创新是一项复杂的社会活动,在当今经济环境下,创新主体倾向于合作创新。而创新网络作为创新主体交互资源、传递知识和信息的渠道,有助于优化创新资源配置[1]。个体利用合作关系建立合作网络,搜索、获取、传递网络中其他行动者拥有的相关知识和信息,以提高自身创新能力。同样地,个体既嵌入在由研发合作类型的社会关系形成的创新合作网络中,也嵌入在以知识组合连接关系形成的知识网络中,通过接触、识别重要知识,提高自身创新水平。创新网络结构特点以及关系强度对创新的影响受到学者高度关注,但研究进路各有不同:有研究关注合作网络、发明者在网络中的位置,如发明者的度中心性[2, 3];还有研究关注知识网络,注重知识要素特征和知识网络结构,如知识深度和广度、知识网络的度中心性和结构洞等。总体而言,当前研究关注合作网络或知识网络两个层次中某一层次的功能机制。然而,创新者既嵌入在合作网络中又嵌入在知识网络中,其创新行为必然受到两个层次要素共同驱动,对创新网络进行多层次研究,有助于理解不同层次及跨层次创新行为。因此,本文试图从多层次网络视角,探讨发明者跨层次创新网络嵌入,尤其是发明者占据的跨层次网络特征对其创新的影响。
鉴于创新对企业发展的重要性,很多学者对此展开了深入探究,并得出创新与合作网络和知识网络密切相关的结论。合作网络作为信息流通的主要渠道,能为创新者带来有益的信息与资源[3]。李健[4]、李守伟[2]等发现合作网络结构特征会对企业创新产生一定影响。同样地,知识网络记录了知识元素在过去创新过程中的组合关系,保留了知识原有的关联轨迹,也会对创新产生影响。例如,徐露允等[5]研究发现,企业知识网络密度提升对利用式创新具有促进作用,但对探索式创新具有抑制作用;张晓黎等[6]对中国通信行业研究发现,知识网络结构洞对创新具有促进作用。然而,这些学者仅从单一网络层面考查了网络结构特征对创新绩效的影响。合作网络是发明者创新的基础,同时发明者通过知识连接、知识组合等活动又嵌入到知识网络中[3, 7]。因此,需要兼顾合作网络和知识网络考察创新活动。也有少数学者如Wang等(2014)、Guan&Liu[3]及刘娜[1]等的研究同时涉及这2个不同的网络,发现合作网络和知识网络是解耦的,且它们的结构和关系特征通过不同方式影响创新,但相关研究并没有将两个网络整合在同一个理论框架中,考察二者间嵌套结构属性对创新的影响。
在创新活动中,发明者合作网络、知识网络及二者隶属关系形成的隶属网络相互连接嵌套,形成了发明者跨层次网络。跨层次网络是一个定义在不同层面、由不同类型节点及其在同一层面内部和跨层面连接关系形成的层级网络结构[9]。从近年来新兴的跨层次网络理论现状看,创新主体间的合作关系、创新主体与知识元素间的隶属关系及知识元素间的组合关系形成了跨层级的创新网络结构,如图1所示。从图1可知,发明者合作网络与知识网络结构相互独立,但彼此又相互嵌套。在合作网络中,拥有紧密连接的发明者拥有的知识元素,并不一定会占据知识网络中心位置。因此,本文引入跨层凝聚性、跨层连通性及隶属点度,以表征这种具有不对称性的多网络嵌套结构特征。跨层凝聚性在一定程度上反映了发明者与其直接合作伙伴拥有共同知识的程度,以及发明者、直接合作伙伴和隶属的知识元素间连接关系的紧密程度,即三元闭包的存在性。一个发明者可能拥有多个知识元素,而这些知识元素之间存在共现关系,本文引入跨层连通性衡量隶属于发明者的知识元素间的连接程度。焦点发明者的隶属点度衡量了隶属于该发明者的知识元素与其它知识元素的关联性,隶属点度越高,说明隶属于发明者的知识元素拥有的知识连接关系越多,越占据网络中心位置。
图1 发明者跨层次网络
综上可知,早期有关创新的研究,主要关注单一网络或单独考察合作网络或社会网络。然而,本研究将社会网络与知识网络紧密联系起来,整合在同一个理论框架中,基于多层次网络结构视角,探讨个体层面(发明者)跨层次网络结构特征对其二元式创新的影响,以填补多层次网络嵌入对创新影响研究的缺口。
March[10]将利用和探索引入管理学领域,描述组织学习的双元化能力,即组织同时执行两种不同的学习活动,以强化自身竞争优势。基于 March的探究,Benner & Tushman[11]等将这一分类方式引入创新领域,提出利用性创新和探索性创新,引领了双元创新研究。本文借鉴Benner & Tushman的观点。其中利用性创新主要是丰富已有知识元素、扩展原有研究成果,而探索性创新则是创造新知识、开拓新领域。二者区别在于,创新成果与原有知识是否关联紧密,甚至是否形成新的技术范式。
在跨层次网络中,跨层凝聚性衡量了焦点发明者与其直接合作伙伴之间知识元素的共同拥有程度。跨层凝聚性越高,说明焦点发明者与其直接合作伙伴之间共同拥有的知识元素越多,知识基础相似性越高。拥有相似知识基础的发明者更倾向于合作,更容易建立较强的合作关系,有利于焦点发明者获取与自身具有相似性和异质性的知识资源,加快隐性、深加工后的知识信息传递。密切联系是建立信任的基础,信任会降低个体对私有知识的隐匿倾向,增强知识分享意愿,降低交易成本[12]。因此,提高跨层凝聚性能够促进发明者尽可能地开发原有知识资源和获取新知识资源,提高资源利用效率,降低交易成本,进而促进利用性创新和探索性创新。
当跨层凝聚性过高时,发明者之间的知识基础相似性高,导致发明者之间转移和共享的知识存量降低,阻碍利用性创新。同时,跨层凝聚性过高意味着发明者之间的联系较强,灵活性不足,会产生同质行为和观点[13],从而抑制探索性创新。由此,提出如下假设:
H1a:发明者跨层凝聚性对其利用性创新的影响呈倒U型;
H1b:发明者跨层凝聚性对其探索性创新的影响呈倒U型。
在跨层次网络中,跨层连通性表示焦点发明者拥有的知识元素与网络中的其它知识元素结合的紧密程度。一方面,跨层连通性越高说明知识元素间结合越紧密,知识元素间的组合关系反映了其历史轨迹。凭借知识元素的记忆性,焦点发明者更容易利用这些知识元素,高效开展利用性创新[14];另一方面,隶属于发明者的知识元素与其它知识元素之间紧密联系,有利于发明者抓住机会、快速识别自身所需的知识元素,并根据特定的创新需求,将原有知识元素、新知识元素进行快速重组,促进探索性创新[15]。
当跨层连通性过高时,焦点发明者拥有的知识元素与其它知识元素紧密连接,同质化现象严重,导致知识元素种类不足,进而阻碍利用性创新。再者,知识元素之间连接过密,会使信息传递边际效用降低,增加发明者的信息识别成本,不利于利用性创新和探索性创新。由此,提出如下假设:
H2a:发明者的跨层连通性对其利用性创新产生倒U型影响;
H2b:发明者的跨层连通性对其探索性创新产生倒U型影响。
跨层次网络的隶属点度是焦点发明者拥有的知识元素点度均值,反映了知识元素在知识网络中所处的位置。占据重要位置的知识元素能在创新过程中发挥关键作用,发明者通过该知识元素能接触到更广泛的知识元素,增加知识元素间的组合潜力,有利于创新活动的开展[8]。
当发明者跨层凝聚性水平较低时,不同发明者之间的知识共同占有率较低,彼此联系不紧密。此时,增加发明者隶属点度,发明者能够接触到更多资源信息,增加知识元素间组合潜力及知识元素重构机会,增强跨层凝聚性对创新的促进作用[15]。当发明者跨层凝聚性水平较高时,发明者之间的知识基础相似性高,联系紧密,信息异质性不足。此时,增加发明者隶属点度,有助于发明者通过关键知识元素获取更多资源信息。然而,这些彼此连接的知识元素间本身具有一定相似性,这样只会进一步增加冗余和重叠的知识元素,不利于探索性创新。因此,当发明者跨层凝聚性高时,增加隶属点度会增强跨层凝聚性对发明者创新的负向作用。由此,提出如下假设:
H3a:隶属点度正向调节跨层凝聚性与发明者利用性创新之间的倒U型关系;
H3b:隶属点度正向调节跨层凝聚性与发明者探索性创新之间的倒U型关系。
当发明者跨层连通性水平较低时,其拥有的知识元素之间联系稀疏,无法充分利用自身知识资源。此时,提高发明者隶属点度,有助于高效识别知识元素,借此接触更多知识元素,增加知识元素重组机会,提高知识重组效率,进而促进探索性与利用性创新。当发明者跨层连通性水平较高时,发明者拥有的知识元素之间连接比较紧密,知识元素冗余现象严重,传递效率的边际效应递减,难以获得异质性知识。此时,增加发明者隶属点度,能加强知识元素间的连接,进一步降低知识元素传递边际效用。因此,高隶属点度增强了跨层连通性对发明者二元式创新的抑制作用。由此,提出如下假设:
H4a:隶属点度正向调节发明者跨层连通性与利用性创新之间的倒U型关系;
H4b:隶属点度正向调节发明者跨层连通性与探索性创新之间的倒U型关系。
基于上述理论分析,构建理论模型如图2所示。
图2 理论模型
电子通信行业专利申请数量多,能清晰反映发明者之间的合作网络和知识网络。本研究选用2002-2017 年华为公司和苹果公司的专利信息,数据来源于美国专利数据(USPTO)。经过初步清洗,得到华为公司的5 800项专利、4 857名发明者,苹果公司的11 510项专利、9 510名发明者。然后,采用移动5年时间窗,利用Sci2 Tool软件,针对华为和苹果公司分别构建10期网络(2002-2006,2004-2008,…,2011-2015)。
基于发明者合作关系构建合作网络,网络节点代表发明者,边代表发明者之间的合作关系。以IPC代码作为知识元素的代理指标,每项专利都能被分到一个或多个4位的IPC代码。然后,以IPC代码为节点,利用它们之间的共现关系构建知识网络。随后,确定每位发明者与其拥有的知识元素之间的隶属关系,构建发明者-知识隶属网络。
因变量为利用性创新和探索性创新,用专利的专利家族大小进行加权计算,因为专利家族取值大小能够反映出专利价值[16]。探索性和利用性专利可通过知识单元测量,具体而言:以5年为回溯期,以专利分类号前4位作为一个技术分类,对探索性专利和利用性专利加以区分。确定发明者在观测年被授予的专利数量,使用专利家族大小进行加权。若一个专利的所有技术分类在过去5年中都出现在该发明者的专利中,则为利用性专利[17];若发明者每年申请的专利所处技术领域与该发明者过去5年已进入的技术领域不同,即为探索性专利[1]。计算公式如下:
(1)
(2)
式(1)中,m是探索性专利总个数,Si是专利i家族大小。式(2)中,n是利用性专利总数,Sj是专利j家族大小。
跨层凝聚性表征了发明者与直接合作伙伴之间的知识共同占有率。本文借鉴Guillaume[18]和Latapy[19]提出的二模网最小聚类方法,利用焦点发明者与其他发明者之间共同拥有的知识元素数量与所有知识元素最小数量比的均值测定。本文研究的是多网络结构,既包括发明者合作网络,也包括知识网络以及隶属网络,这与二模网不同。因此,在原有基础上将二模网最小聚类延伸到多网结构,获取跨层凝聚性,计算公式如下:
(3)
其中,i和j表示一对存在直接联系的发明者,N(N(i))表示距离发明者i距离为1的发明者数量。表示与发明者i、j距离为1的知识元素数量。|N2(i)∩N2(j)|表示发明者i、j共同分享的知识数量,min|N2(i),N2(j)|对应发明者i与其直接合作伙伴j相邻知识元素数量的绝对最小值。
跨层连通性表示发明者知识元素之间的连接程度。借鉴Latapy[19]的公式,用发明者所拥有的知识元素连接数量占所有可能存在的连接数量的比例测定焦点发明者拥有知识元素间的网络连通性。公式表示为:
(4)
其中,i表示焦点发明者,EN2(i)表示隶属于发明者i所有知识元素之间的连接数,而是隶属于发明者i的所有知识元素连接数量的最大可能。
隶属点度借鉴Borgatti& Halgin[20]提出的二模隶属网度中心,并将其扩展到多网络结构,用以描述发明者-知识元素隶属网络中的度中心性。该变量可以通过对发明者所有的知识元素的度中心性求平均值得到。计算公式如下:
(5)
其中,∑d2(im)表示隶属于发明者i的所有知识元素度中心之和,N2(i)表示与发明者i距离为1的知识元素数量。
本文加入发明者特征和网络结构变量,控制其它因素对发明者二元式创新的影响。由于研发强度会直接影响发明者的创新产出,因而以专利存量作为研发强度的代理变量,即发明者在过去4年获得的专利数量总和。此外,任期用当年年份与发明者首次申请发明专利年份跨度计算。考虑到一些网络结构特征可能对结果产生影响,加入合作网络接近中心性、度中心性、平均路径、结构洞等网络指标。
因变量属于计数型变量,呈现为离散型,因此采用负二项模型。利用 Hausman检验对随机效应和固定效应进行选择,发现具有固定效应的模型更适合分析本研究面板数据。因此,选用固定效应负二项回归模型进行估计。
华为公司和苹果公司样本数据变量的描述性统计及它们之间的相关性见表1、表2。为了诊断自变量间的自相关问题,经计算发现所有变量中最高的VIF(方差膨胀因子)为3.06,低于阈值5.0,因此不存在严重的多重共线性问题。
表1 华为公司描述性统计与相关系数
注:*p<0.05
变量MeanSDMinMaxVIF12345678910111利用性创新34.1220.4120.00191.00-12探索性创新13.238.628.00165.00-0.90*13跨层凝聚力0.950.080.001.001.16-0.11*-0.10*14跨层连通性0.150.150.000.331.180.17*0.17*-0.25*15隶属点度5.557.000.0082.001.02-0.03*-0.04*-0.01-0.08*16任期3.252.860.0010.001.190.05*0.01-0.16*0.10*0.07*17专利存量3.704.420.0042.001.580.39*0.36*-0.20*0.23*-0.010.21*18度中心性6.926.231.0047.002.800.31*0.28*-0.24*0.27*-0.010.29*0.69*19平均路径7.020.843.958.291.010.020.03*-0.04*-0.03*0.01-0.030.02-0.01110接近中心性0.070.040.000.161.840.22*0.18*-0.26*0.20*-0.04*0.35*0.42*0.51*0.01111结构洞0.550.290.061.463.06-0.26*-0.24*0.32*-0.33*0.03-0.29*-0.51*-0.74*-0.02-0.64*1
表2 苹果公司描述性统计与相关系数
注:*p<0.05
变量MeanSDMinMaxVIF12345678910111利用性创新19.4728.9910.00287.00-12探索性创新15.1218.8610.00240.00-0.97*13跨层凝聚力0.820.200.001.001.13-0.19*-0.17*14跨层连通性0.440.340.101.001.030.04*0.03-0.0115隶属点度3.193.980.0066.671.03-0.06*-0.05*-0.10*-0.0116任期1.512.420.0010.001.020.06*0.05*-0.05*0.05*-0.0117专利存量6.988.160.00101.001.820.15*0.12*-0.25*0.09*0.05*0.08*18度中心性13.8313.060.0080.002.780.32*0.28*-0.31*0.13*0.05*0.11*0.66*19平均路径5.310.393.875.731.05-0.04*-0.04*0.02-0.02-0.03*-0.01-0.03-0.09*110接近中心性0.160.060.000.251.510.11*0.11*-0.13*0.05*0.04*0.12*0.21*0.40*-0.16*111结构洞0.370.280.041.632.17-0.18*-0.16*0.20*-0.15*-0.11*-0.11*-0.38*-0.64*0.02-0.54*1
表3和表4分别给出了两个公司的负二项回归分析结果。
表3中模型2和模型7中平方项系数与预期一致,且有统计学意义(r=-1.962,p<0.01;r=-2.258,p<0.01);表4中模型2和模型7的跨层凝聚性的平方项系数在p<0.01的显著性水平下也提供了统计上的支持,H1a、H1b成立。
表3、表4中的模型2和模型7显示,平方项系数与预期一致,有统计学意义,在两个公司中都得到了验证,因此H2a和H2b成立。
表3模型3和模型8中交互项系数(跨层凝聚性^2x隶属点度)正向显著,提供了统计上的支持(r=0.509,p<0.01;r=0.504,p<0.01);表4中模型3和模型8交互项系数(跨层凝聚性^2x隶属点度)(r=0.136,p<0.01;r=0.088,p<0.05)也都显著,H3a、H3b成立。
表3和表4中的模型4和模型9以及全模型中跨层连通性平方和隶属点度的交互项系数同预期一致,华为公司与苹果公司样本均得到了验证,因此H4a和H4b成立。
表3 华为公司固定效应负二项回归结果
变量 利用性创新探索性创新模型1模型2模型3模型4模型5模型6模型7模型8模型9模型10任期-0.009***-0.010***-0.009***-0.009***-0.009***-0.016***-0.017***-0.016***-0.016***-0.016***(0.002)(0.002)(0.002)(0.002)(0.002)(0.003)(0.003)(0.003)(0.003)(0.003)接近中心性1.233***1.139***1.160***1.205***1.139***0.864***0.791***0.781***0.865***0.796***(0.237)(0.239)(0.238)(0.237)(0.238)(0.271)(0.273)(0.272)(0.271)(0.273)专利存量-0.009***-0.010***-0.009***-0.010***-0.010***-0.009***-0.010***-0.009***-0.010***-0.010***(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)平均路径-0.020***-0.024***-0.021***-0.025***-0.026***-0.005-0.009-0.006-0.010-0.010(0.006)(0.006)(0.006)(0.006)(0.006)(0.007)(0.007)(0.007)(0.007)(0.007)度中心性-0.011***-0.011***-0.011***-0.011***-0.011***-0.008***-0.008***-0.008***-0.008***-0.008***(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)结构洞-0.209***-0.157***-0.168***-0.187***-0.159***-0.189***-0.120**-0.138***-0.151***-0.118**(0.040)(0.042)(0.041)(0.041)(0.042)(0.045)(0.047)(0.046)(0.046)(0.047)跨层凝聚性3.223***3.522***3.121***3.739***4.034***3.589***(1.096)(1.092)(1.092)(1.249)(1.241)(1.243)跨层凝聚性^2-1.962***-2.152***-1.896***-2.258***-2.458***-2.166***(0.638)(0.634)(0.636)(0.726)(0.720)(0.723)跨层连通性0.728***1.059***0.941***0.719**1.092***0.955***(0.258)(0.259)(0.262)(0.292)(0.293)(0.296)跨层连通性^2-2.050***-2.973***-2.691***-1.822**-2.889***-2.565***(0.745)(0.756)(0.761)(0.842)(0.853)(0.859)隶属点度0.385***0.0010.325***0.356***0.0010.268**(0.103)(0.001)(0.108)(0.123)(0.002)(0.129)
续表3 华为公司固定效应负二项回归结果
注:括号中是标准差;***p<0.01;**p<0.05;*p<0.1,下同
变量利用性创新探索性创新模型1模型2模型3模型4模型5模型6模型7模型8模型9模型10跨层凝聚性x隶属点度-0.893***-0.737***-0.860***-0.632**(0.243)(0.256)(0.288)(0.304)跨层凝聚性^2x隶属点度0.509***0.413***0.504***0.364**(0.140)(0.148)(0.166)(0.176)跨层连通性x隶属点度-0.171***-0.146***-0.209***-0.170***(0.047)(0.050)(0.054)(0.058)跨层连通性^2x隶属点度0.521***0.449***0.620***0.506***(0.140)(0.151)(0.161)(0.174)常数项3.114***1.845***-0.3993.126***0.1003.468***1.961***-0.0943.466***0.553(0.068)(0.471)(0.757)(0.070)(0.772)(0.085)(0.538)(0.876)(0.088)(0.896)观测样本数量4765476547654765476547654765476547654765对数似然估计-12029-12017-12014-12016-12005-8961-8949-8948-8946-8939
表4 苹果公司固定效应负二项回归结果
变量 利用性创新探索性创新模型1模型2模型3模型4模型5模型6模型7模型8模型9模型10任期0.012***0.007*0.009**0.009**0.007*0.010***0.006*0.008**0.008**0.006*(0.004)(0.004)(0.004)(0.004)(0.004)(0.004)(0.004)(0.004)(0.004)(0.004)接近中心性-1.096***-0.881***-1.155***-0.875***-0.902***-0.760***-0.566***-0.804***-0.540***-0.575***(0.218)(0.221)(0.218)(0.221)(0.221)(0.203)(0.205)(0.203)(0.206)(0.205)专利存量-0.006***-0.008***-0.007***-0.005***-0.007***-0.006***-0.008***-0.007***-0.006***-0.007***(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)平均路径0.093***0.092***0.072***0.096***0.083***0.054***0.050***0.036**0.060***0.045***(0.018)(0.018)(0.018)(0.018)(0.018)(0.017)(0.017)(0.017)(0.017)(0.017)度中心性0.007***0.006***0.006***0.006***0.005***0.005***0.004***0.004***0.004***0.003***(0.001)(0.001)(0.001)(0.001)(0.001)(0.001)(0.001)(0.001)(0.001)(0.001)结构洞0.113**0.267***0.223***0.136***0.248***0.094**0.262***0.223***0.122***0.251***(0.051)(0.054)(0.054)(0.051)(0.054)(0.047)(0.050)(0.050)(0.047)(0.050)跨层凝聚性0.782***0.901***0.839***0.937***1.008***0.976***(0.217)(0.216)(0.216)(0.203)(0.203)(0.202)跨层凝聚性^2-0.955***-1.092***-1.004***-1.087***-1.151***-1.119***(0.170)(0.169)(0.169)(0.159)(0.159)(0.159)跨层连通性1.098***1.162***1.068***1.025***1.077***1.009***(0.143)(0.144)(0.143)(0.133)(0.135)(0.133)跨层连通性^2-1.007***-1.072***-1.001***-0.945***-0.994***-0.944***(0.125)(0.126)(0.125)(0.117)(0.118)(0.117)隶属点度-0.015-0.001-0.001-0.0120.001-0.003(0.018)(0.010)(0.019)(0.017)(0.009)(0.018)跨层凝聚性x隶属点度-0.118**-0.138***-0.073-0.088*(0.053)(0.053)(0.048)(0.047)跨层凝聚性^2x隶属点度0.136***0.153***0.088**0.099***(0.040)(0.041)(0.035)(0.035)跨层连通性x隶属点度-0.072-0.081*-0.049-0.043(0.044)(0.043)(0.036)(0.036)跨层连通性^2x隶属点度0.074**0.085**0.052*0.052*(0.038)(0.037)(0.031)(0.031)常数项1.542***1.415***1.788***1.351***1.523***2.113***2.004***2.306***1.914***2.079***(0.118)(0.137)(0.146)(0.131)(0.152)(0.112)(0.129)(0.138)(0.123)(0.144)观测样本的数量5656565656565656565656565656565656565656对数似然估计-12394-12313-12319-12347-12280-11314-11219-11237-11273-11200
根据发明者跨层凝聚性和跨层连通性的平均数,将样本分为高、低组,探究隶属点度如何调节跨层凝聚性和跨层连通性与发明者创新的关系,结果如图3、4所示。从图中可以看出,华为和苹果公司跨层凝聚性和跨层连通性对发明者创新的影响均呈倒U型。图3(1)和图4(1)是发明者隶属点度调节跨层凝聚性与发明者利用性创新两者关系的作用图,当隶属点度高时,跨层凝聚性对利用性创新的正向促进作用增强,负向抑制作用也增强。图3(2)和图4(2)是发明者隶属点度调节跨层凝聚性与发明者探索性创新两者关系的作用图,当隶属点度高时,跨层凝聚性对利用性创新的正向促进作用增强,抑制作用也增强。图3(3)和图4(3)表明,当隶属点度高时,跨层连通性对利用性创新的正向促进作用增强,抑制作用也增强。同样地,图3(4)和图4(4)显示,当隶属点度高时,跨层连通性对探索性创新的正向促进作用增强,抑制作用也增强。综上,华为和苹果公司的负二项回归结果均支持原假设。
图3 华为公司隶属点度调节效应
图4 苹果公司隶属点度调节效应
本研究发现,跨层凝聚性和跨层连通性与发明者二元式创新均呈现倒U型关系。具体而言,发明者跨层凝聚性适度时,能促进二元创新,但过高或过低均会抑制发明者的二元创新;发明者跨层连通性亦然。此外,跨层次网络隶属点度正向调节跨层凝聚性和跨层连通性与发明者二元式创新的关系,即发明者隶属点度增加,能增强发明者跨层凝聚性和跨层连通性对利用性创新和探索性创新的促进作用及负向抑制作用。
研究结论不仅丰富了技术创新相关理论,而且对企业及研发人员创新实践具有一定指导作用。首先,研究发现跨层凝聚性对利用性创新和探索性创新均存在倒U型作用。一方面,增加跨层凝聚性需要企业不断挖掘和利用自身熟悉的技术知识,组建研发团队,促进团队及成员知识交流与共享,进而提高吸收能力,降低企业研发成本和风险;另一方面,企业不能一味专注于某一领域知识,还需要搜寻新鲜的异质性知识,为企业源源不断地注入创新活力。因此,企业管理者需根据企业自身拥有的技术,将跨层凝聚性控制在一定范围内,合理调整研发团队。其次,本研究还发现跨层流通性对发明者二元式创新具有倒U型作用,说明研发人员在创新活动中,不仅要与其他研发人员合作、分享知识和技术,还需深度开发、利用已有知识与技术,同时不断学习新知识。企业管理层需要为研发人员提供交流学习平台,使其不断获取新知识。第三,本研究发现隶属点度正向调节跨层凝聚性和跨层连通性与二元式创新间的关系,因此企业在对研发人员进行培训学习时,应结合对本企业的知识网络分析,选择处于网络中心的知识进行分享传播,进而促进企业创新提升。
[1] 刘娜. 纳米能源的复杂创新网络研究[M]. 北京: 经济科学出版社, 2017.
[2] 李守伟, 朱瑶. 合作创新网络结构特征对企业创新绩效的影响研究——以新能源汽车产业为例[J]. 工业技术经济, 2016,35(11):137-144.
[3] GUAN J, LIU N. Exploitative and exploratory innovations in knowledge network and collaboration network: a patent analysis in the technological field of nano-energy[J]. Research Policy, 2016,45(1):97-112.
[4] 李健, 余悦. 合作网络结构洞、知识网络凝聚性与探索式创新绩效[J]. 南开管理评论, 2018,21(6):121-130.
[5] 徐露允, 曾德明, 张运生. 知识网络密度与双元创新绩效关系研究——基于知识基础多元度的调节效应[J]. 研究与发展管理, 2018,30(1):72-80.
[6] 张晓黎, 覃正. 知识与合作网络结构洞对技术创新绩效的影响[J]. 软科学, 2013,27(12):58-62.
[7] 辛德强, 党兴华, 薛超凯. 双重嵌入下网络惯例刚性对探索性创新的影响[J]. 科技进步与对策, 2018,35(4):10-15.
[8] CHUNLEI W,RODAN S,FRUIN M.Knowledge networks, collaboration networks, and exploratory innovation[J]. Academy of Management Journal, 2014,57(2):484-514.
[9] LOMI A,ROBINS G,TRANMER M.Introduction to multilevel social networks[J]. Social Networks, 2016(44):266-268.
[10] MARCH J G. Exploration and exploitation in organizational learning[J]. Organization Science, 1991,2(1):71-87.
[11] BENNER,TUSHMAN.Exploitation,exploration,and process management: the productivity dilemma revisited[J]. Academy of Management Review, 2003,2(28):238-256.
[12] 刘娜,武宪云,毛荐其.发明者自我网络动态对知识搜索的影响[J]. 科学学研究, 2019,37(4):689-700.
[13] DUYSTERS G,LEMMENS C.Alliance group formation: enabling and constraining effects of embeddedness and social capital in strategic technology alliance networks[J]. International Studies of Management & Organization, 2003,2(33):49-68.
[14] YAYAVARAM S,AHUJA G.Decomposability in knowledge structures and its impact on the usefulness of inventions and knowledge-base malleability[J]. Administrative Science Quarterly, 2008, 53(2):333-362.
[15] LOWIK S,ROSSUM D V,KRAAIJENBRINK J. Strong ties as sources of new knowledge: how small firms innovate through bridging capabilities[J]. Journal of Small Business Management, 2012,50(2):239-256.
[16] 刘娜,毛荐其,余光胜.技术会聚探析与展望[J]. 科研管理, 2017,38(12):20-28.
[17] WAGNER M.To explore or to exploit? an empirical investigation of acquisitions by large incumbents[J]. Research Policy, 2011,40(9):1217-1225.
[18] LE BLOND S, GUILLAUME J L, LATAPY M. Clustering in P2P exchanges and consequences on performances[C]//International Workshop on Peer-to-Peer Systems. Springer, Berlin, Heidelberg, 2005: 193-204.
[19] LATAPY M, MAGNIEN C, VECCHIO N D. Basic notions for the analysis of large two-mode networks[J]. Social Networks, 2008,30(1):31-48.
[20] BORGATTI S P, HALIGN D S. Analyzing affiliation networks[J]. The Sage Handbook of Social Network Analysis, 2011,1:417-433.