知识维护债务与持久性创新影响

《Journal of Engineering and Technology Management》：Knowledge maintenance debt and durable innovation impact

　　

# 摘要

本研究提出了一个知识架构解释框架来阐释持久的创新影响力，并引入了"知识维护债务"的概念：当专业化与连贯性的演化步调不同步时，所累积的翻译义务、接口义务和重新整合义务。通过对美国软件企业进行多项式回归分析和响应面分析，我们发现，当知识专业化与知识连贯性保持一致时，专利可见的创新影响力更高；而当二者出现偏离时，该影响力随之下降。我们还发现，"高专业化—低连贯性"的不一致组合优于"高连贯性—低专业化"的不一致组合。本研究将创新治理重新定义为可维护性问题：维持持久的创新影响力，要求在技术、团队和市场需求不断演进的过程中，持续保持知识架构的可读性、互操作性和可复用性。

---

# 引言

创新影响力始终是技术与创新管理的核心关切，因为它是企业将技术投入转化为持久价值创造的机制（Laursen & Salter, 2006; Kaplan & Vakili, 2015; Venturini et al., 2019）。然而，随着数字技术、平台架构和基于生态系统的创新日益加剧活动与知识领域之间的相互依赖性，那些扩展企业知识基础的投入同样可能放大协调负担和返工成本（Papachristos, 2020; Caccamo et al., 2023）。因此，创新绩效面临的核心组织挑战本质上是架构性的：如何构建和治理知识，使专业化专长能够跨产品、项目和组织单元高效地重新组合，而不削弱速度或可靠性（Grant, 1996; Nonaka & von Krogh, 2009; Faraj & Leonardi, 2022）。

形式化这一挑战的一种有效方式是区分两种互补的知识架构投资。首先，企业构建和更新**知识专业化**（嵌入于个人、惯例和技术组件中的深度、情境化专长），以此实现新颖性和领域优势（Szulanski, 2000; Coff et al., 2006; Walrave et al., 2024）。其次，企业构建和更新**知识连贯性**（共享平台、接口、标准和共同表征），使异质性知识组件能够连接、流动并在组织及其合作伙伴中规模化（Easterby-Smith et al., 2008; Van Wijk et al., 2008; Caccamo et al., 2023）。这两种投资都具有内在的动态性：在初始构建之外，它们需要持续的维护（重构、更新和重新配置），才能随着技术、团队和市场的演进保持可用性（Barley et al., 2018; Liang et al., 2025）。

尽管长期以来人们一直关注专业化与连贯性，但主流的实证研究方法一直在于估计它们各自的（净）效应，或将其中之一作为另一个的边界条件，往往产生相互矛盾甚至有时非单调的发现（Argote, 2012; Makri et al., 2010; Zhou & Li, 2012; Zahra et al., 2020）。这种模式并不令人意外：专业化与连贯性并非独立的调节杆，而是相互依存的架构选择，其价值取决于它们随时间的演化如何被协调（Grant, 1996; Galunic & Rodan, 1998）。特别是，企业很少面临"更多"还是"更少"的二元决策。相反，它们面临的是一个**排序问题**——专业化和连贯性是否被同步构建或维持——以及一个**协调成本问题**——接口和惯例是否能够吸收所选配置所隐含的耦合（Venkatraman, 1989; Papachristos, 2020）。

我们通过突出**基于阶段的编排**作为理论引擎来弥补这一空白。我们将每种知识架构投资视为经历两个阶段：**构建阶段**（积累或创造存量）和**维护阶段**（通过重新配置保持可用性）。我们认为，专业化—连贯性配置的性能效应与协调成本逻辑一致：当两个阶段保持一致时，治理效率更高，因为耦合需求是可预测的，接口随着专家知识的演进而同步维护。当两个阶段不一致时，企业会经历过渡性张力——知识架构的某些部分正在被扩展，而另一些部分正在被稳定——从而增加**知识维护债务**的累积风险，即那些潜在的返工和翻译负担在创新需要规模化或复用时才显露出来（Caccamo et al., 2023; Liang et al., 2025）。重要的是，我们 theorize 过渡性张力并非一律有害。在早期构建条件下，它可能是暂时可接受的，甚至是有用的，因为实验可以基于现有接口进行。然而，当架构进入维护阶段时，不一致预计会变得更加昂贵，因为债务将结晶为慢性的协调摩擦，与创新影响力的持久性下降相关（Rocha et al., 2022; Walrave et al., 2024）。由此产生我们的研究问题：**知识专业化与知识连贯性之间的阶段一致与不一致如何塑造企业的创新绩效，以及当企业从知识构建转向知识维护时，这些绩效效应何时会加剧？**

为了检验这一配置逻辑，我们采用响应面方法，运用多项式回归将一致和不一致作为具有理论意义的曲面来评估，而非孤立的线性主效应（Edwards, 2007; Shanock et al., 2010）。这种方法特别适用，因为它将知识编排视为架构设计的工程—管理问题。问题不在于专业化或连贯性在平均意义上是否有益，而在于哪些组合以及在哪些阶段能够最小化协调成本并最大化技术变革下的持久创新影响力（Papachristos, 2020; Liang et al., 2025）。我们的概念模型见图1。

*[此处插入图1]*

本研究的核心贡献在于将持久的创新影响力重新定位为一个知识架构可维护性问题。论证并非简单地认为专业化与连贯性之间的契合很重要。相反，维持创新影响力取决于一种能力：随着技术领域、组织接口和重新组合需求的演变，使专业知识保持可读、可互操作和可复用。**知识维护债务**解释了为什么这一可维护性问题至关重要：当专业化与连贯性步调不一地演化时，企业会累积翻译、接口和重新整合义务，当创新需要被复用或规模化时，这些义务将变得代价高昂。这一贡献拓展了基于知识的视角和技术管理视角，将关注点从知识的拥有和整合转向知识保持可用性的持续条件。

本研究的实证范围是有意界定的。我们的主张涉及美国软件企业中专利可见的持久创新影响力。我们并不声称捕捉所有创新价值，包括流程创新、非专利数字成果、商业秘密保护的创新、内部生产率提升，以及那些未出现在专利引用中的面向客户的改进。这一范围条件很重要，因为专业化和连贯性的某些配置可能产生未被下游专利复用完全反映的价值形式。因此，我们的证据最直接地指向如专利可见知识复用所反映的持久技术影响力。

本文余下部分将回顾关于知识专业化和连贯性的既有工作，提出假设，报告实证检验结果，并讨论在新兴技术条件下管理创新的启示。

---

# 知识治理与知识架构

企业的创新绩效取决于其随技术和相互依赖性演化而构建、治理和再部署知识资源的能力（Grant, 1996; Galunic & Rodan, 1998; Barley et al., 2018）。在当代创新环境中，尤其是受数字平台、分层架构和生态系统协作所塑造的环境，知识的价值不仅在于被创造，更在于它能够被重新组合、转移和复用，而无需过多的翻译和返工（Faraj & Leonardi, 2022; Holmstr?m et al., 2024; Pesce & Franzè, 2025）。这使得知识治理成为创新管理的核心。

形式化治理问题的一种有效方式是区分两种互补的知识架构条件：**知识专业化**和**知识连贯性**。知识专业化捕捉了嵌入于个人、惯例和子单元中的深度、情境化专长，通常由粘性（stickiness）和因果模糊性（causal ambiguity）所保护（Szulanski et al., 2004; McIver & Lengnick-Hall, 2018）。知识连贯性捕捉了使人与单元之间实现协调和互操作性得以可能的共享表征、接口和共同基础（Easterby-Smith et al., 2008; Van Wijk et al., 2008; Zahra et al., 2020）。与基于知识和创新视角一致，这两种条件都至关重要，因为它们塑造了重新组合、转移和规模化的效率与可靠性（Teece, 2000; Cohen & Tripsas, 2018; Venturini et al., 2019）。

专业化与连贯性并非企业一次性选择的静态"水平"。它们是**维护性的系统属性**，需要随着技术、团队和依赖关系的变更而持续投入注意力（Barley et al., 2018; Faraj & Leonardi, 2022）。这产生了一个**基于阶段的编排问题**：企业必须首先构建专业化和连贯性，然后通过更新、升级和重新配置来保持其可用性（Teece, 2007; Teece, 2012）。当这一编排失败时，企业会累积**知识维护债务**：一种架构层面的累积负债，产生于翻译、接口和重新整合义务被推迟、而专业化和连贯性却继续演化的情境下。知识维护债务区别于协调成本、知识粘性、架构漂移、整合努力、重新组合难度和惯例刚性，因为它解释了未解决的摩擦如何随时间累积，并在知识需要跨组织和跨技术边界复用、规模化或重新组合时变得重要。附录表A1将知识维护债务与这些相邻构念进行了区分，并概述了其三个维度：**翻译债务、接口债务和重新整合债务**。

这一视角有助于调和先前关于专业化和连贯性的混合证据。实证研究往往估计了各自的净效应（或简单交互效应），这可能掩盖了这样一个事实：专业化和连贯性是相互依存的架构选择，其价值取决于它们是否在各阶段同步演化（Makri et al., 2010; Zhou & Li, 2012; Zahra et al., 2020）。因此，配置方法更好地契合了创新治理的管理现实：核心问题不在于专业化或连贯性在"平均意义上"是否"好"，而在于哪些组合和阶段一致性能够最小化协调成本、限制知识维护债务，同时维持创新影响力（Edwards, 2007; Shanock et al., 2010; Caccamo et al., 2023）。

---

# 假设推导

在组织学习和创新研究中，专业化和连贯性常被作为通往创新成果的替代路径来对待：专业化支持独特性和情境适配，而连贯性支持可转移性和规模化（Jansen et al., 2009; Venturini et al., 2019; Zahra et al., 2020）。由于注意力和资源是有限的，深化专业化可能与维持连贯性的投资产生竞争，反之亦然，这在以相互依赖组件和分布式知识为特征的创新系统中尤其如此（Barley et al., 2018; Faraj & Leonardi, 2022）。

为与基于阶段的编排论证相一致，我们将**一致**概念化为一种治理高效配置，在此配置中专业化和连贯性处于可比的发展阶段——要么都在构建阶段，要么都在维护阶段。相反，**不一致**反映了阶段排序中的一种情况：一个条件正在被构建，而另一个条件正在被维护（Jansen et al., 2009; Stettner & Lavie, 2014）。这一区分之所以重要，是因为构建阶段的工作强调扩展和实验，而维护阶段的工作强调更新、可靠性和接口与惯例的稳定化（Teece, 2007; Teece, 2012; Faraj & Leonardi, 2022）。

这一阶段逻辑促成了以下假设的提出。**一致性应当支持创新绩效**，因为专业化和连贯性同步演化，从而限制了被推迟的翻译和接口工作。**不一致应当更加昂贵**，因为知识架构的一部分正在被扩展，而另一部分正在被稳定化，增加了被推迟的协调负担累积为知识维护债务的可能性。

---

我们将**一致**定义为知识专业化和知识连贯性在企业内部发展阶段相匹配，**不一致**定义为这些阶段之间的不匹配。我们使用观察到的知识专业化和知识连贯性的水平作为每种知识架构轨迹相对成熟度的经验代理变量。较低的观察水平更与构建条件相一致，即焦点架构属性仍处于积累或建立阶段。较高的观察水平更与维护条件相一致，即管理挑战转向在知识库演化的过程中保持可用性、可靠性和可重组性（Barley et al., 2018; Teece, 2012）。这种解释并不意味着水平能够完美识别维护活动。较高的水平可能反映活跃维护、累积的历史投入，或仍然可见于专利分类中的遗留结构。因此，我们谨慎地解读阶段逻辑，并将结果视为与基于阶段编排相一致的配置模式证据，而非对构建和维护活动的直接观察。

**一致支持创新绩效**，因为它降低了治理摩擦并稳定化了重新组合路径。当专业化和连贯性同步构建时，企业在积累深度、情境化专长的同时，投资于使这些专长能够超越其本地起源而得以使用的表征、标准和跨边界接口。这种协同开发增加了专业化洞察跨团队和模块流动的可能性，而无需反复的"翻译循环"，从而改善了重新组合并降低了协调成本，使创新从发明走向复用和规模化的过程更加顺畅（Van Wijk et al., 2008; Zahra et al., 2020）。

当专门化与一致性同步保持更新时，更新过程便得以同步：演化的专业知识与界面维护相匹配（例如，更新代码仓库、重构常规流程、重新验证共享假设），从而减少架构漂移，并限制那些只有在企业尝试扩大创新规模时才显现出来的潜在返工工作的积累。这一逻辑与复杂系统中债务动态的研究相平行，在该类研究中，推迟维护相互依赖的架构往往会将短期速度转化为长期的协调负担。相反，不匹配会增加过渡期的张力，并提高协调负担以知识维护债务形式嵌入的可能性。在高一致性（维护）模式下构建专门化，可能使知识搜索偏向于符合现有标准和常规化界面的内容，从而缩小领域特定新颖性的空间，并在实验必须融入既有表征时增加维持独特性的成本（Jansen et al., 2009; Teece, 2000）。反之，在高专门化（维护）模式下构建一致性同样充满挑战，因为黏性强、情境绑定的知识转化为可移植表征和协调机制的成本高昂；做到这一点往往需要跨边界反复进行阐述、谈判和重新诠释（Szulanski et al., 2004; McIver & Lengnick-Hall, 2018）。在两个方向上，不匹配都会增加短期进展掩盖长期协调负债的概率——这正是我们所说的知识维护债务机制——从而在解决方案需要被复用、扩展、审计或与相邻组件集成时，削弱创新影响的持久性。因此：

假设1：知识专门化与知识一致性的匹配与更高的创新绩效相关联，相较于这两种知识状态的不匹配。

**节选片段——专门化与一致性的匹配：水平是否重要？**

接下来，我们考察匹配发生的水平（高-高与低-低）如何塑造创新绩效。在低水平上，匹配的专门化-一致性配置提供了有限的专业知识基础来构建，以及有限的互联和重用机会（Szulanski, 2000; Szulanski et al., 2004）。由于创新影响通常取决于互联的丰富程度和重组知识组件的能力，低一致性意味着有限的……

**专门化与一致性的不匹配：方向是否重要？**

不匹配指的是构建与维护专门化和一致性之间的阶段错位。除了不匹配的程度之外，不匹配的方向也很重要，因为两种配置意味着不同的知识维护问题。我们认为，以高专门化和低一致性为特征的不匹配与创新绩效的正向关联，强于以高一致性和低专门化为特征的不匹配。原因并非……

**变量——创新影响**

我们的因变量捕捉企业发明的技术影响力和下游重用。与通过专利知识的可见性和采纳来操作化发明"影响"的创新管理研究一致，我们使用企业专利的前向引用来衡量创新影响（例如，Jain & Mitchell, 2022）。由于本文理论化强调持久性的机制，即知识是否能够在不升级……的情况下被重用和扩展……

**内生性控制与模型设定**

由于企业的知识架构选择不可能随机分配，基于专利的面板研究面临常见的内生性问题（例如，遗漏变量、同时性和选择进入特定知识轨迹）（Ketokivi & McIntosh, 2017; Lu et al., 2018）。为缓解这些担忧，我们实施了一种两步控制函数方法，引入了捕捉构建或保持专门化和一致性的潜在倾向的专门化处理项和一致性处理项……

**多项式回归与响应面检验**

为检验配置假设，我们对323个企业-年份观测值的面板数据估计了具有年份效应的企业固定效应模型。所有关键预测变量和控制变量相对于创新绩效滞后两年，以反映知识架构条件塑造下游影响所需的时间，并减少反向因果的担忧。这种滞后结构与架构匹配（或不匹配）在知识……时影响绩效的前提一致……

**稳健性检验**

我们通过四项互补检验评估稳健性。首先，我们评估了创新影响与知识专门化和知识一致性配置之间假设关系是否对预测变量和结果之间假设的时间分离敏感。我们使用更短的滞后结构（同期预测变量，控制变量滞后一年）重新估计了模型。实质性推论和假设检验保持不变；模型1 R（表……）

**讨论**

本研究考察了企业的知识架构，特别是知识专门化与知识一致性的联合发展，如何塑造创新影响。核心前提是专门化和一致性不是可以独立优化的静态"水平"；相反，它们是必须跨构建期和保持期进行编排的阶段轨迹。当编排失败时，协调负担以知识维护债务的形式积累，潜在的……

**贡献**

本研究通过发展知识架构的可维护性视角，为技术与创新管理做出贡献。核心见解是，知识并不仅仅因为在某一时刻是专门化的、整合的或有价值的就产生持久的创新影响。随着技术、界面和重组需求的演变，它必须保持可用。这一转变很重要，因为现有的基于知识的和知识整合的视角解释了企业如何创建……

**替代解释、局限与未来研究**

还应考虑替代解释，且当前设计无法完全消除它们。高专门化-低一致性相对于高一致性-低专门化的相对优势，可能部分反映了软件特定的专有制度、专利规范、引用实践或不同类型发明下游可见性的差异，而不仅仅是知识维护债务。此外，高一致性-低专门化配置可能会产生……

**理论意义**

研究发现对技术与创新管理及相邻的基于知识的视角有若干理论意义。第一，专门化和一致性应被视为共同维护的属性，而非独立资源。匹配效应表明，专门化专长的价值取决于组织是否同时维持了使该专长得以移动和重组的一致性机制（Grant, 1996; ...）

**实践意义**

对于实践者而言，核心启示是创新影响取决于知识是否能在时间、项目和组织边界中保持可用。小型软件公司和初创企业常常面临快速构建专门化知识但投资不足于一致性机制（如文档、共享仓库、界面标准和可重用常规流程）的风险。对于这些企业，管理优先事项是尽早建立足够的一致性，以使独特的……

**结论**

创新影响是企业将技术投资转化为持久价值创造的机制，然而数字技术和生态系统相互依赖性可能会放大侵蚀绩效的协调负担。我们发展了一个知识架构论证，区分了两种互补投资：知识专门化（深入的、情境特定的专长）和知识一致性（共享界面、标准和共同表征）。关键在于，每项投资……

**CRediT作者贡献声明**

Cristina O. Vlas：撰写—原稿、验证、监督、项目管理、调查、形式分析、概念化。
Youstina Masoud：撰写—审阅与编辑、方法论、调查、数据整理。
Garima Garg：撰写—审阅与编辑、方法论、调查、数据整理。
Radu E. Vlas：可视化、软件、资源。

Cristina O. Vlas | Youstina Masoud | Garima Garg | Radu E. Vlas