TEMEP Wiki

How similar should collaborators be in inter-organizational learning: Optimal cognitive proximity and knowledge complexity

Yeokyung Hwang, 황준석, Junmin Lee (2025) · PLOS ONE 20(12):e0338402 · DOI ↗

인지적 근접성 와 collaborative-innovation 의 inverted-U 관계 (Nooteboom et al. 2007) 가 지식 복잡도 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 유사도 로, knowledge complexity 는 Broekel (2019) structural-complexity 로 측정. 음이항 회귀 + 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: 음이항 회귀, generalized-estimating-equations, 특허 분석, Jaccard 유사도, 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.

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 흡수능력 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 유사도, complexity 는 10-digit CPC 의 knowledge-combination network 위상에서 Broekel (2019) structural-complexity 로 추정.

음이항 회귀 (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 흡수능력 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. 황준석 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 결과CognitiveCognitive²Cog×ComplexityCog²×ComplexityComplexity
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:

Yi,j,t=β0+β1Cogi,j,t−1+β2Cogi,j,t−12+β3Cogi,j,t−1⋅Cplxi,j,t−1+β4Cogi,j,t−12⋅Cplxi,j,t−1+β5Cplxi,j,t−1+Controls+δt+εi,j,tY_{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} Cogi,j,t=∣CPCi,t∩CPCj,t∣∣CPCi,t∪CPCj,t∣\mathrm{Cog}_{i,j,t} = \frac{|CPC_{i,t} \cap CPC_{j,t}|}{|CPC_{i,t} \cup CPC_{j,t}|}

여기서 Yi,j,tY_{i,j,t} 는 collaboration Volume (co-patent 수) 또는 Quality (citation log 합), Cog 는 4-digit CPC Jaccard 유사도, Cplx 는 Broekel (2019) structural-complexity (10-digit CPC knowledge-combination network 위상 기반). δt\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). β4\beta_4 의 부호가 quadratic curvature 변화를, β3\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) 흡수능력, 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.

황준석 author page anchor 의 제 4~5 기 의 “네트워크 구조와 혁신”, “혁신과 기업 성과” 실타래의 patent-network 심화. Technology convergence capability and firm innovation in the manufacturing sector: an approach based on patent network analysis 의 CPC co-occurrence 측정 라인을 dyadic proximity 로 확장한 자매 작업이다. Junmin Lee 와는 Sustainability of ride-hailing services in China's mobility market: A simulation model of socio-technical system transition 의 socio-technical transition 협업 라인 (proximity theory 의 social/organizational 측면) 의 patent 차원 응용.

See also

인접 그래프

1-hop 이웃 17개
  • 인물 3
  • 방법론 4
  • 개념 2
  • 주제 1
  • 수록처 1
  • 분류 1
  • 논문 5
황준석Junmin LeeYeokyung Hwang음이항 회귀인지적 근접성특허 분석Jaccard 유사도지식 복잡도흡수능력조직 간 학습PLOS ONE혁신 경제학 How similar should co…
휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동