制造企业开放式创新的“最优开放度”动态演化机制研究

杨皎平 李 杰 边伟军 罗公利

(青岛科技大学经济与管理学院)

1 研究背景

制造业发展水平是世界大国、强国的关键性指标。我国制造业大而不强的问题比较突出，亟需通过创新驱动来实现制造业高质量发展。面对日益复杂的企业技术问题和不断缩短的技术生命周期，开放式创新因其能够更有效地拓宽知识来源、降低创新风险、提高创新绩效而逐渐成为了主流的创新范式[1～3]。

相关研究发现，在特定的条件下，制造企业的开放式创新存在“最优开放度”[4]，开放度不足和过度开放均不利于企业创新绩效的提升。然而，实践中制造企业的实际开放度与“最优开放度”偏离的现象十分突出，严重制约了开放式创新优势的发挥。本研究认为，企业在实施开放式创新过程中，之所以会偏离“最优开放度”的一个主要原因，是其自身的要素依赖性和发展动态性[5]，因此，考察“最优开放度”的动态性及其主要影响因素，对制造企业选择合理的创新开放度，具有重要的理论及现实意义。

挖掘“最优开放度”的影响因素是一个极具创新性与挑战性的研究领域。既有研究主要围绕开放式创新与企业创新绩效之间的关系展开讨论[2,3,6]，并证明了开放式创新存在“最优开放度”[7]，但对制造企业“最优开放度”影响因素的关注明显不足，从不同生命周期审视开放式创新也缺乏有效的研究框架。

通过对近期开放式创新研究领域的文献梳理发现，前沿文献将开放式创新与能力观、组织观、商业模式相结合，因此本研究也从这3个方面分析“最优开放度”的演化机制。吸收能力作为近年来创新管理领域频次最高的关键词，经常被用来解析开放式创新绩效；而有效的商业模式有助于在开放式创新的外部协作和内部价值创造之间建立创新循环[8]；组织惯性则是组织认知和行为导向的适应性结果[9]，故本研究按照“吸收能力、商业模式、组织惯性与最优开放度”的分析框架，基于上市制造企业的微观数据，运用回归分析方法，实证分析制造企业“最优开放度”的演化机制。

2 文献回顾

目前，学者们对开放式创新与创新绩效之间的关系开展了大量研究，但由于构建的概念模型、选取的变量以及使用的样本等不同，并没有取得完全一致的结论。有学者认为，实施开放式创新不仅能够解决资源瓶颈[2]，降低所需技术资源的研发成本、时间成本[10]和风险成本，还可通过专利许可等方式充分利用企业闲置的创新资源[11]，因此提高创新开放度有利于提升企业创新绩效[12]。但也有学者认为开放式创新存在负效应，企业在开放式创新过程中面临着外部技术依赖、技术溢出或信息泄密、成本过高等问题[13]，因此增加创新开放度会使负效应更加明显。随着研究的深入，近期的研究越来越倾向于认为开放度与创新绩效存在倒U形关系，开放度过低会使企业无法充分利用外部资源，从而阻碍创新发展；但是开放度过高也会使企业对外部技术资源产生较强的依赖，从而导致自身的技术积累不足等问题，因此开放式创新存在理论意义上的“最佳开放点”。

关于企业内部包含的对创新开放度与企业创新绩效间关系产生影响的因素，主要集中在能力与模式两个维度。能力维度方面，国内外学者几乎完全一致地选择了吸收能力这一研究视角。如FERRERAS-MÉNDEZ等[12]以吸收能力为中介变量，探索企业开放式创新与创新绩效之间的黑箱，实证研究发现，在外部知识搜索深度、企业创新和经营绩效之间的关系中，吸收能力发挥了一个完全中介的作用；郭尉[14]研究发现，吸收能力在创新开放度与开放式创新绩效中发挥着部分中介作用。

模式维度方面，国内外许多学者研究了开放式创新背景下商业模式对创新绩效的影响机制。如闫春等[3]在研究创新开放度与创新绩效的模型中，引入了创新导向与商业模式两个中介变量，验证了创新导向和商业模式在创新开放度与开放式创新绩效之间发挥的中介作用；SAEBI等[15]认为，企业采用开放式创新战略的收益存在差异性的原因，在于企业的商业模式对开放式创新战略的影响，并提出了开放业务的应急模型，明确了商业模式在何种条件下有助于开放式创新战略的成功。除此之外，学者们还发现，商业模式的可分配性和匹配性[16]对开放式创新绩效也具有重要影响。

除了企业的吸收能力和商业模式之外，学者们还关注了企业外部环境对开放式创新绩效的影响，且尤其关注了制度环境、技术环境和合作网络环境。如杨震宁等[17]指出，良好的制度环境不仅能保证经济资源得以充分利用，实现其最优配置，而且会促进企业争取更多的外部创新资源，从而提高企业的开放式创新绩效；CRUZ-GONZLEZ等[18]认为，创新开放广度可在技术稳定的环境中提高公司绩效，在动态环境中反而会对企业绩效产生抑制作用；陈红花等[19]研究表明，网络资源易得性、网络交互程度、网络资源交易风险等环境因素对企业创新开放度具有一定的影响。

综上可知，学者们已逐步认识到创新开放度与创新绩效之间存在复杂的非线性关系，同时两者的关系受企业内外环境的影响。但是也可看出，现有研究多围绕创新开放度与创新绩效间的一到两个中介变量或调节变量展开，关于开放式创新“最优开放度”的影响因素尚未形成系统的、规范的研究。本研究拟在上述研究的基础上，探索制造企业“最优开放度”的演化机制及影响因素，为了降低研究复杂性，并聚焦企业自身特性，主要分析吸收能力、商业模式和组织惯性3个内部因素对“最优开放度”的影响，实际上组织惯性往往也是外部环境导致的企业内部的适应性行为。

3 研究假设

3.1 吸收能力与最优开放度

如前所述，开放式创新模式对企业创新绩效具有“双刃剑”的作用，从开放式创新的正效应来说，在制造企业吸收能力增强的情形下，外部知识的识别和利用效率不断提高，企业能够在特定环境下更好更快地利用创新资源，并且随着外部资源与企业自身资源融合，逐渐发展为企业新的核心资源，为创新绩效的提升奠定了基础[2]；开放式创新的优化资源配置效应得以强化，也加强了开放式创新对企业创新绩效的促进作用。从开放式创新的负效应来说，随着制造企业吸收能力的增强，企业内部研发能力得以改善，自身技术水平不断提高，降低了企业创新过程中过度依赖外部技术的可能性，技术依赖风险变小[11]；同时还弱化了企业管理配置风险，避免了因外部创新资源获取量超过自身能力范围而造成的决策失效现象，降低了企业创新过程中的管理成本与风险成本[20]。

根据以上逻辑分析，制造企业吸收能力的增强，既促进了开放式创新对企业创新绩效的正向影响，又抑制了开放式创新过程中的技术依赖和管理配置风险，必将推迟开放式创新与制造企业创新绩效增长间的倒U形曲线顶点出现。据此，提出如下假设：

假设1当制造企业吸收能力不断增强时，开放式创新的“最优开放度”也会不断增大。

3.2 商业模式与最优开放度

商业模式可分为价值创造、价值传递和价值实现3个维度，价值创造是根据目标客户需要确定新价值的过程，价值传递是将价值传递到消费者的过程，价值实现则是企业控制成本并创造更多盈利的过程[21]。

首先，随着制造企业商业模式的改善，加大创新开放度，有利于企业更好地与消费者交流，也有利于为价值创造环节提供多样化的资源，使企业更快更好地利用各种资源，高效率地创造消费者需要的产品，资源配置不断优化[12]；其次，在制造企业商业模式不断改善的情形下，企业对价值实现过程的成本控制越来越强，创新目标也更加符合市场需求，降低了因开放度过大导致的注意力分散而无法理性决策的可能性，弱化了开放式创新原有的管理配置风险效应[22]。

制造企业商业模式的改善，既强化了开放式创新的优化资源配置效应，又弱化了管理配置风险，因此会促使开放式创新与制造企业创新绩效增长间倒U形曲线的顶点向右移动。据此，提出如下假设：

假设2当制造企业商业模式不断完善时，开放式创新的“最优开放度”也会不断增大。

3.3 组织惯性与最优开放度

组织惯性可分为结构惯性和认知惯性两个维度，较高的结构惯性有利于提高企业获得外部知识的可靠性[9]，还有利于提高企业在动态环境中的适应性，激励企业整合内外部知识进行创新，进一步发挥创新激励效应。并且，高水平的认知惯性有利于企业知识的积累，帮助企业科学决策，更好地识别外部资源的价值，有目的地加大创新投入，在提高创新效率的同时，还可节约搜寻成本与实验成本，更好地发挥资源配置效应与成本降低效应[23]。此外，随着企业组织惯性的增大，企业创新能力增强，企业获得外部资源的质量不断提高，而丰富的、有价值性的外部资源进一步减少了企业创新过程中的带有风险性与不确定性的因素[13]，有利于企业对内外部资源的管理，降低了管理配置风险。

从上述分析中可以看出，制造企业组织惯性的增大，不仅强化了开放式创新对创新绩效增长的创新激励效应和成本降低效应，还弱化了管理配置风险的负面影响。据此，提出如下假设：

假设3随着制造企业组织惯性增大，开放式创新的“最优开放度”也会不断增大。

4 研究设计

4.1 计量模型构建

本研究的对象为制造业开放式创新的“最优开放度”，需在计量模型中纳入创新开放度(IO)及其平方项(IO2)。基于前文理论分析可知，制造企业的开放式创新“最优开放度”的大小会随着其自身吸收能力(AS)、商业模式(BM)以及组织惯性(OI)3个因素的变化而发生动态演化，因此分别构建了包含3个影响因素与IO和IO2交互项的计量模型。

考虑到还存在其他影响开放式企业创新绩效的因素，所以模型中还包含文献中学者们所识别出的影响因素作为控制变量，具体包括：企业规模(SC)、财务杠杆(FL)、盈利能力(EA)、成长能力(G)、企业绩效(EP)、独立董事(ID)、股权集中度(IS)及资产结构(ST)。基于此，构建如下3个完整的计量模型：

(1)

(2)

(3)

式中，i、j和t分别表示企业、行业、时间；IP表示制造企业创新绩效；Xc表示控制变量；δj表示行业固定效应；λt表示时间固定效应；ξi,j,t表示随机扰动项；β0表示常数项，β1～β5、Φ均表示回归系数。

4.2 变量说明

本研究样本选自2009～2019年沪深主板上市公司中的制造企业。为保证样本质量，参考以下标准筛选样本：剔除曾经被ST、*ST的企业；剔除相关数据严重缺失的公司。筛选后获取了305家制造企业的相关数据，观测值3 355个。

(1)创新绩效(IP)现有研究多从新产品或专利产出方面衡量企业创新绩效。对于开放式创新而言，除了类似合作创新和协作创新强调创新过程之外，还强调创新成果的商业化过程，考虑到这一特征，选用企业商标、专利技术、非专利技术和软件技术期末余额总和来衡量，并做取对数处理，所涉及数据来源于RESSET数据库。

(2)创新开放度(IO)借鉴文献[7,24,25]测度创新开放度的方法，再根据数据的可获得情况，使用企业联合获得专利数量与专利许可数量两者加和占专利获得总量的比例这一结构相对指标，来测度制造企业创新开放度。因收集数据后发现企业在不同年份专利数量差别较大，参考既有研究中的处理方法，最终采用近3年企业联合获得专利量与专利许可量之和除以专利获得总量的平滑值，来表示企业创新开放度。制造企业专利获得情况数据来源于中国研究数据服务平台(CNRDS)，企业专利许可数据通过整理专利之星检索系统手工查询到的数据获得。

(3)吸收能力(AS)借鉴学者们常采用研发强度来测度企业吸收能力[26]的思路，本研究选用企业研发投入占总资产的比重来表征企业吸收能力，该指标越大，表示企业吸收能力越强。研发投入数据来源于国泰安CSMAR数据库和色诺芬数据库，总资产数据来源于国泰安CSMAR数据库。

(4)商业模式(BM)参考刘正阳等[21]对企业商业模式的测度指标，从价值创造、价值传递和价值实现3个方面衡量制造企业商业模式，分别包含速动比率、债务保障率、权益债权比，存货周转率、应收账款周转率、总资产周转率，营业收入同比增长率、净利润同比增长率、主营业务利润率。对收集到数据采用加入时间变量的熵权法进行计算，得到各年企业商业模式值。指标所涉及的所有数据均来源于国泰安CSMAR数据库。

(5)组织惯性(OI)参考孙慧等[27]的研究，采用企业成立年限和员工数量分别标准化后数值加和来表征组织惯性。涉及数据均来源于国泰安CSMAR数据库。

(6)控制变量参考贾军等[28]的观点，选取企业主营业务收入和资产负债率来表征企业规模(SC)和财务杠杆(FL)；参考贺晓宇等[29]的观点，采用企业销售收入与净资产的比值来表征企业盈利能力(EA)；采用托宾Q值表征企业成长能力(G)；采用资产收益率表征企业绩效(EP)；参考陈彩云等[30]的观点，选用独立董事人数占董事会总人数的比例，以及前五大股东的持股比例之和，分别表征企业独立董事占比(ID)和股权集中度(IS)；采用流动比率表征资产结构(ST)。控制变量所涉及的数据均来源于国泰安CSMAR数据库。

5 实证结果及分析

5.1 总体回归结果

面板数据回归前需要确定使用的模型，根据Hausman结果，应该使用固定效应模型进行回归(见表1)。表1中模型(1)未包含创新开放度的平方项，可看出创新开放度显著正向地促进了制造企业创新绩效的提高；模型(2)中加入了创新开放度的平方项，结果显示创新开放度的平方项系数显著为负，与模型(1)相比，模型(2)的拟合优度有提升，证实了制造企业创新开放度与创新绩效间呈倒U形关系，即制造企业的开放式创新存在“最优开放度(PIO)”。

模型(3)纳入了吸收能力指标，结果显示，在1%的显著性水平下AS的回归系数为正；此外，模型(3)中IO2×AS的回归系数为正且具有显著性，即吸收能力除了直接影响创新绩效之外，还对开放式创新与创新绩效增长的倒U形关系产生影响。通过计算得到开放式创新的“最优开放度”为：PIO=-(β1+β4×AS)/2(β2+β5×AS)，式中β1、β2、β4、β5分别是IO、IO2、IO×AS、IO2×AS的回归系数。将模型(3)中得到的系数值代入“最优开放度”的表达式，得到PIO=13/23+7/(110-35×AS)。容易判断开放式创新的“最优开放度”会随着吸收能力的增强而增大，或随着吸收能力的减弱而减小，即假设1得到支持。

综上分析可知，制造企业开放式创新的“最优开放度”是动态变化的，企业应根据自身条件变化在一定范围内做出调整。在不改变其他因素的前提下，吸收能力的增强会促使开放式创新“最优开放度”的增大，因此企业随着研发投入和人才投入的增加，可以持续扩大创新开放水平，更大限度地利用开放式创新之红利。

表1 开放式创新“最优开放度”影响因素回归结果(N=3 355)

模型(4)纳入了商业模式指标的回归结果，与模型(2)、模型(3)相似，IO的系数显著为正，IO2的系数显著为负。在10%的显著性水平下，BM的回归系数为正值，说明制造企业商业模式的完善能显著地促进创新绩效的增长。此外，IO2×BM指标的回归系数在1%的显著性水平下通过了检验，表明制造企业开放式创新与创新绩效增长间的倒U形关系受商业模式的影响。

运用与企业吸收能力部分类似的方法，可计算得到包含BM的“最优开放度”为：PIO=3/7+9/(182-84×BM)，可以看出，随着商业模式BM取值的增大，开放式创新“最优开放度”也在不断增大，两者间呈正相关关系，假设2通过检验。即当制造企业的商业模式不断完善时，其“最优开放度”可进一步扩大，说明越是完善的商业模式，越应该扩大开放度，这与当前数字经济时代的企业创新战略是一致的。

模型(5)在模型(2)的基础上引入了组织惯性这一指标，此时IO系数为正，IO2系数为负，并仍均具有显著性，与模型(2)的结论相同。在10%的水平下，OI的回归系数显著为正，且IO2×OI的回归系数在5%的显著性水平下通过了检验，说明组织惯性对制造企业开放式创新“最优开放度”的动态演化具有显著的影响。类似前面的分析，可以得到制造企业的“最优开放度”表达式为：PIO=3/10+3/(40-50×OI)，即随着制造企业组织惯性的增大，开放式创新“最优开放度”也不断增大，两者间呈正向相关关系，假设3获得支持。

综上，随着制造企业吸收能力的增强、商业模式的改善、组织惯性的增大，开放式创新“最优开放度”不断增大，即开放式创新“最优开放度”会随着这3个指标的改变而发生动态改变，验证了假设1～假设3。据此，制造企业应根据3个因素对开放式创新“最优开放度”影响的具体情境相机调整自身的创新开放度。

5.2 分行业回归结果

为了考察上述研究结论在子样本中的情况，接下来按生产要素密集程度将制造企业分为劳动密集型、资本密集型和技术密集型，并对分类得到的子样本进行研究。回归结果见表2。由表2可知，所有回归结果中IO的回归系数均显著为正，IO2的回归系数均显著为负，表明无论是哪种类型的制造企业，开放式创新均具有“最优开放度”。以此为基础，进一步分析制造企业吸收能力、商业模式和组织惯性对开放式创新“最优开放度”的影响。

表2 分行业的回归结果

首先，对于制造企业吸收能力而言，劳动密集型、资本密集型和技术密集型制造企业包含AS指标的开放式创新“最优开放度”分别为：PIO(劳动)=5/12+5/(324-480×AS)、PIO(资本)=4/7+44/(490-196×AS)和PIO(技术)=13/28+26/(532-196×AS)，可以看出AS和PIO间呈正相关关系，即随着企业吸收能力的增强，开放式创新“最优开放度”不断增大，与前文总体样本所得结论相同。

其次，对于劳动密集型、资本密集型和技术密集型制造企业而言，开放式创新“最优开放度”与制造企业商业模式的函数关系分别为：PIO(劳动)=3/8+3/(368-1 952×BM)、PIO(资本)=2/5+1/(23-107×BM)、PIO(技术)=1/2+1/(50-274×BM)，3个式子的结果均表明，商业模式的改善能增大制造企业开放式创新“最优开放度”，与前文总体样本回归结果相同。

最后，考察3个子样本中开放式创新“最优开放度”与制造企业组织惯性的函数关系，计算得到PIO(劳动)=3/14+3/(1 498-2 730×OI)、PIO(资本)=1/2+2/(41-61×OI)、PIO(技术)=1/2+1/(234-192×OI)，与前文结论相同，均表明组织惯性与制造企业开放式创新“最优开放度”间的正向相关关系。

综上可知，对于劳动密集型、资本密集型和技术密集型制造企业3类企业而言，它们的吸收能力、商业模式、组织惯性与“最优开放度”的关系是一致的，与总体样本具有相同的动态演化规律。

令RI表示制造企业的创新“开放度偏离”程度，其计算过程如下：以技术密集型制造企业A为例，该变量可以表示为Diff_IOA,t/PIO，其中Diff_IOA,t表示企业A在第t年实际创新开放度与自身“最优开放度(PIO)”的差距。因为受样本量的限制，难以计算每一个企业开放式创新的“最优开放度”，所以将各类型制造企业开放式创新的“最优开放度”作为该企业开放式创新的“最优开放度”。通过计算得到的2009～2019年制造企业开放度偏离度(见表3)。由表3可知，对于总体制造企业而言，2009～2019年实际创新开放度一直低于理论上的“最优开放度”，11年间的偏离度均值为76.471%，其中，劳动密集型制造企业的偏离度均值为79.647%，资本密集型制造企业的偏离度为77.379%，技术密集型制造企业的偏离度为75.033%。可以看出，无论是对于总体制造业还是3种类型的制造业而言，其实际创新开放度都与理论上的“最优开放度”存在较大的偏离，且11年间技术密集型制造企业比劳动密集型企业和资本密集型企业更接近于自身开放式创新的“最优开放度”。

表3 2009～2019年制造企业开放度偏离值class="emphasis_bold"> 355)

5.3 内生性检验

考虑到创新绩效与开放式创新之间可能存在互为因果关系，故采用工具变量法来检验模型中可能存在的内生性问题。选取创新开放度滞后一期的变量作为工具变量，运用2SLS进行内生性检验，回归结果见表4。表4中，模型(1)～模型(3)是将创新开放度滞后一期的变量分别带入包含吸收能力、商业模式和组织惯性变量模型后的估计结果，其工具变量不可识别检验中的p值均为0，拒绝不可识别的原假设，说明不存在识别不足问题；弱工具变量检验结果中F统计量值均远大于10%的临界值，说明不存在弱工具变量问题，因此工具变量的选取比较合理。模型(1)～模型(3)中，制造业开放式创新与创新绩效间始终呈倒U形关系，存在“最优开放度”，并且吸收能力、商业模式和组织惯性分别与“最优开放度”呈正相关关系，与前文估计结果的结论一致。

表4 IV-2SLS估计结果(N=3 355)

5.4 稳健性检验

为确保研究结果是稳健的，需进行稳健性检验。在此部分替换影响因素衡量变量的方法，采用企业研发投入金额的对数值来测度企业吸收能力；商业模式中存货周转率、应收账款周转率和总资产周转率采用期末余额计算(前文采用均值法计算)，营业收入同比增长率和净利润同比增长率采用单季度金额计算(前文采用年度金额计算)；选取企业成立年限和员工数量分别取对数并标准化后数值加和来表征组织惯性，进而观察研究结论是否一致(见表5)。表5中的模型(1)～模型(3)分别包含制造企业吸收能力、商业模式、组织惯性替换后的衡量指标。

表5 “最优开放度”影响因素回归结果(N=3 355)

由表5可知，各模型中IO的回归系数均显著为正，IO2的回归系数均显著为负，与前文验证的制造企业开放式创新与创新绩效呈倒U形关系的结论相同。此外，模型(1)～模型(3)还显示，制造企业吸收能力、商业模式、组织惯性影响开放式创新“最优开放度”动态演化的方向与前文研究结果一致，表明研究结论具有一定稳健性。

类似地，运用分行业样本替换影响因素衡量指标后的回归结果，通过计算可知结果与之前回归结果相同，依然是：开放式创新“最优开放度”与制造企业吸收能力、商业模式、组织惯性间呈正相关关系，说明本研究结论的稳健性。

6 结语

本研究主要得到如下结论：①我国上市制造企业的开放式创新绩效与其开放度之间呈倒U形关系，即制造企业存在最优创新开放度，过低或过高的开放度均不利于企业创新；②制造企业的最优创新开放度是动态变化的，随着企业对知识吸收能力的日益增强、组织惯性的逐渐形成和商业模式的不断完善，其最优开放度将逐渐增加；③企业应结合自身特征，选择与之适配的创新开放度，并随着企业的不断发展，相机调整创新开放度。本研究的结论揭示了制造企业创新开放度与其创新绩效之间的权变关系，从动态发展的角度审视了企业的开放式创新战略，在一定程度上为企业的创新战略管理提供了决策参考。

本研究的理论贡献在于：①从企业特征的权变视角重新审视制造企业创新开放度的选择问题，深化了当前研究对最优开放度的认知。现有研究认识到了企业开放式创新存在理论上的最优开放度[7]，但对最优开放度的组织权变性和情境依赖性的关注不够，本研究在肯定制造企业创新需要适度开放的基础上，进一步说明企业的最优开放度受其知识吸收能力、商业模式和组织惯性的影响。②从企业发展的动态视角思考制造企业创新开放度的调整问题，突破了当前开放式创新研究中对企业最优开放度的静态观[5，6]。既有研究结论隐含了企业最优开放度的静态性特征，似乎企业到达最优开放度以后就应长久保持，本研究则认为随着企业资源的不断丰富，能力的不断壮大，应适时调整创新战略，选择与企业发展阶段相匹配的创新开放度。总体而言，本研究是对开放式创新理论的有效补充，有助于深化对最优开放度与企业创新绩效关系的理解。

本研究的管理启示在于：①当企业选择开放式创新模式时，为了提升其创新绩效，除了提升开放度之外，更要不断丰富其自身资源、提升自身整体能力。因为只有不断提高内部知识学习和外部知识吸收的能力、通过组织惯性提高组织向心力、借助数字时代的技术化和社会化因素不断升级与完善自身商业模式，才能充分发挥开放式创新模式的优势，才能充分挖掘高开放度所蕴含的创新潜力，否则会导致自身创新被他人锁定，出现创新依赖或创新惰性的问题。②在企业的不断发展过程中，随着其架构创新能力的提升，融合外部创新元素能力的增强，以及组织能力、商业模式的不断升级和完善，企业应该考虑调整或升级自身的开放式创新战略，适当扩大创新开放程度，在更广阔的时空范围配置和协调创新要素，从而更好地发挥开放式创新模式的优势。

本研究的不足之处表现在：①相关变量的测度需要完善。本研究从专利角度测度创新开放度存在一定偏颇，未来研究可从多角度完善企业创新开放度的测量；商业模式是一个较宽泛的概念，尽管使用了多个指标的合成值加以测度，但指标选取仍受上市公司公开数据所限而不够全面，有待于未来研究加强测度的完整性。②研究的深度和广度需要继续挖掘。本研究验证了吸收能力、商业模式和组织惯性对制造企业最优开放度具有正向影响，但具体作用机制需要深入挖掘；另外，除了上述3个因素之外，是否还存在其他要素影响最优开放度也需要未来不断探索。