基于EBP模型的服务化制造业集群知识共享风险评价

廖梦洁， 张 健, 何 琼



基于EBP模型的服务化制造业集群知识共享风险评价

廖梦洁， 张 健, 何 琼

(北京信息科技大学 经济管理学院， 北京 100192)

通过与传统制造业集群的对比，分析了服务化制造产业集群的知识共享过程，识别了服务化制造业集群知识共享过程中关系、利益与知识共享能力三方面的知识流并生风险，构建了基于EBP(熵值法和BP神经网络法)的服务化制造业集群知识共享风险组合评价模型。通过实证分析验证了模型的有效性与合理性，并通过与BP神经网络模型的误差对比分析，证实了该模型在知识共享风险识别方面的准确度更高。所提供的模型方法可为服务化制造业集群企业知识共享风险管理提供决策支持。

服务化制造业； 产业集群； 知识共享风险； 组合评价

LIAOMengJie,ZHANGJian,HEQiong

(CollegeofEconomicsandManagement,BeijingInformationScience&TechnologyUniversity,Beijing100192，China)

Keywords：service-orientedmanufacturing;industrialclusters;knowledgesharingrisk;combinationevaluation

传统制造业集群经营模式正在发生深刻的变革。随着国家对工业结构优化升级的大力推动以及信息化进程的不断推进，市场需求由产品导向转向产品服务系统导向，产业价值链中的高价值环节由制造环节转向服务环节[1]，使得集群内的传统制造企业转型为服务型制造企业，积极引导客户全程参与产品的生产过程，并为之提供“综合性解决方案”的产品服务[2]，在满足顾客个性化需求的同时获得多环节价值链利润。传统制造业集群在龙头成员企业结构调整的带动下，逐步成为以服务型制造企业为主体、集群内其他企业协同向服务化过渡的产业集群，本文将其简称为服务化制造业集群。

制造业集群内企业间不可避免地存在知识共享风险。集群内的知识共享可以按照分享意愿分为2种形式：1)集群的地域根植性所带来集群企业间的知识外溢，在集群内形成非主动的知识共享；2)集群企业为了在激烈的市场竞争中获得优势，自发地形成战略联盟进行知识协同创新，主动进行知识的共享。无论何种形式的知识共享，都会受到机会主义、共享过程管理不完善等多方面因素的威胁，使企业面临陷入知识共享风险的窘境。

较传统制造业集群而言，服务化制造业集群更易出现知识共享风险。随着客户参与度的提升，对客户需求的及时响应仅依靠单一企业很难实现，需整合产业链上下游企业的生产与服务资源，通过共同协作来及时满足顾客的需求，这一过程必然增加了集群成员企业间知识交流的机会。由于顾客参与度的提升、市场的自由竞争性以及知识交流的增多等多方面因素影响，知识共享并生的知识泄露风险也随之加剧。

因此，本文对传统与服务化两类制造业集群的知识共享过程进行系统辨识，并在此基础上，梳理服务化集群知识共享过程中各知识流并生的知识共享风险，结合相关研究建立服务化制造业集群知识共享风险指标体系。在汲取相关研究方法不足的基础上，借鉴组合评价的思想，构建了熵值法和BP神经网络相融合的EBP组合评价模型，并应用实例分析对模型的有效性和可行性进行验证。

1 服务化制造业集群的知识共享过程

由于形成机制、组织形式等方面的差异，不同类型集群的业务主体与网络结构各不相同[3]。我国传统制造业集群的服务化转型主要依靠集群内大型企业自身的业务改善与运营模式的转变，带动集群内其他合作企业共同完成服务化转型。本文主要研究以核心制造企业为中心，其横向竞争关系企业与纵向供应链关系成员相联系的集群业务网络。然而产业集群不仅是依靠供应物流网络紧密联系的空间积聚体，更是一个以知识与信息为纽带所形成的知识整合体。成员企业通过集群这一独特的媒介进行大量知识与信息的交互与传递，使其成为一个多层次、多维度、多因素的复杂知识系统。在这个知识系统中，各个集群企业间存在着一种相互依存与协作的互利互惠关系。本文将传统制造业集群与服务化制造业集群的知识网络图总结为图1(a)、图1(b)，将图中两类集群知识流的传递内容和可能存在的风险总结为表1。

核心制造企业是集群内部知识创造的引擎以及知识网络的扩散源，具有较多的技术资源和较高的创新能力，是产业集群与外部领域联络的“桥梁”，在集群内部，为从事零部件加工或狭窄范围产品生产的中小规模供应商提供生存所需要的主要业务来源，连同供应企业与互补企业形成以自身为中心的知识共享小团体。不同于传统制造企业，服务型制造企业虽然避免了经销商不当得利所产生的利益风险，但为了开拓更广泛的业务市场，提升对顾客需求的响应效率，不得不加强与供应企业和互补企业的知识协同创新(如图1(a)的①、②、③)，积极通过知识共享平台分享企业内部的知识库、专利、技术信息、商业信息、经营信息等机密信息，在合作企业间传阅图纸、资料和说明书等机密资料[4]，一旦疏于管理或信任缺失，极易造成核心知识的外溢，出现知识泄露风险，甚至导致合作企业间合作关系的破裂。此外，成员企业是否具备合理编码隐性知识的能力以及对合作企业所传递知识的吸纳能力，都对集群企业知识共享的效果造成很大影响。

区别于传统制造企业，服务型制造企业将既有实物产品作为工具或平台，向顾客提供与物品相关的服务(如图1(a)的④、⑤)，而非向客户售卖本身，企业通过顾客的参与式设计、制造和销售，与其建立业务联系(如图1(b)的④)，不再需要独立的经销商将产品推向市场，由此完全避免了与经销商由于信息不对称产生的利益风险，但却增加了顾客对企业核心技术、信息等内部知识的了解。由于市场竞争的自由性，客户可以自由选择企业进行合作，在比较选择的过程中，客户将了解到多个同类企业的服务模式与报价，甚至得到相应的技术信息与商业机密，客户极易成为竞争企业间知识流动的渠道，甚至成为服务化制造业集群信息外溢的重要隐患(如图1(a)中的⑦)。

对于集群内以核心企业为竞争对手的同类企业而言，努力迎合市场需求，扩大自身经营业务范围、提高自身核心竞争力是企业长久发展的目标。由于集群内成员企业业务的同质化以及集群地域的根植性，竞争企业间可能具有共同的供应商或协同合作企业，由此提升了竞争企业间知识外溢的机会(如图1(a)的⑥、图1(b)中的⑧)。同时，市场竞争的自由性以及服务型制造行业的特殊性，使得顾客成为同类竞争企业间知识交流的媒介，为竞争企业提供了抢夺核心制造企业客户、拓宽业务市场以及了解对手核心知识的机会。此外，竞争企业间存在的由社会关系较好的员工群体组成的非正式团体交流或核心部门人才的流失，也提升了企业核心知识泄露的风险。

图1 服务化制造业和传统制造业集群知识网络图

知识流知识流代码传统服务化传递内容可能存在的风险共有知识流①①显性知识:使用说明书、合同、库存等隐形知识:生产能力、资金实力、经营信息等契约终止风险、知识接收风险、泄露风险、信任缺失风险②②显性知识:合同、订单等隐形知识:技术支持、发展计划、客户需求等知识技术管理风险、接收风险、核心知识泄露风险、信任缺失风险③③显性知识:知识库、专利、技术手册、合同、订单、研究报告、使用说明等隐性知识:培训、技术指导、经营信息等信任缺失风险、核心知识泄露风险、利益分配不均、知识接收风险、契约终止风险⑧⑥显性知识:基本不存在隐性知识:非正式团体交流、人才流失、共有的供应组织与互补组织产生的知识传递等核心知识泄露风险、利益分配不均特有知识流———④显性知识:价格、产品使用说明等隐性知识:服务包、生产能力等知识技术管理风险、接收风险、核心知识泄露风险———⑤显性知识:合同、竞争企业报价等隐性知识:客户需求等知识编码能力风险、契约终止风险———⑦显性知识:价格、竞争企业的报价等隐形知识:客户需求、服务能力、公司实力、竞争企业的服务信息等核心知识泄露风险、契约终止风险、知识接收风险④、⑥———显性知识:产品使用说明、合同、销量、维修或销售记录等隐性知识:培训、技术指导、经营状况、客户偏好、客户需求等知识技术管理风险、接收风险、核心知识泄露风险、知识编码能力风险、利益分配不均、信任缺失风险⑤、⑦———显性知识:使用说明、合同、价格等隐性知识:使用指导、技术培训、客户需求、价格弹性、竞争企业的服务信息等知识技术管理风险、知识编码能力风险、核心知识泄露风险、契约终止风险、知识接收风险

2 服务化制造业集群知识共享风险类型识别

目前，对于企业间知识共享风险的研究大多以供应链、虚拟组织、知识联盟和组织网络等为研究对象，以合作创新、组织关系、知识特性等某一方面或几方面为视角，将知识共享风险进行分类。Trkman等[5]建立了包括合作性质、网络性质、关系程度、知识传递方式与合作范围在内的多模式组织网络知识共享风险分类框架。Marabelli等[6]以实践为视角，重点研究了知识转移所带来的组织网络知识共享风险。汪忠等[7]以企业间合作创新知识产权保护风险的形成原因为研究角度，从组织特性、知识产权特性、知识产权环境伴生风险3方面对知识共享风险进行研究。李颖等[8]从关系、知识和环境3方面为视角对引发联盟合作中知识共享风险的根源进行研究。魏奇峰等[9]根据知识链组织间知识共享过程将知识共享风险分为6种：决策风险、道德风险、关系风险、技术风险、知识外溢风险和知识共享不足或过度风险。李柏洲等[10]主要从6个范畴：知识特性、知识转移过程、知识发送方、知识接收方、主体距离与主体关系研究影响知识转移风险。现有研究对于服务化集群知识共享风险的分类具有一定参考价值，但由于服务化集群自身的特点，并不能完全适用于知识共享风险的情况。

知识共享作为服务化制造业集群企业协同合作中最基本的活动，是一项以良好合作关系为根基，以知识共享能力为保障，以利润最大化为目的的企业间知识交流活动。1)服务化制造业集群企业为了及时满足客户的需求，获得利益空间更大的服务性收益，必须提升与客户和合作企业的知识流动强度与知识共享频率，所以对于企业间的关系依赖程度大于其他合作关系。在与服务化制造业集群企业(中关村高新技术园区企业)座谈中发现，企业一旦发现合作对象出现过不良信誉记录，将会大大影响对伙伴企业的印象，无法给予足够的信任进行更进一步的合作，为了避免不必要的损失，甚至将会及时终止合作关系。2)知识共享的技术手段是企业自身保证知识安全、全面到达接受方的能力，能力的大小直接影响到知识传递成功率及安全性的高低，是知识共享过程的保障。3)集群为了追求价值更高的服务性收益进行服务化转型，根本目的在于提升企业的利润空间，服务化集群频繁的知识共享活动同样以利益最大化为集群企业的最终目的。

本文服务化集群知识共享活动的特性为依据，结合相关研究对风险的分类、服务化集群可能出现的知识共享风险(表1)，按照基础、过程、目的3个阶段将服务化制造业集群的知识共享风险从关系、利益和能力3方面进行分类(如图2)。

图2 服务化制造业集群知识共享风险架构

2.1 关系风险

集群内的业务关系网是一个严格意义上不受法律约束的组织关系网，成员企业存在背景、目标与预期不同，所以成员对知识共享和知识专有存在着天然的“边界矛盾”[11]。关系风险的产生原因主要分为有意识的知识泄露和无意识的知识外溢两类。有意识的泄露所导致的风险主要由于各合作企业的合作目的、动机、地位的不同，无法向着共同利益运作，不能按照契约或满足所有成员期望的方式进行知识共享[12]。在企业合作过程中，由于知识的模糊性，合作契约具有极大的局限性，为成员企业的机会主义留下了可乘之机[9]。成员企业潜在的机会主义将会对企业间的信任度产生直接影响，降低企业知识共享的意愿，甚至导致企业放弃合作机会，终止契约。企业在合作过程中若出现信任缺失，将造成知识共享不足，从而影响到知识整合和知识创新的效率。无意的外溢所导致的风险主要由于知识传递过程中，无法避免的知识外溢使成员企业无意识地失去了作为他们核心竞争优势的知识和技术。竞争优势的丧失往往会打破竞争地位的均衡，强大方视弱小方为累赘，从而造成沟通与合作的困难，使合作关系面临分裂；弱小方在此次合作中，则只能受人摆布[10]。

2.2 利益风险

集群企业进行知识共享的出发点是开拓业务市场，提升自身核心竞争能力，最终目的是使企业获得长远利益。依据亚当斯的公平理论，一旦各参与方自我感知的利益分配标准差异较大时，就会感到不公平。Ouchi[13]将分配机制的公平性作为知识共享的必须条件。若在知识共享过程中，无论是由于龙头企业对小企业的利益侵占，还是未按照契约分配利益，一旦合作过程中企业蒙受利益风险，将直接影响知识共享的积极性与合作意愿，甚至可能导致个别企业为获取短期利益损害他人利益的情况发生，这将造成知识供应链内部知识的外溢，为成员企业带来不必要的损失。

2.3 能力风险

知识共享能力风险(简称能力风险)按照知识传递的过程(如图2)分为知识接收风险、知识技术管理风险、知识编码能力风险与知识泄露风险。对于知识传递方而言，由于技术、经验等隐性知识的编码难度较大，增加了知识的交易成本，同时提升了知识专用性风险[14]，如果知识传递方具有较弱的知识表达能力，在知识传递过程中易出现知识共享不完全的现象，造成知识接收方对知识的理解和吸纳困难，引起这一不良后果的风险称为知识编码能力风险。知识技术管理风险受到知识传递过程中客观条件因素的影响，关系到知识共享平台与知识管理制度的完善程度、知识传递媒介的丰富度，具有监督效力的管理制度、多样化的知识传递媒介以及完善的知识转移平台为集群企业的知识共享提供了安全的知识交流环境，降低了知识在传递过程中泄露的风险，提升了成员企业知识共享的意愿。知识泄露风险指在知识传递过程中所发生的核心知识外泄给知识接受方以外对象的风险。造成知识泄露风险受知识传递过程中主观因素的影响，较常见的因素包含知识供给方的保护意识薄弱、人员的流失、参与知识共享过程的企业过多以及企业内部员工与竞争企业存在交往频繁的非正式团体等。知识接收风险发生于知识传递过程中的知识接收方，与知识接收企业的组织学习能力、知识传递双方的知识背景差异等具有直接联系，组织学习能力越强，知识传递双方的知识背景差异越小，知识接收风险出现的可能性则越小。综上，建立服务化制造业集群知识共享风险层次，如图3所示。

图3 服务化制造业集群知识共享风险层次结构

3 服务化制造业集群知识共享风险的评价模型

3.1 指标体系的构建

根据可靠性原则、互补性原则和定性与定量相结合的原则，结合上文对服务化制造业集群知识共享过程的分析、风险层次的建立以及现有相关文献[15-28]对知识共享风险评价指标的结论，本文从关系、利益、能力三方面进行服务化制造业集群企业知识共享风险识别指标体系的建立，如下表2所示。

3.2 评价方法

知识共享风险的识别方法从最初的理论、定性研究逐渐转向融入数学模型的定量研究。早期学者利用层次分析法(AHP)确定知识共享风险指标体系的权重，由此识别出较为重要的影响因素。但层次分析法中所普遍采用的专家打分较为主观，且受专家资质、领域或经验的限制较大。在此基础上，史成东等[29]利用粗糙集和模糊集方法建立了物流联盟知识共享风险预警模型；焦亮[30]基于灰色聚类理论建立了虚拟企业的知识共享风险评价模型；并且以上模型均通过实证研究验证了模型的可行性，但都未解决指标体系权重确定较为主观的问题。而后，以BP神经网络法为代表的客观评价方法被应用于知识共享风险的评价。例如肖玲诺等[31]利用BP神经网络法建立了产学研知识创新联盟的风险识别模型；张伟等[32]为了降低BP网络训练的次数，又在此基础上融入遗传算法，针对企业内部的知识共享风险建立了GABP风险预测模型，并通过实证研究证实了该模型预测结果准确度的提升。客观知识共享风险评价方法在一定程度上克服了主观赋权受所选打分专家的偏好影响较大的问题，但是也存在一些不足，集中表现为当风险识别指标数量较多或者识别指标值差异不大时，预测准确度不高。对此，本文延续了知识共享风险识别方法的发展趋势，对于现有方法模型所存在的不足，借鉴组合评价的思想，构建了熵值法(entropyvaluemethod)和BP神经网络相融合的EBP组合评价模型。首先选取客观赋值的熵值法确定指标体系的权重，再将线性加权处理后的样本数据用于BP网络的训练，避免了上述层次分析法的不足，从而提升了BP网络预测结果的准确性。

表2 服务化制造业集群知识共享风险的评价指标体系

3.3 评价模型的整体流程

Step1 将n组样本数据整合为数据矩阵

。

(1)

rij为第i个被调查企业第j个指标的数值，其中i=1,2,…,n,j=1,2,…,17。

Step2 计算指标j下被调查企业i的占比

。

(2)

Step3 计算各指标熵值

i=1,2,…,n, j=1,2,…,17。

(3)

Step 4 计算各指标差异系数

gj=1-ej, j=1,2,…,17。

(4)

Step 5 求各指标权数

。

(5)

Step 6 处理样本数据

j=1,2,…,17。

(6)

Step 7 训练BP神经网络风险识别模型

本文选择含有一个隐含层的两层BP神经网络进行知识共享风险等级评价，网络模型如图4所示。根据表2指标体系的指标层数将输入层的节点数设置为17，根据目标层数将输出层的节点数设置为1，目的在于输出被调查企业的知识共享风险等级，具体分为5个等级：风险巨大(5)、风险较大(4)、风险一般(3)、风险较小(2)、无任何风险(1)。将n组样本数据分为两类：m组作为训练集,n-m组作为验证集。设置网络训练状态的显示幅度、学习速率、动量系数、最大训练次数及误差精度。将训练集输入网络进行训练。

图4 知识共享风险评价BP网络模型

Step 8 将预测值与实际值进行比对

将检验组数据代入训练完毕的知识共享风险评价BP网络模型，比对输出值与实际值，生成数据折线图，进行误差分析。

4 实例分析

本文采用问卷调查法进行数据收集，问卷按照李克特五级量表对表3中服务型制造业集群企业知识共享风险各影响因素进行客观性描述设置。调查以中关村科技园作为服务化制造业集群的研究对象，面向具有丰富的组织间合作研发经历、知识管理经验的管理人员或专家，以及一线员工展开。通过“问卷星”网络平台共发放问卷100份，回收有效问卷72份。

4.1 数据处理

将回收的样本数据利用熵值法通过Step 1～Step 5求出各指标权重。对于熵值法而言，权重越小的指标代表其样本越趋同，差异性越小，信息量越少；指标越大的指标代表其样本数据越平均、分散，差异性越大，信息量越大。为了比较服务化制造业集群指标权重的差异，将集群指标的均值作为基准，偏差度用百分比表示，如图5所示。

图5 服务化制造业集群知识共享风险评价指标权重

通过Step 6对服务化制造业集群样本数据进行加权处理，将处理后数据的前61组样本作为训练集，后11组作为检验集，利用matlab7.0工具软件的神经网络工具箱进行训练，各网络参数设置如下。

net=newff(minmax(train1),[40，1],{‘tansig’,‘purelin’},‘trainlm’,‘learngdm’,‘mse’);

(表示：所使用的神经网络包含40个隐层神经元，1个输出神经元)

net.trainparam.show=50;(表示：将网络训练状态的显示幅度设为50)

net.trainparam.lr=0.01; (表示：将权重阈值的调整幅度(学习速率)设为0.01)

net.trainparam.mc=0.9; (表示：将动量系数设为0.9)

net.trainparam.epochs=500; (表示：将训练次数设为500次)

net.trainparam.goal=0.000 01。 (表示：将允许的误差精度设为0.000 01)

4.2 评价模型的准确性分析

图6为EBP组合评价模型的预测结果示意图，图7为未经熵值法处理的BP风险识别模型的预测结果示意图。由图6、7的预测结果可见，本文提出的EBP组合评价模型的预测值与实际值在整体上更加贴近，一方面体现出本模型的良好预测性能，另一方面也对本文所建立的服务化制造业集群知识共享风险识别指标体系进行了肯定。

图8给出了两类风险识别模型结果相对误差的比较示意图。如图8所示，相较未经熵值法处理的BP风险识别模型而言，由于通过熵值法进行线性加权处理有利于把握预测样本的整体趋势和特征，使得本文构建的EBP风险识别模型在预测性能上有所提升，数据相对更加平稳。

图6 EBP知识共享风险评价模型预测结果

图7 未经熵值法处理的BP风险识别模型预测结果

图8 两类风险识别模型结果相对误差的比较示意图

5 结论与讨论

在对服务化制造业集群知识共享系统辨识的基础上，围绕服务化制造业集群知识共享的风险识别展开研究，结论如下。

1)对比分析了传统制造业集群与服务化制造业集群的知识共享过程，将知识流传递内容按照显性知识与隐形知识进行分类，将传递过程中可能出现的风险按照共有知识流与特有知识流进行分类，并针对各知识流以及传递内容的特点分析了知识流可能产生的知识共享风险。

2)构建了服务化制造业集群知识共享风险层次结构和评价指标体系，将服务化制造业集群知识共享风险分为关系风险、能力风险、利益风险。其中关系风险包含信任缺失风险、契约终止风险；知识共享能力风险包含知识编码能力风险、知识技术管理风险、知识泄露风险和知识接收风险；共包含17项指标。

3)构建了基于EBP的服务化制造业集群企业知识共享风险组合评价模型，通过实证分析验证了模型的有效性与合理性，并通过与BP神经网络模型的误差对比分析证实了本文模型良好的预测性与稳定性。

本文所构建的EBP服务化制造业集群知识共享风险组合评价模型具有以下2点应用：1)对于集群管理部门而言，可以利用本模型对园区整体的风险情况进行评价，了解目前园区所处状态，为集群制定行之有效的知识共享风险管理制度提供参照；2)对于集群内企业而言，本模型作为企业知识风险管理自评的方法之一，可以及时帮助企业发现自身待改进问题，提升企业的知识风险管理能力，避免不必要的损失。

本文的创新在于2方面：1)提出关系、利益、共享能力三维度的服务化制造业集群知识共享风险识别体系；2)构建了知识共享风险识别精度更高的EBP组合评价模型。然而，由于目前我国制造业服务化转型尚在起步阶段，在一定程度上限制本文研究的实证样本，随着我国制造业集群服务化的日益成熟，可以将研究对象转向已完成服务化转型的服务型制造业集群企业并不断增加样本数据，提升网络的训练精度，降低模型的预测误差。

[1] 安筱鹏. 制造业服务化路线图[M]. 北京：商务印书馆, 2012.

[2]汪应洛. 创新服务型制造业,优化产业结构[J]. 管理工程学报, 2010,24(S1):2-5.

WANG Yingluo. Innovating services manufacturing industry, optimizing industrial structure[J]. Journal of Industrial Engineering, 2010, 24(S1):2-5.

[3]王磊. 论我国企业集群类型的划分[J]. 科技进步与对策, 2004(6):117-119.

WANG Lei. Analysis on the type division of enterprises cluster in China[J]. Science & Technology Progress and Policy, 2004(6):117-119.

[4]祁红梅, 黄瑞华. 动态联盟形成阶段知识产权冲突及激励对策研究[J]. 研究与发展管理, 2004,16(4):70-76.

QI Hongmei, HUANG Ruihua. Study on intellectual property conflict and the incentive countermeasures in the stage of dynamic alliances[J]. R&D Management, 2004, 16(4):70-76.

[5]TRKMAN P, DESOUZA K C. Knowledge risks in organizational networks: an exploratory framework[J]. Journal Of Strategic Information Systems, 2012, 21(1):1-17.

[6]MARABELLI M, NEWELL S. Knowledge risks in organizational networks: the practice perspective[J]. Journal Of Strategic Information Systems, 2012,21(1):18-30.

[7]汪忠, 黄瑞华. 合作创新的知识产权风险与防范研究[J]. 科学学研究, 2005,23(3):419-424.

WANG Zhong, HUANG Ruihua. The intellectual property risk and control in cooperative innovation[J].Studies in Science of Science, 2005,23(3):419-424.

[8]李颖, 赵惠芳, 王羽萱. 联盟合作中知识共享风险及防范策略研究[J]. 图书情报工作, 2010,54(4): 117-120.

LI Ying, ZHAO Huifang, WANG Yuxuan. Study on knowledge sharing risk and protection in strategic alliance[J]. Library and Information Service, 2010, 54(4):117-120.

[9]魏奇锋, 张晓青, 顾新. 基于模糊集与风险矩阵的知识链组织之间知识共享风险评估[J]. 情报理论与实践, 2012,35(3):75-78.

WEI Qifeng, ZHANG Xiaoqing,GU Xin. Analysis and evaluates on the knowledge sharing risk among organizations in the knowledge chain based on the theory of fuzzy and the risk matrix[J]. Information Studies: Theory & Application, 2012, 35(3):75-78.

[10] 李柏洲, 徐广玉, 苏屹. 基于扎根理论的企业知识转移风险识别研究[J]. 科学学与科学技术管理, 2014(4):57-65.

LI Bozhou, XU Guangyu, SU Yi. Research on knowledge transfer risk identification based on grounded theory[J]. Science of Science and Management of S.&T., 2014,35(4):57-65.

[11]姜文, 姜岚. 网络组织企业间知识共享手段中的风险因素分析[J]. 科技管理研究, 2009(11): 349-351.

JIANG Wen, JIANG Lan. Analysis on risk factors of knowledge sharing among network organizations[J]. Science and Technology Management Research, 2009(11): 349-351.

[12]张伟, 张庆普. 基于模糊德尔菲法的企业知识管理创新风险评价研究[J]. 科技进步与对策, 2012,29(12):112-116.

ZHANG Wei, ZHANG Qingpu. Research on the evaluation of enterprise knowledge management innovation risk based on fuzzy delphi[J].Science & Technology Progress and Policy, 2012,29(12): 112-116.

[13]OUCHI W G. Markets, bureaucracies, and clans[J]. Administrative Science, 1980, 25(1):129-141.

[14]张旭梅, 陈伟. 供应链企业间知识共享的市场机制[M].北京：科学出版社, 2012.

[15]徐锐. 战略联盟知识共享的关系风险及其控制方式[J]. 情报杂志, 2005(8):2-4.

XU Rui. Knowledge sharing relationship risk of the strategic alliance and its control method [J].Journal of Information, 2005(8):2-4.

[16] FANG Y, LIANG Q, JIA Z. Knowledge sharing risk warning of industry cluster: an engineering perspective [J]. Systems Engineering Procedia, 2011, 2:412-421.

[17]方永恒, 瞿伟. 基于模糊神经网络的虚拟企业知识共享风险预警研究[J]. 科技与管理, 2006(3):53-55.

FANG Yongheng, QU Wei. Research on the knowledge sharing risk in virtual enterprise [J]. Sci-Technology and Management, 2006(3):53-55.

[18]马亚男, 朱爱辉. 知识联盟组织间知识共享不足风险的识别与衡量研究[J]. 科技进步与对策, 2008,25(5):161-165.

MA Yanan, ZHU Aihui. The identification and evaluation of the risk on insufficiency knowledge sharing in alliance[J]. Science & Technology Progress and Policy, 2008, 25(5):161-165.

[19]姜岚, 姜文. 知识自身所包含的知识共享风险因素分析[J]. 科技管理研究, 2009(7):357-359.

JIANG Lan, JIANG Wen. Analysis on the risk factors of knowledgesharing [J]. Science and Technology Management Research, 2009(7):357-359.

[20]李志刚. 虚拟联盟知识共享的风险防范研究[J]. 情报杂志, 2006(12):56-58.

LI Zhigang. Research on the risk prevention of virtual alliance knowledge sharing [J].Journal of Information, 2006(12):56-58.

[21]马亚男, 李慧. 知识联盟组织间知识共享不足风险形成过程研究[J]. 科学学与科学技术管理, 2008(1):93-97.

MA Yanan, LI Hui. The process of the risk of insufficiency knowledge sharing among knowledge alliance partners[J].Science of Science and Management of S.&T., 2008(1):93-97.

[22]闫威, 陈燕, 陈林波. 基于集值统计的动态联盟知识产权风险评价[J]. 科学学与科学技术管理, 2008(6):28-31.

YAN Wei, CHEN Yan, CHEN Linbo. Mass statistic approach on the evaluation of intellectual property risks in alliance[J]. Science of Science and Management of S.&T., 2008(6):28-31.

[23]蔺丰奇, 刘益. 知识联盟中关系风险的成因及影响因素分析[J]. 中国科技论坛, 2007(3): 94-98.

LIN Fengqi, LIU Yi. Analysis on the causes and influencing factors of relationship risk in knowledge alliance [J].Forum on Science and Technology in China, 2007(3): 94-98.

[24]NOOTEBOOM B. Trust，opportunism，and governance：a process andcontrol model[J]. Organization Studies, 1996(17):985-1007.

[25]WILLIAMSON O E. Calculativeness, trust, and economic organization[J]. Journal of Law & Economics, 1993, 36(1):453-486.

[26]R L, L B, K H. The inter organizational learning dilemma：collective knowledge development instrategic [J]. Organization Science, 1998(9):285-305.

[27]周在天. 虚拟企业中知识共享问题研究[J]. 价值工程, 2005(9):92-94.

ZHOU Zaitian. Research on the problem of knowledge sharing in virtual enterprise [J]. Value Engineering, 2005(9):92-94.

[28]DE VRIES J, SCHEPERS J, VAN WEELE A, et al. When do they care to share? How manufacturers make contracted service partners share knowledge[J]. Industrial Marketing Management, 2014, 43(7): 1225-1235.

[29]史成东, 边敦新. 基于粗集和模糊集物流联盟知识共享风险预警[J]. 计算机工程与应用, 2008, 44(33):198-200.

SHI Chengdong, BIAN Dunxin. Knowledge sharing risk early-warning of logistic alliance (virtual logistic) based on rough sets and fuzzy sets[J] .Computer Engineering and Applications, 2008, 44(33):198-200.

[30]焦亮. 基于灰色聚类分析的虚拟企业知识共享风险评价的研究[J]. 工业技术经济, 2010, 29(8):147-149.

JIAO Liang. Research on assessment of knowledge sharing risk in virtual enterprise based on grey cluster analysis [J]. Journal of Industrial Technological Economics, 2010, 29(8):147-149.

[31]肖玲诺, 史建锋, 孙玉忠. 基于BP神经网络的产学研知识创新联盟风险评价研究[J]. 中国软科学, 2011(12):173-179.

XIAO Lingnuo, SHI Jianfeng, SUN Yuzhong. Risk assessment of industry-unicersity-research knowledge innovation alliance based on BP neural network algorithm[J]. China Soft Science, 2011(12):173-179.

[32]张伟, 张庆普, 单伟. 基于GABP的企业内知识共享风险预测研究[J]. 情报杂志, 2012,31(1): 134-141.

ZHANG Wei, ZHANG Qingpu, SHAN Wei. Research on risk forecast of knowledge sharing in an enterprise based on GABP[J]. Journal of Intelligence, 2012, 31(1): 134-141.

Evaluating Knowledge Sharing Risk in the Service-oriented Manufacturing Cluster Based on the EBP Model

Incontrastwithtraditionalmanufacturingcluster,theprocessofknowledgesharingwithinservice-orientedmanufacturingclusterisanalyzedandthethreeknowledgesharingrisksi.e.therelationshiprisk,theinterestsriskandtheknowledgesharingcapacityrisk,areidentified.Then,anEBPriskmeasurementmodelintegratingentropymethodwithBP(backpropagation)neuralnetworkmethodisestablishedinordertoevaluatetheknowledgesharingwithinservice-orientedmanufacturingcluster.Finally,anempiricalstudyisconductedtoprovethevalidityandrationalityofthemeasurementmodel.TheresultindicatesthattheEBPriskmeasurementmodelisofhigherpredictionperformancecontrastedwithBPneuralnetworkmodel,whichishelpfulforefficientdecisionmakingconcerningknowledgesharingriskmanagement.

2016- 02- 26

国家自然科学基金资助项目 (71171021)；北京市社科基金资助项目 (15JDJGC041,15JGC177)；北京知识管理研究基地资助项目

廖梦洁(1989-)，女，北京市人，硕士研究生，主要研究方向为知识管理.

10.3969/j.issn.1007- 7375.2016.05.018

F

A