开放科学(资源服务)标识码(OSID)：
开放科学(资源服务)标识码(OSID)：
大多数关于技术并购的研究关注并购企业与被并购企业间的知识特性关系，以及并购后的创新绩效[1-3]。由于技术并购涉及两家企业知识库整合，知识重叠便成为知识整合研究的重点。现有文献主要探讨重叠知识和非重叠知识在并购后产生的多维效应，如对研发生产率[4]、创新绩效[5]、企业知识利用[6]、企业研发资产投资[7]等的影响。学者们不断提出新的或更加完善的理论框架，以探讨技术并购中的知识重叠效应，如将被并购企业知识库分为知识相似性和互补性[8]。最近学界利用Makri等(2010)提出的理论框架，研究被并购企业重叠和非重叠知识对创新绩效的影响[7,9-10]。
但是，上述研究局限于知识库的数量属性，忽视了知识质量，仅将知识重叠定义为知识重叠数量多少[4,8]。例如，Phene等[11]关注并购企业与被并购企业共同知识和特有知识的多重属性；Sears & Hoetker[3]扩展了知识重叠的概念，但也只关注并购企业和被并购企业的知识重叠数量。
因此，在分析涉及技术并购的企业知识库时，必须考虑知识的质量属性，因为知识数量并不能准确反映创新能力[12]。Yang等[13]构建了知识质量指标体系用以分析技术并购效应，进一步强调了知识质量对企业知识转移的重要性；Yoo[14]重新定义了知识质量及其对知识转移的影响。当企业采用外部知识吸收策略(如技术并购)时，知识库质量的重要性将越来越突出，但以往研究仅针对知识数量的创新效应进行估算分析。在现实层面，机械制造行业因其隐性知识和工艺、干中学、渐进式创新、知识技术链接广泛等特点，成为技术并购多发领域。2017年，国内机械制造企业并购案例、交易金额占所有制造行业的比重均在60%以上，而且在国内外经济形势日趋严峻的背景下，外延式增长模式无法掩盖国内机械制造企业核心技术缺乏、自主创新能力低下的短板。因此，许多企业尝试通过技术并购手段获得新资源、完善资源配置、实现能级提升。基于此，本文利用国内机械制造行业技术并购数据，对技术并购中企业知识质量和知识重叠对并购后创新绩效的影响效应进行分析，以期对以往研究进行修正，同时为企业实践提供参考。
以往研究分析了并购后知识重叠的多重效应[6,8,10]，通常认为重叠和非重叠知识是非此即彼的，即企业间重叠知识增加意味着非重叠知识减少，反之亦然。一方面，非重叠知识为并购企业提供了全新知识，但由于缺乏相应的知识吸收能力，会出现知识整合障碍[5]。另一方面，重叠知识虽然不会出现知识整合障碍，但无法为企业提供创造新价值所需的新知识[3]。基于此，许多学者利用知识重叠概念对该效应进行分析，认为应寻找重叠知识和非重叠知识间的平衡点，以获取并购后的最佳创新绩效[10]。Kapoor & Lim[4]认为适当的知识重叠对并购后的创新生产率大有裨益，这得益于非重叠知识的新颖性和重叠知识的连通性。最近的研究将知识重叠分为并购企业重叠和被并购企业重叠，并分析了每种重叠对于并购后创新绩效的影响，结果表明知识重叠增加对创新绩效产生负向影响，因为企业无法从新想法和新技术中获益。此外，还有学者发现重叠知识的效用(吸收能力)弱于非重叠知识产生的效用(知识新颖性)[3]。
另一类知识重叠研究则提供了更加清晰的理论框架：知识相似性和互补性。Makri等[8]使用该框架对技术并购进行研究，发现被并购企业知识相似性对并购后的技术新颖程度产生负向影响；Colombo & Rabbiosi[9]将知识库划分为相似知识和互补知识，探究企业技术知识特征对并购后创新绩效的影响。最近许多学者利用这一框架分析了知识相似性和互补性如何影响被并购企业的研发资产投资及其在技术并购中的知识利用，尽管结果略微不同，但均强调了非重叠知识在组织学习中的重要性，因为知识新颖性对并购后创新绩效会产生积极影响。
然而，前述研究仅关注知识重叠的数量维度，忽视了质量维度。文中将知识质量纳入知识重叠的理论框架，分析重叠、非重叠知识的数量质量特性如何影响并购后的创新绩效。图1描绘了技术并购中两家企业知识库的重叠和非重叠部分。其中，并购企业通常是领先企业，拥有较为完备的知识库和相对领先的技术，被并购企业是追赶企业，知识库规模较小且技术相对落后。
图1 技术并购中的重叠/非重叠知识
基于组织学习理论，知识转移和知识创造是企业将获取的外部知识转化为竞争优势的重要过程[15]。技术并购的本质是获取新知识，而知识转移和知识创造是促进并购成功和绩效提升的重要因素。
1.2.1 知识质量与创新绩效
高质量知识是隐性、复杂和高度情景化的[16]。有关知识转移的文献认为，知识质量越高，嵌入企业知识库(包括劳动力、工具、任务、网络等)的复杂性就越高[17]。高质量知识的复杂性是知识具有不可模仿、难以转移、区域情境等特性的根源。另外，隐性知识具有模糊性和粘性，使得知识转移变得困难，尤其当两个学习主体间没有重叠惯例时，知识转移几乎不会发生[18]。高质量知识产生于干中学，知识创造的关键是经验和知识积累。因此，高质量知识无法仅从简单的知识转移中学习得到[19]。
但是，并购企业与被并购企业间的知识重叠使得高质量知识转移变得顺畅。重叠知识意味着企业拥有共同的知识生产过程和路径[20]。Cohen & Levinthal[21]认为企业间知识重叠提供共同的技术、相似的认知基础和共享的技术语言，从而使并购企业拥有更强的吸收能力，可以更好地理解、吸收和转化被并购企业的高质量知识。
高质量知识有利于知识创造。如果并购企业已在某些领域取得技术突破，高质量知识对完善相关技术至关重要。有研究强调被并购企业非重叠和新颖知识对提升创新绩效的重要性[3,5]。尽管重叠知识可能包含冗余的知识技术库，生产过程和路径会因生产环境不同而有所差异，但其重要性不言而喻。高质量知识具有高度情景性、原创性和竞争优势，相比低质量知识，其拥有更优的提升路径和更广的适用范围[22]。因此，高质量重叠知识能为并购企业提供新技术，进而优化其生产过程、技术路径并提升现有知识利用率。由此，提出如下假设：
H1：在技术并购中，重叠知识质量越高，技术并购后的创新绩效越好。
当高质量知识不重叠时，并购企业会试图整合这些知识，但吸收能力不足会导致效率低下。另外，高质量知识的特性(如资产专用性、隐性、复杂)使得知识转移更加困难[23-24]。非重叠知识在生产过程和路径上存在差异，并购企业难以对其进行转移与整合。因此，由于低效的知识转移，整合被并购企业的高质量、非重叠知识会产生高额成本，从而分散并购企业原本用于增强企业核心竞争力的研发资源，反而不利于创新绩效提升[25]。而且，转移被并购企业的高质量、非重叠知识花费的时间可能会使并购企业错失创造新知识的时机。高质量、非重叠知识整合会消耗大量资源和时间，进而对知识转移产生较大负面影响。
尽管成本较高，但高质量、非重叠知识会对知识创造产生积极影响。因具有更好的整合潜力和应用前景，被并购企业的高质量知识比低质量知识更具竞争力。但是，高质量知识的积极效应受限于并购企业较弱的吸收能力。如果没有任何知识重叠，并购企业就难以整合利用高质量知识，进而影响其未来的创新活动。因此，随着非重叠知识质量提高，整合成本增加的负效应大于整合潜力增加的正效应。此外，非重叠的高质量知识会因资源分配问题而对创新产生负面影响[26]。Jiang等[25]认为，在没有知识基础的领域不断寻求创新，反而会对知识创造产生负面影响，它会对现有核心创新活动形成资源效应，削弱企业核心竞争力。换句话说，高质量非重叠知识会导致企业错误地分配资源并对企业核心竞争力和知识创造产生负面效应。
总之，虽然高质量非重叠知识拥有极大的整合潜力，但由于高昂的整合成本和错误的资源分配使其产生负面效应。因此，本文假设非重叠知识质量会对并购后的创新绩效产生负面影响。
H2：在技术并购中，非重叠知识质量越高，技术并购后的创新绩效就越低。
1.2.2 知识数量与创新绩效
转移重叠知识更加容易，因为并购企业已经掌握了相应的吸收能力。因此，与被并购企业知识重叠会因技术知识共享而使知识转移和知识整合变得容易[16,20]。Phene等[11]的研究表明，并购企业和被并购企业间的知识重叠使得技术人员拥有相似的思维方式，这为组织系统和学习过程带来相似性并且有利于知识吸收。只要并购企业拥有足够的吸收能力，有效的知识转移就可能发生。
技术并购导致重叠知识数量增加，对知识创造过程产生积极影响。随着被并购企业吸收的重叠知识数量不断增加，不同知识和技术整合就会增强企业核心竞争力[27]。重叠知识数量增加有助于现有知识的有效交换和重新整合，对企业现有知识库开发产生积极影响[8]。
但是，过量的重叠知识也会对企业知识创造产生消极影响。首先，过高的重叠知识会导致知识冗余，减少学习机会。高度的知识冗余削弱了新知识整合的潜在可能性，会对创新产生不利影响。企业知识库之间大量重叠知识增加了企业资源冗余，最终导致成员间冲突和组织混乱[3]。换句话说，尽管重叠知识的增加有利于企业研究开发和创新绩效提升，但过量的重叠冗余会引起组织混乱和创新效率下降。基于此，提出如下假设：
H3：在技术并购中，重叠知识的数量与并购后的创新绩效呈倒U型关系。
一方面，在知识非重叠区域，由于并购企业缺乏相应的吸收能力，吸收、整合知识会消耗更多时间和资源。当缺乏吸收能力的企业面对非重叠知识过量流入、形成信息过载时，就会影响知识转移和学习过程[11]。信息过载会使并购企业在“选择何种知识实现创新”方面产生混乱，也会使信息的及时吸收和整合变得困难[2,26]。非重叠知识过量会导致技术并购中知识转移的高成本和低效率。
另一方面，技术并购带来的非重叠知识增加也会对知识创造产生积极影响。吸收大量非重叠知识能产生更多知识整合，有利于企业进入新技术领域[28-30]。企业非重叠知识与现有知识整合可实现更有价值的创新[31]。被并购企业的非重叠知识会成为并购企业探索新领域的工具箱，它包含对并购企业未拥有知识的获取、转移和新知识、新工艺、新路径的利用。换句话说，大量非重叠知识转入并购企业，使其整合潜力和进入新技术领域的可能性不断增加，进而促进企业创新。
但是，信息过载是非重叠知识过量的结果，它对知识创造和知识转移产生不利影响。信息过载破坏了现有创新活动，使知识创造过程变得复杂[32-33]。如果并购企业吸收过多的非重叠知识，其关注于特定技术发展的策略就会被干扰。
总之，大量非重叠知识增加了知识整合的可能性，这有利于企业突破式创新。但是，当数量超过一定界限时，并购企业就会因吸收能力不足和知识转移延时而承受高昂整合成本。而且，过量的非重叠知识会破坏企业现有创新活动。基于此，提出如下假设：
H4：在技术并购中，非重叠知识数量与并购后的创新绩效呈现倒U型关系。
综上，提出本文研究框架及相关假设如表1所示。
表1 研究框架与相关假设
因素重叠知识非重叠知识被并购企业的知识库质量假设1(积极)假设2(消极)·高吸收能力·低吸收能力·低整合成本·高整合成本·高整合潜力·资源分配问题假设3(倒U)假设4(倒U)·增强现有核心能力·大量的整合被并购企业的知识库数量·高冗余·低吸收能力·信息过载
并购事件数据来源于私募通创业投资数据平台(https://www.pedata.cn/)。本文收集了2008-2017年中国机械制造企业的国内并购数据，在剔除非技术并购案例、收购剩余资产等数据，同时考虑数据可得性等问题后，最终得到217家企业352条技术并购数据。
本文因变量选择并购后创新绩效，是非负计数，原则上选择泊松回归方法。然而，描述性统计分析结果显示，因变量存在过度离散分布情况，违背了泊松回归模型的基本假设，因此采用负二项回归方法，构建模型如下：
lnY=α+α1 X1+α2 X2+C+ε
(1)
因变量Y：并购后创新绩效(subsequent innovationperformance)。考虑到新知识发挥效用的滞后性和知识的贬值性，本文用并购企业并购后1-5年的总专利授权数表征[34]。企业专利授权数据来源于国家知识产权局2008-2018年专利授权数据。
自变量X1：重叠/非重叠知识质量(overlapped/nonoverlapped knowledge quality)。测度重叠和非重叠知识质量需要两个关键步骤：区分重叠和非重叠知识、测度每部分知识的质量。本文依据国家知识产权局的IPC分类，将所有专利按照三位数(如B12)进行划分，若并购企业和被并购企业的专利属于同一技术类别，那么就是重叠专利，反之为非重叠专利。知识质量用专利被引量测度。
自变量X2：重叠/非重叠知识数量(overlapped/nonoverlapped knowledge quantity)。知识重叠、非重叠判断步骤与自变量X1相同，数量属性则用被并购企业的重叠专利和非重叠专利数量表征。
控制变量C：并购企业资产规模(asset size)、技术能力(R&D capability)和原有知识库(knowledge base)。资产规模用并购前并购企业三年平均营业收入表示；技术能力用并购前并购企业三年平均研发投入强度表示。企业营业收入和研发投入强度数据来源于企业网站和其它网络渠道。并购企业原有知识库用并购前企业专利类别总数表征。同时引入一些虚拟变量以替代交易年份、所在城市等信息。
表2展示了各变量描述性统计和相关系数情况，可以看出，机械制造企业并购后的平均专利授权数达36.3件，并购前并购企业的平均营业收入达15.56亿元，平均研发投入强度达17%，所拥有的专利类别总数达12.73项。本文通过方差膨胀因子检验，排除因变量间相关性高而导致的多重共线性问题，提高分析的有效性。结果显示，所有方差膨胀因子值均小于3，说明变量之间不存在多重共线性问题。
表2 各变量描述性统计与相关系数
变量12345678MeanSD1.并购后创新绩效1.0036.2570.092.重叠知识的质量0.571.002.114.593.非重叠知识的质量-0.21-0.021.004.9710.354.重叠知识的数量0.190.11-0.251.008.9415.385.非重叠知识的数量-0.10-0.25-0.11-0.161.006.1327.186.并购企业资产规模0.440.19-0.210.320.091.0015.569.477.并购企业技术能力0.220.120.330.200.090.351.000.170.348.并购企业原有知识库0.390.27-0.020.23-0.090.40-0.111.0012.7318.66
如表3所示，模型I分析控制变量对因变量的影响，结果表明只有企业资本规模存在稳定的正向影响。模型II-IV逐步加入自变量，模型V是包含所有控制变量和自变量的模型。
从表3可以看出，重叠知识质量在模型II-V中均呈现显著正向影响，说明被并购企业的高质量重叠知识能够对并购后的创新绩效产生积极作用，H1成立。模型III-V中，非重叠知识质量对创新绩效产生稳定且显著的负向影响，表明随着被并购企业非重叠知识增加，会对并购企业并购后的创新绩效产生负面效应，因此H2成立。
为了检验H3的倒U型曲线关系，模型IV和模型V加入重叠知识数量及其平方项。结果表明，重叠知识数量在5%置信区间内呈现稳定的正向积极影响。同时，重叠知识数量的平方项则在5%置信区间内呈现出显著负相关关系，表明并购企业和被并购企业间重叠知识数量与并购后的创新绩效呈现倒U型关系，H3成立。
H4认为“在技术并购中，非重叠知识数量与并购后的创新绩效呈倒U型关系”。然而，模型V的检验结果表明，非重叠知识数量及其平方项并未对并购企业并购后的创新绩效产生显著影响，因此H4不成立。综上可知，H1、H2、H3通过检验，H4未通过检验。
需要说明的是，表3中存在显著意义的自变量，其相关系数值似乎很小。但由于方程模型为对数形式且采用的负二项回归是非线性回归，因此因变量的实际方差比例足够大，所以研究结果足以反映所选变量对企业并购后创新绩效产生的影响。
表3 负二项回归结果
IIIIIIIVV重叠知识的质量0.16(0.02)∗∗0.11(0.04)∗∗0.10(0.01)∗∗0.13(0.01)∗∗非重叠知识的质量-0.05(0.00)∗-0.05(0.01)∗-0.05(0.00)∗∗重叠知识的数量0.10(0.02)∗∗0.10(0.01)∗∗重叠知识数量的平方-0.01(0.00)∗∗-0.01(0.00)∗∗非重叠知识的数量0.00(0.01)非重叠知识数量的平方0.00(0.00)并购企业资产规模0.78(0.11)∗∗∗0.75(0.10)∗∗∗0.68(0.09)∗∗∗0.61(0.13)∗∗∗0.59(0.10)∗∗∗并购企业技术能力0.55(0.23)0.57(0.20)∗0.48(0.19)0.33(0.15)0.38(0.15)并购企业原有知识库0.12(0.01)0.14(0.02)0.14(0.03)0.10(0.02)0.12(0.00)N352352352352352Control dummy variablesIncludedIncludedIncludedIncludedIncludedLog likelihood-718.01-722.94-725.95-714.54-720.01Pseudo R20.040.050.050.070.07Likelihood Ratio(LR)χ274.7989.02115.42125.31129.95Regression p-value0.000.000.000.000.00
注：显著性水平*表示P<0.1，**表示P<0.05，***表示P<0.01
一些研究利用其它方法测度专利质量，如Trajtenberg[22]认为，原创性和普遍性代表了一项专利的质量。因此，本文选择原创性和普遍性作为知识质量的替代指标。
专利的普遍性是指专利在各个领域的应用程度。具有高度普遍性的专利不仅在其所属技术领域得到深度应用，而且在其它领域也能广泛应用。专利普遍性的计算公式为1减去赫芬达尔指数(基于专利被引量)，表示吸聚其它类别专利的程度[35]。
专利原创性是指与之前专利相比，某项专利的新颖程度。专利质量会随着专利多样性的增加而提高[36]。由于这些专利基于不同领域的理念和技术，因此比仅基于单个领域的专利更具创新性。专利原创性计算方法与专利普遍性相似，本文采用基于专利引用量的赫芬达尔指数度量。
知识质量的两种替代指标被用来检验H1和H2，表4和5的结果与表3一致，进一步证明了研究结论的稳健性。
表4 稳健性检验：知识原创性
IIIIIIIVV重叠知识的质量1.33(0.85)∗∗1.26(0.40)∗∗1.19(0.31)∗∗1.17(0.16)∗∗∗非重叠知识的质量-1.54(0.32)∗-1.50(0.25)∗-1.48(0.27)∗∗重叠知识的数量0.08(0.03)∗0.09(0.03)∗∗∗重叠知识数量的平方-0.00(0.00)∗∗-0.00(0.00)∗∗非重叠知识的数量0.01(0.01)非重叠知识数量的平方0.00(0.00)并购企业资产规模0.80(0.04)∗∗∗0.85(0.06)∗∗∗0.77(0.09)∗∗∗0.65(0.07)∗∗∗0.60(0.07)∗∗∗并购企业技术能力0.25(0.13)0.26(0.11)∗0.34(0.13)0.23(0.10)0.28(0.19)并购企业原有知识库0.03(0.00)0.04(0.01)0.03(0.01)0.05(0.02)0.05(0.00)N352352352352352Control dummy variablesIncludedIncludedIncludedIncludedIncludedLog likelihood-766.95-749.72-755.01-748.15-733.20Pseudo R20.060.060.070.070.08Likelihood Ratio(LR)χ288.1295.39111.19129.28133.67Regression p-value0.000.000.000.000.00
注：显著性水平*表示P<0.1，**表示P<0.05，***表示P<0.01
本文分析了知识重叠质量和数量特征对技术并购后企业创新绩效的影响。具体而言，将被并购企业知识库划分为重叠部分和非重叠部分，分别考察其对创新绩效的影响。基于国家知识产权局专利数据，对217家国内机械制造企业352例技术并购事件进行分析，发现高质量重叠知识对并购后企业创新绩效具有积极影响。但是，由于并购企业吸收能力不足，高质量非重叠知识会产生高昂的整合成本，从而对并购后的企业创新绩效产生负面影响。
通过对知识重叠以及知识质量的特征进行刻画，对企业技术并购研究作出以下拓展：
(1)通过揭示高质量知识的双面性，加深对知识管理领域知识基础观的理解。根据知识基础观，企业竞争优势源于隐性知识获取[37]，因此学者们都强调企业需要通过知识溢出或知识创造获取有价值的知识[16]。然而，本文研究结果表明，虽然转移的知识有利于知识创造，但高质量知识的隐性本质导致这种转移成本高而效率低。
(2)本文扩展了以往关于技术并购中知识重叠效应的研究。最近关于知识重叠的研究表明，重叠知识会对并购后企业创新绩效产生负面影响，强调获取全新的非重叠知识的重要性。非重叠知识对主体创新效应的影响强于重叠知识，因为非重叠知识能够提升并购企业知识基础的多元化程度。然而，当非重叠知识过多时，会产生高昂的整合成本，进而抑制并购企业创新绩效提升[3,9]。本文在以往文献基础上，考察了知识的质量特征，发现知识重叠对并购后企业创新绩效具有积极影响，而非重叠领域中的高质量知识则对并购后的创新绩效具有负面影响。以上结论表明，在技术并购过程中，知识质量固然需要考虑，但重叠知识的重要性亦不容忽视，这是对以往研究结果的有益补充。
根据研究结论，为企业并购及创新实践提供如下启示：
(1)局限于被并购企业的高质量知识可能会对创新绩效产生负面影响。在不考虑并购企业知识库时，整合知识将产生较高的成本，并且边际收益较低。因此，并购企业在进行技术并购时，应着重研究自身与并购对象之间的知识重叠情况，以更加有效地利用目标企业的高质量知识。在一些并购案例中，由于缺乏共同的知识背景和基础，即使收购一家拥有高质量、非重叠知识的企业，也无法获得知识库的组合协同效应，最终导致并购失败。可见，缺乏重叠知识会突显出吸收能力不足的问题，进而导致并购企业难以有效获取目标企业的高质量知识。
(2)企业需要构建多样化知识库。正如本文研究所揭示的，知识重叠有助于并购企业学习和利用被并购企业的高质量知识，并通过知识重组产生积极影响。同样地，重叠的知识库为并购企业适应被并购企业的高质量知识提供了足够的吸收能力和基础。然而，通过技术并购获取其它企业高质量知识，前提是并购企业自身拥有与被并购企业重叠的知识。因此，并购企业只有具备多样化的知识，积极形成多样化知识组合，才能成功吸收新知识、创造新知识，实现技术创新。
由于IPC分类系统只对专利应用领域而非创新性质进行分类，因此测度的知识重叠可能并不完整。未来研究可通过增加新产品开发等额外数据弥补这一不足。此外，可建立一个更系统、科学的框架衡量知识质量(而不只是专利引用)，精准测度知识质量特征对技术并购的影响，从而帮助企业更好地实施并购。
[1] 郭嘉莉.技术并购对创新绩效影响文献综述[J].中外企业家,2019(21):72.
[2] HAGEDOORN J,DUYSTERS G.The effect of mergers and acquisitions on the technological performance of companies in a high-tech environment[J].Technology Analysis & Strategic Management,2002,14(1):67-85.
[3] SEARS J,HOETKER G.Technological overlap,technological capabilities,and resource recombination in technological acquisitions[J].Strategic Management Journal,2014,35(1):48-67.
[4] KAPOOR R,LIM K.The impact of acquisitions on the productivity of inventors at semiconductor firms:a synthesis of knowledge-based and incentive-based perspectives[J].Academy of Management Journal,2007,50(5):1133-1155.
[5] 许长新,陈灿君.技术并购对企业创新绩效的影响——基于技术知识视角的一种分析[J].科技管理研究,2019,39(14):158-164.
[6] ORSI L,GANZAROLI A,DE NONI I,et al.Knowledge utilisation drivers in technological M&As[J].Technology Analysis & Strategic Management,2015,27(8):877-894.
[7] MIOZZO M,DIVITO L,DESYLLAS P.When do acquirers invest in the R&D assets of acquired science-based firms in cross-border acquisitions? the role of technology and capabilities similarity and complementarity[J].Long Range Planning,2015,49(2):221-240.
[8] MAKRI M,HITT M,LANE P.Complementary technologies,knowledge relatedness,and inventionoutcomes in high technology mergers and acquisitions[J].Strategic Management Journal,2010,31(6):602-628.
[9] COLOMBO M,RABBIOSI L.Technological similarity,post-acquisition R&D reorganization,andinnovation performance in horizontal acquisitions[J].Research Policy,2014,43(6):1039-1054.
[10] AHUJA G,KATILA R.Technological acquisitions and the innovation performance of acquiring firms:a longitudinal study[J].Strategic Management Journal,2001,22(3):197-220.
[11] PHENE A,TALLMAN S,ALMEIDA P.When do acquisitions facilitate technological exploration and exploitation[J].Journal of Management,2012,38(3):753-783.
[12] CHEN Y,CHANG K.The relationship between a firm's patent quality and its market value:the case of US pharmaceutical industry[J].Technological Forecasting and Social Change,2010,77(1):20-33.
[13] YANG C,WEI CP,CHIANG YH.Exploiting technological indicators for effective technology mergerand acquisition (M&A) predictions[J].Decision Sciences,2014,45(1):147-174.
[14] YOO D K.Substructures of perceived knowledge quality and interactions with knowledge sharing andinnovativeness:a sensemaking perspective[J].Journal of Knowledge Management,2014,18(3):523-537.
[15] 陈国权.面向时空发展的组织学习理论[J].管理学报,2017,14(7):982-989.
[16] KOGUT B,ZANDER U.Knowledge of the firm,combinative capabilities,and the replication of technology[J].Organization Science,1992,3(3):383-397.
[17] ARGOTE L,MIRON-SPEKTOR E.Organizational learning:from experience to knowledge[J].Organization Science,2011,22(5):1123-1137.
[18] 茅迪,施建军,陈效林.知识相关性对创新绩效影响的实证研究——企业技术并购视角[J].科技进步与对策,2019,36(15):129-136.
[19] OGUZ F,SENGUN A E.Mystery of the unknown:revisiting tacit knowledge in the organizational literature[J].Journal of Knowledge Management,2011,15(3):445-461.
[20] LANE P J,LUBATKIN M.Relative absorptive capacity and interorganizational learning[J].Strategic ManagementJournal,1998,19(5):461-477.
[21] COHEN W M,LEVINTHAL DA.Absorptive capacity:a new perspective on learning and innovation[J].Administrative Science Quarterly,1990,35(1):128-152.
[22] TRAJTENBERG M.A penny for your quotes:patent citations and the value of innovations[J].The RAND Journal of Economics,1990,21(1):172-187.
[23] SPENDER JC.Industry recipes:an inquiry into the nature and sources of managerial judgement[M].Cambridge,MA:Basil-Blackwood,1989.
[24] JASIMUDDIN S M,KLEIN J H,CONNELL C.The paradox of using tacit and explicit knowledge:strategies toface dilemmas[J].Management Decision,2005,43(1):102-112.
[25] JIANG L,TAN J,THURSBY M.Incumbent firm invention in emerging fields:evidence from thesemiconductor industry[J].Strategic Management Journal,2011,32(1):55-75.
[26] 王珍义,徐雪霞,伍少红,等.技术并购、相对技术差异与技术创新[J].科技进步与对策,2015,32(12):19-24.
[27] NONAKA I,TAKEUCHI H.A theory of organizational knowledge creation[J].International Journal of TechnologyManagement,1996,11(7-8):833-845.
[28] 王宛秋,张潇天.谁更易在跨界技术并购中获益[J].科学学研究,2019,37(5):898-908.
[29] 李宇,张晨,王丽军.企业技术并购与创新绩效的关系研究——技术差距的调节作用[J].科技管理研究,2016,36(18):192-197.
[30] GRAEBNER M E,EISENHARDT K M,ROUNDY P T.Success and failure in technology acquisitions:lessonsfor buyers and sellers[J].Academy of Management Perspectives,2010,24(3):73-92.
[31] YAYAVARAM S,CHEN W R.Changes in firm knowledge couplings and firm innovation performance:the moderating role of technological complexity[J].Strategic Management Journal,2015,36(3):377-396.
[32] CHAKRABATI A,HAUSCHILDT J,SUVERKRUP C.Does it pay to acquire technological firms[J].R&D Management,1994,24(1):47-56.
[33] CAPRON L,MITCHELL W.Where firms change:internal development versus external capability sourcing inthe global telecommunications industry[J].European Management Review,2004,1(2):157-174.
[34] HAN J,JOG S,KANG J.Is high-quality knowledge always beneficial? knowledge overlap and innovation performance in technological mergers and acquisitions[J].Research Policy,2016(5):1-21.
[35] VALENTINI G.Measuring the effect of M&A on patenting quantity and quality[J].Strategic Management Journal,2012,33(3):336-346.
[36] ROSENKOPF L,NERKAR A.Beyond local search:boundary-spanning,exploration,and impact in the opticaldisk industry[J].Strategic Management Journal,2001,22(4):287-306.
[37] 刘洪伟,冯淳.基于知识基础观的技术并购模式与创新绩效关系实证研究[J].科技进步与对策,2015,32(16):69-75.