The pilot and demonstration plants are usually embedded in multi-actor networks with interwoven relationships based on the theory of network management. Therefore, the management of the actor network is an essential element in opening the "black box" that hinders the effective operation of the pilot and demonstration plants. Actor network management refers to the control or guidance of network processes, the promotion of interaction among actors, the creation and adjustment of network arrangements to coordinate cooperation, exchange and communication, and the achievement of good goals in complex interaction and decision-making processes. Hence,key knowledge and resources could be introduced to the pilot and demonstration plants, and the network structure could be optimized to stimulate more capable actors to respond to the pilot and demonstration plants emergencies, encourage adequate communication among actors to strengthen the sense of cooperation and knowledge sharing, improve the effectiveness of the pilot and demonstration plants,and realize the transformation of scientific and technological achievements.
Therefore, this paper sorts out and excavates the connotation and characteristics of the three types of knowledge problems in the operation of the pilot and demonstration plants, studies and clarifies the differential impacts of different knowledge problems on the operation of the pilot and demonstration plants, and uses actor activation/disactivation strategies and network goal realization strategies to mitigate the knowledge problems in the pilot and demonstration plants. The questionnaire is designed based on the mature scales at home and abroad, and a pre-survey is conducted to ensure the reliability and validity of the scale. Then a total of 264 enterprise survey data is collected by questionnaires distributed online and offline. SPSS21.0 and Amos 21.0 are used to carry out data analysis, and nine hypotheses are tested by the empirical analyses.
The results show that (1) uncertainty and fuzziness have negative effects on the effectiveness of the pilot and demonstration plants, and the negative effect of fuzziness is stronger, and complexity has no significant effect on the effectiveness of the pilot and demonstration plants; (2) both the actor activation/disactivation strategies and the network goal realization strategy can effectively mitigate the negative impact of uncertainty and fuzziness on the pilot and demonstration plants. The study not only makes up for the deficiency of the study on the operation management of pilot and demonstration plants, but also provides practical insights for better coping and solving knowledge problems , which is helpful to further clarify the effective operation of the pilot and demonstration plants.
开放科学(资源服务)标识码(OSID)：
我国实验室基础研究成果数量已进入全球前列,但科技成果转化率较低。大多数技术原型在实验室阶段取得显著成效,但也有部分技术由于工艺参数改变而导致技术性能下降、技术稳定性不足而未顺利进入市场,在技术成熟之前便陷入“死亡之谷”[1]。中试作为实验室研发成果走向产业化的关键“衔接者”,是科技成果转化的重要驱动力量。在实验室开发的新技术或新产品只有经过放大、工艺验证、结构检验、小量试制试销等中试环节才能成功进入市场[2-3]。因此,中试是影响科技成果转化的重要因素,科技成果转化率经过中试环节可达到80%[4]。
然而,中试有效运行面临着高度不确定性、复杂性和模糊性3类知识问题[5]。现有文献对中试运行管理的研究虽然取得丰硕成果,但多集中在学习、能力、资源、政策支持等方面,主要阐述中试对科技成果转化的积极作用[2-4],对中试运行存在的挑战和阻碍因素缺乏深入探析,尤其忽视了知识问题对中试有效运行带来的严峻挑战。不确定性、复杂性和模糊性3类知识问题嵌入中试全过程,是阻碍中试有效运行的关键因素。首先,中试运行作为一种系统性、多过程迭代试错活动,技术、市场、资金、组织和管理具有不可预测性,导致企业现有知识与目标知识难以匹配,很难识别不充分、不完整的知识,更无法解决中试环节设备更新、工艺技术优化等难题[6],体现为不确定性知识问题;其次,中试运行多与高校、科研机构以及上下游企业有关[7],涉及实验验证、工艺开发、底层技术放大等关键技术,导致企业很难在短时间内掌握和应用多种类型知识;同时,中试运行过程中技术放大、工艺与结构验证、产品可靠性测试等复杂任务交织,导致很难厘清和确定任务优先次序、中试运行效率降低[8],体现为复杂性的知识问题;最后,中试是跨用户、技术合作伙伴、设备供应商网络进行知识交流的活动[9],不同行动者知识类型和结构差异较大,大量信息冲突容易使行动者忽略中试的主要目标,难以平衡和协调利益,执行中试项目易出现偏差,导致中试项目很难确定最优解决方案,甚至还有可能延迟或失败[5,10],体现为模糊性的知识问题。因此,知识问题对中试有效运行具有负向影响,如何管理知识问题以提高中试有效性亟待深入研究。
基于网络管理理论,中试通常嵌入在多重关系交织的行动者网络中,是不同行动者互动、知识协调和复杂的决策过程,需要行动者之间协作管理知识问题[5,9]。若缺乏足够的网络管理策略,则很难解决知识问题对中试运行造成的负向影响,因此有必要将行动者网络管理作为打开中试有效运行的“黑箱”[11-12]。行动者网络管理是指控制或引导网络进程,促使行动者互动与交流,调整网络位置以协调合作,在复杂的互动和决策过程中实现良好的目标[13-14]。因此,应该部署有效和积极的行动者网络管理策略,为中试运行集聚关键知识资源提供保障,优化网络结构,鼓励能力更强的行动者应对中试突发情况,促使行动者提高合作和知识共享意识,帮助企业顺利完成中试项目[5,12,14]。因此,为破解阻碍中试运行的不确定性、模糊性、复杂性知识问题,迫切需要引入有效的行动者网络管理策略,通过汇聚知识与资源、消除知识障碍、提高知识处理能力,提升中试有效性,进而实现科技成果转化。
本文梳理中试运行情境下的知识问题特征,厘清不同类型知识对中试有效运行的差异化影响,引入行动者网络管理作为调节变量,可丰富中试运行管理研究,并为缓解中试运行知识问题提供理论依据和实践指导。
中试是以实验室初步研发的研究成果为基础,以大规模量产为最终目标的一种风险性实验活动[3,15]。通过将实验室研发的产品在试点工厂进行放大试制,可解决工业规模生产难题,优化工艺流程,测试产品可靠性与用户可行性,继而将新技术和新产品顺利推向市场[16-17]。中试以较低的风险对组织进行有效管理,有助于消除技术或生产方面的不确定性,在检验技术和工艺成熟度的同时,还会检验市场对新产品的接受度,缩短从实验室到工业化生产的距离,加速科技成果转化[4,7]。
中试作为基础知识与技术突破的“桥梁”,对于促进新技术工业应用和商业应用发挥关键作用[7]。一方面,工厂通过对不同规模生产技术、产品工艺、机械装备、生产流程进行测试,可以优化技术雏形和产品原型,保证技术可行性(刘波等,2017);另一方面,工厂通过对产品原型进行放大性试验,模拟接近全规模的生产状态,可以测试用户可行性与工艺制造可行性,试销最终产品并测试市场反应、用户反馈和产品质量,推动科技成果进入市场[2]。
知识问题是指战略行动者所遇到的认知障碍,表现为行动者所面对的一个或多个方面异常问题[16]。本文借鉴Stevens[17]的观点,认为知识问题涉及不确定性、复杂性和模糊性3种类型。采用这一分类,主要是基于以下考虑:首先,基于中试理论以及国内中试运行研究的实际情况,多方面信息处理需求导致不确定性、复杂性和模糊性3类知识问题在中试环节占据主导地位[10,16,18],组织需要妥善解决以确保中试环节良好运行;其次,Stevens[17]对知识问题研究作出了突出贡献,这3个维度得到学者广泛验证[9-10,16,18]。知识问题嵌入中试运行过程,对中试的有效运行和管理提出严峻挑战。
(1)不确定性。不确定性是指企业实际可用知识和信息与完成目标或任务所需知识、信息之间的差距[8]。中试本质上是基于试错实验对工艺或技术阻碍因素不断迭代与验证,在技术、制度、组织、市场等方面存在一定风险[7]。在中试情境下,技术验证、工艺优化、产品测试不确定性通常与缺乏关键核心知识和信息有关,往往会导致很难识别关键问题并提出有效解决方案[18]。
(2)复杂性。复杂性是指参与中试运行的元素和部件数量相互作用的难度[19]。在中试运行情境下,一方面,放大产品原型生产环境、生产系统及其与之交互的设备系统,在实际操作中某部分变化会影响整个系统和流程变化,导致企业很难解决多组件相互作用的复杂难题[9];另一方面,涉及技术、市场、组织、制度等多种类型知识和信息,知识元素交互使企业很难在短时间内掌握并应用新技术[5]。
(3)模糊性。模糊性是指对目标、情况或任务有多种明确但相互矛盾的解释[20-21]。中试运行由企业多方行动者参与,行动者知识背景和结构差异较大,且不同行动者的利益诉求和目标不同,导致不同行动者对获取的数据、知识和信息缺乏共同理解,很容易产生混淆、分歧和冲突[10]。
基于知识观和信息处理理论,知识是最持久和最具战略性的资源,当组织知识需求和内部知识处理能力不平衡时,组织对知识的处理将会面临挑战[6,23,25]。高效的中试运行需要知识获取和信息处理双重配合[20]。由于中试技术具有密集性、灵活性和迭代性特征,众多知识和信息传播容易出现不确定性、复杂性、模糊性等知识问题,从而阻碍中试的有效运行[5,17]。
(1)不确定性对中试有效性的影响。不确定性导致企业很难识别和解决问题,从而降低中试运行效率。第一,企业实际掌握的知识与完成中试目标所需的技术、生产、市场知识存在偏差或无法完全匹配,会增加中试运行管理成本、学习成本和时间成本,加大产品试制、设备开发、工艺优化风险[6]。第二,企业使用的技术、制造、工艺知识不完整或不充分,无法准确提供产品原型在试生产过程中所需的工艺优化、技术验证等知识和信息,企业很难及时解决新技术改进、新产品制造等难题,不利于中试任务按时完成,甚至有可能导致项目失败或企业破产[5]。第三,企业生产环境兼容性、工艺流程需要动态更新与优化,但所需信息和知识库没有定期更新,导致开发新产品和新技术的效率下降[19]。据此,本文提出如下假设:
H1:不确定性对中试有效性具有负向影响。
(2)复杂性对中试有效性的影响。在中试情境下,复杂性反映大量相互交织的活动元素或组件情况,某一组件或元素变化会影响其它项目顺利进行[17]。首先,中试包含技术、市场、资金多领域知识,多类型知识元素涌现并相互交织使企业需要花费大量时间消化关键知识,不利于中试运行效率提升[5];其次,中试运行包含技术开发、工艺验证、设备优化活动,多类型设备之间的相互作用会加剧工作复杂性、加大信息收集难度,一台设备变化有可能会影响后续步骤[9],新设备引入也有可能造成操作人员职责和工作流程调整,导致很难明确中试活动优先级并提出可行性解决方案[23];最后,中试环节含有大量隐性知识,尤其是特定工艺技术[9],知识固有粘性导致企业各部门沟通难度加大,阻碍知识分享、传递和吸收,不利于新技术测试与改进、新产品可靠性验证[19]。据此,本文提出如下假设:
H2:复杂性对中试有效性具有负向影响。
(3)模糊性对中试有效性的影响。在中试情境下,模糊性表现为行动者由于知识结构和利益诉求不同,经常对完成某一任务存在不同看法,导致产生分歧和冲突,阻碍中试有效运行[20]。一方面,企业不同成员在中试运行早期阶段关于用户需求、项目范围、技术解决方案的意见不一致,研发人员注重产品设计新颖性,工艺人员关注设备可操作性和可制造性,管理人员会从企业战略和风险角度考虑中试运行可行性,他们对中试项目优先排序的理解以及对知识和资源的依赖存在分歧与矛盾,会加剧中试目标冲突与纠纷[10,20];另一方面,企业会与跨边界技术合作伙伴、设备供应商及用户等外部行动者合作协同推进中试运行,但由于背景、经验、资源和利益目标存在较大差异[9],缺乏信任和共同理解会使行动者角色或任务偏离主要目标,导致技术开发和工艺设计与产品原型存在较大分歧,造成时间延误和资源浪费,从而对整个中试运行产生阻碍[18]。据此,本文提出如下假设:
H3:模糊性对中试有效性具有负向影响。
中试嵌入多维行动者网络,不同行动者知识交流、共享与应用存在冲突或分歧,需要采取策略管理行动者网络[24]。行动者网络管理有利于行动者充分引入资源,促进知识交流和共享,对于缓解中试运行知识问题具有重要作用[5,13]。行动者网络管理是指网络管理者采取新方式、新策略促使不同行动者交流与互动,对行动者利益和偏好进行引导、管理与控制,创造或调整网络安排以有效实现网络目标的过程[13-14]。Klijn[12]提出行动者激活/解除策略和网络目标实现策略。其中,行动者激活/解除策略是指通过引入新行动者为企业带来更多关键知识和资源以使企业识别并破解中试难题,调动资源、鼓励行动者合作以解决技术放大、工艺优化等复杂难题,灵活调整网络结构,减少行动者冲突和分歧[5,25]。网络目标实现策略是指通过构建一致性目标促进知识分享,扩大企业现有知识库,解决企业现有知识与完成中试目标所需知识之间的差距;设立明确目标缩小选择范围并提出多样化解决方案,使技术和工艺验证、市场扩散等中试活动按照优先次序有效运行;建立规章制度鼓励不同行动者分享看法和观点,减少行动者因缺乏共同理解而产生的矛盾[5]。因此,引入行动者网络管理策略,缓解不确定性、复杂性和模糊性知识问题,对于促进中试有效运行具有重要意义。
(1)行动者网络管理不确定性对中试有效性的调节作用。企业有选择性地激活新行动者,为中试带来所需技术、市场、生产知识,不断更新现有知识库并提高信息可靠性,努力缩小与目标所需知识的差距并进行合理匹配[7],及时识别并解决中试运行在技术选择、工艺优化、市场扩散等方面遇到的难题,填补当前知识或技术差距[6]。另外,解除那些没有作出贡献或参与效率低的行动者,降低知识固有黏性和知识分享惰性,为新知识引入与碰撞开拓空间[12],确保行动者网络得以良好运行并获得中试所需核心技术、市场、生产知识等重要资源,消除知识或信息不充分、不完整弊端,进而提高中试项目成功的可能性[26]。
网络目标实现策略有助于加强行动者之间的交流与融合,厘清行动者完成目标所需的关键知识,降低知识不确定性。一方面,及时收集行动者相关信息并了解行动者的任务和利益诉求,有助于减少不同行动者之间的矛盾并找到利益共同点,使中试关键目标达成一致,明确完成中试所需的知识和资源,解决因知识和资源匮乏而导致的决策延误[27];另一方面,通过技术交流会、研讨会等形式促使行动者分享新思路和新观点[12],为中试贡献更多关键性资源,精准识别并解决知识与信息不对称、不充分带来的技术瓶颈、生产设备不可靠、制造流程不完善等问题,以缓解因知识和信息缺乏而产生的负面效应[28]。据此,本文提出如下假设:
H4:行动者激活/解除策略能够缓解不确定性对中试有效性的负向影响。
H5:网络目标实现策略能够缓解不确定性对中试有效性的负向影响。
(2)行动者网络管理复杂性对中试有效性的调节作用。能力强的新行动者进入中试环节可将复杂问题分解成更小的单元,通过整合新知识促进中试有效运行[19]。引入并激活新行动者可为企业带来更多技术、市场、生产知识,新行动者与现有行动者交流可提高对现有知识的理解,直击复杂性问题痛点[18],通过将复杂问题快速拆分为简单问题,不同行动者根据已有经验处理自己擅长的问题,能够有效克服复杂性弊端[5]。此外,解除效率不高或没有成效的行动者,为企业带来能力更强的行动者,通过对复杂知识重新编码可发现新知识,并将分散知识由无序状态整合为有序化的知识存量,进而提升新产品性能、完善新技术设计(吴松强等,2017)。
网络目标实现策略通过设定明确目标或实施效果更强的中试运行计划,将不太明确的技术或方法排除在外,限制企业选择范围[5],使目标更加明确、细致,保证中试运行不被繁杂无用的知识和信息干扰,以快速确定中试运行活动的优先次序,加速中试进程[26]。此外,定期组织研讨会分享不同行动者的看法和观点,促进行动者之间的思维碰撞和知识交互,可从多角度预见中试环节技术改进、流程优化、工艺路线等多样化解决方案[5],将复杂问题简化,继而分模块、分层次逐一破解,确保获取中试所需关键知识,减少中试运行时间和成本[19]。据此,本文提出如下假设:
H6:行动者激活/解除策略能够缓解复杂性对中试有效性的负向影响。
H7:网络目标实现策略能够缓解复杂性对中试有效性的负向影响。
(3)行动者网络管理模糊性对中试有效性的调节作用。引入新行动者组建新联盟,不同行动者建立联系能够吸引更多人力、技术、资金资源,提高企业共同解决问题的能力[11]。新行动者与现有行动者通过积极互动、讨论和协商不同问题,将中试核心知识与一般市场知识相结合,使所有行动者熟悉产品参数与规格、技术特征、市场推广流程,能够达成共同理解,找准并及时解决关键问题[5,12]。解除参与效率不高或没有成效的行动者,减少无效知识和信息干扰,将对项目有巨大贡献和参与率高的行动者集中在一起,激发能力更强的行动者钻研关键性知识和多领域知识,有助于调整不同意见并达成一致决策[12]。
网络目标实现策略通过处理行动者目标冲突实现行动者之间的相互关联[5],通过减少模糊性形成行动者对问题的共同认知,通过重新安排进程明确行动者共同的信息需求,将共同目标联合起来减少行为冲突以促进高效合作[10]。另外,引导行动者网络目标交织,使行动者充分阐明和澄清各自观点[28],减少参与和合作障碍并达成共同理解,缓解因利益冲突、理解有限而导致的模糊性,及时发现并解决中试运行过程中遇到的难题[29]。据此,本文提出如下假设:
H8:行动者激活/解除策略能够缓解模糊性对中试有效性的负向影响。
H9:网络目标实现策略能够缓解模糊性对中试有效性的负向影响。
综上所述,本文构建概念模型,如图1所示。
图1 研究模型
Fig.1 Research model
为保证量表信效度,在走访大量企业的基础上,根据国内外成熟量表设计、修订本文题项内容,经过与课题组反复研讨、对比,进一步修改题项内容,确保语言准确、简洁、易懂。本文除控制变量外,均采用李克特5级量表测量。
(1)中试有效性。基于Hellsmark等[3]对中试概念的界定,借鉴林筠等(2018)编制的量表,设计“提高新产品开发与量产效率““新产品与生产环境兼容性很好”“降低生产、制造与管理成本”等5个测量题项。
(2)知识问题。基于Frishmmar等[5]对知识问题的界定以及Park[30]、Rizova等[10]的量表,设计“所用知识不足以表达目的”“可用信息不完整”“提供的知识不能确定是否有用”等4个题项;复杂性参考吴松强等(2017)的研究量表,设计“所需关键知识涉及领域多且范围广”“关键知识需花费大量时间和精力去理解与使用”“需要积累工作经验和技巧以获取关键知识”等4个题项;模糊性参考Eriksson等[20]、Carson等[31]的量表,设计“对可用信息具有不同解释”“因不同解释而对知识产生混淆”等4个题项。
(3)行动者网络管理。行动者激活/解除策略参考Klijn[12]的量表,设计“吸引行动者人力、资金等资源”“解除参与效率不高或没有成效的行动者”“引导更多新行动者加入”等4个题项;网络目标实现策略参考Klijn[12]的量表,设计“制定规章制度减少行动者冲突”“提出多样化和包容性技术解决方案”“分享并阐述不同成员看法”等4个题项。
(4)控制变量。借鉴以往科技成果转化、中试有效性研究[1,16,32],将企业性质、企业规模、工作部门、企业生命周期、企业所处地区设置为控制变量。
鉴于中试活动多存在于制造业企业[3],因此本文将调研对象定位于制造业企业。样本选取条件包括:①样本企业具有正在进行或已完成的中试项目并拥有一定的中试经验;②样本企业覆盖多个行业类型,涉及机械电子工业类、资源加工工业类和轻纺工业类行业,每个企业发放不超过10份问卷;③被试人员为参与或熟悉企业中试活动的科研、技术、生产及管理人员。对初始问卷进行小规模访谈和预调研,收集被试人员反馈情况,反复推敲、完善、细化问卷结构和内容。
(1)预试问卷分析。预试调研依托课题组与陕煤集团、西北有色金属研究院等典型制造业的长期联系进行小规模调研,采用线上线下两种形式发放调研问卷,共收集到222份问卷,剔除62份无效问卷后,剩余预测问卷160份。运用SPSS23.0统计软件对问卷进行分析,信度检验中因题项删除后α系数小于总α系数,故删除复杂性第4题和行动者激活/解除策略第3题。探索性因子分析结果显示,模糊性第4题、网络目标实现策略第2题正交旋转载荷量均大于0.45,出现跨维度现象,故予以剔除。其余题项均符合信效度检验标准,最终形成包含25个题项的正式调研问卷。
(2)正式问卷调研。正式问卷发放时间集中在2021年3月6日—7月22日,采取线上线下两种形式发放问卷。样本类型包含机械电子制造业、资源加工业和轻纺业三类制造业,样本数据覆盖东部、中部和西部地区。调研对象主要为在企业从事并熟悉中试研究活动的研发、技术、生产和管理人员,数据来源真实可靠。首先,实地发放问卷主要集中在工业园区和高校招聘双选会,问卷采用现场发放、现场填写、现场回收的方式,以保证数据回收质量。笔者所在团队曾4次前往工业园区,包括瞪羚谷产业园、环普科技产业园、中兴产业园、西咸新区产业园,考察企业是否具有中试环节,寻找合适的企业发放问卷,如西安力邦制药有限公司、中国重型机械研究院股份公司、中国航天动力研究所、中国一汽集团等,主要发放对象为企业技术研发和生产部门。在各大理工类学校招聘双选会上,选择具有中试环节的企业发放问卷,符合调研要求。线下共发放问卷262份,回收问卷229份,剔除无效问卷后得到有效问卷173份;其次,对在校和已毕业EMBA、MBA、同学、朋友所在技术研究院、科研部门以及涉及科技成果转化项目的学员发放电子问卷,尤其是涉及中试工作的学员,利用问卷星以“滚雪球”的方式多轮收集问卷,线上共发放问卷177份,回收134份,剔除无效问卷后回收有效问卷91份。
最终,共计发放问卷439份,回收问卷363份,剔除填写不完整、答案一致、问卷数据集中分布的无效问卷,回收有效问卷264份,有效问卷回收率为72.73%。样本描述性统计结果如表1所示。
表1 样本描述性统计结果(n=264)
Table 1 Sample descriptive statistical results(n=264)
统计内容样本数占比(%)统计内容样本数占比(%)企业性质国有或国有控股企业12848.48工作部门生产部门7327.65民营企业11041.67技术部门7126.89外企及中外合资企业166.06科研部门8632.58其它103.78其它3412.88企业规模300人以下6524.62企业所处地区中部6323.86300～1 000人6323.86东部7829.551 000人以上13651.52西部12346.59企业生命周期初创期249.09成长期12848.48成熟期9636.36衰退期166.06
采用SPSS23.0和Amos 19.0对所有变量进行信效度分析,结果如表2所示。从中可见,所有变量的Cronbach′s α系数和CR值均大于0.7,说明量表具有较高信度。效度检验包括聚合效度和区别效度,结果显示所有题项标准化因子载荷值介于0.703～0.921之间,所有变量的AVE取值均大于0.5,表明该量表具有较高的聚合效度。
表2 信效度分析结果
Table 2 Reliability and validity analysis results
变量项数α系数CR因子载荷量AVE拟合指标不确定性30.7190.8430.755～0.8780.642χ2/df=1.780,RMR=0.037,GFI=0.966, AGFI=0.907,TLI=0.961,CFI=0.983复杂性30.7300.8500.793～0.8260.655模糊性40.8120.8770.703～0.9210.644中试有效性50.7830.9120.723～0.8940.678χ2/df=1.861,RMR=0.014,GFI=0.986, AGFI=0.946,TLI=0.965,CFI=0.986行动者激活/解除策略30.7050.8960.807～0.8710.685χ2/df=1.386,RMR=0.011,GFI=0.995, AGFI=0.959,TLI=0.986,CFI=0.997网络目标实现策略30.7910.7960.603～0.8530.571
各变量平均值、标准差和相关系数结果如表3所示,各变量的AVE开根号值均大于该列相关系数,说明本文量表具有较高的区分效度。表3数据显示,中试有效性与不确定性、复杂性、模糊性的相关系数分别为-0.395、-0.228、-0.454,表明不确定性、复杂性、模糊性对中试有效性具有负向影响,假设H1～H3得到初步验证。
表3 各变量均值、标准差与相关系数结果
Table 3 Mean,standard deviation and correlation analysis results of each variable
变量均值标准差12345678910111.不确定性2.7890.6830.8012.复杂性3.0740.7320.418**0.8093.模糊性2.6340.7720.615**0.553**0.8024.中试有效性3.5210.660-0.395**-0.228**-0.454**0.8235.行动者激活/解除策略3.6020.630-0.075-0.083-0.265**0.603**0.8286.网络目标实现策略3.7180.6130.097-0.231**0.0150.261**0.238**0.7567.企业性质1.515 0.501 0.203**0.293**0.374**-0.225**-0.237**-0.113N/A8.企业规模1.515 0.501 -0.369**-0.340**-0.519**0.311**0.173*0.245**-0.467**N/A9.工作部门2.802 1.037 0.0440.188**0.1360.0150.0230.0280.025-0.186**N/A10.企业所处地区2.035 0.916 0.301**0.375**0.280**-0.241**-0.174*-0.231**0.221**-0.386**0.102N/A11.企业生命周期2.7030.829-0.246**-0.239**-0.338**0.164*0.0960.151*-0.349**0.250**-0.115-0.235**N/A
注:**表示在0.01水平(双侧)上显著相关,对角线值为各变量AVE值的平方根
对变量进行描述性统计分析发现,不确定性和模糊性均值小于3,复杂性均值大于3。参考李克特5点量表,企业不确定性和模糊性未达到平均水平,复杂性高于平均水平,说明企业更重视复杂性对中试运行的影响。但不确定性和模糊性系数值大于2.5,超过中间水平,说明这两类知识问题在中试运行中普遍存在,企业并未忽视这两类知识问题对中试运行的影响。中试有效性均值大于3,高于平均水平,表明企业普遍意识到中试的关键作用。
采用潜在误差变量控制法检验同源偏差问题,将所有变量载荷到一个未度量的潜在因子上,发现拟合度变化差异较小(△χ2/df=0.018,△GFI=0.006,△NFI=0.011,△IFI=0.007,△TLI=0.001,△CFI=0.001,△RMSEA=0.001),说明本数据不存在严重的同源偏差问题。
为检验本文所提假设,采用多元线性回归法检验知识问题、中试有效性和行动者网络管理之间的关系,回归结果如表4所示。为避免多重共线性问题,在回归分析时加入共线性检验,结果显示各模型VIF最大值小于临界值5,说明变量间相互关系不会对回归结果产生重要影响。
表4 回归分析结果
Table 4 Regression analysis results
变量 中试有效性模型1模型2模型3模型4控制变量 企业性质-0.071-0.0480.0240.006 企业规模0.226**0.0580.0580.005 工作部门0.0790.0730.0070.037 企业所处地区-0.131-0.106-0.005-0.008 企业生命周期0.061-0.0180.0260.015解释变量 不确定性-0.169*-0.229***-0.270*** 复杂性0.0820.1270.091 模糊性-0.333**-0.227**-0.121调节变量 行动者激活/解除策略0.461***0.353*** 网络目标实现策略0.272***0.290***交互项 不确定性×行动者激活/解除策略0.302*** 不确定性×网络目标实现策略0.155* 复杂性×行动者激活/解除策略-0.053 复杂性×网络目标实现策略0.101 模糊性×行动者激活/解除策略0.334*** 模糊性×网络目标实现策略0.197*R20.1260.2510.5620.644调整后R20.1080.2240.5410.615F值7.093***9.303***27.359***22.414***
注:*、 **、***分别表示p<0.01、p<0.05和p<0.001,数值为标准化回归系数
模型2回归结果显示,不确定性与模糊性对中试有效性具有显著负向影响(β=-0.169,p<0.05;β=-0.333,p<0.01),假设H1、H3得到验证。与此同时,利用Z检验证实模糊性比不确定性对中试有效性的负向作用更大。复杂性对中试有效性的影响不显著(β=0.082,p>0.05),假设H2未得到验证。模型4结果显示,行动者激活/解除策略和网络目标实现策略对不确定性与中试有效性关系的调节作用显著(β=0.302,p<0.001;β=0.155,p<0.05),假设H4、H5得到验证;模型4结果表明,行动者激活/解除策略和网络目标实现策略对复杂性与中试有效性关系未发挥调节作用,假设H6、H7未得到验证。模型4结果显示,行动者激活/解除策略和网络目标实现策略在模糊性与中试有效性之间的调节作用显著(β=0.334,p<0.001;β=0.197,p<0.05),假设H8、H9得到验证。
本研究探究不确定性、复杂性、模糊性3类知识问题对中试有效性的影响以及行动者激活/解除策略、网络目标实现策略的调节作用,通过对存在中试环节的企业进行实证检验,得出以下结论:
(1)知识问题对中试有效性具有负向影响,且不同知识问题对中试有效性的影响存在差异。首先,不确定性对中试有效性具有负向影响。企业没有足够的可用知识满足中试需求,不能及时识别和解决中试运行难题,会造成中试环节资源浪费、时间延迟。模糊性对中试有效性具有负向影响。行动者之间的知识基础、解决方案、利益诉求不同容易造成中试各方不信任和缺乏共同理解,导致企业识别新机会和新领域的方向不明朗,缺乏共享目标,从而阻碍中试的有效运行。其次,相比于不确定性,模糊性对中试的负向影响更显著。通过信息收集和分析虽然可显著减少中试运行中的不确定性,但也会加剧行动者对信息理解的分歧、矛盾与混淆。而中试运行又迫切需要完整的知识、信息和资源,因此需要不同行动者达成共识,因此模糊性对中试的负向作用更显著。最后,复杂性对中试有效性的影响不显著。原因可能在于:复杂性问题大多是定义明确和可预测的问题[5,9,17-18],在中试运行过程中涉及大量知识元素、组件的交互作用,这是技术和知识密集性的体现。中试项目生产线和工艺流程细化、部门结构改善主要是为应对复杂性,使企业可以尽早预见并同时考虑不同元素之间的关系,并合理安排专门行动者处理这些复杂情况。不同行动者利用已有知识存量对可分解的复杂问题进行拆分,联合解决不可分解的复杂问题,因此中试情境下复杂性知识问题对中试有效性的影响作用不显著。
(2)行动者网络管理策略正向调节不确定性、模糊性对中试有效性的负向影响。首先,行动者激活/解除策略鼓励新行动者加入,可为企业吸引和聚集更多知识、信息和资源,有效缓解因缺乏知识、信息和资源而产生的不确定性,更好地识别和解决复杂问题;另外,还能促使不同行动者形成相互信任的紧密关系,增强分享知识的意愿,缓解行动者目标、背景、知识结构差异带来的冲突与分歧;其次,网络目标实现策略通过激励行动者合作、促使行动者贡献更多信息缓解不确定性,通过鼓励行动者进行头脑风暴和思维碰撞促使利益与目标达成一致,进而缓解中试情境下因缺乏共同理解而产生的模糊性问题。
(1)明晰中试运行过程中面临的知识问题与破解机制,丰富了中试运行管理研究。现有文献多探讨影响中试有效性的学习、能力、资源等关键因素[3,26],鲜有文献对识别和缓解中试运行情境下的知识问题进行深入探究。本文以中试运行面临的不确定性、复杂性、模糊性3类知识问题为切入点,研究3类知识问题对中试有效性的影响。在Frishammar等[7]、Hellsmark等[3]对中试流派、类型、作用、功能进行研究的基础上,从知识理论视角出发为挖掘中试影响因素与运行管理提供了新窗口,为完善中试运行实现机制提供了理论证据。
(2)厘清不确定性、复杂性、模糊性3类知识问题对中试有效性的差异化影响,识别阻碍中试有效运行的关键因素,深入了解中试情境下知识问题的作用方式。现有文献较少研究中试面临的阻碍和挑战,本文分析中试情境下不同知识问题的表现方式,发现不确定性和模糊性对中试有效性具有负向影响且模糊性的影响作用更显著,复杂性对中试有效性影响的不显著,呼应了Frishammar等[5]对中试运行情境下知识问题差异化的讨论,为制定知识问题缓解策略提供了理论基础。
(3)从行动者网络管理角度提出中试运行关键策略,丰富了行动者网络管理作为调节变量的实证研究。一方面,现有文献仅关注知识问题的内涵和作用形式,对于如何缓解知识问题的研究较少,本文采用行动者激活/解除策略和网络目标实现策略缓解中试运行知识问题,拓展了Simms等[19]对知识管理问题的研究,为有效管理中试运行提供了新思路;另一方面,以往研究多关注行动者网络管理前因及后果[3,25],本文将行动者网络管理作为调节变量,丰富了Klijn[12]关于行动者网络管理的研究。
根据上述研究结论,本文提出如下实践启示:
(1)企业应明确中试运行情境下的知识问题差异,系统了解中试有效运行面临的挑战。当前,多数企业将中试运行不确定性等同于复杂性、模糊性,导致企业不能精准识别中试运行中的知识问题,盲目选择解决方案,效果适得其反。因此,企业应定期复盘并分析中试运行情境下各类知识问题的具体表现特征,明确不确定性、复杂性和模糊性对中试运行的作用方式及影响差异,在此基础上制定并选择与之相匹配的解决策略。
(2)重视行动者网络管理,破解中试运行情境下的知识问题。中试运行不仅包含企业内部成员,还包括跨企业边界与供应商、用户和技术合作伙伴等外部行动者。受到不同类型资源的影响,企业应从行动者网络管理角度出发考虑破解中试运行知识问题的策略。当面对不确定性时,企业应积极引入新行动者,通过建立联盟、研讨、技术对接交流会、学术会议等方式获取中试运行所需的关键知识、信息和资源,降低知识信息偏差。当面对模糊性问题时,企业应通过合约、会谈等方式掌握行动者信息,找到利益共同点以保证目标一致性,促进合作伙伴不断沟通,使行动者之间获得信任、合作与支持。
本文存在如下不足:首先,本研究仅关注知识问题对中试运行的差异化影响,未来应研究不同类型知识问题来源,探究如何从源头上破解这些知识问题;同时,本文仅考虑企业规模、性质、生命周期等常规控制变量,未来应加入其它控制变量,以使研究结论更严谨;其次,未来应关注影响中试有效性的其它前因因素,如知识整合能力、知识溢出效应以及不同类型学习的影响作用,引导企业正确利用知识创造尖端创新成果;最后,未来应采用多轮数据收集等方式完善横截面数据,深入分析知识问题动态和分布,研究企业如何缓解知识问题从而驱动中试有效运行。
[1] 张茹鑫, 林筠, 李随成,等. 工业规模试制有效性: 行动者网络管理与组织学习的作用[J]. 运筹与管理, 2023, 32(2): 233-239.
[2] BACKSTROM K. What are the innovation effects of pilot and demonstration plants? the case of advanced biofuels in the transport sector[C]. European Biomass Conference and Exhibition, 2015: 1433-1447.
[3] HELLSMARK H,FRISHAMMAR J,SODERHOLM P, et al. The role of pilot and demonstration plants in technology development and innovation policy[J]. Research Policy, 2016, 45(9): 1743-1761.
[4] 邱超凡. 基于中试资源共享的科技成果转化战略[J]. 中国发展观察, 2015,11(9): 54-55.
[5] FRISHAMMAR J, SODERHOLM P, HELLSMARK H, et al. A knowledge-based perspective on system weaknesses in technological innovation systems[J]. Science and Public Policy, 2019, 46(1): 55-70.
[6] SJODIN D R, FRISHAMMAR J, ERIKSSON P E. Managing uncertainty and equivocality in joint process development projects[J]. Journal of Engineering and Technology Management, 2016, 39(5): 13-25.
[7] FRISHAMMAR J, SODERHOLM P, BACKSTROM K, et al. The role of pilot and demonstration plants in technological development: synthesis and directions for future research[J]. Technology Analysis &Strategic Management, 2015, 27(1): 1-18.
[8] NORDQVIST S, FRISHAMMAR J. Knowledge types to progress the development of sustainable technologies: a case study of Swedish demonstration plants[J]. International Entrepreneurship and Management Journal,2019, 15(1): 75-95.
[9] SJODIN D R. Knowledge processing and ecosystem co-creation for process innovation: managing joint knowledge processing in process innovation projects[J]. International Entrepreneurship and Management Journal, 2019, 15(1): 135-162.
[10] RIZOVA P S, GUPTA S, MALTZ E N, et al. Overcoming equivocality on projects in the fuzzy front end:bringing social networks back in[J]. Technovation, 2018, 78(10): 40-55.
[11] CHEN P C, HUNG S W. An actor-network perspective on evaluating the R&D linking efficiency of innovation ecosystems[J]. Technological Forecasting and Social Change, 2016, 112(11): 303-312.
[12] KLIJN E H. Managing commercialised media attention in complex governance networks: positive and negative effects on network performance[J]. Policy &Politics, 2016, 44(1): 115-133.
[13] MOSSBERG J, FRISHAMMAR J, SODERHOLM P, et al. Managerial and organizational challenges encountered in the development of sustainable technology: analysis of Swedish biorefinery pilot and demonstration plants[J]. Journal of Cleaner Production, 2020, 276(35): 124150.
[14] KLIJN E H, STEIJN B, EDELENBOS J. The impact of network management on outcomes in governance networks[J]. Public Administration, 2010, 88(4): 1063-1082.
[15] 吴鹏飞, 林筠. 实验室验证对技术转移影响研究: 双元学习视角[J]. 科研管理, 2022, 43(3): 164-172.
[16] TOWNSEND M, HUNT A, MCMULLEN S, et al. Uncertainty, knowledge problems, and entrepreneurial action[J]. Academy of Management Annals, 2018, 12(2): 659-687.
[17] STEVENS E. Fuzzy front-end learning strategies: exploration of a high-tech company[J]. Technovation, 2014, 34(8): 431-440.
[18] GAMA F, SJODIN D, PARIDA V, et al. Exploratory and exploitative capability paths for innovation: a contingency framework for harnessing fuzziness in the front end[J]. Technovation, 2022, 113(5): 102416.
[19] SIMMS C, FRISHAMMAR J, FORD N. The front end in radical process innovation projects: sources of knowledge problems and coping mechanisms[J]. Technovation, 2021, 105(7): 102214.
[20] ERIKSSON E, PATEL C, SJODIN D, et al. Managing interorganizational innovation projects:mitigating the negative effects of equivocality through knowledge search strategies[J]. Long Range Planning, 2016, 49(6): 691-705.
[21] FLORES-GARCIAE, BRUCH J, WIKTORSSON M, et al. What guides information consensus? approaching the reduction of equivocality in process innovations[J]. International Journal of Manufacturing Research, 2020, 15(1): 73-89.
[22] ZACK M H. If managing knowledge is the solution, then what's the problem[M].Knowledge Management and Business Model Innovation, IGI Global, 2001.
[23] SNIHUR Y,TARZIJAN J.Managing complexity in a multi-business-model organization[J].Long Range Planning, 2018, 51(1): 50-63.
[24] LEENDERS R, DOLFSMA W. Social networks for innovation and new product development[J]. Journal of Product Innovation Management, 2016, 33(2): 123-131.
[25] NEWELLl D, SANDSTROM A, SODERHOLM P. Network management and renewable energy development: an analytical framework with empirical illustrations[J]. Energy Research &Social Science, 2017, 23(1): 199-210.
[26] SODERHOLM P, HELLSMARK H, FRISHAMMAR J, et al. Technological development for sustainability: the role of network management in the innovation policy mix[J]. Technological Forecasting and Social Change, 2019, 138(1): 309-323.
[27] SPIETH P, JOACHIM V. Reducing front end uncertainties: how organisational characteristics influence the intensity of front end analysis[J]. Technological Forecasting and Social Change, 2017, 123(10): 108-119.
[28] PELLIZZONI E, TRABUCCHI D, FRATTINI F, et al. Leveraging stakeholders′ knowledge in new service development: a dynamic approach[J]. Journal of Knowledge Management, 2020, 24(2): 415-438.
[29] PENA HAUFLER B, GLOBOCNIK D, LANDAETA SALDIAS P, et al. Rapid validity testing at the front end of innovation[J]. Journal of Product Innovation Management, 2021, 38(4): 447-472.
[30] PARK Y. Uncertainty, equivocality and integrative practices in a product development context[D].Toledo:University of Toledo, 2011.
[31] CARSON J, WU T, MOORE L. Managing the trade off between ambiguity and volatility in new product development[J]. Journal of Product Innovation Management, 2012, 29(6): 1061-1081.
[32] 林筠, 刘冰蕊, 蔡颖, 等. 不同类型知识整合对中试有效性的影响[J]. 科技进步与对策,2023,40(24):123-132.