知識重疊、知識庫特性與創新績效
——來自機械制造企業技術并購的實證

馬 雙，鄒 琳

(1.上海社會科學院 信息研究所，上海 200235；2.上海工程技術大學 管理學院，上海 201620)

0 引言

大多數關于技術并購的研究關注并購企業與被并購企業間的知識特性關系，以及并購后的創新績效[1-3]。由于技術并購涉及兩家企業知識庫整合，知識重疊便成為知識整合研究的重點。現有文獻主要探討重疊知識和非重疊知識在并購后產生的多維效應，如對研發生產率[4]、創新績效[5]、企業知識利用[6]、企業研發資產投資[7]等的影響。學者們不斷提出新的或更加完善的理論框架，以探討技術并購中的知識重疊效應，如將被并購企業知識庫分為知識相似性和互補性[8]。最近學界利用Makri等(2010)提出的理論框架，研究被并購企業重疊和非重疊知識對創新績效的影響[7,9-10]。

但是，上述研究局限于知識庫的數量屬性，忽視了知識質量，僅將知識重疊定義為知識重疊數量多少[4,8]。例如，Phene等[11]關注并購企業與被并購企業共同知識和特有知識的多重屬性；Sears & Hoetker[3]擴展了知識重疊的概念，但也只關注并購企業和被并購企業的知識重疊數量。

因此，在分析涉及技術并購的企業知識庫時，必須考慮知識的質量屬性，因為知識數量并不能準確反映創新能力[12]。Yang等[13]構建了知識質量指標體系用以分析技術并購效應，進一步強調了知識質量對企業知識轉移的重要性；Yoo[14]重新定義了知識質量及其對知識轉移的影響。當企業采用外部知識吸收策略(如技術并購)時，知識庫質量的重要性將越來越突出，但以往研究僅針對知識數量的創新效應進行估算分析。在現實層面，機械制造行業因其隱性知識和工藝、干中學、漸進式創新、知識技術鏈接廣泛等特點，成為技術并購多發領域。2017年，國內機械制造企業并購案例、交易金額占所有制造行業的比重均在60%以上，而且在國內外經濟形勢日趨嚴峻的背景下，外延式增長模式無法掩蓋國內機械制造企業核心技術缺乏、自主創新能力低下的短板。因此，許多企業嘗試通過技術并購手段獲得新資源、完善資源配置、實現能級提升。基于此，本文利用國內機械制造行業技術并購數據，對技術并購中企業知識質量和知識重疊對并購后創新績效的影響效應進行分析，以期對以往研究進行修正，同時為企業實踐提供參考。

1 文獻綜述

1.1 技術并購中的知識重疊

以往研究分析了并購后知識重疊的多重效應[6,8,10]，通常認為重疊和非重疊知識是非此即彼的，即企業間重疊知識增加意味著非重疊知識減少，反之亦然。一方面，非重疊知識為并購企業提供了全新知識，但由于缺乏相應的知識吸收能力，會出現知識整合障礙[5]。另一方面，重疊知識雖然不會出現知識整合障礙，但無法為企業提供創造新價值所需的新知識[3]。基于此，許多學者利用知識重疊概念對該效應進行分析，認為應尋找重疊知識和非重疊知識間的平衡點，以獲取并購后的最佳創新績效[10]。Kapoor & Lim[4]認為適當的知識重疊對并購后的創新生產率大有裨益，這得益于非重疊知識的新穎性和重疊知識的連通性。最近的研究將知識重疊分為并購企業重疊和被并購企業重疊，并分析了每種重疊對于并購后創新績效的影響，結果表明知識重疊增加對創新績效產生負向影響，因為企業無法從新想法和新技術中獲益。此外，還有學者發現重疊知識的效用(吸收能力)弱于非重疊知識產生的效用(知識新穎性)[3]。

另一類知識重疊研究則提供了更加清晰的理論框架：知識相似性和互補性。Makri等[8]使用該框架對技術并購進行研究，發現被并購企業知識相似性對并購后的技術新穎程度產生負向影響；Colombo & Rabbiosi[9]將知識庫劃分為相似知識和互補知識，探究企業技術知識特征對并購后創新績效的影響。最近許多學者利用這一框架分析了知識相似性和互補性如何影響被并購企業的研發資產投資及其在技術并購中的知識利用，盡管結果略微不同，但均強調了非重疊知識在組織學習中的重要性，因為知識新穎性對并購后創新績效會產生積極影響。

然而，前述研究僅關注知識重疊的數量維度，忽視了質量維度。文中將知識質量納入知識重疊的理論框架，分析重疊、非重疊知識的數量質量特性如何影響并購后的創新績效。圖1描繪了技術并購中兩家企業知識庫的重疊和非重疊部分。其中，并購企業通常是領先企業，擁有較為完備的知識庫和相對領先的技術，被并購企業是追趕企業，知識庫規模較小且技術相對落后。

圖1 技術并購中的重疊/非重疊知識

1.2 知識庫特性與并購后創新績效

基于組織學習理論，知識轉移和知識創造是企業將獲取的外部知識轉化為競爭優勢的重要過程[15]。技術并購的本質是獲取新知識，而知識轉移和知識創造是促進并購成功和績效提升的重要因素。

1.2.1 知識質量與創新績效

高質量知識是隱性、復雜和高度情景化的[16]。有關知識轉移的文獻認為，知識質量越高，嵌入企業知識庫(包括勞動力、工具、任務、網絡等)的復雜性就越高[17]。高質量知識的復雜性是知識具有不可模仿、難以轉移、區域情境等特性的根源。另外，隱性知識具有模糊性和粘性，使得知識轉移變得困難，尤其當兩個學習主體間沒有重疊慣例時，知識轉移幾乎不會發生[18]。高質量知識產生于干中學，知識創造的關鍵是經驗和知識積累。因此，高質量知識無法僅從簡單的知識轉移中學習得到[19]。

但是，并購企業與被并購企業間的知識重疊使得高質量知識轉移變得順暢。重疊知識意味著企業擁有共同的知識生產過程和路徑[20]。Cohen & Levinthal[21]認為企業間知識重疊提供共同的技術、相似的認知基礎和共享的技術語言，從而使并購企業擁有更強的吸收能力，可以更好地理解、吸收和轉化被并購企業的高質量知識。

高質量知識有利于知識創造。如果并購企業已在某些領域取得技術突破，高質量知識對完善相關技術至關重要。有研究強調被并購企業非重疊和新穎知識對提升創新績效的重要性[3,5]。盡管重疊知識可能包含冗余的知識技術庫，生產過程和路徑會因生產環境不同而有所差異，但其重要性不言而喻。高質量知識具有高度情景性、原創性和競爭優勢，相比低質量知識，其擁有更優的提升路徑和更廣的適用范圍[22]。因此，高質量重疊知識能為并購企業提供新技術，進而優化其生產過程、技術路徑并提升現有知識利用率。由此，提出如下假設：

H1：在技術并購中，重疊知識質量越高，技術并購后的創新績效越好。

當高質量知識不重疊時，并購企業會試圖整合這些知識，但吸收能力不足會導致效率低下。另外，高質量知識的特性(如資產專用性、隱性、復雜)使得知識轉移更加困難[23-24]。非重疊知識在生產過程和路徑上存在差異，并購企業難以對其進行轉移與整合。因此，由于低效的知識轉移，整合被并購企業的高質量、非重疊知識會產生高額成本，從而分散并購企業原本用于增強企業核心競爭力的研發資源，反而不利于創新績效提升[25]。而且，轉移被并購企業的高質量、非重疊知識花費的時間可能會使并購企業錯失創造新知識的時機。高質量、非重疊知識整合會消耗大量資源和時間，進而對知識轉移產生較大負面影響。

盡管成本較高，但高質量、非重疊知識會對知識創造產生積極影響。因具有更好的整合潛力和應用前景，被并購企業的高質量知識比低質量知識更具競爭力。但是，高質量知識的積極效應受限于并購企業較弱的吸收能力。如果沒有任何知識重疊，并購企業就難以整合利用高質量知識，進而影響其未來的創新活動。因此，隨著非重疊知識質量提高，整合成本增加的負效應大于整合潛力增加的正效應。此外，非重疊的高質量知識會因資源分配問題而對創新產生負面影響[26]。Jiang等[25]認為，在沒有知識基礎的領域不斷尋求創新，反而會對知識創造產生負面影響，它會對現有核心創新活動形成資源效應，削弱企業核心競爭力。換句話說，高質量非重疊知識會導致企業錯誤地分配資源并對企業核心競爭力和知識創造產生負面效應。

總之，雖然高質量非重疊知識擁有極大的整合潛力，但由于高昂的整合成本和錯誤的資源分配使其產生負面效應。因此，本文假設非重疊知識質量會對并購后的創新績效產生負面影響。

H2：在技術并購中，非重疊知識質量越高，技術并購后的創新績效就越低。

1.2.2 知識數量與創新績效

轉移重疊知識更加容易，因為并購企業已經掌握了相應的吸收能力。因此，與被并購企業知識重疊會因技術知識共享而使知識轉移和知識整合變得容易[16,20]。Phene等[11]的研究表明，并購企業和被并購企業間的知識重疊使得技術人員擁有相似的思維方式，這為組織系統和學習過程帶來相似性并且有利于知識吸收。只要并購企業擁有足夠的吸收能力，有效的知識轉移就可能發生。

技術并購導致重疊知識數量增加，對知識創造過程產生積極影響。隨著被并購企業吸收的重疊知識數量不斷增加，不同知識和技術整合就會增強企業核心競爭力[27]。重疊知識數量增加有助于現有知識的有效交換和重新整合，對企業現有知識庫開發產生積極影響[8]。

但是，過量的重疊知識也會對企業知識創造產生消極影響。首先，過高的重疊知識會導致知識冗余，減少學習機會。高度的知識冗余削弱了新知識整合的潛在可能性，會對創新產生不利影響。企業知識庫之間大量重疊知識增加了企業資源冗余，最終導致成員間沖突和組織混亂[3]。換句話說，盡管重疊知識的增加有利于企業研究開發和創新績效提升，但過量的重疊冗余會引起組織混亂和創新效率下降。基于此，提出如下假設：

H3：在技術并購中，重疊知識的數量與并購后的創新績效呈倒U型關系。

一方面，在知識非重疊區域，由于并購企業缺乏相應的吸收能力，吸收、整合知識會消耗更多時間和資源。當缺乏吸收能力的企業面對非重疊知識過量流入、形成信息過載時，就會影響知識轉移和學習過程[11]。信息過載會使并購企業在“選擇何種知識實現創新”方面產生混亂，也會使信息的及時吸收和整合變得困難[2,26]。非重疊知識過量會導致技術并購中知識轉移的高成本和低效率。

另一方面，技術并購帶來的非重疊知識增加也會對知識創造產生積極影響。吸收大量非重疊知識能產生更多知識整合，有利于企業進入新技術領域[28-30]。企業非重疊知識與現有知識整合可實現更有價值的創新[31]。被并購企業的非重疊知識會成為并購企業探索新領域的工具箱，它包含對并購企業未擁有知識的獲取、轉移和新知識、新工藝、新路徑的利用。換句話說，大量非重疊知識轉入并購企業，使其整合潛力和進入新技術領域的可能性不斷增加，進而促進企業創新。

但是，信息過載是非重疊知識過量的結果，它對知識創造和知識轉移產生不利影響。信息過載破壞了現有創新活動，使知識創造過程變得復雜[32-33]。如果并購企業吸收過多的非重疊知識，其關注于特定技術發展的策略就會被干擾。

總之，大量非重疊知識增加了知識整合的可能性，這有利于企業突破式創新。但是，當數量超過一定界限時，并購企業就會因吸收能力不足和知識轉移延時而承受高昂整合成本。而且，過量的非重疊知識會破壞企業現有創新活動。基于此，提出如下假設：

H4：在技術并購中，非重疊知識數量與并購后的創新績效呈現倒U型關系。

綜上，提出本文研究框架及相關假設如表1所示。

表1 研究框架與相關假設

2 數據與方法

并購事件數據來源于私募通創業投資數據平臺(https://www.pedata.cn/)。本文收集了2008-2017年中國機械制造企業的國內并購數據，在剔除非技術并購案例、收購剩余資產等數據，同時考慮數據可得性等問題后，最終得到217家企業352條技術并購數據。

本文因變量選擇并購后創新績效，是非負計數，原則上選擇泊松回歸方法。然而，描述性統計分析結果顯示，因變量存在過度離散分布情況，違背了泊松回歸模型的基本假設，因此采用負二項回歸方法，構建模型如下：

lnY=α+α1X1+α2X2+C+ε

(1)

因變量Y：并購后創新績效(subsequent innovationperformance)。考慮到新知識發揮效用的滯后性和知識的貶值性，本文用并購企業并購后1-5年的總專利授權數表征[34]。企業專利授權數據來源于國家知識產權局2008-2018年專利授權數據。

自變量X1：重疊/非重疊知識質量(overlapped/nonoverlapped knowledge quality)。測度重疊和非重疊知識質量需要兩個關鍵步驟：區分重疊和非重疊知識、測度每部分知識的質量。本文依據國家知識產權局的IPC分類，將所有專利按照三位數(如B12)進行劃分，若并購企業和被并購企業的專利屬于同一技術類別，那么就是重疊專利，反之為非重疊專利。知識質量用專利被引量測度。

自變量X2：重疊/非重疊知識數量(overlapped/nonoverlapped knowledge quantity)。知識重疊、非重疊判斷步驟與自變量X1相同，數量屬性則用被并購企業的重疊專利和非重疊專利數量表征。

控制變量C：并購企業資產規模(asset size)、技術能力(R&D capability)和原有知識庫(knowledge base)。資產規模用并購前并購企業三年平均營業收入表示；技術能力用并購前并購企業三年平均研發投入強度表示。企業營業收入和研發投入強度數據來源于企業網站和其它網絡渠道。并購企業原有知識庫用并購前企業專利類別總數表征。同時引入一些虛擬變量以替代交易年份、所在城市等信息。

3 實證分析

3.1 回歸結果分析

表2展示了各變量描述性統計和相關系數情況，可以看出，機械制造企業并購后的平均專利授權數達36.3件，并購前并購企業的平均營業收入達15.56億元，平均研發投入強度達17%，所擁有的專利類別總數達12.73項。本文通過方差膨脹因子檢驗，排除因變量間相關性高而導致的多重共線性問題，提高分析的有效性。結果顯示，所有方差膨脹因子值均小于3，說明變量之間不存在多重共線性問題。

表2 各變量描述性統計與相關系數

如表3所示，模型I分析控制變量對因變量的影響，結果表明只有企業資本規模存在穩定的正向影響。模型II-IV逐步加入自變量，模型V是包含所有控制變量和自變量的模型。

從表3可以看出，重疊知識質量在模型II-V中均呈現顯著正向影響，說明被并購企業的高質量重疊知識能夠對并購后的創新績效產生積極作用，H1成立。模型III-V中，非重疊知識質量對創新績效產生穩定且顯著的負向影響，表明隨著被并購企業非重疊知識增加，會對并購企業并購后的創新績效產生負面效應，因此H2成立。

為了檢驗H3的倒U型曲線關系，模型IV和模型V加入重疊知識數量及其平方項。結果表明，重疊知識數量在5%置信區間內呈現穩定的正向積極影響。同時，重疊知識數量的平方項則在5%置信區間內呈現出顯著負相關關系，表明并購企業和被并購企業間重疊知識數量與并購后的創新績效呈現倒U型關系，H3成立。

H4認為“在技術并購中，非重疊知識數量與并購后的創新績效呈倒U型關系”。然而，模型V的檢驗結果表明，非重疊知識數量及其平方項并未對并購企業并購后的創新績效產生顯著影響，因此H4不成立。綜上可知，H1、H2、H3通過檢驗，H4未通過檢驗。

需要說明的是，表3中存在顯著意義的自變量，其相關系數值似乎很小。但由于方程模型為對數形式且采用的負二項回歸是非線性回歸，因此因變量的實際方差比例足夠大，所以研究結果足以反映所選變量對企業并購后創新績效產生的影響。

表3 負二項回歸結果

注：顯著性水平*表示P<0.1，**表示P<0.05，***表示P<0.01

3.2 穩健性檢驗

一些研究利用其它方法測度專利質量，如Trajtenberg[22]認為，原創性和普遍性代表了一項專利的質量。因此，本文選擇原創性和普遍性作為知識質量的替代指標。

專利的普遍性是指專利在各個領域的應用程度。具有高度普遍性的專利不僅在其所屬技術領域得到深度應用，而且在其它領域也能廣泛應用。專利普遍性的計算公式為1減去赫芬達爾指數(基于專利被引量)，表示吸聚其它類別專利的程度[35]。

專利原創性是指與之前專利相比，某項專利的新穎程度。專利質量會隨著專利多樣性的增加而提高[36]。由于這些專利基于不同領域的理念和技術，因此比僅基于單個領域的專利更具創新性。專利原創性計算方法與專利普遍性相似，本文采用基于專利引用量的赫芬達爾指數度量。

知識質量的兩種替代指標被用來檢驗H1和H2，表4和5的結果與表3一致，進一步證明了研究結論的穩健性。

表4 穩健性檢驗：知識原創性

注：顯著性水平*表示P<0.1，**表示P<0.05，***表示P<0.01

4 結語

4.1 結論與意義

本文分析了知識重疊質量和數量特征對技術并購后企業創新績效的影響。具體而言，將被并購企業知識庫劃分為重疊部分和非重疊部分，分別考察其對創新績效的影響。基于國家知識產權局專利數據，對217家國內機械制造企業352例技術并購事件進行分析，發現高質量重疊知識對并購后企業創新績效具有積極影響。但是，由于并購企業吸收能力不足，高質量非重疊知識會產生高昂的整合成本，從而對并購后的企業創新績效產生負面影響。

通過對知識重疊以及知識質量的特征進行刻畫，對企業技術并購研究作出以下拓展：

(1)通過揭示高質量知識的雙面性，加深對知識管理領域知識基礎觀的理解。根據知識基礎觀，企業競爭優勢源于隱性知識獲取[37]，因此學者們都強調企業需要通過知識溢出或知識創造獲取有價值的知識[16]。然而，本文研究結果表明，雖然轉移的知識有利于知識創造，但高質量知識的隱性本質導致這種轉移成本高而效率低。

(2)本文擴展了以往關于技術并購中知識重疊效應的研究。最近關于知識重疊的研究表明，重疊知識會對并購后企業創新績效產生負面影響，強調獲取全新的非重疊知識的重要性。非重疊知識對主體創新效應的影響強于重疊知識，因為非重疊知識能夠提升并購企業知識基礎的多元化程度。然而，當非重疊知識過多時，會產生高昂的整合成本，進而抑制并購企業創新績效提升[3,9]。本文在以往文獻基礎上，考察了知識的質量特征，發現知識重疊對并購后企業創新績效具有積極影響，而非重疊領域中的高質量知識則對并購后的創新績效具有負面影響。以上結論表明，在技術并購過程中，知識質量固然需要考慮，但重疊知識的重要性亦不容忽視，這是對以往研究結果的有益補充。

4.2 實踐啟示

根據研究結論，為企業并購及創新實踐提供如下啟示：

(1)局限于被并購企業的高質量知識可能會對創新績效產生負面影響。在不考慮并購企業知識庫時，整合知識將產生較高的成本，并且邊際收益較低。因此，并購企業在進行技術并購時，應著重研究自身與并購對象之間的知識重疊情況，以更加有效地利用目標企業的高質量知識。在一些并購案例中，由于缺乏共同的知識背景和基礎，即使收購一家擁有高質量、非重疊知識的企業，也無法獲得知識庫的組合協同效應，最終導致并購失敗。可見，缺乏重疊知識會突顯出吸收能力不足的問題，進而導致并購企業難以有效獲取目標企業的高質量知識。

(2)企業需要構建多樣化知識庫。正如本文研究所揭示的，知識重疊有助于并購企業學習和利用被并購企業的高質量知識，并通過知識重組產生積極影響。同樣地，重疊的知識庫為并購企業適應被并購企業的高質量知識提供了足夠的吸收能力和基礎。然而，通過技術并購獲取其它企業高質量知識，前提是并購企業自身擁有與被并購企業重疊的知識。因此，并購企業只有具備多樣化的知識，積極形成多樣化知識組合，才能成功吸收新知識、創造新知識，實現技術創新。

4.3 不足與展望

由于IPC分類系統只對專利應用領域而非創新性質進行分類，因此測度的知識重疊可能并不完整。未來研究可通過增加新產品開發等額外數據彌補這一不足。此外，可建立一個更系統、科學的框架衡量知識質量(而不只是專利引用)，精準測度知識質量特征對技術并購的影響，從而幫助企業更好地實施并購。