价值链中的上行知识流对供应商的促进作用——以汽车生产行业为例，本文主要内容关键词为：为例论文,作用论文,供应商论文,价值论文,链中论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
在管理实践中人们对知识越来越重视，知识基础理论(knowledge-based theory)逐渐发展起来，该理论认为知识是企业最重要的资源，企业被看作有效传递和创造知识的社会机构[1]，企业的竞争优势来自于组织网络中高效配置知识而带来的知识经济性[2]。经典的研究强调来自企业内部的差异化的、难以模仿的资源和能力是企业取得竞争优势的关键[3][4]，但是后来学者们注意到了企业外部资源的巨大潜力[5][6]。企业外部知识来源繁杂多样，其中价值链上下游企业是非常重要的知识源。
企业对待价值链伙伴的态度有很大的转变，以往把他们看作竞争对手，而后来为了应对越来越激烈的全球化竞争，逐渐把他们当作商业伙伴。经典的经济学和管理学研究都阐明了上下游企业之间存在较强的互补性[7][8]，具有紧密地相互依赖关系[9]，且常在业务和技术上有重叠[10]，这些特点都表明上下游企业之间存在“天然”的联系，那么一方需要另一方的资源来提升自己的竞争力。
下游对上游的作用非常重要，比如广泛开展的“领先用户(Lead user)”的研究说明了下游企业对上游企业的创新活动有非常显著的影响[11][12]。另外，一些系统讨论企业外部知识源的研究也指出了下游伙伴的重要性，比如Laursen和Salter对英国的制造业进行的问卷调查显示，16%的受访企业认为下游用户是最重要的外部知识源，居所有外部知识源之首[13]。
知识沿价值链向上流动（本文称其为“上行知识流”）不仅能够培养和提升上游企业的能力，还能反过来提升下游企业绩效[14][15]，所以价值链中上行知识流是非常重要的管理问题，但遗憾的是，目前还没有学者系统、严格地检验上行知识流对上游企业创新的促进作用。
本文旨在讨论下游是否是上游非常重要的知识来源，即检验与其他外部来源相比，下游伙伴的知识对下游更具促进作用。对这一问题的验证是价值链上下游企业知识传递和共享研究的理论基石，有助于该领域的进一步研究。
1 相关研究回顾
随着企业界对知识的重视程度越来越高，理论界开始关注知识管理研究，早期的研究集中在企业内部，随着研究深入，研究者发现企业竞争力的提升很大程度得益于对外部知识的获取和运用[16-18]，运用外部知识可以有效提升企业内部的知识创造水平[19]。
由于有组织壁垒的阻碍作用，组织之间的知识流动较组织内部知识流动困难，成本也更高，所以组织之间的知识流动一定是以接受方的知识需求为先决条件的，而这种知识需求又是建立在双方的相互依赖基础上的[20]，所以相互依赖的主体之间知识流动较频繁。
在价值链上下游企业之间存在非常紧密的相互依赖关系，所以上下游企业之间的知识传递和知识交换是非常重要的议题[21][22]。其中“下行知识流动”（即上游向下游的知识流动）得到广泛的研究，比如Hult等论证了企业从供应商处获取知识可以有效缩短运作周期，从而加速供应链运作、增加企业市场份额[9]。Done和Frohlich发现企业获取供应商知识可以更有效地控制库存[23]。Takeishi证明了企业适当获取供应商知识可以显著提升产品设计质量[10]。Malhotra证实企业获取并运用供应商的知识不仅可以提升企业的运作效率，而且可以提升企业的知识创造力[24]。
在价值链上另外一个方向的知识流动，即“上行知识流动”（下游向上游的知识流动）同样非常重要，Kotabe等人验证了汽车生产行业中零部件供应商从汽车生产商获取技术知识可以有效提升供应商的绩效，比如缩短提前期、提升产品质量、提升产品设计和过程设计[25]。“上行知识流动”不仅可以使上游企业获益，还可以最终使知识的输送者，即下游企业获益，Dyer和Hatch用丰田和戴尔的例子说明了优秀的企业通过与供应商组建知识交流网络向供应商传授知识，并最终使自己获得竞争优势[14]。Dyer和Hatch的另一项实证研究发现丰田公司在美国市场上比他的竞争对手（通用、福特、克莱斯勒）更有效地与供应商交往，向供应商提供技术知识，结果是使得供应商处理丰田的相关业务更加高效，零部件质量更高，从而提升了丰田的竞争地位[15]。
总结以上文献回顾，“上行知识流”可以对上下游企业都有促进作用，因此这个方向的知识流动是非常重要的。但是现有的研究讨论的是上行知识流对主体的运作绩效的提升，而没有验证它对上游企业的知识创造水平的促进作用，对这一问题的研究是很重要的，由于知识是企业最重要的资源，知识创造能力是企业赖以存在和发展的最重要的能力，所以讨论对上游知识创造水平的促进作用是非常重要的；由于运用外部知识最直接的作用就是提升企业的知识创造水平，所以对这个问题的研究衔接了知识运用与企业绩效，指出运用下游知识是企业受益的中间环节，并为进一步的系统分析打下基础；对这一问题的研究还可以检验下游企业作为知识源对上游企业创造活动的重要意义。
2 理论发展
价值链上下游企业之间存在非常紧密地相互依赖关系。依据Thompson的经典论述，事物之间存在三种形式的相互依赖关系：①合并的，每一方不必有直接的联系，但是都为他们所属的整体做出贡献，一方所做贡献大小有赖于另一方的贡献；②序贯的，一方的输出是另一方的输入；③互惠的，双方互以对方输出为输入，这三种依赖关系依次增强，序贯的一定是合并的，互惠的一定是序贯的[26]。上下游企业之间的业务至少存在序贯的相互依赖关系，近年来，随着上下游企业的合作进一步加深，有些企业之间发展出互惠的相互依赖关系[9]。
上下游企业之间的相互依赖关系导致他们在创新中需要获得并运用对方的知识，知识与业务是对应的，特定的业务需要特定的知识，既然上下游企业在业务上存在紧密的相互依赖关系，那么双方的知识也存在一定的互补性。这一点在Carlile的研究中得到佐证，他发现当不同组织之间的依赖性越强时，双方交换知识的愿望越强烈，传递知识付出的努力越大[20]。所以上下游企业之间的合作不仅表现为频繁的物流，还表现为大量的知识流[27]。
在知识流动中，上行知识流是非常重要的流向。下游更加接近终端市场，比上游更了解终端用户的需求，一般情况产品的创新方向是由下游来确定的，然后向上拉动上游企业开展创新。上游企业很难对终端用户的需求和偏好做出正确判断，他们的知识创造活动往往是依据下游的技术要求而开展的。所以上游在创新中处于相对从属地位，以自己的创新服务于下游的创新，那么上游在创新活动中需要运用下游的知识，提高创新的质量。
Takeishi对汽车生产行业的研究发现虽然上下游企业执行的任务是不同的，但是由于他们任务的关联程度较高，一方往往（特别在创新时）需要拥有并保存对方的技术知识[10]，所以双方存在一定程度的知识重叠。在创新活动中，从生产商处获取并运用重叠的知识，可以充分参考并学习生产商的经验，提升自己的创新水平。
即便是对于不同种类的知识，供应商在创新中参考生产商的知识也是有所裨益的，这是由于双方业务上的相互依赖导致的双方技术上的关联性。比如Mikkola报道的一个案例能很好地说明这一点，她在调查克莱斯勒公司的创新活动时了解到一个失败的例子，当时克莱斯勒正在研发新一代切诺基大吉普，设计工程师希望改进以往的雨刷驱动器，就把这项创新任务交给了一个供应商，这项创新本身并没有太大的挑战性，所以双方均忽视了彼此在技术上的关联和调整，尽管在测试阶段这种新雨刷驱动器运转正常，但是把它装上新车后，在某个档位运行时，它会冒火花，而双方技术人员最终也没能解决这个问题，这项创新以完全失败而告终，失败的原因就是供应商在研发时忽略了与该部件有技术关联的其他部分的技术情况，没有在创新中正确参考运用生产商的知识，导致在部件与整车的接口上联接不畅[28]。
因此，我们预言越多运用下游知识的供应商越能够立即提升创新成果，即上行知识流的立即作用：
假说1：上游企业在当前创新活动中运用下游企业的知识越多，就能够创造出更多知识。
下游企业的知识对上游的促进作用不仅表现在假说1所述的立即作用（即当前运用，马上能有效果），还可以表现为延迟作用（即以往的运用会对以后产生影响），这种延迟作用描述的是一种培养的效果，重在对上游能力的提升，通过获取并运用下游知识提升了创新能力，即便以后运用下游知识不多了，也能有很好的创新成果。
因此，我们预言供应商以往越多运用下游知识，以后越能够提升自己的创新，即上行知识流的延迟作用：
假说2：上游企业在以往创新活动中运用下游企业的知识越多，就能够创造出更多知识。
3 实证设计
3.1 样本选择
本文选择美国汽车生产行业中的零部件供应商作为研究样本，在汽车生产行业中零部件供应商处于价值链的上游，汽车生产商处于价值链的下游，这符合本文研究的问题。之所以选择汽车生产行业，是因为该行业已经发展了一个多世纪，成为制造业的代表；并且该行业分工较清晰，上下游之间的区别较明显，有利于研究的开展；该行业经过一个世纪的发展，发展并利用了大量的高新科技，而且汽车生产是典型的复杂产品生产行业，知识创造是这个行业的重要活动，适于知识管理和创新方面的研究。选择美国汽车零部件供应商是因为美国是世界最大的汽车市场，世界上最具代表性的汽车生产商都在美国设有分支机构，美国的供应商与他们交往频繁，与他们之间更可能发生知识流动。
本文以专利数据为基础构建计量指标来度量供应商的创新成果和上行知识流。国际上创新经济和知识管理领域大量的研究采用专利数据作为计量工具[29]，专利数据之所以得到广泛的应用是因为专利数据库纪录翔实、编撰规范，并且容易获得。尽管专利计量方法有一定的偏差，但是以往很多专门研究发现这种偏差是可以控制在一定范围内的，也就是说专利计量的偏差仅仅是噪声，不会对最终的研究结果造成根本的影响[30]。对于汽车生产行业，Tseng和Wu的实证检验发现专利数据是非常好的度量创新成果的计量工具[31]。
为了选择研究样本，也就是确定美国的零部件供应商，我们分别查阅了Ward's business directory of U.S.private and public companies[32]，Directory of Multinationals[33]，Manufacturing USA[34]，Directory of corporate affiliations[35]，并且参考了标准普尔的Compustat数据库和Jaffe和Trajtenberg编撰的美国专利数据库中的企业目录，首先找出所有的汽车零部件供应商。由于我们要计量专利数据，所以还必须确定所选供应商发布过专利，按此条件在专利数据库中筛选，最终选取了58个零部件供应商。
我们选择的时间期为1985年到1996年的12年时间，Hall等人的研究发现从上世纪80年代中期到90年代中期，美国专利数据呈平稳上升趋势，在这一时期之外发展不稳定[36]，这种不稳定状态可能是由于宏观经济、国家政策、专利政策等发生变化引起的，为了排除这些因素的干扰，我们选择了1985年到1996年的时间期。
本项研究采用面板数据模型，基本检验单位是供应商·年，即每个供应商每一年的情况作为研究样本。
3.2 变量操作化
(1)供应商创新成果：PC
供应商创新成果是本文的被解释因素，参考以往的研究，我们用供应商成功申请的专利数量来度量这个概念。采用变量符号
来表示供应商i第t年成功申请专利的数量，数据来源是Jaffe和Trajtenberg编撰的美国专利数据库。
(2)自变量
为了定义供应商运用生产商知识的程度，我们基于专利引文数据构建计量指标。以往很多研究利用专利引文来表示企业之间或人员之间的知识流[29]，专利引文是一项专利文件中列出的在创新中参考的以往的专利，它表明了新知识创造过程中源于已有知识的情况，如果以企业为分析粒度，可以清晰地展现一个企业在创新中获取并运用其他企业知识的情况。专利引文不同于学术论文，所列出的参考专利需经过专利管理机构的严格审查，所以所列出的引文都是与本专利联系最紧密的专利，这能保证利用专利引文计量知识运用的严密性[37]。
为了表达来自汽车生产商的知识，我们还要确定汽车生产商，通过查阅上文所述的年鉴资料，我们确定了在美国生产经营的36家生产商，以他们截止到1996年成功申请的专利作为下游企业的知识源。
为了表达上游企业运用下游企业知识的“多少”程度，我们从两个角度度量这一概念。一是运用下游知识的“绝对量”，即从纯粹的量的角度去度量；另外我们还度量上游运用下游知识的“相对量”，即运用下游知识占所有运用知识的比例。前者关注的是下游知识对上游创新的促进作用；后者更是比较了下游作为上游的知识源，与其他知识源相比，对上游创新的促进作用，这更加凸显了下游知识的重要性。
①运用下游知识的“绝对量”：CC和PCC
直接采用专利引文数量表示这种“绝对量”。供应商i第t年运用汽车生产商知识的绝对量表示为该供应商在该时期成功申请的专利中引用汽车生产商专利的次数，用变量符号
表示。比如，零部件供应商Eaton Corporation在1985年申请的专利中共引用汽车生产商（限定为我们确定的36家生产商）的专利38次，则Eaton Corporation在1985年的CC值取为38。
在假说2中，我们需要检验以往运用下游知识对上游的影响，为了表达以往运用下游知识的概念，我们参阅了有关创新的时间维度研究[38][39]，最终确定用向前推5年的方法，即用t-5至t-1年运用的下游知识表示“以往运用下游知识”这一概念，这是因为以往相关研究说明了超过5年的引用对以后创新的影响极小。我们用符号
表示这个概念，定义为：
④供应商的自引用率：self_citation
⑥供应商的专利影响力：patents_performance
不同供应商由于能力和技术门类不同，发布专利的影响力有所差别，为了减少这种差异的影响，引入控制变量
表示为供应商i在12年期中的所有专利平均被以后的其他专利引用的次数。这是一个企业级的变量，即对供应商i在每一年的改变量值是恒定的。
⑦供应商的技术散布：technological_diversity
企业涉猎的技术范围对其创新有较大的影响，有研究表明企业涉猎技术范围广，可以在不同技术的边界上培育出高水平的创新成果[43]，为了排除这种影响，应当控制该因素。我们参考Almeida和Phene采用的度量方法[39]，定义改变量为：
⑨供应商的研发投入：R&D_intensity
企业创新的成果会受到投入的影响，
表示为供应商i第t-1年研发费用(R&D_spending)除以供应商i第t-1年的销售额(sales)，然后取自然对数，之所以采用t-1年的，是因为研发投入常常要一年后才有效果。
3.3 检验方法
由于本文的因变量(PC)是计数变量，取值为非负整数，所以应当采用计数回归分析技术。我们的样本为面板数据型的，结合了截面数据（不同供应商）和时间序列数据（不同年份）的特征，应当采用面板数据分析方法。
综合这两方面的特征，本文的检验问题适用针对计数变量的面板数据分析技术，这在专利数据分析中是常用的方法，Hausman等人对这项技术作了深入研究[44]，由于专利数据研究中会出现很严重的过离散（方差大于均值）现象，所以不宜采用泊松回归分析，而应当采用泊松回归的扩展形式：负二项回归模型[42]。本文采用针对面板数据的负二项回归检验方法。
4 检验结果
为确保检验的鲁棒性，我们对面板数据的随机影响作用和固定影响作用均做了检验。随机影响作用假定未观察到的影响因素与模型自变量相互独立，而固定影响作用允许未观察到的恒定差异可以与因子相关。具体的解释参考Hausman等[44]和Wooldridge[45]的相关论述。
我们的控制变量中最后两个：firm_size和R&D_intensity的数据（Sales和R&D_spending）从标准普尔的Compustat数据库中获得，但是由于样本供应商中大多数规模较小，在该数据库中没有记录，所以我们首先进行的检验不包含着两个变量，在取得初步结果的情况下，再用所有出现在Compustat数据库的样本供应商对结果作检验。
表1报告了固定作用的检验结果；表2报告了随机作用的检验结果。
在表1中，首先在基础模型（模型f0）中引入5个控制变量，发现knowledge_stock、technological_value、patents_performance、self_citation、technological_diversity这5个变量对供应商的PC有显著的影响，这进一步巩固了前人的结论。
表1中的模型f1和模型f2是检验“当前运用生产商知识的绝对量”对“供应商创新成果”的影响。在模型f1是在模型f0的基础上加入了变量simultaneous_citation（当前供应商引用总量），在加入这个变量之后，控制变量knowledge_stock的作用不再显著，这说明这两个变量之间有可能存在很高的相关性，经检验确认，在进一步的检验中除去knowledge_stock变量，检验结果与模型f1检验结果一致。在模型f1的基础上加入第一个解释变量CC，模型f2检验结果显示该变量显著（该变量回归系数在5%的水平上显著，模型f2比模型f1对PC的解释有显著的提升）。所以我们得到“当前运用生产商知识的绝对量”与“供应商创新成果”之间存在显著的联系，即供应商在创新中运用生产商知识的绝对量越大，对自己的创新成果越有促进作用。
表1中的模型f5则检验了“当前运用生产商知识的相对量”对“供应商创新成果”的影响。由于在模型knowledge_stock与simultaneous_citation之间存在显著的正相关性，并且模型f5中的解释变量INDEX考虑到了运用其他知识源知识的情况，所以在该模型中不包含控制变量simultaneous_citation。检验结果显示INDEX的影响非常显著（该变量回归系数在1%水平上显著，模型f5比模型f0对PC的解释有显著的提升）。所以，“当前运用生产商知识的相对量”与“供应商创新成果”之间存在显著的联系，即供应商在创新中运用生产商知识的比例越大，对自己的创新成果越有促进作用。
综合上述两个检验，可以验证假说1“上游企业在当前创新活动中运用下游企业的知识越多，就能够创造出更多知识。”是合理的。
表1中的模型f3和模型f4检验“以往运用生产商知识的绝对量”对“供应商创新成果”的影响。与模型f1和模型f2的检验结果类似，我们验证了变量PCC对被解释变量PC有显著的解释作用（该变量回归系数在1%水平上显著，模型f4比模型f3对PC的解释有显著的提升），说明“以往运用生产商知识的绝对量”与“供应商创新成果”之间显著关联，即供应商以往运用生产商知识的绝对量越大，对自己的创新越具有促进作用。
模型f6检验了“以往运用生产商知识的相对量”对“供应商创新成果”的影响。结果显示变量PINDEX显著（该变量回归系数在1%水平上显著，模型f6比模型f0对PC的解释有显著的提升）。说明“以往运用生产商知识的相对量”与“供应商创新成果”之间存在显著的联系，即供应商以往运用生产商知识的比例越大，对自己的创新成果越有促进作用。
综合上述两个检验，可以验证假说2“上游企业在以往创新活动中运用下游企业的知识越多，就能够创造出更多知识。”是合理的。
表2报告了随机作用的检验结果，与表1的结果一致，说明了结果的鲁棒性。
为了进一步检验结果的鲁棒性，需要引入控制变量firm_size和R&D_intensity。这两个变量的相关数据来自标准普尔的Compustat数据库。在该数据库中，只包含了我们样本中的15个供应商的数据，我们就用这15个供应商12年的数据做进一步的检验。
由于样本量缩减，为了防止自变量之间的多重共线性情形，我们对自变量之间的相关系数作了检查，发现knowledge_stock与firm_size之间有很强的正相关性，technological_diversity与firm_size和R&D_intensity之间都有较强的正相关关系，所以在新检验中除掉knowledge_stock与technological_diversity两个控制变量。由于运用生产商知识的“绝对量”和“相对量”的检验结果一致，我们只报告了“相对量”的结果；由于随机作用和固定作用检验结果一致，所以只报告了随机作用检验结果。验证结果如表3。
上述检验结果与表1、表2的结果一致，显示在引入控制变量firm_size和R&D_intensity之后，两个解释变量对被解释变量有显著的解释作用，所以我们得到结论：假说1和假说2的论述是合理的，零部件供应商无论是当前还是以往运用汽车生产商知识，对自己的创新活动都有显著的促进作用。
5 讨论和未来研究方向
本文以美国的汽车生产行业作为研究样本，讨论了价值链上游企业运用下游知识对其创新成果的促进作用，我们分别分析了两种促进作用：(1)立即作用，即当前运用，马上产生效果；(2)延迟作用，即以往运用，之后产生效果。
立即作用揭示的是运用下游知识对上游产生的直接影响。供应商在创新过程中，面对技术困难，需要运用已有知识解决问题，在这里运用的知识是直接针对问题的。我们的检验结果显示：供应商在创新中运用下游知识越多，自己的创新成果越大，这说明了上下游企业之间在技术上存在十分紧密的联系，下游的知识有助于解决上游企业的技术难题。更重要的是我们引入表示运用下游知识的“相对量”的变量INDEX，它度量了供应商在创新活动中运用下游知识（占他所运用的知识）的比例，结果显示下游伙伴是供应商非常重要的外部知识来源，从供应商获取的知识越多，供应商创新成果越大，这进一步说明了下游知识（相对于其他来源知识）更能解决供应商遇到的技术难题。
延迟作用揭示的是运用下游知识对上游产生的间接影响，它更强调对供应商解决问题的“能力”培养。当供应商遇到技术难题时，他会求助于外部知识，把这些外部知识运用于创新之中。当问题解决之后，这些运用外部知识的宝贵经验被保留下来，这些宝贵的经验会潜移默化地转化为一种能力。当以后遇到同类或类似问题时，这种能力成为有效的解决问题的利器，这时不再需要像以往那样搜寻、获取、直接利用外部知识，而是利用这种获得的能力来解决问题。下游知识对供应商创新有明显的延迟促进作用，特别是我们对“相对量”PINDEX的验证，揭示了运用下游企业的知识（相对于运用其他来源的外部知识）更能转化为供应商解决问题的能力。
综上所述，本文的研究强调了下游知识对供应商的重要意义，供应商在创新中运用下游企业知识不仅能够马上获得直接的帮助，还能通过运用下游知识使自己获得能力提升。
在检验中，我们发现在引入变量PINDEX的模型比引入变量INDEX的模型的解释力要强一些，这个现象在三个表中均有表现。这是否说明下游企业知识对供应商的延迟促进作用比立即促进作用更强？对这个问题的研究可以揭示下游企业对上游企业能力培养的重要意义。但是在本文的研究框架下还不足以对此问题展开研究，需要在未来的研究中仔细区分两种促进作用的着力点，即分别对供应商哪一类的知识具有促进作用？对供应商哪一类的创新具有促进作用？在对这些问题作了回答之后，才能分析延迟作用究竟对供应商有怎样的促进作用，进而指导企业科学合理地运用下游知识。
本文对价值链中上行知识流的作用作了较为系统的分析与检验，但是仍然存在一些不足，希望在未来的研究中得到完善。
从理论上来讲，我们的分析框架考虑的是价值链上下游关系，是一种较为宏观的视角，进一步的分析需要聚焦到微观的关系，比如单个供应链上游企业之间的关系，可以研究一对一的企业关系，并且可以研究企业关系的独特性（联盟关系、技术关联关系、社会关系等等）对运用知识作用的影响。
从实证方法上来讲，本文采用的是利用专利数据的计量方法，这是一种典型的“二手数据”研究方法，这种方法经过学者们近半个世纪的发展，是能保证其严谨性的。但是，为了从多个侧面检验问题，进一步的研究需要采用其他实证检验方法，比如问卷调研、深度访谈、现场调查等方法，对本文的结论作进一步证实。
本文采用的样本来自美国，这是因为美国汽车生产行业具有很好的代表性，并且美国企业的数据更加详实且可获得性好。但是应当看到，中国企业的环境与美国有所不同，未来对中国企业在这一问题上的研究需要总结并结合中国环境的特点。