技术新颖性从何而来？——基于纳米技术专利的分析

王萍萍，王 毅

技术新颖性从何而来？——基于纳米技术专利的分析

王萍萍1，王 毅2

（1.中央财经大学 国防经济与管理研究院，北京 100081；2.清华大学 经济管理学院，北京 100084）

本研究以知识组合理论为基础，将技术新颖性看作是知识单元组合的产物，结合社会网络理论和演化理论的观点，提出知识单元的多样性和依赖度影响技术新颖性的理论框架。知识多样性和依赖度的影响分别通过组合的潜力和组合的实现两种机制予以传导。知识多样性一方面通过提高知识丰富性以及可能组合的方式来增加新颖组合产生的可能性，另一方面会提高吸收、消化这些异质性知识的成本和难度。知识依赖度的影响也存在正反两个方面，正向的影响表现在可以提供以往知识组合的经验从而降低组合的难度，反向的影响表现在路径依赖和僵化制约了新颖的知识组合产生的可能性。以专利数据为样本的负二项回归结果表明，知识多样性和知识依赖度分别对技术新颖性有正向和倒U型的影响，且两者的交互项对技术新颖性的影响显著为正。这一结论在稳健性检验中得到进一步的支持。本研究的贡献在于：第一，打破以个体、团队或组织为对象的研究将创新活动同质化处理的假定，探索了微观的知识单元特征对技术创新活动的影响，对现有的研究是一个重要的补充。第二，从内容（知识多样性）和结构（知识依赖度）两个维度定量分析了不同技术创新活动新颖性差异的原因，揭示了技术新颖性的来源及作用机制。

知识多样性；知识依赖度；技术新颖性；知识组合

0 引言

新颖性一直是创新领域的研究关注的焦点，这是因为新颖性被一致认为是推动技术变革和社会进步的必要条件[1,2]，是高技术企业提升市场竞争力的关键因素，是发明者自身价值的重要体现[3]。大量实证研究表明，一项创意、技术或产品的新颖性与其经济价值呈现一种正相关关系[3–6]，甚至在指标度量上将两者等同处理。但是近年来，一些重要的研究开始意识到，新颖性和价值是两个完全不同的概念，两者无论在概念界定、产生过程和机制还是度量上都有本质的区别[3,7,8]。无论从理论推演还是实证分析上，新颖性都应与技术创新绩效的其他维度，如技术或产品的价值、有用性等区分开来。因此，将新颖性作为一个独立的研究问题，系统地分析新颖性产生的过程、机制、影响因素对于创新理论的发展和创新管理实践都具有必要性和紧迫性[1,9]。

关于新颖性的研究最早可以追溯至Schumpeter[10]和Winter[11]，早期的研究认为组织或者技术的变革是由“突变”造成的。但是与生物进化领域的基因突变不同，组织或技术突变是有章可循的。Becker等[12]在总结Schumpeter和Winter理论的基础上，进一步提出新颖性来源的两种途径：第一种途径是对已有组织惯例（做事情的方式）的新组合。以熊彼特为代表的创新领域的学者普遍认为创新本质上是对已有资源、能力新组合（New combinations）的结果，这种新组合是新颖性的重要来源。第二种途径是组织惯例扩散过程中的不完全性。换句话说，组织惯例在扩散过程中由于不能被完全复制或学习导致“变异”，从而为新颖性产生创造了机会，且如果组织惯例包含的内容之间联系越松散，变异产生的可能性越大。Becker等[12]为后续的研究奠定了重要的理论基础，但是他们没有进一步打开新颖性产生过程的黑箱并分析造成新颖性差异的因素。

基于社会网络理论，Gilsing和Duysters[9]提出企业间合作创新的新颖性是网络关系和网络结构两类因素联合作用的结果。以生物制药和多媒体产业为例的实证分析表明，网络密度、企业间关系强度分别通过影响知识多样性和利用知识的效率影响新颖性。类似地，Subramanian和Soh[13]认为技术新颖性与公司所处的联盟的知识多样性和既往的合作经验密不可分。合作者之间的知识多样化程度越高，表明企业能够获取的外部知识越丰富，越有利于新颖性的产生；同时既往的合作经验可以提高企业对多样化知识的吸收能力从而强化知识多样性与新颖性之间的正向关系。Carnabuci和Operti[14]以公司内部员工的知识多样性和员工之间联系的紧密程度为解释变量，实证分析结果表明员工间关系越密切，越不利于新颖性的产生；员工间知识多样性对技术新颖性有显著的正向影响，且能缓和强关系对新颖性的负向影响。Wang等[15]认为技术新颖性是行为主体的特征和“基因”（知识）本身的特征共同作用的结果，因此他们构造了两层网络——发明者合作网络以及知识网络，发现发明者在个体合作网络中的结构洞和中心度以及发明者所拥有的知识在知识网络中的结构洞和中心度对新颖性均有显著影响。上述研究虽然分析对象和层次不同，但是它们的理论模型具有一致性。首先，研究普遍植根于资源基础观，采用社会网络分析的范式，关注由组织、团队或个体等知识载体[16]为节点构成的知识网络及网络特征对技术新颖性的影响。其次，网络结构和节点间关系影响技术新颖性的核心机制是知识丰富性和组合实现的可能性[17]，无论是企业、团队还是个人层次的因素最终都落脚在可用于组合的知识的丰富性以及将潜在组合变为现实的可能性[18,19]。这些研究初步回答了新颖性来源的问题：1）技术新颖性来源于知识的新组合或重组；2）异质性的知识是创造新颖性的基本要素，知识单元（以组织、团队和个人为载体的知识单元）间的关系会影响知识利用的方式（包括建立新组合或重复利用已有组合的方式）、难度从而影响技术新颖性。但是这些研究通常是以企业[13,14,20–22]、个人[15,23,24]为对象，至少存在两方面的不足。第一，假定特定企业或个人在观测期内的所有技术创新活动都是同质化的，以企业或个人特定时间内的所有技术总体度量新颖性，与技术新颖性的概念界定[1]及测度方法[25]不符；第二，将技术新颖性的差异完全归结为企业、团队或个人因素，忽略了由知识自身特征所限定的惯例和技术演化路径的影响[26,27]，导致无法充分解释不同技术新颖性的差异及其原因[3,28,29]。

为了打开技术产生过程的黑箱，从微观层次解释新颖性的来源，本文以专利为分析对象。已有研究表明，以专利分类号为节点、以分类号在专利中的共现关系为线[3,30–36]构造知识网络能够刻画知识特征、识别技术进步的路径，分析其对知识组合及新颖性的影响[37,38]。一项新技术产生的过程可以看作是知识网络中节点两两之间建立新的连接关系或者是重塑已有连接关系的过程[3,14,32,39]，节点所包含的知识多样性决定了知识组合的潜力，节点与知识网络中其他节点之间的连接关系决定了打破已有连接、建立新的连接的难度和可能性，两者共同作用影响技术新颖性。结合Schumpeter[10]、Winter[11]、Fleming和Sorenson[30,40]、Yayavaram和Ahuja[41]的观点，本研究将一个节点与知识网络中的其他节点的关系称为知识依赖度。之所以称之为依赖度，首先是因为独立、分散的知识单元是没有价值的，必须与其他知识单元进行组合（即依赖于其他知识单元）；其次，当一个知识单元对特定知识单元的依赖度高（即连接强度大），表明利用该知识单元进行新组合的范围和路径较为固定、打破已有连接并将其应用在新的组合中的难度较大。因此，本文提出技术新颖性源于知识组合，但是不同技术新颖性的差异是知识多样性和知识依赖度共同作用的结果的理论框架。下文将重点阐释知识多样性和知识依赖度影响技术新颖性的机理，并选取2010年以前所有在美国专利商标局申请且获得授权的纳米技术专利为样本对理论模型进行实证检验。与已有研究相比，本文的研究意义在于：第一，将技术新颖性与其它相关概念明确区分开来，并阐述了将新颖性作为一个独立的研究话题的重要意义；第二，本研究将自Schumpeter时期开始至今的关于新颖性的主要研究进行梳理，提炼了一个暗含在不同研究中的、一致的理论框架，解释了组织、团队和个人层面上新颖性的来源及差异的根本原因；第三，基于现有研究的不足，立足于技术层次的分析，结合已有研究成果、知识组合理论和社会网络分析的范式，提出知识多样性和知识依赖度影响技术新颖性的理论框架，并对其进行实证检验，在微观层次阐释了技术新颖性的来源及差异产生的原因。一方面是弥补了现有研究在微观层次的不足，另一方面通过不同层次间的模型对比以及最新研究成果与早期理论的对话，刻画了新颖性研究的发展脉络和轨迹。此外，本研究对于指导企业或个人的技术创新管理实践、技术预测和评价具有重要的意义。

1 文献回顾与研究假设

根据知识组合理论，一项新技术的产生在微观层次表现为一组知识单元建立或改变连接关系的过程。在这一过程中，知识多样性和知识依赖度分别通过影响知识组合的潜力和将潜在的、可能的组合转换为技术的能力从而影响技术新颖性[3,42,43]。知识组合的潜力是指由知识单元所包含的内容给定的、可能组合的类型的多少，异质性知识单元越多，能够产生的组合的种类也会越多[25,32,34]；但是并非所有可能的组合都是有价值的或可行的，最终技术的产生与将潜在组合变为现实的成本、难度等因素息息相关[44,45]。

1.1 知识多样性对技术新颖性的影响

知识多样性是创新领域非常重要的概念，是促进创新和生产率提高的重要因素[46–49]。知识多样性是一个多层次的概念[18,50]，本文将知识多样性定义为一组知识单元在内容上的差异，即不同的知识单元在多大程度上来源于不同的知识领域[3,14,39,49]。知识多样性分别通过影响知识组合的潜力和知识组合的实现影响技术的新颖性。

首先，知识多样性对组合的潜力有正向的影响。这是因为，知识多样性越高，表明知识单元携带的知识内容越丰富，可能的组合类型越多，从中产生新颖程度较高的组合的可能性也越大[46,51,52]。此外，知识多样性越高，越有利于突破已有的知识组合路径，避免知识组合过程中的路径依赖陷阱，从而产生更加新颖的技术解决方案[3,46,53–56]。其次，知识多样性会对知识组合的实现有负向的影响。这是因为，知识的消化和利用是有成本，且随着知识多样性的提高，这种成本也在不断增加[39,57–59]；同时，不断增加的多样化知识会造成吸收能力的相对下降，从而带来“信息过载”的问题[53,60,61]。

因此，知识多样性对技术新颖性的影响是正向和负向影响此消彼长的结果，当知识多样性很低时，增加知识多样性带来的正效应较为显著，可是当知识多样性超过某一水平时，边际影响开始为负。在以企业为分析对象的研究中，存在诸多关于知识多样性非线性影响的证据。比如Sampson[49]分析了联盟合作者之间知识多样性对联盟结束之后企业的技术产出的影响。实证分析结果表明联盟合作者知识多样性对企业的技术产出的影响为倒U型的。类似的倒U型影响在Jiang等[62]、Phelps[18]、Duysters和Lokshin[57]、Lin[63]、Carnabuci和Operti[14]、Wuyts和Dutta[64]、Subramanian和Soh[13]的研究中也得到实证支持。基于上述分析，本文提出：

假设1：知识多样性对技术新颖性的影响呈现倒U型。

1.2 知识依赖度对技术新颖性的影响

从已有文献来看，关于知识依赖度的研究寥寥可数。其中，最早的一篇文章来自于Fleming和Sorenson[30]，他们针对大量专利数据的分析结果发现知识依赖度对专利的有用性（代理变量为专利被引用的次数）有倒U型的影响。Yayavaram和Ahuja[41]分别从知识依赖度的两个极端情况分析了知识依赖度对专利有用性的影响（代理变量同样为专利的被引用次数），研究结论指出知识依赖度对专利的有用性的影响表现为倒U型。虽然他们的研究肯定了知识依赖度在影响专利质量中的作用，但是仍然存在一些没有解决的问题。首先，考虑到技术有用性和新颖性之间的差异[3]，知识依赖度对技术新颖性的影响是否仍然为倒U型？其次，Fleming和Sorenson的研究侧重于数量分析，对影响背后的理论机制的探讨不足。此外，Yayavaram和Ahuja[65]的研究因变量为一个公司所有的专利被引用次数的加总，并不能反映不同技术之间的差异性和内在的规律。但是Yayavaram和Ahuja[65]提到，知识的依赖度越高，表明知识的专用性越强、延展性越差，将其应用于新的情景进行组合的难度较高。如果新技术是在已有组合的基础上产生的，当其中某些知识单元已经与其他知识单元建立了强连接，那么打破这些连接建立新的连接的难度会比较大。综合知识组合理论、社会网络理论领域的相关研究，本文认为知识依赖度分别通过影响知识组合的潜力和知识组合的实现来影响技术新颖性。

首先，知识依赖度对知识组合的潜力有负向的影响。根据前文对知识依赖度的定义，知识依赖度反映了一个知识单元与整个知识网络中其他知识单元的依赖关系。那么，知识依赖度越高，表明该知识单元在以往的知识组合中与其他知识单元之间存在强连接，强连接表明该知识单元组合的路径较为成熟和固定，知识的专用性比较强，组合的范围和空间较为有限；且强连接意味着该知识单元在以往的组合中利用的频次越高，知识价值的消耗越大，因此利用其产生新颖组合的可能性较小[3,66]。其次，知识依赖度对知识组合的实现的影响较为复杂。从路径依赖的角度，知识依赖度越高，一方面表示该知识单元组合的路径较为成熟、经验较为丰富[26,27,41]，消化、利用知识的难度降低；另一方面也意味着打破原有连接建立新连接的难度较高，产生“变异”的可能性较小，很难通过改变现有路径创造新颖的技术[12,67–71]；但是当知识依赖度很低时，表明现有的知识网络中关于该知识单元组合的经验不足，组合具有较高的不确定性，同样不利于知识组合的实现。因此，知识依赖度对技术新颖性的影响也是由正负影响共同作用的结果。于是，本文提出：

假设2：知识依赖度对技术新颖性的影响呈现倒U型。

1.3 知识多样性和知识依赖度的交互作用

从上述分析中可以发现，知识多样性和知识依赖度同时分别作用于组合的潜力和将潜在组合变为现实的能力，甚至通过相同的机制发挥作用（如路径依赖）。因此，本文认为知识多样性和知识依赖度对技术新颖性的影响可能存在交互作用。

虽然相关的研究并不多见，但是仍然存在创新领域的其他研究为本文的理论推导提供有力地支撑。比如，Dunbar[72]分析了科学家的创新行为，结果表明：当科学家之间的依赖关系很强时，异质性的知识可以促使他们采取完全新颖的思维方式。Ahuja和Katila[73]从创新搜索的角度分析了搜索的宽度和深度对企业新产品开发的影响。他们认为，搜索宽度和搜索深度会互相调节彼此对新产品开发数量的影响。这是因为，增加搜索宽度意味着在知识组合中加入新的知识单元，从而提升了新颖的组合产生的机会；同时搜索深度提高意味着对知识的消化和理解更加深刻，吸收能力增强。两者的交互作用会增加知识组合的唯一性。Carnabuci和Operti[14]认为，当组织的结构不利于创造性地知识组合时，可以通过增加知识多样性来打破过度依赖现有知识组合解决问题的方式。例如，当知识单元的依赖度较高时，可以通过增加知识单元的多样性从而打破“本地陷阱”[53]。Gilsing和Duysters[9]也提到由网络密度决定的知识多样性和节点之间的关系强度存在交互作用。

综上所述，技术新颖性的产生不仅取决于知识组合的潜力，更取决于是否能够将潜力变为现实的能力。因此，无论当知识多样性很大（组合的潜力很高）、知识依赖度很小（组合的实现很难），还是知识多样性很小（组合的潜力很低）、知识依赖度很大（组合的路径很清晰）时，均不能使得产生的技术新颖性最大化。只有在两者取某个值时，能够获得组合潜力和组合实现的最佳平衡和匹配，此时的技术新颖性才是最高的。基于此，本文提出：

假设3：知识多样性和知识依赖度的交互项对技术新颖性有显著的影响。

2 数据来源及研究方法

2.1 样本选取与数据收集

由于知识组合理论关注的是知识单元之间的连接和组合，即认为知识是可切割的、且知识单元之间的连接关系是可追踪的。创新领域的学者一致认为，尽管以专利数据反映技术创新活动存在一定的局限性，但是专利的分类规则以及专利数据所包含的信息为追踪微观的知识活动提供了可能性。因此，知识组合的研究可以以一项专利代替一项技术，代表特定技术功能的专利分类号表示知识单元，分类号的共现关系表示知识单元之间的连接关系，由此对发明的微观过程进行刻画[33,41,74,75]。

本文选取了创新活动、专利申请都相对比较活跃的纳米技术行业。多领域、多学科知识交叉是纳米技术的典型特征，非常适用于进行知识组合的相关分析[76]。纳米技术的第一项专利于1972年提出申请，同时考虑到专利授权的滞后性，本文检索了1972-2010年间在USPTO申请并获得授权的纳米技术专利。最终获得有效专利数9328条。样本随时间变化趋势如图1所示。从中可以发现，1990年之后，授权纳米专利数快速增加。这一现象背后的原因在于：一方面，全球纳米科学取得重大突破，正式进入高速发展期；另一方面，美国于1991年正式将纳米技术列入“国家22项关键技术”，进一步推动全球纳米技术快速发展[77]。统计纳米技术专利的分类号可以发现，一项纳米技术至少包含2个分类号，也就是说一项纳米技术至少包括两组技术功能（或知识单元）。这一特征进一步表明样本选择的合理性。

Figure 1 The trend of Nanotechnology patents

2.2 变量定义及测量

（1）因变量—技术新颖性：本文用专利的后向引用数来衡量新颖性。根据已有研究的惯例，以专利来表示技术、以专利信息构造相关变量是较为有效的方法。通常，学者们采用专利的前向引用[78]、后向引用[5,53,79–82]、权利声明[83]信息来测度技术创新绩效，但是根据Witt[1]对新颖性的定义以及Verhoeven等[25]对新颖性测度的研究结论，采用专利的后向引用数来做新颖性的代理标量是最为合理的选择。专利的后向引用信息反映了其所在领域的知识特征。根据Ahuja[53]，Banerjee[80]和Trajtenberg[5]等人的观点，专利的后向引用数越少意味着先行技术越少，该专利的新颖性越高。还有一些学者认为，专利的后向引用数越少，说明该专利的唯一性越强、与现有专利相比的差异性越大[79,81,82,84]。因此，本文以专利的后向引用数来做新颖性的代理变量。变量取值为非负的整数，为计数变量。需要强调的是，后向引用数取值与新颖性程度的方向相反，后向引用数越多新颖性越低，反之亦然。

（2）自变量

其中，i表示专利的N个分类号中属于第个大类的分类号的个数占分类号总数的比例。为了进一步阐述知识多样性的计算方法，以专利号为US6031970A和US6033624A的专利为例，计算过程如表1所示。

表1 知识多样性计算示例

知识依赖度：根据前文定义，知识单元的依赖度反映了一个知识单元与知识网络中其他知识单元的连接关系。因此，本文采用Fleming和Sorenson[30]的方法，分两步对知识依赖度进行测度。对于包含N个分类号的专利，知识依赖度IND的计算为：

第一步，计算分类号组合的容易程度E：

第二步，专利的组合容易程度为N个分类号E的算术平均，求倒数即可得专利的知识依赖度：

知识依赖度的计算较为复杂，本文采用Python2.7版本软件通过编程予以实现。

（3）控制变量。遵循现有的研究惯例，本文还控制了其他可能影响技术新颖性的因素。首先，本文控制了联合申请人数的影响。因为，联合申请人数越多，意味着在知识组合过程中的资源和知识越丰富，从而会影响技术的新颖性[31,34]。基于相似的原因，本文控制了发明者的个数[4]。Xiao[87]认为，在考虑了知识多样性的影响的同时不应忽视知识单元个数（即分类号数）的影响。与知识单元个数不同，知识多样性侧重于度量知识的分布和差异化程度。如表1 所示，两个专利的分类号数均为9，但是知识多样性存在差异。且Fleming[30]的研究表明，一项发明包含的知识单元的个数对该发明的有用性的影响是显著的，因此在本研究中对此予以控制。

3 实证结果与分析

3.1 描述性统计与回归模型选择

变量的描述性统计结果如表2所示。其中，技术新颖性的反向代理变量——专利后向引用数是取值非负的计数变量。根据描述性统计结果，专利后向引用数的均值为23.56，方差为2474.875，方差远大于均值，即存在“过度分散”问题，不符合泊松回归“均值方差相等”约束条件，考虑使用负二项回归对模型进行估计。

表2 描述性统计

从相关系数矩阵来看，各自变量与因变量的相关系数及方向基本符合预期，且自变量之间的相关系数较小。同时根据Aiken & West[88]、Cohen等[89]以及Hayes[90]的建议，在涉及交互作用的模型中，为了使回归方程的系数更具有解释意义，对模型中的自变量和控制变量进行中心化处理，交互项由中心化之后的变量的乘积生成。

3.2 负二项回归分析

如前文所述，由于因变量取值为非负整数，因此考虑使用负二项回归对模型进行估计（见表3）。从回归结果来看，每个模型的alpha95%的置信区间均不包含0值，即拒绝过度分散参数alpha=0的原假设，据此可以判断用负二项回归模型是比较合适的。且所有模型的统计量LR chi2均通过整体显著性检验，说明模型整体是显著的。此外，从模型的平均VIF值来看，可以判断变量间不存在多重共线性问题。

在模型2中，知识多样性的系数为负，且显著（β=-0.162，p=0.079），说明知识多样性对新颖性有显著的正向影响①因为代理变量与因变量方向相反，因此系数为负说明存在正向影响。模型3至模型6均做相同解释。；为了检验知识多样性的非线性影响，模型3加入了知识多样性的平方项，结果表明知识多样性的一次项系数为负（β=-0.265，p=0.007），二次项系数也为负（β=-1.566，p=0.004）。模型4和模型5检验了知识依赖度对新颖性的影响，从模型5可知知识依赖度的一次项系数为负（β=-0.305，p=0.000），二次项系数为正（β=0.025，p=0.000）。当自变量对因变量的影响是非线性时，交互作用的判断较复杂，仅通过交互项系数来判断往往会对结果产生错误的解读，需结合图形予以分析[91]。

表3 负二项回归结果（因变量为后向引用专利数）

注：括号中数值为标准误差；* p < 0.1, ** p < 0.05, *** p < 0.01

为了更准确的判断知识多样性和知识依赖度对技术新颖性的交互作用，本文利用STATA软件的Surface命令，将知识多样性、知识依赖度和技术新颖性三者的关系以三维图的形式展现出来（见图2）。从三维图中可以看出，知识依赖度和技术新颖性之间呈现倒U 型关系，结合回归结果可得，假设2得到支持。知识多样性和技术新颖性之间的关系整体为正向的，结合回归结果可知，假设1没有得到支持。同时，结合表4的负二项回归结果和三维图，可以判断知识多样性和知识依赖度的交互项对技术新颖性有显著的正向影响。交互项显著为负，说明多样性的正向调节作用成立，假设3得到支持。

此外，从图中可以发现，当知识多样性很小、知识依赖度很大时，此时技术的新颖性是最低的，进一步验证了前文的理论。这是因为当知识依赖度很大时，增加知识多样性能够避免路径依赖陷阱，两者形成补偿效应；但是如果知识多样性程度很低，会进一步强化路径依赖，此时几乎不可能产生新颖的知识组合。

图2 知识多样性和知识依赖度对新颖性的影响

Figure 2 The influence of knowledge diversity and knowledge interdependence on novelty

4 稳健性检验

为了增加结果的可靠性，本文进行了稳健性检验。稳健性检验的实施方法是，改变新颖性的代理变量，重新进行回归分析。在已有的研究中，独立权利要求数是另外一种常用的衡量专利新颖性的指标[2,83]。Tong和Frame[83]最早应用这一指标来衡量国家的技术创新能力。权利要求反映了专利保护的范围或宽度[92]，权利要求（尤其是独立权利要求）数越大，说明专利保护的范围越宽，专利的新颖性越高[93]。Xiao[34]认为独立权利要求反映了该专利包含的知识的唯一性和新颖性程度。因此本文以独立权利声明数作为新颖性的代理变量，重新进行回归分析。权利声明数与新颖性的取值方向一致，即权利声明数越多，新颖性程度越高。

独立权利声明数的均值为2.79，方差为3.35，考虑使用负二项回归。并在回归中根据alpha值进一步对模型选择进行判断和验证。负二项回归结果如表4所示。

从稳健性检验回归结果可知，各自变量对因变量的影响均与表4回归分析结果一致。虽然模型3中知识多样性的二次项和模型6中交互项的系数不显著，但是系数的方向均为正，与表3的回归结果一致。稳健性检验结果表明，本研究的理论框架较为合理，实证分析结果较为可靠。同样地，在回归分析基础上，本文绘制了知识多样性、知识依赖度和技术新颖性的三维图，如图3所示。对比图2和图3可知，各变量和因变量的关系始终保持一致。

表4 稳健性检验（因变量=独立权利要求数）

注：括号中数值为标准误差；* p < 0.1, ** p < 0.05, *** p < 0.01

图3 知识多样性和知识依赖度对新颖性的影响（稳健性检验）

Figure 3 The influence of knowledge diversity and knowledge interdependence on novelty (robust check)

5 结论与讨论

5.1 研究结论

本文分析并检验了知识多样性和知识依赖度对技术新颖性的影响，得到以下结论：

首先，知识多样性对技术新颖性有正向影响。当进行组合的知识单元的多样性越高时，由此产生的专利的新颖性也会越高。这一结论与本研究假设所预期的不符，倒U型关系没有得到验证的原因可能是：纳米技术作为一门通用的、跨学科技术，相较于其他技术（如化学、生物技术等）而言，更需要多样化的知识[76,94,95]。在美国国家科学基金会和美国商务部发布的系列联合报告中，Rocco和Bainbridge[96]对纳米技术的特征进行了详细的描述。他们指出纳米技术涵盖了诸多学科领域，包括工程、生物、化学、材料科学和计算机。Nordmann[97]在为欧盟联合研究中心提供的报告中做出了类似的评价。从针对纳米技术的实证研究结果来看，知识多样性对技术新颖性主要呈现一种线性的、正向影响[98–101]。同时，以往的能够验证知识多样性的倒U型关系的研究，其样本来源主要是电信设备行业[18,49]、生物技术领域[13]、半导体行业[14]等。Strumsky和Lobo（2015）对1830-2014年间所有在USPTO申请并获得授权的专利进行了描述性统计分析，计算结果显示USPTO所有获得授权的专利平均拥有的分类号数为3.4，而本研究所涉及的纳米技术的专利平均拥有7个分类号②Strumsky和Lobo的样本包含了1830-2014年所有在USPTO申请并获得授权的专利数据。。正是由于纳米技术的这一特征，导致知识多样性对新颖性的影响始终为正。此外本研究关于知识多样性和技术新颖性的结论也能够从Subramanian和Soh[13]的结论中获得支撑，虽然分析对象是企业，但是她们的研究表明知识多样性与技术新颖性之间的关系显著为正。已有研究结论和本研究实证分析结果充分说明，知识的多样性在技术进步中发挥着绝对主导的作用。

表5 不同分类号个数水平时样本专利数占比

其次，知识单元的依赖度对新颖性的影响表现为倒U型。随着知识依赖度的增加，有助于知识组合的实现，即将潜力转化为技术[102]；当知识依赖度超过某一水平时，表明知识的延展性差、打破现有知识连接进行重新组合的难度大、阻碍了新颖知识组合的产生，知识依赖度对新颖性的影响转变为负。这一实证分析结果与Yayavaram和Ahuja[41]的分析结果一致，与其他以组织或个人为分析对象的研究结论一致，同时也部分呼应了Schumpeter和Winter的观点，即模块之间的关系越紧密，产生“变异”的机会越小。这一结论与技术轨道领域的相关研究也具有一致性，本研究对知识依赖度的度量能够反映技术轨道的累积性，累积性是知识组合路径依赖的基础，累积性越高出现新颖组合的可能性越低[14,26,27,37,103]。

第三，知识多样性和知识依赖度的交互项对技术新颖性存在正向的影响，主要表现在随着知识多样性的增加，倒U型曲线整体上移。这一结论与Gilsing和Duysters[9]的研究一致，他们认为新颖性是网络的结构和网络关系两类因素共同作用的结果，主要表现在网络密度和节点间关系强度对新颖性存在交互影响。Carnabuci和Operti[14]的研究结论也表明，知识多样性和知识单元的关系强度的交互项对新颖性存在显著影响。此外，从分析结果来看，知识依赖度极高、知识多样性极低是不利于新颖性产生的最坏的情形，此时知识组合和技术进步的刚性和路径依赖最强，这一结论与Fleming[30]的分析结果一致。当知识依赖度较高时，知识的潜在价值和组合的潜力较低、打破已有连接建立新连接的难度较大，如果没有新知识注入，那么很难突破路径依赖创造新颖性。知识多样性可以补偿由于知识依赖度高造成的知识价值耗散和路径依赖，在组合潜力和组合实现能力之间找到了最佳平衡点。本文选取了三个知识多样性水平（均值-标准差，均值，均值+标准差），分别绘制了在这三个知识多样性水平时知识依赖度和新颖性的关系，如图4所示。

图4 不同多样性水平下知识依赖度对新颖性的影响

Figure 4 The influence of knowledge interdepence on novelty at different level of knowledge diversity

5.2 研究意义与管理启示

本文在系统梳理已有研究的基础上，提炼已有研究的理论框架，发现已有研究的薄弱之处，在此基础上构建了知识多样性和知识依赖度通过影响知识组合潜力和知识组合实现的能力进而影响技术新颖性的理论模型，厘清了“知识单元—知识组合—技术新颖性”的内在逻辑关系。研究对于相关理论发展与企业管理实践具有重要的意义和启示。

首先，本研究明确将技术新颖性与技术创新绩效的其他维度区分开来，提出技术新颖性作为一个独立的概念和研究问题的必要性和意义，为后续研究奠定基础。正如一些学者所说，个人或组织层次的研究不能真正反映技术本身的内在规律，必须以技术本身为分析对象，才能从根本上揭示新颖性来源的微观基础[28,104]。其次，本研究沿着时间和分析对象的层次两条主线，系统梳理了已有的关于技术新颖性的研究，从中提炼出一个一致的理论框架，揭示新颖性产生的深层次规律，是对已有研究的归纳和升华。第三，本研究立足于已有关于技术新颖性研究的不足，以技术和知识单元为分析对象，分析了技术新颖性来源的微观过程和作用机制，是对已有研究的重要补充。通过本研究，关于技术新颖性的多层次的理论研究都已经具备，建立了不同层次研究之间的关系，为后续学者们探索多层次之间的耦合作用提供了可能性。本文对企业或个人的技术创新管理、技术预测和评估也具有重要的实践指导意义。本文系统阐述了新颖性来源的微观过程，分析了影响技术新颖性的因素，可以为管理者提供参考；本文分析表明，Verhoeven等[25]的测度方法是测度技术新颖性最为有效、恰当的方法，企业或个人可以借此进行技术预测和评估，从而降低创新过程的不确定性和风险。

[1] Witt U. Propositions about novelty[J].Journal of Economic Behavior & Organization, 2009,70(1–2): 311–320.

[2] Reitzig M. What determines patent value?: Insights from the semiconductor industry[J].Research Policy, 2003,32(1):13-26.

[3] Kaplan S, Vakili K. The double-edged sword of recombination in breakthrough innovation[J].Strategic Management Journal, 2015, 36:1435-1457.

[4] Singh J, Fleming L. Lone inventors as sources of breakthroughs: myth or reality?[J].Social Science Electronic Publishing, 2010, 56(1):41-56.

[5] Trajtenberg M, Henderson R, Jaffe A. University versus corporate patents: a window on the basicness of invention[J]. Economics of Innovation and New Technology, 1997,5(1): 19-50.

[6] Phene A, Fladmoe-Lindquist K, Marsh L. Breakthrough innovations in the US biotechnology industry: the effects of technological space and geographic origin [J]. Strategic Management Journal, 2006, 27(4): 369-388.

[7] Amabile T M. Componential theory of creativity[G]. In: Kessler EH, ed., Encyclopedia of Management Theory. Thousand Oaks, CA : Sage Publications, 2013.

[8]Arts S, Fleming L. Paradise of novelty-or loss of human capital? Exploring new fields and inventive output[J]. Organization Science, 2018, 29(6): 1074-1092.

[9] Gilsing V A, Duysters G M. Understanding novelty creation inexploration networks-structural and relational embeddedness jointly considered[J]. Technovation, 2008, 28(10): 693-708.

[10]Schumpeter J A. The theory of economic development: an inquiry into profits, capital, credit, interest, and the business cycle[M]. Piscataway: Transaction Publishers, 1934.

[11]Nelson R R, Winter S G. Toward an evolutionary theory of economic capabilities[J]. American Economic Review, 1973, 63(2): 440-449.

[12]Becker M C, Knudsen T, March JG. Schumpeter, Winter, and the sources of novelty[J]. Industrial and Corporate Change, 2006, 15(2): 353-371.

[13]Subramanian A M, Soh P-H. Linking alliance portfolios to recombinant innovation: The combined effects of diversity and alliance experience[J]. Long Range Planning, 2017, 50(5): 636-652.

[14]Carnabuci G, Operti E. Where do firms’ recombinant capabilities come from? Intraorganizational networks, knowledge, and firms’ ability to innovate through technological recombination[J]. Strategic Management Journal, 2013, 34(13): 1591-1613.

[15]Wang C, Rodan S, Fruin M, et al. Knowledge networks, collaboration networks, and exploratory innovation[J]. Academy of Management Journal, 2014, 57(2): 454-514.

[16]龙勇, 汪谷腾. 模块化组织知识共享对创新绩效影响机制的实证研究[J]. 管理工程学报, 2018(3): 43-51.Long Y, Wang G T. The empirical research about the impact of knowledge sharing of modular organization on innovation performance[J]. Jonrnal of Industrial Engineering and Engineering Management, 2018(3):43-51.

[17]寿柯炎, 魏江. 网络资源观:组织间关系网络研究的新视角[J].情报杂志, 2015, 34(09): 163-169+178.Shou K Y, Wei J. Network Resource-based View: A New Perspectivefor the Inter-organizational Relationship Network Studies[J]. Journal of Intelligence, 2015, 34(09): 163-169+178.

[18]Phelps C C. A longitudinal study of the influence of alliance network structure and composition on firm exploratory innovation[J]. Academy of Management Journal, 2010, 53(4): 890-913.

[19]Mezias S J, Glynn MA. The Three Faces of Corporate Renewal: Institution, Revolution, and Evolution[J]. Strategic Management Journal, 1993, 14(2): 77-101.

[20]Collins C J, Smith KG. Knowledge exchange and combination: the role of human resource practices in the performance of high-technology firms[J]. The Academy of Management Journal, 2006, 49(3): 544-560.

[21]Nooteboom B, Van Haverbeke W, Duysters G, et al. Optimal cognitive distance and absorptive capacity[J]. Research Policy, 2007, 36(7): 1016-1034.

[22]Tzabbar D, Aharonson B S, Amburgey T L. When does tapping external sources of knowledge result in knowledge integration?[J]. Research Policy, 2013, 42(2): 481-494.

[23]Grigoriou K, Rothaermel F T. Structural microfoundations of innovation: the role of relational stars[J]. Journal of Management,2014, 40(2): 586-615.

[24]Gruber M, Harhoff D, Hoisl K. Knowledge recombination across technological boundaries: scientists vs. engineers[J]. Management Science, 2013, 59(4): 837-851.

[25]Verhoeven D, Bakker J, Veugelers R. Measuring technological novelty with patent-based indicators[J]. Research Policy, 2016, 45(3): 707-723.

[26]熊鸿儒, 王毅, 林敏等. 技术轨道研究:述评与展望[J]. 科学学与科学技术管理, 2012, 33(07): 21-28.Xiong H R, Wang Y, Lin M, et al. The Study of Technological Trajectory: Review and Prospect[J]. Science of Science and Management of S.&T., 2012, 33(07): 21-28.

[27]熊鸿儒, 吴贵生, 王毅. 市场轨道理论溯源:技术轨道与市场颠覆[J].技术经济, 2012, 31(07): 7-13.Xiong H R, Wu G S, Wang Y. Theoretical source of market trajectory: technology trajectory and market disruption[J]. Technology Economics, 2012, 31(07): 7-13.

[28]Paruchuri S, Eisenman M. Microfoundations of firm R&D capabilities: a study of inventor networks in a merger[J]. Journal of Management Studies, 2012, 49(8): 1509-1535.

[29]Schoenmakers W, Duysters G. The technological origins of radical inventions[J]. Research Policy, 2010, 39(8): 1051-1059.

[30]Fleming L, Sorenson O. Technology as a complex adaptive system: evidence from patent data[J]. Research Policy, 2001, 30(7): 1019-1039.

[31]Fleming L. Recombinant uncertainty in technological search[J].Management Science, 2001, 47(1): 117-132.

[32]Strumsky D, Lobo J. Identifying the sources of technological novelty in the process of invention[J]. Research Policy, 2015, 44(8): 1445-1461.

[33]Youn H, Strumsky D, Bettencourt LMA, et al. Invention as a combinatorial process: evidence from US patents[J]. Journal of The Royal Society Interface, 2015, 12(106): 1-8.

[34]Xiao T. Highlighting the role of knowledge linkages in knowledge recombination[D]. The Ohio State University, 2015.

[35]Strumsky D, Lobo J, Leeuw S van der. Using patent technology codes to study technological change[J]. Economics of Innovation and New Technology, 2012, 21(3): 267-286.

[36]王萍萍, 王毅. 知识单元特征对发明者知识组合行为的影响——知识网络的视角[J]. 经济管理, 2018(5): 92-107.Wang P P, Wang Y. The characteristics of knowledge componentsand its effect on inventors' knowledge combination behavior: from the knowledge network perspective[J]. Economic Management Journal, 2018(5): 92-107.

[37]Fontana R, Nuvolari A, Verspagen B. Mapping technological trajectories as patent citation networks. An application to data communication standards[J]. Economics of Innovation and New Technology, 2009, 18(4): 311-336.

[38]杨中楷, 刘佳. 基于专利引文网络的技术轨道识别研究——以太阳能光伏电池板领域为例[J]. 科学学研究, 2011, 29(9):1311-1317. Yang Z K, Liu J. Research on identification of technological evolution path based on patent citation network - taking solar photovoltaic panels technology as an example[J]. Studies in Science of Science, 2011, 29(9):1311-1317.

[39]Grebel T. On the tradeoff between similarity and diversity in the creation of novelty in basic science[J]. Structural Change and Economic Dynamics, 2013, 27: 66-78.

[40]Fleming L, Sorenson O. Science as a map in technological search[J]. Strategic Management Journal, 2004, 25(8-9): 909-928.

[41]Yayavaram S, Ahuaja G. Decomposability in knowledge structures and its impact on the usefulness of inventions and knowledge-base malleability[J]. Administrative Science Quarterly, 2008, 53(2): 333-362.

[42]Tiwana A. Do bridging ties complement strong ties? An empirical examination of alliance ambidexterity[J]. Strategic Management Journal, 2008, 29(3): 251-272.

[43]Tzabbar D. When does scientist recruitment affect technological repositioning?[J]. Academy of Management Journal, 2009, 52(5): 873-896.

[44]Dibiaggio L, Nasiriyar M, Nestal L. Substitutability and complementarity of technological knowledge and the inventive performance of semiconductor companies[J]. Research Policy,2014,43(9): 1582-1593.

[45]Kauffman S, Lobo J, Macready WG. Optimal search on a technology landscape[J]. Journal of Economic Behavior & Organization, 2000, 43(2): 141-166.

[46]Van Den Bergh JC. Optimal diversity: increasing returns versus recombinant innovation[J]. Journal of Economic Behavior & Organization, 2008, 68(3): 565-580.

[47]Nystrom P C. Managing diversity and interdependence: an organizational study of multidivisional firms[J]. ILR Review, 1976, 29(4): 628-630.

[48]Stirling A. A general framework for analysing diversity in science,technology and society[J]. Journal of the Royal Society Interface, 2007, 4(15): 707-719.

[49]Sampson R C. R&D alliances and firm performance: the impact of technological diversity and alliance organization on innovation[J]. Academy of Management Journal, 2007, 50(2): 364-386.

[50]彭凯, 孙海法. 知识多样性、知识分享和整合及研发创新的相互关系——基于知识IPO的R&D团队创新过程分析[J]. 软科学, 2012(09): 15-19.Peng K, Sun H F. The Relationship between Knowledge Diversity，Knowledge Sharing and Integration and R＆D Innovation-Analysis of R＆D Innovation Based on IPO of Knowledge[J]. Soft Science,2012(09): 15-19.

[51]Burt R S. Structural holes : the social structure of competition[M].Cambridge: Harvard University Press, 1995.

[52]Gilsing V, Nooteboom B, Vanhaverbeke W, et al. Network embeddedness and the exploration of novel technologies: Technological distance, betweenness centrality and density[J]. Research Policy, 2008, 37(10): 1717-1731.

[53]Ahuja G, Lampert C M. Entrepreneurship in the large corporation: A longitudinal study of how established firms create breakthrough inventions[J]. Strategic Management Journal, 2001, 22(6-7): 521-543.

[54]Greve H R. Exploration and exploitation in product innovation[J]. Industrial and Corporate Change, 2007, 16(5): 945-975.

[55]Jansen JJP, Van Den Bosch FAJ, Volberda HW. Exploratory innovation, exploitative innovation, and performance: effects of organizational antecedents and environmental moderators[J]. Management Science, 2006, 52(11): 1661-1674.

[56]Weisberg R W. Creativity and knowledge: A challenge to theories[J].1999: 226-250.

[57]Duysters G, Lokshin B. Determinants of alliance portfolio complexity and its effect on innovative performance of companies [J]. Journal of Product Innovation Management, 2011,28(4): 570-585.

[58] Bercovitz J, Feldman M. The mechanisms of collaboration in inventive teams: Composition, social networks, and geography[J]. Research Policy, 2011, 40(1): 81.

[59] Terjesen S, Patel P C, Covin J G. Alliance diversity, environmental context and the value of manufacturing capabilities among new high technology ventures[J]. Journal of Operations Management, 2011, 29(1/2): 105-115.

[60] 朱亚萍. 企业知识专门化与探索式创新绩效:研发网络知识整合的悖论[J]. 宁波大学学报(人文科学版), 2014(02): 102-107.Zhu Y P. Knowledge Specification of Focal Firm and Exploratory Innovation Performance: A Paradox in the Knowledge Integration of Research and Development Network[J]. Journal of NingBo University(Liberal Arts Edition), 2014(02): 102-107.

[61] 赵云辉. 知识多样性对跨国公司知识转移绩效的影响研究——知识一致性的调节效应[J]. 技术经济与管理研究, 2016(9): 10-14.Zhao Y H. Impact of Knowledge Diversity on MNCs Transfer Performance-Moderator Effect of Knowledge Consistency[J]. Technoeconomics & Management Research, 2016(9): 10-14.

[62] Jiang R J, Tao Q T, Santoro M D. Alliance portfolio diversity and firm performance[J]. Strategic Management Journal, 2010, 31(10): 1136-1144.

[63] Lin C, Wu Y-J, Chang G C, et al. The alliance innovation performance of R&D alliances - the absorptive capacity perspective[J]. Technovation, 2012, 32(5): 282-292.

[64] Wuyts S, Dutta S. Benefiting from alliance portfolio diversity: the role of past internal knowledge creation strategy[J]. Journal of Management: Official Journal of the Southern Management Association, 2014, 40(6): 1653-1674.

[65] Hargadon A, Sutton R I. Technology Brokering and Innovation in a Product Development Firm[J]. Administrative Science Quarterly, 1997, 42(4): 716-749.

[66] Arts S, Veugelers R. Technology familiarity, recombinant novelty,and breakthrough invention[J]. Industrial and Corporate Change, 2015, 24(6): 1215-1246.

[67] Winter S G, Szulanski G. Replication as Strategy[J]. Organization Science, 2001, 12(6): 730-743.

[68] Winter S G. Economic" natural selection" and the theory of the firm[M]. California: Institute of Business and Economic Research, University of California, 1964.

[69] Winter S G. Satisficing, selection, and the innovating remnant[J]. Quarterly Journal of Economics, 1971, 85(2): 237-261.

[70] Winter S G, Nelson R R. An evolutionary theory of economicchange[M]. Cambridge: Harvard University Press, 1982.

[71] Nelson R R, Winter S G. A case study in the economics of information and coordination the weather forecasting system[J].Quarterly Journal of Economics, 1964, 78(3): 848-868.

[72] Dunbar K. How scientists think: On-line creativity and conceptual change in science[J]. Creative thought: An investigation of conceptual structures and processes, 1997, 4.

[73] Katila R, Ahuja G. Something old, something new: a longitudinal study of search behavior and new product introduction[J]. Academy of Management Journal, 2002, 45(6): 1183-1194.

[74] Kelley D J, Aai A, Zahra S A. Where do breakthroughs come from? Characteristics of high-potential inventions[J]. Journal of Product Innovation Management, 2013, 30(6): 1212-1226.

[75] Kaplan S. Strategy and powerPoint: an inquiry into the epistemic culture and machinery of strategy making[J]. Organization Science, 2011, 22(2): 320-346.

[76] Alencar MSM, Porter A L, Antunes AMS. Nanopatenting patterns in relation to product life cycle[J]. Technological Forecasting and Social Change, 2007, 74(9): 1661-1680.

[77] 栾春娟, 侯海燕. 全球纳米科学-技术发展情报分析[J]. 现代情报, 2011, 31(9): 125-128. Luan C J, Hou H Y. Global Intelligence Analysis of Nanoscience &Nanotechnology[J]. Journal of Modern Information, 2011, 31(9): 125-128.

[78] Trajtenberg M. A penny for your quotes: patent citations and the value of innovations[J]. The RAND Journal of Economics, 1990, 21(1): 172-187.

[79] Agarwal R, Hoetker G. A faustian bargain? The growth of management and its relationship with related disciplines[J]. The Academy of Management Journal, 2007, 50(6): 1304-1322.

[80] Banerjee P. Resource dependence and core competence: insights from Indian software firms[J]. Technovation, 2003, 23(3): 251-263.

[81] Dahulin K B, Behrens D M. When is an invention really radical?: Defining and measuring technological radicalness[J]. Research Policy, 2005, 34(5): 717-737.

[82] Lanjouw J O, Schankerman M. Characteristics of patent litigation: A window on competition[J]. RAND Journal of Economics (RAND Journal of Economics), 2001, 32(1): 129-151.

[83] Tong X, Frame J D. Measuring national technological performance with patent claims data[J]. Research Policy, 1994, 23(2): 133-141.

[84] Sorenson J B, Stuart T E. Aging, obsolescence, and organizational innovation[J]. Administrative Science Quarterly, 2000, 45(1): 81-112.

[85] Leten B, Belderbos R, Van Looy B. Technological diversification,coherence, and performance of firms[J]. Journal of Product Innovation Management, 2007, 24(6): 567-579.

[86] Lin B W. Knowledge diversity as a moderator: inter-firm relationships, R&D investment and absorptive capacity[J]. Technology Analysis & Strategic Management, 2011, 23(3): 331-343.

[87] Rosenkopf L, Nerkar A. Beyond local search: boundary-spanning, exploration, and impact in the optical disk industry[J]. Strategic Management Journal, 2001, 22(4): 287-306.

[88] Aiken L S, West S G, Reno R R. Multiple regression: testing and interpreting interactions[M]. Los Angeles: SAGE, 1991.

[89] Cohen J, Cohen P, West S G, et al. Applied multiple regression/ correlation analysis for the behavioral sciences[M]. New York: Routledge, 2013.

[90] Hayes A F. Introduction to mediation, moderation, and conditional process analysis: a regression-based approach[M]. New York: Guilford Press, 2013.

[91] 乔元波, 王砚羽, 邹仁余. 非线性模型连续调节变量检验的实现方法[J]. 统计与决策, 2017(09): 9-14.Qiao Y B, Wang Y Y, Zou R. An Implement Method on Testing Continuous Moderator Variable in Non-linear Model[J]. Statistics and Decision,2017(09): 9-14.

[92] Hall B H, Jaffe A, Trajtenberg M. The NBER patent citations data file: lessons, insights and methodological tools[J]. Nber Working Papers, 2001.

[93] 万小丽. 专利质量指标研究[D]. 武汉: 华中科技大学, 2009.Wan X L. Study on Indicators of patent quality[D]. Wuhan: Huazhong University of Science and Technology, 2009.

[94] Li X, Chen H, Dang Y, et al. A longitudinal analysis of nanotechnology literature: 1976-2004[J]. Journal of Nanoparticle Research, 2008, 10(S1): 3-22.

[95] Guan J, Shi Y. Transnational citation, technological diversity andsmall world in global nanotechnology patenting[J]. Scientometrics,2012, 93(3): 609-633.

[96] Roco M C, Bainbridge W S. Converging Technologies for Improving Human Performance: Integrating From the Nanoscale[J]. Journal of Nanoparticle Research, 2002, 4(4): 281-295.

[97] Nordmann A, Bruland K, Bibel W, et al. Converging technologies – shaping the future of European societies[R]. European Commission Research, 2004.

[98] Fernandez-Ribas A, Shapira P. Technological diversity, scientific excellence and the location of inventive activities abroad: the case of nanotechnology[J]. Journal of Technology Transfer, 2009, 34(3):286-303.

[99] Beaudry C, Schiffauerova A. Impacts of collaboration and network indicators on patent quality: The case of Canadian nanotechnology innovation[J]. European Management Journal, 2011, 29(5): 362-376.

[100] Pandza K, Wilkins T A, Alfoldi E A. Collaborative diversity in a nanotechnology innovation system: evidence from the EU framework programme[J]. Technovation, 2011, 31(9): 476-489.

[101] Funk R J. Making the most of where you are: geography, networks, and innovation in organizations[J]. Academy of Management Journal, 2014, 57(1): 193-222.

[102] 郑德叶. 母子公司知识异质性与创新绩效的关系研究[D]. 杭州：浙江工业大学, 2012.Zheng D Y. The relationship between knowledge heterogeneity and innovation performance in parent-subsidiary corporation[D].Hangzhou: ZheJiang University of Technology, 2012.

[103] Hohberger J. Combining valuable inventions: exploring the impact of prior invention value on the performance of subsequent inventions[J]. Industrial and Corporate Change, 2017, 26(5): 907-930.

[104] 曾德明, 周涛. 企业知识基础结构与技术创新绩效关系研究——知识元素间关系维度新视角[J]. 科学学与科学技术管理, 2015, 36(10): 80-88.Zeng D M, Zhou T. The Relationship Between Knowledge Base and Innovative Performance: A New Relational Perspective of Knowledge Elements[J]. Science of Science and Management of S.&T., 2015, 36(10): 80-88.

Identifying the sources of technological novelty:Empirical analysis based on nanotechnology patents

WANG Pingping1, WANG Yi2

(1. Institute of Defense Economics and Management, Central university of Finance and Economics, Beijing 100081, China;2. School of Economics and Management, Tsinghua University, Beijing 100084, China)

Innovation has been considered as the result of a combination or reorganization of existing knowledge since Schumpeter. Existing research extensively discusses the impact of individual and organizational characteristics on individual or organizational innovation performance, which helps to explain the differences in performance between individuals or organizations. But these studies usually assume that the innovation or invention activities of individuals or organizations within a certain observation period are homogeneous. In fact, even different inventions carried out by the same person may differ in their novelty or usefulness. Existing studies rarely explain this phenomenon. The purpose of this study is to reveal the micro-foundation of the heterogeneity of different inventions and to explain the path of novel inventions through theoretical and empirical analysis.

Since any patent can be decomposed into knowledge components with different technical functions, patent data provides the possibility to track the connection relationship between knowledge components. Based on the existing research, this study regards patents as a group of combined knowledge components, and each knowledge component is coded as a classification number. New technologies arise from the combination of previously unconnected knowledge components or the reorganization of already connected knowledge components in new ways. Evolutionary theory has long believed that the diversity of components and their relationships are important factors that determine the direction and performance of evolution. Social network theory emphasizes the functional diversity of network nodes and the impact of the connections between nodes on innovation results. Combining evolutionary theory and Social network theory this paper proposes that the diversity and dependence of knowledge components may affect the degree of technological novelty by affecting the potential of the combination and realization. The higher the diversity of knowledge components is, the more abundant the effective knowledge has, and the greater the potential of the possible combinations is. At the same time, diversified knowledge may cause a relative lack of absorptive capacity, thereby increasing the difficulty of knowledge combination realization and increasing the cost of knowledge combination. The higher the degree of knowledge dependence, the more mature the path of using knowledge, and the lower the uncertainty of the knowledge combination, but it will increase the rigidity of creating new combinations and strengthen the path dependence. The net effect of the final impact depends on the trade-off between positive and negative effects. Therefore, this study suggests that knowledge diversity and dependency have a nonlinear effect on technological novelty. And the interaction between the two may also have a significant positive effect on novelty.

In this study, 9328 invention patents in the field of nanotechnology applied for and finally authorized by the United States Patent and Trademark Office (USPTO) from 1972 to 2010 were used as samples to test the theoretical framework. The novelty of a patent is measured by the number of back citations of the patent, and the diversity of knowledge is measured by 1 minus the Herfindahl index calculated according to the technical field where the patent classification number is located. The measurement of knowledge dependency is relatively complicated and is implemented in two steps. First, calculate the degree of ease of each knowledge component combination in the patent, and divide the number of all sub-classification numbers in the previous patent that have a co-occurrence relationship with the sub-classification number i by the number of patents in the previous patent that include the sub-classification number i. Secondly, the arithmetic average of all the knowledge components calculated in the first step and the reciprocal is the value of the patent's knowledge dependency. The negative binomial regression results show that: the negative binomial regression results using patent data as a sample demonstrate that knowledge diversity and knowledge dependency have a positive and inverted U-shape effect on technology novelty respectively, and the interactive terms of the two have an effect on technology. The impact on novelty is significantly positive. This conclusion is further supported in the robustness test. Except that the knowledge diversity hypothesis is only partially supported, the other two hypotheses are both fully supported.

The contribution of this research lies in: First, it breaks the normal research assumption on individuals, teams, or organizations homogenizes innovation activities, and explores the impact of micro-knowledge component characteristics on technological innovation activities as an important additional research. Second, it quantitatively analyze the causes of the differences in the novelty of different technological innovation activities from the two dimensions of content (knowledge diversity) and structure (knowledge dependency), and reveal the source and mechanism of technological novelty.

Knowledge diversity; Knowledge interdependence; Knowledge combination; Technological novelty

F273.1

A

1004-6062(2020)06-0079-011

10.13587/j.cnki.jieem.2020.06.008

2018-07-17

2018-10-27

Supported by the National Natural Science Foundation of China(71172008), the China Postdoctoral Science Foundation(2018M631708) and the Tsinghua University Initiative Scientific Research Program (2015THZWSH07)

2018-07-17

2018-10-27

国家自然科学基金资助项目（71172008）；第63批中国博士后科学基金资助面上项目（2018M631708）；清华大学自主科研计划文科专项项目（2015THZWSH07）

王萍萍（1989—），女，河南沁阳人；中央财经大学国防经济与管理研究院博士后；主要研究方向：技术创新、军民融合等。

中文编辑：杜 健；英文编辑：Boping Yan