技术创新效率视角下AI 企业战略联盟伙伴选择——以科大讯飞为例

王 浩 ，边鹏飞 2，陈奕林

（1.天津科技大学a.经济与管理学院；b.精益管理研究中心，天津 300222；2.杭州城市大数据运营有限公司人工智能部，杭州 310000）

人工智能（Artificial Intelligence，AI）产业是全球价值链重塑的核心动力。AI 技术的创新与应用已向金融、安防、无人驾驶、智能交通、智慧城市、工业互联网、智慧医疗、无人零售等领域不断延伸，逐渐成为我国经济高质量发展的关键引擎。中国科学院大数据挖掘与知识管理重点实验室发布《2019年人工智能发展白皮书》显示，近年来我国涌现出一批优秀的人工智能企业，全球人工智能企业20强的榜单中科大讯飞排名第八，市值108 亿美元。但是2019 年以来，国内人工智能企业的发展遇到极大的阻力。例如，科大讯飞被美国政府列入实体清单，不得不脱离美国供应链体系进而转向国产供应链，面临诸多技术突破、市场竞争、战略联盟等方面的问题和考验。此外，在全球经济一体化和市场竞争白热化背景下，大多数AI 企业仅仅依靠自己的研发力量已难以赢得持续性的创新优势，如何充分利用外部创新资源已成为当下企业的战略选择。

早在2009 年，科技部等六部门联合发布《关于推动产业技术创新战略联盟构建的指导意见》，鼓励企业之间全方位、多层次的技术创新合作，以引导创新要素及核心知识在联盟企业间良性循环，加快从要素驱动发展向创新驱动发展转型[1]。战略联盟伙伴选择的恰当与否直接影响联盟成败，如何选择联盟伙伴成为R&D 联盟成功的关键。AI 企业为实现长期的战略目标和可持续发展要求，有必要通过战略联盟的方式寻求合作伙伴以弥补自身创新要素的不足，稳固和夯实自身的竞争优势。对此，筛选国内AI 概念股代表性企业，以科大讯飞为例，基于样本企业2016—2020 年技术创新关键性的投入产出指标，构建灰色预测——超效率DEA 模型：以技术创新投入产出指标历史数据对未来预测、采用熵值法对数据进行去量纲化，基于超效率DEA 测度各决策单元及其战略联盟技术创新效率值的排名变化来区分战略联盟类型，从技术创新的视角提出战略联盟伙伴选择方法和策略，供不同行业企业选择战略联盟伙伴提供参考。

1 文献综述

战略联盟是企业整合外部资源以适应动态复杂市场环境和获取竞争优势的有效方式之一，战略联盟的构建和选择与企业创新效率息息相关。联盟伙伴的核心技术对企业自身识别和利用合作伙伴创新战略中的优劣势有很大助力。Wassmer 等[2]从信息资源角度剖析企业寻求联盟合作的原动力，联盟可帮助企业获取新要素、提升创新绩效。Hagedoorn 等[3]考虑联盟伙伴的多样性与相关性，认为联盟伙伴的选择对企业的创新绩效有积极作用。Rosenkopf 等[4]认为联盟能力强的企业会充分利挖掘联盟中的创新要素与资源，有利于提高自身创新效益。殷俊杰、庞博等[5-6]研究企业联盟组合管理能力、关键资源获取对企业技术创新绩效的作用关系及影响；王玉东等[7]提出R&D 联盟可以快速共享资源和优势互补，形成规模效应和提高技术创新效率。Paula 等[8]分析巴西近3 000 家制造企业的数据，指出战略联盟企业的外部研发能力正向影响其创新绩效。Shin等[9]将206 家韩国生物技术公司战略联盟约300 项研发活动分为纵向下游联盟、纵向上游联盟和横向联盟不同类型，并指出纵向联盟对企业技术创新绩效存在正相关关系，横向联盟与创新绩效呈倒U型关系。

然而统计表明，现实中企业战略联盟成功率仅50%～60%[10]，不合适伙伴的选择是联盟失败最根本原因之一。针对联盟伙伴的选择，以定性或定量相结合的方法较为常见。Maloni 等[11]针对企业联盟伙伴问题，提出伙伴选择的基本原则和基本框架。Sierra等[12]从兼容性、能力和承诺角度，给出联盟伙伴选择3C 标准。尹航等[13]揭示战略联盟伙伴选择的关系和市场二元导向性，指出战略联盟的导向性与联盟绩效的作用机理。王玉东等[7]以R&D 联盟伙伴的匹配性为视角，构建了R&D 联盟伙伴匹配效果的评价指标体系。当联盟企业选择的数目较多时，往往需要量化方法进行选择。学者们提出战略联盟伙伴选择的方法包括数学规划法、模糊评价法、多阶段优化法、DEA 模型等，并在不同行业中取得一定的研究成果[14-16]。对于高新技术类企业而言，从技术创新的视角考虑企业战略联盟伙伴的选择，更具针对性和目标性。数据包络分析（Data Envelopment Analysis，DEA）作为一种“面向数据”的分析方法，通过将多个输入转换为多个输出来测量多个决策单元（Decision Making Units，DMU）的性能，在创新效率方面的应用十分广泛[17-18]。然而，在技术性较高的AI 行业与技术创新效率相关的研究不多，而应用到企业战略联盟伙伴的选择中则更为少见。

此外，有关DEA 模型的研究大多采纳历史数据对过往进行回顾性分析，少有直接对未来进行探讨。研究人员常用预测时间序列对部分已知信息再开发和提取，GM（1，1）灰色预测被应用于此类研究，探讨诸多科学预测与评估等方面问题[19-20]。基于此，本文将GM（1，1）与DEA 模型相结合，以预测数据来分析和测量AI 企业在技术创新投入与产出及战略联盟效果。内容上从企业自身战略发展考虑，以企业技术创新效率的视角探索AI 行业代表性企业战略联盟伙伴选择的问题；方法上采用灰色预测—超效率DEA 模型对技术创新的投入产生进行预测，基于预测结果综合测度和比较目标企业及战略联盟决策单元的技术创新效率及其排名变化情况，以此来确定AI 企业战略联盟伙伴的选择。

2 研究方法与数据说明

2.1 模型构建

2.1.1 GM（1，1）灰色预测

GM（1，1）模型是灰色预测理论的核心模型，其思想是利用累加技术使数据具备指数规律，通过建立一阶微分方程求解，将结果再累减还原即为预测值。

为了简化计算和分析，引用熵值法[21]将各决策单元（DMU）技术创新指标的各年数据与灰色预测数据去量纲、加权后转化成截面数据，再对指标的综合值进行超效率DEA 测算。

2.1.2 超效率DEA 模型

数据包络分析（DEA）被广泛应用于当前经济与社会各领域的效率评价。每个样本企业或战略联盟视为一个DMU，GM（1，1）灰色预测后的数据通过熵值法进行综合，结果为（x(0)（1），x(0)（2），…，x(0)（n），y(0)（1），y(0)（2），…，y(0)（q）），投入变量为x，产出变量为y。本文采用基于松弛测度的超效率DEA模型计算企业（战略联盟）技术创新的投入产出效率[22]。其模型为：

其中xri是第r 个技术创新投入指标，yri是第t 个产出指标，S-、S+分别是DMU 各种要素投入产出的松弛量，n、q、k 表示投入和产出的项数，i 表示年份测量投入产出要素各年份的效率值，σ 是评价效率值，当σ≥1，则表示富有效率，越高越好；当σ≤1，则表示效率低下，缺乏效率。

2.2 指标选取

2.2.1 投入指标

《中国创新型企业发展报告》指出，企业技术创新投入主要包括研发人员、研发经费和研发设施条件等[22]。考虑到数据的可得性，本文投入指标选择研发人员数量和研发投入。研发人员数量反映企业创新活动中的人力资源投入，研发支出则反映企业创新活动的费用支出。

2.2.2 产出指标

衡量企业技术创新产出指标通常包括专利（特别是发明专利）、新产品（工艺或服务）销售收入等[23]，本文选取专利授权y1i、净利润y2i和主营业务收入y3i来反映和衡量企业在技术创新过程的产出。

2.3 样本与数据

首先，查询东方财富网、wind 金融数据库发布的AI 概念股，基于上市公司年报公开的产品名称、产品类型、技术及应用情况筛选与AI 关联度高的企业；然后，为保证精准度及可行性，剔除数据缺失或异常的样本，最终确定20 家AI 企业作为本问样本，其中科大讯飞是人工智能技术较为成熟的典型AI 企业，在目前国际形势下面临着技术突破、市场竞争和战略联盟等诸多问题和挑战，被选定为本文的目标企业。从AI 基础设施、技术研究及服务、行业应用三个方面将样本企业划分为基础层、技术层和应用层，其匹配结果和关联原因见表1。

表1 样本企业及其创新效率值排名

样本时间跨度为2016—2020 年，样本企业在技术创新投入产出指标的原始面板数据来源于wind 金融数据库、国家知识产权局（https：//www.cnipr.gov.cn）专利检索系统。采用GM（1，1）灰色预测分析法，利用2016—2020 年样本企业在技术创新投入产出的面板数据预测2021—2025 年的数据。使用熵值法[21]分别将2016—2020 年和灰色预测下各DMU 技术创新指标转化成截面数据形式，表2 显示各DMU 技术创新指标的综合值结果。

表2 样本企业技术创新指标2016—2020 年和灰色预测数据的综合值

GM（1，1）灰色预测过程中，平均绝对百分误差是衡量预测效果好坏的重要指标，误差越小代表预测效果越好，反之预测效果越差。结果显示，灰色预测的平均绝对百分误差值均低于10%，属合理区间内表明GM（1，1）灰色预测模型整体预测结果的准确度与可靠性较好。

3 结果分析

3.1 DMU 技术创新效率

基于Super-SBM-I-V[22]模型测度各DMU 在2016—2020 年（预测前）技术创新效率值及相应排名状况，其结果见表1。其中，相对排名为排名与决策单元数的比值，相对排名越接近1 则表明该企业创新能力越低，反之越高。由表1 可知，神思电子的技术创新效率表现最佳，达到1.59，其次为中电兴发和视源股份。DMU2 的技术创新效率为0.25，排名19，一定程度上反映出DMU2 有必要与其他企业构建技术创新合作伙伴关系，以期优化和改善其技术创新效率水平。

3.2 战略联盟DMU 的技术创新效率

目标企业DMU2 为了在未来寻找与其自身资源配置能力更为匹配的技术创新战略联盟伙伴，本文采用GM（1，1）模型，基于2016—2020 年数据对样本企业未来5 年在技术创新效率的指标数据进行预测，并假定DMU2 与其他DMU 产生一对一的战略联盟关系，即达成19 种战略联盟；将19 种联盟DMU 与20 家企业DMU 统一纳入超效率DEA模型中，计算每个DMU 的技术创新效率值及相应排名状况，其结果见表3 所示。

由表3 可知，无论是20 家企业DMU 还是19个战略联盟DMU 计算出的技术创新效率值的差异均明显。预测后DMU2 排名为23 位，处于较低水平。这支持上文预测前的分析，即DMU2 与其他企业存在建立战略联盟的必要性。当DMU2 与其他企业一一形成战略联盟后，技术创新效率值处于生产前沿面（效率值≥1） 的战略联盟对象有：DMU5、DMU16 和DMU17，技术创新效率表现靠后的 联 盟 对 象 有：DMU20、DMU18、DMU11、DMU9、DMU6、DMU8、DMU1、DMU3 等。考虑DMU2 与其他DMU 的战略联盟和自身DMU 的创新效率排名相比是否有所提升，将战略联盟分成两组见表4 所示：联盟后创新效率高于DMU2 的创新效率排名时，与DMU2 达成的战略联盟称为意向战略联盟组；反之为非意向战略联盟组。

表3 战略联盟DMU 技术创新效率的相对排名

表4 战略联盟的技术创新效率排名与变化

在非意向战略联盟组中，有DMU7、DMU3、DMU1、DMU8、DMU6、DMU9、DMU11、DMU18、DMU20 等9家企业，DMU2 与其达成战略联盟后的创新效率排名反而下降，说明这种联盟会降低原企业的技术创新效率，与科大讯在技术创新资源配置上起到负效应。意向战略联盟组中DMU2 和DMU17、DMU16、DMU5、DMU14、DMU10、DMU15、DMU13、DMU19、DMU4、DMU12 等企业达成战略联盟关系后，联盟的技术创新效率排名得到提升。但DMU2 与DMU19、DMU4、DMU12 合作后的创新效率提升不明显，属普通意向伙伴（单边）；DMU2 与DMU17、DMU16、DMU5、DMU14、DMU10、DMU15、DMU13 的7 家企业合作后的创新效率提升效果较显著，属优先意向伙伴。

3.3 战略联盟的选择

在上述分析中，以与DMU2 创新效率排名提升幅度可将意向战略联盟细分为优先考虑和一般意向伙伴。下面从优先意向伙伴的企业自身效率排名与DMU2 战略联盟后排名变化角度，讨论优先意向伙伴与DMU2 联盟的选择。图1 显示意向伙伴组自身技术创新效率的相对排名和灰色预测下与DMU2 达成战略联盟的技术创新效率的相对排名情况。

图1 优先意向DMU 与联盟的技术创新效率相对排名

在7 家优先意向企业中，DMU17 和DMU15 的技术创新效率相对排名大于其与DMU2 战略联盟后的创新效率相对排名，表明DMU17、DMU15 与DMU2 联盟后创新效率没有其自身表现好，对意向企业在技术创新资源层面的叠加或融合起到排斥效应，难以形成共赢局面。DMU5、DMU16、DMU13、DMU10 和DMU14 相对排名小于其与DMU2 联盟后的相对排名，表明这5 个DMU 与DMU2 达成战略联盟后的创新效率高于其原有排名。全面分析指明这5 家企业与DMU2 形成战略联盟伙伴的第一档。而DMU2 与DMU13、DMU10 和DMU14 各自的、联盟后的技术创新效率值盟关系的驱动力更强，为双赢战略联盟伙伴。需要强调的是，从各DMU 及联盟的技术创新效率水平角度分析，DMU5、DMU16 自身创新效率值、与DMU2 联盟后的技术创新效率值均≥1，处于生产前沿面上，表明DMU5（应用层）、DMU16（基础层）与DMU2（技术层）战略联盟联合双方资源配置不会排斥、资源互惠且能够达到最大程度发挥，是双赢联及其排名相对而言均表现一般，故在双赢联盟中排第二档。

由此，对DMU2 技术创新战略联盟伙伴划分为非意向、单边、双赢联盟三大类型，见表5 所示。非意向联盟即目标企业在联盟后的创新效率排名低于自身企业；单边联盟则是目标企业单方面热衷于合作而对意向企业在技术创新水平上无明显提升；双赢联盟则是意向联盟中对双方技术创新效率均有提升的类型，结合各DMU 与联盟技术创新效率值可将双赢联盟细分为第一（DMU5 和DMU16）、第二（DMU13、DMU10 和DMU14）两个档次。

表5 DMU2 战略联盟伙伴的类型及数量

4 结论与启示

4.1 研究结论

针对AI 行业企业战略联盟伙伴选择问题，以技术创新投入产出指标的历史数据为基础对未来预测、采用熵值法对数据进行去量纲化，构建了灰色预测——超效率DEA 模型测度创新效率值及其排名变化，以此选择和确定目标DMU 的战略联盟伙伴。研究发现：（1）AI 行业不同企业的技术创新效率值差异明显，表现不均衡；（2）战略联盟伙伴选择直接影响到自身企业与联盟的技术创新效率水平；（3）不仅要考虑企业自身发展因素，还要从意向企业的战略发展互惠角度全面考虑联盟伙伴的选择，以此识别与目标企业战略联盟伙伴的优先企业。

4.2 管理启示

4.2.1 优化技术创新投入与产出比

我国AI 行业企业各自业务链条与生态体系、经营领域与市场地位各不相同，企业间的技术创新效率值差异明显且差距较大，技术创新水平较低不利于AI 企业的可持续发展和竞争优势的保持。科大讯飞在技术创新的投入与产出绝对量较大，但其创新效率值不高。需依据自身企业的优势和资源均衡和优化其技术创新上的投入和产出比，提高技术转化利率和增强技术创新产出能力，以提升企业自身的技术创新效率、努力打造自我竞争优势。

4.2.2 区分技术创新战略联盟伙伴类型

企业战略联盟伙伴选择可效提升自身与联盟的技术创新效率水平，合理区分战略联盟伙伴类型对企业选择联盟伙伴和未来战略发展有深远影响。基于本文研究模型对目标企业战略联盟伙伴进行了合理区分，提出3 种联盟的类型：双赢联盟、单边联盟和非意向联盟伙伴，并对双赢联盟进行细分。目标企业通过识别技术创新战略联盟伙伴范围并细致分类（第一档双赢联盟），以便于企业做出联盟选择，最大程度促成与联盟伙伴的共赢发展。

4.2.3 多角度选择合适的技术创新战略联盟伙伴

从企业资源层次、自身发展、意向企业战略发展互惠角度多方位地考虑和选择最优联盟伙伴，以促使联盟对创新资源要素的充分利用、稳固和夯实自身与联盟的竞争优势。事实上科大讯飞（技术层）与浪潮集团（基础层）技术相辅相成，其战略联盟致力于整合更多AI 技术创新产品与应用，于2019 年底与浪潮集团签订战略合作协议，将彼此作为技术创新战略伙伴。这与本文结果相符合，为其联盟伙伴选择提供其他可能参考（如应用层的海康威视），也为其他行业企业选择战略联盟伙伴提供借鉴。但企业战略联盟伙伴选择的影响因素很多，仍需多方面地将技术创新效率与其他因素综合考虑。