---
type: paper
slug: yeokyung-hwang-2025-cognitive-proximity-knowledge-complexity
title: >-
  How similar should collaborators be in inter-organizational learning: Optimal
  cognitive proximity and knowledge complexity
authors:
  - '[[yeokyung-hwang]]'
  - '[[junseokhwang]]'
  - '[[junmin-lee]]'
year: 2025
venue: '[[plos-one]]'
volume: '20'
issue: '12'
pages: e0338402
doi: 10.1371/journal.pone.0338402
categories:
  - '[[innovation-economics]]'
methods:
  - '[[negative-binomial-regression]]'
  - '[[generalized-estimating-equations]]'
  - '[[patent-analysis]]'
  - '[[jaccard-similarity]]'
  - '[[structural-complexity]]'
  - '[[u-test]]'
themes:
  - '[[cognitive-proximity]]'
  - '[[knowledge-complexity]]'
  - '[[inter-organizational-learning]]'
  - '[[absorptive-capacity]]'
  - '[[collaborative-innovation]]'
last_updated: '2026-05-17T20:00:00+09:00'
---
# How similar should collaborators be in inter-organizational learning: Optimal cognitive proximity and knowledge complexity

*[[yeokyung-hwang]], [[junseokhwang]], [[junmin-lee]] (2025)* · [[plos-one]] 20(12):e0338402 · [DOI ↗](https://doi.org/10.1371/journal.pone.0338402)

> [[cognitive-proximity]] 와 [[collaborative-innovation]] 의 inverted-U 관계 (Nooteboom et al. 2007) 가 [[knowledge-complexity]] 가 높아질수록 어떻게 변형되는지를 US biotechnology 부문 patent 자료로 검증한다. USPTO 1976~2024 의 651,937 개 특허, 57,349 unique assignee, 5 년 moving window 의 72,145 dyadic 관측치. Cognitive proximity 는 4-digit CPC 의 [[jaccard-similarity]] 로, knowledge complexity 는 Broekel (2019) [[structural-complexity]] 로 측정. [[negative-binomial-regression]] + [[generalized-estimating-equations]] (GEE) 결과: **collaboration volume** 의 최적점은 complexity 가 높아질수록 *오른쪽* (0.656 → 0.961) 으로 이동하며 곡선이 완만해지고, **collaboration quality** 의 최적점은 *왼쪽* (0.665 → 0.499 → 0) 으로 이동하다 complexity = 4.103 에서 inverted-U 자체가 거의 수평으로 붕괴.

- **RQ**: Knowledge complexity 가 cognitive proximity 의 inverted-U 효과를 어떻게 moderate 하는가? Collaboration volume (partner selection) 과 quality (innovation realization) 차원에서 동일한가?
- **방법론**: [[negative-binomial-regression]], [[generalized-estimating-equations]], [[patent-analysis]], [[jaccard-similarity]], [[structural-complexity]], [[u-test]]
- **데이터**: USPTO biotech-related patent (IPC 11/13/15/16) 651,937 건, 1976~2024, 57,349 US assignee organization. 5-year moving window dyadic panel, N = 72,145 관측치. Variance-to-mean ratio = 14.57 → negative binomial 정당화
- **주요 발견**: Volume 기본 최적점 0.757, Quality 0.622. Complexity 의 moderation 부호 정반대 — Volume 은 rightward shift + flatten (inverted-U 유지), Quality 는 leftward shift + curvature 완전 붕괴 (complexity ≥ 4.103). Cognitive 계수 (Volume M3): linear +3.401***, quadratic -2.248***, 상호작용 quadratic +0.208*. Quality (M6): linear +0.700***, quadratic -0.562**, 상호작용 +0.137*
- **시사점**: Partner selection (volume) 은 absorptive capacity 가 지배하지만, innovation realization (quality) 의 novelty mechanism 은 complexity 가 높아질수록 proximity 와 *disconnect* 됨. 고복잡 도메인에서는 cognitive distance 가 quality 의 예측 변수로 거의 무력화

![예측 collaboration volume (Fig 1) 의 cognitive proximity × complexity 패턴. min complexity (-5.298), median (2.544), max (4.338) 의 세 가지 시나리오에서 inverted-U 가 유지되되 complexity 가 높을수록 정점이 오른쪽으로 이동하고 곡선이 평탄해진다. 본 논문의 핵심 발견 중 *volume 차원* 의 visualization.](/papers/202512_HwangY_How_similar_should_collaborators_be_in_inter_organizational_learning_Optimal_cognitive_proximity_and_knowledge_complexity/fig1.jpeg)

## 요약

본 연구는 Boschma (2005) 의 proximity theory 와 Nooteboom et al. (2007) 의 inverted-U 가 *복잡 지식 환경* 에서도 균일하게 성립하는지를 묻는다. 기존 문헌은 cognitive proximity 와 collaborative innovation 의 inverted-U (moderate similarity 가 [[absorptive-capacity]] 와 novelty 의 균형점) 를 검증해왔으나 (Nooteboom et al. 2007, Cunningham & Werker 2012, Petruzzelli 2011), knowledge complexity 가 absorptive 와 novelty 메커니즘에 어떻게 차별적으로 작용하는지는 미해결.

저자들은 두 차원을 *분리* 한다 — **collaboration volume** (partner selection 의 결과인 co-patent 수) 과 **collaboration quality** (innovation 의 결과인 co-patent citation log 합). USPTO 의 1976~2024 US-based bio-related patent (WIPO IPC concordance 의 11/13/15/16: 생물재료 분석, 의료기술, 생명공학, 제약) 651,937 건, 57,349 assignee, 5-year moving window 의 dyadic panel 로 72,145 관측치 구축. Cognitive proximity 는 4-digit CPC portfolio 의 [[jaccard-similarity]], complexity 는 10-digit CPC 의 knowledge-combination network 위상에서 Broekel (2019) [[structural-complexity]] 로 추정.

[[negative-binomial-regression]] (variance-to-mean ratio 14.57 로 overdispersion 확인) + panel [[generalized-estimating-equations]] (GEE) 로 6 가지 모형 추정. Volume baseline (Model 2): Cognitive +2.943***, Cognitive² -1.744*** — inverted-U 확인 (최적점 0.757). Quality baseline (Model 5): Cognitive +0.209*, Cognitive² -0.206* — inverted-U 확인 (최적점 0.622). Interaction 모형 (Model 3, 6): complexity 와의 상호작용으로 두 차원의 moderation 부호가 *반대* 로 나뉜다. Lind & Mehlum (2010) U-test 와 Haans et al. (2016) shape-test 로 inverted-U 와 turning-point shift 모두 유의 (Volume t = 1100***, Quality t = -11.36***). Robustness: 3-year window, hierarchical CPC 유사도, Poisson GEE, PPML two-way clustering 모두 결과 일관.

저자들의 이론적 기여는 [[absorptive-capacity]] 와 novelty mechanism 의 *분리* 다. Partnership decision 은 complexity 가 높아져도 여전히 mutual understanding 의 필요로 인해 absorptive 가 지배 (rightward shift), 그러나 innovation realization 은 complexity 가 Fleming–Sorenson (2001) 의 "complexity catastrophe" 와 novelty 분산 증가로 인해 proximity 에서 *disconnect*. 함의: 고복잡 도메인 (예: AI × bio, 첨단 신약 개발) 의 partner-selection heuristic 은 quality 보장에 무력. [[junseokhwang]] author page anchor 의 *제 4~5 기* 의 "혁신 생태계 네트워크" 라인 + [[junmin-lee]] 와의 socio-technical transition 협업 라인을 patent-network 측면에서 심화.

## 핵심 결과

| 회귀 결과 | Cognitive | Cognitive² | Cog×Complexity | Cog²×Complexity | Complexity |
|---|---:|---:|---:|---:|---:|
| Volume Model 2 | +2.944*** | -1.744*** | — | — | -0.004 |
| Volume Model 3 | +3.401*** | -2.248*** | -0.187* | **+0.208*** | +0.019 |
| Quality Model 5 | +0.209* | -0.206* | — | — | +0.011 |
| Quality Model 6 | +0.700*** | -0.562** | -0.191** | **+0.137*** | +0.046*** |

> N = 72,145 dyadic 관측치. ∗∗∗ p<0.001, ∗∗ p<0.01, ∗ p<0.05. 5-year moving window panel. Volume dispersion 0.366, Quality dispersion 0.538.

**U-test (Lind & Mehlum 2010)**: Volume 하한 slope +3.379 (t = 12.85, p<0.0001), 상한 -1.096 (t = -2.27, p = 0.012). Quality 하한 +0.695 (t = 3.61, p = 0.0002), 상한 -0.425 (t = -2.28, p = 0.011) → inverted-U 확정.

**Turning-point moderation**: Volume 최적 cognitive proximity 는 min complexity 0.656 → max complexity 0.961 (**rightward**). Quality 는 min 0.665 → median 0.499 → complexity = 3.658 에서 0 → complexity = 4.103 에서 **shape-flip** 으로 inverted-U 자체 붕괴 → 수평 곡선. Curvature 는 두 차원 모두 flatten.

**Control 부호**: Social distance, Geographic distance, Public-Private/Public-Public 모두 부정 (-), Knowledge stock 양 (+). Private-Private 협업이 dominant (88.7%, 63,980 건).

## 방법론 노트

본 연구의 식별 전략 핵심은 Nooteboom et al. (2007) 의 inverted-U 분해 — absorptive (increasing linear) × novelty (decreasing linear) = inverted-U — 에 complexity 를 *3·4 차 상호작용* 으로 추가해 turning-point shift 와 curvature 변화를 동시에 식별한다.

핵심 식:

$$
Y_{i,j,t} = \beta_0 + \beta_1 \mathrm{Cog}_{i,j,t-1} + \beta_2 \mathrm{Cog}_{i,j,t-1}^2 + \beta_3 \mathrm{Cog}_{i,j,t-1} \cdot \mathrm{Cplx}_{i,j,t-1} + \beta_4 \mathrm{Cog}_{i,j,t-1}^2 \cdot \mathrm{Cplx}_{i,j,t-1} + \beta_5 \mathrm{Cplx}_{i,j,t-1} + \mathrm{Controls} + \delta_t + \varepsilon_{i,j,t}
$$

$$
\mathrm{Cog}_{i,j,t} = \frac{|CPC_{i,t} \cap CPC_{j,t}|}{|CPC_{i,t} \cup CPC_{j,t}|}
$$

여기서 $Y_{i,j,t}$ 는 collaboration Volume (co-patent 수) 또는 Quality (citation log 합), Cog 는 4-digit CPC [[jaccard-similarity]], Cplx 는 Broekel (2019) [[structural-complexity]] (10-digit CPC knowledge-combination network 위상 기반). $\delta_t$ 는 time-window fixed effect. 모든 explanatory 는 1 기 lag 으로 내생성 완화. 추정: GEE + negative binomial family + robust SE (variance-to-mean 14.57 의 overdispersion 처리). $\beta_4$ 의 부호가 quadratic curvature 변화를, $\beta_3$ 가 linear shift 를 식별. Volume vs Quality 의 차이는 *동일한 식 위에서 종속변수만 바꾼* 결과이므로 메커니즘 분리가 정확.

## 연구 계보

본 연구는 세 갈래 문헌의 교차점에 위치한다. 첫째, **proximity theory** — Boschma (2005), Cohen & Levinthal (1990) [[absorptive-capacity]], Nooteboom et al. (2007) inverted-U, Petruzzelli (2011), Cunningham & Werker (2012). 둘째, **knowledge complexity 측정** — Fleming (2001), Fleming & Sorenson (2001), Yayavaram & Ahuja (2008), Broekel (2019) [[structural-complexity]], Antonelli et al. (2022). 셋째, **complexity × absorptive interaction** — Winkelbach & Walter (2015), Zhao & Wang (2024), Lang et al. (2014). 방법론적 직접 선조: Nooteboom et al. (2007) 의 inverted-U decomposition + Lind & Mehlum (2010) U-test + Haans et al. (2016) shape-test framework.

[[junseokhwang]] author page anchor 의 *제 4~5 기* 의 "네트워크 구조와 혁신", "혁신과 기업 성과" 실타래의 patent-network 심화. [[keungoui-kim-2019-technology-convergence-patent-network]] 의 CPC co-occurrence 측정 라인을 dyadic proximity 로 확장한 자매 작업이다. [[junmin-lee]] 와는 [[junmin-lee-2020-ride-hailing-china-sociotechnical]] 의 socio-technical transition 협업 라인 (proximity theory 의 social/organizational 측면) 의 patent 차원 응용.

## See also

- [[junseokhwang]]
- [[junmin-lee]]
- [[yeokyung-hwang]]
- [[plos-one]]
- [[cognitive-proximity]]
- [[knowledge-complexity]]
- [[absorptive-capacity]]
- [[collaborative-innovation]]
- [[patent-analysis]]
- [[negative-binomial-regression]]
- [[generalized-estimating-equations]]
- [[jaccard-similarity]]
- [[structural-complexity]]
- [[u-test]]
- [[keungoui-kim-2019-technology-convergence-patent-network]]
- [[yeokyung-hwang-2023-cognitive-proximity-complexity]]
- [[jisoo-hur-2026-knowledge-overlap-inventor-collaboration]]