合作网络、知识网络嵌入下企业探索性创新绩效影响机制研究.pdf

Sweeping over the Management|管理纵横MODERN BUSINESS现代商业108合作网络、知识网络嵌入下企业探索性创新绩效影响机制研究唐庆华樊钱涛浙江科技学院经济与管理学院浙江杭州310023基金项目：国家社会科学基金一般项目（20BJY087）；浙江省高校重大人文社科攻关计划项目（2021GH029）；浙江省哲学社会科学规划课题（21NDJC106YB）。摘要：本文探究创新网络中不同网络嵌入下和网络间的交互关系对企业探索性创新绩效的影响。基于国家知识产权局上 20102019 年间的信息与通信技术制造业企业的专利数据，分别构建企业发明人合作网络和知识网络，并基于结构视角，分析两种网络结构特征对企业探索性创新绩效的影响，以及知识网络密度对上述关系的调节作用。得到以下结果：探索性创新绩效与合作网络中心度之间存在倒 U 型关系，而与合作网络结构洞、知识网络密度具有负向关系；知识网络密度负向调节合作网络中心度对企业探索性创新间的倒 U 型影响，而会正向调节合作网络结构洞对探索性创新的负向影响。本研究结果为深化创新网络理论提供参考。关键词：网络嵌入；知识网络密度；合作网络结构特征；探索性创新中图分类号：F270；F204文献识别码：A文章编号：1673-5889（2023）20-0108-04探索性创新对企业产品技术升级和抢占资源市场具有重要意义。在面临经济转型困难、市场竞争和国际挑战加剧的背景之下，探索性创新在提升企业核心竞争力中的作用日益突出1。但是，企业面临着研发投入大、风险高和经验不足等条件限制，致使企业进行创新的难度加大。源于技术的合作创新网络已成为企业提升探索性创新能力的重要途径。因此，如何利用创新网络进行探索性创新已经成为学术界和产业界关注的热点之一。本 文 利 用 国 家 知 识 产 权 局 上 的 信 息 与 通 信 技 术（information and communications technology，ICT）制造业的发明型和实用新型专利数据，分别构建企业发明人合作网络和知识网络，并基于结构视角，分析两种网络结构特征对企业探索性创新绩效的影响，以及知识网络对上述关系的调节作用。分析合作网络与知识网络交互作用的内在机理，并将两种网络结合到同一研究框架中，对以后创新网络理论的拓展具有指导和借鉴意义。一、理论分析与研究假设（一）知识网络密度与企业探索性创新网络密度作为整体网的主要指标之一，体现了知识网络中各个知识元素之间联系的紧密程度。知识网络密度较低，表示企业已有的知识元素间组合的能力不足，组织为了拓展知识存量就必须从事更多的探索性创新活动2，为未来产生新的技术成果提供知识基础。但是，由于知识网络密度的提高，企业为了将搜索到的新知识融入进已有的知识网络，需要将获取的新知识进行吸收、利用并转变为符合企业创新需求的知识要素3，而为了实现这一转变，企业将会产生极大的时间成本和巨大研发投入，进而抑制了探索性创新。由此，得到如下假设。H1：知识网络密度对企业探索性创新绩效具有负向影响。（二）合作网络与企业探索性创新绩效首先，随着发明人合作网络中心度的增加，与其连接的其他发明人数量就更多，这就意味着发明人可以接触到更多的异质性知识4，从而促进了探索性创新。然而，当中心度过高时，也会给企业的探索性创新行为带来风险和成本。首先，学习成本和时间成本的显著增加；其次，造成信息过载和冗余风险；再次，发明人容易陷入认知锁定，从而不利于企业创新成果的产出。由此，得到如下假设。H2：合作网络中心度与企业探索性创新绩效呈倒 U 型关系。位于高结构洞位置的发明人与其他网络成员之间处于非连接关系，以及这些网络成员间默契度较低，因此会对企业将外部知识的有效转移造成不利结果。相反，闭合网络对于知识的转移效果作用更明显，因为闭合网络中网络成员间的联系更加密切与并存在较高的默契度，进而加快了异质性知识的转移和吸收。张娜5关于 32 家纳美技术领域企业研究指出，闭合网络结构有利于企业获取合作网络内的多元化新知识，有助于企业开展探索性创新活动。由此，得到如下假设。H3：合作网络结构洞对企业探索性创新绩效具有负向影响。（三）知识网络密度的调节作用首先，低知识网络密度表示企业已有知识网络内知识要素间组合机会较少，发明人需要搜索更多新知识要素以扩大知识Sweeping over the Management管理纵横|MODERN BUSINESS现代商业109储备6。因此，低知识网络密度增强了中心度与探索性创新间的积极影响，即正向作用曲线斜率变大。然而，低知识网络密度也扩大了中心度给企业造成的风险和投入。当中心度位置所获取的外界新知识到达一定阈值时，将会导致知识冗余和信息过载风险加重7。因此，低知识网络密度，加强了过高中心度与探索性创新间的消极影响，即负向作用曲线变陡。由此，得到如下假设。H4：知识网络密度负向调节中心度与企业探索性创新绩效之间的倒 U 型关系。知识网络密度强化了合作网络结构洞的作用。从知识网络层面，当企业的知识网络密度较高时，说明已有知识网络中存在大量的知识要素组合机会，发明人受组织惯性和思维定式8的影响，更倾向于在已有知识领域内组合知识，不会花费更多时间、精力去探索新知识要素。由此，得到如下假设。H5：知识网络密度正向调节结构洞与企业探索性创新绩效之间的负向关系。综上，本文基于 5 个假设分析的理论模型如图 1 所示。图1理论模型二、数据和变量（一）数据来源与样本选择本研究选取国家知识产权局上 ICT 制造业的发明型和实用型专利数据进行实证研究。专利作为企业技术创新产出的关键载体，囊括了专利申请日期、专利权人、国际专利分类号（InternationalPatent Classification，IPC）、发明人等较全面的研发产出信息，由于 2010 年后专利数据比较全面，因此本文选取国家知识产权局上 ICT 制造业 20102019 年的专利数据作为实证研究的数据基础。为了选取具有代表性的样本数据，本文对收集到的数据进行清洗：删除了专利权人中不包含企业的专利数据，并筛选出 20102019 年内一直保持专利申请的企业，最终得到 553 家企业的 2765 个实证研究样本。本文选取专利数据中的专利权人和发明人等信息构建合作网络，一项专利的产生包含了多个发明人，假如两个发明人共同完成一项专利的研发，那么两者之间构成合作网络连接关系。本文选取专利权人和 IPC 号构建知识网络，一项专利包含了多个不同技术类别的 IPC 分类号，将 IPC 分类号的前 4 位作为知识要素的代理指标7，如果同一项专利中出现两个不同类型的IPC 分类号（知识要素），那么两者具有知识网络连接关系。并且选取 IPC 分类号作为探索性创新绩效的测度方案。参考 Guan和 Liu9的研究方法，本文将五年（t-5 至 t-1 年）作为滚动时间窗口，用前五年（第 t-5 至 t-1 年）的发明和实用型专利数据，构建该年（第 t 年）的合作网络、知识网络，并研究其对该年（第 t 年）的探索性创新绩效的影响。本文利用专利数据信息，使用 UCINET6.0 软件可视化工具，绘制出 20102014 年内的企业知识网络和发明人合作网络模型（如图 2、图 3 所示）。图2知识网络模型图3发明人合作网络模型（二）变量及测度1.因变量探索性创新绩效是指企业每年研发的创新性成果中隶属新技术领域中的已经申请成功的专利个数10，即企业第 t 年申请成功专利中的 IPC 分类号，与前五年（t-5 至 t-1 年）申请的专利中的 IPC 分类号相比，存在新 IPC 分类号的专利个数9。2.自变量知识网络密度（D）。为企业五年间的（第 t-5 至 t-1 年）的知识网络的密度。具体计算公式如下：*(1)lDnn=（1）在本文中表现为，l 表示 IPC 之间实际连接个数；n 为网络中 IPC 分类号的个数；n*（n 1）为 IPC 分类号间的最大可能连接数。Sweeping over the Management|管理纵横MODERN BUSINESS现代商业110合作网络的结构洞（t-5 至 t-1 年网络中的结构洞值）。常用有效规模、效率、限制度和等级度指标来测度结构洞，其中最常用的为限制度。具体计算限制度的公式为：2jq()ijijiqqCPP P=+（2）其中 Pij表示结点 i 与 j 发生关联关系的频次占结点 i 所有关系的比例；Piq含义类似，PiqPjq表示结点 i、j 之间连结的冗余程度。限制度代表结点之间的冗余程度，限制度越高，意味着结点结构洞越少。本文应用计算“2-Cij（限制度）”的值表示此结点结构洞的值，并取网络中全部网络成员的结构洞均值来表征企业合作网络结构洞值。合作网络中心度。本文采用度中心度作为测度指标，即与结点直接相连的其他结点个数，并取网络中发明人的中心度均值来表征企业合作网络中心度值。3.控制变量借鉴以往研究，本文选取企业合作网络密度（第 t-5 至 t-1年企业合作网络的密度）、企业研发强度（企业授权的过去 5 年的专利数量）作为此次研究的控制变量，目的是为了控制其他因素对企业探索性创新绩效的影响。三、实证研究（一）描述性统计与相关性分析本文通过 Stata16.0 软件计算得到各变量的值。从表 1 可以看出，所选企业在 ITC 制造业中的探索性创新绩效均值为4.177，这表示企业每年对新技术领域的创新成果较少，平均每年仅为 4.177 件。合作网络中心度均值为 6.041，这可以看出所选企业 5 年间的发明人彼此间的合作研发次数为 6 次。此外，合作网络结构洞、知识网络密度、合作网络密度以及企业研发强度的均值分别为 1.468、0.328、0.222 和 2.281。根据相关分析结果可知，所有变量相关系数都低于 0.7，且自变量方差膨胀因子（VIF）值最高为 2.21，因此不存在多重线性的问题。另外，两种网络各变量之间的相关系数都较低，可以认为两种网络之间的不匹配关系表1描述性统计与相关性分析变量123456VIF探索性创新1合作网络中心度0.064*12.21合作网络结构洞0.052*0.674*11.92知识网络密度0.225*0.035*0.00411.40合作网络密度0.190*0.125*0.360*0.347*11.18企业研发强度 0.248*0.059*0.037*0.135*0.132*11.03均值4.1776.0411.4680.3280.2222.281标注差7.2873.4940.2270.2840.2283.037注：*表示p0.01，*表示p0.05，*表示p0.1。（二）回归结果分析鉴于面板样本数据中因变量的取值都为非负整数，方差大于均值，因此选取随机效应面板负二项回归模型对各变量进行分析。对 5 个模型进行回归分析，结果分析如表 2 所示。表2回归分析结果探索性创新绩效模型一模型二模型三模型四模型五自变量知识网络密度0.245*（3.31）0.269*（3.56）2.007*（4.71）1.113*（2.99）合作网络中心度0.075*（4.15）0.044*（1.93）0.076*（4.20）合作网络中心度20.005*（4.66）0.005*（3.90）0.005*（4.83）合作网络结构洞0.221*（1.81）0.209（1.34）0.021（0.14）交互项合作网络中心度*知识网络密度0.065*（3.19）合作网络中心度2*知识网络密度0.005*（3.57）合作网络结构洞*知识网络密度0.582*（2.31）控制变量合作网络密度0.317*（3.40）0.381*（3.98）0.499*（4.43）0.556*（4.90）0.509*（4.51）企业研发强度0.000*（6.30）0.000*（6.26）0.000*（5.38）0.000*（4.73）0.000*（5.45）Constant1.528*（32.62）1.486*（30.13）1.590*（8.71）1.159*（5.19）1.305*（5.92）Chisquare49.9460.4884.51119.1689.56样本观测数2 7652 7652 7652 7652 765企业个数553553553553553注：*表示p0.01，*表示p0.05，*表示p0.1。模型一是所有控制变量对企业探索性创新影响的回归结果，这些控制变量的影响在其他各个模型中基本一致。模型二中，企业知识网络密度与企业探索性创新绩效的系数为负且显著（=-0.245，p0.01），假设 H1 得到验证。模型三中加入了合作网络中心度和结构洞两个变量。回归结果显示，合作网络中心度一次项的系数为正且显著（=0.075，p0.01），且中心度的二次方项系数为负且显著（=-0.005，p0.01），这表明中心度与企业探索性创新绩效之间呈现倒 U 型关系，因此支持假设 H2。另外，在模型三中，结构洞与企业探索性创新绩效系数为负且显著（=-0.221，p0.1），说明结构洞越高，探索性创新绩效反而更低，因此假设 H3 得到支持。模型四中引入知识网络密度作为调节变量对中心度与企业探索性创新绩效之间的关系进行调节分析。其中，合作网络中心度的二次方项与知识网络密度的交互项的系数为正且显著（=0.005，p0.01），知识网络密度较低时，倒 U 型曲线更加陡峭，支持假设 H4。模型五中，探究知识网络密度与合作网络结构洞指标的交互作用，回归结果显示二者交互项系数为负且显著（=-0.582，p0.05），支持假设 H5。Sweeping over the Management管理纵横|MODERN BUSINESS现代商业111四、结论与启示第一，企业知识网络密度对企业探索性创新绩效具有消极影响。低知识网络密度就意味着企业在已有知识领域内缺乏知识重新组合的机会，企业将会扩大对外界多元化新颖知识的需求；相反，伴随着知识网络密度的提高，领域内的知识要素之间联系更加紧密，提供了更多知识重新组合的机会。企业发明人会受到行为惯性影响，更容易选择对已有知识进行深入发掘，不愿意花更多精力去跨越组织边界学习外部多元化新知识，从而阻碍了探索性创新绩效的增加。第二，企业发明人处于适度的网络中心位置有助于提高企业探索性创新绩效。当达到一定高度合作网络中心度之前，处于中心位置的企业可以获取大量的异质性新颖知识，但是一旦超过这一阈值也将给企业造成巨大的研发投入、信息过载及冗余风险。然而，企业发明人处于结构洞位置则不利于探索性创新绩效的提高。处于结构洞位置的发明人彼此之间缺乏信任，且默契度较低，导致外部多元化知识吸收和转移变得更加困难，因此不利于探索性创新绩效的增加。第三，知识网络密度对合作网络结构特征与企业探索性创新绩效之间的关系具有调节作用。较低的网络密度，使企业更倾向于对外部新颖知识学习、吸收与转化；但当中心度过高时，网络密度也增加了企业在探索知识时面临的成本和风险。然而，高密度知识网络强化了网络稀疏性，并影响了企业对外部知识探索意愿，从而加强了结构洞位置给企业带来的负向效应。高密度知识网络意味着已有的知识网络内的知识组合潜能较大，发明人受组织惯性和思维定式的影响，更愿意在已有知识领域内组合知识，而不会花费更多时间、精力去搜寻新知识要素；同时，降低了企业发明人之间的交往与合作频率，扩大了占据合作网络中结构洞位置的网络稀疏性。本研究对企业提升探索性创新绩效具有如下启示：（1）企业应该在已有知识基础上，鼓励发明人打破思维惯性，注重学习外部异质性知识，通过不断探索新知识组合能力、创造新成果来提升企业市场竞争力。（2）企业在构建合作网络时，应该为发明人开展跨组织、跨技术领域的合作创造稳定的内外部环境，以此促使发明人向外部寻求新技术合作的意愿；但不是一味的增加合作伙伴，需要保持适度原则并选择符合企业本身利益的伙伴，以期达到合作的最佳规模和利益最大化。参考文献：1 厉娜，谢在阳.创新研究新视角探索性创新与突破性创新关系研究J.现代管理科学，2019（10）：64-66.2 Carnabuci G，Bruggeman J.Knowledge specialization，knowledge brokerage and the uneven growth of technology domainsJ.Social forces，2009，88（2）：607-641.3 Tortoriello M.The social underpinnings of absorptive capacity：The moderating effects of structural holes on innovation generation based on external knowledgeJ.Strategic Management Journal，2015，36（4）：586-597.4 Jansen J J，Van Den Bosch F A，Volberda H W.Exploratory innovation，exploitative innovation，and performance：Effects of organizational antecedents and environmental moderatorsJ.Management Science，2006，52（11）：1661-1674.5 张娜，刘凤朝.双层次合作网络构建对企业探索性创新绩效的影响J.管理工程学报，2021，35（1）：1-11.6 Wang Chunlei，Rodan S，Fruin M，et al.Knowledge networks，collaboration networks，and exploratory innovationJ.Academy of Management Journal，2014，57（2）：484-514.7 Kilduff M，Brass D J.Organizational social network research：Core ideas and key debatesJ.Academy of Management Annals，2010，4（1）：317-357.8 姚艳虹，龚榆.双层网络嵌入下结构洞对企业二元创新的影响J.科技进步与对策，2022，39（1）：99-109.9 Guan Jiancheng，Liu Na.Exploitative and exploratory innovations in knowledge network and collaboration network：A patent analysis in the technological field of nano-energyJ.Research Policy，2016，45（1）：97-112.10March J G.Exploration and exploitation in organizational learningJ.Organization science，1991，2（1）：71-87.作者简介：1.唐庆华（通讯作者），浙江科技学院经济与管理学院，硕士研究生，研究方向：技术创新管理。2.樊钱涛，浙江科技学院经济与管理学院，副教授，博士，研究方向：技术创新管理。