公司技术投资组合的一致多元化

每个节点都与权重最高的技术领域相连。量化所谓的一致性差异。我们需要基本数据来确定企业技术投资组合中的一致性多元化。第2.2节定义了矩阵，第3.2节进一步讨论了矩阵。该矩阵代表了一个将公司与作为积极创新者的技术领域联系起来的两部分网络。在这项研究中，我们每年进行一次分析，并在每个时期选择公司作为所有者拥有股份的triadicpatent系列。我们指出，以下具体结果指的是2011年的数据，我们相信2011年的数据覆盖率是合理完整的；然而，结果是稳健的，并且也适用于以前的时间段。图3a描述了邻接矩阵为M的二分公司技术网络的样式化图形表示。为了确定连贯的多元化，我们首先需要衡量技术相关性。为此，我们使用方程式6中的矩阵B，我们重新定义了矩阵B，以说明表格和图5：通用技术和两个表格（1和2）的γ图解，分别在左面板和右面板中描述。在两个面板中，该图都代表了图3b中的二进制B：不透明三角形代表相关公司拥有专利的技术领域。这两家公司在相同数量的技术领域都有所不同。然而，表1中的项目与B区相连，形成一个独立的区块；相反，表2的数据分散在图表中。作为一个序列，技术在表1中的连贯性很强，而在表2中则没有。技术，获得BTT0=最大（ut，ut0）XfMftMft0df。（7） 矩阵B可以被解释为一个单方技术网络的邻接矩阵，如图3b所示。

图中的每个三角形节点对应于一个技术领域，并涂上颜色，以突出其与更频繁发生（因此更相关）的关联技术的接近程度。图中显示，B嵌入了一个通知，即特定的技术组合可以同时生成产品，即使无法在技术和生产领域之间建立对应关系。此外，B将技术空间描述为一个整体，但不包含有关企业（图3a中的圆圈代表矩阵M）的信息，这些企业的技术组合是用来计算的。图4显示了根据用于计算b的经验数据确定的最小生成树；通过构造，每个节点代表一个技术领域，并与该领域相连，而该领域的链接最重。图中的节点代表IPC子部分，并上色。图6：Γ的图示，可以解释为企业多元化结构的重新加权。Γ重点介绍了互联技术的各个模块。原则上，这是与公司产品篮子的对应关系，然而，关于连接公司所知和所产的地图的信息仍然隐藏在表面上。根据他们所属的部门。图中的颜色模式突显出广泛的技术领域倾向于与类似领域的连接频率远低于相对较远的领域，这表明不同领域的混合绝非罕见。为了将技术相关性的一般结构与企业特定信息相结合，我们首先需要衡量每个公司拥有专利的所有技术之间的一致性。图5定性地说明了通用技术和两个玩具（1和2）的测量方法，分别在左面板和右面板中描绘。

在两个面板中，连接背景中三角形的网络结构表示B的简化（二进制）图示；不透明的三角形代表每家公司专利档案中包含的技术领域，而透明的三角形代表的是同一家公司在M所涵盖的时间段内未获得专利的技术领域。请注意，两家公司的专利分布情况相同，因为它们都拥有相同数量（八）的技术领域。表1和表2之间的显著差异在于它们的多元化结构。特别是，第一家公司的技术领域都连接在B中，形成一个独特的区块，而第二家公司的技术分散在B中。因此，两家公司都拥有的技术t在第一家公司中具有很高的公司内部一致性，但在第二家公司中得分较低。事实上，我们在公司和技术领域之间的每一步分析中衡量的联系不是二元的，而是加权的，我们必须在一致性的分析定义中考虑到这一点，这将取决于技术i和企业f的周围技术篮子。我们通过矩形矩阵γ来定义技术的内部一致性∈ NF×Twhereγft=Xt0Btt0Mft0，（8）图5的分析对应物。最后，可以通过在每个公司内汇总有关其持有专利的所有技术领域的公司内一致性的信息，来定义公司技术一致性指数，我们称之为一致性差异。

如图6所示，这可以解释为对企业多元化结构的重新加权，这突出了相关技术，原则上与企业产品篮子相一致，尽管关于连接企业知识和生产的明确地图的信息仍在表面之下。在公式中，我们定义了一致性差异的具体指标Γ∈ RFasΓf=PtMftγftdf，（9），其中df≡PtMftis是f公司的多元化。在实践中，Γ计算组成每家公司技术组合的连贯技术区块的平均规模。4.1玩具示例一个简单的示例将有助于解释该框架如何奖励多元化，前提是它定义了一个连贯的投资组合。假设f公司拥有两种相近的技术，例如BTT0=1（t，t0）={1，2}。直接计算得出Γf=1+1=2：相干多元化等于多元化的标准定义。相反，如果这两个图7：玩具示例。矩阵B的图形表示，从M到文本中讨论的玩具示例。技术是不相关的，Btt0=δtt0，我们将得到Γf=（1+1）=1：在这种情况下，一致性的缺失平均了差异。为了进一步阐明连贯多元化的经济意义及其与生产线的关系，我们根据本节所示的插图进行了简单计算。让我们从图2所示的情况开始。

我们有三家公司：第一家（x公司）有两条生产线（电脑和智能手机），其产品组合包含八项技术，其中三项与电脑有关，三项是智能手机所必需的，两项对这两种产品都有用；第二家公司y专门从事汽车生产，并控制着与这条生产线相关的三项技术；最后，第三家公司z拥有两条不相关的生产线，电脑和汽车，分别依赖于三种和两种技术的组合。相关的M矩阵如图7右上角所示。为了计算这些技术投资组合的一致性，我们需要一个距离的度量，B。在这个例子中，我们不会像对真实情况那样，从M计算B；相反，我们假设这三家公司生活在一个由其他公司定义的技术空间中，这些公司没有单独包含在示例中。特别是，我们采用3b中描述的技术网络，其邻接矩阵如图7左上角所示。与汽车相关的技术是同质的（即完全连接的），并且独立于用于其生产线的技术（即没有任何对角线元素将其连接到其他技术），形成一个单一的整体。相反，计算机和智能手机技术是同质的，但通过两种对角技术（M第一行的第四种和第五种）略有关联。注意，这里我们有一个二进制矩阵，但一般来说，B的元素可以有任何值。现在，让我们计算技术的内部一致性，也就是说，由于加入了f公司的投资组合，T获得了增强技术。应用方程式8，我们得到图7的底部矩阵。

在这个简单的例子中，矩阵只计算公司拥有的A技术的邻居。请注意，汽车技术板块在企业y比在企业z更为一致，因为它们在该板块分别拥有3项和2项技术。最后，利用方程9，我们可以计算这三家公司的一致性差异。对于公司y，我们得到Γ=3。在这种简单的情况下，一致性差异仅仅是每条生产线使用的平均技术数量。这种解释是零阶近似，只有在独立和同质的生产线中才变得精确。现在让我们考虑一下x公司。在这种情况下，密切技术带来的增强更为强大，正如我们看到γ矩阵的第一行一样；对所拥有的技术进行平均，得到Γ=3.5。最后，z公司的Γ=2.6。这可以解释为生产线的加权平均数：第一条生产线（计算机）有三种技术，所有技术的企业内部一致性都等于三，而第二条生产线（cars）只能使用两种技术，这意味着一致性较低，等于两种。为了计算一致性，我们将一致性与每种产品所用技术的相对数量进行权衡：×3+×2=2.6.5结果我们现在通过将其与企业效率指数相关联来测试前一节中定义的企业一致性度量。事实上，如果我们的假设是，相关技术领域的创新有助于发展企业级能力的有效组合，这在生产中得到体现，那么这应该与企业绩效相关。第一个测试如图8所示，该图绘制了样本中企业的Γ的装箱值与劳动生产率的装箱分位数（以员工增加值衡量）。

该图显示了明显的正相关关系，初步证据表明图8：一致的多元化与劳动生产率。该图绘制了样本中企业相关多元化（Γ）的组合值与劳动生产率的组合内分位数。Γ与劳动生产率之间明显的正相关关系表明，技术组合的一致多元化获取了有关企业生产结构的相关信息。我们对技术投资组合一致性多元化的衡量，捕捉到了有关企业生产结构的相关信息。作为对Γ捕捉企业生产效率相关方面能力的进一步测试，我们将其与劳动生产率进行回归。表1总结了最小二乘回归的结果，进一步证实了图8所示的假设。即使我们将企业规模（以总资产衡量）和多元化（即企业专利组合中的技术代码数量）作为控制因素，与一致多元化相关的系数在所有回归中仍然是正的和显著的。此外，尽管单独使用简单的差异在统计学上显著，但当与Γ在同一模型中使用时，它会失去预测能力。这一点尤其有趣，因为它表明，一家公司的技术知识组合中相互关联的技术的数量（其关系由我们的一致性度量量化）比该公司创新的技术领域的法定数量更相关。特别是，一旦将一致的多元化添加到回归集中，多元化的统计意义（以构成固定技术组合的技术数量衡量）就会消失，这表明前者可以被视为后者的代理。

我们的发现表明，企业所知与其生产相关，其知识存量的内部一致性甚至比其范围更相关。变量（0）（1）（2）（3）大小0.079***0.079***0.081***（0.023）（0.008）（0.008）差异0.010 0.074***（0.045）（0.009）一致Div 0.136***0.154***0.200***（0.045）（0.017）（0.016）R0.063 0.062 0.040 0 0.060表1：劳动生产率与一致差异、差异的回归，和规模1中所示的结果可以用二维图表示，在二维图中，我们将劳动生产率视为多样性和连贯多样性的函数。在图9中，我们使用这两个变量将企业聚集到基于其劳动生产率排名的方形区域。正如所料，一致性和标准差异之间存在着很强的相关性，这导致主对角线之外出现白色（空）正方形。更有趣的是，与标准多元化相比，一致的多元化具有更强的解释力：平均而言，水平层面的劳动生产率梯度高于垂直层面。我们通过分析企业规模所起的作用来结束本节。与前一个图表类似，在图10中，我们将劳动生产率绘制为规模和连贯多样性的函数。这两个变量显然是互补的：平均而言，大规模或大一致的多元化与更高的劳动生产率相关，两者的线性组合也是如此。

显然，平均而言这是正确的，并且存在很大程度的异质性。然而，通过将图10与图9进行比较，我们可以得出结论，标准多元化对劳动生产率的影响取决于其与规模和一致性多元化的相关性，因此，这代表了一个更好的框架，可以讨论技术企业投资组合结构对企业绩效的影响。图9：劳动生产率作为多元化和连贯多元化的函数。我们在表1中指出的图形表示：多样性在考虑两者时，其解释力有利于连贯的多样性。请注意，给定固定的多元化价值，劳动生产率往往会随着连贯的多元化而提高（即从左到右，考虑水平切片），而反之则不成立。6尺度的相关性在本节中，我们简要讨论了数据分辨率与经验分析结果的相关性。尽管在本文中，我们讨论了公司专利组合，并因此将注意力集中在单个经济主体而非地理区域，但数据的缩放仍有空间对结果产生影响。探索这一影响最直接的方法是改变定义M所采用的技术分类的粗糙度。虽然这一练习可能会带来有趣的探索，但我们希望专注于一个更微妙的渠道，通过这个渠道可以传递影响，即用于定义B的地理比例。请注意，当NB进入方程式8时，其大小必须与M的列数相匹配，即。

它必须代表图10：劳动生产率作为规模和连贯多样性的函数。连贯的多元化提供了有关企业绩效的补充信息。在确定企业技术组合的相同技术规模下的相关性。然而，对定义B的矩阵的地理聚合没有限制。事实上，可以用另一个矩阵代替M，在该矩阵中，企业根据所在国家或地区进行聚合，并使用它来计算新的关联矩阵B，其中起始地理聚合可以任意粗略。图11显示，事实上，用于确定技术领域全球关联性的地理尺度对所观察到的技术之间的全球关联性有着深刻的影响。事实上，右面板和左面板之间存在显著差异，分别代表方程式7中的B和从M计算出的B。我们指出，我们使用了IPC分类对行和列进行排序。请注意，在后一种情况下（基于国家的聚合），相同的技术代码比在前一种情况下（我们在企业层面开展工作）更集中。这一发现并不令人惊讶，因为在国家层面上定义技术相关性意味着考虑极端图11的技术组合：如果相关性矩阵B的结构是根据不同地理层次的数据聚合而成，则其结构会发生变化。左面板表示从M的聚合版本计算得出的▄B，例如▄M，其中的行不再索引单个企业，而是索引这些企业所在的国家。右面板表示方程式7中的B，这是本文中使用的相关性度量。