知识深度如何影响高校知识创新绩效？

罗泽意，周完妹

(湘潭大学，湖南 湘潭 411105)

学术创业实际上是通过“知识生产—知识传播—知识应用”的知识创新链条拉伸实现知识增值的过程[1]。学术创业属于知识创新范畴，但更加关注知识的应用和对经济社会发展的直接作用，偏好于通过知识创新价值的表达和交换价值的实现来体现知识的工具价值。高校作为知识创新的主力军，其知识创新绩效对国家知识创新能力提升及经济社会发展具有重要的驱动作用，是我国争夺科技创新国际主导权的重要支撑因素。当前高校知识创新绩效和学业创新绩效相关研究大多是运用静态或动态指标评价[2-3]。知识是组织创新创业能力提升最重要的资源，是知识创新组织获取组织创业绩效和创新竞争优势的重要支撑。分析创新组织对相关知识的吸收能力、整合能力和运用能力(即知识深度)如何影响创新组织的知识创新绩效比单纯评价组织创新绩效或创业绩效更具建设性意义。但是，既有相关研究大多是以企业作为研究对象，以知识创新绩效作为研究问题，得出的结论是知识深度对企业知识创新绩效的影响呈现倒U型特征。那么知识深度与高校学术创新效率会有怎样的响应关系？它们之间的响应关系是否也会具有倒U型特征？哪些重要因素在影响知识深度与高校学术创新效率之间的响应关系？它们又是如何影响的？本文运用33所高校2011—2020年的专利数据，探究知识深度与高校知识创新绩效的响应关系以及知识宽度、知识搜索和知识重用在其中的曲线调节作用，以期为高校知识创新绩效和能力提升提供参考。

一、 理论模型与研究假设

(一) 理论模型构建

1. 知识深度与高校知识创新绩效

知识基础理论认为，创新能力的差距是由各自差异化的知识基础造成的[4]。科研组织或个人对某一领域所获知识的吸收能力、整合能力和运用的熟练程度对其创新能力和创新绩效具有根本性影响，即知识深度对组织或个人的创新能力和绩效具有根本性影响。知识深度越高，组织或个人的知识网络结构就越复杂[5]，可以更好地通过整合某领域专业元知识，对其反复重组吸收和利用，增加知识网络节点。所以，知识深度的挖掘有利于增强其发现某学科领域前沿问题的敏锐洞察力，越能提升从根源处解决问题的能力，因此对知识创新和知识创新绩效具有正向作用。但是既有研究[6-7]表明：企业组织中，知识深度对于知识创新绩效的影响并不总是正向的，也可能带来负面效应。一般认为是因为知识深度可能会造成其思维的固化，产生“知识刚性”现象，从而给企业科研创新带来负向影响。从知识创新的一般角度讲，高校的知识创新也可能存在“知识刚性”现象。但由于高校以知识创新作为基本职能之一，能够对“知识刚性”保持警惕和预防，会有意识有组织地减少或者消除知识深度对知识创新绩效带来的负面影响。

2. 知识宽度因素的调节作用

知识深度对于高校的知识创新绩效的影响关系曲线可能会受到知识宽度的影响。依据组织吸收能力理论和知识基础理论，组织是一个知识元相互交叉结合的有机体[8]。科研人员或团队的知识宽度，可以促进其有效识别、获取、吸收重组以及创造运用有效知识，从而提升其科研创新能力[9]。在整个科研创新的过程中，知识宽度起到了一定的基础性调节作用。高校及其科研人员首先在自身原有知识宽度的基础上，通过识别获取有效的外部新知识，然后再将原有知识和外部获取的新知识相结合创造新知识，从而利用新知识实现科研创新性开拓。高校及其科研人员的知识基础越宽，意味着其自身拥有更为丰富的知识种类，其知识面越广，对于识别获取有效知识越有利。然而，需要警惕的是“黏性知识”的产生[10]，知识基础过宽可能会减缓其知识吸收重组的速度和效率，容易诱发其满足于现有知识储备，在科研工作过程中易产生懈怠心理，从而降低其科研创新绩效。这可能会抵消一部分知识深度对高校知识创新绩效的正向影响，增强一部分知识深度对高校知识创新绩效的负向影响。

3. 知识搜索因素的调节作用

高校知识搜索的深度及宽度在一定程度对其知识的吸收和转化能力造成影响，从而影响其创新效率[10]。为了缓解或防止过度依赖内部知识，高校需要源源不断地从外界获取新的知识，丰富自身的知识储备，从而进一步进行知识的耦合和转化，为科研事业做出更大贡献。同时，从外界获取的知识会影响内部知识的扩散效率以及知识的重组和创新质量[11]。伴随知识搜索量的提升，高校的知识创新效率不总是与之呈正向的调节关系。在知识搜索量达到一定峰值，知识过度重组耦合时，有可能会导致部分高校科研人员创新性减弱，学术能力衰退等问题。总之，随着知识搜索量、知识储备、知识耦合等的增加，高校的知识创新绩效也会随之增加；但当高校对新的知识搜索量超过一定的限度之后，由于时间成本、学习的效率以及整合能力等会使得知识创新绩效呈负向发展[12]。因此，高校对于新知识搜索的数量，将会影响到其对于知识的吸收和转化能力，从而对于知识深度与高校知识创新绩效之间的关系产生影响。

4. 知识重用因素的调节作用

知识重用主要是指新的知识点从产生到高校搜索到此知识点的时间间隔内，该知识点的被引次数。组织的学习理论认为，新的信息流的产生是在知识耦合和重组的过程中所产生的。该信息流集中反映和影响着组织及其科研人员对于新的知识点的学习、理解、吸收以及转化的能力。当重用频次越高时，高校及其科研人员的知识创新绩效与新知识深度之间的“倒U”型的关系曲线则会变得平缓[5，14]。因为，知识点在知识重用频次明显提高时，与它产生知识重组从而产生新的发明或创作的概率和次数将会增多，而该知识的新颖度以及其再次发生重组的概率可能会降低。此外，过高的知识重组频次可能导致高校吸收和利用知识点的惰性，即偏好吸收和利用那些既有知识。这种惰性将使其知识搜索的效率降低，进而使得再次创新的能力下降。

故，综合上述分析我们最终建立的理论分析模型(见图1)。知识深度对高校知识创新绩效存在显著影响，且其影响关系可能是较平缓的倒U型或者非倒U型。而知识搜索、知识宽度以及知识重用通过调整知识深度与创新绩效的关系向度而影响高校知识创新绩效。其中，知识搜索和知识宽度主要起负向调节作用，促进知识深度与高校知识创新绩效的倒U型响应关系的形成，而知识重用则主要起正向调节作用。

图1 理论模型构建结果

(二) 研究假设

根据理论模型构建结果，我们提出如下具体假设：

H1：知识深度对高校知识创新绩效的影响呈现倒U型关系。

H2：知识宽度负向调节知识深度与高校知识创新绩效间的响应关系。

H3：知识搜索负向调节知识深度与高校知识创新绩效间的响应关系。

H4：知识重用正向调节知识深度与高校知识创新绩效间的响应关系。

二、 研究设计

(一) 样本选取和数据来源

结合软科中国大学排名及各高校在2011—2020年的平均年度专利申请数据，并剔除经差异化指标列入排行榜的政法、语言、体育等单科性大学，最终选取我国33所具有专利指标代表性的高校在2011—2020年的公开专利数据作为研究样本，整理成为短面板数据并测度相关变量。通过运用Excel和Stata 16.0 软件对数据进行筛选和整理，最终样本含有218512条公开专利以及330个观测值。

本文所用专利数据均来源于大为innojoy专利数据库。为排除各高校间专利数据差异的影响，主要选取单科类和综合类高校专利数据，并根据年申请、公开专利数以及专利引用次数筛选出33所高校专利数据作为研究样本。

(二) 变量及其操作化

1. 因变量

因变量为高校知识创新绩效。专利权属于私人财产权的一种，和知识创新成果的运用与增值密切相关，因此可以运用专利数据衡量高校的知识创新绩效。本文采用高校2011—2020年公开的专利总数来表示其知识创新绩效。

2. 自变量

自变量为知识深度。借鉴王巍等学者的方法，将知识深度(Depth)操作化定义为技术关联度占比均值之和(Proportion of technology relevance，PTR),如公式(1)所示。即在第t个观测年度内，各高校每个专利分类号下，每个专利技术类别占比与子样本中该专利技术类别占比。知识深度(Depth)就是在公式(1)的基础上，求出技术关联度占比的均值再求和，如公式(2)所示。

(1)

(2)

其中，P指该观测年度内某高校科研专利分类号r所含有的专利数量，t是指样本观测年，i是指子样本中即各高校观测年的科研人员总数。公式(1)代表的是高校的技术比较优势，PRT数值越高，说明该高校在某学科或技术领域内占有相对高的技术比较优势；反之，则占有相对低的技术比较优势。公式(2)衡量的是各高校的知识深度，该数值越高，表明高校的专利知识在某学科领域内越集中，即知识深度越高；同理，该数值越低，则表明高校的专利知识在某学科领域内越分散，即知识深度越低。

3. 调节变量

(1) 知识宽度

借鉴韩军辉和闫艺的思路，将专利分类号作为主要度量知识宽度的依据。在各高校专利分类号下，将2011—2020年每年所拥有的发明专利、实用新型专利、外观专利中，独次出现的专利数量作为知识宽度。高校拥有的该类专利分类号数量越多，说明其拥有的知识基础越宽。

(2) 知识搜索

借鉴王巍等的思路，将专利的后向引用信息作为衡量知识搜索的主要依据。从大为innojoy专利数据库中，提取各高校每年公开专利项下引用其他科研人员或组织的专利数据，测算其后向引用的专利次数，以此作为测量知识搜索的依据。高校公开专利后向引用专利的次数越多，说明其科研人员的知识搜索度越高。

(3) 知识重用

借鉴Kok H和罗蕾等人提出的知识组件测算思路，将专利的被引证次数作为衡量知识重用的依据。首先，针对各高校的公开专利信息，识别出2011—2020年间每年的新引用专利，提取其被其他科研人员或组织引证的数据信息。其次，将整理出来的被引证信息汇总，求出观测年度内各高校每年被引证次数的均值。最后，将均值作为高校科研人员知识重组的测算依据，均值越高说明其知识重用越高。

4. 控制变量

除了知识深度、知识宽度和知识重用的影响外，高校知识创新绩效还受到其他因素的影响。根据以往学者的经验，选取知识集成、知识转化、关系强度、专利保护、研发能力、市场价值这六个因素作为控制变量。

知识集成能力一定程度上反映了高校科研人员的创新质量，知识集成能力越强，越有利于科研人员创新。借鉴张端阳和秦鹏飞等人知识集成的测算思路，本文将各高校观测年度内的专利授权量作为衡量知识集成的依据。

知识转化是知识生产链条中不可缺少的一环，它在较大程度上对高校的知识创新绩效产生影响。知识转化频率越高越充分，学术创业的绩效便越高。借鉴许思娴学者的专利视角下测算产业贡献的做法，将各高校观测年度内的专利许可量、转让量和质押量作为知识转化的测算指标。

关系强度一定程度上反映了高校内部科研人员的团队合作能力，一般认为关系强度越高，科研人员之间的知识交叉融合度越高，因而越有利于科研创新[14]。借鉴以往研究，本文将观测年度内，各高校内部科研人员平均合作申请的专利数，作为衡量关系强度的指标。

专利保护一定程度上反映了学术创业的环境，专利保护程度越高越有利于科研创新。借鉴以往学者的做法，在此选取各高校观测年度内的专利同族数和权利要求数，作为衡量专利保护程度的指标。

研发能力一定程度上反映了高校自身的科研创新能力和学术创业潜力，其研发能力越强，知识创新绩效可能越高。借鉴以往学者的做法，在此选取各高校观测年度内科研人员个人被授权的专利数量，作为测算研发能力的指标。

市场价值一定程度上反映了知识创新绩效的质量和影响力，市场价值越高，学术创业的绩效也就越高。本文选取各高校观测年度内专利平均剩余有效期作为测算依据。

(三) 模型设定

由于本文因变量专利公开量属于非负计数变量，依据以往学者的做法，可以使用泊松分布和多层次回归分析模型进行分析。通过对因变量进行分析(见表1)发现，均值与方差不相等，因此不采用泊松分布进行估计。由于本文选取的研究样本属于短面板数据，借助Hausman检验，分别对变量进行固定效应回归和随机效应回归，得出在P<0.0001的显著性水平下拒绝随机效应回归。故，采用固定效应层级回归模型进行分析。本文所有统计分析结果均来源于Stata 16.0 软件。

三、 实证分析

(一) 描述性统计和相关性分析

对预处理后的变量数据进行描述性统计和相关性分析发现(如表1所示)，各变量之间相关性比较显著。知识转化与知识集成、创新绩效之间数值差异较大，说明高校对于创新成果的转化还不够重视。同时，从各变量均值来看，由于样本各指标间数值差异过大，本研究后续分析对变量均进行取对数处理，以缓解数据波动和异方差带来的影响。同时为了避免变量间产生多重共线性，对于交互项相关变量采取了中心化处理。在模型检验过程中，变量平均方差膨胀因子(VIF)值大于0小于10，且自变量与因变量之间方差膨胀因子(VIF)值等于1，故可近似认为不存在多重共线性，符合模型分析要求。

表1 变量描述统计和相关性分析结果

(二) 假设检验及回归结果分析

由于涉及曲线调节效应，本文采用固定效应层级多元回归方法对数据进行分析。为检验研究假设，将控制变量、自变量、自变量与调节变量交互项以及平方项等逐步加入多元回归分析模型中，回归结果见表2。

表2 高校知识创新绩效回归结果

在回归分析中，模型1仅包含控制变量，检验控制变量对高校知识创新绩效影响。模型2在模型1的基础上加入知识深度及知识深度平方项，检验自变量知识深度对高校知识创新绩效的影响。回归结果表明，知识深度与高校知识创新绩效的一次项回归系数显著为正(0.154，P<0.05)，平方项系数为负但不显著(-0.023，P>0.05)该回归说明，知识深度对于高校知识创新绩效有正向影响的假设得到支持，而知识深度对于高校知识创新绩效有负向影响的假设未得到支持。故，假设1得到部分验证。

模型3在模型2的基础上加入知识宽度与知识深度的交互项，检验知识宽度对知识深度与高校知识创新绩效“倒U”型关系的调节作用。回归结果表明，知识深度一次项系数显著为正(0.700，P<0.01)，知识深度平方项系数为负且显著(-0.104，P<0.01)，知识宽度与知识深度的一次交互项系数为负但不显著(-0.019，P>0.05)，知识宽度与知识深度的平方交互项系数显著为负(-0.036，P<0.05)。该回归结果说明，知识宽度对知识深度与高校知识创新绩效间的“倒U”型关系具有显著负向调节作用，即如果仅考虑知识宽度，在没有其他要素干预的情况下，知识深度对于高校知识创新绩效的作用关系“倒U”型关系的假设会得到支持。故，假设2得到验证。

模型4在模型2的基础上加入知识搜索与知识深度的交互项，检验知识搜索对知识深度与高校知识创新绩效“倒U”型关系的调节作用。回归结果表明，知识深度一次项系数显著为正(0.637，P<0.001)，知识深度平方项系数为负且显著(-0.095，P<0.001)，知识搜索与知识深度的一次交互项系数为负但不显著(-0.013，P>0.05)，知识搜索与知识深度的平方交互项系数显著为负(-0.026，P<0.01)。该结果说明，知识搜索对知识深度与高校知识创新绩效间的“倒U”型关系也具有显著负向调节作用，即如果仅考虑知识搜索的影响，在没有其他要素干预的情况下，知识深度对于高校知识创新绩效的“倒U”型作用关系的假设会得到支持。故，假设3得到验证。

模型5在模型2的基础上加入知识重用与知识深度的交互项，检验知识重用对知识深度与高校知识创新绩效“倒U”型关系的调节作用。回归结果表明，知识深度一次项系数为正但不显著(0.069，P>0.05)，知识深度平方项系数为负但不显著(-0.019，P>0.05)，知识重用与知识深度的一次交互项系数显著为正(0.137，P<0.01)，知识重用与知识深度的平方交互项系数为负但不显著(0.023，P>0.05)。该结果说明，如果没有其他要素(知识宽度、知识搜索)的干预，知识重用这个调节变量对知识深度与高校知识创新绩效有“倒U”型相应关系不会发生显著调节作用。但模型6在模型5的基础之上加入了知识宽度和知识搜索变量后，发现知识重用的正向调节作用变得显著，保障了知识深度对高校知识创新绩效的正向显著作用和非倒U型相应关系。知识深度的系数显著且为正(0.456，P<0.05)，知识重用与知识深度二次交互项系数显著为且正(0.077，P<0.05)。这说明，当知识宽度和知识搜索的负向调节作用出现时，知识重用的正向调节作用会随之出现。故，假设4得到验证。

为了更直观地说明知识宽度、知识搜索的曲线调节作用，综合运用Stata16.0软件和Excel软件，绘制模型3、模型4、模型6的调节效应图，如图2、图3、图4所示。

图2 知识宽度调节效应

图3 知识搜索调节效应

图4 知识重用调节效应

图2显示，当知识宽度越宽时，其对知识深度与高校知识创新绩效的“倒U”型关系的负向调节作用越显著。比较而言，当知识基础宽度越窄时，其对自变量与因变量关系的负向调节比知识基础较宽时的作用更弱。

图3显示，当知识搜索程度越高时，其对知识深度与高校知识创新绩效的“倒U”型关系的负向调节作用越显著。当知识搜索程度越低时，对自变量与因变量关系的负向调节作用比知识搜索程度较高时更弱。

图4显示，在知识宽度和知识搜索负向调节作用凸显的情景下，知识重用程度越高，其对知识深度与高校知识创新绩效的“倒U”型关系的正向调节作用越显著。反之亦然。

综合上述实证结果分析，H2、H3、H4成立并通过了数据检验，H1部分成立。当知识宽度、知识搜索对知识深度与高校知识创新效率的响应关系发挥负向调节作用时，知识重用的正向调节作用也会随之出现，并将知识深度与高校知识创新效率响应关系拉离倒U型轨道，从而使之回到正向线性响应关系。

(三) 稳健性检验

由于不同的样本对于所得的结果具有不同的敏感性，单科类大学专利产出或高于综合类大学，其知识创新的影响因素也不完全相同。我们按照高校类型，将样本划分为单科类和综合类高校样本，比较分析单科类和综合类大学的知识深度及其对高校知识创新绩效的影响，检验结果见表3和表4。经分析，我们得到以下结论。

表3 稳健性检验结果1(单科类高校)

续表3

表4 稳健性检验结果2(综合类高校)

续表4

第一，对单科类高校与综合类高校进行分样本回归，模型2结果都显示知识深度对高校知识创新绩效呈现显著的“倒U”型的影响关系，说明学校类型的划分并不影响知识深度对于高校知识创新绩效的影响，所得结果与表2检验结果相一致。

第二，两个子样本的知识宽度对知识深度与高校知识创新绩效“倒U”型关系的调节作用不同，单科类大学知识宽度对知识深度与高校知识创新绩效间的“倒U”型关系具有负向调节作用(-0.004，P<0.014)，与表2检验结果一致；综合类大学知识宽度对知识深度与高校知识创新绩效间的“倒U”型关系具有正向调节作用(0.013，P<0.016)，与表2检验结果稍有不同。

第三，两个子样本的知识搜索对知识深度与高校知识创新绩效“倒U”型关系的调节作用不同，单科类大学知识搜索对知识深度与高校知识创新绩效间的“倒U”型关系具有负向调节作用(-0.004，P<0.015)，假设3得到验证；综合类大学知识搜索对知识深度与高校知识创新绩效间的“倒U”型关系具有正向调节作用(0.01，P<0.018)，与表2检验结果稍有不同。

第四，两个子样本的知识重用对知识深度与高校知识创新绩效“倒U”型关系的调节作用相同。单科类大学知识重用对知识深度与高校知识创新绩效间的“倒U”型关系具有正向调节作用(0.035，P<0.025)；综合类大学知识重用对知识深度与高校知识创新绩效间的“倒U”型关系也具有正向调节作用(0.035，P<0.031)，与表2检验结果一致。

第五，稳健性检验与假设2、假设3稍有出入，原因在于单科类与综合类大学的知识搜索、知识宽度对于其知识创新绩效影响不同，可能的原因是综合类大学指学科门类涵盖齐全、跨学科学术知识领域的大学，科研实力、综合实力较单科类高校强，故有正向调节知识深度与高校知识创新绩效间的“倒U”型关系的表现。

四、 结论与讨论

(一) 研究结论

本文以知识基础理论、组织学习理论和吸收能力理论为基础，从大为innojoy专利数据库，选取33所综合性高校在2011年至2020年公开的专利数据作为研究样本，通过个体固定效应的层级多元回归分析得出了以下结论。

第一，知识深度对高校知识创新绩效的促进作用显著，但二者之间并不具有显著的“倒U”型影响关系。知识深度对高校知识创新绩效具有正向影响。高校知识深度越高时，其知识整合创新的能力越强。利用自身所学知识识别获取外部新知识，并对新知识与自身已有知识进行辩证融合，从而加深其对某知识领域的精通度。

第二，知识宽度对知识深度与高校知识创新绩效的响应关系其负向曲线调节作用，在排除其他因素干扰情况下，知识宽度会导致知识深度与高校知识创新绩效的响应关系呈“倒U”型。高校的知识基础越宽，意味着其自身拥有更全面的知识储备，从而越有利于其科研创新。然而，当高校知识基础宽度达到一定程度则可能会减缓其知识吸收重组的速度和效率，容易诱发其满足于现有知识储备，从而降低其科研创新绩效。故在增强知识宽度的前提下，会减弱知识深度对于高校知识创新绩效的“倒U”型影响。

第三，知识搜索对知识深度与高校知识创新绩效的响应关系其负向曲线调节作用，在排除其他因素干扰情况下，知识搜索会导致知识深度与高校知识创新绩效的响应关系呈“倒U”型。随着高校知识搜索量、知识储备、知识耦合等增加，其创新绩效也会随之增加；但当高校科研人员对新的知识搜索量超过一定的限度之后，由于时间成本、学习的效率以及整合能力等会使得高校知识创新绩效呈负向发展。故在加入调节变量知识搜索的前提下，会减弱知识深度对于高校知识创新绩效的“倒U”型影响。

第四，知识重用对知识深度与高校知识创新绩效的响应关系具有正向调节作用，但其调节作用是有条件的，即只有知识宽度和知识搜索的负向调节机制发挥作用时，知识重用的正向调节作用才会显现。当知识宽度和知识搜索导致知识深度对知识创新绩效的作用下降时，高校及其科研人员可能寻求知识重用的帮助，通过寻求对已有知识的重复利用和反复挖掘，通过知识重组(典型的就是交叉研究)提升支持知识创新效率。

第五，单科类大学与综合类大学知识创新的基础不同，知识搜索与知识宽度作用表现不同。单科类大学的知识搜索负向调节知识深度与高校知识创新绩效的响应关系；综合类大学的知识搜索正向调节知识深度与高校知识创新绩效的响应关系。单科类大学的知识宽度负向调节知识深度与高校知识创新绩效的响应关系；综合类大学的知识宽度正向调节知识深度与高校知识创新绩效的响应关系。

(二) 讨论

本研究通过对高校知识创新效率的研究得到的结论与其他学者对企业知识创新效率的研究结果既有相同之处也有差异之处。相同之处在于，知识宽度和知识搜索对高校知识深度与知识创新效率的响应关系同样存在负向曲线调节作用。不同之处在于，高校知识深度与知识创新效率之间的响应关系并未像企业中知识深度与知识创新那样直接呈现倒U型关系特征。只有在知识宽度和知识搜索负向曲线调节作用下，高校知识深度与知识创新效率之间响应关系才会出现倒U型特征。并且，这种倒U型现象在知识重用加入时会被消除。这个差异可能是本研究的重要价值所在，也是值得进一步讨论之处。

高校知识深度与知识创新绩效之间的响应关系之所以未呈现倒U型特征，其原因可能来自三个方面。

其一，可能是高校知识深度对其知识创新的正向促进作用较大抵消由于知识深度越深造成的“知识刚性”现象等负向影响，从而造成了倒U型特征的不显著。这一点可以通过比较模型2、模型3、模型4、模型6中的知识深度对高校创新绩效的贡献系数看出。模型3在模型2的基础之上加入知识宽度时，该系数由0.154提升到0.7。模型4在模型2基础上加入知识搜索时，该系数由0.154提升到0.637。而模型6将知识宽度、知识搜索、知识重用全部加入计算时，该系数则变为0.456，大于0.154而小于0.637和0.7。这说明，模型2中的贡献系数最低可能是由于部分贡献被用于抵制U型特征，而在知识重用对U型特征正向曲线调节作用下，知识深度用于抵制U型特征的贡献又部分被再次释放。

其二，也可能是以知识创新为基本职能的高校本身自有一套应对“知识刚性”的作用机制，消除或者削弱了“知识刚性”的负面影响。高校和企业存在本质区别。企业的知识创新以商业逻辑为主，学术逻辑为辅，根本目的在于知识的商业价值转化。高校的学术创业虽注重知识创新成果的商业价值，但由于长期的学术传统，其学术创业仍然以学术逻辑为主，商业逻辑为辅。因此，当知识深度对高校知识创新绩效贡献不经济时，高校有能力选择充分利用其丰沛的知识存量，对已有知识进行反复挖掘和重组来抵抗“知识刚性”。这一点或许可以从表1的相关性分析结果中略窥端倪：知识转化只和少量其他变量显著相关，研发能力却和所有的其他变量显著相关。

其三，高校类型也可能会影响知识搜索、知识宽度对知识深度与高校知识创新效率的响应作用。单科类大学单科性知识深度对于高校知识创新绩效的影响显著，但在知识宽度与知识搜索方面的能力较综合类大学要稍弱些，从表3和表4的检验结果可以得知，单科类大学与综合类大学对于知识深度与高校学术创新效率关系的调节作用各不相同。综合类大学知识宽度与知识搜索的能力较单科类高校强，对抗“知识刚性”的能力也就越强，产学研衔接机制或较单科类大学完备，故而使高校知识深度与知识创新效率之间响应关系的倒U型特征更加明显。