Most of the existing research has explored the knowledge governance of the innovation ecosystem led by core enterprises from the perspectives of decision authorization, relationship management, and organizational learning. However, the detailed structure of the governance mechanism has not received enough attention. In addition, the classification of formal and informal knowledge governance mechanisms is too general, and does not consider the diversified governance motivation and behavior combination of core enterprises with different situations in the innovation ecosystem. Therefore, according to the knowledge flow characteristics of intelligent manufacturing innovation ecosystem, it is necessary to systematically summarize and refine the types of knowledge governance mechanism based on practice.
This research takes the intelligent manufacturing innovation ecological system as the analysis object and uses the grounded theory method to refine the knowledge governance mechanism. After open coding, axial coding and selection coding on the basis of collecting the core enterprise implement knowledge management practice data, it is found that the knowledge governance mechanism of CEO-led intelligent manufacturing collaborative innovation network include four types: control type, incentive type, coordination type and development type. Specifically controlled knowledge governance mainly anchors safe and controllable governance goals. Incentive-based knowledge governance or coordinated knowledge governance has begun to deliberately weaken the control of core enterprises for the reason that the application scenarios of intelligent manufacturing are relatively rich, and the characteristics of knowledge differentiation are obvious. In addition, developmental knowledge governance is a typical decentralized governance mechanism with openness, equivalence and collaboration as the key attributes. Thus the core enterprise will embed itself in a more innovative, creative and competitive knowledge flow system striving to maximize the benefits of knowledge.
It is also found that core enterprises should flexibly combine a variety of knowledge governance mechanisms to address the knowledge-based risks of the innovation ecosystem. In management practice, not a single knowledge governance mechanism plays a role. Multiple governance objectives,such as controllability, initiative, sharing and openness of knowledge flow, together with unique knowledge processes, subject characteristics and behavioral motivations,imply that core enterprises need to flexibly combine different knowledge governance methods to form an appropriate and effective hybrid knowledge governance mechanism.
Furthermore,there is a dynamic evolution trend in the knowledge governance mechanism. New technologies, scenarios and new applications for intelligent manufacturing emerge one after another, posing challenges to traditional knowledge governance. Once innovation ecosystem participants find it difficult to remove knowledge barriers with current governance mechanisms, demands for change arise. Therefore, the four different knowledge governance mechanisms only reflect formal or informal institutional arrangements related to optimizing knowledge activities at a specific time.From a dynamic perspective, the knowledge governance goal has gone through a process from a self-controlled knowledge production to a larger system for equal cooperation and multiple collaborations. The knowledge governance of the intelligent manufacturing innovation ecosystem is not static and needs to keep up with changes in the environment.
This research has some practical implications. First, for the value co-creation of the innovation ecosystem, the knowledge governance of core enterprises should be designed according to knowledge types, partner characteristics and cooperation scenarios. Second, the knowledge governance mechanism of core enterprises should be actively operated with the need for efficient knowledge flow. Third, an effective knowledge governance mechanism should include available control and coordination elements. Core enterprises can conduct creative mashup experiments on specific governance mechanisms to form a governance model that reflects the characteristics of their own knowledge processes.
历经改革开放40多年发展,我国制造业已从以来料加工为主的粗放型增长模式进入以智能制造为主攻方向的高质量发展阶段。在技术模仿与追赶的长期探索过程中,创新生态系统的作用日益受到重视[1]。中共十九届六中全会明确提出,大力建设以企业为主体,市场为导向,产学研深度融合的协同创新体系,加快推进我国制造业向智能化转变。管理实践中,诸如比亚迪、美的等领先企业也纷纷建构以自我为中心的开放式创新生态系统。核心企业主导智能制造创新生态系统的整体运行效率决定了在智能制造的科技竞争跑道上我国制造业能否顺利实现从“跟跑”到“领跑”的切换(汤临佳等,2019)。
知识基础理论认为,智能制造包含复杂的知识活动,涉及虚拟现实、大数据、人工智能等新兴技术与传统制造的交叉融合。不同学科间的知识鸿沟极易诱发资源错配、理解困难、专有数据泄露等知识基础性风险,阻碍智能制造创新生态系统的价值共创[2]。三一重工曾经受困于由知识距离诱发的设备提供商、数字方案供应者、全业务流程负责方以及平台用户间沟通障碍,难以形成接口多元的数字构件与基础知识库,从而引致树根互联创新项目一再延迟。同时,有学者通过案例研究发现,智能制造创新生态系统主体追求的价值目标并不一致,如学研机构关注共性技术突破的公共价值、大型企业更加强调数字技术带来的竞争优势、小企业注重平衡技术依赖性与独特性的关系等(程婉等,2021)。差异化的价值诉求会放大组织间知识流动风险,弱化知识交换动机,导致知识共享乏力。核心企业如何突破知识共享困境,整合不同知识主体力量以服务于自身智能化转型的创新需求,成为智能制造创新生态系统发挥功效的关键问题。
早期知识研究侧重知识管理对知识活动的意义,但以Foss[3]为代表的学者们主张把知识管理研究拓展到治理领域,强调通过制度安排影响知识行动者动机与行为,提升知识共享效率。由此,知识治理理论开始兴起。受开放式创新趋势的影响,技术联盟、创新网络、产业集群等类似创新生态系统的知识治理得到关注。如Bocquet[4]指出,创新集群需要组织间进行知识治理,以建构具有共同理解力的认知架构,促进知识流动。还有研究证实,平台企业实施知识治理可以促进价值共创(白景坤等,2020)。但这些研究仍然缺少针对核心企业主导的创新生态系统的知识治理探讨,无论是机制类型划分,还是不同治理机制间的内在联系,相关认识尚不统一。
鉴于在知识密集的智能制造创新生态系统中,异质性知识高度集聚,组织间知识活动频繁,为探索知识治理提供了较好的研究条件。因此,本研究在分析核心企业主导的智能制造创新生态系统典型案例的基础上,通过明晰知识治理机制,揭示不同治理机制的特征差异与内在联系,为提升智能制造创新生态系统的知识共享质量与运行效率提供借鉴。这对加速我国制造业向智能化转型发展具有重大意义。
自生态系统概念引入管理学领域后,创新生态系统引起学界的广泛关注。目前,创新生态系统的相关研究集中在微观、中观、宏观3个层次。其中,微观层面研究主要聚焦于领先企业、依附者、互补商等生态参与者的动机、战略、行为,以及不同主体间的竞合[5]、关系[6]、协同(解学梅等,2020)等主题。中观层面主要借鉴生态学原理,围绕以产、学、研三大群落为核心的产业或区域创新生态系统的群落特征、网络结构、运行机理、演化规律等进行深入研究[7]。宏观层面则是在更高层级上抽象研究对象的结构性问题,关注政治、经济、文化、技术等构成要素契合对国家创新力的作用[8]。相较而言,这些研究并未突出创新生态系统中核心企业的价值。作为系统的关键节点,核心企业往往具备其它主体难以模仿的资源能力,可以借助管理创新的杠杆性、一致性和专属性等协调控制过程,主导创新生态系统的建构、运行与治理。因此,本研究认为,创新生态系统就是核心企业在创意发生、产品研发到市场推广的创新全过程中,动态连接上下游企业、服务商、学研机构等其它竞合主体,继而实现资源跨边界流动的开放式创新网络体系。强化核心企业的主导地位,更有助于揭示创新生态系统的微观机理,推动相关研究从“是什么”的初级阶段向更深层次的“为什么”和“如何运行”发展,从理论上呼应Chesbrough关于深化创新生态系统研究的倡议[9]。
Grandori基于交易成本理论提出,知识治理不仅需要处理知识交易中的目标冲突,还需要解决由心智模式差异产生的“认知性失灵”。其后,考虑到知识活动的特殊性,以Foss为代表的诸多学者从认知能力、认知资源、认知机制等角度,不断寻求超越交易成本理论的治理框架[10]。虽然知识治理的诠释并不统一,但结构观、过程观与制度观三类视角比较突出。其中,结构观强调知识主体决策权力的合理配置,侧重主从结构、网络结构、平台结构等多种知识治理结构的设计与选择。过程观关注知识主体间的互动,认为知识治理旨在借助系统协调过程,促进知识活动不断逼近效率前沿。制度观注重知识主体遵循的各类规则,强调利用正式或非正式治理机制塑造行动者动机,使其围绕治理目标开展知识活动。相比而言,基于制度层面主体行为规范的知识治理研究最为成熟,大量研究强调通过制度层面的设计引导知识活动,以最大化知识创造、转移和共享收益(梁祺等,2013)。依此逻辑,创新生态系统的知识治理就是为提高创新生态系统运行效率,通过正式或非正式治理机制激励、约束和规范协调相关主体知识行为的制度安排。
综上,虽有研究从决策授权、关系管理、组织学习等视角,触及核心企业主导的创新生态系统知识治理[11],但对治理机制构成的关注仍不足,尤其是对开放式创新实践中的关联互授、模块封装、共建标准等新型治理行为少有提及。并且,正式和非正式知识治理机制的类型划分过于笼统,尚未考虑创新生态系统中核心企业面对不同情境的差异化治理动机和行为组合,因此需要基于实践系统化总结与提炼知识治理机制类型[12]。本研究以智能制造创新生态系统为研究对象,基于核心企业知识治理的微观实践,运用扎根理论,发掘不同类型的知识治理机制,揭示不同治理机制的特征差异与内在联系。这不仅有利于丰富相关理论体系,而且对知识经济时代提升智能制造协同创新质量具有积极意义。
既有研究大多采用实证方法对正式或非正式知识治理机制进行度量[13],但智能制造创新生态系统中核心企业的知识治理并不一定局限于现有理论假设和机制类型,需要进一步对核心企业知识治理机制进行探索性的理论建构式研究。扎根理论通过系统的资料搜集、分析、对比与修正,逐步提炼出概念及其关系的抽象层次,实现自下而上的理论建构[14],能够较好地满足从核心企业管理实践中提炼知识治理机制的研究需要。扎根理论并不试图证实既定理论,而是遵循理论抽样、反复比较等原则,通过开放编码、主轴编码与选择编码分析,有步骤地围绕特定领域,从原始资料中建构理论,有利于提高发现理论的准确性和新颖性。
综合考虑样本选择的代表性和数据可得性,本研究最终锁定苏锡常地区4家国家级智能制造示范工厂与优秀场景揭榜企业。原因在于:第一,苏锡常地区的智能制造业较为活跃。如常州自2015年起就提出打造智能制造明星城市,地方政产学研协同创新关系紧密,为数据获取提供了便利。第二,样本企业多是行业内智能制造的先行者,为匹配自身智能化转型的创新需求或实现共性、关键、核心零部件的技术突破,这些企业积极建构以设计开发、制造生产、检测检验与理论研究为基础的创新生态圈。第三,以来自轨道交通、汽车零部件、纺织服装等多个行业,并具有智能化转型实践的企业作为案例样本,有利于增强研究结论的稳健性。
本研究综合运用二手资料搜集、实地访谈等多种方式,从多个渠道获取相关数据,以便构建证据三角链。2021年10月至2022年4月研究团队前往样本企业,与包含技术研发部、数字化事业部、运营部等熟悉智能制造运营情况的企业高管或负责人开展多轮调研访谈。受访对象的交流时间控制在90~120分钟左右,并经对方同意后,进行现场录音继而后期整理形成研究的第一手文字资料。同时,研究团队通过二手资料进一步丰富资料库:一是机构资料,主要来自官方网站、会议总结、书籍传记、公开演讲等;二是专业资料,主要来自学术期刊、学者专著、案例数据库等;三是社会资料,主要包括线上线下媒体报道、上市公司年报、商业数据库等。最后,将来自不同渠道的资料进行交叉比对,剔除不符合三角检验的资料,尽量保证同一事实的描述源自两个以上数据源,以提高资料可靠性。具体样本信息如表1所示。
表1 访谈样本信息
Table 1 Sample information of the survey
基本信息企业A企业B企业C企业D成立时间2000年5月1993年7月1999年7月1998年3月所处行业轨道交通汽车零部件纺织服装医用诊疗设备单位性质国有控股民营民营民营受访高管工作年限10年以上10年以上10年以上10年以上受访高管从事岗位研发主管、自动化事业部负责人技术副总、数智事业部负责人运营副总、定制服装事业部经理数字运营总裁、医疗电子首席专家受访时长总计90分钟(80分钟)120分钟(100分钟)100分钟(70分钟)90分钟(120分钟)
为提升研究结论的准确性,本研究遵循Strauss建议的资料分析程序,开展核心企业知识治理范畴归纳及模型建构:一是成立编码小组。通过与一位创新创业研究方向的研究生、一位知识管理研究方向的研究生共同组成编码小组,背靠背地独立开展编码工作,就编码过程中存在的争议集体讨论并提出解决策略,直到所有范畴达成一致,以尽力规避个体主观偏见产生的误差。二是编码过程中持续进行比较分析。扎根理论重视资料收集与分析的同步,强调将比较分析贯穿编码全过程。为此,研究团队反复进行资料之间、资料与概念之间、概念与概念之间的比对。一旦发现新问题,就从其它来源寻找新资料予以核实,不断利用“收集—分析—调整—补充”的循环过程构建理论模型。
开放式编码是对现场笔记、访谈记录、文档报告等原始资料中可以编码的句子或片段进行分解和概念范畴化的过程。为确保客观性,编码应当紧贴原始资料,反复进行对比整合、划分类别、赋予概念,并剔除重复性冗余。在开放式编码过程中,尽量使用受访者原话提炼范畴。经过编码小组的不断修改与校验后,本研究最终得到48个概念、12个初始范畴,部分示例如表2所示。
表2 开放式编码结果示例
Table 2 Examples of open coding results
资料示例开放式编码概念化范畴化A4开发车间智能排产系统时,对软件服务商提供的知识模块都要在同行评测、权威验证等之后才能授权整合B3我们会在智能设备中适当植入监测模块,既利于调优,也利于发现知识产权问题C8共同研发用户直联制造系统时,我们会事先约定未经授权不作反向工程的条款D10数字工厂系统的创新项目,大家都是在ModBus、OPC等工业底层协议的通用框架下作适应性改造D12质量保证意识才是稳定合作关系、建立有效知识共享的关键T11多方评估T12过程干预T13行为约束T14遵从标准T15质量意识T1质量把控A1合作的数字组件供应商都要求提供资信证明,接受合规审核B10我们不太懂数字技术,所以在智能化改造时,都首选行业内声誉较高的企业C1智能化改造应该清楚知道自己拥有哪些知识,需要什么知识。这样在找互补商时就不会盲目T21可信认证T22优先选择T23供需匹配T2限制进入D4我们已经把产品数字设计与仿真框架定向分享给产业链伙伴D8dgSDK云平台上已经开放UC、智真系统、视频监控、云计算、大数据、SDN 等1 500多 个API接口B6通过汽车零部件的远程数字实验室,注册用户可以对最新的示例设备进行测试、体验与开发认证等D2除了专利申请一定要披露的一些细节,我们在创新社区也会不定期分享部分技术组件的源码T31产业链披露T32平台披露T33用户披露T34公众披露T3选择披露
续表2 开放式编码结果示例
Table 2(Continued) Examples of open coding results
资料示例开放式编码概念化范畴化A5轨道交通装备的智能解决方案很复杂,牵涉面也大。目前,我们只是依据产品主线做任务切割,各创新模块的颗粒精度和适应性仍需跟进调整D5创新任务模块的接包方都需要按照我们公开的技术接口标准提供产品方案,这是合作开发的基础C7定制研发精准配送系统时,我们把分解后的任务模块发包给多个企业,这样可以减少依赖性,也有竞争A12自己的核心技术和知识经验一定要做模块化闭合,然后用兼容接口与其它模块对接。业内都是这么做,很灵活,还安全T41产品分解 T42接口规范T43松耦合T44高内聚T4模块分工A11既然都贡献了知识、付出了成本,那么用户直联制造系统这个项目成功了,肯定要做合理分红B4大家合作攻关,就是一起冒险,免不了要提前把收益分配方案谈好D6有些小技巧对他们来说简单,但分享出来,对开发远程医用诊疗设备就很有启发价值,收益分配自然要考虑这些C6一起投钱做创新项目,失败了谁也脱不了干系C9为了让客户对产品远程运维系统的产品原型贡献知识信息,会在价格、供货、服务等方面给予优惠S11绩效分配S12先前承诺S13公平关切S14利益绑定S15双方互惠S1利益共享C2大家愿意为这个数字化精益生产项目献计献策,也是考虑到我们在服装行业的良好声誉A6对支持我们数字化运营,愿意贡献知识、资源的合作伙伴,我们也尽量给出5年长期合约B8我们会定期跟踪知识产品的实践效果,不断进行纠偏和校核,以免被共享者错判知识有效吸收程度S21信任背书S22长期合同S23附加服务S2权利保障A2我们会不定期派遣员工进入课堂或客户企业分享智能化转型的创新知识经验,示范推广效应还不错D3不定期邀请专家、合作伙伴到企业现场,既可以直观了解技术路径和知识储备,也能交流碰撞出新的产品思路C4智能化仓储采购没有接触过,但大家在这个领域都合作过,有些知识经验和专业术语并不需做过多解释A3为激发人机协同作业项目合作方的兴趣,往往要用辅助模型、场景图谱、仿真演示等方法把隐性知识和技术诀窍说清楚W11推送范例W12启发思考W13合作惯例W14辅助表达W1真实互动A14对机电设备行业的标准必要专利,在合理条件下我们都是尽可能许可使用A10我们会投资一些基本面好的供应链上下游,向他们传授必要的知识经验,监督专利技术的规范使用,一起在数字化环境下发展C3物料实时跟踪项目中,我们不仅向供应商提供技术支持, 也要求供应商分享相关知识,否则数字对接无从谈起D7难以接受持有技术而不公开,知识产权不应是创新合作的障碍W21简化授权W22投资介入W23交叉许可W24技术公开W2关系产权B1大家知识差异太大,有些事外行根本判断不了谁对谁错,只好互派代表,再加上专家、权威机构一起来裁决A15知识共享理念的确有冲突,遇到问题还是要多交流和理解D14去年就有多起专利诉讼和专利谈判,有告别人的,也有被告的,这个事情太平常了,产权意识都强W31联合裁判W32促进沟通W33诉讼谈判W3争端解决D11我们乐于与科研机构、大学,甚至竞争者一起建设医疗设备智能化的公共知识库与专业字典A8智能装备包含仪器光电、可视化、机器人等不同应用场景,相似场景下的企业共享交流,让我们更有收获C5我理解的智能制造就是没有做不到,只有想不到。虽然做服装,但也关注其它领域的知识搜索,比如直播、大数据等D1我们会尝试一些跨界项目,参与到实践中,不断总结反思。总有一些经验、发现有助于企业发展B5数字技术更迭太快,开源社区项目对我们的数字知识生产很有启发P11公共知识库P12场景化沟通P13跨界搜寻P14实践反馈P15社区参与P1社会学习A13我们是智能制造解决方案供应商联盟成员,这有利于保护或运营自己的知识产权B7进入比亚迪、华为等公司的采购名单,可以提高我们在智能汽车零部件领域的话语权B11一直尝试与头部企业共建标准的汽车座舱数字化解决方案D9我们会利用讲座、培训会、分享沙龙等多种渠道向政府、投资人、学研单位等潜在合作者普及医养健康新知识P21联盟加入P22话语权P23共建标准P24广泛动员P2扩大影响A9与中车集团合作智能轨道门改造项目,印象最深的就是大家平等、包容的合作氛围。这样知识转移速度都快一点D8我们与剑桥大学、台湾大学等共同设立研究院,并投入国际技术援助项目,就是要做世界一流的智能化诊疗设备A7一直呼吁智能装备行业对存在严重知识产权、数据安全等问题的企业实施联合抵制P31文化氛围P32科学合作P33群体规范P3多元协同
该阶段的主要任务是对初始范畴的内在逻辑关系进行分析和挖掘,以便归纳提炼出更高一级的主范畴。比如,初始范畴的质量把控、限制进入、选择披露和模块分工可以进一步归纳为主范畴的“控制型知识治理”。原因在于,智能制造具有典型的专精尖特征,知识复杂性程度较高。尤其是综合利用数智知识与实体知识时,物理世界与数字世界的不同运行逻辑更放大了知识复杂性的影响。为确保知识共享质量,降低知识整合风险,主导企业会利用自己在生态系统中的影响力,采取一些具有控制属性的治理措施,规范合作方知识行为,提升知识流动碰撞过程中的有效性和可靠性。最终,根据创新活动目标与治理手段特征,提炼出4个主范畴,即控制型知识治理、激励型知识治理、协调型知识治理和发展型知识治理。各初始范畴与主范畴对应关系如表3所示。
表3 主轴式编码结果
Table 3 Axial coding results
主范畴(3个)初始范畴(11个)T控制型知识治理T1 质量把控、T2限制进入、T3选择披露、T4模块分工S激励型知识治理S1利益共享、S2权利保障W协调型知识治理W1真实互动、W2关系产权、W3争端解决P发展型知识治理P1社会学习、P2扩大影响、P3多元协同
选择性编码是通过主范畴和初始范畴的重复比对,从中归纳抽象出能够高度概括大部分核心范畴的过程。在此基础上,选择性编码要求建立核心范畴、主范畴和初始范畴之间的内在联系,以故事线方式描述行为现象并发展理论框架。基于以上范畴间的连接和编码过程,将核心企业知识治理确定为核心范畴,具体见图1。
图1 核心企业主导智能制造创新生态系统的知识治理机制
Fig.1 Knowledge governance mechanism of core enterprises dominating intelligent manufacturing innovation ecosystem
围绕“核心企业知识治理”核心范畴的故事线可以描述成:智能制造牵涉面广,涉及多学科知识的交叉融合,单凭核心企业已有知识经验难以取得较高创新绩效。通过建构与发展以自我为中心的创新生态系统,形成适应运营特点和产品特征的智能制造实施路径被认为是解决问题的重要途径。然而,从网络科学角度来看,创新生态系统并非天然具备促进开放式创新的能力[15]。尤其是在技术迭代较快的智能制造领域,新兴技术不断涌现,竞争者进出频繁,共享规则不完善将导致创新生态系统结构与关系并不稳定。此时,创新生态系统的新知识联合生产仅是各参与方的心理预期,要使预期变为现实,需要发挥核心企业主导知识治理的作用。
(1)控制型知识治理。智能制造所涉知识的复杂程度较高,联合知识生产中易发生知识错配和整合风险(丁玲等,2022)。为减少知识组织偏差,确保新创知识质量,核心企业主要从知识主体资格认证、知识过程质量把控、关键知识选择披露以及创新任务模块化分解4个方面引导与约束知识伙伴,使其按照智能制造知识图谱,在既定的创新协作路径上进行安全、可靠、有效的知识交换。正如C企业副总所言:“协同开发物料实时追踪系统,知识共享转移一定要按照我们的创新要求和活动规则进行,否则容易失控。”
(2)激励型知识治理。智能制造应用场景丰富,具有多学科背景的知识主体集聚,知识差异化的影响也显著增强。此时,知识主体会基于学科固有知识距离,通过敷衍与模糊方式混淆知识内容,维护自身利益[16]。为此,智能制造创新生态系统中的核心企业需要借助分享成果与收益、保障知识权益等手段,激发参与者的内在行为动机,使其主动配合知识共享、转移和创造。正如A企业的研发主管所言:“对方分享知识,哪怕是一点小诀窍,只要产生实质绩效,就要找机会投桃报李。”
(3)协调型知识治理。随着智能制造应用场景的不断丰富,参与价值共创的知识主体增多,知识利益冲突、理解困难、专有数据泄露等成为阻碍创新的突出问题(杨伟等,2020)。为此,智能制造创新生态系统应该具备互动协调机制,既可以降低交易成本,协调知识主体关系,又能够减少知识表述偏差,利用真实有效的知识互动促成进一步的知识共享,拓展与开发新的智能制造应用场景。正如B企业的副总所言:“利用汽车零部件的实际生产物料进行辅助表述,更能让服务商清楚我们到底需要什么样的智能组件。”
(4)发展型知识治理。智能制造创新生态系统大多嵌入在行业、区域、国家等更宏大的创新体系中[17],为获取竞争优势、适应快速迭代的智能制造技术,核心企业的知识治理需要与时俱进。为此,核心企业既可以利用相似场景沟通、开源社区项目参与、跨界搜寻等社会学习手段,动态提升知识价值,也能够通过加入标准联盟、开展实时知识动员、嵌入更广泛的产学研创新联盟等手段,让知识活动形成开放有序的发展格局。正如D企业的研发主管所言:“高端医用诊疗设备的开放式创新趋势要求我们能从全球知识流动中实现共赢。”
当搜集到的新资料不再产生新概念或范畴时,可以认定研究达到理论饱和。本研究一方面通过文献检索验证理论饱和度,力求模型分析结果契合既有研究,另一方面,追加了两个来自苏州科技城的案例样本。两个样本同属国家级智能制造示范工厂与优秀场景揭榜企业,并在各自的创新生态圈中占据核心地位。实地访谈发现,新受访者的阐述内容与之前的受访者内容相似,并且补充文本的编码分析也没有出现新面向。因此,本研究认为核心企业知识治理机制模型通过饱和度检验。
在知识密集的智能制造创新生态系统中,面对知识的复杂性、差异性与合法性,核心企业通过治理架构与运行机制的系统安排,提高知识流动效率,优化知识创造与转移活动,共享知识活动收益。基于Vaio[18]的治理分析框架,典型的4种知识治理机制在治理目标、治理手段、治理过程、治理范围等方面具有差异化特征,具体如表4所示。
表4 不同知识治理机制特征对比
Table 4 Characteristics of knowledge governance mechanisms
对比项控制型知识治理激励型知识治理协调型知识治理发展型知识治理治理目标产权安全、过程可控强化内在动机高质量互动动态发展、协同治理主体核心企业操控适应核心企业需求弱化核心企业权威多边共赢导向治理对象被动、自由度低、创新意识弱主动、创新意识一般主动、创新意识较强主动性强、侧重开放创新治理手段知识操控为主单向激励为主双向互动为主协同开放为主治理过程行为约束性质行为引导性质促成合作性质多向拓展性质治理结构较稳定,自我中心较稳定、自我中心较稳定、中心领导不稳定、去中心治理范围知识生产层知识应用层知识应用层知识扩散层治理动因知识复杂性知识差异性知识差异性知识增长性
结合案例资料,通过对比分析,可以发现:
(1)不同类型知识治理机制存在明显差异。控制型知识治理主要锚定安全可控的治理目标。为此,核心企业在知识生产过程中往往强调以自我为中心的稳定治理结构,通过限制进入、质量把控、选择披露和模块分工等利于知识操纵的治理手段,约束创新生态系统中其他知识主体的知识行为。比如,C企业在联合开发自动排产系统时,不仅要求合作方签署保密协议,而且植入知识产权监测模块,以确保联合知识生产过程安全可靠。虽然,这种单向防御性治理手段可以较好地保证智能制造创新生态系统的知识流动按照预设路径推进,有效降低知识复杂性带来的整合风险,但受控对象自由裁量空间狭窄,严重影响其创新意识与动机。
激励型知识治理或协调型知识治理开始有意淡化核心企业的控制力,起因在于智能制造应用场景较为丰富,知识差异化特征明显,核心企业难以全面掌控创新路径,也缺少合理分配创新资源和客观评估合作对象知识贡献的能力。为满足智能制造的创新需求,利益分享和权利保障成为激发合作方内在行为动机、引导知识活动方向的基础手段。正如A企业的研发主管所言:“不谈好分红方案,一些经验性的调优技巧人家凭什么告诉你?”并且,为解决知识距离带来的理解困难,仍需在核心企业主导下采取真实互动、关系产权、争端解决等突出知识互动、促成关系合作的协调型治理机制,驱使创新生态系统内形成稳定、有效、持续的双向知识流。类似小米生态圈的做法,D企业也通过建构“鱼友”集体身份的过程积极协调创新生态系统中的治理关系。
此外,知识具有迭代增长性质,尤其是在智能制造领域知识更新速度较快,核心企业需要以开放的态度,在更大范围的生态体系内采取发展型知识治理方式。与其它知识治理机制不同,发展型知识治理的目标直指多元共洽、协同并进。为赢取竞争优势,核心企业在向外扩散知识经验的过程中,会利用社会学习、扩大影响、多元协同等具有平等开放性质的知识治理手段,提高专业领域话语权,并与更广泛的利益相关者甚至竞争者达成多边共治的发展格局。因此,发展型知识治理属于典型的去中心化治理机制。开放、对等、协同是其关键,以此为基础,核心企业将自我嵌入在更具新颖性、创造性和竞争性的知识流动系统内,并极力实现知识利益最大化。
(2)多种知识治理机制组合并用。面对智能制造创新生态系统内复杂的知识活动,核心企业往往根据知识类型、合作伙伴性质、竞争战略等因素,组合运用不同类型的知识治理机制。比如,A企业在分享关键、核心、私有性质的知识数据时,一般采取模块化封装、选择披露、限制进入等控制型知识治理机制,确保知识流动在安全可靠的共享空间内实施。而对于共性基础知识、科学数据等,则更倾向交叉许可、简化授权等协调型或发展型知识治理机制。正如其研发主管所言:“轨道交通装备的生产智能化转型既要保证我们自身私有数据的安全,还要考虑开发方案的可行性以及合作对象的资质,各具特色的知识类型与主体特征都说明混合知识治理机制的有效性。”同样,B企业会针对不同的合作伙伴适配相应的知识治理机制,既利用云化实验室、在线产品社区、开放API接口等知识治理机制吸引创客加入车载智能设备的开发测试,也利用专家下车间、投资介入、关系互惠等形式,强化供应链合作伙伴间的知识共享动机与效果。不止于此,为保持竞争优势,B企业还长期致力于加入华为、比亚迪等公司的整车数字化解决方案生态圈,以联盟、共建标准、群体规范等发展型知识治理手段,紧追汽车零部件行业的数字技术前沿,保持专有知识活力。因此,在管理实践中并非单一的知识治理机制发挥作用。可控、主动、共享、开放等多元治理目标,加之各具特色的知识过程、主体特征与行为动机,都意味着核心企业需要灵活组合不同知识治理手段,以形成适配有效的混合知识治理机制。
(3)知识治理机制动态发展。4种知识治理机制仅反映了特定时间截面上与知识活动优化相关的正式或非正式制度安排。但从动态视角来看,知识治理目标经历了一个从自我控制知识生产向激发合作对象内在行为动机、丰富知识应用场景,进而走向更大竞合体系,实现平等协作、多元协同的递进过程。演化理论认为,知识治理目标应适应外部环境变化[19]。智能制造新技术、新场景、新应用层出不穷,给传统知识治理带来挑战。一旦创新生态系统参与者发现当前的治理机制难以排除知识障碍,就会产生变革诉求。比如,随着智能制造涉及面越来越广,技术更新日益加快,传统的技术文档互换方式很难达到令人满意的知识共享效果。为此,从2019年开始,B企业与组件供应商、华为研究所共同建设集体学习平台,利用线上专家授课、线下现场指导等多种形式,紧扣汽车智能化解决方案的工艺流程,推进场景化知识分享机制。同样,为提升智能医疗诊断设备的认知合法性,D企业正在尝试公众号、在线沙龙、网络直播等基于新媒体技术的知识推广机制。知识治理机制的建构应在具体情境与过程中进行,否则易出现设计谬误。因此,智能制造创新生态系统的知识治理并非一成不变,需要紧跟环境变化作出适应性调整。
基于典型企业在智能制造创新生态系统中的知识治理实践,利用扎根编码分析,总结和提炼出核心企业知识治理机制的基本类型,并明确不同治理机制的内涵、特征和差异。总体而言,本研究的理论贡献主要体现在以下方面:
(1)拓展了创新生态系统的理论研究范畴。在回顾与梳理企业创新生态系统研究脉络后,有学者认为多数研究是基于资源、技术、社会网络等视角展开讨论,少有学者从知识基础理论视角分析创新生态系统的建构、运行与治理(战睿等,2021)。因此,本研究围绕知识的独特性质,提出知识生产层、应用层和扩散层的具体知识治理机制,利于明晰创新生态系统新的探索方向。
(2)丰富了知识治理的理论体系。有研究指出,知识治理仅被描述为正式和非正式知识治理机制,这种划分方式过于笼统,无法反映知识治理的细致构成,并弱化实践指导价值(于淼等,2021)。为此,本研究凝练出核心企业主导的智能制造协同创新生态系统的控制型、激励型、协调型和发展型知识治理机制,是对现有研究的重要补充,有助于提高知识治理理论的解释力度。
(3)对网络治理的理论发展有积极意义。李维安[20]认为,随着网络层面知识活动的日益复杂,不同类型知识治理机制的交叉作用应当受到重视。本研究明确了4类知识治理机制的差异与关系并指出:在智能制造创新应用不断丰富的情境下,核心企业应契合具体创新需求,综合利用多种知识治理手段,有效应对知识复杂性、差异性和增长性带来的知识流动障碍,实现高质量知识共享、转移和创造。这从理论上呼应了网络知识治理机制应属于具体情境下多样化治理措施组合的观点(叶江峰等,2013)。
第一,对于智能制造创新生态系统的价值共创而言,核心企业的知识治理具有积极意义。智能制造涉及虚拟现实、边缘计算、人工智能等新兴增强技术与传统制造技术的交叉融合,产业知识具有"专精尖"特征,为达成协同创新目标,核心企业应当利用自己的网络影响力,主动承担起网络层面的知识治理责任,通过建构共有知识库、优化知识交换过程、完善知识收益分配或事后监督等方式促进形成高质量知识活动,为实现价值共创夯实知识基础。
第二,知识治理机制并非一成不变,面对高效率的知识流动需求,核心企业应主动尝试新的治理工具、措施与规则。尤其是在智能制造创新生态系统中,新兴技术层出不穷、竞争者进出频繁、合作惯例不够成熟等,导致组织间知识结构和关系并不稳定。此时,核心企业需要根据知识类型、伙伴特征以及合作场景,对知识治理机制进行动态的适应性调整。从操作层面看,核心企业可以通过集体学习、文化氛围构建、科学合作、共同身份建立等促进多元协同的新型知识治理机制形成,潜移默化地激励其他参与主体的知识行为,促使智能制造创新生态系统的知识活动形成开放有序的发展格局。
第三,有效的知识治理是可运用的控制与协调元素组合,核心企业可以对具体治理机制进行创造性混搭试验,以形成反映自身知识过程特点的治理模式。为此,核心企业应注重培育"可能性"治理逻辑。只有具备充分的可能性思维,核心企业才敢于突破现有治理框架,围绕治理目标,灵活组合多种知识治理机制,甚至创新性地融入非正式合作形式,不断试错学习,以寻求适配当下知识流动需求的知识治理模式。面对高度不确定的智能制造协同创新生态系统,"可能性"分析有助于核心企业形成足够的治理弹性来适应各种充满不确定性的组织间知识活动。
本研究运用扎根理论系统整理和提炼核心企业主导的智能制造创新生态系统知识治理机制,但受限于成本和条件,仍存在一定局限。
首先,本研究仅用质性方法分析知识治理机制的作用,未来应通过大样本实证分析不同知识治理机制的应用情境与中间路径,为核心企业充分发挥知识治理功效提供证据。
其次,本研究主要从核心企业角度,探讨智能制造创新生态系统的知识治理,未来研究可以继续考察其他参与者,比如生态依附企业、互补商的知识治理活动。
最后,知识治理机制具有较强的情境依赖性。未来研究应根据不同的知识情境,着重探讨新型知识治理机制以及多类型知识治理机制的合理选择。
[1] 李廉水,石喜爱.中国制造业40年:智能化进程与展望[J].中国软科学,2019,34(1):1-10.
[2] RAISCH. Artificial intelligence and management:the automation augmentation paradox[J].Academy of Management Review,2021,46(1):192-210.
[3] FOSS N. The emerging knowledge governance approach: Challenges and characteristics[J].Organization, 2007, 14(1): 29-52.
[4] BOCQUET R, MOTHE C. Knowledge governance within clusters: the case of small firms[J].Knowledge Management Research &Practice, 2010, 8(3): 229-239.
[5] GNYAWALI,RYAN. Nuances in the interplay of competition and cooperation:Towards a theory of coopetition[J].Journal of Management,2018,44(7):2511-2534.
[6] ZOBEL A K, HAGEDOORN J. Implications of open innovation for organizational boundaries and the governance of contractual relations[J].Academy of Management Perspectives, 2020, 34(3): 400-423.
[7] SHIPILOV A, GAWER A. Integrating research on interorganizational networks and ecosystems[J].Academy of Management Annals, 2020, 14(1): 92-121.
[8] GRANSTRAND O, HOLGERSSON M. Innovation ecosystems:a conceptual review and a new definition[J].Technovation, 2020, 90(2): 102098.
[9] 韩少杰, 吕一博, 苏敬勤. 企业中心型开放式创新生态系统的构建动因研究[J].管理评论, 2020, 32(6): 307-322.
[10] FOSS N J, MAHONEY J T. Exploring knowledge governance[J].International Journal of Strategic Change Management, 2010, 2(2-3): 93-101.
[11] 邹济,杨德林.被孵企业知识共享治理:以智能制造孵化器洪泰制造为例[J].南开管理评论,2022,25(4): 1-26.
[12] 谢永平,张浩淼,孙永磊. 技术创新网络核心企业知识治理绩效影响因素研究[J].研究与发展管理, 2014, 26(6): 43-53.
[13] FOSS N, JENSEN H. Managerial meta-knowledge and adaptation: Governance choice when firms dont know their capabilities[J].Strategic Organization, 2019, 17(2): 153-176.
[14] 张兵红, 吴照云, 姜浩天. 基于知识图谱与扎根分析的中国管理理论构建范式研究述评[J].管理学报, 2022, 19(1): 150-158.
[15] KIM J. Exploring innovation ecosystem of incumbents in the face of technological discontinuities:automobile firms[J].Sustainability, 2022, 14(3): 1606.
[16] CONNELL J, KRIZ A. Industry clusters: an antidote for knowledge sharing and collaborative innovation[J].Journal of Knowledge Management, 2014, 18(1): 137-151.
[17] 孟凡生, 宋鹏. 智能制造生态系统对制造企业智能化转型的影响机理[J].科研管理, 2022, 43(4):37-45.
[18] DI VAIO, PALLADINO R. The role of digital innovation in knowledge management systems:a systematic literature review[J].Journal of Business Research, 2021, 123(2): 220-231.
[19] PEMSEL S. Knowledge governance strategies in project-based organizations[J].Long Range Planning, 2016, 49(6): 648-660.
[20] 李维安,林润辉.网络治理研究前沿与述评[J].南开管理评论,2014,17(5): 42-53.