面临日益变化的外部环境，企业对核心技术的掌握和核心竞争力的提升越来越依赖自身拥有的关键知识资源以及在此基础上进行的原始创新活动。然而，由于技术复杂性的不断增加以及知识具有的分布性特征，使得拥有不同知识资源的各创新主体之间的相互依存度持续增强，当单一主体难以满足原始创新的各方面需求时，需要拥有分布性知识的创新主体共同合作，由企业主导与高校和科研机构共同完成原始创新过程，即企业合作型原始创新^[1]。虽然，合作型原始创新可以使企业与高校和科研机构实现资源互补、分担研发成本和创新风险，但是研究发现，只有不足50%的合作创新是成功的，而导致合作创新失败的最重要原因之一是合作伙伴选择的不适当^[2-3]。企业合作型原始创新模式中的核心主体是企业，而企业合作型原始创新的成功与否在于企业能否选择恰当的互惠共生伙伴。因此，加强对企业合作型原始创新互惠共生伙伴选择的研究对促进企业实施合作型原始创新模式、提高企业原始创新能力具有重要意义。

目前，关于合作伙伴选择的研究主要侧重2个方面：1)从影响因素方面进行研究，学者们认为合作兼容性、研发资源和财务状况^[4]、信任、承诺和互补性^[5]、共同的技术基础和文化的相容性^[6-7]等会影响合作伙伴的选择；2)从评价方法方面进行研究，如改进的遗传算法^[8]、直觉模糊集法^[9]、基于熵值法和层次分析法(analytic hierarchy process，AHP)组合赋权的灰色模糊评价法^[10]、基于微粒群算法和改进逼近理想解排序法(technique for order preference by similarity to ideal solution，TOPSIS)^[11]以及基于模糊评价法和改进TOPSIS法的合作伙伴选择模型^[12]。

“共生”概念是由德国生物学家德贝里^[13]提出，目前关于共生理论的研究已经逐步拓展到创新联盟和网络等方面。袁纯清^[13]借鉴生物学的共生概念及相关理论，构建社会经济学领域共生理论的基本框架；司尚奇等^[14]基于共生理论视角揭示研究机构和企业两者的合作共生机理；张雷勇等^[15]提出产学研共生网络的概念；王发明等^[16]阐释产业技术创新联盟的共生机制，并对焦点企业共生伙伴的选择进行博弈分析。

综上，合作伙伴选择存在一些待完善之处：1)现有研究多侧重于对企业间联盟合作的伙伴选择研究，而针对与企业进行合作型原始创新的高校和科研机构类伙伴选择研究较少；此外，关于共生理论的研究主要集中在对创新联盟和网络内主体间共生关系的形成，缺少从该视角对企业合作型原始创新的伙伴选择进行研究；2)已有研究的评价决策方法多数没有考虑评价指标之间存在相互影响的关系，而在该决策问题中某些指标之间是存在关联性的，而且决策者在评价候选伙伴时往往存在主观性和模糊性，很难获得精确数据进行评价，会对评价结果的客观性造成一定程度的影响。因此，本文基于互惠共生视角对企业合作型原始创新的互惠共生关系进行理论分析，并构建企业合作型原始创新互惠共生伙伴选择的评价指标体系，通过引入三角模糊数，运用模糊网络分析法(fuzzy analytic network process，FANP)确定指标权重，然后采用模糊TOPSIS法(FTOPSIS)对企业合作型原始创新互惠共生伙伴选择进行评价，最后通过算例分析验证该方法的可行性和有效性，以期为企业合作型原始创新互惠共生的伙伴选择提供借鉴和参考。

1 企业合作型原始创新互惠共生的理论分析与伙伴的指标选择 1.1 企业合作型原始创新互惠共生的理论分析

共生来源于生物学中的群落生态学，其三要素包括共生单元、共生模式和共生环境^[13]。共生单元也称作共生主体，是基本物质生成与能量交换的单位。共生模式也称作共生关系，是共生单元之间相互作用的方式，反映各主体间物质信息交流和能量互换的关系^[13]。共生环境是共生单元生存和发展的外部环境。

企业合作型原始创新是当企业只依靠其内部资源及自身能力而难以完成原始创新时，可以由企业主导与高校和科研机构合作以共同完成原始创新^[1]。其中，企业侧重应用基础研究领域的原始创新，以实际应用的新知识生产为主；高校和科研机构侧重纯基础研究领域的原始创新，以基础性新知识的生产为主^[17]。虽然2类原始创新各有侧重，但彼此间紧密相连，一般而言，后者的成果可以为前者提供创新源，反之，前者中产生的新知识也会为后者提供研究方向^[18]，进一步促进2类主体之间的合作。随着合作的开展，2类原始创新主体之间产生社会交互机制，通过知识资源在彼此间的流动形成互利互惠的共生关系，成为一个利益共生体。这种共生关系不仅可以整合企业与高校、科研机构已有的互补性资源，而且还可以激发彼此的边缘资源及其潜能，使其得到进一步的应用^[16]。而这种互惠共生关系形成的前提和关键在于企业能否选择恰当的互惠共生伙伴：1)选择互惠共生伙伴的首要原则在于有助于企业在原始创新方面提高自身能力，原始创新能力越强、与企业的匹配性越好且匹配成本越低的高校和科研机构越会被优先选择；2)互惠共生伙伴的选择是企业与高校、科研机构通过相互识别和认知，进而逐渐提高共生度的动态过程，彼此的互惠共生关系也会随着2类主体的发展以及外部环境的变化而改变。企业合作型原始创新互惠共生关系如图 1所示，图中箭头的指向代表物质、信息或能量的流向。

1.2 企业合作型原始创新互惠共生伙伴的指标选择

在企业合作型原始创新过程中，由于企业与高校和科研机构2类原始创新主体分别侧重于不同领域的原始创新研究，因此，企业在选择合作伙伴时会优先选择原始创新能力强、兼容度高、能够和企业产生互惠共生信仰、实现整体多利性的伙伴。在企业合作型原始创新互惠共生体中，质参量的变化通常会导致共生单元的突变，它是企业选择合作伙伴的重要依据，也是企业合作型原始创新成功与否的关键因素。将原始创新能力和兼容性看作是共生单元的主质参量，它在2类原始创新主体互惠共生关系形成中起到关键作用。1)从投入和产出两方面来评价高校和科研机构的原始创新能力，其中投入主要由研究人员数量和基础研究经费衡量，产出主要由被权威检索系统SCI、EI等收录论文数和自然科学奖衡量^[17-19]。2)兼容性反映的是企业与高校和科研机构的匹配程度，它可以有效避免冲突，有利于2类原始创新主体的融合，企业在选择合作伙伴时应考察高校和科研机构是否具有互惠性文化环境，以及该文化与企业互惠性文化的兼容性^[20-21]；此外，还应考察合作技术和原有技术的兼容性^[3]，兼容性越高说明高校和科研机构提供的纯基础研究原始创新成果正是企业所需要的；最后，还应考察2类原始创新主体目标的兼容性^[3]，这是一个利益共生体实现互惠共生的基本保证。3)2类原始创新主体的信任沟通程度也影响双方互惠共生关系的形成，包括以往合作经验、合作伙伴的声誉以及对利益分配和产权归属的共识^{[3, 22]}。4)高校和科研机构参与原始创新的合作意愿^[3]是企业合作型原始创新互惠共生的基础。企业合作型原始创新互惠共生伙伴选择的评价指标体系如表 1所示。

2 基于FANP-FTOPSIS的伙伴选择评价模型

由于企业合作型原始创新互惠共生伙伴选择的评价指标之间并不是相互独立的，而是存在相互影响的关系。如以往的合作经验会影响伙伴参与原始创新的合作意愿；被权威检索系统SCI、EI等收录论文数和自然科学奖与研究人员数量和基础研究经费之间也存在着一定关系等。另外，决策者在选择互惠共生伙伴的过程中往往存在主观性和模糊性，很难获得精确数据进行评价。因此，本文先采用FANP确定指标权重，在体现评价指标之间相互影响的同时减少指标权重确定过程中的不确定性；然后运用模糊TOPSIS法对企业合作型原始创新互惠共生伙伴选择进行评价。

2.1 三角模糊数

三角模糊数表示为$\tilde M = (l, m, u)$, 其中l≤m≤u, 隶属函数值为：

$ {u_{\tilde M}}(x) = \left\{ {\begin{array}{*{20}{c}} {(x - l)/(m - l), \quad l \le x < m}\\ {(x - u)/(m - u), \quad m \le x \le u}\\ {0, \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\mathit{x} < l\;或\;x > \mathit{u}} \end{array}} \right. $

(1)

当l=m=u时，${\tilde M}$是一个精确数。2个三角模糊数${{\tilde M}_1} = \left( {{l_1}, {m_1}, {u_1}} \right)$和${{\tilde M}_2} = \left( {{l_2}, {m_2}, {u_2}} \right)$的运算规则如下^[21]：

$ \begin{array}{l} {{\tilde M}_1} \oplus {{\tilde M}_2} = \left( {{l_1}, {m_1}, {u_1}} \right) \oplus \left( {{l_2}, {m_2}, {u_2}} \right) = \\ \left( {{l_1} + {l_2}, {m_1} + {m_2}, {u_1} + {u_2}} \right) \end{array} $

(2)

$ \begin{array}{l} {{\tilde M}_1} \otimes {{\tilde M}_2} = \left( {{l_1}, {m_1}, {u_1}} \right) \otimes \left( {{l_2}, {m_2}, {u_2}} \right) = \\ \left( {{l_1}{l_2}, {m_1}{m_2}, {u_1}{u_2}} \right) \end{array} $

(3)

$ (\lambda , \lambda , \lambda ) \otimes {\tilde M_1} = \left( {\lambda {l_1}, \lambda {m_1}, \lambda {u_1}} \right), \lambda > 0, \lambda \in {\bf{R}} $

(4)

$ \tilde{M}_{1}^{-1}=\left(l_{1}, m_{1}, u_{1}\right)^{-1}=\left(1 / u_{1}, 1 / m_{1}, 1 / l_{1}\right) $

(5)

2个三角模糊数${{\tilde M}_1} = \left( {{l_1}, {m_1}, {u_1}} \right)$和${{\tilde M}_2} = \left( {{l_2}, {m_2}, {u_2}} \right)$可以进行比较，${{\tilde M}_2}$≥${\tilde M_1}$的可能度为^[23]：

$ V\left( {{{\tilde M}_2} \ge {{\tilde M}_1}} \right) = \left\{ {\begin{array}{*{20}{l}} {1, \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{m_2} \ge {m_1}}\\ {0, \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{l_1} \ge {u_2}}\\ {\frac{{{l_1} - {u_2}}}{{\left( {{m_2} - {u_2}} \right) - \left( {{m_1} - {l_1}} \right)}}, \;\;\;\;其他\;} \end{array}} \right. $

(6)

设由n+1个三角模糊数构成集合为$\mathit{H}{\rm{ = }}\left\{ {\tilde M, {{\tilde M}_1}, {{\tilde M}_2}, \cdots, {{\tilde M}_n}} \right\}$，则$\tilde M \ge {\tilde M_1}, {\tilde M_2}, \cdots, {\tilde M_n}$的可能度为^[21]：

$ \begin{array}{l} V\left( {\tilde M \ge {{\tilde M}_1}, {{\tilde M}_2}, \cdots , {{\tilde M}_n}} \right) = \min \left\{ {V\left( {\tilde M \ge {{\tilde M}_1}} \right)} \right., \\ V\left( {\tilde M \ge {{\tilde M}_2}} \right), \cdots , V\left( {\tilde M \ge {{\tilde M}_n}} \right)\} \end{array} $

(7)

2个三角模糊数${{\tilde M}_1} = \left( {{l_1}, {m_1}, {u_1}} \right)$和${{\tilde M}_2} = \left( {{l_2}, {m_2}, {u_2}} \right)$之间的距离为^[24]：

$ \begin{array}{l} {d_v}\left( {{{\tilde M}_1}, {{\tilde M}_2}} \right) = \\ \sqrt {\frac{1}{3}\left[ {{{\left( {{l_1} - {l_2}} \right)}^2} + {{\left( {{m_1} - {m_2}} \right)}^2} + {{\left( {{u_1} - {u_2}} \right)}^2}} \right]} \end{array} $

(8)

2.2 指标权重向量的计算

1) 形成三角模糊判断矩阵。通过三角模糊数的定量表示，得到三角模糊判断矩阵$\mathit{\boldsymbol{\widetilde M}} = {\left[{{{\tilde M}_{ij}}} \right]_{n \times n}}$，其中${\tilde M_{ij}} = \left( {{l_{ij}}, {m_{ij}}, {u_{ij}}} \right)$是决策者给出的指标间相对重要程度的三角模糊数表示。

2) 综合各决策者的评价信息。假设共有K个决策者，第k个决策者给出的三角模糊数为$\tilde M_{ij}^k = \left( {l_{ij}^k, m_{ij}^k, u_{ij}^k} \right)$，采用简单平均法综合各决策者的评价信息：

$ \begin{array}{l} {{\tilde M}_{ij}} = \frac{1}{K} \otimes \left( {\tilde M_{ij}^1 \oplus \tilde M_{ij}^2 \oplus \cdots \oplus \tilde M_{ij}^K} \right) = \\ \frac{1}{K}\left( {\sum\limits_{k = 1}^K {l_{ij}^k} , \sum\limits_{k = 1}^K {m_{ij}^k} , \sum\limits_{k = 1}^K {u_{ij}^k} } \right) \end{array} $

(9)

3) 计算模糊综合程度值。

$ \begin{array}{l} {S_i} = \sum\limits_{j = 1}^n {{{\tilde M}_{ij}}} \otimes {\left( {\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {{{\tilde M}_{ij}}} } } \right)^{ - 1}} = \\ \left( {\frac{{\sum\limits_{j = 1}^n {{l_{ij}}} }}{{\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {{u_{ij}}} } }}, \frac{{\sum\limits_{j = 1}^n {{m_{ij}}} }}{{\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {{m_{ij}}} } }}, \frac{{\sum\limits_{j = 1}^n {{u_{ij}}} }}{{\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {{l_{ij}}} } }}} \right) \end{array} $

(10)

4) 由式(6)计算${S_i} \ge {S_j}(i, j = 1, 2, \cdots, 且 \;i \ne j)$的可能度$V\left(S_{i} \geqslant S_{j}\right)$，再由式(7)计算${S_i} \ge {S_1}, {S_2}, \cdots, {S_n}$的可能度$d\left( {{x_i}} \right) = V\left( {{S_i} \ge {S_1}, {S_2}, \cdots {S_n}} \right)$。

5) 计算指标的权重向量。根据得到的d(x_i)可知，指标的权重向量为${\mathit{\boldsymbol{W}}^\prime } = \left[{\begin{array}{*{20}{l}} {d\left( {{x_1}} \right)}&{d\left( {{x_2}} \right)}& \cdots \end{array}} \right.d\left( {{x_n}} \right){]^{\rm{T}}}$，将其归一化后可得$\mathit{\boldsymbol{W}} = {\left[{\begin{array}{*{20}{l}} {{w_1}}&{{w_2}}& \cdots &{{w_n}} \end{array}} \right]^{\rm{T}}}$，其中${w_i} = d\left( {{x_i}} \right)/\sum\limits_{i = 1}^n d \left( {{x_i}} \right)$。

2.3 基于FANP的指标权重确定方法

网络分析法(analytic network process，ANP)是AHP的泛化表示，它以网络形式取代层级形式，考虑了元素集之间以及元素集内部因素之间的相互作用^[25]。ANP将系统元素划分为控制层和网络层2大部分。其中，控制层由目标层和决策准则组成，决策准则只受目标层影响，彼此之间是相互独立的；网络层由所有受控制层支配的元素组组成，其内部是相互影响的网络结构^[23]。

FANP是将网络分析法和三角模糊数相结合的评估分析方法，具体分析步骤如下：

1) 构建评价指标体系，通过文献分析和专家访谈等方式确定评价指标之间的相互作用关系，形成企业合作型原始创新互惠共生伙伴选择评价的ANP网络结构图，如图 2所示。

2) 根据专家打分，通过对评价指标的两两比较，利用表 2的语言标度，构建模糊判断矩阵，运用简单平均法得到4位专家的综合模糊判断矩阵。其中，判断矩阵包括控制层的模糊判断矩阵、控制层对网络层的模糊判断矩阵以及网络层的模糊判断矩阵(因篇幅所限，本文只列出部分综合模糊判断矩阵作为示例，见表 3)。

3) 运用FANP法和Super Decisions(SD)软件确定各评价指标的全局权重，如表 4所示。

2.4 基于FTOPSIS的伙伴选择评价方法

TOPSIS法常用于解决多指标评价决策问题，其基本思路是：首先确定最佳和最差方案；然后分别计算各方案与最佳和最差方案的距离；最后以理想解的相对接近度作为评价标准^[21]。模糊TOPSIS法将传统TOPSIS法和三角模糊数相结合，具体步骤如下：

1) 规范化决策模糊矩阵。矩阵中元素e_ij由如下公式计算得到：

$ {\mathit{\boldsymbol{e}}_{ij}} = {\mathit{\boldsymbol{Y}}_{ij}}/\sqrt {\sum\limits_{i = 1}^n {\mathit{\boldsymbol{Y}}_{ij}^2} } $

(11)

式中：Y_ij为决策模糊矩阵的初始值，i代表第i个候选伙伴，j代表第j个评估指标。

2) 构建加权规范化决策模糊矩阵。根据FANP法确定的各评价指标的全局权重w_j，可以得到加权后的规范化决策模糊矩阵，即：

$ {\mathit{\boldsymbol{v}}_{ij}} = {\mathit{\boldsymbol{w}}_j}{\mathit{\boldsymbol{e}}_{ij}} $

(12)

3) 确定最佳伙伴和最差伙伴：

$ \begin{array}{l} {V^ + } = \left\{ {\tilde v_1^ + , \tilde v_2^ + , \cdots , \tilde v_m^ + } \right\} = \\ \left\{ {\left( {\mathop {\max }\limits_i {v_{ij}}|j \in {J_1}} \right), \left( {\mathop {\min }\limits_i {v_{ij}}|j \in {J_2}} \right)} \right\}\\ {V^ - } = \left\{ {\tilde v_1^ - , \tilde v_2^ - , \cdots , \tilde v_m^ - } \right\} = \\ \left\{ {\left( {\mathop {\min }\limits_i {v_{ij}}|j \in {J_1}} \right), \left( {\mathop {\max }\limits_i {v_{ij}}|j \in {J_2}} \right)} \right\} \end{array} $

式中：J₁代表效益指标集；J₂代表成本指标集。

4) 计算各候选伙伴与最佳伙伴和最差伙伴的距离：

$ d_i^ + = \sum\limits_{j = 1}^m {{d_v}} \left( {{v_{ij}}, v_j^ + } \right) $

(13)

$ d_i^ - = \sum\limits_{j = 1}^m {{d_v}} \left( {{v_{ij}}, v_j^ - } \right) $

(14)

5)计算各候选伙伴与最佳伙伴的相对接近度：

$ {\rm{RC}}_i^* = \frac{{d_i^ - }}{{d_i^ + + d_i^ - }}, \quad 0 \le {\rm{RC}}_i^* \le 1 $

(15)

RC_i^*值越大表明候选伙伴越接近最佳伙伴，即该伙伴越优。

3 互惠共生伙伴选择算例分析

某高新技术企业F是一家致力于新能源汽车产品研发生产的商用车企业，成立了具备开展混合动力、纯电动和氢燃料等技术研发能力的新能源汽车设计工程中心和新能源产业基地。为了进一步提高企业的原始创新能力和市场竞争力，企业F决定开发一项新技术，需要从5个候选伙伴中选择最合适的互惠共生合作伙伴，共同完成该项原始创新活动。将5个候选伙伴分别记为P₁、P₂、P₃、P₄、P₅。邀请新能源汽车产品研发领域的4位专家组成决策小组，并根据表 5列出的模糊语言变量对5个候选伙伴的各项指标进行评价，如表 6所示。

运用简单平均法计算得到5个候选伙伴各项评价指标的三角模糊数加权综合值，如表 7所示。根据模糊TOPSIS法的具体步骤，首先根据式(11)、(12)计算得到加权后的规范化决策模糊矩阵；再确定模糊最佳伙伴集合和模糊最差伙伴集合分别为${V^ + } = \left\{ {\tilde v_1^ +, \tilde v_2^ +, \cdots, \tilde v_m^ + } \right\}, {V^ - } = \left\{ {\tilde v_1^ -, \tilde v_2^ -, \cdots, \tilde v_m^ - } \right\}$，其中，$\tilde v_j^ + = (1, 1, 1), \tilde v_j^ - = (0, 0, 0)$；然后根据式(13)、(14)计算每个候选伙伴的各项评价指标与最佳伙伴和最差伙伴的距离，如表 8所示；最后根据式(15)计算各候选伙伴与最佳伙伴的相对接近度，如表 9所示，可知，第3个候选伙伴为企业F的最佳选择。

4 结论

1) 与已有相关研究相比，本文提出的方法不仅将评价指标之间的相互影响关系纳入决策过程中，考虑了评价指标之间的关联性，而且克服了指标权重确定过程中的不确定性和专家判断的模糊性，使得决策过程更为合理有效。

2) 通过企业合作型原始创新互惠共生伙伴选择评价指标体系的建立及评价，为企业科学合理的选择合作型原始创新互惠共生伙伴提供有效的方法，也为企业提高原始创新能力提供借鉴和参考。

本研究仍存在一定的局限性：基于TOPSIS法的评价值的相对差异较小，对候选伙伴的区分度不佳，可能会导致逆序问题，未来可以采用VIKOR方法对评价进行完善，以提高评价的准确性和可信度。