商业育种研发敏捷性研究

摘要：在当前激烈的全球市场竞争中，公司利润主要来自研发活动，而影响企业研发活动的主要因素包括共同创造过程、资产专用性和公司敏捷性。通过采用探索性案例质性研究方法，选择农业龙头企业为调查对象，对所选案例公司的副总经理、高管、研发团队的领导者及其成员以及公司其他相关员工进行半结构化访谈并加以分析，发现纵向数据资产、数据挖掘能力和跨部门合作等有助于商业育种研发敏捷性的提升。在农业龙头企业环境下新品种的研发过程具有特殊性，新品种研发周期长，存在许多不确定因素，一旦目标和进程表确立便难以更改。在长周期中，需要采取技术措施来减少可以在实验中被控制的偏差和在自然环境中的量产偏差，根据客户的反馈灵活地调整新品种的递归研发周期。

关键词：纵向数据资产；价值共创；商业育种；敏捷性

基金项目：国家社会科学基金重点项目“国际竞争力提升视角下保障我国粮食安全的政策体系研究”（19AZD020）；国家现代农业产业技术体系（藻类）专项资金项目（CARS-50）；华中农业大学狮山智库资助项目 （2020SSZK07）

中图分类号：F324.9 文献标识码：Ａ 文章编号：2096-5982（2024）04-0074-08

一、引言

在当前激烈的全球市场竞争中，公司利润主要来自研发活动，而影响企业研发活动的主要因素包括共同创造过程、资产专用性和公司敏捷性。大数据分析、标杆管理、农业传感器部署等数据科学和技术应用，可以减少农业龙头企业在新生物农业品种育种上的失败，增强管理敏捷性，寻找价值共创的新途径。（1）孟山都和杜邦两家公司的新植物育种技术相关专利占其全部专利的56%，农业新品种商业化培育具有技术发展动态性、关键节点阶段性以及市场性的特点。（2）大量文献研究证明市场在新品种研发活动中的重要性。（3）而计划失误和缺乏市场调查很有可能会降低市场对新品种的接受程度。

理解种子行业和社会技术制度中其他参与者（消费者、企业、技术研究机构等）是如何设计和发展各类品种十分重要。因此，本文依据发起价值共创概念研究商业育种研发问题。由于商业育种研发具备更长的周期，面临着更多不确定性，本文将敏捷性概念应用到农业新品种研发范畴，为农业公司改善管理体制进而提升研发敏捷性、减小研发风险提供理论依据。

（一）服务主导逻辑和发起价值共创

在以商品为中心的概念中，价值被包含在最终产品中，商品成为将价值从研发阶段传送给消费者的媒介。而服务主导逻辑是基于服务与服务交易的，认为商品（包括有形货物和无形服务）的最终价值体现的是服务和体验等。（4）服务主导逻辑的一个前提是消费者总是价值的共同创造者，可被视为是价值共创和服务主导逻辑间的联系主体。（5）

在营销领域，价值共创被认为是“竞争的未来”（6）。在价值共创变成了市场、企业组织和消费者的焦点后，关注重心会从交换价值变成使用价值。以商品和公司为中心的观点正在向“个性化消费者体验”转变。（7）这种转变暗示“个性化消费者体验”会成为一种关键的营销概念，即企业组织将消费者看作一种关键的竞争优势。（8）这种转变是世界观的转变，也是公司核心目标转变，不仅为消费者创造价值，而且动员消费者从公司产品创新中为自己创造价值。（9）同时，反对以公司为中心的价值范式和价值创造体系的传统锁定。（10）

Zwass提供了一种综合观点并且提出了价值共创的包容性分类学。（11）他将价值共创划分成两类：发起价值共创和自发价值共创。在发起价值共创中，发起公司会主动搜集对于新技术、新产品、改进产品创新性的相关观点和评论。（12）这些观点和评论包括个人联系、同伴反馈、发起公司反馈以及相关公司反应等，这些都反映了具有共创动机的个人或组织的价值观点。

（二）资产专用性和大数据

第一，资产专用性。相比于普通资产，资产专用性是具有特殊性质的资产，当生产要素市场不完全时，特殊资产就是公司所拥有的稀缺资源。（13）资产专用性可以帮助公司增加价值，资产专用性的质量决定了公司的核心竞争优势，且公司的剩余权益应该被归因于特殊资产。（14）资产专用性反映了公司希望在未来增强核心竞争力和获得准租金的投资战略。当公司预测特殊资产存在积极盈利前景时，公司会致力于投资特殊资产项目，从而增强市场竞争力，并促进公司会计利润的可持续增长。（15）

第二，大数据。大数据具有五个方面的特征：体量、速度、种类、准确性和价值。（16）价值意味提高知识、认识和创新的能力。大数据不仅是数据量的问题，更是在合理的时间搜索、整合、可视化和交叉引用大量数据集的能力。（17）针对特定行业的大数据利用，需要考虑大数据生成的高速度特征。（18）同样，基于农业生产复杂性的大数据决策应用需要考虑各种不同数据，如天气变化数据、生物多样性数据、农民日常生产数据等。（19）预测农作物产量和利润、土地测绘、天气预测以及保证食物安全都要求使用大数据。同时，对动植物疾病和营养不良的识别，农户生产力识别、天气预测和农产品安全质量评估等，都需要实时大数据。农业生产经营决策、农户生产力提升和利润的估计等均对实时大数据有高度的依赖。（20）大数据和云计算在农业领域具有巨大潜力，长时间纵向大数据沉淀所形成的纵向数据资产对农业生产、育种具有重要意义。

（三）敏捷性

敏捷性是强调公司和消费者间合作的新方式。在21世纪早期，基于软件开发的要求，敏捷性在IT领域迅速发展，成为互联网时代获取竞争优势的核心要素。（21）从广义来看，敏捷性是公司监测和抢占市场的一种能力。（22） Vervest等将敏捷性概念泛化成企业为满足动态客户需求而做出快速反应的能力。（23）还有一种观点认为，敏捷性是快速进取性和适应性的结合，前者是一种参与和抢占市场的能力，能在不断变化的条件下获得先发优势，而后者更具防御性，致力于保护自己或从动态变化市场中恢复实力，塑造后发优势。（24）敏捷性可以是进取型或防御型，或两者兼有。

在本文中，研发敏捷性被认为是一个组织对于不可预知事件快速感知和反应的能力，以便能快速地对外界环境变化做出反应，并在公司研发过程中满足不断变化的市场需求。

二、研究设计

本文的主要目标是试图构建纵向数据资产和发起价值共创促进农业龙头企业商业育种研发敏捷性的理论框架。案例研究法可用于探索和理解现实生活中的复杂现象，并构建管理理论。使用定性方法来回答研究问题，例如“为什么”以及“如何去做”。（25）目的是提升纵向数据资产和发起价值共创促进商业育种研发敏捷性的认识以及创造出农业龙头企业在未来研究和发展中使用的数据。本文的核心研究设计如图1所示。

（一）选择案例公司

作为“国家农产品和食品出口质量示范基地”，大连海宝渔业有限公司成立于1993年，是旅顺口区国家农业科技园的领军企业，生产经营为海产品、藻类育苗、养殖和深加工。该公司为全国藻类种子养殖场，是中国科技部水产行业中的第一家高科技企业。该公司的产品“海宝一号”是在中国培育的第一个裙带菜新品种，为中国优质裙带菜品种的培育填补了空白。该公司的发展历史如图2所示。

为促进研发，该公司成立了一支高质量研发团队，获得省级“工程技术研究中心”，与中国科学院海洋研究所、西北农林科技大学、大连海洋大学以及其他机构合作进行科研。目前，该公司已成功承接了一些关键科研项目，例如“863国家计划”科学技术部的科学技术支持项目、“关键技术研究”等。此外，该公司已获得45项专利，其中的“海宝”品牌是省级著名商标。该公司主要致力于海藻培育和深加工，是海藻深加工和质量安全领先的出口公司。该公司已经通过HACCP、ISO 22000、BRC、HALAL、KOSHER和美国FDA注册认证。公司产品出口到日本、韩国、美国、加拿大、俄罗斯、东南亚国家和欧盟国家。由于生物产品的异质性和次品率相对较高，农业生物育种时间长，易受外部冲击影响，因此从管理上看敏捷性十分重要。海藻新品种的培育过程受海洋温度、盐度、光照和气候变化等因素影响，所以研发过程要求有高度敏捷性。公司需采用合适的管理模型并积累纵向数据资产，来应对各种不同的外部环境影响和生物生产过程中的质量控制问题。大连海宝的研发敏捷性主要是来自纵向数据资产和基于服务主导逻辑的发起价值共创的使用。在研究的过程中，相关数据的获取也相对完整。

（二）基于发起价值共创的商业育种研发过程

商业育种的新品种研发过程周期较长，受外部冲击影响显著，如气候和环境产生的影响一般会持续4—6年。因此，这是一个基于发起价值共创的市场需求不断递归和升级的过程。递归过程如图3所示。

第一阶段为市场需求与研发资源融合阶段。这一阶段是收集市场需求数据和天然种质资源的初步论证阶段。公司需要从自然环境中积累大量种质资源。此阶段消费者偏好通常难以准确表达，而且不同消费者偏好间存在矛盾，因此有必要对技术子目标间的平衡进行初步论证。案例公司具备超过25年的生物育种研发经验和长期形成的数据资产能够有效解决在初步论证阶段新品种研发的设计问题。通过公司定期和非定期的回访体制，公司和合作超过二十年的老客户间建立了良好的关系。关系维持有助于帮助公司开发新品种，有效理解消费者偏好并解决各种不确定因素。就管理组织而言，公司可以灵活地制定各种控制关键点的管理规则，能和公司的老客户讨论并演示相关技术，并向中国科学院海洋研究所等研发机构寻求技术咨询。案例公司内部鼓励各职能部门吸收员工的建议和想法。这一阶段的主要目标在于鼓励消费者参与、接受员工的建议和想法以及自由探索创新，以便做出迎合消费者不同需求的初步计划。

第二阶段为新品种量产试验阶段。这是依据消费者需求进行批量生产试验的阶段。在量产试验之前有必要界定新品种的特征。新品种的申报至少需要经历4年，需要解决可能在初级阶段存在的问题，以及面对来自气候变化、海洋环境和技术单位执行能力不确定等风险。同时，可以通过依靠纵向数据资产、特殊统计部门使用的管理信息系统以及跨部门协作来应对这些问题。具体的试验过程也需要高校和研究机构的帮助，例如中国科学院将整体育种选择计划分解成不同功能的子任务。为了提高敏捷性，要在可负担成本限制下尽可能增加批量试验。通过使用公司超过25年的纵向数据资产和相关信息，整理和验证适应自然环境和市场需求的优良品种。就管理组织而言，这一阶段要求公司和相关学者及主要顾客密切合作，是否可以进行培育新品种的下一阶段由公司委员会、公司高层管理人员以及主要客户共同决定。在初步试验的关键控制点上，公司将定期举办与消费者、科研机构间的正式和非正式研讨会，以便解决预期之外的问题，这能有助于确保新品种的创新性和可靠性，也有利于缩短新品种的研发周期，提升研发敏捷性。

第三阶段为新品种的部分商业化阶段。在生产试验成功之后，公司会将新品种派发给顾客，并采用回访机制收集消费者的反馈。在部分商业化阶段，公司将培育的新品种进行推广，并观察客户的使用效果。公司也会对客户定期和不定期回访，积累数据和相关经验。由于不同客户存在海域差异，海洋环境变化和大规模种植带来的技术扭曲等问题仍然存在。就管理组织而言，公司要处理的大多数问题是可预测的。但如果存在技术扭曲，整体计划就可能会失败。因此，从不同海域环境和商业生产中收集、整理和使用纵向数据十分重要。同时，为保证新品种的稳定性和可靠性，需要依据相关规定严格执行技术程序。新品种应该匹配和适应消费者需求，并获得政府批准。

第四阶段为新品种完全商业化和口碑建立阶段。新品种的口碑市场中大部分消费者都接受该品种。新品种在成功实现部分商业化后会赢得口碑，从而吸引更多客户购买。在这一阶段的后半期，该新品种将会有和高科技制造产品同样的生命周期，但新品种的性状和品质将会在多年后退化。因此，有必要将市场需求与生物学的先进技术结合。此外，公司应采用新技术延长新品质的生命周期，尽快开展新品种的下一代研发项目，并充分利用纵向数据资产和相关信息工具。就管理组织而言，新品种的成功关键在于销售部门、生产部门、研发实验室间的跨部门合作，并需要重视消费者参与在整个过程中的决定性作用。

（三）资料收集

本文采取公司员工访谈和参与者观察开展研究。（26）首先，本团队于2020年前往大连海宝，访谈主要聚焦于纵向数据资产、发起价值共创和商业育种研发敏捷性，访谈对象为公司副总裁、研发部门部长、工厂经理、生产组长、销售主管、物流部门员工和其他相关人员。每一次正式访谈通过音频和视频进行记录，单次访谈时间60分钟以上。在正式访谈的基础上，研究团队对中国农业研究系统的相关科学家、农业公司高级管理人员、MBA学生和农业管理专业研究生进行了非正式访谈。此外，通过网络爬取技术从公司的官方网站和微信中获取了网页资料，分别获得了21万字和40万字的文字资料。另外，收集了包括公司纸质文件相关文本数据，共60万字。

三、案例分析和讨论

（一）纵向数据资产和商业育种研发

数据资产作为专用资产，在推进公司运作及获利方面具有很大作用。此外，本文发现海水平均温度、盐度、营养物、太阳光照参数和气候变化环境下的海洋微生物等环境特征及其数据对于新品种研发的四个阶段具有重要推进作用。因此，根据资产专用性理论，结合案例公司拥有长期数据积累和经验沉淀，本文提出纵向数据资产这一概念，将其定义为企业关键的无形资产之一，是企业经过时间积累的数据资产，常以纸质文件和电子文件融合使用，对其收集、更新、挖掘后可为公司增加收益提供渠道。具体主要包括数据来源、数据整合和数据应用。此外，纵向数据资产利用也需要较强的数据挖掘能力。

本案例将数据源划分成四类。第一，生产环境数据。具体包括公司实验室试验、海域生产试验、主要客户海域的商业生产、海岸线主要特征、海水温度、海水盐度、微生物特性、海洋营养物质、海藻病等。第二，在不同条件下农产品的生产数量、品质和环境影响的数据。第三，市场数据。具体由不同新品种的市场销量、口碑、回访记录、消费者反馈、消费者建议和需求分析组成。第四，管理数据，即公司所有年份的管理绩效考核方法和数据。其中，部分数据已经数字化，还有一些是未被观察到的，如人际关系数据资产。

数据整合涉及四个不同阶段的数据和在新品种发展的每一阶段中其他数据的全面总结。在大连海宝，由统计部门收集来自各个部门的数据，然后将这些数据管理、存档并提供公司领导使用。

数据应用意味着在数据整合之后纵向数据资产被充分应用到新品种研发的每一阶段。各部门的绩效由公司总裁在客观数据的基础上进行评价和考核。其中，人际关系数据资产是最重要的未观测数据之一，可以加强公司内的信任和合作。

在服务主导逻辑的发起价值共创中，消费者可以为其参与的企业价值链的每个阶段做贡献。基于服务主导逻辑，大连海宝发起价值共创去开发新品种便需要充分利用纵向数据资产提升公司新品种的研发敏捷性、创新力、稳定性和目标边际利润。

（二）商业育种研发不确定性因素的分类

本文发现大连海宝新品种研发项目中面临四种风险，即开创风险、生产试验偏差、部分商业化的不可预测性以及获得口碑后的退化风险。大连海宝研发部长提出新品种的研发是个长期过程，且极大地受到了如气候环境和市场动荡等外部冲击的影响。此外，新品种研发的时间跨度多达5年甚至更久，仅申报生物新品种需要至少4年的生产试验。在公司开始培育新品种后，消费者参与新品种研发的全过程是基本要求。

第一，市场分析和研发资源融合风险。在新品种研发项目初始阶段，公司难以制定精确的计划。此外，不可预测事件将使研发项目发生延期风险。不可预测事件会改变研发项目的目标、计划和方法。研发过程中，客户受到认知限制，对自身需求只能做出简单描述，并不能将可行性和成本考虑在内。由于新品种对外部环境过于敏感，因此在所有阶段中初始阶段的不确定性最大。此外，就同一新品种而言，必须适应不同技术、不同类型的新品种的性能。大连海宝公司研发部部长提出，由于新品种的研发具备独特的特质，研发存在着两大障碍。一方面，要在研发早期阶段制定日程表应对如幼苗腐烂等不可预测风险；另一方面，一旦新品种研发的目标和进度表确定了，就难以适应市场需求。因此，在初始阶段有必要基于市场需求制定研发方向和计划，并和有经验的科研机构合作，同时依靠公司积累的经验和数据。

第二，量产试验偏差风险。在第一阶段后，公司应该实现新品种的量产试验和选择计划。在这一阶段，不可避免会出现各种生产偏差问题。公司需要解决两种类型的偏差：第一种偏差是可以在试验过程中被控制的偏差。当新品种部分目标特征（如产量）没有符合研发目标的要求或两种不同的目标特征（如产量和菜叶的光滑性）间存在矛盾时，需采取重复试验减少偏差。第二种是大规模生产在自然环境中的偏差，这种偏差无法完全通过实验控制。基于此，研发部门和生产部门间需密切合作解决新品种的量产偏差问题。同时，公司应基于自身的纵向数据资产在自然环境中调整量产方法。纵向数据资产包括水温数据、太阳光照数据、微生物数据、消费者偏好数据等。大连海宝的副总裁对偏差有以下理解：公司必须和主要客户保持密切联系以了解他们的最终需求。以裙带菜为例，一些客户偏好裙带菜叶，而其他客户偏好裙带菜茎。因此，做出选择或权衡决策中产生矛盾是不可避免的，如在消费者偏好和生产量间存在的矛盾。所以，公司需力求在实验室或自然环境的条件下控制新品种的量产偏差。此外，大连海宝生产团队队长回忆与团队在海中进行量产试验和解决由气候变化等因素带来偏差时的一些经验。具体的操作是定期进行水温记录，并做一些藻类新品种的生产测试。同时，刚开始不会在海里进行新品种的大规模试验，而是在长期范围内一步一步分批进行。此外，每批测试都要观察并记录相关数据，依据长期生产试验做出决策，直至新品种的生产偏差消失。

第三，新品种部分商业化的不确定性。在新品种大量生产试验之后，一些客户会向公司购买并培育新品种，因此而建立口碑。不可预测事件和一些因素的影响在此阶段至关重要。此外，在这一阶段也会出现一些可预测的事件，如水温上升。由于自然环境的差异和市场的外部冲击对新品种的部分商业化有着重要的影响，因此在建立新品种的口碑之前存在着许多不确定因素。大连海宝的销售经理提到了新品种在营销阶段所存在的不确定因素。2020年初，随着社会和经济活动减少，消费者需求下降，对公司的裙带菜苗销售产生不利影响。尽管市场预计会逐步恢复，公司也因为农业产品的长周期修改了新品种的研发计划。此外，大连海宝的生产队长认为新品种部分商业化阶段存在不确定因素。近年来，在气候变化之下，海水温度的上升成为在气候变化基础上的重要观测指标。新品种对于自然环境的变化十分敏感，特别是海水温度的变化。海水温度影响幼苗的生长、收益和目标性状，甚至能造成大规模的死亡和损失。因此，有必要对在海中培育的新品种确立耐温特性。

第四，新品种退化风险。在新品种实现了部分市场化后，尽管已经形成口碑，但仍存在风险。因为新生物物种的目标性状将在一定时间内衰退或消失。研发部长对新品种商业化风险进行了相关描述。裙带菜是从日本引进的，但这些品种在经过几年的培育后就衰退了。为了降低成本，公司采用了培育新品种的新技术。海生的裙带菜很容易受到天然海洋环境的影响，性状难以稳定，很难完全控制新的裙带菜品种的所有特性。此外，销售部经理强调客户对新品种退化评论的重要性。完成销售任务后，员工将明确遵循公司规程对客户进行定期和不定期回访，关注幼苗出售后的培育情况，一旦出现品质问题，会将其记录下来并分析是否存在幼苗退化或批次的问题。销售部门的许多员工都具有在生产部门的工作经验，他们对这方面有着基本的认识。

（三）商业育种研发与消费者偏好匹配的敏捷性

初始阶段，更多关注创新和客户多样偏好。在第一阶段，大连海宝需要认识客户的偏好并进行相应的技术指导，以便将客户简单抽象的偏好描述转化成系统化和标准化的解决方案。同时，还需根据主要客户海域的海岸特征、海水温度、微生物特征和营养特性的数据进行示范，并与相关研究机构合作，咨询新品种的前沿技术。在分析客户需求时，公司会选择参与客户。第一类入选参与客户的是和公司有着密切联系的客户。第二类是有着标准化管理体系的客户。第三是有着海域禀赋优势的客户。第四是对新品种的发起价值共创研发项目有着强烈参与意愿的客户。同时，由于消费者对于新品种也有不同的要求，公司不可避免地要与客户进行深度交流并在技术上解决相应问题。

第二阶段，考虑新品种生产、需求与稳定性的创新。在这一阶段，关键是执行工作计划并实现新品种研发。由于新品种的研发具有长周期，有必要更多地关注市场需求并根据市场的不确定因素做出快速调整，力求确保新品种的性状满足预设标准并对各种不确定因素做出敏捷的反应。此外，纵向数据资产将在提升研发敏捷性上发挥根本作用。公司和相关的研究机构配合，参与到量产试验中从而解决研发敏捷性问题。这一阶段不只强调以创新来满足客户的未来需求，也要确保新品种的各种新性状的可靠性和稳定性，从而保证项目能高效且经济地实施。公司副总对不同客户对新品种技术参数偏好进行了解释：就裙带菜而言，客户偏好因人而异。一些客户要求光滑的叶面，一些偏好宽大的根茎，一些客户则需要更多的叶子，还有些客户追求高产。

第三阶段，聚焦新品种稳定性和市场渗透。在部分商业化的阶段，关键需要考虑新品种性状的稳定性和市场的接受度。通过新品种的品质和性价比，口碑将会在这一阶段建立。部分商业化将在一些客户的海域中进行，而不同客户的海洋环境和偏好具有明显区别。另外，新品种在量产试验和部分商业化之间还存在技术偏差。收集和分析定期回访和客户的反馈记录有助于口碑建立和树立品牌。大连海宝多年的LDC（劳务数据搜集）是击败同行竞争者的关键优势。通过LDC为实现新品种的成功和建立口碑打下了坚实的基础。实验室的团队领导者阐述了解决新品种部分商业化过程中的相关技术。当新品种在天然海洋中商业化生产时，生产部门和客户可能会发现新的问题。如生产部或客户会询问具体的技术处理参数，这些参数会影响新品种的再生率。因此，需要提供新技术的准确参数，包括加工时间和其他数字标准的关键数据。同时，也需要在确认生产技术参数之前，与生产部部长或客户合作。所以，确保技术的数字标准符合研发计划的目标标准十分关键。

最后阶段，聚焦新品种口碑和递归研发的重要性。当口碑确立时，GMV（商品总价值量）和市场渗透率的显示指标会达到最大值。但由于新品种的生物特性使新品种会在这一阶段不可避免地退化。因此，需要不断地递归新品种的开发，并采用符合客户偏好的新技术，保持新品种相关技术指标的不断升级。新品种要满足不断提高的客户需求，保证公司开发的新品种的质量和效率。具体而言，首先，必须在新品种研发的开始阶段了解客户的偏好（不同地方的客户有着不同的偏好差异），并考虑不同子目标间的平衡。其次，实验、测试和生产的进程和方法需要根据各种不确定的紧急情况的出现进行及时调整，以满足客户需求。再次，由于幼苗退化，需要基于客户的需求递归地培育新品种并发展新技术，如克隆技术等。最后，要充分考虑客户不断改变的偏好来提升品种的品质。

四、结语

（一）研究意义

第一，厘清农业龙头企业的研发风险。首先，本文使用了动态方法分析新品种研发风险，认为在新品种研发的四个阶段面临四种风险，即市场分析和研发资源融合的风险、量产试验偏差风险、新品种部分商业化不确定性、确立口碑后新品种退化风险。本文的研究结果显示，在农业龙头企业环境下新品种的研发过程具有特殊性，新品种研发周期长，存在许多不确定因素。此外，一旦目标和进程表确立便难以更改。在长周期中，需要采取技术措施来减少可以在实验中被控制的偏差和在自然环境中的量产偏差。在新品种部分商业化阶段会不可避免地面对市场波动。在最后阶段，新品种的性状可能会削弱或消失，这将给市场销售和口碑带来严重影响。因此，对于公司来说，需要根据客户的反馈灵活地调整新品种的递归研发周期。

第二，分析纵向数据资产和IT技术提升新品种研发敏捷性。我国一直强调农业生产和研发的重要性，每个农业龙头企业都发挥着重要作用。积累农业龙头企业长期详细的历史数据对新品种研发的四个阶段有着重要的影响。纵向数据资产得益于公司20多年研发、生产和销售数据的积累。纵向数据资产的形成和发展可以被分成三个阶段：数据源、数据整合和数据应用。此外，公司的IT技术应用水平和数据挖掘能力也十分重要。

第三，研究动态视角下灵活管理体系提升研发敏捷性。本研究将敏捷性的概念扩展至农业新品种的研发周期，丰富了敏捷性理论。在过去，对敏捷性的研究仅聚焦在制造和供应链环节，对于研发敏捷性的研究极少，而对于新品种研发敏捷性的研究甚至是缺失的。这导致难以回答公司如何利用灵活的管理体制在新品种研发敏捷性的不同阶段促进敏捷性的提高。新品种的研发是个长期过程，很容易受外部冲击。因此，这需要依据市场需求进行持续迭代和升级。此外，通过灵活的管理体系提升敏捷性十分重要，如通过物资调整、人员配置和适当储备进行跨部门协作。

（二）未来研究方向

尽管学术界认为探索性案例研究有合理性和典型性，其外部有效性和通用性仍具备争议。本文分析了所选取的从具有代表性公司收集的案例数据，使研究结果和结论具有一定的概括性和普遍性。与此同时，即使访谈方法具有可追溯性，但受访者仍有可能失真。本研究采用多源数据收集方法结合，尽可能确保案例数据的准确性，后续研究将会验证并改进发起价值共创和纵向数据资产的理论模型，通过土地种植和土地育种的农业子产业发展新生物品种的研发敏捷性。此外，对积累的大数据的价值挖掘、开发和实践中有效的管理创新措施，都对研发敏捷性带来影响，仍需进一步研究。

注释：

（1） Wolfert Sjaak， Ge Lan， Verdouw Cor， Bogaardt Marc-Jeroen， Big Data in Smart Farming-A Review， Agricultural Systems， 2017， 153（5）， pp.69-80.

（2） Ferrari Vinícius Eduardo， Silveira da José Maria Ferreira Jardim， Dal-Poz Soares Maria Ester， Patent Network Analysis in Agriculture： A case Study of the Development and Protection of Biotechnologies， Economics of Innovation and New Technology， 2019， 30（7）， pp.111-133.

（3） Carreira Laura， Sabbag Omar， Abe S Augusto， Economic Aspects of the Commercial Breeding of Crocodilians， Custos E Agronegocio， 2017， 13（2）， pp.2-17.

（4） Vargo L. Stephen， Lusch F. Robert， Inversions of Service-Dominant Logic， Marketing Theory， 2014， 14（3）， pp.239-248.

（5） Vargo L. Stephen， Lusch F. Robert， From Goods to Service（s）：" Divergences and Convergences of Logics， Industrial Marketing Management， 2008， 37（3）， pp.254-259.

（6） Prahalad Coimbatore Krishnarao， Ramaswamy Venkat， Co-Creation Experiences： The Next Practice in Value Creation， Journal of Interactive Marketing， 2004， 18（3）， pp.5-14.

（7） Prahalad Coimbatore Krishnarao， Ramaswamy Venkat， Co-Opting Customer Competence， Harvard Business Review， 2000， 1amp;2， pp.79-87.

（8） Grönroos Christian， Service Logic Revisited： Who Creates Value？ And Who Co-Creates？" European Business Review， 2008， 20（4） ， pp.298-314.

（9） Vargo L. Stephen， Lusch Robert， Evolving to a New Dominant Logic for Marketing，" Journal of Marketing， 2004， 68（1）， pp.1-17.

（10） Ramaswamy Venkat， Competing Through Co-Creation： Innovation at Two Companies，" Strategy and Leadership， 2010， 38（2）， pp.22-29.

（11） Zwass Vladimir， Co-Creation： Toward a Taxonomy and an Integrated Research Perspective， International Journal of Electronic Commerce， 2010， 15（1）， pp.11-48.

（12） Chen Li， Marsden R. James， Zhang Zhongju， Theory and Analysis of Company-Sponsored Value Co-Creation， Journal of Management Information Systems， 2012， 29（2）， pp.141-172.

（13） Wernerfelt Birger， Why Should the Boss Own the Assets？ Journal of Economics and" Management Strategy， 2002， 11（3）， pp.473-485.

（14） Kim Hyunseob， Kung Howard， The Asset Redeployability Channel： How Uncertainty Affects Corporate Investment， Review of Financial Studies， 2017， 30（1）， pp.245-280.

（15） De Mello Galindo Victor， Igarashi Deisy， Intellectual Capital： Influence on Asset Specificities， Gestão and Regionalidade， 2020， 36（108） ， pp.13-24

（16） Chi Mingmin， Plaza Antonio， Benediktsson Atli Jón， Sun Zhongyi， Shen Jinsheng， Zhu Yangyong， Big Data for Remote Sensing： Challenges and Opportunities， Proceedings of the IEEE， 2016， 104（11）， pp.2207-2219.

（17） Sonka T. Steven， Big Data： Fueling the Next Evolution of Agricultural Innovation，" Journal of Innovation Management， 2016， 4（1）， pp.114-36.

（18） Schnase L. John， Duffy Q. Danie， Tamkin S. Glenn， et al.， MERRA Analytic Services： Meeting the Big Data Challenges of Climate Science Through Cloud-Enabled Climate Analytics-as-a-Service， Computers， Environment and Urban Systems， 2017， 61，" pp.198-211.

（19） Tesfaye Kindie， Sonder Kai， Cairns Jill， Tarekegne Amsal， Targeting Drought-Tolerant Maize Varieties in Southern Africa： A Geospatial Crop Modeling Approach Using Big Data， International Food and Agribusiness Management Review， 2016， 19（18）， pp.75-92.

（20） Frelat Romain， Lopez-Ridaura Santiago， Giller E. Ken， Drivers of Household Food Availability in Sub-Saharan Africa Based on Big Data from Small Farms， Proceedings of the National Academy of Sciences， 2016， 113（2）， pp.458-463.

（21） Hong Weiyin， Thong Y. L. James， Chasalow C. Lewis， Dhillon Gurpreet， User Acceptance of Agile Information Systems： A Model and Empirical Test， Journal of Management Information Systems， 2011， 28（1）， pp.235-272.

（22） Sambamurthy Vallabh， Bharadwaj Anandhi， Grover Varun， Shaping Agility through Digital Options：" Reconceptualizing the Role of Information Technology in Contemporary Firms， MIS Quarterly， 2003， 27（2）， pp.237-263.

（23） Vervest Peter， Preiss Kenneth， Heck Van Eric， Pau Louis-François， The Emergence of Smart Business Networks， Journal of Information Technology， 2004， 19（4）， pp.228-233.

（24） Chakravarty Anindita， Grewal Rajdeep， Sambamurthy Vallabh， Information Technology Competencies， Organizational Agility， and Firm Performance： Enabling and Facilitating Roles， Information Systems Research， 2013， 24（4）， pp.976-997.

（25） Trista Hollweck， Robert K. Yin’s Case Study Research Design and Methods （2014）， Canadian Journal of Program Evaluation， 2016， 30（1）， p.282.

（26） Eisenhardt M. Kathleen， Graebner E. Melissa， Theory Building from Cases： Opportunities and Challenges， The Academy of Management Journal， 2007， 50（1）， pp.25-32.

作者简介：秦臻，华中农业大学经济管理学院副教授，湖北武汉，430070；谭英东，华中农业大学经济管理学院，湖北武汉，430070；郑晗，华中农业大学经济管理学院，湖北武汉，430070。

（责任编辑 赵 亮）