深度与广度相结合的技术搜索方式以及创新影响的时间节点
《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》:Deep versus broad technology search and the timing of innovation impact
【字体:
大
中
小
】
时间:2026年01月08日
来源:TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE 13.3
编辑推荐:
曹丽坤 | 詹姆斯·埃文斯
普渡大学社会学系,美国印第安纳州西拉斐特
**摘要**
本研究通过模拟动态集体知识系统中的创新搜索过程,为创新策略中的“深度与广度”辩论提供了新的视角,并强调了时机对技术影响力的重要性。利用前沿机器学习技术将专利引用网络投影到双曲空间中,
曹丽坤 | 詹姆斯·埃文斯
普渡大学社会学系,美国印第安纳州西拉斐特
**摘要**
本研究通过模拟动态集体知识系统中的创新搜索过程,为创新策略中的“深度与广度”辩论提供了新的视角,并强调了时机对技术影响力的重要性。利用前沿机器学习技术将专利引用网络投影到双曲空间中,我们分析了490万项美国专利,以探讨不同的搜索策略如何产生不同的影响积累时间模式。研究发现,基于深度搜索的发明依赖于对重组复杂结构的专门理解,能够在特定社区中实现较高的短期影响力,但随着创新变得“锁定”且扩散潜力有限,其影响力会逐渐减弱。相反,基于广度搜索的发明虽然初期会遇到阻力,但能够触及认知多样化的受众,从而实现更广泛的扩散和更大的长期影响力。单个发明需要同时具备深度和广度才能产生稳定的影响力。组织可以在多个发明之间战略性地平衡这两种方法:利用深度构建可靠的技术基础设施,同时追求广度以扩展应用范围。我们通过展示深度和广度搜索策略如何显著影响技术影响的时机和轨迹,以及个人发明者和组织如何利用这些机制来平衡利用与探索,从而推进了创新理论的发展。
**引言**
源自复杂适应系统理论的重组框架(Simon, 1991 [1962])已成为理解和预测技术进化的主要视角(Brian Arthur, 2009; Fleming, 2001; Weitzman, 1998; Xiao et al., 2022; Fleming and Sorenson, 2004)。成功的重组需要将组件组装成适当的架构,以产生新的能力,例如适当的模块化程度(Ethiraj et al., 2008)和多样性(Dhanaraj and Parkhe, 2006)。在重组文献中,一个既成熟又存在争议的问题是深度和广度在技术搜索中的相对影响。这里的“深度”指的是在单一或少数几个密切相关领域内深入使用知识来开发新技术;而“广度”则涉及将来自不同来源的知识整合到新发明中。先前的研究关于它们的效果存在矛盾,其中“张力”观点认为,遥远或多样化的知识可以打破认知惯性并激发突破性想法(Hall et al., 2001; Trajtenberg et al., 1997; Verhoeven et al., 2016a)。相比之下,“基础”观点则强调深入某一特定领域的必要性,使发明者具备识别和解决异常问题的专业知识(Csikszentmihalyi, 2009; Fleming, 2001; Kaplan and Vakili, 2015a; Sternberg and Lubart, 1995)。迄今为止,实证研究的结果仍然不一致,其背后的机制也不清楚。在本文中,我们通过引入时间维度,重新审视这一核心议题,并提出了一种解决方案,以调和这两种看似对立的观点。
深度和广度的概念最早在March和Simon(1993 [1958])的基础研究中得到关注,并继续指导知识工作者的实际决策。尽管它们在理论和实践上都很重要,但先前的研究关于它们的效果仍存在矛盾。Kaplan和Vakili(2015b)认为,这些策略的好处可能因回报类型(认知或经济)而异。虽然这种区分部分解释了矛盾的结果,但它并未解释为什么对于同一结果变量(特别是引用次数)仍可能出现相反的效果(Fleming, 2001; Uzzi et al., 2013)。由于这种实证上的模糊性,后续研究将深度和广度视为更多或更少依赖于具体情境的策略,例如知识变化的速度(Teodoridis et al., 2019)和制度环境(Zheng et al., 2022)。为了推进这一研究方向,我们转向计算方法,形式化知识组件之间的层次关系,并将深度和广度作为随时间演变的技术景观中的独立搜索维度进行建模。我们使用Poincaré嵌入方法(Nickel and Kiela, 2017)来实现这一点,这是一种机器学习算法,可以从依赖网络中构建层次化的地图。这种树状技术地图基于专利引用网络,捕捉了集体发明中技术类别之间的实际接近性,为测量深度和广度提供了更坚实的基础。我们将深度精确地定义为知识组件到树根的距离,将广度定义为树枝之间的距离之和。通过这些精确、直观且独立的深度和广度度量,我们从集体智能和创新的角度研究了这两种策略的影响和机制。
**结果**
我们的研究表明,深度和广度的效果在不同的时间尺度上都有体现。深度在本地社区内促进短期认可,而广度通过触及更广泛的受众来预测长期影响力。基于这些实证模式和对潜在机制的探索,我们认为实证结果的不一致性可能源于两个原因:一是依赖于特定行业的小样本(Terjesen and Patel, 2017; Zhou and Li, 2012);二是普遍假设技术搜索是个体活动,忽视了集体发明的背景(Kaplan and Vakili, 2015a)。这些挑战导致了当前文献中的理论模糊性:矛盾结果的增多、对机制的清晰度不足以及对集体动态的关注不足。使用传统的、基于小数据的方法很难克服这些限制,但计算支持的社会科学探索为此提供了机会。我们的工作首次系统地使用精确的高分辨率技术映射来研究深度和广度及其时间结果(Aharonson and Schilling, 2016; Escolar et al., 2023)。现有的度量方法(如Herfindahl多样性和技术距离(Hall et al., 2001; Trajtenberg et al., 1997)主要捕捉概念距离,而非实际中的功能距离(Benson and Magee, 2015; Magee et al., 2016)。概念分类法的静态性质使得难以识别我们在这里观察到的时间模式。此外,以往的研究将深度和广度视为单一连续体的两个对立端,而不是两个独立维度(Kaplan and Vakili, 2015a; Trajtenberg et al., 1997)。相比之下,我们的新方法以整个知识系统的结构为参考框架,准确捕捉了实际中的技术功能,清晰地区分了深度和广度,并考虑了集体发明的背景。这种方法使我们能够直观且可追踪地观察知识扩散和积累的社会动态,从而揭示了时间在调和深度与广度辩论中的关键作用。除了解释之外,它还为预测提供了机会,对于寻求及时和量化前沿或技术进展洞察的政策制定者和行业决策者来说尤其有价值。
**论文结构**
本文的其余部分安排如下:首先回顾重组理论的相关文献,重点讨论技术重组中的深度与广度搜索之争;接着介绍表示学习框架,并展示如何应用它来建模知识景观并构建深度和广度的度量;然后评估深度和广度如何随时间影响专利技术的影响力;最后探讨可能驱动观察到的实证模式的机制。
**部分摘录**
**技术重组中的深度和广度搜索策略**
众所周知的探索与利用二分法(March, 1991)将那些深入单一领域的人与那些广泛探索的人区分开来,以以赛亚·柏林(Isaiah Berlin)的话来说,前者是“刺猬”,后者是“狐狸”(Berlin, 2013 [1953];另见Dyson, 2015)。重组深度与局部搜索和先前技术成功的利用相关联。深度策略促进了扎实的理解、异常检测以及组件的整合。
**使用双曲几何评估专利中的搜索策略**
在本节中,我们提出了新的深度和广度度量方法,这些方法考虑了潜在的知识层次结构。我们首先使用美国专利数据构建Poincaré嵌入空间来演示这种方法,然后解释这种嵌入如何同时捕捉深度和广度,并满足上述理论要求。
**依赖变量**
我们使用前向专利引用作为最广泛接受的指标来衡量专利影响力。这指的是一个焦点专利在随后几年中获得的引用次数,这与专利许可收入相关(Sampat and Ziedonis, 2005)。更多的引用表明该专利背后的技术具有显著影响力,并且在后续的创新活动中被频繁重用、修改或扩展(Fontana et al., 2008)。
**通过嵌入空间中的知识流探索机制**
我们的分析表明,搜索深度在短期内与更高的前向引用次数相关,而广度则表现出相反的效果,且这些效果的方向在未来会逆转。为什么会这样?由于可以在Poincaré嵌入空间中追踪引用增长的路径和模式,我们的嵌入模型为探索潜在机制提供了窗口。
**从企业和社会角度探讨深度与广度对集体发明的影响**
从企业和社会的角度来看,发明不是独立的产品,而是编织出影响未来创新的集体结构(Shi et al., 2015)。为了衡量专利深度和广度如何影响后续工作中的技术搜索,我们进行了两项额外分析,以进一步考察集体背景如何增强或阻碍深度和广度效应。
**通过计算分析重新审视深度与广度的辩论**
技术搜索中的深度和广度如何影响创新的影响?这个问题已经争论了几十年。尽管它们在理论和实践上都很重要,但先前的研究关于它们的效果仍存在矛盾。Kaplan和Vakili(2015a)从“基础”和“张力”视角框架了这一辩论。为了推进这一研究方向,我们采用计算方法来建模技术景观并开发细粒度的重组度量。
**作者贡献声明**
曹丽坤:可视化、验证、软件、方法论、数据整理、概念化、写作——审阅与编辑、初稿撰写。
詹姆斯·埃文斯:可视化、监督、概念化、写作——审阅与编辑、初稿撰写。
**利益冲突声明**
JE与Google有商业关系。Google未参与这项研究的构思、执行或是否发表的决定。
**致谢**
作者感谢NSF(#2404109, #2241237)、DARPA(“建模和测量科学创造力”)和AFOSR(#FA9550-19-1-0354)的资助支持。
曹丽坤是普渡大学的社会学助理教授,也是芝加哥大学知识实验室的成员。她的研究将社会科学的理论见解与先进的计算方法相结合,研究科学、技术和组织中新想法的出现和传播。她特别关注社会和技术系统的共同演化,例如在人工智能领域。她的研究成果已在期刊上发表。