Knowledge Interdisciplinarity, Technological Turbulence, and Enterprise Core Technology Innovation

Mei Yanshuang, Xu Xin

(School of Economics and Management, East China Normal University, Shanghai 200062, China)

Abstract：Interdisciplinary knowledge integration is a crucial pathway for driving innovation.While previous research has extensively explored the positive impact of interdisciplinarity on the innovative outcomes of knowledge, limited attention has been given to how enterprises strategically configure interdisciplinary knowledge in the technological domain, and the specific mechanisms through which this configuration influences innovation in core technologies.The impact of interdisciplinary knowledge on corporate innovation is dual in nature.On the one hand, interdisciplinary research promotes the exchange of heterogeneous knowledge, providing multi-dimensional solutions to key technological challenges and often resulting in original, disruptive breakthroughs.On the other hand, excessive reliance on interdisciplinary knowledge or improper focus can divert an enterprise from its core development path, weaken its technological focus, and disrupt technological accumulation, inhibiting innovation.Therefore, it is crucial to explore how to effectively allocate interdisciplinary knowledge resources and encourage collaboration in core technology innovation.

Drawing on the knowledge-based view, this study constructs a measurement of corporate interdisciplinary knowledge from three dimensions: knowledge diversity, knowledge balance, and knowledge difference.This study utilizes data from 400 listed companies in China′s new energy vehicle industry spanning 2010 to 2023.Applying a fixed-effects negative binomial regression model, it explores the relationship between interdisciplinary knowledge and core technology innovation.Furthermore, the study delves into the moderating effect of industry technological turbulence on this relationship.The following conclusions are drawn: (1) There is an inverted U-shaped relationship between technological knowledge diversity and core technology innovation, indicating that a moderate number of interdisciplinary knowledge categories is most conducive to innovation in core technologies;(2)Knowledge balance has a positive effect on core technology innovation, indicating that a more balanced distribution of “interdisciplinary” knowledge is beneficial for innovation in core technologies; (3) Knowledge difference has a positive effect on core technology innovation, suggesting that “long-distance” knowledge experience can facilitate breakthroughs in core technologies; (4)Industry technological turbulence reduces the inhibitory effect of knowledge diversity on core technological innovation, thereby weakening the inverted U-shaped relationship between interdisciplinary knowledge diversity and core technological innovation.The relationship between knowledge balance and core technological innovation depends more on a firm′s internal knowledge management mechanisms and organizational capabilities and is not significantly affected by a dynamic technological environment.Meanwhile, the positive role of differentiated knowledge reserves in core technological innovation is amplified in industries with high technological turbulence.

Theoretical contributions of this study are threefold: First, it enterprises the scope of the “interdisciplinarity” concept by shifting the focus from researchers or technical teams to the enterprise perspective, systematically exploring the interdisciplinary characteristics of corporate technological knowledge.Second, it examines the relationship between corporate knowledge interdisciplinarity and core technology innovation, offering a theoretical model and empirical analysis to highlight the role of interdisciplinary knowledge layout in achieving technological breakthroughs, providing both theoretical insight and practical guidance for enterprises.Third, the study analyzes the moderating role of industry technological turbulence in the relationship between interdisciplinary knowledge and core technology innovation, clarifying the resonance mechanism between interdisciplinary knowledge restructuring and dynamic technological environments, and enriching related contextual research.

The management insights are presented.First, enterprises need to keep interdisciplinary knowledge diversity at a proper level for optimal critical core technology innovation.Excessive diversity can cause resource dispersion and higher coordination costs, while insufficient diversity can stifle innovation.Second, managers should ensure a balanced distribution of knowledge resources across different disciplines.This not only improves knowledge utilization efficiency and flexibility in core technology innovation but also prevents "inertia" from path dependence.Enhancing knowledge-sharing mechanisms and creating interdisciplinary communication platforms are essential for this balance and overall technological innovation capability.Third, enterprises should broaden their knowledge boundaries as much as possible within their capabilities, actively absorbing "distant" knowledge to address the complexity challenges in critical core technology innovation.This can be achieved through cross-industry collaboration, technology alliances, and external technology acquisitions, introducing heterogeneous knowledge to drive technological innovation breakthroughs.Fourth, in a volatile industry technology environment, enterprises should keenly seize the opportunity window of technological change, strategically expand diverse knowledge reserves, and accumulate practical experience in integrating high-span disciplinary knowledge.This approach enhances the ability to adapt and innovate critical core technologies in rapidly changing technological contexts.

Key Words：Technological Knowledge;Interdisciplinarity;Industry Technological Turbulence;Core Technology Innovation

DOI：10.6049/kjjbydc.D32024120896

开放科学(资源服务)标识码(OSID)：

中图分类号：F272.4;F273.1

文献标识码：A

文章编号：1001-7348(2026)05-0138-11

收稿日期：2024-12-30

修回日期：2025-03-05

作者简介：梅妍霜(1995—),女,江苏宜兴人,华东师范大学经济与管理学院博士研究生,研究方向为创新管理;许鑫(1976—),男,江苏东台人,博士,华东师范大学经济与管理学院教授、博士生导师,研究方向为科技情报与产业创新。

0 引言

关键核心技术创新不仅是我国实现“制造”转向“创造”的关键路径,更是从技术上摆脱“受制于人”局面的重要抓手[1]。关键核心技术表现出高复杂度、多维度特征,其开发难以依赖单一领域知识,需要跨越学科边界,结合多种知识和方法,形成全面、系统的解决方案。企业在我国关键核心技术创新中肩负重要责任与使命,它们不仅是技术进步的推动者,更是创新驱动发展战略的践行者。在此背景下,构建跨学科知识体系成为企业创新实践中亟待解决且至关重要的议题。

知识跨学科性对企业创新呈现出双重影响。一方面,知识跨学科性能够促进异质性知识交流与碰撞,为解决关键技术问题提供多维解决方案。实践经验表明,以跨学科知识为基础的研究往往能催生更具原创性与颠覆性的科学成果,从而推动领域内实现重大技术突破[2]。另一方面,知识跨学科性会带来异质性、默会性知识增多,进而对创新产生负面作用[3]。这是因为过度的跨学科可能导致企业注意力分散,偏离既有知识发展路径,削弱针对核心技术领域的专注力,甚至造成技术积累断裂,进而对企业关键核心技术创新产生抑制效应。因此,促进差异化知识在企业关键核心技术创新过程中的深度协同,是有待深入研究的重要问题。

关键核心技术突破路径与机制一直是学术界关注的热点问题。相关研究从宏观和微观层面展开多维探讨。宏观层面,学者们分析了创新联合体与创新生态系统中多主体协同,为关键核心技术创新提供了系统性支撑以及其他环境条件的辅助性机制[4-5]。微观层面,企业内部的知识特征备受关注。徐霞等[6]、龚红等[7]分别从技术知识路径与技术网络结构视角阐述企业如何通过构建自身技术知识体系推动关键核心技术突破,以及技术层面的知识资源配置与积累对企业关键核心技术创新的重要作用。然而,目前研究鲜有涉及知识跨学科特征对企业关键核心技术创新的前因分析。

本文从技术视角切入,分析知识跨学科特征对企业关键核心技术创新的作用。首先,参考Stirling[8]提出的经典跨学科三维体系,识别企业知识的跨学科特征,分别为知识多样性、知识均衡性和知识差异性。其次,采集2000—2023年400家新能源汽车上市企业发明专利数据,利用固定效应负二项回归模型探讨知识跨学科性与企业关键核心技术创新的关系。其中,知识多样性描述企业跨学科知识的丰富程度;知识均衡性表征各学科或领域知识分布情况;知识差异性反映企业拥有知识的学科跨度。此外,在技术迭代与技术范式演进下外部环境不确定性增大,更加凸显企业开展跨学科知识布局的战略价值。然而,在动态且复杂的技术环境下,企业如何有效地构建跨学科知识体系,进而提升关键核心技术创新能力仍有待深入探究。因此,本文还将进一步分析行业技术动荡性的情境机制。

1 理论基础与研究假设

1.1 理论基础

1.1.1 关键核心技术创新

目前,学者们从不同角度界定关键核心技术内涵。从战略地位视角,关键核心技术是指决定行业技术制高点的技术体系,其对于国家及产业安全意义重大[9-10]。从创新生态视角,关键核心技术是指制约创新生态系统其他组件和整体效用发挥、决定整个创新生态系统绩效的技术[11]。生态系统中的核心企业利用网络进行知识交换、转移、共享,从而不断提高创新能力[12]。从知识基础视角,关键核心技术创新本质是长期对跨学科、跨领域知识积累与整合的过程,具有长周期性和复杂性特点(王钰莹等,2024)。关键核心技术创新具有重要战略地位,是依托创新生态主体协同,以知识获取、整合和配置为底层逻辑的技术攻关过程。

关于关键核心技术创新,现有研究多从生态布局视角展开分析。如孙冰梅等[4]以国家实验室为研究对象,分析产学研深度融合的集聚力量对原创引领性关键核心技术创新的重要作用;李天柱等(2024)基于国际领先者和国内赶超者的探索性双案例研究,揭示创新生态系统演化情境下两类赶超者的关键核心技术突破阶段与相应路径机制。在微观层面,有部分研究关注创新主体获取、整合和配置内外部知识的行为与关键核心技术创新的重要关联性。如徐霞等[6]依托企业授权专利数据构建技术网络,聚焦技术网络规模、集聚度以及密度3个核心特征,深入剖析这些结构特征对关键核心技术创新的影响;龚红等[7]从技术足迹相似度视角,分析知识体系重构对企业关键核心技术创新的影响。此外,有研究认为跨学科知识更能够催生出具有原创性与颠覆性的科学成果,进而推动重大技术突破[2]。科学配置与高效利用跨学科异质性知识是解决复杂性技术创新问题的关键,然而目前有关企业知识跨学科性与关键核心技术创新的关系研究尚显不足。

知识基础观认为,企业创新优势源于其独特的知识资源及知识获取、整合和应用能力。跨学科性提供了多样化的知识来源,有助于企业获取不同领域见解和方法,提升创新能力。在关键核心技术领域,知识跨学科性能够为企业带来新技术路径和新解决方案,实现知识协同效应,促进技术突破。动态能力理论进一步拓展知识基础理论,强调企业在快速变化的环境中,通过感知、捕捉和重新配置资源,保持竞争优势。知识跨学科性有助于提升企业感知能力,识别多学科领域中的新兴技术和市场机会。同时,企业可以通过动态能力将这些多元化知识资源整合并应用于关键核心技术创新中,加速技术研发和产品迭代。因此,上述两种理论为企业利用知识跨学科性提升关键核心技术创新能力提供了理论支撑。

1.1.2 跨学科性相关研究

“跨学科”一词最早由美国哥伦比亚大学的心理学家伍德沃思(R.S.Woodworth)于1926年公开提出,是指超越一个已知学科边界、涉及两个及以上学科的实践活动。跨学科的本质是知识融合与集成。图书情报学从语法、语义、语用角度构建学科概念模型,并提出跨学科关联方法,为跨学科量化研究提供了思路[13]。一些针对科学论文、专利文本进行的关键词提取[14]、引文分析[15-16]和主题挖掘[17]等方法被用于测度文本内容的跨学科性。在跨学科指标方面,多样性反映知识丰富度,常常用于衡量知识异质性或跨学科性。Stirling[8]提出经典的跨学科三维测度体系,即多样性、均衡性与差异性,丰富了跨学科的衡量维度。新增维度均衡性反映研究成果中不同学科比例的均衡程度[18],差异性则反映不同学科之间的知识距离。

多变的现实世界决定研究问题的复杂度,仅凭单一学科难以解决,需要依靠多元学科形成新思想。近年来,跨学科知识成果的创新性和影响力已成为科学计量领域关注的重要问题[19]。如郭海等(2024)实证检验跨学科研究对学术绩效的影响,发现知识丰富度对发文数和论文被引数具有正向作用,而知识差异度对发文数、论文被引数产生倒U型影响;丁乐蓉等[20]以专利数为样本数据,从多样性、均衡性和差异性3个维度探讨技术团队的跨学科性及其对突破性创新数量和程度的影响,为技术团队人才配置提供有益思路;邢蕊等(2024)通过组态分析,揭示创业团队的异质性背景、知识和经验对于创业绩效的协同作用路径。这些研究充分验证了跨学科研究在提升研究成果价值与推动团队创新方面的重要作用。然而,现有研究对企业知识的跨学科特征及其潜在价值关注较少。

综合上述分析可知,关于企业关键核心技术创新的前因研究主要基于创新生态和创新联合体视角,也有少量研究聚焦企业知识资源特征的重要性,但对于知识布局的跨学科性探讨则相对匮乏。此外,尽管一些跨学科研究从学者、团队视角展开,但鲜有研究深入企业层面,全面审视企业知识的跨学科特征。因此,深入探讨企业知识跨学科性及其与关键核心技术创新之间的关系,有助于弥补相关理论研究的不足,并为企业创新实践提供新视角和新启示。

1.2 研究假设

1.2.1 知识跨学科性与关键核心技术创新

(1)跨学科知识多样性与关键核心技术创新。知识多样性刻画企业知识基础广度和丰富性。知识类型和数量决定知识重组机会与潜力,对于企业创新具有重要影响。

一方面,多样性知识积累对企业创新能力提升具有重要促进作用。首先,多样化知识为企业知识重组提供重要的资源基础,增强企业创新灵活性,提高企业创新可能性。其次,在知识基础形成过程中,企业将不断积累的跨学科、跨领域知识进行整合,助力企业快速响应市场需求变化,促进复杂产品开发和技术突破[21]。最后,多样化知识基础反映出企业对异质性知识的认知度和包容度,而异质性见解融合往往是发明的催化剂。Hülsheger 等[22]研究表明,跨学科团队具备显著的信息处理优势,团队成员能够从不同专业角度分析和解决问题,从而显著提高创新绩效和团队协作效率。

另一方面,知识多样性也为企业创新带来挑战[23]。首先,跨学科知识的异质性会引发认知冲突和协调困难,导致企业面临知识重组和整合障碍,从而影响核心知识体系形成。其次,多样化知识基础会增大外部合作伙伴对焦点企业优势领域的理解难度,不利于焦点企业与合作伙伴开展基础研究并形成互补性合作创新关系[24]。最后,在有限的企业注意力下,知识的过度分散可能导致企业失去研发焦点,降低技术创新效率与成果产出率。因此,适度的知识多样性才有利于企业保持创新灵活性和竞争力,促进关键核心技术创新。综合上述分析,本文提出如下假设:

H1:跨学科知识多样性与企业关键核心技术创新之间存在倒U型关系。

(2)企业跨学科知识均衡性与关键核心技术创新。企业知识均衡性反映企业注意力分配特征,揭示企业对不同领域知识的关注度是否均衡。当企业知识均衡地分布在不同学科、领域时,表明该企业能够在不同学科间构建协同机制,化解跨学科知识交流中的潜在冲突,从而在内部形成一个稳定、系统的知识网络,为创新活动中的知识调用和经验借鉴提供坚实基础。此外,在知识分布较为均衡的企业中,创新不再局限于某部门或少数人员的职责,而是演变为全体组织成员共同参与的动态过程[25]。企业知识的均衡性分布有助于员工充分发挥专业优势,在日常工作中广泛接触多领域知识,跳脱出单一领域的思维局限,开展跨领域思考与尝试。这有助于激发企业内部更加专业且深入的知识融合,提升知识创造力,从而推动具有前瞻性的产品和服务开发。因此,本文提出如下假设:

H2:跨学科知识均衡性促进企业关键核心技术创新。

(3)企业跨学科知识差异性与关键核心技术创新。企业知识差异性反映企业拥有知识的学科距离,学科距离越大,表明企业知识差异性越显著。区别于知识多样性,知识差异性不强调跨学科知识种类与数量,而是关注知识所属学科间的差异。虽然知识储备量大,但是如果这些知识集中于某领域或相近领域(学科距离较小),其创新驱动作用仍然有限。相反,学科距离大的知识组合往往具有跨越性和颠覆性,能够催生形成技术发展新路径。在新能源汽车制造领域,电池技术与人工智能技术(AI)的跨距离结合重新定义了问题解决方式。作为新能源汽车的“心脏”,动力电池对提升整车性能、成本和用户体验至关重要。在传统电化学技术框架下,动力电池在生命周期内不可避免地面临容量衰减、充放电效率下降等问题。人工智能、大数据技术的加入,通过建立多维数据融合的智能分析系统,不仅实现了电池寿命的精准预测,而且减少了能量损耗、延长了电池使用寿命。这一技术突破源于对电化学机理与深度学习算法的耦合,打破了仅在电化学技术框架下进行电池性能优化的技术瓶颈,对行业发展产生颠覆性意义(王雪原等,2024)。因此,当企业拥有“远距离”知识储备,即跨学科知识差异性时,能够突破传统学科边界带来的认知局限,从新视角解决复杂的创新问题,从而提升关键核心技术创新水平。基于上述分析,本文提出如下假设:

H3:跨学科知识差异性促进企业关键核心技术创新。

1.2.2 行业技术动荡性的调节作用

在不同技术发展环境下会产生差异化创新结果。行业技术动荡性体现企业所在技术领域的变化程度[26]。行业技术动荡性越高,表明技术更迭越频繁,即新技术不断涌现,旧技术快速过时。由于关键核心技术创新是定位于行业技术制高点的技术体系,其在很大程度上受到技术环境不确定性的影响。因此,本文进一步探讨行业技术动荡性对企业关键核心技术创新的情境作用。

本文预设在高技术动荡性环境下知识多样性对关键核心技术创新的影响效应减弱,从而缓解两者之间的倒U型关系[27]。具体原因如下:首先,技术动荡性增强企业知识整合需求。在快速变化的环境中,企业面临更大不确定性,必须广泛吸收和整合外部知识,以适应市场变化和技术更新。在这种情况下,知识多样性成为企业应对变化的必备条件,缓解了知识多样性对创新的不利影响。其次,技术动荡性有助于激活企业动态能力,降低知识多样性管理成本。面对快速变化的技术环境,企业需要建立更加灵活的知识管理机制,例如跨部门协作、开放式创新等。这种动态能力提升有利于优化知识整合,减少沟通障碍与资源浪费,弥补知识多样性对创新的不利影响,从而缓和倒U型曲线的下降趋势。最后,技术动荡性提高关键核心技术创新阈值,促使高知识多样性在更长时间内保持正向作用。动态的技术环境为创新提供更多机会窗口,有助于拓展技术突破边界,延长知识多样性的正向作用区间,进一步缓解倒U型关系的下降趋势。基于上述分析,本文提出如下假设:

H4a:行业技术动荡性会削弱过高的知识多样性对关键核心技术创新的抑制效应,从而缓解企业跨学科知识多样性与关键核心技术创新之间的倒U型关系。

在高技术动荡性行业环境中,技术更迭快,促使企业不断更新知识储备并重组知识体系。此时,知识均衡性表现出巨大优势,为企业关键核心技术创新提供有力支撑。具体而言,首先,在高技术动荡性环境下,单一知识领域的快速变化可能导致企业核心技术失效,而均衡的分布式知识结构有助于企业在不确定性中保持稳定性,增强抗风险能力。其次,技术的快速变化要求企业能够迅速识别和捕捉新兴技术趋势,而均衡的知识结构有助于企业快速调整知识组合路径。技术动荡性越高,均衡的知识结构能够赋予企业越强大的适应能力和创新能力。此外,高技术动荡性情境中,快速变化的外部环境促使企业强化内部协作与知识共享。知识均衡性通过减少内部知识“孤岛”,促进跨学科团队合作与交流,为企业快速反应提供必要的内部条件。基于上述分析,本文提出如下假设:

H4b:行业技术动荡性正向调节企业跨学科知识均衡性对关键核心技术创新的正向作用。

在技术动荡性较高的行业环境中,学科差异性更大的跨学科知识储备成为企业寻求创新突破的重要资源。首先,技术的快速变化催生新的跨领域问题,导致企业面临巨大技术压力。跨学科差异性知识储备能够帮助企业引入不同领域思维模式与方法论,为复杂技术问题解决提供新思路。其次,技术动荡性要求企业具备持续学习和适时调整的动态能力,而跨学科差异性知识储备为企业提供了更广阔的探索空间,促进知识碰撞与融合,助力企业在高不确定性环境中实现颠覆性创新。此外,技术动荡性不仅体现技术本身的快速演进,而且体现市场对新技术应用的需求变化。差异性更大的跨学科知识储备能够帮助企业从更加多元的视角了解市场需求,充分整合多学科知识与资源,将其转化为可落地的商业化解决方案,打通“技术—市场”间的转化路径,从而促进更具市场影响力的关键核心技术创新。基于上述分析,本文提出如下假设:

H4c:行业技术动荡性正向调节企业跨学科知识差异性对关键核心技术创新的正向作用。

综上,本文构建理论模型如图1所示。

2 研究设计

2.1 样本选取与数据来源

本研究选取新能源汽车产业作为案例对象,一方面,鉴于新能源汽车产业在我国战略性新兴产业中占据重要地位,该领域展现出强劲的技术发展势头与广阔的创新增长空间;另一方面,该产业技术体系具备鲜明的跨学科特征,广泛涉及材料、电子工程、计算机以及能源等多个学科领域。

参照《战略性新兴产业分类与国际专利分类参照关系表(2021)》 中“ 新能源汽车产业”对应的IPC分类号,利用incoPat科技情报检索平台对2000—2023年发明专利进行检索,共得到13.1万条数据,将这些专利申请人与A股上市企业名单进行比对,得到新能源汽车产业初始企业样本。为保证研究样本有效性,在数据处理阶段剔除财务状况存在异常的ST与*ST企业,删去关键核心技术创新值为零、无跨学科专利以及其他关键变量数据缺失的样本,最终得到400家观测企业,包含1 387个观测值。企业样本共涉及8个行业,分别为:化学原料及化学制品制造业(C26);通用设备制造业(C34);专用设备制造业(C35);汽车制造业(C36);铁路、船舶、航空航天和其它运输设备制造业(C37);电气机械及器材制造业(C38);计算机、通信和其他电子设备制造业(C39);以及仪器仪表制造业(C40)。本文发明专利数据来自incoPat数据库。企业基本信息、财务数据等通过万德(WIND)金融数据库和国泰安(CSMAR)数据库获得。

2.2 变量测量

2.2.1 被解释变量

关键核心技术创新。参考聂力兵等(2024)的研究,从基础性、体系性、竞争性3个维度,采用7个指标构建关键核心技术创新指标体系。首先,计算各指标熵值,确定其权重;其次,使用合成指数法将 7 个指标熵值和权重组合,得出各专利核心值,取行业前5%的专利作为关键核心技术承载专利;最后,统计企业t年拥有的关键核心技术专利数,用以衡量其关键核心技术创新水平。具体见表1。

2.2.2 解释变量

本文基于Stirling[8]的经典三维理论,将企业知识跨学科性划分为知识多样性、知识均衡性与知识差异性3个维度。目前已有文献主要基于个体、科研团队层面衡量知识跨学科特征。本研究以企业为知识载体,进行知识多样性、知识均衡性与知识差异性指标测度。

知识多样性:反映企业知识类别的多样化程度。本文对企业专利创新成果中的前4位IPC分类号(知识元素)取并集,通过计算集合中的知识元素数量测度知识多样性[20]。

知识均衡性:反映企业知识所属学科分布的均衡度。“熵”最早出现于热力学中,表示系统混乱程度,克劳德·艾尔伍德·香农(Claude Elwood Shannon)[28]提出“信息熵”概念,用于度量信息不确定性。此后许多学者将信息熵引入跨学科研究,以反映学科分布的均匀程度[20]。本文采用信息熵计算均衡性。

Balance=-∑pi×log2(pi)

(1)

式(1)中,pi = xi/x,x=∑ xi;xi表示属于第i个领域的专利数量。为了避免因多样性不足而导致的绝对均衡,具体计算中剔除多样性为1的数据。

知识差异性:反映企业拥有跨学科知识的差异化程度。参考侯剑华等[29]的做法,采用IPC分类号组成区分技术知识差异性。知识领域(IPC号前四位)组成包括部(1位字母)、大类(2位数字)、小类(1位字母),定义部不同的学科知识差异性值为16,部相同而大类不同的学科知识差异性值为8,部和大类相同而小类不同的学科知识差异性值为4。对t年i企业技术知识涉及的学科间进行知识差异性计算,获得均值,得到企业跨学科知识差异性水平。

2.2.3 调节变量

行业技术动荡性。参考Dai等[30]的研究,第t年的行业技术动荡性测度方式为:以t-5至t-1为一个时间窗口,以行业每年发明专利申请量为因变量、年份为自变量进行回归,技术动荡性等于年份变量的标准误除以行业平均发明专利申请量。

2.2.4 控制变量

本文从资源基础、创新能力和制度环境维度选取控制变量[7]。①企业规模(Firm_Size),反映企业资源投入和管理能力。规模效应可降低创新边际成本,但增加组织复杂性,降低创新决策效率。②企业年龄(Firm_Age),表征企业存续时间。成熟企业更善于识别创新机会。③盈利能力(ROA),采用资产报酬率反映。高资产报酬率表示能持续提供创新所需的内部现金流,缓解融资约束。④企业技术创新经验(Experience),利用企业近5年发明专利申请数衡量,知识积累能够帮助企业形成技术壁垒,从而提升核心技术创新成功率。⑤研发模式(R&D_Mode),反映创新活动组织方式,可划分为独立研发与开放式创新2种模式。开放式创新有助于促进知识溢出与风险分担,但面临协调成本增加;独立研发有利于核心技术保密,但会产生资源约束。因此,企业需权衡二者优势。⑥企业性质(State),表示企业是否为国企。相较于非国企,国有企业具有创新资源获取、市场响应速度与激励机制方面的优势,在创新中表现出更强的抗风险能力。⑦政府研发补贴(Subsidy),反映政府对企业研发活动的直接支持,有助于引导和激励企业参与关键核心技术创新。⑧市场竞争程度(HHI),采用赫芬达尔指数反映的行业集中度表征,行业集中度越低,表明市场竞争越激烈。竞争压力会倒逼企业通过核心技术创新构建竞争优势,但过度竞争也会压缩利润空间,抑制企业研发投入。本文变量定义见表2。

2.3 模型设计

本文从知识多样性、均衡性和差异性3个维度分析企业技术知识跨学科性对关键核心技术创新的影响,以及行业技术动荡性的调节作用。式(2)检验知识多样性与关键核心技术创新之间的倒U型关系,式(3)(4)分别检验知识均衡性、知识差异性与企业关键核心技术创新之间的正向关系。在此基础上,式(5)(6)(7)分别检验行业技术动荡性的调节作用。

KCTi,t=∂0+∂1Diversityi,t+∂2Diversity_sqi,t+Controlsi,t+IndustryFE+YearFE+εi,t

(2)

KCTi,t=∂0+∂1Balancei,t+Controlsi,t+IndustryFE+YearFE+εi,t

(3)

KCTi,t=∂0+∂1Differencei,t+Controlsi,t+IndustryFE+YearFE+εi,t

(4)

KCTi,t=∂0+∂1Diversityi,t+∂2Diversity_sqi,t+∂3Turbulencei,t+∂4Turbulencei,t×Diversityi,t+∂5Turbulencei,t×Diversity_sqi,t+Controlsi,t+IndustryFE+YearFE+εi,t

(5)

KCTi,t=∂0+∂1Balancei,t+∂2Turbulencei,t+∂3Turbulencei,t×Balancei,t+Controlsi,t+IndustryFE+YearFE+εi,t

(6)

KCTi,t=∂0+∂1Differencei,t+∂2Turbulencei,t+∂3Turbulencei,t×Differencei,t+Controlsi,t+IndustryFE+YearFE+εi,t

(7)

其中,i和t分别表示企业个体与观测年份。KCTi,t表示i企业第t年关键核心技术创新水平,Diversityi,t、Balancei,t、Differencei,t分别表示企业知识多样性、知识均衡性和知识差异性特征,Diversity_sqi,t为知识多样性的二次项,Turbulencei,t为企业所处行业的技术动荡性。Controlsi,t表示一系列控制变量,IndustryFE和YearFE分别表示行业与年份固定效应,εi,t为随机扰动项。

本文采用非平衡面板数据进行分析,包含400家新能源汽车产业上市公司的专利数据、财务数据等。由于因变量关键核心技术创新为非负变量,且方差(33.490) 明显大于均值(9.705),存在过度离散现象,故采用负二项回归方法。经过Hausman检验,p值为0.000 0<0.01,拒绝原假设,故采用加入固定效应的负二项回归模型验证本文研究假设。

3 实证结果与分析

3.1 描述性统计与相关性分析

表3为各变量描述性统计和相关性分析结果。通过描述性统计发现,关键核心技术创新的方差远大于均值,反映样本数据的离散程度较大。各变量方差与均值均处于合理范围内。相关性分析结果显示,跨学科性的3个维度,即多样性、均衡性、差异性之间均存在一定相关性。其中,多样性与均衡性相关系数为0.833,由于二者具有差异化内涵且未出现在同一个回归方程中,经进一步检验得到各变量的VIF值均低于5,故认为本文研究不存在严重的多重共线性问题。

3.2 主效应与调节效应检验

3.2.1 知识跨学科性与关键核心技术创新

表4为技术知识跨学科性对企业关键核心技术创新的回归结果。在模型(1)中,首先加入控制变量、时间和行业固定效应,并对其与企业关键核心技术创新的关系进行回归。结果显示,大部分控制变量与固定效应虚拟变量对企业关键核心技术创新产生显著影响。在模型(1)的基础上,加入知识多样性及其平方项,得到模型(2),再依次加入变量知识均衡性与知识差异性,得到模型(3)(4),以分别检验不同维度下知识跨学科特征对企业关键核心技术创新的作用。回归结果显示,知识多样性的一次项系数显著为正(β=0.032,p<0.01),二次项系数显著为负(β=-0.000 054 6,p<0.01)。表5显示,自变量知识多样性的正、负斜率与零存在显著差异,且极值点位于样本区间内,表明企业拥有适度的跨学科知识类别有利于关键核心技术创新,即知识多样性与企业关键核心技术创新之间呈倒U型关系,故H1得到验证。同时,表4显示技术知识均衡性的一次项系数也显著为正(β=1.004,p<0.01),说明技术知识均衡性对企业关键核心技术创新发挥正向作用,换言之,企业在各学科领域保持均衡的知识储备有利于企业关键核心技术创新,故H2得到验证。知识差异性的一次项系数也显著为正(β=0.254,p<0.01),说明知识差异性对企业关键核心技术创新发挥正向作用,即H3得到验证。这是因为跨学科的知识基础能为企业提供广阔视野,促进知识重组和创新,提升关键核心技术创新水平。

3.2.2 行业技术动荡性的调节作用

表6为行业技术动荡性的调节作用分析结果。模型(1)显示,行业技术动荡性与知识多样性二次项交互的回归系数显著为正(β=0.000 469 3,p<0.05),表明技术动荡性会削弱知识多样性与企业关键核心技术创新之间的倒U型关系。如图 2所示,当行业技术动荡性较强时,知识多样性与企业关键核心技术创新之间倒U型曲线的下降趋势变缓,且关键核心技术创新峰值上移,知识多样性的正向作用区间扩大。这表明技术动荡性会减弱过高的知识多样性对关键核心技术创新的抑制效应,从而缓解企业跨学科知识多样性与关键核心技术创新之间的倒U型关系,故H4a得到验证。模型(2)显示,行业技术动荡性与知识均衡性一次项交互的回归系数为正,但并不显著,故H4b未能得到验证。这可能是因为知识均衡性对企业关键核心技术创新的推动作用更多取决于企业内部的知识管理和组织能力,受外部环境波动的影响较小。模型(3)显示,行业技术动荡性与知识差异性一次项交互的回归系数显著为正(β=6.205,p<0.01),表明行业技术动荡性会强化知识差异性与企业关键核心技术创新之间的正向关系,即在动态的技术环境中具有差异性的知识储备会带来更高成功率的原始创新,从而促进企业关键核心技术创新水平提升,因此H4c得到验证。图3也进一步验证了H4c。

3.3 内生性检验与稳健性检验

3.3.1 内生性检验

本文使用t-3至t-1年的数据衡量企业t年的知识跨学科性,以缓解知识跨学科性与企业关键核心技术创新之间存在因果关系所导致的内生性问题。回归分析中还采用行业、时间固定效应模型以减轻遗漏变量造成的内生性干扰,但仍可能存在选择偏差、其他混杂因素导致的内生性问题。因此,本文进一步采用倾向得分匹配法(PSM)和Heckman两阶段法提高估计结果的有效性。

(1)倾向得分匹配法。首先,参考 Capaldo等[31]的方法,构建知识跨学科性二元虚拟变量用于分组,当企业的知识跨学科性高于当年同行业知识跨学科性均值时,该虚拟变量赋值为 1,反之为 0。其次,采用核匹配方法,基于企业倾向得分,对高于与低于当年行业平均知识跨学科性数值的企业进行匹配,以控制潜在的样本选择偏差。然后,对各变量进行平行条件假设检验,匹配后各变量标准化偏差小于 10%,即处理组与控制组不存在显著差异,表明匹配满足平衡性假设,以此为基础的倾向得分匹配估计结果可信。进一步地,将匹配成功的样本重新进行回归估计,结果如表7 所示。可以发现,核心解释变量的回归系数依旧在1%的水平上显著,表明实证结果具有较高稳健性。

(2)Heckman两阶段法。企业知识分布并非随机的,会受到资源禀赋、外部环境等变量影响。为降低样本选择偏差引致的内生性干扰,本文采用 Heckman 两阶段法作进一步检验。第一阶段,利用 Probit 模型估计企业知识跨学科性的可能性。参考龚红等[7]的做法,将行业技术知识多样性、均衡性和差异性均值作为选择变量,同时纳入控制变量,回归计算逆米尔斯比率(IMR)。第二阶段,将IMR作为控制变量加入原回归模型,再次进行回归分析。结果如表8所示,知识均衡性和知识差异性对应的IMR回归系数显著,表明样本存在一定程度的自选择问题。在控制自选择偏差后,企业知识多样性的二次项系数依然显著为负,而知识均衡性和知识差异性的一次项系数显著为正,验证了研究结论的稳健性。

3.3.2 稳健性检验

为进一步验证上述研究结果的可靠性,从3个方面开展稳健性检验,结果见表9。第一,替换因变量测度方式。本文将行业内核心特征值位于前10%的专利定义为关键专利,并统计企业 i在t年的关键专利数量,以此作为关键核心技术创新的替代指标进行分析,具体见表9模型(1)～模型(3)。第二,替换回归分析方法。对因变量企业关键核心技术创新加1取自然对数,采用固定效应的普通最小二乘法(OLS)模型进行回归分析,以检验模型稳健性,具体见表9模型(4)～模型(6)。 第三,替换样本。在样本选择上随机抽取70%的子样本进行回归分析,见表9模型(7)～模型(9)。以上分析结果与前文基本一致,从而验证本文主要研究结论的可靠性与稳健性。

4 结语

4.1 研究结论

基于知识基础观与动态能力理论,以2010—2023年新能源汽车产业400家A股上市企业为样本,探讨知识跨学科性对企业关键核心技术创新的影响,并进一步分析行业技术动荡性在其中的调节作用,得出以下结论:①跨学科知识多样性与关键核心技术创新之间呈倒U型关系,拥有适度的跨学科知识有利于关键核心技术创新;②跨学科知识均衡性对企业关键核心技术创新具有正向作用,即均衡的跨学科知识分布有利于企业关键核心技术创新;③跨学科知识差异性对企业关键核心技术创新也具有正向作用,即“远距离”的知识经验有利于企业实现关键核心技术突破;④行业技术动荡性会减弱过高的知识多样性对关键核心技术创新的抑制效应,从而缓解企业跨学科知识多样性与关键核心技术创新之间倒U型曲线的下降趋势;跨学科知识均衡性与关键核心技术创新的关系更多取决于企业内部的知识管理和组织能力,未显著受到动态技术环境的影响;跨学科知识差异性对关键核心技术创新的正向作用在高技术动荡性行业环境中被放大。

4.2 研究贡献

本文的研究贡献主要体现在以下3个方面:第一,拓展了跨学科性概念的研究范畴。 现有研究主要从研究者或技术团队视角探讨跨学科性问题,而本文从企业视角切入,系统描绘了企业技术知识的跨学科特征。这一新视角不仅拓宽了跨学科性理论研究边界,也为其在组织层面的应用提供了新场景。第二,深入剖析了企业知识跨学科性与关键核心技术创新之间的关系。 本文通过构建理论模型和开展实证分析,从跨学科知识布局视角出发,探讨企业实现关键核心技术突破的路径。这一研究不仅深化了跨学科知识布局在技术创新中的理论阐释,而且为企业高效布局知识资源以推动关键核心技术创新提供了科学指引。第三,丰富了企业关键核心技术创新的情境化研究机制。本文通过分析行业技术环境动荡性在知识跨学科性与关键核心技术创新之间的调节效应,解析了跨学科知识基础与动态技术环境之间的共振机制,为关键核心技术创新提供了新的理论视角和实践指导。

4.3 管理启示

本文聚焦于探讨跨学科知识布局对企业关键核心技术创新的影响,提出管理启示如下:第一, 企业应保持适度的跨学科知识多样性,实现关键核心技术创新潜力最大化。知识多样性过高可能导致资源分散、协调成本增加,过低则可能导致创新活力不足,企业需要在长期实践中找到动态平衡点。第二,管理者应关注企业知识资源在不同学科领域间的平衡分布,这不仅能够提升知识调用效率,增强企业在关键核心技术创新中的灵活性,而且能有效防范路径依赖带来的惯性问题。完善知识共享机制与搭建跨学科交流平台,促进知识流通与互动,是实现知识资源均衡化分布以及提升整体技术创新能力的重要手段。第三,企业应尽可能在自身能力范围内拓展知识边界,主动吸收“远距离”知识以应对关键核心技术创新中的复杂性挑战。实践中,可通过跨界合作、参与技术联盟、实施外部技术并购等多种方式,引入与现有知识体系存在较大学科距离的异质性知识,从而推动技术创新实现质的突破。第四,在动荡的行业技术环境中,企业应敏锐把握技术变革的机会窗口,有计划地扩展多样性知识储备,积累“远距离”学科知识融合的实践经验,增强在快速变化情境中的应变与关键核心技术创新能力。

4.4 不足与展望

尽管本文取得了一些研究进展,但仍存在局限。首先,本文以新能源汽车产业作为研究样本,研究结论的普适性需进一步验证。未来研究可将探索范围拓展至其他战略性新兴产业和未来重点产业,如生物医药、空天科技等。其次,本文中的知识跨学科性概念聚焦于技术层面,且测量方式基于专利分类号,存在一定局限性。后续研究可尝试拓展企业知识范畴,更换企业知识跨学科性测度方法,如利用专利文本挖掘技术,识别更细化的跨学科主题。最后,本文仅关注了行业技术动荡性的调节作用,未来研究可进一步考察其他内部与外部情境因素,如管理者特征、企业动态能力以及外部政策环境等对知识跨学科性与关键核心技术创新关系的差异化影响,以深化理论内涵。

参考文献：

[1] 田震, 陈寒松.制造企业关键核心技术创新机制研究——基于资源编排理论[J].科研管理, 2024, 45(1): 31-41.

[2] 刘仲林, 赵晓春.跨学科研究:科学原创性成果的动力之源——以百年诺贝尔生理学和医学奖获奖成果为例[J].科学技术与辩证法, 2005, 22(6): 107-111.

[3] 曾粤亮,高顺.WSR视角下大学生创新创业团队跨学科知识整合效果影响因素研究[J].现代情报,2024,44(12):163-177.

[4] 孙冰梅, 尹西明, 陈劲, 等.同题共答:创新联合体驱动关键核心技术持续突破的机制研究——以之江实验室为例[J].南开管理评论, 2024, 27(6): 74-87.

[5] 许学国,周诗雨.基于WOA-SVR的关键核心技术创新生态系统脆弱性预警研究——以集成电路技术为例[J].科技进步与对策,2024,41(1):34-43.

[6] 徐霞, 赵明明, 吴福象.企业技术网络结构与关键核心技术创新速度——基于组合创新逻辑[J].中国工业经济, 2024,41(9):100-117.

[7] 龚红, 丁梦梦, 胡思源.“求同”还是“存异”?技术足迹相似度、环境动态性与企业关键核心技术创新[J].南开管理评论, 2025,28(4):89-97.

[8] 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.

[9] 韩凤芹, 史卫, 陈亚平.以大战略观统领关键核心技术攻关[J].宏观经济研究, 2021, 24(3): 111-119,159.

[10] 张玉臣, 谭礼.关键核心技术的概念界定、特征辨析及突破路径[J] .中国科技论坛, 2023,39(2): 20-29.

[11] 谭劲松, 宋娟, 陈晓红.产业创新生态系统的形成与演进: “架构者”变迁及其战略行为演变[J].管理世界, 2021,37(9): 167-192.

[12] GENIN A L, TAN J, SONG J.State subsidyernance and technological innovation in emerging economies:state-owned enterprise restructuration and institutional logic dissonance in China's high-speed train sector[J].Journal of International Business Studies, 2021, 52(4): 621-645.

[13] 王忠义, 彭思源, 夏立新.跨学科知识组织的概念关联研究[J].中国图书馆学报, 2022, 48(3): 43-62.

[14] 陈琼, 朱庆华, 闵华, 等.基于领域主题的学科交叉特征识别方法研究——以医学信息学为例[J].现代情报, 2022, 42(4): 11-24.

[15] PORTER A L, COHEN A S, DAVID ROESSNER J, et al.Measuring researcher interdisciplinarity[J].Scientometrics, 2007, 72(1):117-147.

[16] 吕琦, 上官燕红, 李锐.基于参考文献和文本内容学科分类的跨学科测度研究[J].情报学报, 2024, 43(8): 976-991.

[17] NICHOLS L G.A topic model approach to measuring interdisciplinarity at the National Science Foundation[J].Scientometrics, 2014,100(3):741-754.

[18] 熊文靓, 付慧真 .交叉科学测度理论、进展与展望[J].图书情报工作, 2022, 66(21): 132-144.

[19] 董璐, 樊潇潇, 李玥, 等.重大科技基础设施实验站通用性及其学术产出创新质量相关性研究[J].图书情报工作, 2024, 68(21): 107-119.

[20] 丁乐蓉, 石静, 吴柯烨, 等.技术团队跨学科性对突破性创新的影响研究[J].情报学报, 2024, 43(5): 503-515.

[21] BOGERS M, FOSS N J, LYNGSIE J.The "human side" of open innovation: the role of employee diversity in firm-level openness[J].Research Policy, 2018, 47(1): 218-231.

[22] HÜLSHEGER U R, ANDERSON N, SALGADO J F.Team-level predictors of innovation at work: a comprehensive meta-analysis spanning three decades of research[J].Journal of Applied Psychology, 2009, 94(5): 1128-1145.

[23] ONAL V M,DAHLANDER L,GEORGE G.Collaborative benefits and coordination costs:learning and capability development in science[J].Strategic Entrepreneurship Journal,2013,7(2):122-137.

[24] SAMMARRA A,BIGGIERO L.Heterogeneity and specificity of inter-firm knowledge flows in innovation networks[J].Journal of Management Studies,2008,45(4):800-829.

[25] LAI J, LUI S S, TSANG E W K.Intrafirm knowledge transfer and employee innovative behavior: the role of total and balanced knowledge flows[J].Journal of Product Innovation Management, 2016, 33(1): 90-103.

[26] ADNER R, KAPOOR R.Innovation ecosystems and the pace of substitution: re-examining technology s-curves[J].Strategic Management Journal, 2016, 37(4): 625-648.

[27] BOLLI T,SELIGER F,WOERTER M.Technological diversity, uncertainty and innovation performance[J].Applied Economics, 2020, 52(17): 1831-1844.

[28] SHANNON C E.A mathematical theory of communication[J].The Bell System Technical Journal,1948,27(3):379-423.

[29] 侯剑华,邓先江,唐诗琪.跨领域知识融合对高价值专利的影响研究[J].数据分析与知识发现,2025,9(3):69-82.

[30] DAI H, ZENG D, QUALLS W J, et al.Do social ties matter for the emergence of dominant design?the moderating roles of technological turbulence and IRP enforcement[J].Journal of Engineering &Technology Management, 2018, 47: 96-109.

[31] CAPALDO A, LAVIE D, PETRUZZELLI A M.Knowledge maturity and the scientific value of innovation[J].Journal of Management,2017,43(2):503-533.

(责任编辑：胡俊健)