文章荐读 | 技术团队知识多样性及其对创新绩效的影响研究
文 章 荐 读
技术团队知识多样性及其对创新绩效的影响研究
石静1, 孙建军1,2
1.南京大学信息管理学院，南京 210023
2.南京大学数据智能与交叉创新实验室，南京 210023
摘要
团队创新是“大科技时代”的显著特征。过去关于科学团队创新过程的研究较多，但对技术团队创新的关注不足，关于技术团队知识多样性及其对创新绩效的影响仍不清晰。本文考量技术团队的特征，提出一种新方法用于识别团队，进而构建团队知识网络、测度知识多样性，从创新数量、创新质量、创新广度3个维度探究其对团队创新绩效的影响。研究结果发现，知识多样性可以在上述3个维度显著提升技术团队的创新绩效。当以创新数量为目标时，大团队更能发挥知识多样性的正向效应；但当侧重创新成果的新颖性和创造性时，小团队中知识多样性对创新绩效的提升更明显。本文的研究结论，一方面，可以与科学团队相关研究形成对话，帮助理解科学团队与技术团队在创新过程中的不同特征与机制；另一方面，可以辅助技术研发主体与管理者参照创新目标合理配置资源，以实现理想的创新绩效。
关键词
技术研发; 团队创新; 知识多样性; 创新绩效
引用格式：
石静, 孙建军. 技术团队知识多样性及其对创新绩效的影响研究[J]. 情报学报, 2023, 42(10): 1139-1150.
👈长按识别文章二维码查看全文
0
引言
“大科学”时代，科技创新的规模、复杂性和成本不断提高[1]，推动创新中的个人工作模式向团队工作模式转变。团队创新形式占比提高、团队规模扩大，已经成为现代科技创新的重要特征之一[2-3]。
关于团队创新的研究较多。从研究对象来看，以科学研究团队为主，对技术团队的关注相对较少，这是由于大部分研究的实施者来自科学界。从研究内容来看，早期的团队研究主要聚焦于团队识别与特征分析，通常是将创新成果的合作者视为一个团队，结合作者-作者合著关系、作者-成果归属关系等建立关联网络，在此基础上分析网络连通性、平均路径长度、节点分布规律等指标[4]。但技术创新与科学创新不同：首先，科学与技术在研究目的、对象、语词、逻辑与社会规范上有本质区别[5]，科学研究目的是探究自然社会的基础结构、性能和规律，更追求全新、原创的知识；技术研究则更关注人工自然系统，侧重已有知识的应用。这使得科学与技术具有各自独特的知识积累结构和创新模式[6]，因此，创新团队也相应地具有不同的行为规律。其次，技术创新主要依赖科技企业，而非高校等学术机构，企业中的创新团队往往规模更大，为抢占技术产权获得竞争优势，往往在同一主题下同时进行多个相关方向研究，不放过任何一个可能的突破口，这使得技术团队在定义上就与多数研究中的“合著者”有区别。因此，技术团队创新是一个新的研究场景。
近年来，随着研究的深入，学者开始关注团队结构及其对创新成果的影响，知识多样性是衡量团队知识构成特征的重要指标。根据研究视角的不同，团队多样性的研究可以分为以下几类：社会心理学视角的研究，侧重创新过程中团队成员之间的交互行为，更关注人口多样性；系统学视角，侧重团队系统整体构成与各部分的功能，更关注功能多样性；知识创新视角，更侧重基于原有知识的知识再生产过程，更关注知识多样性。从知识视角出发，本文将科技创新视为一个基于已有知识的知识再生产过程，研究知识多样性及其对团队创新绩效的影响。具体来看，一个团队可能由于引入新成员而引入新的知识，也可能由于原有成员学习了新知识而引入新的知识；与原有知识的关系不同，新增知识可能是与原本知识很相似，也有可能与其相距甚远，这些新增知识会最终体现在团队整体的知识结构变化中，改变团队知识多样性。在技术团队创新情境下，这种知识多样性的变化及其对整体创新绩效的影响仍然不清晰。因此，本文在已有团队知识结构研究的基础上，考虑这一问题情境的特征，提出一种新方法用于识别技术团队、构建团队知识网络、测度知识多样性，进一步探究其对团队创新绩效各个维度的影响。
1
相关研究综述
1.1 团队创新绩效研究
团队是指由两人或两人以上组成的、一组可区分的人，动态地、相互依赖地和适应性地共同针对一个有价值的目标、对象或使命进行互动的组织[7]。本文关注围绕特定的技术研发任务的项目团队，具体涉及发现问题、制定决策、采取行动等环节，是技术创新活动在团队层面的体现，其团队成员往往知识多样、技能互补，创新目标较为复杂、创造性强，是现代技术研发的主体。对技术团队的创新能力进行评估不仅能够考核工作成果、优化资源配置，更能够直接逆向指导团队建设、优化团队管理、提高团队创造力，为团队领导者与创新政策制定者提供参考。
但团队创新能力评估是一个综合复杂的问题，可以从多个视角和维度开展，如团队创造力、创新效率等。团队创新绩效由于定义清晰、操作性强，可以通过直接衡量团队创新成果反映创新目标的完成情况，因此，团队创新绩效成为主流评价指标，在研究和实践领域得到广泛应用。Lovelace等[8]将团队创新绩效看作团队绩效的创新性方面，具体包括创新产品的数量、创新性等。其中，数量测度是使用最早、认可性最强的指标，但随着研究的深入，学者发现以创新性为代表的创新质量也是不容忽视的测度维度。创新质量反映了团队创新产品在技术领域中、经济市场中受到的认可程度，是团队创新绩效的重要方面，也有学者将其表述为原创性、重要性、新颖性等[9]。
具体的测度方法主要包括主观法和客观法。其中，主观法主要是由特定专家、团队领导或成员对创新绩效进行主观评价，主要用于创新过程等隐性成果的评价，受到操作者与评价者个人能力的影响较大。客观法主要是以通过创新成果的统计与评价为主，如直接对团队专利的数量以及被引情况进行测度等[10]，主要适用于有明确的、可识别的创新成果的情况，能够较为客观地反映创新绩效，更具可比性。
1.2 知识多样性及其影响研究
团队多样性衡量团队成员在特定属性上的差异，会对团队绩效产生不同程度的影响，根据关注属性的类别差异，可以分为人口多样性、认知多样性、功能多样性、知识多样性等。其中，知识多样性（knowledge diversity）关注成员在与任务目标有关的知识属性差异，反映团队知识类别的丰富性、平衡性和差异性方面的异质化特征，也反映团队知识组成的种类范围、分布模式和异质化程度[11]，这种“高度工作相关”的多样性往往会对更需创造力或创新性的任务产生重要影响[12]。在现代技术创新过程中，知识主题广泛，任务更为复杂，技术团队需要吸引更多知识异质个体参与其中，构建更加多元化的成员任务网络，拓宽团队知识的来源，为创新目标提供丰富资源[13]。
已有研究对知识多样性与团队绩效的关系有不同的结论。持积极态度的学者占大多数，以信息决策、知识创新理论为主，认为知识多样性为团队提供异质化信息与看待问题的视角，使得团队产生更加科学可行的决策[14]。同时，多来源的信息更有可能产生多样化的解决方案，能够对团队创新成果的数量有积极影响，这一点已在汽车、化工、电子、生物制药等多个领域得到证实[15]。此外，成员知识与经验的多样化能够促进知识共享、利用与吸收[13]，对团队创新成果的创新性维度有显著提升，异质化团队比同质化团队往往能产出更具独创性的成果[16]。对知识多样性对团队绩效影响持消极态度的学者主要是从社会分类、组织协调理论出发，关注知识多样性背后隐含的专业背景、职业经验、认知偏好差异，认为知识多样性违背“相似相吸”原则，导致成员之间携带敌对情绪，缺乏彼此认可感和团队归属感，从而影响团队的认知协调和知识整合过程，对团队绩效产生负面影响[17]。
上述观点的分歧主要是由于不同学者在探究两者关系时考虑的问题情境不同，而知识多样性及其作用机制与问题情境关系很大[12]。学科背景和外部环境因素，带来了不同的理论视角和不同的情境特征，如团队氛围、任务类型、知识结构等，从而对创新绩效产生不同的作用。因此，对知识多样性与创新绩效关系的探究必须结合具体情境具体分析；当前，关于技术团队创新这一情境下的相关研究仍然较少，两者之间的关系也尚待探究。
2
实验设计
2.1 数据获取与处理
专利作为重要的创新成果，是技术团队知识特征与创新能力的综合反映，因此，本文选择专利作为技术团队创新情境下知识多样性与创新绩效关系探究的数据基础，进一步选择在生物制药领域这个专利较多、体系较成熟的领域中进行实证。已有研究通常是将同一专利的合作者作为团队，这种方法已经受到一些质疑[18]。技术创新往往是围绕特定主题的系列活动，单一专利中的合作者可能只是团队的一小部分，没有出现在同一专利中的申请人也不一定不在同一团队。因此，本文采用Salas等[7]对团队的定义，认为团队是具有特定目标，在一定时限内持续合作的群体，提出一种新的方法识别技术团队。
本文的数据来自全球专利数据库（Worldwide Patent Statistical Database，PATSTAT）（2020），选取生物制药领域2017—2019年的合作专利数据（专利发明人≥2）构建发明人合作网络，使用最大连通 图识别算法识别技术团队；关联这些团队成员在2000—2016年的专利申请数据，构建团队知识网络，测度团队知识多样性，技术细节请见本课题组前期的研究工作《科技创新团队的知识网络构建与知识测度研究》[19]。已有研究证明，90%的科技创新团队规模在10~40人，且团队规模会带来成果新颖性的边际递减，新颖性在大约10人的团队中就已经增长缓慢，之后急剧下降[20]。据此，本文将团队规模限制为2~30人，最终得到团队5720支。
2.2 变量定义与测度
（1）知识多样性：是团队层面的知识测度，由成员个体特征组成的高水平组合性指标，包括丰富性（variety）、平衡性（balance）和差异性（disparity）3个维度[21]，Stirling[11]提出一种统一框架，给出了非参数计量公式用于测度学科多样性。本文将其迁移用于测度知识多样性：
其中，sij代表技术知识i 与j 的技术相似度；pi 代表技术 i 在整体知识中的占比；pj 代表技术 j 在整体知识中的占比。
国际专利IPC分类号（international patent classification）是目前国际通用的专利文献分类和检索工具，其根据专利和实用新型所涉不同技术领域，对专利和实用新型进行分类，可以较好地反映专利涉及的知识。本文使用4位IPC分类号表征知识，一个专利可以有多个IPC分类号，一个IPC分类下也可以有多个专利。式(1)中的 sij 表示技术相似度，为提升准确性，本文结合常见的两种测度思路——知识流动[22]和技术耦合[23]，前者基于知识引用关系，后者基于知识共现关系测度相似度——分别测度后取均值作为最终的 sij 。最终计算的多样性指数经标准化后位于0~1，数值越大，代表团队知识多样性水平越高。
（2）团队创新绩效：是团队运用新方法、新程序来应用和创造知识，以获得创新成果的表现，涉及多个维度的特征。本文采用客观方法、利用团队层面的创新成果观测数据，从创新数量（innovation productivity）、创新质量（innovation quality）和创新广度（innovation scope）3个维度测度创新绩效，分别对应专利申请数量、专利被引数量、申请专利所在4位IPC分类数量3个指标。在3.3.2节中使用替换测度指标的方法验证结果稳定性，替代的测度指标分别是专利授权量、专利授权比例和授权专利所在IPC分类去重数量。
已有研究证明，团队创新在大小团队中的表现差异较大[20]。为验证技术团队中知识多样性的效应是否也受到团队规模的影响，进一步将团队规模作为调节变量加入模型。此外，为排除其他情境因素对兴趣变量的影响，将团队技术年龄、团队创新产量和团队创新质量等作为控制变量，全部变量及其描述如表1所示。
3
实证结果和分析
3.1 描述性统计与相关性分析
分析团队规模与知识多样性的分布情况，团队知识多样性均值在0.59，分布较为均匀，但团队规模分布差异较大。为进一步探究不同规模团队中知识多样性的分布与影响，依据团队规模的上四分位点、下四分位点（25%：3；75%：6）将团队划分为大、中、小团队，如图1所示。整体上看，知识多样性在各种规模的团队中分布均较为均匀，小规模团队中的知识多样性相对较低。
图1 不同规模团队的知识多样性分布
各个变量的描述性统计信息如表2所示。全部团队的专利申请量均值为16.55，分布差距较大，专利授权量均值为6.11，整体授权比仅为16%。从专利范围来看，授权专利的范围也比申请专利的范围小，这说明很多团队拓展创新广度的尝试成功率较低。团队平均技术年龄差距较小，均值为5.37，且分布均匀，但不同团队的创新数量和创新质量的差距较大。
图2展示了知识多样性与创新绩效的相关关系。从图2中可以看到，知识多样性与创新绩效的数量、质量、广度3个维度均呈现正相关关系。
图2 知识多样性与团队创新绩效相关性
创新数量与创新质量指标计算已取对数。相关性曲线通过GAM（generalized additive models）模型得到。
图3展示了不同规模团队中两者的相关关系。从图3中可以看到，知识多样性与团队创新绩效的正相关关系在不同规模团队中并没有显著差别，相比于小规模团队，在大规模团队中知识多样性对团队创新数量与创新广度的提升更为明显。
图3 不同规模团队中知识多样性与创新绩效的相关关系图
创新数量与创新质量指标计算已取对数。相关性曲线通过GAM模型得到。
3.2 回归结果分析
本文选择广义线性模型估计知识多样性对创新绩效的影响，表3展示了回归结果，模型1-1~模型1-3汇报知识多样性与团队创新数量的关系。模型1-2显示知识多样性对团队创新数量具有显著的正向效应（p<0.01），当控制住其他可能影响绩效的团队特征后，这种正向效应降低16%（模型1-3）。从创新质量维度看，知识多样性也具有显著正向效应（β=0.38，p<0.01，模型1-5），即使控制其他特征后这种效应也没有减弱，说明这种知识多样性对创新质量带来的提升难以被其他团队属性替代。从创新广度看，知识多样性可以显著提升团队创新的范围（β=0.54，p<0.01，模型1-8），控制变量后效应减弱15%，仍然显著。
团队规模对创新绩效的影响主要体现在数量、广度维度，且影响较小；而对创新质量没有显著影响，也就是说，团队成员的增加可能在一定程度上促进团队在更广阔的领域有更多的产出，但并不会显著提升创新质量。对团队规模的调节效应分析，团队规模能在一定程度上增强知识多样性与团队绩效的正向效应，但也仅限于数量和广度维度。图4展示了团队规模的调节效应，可以直观地看到，在创新数量与广度方面，随着团队规模的增大，知识多样性每增加一个单位，带来了更多创新绩效的提升。
图4 创新数量与创新广度的调节效应
3.3 稳健性检验
为了验证研究结果的可靠性与准确性，本文分别采用改变样本容量与变量替换两种方法进行稳健性检验。
3.3.1 倾向评分匹配
匹配是在条件独立假设上发展出的用于控制协变量的研究策略，方法是对每个协变量的特定值所决定的个体计算处理组与控制组的平均差异，然后用加权平均的方法将平均因果效应汇总到总的因果效应中[24]。本节选择倾向评分匹配（propensity score matching，PSM）方法进行数据匹配，构建实验组和对照组，减少系统性误差。以技术年龄、创新数量与创新质量为协变量，这些属性值在团队建立时就已经确定，满足条件独立假设，可以赋予匹配结果因果解释。为方便清晰观测主效应与调节效应，进一步对团队进行筛选，将知识多样性高于均值一个标准差（0.83）的1089支团队与低于均值一个标准差（0.34）的1147支团队作为样本数据。采用最邻近匹配（nearest neighbor matching，NNM）方法，以倾向评分为依据，在对照组样本中向前或向后寻找最接近实验组样本得分的对象，并形成配对。最终得到392对团队，匹配效果良好。图5展示了匹配分布效果，表4展示了匹配前后指标对比。
图5 PSM匹配效果
对匹配后的784支团队做回归分析，结果如表5所示。对比表3中全样本的回归结果，系数略有变动，但知识多样性对创新绩效的正向效应、团队规模在数量与广度维度的调节效应均显著（图6），充分证明了回归结果的稳健性。
图6 团队规模调节效应
3.3.2 变量替换
本节对因变量进行替换，使用专利授权数量替代专利申请数量测度创新数量，使用专利授权比替代专利被引量测度创新质量，使用授权专利的IPC类别数量替代申请专利的IPC类别数量测度创新广度，数据仍采用PSM匹配得到的392对团队，模型回归结果如表6所示。从整体来看，主效应显著性依然很强，但系数有所降低。尤其是在创新质量方面，系数从0.36（模型2-4）降低至0.07（模型3-4）。授权比例与被引数量均可作为创新质量的合理测度方法，但反映了质量的不同方面。专利授权需要满足3个基本条件：新颖性、创造性与实用性，但是只有获得授权的专利才有可能被引用，因此，被引量是更严格、滞后且动态变化的指标。当使用专利授权的相关指标测度时，团队规模的调节效应发生了较大变化，由增强变为减弱，并且在3个维度上都显著。也就是说，随着团队规模增大，知识多样性对团队创新绩效的正向效应随之减弱，图7展示了调节效应。对比图6和图7，新的测度方式中，相比于大团队，知识多样性更有利于小团队的创新绩效提升。
图7 PSM匹配数据的调节效应
4
结论与展望
4.1 结论与讨论
本文利用连通子图识别算法从专利合作者网络中识别技术创新团队，进而构建团队知识网络，对知识多样性进行测度，探究知识多样性与团队创新绩效的关系。研究结果表明，知识多样性对创新数量、创新质量与创新广度均有显著的正向影响；使用改变样本容量、变量替换的方法对结果进行稳健性检验，这种正向效应均显著。
团队规模的调节效应较为复杂，它会增强知识多样性对创新数量和广度的正向效应，但替换团队创新绩效的测度指标后，这种调节效应变为负向。这种现象与替换前后测度指标所反映的特征存在差异有关，模型1-1~模型1-9和模型2-1~模型2-6使用专利申请数量、被引数量、专利申请广度进行绩效测度，模型3-1~模型3-6使用专利授权数量、授权比例、专利授权广度进行测度，后者指标均与专利授权相关，侧重于反映创新成果的创造性、新颖性与实用性，而前者侧重创新成果在各维度的数量特征。这反映了团队规模对创新绩效影响的复杂性，当团队创新目标以创新性、新颖性与实用性为主时，知识多样性在小规模团队中能够发挥更大的积极作用，这与其他学者关于大规模团队中创新质量降低的结论相似[19,25]。
表7选取了不同知识多样性和规模的团队进行展示，其中节点代表不同领域的知识，连边代表团队中不同类型知识在创新成果中的共现频率。从图7中可以看到，高多样性团队的知识网络涉及知识的数量、丰富性、差异性均较大，即使在只有两个人的小型团队Team_63中也涉及A、B、C、E、G共5个大类的知识，致力于各种电路中的绝缘设施研发，其创新绩效也不亚于大规模团队。而在多样性较低的团队中，涉及的知识大类数量、类型一般均较少，但网络密度较高，例如，在Team_51中仅涉及单个大类、5个小类的知识，但网络呈现全连接结构。此外，多样性较低的团队知识通常具有明显的核心与外围结构，Team_4078和Team_731都是如此，前者以“医疗、牙科或厕所制剂”的化学知识为核心，如化学化合物或药物制剂中的肽、微生物或酶等，而其他有机化学知识和生物化学知识作为辅助；后者则更侧重杂环化合物与大分子化合物。从整体上看，高多样性的确能够带来更多的产量，但并不一定意味着更高的质量与价值，反而能够在中小规模团队中创造较好的整体绩效。这为以技术创新为目标的团队建设提供了参考，要想较为全面地提升绩效，增强知识多样性的同时，控制团队规模是较好的选择；当团队规模较大时，则需要尽可能地聚焦有限领域，过分追求知识多样性可能只能片面地提高成果数量。
同时，不同测度方法带来的结果差异也给研究者以警醒，即使采用相同的理论模型，也可能因概念测度方法的不同、数据统计口径的差异，带来截然不同的结果。Bruns等[26]的研究发现，哪怕是最简单地将专利数量作为创新测度标准，也会因专利搜索策略、专利质量标准的选择不同，而得出不同的政策影响评估结果。这在一定程度上解释了相关研究中，知识多样性与创新绩效关系的结果差异。
4.2 贡献与展望
从理论上来看，本文有助于更好地理解技术团队创新行为。技术研发具有复杂性与综合性，团队合作可以聚合不同的知识资源，降低研发风险，已经成为主流的技术创新方式。已有研究对于知识多样性与团队绩效关系的研究结论莫衷一是，尤其是针对技术团队的研究较少。本文从知识创新的视角对相关研究进行拓展，大小团队之分并不仅仅在于成员的多少，在知识创新过程中，大团队往往意味着更多样化、异质化的知识，这些知识彼此交叉融合，更易激发创新。研究结果证明，在技术创新过程中，这种知识多样性对团队创新数量、质量与广度均存在显著正向影响。大团队中有关创新产量维度的指标被增强，但在小团队中有关创造性、新颖性的指标被增强。从实践角度来看，团队管理者有必要平衡好知识结构与创新目标的关系，在具体创新场景的参照下，有针对性地优化知识结构，更好地指导团队创新活动。
本文存在以下两个方面的局限性。首先，在团队知识网络构建中采用集合方法，但团队知识并不是成员个人知识的简单加和，因此可能存在偏差；其次，本文仅在生物医药领域进行实证，研究结论是否能在广泛的技术创新领域得到支持有待商榷。未来研究仍需要进一步在不同技术领域验证方法的普适性。
参考文献
[1] Hunter L, Leahey E. Collaborative research in sociology: trends and contributing factors[J]. The American Sociologist, 2008, 39(4): 290-306.
[2] Wuchty S, Jones B F, Uzzi B. The increasing dominance of teams in production of knowledge[J]. Science, 2007, 316(5827): 1036-1039.
[3] Leahey E. From sole investigator to team scientist: trends in the practice and study of research collaboration[J]. Annual Review of Sociology, 2016, 42(1): 81-100.
[4] Guimerà R, Uzzi B, Spiro J, et al. Team assembly mechanisms determine collaboration network structure and team performance[J]. Science, 2005, 308(5722): 697-702.
[5] 张华夏, 张志林. 从科学与技术的划界来看技术哲学的研究纲领[J]. 自然辩证法研究, 2001, 17(2): 31-36.
[6] de Solla Price D J. Is technology historically independent of sci‐ence? A study in statistical historiography[J]. Technology and Culture, 1965, 6(4): 553-568.
[7] Salas E, Dickinson T L, Converse S, et al. Toward an understand‐ing of team performance and training[M]// Teams: Their Training and Performance. Norwood: Ablex Publishing, 1992: 3-29.
[8] Lovelace K, Shapiro D L, Weingart L R. Maximizing cross-func‐tional new product teams’ innovativeness and constraint adher‐ence: a conflict communications perspective[J]. Academy of Management Journal, 2001, 44(4): 779-793.
[9] 郑小勇, 楼鞅. 科研团队创新绩效的影响因素及其作用机理研究[J]. 科学学研究, 2009, 27(9): 1428-1438.
[10] Dïbiaggio L, Nasiriyar M, Nesta L. The organization of the knowledge base and inventive performance[M]// Innovation and IT in an International Context. London: Palgrave Macmillan,2014: 47-64.
[11] Stirling A. A general framework for analysing diversity in sci‐ence, technology and society[J]. Journal of the Royal Society, In‐terface, 2007, 4(15): 707-719.
[12] Bell S T, Villado A J, Lukasik M A, et al. Getting specific about demographic diversity variable and team performance relation‐ships: a meta-analysis[J]. Journal of Management, 2011, 37(3):709-743.
[13] Moreira S, Markus A, Laursen K. Knowledge diversity and coor‐dination: the effect of intrafirm inventor task networks on absorp‐tion speed[J]. Strategic Management Journal, 2018, 39(9): 2517-2546.
[14] Shin S J, Zhou J. When is educational specialization heterogene‐ity related to creativity in research and development teams?Transformational leadership as a moderator[J]. Journal of Ap‐plied Psychology, 2007, 92(6): 1709-1721.
[15] Reagans R, Zuckerman E W. Networks, diversity, and productivi‐ty: the social capital of corporate R&D teams[J]. Organization Science, 2001, 12(4): 502-517.
[16] 张景焕, 刘欣, 任菲菲, 等. 团队多样性与组织支持对团队创造力的影响[J]. 心理学报, 2016, 48(12): 1551-1560.
[17] 邓今朝, 王重鸣. 团队多样性对知识共享的反向作用机制研究[J]. 科学管理研究, 2008, 26(6): 25-27, 53.
[18] Martínez-Plumed F, Barredo P, HÉigeartaigh S Ó, et al. Research community dynamics behind popular AI benchmarks[J]. Nature Machine Intelligence, 2021, 3(7): 581-589.
[19] 石静, 孙建军. 科技创新团队的知识网络构建与知识测度研究[J]. 情报学报, 2022, 41(9): 900-914.
[20] Wu L F, Wang D S, Evans J A. Large teams develop and small teams disrupt science and technology[J]. Nature, 2019, 566(7744): 378-382.
[21] Harrison D A, Klein K J. What’s the difference? Diversity con‐structs as separation, variety, or disparity in organizations[J].Academy of Management Review, 2007, 32(4): 1199-1228.
[22] Scherer F M. Using linked patent data and R&D data to measure Interindustry technology flows[M]// R&D, Patents and Productiv‐ity. Chicago: University of Chicago Press, 1984: 417-464.
[23] Quatraro F. Knowledge coherence, variety and economic growth:manufacturing evidence from Italian regions[J]. Research Policy,2010, 39(10): 1289-1302.
[24] 乔舒亚·安格里斯特, 约恩-斯特芬·皮施克. 基本无害的计量经济学: 实证研究者指南[M]. 郎金焕, 李井奎, 译 . 上海: 上海人民出版社, 2021: 59-60.
[25] Hsiehchen D, Espinoza M, Hsieh A. Multinational teams and dis‐economies of scale in collaborative research[J]. Science Advanc‐es, 2015, 1(8): e1500211.
[26] Bruns S B, Kalthaus M. Flexibility in the selection of patent counts: implications for p-hacking and evidence-based policy‐making[J]. Research Policy, 2020, 49(1): 103877.
制版编辑 | 李 静
审核 | 王海燕
国家自然科学基金管理学部A类期刊
全国中文核心期刊
CSSCI来源期刊
《中国人民大学复印报刊资料》重要转载来源期刊
CSTPCD（中国科技论文与引文数据库）收录期刊
NSSD （国家哲学社会科学学术期刊数据库）
长按扫描二维码 ｜ 关注我们
情报学报官网：qbxb.istic.ac.cn
邮箱：qbxb@istic.ac.cn
电话：010-68598273
欢迎投稿！
【免责声明】本公众号主要发布《情报学报》期刊的录用文章，或转载其他媒体与网站的图文资讯。文章仅代表作者本人观点，本公众号对文中陈述、观点判断保持中立。转载的稿件版权归原作者或机构所有，如有侵权，请联系删除。抄袭本文至其他渠道者引发的一切纠纷与本公众号平台无关。