图1用户创新行为界定
王 磊1，2，马龙江2，彭 巍2，郑 庆2，郭 伟2
(1.天津大学 装备设计与制造技术天津市重点实验室；2.天津大学 机械工程学院，天津 300350)
摘要：群智创新社区是信息化条件下一种新的创新载体和媒介，可以为企业开展产品研发活动提供大量创新创意。为了更好地管理群智创新社区和用户，选取Local Motors社区作为研究对象，通过对不同用户行为进行数据采集与分析，运用聚类分析，从用户创新能力的角度，对不同创新能力的用户进行识别和划分，得出4种不同创新能力的用户类型，并对每种类型的用户进行了社区影响作用分析。科研成果既可丰富相关理论研究，也可为社区管理者提供实践方略与运营建议，有效提升社区管理水平与创新效率。
关键词：群智创新社区；用户行为；创新能力；Local Motors
2017年国务院颁发的《新一代人工智能发展规划》中首次提出群智创新社区，其是指充分挖掘群体内每个人的智慧以作出创新决策的社区，又称开放式创新社区，是由信息和通讯技术提供支撑，以终端用户为创新源的结构化集成系统，利用计算机和通讯网络支持产品问题处理或解决方案开发的分布式单位。在群智创新社区中，企业通过虚拟社区聚集大量产品用户，鼓励用户在线参与企业产品创新活动，利用丰富的用户资源，为企业产品开发、改进和创新提供丰富的创新资源，使用户创新真正实现从理念到实践的飞跃。
群智创新社区是一个平等交互空间，对于产品开发、产品缺陷发掘、产品升级具有重大意义。在这里，企业更加了解用户，用户也更加了解产品，产品的品牌依赖度和客户忠诚度更易形成。目前，很多国内外知名企业都建立了自己的群智创新社区进行创新设计，例如星巴克的My Starbucks Idea、小米的小米社区、戴尔的IdeaStorm、华为的开发者社区等。
在群智创新社区中，由于参与者的社会地位、行为习惯、知识能力、交际范围等各不相同，导致社区用户通过网络行为表现出的创新能力和水平参差不齐，这会影响运营人员对创新社区的管理，进而影响社区创新效率。因此，如何在大量社区用户中识别关键创新用户并实现用户创新能力辨别，对于社区用户管理、优质创新信息挖掘和信息识别效率提升等有着重要意义。
越来越多的学者对群智创新社区进行了研究，并且取得了一定成果。如廖晓等[1]运用加权知识网络方法对群智社区中知识网络进行了建模和仿真分析；陈良煌[2]运用统计分析方法对群智社区中用户参与影响因素进行了统计与归纳；戚桂杰等[3]运用聚类分析方法对群智社区中用户贡献度进行了分析。可以看出，主要研究领域集中在群智创新社区中的知识网络建模、用户参与影响因素、用户贡献度等方面，而对群智创新社区中的本质问题即创新能力的研究相对较少。针对这一现状，本文以Hippel提出的创新理论为基础，结合数据挖掘技术，对群智创新社区中用户创新能力展开系统研究，分析创新主体结构并提出关键创新用户识别方法，在此基础上对这一用户群体进行分类，进而研究他们对于创新的不同影响作用。
为了分析群智创新社区中用户创新能力，本文将有针对性地采集关于用户创新能力的数据，基于数据挖掘方法和聚类分析方法对关键创新用户类型进行划分，对群智创新社区中用户创新能力展开深入研究，以期为群智创新社区用户管理提供理论指导。
群智创新社区源于Jeppesen L B[4]提出的用户参与创新理念，是指通常由企业建立的用于帮助企业顾客利用互联网参与企业创新活动的网络社区平台。目前，国内外学者对于群智创新社区的研究主要集中于社区表现形式、用户参与动机、用户互动质量、用户参与激励等方面。Chan和Lee[5]指出，产品开发不同阶段对应不同类型的网络社区；Fuller[6]在此基础上进一步指出，不存在普适性的“最佳社区模式”，并且提出了社区的重要设计因素；秦敏等[7]从CAS理论视角对用户参与进行了研究；夏恩君等[8]运用数理分析和实证检验得出了影响社区创新绩效的关键因素；Guo等[9]运用社会网络分析和聚类分析方法对社区用户行为进行了分类。
Hipple教授[10]提出，制造商、供应商和用户都有可能是创新源。用户创新的概念也由此引出，并获得大量关注。在此基础上，Freeman C[11]认为用户创新是指“具备相关专业知识和技能的用户参与企业各种产品或工艺改进所从事的一系列相关活动”；吴贵生[12]认为用户创新是用户对其所使用的产品、工艺的创新，包括为自己的使用目的而提出的新设想等，以及对制造商提供的产品或工艺改进；樊银芳[13]从活动和成果两个层面定义用户创新，既包括创新构思、产品原型设计，也包括产品改善成果；Franke等[14]认为，用户创新表现为针对问题提出可能的解决方案、计划以及原型构建等。综合以上观点，本文从方法原创性和问题领域两个维度对用户创新进行定义，形成如图1所示的4个象限。
其中，第一象限代表用户运用原创性方法解决新问题，属于知识原创型创新；第二象限表示用户运用已经存在的方法解决新问题，属于知识应用型创新；第三象限表示用户运用已经存在的方法解决旧的问题，属于知识应用，而不是创新行为；第四象限表示用户运用原创性方法解决旧的问题，属于知识原创性创新。
图1用户创新行为界定
群智创新社区中用户创新能力评价分析的难点在于如何对用户创新能力进行分级划分。本文借鉴已有研究中用户分类相关成果[15-17]，将社区用户按照创新能力分为两种，即关键创新用户和普通创新用户。
关键创新用户是指在群智创新社区中比大部分用户知识体量大、参与范围广、创新能力突出的用户。在群智创新社区中，关键创新用户比普通创新用户更快地识别产品需求，更迅速地解决产品开发问题，更有效地提出产品创新创意与应用途径，他们发出的帖子往往比普通用户的帖子更受社区用户关注，他们回复的内容也常常成为讨论的焦点。因此，关键用户对于产品开发极具价值，是企业和社区管理者最应该关注的用户。
在现有群智创新社区管理中，很难对某个建议的创新性作出准确快速的评判，受限于用户的知识水平、生活环境等因素，其所提出的创新质量普遍偏低。因此，本文从两个方面对群智创新社区中的用户创新能力进行定义：
(1)引领产品创新发展。在群智创新社区中，优质的原创性创新意见或者一个优质的产品问题提出，都可以吸引社区中大量用户参与讨论，从而引领产品创新改进。
(2)推动产品创新改进。在群智创新社区中，回帖数是发帖数的数十倍乃至数百倍，说明原创性想法或者问题解决方案的提出更多地是在某个具体内容下与其余用户交互过程中产生的。这些创新的提出不是为了引领用户创新的热点或产品创新方向，而是为了在某个具体的创新构思下或者具体问题解决方案下提出可以切实改进原有产品问题的创新。
本文通过选取典型群智社区中用户行为数据，经过数据采集与处理，运用聚类分析对数据进行聚类处理，通过对每一类别用户的行为进行特征分析，将用户按照其网络行为所表现出的创新能力进行分类分析，为群智创新社区用户管理提供理论指导。研究框架如图2所示。
图2实例验证框架
本文选择全球最大的汽车设计交流社区Local Motors作为研究对象。Local Motors主营创新汽车和飞行器设计研发，实行全程线上运行模式，开创了用户参与汽车生产的崭新模式。它作为大型个性化定制汽车公司，全公司只有200余名员工，其它的产品研发、产品制造、产品装配、产品优化人员完全来自于网络社区(https://localmotors.com/)，因此Local Motors是群智创新社区的典型。通过用户在网络社区的资源分享，在线上即可完成设计师召集、图纸绘制、厂商集结和产品展出等全部生产流程，成功展示了群智创新社区的能力和潜力。相对于其它群智社区，如小米社区将群智重点放在产品改进提议上，华为的开发者社区将群智重点放在产品开发商上，Local Motors全程依赖于社区用户参与，且在社区中用户交流内容大多与创新相关，无意义对话较少。因此，选择Local Motors作为分析用户创新能力的典型实例极具现实价值与研究代表性。
Local Motors社区按照产品进程和形式将产品信息分为Ideas、Brainstorms、Designs、Sparks、Project、Challenges、How-tos。其中，Project是已经进入制造阶段的产品， 这个模块的产品前期准备已经比较完善， 将该产品在Ideas、Brainstorms、Designs 模块的内容集成， 通过随时反馈微型工厂加工现状进行生产讨论， 是整个讨论社区最完整最核心的模块。因此，本文选择用户人数最多、用户参与内容最完整、信息量最大的Project模块作为数据来源。Project模块中的产品数量很多，要求本文所选取数据具有代表性。因此，制定以下数据选择原则：
(1) 选择的数据覆盖多个产品知识内容。Local Motors讨论量和生产量最多的产品就是车辆，而社区中有关车辆的项目分为整车项目、汽车软件开发项目，由于整车项目包含的信息更加全面，在用户参与中也会有更多用户创新内容，因此，将选择分析的项目定为实体整车设计项目。
(2) 评论量足够。由于采集的项目数据需要在后期进行用户创新能力提取，因此，要求这些项目的讨论量必须足够。评论量在一定程度上可以反映项目成熟度，评论量越多，项目成熟度越高，用户参与创新也就越多。通过计算Project模块的评论统计和平均值，确定评论量为300～2 000条的项目作为可选项目。
(3) 用户知识结构集中。评论量反映项目参与完整度的缺陷在于它并不能排除“多用户少评论”问题，即一个项目评论量很多，参与者也很多，但平均到每一个用户的个体评论量很少，这样的项目在讨论中肯定存在大量非相关讨论。因此，需要设定单用户评论量指标来剔除这一类项目。最终确定选择指标如下：
(1)
其中，i代表项目编号；SCi代表第i个项目的单用户平均评论量；Ci代表第i个项目的总评论量；Ui代表第i个项目的参与用户数。
根据以上3个原则，最终选取Project下LM SF-01为数据采集主体。
本文使用由Java编写的爬虫软件，对Local Motors网站Project板块的下属Explore和Discuss版块进行实例数据采集。由于Local Motors的评论内容以深度页面形式呈现，即一个用户发起一个主题(Topic)，点击进入后才能看到该主题下的相关讨论内容(Content)，因此，不能用单一规则实现一个项目所有信息的抓取，而需要分别在Topic和Content两个维度进行数据抓取。
分别建立两个维度下的指标，对实例数据进行采集。在Topic维度下选择的数据指标有activity、name、time、last_response；在Content维度下选择的指标有name、time、content_txt、content_img，具体的规则建立如图2所示，共得到数据11 346条。
为了确保数据质量，还需对所收集的数据进行重复值删除和筛选处理，从而选取无重复的符合研究时间范围要求的实验样本数量。经数据处理和筛选后，共得到符合要求的用户数量705名，样本数据9 831条。
图3数据爬取规则的建立
关键创新用户识别，就是要识别出在群智创新社区中通过网络行为表现出的创新能力超出普通用户的用户。通过对实验数据的分析，本文主要对用户行为中的Receive和Comment动作进行分析。Receive指用户在统计时间段内发表的主题所收到的评论数量，用于衡量用户在引领创新方面的能力；Comment指用户在统计时间段内发表的评论数量，用于衡量用户在推动创新方面的能力。
为了确保数据质量，本文分别统计每个项目中单个用户发表主题的平均讨论量和参与的评论量，将主题按讨论量进行数据筛选，选择数量在第三四分位数之上的用户，认为这类用户为创新能力突出的用户，从而将没有获得社区用户吸引力的创新程度低的用户排除出去。
其中，第三四分位数的计算方法借鉴祁德军[18]的研究：
(2)
其中，Q3表示社区用户回复次数或主题讨论次数的第三四分位数；n表示社区用户回复次数的最大值或主题讨论次数的最大值。
经上述处理后的样本数据结构如表1所示。
本文采用聚类分析方法对数据样本进行处理。聚类分析就是利用多个指标对样本进行分类的统计分析方法，主要采用最常用的K-Means方法，通过Average_Comment和Comment_topic两个指标对Local Motors的社区用户进行聚类分析。Average_Comment是指在该用户创建的每个topic下能收到的平均评论数量；Comment_topic是指该用户评论他人的topic所发表评论总数量。借鉴以前学者的研究成果[19-20]，在聚类分析中4～6类的集群是最优的。因此，本文在聚类分析中，分别将K值设置为4、5、6，并对其进行具体聚类分析。综合比较得出K=4的用户分类方案最有意义，理论解释也最为合理。如表2-表4所示，该聚类分析经过8次迭代最终得到4类集群，各变量均已通过显著性检验。
表1数据处理后LMSF-01项目数据样本示例
表2聚类结果的方差分析
表3聚类结果
表4聚类中心
Local Motors的社区用户创新行为主要表现为以下4种特征：
(1)第一类用户：共2人，占0.28%，对应聚类集群1。该类用户是参与创新行为最多的一类用户，其所发布的创意主题所能获得评论最多，对其他用户的吸引力最高(Average_Comment指标的聚集中心值最高，为74.54)，而且这类用户对于参与其他用户创新的评论活动的积极性最高，主动进行评论的数量最多(Comment_topic指标的聚集中心值最高，为661)。
(2)第二类用户：共668人，占94.75%，对应聚类集群2。该类用户是参与创新行为最少的一类用户，这类用户很少主动发布创意主题，很少获得其他用户的评论，对其他用户的吸引力最差(Average_Comment指标的聚集中心值最低，为3.30)，而且这类用户很少主动评论其他用户的创新创意(Comment_topic指标的聚集中心值最低，为6)。
(3)第三类用户：共5人，占0.71%，对应聚类集群3。该类用户的创新能力较差，对于其他用户的吸引力偏低(Average_Comment指标的聚集中心值偏低，为35.80)，但是，这类用户对社区内其他用户的创新内容具有强烈兴趣，愿意积极主动地针对其他用户的创新发表自己的建议(Comment_topic指标的聚集中心值偏高，为257)。
(4)第四类用户：共30人，占1.42%，对应聚类集群4。该类用户的创新能力较强，对其他用户的吸引力偏高，(Average_Comment指标的聚集中心值偏高，为72.38)，但是这类用户对于评论其他用户创意的积极性较差，较少主动评论其他用户的创新创意(Comment_topic指标的聚集中心值偏低，为100)。
用户创新能力的体现，主要取决于社区用户之间的交流交互，既取决于用户发布的创新内容对他人评论的吸引力，又取决于用户主动参与讨论的积极性。因此，本文主要通过用户参与其他用户创新主题的评论数(Comment_topic)和发起主题获得的平均评论数(Average_Comment)两个指标，对不同用户的创新能力进行分析。依托上述数据，结合关键创新用户的定义，本文将群智创新社区中的用户按照创新能力进一步分为4种类型：核心创新型用户、引领创新型用户、积极创新型用户和边缘创新型用户。其中，核心创新型用户、引领创新型用户和积极创新型用户均属于社区的关键创新用户。
按照上述规则，可以总结LM SF-01项目关键用户。在本例中有核心创新型用户2名，积极创新型用户5名，引领创新型用户30名，其余的668名用户则是边缘创新型用户，如图4所示。不同创新类型的社区用户对应的创新吸引力、评论创意积极性和创新能力等各不相同，如表5所示。
图4LMSF-01项目创新用户分类统计
(1)核心创新型用户。社区中大多数创新的产生均与这类用户有关,其具有较高的创新能力，可以带动社区内成员积极参与创新，同时，愿意评论别人的创新内容，也愿意分享自己的创新创意。这类用户通过网络行为表现出的创新能力很高，对其他用户有着较强的吸引力，并且愿意主动参与创新评论，是创新社区中最关键的一类用户。
(2)引领创新型用户。从社区创新贡献角度看，这类用户的创意质量较高，可以引领带动社区内创新活动，提出具有较强创新性的话题，引领创新的方向和内容。这类用户虽然较少参与创新讨论，但可以提出具有很强创新性和吸引力的想法。因此，这类用户通过网络行为表现出的创新能力较高，是社区内创新主题的主要引领者。
(3)积极创新型用户。这类用户愿意参与创新话题讨论，也愿意主动评论创新内容，提出自己的创新意见。这类用户往往是群智创新社区中的中坚力量，虽然缺少可以带动引领创新的建设性能力，但是，对于完善创新有着较高的积极性和较强的创新能力，这类用户通过网络行为表现出的创新能力也较高，是社区内创新主题深入进行的主要推动者。
(4)边缘创新型用户。这类用户的数量最多，创新能力也最弱，其很少参与评论他人的创新，自身创新也很难获得其他用户的注意，通过网络行为表现出的创新能力最差。
表5群智创新社区用户创新能力分析
本文基于已有研究成果，以Local Motors中LM SF-01项目为研究对象，采用定量分析和定性分析相结合的研究方法，对其中数据进行采集整理，特别是对用户发表主题的讨论量和参与的评论量进行统计分析，然后结合数据挖掘方法和聚类分析方法，对创新社区关键用户识别进行研究,并提出了用户创新能力类型划分方法，最终根据用户表现将群智创新社区用户创新能力类型分为4种,即核心创新型用户、引领创新型用户、积极创新型用户和边缘创新型用户。其中，核心创新型用户、引领创新型用户和积极创新型用户虽然各自创新能力不同，主要创新领域也不同，但是，均属于群智创新社区中的关键创新用户，社区管理者对这3类用户的创新行为加强管理。
本文创新之处在于，弥补了以往在群智创新社区研究中只针对用户创新影响因素而忽略社区管理者的缺陷，通过对用户创新能力进行针对性研究，使得社区管理者可以更高效地发现具有较高创新价值的内容，提高管理效率和社区运营能力。
本文按照创新能力对群智社区内用户进行分类，对于社区管理工作具有以下实践意义：
(1)社区管理者可以根据不同创新类型的用户制订不同管理措施。如，针对社区内关键稀缺的核心创新型用户，将管理重点放在维持稳固社区-用户关系上，防止该类用户流失，可以加大其权限、地位、奖励等精神和物质激励。针对边缘创新用户，作为“沉默的大多数”，并不一定真的不具备相应的创新能力，应将管理重点放在引导其向引领创新型和积极创新型用户发展上，采取适当的激励措施，鼓励用户在社区中开展更多互动，参与到群智社区建设和运行中来。
(2)社区管理者可以根据每个用户不同的创新能力匹配与其能力相符的工作，从而提高群智社区工作效率和工作质量。如，将创新性要求高的工作分配给引领创新型用户，而将创新性较弱但具有较强实际意义的工作分配给积极创新型用户。通过对工作创新性的划分匹配不同的用户类型，既可以提高社区工作效率，也可以实现人尽其用，并提高用户满意度。
本文局限之处主要在于，仅采用了Local Motors创新社区中的用户数据，虽然该社区是群智社区的代表社区，但仍具有一定局限性。未来可对其它群智社区如戴尔的Ideastorm、海尔的Hope等进行实证研究，使研究结论更具普适性和说服力。
参考文献:
[1] 廖晓,李志宏,席运江.基于加权知识网络的企业社区用户创新知识建模及分析方法[J].系统工程理论与实践,2016,36(1):94-105.
[2] 陈良煌.开放式创新社区用户参与行为影响因素的实证研究[D].南昌：江西师范大学,2015.
[3] 戚桂杰,李奕莹.企业开放式创新社区在线用户贡献度研究[J].科技进步与对策,2016,33(14):81-87.
[4] JEPPESEN L B,MOLIN M J.Consumers as co-developers learning and innovation outside the firm[J].Journal of Business Research,2003(8).
[5] CHAN T Y,LEE J F.A comparative study of online user communities involvement in product innovation and development[J].Management Science,2004(6).
[6] FÜLLER J,JAWECKI G,MÜHLBACHER H.Innovation creation by online basketball communities[J].Journal of Business Research,2007,60(1):60-71.
[7] 秦敏,乔晗,陈良煌.基于Cas理论的企业开放式创新社区在线用户贡献行为研究:以国内知名企业社区为例[J].管理评论,2015,27(1):126.
[8] 夏恩君,张明,朱怀佳.开放式创新社区网络的系统动力学模型[J].科技进步与对策,2013,30(8):14-19.
[9] GUO W,ZHENG Q,AN W,et al.User roles and contributions during the new product development process in collaborative innovation communities[J].Appl Ergon.,2017(7):106-114.
[10] VON HIPPEL E.Lead users: a source of novel product concepts[J].Management Science,1986,32(7):791-805.
[11] FREEMAN C.Networks of innovators: a synthesis of research issues[J].Social Science Electronic Publishing,1991,20(5):499-514.
[12] 吴贵生.用户创新概念及其运行机制[J].科研管理,1996(5):14-19.
[13] 樊银芳.用户创新研究[D].上海：复旦大学,2002.
[14] NIKOLAUS FRANKE S S.How communities support innovative activities[J].Journal of Business Research,2001(2).
[15] 单祥龙.网络社区中领先用户的识别方法研究[D].沈阳：东北大学,2013.
[16] 叶三龙.基于聚类分析的网络社区领先用户发现研究[D].合肥：合肥工业大学,2013.
[17] 赵晓煜,孙福权.协同创新社区中领先用户的自动识别方法[J].武汉理工大学学报：信息与管理工程版,2014(4):537-540.
[18] 祁德军,陈明.试论方差的数学性质在统计实践中的应用[J].统计教育,2002(2):47-48.
[19] 宋媛.聚类分析中确定最佳聚类数的若干问题研究[D].延吉：延边大学,2013.
[20] 王骏,王士同,邓赵红.聚类分析研究中的若干问题[J].控制与决策,2012,27(3):321-328.
Wang Lei1，2，Ma Longjiang2，Peng Wei2,Zheng Qing2,Guo Wei2
(1.Tianjin Key Laboratory of Equipment Design and Manufacturing Technology,Tianjin University； 2.School of Mechanical Engineering, Tianjin University，Tianjin 300350,China)
Abstract：Crowd sourcing innovation community is a new innovative carrier and media under the conditions of information,which can provide a large number of innovative ideas for enterprises to carry out produce research and development activities.In order to better manage the community and users,it selects the Local Motors community as the research object.By collecting data and analyzing the user's behaviors,it uses the clustering analysis to make use of the performance of user's network innovation from the perspective of user's innovation ability.The community user's innovation ability has been divided into four different types.The research not only enriches the theoretical research of crowd sourcing innovation community,but effectively help the community managers to carry out efficient management and enhance the operational capacity as well.
KeyWords:Crowd Sourcing Innovation Community；User Behavior；Innovation Ability; Local Motors
文章编号：1001-7348(2018)18-0042-06
文献标识码：A
中图分类号：F273.1
DOI：10.6049/kjjbydc.2017080521
作者简介：王磊(1976-)，男，天津人，博士，天津大学装备设计与制造技术天津市重点实验室、机械工程学院副教授，研究方向为企业管理、制造业信息化等；马龙江(1992-)，男，天津人，天津大学机械工程学院硕士研究生， 研究方向为知识工程、用户交互等；彭巍(1987-)，男，湖北宜昌人，天津大学机械工程学院博士研究生，研究方向为用户行为分析；郑庆(1989-)，男，四川南充人，天津大学机械工程学院博士研究生，研究方向为面向互联网创新社区的设计理论和方法等；郭伟(1965-)，男，安徽巢湖人，博士，天津大学机械工程学院教授，研究方向为企业管理、制造业信息化等。本文通讯作者：郭伟。
基金项目：天津市科技计划项目(15PTZSTG00010)
收稿日期：2017-11-17
(责任编辑：万贤贤)