企业知识差异性

字段字典

• Symbol [股票代码] — 六位数字字符串股票代码；空值不转换为证券代码
• StkName [证券简称] — 按年度匹配的证券简称；当年缺记录时沿用最新可得简称
• Year [年份] — 知识差异性观测日历年t，指标使用t-3至t-1发明申请；保留源内上市前申请历史，不代表全部观测均为上市存续期
• Province [省份] — 公司注册地所在省份
• ProvinceCode [省份代码] — 公司注册地省份行政区划代码
• City [城市] — 公司注册地所在城市
• CityCode [城市代码] — 公司注册地城市行政区划代码(6位)
• County [区县] — 公司注册地所在区县
• CountyCode [区县代码] — 公司注册地区县行政区划代码(6位)
• IndustryCode [行业代码] — 中上协行业分类代码(如C26、J66,按年度动态匹配公司当年所属行业)
• IndustryName [行业名称] — 中上协行业分类名称(按年度动态匹配公司当年所属行业)
• KnowledgeDisparity [企业知识差异性] — 参考梅妍霜、许鑫（2026），以企业本体参与申请的前三年（t−3至t−1）全部技术发明专利所涉及IPC四位领域的去重并集，计算不同领域无序对的平均分类距离：跨部16，同部跨大类8，同大类跨小类4。不含自配对，不按专利频数加权。无量纲，有效范围4至16，越高表示观察知识组合跨领域距离越大。无观察本体发明、少于两个领域、窗口内已识别IPC缺失或冲突时缺失，不填0。全技术推广、去重等权、本体与完整性是明确操作化，非作者同值复现；源快照、早期稀疏、公开滞后及事后重分类限制比较。

常见问题

「企业知识差异性」是什么数据集？

企业知识差异性，隶属创新与知识产权。企业知识差异性衡量企业知识组合中不同技术领域之间的跨度。

该数据集的时间范围是？

覆盖 1985-2025 年。

包含哪些变量/指标？

共 12 个变量。核心指标包括：企业知识差异性。完整字段清单（变量名·中文名·说明）见页面「字段字典」。

数据频率和层级是怎样的？

频率为年度，上市公司层级。

样本量有多大？

约 97,712 条观测。

数据是如何测算/获取的？

测量含义 企业知识差异性反映企业所掌握技术知识之间的领域跨度。知识领域较多，并不必然意味着知识之间距离较远；如果这些领域集中于相邻分类，其跨学科差异仍可能较小。参考梅妍霜、许鑫（2026），本数据集依据国际专利分类的层级差别，刻画企业发明知识组合的跨领域距离。数值越大，表示观察到的不同技术领域之间平均跨度越大。 技术知识领域的识别 以企业本体参与的发明专利申请作为知识载体，包含独立申请及与其他主体的联合申请。按申请年份划分时间，将观测年之前三个完整日历年的发明专利合并。每项专利采用全部国际专利分类号的前四位识别技术领域，同一领域在窗口内重复出现只保留一次。由此得到企业知识领域集合： $$ S{it}=\bigcup{\tau=t-3}^{t-1}\bigcup{p\in P{i\tau}} IPC4(p),\qquad K{it}=|S{it}|. $$ 其中，P 表示企业本体参与的发明申请集合，IPC4 表示专利全部分类号对应的四位小类集合，K 为三年窗口内不同技术领域的数量。三年共同构成观察窗口，不要求每个年度均有申请。按公司与申请号去重，联合申请分别计入实际参与申请的公司本体。 技术领域之间的差异 IPC 四位小类由一位字母表示的部、两位数字表示的大类及末位字母表示的小类组成。按照梅妍霜、许鑫（2026）的层级差异规则，对两个不同领域 a 和 b 定义距离： $$ d(a,b)=\begin{cases}16,&\text{部不同};\\8,&\text{部相同而大类不同};\\4,&\text{部和大类相同而小类不同}.\end{cases} $$ 例如，A61K 与 A61P 属于同一部和大类、不同小类，距离为 4；A61K 与 A01N 属于同一部的不同大类，距离为 8；A61K 与 H01M 属于不同部，距离为 16。这些数值是分类层级差异的离散刻画，并非连续的技术语义距离。 企业知识差异性的计算 在三年知识领域集合内，对所有不同领域组成的无序对计算距离并取算术平均： $$ KnowledgeDisparity{it}=\frac{\sum{a\lt b,\;a,b\in S{it}}d(a,b)}{K{it}(K{it}-1)/2}. $$ 每个不同领域组合具有相同权重，不按专利申请数量加权，不加入领域与自身的配对。有效数值介于 4 与 16 之间。该指标刻画知识组合的领域跨度，不直接衡量专利质量、经济价值或创新绩效。 补充说明 原研究从新能源汽车相关技术范围检索专利，本数据集推广到全行业企业的全部可得技术领域，并保留金融业及 ST/PT 公司。原文给出领域差异赋值及平均思路，但未公开精确聚合程序；去重领域之间等权配对、企业本体范围及完整性处理是本数据集的明确操作化，不声称与作者代码同值。 无观察本体发明或少于两个领域时不存在可计算的成对均值，指标保留缺失。窗口内任一已观察本体发明的领域信息缺失、不可识别或发生申请信息冲突时，该窗口也保留缺失。少于两个领域的缺失处理来自本指标的定义，不能归因于原文知识均衡性段落的单域剔除规则；无记录不等于现实没有专利。 数据保留源内上市前申请历史，不代表所有观测均处于上市存续期。早期专利收录稀疏、近期公开滞后及现行主体映射影响可观测范围。分类号采用当前可得快照，可能包含事后重分类，与申请公开当时首页未必相同；非空分类列表也不保证现实知识组合完全可见。附列地区属于现行档案信息，年度行业及简称缺记录时使用最新可得资料回填。 参考文献 [1]梅妍霜,许鑫.知识跨学科性、技术动荡性与企业关键核心技术创新[J].科技进步与对策,2026,43(5):138-148.DOI:10.6049/kjjbydc.D32024120896.

如何获取该数据集？

通过站内对应淘宝链接下单后，客服发放兑换码；在站内"兑换"页输入兑换码即可获得下载权益并下载。