科学合作中的弱关系有助于推动科技创新

《Journal of Informetrics》:Weak ties in scientific cooperation contribute to scientific innovation

【字体: 大 中 小 】 时间:2026年02月03日 来源:Journal of Informetrics 3.9

编辑推荐:

  云浩友|刘年|钱宇 武汉理工大学经济学院,中国武汉430070 摘要 在技术和产品领域,强关系与弱关系对社会网络中创新的影响已得到证实,但在知识与科学创新领域,这一影响亟需更多关注。为研究强关系与弱关系在科学合作中的创新关联,我们提出了一种基于时间累积合作网络衡量关

  云浩友|刘年|钱宇
武汉理工大学经济学院,中国武汉430070

摘要
在技术和产品领域,强关系与弱关系对社会网络中创新的影响已得到证实,但在知识与科学创新领域,这一影响亟需更多关注。为研究强关系与弱关系在科学合作中的创新关联,我们提出了一种基于时间累积合作网络衡量关系强度的新方法。借助该方法,我们对2008年至2017年《Web of Science》中量子信息与合成生物学领域的209,720篇论文的关系强度与创新成果进行了量化分析,并探讨二者之间的关联。研究结果表明,随着关系强度的降低,创新水平上升,且关系强度进一步降低时,创新增长率会加快。此外,在关系强度低于0.3的109,880个样本中,具有相同国家背景的科研合作更易产生突破性理念。总之,在知识创造过程中,弱关系的重要性再次凸显,同时区域内的科学合作也显得尤为关键。

1. 引言
20世纪以来,科学合作模式逐渐从“个体独立研究”转向“多人协作”(Wuchty等人,2007;Fortunato等人,2018)。这一转变可能与通信技术的进步、支持性的研究政策、大型科研设施的应用以及研究问题复杂性的增加密切相关(Bikard等人,2015;Binz-Scharf等人,2015)。这种范式转变促使科学家们探索影响创新的各种因素。已有研究表明,合著者数量、年龄结构、学科交叉程度以及成员的地理分布等因素都会在不同程度上影响科学合作的创新能力(Wu等人,2019;Chen等人,2024;Yu等人,2024;Lin等人,2023;Liu等人,2024;Zhang等人,2024;Yang等人,2024)。然而,合作群体中强关系与弱关系在推动科学创新方面的作用却鲜有研究。因此,探究强关系与弱关系之间的关联对于理解合作结构如何促进科学发现具有重要意义。

随着研究人员不断探索创新过程中的信息传播(Zhang和Vorobeychikl,2019)、知识转移(Filieri和Alguezaui,2014)以及资源整合(Oberlaender等人,2021)等要素,关于强关系与弱关系对创新影响的讨论也逐渐增多。早期研究多聚焦于单一关系对其创新影响的分析,且强关系与弱关系被视为对立概念(Perkins,2019;Perez和Ting,2022)。但后续研究提出,强关系与弱关系其实是互补的:弱关系有助于创意的产生与创新机会的探索,但缺乏落实创新所需的强大整合能力;而强关系所具备的知识共享意愿和复杂的知识转移能力,则能有效克服实施障碍,通过技术进步和产品开发推动新理念的落地(Rost,2011;Moon等人,2022;Zhu等人,2023)。目前,关于强关系与弱关系协同促进创新的观点已逐渐成为主流。不过,尽管技术与产品创新领域得到了较多研究,但在更为前沿或基础的知识创新领域,关于强关系与弱关系作用的了解仍十分有限。

在科学研究或知识创新领域,是彼此熟悉、频繁合作的强关系型合作更能促进创新,还是关系较为生疏、合作频率较低的弱关系型合作更具优势?为回答这一问题,本研究以2008年至2017年《Web of Science》中量子信息与合成生物学领域的209,720篇论文为研究对象,量化分析合著者群体的关系强度及其研究成果的创新性,进而探讨二者之间的关联。在此,我们引入了一种基于时间累积合作网络衡量复杂网络中关系强度的新方法,该方法通过追踪合作成员在网络中的路径信息来实现量化。据我们所知,以“破坏指数”作为知识创新的量化指标,是研究强关系与弱关系对创新影响的一种创新尝试。

本文结构如下:第2节为文献综述;第3节详细介绍测量方法与数据来源;第4节呈现研究结果与关联分析;第5节为讨论部分;第6节总结研究贡献并展望未来方向。

2. 文献综述

2.1 强关系对创新的影响
社会资本中的关系资源是其重要组成部分,封闭网络结构理论认为,强关系能够增强群体凝聚力,从而加快信息在群体内的传播速度(Coleman,1988)。建立在相互信任基础上的强关系,有助于个体之间交流更为复杂或专业化的信息(Ko,2014)。多项实证研究也支持这一观点,表明频繁的互动交流有助于获取更多资源并提升创新能力(Fredberg和Piller,2011;Zhang等人,2022;Kim和Koh,2023)。虽然紧密关系对知识流动与信息传播至关重要,但强关系以及高度聚集的网络结构在知识传递中的作用也不容忽视。具有社会凝聚力的强网络结构能够提升知识共享的意愿,进而提高知识传递效率,加速信息传播(Tortoriello等人,2012;Gan等人,2023)。此外,强关系本身的作用也可能因不同场景而存在差异。对比不同组织内部及组织间的强关系与弱关系结构下的知识流动情况可知,组织内部的强关系有助于高效的知识传递,而组织间的强关系则会降低知识获取效率(Tu,2024)。这一观点在合著网络中同样适用,强关系的拓扑位置有助于加速信息的传播,而关系间的拓扑关联性则能进一步提升科学合作中的信息传播效率(Pan和Saramaki,2012)。

2.2 弱关系对创新的影响
如果说强关系代表内部紧密联系,那么弱关系则相当于外部桥梁(Kim和Fernandez,2023)。结构洞理论强调了弱关系作为具有高度异质性的个体或组织之间的中介作用,它们能够帮助这些主体获取较少重复的信息,从不同角度了解群体需求,从而发现新的需求创造机会(Perez和Ting,2022)。以英国的投资行为为例的实证研究也支持了这一观点(Shipilov和Li,2008)。此外,对82个长期MBA项目团队的研究显示,来自不同背景的成员之间的弱关系能够提升团队的创造力(Perry-Smith和Shalley,2014)。在信息传播过程中,如果个体或组织之间的关系较弱,它们之间的差异可能导致信息失真(Bae和Koo,2008)。这种失真可能阻碍信息传播,使其仅限于局部集群内,无法扩散到更广泛的网络中(Onnela等人,2007;Stein等人,2023)。不过,弱关系分布范围广且具有跨组织性质,能够有效克服信息失真带来的障碍(Yuan等人,2017;Gong等人,2020;Carmody等人,2022)。弱关系的广泛分布使得信息能够在组织内部通过多条路径传递,而其跨组织特性则有助于信息在更广泛的范围内传播。

2.3 双重关系的协同效应促进创新
早期的研究多侧重于探究单个关系如何影响创新的内在机制,而近期研究则越来越认为,强关系与弱关系的战略组合对创新过程更有利。伯特的结构洞理论与科尔曼的封闭网络结构理论并非相互矛盾,而是在某种程度上具有互补性。一项针对德国汽车行业的纵向研究显示,弱网络结构能够借助强关系的影响力推动创新(Rost,2011)。强关系的整合能力有助于弱关系的融合,而强关系与弱关系的结合则能够整合多元异质化的知识,从而推动技术创新。这种强关系与弱关系的融合不仅体现在个体互动层面,也在项目或组织层面有所体现。一项针对德国纳米技术领域研发合作的大规模调查表明,处于封闭式与开放式结构之间的“半开放型组织”具有出色的创新表现。在这种合作模式下,这类组织能够有效利用强关系与弱关系的优势,同时规避各自的不足(Michelfelder和Kratzer,2013)。在组织层面,组织内部及外部的强关系与弱关系分布都具有同等重要性:内部强关系有助于知识传递,而外部弱关系则有助于获取新知识(Nakauchi等人,2017;Tu,2024)。此外,强关系与弱关系对创新过程不同阶段的影响也存在差异:强关系在渐进式创新中起着关键作用,而突破性创新则与弱关系关联更为密切(Ju和Wang,2023)。此外,对创客空间中的创客关系网络(Li和Gao,2021)、企业间三元合作的关系结构(Moon等人,2022)以及大规模集体决策现象(Wu,2024)的实证研究,也都强调了强关系与弱关系结合所带来的协同效应。显然,强关系与弱关系的战略组合已成为影响创新的主流理念。

在技术和产品创新领域,复杂的知识传递、信息传播以及低冗余信息都起着至关重要的作用。然而,在更为前沿或基础的知识创新领域(Ahmadpoor和Jones,2017),相关研究相对较少。这可能是因为量化知识创新存在诸多挑战(Zhang等人,2020),而且传统的社会网络分析方法在处理日益复杂的系统时也存在局限性(Stopczynski等人,2014;West等人,2020)。为探究强关系与弱关系型合作如何影响科学创新,本研究分析了2008年至2017年《Web of Science》中量子信息与合成生物学领域的209,720篇论文。我们通过一种新的时间累积合作网络方法量化关系强度,并利用基于引文数据计算的论文“破坏指数”来衡量创新程度。在确定这些量化指标后,我们系统地研究了合作关系强度与创新成果之间的关联。这种方法有助于我们揭示强关系与弱关系在科学合作中影响创新的基本规律,为优化合作团队构成和提升科学合作效率提供宝贵依据。

3. 方法论

3.1 科学合作中强关系与弱关系的定义与量化
在复杂网络研究中,学者们已经提出了多种衡量关系强度的方法。除了直接用边的权重表示关系强度外,另一种常用的方法是结构关系强度(Onnela等人,2007;Petersen,2015;Rajkumar等人,2022)。

(1) 结构关系强度
ij = Nij(Di?1) + (Dj?1) ? Nij
在网络中,i和j代表两个节点,Di和Dj分别表示节点i和节点j的度数,Nij则表示这两个节点之间共有的邻居节点数量。结构关系强度从共有邻居节点的角度直观地评估了两节点之间关系的强度。例如,在社交网络中,结构关系强度就表示两个人之间共同的朋友数量。不过,这种方法也存在一定的局限性:当节点度数差异较大时,该方法可能会低估整体关系强度。此外,公式(1)是为相连的节点对设计的,对于不相连的节点对可能需要进行调整。而且,该方法没有考虑由中间节点介导的间接关系。

在科学合作网络中,最近有一项研究提出了一种衡量强关系与弱关系的新方法,即平均不对称关系强度(Fronczak等人,2022)。

(2) 〈vi〉 = 1/ki ∑ wij/pi
网络中科学家i的度数记为ki,该科学家的总论文发表量记为pi,wij则表示科学家i和j共同发表的论文数量。根据图1中的信息,我们可以看出,不对称关系强度是根据科学家之间共同发表的论文的相对数量来衡量的。不过,这种方法忽略了时间因素的影响。例如,在科学家职业生涯的早期,他们拥有的合作者和共同发表的论文可能较少。随着时间推移,他们的合作网络不断扩大,发表的论文数量也会增加。仅使用职业生涯后期的数据来衡量早期的关系强度是不准确的。因此,平均不对称关系强度无法体现时间动态变化。下载:下载高分辨率图像(193KB)下载:下载全尺寸图像图1. 平均不对称强度的示意图。虽然平均不对称强度可能无法完全反映时间效应的影响,但“团队新鲜度”这一概念通过考虑不同时间点发表的论文,为这一问题提供了新的视角。这种方法有助于体现科学合作中的时间动态变化。(3)团队新鲜度=nfnnf表示团队中的新成员数量,n则表示团队成员的总数。如图2所示,团队新鲜度定义为团队中新成员的比例,这些新成员在团队成员之前的合作关系网络中被视为零度节点(Zeng等人,2021年)。尽管团队新鲜度并不直接衡量关系强度,但它与之相关。新鲜度为0意味着所有团队成员之前都有过合作,说明关系较为紧密;新鲜度为1则意味着所有成员彼此都是新面孔,说明关系较弱。然而,仅靠团队新鲜度是不够的——它只考察了直接的先前合作,而忽略了间接联系。下载:下载高分辨率图像(396KB)下载:下载全尺寸图像图2. 团队新鲜度的概念示意图。关系强度与弱度之间并非非此即彼,而是存在于一个从强到弱的连续谱上。因此,量化两者之间的关系应采用连续指标。在科学合作中,多次合作的个体之间的联系比仅合作一次的更为紧密,而合作过一次的个体又比从未合作过的个体关系更强。在那些从未合作过的个体中,中间合作者的数量可以进一步区分关系的强度。例如,有1个中间合作者的关系比有多个中间合作者的关系更紧密。基于这一概念,我们提出了一种新的衡量关系强度的方法,称为“团队距离关系强度”,该方法基于时间序列累积的科学合作网络。(4)关系强度=RTeamtx=∑(dijtx?1)?1n(n?1)根据图3,dij表示科学合作网络中节点i与节点j之间的距离。为体现时间顺序,我们加入了上标tx-1,其中n表示一篇论文的作者数量。图3的上半部分展示了某一领域的时间序列累积科学合作网络,下半部分列出了三种不同的计算场景及其对应的关系强度。在具体的计算过程中,红色论文为焦点论文,黄色个体代表该论文的作者列表,而合著者之间的联系则由之前合作网络中的合作情况决定。蓝色虚线表示圆圈内的作者们之前有过合作。具体而言,在第一种场景中,各成员通过先前的合作或中间人部分相连,关系强度为0.26,说明连接程度适中;第二种场景表现为弱关系,即没有成员之间有过合作,也不存在间接路径,因此关系强度为0;第三种场景代表强关系,所有成员之前都有过合作,最短路径为1,关系强度为1。更多详细的计算示例,请参阅附录图A.1。下载:下载高分辨率图像(691KB)下载:下载全尺寸图像图3. 基于团队距离的关系强度。如前所述,多次合作通常能建立比一次性合作更强的关系。然而,仅依靠加权合作网络的权重来区分一次性合作和多次合作是不够的,因为合作关系往往会随着时间而减弱。因此,有必要纳入网络拓扑的时间衰减效应。为解决这一问题,我们采用了一种用于计算具有时间衰减的加权合作网络中关系强度的方法,如方程(5)所示。(5)关系强度(tx)=∑i=1x12(tx?ti)RTeamti这种方法不仅能捕捉合作关系随时间的自然衰减,还能区分短期内频繁的合作与间隔较长的合作。理论上,短时间内频繁的合作会形成更强的关系。最后,我们对结果进行归一化处理,将关系强度限制在[0,1]范围内,以便后续分析。3.2. 破坏指数本文选用破坏指数作为创新的定量衡量指标(Funk和Owen-Smith,2017年)。目前,破坏指数已应用于文献计量学领域,并且通过大量数据集的实证研究验证了其有效性(Wu等人,2019年)。从时间引文网络的视角来看,焦点论文的后续引文节点可视为其知识基础,而后续被引用的节点则可视为对焦点论文的反馈。对于具有高度创新性的焦点论文,后续学者往往较少依赖这些论文提供的知识基础,而是更多关注焦点论文中的创新理论。如图4所示,红色代表正在研究的焦点论文。后续引用该论文的论文被分为三类:k、j和i。黑色矩形k侧重于焦点论文的知识基础,蓝色矩形j则同时关注焦点论文本身及其理论来源,绿色矩形i则强调焦点论文本身的创新内容。该图展示了两种极端的创新情景。破坏指数为-1意味着该焦点论文类似综述性文章,起到中介作用,引导后续学者通过该论文关注先前的理论来源,从而导致创新性较低;破坏指数为1则表明该焦点论文具有高度创新性或颠覆性,促使后续研究者不再关注先前的理论基础,而是去探索该论文提出的新理论。下载:下载高分辨率图像(392KB)下载:下载全尺寸图像图4. 使用破坏指数量化论文创新性的过程。3.3. 数据来源与处理在本节中,我们将阐述为实现研究目标而设定的具体任务,这些任务主要包括两项:数据收集以及关系强度和破坏指数百分位的计算。在数据收集方面,我们的第一步是制定搜索公式,尽可能全面地检索特定领域的所有文献,然后通过该公式在Web of Science中搜索并下载文献数据。在计算关系强度时,我们首先会对作者姓名进行辨识,然后基于辨识结果构建时间序列累积合作网络,最后通过获取节点间的路径信息来完成关系强度的计算。至于破坏指数百分位,我们首先构建引文网络以计算其原始破坏指数,然后再将该指数转换为百分比形式。具体的操作流程将在以下章节中详细说明:3.3.1. 数据收集、3.3.2. 计算关系强度以及3.3.3. 计算并转换破坏指数。数据来源与处理框架如图5所示。下载:下载高分辨率图像(523KB)下载:下载全尺寸图像图5. 数据来源与数据处理的框架。3.3.1. 数据收集本研究选择合成生物学和量子信息作为研究对象,这一选择是基于理论和实际两方面的考量。首先,根据美国国家科学基金会对交叉技术的定义以及中国科学院战略研究所2021年的《科学结构报告》,这两个领域都是当代科学中新兴的跨学科领域的典型代表(Yu等人,2024年)。其次,合成生物学和量子信息都具有很强的跨学科特征(Alterovitz等人,2010年;Wasielewski等人,2020年),因此更有可能出现学科内部的强关联以及不同学科之间的弱关联,这提升了我们样本的代表性和多样性。最后,作为21世纪最具前景的两个前沿领域,这些领域有望对全球科学进步和经济发展产生深远影响(Roell和Zurbriggen,2020年;Stajic,2013年)。因此,了解这些领域中提升合作效率的机制对于提高研究效率、促进学科发展以及最终推动领域层面的创新具有重要意义。尽管合成生物学和量子信息的概念早在很久以前就已提出,但相关合作网络的广泛发展主要集中在2000年之后(Shapira等人,2017年;Sood,2024年)。因此,本文将以2003年以来的合作行为作为研究对象。我们从Web of Science中收集了2003年至2022年间的共计464,176篇论文,其中涉及量子信息领域的有321,337篇,合成生物学领域的有142,839篇。接下来,我们排除了2008年至2022年间没有DOI的论文,因为缺乏DOI会影响破坏指数的计算,这样我们就剩下454,217篇论文。考虑到我们的引文时间范围设定为2018年至2022年,我们找到了2003年至2017年间发表的294,701篇论文。由于我们关注的是多人合作,因此去掉了由单一研究人员撰写的论文,使得数据集减少到271,416篇文档。最后,我们利用2003年至2007年的数据构建了初始的累积合作网络,因此用于实证分析的最终论文数量为209,720篇。需要指出的是,本研究将每篇论文的作者列表视为分析的基本单位。因此,在后续讨论中,某篇论文的合著者群体将被称作“共同撰写单元”或“合作小组”(Yu等人,2022年;Liu等人,2023年)。上述数据处理的详细说明将在本小节的后面部分给出。为确保文献来源的准确性,我们以Quantum Information Processing and Communication(QIPC)网站上的公开量子信息领域关键词作为基础,在WOS中进行基于关键词的检索,从而获取量子信息领域的文献。合成生物学领域的关键词则是通过分析该领域的高被引论文得到的。3.3.2. 计算关系强度为了计算团队距离关系强度,我们首先从基础数据集中提取作者的全名列表、自引信息、参考文献以及被引信息。在计算关系强度之前,必须确定每个共同撰写单元中各成员之间的路径长度。为此,我们构建了一个时间序列累积的科学合作网络。图6展示了时间序列累积合作网络的工作原理,这种网络是一种按时间顺序组织、由节点逐步累积而成的多层复杂结构。例如,要计算t=tx时刻的团队距离关系强度,就需要从t=tx-1时刻的合作网络中提取路径信息。计算完成后,将t=tx时刻的合作小组关系添加到t=tx-1时刻的合作网络中,从而形成t=tx时刻的新合作网络,该网络用于计算t=tx+1时刻的团队距离关系强度。然后重复上述操作,直到计算到最后时刻。这样一来,时间序列累积合作网络的规模就会不断扩大。下载:下载高分辨率图像(468KB)下载:下载全尺寸图像图6. 时间序列累积合作网络的工作原理。在构建科学合作网络的过程中,姓名辨识是一个重大挑战。在本研究的范围内,存在同名人士的情况可能会夸大关系强度的计算结果,从而导致错误的结论。为解决这一问题,我们采用了一种高度精准的姓名辨识技术,以确保作者身份的准确归属(Schulz等人,2014年)。该方法以作者列表、自引记录、参考文献列表以及引文列表为依据,运用两步聚类算法来区分不同的科学家(姓名辨识的结果见附录中的表B3)。在时间序列累积网络中,除了姓名辨识之外,定义时间间隔也至关重要。虽然将所有历史合作都纳入考虑范围理想上有利于关系强度的计算,但实际上并不现实。过短的时间间隔需要构建更多的网络,而过长的时间间隔则可能会遗漏一些合作。我们分析了高产研究人员的论文发表规律(见附录A.1)。科学家们平均每4.19年发表一篇论文(合成生物学领域为4.20年,量子信息领域为4.19年),其中1-2年为最常见的间隔时间。大约9.75%的学者每年发表多篇论文(合成生物学领域为9.0%,量子信息领域为9.5%),这意味着年度数据统计已能涵盖至少90%的合作关系(合成生物学领域为91.0%,量子信息领域为90.5%)。因此我们选择以1年为时间间隔。除了上述处理步骤外,我们还会让合作网络发展到一定程度后再开始计算关联强度。作为新兴领域的量子信息和合成生物学,其在合作网络中的发展速度更快、变化更动态,网络规模和密度都会随时间显著增长(Yang等人,2019年)。如果从第一年开始就量化关联强度,其数值会像网络密度一样逐渐上升。尽管这种动态变化是新兴领域的特征,但我们希望在对网络发展更为稳定的阶段进行量化分析。因此,我们让合作网络积累了5年(2003-2007年),才在第一年(2008年)开始计算关联强度。到2017年,我们已完成10年的数据计算,得到了209,720个有效结果。

3.3.3 计算并转换破坏指数
在计算破坏指数时,必须使用论文中的参考文献及引用信息。为便于分析,我们进一步处理了破坏指数,并将其转换为破坏百分位数(DP)。首先,我们将破坏指数从低到高排序,然后按百分位数分组:前0.1%,前0.1%至前0.2%,前0.2%至前0.3%,以此类推,直到前99.9%至100%。相应的DP值分别为0.1、0.2、0.3,直至100。例如,如果某篇论文处于前0.1%,则其DP值为0.1;若处于前0.1%至前0.2%区间,则DP值为0.2。因此DP值介于0.1到100之间,且与论文的创新程度成正比——DP值越高,说明论文的创新性越强。

此外,在文献计量学中,引用窗口的选择同样重要(Waltman,2016年)。通常建议的引用窗口至少为三年。Bornmann对破坏指数的引用窗口进行了探讨(Bornmann和Tekles,2019年),认为在某些情况下,五年或更长的引用窗口更为合适。因此,本文选择五年的引用窗口(2018-2022年)。

4. 分析与结果
4.1 描述性统计
完成计算后,我们对数据进行了部分描述性统计分析。如图7所示,我们通过密度图分析了关联强度和破坏指数的数据分布。在关联强度数据分布中,有相当大比例的数据为0(46,408篇,约占22.13%)。这可能由两个因素造成:首先,合成生物学和量子信息作为21世纪典型的新兴跨学科领域,吸引了众多科学家首次开展跨学科合作;其次,这与教育体系有关,资深科学家常常指导学生,使得越来越多的硕士或博士生进入科学研究领域。在破坏指数数据分布中(为便于显示,横纵轴进行了局部缩放),大多数论文的数值集中在0附近,只有少数论文具有较高的创新性或较低的创新性,这一情况与基础知识和以往的研究成果相符。

下载:下载高分辨率图片(195KB)
下载:下载全尺寸图片
图7. 关联强度与破坏指数的数据分布。
在了解数据分布后,我们在图8中复现了Wu的研究结果。我们根据合著者数量将它们分为不同组,进而分析平均破坏指数的变化情况。结果表明,随着合著者数量的增加,其破坏指数逐渐下降。同时,我们也观察了关联强度的平均变化,发现其也在持续下降。

下载:下载高分辨率图片(271KB)
下载:下载全尺寸图片
图8. 合著者数量从2到13时,平均破坏指数与平均关联强度的变化情况。

4.2 结果
4.2.1 关联强度与创新性
我们按领域分析了关联强度与破坏百分位数之间的相关性。首先,我们拟合了关联强度与破坏百分位数之间的关系,并标注出95%的置信区间。随后,我们以0.1为间隔计算不同关联强度组别的破坏百分位数平均值,并给出标准误差(SEM)。结果如图9所示,横轴表示关联强度,纵轴表示破坏百分位数。相关分析结果见附表B4。

下载:下载高分辨率图片(247KB)
下载:下载全尺寸图片
图9. 不同领域中关联强度与DP之间的关系。
研究结果表明,在合成生物学和量子信息领域,随着关联强度的增加,破坏百分位数逐渐下降,且这一下降趋势会逐渐放缓。值得注意的是,在趋势末端,破坏百分位数的下降趋势会出现逆转,这一现象在量子信息领域尤为明显。从数值上看,当关联强度处于较低范围[0, 0.3]时,破坏百分位数的下降幅度最大,说明关联强度刚开始上升时,其带来破坏创新的能力下降得最为显著(下降幅度为5.8)。而当关联强度进一步上升到中等范围[0.3, 0.6]时,下降幅度则有所减弱(下降幅度为2.6),表明更强的关联对破坏创新的边际效应正在递减。

4.2.2 弱关联合作中的跨境合作与创新性
由于弱关联合作与创新性之间存在更强的关联,我们进一步聚焦这一子群体,研究国家多样性是提升还是削弱其创新潜力。具体而言,我们参考现有文献,将关联强度低于0.3的合作定义为弱关联合作(Giulietti等人,2018年;Mattie等人,2018年;McMillan,2022年)。在衡量国家多样性时,传统指标主要关注国家代表性的丰富度和均衡性(Li和Wang,2025年)。但这些指标往往忽视了通讯作者所在国家的角色,而该国家往往会影响合作动态,并在合著者群体中体现机构领导力。为克服这一局限性并提高可解释性,我们采用了考虑通讯作者所在国家的国家多样性指标(Wang等人,2023年)。国内比例指数(DPI)和国家多样性指数(NDI)的计算公式分别见方程(6)和(7)。

(6) DPI(Pa)=NaN
(7) NDI(P)=1?∑m=1MSm2
其中a表示通讯作者所在国家,N为总合著者数量。DPI用于衡量与通讯作者来自同一国家的合著者所占的比例。对于NDI,Sm则表示论文p中来自国家m的合著者所占的比例。我们首先将99,603组弱关联合著者群体分为两类:国内合著者群体(DPI = 1;共75,272组)和国际合著者群体(DPI < 1;共24,331组),并比较了它们的平均DP值。随后,我们重点研究国际合著者群体,分析了NDI与DP之间的关系,并通过在散点图中使用不同颜色区分以国内人为主的合著者群体(DPI ≥ 0.5)和以国际人为主的合著者群体(DPI < 0.5)。值得注意的是,24,331组国际合著者群体中,超过97%的NDI值位于[0.25, 0.75]区间内(具体数据分布见附图A.3)。为减少异常值的影响并更好地把握总体趋势,我们将回归分析的范围限制在这个核心区间内。详细结果见图10,NDI的数据分布可见附图A.3。

下载:下载高分辨率图片(423KB)
下载:下载全尺寸图片
图10. 不同领域中结构化关联强度与DP之间的关系。
图10展示了两组分析结果,用以研究合作类型、国家多样性与破坏创新之间的关系。首先,纯国内合作的平均DP值(M = 54.1)显著高于国际合作(M = 51.9),两者之间存在2.2的显著差异(p < 0.001)。其次,在NDI与DP的线性回归分析中,尽管国内主导型和国际主导型合作在破坏性得分的分布上差异不大,但国家多样性与破坏创新之间存在明显的负相关关系(r = -0.028,p < 0.001),这说明更高的国家多样性意味着更低水平的创新性。综合来看,这些结果表明,区域内的合作比涉及更多国家多样性的合作更有可能产生破坏性创新。

4.3 稳定性测试
我们还使用了现有的指标公式(1)来量化强关联和弱关联,并分析其对破坏百分ation的影响,这一方法有助于更细致地比较不同指标的差异,同时进一步提升研究结果的稳定性。结果见图11,横轴表示结构化关联强度,纵轴表示破坏百分位数,子图显示了横坐标在0-0.02区间内的趋势变化。

下载:下载高分辨率图片(229KB)
下载:下载全尺寸图片
图11. 弱关联样本中国内合作与国际合作对DP的影响。
如图11所示,随着结构化关联强度的增加,破坏百分位数先迅速下降,随后趋于稳定。从置信区间可以看出,绝大多数数据集中在横坐标的0-0.02区间内,该区间的数据量为163,324,因此有必要仔细分析这一区间的情况。在子图中,随着结构化关联强度的增加,破坏百分位数逐渐下降。显然,两种指标得出的结果是一致的,这进一步增强了结论的稳定性,不过结构化关联强度的数值分布非常集中,在某些情况下可能导致无法观察到连续的趋势变化。为进一步评估关联强度与破坏创新之间关系的稳定性,我们进行了多项分层回归分析(见表1)。我们从不含控制变量的基准模型开始,依次引入合著者数量、国家多样性、时间固定效应以及领域虚拟变量作为控制变量。在所有模型设定下,弱关联对破坏创新的促进作用始终具有显著性,这为4.2.1节中的研究结果提供了进一步的支持,表明所观察到的关系并不依赖于特定控制变量的加入,且在不同的模型假设下依然成立。

表1. 弱关联效应的稳定性测试。
变量 DP Model 1 Model 2 Model 3 Model 4 Model 5
关联强度 -0.124***(0.002) -0.131***(0.002) -0.128***(0.002) -0.135***(0.002) -0.146***(0.002)
合著者数量 -0.057***(0.002) -0.048***(0.002) -0.056***(0.002) -0.052***(0.002)
NDI -0.060***(0.002) -0.062***(0.002) -0.064***(0.002)
时间固定效应 √ √
领域控制变量 √
VIF(MAX) 1.02 1.04 1.02 1.10
R2 0.0153 0.0185 0.0185 0.0298 0.0305
注:观测值数量 = 209720;*** p < 0.001。
在确认弱关联效应的稳定性后,我们进一步研究了国家多样性与破坏创新之间关系的稳定性。首先,我们对不同的弱关联阈值进行了敏感性分析(见附表6),发现这些阈值的变化并未改变国家多样性与破坏创新之间的负相关关系。随后,我们采用分层回归方法(见表2),从不含控制变量的基准模型开始,逐步引入合著者数量、关联强度、时间固定效应以及领域虚拟变量作为控制变量。在所有模型设定下,国家多样性与破坏创新之间的负相关关系依然具有显著性。这些结果进一步支持了4.2.2节中的发现,表明所观察到的效应在不同模型假设和控制变量选择下依然稳健。

表2. 国家多样性效应的稳定性测试。
变量 DP Model 1 Model 2 Model 3 Model 4 Model 5
NDI -0.034***(0.003) -0.027***(0.003) -0.025***(0.003) -0.030***(0.003) -0.034***(0.003)
合著者数量 -0.040***(0.003) -0.030***(0.003) -0.033***(0.003) -0.018***(0.003)
关联强度 -0.049***(0.003) -0.060***(0.003) -0.072***(0.003)
时间固定效应 √ √
领域控制变量 √
VIF(MAX) 1.03 1.08 1.04 1.07
R2 0.0011 0.0027 0.0049 0.0174 0.0210
注:观测值数量 = 99603;*** p < 0.001。

5. 讨论
在科学合作领域,虽然许多学者已经研究了合作团队各属性对创新的影响,但合著者之间的强关联和弱关联对知识创新的作用仍相对较少被探讨。为填补这一空白,我们提出了一种利用时间序列累积科学合作网络来衡量强关联与弱关联的新方法。我们以2008年至2017年间《Web of Science》中合成生物学和量子信息领域的209,720篇论文为样本,通过实证研究探讨了在科学合作背景下强关联与弱关联对创新的影响。我们的研究显示,弱关联在推动创新方面发挥着重要作用,且随着关联强度的降低,其作用愈发显著。这是因为弱关联能够传递重要的非冗余信息,而在科学合作中这类信息尤为重要。与通常在紧密相连的网络中强化现有知识的强关联不同,弱关联能带来新颖且多元的见解,否则这些见解可能无法被获取。此外,与工程师或产品开发者相比,科学家具备更强的知识获取与重组能力(Gruber等人,2013年)。这些能力使他们能更有效地吸收和重构复杂的隐性知识,从而提升跨领域创新的效率。从这个意义上说,科学家能够凭借自身的认知灵活性和整合能力克服信息扭曲的问题。上述发现也得到了信息搜寻理论的支持(Wang和Liu,2024年),该理论认为,在信息高度冗余的环境中,弱关联等替代渠道能够显著降低搜索成本和认知负担。通过弱关联获得的独特且高质量的信息不仅能避免重复劳动,还能因其新颖性而提升科学家的满意度与创造力。这类新视角的引入对于打破认知僵局、促进跨学科思维以及产生创新解决方案至关重要,最终有助于提升科学研究的整体效率与质量。尽管数字技术和人工智能的快速发展使得获取多样化的知识来源变得更加容易(Ngo等人,2024年;Peng等人,2023年),但至少在短期内,弱关联在科学创新中的基础性作用依然存在。目前的AI系统主要侧重于明确且结构化知识的传递(Muehlhoff,2020年),而复杂且依赖具体语境的信息处理仍很大程度上依赖于人类的协作、解读与综合。因此,弱关联在推动深度、跨领域的创新方面依然发挥着不可替代的作用。

我们的研究结果表明,国际间的合作可能会抑制弱关联合作中创新理念的产生。这一反直觉的结果可通过多种结构性与认知机制来解释。首先,弱关联通常意味着合作者之间交流频率较低、信任度也较低,这本身就限制了复杂新颖理念的交流(Klyver和Arenius,2022年)。当这类关联跨越国界时,还会出现更多复杂性。语言、文化及技术发展水平的差异往往需要额外的信息交流,而这些交流可能并不会直接有助于创意的产生。此外,国际间的弱关联合作往往依赖远程协作方式。虽然远程工作理论上能拓宽知识获取渠道,但它会增加团队整合的难度(Lin等人,2023年),而且基于视频的交流可能导致注意力范围缩小,进而降低创造力(Brucks和Levav,2022年)。另外,制度上的差异——如不同的资助机制、研究伦理规范及管理流程——会增加协调成本,降低团队对核心科学问题的专注度(Cummings和Kiesler,2005年;Chavez等人,2025年)。认知距离也会阻碍共享心智模型的形成,而这种模型对于将多元知识整合为连贯的创新成果至关重要(Wilke和Pyka,2024年)。即便国家间的多样性很高,这些制度与认知层面的障碍也可能抵消多样性带来的潜在好处。相比之下,同一国家内的弱关联更有可能在相似的规范与框架下运作,从而实现更顺畅的合作与理念融合。因此,国际上多样性较高的弱关联合作中创新成果较少,可能并非源于多样性本身,而是由于与之相关的、阻碍知识整合的种种障碍。

6. 结论

本研究结合了先前用于衡量复杂网络中关联强度的各种方法,提出了一种更为精细的方法来分析科学合作中的关系动态。依托2008年至2017年间发表在《Web of Science》上的209,720篇合成生物学与量子信息领域的学术论文构成的大规模数据集,本研究通过实证分析了不同类型的关联如何影响创新成果。在这一领域,此类基于数据的探究仍然较为罕见。我们的研究结果为强关联与弱关联的协同理论做出了贡献,强调了在知识创造阶段弱关联的主导作用。虽然强关联有助于高效执行和深入合作,但在创意生成的早期阶段,弱关联似乎在引入新颖、非冗余的信息方面起着更为关键的作用。本研究通过揭示关联强度在不同创新阶段的职能差异,进一步深化了我们对这一现象的理解。此外,我们的研究还表明,在弱关联关系初步建立时,区域内的合作可能是一种更为可行且成本更低的策略。与国际合作相比,区域内合作能够减少协调成本,具备更高的制度兼容性,以及文化上的相似性——这些因素对于那些缺乏高度信任与频繁交流的弱关联而言尤为重要。这并非意味着倾向于区域主义,而是强调了要根据任务的性质以及创新所处的阶段来选择合适的合作形式。总而言之,本研究通过阐明弱关联在何种条件下能主导创新,为相关理论做出了贡献;同时,通过倡导一种兼顾开放性与可管理性的更为细致的合作策略,也为科学政策提供了实践指导。

6.1 理论意义

本研究具有重要的理论价值。首先,基于时间序列累积合作网络所确定的团队距离关联强度,进一步丰富了复杂网络中强关联与弱关联的量化方法,不仅考虑了时间效应,还确保了测量指标的高度连续性。其次,团队距离关联强度的引入使得能够在合理的时间内计算出大规模的关联强度。第三,在研究强关联与弱关联对创新的影响时,本研究不同于传统研究,它聚焦于知识创新,并以“颠覆指数”作为知识创新的量化指标。最后,我们的研究结果为强关联与弱关联理论提供了重要支撑,进一步证实了弱关联在科学社会中的重要作用,同时也推动了该理论的发展。

6.2 实践意义

本研究对于提升科学创新具有重要的管理学与政策层面意义。从管理角度而言,我们的研究结果表明,弱关联在推动新理念的产生方面发挥着关键作用。因此,在组织旨在实现突破性创新的协作项目时,科研领导者应优先组建来自不同学科背景、但处于相似机构或区域环境中的合作者团队,以此降低协调成本。对于正在进行的协作活动,可以通过定期引入具有新视角的合作者,或鼓励他们以灵活的方式短期参与子项目,来维持适宜水平的弱关联。建议保持团队构成的平衡——一部分成员保持稳定,以确保工作的连贯性,另一部分则适时更换,以引入新的、非冗余的知识。从政策层面来看,各类机构与资金提供方可以利用这些研究结果来构建更有效的协作框架。例如,可通过相应的激励机制支持区域内的跨学科合作,鼓励形成既能探索又能保持稳定的半永久性协作团队,或是为吸纳多样但彼此契合的科研人员提供激励。政策制定者在设计创新战略时,还应充分考虑关联强度、合作者数量、国家多样性以及地理距离之间的相互作用,尤其是在那些知识整合至关重要的新兴科学领域。这些有针对性的措施将有助于营造一个既有利于颠覆性创新,又能推动可持续科学发展的生态系统。

6.3 未来展望

未来的研究可以探索以下方向。首先,本研究所使用的样本主要来自典型的跨学科领域,可能无法完全反映普遍规律。因此,未来的研究可以考虑扩大样本规模,甚至开展全面的研究,以便更深入地了解强关联与弱关联如何影响科学合作中的创新。其次,尽管本研究在加权网络中考虑了关联强度的时间衰减现象,但网络拓扑特征的时间衰减问题仍需进一步研究。不同类型的网络可能对应不同的衰减系数,而合理设定的半衰期或许能更准确地反映实际学术合作中关联强度的下降情况。因此,未来的研究可以采用更符合现实经验的衰减系数,从而提升研究结果的可靠性与解释力。最后,本研究仅揭示了弱关联在科学合作中推动创新的趋势,尚未深入探讨其背后的机制。因此,未来的研究可以进一步探究弱关联在科学合作中促进创新的内在机制,试图揭示更深层次的驱动因素与作用机理。

关于作者

游云浩目前就读于武汉工业大学创业学院,攻读硕士学位,研究兴趣包括复杂网络与颠覆性创新。

刘念博士在澳门大学获得经济学博士学位,现为博士后研究员,研究方向涵盖数字经济、科学创新与经济危机。她已在国际同行评审期刊上发表7篇论文,在中文期刊上发表3篇论文。

余谦教授是武汉工业大学的教授,研究兴趣包括创新网络、技术扩散及复杂网络。他在《欧洲运筹学杂志》《技术与社会》《交通政策》《知识管理杂志》《信息计量学杂志》及《科学计量学》等多本学术期刊上发表了70多篇同行评审论文。

CRediT作者贡献说明

游云浩:写作——初稿撰写、可视化、验证、软件工具使用、方法设计、正式分析、数据整理、概念构建。刘念:写作——审阅与编辑、方法设计、正式分析。余谦:写作——审阅与编辑、监督指导、资源提供、项目管理、研究实施、资金筹集、概念构建。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号