追随型知识搜索对企业突破性创新的影响机制：机会识别中介与大数据分析能力、数字编排能力调节——基于PLS-SEM与fsQCA的混合方法研究

《Journal of Innovation & Knowledge》：How does following knowledge search affect firms’ radical innovation? A mixed-methods approach

　　

由于数字技术快速迭代所引致的不确定性，一些企业倾向于采用追随者战略以降低创新风险并实现突破性创新（radical innovation, RI）。因此，本文旨在考察追随型知识搜索（following knowledge search, FKS）与突破性创新（RI）之间的关系。基于资源基础观（resource-based view, RBV），本研究提出，追随型知识搜索通过机会识别（opportunity recognition, OR）促进突破性创新，并检验两种新兴动态能力，即大数据分析能力（big data analytics capability, BDAC）和数字编排能力（digital orchestration capability, DOC）的调节作用。本研究采用混合方法，将偏最小二乘结构方程模型（partial least squares structural equation modeling, PLS-SEM）与模糊集定性比较分析（fuzzy-set qualitative comparative analysis, fsQCA）相结合，以探究追随型知识搜索影响突破性创新的机制。数据通过两波调查从中国企业收集。PLS-SEM结果表明，追随型知识搜索通过机会识别增强突破性创新，机会识别发挥部分中介作用。此外，大数据分析能力强化追随型知识搜索对机会识别的影响，而大数据分析能力和数字编排能力均强化机会识别对突破性创新的影响。进一步，fsQCA结果揭示了三条通向突破性创新的构型路径。本研究揭示了追随型知识搜索影响突破性创新的潜在机制，识别了突破性创新的三条构型路径，并扩展了资源基础观（RBV）。

该研究聚焦数字化快速迭代背景下企业如何通过追随型知识搜索（following knowledge search, FKS；指通过监测和学习领先企业获取外部知识的过程）实现突破性创新（radical innovation, RI；指颠覆现有业务流程、开发新产品并创造新市场细分的革命性活动）。数字技术（如AI、移动互联、IoT）广泛采用为突破性创新提供机会，但也带来高环境波动和难以把握的市场需求。追随者战略相较先行者战略具有更低风险与成本，中国新能源汽车制造企业等通过观察和学习全球领先者实现电动化与智能化突破。资源基础观（resource-based view, RBV；认为资源尤其是知识资源是企业创新和竞争优势的主要来源）指出，外部知识搜索是企业提升突破性创新的重要方式；按搜索时机可分为领先型知识搜索和追随型知识搜索。FKS可为企业在现有领域提供精炼信息、捕捉创造性洞见并降低创新风险与前期成本，因此成为企业突破性创新的关键驱动因素。然而，现有研究多从搜索范围和搜索导向展开，对FKS关注不足，FKS如何影响RI尚不清晰。研究人员因此基于RBV构建理论模型，考察机会识别（opportunity recognition, OR；指企业识别有潜力驱动突破性创新的创造性想法的过程）的中介作用，以及动态能力（dynamic capability；指企业感知环境变化、整合知识并协调任务以实现战略的能力）的调节作用，并将新兴动态能力具体化为大数据分析能力（big data analytics capability, BDAC；指快速处理大量数据并生成知识，为企业创造新商业洞察提供及时环境信息的能力）和数字编排能力（digital orchestration capability, DOC；指企业利用数字技术精明地组装、协调和利用知识以产生创新成果的能力）。研究人员采用混合方法开展研究，发现FKS通过OR促进RI，OR发挥部分中介作用；BDAC强化FKS对OR的影响，BDAC和DOC强化OR对RI的影响；fsQCA还识别出三条通向RI的构型路径。该研究的重要意义在于揭示FKS影响RI的潜在机制，识别突破性创新的多重构型路径，并扩展RBV。论文发表在《Journal of Innovation》。

关键技术方法方面，研究人员采用PLS-SEM与fsQCA混合方法。样本来源于中国软件和信息技术服务、电子信息制造、智能装备制造行业，选取北京、深圳、杭州、西安、郑州企业；依据当地企业目录在各城市随机选取150家，共750家，联系后获得423家目标企业参与。2021年向研发部门主管发放不含RI题项的问卷，回收367份，剔除无效后得到326份有效问卷（Time 1）；三年后向326家企业发放仅含RI题项的问卷，得到302份有效问卷（Time 2），最终获得185份匹配问卷，最终响应率为40.3%。PLS-SEM用于检验测量模型、结构模型、直接效应、中介效应、调节效应及预测效度；fsQCA以90^th、50^th、10^th百分位为阈值进行校准，并开展必要性分析、充分构型分析和稳健性检验。

研究结果如下。测量模型（Measurement model）：通过Cronbach’s α和组合信度（composite reliability, CR）评估结构信度，各变量α和CR均大于0.7；各题项载荷显著且大于0.5，平均方差抽取量（average variance extracted, AVE）均大于0.5；异质-单质比率（heterotrait-monotrait ratio, HTMT）均低于0.9，表明测量模型具有信度、收敛效度和区分效度。结构模型（Structural model）：结构模型解释机会识别35.5%的方差（R²=0.355），解释突破性创新49.9%的方差（R²=0.499），具有中等解释力。直接效应（Direct effects）：FKS正向影响OR（β=0.362，t=4.103，p<0.001），OR正向影响RI（β=0.357，t=4.575，p<0.001），H₁和H₂得到支持；FKS对OR的效应量为0.188，OR对RI的效应量为0.165，均为中等效应。中介效应（Mediating effects）：通过Z统计量分析，OR中介效应量为0.129，Z=3.018，p<0.01；进一步比较竞争模型，f²=0.071，pseudo-F（1,179）=12.622，p<0.05，间接效应为0.116，Z=2.498，p<0.05，说明OR在FKS与RI之间发挥部分中介作用，H₃得到部分支持。调节效应（Moderating effects）：BDAC正向调节FKS对OR的影响（β=0.183，t=2.121，p<0.01），并正向调节OR对RI的影响（β=0.150，t=2.063，p<0.01），H_4a和H_4b得到支持；DOC正向调节OR对RI的影响（β=0.185，t=2.490，p<0.05），H_5b得到支持，但DOC对FKS与OR关系的调节不显著（β=–0.067，t=0.697，p>0.05），H_5a未得到支持。原文指出一种可能解释是，在利用所获取知识时，最重要的是处理和分析多类型知识以感知新兴机会并提取决策信息，而DOC主要贡献在于协调和利用知识以实现机会和取得创新。预测准确性与预测效度（Predictive accuracy and validity）：OR的Q²=0.272，RI的Q²=0.263，具有中等预测相关性；样本随机分为训练样本（N=91）和保留样本（N=94），训练R²=0.360，保留R²=0.395，二者接近，确认结构模型预测效度。fsQCA方法（fsQCA method）：必要性条件分析（Necessary condition analysis）显示各条件一致性均低于0.9，说明所提条件均非RI的必要条件。充分构型分析（Sufficient configuration analysis）得到三条充分构型：Solution 1一致性0.900、原始覆盖0.601；Solution 2一致性0.932、原始覆盖0.521；二者均以FKS和OR存在为核心条件，分别以BDAC和DOC存在为边缘条件，体现搜索导向路径，并与H₁、H₂、H₃逻辑互补，同时表明至少发展一种数字能力即可支持搜索活动转化为RI。Solution 3一致性0.961、原始覆盖0.584，以OR、BDAC和DOC存在为核心条件，体现能力导向路径，说明当两类数字能力均较高时，可共同补偿FKS缺失。稳健性检验（Robustness test）：将一致性阈值由0.8调整为0.75后，三条构型仍保留且无新增构型，结果稳健。

讨论部分总结：理论贡献方面，该研究扩展了搜索策略与企业突破性创新关系研究，突出FKS在实现RI中的重要作用；通过确认OR的中介作用以及BDAC和DOC的调节作用，揭示FKS驱动RI的潜在机制，并丰富动态能力理论；通过fsQCA识别多重构型，说明单一前因不能单独产生高RI，混合方法提供了更整体和细致的理解。管理贡献方面，企业应将FKS纳入创新战略，设置团队或侦察角色系统监测领先企业的专利、产品发布、研发成果和战略合作，并利用数字技术优化搜索；应重视OR，鼓励新洞见创造，建立前瞻性团队，培养发散思维和跨界思维；应提升BDAC和DOC，建立数据驱动决策文化，利用移动互联构建数字网络，部署IoT动态匹配资源与任务；应采用构型思维，根据三条路径配置FKS、OR、BDAC和DOC。局限与未来研究方面，研究基于中国情境，结果可能不适用于其他国家；OR仅部分中介，未来可探索其他中介；DOC对FKS与OR关系的调节未获支持，未来可研究其他新兴动态能力的调节作用。

研究结论部分翻译：本研究旨在考察追随型知识搜索如何影响企业突破性创新。基于中国企业数据的实证分析，本研究证实，追随型知识搜索通过机会识别影响突破性创新，机会识别发挥部分中介作用。大数据分析能力强化追随型知识搜索对机会识别的影响，大数据分析能力和数字编排能力均强化机会识别对突破性创新的影响。此外，本研究识别出突破性创新的三类条件路径，其中两条为搜索导向路径，一条为能力导向路径。