技术跃迁与创新生态环境要素关系的实证分析*
2021-07-20纪亚琨
张 奔 纪亚琨 杨 柳
(华中科技大学管理学院 武汉 430074)
0 引 言
技术跃迁是技术演变中的一个重要过程,与技术内在的技术生命周期以及技术外部的创新生态环境具有密切联系。在这一过程中,技术的发展需要克服技术与市场所带来的不确定性[1],即各种外界环境的条件限制以及技术本身的发展瓶颈,因此在该过程中的技术增长表现得非常缓慢。技术跃迁过程下技术领域的生命周期将产生演变并达到一个新的层级,技术的发展速度和发展上限都将得到显著提升,并帮助利益相关者通过技术演化获取竞争优势[2]。技术创新产生技术生命周期演变是技术内在特性进行自我作用的结果,而技术创新所在的外部创新生态环境则决定了其能够发展到的最大程度,即技术生命周期与组织生命周期共同组成了创新生态系统的演化过程[3]。因此,探索技术跃迁过程的关联环境要素,对于发现产业技术变革方向和制定技术创新规划具有重要意义。从创新生态环境的视角,本文拟结合技术生命周期理论和创新生态理论,应用实证研究方法探索创新生态环境对于技术跃迁过程的影响机制,从而为加快新兴产业技术的跃迁进程提出政策建议。本文试图在创新信息增长、创新协作程度、技术交叉融合等维度分析技术跃迁过程与相关因素之间的联系。在研究过程中本文以高铁轨道技术为例,并构建二元Logistic回归模型,从实证分析结果中探索上述理论维度对技术跃迁过程所产生的影响。
1 文献回顾与假设提出
1.1相关文献研究从技术生命周期的视角,颠覆性技术来源于技术生命周期演变,通过技术跃迁重塑原有技术体系,从而使得技术更新换代。技术内在特性驱动技术创新增长,并导致技术在发展中表现出阶段性和周期性特征。依据各阶段效用值增速的差异,技术生命周期可划分为萌芽期、成长期、成熟期和衰退期。新技术发展之初,支撑技术的“知识库”的非结构化和小体量,引发技术不确定性导致新技术的较长导入期[4]。此后探索性的技术实验支撑知识体系不断向结构化发展,其外在表现为主导设计的出现,并沿着已定型的技术增长路径于性能上持续性改进直至趋近于自然极限[5]。当新的颠覆性技术形成,已处于衰退期的技术生命周期转变到新进入萌芽期的技术生命周期,即技术发展表现为多段S型曲线[6]。这种转变源自技术本身的根本性突破或激进的技术重组的出现,提高了原技术生命周期的性能饱和上限[7-8]。
从创新生态的视角,技术创新的非线性轨迹演进有赖于多主体的协同作用,并和外部环境密切相关。在技术发展初期,为应对技术和市场的不稳定性特征,创新主体通过建立基于知识共享的伙伴或联盟关系及时补充外部知识构建多样化的知识库,以增加灵活性和应对可能开发错误技术的风险[9]。随技术进一步发展,企业间知识重叠加大从而加剧市场竞争,原有组织关系发生变化甚至出现合作瓦解[10]。当技术趋于成熟,企业对市场状况深入了解,围绕产品价格与生产效率进行创新成为关键内容,组织结构和跨组织关系亦随之持续演化[11]。总体而言,在创新生态系统中,一方面利益相关者以技术创新作为连接纽带,通过竞争、合作、学习、吸收等而形成动态复合型组织结构[12-13];另一方面由于技术与组织之间的强依附性,不同技术单元嵌入相关主流生态系统结构形成价值联系,引发技术单元之间的交互作用与分工,刺激技术融合[14]。而这个过程中,政策倾向、制度建设等[15-16]外部环境因素作用于创新生态系统使之表现出自组织特性[17],影响组织、技术的复杂互动。在内外双重驱动力之下技术创新螺旋式交互上升[18],进而产生技术跃迁的颠覆性演化并实现创新生态系统的重塑[19]。由此可见,颠覆性创新的形成往往伴随着技术跃迁过程。
从已有文献中可以看到,已有不少学者从多个角度对创新生态系统展开了研究探索,但对创新生态系统与颠覆性技术之间的联系尚未有系统性的研究,特别是关于创新生态系统如何影响颠覆性技术的形成。颠覆性技术往往从基础研究和交叉研究领域中产生,这其中有赖于创新生态系统对创新资源的调配机制,从而为关键核心技术的演化和突破提供了必备要件,这方面的典型案例有美国硅谷、欧洲创新驿站等等。例如硅谷具有高度灵活的创新生态系统,将高校和研发机构与企业通过技术转移的纽带紧密地联系在了一起。通过以上分析,可从创新生态系统中归纳出支撑颠覆性技术演变的诸多重要要素都与技术跃迁过程有着关联,包括创新信息增长、创新协作、技术融合等。
1.2研究假设提出创新信息增长是创新生态环境形成的基础,不断增长的新技术知识逐步取代旧的知识,为重构技术体系提供了先决条件。和金生(2007)等认为知识存量的增长有助于后续的知识增长过程,并且增长速度的提升有助于提高创新能力[20]。刘岩(2015)等的研究指出知识基础的相关多元度与技术创新绩效具有正相关关系,而非相关多元度产生的是倒U型关系[21]。因此本文认为创新信息的基数越大即创新信息的增长过程使得技术跃迁的可能性也更高,并以此提出假设:
H1:创新信息的增长对于技术跃迁过程具有积极影响。
范群林(2014)等通过案例研究发现,企业的外部协同创新网络在创新生态得到优化的情况下趋于开放并提升了技术创新绩效[22]。创新的价值链网络是创新生态系统的基本架构,不同技术领域中的创新主体通过协作互换创新资源,使得技术体系创新价值链的规模得以扩张,从而加速了新兴技术的技术跃迁过程。如在研发活动的基础上,进一步加强国家需求与市场需求、科研活动与产业规划等方面的协同[23]。由此可归纳出创新协作程度的提升对于技术跃迁具有促进作用,并提出假设:
H2:发明人合作关系对于技术跃迁过程具有推动作用。
H3:申请人合作关系对于技术跃迁过程具有推动作用。
H4:发明人合作与申请人合作的共存对于技术跃迁过程具有推动作用。
技术融合过程的推进对于技术跃迁具有促进作用。武建龙(2014)等指出战略性新兴产业中的技术交叉融合过程推动创新链的扩展,从而使得产业技术向高端跃迁[24]。赵玉林(2019)等人认为,产业融合是技术创新驱动产业转型升级的基本路径[25]。技术融合进程并非技术方案的简单相加,而是不同技术领域的内容相互对接,在创新驱动发展战略下[26]使得原有的技术方案得到完善和升级。特别是在技术创新实现从低端市场到高端市场的转变过程中,用户需求也会同步发生变化,这就需要通过技术跃迁实现更多的技术功效以满足需求。因此技术融合进程是其中不可或缺的一个环节,对于技术跃迁过程的形成具有一定的促进作用。基于此提出假设:
H5:上位技术融合关系对于技术跃迁过程具有促进作用。
H6:下位技术融合关系对于技术跃迁过程具有促进作用。
H7:上位与下位技术融合关系的共存对于技术跃迁过程具有促进作用。
2 研究设计
2.1研究变量选择
2.1.1 因变量 本文以技术跃迁状态(Y)作为分析的因变量,从而探索相关因素对技术跃迁发生概率所产生的影响。该变量表示单件专利具有技术跃迁的可能性,在技术发展过程中具有推动技术创新发展的作用。结合专利数据,本研究用1描述专利具有技术跃迁属性,而用0则表示不具有该属性。参考黄鲁成(2009)等的研究[7],判定技术跃迁状态可根据技术增长速度是否发生显著变化来得出。按这一思路,本文通过Gompertz方程对所搜集专利数据进行技术生命周期的S型曲线拟合,以曲线承载上限的10%到37%作为技术跃迁阶段,并将在该阶段中的专利标记为技术跃迁专利。该阶段为技术生命周期的萌芽期向增长期的转变过程,在该阶段形成的技术突破了萌芽期的困难,并为后续的增长提供了发展基础,因而具有一定的技术跃迁特征。Gompertz方程的公式为y=(K-d)e-er(t-tm)+d,其中y为技术增长总量,t为发展时间,K为技术承载上限,tm为技术发展到K值一半时的时间点,d为常数。
2.1.2 自变量 本研究中的自变量设定如下:a.专利信息量(X1)。该变量反映了单件专利所具有的创新信息量。信息量在一定程度上反映了技术的复杂性,较少的信息量可能是对现有技术的微小改进,而较多的信息量则可能是提出了新的体系。本文用相对信息量进行衡量,即专利摘要与标题的词数之比。b.发明人合作(X2)。该变量说明单件专利是否由多个发明人共同完成。通过对专利数据的探索分析发现,合作关系不以人数来体现,因此使用二分变量来表示更为合适,即用1代表有发明人合作,用0代表没有发明人合作。c.申请人合作(X3)。该变量说明单件专利是否由多个申请人共同申请。和变量发明人合作相似,本文用1代表有申请人合作,用0代表没有申请人合作。发明人数和申请人数则分别为每件专利所记载的发明人数量和申请人数量。d.上位技术交叉(X4)。该变量显示单件专利所记载的发明是否有上位技术领域(用DC代码表示)的交叉。对于这一变量,本研究侧重于描述是否存在技术交叉关系,因此也采用二分变量,即用1代表有技术交叉,用0代表无技术交叉。e.下位技术交叉(X5)。该变量表明单件专利所记载的发明是否有细分技术领域(用MC代码表示)的交叉。和变量上位技术交叉类似,用1代表有技术交叉,用0代表无技术交叉。
2.2实证模型设定由于本文主要是探查创新生态环境的三个理论维度,创新信息增长、创新协作程度及技术融合程度对技术跃迁过程所产生的影响,而其中因变量为反映专利是否处于技术跃迁阶段中的二分变量,因此在本文的实证研究中应采用二元Logistic回归模型较为合适。相比于一般的线性回归模型,二元Logistic回归模型所表现出的主要不同在于其模型中的因变量为二分变量,而前者的因变量只能是连续变量且需要符合正态分布等假定条件。对于定性判断的样本数据,采用Logistic回归方法能够更好地降低误差,但需要注意指标间多重共线性的问题[27]。通过二元Logistic回归的方法,可以预测因变量中每一类别的发生概率,并且判断影响这些发生概率较为显著的自变量有哪些[28]。令因变量技术跃迁Y服从二项分布,定义概率函数u,使u=Pr(Y=1|X1=x1,X2=x2, … ,Xm=xm,),则由m个自变量X1、X2、…、Xm所构建的二元Logistic回归模型为:Logit[u(Y=1)]=ln[u(Y=1)/(1-u(Y=1))]=β0+β1X1+β2X2+…+βmXm,通过该模型进一步探索各自变量对因变量的影响关系。
此外,在本文所构建的二元Logistic回归模型中,创新协作程度和技术融合程度这两个理论维度分别涉及到两个自变量,因此在实证分析中还将对这两个维度自变量的交互效应展开分析。二元Logistic回归模型的分析结果可以产生与因变量相关事件的发生比率,该比率为二元Logistic回归模型中各自变量系数的指数,也被称为优势比。通过这一指标进一步解释各个自变量的状态变动对于因变量技术跃迁状态所产生的影响。
2.3数据来源与处理本文选取高速铁路轨道领域作为实证分析对象,并运用专利数据来对相关假设展开验证。铁路技术领域经过漫长时间的发展,已经历了数次重大技术变迁,对于实证分析具有代表性意义。数据来源于德温特创新索引(Derwent Innovation Index, DII)数据库,在咨询相关技术专家意见的基础上,对数据库中的高速铁路轨道专利进行检索,相应的专利检索式为:((TS=(high AND speed AND rail*) OR TS=(high AND speed AND train) OR TS=(rapid AND transit AND train) OR TS=(rapid AND transit AND rail*) OR TS=(bullet AND train) OR TS=(express AND rail*) OR TS=(express AND train) OR TS=(fast AND moving AND train) OR TS=(fast AND move* AND train) OR TS=(fast AND rail*) OR TS=(quick AND rail*) OR TS=(rapid AND rail*) OR TS=(rapid AND train))) AND (TS=(rail* AND track) OR TS=(rail* AND trackage)) NOT PN=CN*U,检索结果为5518件,时间跨度为1963-2019年。结合Derwent专利数据的结构性特点,从5518件专利中搜集得到了这些专利的摘要文本长度、发明人数、申请人数、MC数、DC数等原始数据。
结合所提出的研究假设,本文进一步对所搜集的专利数据进行如下处理,从而获得模型各变量数据。其中,对于因变量通过技术生命周期的S型曲线来观察技术发展趋势,识别其中增长速度显著变化的阶段(10%-37%)所对应时间区间。对各个专利的技术跃迁状态进行标记,并将其作为实证分析模型的因变量数据。在分析过程中使用三段Gompertz方程进行拟合,拟合得到的技术生命周期时间区间如表1所示。表中各行为特定周期阶段在不同承载上限所对应的年份,各列则为各段周期在特定承载上限所对应的年份。
表1 高铁轨道技术生命周期时间区间
对于各自变量,基于数据易获取原则通过对所搜集的高铁轨道技术的各个单件专利进行统计,从而得到单件专利的相应指标数据,如专利相对信息量、专利申请人数量、专利发明人数量、德温特专利手工代码数量(MC数)、德温特专利分类代码数量(DC数)等。这里发明人数和申请人数则分别表示每件专利所记载的发明人数量和申请人数量。MC和DC是科睿唯安公司的德温特专利数据库所使用的专利分类体系,被统称为DWPI分类系统。该分类系统对所有技术的专利文档进行分类,从而在特定的技术领域实现了有效和精确的搜索。其中DC是DWPI分类系统的部,具体分为21个广泛的主题领域或部分,包括A-M(化学物质),P-Q(工程)和S-X(电子和电气)。而MC是DWPI分类的类,是在部分类基础上所做出的进一步细分。每个类由节字母和两个数字组成,如X22(汽车电器)、C04(化肥)等。
上述指标中,专利相对信息量为连续变量反映单件专利的创新量大小。其他指标的原始数据分布过于集中,如采用连续变量容易受到极端值的影响,从而造成忽视专利个体的差异性。因此基于各指标数据的中位数将其转化为二分变量,进而作为实证分析模型的自变量。最后得到实证分析样本数据的描述性统计分析结果如表2所示,以此构建二元Logistic回归模型展开实证分析。
表2 实证分析各变量数据的描述性统计
3 实证分析结果
3.1实证模型总体拟合情况本文利用SPSS统计软件对专利数据进行二元Logistic回归分析,回归过程使用基于最大似然估计的向前逐步回归法筛选变量。最终分析得到模型拟合的对数似然值为7493.42,此外其他具体实证分析结果展示在以下多个表中。其中,霍斯默·莱美肖检验的结果如表3所示,检验过程中的p值大于检验标准0.05,反映数据中的信息已经被充分提取,可以认为所构建的二元Logistic回归模型对于模型变量数据具有较好的拟合效果。
表3 霍斯默·莱美肖检验结果
表4为二元Logistic回归模型的最终系数综合检验结果。其中初始模型(Model)一行反映了模型中所有参数是否均为0的似然比检验结果。从显著性的结果来看,该模型所纳入的自变量中,至少有一个变量的系数和优势比(OR值)具有统计学意义,这也表明了模型的整体拟合也具有统计意义。
表4 模型系数检验
3.2共线性检验自变量之间的Spearman相关系数分析结果如表5所示,从该表中可以看到,相关性系数均在0.5以下,说明自变量之间的相关性较弱。而表6则为各二元Logistic回归模型自变量之间的共线性检验结果。由表6的自变量共线性检验可以看到,各个自变量的容差值均小于1且大于0.1,同时各自变量的方差膨胀因子均小于10,说明上述自变量之间不存在多重共线性问题,以这五个自变量所构建的模型较为稳定。由此可知,基于上述五个自变量构建二元Logistic回归模型符合关于变量共线性的基本要求。
表5 自变量Spearman相关性分析结果
表6 自变量共线性检验
3.3回归结果表7为二元Logistic回归模型的分析结果,显示所有的自变量都被筛选进入该模型。可以看到的是,自变量X1(专利信息量)、X3(申请人合作)和X4(上位技术交叉)、X5(下位技术交叉)的回归系数在1%的水平上显著,此外自变量X2(发明人合作)和X3(申请人合作)交互项的回归系数也在1%的水平上显著。此外,从表7的系数分析结果显示,自变量X1和X4与技术跃迁具有负相关关系,而自变量X5和交互项X2*X3则与技术跃迁则具有正相关关系,假设H4、H6成立,而假设H1、H5没有得到验证。该分析结果表明,下位技术交叉以及发明人、申请人合作的交互对于技术跃迁的可能性具有提升作用,而创新信息量对于技术跃迁的可能性具有降低作用。
表7 二元Logistic回归模型纳入的变量
根据分析结果,得到最终的拟合方程式为logit(P)=0.275-0.014X1+0.257X2X3-0.375X4+0.375X5,通过这一方程可对新的专利做出预测,来判断相关技术发生技术跃迁的可能性。从自变量的优势比来看,变量X5的优势比最大,其值为1.454,反映的是在有下位技术交叉的情况下,技术跃迁的可能性是无下位技术交叉情况的1.454倍。其次是交互项X2*X3,其值为1.293,反映的是在发明人合作与申请人合作共同存在的情况下,技术跃迁的可能性提升了1.293倍。而回归系数为负的自变量显示对技术跃迁具有负面作用。其中变量X1的优势比为0.986,反映的是创新信息量每增长一个单位,相应的技术跃迁可能性就降低到0.986倍,而X4的优势比为0.687,反映的是有上位技术交叉情况下技术跃迁可能性降低到了0.687倍。如表8所示,自变量X2、X3以及交互项X4*X5的回归系数均不具有显著性,说明其影响不具有统计学意义,假设H2、H3、H7没有得到验证。这一结果表明发明人合作关系、申请人合作关系以及上位技术交叉与下位技术交叉的交互作用对于技术跃迁的影响效果均可视为没有影响。
表8 未进入模型的变量
4 结论与启示
本研究通过从创新信息增长、创新协作程度、技术融合程度等维度出发,对技术跃迁的影响因素展开了探索,并以高铁轨道技术为例构建二元Logistic回归模型展开了实证研究。相较现有研究,本研究在融合技术生命周期、创新生态系统等理论的基础上进一步延伸,形成了技术跃迁影响机制的系列理论假设。通过对专利数据的实证分析,本研究发现上述三个维度对于技术跃迁进程具有显著影响,并表现出特定的影响机制。
更进一步地,从实证结果中可总结出一些创新政策启示:a.技术信息的积累并非是产生技术跃迁的基础要件。按照通常理解,重大创新突破往往来源于微小创新的积累,但在本研究中这一推断并未得到验证,反而表明信息积累有负面影响。这一结果说明高铁轨道领域在数量层面的创新发展并不能直接带来质量层面的改变。由此可见在政策制定过程中应当避免科研资源在某一研究领域中的过度集中,而是应当引导至多个关联领域从而形成合理的研发规划。b.注重企业内部与外部的共同协作。中国高铁技术的进步来源于政府主导下研究活动所取得的重大成果,在这些研发活动中既有创新主体内部研发人员所展开的研究合作,也有同领域单位之间展开的共同协作。本文实证结果显示单一的技术人员合作或是机构合作都没有显著提升技术跃迁的可能性,这表明未来的高铁轨道领域仍需要完善协同创新机制来加强技术创新突破。c.加强技术体系内部的技术交叉融合和再创新。跨领域的上位技术融合是企业创新战略的主要方向之一,但在本文研究中并未得到实证验证,这说明高铁轨道领域的跨界技术融合没有带来直接的技术跃迁支撑。而下位技术融合显示出较好的效果,说明该领域中的技术跃迁主要来源于技术体系内部的交叉融合过程。对于未来发展,高铁轨道领域需要进一步探索跨界技术融合的创新路径,将外部其他新兴技术深度内嵌于技术体系中,使其形成本领域新的创新突破。
本研究中一些变量的回归系数在统计学意义上并不显著,说明本研究存在着一定的不足,这为下一步研究提供了参考,具体表现在:a.有潜在因素影响了创新主体协作对技术跃迁的作用。本研究显示发明人协作与申请人协作对技术跃迁的影响均不显著,但这两个因素的共同存在却有着积极作用,这说明高铁轨道领域中创新协作的积极作用受到了某些限制。b.技术跃迁过程中上下位技术融合关系的共存有待进一步解释。上位技术结构与下位技术结构的交叉分别对技术跃迁有着不同方向的影响,这说明从下位到上位的技术交叉过程演变具有显著差异,而这一差异可能对技术跃迁过程产生不同影响。