□ 曹 平 陸 松,2

(1. 廣西大學 商學院, 廣西 南寧 530004; 2. 中國移動 廣西公司, 廣西 南寧 530028)

一、引 言

創(chuàng)新是知識經(jīng)濟的主要特征,研究范圍包括組織創(chuàng)新、服務創(chuàng)新、管理創(chuàng)新、產(chǎn)業(yè)創(chuàng)新等領(lǐng)域。產(chǎn)業(yè)創(chuàng)新系統(tǒng)作為一種系統(tǒng)性研究產(chǎn)業(yè)創(chuàng)新發(fā)展規(guī)律、動力機制和績效的手段,近年來取得了很多成果。

隨著互聯(lián)網(wǎng)時代到來,經(jīng)濟社會已進入復雜性網(wǎng)絡領(lǐng)域。經(jīng)濟系統(tǒng)中的行為人相互之間顯示出強烈的非線性特征;信息和知識的交互和閉環(huán)反饋在以信息技術(shù)為代表的現(xiàn)代化技術(shù)中高度重要,行為人不斷從正向和負向反饋中學習,技術(shù)的高度迭代使得傳統(tǒng)的產(chǎn)學研合作模式發(fā)生了極大的改變。企業(yè)為了匹配高速變化的市場環(huán)境和商業(yè)模式,追求快速進出市場,技術(shù)導向的企業(yè)中傳統(tǒng)的層級管理方式更多轉(zhuǎn)為問題解決或項目小組決策的工作方式。作為一種社會系統(tǒng),產(chǎn)業(yè)創(chuàng)新系統(tǒng)本質(zhì)上是各種不同個體和組織之間的模式化關(guān)系網(wǎng)絡的統(tǒng)一呈現(xiàn),因此,從網(wǎng)絡角度著手,對產(chǎn)業(yè)創(chuàng)新系統(tǒng)進行研究是可行的和有必要的。

復雜網(wǎng)絡是指具有自組織、自相似、吸引子、小世界、無標度中部分或全部性質(zhì)的網(wǎng)絡。當前常見的復雜網(wǎng)絡包括規(guī)則網(wǎng)絡、隨機網(wǎng)絡、小世界網(wǎng)絡、無標度網(wǎng)絡等。

國內(nèi)基于復雜網(wǎng)絡對創(chuàng)新進行的研究包括小世界特性創(chuàng)新孵化網(wǎng)絡[1],產(chǎn)學研合作創(chuàng)新復雜網(wǎng)絡[2],利益驅(qū)動的創(chuàng)新網(wǎng)絡合作行為演化影響[3],極少數(shù)大度數(shù)中樞節(jié)點對復雜網(wǎng)絡整體運行效率[4],市場導向和多主體協(xié)同影響下的復雜網(wǎng)絡創(chuàng)新擴散[5]等。隨著技術(shù)復雜度增長,有良好組織的網(wǎng)絡成為創(chuàng)新成功的關(guān)鍵,推動創(chuàng)新網(wǎng)絡自組織化,以及技術(shù)組織去中心化是其中的關(guān)鍵[6]。Johnsen和Ford[7]研究了復雜網(wǎng)絡中的協(xié)同創(chuàng)新管理。Mccullen等[8]構(gòu)建了一個多參數(shù)的復雜網(wǎng)絡創(chuàng)新擴散模型,把行為人作為網(wǎng)絡節(jié)點,用變量表示行為人對創(chuàng)新的采納程度,網(wǎng)絡節(jié)點狀態(tài)被鄰居節(jié)點影響。其他研究包括復雜網(wǎng)絡中自主學習知識獲取的動力學機制[9],R&D復雜網(wǎng)絡的地理協(xié)作關(guān)系及效率[10],復雜網(wǎng)絡優(yōu)化演化算法[11]等。Majchrzak等[12]指出,不同的網(wǎng)絡拓撲和結(jié)構(gòu)形狀及與此匹配的網(wǎng)絡密度、路徑長度、網(wǎng)絡集聚程度等關(guān)鍵變量與組織創(chuàng)新績效密切相關(guān)。在小世界網(wǎng)絡和隨機網(wǎng)絡的研究基礎(chǔ)之上產(chǎn)生了隨機聚類網(wǎng)絡的研究,例如社交網(wǎng)絡和生物網(wǎng)絡往往呈現(xiàn)出模塊化的結(jié)構(gòu)特性,可以稱為社群[13]。社群的節(jié)點集合滿足一個基本條件,屬于同一個社群的節(jié)點有許多相互連接的邊,而不同的社群由相對較少的邊相連接。創(chuàng)新系統(tǒng)是一個由相互關(guān)聯(lián)的子單元構(gòu)成的系統(tǒng),子單元構(gòu)建的微結(jié)構(gòu)能夠擴散到更大的結(jié)構(gòu)之上,因此研究創(chuàng)新系統(tǒng)社群網(wǎng)絡,對于辨析系統(tǒng)中的創(chuàng)新擴散效率和系統(tǒng)動力機制具有意義。Gulati等[14]將組織間的網(wǎng)絡存在歸納為局域連接和橋接兩種類型,認為網(wǎng)絡中多個社群通過橋接關(guān)系構(gòu)成的小世界網(wǎng)絡的進化模式呈現(xiàn)倒U型,在局域連接和橋連接的雙重作用下,網(wǎng)絡能夠適度獲取異質(zhì)性資源,促進整體組織創(chuàng)新。Dahlander和Frederiksen[15]發(fā)現(xiàn)社群之間的橋接存在連接成本,較高的成本將會抑制整體網(wǎng)絡的創(chuàng)新績效。Sytch等[16]指出社群網(wǎng)絡內(nèi)部緊密連接,外部稀疏的結(jié)構(gòu)與創(chuàng)新績效的提升正相關(guān),并進一步研究了社群間橋接形成的影響因素[17]。魏龍和黨興華[18]從組織間關(guān)系的非對稱視角探究網(wǎng)絡社群動態(tài)變化對雙元創(chuàng)新的差異性影響,認為社群動態(tài)的二維變化對突破式創(chuàng)新具有正向影響,與漸進式創(chuàng)新呈現(xiàn)倒U 型關(guān)系。已有研究集中于網(wǎng)絡結(jié)構(gòu)和特性對創(chuàng)新能力和績效的影響,通常假定了網(wǎng)絡的形狀并假設其參數(shù)來開展,對于網(wǎng)絡實際的構(gòu)建,針對特定產(chǎn)業(yè)的特點來設計網(wǎng)絡中的節(jié)點的關(guān)鍵屬性和網(wǎng)絡中的權(quán)值,以及關(guān)鍵變量對網(wǎng)絡形狀和特性的影響缺少研究。

二、研究假設和方法

信息技術(shù)產(chǎn)業(yè)是從事信息技術(shù)設備制造以及信息的生產(chǎn)、加工、存貯、流通與服務的新興產(chǎn)業(yè)部門。全球各國的信息技術(shù)產(chǎn)業(yè)發(fā)展都體現(xiàn)出高速迭代、涌現(xiàn)式創(chuàng)新的特點,以互聯(lián)網(wǎng)、人工智能、物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)為代表的創(chuàng)新技術(shù)不斷涌現(xiàn),推動信息產(chǎn)業(yè)向縱深發(fā)展。將信息技術(shù)產(chǎn)業(yè)創(chuàng)新行為視為一個復雜組織網(wǎng)絡,融合應用創(chuàng)新系統(tǒng)的相關(guān)研究和復雜性科學的相關(guān)概念,研究網(wǎng)絡的構(gòu)成及要素,網(wǎng)絡的特征(例如形狀、拓撲等)以及網(wǎng)絡的動態(tài)(例如演進和變化)。在此基礎(chǔ)上進一步研究知識網(wǎng)絡構(gòu)建、集群企業(yè)知識溢出、隱性知識傳播和創(chuàng)新績效,對于更好地辨析產(chǎn)業(yè)的創(chuàng)新動向和驅(qū)動因素具有重要的意義。

(一) 研究假設

復雜網(wǎng)絡可以用圖來表示,圖上的節(jié)點代表實際系統(tǒng)中的個體,邊代表節(jié)點間的相互作用。度指節(jié)點所連接的邊的數(shù)量,在一定程度上反映了節(jié)點的重要性。通常具有大度數(shù)的節(jié)點在系統(tǒng)動力學中具有比小度數(shù)節(jié)點更加重要的地位。

現(xiàn)實網(wǎng)絡例如引文網(wǎng)絡、互聯(lián)網(wǎng)、細胞網(wǎng)絡等都具備明顯的無標度網(wǎng)絡特征,即網(wǎng)絡中的極少數(shù)節(jié)點與非常多的節(jié)點相連,擁有很高的度數(shù),網(wǎng)絡的度服從冪律分布。復雜系統(tǒng)經(jīng)過自組織最終生成無標度網(wǎng)絡,主要是因為生長和擇優(yōu)連接這兩個特性。生長即網(wǎng)絡的節(jié)點數(shù)在不斷增加,對于開放性的網(wǎng)絡,新節(jié)點的加入將使得網(wǎng)絡規(guī)模不斷擴大。擇優(yōu)連接則是指新的節(jié)點加入網(wǎng)絡時,往往更傾向于與那些具有較高度數(shù)的“大”節(jié)點相連接,由此將導致網(wǎng)絡中個體間的差異逐漸放大。例如在互聯(lián)網(wǎng)創(chuàng)新領(lǐng)域,新的網(wǎng)站會優(yōu)先連接到谷歌或者百度等重要的節(jié)點上，以便形成更好的傳播效應,新的APP應用會優(yōu)先連接到蘋果APP Store、Google Play或者微信，以減少初期的傳播和宣傳成本。Powell等[19]對美國生物科技產(chǎn)業(yè)網(wǎng)絡(482家企業(yè)樣本)1988—1999年網(wǎng)絡演變進行拓撲分析、Pajek網(wǎng)絡呈現(xiàn)和統(tǒng)計分析等實證研究,發(fā)現(xiàn)擇優(yōu)連接現(xiàn)象在網(wǎng)絡演化全過程中均顯著存在。

產(chǎn)業(yè)創(chuàng)新系統(tǒng)的行為人主要包括產(chǎn)業(yè)鏈上的企業(yè)、大學、科研院所、中介服務機構(gòu)、政府部門等,產(chǎn)業(yè)創(chuàng)新系統(tǒng)的環(huán)境主要包括國家的宏觀政策和公共服務平臺等。創(chuàng)新系統(tǒng)的本質(zhì)是研究創(chuàng)新知識如何有效地在行為者之間生成、選擇、交互和改進,以形成新的產(chǎn)業(yè)機會和市場模式。產(chǎn)業(yè)創(chuàng)新系統(tǒng)則是根據(jù)不同的產(chǎn)業(yè)的技術(shù)知識特點進行研究。不同產(chǎn)業(yè)的創(chuàng)新系統(tǒng)的主要差異是創(chuàng)新的來源、參與者、特性、邊界和組織。從知識流動的角度來看,一個產(chǎn)業(yè)創(chuàng)新系統(tǒng)框架關(guān)注4個維度:知識和技術(shù)領(lǐng)域、行為者、政府和制度、交互網(wǎng)絡,作為創(chuàng)新系統(tǒng)中知識流動的結(jié)構(gòu)性基礎(chǔ),網(wǎng)絡的形狀和拓撲直接影響隱性/顯性學習和知識流動的效率[20]。信息技術(shù)產(chǎn)業(yè)創(chuàng)新系統(tǒng)是一個動態(tài)的、演化的復雜網(wǎng)絡。首先,信息技術(shù)產(chǎn)業(yè)創(chuàng)新系統(tǒng)的各行為主體之間相互關(guān)聯(lián),并通過交互網(wǎng)絡形成知識流動,具有明顯的網(wǎng)絡形態(tài)特征;其次,信息技術(shù)產(chǎn)業(yè)創(chuàng)新系統(tǒng)中的網(wǎng)絡節(jié)點呈現(xiàn)出復雜性的特點,產(chǎn)業(yè)鏈上的企業(yè)、大學、科研院所、中介服務機構(gòu)、政府部門等,都是具有高度自主性的個體或組織,具備自組織和網(wǎng)絡化學習的復雜系統(tǒng)行為;最后,信息技術(shù)產(chǎn)業(yè)創(chuàng)新網(wǎng)絡具有高度復雜的結(jié)構(gòu),并隨著節(jié)點的進入和退出不斷發(fā)生演化。突破式創(chuàng)新,或者技術(shù)沖擊會對無標度網(wǎng)絡形成宏觀上的解構(gòu),在微觀上最終都會趨向于形成新的無標度網(wǎng)絡構(gòu)造。因此得到假設H1。

H1:信息技術(shù)產(chǎn)業(yè)創(chuàng)新網(wǎng)絡在微觀上呈現(xiàn)無標度網(wǎng)絡特征。

眾多研究表明,小世界網(wǎng)絡是一種普通存在的網(wǎng)絡形態(tài),即大多數(shù)節(jié)點可以經(jīng)過少數(shù)的幾個邊到達另外一個節(jié)點Baum等[21]通過研究1952—1990年間加拿大投資銀行集團網(wǎng)絡演化拓撲結(jié)構(gòu),證實集群網(wǎng)絡具有典型的小世界網(wǎng)絡特征;Uzzi和Spiro[22]研究發(fā)現(xiàn)了百老匯音樂產(chǎn)業(yè)形成過程中的小世界特性。由于交流、效率、成本等原因,真實網(wǎng)絡中存在著“捷徑”,且“捷徑”的數(shù)量與需求相匹配。從圖論角度出發(fā),“捷徑”就是隨機重連過程中添加的長邊,在規(guī)則網(wǎng)絡中添加極少量的長邊,不僅使長邊兩端的節(jié)點路徑長度變小,而且節(jié)點的鄰居乃至之間距離的也隨之變小。由于“捷徑”的生成和維護往往需較高的“代價”,因此無法輕易解構(gòu)。

復雜系統(tǒng)中普遍存在著組織化學習,顯性學習是對已經(jīng)公開的知識進行學習,例如從技術(shù)論壇上學習新的程序語言和編碼技術(shù),或者從國際學術(shù)會議上了解最新的業(yè)界動態(tài)等;隱性學習則是區(qū)域性的或者網(wǎng)絡社群性質(zhì)的溝通與知識傳遞,這種自組織將形成相當數(shù)量的“捷徑”。以硅谷為代表,信息技術(shù)企業(yè)都在尋求向科技創(chuàng)新以及應用場景的趨近,通過開展組織化學習和網(wǎng)絡化學習,去尋求已經(jīng)完成聚類和編碼的,被證明有應用性能和生產(chǎn)效率的知識。此外,在信息技術(shù)產(chǎn)業(yè)中,主導企業(yè)往往會通過制定通用標準來建立固守標準的戰(zhàn)略聯(lián)盟,例如IEEE標準、3GPP標準、5G標準等,從而形成路徑依賴和鎖定,進一步推動“捷徑”的生成和固化。由以上分析可知,信息技術(shù)產(chǎn)業(yè)創(chuàng)新網(wǎng)絡的獨有特點有利于在區(qū)域或者特定范圍內(nèi)形成小世界網(wǎng)絡,因此得到假設H2。

H2:信息技術(shù)產(chǎn)業(yè)創(chuàng)新網(wǎng)絡在中觀上體現(xiàn)出小世界網(wǎng)絡的特征。

研究表明,小世界網(wǎng)絡或隨機網(wǎng)絡在網(wǎng)絡的動態(tài)提升和知識集聚度提升的情況下會形成社團結(jié)構(gòu),典型的例子是美國硅谷的創(chuàng)新社群網(wǎng)絡。在硅谷由于國家/政府采購、產(chǎn)學研合作、風險投資和金融驅(qū)動等互動和協(xié)作的活躍,產(chǎn)業(yè)界、學術(shù)界和金融界形成了良性循環(huán)的巨大的交流網(wǎng)絡。斯坦福大學從上世紀50年代開始就不斷支持和幫扶硅谷的企業(yè),設立專門研究園區(qū),廉價出租工廠土地扶持具有發(fā)展?jié)摿Φ膭?chuàng)新型企業(yè),并通過吸引人才和資金來推動創(chuàng)新領(lǐng)域的研究。對于創(chuàng)業(yè)者,斯坦福大學同時給予技術(shù)、資金和信息方面的支持和保障,并通過開設創(chuàng)業(yè)課程等方式給予指導。"斯坦福大學優(yōu)等成績合作計劃"讓硅谷公司的員工可以直接攻讀學位。各項措施的實施,使得硅谷成功孵化和助推出惠普、思科、SUN、雅虎、谷歌等創(chuàng)新型領(lǐng)導企業(yè),成功的企業(yè)又進一步吸引了大量的人才和資金,形成良性循環(huán)。臨近的加州伯克利大學、加州舊金山大學及其他研究機構(gòu)也和硅谷形成了良好的互動合作關(guān)系,依托于在基礎(chǔ)科學、信息技術(shù)和工程學領(lǐng)域的領(lǐng)先地位,通過對硅谷產(chǎn)業(yè)活動的積極參與而建造形成了世界上最強大的產(chǎn)學創(chuàng)新體制和社群網(wǎng)絡。

信息技術(shù)產(chǎn)業(yè)創(chuàng)新具有以下特點:(1)存在大量知識集聚和交互,并因為本地化知識和隱性知識學習的便利性而在地理區(qū)域上自發(fā)形成集聚,區(qū)域集聚與外部社會環(huán)境形成交互性促進,最終形成社群。(2)顯性和隱性知識傳播:信息技術(shù)產(chǎn)業(yè),特別是互聯(lián)網(wǎng)相關(guān)產(chǎn)業(yè),為了實現(xiàn)標準的統(tǒng)一和相互連接兼容,必須公開知識,促進顯性知識的形成與共享,例如RFC規(guī)范等。JAVA社區(qū),Python社區(qū)等開源社區(qū)模式的流行更加促進了這一點。(3)知識相對開放和易模仿:不同于其他產(chǎn)業(yè),信息技術(shù)產(chǎn)業(yè)中的計算機軟件可以直接拷貝使用,設計思路可以直接借鑒,硬件可以直接拆解模仿,或者通過逆向工程學習設計方法,算法可以直接被利用,商業(yè)模式可以直接被模仿(共享經(jīng)濟)。(4)部分知識領(lǐng)域相對封閉和集中(IC、硬件、軟件):例如芯片、高端硬件、通信設備等領(lǐng)域,知識相對封閉和集中,需要集中大量研發(fā)力量和資金,只有少量大型企業(yè)才能開展,由此導致形成密集型的社群結(jié)構(gòu)。(5)信息技術(shù)產(chǎn)業(yè)受到風險投資和知識經(jīng)濟的影響,向經(jīng)濟高度發(fā)達地區(qū)集聚。對信息產(chǎn)業(yè)介入的程度的方向的不同,決定了知識的聯(lián)系和創(chuàng)新的聯(lián)結(jié)會形成社群網(wǎng)絡,從事某一方面的企業(yè)形成小型團體,同時相互之間也有一定的聯(lián)系。綜合起來,信息技術(shù)產(chǎn)業(yè)創(chuàng)新社群網(wǎng)絡形成的特點有:(1)技術(shù)高度密集但是存在壁壘;(2)屬于同一技術(shù)范疇,有共同的研究基礎(chǔ),但是又存在很大的區(qū)別;(3)標準的規(guī)范化,兼容性要求很高;(4)隨著時間增加,技術(shù)的積累效應會導致網(wǎng)絡進一步密集。隨著信息技術(shù)產(chǎn)業(yè)的高速發(fā)展,社群模塊度不斷增加,“搭便車”現(xiàn)象日益明顯,小型企業(yè)追求快速進出市場,傾向于外包和技術(shù)模仿,導致自主創(chuàng)新意愿降低,并最終導致自主創(chuàng)新產(chǎn)出降低(圖1)。由此得到假設H3a和H3b。

H3a:信息技術(shù)產(chǎn)業(yè)創(chuàng)新網(wǎng)絡在宏觀上體現(xiàn)出社群網(wǎng)絡的特征,并且網(wǎng)絡模塊度隨時間而增加。

H3b:信息技術(shù)產(chǎn)業(yè)創(chuàng)新社群網(wǎng)絡的模塊度增加,影響了產(chǎn)業(yè)的自主創(chuàng)新產(chǎn)出。

圖1 假設的推導

(二) 研究方法

機器學習是一種將人類認知能力模型整合進入計算機算法模型中的技術(shù),在研究信息產(chǎn)業(yè)創(chuàng)新系統(tǒng)的動力學機制,特別是創(chuàng)新的產(chǎn)生、選擇固化和傳播的動力學方面,有較好的應用前景。目前國內(nèi)的研究較多采用BP神經(jīng)網(wǎng)絡方法[23-25]。國外研究包括人工神經(jīng)網(wǎng)絡(ANN)方法的創(chuàng)新網(wǎng)絡研究[26],采用KN算法對創(chuàng)新風險進行定量分析[27],用神經(jīng)模糊魯棒性模型對微觀和宏觀創(chuàng)新潛能進行研究[28],用ANN網(wǎng)絡研究知識管理與技術(shù)革新以及競爭優(yōu)勢的關(guān)系[29],使用ANN對技術(shù)創(chuàng)新的投資選擇和風險進行研究[30]等。本文用基于網(wǎng)絡的無監(jiān)督機器學習方法來識別社群網(wǎng)絡,并選擇相應的網(wǎng)絡指標進行衡量以及進行回歸分析,以檢驗前文提出的假設。無監(jiān)督學習通常首先將樣本數(shù)據(jù)處理成向量數(shù)據(jù)集合,然后采用網(wǎng)絡生成算法,利用相似性函數(shù)將向量數(shù)據(jù)通過運算生成關(guān)聯(lián)矩陣,其中數(shù)值特征和類別特征進行不同的處理,最后進行識別社群網(wǎng)絡,計算網(wǎng)絡特征值,分析網(wǎng)絡結(jié)構(gòu)和特征等操作。

為了進一步研究網(wǎng)絡特性對創(chuàng)新擴散的影響,采用復雜網(wǎng)絡上的演化計算方法進行模擬仿真。演化計算是一種以計算模型為基礎(chǔ),以微觀個體為出發(fā)點或以微觀規(guī)律為出發(fā)點,以研究復雜經(jīng)濟系統(tǒng)的整體演化過程或結(jié)局為目的的方法。元胞自動機、系統(tǒng)動力學仿真方法、NW產(chǎn)業(yè)演化模型以及“多代理人系統(tǒng)”等演化計算方法受到了非常多的關(guān)注?；趶碗s網(wǎng)絡的知識擴散參考單海燕等[31]、孫耀吾[32]、Cowan和Jonard[33]的研究。社會現(xiàn)象例如創(chuàng)新知識擴散是知識借助知識主體之間的交互與合作進行的,可以被視為一種類似病毒傳染的過程。病毒傳播又稱為流行病模型,目前應用最廣泛的是SIR和SIS模型。相關(guān)的研究包括Bass[34]的創(chuàng)新擴散的“疫病學”量化模型,Tsai[35]開展的創(chuàng)新知識引入與擴散對知識資產(chǎn)增值和企業(yè)效益提升影響的影響,Zhang等[36]基于社區(qū)認知分析框架的集群知識擴散模型,以及蘇家福等[37]基于改進元胞自動機進行的協(xié)同產(chǎn)品創(chuàng)新系統(tǒng)知識擴散研究。本文結(jié)合元胞自動機和“多代理人系統(tǒng)”方法,利用SIS病毒傳播模型進行混合模擬仿真。

三、網(wǎng)絡節(jié)點屬性

(一) 屬性選取

根據(jù)文獻[38-39],選擇發(fā)明專利授權(quán)數(shù)量和研發(fā)投入變量作為企業(yè)自主創(chuàng)新的度量標準,因為發(fā)明專利從申請到授權(quán)有3年的滯后期,因此補充發(fā)明專利申請數(shù)量來衡量企業(yè)的創(chuàng)新意愿。區(qū)域集聚會影響創(chuàng)新協(xié)同和傳播,企業(yè)的創(chuàng)新成果往往會先在鄰近區(qū)域進行試用,以降低試錯成本,另一方面中小企業(yè)會更多與本地強勢領(lǐng)先企業(yè)開展協(xié)同創(chuàng)新以降低學習成本。為了體現(xiàn)區(qū)域集聚和用戶參與對產(chǎn)業(yè)創(chuàng)新的影響,選擇企業(yè)所在省份的GDP數(shù)值、信息技術(shù)產(chǎn)業(yè)從業(yè)人口數(shù)量和省份人員的受教育程度、企業(yè)實際控股人的性質(zhì)、政府補貼金額等變量。此外還加入總資產(chǎn)、營業(yè)利潤率、所有者權(quán)益比例、資產(chǎn)周轉(zhuǎn)率、資產(chǎn)負債率、銷售和業(yè)務費用占收入比例，以及管理費用占收入比例等企業(yè)層面屬性變量(表1)。

表1 網(wǎng)絡屬性設定

(二)樣本選取

宏觀數(shù)據(jù)通過相關(guān)統(tǒng)計年鑒進行收集,專利數(shù)據(jù)通過國家知識產(chǎn)權(quán)局網(wǎng)站手工收集。通過國泰安、銳思和萬德數(shù)據(jù)庫的2010—2017年上市公司數(shù)據(jù),以及歐洲創(chuàng)新研究所的2010—2017年相關(guān)數(shù)據(jù)和時間區(qū)間內(nèi)的上市公司年報。由于阿里巴巴、騰訊、百度、新浪、搜狐、網(wǎng)易等重點企業(yè)受到我國A股的制度限制而在海外上市,通過美國證監(jiān)會和香港證券交易所的網(wǎng)站下載企業(yè)年報進行分析和數(shù)據(jù)補充。沒有在股票市場上市的代表性企業(yè)(華為),通過企業(yè)官方網(wǎng)站上公布的年報后進行數(shù)據(jù)補充。美元或港幣根據(jù)國家統(tǒng)計局公布的2010—2017年人民幣年度平均匯率進行換算。對于同一指標在不同數(shù)據(jù)庫和企業(yè)年報中的含義,進行了核對以確保數(shù)據(jù)口徑一致性。按慣例剔除ST、*ST及主變量存在嚴重缺失的公司樣本。對主要變量進行描述性統(tǒng)計特征分析,樣本上市公司發(fā)明專利授權(quán)數(shù)量和申請數(shù)量平均值分別為1.820 4和2.188 1,中位數(shù)分別為1.386 3和2.197 2,最小值均為0,最大值分別為8.502 3和8.962 3,說明專利授權(quán)數(shù)量和申請數(shù)量均有明顯右向偏移,這體現(xiàn)了信息技術(shù)產(chǎn)業(yè)中存在的技術(shù)外包和技術(shù)借鑒現(xiàn)象。其余變量中，例如資產(chǎn)周轉(zhuǎn)率、資產(chǎn)負債率、市場投入和管理投入都具有較明顯的右向分布,這也和信息技術(shù)產(chǎn)業(yè)的負債經(jīng)營傾向形成了對應。

四、信息技術(shù)產(chǎn)業(yè)創(chuàng)新網(wǎng)絡構(gòu)建

(一) 關(guān)聯(lián)矩陣

本文采用兩步法形成創(chuàng)新網(wǎng)絡,先根據(jù)國家專利局網(wǎng)站上的檢索結(jié)果,基于聯(lián)合專利申請構(gòu)造初步網(wǎng)絡(形成矩陣),然后用聚類方法進一步加強網(wǎng)絡,采用向量方法補充權(quán)重和連接邊,得到更完善的網(wǎng)絡。為了避免過度連接,先預設一個閾值,低于閾值的認為相似度太低,可認為無連接邊。然后根據(jù)機器學習方法識別社群網(wǎng)絡,計算關(guān)鍵變量。皮爾森相關(guān)系數(shù)是用來反映兩個變量線性相關(guān)程度的統(tǒng)計量。相關(guān)系數(shù)用r表示,其中n為樣本量,分別為兩個變量的觀測值和均值。r描述的是兩個變量間線性相關(guān)強弱的程度。r的絕對值越大表明相關(guān)性越強[40]。兩個變量xi和xj之間的皮爾遜相關(guān)系數(shù)按以下公式計算:

(1)

(二) 聚類啟發(fā)式算法網(wǎng)絡構(gòu)建

常見的復雜網(wǎng)絡構(gòu)建方法有k-近鄰方法,ε-半徑方法,b-匹配網(wǎng)絡,線性鄰域網(wǎng)絡方法,松弛線性鄰域網(wǎng)絡方法,聚類啟發(fā)式網(wǎng)絡方法,重疊直方圖網(wǎng)絡方法,時間序列網(wǎng)絡方法等等。本文采用聚類啟發(fā)式算法,因為一方面效率較高,另一方面也趨向于保持原始數(shù)據(jù)集的集群結(jié)構(gòu)。聚類啟發(fā)式算法具體步驟如下[41]。

1. 輸入上一步生成的相異矩陣來表示所有樣本簇間的距離,最初的樣本簇都是單個節(jié)點;

2. 識別兩個最近的樣本簇,分別用G1和G2表示;

3. 計算G1和G2內(nèi)節(jié)點(數(shù)據(jù)樣本)之間的平均皮爾森相異度,分別用D1和D2表示;

4. 在G1和G2之間選擇最相似的k對節(jié)點,并按照它們之間的相異度是否小于閾值dc(dc=ρmax(d1,d2),ρ取值0.3),在k對節(jié)點之間建立連邊;

5. 根據(jù)步驟4中的計算結(jié)果更新相異矩陣;

6. 如果簇的數(shù)目>1,則返回步驟2.

(三) 基于網(wǎng)絡的無監(jiān)督學習方法識別社群網(wǎng)絡

識別檢測社群網(wǎng)絡常用兩種基準,Girvan-Newman基準和Lancichinatti基準[42]。由此發(fā)展的常用的基于復雜網(wǎng)絡的無監(jiān)督學習技術(shù)包括Girvan-Newnam的介數(shù)方法[43-44],變色龍算法[45]譜平分法[46]基于粒子競爭模型的社團檢測[47]基于空間變換和群體動力學的社團檢測[48-49]等。本文采用Blondel的網(wǎng)絡折疊方法[49],以與上一步通過聚類啟發(fā)式算法生成的網(wǎng)絡匹配。Blondel的網(wǎng)絡折疊方法主要步驟是通過網(wǎng)絡折疊和社群重組,迭代直至獲得最大的模塊度(Modulaity)Q值為止,當Q>0.3時,說明該網(wǎng)絡存在較強的社群結(jié)構(gòu)現(xiàn)象。在識別出社群網(wǎng)絡之后,即可測量識別出來的網(wǎng)絡的模塊集中度和其他指標,判斷其效率。

(四) 網(wǎng)絡衡量指標

綜合文獻[50-53],本文選定網(wǎng)絡密度、富人俱樂部指數(shù)、模塊度、節(jié)點相似度和網(wǎng)絡健壯性進行衡量。

1. 網(wǎng)絡密度

網(wǎng)絡密度用于刻畫網(wǎng)絡中節(jié)點相互連接邊的密集程度,一個N個節(jié)點和L條連接邊的網(wǎng)絡的網(wǎng)絡密度計算公式為

(2)

2. 富人俱樂部指數(shù)

度數(shù)較大的節(jié)點(關(guān)鍵節(jié)點)之間具有緊密相連的趨勢,從而形成團狀結(jié)構(gòu)或者近似結(jié)構(gòu),如果一個節(jié)點擁有較多的連接,稱其為“富有”節(jié)點?！案挥小钡墓?jié)點更容易形成緊密的相互連接的子圖。

(3)

對于給定的閾值k,N>k表示度數(shù)大于k的節(jié)點數(shù)量,E>k表示與N>k個節(jié)點相關(guān)的邊的數(shù)量。N>k(N>k-1)表示N>k個節(jié)點可能存在的最大邊數(shù)。本文設定K值為10。

3. 模塊度

(4)

4. 節(jié)點相似度

(5)

如果兩個節(jié)點的共同鄰居很多,則相似度很高。其中τ(i)表示節(jié)點i和i所有鄰居的集合。

(6)

五 結(jié)果分析

(一) 微觀層面的無標度性

利用Ucinet軟件選取2011,2013,2015和2017年度數(shù)最大的節(jié)點及其關(guān)聯(lián)節(jié)點構(gòu)成局部網(wǎng)絡,分別占整體網(wǎng)絡規(guī)模的11.34%、14.37%、13.77%和16.78%,擬合后的系數(shù)R2均>0.9,且冪指數(shù)γ∈(1.5,2.3),如圖2所示，說明信息技術(shù)產(chǎn)業(yè)創(chuàng)新社群網(wǎng)絡在微觀上具有無標度特性。

圖2 微觀無標度性網(wǎng)絡

無標度性說明網(wǎng)絡中少量和個別節(jié)點擁有大多數(shù)連接,而部分節(jié)點只能與少數(shù)幾個節(jié)點形成關(guān)聯(lián)。新增加的節(jié)點將更傾向于具有更高連接度的節(jié)點相連接。例如進入手機APP服務性領(lǐng)域的廠商,都會優(yōu)先考慮與阿里(支付寶)和騰訊(微信)形成關(guān)聯(lián)，以快速形成生產(chǎn)力。而在電信領(lǐng)域,設備供應商和軟件商都會優(yōu)先考慮與中國移動和華為等企業(yè)開展創(chuàng)新合作。

(二) 中觀層面的小世界性

應用Python編程自動生成同等規(guī)模隨機網(wǎng)絡,并使用Ucinet進行分析,結(jié)果顯示信息技術(shù)產(chǎn)業(yè)創(chuàng)新網(wǎng)絡呈現(xiàn)較為明顯的小世界性,如表2所示。即網(wǎng)絡在具有較小的平均路徑長度的同時，還具有較高的集群系數(shù),因此創(chuàng)新網(wǎng)絡中的行為人可以高效快速地與其他行為人進行創(chuàng)新交流和知識交換,對于創(chuàng)新的擴散具有正面的推動作用。小世界商數(shù)隨著時間呈現(xiàn)增長體現(xiàn)了網(wǎng)絡的集群性增加(圖3)。

表2 信息技術(shù)產(chǎn)業(yè)復雜網(wǎng)絡小世界特性

圖3 信息技術(shù)產(chǎn)業(yè)小世界網(wǎng)絡特征

(三) 宏觀層面社群網(wǎng)絡特征情況

按統(tǒng)計年度為一個時間窗口,通過Python編寫代碼,結(jié)合Ucinet軟件計算網(wǎng)絡社群規(guī)模情況(設定社群最小規(guī)模為5)，結(jié)果如圖4所示。

圖4 信息技術(shù)產(chǎn)業(yè)社群網(wǎng)絡宏觀特征

從圖4可以看到,信息技術(shù)產(chǎn)業(yè)創(chuàng)新網(wǎng)絡的節(jié)點和連接邊數(shù)隨時間不斷增長,整體網(wǎng)絡密度呈緩慢下降趨勢,模塊化指標Q值均大于0.3,說明網(wǎng)絡存在明顯的社群結(jié)構(gòu),社群規(guī)模平均值逐步遞增。隨著社群規(guī)模的增長,富人俱樂部指數(shù)相應增加,說明少數(shù)核心節(jié)點對于社群結(jié)構(gòu)的貢獻度增大,節(jié)點相似度也隨著正向增長,說明節(jié)點在創(chuàng)新行為和關(guān)聯(lián)上有趨同的傾向。對識別出來的社群網(wǎng)絡,采用Unicet網(wǎng)絡分析軟件進行繪圖,可以看到,信息技術(shù)產(chǎn)業(yè)創(chuàng)新呈現(xiàn)較為明顯的社群網(wǎng)絡特征,且隨著時間增加,社群集中度有增加的趨勢。表3匯報了社群和其他網(wǎng)絡指標的數(shù)值。

表3 信息技術(shù)產(chǎn)業(yè)社群網(wǎng)絡特征

六、回歸分析和模擬仿真

(一) 回歸分析

為了進一步驗證假設,建立10個回歸子模型,其中模型1～5分析各種變量和專利授權(quán)平均情況的回歸情況,模型6～10檢驗專利申請平均值的回歸情況。表4報告了回歸分析的結(jié)果。

表4 回歸分析結(jié)果

模型1是網(wǎng)絡特征的回歸分析,模型2是研發(fā)投入和政府補貼的回歸分析,模型3將網(wǎng)絡特征、研發(fā)投入和政府補貼作為變量,模型4則是從業(yè)人員受教育程度、企業(yè)規(guī)模和盈利能力作為變量,模型5是模塊度Q值、研發(fā)投入、企業(yè)規(guī)模等的綜合回歸分析。從結(jié)果上看,模塊度Q值與專利授權(quán)平均值呈現(xiàn)負相關(guān),這說明隨著網(wǎng)絡的社群結(jié)構(gòu)日益增強,自主創(chuàng)新產(chǎn)出將會受到抑制,由此H3b得到驗證。富人俱樂部指數(shù)與專利授權(quán)平均值之間存在顯著正向關(guān)系,這則從另一個側(cè)面反映了總體上自主創(chuàng)新的受抑制情況,由于少數(shù)大型企業(yè)掌控大量知識和資源,因此大量產(chǎn)出創(chuàng)新。根據(jù)國家專利局網(wǎng)站上的數(shù)據(jù)匯總,華為公司在2010—2017年間共提出36 962次專利申請,獲得23 328個專利授權(quán),遠多于其他企業(yè)。領(lǐng)先企業(yè)大量申請專利,導致行業(yè)專利的總量上看是增長的,但具體到每一個企業(yè),則會出現(xiàn)明顯的技術(shù)外包和技術(shù)跟隨現(xiàn)象,實際上產(chǎn)業(yè)的自主創(chuàng)新活力受到了抑制。

另外值得關(guān)注的，是在模型3和模型5中發(fā)現(xiàn),當模塊度Q值和政府補貼平均值同時納入模型之中時,均呈現(xiàn)明顯的負向關(guān)系。對樣本數(shù)據(jù)進行檢視發(fā)現(xiàn),地方政府往往傾向于給本地領(lǐng)先企業(yè)更多補貼,例如華為公司的年報披露,每年平均獲取政府補助金額超過10億元人民幣[56],因此,網(wǎng)絡的社群效應越明顯,領(lǐng)先企業(yè)優(yōu)勢越明顯,得到的資源將更多,在創(chuàng)新方面占據(jù)重要地位,反而會對產(chǎn)業(yè)的自主創(chuàng)新水平形成一定抑制。模型6～10檢驗專利申請平均值的回歸情況,同樣可見,模塊度Q值與專利申請平均值也是負相關(guān)關(guān)系。其余結(jié)論與模型1～5也基本一致。

(二) 模擬仿真

1. 模型設置

元胞自動機(cellular automata,CA) 是一種時間、空間、狀態(tài)都離散,空間相互作用和時間因果關(guān)系為局部的網(wǎng)格動力學模型,具有模擬復雜系統(tǒng)時空演化過程的能力。通過將元胞空間和元胞定義拓展為“多代理智能體”的方式,可以更好地模擬復雜網(wǎng)絡中的擴散行為。

(7)

每個節(jié)點在t時刻的狀態(tài)是一個三元組(e,NE,S),其中e表示該節(jié)點的度數(shù),通過遍歷獲得數(shù)值,NE是一個代表節(jié)點的鄰居集合的數(shù)組,取值范圍為[0,n],S表示感染狀態(tài),取值范圍為(0:未感染，1：已感染，2:感染后已恢復)。

在元胞自動機中,鄰域決定了元胞之間的交互關(guān)系,為了不失一般性同時加快仿真速度,采用擴展Moore鄰域方式，如圖5所示。

圖5 常見的元胞鄰域

多智能體方法和病毒傳播模型中,最關(guān)鍵的一點是轉(zhuǎn)換(感染)的規(guī)則,假設信息技術(shù)產(chǎn)業(yè)社群網(wǎng)絡中,創(chuàng)新來源(易感染者)、創(chuàng)新知識學習者(感染者)和創(chuàng)新非選擇者(免疫者)的比例分別為x,y,z,在每一個時間點,一個易感染者以概率α被另一個感染者感染,感染者的恢復概率為β,假設感染者在恢復之后可能會再次回到易感染狀態(tài),則SIS模型的動力學過程可用下列方程組表示:

(8)

根據(jù)文獻[42-44]以及病毒傳染模型的原理推導,假設從高度數(shù)節(jié)點的傳染性,要比低度數(shù)節(jié)點的傳染性更強,而處于未感染狀態(tài)的節(jié)點,要比感染后恢復的節(jié)點更容易被感染。因此,從節(jié)點a到節(jié)點b的感染概率按以下公式計算(假設a為感染狀態(tài)節(jié)點,b為未感染或感染后恢復狀態(tài)):

(9)

2. 仿真結(jié)果

設置初始狀態(tài)下所有節(jié)點都未受到感染。初始感染概率μ符合[0,1]隨機分布,恢復概率按[0,0.1]隨機分布,仿真時間單位選擇為周(7天),時長T=50,仿真50次以后計算平均值,統(tǒng)計網(wǎng)絡中感染比例,起始節(jié)點隨機選擇。

從仿真結(jié)果圖6可以看到,隨著模塊度的增加,創(chuàng)新傳播的速度明顯增加,更早達到均衡狀態(tài),同時更高的模塊度使得網(wǎng)絡能達到更高比例的感染(擴散)水平。因此,可以認為網(wǎng)絡的社群性增加,將會更有利于創(chuàng)新的擴散。這也從另一個角度驗證了假設H3b,由于社群網(wǎng)絡結(jié)構(gòu)對創(chuàng)新擴散有促進作用,企業(yè)獲取創(chuàng)新的成本和代價更低了,搭便車和外包傾向也更加明顯,因此對網(wǎng)絡的自主創(chuàng)新產(chǎn)生了抑制。

圖6 SIS仿真結(jié)果

七、小結(jié)和討論

本文基于實證數(shù)據(jù),以信息技術(shù)產(chǎn)業(yè)創(chuàng)新網(wǎng)絡為對象,分析其在宏觀、中觀和微觀上的特征,并對網(wǎng)絡結(jié)構(gòu)與自主創(chuàng)新產(chǎn)出的關(guān)系進行了研究,得到以下結(jié)論。

首先，基于2010—2017的樣本數(shù)據(jù),我國的信息技術(shù)產(chǎn)業(yè)創(chuàng)新網(wǎng)絡,體現(xiàn)出宏觀上大社群,中觀上小世界,微觀上無標度的特征。社群網(wǎng)絡的集中度有逐年增加的趨勢。信息技術(shù)產(chǎn)業(yè)高度依賴于創(chuàng)新,產(chǎn)業(yè)動態(tài)與信息和知識的創(chuàng)造與傳播高度關(guān)聯(lián)。信息技術(shù)是不斷迭代上升發(fā)展的,突破性技術(shù)和創(chuàng)新涌現(xiàn)對產(chǎn)業(yè)演化形成巨大的推動力。產(chǎn)業(yè)創(chuàng)新系統(tǒng)是為了有利于知識的創(chuàng)造、傳播與轉(zhuǎn)移的體系,通過產(chǎn)學研合作、國家政策、產(chǎn)業(yè)地理集聚等方式實現(xiàn)知識的集聚和傳播。可以認為,產(chǎn)業(yè)的知識動態(tài)就等同于產(chǎn)業(yè)的演化與成長。2010年以來,隨著以微信為代表的移動互聯(lián)網(wǎng)經(jīng)濟的高速發(fā)展,我國的信息技術(shù)產(chǎn)業(yè)知識動態(tài)處于高度演進的動態(tài)過程之中,在創(chuàng)新網(wǎng)絡的演進上得到充分的體現(xiàn)。

其次，信息技術(shù)產(chǎn)業(yè)創(chuàng)新社群網(wǎng)絡的網(wǎng)絡模塊度隨時間增加。產(chǎn)業(yè)演化指產(chǎn)業(yè)的發(fā)展、進步、結(jié)構(gòu)轉(zhuǎn)變和動態(tài)競爭。一個良性發(fā)展的產(chǎn)業(yè),總是在不斷的創(chuàng)生、選擇、失衡和重新均衡之中向前推進的。創(chuàng)新使得產(chǎn)業(yè)產(chǎn)生新的活力和推動力,推動產(chǎn)業(yè)按照均衡、失衡到再均衡的路徑不斷演進。產(chǎn)業(yè)中具有不同的知識和能力的異質(zhì)性個體(企業(yè))之間形成互動,通過學習形成驅(qū)動力,使得創(chuàng)新網(wǎng)絡的模塊度隨時間不斷增加。

最后，信息技術(shù)產(chǎn)業(yè)創(chuàng)新社群網(wǎng)絡的模塊度增加,影響了企業(yè)自主創(chuàng)新產(chǎn)出。由于產(chǎn)業(yè)高速發(fā)展導致社群模塊度增加,小型企業(yè)追求快速進出市場,傾向于外包和技術(shù)模仿,“搭便車”現(xiàn)象日益明顯,從而導致自主創(chuàng)新意愿降低,或者進入“低端鎖定”的路徑依賴,導致自主創(chuàng)新產(chǎn)出降低。路徑依賴可能會因為成熟技術(shù)的迭代演進而節(jié)省成本,帶來效益遞增,但也可能會因為固守成規(guī)錯過創(chuàng)新機會導致“低端”鎖定,一個典型的案例是近年的“共享自行車”困局。此外,路徑依賴和鎖定會因為沖擊性技術(shù)而解構(gòu),導致新的不均衡,經(jīng)過市場博弈之后演進到下一個較為穩(wěn)定的路徑和鎖定。在信息技術(shù)產(chǎn)業(yè)創(chuàng)新網(wǎng)絡自組織形成的過程中,個體往往會從自身已有的核心能力和技術(shù)優(yōu)勢出發(fā),選擇自己認為最優(yōu)的一條技術(shù)路徑進行演進,并將演進方向鎖定在某個既定的技術(shù)領(lǐng)域。如果網(wǎng)絡中已經(jīng)存在非常集聚的社群結(jié)構(gòu),后入者容易直接“錨定”而影響自主創(chuàng)新意愿。后續(xù)應當采取措施適當降低社群網(wǎng)絡的模塊度,推動形成良好的多個小社團共存的局面,鼓勵更多中小企業(yè)自主創(chuàng)新。同時應促進知識流動,避免過度集聚。政府要通過政策信息釋放信號,推動信息技術(shù)創(chuàng)新的形成和流動,制定促進知識流動和網(wǎng)絡化學習的措施。要從國家層上保護知識產(chǎn)權(quán),針對數(shù)字產(chǎn)權(quán)專門考慮,促進知識流動,做好配套(文化、制度、政策)。此外,地方政府往往傾向于給本地領(lǐng)先企業(yè)更多補貼,在網(wǎng)絡社群效應明顯的情況下,領(lǐng)先企業(yè)將得到更多資源,占據(jù)創(chuàng)新優(yōu)勢地位,對產(chǎn)業(yè)的自主創(chuàng)新造成進一定抑制。建議地方政府對補助范圍和對象進行進一步審視。

本文的研究中還存在一些局限之處:首先，社群識別方法忽略了成員的動態(tài)變化和社群結(jié)構(gòu)本身的動態(tài)演化,也沒有考慮社群可能存在重疊的現(xiàn)象。其次，樣本存在一定局限性,個別對創(chuàng)新能力具有衡量作用的變量無法獲取或者數(shù)據(jù)不完備。最后,研究只針對信息技術(shù)產(chǎn)業(yè)的相關(guān)數(shù)據(jù),存在產(chǎn)業(yè)差異性局限。以上都是下一步要繼續(xù)研究的方向。□