云制造供应链知识转移激励的演化博弈模型

随着经济的高速发展和科技的不断进步，制造企业的生产模式也发生了很大的变革，由传统的生产型制造转变为服务型制造模式。在此过程中，很多制造企业正在借助以大数据、云计算为代表的先进信息技术构建云制造平台，并借助云制造平台优化他们的生产流程和产品结构，从而转型为云制造生产模式。在这样的背景下，制造企业的供应链运作模式也发生了相应的变化，即由传统的产品供应链转变为云制造供应链的运作模式。

李伯虎等[1]认为将云制造平台与供应链管理相结合，符合云制造对大范围制造资源进行整合的需求，不仅实现了资源封装与信息共享，还使得云制造供应链获得更大的动态性与随机性。张霖等[2]认为云制造与供应链的相互结合对云制造企业的组织、经营管理和技术装备具有提升作用，能够为提高制造行业的整体竞争力带来活力。XIE等[3] 认为云制造供应链的目的是服务于客户并减少终端客户的处理负担，即帮助客户借助互联网工具，获取安全可靠、优质廉价的制造资源。古川等[4]认为云制造供应链是由云制造企业、供应商和客户等成员企业组成的功能网络结构，其中，云制造企业作为核心企业，借助云制造平台，打通供应链上下游企业资源整合的瓶颈并实现协同运作。李芳等[5]研究了云制造供应链节点企业的优化组合问题，通过构建和求解云制造供应链选择模型，在多种组合中快速找到了整体最优的云制造供应链。黄辉等[6]认为云制造供应链体现了云制造技术体系的网链关系，具有柔性化、开放性、自主性等特点，并且实际运作过程要求供应链相关利益方满足动态交互与敏捷响应的要求。王平等[7]认为云制造平台整合能力和灵活配置能力对供应链协同具有显著正向影响。

在云制造供应链的运作过程中，云制造服务平台的开放程度对供应链的各个参与者更高，因此，客户参与程度越高，云制造企业与客户的相互交流程度越高；客户不单局限于产品的最初感知，还能够直观了解和体验整个制造资源的转移；客户的知识水平与认知能力有助于云服务的设计与开发，这就要求云制造企业与客户都要进行知识转移[4]。

HAGHIRIAN[8]认为知识转移是知识发送方与接收方通过知识编码、传输等方式互联沟通的过程。CHUA等[9]、周钟等[10]、ESTHER等[11]认为知识转移的主要影响因素包括：知识转移双方之间的关系、相互信任水平、沟通程度、知识存量、知识转移意愿、知识转移能力、知识吸收能力等。朱简[12]认为供应链企业之间的知识转移是影响企业知识和技术创新的关键，因此企业应当主动开展知识转移活动。WEI 等[13]研究了知识转移的类型和条件，以及组织文化对知识转移的影响。宋华等[14]认为企业与供应链伙伴之间的知识转移能够提高企业的创新效率。楚岩枫等[15]认为知识的发包方和接包方的知识转移意愿受到双方知识转移策略选择的影响，当双方的知识转移意愿发生动态变化时，其演化稳定策略也将随之动态变化。

通过云制造企业与客户之间的知识转移，客户不仅能够提出云服务的创新需求，还能够参与云服务的设计、交付和测试等阶段，从而提高云制造企业的服务绩效和供应链运作绩效。但是，因为云制造企业与客户之间是信息不对称的，由此造成以下几个方面的问题：一方面，云制造企业选择了劣质客户参与云制造供应链的知识转移；另一方面，云制造企业无法准确观察到客户的努力程度，这就可能会出现“搭便车”的现象，即云制造企业将知识转移给客户，而客户并没有将知识转移给云制造企业；此外，因为客户参与云制造供应链的知识转移需要付出一定的人力、物质、时间和知识等成本，当客户付出的知识转移成本很高而获得的收益不足以弥补其所付出的成本时，客户便不愿意参与知识转移，即使客户参与了云制造供应链的知识转移，也不会主动为此付出很大的努力。以上这些问题都会降低云制造供应链的运作绩效。

为了解决这些问题，就要针对客户获得知识的动机，研究云制造供应链的知识转移激励问题。李春发等[16]认为知识转移激励可分为内在激励和外在激励，这两种激励均能有效促进企业的知识转移，且二者存在互补耦合效应。DING等[17]认为积极的经济激励和关系激励都能够提高企业的知识转移绩效。LEDEBUR等[18]、涂静等[19]、曹兴等[20]认为知识转移激励机制设计的主要影响因素包括：知识转移双方的努力程度、知识转移的成本、知识吸收能力、风险规避意愿等。沈娜利等[21]从制造商角度设计了一种客户知识共享的股权激励机制，以增强对零售商的激励。菅利荣等[22]认为政府采取合理有效的激励机制能够促进企业之间的知识共享。

综上所述，有关云制造供应链的研究，人们主要研究云制造供应链的概念、结构、特点、目的和作用，以及客户参与对云制造供应链运作绩效的影响作用等。有关知识转移激励的研究，人们主要研究知识转移的概念、影响因素和作用，以及知识转移激励的分类和影响因素、知识转移激励机制设计问题等。但是，很少有学者将云制造供应链、供应链知识转移和知识转移激励相结合，研究云制造供应链的知识转移激励问题。所以，本文在以上研究的基础上，针对客户想获得知识的动机，研究由云制造企业和客户组成的两级供应链的知识转移激励问题。假设云制造企业和客户都是有限理性的，考虑他们的知识拥有量、知识转移意愿、知识传授能力等因素对知识转移激励的影响，基于演化博弈理论，建立云制造企业与客户之间知识转移的演化博弈模型，通过模型求解和数值仿真，分析这些因素对知识转移激励机制设计的影响作用[23-24]。

1 云制造企业与客户之间知识转移的动态过程

在云制造供应链的运作过程中，客户希望获得更多的知识，而云制造企业则希望客户更加努力地参与云服务研发，进而优化云制造供应链的整体运作流程。云制造企业为促使客户积极主动地参与供应链的知识转移，按照客户的知识需求，将知识转移给客户。客户通过对云制造企业转移知识的吸收、整合和创新，实现知识水平的提高，这将更进一步促进客户参与知识转移的积极性。由于云制造企业和客户都是有限理性的，因此云制造企业在向客户转移知识的同时，也希望客户贡献自身的知识水平，参与到云服务的研发过程中，即客户也将知识转移给云制造企业，这就形成他们之间相互的知识转移。云制造企业与客户之间知识转移的动态过程如图1所示。

在云制造供应链中，云制造企业与客户合作进行云服务开发，他们相互之间进行知识转移。在此过程中，云制造企业与客户都可以选择采取知识转移或不采取知识转移策略。他们各自的策略选择，不仅受到对方企业的知识拥有量、知识转移意愿、知识传授能力、知识可转移度、信任程度等因素的影响，还受到自身的知识吸收能力、知识转移成本、投机收益等因素的影响[15,19-20]。云制造企业与客户能够根据这些影响因素以及对方企业的策略选择，动态调整自身的策略选择，所以，云制造企业与客户的知识转移过程是动态变化的过程。

从云制造企业策略选择的视角分析云制造企业与客户知识转移的动态过程。一方面，当客户的知识拥有量、知识转移意愿、知识传授能力、知识可转移度、客户对云制造企业的信任程度以及云制造企业的知识吸收能力提高时，云制造企业将有可能从客户转移的知识中吸收更多的知识，以增强自身的知识水平和创新能力，从而获得更多的收益，这将促使云制造企业更倾向于选择采取知识转移策略；另一方面，当云制造企业的知识转移成本提高时，云制造企业从知识转移过程中获得的收益将会减少，这将促使云制造企业更倾向于选择不采取知识转移策略；此外，当云制造企业的投机收益增加时，云制造企业也会更倾向于选择不采取知识转移策略。同理，也可从客户策略选择的视角分析云制造企业与客户知识转移的动态过程。

2 知识转移激励模型

2.1 模型假设

(1)云制造企业和客户都是有限理性的，他们具有相同的策略选择，即采取知识转移策略和不采取知识转移策略；

(2)云制造企业和客户的知识拥有量分别为q1、q2 (q1>0，q2>0)，为了更能体现参数的实际意义，本文中的知识拥有量实质上是指知识拥有量转化的收益；

(3)云制造企业和客户的知识转移意愿系数分别为η1、η2(0<η1≤1，0<η2≤1)；

(4)云制造企业和客户的知识传授能力系数分别为t1、t2(0<t1≤1，0<t2≤1)；

(5)云制造企业和客户的知识吸收能力系数分别为a1、a2(0<a1≤1，0<a2≤1)；

(6)云制造企业和客户的知识可转移度系数分别为π1、π2(0<π1≤1，0<π2≤1)；

(7)云制造企业对客户的信任程度系数为β1(0<β1≤1)，客户对云制造企业的信任程度系数为β2(0<β2≤1)；

(8)云制造企业和客户的知识转移成本分别为c1、c2(c1>0，c2>0)；

(9)云制造企业和客户的投机收益系数分别为δ1、δ2(0≤δ1<1，0≤δ2<1)；

(10)云制造企业和客户不采取知识转移策略时所获得的收益分别为e1、e2(e1>0， e2>0)；

(11)云制造企业和客户采取知识转移策略的比例分别为x、y(0≤x≤1，0≤y≤1)。

2.2 模型构建

云制造企业和客户知识转移的收益矩阵如表1所示，其中，P1和P2分别表示云制造企业的收益和客户的收益。

云制造企业采取知识转移策略的收益

云制造企业不采取知识转移策略的收益

云制造企业的平均收益

客户采取知识转移策略的收益

客户不采取知识转移策略的收益

客户的平均收益

由式(1)～式(3)可得，云制造企业采取知识转移策略的复制动态方程为

由式(4)～式(6)可得，客户采取知识转移策略的复制动态方程为

令

联立式(7)和式(8)可得二维动态系统：

由式(7)可得，当且仅当x=0或

时，云制造企业采取知识转移策略的概率是稳定的；同理，由式(8)可得，当且仅当y=0或 y=1或

时，客户采取知识转移策略的概率是稳定的。可见，二维动态系统有以下5个局部均衡点：O(0,0)、D(1,0)、E(1,1)、F(0,1)、G(x*,y*)。其中，x*、y*分别为系统局部均衡点G的横坐标和纵坐标的取值。

二维动态系统的雅可比矩阵如下：

2.3 模型分析

(1)当c1≤(1-δ1)a1π2t2β2η2q2，c2≤(1-δ2)a2π1t1β1η1q1时，系统的均衡点稳定性分析结果如表2所示。由表2可知，O(0,0)和E(1,1)都是演化博弈的稳定策略，分别对应的是云制造企业和客户都不采取知识转移策略和都采取知识转移策略。

此外，该系统还有两个不稳定点D(1,0)和F(0,1)以及一个鞍点G(x*,y*)。系统的动态演化相图见图2。由图2可知，云制造企业和客户选择的策略为：(不采取知识转移，不采取知识转移)、(采取知识转移，采取知识转移)。系统的初始状态决定了系统将会最终演化到哪个策略，具体说明如下：

(a)当初始状态在区域ODGF中时，云制造企业和客户采取知识转移策略的比例分别小于x*、y*，系统将最终演化到O(0,0)，即他们都不采取知识转移策略；

(b)当初始状态在区域DEFG时中，云制造企业和客户采取知识转移策略的比例分别大于x*、y*，系统将最终演化到E(1,1)，即他们都采取知识转移策略；

(c)当初始状态在区域OGEF和ODEG中时，云制造企业和客户采取知识转移策略的比例可能小于x*、y*，也可能大于x*、y*，所以系统有可能演化到O(0,0)，也可能演化到E(1,1)。

不同参数对系统演化行为的影响情况分析如下：

①当云制造企业和客户的知识拥有量q1、q2逐渐增大而其他参数不变时，x*、y*逐渐减小，G(x*,y*)向左下方移动，使得区域DEFG的面积逐渐增大，系统演化到E(1,1)的可能性也逐渐增大，即云制造企业和客户都采取知识转移策略的可能性也逐渐增大。

②当云制造企业和客户的知识转移意愿系数η1、η2逐渐增大而其他参数不变时，x*、y*逐渐减小，G(x*,y*)向左下方移动，使得区域DEFG的面积逐渐增大，系统演化到E(1,1)的可能性也逐渐增大，即云制造企业和客户都采取知识转移策略的可能性也逐渐增大。

③当云制造企业和客户的知识传授能力系数t1、t2逐渐增大而其他参数不变时，x*、y*逐渐减小，G(x*,y*)向左下方移动，使得区域DEFG的面积逐渐增大，系统演化到E(1,1)的可能性也逐渐增大，即云制造企业和客户都采取知识转移策略的可能性也逐渐增大。

④当云制造企业和客户的知识吸收能力系数a1、a2逐渐增大而其他参数不变时，x*、y*逐渐减小，G(x*,y*)向左下方移动，使得区域DEFG的面积逐渐增大，系统演化到E(1,1)的可能性也逐渐增大，即云制造企业和客户都采取知识转移策略的可能性也逐渐增大。

⑤当云制造企业和客户的知识可转移度系数π1、π2逐渐增大而其他参数不变时，x*、y*逐渐减小，G(x*,y*)向左下方移动，使得区域DEFG的面积逐渐增大，系统演化到E(1,1)的可能性也逐渐增大，即云制造企业和客户都采取知识转移策略的可能性也逐渐增大。

⑥当云制造企业对客户的信任程度系数β1、客户对云制造企业的信任程度系数β2逐渐增大而其他参数不变时，x*、y*逐渐减小，G(x*,y*)向左下方移动，使得区域DEFG的面积逐渐增大，系统演化到E(1,1)的可能性也逐渐增大，即云制造企业和客户都采取知识转移策略的可能性也逐渐增大。

⑦当云制造企业和客户的知识转移成本c1、c2逐渐增大而其他参数不变时，x*、y*逐渐增大，G(x*,y*)向右上方移动，使得区域ODGF的面积逐渐增大，系统演化到O(0,0)的可能性也逐渐增大，即云制造企业和客户都不采取知识转移策略的可能性也逐渐增大。

⑧当云制造企业和客户的投机收益系数δ1、δ2逐渐增大而其他参数不变时，x*、y*逐渐增大，G(x*,y*)向右上方移动，使得区域ODGF的面积逐渐增大，系统演化到O(0,0)的可能性也逐渐增大，即云制造企业和客户都不采取知识转移策略的可能性也逐渐增大。

综上所述，由情况①～⑥的分析，可得以下结论：

结论1 云制造企业和客户的知识拥有量、知识转移意愿、知识传授能力、知识吸收能力、知识可转移度以及相互信任程度越大，他们都采取知识转移策略的可能性就越大。

由情况⑦和⑧的分析，可得以下结论：

结论2 云制造企业和客户的知识转移成本、投机收益越大，他们都不采取知识转移策略的可能性就越大。

(2)当c1≤(1-δ1)a1π2t2β2η2q2，c2>(1-δ2)·a2π1t1β1η1q1时，系统的均衡点稳定性分析结果如表3所示。由表3可知，O(0,0)是演化博弈的稳定策略，对应的是云制造企业和客户都不采取知识转移策略。

此外，该系统还有一个不稳定点F(0,1)以及两个鞍点D(1,0)和E(1,1)。系统的动态演化相图见图3。可见，从任何初始状态出发，系统都最终演化到O(0,0)，即云制造企业和客户都不采取知识转移策略。

(3)当c1>(1-δ1)a1π2t2β2η2q2，c2≤(1-δ2)·a2π1t1β1η1q1时，系统的均衡点稳定性分析结果如表4所示。由表4可知，O(0,0)是演化博弈的稳定策略，对应的是云制造企业和客户都不采取知识转移策略。

此外，该系统还有一个不稳定点D(1,0)以及两个鞍点F(0,1)和E(1,1)。系统的动态演化相图见图4。可见，从任何初始状态出发，系统都最终演化到O(0,0)，即云制造企业和客户都不采取知识转移策略。

(4)当c1>(1-δ1)a1π2t2β2η2q2，c2>(1-δ2)a2π1t1β1η1q1时，系统的均衡点稳定性分析结果如表5所示。由表5可知，O(0,0)是演化博弈的稳定策略，对应的是云制造企业和客户都不采取知识转移策略。

此外，该系统还有一个不稳定点E(1,1)以及两个鞍点D(1,0)和F(0,1)。系统的动态演化相图见图5。可见，从任何初始状态出发，系统都最终演化到O(0,0)，即云制造企业和客户都不采取知识转移策略。

3 数值仿真

本文参考海尔集团云制造供应链运营的现状，采用MATLAB软件模拟不同参数下云制造企业与客户知识转移策略选择的动态演化过程，以验证研究结论的正确性[25]。

海尔集团以客户为中心，并根据客户个性化、多样化的需求构建了基于互联工厂模式的云制造平台。通过云制造平台，海尔集团实现了产品研发和生产制造过程的一体化、模块化、标准化和定制化。在此过程中，海尔集团已经探索出一种满足客户全流程最佳体验的云制造供应链的运作模式。海尔集团作为云制造供应链的核心企业，借助云制造平台，整合了云制造服务提供商、客户等成员企业的研发资源和能力，实现了云制造服务的定制化开发。在这个过程中，客户的角色也逐渐发生了变化，即客户由产品和服务的“消费者”逐渐转变为生产和消费合一的“产消者”。客户通过与海尔集团的知识共享，不仅能够提出云制造服务的创意，参与到云制造服务的设计和研发过程中，还能够参与到云制造服务的生产、测试、销售、售后运营等过程中。

但是，在海尔集团与客户知识共享的过程中，客户通常都会付出一定的人力、物质、时间和知识等成本，当客户付出的成本很大而获得的收益不足以弥补其所付出的成本时，客户就不愿意参与知识共享。此外，因为参与知识共享的客户一般情况下都是知识密集型企业，他们参与知识共享的动机，不仅仅是想获得一定数额的报酬和收益，更重要的是想获得一定数量的知识，从而提升他们的知识水平和创新能力以提高创新绩效。这就需要海尔集团根据客户的参与动机，采取知识转移的激励措施，促使客户积极主动地参与知识共享。

根据以上应用背景，并结合文献[10，15，20]关于知识转移的影响因素和仿真分析的研究，以及相关领域专家的意见，将本文2.1节模型假设中的各参数取值设定为：

(1)云制造企业和客户的知识拥有量q1=1 200万元，q2=1 000万元；

(2)云制造企业的知识转移意愿系数η1=0.6；

(3)云制造企业的知识传授能力系数t1=0.8；

(4)云制造企业和客户的知识吸收能力系数a1=0.8，a2=0.6；

(5)云制造企业和客户的知识可转移度系数π1=0.4，π2=0.3；

(6)云制造企业对客户的信任程度系数β1=0.7，客户对云制造企业的信任程度系数β2=0.5；

(7)云制造企业和客户的知识转移成本c1=10万元，c2=38万元；

(8)云制造企业和客户的投机收益系数δ1=0.1，δ2=0.1。

3.1 知识拥有量对系统演化结果的影响

验证客户的知识拥有量对云制造企业行为演化结果的影响。当客户采取知识转移策略的初始比例y0为0.5，客户的知识转移意愿系数η2=1，客户的知识传授能力系数t2=1，客户的知识拥有量q2分别为为1 000万元和2 000万元时，客户的知识拥有量对云制造企业行为演化结果的影响如图6所示。由图6分析可知，云制造企业行为的演化结果和收敛时间受到客户的知识拥有量的影响。客户的知识拥有量越大，云制造企业越倾向于采取知识转移策略。同理，也可验证云制造企业的知识拥有量对客户行为演化结果的影响，得到以下结论：云制造企业的知识拥有量越大，客户越倾向于采取知识转移策略。可见，云制造企业和客户的知识拥有量越大，他们都采取知识转移策略的可能性就越大，这与结论1中的相关内容一致。

3.2 知识转移意愿对系统演化结果的影响

验证客户的知识转移意愿系数对云制造企业行为演化结果的影响。当客户采取知识转移策略的初始比例y0为0.5，客户的知识传授能力系数t2=0.6，客户的知识转移意愿系数η2分别为0.3、0.5、0.7、0.9时，客户的知识转移意愿系数对云制造企业行为演化结果的影响如图7所示。由图7分析可知，云制造企业行为的演化结果和收敛时间受到客户的知识转移意愿系数的影响。客户的知识转移意愿系数越大，云制造企业越倾向于采取知识转移策略。可见，当客户的知识转移意愿系数在区间(0,1]的范围内变化时，云制造企业行为的演化结果趋向于一致。同理，也可验证云制造企业的知识转移意愿系数对客户行为演化结果的影响，得到以下结论：云制造企业的知识转移意愿系数越大，客户越倾向于采取知识转移策略。可见，云制造企业和客户的知识转移意愿越大，他们都采取知识转移策略的可能性就越大，这也与结论1中的相关内容一致。

同理，通过数值仿真可验证云制造企业和客户的知识传授能力系数、知识吸收能力系数、知识可转移度系数、相互信任程度系数对系统演化结果的影响，得到以下结论：云制造企业和客户的知识传授能力、知识吸收能力、知识可转移度、相互信任程度越大，他们都采取知识转移策略的可能性就越大，这也与结论1中的相关内容一致。

3.3 知识转移成本对系统演化结果的影响

验证客户的知识转移成本对云制造企业行为演化结果的影响。当客户采取知识转移策略的初始比例y0为0.5，客户的知识转移意愿系数η2=0.3，客户的知识传授能力系数t2=0.6，客户的知识转移成本c2分别为38万元和76万元时，客户的知识转移成本对云制造企业行为演化结果的影响如图8所示。

由图8分析可知，云制造企业行为的演化结果和收敛时间受到客户知识转移成本的影响。客户的知识转移成本越高，云制造企业越倾向于不采取知识转移策略。同理，也可验证云制造企业的知识转移成本对客户行为演化结果的影响，得到以下结论：云制造企业的知识转移成本越高，客户越倾向于不采取知识转移策略。可见，云制造企业和客户的知识转移成本越高，他们都不采取知识转移策略的可能性就越大，这与结论2中的相关内容一致。同理，通过数值仿真可验证云制造企业和客户的投机收益系数对系统演化结果的影响，得到以下结论：云制造企业和客户的投机收益越高，他们都不采取知识转移策略的可能性就越大，这也与结论2中的相关内容一致。

4 结论与启示

目前，很多制造企业都采用了云制造的先进制造模式，制造企业的供应链也因此转变为云制造供应链。在云制造供应链的运作过程中，云制造企业作为核心企业，与供应链上下游的供应商、客户等企业进行合作，通过双方企业之间的知识转移，共同从事云服务的研发活动。但是，很多客户并不愿意主动参与云制造供应链的知识转移。所以，为了提高客户参与云制造供应链知识转移的积极性，本文针对客户获得知识的动机，设计云制造供应链知识转移的激励机制，基于演化博弈理论，建立了知识转移激励模型，并对模型进行求解和数值仿真，得出以下研究结论：①云制造企业和客户的知识拥有量、知识转移意愿、知识传授能力、知识吸收能力、知识可转移度越大，他们都采取知识转移策略的可能性就越大；云制造企业和客户的相互信任程度越大，他们都采取知识转移策略的可能性就越大;②云制造企业和客户的知识转移成本、投机收益越高，他们都不采取知识转移策略的可能性就越大。

由以上结论可知，云制造企业对客户的知识转移激励受到诸多因素的影响，因此，云制造企业为了充分激励客户积极主动地参与知识转移，需要采取一些相应的管理策略来提高云制造企业和客户的知识拥有量、知识转移意愿、知识传授能力、知识吸收能力、知识可转移度、相互信任程度等，此外还要降低他们各自的知识转移成本、投机收益等。具体的管理策略如下：

(1)营造学习型企业文化。在云制造企业和客户的合作创新团队中，建立不断学习和创新的学习理念，形成和保持本团队的价值观和团队精神。在此基础上，营造学习型企业文化，即云制造企业除了自身不断地学习以外，还要鼓励客户不断地学习，从而提高客户的知识水平和创新能力。随着客户知识水平和创新能力的不断提高，他们的知识吸收能力也会得到相应的提高，从而形成一种促进客户积极参与供应链知识转移的良性循环。

(2)建立云制造企业和客户之间的信任机制。在云制造企业和客户之间建立一种良好的、紧密的信任机制，对促进他们之间的知识转移具有重要意义。一方面，信任机制能够促进双方作为知识源将自身的知识转移给知识接收方，提高他们的知识转移意愿；另一方面，信任机制能够在双方企业合作创新出现冲突时，促进他们的沟通和交流，从而建立一种良好的冲突处理机制，不仅有效地解决他们之间的冲突，还进一步增强了双方企业的相互信任程度。当云制造企业和客户的相互信任程度增加时，他们各自的知识转移意愿也会增强，知识保护意识也会减弱，从而愿意将更多的知识转移给对方企业，这也就降低了他们各自的知识转移成本。双方企业通过建立一种良好的信任机制，促进他们投入更多的时间和精力进行沟通和交流，从而使得隐性知识显性化，这样也就提高了知识的可转移度，以便于知识的转移，同时也增加了双方企业各自的知识拥有量。

(3)建立云制造企业和客户之间的信息共享机制。通过信息共享，一方面云制造企业能够及时、准确地了解客户需要哪些信息和知识，从而确定相应的知识转移形式；另一方面，客户也能及时、准确地了解云制造企业有哪些信息和知识，从而决定如何发挥自己的优势，获取这些信息和知识。信息共享机制大体形式包括正式和非正式信息共享。正式信息共享可以通过会议、群体讨论等方式实现，非正式信息共享可以通过聚会、休息厅、虚拟社区等方式实现。

(4)建立云制造企业和客户之间的知识转移平台。在云制造企业和客户之间建立一个良好的知识转移平台，即云制造企业和客户应借助先进的网络通信技术、数据库技术等信息技术进行知识转移。此外，双方企业还应借助先进的信息技术建立他们各自的知识库。知识库一方面能够存储企业自身的知识资源，另一方面还能够接收和存储对方企业所转移的知识资源，有利于知识的分析和挖掘，演化产生新的知识，从而增加他们各自的知识拥有量，并且在知识转移过程中不仅降低了需要付出的成本，还节省了知识检索的时间。

(5)建立对客户多样化的培训机制。采取多样化的培训形式(将传统培训、交流式培训和网络培训等培训形式相互结合)，加强对客户的培训，从而提高客户的知识吸收能力。

[1] 李伯虎,张霖,任磊,等.再论云制造[J].计算机集成制造系统,2011,17(3):449-457.

LI Bohu, ZHANG Lin, REN Lei,et al. Further Discussion on Cloud Manufacturing[J].Computer Integrated Manufacturing Systems, 2011,17(3):449-457.

[2] 张霖,罗永亮,范文慧,等.云制造及相关先进制造模式分析[J].计算机集成制造系统,2011,17(3):10-17.

ZHANG Lin, LUO Yongliang, FAN Wenhui,et al. Analyses of Cloud Manufacturing and Related Advanced Manufacturing Models[J].Computer Integrated Manufacturing Systems,2011,17(3):10-17.

[3] XIE X L, LIU L, CAO Y Z. Trust Model Based on Feedback Evaluation in Cloud Manufacturing Environment[J]. Advanced Materials Research, 2011,308(8):1740-1745.

[4] 古川,张红霞,安玉发.云制造环境下的供应链管理系统研究[J].中国科技论坛,2013,1(2):122-127.

GU Chuan, ZHANG Hongxia, AN Yufa. On Supply Chain Management System in Cloud Manufacturing Environment[J].Forum on Science and Technology in China,2013,1(2):122-127.

[5] 李芳,武超然.云制造环境下供应链节点企业的优化组合[J].计算机应用研究,2014,31(6):1644-1647.

LI Fang, WU Chaoran.Optimal Composition of Supply Chain Node Enterprise in Cloud Manufacturing[J]. Application Research of Computers,2014,31(6):1644-1647.

[6] 黄辉,纪玉娇,王哲,等.基于云制造的供应链网络构建研究[J].制造业自动化,2018,40(8):110-116.

HUANG Hui, JI Yujiao, WANG Zhe, et al. Supply Chain Network Establishment Based on Cloud manufacturing[J].Manufacturing Automation, 2018,40(8):110-116.

[7] 王平,潘燕华.云制造环境下供应链协同机理的实证研究[J].南通大学学报(社会科学版),2019,35(1):99-106.

WANG Ping, PAN Yanhua.Empirical Research on Supply Chain Collaboration Mechanism in Cloud Manufacturing Environment[J]. Journal of Nantong University(Social Sciences Edition), 2019,35(1): 99-106.

[8] HAGHIRIAN P. Does Culture Really Matter? Cultural Influences on the Knowledge Transfer Process within Multinational Corporations[C]//Proceedings of the 11th European Conference on Information Systems.Naples:DBLP,2003:740-751.

[9] CHUA A L, PAN S L. Knowledge Transfer and Organizational Learning in IS Offshore Sourcing[J].Omega,2008,36(2):267-281．

[10] 周钟,陈智高.产业集群网络中知识转移行为仿真分析：企业知识刚性视角[J].管理科学学报,2015,18(1):41-49.

ZHOU Zhong, CHEN Zhigao. Simulation of Knowledge Transfers in Industrial Cluster Networks: a firm’s Knowledge Rigidity Perspective[J]. Journal of Management Sciences in China,2015,18(1):41-49.

[11] ESTHER W D V, DOLFSMA W A, van der WINDT H J, et al. Knowledge Transfer in University-Industry Research Partnerships: a Review[J]. The Journal of Technology Transfer, 2019,44(4): 1236-1255.

[12] 朱简.基于供应链知识转移的企业技术创新能力提升[J].湖北经济学院学报,2016,14(3):81-85.

ZHU Jian. Technology Innovation Ability Improving of Enterprises Based on the Knowledge Transfer on Supply Chain[J]. Journal of Hubei University of Economics,2016,14(3):81-85.

[13] WEI Y, MIRAGLIA S. Organizational Culture and Knowledge Transfer in Project-based Organizations: Theoretical Insights from a Chinese Construction Firm[J].International Journal of Project Management, 2017, 35(4):571-585.

[14] 宋华,麦孟达.供应链知识管理及其二元能力对企业绩效的影响[J].中国流通经济,2018,32(12):63-74.

SONG Hua, MAI Mengda. The Impact of Supply Chain Knowledge Management and Supply Chain Ambidexterity on Corporate Performance[J]. China Business and Market,2018,32(12):63-74.

[15] 楚岩枫,郝鹏飞.开放式创新下合作型研发外包中知识转移的激励研究：基于演化博弈模型[J].科技管理研究,2019,39(5):136-144.

CHU Yanfeng, HAO Pengfei. Incentive Research on Knowledge Transfer in Cooperative R&D Outsourcing under Open Innovation：Based on Evolutionary Game Model[J]. Research on Science and Technology Management,2019,39(5):136-144.

[16] 李春发,赵乐生.激励机制影响新创企业知识转移的系统动力学分析[J].科技进步与对策,2017,34(13):128-135.

LI Chunfa, ZHAO Lesheng.System Dynamic Analysis of the Effect of Incentive Mechanism on Knowledge Transfer in Start-up[J].Science & Technology Progress and Policy,2017,34(13):128-135.

[17] DING X H, HE Y, WU J, et al. Effects of Positive Incentive and Negative Incentive in Knowledge Transfer: Carrot and Stick[J]. Chinese Management Studies,2016, 10(3):593-614.

[18] LEDEBUR V, SIDONIA C. Optimizing Knowledge Transfer by New Employees in Companies[J]. Knowledge Management Research & Practice, 2007,5(4): 229-236.

[19] 涂静, 马辉民.隐性知识外包的激励机制研究[J].图书情报工作,2008,52(10):58-61.

TU Jing, MA Huimin.Research of Incentive Mechanism in Tacit Knowledge Outsourcing[J]. Library and Information Service,2008,52(10):58-61.

[20] 曹兴,秦耀华.技术联盟知识转移激励模型及其实证[J].管理科学,2011,24(3):25-33.

CAO Xing, QIN Yaohua.Empirical Study on the Incentive Model of Knowledge Transfer within Technology Alliance[J]. Journal of Management Science,2011,24(3):25-33.

[21] 沈娜利,沈如逸,肖剑,等.大数据环境下供应链客户知识共享激励机制研究[J].统计与决策,2018,34(10):36-41.

SHEN Nali, SHEN Ruyi, XIAO Jian, et al. Research on Incentive Mechanism of Customer Knowledge Sharing in Supply Chain under Environment of Big Data[J]. Statistics and Decision, 2018,34(10):36-41.

[22] 菅利荣,王大澳.政府调控下的战略性新兴产业集群企业知识共享演化博弈[J].系统工程,2019,37(4):30-35.

JIAN Lirong, WANG Daao. Knowledge Sharing Mechanism of Enterprises in Strategic Emerging Industrial Clusters under Government Regulations[J]. Systems Engineering,2019,37(4):30-35.

[23] 刘建设.组织知识共享行为及其激励机制研究[D].北京:北京邮电大学,2010:49-69.

LIU Jianshe. Study on Organization Knowledge Sharing Behavior and Its Incentive Mechanism[D].Beijing: Beijing University of Posts and Telecommunications,2010:49-69.

[24] 尚永辉.基于演化博弈的IT外包知识转移问题研究[D].西安:西安电子科技大学,2012.

SHANG Yonghui. Study on the Problem of Knowledge Transfer in IT Outsourcing Based on Evolution Game[D]. Xi’an: Xidian University,2012.

[25] 郑汉东,陈意,李恩重,等.政府推动再制造产业发展的演化博弈策略研究[J].中国机械工程,2018,29(3):340-347.

ZHENG Handong, CHEN Yi, LI Enzhong, et al. Research on Evolutionary Game Strategy of Promoting Development of Remanufacturing Industries by Government[J].China Mechanical Engineering,2018,29(3):340-347.