企业知识互补性

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] — 指标所属日历年t，使用此前五年（t-5至t-1）的专利申请计算；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)
• KnowledgeComplementarity [企业知识互补性] — 参考王泓略等（2020）式（4）至（6），以企业本体此前五年（t-5至t-1）申请的发明及实用新型专利构造国际专利分类前四位领域共现矩阵；同申请同领域去重。用公司窗口内专利数及领域边际频数计算超几何随机共现期望和标准差，观测共现减期望后除以标准差，再先按其它领域专利数、后按本领域专利数作两层加权平均。无量纲，保留负值，越大表示整体共现相对公司内随机基准越强；不限制零至一，不取对数。无窗口观察、少于两领域、任一必要关系方差为零、已识别分类未知或冲突、左窗超出源历史时缺失。公司内原始值为明确操作化，与被引2014外部技术池及归一化不同；论文统计差异未归因，不保证作者同值，受专利规模及源覆盖影响。

常见问题

「企业知识互补性」是什么数据集？

企业知识互补性，隶属创新与知识产权。企业知识互补性反映企业不同技术领域共同参与知识生产的关联强度。

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：企业知识互补性。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 96,855 条观测。

数据是如何测算/获取的？

企业知识互补性的经济含义 企业知识互补性关注不同技术领域能否在企业的知识生产活动中形成紧密的组合关系。参考王泓略等（2020），本数据集以专利中技术领域的共同出现为基础，比较实际共现次数与随机组合条件下的预期次数，刻画企业知识组合相对于自身技术布局的整体关联强度。数值越大，表示企业各技术领域的共现相对于公司内部随机基准越强；该指标反映统计共现关系，并不直接识别知识组合对经济产出的因果效应。 一、构建企业知识基础 设指标年份为t，使用该企业在t-5至t-1年申请的发明和实用新型专利。研究主体为上市公司本体，包括本体参与的联合申请；仅子公司、联营或合营企业申请的专利不归入本体。公司与申请号构成去重单位，同一申请的重复记录不重复计件，存在年份或分类冲突时将受影响窗口保留为缺失。 技术领域取国际专利分类号的前四位，即IPC小类。同件专利涉及多个小类时分别计入，但同一小类下的多个更细分类只贡献一次。以N表示窗口内专利件数，Pj表示其中包含领域j的专利件数，Vjk表示同时包含领域j和k的专利件数。由于一件专利可以属于多个领域，各领域专利数之和可以大于N。 二、计算随机共现基准 保持各领域在公司窗口内的专利数不变，以公司窗口专利作为母体，假定两个领域随机分配到专利。此时共现件数服从超几何分布，其期望为： $$ \mu{jk}=\frac{PjPk}{N} $$ 方差为： $$ \sigma{jk}^{2}=\frac{PjPk(N-Pj)(N-Pk)}{N^2(N-1)} $$ 将观测共现次数减去其随机期望，再除以标准差，得到领域对的标准化共现偏离： $$ \lambda{jk}=\frac{V{jk}-\mu{jk}}{\sigma{jk}} $$ 正值表示实际共现多于随机预期，负值表示实际共现少于随机预期。即使两个领域没有共同出现，只要随机共现方差为正，其负值关系仍参与计算，不能只保留已经出现的共现边。 三、汇总为企业知识互补性 先固定目标领域k，按照其它领域的专利数对其与其它领域的标准化共现偏离加权。自身领域不参与内层平均： $$ WADk=\frac{\sum{j\ne k}\lambda{jk}Pj}{\sum{j\ne k}Pj} $$ 再按照目标领域的专利数进行第二次加权，得到企业知识互补性： $$ Comp=\sumk WADk\frac{Pk}{\sumlPl} $$ 字段KnowledgeComplementarity对应Comp。指标无量纲，保留原始标准化值及其负值，不作零至一归一化，不取对数。公司内部随机基准随专利规模与技术结构变化，比较不同规模企业时应结合其专利活动和知识组合特征解释。 四、零值、缺失与使用边界 当窗口没有可观测本体技术专利、涉及不足两个领域、任一必要领域对的超几何方差为零，或已识别的分类未知、主体对应不明确及申请记录冲突影响窗口时，指标保留缺失。若一个领域出现在窗口全部专利中，其随机共现没有变动空间，不能把相应的零除零结果补成零，也不删除该领域后重新加权。只有关系均可定义且加权结果恰为零时才保留真实零值。当年没有申请但此前五年存在充分输入时，仍可计算当年指标。 输出保留可得的公司年度骨架，包括源内上市前的专利历史；五年前窗越过可得历史起点时保留缺失。早期专利收录和名称归属稀疏、近期公开滞后会影响测量，无观察记录不能解释为现实没有专利。当前分类快照及名称关系回溯可能包含事后信息。地区来自公司档案，行业和证券简称按年度匹配，缺当年记录时可能沿用最新可得值，不能将档案地区解释为逐年迁址轨迹。 补充说明 本数据集按照王泓略等（2020）正文的企业内部共现矩阵及式（4）至（6）进行透明重建，统一公式中混用的领域下标，并明确公司内部超几何母体、专利范围与不可定义关系的缺失规则。其引用的Dibiaggio等（2014）实际先使用全部半导体技术专利构造外部技术关系，并将关系归一化到零至一；本数据集未混入该外部基准和归一化步骤。指定论文未公开完整程序，现有数据下的分布与论文描述统计存在尚不能确定原因的差异，不保证与作者原始数值一致。 严格缺失规则使可用样本更偏向专利较丰富、技术布局较多元且不存在常量领域的公司。该选择性失测、公司内标准化值的规模敏感性和可观测源边界，均应在研究设计中考虑。全行业、全板块扩展也不等于原论文汽车产业样本的数值复现。 参考文献 [1]王泓略,曾德明,陈培帧.企业知识重组对技术创新绩效的影响:知识基础关系特征的调节作用[J].南开管理评论,2020,23(1):53-61. [2]Dibiaggio L, Nasiriyar M, Nesta L. Substitutability and complementarity of technological knowledge and the inventive performance of semiconductor companies[J]. Research Policy, 2014, 43(9):1582-1593. DOI:10.1016/j.respol.2014.04.001.

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。