信息技術產業創新社群網絡研究和模擬仿真

□ 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

創新是知識經濟的主要特征,研究范圍包括組織創新、服務創新、管理創新、產業創新等領域。產業創新系統作為一種系統性研究產業創新發展規律、動力機制和績效的手段,近年來取得了很多成果。

隨著互聯網時代到來,經濟社會已進入復雜性網絡領域。經濟系統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反饋在以信息技術為代表的現代化技術中高度重要,行為人不斷從正向和負向反饋中學習,技術的高度迭代使得傳統的產學研合作模式發生了極大的改變。企業為了匹配高速變化的市場環境和商業模式,追求快速進出市場,技術導向的企業中傳統的層級管理方式更多轉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,產業創新系統本質上是各種不同個體和組織之間的模式化關系網絡的統一呈現,因此,從網絡角度著手,對產業創新系統進行研究是可行的和有必要的。

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

國內基于復雜網絡對創新進行的研究包括小世界特性創新孵化網絡[1],產學研合作創新復雜網絡[2],利益驅動的創新網絡合作行為演化影響[3],極少數大度數中樞節點對復雜網絡整體運行效率[4],市場導向和多主體協同影響下的復雜網絡創新擴散[5]等。隨著技術復雜度增長,有良好組織的網絡成為創新成功的關鍵,推動創新網絡自組織化,以及技術組織去中心化是其中的關鍵[6]。Johnsen和Ford[7]研究了復雜網絡中的協同創新管理。Mccullen等[8]構建了一個多參數的復雜網絡創新擴散模型,把行為人作為網絡節點,用變量表示行為人對創新的采納程度,網絡節點狀態被鄰居節點影響。其他研究包括復雜網絡中自主學習知識獲取的動力學機制[9],R&D復雜網絡的地理協作關系及效率[10],復雜網絡優化演化算法[11]等。Majchrzak等[12]指出,不同的網絡拓撲和結構形狀及與此匹配的網絡密度、路徑長度、網絡集聚程度等關鍵變量與組織創新績效密切相關。在小世界網絡和隨機網絡的研究基礎之上產生了隨機聚類網絡的研究,例如社交網絡和生物網絡往往呈現出模塊化的結構特性,可以稱為社群[13]。社群的節點集合滿足一個基本條件,屬于同一個社群的節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。創新系統是一個由相互關聯的子單元構成的系統,子單元構建的微結構能夠擴散到更大的結構之上,因此研究創新系統社群網絡,對于辨析系統中的創新擴散效率和系統動力機制具有意義。Gulati等[14]將組織間的網絡存在歸納為局域連接和橋接兩種類型,認為網絡中多個社群通過橋接關系構成的小世界網絡的進化模式呈現倒U型,在局域連接和橋連接的雙重作用下,網絡能夠適度獲取異質性資源,促進整體組織創新。Dahlander和Frederiksen[15]發現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絡的創新績效。Sytch等[16]指出社群網絡內部緊密連接,外部稀疏的結構與創新績效的提升正相關,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]從組織間關系的非對稱視角探究網絡社群動態變化對雙元創新的差異性影響,認為社群動態的二維變化對突破式創新具有正向影響,與漸進式創新呈現倒U 型關系。已有研究集中于網絡結構和特性對創新能力和績效的影響,通常假定了網絡的形狀并假設其參數來開展,對于網絡實際的構建,針對特定產業的特點來設計網絡中的節點的關鍵屬性和網絡中的權值,以及關鍵變量對網絡形狀和特性的影響缺少研究。

二、研究假設和方法

信息技術產業是從事信息技術設備制造以及信息的生產、加工、存貯、流通與服務的新興產業部門。全球各國的信息技術產業發展都體現出高速迭代、涌現式創新的特點,以互聯網、人工智能、物聯網、云計算、大數據為代表的創新技術不斷涌現,推動信息產業向縱深發展。將信息技術產業創新行為視為一個復雜組織網絡,融合應用創新系統的相關研究和復雜性科學的相關概念,研究網絡的構成及要素,網絡的特征(例如形狀、拓撲等)以及網絡的動態(例如演進和變化)。在此基礎上進一步研究知識網絡構建、集群企業知識溢出、隱性知識傳播和創新績效,對于更好地辨析產業的創新動向和驅動因素具有重要的意義。

(一) 研究假設

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

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

產業創新系統的行為人主要包括產業鏈上的企業、大學、科研院所、中介服務機構、政府部門等,產業創新系統的環境主要包括國家的宏觀政策和公共服務平臺等。創新系統的本質是研究創新知識如何有效地在行為者之間生成、選擇、交互和改進,以形成新的產業機會和市場模式。產業創新系統則是根據不同的產業的技術知識特點進行研究。不同產業的創新系統的主要差異是創新的來源、參與者、特性、邊界和組織。從知識流動的角度來看,一個產業創新系統框架關注4個維度:知識和技術領域、行為者、政府和制度、交互網絡,作為創新系統中知識流動的結構性基礎,網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]。信息技術產業創新系統是一個動態的、演化的復雜網絡。首先,信息技術產業創新系統的各行為主體之間相互關聯,并通過交互網絡形成知識流動,具有明顯的網絡形態特征;其次,信息技術產業創新系統中的網絡節點呈現出復雜性的特點,產業鏈上的企業、大學、科研院所、中介服務機構、政府部門等,都是具有高度自主性的個體或組織,具備自組織和網絡化學習的復雜系統行為;最后,信息技術產業創新網絡具有高度復雜的結構,并隨著節點的進入和退出不斷發生演化。突破式創新,或者技術沖擊會對無標度網絡形成宏觀上的解構,在微觀上最終都會趨向于形成新的無標度網絡構造。因此得到假設H1。

H1:信息技術產業創新網絡在微觀上呈現無標度網絡特征。

眾多研究表明,小世界網絡是一種普通存在的網絡形態,即大多數節點可以經過少數的幾個邊到達另外一個節點Baum等[21]通過研究1952—1990年間加拿大投資銀行集團網絡演化拓撲結構,證實集群網絡具有典型的小世界網絡特征;Uzzi和Spiro[22]研究發現了百老匯音樂產業形成過程中的小世界特性。由于交流、效率、成本等原因,真實網絡中存在著“捷徑”,且“捷徑”的數量與需求相匹配。從圖論角度出發,“捷徑”就是隨機重連過程中添加的長邊,在規則網絡中添加極少量的長邊,不僅使長邊兩端的節點路徑長度變小,而且節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。

復雜系統中普遍存在著組織化學習,顯性學習是對已經公開的知識進行學習,例如從技術論壇上學習新的程序語言和編碼技術,或者從國際學術會議上了解最新的業界動態等;隱性學習則是區域性的或者網絡社群性質的溝通與知識傳遞,這種自組織將形成相當數量的“捷徑”。以硅谷為代表,信息技術企業都在尋求向科技創新以及應用場景的趨近,通過開展組織化學習和網絡化學習,去尋求已經完成聚類和編碼的,被證明有應用性能和生產效率的知識。此外,在信息技術產業中,主導企業往往會通過制定通用標準來建立固守標準的戰略聯盟,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,信息技術產業創新網絡的獨有特點有利于在區域或者特定范圍內形成小世界網絡,因此得到假設H2。

H2:信息技術產業創新網絡在中觀上體現出小世界網絡的特征。

研究表明,小世界網絡或隨機網絡在網絡的動態提升和知識集聚度提升的情況下會形成社團結構,典型的例子是美國硅谷的創新社群網絡。在硅谷由于國家/政府采購、產學研合作、風險投資和金融驅動等互動和協作的活躍,產業界、學術界和金融界形成了良性循環的巨大的交流網絡。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,設立專門研究園區,廉價出租工廠土地扶持具有發展潛力的創新型企業,并通過吸引人才和資金來推動創新領域的研究。對于創業者,斯坦福大學同時給予技術、資金和信息方面的支持和保障,并通過開設創業課程等方式給予指導。"斯坦福大學優等成績合作計劃"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、谷歌等創新型領導企業,成功的企業又進一步吸引了大量的人才和資金,形成良性循環。臨近的加州伯克利大學、加州舊金山大學及其他研究機構也和硅谷形成了良好的互動合作關系,依托于在基礎科學、信息技術和工程學領域的領先地位,通過對硅谷產業活動的積極參與而建造形成了世界上最強大的產學創新體制和社群網絡。

信息技術產業創新具有以下特點:(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域上自發形成集聚,區域集聚與外部社會環境形成交互性促進,最終形成社群。(2)顯性和隱性知識傳播:信息技術產業,特別是互聯網相關產業,為了實現標準的統一和相互連接兼容,必須公開知識,促進顯性知識的形成與共享,例如RFC規范等。JAVA社區,Python社區等開源社區模式的流行更加促進了這一點。(3)知識相對開放和易模仿:不同于其他產業,信息技術產業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,商業模式可以直接被模仿(共享經濟)。(4)部分知識領域相對封閉和集中(IC、硬件、軟件):例如芯片、高端硬件、通信設備等領域,知識相對封閉和集中,需要集中大量研發力量和資金,只有少量大型企業才能開展,由此導致形成密集型的社群結構。(5)信息技術產業受到風險投資和知識經濟的影響,向經濟高度發達地區集聚。對信息產業介入的程度的方向的不同,決定了知識的聯系和創新的聯結會形成社群網絡,從事某一方面的企業形成小型團體,同時相互之間也有一定的聯系。綜合起來,信息技術產業創新社群網絡形成的特點有:(1)技術高度密集但是存在壁壘;(2)屬于同一技術范疇,有共同的研究基礎,但是又存在很大的區別;(3)標準的規范化,兼容性要求很高;(4)隨著時間增加,技術的積累效應會導致網絡進一步密集。隨著信息技術產業的高速發展,社群模塊度不斷增加,“搭便車”現象日益明顯,小型企業追求快速進出市場,傾向于外包和技術模仿,導致自主創新意愿降低,并最終導致自主創新產出降低(圖1)。由此得到假設H3a和H3b。

H3a:信息技術產業創新網絡在宏觀上體現出社群網絡的特征,并且網絡模塊度隨時間而增加。

H3b:信息技術產業創新社群網絡的模塊度增加,影響了產業的自主創新產出。

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,在研究信息產業創新系統的動力學機制,特別是創新的產生、選擇固化和傳播的動力學方面,有較好的應用前景。目前國內的研究較多采用BP神經網絡方法[23-25]。國外研究包括人工神經網絡(ANN)方法的創新網絡研究[26],采用KN算法對創新風險進行定量分析[27],用神經模糊魯棒性模型對微觀和宏觀創新潛能進行研究[28],用ANN網絡研究知識管理與技術革新以及競爭優勢的關系[29],使用ANN對技術創新的投資選擇和風險進行研究[30]等。本文用基于網絡的無監督機器學習方法來識別社群網絡,并選擇相應的網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。無監督學習通常首先將樣本數據處理成向量數據集合,然后采用網絡生成算法,利用相似性函數將向量數據通過運算生成關聯矩陣,其中數值特征和類別特征進行不同的處理,最后進行識別社群網絡,計算網絡特征值,分析網絡結構和特征等操作。

為了進一步研究網絡特性對創新擴散的影響,采用復雜網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,以微觀個體為出發點或以微觀規律為出發點,以研究復雜經濟系統的整體演化過程或結局為目的的方法。元胞自動機、系統動力學仿真方法、NW產業演化模型以及“多代理人系統”等演化計算方法受到了非常多的關注。基于復雜網絡的知識擴散參考單海燕等[31]、孫耀吾[32]、Cowan和Jonard[33]的研究。社會現象例如創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。相關的研究包括Bass[34]的創新擴散的“疫病學”量化模型,Tsai[35]開展的創新知識引入與擴散對知識資產增值和企業效益提升影響的影響,Zhang等[36]基于社區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同產品創新系統知識擴散研究。本文結合元胞自動機和“多代理人系統”方法,利用SIS病毒傳播模型進行混合模擬仿真。

三、網絡節點屬性

(一) 屬性選取

根據文獻[38-39],選擇發明專利授權數量和研發投入變量作為企業自主創新的度量標準,因為發明專利從申請到授權有3年的滯后期,因此補充發明專利申請數量來衡量企業的創新意愿。區域集聚會影響創新協同和傳播,企業的創新成果往往會先在鄰近區域進行試用,以降低試錯成本,另一方面中小企業會更多與本地強勢領先企業開展協同創新以降低學習成本。為了體現區域集聚和用戶參與對產業創新的影響,選擇企業所在省份的GDP數值、信息技術產業從業人口數量和省份人員的受教育程度、企業實際控股人的性質、政府補貼金額等變量。此外還加入總資產、營業利潤率、所有者權益比例、資產周轉率、資產負債率、銷售和業務費用占收入比例，以及管理費用占收入比例等企業層面屬性變量(表1)。

表1 網絡屬性設定

(二)樣本選取

宏觀數據通過相關統計年鑒進行收集,專利數據通過國家知識產權局網站手工收集。通過國泰安、銳思和萬德數據庫的2010—2017年上市公司數據,以及歐洲創新研究所的2010—2017年相關數據和時間區間內的上市公司年報。由于阿里巴巴、騰訊、百度、新浪、搜狐、網易等重點企業受到我國A股的制度限制而在海外上市,通過美國證監會和香港證券交易所的網站下載企業年報進行分析和數據補充。沒有在股票市場上市的代表性企業(華為),通過企業官方網站上公布的年報后進行數據補充。美元或港幣根據國家統計局公布的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據庫和企業年報中的含義,進行了核對以確保數據口徑一致性。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計特征分析,樣本上市公司發明專利授權數量和申請數量平均值分別為1.820 4和2.188 1,中位數分別為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,說明專利授權數量和申請數量均有明顯右向偏移,這體現了信息技術產業中存在的技術外包和技術借鑒現象。其余變量中，例如資產周轉率、資產負債率、市場投入和管理投入都具有較明顯的右向分布,這也和信息技術產業的負債經營傾向形成了對應。

四、信息技術產業創新網絡構建

(一) 關聯矩陣

本文采用兩步法形成創新網絡,先根據國家專利局網站上的檢索結果,基于聯合專利申請構造初步網絡(形成矩陣),然后用聚類方法進一步加強網絡,采用向量方法補充權重和連接邊,得到更完善的網絡。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。然后根據機器學習方法識別社群網絡,計算關鍵變量。皮爾森相關系數是用來反映兩個變量線性相關程度的統計量。相關系數用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強弱的程度。r的絕對值越大表明相關性越強[40]。兩個變量xi和xj之間的皮爾遜相關系數按以下公式計算:

(1)

(二) 聚類啟發式算法網絡構建

常見的復雜網絡構建方法有k-近鄰方法,ε-半徑方法,b-匹配網絡,線性鄰域網絡方法,松弛線性鄰域網絡方法,聚類啟發式網絡方法,重疊直方圖網絡方法,時間序列網絡方法等等。本文采用聚類啟發式算法,因為一方面效率較高,另一方面也趨向于保持原始數據集的集群結構。聚類啟發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內節點(數據樣本)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對節點之間建立連邊;

5. 根據步驟4中的計算結果更新相異矩陣;

6. 如果簇的數目>1,則返回步驟2.

(三) 基于網絡的無監督學習方法識別社群網絡

識別檢測社群網絡常用兩種基準,Girvan-Newman基準和Lancichinatti基準[42]。由此發展的常用的基于復雜網絡的無監督學習技術包括Girvan-Newnam的介數方法[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的網絡折疊方法[49],以與上一步通過聚類啟發式算法生成的網絡匹配。Blondel的網絡折疊方法主要步驟是通過網絡折疊和社群重組,迭代直至獲得最大的模塊度(Modulaity)Q值為止,當Q>0.3時,說明該網絡存在較強的社群結構現象。在識別出社群網絡之后,即可測量識別出來的網絡的模塊集中度和其他指標,判斷其效率。

(四) 網絡衡量指標

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

1. 網絡密度

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

(2)

2. 富人俱樂部指數

度數較大的節點(關鍵節點)之間具有緊密相連的趨勢,從而形成團狀結構或者近似結構,如果一個節點擁有較多的連接,稱其為“富有”節點。“富有”的節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表示度數大于k的節點數量,E>k表示與N>k個節點相關的邊的數量。N>k(N>k-1)表示N>k個節點可能存在的最大邊數。本文設定K值為10。

3. 模塊度

(4)

4. 節點相似度

(5)

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

(6)

五 結果分析

(一) 微觀層面的無標度性

利用Ucinet軟件選取2011,2013,2015和2017年度數最大的節點及其關聯節點構成局部網絡,分別占整體網絡規模的11.34%、14.37%、13.77%和16.78%,擬合后的系數R2均>0.9,且冪指數γ∈(1.5,2.3),如圖2所示，說明信息技術產業創新社群網絡在微觀上具有無標度特性。

圖2 微觀無標度性網絡

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

(二) 中觀層面的小世界性

應用Python編程自動生成同等規模隨機網絡,并使用Ucinet進行分析,結果顯示信息技術產業創新網絡呈現較為明顯的小世界性,如表2所示。即網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,因此創新網絡中的行為人可以高效快速地與其他行為人進行創新交流和知識交換,對于創新的擴散具有正面的推動作用。小世界商數隨著時間呈現增長體現了網絡的集群性增加(圖3)。

表2 信息技術產業復雜網絡小世界特性

圖3 信息技術產業小世界網絡特征

(三) 宏觀層面社群網絡特征情況

按統計年度為一個時間窗口,通過Python編寫代碼,結合Ucinet軟件計算網絡社群規模情況(設定社群最小規模為5)，結果如圖4所示。

圖4 信息技術產業社群網絡宏觀特征

從圖4可以看到,信息技術產業創新網絡的節點和連接邊數隨時間不斷增長,整體網絡密度呈緩慢下降趨勢,模塊化指標Q值均大于0.3,說明網絡存在明顯的社群結構,社群規模平均值逐步遞增。隨著社群規模的增長,富人俱樂部指數相應增加,說明少數核心節點對于社群結構的貢獻度增大,節點相似度也隨著正向增長,說明節點在創新行為和關聯上有趨同的傾向。對識別出來的社群網絡,采用Unicet網絡分析軟件進行繪圖,可以看到,信息技術產業創新呈現較為明顯的社群網絡特征,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絡指標的數值。

表3 信息技術產業社群網絡特征

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果。

表4 回歸分析結果

模型1是網絡特征的回歸分析,模型2是研發投入和政府補貼的回歸分析,模型3將網絡特征、研發投入和政府補貼作為變量,模型4則是從業人員受教育程度、企業規模和盈利能力作為變量,模型5是模塊度Q值、研發投入、企業規模等的綜合回歸分析。從結果上看,模塊度Q值與專利授權平均值呈現負相關,這說明隨著網絡的社群結構日益增強,自主創新產出將會受到抑制,由此H3b得到驗證。富人俱樂部指數與專利授權平均值之間存在顯著正向關系,這則從另一個側面反映了總體上自主創新的受抑制情況,由于少數大型企業掌控大量知識和資源,因此大量產出創新。根據國家專利局網站上的數據匯總,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,遠多于其他企業。領先企業大量申請專利,導致行業專利的總量上看是增長的,但具體到每一個企業,則會出現明顯的技術外包和技術跟隨現象,實際上產業的自主創新活力受到了抑制。

另外值得關注的，是在模型3和模型5中發現,當模塊度Q值和政府補貼平均值同時納入模型之中時,均呈現明顯的負向關系。對樣本數據進行檢視發現,地方政府往往傾向于給本地領先企業更多補貼,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,網絡的社群效應越明顯,領先企業優勢越明顯,得到的資源將更多,在創新方面占據重要地位,反而會對產業的自主創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關系。其余結論與模型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、狀態都離散,空間相互作用和時間因果關系為局部的網格動力學模型,具有模擬復雜系統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絡中的擴散行為。

(7)

每個節點在t時刻的狀態是一個三元組(e,NE,S),其中e表示該節點的度數,通過遍歷獲得數值,NE是一個代表節點的鄰居集合的數組,取值范圍為[0,n],S表示感染狀態,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,最關鍵的一點是轉換(感染)的規則,假設信息技術產業社群網絡中,創新來源(易感染者)、創新知識學習者(感染者)和創新非選擇者(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,則SIS模型的動力學過程可用下列方程組表示:

(8)

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

(9)

2. 仿真結果

設置初始狀態下所有節點都未受到感染。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,統計網絡中感染比例,起始節點隨機選擇。

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

圖6 SIS仿真結果

七、小結和討論

本文基于實證數據,以信息技術產業創新網絡為對象,分析其在宏觀、中觀和微觀上的特征,并對網絡結構與自主創新產出的關系進行了研究,得到以下結論。

首先，基于2010—2017的樣本數據,我國的信息技術產業創新網絡,體現出宏觀上大社群,中觀上小世界,微觀上無標度的特征。社群網絡的集中度有逐年增加的趨勢。信息技術產業高度依賴于創新,產業動態與信息和知識的創造與傳播高度關聯。信息技術是不斷迭代上升發展的,突破性技術和創新涌現對產業演化形成巨大的推動力。產業創新系統是為了有利于知識的創造、傳播與轉移的體系,通過產學研合作、國家政策、產業地理集聚等方式實現知識的集聚和傳播。可以認為,產業的知識動態就等同于產業的演化與成長。2010年以來,隨著以微信為代表的移動互聯網經濟的高速發展,我國的信息技術產業知識動態處于高度演進的動態過程之中,在創新網絡的演進上得到充分的體現。

其次，信息技術產業創新社群網絡的網絡模塊度隨時間增加。產業演化指產業的發展、進步、結構轉變和動態競爭。一個良性發展的產業,總是在不斷的創生、選擇、失衡和重新均衡之中向前推進的。創新使得產業產生新的活力和推動力,推動產業按照均衡、失衡到再均衡的路徑不斷演進。產業中具有不同的知識和能力的異質性個體(企業)之間形成互動,通過學習形成驅動力,使得創新網絡的模塊度隨時間不斷增加。

最后，信息技術產業創新社群網絡的模塊度增加,影響了企業自主創新產出。由于產業高速發展導致社群模塊度增加,小型企業追求快速進出市場,傾向于外包和技術模仿,“搭便車”現象日益明顯,從而導致自主創新意愿降低,或者進入“低端鎖定”的路徑依賴,導致自主創新產出降低。路徑依賴可能會因為成熟技術的迭代演進而節省成本,帶來效益遞增,但也可能會因為固守成規錯過創新機會導致“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而解構,導致新的不均衡,經過市場博弈之后演進到下一個較為穩定的路徑和鎖定。在信息技術產業創新網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優勢出發,選擇自己認為最優的一條技術路徑進行演進,并將演進方向鎖定在某個既定的技術領域。如果網絡中已經存在非常集聚的社群結構,后入者容易直接“錨定”而影響自主創新意愿。后續應當采取措施適當降低社群網絡的模塊度,推動形成良好的多個小社團共存的局面,鼓勵更多中小企業自主創新。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,推動信息技術創新的形成和流動,制定促進知識流動和網絡化學習的措施。要從國家層上保護知識產權,針對數字產權專門考慮,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先企業更多補貼,在網絡社群效應明顯的情況下,領先企業將得到更多資源,占據創新優勢地位,對產業的自主創新造成進一定抑制。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變化和社群結構本身的動態演化,也沒有考慮社群可能存在重疊的現象。其次，樣本存在一定局限性,個別對創新能力具有衡量作用的變量無法獲取或者數據不完備。最后,研究只針對信息技術產業的相關數據,存在產業差異性局限。以上都是下一步要繼續研究的方向。□