1. Nanjing Audit University, Jiangsu 211815 , China；
2. College of Economics and Management, Nanjing University of Aeronautics and Astronautics, Jiangsu 211106 , China；
3. School of Economics and Management, Shanghai Institute of Technology, Shanghai 201418 , China；

Abstract

Based on organizational difference perspective, this paper studies the influence of organizational proximity on knowledge transfer and innovation performance of Industry-University-Research collaborative partners. Using a survey of 328 enterprises, the empirical analysis shows that: (1) organizational proximity has a significant role in promoting Industry-University-Research collaborative innovation performance; (2) knowledge transfer plays the mediating role of this relationship as the key mechanism; (3) big data adoption positively moderates the mediation effect, that is, big data technology can effectively realize knowledge transfer among partners and improve innovation performance. This study not only enriches the theoretical and empirical research in the field of Industry-University-Research collaboration, but also provides guidelines for the governments, enterprises, and institutions.

随着技术复杂性、不确定性的快速提升以及新技术的不断涌现，企业依靠自身能力进行独立创新受到了极大挑战，必须要以更加开放的姿态，积极地寻找外部资源合作创新来提升创新绩效，维持竞争优势（Cassiman和Valentini, 2016；Lin et al., 2018；蔡万刚等, 2016; 刘和东, 钱丹, 2016；杨莎莎等, 2018）。作为重要的战略联盟形式和合作创新模式，产学研合作是企业和高校科研院所获取互补性资源、共享技术和知识的主要渠道（马文聪等, 2018）。这种双赢模式的合作便于合作各方整合优势，创造新知识、开发新技术，既是企业提高技术能力、形成核心竞争优势的捷径，也是高校科研院所科技成果有效转化的平台，更是政府提升产业竞争力、推动区域经济发展的有力手段（Kim和Lee, 2016；Sherwood和Covin, 2008；高宏伟等, 2018；何郁冰, 2012）。

多年来, 产学研合作一直是全球科技创新管理学界的重要研究问题之一（Fontana et al., 2006；Rajalo和Vadi, 2017；高宏伟等, 2018），如何完善以企业为主体、以市场为导向和资源配置手段、产学研相结合的技术创新体系，有效提升产学研合作创新绩效更是亟待解决的现实问题（李玲, 2011；李扬等, 2017；仲伟俊等, 2009）。现有研究表明：在产学研合作创新中，各参与主体通过整合和利用互补资源、加强相互协作来实现价值共创（傅利平等, 2013）。这种合作需要协调相互的关系使所有合作主体形成利益共同体，并能从价值创造的过程中获益。但是由于组织具有异质性，在组织形式、盈利模式乃至合作观念等方面都会有所不同。这些差异不仅造成了各个主体之间追求目标的不一致，还容易导致信息失真而限制合作的行动模式。当合作各方的异质性较大时，会导致协同共创动力的削弱以及主动参与合作意愿的降低，进而对产学研合作创新产生不利影响（Eden et al., 2008）。因此，如何有效克服产学研合作主体间存在的内生性风险与障碍，推动高等学校、科研机构与企业之间的知识转移，对于培育参与方的自主创新能力具有重要的战略意义（Bruneel et al., 2010；王丽平和栾慧明, 2019）。

基于此，本文基于组织差异性视角，使用实证研究方法，同时考虑产学研合作方的组织邻近，引入组织的大数据采纳作为调节变量和组织间的知识转移作为中介变量，探究组织邻近影响产学研合作创新绩效的作用机理，以现实证据辨识出推动产学研合作创新绩效提升的途径，丰富科技创新管理的理论研究。

二、 文献综述与研究假设

组织邻近（Organizational Proximity）是指组织主体间特性（包括组织结构、组织文化、组织所受的制度约束、组织所处的社会关系与地位等维度）的相似性程度（Villani et al., 2017； 李琳和杨田, 2011）。它表征了组织在一个框架内被规则和程序连接起来的程度（Torre和Rallet, 2005）。

对于产学研合作创新来说，共同的知识是将合作主体相互联系起来进行交互学习和知识创造的基础，而组织邻近则是协调拥有不同知识主体之间知识交互的机制（Broström, 2010; Petruzzelli, 2011）。一方面，具有高组织邻近的合作双方往往因遵循共同的行为准则或者惯例，由此引发的共同归属感能促进彼此间的交互合作。另一方面，高组织邻近的合作双方往往有近似的表达系统，例如：共同的语言表达、理解方式、知识基础以及信念，这种相似的行为逻辑也能促进相互的沟通、理解与合作（王丽平和栾慧明, 2019）。同时，共同的信念与认知减少了对规则理解的歧义或误解，使通过规则的落实行动更有效率，沟通更加顺畅；而建立在相似行为逻辑基础上的合作大大减少了对正式规则的需求，促成合作的推进（Steinmo和Rasmussen, 2016）。对于低组织邻近的合作方来看，由于组织功能、目标、文化等方面的差异，一方面容易在合作过程中产生沟通和协调方面的认知障碍，另一方面还会催生较高的道德风险和逆向选择风险。如果缺乏有效治理机制，这些潜在的障碍和风险往往阻碍企业真正实现有效的知识学习和技术能力提升，而使合作徒有虚表（Hemmert et al., 2014; 刁丽琳和朱桂龙, 2015）。组织邻近降低了合作的不确定性和机会主义行为，从而提升产学研合作的创新绩效，保障知识从科学场域向经济场域的顺利转化。因此，可得到假设1为：

H1：组织邻近和产学研合作创新绩效显著正相关。

从知识管理的角度看，产学研合作是一个企业和高等院校、科研机构之间的知识转移过程（Lee, 1996；傅利平等, 2013）。这种知识转移包括显性知识和隐性知识两种不同类型知识的转移。因此，要提升产学研合作创新绩效，就需要通过合理的计划制定和制度安排，便利学校、科研机构和企业开展有效交流、沟通和合作，实现显性知识和隐性知识的共享、流动、吸收和应用（高霞等, 2018）。

显性知识可编码化，其知识内容和价值便于评估和衡量，其有效转移依赖于明确的约定和可惩罚机制；而隐性知识往往以口授、观察、隐喻、领悟等方式交流，其有效转移主要以自愿分享为前提，以良好的信任关系为基础（刁丽琳和朱桂龙, 2015）。高组织邻近的合作方一方面因为有共同的行为准则以及惯例，有利于产学研联盟成员构建良好的显性知识交流网络并约束偏离预定目标的行为，另一方面因为有相似的认知基础，有利于产学研合作成员之间显性知识编码的一致性，保障显性知识转移的高效率。对隐性知识而言，高组织邻近合作方的共同归属感可以增强相互信任，相似的行为逻辑则能显著提高知识的有效吸收率，组织邻近能显著改善产学研合作成员之间的知识转移。高效知识转移的结果往往能促进知识的学习与成果的产出，实现多元主体的协同创新效应（Fontana et al., 2006;高霞等, 2018）。因此，可得到假设2为：

H2：知识转移中介了组织邻近和产学研合作创新绩效之间的关系。

产学研合作是参与主体之间实现资源共享、优势互补等战略目标而进行的以承诺和信任为特征的合作，他们通过知识转移，最大且最有效地利用知识资源以获取竞争优势（Etzkowitz和Leydesdorff, 2000），而技术的进步使这种合作有了全新的机遇（Akhtar et al., 2019; Braganza, 2017）。特别是随着信息技术的迅猛发展，大数据正成为推动企业效率提升和管理变革的强大力量，也大大提升了产学研合作的进程（El-Kassar和Singh, 2019; 蔡万刚等, 2016）。

大数据技术的特点，使知识的发现更迅速、存储更安全，组织之间的数据流动及沟通更加通畅，知识转移更快捷、更高效（李佳等, 2018）。具体而言，组织对大数据技术的及时采纳，能够通过知识的清晰化、编码科学化、共享快速化、吸收高效化来推动知识转移。首先，大数据的多样性，使得显性和隐形知识能以更丰富的方式呈现，方便接受方理解和吸收。其次，利用大数据技术对知识进行编码，能更客观、更准确地把知识数字化，减少知识传输过程的错误和干扰。再次，大数据技术的快速特点，能使知识快速地在合作主体间实现快速共享，广泛传播。最后，大数据技术以廉价的方式为组织提供了尽可能多的数据信息，加快了把外来知识或专有技术内化成组织能力的过程。大数据的采纳能使产学研合作方更有效地实现知识转移，实现知识溢出和协同创新，提升产学研合作创新绩效（Pauleen和Wang, 2017; Rothberg和Erickson, 2017）。因此，可得到假设3为：

H3：大数据采纳正向调节了知识转移在组织邻近和产学研合作创新绩效关系中的中介效应。

综上所述，本文的总体理论框架可见图1所示。

为了检验推导的理论假设，本文采用问卷调研的方法来获取实证数据。由于企业是产学研合作创新成果转化的主战场，其创新产出、经济效益以及成长速度能较好地表征产学研合作创新绩效，因此，选择长三角地区开展产学研合作的制造业企业为研究对象。制造业企业是国家经济发展的中流砥柱，但正面临产业升级和结构调整的严峻挑战，亟需通过创新实现可持续发展。从地域环境来看，长三角地区是我国制造业最密集，经济最为发达的地区之一，也拥有众多科研实力雄厚的高等院校和科研院所，具有较好的产学研合作土壤。因此样本的选择对于产学研合作创新的研究具有普遍的现实意义（Lin et al., 2018; 杨莎莎等，2018）。

在发放正式的问卷之前，研究人员先进行了探索性的实地访谈，根据访谈得到的信息来确定现实状况与理论模型是否吻合，从而为问卷设计提供指导框架。然后，在南京选择了6家开展过产学研合作的制造业企业进行问卷试填，根据反馈结果以及相关专家意见对问卷进行修订。为保证变量测量的效度及信度，本文选用了现有文献中使用过的成熟量表。问卷设计过程遵循了标准的程序和方法，将变量的测量题项打乱后放置在不同的主题模块下，防止被试者猜测出假设逻辑或潜在的构念，以此来减少共同方法偏差（Common Method Bias）（Podsakoff et al., 2003）。同时，问卷通过强调匿名和保密性、避免出现敏感性问题、使用中性措词及反向题项等措施来降低社会称许性偏差的影响（Lin et al., 2018）。

本研究一共发放了500套问卷，回收328套，剔除数据缺失的问卷20套，最终得到有效问卷308套，有效率为61.6％。从企业所有权属性来看，其中252家为私营企业，占问卷总数的81.8%；22家为国有企业，占问卷总数的7.1%；34家外资企业，占总数的11.0%。从企业人数规模来看，20人及以下占3.2％（10家），20~300人占27.6％（85家），300~1000占49.7％（153家），1000~5000人占13.3％（41家），5000人以上占6.2％（19家）。从企业年龄来看，创立时间1年以下占2.6％（8家），1~3年占15.3％（47家），3~5年占42.5％（131家），5年以上占39.6％（122家）。从企业近3年平均研发强度来看，1％以下占18.8％（58家），1％~2％占29.2％（90家），2％~3％占35.4％（109家），3％以上占16.6％（51家）。从所在企业的行业类别来看，机械设备占21.8％（67家），石油化工占12.3％（38家），电子制造占18.5％（57家），医疗制药占10.4％（32家），金属与非金属占14.6％（45家），食品饮料占3.2％（10家），纺织服装占3.6％（11家），木材家具占2.6％（8家），造纸印刷占2.9％（9家），其他产业占10.1％（31家）。

产学研合作创新绩效是产学研合作伙伴之间合作结果的最终体现。学者们应用了多种指标来评价组织间的合作绩效。为了能够体现产学研合作的直接产出（目标达成度）和间接产出（关系持续性），本文通过技术创新能力提高、合作满意度和关系稳定性3个维度测量产学研合作创新绩效，包括“研发速度获得显著提升”、“核心技能显著提高”等9个题项（李玲，2011；王丽平和栾慧明，2019）。该变量的Cronbach’sα系数值为0.86（>0.75）。

组织邻近反映了组织间特性的相似性，包括结构、文化、制度约束，社会关系与地位等维度上的相似性，本文通过测量产学研合作组织之间在目标、知识、文化、制度４个维度的相似程度来度量组织邻近，包括“我们与合作伙伴的组织文化差异”、“我们与合作方的知识背景和知识领域差异”等９个题项（王丽平和栾慧明，2019）。该变量的Cronbach’sα系数值为0.81（>0.75）。

知识转移表征了知识从一个载体转移到另一个载体的动态过程，通常包含了显性和隐性两类知识的转移。本文通过测量产学研合作组织之间可编码化的显性知识和难以表达的隐性知识的转移来度量知识转移的效果，包括从合作伙伴成功获取的“技术的不成文经验法则”、“技术质量控制的文件”等10个题项（Sherwood和Covin, 2008; 刁丽琳和朱桂龙，2015）。该变量的Cronbach’sα系数值为0.88（>0.75）。

大数据采纳表征了组织对大数据的采用和使用过程。为了反映大数据技术在组织环境的扩散，本文从组织对大数据技术的认知以及在产学研合作中的应用两个方面进行测度，包括“大数据分析帮助我们了解客户的购买行为”、“使用大数据分析是我们建立合作创新的主要重点”等6个题项（El-Kassar和Singh, 2019）。该变量的Cronbach’sα系数值为0.80（>0.75）。

为保证结论的可靠性，本文选择了一系列的特征变量作为控制变量：（1）企业年龄（根据企业的成立时间计算）；（2）企业所有制（是否国有控股，是否外资控股）；（3）企业规模（员工人数和资产规模大小）；（4）企业绩效（ROA和净利润）；（5）行业属性，共包含了机械设备、电子制造、石油化工、食品饮料、纺织服装、造纸印刷、木材家具、医疗制药、金属与非金属等10个行业类别（Lin et al., 2018; 杨莎莎等，2018）。

为排除同源方差的影响，本文计算了Harman's single-factor，数据显示未经旋转前的第一因子的解释度低于50%，可以基本排除可能的同源方差问题。同时，本文采用验证性因子分析（CFA）的方法来检验模型的拟合程度。计算得到的CFA参数指数为：Chi-square=687.92，χ ² /df=2.79，RMSEA=0.082，GFI=0.900，CFI=0.911，SRMR=0.041，同时，变量各题项所对应的标准化因子载荷均大于0.7，各潜变量的AVE值也均大于0.5。分析结果表示数据具有良好的聚合收敛效度。

四、 结果分析

为了检验理论假设H1，本文首先以产学研合作创新绩效为因变量，把组织邻近作为自变量和控制变量（企业规模、企业绩效、企业年龄、企业所有制以及行业变量）加入回归模型1，如表2所示。回归的结果显示，组织邻近和产学研合作创新绩效显著正相关（b=0.298， p <0.01），即组织邻近能够有效提升产学研合作创新绩效，假设H1得到验证。为检验假设H2，首先检验组织邻近对知识转移的影响，即把知识转移作为因变量进行回归（见表2中的模型2）。回归结果显示组织邻近和知识转移显著正相关（b=0.407， p <0.001），可以证明组织邻近提升了产学研合作组织之间的知识转移。为进一步检验知识转移在组织邻近与产学研合作创新关系中的中介效应，分析模型以产学研合作创新绩效作为因变量，知识转移作为解释变量（见模型3）。数据结果显示组织邻近和产学研合作创新绩效之间关系的回归系数大小和显著程度都明显降低（b=0.168， p <0.05），而知识转移与产学研合作创新绩效之间的回归系数显著（b=0.315， p <0.001），表明知识转移可能存在中介作用。进一步计算中介作用检验的Sobel统计量Z=4.36， p =0.00，即知识转移在组织邻近和产学研合作创新绩效之间扮演了中介变量的角色，因此假设2得到了验证。

为检验大数据采纳的影响，在模型4中，将大数据采纳放入回归模型中。如表2所示，在其他变量的关系保持不变时，大数据采纳与产学研合作创新绩效显著正相关（b=0.200， p <0.001），说明大数据采纳能有效提升产学研合作创新。为进一步验证大数据采纳的调节作用，在模型4中再引入组织邻近和大数据采纳的交叉项，结果显示大数据采纳正向调节了组织邻近和产学研合作创新绩效之间的关系（b=0.145， p <0.01）。为了排除共线性问题，乘积项计算时把两个变量中心化后再相乘。进一步，在模型5中，把知识转移作为因变量进行回归。大数据采纳与知识转移显著正相关（b=0.205， p <0.001），组织邻近和大数据采纳的乘积项也与知识转移显著正相关（b=0.107， p <0.001）。然后，将知识转移作为解释变量加入模型6，结果显示，知识转移的中介作用依然成立，而组织邻近和大数据采纳的乘积项对产学研合作创新绩效存在显著的影响（b=0.085， p <0.001），说明存在着被中介的调节作用。最后采用被调节的中介模型检验（Hayes, 2013；Lin et al., 2018），当大数据采纳分别为低（b=0.038，S.E.=0.011，95%C.I.=0.283–0.201），中（b=0.027，S.E.=0.013，95%C.I.0.=190–0.126），高（b=0.020，S.E.=0.009，95%C.I.=0.110–0.047）的时候，这种关系都显著，说明被调节的中介模型成立，因此假设H3得到了验证。

随着经济全球化和科学技术的快速发展，要提升企业的全球竞争力，必须加快建设企业为主体、市场为导向、产学研相结合的技术创新体系来推动企业持续创新。为了深入探究产学研合作创新的影响要素和作用路径，本文以进行产学研合作创新的制造业企业为对象，利用问卷调研方法研究了组织邻近、知识转移、大数据和预测分析与产学研合作创新绩效之间的关系。实证数据分析的结果表明：（1）组织邻近对产学研合作创新绩效有显著的提升作用；（2）知识转移扮演了中介变量的角色，是组织邻近到合作绩效关键的传递机制；（3）大数据采纳正向调节了这种中介作用，即企业及时利用大数据技术能够有效地实现合作伙伴间的知识转移和提升创新绩效。研究结果不仅丰富了产学研领域的理论和实证研究，还为提升政府、企业和学研机构的产学研合作产出提供了借鉴。

组织差异性视角认为，差异性大的组织之间往往存在认知、价值观等方面的冲突，进而易产生一定程度上的隔阂，导致沟通和协作的高成本问题，从而不利于合作创新的推进。因此无论是企业还是高等院校、科研院所，进行产学研合作都需要寻找有着类似规则和程序的组织，以降低不确定性和机会主义行为。同时，知识转移则在组织邻近与产学研合作创新绩效之间起到重要的桥梁作用，是关键的传递机制，因此在产学研合作的实践中合作方需要重视以知识活动为中心的互动学习过程，推动显性和隐性知识共享，避免重复性工作，以更高效的方式产出成果。本文还明确了大数据采纳在组织邻近与知识转移之间有显著调节作用。在大数据这一时代背景下，利用大数据技术能够使得产学研联盟合作主体间知识更为准确、便捷地清晰化、编码化，提高转移速度和内部化过程。

本文仍存在一定的局限性和值得深究之处：首先，采用问卷调查法，取得的是横截面数据，如能获取纵向的时间序列数据可以为本文的结论提供更为充足的证据。其次，测量主要依赖于被试者的主观判断，所得结果难免有偏差，未来基于客观数据的研究可以弥补问卷测量方法的不足。第三，所选取的对象为长三角地区的制造业企业，样本范围、数量不能完全体现目前我国企业的整体状况。同时，长三角地区拥有较为完善的配套设施和良好的创新环境，众多实力雄厚的高等院校和研究机构，企业经营理念也比较超前，未来应考虑扩大样本数量和企业范围来验证本文结论的普适性。