创新是对现有知识的重新组合[1]，即强调新观点、新想法如何从已有知识中整合而来。例如，学者们通过研读爱迪生的工作笔记发现，留声机的发明整合利用了电报机和送话器的工作原理[2]。因此，作为创新发明人和组织知识的载体，研发人员通常选择从企业内部搜索知识(即内部知识搜索)[3]，以充分利用现有资源、重组得到新知识[1]，从而有助于提升创新绩效[1,4,5]。因此，探究研发人员内部知识搜索具有重要意义。

从个体属性角度，现有研究指出，研发人员知识宽度和深度对内部知识搜索具有重要影响[2]。然而，当前研究通常将以上作用机制视为影响创造力的中间过程[2,6]，即知识宽度和深度有助于促进研发人员内部知识搜索，从而提高其创造力。据此阐释知识属性在提升创造力过程中所扮演的角色，缺少关于知识宽度和深度对内部知识搜索作用机制的直接论证与实证发现。考虑到知识属性[2,6]、内部知识搜索分别与创造力间的正向关系均已得到证实[1,4,5]，研究知识宽度与深度对内部知识搜索的影响能够填补现有逻辑短板，理顺知识属性、内部知识搜索与创造力三者间的关系，具有一定的理论意义。

除个体属性外，研发人员所嵌入的创新合作网络作为知识流动的渠道[7]，其结构特征(网络属性)是影响知识搜索的重要因素[8]。度量个体自我中心网结构特征的指标有关系强度、中心性和结构洞，而结构洞理论整合并发展了弱关系理论中的信息优势、中介中心度中的控制优势以及占据网络有利位置的权力优势[4]，因而作为一种重要的网络结构和社会资本[9]，结构洞最具代表性。虽然已有研究指出，结构洞与内部知识搜索间存在正向关系[4]，但占据结构洞的研发人员拥有获取和整合知识的优势(即经纪优势)[10]，而具有不同知识宽度和深度特征的研发人员对经纪优势的运用能力不同。因此，本文进一步探究结构洞对知识宽度、知识深度与内部知识搜索间关系的调节作用。

总之，本文从个体属性角度，研究知识宽度和深度对研发人员内部知识搜索的影响，从网络属性角度探究结构洞对上述关系的调节作用。结论能够弥补现有研究的缺陷，为研发人员利用自身知识储备、发挥结构洞优势，进而高效地搜索内部知识提供建议，兼具理论意义和实践意义。

作为知识流入，内部知识搜索是研发人员识别、获取、整合以及应用组织内部知识的过程，是其主动学习、吸收知识并解决研发问题的重要途径[11]。由于内部知识搜索在提升个体创造力[1]、团队创新产出[5]、组织创新绩效[4]中的正向作用得到普遍证实，因此学术界关于如何促进内部知识搜索展开了多视角研究。其中，社会网络学派认为，创新合作网络发挥着重要作用[8]。具体而言，随着社会分工的深化，企业内部逐渐形成了以研发人员为节点、以合作关系为连接的创新合作网络，而网络节点在知识流动中扮演着知识库和过滤器的角色[12-13]，节点间网络关系则成为知识流动的渠道[7]。因此，表征节点属性知识特征的知识宽度和深度，以及代表网络结构特征的结构洞是影响研发人员内部知识搜索的重要因素。

知识宽度是指研发人员积累知识、诀窍和经验的技术领域范围，代表其多样性[14]。知识宽度增加了研发人员知识结构的灵活性[15]，通过频繁接触不同领域知识[3]，他们构建起了覆盖范围较广的知识结构，丰富了自身知识储备[16]，提高了搜索知识元素与自身知识元素间重叠的可能性(即共同知识较多[15])，减小了嵌入自身知识结构的阻力，增加了搜索相关知识的机会[17]。同时，对于知识宽度较广的研发人员而言，他们有更大潜力挖掘自身知识储备，搜索得到相关知识元素以及知识元素间的重新组合[16]，从而完成创新任务。因此，知识宽度为研发人员提供了广泛的知识搜索路径[17]，不仅有助于打破现有认知边界、跨领域搜索知识[6]，而且为解决研发问题提供了多种可行的方法[2]，从而有利于从新角度解决现有问题[14]。例如，Boh等[2]发现，研发人员知识宽度和专利数量间存在正向关系；Katila & Ahuja[16]认为，知识搜索宽度丰富了研发人员想法的多样性，有助于挑战约束创新的固有假定和观念，从而产生更多重组知识的新方法；王巍等[14]以企业内部关键研发者为研究对象，指出知识宽度有助于提升其创造力。

知识深度是指研发人员对某技术领域知识的掌握程度[2]，代表了知识的专业性[18]。知识深度增加了研发人员知识结构的复杂性，通过反复使用某领域知识，他们能够充分理解这些知识元素[6,15,16]以及知识元素间的因果联系[18]，有助于在知识搜索过程中敏锐识别存在(潜在)价值的知识，避免知识搜索的方向性错误，确保搜索的知识更加可信[16]，从而更有利于创造力的发挥[2,14]。同时，知识深度较高的研发人员通过高频率应用本领域知识，逐渐形成了标准化和系统化知识搜索流程，规避了无效搜索步骤，提高了搜索效率和结果可预测性[16]。例如，Boh等[2]发现，研发人员知识深度与专利影响力间存在正向关系；赵息和李文亮[3]指出，企业知识搜索深度与突破性创新间存在正向关系。

结构洞是指互不相连的行动者间的空隙[10]，如果行动者A与行动者B之间、行动者A与行动者C之间均存在联系，而B和C之间没有直接联系，那么行动者A占据的网络位置被称为结构洞。其中，占据结构洞的研发人员被称为“中间人”(行动者A)，被结构洞分割的研发人员称为“联系人”(行动者B和C)[9]。占据结构洞的中间人拥有信息优势和控制优势[19]。其中，信息优势是指能够快速获取并利用网络内异质性信息；控制优势是指为自身利益而操纵互不相连研发人员间的信息流动，并施加不同的管理策略。以上优势为研发人员获取和整合知识创造了条件，有利于内部知识搜索[4]。例如，遵循Katila & Ahuja[16]提出的知识搜索分为搜索宽度和搜索深度两种方法，Paruchuri & Awate[4]发现，占据结构洞有利于拓展内部知识搜索宽度和深度；段庆峰和潘小换[20]认为，占据结构洞不仅有助于及时捕捉技术发展动态、获取高创新价值知识，而且还节省了维系冗余联系所花费的时间和精力、降低了知识搜索成本。

综上所述，现有知识宽度和深度的研究通常集中于讨论对研发人员创造力的影响，而将内部知识搜索视为衔接知识属性与创造力间关系的中间过程。然而，内部知识搜索是研发人员发挥创造力的前提条件，且两者本质上不同，知识宽度和深度对提升创造力的作用机制不一定完全适用于内部知识搜索，这需要深入论证。同时，虽然结构洞与内部知识搜索间的正向关系已经得到证实[4]，但现有研究却忽略了探讨网络属性和个体属性交互效应的影响(涉及结构洞的研究也仅仅讨论了结构洞与其它网络指标间交互效应的作用[4,19])。因此，本文重点研究知识宽度和深度对研发人员内部知识搜索的影响，并检验结构洞的调节作用。

从微观角度，研发人员知识结构是由知识元素及其相互联系构成，而内部知识搜索是研发人员将从组织内部获取的新知识拆分为知识元素，通过与自身知识结构中的元素建立联系，从而将其顺利地嵌入知识结构的过程[21]。该过程不仅受到研发人员知识特征的影响，而且与自身嵌入的创新合作网络结构特征密不可分。一方面，根据知识基础观[22]，知识宽度和深度分别代表了研发人员知识存量的横向覆盖维度与纵向垂直维度[17]，两者均对内部知识搜索具有正向促进作用；另一方面，根据结构洞理论，占据结构洞的研发人员拥有信息优势和控制优势[10]，而具有不同知识特征的研发人员对以上优势的利用能力不同。因此，知识宽度和深度对内部知识搜索的作用受到结构洞的调节。

(1)知识宽度越广，研发人员知识结构越灵活[15]，即拥有的知识元素涉及技术领域越多[6]，且彼此间连接越松散、越容易重新组合。因此，知识宽度较广的研发人员拥有广阔的视野和多样化视角[3]，他们不仅能够不断拓展认知边界[23]，而且可以从不同角度看待研究问题，识别和考虑不同领域知识元素间可能产生的新联系，开展跨领域知识搜索，从而有助于大范围地搜索知识。

(2)知识宽度较广的研发人员倾向于频繁地质疑、挑战现有创新过程中的假定、约束及固有观念，他们愿意尝试以新角度分析、解决现有问题[3]。然而，创新面临着高风险性与结果不确定性[1]，他们不可避免地会遇到一系列问题和障碍。为寻求解决问题的方法，知识宽度较广的研发人员能够充分发挥自身多样化知识储备和吸收能力优势[14,16]，从组织内部搜索大量知识。同时，其知识结构中元素间重新组合的可能性较大，新知识元素嵌入现有知识结构的阻力较小，便于知识元素间建立新联系[6]，甚至他们能够以试错的方式尝试知识元素间的不同组合，促进内部知识搜索。

(3)由于研发人员的有限理性和搜索过程中的路径依赖[17,23]，他们对组织知识的认知能力存在差异[4]，而知识在企业内部不均匀的分布[9]为其知识搜索设置了诸多障碍。然而，随着知识宽度的拓展，研发人员借助不同领域的新知识更新自身知识储备，打破现有思考方式[2]，有助于积累和掌握多领域知识及技术，了解不同领域内研发活动规则和程序。因而，知识宽度较广的研发人员对组织内部知识更为熟悉和敏感，更能够识别对研发活动有价值的知识，进而有利于内部知识搜索。因此，本文提出如下假设：

H1：知识宽度与研发人员内部知识搜索呈正向关系。

知识深度通过提高和增强知识搜索效率与效果，以及为研发人员夯实知识基础，从而促进其内部知识搜索。

(1)知识深度越高，研发人员知识结构越复杂。虽然其知识元素大多集中于某些领域，但数量较多，且彼此间存在普遍联系[6]。因而，研发人员对这些知识元素及相互之间的联系不仅具有深刻的认识和理解[6]，而且积累了丰富的重组经验。在创新过程中，他们能够预测知识重组效果[1]，提前为该过程中可能遇到的问题作准备[2]，进而高效地组合现有知识，降低创新不确定性[1]。因此，知识深度较高的研发人员能够准确锁定散布在组织内部有价值的知识，排除干扰，精准高效地搜索知识[1]，节省了大量时间和精力，提高了内部知识搜索效率。

(2)一旦在创新过程中遇到问题，知识深度较高的研发人员不仅能够透过问题表面识别本质规律，而且能够将问题进行系统性分解[3]，找到其根本症结，从而以先验视角寻求解决问题的有效方案[21]。同理，知识深度有助于研发人员快速将新获取的知识拆分成知识元素，凭借自身经验和判断，从中提取有价值的信息，并与自身知识结构建立有效联系，从而高效地重组知识[21]，增强内部知识搜索效果。

(3)知识深度较高的研发人员通过反复重组利用本领域知识[1]，能够掌握该领域内研发活动所特有的规则和程序，构成熟悉的知识空间，打下扎实的知识基础。同时，对于知识深度较高的研发人员而言，虽然其知识元素间的联系大多集中在本领域内，但也涉及部分与其它领域知识元素的联系[21]。即使是搜索的知识异质性较强，他们也能够在现有符号体系下将其编码，高效地吸收整合[17]。因而，知识深度不仅有利于研发人员在本领域内搜索知识，更有助于他们凭借自身知识基础，触类旁通地搜索组织内部其它领域知识[2]。因此，本文提出如下假设：

H2：知识深度与研发人员内部知识搜索呈正向关系。

一方面，占据结构洞能够加强知识宽度与内部知识搜索间的正向关系。首先，结构洞中的联系人往往来自于不同技术领域，有利于占据结构洞的中间人跨领域搜索散布在合作网络中的异质性知识[4]，即拥有信息优势。当中间人的知识宽度较广时，借助信息优势的作用，他们能够从更大的范围搜索知识[24]，从而更有利于内部知识搜索。其次，一般研发人员因受到自身认知能力和吸收能力的限制[23]而无法彻底吸收通过占据结构洞所获取的异质性知识，甚至与联系人之间存在沟通障碍[25]。相反，知识宽度较广的研发人员不仅自身知识结构灵活，能够顺利嵌入新知识元素[6]，而且还积累了与不同领域研发人员开展合作的丰富经验[14]，能够顺利进行跨领域沟通。因而，当其占据结构洞时，他们能够充分利用信息优势，从组织内部搜索异质性知识[26]。最后，借助结构洞跨部门边界、跨技术领域的特点[4,25]，知识宽度较广的研发人员能够更加熟悉组织内部其它研发人员的知识储备，并密切关注其变化，提高及时获取有价值知识的能力，从而促进内部知识搜索。

另一方面，占据结构洞能够加强知识深度与内部知识搜索间的正向关系。首先，知识深度较高的研发人员虽然能够高效地搜索内部知识，但受限于核心知识元素集中于若干技术领域，他们识别与自身知识基础差异较大的知识较为困难，因而其知识搜索范围有限。然而，当其占据结构洞时，在控制优势的作用下[10]，流经他们的知识流众多，凭借扎实的知识基础，他们能够从中准确地抽取有价值的部分，保持知识搜索准确性的同时，扩大知识搜索范围，有利于内部知识搜索。其次，借助结构洞信息优势，知识深度较高的研发人员能够获取大量异质性知识[26]，由于自身知识重组能力较强[21]，通过不同领域知识元素间的重新组合，提高获取突破性创新成果的可能性[3]，从而增强内部知识搜索效果。最后，借助结构洞网络范围优势[4]，研发人员能够建立跨领域合作关系[25]，而网络在知识流动中起到渠道作用[7]，因而他们能够更加便捷地搜索知识。尤其是对于知识深度较高的研发人员而言，其自身知识基础扎实，借助该优势，他们能够更好地搜索组织内部知识。因此，本文提出如下假设：

H3a：结构洞正向调节知识宽度与内部知识搜索间的正向关系；

H3b：结构洞正向调节知识深度与内部知识搜索间的正向关系。

综上所述，本文构建理论模型如图1所示。

图1 理论模型

由于早期国内专利数据引用信息缺失严重，给测算知识搜索带来了一定困难[11]。因此，本文选取全球33家最大的医药企业1975-2014年在美国申请的专利数据为研究样本，所有专利数据均来源于美国专利与商标局的在线公开专利。通过对数据进行清洗和整理，最终样本含有62 404条专利，涉及52 861个研发人员。

样本选取原因如下：①医药行业具有知识密集型特点，它们通常尽可能地将所有创新成果转化为专利[27]，以此来保护知识产权，为研究组织研发奠定了数据基础；②美国拥有世界上最大的医药市场，以往研究表明，全球医药企业都竞相在美国申请专利，并据此开展全球化竞争，因而选取美国专利数据作为研究样本，得到的结果更具有代表性[27]；③本文选取单一行业专利数据，避免了不同行业间专利申请和引用差异对结果的干扰[28]；④美国专利著录项包含引用、发明人、申请人、分类号、专利申请和授权时间等信息，为研究知识搜索创造了条件。

鉴于研发人员创造力活跃期通常为3～5年[19]，以及出于最大化数据观测值的需要[26]，本文选取3年为固定时间窗口，拆分样本数据。具体而言，以研发者X为例，其专利申请日的时间跨度为1975-1979年，按照3年固定、重叠时间窗口的划分方法，其时间窗口包括1975-1977年、1976-1978年、1977-1979年。然后，在各个时间窗口内，以专利著录项中发明人间的合作关系为基础抽象出网络结构，即同一个专利所包含的任意两个发明人之间都存在一条网络连接[19]，据此可以生成各个时间窗口内研发人员间的创新合作网络，并借助UCINET软件计算相应网络指标。

3.2.1 因变量

内部知识搜索。已有研究表明，专利引用与实际知识流动间存在很高的相关性[29]。因此，作为一种不完美却被广泛采用的测算方法，专利引用成为当前度量知识流动的主流方式。本文提取专利中的后向引用信息(Backward Citations)，计算其引用组织内其它研发人员专利的次数，以此作为内部知识搜索测量指标[11]。

3.2.2 自变量

(1) 知识宽度。作为知识类别的代表，专利分类号往往被用于度量研发人员的知识特征。本文提取研发人员专利分类号信息，计算其小类数量作为知识宽度测量指标[2,14]。该值越大，表明研发人员知识宽度越广；反之，则越窄。

(2) 知识深度。遵循以往学者的做法[18]，基于专利分类号信息，本文首先计算研发人员披露的技术优势(Revealed Technological Advantage, RTA)，即研发人员每个技术类别中的专利占比与样本中该技术类别专利占比的比值，按照公式(1)计算。

(1)

其中，P是指研发人员在分类号t中所拥有的专利数量，i是指样本内所有的研发人员。该公式度量的是一种比较优势，如果该值高于样本均值，则表明研发人员在该技术领域拥有相对优势；反之，则为相对劣势。

然后，根据每个研发人员的RTA分布，计算其标准差与均值的比值，作为其知识深度测算指标，如公式(2)所示。

(2)

该比值越高，表明研发人员专利越集中于某些技术领域，即其知识深度越高；反之，则表示研发人员专利分布越分散，知识深度越低。

3.2.3 调节变量

结构洞。采用Burt[10]的结构洞效率指数测算研发人员占据结构洞的数量，计算方法如公式(3)所示。

(3)

其中，j代表与研发人员i相连的所有其他研发人员，q为除i和j之外的每个第三方研发人员，piq为研发人员i投入q的关系所占比例，mjq为j到q关系的边际强度，在数值上等于j到q的关系取值除以j到其它研发人员关系中的最大值。Cj为与研发人员i相连的研发人员个数。效率指数越高，表明研发人员占据的结构洞越多。

3.2.4 控制变量

除知识宽度、深度及结构洞的影响外，研发人员内部知识搜索还受到其它因素的影响。梳理现有研究，总结得到专利((1)～(3))、个体((4)～(10))、团队((11)～(13))和企业((14)～(15))层次的控制变量。

(1)声明数量。专利声明通常被视为申请人对该项技术的保护范围，代表了该项专利的知识空间[30]，以及研发人员整合现有知识获取新知识的独特方法，进而影响知识搜索[4]。因此，本文统计研发人员专利中的声明数量，并将其引入回归模型。

(2)申请与授权时间间隔。专利申请日与授权日时间间隔是美国专利与商标局用于审核该项专利所耗费的时间，在一定程度上反映其复杂程度。通常时间间隔越长的专利，其复杂程度越高[19]，从而影响着该项专利的后向引用。因此，本文控制专利申请日与授权日间的间隔(以年为单位)。

(3)知识技术控制。专利引用受到所属知识类别的影响[19]，即某些类别的知识更可能是研发人员通过整合组织内现有知识得到。为控制该作用，基于专利分类信息，本文统计各分类号在所属专利中的后向引用次数，然后计算时间窗口内研发人员专利中所有分类号后向引用次数的均值，作为该时间窗口的知识技术控制，引入回归模型。

(4)样本区间以前研发人员。虽然研究样本时间区间是1975-2014年，但某些研发人员在1975年以前就已经开始参与研发活动，他们对组织知识更加熟悉，进而更有利于内部知识搜索。因此，本文引入一个虚拟变量控制其影响，其值设定为1，表示该研发人员在1975年以前就申请过专利；设定为0则相反[4]。

(5)标准化度数中心度。处于网络中心位置的研发人员拥有的直接联系人和间接联系人较多，从而更有可能接触到网络中的集聚群体，有助于大范围、快速地搜索知识[24]。为控制该作用，本文引入研发人员自我中心网标准化度数中心度作为控制变量。

(6)关系强度。关系强度是指研发人员间关系的强弱，通常认为，关系强度越高，越容易在研发人员间形成共同知识，因而越有利于知识搜索[25]。鉴于此，借鉴以往研究，本文计算研发人员在自我中心网内与其它研发人员间的平均合作次数，即合作申请的专利数量，作为关系强度测算指标[26]，引入回归模型。

(7)工作年限。研发人员工作年限影响其对组织知识的熟悉程度，通常工作年限越长的研发人员，对组织知识越熟悉，越容易开展内部知识搜索[31]。因此，本文计算当前年距离研发人员申请第一个专利的时间间隔[6]，作为控制变量。

(8)外部知识搜索。根据组织边界，知识搜索可分为内部和外部两种策略[23]，考虑到自身时间和精力有限，研发人员对外部知识搜索的投入程度可能影响内部知识搜索效果。为控制其影响，本文计算研发人员后向引用专利中引用本企业以外专利的比例。

(9)专利自引。出于对自身知识的信心，以及创新过程中路径依赖的影响[17]，研发人员通常倾向于引用自己以往的专利[19]。然而，专利自引不能反映真正的知识搜索过程[29]。为控制其影响，本文计算研发人员后向引用专利中引用自身专利的比例。

(10)个体创造力。研发人员创造力代表其知识搜索能力，已有研究指出，研发人员创造力越高，其在后续创新活动中越倾向于沿着现有路径搜索知识[31]。因此，遵循以往学者的做法，本文将研发人员申请专利数量作为创造力的度量指标[14]，并将其引入回归模型。

(11)合作者数量。现有研究认为，合作者数量越多，研发人员能够获取知识的范围越大[30]，进而影响其内部知识搜索。因此，本文统计研发人员合作者数量。

(12)合作者知识宽度。除自身知识宽度外，研发人员内部知识搜索还受到合作者知识宽度的影响[4]。通过提取合作者专利数据，按照上文方法，本文通过计算其知识宽度作为控制变量。

(13)合作者知识深度。同理，基于合作者专利数据，利用公式(1)和(2)，本文计算合作者知识深度作为控制变量。

(14)组织创造力。研发人员知识搜索还受到所在企业创造力的影响[4]，通常组织创造力越高，意味着组织知识创新价值越高，越有利于研发人员开展内部知识搜索、完成创新任务。为控制该作用，以企业为单位，本文计算其专利申请数量，并将其引入回归模型。

(15)组织专利自引。组织专利自引在一定程度上反映了企业对内部知识的重视程度，组织越倾向于专利自引，说明组织知识创新价值越高，越容易在企业内部形成充分挖掘现有知识资源的氛围，进而影响研发人员内部知识搜索[4]。因此，本文以企业为单位，计算企业后向引用专利中引用本企业专利的比例。

变量描述和相关性分析结果如表1所示。由于本文因变量专利后向引用次数属于计数型数据，若采用一般最小二乘估计，无法得到一致和无偏的结果。遵循以往学者的做法，本文使用泊松估计和负二项估计[4]。通过对因变量进行统计描述，发现数据表现出过度离散的特征，无法满足泊松估计均值等于方差的假定，且在p

表1 变量描述与相关性分析结果

注：*p

变量均值标准差1234567891011121314151617181.内部知识搜索1.7365.6392.知识宽度5.3684.839-0.025***3.知识深度0.8270.4990.009***0.250***4.结构洞0.4360.290-0.063***-0.018***0.068***5.声明数量12.16913.4380.042***0.083***0.018***-0.060***6.申请与授权时间间隔2.7001.5860.148***-0.006**-0.096***-0.176***0.095***7.样本区间以前研发人员0.0710.257-0.070***0.020***0.105***0.137***-0.046***-0.137***8.标准化度数中心度0.9490.2200.034***0.033***0.057***0.270***0.022***0.072***-0.017***9.关系强度1.2220.6580.012***0.043***0.199***0.149***-0.009***-0.075***0.106***0.431***10.工作年限2.0152.256-0.020***0.025***0.303***0.095***-0.046***-0.243***0.275***0.015***0.097***11.合作者数量7.1038.0680.037***0.046***0.288***-0.115***0.029***0.010***0.103***0.184***0.257***0.374***12.外部知识搜索0.8260.266-0.120***-0.011***-0.097***-0.074***0.051***0.185***-0.081***-0.004-0.073***-0.160***-0.025***13.专利自引0.0800.247-0.048***0.014***0.045***-0.027***-0.016***-0.126***0.044***0.033***-0.016***0.156***0.009***-0.266***14.个体创造力3.8307.457-0.018***0.033***0.270***0.154***-0.038***-0.156***0.276***0.043***0.348***0.523***0.600***-0.145***0.049***15.合作者知识宽度23.31334.770-0.064***0.247***0.228***0.089***-0.044***-0.211***0.143***0.156***0.254***0.273***0.208***-0.213***0.178***0.320***16.合作者知识深度0.8440.4440.024***0.229***0.609***0.097***0.014***-0.085***0.036***0.440***0.310***0.170***0.211***-0.121***0.111***0.165***0.397***17.知识技术控制24.37385.6610.208***-0.068***-0.040***-0.041***-0.023***0.083***-0.052***0.005*0.005*-0.026***-0.006**0.043*** -0.029***-0.014***-0.074***-0.043***18.组织创造力2365.0792062.1460.094***0.018***0.084***0.015***-0.050***-0.112***0.024***0.066***0.028***0.214***0.150***-0.089***0.066***0.146***0.126***0.126***0.006**19.组织专利自引0.3550.2240.153***0.011***0.071***0.099***-0.012***-0.257***-0.009***-0.023***0.018***0.189***-0.037***-0.173***0.092***0.096***0.068***0.068***-0.013***0.315***

表2为内部知识搜索的负二项回归结果。为排除多重共线性的干扰，本文分别估算了方差膨胀因子并运行STATA的“coldiag”程序，发现方差膨胀因子均不超过1.47，低于上限10；全模型的条件指数为23.82，不超过临界值30[6]。同时，知识宽度、深度和结构洞在生成交互项之前，均进行了中心化处理。模型1包含所有控制变量。在模型1的基础上，模型2加入知识宽度、知识深度及结构洞，回归结果表明，知识宽度与内部知识搜索的回归系数为0.009，p1和H2均得到支持，即知识宽度和知识深度均对研发人员内部知识搜索具有正向影响。同时，模型2中结构洞与内部知识搜索的回归系数为0.348，p3a得到支持，即结构洞正向调节知识宽度和内部知识搜索间的正向关系。模型4加入结构洞和知识深度的交互项，回归结果表明，交互项与内部知识搜索的回归系数为0.174，p3b得到支持，即结构洞正向调节知识深度与内部知识搜索间的正向关系。

表2 内部知识搜索负二项回归结果

注：括号内为标准误

变量模型1模型2模型3模型4声明数量0.004***0.004***0.004***0.004***(0.000)(0.000)(0.000)(0.000)申请与授权时间间隔0.085***0.088***0.088***0.087***(0.002)(0.002)(0.002)(0.002)样本区间以前研发人员-0.277***-0.284***-0.283***-0.287***(0.019)(0.019)(0.019)(0.019)标准化度数中心度-0.252***-0.358***-0.355***-0.356***(0.018)(0.020)(0.020)(0.020)关系强度0.072***0.076***0.076***0.077***(0.006)(0.006)(0.006)(0.006)工作年限0.012***0.009***0.009***0.009***(0.002)(0.002)(0.002)(0.002)合作者数量0.006***0.009***0.009***0.009***(0.001)(0.001)(0.001)(0.001)外部知识搜索-1.837***-1.846***-1.846***-1.845***(0.010)(0.010)(0.010)(0.010)专利自引-0.537***-0.498***-0.496***-0.494***(0.014)(0.015)(0.015)(0.015)个体创造力-0.003***-0.007***-0.007***-0.007***(0.001)(0.001)(0.001)(0.001)合作者知识宽度-0.004***-0.004***-0.004***-0.004***(0.000)(0.000)(0.000)(0.000)合作者知识深度0.132***0.071***0.070***0.074***(0.008)(0.011)(0.011)(0.011)知识技术控制0.000***0.000***0.000***0.000***(0.000)(0.000)(0.000)(0.000)组织创造力0.000***0.000***0.000***0.000***(0.000)(0.000)(0.000)(0.000)组织专利自引1.559***1.542***1.542***1.543***(0.012)(0.012)(0.012)(0.012)知识宽度0.009***0.009***0.009***(0.001)(0.001)(0.001)知识深度0.056***0.056***0.058***(0.009)(0.009)(0.009)结构洞0.348***0.350***0.350***(0.012)(0.012)(0.012)知识宽度×结构洞0.015***0.010***(0.002)(0.002)知识深度×结构洞0.174***

续表2 内部知识搜索负二项回归结果

(0.022)常数-0.472***-0.303***-0.303***-0.307***(0.020)(0.021)(0.021)(0.021)N248612248612248612248612Waldλ256294.8557422.0457466.4057556.69Loglik.-326539.40-326024.80-326003.13-325972.31

为验证实证结果的稳健性，首先，本文随机抽取样本观测值的50%进行回归分析，发现所有假设均得到支持，佐证了回归结果的稳定性，也排除了网络自相关性的影响[11,26]。

其次，遵循Paruchuri & Awate[4]关于时间窗口的划分方法，重新拆分样本，即根据研发人员以往3年的专利数据生成网络、计算自变量和控制变量，预测当前年的内部知识搜索。以研发人员X为例，其专利申请日时间跨度为1975-1979年，按照该方法，X在1978年的内部知识搜索是基于1975-1977年专利数据计算而来的自变量和控制变量预测得到。回归结果表明，H1和H3a得到支持。此外，本文采用3年、不重叠时间窗口划分方法重新拆分样本，即以研发人员X为例，按照该方法，其时间窗口为1975-1977年、1978-1979年。回归结果表明，所有假设均得到支持。

再次，本文分别借助结构洞限制指数和研发人员自我中心网密度测算占据结构洞的数量。不同于结构洞效率指数，限制指数和密度均属于反向指标，即该值越大，研发人员占据的结构洞越少。回归结果表明，使用限制指数时，H1、H2、H3b得到支持；使用密度时，所有假设均得到支持。

最后，本文采用某些控制变量的其它算法进行回归分析。具体而言，对于外部知识搜索、专利自引和组织专利自引，不同于上文所采用的比例计算方法，本文采取统计次数重新计算。回归结果表明，所有假设均得到支持。

综上所述，本文实证结果稳健、可信。出于优化版面的考虑，稳健性检验结果不再展示。

不同于以往研究笼统地将知识搜索视为研发人员的知识输入，进而无法打开吸收、整合知识的“黑箱”[23]，本研究借鉴Dane[21]、Mannucci & Yong[6]的观点，从知识元素及其联系所构成的知识结构微观视角，深入剖析研发人员内部知识搜索过程。一方面，从个体属性角度，以度量研发人员知识结构不同维度特征的知识宽度和深度为出发点[6,15,17]，研究其对内部知识搜索的影响。与以往学者观点一致[2,6]，研究发现，知识宽度和知识深度均有利于研发人员内部知识搜索，表明两者虽然本质上截然不同，但均在内部知识搜索中发挥正向作用。

此外，部分学者认为，知识宽度代表了知识结构的灵活性，可能致使研发人员需要处理过多能够吸收利用的知识，从而产生认知超载[3]；知识深度则代表了知识结构的复杂性，而这种知识元素间的密切联系可能导致研发人员固步自封、难以吸收新知识[21]。不同于以上观点，本文证实了知识宽度和深度对研发人员内部知识搜索的正向作用。梳理以上研究发现，这些学者均致力于创造力的探讨，而将知识搜索视为衔接知识属性与创造力间关系的中间过程，本文则聚焦于探究知识宽度和深度对内部知识搜索的直接作用。因此，前后研究侧重点不同，在一定程度上凸显了本次研究的独特意义。

另一方面，从网络属性角度，以个体自我中心网中最具代表性的结构特征——结构洞为切入点，研究其对知识宽度、深度与内部知识搜索间关系的调节效应。不同于以往研究集中于探讨知识属性对网络属性与创造力间关系的调节作用[14,26]，本文转换了角度。研究发现，结构洞正向调节知识宽度、深度与内部知识搜索间的关系。结合已经被证实的结构洞对内部知识搜索的正向作用[4]，本文认为，研发人员在创新合作网络中占据结构洞有利于内部知识搜索，尤其是自身知识宽度较大或知识深度较高的研发人员，他们更能充分利用占据结构洞的优势，高效地搜索知识。同时，本文提出，在创新领域研究中，个体属性和网络属性均起到重要作用，且两者间的交互效应尤为重要。因此，后续研究应重视这两方面因素的影响，不能有所偏颇，才能得到全面、深入的结论。

本文运用知识基础观和结构洞理论，选取全球最大的33家医药企业1975-2014年在美国申请的专利数据为样本，从个体属性角度，研究知识宽度和深度对研发人员内部知识搜索的影响；从网络属性角度，研究结构洞对上述关系的调节作用。固定效应负二项回归结果表明：①知识宽度对研发人员内部知识搜索具有正向作用；②知识深度对研发人员内部知识搜索具有正向影响；③结构洞对上述关系具有正向调节作用。研究结论兼具理论贡献和管理启示。

(1)基于知识宽度和深度促进知识搜索，从而提高创造力的逻辑，现有研究分别证实了知识属性与创造力[2,6]、内部知识搜索与创造力间的正向关系[1,4,5]，而在知识属性和内部知识搜索关系方面，仅仅涉及理论推导，缺少实证研究。鉴于此，本文直接论证并实证检验知识宽度和深度对内部知识搜索的正向作用，弥补了现有研究的缺陷，提高了知识属性、内部知识搜索与创造力间逻辑关系的科学性。

(2)现有网络领域知识搜索研究在个体属性和网络属性交互效应探究上相对缺乏[8]，本文则弥补了这一缺陷，证实了结构洞对知识宽度、深度和内部知识搜索间关系的调节作用。知识宽度和深度作为个体属性的代表，度量了研发人员的知识特征[6]，是影响知识搜索的内部因素；结构洞作为一种重要的网络结构，代表了网络属性，是调节知识属性和知识搜索间关系的外部因素。因此，本文全面考虑了内部因素和外部因素对知识搜索的影响，研究结论具有完整性。同时，结构洞正向调节作用的结论表明，知识宽度、深度与结构洞在研发人员内部知识搜索中起到相得益彰的作用，因而为后续研究指明了方向，即在验证个体属性作用机制时，需要考虑网络属性的调节作用，从而全面、深入地理解知识搜索机理。

(1)组织管理者应该积极拓展研发人员知识宽度，进而促进其内部知识搜索。本文认为，现已被大多数企业所采用新入职员工培训或华为员工轮训机制，是拓展知识宽度行之有效的措施。一方面，此类培训有助于研发人员广泛了解本企业技术领域，熟悉相关知识，从而拓宽自身知识宽度、开阔“视野”，为后续研发活动中高效搜索内部知识、充分整合现有资源创造有利条件；另一方面，以上培训为研发人员间建立社会关系提供了机会，有助于了解其他同事所拥有的知识，在后续研发活动中一旦需要完成内部知识搜索任务，他们能够及时锁定搜索目标，提高知识搜索效率。

需要说明的是，以上拓展知识宽度的措施并不仅仅限于新入职的研发人员，对于拥有工作经验的研发人员同样适用。因为随着工作年限的增长，研发人员知识结构灵活性逐渐降低[6]，可能陷入“能力陷阱”，即在熟悉领域开展研发活动，依赖特定渠道搜索知识，难以打破已有思维模式等[31]。此时，组织管理者应尝试鼓励他们借调至其它研发部门、参与员工轮训等，以拓展其知识宽度，从而打破研发瓶颈，保持创造力持续提升。

(2)组织管理者应该注重夯实研发人员知识深度，从而促进其内部知识搜索。本文建议，对研发人员可以定期开展本技术领域相关知识培训工作，以及组织业内领军人才或权威专家开展经验交流或研究进展报告等。这些措施有利于研发人员不断提高知识深度，熟悉本领域前沿知识和技术，提高内部知识搜索效率的同时，确保搜索的知识具有前瞻性，从而为创造力提升打下基础。

值得注意的是，以上拓展知识宽度和增加知识深度的措施并不矛盾。通常认为，“T”型研发人员具有更高的创造力，其中T水平部分代表了研发人员知识宽度，竖直部分代表其知识深度[2]，即对本技术领域知识具有深刻的认识和理解、且对其它领域知识也有广泛涉猎的研发人员创造力更高。因此，组织管理者应该双管齐下，鼓励研发人员既在自身熟悉领域不断深耕，又适当拓展知识宽度，才能更好地提升其创造力。

(3)组织管理者应该高度重视结构洞的价值，合理分配自身时间和精力，进而高效地促进研发人员内部知识搜索。本文建议，通过密切关注创新合作网络动态变化，尤其是研发人员所处网络位置变化，组织管理者需要将更多精力分配在占据结构洞的研发人员身上。因为这部分研发人员拥有信息优势和控制优势，为其知识搜索创造了有利条件，所以组织管理者应该充分认识并深入剖析其知识特征，帮助他们克服知识短板，促使他们充分利用结构洞经纪优势，提高知识搜索能力。以上措施不仅避免了网络资源的浪费，而且有利于组织管理者“抓大放小”、提高管理效率。此外，组织管理者还可以鼓励研发人员适度开展跨部门合作，不仅有助于拓展知识宽度，积累多领域研发经验，而且还有利于增加结构洞数量，增强经纪优势，从而便捷、高效地搜索知识。

本研究仍存在一些缺陷：①变量测量方面存在不足。本文仅选用专利后向引用作为内部知识搜索度量指标，忽略了诸如研发讨论、私下交流等其它形式。仅借助专利合作关系构建创新合作网络，忽略了研发人员间的其它关系，如朋友关系、同事关系等。后续研究可以结合问卷调查方法，多角度、全面地测算知识搜索，构建起涵盖正式关系和非正式关系的创新合作网络，进而比较结构洞调节作用的差异；②本文认为，知识宽度和深度均有利于内部知识搜索，然而考虑到研发人员自身时间和精力有限，他们是否能够同时提高以上两种知识属性，值得商榷。后续研究可分析比较哪种路径更加有效。同时，结合本次研究，知识属性、内部知识搜索和创造力三者间的逻辑关系虽然得到验证，但内部知识搜索在知识属性与创造力间关系中所起的中介作用仍未得到实证检验，后续研究可以验证这一作用；③研究样本属于美国医药行业，虽然排除了不同行业专利数据差异对实证结果的影响[28]，但在知识密集型以外的其它行业，研究结论不一定完全适用。为消除行业差异的干扰，在条件允许的情况下，后续可以尝试开展全样本研究。

参考文献:

[1] FLEMING L. Recombinant uncertainty in technological search[J]. Management Science,2001,47(1):117-132.

[2] BOH W F, EVARISTO R, OUDERKIRK A. Balancing breadth and depth of expertise for innovation: a 3M story[J]. Research Policy,2014,43(2):349-366.

[3] 赵息，李文亮. 企业知识搜索战略、技术不确定性与突破性创新关系研究[J]. 科技进步与对策,2016,33(9):122-128.

[4] PARUCHURI S, AWATE S. Organizational knowledge networks and local search: the role of intraorganizational inventor networks[J]. Strategic Management Journal,2017,38(3):657-675.

[5] MORRIS S S, ZHONG B J, MAKHIJA M. Going the distance: the pros and cons of expanding employees' global knowledge reach[J]. Journal of International Business Studies,2015,46(5):552-573.

[6] MANNUCCI P V, YONG K. The differential impact of knowledge depth and knowledge breadth on creativity over individual careers[J]. Academy of Management Journal,2018,61(5):1741-1763.

[7] SINGH H, KRYSCYNSKI D, LI X, et al. Pipes, pools, and filters: how collaboration networks affect innovative performance[J]. Strategic Management Journal,2016,37(8):1649-1666.

[8] PHELPS C, HEIDL R, WADHWA A. Networks, knowledge, and knowledge networks: a critical review and research agenda[J]. Journal of Management,2012,116(3):239-257.

[9] 孙笑明，崔文田，王巍，等. 中间人及其联系人特征对结构洞填充的影响研究[J]. 管理工程学报,2018,32(2):59-66.

[10] BURT R S. Structural holes: the social structure of competition[M]. Cambridge, MA: Harvard University Press,1992:51-54.

[11] 王巍，崔文田，孙笑明，等. 多维接近性对关键研发者知识搜索的影响研究[J]. 科学学与科学技术管理,2017,38(10):107-119.

[12] TORTORIELLO M, MCEVILY B, KRACKHARDT D. Being a catalyst of innovation:the role of knowledge diversity and network closure[J]. Organization Science,2015,26(2):423-438.

[13] GHOSH A, ROSENKOPF L. Shrouded in structure:challenges and opportunities for a friction-based view of network research[J]. Organization Science,2015,26(2):622-631.

[14] 王巍，崔文田，孙笑明，等. 知识范围和间接连接对关键研发者创造力的影响[J]. 预测,2017,36(5):36-42.

[15] XU S. Balancing the two knowledge dimensions in innovation efforts: an empirical examination among pharmaceutical firms[J]. Journal of Product Innovation Management,2015,32(4):610-621.

[16] KATILA R, AHUJA G. Something old, something new: a longitudinal study of search behavior and new product introduction[J]. Academy of Management Journal,2002,45(6):1183-1194.

[17] 于飞，蔡翔，董亮. 研发模式对企业创新的影响——知识基础的调节作用[J]. 管理科学,2017,30(3):97-109.

[18] ZHANG J, BADEN-FULLER C. The influence of technological knowledge base and organizational structure on technology collaboration[J]. Journal of Management Studies,2010,47(4):679-704.

[19] NERKAR A, PARUCHURI S. Evolution of R&D capabilities: the role of knowledge networks within a firm[J]. Management Science,2005,51(5):771-785.

[20] 段庆锋，潘小换. 组织间技术扩散网络对双元创新的影响研究[J]. 研究与发展管理,2018,30(5):27-37.

[21] DANE E. Reconsidering the trade-off between expertise and flexibility: a cognitive entrenchment perspective[J]. Academy of Management Review,2010,35(4):579-603.

[22] 刘洪伟，冯淳. 基于知识基础观的技术并购模式与创新绩效关系实证研究[J]. 科技进步与对策,2015,32(16):69-75.

[23] 吴增源，谌依然，伍蓓. 跨界搜索的内涵、边界与模式研究述评及展望[J]. 科技进步与对策,2015,32(19):153-160.

[24] 侯仁勇，严庆，孙骞，等. 双重网络嵌入与企业创新绩效——结构视角的实证研究[J/OL]. 科技进步与对策,2019,36(12):98-104.

[25] REAGANS R, MCEVILY B. Network structure and knowledge transfer: the effects of cohesion and range[J]. Administrative Science Quarterly,2003,48(2):240-267.

[26] FLEMING L,MINGO S,CHEN D.Collaborative brokerage, generative creativity, and creative success[J]. Administrative Science Quarterly,2007,52(3):443-475.

[27] KHANNA R, GULER I, NERKAR A. Fail often, fail big, and fail fast? learning from small failures and R&D performance in the pharmaceutical industry[J]. Academy of Management Journal,2016,59(2):436-459.

[28] YAYAVARAM S, AHUJA G. Decomposability in knowledge structures and its impact on the usefulness of inventions and knowledge-base malleability[J]. Administrative Science Quarterly,2008,53(2):333-362.

[29] SINGH J, AGRAWAL A. Recruiting for ideas: how firms exploit the prior inventions of new hires[J]. Management Science,2011,57(1):129-150.

[30] CAPALDO A, LAVIE D, PETRUZZELLI A M. Knowledge maturity and the scientific value of innovations[J]. Journal of Management,2017,43(2):503-533.

[31] COHEN S L, TRIPSAS M. Managing technological transitions by building bridges[J]. Academy of Management Journal,2018,61(6):2319-2342.

(责任编辑：王敬敏)