負聯系對創新網絡結構演化的影響

程露 李莉

摘 要：結合結構平衡理論與動態平衡思想，對企業創新網絡演化過程中負聯系的影響和作用機制進行深入分析，界定了負聯系影響下創新個體的4種知識搜索行為和2種搜索屏蔽現象，并分析了知識搜索行為演化機制。研究結果表明：①負聯系會縮小創新個體間地位差距，使個體地位趨于平等；②負聯系會使創新網絡始終保持鮮明的派系特征，并阻礙派系融合，使創新個體更依賴于其所在派系；③創新網絡凝聚性不僅取決于個體互動中建立的正聯系，還受到負聯系的復雜影響。一方面，負聯系通過抑制網絡正聯系、增強拓撲性削弱創新網絡整體的小世界現象；另一方面，負聯系加深了創新個體對派系的依賴程度，使得派系內成員間的聯系更緊密，網絡局部小世界結構特征更顯著。

關鍵詞：創新網絡；負聯系；知識搜索；網絡演化

DOIDOI：10.6049/kjjbydc.2022090235

中圖分類號：F091.354

文獻標識碼：A

文章編號：1001-7348（2023）06-0036-12

0 引言

由一群企業或創新組織互動交流形成的創新網絡（以下簡稱為“創新網絡”）結構演化一直是創新管理領域研究的熱點和重點^[1-3]。一直以來，創新網絡及其網絡結構演化聯系被認為對個體創新具有積極的正向作用，學者們將創新網絡理解為合作創新網絡、協同創新網絡、知識網絡等結構變化。實際上，創新網絡是一個符號網絡（signed network），個體企業間不僅存在代表合作創新、知識共享等的正聯系（positive links），還存在代表競爭對抗、信息封鎖、抵觸交流等的負聯系（negative links）。相較于獲得廣泛研究的正聯系，負聯系尚未在創新領域引起足夠關注^[4-5]。學者們大多跳過負聯系，將企業間創新網絡等同為創新合作網絡、協同創新網絡等正網絡或無符號網絡（unsigned network）。Schuler^[6]將這一現象形象地總結為“不可見的聯系”（invisible ties）。

近年來，有關社會網絡、復雜網絡以及其它交叉學科領域的研究逐漸增多。Harrigan等^[7]在梳理社會網絡研究時指出，在社會經濟交流互動過程中，相較于正聯系，負聯系對個體行動者態度和行為具有更顯著的影響； Teixeira等^[8]、Keuchenius等^[9]對Twitter、Facebook、Insgram等大型社交媒體網絡的實證分析結果表明，引入負聯系信息有助于提升在線網絡社區結構劃分、新社區發現和預測用戶網絡行為的精準性；Summers & Shames^[10]根據聯合國1946-2008投票表決記錄考察國際關系網絡變遷與國家戰略行為，調查發現，負聯系在網絡結構形成和結構演化過程中扮演重要角色；Lerner^[11]在研究人際關系網絡時發現，負聯系直接影響個體行為模式，是社群結構形成的重要原因，并提出應引入負聯系改進社群發現算法和指標；Isakov等^[12]在研究歐美鄉村網絡時發現，引入負聯系能夠更清晰、更合理地解釋網絡結構成因與歷史發展路徑，預測網絡未來演化趨勢；Stadtfeld等^[13]在梳理社會網絡領域負聯系研究進展的基礎上，進一步指出，負聯系直接作用于節點網絡行為，表現為網絡聯系的形成、維系和消散，進而影響整體網絡演化軌跡。

值得注意的是，現有負聯系和符號網絡的相關研究主要是針對特定組織或特定范圍內的人際網絡、社交網絡或人格化的國家關系網絡開展的實證研究或問卷調查^[7]，針對組織間網絡（inter-organizational network）的研究較為匱乏，這與學者們普遍將企業間創新網絡默認為“正網絡”的現狀相符。造成這種現象的直接原因在于，實證數據獲取困難。與人際網絡、社交網絡、國際網絡等其它形式社會網絡、復雜網絡相比，獲取描述網絡結構的長周期、連續性組織關系數據的難度更大。此外，與個體相比，企業往往不愿意公開表達或者傾向隱瞞對其它組織的態度，尤其是負面態度。在兩大因素的疊加下，針對組織間網絡（inter-organizational network）負聯系或符號網絡的研究較匱乏。對此，Stadtfeld等（2020）提出了可行的解決方案，即利用多主體建模仿真方法，將網絡視為一個由多個體構成的復雜自適應系統，其結構狀態是由個體互動與敵視關系共同作用、自下而上的結果。Stadtfeld等^[13]通過變換模型參數值模擬各種網絡場景，生成大規模連續性關系數據，在一定程度上克服和彌補了實證數據獲取困難的不足。

因此，在研究企業間創新網絡相關問題，特別是網絡演化等動態問題時，有必要將創新網絡視為一個符號網絡，關注負聯系對創新個體網絡行為及創新網絡結構的影響，并考慮應用多主體建模仿真方法開展研究?，F階段，針對負聯系或符號網絡的研究主要建立在Heider于20世紀40年代提出的“結構平衡”（structural network）理論基礎上。在靜態結構分析方面，通過經圖論、“弱平衡”，以及有向圖“地位理論”等觀點的補充，已經形成相對完整的符號網絡結構分析框架^[6-7]。靜態網絡結構分析包括小、中、大3個尺度，其中，小尺度分析主要采用特征向量中心性、節點中心性、節點RageRank值等指標度量個體的網絡地位；中尺度分析主要關注符號網絡中的結構分割及派系分化現象；大尺度分析重點關注符號網絡平衡性的度量和分析。在動態演化研究方面，主要通過構建各類離散時間模型、連續時間模型仿真分析符號網絡演化的動態特征^[14]。總體來看，符號網絡研究主要是將負聯系置于網絡個體行為與符號網絡結構分析框架下，這種研究思路為引入負聯系的創新網絡研究提供了重要參考。

綜上所述，本研究將聚焦創新網絡演化問題，在現有文獻基礎上，將創新網絡視為一個復雜系統的符號網絡，關注負聯系對創新個體網絡行為和創新網絡演化的影響與作用機制。首先，本文擬采用多主體建模仿真方法開展研究，將企業間創新網絡視為一個由不同企業個體交織而形成的復雜自適應系統，其結構演化是企業網絡行為推動的自下而上的結果。其次，出于簡化研究、降低不必要復雜性等方面的考量，借鑒呂一博等^[15]的研究思路，將創新個體網絡行為限定為基于網絡傳遞性（tradic）機制的知識搜索行為。在此基礎上，通過引入符號網絡的結構平衡和動態平衡思想，構建創新個體知識搜索行為演化分析框架。隨后，構建個體知識搜索驅動下創新網絡演化的多主體仿真模型。最后，對比不同狀態的仿真結果，從創新個體網絡地位差異和創新網絡動態結構特征兩個方面，探討創新網絡演化過程中負聯系的影響。

1 創新個體知識搜索行為分析框架

創新個體的知識搜索行為不僅是自身和目標對象相互作用的結果，往往還受到“中間人（brokers）”的影響^[16]。大量經驗事實表明，中間人在激發組織學習、促進創新網絡中的知識流動等方面扮演協調人、守門人和代理人等重要角色^[17]。在傳統的無符號網絡或正網絡框架下，“中間人”影響下的創新個體知識搜索行為會表現出較顯著的傳遞性（tradic）機制，即“朋友的朋友是朋友”的三角關系 ^[18-19]，如圖1（a）所示。

結構平衡理論認為，當引入負聯系或在符號網絡框架下，原有相對穩定的傳遞性“三角”會從原先的“朋友的朋友是朋友”拓展為4種新平衡態形式，即“朋友的朋友是朋友（FFF）”、“敵人的敵人是朋友（EEF）”、“朋友的敵人是敵人（FEE）”和“敵人的朋友是敵人（EFE）”^[20]。其中，后三種新增平衡態“三角”關系如圖1（b）、圖1（c）和1（d）所示。

就企業知識搜索行為而言，“朋友的朋友是朋友（FFF）”和“敵人的敵人是朋友（EEF）”兩大機制決定了基于“中間人”的知識搜索行為規則——“誰是潛在的合作對象”、“可以從何處獲取知識”；而“朋友的敵人是敵人（FEE）”和“敵人的朋友是敵人（EFE）”兩種機制則會在企業知識搜索過程中產生“屏蔽”現象——“誰是潛在的敵人”、“無法從其處獲取知識”。

1.1 知識搜索行為基本類型

FFF機制廣泛存在于各類現實網絡中。Fritsch & Kauffeld^[21]對德國16個區域創新網絡、近300家企業的實地調查發現，較高比例的知識是通過“中間人”（如客戶、供應商、中介等）的關系網絡獲得的。Snijders et al.^[22]、 Robins et al.^[23]認為，FFF機制影響下的個體知識搜索行為可以通過三角關系環（triadic closure）形象地展示出來。呂一博等^[15]在此基礎上，結合網絡知識流動與知識搜索的方向性，進一步將知識搜索行為界定為知識溯源型搜索、知識源共享型搜索和擴散源共享型搜索3種類型。

EEF機制引發了創新個體的第四種結構化搜索行為—“結盟型搜索”。面臨共同競爭對手的創新個體之間傾向于形成創新聯盟以進行知識信息互補，這種結構的搜索行為在現實世界中大量存在。如互聯網電商的“騰訊系Vs.阿里系”事例中，騰訊、京東、美團等聯盟合作，共同開發與維護微信商業平臺以對抗以阿里為首，由淘寶、微博、餓了么等多家互聯網企業參與打造的支付寶商業平臺。Kirkley等^[24]對網絡博弈模型的研究也表明，共同的“敵人”會促使個體間更加緊密地聯盟合作。

因此，本研究將基于中間人的個體知識搜索行為劃分為4種基本類型，如圖2所示。其中，點i代表知識搜索主動方，點m代表目標知識源，點k代表中間人；實線代表已有的網絡聯系，虛線代表新增的網絡聯系；連線箭頭代表知識搜索方向，負聯系無方向，下同。

（1）知識溯源型搜索。個體在知識搜索中，傾向于與知識溢出源頭直接建立聯系。如圖2（a）所示，知識搜索主動方i基于中間人k的“交互二路徑”（multiple two-path）結構，展開指向知識源m的知識搜索。

（2）知識源共享型搜索。個體在知識搜索中，傾向于與其他具有相似知識需求屬性的個體直接建立聯系。如圖2（b）所示，知識搜索主動方i基于中間人k的“k-入-星”（k-in-star）結構，展開指向與其共享知識源的個體m的知識搜索。

（3）擴散源共享型搜索。個體在知識搜索中，傾向于與其它具有相似知識溢出屬性的個體建立直接聯系。如圖2（c）所示，知識搜索主動方i基于中間人k的“k-出-星”（k-out-star）結構，展開指向與其共享擴散源的個體m的知識搜索。

（4）結盟型搜索。個體在知識搜索中，傾向于與擁有共同競爭對手的個體直接建立聯系。如圖2（d）所示，知識搜索主動方i基于中間人k的“交互負邊”（two negative edges）結構，展開指向與其具有共同競爭對手的個體m的知識搜索。

1.2 搜索過程中的“屏蔽”現象

FEE和EFE機制會引發個體知識搜索中的“屏蔽”現象。從國家創新體系層面看，當美國通過“瓦森納協議”和“1334號法令”等對我國實施技術輸出管制時，其盟國也實施了相同的技術輸出管制措施。而美國及其盟國對我國在電信領域技術準入的區別對待，也印證了個體知識搜索中屏蔽現象的普遍存在^[25]。這類屏蔽現象的根源在于知識源搜索與現有穩定的符號網絡結構產生沖突。

因此，本文研究將基于中間人個體知識搜索的屏蔽類型，劃分為“Ⅰ型屏蔽”和“Ⅱ型屏蔽”，如圖3所示。其中，雙向箭頭表示創新個體間存在知識搜索行為，但不確定誰是知識源、誰是主動方，或者互為知識源和搜索主動方。

（1）Ⅰ型屏蔽。個體在知識搜索中會受到其盟友競爭對手的排斥，或存在為維持現有同盟關系而采取主動疏遠盟友競爭對手的現象。如圖3（a）所示，知識搜索主動方i因處于中間人k的“正-k-負”（positive-k-negative）結構中，而產生與個體m間的知識搜索屏蔽現象。

（2）Ⅱ型屏蔽。個體在知識搜索中會受到其競爭對手盟友的排斥，或存在主觀斷絕將其作為知識搜索對象的現象。如圖3（b）所示，知識搜索主動方i因處于中間人k的“負-k-正”（negative-k-positive）結構中，而產生與個體m間的知識搜索屏蔽現象。

1.3 個體知識搜索行為演化機制

結構平衡觀點認為，局部三角結構的平衡狀態是存在偶數條負聯系，網絡演化是趨向整體結構平衡的過程，網絡中的局部三角結構具有趨向平衡發展的態勢，如圖4所示。

由創新個體i、k、m形成的局部三角結構存在兩種非平衡態，見圖4（a）、圖4（b），實線表示已有的網絡聯系，虛線表示平衡演化后的網絡聯系。在局部非均衡態中，為達到局部平衡，知識搜索主動方i會選擇對k或m進行知識搜索。在局部非均衡態中，為達到局部平衡，知識搜索主動方i傾向于選擇兩種知識搜索行為：①將已有負聯系轉化為正聯系；②將已有的正聯系轉化為負聯系。

三角結構的局部平衡并不意味著必然導致全網的整體平衡，非平衡態的動態發展是網絡演化常態^[26]。Hummon &Doreian^[27]及其后續學者構建的網絡演化動態平衡模型為基于局部平衡的全網平衡演化研究提供了有效分析思路和理論框架，如圖5所示。

局部創新網絡G（v， e， s）由創新個體A、B、C、D、E組成，其中，符號v表示組成網絡的點，e表示組成網絡的邊，s表示邊的“正/負”屬性。在圖5中，灰色節點代表知識搜索主動方，實線代表已有的網絡聯系，虛線表示新增的網絡關系；雙向箭頭表示創新個體間存在知識搜索行為，但不確定誰是知識源、誰是主動方，或者互為知識源和搜索主動方。在t_n時點，網絡G達到平衡狀態b_n；在t_n+1時點，當知識搜索主動方A與D建立網絡聯系時，網絡G的平衡態被打破。因此在t_n+2時點，A傾向于兩種搜索行為：①將與D間的正聯系轉化為負聯系，網絡G達到新的平衡狀態b_n+1；②將與C間的正聯系轉化為負聯系，網絡G達到局部平衡狀態b_n+2。

2 創新網絡演化模型構建與仿真設置

2.1 模型抽象與假設

創新網絡是由創新主體間廣泛、復雜的非線性關系交織形成的復雜網絡，其發展演化的基本驅動力是創新個體的知識搜索行為^[28]，其發展演化具體表現為創新個體變遷以及不同個體間的關系變遷。其中，創新個體變遷是指創新網絡中的“進入—退出”現象以及個體網絡地位變化；個體間的關系變遷則是指網絡聯系變化與網絡拓撲的改變。在本研究構建的多主體仿真模型中，創新網絡中的“進入-退出”現象反映為網絡節點數量的變化；個體間的關系變遷表現為網絡中聯系數目與符號的變化，并反映在網絡拓撲的改變上。同時，根據種群生態學的相關研究，成熟的創新網絡中個體數量會維持相對穩定^[29]，因此創新網絡存在個體數量的增長上限。為重點分析負聯系對知識搜索驅動下創新網絡演化的影響，本文對構建的仿真模型作出如下條件約束：

約束1：創新網絡處于相對穩態的環境中，個體知識搜索行為是其發展演化的主要驅動力；

約束2：創新網絡設定為由同質創新個體構成，個體間差異主要表現為網絡地位差異；

約束3：創新網絡中個體數量隨時間推移遞增，但存在一個增長極限規模；

約束4：創新網絡設置為一個有向符號網絡，負聯系無方向，即“厭惡”是相互的——若個體A“厭惡”個體B，那么B對A也持相同態度， AB之間不存在搜索行為，沒有知識流動。

2.2 仿真模型初始狀態與演化規則設置

為重點分析負聯系對創新網絡演化的影響，分別構建存在負聯系和無負聯系兩類創新網絡演化的仿真模型，分別記為S₁和S₂，對其仿真結果進行對比分析，考察負聯系對創新網絡演化的影響。

2.2.1 網絡初始結構設置

大量研究證實，長期的網絡演化結果與網絡初始狀態無關，僅受網絡個體行為的作用^{[15， 30]}。故本文將創新網絡的初始結構I，設定為由N₀個同質節點隨機建立連接而形成的一個不完全網絡。其中，網絡節點設定為單一屬性，網絡聯系設定為單位強度，若節點間不存在正聯系形成的“捷徑”，則二者距離定義為+∞。特別的，在模型S₁中，正負聯系的發生概率分別設定為p和（1-p）。

2.2.2 網絡演化規則設置

創新網絡中網絡節點的數量上限設定為N，存在T_m個演化階段（m=1，2…，w），b₁、b₂、b₃和b₄分別代表溯源型、知識源共享型、擴散源共享型以及結盟型知識搜索行為。仿真模型演化規則具體設置如下：

第一， 網絡節點增長規則：當網絡節點總數小于N時，每個演化階段新增n個節點；當網絡中節點總數達到N時，停止新增節點。

第二， 網絡聯系增長規則：每個演化階段新增e條聯系。在模型S₁中，聯系增長規則b∈（b₁，b₂，b₃，b₄），并遵循動態平衡演化機制；在模型S₂中，聯系增長規則b∈（b₁，b₂，b₃）。

第三， 當演化階段達到T_w時，網絡演化結束。

2.2.3 仿真模型常數參數設置

對涉及模型初始狀態的6個主要常數參數，本研究設置如表1所示。其中，參數N₀、n 與N的數值設置借鑒呂一博等^[31]關于集群網絡增長模型的研究。參數e、w的數值設置借鑒Stadtfeld等 ^[12]基于實證數據構建的符號社會網絡演化模型設置。

2.3 指標參數

創新網絡是一個有向符號網絡，故測度指標選擇應考慮其對有向網絡和符號網絡的適用性。目前，針對有向網絡和無符號網絡結構的評價指標體系研究日趨成熟，而針對符號網絡結構的指標開發和研究則剛起步，這一方面導致傳統指標無法延續測度意義，另一方面可能造成部分甚至全部的負聯系信息遺失^[32-34]。如何定位負聯系的作用與意義，合理處理正負聯系之間的作用關系，是創新網絡結構分析的關鍵和難點。

本文關注的問題是負聯系對創新網絡結構演化的影響和作用機制，而非負聯系本身。因此，借鑒Schuler（2021）的思路，將負聯系視為不可見聯系，在分析網絡結構時，選用傳統經典指標——忽略負聯系，對比分析符號網絡S₁和無符號網絡S₂的正聯系拓撲結構特征。

（1）在考察創新個體網絡地位時，主要選擇節點中心度指標進行測度。具體來說，采用度數中心度（Degree）考察節點活躍性，采用接近中心度（Closeness）考察節點對網絡的依賴程度，采用中間中心度（Betweenness）考察節點在網絡中的控制力水平。

（2）在考察創新網絡動態結構特征時，主要選擇聚集系數C、平均路長L、E-I分派指數和網絡互惠性R進行分析。其中，節點聚集系數的計算公式為：

式中，k_i為節點i的網絡聯系數目，E_i為k_i個節點間實際存在的邊數，N為網絡節點總數。特別地，當k_i=0或1時，C_i=0。

網絡聚集系數為：

式中，C∈[0， 1]，C=0當且僅當節點均為孤立點；C=1當且僅當網絡是全局耦合的，即網絡中任意兩個節點都是直接相連。

有向網絡中平均路長的計算式為：

式中，d_i→j表示節點i到j的距離，N為網絡節點總數。

分派指數E-I的計算式為：

式中，EL表示子群體間的聯系數，IL表示子群體內的聯系數。

網絡互惠性計算公式為：

R=L^?L（5）

式中，L^?表示網絡中雙向聯系的邊數；L表示網絡中全部邊數。

3 仿真結果輸出與分析

針對構建的存在負聯系和無負聯系兩種知識搜索驅動的創新網絡多主體仿真模型S₁與S₂，分別在嵌套JUNG工具包的Java編程語言集成開發環境Eclipse平臺上進行仿真模擬。工具包JUNG的全稱是“Java Universal Network/Graph framework”，是利用Java語言編寫的網絡圖算法與可視化的開源工具包項目，其目的是為開發關于圖或網絡結構的應用程序提供易用、通用的基礎架構^[34]。在Eclipse平臺上，利用Java語言調用JUNG工具包的各種功能，可以方便地構造圖或網絡的數據結構，應用經典算法，如聚類、最短路徑、最大流量等，編寫和測試用戶自己的算法以及可視化數據網絡圖。

將S₁和S₂網絡模型各自運行100次，對輸出結果取均值進行分析。兩種狀態的創新網絡拓撲演化仿真輸出結果如圖6所示。其中，T_i（N_i， E₊， E_－）代表演化階段，N_i為節點數，E_i+為正聯系數，E_i－為負聯系數，圖中所示為100次仿真結果的均值。由于S₂狀態下不存在負聯系，故E_i－取值恒為0。

3.1 創新個體的網絡地位差異

3.1.1 度數中心度分布——創新個體活躍性

節點的度數中心度（以下簡稱“度值”）反映其參與網絡活動的積極性。在創新網絡中，由于知識具有流動性，網絡聯系是有方向的，所以對個體度值需要從入度（in-degree）和出度（out-degree）兩個方面考察。在本研究中，創新個體的知識搜索方向與知識流相反，出向箭頭表示個體搜索外部知識，入向箭頭表示個體對外輸出知識。

創新網絡的度值分布情況如圖7所示。從中可以觀察到，S₁網絡的度值分布范圍較窄，超過97%的個體入度和出度分布在[1， 10]與[1，8]的離散區間內；而在S₂網絡中，個體的入度和出度分別分布在[0， 26]與[0， 20]的離散區間內，具有明顯的“長尾”特征。創新個體的度數中心度分布結果表明，負聯系會普遍削弱創新個體在整體網絡中的活躍性，但同時也縮小了不同個體間的創新活躍性差距。

3.1.2 接近中心度分布——創新個體依賴性

接近中心度（以下簡稱為“接近度”）表示點到達整個網絡其它所有節點的難易程度以及其對網絡的依賴性。在創新網絡中，個體的接近度值越大，表明其與網絡其它成員越接近，通信效率越高，同時也暗示其對網絡的依賴性越大。

圖8展示了創新網絡接近度分布情況。從中可以觀察到，從整體來看，S₁網絡的接近度分布曲線類似于S₂曲線向左平移。具體來看，在S₁網絡中，約80%創新個體的接近度集中分布在（0.1， 0.4]內。其中，9.59%分布在（0.1， 0.2]內，57.19%分布在（0.2， 0.3]內，14.05%分布在（0.3， 0.4]內。而在S₂網絡中，接近90%創新個體的接近度集中分布在（0.3，0.5]內。其中，51.73%在（0.3， 0.4]內，37.39%分布在（0.4， 0.5]內。創新個體的接近中心度分布情況表明，負聯系會減小節創新個體的接近度值，削弱其對整體網絡的依賴程度。

3.1.3 中間中心度分布——創新個體的控制能力

中間中心度（以下簡稱為“中間度”）反映了節點在網絡中對其余節點的控制能力，其值在[0， 1]內。在創新網絡中，個體中間度反映其對其它成員知識信息流動的控制力，當中間度為0時，意味著該個體無法影響其它成員間的知識交流；如果為1，則表明其完全掌控了網絡中的知識流動。

圖9展示了網絡的中間中心度分布情況，從中可以觀察到，中間度值普遍偏小，即創新個體對整體網絡控制乏力。剔除[0， 10^-2]的極低值范圍，僅以（10^-2， 10⁰]的中間度值分布為分析對象。在（10^-2， 10^-1]內，S₁網絡的中間度布曲線在S₂的下方，而在（10^-1， 10⁰]內曲線位置反轉。其中，S₁和S₂在（10^-2， 10^-1]內，分別分布了47.94%和55.91%的創新個體；在（10^-1， 10⁰]內，分別分布了10.78%和4.13%的創新個體。節點中間中心度的分布情況表明，絕大部分創新個體對網絡中知識流動與信息傳遞的控制力較弱，只有少數節點具有一定掌控能力。在S₁網絡中，具有一定控制力的節點數目是S₂網絡的2倍以上，意味著負聯系會分散創新網絡的控制權，有助于緩解知識與信息壟斷現象。

3.2 創新網絡演化的動態結構特征

3.2.1 聚集系數C和平均路長L——網絡整體小世界結構與凝聚性

“小世界”是對網絡凝聚性的形象描述，具有小世界結構特征的網絡往往擁有較大的聚集系數和較小的平均路長^[35]。圖10與圖11分別展示了S₁網絡和S₂網絡的聚集系數以及平均路長變化情況。從中可以觀察到，負聯系對聚集系數和平均路長具有顯著影響。具體來看，S₁網絡的聚集系數值始終低于S₂網絡，除網絡早期形成階段外，在創新個體穩步增長的過程中，二者聚集系數的差值相對穩定；當個體數目飽和（T₁₉）后，差值開始逐漸變大。平均路長則恰好相反，在網絡演化過程的絕大部分時間里（T₁～T₄₆），S₁網絡的平均路長數值高于S₂網絡。聚集系數和平均路長的變化趨勢表明，隨著創新個體間廣泛而頻繁的交流互動，創新網絡的小世界特征愈發顯著，網絡凝聚力不斷增強。這與社會網絡的代表性研究人物——Coleman（1988）、Moody（2004）的研究觀點相似，即網絡凝聚力源自個體互動過程中建立的正聯系^[36-37]。

3.2.2 互惠性R——網絡平等性

互惠性一方面反映了網絡中知識雙向流動的自由度，較高的互惠性意味著創新個體普遍參與網絡知識創造、轉移和擴散。另一方面，互惠性在一定程度上衡量了網絡內聯系雙方地位的平等性，互惠性越高，創新個體間越平等，越有利于個體開展知識搜索活動及提高實施效果。圖12展示了創新網絡的互惠性變化情況。從中可以觀察到，隨著演化的推進，S₁與S₂網絡均保持了相對穩定的互惠性。具體來看，在經歷了短暫的劇烈震蕩后，S₁的互惠性明顯高于S₂——前者的網絡互惠性近似于后者的2倍。網絡互惠性變化趨勢表明，負聯系會使創新個體間地位更加平等。此外，網絡中心度分布情況也與此相似。

3.2.3 分派指數E-I——網絡派系特征

圖13顯示了創新網絡分派指數的變化情況。從中可以觀察到，在演化過程中，網絡S₁與S₂分派指數差異明顯，即二者表現出不同的派系特征。具體來看，在經歷早期短暫的震蕩之后，網絡S₂存在一定的派系現象，其分派指數值在相當長的演化時間內（T₁₂～T₃₅時間階段，21個時間步內）圍繞-0.35小幅波動。而在演化中晚期階段，在T₃₅～T₅₀時間范圍內開始逐漸增大，并不斷向0值靠攏。這表明在網絡S₂中不同派系間彼此融合，網絡逐步向一體化趨勢發展。相較于網絡S₂，網絡S₁則一直維持鮮明的派系特征，其分派指數值一直在-0.6附近小幅震蕩。分派指數E-I的變化趨勢表明，負聯系不僅會加劇創新網絡中的派系分化現象，還會抑制派系間彼此融合。

4 仿真結果討論

通過上述分析可知，負聯系對創新網絡網絡結構演化的影響主要體現在三方面：一是在負聯系的影響下，創新個體間的地位差距會縮小，地位相對平等，具體表現為演化末期個體的中心度集中分布區間變窄，以及演化過程中創新網絡表現出較高的互惠性（R）；二是負聯系會抑制網絡整體的小世界現象，降低網絡凝聚力，具體表現為數值較低、增幅緩慢的聚集系數（C），以及較大的平均路長（L）；三是負聯系會加劇創新網絡的派系分化現象，阻礙派系間融合，具體表現為長期在-0.6附近小幅浮動的分派指數（E-I）數值。上述3種影響效果之間存在一定關聯性，需要進一步討論負聯系對創新網絡的影響和作用機制。

從個體層面來看，當創新網絡中存在負聯系時，創新個體關系不再是簡單的互動或陌生。創新個體在合作伙伴選擇上存在明顯的“喜惡”偏好，這決定了其所在的“圈子”和不能融入的“圈子”，因此網絡關系會呈現出較為明顯的派系特征。值得注意的是，雖然以往研究也提到了網絡中的“物以類聚”“人以群分”的派系現象，但絕大多數都是建立在無符號網絡的假設基礎上，弱化或忽視了負聯系的影響和作用機制。實際上，按照以往的模型假設，當個體數目達到上限值之后，網絡會朝向一體化趨勢發展，并最終演化成為一個“烏托邦”式的完全連接的網絡，即成員間彼此都是朋友和伙伴，圖12展示的網絡S₂中E-I曲線的變化趨勢呼應了這個推論，而這顯然與現實中的創新網絡結構情況不符。因此，負聯系與正聯系共同決定網絡派系特征。

當創新個體存在明顯的喜惡偏好時，其會更加依賴派系內的知識交流，同時，屏蔽派系外，尤其是敵對派系的知識。此時，創新個體對派系的依賴性更強，知識搜索行為主要發生在派系內而非派系間，派系內個體同時扮演知識搜索者與輸出者/擴散者的概率大增，個體間聯系更為緊密。具體表現為派系內新聯系和具有雙向知識流動的關系數目大幅增加，派系的平均路長縮短和互惠性提升，進而導致網絡整體的平均路長快速下降（如圖10的T₁₉～T₅₀段所示），以及整體互惠性的提升，如圖11所示。在這種情況下，派系內會表現出較強凝聚力，網絡的局部小世界現象較為明顯，而這與傳統觀點——網絡凝聚力取決于正聯系存在一定偏差。綜合前述分析結果，可以推斷負聯系對創新網絡凝聚力和小世界現象的影響及作用機制是復雜的。一方面，負聯系會通過抑制網絡正聯系、增強拓撲性（圖5），從而削弱創新個體間的凝聚程度，弱化創新網絡整體的小世界結構特征。另一方面，由于負聯系的存在，個體對派系的依賴性增大，進而促使派系內個體間聯系更緊密，從而導致派系內的凝聚力和小世界現象更顯著。

5 結論與展望

5.1 研究結論

本研究在現有文獻基礎上，將創新網絡視為一個復雜系統的符號網絡，其結構演化是由創新個體網絡行為推動的自下而上過程。首先，出于簡化研究、降低復雜性等方面考量，借鑒呂一博等（2014）的研究思路，將創新個體網絡行為限定為知識搜索行為。在此基礎上，通過引入符號網絡的結構平衡和動態平衡思想，構建創新個體知識搜索行為的演化分析框架，將創新個體的知識搜索行為界定為知識溯源型搜索、知識源共享型搜索、擴散源共享型搜索和結盟型搜索4種基本類型，并識別了知識搜索過程中的“Ⅰ型屏蔽”和“Ⅱ型屏蔽”現象，分析了知識搜索行為的動態演化機制。隨后，自下而上地構建創新網絡演化的多主體仿真模型，研究負聯系對創新網絡結構演化的影響和作用規律，獲得如下研究結果：

（1） 負聯系會縮小創新個體間的地位差距，使個體地位更加平等，進而促進創新個體更加踴躍積極地參與網絡知識創造、轉移和擴散過程。

（2）負聯系會使創新網絡始終保持鮮明的派系特征，并阻礙派系間融合，使創新個體更加依賴于其所在的派系。

（3）與現有絕大多數文獻的觀點和結論不同，本文研究結果顯示，創新網絡的凝聚性不僅取決于創新個體交流互動過程中建立的正聯系，還受到負聯系的復雜影響。具體地，一方面，負聯系會通過抑制網絡正聯系、增強拓撲性，從而削弱創新個體間的凝聚程度，弱化創新網絡整體的小世界結構特征；另一方面，由于負聯系的存在，個體對派系的依賴程度增大，進而使派系內的個體間聯系更緊密，從而導致派系內的凝聚力和小世界現象更顯著。

5.2 理論貢獻

與人際網絡、社交網絡、國際網絡等其它形式的社會網絡、復雜網絡相似，負聯系也廣泛存在于組織創新網絡中，在解釋創新個體網絡行為、創新網絡結構演化等方面具有不可忽視的作用。與前幾類網絡相比，具有長周期、連續性的組織關系數據獲取難度較大，因此現階段鮮有研究將組織間創新網絡視為符號網絡，而考察符號創新網絡結構演化的探索則更為稀缺。在此情況下，本文聚焦負聯系影響下的創新網絡結構演化特征與規律，在一定程度上豐富和發展了社會網絡、復雜網絡領域的符號網絡研究以及創新管理領域的創新網絡研究，充分體現了本研究的理論貢獻。

具體地，第一，區別于經典的實證研究或問卷調查范式，本研究采用多主體建模仿真方法研究負聯系對創新網絡結構演化的影響，為引入負聯系或符號網絡框架下的創新網絡研究提供了新的研究思路和研究視角；第二，本研究通過引入符號網絡的結構平衡和動態平衡思想，將企業知識搜索行為界定為知識溯源型搜索、知識源共享型搜索、擴散源共享型搜索和結盟型搜索4種基本類型，豐富了知識搜索研究；第三，基于四類知識搜索行為，本研究構建了負聯系影響下的企業間創新網絡結構演化多主體仿真模型，豐富了多主體建模仿真方法在創新網絡、社會網絡和復雜網絡領域的應用。

5.3 研究局限與展望

需要特別指出的是，由于研究問題的復雜性、仿真與現實還原等方面的限制，本研究在以下兩個方面尚存在局限：

首先，創新個體存在多種典型網絡行為，例如基于互惠（reciprocity）機制的重復—雙向連接、基于傳遞性（transitivity）機制的中間人—三角環連接、基于聲望（popularity）機制的偏好連接等，每個基本類型又下轄多種子類。本研究將創新個體的網絡行為限定為基于網絡傳遞性機制的知識搜索行為，這將導致以此為基礎建立的創新符號網絡多主體仿真模型的普適性有限。

其次，對多主體建模方法而言，雖然其能在一定程度上克服實證研究數據獲取困難的短板，但該方法在創新網絡領域的應用才剛起步，模型與現實對應方面仍存在較大進步空間。主要體現在，仿真模型中的個體行為無法與企業現實的網絡行為較好地對接，計算機語言所描述的個體行為過于簡單和抽象，而企業現實網絡行為較為復雜和具體。這使得通過仿真實驗所得出的相關結論難以令人理解和信服。此外，網絡結構是網絡功能和績效的體現，對創新網絡結構演化有重大影響的負聯系也必將會對網絡創新績效的變化趨勢產生顯著影響，而本文研究未涉及這一重要子問題。因此，在未來研究中，仍需在創新個體網絡行為以及網絡結構與網絡績效對應關系兩方面開展更深層次的分析。

參考文獻：

[1] GIULIANI E. Network dynamics in regional clusters：evidence from Chile[J]. Research Policy， 2013， 42（8）： 1406-1419.

[2] 石乘齊. 基于組織間依賴的創新網絡演化模型及仿真研究[J]. 管理工程學報， 2019， 33（1）： 12-22.

[3] CHENG L， LYU Y， SU J， et al. Inbound openness and its impact on innovation performance： an agent-based and simulation approach[J]. R&D Management， 2020， 50（2）： 212-226.

[4] RIBEIRO P， MARQUES T S， SANTOS H. Innovation networks anchored into a regional scale： looking for smart specialization tendencies in the portuguese Centro Region[C]//Third European Conference on Social Networks EUSN 2017. 2017.

[5] MENG F， MEDO M， BUECHEL B. Whom to trust in a signed network？ optimal solution and two heuristic rules[J]. Information Sciences， 2022， 606： 742-762.

[6] SCHULER P. The broker's invisible ties： brokerage and balance in signed networks[EB/OL]. 2021. https：//www.diva-portal.org/smash/record.jsf？pid=diva2%3A1595002&dswid=-8610

[7] HARRIGAN N M， LABIANCA G J， AGNEESSENS F. Negative ties and signed graphs research： stimulating research on dissociative forces in social networks[J]. Social Networks， 2020， 60： 1-10.

[8] TEIXEIRA A S， SANTOS F C， FRANCISCO A P. Emergence of social balance in signed networks[C]//International Workshop on Complex Networks. Springer， Cham， 2017.

[9] KEUCHENIUS A， T?RNBERG P， UITERMARK J. Why it is important to consider negative ties when studying polarized debates： a signed network analysis of a Dutch cultural controversy on Twitter[J]. PloS one， 2021， 16（8）： e0256696.

[10] SUMMERS T H， SHAMES I. Active influence in dynamical models of structural balance in social networks[J]. EPL （Europhysics Letters）， 2013， 103（1）： 18001.

[11] LERNER J. Structural balance in signed networks： separating the probability to interact from the tendency to fight[J]. Social Networks， 2016， 45： 66-77.

[12] ISAKOV A， FOWLER J H， AIROLDI E M， et al. The structure of negative social ties in rural village networks[J]. Sociological Science， 2019， 6： 197-218.

[13] STADTFELD C， TAK?CS K， V?R?S A. The emergence and stability of groups in social networks[J]. Social Networks， 2020， 60： 129-145.

[14] YANG S W， TRINCADO F， LABIANCA G J， et al. Negative ties at work[M]//Social networks at work. Routledge， 2019： 49-78.

[15] 呂一博， 程露， 蘇敬勤. 知識搜索行為與區域創新網絡演化：一個多主體仿真研究[J]. 系統工程學報， 2014， 29（6）： 725-733，753.

[16] ROPER S， LOVE J H. Knowledge context， learning and innovation： an integrating framework[J]. Industry and Innovation， 2018， 25（4）： 339-364.

[17] BURT R S. Structural holes versus network closure as social capital[J]. Social Capital， 2017： 31-56.

[18] MOLLENHORST G， V?LKER B， FLAP H. Shared contexts and triadic closure in core discussion networks[J]. Social Networks， 2011， 33（4）： 292-302.

[19] YIN H， BENSON A R， UGANDER J. Measuring directed triadic closure with closure coefficients[J]. Network Science， 2020， 8（4）： 551-573.

[20] FENG D， ALTMEYER R， STAFFORD D， et al. Testing for balance in social networks[J]. Journal of the American Statistical Association， 2022， 117（537）： 156-174.

[21] FRITSCH M， KAUFFELD-MONZ M. The impact of network structure on knowledge transfer： an application of social network analysis in the context of regional innovation networks [J].The Annals of Regional Science， 2010， 44（1）： 21-38.

[22] SNIJDERS， TAB， PATTISON P，et al. New specifica-tions for exponential random graph models [J]. Sociological Methodology， 2006， 36（1）：99-153.

[23] ROBINS G， PATTISON P， WANG P. Closure， connectivity and degree distributions： Exponential random graph （p*） models for directed social networks [J]. Social Networks， 2009， 31（2）： 105-117.

[24] KIRKLEY A， CANTWELL G T， NEWMAN M E J. Balance in signed networks[J]. Physical Review E， 2019， 99（1）： 012320.

[25] YAP J， HARRIGAN N. Why does everybody hate me？ balance， status， and homophily： the triumvirate of signed tie formation[J]. Social Networks， 2015， 40： 103-122.

[26] ESTRADA E， BENZI M. Are social networks really balanced [EB/OL]. 2014. https：//arxiv.org/abs/1406.2132.

[27] HUMMON N P， DOREIAN P. Some dynamics of social balance processes： bringing Heider back into balance theory[J]. Social Networks， 2003， 25（1）： 17-49.

[28] GAWRONSKI P， GRONEK P， KULAKOWSKI K. The Heider balance and social distance[J]. Acta Physica Polonica B， 2005，36（8）：2549-2558.

[29] MARVEL S A， KLEINBERG J， KLEINBERG R D，et al. Continuous-time model of structural balance[J]. Proceedings of the National Academy of Sciences， 2011， 108（5）： 1771-1776.

[30] HOWELLS J. Intermediation and the role of intermediaries in innovation [J]. Research policy， 2006， 35（5）： 715-728.

[31] 呂一博， 程露， 蘇敬勤. “資源導向” 下中小企業集群網絡演進的仿真研究[J]. 科研管理， 2013， 34（1）： 131-139.

[32] BONACICH P， LLOYD P. Calculating status with negative relations [J]. Social Networks， 2004， 26（4）： 331-338.

[33] KAMVAR S D， SCHLOSSER M T， GARCIA-MOLINA H. The eigentrust algorithm for reputation management in p2p networks [C]//Proceedings of the 12th international conference on World Wide Web. ACM， 2003.

[34] O'MADADHAIN J， FISHERD， SMYTH P， et al. Analysis and visualization of network data using JUNG[J]. Journal of Statistical Software， 2005， 10（2）： 1-35.

[35] WATTS D J， STROGATZ S H. Collective dynamics of 'small-world' networks [J]. Nature， 1998， 393（6684）： 440-442.

[36] COLEMAN J S. Social capital in the creation of human capital [J]. American Journal of Sociology， 1988， 94： S95-S120.

[37] MOODY J. The structure of a social science collaboration network：disciplinary cohesion from 1963 to 1999[J]. American Sociological Review， 2004， 69（2）： 213-238.

（責任編輯：胡俊健）

The Effect of Negative Links： How Innovation Network Evolves

Cheng Lu¹， Li Li²

（1.School of Maritime Economics and Management， Dalian Maritime University， Dalian 116024， China；

2.College of Economics and Management， Zhengzhou University of Light Industry，Zhengzhou 450002， China）

Abstract：Combining the structural balance theory and the dynamic balance theory， this paper focuses on the influence mechanism of negative links of the inter-organizational innovation network structure. To overcome the difficulty of the acquisition of empirical data， the paper conducts an agent-based modeling and simulation research. An inter-organizational innovation network is composed of a group of firms or organizations whose network behaviors contribute the bottom-up result of network evolution.In order to reduce unnecessary complexity， the paper limits firms' network behavior as firms' knowledge search which is based on the "triadic" network mechanism.Then it identifies four kinds of knowledge search behavior of innovative agents or firms， two kind of shielding phenomenon and the dynamic characteristics of knowledge search behavior， and finally builds a multi-agent model to simulate inter-organizational innovation network evolution process of innovation network.

It is found that at first negative links will fill the status gaps between the individual agents and keep the whole innovation network at a high level of equality. Secondly， negative links will be make the whole innovation network keep an arresting faction structure and hinder the convergence between factions. Thus， individual agents will be dependent on their factions strongly. At last， different with the previous conclusions， the paper shows that the network cohesion depends not only on the well-known positive links which represent knowledge sharing and knowledge collaboration， but also on negative links which represent hostility， confrontation and knowledge blocking. On the one hand， negative links will suppress the increasing trend of innovation network's positive topology and weaken the small-world phenomenon of the whole network. On the other hand， under the influence of negative links， the individual agent increases the reliance on its own fraction， which leads to closer contact between individual agents within factions.

The theoretical contribution of this paper is reflected in three aspects. First this study uses the multi-agent modeling and simulation methods to study the impact of negative connections on the evolution of innovation network structure， providing new research ideas and research perspectives for the introduction of negative connections or innovation networks under the framework of symbolic networks. Secondly， it defines enterprise knowledge search behavior as "knowledge traceability search"， "knowledge source sharing search"， "diffusion source sharing search" and "alliance search" by introducing the idea of structural balance and dynamic balance of symbolic networks， and enriches knowledge search research.Thirdly， on the basis of the four types of knowledge search behaviors， this study builds a multi-agent simulation model for the evolution of inter-enterprise innovation network structure under the influence of negative connections， which enriches the application of multi-agent modeling and simulation methods in innovation networks， social networks and complex networks.

The limitations of this paper are reflected in the following two aspects. First of all， there are many typical network behaviors of innovative individuals，and each basic type governs multiple seed classes. In this study， the network behavior of innovation individuals is limited to the "knowledge search behavior" based on the network transmission mechanism， which will lead to the universality of the multi-agent simulation model of innovation symbol network established on this basis to a certain extent. Secondly， for the multi-agent modeling method itself， although it can overcome the difficulties in obtaining empirical research data to a certain extent， the application of this method in the field of innovation networks has just started， and there is still much room for progress in the corresponding aspects of the model and reality， mainly reflected in that the individual behavior in the simulation model can not be well connected with the actual network behavior of enterprises. The individual behavior described by computer language is too simple and abstract， while the real network behavior of enterprises is more complex and specific. This makes the relevant conclusions difficult to understand. In addition， network structure is the embodiment of network functions and performance， and the negative relationship that has an important impact on the evolution of innovation network structure is not involved in this study. Therefore， in the future research， it is necessary to carry out a deeper expansion in the innovation of individual network behavior and the corresponding relationship between network structure and network performance.

Key Words：Innovation Network; Negative Links; Knowledge Search; Network Evolution