Previous studies on commercial scale demonstration focused on the role of demonstration function on innovation, while there was a lack of clear cognition on how to improve the effect of commercial-scale demonstration, and few studies on the role of enterprises in this process.Learning is a skill necessary for new technologies to bridge the valley of death between basic R&D and commercialization.The advancement of scientific and technological achievements to the stage of commercial scale demonstration requires not only learning technical knowledge, but also non-technical knowledge such as markets and policies.However, the expansion of scale and the increase of actors make acquiring and using knowledge far from easy.Therefore, it is necessary to clarify the effective learning process and learning strategies in commercial scale demonstration.There is a direct connection between "Learning-by-using" and "Learning-by-interacting" and commercial scale demonstration, and two types of learning can reduce operating costs, reduce risk, and increase proprietary knowledge.In addition, the high-investment, high-risk characteristics of commercial scale demonstration can easily lead to market failure, and the lack of government policy support can weaken technology adoption and slow down the market department's speed, so governments need to build Bridges across the "valley of death".Therefore, based on the theory of organizational learning and institutional theory, the influence of organizational learning and government policy support on commercial scale demonstration was explored to provide reference for the S&T achievement transformation project of enterprise management into commercial scale demonstration.
Six hypotheses were proposed based on a conceptual model that drives the effective operation of the commercial scale demonstration.Then the scale was designed and a predictive test was carried out to ensure the stability of the structure and content of the scale.A large-scale questionnaire survey was conducted using three questionnaires, and 312 valid questionnaires were eventually collected.
The results show that: (1) Both "learning-by-using" and "learning-by-interacting" in organizational learning facilitate commercial scale demonstration positively, while learning-by-interacting has a stronger impact; (2) Government policy support not only positively influences commercial scale demonstration but also positively adjusts the relationship between learning-by-interacting and commercial scale demonstration; (3) There are differences in different scale, nature and regional enterprises' commercial scale demonstration and government policy support.This study will help to clarify the influence mechanism of organizational learning and government policy support in commercial scale demonstration, and suggest the importance of the combination of enterprise R&D, organizational learning and government policy support to improve the quality and efficiency of industrialization of scientific and technological achievements.In addition, this research has three practical impacts:first, companies must pays attention to the role of learning-by-interacting in the commercial scale demonstration stage.By integrating resources and building a commercial scale demonstration communication platform, it promotes knowledge flow and feedback among actors, gathers complementary knowledge from suppliers, potential customers, and investors to produce knowledge spillover effects, and jointly solves the problems in commercial scale demonstrations.Second, companies need to actively strive for government policy support to give play to the positive external effects of commercial scale demonstrations.Third, the goverment should give full play to the leading role of large enterprises in commercial scale demonstrations, and give priority attention to them through policy support.It is necessary for the government to investigate the needs, characteristics and problems of enterprises of different sizes and regions in the commercial scale demonstration, so as to formulate practical sustainable support policies.
开放科学(资源服务)标识码(OSID)：
科技成果转化率低一直是制约我国科技创新效率与质量提升的薄弱环节，尤其是科技成果进入商业规模示范阶段，常受到大规模资源投入及市场接受的阻碍，因为新技术开发和推广需要在建立与发展商业市场、使法律制度与新技术保持一致、提高技术合法性与公众接受度等方面投入精力，不仅要关心科技成果实验室验收成效，还要在降低科技成果产业化面临的市场、组织、制度等风险和不确定性方面尽早布局[1-3]。
商业规模示范一方面通过用户试用在市场上部署新技术或新产品，使其逐渐在公众实践和感知中被接受；另一方面，通过整合前期研发与试制的关键参与者、激活利益相关者资源和知识，可为新技术或新产品开发提供更加完善的社会—技术系统解决方案。以往关于商业规模示范的研究大多关注政府资助对技术发展的推动作用，重点阐述示范功能对创新的作用[4-7]，而对于如何提升商业规模示范效果缺少清晰认知，对企业在此过程中发挥作用的研究较少。Hellsmark等[2]基于技术创新体系(TIS)、战略利基管理(SNM)和制度理论分析框架，指出学习是新技术在基础研发与商业化之间弥合死亡之谷所必需的技能，科技成果推进至商业规模示范阶段不仅需要学习技术知识，还需要学习市场、政策等非技术知识。然而，规模扩大及行动者增多使得获取与利用知识远非易事[8]，因此需要明确商业规模示范中的有效学习过程和学习策略。用中学、互动中学与商业规模示范存在直接联系[2]，其所产生的学习成果可降低运营成本、减少风险并增加专有知识，但两者在商业规模示范中的具体应用和作用效果仍需进一步明确。
另外，商业规模示范的高投资、高风险特征极易导致市场失灵，若缺乏政府政策支持则会削弱技术采用、减慢市场部署速率，因此政府需要架起跨越“死亡之谷”的桥梁[3,9]。政府通过对企业产业化项目在财务、融资、信息、载体、市场监管等方面予以支持，可以帮助企业进入商业规模示范的项目更快实现市场化。尤其在商业市场初步发展、用户对新技术认可度不高、投资不足阶段，更需要政府在鼓励学习和消除障碍方面发挥引导作用[2]。因此，本文基于组织学习理论和制度理论，探讨组织学习、政府政策支持对商业规模示范的影响，可为企业如何管理进入商业规模示范的科技成果转化项目提供借鉴。
科技成果转化需要经过实验室验证、工业规模试制与商业规模示范等环节，商业规模示范是科技成果转化的重要环节，决定科技成果产业化成败[10]。商业规模示范处于规模扩大的最后阶段，是缩短特定技术从原型开发、试制生产、工业应用到商业应用的再次尝试，旨在建立更接近商业规模的工厂，创建和测试价值链上的示范活动，以辅助上下游技术市场导入，通过积累操作经验、刺激创新、完善性能、降低成本、提高效率、获得用户知识和体验，验证新技术或新产品商业化可行性。通过现场测试为企业提供观察和试验潜在客户的机会，以更好地理解技术与客户要求匹配度、经济性能及是否优于现有产品，增加公众接受度，调动该领域更多资源，通过制定新标准和刺激新政策的出台解决制度性风险[2]。
商业规模示范具备两个特征：①通过建立商业规模工厂，引导广泛的行动者、潜在客户、政府机构等对新技术或新产品进行试用，向公众证明技术价值，展示技术可行性和可信度，激发公众意识与认可度并带动其他行动者参与[11]；②将从市场反馈中获取的新知识用于迭代与优化新技术或新产品工艺流程，减少商业化进程中市场、经济、制度与管理不确定性[1,8]。
组织学习理论指出，学习有助于企业创造新产品、新流程并对不断变化的环境作出反应[12]，尤其在技术创新领域，学习是减少不确定性的先决条件，能够帮助企业在动荡的技术和市场环境中提高竞争力，通过区分不同学习过程降低新技术在新领域面临的不确定性[3]。Kamp等[13]根据技术开发与扩散过程，将学习划分为搜索中学、干中学、用中学和互动中学；Hellsmark等[2]采用这一划分方式，指出商业规模示范主要解决科技成果产业化面临的市场、制度、资金等问题，侧重于开发和整合来自用户、供应商、政府等相关行动者的非技术知识，而非通过搜索中学和干中学习得工艺、生产经验等技术知识，因此更需要发挥用中学和互动中学的作用。本文采用这一观点，认为用中学和互动中学是商业规模示范的关键学习类型。其中，用中学是指用户对产品尝试与体验的反馈式学习，用户常为工程师尚未解决的问题提供帮助，并能够提出改进或增加新功能的建议；互动中学是指在与生产商、供应商和政策制定者等不同类型参与者之间交互过程中进行学习。
创新扩散理论认为，创新活动受用户和市场需求的引导，企业从用户产品试用和反馈过程中发现产品技术或设计问题，获取产品改进和市场需求知识，从而实现创新并促进新产品市场扩散[14]。然而，获知用户需求和使用体验是一个耗时且成本高的过程，需要企业与用户进行沟通，通过用中学主动获取用户需求和建议[15]。用中学能够为商业规模示范提供基于用户体验的专门知识。首先，获取用户需求、偏好、使用感受和反馈意见有助于及时掌握市场动向[16]，降低市场风险；其次，借助用户试错获取专有知识和经验有利于完善自身知识体系[2]，缩短新产品或新技术进入市场的时间；最后，用户参与科技成果商业规模示范，以跨职能形式进行联合设计与改进、共同开发新产品、优化技术性能，有助于降低生产和运营成本，缩短新产品或新技术市场周期[7]。据此，本文提出如下假设：
H1：用中学对商业规模示范有积极影响。
根据刺激-反应理论，组织学习是指组织通过主动寻求环境和其他行动者支持，获取、整合新知识以促进创新[17]。在有限资源和能力条件下，企业尤其需要主动获取外界刺激，积极与价值链上下游企业、政府、商业客户进行互动学习，增加生产、物流、营销等各类知识储备进而开展创新活动[18]。此外，大量研究也将创新进展归功于生产者、用户、评估者、监管者之间的互动和累积学习过程[19-21]。互动中学为商业规模示范提供基于与技术顾问、供应商、服务机构等各类合作方互动而产生的技术和非技术知识[22]。与合作方维持良好合作关系并保持密切联系，有助于补充商业规模示范所需的异质性资源和能力，增强合作网络社会资本，形成创新价值链并提升合作效率；与合作方互动交流既能够减少知识开放性较低存在的锁定风险，缩小知识差距[23-24]，又能够促进知识吸收与利用，共同解决商业规模示范中的成本控制、商业模式设计、市场推广方案等问题，并从中学习知识与运营经验。据此，本文提出如下假设：
H2：互动中学对商业规模示范有积极影响。
虽然两类学习策略均对商业规模示范具有促进作用，但二者在学习方式和内容方面存在差异，对商业规模示范的影响也不同。①在学习方式方面，用中学仅发生于企业与用户反馈阶段，用户提供的知识较零散[25]，互动中学发生在企业与各种创新参与者之间持续、多向沟通反馈阶段。相比于用中学，互动中学更能及时、准确地获取与商业规模示范所需的匹配性知识；②在学习内容方面，用中学主要获取用户对产品的使用体验和偏好等经验性知识，以帮助企业发现技术和产品设计问题，提示企业市场需求变动；互动中学不仅可以获取市场知识，还可以在与供应商、分销商、政府等的互动中获取生产、物流、政策等多领域知识，从而提出更加完善的问题解决方案并降低成本[21]。虽然用中学能在一定程度上提供商业规模示范所需的需求方知识，但互动中学则能够更好地将技术推动和需求拉动结合起来，帮助企业攻克商业规模示范难关[5]。据此，本文提出如下假设：
H3：与用中学相比，互动中学对商业规模示范的作用更强。
政府支持是指根据现有法律法规或资源禀赋，由政府(或行政机构)建立的社会政治合法化[26]，反映政府在多大程度上为企业提供支持，以减少基础设施不足带来的负面影响，包括资金支持、优惠政策、金融支持、平台支持等[27]。周源(2018)将政府支持划分为直接支持(研发资助、补贴、税收减免、政府采购等)和间接支持(开展示范宣传和培训、加强知识产权保护、增加贷款担保、风投引导机制等)两种；Hellsmark & Söderholm等[28]将创新政策划分为工业化政策和商业化政策两种。其中，工业化政策旨在提高工业能力，商业化政策旨在诱导创新，将现有创新推向市场。商业化政策不仅可以有效纠正市场外部性弥补管理信息缺陷，也可创造长期条件，刺激利基市场中经过验证的技术扩散。本文重点探讨直接和间接的商业化政策支持。
商业规模示范进入科技成果高投资和高风险阶段后，往往因缺乏资金和规模化付费用户而陷入“死亡之谷”，创新活动也会出现市场失灵[2]。因此，新技术走向市场很大程度上需要政府支持，以促进技术沿着学习曲线进步。制度理论表明，政府支持有利于缓解企业面临的资金和资源压力，增强其知识储备和风险承担能力[29]。①政府对受保护的技术领域提供融资担保、风险补偿、优先采购及市场监管有助于企业拓宽融资渠道，获取商业规模示范所需的稀缺性资源，形成与发展市场[30]；②政策支持不仅可以提供政策风向、市场动态等信息，促进企业采取相应行动以更好地应对商业规模示范所面临的财务、市场、制度风险[32]，还能向公众释放企业商业规模示范阶段性成果信号[4]，增强合作者和用户对企业商业化成功的信心，并提高技术合法性，使新技术或新产品更易于被市场和用户认可；③各种补贴和优惠政策能够有效降低商业规模示范运营成本，鼓励企业投入更多资源进行商业规模示范，鼓励投资者积极投资科技成果商业化项目[32]，提升商业规模示范效率和质量。据此，本文提出如下假设：
H4：政府政策支持对商业规模示范有积极影响。
从商业规模示范角度出发，单个企业难以负担开展商业规模示范活动的长期成本及大量创新资源投入，需要政府提供资金、资源、平台支持[6]。从组织学习角度出发，通过用中学和互动中学获取的知识具有公共产品属性，导致企业不能充分从学习中获利，另外，学习需要付出巨大成本和较长时间，由此会降低企业投资学习的意愿[28]。因此，政府需要提供政策支持鼓励和引导学习，在用中学和互动中学作用于商业规模示范过程中发挥正向调节作用。
政府提供的商业化政策支持能够帮助企业获得更多保护、积累更多客户资源，受到商业化政策支持的企业会对用户起到良好的吸引和推动作用。一方面，它们推出的新技术或新产品更容易被用户关注和使用，为企业进行用中学提供更多机会、创造更多优势，促使企业从大量使用经验和反馈建议中获取知识[3]；另一方面，政府商业化政策支持能够帮助企业降低初始投资风险、市场风险和制度风险，增强企业与用户之间的信任[21]，促使用户更加积极地参与商业规模示范，企业建立恰当沟通和学习机制的意愿也更加强烈。据此，本文提出如下假设：
H5：政府政策支持正向调节用中学与商业规模示范的关系。
企业获得政府政策支持，更有利于招募合作伙伴、吸引资本进入[33]，帮助企业充分发挥互动中学的积极作用。政府建立的市场监管机制使互动高效、有序，有利于缓解机会主义行为的负面影响；政府提供的财务、融资等支持能够帮助企业更好地识别和吸引合作者加入项目并建立稳定关系；政府搭建的信息共享与合作平台有助于降低企业与其他合作方的沟通成本，为企业整合多方专业知识创造机会，促进知识快速流向企业[22,34]。政府通过知识产权保护等相关制度建设可以保持合作各方的积极性，降低合作冲突矛盾。据此，本文提出如下假设：
H6：政府政策支持正向调节互动中学与商业规模示范的关系。
基于以上分析，本文构建概念模型，如图1所示。
图1 概念模型
Fig.1 Conceptual model
本文研究样本选取遵循以下原则：①企业有工程中心或中试工厂，已完成或正在运行商业规模示范项目；②企业在与合作方和用户的互动交流中拥有丰富经验；③问卷填写对象是对商业规模示范、新技术或产品商业化项目熟悉的研发、工艺技术、技术管理、市场营销、财务部门人员。根据初步编制的问卷，征询企业员工对量表题项的认识和理解，依据企业商业规模示范运行中面临的难题，结合样本企业在科技成果转化及商业规模示范中的组织学习和政策支持情况，对问卷内容、结构及语言表述进行完善。
(1)预试问卷分析。采取实地与电子问卷两种形式在小范围内发放调研问卷，回收129份预试问卷。本文采用SPSS 26.0软件进行分析，项目分析中t检验结果显著，信度检验中题项删除后的α系数均大于总α系数，符合检验标准。因子分析结果表明，删除因素载荷量低于0.5的商业规模示范第二题、第六题和第七题，形成包含23个题项的正式问卷。
(2)正式问卷调研。问卷收集时间为2020年6-10月，通过纸质和电子版两种形式发放调研问卷。纸质问卷利用课题组与陕西重汽集团、西北有色金属研究院、郑州汉威科技集团股份有限公司、中国一拖集团公司、青岛澳柯玛集团公司等建立的长期关系和企业实地走访，共发放问卷296份，回收285份，剔除无效问卷后得到有效问卷224份；电子问卷主要通过询问在读以及已经毕业的MBA和EMBA学生、朋友、亲戚、同学是否有在电子机械、生物医药、新材料技术、新能源、装备制造等企业工作或曾经工作的经历，请他们帮助向符合要求的人员发放电子问卷188份，回收143份，剔除无效问卷后得到有效问卷88份。最终，共发放纸质和电子问卷484份，回收428份，剔除无效问卷后得到有效问卷312份，有效问卷回收率为72.90%，样本描述性统计结果如表1所示。
表1 样本描述性统计结果(n=312)
Tab.1 Sample descriptive statistical results(n=312)
变量统计内容 样本数占比(%)企业国有或国有14145.2性质控股企业民营企业11737.5外企及中外4113.1合资企业其它134.2企业规模300人以下10032.1300～1 000人5417.31 000人以上15850.6企业生命周期初创期175.4成长期6821.8稳定期17355.4衰退期5417.3企业所在地区西部16352.2中部4012.8东部10934.9
为保证量表信效度，依据国内外成熟量表，结合典型企业调研访谈修订形成本文量表，采用李克特五级量表对变量进行测量。
(1)商业规模示范。借鉴Hellsmark等[2]、林筠等(2018)的研究，依据企业商业规模示范运行现状，结合调研企业员工对商业规模示范的认知与理解，选取“经过示范的新技术/产品更具有先进性”“经过示范的新技术/产品获得顾客认可”“经过示范的新技术/产品生产和运营成本更低”等10个题项。
(2)用中学和互动中学。依据Kamp等[13]对学习策略的划分，商业规模示范主要包括用中学和互动中学两类。参考戴智华等[35]、李一等[16]的研究，用中学测量题项包括“与用户建立良好关系”“经常与用户进行互动沟通”“邀请用户参与科技成果商业化测试”等5个题项；借鉴薛捷等[36]、戴智华等[35]的量表，互动中学测量题项包括“与合作企业建立良好关系”“经常与合作方进行知识交流与分享”“邀请合作方参与科技成果商业化测试”等5个题项。
(3)政府政策支持。借鉴Cai等[37]、谷盟等(2015)、曾萍等(2016)的量表，测量题项包括“为企业提供财务支持”“为企业提供信息支持”“制定优先采购政策”等6个题项。
(4)控制变量。在对以往有关科技成果转化、技术商业化、示范研究进行回顾的基础上，本文将企业性质、企业规模、企业生命周期、企业所在地区作为控制变量，这些变量在一定程度上会影响企业创新资源投入及政府政策支持力度。
本文运用SPSS26.0和Amos24.0检验量表信效度，结果如表2所示。信度检验测量指标为Cronbach's α系数和组合信度(CR)，结果显示所有变量α系数和CR值均大于0.8，表明量表具有较好信度。效度检验包括聚合效度和区别效度，结果显示所有题项标准化因子载荷量取值均大于0.6，所有变量AVE取值均大于0.5，表明量表具有较好的聚合效度。各变量平均值、标准差与相关系数结果如表3所示，各变量AVE平方根均大于该列相关系数，表明量表具有较好的区别效度。
本研究检验各变量间的相关系数，如果相关系数小于0.9则表示可以接受[32-33]。表3中相关系数最大值为0.714，低于0.9，说明不存在严重的共线性问题。其中，商业规模示范与用中学(0.630**)、互动中学(0.683**)、政府政策支持(0.585**)显著正相关，假设H1、H2、H4得到初步验证。此外，采用潜在误差变量控制法检验同源偏差，将所有变量载荷到一个未度量的潜在因子上，发现拟合度变化差异非常小(△χ2/df=0.036，△GFI=0.004，△NFI=0.003，△IFI=0.002，△TLI=0.001，△CFI=0.002，△RMSEA=0.001)，因此认为本数据不存在同源偏差问题。
本文构建5个模型，采用多元线性回归法对用中学、互动中学、政府政策支持与商业规模之间的关系进行检验，回归结果如表4所示。为避免变量间共线性问题，在进行回归时加入共线性检验，结果显示各模型VIF最大值均小于临界值5，说明变量间相关关系未对回归结果产生显著影响。模型2结果显示，用中学、互动中学对商业规模示范影响显著(β=0.150，p<0.01；β=0.749，p<0.001)，假设H1与H2得到验证；为验证用中学和互动中学对商业模式示范是否存在显著差异，对回归系数进行Z检验。结果表明，互动中学对商业规模示范的促进作用更强(Z=7.88>2.58，p<0.01)，假设H3得到验证；模型3结果显示，政府政策支持对商业规模示范影响显著(β=0.160，p<0.001)，假设H4得到验证。模型4和模型5用以检验政府政策支持的调节效应，结果显示政府政策支持与用中学乘积项的回归系数不显著(β=0.053，p>0.05)，假设H5未通过验证；政府政策支持与互动中学乘积项的回归系数正向显著(β=0.068，p<0.05)，表明政府政策支持对互动中学与商业规模示范关系有正向调节作用，假设H6得到验证。
表2 信效度分析结果
Tab.2 Reliability and validity analysis results
变量项数α值CR因子载荷量AVE拟合指标1.商业规模示范70.9260.9270.693～0.8410.645χ2/df=2.508,GFI=0.969,NFI=0.977,IFI=0.986,TLI=0.979,CFI=0.986,RMSEA=0.0702.用中学50.9080.9080.768～0.8650.665χ2/df=2.611,GFI=0.944,NFI=0.965,IFI=0.978,TLI=0.970,CFI=0.978,RMSEA=0.0723.互动中学50.9020.9030.762～0.8340.6504.政府政策支持60.8930.8870.627～0.8410.569χ2/df=2.410,GFI=0.981,NFI=0.983,IFI=0.990,TLI=0.978,CFI=0.990,RMSEA=0.067
表3 相关性分析结果
Tab.3 Correlation analysis results
变量平均值标准差123456781.用中学4.0820.7110.8152.互动中学4.0140.7070.714**0.8063.政府政策支持4.0530.7130.518**0.578**0.7544.商业规模示范4.0710.7420.630**0.683**0.585**0.8035.企业性质1.7630.834-0.089-0.073-0.041-0.067N/A6.企业规模2.1890.8910.0020.0540.008-0.021-0.120*N/A7.企业生命周期2.8460.766-0.051-0.036-0.023-0.0510.0000.225**N/A8.企业所在地区1.8300.9190.0150.096*0.0050.0450.254**0.294**-0.082N/A
注：**表示p<0.01，对角线值为各变量AVE值的平方根
以商业规模示范、政府政策支持为因变量，将企业性质、企业规模和企业所在地区作为固定因素，采用双因子变异数分析比较其中存在的差异。
(1)商业规模示范差异。在图2(a)中，东部地区商业规模示范总体高于中、西部地区，表明东部地区经济发达、创新实力强，在推动科技成果产业化中占据优势地位；而且，中型企业商业规模示范优于小企业和大企业，表明并非企业规模越大商业规模示范效果越优。在图2(b)中，国有中小型企业商业规模示范优于非国企业，大企业无论是国有性质还是非国有性质，商业规模示范无明显差异。国有中小型企业是商业规模示范的主力军，表现为中小企业增加新产品获取竞争地位的先动性与承担风险的意愿更强，而非国有企业规避商业规模示范风险的意愿更明显。
(2)政府政策支持差异。在图3(a)中，中型企业受政府政策支持力度比小企业和大企业更大，表明中型企业是政府政策支持的最大受益者，中型企业在争取政府政策支持中持积极态度；而且，国有中小企业型政策支持力度明显高于非国有中小型企业，国有企业更易获得政府政策支持。在图3(b)中，东部地区政府政策支持力度强于中、西部地区，这符合地区经济发展现状；无论哪个地区，国有企业仍比非国有企业受到更多的政府政策支持。
表4 多元回归分析结果
Tab.4 Multiple regression analysis results
变量商业规模示范模型1模型2模型3模型4模型5企业性质-0.168**-0.001-0.008-0.013-0.014企业规模-0.057-0.048-0.052-0.058-0.059*企业生命周期-0.063-0.015-0.015-0.013-0.013企业所在地区0.154*0.0000.0150.0130.012用中学0.150**0.120*0.108*0.126*互动中学0.749***0.675***0.681***0.667***政府政策支持0.160***0.174***0.171***政府政策支持×用中学0.053政府政策支持×互动中学0.068*R20.0400.7800.7950.7980.800调整后R20.0280.7750.7910.7920.794F值3.234*179.741***168.673***149.441***151.133***VIF最大值1.2864.2424.5864.6004.604
注：*表示p<0.05，**表示p<0.01，***表示p<0.001
本文研究发现,用中学、互动中学及政府政策支持均显著影响商业规模示范，且政府政策支持增强了互动中学对商业规模示范的正向影响。本文研究贡献主要体现在以下几个方面：
(1)揭示用中学与互动中学对商业规模示范的差异化影响。与用中学相比，互动中学对商业规模示范的作用更强。本文研究结论与Frishammar等[3]关于商业规模示范阶段两类学习差异性的结论一致，并对该理论进行了补充与完善。
图2 商业规模示范差异
Fig.2 Differences in commercial scale demonstration
图3 政府政策支持差异
Fig.3 Differences in government policy support
(2)探明政府政策支持在商业规模示范过程中所发挥的多重作用。既有研究指出，创新政策和政府支持对于解决技术开发与扩散障碍具有重要意义[2,6]，但对创新发展特定阶段的政策支持发挥哪些作用缺乏详细解释。本文使用大样本数据验证政府政策支持，不仅有助于加深对组织学习、政府支持及商业规模示范关系的理解，还能为政府制定商业规模示范政策提供参考，如从诱导学习和知识生成关键反馈机制出发制定系统创新政策。
(3)明确不同规模、不同性质、不同地区企业商业规模示范及政府政策支持差异。从地域看，东部地区企业商业规模示范水平及政府政策支持力度均高于中、西部地区；从规模看，中型企业商业规模示范水平及政府政策支持力度均高于小企业和大型企业；从企业性质看，国有中小型企业商业规模示范水平及政府政策支持力度均高于非国有企业，而国有与非国有大型企业商业规模示范及政府政策支持无明显差异。该结论有助于获悉我国商业规模示范运行情况，为科技成果产业化部署资源、参与激励、协调发展提供数据支撑。
根据以上研究结论，本文提出如下实践启示：
(1)重视互动中学在商业规模示范阶段的作用。当前，用中学客户参与新产品试用与性能测试等学习与互动已被企业接纳并践行，但互动中学的作用更强，研发、上下游企业、资本、政府等行动者的广泛参与、学习与互动，更有利于促进企业在市场、组织、制度等相关风险和不确定性方面尽早布局，通过整合资源、搭建商业规模示范沟通平台，促使参与者间知识流动与反馈，聚集供应商、潜在客户、投资商等互补知识产生知识溢出效应，共同解决商业规模示范面临的难题。
(2)争取政府政策支持，发挥商业规模示范的正外部效应。政府政策支持对商业规模示范具有显著影响，并在组织学习与商业规模示范之间起正向调节作用。企业应结合新产品功能与特征，追踪和研究财政部、工业和信息化部、发改委及各省市政府机构在科技成果商业规模示范过程中发布的财政、税收、补贴政策，利用政府支持所释放的积极信号，增加公众接受度，调动领域内更多资源。政府应首先完善各部委、执行机构及地方当局之间的沟通机制，实现不同权力、不同责任、不同制度逻辑政府机构间的信息互通和衔接；其次，倾听企业诉求，收集和整合企业需求与想法，深入了解科技成果转化过程中技术骨干及研发人员的建议和渴求，保障政府政策符合大局方向及企业和市场需求，避免资金投入浪费；最后，组合财政、金融、信息、平台等多种政策工具，确保对关键地区、关键领域、关键项目提供政策支持，要持续跟进、跟踪资助；同时，引导企业不仅要关注科技成果转化面临的技术挑战，还要对创新成果在商业规模示范阶段面临的市场开发、制度协调与公众态度等非技术挑战提供帮扶。
(3)发挥大企业商业规模示范的主导作用，通过政策支持对其给予重点关注。研究发现，无论是企业所在区域还是不同企业性质，大企业在商业规模示范与政府政策支持方面均低于中型企业。因此，需要调研不同规模、不同区域企业在商业规模示范中的需求特征与面临的难题，出台切合实际的持续性支持政策。例如，对于中小型企业，政府应提供更多资金支持并筛选优质项目持续资助；对于大型企业，政府支持应更多关注资源整合和共享平台建设，激励大企业发挥商业规模示范主导作用；对于不同区域企业，应结合地区产业特征，针对不同行业、不同技术领域提供系统政策支持。
本研究存在如下不足：①主要关注学习和政府政策支持对商业规模示范的影响，未来可考虑行动者网络管理、参与者性质与特征、知识溢出与扩散等因素的影响，进一步揭示影响商业规模示范的相关因素与作用机制；②可采用企业跟踪及应用时间序列数据检验各因素对科技成果转化商业规模示范的动态影响，以提高研究结论可信度。
[1] BOSSINK B A G.Demonstrating sustainable energy:a review based model of sustainable energy demonstration projects[J].Renewable and Sustainable Energy Reviews, 2017, 77(9): 1349-1362.
[2] HELLSMARK H, FRISHAMMAR J, SÖDERHOLM P, et al.The role of pilot and demonstration plants in technology development and innovation policy[J].Research Policy, 2016, 45(9): 1743-1761.
[3] FRISHAMMAR J, SÖDERHOLM P, B
CKSTRÖM K, et al.The role of pilot and demonstration plants in technological development: synthesis and directions for future research[J].Technology Analysis & Strategic Management, 2015, 27(1): 1-18.
[4] 苏竣, 张汉威.技术创新语境下的“示范”： 阶段、项目与工具[J].中国软科学, 2014,38(12): 60-69.
[5] 张汉威, 苏竣, 汝鹏, 等.R&D技术创新风险与失败案例研究——以洁净煤技术为例[J].科学学与科学技术管理, 2014, 35(9): 102-110.
[6] FEVOLDEN A M, COENEN L, HANSEN T, et al.The role of trials and demonstration projects in the development of a sustainable bioeconomy[J].Sustainability, 2017, 9(3): 419-434.
[7] PALAGE K, LUNDMARK R, SÖDERHOLM P.The impact of pilot and demonstration plants on innovation:the case of advanced biofuel patenting in the European Union[J].International Journal of Production Economics, 2019, 210(4): 42-55.
[8] NORDQVIST S, FRISHAMMAR J.Knowledge types to progress the development of sustainable technologies: a case study of Swedish demonstration plants[J].International Entrepreneurship and Management Journal, 2019, 15(1): 75-95.
[9] CHUNDAKKADAN R, SASIDHARAN S.Financial constraints, government support, and firm innovation: empirical evidence from developing economies[J].Innovation and Development, 2020, 10(3): 279-301.
[10] SÖDERHOLM P, HELLSMARK H, FRISHAMMAR J, et al.Technological development for sustainability: the role of network management in the innovation policy mix[J].Technological Forecasting and Social Change, 2019, 138(1): 309-323.
[11] KARLSTRÖM M, SANDÉN B A.Selecting and assessing demonstration projects for technology assessment: the cases of fuel cells and hydrogen systems in Sweden[J].Innovation, 2004, 6(2): 286-293.
[12] BUSTINZA, O F, MOLINA, L M, ARANDA, D A.Organizational learning and performance: relationship between the dynamic and operational capabilities of the firm[J].African Journal of Business Management, 2010, 4(18): 4067-4078.
[13] KAMP L M, SMITS R E H M, ANDRIESSE C D.Notions on learning applied to wind turbine development in the Netherlands and Denmark [J].Energy Policy, 2004, 32(14): 1625-1637.
[14] KAMINSKI J.Diffusion of innovation theory[J].Canadian Journal of Nursing Informatics, 2011, 6(2): 1-6.
[15] 张耀辉, 彭红兰.需求诱致下的客户参与创新的激励研究[J].中国工业经济, 2010, 8(8): 87-96.
[16] 李一, 李刚, 冯泰文.治理机制视角下客户参与新产品开发的影响因素研究[J].科学学与科学技术管理, 2018, 39(1): 154-167.
[17] MEHRABIAN A, RUSSELL J A.An approach to environmental psychology[M].Boston:MIT Press, 1974.
[18] 梁阜, 李树文, 孙锐.SOR视角下组织学习对组织创新绩效的影响[J].管理科学, 2017, 30(3): 63-74.
[19] GARUD R, KARNØE P.Bricolage versus breakthrough: distributed and embedded agency in technology entrepreneurship[J].Research Policy, 2003, 32(2): 277-300.
[20] MOSSBERG J, SÖDERHOLM P, HELLSMARK H, et al.Crossing the biorefinery valley of death:a role-based typology for understanding actor networks ability to overcome barriers in sustainability transitions[J].Environmental Innovation and Societal Transitions, 2018, 27(3): 83-101.
[21] BOSSINK B A G.Learning strategies in sustainable energy demonstration projects: what organizations learn from sustainable energy demonstrations[J].Renewable and Sustainable Energy Reviews, 2020, 131(14): 1-14.
[22] HEDELER B, LETTNER M, STERN T, et al.Strategic decisions on knowledge development and diffusion at pilot and demonstration projects:an empirical mapping of actors, projects and strategies in the case of circular forest bioeconomy[J].Forest Policy and Economics, 2020, 110(1): 131-139.
[23] ROPER S, LOVE J H, BONNER K.Firms' knowledge search and local knowledge externalities in innovation performance[J].Research Policy, 2017, 46(1): 43-56.
[24] SJÖDIN D R, PARIDA V, WINCENT J.Value co-creation process of integrated product-services: effect of role ambiguities and relational coping strategies[J].Industrial Marketing Management, 2016, 56(7): 108-119.
[25] KISS B, NEIJ L.The importance of learning when supporting emergent technologies for energy efficiency——a case study on policy intervention for learning for the development of energy efficient windows in Sweden[J].Energy Policy, 2011, 39(10): 6514-6524.
[26] YUAN L, CHEN X.Managerial learning and new product innovativeness in high-tech industries:curvilinear effect and the role of multilevel institutional support[J].Industrial Marketing Management, 2015, 50(10): 51-59.
[27] 原长弘, 赵文红, 周林海.政府支持、市场不确定性对校企知识转移效率的影响[J].科研管理, 2012, 33(10): 106-113.
[28] HELLSMARK H, SÖDERHOLM P.Innovation policies for advanced biorefinery development: key considerations and lessons from Sweden[J].Biofuels, Bioproducts and Biorefining, 2017, 11(1): 28-40.
[29] NEMET G F.Demand-pull, technology-push, and government-led incentives for non-incremental technical change[J].Research Policy, 2009, 38(5): 700-709.
[30] 蔡新蕾.制度支持与技术商业化绩效的关系研究——企业战略导向的调节效应[J].研究与发展管理, 2017, 29(6): 59-67.
[31] KANG K N, PARK H.Influence of government R&D support and inter-firm collaborations on innovation in Korean biotechnology SMEs[J].Technovation, 2012, 32(1): 68-78.
[32] GRILLITSCH M, HANSEN T, COENEN L, et al.Innovation policy for system-wide transformation: the case of strategic innovation programmes (SIPs) in Sweden[J].Research Policy, 2019, 48(4): 1048-1061.
[33] MOSSBERG J, FRISHAMMAR J, SÖDERHOLM P, et al.Managerial and organizational challenges encountered in the development of sustainable technology:analysis of Swedish biorefinery pilot and demonstration plants[J].Journal of Cleaner Production, 2020, 276(35): 1231-1277.
[34] 薛澜, 姜李丹, 黄颖, 等.资源异质性、知识流动与产学研协同创新——以人工智能产业为例[J].科学学研究, 2019, 37(12): 2241-2251.
[35] 戴智华, 彭云峰, 马王杰, 等.考虑客户参与的新产品开发创新绩效研究[J].系统管理学报, 2014, 23(6): 778-787.
[36] 薛捷, 张振刚.基于知识基础、创新网络与交互式学习的区域创新研究综述[J].中国科技论坛, 2011,27(1): 104-111.
[37] CAI S, JUN M, YANG Z.Implementing supply chain information integration in China:the role of institutional forces and trust[J].Journal of Operations Management, 2010, 28(3): 257-268.