DOI: https://doi.org/10.1057/s41599-026-06637-x
تاريخ النشر: 2026-02-09
المؤلف: Liping Zhang وآخرون
الموضوع الرئيسي: الابتكار وإدارة المعرفة
نظرة عامة
تستكشف هذه الدراسة التفاعل بين عناصر المعرفة الداخلية وشبكات التعاون الخارجية في التأثير على أداء الابتكار الاستكشافي للشركات، لا سيما في قطاع الذكاء الاصطناعي الصيني. باستخدام خوارزمية التجميع الهرمي، يتم تصنيف الشركات إلى ثلاثة أنواع متميزة: موجهة نحو التعاون، موجهة نحو المعرفة، ومتوازنة. يتم استخدام خوارزمية شجرة التصنيف والانحدار (CART) لتحليل كيفية تأثير خصائص هذه العناصر المعرفية وشبكات التعاون على نتائج الابتكار عبر أنواع الشركات المختلفة.
تشير النتائج الرئيسية إلى أن الخصائص الداخلية لعناصر المعرفة تدفع بشكل أساسي أداء الابتكار الاستكشافي، حيث تظهر قواعد القرار درجة دعم تبلغ 63.46% ومتوسط درجة ثقة يبلغ 81.9%. بالنسبة للشركات التي تواجه تركيبات غير مثالية من عناصر المعرفة، يمكن أن تخفف شبكات التعاون الخارجية من الآثار السلبية. بالإضافة إلى ذلك، تسلط الدراسة الضوء على العلاقات غير الخطية المعقدة بين خصائص عناصر المعرفة وشبكات التعاون وأداء الابتكار الاستكشافي، محققة متوسط درجة ثقة تبلغ 73.28%. تساهم هذه البحث في الأدبيات من خلال دمج العوامل الداخلية والخارجية، كاشفة عن اختلافات دقيقة بين أنواع الشركات وتقديم طرق جديدة للاستكشاف في مجال الابتكار.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الدور الحاسم لقدرة الابتكار لدى الشركات من أجل بقائها وتنافسيتها، لا سيما في سياق التعقيد المتزايد في عمليات الابتكار. تسلط الضوء على ضرورة انخراط الشركات في كل من الابتكار الاستكشافي والاستغلالي، حيث يعد الابتكار الاستكشافي ضروريًا للحفاظ على ميزة تنافسية في الأسواق الديناميكية. تشير الورقة إلى أن الشركات غالبًا ما تعتمد على التعاونات الخارجية للحصول على عناصر معرفة متنوعة، والتي تعتبر حاسمة لتعزيز مواردها الابتكارية. تركز الدراسة بشكل خاص على قطاع الذكاء الاصطناعي (AI) في الصين، حيث تدفع الحكومة نحو الانتقال من اعتماد التكنولوجيا إلى الابتكار المحلي، مما يجعل فهم عمليات الابتكار الاستكشافي قضية ملحة.
يطرح المؤلفون أسئلة بحثية رئيسية حول كيفية قيام الشركات بإجراء الابتكار الاستكشافي وأدوار عناصر المعرفة وشبكات التعاون في هذه العملية. يجادلون بأنه بينما استكشفت الأبحاث السابقة تأثير المعرفة الداخلية والتعاونات الخارجية على أداء الابتكار، فإن التفاعل بين هذه العوامل لم يتم فحصه بشكل كافٍ. تهدف الورقة إلى تحليل التأثيرات غير الخطية المعقدة لخصائص المعرفة وشبكات التعاون على أداء الابتكار الاستكشافي، باستخدام بيانات براءات الاختراع وطرق التعلم الآلي. تسعى هذه المقاربة إلى تحديد العوامل الحاسمة التي تؤثر على الابتكار في الشركات الصينية في مجال الذكاء الاصطناعي واقتراح استراتيجيات لتعزيز أدائها في الابتكار الاستكشافي، مما يوفر رؤى لكل من المديرين وصانعي السياسات.
طرق البحث
في هذه الدراسة، يتناول المؤلفون قيود الطرق التجريبية التقليدية، مثل تحليل الانحدار، في التقاط التفاعلات المعقدة والتبعيات غير الخطية التي تؤثر على أداء الابتكار الاستكشافي في الشركات. مع إدراك أن تأثيرات الإدارة غالبًا ما تنشأ من تفاعل عوامل متعددة، يقترح الباحثون إطارًا منهجيًا يدمج تقنيات التعلم الآلي (ML) لتحليل هذه العلاقات بشكل أفضل. تستخدم الدراسة مسارًا تحليليًا متسلسلًا يتضمن تحليل الارتباط، وحسابات عامل تضخم التباين (VIF)، ونموذج سحابة عادية لمعايرة البيانات، وتجميع هرمي للتحليل المستهدف، وخوارزمية CART لكشف التأثيرات غير الخطية المعقدة.
يتم استخدام نموذج السحابة العادية لمعالجة الغموض والفوضى الكامنة في البيانات الواقعية، مما يسمح بتمثيل أكثر دقة لعدم اليقين وتحسين موثوقية التحليلات اللاحقة. يتم استخدام التجميع الهرمي لتصنيف الشركات بناءً على أوجه التشابه في عناصر معرفتها الداخلية وشبكات التعاون الخارجية، مما يسهل فحصًا دقيقًا لكيفية تأثير هذه الخصائص على أداء الابتكار. أخيرًا، يتم تطبيق خوارزمية CART لتحديد قواعد القرار التي توضح المسارات التي تؤثر من خلالها عناصر المعرفة واستراتيجيات التعاون على أداء الابتكار الاستكشافي، مما يقدم رؤى واضحة حول العلاقات المعقدة بين المتغيرات المعنية. تهدف هذه المقاربة الشاملة إلى تعزيز فهم كيفية تحسين أنواع مختلفة من الشركات لاستراتيجيات الابتكار الخاصة بها في ضوء خصائصها الفريدة.
نقاش
تستعرض قسم النقاش في الورقة البحثية الأدبيات الحالية حول التفاعل بين عناصر المعرفة وشبكات التعاون في التأثير على أداء الابتكار الاستكشافي للشركات. تؤكد على أهمية قاعدة المعرفة، التي تتكون من عناصر المعرفة الداخلية والخارجية، كموارد حاسمة للابتكار. تفترض وجهة النظر المعتمدة على المعرفة (KBV) أن الشركات التي تمتلك قاعدة معرفة قوية، تتميز بالتعقيد والاستمرارية وقابلية النقل، تكون في وضع أفضل للابتكار. تشير الدراسات المذكورة إلى أن اتساع عناصر المعرفة يرتبط إيجابيًا بأداء الابتكار الاستكشافي، بينما قد تعيق التكامل المفرط بين هذه العناصر قدرة الشركات على الدخول في مجالات جديدة.
علاوة على ذلك، يبرز القسم دور شبكات التعاون، التي يتم تأطيرها من خلال نظرية الشبكات الاجتماعية (SNT)، في تسهيل الابتكار. يقترح أن الشركات المدمجة في شبكات ذات مركزية عالية وثغرات هيكلية تستفيد من تحسين التواصل واكتساب المعرفة، مما يحسن من نتائج الابتكار. ومع ذلك، تحذر الأدبيات أيضًا من الانحرافات المحتملة الناتجة عن التعاون المفرط، والذي يمكن أن يشتت الجهود الابتكارية المركزة. تختتم المناقشة بتحديد فجوة في البحث الحالي، الذي غالبًا ما يعزل تأثيرات المعرفة الداخلية أو التعاون الخارجي، متجاهلاً تفاعلاتها التآزرية. لمعالجة ذلك، تقترح الدراسة نهجًا قائمًا على البيانات باستخدام تقنيات التعلم الآلي لاستكشاف العلاقات المعقدة وغير الخطية بين هذه المتغيرات وتأثيرها الجماعي على أداء الابتكار الاستكشافي عبر أنواع الشركات المتنوعة.
القيود
تقدم الدراسة تداعيات إدارية كبيرة لتعزيز أداء الابتكار الاستكشافي داخل صناعة الذكاء الاصطناعي الصينية، مع التأكيد على أهمية تحسين هياكل المعرفة والشراكات الاستراتيجية للشركات. يعد الإدارة الفعالة لعناصر المعرفة أمرًا أساسيًا، حيث يمكن أن تعيق التنوع غير العقلاني والتعقيد الناتج عن الابتكار. تعتبر التعاونات مع المنظمات الخارجية حيوية للشركات للوصول إلى موارد ابتكارية وتعويض النقص في المعرفة الداخلية. يُشجع الحكومة على تعزيز بيئة مواتية للتعاون عبر الحدود وتبادل التكنولوجيا، مما يدعم الشركات في تحسين هياكل معرفتها وتعزيز الابتكار.
ومع ذلك، تحتوي الأبحاث على قيود ملحوظة تشير إلى طرق جديدة للاستفسار في المستقبل. إن الاعتماد على بيانات براءات الاختراع يلتقط بشكل أساسي المعرفة التقنية الصريحة، متجاهلاً الدور الحاسم للمعرفة الضمنية والتعاونات غير التكنولوجية. يجب أن تدمج الدراسات المستقبلية مصادر بيانات متنوعة، مثل التقارير المالية والمقابلات التنفيذية، لتوفير فهم أكثر شمولاً للمعرفة التنظيمية وشبكات التعاون. بالإضافة إلى ذلك، بينما تخفف خوارزمية التجميع الهرمي المستخدمة من تباين العينة، قد يحد نقص المتغيرات الضابطة الخاصة بالشركات من قابلية تعميم النتائج. يجب أن تتضمن الأبحاث المستقبلية هذه المتغيرات لتعزيز قوة الاستنتاجات. أخيرًا، قد تؤدي مقاربة العتبة الزمنية إلى إخفاء الديناميات قصيرة المدى بين المتغيرات، مما يشير إلى الحاجة إلى استراتيجيات قياس متنوعة وتقنيات التعلم الآلي في التحليلات اللاحقة.
DOI: https://doi.org/10.1057/s41599-026-06637-x
Publication Date: 2026-02-09
Author(s): Liping Zhang et al.
Primary Topic: Innovation and Knowledge Management
Overview
This study investigates the interplay between internal knowledge elements and external collaboration networks in influencing firms’ exploratory innovation performance, particularly within the Chinese artificial intelligence sector. Utilizing a hierarchical clustering algorithm, firms are categorized into three distinct types: Collaboration-oriented, Knowledge-oriented, and Balanced. The Classification and Regression Tree (CART) algorithm is employed to analyze how the characteristics of these knowledge elements and collaboration networks impact innovation outcomes across different firm types.
Key findings indicate that the internal characteristics of knowledge elements predominantly drive exploratory innovation performance, with decision rules showing a support degree of 63.46% and an average confidence degree of 81.9%. For firms facing suboptimal combinations of knowledge elements, external collaboration networks can alleviate negative effects. Additionally, the study highlights the complex nonlinear relationships between knowledge element and collaboration network characteristics and exploratory innovation performance, achieving an average confidence degree of 73.28%. This research contributes to the literature by integrating both internal and external factors, revealing nuanced differences among firm types and offering new avenues for future exploration in the field of innovation.
Introduction
The introduction of this research paper emphasizes the critical role of a firm’s innovation capability for its survival and competitiveness, particularly in the context of increasing complexity in innovation processes. It highlights the necessity for firms to engage in both exploratory and exploitative innovation, with exploratory innovation being essential for maintaining a competitive advantage in dynamic markets. The paper notes that firms often rely on external collaborations to acquire diverse knowledge elements, which are crucial for enhancing their innovation resources. The study specifically focuses on the artificial intelligence (AI) sector in China, where the government is pushing for a transition from technology adoption to indigenous innovation, making the understanding of exploratory innovation processes a pressing concern.
The authors pose key research questions regarding how firms conduct exploratory innovation and the roles of knowledge elements and collaboration networks in this process. They argue that while previous research has explored the impact of internal knowledge and external collaborations on innovation performance, the interplay between these factors has been under-examined. The paper aims to analyze the complex nonlinear effects of knowledge characteristics and collaboration networks on exploratory innovation performance, utilizing patent data and machine learning methods. This approach seeks to identify crucial factors influencing innovation in Chinese AI firms and to propose strategies for enhancing their exploratory innovation performance, ultimately providing insights for both managers and policymakers.
Methods
In this study, the authors address the limitations of traditional empirical methods, such as regression analysis, in capturing the complex interdependencies and nonlinear interactions that influence exploratory innovation performance in firms. Recognizing that management effects often arise from the interplay of multiple factors, the researchers propose a methodological framework that integrates machine learning (ML) techniques to better analyze these relationships. The study employs a sequential analytical pathway that includes correlation analysis, variance inflation factor (VIF) calculations, a normal cloud model for data calibration, hierarchical clustering for targeted analysis, and the CART algorithm to uncover complex nonlinear effects.
The normal cloud model is utilized to address the inherent fuzziness and randomness in real-world data, allowing for a more accurate representation of uncertainty and improving the reliability of subsequent analyses. Hierarchical clustering is employed to categorize firms based on similarities in their internal knowledge elements and external collaboration networks, thereby facilitating a nuanced examination of how these characteristics impact innovation performance. Finally, the CART algorithm is applied to identify decision rules that elucidate the pathways through which knowledge elements and collaboration strategies affect exploratory innovation performance, offering clear insights into the complex relationships among the variables involved. This comprehensive approach aims to enhance the understanding of how different types of firms can optimize their innovation strategies in light of their unique characteristics.
Discussion
The discussion section of the research paper reviews existing literature on the interplay between knowledge elements and collaboration networks in influencing firms’ exploratory innovation performance. It emphasizes the significance of the knowledge base, which comprises internal and external knowledge elements, as a critical resource for innovation. The Knowledge-Based View (KBV) posits that firms with a robust knowledge base, characterized by complexity, persistence, and transferability, are better positioned to innovate. Studies cited indicate that the breadth of knowledge elements positively correlates with exploratory innovation performance, while excessive complementarity among these elements may hinder firms’ ability to venture into new domains.
Furthermore, the section highlights the role of collaboration networks, framed through Social Network Theory (SNT), in facilitating innovation. It suggests that firms embedded in networks with high centrality and structural holes benefit from enhanced communication and knowledge acquisition, thereby improving innovation outcomes. However, the literature also warns against the potential distractions from excessive collaboration, which can detract from focused innovation efforts. The discussion concludes by identifying a gap in the current research, which often isolates the effects of internal knowledge or external collaboration, neglecting their synergistic interactions. To address this, the study proposes a data-driven approach utilizing machine learning techniques to explore the complex, nonlinear relationships between these variables and their collective impact on exploratory innovation performance across diverse firm types.
Limitations
The study presents significant managerial implications for enhancing exploratory innovation performance within the Chinese AI industry, emphasizing the importance of optimizing firms’ knowledge structures and strategic partnerships. Effective management of knowledge elements is essential, as irrational diversification and complexity can hinder innovation output. Collaborations with external organizations are vital for firms to access innovative resources and compensate for internal knowledge deficiencies. The government is encouraged to foster an environment conducive to cross-border collaboration and technological exchange, thereby supporting firms in refining their knowledge structures and promoting innovation.
However, the research has notable limitations that suggest avenues for future inquiry. The reliance on patent data primarily captures explicit technical knowledge, overlooking the critical role of tacit knowledge and non-technological collaborations. Future studies should integrate diverse data sources, such as financial reports and executive interviews, to provide a more comprehensive understanding of organizational knowledge and collaboration networks. Additionally, while the hierarchical clustering algorithm used mitigates sample heterogeneity, the lack of firm-specific control variables may limit the generalizability of the findings. Future research should incorporate these variables to enhance the robustness of conclusions. Lastly, the temporal threshold approach may obscure short-term dynamics between variables, indicating a need for varied measurement strategies and machine learning techniques in subsequent analyses.