李芳 同济大学

一、研究方法与文献检索

Citespace着眼于对特定领域文献进行计量，分析潜在知识，它的功能是把海量文章的关键词、来源、作者等按照重要性以图谱的形式呈现出来，以频率高低来分析关键词，还能发现所研究领域相关文章的知识转折点、研究热点，演化的关键路径等，并由此预测相关领域论文的前沿和发展趋势[1]。

本文利用Citespace对“产学研知识流”研究领域的相关文献进行梳理和可视化，将文献分为中文和英文两部分，英文文献来源是web of science，检索方式为Knowledge flow/exchange/interaction取并集1，College、University取并集2，Enterprise、Company、Industry取并集3，之后三个并集再取交集，文章类型筛选为article和review，去重后得到有效文章827篇。中文文献的来源是知网，检索方式为知识流、知识转移取并集1，大学、高校取并集2，企业、公司、产业取并集3，三个并集取交集，去重后得到有效文章908篇。

二、研究热点分布

（一）关键词共现分析

通过提炼关键词，可以判断文章的研究主题与重点内容。每一篇文献的几个关键词之间通常不是独立的，而是有一定关联关系的，那么通过共现的方式可以表示这种关系，出现频率较高的关键词可以被认为是领域的研究热点。在关键词共现图谱中，节点数代表关键词的个数，不同的关键词之间有连线，如果在同一篇文章中出现过，那么两者之间就会有一条连线。图谱中圆圈的大小是以关键词的频率来衡量的，频率越大，相对应的圆圈也就越大[2]。

通过下图可以得知：中文文献共908篇，节点数452个，连线数996条，国内的研究热点集中在知识转移、知识管理、影响因素、知识共享、创新绩效等方面；外文文献827篇，节点数234个，连线数1822条，国外学者的研究重点是innovation、knowledge、university、industry等等。

（二）关键词聚类分析

通过关键词贡献图谱可以得到领域研究热点，但热点与热点之间的关系不易归纳，为了研究各关键词关联的紧密程度，使用Citespace的关键词聚类分析功能，聚类的原则是每一类内部的关键词紧密型较强，各个类之间的紧密型不强，选择LLR算法，并且从特定聚类的关键词中抽取名词短语生成聚类数和聚类名[3]。最终的聚类模块值大于0.3，说明聚类结构是显著的，聚类平均轮廓值大于0.7，这意味着选择的聚类合理且令人信服。

中文文献聚类共产生11个聚类，分别是运行机制、社会资本、创新主体、互联网、建筑企业、企业技术能力、母子公司、知识扩散、企业绩效、技术创新网络、企业升级。

英文文献聚类共产生12个聚类，分别是knowledge exchange、heterogeneity、bibliometrics、innovativeness、university-industry cooperation、motivation、incubators、science-based firms、academic entrepreneurship、industry、regional development、employability。

三、结论

本文使用引文可视化分析软件Citespace对有关大学-企业-产业间知识流的研究文献进行梳理，通过关键词共现和关键词聚类，对相关主题的热点进行分析，结果发现，国内外学者在这个主题下重点关注的内容略有不同，国内学者的研究热点是知识的转移、管理及其影响因素，国外更注重知识创新以及与大学、产业间的关系。