網絡關系視角下的用戶創新生存影響因素分析

張暢

摘 要：以LEGO Ideas作為數據來源，在社交網絡平臺的相關研究基礎上，構建出作者網絡和內容網絡，并計算出用戶創新節點在網絡中的中心性。采用生存分析法，將用戶創新的“存活”視為生存事件，建立生存回歸模型，分階段計算出網絡中心性對用戶創新生存的影響系數。研究認為，兩類網絡屬性在用戶創新發布早期為其生存提供正向影響，作者網絡的影響在后期愈發明顯，而內容網絡則逐漸出現負向影響的跡象。企業應鼓勵OI平臺中高質量作者間的互動，更多地根據作者行為識別出高質量的用戶創新。

關鍵詞：用戶創新；生存分析；社會網絡；LEGO Ideas

中圖分類號：G202

文獻標識碼：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

不斷變化的內外部環境迫使企業不斷探索新的創新模式，從封閉式創新走向開放式創新，成為眾多企業打破資源壁壘、獲得競爭優勢的重要選擇。開放式創新模式中的典型案例是一些企業通過構建社交平臺，實現企業內部研發與客戶之間的直接互動，驅動創新發展。這些社交平臺被定義為“開放式創新平臺”（OI平臺），是創新用戶可以提出創意或產品解決方案，并與他人互動以實現集體創新的網絡環境^[1]。與一般社交網絡平臺類似，平臺中的用戶通過發帖、評論、關注支持等方式，實現彼此間的興趣交流和學習^[2]；而在OI平臺中，企業對平臺的目標有著明確定位，通過功能搭建、內容運營等方式，吸收具有創新能力和身份認同的社群成員，并引導他們參與研發創新相關的互動^[3]。企業識別出有價值的互動內容，將其視為用于研發的外部資源，以低成本推動創新發展。社群成員生產的具有研發創新價值的貢獻即為“用戶創新”，戴爾、樂高、美的等企業已經自建起成熟的OI平臺，吸收用戶創新，并將其作為重要創新知識來源^[4]。

用戶創新與企業的產品研發、市場績效、競爭優勢等有著顯著關聯^[5-7]，有效吸收用戶創新中的價值是企業競爭策略中的重要環節。由于OI平臺繼承虛擬社區的諸多特征，社會網絡分析方法成為針對用戶創新的新的研究思路：創新社區中存在著用戶協同和多種知識流動機制^[8]，用戶之間通過交互行為互惠，并形成節點間連接，連接的強度、質量等因素進一步對創新質量產生影響^[9-10]。除了用戶之間的交互外，創新內容通過相同分類或標簽等方式能形成網絡關系，內容的連接性有助于實現創意的傳播^[11]，創新性和專業性則能幫助企業識別出OI平臺中的領先用戶^[12]。

然而，創新的價值并非一成不變，當創新項目因各種原因無法繼續推出創新性的產品或服務并獲取收益而被停止或取消時，即被認為創新失效^[13]。用戶創新同樣存在失效現象，這也是企業在開放式創新模式中面臨的問題之一。當OI平臺短時間出現大量貢獻時，企業的響應能力不足，價值較低的用戶創新因無法得到及時回應而進入失效狀態。累積過多的失效創新進一步造成信息過載，進而影響企業吸收用戶創新的效率^[14]。已有研究多集中于如何識別并利用高質量用戶創新內容，而缺乏對于創新失效機制的分析和討論。

本文在有關用戶創新研究的基礎上，引入生存分析的概念和方法，分別從作者視角和內容視角出發，討論社交網絡屬性對用戶創新的“存活”和“失效”產生何種影響。選擇樂高OI平臺LEGO Ideas作為研究對象，分別在作者和內容兩個視角下構建用戶創新網絡，計算其網絡屬性，建立生存回歸模型并分析不同階段的影響效應。研究結論得出各因素對用戶創新生存的影響規律，幫助OI平臺中的用戶創作更優質的創新內容，幫助企業識別并利用擁有生存能力的用戶創新，同時建立和完善用戶創新失效篩選機制。

1 理論分析與研究假設

1.1 創新生存

在基于生存分析的創新研究中，學者多以專利作為研究對象，定義出專利生存的有關概念——當專利超過有效期或無法繼續轉化為收益時，視為專利失效，并認為專利生存時間和概率能反映出專利價值。鄭義忠等^[15]用生存模型和生命表法研究專利有效率的變化過程，提出專利在n個時間單位后仍有效概率的計算公式。Danish等^[16]使用專利續期長度代表專利價值，發現不同專利所屬的技術類別、技術范圍、發明人規模均會影響專利的生存率。Han等^[17]將專利生存期作為其價值的代表，使用Weibull回歸構建3D打印專利的生存模型，研究專利轉移等要素與生存概率之間的關系。與專利類似，OI平臺中用戶的創新內容會因為發布時間過久、關注度較低等原因變得不可見或被隱藏，無法為企業提供創新收益并進入失效狀態。因此，生存分析中的概念或方法可以應用于用戶創新的價值分析中。

1.2 社會網絡理論與用戶創新

社會網絡通常指是社會行動者及其間的關系的集合，社會行動者代表網絡中的節點，如親屬、等級、合作和利益等關系構成網絡中的邊^[18]，社會網絡分析（Social Network Analysis，SNA）則用于分析社會網絡結構的相互依賴關系和隱藏模式。早期SNA方法主要應用于現實世界的實體關系研究中，而隨著Web 2.0技術興起，在線社交網站可以被視為通過科學觀察的傳統社交網絡的現代等價物^[19]，這種虛擬社區逐漸發展為SNA的研究對象。通過計算節點距離、網絡密度、中心度等定量指標^[20]，可以很好地判斷用戶的在線社交行為與哪些因素有關、造成了哪些后果，也可以從整體上將虛擬社區的網絡結構作為分析對象^[21]。目前，SNA已被用于虛擬社區的各個層面，個人績效差異^[22]、知識分享行為^[23]等現象都可以通過社交網絡的視角進行解釋。此外，Rogers^[24]闡述創新是在特定的社會網絡擴散的，這也使SNA得以應用在OI平臺的相關研究中。

OI平臺和一般網絡虛擬社區類似，存在著以內容發布者為節點的作者網絡，作者的特征取決于他們對社區其他成員的交互行為——如評論、合作創新等，其中的部分交互行為可以作為作者網絡中“創新者”的判斷依據^[25]。許多研究從用戶的角度出發，分析作者的交互行為和社交關系對創新績效的影響。高天等^[26]依據用戶信息行為和目的區分了作者網絡的中心路徑和邊緣路徑，并驗證邊緣路徑網絡中心度對知識的正向影響。Han等^[27]發現創新社區中用戶發布的內容和評論的多樣性和動機影響了其受歡迎的程度，用戶創新能力也對其創意的受歡迎程度起著正向影響的作用。Yang等^[28]在網絡結構中將用戶交互的直接對象視為“鄰居”，并發現開放的網絡結構中，“鄰居”的創新績效正向影響用戶的創新績效，而在封閉式的網絡中則會得出相反的結論。同樣有學者基于創新社區的整體網絡展開研究，Zhou等^[29]將創新平臺的網絡關系劃分為互動網絡、知識共享網絡和社交網絡，并采用二次賦值法計算網絡間的相關系數。研究結論表明互動網絡與知識共享網絡具有較高的相關性，用戶之間的互動越多，知識共享就越頻繁。

已有研究結果顯示，無論是從個人層面還是從社區整體層面，作者的社交行為通常都正向刺激著創新績效，交流、合作等行為可以激勵個體乃至整個社區的創新表現。結合SNA的觀點，社交頻率更高、范圍更廣的作者，反映出在作者網絡中的重要程度更高，其作品應該更加具有創新價值、擁有更高的生存概率。此外，OI平臺中的社交活動意味著知識的共享，網絡中活躍的作者能從其他用戶中獲得知識，并運用到用戶創新中，使其在發布后逐漸激烈的生存競爭過程中保持領先優勢?；谝陨戏治?，本文提出如下假設：

H₁：用戶創新在作者網絡中的重要程度正向影響其生存概率。且發布時間越長，作者網絡的影響效果越顯著。

以上研究中，有學者發現創新社區中存在著作者關系之外的網絡，通常是由文本中的關鍵詞、主題詞構建而成的內容網絡。內容網絡被定義為以單詞為節點的網絡，這些單詞的共同出現形成節點之間的聯系^[30]。內容網絡一般用于揭示網絡內容分布和知識結構^[31]，或應用于在線搜索^[32]、內容排名^[33]、知識發現^[34]等技術中。不同文本內容可以通過共有的關鍵詞連接形成多模網絡，用于進一步分析內容之間的關聯^[11]。本文研究內容網絡屬性用來反映用戶創新節點在網絡中的位置和重要程度，重要程度越高的創新作品在社區中更容易被關注和追捧，在發布早期更容易取得成功；但從創新層面考慮，OI平臺中更獨特、更具創新性的作品才會被其他用戶或企業認可，與其他節點產生過多的聯系反而會降低作品的創新程度，難以維持長期的熱度。因此，本文提出如下假設：

H₂：用戶創新在內容網絡中的重要程度與生存概率呈倒U型關系。在用戶創新發布的早期，正向影響生存概率，而在發布一定時間后，正向影響將轉變為負向影響。

2 研究方法

2.1 數據來源

LEGO Ideas是由樂高集團創辦的OI平臺，用于收集用戶創意并擴大品牌效益，自2014年4月正式上線以來，網站已經擁有超過110萬用戶和3萬多項用戶創新項目^[35]。用戶在網站中注冊后可以自由發布自己的樂高積木設計，并附上文字、圖片、視頻等簡介加以宣傳，這些創意設計即為OI平臺中的用戶創新項目。其他用戶可以評論、收藏項目，或點擊“支持”為該項目累計“支持數”（supporters）。

選取LEGO Ideas作為研究數據來源的重要原因，是樂高集團為其制定了良好的創新失效識別機制。根據平臺中的規則，這些用戶創新項目一旦發布，便會面臨失效風險，需要在時效期間內達到各個支持數“里程碑”，才能避免失效。如圖1所示，平臺共設置100、1 000、5 000、10 000四個支持數里程碑，第一階段該項目擁有60天有效期，每進入新的階段會被獎勵額外的時效天數。支持數達到10 000后，項目會進入官方評審階段，評審通過的項目可以進行售賣，部分售賣的利潤會被給予項目設計者；而未在有效期內達到里程碑要求的項目會處于失效（expired）狀態，其他用戶無法再對其進行支持或評論等操作，也無法在默認的情境下見到失效內容。

LEGO Ideas鼓勵用戶參與貢獻或與其他用戶交互的行為，并從用戶的創新活躍性、社交力和社區威望三個方面對用戶進行激勵^[36]。如用戶每有一個項目達到1 000支持數，可以一個獲得“1k club”勛章，評論得到100個支持則可以獲得一個“socializer”勛章；社區官方會定期精選出優質作品，并在展示頁中突出用戶創新項目被“員工選擇”的標志。

本文中使用“八爪魚采集器”作為信息采集工具，選取平臺2020年1月1日-2021年12月31日發布的全部用戶創新項目作為研究對象，并進一步獲取其發布者信息。經過篩選共獲得8 893條用戶創新項目數據與4 538條用戶數據。其中，達到各里程碑的項目數量及比例如表1所示。由于達到5 000和10 000支持者里程碑的項目數量較少，本文將研究范圍設置為樣本所經歷的前三階段——提交創意至獲得100支持、獲得100支持至獲得1 000支持、獲得1 000支持至獲得5 000支持，在前一階段失效的項目將不作為下一階段的研究對象。

2.2 變量選擇

2.2.1 自變量

自變量將分別來自根據LEGO Ideas數據構建的作者網絡和內容網絡。本文將分別提出構建兩種網絡的方法，并計算出節點的中心性作為研究分析的自變量。

①作者網絡

在線社區中，用戶通過評論、跟帖等行為與其他用戶建立聯系，并交換信息和知識。將用戶作為作者網絡中的節點，將評論或回復行為作為節點之間的邊^[37]，如此便能得到用戶間的有向網絡圖。LEGO Ideas社區中允許用戶在他人的項目中發布評論，評論次數不受限制，因此可以將某位用戶評論另一位用戶的次數作為邊的權重。

為衡量用戶創新項目的作者在網絡中的重要程度，分析時引入作者網絡中心性的概念作為自變量， 包括點度中心性（author_C_D）、中介中心性（author_C_c）和接近中心性（author_C_B）。

公式（2）給出節點i的接近中心性C_C（N_i）的計算方式。d_ij代表兩節點間的最短路徑長度，因此接近中心性用于衡量節點的與其他所有節點的鄰近程度，包括直接和間接連接，反映節點的“控制”能力^[39-40]。具有高接近中心性的作者處于網絡的核心位置，能對更多的社區用戶產生影響^[38]，被他人參考的可能性更大。

公式（3）給出了節點i的中介中心性C_C（N_i）的計算方式。σ_kj表示網絡中兩節點距離最短的路徑數，而σ_kj（N_i）表示經過節點i的最短路徑數量。具有高中介中心性的節點位于不相鄰兩點間的交匯處，可以控制二者間的信息，在調節信息傳播方面發揮著重要的作用^[38-39]。中介中心性越高的作者節點，在OI平臺中起到的串聯效果越好，其他作者對于其傳播信息的依賴性越高。

②內容網絡

本文采用共線分析的思路構建內容網絡，已有研究表明，可以借助“單位”和“關鍵詞”兩項特征構建共線分析的無向2-模網絡^[41]，“單位”代表用戶創新項目，而“關鍵詞”特征即為用戶創新項目中所包含的標簽。LEGO Ideas創作者可以根據作品的內容為項目自定義1-10個標簽，反映項目特征，部分標簽也會被平臺用于項目的分類依據。具有相同標簽的作品可以認為在某些方面具有連接和相似性。在所構建的網絡中，項目節點與其包含的標簽節點相連，兩個具有相同標簽的項目節點便會產生關聯，且具有相同標簽的數量越多，代表項目節點間的連接越緊密。使用Gephi軟件中的Multimode Networks Transformations插件，可以在分析時將2-模網絡進一步投影為1-模網絡，僅觀測項目節點間產生的關聯，反映出更直觀的內容網絡特征。與作者網絡相同，內容網絡層面同樣通過點度中心性（content_C_D）、中介中心性（content_C_C）和接近中心性（content_C_B）衡量節點在網絡中的重要程度。

2.2.2 時間與失效變量

生存分析時通過構建生存回歸模型，計算出各個時間點上，研究對象從某一狀態轉變為另一狀態的可能性，分析各個因子對時間和狀態轉變的影響程度。因此，本文需要確定時間變量與所關注的事件，以此預測特定條件下關注事件所發生的時間。此次實證研究旨在判斷哪些因素有助于推動項目達成里程碑，獲得更長的生存天數，因此指定失效事件為達成下一個里程碑，失效變量設置為1，時間變量設置為階段開始至達成里程碑所經歷的時間。根據以上解釋，模型中的因變量即為在某一時刻下，用戶創新項目達成里程碑的風險概率。

若用戶創新項目在某一階段內進入失效狀態，或觀測期間項目并未進入到下一階段，則視為發生截堵 （censoring）。截堵情況中并未觀測到關注事件的發生，因此將失效變量設置為0，時間變量設置為從上一階段到項目失效或到觀測停止的時間。

2.2.3 控制變量

研究選取得控制變量包括展示特征、用戶特征和社區支持3個方面。Ma等的研究表明，用戶創新的展示特征和用戶特征會影響被企業所接受的可能性^[42]，其中展示特征包括創意描述文本的長度（text_length）、展示的圖片數量（img_num）和加入的標簽數量（tag_num），用戶特征可以從進入社區的時長（age）、累計發布的作品數（contribution），以及勛章數量（1k_club， socializer）中反映。此外，社區支持被證實有助于推動用戶創新^[43]，后文中的生存風險曲線圖中同樣證實了這一點，因此員工選擇（staff_pick）將作為反映社區支持的控制變量，而在實證模型中，員工選擇將被作為生存回歸分析的分組依據。

2.2.4 描述性統計

表2涵蓋了以上變量的說明和描述性統計結果?；诋斍皵祿?，可以將支持數作為時間變量，失效作為觀測事件構建Kaplan-Meier生存函數圖如圖2所示和Nelson-Aalen累計風險函數如圖3所示，從而分析LEGO Ideas用戶創新項目的整體生存趨勢。

圖2Kaplan-Meier生存函數圖代表觀測樣本存活概率隨時間的變化情況，而Nelson-Aalen累計風險函數圖代表觀測樣本隨著時間的變化所累積的風險。與預期結果一致，支持者數量的積累可以幫助創新項目更接近下一階段的目標，但達到更高的階段后，項目的存活難度會逐漸升高，失效的可能性更大。此外，繪制KM曲線和NA曲線時依據創新項目是否被“員工選擇”進行分組，根據圖2所示，是否被“員工選擇”的項目在存活概率和累計風險的變化上均有較大差異，帶有“員工選擇”標志的項目更容易在競爭中存活，因此在回歸分析中需要對這一指標加以控制。

匯總以上步驟，構建用戶創新生存分析模型的方法如圖4所示。

2.3 生存回歸模型

本文采用Cox PH模型構建生存回歸函數，Cox PH模型是一種半參數模型，用于研究關注事件的發生概率與預后因子間的關系及其大小程度。假定項目有達成下一里程碑的風險，則模型中時間點t處事件發生的風險率為：

其中，λ₀（t）為風險基準函數，不需要估計參數。x'為對失效產生影響的協變量集合，β則代表向量參數集合。由于實證檢驗中的數據集包含較多數據截堵情況，采用參數模型可能會導致風險函數設定錯誤，而半參數Cox PH模型不需要對基準風險λ₀（t）的具體形式做出假設，在考慮不同個體的風險之比時可以將其約去^[44]。因此，計算個體x在t時刻的風險率ht，x采用公式（5）：

在本文研究過程中，觀測事件為用戶創新項目達成下一里程碑，t為觀測時間，x則代表自變量，即網絡中心性，x₀代表控制變量，ht，x代表項目在觀測時間為t時達到里程碑的機會概率?；貧w系數為ln （β），其中β解釋為風險比率（hazard ratio），風險比率大于1代表相關變量提升了觀測事件發生的概率^[45]，即用戶創新項目更有機會達到下一里程碑（在該階段存活）；反之則負向影響存活的機會。通過計算風險比率β及其顯著水平，可以推斷出對應的網絡中心性x如何影響用戶創新項目的生存概率。

根據研究假設，本文分別建立3個模型，分別采用公式（6）、公式（7）、公式（8）。模型1和模型2分別單獨考慮作者網絡屬性和內容網絡屬性對存活風險的影響，而模型3則考慮了二者同時存在的情況。

3 實證結果分析

表3、表5分別給出了點度中心性、接近中心性、中介中心性在Cox PH模型的風險比率及顯著情況。表中的數據為階段1、2、3分別代表支持數從0-100、100-1 000、1 000-5 000的階段，未達成前一里程碑的個體不計入下一階段的考慮范圍，因此觀測數呈現逐漸下降的趨勢。

表3的模型1中，author_C_D的三階段風險比率分別為1.477、1.494和1.735，且均在0.1%的水平上顯著，可以說明作者網絡的點度中心性在創新生存期間始終正向影響著存活機會。用戶通過評論連接到其他用戶的次數越多，即在在社區中的活躍度越高，交互行為更加頻繁，他們所創作出的創新項目長期存活的可能性越大。從風險比率變化來看，用戶創新項目發布時間越長，點度中心性對其存活概率的影響越大。表4結果顯示，author_C_C在各階段中的風險率同樣均大于1，且p<0.001，可以認為作者網絡的接近中心性始終顯著正向影響用戶創新項目生存概率，說明與其他作者聯系更緊密、更具社交影響力更大的作者，所發表的項目往往具備更長的存活時間。表5單獨考慮中介中心性時，author_C_B的風險比率分別為1.109、1.179和1.316，且具有較高的顯著水平，與其他作者網絡的中心性指標的結論保持一致，高中介中心性代表作者在網絡中充當著橋梁作用，影響著信息的傳播，相較于其他作者而言，其項目的生存概率會更高。綜合觀測模型1的分析數據，作者網絡中的三組自變量在各個階段均呈現正向顯著，且風險比率隨發布階段逐漸提升，假設H₁得以驗證。

表3-表5模型2中的結果顯示，內容網絡屬性并沒有與作者網絡一樣始終呈現正向顯著影響。content_C_D在前兩階段的風險比率均大于1，且分別在5%和1%的水平上顯著，可以認為內容點度中心性在創新發布時間較早時的正向影響創新生存。而在第三階段，content_C_D的風險比率變為0.970 3，即內容點度中心性將負向影響創新生存，但由于p>0.05，該結果不具有顯著性。content_C_C、content_C_B的Cox PH回歸結果與之類似，均在早期階段呈現了正向影響，進入后期階段后風險比率小于1，且結果不具備顯著性。以上回歸結果驗證H₂中內容網絡中心性在用戶創新發布早期正向影響生存概率的描述，而無法判斷在后續階段，內容網絡中心性是否會對生存概率產生影響，該現象的合理解釋為：較高的內容中心性意味著改創新項目擁有更多、更熱門的標簽，熱門的分類往往擁有更多受眾和關注者，因此處于網絡中心的用戶創新項目更容易在初期受到關注并獲得支持；而隨著階段的推進，熱門標簽下的項目可能面臨更多同類作品的競爭，在更高的生存難度下難以持續保持優勢，與眾不同的項目反而更容易脫穎而出。

模型3是考慮作者網絡屬性和內容網絡屬性的同時，存在的Cox PH模型，進一步對兩種網絡的影響效果加以對比。社交中心性在各階段的風險比率均大于1，且在0.1%的水平上顯著，這一現象進一步鞏固了假設H₁。由于點度中心性和中介中心性會受到網絡規模的影響，無法對在不同網絡中進行比較，因此在驗證假設H₃時，僅對接近中心性進行考察。從風險比率的比較中可以看出，二者差距較大，作者網絡接近中心性在各個階段所造成的影響遠大于內容網絡接近中心性。此外，在同時考慮兩種網絡屬性時，content_C_C在前兩階段的風險比率結果不再具有顯著性，而可以確定author_C_C始終正向影響創新存活概率。綜上所述，相比內容網絡，作者網絡屬性對用戶創新生存的影響效果更顯著。研究還模擬了社交、內容網絡交互項對創新生存的影響，但交互項的風險率在Cox PH回歸模型中顯著性較差，不能判斷作者網絡交互作用對生存機會產生何種影響，無法得出進一步的結論。

為驗證上述結果的合理性，繼續采用加速失效時間模型 （accelerated failure-time model，AFT）對樣本進行估算。AFT模型一種應用于生存分析的參數模型，用于測算變量對于從觀測開始到事件發生時長的影響。采用威布爾AFT和對數Logistics ATF建立生存回歸模型，考慮各網絡變量的同時存在的效果。

表6為穩健性檢驗結果，表中的數據代表ATF模型中的相關系數β。相關系數β表示解釋變量每增加一個單位時，觀測事件發生的時間將推遲β%。因此，若β為負，則證明自變量有助于延長創新項目的生存時間。由于ATF模型考慮了時間因素，因此無法很好地反映解釋變量的影響幅度在各階段的變化，而影響的正負關系、顯著程度與Cox PH回歸模型中所得出的結論基本一致，證實Cox PH模型的穩健性較高。

由于author_C_D在階段2中對創新項目生存產生顯著的負面效果，而author_C_C依然保持著顯著正向影響。這也證實了用戶不一定能從頻繁的無效互動中獲益^[46]，只有處于核心地位、更具社交影響力的用戶才能獲得社區其他人的支持。

4 結論、啟示與展望

4.1 研究結論

本文基于LEGO Ideas網站中特殊的“里程碑”機制，引入社會網絡分析中的相關概念，研究哪些因素能夠影響用戶創新在OI平臺中的生存。對LEGO Ideas中獲取的數據進行處理，一方面，將網站中的作者及其評價行為分別作為節點和邊，構建作者網絡；另一方面利用帖子的標簽功能，根據創新項目間的標簽關聯，構建出二模內容網絡。模型方面則使用了Cox PH模型，建立了生存回歸方程，并分三個階段分別計算各網絡中心性的風險比率，并使用威布爾AFT和對數Logistics ATF模型，證實了原方法的穩健性。實證結果和討論中揭示了各因素與創新生存的關聯，經過進一步推導與討論，本文認為用戶在作者網絡中的重要程度始終能正向影響其項目的生存機會，而項目在內容網絡中的地位僅能在生存的初期階段發揮作用，且后者的影響效果弱于前者。

4.2 理論貢獻

本文在創新研究的現有理論基礎上，對研究對象和研究方法進行了擴展。既往有關創新管理研究多以企業、專利、論文作為研究主體，而本文聚焦于用戶創新的微觀視角，分析了特定的OI平臺中，用戶所發布的創新內容，為眾包創新模式、創新識別、企業創新管理等細分領域進一步開拓出了理論研究空間。研究方法上，一方面，SNA方法在創新理論研究中的擴展，證實了網絡構建在作者層面和內容層面的可行性，“內容-標簽”構建出的二模內容網絡也為未來網絡虛擬社區的相關研究提供了新思路；另一方面，將生物醫學領域常用的生存分析視角融入到了創新發展周期的研究中——借助“生存”和“失效”的概念，界定了用戶創新所帶來的價值范圍，并成功分析出了在創新發布后，價值衰減的影響因素，這種概念融合和研究方法也為當前的創新研究帶來了一定的理論貢獻。

4.3 管理啟示

此項研究更多是在開放式創新模式下的用戶和企業提供了參考："里程碑"機制帶來的社區認可和與物質激勵促進了用戶參與創新^[25]，使他們更希望自己的作品取得成功。實證結果為用戶更好地發布創新內容提供了參考價值。作者網絡中更活躍、地位更高的用戶，其作品往往能生存機會中占優。用戶之間的關注、評論等行為中存在著知識流動，更頻繁地交流可以從其他用戶獲取知識和創意。此外，作者網絡反映了用戶地位，“意見領袖”型角色可以獲得其他用戶的更多支持。相關研究還表明，除了連接數量外，連接強度和與高質量作者的連接比例同樣影響作品表現^[9-10]，這也為用戶對作者網絡的利用提供了新思路：減少低質量的無效互動，而需要更多的與高質量作者形成更強的聯系。由于內容中心性對創意生存的影響有限，且后期存在著負面影響的可能性，用戶不能一味地給自己的作品套上熱門標簽，否則在后期的生存挑戰中，項目將面臨來自同類創意作品的巨大競爭壓力。

大量企業都自行搭建網站或使用第三方網站，構建一般性的用戶社區，他們期望能夠在用戶群體中打造更好的品牌效益。除此之外，企業搭建OI平臺的另一目標是希望識別出領先用戶，利用其創新成果，能進一步起到降低創新成本、縮短研發周期的作用^[47]。LEGO Ideas所使用的里程碑機制是非常成功的，一方面，用戶為了避免項目的失效，會自發地在作者網絡中推動項目的傳播，社區中的更多人便能看到樂高積木的新玩法并成為其支持者，鞏固他們對于品牌的忠誠度；另一方面，用戶在社區中的行為在一定程度上體現了他們的訴求，代表了他們所期望的新產品^[48]，這些可以作為企業未來創新研發的參考方向，提升消費者的購買意愿^[49]。但這樣的做法也存在一定弊端，用戶可能會為了追求作品的成功而緊緊聚焦于發展自己的作者網絡，或是為自己作品打上更多更熱門的標簽，以收獲更多粉絲的支持。這與企業的目標并不完全一致，他們希望挖掘的領先用戶應當擁有區別于一般用戶的專業化知識和創新能力，從他們的創新成果中可以收獲更高的回報^[50]。

本文通過研究“里程碑”機制，也為企業提供了識別出易"生存"的用戶創新的思路：作者網絡中心性較高的用戶創新具有較大的長期生存優勢，企業識別后可以將其投入到長期的研發創新中；內容網絡地位也會在短期內對創新生存造成影響，企業也可以分析近期存活的創新內容，反向了解用戶群體在短期內的創新熱點。而通過識別出易“失效”的用戶創新內容，企業也可以盡快篩選屏蔽，避免造成OI平臺中的信息過載。

事實上，“里程碑”機制是通過類似于投票的方式實現的，并不能完全映射出作者的創新能力。為了刺激高質量創作者和創新內容的出現，平臺需要建立新的激勵機制。除了支持、評論外，LEGO Ideas的其他用戶還可以對創意作品的原創性、建造技術和細節進行打分，這些指標除了能為作者帶來評估建議外，也可以作為企業對于高質量作品的判斷依據。平臺官方可以將以上維度作為“里程碑”中的隱性指標，加入到增加生存時效的必須條件中，提升領先用戶的識別效率。

4.4 研究不足與展望

本研究存在以下方面的不足：一方面，本文的理論依據較為單薄，過往研究中暫時缺乏對于用戶創新“生存”和“失效”的明確定義，本文僅在專利的基礎上加以類比，而生存分析法對于用戶創新研究的有效性也有待驗證。另一方面，研究對象的選取過于特殊和單一，LEGO Ideas特殊機制的成功依賴于樂高的產品特色，其他企業的創新平臺中難以實現類似機制，研究并未證實研究結論是否在其他平臺中同樣成立。這也是由于創新平臺中的規則完全由企業定義，目前難以找到擁有完全一致篩選機制的OI平臺。

未來研究中，可以將更多有關專利、重大創新的結論或模型應用于OI平臺，探索更多有關用戶創新的生存機制。

參考文獻：

[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]付軾輝，沈志鋒，焦媛媛.開放創新社區氛圍的內涵、前因與后果研究[J].科學學研究， 2020， 38（12）：2293-2304.

[4]劉靜巖，王玉，林莉.開放式創新社區中用戶參與創新對企業社區創新績效的影響——社會網絡視角[J]. 科技進步與對策， 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]張海濤，劉偉利，任亮，等.開放式創新社區的用戶知識協同交互機理及其可視化研究[J].情報學報， 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]曾慶豐，郭倩，張嵐嵐，等.基于聚類算法的開放式創新社區領先用戶識別方法[J].計算機集成制造系統， 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]鄭貴忠，劉金蘭. 基于生存分析的專利有效模型研究[J].科學學研究， 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]朱慶華，李亮.社會網絡分析法及其在情報學中的應用[J].情報理論與實踐， 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.社會網絡分析在關鍵詞網絡分析中的實證研究[J].情報雜志， 2009， 28（9）：46-49.

[21]孟韜，王維.社會網絡視角下的虛擬社區研究綜述[J].情報科學， 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.開放式創新社區中知識重混影響因素研究——以Thingiverse為例[J].知識管理論壇， 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]錢宇星，周華陽，周利琴，等.老年在線社區用戶健康信息需求挖掘研究[J].現代情報， 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]原欣偉，楊少華.在線用戶創新社區的知識創造——研究綜述與理論分析框架[J].情報科學， 2017.35（7）：162-169.

[36]陳佳麗，呂玉霞，戚桂杰，等.開放式創新平臺中創新用戶的互惠行為研究——以樂高創意平臺為例[J].軟科學， 2019， 33（3）：96-100.

[37]吳江，施立.基于社會網絡分析的在線醫療社區用戶交互行為研究[J].情報科學， 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.基于社會網絡中心性分析的微博信息傳播研究——以Sina微博為例[J].圖書情報知識， 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]張自立，張紫瓊，李向陽.基于2-模網絡的科研單位和關鍵詞共現分析方法[J].情報學報， 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]詹淼華，徐志遠，徐亮.創新行為與中國制造業出口競爭力的持續時間[J].中國科技論壇， 2022（4）：37-46.

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

[46]陳佳麗，呂玉霞，戚桂杰，等.社會網絡聯系與用戶創新研究——對樂高開放式創新平臺的分析[J].科技進步與對策， 2019， 36（4）：98-105.

[47]陳鈺芬，陳勁.用戶參與創新：國外相關理論文獻綜述[J].科學學與科學技術管理， 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.創新社區中用戶創新的創新效應及意見探究：以海爾HOPE創新平臺為例[J].科學學與科學技術管理， 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.

（責任編輯：要 毅）