王月琴，许 治

(1华中科技大学管理学院，湖北武汉430074 2华南理工大学工商管理学院，广东广州510641)

一、引言

技术学习是组织利用内部和外部有利条件，获取新技术的行为。在复杂多变的环境下，技术学习是企业持续获得核心技术和资源，保持企业持续不断发展的关键。技术学习可以增强企业核心技术中知识的深度，是企业实现竞争优势的重要战略［1－3］。理论界对企业通过技术学习来提升技术能力的研究十分活跃。这些研究大致可以分为三类:一类是关于技术学习来源［4－6］;另一类是关于技术学习过程或模式［7－11］。此外，还有一些学者从不同的研究视角对技术学习进行了不同层面的研究，如刘洪伟等(2007)从成本角度、王彦等(2007)从行业角度、Kim和 Beldona(2007)以及Sammarra和Biggiero(2008)从产业集群的角度、Figueiredo(2003)从学习过程特征的角度、Parra－Requena等(2010)从文化的角度对技术学习进行了探讨［12－17］。上述研究得出诸多有价值的结论，但是大部分文献侧重某一、两个行为主体或者偏重追赶活动的某一阶段。我们认为，最有效的企业技术学习往往发生在产业创新网络中，这是因为产业创新网络对产业内企业的技术学习具有推动作用:一方面，产业创新网络使知识的沟通更为便捷、使学习更为容易;另一方面，产业创新网络可使企业所产生的标榜效应达到最大。因此将企业技术学习置于产业创新网络中，并考察企业的技术学习策略，能够更为深刻的揭示企业技术学习的行为特点和效果，对指导我国企业技术学习的实践以及政府提升产业技术能力的相关政策具有一定的参考作用。

近年来，复杂性理论的最新研究成果不断涌现，特别是复杂网络理论与方法的发展，使得运用复杂理论来研究创新网络成为可能。本文试图运用复杂网络来仿真分析产业创新网络中企业不同技术学习策略的学习绩效以及网络结构对企业技术学习的影响。文章其余部分安排如下:第二部分是对产业创新网络结构的动态演化过程和机制的简要分析;第三部分是产业技术学习网络模型的构建;第四部分是仿真结果与分析;最后一部分是结论和政策建议。

二、产业创新网络结构的动态演化

如果将产业内众多行为主体(企业、大学、研究机构等)视为节点，各行为主体间在创新方面错综复杂的互动视为连线，那么产业创新系统就可以被视为一个复杂网络。从复杂网络视角审视产业创新系统，一般而言，产业创新系统的网络结构发展经历了从随机网络向无尺度网络演化的过程。在产业发展初期，产业内的企业规模相对均匀，且以中小企业为主，各企业拥有的资源与社会连接大致相当。这种网络模型在复杂网络相关研究中被称为随机网络①随机网络(亦称指数网络)的典型特征是在网络中节点的连接数目比平均数高许多或低许多的节点都极少，随着连接数的增大，其概率呈指数式迅速递减。。随着整个产业的发展，产业内产生了一些大型企业集团，这些大企业集团掌控着大量的资源与社会连接，决定着产业的发展方向。而众多中小企业规模小、连接少、网络地位低。这种网络模型在复杂网络相关研究中被称为无尺度网络②无尺度网络(或称无标度网络)是带有一类特性的复杂网络，其典型特征是在网络中的大部分节点只和很少节点连接，而有极少的节点与非常多的节点连接。。产业创新网络结构从随机网络演化成为无标度网络的两个主要原因是网络的成长机制和优先连接机制。

(一)成长机制

网络的成长机制是指在原网络的基础上增点、增边或重连，形成新的网络。产业创新网络的成长是通过增点、增边、重连种活动进行的。增点反映创新网络中出现新的节点，产业的利润不断吸引新企业的成立，新企业进入集群的生产网络后有可能进入创新网络，新节点对技术的传播与利用非常重要，是创新网络的重要组成部分，增边指网络中已有节点间形成新的连接;重连即某一节点断开已有连接而与其他节点形成新的连接，如果某一连接的收益较低则可能产生重连，节点断开收益较低的已有连接而重新形成收益较高的新连接。增点和增边使得创新网络在初始网络的基础上不断增长，反映了创新网络规模、连接以及资源的增加，重连则是对创新网络的优化。减边、减点则使得网络不断的萎缩。

(二)优先连接机制

在网络中，并非所有的节点都是平等的。在选择与哪个节点进行连结时，新增节点可以从原网络中大量的节点中进行选择，而这种选择是有偏好的，这也就是网络优先连接机制。产业创新网络演化的一个重要特征是优先连接机制。在产业内，技术水平高的知名企业、大学或研究机构更容易吸引到合作者，而这又进一步加强了它在未来合作中的吸引力。新的进入者在加入原有网络时会倾向于与有更多连接的行为主体相连。这是因为产业创新网络中的新增节点在与其他节点建立连接时，在与自身拥有共同知识基础而又存在知识互补性的前提下，优先选择影响力大的节点(即连接较多的节点)，与之连接产生的收益更大。这也就是收益递增效应(正反馈)，也就是拥有越多连接数的节点就会被更多的节点连接，因此慢慢的这样的几个超级节点(Super Node)形成了。其他的次规模超级节点也会在小规模内形成。因此最后形成的网络符合幂律。

成长性和优先连结这两种机制，使得产业创新网络中出现超级节点(网络的中心成员):当新节点出现时，它们更倾向于连接到已经有较多连接的节点，随着时间的推进，这些节点就拥有比其他节点更多的连结数目。这种“富者愈富”的过程，有利于早期节点，它们更有可能成为超级节点。因此，具有优先连结的特性并且持续成长的网络，一般而言会从随机网络发展成无尺度网络。

三、产业技术学习网络模型

本文的研究从两个方面展开，一是通过对比研究随机网络和无尺度网络中企业技术学习绩效来分析网络结构对于产业创新网络中企业技术学习绩效的影响，二是通过设定不同的技术学习策略来研究特定类型产业创新网络(无尺度网络)中不同学习策略对技术学习绩效的影响。

(一)模型基本假设

在能反映实际情况和满足研究的前提下，为便于问题的研究，需要对相关问题进行假设［18］。

1.系统内各成员之间的技术扩散过程是发生在其接触性的关系网络上，此关系网络具有无尺度效应，并利用特定的复杂网络算法生成网络。

2.研究对象在一个封闭的系统内，这个系统的关系网络结构恒定，不随时间变化，即节点数和节点之间连接关系在知识扩散中不会改变。也就是说不考虑技术学习过程中成员的变动情况。

3.考虑某种特定技术的学习过程，每个成员拥有这种技术的水平不同，以0～1之间的数值大小描述其拥有的技术水平高低，数值越大表明拥有的技术水平越高，技术传授者与学习者是相对的，即每个成员跟临近成员交互时传授/学习角色是可变，交互时技术水平高者即为技术传授者，技术水平低者则为技术学习者。

4.系统内成员在与相邻成员的交互中按照一定的策略进行学习，成员学习技术受到临近成员连接强度和个体学习能力(当前技术水平)影响，并认为成员对技术的学习不会一次性完成。

5.系统中各个成员之间的联系程度有所不同，即产业创新网络中边的权重不同，以0～1之间的数值刻画边权重，数值越大表明连接强度越强，且假定该网络连接强度在整个仿真期间是不变的。

(二)技术学习策略模型

产业创新系统中有N个成员，包括企业、科研机构等，以每一个成员为节点，成员之间的连接关系为边，G(I，E，W)表示该组织的网络结构，I为产业创新系统内成员节点的集合，I={1，2，…，N}。E为边集，反映各成员之间的连接情况，E={E(i)，i∈I}。W为节点连接的边权重集，反映各成员之间的连接强度，W={wij，0≤Wij≤1，i，j∈I}。wij为 0 表示节点i和j之间无关系，数值越大表示成员之间的关系越紧密。第n次学习时，组织的技术向量为T(n)，T(n)=(T1(n)，T2(n)，…;TN(n))，Ti(n)为节点i第n次学习时的技术水平，0≤Ti(n)≤1，n为整数。假设每个成员的技术学习能力与该成员的技术能力成正比，与该成员和学习对象之间的技术水平差距成反比，即1ci=αTi，α为大于零的常数。网络成员处于产业创新网络环境下，受到临近成员的影响而学习，成员i的邻居节点为Γi={j，j∈I}，在第n次学习中，技术水平高于节点i的成员集合为Hi，Hi={j|Kj(n)＞Ki(n)，j∈Γi}，节点 i会在集合中选择邻居节点作为学习对象。节点i在一次学习中的技术水平增长公式为:

其中，ΔTi(n)为第n次学习节点i的技术水平增量，其确定根据不同的学习策略来计算。

从认识论的角度看，技术学习策略主要包括倾向于高技术水平的实用主义、倾向于相互一致者的融合主义和保守主义3种倾向。本文根据技术学习的特点和产业创新网络的结构特性，提出3种策略。

策略1:权衡主义倾向学习策略。这是一种综合考虑连接强度与临近成员技术水平的策略。第n次学习时，节点i在选择周围临近成员时，在Hi中选择使max{wij·［Tj(n)－Ti(n)］}最优时的节点s，即节点i向节点s学习，技术水平增长公式为:

其中，Wis为节点i与节点s的边权重。

策略2:保守主义倾向学习策略。这是一种不考虑学习对象技术水平高低，仅侧重与临近节点的连接强度高的学习策略。节点i在选择周围临近学习节点时，在Hi中选择使max{wij}取得最优的节点s，技术水平增长公式为:

策略3:实用主义倾向学习策略。这是一种倾向于学习高技术水平的策略。节点i在选择周围临近学习节点时，在Hi中选择使max{Tj(n)－Ti(n)}取得最优的节点s，技术水平增长公式为:

四、仿真结果与分析

(一)随机网络和无尺度网络的仿真

在随机模型中，网络的节点数是固定的，节点的度分布符合二项式分布，在满足Np(N是节点个数，p是连接概率)趋向定值的情形下，近似服从泊松分布。在该分布下，高度节点存在的可能性以指数速度衰减。因此，可以基本忽略高度节点的存在，而将网络近似看作一种均匀的状态。本文采用的随机网络模型算法如下:首先给定网络的节点数N，然后对于每一个节点，在已有的节点中随机选择m(m≥1)个不同的其它节点与该节点相连。这样就会产生mN条边把一个节点和远处的节点联系起来。网络的节点度服从二项式分布，网络的平均度为2m(因为每个连接对应着两个点，且总的连接数为mN)。

无尺度网络属于高度非均一性的网络。如果我们把所有节点所拥有的连线数做统计分析，则分布曲线是一条直线或者幂函数曲线。这也就是复杂系统中常常见到的幂律。之所以被称为无尺度网络，是因为这样的网络局部与整体是自相似的，因此放大这个网络的任意部分会发现它和整体面貌很相似无法分辨当前的放大尺度，所以该种网络被称为无尺度网络。本文采用Barabasi和Albert(1999)提出的BA模型算法来生成无尺度网络［19］，其算法如下:(1)增长性:从m0个节点开始，每一单位时间步长增加一个新节点与原有网络中的m(1≤m≤m0)不同节点相连;(2)优先连接性:新节点与网络中的节点i相连的概率与节点i的度数di成正比，即π(di)=di/∑jdi。经过长时间演化后，网络进入标度不变状态，节点度分布为:P(d)=2m2md－3，d≥m，网络的平均度为2m(证明见相关文献)。

随机网络模拟的参数设置如下:N=100，m=2，即网络的节点数为100，平均度为4。图1是仿真随机网络图形结果。仿真图形由MatLab6.5绘出。其中实心圆点代表网络节点，圆点间的连线代表节点间的连接。从图1中可以看到，虽然节点的连接数有所变化，但变化幅度并不是很大。

图2 随机网络的节点度分布

图3 无尺度网络模拟图

图1所示网络的节点度分布见图2。从图2可以看出，网络节点度的分布大致呈现出一个非对称的钟形形态，度分布区间非常狭窄，在2～8之间。在平均度4附近，也就是在2～6区间内，集中了94%的节点。由此可见图1所示的网络满足随机网络的基本性质，即网络节点度的分布在一个平均值(在本例中为4)处达到高峰，并按指数形式进行衰减。

图3 是 m0=5，m=2，N=100，的仿真无尺度网络图形结果。仿真数据由前述算法获得。从图3中可以看到，有的节点连接数很小，同时有的节点连接数很大，满足无尺度网络的基本性质。

图3所示网络的节点度分布见图4。从图4可以看出，网络节点度的分布大致呈现出幂函数曲线形态，与随机网络不同，其度分布区间非常大，在2～34之间。节点度最大的三个节点的度分别为23和34(图中青色圆圈所示的三个节点，可称之为超级节点)，远远超过平均度4，同时，有68%的节点的度都在4以下。

图4 无尺度网络的节点度分布

图1和图3所示的这两个网络的节点数和连接数都相同，不同的是网络的结构。随机网络中所有节点的地位都是相同的，而在无尺度网络中则存在超级节点。当网络的节点不再只是被动的“元素”的时候，当节点能够“择优选择”的时候，传统的随机网络就变成了无尺度网络。

(二)网络结构对企业技术学习绩效的影响

在仿真中，网络中各边的权重均为0～1之间的随机数，接近0表示两个行为主体之间的联系很少，接近1表示两个行为主体之间的联系很密切，在创新方面的合作很紧密。网络中各普通节点的技术水平均为0～0.5之间的随机数，数字越大代表技术水平越高;超级节点的技术水平则为0.99。在每一次(期)技术学习中，每个节点均按某种技术学习策略进行学习一次①本文是以权衡主义倾向技术学习策略为例。。为了保证模拟结果的可靠性，本文进行了多次实验，发现当仿真次数超过30次时，模拟结果就依据十分稳定了。为了保险起见，本文运行100次仿真，产业技术水平均值随技术学习次(期)数的变化情况如图5所示。

图5 网络结构对企业技术学习绩效的影响(技术水平)

从图5中可以看出，超级节点的出现极大地改变了产业技术创新网络中企业技术学习的绩效。在超级节点出现(随机网络演变为无尺度网络)前，由于网络中各成员的技术水平都偏低，而且差别也不大，使得网络内部技术学习绩效一直处于缓慢增长的状态。当随机网络演变为无尺度网络以后，整个产业平均技术水平呈快速上升趋势，只是到了30期后，由于整个产业平均技术水平都已经相当高了，整个产业平均技术水平才逐渐趋于高水平稳定状态。因此，虽然两种创新网络期初整个产业平均技术水平起点相差无几，但随着技术学习期数的不断增加，无尺度网络中企业技术学习的绩效要明显高于随机网络，这是因为超级节点的出现，一方面因其技术水平高，为网络中其他节点的技术学习提供了便利，另一方面，这些超级节点的存在缩短了网络中节点之间的距离②网络中两个节点间的距离被定义为连接两点的最短路所包含的边的数目，把所有节点对的距离求平均，就得到了网络的平均距离。，提高了网络中技术学习的效率。产业技术水平方差随技术学习次数的变化情况如图6所示。

从图6中可以看出，超级节点的出现加大了产业技术创新网络中各节点的技术水平的差距。在超级节点出现前，由于网络中各成员的技术水平都偏低，而且差别也不大，随着技术学习的次数增加，这种差距一直都在缓慢的降低。超级节点出现以后，相比网络中原有企业，这些超级节点的技术水平很高，与原有企业的技术水平差距大，在期初，这种情况也只是发生在少数企业身上，随着一小部分先行企业技术水平的提高，整个网络中企业技术水平的差距越来越大，到了某个临界点的时候，整个网络中企业技术水平的差距又开始降低，直到期末趋近于零。

图6 网络结构对企业技术学习绩效的影响(技术方差)

(三)产业创新网络中不同技术学习策略的绩效对比

为了考察产业创新网络中不同技术学习策略的绩效，本文利用无尺度网络来模拟产业创新网络，分别用权衡主义倾向技术学习策略、保守主义倾向技术学习策略和实用主义倾向技术学习策略3种技术学习策略来进行学习，仿真各种策略下的技术学习绩效。其它参数的设定同上。不同技术学习策略下产业技术水平均值随技术学习次数的变化情况如图7所示。

从图7可以看出，3种技术学习策略下的整个产业创新网络的产业技术水平在最初阶段增长速度较快，而后变为小幅平稳增长，并趋于稳定状态，说明在网络中技术学习初期，由于少数高技术水平的超级节点的存在，无论是哪种技术学习策略，都能使得产业技术水平快速提高，尤其是权衡主义倾向技术学习策略，其学习效率明显高于实用主义倾向技术学习策略和保守主义倾向技术学习策略。后两种技术学习策略中，实用主义倾向技术学习策略要略胜保守主义倾向技术学习策略一筹，但优势不明显。这说明，在选择技术学习对象时，综合考虑连接强度与临近成员技术水平的策略远比仅考虑单一方面因素的策略要强得多。不同技术学习策略下产业技术水平方差随技术学习次数的变化情况如图8所示。

图7 不同技术学习策略的绩效对比(技术水平)

图8 不同技术学习策略的绩效对比(技术水平方差)

从图8可以看出，3种技术学习策略下的整个产业创新网络的产业技术水平方差在最初阶段增长较快，在达到某一临界点后，均又经历了一个快速下降的过程，最后则变为小幅平稳下降，并趋于稳定状态。在3种技术学习策略中，权衡主义倾向技术学习策略下整个创新网络的产业技术差距最小，其学习公平程度明显高于实用主义倾向技术学习策略和保守主义倾向技术学习策略。从技术学习的公平程度来看，后两种技术学习策略中，保守主义倾向技术学习策略要略比实用主义倾向技术学习策略更具优势，但优势不明显。这说明，在选择技术学习对象时，综合考虑连接强度与临近成员技术水平的权衡主义倾向技术学习策略不仅能获得较高的技术学习效率，而且能有效的降低整个产业创新网络的产业技术差距，是一种明显优于只考虑其中一种因素的技术学习策略的策略。知识可以分为显性知识(explicit knowledge)与隐性知识(tacit knowledge)。在技术学习过程中，易于表达、可用符号表达的显性知识可以通过技术文献的形式进行传递，但是技术更多的则是隐性知识，这些隐性知识存在于个人头脑中，无法言传，必须藉由交流互动，通过经验分享及传承的方式或经由人际关系来进行移转［20－21］。因此，技术学习的效果不仅与创新网络中各成员的技术水平有关，而且与网络连接强度(成员之间关系的紧密程度)高度相关。

台湾半导体产业(主要是集成电路)的发展历程从一个侧面验证了本文的仿真结果。台湾半导体产业的崛起是后发地区高科技产业实现跨越式技术成长的典范。台湾半导体产业的成功在很大程度上要归功于其产业创新网络和有效的学习策略。在台湾半导体产业的发展过程中，策略联盟、合作网络的现象非常普遍，其合作形式有投资、联合研发、合资、加入产业标准联盟等。在这个产业创新网络中，工研院电子工业研究中心及其衍生公司台联电和台积电扮演了超级节点的作用，它们从国外(主要是美国的RCA公司和荷兰的飞利浦公司)引进技术，并在消化吸收之后在产业内扩散。如1992年台联电与通讯业的敦南科技、旭丽电子共同开发新产品;1993年，台联电投资了包括讯康科技与欣兴电子、台微电子共同开发新产品;1997年台积电与日月光就市场营销、研究发展、生产及客户的售后服务等各方面建立广泛的策略联盟。台湾半导体产业通过这个过程实现了将外部创新资源植入本区域内的产业创新系统。由于难以代码化(codified)的隐性知识在市场上交易不易，经由工研院及后续衍生公司的同事关系、以及产业群聚的密集互动之下不同企业工程师因公或私人情谊面对面交流是台湾半导体产业技术学习的主要途径［22］。这说明，由于技术的缄默性，产业创新网络中企业在选择技术学习对象时，必须综合考虑其技术水平以及网络连接强度，这样才能提高技术学习的效果。

五、结论与政策建议

本文运用复杂网络进行仿真，分析产业创新网络的网络结构以及企业不同的技术学习策略对技术学习的绩效的影响。研究结果表明:(1)产业创新网络从随机网络演化为无尺度网络极大的提高了网络内企业技术学习的绩效;(2)综合考虑连接强度与临近成员技术水平的权衡主义倾向技术学习策略不仅能获得较高的技术学习效率，而且能有效的降低整个产业创新网络的产业技术差距，是一种明显优于只考虑其中一种因素的技术学习策略的策略。本文的研究结果对我国优化产业创新网络，提升产业技术能力具有很大的启示。

主流的产业创新系统研究一个潜在的假设是:在一定行政区域内产业创新系统中创新资源与产业资源同时存在，并且相互促进，共同演进，即产业发展所依托的产业创新系统往往是一个自然演化的结果。但在中国，这种单纯依靠自然演化，或完全依靠市场行为来优化产业创新系统的前提假设并不一定存在。一方面，当前我国仍处于经济转轨时期，生产要素，尤其是创新要素的跨区域流动并不是一种常态;另一方面，也正是出于转轨时期，企业创新意识并不强烈，企业的盈利模式更多的还是建立在要素驱动的基础上。同时，与发达国家政府配置资源能力有限不同，在转轨时期，我国政府拥有较强的配置资源能力将在相当长时期内存在。因此，在区域创新资源约束背景中，政府应有目的将外部创新资源植入本区域内的产业创新系统，使之成为产业创新系统中的“超级节点”，能够极大的促进产业的技术能力的提升。

其次，我国的许多“产业集群”并不是严格意义上的“集群”，只是众多企业的“集聚”，是广义的产业集群。这是因为这些集群内的企业之间没有紧密的相互联系，没有形成网络，更没有连接“关联机构”作为节点进入网络。这种产业的持续发展能力往往较弱，集群内“孤立”于网络之外的企业很容易外迁或消亡。要想持续发展，必须加强网络节点联系，走创新性集群的道路。也就是说，我国的产业集群应该以创新网络作为支撑和基础框架，只有这样的集群才具备持续发展能力。

［1］Prahalad C K.The Role of Core Competencies in the Corporation:Dramatic Growth Will Take Place When We Focus on the Organization－ With Technology a Part－ Rather Than on Technology Alone［J］.Research Technology Management，36(6):40－47.

［2］Hult，GTM，Ferrell，OC.Global Organizational Learning Capacity in Purchasing:Construct and Measurement［J］.Journal of Business Research，1997，40(2):97 －112.

［3］Carayannis E G，Jeff A.Is Technological Learning a Firm Core － competence，When，How and Why?A Longitudinal，Multi－industry Study of Firm Technological Learning and Market Performance［J］.Technovation，2002，10:625 －643.

［4］Hobday M.East Asian Latecomer Firms:Learning the Technology of Electronics［J］.World Development，1995，23:1171－1193.

［5］Lei D，Slocum，J W，Pitts R A.Building Cooperative Advantage:Managing Strategic Alliances to Promote Organizational Learning［J］.Journal of World Business，1997，32(3):203－223.

［6］陈 劲，邱嘉铭，沈海华.技术学习对企业创新绩效的影响因素分析［J］.科学学研究，2007(6):1226－1232.

［7］Lee J，Bae Z T，Choi D K.Technology Development Processes:A Model for a Developing Country With a Global Perspective［J］.R＆D Management，1988，18(3):235－250.

［8］柳卸林.技术创新经济学［M］.北京:中国经济出版杜，1993.

［9］Kim Linsu.Imitation to Innovation:The Dynamics of Korea's Technological Learning［M］.Harvard Business School Press，1997.

［10］谢 伟.技术学习过程的新模式［J］.科研管理，1999(4):1－7.

［11］Lin B W.Technology Transfer As Technological Learning:A Source of Competitive Advantage for Firms with Limited R＆D Resources［J］.R＆D Management，2003，33:327 －342.

［12］刘洪伟，李纪珍，王 彦.技术学习成本及其影响因素分析［J］.科研管理，2007(5):1－8.

［13］王 彦，李纪珍，吴贵生.中国光纤光缆产业技术能力提高:逆向技术学习［J］.科研管理，2007(4):1－8.

［14］Kim C，Beldona S.Alliance and Technology Networks:An Empirical Study on Technology Learning［J］.International Journal of Technology Management，2007，19:29 －44.

［15］Samarra A，Biggiero L.Heterogeneity and Specificity of Inter－ firm Knowledge Flowsin Innovation Networks［J］.Journal of Management Studies，2008，45(4):800 －828.

［16］Figueiredo P N.Learning Processes Features:How Do They Influence Inter－firm Differences in Technological Capability－Accumulation Paths and Operational Performance Improvement?［J］.Technovation，2003，26(7):655 －693.

［17］Parra－Requena G，Molina－Morales，FX，Garcia－Villaverde PM.The Mediating Effect of Cognitive Social Capital on Knowledge Acquisition in Clus － tered Firms［J］.Growth and Change，2010，41(1):59 －84.

［18］于同洋，肖人彬，龚晓光.组织网络隐性知识扩散及学习策略分析［J］.管理科学，2009(6):21－28.

［19］Barabási A L，Albert，R.Emergence of Scaling in Random Networks［J］.Science，1999，286:509 － 512.

［20］PowellW W， K W Koput， L Smith － Doerr.Interorganizational Collaboration and the Locus of Innovation:Networks of Learning in Biotechnology［J］.Administrative Science Quarterly，1996，41(1):116 －145.

［21］Stenmark D.Leveraging Tacit Organizational Knowledge［J］，Journal of Management Information Systems，2001，17(3):9－24.

［22］陈东升.高科技产业组织网络与技术学习/创新［M］.桃园:中央大学台湾经济发展研究中心出版社，2001.