发明者网络嵌入、稳定性与创新绩效的关系研究

毛荐其 嵇金星 刘 娜 官建成

1 引 言

知识经济背景下，复杂网络式合作创新成功取代了单一封闭性的传统创新形式（刘娜，2017［1］）。知识重组是创新的源泉，创新网络尤其有利于知识传递与交流，因而发明活动的轨迹常常被定位于不同层面的合作网络中（Sytch和Tatarynowicz，2014［2］）。发明者自我网络是描述发明者间合作关系的一种微观网络，通过限制发明者对直接合作伙伴的选择及其关系的维系，影响对外部资源的获取、整合及优化能力。其次，发明者作为组织机构甚至是整个行业领域技术创新的主力军，发明者创新绩效的提升意味着组织机构或行业研发能力的增强（Ibert 和Muller，2015［3］）。因此，探索发明者创新网络嵌入与创新绩效之间的关系，对提升发明者创新绩效，增强组织市场竞争力及探索行业发展潜力具有非常重要的影响。

现有研究表明创新网络嵌入是影响创新绩效的重要因素。网络嵌入为发明者提供广泛、亲密的合作关系，鼓励发明者进行合作网络形式的创新，支持发明者挖掘更宽泛、更深层次的外部资源。虽然这些优势被认为有利于发明者创新绩效，但也有研究发现不适当的网络嵌入会产生知识冗余、过度嵌入等问题。例如Ibert和Müller（2015）［3］提出网络强关系嵌入容易带来冗余知识，不利于创新绩效提升。Zang（2018）［4］认为结构洞与利用性创新负相关，与探索性创新正相关。当前，有关创新网络嵌入与创新绩效间的关系研究尚未形成一致性结论，需要进一步厘清创新网络嵌入作用于创新的内在机制及边界条件。发明者通过一定的合作关系嵌入在创新网络中，并呈现出一定的网络关系特征和结构特征。然而，发明者所嵌入的合作创新网络并不是一成不变的，因为，发明者的知识需求、兴趣、甚至所处的环境都随时间不断变化，这促使发明者不断重构自我网络，寻求交换及整合新知识的机会，结识有益新合作者、维持有益或终止无益的原合作关系（刘娜等，2019）［5］。发明者重构自我网络的行为将影响其自我网络的稳定性，使得创新网络呈现出扩张、稳定或衰退的态势。

当前有关创新网络功能机制的研究，关注较多的是发明者创新网络关系嵌入及结构嵌入对创新绩效的直接效应，认为发明者的静态网络社会资本影响其创新绩效。如何解释发明者自我网络的稳定性，它又是如何影响其创新绩效？该研究问题在当前研究文献中还未曾见到。常红锦等（2013）［6］研究表现，创新网络成员的网络退出行为受到其网络嵌入性的影响。发明者自我网络稳定性是网络在演变过程中所呈现的一种稳定状态，自然会受到其创新网络嵌入性包括关系嵌入及结构嵌入的影响。发明者自我网络越稳定，合作摩擦越小，创新的可能性越大。现有的网络关系、结构优势使得发明者满足当前的网络状态，更可能通过维护当前网络稳定性来促进创新绩效的提升。因此，本研究关注发明者创新网络嵌入是否影响其自我网络稳定性，进而影响其创新绩效。发明者自我网络动态如图1所示：

关于创新网络嵌入与创新绩效之间不一致的实证结果反映了两者间存在边界条件。已有研究表明网络嵌入与网络动态变化间的关系受到发明者个体特征的影响。比如，Cannella和Mcfadyen等（2013）［7］发现发明者知识创造能力会削弱网络嵌入与网络成员流动间的关系。利用性学习能力作为发明者的一种个体特征，可能会影响发明者对现有合作伙伴的关注、重视和维护程度，我们认为发明者利用性学习能力差异可能会调节网络嵌入与网络稳定性间的关系。所以，本研究检验利用性学习能力在网络嵌入和网络稳定性之间起到的调节作用。

为了全面细致地揭示发明者创新网络嵌入与发明者创新绩效之间的关系，本文结合社会资本理论及学习理论，提出一个被调节的中介模型来解释发明者创新网络嵌入影响创新绩效的内在机制（通过自我网络稳定性），以及创新网络嵌入影响自我网络稳定的边界条件（利用性学习能力），以中国发明者在美国专利数据库（USPTO）授权的可再生能源领域专利数据为样本，运用负二项模型和马尔可夫链蒙特卡罗法（MCMC）进行实证研究，试图为促进发明者创新绩效提供指导建议。

2 理论与假设

2.1 发明者网络嵌入与创新绩效

发明者创新网络嵌入一般可划分为网络关系嵌入和结构嵌入，它们作为发明者的社会网络资本，表征着发明者在创新网络中的合作能力、网络地位位置及网络聚集，反映了发明者对其他发明者的吸引力以及获取多样化及冗余知识和资源的机会及约束，影响发明者的创新活动（Liu和Guan，2015［8］）。本研究关注发明者创新网络关系嵌入及结构嵌入两个方面，并使用关系强度作为网络关系嵌入程度度量指标，使用结构洞作为网络结构嵌入程度度量指标（Yan等，2019［9］；Burt，1992［10］）。

Granovetter（1973）［11］提出的网络关系理论，指出网络关系强弱表征节点间信息和知识传递的差异。发明者网络关系强度反映了发明者在创新网络中与其他发明者连结的紧密程度，关系到发明者获取及传递知识、信息及资源的质量及速度，进而影响发明者的创新行为。基于社会资本理论和知识基础观，当前关于网络关系强度对创新绩效的影响研究存在两个学派。“强关系”学派认为，关系强度越强，发明者与其合作伙伴间合作就越频繁，他们之间的承诺和信任等情感资源就越丰富，摩擦和交易成本就越少，保护私有知识倾向就越低，知识分享意愿就越强，越能够迅速的获取合作伙伴的知识及信息，越有利于复杂和隐性知识的传递，进而提高合作创新的效率及速度，最终导致创新绩效的提升（De vaan，2014［12］；Ebers和Maurer，2014［13］）。“弱关系”学派认为，从网络资源的视角看，强关系容易造成网络过度嵌入，对发明者形成一种锁定效应，造成发明者间知识及信息的同质化，对发明者创新绩效造成不利影响（Granovertter，1973［11］；Yan和 Guan，2018［14］）；弱关系虽然不能提供信任和承诺等情感资源，但可以促进异质、多样化知识及信息在合作者间的交流及传递（Granovertter，1973［11］）。有些学者认为，两个学派矛盾的观点关键在于忽视了权变因素的影响。比如，刘学元等（2016）［15］在对我国制造业企业创新研究中，提出由于我国当前独立创新能力不足，关系强度与创新绩效间存在正向关系。王建平和吴晓云（2019）［16］发现，在当前中国情景下，关系强度通过企业采取的合作战略正向影响创新绩效。综上，考虑我国当前正处于创新转型的特殊时期，发明者网络关系强度对创新绩效存在正向影响。

结构嵌入作为发明者网络嵌入的一个重要维度，不同程度的结构嵌入反映了异质性知识及信息获取机会的差异（刘娜，2017［1］）。Burt（1992）［10］关注网络关系的结构布局，提出结构洞理论，占据结构洞的发明者通过桥架两个独立且不存在连结关系的发明者而获得关系及渠道优势，在创新网络中扮演着“桥”的角色。一方面，由于不存在冗余连结，结构洞位置的开放性网络能够为结构洞占据者及时传递异质知识和信息（Zang，2018［4］）；另一方面，由于桥架非冗余关系，结构洞占据者具有网络资源分配和控制权力，控制知识及信息在独立的直接合作伙伴间的传递（苏昕等，2019［17］）。相反，嵌入在冗余性封闭网络中的发明者，虽然具有团结一致的优势，但更容易传递大量冗余知识及信息。因此，本研究认为结构洞特征的网络嵌入能够实现异质网络资源的高效传递，对结构洞占据者创新绩效具有正向影响。

2.2 自我网络稳定性的中介作用

发明者自我网络稳定性是其网络关系构成与重组随时间演变呈现的一种稳定的网络状态，综合反映了合作关系的形成、维持及分解程度，是合作关系维持比例较高的一种状态（Kumar和Zaheer，2019［18］）。发明者网络嵌入与自我网络稳定性之间存在正向关系。从关系嵌入角度，首先，发明者之间的信任是通过一对一的交流及合作建立起来的，关系强度越高，发明者与其直接合作伙伴之间的信任度也就越高，先有合作关系容易维持（孙世强和陶秋燕，2019［19］）；其次，发明者自方与其直接合作伙伴对方之间较高的信任度和默契度阻碍新成员的加入自我网络，使得自我网络保持较高的稳定性；最后，开发可信的关系是需要时间的，当建成这种可信的关系时，则具有持久性（Liu和Guan，2015［8］）。因此，我们认为关系嵌入增强了发明者自我网络稳定性。从结构嵌入角度，发明者占据结构洞与自我网络稳定性之间存在正向关系。占据结构洞的发明者具有网络资源分配和控制优势，能够为两个相对独立的发明者构建资源传递渠道，获取可利用的知识或信息，原有合作关系得以维持。新关系的形成和维护将消耗大量的精力和成本，同时新伙伴也可能占据结构洞，威胁焦点发明者的竞争优势。由于规模不经济，占据较多结构洞的发明者不会经常与新伙伴合作，因而结构洞增强自我网络的稳定性。

已有研究表明，自我网络稳定性与创新绩效间存在正向关系（Zhang等，2017［20］）。首先，稳定的网络结构通过较高的关系质量及信任，促进成员间知识传递效率，进而提高网络成员创新绩效（Soda等，2019［21］）。其次，合作伙伴之间稳定连续的相互作用被视作为是一种有价值的资源，这对目标发明者而言意味着更高的合作可能性和更少的机会主义行为（搭便车行为）。最后，高比率的成员流动可能会损害网络成员协作的认知结构和过程，使得发明者不得不重新建立新的合作路线，这可能进一步削弱社会资本。根据2.1节所述，关系强度、结构洞正向作用于发明者创新绩效。结合2.1、2.2节所述，我们认为关系强度、结构洞通过自我网络稳定性对发明者创新绩效具有正向的间接效应。据此，提出以下假设：

H1a: 自我网络稳定性在关系强度与创新绩效之间具有中介作用；关系强度会推动发明者自我网络稳定性，并进而提高发明者创新绩效。

H1b: 自我网络稳定性在结构洞与创新绩效之间具有中介作用；结构洞会推动发明者自我网络稳定性，并进而提高发明者创新绩效。

2.3 利用性学习能力对关系强度、结构洞的调节作用

利用性学习能力是指发明者在不改变现有知识轨迹的前提下，对现有知识库进行深度搜索、理解、整合的能力（Vanhaverbeke等，2007［22］）。当发明者利用性学习能力较低时，发明者会更加强烈的认识到维系现有合作关系的重要性。因此，我们认为随着发明者利用性学习能力的降低，关系强度与自我网络稳定性、结构洞与自我网络稳定性之间的正向关系将会增强。另外，当发明者利用性学习能力较高时，遵循路径依赖的轨迹，发明者自我网络成员具有相似的知识基础，网络内部知识更易于被发明者所理解和使用。因此，当发明者利用性学习能力较高时，即使发明者没有较强的关系强度或结构洞，他们也会因相似的知识基础、价值规范以及共同的创新目标而联系在一起。据此，提出如下假设：

H2a: 发明者利用性学习能力负向调节关系强度与自我网络稳定性之间的关系，即利用性学习能力越低，关系强度与自我网络稳定性之间的正向关系越强。

H2b: 发明者利用性学习能力负向调节结构洞与自我网络稳定性之间的关系，即利用性学习能力越低，结构洞与自我网络稳定性之间的正向关系越强。

2.4 被调节的中介模型

综合H1a、H1b、H2a、H2b，我们提出了一个被调节的中介模型，认为网络稳定性是连接网络嵌入与发明者创新绩效的中介机制，而发明者利用性学习能力作为一种重要的个体特征，可能影响网络嵌入对自我网络稳定性的推动作用。具体而言，当发明者学习能力较高时，关系强度及结构洞通过自我网络稳定性影响创新绩效的间接效应可能会被减弱。因此，提出如下假设：

H3a: 利用性学习能力负向调节关系强度与创新绩效关系中的中介作用，即利用性学习能力越低，自我网络稳定性在关系强度与创新绩效之间所起的中介作用越强。

H3b: 利用性学习能力负向调节结构洞与创新绩效关系中的中介作用，即利用性学习能力越低，自我网络稳定性在结构洞与创新绩效之间所起的中介作用越强。

综合上述理论分析，理论模型图如图2所示：

图2 理论模型图

3 研究方法

3.1 样本与数据收集

本研究以可再生能源领域为研究对象，我们从被广泛使用的美国专利数据库（USPTO）中提取2000-2019年申请并被授权的可再生能源领域的中国专利数据。经过数据清洗，最后获取专利数据共计3108项，发明人数量为6384。为了测量发明者自我网络稳定性，我们采用三年移动窗（2000-2002，2001-2003，……2017-2019），删除仅在一个时间段出现的发明者，最终获取发明人数量为3258，整理得到观察样本数量为5562个。

3.2 变量的测度

因变量为创新绩效，我们采用常见的做法，使用专利数量和权利要求数测度。同时我们采用滞后的结构测量因变量，例如我们在2000-2002年测量自变量，那么因变量就是2003-2005年间发明者被授予的专利数量以及这些专利的权利要求平均数。

自变量为关系强度和结构洞。我们使用发明者的平均关系强度反映其关系质量，计算公式为式（1），其中Wik表示发明人i与第k个合作伙伴的合作频次，Ni表示发明人i拥有的合作伙伴的数量；我们借鉴Burt（1992）［10］提出的限制度方法测算发明者结构嵌入指标，计算公式为式（2），其中Pij表示发明人i投入到发明人j的合作关系与发明人i的全部关系的比例，q表示同发明人i和j均保持合作关系的第三方发明人，Piq和Pqj含义类比Pij。

中介变量为自我网络稳定性。借鉴Kumar等（2019）［18］有关网络稳定性的计算方法，计算如公式为式（3），其中Ct和Ct-1分别表示目标发明者在第T期和T-1期的自我网络成员的集合。

调节变量为利用性学习能力，利用国际专利分类号（IPC）表征知识元素，使用发明者在T期内所引用的利用性知识元素来度量。利用性知识元素是在该发明者过去五年的引文信息中已经出现过（Vanhaverbeke等，2007［22］）。

控制变量：为控制其他因素对创新绩效的影响，我们引入发明者个体特征指标和其他网络特征指标，具体包括发明者知识存量、任期、度中心性。其中，知识存量表明发明者的知识广度和异质性，这个变量使用发明者在过去五年内申请并获得授权专利的前四位IPC分类号数进行测度。例如我们使用发明者在2008-2012年申请并获得授权的专利所包含的IPC分类号数来表示发明者在2013-2015年的知识存量。其次，有关发明者任期，我们采用发明者首次申请专利的年份至当前年的时间获得。最后，考虑到一些网络特征可能会影响发明者创新绩效，我们还使用发明者网络度中心性作为控制变量。

3.3 模型选择

因变量创新绩效为离散型计数变量，取值均为非负整数，使用普通的线性回归模型可能会产生有偏差的或无效的系数估计，因此应选择计数模型。鉴于本研究面板数据的分散性，选择负二项模型。由于中介变量取值为0～1的连续变量，所以采用Tobit受限模型和OLS模型分析有调节的中介模型的第一阶段（Honnre等，2000［23］）。我们分别进行了Vuong检验和Hausman检验，并根据检验结果（Vuong值|V| ＜ 1.96；Hausman P＜0.01），确定使用面板数据固定效应的Tobit模型和标准负二项模型。主回归的计算在Stata16.0中实现。

为了验证结果的稳定性，必须进行稳健性检验。使用截面数据替换面板数据；采用马尔可夫链蒙特卡罗方法，利用马尔可夫链进行动态抽样生成有效样本，并利用蒙特卡罗积分构建置信区间；利用软件Mplus7.4来实现结果。

4 研究结果

4.1 描述性统计

表1给出了所有变量的描述性统计及相关系数矩阵。变量的方差膨胀因子（VIF）最大的为2.33，说明变量间不存在严重的多重共线性。此外，发现结构洞、关系强度、自我网络稳定性和创新绩效之间的关系都是正向显著的，这与前面的假设一致。

表1 描述性统计和相关系数矩阵

4.2 主回归分析

本文提出一个第一阶段被调节的中介模型，即调节作用增强或抑制了自变量对中介变量的关系。在本研究中，检验有调节的中介作用就是检验自变量关系强度、结构洞通过自我网络稳定性影响创新绩效的间接效应是否会随着发明者利用性学习能力的提升而发生变化。表2和表3分别为进行面板数据固定效应Tobit回归、OLS回归以及固定效应标准负二项回归结果。

表2 面板数据固定效应Tobit回归及OLS回归分析结果（N=5562）

续表

在表2中，模型1-6、模型7-12分别报告了对自我网络稳定性的Tobit回归和OLS回归。在表3中，模型13-16、模型17-20分别报告了对创新绩效（专利数量）、对创新绩效（权利要求数）的标准负二项回归。根据模型14和模型18，可以发现在不考虑中介效应的条件下，关系强度和结构洞正向作用于创新绩效（β=0.144，p＜0.01；β=0.464，p＜0.01；β=0.078，p＜0.05；β=0.228，p＜0.1）。假设 1a 和假设1b提出自我网络稳定性在关系强度、结构洞与创新绩效间具有中介作用。根据模型2和模型8所示，关系强度与自我网络稳定性间存在显著的正向关系（β=0.102，p＜0.01；β=0.104，p＜0.01）。根据模型4和模型10，我们可以得到结构洞与自我网络稳定性间存在显著的正向关系（β=0.518，p＜0.01；β=0.312，p＜0.01）。根据模型16和模型20，我们了解到自我网络网络稳定性与两种创新绩效间具有显著的正向关系（β=0.366，p＜0.01；β=0.208，p＜0.01），因此结合模型2、模型4、模型8、模型10、模型16及模型20的结果，假设1a和假设1b得到验证。

表3 面板数据固定效应标准负二项回归 （N=5562）

续表

由上文所述，已知关系强度、结构洞对自我网络稳定性具有显著的正向作用。此外，据模型3和模型9可知关系强度与利用性学习能力的交互项系数分别为-0.578和-0.389，且均在p＜0.01水平上显著；据模型5和模型11可知结构洞与利用性学习能力的交互项系数分别为-1.843、-0.855，且均在p＜0.01水平上显著。因此，利用性学习能力负向调节关系强度和结构洞对自我网络稳定性的正向作用，假设2a、假设2b成立。

假设3a和假设3b分别提出利用性学习能力负向调节关系强度和结构洞通过自我网络稳定性影响发明者创新绩效的间接效应，即利用性学习能力越低，这2种间接效应越强。由于假设1a、假设1b、假设2a、假设2b均得到验证，因此得出假设3a、假设3b也均成立。

4.3 稳健性检验

根据表4所示，关系强度和结构洞通过自我网络稳定性影响2种创新绩效的间接效应均是显著的（间接效应=0.091，置信区间CI［0.081, 0.103］；间接效应=0.317，置信区间CI［0.275, 0.362］；间接效应=0.147，置信区间CI［0.127，0.168］；间接效应=0.476，置信区间CI［0.399, 0.558］）。因此假设1a、假设1b可以得到验证。

表4 间接效应的稳健性检验

续表

表5给出了第一阶段调节效应的检验。据表5可知，利用性学习能力对关系强度与自我网络稳定性关系的调节效应为-0.254，置信区间为CI［-0.297,- 0.211］，利用性学习能力对结构洞与自我网络稳定性关系的调节效应为-0.376，置信区间为CI［-0.471, -0.279］，即利用性学习能力负向调节关系强度、结构洞对自我网络稳定性的正向作用，假设2a、2b得到验证。

表5 第一阶段的调节效应的稳健性检验

为检验有调节的中介效应的显著性，我们计算了间接效应的乘积，并通过马尔可夫链进行动态抽样，蒙特卡洛模拟分析在发明者利用性学习能力高低水平下，自我网络稳定性在关系强度、结构洞和2种创新绩效间的间接效应，结果如表6。可知，不管发明者利用性学习能力水平是高还是低，自我网络稳定性在关系强度与2种创新绩效间的中介作用都是显著的，且两种差异均显著（组间差值=-0.054，置信区间CI［-0.063, -0.044］；组间差值=-0.194，置信区间 CI［-0.230, -0.160］）；同样，不管发明者利用性学习能水平是高还是低，自我网络稳定性在结构洞与2种创新绩效间的中介作用都是显著的，且这2种差异也显著（组间差值=-0.080，置信区间CI［-0.101, -0.059］；组间差值=-0.272，置信区间 CI［-0.348, -0.199］），说明随着发明者利用性学习能力的增加，关系强度、结构洞通过自我网络稳定性对创新绩效的间接效应也随之减弱。因此，假设3a、假设3b均得到验证。

表6 有调节的间接效应的稳健性检验

5 结论与讨论

本研究考察的是一个第一阶段被调节的中介模型，阐释网络嵌入如何（通过自我网络稳定）以及何时（当个体利用性学习能力处于较低水平时）影响发明者创新绩效。与我们的预期一致，当发明者个人利用性学习能力较低时，自我网络稳定性在关系强度和创新绩效、结构洞和创新绩效间的中介作用会更强。也就是，当发明者利用性学习能力较低时，关系强度、结构洞更能促进自我网络的稳定性，并通过自我网络稳定性促进发明者创新绩效。

本文的理论和实践意义在于：第一，本文最大的理论贡献在于从个体层面出发，结合发明者自我网络动态变化与个体特征，提出一个被调节的中介模型，探讨了网络嵌入如何以及何时影响发明者创新绩效，推动了创新网络发展的相关研究，为组织管理者如何充分调动发明者创新能力，发明人如何有效管理合作伙伴提供了理论依据。本文的结论支持了如下观点：对于自身利用性学习能力较低的发明者而言，增强外部合作，加强与合作伙伴的关系强度，提高合作伙伴多样性，维护自我网络稳定性，是弥补自身局限、提升创新能力一种极为有效的手段。第二，我们推动了有关网络动态文献的发展。在合作和创新活动的过程中，受外部环境变化和发明者自身愿望的不同，创新网络处于不断变化之中，当组织管理者和发明者充分了解网络变化的规律时，创新发生的可能性会更高。研究结果表明，稳定的网络结构与发明者创新绩效之间存在显著的正向关系，因此，我们认为自我网络作为焦点发明者获取外部资源的直接渠道，维护自我网络稳定性是促进焦点发明者创新能力的必要条件。第三，引入发明者个体属性，对发明者利用性学习能力和网络嵌入的交互作用进行系统分析。结果表明，组织管理者应该根据发明人对现有知识学习能力的不同，设计出最优的团队合作模式。例如较弱的利用性学习能力可能会增强发明者自我网络嵌入通过自我网络稳定性影响创新绩效的间接效应，因此，对于利用性学习能力较低的发明者，组织管理者应尽量支持并给予他们更多的合作机会，发明人自己也应主动增强外部联系，以此来弥补自身能力的不足。