基于定性比较的高校军民科技合作创新路径研究

曹依依，张明亲，2

(1.西安工业大学 经济管理学院，陕西 西安 710021；2.陕西高校军民融合科技创新研究中心，陕西 西安 710021)

0 引言

自党中央将军民融合上升为国家战略以来，军民融合发展呈现整体推进、加速发展的良好势头，加快推进高校军民科技合作深度发展是从源头上提升我国军民科技合作创新绩效的关键。普通高校作为参与国防建设的“民口”主体，是军民科技合作创新的知识源头，也是提升我国军民科技合作创新绩效的重要切入点。高校拥有的知识属性是合作创新过程中最独特且最重要的资源，它不仅影响高校获取、吸收和整合外部资源的能力[1]，而且影响合作创新的广度与深度，进而影响其合作创新绩效。但是，实际中仍有高校知识资源丰富而合作创新绩效却相对较低，或知识储备相似的高校最终产出的合作创新绩效截然不同等情况。针对这一现象，相关学者基于社会网络理论进行了阐释，认为合作网络是组织搜寻、整合外部核心技术知识的关键途径和平台，处在网络中心位置的组织拥有更多特权在网络中获取、重组和传播知识与其他资源[2]，对合作创新绩效有着极其重要的影响。但在以往的研究中，大多数学者主要采用以线性因果关系为基础的定量统计和建模的方法，探究单个因素对创新绩效的作用[3-5]，忽视了知识属性与网络位置之间的多重并发因果关系；尽管有个别研究基于知识基础观和社会网络理论相结合的视角，将知识属性视为中介或调节变量，探究网络位置特征对合作创新的作用，但各变量维度间相对独立，容易导致结果解释出现偏差。而定性比较分析方法(Qualitative Comparative Analysis，简称QCA)作为解决复杂因果关系的重要工具，能够充分挖掘多层面前因条件的联动匹配对结果变量的复杂影响机制[6]。鉴于此，本研究采用QCA方法，基于知识基础理论和社会网络理论，从内部知识属性和外部网络位置2个层面，探究影响高校军民科技合作创新的因果复杂机制，为高校更好地实施协同创新战略提供理论借鉴。

1 理论分析与模型构建

创新的实施、促进以及激发是一个包含组织内外部因素的动态演化过程[7]，合作创新亦是如此。因此，本研究分别从影响高校合作创新的内部因素和外部因素出发，选取知识属性和网络位置2个维度。由于知识属性和网络位置对高校获取、整合外部资源的影响机制不同，导致二者对高校合作创新绩效的影响路径也不尽相同。

1.1 知识属性对高校军民科技合作创新绩效的影响

知识属性是固化于组织内部的，能有效促进组织技术创新活动的知识元素集合所呈现的属性特征。高校间知识属性的差异会影响其对外部资源的搜索、吸收与整合，以及合作的深度和广度[8]，进而影响其合作创新绩效。为了能够更加全面地衡量高校的知识属性，本文依据KATILA等[9]的划分方法将其分为知识宽度和知识深度2个维度，以此来探究高校知识属性的差异对其军民科技合作创新绩效的影响。

1.1.1 知识宽度

知识宽度是高校自身拥有的知识元素涉及的技术领域范围[10]，反映了高校知识存量中知识类型的跨度，即知识的多样性。知识宽度的增加能够激发高校知识搜索范围的扩大，使其知识得以不断补充、发展，进而增强其吸收能力，而吸收能力反过来又会促进高校识别、获取外部知识，从而形成一个正反馈循环，有助于高校的合作创新活动。其次，广泛的知识能够帮助高校更快找到内部知识与外部知识的关联点和结合点[11]，实现内外部知识的对接，提高知识整合的效率，并使高校能够以更具复杂性和创新性的方式组合不同领域的知识，提高知识整合的范围和灵活性。第三，知识宽度较高的高校拥有强烈的意愿和充分的能力与其他企业建立合作关系[12]，有助于合作广度的拓展，提高了合作创新的绩效。最后，从风险规避的角度来看，组织在研发合作时往往倾向于在熟悉的技术领域寻找和发掘创新机会[13]，因此较高的知识宽度意味着高校在选择合作创新领域时拥有更多的备选项与更高的灵活性，使其能够在熟悉的领域快速搜寻并准确识别有价值的知识，有效降低高校合作创新的风险。

1.1.2 知识深度

知识深度指的是高校在其拥有的技术领域内，知识元素的数量或知识的丰富性[14]，反映了其对某领域知识的熟练化和专业化程度。知识深度不同的高校搜索、吸收外部知识的质量与速度不同，与原有知识整合的效率也存在差异[15]，因此导致的合作创新结果也不尽相同。具备高知识深度的高校对现有知识的理解更加深入，能够更快识别外部新颖知识，因此知识搜索的效率相对较高[16]。并且，较高的知识深度能够有效降低高校对外部新获取知识的吸收和消化难度，从而有助于其对外部知识的利用，提高知识整合的效率，促进合作创新绩效的提升。其次，高校对自身知识的深刻理解，有助于挖掘合作主体的互补价值，提高合作的深度，并为合作创新带来更多新颖的思路[17]。但由于组织资源稀缺性的限制，以及追求知识深度和宽度的行为具有自我强化机制，知识深度和宽度之间存在一定张力，高校应结合自身的学科布局，处理好知识深度和宽度之间的关系。

1.2 网络位置对高校军民科技合作创新绩效的影响

网络位置是某一特定组织或个体在合作网络中的位置特征，常用中心性[18]和结构洞[19]等指标来衡量。网络位置会对高校在合作创新过程中的信息收集与资源获取造成影响，进而影响其合作创新绩效。本文借鉴前人的研究，利用中心性和结构洞指标来衡量高校在合作网络中的位置特征，探究其对高校军民科技合作创新绩效的影响。

1.2.1 中心性

中心性是反映高校在合作网络中到中心位置距离的指标，包括度数中心性、中间中心性和接近中心性3种类型[18]。其中，度数中心性是指网络中与某一节点存在直接连接的节点个数情况[20]，能够对组织之间直接交往关系的水平进行衡量，反映了高校对网络资源的控制程度，故本研究选用度数中心性来反映高校在合作网络中的中心性。在合作网络中，高校的度数中心性越高，说明与之直接联系的合作伙伴数量越多，其获取资源的渠道就越丰富，能够吸收、内化更多新颖的知识来促进合作创新的实现[21]，提高合作创新的成功率。其次，在网络中位于中心位置的高校通常拥有较高的地位与声望[22]。当有新节点嵌入合作网络时，往往倾向与网络地位较高的节点建立合作关系[23]。因此，较高的度数中心性有助于高校吸引更多的合作伙伴，扩大其获取外部资源的范围，促进合作创新绩效的提高。最后，处于中心位置的高校可以通过对不同渠道资源的比较和识别，降低获取异质性资源的成本[24]，这也有助于提高其合作创新绩效。

1.2.2 结构洞

在社会网络中，节点间的连接方式包括直接连接和间接连接2种类型。对于2个间接连接的节点来说，若想有效沟通需要通过中间节点进行传递，此时处于中间位置的节点被称作占据网络结构洞位置[25]。处于结构洞位置的节点通常起到“桥梁”的作用，连接2个原本相互分离的个体或网络，是网络信息传递和资源流动的“阀门”[26]。因此，在合作网络中占据结构洞位置的高校通常享有控制信息资源的优势。这些高校通过桥接差异化的信息领域，降低了知识的冗余性及知识搜索的不确定性，使高校更易获取所需的异质性知识和信息，为其重组多样化知识提供了契机[27]，促进了合作创新绩效的提高。此外，从网络节点的权力视角来看，占据结构洞的高校能够在充当“中间人”的过程中获得更大的权力，从而拥有更大的行动自由度和活动空间[28]，能够实现更高的合作创新绩效。

综上，尽管知识属性与网络位置对高校合作创新绩效产生影响的路径不同，但二者之间具有交互作用。一方面，高校的知识属性会对其与外界合作的意愿和能力产生一定影响，进而影响合作网络的形成；另一方面，高校在合作网络中的位置特征也会反向影响其知识获取和储备。鉴于此，本研究整合内部知识属性与外部网络位置2个层面的4个前因条件，深入探究提升高校军民科技合作创新绩效的多重影响因素及其组合路径。其中，高校内部知识属性层面的影响因素主要包括知识宽度(简称B)和知识深度(简称D)，而外部网络位置层面则涵盖了度数中心性(简称C)和结构洞(简称S)2个因素。据此，本研究构建了如图1所示的高校军民科技合作创新绩效提升路径模型。

图1 高校军民科技合作创新绩效提升路径模型

2 研究方法与研究设计

2.1 研究方法

定性比较分析方法，又被称作QCA方法，是上世纪八十年代由美国社会学家查尔斯·拉金基于布尔代数提出的一种集合论组态分析方法。通过考察前因条件和结果之间的充分与必要子集关系，从整体上探寻多重并发因果诱致的复杂社会问题。由于影响高校军民科技合作创新绩效的内部因素和外部因素间存在相互促进或抑制的关系，导致传统的交互项回归分析方法并不适用于本研究，无法解释不同要素间联动的经济内涵。因此，本研究引入QCA方法，期望从整体的角度对影响高校军民科技合作创新绩效的各种前因变量的组合联动效应进行探究。

2.2 数据收集

“兵工七子”、“国防七子”以及国防科工局与教育部共建高校是目前普通高校中参与国防科技创新的核心力量，故本研究以这36所高校为研究对象，在国家知识产权局专利检索数据库中对这些高校2015—2019年申请的发明专利进行检索，共得到266 295条专利数据，并以此为依据衡量高校知识属性。此外，由于合作专利数据基本反映了高校合作网络的情况与合作创新的水平。故进一步对36所高校与国防单位2015—2020年联合申请的发明专利进行检索，共计1 850条，并以此为基础构建军民科技合作创新网络，以及衡量结果变量。

2.3 变量测量与校准

2.3.1 变量测量

1)结果变量的测量。对高校军民科技合作创新绩效的测量，本文借鉴夏丽娟等[29]学者的测量方法，并考虑到创新成果产出具有时滞性，故对结果变量进行了滞后一期处理，即利用2020年高校和国防单位共同申请的专利总数来表示高校军民科技合作创新绩效。

2)条件变量的测量。对高校知识属性的测量，本文借鉴蔡虹等[30]学者的方法，将国际技术分类(IPC)的每一个大类视为一个独立的技术领域，即以高校2015—2019年申请专利所涉及的IPC大类的数量表示其知识宽度(B)。并参考ZHANG J等[31]学者的测量方法分2步对知识深度(D)进行测量。第一步，通过高校专利申请数据计算出技术比较优势值(RTA)，见式(1)。

(1)

式中：Pit指的是高校i在技术分类t上的专利数。分子表示的含义为高校i在技术分类t上申请的专利数占所有t分类上专利数的比例，分母的含义是所有高校在t分类上的专利数占所有专利数的比例。第二步是在计算出RTA值的基础上，测算高校的知识深度(D)，见式(2)。

D=σRTA/μRTA

(2)

式中：σRTA为标准差；μRTA为均值。

最后，本文利用2015—2019年高校与国防单位联合申请的专利数据，构建军民科技合作创新网络，并运用Ucinet 6软件计算出各高校在合作网络中的度数中心性(C)和结构洞(S)。综上，各研究变量的描述性统计分析结果见表1。

表1 变量的描述性统计分析结果

2.3.2 变量校准

使用模糊集定性比较分析对数据进行处理前，需要预先对数据进行校准，即给案例赋予集合隶属[32]，经此处理后的原数据将转化为0到1的模糊集数据。具体地，本研究根据FISS[33]所述方法，将条件变量与结果变量的3个隶属点分别设定为其样本数据的95%分位值、50%分位值和5%分位值。各变量的校准锚点见表2。

表2 各变量校准锚点

3 实证分析

3.1 必要条件分析

RAGIN[34]提出，若某一前因条件的一致性大于0.9，则认为该条件是结果变量的必要条件。从表3可以看出，任意一个前因条件影响高或非高合作创新绩效的必要性均小于0.9，这说明不存在影响高校军民科技合作创新绩效的必要条件。故本研究接着将这些前因条件纳入fsQCA，探索产生高、非高合作创新绩效的组态。

表3 必要条件分析

3.2 组态分析

在进行必要性分析后，本研究借助fsQCA3.0软件，通过对真值表的分析得到前因条件的不同构型。首先，将组合中样本个案出现的频数阈值设置为1，即将样本数量大于1的逻辑条件组合保留下来。其次，将一致性阈值和PRI一致性的门槛值分别设置为0.8和0.7[35]，并根据二者的得分进行重新编码。当一致性高于0.8，但PRI一致性低于0.7时，将该逻辑条件组合对应的结果变量编码为0；而当一致性高于0.8，且PRI一致性也高于0.7时，则将该逻辑条件组合对应的结果变量编码为1。最后，利用软件中的Standard Analysis程序得到复杂解、简约解和中间解。并借鉴现有文献对核心条件和边缘条件的划分方法，综合考虑简约解和中间解，得到实现高、非高合作创新绩效的组态，分析结果见表4。

表4 实现高、非高合作创新绩效的组态

由表4可知，产生高合作创新绩效的路径有2条，且单个解的一致性分别为0.913和0.912，总体解的一致性为0.912，均大于0.8，表明这2个组态均为实现高合作创新绩效的充分条件。同时，产生非高合作创新绩效的路径有1条，且一致性系数为0.880，表明这一组态是非高合作创新绩效的充分条件。

3.2.1 高合作创新绩效的路径分析

1)网络驱动型。路径H1(～D×C×S)包括非知识深度、度数中心性和结构洞3个前因变量，本研究将该路径命名为网络驱动型。该路径表明，在高校缺乏知识深度时，凭借其在合作网络中的优势地位，依然能够取得较高的合作创新绩效。这是因为，虽然当高校的知识深度处于较低水平时，搜索外界新颖知识的效率及与自身原本知识整合的成功率相对较低。但是，处于中心位置的高校通常在资源获取方面具有一定优势，能够吸收、内化更多新颖知识来促进合作创新的实现，弥补知识深度较低带来的劣势，并且能在一定程度上提升高校的知识深度。同时，高校在网络中占据结构洞的数量决定了其控制信息资源的能力，有助于高校优先筛选结构洞两端主体拥有的与自身互补、异质的资源，为其整合内外部知识提供了契机，促进了高校军民科技合作创新绩效的提升。因此，低知识深度、高度数中心性与结构洞的联动匹配可以有效提升高校军民科技合作创新绩效。符合该组态的案例主要包括西安交通大学、北京理工大学、上海交通大学等11所高校。这些高校大多位于西安、北京、上海等国防单位聚集的省市，易于开展军民科技合作，并且使高校能够在合作网络中占据较为关键的位置，有助于其获取所需的创新资源，提高合作创新的绩效。

2)知识驱动型。路径 H2(B×C×S)包括知识宽度、度数中心性和结构洞3个前因变量，本研究将其命名为知识驱动型。该路径表明，高校的知识宽度越宽越能够激发双方强烈的合作意愿，而同时拥有较高的度数中心性使高校能够通过网络中心位置接触到更多潜在的合作伙伴。因此，这样的高校往往能够更好地把握合作机会，将潜在的合作伙伴转化为真正的合作伙伴，有助于高校合作网络的扩大和对外部知识的获取与吸收。同时，较高的知识宽度能够帮助高校更快地找到内部知识与外部知识的关联点和结合点，若高校同时处于结构洞位置，则能显著提高其对外部异质性知识的整合效率，实现较高的合作创新绩效。此组态的案例主要包括华中科技大学、哈尔滨工业大学、北京航空航天大学等13所高校，这些高校凭借其在国防科技领域广泛的知识基础，以及较高的科技影响力，受到了众多国防单位的青睐，取得了较高的合作创新绩效。

将2个组态对比后发现，网络驱动型包括11所高校，覆盖率为0.609，即这一路径解释了60.9%的高合作创新绩效案例。而知识驱动型的覆盖率为0.644，即其解释了64.4%的高合作创新绩效案例。因此，知识驱动型路径的覆盖率相对较高，对高军民科技合作创新绩效具有较强的解释力。虽然实现高合作创新绩效的因素不同，但均可以成为促进高校军民科技合作创新绩效提升的组合动力，即不同促进因素组合具备等效性。

3.2.2 非高合作创新绩效的路径分析

为了更全面深入地探索影响高校军民科技合作创新的驱动机制，本文进一步分析了产生非高合作创新绩效的组态NH1(～C×～S)，该组态表明非度数中心性和非结构洞的联动匹配会对高校军民科技合作创新绩效产生一定的抑制作用。造成这一结果的可能原因是高校在合作网络中的位置特征会直接影响其对合作伙伴资源的获取与整合，而合作创新的关键是外界新颖知识的加入与内部原本知识的碰撞。在军民科技合作创新网络中，与其他组织联系较少的高校，获取外部异质性知识的机会也相对较少。而占据结构洞数量较少的高校在信息获取与控制方面也存在一定劣势，不利于高校对知识进行重新组合，二者共同作用，抑制了高校合作创新绩效的提高。这一结果也恰好从反面印证了度数中心性和结构洞是影响高校军民科技合作创新绩效的核心因素。

4 结论与启示

4.1 结论

本文以2015—2019年国防科技工业局重点支持的36所高校的专利数据为依据，从内部知识属性和外部网络位置2个层面，基于组态视角探究了高校军民科技合作创新的影响机制，并得到以下结论。

1)高校军民科技合作创新绩效的提升并非是某一因素单独驱动的，而是由一系列内外部因素联动作用的结果。

2)提升高校军民科技合作创新绩效的路径包括网络驱动型与知识驱动型2种构型。网络驱动型高校能够凭借位置优势，弥补知识深度较低导致的劣势，提高其获取和整合外部知识的能力；而知识驱动型高校则能依靠广泛的知识资源，巩固其网络位置优势，促进高校对外部知识的获取与利用，实现较高的合作创新绩效。

3)在产生非高合作创新绩效的路径中，非度数中心性与非结构洞同时出现，证明高校在网络中的位置特征是影响其军民科技合作创新绩效的重要前因变量。

4.2 启示

1)统筹兼顾，相辅相成。一方面，高校应在强化已有知识的同时，不断探索新的知识，并以此吸引更多合作伙伴的加入，提高合作的广度和深度；另一方面，高校也应加强与国防单位的联系，使高校在网络中始终能够占据优势位置，充分发挥其信息收集和资源获取的优势，为提升高校军民科技合作创新绩效提供有利条件。

2)军民科技合作创新绩效的提高，离不开高校自身知识资源的积累与拓展。一方面，高校应在某一领域形成专长，提升对知识的理解与掌握程度；另一方面，高校也应在不同领域进行技术布点，维持知识的多元化，提高其知识搜索、吸收和整合能力。

3)军民科技合作创新绩效的提高，与高校在网络中的位置优势密不可分。高校应在保持已有合作伙伴的基础上，积极探索同更多国防单位的合作，构建一个更加广泛的合作创新网络，提升高校的度数中心性，进而从中获得更为丰富的异质性知识，并通过中心位置带来的信息优势，整合内外部知识，提高高校的合作创新绩效;同时，高校也应积极与具备不同资源优势的国防单位合作，并在当中扮演着“守门员”的角色，使其能够从中获取所需的异质性资源，并利用结构洞位置控制网络中的信息流动，最终实现提高其合作创新绩效的目的。