知識網絡結構、跨界搜索對組織突破性創新的影響：美國人工智能技術領域專利的分析

李彥勇，林潤輝

（1.山西大同大學商學院，山西大同 037009；2.南開大學商學院，天津 300071）

創新是一種集體的、社會的活動，因此大量的國內外研究探討了社會合作網絡特性對組織創新績效的影響。在現實中，個人或更高層次集體的創新不僅嵌入到社交網絡中，也嵌入到知識網絡中［1-3］。創新過程中彼此之間的關系導致知識網絡的形成，在這個知識網絡中，他們過去的組合關系被記錄下來［3］。以往的研究主要集中在企業知識庫的數量特征如何影響其創新成果［4-5］。與上述對企業知識庫的主要關注相反，Yayavaram 等［2］劃時代研究考察了企業知識庫的結構方面。他們認為組織的知識庫是由知識要素之間的耦合關系構成的網絡。這些關系記錄了知識要素在創新過程中過去的組合和隸屬關系，成為知識流動和搜索的渠道。Yayavaram 等［2］對全球半導體行業的研究證明，知識結構可分解性的水平影響企業的創新成果。Wang 等［1］首次將企業內個人協作網絡和知識網絡整合到一個研究框架中，通過對美國一家微處理器組織專利數據的研究，發現這兩個網絡的結構特征是不同的，通過不同的機制以不同的方式影響著個體的探索性創新。Guan等［3］則通過納米技術行業的研究，探討了知識網絡和合作網絡中的直接、間接聯系以及知識網絡的非冗余程度對二元式創新的影響。

上述研究充分從知識網絡視角分析了創新績效的前端因素。然而，迄今為止，很少有研究考察知識網絡結構對突破性創新績效的影響。突破性創新作為創新的一個子集，其突破性技術使組織能夠挑戰現有的技術秩序并形成新的發展軌跡，并使它們能夠從事組織再造、業務增長和新業務開發［6-7］。顯而易見突破性創新作為一種重要的、高質量的創新，其運用存量知識進行創新的方式一定具有自身的特殊性。因此，有必要針對知識網絡特征對突破性創新績效的影響進行進一步的研究。

Guan 等［3］發現在過往的研究中協作網絡強調了基于社會的搜索的重要性，知識網絡強調了基于知識的搜索的重要性。很多研究的邏輯是基于知識網絡結構特征影響了組織的知識搜索行為進而影響到了組織創新績效［1，3］。但從現有研究文獻看，對于這種知識搜索行為的中介作用研究較少。

綜上所述，盡管知識網絡結構對組織技術創新績效的影響已經吸引了國內外學者們廣泛關注，但鮮有從知識網絡角度對突破性創新績效影響的研究，特別是針對跨界搜索對知識網絡結構和突破性創新的中介作用，相關研究尚未開展。基于目前研究現狀，本研究運用社會網絡分析的方法，從組織整體網絡的角度出發，研究知識網絡中心勢、結構洞對組織突破性創新的影響，并將組織知識跨界搜索的中介影響納入分析框架中來。

1 理論和假設

突破性創新作為組織創新的一種表現形式，是科學前沿研究與新興技術結合產生的創新變革，其會引領技術及產業發展方向，并且成為企業和產業獲得制勝先機和持續競爭優勢的關鍵［8］。突破性創新具有跨越原有的技術軌道，能使企業產品、工藝或服務產生非線性的變革的跨越和跨界特性。研究突破性創新產生的前端影響因素可以從前端了解突破性創新產生的根源。而跨界搜索則構成了前端作用的主要形式［9］；從跨界知識搜索產生的前端因素看，跨界搜索的基礎在于原有知識元素的積累，而這些知識元素積累而形成知識網絡的結構特征則會影響組織跨界搜索的廣度和深度。因此，知識網絡結構和跨界搜索共同構成了突破性創新的前端因素，兩者的相關特征則會對突破性創新績效產生影響。

1.1 知識網絡中心勢與突破性創新

知識網絡中心勢是從整體網絡角度衡量網絡中的知識圍繞某個知識元素組建的程度。其表現為在組織中某類知識元素相比其他元素更重要，因為這些元素具有比其他元素有更多的直接連接。知識網絡中心勢高，在組織中這類處于中心的元素會在知識組合和吸收中被更為頻繁的使用，說明組織整個元素組合較為緊密，這種頻繁、緊密的組合，使得組織能夠更深入了解這些重點知識元素以及它們的組合成功經驗，提高知識組合的實用性并降低研發過程中的不確定性風險，組織更容易判斷獲得的知識組合是否在技術上具有成本優勢［10］，這種組合方式形成的技術創新，也更容易實現在市場上的再開發，實現突破性創新。由此，提出如下假設：

假設H1：知識網絡中心勢正向影響突破性創新績效

1.2 知識網絡結構洞與突破性創新

從知識網絡結構洞的限制度的這種計算方式看，限制度體現了網絡中知識元素受某個節點聯通的限制程度，即在整個網絡節點需要通過中介點聯通的程度［11］。而這種限制度越小，則意味著在知識網絡中這種跨越各種知識元素的結構洞越多，結構洞會促進知識元素和信息間接聯系和轉移，增強了組織與異質性知識整合的可能性，從而增強了組織實現突破性創新的數量。

另外知識網絡結構洞數量少，會使得組織更容易陷入“接近性陷阱”。Ahuja G 等［12］提出了知識吸收的過程中容易陷入“接近性陷阱”——傾向于接近現有解決方案或知識的解決方案，這會成為一種病態的組織創新模式，會對突破性創新產生負面影響。而組織整體網絡中跨越的結構洞越多，會使得組織研發者更容易獲得遠端知識，從而避免組織陷入接近性陷阱，促進研發的創新性，最終對突破性創新績效產生正面面影響。由此，提出如下假設：

假設H2：知識網絡結構洞對突破性創新績效有正面影響

1.3 知識網絡中心勢與跨界搜索

知識搜索是組織為了在復雜的環境下發現新機會和新思想而進行的信息和知識搜集過程。知識搜索行為又劃分為本地搜索與跨界搜索。跨界搜索是指跨越組織邊界、技術領域邊界、地理范圍界限或文化制度邊界而開展的知識搜索行為，其與本地搜索行為恰好相反［13-14］，在本研究中知識的跨界搜索特指跨越組織邊界的搜索。

知識網絡中心勢高表明了組織知識網路中焦點知識與其他知識要素的組合潛力強，進行知識的搜索時，擁有更密集知識鏈接的焦點知識會搜索到更多相關知識元素，進而提高組合機會［1］。同時組織聯系緊密，組織研發者會更熟悉知識元素，更了解這些知識元素的特性和相關知識元素所在領域，組織研發者更容易從組織外部迅速獲得最優知識組合，這也促進了組織跨界知識搜索的成功率。由此，提出如下假設：

假設H3：知識網絡中心勢對跨界搜索有正面影響。

1.4 知識網絡結構洞與跨界搜索

知識的搜索和獲取是具有局部性特點的，研發者總是從自身局部擁有的知識出發，進行知識搜索。因此，在知識網絡中整體的結構洞水平較低時，研究者會傾向于在自己熟悉的知識領域進行知識搜索和組合［15］。知識元素在知識網絡中的結構洞，表明其鏈接了在過去的專利中彼此互不相連的知識元素。而結構洞數量越高，說明研究者將會有更多的機會接觸到組織內的以前沒有相連的異質知識元素，研究者會更傾向為異質性知識尋找新的知識組合方式，這種可能性會促進研究者通過在組織外部的跨界搜索獲取新知識要素的動力。由此，提出如下假設：

假設H4:知識網絡結構洞正向影響知識跨界搜索

1.5 跨界搜索與突破性創新

盡管對于過量的跨界搜索是否會帶來消極影響，學術界還處于爭論過程中,但是現有的研究普遍認為跨界搜索能夠促進組織創新［6，16-19］。Rosenkopf L等［18］認識到要超越本地搜索，需要知識搜索行為跨越一些邊界，無論這些邊界是組織的還是技術的。其通過對光盤技術的專利研發數據的分析，發現當知識搜索跨越了組織邊界而非技術邊界時，知識搜索行為對光盤領域后續技術創新會產生較大的正面影響。Anupama Phene 等［6］從組織在創新中搜素外部知識的技術空間和地理來源兩個維度區別了本地知識搜索和外部知識搜索。作者使用了來自美國生物技術產業的專利數據實證分析得到跨越國界的知識搜索對突破性創新具有正向效應，但跨越技術邊界的知識搜索行為會產生倒U 型的曲線作用結果。

面對突破性技術的挑戰，單個組織難以依靠自身知識開展突破性技術創新，跨界搜索可以打破知識結構對技術發展軌跡的束縛。跨界搜索作為組織突破性創新的前端模糊因素，其“跨界”特征，是組織實現突破性創新的前因變量［9］。模糊前端是創意產生以及篩選的重要階段，對創新成功及其成本降低有重要影響。跨界搜索和跨界合作是實現跨界創新進而實現突破性創新的重要前因變量，通過跨越組織邊界和技術邊界的搜索會獲得多方信息和綜合考量，能夠更為科學客觀地降低不確定性，提升技術研發的成功率，同時這種跨界的前端影響機制更容易將更多異質性的和跨越產業邊界的元素嵌入到新發明中，這樣的發明容易實現產品性能和產品成本的巨大改變，進而提升研發質量，最終形成突破性創新。由此，提出如下假設：

假設H5知識的跨界搜索會對突破性創新績效產生正面影響

1.6 跨界搜索的中介作用

Wang 等［20］通過調查臺灣的創新數據，證明了知識網絡(包括組織在網絡結構中的地位）與創新績效之間的關系受組織知識整合能力的中介影響。而有學者認為知識搜索是組織進行知識整合的重要過程［21］。因此，組織從知識搜索到知識吸收直至知識重組，完成了知識整合的完整過程，知識獲取和搜索為組織提供了至關重要的戰略價值，組織搜索知識的程度影響著他們將來利用和應用這些知識的方式。從知識網絡的角度來看，組織可以從其在網絡中的結構位置，搜索并獲得大量的知識，其是組織進行知識整合的重要前端過程。

綜合前面的假設和分析可以看出，組織內部的知識網絡結構為組織的知識跨界搜索帶來影響，使得組織跨界去搜索技術知識和市場知識的活動更為便利,成本更低。而跨界搜索則為組織帶來創新所需要的外部知識元素，為組織實現突破性創新提供了知識基礎。由此，提出如下假設：

假設H6a：跨界搜索在知識網絡中心勢和組織突破性創新之間具有中介作用

假設H6b：跨界搜索在知識網絡結構洞和組織突破性創新之間具有中介作用

基于以上假設,本研究擬構建如圖1 所示研究模型：

圖1 理論框架模型和研究假設

2 研究設計

2.1 樣本選取和數據收集

本研究以人工智能（Artificial Intelligence，英文縮寫為AI）領域為背景來檢驗上一節中的假設。該領域具有很強的動態性，科技進步和多學科、多技術領域的高水平互動也是該領域的特點。因此，可以觀察到大量的知識儲備和許多突破性創新的事件。本研究的主要因變量和自變量是基于發明專利授予組織的人工智能發明專利數據計算的。雖然基于專利的指標有一定的局限性，但是大量的研究已經證明了它們作為衡量組織創新活動的有效性。

從專利數據的完整性和可得性的角度出發，本研究選用了Innojoy（大為）專利搜索引擎來提取人工智能領域的專利數據。選擇使用這個數據庫是因為其收錄了全球100 多個國家1 億多件專利數據，包括USPTO、EPO、JPO 和SIPO 等。因此，從該數據庫中提取的人工智能專利可以反映該領域技術的發展狀況。

為了從Innojoy 數據庫中準確識別和獲取人工智能專利，文章參考了Guan 等［3］、陳軍等［22］、羅梓超等［23］使用的關鍵詞搜索策略。即在專利的標題或摘要中包含與人工智能技術相關的關鍵字，用于搜索和選擇人工智能專利。由于中國國內人工智能專利的引用和被引用數據不健全，在選擇專利庫時，研究者選擇了美國的發明授權專利進行關鍵詞搜索。所采用的搜索詞定義見如下：“AI or pattern recognition or pattern identification or speech recognition or voice recognition or Cognitive computing or image recognition or Intelligent processor or Iris ID or Iris recognition or IKSDK or intelligent robot or machine learning or expert system or Intelligent search or Smart Search or neural network or expert system or computer vision or Intelligent driving or Cognitive computing or Artificial intelligence or pattern identification”

檢索時間是2019 年3 月10—18 日。為了消除非人工智能領域的專利，在獲得初步的專利數據后，通過對標題、摘要首頁的分析，剔除了非人工智能的專利。經過兩輪篩選，最終確定了1970—2015 年期間授予的105 550 項人工智能領域的專利，圖2 顯示了1970—2015 年的美國授權人工智能專利的數量變化趨勢。

圖2 美國1970—2015 年人工智能領域授權發明專利變化

從圖2 每年授予人工智能專利的動態演變的數字可以看出，在整個1970—1980 年代，人工智能技術的研發非常少，但是在2000 年代開始，人工智能技術的研發和產品的使用有了相當大的增長。特別是從2011 年以來，每年的專利申請量（已經授權）都達到了5 000 條以上。考慮到專利從申請到最后授權會有幾個月到幾年不等的時間，為了避免選擇偏差，研究中使用了2015 年而不是2018 年作為觀察期的結束年。所以，本研究沒有囊括2016—2018年申請并授權的最新專利。同時因為本研究的主體是組織，所以刪除了專利權人為個人的發明專利。

參考Wang 等［1］的數據采集方法，采用縱向設計，用前一階段的變量解釋下一階段的變量。本研究使用2011 年至2015 年申請批準的專利來構建因變量，因變量是突破性創新專利的數量。本文使用了一個從1970 年到2010 年的時間窗口來構建公司知識元素的知識網絡。因為知識元素遠比研發者在組織里存續的時間長，所以在組建知識網絡時，選擇了較長的時間窗口，這更能夠體現組織內不同知識元素之間的相互作用，完整體現知識元素在網絡中結構和位置特征。根據數據的可靠性和可得性，對2011—2015 年有突破性創新的組織進行了篩選，篩選依據為有突破性創新的組織在前一時間窗口（1970—2010）有AI 發明專利，并且這些專利的知識元素存在組合現象。數據篩選后最終確定了243家重點研究組織。

2.2 變量

2.2.1 因變量

先前關于創新成果的研究已經廣泛采用專利被引用次數作為專利質量的代理指標［24-25］。Carpenter等［24］研究表明與重要發明相關的專利被引用的次數是漸進式創新專利的兩倍。Trajtenberg［25］的研究已經證實最多引用的專利是最有價值的。因此，對突破性創新專利的數量的計算，文章參考Jie Wu 等［26］、Ahuja 等［12］、Dahlin 等［27］的研究，使用在2011—2015 年時間窗口內，專利被引用數量最高的5%的專利來計數突破性創新數量。

2.2.2 自變量

知識網絡結構的研究從目前看主要涉及結構洞、中心度（勢）以及網絡密度［10］。研究者根據研究組織1970 年到2010 年時間窗口內的專利數據構建了公司的知識網絡。借鑒wang 等［1］、Guan 等［3］的研究，以專利IPC 編碼的前四位作為知識元素的代表，如果兩個由工業子類表示的知識元素共同存在于專利中，那么這些元素之間就有聯系。根據這一原理，構建組織知識網絡二值矩陣，并通過Ucinet6.0 軟件計算獲得知識網絡中心勢和結構洞相關指標值。

知識網絡中心勢：網絡中心勢是測量知識網絡圍繞某個或多個點構建起來的程度。中心勢是研究整體網絡（whole network）的中心性問題，而中心度是測量個體網絡（ego network）中的中心性問題，本研究中研究的是某一組織整體網絡的中心勢。根據標準不同，目前有度數中心勢、中間中心勢和接近中心勢三種中心勢測量指標。本研究選擇了度數中心勢為測量指標，其描述了組織整體網絡圖中多大程度上表現出向某個點集中的趨勢［28］。一個具有n個節點的知識網絡的度數中心勢的計算公式如下：

知識網絡結構洞：借鑒wang 等［1］的研究，采用了四種結構洞測量指標中的限制度（constraint）來進行測量，由于本研究區別于wang 等［1］以研發者建立的個體網絡，是從組織內容的整體知識網絡進行的分析，所以在Ucinet6.0 中計算時選擇的是基于整體網絡的分析。采用整體知識網絡中單個知識元素限制度的均值進行計算。組織整體網絡中單個知識元素的結構洞計算方法采用wang 等［1］、Burt［29］的方法測算，公式如下：

Ci表示知識元素i的限制度，即i受到j的限制度指標，i、j、q分別表示不同的知識元素，公式中Pij表示知識i和j直接關系，piq表示知識元素i的全部關系中，投入到q元素的關系占總關系的比例。Ci可以用來衡量企業知識元素擁有結構洞的匱乏程度［30］。已有的研究會常用1 與“限制度指數”的差值來衡量結構洞的豐富程度［1，33］：

2.2.3 中介變量

跨界搜索。學術界對于跨界的定義有多重，有技術知識的跨界也有跨越組織邊界和區域邊界的跨界。本文參考Paruchuri S 等［32］選擇了以組織邊界進行定義。即根據專利引用信息，如果某焦點組織發明的專利，在引用時引用的是本組織以外的專利，則定義為是跨界搜索。該變量由（2011—2015）年時間窗口內的組織每項專利（包含突破性創新和漸進式創新）的引用量加總得到。

2.2.4 控制變量

雖然本研究在理論上關注的是知識網絡結構、跨界搜索對突破性創新的作用，但可能還有其他因素影響著組織知識利用的程度。因此，本研究在分析中控制了幾個組織特質方面和組織知識要素使用情況的因素。

專利存量：組織1978—2010 年的AI 專利存量，該領域已有專利數量體現了被研究組織具有較強的技術研發能力。

知識組合強度：組織發明的專利中知識元素組合次數，體現了知識元素在組織內的組合頻率。本研究以組織1970—2010 年中有知識要素組合的專利占總發明專利的比值來計算。

知識要素存量：組織知識組合中的知識元素的數量表明了組織的知識組合的廣度，通過時間窗口（1970—2010年）內專利涉及的工業子類（IPC前4位）的數量來衡量。

組織年齡：注冊成立時間長的公司往往在該研究領域積累了大量的知識要素，具有豐富的知識組合和使用的經驗。更有利于運用知識實現突破性創新。本研究控制了公司的年齡，用公司注冊成立到分析年2015 的年份差額來計算；

組織類型：本研究中243 家組織中，涉及到了組織、大學和科研機構三種類型。不同的組織類型擁有知識和使用知識的方式差異較大。因此研究中用兩個虛擬變量（大學、科研機構）來對這三種類型進行區分，數據都為零則代表為公司。

組織位置：不同區域的創新組織其創新活躍度和方式不同，會對突破性創新產生影響。由于243家組織中只涉及到北美洲、亞洲和歐洲三個地區，因此研究中用兩個虛擬變量進行區分（歐洲、亞洲），數據都為零代表為北美洲的組織。

2.3 模型選擇

由于因變量突破性創新的數值是計數變量為非負正整數，考慮使用泊松模型或負二項回歸模型［1，3，33］。由于泊松回歸模型具有局限性，需要滿足期望與方差一定相等（即均等分散）的假設。為了驗證均等分散結果，使用stata15.0 的負二項回nbreg 命令回歸后，分析結果表明“likelihood-ratio test of alpha=0”假設檢驗的結果P＜0.01 是顯著的，因此拒絕了“過渡分散參數=0”的原假設，這說明模型中被解釋變量有過渡分散的問題，需要使用負二項回歸模型進行分析［33］。

3 研究結果

3.1 描述性統計

表1 給出了關鍵變量的均值、標準差和相關系數。方差膨脹因子(VIF)分析表明，VIF 值范圍從1.01到3.88，均值為1.88，遠低于10 的閾值，表明模型中不存在嚴重的多重共線性問題。

表1 描述性統計和相關關系

3.2 回歸結果

負二項回歸共建立了8 個回歸模型，表2 報告了知識網絡和突破性創新關系的負二項回歸結果。

模型1 表示基本模型，其中只包含模型中的控制變量。模型2-4 分別向模型1 添加知識網絡中心勢相關的自變量，并進行了逐步法的中介變量檢驗。模型5-7 向模型1 添加知識網絡結構洞相關的自變量，并運用逐步法針對跨界搜索變量進行了中介變量檢驗。模型8 代表了完整的模型，包括所有相關的控制變量和自變量。

模型2 顯示知識網絡中心勢對突破性創新績效具有顯著正效應（）,假設H1得到了支持；模型5 顯示知識網絡結構洞對突破性創新績效具有顯著正效應（）,假設H2得到了支持；模型4 用來驗證知識網絡中心勢對跨界搜索的正效應，回歸結果顯示（），說明只有低于5% 的可能支持H3=0 假設，因此知識網絡中心勢對跨界搜索具有顯著的正效應，假設H3得到支持；模型6 顯示知識網絡結構洞對跨界搜索具有顯著的正效應，回歸結果顯示（），假設H4得到支持；模型3 和模型6 顯示跨界搜索對突破性創新績效具有顯著正效應，其系數和P值分別為（）；（），假設H5得到了驗證和支持。

表2 負二項回歸模型的實證結果

表2 （續）

3.3 中介效應檢驗結果

為了檢驗跨界搜索的中介效應,本研究采用了溫忠麟［34］提到的逐步回歸法進行驗證。針對假設H6a的中介檢驗，本研究通過模型2、模型3、模型4 分步進行驗證。具體步驟如下：第一步，模型2以突破性創新為因變量,自變量為知識網絡中心勢，加全部控制變量進行回歸；第二步，模型3 在第一步自變量基礎上加入跨界搜索；第三步，模型4 以跨界搜索為因變量,知識網絡中心勢為自變量進行回歸。假設模型2 中，自變量網絡中心勢系數用C表示；模型3 中網絡中心勢系數用C'表示，跨界搜索系數用a 表示；模型4 中自變量網絡中心勢系數用b 表示。通過回歸分析可知C=0.911（P＜0.01）、C'=0.606(P＜0.1)、a=0.008 4（P＜0.01）、b=1.00（P＜0.05）,各個系數都顯著，說明跨界搜索在知識中心勢和和組織突破性創新之間存在部分中介效應，因此假設H6a得到支持。

同理假設H6b的中介檢驗步驟類似，分別通過模型5、模型6、模型7 三步來完成。模型5 中系數C=1.126（P＜0.01）、C'=0.853 (P＜0.05)、a=0.008 25（P＜0.01）、b=1.763（P＜0.05）,各個系數都顯著，說明跨界搜索在知識網絡中心勢和和組織突破性創新之間存在部分中介效應，因此假設H6b得到支持。

3.4 穩健性檢驗

作為穩健性檢驗，本研究參考了Guan 等［3］對探索性創新績效的計算方法，對模型中原有的因變量突破性創新績效的簡單專利數加總計算進行了合理替換。使用專利家族大小作為價值標準，每一項突破性創新專利都根據其專利家族數值進行替代，最終經過加總計算出在2011—2015 時間窗口內各家組織的專利家族總數。專利家族規模是指為一項發明申請專利保護的司法管轄區的數量［3］，家族規模與專利價值顯著相關，尤其是經濟價值。

表3 中的模型1 到模型8，是替換原有因變量（專利簡單計數）的基礎上，進行標準的負二項回歸得到的。這些模型表明，本研究所關心的變量的估計系數的符號與質量性能的回歸結果相似，但估計系數的大小和顯著水平發生了變化。總體上看，模型2 到模型7 中的結論與之前的分析結果是一致的。

表3 穩健性檢驗

表3 （續）

4 研究貢獻與展望

本研究以1970—2015 年美國在人工智能領域申請專利的243 家組織為樣本，針對組織知識網絡中心勢、知識網絡結構洞與突破性創新績效的關系進行了實證研究，同時基于突破性創新形成所具有的跨界特性，從前端因素——跨界搜索的視角，研究了知識跨界搜索對知識網絡結構與突破性創新績效之間關系的中介作用。通過實證數據的驗證得到了如下結論和貢獻：

首先，本研究強調了知識時網絡結構對突破性創新績效的影響。之前的研究探討了對利用性和探索性創新的研究，很少涉及到對突破性創新績效的研究。本研究發現從突破性技術創新角度看，知識網絡中心勢與組織突破性創新績效呈正相關的關系，知識網絡結構洞與組織突破性創新績效呈正相關的關系。

其次，本研究探討了組織知識網絡結構對組織知識跨界搜索的影響。Wang 等［1］、Guan 等［3］在探討知識網絡結構對創新績效影響時，都間接通過知識元素搜索和組合的原理對設定的假設進行了解釋，但并沒有直接研究這些結構對知識搜索行為的影響結果。本研究在研究中則直接重點研究了這些網絡結構對知識搜索的影響效果和作用機理。本研究結果表明：知識網絡中心勢與跨界搜索呈正相關的關系，知識網絡結構洞與跨界搜素呈正相關的關系。

第三，本研究關注了知識搜索中的跨界搜索對知識網絡結構和突破性創新的中介作用。目前基于網絡結構對知識搜索的研究多數是從社會合作網絡的角度對本地搜索的影響研究［32］。其實針對突破性創新的知識搜索行為更傾向于跨界搜索［9］。本研究結果表明：跨界搜索會在知識網絡結構和突破性創新績效關系中呈現部分中介效應。同時也驗證了跨界搜索會正向影響突破性創新績效的假設。

本研究存在的不足之處，以及后續研究需要繼續深入的地方：第一，由組織專利量數據龐大，組建知識網絡的數據處理量大，因此本研究主要利用人工智能領域的專利數據樣本進行研究。人工智能領域的創新研究具有跨學科的高動態性和交互性。因此，本研究的結果不能簡單地推廣到其他工業環境。今后可選擇具有不同動態性和交互性的工業情境的行業，進行進一步的比較研究，以檢驗目前研究中無法證實的假設；第二，由于研究者運用的專利數據庫中，針對中國組織的專利引用和被引用數據經常出現缺失，因此針對中國情境下的相關研究還需要繼續拓展；第三，研究采用的是截面數據而不是面板數據。本研究參考Wang 等［1］的研究采用了截面數據，這種數據結構可能不容易捕捉時間和公司戰略政策變化對突破性創新的影響。因此，可考慮采用多個時間窗口的面板數據研究模式；第四，本研究關注的突破性創新績效，是以專利數據加以衡量，因此研究只片面分析了組織技術層面的突破性創新。突破性創新涉及到的產品創新、流程創新、管理創新等通過二手數據無法獲得，后續研究者可通過問卷調查等一手數據，對本研究分析結果進行進一步的驗證和分析。