The Selection Tendency of External Knowledge Source Strategies in Innovation Activities:Evidence from Chinese Manufacturing Enterprises

Song Yuxiao1,2,3,4,Yu Jiang3,5,Li Bo3,5

(1. Sino-Danish College,University of Chinese Academy of Sciences, Beijing 100049, China; 2.Department of Materials and Production, Aalborg University, Aalborg 9220, Denmark;3.Institutes of Science and Development, Chines Academy of Sciences, Beijing 100190, China; 4. Sino-Danish Research and Education Center, Beijing 100049, China; 5. School of Public Policy and Management, University of Chinese Academy of Sciences, Beijing 100049, China)

Abstract：External knowledge search has become a key part of manufacturing enterprises' innovation activities, both in high-tech sectors that are more open to innovation and low and medium technology sectors with lower technology intensity. When manufacturing enterprises cannot rely solely on internal resources for innovation, they begin to search for and leverage knowledge from outside, integrate external knowledge with their knowledge base, and utilize knowledge inflow to accelerate internal innovation and then expand the market for external use of innovation. Therefore, the external knowledge search strategy of manufacturing enterprises represents an important non-pecuniary mode of inbound open innovation. When they meet difficulty in reaching the complexity required for new product production, they will seek to cooperate with the outside to obtain external knowledge resources and establish knowledge linkages with suppliers, customers, universities, research institutions and competitor to achieve economies of scale and scope, and then respond quickly to market changes.

Manufacturing enterprises' different motives to carry out external knowledge acquisition will lead to variability in the demand for the combination of external knowledge inputs, and the enterprises will choose an appropriate combination of search strategies that is consistent with needs. Existing studies pay less attention to the innovation activities of manufacturing enterprises that benefit most from knowledge search strategies, i.e., the propensity to choose open search strategies in their innovation activities. On the basis of a deep analysis of the existing literature, three propositions related to the relationship between innovation activities and knowledge search strategies are proposed from the perspectives of knowledge acquisition motivation, formal/informal cooperation relationships, and knowledge protection. In terms of research methodology, this paper uses the hierarchical clustering method and then establishes a multinomial logistic regression model to construct a theoretical research framework on the relationship between innovation activities and external knowledge search strategies, and conducts an empirical study based on the World Bank's innovation survey for Chinese manufacturing enterprises as the data source.

The results of the study show that knowledge search strategies can be classified into minimal search, search along the supply chain, multi-path search, science-specific search, technology-specific search, and overall balanced search. Manufacturing enterprises might focus on internal R&D or might be more open in their innovation activities, and firms might choose one single knowledge search strategy or a combination of multiple knowledge search strategies, which is consistent with Proposition 1. The results also confirm that manufacturing enterprises prefer formal knowledge sources in technological innovation activities, acquiring knowledge related to technology, market and product knowledge ("search along the supply chain"), while in process innovation activities, they tend to acquire knowledge from both formal and informal sources, such as frontier scientific knowledge ("science-specific search"). The tendency of manufacturing enterprises to choose "search along the supply chain" in a variety of technological innovation activities suggests that firms can search along the upstream or downstream of the traditional value chain. The suppliers usually have specialized knowledge related to components, while the customers can obtain sticky information about customer needs, background and experience, which is helpful to identify new market opportunities and trends. Manufacturing enterprises might tighten their open search behaviors and choose close search or a single knowledge search strategy in their innovation activities, which confirms proposition 3. The behavior of external knowledge search is sometimes more "open" and sometimes "very conservative". For example, when reducing production costs,manufacturing enterprises might be more conservative and adopt the minimal search strategy; while when providing technical training for employees, they are more likely to adopt the search strategy of science-specific search, and universities have the advantage in knowledge dissemination and talent training. In order to prevent knowledge spillover, manufacturing enterprises might tighten their search behaviors and tend to acquire knowledge from a single source. The openness of external knowledge search depends on the trade-off and consideration of knowledge demand and protection.

The results of the study corroborate the validity of the previous propositions and provide new ideas in this field by preliminarily exploring the issue of to what extent different natures and types of innovation activities affect the propensity to choose external knowledge search strategies. It provides an insight into the open knowledge search strategy of manufacturing enterprises in practice.

Key Words：External Knowledge Search; Manufacturing Enterprises; New Product Production;Corporate Innovation Activities; Multinomial Logistic Regression

收稿日期：2023-09-26

修回日期：2024-02-23

基金项目：国家自然科学基金重点项目(71834006,72334007);教育部哲学社会科学研究重大课题攻关项目(20JZD022)

作者简介：宋昱晓(1991- ),女,山东沂水人,中国科学院大学中丹学院、奥尔堡大学材料与制造系博士研究生,研究方向为知识管理、新兴技术与产业创新管理; 余江(1969- ),男,北京人,博士,中国科学院科技战略咨询研究院研究员、博士生导师,研究方向为新兴技术与产业创新政策;李博(1996-),男,重庆人,中国科学院科技战略咨询研究院博士研究生,研究方向为科技政策与产业创新。本文通讯作者:余江。

DOI：10.6049/kjjbydc.2023090657

开放科学(资源服务)标识码(OSID)：

中图分类号：F272.4

文献标识码：A

文章编号：1001-7348(2024)00-0109-09

0 引言

当今任何制造业企业都无法拥有新产品生产所需的全部知识,因而会选择更加开放的方式进行协作[1, 2]。对于大型制造业企业而言,需要在维持自身核心竞争力的同时,与外界形成合力并获取外部知识,以确保持续地从规模经济和范围经济中受益。

通过梳理外部知识搜索与创新关系研究发现,外部知识搜索对制造业企业创新具有重大意义。虽然许多企业强调内部研发与创新[3],但是随着技术快速迭代,开放式知识搜索成为不可或缺的部分[4, 5]。对制造业企业而言,无论是在技术密集度高的技术部门[1, 2],还是技术密集度低的其它部门,外部知识搜索均是企业创新活动的重要组成[6-8],搜索策略选择也成为现代制造业企业面临的核心议题。知识搜索策略选择、搜索方向以及搜索深度,在很大程度上取决于企业创新活动中面临的挑战与机遇[9, 10]。这些机遇与挑战不仅仅来自技术上,还涉及生产与经营方面,具体包括技术创新与流程创新[10, 11]。其中,技术创新强调拥有一定深度与广度的知识,而流程创新更注重对现有知识的利用和整合。在两种不同类型创新活动中企业外部知识搜索策略选择与应用也呈现出差异性,然而有关创新活动如何影响制造业企业知识获取策略选择的研究尚不多见[11]。基于此,本文首先利用层次聚类法识别出制造业企业知识搜索策略,进而以知识搜索策略作为因变量,以企业创新活动作为自变量,建立无序多分类Logistic回归模型,探究制造业企业创新活动与知识搜索策略选择关系,为该领域研究提供新思路。

1 理论基础与文献回顾

封闭式创新观的根本前提是企业依赖自身资源和能力进行技术开发以及相关创新活动,因此知识获取以内部搜索为主[12]。随着贸易全球化与技术快速更迭,企业间界限越来越模糊,创新范式也从封闭式走向开放式。相比传统范式,开放式创新观强调企业创新活动不再是独立行为,而是知识的共同生产[13]。换而言之,企业需要在创新活动中进行跨组织合作,从外部获取知识资源,包括技术知识与市场知识[14-17]。其中,技术知识主要来源于竞争对手,强调通过分析竞争对手产品获得新启发[18],属于一种特定技术搜索方式,对于应对快速变化的市场环境尤为重要;市场知识主要来源于供应商和客户,其有助于协调各方资源、获得产品需求信息,同时,降低产品研发时间和成本,属于一种沿供应链的搜索方式[19]。高等院校和科研机构既是技术知识的重要来源,也是市场知识的重要来源,这是因为高等院校和科研机构不仅掌握前沿科研成果,而且能为企业提供员工培训等服务,对技术创新和流程创新均具有重要价值[8, 20]。

在制造业企业开展创新活动过程中,知识搜索策略发挥重要作用[21-23]。这是因为与不同类型伙伴合作时,会伴随不同程度的知识扩散和协调需求(Perkmann and Walsh, 2009)。对外开放能为制造业企业带来收益,同时,也存在着技术被窃取的风险(Chesbrough and Crowther, 2006)。如Cassiman &Veugelers (2006)研究指出,企业很关注自身关键性知识被非自愿地泄露给竞争对手等问题。因此,制造业企业在制定外部知识搜索策略时,不仅要考虑获取所需知识资源,而且要兼顾开放性与自身知识独占性的平衡。因此,在企业创新活动过程中,制造业企业为满足特定知识需求,可能选择单一从竞争对手、供应商或客户处获取外部知识,即单一的知识搜索策略[11];也可能为满足多种需求,制定外部知识搜索组合策略,从多来源同时获取外部知识资源,即多渠道或综合性知识搜索策略[24],从而在外部知识搜索的开放性与知识基础的独占性之间实现平衡。由此可见,知识搜索策略呈现出多样化特点,有助于企业扩大技术知识基础和保持灵活性[25]。基于此,本文提出研究命题如下:

命题一:制造业企业知识搜索策略呈现出多样化特征,不仅包含最小化搜索的内部搜索,以及沿供应链搜索、特定科学搜索或特定技术搜索的单一外部搜索,而且包含多渠道搜索或全面均衡搜索的综合性外部搜索。

基于不同的技术知识或市场知识需求,制造业企业在不同创新活动中对外部知识来源的选择也具有显著差异。例如,在技术创新活动中制造业企业更倾向于与所有潜在合作伙伴建立广泛的合作关系[11]。这种开放式策略有助于为从事产品研发和服务创新的企业提供更开阔的知识视野。因此,在技术创新活动中制造业企业倾向于开展具有一定深度与广度的外部知识搜索。

与此相反,当进行流程创新时,制造业企业更多地关注操作模式优化与调整,更多地依赖供应链合作伙伴、客户或者竞争对手的正式或非正式交互[10]。在优化管理流程、提供员工培训的过程中,企业与高等院校、研究机构的密切合作成为关键[26]。因此,相比而言,流程创新更注重对现有知识资源的再利用和整合。Trigo &Vence [27]基于对不同创新范式的分类,强调知识搜索策略与创新类型紧密相关,其中,技术密集型企业在产品创新中更关注科技信息流,在流程或组织创新中更偏重与客户的互动频率,这反映出在不同创新活动中知识获取策略的灵活应用。这些研究均表明,制造业企业在进行技术创新与流程创新过程中,其外部知识搜索策略的选择具有明显差异。基于上述分析,本文提出研究命题如下:

命题二:制造业企业的知识搜索策略在技术创新活动与流程创新活动中呈现出显著差异,即在流程创新过程中倾向于选择单一性外部知识搜索策略,在技术创新过程中更倾向于选择综合性外部知识搜索策略。

现有研究中针对制造业企业外部知识搜索策略与创新关系的分析仍然较少,尤其是制造业企业创新活动在多大程度上影响其外部知识搜索策略的问题仍然未得到有效回答。随着研究的深入,学者们认识到识别创新类型的重要性,进而开展创新类型对外部知识搜索策略影响的理论研究。如Doloreux, Turkina &Van Assche [11]针对不同类型创新活动影响企业外部知识搜索策略的问题进行初步探索。在具体创新过程中,制造业企业不仅需要从外界获取与技术生产活动直接相关的知识,而且需要获取与管理、营销等流程相关的知识,因此企业会选择不同的外部知识搜索组合策略。本文通过构建制造业企业创新活动与外部知识搜索策略关系框架,基于中国制造业企业创新调查数据,利用层次聚类方法识别不同创新活动中的知识搜索策略,进而采用无序多分类Logistic回归进行实证分析。研究旨在为我国制造业企业在不同创新活动过程中选择合适的外部知识搜索策略,从而获取持续竞争优势提供启示。

2 研究设计

2.1 数据来源与预处理

本文主要分析企业层面数据,基于数据可获取性原则,选取2012年由世界银行通过个人访谈构建的企业创新数据库为样本来源,其包含2011年12月至 2013年2月间在中国收集的涵盖2 700家民营企业、 148家国有企业数据及相关附加信息。

此外,遵循以下原则,对数据进行筛选:第一,删除非制造企业样本数据;第二,删除问卷调查中各数据项均为空白答案(NA)的数据样本;第三,删除问卷调查中各数据项回答均为否(No)的数据样本。进行数据筛选后,共获得1 293家公司样本,用于初步分析和模型估计。其中,部分样本存在缺失值的,由于缺失值多为定距型,故使用均值法进行插补。

2.2 变量设计与研究方法

利用合适的聚类方法识别与界定制造业企业知识搜索策略,对聚类结果进行赋值,将知识搜索策略设为因变量,将技术创新与流程创新作为自变量,将可能影响创新过程的企业特征设为控制变量。为了研究知识搜索策略与创新关系,选择进行无序多分类Logistic回归。

2.2.1 因变量:知识搜索策略

调查问卷中没有与制造业企业外部知识来源直接相关的问题,但可以从与新产品开发方式相关的问题(CNO.17A)和选项(CNo17a,CNo17b,CNo17c,CNo17d,CNo17f)中识别出对应的外部知识来源。基于已有研究并结合调查数据,本文中新产品开发方式分为内部独立研发、产业链协同研发、产品模仿改进、引进前沿科学以及各种组合方式,具体如表1所示。其对应的直接知识来源分别为供应商、客户、竞争对手、高等院校和研究机构。在该数据项基础上,选择合适的聚类方法,进一步识别和界定制造业企业知识搜索策略,并对其依次赋值。

2.2.2 自变量:企业创新活动(技术创新与流程创新)

结合问卷数据,选取4种活动代表技术创新,包括引进新技术和设备、引进新产品、为现有产品增加新功能以及提高产品灵活性;4种活动代表流程创新,包括引进新管理/行政流程、为员工提供技术培训、采取措施降低生产成本、引进新质量控制程序。将变量设置为虚拟变量,其中,1代表参与此类活动,0代表未参与。

2.2.3 控制变量:企业特征

考虑到企业创新活动与知识搜索策略会受到企业特征影响[33-35],故借鉴Medase& Abdul-Basit [36]的研究,将企业规模与企业年龄作为一般企业特征,纳入控制变量。第一,采用员工总数测度企业规模[32,37],并将企业规模划分为小型企业(5～19人)、中型企业(20～99人)、大型企业(100人及以上)。为了避免存在虚拟变量陷阱,将小型、中型和大型企业分别赋值为1,2,3,并设置两个虚拟变量(1或0)。第二,企业年限为企业成立至调查年份的时间差,成立年限越长,表明创新资源越丰富,但随着年限增长,企业创新动力也呈现出衰减态势[38]。第三,选取直接出口额与资源利用率作为特定企业特征。研究表明,出口能力与公司绩效具有相关性[39, 40],产能利用率也是影响制造业企业生产效率的重要因素[41-42]。

2.2.4 研究方法:层次聚类分析

为了将企业开放式知识搜索策略概念化,采用系统聚类法,即层次聚类法,将资源战略相似的企业归入同组,以有效识别聚类个数和潜在的聚类种子(Ketchen &Shook,1996 , Brunswicker&Vanhaverbeke,2015)。

进行层次聚类前,先初步筛选出具有如下特点的数据并进行预处理:对于上述新产品开发方式(CNo17a, CN017b, CN017c, CN017d, CNo17f)均为否的企业,这类企业可能通过其它方式获取知识,不属于本文研究范畴;对于只通过自主研发方式(CNo17a)进行新产品开发的企业,其特点是考虑到研发过程与新技术的保密性,较少与外部进行知识互动,更多依赖内部知识流动,故将这种外部搜索策略定义为最小化搜索;对于4个变量(CN017b, CN017c, CN017d, CNo17f)的回答均为“是”的企业,这类企业更多地利用各种外部途径进行搜索,体现出全面性、均衡性特点,故将这种外部搜索策略定义为全面均衡性搜索。然后,使用层次聚类分析法对制造业企业实际外部知识源进行聚类,将聚类结果作为聚类种子(个),基于该结果界定与识别制造业企业可能的其它知识搜索策略,将所有可能的外部知识搜索策略(个)依次进行命名和赋值,具体见表2。

2.2.5 研究方法:无序多分类Logistic回归

由于因变量知识搜索策略组合为无序定类变量,故采用无序多分类的Logistics回归法(Multinomial Logistic Regression),将最小化搜索设置为参照组。因变量EKS是有N个水平的无序多分类变量,进行无序多分类Logistic回归时可以产生N-1个广义的Logit模型。将参照水平R的阳性概率记为p(EKS=R),第k个水平(k=1,2,…,N)的阳性概率记为p(EKS=k),则有p(EKS=1)+p(EKS=2)+…p(EKS=N)=1。自变量有8个,第k个水平第i个自变量(i=1,2,…,8)的系数为βk-1,i,常数项系数为αj-1,(j=1,2,…,6) 。以因变量为第一水平(第一水平为参照水平),模型可以表示为:

ln(p(EKS=2)/p(EKS=1))=α1+β11Equipment+β12Product+β13Function+β14Flexibility+β15Procedure+β16Manage+β17Training+β18Cost

ln(p(EKS=3)/p(EKS=1))=α2+β21Equipment+β22Product+β23Function+β24Flexibility+β25Procedure+β26Manage+β27Training+β28Cost

ln(p(EKS=4)/p(EKS=1))=α3+β31Equipment+β32Product+β33Function+β34Flexibility+β35Procedure+β36Manage+β37Training+β38Cost

ln(p(EKS=5)/p(EKS=1))=α4+β41Equipment+β42Product+β43Function+β44Flexibility+β45Procedure+β46Manage+β47Training+β48Cost

…

ln(p(EKS=N)/p(EKS=1))=αN-1+βN-1,1Equipment+βN-1,2Product+βN-1,3Function+βN-1,4Flexibility+βN-1,5Procedure+βN-1,6Manage+βN-1,7Training+βN-1,8Cost

通过求解上述N-1个方程,可以得到每种策略选择的预测概率:

由于模型系数符号只能反映影响方向,不能刻画自变量对策略选择行为的影响,为定量解读模型,故通过计算胜算比(odds)诠释模型参数。假定选定的基准组(base group)为第1组,那么第j个组别相对于基准组的胜算比可以表示为:

则第l个解释变量的变化对该胜算比的影响可表示为:

其中,βjl为第j组别系数向量βj中的第l个元素。上述公式表明,当保持其它解释变量不变时,xil每增加一个单位,即△xil=1时,选择第j组别相对基准组的胜算比变化为exp(βjl)。当且仅当βjl>0时,选择第j组别相对于基准组的胜算比大于1,并且xil增大能够提高选择第j组别相对于基准组的胜算比。

3 数据分析与结果讨论

3.1 层次聚类结果

在界定最小化搜索与全面均衡性搜索后,需进一步基于多组二元数据进行系统聚类以划分出其它知识搜索策略。借鉴Caliński& Harabasz [43]提出的指数法判断最优分类数,最长聚类法对应的是算法,以近似检验计算出最优分类数为4,运用最长聚类法并基于多项二元数据进行聚类,得到4种聚类结果,代表企业的4种外部搜索策略。通过特征观察和经验判断,其中的3种策略与Brunswicker &Vanhaverbeke [23]提出的策略相似,分别为沿供应链搜索、特定科学搜索和特定技术搜索,还有一种策略是企业选择多种知识来源或知识搜索渠道,故将此策略命名为多渠道搜索。

综合数据特征观察和系统聚类结果,并借鉴已有研究,最终将企业知识搜索策略划分为六类,即最小化搜索、沿供应链搜索、多渠道搜索、特定科学搜索、特定技术搜索和全面均衡搜索,具体如图1所示。策略1:最小化搜索,企业以自主研发为主,很少与外部互动,主要依靠内部知识积累和部门间知识流动; 策略2:沿供应链搜索,企业以合作研发为主,主要与供应链上下游企业(供应商或客户)进行合作研发;策略3:特定技术搜索,企业注重模仿竞争对手或同行企业,其不仅需要掌握一定技术,而且具有改进产品的技术能力;策略4:特定科学搜索,企业通过与高校、科研院所密切合作,引进先进理念,继而进行新产品开发,其更加注重基础研究;策略5:多渠道搜索,企业注重知识多样性,倾向选择两种及以上渠道进行知识搜索;策略6:全面均衡搜索,企业充分利用各种渠道,通过多种方式进行广泛知识搜索与创新平衡。由上可知,策略1(最小化搜索)的外部知识搜索强度与外部知识来源多样性最低,因此策略2～6是本文关注的重点。

基于聚类结果,将界定出的6种企业知识搜索策略依次赋值。其中,数字仅用于区分类别,不具有比较意义,本文将其作为后续无序多分类Logistics回归分析的因变量。

3.2 无序多分类Logistics回归模型

3.2.1 模型检验

采用评估模型的拟合优度,拟合结果如表3所示。结果显示,值为0.000<0.05,在5%的水平下显著,表明至少有一个自变量的偏回归系数不为0,拒绝自变量系数均为0的原假设。这说明自变量的纳入是有统计学意义的,本文模型有效且具有较好的拟合效果。

3.2.2 回归结果分析

因变量知识搜索策略的取值为无序定类数据,因此选择无序多分类Logistics回归模型,以企业知识搜索策略组合为因变量、企业创新活动为自变量,对模型进行参数估计。以代表封闭知识搜索的最小化搜索为参照组,建立回归模型1～5,分别表示沿供应链搜索、多途径搜索、特定科学搜索、特定技术搜索和全面均衡搜索,回归结果见表4。

技术创新方面,在给定5%的水平下且保持其它变量不变,第一,引进新技术和设备时,企业更倾向采取多渠道搜索和全面均衡搜索策略,其选择概率是未开展此类创新活动企业数量的1.79倍与2.33倍。这是因为引进新技术和设备需要投入大量资金与人力,企业选择较为开放的搜索策略,有助于获取更多资源,补充内部资源不足,降低高投入带来的风险。第二,引进新产品时,企业更倾向选择特定科学搜索与多渠道搜索策略以获取外部知识,其选择概率是未开展此类创新活动企业数量的1.82倍和2.62倍。这是因为引进新产品时,企业需要与高等院校或科研机构进行正式或非正式交流以全面了解新产品功能、价格、市场定位、同类产品等信息。第三,为现有产品添加新功能时,企业更倾向采取沿供应链搜索和全面均衡搜索策略,其选择概率是未开展此类创新活动企业数量1.94倍和4.56倍。这是因为为了适应新市场需求,企业需要在已有产品基础上添加新功能,此时获取客户需求、背景和体验等方面的粘性知识尤为重要,因此企业倾向于从正式伙伴处获取外部知识,进而选择较为开放的搜索策略。第四,为提高产品灵活性,企业更倾向于采取沿供应链搜索、特定科学搜索或全面均衡搜索策略,其选择概率是未开展此类创新活动企业数量的4.6倍、5.19倍以及4.56倍。这是因为提高产品灵活性更多依赖于专家知识而不是技术,同时,需要敏锐感知客户偏好,此时企业倾向于从正式或非正式伙伴处获取外部知识,进而选择较为开放的搜索策略。

流程创新方面,在给定5%的水平下且保持其它变量不变,第一,引进新质量控制程序时,相比于未开展此类创新活动的企业,采取特定技术搜索策略的企业数增长2.65倍。这是因为过程控制是确保和提升产品质量的核心,通过搜索外部技术资源可有效帮助企业保持品质,同时,为防止知识外溢,企业可能会收紧外部知识搜索渠道,选择较为单一的搜索策略,倾向于从非正式伙伴关系中获取知识。第二,引进新管理流程时,企业倾向选择特定科学搜索、多渠道搜索或全面均衡搜索策略,其选择概率分别是未开展此类创新活动企业数量的1.61倍、2.59倍和7.10倍。这是因为企业需协调各方资源,促进总体绩效实现,故采取较为开放的外部知识搜索策略。第三,为员工提供技术培训时,企业倾向采取特定科学搜索策略。这是因为高等院校在知识传播、人才培养方面具有先天优势,同时,为防止知识外溢,企业可能收紧搜索策略,故倾向于从单一来源获取知识。第四,为降低生产成本,企业采取沿供应链搜索、特定科学搜索、特定技术搜索或全面均衡搜索的可能性较小,而是倾向于选择最小化搜索策略。这是因为为缩减创新投入,企业会采取较为保守的外部知识搜索策略。

在控制变量中,企业规模对外部知识搜索策略的影响显著。相比于小型制造业企业,大中型制造业企业选择多渠道搜索或全面均衡搜索的可能性较小。此外,企业出口销售额占比越大,则越倾向于采取沿供应链搜索或全面衡搜索的外部知识搜索策略。

4 结论与讨论

4.1 研究结论

企业在创新活动中会选择从供应商、客户、高等院校与科研机构,以及竞争对手等单一或组合来源获取外部知识,从而形成差异化的知识搜索策略或策略组合。本文利用层次聚类法和无序多分类Logistic模型,构建企业创新过程中的知识搜索策略选择分析框架,以中国制造业企业创新调查数据为样本,开展实证研究,并得到如下结论:

(1)基于层次聚类分析结果,外部知识搜索可划分为6种知识搜索策略,即最小化搜索、沿供应链搜索、多途径搜索、特定科学搜索、特定技术搜索和全面均衡搜索。因此,在创新过程中制造业企业知识搜索策略呈现出多样化特征,既可能选择专注于内部研发的最小化搜索策略,也可能选择沿供应链搜索、特定科学搜索或特定技术搜索的单一外部知识搜索策略,还有可能选择由多种外部知识搜索策略构成的多途径搜索或全面均衡搜索的策略组合。因此,本文证明研究命题一存在。

(2)基于无序多分类Logistics的回归分析结果可知,在流程创新活动中,制造业企业倾向于选择最小化搜索或者单一的外部搜索方式,而在技术创新活动中,企业倾向于从外部搜索知识并采取更加多元化的搜索策略组合。例如为降低生产成本,相比沿供应链搜索、特定科学搜索、特定技术搜索或全面均衡搜索,企业更倾向于采取最小化搜索策略,此时企业的外部知识搜索行为较为保守。为引进新质量控制程序,企业更倾向于采取特定技术搜索的单一外部知识搜索策略,因为这种知识搜索策略有助于降低企业投入与成本,提高企业搜索成功率。当为员工提供技术培训时,企业更倾向于采取特定科学搜索策略,这是因为高等院校在知识传播和人才培养方面具有先天优势,通过与高等院校的正式和非正式交流,企业可以高效获取所需知识,同时,为了防止知识外溢,企业会收紧搜索范围,从而倾向于从单一来源获取知识。为提高产品灵活性,企业会倾向于采取沿供应链搜索、特定科学搜索或全面均衡搜索的策略组合,这是因为多元化的外部知识搜索策略组合虽然会增大企业投入,但同时也会提高企业知识搜索效率,从而有利于创新。在为现有产品添加新功能和提高产品灵活性时,企业会倾向于选择沿供应链搜索与全面均衡搜索并存的搜索策略。这是因为企业可以基于传统价值链的上下游搜索,从供应商或客户处获取知识。其中,供应商知识是指对公司发展至关重要的零部件知识,而获取关于客户需求、背景和体验的粘性信息,有助于企业识别技术开发先机,及时洞察市场发展态势,因此企业倾向于从各种渠道搜索外部知识。至此,本文证明研究命题二成立,即制造业企业的知识搜索策略在技术创新活动与流程创新活动中呈现出显著差异性,在流程创新活动中倾向于选择单一的外部知识搜索策略,而在技术创新活动中则倾向于选择综合性外部知识搜索策略。

4.2 实践启示

根据知识需求,针对性选择单一或多元化知识搜索策略组合,同时,保持合理的知识搜索开放性。知识搜索保守型企业对外部资源的需求较低,但是过度保守的知识搜索策略可能加剧企业核心能力刚性,而过度开放的知识获取策略也可能导致对外部组织的过度依赖,削弱企业研发能力,同时,导致核心知识外溢。

4.3 研究不足与展望

本研究提出制造业企业创新活动与知识搜索策略关系的相关命题,初步探讨了不同创新过程中企业外部知识搜索策略选择的差异性,弥补了企业外部知识搜索策略研究的不足,为该领域理论研究提供了新思路,具有一定理论贡献与实践价值,但是在数据来源、创新活动类型等方面仍然存在局限性。未来研究可以聚焦特定产业或服务业企业进行深入探索,以验证模型的适用性与研究结果的科学性。

参考文献：

[1] BAYONA C,GARCI A-MARCO T,HUERTA E. Firms' motivations for cooperative R&D: an empirical analysis of Spanish firms [J]. Research Policy, 2001, 30(8): 1289-1307.

[2] TETHER B S. Who co-operates for innovation, and why: an empirical analysis [J]. Research Policy, 2002, 31(6): 947-967.

[3] DAHLANDER L,GANN D M. How open is innovation [J]. Research Policy, 2010, 39(6): 699-709.

[4] LAURSEN K,SALTER A. Searching high and low: what types of firms use universities as a source of innovation [J]. Research Policy, 2004, 33(8): 1201-1215.

[5] SIDHU J S,VOLBERDA H W,COMMANDEUR H R. Exploring exploration orientation and its determinants: some empirical evidence [J]. Journal of Management Studies, 2004, 41(6): 913-932.

[6] CHESBROUGH H,CROWTHER A K. Beyond high tech: early adopters of open innovation in other industries [J]. R&D Management, 2006, 36(3): 229-236.

[7] GRIMPE C,SOFKA W. Search patterns and absorptive capacity: low-and high-technology sectors in European countries [J]. Research Policy, 2009, 38(3): 495-506.

[8] TSAI K-H,WANG J-C. External technology sourcing and innovation performance in LMT sectors: an analysis based on the Taiwanese technological innovation survey [J]. Research Policy, 2009, 38(3): 518-526.

[9] GANS J S,STERN S. The product market and the market for "ideas": commercialization strategies for technology entrepreneurs [J]. Research Policy, 2003, 32(2): 333-350.

[10] SHEARMUR R,DOLOREUX D. How open innovation processes vary between urban and remote environments: slow innovators, market-sourced information and frequency of interaction [J]. Entrepreneurship &Regional Development, 2016, 28(5-6): 337-357.

[11] DOLOREUX D,TURKINA E,VAN ASSCHE A. Innovation type and external knowledge search strategies in KIBS: evidence from Canada [J]. Service Business, 2019, 13(3): 509-530.

[12] ROSENKOPF L,NERKAR A. Beyond local search: boundary-spanning, exploration, and impact in the optical disk industry [J]. Strategic Management Journal, 2001, 22(4): 287-306.

[13] BETTENCOURT L A,OSTROM A L,BROWN S W, et al. Client co-production in knowledge-intensive business services [J]. California Management Review, 2002, 44(4): 100-128.

[14] SOFKA W,GRIMPE C. Specialized search and innovation performance-evidence across Europe [J]. R&D Management, 2010, 40(3): 310-323.

[15] DAVID A. Understanding the invention phase of management innovation: a design theory perspective [J]. European Management Review, 2019, 16(2): 383-398.

[16] 董媛媛,魏泽鹏. 跨界双元搜索对双元创新绩效的影响——知识合作链与战略柔性整合视角[J]. 科技进步与对策,2021,38(22):124-131.

[17] 丛贞,王瑶,范建红. 企业创新能力提升的系统动力学分析——基于知识获取视角 [J]. 系统科学学报, 2019, 27(4): 130-135.

[18] LAURSEN K,SALTER A J. The paradox of openness:appropriability, external search and collaboration [J]. Research Policy, 2014, 43(5): 867-878.

[19] PERKMANN M,WALSH K. The two faces of collaboration: impacts of university-industry relations on public research [J]. Industrial and Corporate Change, 2009, 18(6): 1033-1065.

[20] LIN B-W,WU C-H. How does knowledge depth moderate the performance of internal and external knowledge sourcing strategies [J]. Technovation, 2010, 30(11-12): 582-589.

[21] 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.

[22] BRUNSWICKER S,VANHAVERBEKE W. Open innovation in small and medium-sized enterprises (SMEs):external knowledge sourcing strategies and internal organizational facilitators [J]. Journal of Small Business Management, 2015, 53(4): 1241-1263.

[23] MINA A,BASCAVUSOGLU-MOREAU E,HUGHES A. Open service innovation and the firm's search for external knowledge [J]. Research Policy, 2014, 43(5): 853-866.

[24] RODRIGUEZ M,DOLOREUX D,SHEARMUR R. Variety in external knowledge sourcing and innovation novelty: evidence from the KIBS sector in Spain [J]. Technovation, 2017, 68: 35-43.

[25] 孟庆时,余江. 新一代信息技术产业的技术升级测度研究 [J]. 科学学研究, 2021, 39(8): 1407-1417.

[26] ASIKAINEN A,MANGIAROTTI G.Open innovation and growth in IT sector,service business[Z].Springer;Pan-Pacific Business Association,2017.

[27] TRIGO A,VENCE X. Scope and patterns of innovation cooperation in Spanish service enterprises [J]. Research Policy, 2012, 41(3): 602-613.

[28] KESSLER E H,CHAKRABARTI A K. Innovation speed: a conceptual model of context, antecedents, and outcomes [J]. Academy of Management Review, 1996, 21(4): 1143-1191.

[29] VON KROGH G,VON HIPPEL E. The promise of research on open source software [J]. Management Science, 2006, 52(7): 975-983.

[30] INKPEN A C,PIEN W. An examination of collaboration and knowledge transfer: China-Singapore Suzhou Industrial Park [J]. Journal of Management Studies, 2006, 43(4): 779-811.

[31] HEMMERT M. The influence of institutional factors on the technology acquisition performance of high-tech firms: survey results from Germany and Japan [J]. Research Policy, 2004, 33(6-7): 1019-1039.

[32] CALOGHIROU Y,KASTELLI I,TSAKANIKAS A. Internal capabilities and external knowledge sources: complements or substitutes for innovative performance [J]. Technovation, 2004, 24(1): 29-39.

[33] CASSIMAN B,VEUGELERS R. In search of complementarity in innovation strategy:internal R&D and external knowledge acquisition [J]. Management Science, 2006, 52(1): 68-82.

[34] CATOZZELLA A,VIVARELLI M. The catalysing role of in-house R&D in fostering complementarity among innovative inputs [J]. Industry and Innovation, 2014, 21(3): 179-196.

[35] SCHMIEDEBERG C. Complementarities of innovation activities:an empirical analysis of the German manufacturing sector [J]. Research Policy, 2008, 37(9): 1492-1503.

[36] MEDASE S K,ABDUL-BASIT S. External knowledge modes and firm-level innovation performance: empirical evidence from sub-Saharan Africa [J]. Journal of Innovation &Knowledge, 2020, 5(2): 81-95.

[37] SCHOENMAKERS W,DUYSTERS G. Learning in strategic technology alliances [J]. Technology Analysis &Strategic Management, 2006, 18(2): 245-264.

[38] 袁礼,许涛.融资模式会影响企业技术创新吗——来自世界银行中国企业调查数据的经验证据[J].宏观质量研究,2019,7(3):111-128.

[39] GANOTAKIS P,LOVE J H. R&D, product innovation, and exporting: evidence from UK new technology based firms [J]. Oxford Economic Papers, 2011, 63(2): 279-306.

[40] FILATOTCHEV I,LIU X,BUCK T, et al. The export orientation and export performance of high-technology SMEs in emerging markets: the effects of knowledge transfer by returnee entrepreneurs [J]. Journal of International Business Studies, 2009, 40(6): 1005-1021.

[41] MAZUMDAR D,MAZAHERI A. African manufacturing firm: an analysis based on firm surveys in seven countries in sub-Saharan Africa [M]. Routledge, London, GB, 2003.

[42] MUKWATE NGUI-MUCHAI D,MUCHAI MUNIU J. Firm efficiency differences and distribution in the Kenyan manufacturing sector [J]. African Development Review, 2012, 24(1): 52-66.

[43] CALINSKI T,HARABASZ J. A dendrite method for cluster analysis [J]. Communications in Statistics-Theory and Methods, 1974, 3(1): 1-27.

(责任编辑：胡俊健)