--- type: paper slug: sungjoo-yoon-2017-knowledge-network-exploratory-semiconductor title: >- Linking the firm's knowledge network and subsequent exploratory innovation: a study based on semiconductor industry patent data authors: - '[[sungjoo-yoon]]' - '[[kerstin-marhold]]' - '[[jinakang]]' year: 2017 venue: '[[innovation-organization-and-management]]' volume: '19' issue: '4' pages: 463-482 doi: 10.1080/14479338.2017.1358101 categories: - '[[innovation-management]]' methods: - '[[panel-analysis]]' - '[[patent-analysis]]' - '[[negative-binomial-regression]]' - '[[social-network-analysis]]' themes: - '[[knowledge-network]]' - '[[exploratory-innovation]]' - '[[component-knowledge]]' - '[[architectural-knowledge]]' last_updated: '2026-05-17T20:00:00+09:00' --- # Linking the firm's knowledge network and subsequent exploratory innovation: a study based on semiconductor industry patent data *[[sungjoo-yoon]], [[kerstin-marhold]], [[jinakang]] (2017)* · [[innovation-organization-and-management]] 19(4):463-482 · [DOI ↗](https://doi.org/10.1080/14479338.2017.1358101) > 기업의 [[knowledge-network]] 를 노드 (지식 요소) 와 엣지 (지식 결합) 의 가중 네트워크로 표현하고, Henderson 와 Clark (1990) 의 [[component-knowledge]] ↔ [[architectural-knowledge]] 구분에 따라 누적된 두 종류 지식이 *신규 요소·신규 결합* 의 생성에 어떻게 영향을 주는지 분석한다. 2000–2010 미국 반도체 111개 기업, 608개 firm-year 패널, 5년 sliding window 로 동학을 포착한다. 누적 결합 ↔ 신규 결합 사이 *역-U 관계* ($\beta=0.466, \beta^2=-0.030$), 누적 요소 ↔ 신규 결합 *양의 관계* ($\beta=0.032$), 누적 결합 ↔ 신규 요소 *양의 관계* ($\beta=0.097$) 가 확인된다. - **RQ**: 누적된 architectural knowledge (지식 결합) 와 component knowledge (지식 요소) 는 신규 요소·신규 결합의 생성에 어떻게 영향을 주는가, 두 차원은 어떻게 상호 작용하는가? - **방법론**: [[panel-analysis]], [[patent-analysis]], [[negative-binomial-regression]], [[social-network-analysis]] - **데이터**: 미국 반도체 산업 (SIC 3674) 111개 기업, 608 firm-year 관측, 5년 sliding window 6회 (2000–2004 ~ 2005–2009), USPTO 특허 103,787건 + Compustat + SDC Platinum - **주요 발견**: 누적 결합 ↔ 신규 결합 *역-U* (Wald χ² = 99.81); 누적 요소 ↔ 신규 결합 *양 (+0.032)*; 누적 결합 ↔ 신규 요소 *양 (+0.097)*; 누적 요소 ↔ 신규 요소 가설 (H2b 역-U) 은 *기각* - **시사점**: 재결합 역량이 강한 기업은 외부 sourcing 으로 *새 요소* 를 확보하는 전략이, 기술 지식이 강한 기업은 *기존 요소의 새 결합* 전략이 유리. 지식 네트워크의 *동학적 관리* 가 핵심 ![Figure 1. 기업 지식 네트워크의 시간적 변화: 기존 노드·엣지 반복은 활용적 발명, 새 노드·엣지 출현은 탐험적 발명을 의미한다. 두 차원을 분리해 측정하는 framework 의 시각화.](/papers/201710_YoonSJ_Linking_the_firms_knowledge_network_and_subsequent_exploratory_innovation_a_study_based_on_semiconductor_industry_patent_data/fig1.png) ## 요약 기업의 지식 자원은 단순한 요소의 합이 아니라 요소 *간 결합* 까지 포함하는 [[knowledge-network]] 로 표현된다 (Fleming 2001, Sorenson 과 Fleming 2004). 그러나 기존 연구는 (i) 지식 *요소* 의 속성에만 집중하고 결합의 역할은 다루지 않았으며 (Srivastava 와 Gnyawali 2011, Wang et al. 2014), (ii) cross-sectional 분석에 머물러 네트워크의 *시간적 변화* 를 포착하지 못했고, (iii) Dibiaggio, Nasiriyar, Nesta (2014) 가 처음으로 신규 결합 생성을 다뤘으나 patent-level 에 머물러 firm-level 동학으로 확장하지 못했다. 이 paper 는 Henderson 와 Clark (1990) 의 component·architectural framework 를 [[knowledge-network]] 의 노드·엣지에 매핑해, 두 종류 누적 지식이 두 종류 신규 지식 (요소·결합) 에 미치는 *네 가지 효과* 를 동시에 검증함으로써 이 빈 자리를 채운다. USPTO 의 primary 3-digit 기술 클래스를 노드, 같은 특허에 공동 출현하는 클래스 쌍을 엣지로 정의하고 tie strength (공동 출현 횟수) · node size (사용 횟수) 가중 네트워크를 구성한다. 2000–2014 미국 반도체 157개 기업의 특허 103,787건에서 시작해, 5년 window 를 1년씩 6회 이동시킨 패널 (firm-year 608개, 111개사) 을 만들고 종속변수는 1년 lag. [[panel-analysis]] · [[negative-binomial-regression]] (fixed-effect, Hausman test 기반) 결과: (H1a) 누적 결합 ↔ 신규 결합 *역-U* — $\beta=0.466, p<.01$, 제곱항 $\beta=-0.030, p<.05$; (H1b) 누적 결합 ↔ 신규 요소 *양* — $\beta=0.097, p<.10$; (H2a) 누적 요소 ↔ 신규 결합 *양* — $\beta=0.032, p<.01$; (H2b) 누적 요소 ↔ 신규 요소 역-U 는 *기각*. 통제 변수에서 firm size, R&D intensity, number of clusters 가 신규 결합에 +, number of clusters 가 신규 요소에 −. 이 결과는 architectural 학습의 *path dependency 함정* (적정 수준 넘으면 routine·NIH 로 새 결합 감소) 과 component·architectural 의 *상호 양의 관계* (서로의 형성을 돕는다) 를 동시에 보여준다. [[jinakang]] 의 [[knowledge-network]] 라인의 동학적 framework 첫 작업이며, 후속 Yoon et al. 2022 의 *네트워크 구조 + 지식 구성 상호작용* 연구로 직접 이어진다. 단일 산업 (반도체), 특허 데이터만 사용, 경영진 개입 미반영이 한계로 명시된다. ## 핵심 결과 | 가설 | 관계 | 계수 (β) | 유의수준 | 지지 여부 | |---|---|---:|---|---| | H1a | 누적 결합 → 신규 결합 (역-U) | 0.466 / −0.030² | p<.01 / p<.05 | 지지 | | H1b | 누적 결합 → 신규 요소 (양) | 0.097 | p<.10 | 지지 | | H2a | 누적 요소 → 신규 결합 (양) | 0.032 | p<.01 | 지지 | | H2b | 누적 요소 → 신규 요소 (역-U) | −0.006 / 0.000² | n.s. | 기각 | 표본 평균: 신규 결합 13.10 / 신규 요소 3.34 / 누적 결합 2.21 / 누적 요소 9.39, N = 608 firm-year, 111 firms, VIF 평균 2.04. ## 방법론 노트 지식 자원을 *count data* 로 측정하므로 분산 > 평균 (overdispersion) 을 허용하는 [[negative-binomial-regression]] 이 적합하고, 기업별 unobserved heterogeneity 통제를 위해 fixed-effect (Hausman test 기반) 를 채택한다. 5년 sliding window 는 특허 지식의 감가 (Mehta, Rysman, Simcoe 2010; Park, Shin, Park 2006) 를 반영한다. 핵심 회귀식: $$ \mathbb{E}[\text{NewComb}_{i,t}] = \exp(\alpha_i + \beta_1 \text{AccComb}_{i,t-1} + \beta_2 \text{AccComb}^2_{i,t-1} + \beta_3 \text{AccElem}_{i,t-1} + X_{i,t-1}\gamma + \delta_t) $$ 여기서 $\text{AccComb} = \overline{w}(\text{ties})$ (가중 엣지 평균), $\text{AccElem} = \overline{s}(\text{nodes})$ (노드 사용 횟수 평균), $X$ 는 firm size, R&D intensity, network density, degree centrality, number of clusters, alliance partners, $\delta_t$ 는 year dummy. $\beta_1 > 0, \beta_2 < 0$ 이 역-U 관계 가설. 동일 사양으로 신규 요소도 추정. ## 연구 계보 Henderson 와 Clark (1990) 의 component·architectural knowledge framework 와 Fleming (2001), Fleming 과 Sorenson (2001, 2004) 의 지식 재결합 검색 이론이 직접 기반이다. March (1991) 의 [[exploration-exploitation]], Yayavaram 과 Ahuja (2008) 의 지식 클러스터링·decomposability, Carnabuci 와 Operti (2013) 의 recombinant capabilities, Phelps (2010), Wang et al. (2014), Guan 과 Liu (2016) 의 [[knowledge-network]] 와 혁신 연구를 종합한다. Dibiaggio, Nasiriyar, Nesta (2014) 의 patent-level 신규 결합 분석을 firm-level 동학으로 확장. [[jinakang]] author page 의 *2기 (2013–2018) 외부 지식 탐색의 구조적 역학* 시기, *실타래 5: 네트워크와 지식의 상호작용* 라인에 위치하며, Kim 과 Kang 2015 (배태성의 양면 효과) 의 다음 단계로 분류된다. ## See also - [[jinakang]] - [[sungjoo-yoon]] - [[kerstin-marhold]] - [[innovation-organization-and-management]] - [[knowledge-network]] - [[exploratory-innovation]] - [[component-knowledge]] - [[architectural-knowledge]] - [[exploration-exploitation]] - [[social-network-analysis]] - [[negative-binomial-regression]] - [[sungjoo-yoon-2022-network-structure-knowledge-composition-alliance]]