The Formation Mechanism of Inventors′ Collaboration Network Based on Exponential Random Graph Model

Lin Runhui1,2, Ji Ze1

(1.Business School, Nankai University;2.China Academy of Corporate Governance, Nankai University, Tianjin 300071,China)

Abstract：Against the backdrop of anti-globalization, the threat of external technology blockades and sanctions continues to strengthen, and technological innovation has become the focus in the international community. Many firms are striving to acquire knowledge and information resources through their collaboration networks, which can affect firms′ innovation. Furthermore, research on innovation and social network has shown that collaboration is increasingly pervasive and has become an important source of innovation outcomes. Specifically, existing research has extensively explored how the structural characters of inventors′ collaboration networks (e.g., structural holes and centrality) affect the innovation performance of firms or inventors, but little is known about which factors affect the formation of inventors′ collaboration networks. Therefore, this study aims to explore whether and how different factors influence the formation of inventors′ collaboration network.

In fact, the formation of collaboration networks is influenced by multiple types of factors, such as the attribute characteristics of actors, exogenous environmental factors and endogenous structural effects of the network. For example, individuals tend to establish partnerships with individuals with similar characteristics or between individuals in the same sector. Additionally, the existing partnerships may also influence the formation of new partnerships. However, traditional regression models assume that the formation of relationships between two actors is independent of other relationships, which leads to the inability of traditional modeling approaches to effectively assess the endogenous structural effects of network formation. Therefore, the exponential random graph model (ERGM) is used to empirically explore the influence mechanism of exogenous node attributes and endogenous structural effects on the formation of inventors′ collaboration networks.

As one of the largest patent-holding firms in the world, Huawei has established a large-scale inventor collaboration network, and has applied for and obtained a large number of patents. The technological innovation capability of Huawei has been significantly improved, and it has achieved the leading position in information and communication technology in the world. Therefore, Huawei is a highly representative research object, and there could be great reference significance for similar firms. Furthermore, the study uses the Derwent Innovations Index (DII) and PatSnap to collect the patent data applied by Huawei in China. Since Huawei applied for fewer patents before 2004, its patent data from 2004 to 2021 is selected for the construction of inventors′ collaboration network.

The results show that the inventors′ collaboration network is a typical sparse network with the coexistence of star structure and the closed triangle structure, and its formation is affected by both exogenous node attributes and endogenous structural effects; the collaborative innovation capability of inventors inhibits the formation of inventors′ collaboration networks; however, both the diversity and depth of collaboration of inventors promote the formation of inventors′ collaboration networks, and their homophily significantly promotes the formation of inventors′ collaboration networks, which means that inventors with the same level of partner diversity or depth of collaboration are easier to establish partnerships. Meanwhile, the preferential attachment effect and transitive effect significantly promote the formation of inventors′ collaboration networks, which means that inventors tend to establish collaboration relationships with central inventors and new partnerships with direct partners with common partners. However, the mediating effect is not conducive to the formation of inventors′ collaboration networks, which means that it is difficult to establish partnerships with indirectly connected inventors.

In summary, this study uses the ERGM to empirically analyze the formation mechanism of inventors′ collaboration networks, which enriches the literature related to the formation of individual-level collaboration networks. Moreover, it identifies the different effects of the same factors on the formation mechanisms of collaboration networks at different levels, which deepens the understanding of the formation mechanisms of different types of networks at different levels. Additionally, this study has important implications for managers looking to build a collaboration network with an ideal structure. For example, managers should pay attention to the pre-existing partnerships and network structure characteristics when constructing collaboration networks, and promote the formation of star and closed triangle structures, which in turn shall facilitate the transfer, sharing and absorption of knowledge and other resources among inventors.

Key Words：Inventors′ Collaboration Network; Exponential Random Graph Model; Endogenous Structural Effects; Formation Mechanism of Network

收稿日期：2023-03-05

修回日期：2023-06-11

基金项目：国家自然科学基金面上项目(72272083;71772096)

作者简介：林润辉(1972—),男,河北邢台人,博士,南开大学商学院副院长、教授、博士生导师,研究方向为网络治理与创新、跨国公司治理、信息安全治理;季泽(1992—),男,河南驻马店人,南开大学商学院博士研究生,研究方向为网络治理与创新。本文通讯作者:季泽。

DOI：10.6049/kjjbydc.2023030255

开放科学(资源服务)标识码(OSID)：

中图分类号：G31

文献标识码：A

文章编号：1001-7348(2024)13-0131-10

0 引言

创新是企业生存和发展的核心竞争力,对企业而言,通过创新保持竞争优势至关重要。单个发明者无法拥有创新所需的所有资源,企业创新活动正向网络化转变[1]。社会网络研究表明发明者嵌入各种社会关系及其互动之中,并形成不同的网络结构,这些关系和结构有助于发明者获取创新活动所需知识等资源,进而影响其创新[2,3]。现有研究围绕发明者合作网络的结构属性(如结构洞和中心性等)如何影响企业或发明者创新绩效进行了广泛探讨[4,5]。深入理解企业内部发明者合作网络如何形成,对于构建不同结构的合作网络并促进企业创新绩效提升具有重要的现实意义。现有研究围绕不同层面和类型合作网络的形成及其演化机制进行了探讨,但对于微观层面的发明者合作网络形成机制关注不足[6]。因此,亟需探究发明者合作网络形成机制,例如,哪些因素影响发明者合作网络的形成?不同因素对发明者合作网络形成的影响程度有何差异?

合作网络的形成受到行动者属性特征、外生环境因素和网络内生结构效应等多种因素的共同影响[7],例如,个体倾向于与具有相似特征的个体或处于同一部门的个体建立合作关系[8]。已有合作关系也可能影响新合作关系的形成,如朋友的朋友更容易成为朋友,重复合作的主体间更容易建立新的合作关系[9]。现有研究主要基于传统回归模型探讨行动者属性特征和外生环境因素对合作网络形成的影响,然而,传统回归模型假设两个行动者之间关系的形成不受其它关系的影响,导致传统建模方法无法对网络形成的内生结构效应进行有效评估。指数随机图模型(Exponential Random Graph Model,ERGM)是以网络连接为基础的一种模型,强调网络连接之间的条件依赖,可同时将行动者属性特征、外生环境因素和内生结构效应纳入模型进行评估,弥补了传统建模方法的不足[7]。因此,ERGM可以更全面地考察发明者合作网络形成机制。目前,ERGM已被广泛运用于探讨贸易合作网络[10]、科研合作网络[11,12]、产学研协同创新网络等[13]的形成机制。综上,本研究基于华为技术有限公司(以下简称“华为”)2004—2021年专利数据,构建发明者合作网络,并运用ERGM探讨行动者属性和内生结构效应是否以及如何影响发明者合作网络的形成。

1 文献回顾

1.1 网络形成过程影响因素

现有研究主要探讨了行动者属性特征和外生环境因素对合作网络形成的影响。一方面,有研究表明行动者属性特征会显著影响行动者之间联系的形成。企业倾向于与具有异质性知识的企业建立联盟网络,这有利于企业获取创新所需知识等资源[14]。个体的性别、地位、动机、任期及其绩效等显著影响合作网络的形成[15-18],具有相似特征如相同年龄、性别、种族、地位、职业和教育水平的行动者之间可能更容易建立合作关系[19-20]。另一方面,有研究表明地理、技术、认知和组织等邻近性也是影响合作网络形成的重要外生环境因素[21]。处于相同社区、工作场所和部门的个体之间更有可能建立合作关系,因为他们之间接触或交流的机会更多[8,20]。然而,也有研究表明尽管适度的邻近性有利于创新网络形成与演化,但过度的邻近性会造成技术锁定风险和局部搜索等不利影响[22]。此外,其它类型网络也会显著影响合作网络的形成,例如,企业内部知识网络会显著影响发明者之间的建议传递,进而影响发明者之间建议咨询网络的形成[23]。

网络也可以通过更广泛的社会互动过程出现,如由焦点网络内部过程驱动的内生结构效应,包括互惠性、传递性和马太效应等[7,20]。有研究表明,国家间贸易合作表现出较强的互惠性[10]。朋友的朋友更容易成为朋友,重复合作尤其有过成功合作经历的个体之间更容易建立合作关系,这可能源于个体之间的信任[8,9]。此外,受欢迎的个体可能吸引更多人,因为与受欢迎的个体建立合作关系有利于快速获取所需资源[7]。事实上,越来越多的研究表明网络内生结构效应显著影响不同类型合作网络的形成[10-13],且内生结构效应的存在可能削弱行动者属性和外生环境因素对网络形成的影响[24]。因此,忽略内生结构效应可能导致高估行动者属性和外生环境因素对网络形成的影响,甚至得出错误结论。

1.2 与网络形成相关的建模方法

现有研究主要采用传统回归模型(如Logit[16]、负二项回归模型[22]、Probit[25]、泊松回归模型等),探讨行动者属性特征对合作网络形成的影响,或运用复杂网络分析和社会网络分析方法对合作创新网络的形成与结构演化特征进行描述性统计分析(高霞等,2015),或基于二次指派程序探讨多维邻近性对合作网络形成的影响[21-22]。然而,传统统计模型以因变量相互独立为前提,导致其无法对相互依赖的网络数据进行有效估计。传统统计模型仅能对二元关系进行探讨,无法解释由于内生结构效应产生的三元组等网络构型,因为它们可能不是相互独立的[24]。

为弥补传统建模方法的不足,相关学者在马尔科夫随机图模型的基础上进行拓展,形成了指数随机图模型(ERGMS)。与传统计量模型强调因变量之间的独立性不同,ERGM作为一类处理网络关系数据的统计学模型,更强调网络连接之间的依赖性,即网络中一条边存在的概率往往依赖于其它边的存在与否,用于研究网络连接到整体网络结构的涌现机制[7]。相比传统回归模型,ERGM在分析网络形成机制时具有显著优势[24]。首先,ERGM不需要假设网络连接之间的独立性,不需要匹配样本设计和以往网络研究中使用的偏差纠正技术等。其次,ERGM可同时将行动者属性特征、外生环境因素和内生结构效应纳入模型进行评估,尤其是可以整合不同类型的网络结构(如三元组等),并估计它们对网络形成的影响。最后,ERGM可以用于分析不同类型的网络,如有向网络和无向网络、二模网络和多层网络等。因此,ERGM提供了一个强大的工具来分离同时运行的各种社会过程,并评估每个过程中行动者属性特征、外生环境因素和内生结构效应对网络结构形成的相对贡献。

鉴于ERGM的上述优势,相关学者运用ERGM从微观、中观和宏观层面对不同类型合作网络的形成机制进行了探讨。在微观层面,现有研究重点探讨了不同学科和领域的科研合作网络形成机制。翟莉等[11]、刘璇等[12]分别以统计学科合作规模最大的三所高校和知识管理相关研究领域的论文为例,探讨了个体属性(如职称和结构洞等)和网络结构对科研合作网络形成的影响。此外,有研究关注企业内部和企业间个体合作网络形成机制。Brennecke[18]研究指出,个体正式层级和任期等因素显著影响企业内部工程师之间不和谐关系网络的形成;Kim等[24]研究发现,内生结构效应(如互惠性和传递性等)显著影响财富100强美国公司的连锁董事网络形成,并且加入内生结构效应会显著降低企业属性(如规模等)对连锁董事网络形成的影响。

在中观层面,现有研究主要基于不同行业或产业的专利数据,构建不同类型合作网络并分析其形成机制。刘晓燕等(2020)以中国集成电路产业的专利转让数据为基础,运用ERGM考察交易主体多维邻近性和内生结构效应对企业间技术交易网络形成的影响;马永红等[26]基于医药产业专利数据对影响关键共性技术合作网络演化的内外部因素进行探讨;郭建杰等[13]以我国电信行业为例,探讨了企业协同创新能力、合作广度、合作深度等属性和内生结构效应对产学研协同创新网络形成的影响。此外,相关学者基于专利引用关系构建技术扩散网络,并分析内生结构效应和专利属性等因素对技术扩散网络形成的影响[27]。

在宏观层面,相关学者主要关注城市间创新合作网络或科研合作网络的形成机制。王海花等[28]基于长三角城市的专利数据构建产学研协同创新网络,并从多层网络视角探讨了长三角城市群协同创新网络演化及形成机制;戴靓等[29]基于长三角城市合作论文探讨了城市属性、城际关系和网络结构对城市间科研合作网络的影响,揭示了科研合作中的邻近性和自组织性。此外,刘林青等[10]、唐晓彬等[30]分别对“一带一路”合作伙伴间货物贸易网络形成的静态和动态演化机制进行了剖析。

以上文献反映了ERGM在揭示社会网络形成机制方面的优势。然而,现有研究主要运用ERGM探讨中观层面(企业等)和宏观层面(城市和国家等)的合作网络形成机制,对微观层面合作网络形成的关注相对不足。尽管微观层面合作网络(如科研合作网络)的形成机制已受到部分学者的关注[11,12],但现有研究对与企业创新密切相关的发明者合作网络形成机制的关注明显不足。为弥补现有研究不足,本研究运用ERGM探讨行动者属性和内生结构效应对发明者合作网络形成的影响,并分析其底层机制。

2 研究设计

2.1 样本选择与数据源

本文选取华为专利数据作为实证研究样本。具体原因如下:一是华为作为我国高科技领域的标杆企业,是全球领先的ICT基础设施和智能终端提供商。其拥有较长发展历史、较大规模以及较强技术创新能力,在国内外有一定影响力。选择华为作为研究对象具有很高的代表性和研究价值,对同类型企业具有较强的借鉴意义。二是华为特别重视企业技术创新,拥有大规模研发人员和大量专利,这为分析发明者合作网络形成机制提供了良好背景,且与本文研究目的具有很高契合度。具体来讲,2022年华为从事研究与开发的人员约11.4万名,截至2022年底,华为在全球共获得超过12万件有效专利,已成为全球最大的专利持有企业之一。专利提供了发明者的详细信息且容易获取,基于专利数据构建发明者合作网络已成为现有研究常用的方法[2,4-5],华为拥有的专利数据为本研究构建发明者合作网络提供了良好的样本来源。此外,目前关于华为专利的研究主要涉及与其它企业的比较以及产学研合作网络特征和演化等方面(王珊珊等,2018),缺乏对华为内部合作网络形成机制的深入分析。三是选取单个企业作为研究对象,可以避免行业或企业层面潜在的混淆效应[2,5]。

本研究使用德温特创新指数数据库(Derwent Innovations Index,DII)和PatSnap全球专利检索分析数据库进行检索,提取华为在中国申请的发明专利数据,并基于专利号将两个数据库中的数据进行匹配和补充,从而降低出错的概率。2004年以前华为公司申请的专利数量较少,因此,本研究对2004—2021年的专利数据进行提取。专利数据信息包含发明者、专利权人、德温特主入藏号、施引专利数量、申请和授权日期等。首先,为避免由于发明人身份不唯一(同一个人的专利以不同的首字母和姓名组合出现)带来的偏差,本研究对发明者的姓名进行匹配和统一。其次,在获取的申请专利数据信息基础上剔除个人申请以及与其它企业或高校等合作申请的专利数据。最后,分别构建2004—2021年的发明者合作网络。

2.2 模型方法

本文采用ERGM对发明者合作网络形成机制进行实证研究。具体来讲,假设节点数量为N的网络G(N)={V,J},其中,V={1,2,3,…,n}表示网络节点的集合,J={(i,j):i,j∈V,i≠j}表示节点之间所有可能存在的边集合。对于观察网络G={V,E},E为观察网络的边,其为J的某一特定子集。假设随机变量Y为J中的元素,若(i,j)∈E,则yi,j=1,否则yi,j=0,可进一步构建观察网络的邻接矩阵y=[yi,j]。因此,可用pr(Y=y|θ)表示θ条件下,y在Y中出现的概率。ERGM模型的一般形式如下:

(1)

其中,κ(θ)是标准化常量,它确保公式(1)满足合适的概率分布。分别为不同类型统计量对应的参数向量,z(y),k=1,2,…,m,代表m个内生结构效应的统计量,zα(y,x),k=1,2,…,l,代表l个行动者属性变量的统计量,zβ(y,g),k=1,2,…,p,代表p个网络协变量的统计量。若统计量的参数值为正(负)且显著,则表明该统计量会提升(抑制)网络中新合作关系形成的概率。此外,本研究采用马尔科夫链蒙特卡洛极大似然估计法对模型参数进行估计,并通过MCMC诊断和拟合优度检验(GOF)评估模型拟合效果。采用赤池信息量(AIC)和贝叶斯信息量(BIC)评价不同模型之间拟合效果的差异,AIC和BIC的数值越小,代表模型的拟合效果越好。

2.3 变量选取

本研究选取的解释变量具体如下:

(1)内生结构变量。借鉴相关研究[7,13,24],本文选取典型的网络结构指标作为内生结构变量,考察发明者合作网络形成的内生结构效应。其中,边(Edges)指合作网络中边的数量。几何加权度分布是所有星形结构计数的加权和,能抑制高阶星形的影响,在发明者合作网络中表示发明者与其他发明者建立联系并形成星型结构的倾向,用Gwdeg表示。几何加权边共享伙伴可测度传递性效应在网络形成过程中的作用,在发明者合作网络中表示发明者与其他多个发明者形成闭合三角形结构且共享边的倾向,用Gwesp表示。几何加权二元共享伙伴分布可测度中介效应在网络形成过程中的作用,在发明者合作网络中表示发明者之间形成开放三角形结构的倾向,用Gwdsp表示。

(2)行动者属性变量。借鉴相关研究[13],本文选择协同创新能力(Collaborative Innovation Ability,CIA)、合作伙伴多样性(Partnership Diversity,PD)和合作深度(Depth of Collaboration,DC)3个行动者属性变量。其中,协同创新能力体现发明者的知识吸收和整合能力,本研究用发明者合作申请专利的数量表征,衡量合作申请专利数量越多的发明者是否拥有更多合作伙伴。合作伙伴多样性体现发明者社会资本,合作伙伴多样性程度越高,越有助于发明者获取多样性知识,本研究用与发明者存在合作关系的其他发明者数量表征,衡量度中心性高的发明者是否吸引更多合作。合作深度反映发明者与其他发明者的合作次数,合作次数越多越有利于发明者之间建立信任,越有利于后续连接的形成,本研究用发明者与其他发明者连接的平均次数表征,衡量与合作伙伴合作深度越高的发明者是否吸引更多合作。此外,本研究以各行动者属性变量的均值为标准,将行动者属性进一步划分为高低两种水平,以探究是否处于相同水平合作伙伴多样性和合作深度的发明者之间更倾向于建立合作关系。以上变量的具体说明如表1所示。

2.4 模型构建

首先,基于R中的Statnet程序包,分别对各年份合作网络构建4个ERGM。其中,模型1的解释变量仅包含边统计项,作为基准模型;模型2在模型1的基础上考察发明者行动者属性主效应对发明者合作网络形成的影响;模型3在模型2的基础上考察同质性对发明者合作网络形成的影响;模型4在模型3的基础上进一步考察内生结构效应对发明者合作网络形成的影响。具体如下:

模型1:

network1～edges

(2)

模型2:

network2～edges+nodecov(″CIA″)+nodecov(″PD″)+nodecov(″DC″)

(3)

模型3:

network3～edges+nodecov(″CIA″)+nodecov(″PD″)+nodecov(″DC″)+nodematch(″CIA″)+nodematch(″PD″)+nodematch(″DC″)

(4)

模型4:

network4～edges+nodecov(″CIA″)+nodecov(″PD″)+nodecov(″DC″)+nodematch(″CIA″)+nodematch(″PD″)+nodematch(″DC″)+gwdsp(λ1,fixed=T)+gwesp(λ2,fixed=T)+gwdegree(λ3,fixed=T)

(5)

3 发明者合作网络实证分析

3.1 描述性统计分析

基于R中的Igraph程序包,分别对2004—2021年华为发明者合作网络的相关属性指标进行统计分析,结果如表2所示。

在整体网络属性方面,节点数量指合作网络中发明者总数量,反映发明者合作网络规模,结果表明,发明者合作网络规模整体呈上升趋势,但会有小幅波动。专利数量指各年度发明者合作申请的专利数量,其与网络规模具有相同变化趋势。网络直径指巨型组件中任意两节点之间距离的最大值,结果表明网络直径相对较长,处于17～36之间。网络密度反映网络节点间联系的紧密程度,结果表明各年度合作网络的密度均较小。巨型组件指发明者合作网络中最大连通子图的规模,反映发明者合作网络的连通性,结果表明各年度发明者合作网络巨型组件占网络规模的比例相对较低,整体呈先上升后下降再上升的趋势,且整体平均比例仅为50%,故发明者合作网络的连通性较差。

在小世界网络属性方面,由于发明者合作网络非全连通图,因此,给出最大连通子图的小世界网络属性指标。其中,平均路径长度的结果表明各年度合作网络中任意两节点之间需要经过7～14个节点才能建立连接。网络聚集系数衡量发明者合作伙伴之间的连接程度,反映网络节点的聚集化程度,结果表明聚集系数相对较小(0.40～0.67),即发明者之间的聚集化程度相对较低。因此,发明者合作网络不具有小世界网络属性特性。

3.2 结果分析

建模过程中发现,包含几何加权边共享伙伴(Gwesp)和几何加权二元共享伙伴(Gwdsp)等高阶结构变量的模型均出现了模型退化现象,故模型4仅考察了马太效应。由于篇幅限制,表3仅给出各年度模型4的结果。此外,单独对中介效应和传递效应进行考察,结果如表4所示。

通过比较同一年度内不同模型的实证结果可知,随着解释变量的增加,各年度ERGM的AIC和BIC均不同程度降低,表明模型的拟合效果随着解释变量的增加而提升。值得注意的是,仅考察中介效应和传递效应的模型具有更低的AIC和BIC,说明内生结构效应对发明者合作网络的形成具有更重要的影响。此外,解释变量参数的正(负)反映观察网络中对应的模式比随机网络中出现得更多(少),在参数显著的情况下,表现为对发明者合作网络的形成具有促进或抑制作用。ERGM中边变量的系数均显著为负,表明观察网络均为稀疏网络。该变量类似线性回归模型中的截距项,这里不作解释。鉴于各年度模型4均具有更好的拟合效果,故依据各年度模型4的实证结果进行讨论,具体分析如下。

(1)协同创新能力的系数在各年度模型中均为负且显著,表明发明者协同创新能力会抑制其新合作关系的形成,即随着发明者合作申请专利数量的增加,其与其他发明者建立新合作关系的概率会降低。

(2)合作伙伴多样性和合作深度的系数在各年度模型中均显著为正,表明发明者合作伙伴多样性和合作深度的提高会促进其新合作关系的形成,即发明者增加合作伙伴或与合作伙伴的合作关系增加时,其与其他发明者建立新合作关系的概率会提升。

(3)协同创新能力同质性的实证结果具有差异性,其中有6个年份同质性的系数为负且显著,3个年份的同质性系数为正且显著,表明协同创新能力同质性对新合作关系形成的影响具有复杂性,可能存在一个最优阈值;合作伙伴多样性同质性和合作深度同质性的系数均为正且显著,表明处于相同水平合作伙伴多样性或合作深度的发明者之间更倾向于建立合作关系。

(4)几何加权度分布的系数均为正且显著,表明马太效应会促进新合作关系的形成,说明合作网络中的“核心—边缘”结构明显,意味着发明者倾向于与处于中心位置的发明者建立合作关系,进而形成星形结构。几何加权二元共享伙伴的系数均为负且显著,表明中介效应会抑制新合作关系的形成,说明合作网络中存在较少结构洞,意味着没有直接合作的发明者之间不太可能产生间接联系。几何加权边共享伙伴的系数为正且显著,表明传递效应显著促进新合作关系的形成,说明合作网络中存在较多的闭合三角形结构,意味着发明者倾向于与具有共同合作伙伴的直接合作伙伴建立新合作关系。

为更直观地检验ERGM的拟合效果,选取度和模型统计量两类指标对各年度ERGM进行拟合优度检验,由于篇幅限制,仅给出2021年发明者合作网络ERGM(模型4)检验结果,如图1所示。其中,折线代表观察网络的统计特征,箱线图代表模拟网络的统计特征,折线越靠近箱线图的中间位置,表明模型拟合效果越好。由图1可知,折线均处于箱线图的上下四分位数线之间,且靠近箱线图的中间位置,因此,该模型较好地反映了观察网络的真实网络结构特征。

4 讨论与展望

4.1 研究结论

本研究基于华为2004—2021年专利数据,运用ERGM探讨发明者合作网络形成机制,得到如下主要结论:

(1)发明者合作网络是稀疏网络,其形成受到行动者属性和内生结构效应的共同影响,且内生结构效应对发明者合作网络形成的贡献更大。

(2)发明者协同创新能力的提高会降低新合作关系形成的概率。原因在于发明者协同创新能力越强,其合作申请专利的数量越多,意味着发明者需要投入更多精力、时间选择合适的合作伙伴以及与合作伙伴进行沟通和协调。由于发明者用于创新的资源是有限的,过度参与不同的创新活动会占用发明者大量创新资源并分散注意力,进而降低创新效率。因此,发明者协同创新能力较强时,其建立新合作关系的概率就降低。此外,过度追求合作可能导致焦点发明者被视为机会主义者,并降低发明者之间的信任,进而降低其他发明者与之建立新合作关系的意愿。

(3)发明者合作伙伴多样性和合作深度均显著促进新合作关系的形成。原因在于随着发明者合作伙伴多样性的增加,发明者将获取更多知识和信息等资源。因此,处于中心位置的发明者可能是某方面的专家,其他发明者为获取所需知识等资源也倾向于与之建立合作关系[5]。此外,增加发明者之间的合作深度有助于发明者之间建立更紧密的合作关系,增强彼此间信任,降低知识搜索成本,进而促进创新效率提升以及新合作关系的形成。

(4)具有相同水平合作伙伴多样性或合作深度的发明者之间更倾向于建立合作关系。原因在于处于相同水平合作伙伴多样性和合作深度的发明者之间可能具有相似的背景、经历、认知和理解能力,更容易形成默契和信任,有助于降低发明者之间的沟通与协调成本以及创新风险,进而有助于发明者之间建立新合作关系。然而,本文发现发明者协同创新能力同质性会促进也会抑制新合作关系的形成,这表明协同创新能力同质性对合作网络形成的影响可能存在一个临界值。具体来讲,协同创新能力同质性可能促使发明者更倾向于选择具有相同能力水平的个体作为合作伙伴,这有助于提升创新效率并促进合作网络的形成,然而,当协同创新能力同质性超过某一临界值时,可能导致关系和知识锁定,限制发明者获取新知识和想法的渠道,进而不利于创新和新合作关系的形成[31]。

(5)发明者合作网络倾向于形成星形结构和闭合三角形结构,但不倾向于形成开放三角形结构。星形结构有利于处于合作网络边缘位置的发明者通过与核心位置的发明者建立合作关系而快速获取创新所需知识等资源,有助于提升企业内部知识转移效率。闭合三角形结构可为发明者提供更多学习机会以了解如何协作并提高发明者生产力,且有助于发明者间沟通和交流,能有效降低发明者之间知识转移和协调成本。虽然开放三角形结构(结构洞)有利于降低合作网络知识冗余,但不利于发明者之间的知识传递,且基于开放三角形结构的联系属于弱联系,导致开放三角形结构可能随着时间的推移而迅速衰减或断裂[32]。此外,占据结构洞的发明者的知识吸收和整合能力可能有限,且很容易被视为机会主义者[33],进而会降低发明者之间的信任并阻碍开放三角形结构的形成。

4.2 理论贡献

(1)本研究运用ERGM对发明者合作网络形成机制进行实证分析,弥补了现有研究对发明者合作网络形成问题探讨的不足,丰富了发明者合作网络形成相关文献。基于动态视角对发明者合作网络关系形成机制进行探讨,并识别出发明者协同创新能力、合作伙伴多样性、合作深度及其同质性,以及马太效应、中介效应和传递效应对发明者合作网络形成的差异化影响。

(2)本研究识别出相同因素对不同层面合作网络形成机制的差异化影响,深化了对于不同层面、不同类型网络形成机理的理解。有研究指出中介效应在产学研协同创新合作网络的形成中发挥显著促进作用[13],而本研究发现中介效应显著抑制发明者合作网络的形成。原因可能在于组织是由众多发明者构成的复杂系统,相比发明者拥有的有限知识,组织的知识库包含更多异质性和多样性知识,拥有较强的知识吸收和整合能力。

4.3 实践启示

(1)发明者应积极与新合作伙伴建立合作关系以提升网络地位,同时要深化现有合作关系,以促进组织内部知识的高效流动和企业创新。管理者在构建企业内部合作网络时应关注发明者的协同创新能力,避免其因过度追求合作而导致能力不足等负面影响。

(2)创新是成本较高、风险较大的活动,管理者应关注发明者合作伙伴多样性和合作深度的属性特征,通过促进相同水平合作伙伴多样性和合作深度的发明者之间建立合作提高创新效率。然而,管理者应避免由于过度同质性可能造成的知识冗余和锁定等。

(3)管理者在构建发明者合作网络时应重视网络的内生结构效应,如网络中先前存在的合作关系和网络结构特征,促进星形结构和闭合三角形结构的形成,进而促进发明者之间知识等资源的转移、共享和吸收。

4.4 研究局限与未来展望

(1)尽管专利数据常常被用于创新研究,但其不能完全反映创新活动相关内容,例如,与创新相关的很多隐性知识无法在专利中体现[5]。未来研究可基于其它类型的数据(如电子邮件)构建发明者合作网络。此外,本研究仅选择华为作为研究对象,实证结果的普适性可能存在一定局限性。未来研究可选取不同行业或企业(如中兴)进行对比分析,提高研究结论的可靠性和普适性。

(2)本研究的潜在假设是发明者在构建合作关系时具有完全的自由决策权,然而发明者在构建合作关系时会受到组织中强制分配等多种外界因素的影响,导致不能完全自主选择。未来研究可进一步厘清发明者合作关系产生的来源,排除正式结构等关系对实证结果造成的潜在影响。

(3)本研究对发明者合作网络形成机制进行了探索,然而,发明者会根据自身需求自主选择新的合作伙伴或终止与现有合作伙伴的关系,使得发明者合作网络始终处于动态变化中。未来研究可进一步通过时序指数随机图模型(TERGM),探讨发明者合作网络的动态演化机制。

参考文献：

[1] WUCHTY S, JONES B F, UZZI B. The increasing dominance of teams in production of knowledge[J]. Science, 2007, 316(5827): 1036-1039.

[2] LIN R H, LU Y H, ZHOU C, et al. Rethinking individual technological innovation: cooperation network stability and the contingent effect of knowledge network attributes[J]. Journal of Business Research, 2022, 144(5): 366-376.

[3] SCHILLEBEECKX S J D, LIN Y, GEORGE G, et al. Knowledge recombination and inventor networks: the asymmetric effects of embeddedness on knowledge reuse and impact[J]. Journal of Management, 2021, 47(4): 838-866.

[4] KHANNA R, GULER I. Degree assortativity in collaboration networks and invention performance[J]. Strategic Management Journal, 2022, 43(7): 1402-1430.

[5] WANG C, RODAN S, FRUIN M, et al. Knowledge networks, collaboration networks, and exploratory innovation[J]. Academy of Management Journal,2014, 57(2): 484-514.

[6] JACOBSEN D H, STEA D, SODA G. Intra-organizational network dynamics: past progress, current challenges, and new frontiers[J]. Academy of Management Annals, 2022, 16(2): 853-897.

[7] LUSHER D, KOSKINEN J, ROBINS G. Exponential random graph models for social networks: theory, methods and applications[M]. New York: Cambridge University Press, 2013.

[8] DAHLANDER L, MCFARLAND D A. Ties that last: tie formation and persistence in research collaborations over time[J]. Administrative Science Quarterly, 2013, 58(1): 69-110.

[9] GU W W, LUO J D, LIU J F. Exploring small-world network with an elite-clique: bringing embeddedness theory into the dynamic evolution of a venture capital network[J]. Social Networks, 2019, 57(1): 70-81.

[10] 刘林青, 陈紫若, 田毕飞. 结构依赖如何影响贸易网络形成及演化: 以“一带一路”为例[J]. 世界经济研究, 2020, 39(6): 106-120,137.

[11] 翟莉, 梁倩, 姚佳佳. 高校导师合作网络演化及形成机制研究——基于指数随机图模型[J]. 情报科学, 2023, 41(2): 20-28.

[12] 刘璇, 汪林威, 李嘉, 等. 科研合作网络形成机理——基于随机指数图模型的分析[J]. 系统管理学报, 2019, 28(3): 520-527.

[13] 郭建杰, 谢富纪. 基于ERGM的协同创新网络形成影响因素实证研究[J]. 管理学报, 2021, 18(1): 91-98.

[14] BAUM J A C, COWAN R, JONARD N. Network-independent partner selection and the evolution of innovation networks[J]. Management Science, 2010, 56(11): 2094-2110.

[15] CAO J Y, SMITH E B. Why do high-status people have larger social networks? belief in status-quality coupling as a driver of network-broadening behavior and social network size[J]. Organization Science, 2020, 32(1): 1-22.

[16] VISSA B. A matching theory of entrepreneurs' tie formation intentions and initiation of economic exchange[J]. Academy of Management Journal, 2011, 54(1): 137-158.

[17] WHITTINGTON K B.A tie is a tie? gender and network positioning in life science inventor collaboration[J]. Research Policy, 2018, 47(2): 511-526.

[18] BRENNECKE J. Dissonant ties in intraorganizational networks: why individuals seek problem-solving assistance from difficult colleagues[J]. Academy of Management Journal, 2020, 63(3): 1-77.

[19] MCPHERSON M, COOK S. Birds of a feather: homophily in social networks[J]. Annual Review of Sociology, 2001, 27(1): 415-444.

[20] FUHSE J A,GONDAL N.Networks from culture: mechanisms of tie-formation follow institutionalized rules in social fields[J/OL]. Social Networks,1-12[2021-12-05]. https://doi.org/10.1016/j.socnet.2021.12.005.

[21] 苏屹, 郭家兴, 王文静. 多维邻近性下新能源合作创新网络演化研究[J]. 科研管理, 2021, 42(8): 67-74.

[22] 顾伟男, 刘慧, 王亮. “一带一路”沿线国家科研合作网络的多元结构及形成机制[J]. 地理研究, 2020, 39(5): 1070-1087.

[23] BRENNECKE J, RANK O. The firm's knowledge network and the transfer of advice among corporate inventors:a multilevel network study[J]. Research Policy, 2017, 46(4): 768-783.

[24] KIM J Y, HOWARD M, PAHNKE E C, et al. Understanding network formation in strategy research: exponential random graph models[J]. Strategic Management Journal, 2016, 37(1): 22-44.

[25] STERN I, DUKERICH J M, ZAJAC E. Unmixed signals: how reputation and status affect alliance formation[J]. Strategic Management Journal, 2014, 35(4): 512-531.

[26] 马永红, 杨晓萌, 孔令凯. 关键共性技术合作网络演化机制研究——以医药产业为例[J]. 科技进步与对策, 2021, 38(8): 60-69.

[27] 段庆锋, 马丹丹. 基于指数随机图模型的专利技术扩散机制实证研究[J]. 科技进步与对策, 2018, 35(22): 23-29.

[28] 王海花, 孙芹, 郭建杰, 等. 长三角城市群协同创新网络演化动力研究:基于指数随机图模型[J]. 科技进步与对策, 2021, 38(14): 45-53.

[29] 戴靓, 刘承良, 王嵩, 等. 长三角城市科研合作的邻近性与自组织性[J]. 地理研究, 2022, 41(9): 2499-2515.

[30] 唐晓彬, 崔茂生. “一带一路”货物贸易网络结构动态变化及其影响机制[J]. 财经研究, 2020, 46(7): 138-153.

[31] ERTUG G, BRENNECKE J, KOVACS B, et al. What does homophily do? a review of the consequences of homophily[J]. Academy of Management Annals, 2022, 16(1): 38-69.

[32] SODA G, ZAHEER A, SUN X, et al. Brokerage evolution in innovation contexts: formal structure, network neighborhoods and knowledge[J]. Research Policy, 2021, 50(10): 1-16.

[33] 孙笑明, 郑晓宇, 王巍, 等. 技术并购中主并企业关键研发者合作网络变化对其创造力的影响[J]. 管理工程学报, 2021, 35(6): 35-47.

[责任编辑：万贤贤)