◆胡 谍 邓佳欣 肖雨奚
在国家创新驱动发展战略的推动下,我国科技成果总量持续增长,但人均创新水平相对较低,个人创新能力发展不平衡[1]。以发明专利为例,截至2019年,国内发明专利拥有量已经达到186.2万件,但每万人发明专利拥有量约13件,仅为美国的1/4,不到日本的1/10。从个人创新能力来看,近年来少数中国科学家凭借卓越的科研成果走上了国际领奖台,如诺贝尔医学奖获得者屠呦呦、量子力学突出贡献者潘建伟等等,但优秀创新人才数量与发达国家还存在较为明显的差距,不利于实现以创新驱动为主导的高质量经济发展目标[2]。
为此,无论是政府还是企业都希望通过树立和引进创新典范,以“先富带动后富”的方式促进整体创新能力提升。在实践中,政府和企业根据个人创新成果是否卓越来区分明星和非明星,对成果突出的明星科学家给予丰厚的资金和荣誉奖励,希望他们带动并帮助更多人提高创新能力。但究竟如何充分发挥核心科技人才对其他创新者,尤其是普通创新者的正面影响,即外溢性,还有待实业界和学术界做出更深入的探索。专利发明人作为技术创新的主力军,在我国创新体系建设中发挥举足轻重的作用[3]。因此,深入研究发明明星的外溢性,对提升社会整体创新水平具有重要现实意义。
目前,关于发明明星的研究主要集中在如何识别明星,以及如何进一步提高他们的创新产出。近年来,虽然已有部分学者意识到发明明星外溢性的重要性,但主要讨论明星对其所在团队或组织整体创新绩效的影响[4],明星对非明星发明人的外溢性,包括影响机制和程度还需要继续深化和拓展。此外,不同类型的发明明星因其差异化的创新特质,对非明星发明人的影响也可能有所差别[5]。只有弄清楚各种类型发明明星如何差异化地影响非明星的技术创新,才能充分发挥这些核心科技人才的作用。
为解决以上问题,本文首先对发明明星的识别和分类、发明明星的外溢性等内容进行文献回顾,然后提出不同类型发明明星对非明星产生影响的理论框架,再利用专利数据对发明明星进行测度和分类,比较不同类型发明明星对非明星发明人创新绩效的差异化影响,最后为充分发挥不同类型明星的外溢性提供科学的对策建议。
学者们根据创新者的成果是否卓越将其分为明星和非明星。因此,现有文献一般根据论文的发表数量和质量来识别基础研究中的科学明星,或根据专利的申请数量和质量来识别技术创新中的发明明星。如Oettl[6]将年度论文数量和被引用量都排在同行前5%的学者认定为明星科学家。而Kehoe[4]分别根据发明专利数量和被引用量是否超过同行平均水平的两倍或两个标准差来识别发明明星。本文聚焦技术创新,利用专利数据来对创新中的发明明星进行识别。
为了研究各类明星在创新中的角色,学者们根据不同维度对其进行分类。最常见的是创新成果数量和质量两个维度,比如Ernst[7]基于发明人的专利产出数量和质量,将明星分为多产发明者、天才发明者、关键发明者。也有学者结合其他维度来区分不同类型的明星。如Oettl[6]加入了社会维度,即对他人的帮助,将明星区分为孤狼明星、专家明星、全明星;Grigoriou等[8]结合明星在企业内的合作网络来区分融合关系明星和桥梁关系明星。但识别发明明星时,除这些有关知识深度的维度之外,还应考虑有关知识广度的维度,因为一个多产发明人可以横跨多个技术领域,发明上百项专利,全才明星有可能做到“全面开花”[9,10]。所以,本文将从创新产出数量、质量、技术广度3个维度进行考虑,识别和区分不同类型的发明明星。
发明明星在创新中的作用除了发挥个人高水平绩效外,还表现在对他人的影响力上,学者们把这种作用称为创新个体的外溢性[11]。这一概念最早出自经济学家对人力资本外溢性与经济增长关系的探讨。Lucas[12]认为人力资本由两部分构成,一是对个人生产力的影响,二是对他人生产力的影响,人力资本积累通过这两种效应提升整体生产率水平,最终导致经济增长。基于此,国内外创新学者认识到人力资本外溢性是产生知识流动和溢出的关键[13~16],因此,了解创新中人力资本外溢性的产生,尤其是表现突出的创新个体如何影响其他创新个体,对提升整体创新水平至关重要。
已有国外学者开始尝试从外溢性视角探索明星对他人创新的影响。Oettl[6]讨论了不同类型的明星逝世对其合作者后续创新数量和质量的影响,发现全明星和专家明星的离世都会降低其合作者后续创新的质量,但不会影响后续创新的数量。Agrawal等学者[17]把外溢对象区分成组织内的在位者和新加入者,从同群效应的视角分析发现明星对组织内在位者的创新绩效无显著影响,但能够显著提升新加入创新者的平均质量。除此之外,部分国内学者也开始研究明星的外溢性。例如王巍等学者[5]认为关键研发者在社会网络中的关系强度和占据结构洞的情况会影响他们对外的知识扩散能力。李从刚[18]则从“雇中学”、身份效应、桥梁效应、产学研合作、同群效应5个方面归纳总结了科研成果卓越且具有较高学术声望的顶级科学家在创新活动中可能产生的作用。
现有文献为研究发明明星的作用奠定了坚实的基础,但关于不同类型发明明星的外溢性还值得深入探索。因此,本文利用专利数据识别和测度发明明星,并重点分析不同类型发明明星在技术创新中的外溢性,即他们对合作过的非明星发明人后续创新绩效影响机制和影响程度的差异。
在识别和区分不同类型发明明星时,本文考虑知识深度相关的创新产出数量和质量,同时增加知识广度相关的技术领域广度,将明星分为领域内明星和跨领域明星两大类,并进一步区分6种明星类型(见图1)。
图1 不同类型明星的划分
不同类型发明明星可能具有不同的创新特质,进而影响他们在技术创新中的外溢性。领域内明星是只在某一个细分技术领域内表现突出的明星,他们长期研究一个领域,对该领域具有深度见解,通过正式与非正式交流,领域内明星可以将知识传递给非明星,这种知识流动可以促进非明星对领域内知识的学习,进而提升自己在本领域的创新绩效[6]。由于产出数量和质量的差异,领域内的不同类型明星也会表现出差异化的创新特质。领域内多产明星虽然创新产出数量高,但其创新质量不如领域内专家明星和关键明星,因此对非明星的外溢性影响有限[7]。而领域内关键明星在数量和质量上都表现突出,凭借其丰富的创新经验和高水平的创新质量,除了知识流动和知识学习外,还可能对非明星起到很好的正面示范作用[18]。跨领域明星是在多个技术领域表现突出的明星,他们长期从事不同领域的研究,具有广泛的知识基础,不仅能通过给非明星学习者提供多元化的知识,促进其创新水平的提高,还可能聚集来自不同领域的创新资源,使其非明星合作者受益[9,10,19]。同样,跨领域的不同类型明星也可能存在差异化的创新特质。跨领域多产明星虽然创新数量多,但对每个领域的研究可能不够深入,因此对非明星的外溢性也可能有限,不过因其较高的知识广度,相比于领域内的多产明星,跨领域多产明星对非明星的影响可能更大。跨领域全才明星在多个领域中不仅创新数量产出多,而且质量高,说明此类明星深度掌握了广泛的知识,他们最强的创新能力和知识融会贯通能力可以更有效地作用于非明星的知识学习,进而提高与其合作过的非明星的后续创新绩效。此外,相较于跨领域明星,领域内明星可能对本领域的非明星起到挤出效应,一个领域的资源有限,往往都会倾向于少数明星[18],从这个角度分析领域内明星对非明星的影响可能不如跨领域明星。基于以上分析,本文就6类明星对非明星合作者后续创新绩效的影响提出以下理论分析框架图(见图2)。
图2 不同类型发明明星对非明星合作者后续创新绩效影响的理论框架
本文选用美国专利和商标局(USTPO)的医药发明专利进行实证研究。选择美国医药专利数据进行分析,主要基于以下几点考虑:首先,美国医药行业有80%的技术创新都申请专利,可以有效追踪发明人的创新情况;其次,美国专利审查制度比较平稳,其专利数据通常被用来衡量高质量的创新绩效和创新能力;最后,美国专利数据包括专利、申请人、发明人、专利引文等相对完善的信息,具有公开性、连续性及易获取性,可用于明星和其他相关变量测度。
本文根据医药技术领域分类号检索出USTPO在1976~2019年间授权的389461件医药专利,共涉及具有完备信息的发明人234454个。从创新产出数量、质量、技术广度3个维度对发明明星进行识别和分类。参照已有文献[7],将T-4至T期发明专利授权数量在T期同行中排名前10%的发明人识别为T期的数量明星,将T-4至T期发明专利被引量在T期同行中排名前10%的发明人识别为T期的质量明星,将T-4至T期授权专利涉及技术领域仅有1个的明星识别为T期的领域内明星,有多个技术领域的明星为跨领域明星。在此基础上划分领域内多产明星、领域内专家明星、领域内关键明星、跨领域多产明星、跨领域专家明星、跨领域全才明星。以上数据中从未成为明星的发明人有68173个。考虑到构建创新质量指标需要五年的后向引文数据,在对相关信息进行清洗合并后,最终得到由16961个非明星在1998-2015年间获得授权的专利12020件。其中仅326件专利的非明星发明人在T-4至T期内与某一类明星有过合作,其余11694件专利的非明星发明人在T-4至T期内从未与明星合作过。以326件专利为实验组,为了获得具有可比性的对照组,在精确控制授权年份的基础上利用倾向得分匹配法从11694件专利中选取以下条件与之最匹配的326个对照专利:发明人团队规模(Inventor number,IN)、发明人团队过去5年的平均授权数量(Grant number,GN)、平均后向引文数量(Forward citation,FC)、平均技术领域广度(Breadth),专利权利要求个数。倾向得分匹配平衡趋势检验结果显示(见表1),匹配前各变量之间存在显著性差异,匹配后各变量之间的差异明显降低,在一定程度上可解决选择性偏差问题。
表1 倾向得分匹配平衡趋势检验结果
本文最终分析对象为652件专利。因变量是非明星的创新绩效(Innovation performance,IP),借鉴Kehoe[4]和马荣康[3]的研究,本文利用每件专利在授权后5年内(含当年)收到的后向专利引用总量来测量。本文自变量为分类变量,首先,构造是否与明星有过合作的自变量(Star),如果非明星发明人在授权前5年内(含当年)与任何一个明星合作过,则该变量记为1,否则为0;其次,构造是否与不同类型明星有过合作的自变量(Star subdivide),如果非明星发明人在授权前的5年内(含当年)与领域内多产明星、领域内专家明星、领域内关键明星、跨领域多产明星、跨领域专家明星、跨领域全才明星合作过,则分别标记为1、2、3、4、5、6,其他为0;最后为了进一步比较领域内和跨领域明星对非明星的差异化影响,将明星归类,构建自变量(Star type),如果非明星发明人在授权前5年内(含当年)与领域内明星合作过,则记为1,与跨领域明星合作过,则记为2,其他为0。
控制变量考虑了专利层面[3]的权利要求数量(Claim)、IPC个数(IPC)、后向引文数量(Backward citation,BC),发明人层面[17]的团队人数(Inventor number,IN)、过去5年的平均授权数量(GN)、平均后向引文数量(FC)、平均技术领域广度(Breadth)、第一发明人的创新年限(Inventor tenure,IT),申请人层面[6]的申请人团队规模(Assignee number,AN)、第一发明人的创新年限(Assignee tenure,AT)。同时控制授权时间虚拟变量。为了缓解数据偏态造成的影响,所有连续变量均取对数,并进行1%缩尾处理。
本文因变量是计数型数据,且均值不等于方差,所以选用负二项模型进行回归。为了保证结果的稳健性,避免因变量右偏问题,对因变量取对数后用Tobit模型进行稳健性回归。
表2是变量的描述性统计分析与相关性分析结果,各个变量之间的相关系数小于0.6,VIF值也都未超过10,说明指标之间不存在严重的多重共线性的问题。
表2 描述性统计与相关系数分析
表3是在不区分明星类型的情况下,与明星合作对非明星创新绩效的影响结果。表3呈现了负二项回归和Tobit回归的结果,模型(1)和(3)是仅含控制变量的基础模型,大部分控制变量对创新绩效存在显著影响,且在两类模型中各系数均保持稳定性。以模型(2)为例进行分析,自变量系数为0.602,在1%水平上显著,说明前五年和明星合作过的非明星发明人在当年的创新绩效显著高于未和明星合作过的非明星。模型(4)中自变量的系数同样显著为正(β=0.545,p<0.01),进一步证实了与发明明星合作可以有效提升非明星发明人后续的创新绩效。
表3 发明明星对非明星创新绩效的影响
为了进一步分析不同类型发明明星对非明星创新绩效的影响,本文先将发明明星分成领域内明星和领域外明星两大类。表4的模型(2)中自变量Star type 1的系数为0.485,在10%水平上显著,Star type 2的系数为1.030,在1%水平上显著,说明前五年和领域内的明星合作过的非明星发明人在当年的创新绩效显著高于未和明星合作过的非明星,前五年和跨领域的明星合作过的非明星发明人在当年的创新绩效也显著高于未和明星合作过的非明星。从系数大小来看,跨领域明星和领域内明星的影响力存在差异。为了进一步证实这一结论,对模型(2)中两个自变量系数进行T检验,表5的结果显示Star type 2的系数显著大于Star type 1的系数,说明跨领域明星对非明星创新绩效的影响显著大于领域内明星对非明星创新绩效的影响。Tobit回归模型的结果与以上分析保持一致。
表4 不同类型发明明星对非明星创新绩效的影响
表5 模型(2)中自变量系数的T检验结果
从创新产出数量、质量、技术广度3个维度将明星细分为6类:领域内多产明星、领域内专家明星、领域内关键明星、跨领域多产明星、跨领域专家明星、跨领域全才明星。由于跨领域专家明星在所有发明人中占比不足0.2%,本文保留的最终样本中未出现与跨领域专家明星合作的情况,导致模型(3)和(6)中缺少Star subdivide 5的自变量。模型(3)的负二项回归结果和模型(5)的Tobit回归结果均显示,除Star subdivide 1的系数不显著外,其他4个变量的系数均显著为正,且系数大小依次递增,但T检验显示各系数之间不存在统计上的显著差异。尽管如此,该结果也在一定程度上说明不同类型的发明明星对非明星创新绩效的影响是存在差异的,跨领域明星的影响力比领域内明星的影响力更大。
本文从创新产出数量、质量以及技术领域广度3个维度出发,定义和区分了6类发明明星,并以美国医药专利为研究对象,实证分析和比较了不同类型发明明星对其非明星合作者后续创新绩效的影响,研究结果表明:①与明星合作会提升非明星后续创新的绩效;②不同类型发明明星因其独特的创新特质,会通过不同的传导机制发挥其外溢性,不同类型发明明星对非明星合作者后续创新绩效产生不同程度的影响;③跨领域进行技术创新的明星比仅在领域内进行技术创新的明星更有利于发挥其外溢性,即对非明星合作者后续创新绩效的影响程度更大。
以上研究结论有助于学术研究者深入理解发明明星在技术创新中的外溢性,同时本文从核心科技人才培养、团队合作、跨界交流等方面为创新管理者提出以下对策建议:①管理者要重视核心科技人才的培养,尤其是跨领域创新人才,他们自身具有较强的外溢性,能有效提升其他人的创新能力。但应当注意避免马太效应带来的负面影响,若资源过度倾向于核心人才,容易对其他人的创新产生挤出效应。②管理者应该鼓励团队合作,尤其是跨界合作与交流,为非明星与明星搭建沟通桥梁,通过合作发挥明星的知识传播、示范效应等作用,促进非明星的知识学习和创新能力提升,进而提高整体创新水平。