譚 娟，谷 紅，苗冬青

（北京工商大學(xué)商學(xué)院，北京 100048）

知識產(chǎn)品是人類在改造自然和社會的實(shí)踐中，通過支出腦力勞動，依靠知識、智力等要素進(jìn)行創(chuàng)造性活動的成果，并以一定形式表現(xiàn)出來的一種自然科學(xué)、社會科學(xué)的成就[1]。隨著Web2.0信息技術(shù)和知識經(jīng)濟(jì)的發(fā)展，自由、開放的“大眾生產(chǎn)”(Peer Production)作為知識產(chǎn)品生產(chǎn)領(lǐng)域中的一種新型組織模式和創(chuàng)新動力機(jī)制備受推崇[2-3]。創(chuàng)新動力機(jī)制是推動創(chuàng)新實(shí)現(xiàn)優(yōu)質(zhì)、高效運(yùn)行并為達(dá)到預(yù)定目標(biāo)提供激勵(lì)的一種機(jī)制[4]，理解創(chuàng)新過程及其決定因素有助于改進(jìn)現(xiàn)實(shí)世界組織中的創(chuàng)新生產(chǎn)，并最終創(chuàng)造更多卓越的新產(chǎn)品和服務(wù)[5-6]。網(wǎng)絡(luò)創(chuàng)新社區(qū)(Online Innovation Community, OIC)為生產(chǎn)者(社區(qū)用戶)自由發(fā)布知識產(chǎn)品提供了開放空間。知識產(chǎn)品在廣泛分享、轉(zhuǎn)移過程中通過復(fù)制、融合、重組等作用方式實(shí)現(xiàn)產(chǎn)品創(chuàng)新的過程被稱為“重混(remixing)”[7-8]。重混作為大眾生產(chǎn)過程中知識產(chǎn)品的主要創(chuàng)新模式之一廣泛存在于OIC中，如維基百科、Thingiverse、Scratch、軟件開源社區(qū)Github等。根據(jù)重混對象的相互作用關(guān)系劃分可以將其分為“繼承”與“派生”兩種形式。繼承是指對已有產(chǎn)品進(jìn)行改造后獲得新產(chǎn)品；派生是指產(chǎn)品被其他用戶改造后作為新產(chǎn)品發(fā)布[9-10]。

近年來各種開放式OIC獲得了快速發(fā)展，知識產(chǎn)品重混作為適用于互聯(lián)網(wǎng)協(xié)作情境下的重要創(chuàng)新模式而受到關(guān)注[11]。Stanko等[12]提出重混是開放式環(huán)境下信息交換、知識分享和擴(kuò)散的自然結(jié)果，應(yīng)從動態(tài)擴(kuò)散和靜態(tài)屬性兩個(gè)層面挖掘其內(nèi)在動力。Hill等[13]、Monroy-Hernández等[14]則從知識貢獻(xiàn)的原創(chuàng)性(Originality)和生成性(Generativity)辯證分析了重混行為，并提出作品復(fù)雜性、創(chuàng)作者聲譽(yù)、知識積累對重混作品創(chuàng)新貢獻(xiàn)影響顯著。除此之外，OIC創(chuàng)新研究工作也為理解知識產(chǎn)品重混提供了理論和實(shí)踐依據(jù)。這些文獻(xiàn)主要關(guān)注OIC創(chuàng)新過程中的用戶參與動機(jī)、知識共享、在線交互等內(nèi)容。有學(xué)者指出，求知動機(jī)[15-16]互惠動機(jī)[17]、興趣動機(jī)[18-19]、易用性感知[20]是影響OIC用戶不斷參與產(chǎn)品創(chuàng)新的主要因素，并提出用戶行為和創(chuàng)新績效密切相關(guān)，而知識共享的持續(xù)性、共享意愿、共享知識水平對開放式創(chuàng)新的貢獻(xiàn)度有著顯著影響[10，21-22]。Liu等[23]提出成員間的在線互動能夠增強(qiáng)OIC中用戶的親近度和信任感并促進(jìn)知識產(chǎn)品創(chuàng)新。

綜上所述，我們發(fā)現(xiàn)已有研究存在以下不足：首先，現(xiàn)有知識產(chǎn)品重混的研究多關(guān)注其對開放式創(chuàng)新的知識貢獻(xiàn)作用，試圖為理解知識重混對開放式創(chuàng)新的促進(jìn)機(jī)制提供解釋，但缺乏對具體實(shí)踐過程中影響因素的深入探討；其次，與知識產(chǎn)品重混相關(guān)的OIC創(chuàng)新研究多選擇以用戶、平臺、知識等為研究對象，重點(diǎn)關(guān)注其對創(chuàng)新績效的貢獻(xiàn)和影響，但少有研究關(guān)注知識產(chǎn)品在創(chuàng)新過程中的作用機(jī)制。本文由此提出研究問題：“在開放性、自發(fā)參與的互聯(lián)網(wǎng)環(huán)境中，不同知識產(chǎn)品的重混創(chuàng)新貢獻(xiàn)何以存在如此顯著的差異?大部分知識產(chǎn)品無人問津，僅少部分知識產(chǎn)品經(jīng)過不斷重混、繁衍形成‘譜系化’的產(chǎn)品”。

基于以上對文獻(xiàn)的梳理和評價(jià)，本文嘗試從三個(gè)方面進(jìn)行解答。第一，知識產(chǎn)品屬性對其重混創(chuàng)新貢獻(xiàn)的影響。網(wǎng)絡(luò)創(chuàng)新社區(qū)知識產(chǎn)品具有“類聚性”，表現(xiàn)形式高度相似的產(chǎn)品的重混程度為何存在顯著差異。第二，生產(chǎn)者(平臺用戶)交互行為對知識產(chǎn)品重混創(chuàng)新貢獻(xiàn)的影響。用戶是知識生產(chǎn)的制造者和供給者，也是知識產(chǎn)品重混的執(zhí)行主體。由于OIC中交流的成員彼此之間大多素未謀面，成員之間更頻繁的在線互動是否一定就會刺激更多的重混作品生成有待驗(yàn)證。第三，知識產(chǎn)品的重混行為是否存在“延續(xù)效應(yīng)”，即重混實(shí)踐中的繼承與派生行為之間的相關(guān)性有待檢驗(yàn)。

本文研究對象和數(shù)據(jù)取自Thingiverse網(wǎng)站。該網(wǎng)站是全球最大的3D打印設(shè)計(jì)產(chǎn)品OIC，對用戶發(fā)布創(chuàng)意產(chǎn)品提供了模板化的展示和互動系統(tǒng)，給出了瀏覽次數(shù)、點(diǎn)贊次數(shù)、評論內(nèi)容、作品配圖以及模塊文件等內(nèi)容，并建立了與知識產(chǎn)品重混狀態(tài)有關(guān)的繼承、派生關(guān)系的管理機(jī)制。因此，本文通過設(shè)計(jì)爬蟲獲取公開數(shù)據(jù)開展實(shí)證研究。

1 研究理論和假設(shè)

1.1 研究模型

重混創(chuàng)新的本質(zhì)是OIC中用戶基于興趣、求知、實(shí)用等動機(jī)對現(xiàn)有產(chǎn)品不斷改進(jìn)完善并持續(xù)創(chuàng)造新產(chǎn)品的行為。有別于傳統(tǒng)創(chuàng)新模式，重混創(chuàng)新是一個(gè)各種創(chuàng)新要素互動、整合、協(xié)同的動態(tài)過程，并具有自由、開放、流通的基本特征。Roger認(rèn)為：“創(chuàng)新是一種被個(gè)人或其他采用單位視為新穎的觀念、實(shí)踐或事物；創(chuàng)新擴(kuò)散是一種基本社會過程，在這個(gè)過程中，主觀感受到的關(guān)于某個(gè)新語音的信息被傳播，通過一個(gè)社會構(gòu)建過程，某創(chuàng)新的意義逐漸顯現(xiàn)”[12]。從知識分享和信息擴(kuò)散的角度來看，重混可以視為創(chuàng)新對象(知識產(chǎn)品)在開放性互聯(lián)網(wǎng)空間分享、擴(kuò)散、重組的往復(fù)過程。在創(chuàng)新研究理論中，Roger的創(chuàng)新擴(kuò)散理論從相對優(yōu)勢、兼容性、復(fù)雜性、可試驗(yàn)性、可認(rèn)知性、思維可變性等6個(gè)維度提出了創(chuàng)新對象的屬性特征，較為全面地解釋了影響創(chuàng)新作品被識別、認(rèn)知、接納、傳播的要素。各要素的具體內(nèi)涵解釋如下：相對優(yōu)勢代表創(chuàng)新作品相較于已有產(chǎn)品的新穎程度；兼容性反應(yīng)某項(xiàng)創(chuàng)新與現(xiàn)有價(jià)值觀、以往經(jīng)驗(yàn)、預(yù)期采用者需求的共存程度；復(fù)雜性反映某項(xiàng)創(chuàng)新被理解和運(yùn)用的難易程度；可試驗(yàn)性反映在有限基礎(chǔ)上可被試驗(yàn)的程度；可觀察性反映創(chuàng)新作品為他人所見的程度創(chuàng)新；思維可變性則突出變化的思維模式對創(chuàng)新更具貢獻(xiàn)價(jià)值。信息擴(kuò)散渠道和受關(guān)注度也是決定創(chuàng)新擴(kuò)散程度的關(guān)鍵因素。

因此，本文基于創(chuàng)新擴(kuò)散理論構(gòu)建理論模型，從知識復(fù)雜度、受關(guān)注度、用戶交互、延續(xù)創(chuàng)新四個(gè)方面提出關(guān)鍵要素，分析OIC中的知識產(chǎn)品重混?？紤]到OIC中知識產(chǎn)品的展示形式有著較強(qiáng)的模板化要求，創(chuàng)新作品的可觀察性和可試驗(yàn)性存在較強(qiáng)的同質(zhì)化特征，因此知識復(fù)雜性成為產(chǎn)品被理解并再利用的關(guān)鍵因素。在特定的OIC內(nèi)，用戶點(diǎn)擊、瀏覽、討論、轉(zhuǎn)發(fā)等行為是創(chuàng)新作品信息擴(kuò)散的主要途徑，由此提出受關(guān)注度和用戶交互兩個(gè)屬性描述產(chǎn)品的擴(kuò)散效度。再者，由于“繼承”得到的創(chuàng)新作品相比源創(chuàng)新作品具有更好的兼容性，因此考慮作品的延續(xù)創(chuàng)新可能對其繼續(xù)重混存在潛在影響。

綜上所述，提出OIC中知識產(chǎn)品重混影響因素分析模型如圖1所示。

圖1 OIC中知識產(chǎn)品重混影響因素分析模型

1.2 研究假設(shè)

1.2.1 知識復(fù)雜度與重混的關(guān)系

復(fù)雜性是知識的重要特性之一。Nelson等[24]認(rèn)為根據(jù)知識的可理解程度可將之分為簡單知識和復(fù)雜知識。Zander等[25]認(rèn)為知識復(fù)雜性是指知識在分享、轉(zhuǎn)移過程中，因使用者能力差別而出現(xiàn)的結(jié)果多樣性。在互聯(lián)網(wǎng)環(huán)境下，知識獲取以一種自發(fā)性體驗(yàn)學(xué)習(xí)的方式開展，用戶通過充滿辯證的觀察、行動和反思的過程來汲取經(jīng)驗(yàn)知識[26]。因此，簡單知識更容易被理解和掌握，但相對于復(fù)雜知識而言其內(nèi)在價(jià)值較低。復(fù)雜度較高的技術(shù)和知識具有更高的知識價(jià)值，但會變得更具緘默性、嵌入型和依賴性，因此其被理解和再利用也更為困難[27]。

OIC知識產(chǎn)品作為知識載體，其知識復(fù)雜性外在表現(xiàn)主要包含表達(dá)形式、知識關(guān)聯(lián)、產(chǎn)權(quán)許可等方面[13]。OIC用戶在選擇產(chǎn)品進(jìn)行重混時(shí)，會充分考慮創(chuàng)新過程中更好的參與體驗(yàn)、更高的潛在價(jià)值以及更低的行為風(fēng)險(xiǎn)。因此，過于簡單的知識產(chǎn)品盡管更容易被認(rèn)知和理解，但在其基礎(chǔ)上進(jìn)行再創(chuàng)新的潛在價(jià)值偏低。復(fù)雜度適中的產(chǎn)品可能提供更高的潛在價(jià)值和更好的參與體驗(yàn)，更易吸引用戶參與到對該產(chǎn)品的再創(chuàng)新中來。復(fù)雜度偏高的知識產(chǎn)品首先在獲得用戶認(rèn)知和理解上會存在一定阻礙，再者如果在產(chǎn)權(quán)許可方面及后續(xù)使用權(quán)方面設(shè)置諸多限制，或刻意隱藏設(shè)計(jì)細(xì)節(jié)，這樣即使產(chǎn)品本身的知識貢獻(xiàn)水平很高，也難以獲得用戶的關(guān)注和參與。由此提出如下假設(shè)：

假設(shè)1：產(chǎn)品的知識復(fù)雜度與其參與重混的活躍度呈倒U型關(guān)系。

1.2.2 受關(guān)注度與重混的關(guān)系

在信息經(jīng)濟(jì)時(shí)代，關(guān)注已經(jīng)成為一種具有商業(yè)價(jià)值的、稀缺的資源[28]。從競爭理論來看，知識產(chǎn)品的受關(guān)注程度差異會影響其對OIC知識貢獻(xiàn)程度。高關(guān)注度的創(chuàng)新作品更可能成為優(yōu)勢產(chǎn)品。用戶參與重混的動機(jī)之一是通過改造產(chǎn)品并更多地從中獲益，這種務(wù)實(shí)動機(jī)驅(qū)動會刺激用戶盡最大努力去挖掘優(yōu)勢產(chǎn)品并不斷改進(jìn)。在利益驅(qū)使下，優(yōu)勢產(chǎn)品在重混過程中更可能優(yōu)先被用戶采納?？紤]到OIC中聲譽(yù)的重要性[23]，用戶更傾向圍繞能帶來更高聲譽(yù)的產(chǎn)品進(jìn)行創(chuàng)新。

從創(chuàng)新的思維可變性來看，更高的關(guān)注度能夠豐富創(chuàng)新過程中的思維注入[29]，并在用戶交互過程中形成共鳴效應(yīng)，進(jìn)而吸引更多的用戶參與到對優(yōu)勢產(chǎn)品的改進(jìn)創(chuàng)新。這種良性循環(huán)體現(xiàn)了重混行為對提高創(chuàng)新產(chǎn)品知識貢獻(xiàn)率的重要性，并顯著提升OIC組織的總體創(chuàng)新能力。由此提出如下假設(shè)：

假設(shè)2：受關(guān)注度對知識產(chǎn)品重混呈正相關(guān)影響。

1.2.3 用戶交互與重混的關(guān)系

知識產(chǎn)品重混是OIC中用戶知識分享行為的一種結(jié)果形式。OIC的知識分享以互惠性、共同愿景、感知樂趣等要素為基礎(chǔ)，并通過用戶交互實(shí)現(xiàn)[30]。社會認(rèn)知理論認(rèn)為，觀察同伴在工作中展現(xiàn)出的創(chuàng)造力可能導(dǎo)致個(gè)體自身也積極投入到創(chuàng)造性工作中[31]。用戶交互過程就是個(gè)體學(xué)習(xí)、知識傳播、轉(zhuǎn)移和創(chuàng)新的過程，是刺激知識產(chǎn)品創(chuàng)新的關(guān)鍵要素。

OIC用戶的交互話題多圍繞如何設(shè)計(jì)更好的產(chǎn)品，或解決具體的設(shè)計(jì)問題等展開。用戶不斷的通過在線評論提供創(chuàng)新思維或創(chuàng)意，并持續(xù)形成對OIC的知識貢獻(xiàn)，持續(xù)提升組織的創(chuàng)新能力和績效水平[32]。在交互過程中，部分創(chuàng)意直接被吸納并付諸實(shí)踐，用戶借此對產(chǎn)品進(jìn)行改造后得到創(chuàng)新產(chǎn)品，這就是知識產(chǎn)品重混的具體過程。部分交互行為可能并沒有提出可用的解決方案，但其引發(fā)的話題性會吸引到更多OIC成員的關(guān)注，并為產(chǎn)品發(fā)布者在OIC中贏得更高的聲譽(yù)。這種激勵(lì)會給用戶帶來成就感、歸屬感并提升自我效能，從而激勵(lì)更多的創(chuàng)新作品產(chǎn)生。由此提出如下假設(shè)：

假設(shè)3：用戶交互對知識產(chǎn)品重混呈正相關(guān)影響。

1.2.4 延續(xù)創(chuàng)新與重混的關(guān)系

OIC中繼承產(chǎn)生的創(chuàng)新作品的再次重混是一種典型的延續(xù)創(chuàng)新行為。延續(xù)創(chuàng)新賦予了創(chuàng)新作品與已有知識更好的兼容性[33]。從創(chuàng)新擴(kuò)散理論來看，與既有經(jīng)驗(yàn)和價(jià)值更為契合的創(chuàng)意更符合OIC成員現(xiàn)有的認(rèn)知模式和思維范式[34]，能夠獲得用戶認(rèn)知、接納并相對輕松地提出對改進(jìn)現(xiàn)有產(chǎn)品更為有利的創(chuàng)新設(shè)計(jì)。

另一方面，考慮到延續(xù)性創(chuàng)新過程中對知識產(chǎn)品進(jìn)行了多次加工和迭代，知識產(chǎn)品的設(shè)計(jì)缺陷不斷得到修補(bǔ)，各方面逐漸趨于完善，可以再次改造的空間不斷壓縮，反而降低了知識產(chǎn)品再次參與重混的機(jī)率。以Linux等開源軟件為例，早期階段發(fā)布的版本形式簡單，細(xì)節(jié)不完善，反而更容易被理解，加之這些早期的、不完整的作品存在的不足恰好為改進(jìn)提供了更多的參與途徑[13]。

延續(xù)創(chuàng)新可能促進(jìn)OIC中知識產(chǎn)品的“多代”譜系繁殖。這種創(chuàng)新產(chǎn)品幾乎都繼承或傳遞了上一代知識產(chǎn)品的部分屬性或功用。知識重混的核心價(jià)值之一就是改善現(xiàn)有創(chuàng)新知識缺陷、針對特定應(yīng)用優(yōu)化知識產(chǎn)品[35]。因此，在延續(xù)創(chuàng)新過程中，如果繼承行為對創(chuàng)新知識缺陷的優(yōu)化和改善屬于對源創(chuàng)新的重要優(yōu)化和完善，那么會得到更多關(guān)注并進(jìn)一步延續(xù)；反之，如果繼承過程中對產(chǎn)品注入的創(chuàng)新思維不屬于關(guān)鍵優(yōu)化范疇，相關(guān)知識產(chǎn)品的重新延續(xù)則可能中止。由此提出如下假設(shè)：

假設(shè)4：延續(xù)創(chuàng)新對知識產(chǎn)品重混的影響不顯著。

2 數(shù)據(jù)和分析

2.1 數(shù)據(jù)來源

Thingiverse網(wǎng)站是全球最大的以3D打印模型設(shè)計(jì)產(chǎn)品為主題的OIC，整個(gè)網(wǎng)站現(xiàn)共有70余萬件設(shè)計(jì)產(chǎn)品。網(wǎng)站通過統(tǒng)一的網(wǎng)頁樣式展示用戶發(fā)布的創(chuàng)新作品，產(chǎn)品描述屬性包括：Like(點(diǎn)贊次數(shù))、Collect(收藏 次 數(shù))、Comments(被 評論 數(shù)量)、Views(瀏 覽次 數(shù))、Downloads(下 載次 數(shù))、Images(描述產(chǎn)品的圖片)以及Files(產(chǎn)品設(shè)計(jì)文件)。該IOC強(qiáng)調(diào)重混創(chuàng)新對社區(qū)創(chuàng)新的貢獻(xiàn)，因此建立了網(wǎng)站內(nèi)知識產(chǎn)品的重混管理機(jī)制，設(shè)定了remix from標(biāo)簽記錄該產(chǎn)品從哪些產(chǎn)品繼承而來，remixes標(biāo)簽記錄該產(chǎn)品被其他用戶吸收改進(jìn)后再創(chuàng)新的情況(派生)。

基于C#2.0開發(fā)爬蟲從thingiverse網(wǎng)站上提取了52310條存在重混(派生)的發(fā)布產(chǎn)品(remixes標(biāo)簽＞0)，并從產(chǎn)品的描述標(biāo)簽中解析出9個(gè)屬性作為觀測變量并進(jìn)行統(tǒng)計(jì)描述分析。每個(gè)變量的含義和統(tǒng)計(jì)描述如表1所示。結(jié)合本文的分析模型和研究假設(shè)，設(shè)定remixes為因變量，其他8個(gè)變量為自變量。

表1 模型的觀測變量含義說明和統(tǒng)計(jì)描述

2.2 因子分析

為驗(yàn)證本文研究假設(shè)，采用因子分析法對觀測變量進(jìn)行主因子分析建模。因子分析法是綜合評價(jià)中的一種常用方法，其基本思想是根據(jù)相關(guān)性大小把變量分組。根據(jù)本文提出的分析模型，考慮從8個(gè)自變量中提取4個(gè)因子。本文采用SPSS25.0軟件進(jìn)行因子分析，采用降維因子分析模塊得到分析結(jié)果見表2。從表中結(jié)果來看，KMO統(tǒng)計(jì)量取值0.685大于最低標(biāo)準(zhǔn)，Bartlet球形檢驗(yàn)取值P＜0.001，表明提取的8個(gè)觀測變量適合做因子分析；從載荷平方比中的方差百分比來看，4個(gè)因子對所有變量的解釋程度達(dá)到了93%以上，表明設(shè)定的4個(gè)因子可以較為完整的概括變量總體特征；每個(gè)觀測變量的公因子方差都在0.9以上，說明這4個(gè)公因子能夠很好地反應(yīng)原始觀測變量的絕大部分內(nèi)容。

表2 知識產(chǎn)品屬性變量因子分析結(jié)果

表2（續(xù)）

結(jié)合分析結(jié)果對觀測變量和主因子之間的關(guān)系內(nèi)涵解釋如下：與因子1關(guān)聯(lián)性最強(qiáng)的是瀏覽次數(shù)、點(diǎn)贊次數(shù)、下載次數(shù)、收藏次數(shù)4個(gè)變量，這四個(gè)變量是對OIC中用戶對該產(chǎn)品關(guān)注程度的記錄，因此可用于表示分析模型中的受關(guān)注度；與因子2關(guān)聯(lián)系數(shù)最大的是圖片數(shù)量和文件數(shù)量，由于網(wǎng)站上傳的與發(fā)布作品相關(guān)的圖片和文件是具體的用戶生成內(nèi)容，因此產(chǎn)品數(shù)量和文件數(shù)量反映了創(chuàng)新作品的知識復(fù)雜度；評論數(shù)量、重混(繼承)兩個(gè)變量分別與因子3、因子4單獨(dú)強(qiáng)相關(guān)，說明這兩個(gè)變量具有一定的相對獨(dú)立性，可單獨(dú)表示解釋關(guān)系。評論數(shù)量反映了知識產(chǎn)品在OIC成員中討論的充分性和話題活躍程度；知識產(chǎn)品是源創(chuàng)新還是在原有知識產(chǎn)品上繼承發(fā)展生成，可以反映延續(xù)創(chuàng)新對重混創(chuàng)新的影響程度。通過因子分析得到的知識產(chǎn)品觀測變量和主因子的具體關(guān)系如圖2所示。

圖2 知識產(chǎn)品觀測變量與主因子對應(yīng)關(guān)系

2.3 主成分回歸分析

在上述主因子分析的基礎(chǔ)上，通過分析主成分因子和因變量之間的相關(guān)性來驗(yàn)證本文研究假設(shè)。首先對因變量重混(派生)向量進(jìn)行歸一化處理。然后根據(jù)本文建立的研究模型定義4個(gè)自變量，分別為：X1——受關(guān)注度、X2——知識復(fù)雜度、X3——用戶互動、X4——延續(xù)創(chuàng)新，以及1個(gè)因變量Y——知識產(chǎn)品重混。通過建立線性回歸模型分析影響關(guān)系，同時(shí)為了驗(yàn)證知識復(fù)雜度與重混的倒U型關(guān)系，在線性回歸模型上增加1個(gè)X2的二次項(xiàng)?；貧w分析結(jié)果如下表3所示。

表3 主成分回歸因子分析結(jié)果

從表4中結(jié)果來看，整個(gè)模型的R-Square值為0.578，具有較高的擬合度。顯著性P值在P＜0.05的條件下顯著，模型總體擬合結(jié)果有效。從因素影響分析來看，X1和X3的標(biāo)準(zhǔn)下系數(shù)為正，且其P值在P＜0.05的條件下顯著，驗(yàn)證了模型中提出的相對優(yōu)勢和用戶互動因素與知識產(chǎn)品重混的正相關(guān)假設(shè)成立。X2知識復(fù)雜度因素本身對模型影響不顯著，但其二次項(xiàng)變量P值在P＜0.05的條件下顯著，說明X2與知識產(chǎn)品重混的倒U型關(guān)系成立。X4繼承效應(yīng)變量的P值為0.310，說明該因子對知識產(chǎn)品重混的影響不顯著。上述檢驗(yàn)結(jié)果完全符合前述研究模型假設(shè)。

表4 OIC中知識產(chǎn)品重混影響因素分析模型摘要

3 研究結(jié)論與展望

3.1 研究結(jié)論

本研究基于創(chuàng)新擴(kuò)散理論探討了OIC中知識產(chǎn)品重混創(chuàng)新的影響因素，不僅發(fā)現(xiàn)受關(guān)注度和用戶交互頻率對知識重混呈有正向影響，產(chǎn)品的知識復(fù)度與之呈倒U形影響關(guān)系。同時(shí)通過實(shí)證研究論證了知識產(chǎn)品兼容性和創(chuàng)新可變性之間的作用效應(yīng)，發(fā)現(xiàn)延續(xù)創(chuàng)新特征對重混創(chuàng)新不存在明顯的正向激勵(lì)作用。鑒于知識重混是OIC的重要創(chuàng)新動力，本研究成果對于更好的激發(fā)開放式創(chuàng)新動能具有重要的實(shí)踐指導(dǎo)意義。結(jié)合研究結(jié)論提出以下建議：

（1）OIC平臺、用戶要注重挖掘具有高關(guān)注度的優(yōu)勢產(chǎn)品來激勵(lì)創(chuàng)新。對用戶而言，可以傾向于選擇高關(guān)注度的知識產(chǎn)品進(jìn)行觀察學(xué)習(xí)和改進(jìn)創(chuàng)新，這樣更有可能產(chǎn)出更有價(jià)值的重混作品，同時(shí)為個(gè)人贏得更好的聲譽(yù)。對創(chuàng)新平臺的管理者而言，可以構(gòu)建知識產(chǎn)品的受關(guān)注量、作品聲譽(yù)、重混創(chuàng)新三位一體的聯(lián)合激勵(lì)機(jī)制，引導(dǎo)用戶圍繞優(yōu)勢產(chǎn)品提供更多的優(yōu)質(zhì)創(chuàng)新。

（2）OIC平臺要注重對用戶貢獻(xiàn)內(nèi)容復(fù)雜性的精細(xì)化管理。由于知識復(fù)雜度低的產(chǎn)品貢獻(xiàn)率低，高復(fù)雜度的產(chǎn)品難以被認(rèn)知理解。對于用戶而言，必須提升創(chuàng)新過程中的知識意識，綜合考慮知識產(chǎn)品的可理解性和知識貢獻(xiàn)水平，以使得創(chuàng)新工作能發(fā)揮其價(jià)值。對OIC管理者而言，一方面通過設(shè)計(jì)更為精細(xì)化的分享機(jī)制提升知識產(chǎn)品的可理解性，另一方面對知識復(fù)雜度適中的典型產(chǎn)品以精品方式進(jìn)行推介，通過提升產(chǎn)品的可利用性來促進(jìn)重混創(chuàng)新。

（3）OIC平臺必須重視營造更為活躍、多元的交互環(huán)境和氛圍來促進(jìn)創(chuàng)新。通過在OIC建立推行創(chuàng)意討論積分制，對參與他人創(chuàng)意討論并對知識產(chǎn)品改進(jìn)做出貢獻(xiàn)的用戶給予積分獎勵(lì)，鼓勵(lì)用戶與同伴之間的多方交互。OIC依據(jù)重混創(chuàng)新作品對平臺的知識貢獻(xiàn)率，區(qū)別資深用戶和普通用戶，針對不同用戶采取有所側(cè)重的交互策略。例如，鼓勵(lì)普通用戶直接參與交互；鼓勵(lì)資深用戶和同伴積極參與用戶創(chuàng)意討論，為資深用戶營造積極的、支持性的創(chuàng)新氛圍。

3.2 研究展望

本文嚴(yán)格遵照研究規(guī)劃進(jìn)行設(shè)計(jì)，力求以客觀分析和科學(xué)方法驗(yàn)證研究模型與假設(shè)。但是，仍然存在一些局限性，具體分析如下：第一，本文僅僅以3D打印產(chǎn)品這一IT產(chǎn)品為研究樣本，未能廣泛采納其他產(chǎn)品領(lǐng)域的OIC社區(qū)信息和知識產(chǎn)品樣本，因此，我們的結(jié)果是否具有普遍意義還有待進(jìn)一步檢驗(yàn)。第二，本文未能考慮用戶評論內(nèi)容質(zhì)量、不同重混模式等深層復(fù)雜因素對知識產(chǎn)品重混的影響作用。因此，多樣本探究OIC中知識產(chǎn)品重混的影響因素并對其進(jìn)行實(shí)證分析，以及用戶評論內(nèi)容質(zhì)量、不同重混模式等深層復(fù)雜因素對知識產(chǎn)品重混有何影響是未來的研究方向。