My blog Practice makes perfect
文献集锦
如何理论创新？
管理学理论集锦
Python实际应用
聚类标准误与固定效应
巫师3：狂猎
Stata应用技巧
Python知识与技巧
双重差分法（DID）
创新文献阅读与摘要
计量经济学
Python绘图相关
溢出式探索 vs 广泛探索
type
Post
status
Published
date
Nov 19, 2025
slug
summary
tags
category
创新文献阅读与摘要
icon
password
网址
作者
标签
文章链接
发布时间
来源
论文基本信息
- 标题: Exploring novel technologies through board interlocks: Spillover vs. broad exploration (通过董事联结探索新技术：溢出探索与广泛探索)
- 作者: Mingxiang Li
- 发表期刊: Research Policy
- 年份: 2021
研究核心问题与背景
本研究旨在探讨董事联结（Board Interlocks）如何影响企业的技术探索（Technological Exploration），特别是高科技企业。
- 研究背景: 高科技企业通常擅长利用现有技术，但往往缺乏探索陌生新技术的动力（近视学习），而技术探索对于打破“学习陷阱”和实现长期增长至关重要。
- 核心问题:
- 董事联结是否会促进企业的技术探索？
- 不同类型的董事联结（由高管创建 vs. 由非高管创建）是否具有不同的效力？
- 董事联结对“溢出式探索”（Spillover Exploration）和“广泛探索”（Broad Exploration）的影响有何不同？
核心概念定义
为了深入分析，作者对关键变量进行了区分：
A. 董事联结 (Board Interlocks)
指一家公司的董事同时在另一家公司董事会任职所形成的跨组织联系。根据建立联结的个体角色不同，分为：
- 高管创建的联结 (Executive-created interlocks): 由焦点公司（Focal Firm）的高管在其他公司董事会任职形成的联结。
- 非高管创建的联结 (Non-executive-created interlocks): 由外部董事（如专业董事、其他公司高管）在焦点公司董事会任职形成的联结。
B. 技术探索的类型
技术探索指企业进入其过去四年未涉足的技术领域。研究将其细分为：
- 溢出式探索 (Spillover Exploration): 模仿联结公司的技术组合，即进入联结公司已有的技术领域（基于替代性学习/模仿）。
- 广泛探索 (Broad Exploration): 探索联结公司技术组合之外的新颖技术（基于体验式学习/独立搜索）。
理论框架与假设
作者结合了社会网络（Social Networks）和组织学习（Organizational Learning）理论。
- H1 (总体影响): 董事联结数量越多，焦点公司进行技术探索的可能性越高。
- 理由: 联结提供了信息优势（获取、时机、推荐），且企业领袖有权调动资源进行探索。
- H2 (角色差异): 高管创建的联结比非高管创建的联结更能促进技术探索。
- 理由: 高管在焦点公司拥有运营职责和更深的特定知识，更有动力和能力推动战略变革 。
- H3 (探索类型差异): 董事联结对溢出式探索的促进作用大于对广泛探索的作用。
- 理由: 模仿联结公司的技术（代表性启发法和可用性启发法）能降低探索的不确定性和风险 。
- H4a & H4b (交互效应):
- H4a: 高管创建的联结在促进溢出式探索方面比非高管联结更有效 17。
- H4b: 高管创建的联结在促进广泛探索方面比非高管联结更有效 18。
数据与方法
- 样本: 2000年至2008年间的美国高科技上市公司（涉及SIC代码 35-38, 28, 73）。
- 数据来源:
- 董事数据：BoardEx Database 。
- 专利数据：Harvard Patent Database (HPD) 。
- 财务数据：Compustat 。
- 统计模型: 广义估计方程 (GEE) 配合负二项分布，以处理面板数据和过度离散问题。
实证结果
研究结果支持了部分假设，也呈现了一些意外发现：
假设 | 内容简述 | 结果 | 关键数据支持 |
H1 | 联结促进探索 | 支持 | 每增加一个联结，技术探索的可能性增加 1.7%。 |
H2 | 高管联结 > 非高管联结 (总体) | 不支持 | 虽然高管联结效应值更大 (3.7% vs 1.4%)，但两者差异在统计上不显著 。 |
H3 | 溢出 > 广泛 | 支持 | 联结对溢出式探索的提升 (4.8%) 显著高于对广泛探索的提升 (1.5%) 。 |
H4a | 高管联结更利于溢出 | 支持 | 高管联结使溢出式探索增加 18.2%，而非高管联结仅增加 2.5%，差异显著。 |
H4b | 高管联结更利于广泛 | 不支持 | 两者在促进广泛探索方面无显著差异。 |
讨论与贡献
主要发现总结
- 董事联结是获取新技术的渠道: 联结不仅仅用于传播公司治理或战略，也是发现新商业机会和技术的重要途径 。
- 模仿（溢出）比独立搜索（广泛）更容易发生: 董事联结主要通过“替代性学习”（Vicarious Learning）起作用，即模仿联结伙伴的技术，因为这能降低不确定性。
- “谁”建立了联结很重要: 只有当焦点公司的高管亲自担任其他公司董事时，这种联结对于模仿技术（溢出式探索）才特别有效 。这是因为高管拥有实际的决策权和运营知识 。
理论贡献
- 补充了创新文献：强调了高管层级的网络（而非仅仅是发明者网络）对技术创新的影响 。
- 推进了组织学习理论：区分了董事联结对替代性学习（溢出）和体验式学习（广泛）的不同效力，证明了替代性学习在董事联结背景下更为有效 。
局限性
- 样本仅限美国高科技上市公司，可能不适用于其他行业或国家（如具有双重董事会制度的德国或家族企业众多的亚洲国家）。
- 专利数据存在截断问题（Truncation），可能低估了联结的真实效果 。
- 未充分控制董事的个人能力及网络结构特征（如中心度）。
溢出式探索 vs 广泛探索
根据论文描述，溢出式探索（Spillover Exploration）与广泛探索（Broad Exploration）均基于哈佛专利数据库（Harvard Patent Database）中的专利申请数据进行测量。
首先，作者定义了技术探索（Technological Exploration）的基础测量标准：当一家公司在某个技术类别（Class）中申请专利，且在过去4年内未曾在该类别中申请过专利时，即被视为进入了一个新的技术领域（即进行了技术探索）。
在此基础上，两者的具体测量方式区分如下：
溢出式探索 (Spillover Exploration)
这种探索被视为来自联结公司的技术“溢出”，即模仿联结伙伴的技术组合。
- 测量逻辑：如果焦点公司进入的新技术类别，已经存在于其联结公司（Interlocked Firms）的技术组合中，则被编码为溢出式探索。
- 计算过程：
- 通过CUSIP代码匹配联结公司与专利数据库。
- 获取所有联结公司的历史专利活动数据。
- 对比焦点公司的新技术与联结公司的技术库，若匹配成功，则计数为溢出式探索。
- 含义：这代表了从联结公司获取并模仿的新技术。
广泛探索 (Broad Exploration)
这种探索被视为超越了直接联结公司的搜索范围，属于更广泛的独立搜索。
- 测量逻辑：如果焦点公司进入的新技术类别，不存在于其联结公司的技术组合中，则被编码为广泛探索。
- 计算过程：
- 首先计算出企业的“总技术探索”数量。
- 计算出“溢出式探索”的数量。
- 用总探索数量减去溢出式探索数量，剩余的部分即为广泛探索。
- 含义：这代表了并未源自联结公司技术组合的新技术。
Prev
队列DID
Next
结构洞发挥作用的约束条件
Loading...