要进一步明确企业主体的实际需求,根据企业自身特征和发展需要选择技术研发合作方式,以加强对我国生物医药产业知识流的合理引导与开发,进而有效保障创新产出和产业供给。

由于资料可得性等原因,本文主要使用专利数据表征技术创新合作网络知识流动,虽然对合作网络中显性知识流动具有很好的代表性,但对隐形知识流动的分析有待进一步完善。此外,定性比较分析(QCA)的复杂多因素组合及模糊集合代替定量测量的思想还需要深入研究,以更好地探寻和解决经济管理领域中的问题。

参考文献:

[1] NO H J,AN Y,PARK Y.A structured approach to explore knowledge flows through technology-based business methods by integrating patent citation analysis and text mining[J].Technological Forecasting & Social Change,2015(97):181-192.

[2] 余东华,芮明杰.基于模块化网络组织的知识流动研究[J].南开管理评论,2007,10(4):11-16.

[3] 余以胜,赵浚吟,陈必坤,等.区域创新体系中创新主体的知识流动研究[J].情报理论与实践,2014,37(7):59-63.

[4] LIN C,WU J C,YEN D C.Exploring barriers to knowledge flow at different knowledge management maturity stages[J].Information & Management,2012,49(1):10-23.

[5] ZANDER S,TRANG S,KOLBE L M.Drivers of network governance: a multitheoretic perspective with insights from case studies in the German wood industry[J].Journal of Cleaner Production,2016(110):109-120.

[6] LECHNER C,DOWLING M.The evolution of industrial districts and regional networks: the case of the biotechnology region munich/martinsried[J].Journal of Management & Governance,1999,3(4):309-338.

[7] 赵炎,冯薇雨,郑向杰.联盟网络中派系与知识流动的耦合对企业创新能力的影响[J].科研管理,2016,37(3):51-58.

[8] 刘晓燕,阮平南,童彤.专利合作网络知识扩散影响因素分析——以集成电路产业为例[J].中国科技论坛,2013,1(5):125-130.

[9] KRATKE S.Regional knowledge networks: a network analysis approach to the interlinking of knowledge resources[J].European Urban and Regional Studies,2010,17(1):83-97.

[10] POWELL W W,WHITE D R,KOPUT K W,et al.Network dynamics and field evolution: the growth of interorganizational collaboration in the life sciences[J].American Journal of Sociology,2005,110(4):1132-1205.

[11] 黄玮强,庄新田,姚爽.基于创新合作网络的产业集群知识扩散研究[J].管理科学,2012,25(2):13-23.

[12] 邱均平,瞿辉.我国科研机构合作网络知识扩散研究——以“生物多样性”研究为例[J].图书情报知识,2011(6):5-11.

[13] LEE J.Heterogeneity,brokerage,and innovative performance: endogenous formation of collaborative inventornetworks[J].Organization Science,2010, 21(4):804-824.

[14] 陈伟,杨早立,张永超.网络结构与企业核心能力关系实证研究:基于知识共享与知识整合中介效应视角[J].管理评论,2014,26(6):74-82.

[15] ANDERSON M H.Social networks and the cognitive motivation to realize network opportunities:a study of managers' information gathering behaviors[J].Journal of Organizational Behavior,2008,29(1):51-78.

[16] 刘凤朝,姜滨滨.中国区域科研合作网络结构对绩效作用效果分析——以燃料电池领域为例[J].科学学与科学技术管理,2012,33(1):109-115.

[17] 张华,郎淳刚.以往绩效与网络异质性对知识创新的影响研究——网络中心性位置是不够的[J].科学学研究,2013,31(10):1581-1589.

[18] 谢永平,毛雁征,张浩淼.组织间信任、网络结构和知识存量对网络创新绩效的影响分析——以知识共享为中介[J].科技进步与对策,2011,28(24):172-176.

[19] WOLFE A W.Social network analysis: methods and applications[J].American Ethnologist,1997,24(1):136-137.

[20] 阮平南,李会琼,刘晓燕.技术创新网络节点退出影响因素的实证研究——以电真空材料和蓄电池行业为例[J].科技进步与对策,2016(3):119-125.

[21] [美]亨利·切萨布鲁夫等著,陈劲等译.开放式创新的新范式[M].北京:科学出版社,2010:1.

[22] 贺正楚,张蜜,吴艳,等.生物医药产业共性技术服务效率研究[J].中国软科学,2014(2):130-139.

[23] 夏太寿,王园磊,田丽丽.基于专利分析的江苏生物医药发展现状与对策研究[J].中国生物工程杂志,2016,36(8):123-130.

[24] MARX A,DUSA A.Crisp-set qualitative comparative analysis (csQCA),contradictions and consistency benchmarks for model specification[J].Methodological Innovations Online,2011,6(2):97-142.

[25] 夏鑫,何建民,刘嘉毅.定性比较分析的研究逻辑——兼论其对经济管理学研究的启示[J].财经研究,2014,40(10):97-107.

[26] CHANG S B,LAI K K,CHANG S M.Exploring technology diffusion and classification of business methods: using the patent citation network[J].Technological Forecasting & Social Change,2009,76(1):107-117.

[27] 何俊志.比较政治分析中的模糊集方法[J].社会科学,2013(5):30-38.

[28] 王凤彬,江鸿,王璁.央企集团管控架构的演进:战略决定、制度引致还是路径依赖——一项定性比较分析(QCA)尝试[J].管理世界,2014(12):92-114.

(责任编辑:林思睿)

Analysis the Microscopic Path of Knowledge Flow:based on Chinas Technology Innovation Cooperation Network in Biological Medicine Field

Ruan Pingnan,Gu Chunliu

(School of Economics and Management,Beijing University of Technology,Beijing 100124,China)

Abstract:Knowledge flows is an important process of technology research cooperation and plays an important role in innovation output.This paper analyzes network structure,cooperative relations and node properties three factors’interactional influence of knowledge flows,preliminary building the basic framework of knowledge flow microscopic analysis in the technology innovation cooperation network.Then,by using the QCA ,we dissect 96 innovation body’s typical path and microscopic paths of knowledge flow in collaborative innovation process.It finds that: knowledge flows of technology innovation network have been interactional influenced by node properties,network structure and relationship degree;for knowledge flow,knowledge stocks and close cooperation of nodes are important guarantee;in the field of biological medicine,colleges and research institutes are more likely to establish extensive cooperation with different types of the node to promote the efficient flow of knowledge,while enterprises mainly through close cooperation with a small amount of nodes.

Key Words:Technology Innovation Network; Knowledge Flow;QCA;Biological Medicine

DOI:10.6049/kjjbydc.2017040579

中图分类号:F426.77

文献标识码:A

文章编号:1001-7348(2017)17-0022-06

收稿日期:2017-06-19

基金项目:国家自然科学基金项目(71562022);国家社会科学基金重大项目(11&ZD140)

作者简介:阮平南(1955-),男,江西吉安人,北京工业大学经济与管理学院教授、博士生导师,研究方向为组织理论、战略管理;顾春柳(1990-),女,河北保定人,北京工业大学硕士研究生,研究方向为创新网络与组织治理。

微信扫码看作者独家介绍本论文