网络关系视角下的用户创新生存影响因素分析

张畅

摘 要：以LEGO Ideas作为数据来源，在社交网络平台的相关研究基础上，构建出作者网络和内容网络，并计算出用户创新节点在网络中的中心性。采用生存分析法，将用户创新的“存活”视为生存事件，建立生存回归模型，分阶段计算出网络中心性对用户创新生存的影响系数。研究认为，两类网络属性在用户创新发布早期为其生存提供正向影响，作者网络的影响在后期愈发明显，而内容网络则逐渐出现负向影响的迹象。企业应鼓励OI平台中高质量作者间的互动，更多地根据作者行为识别出高质量的用户创新。

关键词：用户创新；生存分析；社会网络；LEGO Ideas

中图分类号：G202

文献标识码：A

doi：10.3969/j.issn.1672-2272.202307085

Analysis of Factors Influencing User Innovation Survival from the Perspective of Network Relationship：

A Case Study of LEGO Ideas

Zhang Chang

（School of Information Management， Nanjing University， Nanjing 210023， China）

Abstract： With LEGO Ideas as the data source， author network and content network are constructed based on previous studies on social network platforms， and the centrality of user innovation nodes in the network is calculated. Then， survival analysis method is adopted to treat the "survival" of user innovation as survival event， and survival regression model is established to calculate the influence coefficient of network centrality on user innovation survival in stages. The research shows that the two types of network attributes provide positive effects on the survival of user innovation in the early stage of release， the influence of author network becomes more and more obvious in the later stage， and the content network gradually appears negative signs. Companies should encourage high-quality author interactions in OI platforms and identify high-quality user innovations based more on author behavior.

Key Words：User Innovation; Survival Analysis; Social Network; LEGO  Ideas

0 引言

不斷变化的内外部环境迫使企业不断探索新的创新模式，从封闭式创新走向开放式创新，成为众多企业打破资源壁垒、获得竞争优势的重要选择。开放式创新模式中的典型案例是一些企业通过构建社交平台，实现企业内部研发与客户之间的直接互动，驱动创新发展。这些社交平台被定义为“开放式创新平台”（OI平台），是创新用户可以提出创意或产品解决方案，并与他人互动以实现集体创新的网络环境^[1]。与一般社交网络平台类似，平台中的用户通过发帖、评论、关注支持等方式，实现彼此间的兴趣交流和学习^[2]；而在OI平台中，企业对平台的目标有着明确定位，通过功能搭建、内容运营等方式，吸收具有创新能力和身份认同的社群成员，并引导他们参与研发创新相关的互动^[3]。企业识别出有价值的互动内容，将其视为用于研发的外部资源，以低成本推动创新发展。社群成员生产的具有研发创新价值的贡献即为“用户创新”，戴尔、乐高、美的等企业已经自建起成熟的OI平台，吸收用户创新，并将其作为重要创新知识来源^[4]。

用户创新与企业的产品研发、市场绩效、竞争优势等有着显著关联^[5-7]，有效吸收用户创新中的价值是企业竞争策略中的重要环节。由于OI平台继承虚拟社区的诸多特征，社会网络分析方法成为针对用户创新的新的研究思路：创新社区中存在着用户协同和多种知识流动机制^[8]，用户之间通过交互行为互惠，并形成节点间连接，连接的强度、质量等因素进一步对创新质量产生影响^[9-10]。除了用户之间的交互外，创新内容通过相同分类或标签等方式能形成网络关系，内容的连接性有助于实现创意的传播^[11]，创新性和专业性则能帮助企业识别出OI平台中的领先用户^[12]。

然而，创新的价值并非一成不变，当创新项目因各种原因无法继续推出创新性的产品或服务并获取收益而被停止或取消时，即被认为创新失效^[13]。用户创新同样存在失效现象，这也是企业在开放式创新模式中面临的问题之一。当OI平台短时间出现大量贡献时，企业的响应能力不足，价值较低的用户创新因无法得到及时回应而进入失效状态。累积过多的失效创新进一步造成信息过载，进而影响企业吸收用户创新的效率^[14]。已有研究多集中于如何识别并利用高质量用户创新内容，而缺乏对于创新失效机制的分析和讨论。

本文在有关用户创新研究的基础上，引入生存分析的概念和方法，分别从作者视角和内容视角出发，讨论社交网络属性对用户创新的“存活”和“失效”产生何种影响。选择乐高OI平台LEGO Ideas作为研究对象，分别在作者和内容两个视角下构建用户创新网络，计算其网络属性，建立生存回归模型并分析不同阶段的影响效应。研究结论得出各因素对用户创新生存的影响规律，帮助OI平台中的用户创作更优质的创新内容，帮助企业识别并利用拥有生存能力的用户创新，同时建立和完善用户创新失效筛选机制。

1 理论分析与研究假设

1.1 创新生存

在基于生存分析的创新研究中，学者多以专利作为研究对象，定义出专利生存的有关概念——当专利超过有效期或无法继续转化为收益时，视为专利失效，并认为专利生存时间和概率能反映出专利价值。郑义忠等^[15]用生存模型和生命表法研究专利有效率的变化过程，提出专利在n个时间单位后仍有效概率的计算公式。Danish等^[16]使用专利续期长度代表专利价值，发现不同专利所属的技术类别、技术范围、发明人规模均会影响专利的生存率。Han等^[17]将专利生存期作为其价值的代表，使用Weibull回归构建3D打印专利的生存模型，研究专利转移等要素与生存概率之间的关系。与专利类似，OI平台中用户的创新内容会因为发布时间过久、关注度较低等原因变得不可见或被隐藏，无法为企业提供创新收益并进入失效状态。因此，生存分析中的概念或方法可以应用于用户创新的价值分析中。

1.2 社会网络理论与用户创新

社会网络通常指是社会行动者及其间的关系的集合，社会行动者代表网络中的节点，如亲属、等级、合作和利益等关系构成网络中的边^[18]，社会网络分析（Social Network Analysis，SNA）则用于分析社会网络结构的相互依赖关系和隐藏模式。早期SNA方法主要应用于现实世界的实体关系研究中，而随着Web 2.0技术兴起，在线社交网站可以被视为通过科学观察的传统社交网络的现代等价物^[19]，这种虚拟社区逐渐发展为SNA的研究对象。通过计算节点距离、网络密度、中心度等定量指标^[20]，可以很好地判断用户的在线社交行为与哪些因素有关、造成了哪些后果，也可以从整体上将虚拟社区的网络结构作为分析对象^[21]。目前，SNA已被用于虚拟社区的各个层面，个人绩效差异^[22]、知识分享行为^[23]等現象都可以通过社交网络的视角进行解释。此外，Rogers^[24]阐述创新是在特定的社会网络扩散的，这也使SNA得以应用在OI平台的相关研究中。

OI平台和一般网络虚拟社区类似，存在着以内容发布者为节点的作者网络，作者的特征取决于他们对社区其他成员的交互行为——如评论、合作创新等，其中的部分交互行为可以作为作者网络中“创新者”的判断依据^[25]。许多研究从用户的角度出发，分析作者的交互行为和社交关系对创新绩效的影响。高天等^[26]依据用户信息行为和目的区分了作者网络的中心路径和边缘路径，并验证边缘路径网络中心度对知识的正向影响。Han等^[27]发现创新社区中用户发布的内容和评论的多样性和动机影响了其受欢迎的程度，用户创新能力也对其创意的受欢迎程度起着正向影响的作用。Yang等^[28]在网络结构中将用户交互的直接对象视为“邻居”，并发现开放的网络结构中，“邻居”的创新绩效正向影响用户的创新绩效，而在封闭式的网络中则会得出相反的结论。同样有学者基于创新社区的整体网络展开研究，Zhou等^[29]将创新平台的网络关系划分为互动网络、知识共享网络和社交网络，并采用二次赋值法计算网络间的相关系数。研究结论表明互动网络与知识共享网络具有较高的相关性，用户之间的互动越多，知识共享就越频繁。

已有研究结果显示，无论是从个人层面还是从社区整体层面，作者的社交行为通常都正向刺激着创新绩效，交流、合作等行为可以激励个体乃至整个社区的创新表现。结合SNA的观点，社交频率更高、范围更广的作者，反映出在作者网络中的重要程度更高，其作品应该更加具有创新价值、拥有更高的生存概率。此外，OI平台中的社交活动意味着知识的共享，网络中活跃的作者能从其他用户中获得知识，并运用到用户创新中，使其在发布后逐渐激烈的生存竞争过程中保持领先优势。基于以上分析，本文提出如下假设：

H₁：用户创新在作者网络中的重要程度正向影响其生存概率。且发布时间越长，作者网络的影响效果越显著。

以上研究中，有学者发现创新社区中存在着作者关系之外的网络，通常是由文本中的关键词、主题词构建而成的内容网络。内容网络被定义为以单词为节点的网络，这些单词的共同出现形成节点之间的联系^[30]。内容网络一般用于揭示网络内容分布和知识结构^[31]，或应用于在线搜索^[32]、内容排名^[33]、知识发现^[34]等技术中。不同文本内容可以通过共有的关键词连接形成多模网络，用于进一步分析内容之间的关联^[11]。本文研究内容网络属性用来反映用户创新节点在网络中的位置和重要程度，重要程度越高的创新作品在社区中更容易被关注和追捧，在发布早期更容易取得成功；但从创新层面考虑，OI平台中更独特、更具创新性的作品才会被其他用户或企业认可，与其他节点产生过多的联系反而会降低作品的创新程度，难以维持长期的热度。因此，本文提出如下假设：

H₂：用户创新在内容网络中的重要程度与生存概率呈倒U型关系。在用户创新发布的早期，正向影响生存概率，而在发布一定时间后，正向影响将转变为负向影响。

2 研究方法

2.1 数据来源

LEGO Ideas是由乐高集团创办的OI平台，用于收集用户创意并扩大品牌效益，自2014年4月正式上线以来，网站已经拥有超过110万用户和3万多项用户创新项目^[35]。用户在网站中注册后可以自由发布自己的乐高积木设计，并附上文字、图片、视频等简介加以宣传，这些创意设计即为OI平台中的用户创新项目。其他用户可以评论、收藏项目，或点击“支持”为该项目累计“支持数”（supporters）。

选取LEGO Ideas作为研究数据来源的重要原因，是乐高集团为其制定了良好的创新失效识别机制。根据平台中的规则，这些用户创新项目一旦发布，便会面临失效风险，需要在时效期间内达到各个支持数“里程碑”，才能避免失效。如图1所示，平台共设置100、1 000、5 000、10 000四个支持数里程碑，第一阶段该项目拥有60天有效期，每进入新的阶段会被奖励额外的时效天数。支持数达到10 000后，项目会进入官方评审阶段，评审通过的项目可以进行售卖，部分售卖的利润会被给予项目设计者；而未在有效期内达到里程碑要求的项目会处于失效（expired）状态，其他用户无法再对其进行支持或评论等操作，也无法在默认的情境下见到失效内容。

LEGO Ideas鼓励用户参与贡献或与其他用户交互的行为，并从用户的创新活跃性、社交力和社区威望三个方面对用户进行激励^[36]。如用户每有一个项目达到1 000支持数，可以一个获得“1k club”勋章，评论得到100个支持则可以获得一个“socializer”勋章；社区官方会定期精选出优质作品，并在展示页中突出用户创新项目被“员工选择”的标志。

本文中使用“八爪鱼采集器”作为信息采集工具，选取平台2020年1月1日-2021年12月31日发布的全部用户创新项目作为研究对象，并进一步获取其发布者信息。经过筛选共获得8 893条用户创新项目数据与4 538条用户数据。其中，达到各里程碑的项目数量及比例如表1所示。由于达到5 000和10 000支持者里程碑的项目数量较少，本文将研究范围设置为样本所经历的前三阶段——提交创意至获得100支持、获得100支持至获得1 000支持、获得1 000支持至获得5 000支持，在前一阶段失效的项目将不作为下一阶段的研究对象。

2.2 变量选择

2.2.1 自变量

自变量将分别来自根据LEGO Ideas数据构建的作者网络和内容网络。本文将分别提出构建两种网络的方法，并计算出节点的中心性作为研究分析的自变量。

①作者网络

在线社区中，用户通过评论、跟帖等行为與其他用户建立联系，并交换信息和知识。将用户作为作者网络中的节点，将评论或回复行为作为节点之间的边^[37]，如此便能得到用户间的有向网络图。LEGO Ideas社区中允许用户在他人的项目中发布评论，评论次数不受限制，因此可以将某位用户评论另一位用户的次数作为边的权重。

为衡量用户创新项目的作者在网络中的重要程度，分析时引入作者网络中心性的概念作为自变量， 包括点度中心性（author_C_D）、中介中心性（author_C_c）和接近中心性（author_C_B）。

公式（2）给出节点i的接近中心性C_C（N_i）的计算方式。d_ij代表两节点间的最短路径长度，因此接近中心性用于衡量节点的与其他所有节点的邻近程度，包括直接和间接连接，反映节点的“控制”能力^[39-40]。具有高接近中心性的作者处于网络的核心位置，能对更多的社区用户产生影响^[38]，被他人参考的可能性更大。

公式（3）给出了节点i的中介中心性C_C（N_i）的计算方式。σ_kj表示网络中两节点距离最短的路径数，而σ_kj（N_i）表示经过节点i的最短路径数量。具有高中介中心性的节点位于不相邻两点间的交汇处，可以控制二者间的信息，在调节信息传播方面发挥着重要的作用^[38-39]。中介中心性越高的作者节点，在OI平台中起到的串联效果越好，其他作者对于其传播信息的依赖性越高。

②内容网络

本文采用共线分析的思路构建内容网络，已有研究表明，可以借助“单位”和“关键词”两项特征构建共线分析的无向2-模网络^[41]，“单位”代表用户创新项目，而“关键词”特征即为用户创新项目中所包含的标签。LEGO Ideas创作者可以根据作品的内容为项目自定义1-10个标签，反映项目特征，部分标签也会被平台用于项目的分类依据。具有相同标签的作品可以认为在某些方面具有连接和相似性。在所构建的网络中，项目节点与其包含的标签节点相连，两个具有相同标签的项目节点便会产生关联，且具有相同标签的数量越多，代表项目节点间的连接越紧密。使用Gephi软件中的Multimode Networks Transformations插件，可以在分析时将2-模网络进一步投影为1-模网络，仅观测项目节点间产生的关联，反映出更直观的内容网络特征。与作者网络相同，内容网络层面同样通过点度中心性（content_C_D）、中介中心性（content_C_C）和接近中心性（content_C_B）衡量节点在网络中的重要程度。

2.2.2 时间与失效变量

生存分析时通过构建生存回归模型，计算出各个时间点上，研究对象从某一状态转变为另一状态的可能性，分析各个因子对时间和状态转变的影响程度。因此，本文需要确定时间变量与所关注的事件，以此预测特定条件下关注事件所发生的时间。此次实证研究旨在判断哪些因素有助于推动项目达成里程碑，获得更长的生存天数，因此指定失效事件为达成下一个里程碑，失效变量设置为1，时间变量设置为阶段开始至达成里程碑所经历的时间。根据以上解释，模型中的因变量即为在某一时刻下，用户创新项目达成里程碑的风险概率。

若用户创新项目在某一阶段内进入失效状态，或观测期间项目并未进入到下一阶段，则视为发生截堵 （censoring）。截堵情况中并未观测到关注事件的发生，因此将失效变量设置为0，时间变量设置为从上一阶段到项目失效或到观测停止的时间。

2.2.3 控制变量

研究选取得控制变量包括展示特征、用户特征和社区支持3个方面。Ma等的研究表明，用户创新的展示特征和用户特征会影响被企业所接受的可能性^[42]，其中展示特征包括创意描述文本的长度（text_length）、展示的图片数量（img_num）和加入的标签数量（tag_num），用户特征可以从进入社区的时长（age）、累计发布的作品数（contribution），以及勋章数量（1k_club， socializer）中反映。此外，社区支持被证实有助于推动用户创新^[43]，后文中的生存风险曲线图中同样证实了这一点，因此员工选择（staff_pick）将作为反映社区支持的控制变量，而在实证模型中，员工选择将被作为生存回归分析的分组依据。

2.2.4 描述性统计

表2涵盖了以上变量的说明和描述性统计结果。基于当前数据，可以将支持数作为时间变量，失效作为观测事件构建Kaplan-Meier生存函数图如图2所示和Nelson-Aalen累计风险函数如图3所示，从而分析LEGO Ideas用户创新项目的整体生存趋势。

图2Kaplan-Meier生存函数图代表观测样本存活概率随时间的变化情况，而Nelson-Aalen累计风险函数图代表观测样本随着时间的变化所累积的风险。与预期结果一致，支持者数量的积累可以帮助创新项目更接近下一阶段的目标，但达到更高的阶段后，项目的存活难度会逐渐升高，失效的可能性更大。此外，绘制KM曲线和NA曲线时依据创新项目是否被“员工选择”进行分组，根据图2所示，是否被“员工选择”的项目在存活概率和累计风险的变化上均有较大差异，带有“员工选择”标志的项目更容易在竞争中存活，因此在回归分析中需要对这一指标加以控制。

汇总以上步骤，构建用户创新生存分析模型的方法如图4所示。

2.3 生存回归模型

本文采用Cox PH模型构建生存回归函数，Cox PH模型是一种半参数模型，用于研究关注事件的发生概率与预后因子间的关系及其大小程度。假定项目有达成下一里程碑的风险，则模型中时间点t处事件发生的风险率为：

其中，λ₀（t）为风险基准函数，不需要估计参数。x'为对失效产生影响的协变量集合，β则代表向量参数集合。由于实证检验中的数据集包含较多数据截堵情况，采用参数模型可能会导致风险函数设定错误，而半参数Cox PH模型不需要对基准风险λ₀（t）的具体形式做出假设，在考虑不同个体的风险之比时可以将其约去^[44]。因此，计算个体x在t时刻的风险率ht，x采用公式（5）：

在本文研究过程中，观测事件为用户创新项目达成下一里程碑，t为观测时间，x则代表自变量，即网络中心性，x₀代表控制变量，ht，x代表项目在观测时间为t时达到里程碑的机会概率。回归系数为ln （β），其中β解释为风险比率（hazard ratio），风险比率大于1代表相关变量提升了观测事件发生的概率^[45]，即用户创新项目更有机会达到下一里程碑（在该阶段存活）；反之则负向影响存活的机会。通过计算风险比率β及其显著水平，可以推断出对应的网络中心性x如何影响用户创新项目的生存概率。

根据研究假设，本文分别建立3个模型，分别采用公式（6）、公式（7）、公式（8）。模型1和模型2分别单独考虑作者网络属性和内容网络属性对存活风险的影响，而模型3则考虑了二者同时存在的情况。

3 实证结果分析

表3、表5分别给出了点度中心性、接近中心性、中介中心性在Cox PH模型的风险比率及显著情况。表中的数据为阶段1、2、3分别代表支持数从0-100、100-1 000、1 000-5 000的阶段，未达成前一里程碑的个体不计入下一阶段的考虑范围，因此观测数呈现逐渐下降的趋势。

表3的模型1中，author_C_D的三阶段风险比率分别为1.477、1.494和1.735，且均在0.1%的水平上显著，可以说明作者网络的点度中心性在创新生存期间始终正向影响着存活机会。用户通过评论连接到其他用户的次数越多，即在在社区中的活跃度越高，交互行为更加频繁，他们所创作出的创新项目长期存活的可能性越大。从风险比率变化来看，用户创新项目发布时间越长，点度中心性对其存活概率的影响越大。表4结果显示，author_C_C在各阶段中的风险率同样均大于1，且p<0.001，可以认为作者网络的接近中心性始终显著正向影响用户创新项目生存概率，说明与其他作者联系更紧密、更具社交影响力更大的作者，所发表的项目往往具备更长的存活时间。表5单独考虑中介中心性时，author_C_B的风险比率分别为1.109、1.179和1.316，且具有较高的显著水平，与其他作者网络的中心性指标的结论保持一致，高中介中心性代表作者在网络中充当着桥梁作用，影响着信息的传播，相较于其他作者而言，其项目的生存概率会更高。综合观测模型1的分析数據，作者网络中的三组自变量在各个阶段均呈现正向显著，且风险比率随发布阶段逐渐提升，假设H₁得以验证。

表3-表5模型2中的结果显示，内容网络属性并没有与作者网络一样始终呈现正向显著影响。content_C_D在前两阶段的风险比率均大于1，且分别在5%和1%的水平上显著，可以认为内容点度中心性在创新发布时间较早时的正向影响创新生存。而在第三阶段，content_C_D的风险比率变为0.970 3，即内容点度中心性将负向影响创新生存，但由于p>0.05，该结果不具有显著性。content_C_C、content_C_B的Cox PH回归结果与之类似，均在早期阶段呈现了正向影响，进入后期阶段后风险比率小于1，且结果不具备显著性。以上回归结果验证H₂中内容网络中心性在用户创新发布早期正向影响生存概率的描述，而无法判断在后续阶段，内容网络中心性是否会对生存概率产生影响，该现象的合理解释为：较高的内容中心性意味着改创新项目拥有更多、更热门的标签，热门的分类往往拥有更多受众和关注者，因此处于网络中心的用户创新项目更容易在初期受到关注并获得支持；而随着阶段的推进，热门标签下的项目可能面临更多同类作品的竞争，在更高的生存难度下难以持续保持优势，与众不同的项目反而更容易脱颖而出。

模型3是考虑作者网络属性和内容网络属性的同时，存在的Cox PH模型，进一步对两种网络的影响效果加以对比。社交中心性在各阶段的风险比率均大于1，且在0.1%的水平上显著，这一现象进一步巩固了假设H₁。由于点度中心性和中介中心性会受到网络规模的影响，无法对在不同网络中进行比较，因此在验证假设H₃时，仅对接近中心性进行考察。从风险比率的比较中可以看出，二者差距较大，作者网络接近中心性在各个阶段所造成的影响远大于内容网络接近中心性。此外，在同时考虑两种网络属性时，content_C_C在前两阶段的风险比率结果不再具有显著性，而可以确定author_C_C始终正向影响创新存活概率。综上所述，相比内容网络，作者网络属性对用户创新生存的影响效果更显著。研究还模拟了社交、内容网络交互项对创新生存的影响，但交互项的风险率在Cox PH回歸模型中显著性较差，不能判断作者网络交互作用对生存机会产生何种影响，无法得出进一步的结论。

为验证上述结果的合理性，继续采用加速失效时间模型 （accelerated failure-time model，AFT）对样本进行估算。AFT模型一种应用于生存分析的参数模型，用于测算变量对于从观测开始到事件发生时长的影响。采用威布尔AFT和对数Logistics ATF建立生存回归模型，考虑各网络变量的同时存在的效果。

表6为稳健性检验结果，表中的数据代表ATF模型中的相关系数β。相关系数β表示解释变量每增加一个单位时，观测事件发生的时间将推迟β%。因此，若β为负，则证明自变量有助于延长创新项目的生存时间。由于ATF模型考虑了时间因素，因此无法很好地反映解释变量的影响幅度在各阶段的变化，而影响的正负关系、显著程度与Cox PH回归模型中所得出的结论基本一致，证实Cox PH模型的稳健性较高。

由于author_C_D在阶段2中对创新项目生存产生显著的负面效果，而author_C_C依然保持着显著正向影响。这也证实了用户不一定能从频繁的无效互动中获益^[46]，只有处于核心地位、更具社交影响力的用户才能获得社区其他人的支持。

4 结论、启示与展望

4.1 研究结论

本文基于LEGO Ideas网站中特殊的“里程碑”机制，引入社会网络分析中的相关概念，研究哪些因素能够影响用户创新在OI平台中的生存。对LEGO Ideas中获取的数据进行处理，一方面，将网站中的作者及其评价行为分别作为节点和边，构建作者网络；另一方面利用帖子的标签功能，根据创新项目间的标签关联，构建出二模内容网络。模型方面则使用了Cox PH模型，建立了生存回归方程，并分三个阶段分别计算各网络中心性的风险比率，并使用威布尔AFT和对数Logistics ATF模型，证实了原方法的稳健性。实证结果和讨论中揭示了各因素与创新生存的关联，经过进一步推导与讨论，本文认为用户在作者网络中的重要程度始终能正向影响其项目的生存机会，而项目在内容网络中的地位仅能在生存的初期阶段发挥作用，且后者的影响效果弱于前者。

4.2 理论贡献

本文在创新研究的现有理论基础上，对研究对象和研究方法进行了扩展。既往有关创新管理研究多以企业、专利、论文作为研究主体，而本文聚焦于用户创新的微观视角，分析了特定的OI平台中，用户所发布的创新内容，为众包创新模式、创新识别、企业创新管理等细分领域进一步开拓出了理论研究空间。研究方法上，一方面，SNA方法在创新理论研究中的扩展，证实了网络构建在作者层面和内容层面的可行性，“内容-标签”构建出的二模内容网络也为未来网络虚拟社区的相关研究提供了新思路；另一方面，将生物医学领域常用的生存分析视角融入到了创新发展周期的研究中——借助“生存”和“失效”的概念，界定了用户创新所带来的价值范围，并成功分析出了在创新发布后，价值衰减的影响因素，这种概念融合和研究方法也为当前的创新研究带来了一定的理论贡献。

4.3 管理启示

此项研究更多是在开放式创新模式下的用户和企业提供了参考："里程碑"机制带来的社区认可和与物质激励促进了用户参与创新^[25]，使他们更希望自己的作品取得成功。实证结果为用户更好地发布创新内容提供了参考价值。作者网络中更活跃、地位更高的用户，其作品往往能生存机会中占优。用户之间的关注、评论等行为中存在着知识流动，更频繁地交流可以从其他用户获取知识和创意。此外，作者网络反映了用户地位，“意见领袖”型角色可以获得其他用户的更多支持。相关研究还表明，除了连接数量外，连接强度和与高质量作者的连接比例同样影响作品表现^[9-10]，这也为用户对作者网络的利用提供了新思路：减少低质量的无效互动，而需要更多的与高质量作者形成更强的联系。由于内容中心性对创意生存的影响有限，且后期存在着负面影响的可能性，用户不能一味地给自己的作品套上热门标签，否则在后期的生存挑战中，项目将面临来自同类创意作品的巨大竞争压力。

大量企业都自行搭建网站或使用第三方网站，构建一般性的用户社区，他们期望能够在用户群体中打造更好的品牌效益。除此之外，企业搭建OI平台的另一目标是希望识别出领先用户，利用其创新成果，能进一步起到降低创新成本、缩短研发周期的作用^[47]。LEGO Ideas所使用的里程碑机制是非常成功的，一方面，用户为了避免项目的失效，会自发地在作者网络中推动项目的传播，社区中的更多人便能看到乐高积木的新玩法并成为其支持者，巩固他们对于品牌的忠诚度；另一方面，用户在社区中的行为在一定程度上体现了他们的诉求，代表了他们所期望的新产品^[48]，这些可以作为企业未来创新研发的参考方向，提升消费者的购买意愿^[49]。但这样的做法也存在一定弊端，用户可能会为了追求作品的成功而紧紧聚焦于发展自己的作者网络，或是为自己作品打上更多更热门的标签，以收获更多粉丝的支持。这与企业的目标并不完全一致，他们希望挖掘的领先用户应当拥有区别于一般用户的专业化知识和创新能力，从他们的创新成果中可以收获更高的回报^[50]。

本文通过研究“里程碑”机制，也为企业提供了识别出易"生存"的用户创新的思路：作者网络中心性较高的用户创新具有较大的长期生存优势，企业识别后可以将其投入到长期的研发创新中；内容网络地位也会在短期内对创新生存造成影响，企业也可以分析近期存活的创新内容，反向了解用户群体在短期内的创新热点。而通过识别出易“失效”的用户创新内容，企业也可以尽快筛选屏蔽，避免造成OI平台中的信息过载。

事实上，“里程碑”机制是通过类似于投票的方式实现的，并不能完全映射出作者的创新能力。为了刺激高质量创作者和创新内容的出现，平台需要建立新的激励机制。除了支持、评论外，LEGO Ideas的其他用户还可以对创意作品的原创性、建造技术和细节进行打分，这些指标除了能为作者带来评估建议外，也可以作为企业对于高质量作品的判断依据。平台官方可以将以上维度作为“里程碑”中的隐性指標，加入到增加生存时效的必须条件中，提升领先用户的识别效率。

4.4 研究不足与展望

本研究存在以下方面的不足：一方面，本文的理论依据较为单薄，过往研究中暂时缺乏对于用户创新“生存”和“失效”的明确定义，本文仅在专利的基础上加以类比，而生存分析法对于用户创新研究的有效性也有待验证。另一方面，研究对象的选取过于特殊和单一，LEGO Ideas特殊机制的成功依赖于乐高的产品特色，其他企业的创新平台中难以实现类似机制，研究并未证实研究结论是否在其他平台中同样成立。这也是由于创新平台中的规则完全由企业定义，目前难以找到拥有完全一致筛选机制的OI平台。

未来研究中，可以将更多有关专利、重大创新的结论或模型应用于OI平台，探索更多有关用户创新的生存机制。

参考文献：

[1]LIANG Y， RUI Z， CHEN J， et al. The Impact of Power Bounary Management on the Design of Company-initiated Open Innovation Platform[C]// National Chung Cheng University. 20th Pacific Asia Conference on Information Systems 2016. US：AIS Electronic Library， 2016.

[2]HALLERSTEDE， STEFAN H. Managing the Lifecycle of Open Innovation Platforms[M]. Germany：Springer Fachmedien Wiesbaden， 2013.

[3]付轼辉，沈志锋，焦媛媛.开放创新社区氛围的内涵、前因与后果研究[J].科学学研究， 2020， 38（12）：2293-2304.

[4]刘静岩，王玉，林莉.开放式创新社区中用户参与创新对企业社区创新绩效的影响——社会网络视角[J]. 科技进步与对策， 2020， 37（6）：9.

[5]LLANES G. Competitive strategy for open and user innovation[J]. Journal of Economics & Management Strategy， 2019， 28（2）：280-297.

[6]GRAZIANO A， ANNA M. User innovation and network effects： the case of video games[J]. Industrial and Corporate Change， 2020， 29（6）：1399-1414.

[7]LEE E H， KIM C Y， YOO J W. Relationship between User Innovation Activities and Market Performance： Moderated Mediating Effect of Absorptive Capacity and CEO's Shareholding on Innovation Performance[J]. Sustainability， 2020， 12（24）： 1-18.

[8]张海涛，刘伟利，任亮，等.开放式创新社区的用户知识协同交互机理及其可视化研究[J].情报学报， 2021， 40（5）：523-533.

[9]CHEN J， LIANG Y， ZHANG J， et al. The Online Social Network and User Innovation in the Context of an Online Innovation Platform[J]. Journal of Organizational and End User Computing， 2021， 33（6）：1-27.

[10]QI G， HOU L， CHEN J， et al. How Does User Social Network Improve Innovation Outcomes on a Virtual Innovation Platform？ Evidence From LEGO Ideas Platform[J]. Journal of Global Information Management， 2021， 29（3）：188-211.

[11]DEICHMANN D， MOSER C， BIRKHOLZ J M， et al. Ideas with impact： How connectivity shapes idea diffusion[J]. Research Policy， 2020， 49（1）：1-11.

[12]曾慶丰，郭倩，张岚岚，等.基于聚类算法的开放式创新社区领先用户识别方法[J].计算机集成制造系统， 2019， 25（11）：2943-2951.

[13]PANNE G， BEERS C V， KLEINKNECHT A. Success and Failure of Innovation： A Literature Review[J]. International Journal of Innovation Management， 2003， 7（3）：309-338.

[14]LEE H， CHOI K， YOO D， et al. Recommending valuable ideas in an open innovation community： A text mining approach to information overload problem[J]. Industrial Management & Data Systems， 2018， 118（4）：683-699.

[15]郑贵忠，刘金兰. 基于生存分析的专利有效模型研究[J].科学学研究， 2010， 28（11）：1677-1682.

[16]DANISH M S， Ranjan P， Sharma R. Determinants of patent survival in emerging economies： Evidence from residential patents in India[J]. Journal of Public Affairs， 2020， 21（2）：2211.

[17]HAN E J， SOHN S Y. Patent valuation based on text mining and survival analysis[J]. Journal of Technology Transfer， 2015， 40（5）：821-839.

[18]朱庆华，李亮.社会网络分析法及其在情报学中的应用[J].情报理论与实践， 2008（2）：179-183.

[19]QUINN D， CHEN L， MULVENNA M. Social Network Analysis： A Survey[J]. International Journal of Ambient Computing & Intelligence， 2012， 4（3）：46-58.

[20]魏瑞斌.社会网络分析在关键词网络分析中的实证研究[J].情报杂志， 2009， 28（9）：46-49.

[21]孟韬，王维.社会网络视角下的虚拟社区研究综述[J].情报科学， 2017， 35（3）：171-176.

[22]TANG C， DING X. Graduate students' creative professional virtual community behaviors and their creativity[J]. Computers in Human Behavior， 2014， 41：464-470.

[23]PAN Y， XU Y C， WANG X， et al. Integrating social networking support for dyadic knowledge exchange： A study in a virtual community of practice[J]. Information & Management， 2015， 52（1）：61-70.

[24]ROGERS E M. Diffusion of innovations[M]. US：Free Press， 2010.

[25]MARTINEZ-TORRES M R. Analysis of open innovation communities from the perspective of social network analysis[J]. Technology Analysis & Strategic Management， 2014， 26（4）：435-451.

[26]高天，任南.开放式创新社区中知识重混影响因素研究——以Thingiverse为例[J].知识管理论坛， 2022， 7（2）：133-142.

[27]HAN C， YANG M. Stimulating Innovation on Social Product Development： An Analysis of Social Behaviors in Online Innovation Communities[J]. IEEE Transactions on Engineering Management， 2022， 69（2）：365-375.

[28]YANG K， FUJISAKI I， UEDA K. Interplay of network structure and neighbour performance in user innovation[J]. Palgrave Communications， 2020， 6（1）：1-8.

[29]ZHOU A， ZHOU Y. Research on the Relationship Network in Customer Innovation Community based on Text Mining and Social Network Analysis[J]. Tehnicki Vjenik-Technical Gazette， 2020， 27（1）;58-66.

[30]RICE R E， DANOWSKI J A. Is It Really Just Like a Fancy Answering Machine？ Comparing Semantic Networks of Different Types of Voice Mail Users[J]. Journal of Business Communication， 1993， 30（4）：369-397.

[31]钱宇星，周华阳，周利琴，等.老年在线社区用户健康信息需求挖掘研究[J].现代情报， 2019， 39（6）：59-69.

[32]CHOBE S， ZHAN J. Advancing community detection using Keyword Attribute Search[J]. Journal Big Data， 2019， 6（1）：1-33.

[33]HARAKAWA R， IWAHASHI M. Ranking of Importance Measures of Tweet Communities： Application to Keyword Extraction From COVID-19 Tweets in Japan[J]. IEEE Transactions on Computational Social Systems， 2021， 8（4）： 1030-1041.

[34]CAGLIERO L， FIORI A. Discovering generalized association rules from Twitter[J]. Intelligent Data Analysis， 2013， 17（4）：627-648.

[35]原欣伟，杨少华.在线用户创新社区的知识创造——研究综述与理论分析框架[J].情报科学， 2017.35（7）：162-169.

[36]陈佳丽，吕玉霞，戚桂杰，等.开放式创新平台中创新用户的互惠行为研究——以乐高创意平台为例[J].软科学， 2019， 33（3）：96-100.

[37]吴江，施立.基于社会网络分析的在线医疗社区用户交互行为研究[J].情报科学， 2017， 35（7）：120-125.

[38]BAEK S I， KIM Y M. Longitudinal analysis of online community dynamics[J]. Industrial Management & Data Systems， 2015， 115（4）：661-677.

[39]平亮，宗利永.基于社会网络中心性分析的微博信息传播研究——以Sina微博为例[J].图书情报知识， 2010（6）：92-97.

[40]BIHARI A， PANDIA M K. Key Author Analysis in Research Professionals' Relationship Network Using Citation Indices and Centrality[J]. Procedia Computer Science， 2015， 57：606-613.

[41]张自立，张紫琼，李向阳.基于2-模网络的科研单位和关键词共现分析方法[J].情报学报， 2011， 30（12）：1249-1260.

[42]MA J F， LU Y B， GUPTA S. User innovation evaluation： Empirical evidence from an online game community - ScienceDirect[J]. Decision Support Systems， 2019， 117：113-123.

[43]KOCH S， BIERBAMER M. Opening your product： impact of user innovations and their distribution platform on video game success[J]. Electronic Markets. 2016， 26（4）：357-368.

[44]詹淼华，徐志远，徐亮.创新行为与中国制造业出口竞争力的持续时间[J].中国科技论坛， 2022（4）：37-46.

[45]ALLISON P D. Event history and survival analysis[M]. US：SAGE publications， 2014.

[46]陈佳丽，吕玉霞，戚桂杰，等.社会网络联系与用户创新研究——对乐高开放式创新平台的分析[J].科技进步与对策， 2019， 36（4）：98-105.

[47]陈钰芬，陈劲.用户参与创新：国外相关理论文献综述[J].科学学与科学技术管理， 2007， 28（2）：5.

[48]CHRISTENSEN K， LILAND K H， KVAAL K， et al. Mining online community data： The nature of ideas in online communities[J]. Food Quality and Preference， 2017， 62：246-256.

[49]余菲菲，燕蕾.创新社区中用户创新的创新效应及意见探究：以海尔HOPE创新平台为例[J].科学学与科学技术管理， 2017， 38（2）：55-67.

[50]FUCHS B， ARVANITIS S， WOERTER M. OPENING UP THE INNOVATION PROCESS： OUTSIDE-IN INVOLVEMENT OF INNOVATIVE USERS AND ESTABLISHED FIRMS' INNOVATION PERFORMANCE[J]. International Journal of Innovation Management. 2015， 19（2）：1-32.

（責任编辑：要 毅）