信息來源特征對科學知識采納的影響研究

石靜　吳柯燁　孫建軍

關鍵詞： 科技創新； 知識采納； 來源特征； 效果評估；專利引用

ＤＯＩ：１０.３９６９ ／ ｊ.ｉｓｓｎ．１００８－０８２１.２０２３.０９.００１

〔中圖分類號〕Ｇ２０３ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２３） ０９－０００３－１２

科學知識在技術創新過程中被采納進而推動創新， 作為基礎研究賦能社會發展的一種重要方式，在學界一直受到廣泛關注［１］ 。早在１９８５ 年， Ｎａｒｉｎ Ｆ等［２］ 就證明了技術創新發展對基礎科學研究的廣泛依賴。之后， Ｍｅｙｅｒ Ｍ Ｄ 等［３］ 進一步指出科學技術依賴關系存在領域差異， 生物科技［４］ 、生物醫藥［５］ 、化學等領域的科學與技術， 具有較高的依賴與較強的聯系， 有的甚至已經形成了獨特的轉化創新模式。例如醫學領域中的轉化醫學（Ｔｒａｎｓｌａ?ｔｉｏｎａｌ Ｍｅｄｉｃｉｎｅ）， 就是轉化創新的典型模式之一，這種模式下， 基礎研究與臨床研究緊密聯系、快速轉化， 大大提升了相關領域基礎研究成果向臨床研究的轉化效率［６］ ， 通過藥物研發、疾病診斷等方式為人類社會作出巨大貢獻。學者將生物醫學領域中此類“Ｂｅｎｃｈ ｔｏ Ｂｅｄｓｉｄｅ” 的研究稱為“轉化科學” （Ｔｒａｎｓｌａｔｉｏｎａｌ Ｓｃｉｅｎｃｅ）［７］ 。隨著研究的推進，對技術對科學知識采納過程的關注逐漸擴散至廣泛的科學領域， 如何促進科學知識的技術采納， 提升基礎研究的實踐價值與技術創新的研發效率， 成為重要議題。

然而， 在實際創新過程中， 并非所有有價值的科學知識都能被技術采納， 對被采納知識及其特征進行研究， 有助于理解科學技術關聯創新機制， 提升科技轉化效率。知識采納模型（Ｋｎｏｗｌｅｄｇｅ Ａｄｏｐ?ｔｉｏｎ Ｍｏｄｅｌ， ＫＡＭ）強調信息接受者通過感知知識的有用性決定是否采納知識， 這種感知有用性的決定因素包括知識自身特征和信息來源特征［８］ 。前人關于科學知識采納的研究證明： 科學知識所處領域與其研究主題對采納過程有顯著影響， 生物醫藥領域、交叉學科領域［９］ ， 以及主題更加基礎、新穎的科學研究［１０］ ， 更容易取得較好的采納效果。但在實際的知識采納過程中， 質量高的文章并不一定會給信息接受者更高的有用性感知。知識的來源特征或許能夠提供解釋， 其已經被證明在信息選擇、傳播與接受過程中產生重要影響。因為相比較， 難直接觀測、需要耗費精力的內容特征， 來源特征比較容易觀察， 以一種直觀便捷的方式（如來源可信度、社會聲望）反映知識價值， 用戶不需要具備大量知識存儲和付出過多的注意力， 就可以做出選擇［１１］ 。尤其是在當前科學信息過載的時代， 人們更傾向于通過外圍因素（Ｐｅｒｉｐｈｅｒａｌ Ｃｕｅｓ）處理信息［１２］ 。

在技術創新過程中， 科學知識搜索是知識采納的首要環節， 且作為典型的知識密集型活動， 在海量的科學知識中檢索、篩選、定位到有用的知識，對技術人員的知識、精力要求均較高。技術人員進行相關檢索后， 往往難以仔細考察每一條科學知識的具體內容， 此時信息來源特征很可能通過較為省力的外圍路徑輔助知識篩選［１３－１４］ 。基于此， 本文認為類似于信息來源特征對傳播過程的影響機制，科學知識來源特征對其采納過程可能也存在超出預期的影響， 導致具有相同內容的科學知識產生不同的技術采納效果。為了驗證這一假設， 本研究基于專利引用的視角， 構建全領域技術采納科學知識的數據集， 測度科學知識的信息來源特征， 探究來源特征對技術采納效果的影響。

１相關研究綜述

１.１技術創新采納科學知識的影響因素

技術采納科學知識的影響因素主要可以分為兩類： 科學知識的自身特征、創新團隊的社會學特征。科學知識的自身特征主要基于知識視角， 關注科學知識自身的內容特征。Ｋｅ Ｑ［１５－１６］ 的研究證明，科學知識的基礎性（Ｂａｓｉｃｎｅｓｓ）會影響技術對科學知識采納， 相比生物醫藥領域中的臨床研究， 基礎研究更容易通過被專利引用的方式支持技術創新； 基礎性更強的分子生物學和生物技術術語（如細胞、基因等）更易被專利引用， 但臨床性更強的術語（如病人等）更不易被引用， 進一步證明了知識基礎性特征對科學知識采納的正向作用［１７］ 。此外， 科學知識的創新性（Ｎｏｖｅｌｔｙ）也被證明能夠促進科學知識被技術利用， 產生直接的技術影響， 不僅能夠更多地被專利引用， 而且速度更快， 涉及技術領域更廣泛［１０］ 。

創新團隊的社會學特征則主要從社會學視角出發， 關注創新團隊的社會學特征。有研究證明， 團隊成員的種族差異性大， 不僅能帶來異質化的知識，還能夠促進國際合作， 擴大國際影響力， 因此更容易產生高質量的科學知識， 產生更大的技術影響［１７］ 。性別作為一個在科學評價領域備受關注的特征， 也在科學知識采納中被證明有顯著的正向效應， 科學論文中的第一作者往往是知識的主要貢獻者， 而最后一名作者往往是通訊作者， 對論文本身質量和影響力有重要影響， 研究證明這兩個位置的作者性別為男性的科學論文更易被專利引用［１７］ 。

１.２ 信息來源特征及其影響

信息源選擇是信息搜尋行為的首要環節， 用戶通過觀察信息源的特征對信息質量進行感知， 進而作出信息選擇［２０］ 。Ｗｅｓｔｅｒｗｉｃｋ Ａ 等［１１］ 提出， 來源特征與內容特征對個體行為具有不同的影響機制，必須分開討論。最具代表性的解釋機制是詳盡可能性模型（Ｅｌａｂｏｒａｔｉｏｎ Ｌｉｋｅｌｉｈｏｏｄ Ｍｏｄｅｌ， ＥＬＭ）， 模型將用戶的信息處理模式分為中心路徑與邊緣路徑，內容特征通過中心路徑起作用， 往往需要大量的精力與資源投入， 對用戶自身能力要求也較高； 來源特征通過外圍路徑產生影響， 對用戶能力、精力要求較低［１１，１３］ 。在信息量爆炸的當今社會， 可選擇的知識來源很多， 因此， 為了降低信息處理成本， 人們在信息選擇時會更容易受到來源特征的影響［２１］ 。

作者特征在信息選擇與接受過程中的重要作用已經在多個情境下得到驗證［２２］ 。例如， 在輿情信息傳播中， 新聞內容相似的情況下， 用戶對來自權威機構的政治新聞感知可信度更高［２３］ ； 在健康社區中， 信息傳播會受到信息發布者特征的影響， 來自權威機構、知名醫生、專業醫護人員、高學歷醫療從業者的健康信息會獲得更多的關注與認可［２４］ ；在社交網絡社區中， 來自意見領袖的信息更容易獲得用戶信任， 傳播范圍更廣［２５］ 。

除了作者之外， 對于科學知識而言， 期刊特征也是信息來源的重要標志， 論文所屬期刊反映了科學共同對其傳遞科學知識相關性、專業性和可信度的判斷［２６］ 。例如， 發表在影響因子較高期刊上的文章往往被更多論文引用， 被認為有更強的有用性［１８，２７］ ， 也更有可能被專利采納， 還更有可能激發突破性的技術創新［１７，１９，２８］ 。在高水平期刊多次發表文章的科研工作者， 往往被認為有更多的知識積累、更強的創新能力， 其產出的創新成果往往被高估， 帶來額外收益［２９－３０］ 。

２研究設計

２.１數據獲取與處理

研究數據來自微軟學術知識圖譜（Ｍｉｃｒｏｓｏｆｔ Ａｃ?ａｄｅｍｉｃ Ｇｒａｐｈ， ＭＡＧ）、ＰＡＴＳＴＡＴ（２０２０ 年春季版）和專利論文引用數據（Ｐａｔｅｎｔ Ｃｉｔａｔｉｏｎｓ ｔｏ Ｓｃｉｅｎｃｅ，ＰＣＳ）， 關聯３ 個數據集共同構建技術采納科學知識的數據集。ＭＡＧ 是目前最具規模與影響力的學術知識圖譜， 包含億級學術論文的元數據信息， 為學術研究提供了廣泛支持； ＰＡＴＳＴＡＴ 是來自歐洲專利局（ＥＰＯ） 的全球專利數據庫， 包含全球專利申請及相關活動的書目信息； ＰＣＳ 數據集則是Ｍａｒｘ Ｍ 等［３１－３２］ 關聯ＭＡＧ 數據與ＵＳＰＴＯ 數據， 基于概率算法所構建的論文—專利引用數據集。本文首先從ＰＣＳ 數據提取截至２０１８ 年的全部專利—論文引用關系， 用于表征技術對科學知識的采納。刪除存在字段缺失的數據， 共得到２９ ２３８ ３１０條記錄，每條記錄稱為一次“采納事件”， 事件內容為： ｛論文ＩＤ， 專利ＩＤ， 采納時間｝。之后， 將引用關系中的論文ＩＤ 與ＭＡＧ 數據進行匹配， 得到這些論文的全部元數據， 將引用關系中的專利ＩＤ 與ＰＡＴＳＴＡＴ數據匹配， 得到專利的全部元數據， 以備后續指標測度使用。數據集構建過程如圖１ 所示。

２.２變量定義與測度

在科學知識剛被生產出來時， 其影響力或價值指標（例如引用量）無法被即時觀察， 此時人們更傾向使用與科學知識自身相關的特征協助判斷知識價值［３３］ 。基于此， 本研究從知識生產者與知識傳播者兩個維度， 分別提出作者影響力與期刊影響力兩個指標， 作為科學知識的來源特征。二者均是科學知識被生產出來時， 就已經具備的“原生” 特征，不會受到刊載之后傳播過程的影響， 也不存在時滯性。其中， 作者影響力反映科學知識生產者在創新系統中的積累優勢， 這種優勢往往通過其歷史創新活動獲得， 可以增加其后續成果在系統內的顯示度， 帶來更高的技術采納概率， 文中通過作者過去所發表的論文總量測度。而期刊影響力在很大程度上反映了科學知識的質量， 在創新系統內具有較強的引導性， 使用期刊影響因子測度。期刊影響因子（Ｔｈｅ Ｉｎｆｌｕｅｎｃｅ ｏｆ ｔｈｅ Ｊｏｕｒｎａｌ， ＪＩＦ）指特定期刊過去兩年中發表全部文章的年平均被引用次數， 是評估學術期刊影響力的有用工具。無論是作者影響力還是期刊影響力， 都是動態變量， 會隨著時間的推移發生變化， 為了更準確地反映其對采納效果的影響， 均采用動態測度方法， 針對每條記錄， 計算截止論文被專利引用當年， 作者和期刊的影響力。

針對采納效果， 本文從強度、速度、廣度３ 個維度進行測度。采納強度， 通過科學論文在專利中的被引次數測度， 反映科學知識對技術創新所做的貢獻大小； 采納速度， 計算科學論文自發表到首次被專利引用時間差的倒數； 采納廣度， 計算引用該科學論文的技術領域個數， 反映科學論文的技術影響范圍。上述全部變量描述及測度方法如表１ 所示。

３結果分析

３.１描述性統計分析

３.１.１技術采納科學知識的發展趨勢

圖２ 展示了專利引用論文數據的時間分布情況，圖中紅色實線是引用數量， 黑色實線是每年被技術采納的科學論文數量， 黑色虛線是每年引用科學論文的專利數量。圖３ 展示了被采納的科學論文的比例變化， 綠色柱狀圖是各年全部科學論文的數量，黑色折線是當年被采納的科學論文數量占全部論文數量的比例。

首先， 自１９８０ 年起至２０１０ 年， 技術創新采納科學知識一直呈現快速增長趨勢， 尤其是在２０００年后的１０ 年間大幅增長至１５０ 萬次。２０１０ 年后，采納次數驟降， 科學創新速度經過早期爆發后增速放緩， 科學知識生產總量降低是其主要原因； 其次， 由于任一科學論文可能會被多次采納， 采納事件數量遠超被采納論文數量， 前者大約是后者的１０ 倍， 且被采納論文占比最高也不超過５％， 尤其是在科學知識總量大爆發時期， 科學知識被采納的比例卻直線下降， 說明大多數科學知識并未直接發揮技術價值。

３.１.２ 技術采納科學知識的領域差異

圖４ 和圖５ 展示了采納事件的科學領域與技術領域分布。其中科學領域的劃分采取Ｍｉｌｏｊｅｖｉｃ＇ Ｓ［３４］所建立的映射， 將２５２ 個Ｗｅｂ ｏｆ Ｓｃｉｅｎｃｅ 的學科分類重新分類到１４ 個大領域， 消除了原本學科體系中的模糊分類， 整體準確率達到９５％； 技術領域則采用施引專利所屬的ＩＰＣ 大類。

圖４ 展示了１４ 個科學領域中被專利引用的論文數量分布以及被引用論文占全部論文的比例分布。顯然， 醫學、生物學、化學、工程學和物理學等領域的采納事件發生較頻繁， 其中， 醫學領域有高達１２５ 萬科學論文被專利引用； 生物學論文被技術采納的比例最高， 有７.０７％的論文被專利引用。圖５ 顯示， “Ｃ 化學； 冶金” “Ａ 人類生活必需品”“Ｇ 物理” ３ 個技術領域對科學知識的吸收最多，無論是絕對數量， 還是相對比例均如此。

３.1.３ 科學知識的相對影響力分析

進一步地， 本節考察不同領域的科學知識對技術領域的影響力。借鑒相對消費指數（Ｒｅｌａｔｉｖｅ Ｃｏｎ?ｓｕｍｐｔｉｏｎ Ｉｎｄｅｘ， ＲＣＩ）測度某領域科學知識對某領域技術創新的相對影響力［３５］ ， 對于一個給定的技術領域（ｔ）和科學領域（ｓ）， ＲＣＩ 測度科學領域ｓ 的論文被技術領域ｔ 引用的相對比例， 具體見式（１）。

圖６ 顯示， 化學領域、物理領域的整體技術影響力較高。其中， 化學領域對“Ｃ 化學； 冶金” “Ｄ紡織； 造紙” “Ｂ 作業； 運輸” ３ 個技術領域具有較強影響； 物理學知識雖然整體被采納比例并不高， 但對“Ｈ 電學” 與“Ｇ 物理” 技術領域的創新具有較強影響。同時值得注意的是， 知識采納比例最高的醫學與生物學， 在８ 個技術領域均未產生較高影響力； 采納比例最低的心理學與天文學， 在技術影響力中也并未表現很差。

３.１.４被采納科學知識的來源特征分析

圖７ 展示了被專利引用的論文的來源特征， 一個很明顯的趨勢是無論是作者影響力還是期刊影響力， 均隨著時間的推移持續增長。對比圖２ 與圖３中整體采納事件時間分布后期的下降趨勢， 這樣的持續增長側面反映出科學系統內部的“馬太效應”。科學系統的長期發展帶來了不同維度的優勢積累，已經獲得優勢的主體可以借助這種“地位” 獲得更多的關注， 創造更大的影響［３８］ 。從知識生產者——論文作者來看， 在其歷史職業生涯中， 可以通過知識生產數量的積累獲得這種優勢， 而科學知識交流系統的重要中介和信息傳播者——學術期刊［３７］ ， 則可以通過引用行為獲得更高的地位與聲望。占據優勢地位的作者和期刊， 在科學系統內的可見度大大提高， 這可能也吸引了技術人員的注意力， 導致其在技術系統中的影響力隨之提升。

３.１.５科學知識被采納的效果分析

圖８展示了不同領域科學知識被采納效果的時間變動趨勢。圖８（ａ）采納強度與圖８（ｃ）采納廣度整體趨勢波動下降， 但在２０００年前后差別較大。２０００年之前， 強度與廣度均波動上升， 尤其是生物醫學與計算機領域。１９世紀的三大發現（Ｘ射線、放射性、電子）導致了２０ 世紀前３０ 年的物理學革命， 隨后產生的重大理論成果， 如熱力學與電磁學理論、化學原子論、生物進化論與細胞學說、相對論和量子力學， 作為２０世紀科學發展的先導和基礎， 直接促使未來兩百年人類科技大爆發， 知識總量快速積累。得益于此， 越來越多的科學知識被用于技術創新， 科學知識被技術采納的強度與廣度也隨之增加。２０００ 年之后， 雖然科學知識總量仍在增長， 但其增速放緩。創新越來越復雜， 真正有技術價值的科學發現減少， 不僅整體采納率下降， 采納強度與廣度也快速下降。

但圖８（ｂ）中的采納速度變動趨勢完全不同，整體持續上升。尤其是在２０１０年后， 速率翻了１０倍（上方子圖展示了近５年的速率變化）， 以農學為例， 其平均被采納時間間隔從１９８０年的１６.９２年下降到２０１８ 年的１.８８年。考慮到專利文獻公開的１８個月時滯， 科學領域的創新幾乎一經產出就立即被技術引用， 采納效率提升， 淘汰迭代加速。

３.２回歸分析

３.２.１整體回歸

通過３.１中對科學知識采納事件的分析， 可以看到隨著時間的推移， 科學知識被技術創新采納的比例正在降低； 同時， 科學知識淘汰加速， 無法被及時發現與應用的知識很快湮沒在知識洪流中。進一步探究科學知識來源特征與其采納效果的因果關系， 可以幫助厘清影響科學知識采納的關鍵因素，有針對性地指導有價值的科學知識生產， 挖掘已有科學知識的潛在價值。本節在原本數據集的基礎上進一步提取數據進行因果分析， 考慮到過早的科學知識發現模式與當今差異較大， 且早期數據規模較小， 因此只使用２００９—２０１８共計１０年的數據， 合計８０６７３４采納事件。

采用ＯＬＳ最小二乘回歸模型， 回歸結果如表３所示。結果顯示， 作者影響力對采納強度和廣度均有顯著影響（β ＝ １.０７１， ｐ＜０.０１， 模型（２）； β ＝１.２１８， ｐ＜０.０１， 模型（６））。知識生產者過去在科學系統內積累的優勢， 能夠為其新生產的知識在更廣泛的技術領域帶來更多的技術采納。但這種技術積累降低了知識被采納的速度， 技術對該知識的吸收需要更長的時間。相比作者影響力， 期刊影響力在采納強度與廣度上都具有更強的影響， 學術期刊作為科學系統重要的交流中介， 承擔著重要角色，長期聲望的累積使得其在科技領域的可見性更強，為其知識的廣泛、深遠傳播奠定了基礎。令人意外的是， 與作者影響力不同， 期刊影響力與采納速度呈正向關系， （β ＝１.１７３， ｐ＜０.０１， 模型（４））。

３.２.２分組回歸： 學科領域異質性

３.２.１ 的分析中沒有區分學科領域， 但不同領域的科技創新活動差異較大， 為進一步探究研究領域的異質性， 本節按照１４個大領域進行分組回歸。圖９展示了分組回歸的系數及標準差。

分組回歸結果顯示， 整體來看， 期刊聲望對采納強度和廣度影響更大， 對速度影響較小。具體到各個領域， 期刊對交叉科學、計算機科學、農學、社會科學等領域的科學知識被采納強度影響較大，而對天文學、數學、工程學的影響較小； 對交叉學科、物理學、計算機科學、地理學的知識采納廣度影響較大， 對天文學、數學的廣度影響較小。

作者聲望在３ 個維度均有相似程度的顯著影響， 但與采納速度是負向關系。具體來看， 作者聲望對數學、工程學、物理學的采納強度影響較大，對醫學、化學的影響較小； 對工程學、物理學、數學的采納廣度影響較大， 但對計算機科學的影響較小。較為意外的是， 作者聲望對醫學的采納廣度呈負向影響。

３.２.３魯棒性檢驗： 匹配策略

上述模型中， 考慮了學科領域與時間的影響，但仍有可能受到知識內容本身異質性的干擾。為了進一步控制研究內容的影響， 本節采用匹配方法構建實驗組和控制組， 進行回歸驗證。匹配是在條件獨立假設上發展出的用于控制協變量的研究策略，通過計算每個協變量的特定值所決定的個體實驗組與控制組的平均差異， 利用加權平均的方法將平均因果效應匯總到總的因果效應中［３６］ 。本節以論文發表時間、所屬學科領域與主要研究內容為協變量進行數據匹配， 構建實驗組和對照組。這些值在科學知識被生產出來時就已經確定， 滿足條件獨立假設， 可以賦予匹配結果因果解釋。具體來看， 對１９８０—２０１８ 年的全部論文， 按照各年各科學領域分組， 組內論文進行兩兩匹配， 選擇研究內容最相似的一對作為一組對照， 最終得到７６６４對論文。實驗組與控制組數據的變量統計結果如表４ 所示。

基于此匹配數據集， 直接進行廣義線性回歸。回歸結果如表５ 所示， 作者特征的影響結果穩定，整體結果與３.２.１ 結果相似， 但期刊特征的影響差異較大。表５ 顯示， 期刊聲望在強度、速度與廣度上均呈現顯著的正向影響， 也就是說對于一組發表在同一時間、同一領域、研究內容相似的論文， 來自較高影響力的期刊會提升被采納速度， 在更廣泛的技術領域， 產生更大的技術影響。

４討論

４.１技術采納科學知識成為重要的創新方式

本研究通過專利對論文的引用關系識別采納事件， 并在較長的時間尺度上觀察其變化， 結果顯示： 科學與技術的界限逐漸模糊， 技術采納科學知識已經成為重要的技術創新方式。這不僅體現在采納事件數量的增長上， 也體現在采納速度的提升上， 尤其是在２０１０ 年之后， 科學知識一經產出， 幾乎立刻被技術引用， 尤其是在某些創新密集的領域，技術研發活動自身具有較強的創新依賴于知識密集特征， 科學與技術之間的互動較為活躍。但由于科學知識總量的爆發式增長， 整體采納事件的占比仍在降低。同時， 總量的增長也降低了采納事件的強度與廣度， 人們獲取有用知識的成本增加， 單一知識的不可替代性降低［３９］ ， 導致大量知識湮沒在知識海洋中。這種降低趨勢與科技創新的精細化趨勢有關。隨著科學大爆發時代結束， 無論是學科還是技術領域分類均快速增長［４０］ ， 多數科學研究活動在有限領域中開展， 為少部分技術創新服務。

雖說技術創新采納科學知識有利于挖掘科學知識價值、節省成本、提升創新效率， 但在實踐過程中應該時刻警醒浮于表面的“形式化轉化”。本文發現， 科學知識被技術采納的數量多并不等同于技術影響力大， 例如知識被采納比例最高的醫學與生物學， 并未對技術創新產生較高的影響力； 采納比例最低的心理學與天文學， 反倒影響力較強。以實踐中重要的科技轉化方式——產學研合作為例， 不少研究發現， 合作過程存在流于形式、知識共享度低、資源流動性差的問題［４１］ 。

４.２科學知識來源特征的重要影響

本研究發現， 在廣泛的創新領域中， 科學知識的來源特征對其采納效果具有顯著影響。科學歷史上存在很多“背靠背” 創新， 每時每刻世界各地都有不同的研究人員圍繞同一問題開展相似研究，他們的創新成果相似， 卻獲得不同的影響力［４２］ 。這也體現了創新系統中的“馬太效應”， 包括期刊和作者在內的創新主體， 都可以通過歷史創新活動累積優勢， 在科學系統中獲得較高的“Ｓｔａｔｕｓ”［４３－４５］ ，使其生產出的知識在同等條件下獲得更多關注， 也更容易被技術創新活動采納。來源特征對采納效果的顯著影響， 從本質上看也是“馬太效應” 的體現：更有經驗、更活躍的知識生產者， 影響因子更高、更有聲望的期刊， 更有可能依賴過去的累積優勢，憑借“馬太效應” 使得原本相似的科學知識， 獲得不同的影響力。

在采納效果的３ 個維度中， 速度展示出一些不同的特點。首先， 雖然“期刊聲望越高， 速度越快” 這一結論是顯著的， 但相比之下， 采納速度、廣度的回歸系數是速度的幾十倍。一個可能的解釋是， 當前創新系統中的知識采納速率已經到達一個較高的閾值， 因此能夠提升的空間本就很小［４６］ ；其次， 作者影響力與采納速度呈負向關系， 這可能是因為產量較高的學者在知識原創性、新穎性方面較強， 但技術成熟度較弱， 從而對知識轉化造成阻礙［４７］ 。

４.３科學知識采納的領域異質性

科技創新活動的領域特征一直是備受關注的問題， 不同領域的異質性較強， 在研究過程中值得對比分析。雖然整體來看， 科學知識的來源特征與采納效果的關系在大部分領域一致， 但其系數存在較大差別。本研究通過分組回歸發現， 新興學科、實踐性更強、知識更新速度更快的領域， 知識的采納受到期刊聲望影響較大， 而基礎學科、理論性更強、知識更新相對較弱的學科， 其知識的采納受到作者聲望影響較大。例如交叉學科， ２０２１年在我國才被稱為正式的學科門類， 是知識更新迅速的新興代表， 其被技術采納的效果受期刊特征影響很大。在知識更新較快的新領域， 知識大量快速積累帶來檢索困境， 但又尚未培養起具有絕對優勢“地位” 的作者， 讀者會更多依賴期刊地位初篩知識。

５結論與展望

本文通過對１９８０—２０１８年的技術對科學知識的采納事件進行分析， 探索了科學知識的作者、期刊影響力等來源特征對采納效果的影響。研究結果發現： ①隨著時間推移， 科學知識被技術利用的速度加快， 但強度與廣度降低； ②實踐性較強的領域， 被技術采納的科學知識的確更多、更迅速， 但這些知識往往不能產生較強的技術影響力； ③科學知識的來源特征對其采納強度和廣度具有顯著促進作用， 但在提升采納速度上影響有限， 甚至會起到抑制作用。

上述結論對科學知識生產與技術采納具有啟發意義。首先， 無論是科學研究還是技術創新活動，都應當有組織、有策略地開展， 不僅應該提升科學知識的質量， 在產學研合作中更應提升技術創新對科學知識的吸收質量， 提升科學知識的技術影響力； 其次， 信息過載導致了知識價值的大幅折損問題也值得重視， “交叉科學” “融合創新” 等措施有望成為打破有限領域創新瓶頸的對策。此外， 管理者在政策制定時有必要考慮領域特征， 針對性地設計資源配置策略， 利用有限資源最大化科學知識生產及技術轉化的收益。