《Entropy》：Mining the Collaborative Networks: A Machine Learning-Based Approach to Firm Innovation in the Digital Transformation Era
Wenhao Zhou and
Zhiwei Zhang
编辑推荐：
理解协作网络结构和数字化转型如何共同塑造企业创新已成为快速技术变革中的关键问题。基于社会网络理论（Social Network Theory）和组态视角（configurational perspective），本研究探讨了协作网络特征与数字化转型对企业创新绩
理解协作网络结构和数字化转型如何共同塑造企业创新已成为快速技术变革中的关键问题。基于社会网络理论（Social Network Theory）和组态视角（configurational perspective），本研究探讨了协作网络特征与数字化转型对企业创新绩效的非线性和交互效应。研究人员利用2012年至2022年间中国上市制造企业的专利数据，基于共同专利关系构建了企业间技术协作网络。采用分类回归树（Classification and Regression Tree, CART）模型来揭示复杂的组态模式，并辅以基于回归的稳健性检验。结果表明，创新成果并非由单一网络属性驱动，而是由结构洞位置（structural hole positions）、中心性指标（centrality measures）和数字化转型的共同组态所决定。在所有因素中，结构洞是最具影响力的决定因素。研究结果进一步表明，数字化转型与网络位置相互作用，产生多条通向高或低创新绩效的路径。模型比较表明，CART方法在捕捉非线性效应方面优于传统线性模型。本研究通过强调协作创新的组态逻辑，并提供一个基于机器学习的框架来分析网络与数字化转型的相互作用，为相关文献做出了贡献。
**论文解读：数字化转型时代企业协作网络的组态效应——基于机器学习方法**
**研究背景与问题**
在数字化转型时代，制造业面临技术融合与知识生产互联的深刻变革。企业创新不再孤立进行，而是嵌入于复杂的组织间协作网络之中。然而，现有文献多将协作网络与数字化转型作为独立因素研究，忽视了二者的联合效应。传统线性回归方法假设网络特征与数字化能力对创新的影响是均匀且可加的，但现实中这种关系可能呈现非线性、非对称和组态性特征。例如，结构洞位置带来的知识中介优势可能因数字化水平不同而增强或减弱。因此，亟需一种能够揭示多因素协同作用、识别等效路径的分析框架。本研究旨在回答两个核心问题：第一，技术协作网络特征与数字化转型的何种组态与高创新绩效相关？第二，是否存在多条等效组态路径，它们如何差异？
**研究内容与结论**
研究人员基于社会网络理论和资源基础观，采用分类回归树（CART）模型，对2012-2022年中国A股上市制造企业的专利数据、协作网络指标及数字化转型指数进行组态分析。研究发现：创新绩效并非由单一因素决定，而是由结构洞位置、中心性指标与数字化转型的联合组态所驱动。其中，结构洞是最关键的区分变量，占据中介位置的企业即使数字化水平不高也能实现高创新。数字化转型的作用依赖于网络位置，二者形成多条等效路径。模型比较显示，CART在召回率和AUC上优于逻辑回归和支持向量机，且与随机森林预测能力相当，同时保持可解释性。该研究发表在《Entropy》，为理解数字化时代企业创新的复杂机制提供了新视角。
**主要技术方法**
研究人员采用两阶段分析框架。第一阶段，基于中国上市制造企业2012-2022年间的180,607条专利数据（来源于Incopat数据库），以三年移动窗口构建企业间技术协作无向网络，计算度中心性（DC）、接近中心性（CC）、特征向量中心性（EC）和结构洞（SH）四个网络指标。第二阶段，将企业创新绩效（FIP，以专利未来三年被引次数对数衡量）二值化（高于样本均值记为高创新），采用CART模型进行组态分析，通过网格搜索和10折交叉验证优化超参数（最大深度、最小样本分裂数、最小叶节点样本数），以ROC-AUC为评价指标。此外，通过替代训练测试分割比（0.8:0.2）和回归检验（OLS与Logit）验证稳健性。
**研究结果**
**4.1 描述性统计与相关性检验**
描述性统计显示，FIP均值22.00，标准差21.93，分布高度右偏，表明制造企业创新绩效异质性显著。数字化转型（DT）均值0.001，范围小，反映中国制造企业数字化仍处演进阶段。相关性分析表明，DT与FIP正相关（r=0.265, p<0.001），度中心性（DC）与FIP正相关（r=0.418, p<0.001），结构洞（SH）与FIP正相关（r=0.352, p<0.001），而特征向量中心性（EC）与FIP负相关（r=-0.064, p<0.05），接近中心性（CC）无显著相关。变量间相关系数未超过严重共线性阈值。
**4.2 决策树模型构建**
将FIP二值化后，高创新组629个观测，低创新组663个观测，类别平衡。按0.75:0.25划分训练集和测试集，经10折交叉验证优化超参数，最终CART树深度为6，共25个节点，13个叶节点。树结构显示，根节点以结构洞（SH）为首次分裂变量，表明其主导作用。
**4.3 模型比较**
与逻辑回归、随机森林、支持向量机（SVM）对比，CART在测试集上AUC最高（0.718），召回率最高（0.706），表明其区分高创新企业的能力最强。随机森林准确率略高（0.669 vs 0.659），但AUC较低。CART在保持可解释性的同时实现最优整体判别性能。
**4.4 决策规则解释**
引入支持度（Support）和置信度（Confidence）对决策规则进行剪枝，保留6条关键规则。低创新绩效的典型组态（支持度47.16%，置信度70.02%）为：低DT、低DC、低SH、低EC，表明缺乏数字能力和劣势网络位置的企业创新绩效差。高创新绩效的代表性路径（支持度31.48%，置信度62.62%）为：高SH且DT中等，显示结构洞优势可弥补数字化不足。另一条高创新规则（置信度90.00%）为：高SH且高DC，表明同时占据中介和中心位置的企业创新概率极高。结果证实创新绩效是组态效应而非单一变量结果，结构洞反复出现在高创新组态中，数字化转型的作用因网络情境而异。
**4.5 稳健性检验**
替代训练测试分割比（0.8:0.2）后，决策树结构与基线高度相似，结构洞仍为首要分裂变量。回归检验（OLS与Logit）显示，DC、DT、SH显著为正，EC显著为负，与CART变量重要性一致。将CART识别的最具代表性组态（低DT、低CC、低SH）转换为哑变量后，该组态变量在所有回归模型中显著为负，表明其捕获了超出单个网络指标的额外结构信息。
**总结讨论与结论翻译**
**总结讨论**：研究结果揭示了企业创新绩效的多重结构嵌入和数字条件路径，其中结构洞是最根本的驱动力。管理人员应优先构建非冗余知识接入渠道（占据结构洞位置），将数字化转型作为网络赋能能力而非独立投资，并采用组态化策略而非单因素优化。研究局限包括：协作网络测量仅基于正式共同专利，可能忽略非正式知识交换；数字化转型指数基于年报文本分析，主要反映战略关注而非实际实施深度。未来研究可整合多种企业间关系构建多层网络，并结合客观数字化指标。
**研究结论翻译**：第一，企业创新绩效并非由单一因素驱动，而是由数字化转型与网络结构属性的协同效应决定。决策树结构显示，结构洞在区分创新绩效中起主导作用，表明在协作网络中占据中介位置是创新优势的关键条件。同时，数字化转型并非独立决定因素，而是与企业的结构位置及其他网络特征相互作用，形成多条组态路径。第二，提取的决策规则识别出若干通向高、低创新绩效的典型路径。实现高创新绩效的企业往往嵌入具有优势中介位置和特定关系条件的网络结构，而低创新绩效更可能发生在企业同时表现出弱数字化转型和不利网络位置时。模型比较表明，CART在召回率和AUC上优于逻辑回归和SVM，与随机森林预测能力相当且保持可解释性。第三，结果一致地将结构洞识别为区分创新绩效的最关键因素。作为决策树的根节点和多个决策规则的主要分裂条件，结构洞决定了分类的整体方向，并界定了高、低创新绩效的基本边界。总体而言，企业创新绩效是多重结构嵌入和数字条件路径的结果，其中结构洞是最根本的驱动力。
