组织间协作网络中的中介逆转与组织技术创新产出：组织内协作网络的调节作用

《Systems》：Brokerage Reversal in Interorganizational Collaboration Networks and Organizations’ Technological Innovation Output: The Moderating Role of Intraorganizational Collaboration Networks

　　

本研究探讨了组织间协作网络中的中介逆转（brokerage reversal）与组织技术创新产出之间的关系，以及组织内协作网络的凝聚性（cohesion）与集中性（centralization）所发挥的调节作用。研究人员利用美国专利商标局（United States Patent and Trademark Office, USPTO）1976年至2023年的人工智能（artificial intelligence, AI）专利数据，分别基于组织间的专利共同申请关系以及各焦点组织所关联发明人之间的共同发明关系，构建了年度组织间与组织内协作网络。负二项回归（negative binomial regression）分析结果表明，组织间协作网络中的中介逆转与组织的技术创新产出呈正相关，而组织内协作网络的凝聚性与集中性则负向调节这一关系。在实践层面，上述发现表明，在监测组织间协作网络位置变化的同时考虑组织内协作结构，有助于组织理解此类网络动态与技术创新产出相关联的条件。

**论文解读：组织间协作网络中的中介逆转、组织内协作网络结构与技术创新产出**

**1. 研究背景与问题提出**

技术创新是组织成长与竞争优势的核心驱动力，其本质在于知识要素的重新组合。组织间协作网络作为组织获取外部知识的关键渠道，对技术创新产出具有重要影响。既有研究主要从静态视角考察组织在网络中的结构位置（尤其是中介位置，brokerage）对创新产出的影响，但实证结果并不一致。这种不一致可能源于中介位置在知识吸收的不同阶段具有差异化效应：在知识获取阶段，中介位置有助于组织接触来自非连通伙伴的异质性知识；而在知识吸收阶段，中介位置可能削弱组织间信任、增加协调成本，从而阻碍隐性知识转移与创新产出。然而，现有研究鲜有从动态视角审视中介位置的时序变化模式。

为弥补上述研究缺口，本研究聚焦于中介逆转（brokerage reversal）——一种特定的、可观察的中介位置动态形式，即焦点组织的中介位置在相邻年份间发生方向交替变化的时间模式。研究认为，中介逆转可能通过时间序列上的知识获取与知识吸收交替过程，为组织提供接触并整合异质性外部知识的机会，从而促进技术创新产出。同时，基于吸收能力理论，外部知识必须经过组织内部的 assimilate、转化与利用才能最终转化为创新产出，而组织内协作网络的结构特征（凝聚性与集中性）在这一知识整合过程中发挥关键调节作用。

**2. 研究内容与结论**

本研究利用美国专利商标局（USPTO）人工智能专利数据集（AIPD）1976—2023年的专利记录，构建了组织间协作网络与组织内发明人协作网络，采用固定效应负二项回归模型对组织—年度面板数据进行分析。研究发现：第一，组织间协作网络中的中介逆转与组织技术创新产出显著正相关，支持了假设1；第二，组织内协作网络凝聚性负向调节中介逆转与技术创新产出的关系，支持了假设2；第三，组织内协作网络集中性同样负向调节这一关系，支持了假设3。研究结论表明，中介逆转所蕴含的知识获取与吸收的时序交替过程能够促进创新产出，但高度凝聚或高度集中的组织内协作结构可能通过知识冗余、认知锁定或核心依赖等机制，削弱外部知识整合的效率与灵活性，从而弱化中介逆转的创新收益。

**3. 关键技术方法**

本研究采用多种网络分析与计量经济方法。数据来源为USPTO的AIPD数据集，覆盖1976—2023年，最终估计样本包含3456个组织的23632条组织—年度观测值。主要方法包括：其一，基于专利共同申请关系构建组织间协作网络；其二，基于同一组织内发明人共同发明关系构建组织特有发明人协作网络；其三，基于国际专利分类（IPC）共现关系构建内部知识网络；其四，采用Burt约束系数测度组织的中介位置，进而计算五年前移动窗口内相邻年度约束变化的符号反转次数以度量中介逆转（取值范围0—3）；其五，运用固定效应负二项回归模型处理过度离散的计数数据，并控制组织固定效应与年份固定效应。

**4. 研究结果**

**4.1 描述性统计与相关性分析**

表2展示了所有变量的描述性统计与两两相关系数。变量间相关系数最高值低于0.8的常用阈值，方差膨胀因子（variance inflation factor, VIF）均低于10，表明多重共线性不会对回归估计产生实质性影响。

**4.2 基准回归**

表3报告了基准回归结果。模型2中，中介逆转的系数为正且统计显著，表明中介逆转水平越高的组织，其技术创新产出越高，假设1得到支持。模型3中，中介逆转与组织内协作网络凝聚性的交互项显著为负，表明高凝聚性削弱中介逆转的正向效应，假设2得到支持。模型4中，中介逆转与组织内协作网络集中性的交互项亦显著为负，假设3得到支持。模型5同时纳入两个调节变量后，中介逆转的系数仍显著为正，两个交互项仍显著为负，表明组织内网络结构主要发挥条件性调节作用。

**4.3 稳健性检验**

研究进行了三项稳健性检验。第一，采用替代解释变量——基于五年前移动窗口内约束变化与窗口均值比较的变化频次测度，核心系数的方向与显著性保持一致。第二，将时间窗口调整为四年前移动窗口重新度量变量，结果依然稳健。第三，采用中介逆转的一年滞后项以缓解时序重叠与反向因果问题，滞后中介逆转仍与创新产出显著正相关，且交互项方向与显著性不变。

**5. 讨论与结论**

**5.1 理论贡献**

本研究的理论贡献体现在两个方面。第一，将静态中介位置与中介逆转进行区分，揭示了中介位置变化的时序模式对创新产出的独特解释力，表明中介的创新价值不仅取决于是否占据中介位置，还取决于中介位置的变化趋势。第二，将组织间协作网络动态与组织内协作网络结构相联结，识别出凝聚性与集中性是调节中介逆转创新效应的关键结构性条件，拓展了吸收能力理论在跨层网络研究中的应用。

**5.2 实践意义**

研究结果对管理者具有两点启示。第一，管理者应持续监测组织在组织间协作网络中位置的变化方向与交替频率，以评估组织在外部知识获取与深度吸收之间的动态平衡状况。第二，管理者应关注组织内协作网络的结构特征，避免过度凝聚或过度集中导致的认知锁定与核心依赖，保持内部协作结构的开放性与灵活性，以更好地将外部知识转化为创新产出。

**5.3 研究局限与未来方向**

本研究存在若干局限。第一，专利数量主要反映编码化技术产出，未能完全体现创新质量与经济价值，未来可引入引用加权专利、突破性专利或新产品引入等测度。第二，研究聚焦美国AI专利数据，结论的跨产业、跨领域与跨制度环境推广性有待检验。第三，研究未直接观察知识获取、吸收与整合的微观过程，相关机制应视为理论解释而非直接检验的中介路径。第四，未来可区分幅度加权的中介逆转与方向特异性的逆转模式，考察不同类型位置动态的创新异质性效应。

**5.4 研究结论**

本研究基于吸收能力理论，利用USPTO AI专利数据构建跨层协作网络，实证检验了组织间协作网络中介逆转对技术创新产出的影响及组织内协作网络结构的调节作用。研究发现：中介逆转与技术创新产出正相关；组织内协作网络凝聚性与集中性均负向调节该关系。研究结论表明，中介逆转通过知识获取与吸收的时序交替促进创新，而组织内协作网络结构是决定外部知识能否有效转化为创新产出的关键条件。