论文部分内容阅读
摘要：基于已有研究对创新网络结构和技术异质度的关注，将一阶网络结构拓展至高阶网络结构并提出局部网络技术异质度的测度方法，使用我国1997—2017年ICT领域专利授权数据逐年构建创新网络，探讨组织的度中心性以及接近中心性对其双元创新的影响，以及组织的局部网络技术异质度对上述关系的调节作用。实证结果表明：组织的度中心性和接近中心性的提高均会促进其利用式创新绩效，但抑制其探索性创新绩效，且上述的促进作用与抑制作用均在局部网络技术异质度较低的情况下更强。
关键词：局部网络技术异质度；度中心性；接近中心性；双元创新；ICT领域
中图分类号：F062.4文献标识码： ADOI：10.3969/j.issn.1003-8256.2020.04.002
开放科学（资源服务）标识码（OSID）：
基金项目：国家社科基金项目（15BGL027）；山东省自然科学基金（ZR2017MG029）；山东省社会科学规划项目（20CGLJ04）
0引言
有关创新网络连接属性的文献，包括连接关系[1-3]、中心度[4-7]及差异[8-10]，关于连接关系的文献既包括直接连接也包括间接连接，关于连接主体的文献则较少关注间接连接。在实际情况中，间接属性对间接连接影响较大[11]，应予以考虑。同时，随着十九大提出颠覆式技术创新，双元创新视角看创新绩效显得尤为重要。
在“十三五”规划鼓励扩大科技合作、构建开放创新网络的背景下，开放式创新逐渐成为我国各组织开展创新活动的主要模式，组织间基于合作创新关系形成的创新网络形态也日益错综复杂。在开放创新网络中，知识被组织作为一种可交换商品，有目的的知识流入和流出能加速组织内部创新成果产出、扩大外部市场[12]。学界认为创新网络结构是组织知识流入或流出的基本渠道[13]，代表组织知识交换能力并影响组织创新绩效，进而学者开始探讨各类网络结构对组织创新绩效的影响机理，其中，根据创新网络结构不同，可分为中心性[14-16]、聚集系数[17-19]以及结构洞[20-22]等方面；根据影响机理不同，可分为线性[23]、非线性[24]等方面。
尽管上述研究成果丰富，但未取得一致结论且多侧重组织本身及其所拥有的网络结构，一定程度上忽视了组织的创新合作伙伴以及两者间的属性差异。事实上，组织在选择创新合作伙伴时，通常会考虑自身与创新合作伙伴间在地理位置、技术类别等方面的属性异质度[25]，属性异质度不同的创新合作伙伴会通过影响网络结构的知识交换功能进而造成组织创新绩效不同[26]，其中，技术异质度对组织创新的影响最为显著并逐渐成为学界研究热点。现有研究将技术异质度作为调节变量引入到网络结构对创新绩效影响的研究中，以探究“与谁合作形成的创新网络结构对创新绩效更为重要”的问题，比如，曾德明[27]、迟嘉昱[28]等人通过将组织与所有外部直接合作伙伴的技术异质度（简称“一阶异质度”）进行平均，测度了组织在创新网络中的技术异质度，并验证该技术异质度在度中心性、结构洞影响创新绩效中的调节作用。纵观已有研究，关于技术异质度影响网络结构与创新绩效间关系的研究较少，且多从一阶异质度与一阶网络结构的交互作用展开，忽视高阶异质度与高阶网络结构的交互作用，换言之，较多聚焦于组织的直接联系合作伙伴，关于间接联系伙伴即“朋友的朋友”的研究较少。已有研究发现，间接联系以及间接合作伙伴属性在组织创新活动中发挥着重要作用[29-30]，因此，有必要将高阶异质度和高阶网络结构纳入到现有研究中，这将有助于扩展研究视角与方法，对于丰富技术异质度、网络结构、创新绩效等领域研究有一定理论意义。
因此，基于现有研究关于组织在创新网络中技术异质度的测度方法，本文将直接创新合作伙伴拓展至间接创新合作伙伴，在考虑了网络距离、合作次数等权重要素后，提出局部网络技术异质度的概念与测度方法，进而使用我国1997—2017年信息和通信技术（ICT）领域专利授权数据逐年构建创新网络，探讨一阶度中心性以及高阶接近中心性对组织双元创新的影响，以及组织的局部网络技术异质度对上述关系的调节作用。
1理论基础与研究假设
1.1中心性与双元创新
根据创新程度，J G March[31]将组织的创新活动分为“利用式创新”和“探索式创新”并提出“双元创新”概念。其中，利用式创新是组织基于现有技术轨迹，對产品工艺、材料、流程等方面进行程度较小的改善，本质是改进并扩展企业现有的能力、技术或模式，具有连续、可积累、快速、投入少、回报确定、风险低的特点。探索式创新则是企业在新的技术轨迹、知识基础上，对产品现有的技术、概念、模式等方面进行重大突破，本质是尝试新的选择，具有突破性、风险大、投入多、收益不确定、时间久的特点[32]。
基于利用式创新和探索式创新的特点不同，创新网络结构会对其产生不同的影响，本文将基于知识溢出理论和创新扩散理论分别阐述网络中心性影响利用式创新绩效和探索式创新绩效的内在机制。
1.1.1中心性与利用式创新
利用式创新是基于组织已有的知识和技术开展的活动，往往需要与现有技术或知识密切相关的信息。创新网络通过技术合作关系将各个创新主体连接起来，形成了蕴含大量相关信息的网状结构，镶嵌于其中的组织会得益于网络中知识溢出效应，尤其是正向溢出效应[33]。因此，度中心性和接近中心性高的组织，其模仿学习其他创新主体或进行强强联合的渠道也越多，更易获取与现有知识或技术相关的信息，而且高接近中心性还可以增加组织与更远的间接合作伙伴进行信息交流的机会[34]。这些信息能缩短知识积累的时间，降低连续改善技术、优化产品的成本，有利于提高利用式创新绩效。
此外，根据创新扩散理论，具有特定属性的信息更易在创新网络中扩散，比如兼容性、相对优越性、复杂性、可实验性等[35]。由于利用式创新具有与现有技术共存度高、易操作、回报期短、风险小等特点，易通过创新网络传播。因此，度中心性和接近中心性高的组织，其接收有关利用式创新成功的信息、行为或准则会越多，而且高接近中心性还能提前组织获悉消息的时间，这使得组织采纳利用式创新的意愿增强。加之，利用式创新的成果具有理性投资者所偏爱的成功率高、获益快、稳定等特点，这会正向反馈给创新活动，渐渐形成组织对利用式创新的路径依赖，不断促进利用式创新绩效提高。综上所述，提出以下假设： 假设1：组织的度中心性和接近中心性均会对利用式创新产生正向影响。
1.1.2中心性与探索式创新
探索式创新是突破组织原有知识、技术积累并基于新技术轨迹开展的创新活动，往往与组织的未来收益相关、决定着组织未来的命运，多属于商业机密[36]。然而，创新网络除了正向知识溢出效应，还包括反向溢出，因此，在创新网络中，组织的度中心性或接近中心性越高，其与网络中其他主体连接的路径越多，导致泄露与探索式创新相关信息的可能性会越高，高接近中心性还会增加反向溢出的范围。一方面，组织会加强保密措施，但这会挤占创新主体的精力，增加创新成本，不利于探索式创新的成功；另一方面，组织会在合作过程中提高警惕，但较多的警惕会影响知识搜索活动的范围和深度，不利于组织获取探索式创新所需的信息，进而抑制探索式创新绩效[37]。
此外，从创新扩散角度考虑，探索式创新不具备在创新网络中传播的好属性，反之，其失败率高、回报周期长、收益不稳定的“坏消息”会在网络中快速传播[38]。因此，在创新网络中，组织的度中心性或接近中心性越高，其接收到的有关探索式创新的失败消息会越多，采纳探索式创新的意愿也越低，进而越难打破利用式创新形成的路径依赖，进一步抑制探索式创新绩效[39]。综上所述，提出以下假设：
假设2：组织的度中心性和接近中心性均会对探索式创新产生负向影响。
1.2局部网络技术异质度的调节作用
局部网络技术异质度指组织与局部创新网络中所有合作伙伴间的技术类别差异程度，是结点的网络整体属性。根据局部网络的规模不同，分为一阶异质度和高阶异质度，前者聚焦于自我网络，代表组织与所有直接连接合作伙伴间的技术类别差异程度，后者则扩延至更大的网络范围，代表组织与所有间接连接合作伙伴间的技术类别差异程度。
对于利用式创新，一方面，局部网络技术异质度越低，组织与合作伙伴间的技术类别差异越小、知识吸收能力越强，有利于组织更好地理解、融合来自合作伙伴们的正向知识溢出，提高利用式创新绩效。另一方面，低局部网络技术异质度通常意味着组织拥有与其合作伙伴相似的知识、经历过相似的探索过程，甚至面临着相似的发展困难，这种体验更容易使组织与合作伙伴间产生模仿和信任，提高组织将接收到的有关利用式创新的信息、行为及准则转化为意愿甚至行动的可能性，促进了利用式创新绩效提高。
对于探索式创新，一方面，局部网络技术异质度越高，组织会缓解对反方向知识溢出导致的商业机密泄露的担忧，因为异质度大的合作伙伴成为企业潜在竞争对手的可能性较小，而且较大的技术差异也会抑制其知识吸收能力，因此这不仅会降低创新主体保密成本，还有利于知识搜索广度和深度的扩大，促进探索式创新的发展[40]。另一方面，局部技术异质度越高，组织与合作伙伴间会缺少相似的情景或经历，不易产生模仿和信任，这会降低创新主体偏爱利用式创新、远离探索式创新的可能性[41]，进而有助于打破原有的路径模式、提高探索式创新成果。综上提出假设：
假设3：组织的局部网络异质度会不利于度中心性和接近中心性对利用式创新的正向影响，但会削弱度中心性和接近中心性对探索式创新的负向影响。
建立研究模型，如图1所示。
2.2变量测量
2.2.1因变量
因变量为利用式创新绩效（Exploitation）和探索式创新绩效（Exploration）。本文将前四位IPC分类号作为技术分类依据，并据此对创新成果进行分类[43]。假设向量Fi表示创新主体在前五年（第t - 5至t - 1年）出现过的所有专利类型，若创新主体i在观察年内（第t年）获得的专利属于向量Fi，则该专利为利用式创新成果；反之，该专利为探索式创新成果。以此累计，分别计算出观察年内创新主体的探索式和利用式创新成果数量作为被解释变量的衡量。
2.2.2自变量
（1）网络中心性。中心性是用于识别网络中重要结点的指标，依据重要程度评价标准不同，分为度中心性、接近中心性和中介中心性。本文选择了其中更强调创新主体与网络中其他结点直接或者间接联系的度中心性和接近中心性作为衡量指标。
其中，g为与结点i间接相连的结点，H（i，g）表示结点i与结点g之间的技术异质度，d（i，g）表示结点i与结点g之间的最短路径长度，且其最大取值为4。 2.2.3控制变量
（1）组织类型。创新主体包括企业、高校和科研机构三种类型，其不同的技术创新的目的、形式和策略会对组织创新活动产生不同影响，因此，为了控制组织类型对组织双元创新绩效产生影响，以虚拟变量企业（Company）、高校（School）和科研機构（Institution）作为控制变量。
（2）前期创新成果。创新作为一种重新组合各种生产、知识要素的活动，离不开组织前期创新成果积累，因此，为了控制前期创新成果积累对双元创新的影响，采用前一年的利用式创新成果（Pre_ Exploitative）和探索式创新成果（Pre_Exploration）作为控制变量。
3实证结果与分析
3.1描述性统计分析及相关性分析
表1列出了各主要研究变量描述性统计及相关性分析的结果。其中，各变量的变异系数均在合理范围内，数据离散程度适中；度中心性和接近中心性与利用式创新间的相关系数均为正，与探索式创新间的相关系数均为负，初步验证了假设1和2。
模型3的回归结果显示，度中心性的回归系数为-0.057（p <0.01），一阶技术异质度和度中心性交互项的回归系数为0.0012（p <0.01），这说明度中心性会显著负向影响利用式创新，但一阶技术异质度会显著缓解该负向影响过程。模型4的回归结果表示，接近中心性的回归系数为-0.02（p <0.01），高阶技术异质度和接近中心性交互项的回归系数为0.0003（p < 0.01），说明接近中心性会显著负向影响利用式创新，但高阶技术异质度会显著缓解该负向影响过程。因此，假设2和假设3得到支持。
图3～图6为一阶异质度和高阶异质度的调节效应图。其中，图3和图4表示局部网络技术异质度上升时，度中心性和接近中心性对利用性创新的正面影响被削弱，表现为斜率变得平缓。图5和图6表示伴随着局部网络技术异质度提升，度中心性和接近中心性对探索性创新的负面影响被削弱，表现为斜率的陡峭程度下降。
3.3稳健性检验
前文的局部网络技术异质度测量方法未考虑组织与合作伙伴之间的合作次数，事实上，合作次数越多的合作伙伴对创新主体产生的影响也越多，于是，本文采用合作次数加权后的技术异质度进行稳健性检验，具体如公式（6）和公式（7）。
Indirect_H′（A） = 0.8×3/2 0.7×2/2 = 0.82（8）
4研究结论与启示
本文以我国ICT领域专利授权数据为例，构建五年窗口期的创新网络，结合负二项回归模型实证检验了组织的网络中心性对创新绩效的影响，并验证了组织的局部网络技术异质度对二者关系的调节效应。结果显示：组织的度中心性、接近中心性与组织双元创新绩效显著相关，具体而言，与利用式创新绩效显著正相关，与探索式创新绩效显著负相关；且组织的局部网络技术异质度负向调节度中心性、接近中心性与利用式创新的关系，正向调节度中心性、接近中心性与探索式创新的关系。
上述研究结论对我国以企业为主体的创新主体有一定的启示作用。首先，企业在优化创新网络结构前，应首先明确创新战略的目标，如果以利用式创新为主，可以积极参与国家和地方政府搭建的创新平台，联合产业内网络中心性较高的组织，尤其是接近中心性较高的组织；反之，企业应谨慎选择合作伙伴，通过自建、收购等方式开展探索式创新活动在一定程度上会更有效。其次，对于利用式创新，企业应避免选择与自身技术类别差异较大的合作伙伴；对于探索式创新，如果企业出于成本-效益考虑，采用合作创新模式，那么应尽量选择与自身技术差异较大的合作伙伴，以抵消一部分合作创新模式对探索式创新的负向影响。
虽然同时考虑了组织的直接与间接的合作伙伴，且从局部网络视角提出局部技术异质度，具有一定理论意义，但尚存在不足，诸如：未考虑除中国专利信息平台公布的专利授权数据以外的资料，而专利只是双元创新成果的一部分；以ICT领域内的组织为样本，未考虑ICT组织与其他领域组织之间的跨领域合作关系等。不足之处均有待进一步补充完善。 参考文献：
[1]AHUJA G.Collaboration Networks， Structural Holes， and Innovation： A Longitudinal Study [J]. Administrative Science Quarterly， 2000， 45（3）： 425-455.
[2]ABBASI A， CHUNG K S K， Hossain L. Egocentric analysis of co-authorship network structure， position and performance [J]. Information Processing
关键词：局部网络技术异质度；度中心性；接近中心性；双元创新；ICT领域
中图分类号：F062.4文献标识码： ADOI：10.3969/j.issn.1003-8256.2020.04.002
开放科学（资源服务）标识码（OSID）：
基金项目：国家社科基金项目（15BGL027）；山东省自然科学基金（ZR2017MG029）；山东省社会科学规划项目（20CGLJ04）
0引言
有关创新网络连接属性的文献，包括连接关系[1-3]、中心度[4-7]及差异[8-10]，关于连接关系的文献既包括直接连接也包括间接连接，关于连接主体的文献则较少关注间接连接。在实际情况中，间接属性对间接连接影响较大[11]，应予以考虑。同时，随着十九大提出颠覆式技术创新，双元创新视角看创新绩效显得尤为重要。
在“十三五”规划鼓励扩大科技合作、构建开放创新网络的背景下，开放式创新逐渐成为我国各组织开展创新活动的主要模式，组织间基于合作创新关系形成的创新网络形态也日益错综复杂。在开放创新网络中，知识被组织作为一种可交换商品，有目的的知识流入和流出能加速组织内部创新成果产出、扩大外部市场[12]。学界认为创新网络结构是组织知识流入或流出的基本渠道[13]，代表组织知识交换能力并影响组织创新绩效，进而学者开始探讨各类网络结构对组织创新绩效的影响机理，其中，根据创新网络结构不同，可分为中心性[14-16]、聚集系数[17-19]以及结构洞[20-22]等方面；根据影响机理不同，可分为线性[23]、非线性[24]等方面。
尽管上述研究成果丰富，但未取得一致结论且多侧重组织本身及其所拥有的网络结构，一定程度上忽视了组织的创新合作伙伴以及两者间的属性差异。事实上，组织在选择创新合作伙伴时，通常会考虑自身与创新合作伙伴间在地理位置、技术类别等方面的属性异质度[25]，属性异质度不同的创新合作伙伴会通过影响网络结构的知识交换功能进而造成组织创新绩效不同[26]，其中，技术异质度对组织创新的影响最为显著并逐渐成为学界研究热点。现有研究将技术异质度作为调节变量引入到网络结构对创新绩效影响的研究中，以探究“与谁合作形成的创新网络结构对创新绩效更为重要”的问题，比如，曾德明[27]、迟嘉昱[28]等人通过将组织与所有外部直接合作伙伴的技术异质度（简称“一阶异质度”）进行平均，测度了组织在创新网络中的技术异质度，并验证该技术异质度在度中心性、结构洞影响创新绩效中的调节作用。纵观已有研究，关于技术异质度影响网络结构与创新绩效间关系的研究较少，且多从一阶异质度与一阶网络结构的交互作用展开，忽视高阶异质度与高阶网络结构的交互作用，换言之，较多聚焦于组织的直接联系合作伙伴，关于间接联系伙伴即“朋友的朋友”的研究较少。已有研究发现，间接联系以及间接合作伙伴属性在组织创新活动中发挥着重要作用[29-30]，因此，有必要将高阶异质度和高阶网络结构纳入到现有研究中，这将有助于扩展研究视角与方法，对于丰富技术异质度、网络结构、创新绩效等领域研究有一定理论意义。
因此，基于现有研究关于组织在创新网络中技术异质度的测度方法，本文将直接创新合作伙伴拓展至间接创新合作伙伴，在考虑了网络距离、合作次数等权重要素后，提出局部网络技术异质度的概念与测度方法，进而使用我国1997—2017年信息和通信技术（ICT）领域专利授权数据逐年构建创新网络，探讨一阶度中心性以及高阶接近中心性对组织双元创新的影响，以及组织的局部网络技术异质度对上述关系的调节作用。
1理论基础与研究假设
1.1中心性与双元创新
根据创新程度，J G March[31]将组织的创新活动分为“利用式创新”和“探索式创新”并提出“双元创新”概念。其中，利用式创新是组织基于现有技术轨迹，對产品工艺、材料、流程等方面进行程度较小的改善，本质是改进并扩展企业现有的能力、技术或模式，具有连续、可积累、快速、投入少、回报确定、风险低的特点。探索式创新则是企业在新的技术轨迹、知识基础上，对产品现有的技术、概念、模式等方面进行重大突破，本质是尝试新的选择，具有突破性、风险大、投入多、收益不确定、时间久的特点[32]。
基于利用式创新和探索式创新的特点不同，创新网络结构会对其产生不同的影响，本文将基于知识溢出理论和创新扩散理论分别阐述网络中心性影响利用式创新绩效和探索式创新绩效的内在机制。
1.1.1中心性与利用式创新
利用式创新是基于组织已有的知识和技术开展的活动，往往需要与现有技术或知识密切相关的信息。创新网络通过技术合作关系将各个创新主体连接起来，形成了蕴含大量相关信息的网状结构，镶嵌于其中的组织会得益于网络中知识溢出效应，尤其是正向溢出效应[33]。因此，度中心性和接近中心性高的组织，其模仿学习其他创新主体或进行强强联合的渠道也越多，更易获取与现有知识或技术相关的信息，而且高接近中心性还可以增加组织与更远的间接合作伙伴进行信息交流的机会[34]。这些信息能缩短知识积累的时间，降低连续改善技术、优化产品的成本，有利于提高利用式创新绩效。
此外，根据创新扩散理论，具有特定属性的信息更易在创新网络中扩散，比如兼容性、相对优越性、复杂性、可实验性等[35]。由于利用式创新具有与现有技术共存度高、易操作、回报期短、风险小等特点，易通过创新网络传播。因此，度中心性和接近中心性高的组织，其接收有关利用式创新成功的信息、行为或准则会越多，而且高接近中心性还能提前组织获悉消息的时间，这使得组织采纳利用式创新的意愿增强。加之，利用式创新的成果具有理性投资者所偏爱的成功率高、获益快、稳定等特点，这会正向反馈给创新活动，渐渐形成组织对利用式创新的路径依赖，不断促进利用式创新绩效提高。综上所述，提出以下假设： 假设1：组织的度中心性和接近中心性均会对利用式创新产生正向影响。
1.1.2中心性与探索式创新
探索式创新是突破组织原有知识、技术积累并基于新技术轨迹开展的创新活动，往往与组织的未来收益相关、决定着组织未来的命运，多属于商业机密[36]。然而，创新网络除了正向知识溢出效应，还包括反向溢出，因此，在创新网络中，组织的度中心性或接近中心性越高，其与网络中其他主体连接的路径越多，导致泄露与探索式创新相关信息的可能性会越高，高接近中心性还会增加反向溢出的范围。一方面，组织会加强保密措施，但这会挤占创新主体的精力，增加创新成本，不利于探索式创新的成功；另一方面，组织会在合作过程中提高警惕，但较多的警惕会影响知识搜索活动的范围和深度，不利于组织获取探索式创新所需的信息，进而抑制探索式创新绩效[37]。
此外，从创新扩散角度考虑，探索式创新不具备在创新网络中传播的好属性，反之，其失败率高、回报周期长、收益不稳定的“坏消息”会在网络中快速传播[38]。因此，在创新网络中，组织的度中心性或接近中心性越高，其接收到的有关探索式创新的失败消息会越多，采纳探索式创新的意愿也越低，进而越难打破利用式创新形成的路径依赖，进一步抑制探索式创新绩效[39]。综上所述，提出以下假设：
假设2：组织的度中心性和接近中心性均会对探索式创新产生负向影响。
1.2局部网络技术异质度的调节作用
局部网络技术异质度指组织与局部创新网络中所有合作伙伴间的技术类别差异程度，是结点的网络整体属性。根据局部网络的规模不同，分为一阶异质度和高阶异质度，前者聚焦于自我网络，代表组织与所有直接连接合作伙伴间的技术类别差异程度，后者则扩延至更大的网络范围，代表组织与所有间接连接合作伙伴间的技术类别差异程度。
对于利用式创新，一方面，局部网络技术异质度越低，组织与合作伙伴间的技术类别差异越小、知识吸收能力越强，有利于组织更好地理解、融合来自合作伙伴们的正向知识溢出，提高利用式创新绩效。另一方面，低局部网络技术异质度通常意味着组织拥有与其合作伙伴相似的知识、经历过相似的探索过程，甚至面临着相似的发展困难，这种体验更容易使组织与合作伙伴间产生模仿和信任，提高组织将接收到的有关利用式创新的信息、行为及准则转化为意愿甚至行动的可能性，促进了利用式创新绩效提高。
对于探索式创新，一方面，局部网络技术异质度越高，组织会缓解对反方向知识溢出导致的商业机密泄露的担忧，因为异质度大的合作伙伴成为企业潜在竞争对手的可能性较小，而且较大的技术差异也会抑制其知识吸收能力，因此这不仅会降低创新主体保密成本，还有利于知识搜索广度和深度的扩大，促进探索式创新的发展[40]。另一方面，局部技术异质度越高，组织与合作伙伴间会缺少相似的情景或经历，不易产生模仿和信任，这会降低创新主体偏爱利用式创新、远离探索式创新的可能性[41]，进而有助于打破原有的路径模式、提高探索式创新成果。综上提出假设：
假设3：组织的局部网络异质度会不利于度中心性和接近中心性对利用式创新的正向影响，但会削弱度中心性和接近中心性对探索式创新的负向影响。
建立研究模型，如图1所示。
2.2变量测量
2.2.1因变量
因变量为利用式创新绩效（Exploitation）和探索式创新绩效（Exploration）。本文将前四位IPC分类号作为技术分类依据，并据此对创新成果进行分类[43]。假设向量Fi表示创新主体在前五年（第t - 5至t - 1年）出现过的所有专利类型，若创新主体i在观察年内（第t年）获得的专利属于向量Fi，则该专利为利用式创新成果；反之，该专利为探索式创新成果。以此累计，分别计算出观察年内创新主体的探索式和利用式创新成果数量作为被解释变量的衡量。
2.2.2自变量
（1）网络中心性。中心性是用于识别网络中重要结点的指标，依据重要程度评价标准不同，分为度中心性、接近中心性和中介中心性。本文选择了其中更强调创新主体与网络中其他结点直接或者间接联系的度中心性和接近中心性作为衡量指标。
其中，g为与结点i间接相连的结点，H（i，g）表示结点i与结点g之间的技术异质度，d（i，g）表示结点i与结点g之间的最短路径长度，且其最大取值为4。 2.2.3控制变量
（1）组织类型。创新主体包括企业、高校和科研机构三种类型，其不同的技术创新的目的、形式和策略会对组织创新活动产生不同影响，因此，为了控制组织类型对组织双元创新绩效产生影响，以虚拟变量企业（Company）、高校（School）和科研機构（Institution）作为控制变量。
（2）前期创新成果。创新作为一种重新组合各种生产、知识要素的活动，离不开组织前期创新成果积累，因此，为了控制前期创新成果积累对双元创新的影响，采用前一年的利用式创新成果（Pre_ Exploitative）和探索式创新成果（Pre_Exploration）作为控制变量。
3实证结果与分析
3.1描述性统计分析及相关性分析
表1列出了各主要研究变量描述性统计及相关性分析的结果。其中，各变量的变异系数均在合理范围内，数据离散程度适中；度中心性和接近中心性与利用式创新间的相关系数均为正，与探索式创新间的相关系数均为负，初步验证了假设1和2。
模型3的回归结果显示，度中心性的回归系数为-0.057（p <0.01），一阶技术异质度和度中心性交互项的回归系数为0.0012（p <0.01），这说明度中心性会显著负向影响利用式创新，但一阶技术异质度会显著缓解该负向影响过程。模型4的回归结果表示，接近中心性的回归系数为-0.02（p <0.01），高阶技术异质度和接近中心性交互项的回归系数为0.0003（p < 0.01），说明接近中心性会显著负向影响利用式创新，但高阶技术异质度会显著缓解该负向影响过程。因此，假设2和假设3得到支持。
图3～图6为一阶异质度和高阶异质度的调节效应图。其中，图3和图4表示局部网络技术异质度上升时，度中心性和接近中心性对利用性创新的正面影响被削弱，表现为斜率变得平缓。图5和图6表示伴随着局部网络技术异质度提升，度中心性和接近中心性对探索性创新的负面影响被削弱，表现为斜率的陡峭程度下降。
3.3稳健性检验
前文的局部网络技术异质度测量方法未考虑组织与合作伙伴之间的合作次数，事实上，合作次数越多的合作伙伴对创新主体产生的影响也越多，于是，本文采用合作次数加权后的技术异质度进行稳健性检验，具体如公式（6）和公式（7）。
Indirect_H′（A） = 0.8×3/2 0.7×2/2 = 0.82（8）
4研究结论与启示
本文以我国ICT领域专利授权数据为例，构建五年窗口期的创新网络，结合负二项回归模型实证检验了组织的网络中心性对创新绩效的影响，并验证了组织的局部网络技术异质度对二者关系的调节效应。结果显示：组织的度中心性、接近中心性与组织双元创新绩效显著相关，具体而言，与利用式创新绩效显著正相关，与探索式创新绩效显著负相关；且组织的局部网络技术异质度负向调节度中心性、接近中心性与利用式创新的关系，正向调节度中心性、接近中心性与探索式创新的关系。
上述研究结论对我国以企业为主体的创新主体有一定的启示作用。首先，企业在优化创新网络结构前，应首先明确创新战略的目标，如果以利用式创新为主，可以积极参与国家和地方政府搭建的创新平台，联合产业内网络中心性较高的组织，尤其是接近中心性较高的组织；反之，企业应谨慎选择合作伙伴，通过自建、收购等方式开展探索式创新活动在一定程度上会更有效。其次，对于利用式创新，企业应避免选择与自身技术类别差异较大的合作伙伴；对于探索式创新，如果企业出于成本-效益考虑，采用合作创新模式，那么应尽量选择与自身技术差异较大的合作伙伴，以抵消一部分合作创新模式对探索式创新的负向影响。
虽然同时考虑了组织的直接与间接的合作伙伴，且从局部网络视角提出局部技术异质度，具有一定理论意义，但尚存在不足，诸如：未考虑除中国专利信息平台公布的专利授权数据以外的资料，而专利只是双元创新成果的一部分；以ICT领域内的组织为样本，未考虑ICT组织与其他领域组织之间的跨领域合作关系等。不足之处均有待进一步补充完善。 参考文献：
[1]AHUJA G.Collaboration Networks， Structural Holes， and Innovation： A Longitudinal Study [J]. Administrative Science Quarterly， 2000， 45（3）： 425-455.
[2]ABBASI A， CHUNG K S K， Hossain L. Egocentric analysis of co-authorship network structure， position and performance [J]. Information Processing