Pilot and demonstration plants,as the tools of knowledge generation and dissemination, involve a large number of scientific and technological knowledge which is the key to the effective operation of the pilot and demonstration plants. The existing literature on pilot and demonstration plants mainly focuses on actor network management, innovation policy combination and different learning types. There is a lack of deeper understanding of the knowledge embedded in pilot and demonstration plants, and the role of knowledge in promoting the effective operation of pilot and demonstration plants is still unclear. The operation of pilot and demonstration plants involves three types of knowledge: domain-specific knowledge, i.e., experimental and technical knowledge; procedural knowledge about inter-organizational management,cooperation and intellectual property protection; general knowledge about relevant policy support, capital acquisition, external environment analysis and others. Knowledge integration helps organizations to deeply understand and master all kinds of knowledge and improves the utilization efficiency of each kind of knowledge. Especially when enterprises are limited in resources of pilot and demonstration plants, knowledge integration promotes knowledge to play a role to the maximum extent.
Therefore, on the basis of three kinds of knowledge embedded in pilot and demonstration plants activities, this paper studies the influence of different types of knowledge integration on the effectiveness of pilot and demonstration, and puts forward seven hypotheses. Specifically, it argues that the three types of knowledge integration have positive effects on the effectiveness of pilot and demonstration plants . Subsequently, a scale is designed and a predictive test is conducted to ensure the effectiveness of the structure and content of the scale. Questionnaires are distributed online and offline with 283 questionnaires collected.
The results show that (1)domain-specific knowledge integration has a better effect on the effectiveness of pilot and demonstration plants than procedural knowledge integration and general knowledge; (2) the interaction among procedural knowledge, general knowledge and domain specific knowledge has positive effects on the effectiveness of pilot and demonstration plants, and the integrated effects are stronger than the effect alone; (3) the interaction between procedural knowledge and general knowledge have no significant effect on pilot and demonstration plants, but when domain specific knowledge integration is added, the interaction of three types of knowledge has an enhanced driving effect on the effectiveness of pilot and demonstration plants; (4) there are effectiveness differences of pilot and demonstration plants in enterprises of different natures, sizes and regions.
This study provides data support for the realization mechanism of pilot and demonstration plants' effective operation from the perspective of different types of knowledge integration, and further clarifies the effective operation process of pilot and demonstration plants . It is suggested that enterprises should continue to strengthen domain-specific knowledge integration, coordinate resource allocation according to pilot and demonstration plants' operation status and strategic orientation to balance investment in different types of knowledge.
The procedural knowledge integration and general knowledge integration are also important for the effective operation of pilot and demonstration plants. Finally, it is critical to attach importance to cross-departmental communication activities within the enterprise, create opportunities for communication between personnel from different departments, promote the flow and sharing of different knowledge types between organizations to support knowledge integration and interaction, and promote the effective operation of pilot and demonstration plants.
开放科学(资源服务)标识码(OSID)：
我国每年产生大量实验室科技成果和各类专利,据《中国统计年鉴》显示,2020年我国研发经费支出达24 393.1亿元,居国际前列,然而科技成果转化率却不到30%,远低于发达国家60%～70%的水平。多数实验室成果因技术进步小、参数不稳定,难以向市场以及商业化应用延伸[1]。中试是连接实验室研究与商业化应用的重要“桥梁”,经过中试的科研成果实现产业化的可能性高达80%[2]。因此,为提升科技成果转化率,保障中试的有效运行不容忽视。
中试被视为推动知识生成和传播的重要工具[3],包括技术验证与放大、工艺改进与优化、商业示范等一系列活动,涉及大量科学技术知识、运营成本降低知识和稳定性提高知识,以及与技术机会、市场动态相关的各类知识[4]。这些知识嵌入在技术开发过程中,是保障中试有效运行的关键。近年来针对中试的研究主要集中在行动者网络管理、创新政策组合、不同学习类型等方面[4-6],针对嵌入在中试运行过程中的知识则缺乏深入认识与理解,忽视了知识在促进中试有效运行中的作用。因此,为解决阻碍中试的知识问题,研究中试中的知识特性及其影响对促进中试运行至关重要[7]。尤其是中试运行涉及的实验或技术类知识等特定领域知识,有关跨组织管理与合作、知识产权保护等程序性知识以及相关政策支持、资金获取、外部环境分析等一般知识[3]。知识整合有助于深入理解与掌握各类知识,提高知识利用效率,特别是当企业中试资源有限时知识整合会最大程度地发挥各类知识效用[8]。
基于嵌入中试活动的3种知识,研究不同类型知识整合对中试有效性的影响,不仅有助于弥补中试运行理论研究的不足,而且能为企业组织中试知识活动提供理论依据与新思路。
中试是中间试验的简称,能够以较低成本与较小风险助力利益相关者实现商业设施设计、组织和管理,是以实验室小试研究成果为基础、以大规模产业化生产为目标,对小试成果进行试验放大化生产,为产业化发展提供技术、生产和营销准备的一项风险性实验活动[9]。即科研成果在实验室研制成功或取得初步技术鉴定后,为完善技术规范、解决工业化生产中的关键技术问题,形成更接近规模化生产的成熟技术产品的放大试制[10]。
中试对科技成果转化的作用表现为:①为技术雏形或产品原型优化、微调提供机会,帮助企业淘汰不必要的技术方案,大幅提高新产品技术可行性,助力技术向最优设计方向发展[4];②为新产品产业化提供工业级原料与设备,在放量生产过程中优化工艺流程、调整技术方案、改进产线布局,加速新产品量产[4,11];③降低新技术商业化所面临的市场风险与不确定性,了解当前市场发展动态、获得新产品运营经验,提高价值链效率并降低成本[4,12-13]。
中试涉及从研发到扩大规模生产的一系列活动,特定领域知识、程序性知识以及一般知识嵌入其中[14],三者在促进技术进步和确保中试成功方面至关重要。
(1)特定领域知识。它是指关于单个对象或一类对象在特定领域内通过实验、学习和经验积累获得的知识[14-15],特定新产品或集中于特定项目所关注的技术领域。中试情境下,特定领域知识通常与技术诀窍、产品规格及参数等相关,是保障技术开发顺利进行的核心与关键性先决条件[3]。
(2)程序性知识。它是通过在某领域从事某项任务而获得的经验性知识[15-16],即技术开发流程知识[17]。其涉及整个技术开发过程,包括在企业内部承担任务以及从之前的任务中获得的经验[14-16]。在中试情境下,此类知识包括工作过程、中试遵循步骤以及企业如何参与组织间协作[3],具体为跨团队管理经验、知识产权法和专利法等知识。
(3)一般知识。基于日常经验或通识教育而获得的知识称为一般知识,可以应用于任何领域[15-16]。此类知识更新不需要对工作领域进行过多反思且多数人都知晓这类知识。在中试情境下,一般知识包括支持中试活动的相关政策以及市场变化趋势、发展动态等[3]。
上述三类知识已被证明对新产品或新技术开发至关重要,但由于政府、大学以及研究机构、上下游企业等利益相关者的参与,加大了嵌入中试活动中特定领域知识、程序性知识、一般知识的溯源难度与复杂程度,使各类知识处于无序、分散状态[18],导致企业难以分辨其不同用途以及重要性,同时,各类知识对保障中试有效运行的作用也难以充分发挥。知识整合概念由Henderson&Clark[19-20]提出,是指个人或组织成员交流互动以获取、理解、共享和利用知识的持续过程。不同类型知识整合有助于深化理解各类知识[21],降低知识转化与应用成本,使中试过程中分散的、处于无序状态的各类知识转变为系统化、有序化的知识存量,为中试活动创造有利条件,最大程度发挥各类知识对中试运行的促进作用[22]。
1.2.1 不同类型知识整合对中试有效性的影响
(1)特定领域知识整合。特定领域知识作为促进技术发展的先决条件,对提升技术可行性至关重要,但其可能涉及不同专业领域,导致技术人才精通的知识也各不相同。在中试情境下特定领域知识整合是指通过对新产品技术参数、设备调试与运行、化学或物理实验等企业内部特定领域知识以及对外部专家知识的学习、吸收与掌握,实现对知识更深入、更广角度的理解并能够创造性地应用于技术改进流程[8,23]。例如,企业技术人员在制定新产品技术方案、提高新技术可行性的过程中,积极地探讨与交流彼此想法、见解,使个人知识转变为组织共有知识,实现企业人员对已有知识的融会贯通;企业人员通过头脑风暴、技术交流会等形式了解并交换已有知识,通过专家讲座、实地考察等形式拓展特定领域知识广度,从内外两方面丰富企业特定领域知识存量[3]。
特定领域知识整合有助于加深企业对新技术的理解,从而拥有更强大的知识基础,促使中试知识与技术协同,提升技术开发效率[8,23],激发企业再学习与知识再开发行为,助力企业共享新知识并加深对外部知识的理解和利用,降低技术不确定性与风险,促使研发人员从全新视角认知新概念或潜在新市场[23],有助于新技术与当前市场更加匹配。基于此,本文提出研究假设:
H1:特定领域知识整合对中试有效性具有积极影响。
(2)程序性知识整合。中试情境下的程序性知识来源广泛,不仅存在于企业内部而且广泛涉及与政府、上下游企业等利益相关者的合作[3]。中试情境下的程序性知识整合是指企业利用各种途径知悉、了解与外部利益相关者的协作以及中试法律知识,由此形成企业最佳中试实践、惯例规范并灵活应用于未来中试活动的过程[23]。例如,企业管理人员在中试过程中通过定期召开项目讨论会、汇报工作进展等方式,对工作中涉及到的程序性知识进行交流、梳理,实现知识共享并高效运用到当前以及后续的中试项目中;企业通过咨询专家或外部专业机构等方式加深对中试相关法律知识的认知,通过走访调研行业领先企业,吸收与借鉴它们的中试管理经验,逐步完善本企业中试流程[3,24]。
程序性知识整合有利于中试决策、活动调整及优化,促使中试过程由最初的不断学习、摸索行为逐渐转变为基于经验积累而拥有的成熟流程,有助于提高新产品开发与量产效率,同时,与外部建立良好的协作关系,丰富并扩大自身知识来源和知识基础,更高效地与各利益相关者合作,有效降低生产制造与管理成本,将分散在个体中的隐性知识聚集,实现高频互动与协作[23],提高中试运行灵活性与熟练度。基于此,本文提出研究假设:
H2:程序性知识整合对中试有效性具有积极影响。
(3)一般知识整合。中试支持政策、资金获取途径以及产品行业动态等信息都是企业中试所需的一般知识,此类知识整合是指企业广泛搜索、准确识别、有效转化、快速共享、综合利用外部环境中有价值的一般知识,以迅速补充企业缺少的新知识并激发对已有知识的创造性理解[23]。例如,企业通过开展市场调研、广泛搜索政府公开数据库以及行业协会公开信息等持续关注并追踪新产品技术发展趋势、市场动态以及行业发展现状,实现对外部重要信息的收集与汇总;企业从大量外部一般知识中筛选与识别对当前中试项目有利的部分,如贴息贷款或税收优惠政策、产品价格走势、消费者偏好等,对目标客户、竞争对手、未来市场和新兴技术等进行深入分析,并据此调整贷款方案以及产品改进与升级侧重方向等,使其更符合当前技术与消费趋势[3,25]。
一般知识整合通过对中试相关政策、市场发展动态等信息的获取与重构,助力企业发现新市场机会[8],为中试运行提供更多方案、思路与灵感。而且,成功的创新高度依赖一般知识,与新技术有关的早期知识经常出现在并不相关行业,这些知识为企业提供了开发新产品的机会[26]。因此,对此类知识进行整合能够降低中试外部环境复杂性与技术市场带来的不确定性,使企业拥有更多资源与机会。基于此,本文提出研究假设:
H3:一般知识整合对中试有效性具有积极影响。
1.2.2 不同类型知识整合交互对中试有效性的影响
3种类型的知识整合在中试活动中并非单独存在,而是相互之间密不可分,因此三类知识整合交互对中试有效性的影响亦需要探究。
(1)特定领域知识整合主要存在于技术人员与研发人员之间,而程序性知识整合涉及企业各层级管理人员。企业技术人员、研发人员在了解中试跨组织合作与管理流程的同时,熟知知识产权、新产品营销策略,有利于其从多角度理解产品规格、解决技术问题,促使新产品与市场更加匹配,提升中试效率[27]。此外,中试跨组织管理与合作、市场推广等活动只有在员工对产品参数、技术特征等有一定了解时才能得到顺利推进,因此两类知识交互能进一步推动企业与利益相关者合作,拓宽信息获取渠道并降低中试管理成本。基于此,本文提出研究假设:
H4:特定领域知识整合与程序性知识整合交互对中试有效性具有积极影响。
(2)在技术开发过程中,市场现状与社会环境对技术改进及工艺优化有较大影响,特定领域知识整合与一般知识整合交互有利于技术人员根据当前产品发展趋势对技术进行针对性改进,使其更符合潜在市场需求,从而提高中试成功率。此外,对新技术的特点有深刻认知与理解,有助于企业根据新产品核心技术进行商业机会识别,从而发现更多市场机会与潜在威胁,快速聚焦中试激励政策并持续追踪,充分利用外部机会与资源为中试运行提供更多保障[32]。基于此,本文提出研究假设:
H5:特定领域知识整合与一般知识整合交互对中试有效性具有积极影响。
(3)程序性知识与一般知识联系紧密,二者结合对中试有效性产生积极影响。新产品所处外部环境和市场竞争状态会影响各项中试工作,尤其是当企业制定新产品营销策略、与外部利益相关者合作时,若能较准确地分析和认知社会环境,则能够制定出更符合市场发展规律的营销策略,确保中试获取到关键的外部信息与资源[28-29]。此外,基于产品推广方案以及跨组织合作经验等程序性知识分析外部环境更准确,有利于识别中试面临的潜在机会和威胁,降低市场与制度风险等[30]。基于此,本文提出研究假设:
H6:程序性知识整合与一般知识整合交互对中试有效性具有积极影响。
(4)特定领域知识、程序性知识和一般知识在自身发展以及中试活动中发挥不同作用,致使它们对中试有效性产生差异化影响。由于三类知识整合在企业中试活动中往往交织在一起,因此三者交互亦对中试有效性产生重大影响[3]。特定领域知识整合是其它两类知识整合的基础,管理、营销以及市场等方面的中试行为只有在相关人员了解产品以及技术核心的基础上才能有效推进[28]。程序性知识整合是其它两类知识整合的纽带,贯穿于新产品测试与评估、工艺开发以及市场化全过程,有利于更高效地推进其它两类知识整合[3]。一般知识整合是其它两类知识整合的先决条件,与外部环境紧密相关的一般知识是对企业内部特定领域知识与程序性知识的补充,一般知识整合为其它两类知识整合创造了有利环境[23,31]。3种知识整合交互能更充分地发挥其各自作用,为中试有效运行创造更大价值。基于此,本文提出研究假设:
H7:三类知识整合交互对中试有效性具有积极影响。
综合以上分析,建构本文基本概念模型如图1所示。
图1 概念模型
Fig.1 Conceptual model
为保证变量测量信效度,在大量走访企业的基础上,参考、整理与对比国内外相关量表并进行变量测量设计。除控制变量外,均采用李克特五级量表测量。同时,对量表进行“翻译-回译”,对题项反复进行修正,以确保语言准确、简洁、易懂。
(1)中试有效性。基于Hellsmark等[4]对中试概念内涵的界定,并借鉴Olsen&Andersen[32]、林筠(2018)等的研究量表,修订中试有效性测量题项。具体包括“经过新产品试制,我们企业的技术与替代技术相比更具先进性和可靠性”、“经过新产品试制,我们企业提高了新产品开发与量产效率”、“经过新产品试制,我们企业解决了技术扩大规模试生产问题”、“经过新产品试制,我们企业的新产品与生产环境能很好地兼容”、“经过新产品试制,我们企业降低了生产、制造与管理成本”5个题项。
(2)知识整合。根据Court[17]、Ramesh&Tiwana[16]对新产品开发中3种知识类型的概念界定,结合Nordqvist&Frishammar[3]、Mossberg等[33]对3种知识类型在具体中试过程中的作用、特征阐释,参考Rundquist[8]、奉小斌和陈丽琼(2015)的研究量表,修订知识整合测量题项。其中:特定领域知识整合包括“我们企业通过咨询、聘请专家等方式学习新产品试制的技术开发诀窍”、“我们企业熟知新产品试制所涉及的不同设备及其功能和用途”、“我们企业内部能够共享新产品试制中的工艺流程信息”、“我们企业能够解决新产品试制中技术、制造等方面的难题”4个题项;程序性知识整合包括“我们企业通过走访、培训等多种方式学习新产品试制中跨组织合作与管理的经验”、“我们企业能充分理解新产品试制中知识产权保护、专利申请相关的法律条例”、“我们企业定期召开研讨会,讨论新产品/新技术的营销策略以及市场推广方案”、“我们企业能进行商业模式设计,使新产品试制重点由技术改进转向商业营销”等4个题项;一般知识整合包括“我们企业通过各种渠道持续追踪影响新产品试制的政策,例如税收政策、科技项目准入门槛等”、“我们企业非常了解当下新产品试制所处的竞争环境和市场变化趋势”、“我们企业能够交流探讨如何为新产品试制过程争取更多资金支持”、“我们企业能够分析新产品试制所面临的机会和威胁,以识别商业机会”4个题项。
(3)控制变量。本研究选取企业性质、企业规模、企业所处区域以及企业所处生命周期作为控制变量,以减少这些因素对研究结果产生的偏差。企业性质分为国有/国有控股、民营、外商独资或合资。企业规模分为200人以下、200-500人、500-1 000人、1 000人以上。企业所处区域分为东部、中部和西部。企业所处生命周期分为初创期、成长期、成熟期、衰退期。
鉴于中试活动多存在于制造型企业[4],因此本研究选取制造型企业为研究对象。具体样本选取条件包括:①企业建有中试工厂或中试线,正在进行或已经完成中试项目并具有一定中试经验;②调查问卷的填写对象为参与或熟悉企业技术研发、工艺改进、市场营销、政策管理等中试活动内容的技术人员、研发人员、各级管理人员等;③调查问卷数据收集主要涉及新能源/新材料技术/环保技术、石油化工/煤化工、有色金属、生物医药、航空航天工业、汽车制造等行业,每个企业发放问卷数量不超过10份。根据初步设计的问卷,收集企业相关人员对问卷题目的理解与填写情况反馈,并根据企业中试运行中特定领域知识整合、程序性知识整合、一般知识整合情况,对问卷结构、内容以及语言表达等作进一步细化与完善。
(1)预试问卷分析。采取线上线下两种方式小范围发放问卷,最终获得有效预试问卷99份。采用SPSS26.0对预试问卷进行分析。项目分析中各变量独立样本t检验值均显著;因子分析中所有题项因子载荷量取值均大于0.5,符合检验标准;信度检验中,因校正题项与总分相关系数小于0.4,故删除中试有效性第1题;因题项删除后的α系数大于总α系数,故删除程序性知识整合第5题、一般知识整合第9题,最终形成包含14个题项的正式问卷。
(2)正式问卷调研。正式问卷发放与收集集中在2021年3月-6月,通过线上线下两种方式发放。第一种是线下发放。具体包括:第一,企业实地发放。选择创业研发园瞪羚谷、西咸新区工业园等创业园区中符合调研条件的制造型企业进行正式问卷发放,主要包括中国航发贵州黎阳航空动力有限公司、隆基绿能科技股份有限公司、西安立邦制药有限公司、哈尔滨飞机工业集团有限责任公司、西安铂力特增材技术股份有限公司、陕西法士特齿轮有限公司、陕西理工新材料科技有限公司、特变电工股份有限公司等企业,共发放问卷157份。第二,高校双选会现场发放。提前了解参与高校双选会的企业情况,挑选出符合条件的制造型企业,由现场人员面对面、一对一发放问卷。3次实地调研双选会企业共298家,符合问卷发放条件的企业137家,共发放问卷71份。第二种是线上发放。利用课题组教师EMBA、MBA学生关系,以及亲戚、朋友、同学等社会关系,通过微信、E-mail以及问卷星等形式采用“滚雪球”方式,对符合条件的个体进行线上发放,共发放问卷104份。
最终共发放纸质和电子问卷332份,收回283份,剔除无效问卷后得到有效问卷206份,有效问卷回收率为72.79%。样本描述性统计结果如表1所示。其中,样本涵盖不同企业性质、企业规模以及企业类型,同时,企业所处地区覆盖东部、中部以及西部,因此样本企业符合样本分析要求。
表1 描述性统计(n=206)
Tab.1 Descriptive statistics of samples(n=206)
统计内容样本数占比(%)统计内容样本数占比(%)企业性质国有或国有控股企业5024.27企业规模200人以下6732.52民营企业13666.03200～500人188.74外商独资/合资企业104.85500～1 000人2311.17其它104.851 000人以上9847.57企业所处地区东部4119.90所处生命周期初创期3416.51中部7034.00成长期10048.54西部9546.10成熟期7033.98衰退期20.97
采用SPSS 26.0和Amos 23.0检验量表信效度,结果如表2所示。信度检验结果显示,所有变量的α系数和CR值均大于0.7,表明量表具有良好信度。效度检验包括区别效度和聚合效度,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,表明量表具有较高的聚合效度。各变量平均值、标准差与相关系数结果如表3所示,可以发现,各变量AVE平方根均大于该列相关系数,表明量表具有较高的区别效度。
表2 信效度分析结果
Tab.2 Results of reliability and validity analyses
变量题项数因子载荷Cronbach's aAVECR中试有效性40.685-0.8120.8330.5570.834特定领域知识整合40.651-0.7620.8130.5260.815程序性知识整合30.677-0.7520.7620.5180.763一般知识整合30.707-0.8540.8370.6250.832
表3 各变量均值、标准差与相关性分析
Tab.3 Mean, standard deviation and correlation analysis of each variable
变量均值标准差123456781.中试有效性4.005 0.576 0.7472.特定领域知识整合4.015 0.600 0.554**0.7253.一般知识整合4.034 0.620 0.441**0.472**0.7914.程序性知识整合4.065 0.555 0.501**0.625**0.389**0.7205.企业所有制性质1.903 0.692 -0.0230.051-0.009-0.063N/A6.企业规模2.738 1.343 0.0830.0810.0520.012-0.264**N/A7.企业所在地区2.262 0.771 -0.0790.148**-0.097-0.100-0.021-0.015N/A8.企业所处生命周期2.194 0.713 0.046-0.0470.011-0.011-0.385**0.337**-0.038N/A
注:**表示p<0.01,对角线值为各变量 AVE值的平方根
表3中相关系数的最大值为0.625,小于0.7,说明各变量之间没有严重的共线性问题。其中,中试有效性与特定领域知识整合(0.554)、程序性知识整合(0.501)、一般知识整合(0.441)显著正相关,假设H1、H2、H3得到初步验证。
此外,为了控制同源偏差问题,一方面随机排列不同维度题目,以匿名形式收集问卷,同时向问卷填写人员明确所有作答仅供学术研究使用,并且在多个时间段、多个企业、多个部门进行问卷发放;另一方面采用Harman单因素法以控制同源偏差,将所有题项纳入一个探索性因子分子中,得到未旋转时第一个因子解释变异量为39.75%,低于40%,说明没有一个因子对变异量的解释起主导作用,故得出本数据不存在严重的同源偏差问题。
采用多元回归分析检验假设。为避免变量间存在共线性问题,在回归分析时加入共线性检验,3个模型的VIF最大值均小于临界值5,说明各变量间的相关关系不会对回归结果产生重大影响。回归分析结果如表4所示。
表4 多元回归分析结果
Tab.4 Results of multiple regression analysis
变量中试有效性模型1模型2模型3控制变量企业所有制性质-0.0190.0070.018企业规模0.1210.0340.059企业所在地区-0.1120.012-0.019企业所处生命周期0.0070.0210.020解释变量特定领域知识整合0.373***0.190*程序性知识整合0.244**0.180*一般知识整合0.231***0.133*特定领域知识整合×程序性知识整合0.199*特定领域知识整合×一般知识整合0.169*程序性知识整合×一般知识整合-0.157特定领域知识整合×程序性知识整合×一般知识整合0.219*R20.0300.5530.642调整后R20.0110.5370.622F值1.56834.969***31.640***
注:*表示p<0.05,**表示p<0.01,***表示p<0.001
在模型2中,特定领域知识整合、程序性知识整合、一般知识整合对中试有效性影响显著(β=0.373,p<0.001;β=0.244,p<0.01;β=0.231,p<0.001),假设H1、H2、H3均得到验证。
模型3对特定领域知识整合与程序性知识整合交互、特定领域知识整合与一般知识整合交互、程序性知识整合与一般知识整合交互以及三类知识整合交互进行回归分析。其中,特定领域知识整合与程序性知识整合交互、特定领域知识整合与一般知识整合交互对中试有效性影响显著(β=0.199,p<0.05;β=0.169,p<0.05),假设H4、H5得到验证,但程序性知识整合与一般知识整合交互对中试有效性无显著影响(β=-0.157,p>0.05),假设H6未得到验证,三类知识整合交互对中试有效性影响显著(β=0.219,p<0.05),假设H7得到验证。
将中试有效性作为因变量,以企业性质、企业规模以及企业所在地区作为固定因素,采用双因子变异数分析比较上述因素影响中试有效性的差异。
由图2(a)可以发现,大规模企业的中试有效性明显高于中小规模企业。这是因为当企业规模较大时,一是产品线更长、市场布局更广也更长远,多方面的知识积累更多、知识基础更扎实,各种类型知识整合能力更强,人才数量、类型以及质量更有保障;二是大规模企业拥有更健全的中试运行基础设施(如实验仪器、试验设施、工程中心、中试基地等);三是技术创新、新产品开发以及中试运行存在较大不确定性,运行过程中出现的失败经验总结、技术与工艺问题解决以及反复迭代均需要充足的资金支持,大规模企业具有更强的风险承担能力与失败接受度及容忍度,因此大规模企业在中试运行有效性方面更具优势。
图2 不同性质、不同规模、不同地区企业中试有效性差异
Fig.2 Effectiveness differences of pilot and demonstration plants in enterprises with different natures, scales and regions
由图2(b)可以发现,东部地区企业无论企业规模大小,其中试有效性水平整体高于中西部地区。这是因为东部地区经济发展水平较高,无论在资金支持还是企业创新实力等方面都具有较大优势,尤其是对高层次人才具有集聚效应。因此,东部企业无论是特定领域知识、程序性知识还是一般知识的积累水平均更高。此外,东部地区企业的体制机制、政府支持力度、思维开拓性与开放度等方面也高于中西部地区,经济发展水平与环境更有利于促进各类知识整合与交互,促使东部地区企业在中试活动过程中展现出更强的知识创造、知识领悟与知识整合能力。由此提出:一是中西部地区应注重创新投入、新产品开发以及中试运行对经济发展的连带促进作用;二是引导产业梯度转移时不能仅关注供应链环节对产品成本的驱动,更要看到产业梯度转移的同时,人才、知识梯度转移的支持潜力与重要作用。
由图2(c)可以发现,无论企业所在地区,国有企业中试有效性都高于非国有企业,说明国有企业对中试运行的重视程度与投入力度均具有战略性和前瞻性。国有企业与非国有企业相比,具有多方面优势:①在人力资源方面,由于国有企业在城市落户方面具有更多政策优势,在社会保障方面能响应国家要求,最大限度给予员工保障,在职称评定制度方面更加规范,在解决员工诸多生活困难以及后顾之忧方面具有更大资源优势,对技术及研发人才的吸引力更大、更能够留住高层次人才,有利于多维度知识整合,在实现技术改进与突破方面更具优势;②在创新载体方面,相比非国有企业,国有企业研发机构以及国家实验室实力雄厚,对企业中试活动起到重要的推动作用;③在创新项目方面,国有企业更多地承接了国家重大科技专项,在资金、政策、设备等方面具有一定优势,成为促进中试开展的强劲推力。非国有企业尤其是东部地区非国有企业具有较强的创新敏感性与市场洞察力,但在技术创新、中试投入与失败概率判断以及权衡方面可能更倾向于保守和逐利。在国有企业领跑的创新环境影响下,非国有企业的新产品开发与中试运行状况逐渐改善,吸引人才、整合知识亦不断规范与提升。
研究不同类型知识整合影响中试有效性的差异,并进一步分析其交互作用对中试有效性的影响。通过制造型企业数据进行实证检验,得到以下研究结论:
(1)特定领域知识整合、程序性知识整合、一般知识整合对中试有效性有积极影响且存在差异性。特定领域知识整合的作用(β=0.373***)强于程序性知识整合(β=0.244**)与一般知识整合(β=0.231**)。究其原因,程序性知识与一般知识长期以来被认为是中试运行的辅助知识,特定领域知识整合与远离核心技术的程序性知识、一般知识整合相比,前者更受青睐,导致企业中试活动更关注技术方面,验证了企业缺乏构建程序性知识与一般知识的经验、资源及能力的观点[3,4,9]。
(2)三类知识整合交互对中试有效性产生强力驱动。程序性知识整合、一般知识整合分别与特定领域知识整合的交互均对中试有效性产生积极影响(β=0.199*,β=0.169*),且作用效果强于其单独作用(β=0.180*,β=0.133*);程序性知识整合与一般知识整合交互对中试有效性无显著影响(β=-0.157),假设H6未得到验证,但在加入特定领域知识整合后,三类知识整合交互对中试有效性产生的驱动效应增强(β=0.219*)。
交互作用的结果表明,虽然中试情境下不同类型知识各具特点,各类知识整合侧重于不同中试活动,但它们并非割裂、独立存在的,而是交织在中试运行过程中并且相互影响、相互促进。程序性知识整合与一般知识整合交互对中试有效性无显著影响,即H6未得到验证的原因可能在于:第一,程序性知识整合与一般知识整合的关系可能并不密切。一般知识通常与中试支持政策、外部市场/技术发展现状等联系紧密,其可看作是一种稳定的知识,不会受到企业中试运行程序、管理经验的影响。程序性知识大多涉及中试运行经验、法律问题、外部关系管理等,更多从中试实践中习得,因此程序性知识整合与一般知识整合可能更倾向单独作用于中试,二者交互对中试有效性并不具有显著促进作用。第二,企业人员对非特定领域知识交互的理解可能存在偏差。不同类型知识整合对中试的影响方式与特点不同,造成企业更注重技术发展,倾向于通过技术改进和优化推动中试运行,而忽视非技术方面的中试流程、外部环境等政策支持类的程序性与一般知识整合,因此即使企业人员能够接触到中试过程的各个环节,但仍然不能充分理解程序性知识整合与一般知识整合交互的重要意义,使得两类知识的交互作用难以得到充分发挥。
(3)不同性质、不同规模、不同地区企业中试有效性存在差异。国有企业中试有效性高于非国有企业,大企业中试有效性高于中小企业,东部地区企业中试有效性整体高于中西部地区企业。这些表明,东部地区企业中试水平整体较高,在全国范围内占据优势,大企业与国有企业仍是目前开展中试活动、推动科技成果转化的主力军。
4.2.1 理论贡献
(1)基于知识整合视角,阐释中试运行机制。已有研究聚焦于中试在科技成果转化过程中的作用与意义,以及企业创新能力、行动者网络管理、创新政策组合、不同学习类型等对中试运行的影响[4-6],而对于嵌入其中的知识整合类型与交互作用缺乏更深入的认识及理解。本研究响应Nordqvist&Frishammar[3]提出的研究技术开发中试知识整合的呼吁,从知识整合视角丰富了既有中试影响因素研究,为完善中试运行实现机制提供了理论依据。
(2)厘清不同类型知识整合及其交互作用影响中试有效性的差异。本研究并未将知识作为一个宽泛概念,而是聚焦中试情境下更具体的知识类型,从不同知识类型特征及其影响方式角度,对比分析特定领域知识整合、程序性知识整合、一般知识整合及其交互作用对中试有效性的作用程度,验证了中试活动存在知识生产不平衡的观点[3],丰富了保障中试有效运行的知识基础理论研究。
4.2.2 实践启示
(1)中试运行要求企业进行特定领域知识整合。多数企业在技术研发、工艺改进方面的投入与关注力充足,在此基础上,企业采用聘请、咨询专家等方式学习技术诀窍,以解决发展中遇到的技术难题;明确中试环节中涉及的不同设备及其功能与用途,加强对可编码知识的理解与掌握;开展技术研讨、成立技术攻关组,促进知识与信息的交流共享,加速新想法新思路产生,促进中试有效运行。
(2)特定领域知识整合固然重要,但程序性知识整合与一般知识整合对中试有效性的促进作用亦不容忽视。因此,企业应结合中试运行现状与战略导向协调资源分配以平衡不同类型知识投入,合理组织并安排工作优先次序。在对研发、技术等特定领域知识整合持续投入的基础上,不应忽视与中试跨组织合作管理、法律问题以及外部环境相关的程序性知识整合和一般知识整合。走访行业领先企业,学习并积累中试运行经验;加强对知识产权保护、专利申请相关法律条例的理解以降低中试风险;定期召开研讨会,讨论新产品或新技术营销策略以及市场推广方案,重视商业模式设计,使企业中试重视技术改进升级的同时关注商业化与产业链形成;持续追踪影响成果转化的相关政策,多种渠道争取资金支持,确保中试运行环境良好;关注企业新技术或新产品所处的竞争环境和市场变化趋势,分析外部环境带来的机会与威胁以把握中试方向。
(3)仅考虑三类知识整合单独对中试有效性的促进作用是不够的,三类知识整合交互对提升中试有效性更具意义。因此,为保证中试活动的高效运行,需要加强企业管理人员对基本产品知识以及新产品核心技术的理解与学习。同时,研发人员和技术人员不仅需要专注于研发与技术攻关,还需要对新产品的市场发展、商业模式以及所处社会环境知识等有所掌握,以便多角度看待新技术,从技术层面加速推动新产品走向商业化。更重要的是,企业内部跨部门交流活动必不可少,它为不同部门之间的沟通创造机会,促进不同类型知识在组织间流动和共享以支持知识整合交互,促进中试有效运行。
本文研究主要关注不同类型知识整合及其交互作用对中试有效性的影响,未来可研究其它中试有效性的影响因素,例如技术创新系统(TIS)理论背景下的知识缺陷问题、政府创新政策支持等。同时,在数据选取方面,可采用多轮数据收集、拉开数据收集时间等方式弥补横截面数据的不足,以发现纵向时间影响下所需知识的特性。另外,可通过案例分析动态研究焦点企业如何进行不同类型知识整合,从而驱动中试有效运行,实现更高绩效。
[1] 吴鹏飞, 林筠. 实验室验证对技术转移影响研究:双元学习视角[J].科研管理, 2022, 43(3): 164-172.
[2] 邱超凡. 基于中试资源共享的科技成果转化战略[J].中国发展观察, 2015,11(9): 54-55.
[3] 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.
[4] 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.
[5] 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.
[6] 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(2): 83-101.
[7] FRISHAMMAR J, SÖDERHOLM P, HELLSMARK H, et al. A knowledge-based perspective on system weaknesses in technological innovation systems[J].Science and Public Policy, 2019, 46(1): 55-70.
[8] RUNDQUIST J. The ability to integrate different types of knowledge and its effect on innovation performance[J].International Journal of Innovation Management, 2012, 16(2): 1-32.
[9] FRISHAMMAR J, SÖDERHOLM P, B
CKSTRÖÖM K. 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.
[10] 王帅帅. 我国中试基地的发展建言[J].科技导报, 2012, 30(15): 11-11.
[11] TOLIO T, COPANI G, TERKAJ W. Key research priorities for factories of the future-part II: pilot plants and funding mechanisms[M].Factories of the Future. Springer, Cham, 2019.
[12] SHAKEEL S R, TAKALA J, ZHU L D. Commercialization of renewable energy technologies: a ladder building approach[J].Renewable and Sustainable Energy Reviews, 2017, 78(10): 855-867.
[13] BOSSINK B A G. Demonstrating sustainable energy: a review based model of sustainable energy demonstration projects[J].Renewable and Sustainable Energy Reviews, 2017, 77(12): 1349-1362.
[14] ULLMAN D G. The mechanical design process[M].New York: McGraw-Hill, 1992.
[15] RAMESH B, TIWANA A. Supporting collaborative process knowledge management in new product development teams[J].Decision Support Systems, 1999, 27(1-2): 213-235.
[16] COURT A W. The relationship between information and personal knowledge in new product development[J].International Journal of Information Management, 1997, 17(2): 123-138.
[17] THOMAS E, OBAL M. Type of knowledge sharing and its impact on collaborative new product development[J].International Journal of Innovation Management, 2018, 22(2): 1850020.
[18] ROBERT JR L P, DENNIS A R, AHUJA M K. Social capital and knowledge integration in digitally enabled teams[J].Information Systems Research, 2008, 19(3): 314-334.
[19] WANG M C, CHEN P C, FANG S C. A critical view of knowledge networks and innovation performance:the mediation role of firms' knowledge integration capability[J].Journal of Business Research, 2018, 88(7): 222-233.
[20] MARDANI A, NIKOOSOKHAN S, MORADI M, et al. The relationship between knowledge management and innovation performance[J].The Journal of High Technology Management Research, 2018, 29(1): 12-26.
[21] AMANKWAH-AMOAH J,ADOMAKO S.The effects of knowledge integration and contextual ambidexterity on innovation in entrepreneurial ventures[J].Journal of Business Research,2021,127(6):312-321.
[22] RUI Z,LYYTINEN K.How do ventures become more innovative?the effect of external search and ambidextrous knowledge integration[J].European Journal of Innovation Management,2019,22(5):845-865.
[23] FRISHAMMAR J,LICHTENTHALER U,RUNDQUIST J.Identifying technology commercialization opportunities: the importance of integrating product development knowledge[J].Journal of Product Innovation Management,2012,29(4): 573-589.
[24] SALUNKE S, WEERAWARDENA J, MCCOLL-KENNEDY J R. The central role of knowledge integration capability in service innovation-based competitive strategy[J].Industrial Marketing Management, 2019, 76(1): 144-156.
[25] WEN X, WU G, KANG Q, et al. A study on customer knowledge management, inbound open innovation and firm performance[J].Human Systems Management, 2020, 39(2): 183-195.
[26] ANTUNES H J G, PINHEIRO P G. Linking knowledge management, organizational learning and memory[J].Journal of Innovation &Knowledge, 2020, 5(2): 140-149.
[27] TSAI K H,LIAO Y C,HSU T T.Does the use of knowledge integration mechanisms enhance product innovativeness[J].Industrial Marketing Management,2015,46(3):214-223.
[28] BIAZZO S, FILIPPINI R. Product Development:managing uncertainty and knowledge integration[M].Product Innovation Management. Springer, Cham, 2021.
[29] ESLAMI M H, LAKEMOND N, BRUSONI S. The dynamics of knowledge integration in collaborative product development: evidence from the capital goods industry[J].Industrial Marketing Management, 2018, 75(8): 146-159.
[30] ZHANG M, QI Y, WANG Z, et al. How does intellectual capital affect product innovation performance? evidence from China and India[J].International Journal of Operations &Production Management, 2018, 38(3): 895-914.
[31] MARCH J G. Explorative and exploitative in organizational learning [J].Organization Science, 1991, 2(1):71-87.
[32] OLSEN D S, ANDERSEN P D. Learning to make technology work-a study of learning in technology demonstration projects[C].International Conference on Organisational Learning, Knowledge and Capabilities, 2014.
[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): 124150.