为什么更多并不总是更好：探讨网络密度对企业新产品创新可能性的影响

《Journal of Business Research》：Why more isn’t always better: Examining the effects of network density on firms’ likelihood of new product innovation

　　埃里克·沙普（Eric Schaap）|多米尼克·马尔（Dominik Mahr）|伊内斯·威尔姆斯（Ines Wilms）|乔纳斯·克林格沃特（Jonas Klingwort）|德鲁夫·格里瓦尔（Dhruv Grewal）
马斯特里赫特大学市场营销与供应链管理系，Tongersestraat 53，6211 LM 马斯特里赫特，荷兰

摘要
在当今互联的商业环境中，企业利用组织间网络来推动创新。网络带来的好处取决于其结构，特别是企业合作伙伴及其自身合作伙伴之间的相互联系程度——这被称为高阶网络密度。我们采用以实证为基础的研究方法，探讨高阶网络密度与认知距离（即企业之间在知识基础、组织重点和技术专长方面的差异）如何共同影响产品创新。我们通过结合传统创新成果数据和基于网络的分析方法，对一个全面的荷兰跨行业网络进行了分析，发现高阶网络密度与产品创新之间存在非线性关系，且这种关系受到认知距离的影响。超出自我网络（ego-network）的视角后，我们揭示了一个关键发现：当企业与其网络合作伙伴在认知上存在差异时，适度的网络密度带来的好处以及过度密集的网络带来的成本都会被放大。我们的方法为绘制网络图谱以及解决管理者在构建创新网络时面临的挑战提供了实用工具。

1. 引言
在高度互联的商业环境中，企业越来越依赖于组织间网络来加速创新。事实上，43%的商业领导者确认外部合作伙伴是推动创新的关键因素（Kearney, 2022），94%的科技高管认为创新伙伴关系对其战略至关重要（Cecchi-Dimeglio等, 2022）。除了与直接合作伙伴（即与企业有直接关系的合作伙伴）的合作外，这些伙伴关系还使企业能够接触更广泛的业务网络，包括通过间接关系连接的二级、三级或更高级别的合作伙伴。利用这些扩展的网络，企业可以获取新的资源、专业知识和市场机会，从而支持产品创新，同时降低传统的地理和行业壁垒（Hurley, 2024；Krippendorf, 2024）。荷兰的埃因霍温高科技园区（HTCE）就是这种跨行业网络结构的典范，其中企业之间在多个层级上相互连接（High Tech Campus Eindhoven, n.d.）。在本文中，我们研究了这种扩展网络结构的密度如何影响企业的产品创新成果，揭示了仅考察直接合作伙伴时所忽略的动态规律。

然而，参与这些扩展的商业网络也带来了风险，因为企业直接和间接合作伙伴之间的相互联系程度（即网络密度）增加，会导致知识泄露的风险。虽然政府鼓励网络的形成以促进创新（Semenza, 2024；Swinney, 2017），但在密集连接的网络中，企业难以控制专有知识。例如，在丹麦的生命科学产业集群中，由于知识在集群成员间均匀传播，企业难以保持其竞争优势（Shih & Chai, 2015）。因此，管理者在决策网络 formation 和使用方式时，必须考虑更广泛的网络背景（Wang & Yang, 2022）。同样，尽管政策制定者提倡建立密集的组织间网络以推动区域创新（Abbasiharofteh, 2020；Lucena-Piquero和Vicente, 2019），但由于对网络密度如何影响个体企业创新成果的理解不足，这些干预措施往往效果不佳（Vicente, 2017）。总之，如果不深入理解网络密度对创新成果的影响，企业可能会选择次优的合作伙伴，政策干预也可能无意中阻碍创新。

回顾2000年至2023年间顶级管理和创新期刊上的关键研究，可以看出研究者们在研究网络结构与创新关系时存在一种持续的模式。通过Scopus搜索使用“network density”、“innovation”和“network structure”等关键词筛选出的研究（见表1）表明，尽管先前的研究已经考察了网络结构和创新的各个方面，但这些研究主要集中在企业的直接合作伙伴上，往往将分析局限于自我网络（ego-network）。这种狭隘的视角未能捕捉到网络内部知识传播的全部复杂性，可能导致关于网络参与与创新关系的不完整或误导性结论。然而，最近的研究表明间接合作伙伴在塑造企业创新成果中起着关键作用。这些间接合作伙伴不仅包括企业的直接合作伙伴，还包括二级、三级甚至更高级别的联系。基于这些更高级别的联系，我们用“高阶网络”（higher-order network）这一术语来描述这种扩展的网络结构（Arcagni等, 2021；Benson等, 2016；Monaghan等, 2017）。与仅考虑企业直接合作伙伴之间联系的自我网络密度（图1中的虚线）不同，高阶网络密度涵盖了多个层级之间的相互联系（图1中的实线），提供了更全面的企业周围网络结构图景。为了实证研究这些高阶网络效应，我们通过企业社区（如图1中的社区1和社区2）来操作化这些效应，这些社区代表了在更大网络中自然形成的企业群体。此外，我们还分析了认知距离（即企业之间在知识基础、组织重点和技术专长方面的差异（Nooteboom等, 2007）如何与网络结构相互作用，从而影响创新成果。

表1. 关于网络结构与创新成果关系的关键研究选集

2. 数据与样本
- 网络层面
- 密度效应
- 调节变量或中介变量

| 研究 | 数据类型 | 研究主题 | 方法 | 结果 |
|--------------|------------------|----------------------------------|-----------------|--------------|
| Ahuja (2000) | 全球化工行业的面板数据 | 自我网络 | 直接联系、间接联系 | |
| Rowley等 (2000) | 半导体和钢铁行业的关系数据 | 自我网络 | 线性关系 | |
| Schilling & Phelps (2007) | 11个高科技制造行业的联盟和专利活动 | 自我网络 | 线性关系 | |
| Gilsing等 (2008) | 化工、汽车和制药行业的联盟和专利活动 | 自我网络 | 曲线关系 | |
| Vanhaverbeke等 (2009) | 化工、汽车和制药行业的联盟和专利活动 | 自我网络 | 曲线关系 | |
| Phelps (2010) | 全球电信设备行业的联盟和专利活动 | 自我网络 | 线性关系 | |
| Vanhaverbeke等 (2012) | 化工、汽车和制药行业的联盟和专利活动 | 自我网络 | 线性关系 | |
| Guan & Liu (2016) | 纳米能源领域的专利活动 | 自我网络 | 线性关系 | |
| Chuluun等 (2017) | 多个行业的公司级网络数据（董事会交叉任职） | 企业网络 | 线性关系 | |
| Balachandran & Hernandez (2018) | 全球生物技术行业的研发联盟和专利活动 | 自我网络 | 线性关系 | |
| Wen等 (2021) | 中国汽车行业的研发合作和专利活动 | 自我网络 | 知识多样性、结构洞 | |
| Abbasiharofteh等 (2023) | 德国企业的调查数据结合网络数据 | 自我网络 | 认知距离 | |
| Hernandez等 (2025) | 生物技术行业的联盟和专利活动 | 自我网络 | 认知距离 | |
| 本文 | 荷兰企业的调查数据结合网络数据 | 高阶网络 | 曲线关系 | |

3. 方法论
遵循以实证为基础的研究方法（Boegershausen等, 2022；Golder等, 2023），我们首先研究了高阶网络密度如何在实践中影响企业的创新成果，然后基于实证发现发展理论见解。鉴于现代商业伙伴关系的跨行业性质及其地理多样性，我们采用了一种新颖的方法论，将荷兰统计局（CBS）进行的社区创新调查（Community Innovation Survey, CIS）与基于网络的分析方法结合起来。CIS使我们能够捕捉不同行业和类型企业的创新成果，而基于网络的方法则能够绘制跨越传统行业和地理边界的网络连接（Mohammadi等, 2017）。通过抓取企业网站之间的超链接（我们将这些超链接作为企业间合作关系的指标），并分析网站文本，我们可以比仅基于专利或调查的传统方法更全面地绘制企业网络并测量认知距离（Zhang & Chen, 2022）。我们的混合数据集本身为创新研究做出了独特贡献。通过将CIS中的结构化创新成果数据与从企业网站超链接中提取的基于网络的数据相结合，我们创建了一个独特的混合数据集，既可以捕捉创新成果，也可以观察传统创新数据集所忽略的连接模式。此外，这些数据来源的优势是互补的：CIS提供了跨行业的经验证的创新输出指标，而超链接数据揭示了企业之间的实际数字连接模式，提供了对知识流动结构的前所未有的洞察。

我们的研究有几个关键贡献。首先，我们加深了对高阶网络密度对企业创新成果影响的理解。具体来说，我们研究了荷兰企业（至少有10名员工）之间的组织间网络，鉴于荷兰密集的跨行业合作生态系统，这是一个特别有说服力的实证背景。我们的研究表明，高阶网络密度与引入产品创新的可能性之间存在非线性关系。基于Wang和Yang（2022）关于企业战略网络行为的观点，这些发现表明企业在建立联系时需要考虑更广泛的网络结构，以确保获得网络参与的增效好处。这种非线性关系源于Lavie（2006）框架中提出的多层租金平衡问题：适度的网络密度使企业能够有效平衡内部租金、关系租金和溢出租金，而低密度和高密度都会产生失衡，从而降低创新潜力。然而，网络密度对这种类型创新的影响取决于焦点企业与其周围网络成员之间的认知距离。高认知距离放大了三角闭合和信任增强机制的好处（Moon等, 2022），以及知识溢出成本（Wang & Yang, 2022）和市场波动的脆弱性（Ju & Wang, 2023），尤其是在与高阶网络密度相关的产品创新中。

其次，除了这些理论贡献外，我们提出的方法还揭示了企业网站等新型数据源的价值，克服了专利或调查响应等传统数据源的局限性。在方法部分（第4节），我们详细介绍了评估跨行业和地理边界的大规模组织间网络的新方法。这种方法可以生成关于关键概念（如密度和认知距离）之间关系的新见解，并为研究人员提供了在不同背景下应用我们的研究发现提供了可行的手段。基于网络数据的可访问性和时效性，管理者可以定期评估网络状况并做出战略定位决策，而不需要网络合作伙伴的合作或访问机密联盟信息。

本研究为实践者和政策制定者提供了重要见解。对于实践者尤其是管理者来说，它提供了基于证据的见解，展示了企业合作伙伴之间的相互联系如何直接影响创新成果。对于政策制定者而言，这些发现为设计创新政策提供了指导，使他们能够同时认识到密集组织间网络的好处和风险。虽然这类网络通常被 promoting 用于促进区域增长，但过度互联可能导致过多的知识溢出，从而阻碍创新。

第2节基于资源视角探讨了网络密度和认知距离如何影响创新成果。我们还讨论了使用网站（相对于专利和调查数据等传统数据源）来绘制跨行业边界的组织间网络和测量网络密度的优势。然后，我们提出了一套研究命题，探讨密度如何直接影响企业的创新产出，以及这种影响如何受到认知距离的调节（第3节）。接下来的第4节详细介绍了方法论和构建，进而介绍了我们的发现（第5节）以及我们的主要理论和实际贡献，以及进一步研究的方向（第6节）。

2. 理论背景
2.1. 网络密度与新产品创新
在荷兰的商业环境中，企业的创新成果越来越依赖于其在合作网络中的位置。资源视角下的互联企业有助于解释这一现象，强调了合作网络如何提供竞争优势（Lavie, 2006）。在组织间关系的背景下，这也被称为关系视角（Acedo等, 2006；Baraldi等, 2024），资源视角强调了企业通过参与此类网络可以获得的众多好处，包括知识传播、资源共享、从合作伙伴那里学习以及增加的创新产出（Ahuja, 2000；Ahuja和Katila, 2001；Chesbrough, 2006；Powell, 1998）。网络内的知识流动是这些好处的核心，促进了互补网络资源的（再）组合，并增强了新产品开发的能力。在这种情况下，重点转向了网络结构的配置，更具体地说，是网络的密度（即现有连接的数量与可能连接数量的比例），而不仅仅是关注二元关系（例如，Moon等人，2022年；Gilsing等人，2008年；Rowley等人，2000年）。给定网络的结构是知识流动的渠道，关系的形成使得知识传播的路径成比例增加。换句话说，网络的知识传播能力部分取决于它所拥有的连接数量（Vanhaverbeke等人，2012年）。因此，企业在加入组织间网络时必须仔细评估网络结构，因为这深刻影响了网络参与的好处。尽管创新研究已经广泛探讨了网络结构与创新成果之间的关系，但在我们理解高阶网络密度如何影响不同行业中的新产品创新可能性方面仍存在一个关键空白。这一空白在考虑超出企业自身直接网络的网络结构的影响时尤为明显（见表1）。高阶网络密度代表了与传统的网络中心性度量不同的概念方法，后者考察的是企业在网络中的位置（Nezami等人，2025年）。虽然中心性度量捕捉了企业自身网络位置的不同方面——包括直接连接、与其他节点的接近程度、桥梁作用以及与有影响力合作伙伴的连接——但高阶网络密度特别考察了企业网络合作伙伴之间的相互联系，排除了企业自身的直接联系。最近的研究强调了在理解创新动态时考虑高阶密度的重要性。Ju和Wang（2023年）指出，虽然密集的网络可能提供多样化的知识访问，但它们也可能增加企业对市场波动的脆弱性，从而为网络结构与创新成果之间的关系增添了另一层复杂性。此外，Wang和Yang（2022年）认为，企业会战略性地选择与其他组织建立联系以吸收溢出效应，这些决定本质上取决于更广泛的网络结构，而不仅仅是直接联系。

尽管有这些见解，目前的创新研究主要集中在关系嵌入性或位置嵌入性上，即企业直接联系的强度或其在整个网络中的位置（Granovetter，1992年；Moon等人，2022年；见表1）。这种普遍关注部分可以用人企业联盟网络内的局部行动观念来解释。本质上，企业有能力对其直接联系施加直接控制，并通过建立或解除直接联系来影响其在网络中的位置（Bae & Insead，2004年）。基于这一论点，Vanhaverbeke等人（2009年）提出，在研究企业的结构嵌入性，即周围参与者之间的相互联系时，其自身网络是一个比整个网络更合适的分析层次（Baraldi等人，2024年；Cui & O'Connor，2012年；Sun & Lee，2013年）。在少数关于网络密度的研究中，Rowley等人（2000年）认为网络密度可以替代强大的组织间联系，而Gilsing等人（2008年）预测网络密度对探索性专利产出有倒U形效应。这两项研究都认为密集的网络有助于信任的发展并减少机会主义行为，这与Coleman（1988年）的封闭理论一致。Gilsing等人（2008年）进一步指出，建立信任的机会支持对新知识来源可靠性的评估。然而，正如Burt（1992年）所指出的，密集的网络也会产生不可忽视的成本；建立和维护企业间联系是一项资源密集型活动。此外，在密集连接的网络中，知识传播更加容易，因此获取新知识和实现创新的重组潜力可能会随着密度的增加而减少，这意味着“每个人都知道每个人所知道的信息”（Gilsing等人，2008年，第1721页）。同时，从核心企业向其直接合作伙伴的外出知识转移会溢出到合作伙伴的合作伙伴那里，导致非自愿的知识溢出，也称为外出溢出租金（Lavie，2006年）。当围绕核心企业的直接和间接合作伙伴之间的相互联系更加密集时，这些溢出更有可能且更为显著。

尽管之前的研究提供了关于网络密度与创新成果之间关系的宝贵见解，但它们主要限于关注自我网络并且局限于特定行业（Gilsing等人，2008年；Rowley等人，2000年）。我们的研究通过考察不同行业中的高阶网络密度，扩展了这一研究方向，提供了对网络密度如何影响创新成果的更全面理解。基于资源依赖的企业观（Lavie，2006年）、基于知识的理论（Nooteboom，2000年）和战略营销文献（Ju和Wang，2023年；Wang和Yang，2022年），我们提出了关于高阶网络密度如何影响开发产品创新可能性的研究命题。这种方法使我们能够弥合企业级决策与更广泛网络效应之间的差距，提供了对企业如何利用其在高阶网络结构中的位置来增强新产品创新可能性的更细致的理解。

企业参与组织间网络的一个主要原因是有机会获取并可能重组多样化的知识来源以开发新产品。与此预期一致，资源依赖的观点认为企业绩效差异的主要驱动因素是企业拥有或能够获取的资源异质性（Pereira & Bamel，2021年）。在这方面，知识被认为是企业最重要的战略资源之一（Acedo等人，2006年；Grant，1996年）。我们遵循这一推理，并采用了Nooteboom等人（2007年）提出的认知距离概念来表示资源异质性。认知距离指的是企业之间的组织焦点、知识和观点的差异。Nooteboom等人提出了认知距离与创新成果之间的倒U形关系。虽然一定的认知距离最初有利于新资源的重组，但过度的距离会妨碍相互理解。因此，企业应寻找处于最佳认知距离的合作伙伴，以便在不妨碍合作的情况下获取新知识。企业管理和利用认知上相距较远资源的能力取决于它们的吸收能力，即从新获得的外部知识和信息中识别、吸收并提取商业价值的能力（Cohen和Levinthal，1990年；Ju和Wang，2023年）。因此，根据Nooteboom（2000年）的概念化，我们将认知距离作为网络资源，将吸收能力作为企业使用这种资源的内部能力区分开来。尽管这些概念是不同的，但它们是相互关联的，正如Nooteboom等人（2007年）所讨论的。

认知距离的影响不仅限于直接参与关系的企业。正如Wang和Yang（2022年）所展示的，知识溢出会在整个网络中传播，企业会策略性地建立联系以吸收这些溢出。这突显了在分析认知距离效应时考虑高阶网络的重要性。通过加入网络，核心企业可以获取其直接合作伙伴及其合作伙伴所持有的知识和信息（Ahuja，2000年；Moon等人，2022年）。这些间接联系提供了额外的潜在知识溢出租金，并且，在足够的认知距离下，进一步提供了重组资源以创造新知识和创新的机会（Fleming，2001年）。如果“竞争最好被视为一场学习竞赛”（Powell，1998年，第228页），那么获取这种类型的租金应该使企业能够获得竞争优势（Greve，2009年），并在创新产出方面优于其直接竞争对手。然而，Ju和Wang（2023年）警告说，虽然使用探索性知识可以增强创新产出的增长，但它也可能增加创新产出的不确定性，这表明在利用认知上相距较远的资源时可能存在权衡。

鉴于这些见解，对核心企业联系的重组潜力的评估（此处通过它们的认知距离来衡量）应扩展到包括直接和更远的间接联系的高阶网络层面。虽然之前的研究已在二元层面上建立了认知距离与创新之间的倒U形关系（Nooteboom等人，2007年），但我们对高阶网络的关注需要不同的方法。在这些更复杂的结构中，知识溢出超出了直接关系，网络密度从根本上决定了知识如何在社区中流动。然而，这些由密度驱动的知识流动对创新成果的有效性取决于企业之间的认知距离，这决定了交换知识的新颖性和互补性。因此，认知距离作为一个关键调节因素，决定了网络密度如何转化为创新收益。这种方法符合最近呼吁超越自我网络分析的建议（Zhang & Chen，2022年），并考虑企业在更广泛网络结构中的网络行为（Wang & Yang，2022年）。

企业参与组织间网络的一个主要原因是有机会获取并可能重组多样化的知识来源以开发新产品。与此预期一致，资源依赖的观点认为企业绩效差异的主要驱动因素是企业拥有的或能够获取的资源异质性（Pereira & Bamel，2021年）。在这方面，知识被认为是企业最重要的战略资源之一（Acedo等人，2006年；Grant，1996年）。我们遵循这一推理，并采用了Nooteboom等人（2007年）提出的认知距离概念来表示资源异质性。认知距离指的是企业之间的组织焦点、知识和观点的差异。Nooteboom等人提出了认知距离与创新成果之间的倒U形关系。虽然一定的认知距离最初有利于新资源的重组，但过度的距离会妨碍相互理解。因此，企业应寻求处于最佳认知距离的合作伙伴，以便在不妨碍合作的情况下获取新知识。企业管理和利用认知上相距较远资源的能力取决于它们的吸收能力，即识别、吸收并从新获得的外部知识和信息中提取商业价值的能力（Cohen和Levinthal，1990年；Ju和Wang，2023年）。因此，根据Nooteboom（2000年）的概念化，我们将认知距离作为网络资源，将吸收能力作为企业使用这种资源的内部能力区分开来。虽然这些概念是不同的，但它们是相互关联的，正如Nooteboom等人（2007年）所讨论的。

认知距离的影响不仅限于直接参与关系的企业。正如Wang和Yang（2022年）所展示的，知识溢出会在整个网络中传播，企业会战略性地建立联系以吸收这些溢出。这突显了在分析认知距离效应时考虑高阶网络的重要性。通过加入网络，核心企业可以获取其直接合作伙伴及其合作伙伴所持有的知识和信息（Ahuja，2000年；Moon等人，2022年）。这些间接联系提供了额外的潜在知识溢出租金，并且在足够的认知距离下，进一步提供了重组资源以创造新知识和创新的机会（Fleming，2001年）。如果“竞争最好被视为一场学习竞赛”（Powell，1998年，第228页），那么获取更多这种类型的租金应该使企业获得竞争优势（Greve，2009年）并在创新产出方面优于其直接竞争对手。然而，Ju和Wang（2023年）告诫说，虽然使用探索性知识可以增强创新产出的增长，但它也可能增加创新产出的不确定性，这表明在利用认知上相距较远的资源时可能存在权衡。

鉴于这些见解，对核心企业联系的重组潜力的评估（这里通过它们的认知距离来衡量）应超越其自我网络，扩展到包括直接和更远的间接联系的高阶网络层面。虽然之前的研究已经在二元层面上建立了认知距离与创新之间的倒U形关系（Nooteboom等人，2007年），但我们对高阶网络的关注需要不同的方法。在这些更复杂的结构中，知识溢出超出了直接关系，网络密度从根本上决定了知识如何在社区中流动。然而，这些由密度驱动的知识流动对创新成果的有效性取决于企业之间的认知距离，这决定了交换知识的新颖性和互补性。因此，认知距离作为一个关键的调节因素，决定了网络密度如何转化为创新收益。这种方法符合最近要求超越自我网络分析的号召（Zhang & Chen，2022年），并考虑企业在更广泛网络结构中的网络行为（Wang & Yang，2022年）。

企业网络和认知距离的表示通过企业网站和超链接实现。企业间的合作组合向竞争对手和潜在的未来合作伙伴发出了强烈信号，并支持持续的组织间学习（Owen-Smith和Powell，2004年；Powell，1998年）。在这方面，企业可能希望披露有关其网络的信息，正如它们在其企业网站上所做的那样，这些网站往往包含比年度报告和其他此类文档更详细的信息，并且被更广泛阅读。除了沟通功能外，企业还使用网页来建立关系，例如，通过在其中包含指向合作合作伙伴的超链接。正如Powell等人（2016年）所论证的，互相超链接对方网站的两个企业表明了合作关系，因此企业网站上呈现的超链接反映了其联盟组合。作为当前研究的一部分，我们抓取并分析了4,627家荷兰企业的网站，结果支持这一观点：大约五分之一的超链接连接到教育、政府或非营利组织，而18%的网络联系是相互的，表明这是有意的合作伙伴关系信号而非随意的参考。通过这些信息，可以绘制企业间的组织关系并得出其网络结构的指标，而不仅仅局限于测量企业层面的指标（例如，节点度、连接数量）。此外，在专利数据分析领域，认知距离的实现主要局限于基于专利分类方案的技术距离或多样性测量（Zhang & Chen，2022年），因为“尚不清楚其他维度的认知距离应该如何精确测量”（Gilsing等人，2008年，第1719页）。然而，先前的研究证明了企业网站作为一系列属性指标的有效性，包括但不限于企业的企业文化（Overbeeke & Snizek，2005年）、企业战略（Llopis等人，2010年）、服务质量（Williams等人，2019年）或能力（Gatti，2011年）。最近的实证工作为使用企业网站内容作为组织认知的指标提供了强有力的验证。Dahlke等人（2024年）证明，网站文本可以以超过91%的准确率识别深入的组织知识，区分了表面沟通和真正内部能力，包括人员能力、技术流程和研究开发活动。他们对110万家企业的网站分析显示，企业网站内容全面代表了从制造过程到创新能力的多样化组织维度。基于这些先例，我们认为企业网站内容提供了关于企业如何表达其知识、能力和世界观的可观测量，这些都是反映认知框架的关键要素。这种方法超越了传统的基于专利的测量方法，通过捕捉多个维度上的组织差异，与将认知距离概念化为参与者能够理解和解释交换信息的程度的概念相一致（Simensen & Abbasiharofteh，2022年）。类似于Feng（2020年）使用专利文本分析来衡量知识接近度的方式，我们利用网站内容来评估认知距离，最近的研究验证了网站可靠地指示了技术采用模式和组织属性（Dahlke等人，2024年）。因此，使用基于网络数据的方法使得能够实现一个更全面的认知距离测量，捕捉与知识交换和创新相关的组织差异的广度。

虽然网络数据代表了精心策划的组织信号，但其局限性被其互补的优势所抵消：基于网络数据的方法可以大规模地映射跨行业和地理边界的网络连接，捕捉到传统调查或专利数据遗漏的关系。同时，后者的方法提供了经过验证的创新度量。因此，采用一种互补的方法，让每个数据来源弥补另一种的局限性，可以更全面地理解网络密度与创新绩效之间的关系，以及认知距离的作用。3. 研究命题先前的文献已经证实，网络密度影响企业的创新成果从网络参与中获益的程度（Gilsing等人，2008年；Phelps，2010年；Rowley等人，2000年）。遵循我们的以实证为主的方法，我们提出了研究命题，以调和Coleman（1988年）和Burt（1992年）关于网络密度与新产品创新可能性之间关系的观点。我们认为，高阶网络密度带来的优势最初会增加新产品创新的可能性，但过度密集可能会产生负面影响。根据Coleman（1988年）的闭合理论，如图1所示的密集连接的网络鼓励了社会资本的形成，这种资本有助于促进网络成员之间信任、互惠和可接受行为规范的建立（Gao等人，2015年；Rowley等人，2000年；Walker等人，1997年）。这种社会资本减少了交易风险，增加了合作，通过声誉机制约束了机会主义行为，并增强了知识和信息在网络成员之间的传播（Gao等人，2015年；Gilsing等人，2008年；Phelps，2010年）。此外，密集网络还提供了三元组闭合的好处，可以缓解吸收能力方面的挑战（Gilsing等人，2008年；Moon等人，2022年）。一个核心企业可能缺乏直接识别、获取和使用新颖知识的能力。在这种情况下，该企业可以从额外的合作伙伴那里获得补充，从而建立起共享的吸收能力（Vanhaverbeke等人，2012年）。因此，企业间网络中的较高密度预计将促进复杂和隐性知识的转移与整合，这对探索性创新尤为重要（Phelps，2010年）。然而，高度密集的网络也有不可忽视的缺点。Burt（1992年）认为，随着网络密度的增加，冗余联系的数量也会增加，最终降低网络的效率。这种冗余限制了对多样化知识流的访问和对信息的控制，而这些对创新至关重要（Wen等人，2021年）。Wang和Yang（2022年）指出，企业会策略性地与其他组织建立联系以获取溢出效应，这一决策过程本质上依赖于更广泛的网络结构。随着密度的增加，这种战略行为可能导致回报递减，因为新颖知识组合的潜力减少了。此外，在一个密集连接的网络中，知识和信息会更均匀地传播给各个成员（比较图1中的社区1和社区2）。因此，核心企业从获取新信息中获益相对较少，因为其他网络成员也可以使用这些信息（Gilsing等人，2008年；Wen等人，2021年）。知识的易传播性和广泛性带来了非自愿知识溢出的风险（Vanhaverbeke等人，2012年），这降低了企业分享隐性知识的意愿以及他们寻找此类知识的动力，鉴于其有限的占有能力（Gilsing等人，2008年；Laursen和Salter，2014年；Vanhaverbeke等人，2012年）。此外，Vanhaverbeke等人（2012年）指出，随着密度的提高，机会主义行为的可能性也会增加，因为免费搭便车和占有知识的机会提供了更高的潜在回报。最后，Ju和Wang（2023年）的最新研究表明，虽然密集网络可能提供多样化的知识，但也可能增加企业面对市场波动的脆弱性。除了比较这些先前研究中的对立观点外，我们还采用了Lavie（2006年）对相互连接企业的资源基础观点的扩展，区分了通过网络产生的三种类型的租金：来自企业自身资源的内部租金、来自与合作伙伴共享资源的关系租金，以及溢出租金（无论是流入还是流出）。在低网络密度下，企业难以建立足够的信任以获得关系租金（支持Coleman [1998] 的观点），并且内部创新能力所需的知识流动也非常有限（Ahuja，2000年）。在中等密度下，企业可以有效地平衡所有类型的租金，建立足够的信任以获得关系租金，同时保持发展独特能力所需的结构自主性。然而，在高密度下，这种平衡会恶化：协调成本增加（Vanhaverbeke等人，2012年），知识变得冗余（符合Burt [1992] 的效率论点），并且随着企业专有知识在网络中的快速扩散，出现了不利的溢出比率（Wang & Yang，2022年）。这种基于租金的观点整合了Coleman（1998年）和Burt（1992年）的观点，解释了为什么中等密度为创新提供了最佳条件，而过度密度则会产生负面影响。总之，考虑到三元组闭合和建立信任的好处，以及冗余、非自愿知识溢出和面对市场波动的风险，我们提出高阶网络密度与产品创新之间存在倒U形关系：研究命题1：我们提出高阶网络密度与产品创新的可能性呈现曲线状（倒U形）关系。前面关于网络密度与创新结果之间关系的讨论提出了几个围绕资源和知识异质性的论点；换句话说，就是围绕认知距离。首先，当核心企业不熟悉新颖知识并且缺乏弥合其知识基础与合作伙伴知识差异的吸收能力时，三元组闭合才有益；也就是说，当合作伙伴的知识与核心企业的知识相差太远时（Phelps，2010年）。同时，只有当认知距离足够大，新获得的知识对核心企业有价值时，企业与其网络合作伙伴之间积累的共享吸收能力才有益（Gilsing等人，2008年）。换句话说，当认知距离较高时，三元组闭合和共享吸收能力的好处就变得更加关键，放大了密度对创新的积极影响。其次，只有在网络参与者之间传播的知识具有显著的新颖性时，紧密相连的网络中信任、规范和合作行为的发展才对核心企业具有重要意义（Phelps，2010年；Schilling和Phelps，2007年）。换句话说，尽管加强的知识传播增加了流出和流入知识溢出租金的价值，但这些租金的幅度取决于它们对企业的价值。正如资源基础观点所提出的，这些租金构成了参与联盟的企业所获得的租金的重要组成部分（Lavie，2006年）。第三，与非自愿流出知识溢出相关的成本以及随之而来的知识在网络参与者之间的传播（Gilsing等人，2008年）取决于知识对核心企业的重组潜力（Dai等人，2022年）。如果知识流入与核心企业的知识基础相同，那么它从获取和应用这些流入的知识和信息中获得的收益将会很少，尤其是在进行探索性创新时（Fredrich等人，2022年）。最后，基于Vanhaverbeke等人（2012年）关于冗余网络中机会主义行为可能性增加的论点，可以合理假设，这种行为的风险随着知识的新颖性和多样性而增加。本质上，竞争和机会主义行为的动机是由网络中流通的知识和信息的新颖性决定的（Phelps，2010年；Wen等人，2021年）。综合这些机制可以看出，认知距离放大了网络密度的好处和成本。当认知距离较高时，三元组闭合和信任的好处变得更加关键，而知识溢出的风险也随之加剧。这种放大效应使得密度-创新关系中的曲线更加陡峭，同时将最佳密度点向低处移动，因为正面和负面效应都随着认知距离的增加而放大。除了这些具体机制之外，认知距离作为网络密度与创新关系中的一个特别重要的调节因素，有几个理论原因。首先，认知距离代表了资源基础观点中强调的资源异质性的一个基本维度，直接影响驱动创新的新颖重组潜力（Fleming，2001年；Nooteboom，2000年）。其次，它影响了企业的吸收能力——即其识别、吸收和使用外部知识的能力（Cohen和Levinthal，1990年；Ju和Wang，2023年）。基于Lavie（2006年）的租金框架，我们认为认知距离直接影响企业通过密集网络可以产生的三种类型的租金。它通过塑造知识输入对创新过程的新颖性和实用性来确定内部租金的价值。它通过影响合作企业之间知识整合的难度来影响关系租金。最重要的是，它通过决定流入知识溢出的价值和流出知识转移的竞争风险来影响溢出租金。这一理论视角表明，认知距离将显著调节网络密度对创新结果的影响。总之，三元组闭合和信任及规范发展的好处，以及与知识溢出和机会主义相关的成本，取决于网络中知识的相对重组潜力。因此，在研究命题1的基础上，我们提出了以下关于认知距离与网络密度在产品创新方面相互作用的预期：研究命题2：我们提出，核心企业与其周围高阶网络成员之间的认知距离调节了高阶网络密度与产品创新之间的曲线关系。具体来说，我们预计增加认知距离将：(a) 将最佳密度水平向左移动，(b) 在低密度水平下加剧密度的正面效应，(c) 在高密度水平下放大密度的负面效应。4. 方法为了测试这些研究命题，我们使用了基于网络的方法，从所有至少有10名员工的荷兰公司的网站上抓取了文本和超链接。利用网络分析技术，我们首先根据收集到的超链接绘制了全国范围内的企业网络，然后在该网络中识别出企业间社区。接下来，我们根据网络数据测量了这些企业间社区的结构和认知特征，并将其纳入逻辑回归模型，以确定对产品创新的主要效应和交互效应。4.1. 样本和数据收集与以往的创新研究一致，我们使用了2020年的CIS数据来确定企业的产品创新水平；这些创新调查中使用的问题详细列在OECD的奥斯陆手册中（OECD/Eurostat，2018年）。CIS调查发送给了大约10,000家至少有10名员工的荷兰公司（Daas & van der Doef，2020年）。这些调查要求样本公司在过去3年内是否引入了产品创新。奥斯陆手册将产品创新定义为“与公司之前的产品或服务有显著不同，并已在市场上推出的新产品或服务”（OECD/Eurostat，2018年，第21页）。这些CIS创新指标捕捉了企业是否向市场推出了新产品或改进产品，代表了在整个欧盟成员国中标准化使用的调查协议的结果，作为欧洲跨行业创新测量的权威基准。这些指标直接为政策决策提供了依据，确保了其科学严谨性和实际相关性。受访者还指出了他们的产品创新是市场对新的还是仅对公司新的。根据以往的文献（Kesidou等人，2023年；Laursen和Salter，2006年；Mohammadi等人，2017年），我们得到了两种不同新颖程度的产品创新指标：市场对新的创新、对市场新的产品创新和对公司新的产品创新。前者被认为是更激进的技术变革类型（Roper & Hewitt-Dundas，2017年），而后者定义了可能不属于企业当前产品但又已被其他公司在其他地方推出的创新。这种新颖性与渐进式创新相关（Ahuja和Lampert，2001年；Kesidou等人，2023年）。基于这一区分，我们定义了三个二元响应变量：(i) 产品创新，如果一家公司推出了对公司或市场对而言都是新的创新，该变量取值为1；否则为0。(ii) 对市场而言的新产品创新，仅当公司推出了对市场而言新的创新时，该变量取值为1；否则为0。(iii) 对公司而言的新产品创新，如果公司推出了对公司而言新的创新，该变量取值为1；否则为0。虽然我们收集了这三个指标以确保与CIS标准一致的全面测量，但我们的主要分析集中在广义上的产品创新上，因为我们的理论框架探讨了网络密度如何通过租金平衡过程影响产品创新的根本机制。在附录D中，我们报告了按创新类型进行的补充分析，以增加完整性并便于与先前文献进行比较。此外，使用调查响应来衡量响应变量而不是专利输出，支持了我们进行跨行业分析的目标，因为我们不受不同行业专利活动潜在差异的制约（Mohammadi等人，2017年）。除了这些关于创新输出的常规数据外，我们还抓取了参与CIS 2020的公司网站，并且在2021年能够找到这些网站的可用URL，以收集它们企业网站上的超链接和文本内容。除了提供关于合作的见解外，企业网站上的信息和超链接可能具有独特的相关性，因为它们避免了一些传统数据来源的缺点（例如，专利信息、调查）。例如，基于网络的数据非常适合分析涵盖多个行业的大量公司的信息，并捕捉跨行业的合作，包括大学-产业伙伴关系，而依赖专利或联盟数据的研究往往只关注单一行业（Soh，2003年），从而忽略了专利和联盟活动的波动（Mohammadi等人，2017年；见表1）。在关于企业网页网络挖掘的初步研究中，Kinne和Axenbeck（2018年）表明，使用网络抓取技术可以研究曼海姆企业面板中超过250万家公司中的46%。通过使用基于网络的数据，我们还可以避免调查数据的局限性，比如CIS的响应（Laursen & Salter，2006年），因为这些调查没有询问受访者关于他们的直接合作伙伴的信息，因此无法识别单边或双边关系。此外，可以不引人注目且匿名地观察网站，这减少了由于调查设计或研究人员存在而导致的受访者偏见风险（Powell等人，2016年）。通过使用超链接，我们还可以比使用名称生成器问题更客观地近似公司间关系，后者往往低估了实际的网络规模（Powell等人，2016年）。先前的创新学者已经使用企业网站作为一种新的数据来源来识别创新指标（例如，Abbasiharofteh等人，2023年，Daas和van der Doef，2020年，G?k等人，2015年，Hyun Kim，2012年，Kinne和Lenz，2021年）。Abbasiharofteh等人（2023年）还利用企业网站上的超链接映射了德国公司的组织间网络，结果表明，与不创新的公司相比，创新公司有更多超链接的合作伙伴，这些合作伙伴平均而言也更具创新性，公司可以利用地理邻近性来克服认知距离，反之亦然。然而，这些作者关注的是整个网络，而不是考虑较小、连接密度更高或更低的社区，并未探讨网络密度对产品创新结果的影响。为了进行网络抓取，我们使用了Automated Robot for Generic Universal Scraping（ARGUS），该工具已在之前的研究中使用过（Abbasiharofteh等人，2023年，Kinne和Axenbeck，2018年，Kinne和Axenbeck，2020年，Kinne和Lenz，2021年）。ARGUS是一个基于Python的Scrapy框架的开源网络抓取工具，可在GitHub上获取。我们按照Kinne和Axenbeck（2018年）的建议，将每个根URL的抓取网页数量限制为25个。此外，我们设置了其他参数，以确保ARGUS优先抓取网站上的最短超链接。也就是说，在抓取根URL（通常是网站的主页）之后，ARGUS会访问URL最短的子页面。直观上，最通用的信息应该位于网站排名较高的页面上（Kinne & Axenbeck，2018年）。我们没有定义首选语言，因为荷兰公司可能有荷兰语或英语网站，这一点通过初步分析抓取的网站得到了确认。例如，在一个代表性的4795家过去参与CIS的公司样本中，我们识别出2446个网站（51.01%），其中90%至100%的网页是荷兰语的，643个（13.41%）的网页内容几乎完全是英语的。其余网站的页面语言要么是荷兰语以外的其他语言（例如德语或法语），要么包含多种语言的页面。网络抓取任务完成后，我们从数据集中移除了错误的下载（例如HTML错误、非响应网页的超时）。我们没有排除所有重定向链接（Abbasiharofteh等人，2023年），而只移除了出现在两个或更多根URL上的重定向链接。例如，假设原始数据集中有三家公司的URL分别为https://www.firmA.nl、https://www.firmB.nl和https://www.firmC.nl。当使用这些URL作为输入时，ARGUS会被重定向到同一个别名，即https://www.redirect.nl。因此，这三家公司都将被从数据集中排除，因为重定向的URL并不专门指向单一公司。手动检查会显示剩余的重定向链接分别指向每个公司的不同更新后的URL。最后，我们移除了具有错误超链接（例如没有子域名或顶级域名）或链接到Google域名的观察结果，这些很可能代表Google网络服务而不是合作关系。从我们对CIS 2020参与者的初步网络抓取中，我们得到了两个用于不同分析目的的数据集。对于网络分析，我们使用了所有超链接，不论网页语言如何，移除重定向和错误链接后剩下2320家公司。为了通过文本分析测量认知距离，我们将数据集限制为只有荷兰语网页的公司，以确保Doc2Vec分析的语言一致性，从而得到了2326家公司。数量上的微小差异反映了有些具有有效超链接的公司缺乏足够的荷兰语内容进行文本分析，而其他公司虽然有荷兰语内容但没有有效的出站超链接。附录A中的图A1提供了关于每个处理步骤和样本数据集构建的更多详细信息。

4.2. 网络发展与高阶网络识别
利用抓取的内容，我们创建了一个公司网络，其中节点代表公司，边代表提取的超链接。我们保留了所有网页上的超链接，不论其语言如何。由于边是不加权的，即我们没有考虑两个网站之间超链接的频率，因此不存在重复计算出现在相同网页的荷兰语和英语版本上的超链接的风险。在这个意义上，网络由2320个节点（即公司）通过356条边（即超链接）连接而成。为了回答关于高阶网络密度与产品创新结果之间关系的研究问题，我们通过识别公司间社区来实现高阶网络（见图1）。虽然从局部行动视角出发是合理的，但考虑到整个网络的特性（如全局密度）可能会超出公司的关注范围（Ocasio，1997年），但应该认识到，在实践中，网络很少是完全封闭或完全连接的。相反，它们具有不均匀的连接分布，形成了互连程度不同的区域，最终构成了整个网络结构（Schilling和Phelps，2007年，Walker等人，1997年）。这些区域可以被视为连贯的网络组成部分（Owen-Smith & Powell，2004年）或社区（Iurkov等人，2023年，Russell和Smorodinskaya，2018年）。这样的社区通过捕捉超出自我网络边界的直接和间接连接来实现高阶网络，而无需分析整个网络。与受自身行动和互动塑造的焦点公司的自我网络不同，其高阶网络的结构超出了焦点公司的直接影响范围，因为高阶网络包括了直接和更高阶的间接联系（Iurkov等人，2023年，Vanhaverbeke等人，2009年）。在基于超链接创建网络之后，我们采用数据驱动的方法在整体网络中构建社区结构。正如Alzahrani和Horadam（2016年）所建议的，我们使用了流行的基于流的Infomap算法来确定映射网络中包含的社区的数量、结构和规模。该算法是一种由Rosvall和Bergstrom（2008年）引入的地图方程方法，它根据网络内的信息流来检测社区，因此与我们关注社区的知识传播能力相吻合。它的重点是需要什么信息来有效地描述随机漫步者在网络中的移动，随机漫步者在网络内的节点间随机移动。算法的目标是定义随机漫步者尽可能长时间停留的群体。最后，我们排除了仅由两家公司组成的任何检测到的社区，剩下的有57个社区。属于这些社区的公司是社区成员。附录A中的图A2直观地展示了网络发展和社区检测的过程，与图1展示了示例性社区相反。包括排除标准在内的数据流图可以在附录A的图A1中找到。

4.3. 测量方法
高阶网络密度。我们通过将Rowley等人（2000年）的测量方法适应于社区背景来测量高阶网络密度。重要的是，这种测量方法通过检查社区成员之间的互连来捕捉围绕焦点公司的外部网络结构，同时排除了焦点公司自身的直接链接（在图1中以虚线表示）。对于每个社区成员，我们确定了存在的链接数量（排除了焦点成员的直接链接），并将该值除以社区内可能的链接总数。
认知距离。Nooteboom（2000年）在他的知识理论中提出，组织发展出一种组织文化以减少员工之间的认知距离，同时努力在组织间联系中创造新颖性并参与探索。先前的研究已经确认，企业网站反映了公司的企业文化（Overbeeke & Snizek，2005年）和战略（Llopis等人，2010年）。因此，为了衡量认知距离，我们评估了属于同一社区的公司在其网站上维护的文本内容的差异性。这种测量要求我们将网站文本转换为定量测量，我们通过构建文档向量来实现这一点（见附录B）。对于当前研究，文档向量方法优于词频测量方法（Abbasiharofteh等人，2023年），后者通常无法考虑同义词、多义性、整个文档中单词的共现以及其他语义模式。这样，“基于频率的方法无法捕捉通过不同语义和术语表达的相似想法的存在”（Feng，2020年，第3页）。相反，我们通过计算数据集中每对公司对的余弦相似度来确定出现在企业网站上的文本之间的差异性（见附录B）。我们将这些相似性转换为距离，并计算了焦点公司与其他所有社区成员之间的平均余弦距离。我们通过网站内容测量认知距离的方法与最近的验证研究一致，这些研究表明公司的数字通信准确地反映了它们的内部知识和能力（Dahlke等人，2024年）。我们根据Lavie（2006年）的框架，排除了直接合作伙伴，因为我们旨在捕捉代表溢出租金潜力的广泛网络环境的认知特征，而不是直接合作伙伴关系中刻意管理的关系租金。
控制变量。我们考虑了几个可能影响公司产品创新输出的控制变量。首先，我们通过计算度中心性（社区内的直接连接数量）和整个社区的大小来控制公司在其所在社区中的位置。根据Nezami等人（2025年）的元分析，该分析表明节点中心性与企业绩效之间存在最强的关联，我们采用了这种方法对高阶网络密度度量进行了方法学上的分解，通过隔离合作伙伴之间的相互连接性，同时控制了连接数量（节点度）和连接可能性（社区规模）。这种分解方法有助于消除潜在的遗漏变量偏差，同时将我们的主要分析重点放在企业无法直接控制的外部网络结构上。其次，我们纳入了来自CIS调查的几个控制变量。我们控制了总创新支出（以欧元计），这反映了企业所有与创新相关的支出的货币价值。这一指标尤为重要，因为那些在创新上投入较多的企业可能会积极寻求更多合作网络位置，并取得更好的创新成果，这可能会混淆我们密度与创新之间的关系。通过控制创新支出，我们确保了网络密度的效应不仅仅是反映了企业在创新活动上的资金投入差异。我们还根据荷兰商业登记册中列出的结构商业统计类别，使用了一个虚拟变量来控制企业规模。因此，我们定义了三个企业规模类别：小型企业（10-49名员工）、中型企业（50-249名员工）和大型企业（超过250名员工）。此外，我们还使用基于NACE（欧洲经济活动统计命名法）一级代码的13个虚拟变量来考虑不同行业之间的创新活动差异（农业、林业和渔业是基础类别）。我们包括企业规模和行业作为控制变量，这些变量直接反映了CIS基于这些特征的分层随机抽样设计（CBS，2023年）。正如Solon等人（2015年，第16页）指出的，当调查权重“仅基于在回归模型中已控制的可观察特征时……使用这样的权重来估计模型并不一定有优势”。最后，我们测量了拥有研究型大学或更高专业教育程度员工的比例，以近似企业员工的学术资格——这是一个直接影响其吸收能力的内部因素（Belitski等人，2023年；Gray，2006年；Spithoven等人，2011年）。表2提供了自变量和因变量操作化的概览。

表2. 变量概览。

**因变量**
产品创新：一个二元变量，表示企业在CIS 2020年之前的三年内是否推出了对公司或市场来说都是新的产品创新。

**自变量**
认知距离：焦点企业网站文本的向量化向量与其他社区成员网站文本的向量表示之间的平均余弦距离，排除了其直接合作伙伴（更多细节见附录B）。

高阶（HO）网络密度：现有链接的数量（不包括焦点成员自身的直接链接）除以该成员社区内可能的链接总数。

**控制变量**
节点中心性：企业拥有的直接联系总数。

企业规模：基于员工数量的三个企业规模类别：小型企业（10-49名员工）、中型企业（50-249名员工）和大型企业（超过250名员工）。

行业：13个基于NACE一级代码的虚拟变量，用于控制企业所处的行业。

学术资格：拥有研究型大学或更高专业教育程度员工的比例。

总创新支出：企业所有与创新相关的支出的货币价值（以欧元计）。

社区规模：一个社区内的企业数量。

**测量模型**
由于我们的因变量是二元变量，我们使用了逻辑回归来检验企业中心性、企业间社区的结构和认知特征与企业产品创新输出之间的关系，使用以下公式：
y = β0 + β1 * Densityi + β2 * Densityi^2 + β3 * CognitiveDistancei + β4 * Densityi * CognitiveDistancei + β5 * Densityi^2 * CognitiveDistancei + βk * Controlsi + εi，
其中y是定义相应创新类型（产品创新、市场新颖产品创新或对企业新颖产品创新）的二元变量。我们分别进行了逻辑回归，并通过迭代添加自变量来估计多个模型；最终模型代表了公式（1）。为了避免由于数据 quasi-complete 或接近分离（由于包括了行业控制虚拟变量；Heinze，2006年；Mansournia等人，2018年）而导致的有偏最大似然估计器，我们按照Gelman等人（2008年）的建议，使用独立的Cauchy先验分布来估计逻辑回归模型。

**分析和结果**
5.1. 描述性统计
附录C中的表C1列出了样本按照企业规模、行业以及在CIS 2020年之前的三年内引入的产品创新类型的分布。我们的样本中非创新企业的比例相当高：在304家企业中，有70%的企业没有报告任何产品创新，其中市场新颖产品创新的非创新率为82%，对企业新颖产品创新的非创新率为79%。使用CIS抽样权重（见第4.3节），非创新者的加权比例为产品创新82%，市场新颖产品创新90%，对企业新颖产品创新89%，这与人口水平的创新模式紧密吻合。这些比率与预期的创新模式一致，因为Kinne和Lenz（2021年）发现，在德国企业中只有15%的企业被归类为产品创新者，样本中反映了显著的行业差异。在引入产品创新的企业中（n = 90家），中型和大型企业分别贡献了41项和17项创新，而小型企业贡献了32项创新。样本中的大多数企业从事批发和零售贸易或汽车和摩托车的维修（n = 80家），其次是制造业（n = 74家）和专业、科学和技术活动（n = 58家）。

附录C中的表C2展示了我们关键变量的相关矩阵。产品创新结果变量显示出强烈的正相关性，通过phi系数（φ）来衡量，phi系数是一个介于-1到+1之间的二元变量相关度量，其中0表示没有关联。市场新颖产品创新与企业新颖产品创新之间的相关性为中等（φ = 0.37），表明虽然有些企业倾向于同时进行这两种类型的创新，但许多企业只专注于其中一种类型。在连续变量中，我们观察到了预期的模式：高阶网络密度与社区规模呈强烈的负相关（r = -0.575），反映了这些网络度量之间的数学关系，而其他相关性相对适中，表明我们的分析中多共线性问题有限。

5.2. 高阶网络密度对产品创新的直接影响
在表3中，我们报告了产品创新逻辑回归模型的结果。每个模型包含了一组不同的自变量，以便我们可以逐步测试研究假设。模型1包含了控制变量作为回归量。模型2增加了线性和二阶多项式高阶网络密度度量，而模型3还包含了认知距离度量。模型4则考虑了认知距离的调节效应。

表3. 新产品创新的估计结果。

5.3. 高阶网络密度对产品创新的调节效应
接下来，我们包括了认知距离（即模型3）及其对高阶网络密度与产品创新关系的调节效应（即模型4），并测试了结果是否支持研究命题2（RP2）。
模型1（控制变量）
模型2（密度）
模型3（密度 + CD）
模型4（交互作用）

通过这些模型，我们发现高阶网络密度对产品创新有直接的正面影响（模型2中的β^ = 3.105），并且其平方项（模型2中的β^ = -2.003）具有统计学意义。此外，认知距离的AME（平均边际效应）在10%的水平上显著（模型2中的AME = 0.278，p < 0.10），表明网络密度每增加一个单位，产品创新的概率大约增加28个百分点。为了理解这一效应的大小，可以参考图1中的社区比较：社区1的密度为0.464，而社区2的密度为0.214。因此，社区1中的焦点企业相比社区2中的焦点企业，产品创新的概率大约高了7个百分点。尽管估计的对数几率比的directionality暗示了密度与新产品创新之间的曲线关系，但AME估计确认了这种关系的统计显著性。最后，我们研究了认知距离如何影响密度与新产品创新之间的关系。认知距离对密度平方项的调节效应系数（β5）揭示了这一效应的性质：负值（β5<0）表示强化效应，而正值（β5>0）则表示在倒U形关系中的平缓效应。模型4的估计系数表明，认知距离加剧了网络密度的斜率，支持了RP2b关于新产品创新的观点。密度与新产品创新之间的调节关系在附录C的图C2中清晰可见。特别是在低认知距离时，倒U形关系并不明显。为了用我们之前的例子（社区1和社区2，其密度分别为0.464和0.214）来说明效应大小，在平均边际效应下，0.25的密度差异会转化为大约7.9个百分点的创新可能性差异。然而，如附录C的图C2所示，在高认知距离下，由于斜率更陡，这种效应会更大；而在低认知距离下，由于关系更为平坦，效应则显著较小。

6. 讨论
企业加入跨组织网络是为了获取外部知识资源，以帮助开发创新产品（Chesbrough, 2006; Powell, 1998）。网络参与的好处取决于网络的知识传播能力，这由其结构决定，更准确地说，是它的高阶网络密度。我们的实证研究首次揭示了几个重要模式，这些模式推进了人们对高阶网络密度与创新成果之间关系的理论理解，以及这种关系在多大程度上取决于焦点企业与高等级网络成员之间的认知距离（作为资源异质性的决定因素）。

6.1 理论意义
我们的研究通过实证展示了高阶网络密度、认知距离和产品创新成果之间的复杂关系，对战略营销和创新文献做出了几项重要贡献。我们在荷兰商业生态系统中观察到的模式可以通过整合结构洞理论（Burt, 1992）、网络封闭性论点（Coleman, 1988）、互联互通企业的资源基础观点（Lavie, 2006）以及认知距离的概念（Nooteboom, 2000）来理解。这种整合提供了对网络结构和企业特征如何相互作用影响实践中的产品创新可能性的更细致的理解。我们的主要理论贡献扩展了Lavie（2006）基于租金的资源基础观点，展示了高阶网络结构如何创造出以前未被认识到的租金平衡挑战。虽然Lavie关注的是直接的双边联系，但我们的研究发现表明，企业必须同时平衡多个高等级网络层级中的内部、关系和溢出租金。我们的估计结果显示，高阶网络密度与新产品创新之间存在显著的曲线关系，并且这种关系受到认知距离的显著调节。通过企业社区对高阶网络进行操作化处理，我们能够实证观察到，适度的密度能够实现各种租金类型的有效平衡，而低密度和高密度都会导致失衡，从而降低创新潜力。这些理论动态在附录E中的三个代表性场景中得到了说明：“最佳点”（案例1）展示了高认知密度下的适度密度如何通过平衡租金分配优化创新；“创新悖论”（案例2）揭示了高度密集的网络如何在认知距离较远的合作伙伴之间放大溢出风险；“同质优势”（案例3）显示了认知相似性如何将高度密集的网络转变为创新加速器。通过同时考虑所有变量（即线性项、平方项和交互项），并以图1中描述的高阶网络为例，可以最好地理解这种联合效应。假设焦点企业A与两个高等级网络成员之间的认知距离等于观察到的平均认知距离（或更低），那么加入高密度社区1将增加新产品创新的预期可能性。相反，如果两个社区的认知距离都较高（即高于平均值一个标准差），选择高密度社区1将降低预期可能性。这一发现代表了在资源基础观点现有应用之外的理论进步，因为它展示了高等级网络社区如何从根本上改变租金生成和分配动态。虽然之前的研究将网络密度视为一个外生变量，超出了焦点企业的控制或影响范围（Bae and Insead, 2004; Vanhaverbeke et al., 2009），但本研究通过表明低估高阶网络密度的影响是具有误导性的，做出了重要贡献。实际上，由于密度是外生的，而其他因素如认知距离或网络位置可以由企业的行为改变（Gilsing et al., 2008），焦点企业在寻求利用资源异质性进行创新时应该考虑更广泛的网络拓扑。更准确地说，在高阶层面，知识溢出在高度密集的网络中更为常见（Laursen and Salter, 2014; Wang and Yang, 2022），知识会扩散到直接和间接的网络成员。当认知距离较高时，这种广泛的扩散可能会削弱获取远距离知识资源的竞争优势，正如附录C中图C2的红色线条所示的高密度水平下的向下倾斜关系所示。相反，在较低的认知距离下，Coleman（1988）关于网络封闭性、社会资本和信任建立机制的观点似乎占主导。在这些情况下，包括间接联系在内的网络成员之间的更多联系确实是有益的，直到适度密度水平（附录C中图C2的蓝色线条显示，当密度约为0.60时效果为正）。这与Moon等人（2022）关于密集网络中三元封闭性和信任增强机制的好处的发现一致。高阶网络密度与认知距离之间的相互作用因此创造了一个复杂的创新景观，企业必须仔细考虑其在更广泛网络结构中的位置，正如Wang和Yang（2022）所强调的，以优化他们的创新成果。

其次，我们将认知距离作为调节变量纳入其中，进一步发展了基于资源的观点理论，展示了资源异质性特征如何在这一租金框架内放大收益和成本。我们的分析表明，高阶密度与创新成果之间的关系从根本上取决于网络成员之间的认知距离水平。这一发现与Ju和Wang（2023）的观点一致，即最适合的网络结构因每个企业的结构和认知特征而异。通过展示认知距离如何调节密度-创新关系，我们提供了对网络结构何时以及如何促进或阻碍创新的更完整理解。最后，我们通过识别网络内的社区来操作化网络密度，进一步推进了基于资源的观点方法论。这种方法超越了焦点企业的自我网络，并避免了需要详尽考虑整个网络的需要。这些社区提供了包括直接和更高层次间接联系的中间分析层面，超出了企业直接合作伙伴之间的联系，并且与观察到的现实世界网络更为吻合（Moon et al., 2022; Schilling and Phelps, 2007）。尽管现有的创新文献主要集中在自我网络层面（见表1），但社区层面的分析提供了一个研究结构和认知网络特征的方法，这些特征不受焦点企业的直接控制或影响，但对网络参与的好处具有重大意义。我们对密度的操作化得益于一种新颖的基于网络的方法，这种方法解决了传统数据源的局限性，并提升了跨组织网络的研究。我们的方法论贡献为创新研究者提供了一种新的手段，在不受行业或地理界限限制的情况下使用社交网络技术进行大规模研究。这种方法使得进一步探索成为可能，例如研究正式制度较弱的发展中经济中的跨组织网络，这些网络的联盟数据往往不一致。此外，它便于使用网络数据绘制和检查跨境区域创新系统，尽管跨越边界存在制度差异。基于 scrape的企业网站文本，我们引入了一种更全面的认知距离度量方法，该方法捕捉了超出技术领域的组织特征（通常通过企业的专利组合相似性来衡量认知距离）。

因此，我们的工作在该领域标志着一种进步，为研究单向和双边关系以及跨组织网络的结构和认知维度提供了新的途径。

6.2 对管理者的启示
我们的发现表明，网络密度对新产品创新的影响远远超出了企业的直接合作伙伴关系，挑战了传统的网络管理方法。高阶网络密度的重要影响表明，管理者必须绘制并理解其合作伙伴所处的更广泛网络背景。企业合作伙伴及其合作伙伴之间的相互联系创造了直接影响产品创新结果的结构条件。我们研究中最可行的洞见是实施系统性的网络映射方法，以捕捉这些高阶效应。管理者可以使用我们的方法论及时且广泛地映射他们的跨组织网络。通过分析企业网站之间的超链接和网站内容，企业可以同时评估其扩展网络的结构特征和网络成员之间的认知距离。这种方法克服了依赖专有联盟数据库或昂贵调查方法的传统网络分析方法的局限性，这两种方法都无法全面捕捉影响创新的跨企业关系的范围。这种全面的映射应指导潜在有益合作伙伴关系的检测和战略网络定位决策的制定。管理者不应仅关注直接合作伙伴关系，而需要评估其更广泛的高等级网络中的连接密度与企业之间的认知距离如何相互作用，以影响创新潜力。当网络成员之间的认知距离较高时，网络密度的影响力会被放大，因此仔细考虑网络结构对于创新成果尤为重要。相反，当认知距离较低时，企业在网络定位决策上有更大的灵活性。我们的方法论使管理者能够系统地、重复地实施这种映射。基于网络数据的可访问性和时效性允许定期战略性地评估网络状况，而无需网络合作伙伴的合作或访问机密联盟信息。鉴于网络结构不断演变，昨日的网络配置可能无法反映今天的创新背景，这种能力尤为重要。附录E中展示了这些原则的实际应用，其中面对不同网络密度和认知距离组合的企业需要采取不同的战略响应以优化他们的创新成果。同样，政策制定者在设计创新干预措施时也可以从理解高阶网络效应中受益。政策举措不应仅仅促进网络形成或增加网络密度，而应考虑不同网络配置如何影响个别企业的创新成果。公共创新中介机构可以根据对现有网络密度和认知距离模式的系统分析战略性地整合到网络中，确保干预措施增强而不是无意中削弱创新潜力。

6.3 局限性和进一步研究
本研究的一些局限性引发了进一步研究的必要。首先，我们的因变量基于对CIS的回应，CIS在创新文献中经常作为数据来源（Kesidou et al., 2023; Laursen and Salter, 2006）。虽然CIS产品创新指标的二元性质捕捉了成功的市场引入，而非研发强度——为我们的多元行业样本提供了可比较的衡量标准——但我们承认这些措施可能无法完全反映研发密集型行业的创新强度，因为这些行业的开发周期较长。因此，额外的研究可能会应用其他创新指标来验证我们的发现，并将其扩展到产品范围之外（例如服务或流程创新）。其次，网页数据的预处理步骤减少了初始样本规模；例如，我们仅将网络映射限制在样本内的超链接上，并且仅测量了用荷兰语编写的网页的认知距离。虽然这种方法确保了语言和上下文的一致性，但它可能排除了来自非荷兰语网页的宝贵见解，特别是那些在荷兰常用的英语网页，这些网页可能反映更广泛或更具创新性的观点。我们使用CIS 2020样本进行了卡方测试，以检查主页上有英语内容的企业是否更有可能进行创新。测试结果（χ2 = 3.321，p = 0.068）表明在10%的水平上存在边际显著差异，这表明拥有英文主页内容的公司可能确实更具创新性。尽管效应大小不大且显著性水平较低，但我们承认这是一个方法上的限制，可能会影响我们的研究结果。未来的研究可以通过纳入多语言数据来提高研究结果的普遍性，以解决这一局限性。

第三，我们根据企业在2021年某一时刻的网页上的超链接建立了网络和社区。因此，数据抓取任务与调查数据的收集在时间上存在轻微不匹配。与之前的研究（Abbasiharofteh等人，2023年）一致，我们承认可能存在反向因果关系的风险。我们使用Wayback Machine（Arora等人，2016年）分析了2016年至2018年间1,319家公司的存档网站数据，发现创新公司与非创新公司的超链接持久率相似（大约25%），这为不存在反向因果关系提供了一些证据。收集更多的网络数据或系统地利用存档网络数据重建超链接网络，可能会揭示结构和认知指标的变化动态，并展示这些指标的变化如何影响企业的创新成果。此外，未来使用纵向面板数据的研究可以更严格地检验网络形成与创新之间的因果关系。

第四，我们的认知距离测量方法是基于对企业整个网站的审查，并将各个网页合并成一份文档。这种方法结合了高度相关的网页（如介绍公司专长或产品系列的网页）和不太相关的网页（如联系页面）。为了改进这一过程，未来的研究可以增加额外的预处理步骤，以识别对研究目标最具相关性的具体网页。

第五，虽然我们的研究重点关注认知距离作为网络密度效应的调节因素，但其他潜在的调节因素也可能进一步解释创新结果的变化。例如，企业之间的战略重点一致性可能会影响它们利用网络资源进行创新的效果。同样，技术互补性、制度邻近性或之前的联盟经验也可能影响企业对网络密度的响应。这些替代调节因素为未来的研究提供了有前途的方向，有助于我们更深入地理解网络密度对创新的影响。

关于在写作过程中使用生成式AI和AI辅助技术的声明：作者在准备这项工作时使用了Claude.ai工具来提升语言表达和可读性。使用该工具/服务后，作者对内容进行了审查和编辑，并对出版物的内容负全责。

免责声明：本手稿中表达的观点仅代表作者个人观点，不一定反映荷兰统计机构的政策。

作者贡献声明：
Eric Schaap：撰写——审阅与编辑、撰写——初稿、可视化、验证、项目管理、方法论、数据分析、概念化。
Dominik Mahr：撰写——审阅与编辑、撰写——初稿、监督、项目管理、方法论、概念化。
Ines Wilms：撰写——审阅与编辑、撰写——初稿、监督、项目管理、方法论、概念化。
Jonas Klingwort：撰写——审阅与编辑、资源管理、数据整理。
Dhruv Grewal：撰写——审阅与编辑。