基于復雜網絡的高技術企業聯盟知識擴散AIDA模型與實證研究

孫耀吾，衛英平

(湖南大學 工商管理學院，湖南 長沙 410082)

一、研究背景與文獻簡要回顧

在復雜網絡經濟和技術背景下，單個企業進行知識創新面臨著更大的壓力和不確定性，尋求合作與共贏，通過聯盟吸收擴散知識并創造新知識成為企業發展的重要驅動力。聯盟網絡可以加快知識擴散，提高技術創新效率，但內在機理和路徑尚待探索，研究高技術企業聯盟網絡中的知識創新與擴散規律，具有重要的理論與現實意義。

1959年，匈牙利數學家Erdos P和Renyi A提出了隨機圖模型，開創了復雜網絡理論的系統性研究。復雜網絡是指節點數巨大，具有節點間連接多樣性、動力學復雜性和節點多樣性的網絡。近年在物理學、生物學、計算機科學等領域引起廣泛關注［1］。科學家們對電力網絡、通信網絡、科學家合作網等的實證研究發現，現實網絡絕大部分都是復雜網絡［2］，不僅表現出復雜的拓撲結構，還表現出連接權數的不均勻分布。由于信息在復雜網絡中以有限的速度傳播，信息傳播在不同距離間存在時滯［3］。Cai Kai yuan等(2009)研究軟件執行過程演化復雜網絡顯示，軟件執行過程在拓撲學意義上可能是小世界復雜網絡，并且度分布遵循冪律分布［4］。Wang Gaoxia等(2008)提出多向分割法檢測復雜網絡的社區結構，指出矢量分割算法可以有效發現良好社區和社區的適當數量［5］。Zhang Dawei等(2010)應用雪球算法研究復雜網絡社區結構，認為首先構建社區核心，然后將滿足量化條件的鄰近社區綁定到這個核心，直到所有節點都進入網絡［6］。黃璜(2010)基于形式化的社會資本變量建立合作演化模型，利用“基于主體建模”方法進行計算機模擬，表明如果一個群體是由相互嵌套的、小規模的、自組織的“社會網絡”即“小圈子”構成，個體可以自由選擇這些“圈子”，那么個體在“小圈子”中的長遠利益會影響他們的策略選擇［7］。

在知識管理領域，Robin Cowan等(2004)基于復雜網絡提出知識擴散模型，探討網絡結構和知識擴散的關系，發現復雜網絡的知識擴散呈現清晰的“小世界”特性，網絡節點的連接結構影響知識的動態傳播［8］。知識接收者對社會網絡中知識擴散源的接近取決于知識屬性，社交距離會影響知識擴散源向潛在接收者的知識傳遞，知識傳播的高保真性有利于知識擴散［9］。技術創新網絡是由模塊化結點形成的復雜網絡組織［10］，張首魁等(2006)應用松散耦合理論從網絡整體性與模塊獨立性兩個維度研究其松散耦合的組織結構。李金華等(2006)應用復雜網絡理論研究創新網絡結構演化，模型與仿真揭示了創新網絡的小世界特性和拓撲結構［11］。Hyukjoon Kim 等(2009)基于社會網絡構建知識擴散模型，探討網絡結構對知識擴散績效的影響，認為小世界網絡是最有效的知識擴散結構［12］。

高技術企業聯盟通過合作研發、知識交流等方式，實現技術突破和知識創造，聯盟成員之間的合作關系網是復雜網絡。在高技術企業聯盟知識擴散研究中，莊亞明等(2004)分析了阻礙高技術企業聯盟知識轉移的主要因素，提出了知識轉移一般模式、形成機理和收益分配方案［13］;Chih Ming Tsai(2008，2009)引入知識外在化、知識內在化等五種模式構建包含企業間和企業內的創新知識價值演化與擴散動態模型，揭示現存知識價值、創新知識價值和企業收益之間的關系［14－15］。總體上，已有的知識擴散模型研究尚未能揭示知識在復雜網絡中擴散的深層機理和系統特性。本文借鑒基于復雜網絡的傳播機理與動力學分析，特別是疾病傳播研究，對高技術企業聯盟網絡的知識擴散機理與特性進行系統分析。

二、復雜網絡下高技術企業聯盟知識擴散AIDA模型

(一)研究方法

在典型的流行病傳播模型中，種群內的個體被抽象為幾類，每一類都處于一個典型狀態，其基本狀態［16］包括:S(susceptible)——易染狀態;I(infected)——感染狀態;R(recovered)——免疫狀態。通常用這些狀態之間的轉換過程來命名不同的傳染模型。例如，易染群體被感染，然后恢復健康并具有免疫性，稱之為SIR模型。若易染群體被感染、康復后，部分康復群體失去免疫力重新返回到易染狀態，則稱為SIRS模型［17］，其實質是疾病傳播會引起更多群體感染，呈擴散狀況。這一原理可被借鑒用以反映知識傳播與擴散現象。

知識擴散是指知識被更多的主體所吸收和運用。高技術企業聯盟是企業在合作創新的過程中形成的協作關系網，創造出大量新知識，這些新知識游離在聯盟網絡中，易于為聯盟成員吸收、擴散再加以創新，這與疾病傳播相似。區別在于創新知識更多地是在聯盟成員之間傳播，而難以向聯盟外企業擴散，疾病傳播則是任何與感染群體接觸的群體都有可能發生。在高技術企業聯盟網絡中，擴散知識的企業是知識擴散源，類似于疾病傳播源，知識吸收者類似于易染群體，即聯盟成員在吸收網絡中擴散的知識后，會對吸收的知識進行整合從而創造出新知識并進行擴散，之后又不斷地從聯盟網絡中獲取創新性知識，其知識擴散機理與SIRS模型原理類似。本文借鑒傳染病SIRS原理，構建高技術企業聯盟知識擴散的AIDA模型，揭示聯盟復雜網絡知識擴散特性，并進行實證分析，探索促進聯盟知識擴散、提高企業知識創新效率和聯盟穩定性的新途徑。

(二)模型構建

在高技術企業聯盟中，成員企業在網絡中的狀態可分為3種:一種是自主知識創新能力較弱，但具有較強的知識吸收能力，易于接受外界擴散的知識，處于知識依附狀態，稱為易染企業節點;一種是具有較強的知識創新能力，除自主創新外，可以將外界擴散的知識整合成自身知識，并擴散部分創新知識，處于知識融合狀態，稱為感染企業節點;一種是自主創新能力較強，但對外界的擴散知識吸收較少，處于知識自足狀態，如聯盟新成員或較為封閉、獨立的成員，參與合作創新尚少，稱為免疫企業節點。事實上，聯盟成員的這3種狀態并非完全非此即彼，只是在特定的時刻以某種狀態為主。聯盟網絡中企業的不同狀態具有一定的區間范圍，當企業的狀態變化超過某一臨界值時，企業才會呈現新的狀態。借鑒汪小帆等(2006)對復雜網絡的流行病傳播機理研究［16］，設企業從知識依附狀態經由知識融合狀態到知識自足狀態的概率為ν，從知識自足狀態重新返回到知識依附狀態的概率為δ，則有效的知識擴散率可定義為:

借鑒 Romualdo Pastor－Satorras和 Alessandro Vespignani(2001)對傳染病傳播的動力學原理，假設在t時刻被擴散知識感染的聯盟網絡企業節點密度為ρ(t)，當時間t趨于無窮大時，感染擴散知識的企業穩態密度為ρ，在聯盟成員緊密聯系的網絡中，由平均場理論可得被感染企業密度ρ(t)的反應方程為:

在式(2)中，ρ(t)表示感染擴散知識的企業節點以單位速率成為免疫企業節點，λ〈k〉ρ(t)［1 － ρ(t)］表示單個感染的企業節點產生的新感染節點的平均密度，它與有效的知識擴散率λ、企業節點的度〈k〉以及與未感染的企業節點相連的概率(1－ρ(t))成比例。企業節點的度〈k〉是與某個特定企業直接相連的其他企業的數目，反映了某個企業與其他企業聯系的緊密程度，并反映了企業在聯盟中的地位。直觀上看，一個企業節點的度越大就意味著這個企業在聯盟中的地位越重要。令式(2)右端等于零，最終可以求得被感染擴散知識的企業個體的穩態密度ρ為:

在式(3)中，λc表示知識擴散的臨界值，即企業知識擴散量能促使其他企業進行有效知識創新的最小值。當企業節點狀態發生變化時，知識進行有效擴散的臨界值為:

在企業相互聯系較均勻的高技術企業聯盟網絡中，有效的知識擴散率會存在一個臨界值λc，若有效的知識擴散率λ大于臨界值λc，則聯盟成員合作比較緊密，彼此間相互信任，感染擴散知識的企業會將吸收的知識向外擴散，使得聯盟網絡中吸收擴散知識的企業數量處于某一穩定狀態，但若企業擴散的知識是與聯盟技術創新無關的知識，則其擴散是無效的，此時的知識擴散并不會促進其他聯盟成員進行知識吸收并提高聯盟的知識創新能力。

現實中，大多數的聯盟網絡都是非均勻網絡，各個聯盟成員在網絡中的重要性程度不同，從而網絡中企業節點的連接存在密集和稀疏情形。定義相對密度ρk(t)為一個網絡節點度為k的企業節點感染擴散知識的概率，則它的平均場方程［18］為:

其中，Θ(ρk(t))表示某一特定的聯盟成員與一個感染擴散知識的企業節點相連的概率。若ρk(t)的穩態值為ρk，令式(5)右端為零，可得:

式(6)表明聯盟網絡中企業節點的度越高，其感染擴散知識的概率也越高。由于聯盟網絡中不同企業節點的度通常存在差異、大小不一，對于任一特定的聯盟成員指向度為s的企業節點的概率可以表示為 sP(s)/〈k〉，求得:

有效的知識擴散臨界值λc必須滿足的條件是:當λ＞λc時可以得到Θ的一個非零解，由式(6)和式(7)可以得到:

式(8)有一個平凡解Θ=0，如果該方程要存在一個非平凡解Θ≠0，需要滿足如下條件:

從而得到高技術企業聯盟網絡有效的知識擴散臨界值λc為:

可知，高技術企業聯盟網絡節點的平均度〈k〉越大，有效的知識擴散臨界值λc越小，知識在聯盟中的擴散就越容易。同時，對于聯盟成員來說，節點度較大的企業知識擴散臨界值較低，有利于創新知識在聯盟內的擴散。

高技術企業聯盟進行知識擴散必須達到臨界值才會成功，較小的臨界值有利于知識的擴散。在聯盟網絡中，只有擴散知識是聯盟知識創造所需要的類型時擴散才會有效。知識擴散成功后，企業將吸收的知識融合成自身知識加以創新，并將創造的新知識擴散出去，提高聯盟的知識水平。圖1中，聯盟成員通過吸收網絡中擴散的創新性知識，借助于自身知識創新的SECI過程創造出新知識，并向網絡進行部分擴散，從而實現知識從吸收、創新到擴散的AIDA過程。具體包括3個方面:(1)知識吸收過程(absorbing):高技術企業聯盟網絡的知識創新能力強，具有較多的創新性知識，這些知識在網絡中處于游離狀態，聯盟成員可以進行選擇性吸收，以提高自身的知識水平和知識創新能力;(2)知識創新過程(innovation):聯盟成員參與技術合作，吸收先進的技術知識，并通過自身知識創造的SECI過程實現知識創新;(3)知識擴散過程(diffusion):聯盟成員在創造出新知識后，也會進行部分創新性知識擴散，擴散的多少由其知識擴散意愿大小決定。企業參與聯盟進行技術創新都會共享部分知識，并利用聯盟較高的知識創新能力實現技術突破;聯盟成員通過持續的AIDA過程提高自身的知識創新能力和知識吸收能力，并進行創新性知識的擴散，提高整個聯盟的知識水平。與此同時，聯盟成員在吸收和擴散知識時都會受到噪音的影響，這里的噪音是指網絡環境、知識擴散類型等引起知識不能得到有效吸收的因素。企業在聯盟網絡中的地位也是影響有效知識擴散的重要因素，企業的影響力越大，地位越重要，其擴散的知識通常包含更有價值的信息，知識越容易擴散。

圖1 聯盟網絡中企業知識擴散的AIDA過程

三、高技術企業聯盟知識擴散的特性

(一)小世界性質

在關于完全規則網絡向完全隨機網絡轉化的研究中，1998年Watts和Strogatz構建了WS小世界模型，它考慮在最近鄰耦合網絡中，以概率p隨機重連網絡中的每個邊即斷鍵重連［19］。由于WS小世界模型構造算法中的隨機化過程有可能破壞網絡的連通性，1999年Newman和 Watts提出了NW小世界模型，通過用“隨機化加邊”取代WS小世界模型中的“隨機化重連”［20］。小世界性質可以通過平均路徑長度和集聚系數來反映。

在高技術企業聯盟網絡中，記聯盟成員的個數即網絡節點數為N，則網絡中任意兩個企業節點之間的距離dij定義為連接它們的最短路徑上的邊數。高技術企業聯盟網絡的平均路徑長度定義為任意兩個企業節點之間距離的平均值，即:

在高技術企業聯盟中，網絡的平均路徑長度越小，企業之間的聯系越緊密，有利于知識的共享和擴散。隨著聯盟成員的數量增加，網絡規模擴大，平均路徑長度雖有增加的傾向，但由于小世界網絡中，其增加速度至多與網絡規模的對數成正比［16］，所以對知識擴散影響不大。

假設某一聯盟成員i和ki個成員具有直接聯系，則這ki個成員之間最多可能有ki(ki－1)/2條邊進行聯系，于是這ki個聯盟成員之間實際存在的直接聯系邊數Ei和總的可能的邊數ki(ki－1)/2之比就定義為聯盟成員i的集聚系數Ci，即:

整個聯盟網絡的聚類系數C就是所有知識主體節點i的聚類系數Ci的平均值，用來描述網絡的全局特征。由于聯盟網絡中知識主體節點之間既不是完全孤立的也不是全局耦合的，故0≤C≤1。高技術企業聯盟網絡的集聚系數描述了聯盟成員之間聯系的緊密程度，若聯盟成員之間的聯系較為緊密，則網絡的集聚系數較大，集聚化水平較高，聯盟成員之間的知識交流較為頻繁，從而易于知識的擴散。此外，聯盟成員的同質化程度也會影響整個網絡的集聚系數，若企業的同質化程度較大，則企業之間的知識交流會使知識擴散變得容易，因為處于同行業的企業擁有的知識具有某種程度的相似性，從而對擴散的知識容易理解和吸收，使得網絡的集聚系數增大。

(二)無標度特性

1999年，Barabasi和Albert提出了無標度網絡模型，指出萬維網、新陳代謝網絡等的連接度分布函數具有冪律形式，由于這些網絡的節點連接度沒有明顯的特征長度，故把這類具有冪律度分布的網絡稱為無標度網絡［21］。現實網絡具有兩個重要特性，即增長特性(即網絡的規模是不斷擴大的)和優先連接特性(即新的節點更傾向于與那些具有較高連接度的“大”節點相連接)，具體從一個包含m0個節點的網絡開始，每次引入一個新的節點，并且連接到m個已存在的節點上(m≤m0)，同時，一個新節點和一個已經存在的節點i相連接的概率P(ki)與節點 i的度 ki、節點 j的度 kj之間滿足如下關系:

高技術企業聯盟是非均勻網絡，絕大多數企業節點的度相對較低，但存在少量的相對較高度的企業節點，他們是聯盟網絡的主導企業。由于產業網絡是一個具有無標度特性的復雜網絡［22］，因此，高技術企業聯盟網絡的度分布更接近于冪律分布:

在式(15)中，P(k)表示隨機選定的企業節點度恰好為k的概率，γ為常數。

聯盟中度較高的企業節點對網絡的穩定性有重要影響，在促進聯盟知識擴散的同時，也成為聯盟持續發展的一大風險。在高技術企業聯盟網絡中，假設每次有一個企業節點退出，則聯盟中與該企業存在的直接聯系就會中斷，并引起網絡中其他企業之間聯系的一些路徑中斷。如果在企業節點i和j之間有多種聯系，中斷其中的一些聯系就可能會使這兩個企業之間的距離dij增大，使得整個聯盟網絡的平均路徑長度L也會增大，從而影響聯盟知識擴散的速度。如果少量企業退出聯盟后，網絡中的絕大部分企業仍是連通的，則該網絡的連通性對部分企業的退出即節點故障具有魯棒性。高技術企業聯盟的無標度特性對隨機企業節點的退出具有高度的魯棒性，這主要是由于網絡度分布的極端非均勻性。但是，正是這種非均勻性使得聯盟網絡對度較大企業節點的退出具有高度的脆弱性，即:如果極少數度較大的企業節點退出聯盟就會對整個網絡的知識擴散產生大的影響。可見，主導企業的穩定性及其對網絡的影響，非主導企業之間聯系的密切程度及其對主導企業的依附程度，都會直接影響知識在聯盟網絡中擴散的速度與持續性。

(三)社區結構

高技術企業聯盟網絡是不均勻的，不同企業節點的知識擴散能力具有差異性，從而具有一定的社區結構，即聯盟可分成若干個子網絡或社區，社區是指聯盟內部聯系相對緊密的成員形成的小群體。聯盟社區內部的企業節點之間的聯系相對非常緊密，但是各個社區之間的聯系相對來說比較稀疏。一般來說，聯盟網絡社區結構的形成是由于部分聯盟成員的知識水平較為相近，知識同質性較大，相互協作關系融洽，能通過技術合作較快的獲得創新知識和持續的競爭力。

用模塊性測量高技術企業聯盟的社區結構，其模塊化程度Q為:

在式(16)中，ar=∑whrw表示聯盟網絡r中企業節點進行聯系的邊數，hrw表示聯盟社區r、w中的企業節點之間的聯系。高技術企業聯盟的模塊化程度Q值越大，社區結構越明顯。當Q=1時，聯盟網絡會呈現出顯著的社區結構。

若聯盟的知識主體節點數N在某一時期保持不變，S(t)表示易感染擴散知識的企業節點數，I(t)表示被感染擴散知識的企業節點數，則:

由前式(1)，若用λ1表示社區內部的知識擴散率，λ2表示社區之間的知識擴散率，由于社區內部成員之間的聯系較為容易，則λ1＞λ2。也就是說，社區結構有利于其內部成員的知識擴散，但不易于社區之間的知識交流。

四、實證研究

(一)樣本選取與數據來源

發明專利是衡量高技術企業知識創新能力的有效指標，某一發明專利使用越頻繁，相關知識擴散也就越多［23］，空間距離則會影響企業知識交流的頻率［24］，不利于創新能力的提高。企業創新能力的差異必然使聯盟網絡中的知識流動與擴散存在一定的勢差，這種知識位勢也會表現為發明專利數的差別。由于同一產業產品相似，企業間相似產品的發明專利相關性較大，發明專利及其彼此引用反映了聯盟企業之間的聯系。企業在進行技術創新的過程中，必然會對現有的相關技術專利進行研究，吸收已有的知識，創造新的發明專利，而新的發明專利又進一步被其他企業吸收利用，由此形成知識擴散的AIDA過程。本文選取TD－SCDMA產業聯盟的46個企業(在TD－SCDMA產業聯盟中，由于部分成員是2003年以后成立的，相關數據較少，有些成員的數據較難獲得)為樣本，從中華人民共和國知識產權局網和中國專利網收集到2000年到2009年的發明專利數據，用SPSS進行相關分析，構建TD－SCDMA產業聯盟矩陣，并用UCINET軟件進行數據分析，檢驗高技術企業聯盟知識擴散模型與特性。

(二)TD－SCDMA產業聯盟知識擴散特性

1.小世界性質

運用UCINET軟件對TD－SCDMA產業聯盟網絡的平均路徑長度進行計算，如表1所示。由表1可知，TD－SCDMA產業聯盟網絡的平均路徑長度是1.987，聯盟成員距離是1的情況出現了519次，距離是2的情況出現了1074次，距離是3的情況出現了375次。這3種情況占總數的97.1%，這說明大多數聯盟成員之間的距離為2，即聯盟網絡中，任何兩個聯盟成員之間平均只需要通過一個企業就可以建立聯系了，這說明聯盟網絡具有較小的特征路徑長度，這有利于聯盟成員之間的知識交流，從而加快知識在網絡中的擴散。同時，通過計算可得出聯盟網絡的聚類系數為0.497，這說明聯盟網絡具有相對較大的聚類系數，聯盟成員之間的聯系較為緊密。因此，TD－SCDMA產業網絡具有小世界性質，有利于創新性知識的擴散，提高整個聯盟的知識水平。

表1 TD－SCDMA產業聯盟網絡的距離計算結果

2.無標度特性

對TD－SCDMA產業聯盟網絡的中心度進行計算如表2所示。可知，TD－SCDMA產業聯盟網絡的中心度是4.72%，表明網絡存在較大的不均勻性，具有無標度性質。

表2 TD－SCDMA產業聯盟網絡的度計算結果

對TD－SCDMA產業聯盟矩陣進行網絡分析如圖2所示。由圖2可知，TD－SCDMA產業聯盟網絡是一個非均勻網絡，網絡存在稀疏和密集的區域，表明網絡具有無標度特性。其中，有些企業的節點度較大，如華為、中興、大唐移動等企業節點度數較大，處于聯盟網絡的核心位置，這些企業的知識創新能力很強，與其他成員的聯系緊密，通過知識擴散有效提升了聯盟的知識水平，對聯盟的發展和穩定起著重要的作用。同時，有些企業的節點度較小，如烽火科技、科泰世紀等企業，知識創新能力較弱，對聯盟的知識擴散貢獻較少。

圖2 TD－SCDMA產業聯盟網絡分析

圖3 除去華為、中興、大唐移動等主導企業后TD－SCDMA產業聯盟網絡

除去華為、中興、大唐移動等核心企業后的TD－SCDMA產業聯盟網絡分析如圖3所示，可知，核心企業退出聯盟后，網絡變得相對稀疏、松散，并且出現孤立節點，如烽火科技等。這是由于主導企業擁有較多的創新性知識，知識創新和擴散能力強，若退出聯盟，會顯著影響知識擴散，并降低整個聯盟的知識水平。可見，聯盟成員與多個企業進行知識交流，適當減小主導企業的節點度，能減弱某些成員的退出對聯盟穩定性及知識創新與擴散的影響。

表3 TD－SCDMA產業聯盟網絡E－I指數計算結果

3.社區結構

對TD－SCDMA產業聯盟網絡的E－I指數進行計算為表3，TD－SCDMA產業聯盟網絡的分派關系如圖4所示。

圖4 TD－SCDMA產業聯盟網絡分派關系

由表3可知，整個聯盟網絡的E－I指數為－0.911，接近－1，表明聯盟成員存在較多派系，即TD－SCDMA產業聯盟網絡存在社區結構;圖4也反映出了除華為、中興、大唐移動外，大部分知識創新能力較弱的企業聚集在一起，影響了成員的廣泛合作和聯盟網絡中創新知識的擴散效率。2010年6月TD四期唱標階段的廠商表現就部分地反映了這一現實［25］。共有八家廠商組成三大軍團(中興－普天系、大唐移動－愛立信－烽火通信系、華為－諾西－新郵通系)參與此次競標;在前三期TD建網招標中，中興獲得了最高的市場份額，這一次，他與此前份額排第五的中國普天結盟組成最強“陣容”，其報價也高于三期。表明，聯盟中的社區結構和派系，傾向于強強聯合，容易出現操控壟斷行為，在一定程度上不利于擴散創新知識、提高創新效率。

五、結論與啟示

綜上，借鑒疾病傳播的SIRS原理構建基于復雜網絡的高技術企業聯盟知識擴散AIDA模型，研究聯盟網絡知識擴散機理與特性，并以TD－SCDMA產業聯盟的46家企業為樣本進行實證檢驗，得出如下基本結論:(1)高技術產業聯盟網絡具有較小的特征路徑長度和較大的聚類系數，呈現出小世界性質;(2)高技術聯盟網絡具有無標度特性，是一個非均勻網絡，有些企業的節點度較大，有些則較小，對聯盟網絡的穩定性和知識擴散有著不同的影響;(3)高技術聯盟網絡的E－I趨于－1，具有分派體系，表現出一定的社區結構。

上述結論對探索提高聯盟的知識創新與擴散效率以及保持聯盟穩定可持續發展途徑具有重要啟示。第一是新成員的快速適應與融入問題。新成員的進入通常會增大聯盟的企業節點數，減緩知識擴散速度。因此，新成員或相對弱小的企業尤其應加強與其他企業的聯系，減小網絡的平均路徑長度，減弱網絡的非均勻化，促進知識交流、擴散和聯盟成員的共同發展。第二是主導企業的穩定性及其對聯盟網絡的影響和控制問題。主導企業對聯盟網絡具有較大的影響力，是聯盟知識擴散的主要來源，它們的退出可能造成聯盟網絡的癱瘓。因此，應研究對主導企業的激勵機制和措施;同時加強節點度較小企業之間的合作，提高他們的知識創新能力，減弱主導企業對聯盟的控制及其消極影響，增強聯盟的穩定性和可持續發展。第三是聯盟的社區派系結構問題。聯盟的社區結構會加快派系內部成員的知識交流，但不利于不同派系的知識擴散。改善聯盟網絡創新生態，合理利用社區結構內部的快速傳播，并加強不同類型企業節點的聯系，鼓勵不同層次的企業合作進行知識創新，可有效減弱派系的不良影響，加快知識交流頻率，促進聯盟的知識創新與擴散。最后是聯盟的國際化發展問題。先進的跨國公司已成為重要的創新知識源，跨國聯盟已經成為全球知識創新與技術擴散的重要載體。中國的高技術企業聯盟需積極推進國際化，吸收國際高技術企業成員，有效促進知識擴散和國際轉移，提高產業的國際競爭力，獲得持續發展的競爭優勢。

［1］Xu Degang，Su Zhifang.Synchronization Criterions and Pinning Control of General Complex Networks with Time Delay［J］.Applied Mathematics and Computation，2009，215(4):1593－1608.

［2］Erdos P，Renyi A.On the Evolution of Random Graphs［J］.Publ.Math.Inst.Hung.Acad.Sci.，1960，5:17 －60.

［3］Wang Qingyun，Duan Zhisheng，Chen Guanrong，Feng Zhaosheng.Synchronization in a Class of Weighted Complex Networks with Coupling Delays［J］.Physica A，2008，387(22):5616－5622.

［4］Cai Kai－Yuan，Yin Bei－ Bei.Software Execution Processes as an Evolving Complex Network［J］.Information Sciences，2009，179(12):1903 －1928.

［5］Wang Gaoxia，Shen Yi，Ouyang Ming.A Vector Partitioning Approach to Detecting Community Structure in Complex Networks［J］.Computers and Mathematics with Applications，2008，55(12):2746 －2752.

［6］Zhang Dawei，Xie Fuding，Zhang Yong，Dong Fangyan，Hirota Kaoru.Fuzzy Analysis of Community Detection in Complex Networks［J］.Physica A，2010，389(22):5319 －5327.

［7］黃 璜.基于社會資本的合作演化研究—“基于主體建模”方法的博弈推演［J］.中國軟科學，2010(9):173－184.

［8］Robin Cowan，Nicolas Jonard.Network Structure and the Diffusion of Knowledge［J］.Journal of Economic Dynamics ＆Control，2004，28(8):1557 －1575.

［9］Olav Sorenson，Jan W Rivkin，Lee Fleming.Complexity，Networks and Knowledge Flow［J］.Research Policy，2006，35(7):994－1017.

［10］張首魁，黨興華，李 莉.松散耦合系統:技術創新網絡組織結構研究［J］.中國軟科學，2006(9):122－129.

［11］李金華，孫東川.創新網絡的演化模型［J］.科學學研究，2006，24(1):135 －140.

［12］Hyukjoon Kim，Yongtae Park.Structural Effects of R＆D Collaboration Network on Knowledge Diffusion Performance［J］.Expert Systems with Applications，2009，36(5):8986－8992.

［13］莊亞明，李金生.高技術企業知識聯盟中的知識轉移研究［J］.科研管理，2004，25(6):50－55.

［14］Chih Ming Tsai.Integrating Intra－firm and Inter－firm Knowledge Diffusion into the Knowledge Diffusion model［J］.Expert Systems with Applications，2008，34(2):1423 －1433.

［15］Chih Ming Tsai.The Knowledge Diffusion Model Associated with Innovative Knowledge［J］.Expert Systems with Applications，2009，36(8):994 －1005.

［16］汪小帆，李 翔，陳關榮.復雜網絡理論及其應用［M］.北京:清華大學出版社，2006.

［17］張麗萍，王惠南.小世界網絡研究血吸蟲病的傳播［J］. 蘭州大學學報(自然科學版)，2008，44(3):52 －55.

［18］Romualdo Pastor － Satorras，Alessandro Vespignani.Epidemic Dynamics and Endemic States in Complex Networks［J］.Physical Review E，2001，63:66 －117.

［19］Duncan J Watts，Steven H Strogatz.Collective Dynamics of‘small － world’ Networks［J］.Nature，1998，393(4):440－442.

［20］M E J Newman，D J Watts.Renormalization Group Analysis of the Small－ world Network Model［J］.Physics Letters A，1999，263(6):341 －346.

［21］Barabasi A L，Albert R.Emergence of Scaling in Random Networks［J］.Science，1999，286(5439):509 －512.

［22］李守偉，錢省三.產業網絡的復雜性研究與實證［J］.科學學研究，2006，24(4):529 －533.

［23］Shann － Bin Chang，Kuei － Kuei Lai，Shu － Min Chang.Exploring Technology Diffusion and Classification of Business Methods:Using the Patent Citation Network［J］.Technological Forecasting ＆ Social Change，2009，76(1):107 －117.

［24］Nicolas Carayol，Pascale Roux.Knowledge Flows and the Geography of Networks:A Strategic Model of Small World Formation［J］.Journal of Economic Behavior ＆ Organization，2009，71(2):414 －427.

［25］郭 文.TD四期進入唱標階段，七廠商降價拼份額［EB/OL］.http://www.cww.net.cn/zhuanti/html/2010/6/18/2010618817111713.htm.