基于演化博弈的大数据产业联盟成员失败知识共享机制研究
2022-04-29徐岸峰陈宇李玥
徐岸峰 陈宇 李玥
摘 要：失败知识共享是大数据企业提高创新绩效、降低失败概率的有效途径，能够促进大数据企业的协同创新发展。针对大数据产业联盟成员失败知识共享问题，本文运用演化博弈理论，构建大数据产业联盟成员间失败知识共享演化博弈模型，分析各因素对大数据企业失败知识共享策略演化路径的影响机理。结果表明：通过提高大数据企业间信任水平、容错度、惩罚成本、失败知识共享量、失败知识互补程度和降低失败知识共享难度系数可促进大数据产业联盟成员间的失败知识共享。
关键词：失败知识共享;大数据产业联盟;演化博弈
中图分类号：F224.32文献标识码：A文章编号：2097-0145（2022）02-0077-07doi：10.11847/fj.41.2.77
Research on Failed Knowledge Sharing Mechanism of Big Data Industry
Alliance Members Based on Evolutionary Game
XU An-feng， CHEN Yu， LI Yue
（School of Economics and Management， Harbin University of Science and Technology， Harbin 150080， China）Abstract：Failed knowledge sharing is an effective way for big data enterprises to improve innovation performance and reduce failure probability， which can promote collaborative innovation development of big data enterprises. Aiming at the problem of failed knowledge sharing among big data industry alliance members， this paper constructs the evolutionary game model of failed knowledge sharing among members of big data industry alliance by using evolutionary game theory， and analyzes the influence mechanism of various factors on the path of failed knowledge sharing strategy of big data enterprises. The results show that， by improving the trust level， fault tolerance， penalty cost， failed knowledge sharing amount and failure knowledge complementary degree among big data enterprises， reducing the difficulty coefficient of failed knowledge sharing can promote failed knowledge sharing among big data enterprises.
Key words：failed knowledge sharing; big data industry alliance; evolutionary game
1 引言
黨的十九大报告指出，“建设现代化经济体系，推动互联网、大数据以及人工智能与实体经济的深度融合。”大数据时代的到来使企业的知识共享与创新活动产生了巨大变化。大数据背后所隐藏的知识逐渐成为大数据企业之间竞争的焦点，大数据企业开始寻求合适的企业共享数据资源来弥补自身在知识创新方面的“数据资源缺口”，由此，大数据产业联盟应运而生。虽然大数据产业联盟的建立能够有效促进联盟企业间资源整合与知识共享，但随着知识共享活动不断增强，主体参与度不断提高，合作环境不断复杂化，联盟成员间的知识共享面临着巨大的挑战。失败事件在大数据产业联盟知识共享过程中客观存在且不可避免，适度的失败反而刺激企业快速寻找解决办法。通过对失败事件的分析和识别，从中获得更多的知识和经验[1，2]，使大数据企业有效降低重复失败率，从而提高知识创新绩效[3，4]。由此可见，失败知识也是大数据产业联盟中非常重要的资源。因此，对大数据企业如何通过与大数据产业联盟中其他企业进行失败知识资源的共享这一问题进行研究，对提高大数据企业自身竞争优势和保证大数据产业健康发展，从而促进产业联盟优化管理具有重要意义。
知识共享是知识管理的核心，是知识效应提升的重要驱动力[5]，也是联盟获得合作收益的重要基础[6]。作为联盟绩效增长的重要途径，联盟成员的知识共享行为受多种因素影响，如联盟成员风险偏好[7]、惩罚系数[8]、知识吸收能力[9]以及边际收益[10]等。联盟内外部的知识共享活动形成了由知识资源网络、技术网络和人际关系网络有机结合的联盟知识共享网络[11]。随着联盟成员间合作的不断深入，不可避免会出现各种阻碍甚至是失败，而联盟成员往往侧重于向成功企业学习成功的技术和经营方式，却忽略了失败知识。其实，失败知识更容易使企业获取有效的教训与经验，对失败经验的共享与学习能够促进企业创新发展[12]，是企业减少创新失败率和提高绩效的有效途径[13]。
近年来，源于生物进化论的演化博弈理论被学者们运用于战略联盟[14]、企业协同创新[15]和供应链[16]等领域。关于战略联盟的研究，Chen和Sun[17]引入信任约束的惩罚机制与奖励机制，构建了联盟成员间的信任决策演化博弈模型;Heidl等[18]认为战略联盟的不稳定性主要因为联盟中存在复杂性和潜在的“搭便车”行为，提出减少联盟成员的机会主义行为可通过引入第三方来实现。对企业间协同创新问题的研究，米捷等[19]通过分析本土企业与跨国投资企业间不同位势下的知识共享行为，建立了博弈参与双方知识共享与机会主义行为的演化博弈模型;綦良群和周凌玥[20]通过分析装备制造企业协同创新网络对知识转移行为的影响，构建了装备制造企业与知识密集型企业和配套企业的知识转移演化博弈模型。对供应链的研究，Lotfi等[21]通过建立供应商与经销商之间的博弈模型，指出实现两者之间互利共赢局面的关键因素是良好的信息共享氛围;刘涛等[22]针对供应链中的信用交易过程，运用演化博弈理论构建了供应商、零售商信用交易的演化博弈模型。8D50FF8C-602E-4474-BFBE-EEC85FD85697
目前学术界对知识共享的研究已取得了较多的成果，但关于失败知识，尤其在大数据产业联盟成员间的共享问题还鲜有学者关注。无论是组织之间还是组织成员之间的知识共享，都会出现“囚徒困境”或逆向选择的情形，而且演化博弈理论在知识共享的研究中也得到了广泛应用。由于失败知识的缄默性和情境性，大数据产业联盟成员间失败知识的共享更加复杂和困难，企业间信任水平、数据资源差异程度和资源量，以及大数据企业对失败知识的容错程度、认知程度、差异性知识资源的整合成本和惩罚机制等对博弈方策略演化路径具有重要影响。所以，本文将运用演化博弈理论，构建大数据产业联盟成员间失败知识共享的演化博弈模型，分析各因素对大数据企业策略演化路径的影响，从微观视角深入探析大数据产业联盟成员间关于失败知识共享行为的决策过程。
2 演化博弈理论的适用性及模型假设
2.1 演化博弈理论的适用性
大数据产业联盟中的失败知识共享是大数据企业间相互博弈的过程。大数据企业组建联盟的最初目标是实现合作共赢，其原则符合博弈理论对多重合作博弈的解释。多重合作博弈引入了“理性预期”，这也是它与一次性随机博弈最关键的区别。大数据产业联盟中某一成员的知识共享行为在一定程度上会受到其他成员共享策略行为的制约，反过来也会影响其他成员的知识共享行为。失败知识的抽象性与外部性使失败知识在大数据产业联盟成员间进行共享成为可能。
演化博弈理论摈弃了传统博弈理论中将人视为超级理性个体的假设，而是将“博弈参与者都是有限理性的个体”作为基础。在大数据产业联盟中，每个大数据企业都以实现自身利益最大化为目标，因此联盟内的大数据企业都是有限理性的。由于联盟成员在企业文化、企业结构和管理理念等方面存在差异，彼此之间信息存在不完全性和不对称性等特征。此外，大数据企业之间存在相互模仿和学习的现象，即当某一大数据企业采取某策略后获得了较好的收益，其他大数据企业都会有复制该策略的倾向。综上，大数据产业联盟成员的以上特性满足演化博弈理论的基本假设。
2.2 模型假设
2 模型假设
（1）参与主体与合作策略。为了简化分析过程，假设大数据产业联盟中存在大数据企业A和大数据企业B，每一个大数据企业都具有两个策略可供选择：共享和不共享，且采取失败知识共享策略的概率分别为x和y，采取不共享策略的概率为1-x和1-y，其中x，y∈[0，1]。
（2）直接收益与协同收益。参与演化博弈的双方在共享自身的失败知识过程中，不仅可获得由于学习、吸收对方提供的失败知识而获取提升自身绩效的知识和技能的直接收益，同時也获得因知识相互融合而产生价值增值的协同收益。其中直接收益受共享方失败知识存量ki和接收方对失败知识学习能力si两个因素的影响。共享方失败知识存量与接收方所获收益成正比关系，共享方拥有的失败知识存量越大，接收方所获得的收益就越多。接收方的知识学习能力是指对共享方所共享的失败知识进行吸收、理解和转化的能力。因此，大数据企业A和大数据企业B在博弈中获得的直接收益分别为sAkB和sBkA。当大数据企业A和大数据企业B同时选择共享策略时，两者会因合作创新而产生协同效应，该效应所产生收益的大小取决于合作双方的相互信任程度θ以及合作双方失败知识的互补系数β，联盟成员之间良好的信任关系促使彼此有理由相信对方的共享动机有利于或至少不会损害自身的收益。假设大数据产业联盟进行失败知识共享时的协同系数为θβ（θβ>1），那么大数据企业A和大数据企业B在博弈中获得的协同收益分别为θβkA和θβkB。
（3）努力成本与惩罚成本。失败事件对大数据企业是一个弱点，大多数大数据企业并不愿意完全或者过多暴露自身的失败，从而使得其他大数据企业获取其失败知识时难度增加。所以，本文引入失败知识扩散难度系数μ来表示对博弈双方在失败知识协同创新上所额外增加的努力成本的影响。借鉴Joseph和Thevaranjan[23]研究中的成本函数，大数据企业A和大数据企业B在失败知识共享过程中投入的努力成本可表示为
u2I2A和u2I2B。其中Ii表示大数据企业在进行失败知识共享时投入的成本，主要包括沟通成本、传递成本和机会成本。沟通成本主要指失败知识共享方为接收方理解失败知识的内涵而花费的成本;传递成本主要指共享方将失败知识外显化为接收方易于学习和吸收的形式而花费的成本;机会成本主要是指联盟成员因选择失败知识共享而丧失其专有优势所造成的利益损失。为减少联盟成员机会主义行为产生的概率，中间组织需要制定合理的惩罚成本T（T>0，T （4）容错度。由于失败客观存在，隐瞒失败、回避失败等“反失败”偏见往往导致大数据企业个体更加关注、认同成功经验与知识[24]。此时参与失败知识共享的联盟成员对失败知识的容错态度将会影响共享活动的顺利进行。容错态度主要是指大数据企业对失败知识的认知态度，较高的认知态度表示大数据企业对内部具有开放导向的宽容失败氛围，将失败知识作为其自身的一种重要资源而加以利用。本文假设参与博弈的大数据企业在失败知识共享过程中的容错度为ei，且容错度ei分别与失败知识存量和失败知识吸收能力成正比，即当大数据企业A和大数据企业B都选择共享策略时，双方获得的直接受益分别为sAkBeB和sBkAeA，而协同收益分别为θβkAeA和θβkBeB。 3 模型构建与分析 3.1 模型构建 基于上述假设，构建大数据产业联盟成员大数据企业A和大数据企业B两方失败知识共享的演化博弈支付矩阵，如表1所示。 由于联盟成员之间的信息并非完全透明的，属于不完全信息下的博弈，在失败知识共享过程中，各共享主体均是有限理性的。由表1可知大数据企业A选择失败知识共享策略时的收益为8D50FF8C-602E-4474-BFBE-EEC85FD85697 UYA=y（sAkBeB+θβkAeA-u2I2A）+（1-y）（T-u2I2A）（1） 大数据企业A选择失败知识不共享策略时的收益为 UNA=y（sAkBeB-T）（2） 因此，大数据企业A获得的平均收益为 UA=xUYA+（1-x）UNA =xyθβkAeA+xT-u2xI2A+ysAkBeB-yT（3） 根据演化博弈的复制动态理论，并结合（1）、（2）、（3）式可得出大数据企业A选择失败知识共享策略比例的复制动态方程为 f（x，y）=dxdt=x（UYA-UA） =x（1-x）（yθβkAeA+T-u2I2A）（4） 同理，大数据企业B选择失败知识共享策略时的收益为 UYB=x（sBkAeA+θβkBeB-u2I2B）+ （1-x）（T-u2I2B）（5） 大数据企业B选择失败知识不共享策略时的收益为 UNB=x（sBkAeA-T）（6） 因此，大数据企业B获得的平均收益为 UB=yUYB+（1-y）UNB =xyθβkBeB+yT-u2yI2B+xsBkAeA-xT（7） 根据演化博弈的复制动态理论，结合（5）、（6）、（7）式可得出大数据企业B选择失败知识共享策略比例的复制动态方程为 g（x，y）=dydt=y（UYB-UB） =y（1-y）（xθβkBeB+T-u2I2B）（8） 博弈系统的稳定状态通过演化博弈的参与者不断地试错与学习而得到，即有效的纳什均衡。令dxdt=0，可得到x*=0，x*=1和y*=uI2A-2T2θβkAeA;同理当dydt=0时，解得y*=0，y*=1和x*=uI2B-2T2θβkBeB。联盟成员在失败知识共享过程中相互学习、模仿对方最优的行为策略，是大数据产业联盟不断向稳定方向演化的内在动力。在“羊群效应”的作用下，当联盟中有一部分成员在选择某一策略后获得更高收益时，其他联盟成员将会纷纷效仿学习并采用能给自身带来更高收益的策略，直至联盟中所有成员的策略趋于稳定，此时大数据产业联盟不断接近一种均衡状态[25]。在大数据企业A和大数据企业B所组成的演化博弈系统中，其演化均衡等价于ESS（Evolutionary Stable Strategy，即演化稳定策略）。基于这种原理和思想，该动态系统中的局部均衡点为P1（0，0）、P2（0，1）、P3（1，0）、P4（1，1）以及P5（uI2B-2T2θβkBeB，uI2A-2T2θβkAeA）。这5个均衡点共同构成了大数据产业联盟成员失败知识共享演化博弈系统解域的边界 {（x，y）|0x1;0y1}。对于一个由微分方程系统所描述的大数据产业联盟成员失败知识共享行为的动态演化过程，可通过由该系统得到的雅可比矩阵（Jacobian Matrix）的局部稳定分析来判断各个平衡点的稳定性。对微分方程（4）和（8）分别求x和y的偏导数，可得微分方程系统的雅可比矩阵J。 J=f（x，y）xf（x，y）y g（x，y）xg（x，y）y= （1-2x）（yθβkAeA+T-u2I2A）x（1-x）θβkAeA y（1-y）θβkBeB（1-2y）（xθβkBeB+T-u2I2B）（9） 3.2 模型分析 在大数据产业联盟成员失败知识共享演化博弈过程中，博弈参与方收益函数中各参数初始值及其变化将会影响联盟成员在失败知识共享中所付出的成本与获得的收益，进而导致演化博弈系統向不同均衡点收敛。根据ESS进行判定，当某一均衡点使得雅可比矩阵的行列式det（J）>0，且矩阵的迹tr（J）<0时，就可判定该均衡点属于局部渐进稳定的状态，此点所对应的策略组合即是演化稳定策略。由于支付矩阵中某些变量的大小不能确定，因此需要进一步对不同情况下均衡点的稳定性和系统动态演化的收敛结果进行分析。 （1）当大数据企业A和大数据企业B在失败知识共享过程中所获得的协同收益与因对方受到惩罚而自身获得的补偿之和小于其所付出的成本时，即θβkAeA+T θβkBeB+T （2）当大数据企业A在失败知识共享过程中所获得的协同收益与因对方受到惩罚而自身获得的补偿之和大于所付出的成本，而大数据企业B在失败知识共享过程中所获得的协同收益与因对方受到惩罚而自身获得的补偿之和小于其所付出的成本时，即 θβkAeA+T>u2I2A，且 θβkBeB+T （3）当大数据企业A和大数据企业B在失败知识共享过程中所获得的协同收益与因对方受到惩罚而自身获得的补偿之和大于其所付出的成本时，即θβkAeA+T>u2I2A，且 θβkBeB+T>u2I2B时，均衡点P1（0，0）与P4（1，1）所对应的雅可比矩阵行列式det（J）>0，且迹tr（J）<0，因此均衡点P1（0，0）与P4（1，1）处于局部稳定状态，此时博弈系统将收敛于两种不同演化结果，即大数据企业A和大数据企业B将同时采取失败知识共享策略或同时采取失败知识不共享策略。由于0 图1反映了博弈系统中双方的复制动态关系与各主体在相关因素影响下的策略选择的演化路径。当系统的初始状态处于分界线上方，演化博弈的结果将会收敛于演化稳定点P4（1，1），即大数据企业A和大数据企业B都选择失败知识共享的稳定策略。当系统的初始状态处于分界线的下方，演化博弈的结果将会收敛于演化稳定点P1（0，0），即大数据企业A和大数据企业B都选择失败知识不共享的稳定策略。但最终向哪个稳定策略演进，取决于各个博弈参与方对博弈对手策略选择的预估与判断，即对博弈对手选择失败知识共享策略的信任、對失败知识的容错态度、努力成本和惩罚成本的大小以及各方失败知识存量等。 综上，只有当大数据企业A和大数据企业B在失败知识共享过程中所获得的协同收益与因对方受到惩罚而自身获得的补偿之和大于其所付出的成本时，即θβkAeA+T>u2I2A，且θβkBeB+T>u2I2B时，大数据企业A和大数据企业B才有可能同时选择失败知识共享策略，并且选择失败知识共享策略的概率受到支付矩阵中各参数的影响。由此得出以下结论： 结论1 当大数据产业联盟成员知识共享演化博弈系统以最大的概率收敛于帕累托最优均衡P4时，这意味着博弈系统中博弈主体的策略选择将会落在图1中的四边形P2P5P3P4区域内，此时对博弈双方选择知识共享的概率的要求为 x>x*=uI2B-2T2θβkBeB， y>y*=uI2A-2T2θβkAeA 结论2 在x*=uI2B-2T2θβkBeB中，大数据产业联盟成员间失败知识的扩散难度系数u、博弈主体B进行失败知识共享活动投入的成本IB与x*存在正向关系，而惩罚成本T、博弈主体间信任水平θ、所共享失败知识的互补系数β、博弈主体B的知识存量kB及其容错态度eB与x*存在反向关系。同理，在y*=uI2A-2T2θβkAeA中，大数据产业联盟成员间失败知识的扩散难度系数u、博弈主体A进行失败知识共享活动投入的成本IA与y*存在正向关系，而惩罚成本T、博弈主体间信任水平θ、所共享失败知识的互补性β、博弈主体A的知识存量kA及其容错态度eA与y*存在反向关系。因此，为了能够促进博弈双方以最大的概率选择失败知识共享策略，大数据产业联盟应通过提高成员间信任水平、正视对失败知识的容错态度、增加非共享方所支付的惩罚成本、并选择与自身知识互补性较高的企业进行合作，同时弱化投入成本或减少对方的机会成本等方法，使得x>x*、y>y*。 4 数值仿真 由上文分析结果可知，为了能够使大数据产业联盟成员失败知识共享的动态演化博弈结果最终趋向于稳定点P4（1，1），促进参与失败知识共享博弈的大数据企业获得更高的收益，需要将共享双方博弈的初始状态落在演化路径图四边形P2P5P3P4的区域内，即尽可能使 uI2B-2T2θβkBeB与 uI2A-2T2θβkAeA的值变小，增加共享双方博弈初始状态落在四边形P2P5P3P4区域内的概率。为更加直观地描述大数据产业联盟成员失败知识共享支付矩阵中各参数变量对大数据企业共享策略选择的影响，运用Python 3.7进行数值仿真分析，模拟θβkAeA+T>u2I2A，且θβkBeB+T>u2I2B情况下联盟成员在失败知识共享策略上的变动。支付矩阵中相关参数的初始化取值情况分别为：θ取2.1，β取0.6，eA取0.05，eB取0.06，kA取400，kB取300，IA取20，IB取18，u取0.05，T取5，x和y均取0.5。 （1）由图2可知，当其他参数取值不变时，随着大数据企业间信任水平的提高，共享双方逐渐从失败知识不共享策略演化为共享策略，使得双方策略发生改变的临界值介于0.5至1.2之间。当共享双方信任水平大于临界值时，双方均选择共享策略，且随着信任水平的提高，演化博弈系统收敛于失败知识共享稳定策略的速度加快。大数据企业间的信任是同其他企业共享自身知识资源的前提，共享双方的信任水平越高，对其预期收益越有信心，进而更愿意将自身的知识资源进行分享。 （2）由图3可知，当其他参数取值不变时，随着大数据企业间失败知识互补系数的提高，共享双方逐渐从失败知识不共享策略演化为共享策略，且在临界状态以后，演化博弈系统收敛于失败知识共享稳定策略的速度逐渐加快。在大数据产业联盟中，大数据企业的技术创新往往具有跨学科性质，大数据企业间关键知识资源的差异化使得彼此之间在失败知识的结构和数量上表现出较大的不对称性，而正是这种不对称性形成了大数据企业间进行失败知识共享的内在动力。 （3）由图4可知，以大数据企业A为例，当其他参数取值不变时，随着该企业失败知识共享量的增加，大数据企业B，即失败知识接收方将逐渐从失败知识不共享策略演化为共享策略，反之亦然。在大数据产业联盟中，参与失败知识共享博弈的双方具有决定共享知识量的自主权，在博弈初期，由于信息的不对称性和不完全性，致使共享双方不会轻易将自身更多的知识量共享给对方。但随着时间的推进，共享双方合作频率逐渐增加，信任水平逐渐提高，而且双方逐渐获得更高的预期收益，激发了其选择失败知识共享策略的积极性。8D50FF8C-602E-4474-BFBE-EEC85FD85697 （4）由图5可知，当其他参数取值不变时，随着大数据企业间失败知识共享难度的增加，共享双方选择失败知识共享策略的概率逐渐降低。由于大数据企业所拥有的失败知识具有隐性特征，为实现同其他大数据企业的共享，必须要对自身复杂的失败知识进行显性化，以便于接收方快速学习与吸收。随着共享难度的提高，大数据企业将付出更高的共享成本，从而降低了大数据企业间失败知识共享意愿，最终使得演化系统趋向于失败知识不共享的稳定策略。 （5）由图6可知，当其他参数取值不变时，随着大数据企业间惩罚成本提高，共享双方逐渐从失败知识不共享策略演化为共享策略。大数据产业联盟成员间信息的不对称性容易导致机会主义行为的产生，因此联盟通过建立惩罚机制对机会主义行为的失败知识共享方采取惩罚措施，保障积极共享策略博弈方的合法收益，充分调动失败知识共享双方的积极性。 5 结论与建议 针对大数据产业联盟成员间失败知识共享问题，运用演化博弈理论，构建了联盟中大数据企业间失败知识共享的演化博弈模型，通过分析各因素对策略演化路径的影响机理，得出了以下结论：（1）当θβkAeA+T>u2I2A，θβkBeB+T>u2I2B时，大数据产业联盟失败知识共享博弈系统存在两个演化稳定策略，即（共享，共享）和（不共享，不共享）。（2）联盟成员失败知识共享策略的选择以预期收益为依据，通过提高大数据企业间信任水平、失败知识互补系数、失败知识共享量、惩罚成本以及大数据企业自身容错度，降低失败知识共享难度系数，将有利于增加企业的预期收益，从而提高企业采取失败知识共享策略的积极性。 为进一步加强联盟成员间失败知识的共享意愿，提出以下管理建议：（1）将失败知识共享作为大数据产业联盟准入门槛之一。大数据企业成立大数据产业联盟，联盟成员在进行业务往来时，优先考虑能够以积极态度共享自身失败知识的成员企业，优先考虑与现有联盟成员企业知识异质性较强的企业。（2）设置联盟成员间对话机制，加强大数据产业联盟成员间的沟通与协调。通过成员之间良好的沟通交流，有效降低成员间失败知识共享难度，促进联盟成员企业获得互补性失败知识，同时有利于提升联盟成员间的信任水平与协调效应，进而降低失败知识共享风险。（3）引入奖惩机制与监督引导管理，以促进失败知识共享行为的发生。搭配联盟成员间容错机制，大力支持成员间的失败知识共享，调动联盟成员共享积极性。同时，加强第三方机构与政府相关部门对大数据产业联盟的监督与引导，鼓励联盟成员间形成失败知识共享的环境与氛围，降低失败知识共享成本。 参 考 文 献： [1]Diwas K C， Staats B R， Gino F. Learning from my success and from others failure： evidence from minimally invasive cardiac surgery[J]. Management Science， 2013， 59（11）： 2435-2449. [2]唐朝永，陈万明，彭灿.外部创新搜寻、失败学习与组织创新绩效[J].研究与发展管理，2014，26（5）：73-81. [3]杜维，刘清华.合作联盟间失败知识定价模型研究[J].情报杂志，2015，34（11）：94-99. [4]于晓宇，蔡莉.失败学习行为、战略决策与创业企业创新绩效[J].管理科学学报，2013，16（12）：37-56. [5]张建卫，滑卫军，周愉凡，等.研发人员跨界行为何以影响其创造力？——基于知识共享和领导积极反馈的整合视角[J].预测，2021，40（5）：9-16. [6]Inkpen A. A note on the dynamics of learning alliances： cooperation and relative scope strategic[J]. Strategic Management Journal， 2000， 21（7）： 775-779. [7]吴洁，陈璐，盛永祥，等.考虑风险的产业技术联盟知识共享演化博弈研究[J].运筹与管理，2018，27（11）：36-42. [8]奚雷，王玲，郝世绵.突破性创新联盟知识共享演化博弈研究[J].西昌学院学报（自然科学版），2018，32（3）：31-34. [9]刘宇，邵云飞，康健.知识共享视角下联盟组合构型对企业创新绩效的影响[J].科技进步与对策，2019，36（21）：134-140. [10]吴文清，张海红，赵黎明.竞合视角下企业组织联盟知识共享演化与激励[J].北京理工大学学报（社会科学版），2015，17（5）：63-68. [11]周永红，宫春梅，陈思.企业联盟知识共享网络层次及其演化[J].情报理论与实践，2015，38（9）：60-63. [12]杜维，刘清华.合作联盟间失败知识定价模型研究[J].情报杂志，2015，34（11）：94-99. [13]于晓宇，蔡莉.失败学习行为、战略决策与创业企业创新绩效[J].管理科学学报，2013，16（12）：37-56. [14]蔣云霞.产业集群生态化发展的三方博弈分析[J].系统工程，2010，28（8）：105-108. [15]肖灵机，汪明月.战略性新兴产业知识异地协同共享机制研究[J].研究与发展管理，2016，28（3）：36-46. [16]Song H， Gao X. Green supply chain game model and analysis under revenue-sharing contract[J]. Journal of Cleaner Production， 2018， 170（1）： 183-192.8D50FF8C-602E-4474-BFBE-EEC85FD85697 [17]Chen Y， Sun L. Trust strategy simulation of corporation-NPO cross alliance using evolutionary game theory[J]. Kybernetes， 2017， 46（3）： 450-465. [18]Heidl R A， Steensma H K， Phelps C. Divisive faultlines and the unplanned dissolutions of multipartner alliances[J]. Organization Science， 2014， 25（5）： 1351-1371. [19]米捷，林润辉，董坤祥.OFDI企业与本土集群企业知识共享的演化博弈分析——基于知识位势的视角[J].管理评论，2016，28（9）：106-130. [20]綦良群，周凌玥.装备制造企业协同创新网络知识转移的演化博弈研究[J].预测，2019，38（1）：83-90. [21]Lotfi Z， Sahran S， Mukhtar M， et al.. The relationships between supply chain integration and product quality[J]. Procedia Technology， 2013， 11（6）： 471-478. [22]刘涛，李帮义，孙涛.供应链中信用交易的演化博弈分析[J].管理评论，2010，22（3）：115-121. [23]Joseph K， Thevaranjan A. Monitoring and incentives in sales organizations： an agency-theoretic perspective[J]. Marketing Science， 1998， 17（2）： 107-123. [24]Li Y M， Hua J， Li J H. Knowledge sharing in communities of practice： a game theoretic analysis[J]. European Journal of Operational Research， 2010， 207（2）： 1052-1064. [25]曹霞，張路蓬，刘国巍.基于社会网络结构的创新扩散动力机制及其仿真研究[J].运筹与管理，2018，27（5）：149-156.8D50FF8C-602E-4474-BFBE-EEC85FD85697
