苏 屹 ,付宁宁,2

(1.哈尔滨工程大学 经济管理学院,哈尔滨 150001；2.哈尔滨金融学院 管理系,哈尔滨 150036)

2021年12月21日,工业和信息化部等八部门联合发布了《“十四五”智能制造发展规划》,《规划》以习近平新时代中国特色社会主义思想为指导,全面贯彻党的十九大精神。站在新一轮科技革命和中国加快高质量发展的历史性交汇点[1],推动智能制造创新能力提升、促进智能制造网络协同发展、构建中国制造业发展新格局,以“鼎新”带动“革故”,成为助力中国经济高质量发展的重要任务。智能制造作为强国建设的主攻方向,是加速发展现代工业体系、夯实和强化实体经济基础、构建新的发展模式、建设数字中国的关键。如何以智能制造为主攻方向,推动企业生产模式和网络结构升级,助力技术生态变革,成为亟需探索的问题。本文旨在对智能制造企业创新关联网络结构对技术生态位的影响进行深入研究,助推智能制造企业技术生态变革。在对智能制造企业创新关联网络拓扑结构、空间结构进行可视化表达和定量分析的基础上,提取智能制造企业创新关联网络特征变量值,揭示智能制造企业创新关联网络特征。并对智能制造企业创新关联网络结构与技术生态位“态”(下文简称“态”)和技术生态位“势”(下文简称“势”)的关系进行实证回归分析。本文的创新之处是将态势理论引入智能制造企业创新能力的研究,用“态”指标描述智能制造企业以往累积的创新能力,用“势”指标描述智能制造企业技术创新成长能力,从技术生态位视角研究网络环境对智能制造企业创新的影响。从企业创新能力和创新发展能力的视角探究智能制造企业创新关联网络结构要素对智能制造企业创新的影响,为优化智能制造企业创新网络,促进智能制造企业的创新生态体系建设提供了一定的理论支撑。

1 文献回顾

目前,关于智能制造的研究主要集中在智能制造内涵[2]、智能制造升级[3]、智能制造生产服务[4-5]、智能制造发展战略[6]和智能制造创新[7]等方面[8]。关于智能制造创新方面的研究有:赵剑波[9]指出,智能制造创新是一种手段而不是目的,评价智能制造的经济效应非常有必要；Li等[10]指出,评价智能制造创新不仅要关注智能制造的技术方法,也要关注智能制造创新的效果；覃浩高[11]通过理论分析认为中国智能制造企业需要完善行业标准促进自主创新能力；廖桂波[12]通过理论分析指出中国智能制造产业整体技术创新能力与国外发达地区差距还比较大；肖静华等[13]以美的企业为案例分析得出结论:为进一步提高中国智能制造企业创新能力,需要打通信息技术壁垒。关于智能制造网络构建方面的研究有:Zhou等[14]指出,智能制造是由人-物理-信息系统集成的制造网络；Shao[15]研究认为智能制造企业技术进步和网络环境相互作用,是一个不断发展的系统；张顺亮[16]认为5 G 技术和智能制造网络结合将进一步推动中国技术创新能力；陈滢[17]指出,智能制造不仅可以帮助企业提高生产效率,还可以促进区域产业协同发展。总体而言,目前智能制造领域研究相对碎片化[18]。

创新关联网络是一个不断变化的系统,随着网络的不断演化,网络结构、网络关系和网络位置都随之变化[19]。创新关联网络对于企业提升技术创新能力有重要的影响[20]。在创新关联网络的框架内,企业通过互相学习和分享资源来改进技术革新,从而提升企业的创新能力[21]。随着新一轮科技革命在世界范围内的兴起,以及中国全面深化改革进程的不断推进,技术爆炸性的发展和市场瞬息万变的不确定性,使得企业与其他组织或主动或被动地交换产品变革、技术创新的各种资源,以获取在市场上的竞争优势,从而形成各种正式或非正式的创新关联网络结构[22]。但是,王大洲[23]指出,企业也要注意识别创新网络陷阱,关注自己的网络结构是否平衡。同强企联合时要把握好“独立性”,同密切企业联合时要注意“亲密无间”的负作用。20世纪90年代,学者们将生态位理论从生态学引入技术创新研究中,认为技术生态位是技术主体自身的可持续发展,是微观环境的技术“准演化”[24]。之后,技术生态位理论逐渐发展起来,被运用到技术培育、技术选择、技术变革、技术能力创新和技术战略制定等方面[25-28]。综合已有文献分析,学者们对于技术生态位的研究有着不同的侧重点,其定义、分析、因素、变量和方法均有较大分歧[29-31]。本文借鉴Agnolucci等[32]的观点,认为技术生态位在一定程度上反映了企业技术竞争综合能力,是企业应对内外部环境的技术创新能力。

已有文献为本文奠定了研究基础,但仍有如下方面值得进一步探究:①虽然少部分学者已对中国智能制造企业创新网络特征开展研究,但这些研究大多以单一企业为研究对象,用案例研究或理论分析等定性研究方法,缺乏数据佐证,对现实的指导意义存在一定的局限性；②现有研究主要从资源层、物流层和技术层研究智能制造企业网络的构建及对其的影响因素,较少从技术生态位的视角进行分析。依据上述分析,本文借助智能制造示范试点项目专项行动,结合上市公司数据,运用社会网络分析方法分析中国45家智能制造企业创新关联网络的演化规律,丰富了中国智能制造企业创新网络特征的宏观描述。本文在技术创新中引入了态势理论,采用“态”表示过去累积的技术创新能力,用“势”描述其技术创新的成长性,从“态”和“势”两个视角探索网络结构对智能制造企业创新能力的影响。

2 研究设计

2.1 智能制造企业创新关联网络关系测度

智能制造企业创新关联网络构建的基础是网络空间关系的确定。目前,检验网络空间关系的主要方法有万有引力模型和VAR Granger Causality。参考刘华军等[33]的观点,VAR Granger Causality方法对滞后结束的选择比较敏感,会在一定程度上消弱网络结构特征描述的准确性,故借鉴绍汉华等[34]的修正引力模型建立智能制造企业创新关联网络。修正引力模型为

式中:Xij为智能制造企业创新关联网络关联强度；Fi、Fj为智能制造企业发明专利授权数；Eij为两企业区间直线距离,本文使用Arcgis软件计算得出；R=Ki(Ki+Kj),Ki、Kj为智能制造企业所在城市的GDP。通过修正引力模型计算出智能制造企业创新关联网络二值矩阵,为进一步刻画企业创新网络关联性,本文取矩阵每一行的均值作为智能制造企业与其他智能制造企业创新关联程度的临界值P,若Xij≥P,取值为1,表示该行智能制造企业与该列智能制造企业创新存在关联关系；否则取值为0,表示企业间不存在关联关系。

2.2 网络中心度

智能制造企业创新关联网络中心度越小,说明智能制造企业之间交流越少,对创新关联网络资源的控制力越弱[35],运用网络资源进行创新活动的能力越差,难以适应不断变化的创新环境[36]。随着网络中心度的增大,智能制造企业关联的节点数增多,异质资源相互交流增加。具有更大中心度的智能制造企业,就具有更多的资源,创新活动更易开展,外部环境的适应性更强[37]。但是,网络中心度也不是越大越好,当智能制造企业的网络中心度达到一定数值后,网络中心度的增大会对智能制造企业的创新能力带来负面影响。较大网络中心度的智能制造企业往往是网络的中心,是网络规则的掌控人,其创新能力容易被自己的影响力和网络规则所制约[38],过大的网络中心度说明智能制造企业过于依赖现存网络资源,很难打破现存网络关系,较难建立新的关联关系,限制智能制造企业创新领域的扩张。由于自身的吸纳能力有限,智能制造企业难以将已有的网络资源全部消化,资源筛选成本增加,企业创新效率降低,对网络资源的整合、技术生态位的扩展都是不利的。基于上述分析,提出如下假设:

H1智能制造企业创新关联网络中心度与“态”呈现出倒U 型关系。

H2智能制造企业创新关联网络中心度与“势”呈现出倒U 型关系。

2.3 结构洞

伯特用结构洞描述非冗余联系,认为“非冗余的联系人被结构洞所连接,结构空洞是两个行为体间的非冗余的关系”。部分学者认为,智能制造企业在结构洞的位置上,占据关联网络的中介地位,更容易获得异质资源,从而为其带来较大的网络权力,能够减少智能制造企业间的无效关联,更快速高效地吸取和整合外部资源,开展创新活动,对智能制造企业技术生态位的发展有促进作用[39]。与其他企业相比,占据网络中介地位的企业具有更高的创新能力[40]。处于结构空洞位置的智能制造企业更方便获取资源,掌握技术并展示其创新优势[41]。但也有学者指出,当智能制造企业已经处于较多结构洞位置时,继续增加其结构洞位置对创新能力的提升没有正面作用,而且还会使其适应环境的创新能力下降。智能制造企业与所处结构洞的数量呈负相关,处于较少结构空洞位置时,其与关联企业的联系更密切,可以抑制智能制造企业的投机行为,有利于智能制造企业技术创新；处于较多结构空洞位置的情况,对智能制造企业之间交往有消极作用,阻碍智能制造企业之间的信任和资源的共享,不利于智能制造企业吸取外部知识和智能制造企业创新能力的提升[42]。基于上述分析,提出如下假设:

H3智能制造企业创新关联网络结构洞与“态”呈现出倒U 型关系。

H4智能制造企业创新关联网络结构洞与“势”呈现出倒U 型关系。

2.4 关系强度

关系强度可以反映智能制造企业创新网络的关联程度。部分学者认为,关系强度较弱,智能制造企业间的合作交流和信息传递就越少,知识传播和共享的效率就越低,不利于智能制造企业之间资源的有效利用。随着智能制造企业之间合作交流频率的增加,智能制造企业之间信任基础增厚,有利于智能制造企业获取网络中的相关知识资源,有利于提高智能制造企业技术创新能力[43]。但也有学者指出,关系强度越大,越不利于共享突破创新的知识,越高的关系强度,则越需要付出更多的代价,外来的智能制造企业想加入就更加困难,不利于智能制造企业与创新关联网络外的企业进行信息和资源的交流。关系强度过大说明在智能制造企业中,存在着大量的资源冗余、缺乏与其他异质资源的接触,对扩大技术生态位的发展是不利的[44]。基于上述分析,提出如下假设:

H5智能制造企业创新关联网络关系强度与“态”呈现出倒U 型关系。

H6智能制造企业创新关联网络关系强度与“势”呈现出倒U 型关系。

3 样本数据与变量设计

3.1 数据来源

为了提高研究数据的权威性,本文选择了由工信部发布的国家智能制造示范试点项目企业为样本。自2015年起,工信部按照《智能制造试点示范项目要素条件》的有关规定,将智能化改造项目列为试点。2015～2018年,工信部共发布了306个智能制造示范试点企业,由于企业的微观数据难以获取,企业的财务信息可信度和可获取度高,故选取中国智能制造上市公司中的典型企业,将破产、并购、重要资料缺失等问题排除后,剩余103家企业。为保证数据的有效性和完整性,剔除专利授权数为0值的极端企业,最终剩余有效目标对象企业45家。选择发明专利授权量作为衡量智能制造企业创新能力的度量指标[45],选取2015～2020年的45家样本企业发明专利授权量,以申请人为检索条件,在国家知识产权局网站进行高级检索各企业的发明专利授权量。

3.2 变量设计

3.2.1 因变量 企业技术创新能力可以通过发明专利申请量和发明专利授予数量衡量。发明专利申请量表示创新主体进行创新的努力程度,而并非反映科技创新能力的指标。发明专利通过严格的审核才能授权,因此,发明专利授权量可以更直观地反映出公司的技术水平。本文选用发明专利授权量量化智能制造企业技术生态位“态”(Ta),用智能制造企业技术创新产出在各年内的增长速度量化技术生态位“势”(Tb),以该年度与基准期间的发明专利授权量之差除以基准期间的发明专利授权量计算,公式为

式中:Tbj表示智能制造企业j的“势”；g和r为不同年份；Wjg和Wjr为智能制造企业j在不同年份获授发明授权专利数量；r年表示基期。

3.2.2 自变量

(1)中心度。中心度可以表现智能制造企业在创新关联网络中的权力大小和是否处于核心位置。社会网络学者用度数中心度、接近中心度和中介中心度从“关系”的角度量化网络的中心地位。本文采用度数中心度,应用于智能制造企业创新关联网络,可以描述各智能制造企业中创新能力对其他智能制造企业创新能力的影响。为了进一步对比网络演化阶段各智能制造企业的中心度,最终采用相对度数中心度测量:

式中:C(j)为智能制造企业j的相对度数中心度；D(j)为与智能制造企业j直接联系的其他智能制造企业的数量,是智能制造企业j的度数；m为网络中智能制造企业的个数。

(2)结构洞。结构洞可以用效率、等级、限制度和有效规模衡量,由于智能制造企业间的非冗余联系可以用有效度规模量化,故选用有效度规模测度创新网络智能制造企业的结构洞。结构洞计算公式为

式中:k为与智能制造企业j相连的所有智能制造企业；p为除了j和k外的每一个第三智能制造企业；LjpTKP为在j和k之间的冗余度,Ljp为j投入到p的关系所占比例。

(3)关系强度。关系强度可以描述智能制造企业之间关联的程度。目前的研究主要是从关联次数、广度和深度3 个维度来衡量企业的关联强度。本文用关联平均次数指标反映智能制造企业间的关系强度。

3.2.3 控制变量 智能制造企业的技术创新能力受多种因素的影响,依据现有研究,研发投资(R&D)对技术创新有重要的推动作用[46]。在研发活动中,研发人员、资金、设备等不易量化衡量。研究经费的投入,是企业研发投入的最好体现,故模型的控制变量设为研发投资,即年研发投入/营业收入。

4 实证分析

4.1 智能制造企业创新关联网络结构分析

本部分以修正引力模型为依据,建立智能制造企业创新关联网络,利用UCINET 软件中Netdraw绘制智能制造企业创新关联网络拓扑图,并选取2015年和2020年的截面进行对比分析(见图1、2)。图中的节点表示45个智能制造企业,节点之间的连线表示智能制造企业之间的创新关联关系。由图可见,与2015年相比,2020年创新关联关系增多,网络密度增大,创新关系网络更加复杂。多家智能制造企业打破了地域限制,与邻近省份及非临近省发生了创新关联关系。为了进一步分析智能制造企业创新关联的网络特征,本文计算了整体网络特征指标智能制造企业创新关联网络的关系数与网络密度,个体网络特征指标度数中心度、结构洞和关系强度,计算结果如表1所示。

表1 智能制造企业创新关联网络结构

表1测度结果显示,整体网络特征中关系数和网络密度均呈上升趋势,定量分析与前面拓扑图的直观感受一致,说明智能制造企业创新关联网络关系趋向密切。平均度数中心度从2015年的8.089上升至2020年的13.642,说明智能制造企业创新关联网络间的中心位置和对网络资源的控制能力的差异化程度总体升高。随着关联关系不断密切,智能制造企业创新关联关系在网络中占据的结构洞数量除在2018年有所下降,整体呈上升趋势,说明智能制造企业创新关联利用网络资源的机会增加,并且信息和资源优势越来越显著。智能制造企业创新关联强度从2015年的7.733不断上升至2020年的13.600,说明各智能制造企业间创新关联关系显著增强。

4.2 回归分析与结果讨论

应用stata15.0软件回归分析,在“态”与智能制造企业创新关联网络结构的回归分析中,观测值270个；在“势”与智能制造企业创新关联网络结构的回归分析中,观测值225个。依据样本数据特点,从固定效应、混合效应与随机效应模型中通过对应检验选择更适合的模型。其中,随机效应与混合效应模型的选择通过LR test检验判断,如果LR test检验P＞0.1,则拒绝随机效应模型,选择混合效应模型；固定效应与随机效应模型的选择通过Hausman检验判断,如果Hausman 检验P＜0.1,则拒绝随机效应模型,选择固定效应模型。

为了降低多重共线性及数据变异的影响,采用对变量的平方进行中心化处理。通过膨胀因子(VIF)识别各模型解释变量间的多重共线性,如果VIF值小于10,则解释变量间不存在多重共线性关系。

4.2.1 网络结构对技术生态位“态”的分析 表2变量描述统计与相关关系分析中,度数中心度与结构洞、度数中心度关系强度、结构洞与关系强度存在正相关性,为了避免回归模型的多重共线性,分别对其进行回归分析,各变量对“态”回归结果如表3所示。

表2 变量描述统计与相关关系分析

表3 技术生态位“态”面板泊松回归分析模型

面板泊松回归无法给出F检验,通过LR test判断使用随机效应还是混合效应。由表3可见,模型(1)～(4)Hausman检验选择固定效应模型,LR test检验拒绝混合效应模型,故模型(1)～(4)最后选择面板泊松固定效应模型,而模型(5)虽然拒绝混合效应模型,但是无法拒绝随机效应模型,故模型(5)选择随机效应。模型(1)～(5),Wald chi2值均通过显著性检验,说明样本与模型的拟合程度较好,VIF值小于10,不存在严重的多重共线性性。

表3中,模型(1)和模型(2)分析了智能制造企业创新关联网络结构与“态”的线性关系。研究表明,结构洞对“态”有正相关作用,且通过显著性检验。度数关系强度和中心度对“态”有负相关作用,且通过显著性检验。在模型(1)和模型(2)中引入非线性二项式,通过模型(3)～(5)可知,度数中心度二项式估计系数为负,关系强度的二项式估计系数为负,度数中心都和关系强度均与“态”呈现出倒U 的关系,且通过显著性检验；结构洞的二项式估计系数为正,没有通过显著性检验。

通过上述分析,进一步表明,智能制造企业创新关联网络度数中心度与“态”呈现出倒U 型影响,假设1成立；关系强度与“态”呈现出倒U 型影响,假设5成立；结构洞与“态”呈现出正线性相关,假设3得到不完全支持。

4.2.2 网络结构对技术生态位“势”的分析 表4

表4 变量描述统计与相关关系分析

变量描述统计与相关关系分析中,度数中心度与结构洞、度数中心度与关系强度、结构洞与关系强度存在正相关性,为了避免回归模型的多重共线性,分别对其进行回归分析,各变量对“势”回归结果如表5所示。

表5 技术生态位“势”面板泊松回归分析模型

由表5可以看出,Hausman检验结果选择随机效应均拒绝固定效应,而LR test检验结果拒绝随机效应选择混合效应,故最终选择面板泊松混合效应模型。由模型(1)～(5)可知,Wald chi2值均通过显著性检验,说明样本与模型拟合度较好,VIF值小于10,无有害多重共线性。

表5中,模型(1)和模型(2)分析了智能制造企业创新关联网络结构与“势”的关系,研究表明,关系强度对“势”负相关,且通过显著性检验,度数中心度与结构洞对“势”的关系均未通过显著性检验。在模型(1)和模型(2)中引入非线性二项式,由模型(3)、4和模型(5)可知,通过显著性检验,度数中心度的二项式估计系数为负,关系强度的二项式估计系数为负,通过显著性检验,与“势”呈现出倒U 的关系,结构洞的二项式估计系数为正,没有通过显著性检验。

上述分析进一步表明,智能制造企业创新关联网络度数中心度与“势”的关系是呈倒U 型,假设2成立；关系强度与“势”的关系是呈倒U 型,假设6成立；结构洞与“势”的U 型关系未通过显著性检验,假设4不成立。

5 结论

本文以智能制造企业为研究样本,运用社会网络分析方法,分析中国智能制造企业创新关联网络特征。通过整体网络分析发现,2015～2020年中国智能制造企业创新关联网络密度和关系数呈上升趋势,网络关系趋向密切。通过个体网络分析发现,智能制造企业创新关联网络间的中心位置和对网络资源的控制能力的差异化程度总体升高,网络信息和资源优势越来越显著,网络由原来较简单型向复杂型演化。进一步分析智能制造企业创新关联网络对技术生态位的关系,分析表明:网络度数中心度与“态”和“势”呈显著的倒U 关系；关系强度与“态”和“势”呈显著的倒U 关系；结构洞与“态”的关系呈正线性相关关系。

在智能制造企业发展过程中,政府可以针对其发展态势,制订相关的政策,从而提高其创新能力。①在智能制造企业起步阶段。智能制造企业整体数量和规模都有限,智能制造企业创新关联网络比较稀疏,需要政府的积极政策,吸引更多企业转入智能制造企业领域,从而加速智能制造企业创新关联网络的发展。②在智能制造企业快速发展阶段。网络度数中心度、结构洞和关系强度需要进一步提升,避免由于智能制造企业过于分散导致降低其创新能力。③在智能制造企业发展成熟阶段。为了更有效地取得网络创新资源,保障智能制造企业的创新能力,需要减少冗余联系,精简网络结构,降低中心度和关联强度对技术生态位的负面影响。

虽然中国智能制造企业近年来发展迅速,但仍处于发展阶段,依据本文的研究结果,结合中国国情,可以开展如下几个方面的政策思考:

(1)进一步扩大中国智能制造企业发展规模。组织有关税收、财政、金融等方面的政策研究,为智能制造企业发展提供融资支持。实施“智能制造”领军人才项目,在重点工程项目如“知识更新工程”“企业经理质量提升工程”等领域,大力扶持和培养世界一流的智能化技术人才。加强国际间的交流与合作,在技术研发、标准开发、人才培养、应用示范等方面开展了一系列的国际交流和合作。召开“世界智能制造大会”,让“中国”之声在全球范围内掀起一次工业技术革新。

(2)丰富智能制造企业创新体系。在不同行业、领域推广智能制造模式,引导政府部门、产业园区和行业协会等单位创新组织方式,有序建立网络协同、个性定制和资源共享等智能制造服务组织。结合“十四五”规划和国家发展需要,加强“产、学、研”资源整合,健全“成果转移扩散机制、知识产权协同运用机制”等具体制度保护知识产权,促进科研成果转化与落地,探索新业态、新机制、新模式,部分地区可以开展试点工作。

(3)均衡不同区域智能制造企业发展水平。现阶段,从中国试点智能制造企业的地区分布来看,主要集中在长三角和珠三角地带,而中国西部地区占比较少,资源分布不均,长久以往的发展下去,会出现大部分资源被少部分智能制造企业所控制,核心智能制造企业的信息和权力地位绝对优势,降低北部边缘智能制造企业的创新积极性。而对于中国智能制造网络密度过高地区,由于知识的冗余,知识会出现同质化,研究成果也会停留在原有的领域,不利于智能制造企业创新能力的发展。政府通过宏观调控,保障有限的自主创新要素的合理使用,促进各要素资源在智能制造企业不同地区间的合理流动,实现智能制造企业创新均衡发展。组织开展智能制造帮扶试点建设,研究建立国家级跨领域、跨地区的智能制造企业创新中心,探索建立协同发展的智能制造生态系统。

本文在技术创新中引入了态势理论,研究智能制造企业创新关联网络对技术生态位的影响,仅从度数中心度、结构洞和关系强度3个典型的网络特征指标分析其与技术生态位的关系,对于其他网络特征指标与技术生态位的关系,将在之后的研究中做进一步探讨。