开放科学(资源服务)标识码(OSID)：
Following the signal theory, this paper examines the value and usefulness of knowledge accessibility in innovation and the moderating effect of executive interlocking network and knowledge infringement risk. On the basis of the data of listed automobile manufacturing companies from 2008 to 2020, the zero-inflated negative binomial regression test is conducted, and a series of robustness tests are passed. The results show that (1) knowledge accessibility has a positive effect on the quality of technological cooperation innovation in focal firms. The results show that the world tends to worship strong feedback after capturing the information that the focal firms have strong knowledge creation potential, and is willing to provide "win-win" innovation support for the focal firms to improve their cooperative innovation quality. (2) Interlocking diversity and interlocking density, as the relationship factors that induce the effect of "fearing the strong" , negatively influence the relationship between knowledge accessibility and technological cooperation innovation quality. This result confirms that the executive interlocking network relationship and knowledge cooperation relationship are mutually substitutable. The large-scale or diversified interlocking relationship makes knowledge partners realize that the focal firm has sufficient choice space to replace the most suitable partner in a short time, which gives rise to awareness of the crisis of knowledge partners being replaced, and the collision of the two relationships inhibits the quality of cooperative innovation. (3) Knowledge infringement risk, as an uncertain situational factor inducing the effect of "fearing the strong" , negatively moderates the relationship between knowledge accessibility and technological cooperation innovation quality; The negative moderating effects of executive interlocking diversity and interlocking density on knowledge accessibility and technological cooperation innovation quality are more significant in the environment with a high risk of knowledge infringement.
The academic contributions are mainly reflected in three aspects. (1) By exploring the direct relationship between knowledge accessibility and the quality of cooperative innovation, it fills the signal gap that highlights the utilization effect of knowledge assets in the innovation process. (2) From the decoupling view of social network and knowledge network, this paper analyzes the signal constraint effect of the executive chain network, identifies the inducing factors of the negative influence of "fearing the strong " feedback caused by knowledge accessibility, and expands the cross-application boundary of network theory and signal theory. (3) It is clear that the knowledge infringement risk is a situational factor that aggravates the negative cooperation decisions made by the outside, and it leads to the knowledge collaborators' distrust of the interlocking network of the executives of the focal firm. This negative moderating effect caused by situational factors improves the knowledge signal transmission framework.
The conclusions encourage enterprises to recognize when the advantage signal will have a positive or negative effect. In practice, enterprises could then rationally use "intimate relationship" to maximize the attractive role of knowledge accessibility. Meanwhile, enterprises should pay attention to the management of senior executives and the analysis of the knowledge interaction environment and enhance the effective screening of chain cooperation, so as to avoid missing inventor cooperation opportunities conducive to knowledge reorganization.
开放科学(资源服务)标识码(OSID)：
中共二十大报告强调,“加快实现高水平科技自立自强。以国家战略需求为导向,集聚力量进行原创性引领性科技攻关,坚决打赢关键核心技术攻坚战”。目前,借助外部力量推动企业创新是一种重要合作方式,但如何提升原创性合作科技成果质量有待探讨。合作过程往往伴随着一系列信息不对称,合作方基于信任关系给予正向反馈、积极配合是焦点企业提升创新质量的重要前提(于贵芳等,2020)。那么,哪些特质能够促使焦点企业在创新合作中获得正向反馈,进而提高合作创新质量?现有研究认为,彰显能力或地位等优势信号容易引起外界议论,而否定优势信号在合作过程中的亲社会性则容易导致合作关系破裂[1]。企业知识可达性是指企业知识创造力较强并对行业技术重组具有非凡影响力,即有效知识到达企业并被内化的程度。知识可达性代表企业的知识组合潜力和知识吸收能力,知识可达性高的企业是否会导致合作关系破裂进而降低合作创新质量?
当前,关于合作创新的研究多聚焦于合作网络或发明人网络[2-3],仅有少量学者探讨知识可达性与企业创新之间的关系,从网络视角强调知识网络中心度或结构洞优势,未明晰信号视角下知识可达性对合作创新质量的影响。周怀康等(2021)研究发现,科技人员在校友关系网络中的知识可达性有利于提高科研创新产出质量。团队成员间的知识可达性有利于促进隐性知识扩散[4]。Nakauch等[5]证实知识可达性对知识转移具有正向影响,认为知识可达性是企业主动花时间参与知识转移的意愿和能力。可见,现有文献未重视知识可达性所代表的知识重组潜力对合作创新的作用。因此,有必要从信号视角深入研究知识可达性对焦点企业合作创新质量的影响。
此外,以往文献认为社会网络关系是知识搜索、传递、吸收的“桥梁”[6],对于提高知识可达性具有重要意义。Fleming等[7]、Wang等[8]研究发现,企业社会网络关系会阻碍知识要素交流,对知识组合潜力和新颖性产生负面影响,因此知识合作关系与社会网络关系解耦性不利于知识优势信号的形成与传递。实际上,高管连锁网络是当前社会网络关系最普遍的形式之一,现有研究多探讨从高管连锁网络中转移的知识对创新的作用,未从高管连锁关系与知识合作关系解耦性出发考察高管连锁网络对知识可达性与焦点企业合作创新质量关系的影响。
除考虑高管连锁网络这一要素外,合作方对焦点企业信任度的判断还受情境因素的影响。研究表明,当信息不对称时,资金供给者会高估所投资企业面临的真实风险[9],因此知识侵权风险等不确定性因素也是不信任情绪产生的不可抗力,进而影响知识可达性能否产生积极价值。鉴于此,本文重点探讨以下问题:①知识可达性是否会影响焦点企业合作创新质量?②高管连锁网络是否在知识可达性与焦点企业合作创新质量之间存在调节作用?③知识侵权风险作为不确定性因素,对知识可达性、高管连锁网络与焦点企业合作创新质量关系具有哪些影响?
知识可达性是指企业为实现技术创新目标有效吸收和利用知识的程度,代表企业知识吸收和组合潜力[5],是企业能够把握知识机遇、创造知识价值的一种优势表征[4]。知识可达性的概念由Borgatti &Cross[10]提出,作者虽然将“可达性”一词引入关系网络范畴,但仅局限于个体在网络关系中被动吸收其他个体信息;之后,Nakauchi等突破关系网络研究范畴,指出知识可达性是指企业主动花时间参与知识转移的意愿和能力,为研究企业知识利用效果、知识转移能力提供了基础。
一方面,从专利知识本身而言,专利引用知识元素越多,越能提高该专利的可见性和知识组合机会;另一方面,从知识赋能者而言,专利引用元素越多,对企业知识探索意愿和知识整合能力要求越高,越能凸显企业主动转移和创造知识的能动性[8]。本文认为,相比于专利轨迹等需要大量收集的复杂知识信息,用专利引用排名衡量知识可达性更容易,其所包含的知识组合潜力和赋能潜力具有重要价值,对于合作方初始选择具有很强的信号筛选作用。然而,现有研究大多忽视了知识可达性的信号价值。信号效应一般可用可靠性、可观测和模仿成本高等机制解释,基于这一思路,知识可达性的信号效应体现在以下3个方面:①知识可达性程度越深,焦点企业知识技术背景越深厚,众多知识要素越能卓有成效地结合,企业创新行为越具备合法性[11],创新能力越真实可靠;②新进入企业知识被充分利用并产生众多创新成果,焦点企业的学习野心引起外部企业关注;③注意力作为一种稀缺资源[7],能否使知识真正产生价值需要获得者长时间的技术能力积累[5],因此知识可达性的信号成本主要建立在企业对以往知识的关注和能力累加上,很难被外界模仿。可见,知识可达性具有可靠性、可观测和模仿成本高等信号价值[12],因此本文将知识可达性关注点聚焦于信号理论视角。
当前,关于知识可达性与合作创新的研究主要从知识共享机制和多主体互动机制视角展开。①知识共享机制,当企业处于外部网络时,知识可达性作为广泛的知识联结点更容易获取发明人群体信任,促进科技人员知识共享[13],进而影响合作创新发展;②多主体互动机制,知识可达性对知识扩散具有积极作用,知识可达性程度越高,知识节点邻域空间越大,知识主体交流机会越多,越有利于发明人筛选最优合作伙伴[4]。从信号理论角度分析,知识可达性程度越高,焦点企业从多主体互动环境中吸收和重组知识能力的优势就越突出,对知识合作方与焦点企业构建合作关系以及获取知识反馈具有指导意义。
本文认为,知识可达性可提升焦点企业技术合作创新质量。知识合作者将知识可达性的信号价值视为“强强合作”机遇,因此倾向于作出“慕强”反馈。第一,知识可达性程度越高,焦点企业在创新合作过程中保持高水平知识共享的意愿越强烈。该信号有利于减少合作者的过度防备,使其与焦点企业积极合作[14],培养稳定的知识氛围,增强创新信心[15],提高创新质量。第二,知识可达性程度越高,多主体互动信号越强烈,焦点企业越能够疏导知识流、缓解组织外部知识拥挤[16]。知识合作者认为通过焦点企业可以结识更多高质量合作伙伴,更愿意与焦点企业合作开展多主体创新互动。基于自愿动机建立的合作使双方相互包容,能够缩短合作进程,避免伙伴搜索成本对创新投入形成挤占,将有限资源投入到研发合作中,进而提高合作创新质量。
有学者认为,知识可达性所传递的强知识重组能力、吸收能力有可能引起知识合作方对核心知识泄漏的担忧[13],但也会促使知识合作方对获取高回报抱有较大期望[14]。因此,本文认为知识合作方对知识流失的担忧不足以超越其创新获利动机。相反,该信号还能起到威慑作用,降低合作方潜在投机风险,约束合作方机会主义行为,提高焦点企业技术合作创新质量。据此,本文提出如下假设:
H1:知识可达性的慕强效应正向影响焦点企业技术合作创新质量。
高管连锁网络是焦点企业以高管为中间联系人构建的社会网络,强调人与人之间的政治、经济、文化联系。高管连锁关系从质量和数量上形成焦点企业整体连锁网络特征,如高管连锁多样性和高管连锁密度。高管连锁多样性是指通过高管兼任与焦点企业建立联系的连锁企业差异化程度,有利于焦点企业快速了解前沿创新趋势。相比于同质资源,异质资源存在一定利用难度,焦点企业需要投入很多精力解构异质性知识;高管连锁密度是指由高管兼任形成的连锁关系数量,企业开放性连锁伙伴越多,焦点企业面临的连锁需求也就越多,连锁高管作为连锁企业中的一员,为履行在连锁企业的岗位责任,倾向于以合作方式加强焦点企业与连锁企业的联结强度[17]。
一般而言,连锁高管在合作创新中发挥保荐作用,拥有重要决策职能的公司高管构成的连锁关系网络能够彰显个人多元化和规模化资源储备,向焦点企业传达个人竞争优势和自身良好表现,进而获取升职机会和追求高度话语权并参与合作创新。因此,连锁网络暗含着高管合作动机和偏好[18],连锁高管往往倾向于与拥有强关系的个体密切互动[19],而与那些弱关系链接合作伙伴互动有限,容易触发知识合作方的消极情绪和认知,降低合作凝聚力,破坏合作稳定性[19-20],对知识交换产生负面影响。
1.3.1 高管连锁多样性的调节作用:畏强效应
本文认为,高管连锁多样性有可能抑制知识可达性对技术合作创新质量的积极作用。首先,高管连锁多样性意味着高管团队成员外部职能经历具有异质性特征,容易造成高管团队内部意见不统一,无法达成决策共识,甚至还有可能引发团队冲突[21],进而破坏焦点企业整体知识合作氛围。相应地,多样化关系意味着所传递的知识资源具有异质性,相比于同质资源,异质性资源更具有吸引力,容易导致焦点企业倾注更多资源和精力解构异质性知识,忽略潜在知识合作方需求,消耗知识合作方积极的合作心态,降低“慕强”回报期望。Wang等[8]指出,通过网络关系获取的异质性知识使企业无法专注于创新机会,会对创新造成负担。其次,连锁网络中的人际交流会导致明显的信息泄露[22],给知识共享过程带来不同程度的流失风险,不仅会影响知识共享意愿,还会降低知识可达性的正向“慕强”反馈价值,激发“畏强”反馈,加剧知识合作方的过度防备,减少知识交流。因此,即使双方开展合作也会引发知识隐藏行为,削弱知识整合效果,最终导致知识可达性所传递的知识共享信号没有被焦点企业吸引,甚至还会浪费合作成本,进而抑制技术合作创新质量。据此,本文提出如下假设:
H2a:高管连锁多样性负向调节知识可达性对技术合作创新质量的积极作用。
1.3.2 高管连锁密度的调节作用:畏强效应
本文认为,高管连锁密度同样会抑制知识可达性对技术合作创新质量的正向影响。首先,要提高合作创新质量,需要不断维护多主体互动关系,促使知识合作方持续产生积极反馈。大规模高管连锁关系可增加焦点企业关系资源,扩大连锁伙伴选择范围,高管倾向于将优质创新机会分配给对自身有益的连锁方,以完成对连锁企业的“责任”[18-19],从而利用不公平手段获取更多红利。焦点企业这种潜在的个人趋利动机会导致知识合作伙伴产生不信任感,降低合作不确定性容忍度,扭曲知识可达性正面“慕强”反馈效应,使知识合作方产生“畏强”心态,导致其将知识资源隐藏和保存下来,减少时间投入,导致知识资源流失[23],造成知识网络逐渐闭合、现有知识链条停止延伸、创新合作陷入知识路径依赖和能力陷阱,从而抑制创新质量提升。
其次,受高管连锁密度扩大的影响,焦点企业对连锁企业的依赖会让外界质疑知识可传达性所传达的知识重组潜力是一种“虚张声势”,其重组能力更多来源于连锁公司的帮助。因此,知识可达性对慕强者的期望激励持续下降,会进一步削弱知识合作方对焦点企业的信任度,增加创新合作破裂的可能性,进而导致创新质量下降。据此,本文提出如下假设:
H2b:高管连锁密度负向调节知识可达性对技术合作创新质量的积极作用。
知识侵权风险作为影响企业技术溢出的关键要素,是企业制度技术创新决策的外部条件。技术创新不确定性主要源自研发成本和收益预期不匹配。知识侵权风险会破坏企业创新收益独占机制[24],降低企业技术创新预期收益,增加企业投机行为和短视决策[25],迫使知识合作者加强知识保护。本文认为,知识侵权风险越大,越会抑制知识可达性对技术合作创新质量的正向影响。从知识可达性“慕强”逻辑看,潜在合作方信任知识共享环境,期待借助焦点企业强能力优势促进自身发展,从而正向反馈于合作创新质量。但如果剽窃者频繁侵占他人利益,将会产生不良的社会示范效应,降低知识共享环境的保密性,导致潜在合作方产生知识隐藏行为[26]。而且,侵权诉讼是一个持续博弈过程,无论诉讼结果好坏都会加剧知识环境不确定性,使多主体互动变得不稳定,进而导致原本的“慕强”反馈逐渐转化成“畏强”反馈。因此,知识侵权风险信任度受损不仅不利于知识吸收,还会降低焦点企业知识获取质量,使其难以获得新想法、新知识和资源支持。据此,本文提出如下假设:
H3:知识侵权风险负向调节知识可达性对技术合作创新质量的积极作用。
由上述分析可知,高管连锁多样性和高管连锁密度所引发的“畏强”反馈会对知识共享和多主体互动价值造成扭曲,使知识合作者认为焦点企业知识共享环境保密性差、多主体互动红利溢出不稳定,进而抑制合作创新质量。本文认为,造成知识合作者对焦点企业连锁关系消极的原因在于知识环境不稳定性,因此面对专利侵权频发现象,高管连锁网络会激发潜在合作方的“畏强”意识,进而对技术合作创新产生阻碍作用。据此,本文提出如下假设:
H4a:知识侵权风险会加剧高管连锁网络多样性对知识可达性与技术合作创新质量关系的负向调节作用;
H4b:知识侵权风险会加剧高管连锁网络密度对知识可达性与技术合作创新质量关系的负向调节作用。
综上所述,本文构建理论模型,如图1所示。
图1 概念模型
Fig.1 Conceptual model
本文选取2008—2020年129家汽车制造业上市公司数据作为研究样本,主要基于以下考虑:首先,汽车行业是正在进行密集创新且在后续创新中可持续发展的产业(王弘略等,2020),如新能源汽车产业对知识更新要求较高;其次,新一代信息技术、人工智能与传统汽车产业深度合作将重塑和再造全球汽车制造业。
本文中的技术合作创新质量数据来自CSMAR和CNRDS数据库,对遗漏数据作交叉补遗,知识可达性数据来源于CNRDS数据库。因为专利引用数据经过严格审查并被编纂于专利文件引用清单,且专利申请人需要在引文清单中披露专利相关信息,可快速捕捉并推断企业对有效知识的关注度以及非冗余知识流入结果,因此本文采用专利引用数据考察知识可达性的信号价值。高管连锁多样性和高管连锁密度数据经过手工搜索计算而得,连锁企业初始样本值共计23 048个。首先,从CSMAR数据库中提取每位高管兼任的企业名称,根据企查查、爱企查、天眼查公布的信息,手工识别连锁企业具体行业(连锁公司中有较多非上市公司);其次,根据中国证券监督管理委员会发布的《行业分类结果》核查行业名称及代码;最后,利用连锁企业数据测算焦点企业连锁多样化水平和密度。知识侵权数据来源于CSMAR数据库,利用各地区专利侵权纠纷执法统计数据评估焦点公司所在城市的知识交互环境。其它财务数据来自CSMAR、WIND和CNRDS数据库以及和讯网、网易财经网等。
(1)技术合作创新质量:借鉴黎文靖和郑曼妮[27]的研究,认为发明专利是高质量实质性创新成果。由于专利授权数经过国家专利部门审核与认定,对技术创新质量有较强解释力(段云龙等,2023),因此本文采用联合发明授权专利数表征技术合作创新质量。
(2)知识可达性:企业在技术创新过程中对知识吸收和利用所呈现的一种效果,用以衡量企业知识转移和知识组合潜力。仿照Wang[8]和Zheng[28]的思路,用1除以专利i所属行业领域排名,然后对每个焦点公司每年i个专利的知识可达程度进行加总,再加1取对数计算焦点企业知识可达程度。根据每年所申请专利i的知识引用数量进行排序,若所申请专利i的知识引用数为0,无论排名多少,该专利知识可达性程度均为0。
(3)高管连锁多样性:参照Herfindahl指数[29],计算公式如下:
(1)
其中,Ni表示高管在某行业的连锁公司数量,N∂表示本企业在所有行业的连锁关系加总;Ni/N∂表示第i类行业领域的连锁企业数量占企业连锁总数的比例。ETD值越大,说明高管连锁关系越多样化。
(4)高管连锁密度:采用所有连锁关系总数衡量。若本公司高管在另一家公司任职,记为1;在另外两家公司任职,则记为2,依此类推(陈仕华等,2013)。例如,如果企业有5个高管具有连锁关系,各自连锁企业数量分别为n1、n2、n3、n4、n5。那么,企业该时期的高管连锁密度N=n1+n2+n3+n4+n5,对N取自然对数。
(5)知识侵权风险:将专利侵权受理数或立案数加1取对数,一个地区专利侵权数越多,表明该地区知识侵权风险越大。
(6)控制变量:参考相关研究[17,30],将盈利能力、企业成长能力、董事会规模、两职合一、资本结构、企业规模、企业年龄、研发投入、市场发育程度设置为控制变量,具体测量方式如表1所示。
表1 变量测量
Table 1 Variable measurement
类型变量(符号)衡量方式被解释变量技术合作创新质量(TCIQ)采用焦点公司年度联合专利发明授权数解释变量知识可达性(KAC)用1除以专利i在所属行业领域内的专利知识引用排名,然后将每个焦点公司每年i个专利的知识可达程度加总,再加1取对数高管连锁多样性(ETD)用1减去i类行业领域连锁数量占连锁总数比例的加总值,详见公式(1)高管连锁密度(ELD)对焦点企业所有高管的连锁关系加总并取对数知识侵权风险(KIR)每个地区专利侵权受理数或立案数加1取对数控制变量企业成长能力(TBQ)用托宾Q值表示,托宾Q值=市值/资产总额 盈利能力(ROA)焦点公司资产报酬率资本结构(LEV)焦点公司资产负债率企业规模(SIZE)公司年末总资产的对数董事会规模(Bos)董事会总人数研发投入(RIV)焦点公司研发支出取对数企业年龄(AGE)焦点公司报告时间与成立时间月份的差值取对数两职合一(Dual)董事长和总经理为同一人记为1,否则为0市场发育程度(Mkt)王小鲁等(2019)出版的市场化指数
本文因变量技术合作创新质量为联合发明专利数量的离散型非负计数数据,由表2描述性统计结果可以看出,专利数据标准差大于均值,所以采用负二项回归模型不会产生无效和有偏系数[31]。同时,联合发明专利数据存在大量0值,各模型的Voung统计量均大于0,在0.05水平下显著,因此采用零膨胀负二项回归模型对技术合作创新质量进行检验[32]。
表2 描述性统计结果与相关系数
Table 2 Descriptive statistics and correlation analysis
1TCIQ2KAC3ETD4ELD5KIR6TBQ7ROA8LEV9SIZE10Bos11RIV12AGE13Dual14Mkt1120.28∗∗∗13-0.020.10∗∗∗140.020.26∗∗∗0.56∗∗∗1500.06∗0.22∗∗∗0.12∗∗∗16-0.02-0.09∗∗∗0.05-0.12∗∗∗0.0417000.02-0.0200.0318-0.01-0.020-0.07∗∗-0.020.56∗∗∗-0.17∗∗∗190.21∗∗∗0.61∗∗∗-0.09∗∗0.19∗∗∗0.03-0.31∗∗∗-0.04-0.14∗∗∗1100.26∗∗∗0.38∗∗∗0.07∗∗0.32∗∗∗-0.14∗∗∗-0.11∗∗∗-0.02-0.040.34∗∗∗1110.22∗∗∗0.66∗∗∗-0.010.15∗∗∗0.06∗0.010.030.17∗∗∗0.71∗∗∗0.32∗∗∗1120.06∗0.12∗∗∗0.010.040.20∗∗∗0.0400.020.14∗∗∗-0.040.21∗∗∗113-0.07∗-0.050.06∗-0.06∗0.08∗∗0.11∗∗∗0.030.08∗∗-0.13∗∗-0.19∗∗∗-0.06∗-0.051140.040.060.22∗∗∗0.17∗∗∗0.69∗∗∗0.020.02-0.020.02-0.12∗∗∗0.040.07∗∗0.14∗∗∗1Mean0.5290.5420.6662.8865.5581.930.0760.63222.118.90418.435.1740.2367.91Sd3.0460.810.210.7512.0983.0160.7413.521.5981.9981.6040.4630.4251.623
采取如下步骤最小化未观测到的异质性和内生性偏差[33]:首先,使用第t+1期的被解释变量TCIQi,t+1进行回归分析。企业创新产出存在一定时滞性,尤其是从申请到授权需要经过一段时间审核,因此为反映企业创新成效,并抑制反向因果等内生性问题,将专利授权数据滞后一期;其次,为降低横截面数据中未观测到的内生性问题以及时间趋势对研究结论的不良影响,本文采用企业年份固定效应;再次,为降低遗漏变量偏误并排除替代解释,在模型中纳入控制变量。控制变量统称为Controls,年份固定效应包含在γi,t中,模型构建如下:
TCIQi,t+1=β0+β1KACi,t+β2ETDi,t+β3ELDi,t+β4KIRi,t+β5KACi,t×ETDi,t+β6KACi,t×ELDi,t+∑βkControlsi,t+γi,t
(2)
表2报告了变量描述性统计与Pearson相关性分析结果。从中可见,变量间相关系数远小于阈值0.7。进一步,对模型进行共线性诊断,结果发现所有变量的VIF最大值为3.07(<10),容忍度最小值为0.33(>0.1),说明本文变量不存在严重的多重共线性问题[34]。
3.2.1 主效应检验
本研究利用Stata17.0软件进行滞后一期零膨胀负二项回归,结果如表3所示。模型1只包含控制变量并将调节变量也作为控制变量置入,模型2在模型1的基础上加入知识可达性,以检验假设H1。模型2结果显示,KAC系数(β=1.229,p<0.001)为正且在1%水平上显著,说明知识可达性对焦点企业技术合作创新质量具有正向影响,假设H1得到验证。
表3 回归结果
Table 3 Regression results
变量(1)(2)(3)(4)TBQ-0.042-0.107∗∗∗-0.106∗∗∗-0.103∗∗∗(-0.91)(-2.93)(-2.97)(-3.18)ROA-0.178-0.299∗∗∗-0.300∗∗∗-0.293∗∗∗(-1.26)(-2.78)(-2.85)(-3.05)LEV-1.788∗∗-1.309-1.223-1.174(-2.20)(-1.58)(-1.46)(-1.52)SIZE-0.565-1.233∗∗∗-1.205∗∗∗-1.360∗∗∗(-1.60)(-4.14)(-4.10)(-5.02)Bos0.186∗∗-0.028-0.0090.050(2.38)(-0.46)(-0.14)(0.95)RIV1.202∗∗∗1.095∗∗∗1.064∗∗∗1.024∗∗∗(3.82)(3.27)(3.24)(3.61)AGE0.2420.3670.3630.249(0.85)(1.41)(1.41)(1.03)Dual0.177-0.233-0.221-0.220(0.58)(-0.78)(-0.76)(-0.85)Mkt0.140-0.260∗-0.270∗-0.167(1.01)(-1.80)(-1.89)(-1.38)ETD0.5381.0522.274∗∗0.771(0.69)(1.32)(2.25)(1.06)ELD-0.208-0.546∗∗-0.554∗∗-0.082(-1.05)(-2.37)(-2.51)(-0.39)KIE-0.0090.0130.027-0.026(-0.09)(0.15)(0.31)(-0.32)KAC1.229∗∗∗1.915∗∗∗2.621∗∗∗(3.83)(4.40)(6.90)KAC×ETD-1.101∗∗(-2.06)KAC ×ELD-0.408∗∗∗(-4.45)常数-12.727∗∗∗9.5088.52711.388∗∗∗(-3.54)(1.53)(1.46)(2.68)YearYesYesYesYesN960960960960Prob>Chi20.0000.0000.0000.000对数似然值-561.83-558.06-555.79-549.51
注：括号中为t值,*、**、***分别表示 10%、5%、1%水平下显著,下同
3.2.2 调节效应检验
表3中模型3、模型4分别用以检验高管连锁多样性和高管连锁密度对知识可达性与技术合作创新质量关系的调节效应。其中,模型3中KAC×ETD回归系数在5%水平上显著为负(β=-1.101,p<0.05),表明高管连锁多样性负向调节知识可达性与技术合作创新质量之间的正向关系,假设H2a得到验证。模型4中KAC×ELD的回归系数在1%水平上显著为负(β=-0.408,p<0.01),表明高管连锁密度负向调节知识可达性与技术合作创新质量之间的正向关系,假设H2b得到验证。
同时,本文仿照陈仕华和卢昌崇(2013)的测量方法,当企业每年所在省份侵权受理或立案数高于所有省份专利侵权中位数时,将其划入专利侵权频发区样本组;反之,则将其归类为专利侵权非频发区样本组,通过零膨胀负二项回归检验知识侵权风险对知识可达性与技术合作创新质量的调节作用。表4中模型1和模型4用以检验知识侵权风险对知识可达性与技术合作创新质量的调节效应。其中,模型1的KAC回归系数(β=1.048,p<0.05)小于模型4的KAC系数(β=1.325,p<0.01),且显著性水平有所降低。这表明,在知识侵权频发地区,知识可达性对技术合作创新质量的正向作用被削弱,假设H3得到验证。表4中模型2的KAC×ETD系数显著为负(β=-7.010,p<0.01),但模型5中KAC×ETD系数不显著(β=-0.872,p>0.1),说明知识侵权风险会加剧高管连锁网络多样性对知识可达性与技术合作创新质量关系的负向调节作用,假设H4a得到验证。表4模型3中KAC×ELD的负向系数(β=-0.937,p<0.01)显著大于模型6的KAC×ELD系数(β=-0.382,p<0.01),说明在专利侵权频发地区,高管连锁密度对知识可达性与技术合作创新质量的负调节作用更强,假设H4b得到验证。
表4 分组调节效应检验结果
Table 4 Test results of grouping moderation
变量(1)(2)(3)专利侵权频发区样本(4)(5)(6)专利侵权非频发区样本TBQ-0.042-0.037-0.0531.065∗∗0.8030.580(-0.87)(-0.87)(-1.33)(2.26)(1.63)(1.32)ROA-0.133-0.143-0.1786.637∗8.105∗∗5.848(-0.98)(-1.17)(-1.54)(1.67)(2.02)(1.58)LEV0.551-0.1350.272-3.509∗∗∗-3.477∗∗∗-3.584∗∗∗(0.52)(-0.27)(0.28)(-2.77)(-2.86)(-3.31)SIZE-0.418-0.535-0.849∗∗-0.979∗∗∗-0.906∗∗∗-0.974∗∗∗(-0.90)(-1.22)(-2.04)(-2.79)(-2.63)(-2.93)Bos-0.192∗∗-0.184∗∗-0.193∗∗∗0.0490.1030.166∗∗(-2.08)(-2.56)(-2.69)(0.68)(1.39)(2.49)
续表4 分组调节效应检验结果
Table 4(Continued) Test results of grouping regulation
变量(1)(2)(3)专利侵权频发区样本(4)(5)(6)专利侵权不频发区样本RIV0.4380.4970.5570.918∗∗∗0.930∗∗∗0.816∗∗(1.08)(1.27)(1.53)(2.62)(2.64)(2.36)AGE-1.324∗∗-1.179∗∗-1.430∗∗∗0.1860.2060.184(-2.42)(-2.47)(-2.94)(0.52)(0.60)(0.54)Dual0.3860.3060.587-0.489-0.394-0.430(0.93)(0.83)(1.61)(-1.42)(-1.20)(-1.42)Mkt1.106∗∗∗0.979∗∗∗1.073∗∗∗-0.434∗∗∗-0.427∗∗∗-0.253∗(3.82)(3.81)(4.35)(-3.20)(-3.16)(-1.82)ETD0.1552.302-1.3600.3981.6840.274(0.12)(1.39)(-1.05)(0.45)(1.38)(0.34)ELD-0.364-0.1250.474-0.464∗-0.420∗0.102(-1.40)(-0.51)(1.45)(-1.94)(-1.78)(0.37)KIR-0.462∗∗-0.498∗∗-0.517∗∗0.236∗0.239∗0.139(-2.04)(-2.40)(-2.47)(1.66)(1.73)(1.04)KAC1.048∗∗6.522∗∗∗4.862∗∗∗1.325∗∗∗1.689∗∗∗2.397∗∗∗(2.36)(3.99)(4.70)(3.79)(3.98)(5.48)KAC×ETD-7.010∗∗∗-0.872(-3.51)(-1.52)KAC×ELD-0.937∗∗∗-0.382∗∗∗(-4.02)(-3.26)常数2.1762.2449.0847.0653.7375.414(0.32)(0.35)(1.46)(1.24)(0.64)(1.12)YearYesYesYesYesYesYesN403403403557557557Prob>Chi20.002 70.0000.0000.0000.0000.000对数似然值-210.26-205.95-203.59-306.87-305.79-302.05
3.2.3 稳健性检验
为使研究结果更加可靠,本文采用如下两种方式进行稳健性检验:首先,采用联合专利申请数量代替联合专利授权数量重新衡量技术创新合作质量,记为ATC;同时,借鉴沈永建等(2019)将知识侵权风险转变为虚拟变量,将知识侵权高风险区设定为1,将知识侵权低风险区设定为0,并参照杨震宁等(2021)的三项交乘回归方式对知识侵权风险和高管连锁网络的联合调节效应进行检验,结果均显著为正,如表5模型1～模型6所示; 其次,Fleming[35]、Sorenson等[36]研究发现,引用科学论文等非专利数据也是识别知识的方法之一,能够跨组织、技术和地理边界快速被识别和传播,故本文采用非专利知识引用数据考察知识可达性,记为变量NKAC,并将技术合作创新质量的联合专利数据源扩充至集团层面,记为GTC,采用零膨胀负二项方法进行回归,结果如表5模型7-10所示。从中可见,研究结论基本显著。
表5 稳健性检验结果
Table 5 Robustness test results
变量(1)(2)(3)(4)(5)(6)(7)(8)(9)(10)ATCt+1ATCt+1ATCt+1ATCt+1ATCt+1ATCt+1GTCt+1GTCt+1GTCt+1GTCt+1ETD-0.8430.276-1.230-0.808-0.736-0.898-0.3680.455-0.576-0.395(-1.01)(0.32)(-1.52)(-0.97)(-0.89)(-1.09)(-0.70)(0.77)(-1.11)(-0.75)ELD-0.245-0.2010.141-0.256-0.205-0.134-0.383∗∗∗-0.358∗∗-0.054-0.378∗∗∗(-1.26)(-1.07)(0.60)(-1.42)(-1.13)(-0.71)(-2.66)(-2.57)(-0.33)(-2.61)KIR_d0.2060.2310.2590.608∗0.670∗∗0.617∗∗(0.75)(0.86)(0.98)(1.83)(2.11)(2.03)KAC0.894∗∗∗1.972∗∗∗2.028∗∗∗1.018∗∗∗1.077∗∗∗1.120∗∗∗(3.06)(3.35)(4.02)(3.67)(3.94)(4.02)KAC×ETD-1.543∗∗(-2.21)KAC×ELD-0.313∗∗∗(-2.85)KAC×KIR_d-0.560∗∗(-2.21)KAC×ETD×KIR_d-0.832∗∗∗(-2.85)KAC×ELD×KIR_d-0.158∗∗∗(-2.94)KIR-0.132∗∗-0.103-0.137∗∗-0.161∗∗(-1.96)(-1.54)(-2.09)(-2.08)NKAC0.786∗∗∗1.840∗∗∗2.072∗∗∗0.511(4.32)(4.33)(5.25)(1.25)NKAC×ETD-1.579∗∗∗(-2.85)NKAC×ELD-0.382∗∗∗(-3.80)NKAC×KIR0.049(0.75)常数0.310-0.6441.9450.6150.6481.258-8.092∗∗∗-7.824∗∗∗-7.220∗∗-8.147∗∗∗(0.06)(-0.13)(0.40)(0.13)(0.14)(0.27)(-2.82)(-2.70)(-2.47)(-2.84)YearYesYesYesYesYesYesYesYesYesYesControlYesYesYesYesYesYesYesYesYesYesProb>Chi20.0000.0000.0000.0000.0000.0000.0000.0000.0000.000对数似然值-895.87-893.07-892.24-893.91-892.68-892.46-759.20-754.87-752.73-758.92
本文基于信号理论探究知识可达性、高管连锁网络、知识侵权风险与技术合作创新质量之间的关系,通过实证分析得出以下结论:第一,知识可达性对焦点企业技术合作创新质量具有显著正向影响。知识合作者面对焦点企业的知识优势信号,更多是对未来合作的期待和信心,通过慕强反馈配合焦点企业提高知识整合效率,进而提升合作创新质量。第二,高管连锁多样性和高管连锁密度负向调节知识可达性对技术合作创新质量的正向影响。这一结果说明,高管连锁关系是诱发知识可达性畏强反馈的关键要素,知识合作者面对焦点企业错综复杂的连锁关系会产生危机意识,因此基于优势信号建立的知识合作关系与高管连锁关系对技术合作创新存在替代作用。第三,知识侵权风险负向调节知识可达性对技术合作创新质量的积极作用;相比于知识侵权风险较低地区,高管连锁关系对技术合作创新质量的负向调节作用在知识侵权高风险地区更显著。
(1)明确了知识可达性的慕强效应,扩展了信号理论应用范畴。目前,鲜有文献从知识资产利用效果出发探讨知识可达性在合作信号领域的赋义和解释机制。本文突破知识可达性以往的内涵,借助信号理论解释其所传递的信号意义,即通过激发知识合作者慕强效应提高焦点企业合作研发质量,丰富了知识领域信号类型研究。
(2)整合信号视角和网络视角揭示知识可达性畏强效应对技术合作创新的“黑箱”。以往研究指出为企业提供知识资源的各种合作渠道皆有利于促进合作创新,但本文发现知识可达性产生的慕强效应存在边界,当焦点企业存在大规模或多元化连锁关系时,知识合作者会产生畏强效应,该结论佐证了以往研究所指出的“社会网络与知识网络具有解耦性,两者无法同时激发企业探索新知识欲望”这一观点。
(3)从情境角度补充知识可达性产生畏强效应的诱发因素。以往研究未深入探索知识侵权风险对信号通道的影响,难以完整刻画知识信号传递机制,本文发现知识侵权风险对知识可达性在创新中的应用价值具有削弱作用,补充了知识侵权风险对信号反馈的影响,一定程度上解释了知识合作者对焦点企业不信任情绪的来源。
(1)企业应该充分重视技术知识的信息流作用,增加技术创新中的外部知识占比。一方面,通过提高知识可达性程度给外界塑造从外部获取的技术知识均能得到合理配置的良好印象,而并非关系的无效交往;另一方面,提高外部知识使用率,引发外部企业注意力,有效传达技术合作可能性并彰显自身知识重组潜力,吸引相关知识关注者的合作意愿,提升下一轮技术创造知识搜索和重组速度。
(2)并非所有关系资源网都对企业技术创新高质量发展具有推进作用,企业需要重视不同关系的协调与稳定。对于外界可能拒绝与强能力企业合作的现象,企业要注重知识资源配置节奏和对高管的有效管理,增强对连锁合作的有效甄别,以免因“便利”关系网给外界造成“与狼共舞”的印象,进而错过与发明人的合作机会。焦点企业需要维护知识合作者的优势地位,通过构建优质技术协作研发体系营造稳定的合作氛围,并在与连锁关系密切交往时保护知识合作者的核心优势不受侵犯。
(3)如果公司所在地知识侵权风险较大,企业需要减少波动性连锁关系,避免给潜在知识合作者造成频繁更换合作对象的不良印象。相反,如果公司所在地知识侵权风险较低,则可以适当调节知识合作关系与高管连锁关系的间断式平衡,灵活运用两种渠道创新资源。
本文指出高管基于自利动机偏好与连锁公司建立知识合作关系,但也有可能存在其它动机影响信号反馈,未来将深入剖析高管在不同连锁情境下的多种动机行为。另外,信号反馈过程还受到很多心理认知因素的影响,未来应搜集更多一手数据,借助纵向案例研究其演化过程。
[1] SRNA S, BARASCH A, SMALL DA. On the value of modesty: how signals of status undermine cooperation[J]. Journal of Personality and Social Psychology, 2022, 122(7): 432-445.
[2] 马永红,栾昊巍,王琪,等.合作网络特征、企业知识多元化与共性技术溢出[J].科技进步与对策,2023,40(18):61-71.
[3] 朱晋伟,原梦.发明人网络特征、知识重组能力与企业技术创新绩效关系研究[J].科技进步与对策,2023,40(21):129-139.
[4] 苏加福,杨育,张娜.基于异质元胞自动机的知识协同团队隐性知识扩散研究[J].管理学报,2017,14(2):245-253.
[5] NAKAUCHI M, WASHBURN M, KLEIN K. Differences between inter-and intra-group dynamics in knowledge transfer processes[J]. Management Decision, 2017, 55(4):766-782.
[6] PHELPS C C. A longitudinal study of the influence of alliance network structure and composition on firm exploratory innovation[J]. Academy of Management Journal, 2010, 53(4): 890-913.
[7] FLEMING L, MINGO S, CHEN D. Collaborative brokerage, generative creativity, and creative success[J]. Administrative Science Quarterly, 2007, 52(3): 443-475.
[8] WANG C, RODAN S, FRUIN M, et al. Knowledge networks, collaboration networks, and exploratory innovation[J]. Academy of Management Journal, 2014, 57(2): 484-514.
[9] MYERS S C, N S. Corporate financing and investment decisions when firms have information that investors do not have[J]. Journal of Financial Economics, 1984, 13(2): 187-221.
[10] BORGATTI S P, CROSS R. A relational view of information seeking and learning in social networks[J]. Management Science, 2003, 49(4): 432-445.
[11] HANNAN M T, CARROLL G R. Dynamics of organizational populations: density, legitimation, and competition[M]. New York: Oxford University Press, 1992.
[12] STEIGENBERGER N, WILHELM H. Extending signaling theory to rhetorical signals: evidence from crowdfunding[J]. Organization Science, 2018, 29(3): 529-546.
[13] 应瑛,刘洋,魏江.开放式创新网络中的价值独占机制:打开“开放性”和“与狼共舞”悖论[J].管理世界,2018,34(2):144-160,188.
[14] MINDRUTA D. Value creation in university-firm research collaborations: a matching approach[J]. Strategic Management Journal,2013,34(6): 644-665.
[15] INKPEN A C. Learning through joint ventures: a framework of knowledge acquisition[J]. Journal of Management Studies, 2000,37(7): 1019-1044.
[16] AGGARWAL V A. Resource congestion in alliance networks: how a firm's partners′ partners influence the benefits of collaboration[J]. Strategic Management Journal, 2020, 41(4): 627-655.
[17] 陈建林.高管联结对制造业企业创新绩效的影响研究[J].科研管理,2021,42(1):200-208.
[18] 潘越,汤旭东,宁博,等.连锁股东与企业投资效率:治理协同还是竞争合谋[J].中国工业经济,2020,38(2):136-164.
[19] HEIDL R A, STEENSMA H K, PHELPS C. Divisive faultlines and the unplanned dissolutions of multipartner alliances[J]. Organization Science,2014,25(5):1351-1371.
[20] ZHANG L, GUPTA A, HALLEN B. The conditional importance of prior ties: a group-level analysis of venture capital syndication[J]. Academy of Management Journal,2016,60(4):1360-1386.
[21] 邓新明,刘禹,龙贤义,等.高管团队职能异质性与企业绩效关系研究:基于管理者认知和团队冲突的中介分析[J].管理工程学报,2020,34(3):32-44.
[22] AHERN K R. Information networks: evidence from illegal insider trading tips[J]. Journal of Financial Economics,2017,125(1): 26-47.
[23] HALBESLEBEN J R B, NEVEU J P, PAUSTIANUNDERDAHL S C, et al. Getting to the "COR": understanding the role of resources in conservation of resources theory[J].Journal of Management,2014,40(5):1334-1364.
[24] 吴超鹏,唐菂.知识产权保护执法力度、技术创新与企业绩效——来自中国上市公司的证据[J].经济研究, 2016,51(11): 125-139.
[25] 王旭,褚旭.制造业企业绿色技术创新的同群效应研究:基于多层次情境的参照作用[J].南开管理评论, 2021,1(1):1-24.
[26] RAUT L K. R&D spillover and productivity growth: evidence from indian private firms[J].Journal of Development Economics,1995,48(1):1-23.
[27] 黎文靖,郑曼妮.实质性创新还是策略性创新——宏观产业政策对微观企业创新的影响[J].经济研究,2016,51(4):60-73.
[28] ZHENG Y, WANG Q. Shadow of the great firewall: the impact of google blockade on innovation in China[J]. Strategic Management Journal,2020,41(12): 2234-2260.
[29] BLAU P M. A macrosociological theory of social structure[J]. American Journal of Sociology,1977,83(1):26-54.
[30] 王小鲁, 樊纲, 胡李鹏. 中国分省份市场化指数报告(2018)[M].北京:社会科学文献出版社, 2019.
[31] HAUSMAN J, HALL B, GRILICHES Z. Econometric-models for count data with an application to the patents R&D relationship[J]. Econometrica,1984,52(4):909-938.
[32] 毕静煜,谢恩.研发联盟组合关系特征与企业创新:伙伴地理多样性的调节作用[J].管理评论,2021,33(10):103-114.
[33] BLOOM N, SCHANKERMAN M, REENEN J V. Identifying technology spillovers and product market rivalry[J]. Econometrica,2013,81(4):1347-1393.
[34] ANDERSON D R, SWEENEY D J, WILLIAMS T A, et al. An introduction to management science: quantitative approach[M]. London: Cengage Learning, 2018.
[35] FLEMING L. Science as a map in technological search[J].Strategic Management Journal, 2004,25(8-9):909-928.
[36] SORENSON O, FLEMING L. Science and the diffusion of knowledge[J]. Research policy, 2004, 33(10):1615-1634.