This study takes the evolution of creativity among key inventors in acquiring firms after technology M&A as its core research object, constructing a dynamic multi-level creativity evaluation model to realize scientific and accurate assessment of their creativity evolution, thereby addressing the limitations of existing single-dimensional and static evaluation methods. By combing the theories of social network, innovation economics and talent creativity, this study builds a multi-dimensional and interrelated evaluation framework from three core levels: collaboration network dynamics, individual inventor characteristics, and M&A context features, which systematically covers the internal and external factors affecting post-M&A creativity.
In terms of research methods, this study adopts a two-stage PCA-BP neural network model to solve the problems of high dimensionality and multicollinearity of initial indicators, as well as the non-linear correlation between influencing factors and creativity changes: firstly, Principal Component Analysis (PCA) is used to reduce the dimension of 12 initial evaluation indicators, filter out redundant information and extract core components; secondly, the extracted principal components are input into the Back-Propagation (BP) neural network for training and fitting, so as to build an efficient and accurate non-linear evaluation model.
For empirical testing, this study selects 219 key inventors active between 1997 and 2024 as the research sample, collecting 21 616 valid patent records with key inventors identified by patent quantity, citation frequency and claim counts to ensure sample representativeness. The sample is divided into 170 training sets and 49 testing sets to verify the model′s effectiveness. The test results show that the PCA-BP model has a mean square error (MSE) of only 0.000 58 and a prediction accuracy rate of 97%, with its predicted creativity trajectory highly consistent with the actual change trend, demonstrating strong generalization ability and robustness. Comparative analysis further proves that the dynamic multi-level index system and PCA-BP model are significantly superior to traditional static indicators, single BP neural network and random forest model in evaluation accuracy, convergence speed and anti-interference ability.
This study realizes innovation in research perspective and method in the field of technology M&A innovation: in theory, it shifts the research focus from acquired firms to the core inventors of acquiring firms, putting forward a systematic “network dynamics-individual characteristics-M&A context” analysis framework and enriching the theoretical research on post-M&A talent creativity and innovation management; methodologically, it integrates PCA and BP neural network, providing a feasible technical path for non-linear evaluation in small-sample and high-dimensional scenarios. In practice, the constructed model can serve as a targeted diagnostic tool for enterprises to monitor the creativity changes of key inventors after M&A, helping enterprises timely identify creativity decline risks, carry out targeted intervention, optimize core human capital management, and further improve the innovation performance and success rate of technology M&A, thus providing important theoretical support and practical reference for M&A decision-making and post-merger integration management.
开放科学(资源服务)标识码(OSID)：
随着全球科技竞争日趋激烈,通过并购获取外部技术资源已成为企业构建竞争优势、加速创新的关键路径。近年来,技术并购在交易规模与数量上呈高速增长态势。然而,大量研究表明,企业未能有效将并购的技术资源转化为预期创新产出,技术并购创新绩效不佳甚至失败的现象普遍存在。有研究指出,技术并购的高失败率是较为普遍现象,如近年来美国技术并购失败率约为69%[1-2]。中国企业技术并购由于起步较晚、经验与理论支撑相对不足,相当比例的并购未能达到预期目标[3]。此外,还有研究发现,并购双方技术互补性对企业创新绩效存在倒U型影响,过高或过低均不利于创新产出提升[4]。这一困境凸显出技术并购整合过程的复杂性,其成功不仅依赖战略与财务协同,更受知识整合、文化适配及核心人力资本稳定性等多重因素的影响[5-6]。
从人力资本视角看,技术并购的终极价值在于通过知识融合实现创新能力跃迁[7-8]。技术并购的成功不仅依赖主并方与被并方财务、管理架构的整合协同,更取决于主并方企业关键人力资本在技术转化、吸收与利用过程中所发挥的作用[9-10]。已有研究表明,企业中存在少数高创造力发明家,其创新产出数量和质量远超其他研发者,通常被称为“关键研发者”[11]。在技术并购过程中,主并方企业内部关键研发者扮演着不可替代的核心角色[12],他们是消化、吸收、重构被并购方知识技术的核心力量,其创造力的持续输出直接影响技术转化效率与深度。然而,现有研究探讨技术并购创新问题时存在一定局限:多数文献倾向于从静态视角审视并购事件的影响,或将被并购方人才保留与整合视为核心议题,忽视了并购对主并方企业自身核心研发人力资本的影响。这种“重被并、轻主并”的倾向,导致难以理解为何在诸多看似成功的战略并购背后,主并方企业内生创新能力有时反而会出现衰退的现象。主并方企业关键研发者因组织重组、资源争夺、角色模糊或文化冲突等问题而导致创造力下滑甚至人才流失,是导致并购整合失败的关键诱因。
针对上述研究不足,本文试图回答一个核心问题:如何从动态、多维视角系统评价技术并购对主并方企业关键研发者创造力的影响?既有研究或聚焦于并购事件的一次性冲击,或偏重被并购方的人才整合,或局限于网络结构、个体特质等单一层面,难以揭示并购整合过程中多重因素的复杂交互与非线性演化机制。为此,本文构建一个整合“网络变动—个体特征—并购情境”的多层次交互评价框架,旨在突破以往静态、单维的研究范式。进一步地,结合主成分分析法与反向传播神经网络(PCA-BP),对并购冲击下关键研发者创造力动态演化进行测度与预测,以期为理解组织变革中个体创新行为的非线性演化机制提供新的分析工具[13]。
本研究理论贡献主要体现在以下3个方面:第一,从关注被并购方转向同时重视主并方核心人力资本,有助于拓展技术并购中人力资本研究的理论边界;第二,从静态评价转向动态演化分析,构建能够捕捉并购前后创造力变化轨迹的多层级评价模型,为分析组织冲击下个体创造力的演化提供系统性工具;第三,从单一层面分析转向非线性建模,引入PCA-BP组合模型有助于提升评价精度与稳健性,可为企业精准实施人才激励与干预策略提供方法论支撑。
技术并购作为企业获取外部知识资源、提升创新能力的重要路径,其实际成效常未达到预期。相关研究表明,技术并购创新绩效失败率较高,且这一现象在不同国家、不同衡量标准下均普遍存在,如表1所示。
表1 技术并购失败率统计
Table 1 Summary of failure rates of technology M&A
文献来源 样本 国家 企业数量 失败率 (%) 衡量标准 (技术并购后) Jones等[1] 美国 188 70 企业市值下降 Seru等[2] 美国 999 68 创新绩效下降(专利数 量和引用量) 王宛秋等[3] 中国 41 76 资产收 益 率 相 对 值 和 净资产 收 益 率 相 对 值 下降 张弛等[5] 中国 219 69 资产收益率下降 Liu等[6] 中国 2382 66 并购绩效未达预期
并购绩效不仅取决于财务与战略整合,更与关键人力资本,尤其是主并方企业关键研发者的创造力密切相关。尽管现有研究在员工创造力评价方法上已取得显著进展[14],如量表测量、行为分析与神经科学方法融合[15],但将视角聚焦于技术并购后主并方企业关键研发者这一特定对象与情境研究存在一定不足,主要体现在以下3个方面:
(1)动态演化视角缺失,现有研究多从静态视角考察研发者创造力,或将并购视为一次性冲击事件,缺乏对并购前后关键研发者创造力动态轨迹与演化机制的深入分析。技术并购往往会引发组织架构重组、资源重新配置与合作网络重构,这些变化对关键研发者的创新行为具有持续且阶段性的影响。然而,既有文献未系统揭示并购事件如何通过改变研发者的内外部环境,进而影响其创造力的阶段性变化,尤其是未能解释为何同一并购事件对不同研发者具有差异化影响。
(2)研究视角偏重未被并企业,忽视了主并方企业关键研发者。在并购研究领域,学者较多关注被并购方核心人才的保留、整合与流失问题,而普遍认为主并方企业关键研发者在并购过程中处于相对稳定和安全的位置[11]。这种“重被并、轻主并”的视角忽视了主并方企业关键研发者在并购整合过程中可能面临的地位威胁、角色模糊、资源竞争与文化冲突等多重压力[12],同样会影响技术整合效果与并购战略的实现,现有研究对此缺乏系统分析与理论解释。
(3)评价框架单一,缺乏多层次交互分析。现有研究在探讨并购对创造力的影响时,往往从单一层面出发,如网络结构、个体特质或组织特征,缺乏将网络动态、个体属性与并购情境置于统一框架下进行耦合分析的系统视角[16]。技术并购对关键研发者的影响是一个跨层级、多因素交互的非线性过程,仅从某一层面分析难以全面捕捉其影响机制,更难以构建具有预测与解释力的评价模型。
针对上述研究不足,本文在构建评价指标体系时试图实现3个层面的独特转向,以期更精准地捕捉技术并购对主并方企业关键研发者创造力的影响机理:①从静态观转向动态观,聚焦于技术并购事件引发的关键研发者内外部特征变化,尤其是创新合作网络结构在并购前后的动态演变;②从同质化视角转向异质性交互视角,深入考察个体特征如何与并购这一特定情境发生交互作用,解释同一并购事件下差异化的创造力;③从单层级分析转向多层级整合,将组织层面的并购特征视为影响个体创造力的情境变量,构建“网络变动—个体特征—并购情境”多层次评价框架。
本文基于专利数据信息,构建技术并购后主并方企业关键研发者创造力评价模型(见图1),考察关键研发者创造力的变化情况,以期为制定有效的人才激励策略提供依据。
图1 技术并购后关键研发者创造力评价模型
Fig.1 Evaluation framework for creativity of key inventors after technology M&A
(1)选取技术并购视角下影响关键研发者创造力的指标,初步构建创造力评价指标体系,并收集相关指标数据。
(2)代入指标数据,运用主成分分析法对指标进行筛选,筛选标准如下:利用因子载荷|bij|对指标进行筛选,保留在第一主成分上因子载荷|bij|>a且在其余主成分中载荷也较大的指标[17]。其中,a的取值可根据企业需要设定。a值越大,说明所保留指标对评价结果的影响越显著,指标重要性越高。
(3)选取训练样本,将主成分分析法筛选出的评价指标数据以及关键研发者在技术并购后创造力的实际变化情况作为输入量和输出量导入神经元,选取隐含层数量、误差目标值、激活函数以及最大训练次数,基于BP神经网络系统进行反复训练,当误差小于设定值或迭代次数达到设定值时,则终止网络学习过程。
(4)输入测试样本进行实证检验,对模型预测值与实际值进行对比,进一步分析模型误差,当误差值在可接受范围内时,神经网络学习过程终止,否则将返回上一步继续对隐含层的神经元数量进行修改,直至误差达到可接受范围。
已有研究指出,关键研发者是研发团队中高价值创新科技成果的缔造者或核心技术成果项目负责人,他们具有深厚的知识积累,搜索和整合知识的经验较丰富。从网络特征看,他们占据研发者合作网络核心位置[18-19],拥有较多结构洞,属于核心技术研发人才[9,14],其主要特征在于虽然在企业中占比较小,但创造力突出(具备创新思维且能够创造出具有应用价值的产品、方案),创新成果远多于其他一般研发人员[8],对创新活动开展发挥显著推动作用,是企业获取竞争优势的关键战略性资源。需要注意的是,本文旨在刻画技术并购所引发的动态演化过程。因此,在指标设计上,重点关注技术并购所引发的关键研发者内外部特征的变动,包括创新合作网络结构的调整(网络层面),个体属性与并购情境的交互作用(个体层面),以及并购交易特征的交互作用(组织层面)。这3类变动构成影响关键研发者创造力变化的前因机制。
关于技术并购对关键研发者创造力的影响,目前存在两种不同观点:部分学者认为,技术并购有利于新合作关系的建立,主并企业研发者可从流入企业的异质性知识中获取新知识与技术,从而提高创造力;另一部分学者则认为,技术并购的发生伴随着合作团队的变动,不仅会对原有关键研发者的地位造成负向影响,而且容易使其产生心理压力和焦虑,降低其未来发展预期,最终造成其创造力下降[14]。两种观点均将关键研发者创造力变化的根源指向技术并购所造成的组织环境变动。组织环境变动会破坏和重构关键研发者创造力的载体——创新合作网络结构[20],其对不同特征关键研发者所产生的影响不同(王宛秋等,2016)。基于此,本文从创新合作网络变动、关键研发者个体特征和并购主体特征层面出发收集相关指标,构建初步的评价指标体系。
在关键研发者创造性搜索和创新方面,创新合作网络作为关键研发者发挥创造力的主要媒介,影响组织内部知识传播与整合(汤超颖等,2020)。而技术并购会使关键研发者所处创新合作网络结构发生变化,进而改变其网络嵌入特征(如中心性、结构洞等),影响其获取和整合知识的能力[21]。例如,技术并购后关键研发者可能会失去原有核心地位,导致其创造力下降;不同网络结构研发者在技术资源获取与吸收方面存在显著差异,创新合作网络结构变化会对其创造力产生不同影响。
基于此,部分学者从动态视角研究技术并购后关键研发者创新合作网络结构变动对其创造力的影响,发现主并企业关键研发者度中心性越高[22],关键研发者协调与整合并购后新合作关系的能力越强。在研发活动中寻求创新解决方案的能力也越强,越有助于提升其创新能力。主并方企业中关键研发者中介中心性越高,表明其处于整个网络关系通道中的枢纽位置,越易于发现并整合流入网络中的新颖、多元化信息与知识,越能提高其创造力。主并方企业关键研发者接近中心性越高,其与新进入研发者之间总的社交距离越接近,越有利于与新进研发者进行频繁沟通,提高工作效率,进而促进创造力提升。主并方企业关键研发者结构洞越多,技术并购情景中信任缺失越严重,越不利于新合作关系的建立,越会阻碍关键研发者创造力提升。相反,主并方企业关键研发者自我中心网密度越高,说明网络中节点之间的连接越紧密,信息流动和资源交换效率越高,越有助于其创造力提升。因此,本研究并非简单考察网络静态结构,而是聚焦于技术并购事件导致的关键研发者网络位置特征变化,这些变化是其获取和整合知识能力的体现,直接影响其创造力提升。
由于人力资本存在明显的异质性特征,在面对并购所带来的环境变化时,不同特征关键研发者受到的影响不同,对其创造力提升的影响也不同。首先,部分学者从关键研发者个体特征角度研究技术并购对不同关键研发者的影响,发现当面临技术并购冲击时,关键研发者心理适应能力存在显著差异,通常女性较男性抗压能力更弱、更敏感、更脆弱。另外,心理韧性越强,关键研发者创造力越不容易受负面影响。其次,关键研发者吸收和整合新知识的能力不同,其中知识吸收能力强的关键研发者能够更好地理解和整合并购所带来的异质性知识,将其与自身已有知识体系相结合,从而产生更多创造性成果[14]。技术并购是知识重组与整合的过程,主并方企业关键研发者所掌握的知识范围越宽,越会产生更多创新视角,越有可能对流入的新知识进行重组整合,并将其吸收内化为自身优势,进而提升创造力[23]。再次,在并购情形下,主并方企业关键研发者能力提升主要依赖技术并购为企业注入的异质性知识,若主并方企业关键研发者与目标企业技术相似度过高,则主并方企业关键研发者从技术并购中获取新技术的可能性就较小,从而不利于其突破自身技术门槛[24]。此外,过于类同的技术知识使得关键研发者存在被取代的可能,也会对其心理产生影响,从而降低有价值的创新产出。最后,职业发展阶段对关键研发者创造力也存在较大影响[25]。处于上升期的研发者通常具有更强的创造力和适应能力,以及更好地利用有限社会资本提升创造力的能力[26-27]。而处于衰退期的关键研发者由于网络维持和变化存在惯性,更依赖于原有合作关系,而技术并购有可能会对其原有合作关系产生破坏,使得本来就面临创造力衰退的关键研发者雪上加霜,进而对其创造力产生负面影响。
不同并购主体特征会产生不同的组织环境变动,如是否拥有丰富的技术并购经验、并购主体间文化差异大小、技术互补性高低以及并购后是否会增加研发投入,均会影响并购后组织环境与关键研发者的切身利益,进而对关键研发者创造力产生影响[28]。部分学者从并购主体特征角度进行研究发现,被并购企业的技术范围决定主并方企业关键研发者所能获取的技术知识范围,并购双方企业技术互补性越高,主并方企业关键研发者越能够从目标企业中获得有用的异质性知识并产生协同效应,进而提升自身创造力[29];并购双方企业文化差异越大,越有可能导致主并方企业关键研发者与目标企业研发人员沟通存在障碍,进而阻碍主并方企业关键研发者及时、有效地获取核心技术资源,致使其创造力下降[14]。主并方企业所拥有的技术经验不仅能够指导其在并购后如何对技术知识进行有效整合,还有利于企业形成规范的管理模式,为关键研发者创造积极稳定的研发环境,进而提高其创造力。此外,面对研发环境的改变,关键研发者可能更加关注自身利益,而主并方企业研发投入增加意味着企业对其技术创新比较重视,这在一定程度上会激发其积极性,进而提升其创造力。
2.4.1 指标体系构建
本文通过对创新合作网络变动、关键研发者个体特征及并购主体特征3个维度进行梳理,初步构建技术并购后关键研发者创造力评价指标体系,如表2所示。该体系共包含3个一级指标、12个二级指标,旨在刻画并购冲击下关键研发者内外部特征的动态变化。这一指标体系的独特性在于深度嵌入技术并购后主并方企业关键研发者这一特定情境,旨在捕捉并购事件所引发的动态变化与交互效应。
表2 技术并购后关键研发者创造力评价指标体系
Table 2 Evaluation index system for creativity of key inventors in acquiring firms after technology M&A
一级指标 二级指标 合作网络变化特征(X1) 度数中心性(X11) 中介中心性(X12) 接近性中心性(X13) 结构洞(X14) 关键研发者特征(X2) 性别(X21) 知识范围(X22) 技术相似度(X23) 关键研发者职业阶段(X24) 并购主体特征(X3) 文化差异(X31) 技术互补性(X32) 研发投入(X33) 成功并购经验(X34)
(1)合作网络变化特征(X1)。本研究并未简单采用网络结构的静态测度,而是严格计算并购前后各项中心性指标与结构洞指标的差值。其理论依据在于,技术并购是对创新合作网络的强制性重构[18,25]。关键研发者创造力波动直接源于其网络位置相对权力的变化,而非其并购前的绝对位置。例如,度中心性增加意味着协调新合作关系能力的提升,而结构洞非常规增加则反映技术并购导致信任缺失的合作困境。
(2)关键研发者特征(X2)。本研究聚焦个体异质性,探讨其在并购情境下所面临的挑战与机遇。知识范围(X22)用以衡量个体消化与重组被并购方异质性知识的基础能力,个体知识范围越广,其越能应对并购带来的技术冲击[26]。而技术相似度(X23)则揭示一个潜在的替代威胁悖论:过高的技术相似度不仅意味着从并购中获取的新知识有限,更有可能会触发关键研发者对自身地位的焦虑,从而会抑制其创造力提升[20],这就解释了为何技术相似的并购未必能带来个体层面创造力提升。
(3)并购主体特征(X3)。本文打破传统研究将并购绩效与个体反应相脱节的研究范式,将组织层面特征与个体创造力相关联。其中,文化差异(X31)是指关键研发者日常沟通与知识共享所面临的情境壁垒[12];技术互补性(X32)是指技术并购为关键研发者提供外部知识池的广度与质量;研发投入增长(X33)产生于并购后的动荡期,是企业对内部核心人才所释放的资源承诺信号,能有效缓解关键研发者的不安全感,是维持其创造力的关键指标。
2.4.2 指标测量方法
在测度技术并购后关键研发者网络特征时,本研究基于整合后主并方企业与被并购企业的整体专利数据构建合作网络,以反映技术并购对关键研发者网络位置的冲击效应。本文将研究对象严格限定为并购前已确定的主并方企业关键研发者,排除被并购方企业人员,以确保研究的有效性。
(1)合作网络变化特征。 本研究采用并购前后各中心性指标的差值来衡量合作网络的变化情况,若差值为正,则表示该指标在并购后有所提升,为负则表示下降。具体测量方法如下:
第一,度数中心性反映关键研发者在网络中拥有直接关系的多少,其拥有的直接关系越多,越居于网络核心位置,其权力就越大,对资源的掌握能力也就越强。计算公式如下:
(1)
其中,di表示与i节点直接相连的节点数,n表示网络规模。
第二,中介中心性用来衡量合作网络中关键研发者处于网络中其他研发者中间的可能性,反映该节点关键研发者对资源的掌控程度。该指标值越大,其所发挥的中介作用就越强。计算公式如下:
(2)
其中,bjk(i)表示若节点j和k之间存在第三个节点i,则节点j和k经过节点i的概率。
第三,接近中心性变化用来衡量关键研发者在网络中凭借其位置优势而拥有的高效传播与获取信息资源的能力。计算公式如下:
(3)
其中,dij为节点i与j之间的最短距离,n表示网络规模。
第四,主并方企业关键研发者结构洞变化是指其在技术并购前后结构洞指标的差值,若该指标值为正,则表示结构洞增加;为负,则表示结构洞减小。本文运用结构洞限制度指数来衡量网络内部结构洞数量,计算公式如下:
(4)
其中,Piq表示研发者i在与邻近节点q关系上的投入占比,q表示同时与i和j相连的第三方节点;mjq表示j、q关系的边缘强度;Ci表示研发者i的限制度指数,该值越大,表明i所处的结构洞越少,网络约束越强。
(2)关键研发者特征。
第一,本文将主并方企业关键研发者性别设置为二分变量,0表示女性关键研发者,1表示男性关键研发者。
第二,在技术并购后,主并方企业关键研发者对新技术的吸收和整合受其原有知识积累的影响,即主并方关键研发者的知识范围,本文用主并方关键研发者成功授权的专利所属不同IPC分类号子类个数衡量。
第三,本文借鉴Jaffe(1986)提出的技术相似度测量方法,测算主并方企业关键研发者与被并购方企业技术的相似度,计算公式如下:
(5)
其中,fi为关键研发者i的研发产出在不同技术领域中所占比重,fi=[p1,p2,p3,…,pn];fj为被并购企业j在不同技术领域研发投入所占比重,fj=[p1,p2,p3,…,pn]。该值介于0～1之间,数值大小与技术相似度成正比。
第四,主并方企业关键研发者职业发展阶段。根据库克曲线原理,统计关键研发者从专利产出第一年到技术并购发生年每年授权专利的数量,并绘制年申请专利授权曲线,以授权专利数峰值年为分界点,将分界点及左侧区域界定为上升期,将右侧区域界定为衰退期,如图2所示。关键研发者在技术并购时点处于上升期赋值为“1”,衰退期则为“0”。
图2 关键研发者研发生涯阶段划分
Fig.2 Division of R&D career stages for key inventors
(3)并购主体特征。
第一,企业文化差异。为使研究样本更具有代表性,本文从主并方与被并方注册地址、企业类型是否相同、是否同属于上市公司来综合衡量双方的企业文化差异。具体如下:①注册地址差异。不同地区地理环境、人文因素以及经济发展水平不同,地区相距越远,其差异就会越大。本文从城市和省份两个层面衡量,不同省份之间的企业文化差异大于同一省份之间的企业文化差异;同一省份不同城市之间的企业文化差异大于同一城市企业之间的文化差异。因此,当技术并购双方位于相同城市时,将两者间的企业文化差异设置为0;当两者位于相同省份不同城市时,将其设置为1;当两者位于不同省份时,将其设置为2。②不同企业类型(如国有企业、民营企业、外资企业等)在投资主体、法律责任以及发展导向等方面存在显著差异,这些差异往往塑造了不同的组织文化。与相同企业类型相比,不同企业类型之间的企业文化差异更大。因此,当技术并购双方属于同一企业类型时,将企业文化差异设置为0;当两者属于不同企业类型时,将企业文化差异设置为1。③上市公司与非上市公司不仅监管力度不同,在治理结构、内部控制等多方面也存在较大差异。因此,当并购主体同为上市公司或同为非上市公司时,将企业文化差异设置为0,否则设置为1。综上,主并方与被并方企业文化差异为:
企业文化差异=注册地址差异+企业类型差异+企业属性差异
(6)
第二,企业技术互补性。借鉴Makri等(2010)的方法,用企业技术互补度衡量技术互补性,公式如下:
技术互补度= (双方相同IPC小类下发明专利数/双方发明专利总数)-(双方相同IPC小类下发明专利数/双方发明专利总数)×(并购方相同IPC小类下专利数/并购方专利总数)
(7)
第三,技术并购后主并方企业研发投入增长。即技术并购后主并方企业研发投入较上一年的投入比例(即研发投入/营业收入)。该比值大于1,说明主并方企业研发投入在技术并购后有所增加,且比值越大,研发投入增长越多;该比值小于1,则说明主并方企业研发投入下降。
第四,主并方企业以往成功的技术并购经验。有过多次技术并购经验的企业,通常第一次技术并购(FIRST)和最近一次技术并购(LAST)经验对组织学习的影响更大。因此,本文分别考察这两次并购事件在各自并购后两年内的创新绩效变化情况,用以衡量主并方企业技术并购经验。具体而言,若某次技术并购后两年内主并方企业创新绩效较技术并购前有所增加,则将该次并购经验赋值为1,否则为0。主并方企业总的技术并购经验取两次赋值之和(取值范围为0～2),分值越高,表示其积累的成功的技术并购经验越丰富。
为构建一个能够有效捕捉并购情境下多层级、非线性影响的创造力评价模型,本研究采用“主成分分析(PCA)+反向传播神经网络(BP)”组合方法。首先,该方法通过PCA对高维、可能冗余的初始指标进行降维与去噪,提炼出核心影响因素;然后,将其输入BP神经网络,利用BP神经网络强大的非线性拟合能力,构建从影响因素到创造力变化的精准预测模型。该方法流程清晰、环节紧密衔接,在保证效率的同时兼具精度优势。
本文核心被解释变量为关键研发者在技术并购后的创造力净变化情况,为确保准确性,采用专利数量与质量相结合的综合测度法,并严格遵循前后对比原则。计算方法如下:专利(发明专利和实用新型专利为主)创新性能客观反映研发者创造力[18,21],本文综合专利数量与质量(专利独立声明个数)对关键研发者创造力变化进行测度。计算公式如下:
主并企业关键研发者创造力变化=
(8)
若该比值大于1,则表明创造力在技术并购后有所提升,数值越大提升越显著;若该比值小于1,则表明创造力下降。该测度方法同时兼顾创新产出的“量”与“质”,能够更全面地反映关键研发者创造力的实际变化情况,本文将其作为后续神经网络模型训练与验证的目标(输出值Y)。
BP神经网络是一种多层前馈网络,具有较强的自学习和自适应能力,可通过训练不断修改权值和阈值,逐渐缩小与实际情况之间的误差,最终输出与预想结果一致的模型,在评价领域得到广泛应用。为避免在技术并购环境中,主并方企业关键研发者创造力影响指标间可能存在相关性,以及变量信息重叠、基数过大造成计算量大、分析复杂等问题,本文利用主成分分析法(PCA)的降维思想筛减关联指标数量,剔除无用指标对BP神经网络训练学习的干扰,如图3所示。
图3 PCA-BP神经网络结构
Fig.3 Structure of the PCA-BP neural network
其中,u表示初始评价指标,X表示通过主成分分析法(PCA)信息浓缩后的重要评价指标,Y表示隐含层神经元的输出,Z表示网络输出值。Wij、Wj分别表示第三层到第四层以及第四层之间的连接权重。t、n、m表示对应层神经元的个数。
PCA-BP神经网络建模过程如下:第1层为初始指标层,收集技术并购后影响关键研发者创造力变化的因素作为初始指标;第2层为指标提取层,利用主成分分析法(PCA)的降维思想提取重要指标;第3层为传递层,将第2层筛选出的重要指标传递到BP神经网络;第4层为隐含层,用于处理评价指标到结果间的非线性映射,该层提取的神经元个数是BP神经网络建模成功的关键,其取值范围见公式(9);第5层为评价结果输出层,根据测试集数据输出模型预测结果。
m=(n+1)0.5+β
(9)
其中,n表示输入层神经元即筛选后的评价指标个数,β为1～10的常数。
作为科技竞争主战场的高新技术行业在推动科技发展过程中发挥着不可替代的作用。该行业具有知识密集性高、技术更新换代速度快等特点,通常对智力资源要求较高,人的创造力是其参与竞争的根本动力。基于此,本文依据《高技术产业统计分类目录》对高技术行业的划分标准,经过严格筛选,将我国1997—2024年发生技术并购的31家高技术产业主并方企业作为研究对象。这是因为,这一阶段是我国技术并购活动的高峰期,并购事件密集,便于捕捉足够的研究样本,具有典型性和代表性特征,符合研究设计要求。
本文将1997—2017年作为并购事件捕捉期,用于识别和筛选在此期间发生的技术并购事件,获取基础专利数据来计算关键研发者网络特征变化和创造力的初始输入。根据孙笑明等(2020)的研究,专利引用峰值通常出现在授权后3～5年,专利滞后期是衡量专利影响力和关键研发者创造力质量的关键维度。因此,为确保对专利质量(尤其是专利被引次数)评估的准确性,设置至少5年的观察窗口,即将2018—2024年作为专利引用观察期。进而,在专利数据库中对所选企业名称进行检索,下载其1997—2024年的专利数据(发明专利和实用新型专利数据共24 752条),并进行数据筛选,剔除著录项存在较多缺失、错误的数据,并基于Patlab平台对研发者姓名消除歧义。最终获得有效专利数据21 616项,以及12 413名研发人员相关数据。
在此基础上,对主并方企业关键研发者进行选取。Grigoriou等[11]将是否在合作网络中占据核心位置为衡量指标来识别关键研发者;孙笑明等[21]利用专利数量与企业内部专利排名识别关键研发者。为消除企业规模以及网络内生性对关键研发者识别造成的不良影响,本文综合专利数量和质量对关键研发者进行识别。首先,将各目标企业中专利数量排名前2.5%的研发者作为候选关键研发者;其次,通过专利质量对候选关键研发者进行识别,采用专利权利要求声明个数加权专利被引次数进行测度,并利用多种资料(如研发者简历、企业相关报道以及不同层面科技评奖结果信息)进行交叉验证。通过筛选,最终确定219名主并方企业关键研发者为研究对象。
相关矩阵R解释的总方差结果如表3所示,前4个成分的累积贡献率达到71.436%(>70%),说明其涵盖关键研发者创造力的较多信息,故提取前4个主成分,如表4所示。本文将a设为0.7,筛选标准为保留第一主成分|bij|>0.7且在其余主成分中载荷最大的指标。经过PCA筛选,从12个评价指标中筛选出7个指标,最后构建的评价指标体系见表5。
表3 方差百分比
Table 3 Percentages of variance
编号 初始特征值 合计 方差(%)累积(%) 提取平方和载入 合计 方差(%)累积(%) 1 3.129 26.071 26.071 3.129 26.071 26.071 2 2.344 19.532 45.603 2.344 19.532 45.603 3 1.662 13.848 59.451 1.662 13.848 59.451 4 1.438 11.985 71.436 1.438 11.985 71.436 5 0.842 7.014 78.450 6 0.702 5.848 84.299 7 0.515 4.293 88.591 8 0.451 3.760 92.352 9 0.340 2.832 95.184 10 0.300 2.496 97.680 11 0.223 1.860 99.540 12 0.055 0.460 100.000
表4 线性组合系数矩阵
Table 4 Component score coefficient matrix
编号 成分 1 2 3 4 结果 Zscore(X11) 0.326 -0.346 0.485 0.281 Zscore(X12) -0.147 -0.544 0.657 0.070 Zscore(X13) 0.130 -0.337 0.676 0.170 保留 Zscore(X14) 0.197 0.704 0.077 -0.031 保留 Zscore(X21) 0.066 0.622 0.253 0.542 Zscore(X22) 0.251 0.527 0.037 0.653 保留 Zscore(X23) -0.730 0.402 0.154 0.140 保留 Zscore(X24) 0.515 0.423 0.424 -0.452 Zscore(X31) 0.839 -0.212 -0.232 0.226 保留 Zscore(X32) -0.702 0.144 0.185 0.009 保留 Zscore(X33) 0.940 0.117 0.021 -0.143 保留 Zscore(X34) -0.020 -0.484 -0.418 0.555
表5 高新技术产业并购后主并方关键研发者创造力评价指标体系
Table 5 Evaluation indicator system for key inventor creativity in acquiring firms after technology M&A in the high-tech industry
一级指标 二级指标 合作网络变化特征 X1 接近性中心性 X13 结构洞 X14 关键研发者特征 X2 知识范围 X22 技术相似度 X23 并购主体特征 X3 文化差异 X31 技术互补性 X32 研发投入 X33
经过第2层指标筛选,将主成分分析提取的7个主成分F1～F7作为神经网络的输入指标,并将219名关键研发者数据中的170个样本数作为模型的训练样本数据,将训练样本F1～F7指标数据以及关键研发者在技术并购后创造力变化的实际情况作为输出指标。采用MATLAB软件进行神经网络分析,具体参数设置见表6和图4。由于筛选后的指标数量较小、样本规模适中,而trainlm算法对该规模神经网络的收敛速度最快,因此本文用trainlm优化算法作为训练函数。Learngdm函数作为权值调节函数,可提升学习速率,减少神经网络收敛时间,并将purelin函数设定为网络隐含层和输出层激励函数,网络层数为经主成分分析法筛选后的指标数量(即7层)。随后,将训练样本数据输入MATLAB软件进行归一化处理并进行模型训练,如图5所示。经过8步训练,误差平方和MSE达到目标误差要求,说明可利用该网络进行仿真模拟。
图4 神经网络结构
Fig.4 Structure of the neural network
图5 BP神经网络训练结果
Fig.5 Training results of the BP neural network
表6 MATLAB参数设置
Table 6 MATLAB parameter settings
设置值 目标 训练函数 trainlm 函 数 (Levenberg-Marquardt backpropagation) 权值调节函数 Leangdm 函 数 (通 过 动 量 梯 度 下 降 学 习算法计算和调节权值) 网络性能函数 MSE 函数(计算神经网络目标输出值 与实际输出值之间的误差) 网络层数 7层 网络迭代次数Epochs 1000次 隐含神经元节点数 7(最佳预测效果节点数为7) 期望误差 goals=0.0001 各层传递函数 {*purelin',purelin'}wu 学习速率lr 0.01
学习训练成功后的神经网络所具备的各层节点数以及网络权值与偏值构成技术并购后主并方关键研发者创造力评价初始模型,将剩余49组主并方关键研发者数据作为测试样本,进一步考察评价模型输出值与实际值之间的误差,得到训练结果的相对误差,如图6所示。
图6 测试集预测结果与真实值对比
Fig.6 Test set: predictions vs. ground truth
由图6可以看出,PCA-BP神经网络模型仿真结果(预测值曲线)与实际情况曲线轨迹高度吻合,输出值与期望值之间均方误差MSE为0.000 581 49,准确率为97%。可见,PCA-BP神经网络评价模型准确率高、误差小,该方法可在技术并购领域推广与应用,为主并方企业开展核心技术人才创造力评价提供有效支撑。将筛选后的指标数据输入到MATLAB-BP神经网络程序进行计算,便可获得主并方企业关键研发者的创造力评价结果。根据评价结果,主并方可优化关键研发者管理,由此推进主并方与被并方企业知识整合,提高技术并购成功率及效果。
为验证“动态多层次指标体系+PCA-BP神经网络”评价方法的有效性,本文设计递进式对比实验,从指标体系与算法模型两个维度,与领域内典型方法进行对比。
4.4.1 指标体系对比:动态多层次与静态单维指标
为验证本文所构建的动态多层次指标体系的优越性,本文在固定预测算法(BP神经网络)的前提下,设计3组对比指标:第一组为本文所构建的动态多层次指标体系(M1),涵盖并购引发的网络变动(Δ中心性、Δ结构洞)、个体异质性特征(知识范围、技术相似度等)及并购情境特征(文化差异、技术互补性等);第二组为静态网络指标(M2),仅包含并购前的网络结构特征(度中心性、结构洞等);第三组为传统专利指标(M3),仅使用并购前的专利数量与质量作为输入指标,未纳入网络、个体及情境维度。3组指标在同一测试集(49名关键研发者)上的预测性能对比如表7所示。结果表明,动态多层次指标体系(M1) 预测精度更高,说明其更能全面捕捉技术并购对主并方关键研发者创造力的复杂影响。
表7 不同指标体系预测性能对比(固定BP神经网络算法)
Table 7 Comparison of predictive performance using different evaluation metric sets (with BP neural network algorithm fixed)
指标体系 均方 误差 分类准确 率(%) 主要局限 M1(本文指标体系)0.00058 97.0 — M2(静态网络指标) 0.0153 70.1 未捕捉并购引发的动态变 化 M3(传统专利指标) 0.0482 62.5 仅关注 产 出 结 果,忽 视 了 网络、个体及情境因素
4.4.2 算法对比:PCA-BP神经网络与其他先进算法
进一步,验证“PCA-BP”算法组合的有效性,对比方法如下:①A(PCA-BP神经网络):先经PCA降维,再输入BP神经网络。②B(标准BP神经网络):直接将12项指标输入BP网络,未作PCA降维。③C(随机森林):在同一指标体系下,使用随机森林回归进行预测。结果如表8所示,PCA-BP神经网络在预测精度、训练效率与泛化稳定性上表现最佳。PCA降维能有效消除指标冗余,提升BP网络的收敛速度与泛化能力,而BP神经网络在处理多层级、非线性交互效应方面优于随机森林。
表8 不同算法预测性能对比(固定本文指标体系)
Table 8 Comparison of predictive performance across different algorithms (with the proposed indicator system fixed)
模型 均方 误差 分类准确 率(%) 训练效率/ 稳定性评价 A(PCA-BP 神经网络) 0.00058 97.0 训练快,收敛稳定,泛化能力强 B(标准 BP) 0.0021 91.8 训练慢,易受冗余指标影响 C(随机森林)0.0019 89.8 精度较高,但存在过度拟合倾向
综合以上递进实验可知:①指标体系方面,动态多层次指标显著优于静态或单维指标,验证了本文从“动态、异质、多层”视角构建指标体系的必要性;②算法方面,PCA-BP组合在保持高精度的同时,具备更好的收敛性与稳定性,适合处理小样本、高维度、非线性评价数据;③整体方法层面,“动态多层次指标体系+PCA-BP神经网络”在预测技术并购后主并方关键研发者创造力变化方面不仅在精度上显著优于现有主流模型,在解释逻辑、情境贴合度与实用性上也更具优势。因此,本文所构建的评价方法为企业监测与管理技术并购后主并方核心研发人力资本提供了可靠、高效的技术工具。
本研究聚焦技术并购后主并方企业人力资本评价问题,通过构建“网络变动—个体特征—并购情境”动态多层次指标体系,采用PCA-BP神经网络构建技术并购后主并方企业关键研发者创造力评价模型。以1997—2024年31家高技术产业主并方企业中的219名关键研发者为研究对象,对其进行递进式对比分析,验证了该模型的有效性与优越性,为技术并购后人力资本评价提供了一个动态、纵向视角。本模型克服静态评价的局限,清晰地揭示组织变革对核心研发者创造力的影响路径,有助于主并方企业预判关键研发者的创造力变化情况,从而及时调整管理策略,以提升技术并购带来的创新效益。研究发现,评价模型输出结果与技术并购后主并方关键研发者创造力实际变化情况高度吻合。具体而言,利用主成分分析法(PCA)提取重要指标,将其作为BP模型的输入指标,以消除无用指标的干扰,提高模型训练速度;同时,具有高度非线性处理能力的BP神经网络能有效解决各因素之间的关联性,弥补传统评价方法无法处理非线性关系的不足;此外,筛选后的指标能更有效地反映技术并购情境下主并方关键研发者创造力变化情况,有助于主并方企业更好地利用并购情景激发关键研发者的创造力。
本模型主要贡献在于:首先,对于技术并购后主并方关键研发者创造力下降的问题,企业可借助该模型进行指标监测,根据评价数值变化情况及时发现问题并作出策略调整或制定相应激励措施。在巩固主并方关键研发者创新优势的同时,削弱不利因素的影响,最大限度地提升其创造力,帮助企业实现技术突破、提升竞争优势。其次,本文设计的评价模型顺应数字时代背景,便于企业合理配置资源,打造最优研发团队。最后,本文将主成分分析法与BP神经网络模型相结合,消除无用指标对BP神经网络训练学习的干扰,进一步提高了模型学习效率,使其能更好地适应复杂系统。
本文存在如下不足:首先,采用专利排名前2.5%的方式确定关键研发者,由于专利基数相差较大,研发规模带来的影响难以完全消除。未来可综合考虑企业规模等因素,合理选取确定关键研发者的研究方法,进一步提高研究样本的可靠性。其次,从关键研发者个体属性、合作网络变动以及并购主体特征等方面设计评价指标,未纳入影响关键研发者创造力的其他因素,如并购后的激励政策、关键研发者的心理预期与情绪变动等,未来可选择多维指标体系,以更好地体现技术并购对主并方关键研发者创造力的影响。再次,研究结论主要适用于以技术吸收和能力增强为目的的“吸收型”技术并购,对于其他类型技术并购,如旨在开拓全新市场的探索型并购或实现能力融合的融合型并购,其关键研发者创造力演化路径可能有所不同。最后,样本未严格区分跨国与国内技术并购,跨国技术并购中更显著的文化差异、制度差异可能会加剧主并方企业关键研发者的角色模糊与信任缺失,导致其创造力波动幅度更大。这些因素可能会对关键研发者心理与行为产生更深层次的影响,未来可进一步对比分析不同战略动机(如吸收型与融合型)及不同地理范围(如跨国与国内)技术并购对主并方企业核心人力资本的影响,从而构建更具情境化与普适性的理论框架。
[1] JONES G K, LANCTOTJR A, TEEGEN H J. Determinants and performance impacts of external technology acquisition [J]. Journal of Business Venturing, 2001, 16(3): 255-283.
[2] SERU A, FISCHER E, HEINKEL R, et al. Dynamic capital structure choice: theory and tests [J]. Journal of Finance, 2014, 69(4): 19-40.
[3] 王宛秋,姚雨非,郭婧,等.战略变革与跨界技术并购绩效[J].软科学,2022,36(1): 52-57.
[4] 苏屹,郭稳.技术互补性对跨国并购企业创新绩效的影响研究——知识基础的调节作用[J].科研管理,2025,46(1):145-154.
[5] 张弛,余鹏翼.并购类型会影响中国企业技术并购绩效吗——对横向、纵向和混合并购的比较研究[J].科技进步与对策,2017,34(7): 76-81.
[6] LIU, YUJIE, WANG YIWEI. Does the failure of corporate mergers and acquisitions affect innovation efficiency[J].International Review of Financial Analysis, 2025,97: 103821.
[7] 王永伟,刘雨展,王嘉豪,等.创造力评价一致性对越轨创新的影响机制研究[J].科研管理, 2025, 46 (2): 170-180.
[8] 朱华桂,庄晨.基于协同效应的企业技术并购绩效研究——以上市公司为例[J].软科学,2016,30(7): 58-61,69.
[9] 蔡亚华,李劲松,王翠花.成员异质性、团队知识分享与团队创造力——知识整合的调节作用[J].南开管理评论, 2020, 23(4): 76-85.
[10] NARIN F, BREITZMAN A. Inventive productivity [J]. Research Policy, 2004, 24(4): 507-519.
[11] GRIGORIOU K,ROTHAERMEL F T.Organizing for knowledge generation:internal knowledge networks and the contingent effect of external knowledge sourcing [J]. Strategic Management Journal, 2015, 38(2): 395-414.
[12] GREEBNER M E, EISENHARDT K M, ROUNDY P T. Success and failure in technology acquisitions: lessons for buyers and sellers[J]. Academy of Management Perspectives, 2010, 24(3): 73-91.
[13] PARUCHURI S, EISENMAN M. Micro foundations of firm R&D capabilities: a study of inventor networks in a merger [J]. The Journal of Management Studies, 2012, 49(8):1509-1535.
[14] 孙笑明,陈毅刚,王雅兰,等.关键研发者创造力变化研究综述与未来展望——组织内与组织间嵌入视角[J].科技进步与对策,2020,37(9): 153-160.
[15] 赵富强,李玥萩,陈耘,等.整合共享型人力资源实践对员工创造力的影响研究[J].创新科技,2025,25(11):80-92.
[16] 赵宁,石磊,翟凤勇,等.基于专利信息评价和挖掘智能机器人领域技术创新人才——主成分分析法(PCA)的视角[J].科技管理研究,2019,39(17): 160-165.
[17] 龙静,程德俊,王陵峰.企业并购情境下的威胁感知与员工创造力:工作负担和挑战性的调节效应[J].经济科学, 2011,33(4): 119-128.
[18] 孙笑明,郑晓宇,王巍,等.技术并购中主并企业关键研发者合作网络变化对其创造力的影响[J].管理工程学报, 2021, 35 (6): 35-47.
[19] 孙笑明,向锐,王雅兰,等.发明者流动与创新绩效的研究综述[J].软科学,2024,38(4):138-144.
[20] KEHOE RR, TZABBAR D. Lighting the way or stealing the shine? an examination of the duality in star scientists' effects on firm innovative performance [J]. Strategic Management Journal, 2015, 36(5): 709-727.
[21] 孙笑明,王静雪,崔文田,等.网络结构与关键研发者创造力:基于两阶段研发生涯的探讨[J].管理工程学报,2020,34(5):53-61.
[22] GOETZEC, CHRISTIANE. An empirical enquiry into co-patent networks and their stars: the case of cardiac pace maker technology [J]. Technovation, 2010, 30(7): 436-446.
[23] 肖久灵,赵亚宁.合作网络结构嵌入对探索式创新绩效的影响研究:基于知识组合能力视角[J].创新科技,2024,24(1):22-36.
[24] 杜晴,范从来.产业并购与企业创新产出提升:内在机制与经验证据[J].科技进步与对策,2025,42(13):60-70.
[25] FLEMING L,MINGO S,CHEN D.Collaborative brokerage, generative creativity, and creative success [J]. Administrative Science Quarterly, 2007, 52(3): 443-475.
[26] MAKRI M,HITT M A,LANE P J.Complementary technologies, knowledge relatedness, and invention outcomes in high technology mergers and acquisitions [J]. Strategic Management Journal, 2010, 31(6): 602-628.
[27] KEHOO R R, TZABBAR D. Lighting the way or stealing the shine? an examination of the duality in star scientists′ effects on firm innovative performance [J]. Strategic Management Journal, 2015, 36(5): 709-727.
[28] 冯涛,孔智,王成军,等.知识宽度与深度对被并购企业关键研发者创造力变化的影响[J].科技进步与对策,2023,40(13):103-112.
[29] 李佳航,鲍新中.组态视角下技术关联并购和技术多元并购驱动路径研究——基于TOE框架的fsQCA分析[J].科技进步与对策,2026,43(2):14-23.