企业网络位置与创新战略程度的关系研究

雷　辉，马　伟

（湖南大学 工商管理学院，湖南 长沙 410082）

企业网络位置与创新战略程度的关系研究

雷辉，马伟

（湖南大学 工商管理学院，湖南 长沙 410082）

企业所在连锁董事网络的位置是影响企业创新战略程度的关键因素。文章以3年为时间窗口构建2011-2013年期间高新技术企业以连锁董事为关系的网络，利用社会网络分析方法获取网络位置相关指标，通过MATLAB编程获得BP神经网络模型，并用该模型来研究网络位置与企业创新战略程度之间的关系。研究结果表明：中间中心度和接近中心度对企业创新战略程度有正向影响，而程度中心度对企业创新战略程度有负向影响；接近中心度、程度中心度、中间中心度对创新战略程度的影响幅度依次减小。

网络位置；连锁董事网络；创新战略程度；BP神经网络；中心度

［DOI］10.3969/j.issn.1007-5097.2016.05.021

一、引　言

根据资源依赖理论，企业获取外部信息等资源的能力越强，越能更好地应对外部环境变化的不确定性［1］，继而使得企业更容易成功［2］。随着社会网络的不断演进，企业之间对网络关系的竞争也愈演愈烈［3］，企业连锁董事也逐渐成为一种普遍现象，成为企业获取外部资源的重要途径之一。社会资本获取和使用会受到企业在连锁董事网络位置中的影响［4］。连锁董事是同时在两家及两家以上董事会任职的个体成员［5-6］，这些成员将不同企业联结起来就构成了连锁董事网络［7］。对于网络内企业来说，信息资源等社会资本会通过交流互动逐步丰富起来［8］。同时，在网络中每个企业所处的位置不同，而处于好的网络位置更有利于企业获得信息资源，继而提高经济效益［9］。因此，研究企业在连锁董事网络中的位置与创新战略程度的关系具有一定的理论和现实意义。但由于这种关系并不是简单的线性关系，用多元回归和其他一些方法如结构方程就会受到限制，而BP神经网络具有良好的非线性映射能力，可以求解内部机制特别复杂的问题。因此，可以通过引进脱离模型假设的BP神经网络方法来获取企业在连锁董事网络中的位置与创新战略程度的关系模型。

本文以高新技术企业为研究对象。运用Ucinet软件构建了企业的连锁董事关系网络，并获取了企业在连锁董事网络中的中心度指标。然后分析了创新战略程度的影响因素，将之作为神经网络的输入，从857个样本中随机抽取800个样本，运用BP神经网络构造模型，并利用剩余57个样本进行模型检验，发现拟合效果较好。最后分析了连锁董事网络中高新技术企业的网络位置（程度中心度、中间中心度与接近中心度）对企业创新战略程度的影响。

二、理论分析与研究假设

（一）理论分析

由于连锁董事关系到两家及以上公司董事会的构成，对公司的治理有重要影响。根据共谋理论，连锁董事关联的公司可以通过某种互惠交易的安排为双方带来利益。

连锁董事网络主要通过两个方面来影响公司治理。首先是资源影响，连锁董事的存在使得公司能更有效地获取外部资源，提高企业对资源和信息的掌控能力，避免了资源获取的不确定性。Burt认为公司可以通过建立连锁董事关系，进行资源互补等，继而可以降低风险提高经营绩效和效率［10］。其次是社会影响，公司某类模糊性决策或已存在的战略决策可能通过连锁董事影响到被连锁的企业。陈仕华、马超通过实证研究发现在选择律师事务所方面有连锁董事关系的公司具有一致性［11］。

由于企业拥有的连锁董事不同，也就使得企业在连锁董事网络中的位置不同，获取资源的能力及对决策行为的影响也不同。已有研究指出企业的网络位置对企业的治理产生重要影响。

企业网络位置是指企业在与其他企业通过某种关系形成的网络中的位置。Chi-Nien等研究表明企业在企业网络中处于更中心的位置可以获得相对于其他企业更多的创新优势［12］。Tsai通过研究发现，处于网络中心位置的企业的创新产出能力也相对较高［13］。Hackbarth和Mauer认为处于中心位置的企业更能吸引具有参加相似项目投资决策、拥有同类经验的董事，继而帮助企业做出更好的决策［14］。KoKa认为中心位置的企业可以通过直接联系获取有价值的信息，拥有更大优势和更多市场竞争机会［15］。Paruchuri使用中心度等指标探究企业在联盟网络中的位置对企业创新活动的影响［16］。在社会网络分析中，一般用程度中心度、中间中心度和接近中心度三个指标来衡量行动者在网络中的位置和影响力［17］。所以，基于资源依赖理论和国内外相关研究，本研究认为程度中心度、中间中心度和接近中心度对高新技术企业的创新战略程度具有重要影响。

（二）研究假设

程度中心度衡量了企业在连锁董事网络中核心的中心位置的程度［18］。董事所在企业对其行为决策产生重要影响，会影响其看待问题及处理问题的方式。当某企业没有连锁董事时，其内部董事会逐渐同化，思考问题的方式将逐步趋于相似。这种相似的认知可以增加团队的凝聚力，但也会使得董事会缺乏活力，故当企业没有连锁董事会对企业创新产生阻碍。相反，某企业拥有的来自不同企业的连锁董事会为企业带来不同的思维方式和视角，通过产生思维碰撞、认知冲突会为企业激发新的活力并克服决策偏差，提高决策质量。同时，由于学习效应的存在可以使得不同企业的信息和专业知识通过连锁董事网络渠道相互传播。因此，连锁董事不仅可以为企业带来创新思维，还可以带来创新资源。新思维的引进及学习效应的存在会使拥有连锁董事数目较多的企业具有捕获新观念及获得创新资源的优势。故提出假设1。

H1：在连锁董事网络中，企业的程度中心度对创新战略程度有正向影响。

中间中心度衡量了高新技术企业在连锁董事网络中处于“媒介人”即“桥梁”位置的程度［18］。Wang等通过对无线通信网络领域实证研究发现中间中心度对未来企业技术创新的正向影响较大［19］。企业的中间中心度越大，会使得其在联结其他两个企业时获得非冗余信息。企业拥有这样的位置越多，越有可能成为信息的集聚中心，企业的创新能力也越可能增强，采取创新战略的强度也可能越高。故提出假设2。

H2：在连锁董事网络中，企业的中间中心度对创新战略程度有正向影响。

接近中心度衡量了企业在连锁董事网络中与其他企业的亲近程度或关系远近［18］。由于创新战略程度主要受到创新资源的影响，并不需要只对网络中与公司相联结的直接关系进行考察。但间接关系会影响到创新资源的获取数量、速度和质量。企业与其他企业相关联且连接的路径较短，该企业获取信息的品质越高。故提出假设3。

H3：在连锁董事网络中，企业的接近中心度对创新战略程度有正向影响。

三、研究设计

（一）研究样本选择及数据来源

本文旨在研究企业在连锁董事网络中的位置对企业的创新战略程度的影响，选择高新技术企业为研究对象，主要是因为电子业、医药生物制造业、信息技术业、机械设备仪表等高新技术行业具有较高的创新性和成长性。在样本的选择中，剔除了ST、*ST企业以及董事数据信息不全的企业，最终确定973家企业为初始研究样本。在剔除了研发数据缺失的企业后，共剩下857家企业，即最终研究样本为857家企业。

本文需要的数据有三类。第一类是企业的具体信息，如董事数目、总资产、企业所在地等，主要来源于CSMAR数据库；第二类是R&D费用，是通过巨潮网收集企业年报获取；第三类是企业在连锁董事网络中的程度中心度、中间中心度和接近中心度，通过Ucinet软件构建连锁董事网络获得。具体过程如下：

在建立高新技术行业连锁董事网络时，首先通过收集每个样本企业2011-2013年的董事数据，包括董事的教育经历、职能、年龄等，来确定该董事是否存在于两个以上的企业，即该董事是否为连锁董事。由于董事的每届任期不得超过3年，故可以以3年为时间窗口来构建董事网络。通过筛选，共得到842个连锁董事，973个企业。通过构建这些连锁董事与企业之间的二模关系矩阵（973×842），导入Ucinet软件可以得到这973家企业之间的一模关系矩阵（973×973），继而得到连锁董事网络。由于全连锁董事网络企业众多，较为复杂，故选取部分连锁董事网络如图1所示。点表示存在连锁董事的企业，连线表示两个企业之间存在共同的董事，即连锁董事。通过Ucinet软件还可以获取连锁董事中各个企业的程度中心度、中间中心度和接近中心度。

图1　部分连锁董事网络

（二）变量测量

1.被解释变量

本文的研究目的是确定连锁董事网络位置对企业创新战略程度的影响，因此被解释变量为反映创新战略程度的变量。创新战略程度表征了企业采取创新战略的强度。创新战略是指一个企业对新产品或服务创造的全局策划，通常被视为影响企业长期发展的重要影响因素。然而，创新战略程度难以直接衡量，本文借鉴Miller等的研究选择R&D强度作为创新战略程度的代理变量［20］，该指标能较大程度上反映企业的创新程度。并借鉴周建和周小青的研究，用R&D费用/总资产测量［21］，其值越高，表明企业创新战略程度越大。在借鉴赵炎、周娟（2013）研究的基础上，考虑到存在战略滞后效应［22］，并结合本研究的目标，这里的R&D费用按取滞后一年即2014年的数据。

2.解释变量

本研究的解释变量是程度中心度、中间中心度和接近中心度。这三种中心度又都可以分别分为绝对中心度和相对中心度。后者是前者的标准化，消除了网络规模的影响，可以对来自不同网络中的节点的中心度进行比较。由于本文是基于同一连锁董事网络获取的每个公司的中心度，并不受网络规模的影响，因此可以选取各个绝对中心度。

程度中心度。程度中心度测量的是与行动者直接联系的其他行动者的数量的指标［23］，主要用于无方向数据。在本文中，程度中心度（Degree）指的是连锁董事网络中一个公司通过连锁董事与其他公司直接连接关系的数量。

其中，i为某个公司；j为连锁董事网络内除了公司i的其他公司；Xji表示公式j与公司i之间是否有联结，若公司j与公司i有至少有1个连锁董事，则Xji为1，否则为0。

中间中心度。中间中心度是指网络中的节点i所拥有的其他任意两个节点的联结的最短路径的数目与所有最短路径的百分比。它测量的是一个行动者在成为“中间桥梁”或者控制其他行动者的程度大小［24］，表示行动者对网络信息流等资源的控制程度［25］。在本文中，中间中心度指的是连锁董事网络中一个公司通过连锁董事连接其他不同公司的能力，它可以增加企业的发展机会并加快企业的运行效率［26］。计算公式如下：

其中，gjk是公司j和公司i相联结的最短路径数，gjk（ni）是公司j和公司k经过公司i的最短路径数。

接近中心度。接近中心度测量的是一个点与网络中所有其他点的距离。在本文中，接近中心度表示该公司通过比较短的路径与其他许多公司相连。计算公式如下：

其中，d（i，j）为公司i到公司j的最短距离。

3.控制变量

本研究包括公司规模、董事会规模、连锁董事比例和企业所在地区共4个控制变量。

公司规模。公司规模反映的是企业市场开发能力、经济状况等。公司规模在一定程度上体现了企业拥有资源的多少以及资源的获取能力。有关公司规模与绩效及创新能力的研究成果很多，熊晓燕（2012）通过研究得出公司规模对不同类型企业的创新能力影响不同。因此，本研究控制公司规模的影响，用总资产的自然对数衡量。

董事会规模。董事会规模越大，企业资源的来源渠道越多，越有可能获取更多的创新资源。但根据群体规模的有关研究，群体越大，越难管理，群体利用资源的效率可能较低。本研究认为董事会规模会影响到资源的来源及使用效率，继而可能对创新战略程度产生影响，因此把董事会规模作为创新战略程度的控制变量，用董事会成员总数的自然对数表示。

连锁董事比例。连锁董事比例能够评估连锁董事在董事会中的相对影响。连锁董事可以为企业引进外来资源，为企业的创新提供更多的可能性。但由于连锁董事任职于两个以上企业，其对单个企业付出的时间、精力受限，贡献也可能降低。本文参考徐二明、衣凤鹏（2014）的做法，采用企业的连锁董事人数与董事会总人数的比值来衡量。

企业所在地区。由于沿海地区经济发展较快，与内陆地区相比，拥有高新技术和人才优势。但政府为了削减不同地区间的经济差异，可能会为内陆地区提供更高的技术补贴。因此本研究将企业所在地区作为虚拟变量控制其对创新战略程度的影响。其中，企业在沿海地区为1，否则为0。

（三）实证方法

创新战略程度受诸多因素的影响，在探讨企业在连锁董事网络中的位置与创新战略程度的关系时，也需要将其他影响因素如公司规模、董事会规模、连锁董事比例和所在地区等因素考虑在内。但这些因素（包括网络位置指标）之间并不是独立无关的，在构建模型时，必须要考虑它们之间的联系。由于它们之间的联系并不是简单的线性关系，这就更增加了数据的多变性、控制性和复杂性，很难用简单的数学关系式进行表达和分析。因此，必须找到一种切实有效而又能精确统计、分析数据，同时能够求得它们之间的相互关系的算法。而BP神经网络算法则可以满足这些要求，该非线性映射能力很强、精度高且不需要人为的设定权重，网络可以通过“自学习”，用训练样本找出输入变量和输出变量之间的关系，并通过检验样本检测该关系的合理性。因此，可以选取BP神经网络模型进行创新战略程度影响因素和创新战略程度之间关系的拟合。

BP神经网络（BP-ANN）是一种多层前馈神经网络，主要特点是信号前向传递、误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层，每一层神经元状态只影响下一层神经元状态［26］。如果输出层的预测输出与期望输出相差很大，达不到目标误差，则转向反向传播，根据设定的预测误差调整网络权值和阈值，从而使预测输出不断逼近期望输出［26］。将输入层和输出层看作自变量和因变量，BP神经网络就表达了自变量到因变量的非线性函数映射关系。

作为目前研究最为成熟的人工神经网络之一，BP神经网络得到了较为广泛的应用。该算法可以通过信号前向传递、误差反向传播，并根据预测误差调整网络权值和阈值，最终使得输出值与期望值不断逼近，实现非线性拟合。在该非线性映射关系中，创新战略程度的影响因素即自变量为输入层，反映创新战略程度的变量即因变量为输出层。

四、BP神经网络模型的构建

（一）BP神经网络的模型结构

1.输入层

输入层是进行BP神经网络的第一步，要探讨企业在连锁董事网络中的位置对创新战略程度的影响，就要保证考虑影响企业创新战略程度因素的全面性。输入层即为创新战略程度的影响因素指标，影响企业创新战略程度有诸多因素，如公司规模、董事会规模、连锁董事比例、企业所在地区等，本文将这些具有代表性的指标作为控制变量，主要探究企业在连锁董事网络中的位置对企业创新战略程度的影响。

2.输出层

本文中输出层输出的数值即为系统仿真的反映创新战略程度的变量的大小。在对反映创新战略程度的变量预测中，首先定性分析了创新战略程度的影响因素，而后通过BP神经网络模型定量输出预测结果即反映创新战略程度的变量值，可见它一个定性与定量相结合的过程，且输出单元数为1。

3.隐含层

隐含层的单元数目选择是一个非常复杂的问题。若数目太少，网络训练时收敛速度较慢甚至不收敛；若数目太多，会增加训练时间，但误差未必减小。在此，可以选择经验公式（其中n、m分别为输入、输出神经元个数，a为［1，10］的整数），确定隐含层神经元数目的范围为［5，14］，通过在MATLAB中反复调试，综合比较该范围内隐含层神经元数所训练次数及误差来选择最优的隐含层神经元数为9。

综上可知，选取的BP神经网络模型的拓扑结构为7-9-1，如图2所示。

图2　BP神经网络预测模型

（二）BP神经网络的函数选择

本文选取正切S型函数tansig为隐层节点的传递函数，因为该函数可以使得网络具有较优的收敛功能。输出层节点的传递函数可选取线性函数或非线性函数（sigmoid函数或双曲正切函数）。由于线性函数即purelin函数的输出值可以取任意值，因此本文选择线性函数为输出节点的传输函数。本文选取基于Bayes算法的trainlm函数作为训练函数，可在很大程度上增加网络的泛化能力。

五、实证分析

（一）仿真结果

本文利用MATLAB软件从857个样本中随机抽取800个样本作为训练样本，构建BP神经网络模型，并利用剩余57个样本对模型进行检验。检验样本的预测结果A与实际反映创新战略程度的变量值比较得出仿真结果如图3所示。

图3　实际值与仿真值

从图3中可以看出，该BP神经网络模型较好地实现了模型预测的功能，曲线拟合度较高。

通过MATLAB编写相应程序可以得到检验样本的仿真值，选取部分结果见表1所列。

表1　检验样本仿真值与实际值比较

续表1

从所得结果可以看出，仿真值与期望输出值即实际值非常接近。比较相对误差的值，最大为9.65%，最小为0.04%，这说明预测较精确、模型是比较合适的。

（二）模型分析与实证研究结论

在完成神经网络的建立与训练的基础上，通过检验与分析，验证了模型的正确性与可用性。当研究只以预测为目的时，无需知道BP神经网络的具体模型，但这里要研究各个中心度指标对创新战略程度的影响，因此找出自变量与创新战略程度的关系模型就显得尤为重要。

1.网络位置对创新战略程度的影响倾向

根据传递函数，可以得到由输入层到输出层的函数映射关系，即

其中，tansig函数为：

A1表示的是输入层到隐含层的输出，A2表示的是隐含层到输出层的输出目标值即创新战略程度值，W1表示输入层到隐含层的权值矩阵，W2表示隐含层到输出层的权值矩阵，P表示创新战略程度各个影响因素值的矩阵（即P=［P1P2P3P4P5P6P7］T，Pj表示第j个影响因素值，影响因素依次为公司规模、董事会规模、连锁董事比例、企业所在地区、程度中心度、中间中心度和接近中心度），B1表示输入层到隐含层的阈值，B2表示隐含层到输出层的阈值。通过Matlab编程可以得出：

其中行代表输入的不同影响因素变量；列代表每个输入变量即创新战略程度影响因素的神经元权值。

由（4）-（7）式可得：

由于上式比较复杂，很难直接看出创新战略程度值随各个影响因素的变化情况。为此，对（8）式中的各个自变量分别求导可得：

其中Pj表示第j个自变量；W1j表示第j个变量对应的输入权值，即W1的第j列。

由式（9）易知因变量对各个自变量的导数（即A2对Pj导数）的符号只与W1jW2相关。

由式（9）易知因变量对各个自变量的导数（即A2对Pj导数）的符号只与W1jW2相关。

由结果可以看出，中间中心度和接近中心度对创新战略程度产生正向影响，分别与假设2和假设3相符。而程度中心度则对创新战略程度产生负向影响，与假设1相反。这可能是因为程度中心度大（表明企业中的某个或某些连锁董事在较多企业任职或者企业拥有较多的连锁董事），会降低企业战略决策实施的效率。当连锁董事在多个企业任职时，会增加代理冲突，不能有效地监管管理层［27］。根据声誉假说，董事拥有的关系越多，在网络关系中的位置也相对安全，也不愿付出更多努力来监督管理层等［28］。当企业中的连锁董事数目超过一定数量时，董事会会因为忙碌而降低决策效率［29］。以上这些原因都会使得创新战略决策不能有效地进行，继而使得创新战略程度降低。

2.网络位置对创新战略程度的影响幅度

根据导数定义，可以通过比较各个导数绝对值的大小，来比较各个自变量对因变量的影响幅度大小。由式（10）易知，导数绝对值大小的排序与W1jW2绝对值的排序相同。故可以通过比较W1jW2绝对值的大小来获得程度中心度、中间中心度和接近中心度对创新战略程度的影响大小的排序。

比较W1jW2的绝对值易得出，接近中心度、程度中心度、中间中心度对创新战略程度的影响幅度依次递减。这可能是因为每个公司的连锁董事有限，直接相连的公司并不多，获取的创新资源能力有限，而创新战略程度主要受到创新资源的影响，只要公司与网络中其他所有公司的距离都很短即接近中心度高，该公司就会有很大机会获得创新资源。因此程度中心度对创新战略程度的影响幅度较接近中心度低。又由于中间中心度主要表示的是企业在网络中所处位置的桥梁作用，而处于“桥梁”位置的企业可能并没有有效联结另两个企业，因此其影响创新战略程度的幅度较其他两者较低。

六、结论与讨论

本文检验了网络位置对高新技术企业创新战略程度的影响。本文控制了公司规模、董事会规模、连锁董事比例及企业所在地区等因素的影响。通过不断地对BP神经网络训练和筛选建立，选取了BP神经网络模型，并通过Matlab仿真验证，拟合效果较好。研究发现，中间中心度和接近中心度对企业创新战略程度产生正向影响，而程度中心度对企业创新战略程度产生负向影响。同时发现，接近中心度、程度中心度、中间中心度对创新战略程度的影响幅度依次降低。

本文的研究结论对于企业创新战略的实施具有一定的指导意义。通过连锁董事加强企业间的联结可以实现资源的传播，使得企业获得更多的外来信息，这有助于提高企业的创新战略程度。但当企业中的连锁董事任职较多企业或企业拥有越多的连锁董事时可能会导致战略实施效率降低。因此，选择合适的连锁董事网络位置对于企业来说显得尤为重要。

（1）在高新技术企业连锁董事网络中，网络接近中心度对创新战略程度有正向影响。提高企业的接近中心度一般有以下两种方式：①企业可以通过增加连锁董事数目，使得企业与其他企业的距离缩短，能更有效地获取资源。当企业的连锁董事数目过多时，可能导致企业发生推脱责任等情况，继而对企业创新战略的实施产生不利影响。②企业可以通过聘请任职于较多企业的董事，使得企业能够通过较短的距离与其他企业交流，增加企业获取资源的广度。但当董事在多个企业任职时，其与单个企业的交流也会相对较少，可能不利于其责任的实施。方式①和②在增加企业接近中心度的同时，也使得了该企业与较多企业直接相连，即该企业的程度中心度增加，会对创新战略的实施产生负面影响。为了避免这些负面影响的发生，企业可以聘请在较少企业任职且任职于具有较大影响力企业的董事。连锁董事任职的企业数目较少，可以使得其有较充分的时间来执行其职责；连锁董事任职的其他企业具有较大影响力，可以为企业带来更多有效资源。

（2）在高新技术企业连锁董事网络中，中间中心度对创新战略程度有正向影响，但其影响幅度较接近中心度低。企业的中间中心度，虽对创新战略程度产生正向影响，但影响效果并不太明显。这可能是因为，企业虽然处于“中间人”位置，但并未有效连接其他两个企业，使得资源的交流产生障碍。为此，企业一旦位于多个“中间人”的位置，应该积极为其他两个企业“搭桥”，使得资源流通途径畅通，也能够使得企业之间友好合作。

本文的局限性在于，连锁董事网络具有自我强化功能，企业连锁董事的调整，可以导致企业在连锁董事网络中的位置变动，而本文只是采用静态指标中心度来研究网络位置对创新战略程度的影响。

［1］O'Hagan S B，Green M B.Corporate knowledge transfer via interlocking directorates：a network analysis approach［J］. Geoforum，2004，35（1）：127-139.

［2］田高良，李留闯，齐保垒.连锁董事、财务绩效和公司价值［J］.管理科学，2011（3）：13-24.

［3］Masulis R W，Mobbs S.Are all inside directors the same？Evidence from the external directorship market［J］.The Journal of Finance，2011，66（3）：823-872.

［4］Lin Nan.Social Capital：A Theory of Social Structure and Action［M］.Cambridge：Cambridge University Press，2002：167-186.

［5］Saavedra S，Gilarranz L J，Rohr R P，et al.Stock fluctuations are correlated and amplified across networks of interlocking directorates［J］.EPJ Data Science，2014，3（1）：1-11.

［6］Croci E，Grassi R.The economic effect of interlocking directorates in Italy：new evidence using centrality measures［J］. Computational and Mathematical Organization Theory，2014，20（1）：89-112.

［7］Larcker D F，So E C，Wang C C Y.Boardroom centrality and firm performance［J］.Journal of Accounting&Economics，2013，55（2）：225-250.

［8］McLean R D，Zhang T，Zhao M.Why does the law matter？Investor protection and its effects on investment，finance，and growth［J］.The Journal of Finance，2012，67（1）：313-350.

［9］Burt R S.Structural holes：The social structure of competition［M］.Massachusetts：Harvard university press，2009.

［10］Burt R S.Corporate profits and cooptation：Networks of market constraints and directorate ties in the American economy［M］.New York：Academic Press，1983.

［11］陈仕华，马超.连锁董事联结与会计师事务所选择［J］.审计研究，2012（2）：75-81.

［12］Chi-nien C，Mahmood I，Mitchell W.The janus face of intra-firm ties：Group-wide and affiliate-level innovation by multi-business firms in Taiwan［J］.Academy of Management，2005（1）：1-6.

［13］Tsai W.Knowledge transfer in intraorganizational networks：Effects of network position and absorptive capacity on business unit innovation and performance［J］.Academy of management journal，2001，44（5）：996-1004.

［14］Hackbarth D，Mauer D C.Optimal Priority Structure，Capital Structure，and Investment［J］.Review of Financial Studies，2011，25（3）：747-796.

［15］Koka B R，Prescott J E.Designing alliance networks：the influence of network position，environmental change，and strategy on firm performance［J］.Strategic Management Journal，2008，29（6）：639-661.

［16］Paruchuri S.Intraorganizational networks，interorganizational networks，and the impact of central inventors：A longitudinal study of pharmaceutical firms［J］.Organization Science，2010，21（1）：63-80.

［17］宋志红，史玉英，李冬梅.学术论文质量特征对明星作者网络位置的影响——以1990-2012年“创新网络”领域的文献为例［J］.科学学研究，2014（5）：660-668.

［18］张煊，王国顺，毕小萍.网络中心性和知识创新能力对创新绩效的影响［J］.经济问题，2013（8）：92-96.

［19］Wang J C，Chiang C H，Lin S W.Network Structure of Innovation：Can Brokerage or Closure Predict Patent Quality？［J］.Japanese Journal of Clinical Oncology，2012，42 （4）：309-13.

［20］Miller T，Del Carmen Triana M.Demographic diversity in the boardroom：Mediators of the board diversity-firm performance relationship［J］.Journal of Management studies，2009，46（5）：755-786.

［21］周建，李小青.董事会认知异质性对企业创新战略影响的实证研究［J］.管理科学，2012（6）：1-12.

［22］赵炎，周娟.企业合作网络中嵌入性及联盟类型对创新绩效影响的实证研究——以中国半导体战略联盟网络为例［J］.研究与发展管理，2013（1）：12-23.

［23］Hochberg Y V，Ljungqvist A，Lu Y.Whom you know matters：Venture capital networks and investment performance ［J］.The Journal of Finance，2007，62（1）：251-301.

［24］徐二明，衣凤鹏.上市公司连锁董事对社会绩效的影响［J］.经济管理，2014（6）：44-56.

［25］高攀祥，于军琪，董振平，等.混凝土碳化深度模型与仿真研究［J］.四川建筑科学研究，2014，40（1）：253-256.

［26］万姗.我国海运服务贸易逆差及预警机制研究［D］.青岛：中国海洋大学，2014.

［27］Hsu C Y，Li C A.Stock price reaction to voluntary announcements of independent director appointments：Effect of multiple directorships from Taiwan［J］.International Research Journal of Finance and Economics，2009，33：101-110.

［28］Guedj I，Barnea A.Director networks［R］.EFA 2007 Ljubljana Meetings Paper，2009.

［29］Ahn S，Jiraporn P，Kim Y S.Multiple directorships and acquirer returns［J］.Journal of Banking&Finance，2010，34 （9）：2011-2026.

［责任编辑：欧世平］

A Study on the Relationship between Enterprise Network Location and Innovation Strategy

LEI Hui，MA Wei
（College of Business Administration，Hunan University，Changsha 410082，China）

The location of an enterprise in interlock directorship networks is a key factor affecting the degree of innovation strategies.This paper builds a network of high-tech enterprises based on the relationship of interlocking directorates from 2011 to 2013，gains relevant indicators of network location using the method of social network analysis，obtains BP neural network model through MATLAB programming，and applies this model to study the relationship between enterprise network location and the degree of innovation strategies.The result shows that betweenness centrality and closeness centrality have positive impacts on the degree of innovation strategies，but point centrality has a negative impact on the degree of innovation strategies；The magnitude of closeness centrality，point centrality and betweenness centrality affecting the degree of innovation strategies decreases gradually.

network location；interlock directorship networks；degree of innovation strategies；BP neural network；centrality

F272.1

A

1007-5097（2016）05-0133-07

2015-11-23

国家自然科学基金项目（71272208）

雷辉（1967-），男，湖南长沙人，教授，博士生导师，博士，研究方向：投资决策与绩效评价，战略管理；马伟（1988-），女，山东菏泽人，硕士研究生，研究方向：战略管理。