核心还是边缘：探讨如何配置不同类型的创新人才以及这对企业创新的影响

《STRATEGIC MANAGEMENT JOURNAL》：Core or periphery: Examining where to allocate heterogeneous inventors and the impact on firms' innovation

创新绩效与知识复杂度的关系：基于核心-边缘网络与异质性搜索行为的NK模型研究

　　### 科学解读：企业如何通过分配发明者网络位置来优化创新表现

在当今快速变化的商业环境中，企业的创新表现往往取决于其内部知识网络的结构以及如何有效地分配不同类型的发明者。本研究通过构建一个综合模型，探讨了企业在不同复杂度的创新景观中，如何将具有不同搜索行为和模仿倾向的发明者分配到网络的内核或边缘，以实现最佳的创新效果。这项研究的核心在于揭示网络位置与个体搜索行为之间的互动关系，以及这种互动如何影响企业的整体创新绩效。

#### 网络位置与个体异质性

企业的创新过程不仅依赖于个体的创新能力和知识储备，还受到其在网络中的位置影响。在知识网络中，个体可能处于内核（core）或边缘（periphery）位置，这些位置的异质性意味着不同的知识传播和信息获取能力。内核位置通常意味着更多的连接和更高的知识共享机会，而边缘位置则意味着更少的连接和更强的独立性。然而，这些位置的优势和劣势并不是绝对的，而是受到个体异质性的显著影响。

个体在搜索过程中的行为存在显著差异，这包括他们对他人解决方案的模仿倾向（adoption propensity）以及他们搜索的范围（search proximity）。一些发明者倾向于独立思考，较少依赖他人，而另一些则更愿意模仿他人。同样，一些发明者倾向于在更广泛的范围内搜索，寻找可能的突破性创新，而另一些则更倾向于在局部范围内进行改进型创新。这种异质性在企业中是普遍存在的，因此，如何根据个体的这些特性进行有效的网络位置分配，成为了影响创新绩效的关键问题。

#### 创新景观的复杂性

创新景观的复杂性是影响企业创新绩效的另一个重要因素。复杂性可以理解为知识和决策变量之间的相互依赖程度。在高复杂度的创新环境中，企业需要更多的探索性创新，而在低复杂度环境中，则可能更倾向于利用已有的知识和解决方案。这种复杂性的变化，意味着企业在不同情境下可能需要采取不同的分配策略。

本研究采用NK模型来模拟这种复杂的互动关系。NK模型最初用于进化生物学中解释基因搜索过程，后来被管理学者广泛用于研究组织适应和创新行为。在该模型中，每个决策变量代表一个知识元素，而变量之间的相互依赖程度决定了整个创新景观的复杂性。高复杂度的景观通常包含更多的高峰（peaks），代表更优的解决方案，但同时也意味着更多的局部最优解，增加了寻找真正全局最优解的难度。

#### 分配策略与创新表现

研究结果显示，在高复杂度的创新景观中，企业应将模仿倾向较低的发明者分配到内核位置，而模仿倾向较高的发明者则应被分配到边缘位置。这样做的好处在于，内核位置的发明者可以保持更多的独立性，减少对他人解决方案的依赖，从而更有可能发现真正的突破性创新。同时，由于内核位置的连接更多，这些独立搜索的结果能够迅速传播到整个网络，提升整体的创新绩效。

相反，在低复杂度的创新景观中，企业应将模仿倾向较高的发明者分配到内核位置，而模仿倾向较低的发明者则应被分配到边缘位置。这种策略有助于在知识传播中保持较高的一致性，从而更快地找到最佳解决方案。在低复杂度的环境中，较少的高峰意味着更简单的搜索路径，模仿行为有助于快速找到最优解。

#### 代理行为的相互作用

研究还发现，模仿倾向和搜索范围之间存在一定的替代关系。当企业同时考虑这两个维度时，分配策略需要更加细致地权衡两者的相对影响。例如，在高复杂度的环境中，如果一个发明者具有较高的模仿倾向，但搜索范围较窄，那么将其分配到内核位置可能会导致他们偏离原本可能发现的更优解决方案。而在低复杂度的环境中，较高的模仿倾向可以加快知识的传播速度，从而更快地实现创新目标。

此外，当企业无法准确识别个体的类型时，基于模仿倾向的分配策略可以有效降低创新绩效的方差。这种策略的优势在于，模仿倾向往往更容易被观察和评估，而搜索范围则可能更难量化。因此，当企业无法确定发明者的具体类型时，基于模仿倾向进行分配可以作为一种稳健的策略，减少由于信息不对称带来的不确定性。

#### 管理实践与理论贡献

从管理实践的角度来看，这项研究为企业提供了一个实用的框架，以优化其内部发明者的分配策略。在实际操作中，企业可以通过调整网络结构，将具有不同搜索特性的发明者分配到最合适的网络位置。例如，对于专注于人工智能技术的公司，如Meta和Uber，它们可能需要将具有高模仿倾向的发明者安排在内核位置，以促进知识的快速传播，同时将具有较高搜索范围的发明者安排在边缘位置，以探索更广泛的创新可能性。

同时，本研究也为理论界提供了新的视角。传统文献往往将网络嵌入性（embeddedness）视为影响创新的关键因素，但忽视了个体异质性在其中的作用。而本研究则明确指出，网络嵌入性与个体搜索行为之间存在复杂的相互作用关系，企业需要根据具体的创新环境和个体特性来制定更精细的分配策略。这种微观基础的视角有助于更深入地理解企业创新过程的动态机制。

#### 实证研究与模拟实验

为了验证这些理论假设，研究者进行了一系列模拟实验，考察不同分配策略在不同复杂度下的表现。实验结果表明，当企业面对高复杂度的创新景观时，将模仿倾向较低的发明者安排在内核位置，可以显著提升整体的创新绩效。而在低复杂度环境中，模仿倾向较高的发明者在内核位置的表现更为出色。

此外，研究还发现，当企业同时考虑模仿倾向和搜索范围时，分配策略的制定需要更加细致的权衡。例如，在高复杂度的环境中，如果企业能够识别出具有高搜索范围的发明者，那么将他们安排在边缘位置，可以减少他们受到模仿倾向的影响，从而更有效地探索新的解决方案。相反，在低复杂度的环境中，将高搜索范围的发明者安排在内核位置，有助于他们快速找到最优解，并通过网络的高效传播机制，实现更快的创新。

#### 未来研究方向

本研究的结论为企业和管理学者提供了重要的指导，同时也指出了未来研究的多个方向。首先，研究可以进一步探讨不同行业和组织类型在创新景观复杂性上的差异，以及这些差异如何影响分配策略的有效性。其次，研究可以考虑更多个体特征，如专业知识、经验水平和团队合作能力，这些因素可能在实际中对创新绩效产生重要影响。

此外，研究还可以扩展到更复杂的网络结构，如多层网络或非对称网络，以更全面地理解企业创新网络的动态特性。最后，研究可以进一步探讨如何通过组织设计和管理实践来优化这些分配策略，例如通过调整沟通成本、促进知识共享和建立有效的反馈机制，以提升整体的创新表现。

综上所述，这项研究为企业如何通过优化发明者的网络位置来提升创新表现提供了重要的理论和实践指导。通过将个体异质性与网络结构相结合，企业可以更有效地平衡探索与利用，从而在复杂的创新环境中实现更高的绩效。同时，这项研究也为未来的研究提供了新的视角和方向，有助于更深入地理解创新过程的微观机制和宏观影响。