Which Is More Conducive to Technology Convergence, Cooperative Innovation or Technology Transaction? An Example of AI Multi-layer Patent Network

Liu Xiaoyan, Pang Yaru, Shan Xiaohong,Sun Lina

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

Abstract：With the change of the global market competition pattern in the post-epidemic era and the development of technology,the importance of R&D is increasingly prominent, and technological innovation has become essential for enterprise survival and development. Since most small and medium-sized enterprises have low innovation capabilities,traditional innovation models can not meet the needs of enterprises for technological innovation. Therefore,it has become the focus of innovation research to find a more efficient innovation model.

Technology convergence can significantly improve the enterprise innovation capabilities and profoundly affect the competitiveness of enterprises and countries. However, in practice, enterprises have a series of problems in choosing convergence partners. The fundamental reason for the dilemma of technology convergence is that neither the actual process of technology convergence nor the convergence mechanism is clear, and thus it is very important to study the mechanism of technology convergence. Inter-organizational collaborative innovation is an important channel to promote technology convergence, and collaborative innovation models include cooperative R&D, technology transactions, technology mergers and acquisitions, etc. Different innovation models have different advantages and disadvantages and exert various influences on technology convergence.In-depth study of the influencing factors of technology convergence under different innovation models can further clarify the mechanism of technology convergence and provide a basis for enterprises to choose innovation partners. In terms of innovation model selection, cooperative R&D risk sharing and technology transaction risk have entry thresholds, and these two innovation models can help enterprises quickly obtain the heterogeneous knowledge resources required for innovation. In terms of factor selection, technology convergence comes from the transfer and convergence of heterogeneous resources, and the heterogeneity of partners has a self-evident role in promoting technology convergence. Technology heterogeneity and innovation capability heterogeneity cover the two dimensions of their own existing technologies and future development potential, and they can more accurately portray the differences between organizations.

Therefore,this paper selects technology heterogeneity and innovation capability heterogeneity to explore the impact of partner factors on technology convergence in the mode of cooperation and transaction innovation, in the hope of helping organizations screen potential cooperation or transaction partners. In terms of data sources and methods, like the developed countries that have incorporated artificial intelligence into their national development strategies, China also attaches great importance to the development of a new generation of artificial intelligence, and proposed that by 2030, China's artificial intelligence theory, technology and application should reach the world's leading level and become the world's major artificial intelligence innovation center. Moreover, the artificial intelligence industry is gradually embedded in various industries, such as manufacturing and medical care, and becomes a representative industry of cross-border technology convergence. The social selection models (SSMs) combine exogenous node attributes with network self-organization processes with consideration of individual preference and collective choice to explain the formation process of network, and statistically analyze the social network structure by describing the local topology statistics of the network, and quantify the process and influencing factors of relationship formation. Therefore, this paper uses the patent information of the artificial intelligence industry as the sample data and the IncoPat global patent database as the data source to construct the SSMs multi-layer network dependency model under the cooperative R&D and technology transaction model, and studies the impact of different innovation models and partner factors on technology convergence.

The results show that under the cooperative R&D model, heterogeneity in the technology field and heterogeneity in innovation capability positively promote technology convergence. Under the technology transaction model, the heterogeneity of innovation capability positively promotes technology convergence, and the heterogeneity of technology field negatively affects technology convergence.The following enlightenment is given accordingly for the selection of partners in different innovation models. First, when enterprises adopt the cooperative innovation model, the selection of cross-field partners is conducive to the occurrence of breakthrough innovation; when adopting a technology transaction model, enterprises can select partners in the field for patent transactions to improve innovation performance. Second, when selecting partners or business partners, enterprises should not only pay attention to the innovation capabilities of the other party, but also consider the demand-ability fit between enterprises themselves and the partners.

Key Words：Technology Convergence; Cooperative R&D; Technology Trading; Partner Heterogeneity;Heterogeneity of Technology Fields

DOI：10.6049/kjjbydc.2022050391

开放科学(资源服务)标识码(OSID)：

中图分类号：G301

文献标识码：A

文章编号：1001-7348(2024)05-0010-09

收稿日期：2022-05-13

修回日期：2022-10-26

作者简介：刘晓燕(1974-),女,河北唐山人,博士,北京工业大学经济与管理学院副教授、博士生导师,研究方向为组织理论与战略管理;庞雅如(1996-),女,山西大同人,北京工业大学经济与管理学院硕士研究生,研究方向为组织理论与战略管理;单晓红(1976-),女,吉林省吉林市人,博士,北京工业大学经济与管理学院副教授、博士生导师,研究方向为信息管理、商务智能。本文通讯作者:单晓红。

0 引言

伴随全球竞争格局变化以及“大智移云”技术发展,越来越多的企业需要依靠研发摆脱面临的困境,技术创新已经成为关乎企业生存发展的核心问题。技术融合是技术创新的关键环节,通过对多种技术进行组合与重构达到创新目的[1]。Rosenberg[2]最早提出技术融合概念,将其定义为不同产业利用相似技术进行生产工作;Pennings[3]将技术融合与技术会聚进行区分,认为技术会聚是现有技术组合,而技术融合既包含现有技术组合,也包含创造出以前不存在的新技术;Curran[4]认为技术融合是科技成果向产业转移的过程,即科技成果转化;Hacklin[5]等在 Rosenberg的基础上,将技术融合分为4个阶段,即科学知识融合、技术领域融合、新产品应用以及市场融合,并指出技术融合模糊了固定的产业边界,改变了现有产业结构;Karvonen[6]认同Hacklin的观点,认为在融合过程中上一阶段融合是下一阶段融合的触发器。技术融合的本质是促进创新扩散、提升企业或产业绩效,为企业提供嵌入新产业价值链的机会。

组织通过协同创新获取互补性创新资源,实现技术融合[7]。技术创新模式主要包括合作研发、技术交易、技术并购等,不同创新模式的技术转移渠道不同(靳瑞杰等,2019)。其中,合作研发是与合作伙伴共同进行创新,风险共担,进入门槛较低;技术交易是通过在技术市场上的专利交易获取企业所需创新资源,具有便捷、高效的特点。上述两种创新模式有助于企业快速获取异质性知识,推动企业创新,因此成为技术创新的主流模式。既有研究表明,虽然技术创新有效促进技术融合,但不同创新模式对技术融合效率的影响存在显著差异[8],由于缺少对这种差异的深入探讨,导致研发伙伴选择存在盲目性,创新效率不高。基于此,本文将深入剖析合作研发与技术交易两种常见的创新模式对技术融合的影响,以帮助企业结合自身战略选择匹配的创新伙伴或交易伙伴。

合作研发和技术交易均为跨组织创新,但两者创新过程与技术转移方式不同。其中,前者是指组织与合作伙伴共同开展技术攻关或产品研发,具有稳定、长期的合作关系(于飞等,2017),是知识转移中效果最显著、最有前景的方式之一。其主要优点在于:一是为资源、技术的跨组织流动提供空间,为企业提供更高效的资源搜寻和获取方法;二是分担创新成本,降低创新风险,促进合作双方技术诀窍等隐性知识转移。其缺点在于:不同组织由于战略目标、组织文化的差异,在管理过程和利益分配方面难以协同,不利于技术融合。技术交易则是一种以市场交易获取技术或创新资源的方式(何郁冰等,2020),即技术拥有方通过专利许可或专利转让等形式将技术提供给需求方,且以显性知识转移为主。技术交易的优点在于:能够加速知识共享,使企业快速获取互补性技术知识,压缩新产品研发周期。其缺点在于:由于市场不确定性和信息不对称,导致交易成本过高。

组织结合自身战略选择合作研发或技术交易模式,在合作或交易过程中伙伴因素会影响技术融合效果。有研究发现,组织技术邻近性过高会制约跨区域技术创新合作(党兴华等,2013);技术邻近性有利于技术交易达成(刘凤朝等,2018)。可以看出,相同影响因素对不同创新模式的技术融合效果存在差异。因此,只有结合不同创新模式和伙伴异质性特征进行深入分析,才能破解不同创新战略下与谁合作更有利于创新的难题,避免企业选择创新伙伴的盲目性,提高技术融合效率。

人工智能是引领国家未来发展的战略性产业,融合创新是产业发展的驱动力,技术融合是重要手段和目标,因此本文通过建立SSMs多层网络模型,研究不同创新模式和伙伴异质性对技术融合的影响,为人工智能产业组织创新伙伴选择提供依据。

1 理论背景与研究假设

1.1 理论背景

伙伴异质性概念最早可追溯至Parkhe对战略联盟的研究。Parkhe[9]认为,企业主体属性多样性和差异性会影响企业交互行为,从而影响联盟形成和最终发展;Lin[10]认为,组织参与合作的动机是为获取互补性能力,并将伙伴异质性定义为联盟内部组织间互补性能力的广泛性与多样化;Connor[11]提出,伙伴异质性在本质上源于资源异质性,企业可以通过获取、共享和重组合作伙伴资源,从而提高自身创新能力。技术融合源于异质性资源转移和整合,在创新合作背景下,已有研究普遍认为异质性合作伙伴是获取异质性资源的重要渠道[12],使得知识、技术和资源的跨组织边界转移及融合更加有效[13],而且异质性创新资源构成企业竞争优势来源,进而激励组织持续合作和技术融合。因此,本文从异质性视角研究合作伙伴特征。

1.2 研究假设

伙伴异质性主要包括技术异质性、文化背景异质性、制度环境异质性、互补能力异质性、从业经验异质性等[14]。Huang[15]将合作伙伴异质性分为组织异质性、行业异质性和国家异质性;Corsaro[16]主要从创新能力、技术知识、目标等维度对合作伙伴异质性进行刻画。技术异质性是组织获得互补性资源的重要来源,有助于提升技术融合效果,同时,也是技术融合的核心载体[17];创新能力是组织协调资源、进行自主创新或与其它组织融合创新的能力,创新能力匹配性影响组织合作的稳定发展[18]。此外,技术异质性、创新能力异质性涵盖自身现有技术与未来发展潜力两个维度,能准确刻画组织差异性,因此选择技术异质性、创新能力异质性探究不同创新模式下伙伴特征对技术融合的影响。

1.2.1 技术异质性

技术异质性是指合作双方组织技术资源的差异性。技术融合的本质是异质性资源整合[17],组织的技术异质性往往决定组织能否从合作中获益(薛澜等,2019)。已有研究表明,不同领域的技术融合有助于实现颠覆性技术突破。例如计算机科学领域的人工智能技术与生物科学领域的合成生物学的融合研究已取得重大进展,未来可能对基因治疗等领域产生深远影响[19]。由于融合过程中需要具备一定知识基础,跨领域技术融合的高额成本将对组织技术融合产生较大压力[20]。

当组织采取合作研发模式时,由于跨领域技术为组织提供了更多选择机会,使得技术融合更具价值[21],有利于激发组织创新潜能,促进新思想和新创意产生,增强研发双方对创新机会的认知[21]。此外,合作研发可以借助共同试验等途径连接不同领域知识,促进双方共担风险,降低技术异质性带来的融合成本,有效推进研发合作并提升创新绩效[22]。

当组织采取技术交易模式时,技术融合既需要显性知识,也需要基于实践的隐性知识[23]。当交易双方知识结构存在较大差异时,隐性知识获取对于技术融合来说尤为重要[24]。这是因为技术交易以专利报告、文献等显性知识流动为主要渠道,交易双方需保持紧密、持续的互动,同时,异质性知识具有较强的专用性和环境依赖性,隐性知识流动受阻易导致技术接收方很难克服技术黏性[25]。因此,技术交易过程中组织会面临比合作研发更大的不确定性,进一步提高融合成本,不利于技术融合。综上所述,本文提出如下研究假设:

H1a:技术异质性组织开展合作研发有利于技术融合;

H1b:技术异质性组织开展技术交易不利于技术融合。

1.2.2 创新能力异质性

创新能力是组织协调资源、自主创新或与其它组织融合创新的能力储备,是组织实现技术融合的重要能力。创新能力是否匹配,直接影响组织协同创新效果(刘和东等,2020)。

合作研发包括产学研合作研发和企业间合作研发。对于产学研合作研发而言,根据资源基础观和知识基础观,产学研各方通过投入资源和能力满足企业、高校以及研究机构优势互补的内在需求[26]。其中,企业通过合作,从高校、研究机构获取前沿知识和技术;高校、研究机构则通过合作,明确技术的市场定位,有利于提高科技成果转化率。总而言之,产学研合作能够满足研发双方的共同意愿[27]。对于企业间合作研发而言,创新能力相似的企业合作研发,由于技术兼容性较强,合作易产生锁定效应,而创新能力差异较大的企业间不易形成竞争关系,同时,研发重心也不同,有利于相互间知识交流,更易于实现“1+1>2”的协同效应。

近年来企业在技术市场上的双主体地位不断突显[28],根据全国技术市场统计分析报告数据显示,企业技术输出和技术引进合同成交额分别约占全国总量的90%与80%。企业间技术交易以利益为导向,当创新能力存在较大差异、组织间技术学习与吸收能力不匹配时,企业间技术交易将面临较大风险。孔庆江等[29]发现,当技术转让方的创新能力弱于技术受让方时,技术受让方可凭借较高的创新地位在交易关系中拥有较强的议价能力,从而获取更多利益;当技术转让方的创新能力大于技术受让方时,技术转让方则可凭借自身较大的技术优势和创新地位提高技术转让费用,导致交易成本增加,从而影响技术融合效率。综上所述,本文提出如下研究假设:

H2a:创新能力异质性组织开展合作研发有利于技术融合;

H2b:创新能力异质性组织开展技术交易不利于技术融合。

2 研究方法

2.1 基于社会选择模型(SSMs)的技术融合多层网络模型构建

为了刻画技术融合中组织创新合作模式与技术交易模式,本文构建包括技术融合网络、组织创新行为网络以及组织—技术隶属网络的多层网络模型。其中,技术融合网络用来刻画不同技术间融合关系,节点表示技术,边表示两个技术的融合;组织创新行为网络用来刻画不同组织间创新合作与技术交易关系,节点表示组织,边表示两个组织合作或发生技术交易;组织—技术隶属网络用来刻画组织技术特征,节点包括组织和技术,边表示组织拥有某个技术,如图1所示。

在多层网络模型的基础上,借助社会选择模型(SSMs)进行关系互动研究。社会选择模型(SSMs)[30]有效整合了个人偏好与集体选择,将外生节点属性与网络自组织过程相结合以解释网络形成过程。模拟中使用马尔可夫链蒙特卡罗最大似然估算法进行参数估计,通过网络局部拓扑结构对社会网络结构进行统计性分析,量化关系形成过程和影响因素。

其中,多层网络变量M由包含u个节点的一模网络A、包含v个节点的一模网络B和跨级的二模网络X组成,即M={A,X,B}。每个多层网络变量都是单模(A={aij}和B={bij})或二模(X={xij})关系变量的集合。设Y表示A层级和B层级网络节点属性集,Y={yA,yB},两级网络的社会选择模型如式(1)所示 。

(1)

(2)

式中,ZQ(m)是涉及网络关系变量的统计向量,ZQ(a)和ZQ(b)均遵循单模网络的ERGM规范[31],ZQ(x)遵循二模网络的ERGM规范[32],ZQ(a,x)、ZQ(b,x)、ZQ(a,x,b)遵循Wang等[33]提出的两级ERGM规范。ZD(m,y)是网络关系变量与节点属性交互效应的向量。ZD(a,yA),ZD(b,yB)遵循罗宾斯等[34]提出的单模网络社会选择模型,ZD(x,yA,yB)遵循二模网络社会选择模型,ZD(a,x,yA,yB)是ZD(a,x,yA)、ZD(a,x,yB)的集合,ZD(b,x,yA,yB)、ZD(a,x,b,yA,yB)同理。θQ是ZQ(m)对应的参数向量,用以衡量网络内生结构统计项的相对重要性,θD是ZD(m,y)对应的参数向量,用以衡量各网络与属性交互统计项的相对重要性。k(θ)是基于实际模型定义的规范化常数,有:

(3)

探究组织属性特征时,ZD(m,y)作为网络结构与节点属性交互效应的统计项,包含对应的ZQ(m)网络结构效应。本文将组织网络设置为固定网络,技术融合网络为随机网络,通过选择不同组织网络伙伴,随机生成技术融合网络,并与原网络进行拟合,探究给定组织网络下组织属性特征差异对技术融合的影响。

2.2 指标测度与模型构建

本文采用分类变量进行指标设置。其中,技术:选取组织专利中重要且广泛出现的IPC部类(如A:人类生活必需,B:作业、运输)进行分类。创新能力:首先统计出各组织发表的专利数量,然后加1取自然对数,保留小数后1位,相同的归为一类。

变量的异质性关系通过mismatch(异质)参数衡量。此外,同质性为异质性的反向指标,为进一步验证属性异质性对技术融合的影响,将同质性参数match添加至模型中。图2为模型构建流程。

为避免结构相同导致的多重共线性,对每个属性分别建模。边和互惠性是模型收敛的基准项,以边的形式呈现,模型统计项说明如表1所示。

3 实证研究

研究以人工智能产业为例,原因如下:第一,近十年全球人工智能产业发展迅猛[35-36],据IncoPat全球专利数据库的数据显示,2010年全世界人工智能技术专利为16 102项,2019年达到114 292项,增长7倍多。第二,美国、日本、欧洲等发达国家纷纷将人工智能纳入国家发展战略,中国也高度重视新一代人工智能发展。2017年国务院颁布的《新一代人工智能发展规划》指出,到2030年我国人工智能理论、技术与应用总体达到世界领先水平,并成为世界主要人工智能创新中心。第三,人工智能作为先导产业,可以借助技术融合带动传统制造业升级,是跨界技术融合的代表性产业[37],因此本文选择人工智能产业进行实证研究。

3.1 数据收集与网络构建

本文以人工智能专利数作为样本数据,以IncoPat全球专利数据库为来源,进行数据采集。由于2010—2019年是人工智能技术起步并飞速发展的黄金时期,因而本文将检索年限设置为2010年1月1日至2020年1月1日,通过参考人工智能文献及2019年世界人工智能大会发布的《2019世界人工智能技术趋势发展报告》,确定检索式为:TIAB=(人工智能or模式识别or语音识别or图像识别or机器学习or虚拟个人助理or 手势控制or推荐引擎or智能机器人or专家系统or智能驾驶or神经网络 or计算机视觉or深度学习or自然语言进程or AI or pattern recognition or pattern identification or image recognition or speech recognition or voice recognition or machine learning or virtual assistants or gesture control or personalized recommendation engines or Intelligent processor or intelligent robot or expert system or Intelligent driving or neural network or computer vision or depth learning or natural language processing)and AD=[20100101 to 20200101][38]。

关于数据筛选与清洗,首先根据合享价值度进行筛选,保留合享价值度为9～10的专利。同时,删除仅有一位专利申请人的专利,最终得到人工智能产业合作专利数据,共12 205条,作为样本数据。

基于样本数据构建多层网络,技术融合网络为有向图,邻接矩阵为A=[aij],aij=1表示专利技术i引用专利技术j,其中,专利技术采用专利的主IPC分类。组织合作研发网络为无向图,使用专利权人共现关系刻画[39-40] ,邻接矩阵为B=[bij],bij=1表示专利权人i与专利权人j出现在同一专利中,是合作研发关系。组织技术交易网络为有向图(借鉴 Dong[41]的识别规范),刻画转让人与受让人关系,邻接矩阵为C=[cij],cij=1表示转让人i将专利转至受让人j。组织—技术隶属网络为二部图,刻画组织与技术的关系,邻接矩阵为A=[aibj],aibj=1表示组织j拥有技术i。按上述规则建模后,最终形成合作研发和技术交易下的组织—技术多层网络,网络统计特征如表2和表3所示。

技术融合网络(B网络)关系数为275条。其中,单向融合关系175条,双向融合关系100条,说明目前技术以单向融合为主。网络密度为0.070 4,表明网络整体较稀疏,技术联系不紧密。G06F(部—物理、计算,大类—推算技术,小类—电数字数据处理)的入度中心性最大,意味着该技术具有共性特征,在技术融合网络中占据核心地位,其它技术都偏向引用该技术。此外,G06F的中介中心性也最大,代表该技术扮演“中间人”角色,能影响其它技术融合,在网络中具有重要的连接和传播作用。G06K(部—物理、计算,大类—推算技术,小类—数据识别)的出度中心性最大,表示G06K技术偏向主动引用和融合其它技术。入接近中心性最大的是B62D(部—作业、运输,大类—无轨陆用车辆,小类—机动车)、E21B(部—固定建筑物,采矿,大类—土层或岩石的钻进、采矿,小类—土层或岩石的钻进)、F21V(部—机械工程,大类—照明,小类—照明装置),说明以上三类技术节点的整合力较强,易与其它技术融合,同时,机动车、土层或岩石的钻进、照明装置领域是现阶段智能化的重要领域。出接近中心性最大的技术是 G16H(部—物理,大类—特定领域的信息通信技术,小类—医疗保健信息学),表明G16H技术容易与其它技术建立联系,辐射力较强,容易与其它领域技术融合,是人工智能领域融合的发力点和关注点。

合作研发网络的节点数与技术交易网络的节点数相近,但后者的关系数目是前者的两倍,同时,网络密度及聚类系数可以有效反映网络成员间紧密程度[42]和集团化程度[43]。对比两个创新网络指标可以发现,在网络密度方面,合作研发网络密度仅为0.009 6,而技术交易网络密度为0.022 1,可以看出技术交易网络关系较合作研发网络更紧密。在聚类系数方面,合作研发网络聚类系数仅为0.312,而技术交易网络则达到0.481,说明技术交易网络中易形成抱团现象,关系聚集度较高。此外,从表中也可以看出,合作研发网络和技术交易网络中的核心组织也不同,合作研发网络中以高校、传统制造业和信息技术企业为核心,技术交易网络中主要以信息技术企业或IT企业为核心企业。合作研发下的技术—组织隶属网络密度和技术交易下的技术—组织隶属网络密度分别为0.310 3与0.295 0,表明组织技术边界较模糊,组织技术范围较广。

3.2 实证结果分析

Sacf是mpnet中检验收敛模型可靠性的重要标准,Sacf小于0.4表明收敛模型可靠。表4结果显示,变量的Sacf值均小于0.4,表明参数估计结果可靠。

3.2.1 技术异质性对技术融合的影响

组织合作研发模式下的技术_Mismatch为0.035,显著为正,说明合作研发中技术异质性对技术融合存在促进作用,有利于激发合作双方灵感,同时,合作研发时组织双方风险共担,也为技术融合创造了有利条件,假设H1a得证,组织技术交易模式下的技术_Mismatch为0.006,不显著,说明技术异质的组织间进行技术交易不利于技术融合,假设H1b得证,这是因为技术交易主要表现为文献、专利等显性知识流动,隐性知识流动较少,当双方拥有共同的技术基础时,技术受让方才易于理解与吸收技术,若技术差距过大,技术受让方很难克服由知识专用性、缄默性所带来的黏性,技术融合风险大,难以实现交易技术与自身技术的交叉融合。

为进一步验证上述结果,对技术同质性与创新能力同质性指标进行模拟。合作研发模式下的技术_Match为0.020,不显著,与技术_Mismatch结果相反,验证了技术异质性有利于技术融合;技术交易模式下的技术_Match为0.051,显著为正,与技术_Mismatch结果相反,表明在技术交易过程中,技术同质的组织间进行交易更有利于技术融合,与技术异质的组织间进行交易不利于技术融合,故假设H1b得证。

3.2.2 创新能力异质性对技术融合的影响

组织合作研发模式下创新能力的_Mismatch值为0.054,显著为正,说明创新能力异质的组织间进行合作研发能够促进技术融合,即假设H2a得证,这是因为虽然创新能力存在较大差距,但由于双方资源和能力不同,实现了优势互补。例如在产学研合作研发中,组织间的竞争压力较小和资源具有互补性,为技术融合提供了机会。组织技术交易模式下的创新能力_Mismatch值为0.012,显著为正,拒绝了研究假设H2b。进一步分析发现,人工智能领域技术属于高精尖技术,当组织间创新能力相近时会形成竞争压力,为避免核心技术外流,组织进行技术转让时会对核心专利进行保护,导致技术融合效率降低。当组织间创新能力差距较大时,虽然其会对技术转移和吸收形成一定障碍,但由于组织间竞争压力较小,技术交易对于组织而言是利大于弊,因此在技术交易模式下组织创新能力的异质性对技术融合具有促进作用。

对创新能力同质性指标进行模拟,可以发现,合作研发模式下创新能力的_Match值为-0.059,显著为负,与创新能力的_Mismatch值结果相反,证实创新能力异质性对合作研发组织间的技术融合具有较大促进作用;技术交易模式下创新能力的_match值为-0.051,显著为负,与创新能力的_Mismatch值结果相反,证明创新能力异质性对于技术交易组织间的技术融合具有促进作用。

3.3 模型有效性验证

为了更好检验模型有效性,分别对以上4个模型进行拟合优度检验。拟合优度检验(GOF)是将仿真网络和真实观测网络的统计项作对比[41],检验模型拟合程度,其不仅包括上述模型的图统计项,还包括其它细化的与模型相关的网络结构统计项。t-ratio的绝对值小于2,表示参数拟合程度较高。由于篇幅所限,仅展示 Model1的拟合结果。

从表5可以看出,拟合结果中大多数模型t-ratio的绝对值均小于2,模型统计项、马氏距离(Mahalanobis distance)也较小,表明该模型拟合程度较高,能够很好地描述观测网络形成过程。

4 结论与启示

组织协同创新是促进技术融合的重要手段,本文从合作研发和技术交易两种创新模式出发,探究组织技术异质性与创新能力异质性对技术融合的影响,为企业在不同创新模式下选择匹配的创新伙伴提供依据和参考。

研究结果表明,在合作研发模式下,研发伙伴更具独立性,技术异质性和创新能力异质性能有效促进技术融合;在技术交易模式下,成员联系较紧密,易形成小团体或抱团现象,关系聚集度较高,技术异质性不利于技术融合,而创新能力异质性能促进技术融合。

结合上述结论,对企业选择合作伙伴有以下启示:第一,当企业采用合作创新模式时,跨领域选择合作伙伴有利于实现突破性创新;当采用技术交易模式时,在本领域选择合作伙伴更容易提升创新绩效。第二,企业选择合作伙伴或交易对象时,不仅要关注对方的创新能力,还应当考虑企业与合作伙伴的能力匹配性,选择创新能力差异大的合作伙伴或交易伙伴更有利于技术创新。

本文虽然证实了不同创新模式下组织技术异质性与创新能力异质性对技术融合的影响,但仍然存在局限性。首先,在组织属性研究上,组织同质性与异质性是社会网络研究的重要维度,其对技术融合的影响往往此消彼长,共同存在。未来研究可深入挖掘更多维度的同质性与异质性因素,为企业选择创新伙伴提供多维度参考。其次,本文以人工智能领域为研究对象,未来可选择不同产业进行对比研究,进一步提升研究结论的普适性。

参考文献：

[1] 宋昱晓,苗红.基于专利的技术融合趋势的驱动因素研究[J].情报杂志,2017,36(12):98-105.

[2] ROSENBERG N. Technological change in the machine tool industry, 1840-1910[J]. The Journal of Economic History, 1963, 23(4): 414-443.

[3] PENNINGS J M, PURANAM P. Market convergence &firm strategy: new directions for theory and research[C]. ECIS Conference, The Future of Innovation Studies, Eindhoven, Netherlands, 2001.

[4] CURRAN C S, LEKER J. Patent indicators for monitoring convergence——examples from NFF and ICT[J]. Technological Forecasting and Social Change, 2011, 78(2): 256-273.

[5] HACKLIN F. Management of convergence in innovation: strategies and capabilities for value creation beyond blurring industry boundaries[M]. German:Physica-Verlag GmbH, 2010.

[6] KARVONEN M,KAESSI T . Patent citations as a tool for analysing the early stages of convergence[J]. Technological Forecasting &Social Change, 2013, 80(6):1094-1107.

[7] 杨晓昕,陈波,张涵.军民融合协同创新、空间关联与国防创新绩效[J].科技进步与对策,2020,37(9):145-152.

[8] KIM K. Impact of firms' cooperative innovation strategy on technological convergence performance: the case of Korea's ICT industry[J]. Sustainability, 2017, 9(9): 1601.

[9] PARKHE A. Interfirm diversity, organizational learning, and longevity in global strategic alliances[J]. Journal of International Business Studies, 1991, 22(4): 579-601.

[10] LIN H. Cross-sector alliances for corporate social responsibility partner heterogeneity moderates environmental strategy outcomes[J]. Journal of Business Ethics, 2012, 110(2): 219-229.

[11] CONNER K R, PRAHALAD C K. A resource-based theory of the firm: knowledge versus opportunism[J]. Organization Science, 1996, 7(5): 477-501.

[12] HUANG S, CHEN J, LIANG L. How open innovation performance responds to partner heterogeneity in China[J]. Management Decision, 2018,56(1):26-46.

[13] KOKA B R, PRESCOTT J E. Designing alliance networks: the influence of network position, environmental change, and strategy on firm performance[J]. Strategic Management Journal, 2008, 29(6): 639-661.

[14] 辛冲,陈新,陈海峰. 伙伴异质性与产品创新:被中介的调节模型[J]. 管理科学, 2021, 34(3):107-119.

[15] HUANG S, CHEN J, LIANG L. How open innovation performance responds to partner heterogeneity in China[J]. Management Decision, 2018,56(1):26-46.

[16] CORSARO D,CANTU C,TUNISINI A . Actors' heterogeneity in innovation networks[J]. Industrial Marketing Management, 2012, 41(5):780-789.

[17] 刘刚,殷建瓴,耿天成.产业间距离、技术异质性与企业并购绩效——基于A股上市企业的实证研究[J].中国软科学,2020,35(12):104-116.

[18] 张志华,陈向东.企业学习方式、创新能力与创新绩效关系的实证研究[J].系统管理学报,2016,25(5):829-836.

[19] 赵国屏.合成生物学:从“造物致用”到产业转化[J].生物工程学报,2022,38(11):4001-4011.

[20] HAGEDOORN J, LOKSHIN B, ZOBEL A K. Partner type diversity in alliance portfolios: multiple dimensions, boundary conditions and firm innovation performance[J]. Journal of Management Studies, 2018, 55(5): 809-836.

[21] HAO B, YE J, FENG Y, et al. Explicit and tacit synergies between alliance firms and radical innovation:the moderating roles of interfirm technological diversity and environmental technological dynamism[J]. R&D Management, 2020, 50(4): 432-446.

[22] 吴菲菲,苍思吉,苗红,等.研发合作研究现状述评与展望——基于管理全过程视角[J].科技进步与对策,2021,38(19):152-160.

[23] 史良,曾立,孟斌斌,等.新兴领域知识、技术、产业军民融合发展机理研究[J].公共管理学报,2020,17(1):121-131,174.

[24] 赵健宇,付程,袭希.知识嵌入性、知识流动与战略联盟结构升级的关系研究[J].管理评论,2020,32(1):91-106.

[25] 沈能,周晶晶.技术异质性视角下的我国绿色创新效率及关键因素作用机制研究:基于Hybrid DEA和结构化方程模型[J].管理工程学报,2018,32(4):46-53.

[26] DAS T K, TENG B S. A resource-based theory of strategic alliances[J]. Journal of Management, 2000, 26(1): 31-61.

[27] 孙伟,高建,张帏,等.产学研合作模式的制度创新:综合创新体[J].科研管理,2009,30(5):69-75.

[28] 汤亚非,邹纲明.我国科技技术市场交易特点的分析[J].科技管理研究,2009,29(12):41-43.

[29] 孔庆江,胡峰.论跨国公司对华技术转让中的知识产权战略及其对策[J].法学杂志,2007,28(5):39-42.

[30] PENG W,ROBINS G,PATTISON P,et al. Exponential random graph models for multilevel networks[J]. Social Networks, 2013, 35(1):96-115.

[31] SNIJDERS T A B, PATTISON P E, ROBINS G L, et al. New specifications for exponential random graph models[J]. Sociological Methodology, 2006, 36(1): 99-153.

[32] PENG W,SHARPE K,ROBINS G L,et al. exponential random graph (p*) models for affiliation networks[J]. Social Networks, 2011, 31(1):12-25.

[33] WANG P,PATTISON P,ROBINS G . Exponential random graph model specifications for bipartite networks——a dependence hierarchy[J]. Social Networks, 2013, 35(2):211-222.

[34] ROBINS G, ELLIOTT P, PATTISON P. Network models for social selection processes[J]. Social Networks, 2001, 23(1): 1-30.

[35] 刘艳秋,韩俊敏,王建国,等.人工智能专利技术分布、演化及合作创新网络分析[J].中国科技论坛,2021(3):64-74.

[36] 王友发,张茗源,罗建强,等.专利视角下人工智能领域技术机会分析[J].科技进步与对策,2020,37(4):19-26.

[37] 刘晓燕,孙丽娜,裘靖文,等.基于多层网络的人工智能领域跨界技术融合[J].复杂系统与复杂性科学,2022,19(1):45-51.

[38] 李牧南,王雯殊.基于文本挖掘的人工智能科学主题演进研究[J].情报杂志,2020,39(6):82-88.

[39] 苗红,宋昱晓,黄鲁成.基于知识流动网络评价的技术融合趋势研究[J].科技进步与对策,2018,35(6):131-139.

[40] 温芳芳.基于专利权人-分类号多重共现分析的全球专利布局研究——以太阳能汽车技术为例[J].现代情报,2017,37(4):165-169.

[41] HE X, DONG Y, WU Y, et al. Factors affecting evolution of the interprovincial technology patent trade networks in China based on exponential random graph models[J]. Physica A: Statistical Mechanics and Its Applications, 2019, 514(1): 443-457.

[42] WATTS D J, STROGATZ S H. Collective dynamics of "small-world" networks[J]. Nature, 1998,393(4):440-442.

[43] DE LAAT M, LALLY V, LIPPONEN L, et al. Investigating patterns of interaction in networked learning and computer-supported collaborative learning: a role for social network analysis[J]. International Journal of Computer-Supported Collaborative Learning, 2007,2(1):87-103.

(责任编辑：胡俊健)