As a new type of innovative organization formed spontaneously by a large number of users who join and leave freely, the relationship between community size and new product development performance has been controversial. Scholars who hold the resource availability view believe that the time and effort of community members are the most critical resources in a community, and the larger the community, the more resources it has, which makes it more attractive to current and potential community members, increases the likelihood of promoting community members′ contribution behaviors, and then improves the new product development performance at the community level. While some other scholars believe that a large community will meat potential problems such as information overload, free riding, opportunism, loss of knowledge assets, etc., and increase the cost of communication and coordination within the community, which will reduce the motivation of community members to contribute and ultimately improve the innovation performance of the community. However, online communities are highly dependent on the continuous participation of members to create value. The success of a community depends on its ability to maintain a large enough membership pool. Therefore, understanding the relationship between online community size and new product development performance is a key challenge for firms using online communities to improve innovation performance. Moreover, the mobile and temporal nature of online communities leads to a weak relationship involving dynamic sharing members or self-organized cooperation among community participants, the whole community is thus characterized by boundary ambiguity, accompanied by problems such as serious user loss, low frequency of interaction, low degree of user participation, and high overlap of members in community operation. These issues severely limit the role of online communities in driving new product development. Hence, how to effectively manage online communities against the weak relationship and boundary ambiguity is also a realistic problem for firms looking to improve the performance of new product development by using online communities.
This study focuses on the relationship between community size and new product development performance. According to the external bridging view and internal bonding view of online communities, this paper leverages secondary data collected from the product creative workshop community on the Steam gaming platform to empirically test the impact of online community size on the new product development performance, both from the collective community and individual member perspectives. Furthermore, this paper explores the joint moderating effect of internal bonding capital and external bridging capital on the relationship between community size and new product development performance in online communities. The results suggest that online community size positively affects the collective new product development performance of community members, but negatively affects individual new product development performance. In addition, when the degree of external bridging and internal bonding of online communities is high, the positive relationship between online community size and collective new product development performance of community members is stronger, while the negative relationship between online community size and individual new product development performance of community members is weaker.
The findings provide new insights into understanding the relationship between online community size and innovation performance by discussing the effect of online community size on the relationship between members' collective and individual new product development performance separately. Moreover, the study further highlights the importance of external community ties by examining the joint moderating effect of external bridging capital and internal aggregation capital in online communities.
开放科学(资源服务)标识码(OSID)：
在线社区由大规模用户汇聚而成,且允许社区用户基于自身需求、偏好和技能自主选择创新任务,自行组队完成产品创新,这种新型组织得到业界和学界高度关注[1-3]。一方面,发挥众创、众包等各类在线社区的创新引领作用上升为国家创新驱动发展战略,“支持数字技术开源社区等创新联合体发展”被明确列入国家“十四五”规划。另一方面,众多知名企业纷纷将在线社区作为获取竞争优势的重要来源。如华为通过与MindSpore社区用户共同成长,打造了支撑全场景应用的AI框架,引领中国AI框架崛起和技术生态繁荣;小米借助MIUI社区吸引大量用户参与手机系统深度优化与开发,小米手机百变锁屏功能及MIUI系统流量矫正功能均源自社区用户创新。
作为一种由大量来去自由用户自发形成的新型创新组织,在线社区规模与新产品开发绩效之间的关系一直存在争议。秉持资源可用性观点的学者认为,成员时间和精力是社区最关键的资源,社区规模越大说明拥有的资源越多[4-5],对当前及潜在社区成员越具有吸引力,越有可能促进社区成员作出贡献,进而提升社区新产品开发绩效。另外一部分学者则认为社区规模过大会造成信息过载、搭便车、投机取巧、知识资产流失等问题,导致社区内部沟通和协调成本增加,降低社区成员贡献动机[6-7],不利于社区创新绩效提升。然而,在线社区高度依赖于成员持续参与价值创造,甚至有学者认为一个社区成功与否取决于能否维持一个足够大的成员池[5]。因此,正确认识在线社区规模与新产品开发绩效之间的关系是企业利用在线社区提升创新绩效的关键[4]。
另外,与传统组织拥有稳定、全职、同地办公成员不同[1,3],在线社区的流动性和跨时空性导致社区成员有可能随着工作需求变化随时加入或离开[8-9]社区,有些成员甚至来来去去好多次。这些特征导致社区参与者之间由协议或契约等强关系向动态共享成员或自组织合作等弱关系转变[3],从而使社区整体呈现出边界模糊特征[8]。在线社区的弱关系性和边界模糊性导致社区在运行过程中存在用户流失严重、成员互动频率低、用户参与程度低、成员高度重叠等问题[2,6]。例如,有学者研究发现,有50%以上的社区成员在初次作出贡献后就离开社区[9];社区重要的知识贡献大多来自1%的活跃用户[10];小米社区“随机主题”版块中ID为“huaZZ145”的成员在不同派系间重叠次数高达192次,这些问题极大限制了在线社区对企业新产品开发的推进。调研报告显示,大部分全球1 000强企业并未从在线社区中获得理想收益和回报[11]。因此,如何针对弱关系性和边界模糊性对在线社区进行有效治理,是企业利用在线社区提升新产品开发绩效的现实难题。基于在线社区成员高度重叠特征,Kim等[12]将社会网络理论中的桥接观和聚合观引入在线社区,其中外部桥接反映焦点社区借助重叠成员桥接非冗余社区外部网络的程度,内部聚合反映焦点社区内部成员联系的紧密程度。本文沿用Kim等[12]的定义,用外部桥接和内部聚合刻画在线社区的边界模糊性和弱关系性。
综上所述,本文围绕“在线社区规模如何影响社区新产品开发”这一核心问题展开研究,聚焦在线社区弱关系性和边界模糊性,以Steam游戏平台上的游戏产品创意工坊社区为研究样本,选取2011—2020年数据,以3个月为时间间隔,分别构建以社区参与者为主的外部创新网络和以社区成员参与者为主的内部创新网络,检验在线社区内部聚合资本和外部桥接资本在社区规模与新产品开发绩效关系间所发挥的联合调节作用,旨在为企业构建、参与和管理在线社区进而提升新产品开发绩效提供参考。
在线社区规模是指社区中参与新产品开发活动的成员数量[5,12],社区规模越大越有利于社区成员集体新产品开发绩效提升。首先,以Baek等[4]、Bulter[5]为代表的学者从资源可用性角度出发,认为规模大的社区拥有更多成员资源,相较于小规模社区,它们对当前及潜在社区参与者更有吸引力;Spagnoletti &Resca[13]认为社区为成员提供的价值与社区规模成指数关系。社区规模代表社区实现集体目标所拥有的资源,社区规模越大,拥有的资源越多,社区新产品开发绩效越高[14-15]。其次,由于在线社区缺乏正式管理者角色和协调控制机制,社区成员自组织治理规范对协调社区新产品开发活动发挥重要作用[2]。一个足够大的成员库更有利于社区自组织治理规范的形成[16],规模大的社区更容易找到志愿者引领和管理社区中的新产品开发活动[2,7],如通过组织产品资源分享、投票筛选、话题讨论等活动汇集用户核心需求和意见建议,帮助社区成员及时了解最新动态、促进成员间交互合作[10],进而促进社区新产品开发绩效提升。据此,本文提出如下假设:
H1a:在线社区规模对社区成员集体新产品开发绩效具有正向影响。
然而,规模越大的社区越容易产生社会惰化、搭便车、协调整合困难、知识资产泄露问题,从而削弱社区成员的贡献动机[7]。例如,在流动性较高的在线社区中,大量参与者之间很难形成长期、稳定、趋同观念[8]。参与者之间过度分歧造成的知识断层以及参与者焦点过于分散、意见不一致带来的矛盾会阻碍彼此之间的相互学习,进而导致成员创新受挫[7]。再如,规模较大的在线社区沟通和协调成本较大,搭便车行为更多,会降低成员个人创新意愿[8-9]。据此,本文提出如下假设:
H1b:在线社区规模对社区成员个体新产品开发绩效具有负向影响。
桥接和聚合是社会网络结构的两种形式,也是影响社会网络资源生成和知识合作的关键因素[17-20]。例如,Adler等[21]研究社会资本时指出团队社会网络视角可分为两种:外部视角桥接观和内部视角聚合观。其中,桥接观强调非连接异构实体间关系的重要性,强调外部联系是组织获取资源的关键渠道,桥接有助于组织访问非冗余联系人,进而产生信息效益。聚合观是指网络参与者达到完全连接或最大网络密度的程度,以促使每个群体成员与其他成员双向互动[20-21],强调社会凝聚力或联系的重要性[22]。在内部聚合程度较高的社会网络中,想法的产生、创造力、知识交流来源于信任、支持、协调行动和明确的期望[20,22-23]。
Kim等[12]将社会网络理论中的桥接观和聚合观引入在线社区研究。其中,核心社区外部桥接包括与该社区存在联结关系的所有外部社区以及这些外部社区之间的联结关系。外部社区间的联系强度由共享成员数量决定,联系强度越高,说明外部社区越冗余,大量共享成员会导致那些拥有相似知识社区的边界变得日益模糊[24]。核心社区外部桥接程度越高,说明它在由不同社区构成的社会网络中越占据“桥梁”位置,所能获得的非冗余资源也就越多[12]。内部聚合是指核心社区内部成员相互联结的紧密程度,内部聚合程度反映以社区成员为节点、成员间自组织合作关系为连边构成的社区内部创新网络密度水平。社会网络密度可高可低,低密度网络表明网络参与者之间联系不紧密,甚至有可能不知道对方存在,更难以从网络参与者社会关系中获益[25-26];而高密度网络表明网络参与者之间联系和互动比较频繁,彼此价值创造目标趋于一致[12,27]。图1从外部桥接和内部聚合两个维度刻画出4种不同的社区网络结构形态。
图1 在线社区外部桥接和内部聚合程度
Fig.1 Degree of external bridging and internal bonding in online communities
由图1可知,在线社区外部桥接程度越高,意味着该社区成员跨越社区边界越多,他们接触到不同“思想世界”的可能性也就越大。即社区成员可利用的知识库、资源池越大[12],越有可能与拥有不同技能的创新用户建立合作关系。核心社区内部聚合程度越高,表明社区成员间合作次数越多,彼此之间也就越容易达成信任和默契关系。也即,较高的内部聚合常与群体制裁联系在一起,这些制裁要求成员根据组织既定规范采取行动[3,7]。当在线社区外部桥接和内部聚合程度较高时,社区既可以从外部社区中获取大量异质性资源[12],提高社区成员间凝聚力,促进社区自组织治理规范的形成,一方面可与社区资源形成互补,强化资源获取效应;另一方面,社区成员高凝聚力一定程度上能够弥补在线社区管理者角色的缺失,有利于强化自组织治理机制。因此,在线社区较高的外部桥接和内部聚合程度正向调节在线社区规模与社区成员集体开发绩效的正向关系。同时,当在线社区外部桥接和内部聚合程度较高时,意味着社区群体规范完善程度较高[12],社区会通过群体制裁约束内部成员行为,降低社会惰化、“搭便车”行为、协调整合困难、知识资产泄露风险发生的频率,从而正向调节在线社区规模与社区成员个体新产品开发绩效的负向关系。据此,本文提出如下假设:
H2a:当在线社区外部桥接和内部聚合程度较高时,在线社区规模与社区成员集体新产品开发绩效之间的正向关系更强;
H2b: 当在线社区外部桥接和内部聚合程度较高时,在线社区规模与社区成员个体新产品开发绩效之间的负向关系更弱。
综上所述,本文构建理论模型如图2所示。
图2 理论模型
Fig.2 Theoretical model
本研究兼顾在线社区典型性和数据可获取性原则,以Steam游戏平台上的创意工坊社区为数据收集对象,验证本文提出的研究假设。
(1)在线社区典型性。Steam平台是由Valve公司聘请BitTorrent(BT下载)开发者布拉姆·科恩亲自开发设计的游戏和软件平台。玩家可在平台上自由购买、讨论、下载、分享与游戏相关的软件、视频和图片。2012年,Valve公司为满足游戏玩家的多样化需求,建立了在线用户创新社区——创意工坊。创意工坊的灵感来自于“金农/搬砖”,目的是希望玩家能为游戏设计内容。Steam创意工坊不仅可以改变游戏人物或道具造型,还可以调节游戏内部参数。换一种角度而言,“我的游戏,我定义”是创意工坊的真正魅力。也正是由于创意工坊的存在,玩家们才可以在游戏中体会到更多乐趣。在Steam中,创意工坊更像是一个“枢纽”,即由官方搭建、玩家自主开发并运营的中心枢纽。不同类型游戏以不同方式在创意工坊中应用,如《叛乱》和《CS:GO》这类FPS游戏允许创建并提交新枪械或地图,《上古卷轴》这类游戏允许MOD模组作者将其作品发布到Steam创意工坊中,以方便游戏玩家订阅和使用。
(2)数据可获取性。一方面,Steam创意工坊具有良好的用户交互设计。在创意工坊中,游戏开发商Valve公司将创新所需技术和资源(游戏内部数据与模型)在社区中开放,允许游戏玩家独立设计、制作并发布自己创作的游戏内容,以及对创新模型进行模拟、测试并提交至社区。在提交创新产品后,其他社区玩家可通过浏览、评论和投票的方式支持他们喜欢的游戏内容,同时还能“关注”自己认可的创新用户。另一方面,Steam创意工坊会公开所有产品信息,包括作品名称、讨论数量及内容、留言数量及内容、类型、标签、文件大小、发表日期、更新日期、改动说明,必需物品、产品采纳状态、产品合集状态、产品描述信息、独立访客人数、当前订阅者、当前收藏人数和所有作者信息,以及作者ID、国籍信息、平台等级、账号年限、徽章数量及内容、游戏库存数量、提交创新产品数量、参与社区讨论组数量及名称和规模、好友数量及名称和等级、物品展柜、成就展柜等字段。Steam创意工坊用户交互设计和网站公开性确保了用户关系数据及用户创新产出数据可获取。
本研究旨在检验在线社区规模、外部桥接资本、内部聚合资本对社区成员集体和个体新产品开发绩效的影响,因此需获取在线社区内外部社会网络关系数据和社区用户创新产出数据。Steam创意工坊拥有超过100万用户,构建所有社区或用户间关系网络较困难,很难用Excel等传统数据处理软件获取和存储数据。由于Steam创意工坊以网页形式展现,而Node.js用来抓取和解析网页数据具有天然优势,因此本研究利用Node.js编写网络爬虫,爬取创意工坊社区中的产品信息和用户信息两类数据,并利用MongoDB数据库存储数据。
本文利用Node.js和MongoDB采集与存储数据。第一步,用MongoDB建立一个名为steam的数据库,在steam数据库中建立3张表格:①games,用以存储所有采集到的社区名称;②items,用以存储每个社区中每个物品的相关信息;③lasthandles,用以记录上次抓取数据时的相关位置信息,以防止程序意外退出可接着上次抓取的位置继续抓取。第二步,进入steam创意工坊页面,使用axios请求得到当前页每个社区的简单信息,包含社区id、社区名称、社区物品数等,将其存入数据库。然后循环获取每一页数据,直到分页结束。第三步,对games数据进行循环,得到当前社区名称和社区id,进入社区物品列表页,解析得到每个物品的详细信息链接并获取相关信息。随后,进入详细信息页获取相关信息,在解析页面得到当前物品创建者链接,依次获取创建者相关信息。
2020年3月,本文利用Node.js编写网络爬虫,并正式采集Steam创意工坊中所有用户的创新产品信息,主要包括产品信息和作者信息两个方面。在产品信息方面,本研究收集产品名称、产品类别、产品讨论数量及内容、产品留言数量及内容、产品大小、产品提交时间、产品更新次数、产品更新时间、产品采纳状态、产品合集状态、产品描述信息、产品页面访问数量和产品收藏数量等字段信息。在作者信息方面,本研究收集作者ID、国籍信息、平台等级、账号年限、徽章数量及内容、游戏库存数量及内容、游戏时间、提交创新产品数量、艺术作品数量、参与社区讨论组数量和好友数量等字段信息。
在网络爬虫运行完成后,本文共收集到2011—2020年594个游戏创意工坊社区中近百万个用户创新产品和几十万名创新者的相关数据。
2.3.1 因变量
(1)社区成员集体新产品开发绩效。目前尚未有文献直接测度在线社区成员整体新产品开发绩效,而传统研究常用企业专利授权数的总和衡量企业创新绩效。因此,本研究借鉴专利授权数测量思路,采用社区所有成员创新产品数量之和衡量社区成员集体新产品开发绩效。
(2)社区成员个体新产品开发绩效。在社区中,用户可直接为企业新产品开发提供创意来源或在企业提供产品原型的基础上进行再创造。为衡量在线社区成员的平均创新产出,本研究采用社区所有成员新产品开发数量之和与社区成员总数之比测度社区成员个体新产品开发绩效。
2.3.2 自变量
在线社区规模。考虑到社区成员时间和精力是社区最关键的资源,在线社区规模代表社区实现集体目标所拥有的资源,因此本研究采用在线社区参与新产品开发的成员数量衡量在线社区规模[3-4]。
2.3.3 调节变量
(1)内部聚合。与以往研究一致[12],采用焦点社区内部网络密度衡量社区内部聚合程度,公式如下:
内部聚合
(1)
其中,L表示网络节点间实际存在的连边数量,n表示网络节点总数。网络密度是指网络各节点关联的紧密程度,它影响网络信息扩散速度与范围[28]。当网络中任意两个节点之间都无连接时,网络密度为0;当网络中任意两个节点存在直接连接时,则网络密度为1。
(2)外部桥接。与以往研究一致[12],本文借鉴Burt关于结构洞的测度方式测量焦点社区外部桥接关系。焦点社区i在t时刻的外部桥接关系计算公式如下:
外部桥接=1-Cit
(2)
其中,Cit表示焦点社区i在t时刻跨越的结构洞数量,取值范围为0～1。Cit值越接近1,说明焦点社区i的外部桥接关系越少。计算焦点社区外部桥接关系步骤如下:
第一步,计算社区i与社区j之间的直接关系强度Pijt,其中Zijt表示社区i与j在t时刻共享成员的总数,Zijt≥1。
(3)
第二步,计算社区i与社区j通过社区q建立的间接联系强度
其中n为该平台上所有社区总数。
第三步,计算t时刻社区i与社区j之间的所有联系cijt,公式如下:
(4)
第四步,计算焦点社区i的网络约束Cijt,公式如下:
(5)
第五步,计算焦点社区i的外部桥接关系,即1-Cijt。
上述过程借鉴Burt关于结构洞网络约束测度方式,但与传统网络约束计算方式不同,本文中Zijt表示社区i与j在t时刻共享成员的总数,即Zijt≥1,而传统研究中Zijt默认等于1。
2.3.4 控制变量
本文控制一系列可能影响研究推论的变量,包括接近中心性、特征向量中心性、网络约束、网络集聚、产品规模、平均路径长度、社区成员重叠程度。接近中心性是指一个节点与网络中所有其它节点距离的总和,总和越小说明这个节点距离其它节点越近,表明该节点在网络中越有可能处于核心位置,受其它节点影响较小。本研究中焦点社区在外部网络的接近中心性测量的是该社区在多大程度上不受网络中其它社区的控制。计算公式如下[29]:
接近中心性
(6)
其中,d(i,j)表示节点i与节点j之间的最短路径长度,即节点i到达节点j所有路径中距离最短的路径。
特征向量中心性是指一个节点在网络中的重要性既取决于邻居节点数量(该节点的度),也取决于邻居节点的重要性。焦点社区特征向量中心性越高,表明与该社区相连的其它社区也具有较高的中心性。网络约束是指节点i因与其它节点相连受到的约束程度,反映个体网络闭合性。网络集聚表示网络中两两联系的局限之和,与以往研究一致[30],本文借鉴Burt关于间接结构约束的测度方法测度网络集聚,计算公式为:
(7)
其中,Piq反映节点i用以联系节点q的网络时间比例,Pqj反映节点q用于联系节点j的网络时间比例,Cij表示节点i和j的关系被强大第三方关系所包围的程度。Cij值越高,表明围绕节点i和j的关系网络越封闭,即网络凝聚力越强。产品规模是指社区所有用户创新产品文件大小(以MB为单位)的平均值。Jensen等[31]指出产品规模与产品在社区中受欢迎程度具有显著正相关关系。平均路径长度是指网络中任意两个节点间距离的平均值。
另外,参考Wang等[6]对在线团队成员重叠程度的计算方式,设计如下公式计算t时刻焦点社区i与其它社区间成员重叠程度:
社区间成员重叠程度
(8)
其中,j表示t时刻平台与社区i存在重叠成员的其它所有社区,Membersit表示t时刻核心社区i的成员总数,SharedMembersijt表示t时刻社区i与社区j之间共享成员的数量。
本文中面板数据结构需要控制多个维度个体效应,以减少遗漏变量造成的偏误。相较于传统研究控制固定效应模型,Stata中的多维固定效应线性回归模型reghdfe不仅可以有效分析三维甚至更高维度数据,还可以对标准误进行双向和多向聚类,且在运行速度方面具有较大优势,因此备受青睐。与Correia[32]的研究一致,本文使用reghdfe模型检验在线社区规模、外部桥接和内部聚合与新产品开发绩效之间的关系。
在正式数据分析之前,首先对模型中所有变量均值、标准差、最小值、最大值进行检验,结果如表1所示。其次,对变量之间相关性进行检验,结果如表2所示。最后,检验多重共线性问题,发现所有变量方差膨胀因子(Variance Inflation Factors,VIFs)均小于5(均值=1.18),说明数据通过多重共线性检验。因为存在偏态分布问题,所以本文对社区规模作对数化处理。
表1 变量均值、标准差、最小值和最大值
Table 1 Means, standard deviations, minimum and maximum values of variables
变量名称 观测值均值标准差最小值最大值成员集体新产品开发绩效(对数)2 2015.9031.4590.6939.897成员个体新产品开发绩效2 2011.9461.0060.00314.538接近中心性2 2010.0050.03201特征向量中心性2 2010.2190.22301网络约束2 2010.5040.3630.0221网络集聚2 2010.2230.883019产品规模2 20112.29928.1590402.363社区间成员重叠程度2 2010.180.1760.0021.222平均路径长度2 2011.4280.77716.783外部桥接2 2010.240.2410.0531.568内部聚合2 2010.2590.3270.0021在线社区规模(对数)2 2015.341.3791.38610.115
表2 变量相关系数结果
Table 2 Correlation coefficients of variables
变量名称(1)(2)(3)(4)(5)(6)(7)(8)(9)(10)(11)(12)(1)集体新产品开发绩效1.000(2)成员个体新产品开发绩效0.0431.000(3)接近中心性0.041-0.0141.000(4)特征向量中心性0.314-0.0560.2001.000(5)网络约束-0.2260.0380.027-0.5961.000(6)网络集聚-0.039-0.036-0.005-0.0360.0501.000(7)产品规模-0.074-0.033-0.019-0.0240.047-0.0191.000(8)社区间成员重叠程度0.5490.0940.0720.242-0.159-0.036-0.0641.000(9)平均路径长度-0.0240.053-0.013-0.0490.061-0.024-0.0070.1631.000(10)外部桥接0.595-0.0510.0580.491-0.364-0.015-0.0540.426-0.0591.000(11)内部聚合-0.1550.0050.119-0.1930.295-0.0010.033-0.0580.183-0.1301.000(12)在线社区规模(对数)-0.379-0.017-0.043-0.3230.2160.1230.010-0.361-0.048-0.6810.2311.000
表3展示了以社区集体新产品开发绩效为因变量的回归结果。从表3可以看出,在线社区规模对社区成员集体新产品开发绩效具有显著正向影响(b=0.927, p<0.01),因此假设H1a得到验证。此外,在线社区规模、内部聚合、外部桥接交互项系数显著为正(b=0.109, p<0.01),假设H2a得到验证。
表3 社区集体新产品开发绩效回归结果
Table 3 Regression results of community collective new product development performance
变量名称 模型1模型2模型3模型4模型5模型6接近中心性-17.115-0.474-1.0780.2701.3010.615(10.600)(5.147)(5.410)(5.286)(4.689)(5.025)特征向量中心性1.067***-0.013-0.030-0.021-0.022-0.035(0.144)(0.045)(0.045)(0.046)(0.044)(0.045)网络约束-0.296***-0.042*-0.047**-0.044*-0.047**-0.051**(0.088)(0.023)(0.023)(0.023)(0.023)(0.023)网络集聚-0.003***-0.005***-0.005***-0.005***-0.005***-0.005***(0.001)(0.000)(0.001)(0.000)(0.001)(0.001)产品规模0.002-0.001-0.001-0.001-0.001-0.001(0.002)(0.001)(0.001)(0.001)(0.001)(0.001)社区间成员重叠程度-2.371***-0.204**-0.239**-0.201**-0.165*-0.198**(0.251)(0.094)(0.095)(0.094)(0.091)(0.092)平均路径长度0.417***0.062***0.055***0.064***0.066***0.060***(0.032)(0.016)(0.015)(0.015)(0.015)(0.014)外部桥接-0.958***-0.033-0.0690.124-0.220***-0.242(0.127)(0.054)(0.056)(0.131)(0.073)(0.173)内部聚合-0.599***-0.073**0.213-0.077**-0.203***0.052(0.079)(0.033)(0.143)(0.033)(0.044)(0.141)在线社区规模0.927***0.942***0.934***0.918***0.931***(0.019)(0.018)(0.020)(0.019)(0.019)在线社区规模×内部聚合-0.069**-0.059*(0.032)(0.032)在线社区规模×外部桥接-0.0430.002(0.029)(0.032)在线社区规模×内部聚合×外部桥接0.109***0.101***(0.028)(0.028)Constant6.097***0.969***0.928***0.936***1.044***1.004***(0.106)(0.110)(0.106)(0.118)(0.113)(0.117)社区固定效应控制控制控制控制控制控制时间固定效应控制控制控制控制控制控制Observations2 2012 2012 2012 2012 2012 201R20.9120.9850.9850.9850.9860.986
注：*、**、***分别表示在10%、5%、1%水平上显著,括号中数字为稳健标准误,下同
表4为以社区成员个体新产品开发绩效为因变量的回归结果。从表4可以看出,在线社区规模对社区成员个体新产品开发绩效具有显著负向影响(b=-0.124, p<0.01),因此H1b得到验证。此外,在线社区规模、内部聚合、外部桥接交互项系数显著为正(b=0.223, p<0.01),假设H2b也得到验证。
表4 成员个体新产品开发绩效回归结果
Table 4 Regression results of individual members′ new product development performance
变量名称 模型1模型2模型3模型4模型5模型6接近中心性0.292-1.933-2.4180.5601.6862.884(10.463)(11.104)(11.369)(11.645)(10.456)(11.201)特征向量中心性-0.251**-0.107-0.120-0.131-0.124-0.141(0.114)(0.102)(0.102)(0.106)(0.102)(0.103)网络约束-0.041-0.075-0.079-0.079-0.084-0.086(0.057)(0.057)(0.057)(0.057)(0.057)(0.056)网络集聚-0.001-0.001-0.001-0.001-0.000-0.000(0.001)(0.001)(0.001)(0.001)(0.001)(0.001)产品规模-0.004**-0.003*-0.003*-0.003*-0.003*-0.003**(0.002)(0.002)(0.002)(0.002)(0.002)(0.002)社区间成员重叠程度-0.225-0.515**-0.543***-0.503**-0.435**-0.440**(0.200)(0.207)(0.208)(0.207)(0.204)(0.205)平均路径长度0.101**0.149***0.143***0.154***0.157***0.158***(0.047)(0.049)(0.048)(0.045)(0.047)(0.044)外部桥接-0.011-0.135-0.1640.389-0.517***-0.138(0.118)(0.120)(0.119)(0.307)(0.142)(0.338)内部聚合-0.080-0.151**0.080-0.163**-0.414***-0.354(0.072)(0.070)(0.306)(0.069)(0.092)(0.308)在线社区规模-0.124***-0.112***-0.099***-0.142***-0.122***(0.030)(0.035)(0.034)(0.031)(0.037)在线社区规模×内部聚合-0.056-0.010(0.064)(0.063)在线社区规模×外部桥接-0.144*-0.095(0.074)(0.078)在线社区规模×内部聚合×外部桥接0.223***0.201***(0.068)(0.067)Constant1.985***2.671***2.638***2.562***2.823***2.730***(0.103)(0.196)(0.207)(0.211)(0.193)(0.213)社区固定效应控制控制控制控制控制控制时间固定效应控制控制控制控制控制控制Observations2 2012 2012 2012 2012 2012 201R20.8030.8060.8060.8070.8080.808
在在线社区中,用户可随意浏览创新产品并点击收藏按钮。Susarla 等[33]认为收藏行为会释放用户喜欢某个产品的信号,同时也反映该产品的质量和流行程度。考虑到仅用新产品开发数量衡量社区成员新产品开发绩效存在一定局限性,为检验上述结论的稳健性,本文采用产品当前收藏人数之和与绝对造访人数之和之比测度新产品开发质量,将这一替代因变量代入上述模型,采用reghdfe模型检验上文假设。由表5和表6模型回归结果可知,稳健性检验结果与前文汇报结果基本一致。从表5可以看出,在线社区规模对社区成员集体新产品开发绩效具有显著正向影响(b=0.146, p<0.01),因此假设H1a得到验证。此外,在线社区规模、内部聚合、外部桥接交互项系数为正(b=1.393),假设H2a部分得到验证。由表6可知,在线社区规模对社区成员个体新产品开发绩效具有显著负向影响(b=-0.062, p<0.01),因此假设H1b得到支持。此外,在线社区规模、内部聚合、外部桥接交互项系数显著为正(b=0.375),H2b部分得到验证。
表5 社区集体新产品开发绩效稳健性检验结果
Table 5 Robustness test of community collective new product development performance
变量名称 模型1模型2模型3模型4模型5模型6接近中心性-1.0461.9460.7654.0101.7402.675(3.896)(4.021)(3.741)(4.210)(3.961)(3.982)特征向量中心性-0.104-0.280**-0.287**-0.300**-0.283**-0.302**(0.128)(0.135)(0.135)(0.136)(0.135)(0.135)网络约束-0.190**-0.149*-0.148*-0.152*-0.149*-0.151*(0.087)(0.081)(0.081)(0.082)(0.081)(0.082)网络集聚-0.055-0.048-0.050-0.049-0.047-0.049(0.036)(0.035)(0.035)(0.035)(0.035)(0.035)
续表5 社区集体新产品开发绩效稳健性检验结果
Table 5(Continued) Robustness test of community collective new product development performance
变量名称 模型1模型2模型3模型4模型5模型6产品规模0.266***0.256***0.258***0.254***0.252***0.254***(0.041)(0.042)(0.042)(0.041)(0.042)(0.043)社区间成员重叠程度-0.2480.1210.1220.1270.1400.136(0.242)(0.236)(0.235)(0.236)(0.236)(0.235)平均路径长度-0.012-0.071**-0.077***-0.069**-0.072**-0.074**(0.023)(0.028)(0.029)(0.028)(0.028)(0.029)外部桥接-0.187-0.017-0.0160.407-0.0970.280(0.147)(0.154)(0.154)(0.367)(0.166)(0.420)内部聚合-1.541-1.821*1.032-1.965**-3.301**-0.736(1.033)(0.951)(2.393)(0.973)(1.382)(5.003)在线社区规模0.146***0.160***0.167***0.149***0.173***(0.048)(0.051)(0.053)(0.049)(0.055)在线社区规模×内部聚合-0.479-0.328(0.476)(0.643)在线社区规模×外部桥接-0.116*-0.092(0.069)(0.073)在线社区规模×内部聚合×外部桥接1.3930.707(0.989)(1.635)Constant7.387***6.601***6.534***6.514***6.609***6.490***(0.097)(0.266)(0.279)(0.283)(0.265)(0.304)社区固定效应控制控制控制控制控制控制时间固定效应控制控制控制控制控制控制Observations2 1802 1802 1802 1802 1802 180R20.7780.7810.7820.7820.7820.782
表6 成员个体新产品开发绩效稳健性检验结果
Table 6 Robustness test of individual members′ new product development performance
变量名称 模型1模型2模型3模型4模型5模型6接近中心性6.179*4.9143.9288.035**4.8597.063***(3.485)(3.284)(2.673)(3.135)(3.232)(2.581)特征向量中心性-0.048**0.0270.021-0.0030.027-0.007(0.021)(0.020)(0.019)(0.019)(0.020)(0.017)网络约束0.026***0.0090.0090.0040.0090.004(0.009)(0.008)(0.008)(0.007)(0.008)(0.007)网络集聚0.003-0.000-0.002-0.0010.000-0.003(0.003)(0.002)(0.003)(0.002)(0.002)(0.002)产品规模0.0010.0050.0070.0030.0040.007(0.014)(0.013)(0.012)(0.008)(0.012)(0.008)社区间成员重叠程度0.399***0.243***0.244***0.252***0.248***0.245***(0.071)(0.064)(0.060)(0.053)(0.064)(0.048)平均路径长度-0.009**0.016***0.011***0.019***0.016***0.014***(0.004)(0.004)(0.003)(0.005)(0.004)(0.004)外部桥接0.237***0.165***0.165***0.806***0.143***0.833***(0.043)(0.037)(0.035)(0.119)(0.036)(0.116)内部聚合0.732*0.850***3.233***0.633**0.4523.761***(0.375)(0.305)(0.881)(0.248)(0.337)(1.139)在线社区规模-0.062***-0.050***-0.031***-0.061***-0.021***(0.008)(0.007)(0.006)(0.008)(0.006)在线社区规模×内部聚合-0.400***-0.413***(0.135)(0.137)在线社区规模×外部桥接-0.176***-0.173***(0.031)(0.030)在线社区规模×内部聚合×外部桥接0.375-0.625**(0.232)(0.309)Constant-0.069*0.263***0.207***0.131***0.265***0.071(0.039)(0.051)(0.050)(0.041)(0.050)(0.044)社区固定效应控制控制控制控制控制控制时间固定效应控制控制控制控制控制控制Observations2 1802 1802 1802 1802 1802 180R20.8210.8480.8620.8850.8490.897
正确认识在线社区规模与新产品开发绩效之间的关系,针对弱关系性和边界模糊性对在线社区进行有效治理,是企业利用在线社区提升新产品开发绩效的现实难题。本文基于在线社区外部桥接观和内部聚合观,以Steam游戏平台产品创意工坊社区二手数据为研究样本,检验在线社区规模对社区集体及成员个体新产品开发绩效的影响,并进一步探讨在线社区内部聚合资本和外部桥接资本在社区规模与新产品开发绩效关系中所发挥的联合调节作用,得出如下研究结论:①在线社区规模正向影响社区成员集体新产品开发绩效,但负向影响成员个体新产品开发绩效;②当在线社区外部桥接和内部聚合程度较高时,在线社区规模与社区成员集体新产品开发绩效之间的正向关系更强,在线社区规模与社区成员个体新产品开发绩效之间的负向关系更弱。
本文理论贡献主要体现在以下两个方面:
(1)在线社区规模与新产品开发绩效之间的关系一直存在争议,本研究分别讨论在线社区规模对成员集体和个体新产品开发绩效的影响,为解释在线社区规模与创新绩效之间的关系提供了新见解。
(2)本研究探讨在线社区与产品创新绩效关系时将社区内联系和社区间联系纳入考量范围,尽管学者意识到在线社区并非孤立的集体,而是嵌入到更广泛的在线生态中的群体[22],但更多关注社区内联系对成员个体创新的影响。本文通过检验在线社区外部桥接资本和内部聚合资本的联合调节效应,进一步突出了社区外部联系的重要性。
研究发现,无论在线社区规模是否有利于社区整体或成员个体新产品开发绩效提升,在线社区外部桥接和内部聚合程度较高均有利于社区创新绩效提升。因此,企业或社区管理者应采取相关措施提升在线社区外部桥接和内部聚合程度,更好地利用在线社区提升产品创新绩效。社区管理者应时刻关注社区成员活跃度和交流频率,通过颁发“社交达人”等奖章促进社区成员间合作创新。另外,也可通过更加有趣的交互设计,对围绕游戏产品开发活动进行交互的社区成员给予奖励(积分、勋章奖励或提升账号等级),从而激励成员的跨社区交互活动。此外,社区管理者还应不断强化社区共享成员的“桥梁”作用,为其提供更多新产品开发信息,或通过物质和精神双重激励提升他们作为不同社区连接者的幸福感,促使他们更好地带动不同社区间的资源共享和合作创新。
本研究存在如下不足。首先,样本选取较为单一。本研究兼顾在线社区典型性和数据可获取性原则,以Steam游戏平台上的创意工坊社区作为数据收集对象验证文中所提假设。由于游戏行业用户需求更加多元化和个性化,产品迭代更新速度更快,游戏开发商更愿意开放内部数据资源让用户自主创新,因此游戏平台上的创意工坊社区作为在线创新社区的代表日益引发学界关注。然而,仅仅以游戏创新社区为样本所得研究结论欠缺一定普适度,未来可采用其它类型在线创新社区进行深入检验。其次,对在线社区流动性的关注不足。与传统组织不同,在线社区具有高度流动性,这种流动性导致社区成员间关系不断发生变化,这些动态网络关系对社区新产品开发绩效的影响值得深入关注。最后,对新产品开发时间的探讨较少。用户在社区中开发新产品所需时间或新产品开发速度是衡量新产品开发绩效的重要因素,但受限于数据可得性,本研究仅从新产品开发数量和质量两个方面讨论在线社区规模对新产品开发绩效的影响,未来可紧密结合在线社区情境,进一步探讨时间因素的影响。
[1] 刘嘉玲, 魏江, 陈侠飞. 在线社区对企业创新管理影响研究回顾与展望[J]. 管理学报, 2022, 19(8): 1251-1260.
[2] 魏江, 刘嘉玲, 刘洋. 新组织情境下创新战略理论新趋势和新问题[J]. 管理世界, 2021, 37(7): 182-197.
[3] LIU J, WEI J, ZOU T. Bridging and bonding: exploring the influence of community-level networks on product innovation in video game communities[J]. Ieee Transactions on Engineering Management, 2024,71(1):6044-6062.
[4] BAEK J, SHORE J. Forum size and content contribution per person: a field experiment[J]. Management Science, 2020, 66(12): 5906-5924.
[5] BUTLER B S. Membership size, communication activity, and sustainability: a resource-based model of online social structures[J]. Information Systems Research, 2001, 12(4): 346-362.
[6] WANG X, BUTLER B S, REN Y. The impact of membership overlap on growth: an ecological competition view of online groups[J]. Organization Science, 2013, 24(2): 414-431.
[7] BAUER J, FRANKE N, TUERTSCHER P. Intellectual property norms in online communities: how user-organized intellectual property regulation supports innovation[J]. Information Systems Research, 2016, 27(4): 724-750.
[8] FARAJ S, JARVENPAA S L, MAJCHRZAK A. Knowledge collaboration in online communities[J]. Organization Science, 2011, 22(5): 1224-1239.
[9] RANSBOTHAM S, KANE G C. Membership turnover and collaboration success in online communities: explaining rises and falls from grace in Wikipedia[J]. Mis Quarterly, 2011, 35(3): 613-627.
[10] LIU J L, WEI J, LIU Y, et al. How to channel knowledge coproduction behavior in an online community: combining machine learning and narrative analysis[J]. Technological Forecasting and Social Change, 2022, 183: 121887.
[11] VON BRIEL F, RECKER J. Lessons from a failed implementation of an online open innovation community in an innovative organization[J]. Mis Quarterly Executive, 2017, 16(1): 35-46.
[12] KIM Y, JARVENPAA S L, GU B. External bridging and internal bonding: unlocking the generative resources of member time and attention spent in online communities[J]. Mis Quarterly, 2018, 42(1): 265-283.
[13] SPAGNOLETTI P, RESCA A. A design theory for IT supporting online communities[C]. 2012 45th Hawaii International Conference on System Sciences, 2012: 4082-4091.
[14] BATEMAN P J, GRAY P H, BUTLER B S. The impact of community commitment on participation in online communities[J]. Information Systems Research, 2011, 22(4): 841-854.
[15] REN Y Q, HARPER F M, DRENNER S, et al. Building member attachment in online communities: applying theories of group identity and interpersonal bonds[J]. Mis Quarterly, 2012, 36(3): 841-864.
[16] SHAN W, QIAO T, ZHANG M. Getting more resources for better performance: the effect of user-owned resources on the value of user-generated content[J].Technological Forecasting and Social Change, 2020,9(1):1-12.
[17] BURT R S. The network structure of social capital[J]. Research in Organizational Behavior, 2000, 22: 345-423.
[18] OH W, JEON S. Membership herding and network stability in the open source community: the Ising perspective[J]. Management Science, 2007, 53(7): 1086-1101.
[19] REAGANS R, ZUCKERMAN E W. Networks, diversity, and productivity: the social capital of corporate R&D teams[J]. Organization Science, 2001, 12(4): 502-517.
[20] 朱棣, 葛建华, 杨繁. 聚合还是桥接:社会资本整合问题的研究图景与展望[J]. 南开管理评论, 2023,26(3): 123-134.
[21] ADLER P S, KWON S W. Social capital: prospects for a new concept[J]. Academy of Management Review, 2002, 27(1): 17-40.
[22] COLEMAN J S. Social capital in the creation of human capital[J]. American Journal of Sociology, 1988, 94: S95-S120.
[23] OBSTFELD D. Social networks, the tertius lungens and orientation involvement in innovation[J]. Administrative Science Quarterly, 2005, 50(1): 100-130.
[24] BUTLER B S, WANG X Q. The cross-purposes of cross-posting: boundary reshaping behavior in online discussion communities[J]. Information Systems Research, 2012, 23(3): 993-1010.
[25] CANNELLA A A, PARK J H, LEE H U. Top management team functional background diversity and firm performance: examining the roles of team member colocation and environmental uncertainty[J]. Academy of Management Journal, 2008, 51(4): 768-784.
[26] HARRISON D A, PRICE K H, BELL M P. Beyond relational demography: time and the effects of surface-and deep-level diversity on work group cohesion[J]. Academy of Management Journal, 1998, 41(1): 96-107.
[27] NAHAPIET J, GHOSHAL S. Social capital, intellectual capital, and the organizational advantage[J]. Academy of Management Review, 1998, 23(2): 242-266.
[28] 赵炎, 王琦. 联盟网络的小世界性对企业创新影响的实证研究——基于中国通信设备产业的分析[J]. 中国软科学, 2013,38(4): 108-116.
[29] BAVELAS A.Communication patterns in task-oriented groups[J]. Journal of the Acoustical Society of America, 1950, 22: 725-730.
[30] REAGANS R,MCEVILY B.Network structure and knowledge transfer: the effects of cohesion and range[J]. Administrative Science Quarterly, 2003, 48(3): 554.
[31] JENSEN M B, HIENERTH C, LETTL C. Forecasting the commercial attractiveness of user-generated designs using online data: an empirical study within the LEGO user community[J]. Journal of Product Innovation Management, 2014, (31): 75-93.
[32] CORREIA S.Linear models with high-dimensional fixed effects:an efficient and feasible estimator[EB/OL].http://scorreia.com/research/hdfe.pdf(last accessed 25 October 2019).
[33] SUSARLA A, OH J H, TAN Y. Social networks and the diffusion of user-generated content: evidence from Youtube[J]. Information Systems Research, 2012, 23(1): 23-41.