摘要：科学评价成员企业的知识贡献度，可以有效地激励联盟企业中的知识共享并进行合理的利益分配。由于知识本身的复杂性，知识贡献度难以度量，因此基于网络租金理论将影响知识收益的知识分为专用性知识和专有性知识，然后通过层次分析法将众多评价因素分成核心能力、资源投入、努力程度和风险系数几个方面，计算得出各指标权重。结合模糊综合评价法，完成定性指标的评价，最终得到各个成员的知识贡献度分配比例。
关键词：层次分析法；模糊评价法；联盟企业；知识贡献度；知识共享；知识收益；专用性知识；专有性知识
中图分类号：F270 文献标识码：A 文章编号：1007-2101（2015）04-0077-05
当前，越来越多的企业选择与别的企业或机构结成联盟，通过战略联盟、R&D联盟、知识联盟等形式获得互补性资源，达到增强企业竞争优势的目的。联盟企业中有效的知识共享，更有助于企业获取知识资源，赢得竞争优势。而现阶段，联盟企业之间在知识共享方面明显缺乏动力，主要原因在于知识共享能力的差异，知识共享风险较大，知识本身的模糊性和隐性，以及缺乏有效激励[1]。没有利益的驱动，企业很难把自己掌握的知识拿出来和别人分享。为了激励企业共享知识，依据联盟伙伴的知识贡献度进行知识收益的分配是一个有效的途径。但是联盟合作过程中，成员企业的知识贡献往往难以量化，这就给科学地评价联盟伙伴的知识贡献度带来了难度。
一、文献回顾
目前文献对知识贡献度的研究集中在员工对企业的知识贡献度，专门研究联盟企业中某个成员的知识贡献度较少。李颖[2]阐述了影响供应链研发利益联盟的影响因素包括知识创新能力因素、知识生产成本因素、联盟风险因素和工作努力水平因素四个方面，但未做进一步计算。余呈先等[3]利用微分方程对知识联盟的知识收益分配契约进行分析，得出知识联盟的最优分配系数是与知识贡献系数以及自身创新成本系数有关，但此方法需要先获得知识贡献系数。李纲[4]、石书玲[5]、唐登莉等[6]均提出基于Shapley值的知识联盟收益分配方案，即以“失去”某联盟成员造成的联盟损失来衡量该成员对联盟的贡献，并根据成员对联盟所做的边际贡献来划分联盟收益，但需要先计算得出每个成员单独利用知识创造的收益以及任意组合获得的收益。王珊珊等[7]从R&D联盟伙伴重要程度、资源投入、努力程度和任务完成水平四个层面构建了伙伴贡献的评价指标，设计了基于投影寻踪方法的联盟伙伴贡献度评价流程与方法，所得指标权重具有客观性，但其得到的是各合作伙伴贡献的相对比较，并不是贡献分配比例。龙跃[8]针对竞争性联盟中知识共享与利益分配的矛盾，引入联盟分配权机制，建立了基于Cournot模型拓展后的企业利润均衡模型，并基于贡献程度对收益分配进行协调，但未说明如何计算知识贡献程度。胡平波[9]研究网络组织合作创新中知识共享及利益协调机制，着重分析了网络组织知识共享的影响因素，并基于BP神经网络评价网络组织知识共享效率。王玉东[10]指出联盟成员的利益分配与成员所承担的风险、所投入的资本及他们的工作成效系数密切相关，并且成正比关系。Rebecca Mitchell等[11]对组织知识创造的测量方法做了综述，指出组织创造出的知识应从过程、产出、结果三个方面去衡量。
综上所述，目前文献均未明确提出如何度量联盟企业知识贡献度的算法，而知识贡献度的计算又直接关系到联盟收益的分配，因此知识贡献度的计算显得尤为重要。如何全面准确地度量联盟伙伴的知识贡献度和分配比例，是本文要研究的主要问题。
二、知识贡献度评价指标
（一）评价因素分析
组织存在的根本目的，即通过要素组合来获取最大化的交易收益，联盟企业知识贡献的目的就是为了帮助联盟获得知识收益。为了分析有助于联盟收益的知识贡献，应该从知识收益的角度来进行考虑。卢福财等[12]在网络租金理论中指出网络组织获得收益可以分解为两部分，一是交易成本的节约，二是交易收益的增加。同样运用网络租金理论来分析联盟企业的知识收益，也可分为知识交易成本的节约和知识交易收益部分。知识交易成本的节约主要表现在联盟组织的长期合作关系有利于市场知识交易成本的节约，同时有助于组织内部知识交易成本的节约。由于交易费用的下降，成员就会将更多的业务活动和与之相关的知识从企业内部分离出来，通过成员间专有性知识的互补效应、知识学习与创新的外部效应[13]，形成知识交易收益。在联盟企业贡献的知识中，专用性知识（只能用于特殊的用途）的贡献是节约更多的交易费用，专有性知识的贡献是形成了联盟组织的交易收益。而联盟企业所产生知识收益最主要的差异就是来自于组织中专有性知识的“异质性”。因此，专有性知识对联盟知识收益的贡献更大。
专有性知识，顾名思义，就是企业独有的知识，这些知识往往是企业核心能力的重要组成部分。企业在将这些知识用于联盟合作中，有些可能是完全贡献出来，成为显性知识在联盟中扩散出去，有些还是隐性知识并未公开，但对于联盟合作是有帮助的。因此，企业本身的知识存量是影响联盟知识收益的重要因素，即企业的核心能力主要表现为专有性知识。核心能力越强的企业在联盟合作中发挥越为重要的作用，对知识收益的影响也越大。余呈先等[3]指出应将成员企业核心能力的独特性和相对重要性作为成员企业对联盟知识成果的贡献系数。由于知识产权的归属问题，专有性知识中，对于重要的核心知识一般是选择保护，只有非核心的知识才可能使它流出组织外部。因此，在联盟知识共享中，企业需要界定其专有性知识的共享范围。企业在公开其内部机密知识的同时，往往会带来技术开发、技术外泄等各种风险，风险系数越高，伙伴承担任务的难度就越大，其成功率和收益就越缺乏保证[7]。所以，在各种联盟伙伴贡献度评价的研究中，风险均作为评价因素之一。
从节约联盟知识交易费用，即专用性知识的角度看，最主要的是有一个统一的知识共享平台。平台的提供首先需要相应资金的投入。另外，通过知识库的建立，将成员企业的显性知识、非核心知识以及联盟外部获得的公共知识和市场知识加以集成，使知识得以重组和复用。通过知识共享平台形成的公共资源，联盟企业就不用为获取重复的资源花费额外成本。 知识的贡献不仅包括投入，还包括产出，即通过联盟合作可能创造出新的知识，这也是知识贡献的一部分。同时，从联盟合作到产生知识收益需要一个长时间的过程，每个成员都有各自的分工，成员的表现以及各自任务完成的质量也直接影响到知识收益的获得。
（二）评价指标设计
结合前述分析，本文构建了联盟企业知识贡献度评价指标体系（见表1）。
1. 第一层指标。企业对联盟的知识贡献度应从这几个方面加以衡量，第一，企业本身的知识存量，即其拥有的核心能力，因为评价的目标是对联盟的贡献，所以应从其与整个联盟合作方向的关联性角度去考查；第二，企业对联盟的资源投入，主要用于知识共享和合作研发；第三，企业在联盟合作中的努力程度，体现了成员企业的知识创造过程和产出；第四，企业贡献知识所承担的风险的度量。
2. 第二层指标。企业的核心能力体现为与业务流程相关的能力，这里主要选取基于技术的核心能力、基于营销的核心能力和基于制造的核心能力。与研发和知识共享相关的资源投入体现为资金投入比例、知识员工投入比例以及共享知识库中的知识投入比例几个方面。企业在联盟合作中的努力程度通过三个因素来衡量，其中知识溢出水平表示合作过程中，某一联盟伙伴的知识向其他联盟成员扩散的程度[7]，使联盟成员接受并吸收；合作程度反映了伙伴与其他成员共享知识的配合度，是否存在不愿共享知识或窃取其他伙伴知识成果的现象；任务完成质量则体现了联盟企业的实际工作情况以及是否有新知识产出。企业联盟所面临的风险主要包括市场风险、合作风险和技术风险。合作风险是联盟中最普遍、最复杂的风险。它是指由于成员不完全合作的可能性以及由此带来的损失[14]。当联盟成员知识水平或者业务方向差别比较大的时候存在较高的合作风险。市场风险主要表现为由于需求的变动导致投资无法收回、核心技术受到模仿、竞争对手的大量涌现引起产品市场份额下降等。技术风险主要是指知识流失风险，企业无意中将自身核心技术或市场知识外泄，从而使企业竞争优势弱化。知识流失风险往往存在于这样一些情况：当企业所选择的伙伴比较有限；联盟要求其与合作伙伴分享核心知识和能力；合作伙伴与自己有相同或近似的业务[15]。因此，企业的知识溢出水平越高时，其承担的技术风险也越高。
三、基于层次分析法的评价模型
（一）层次分析法的提出
从上述分析可以看出，在对联盟企业知识贡献度进行评估时，需要从企业的核心能力、资源投入、努力程度、风险系数等方面进行综合评价，同时在每个方面还有下一级细分指标。由于研究对象考虑因素众多，需要将影响因素量化，将定性和定量相结合，并对决策对象进行权重排序和筛选。由美国学者T.L.Saaty提出的层次分析法（Analytic Hierarchy Process，简称AHP） ，是将一个复杂的多目标决策问题作为一个系统，将目标分解为多个目标或准则，进而分解为多指标的若干层次，通过决策者对指标的两两比较判断，算出层次单排序和总排序，以作为多指标、多方案优化决策的系统方法，因此是解决这一问题的有效方法。
（二）建立递接层次结构
联盟企业知识贡献度评价模型由自上而下的三个层次构成。其中最高层为系统的总目标层，只有一个要素，即联盟企业的知识贡献度；中间层为准则层，表示影响联盟获得知识收益的几个方面；最低层为子准层，即准则层的细分。因此评价指标是分成了两层（见图1）。
（三）确定指标体系权重
建立起层次分析模型后，需要确定每一层元素相对于其上一层元素的重要性程度，即权重。AHP方法采用同一层元素两两进行比较，并以数字1～9作为比较标度（见表2）。
根据层次分析法原理，基于网络租金理论，并征询有关专家学者、企业管理者的意见，构造以下判断矩阵。
准则层判断矩阵如表3所示。解得对应的特征向量为Wp={0.404，0.346，0.175，0.075}。最大特征根λmax为4.068，CR=CI/RI=0.022 6/0.9=0.025 1
子准层判断矩阵如表4、表5、表6所示。
通过资源投入I的判断矩阵解得对应的特征向量为Wi={0.443，0.17，0.387}。最大特征根λmax为3.016，CR=CI/RI=0.00 8/0.58=0.013 8
通过努力程度E的判断矩阵解得对应的特征向量为We={0.4，0.2，0.4}。最大特征根λmax为3，CR=CI/RI=0/0.58=0
通过风险系数R的判断矩阵解得对应的特征向量为Wr={0.582，0.109，0.309}。最大特征根λmax为3.0578，CR=CI/RI=0.289/0.58=0.049 8
准则层中，核心能力的判断比较特殊。联盟企业中各个成员都贡献自己的核心能力与专长，但是由于联盟合作的目标不同，不同的专长与能力对联盟的重要程度也不同，有的合作在市场营销方面是最关键的环节，有的合作先进的设备和独特的工艺流程较为重要，不能绝对地在各种核心能力中分出主次。另外，联盟的利益是各联盟成员提供的核心能力整合运用而形成的，联盟成员提供的核心能力对联盟越重要，对联盟利益的贡献越大，其分得的利益应该越多[10]。因此，各成员企业向联盟提供的核心能力对联盟知识收益的重要程度是影响知识贡献分配的重要因素。
假设该联盟由n家企业组成，各企业拥有的核心能力分别为u1，u2，…un，如表7所示。
同样运用层次分析法，对各企业的核心能力u1，u2，…un构造判断矩阵。聘请专家将各成员企业的核心能力对联盟知识收益的贡献做两两比较判断。此时求得的权重w1，w2，…wn即为各个企业核心能力的贡献系数。
表8得出每个单项指标相对于知识贡献度的权重。
