基于定性比較的高校軍民科技合作創新路徑研究

曹依依，張明親，2

(1.西安工業大學 經濟管理學院，陜西 西安 710021；2.陜西高校軍民融合科技創新研究中心，陜西 西安 710021)

0 引言

自黨中央將軍民融合上升為國家戰略以來，軍民融合發展呈現整體推進、加速發展的良好勢頭，加快推進高校軍民科技合作深度發展是從源頭上提升我國軍民科技合作創新績效的關鍵。普通高校作為參與國防建設的“民口”主體，是軍民科技合作創新的知識源頭，也是提升我國軍民科技合作創新績效的重要切入點。高校擁有的知識屬性是合作創新過程中最獨特且最重要的資源，它不僅影響高校獲取、吸收和整合外部資源的能力[1]，而且影響合作創新的廣度與深度，進而影響其合作創新績效。但是，實際中仍有高校知識資源豐富而合作創新績效卻相對較低，或知識儲備相似的高校最終產出的合作創新績效截然不同等情況。針對這一現象，相關學者基于社會網絡理論進行了闡釋，認為合作網絡是組織搜尋、整合外部核心技術知識的關鍵途徑和平臺，處在網絡中心位置的組織擁有更多特權在網絡中獲取、重組和傳播知識與其他資源[2]，對合作創新績效有著極其重要的影響。但在以往的研究中，大多數學者主要采用以線性因果關系為基礎的定量統計和建模的方法，探究單個因素對創新績效的作用[3-5]，忽視了知識屬性與網絡位置之間的多重并發因果關系；盡管有個別研究基于知識基礎觀和社會網絡理論相結合的視角，將知識屬性視為中介或調節變量，探究網絡位置特征對合作創新的作用，但各變量維度間相對獨立，容易導致結果解釋出現偏差。而定性比較分析方法(Qualitative Comparative Analysis，簡稱QCA)作為解決復雜因果關系的重要工具，能夠充分挖掘多層面前因條件的聯動匹配對結果變量的復雜影響機制[6]。鑒于此，本研究采用QCA方法，基于知識基礎理論和社會網絡理論，從內部知識屬性和外部網絡位置2個層面，探究影響高校軍民科技合作創新的因果復雜機制，為高校更好地實施協同創新戰略提供理論借鑒。

1 理論分析與模型構建

創新的實施、促進以及激發是一個包含組織內外部因素的動態演化過程[7]，合作創新亦是如此。因此，本研究分別從影響高校合作創新的內部因素和外部因素出發，選取知識屬性和網絡位置2個維度。由于知識屬性和網絡位置對高校獲取、整合外部資源的影響機制不同，導致二者對高校合作創新績效的影響路徑也不盡相同。

1.1 知識屬性對高校軍民科技合作創新績效的影響

知識屬性是固化于組織內部的，能有效促進組織技術創新活動的知識元素集合所呈現的屬性特征。高校間知識屬性的差異會影響其對外部資源的搜索、吸收與整合，以及合作的深度和廣度[8]，進而影響其合作創新績效。為了能夠更加全面地衡量高校的知識屬性，本文依據KATILA等[9]的劃分方法將其分為知識寬度和知識深度2個維度，以此來探究高校知識屬性的差異對其軍民科技合作創新績效的影響。

1.1.1 知識寬度

知識寬度是高校自身擁有的知識元素涉及的技術領域范圍[10]，反映了高校知識存量中知識類型的跨度，即知識的多樣性。知識寬度的增加能夠激發高校知識搜索范圍的擴大，使其知識得以不斷補充、發展，進而增強其吸收能力，而吸收能力反過來又會促進高校識別、獲取外部知識，從而形成一個正反饋循環，有助于高校的合作創新活動。其次，廣泛的知識能夠幫助高校更快找到內部知識與外部知識的關聯點和結合點[11]，實現內外部知識的對接，提高知識整合的效率，并使高校能夠以更具復雜性和創新性的方式組合不同領域的知識，提高知識整合的范圍和靈活性。第三，知識寬度較高的高校擁有強烈的意愿和充分的能力與其他企業建立合作關系[12]，有助于合作廣度的拓展，提高了合作創新的績效。最后，從風險規避的角度來看，組織在研發合作時往往傾向于在熟悉的技術領域尋找和發掘創新機會[13]，因此較高的知識寬度意味著高校在選擇合作創新領域時擁有更多的備選項與更高的靈活性，使其能夠在熟悉的領域快速搜尋并準確識別有價值的知識，有效降低高校合作創新的風險。

1.1.2 知識深度

知識深度指的是高校在其擁有的技術領域內，知識元素的數量或知識的豐富性[14]，反映了其對某領域知識的熟練化和專業化程度。知識深度不同的高校搜索、吸收外部知識的質量與速度不同，與原有知識整合的效率也存在差異[15]，因此導致的合作創新結果也不盡相同。具備高知識深度的高校對現有知識的理解更加深入，能夠更快識別外部新穎知識，因此知識搜索的效率相對較高[16]。并且，較高的知識深度能夠有效降低高校對外部新獲取知識的吸收和消化難度，從而有助于其對外部知識的利用，提高知識整合的效率，促進合作創新績效的提升。其次，高校對自身知識的深刻理解，有助于挖掘合作主體的互補價值，提高合作的深度，并為合作創新帶來更多新穎的思路[17]。但由于組織資源稀缺性的限制，以及追求知識深度和寬度的行為具有自我強化機制，知識深度和寬度之間存在一定張力，高校應結合自身的學科布局，處理好知識深度和寬度之間的關系。

1.2 網絡位置對高校軍民科技合作創新績效的影響

網絡位置是某一特定組織或個體在合作網絡中的位置特征，常用中心性[18]和結構洞[19]等指標來衡量。網絡位置會對高校在合作創新過程中的信息收集與資源獲取造成影響，進而影響其合作創新績效。本文借鑒前人的研究，利用中心性和結構洞指標來衡量高校在合作網絡中的位置特征，探究其對高校軍民科技合作創新績效的影響。

1.2.1 中心性

中心性是反映高校在合作網絡中到中心位置距離的指標，包括度數中心性、中間中心性和接近中心性3種類型[18]。其中，度數中心性是指網絡中與某一節點存在直接連接的節點個數情況[20]，能夠對組織之間直接交往關系的水平進行衡量，反映了高校對網絡資源的控制程度，故本研究選用度數中心性來反映高校在合作網絡中的中心性。在合作網絡中，高校的度數中心性越高，說明與之直接聯系的合作伙伴數量越多，其獲取資源的渠道就越豐富，能夠吸收、內化更多新穎的知識來促進合作創新的實現[21]，提高合作創新的成功率。其次，在網絡中位于中心位置的高校通常擁有較高的地位與聲望[22]。當有新節點嵌入合作網絡時，往往傾向與網絡地位較高的節點建立合作關系[23]。因此，較高的度數中心性有助于高校吸引更多的合作伙伴，擴大其獲取外部資源的范圍，促進合作創新績效的提高。最后，處于中心位置的高?？梢酝ㄟ^對不同渠道資源的比較和識別，降低獲取異質性資源的成本[24]，這也有助于提高其合作創新績效。

1.2.2 結構洞

在社會網絡中，節點間的連接方式包括直接連接和間接連接2種類型。對于2個間接連接的節點來說，若想有效溝通需要通過中間節點進行傳遞，此時處于中間位置的節點被稱作占據網絡結構洞位置[25]。處于結構洞位置的節點通常起到“橋梁”的作用，連接2個原本相互分離的個體或網絡，是網絡信息傳遞和資源流動的“閥門”[26]。因此，在合作網絡中占據結構洞位置的高校通常享有控制信息資源的優勢。這些高校通過橋接差異化的信息領域，降低了知識的冗余性及知識搜索的不確定性，使高校更易獲取所需的異質性知識和信息，為其重組多樣化知識提供了契機[27]，促進了合作創新績效的提高。此外，從網絡節點的權力視角來看，占據結構洞的高校能夠在充當“中間人”的過程中獲得更大的權力，從而擁有更大的行動自由度和活動空間[28]，能夠實現更高的合作創新績效。

綜上，盡管知識屬性與網絡位置對高校合作創新績效產生影響的路徑不同，但二者之間具有交互作用。一方面，高校的知識屬性會對其與外界合作的意愿和能力產生一定影響，進而影響合作網絡的形成；另一方面，高校在合作網絡中的位置特征也會反向影響其知識獲取和儲備。鑒于此，本研究整合內部知識屬性與外部網絡位置2個層面的4個前因條件，深入探究提升高校軍民科技合作創新績效的多重影響因素及其組合路徑。其中，高校內部知識屬性層面的影響因素主要包括知識寬度(簡稱B)和知識深度(簡稱D)，而外部網絡位置層面則涵蓋了度數中心性(簡稱C)和結構洞(簡稱S)2個因素。據此，本研究構建了如圖1所示的高校軍民科技合作創新績效提升路徑模型。

圖1 高校軍民科技合作創新績效提升路徑模型

2 研究方法與研究設計

2.1 研究方法

定性比較分析方法，又被稱作QCA方法，是上世紀八十年代由美國社會學家查爾斯·拉金基于布爾代數提出的一種集合論組態分析方法。通過考察前因條件和結果之間的充分與必要子集關系，從整體上探尋多重并發因果誘致的復雜社會問題。由于影響高校軍民科技合作創新績效的內部因素和外部因素間存在相互促進或抑制的關系，導致傳統的交互項回歸分析方法并不適用于本研究，無法解釋不同要素間聯動的經濟內涵。因此，本研究引入QCA方法，期望從整體的角度對影響高校軍民科技合作創新績效的各種前因變量的組合聯動效應進行探究。

2.2 數據收集

“兵工七子”、“國防七子”以及國防科工局與教育部共建高校是目前普通高校中參與國防科技創新的核心力量，故本研究以這36所高校為研究對象，在國家知識產權局專利檢索數據庫中對這些高校2015—2019年申請的發明專利進行檢索，共得到266 295條專利數據，并以此為依據衡量高校知識屬性。此外，由于合作專利數據基本反映了高校合作網絡的情況與合作創新的水平。故進一步對36所高校與國防單位2015—2020年聯合申請的發明專利進行檢索，共計1 850條，并以此為基礎構建軍民科技合作創新網絡，以及衡量結果變量。

2.3 變量測量與校準

2.3.1 變量測量

1)結果變量的測量。對高校軍民科技合作創新績效的測量，本文借鑒夏麗娟等[29]學者的測量方法，并考慮到創新成果產出具有時滯性，故對結果變量進行了滯后一期處理，即利用2020年高校和國防單位共同申請的專利總數來表示高校軍民科技合作創新績效。

2)條件變量的測量。對高校知識屬性的測量，本文借鑒蔡虹等[30]學者的方法，將國際技術分類(IPC)的每一個大類視為一個獨立的技術領域，即以高校2015—2019年申請專利所涉及的IPC大類的數量表示其知識寬度(B)。并參考ZHANG J等[31]學者的測量方法分2步對知識深度(D)進行測量。第一步，通過高校專利申請數據計算出技術比較優勢值(RTA)，見式(1)。

(1)

式中：Pit指的是高校i在技術分類t上的專利數。分子表示的含義為高校i在技術分類t上申請的專利數占所有t分類上專利數的比例，分母的含義是所有高校在t分類上的專利數占所有專利數的比例。第二步是在計算出RTA值的基礎上，測算高校的知識深度(D)，見式(2)。

D=σRTA/μRTA

(2)

式中：σRTA為標準差；μRTA為均值。

最后，本文利用2015—2019年高校與國防單位聯合申請的專利數據，構建軍民科技合作創新網絡，并運用Ucinet 6軟件計算出各高校在合作網絡中的度數中心性(C)和結構洞(S)。綜上，各研究變量的描述性統計分析結果見表1。

表1 變量的描述性統計分析結果

2.3.2 變量校準

使用模糊集定性比較分析對數據進行處理前，需要預先對數據進行校準，即給案例賦予集合隸屬[32]，經此處理后的原數據將轉化為0到1的模糊集數據。具體地，本研究根據FISS[33]所述方法，將條件變量與結果變量的3個隸屬點分別設定為其樣本數據的95%分位值、50%分位值和5%分位值。各變量的校準錨點見表2。

表2 各變量校準錨點

3 實證分析

3.1 必要條件分析

RAGIN[34]提出，若某一前因條件的一致性大于0.9，則認為該條件是結果變量的必要條件。從表3可以看出，任意一個前因條件影響高或非高合作創新績效的必要性均小于0.9，這說明不存在影響高校軍民科技合作創新績效的必要條件。故本研究接著將這些前因條件納入fsQCA，探索產生高、非高合作創新績效的組態。

表3 必要條件分析

3.2 組態分析

在進行必要性分析后，本研究借助fsQCA3.0軟件，通過對真值表的分析得到前因條件的不同構型。首先，將組合中樣本個案出現的頻數閾值設置為1，即將樣本數量大于1的邏輯條件組合保留下來。其次，將一致性閾值和PRI一致性的門檻值分別設置為0.8和0.7[35]，并根據二者的得分進行重新編碼。當一致性高于0.8，但PRI一致性低于0.7時，將該邏輯條件組合對應的結果變量編碼為0；而當一致性高于0.8，且PRI一致性也高于0.7時，則將該邏輯條件組合對應的結果變量編碼為1。最后，利用軟件中的Standard Analysis程序得到復雜解、簡約解和中間解。并借鑒現有文獻對核心條件和邊緣條件的劃分方法，綜合考慮簡約解和中間解，得到實現高、非高合作創新績效的組態，分析結果見表4。

表4 實現高、非高合作創新績效的組態

由表4可知，產生高合作創新績效的路徑有2條，且單個解的一致性分別為0.913和0.912，總體解的一致性為0.912，均大于0.8，表明這2個組態均為實現高合作創新績效的充分條件。同時，產生非高合作創新績效的路徑有1條，且一致性系數為0.880，表明這一組態是非高合作創新績效的充分條件。

3.2.1 高合作創新績效的路徑分析

1)網絡驅動型。路徑H1(～D×C×S)包括非知識深度、度數中心性和結構洞3個前因變量，本研究將該路徑命名為網絡驅動型。該路徑表明，在高校缺乏知識深度時，憑借其在合作網絡中的優勢地位，依然能夠取得較高的合作創新績效。這是因為，雖然當高校的知識深度處于較低水平時，搜索外界新穎知識的效率及與自身原本知識整合的成功率相對較低。但是，處于中心位置的高校通常在資源獲取方面具有一定優勢，能夠吸收、內化更多新穎知識來促進合作創新的實現，彌補知識深度較低帶來的劣勢，并且能在一定程度上提升高校的知識深度。同時，高校在網絡中占據結構洞的數量決定了其控制信息資源的能力，有助于高校優先篩選結構洞兩端主體擁有的與自身互補、異質的資源，為其整合內外部知識提供了契機，促進了高校軍民科技合作創新績效的提升。因此，低知識深度、高度數中心性與結構洞的聯動匹配可以有效提升高校軍民科技合作創新績效。符合該組態的案例主要包括西安交通大學、北京理工大學、上海交通大學等11所高校。這些高校大多位于西安、北京、上海等國防單位聚集的省市，易于開展軍民科技合作，并且使高校能夠在合作網絡中占據較為關鍵的位置，有助于其獲取所需的創新資源，提高合作創新的績效。

2)知識驅動型。路徑 H2(B×C×S)包括知識寬度、度數中心性和結構洞3個前因變量，本研究將其命名為知識驅動型。該路徑表明，高校的知識寬度越寬越能夠激發雙方強烈的合作意愿，而同時擁有較高的度數中心性使高校能夠通過網絡中心位置接觸到更多潛在的合作伙伴。因此，這樣的高校往往能夠更好地把握合作機會，將潛在的合作伙伴轉化為真正的合作伙伴，有助于高校合作網絡的擴大和對外部知識的獲取與吸收。同時，較高的知識寬度能夠幫助高校更快地找到內部知識與外部知識的關聯點和結合點，若高校同時處于結構洞位置，則能顯著提高其對外部異質性知識的整合效率，實現較高的合作創新績效。此組態的案例主要包括華中科技大學、哈爾濱工業大學、北京航空航天大學等13所高校，這些高校憑借其在國防科技領域廣泛的知識基礎，以及較高的科技影響力，受到了眾多國防單位的青睞，取得了較高的合作創新績效。

將2個組態對比后發現，網絡驅動型包括11所高校，覆蓋率為0.609，即這一路徑解釋了60.9%的高合作創新績效案例。而知識驅動型的覆蓋率為0.644，即其解釋了64.4%的高合作創新績效案例。因此，知識驅動型路徑的覆蓋率相對較高，對高軍民科技合作創新績效具有較強的解釋力。雖然實現高合作創新績效的因素不同，但均可以成為促進高校軍民科技合作創新績效提升的組合動力，即不同促進因素組合具備等效性。

3.2.2 非高合作創新績效的路徑分析

為了更全面深入地探索影響高校軍民科技合作創新的驅動機制，本文進一步分析了產生非高合作創新績效的組態NH1(～C×～S)，該組態表明非度數中心性和非結構洞的聯動匹配會對高校軍民科技合作創新績效產生一定的抑制作用。造成這一結果的可能原因是高校在合作網絡中的位置特征會直接影響其對合作伙伴資源的獲取與整合，而合作創新的關鍵是外界新穎知識的加入與內部原本知識的碰撞。在軍民科技合作創新網絡中，與其他組織聯系較少的高校，獲取外部異質性知識的機會也相對較少。而占據結構洞數量較少的高校在信息獲取與控制方面也存在一定劣勢，不利于高校對知識進行重新組合，二者共同作用，抑制了高校合作創新績效的提高。這一結果也恰好從反面印證了度數中心性和結構洞是影響高校軍民科技合作創新績效的核心因素。

4 結論與啟示

4.1 結論

本文以2015—2019年國防科技工業局重點支持的36所高校的專利數據為依據，從內部知識屬性和外部網絡位置2個層面，基于組態視角探究了高校軍民科技合作創新的影響機制，并得到以下結論。

1)高校軍民科技合作創新績效的提升并非是某一因素單獨驅動的，而是由一系列內外部因素聯動作用的結果。

2)提升高校軍民科技合作創新績效的路徑包括網絡驅動型與知識驅動型2種構型。網絡驅動型高校能夠憑借位置優勢，彌補知識深度較低導致的劣勢，提高其獲取和整合外部知識的能力；而知識驅動型高校則能依靠廣泛的知識資源，鞏固其網絡位置優勢，促進高校對外部知識的獲取與利用，實現較高的合作創新績效。

3)在產生非高合作創新績效的路徑中，非度數中心性與非結構洞同時出現，證明高校在網絡中的位置特征是影響其軍民科技合作創新績效的重要前因變量。

4.2 啟示

1)統籌兼顧，相輔相成。一方面，高校應在強化已有知識的同時，不斷探索新的知識，并以此吸引更多合作伙伴的加入，提高合作的廣度和深度；另一方面，高校也應加強與國防單位的聯系，使高校在網絡中始終能夠占據優勢位置，充分發揮其信息收集和資源獲取的優勢，為提升高校軍民科技合作創新績效提供有利條件。

2)軍民科技合作創新績效的提高，離不開高校自身知識資源的積累與拓展。一方面，高校應在某一領域形成專長，提升對知識的理解與掌握程度；另一方面，高校也應在不同領域進行技術布點，維持知識的多元化，提高其知識搜索、吸收和整合能力。

3)軍民科技合作創新績效的提高，與高校在網絡中的位置優勢密不可分。高校應在保持已有合作伙伴的基礎上，積極探索同更多國防單位的合作，構建一個更加廣泛的合作創新網絡，提升高校的度數中心性，進而從中獲得更為豐富的異質性知識，并通過中心位置帶來的信息優勢，整合內外部知識，提高高校的合作創新績效;同時，高校也應積極與具備不同資源優勢的國防單位合作，并在當中扮演著“守門員”的角色，使其能夠從中獲取所需的異質性資源，并利用結構洞位置控制網絡中的信息流動，最終實現提高其合作創新績效的目的。