知识网络结构、跨界搜索对组织突破性创新的影响：美国人工智能技术领域专利的分析

李彦勇，林润辉

（1.山西大同大学商学院，山西大同 037009；2.南开大学商学院，天津 300071）

创新是一种集体的、社会的活动，因此大量的国内外研究探讨了社会合作网络特性对组织创新绩效的影响。在现实中，个人或更高层次集体的创新不仅嵌入到社交网络中，也嵌入到知识网络中［1-3］。创新过程中彼此之间的关系导致知识网络的形成，在这个知识网络中，他们过去的组合关系被记录下来［3］。以往的研究主要集中在企业知识库的数量特征如何影响其创新成果［4-5］。与上述对企业知识库的主要关注相反，Yayavaram 等［2］划时代研究考察了企业知识库的结构方面。他们认为组织的知识库是由知识要素之间的耦合关系构成的网络。这些关系记录了知识要素在创新过程中过去的组合和隶属关系，成为知识流动和搜索的渠道。Yayavaram 等［2］对全球半导体行业的研究证明，知识结构可分解性的水平影响企业的创新成果。Wang 等［1］首次将企业内个人协作网络和知识网络整合到一个研究框架中，通过对美国一家微处理器组织专利数据的研究，发现这两个网络的结构特征是不同的，通过不同的机制以不同的方式影响着个体的探索性创新。Guan等［3］则通过纳米技术行业的研究，探讨了知识网络和合作网络中的直接、间接联系以及知识网络的非冗余程度对二元式创新的影响。

上述研究充分从知识网络视角分析了创新绩效的前端因素。然而，迄今为止，很少有研究考察知识网络结构对突破性创新绩效的影响。突破性创新作为创新的一个子集，其突破性技术使组织能够挑战现有的技术秩序并形成新的发展轨迹，并使它们能够从事组织再造、业务增长和新业务开发［6-7］。显而易见突破性创新作为一种重要的、高质量的创新，其运用存量知识进行创新的方式一定具有自身的特殊性。因此，有必要针对知识网络特征对突破性创新绩效的影响进行进一步的研究。

Guan 等［3］发现在过往的研究中协作网络强调了基于社会的搜索的重要性，知识网络强调了基于知识的搜索的重要性。很多研究的逻辑是基于知识网络结构特征影响了组织的知识搜索行为进而影响到了组织创新绩效［1，3］。但从现有研究文献看，对于这种知识搜索行为的中介作用研究较少。

综上所述，尽管知识网络结构对组织技术创新绩效的影响已经吸引了国内外学者们广泛关注，但鲜有从知识网络角度对突破性创新绩效影响的研究，特别是针对跨界搜索对知识网络结构和突破性创新的中介作用，相关研究尚未开展。基于目前研究现状，本研究运用社会网络分析的方法，从组织整体网络的角度出发，研究知识网络中心势、结构洞对组织突破性创新的影响，并将组织知识跨界搜索的中介影响纳入分析框架中来。

1 理论和假设

突破性创新作为组织创新的一种表现形式，是科学前沿研究与新兴技术结合产生的创新变革，其会引领技术及产业发展方向，并且成为企业和产业获得制胜先机和持续竞争优势的关键［8］。突破性创新具有跨越原有的技术轨道，能使企业产品、工艺或服务产生非线性的变革的跨越和跨界特性。研究突破性创新产生的前端影响因素可以从前端了解突破性创新产生的根源。而跨界搜索则构成了前端作用的主要形式［9］；从跨界知识搜索产生的前端因素看，跨界搜索的基础在于原有知识元素的积累，而这些知识元素积累而形成知识网络的结构特征则会影响组织跨界搜索的广度和深度。因此，知识网络结构和跨界搜索共同构成了突破性创新的前端因素，两者的相关特征则会对突破性创新绩效产生影响。

1.1 知识网络中心势与突破性创新

知识网络中心势是从整体网络角度衡量网络中的知识围绕某个知识元素组建的程度。其表现为在组织中某类知识元素相比其他元素更重要，因为这些元素具有比其他元素有更多的直接连接。知识网络中心势高，在组织中这类处于中心的元素会在知识组合和吸收中被更为频繁的使用，说明组织整个元素组合较为紧密，这种频繁、紧密的组合，使得组织能够更深入了解这些重点知识元素以及它们的组合成功经验，提高知识组合的实用性并降低研发过程中的不确定性风险，组织更容易判断获得的知识组合是否在技术上具有成本优势［10］，这种组合方式形成的技术创新，也更容易实现在市场上的再开发，实现突破性创新。由此，提出如下假设：

假设H1：知识网络中心势正向影响突破性创新绩效

1.2 知识网络结构洞与突破性创新

从知识网络结构洞的限制度的这种计算方式看，限制度体现了网络中知识元素受某个节点联通的限制程度，即在整个网络节点需要通过中介点联通的程度［11］。而这种限制度越小，则意味着在知识网络中这种跨越各种知识元素的结构洞越多，结构洞会促进知识元素和信息间接联系和转移，增强了组织与异质性知识整合的可能性，从而增强了组织实现突破性创新的数量。

另外知识网络结构洞数量少，会使得组织更容易陷入“接近性陷阱”。Ahuja G 等［12］提出了知识吸收的过程中容易陷入“接近性陷阱”——倾向于接近现有解决方案或知识的解决方案，这会成为一种病态的组织创新模式，会对突破性创新产生负面影响。而组织整体网络中跨越的结构洞越多，会使得组织研发者更容易获得远端知识，从而避免组织陷入接近性陷阱，促进研发的创新性，最终对突破性创新绩效产生正面面影响。由此，提出如下假设：

假设H2：知识网络结构洞对突破性创新绩效有正面影响

1.3 知识网络中心势与跨界搜索

知识搜索是组织为了在复杂的环境下发现新机会和新思想而进行的信息和知识搜集过程。知识搜索行为又划分为本地搜索与跨界搜索。跨界搜索是指跨越组织边界、技术领域边界、地理范围界限或文化制度边界而开展的知识搜索行为，其与本地搜索行为恰好相反［13-14］，在本研究中知识的跨界搜索特指跨越组织边界的搜索。

知识网络中心势高表明了组织知识网路中焦点知识与其他知识要素的组合潜力强，进行知识的搜索时，拥有更密集知识链接的焦点知识会搜索到更多相关知识元素，进而提高组合机会［1］。同时组织联系紧密，组织研发者会更熟悉知识元素，更了解这些知识元素的特性和相关知识元素所在领域，组织研发者更容易从组织外部迅速获得最优知识组合，这也促进了组织跨界知识搜索的成功率。由此，提出如下假设：

假设H3：知识网络中心势对跨界搜索有正面影响。

1.4 知识网络结构洞与跨界搜索

知识的搜索和获取是具有局部性特点的，研发者总是从自身局部拥有的知识出发，进行知识搜索。因此，在知识网络中整体的结构洞水平较低时，研究者会倾向于在自己熟悉的知识领域进行知识搜索和组合［15］。知识元素在知识网络中的结构洞，表明其链接了在过去的专利中彼此互不相连的知识元素。而结构洞数量越高，说明研究者将会有更多的机会接触到组织内的以前没有相连的异质知识元素，研究者会更倾向为异质性知识寻找新的知识组合方式，这种可能性会促进研究者通过在组织外部的跨界搜索获取新知识要素的动力。由此，提出如下假设：

假设H4:知识网络结构洞正向影响知识跨界搜索

1.5 跨界搜索与突破性创新

尽管对于过量的跨界搜索是否会带来消极影响，学术界还处于争论过程中,但是现有的研究普遍认为跨界搜索能够促进组织创新［6，16-19］。Rosenkopf L等［18］认识到要超越本地搜索，需要知识搜索行为跨越一些边界，无论这些边界是组织的还是技术的。其通过对光盘技术的专利研发数据的分析，发现当知识搜索跨越了组织边界而非技术边界时，知识搜索行为对光盘领域后续技术创新会产生较大的正面影响。Anupama Phene 等［6］从组织在创新中搜素外部知识的技术空间和地理来源两个维度区别了本地知识搜索和外部知识搜索。作者使用了来自美国生物技术产业的专利数据实证分析得到跨越国界的知识搜索对突破性创新具有正向效应，但跨越技术边界的知识搜索行为会产生倒U 型的曲线作用结果。

面对突破性技术的挑战，单个组织难以依靠自身知识开展突破性技术创新，跨界搜索可以打破知识结构对技术发展轨迹的束缚。跨界搜索作为组织突破性创新的前端模糊因素，其“跨界”特征，是组织实现突破性创新的前因变量［9］。模糊前端是创意产生以及筛选的重要阶段，对创新成功及其成本降低有重要影响。跨界搜索和跨界合作是实现跨界创新进而实现突破性创新的重要前因变量，通过跨越组织边界和技术边界的搜索会获得多方信息和综合考量，能够更为科学客观地降低不确定性，提升技术研发的成功率，同时这种跨界的前端影响机制更容易将更多异质性的和跨越产业边界的元素嵌入到新发明中，这样的发明容易实现产品性能和产品成本的巨大改变，进而提升研发质量，最终形成突破性创新。由此，提出如下假设：

假设H5知识的跨界搜索会对突破性创新绩效产生正面影响

1.6 跨界搜索的中介作用

Wang 等［20］通过调查台湾的创新数据，证明了知识网络(包括组织在网络结构中的地位）与创新绩效之间的关系受组织知识整合能力的中介影响。而有学者认为知识搜索是组织进行知识整合的重要过程［21］。因此，组织从知识搜索到知识吸收直至知识重组，完成了知识整合的完整过程，知识获取和搜索为组织提供了至关重要的战略价值，组织搜索知识的程度影响着他们将来利用和应用这些知识的方式。从知识网络的角度来看，组织可以从其在网络中的结构位置，搜索并获得大量的知识，其是组织进行知识整合的重要前端过程。

综合前面的假设和分析可以看出，组织内部的知识网络结构为组织的知识跨界搜索带来影响，使得组织跨界去搜索技术知识和市场知识的活动更为便利,成本更低。而跨界搜索则为组织带来创新所需要的外部知识元素，为组织实现突破性创新提供了知识基础。由此，提出如下假设：

假设H6a：跨界搜索在知识网络中心势和组织突破性创新之间具有中介作用

假设H6b：跨界搜索在知识网络结构洞和组织突破性创新之间具有中介作用

基于以上假设,本研究拟构建如图1 所示研究模型：

图1 理论框架模型和研究假设

2 研究设计

2.1 样本选取和数据收集

本研究以人工智能（Artificial Intelligence，英文缩写为AI）领域为背景来检验上一节中的假设。该领域具有很强的动态性，科技进步和多学科、多技术领域的高水平互动也是该领域的特点。因此，可以观察到大量的知识储备和许多突破性创新的事件。本研究的主要因变量和自变量是基于发明专利授予组织的人工智能发明专利数据计算的。虽然基于专利的指标有一定的局限性，但是大量的研究已经证明了它们作为衡量组织创新活动的有效性。

从专利数据的完整性和可得性的角度出发，本研究选用了Innojoy（大为）专利搜索引擎来提取人工智能领域的专利数据。选择使用这个数据库是因为其收录了全球100 多个国家1 亿多件专利数据，包括USPTO、EPO、JPO 和SIPO 等。因此，从该数据库中提取的人工智能专利可以反映该领域技术的发展状况。

为了从Innojoy 数据库中准确识别和获取人工智能专利，文章参考了Guan 等［3］、陈军等［22］、罗梓超等［23］使用的关键词搜索策略。即在专利的标题或摘要中包含与人工智能技术相关的关键字，用于搜索和选择人工智能专利。由于中国国内人工智能专利的引用和被引用数据不健全，在选择专利库时，研究者选择了美国的发明授权专利进行关键词搜索。所采用的搜索词定义见如下：“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”

检索时间是2019 年3 月10—18 日。为了消除非人工智能领域的专利，在获得初步的专利数据后，通过对标题、摘要首页的分析，剔除了非人工智能的专利。经过两轮筛选，最终确定了1970—2015 年期间授予的105 550 项人工智能领域的专利，图2 显示了1970—2015 年的美国授权人工智能专利的数量变化趋势。

图2 美国1970—2015 年人工智能领域授权发明专利变化

从图2 每年授予人工智能专利的动态演变的数字可以看出，在整个1970—1980 年代，人工智能技术的研发非常少，但是在2000 年代开始，人工智能技术的研发和产品的使用有了相当大的增长。特别是从2011 年以来，每年的专利申请量（已经授权）都达到了5 000 条以上。考虑到专利从申请到最后授权会有几个月到几年不等的时间，为了避免选择偏差，研究中使用了2015 年而不是2018 年作为观察期的结束年。所以，本研究没有囊括2016—2018年申请并授权的最新专利。同时因为本研究的主体是组织，所以删除了专利权人为个人的发明专利。

参考Wang 等［1］的数据采集方法，采用纵向设计，用前一阶段的变量解释下一阶段的变量。本研究使用2011 年至2015 年申请批准的专利来构建因变量，因变量是突破性创新专利的数量。本文使用了一个从1970 年到2010 年的时间窗口来构建公司知识元素的知识网络。因为知识元素远比研发者在组织里存续的时间长，所以在组建知识网络时，选择了较长的时间窗口，这更能够体现组织内不同知识元素之间的相互作用，完整体现知识元素在网络中结构和位置特征。根据数据的可靠性和可得性，对2011—2015 年有突破性创新的组织进行了筛选，筛选依据为有突破性创新的组织在前一时间窗口（1970—2010）有AI 发明专利，并且这些专利的知识元素存在组合现象。数据筛选后最终确定了243家重点研究组织。

2.2 变量

2.2.1 因变量

先前关于创新成果的研究已经广泛采用专利被引用次数作为专利质量的代理指标［24-25］。Carpenter等［24］研究表明与重要发明相关的专利被引用的次数是渐进式创新专利的两倍。Trajtenberg［25］的研究已经证实最多引用的专利是最有价值的。因此，对突破性创新专利的数量的计算，文章参考Jie Wu 等［26］、Ahuja 等［12］、Dahlin 等［27］的研究，使用在2011—2015 年时间窗口内，专利被引用数量最高的5%的专利来计数突破性创新数量。

2.2.2 自变量

知识网络结构的研究从目前看主要涉及结构洞、中心度（势）以及网络密度［10］。研究者根据研究组织1970 年到2010 年时间窗口内的专利数据构建了公司的知识网络。借鉴wang 等［1］、Guan 等［3］的研究，以专利IPC 编码的前四位作为知识元素的代表，如果两个由工业子类表示的知识元素共同存在于专利中，那么这些元素之间就有联系。根据这一原理，构建组织知识网络二值矩阵，并通过Ucinet6.0 软件计算获得知识网络中心势和结构洞相关指标值。

知识网络中心势：网络中心势是测量知识网络围绕某个或多个点构建起来的程度。中心势是研究整体网络（whole network）的中心性问题，而中心度是测量个体网络（ego network）中的中心性问题，本研究中研究的是某一组织整体网络的中心势。根据标准不同，目前有度数中心势、中间中心势和接近中心势三种中心势测量指标。本研究选择了度数中心势为测量指标，其描述了组织整体网络图中多大程度上表现出向某个点集中的趋势［28］。一个具有n个节点的知识网络的度数中心势的计算公式如下：

知识网络结构洞：借鉴wang 等［1］的研究，采用了四种结构洞测量指标中的限制度（constraint）来进行测量，由于本研究区别于wang 等［1］以研发者建立的个体网络，是从组织内容的整体知识网络进行的分析，所以在Ucinet6.0 中计算时选择的是基于整体网络的分析。采用整体知识网络中单个知识元素限制度的均值进行计算。组织整体网络中单个知识元素的结构洞计算方法采用wang 等［1］、Burt［29］的方法测算，公式如下：

Ci表示知识元素i的限制度，即i受到j的限制度指标，i、j、q分别表示不同的知识元素，公式中Pij表示知识i和j直接关系，piq表示知识元素i的全部关系中，投入到q元素的关系占总关系的比例。Ci可以用来衡量企业知识元素拥有结构洞的匮乏程度［30］。已有的研究会常用1 与“限制度指数”的差值来衡量结构洞的丰富程度［1，33］：

2.2.3 中介变量

跨界搜索。学术界对于跨界的定义有多重，有技术知识的跨界也有跨越组织边界和区域边界的跨界。本文参考Paruchuri S 等［32］选择了以组织边界进行定义。即根据专利引用信息，如果某焦点组织发明的专利，在引用时引用的是本组织以外的专利，则定义为是跨界搜索。该变量由（2011—2015）年时间窗口内的组织每项专利（包含突破性创新和渐进式创新）的引用量加总得到。

2.2.4 控制变量

虽然本研究在理论上关注的是知识网络结构、跨界搜索对突破性创新的作用，但可能还有其他因素影响着组织知识利用的程度。因此，本研究在分析中控制了几个组织特质方面和组织知识要素使用情况的因素。

专利存量：组织1978—2010 年的AI 专利存量，该领域已有专利数量体现了被研究组织具有较强的技术研发能力。

知识组合强度：组织发明的专利中知识元素组合次数，体现了知识元素在组织内的组合频率。本研究以组织1970—2010 年中有知识要素组合的专利占总发明专利的比值来计算。

知识要素存量：组织知识组合中的知识元素的数量表明了组织的知识组合的广度，通过时间窗口（1970—2010年）内专利涉及的工业子类（IPC前4位）的数量来衡量。

组织年龄：注册成立时间长的公司往往在该研究领域积累了大量的知识要素，具有丰富的知识组合和使用的经验。更有利于运用知识实现突破性创新。本研究控制了公司的年龄，用公司注册成立到分析年2015 的年份差额来计算；

组织类型：本研究中243 家组织中，涉及到了组织、大学和科研机构三种类型。不同的组织类型拥有知识和使用知识的方式差异较大。因此研究中用两个虚拟变量（大学、科研机构）来对这三种类型进行区分，数据都为零则代表为公司。

组织位置：不同区域的创新组织其创新活跃度和方式不同，会对突破性创新产生影响。由于243家组织中只涉及到北美洲、亚洲和欧洲三个地区，因此研究中用两个虚拟变量进行区分（欧洲、亚洲），数据都为零代表为北美洲的组织。

2.3 模型选择

由于因变量突破性创新的数值是计数变量为非负正整数，考虑使用泊松模型或负二项回归模型［1，3，33］。由于泊松回归模型具有局限性，需要满足期望与方差一定相等（即均等分散）的假设。为了验证均等分散结果，使用stata15.0 的负二项回nbreg 命令回归后，分析结果表明“likelihood-ratio test of alpha=0”假设检验的结果P＜0.01 是显著的，因此拒绝了“过渡分散参数=0”的原假设，这说明模型中被解释变量有过渡分散的问题，需要使用负二项回归模型进行分析［33］。

3 研究结果

3.1 描述性统计

表1 给出了关键变量的均值、标准差和相关系数。方差膨胀因子(VIF)分析表明，VIF 值范围从1.01到3.88，均值为1.88，远低于10 的阈值，表明模型中不存在严重的多重共线性问题。

表1 描述性统计和相关关系

3.2 回归结果

负二项回归共建立了8 个回归模型，表2 报告了知识网络和突破性创新关系的负二项回归结果。

模型1 表示基本模型，其中只包含模型中的控制变量。模型2-4 分别向模型1 添加知识网络中心势相关的自变量，并进行了逐步法的中介变量检验。模型5-7 向模型1 添加知识网络结构洞相关的自变量，并运用逐步法针对跨界搜索变量进行了中介变量检验。模型8 代表了完整的模型，包括所有相关的控制变量和自变量。

模型2 显示知识网络中心势对突破性创新绩效具有显著正效应（）,假设H1得到了支持；模型5 显示知识网络结构洞对突破性创新绩效具有显著正效应（）,假设H2得到了支持；模型4 用来验证知识网络中心势对跨界搜索的正效应，回归结果显示（），说明只有低于5% 的可能支持H3=0 假设，因此知识网络中心势对跨界搜索具有显著的正效应，假设H3得到支持；模型6 显示知识网络结构洞对跨界搜索具有显著的正效应，回归结果显示（），假设H4得到支持；模型3 和模型6 显示跨界搜索对突破性创新绩效具有显著正效应，其系数和P值分别为（）；（），假设H5得到了验证和支持。

表2 负二项回归模型的实证结果

表2 （续）

3.3 中介效应检验结果

为了检验跨界搜索的中介效应,本研究采用了温忠麟［34］提到的逐步回归法进行验证。针对假设H6a的中介检验，本研究通过模型2、模型3、模型4 分步进行验证。具体步骤如下：第一步，模型2以突破性创新为因变量,自变量为知识网络中心势，加全部控制变量进行回归；第二步，模型3 在第一步自变量基础上加入跨界搜索；第三步，模型4 以跨界搜索为因变量,知识网络中心势为自变量进行回归。假设模型2 中，自变量网络中心势系数用C表示；模型3 中网络中心势系数用C'表示，跨界搜索系数用a 表示；模型4 中自变量网络中心势系数用b 表示。通过回归分析可知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）,各个系数都显著，说明跨界搜索在知识中心势和和组织突破性创新之间存在部分中介效应，因此假设H6a得到支持。

同理假设H6b的中介检验步骤类似，分别通过模型5、模型6、模型7 三步来完成。模型5 中系数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）,各个系数都显著，说明跨界搜索在知识网络中心势和和组织突破性创新之间存在部分中介效应，因此假设H6b得到支持。

3.4 稳健性检验

作为稳健性检验，本研究参考了Guan 等［3］对探索性创新绩效的计算方法，对模型中原有的因变量突破性创新绩效的简单专利数加总计算进行了合理替换。使用专利家族大小作为价值标准，每一项突破性创新专利都根据其专利家族数值进行替代，最终经过加总计算出在2011—2015 时间窗口内各家组织的专利家族总数。专利家族规模是指为一项发明申请专利保护的司法管辖区的数量［3］，家族规模与专利价值显著相关，尤其是经济价值。

表3 中的模型1 到模型8，是替换原有因变量（专利简单计数）的基础上，进行标准的负二项回归得到的。这些模型表明，本研究所关心的变量的估计系数的符号与质量性能的回归结果相似，但估计系数的大小和显著水平发生了变化。总体上看，模型2 到模型7 中的结论与之前的分析结果是一致的。

表3 稳健性检验

表3 （续）

4 研究贡献与展望

本研究以1970—2015 年美国在人工智能领域申请专利的243 家组织为样本，针对组织知识网络中心势、知识网络结构洞与突破性创新绩效的关系进行了实证研究，同时基于突破性创新形成所具有的跨界特性，从前端因素——跨界搜索的视角，研究了知识跨界搜索对知识网络结构与突破性创新绩效之间关系的中介作用。通过实证数据的验证得到了如下结论和贡献：

首先，本研究强调了知识时网络结构对突破性创新绩效的影响。之前的研究探讨了对利用性和探索性创新的研究，很少涉及到对突破性创新绩效的研究。本研究发现从突破性技术创新角度看，知识网络中心势与组织突破性创新绩效呈正相关的关系，知识网络结构洞与组织突破性创新绩效呈正相关的关系。

其次，本研究探讨了组织知识网络结构对组织知识跨界搜索的影响。Wang 等［1］、Guan 等［3］在探讨知识网络结构对创新绩效影响时，都间接通过知识元素搜索和组合的原理对设定的假设进行了解释，但并没有直接研究这些结构对知识搜索行为的影响结果。本研究在研究中则直接重点研究了这些网络结构对知识搜索的影响效果和作用机理。本研究结果表明：知识网络中心势与跨界搜索呈正相关的关系，知识网络结构洞与跨界搜素呈正相关的关系。

第三，本研究关注了知识搜索中的跨界搜索对知识网络结构和突破性创新的中介作用。目前基于网络结构对知识搜索的研究多数是从社会合作网络的角度对本地搜索的影响研究［32］。其实针对突破性创新的知识搜索行为更倾向于跨界搜索［9］。本研究结果表明：跨界搜索会在知识网络结构和突破性创新绩效关系中呈现部分中介效应。同时也验证了跨界搜索会正向影响突破性创新绩效的假设。

本研究存在的不足之处，以及后续研究需要继续深入的地方：第一，由组织专利量数据庞大，组建知识网络的数据处理量大，因此本研究主要利用人工智能领域的专利数据样本进行研究。人工智能领域的创新研究具有跨学科的高动态性和交互性。因此，本研究的结果不能简单地推广到其他工业环境。今后可选择具有不同动态性和交互性的工业情境的行业，进行进一步的比较研究，以检验目前研究中无法证实的假设；第二，由于研究者运用的专利数据库中，针对中国组织的专利引用和被引用数据经常出现缺失，因此针对中国情境下的相关研究还需要继续拓展；第三，研究采用的是截面数据而不是面板数据。本研究参考Wang 等［1］的研究采用了截面数据，这种数据结构可能不容易捕捉时间和公司战略政策变化对突破性创新的影响。因此，可考虑采用多个时间窗口的面板数据研究模式；第四，本研究关注的突破性创新绩效，是以专利数据加以衡量，因此研究只片面分析了组织技术层面的突破性创新。突破性创新涉及到的产品创新、流程创新、管理创新等通过二手数据无法获得，后续研究者可通过问卷调查等一手数据，对本研究分析结果进行进一步的验证和分析。