二元性创新平衡、价值网络交易集中度与制造企业绩效

张亚新

(安徽建筑大学 经济与管理学院，安徽 合肥 230601)

一、引言

近年来，利用式与探索式创新已成为技术创新领域的重要研究主题之一。利用式创新(exploitation innovation)是对原有知识的利用，是对现有产品或技术的改进，目的在于满足现有市场的需求，通常具有渐进性的特征(Benner et al.,2002；Lewin et al.,1999)；探索式创新(exploration innovation)则强调对新知识的学习与运用，其是对现有产品或技术的根本性改变，是全新的发明，一般具有突变性的特征，目的在于满足新兴市场的需求(Jansen et al.,2006；刘志迎 等，2017)。探索式创新和利用式创新对企业的影响存在显著不同：探索式创新有助于增加企业的未来收益，提升企业长期的竞争力；利用式创新则能够增加当前收入，提升企业的短期效率。由于企业的长期效益与短期效益在某种程度上可以相互转化，因此，探索式创新和利用式创新对企业整体绩效的影响是积极的(李忆 等，2008)。在一个个体或子系统的单一领域内，由于目标与结构、资源的冲突，利用式与探索式创新作为一个连续体的两端，二者具有替代作用，可以实现利用式与探索式创新交替进行的间断型平衡模式；而在多个相联系的个体或者子系统的多关联领域内，通过资源的有效安排，利用式与探索式创新可能是正交的，可以同时实施利用式与探索式创新平衡的二元创新平衡(Gupta et al.,2009；O′Reilly et al.,2004)。如果企业能够有效平衡利用式与探索式创新，则可以同时维持短期与长期发展的需要，并获得最佳的绩效组合，实现企业绩效最大化(刘志迎 等，2017;He et al.,2004;March,1991)。

由于二元创新平衡的定量测度存在困难，使得学者在研究二元创新平衡影响绩效时大多停留在理论分析层面。有关影响二元创新平衡外部因素的研究，主要集中于宏观层面的行业技术动态对二元创新平衡的影响，鲜有考察中观层面价值网络动态的影响。相关研究认为，价值网络内制造企业与供应商及客户的交易集中有利于形成一个相对封闭、稳定的产业网络环境，从而有助于制造企业低风险、低成本地获取与利用价值网络的技术、知识、信息、社会资本等相关的无形资源以增强技术创新(董必荣，2012)。然而，价值网络内交易集中度增大形成的稳定、相对封闭的网络对探索式创新绩效会产生“双刃剑”作用(Bierly et al.,2001)。因为相对稳定性和封闭性网络会降低企业的探索式创新(Phelps,2010)，从而可能调节二元创新平衡与绩效间关系。

本研究的创新之处可能体现在：第一，在对利用式与探索式创新绩效进行定量分析的基础上，设计了相对探索式创新导向指标用于测度二元创新平衡，一定程度上弥补了以往对二元创新平衡的定量研究的不足；第二，利用上市制造企业的纵向数据，运用系统GMM模型来分析二元创新平衡与企业绩效间的关系，有利于深刻揭示我国制造业激烈竞争背景下，具有多个部门或者子系统的较大规模制造企业二元创新平衡与绩效的动态关系；第三，引入价值网络因素作为调节二元创新平衡与绩效关系的中观产业环境因素，分析制造企业在产业价值网络内与价值链上下环节的供应商和客户的交易集中度是否会调节二元创新平衡与绩效的关系，有助于丰富价值网络影响二元创新平衡与绩效间关系方面的研究。

二、文献回顾与假设发展

(一)二元创新平衡与企业绩效

组织要想长期保持领先对手的优势，就必须重视技术创新，形成难以被竞争者学习或轻易模仿的新知识，以此保证公司的持续盈利(王凤彬 等，2012)。探索式创新具有搜索、变异、创造、试验和冒险等特点，它的目标是满足新出现的顾客和市场需求(Atuahene-Gima,2005)。这种技术创新通常涉及新的组织实践，会促进新产品、新事业、新流程和新生产方式等的发现(张玉利 等，2006)。但是，过多的探索式创新也会给组织绩效带来负向影响，一方面其会耗费大量的组织资源，另一方面在于探索难免会遭遇失败，因而收益的不确定性程度较高。如果组织将有限资源过多地集中于探索式创新中，则容易陷入“创新陷阱”，形成“探索—失败—无回报变革”的恶性循环(Gupta et al.，2006；张玉利 等，2006)，进而对组织绩效产生负面影响。同样，过多的利用式创新活动也会导致企业锁定在已经形成的某种能力格局之中，难以灵活地适应环境的动态变迁。因此，二元创新平衡对企业绩效具有重要作用(Christensen et al.,2000)。企业不仅应通过利用式创新整合现有知识、扩展现有产品的种类和功能，为现有市场中的顾客提供更好服务，而且还需通过探索式创新获取新知识、开发新技术和开辟新市场。因此，强化利用与探索的二元创新平衡更有助于企业实现绩效的提升。

二元创新平衡是一个相对概念，为便于测度，本文提出了相对探索式创新导向。相对探索式导向等于企业从事探索式活动的数量除以利用式与探索式活动数量之和。针对相对探索导向的测量，已有研究主要采用以新闻为主的二手资料，忽略了其它信息来源，往往会造成信息遗漏。因此，在利用此概念来测度技术创新活动时，我们将相对探索式创新导向修正为企业从事探索式创新绩效的数量除以利用式与探索式创新绩效的数量之和。相对探索式创新导向对于企业整体绩效的影响，主要通过作用于企业长期绩效与短期绩效之间的平衡来实现。当相对探索式创新导向较小时，企业更多是开展提升短期绩效的利用式创新行为，而较少从事提升长期绩效的探索式创新行为。此时，二元创新不平衡，企业整体绩效较小，体现在长期绩效的不足。随着相对探索式创新导向的增大，开展提升长期绩效的行为相应增强，企业整体绩效提高。当相对探索式创新导向增长到一定阶段时，企业长期绩效与短期绩效之间达到平衡，此时整体绩效最大。而后，随着相对探索式创新导向的继续增大，企业出现了短期绩效的相对不足，会导致整体绩效的降低。因此，当相对探索式创新导向由小至大变化时，企业二元创新将经历不平衡到平衡再到不平衡的过程，企业整体绩效也会经历先增大后减小的过程。因此，本文提出：

H1：相对探索式创新导向与企业绩效呈倒U型关系变化。

(二)价值网络内交易集中度

价值网络主要由企业、终端顾客、供应商、销售商(客户)、合作者等共同构成。本研究中的价值网络内交易集中度指的是制造企业在价值网络内与供应商和经销商的交易集中程度，体现了相对集中的供应和销售数量。制造企业在其价值网络内的交易集中度包含供应商的集中度和客户的集中度两部分。价值网络作为一个资源的网络，包括有形的实物资源和无形的能力与关系。企业获取的无形网络资源也被称为企业智力资本，包括人力资本、结构资本与关系资本。企业嵌入价值网络可以获取社会资本以及创新所需的新知识，进而有利于增强企业绩效。

对于制造企业来说，在价值网络内，随着供应商及经销商集中度的增大，一方面，可以形成相对稳定增长的交易环境；另一方面，有助于其与主要供应商及客户增进情感、信任与互惠等，这些都有助于降低交易成本和不确定性，更好地促进制造企业快速响应原料市场和终端市场的变化，同时获取与利用产业价值网络内的信息与知识，增强技术创新能力(利用式创新与探索式创新能力)。然而，在价值网络内交易集中度的增大也可能会降低制造企业的相对探索式创新导向，从而间接影响企业绩效。例如，如果制造企业具有相对集中的供应商，则可能会间接地鼓励其维持那些使用主要供应商所提供原材料的现有产品和服务，这意味着企业将满足于对现有原料的采购和生产现有的产品，而不愿从事技术创新，即便从事技术创新也属于利用式创新，这会抑制探索式创新。类似地，当制造企业的客户集中度增大时，交易越来越集中于少数经销商，由于与经销商交易集中度的增大会增强交易的稳定性，制造企业在产品创新方面也会产生惰性，其主要通过维持现有产品和现有客户来追求短期绩效，而非通过追求新产品发明和新市场开发来提升长期绩效，从而会降低企业相对探索式创新导向，最终影响企业整体绩效。因此，本文提出：

H2a：在价值网络内，供应商的集中度负向调节相对探索式创新导向与绩效间的关系；

H2b：在价值网络内，客户的集中度负向调节相对探索式创新导向与绩效间的关系。

三、研究设计

(一)模型的建立

本文参考王凤彬(2012)的研究设置了模型，同时考虑了企业上年的绩效会影响到下一年绩效，以及数据的可得性和代表性，我们利用沪深股市120家样本企业2010—2015年的年度面板数据，实证检验前述假设。

(1)

其中，Q为企业绩效，C为常数项，EXP为相对探索式创新导向，DEM为客户集中度，SUP为供应商集中度，SALE为企业规模，RD为研发投入，RDD为研发数据缺失的哑变量，YR为年度哑变量，IND为行业哑变量，υ为随机效应，e为随机误差项。表1列示了模型中各变量的说明。

表1 变量说明

由于使用动态纵向面板数据进行分析，需要控制模型的内生性与不可观察的异方差，因此，适宜使用GMM估计。GMM估计利用被解释变量与预定变量的滞后项、严格外生变量的差分作为工具变量进行估计。进一步，我们使用系统GMM估计，而非差分GMM估计，原因在于，差分GMM估计会导致被解释变量产生严重的弱工具变量问题，而系统GMM估计适合个体多时间跨度短的面板数据。系统GMM估计可以使用统计软件Stata 10.0中的xtabond2功能模块进行分析。对于系统GMM分析，遵循拇指法则(The rule of thumb)，即工具变量数量小于等于群体数量。在模型分析中，行业哑变量和年度哑变量被视为严格的外生变量，其它变量(除被解释变量外)被视为预定变量。

(二)变量的测量

(1)企业绩效。利用式与探索式创新行为会以不同的方式影响企业在不同时间段的绩效，因此，在研究二者平衡对企业绩效的影响时，使用基于会计的绩效计量可能存在问题，因为探索式创新对绩效的最终影响往往需要历经较长时间才能显现，而利用式创新则具有更直接的短期影响。为了能够用单一的绩效指标来测度短期和长期绩效影响，学者普遍采用随时间变化的基于市场价值的计量方法，即托宾Q来测量企业的市场价值，以此作为企业绩效的替代。托宾Q可以同时体现企业的短期及长期绩效，一般用资产的市场价值除以资产账面价值来衡量。

(2)相对探索式创新导向。利用式创新与探索式创新的区别，主要依据技术创新行为是否最终跨技术领域。国际专利分类号IPC分类中的专利的主分类号的前4位代表着某一类技术领域。考虑到一般专利影响的时间至少5年，因此，判断企业某年某专利是否属于新技术领域，可以通过考察该专利所在的技术领域是否与该企业近5年已进入的技术领域不同。对于某年的利用式创新的测度，则采用与探索式创新绩效相反的方法，将利用式创新绩效视作企业某年产品所进入已有技术领域的专利数量。由于现阶段在我国制造企业申请的专利中，专利引用比较少，因此，本文采用企业进入新技术领域的专利数量来测量探索式创新绩效。专利包含发明、实用新型和外观设计三类，因此，本文的利用式与探索式创新均包含实用新型。由于外观设计不涉及产品的技术与功能领域，仅是产品外观的变化，因此归入利用式创新。综上分析，对于相对探索式创新导向的测度，等于探索式创新绩效除以企业总的创新绩效(利用式创新绩效与探索式创新绩效之和，即企业总的专利数量)。

(3)价值网络内交易集中度。价值网络内交易集中度可以分为供应商集中度和客户集中度。本研究采用前五名供应商的采购比例来衡量供应商集中度，用前五名客户的销售比例来表示客户集中度。

(4)控制变量。参考已有研究，本文选择公司规模、公司研发投入等作为控制变量，以进一步增强模型的解释能力。同时，本文还引入了用于表示年报中研发投入数据缺失的虚拟变量。其中：公司规模用该公司年销售额来衡量，如果企业年报中没有研发投入数据，则取值为1，否则为0。此外，本文还引入了年度哑变量以控制不同年份的经济周期的影响，引入行业哑变量以控制行业技术因素的影响。

(三)样本选择与数据来源

在样本企业的选取上，存在一些标准：(1)企业具有多个业务单位、子公司或分公司，冗余资源相对较为丰富，可以协调资源实施二元创新平衡；(2)企业具有较好的技术创新绩效，要求样本企业在2010—2015年间平均每年成功申请的专利数量(以申请日计算)不少于1个。基于以上要求，本文选取在沪深股市上市的制造企业作为初始样本，在此基础上，剔除了*ST、ST及PT类上市企业，最终获取120个企业样本。

本文所涉及的财务数据取自WIND和CSMAR数据库。公司前5名供应商和销售商的数据、研发投入数据来源于巨潮资讯网(CNINF)的年度报告，研发投入数据来源于巨潮资讯网(CNINF)的年度报告，专利数据来源于中国专利数据库和世界专利数据库。

(四)实证结果和分析

表2的相关系数分析结果表明，销售额、研发支出、客户集中度与企业绩效呈显著的正相关关系，而供应商集中度与企业绩效的相关关系不显著。

表2 相关系数分析(N=575)

注：*p<0.10,**p<0.05,***p<0.01。

表3列示了系统GMM估计的层级分析结果及因变量企业绩效滞后1阶的影响，并给出了检验残差自相关的AR(1)、AR(2)统计量对应的Z值，以及检验所有工具变量是否整体外生的Hansen统计量对应的卡方值(χ2)。由于各个模型中Wald x2显著(p<0.01)，AR(1)的Z值显著(p<0.01)，AR(2)统计量对应的Z值并不显著(p>0.1)。因此，表3各模型中的残差无自相关性的假设不能拒绝。同时,Hansen统计量的卡方值并不显著(p>0.1)，不能拒绝所有工具变量是否整体外生的原假设。从估计结果看，因变量滞后1阶数，其它变量取当前值是适合的。

表3 系统GMM估计模型

注：*p<0.10,**p<0.05,***p<0.01；Z1和Z2分别是AR(1)和AR(2)在差分Arellano-Bond检验的Z值。

依据表3，可以进一步分析假设是否成立：

第一，相对探索式创新导向与企业绩效的关系。模型M2显示，相对探索式创新导向与企业绩效正相关(β=2.56，p<0.01)，且相对探索式创新导向的平方与企业绩效负相关(β=-2.63，p<0.01)，因此，相对探索式创新导向与企业绩效呈倒U型关系，假设H1被证实。这说明，冗余资源相对丰富的、具有一定规模的上市制造企业可以取得二元创新平衡，并在二元创新平衡时获得最佳绩效。尽管许多学者曾引用了March(1991)的利用与探索概念，但是大部分研究得出利用与探索是正交的或互补关系，而非March(1991)提出的作为一个连续体的两端。本文得出的相对探索式创新导向与企业绩效呈倒U型关系，有效地支持了March(1991)的观点，即二者之间存在替代关系，这也与Uotila et al.(2009)的研究结论一致。

第二，制造企业在价值网络内的交易集中度对相对探索式创新导向与企业绩效间关系的调节作用。依据模型M3，相对探索式创新导向与供应商集中度的交互项的系数为0.02(p>0.1)，且相对探索式创新导向的平方与供应商集中度的交互项的系数为-0.01(p>0.1)，因此，假设H2a不成立，即供应商集中度并不显著负向调节相对探索式创新导向与企业绩效间的关系。依据模型M4，相对探索式创新导向与客户集中度的交互项的系数为0.10(p<0.05)，而相对探索式创新导向的平方与客户集中度的交互项的系数为-0.10(p<0.05)，因此，客户集中度正向调节相对探索式创新导向与企业绩效间的关系，所以假设H2b不成立。导致供应商集中度与客户集中度都不会显著负向调节相对探索式创新导向与企业绩效间关系的原因可能是，在我国制造业激烈竞争的动态环境中，一方面，制造企业面临着巨大的探索式创新的压力；另一方面，制造企业在其价值网络内与供应商和客户间的交易集中度的增大有利于获取价值链上的不同环节伙伴的信息、知识和市场变化情况，更有利于促进企业实现探索式创新。这些因素在一定程度上使得制造企业在其价值网络内与供应商和客户间的交易集中度的增大可以增强相对探索式创新导向，因此，制造企业在其价值网络内与供应商和客户的交易集中度的增大所带来的对相对探索式创新导向的正向影响，可能部分抵消了交易集中度增大对相对探索式创新导向的负面影响。另外，客户集中度正向调节相对探索式创新导向与企业绩效间的关系表明，客户集中度增大，不仅在增强制造企业响应市场变化和获取创新所需的信息与知识等方面会比供应商集中度强，而且更有利于增强企业的相对探索式创新导向，并抑制对相对探索式创新导向的负面影响。为深入分析客户集中度对相对探索式创新导向与企业绩效间关系的正向调节作用，本文对客户集中度分别选取均值(0.35)、均值减一个标准差(0.14)和均值加上一个标准差(0.56)三种情形，对应的相对探索式创新导向呈倒U型曲线，如图1所示。依据图1，在探索式创新与利用式创新平衡前，随着客户集中度的增大，相对探索式创新导向对企业绩效的正向影响增大，相对探索式创新导向的倒U型曲线的拐点的左端曲线变得越陡峭；在探索式创新与利用式创新平衡后，随着客户集中度的增大，相对探索式创新导向对企业绩效的负向影响增大，相对探索式创新导向的倒U型曲线的拐点的右端曲线也变得越陡峭。

图1客户集中度的调节作用

四、稳健性检验

为了确保结论的稳健性，本研究在系统GMM中考虑了自变量相对探索式创新导向的内生性，并将其作为内生变量，而不是预定变量。稳健性分析结果如表4所示，从中可见，结论未发生显著差异。

表4 稳健性分析结果

注：*p<0.10,**p<0.05,***p<0.01；Z1和Z2分别是AR(1)和AR(2)在差分Arellano-Bond检验的Z值。

五、结论、启示与未来研究展望

本文通过专利数据对二元创新平衡进行定量测量，在控制不可观察的异方差和内生性的情况下，采取纵向的数据进行系统GMM分析的结果表明：相对探索式创新导向与企业绩效呈倒U型关系，制造企业在价值网络内的供应商集中度不会显著负向调节相对探索式创新导向与绩效的关系，客户集中度会正向调节相对探索式创新导向与绩效的关系。

本研究结论的政策启示在于：(1)冗余资源相对较多的制造企业可以通过平衡二元创新来实现转型升级，获取最佳绩效。这要求制造企业不仅应注重利用式创新，而且还需长期从事探索式创新。(2)为了增强二元创新的平衡，产业价值网络内的制造企业需要有效开发和维护客户关系，构建相对集中的紧密的客户关系，并通过与主要客户形成的集中、紧密的局部价值网络来调节二元创新平衡。

本文存在的局限及未来研究方向主要体现在：第一，样本企业主要来自具有多个业务单位或子系统的、冗余资源相对丰富的、具有一定规模的上市制造企业，因此，相关结论的普适性需要进一步探讨。第二，本文以我国制造业激烈竞争的动态环境作为研究情境，所得结论在其他不同情境的国家或地区是否同样成立，也需要在未来加以进一步检验。

参考文献：

董必荣. 2012. 基于价值网络的企业价值计量模式研究[J]. 中国工业经济(1):120-130.

李忆,司有和. 2008. 探索式创新、利用式创新与绩效:战略和环境的影响[J]. 南开管理评论(5):4-11.

刘志迎，付丽华，马朝良，等. 2017. 基于Meta分析的创新二元性与企业绩效关系研究[J]. 科学学与科学技术管理(6):171-180.

王凤彬,陈建勋,杨阳. 2012. 探索式与利用式技术创新及其平衡的效应分析[J]. 管理世界(3):96-112.

张玉利，李乾文. 2006. 双元型组织研究评介[J]. 外国经济与管理(1):1-8.

ATUAHENE-GIMA K. 2005. Resolving the capability-rigidity paradox in new product innovation [J]. Journal of Marketing, 69(4):61-83.

BENNER M J, TUSHMAN M L. 2002. Process management and technological innovation: a longitudinal study of the photography and paint industries [J]. Administration Science Quarterly, 47(4):676-706.

BIERLY P, DALY P S. 2001. Exploration and exploitation in small manufacturing firms [C]. 6th Annual Meeting Acad.Management,Washington, D.C.

CHRISTENSEN C M, OVERDORF M. 2000. Meeting the challenges of disruptive change [J]. Harvard Business Review, 78(2):66-71.

HE Z L, WONG P K. 2004. Exploration vs. exploitation: an empirical test of the ambidexterity hypothesis [J]. Organization Science, 15(4):481-494.

JANSEN J J P, VAN DEN BOSCH F A J, VOLBERDA H W. 2006. Exploratory innovation, exploitative innovation, and performance: effects of organizational antecedents and environmental moderators [J]. Management Science, 52(11):1661-1674.

LEWIN A Y, LONG C P, CAROLL T N. 1999. The coevolution of new organizational forms [J]. Organization Science, 10(5):535-550.

MARCH J. 1991. Exploration and exploitation in organizational learning [J]. Organization Science, 2(1):71-87.

O’REILLY C A, TUSHMAN M L. 2004. The ambidextrous organization [J]. Harvard Business Review, 82(1):74-81.

PHELPS C C. 2010. A Longitudinal study of the influence of alliance network structure and composition on firm exploratory innovation on firm exploratory innovation [J]. Academy of Management Journal, 53(4):890-913.

UOTILA J, MAULA M, KEIL T, et al. 2009. Exploration，exploitation， and financial performance: analysis of S&P 500 corporations [J]. Strategic Management Journal, 30(2):221-231.