邻近性与自主合作创新网络演进：以集成电路产业链为例

摘要：随着科学的发展及与知识的融合，越来越多的创新通过多个组织合作完成，但现有研究对于合作创新机理仍缺乏共识。从社会网络视角出发，通过引入邻近性概念构建合作创新解释框架，然后基于中国1985-2015年集成电路领域的500 945条专利的全样本数据，通过QAP多元回归分析发现：地理邻近、知识积累邻近、知识结构邻近与创新环境邻近共同影响合作伙伴选择，且随着时间推移与产业发展，地理邻近的重要程度逐渐降低，知识结构邻近的影响呈现U型变化，知识积累邻近和创新环境邻近在产业进入成熟阶段后开始正向影响合作创新伙伴选择，表明合作创新网络内已经出现一定程度的阶层固化现象。

关键词：合作创新网络；地理邻近；知识邻近；制度邻近；社会网络

0 引言

创新是促进经济增长的根本驱动力之一[1-2]，是各领域研究者们孜孜探求的重要议题。由于知识经济越来越呈现出离散的信息分布，没有一个个体能够解决所有问题，因此，合作创新越来越成为创新常态[3]。这一现象引起了创新研究者们的广泛关注[4-5]。现有研究虽然从交易成本、资源依赖与创新系统3个视角分别对合作创新机理给出了理论解释，但不同视角间仍未达成共识，缺乏统一解释框架，存在进一步融合与拓展的理论空间。

现实层面上，“十三五”规划建议围绕创新、协调、绿色、开放、共享五大发展理念谋篇布局，其中，“创新”被提及71次，且明确提出“创新是引领发展的第一动力”；2016年5月中共中央、国务院全面部署了国家创新驱动发展战略。这些重要论述与战略部署阐明了创新在我国当前发展阶段的战略地位和重大作用。为了推动创新，我国推广实施了产学研、国家高新区和产业联盟等多项制度安排。然而一个尚未被广泛关注的现实困惑在于：前述制度安排对于创新促进的背后逻辑何在？考虑到产业的动态发展后，前述制度安排的适用性是否发生变化？如何根据这种变化动态调整创新推动政策？这一系列的现实困惑指向了本研究所关注的合作创新机理问题。

1 理论回顾与解释框架

1.1 理论回顾与评述

合作创新首先是不同组织间的一种合作行为，因此源起于Coase、发扬于Williamson的交易成本理论首先对其给出了理论解释，即当组织合作创新所需的交易成本低于组织内部创新所需的组织成本时，合作创新就发生了[6]。但在哪些因素影响合作创新伙伴选择的问题上，现有研究出现了分野，出现了交易成本、微观视角的资源依赖和宏观视角的创新系统3种不同理论视角。

1.1.1 交易成本——理解合作创新的基础

Teece [7]就合作创新这一现象阐释了交易成本内涵，指出合作创新的交易成本来自于因合作契约不确定性、研发技术不确定性以及知识体系复杂化所导致的知识可转移性的降低，但当组织内部研发成本高于合作创新的成本时，组织则倾向于合作创新，尤其是研发成本较高的行业。随着研究的深入，人们发现交易成本理论可以从宏观层面解释合作创新何以出现(Why)，然而从微观层面解释选择和谁一起合作创新时(With whom)就显得比较乏力，因此资源依赖——理解合作创新的微观视角进入研究视野。

1.1.2 资源依赖——理解合作创新的微观视角

资源理论认为，企业是不同资源的集合体，当组织自身资源无法满足创新活动要求且自身知识学习成本过高时，企业就会向外部寻求互补性知识，进而产生组织间的合作创新[8]。合作创新的重点在于不同组织间各自获取并整合关键互补性知识，而吸收能力(Absorptive capacity)会影响互补性知识的获得，即影响合作创新。此外创新具有天然不确定性与风险性，处于不同技术环境下的互补性知识组合产生新知识的概率存在差异。因此，组织间对于合作创新风险的预判同样会影响合作伙伴选择[9]。

1.1.3 创新系统——理解合作创新的宏观视角

随着研究视角的不断扩大，人们发现组织创新与其所在的创新系统高度相关，因此相较于资源依赖，更为宏观的创新系统视角进入合作创新研究领域[10]。创新系统由系统内的组织和组织所面临的外部制度环境组成。创新系统中的组织构成包括高等学校、科研院所、企业、金融机构和公共机构等。不同类型组织拥有的知识类型与侧重点存在差异[11]，如大学的知识更具科学性与前沿性，企业的知识更具分析性与应用性，而更具多样性的组织构成有利于知识间的碰撞、互动并实现创新，因此创新系统内组织构成的多样性促进了合作创新。与此同时，创新系统中的制度因素在对合作创新产生约束的同时起到促进作用。如行业标准等制度规范的建立为不同组织间架起了沟通与合作的“桥梁”，使得不同组织间更能以同样的认知开展合作，有效降低了创新交易成本。

总体来看，交易成本理论从源头上解释了合作创新为何出现，但就组织异质性对合作创新伙伴选择和交易成本的影响探讨不足，后续兴起的资源依赖理论与创新系统理论则从3个维度分别进行了深入阐述，如图 1 所示。资源依赖理论中组织拥有的稀缺性知识(资源)影响了合作创新的潜在收益与成功概率，组织吸收能力则影响了交易成本；创新系统理论中的组织构成影响了合作创新的潜在收益，而制度环境则影响了合作交易成本。因此，后两种理论视角均延伸了交易成本理论，并对交易成本理论所忽略的收益与不确定性进行了考虑。但两种视角各自局限于微观层面与宏观层面，未能实现统一理论的构建，本文尝试完成统一理论框架的构建。

由于此前的合作创新研究多为合作发生后的原因解释，而无法还原合作前组织面临的所有对象(不局限于企业或高校的组织类型)，进而考察是什么因素影响组织在所有潜在合作对象中作出的选择，即对个体在外部环境中的嵌入性缺乏考虑，而近年兴起的网络研究为本研究所面临的个体如何在群体中进行选择提供了有益的方法论。

1.2 合作创新网络与邻近性视角引入

如前所述，本研究引入社会网络视角的原因在于“社会网络理论的产生和发展在个体理性选择与社会制约之间建立了一座桥” [12]，即社会网络一方面关注网络个体之间的相互关系，强调个体的主观能动性；另一方面还考虑了制度环境对个人行为的制约。这与理解合作创新所存在的资源依赖微观视角及创新系统宏观视角不谋而合。本文关心如何从社会网络视角解释合作创新机理，即合作创新网络中离散的节点间为何最终形成创新网络，哪些因素影响了合作创新网络连接的形成、维持与演进？然而，该领域研究需要完成所有外生变量的数据采集、处理与测度，尤其是当合作创新网络为整体网时，样本量较大，系统完成所有数据采集在实际操作中存在较大难度。因此，目前针对创新网络演化和动因的探讨仍然较少[13-15]。研究中大多将地理因素纳入考虑，除了因为地理是明显且重要的外生变量外，它也是相对容易测度的；对于其它变量，或者从区域宏观层面研究，或者缩小研究范围，仅考虑局部网，通过问卷调查等形式实现测度。基于此，本研究试图完成全样本的合作创新网络动态演进研究。

社会网络研究的一个典型特征是所有因变量均为主体间的二元关系，因此要求所有自变量也以主体间的二元关系形式进行测度，即对前述中提及的组织知识禀赋、吸收能力、交易成本、所在创新系统特征等影响因素进行二元化处理，为此引入经济地理学中用于衡量主体间二元关系的邻近性(Proximity)概念。邻近性由Bellet 等[16]提出并探讨了其与经济发展的关系，由最初的地理邻近性不断延伸至组织、制度、文化等的邻近性。随后学者们发现由不同人定义的各维度邻近性在内涵上存在重叠关系， Knoben 等[17]基于86篇文献，针对各邻近性的定义及具体指向，重新梳理了邻近性所包含的内涵并重组了各维度的邻近性。在新的分类体系中，地理与知识邻近性独立于其它邻近性之外，组织邻近性的内涵得到了扩充，包含认知、制度、文化和社会邻近性，这一分类体系构成本文的研究基础。

事实上，邻近性始终是理解创新与合作创新的重要视角，但多维邻近性与合作创新的3种理解视角间的理论关系至今未得到有效阐述，本文试图弥补这一缺憾。此外，现有邻近性与合作创新研究存在以局部样本为主，主要关注大学与企业间的组合，一定程度上忽略了其它类型组织的局限。因此，引入社会网络视角至关重要[18] 。

1.3 解释框架建立：多维邻近性选取

在提出解释框架前，本研究需解决如何选择恰当的邻近性作为解释变量，使得多维邻近性的选择既能够最大程度地融合前述3种理论视角，又符合现有研究避免多维邻近性重叠的分类要求，如图2所示。整体而言，邻近性衡量了主体间在特定维度上的交互关系，这种交互对创新产生影响。邻近性对创新存在影响的理论基础为创新主体更倾向于与特定维度上存在同质性的主体进行联系和互动，即同质性影响(Effect of homophily)。

1.3.1 地理邻近性与合作创新

创新是不同知识形成新组合的过程，即创新以知识流动和交互为前提。实际中创新组织的知识体系中存在大量隐性知识，隐性知识因难以编码而大多以面对面交流为主，而地理距离会阻碍隐性知识的传播[19]。因此，地理邻近性因为促进了隐性知识传播、降低了合作创新交易成本，对创新具有促进作用，与前述交易成本视角相对应。随着研究深入，人们发现地理邻近性对创新可能存在负向作用——空间集聚导致在知识产权保护并不充分的情况下创新成果很容易被地理邻近的其它组织“学习”，出现搭便车现象，这对于创新而言存在明显的负向作用。因此，虽然地理邻近性对合作创新的正向作用显而易见，但同样存在负向作用。总体而言，对于不同组织，地理邻近性是影响组织合作创新伙伴选择与投入的重要因素，因此地理邻近性应作为解释变量纳入统一解释框架。

1.3.2 知识邻近性与合作创新

知识邻近性是指组织间技术水平、实力和吸收能力的邻近程度。当知识邻近性很低时，合作组织间无法学到新知识也就无法实现进一步创新。与地理邻近性类似，知识邻近性同样会阻碍创新。过度的知识邻近可能使得组织对创新形成路径依赖 [20]，从而难以实现突破性创新；过高的知识邻近因其创新成果很容易被竞争对手“学习”，同样可能降低合作组织间创新的积极性。根据前述资源依赖视角，合作创新的一个重要特征是组织拥有的知识基础决定了其吸收能力，进而决定其合作前景。因此，组织进行合作伙伴选择时彼此知识禀赋的重叠与互补是其考虑的重要因素，知识邻近性应作为解释变量纳入统一解释框架。

1.3.3 制度邻近性与合作创新

Knoben定义下的组织邻近涵盖广泛，依据不同研究问题有不同取舍。其中，认知邻近性在创新研究中与知识邻近性重叠较大，需予以剔除；文化邻近性与大多数邻近性也存在重叠[21]，需予以剔除；对于社会邻近性，部分研究者将其纳入合作创新研究的解释变量范畴，但主要为个体层面，本文主要关心组织层面的合作创新，因此不将其纳入考虑；制度邻近性则独立于其它邻近性之外，对合作创新具有重要影响。

制度邻近性是指合作创新组织间面临的外部制度环境与约束的邻近程度。前文就创新系统视角下制度对创新的影响进行了阐述，制度邻近性则提供了对制度进行二元分析的视角。组织制度邻近性高意味着面临共同的文化环境、制度约束与发展诉求，这些均有利于组织间形成更稳定的心理预期，同时，降低了沟通与交流成本[22]，进而促进了合作创新。创新系统视角同样强调系统内主体多样性对创新的正向影响，背后的逻辑为主体多样性意味着知识多样性，如大学拥有更多的科学知识而企业拥有更多的应用技术，二者结合更容易产生新知识组合即创新。因此，从这个角度理解，制度邻近性会负向影响合作创新。事实上，制度邻近性的正向作用来自于交易成本的降低，而负向作用来自于知识结构同质化，与前述交易成本视角、资源依赖视角和创新系统视角相呼应，应作为解释变量纳入统一解释框架。

至此，基于3种研究视角，通过引入社会网络与邻近性概念，本文完成了多维邻近性与3种理论视角关系的匹配，建立了地理邻近性、知识邻近性与制度邻近性共同影响合作创新的解释框架，如图3所示。

2 变量测度与数据来源

为增强研究现实意义与结论推广性，选取集成电路产业链这一领域。集成电路产业涉及半导体材料、半导体分立器件、IC设计、IC制造与IC封测等行业，同时，下游应用更广泛，合作创新属性强。作为一国经济发展的支撑引擎[23]，集成电路产业自1965年始经历了产业初创、产业形成、产业发展和产业成熟4个重要阶段(如图4所示)，可以作为合作创新网络动态演进的典型产业进行研究。值得注意的是，不同国家间存在明显的技术扩散与技术代差，由于工业基础相对薄弱、政治影响等多重因素，我国内地与发达国家的技术代差始终存在。因此，本研究仅考虑我国内地集成电路产业链组织间的自主合作创新。

2.1 因变量——合作创新

本研究选取合作专利(即专利权人为两个或以上的组织或个人)作为合作创新的测度[24] [25]。组织专利申请数据主要来自德温特创新数据索引(Derwent Innovation Index,DII)。考虑到集成电路丰富的下游应用，借鉴Arora S K 等[26]在纳米材料领域的做法，采用产业链关键词——DMC/IPC代码——专利记录的技术路线来获取专利源数据。根据Chien-Che Chiu 等[27]的研究成果，明确了包括Semiconductor在内的产业链关键词进行IPC与DMC匹配，得到395个DMC代码与311个IPC代码，匹配得到专利源数据500 945条。

如前所述，本研究需从源数据中识别出有外企(及科研机构等组织)参与的合作专利并予以剔除，而同一组织机构间的合作在合作光谱中更偏向同一组织内部合作，因此需从源数据中识别出同一组织体系的合作专利并予以剔除；同时，本研究关注组织层面的合作专利，需剔除个人作为专利申请人的合作关系数据。此外，在数据处理中发现DII中对于我国组织的记录存在大量重名现象，需重点予以剔除。由于时间跨度为30年，期间诸多组织进行了更名，也需要纳入考虑；最后，我国集成电路产业链领域存在大量以技术获取为目的的兼并收购，收购方与标的方在收购交割完成后的合作专利应视为同一组织体系的内部合作，同样不属于本研究范围，需要甄别并剔除。由于涉及大量非结构化文本数据的识别与处理，本研究借鉴自然语言处理领域的分词方案，开发了一套基于特征值提取的模糊匹配算法(如图5所示)。为了从源数据中辨识出与西安隆基硅技术有限公司同属一个组织体系的单位以剔除组织内部合作，对该公司名字作自然语言分词处理，分解为地名、特征值与共性词，进而通过“隆基”这一特征值在源数据内进行匹配，得到包括宁夏隆基硅材料有限公司等在内的5家包含“隆基”的公司，进而通过案头研究，精准匹配出4家与西安隆基为同一组织体系的公司，而沈阳隆基与西安隆基只是恰巧同名，无组织上的隶属关系。关于剔除外企、重名和更名等操作，限于篇幅不再展开，最终得到合作专利4 836条，对应涉及2 496个组织的5 241条两两合作专利记录。

本研究关注合作创新网络的动态演进，需将所有合作专利划分成离散的子网络[28]，因此需考察两组织间合作关系维持的时间长度以确定子网络的分隔。一般认为，两组织间从确定合作、开始研发到申请专利，平均需要2年时间，且专利申请后两组织间的合作关系还会维系一段时间，因此对于合作专利网络一般取时间窗口为3年[28-31]。基于处理方法，得到我国集成电路产业链12个时间段内的合作创新网络，如图 6所示。

2.2 自变量——地理邻近

如前所述，地理邻近主要测度合作创新组织间地理距离上的邻近程度，其经典测度方式为：

其中，Dij为两组织间距离。距离测度包括定序距离、组织所在地级市的直线距离、球面距离和通勤时间等不同方式[3,32-33]，综合考虑研究的适用性与数据可得性，选择两组织所在地级市的球面距离测度组织间距离。A、B两城市间距离计算公式为：

+cos(laiA)×cos(laiB)×cos(longA-longB)]

其中，longA表示A城市经度，latA表示A城市纬度。组织所在地级市通过CV Source中国上市/非上市企业数据库、中国工业企业数据库、国家工商总局企业注册信息数据库、教育部2015年普通高校名单以及其它公开信息渠道获得。

2.3 自变量——知识邻近

进行邻近性测度需先对组织拥有的知识进行测度，本文采用组织所拥有的专利数Pi进行知识测度[24-25]。知识的一个重要特征即为不断更新，而集成电路产业链表现得更为明显——集成电路行业存在技术快速更新迭代的摩尔定律，相应地，此前的芯片技术与生产线过时，制造工艺也不再适用新技术，因此组织以前(如10-15年前)所拥有的创新知识已经不能构成当期的知识测度。综合考虑我国集成电路产业链的发展特征、技术更新速度与创新研究领域的普遍做法[24-25]，本文对组织所拥有的知识作如下定义：

即组织i在第T年的知识积累等于其过去5年的专利数总和。

如前所述，知识邻近性指的是组织间技术水平、实力和吸收能力的邻近程度。然而集成电路产业链因其技术更新周期短、产业内创新迭代快和下游应用范围广，导致产业间知识快速扩散与更新。因此，存在两种创新：一种为纵向创新，即在特定领域持续深耕以不断实现技术突破。集成电路领域的核心细分产业如芯片制造即为典型代表，此类纵向创新的前提是企业此前已经有了相当投入，始终保持着较为领先的地位并站在产业发展前沿，具有较高前瞻性，同时，企业此前的知识积累非常深厚；另一种为横向创新，即通过跨产业细分、甚至跨产业链上下游的跨界探索，实现新技术突破或应用。华为与美的合作进行智能家居领域的创新即为横向创新的典型案例。此类横向合作的特征为合作两方虽然在知识上有交集，但一般为分属两个产业的组织。此类创新对合作组织间的知识结构邻近性，即跨行业的共有知识存在较高要求。对于集成电路产业链这种涉及大量不同细分产业与知识的产业领域而言，拥有较高知识结构邻近性的两组织间共有知识越多，组织间交流成本越低，因此更倾向于合作。为此，本研究对知识邻近性作如下二分：知识积累邻近衡量两组织在特定领域纵向创新的深度是否邻近，而知识结构邻近衡量两组织在不同领域掌握的知识点是否邻近，对应横向创新，而此前研究对于知识邻近性的测度 [34-35]主要考虑了横向创新对应的知识结构邻近性，不够全面。

2.3.1 知识积累邻近

如前所述，知识积累邻近主要测度参与合作创新的两组织间知识积累上的邻近程度，衡量的是两组织在创新上的基础、实力、投入与诉求等方面的邻近程度。知识积累邻近的两个组织往往为产业内地位较相当的组织，即同为领先组织或同为后发组织，为此本研究对知识积累邻近作如下测度：

即对于组织i和j，得到一个介于0和1之间的Kno_Cum_ProxT,ij值，该值越接近1，表明两个组织的知识积累越邻近。

2.3.2 知识结构邻近

由于知识的内在属性，组织知识结构一直难以精准测度，学者们应用了包括定性测度、RTA测度、DMC测度和IPC测度等多种方式进行逼近测度[34，36-39]。本研究选取更能精准反映知识异质性的DII内的DMC作为知识结构的定量测度，具体定义如下：

若DII内集成电路产业链领域的知识分为N类，则所有知识构成了N维线性空间RN，其中任一组织i的知识结构则定义为：

KT,i=(a1,a2,…，aP,…，an)

式中，ap(1≤p≤n)为{0,1}变量，即组织在该分类里拥有知识则记为1，否则记为0。

如前所述，知识结构邻近主要测度参与合作创新的两组织间知识结构的邻近程度，衡量的是两组织在集成电路产业链内的专注领域是否相似。具体到本研究而言，集成电路产业链涉及的知识点较多，即N较大，通过Pearson相关系数法与N维向量空间夹角法计算出来的邻近性数值都过小，与事实不相符。因此，本研究借鉴Cantner 等[38]的做法，对知识结构邻近作如下测度：

其中，KT，i表示组织i在过去5年申请的所有专利中包含的知识点组成的N维知识结构向量，交集的类模除以并集的类模，由此不难得出Kno_Str_ProxT,i,j的取值介于0和1之间，越接近于1，表明两个组织的知识结构邻近程度越高。

2.4 自变量——制度邻近

类似于知识邻近的做法，对制度邻近作如下二分：创新环境邻近指的是两组织面临的外部环境是否邻近，而制度约束邻近指的是两组织性质是否邻近。这与创新系统理论中对组织性质角色和外部环境约束的二分一致。

2.4.1 创新环境邻近

创新环境邻近主要测度两组织所处的外部创新系统间在创新环境方面的邻近程度，在测度邻近性前需先对组织所处的创新系统及创新环境进行测度。本研究以每个省份为一个创新系统进行相关测度，数据来源为《中国区域创新能力报告(2000～2015)》。基于此，对创新环境邻近作如下测度：

即对于组织i和j，得到一个介于0和1之间的Inno_Env_Prox值，该值越接近于1，表明两个组织所在创新系统的创新环境邻近程度越高，合作创新的态度与观念也更为接近。

2.4.2 制度约束邻近

制度约束邻近主要测度两组织性质是否相同，衡量的是两组织在专利申请时知识禀赋、目标和利益诉求的异同，因此本研究对制度约束邻近作如下测度：

即对于组织i和j，组织性质相同则制度约束邻近记为1，组织性质不同则记为0。如前所述，本研究将组织性质分为5类：高等院校、企业、科研院所、政府机构与军队机构，并对所有组织性质进行标定。

2.5 控制变量——创新能力

除前述作为自变量的多维邻近测度外，影响合作创新的还有其它因素，其中最为显著的为组织创新能力，因此本研究选取创新能力作为控制变量。采用Guan[25]的做法，以组织过去5年的专利授权量作为该组织创新能力的一种测度。此外，由于本研究所有因变量与自变量均为二元数据，因此需对创新能力进行二元化处理。为此，本研究对创新能力作如下测度：

Inno_Capi,j=Avg(PT,i,PT,j)

即对于组织i和j，创新能力为两组织过去5年专利存量的平均值。

基于前述分析与讨论，本研究完成5个(3类)自变量和1个控制变量的测度，得到12个时间窗口内2 496个组织两两间的37 365 120组变量数据，所有知识结构邻近数据均以矩阵形式进行记录与存储。由于所有变量均为二元层面数据且并不具有显著的直观测度，因此说明篇幅较长，变量测度汇总见表1。

3 计量方法与结果

本研究关注合作创新网络如何在多维邻近性的影响下动态演进，因变量为网络中的连接，此类实证研究面临用关系解释关系的问题[40]，即合作专利数据为两个主体交互的结果，如果自变量也为两个主体间的某种相互作用或关系(如本研究中多个维度的邻近性)，那么用两主体间的某种关系去解释另一种关系存在天然的共线性问题，因此传统多元回归方法失效[41]。多元回归二次指派程序(MRQAP)的出现有效解决了这一问题：QAP的核心原理为对因共线性而存在虚假相关的两个矩阵进行大规模随机置换，对每次置换进行系数估计，进而对随机置换后得到的所有系数进行汇总，通过系数分布判断初始系数是否通过显著性检验。Borgatti 等[42]和刘军[43]已经进行了Ucinet具体实现原理的详细说明，本研究不再赘述。

3.2 计量结果与讨论

3.2.1 单一时间窗口内的回归结果与讨论

表2给出了2013-2015年时间窗口内的回归结果，总计构造了6个模型，采用逐步回归方式将自变量依次纳入考虑。分析结果如下：

(1)地理邻近对合作创新具有显著正向作用。本研究回归结果表明，在不限制组织性质和区域分布[3]时，地理邻近对创新存在显著的正向作用(p<0.01)，扩大了此前就地理邻近对合作创新影响的适用范围。同时表明，集成电路产业链发展尚未达到López[44]所担心的由于地理邻近导致“搭便车”现象对合作创新产生抑制作用的阶段，尽管可能存在临时地理邻近性的替代作用，但绝对意义上的地理邻近仍然能够较好地降低交易成本，促进隐性知识传播，发挥一定的正向作用。

注：*、**、***分别代表10%、5%和1%的显著性水平；括号内的数字为估计系数的标准误差

(2)知识邻近对合作创新具有显著正向作用。知识结构邻近比知识积累邻近更能促进合作创新(二者系数分别为0.021和0.004)，即对于合作创新伙伴的选择，“懂不懂”比“懂多深”更为重要。同时值得注意的是，知识结构邻近的重要性甚至超过了地理邻近(系数为0.016)，表明在合作创新伙伴选择上，拥有共同语言比地理邻近更为重要，组织为了寻找与自己处在同样创新子领域的伙伴，在2013-2015年的时间节点上愿意拓宽地域范围。此外，尽管知识积累邻近的重要程度弱于知识结构邻近，但其正向作用仍然值得讨论。如前所述，能够拥有丰富的知识积累、在创新上持续投入的组织往往是该领域的龙头组织，会得到更多的财政支持与政策优惠，因此它们属于合作创新网络内的强势组织。知识积累邻近的正向显著作用表明，在合作创新网络中已经出现了强者更强的结构与态势，相对弱小的中小组织(包括高等院校、企业与科研院所等)在合作创新伙伴的选择上处于劣势地位，难以寻找到知识禀赋更具优势的强势组织。

(3)制度邻近对合作创新的正向作用部分通过检验。回归结果表明，在创新伙伴选择上，潜在伙伴所处的创新系统及其创新环境已经成为考量之一，尽管其重要程度弱于其它所有邻近性指标，但其背后蕴含的意义仍然值得关注。以该时间窗口(2013-2015年)为例，以江苏、广东和北京为首的第一梯队的创新环境优越，以广西、内蒙古和贵州为代表的第三梯队的创新环境相对不尽人意。在这样差距悬殊的背景下，与知识积累邻近所反映出的个体微观层面上的强者更强所不同的是，创新环境邻近显著性反映是创新系统层面的马太效应，即来自第三梯队的组织无法成为第一、甚至第二梯队省份组织的合作伙伴，被迫选择同样来自第三梯队的合作伙伴。这种状态反映出2013-2015年这个时间节点上，我国集成电路产业链已经出现一定程度的“固化”现象，第三梯队省份的创新发展值得关注。

与其它维度的邻近性不同，制度约束邻近并未通过显著性检验，即对于合作创新伙伴的选择，组织性质并未成为显著影响因素。这一研究结论与Lagendijk 等[22]提出的制度邻近正向影响合作创新的观点不一致，与Broekel 等[45]提出的制度邻近负向影响合作创新的观点也不相同。对前述研究作进一步考察发现，无论是正向作用还是负向作用，其对机理的解释都与知识本身有关：Lagendijk 等[22]认为具有较高制度邻近性的组织(如大学与大学、高校与高校)，其拥有的知识结构和创新诉求往往较类似，因此更倾向于合作；而Broekel 等[45]认为恰恰是制度邻近性较低的组织间知识结构不同，使得新知识组合更容易发生，因此制度邻近性负向影响合作创新。因此，对于制度约束邻近性并未通过检验的一个可能解释为引入了更具根本性的知识积累邻近与知识结构邻近后，制度约束邻近性不再具有解释力。

3.2.2 分时段回归结果与讨论

如前所述，我国集成电路产业链不同发展阶段的影响因素可能存在显著差异，因此将时间因素纳入考量，通过分时段回归考察不同自变量的显著性与数值变化及其背后的产业逻辑。表3给出了1989-2015年12个时间窗口内的所有回归结果。为了更直观地显示表3所包含系数的变化趋势，绘制了图7，就自变量系数变化分析如下：

(1)随着交通便利与临时地理邻近性替代效应的增强，地理邻近对合作创新绩效的正向影响逐渐减弱。研究显示，在产业形成阶段(1978-2000)，交通成本相对较高而便利性相对较低，此阶段地理邻近在集成电路产业形成期正向作用突出；此后，在产业发展阶段(2001-2010)，随着交通成本降低与便利性逐步提升，地理邻近性重要程度降低；进入到产业成熟阶段(2011至今)后，交通便利程度进一步提升且由移动互联网带来的临时地理邻近对地理邻近性的替代作用增强，地理邻近的重要程度持续降低。事实上，自1988年开始的“火炬计划”的重要组成部分——国家高新区制度安排的背后逻辑即为主体集聚提高了组织间的地理邻近性，降低了组织间合作创新的交易成本，促进了知识(尤其是隐性知识)的流动与溢出，因此有利于创新与合作创新。但通过本研究发现，对于发展逐步走向成熟阶段的产业集群而言，地理邻近性对合作创新的促进作用随着产业成熟而不断降低，集群内企业在发展到一定阶段后需要寻求集群外拥有更具互补性知识的主体进行合作，因此高新区的作用会相应降低。

(2)随着产业链内领先组织与后发组织间差距的扩大，知识积累邻近在2008年左右开始影响合作创新绩效，且影响程度逐渐加深。研究还发现，自2008年开始合作创新网络内部出现一定程度的马太效应，且在产业成熟阶段(2011至今)知识积累邻近的重要程度日渐提升。这一结论表明在创新积累中处于相对弱势地位的中小组织将变得更加难以寻得有效的合作伙伴，这一现象值得引起创新政策制订者的重视。因此，如何制订靶向的扶持中小组织的创新政策应纳入研究视野。

(3)随着集成电路领域知识开始向下游扩散并逐渐成熟，知识结构邻近对合作创新绩效的正向影响基本呈U型变化。在产业形成阶段(1978-2000)，由于组织间知识禀赋较少，对知识结构邻近性的要求处于高位；进入产业发展阶段(2001-2010)，跨产业的横向创新逐渐增多，合作组织多来自不同产业，因此知识结构邻近性的重要程度降低且呈下降趋势；发展至产业成熟阶段(2011-至今)，产业链内知识扩散较为成熟，即便是跨产业合作，组织间仍有更大概率找到知识邻近程度更高的组织，因此知识结构邻近的正向作用逐渐提升，整体呈现U型发展。值得注意的是，进入产业成熟阶段后，知识结构邻近对于合作创新的重要程度首次超越地理邻近，即对进入该阶段的组织而言，寻找一个具有共同语言的合作伙伴比寻找一个地理邻近的合作伙伴更重要。这一现象对于创新政策研究者的启示在于，在产业发展进入成熟阶段后，基于知识结构邻近的产业联盟等促进合作创新的政策可能比基于地理邻近的高新区政策更加适用。事实上，我国自2007年日渐兴起的产业创新联盟制度背后的逻辑即为，同一产业联盟的主体多来自产业链内的不同细分环节，组织间因共属于同一产业链而拥有大量共同知识，因此知识结构邻近程度较高，有利于联盟成员间的合作创新。本研究结论同样说明，该项制度安排对于已经从发展阶段逐步走向成熟阶段的产业较为适用。

(4)随着省份间产业发展与创新环境差距的拉大，创新环境邻近在2010年开始影响合作创新绩效，且影响程度越来越深。在产业形成阶段(1978-2000)，各省间的集成电路产业发展和创新环境差距并不悬殊；到了产业发展阶段(2001-2010)，东部省份与中西部省份差距逐渐拉大，到2010年创新环境邻近开始正向影响合作创新，且在产业成熟阶段(2011至今)随着我国区域经济和创新环境的不断分化，其重要程度日逐渐提高。这一结论表明，组织在选择合作伙伴时自2010年开始考虑其“出身”，即省域创新环境，因此在创新环境方面处于弱势地位的中西部组织变得更加难以寻找到有效的合作伙伴。

(5)制度约束邻近在产业形成阶段正向影响合作创新，此后对合作创新绩效的影响不显著。如表3和图 6所示，制度约束只在1989-2004年短暂通过显著性检验，与Broekel 等[45]的研究结论类似，即企业还是倾向于与企业合作，大学还是倾向于与大学合作。一个可能的解释是在产业形成阶段，我国企业仍以消化国外先进技术为主(如华虹引进NEC生产线)，合作创新也以技术改进为主，偏向生产线的应用，而该阶段的大学主要专注于自主创新领域的突破[23]，因此该阶段大学与企业间的合作较为有限。进入产业发展阶段(2001-2010)和产业成熟阶段(2011至今)，制度约束邻近对合作创新的影响未通过显著性检验。一个可能的解释是引入更根本的知识积累邻近与知识结构邻近后，制度约束邻近不再具有解释力，即随着各类型组织合作频次的增加和知识融合，知识本身更是组织选择合作伙伴的主要考量因素，而非组织性质。

注：(1)*、**、***分别代表10%、5%和1%的显著性水平；(2) 括号内的数字为估计系数的标准误差

4 政策建议

基于前述集成电路产业链合作创新研究，提出如下政策建议：

(1)针对不同产业发展阶段制定差异化、精准发力的合作创新推动政策：在产业形成与发展阶段，高新区等类地理集聚政策较为适用，而在产业成熟阶段，产业联盟等类知识集聚政策更为适用。事实上，高新区、产业联盟与产学研3种创新推动政策的背后逻辑恰好对应本研究提及的地理邻近、知识邻近与制度邻近。3种邻近对合作创新绩效的影响在不同产业发展阶段存在差异化影响。因此，3种政策也应差异化应用。具体而言，对处于形成与发展阶段的产业而言，产业内组织竞争力较有限，对合作创新的交易成本也较为敏感。因此，高新区的制度安排能直接降低潜在交易成本，也更为适用。随着交通便利化与(移动)互联网带来的临时地理邻近性替代作用的强化，高新区制度安排对于合作创新的推动作用逐渐减弱。对于处于成熟阶段的产业而言，产业内组织竞争力显著增强，对交易成本不再敏感，而对跨区域拥有互补性知识的潜在合作伙伴需求提高。因此，高新区制度安排的促进作用较低，而基于知识邻近的产业联盟政策更为适用。

(2)针对知识与创新禀赋的“弱势”群体及落后区域制定靶向扶植政策。尽管对合作创新绩效的影响比其它邻近性弱，但知识积累邻近与创新环境邻近在产业成熟阶段呈现显著影响这一现象仍然值得政策制定者关注，即合作创新网络内出现的强势组织更倾向于寻找同样的强势组织作为合作伙伴，相对弱势的中小组织(包括高等院校、企业与科研院所等)在合作创新伙伴的选择上处于劣势地位。类似地，来自第三梯队省份的组织在合作创新伙伴选择上处于劣势地位。由于中小组织对构建充满活力的创新体系与创新网络至关重要，因此需制定更有针对性的扶植政策，以激发中小组织的创新活力，提升创新能力，从而带动创新网络整体活力与绩效提升。

(3)明确各类创新主体在创新链不同环节的功能与定位，激发产学研制度活力，加强各主体间的协同作用。在本研究中，制度约束邻近对合作创新绩效的负向作用并未通过显著性检验，表明集成电路产业链不同性质的创新主体间差异化发挥作用，协同发展现象并未出现。这与我国自1985年起在全国范围内推行产学研制度存在一定程度的背离，表明我国仍存在创新驱动体制机制不够完善、产学研协同创新动力不足和创新体系整体效能不高等问题。因此，应进一步明确各类创新主体在创新链不同环节的功能定位，进一步完善技术转移服务体系(包括高校技术转移机构和更完善的知识产权交易平台等)，激发主体间协同创新活力。

[1] SCHUMPETER J A.The theory of economic development:an inquiry into profits,capital,credit,interest,and the business cycle[M].Transaction publishers,1934.

[2] SOLOW R M.Technical change and the aggregate production function[J].The review of Economics and Statistics,1957(8):312-320.

[3] EJERMO O,KARLSSON C.Interregional inventor networks as studied by patent coinventorships[J].Research Policy,2006,35(3):412-430.

[4] OLIVER C.Determinants of interorganizational relationships:integration and future directions[J].Academy of management review,1990,15(2):241-265.

[5] 付家骥.技术创新学[M].北京：清华大学出版社，1998.

[6] BROCKHOFF K.R&D cooperation between firms-a perceived transaction cost perspective[J].Management science,1992,38(4):514-524.

[7] TEECE D J.Technological change and the nature of the firm[D].University of California,Berkeley Business School,1987.

[8] COMBS J G,KETCHEN D J.Explaining interfirm cooperation and performance:toward a reconciliation of predictions from the resource‐based view and organizational economics[J].Strategic management journal,1999,20(9):867-888.

[9] ASCHHOFF B,SCHMIDT T.Empirical evidence on the success of R&D cooperation-Happy together[J].Review of Industrial Organization,2008,33(1):41-62.

[10] COOKE P,URANGA M G,ETXEBARRIA G.Regional innovation systems:institutional and organisational dimensions[J].Research policy,1997,26(4):475-491.

[11] FISCHER M M.Innovation,knowledge creation and systems of innovation[J].The Annals of Regional Science,2001,35(2):199-216.

[12] 罗家德.社会网络分析讲义[M].北京：社会科学文献出版社，2005.

[13] BOSCHMA R,FRENKEN K.The spatial evolution of innovation networks.A proximity perspective[J].The handbook of evolutionary economic geography,2010:120-135.

[14] BALLAND P A.Proximity and the evolution of collaboration networks:evidence from research and development projects within the global navigation satellite system (GNSS) industry[J].Regional Studies,2012,46(6):741-756.

[15] KIM J,DIESNER J.The effect of data pre-processing on understanding the evolution of collaboration networks[J].Journal of Informetrics,2015,9(1):226-236.

[16] BELLET M,COLLETIS G,LUNG Y.Introduction'to the special issue on economy and proximity'[J].Revue d'Economie Régionale et Urbaine,1993(3):357-61.

[17] KNOBEN J,OERLEMANS L A G.Proximity and inter-organizational collaboration:a literature review[J].International Journal of Management Reviews,2006,8(2):71-89.

[18] 吕国庆,曾刚,顾娜娜.基于地理邻近与社会邻近的创新网络动态演化分析——以我国装备制造业为例[J].中国软科学,2014 (5):97-106.

[19] EVANS C L,HARRIGAN J.Distance,time,and specialization:Lean retailing in general equilibrium[J].American Economic Review,2005(8):292-313.

[20] ARTHUR W B.Increasing returns and path dependence in the economy[M].University of Michigan Press,1994.

[21] 李琳,韩宝龙.组织合作中的多维邻近性:西方文献评述与思考[J].社会科学家,2009(7):108-112.

[22] LAGENDIJK A,LORENTZEN A.Proximity,knowledge and innovation in peripheral regions on the intersection between geographical and organizational proximity[J].European Planning Studies,2007,15(4):457-466.

[23] 王阳元.我国集成电路产业发展之路[M].北京：科学出版社,2008.

[24] SCHILLING M A,PHELPS C C.Interfirm collaboration networks:the impact of large-scale network structure on firm innovation[J].Management Science,2007,53(7):1113-1126.

[25] GUAN J,LIU N.Exploitative and exploratory innovations in knowledge network and collaboration network:a patent analysis in the technological field of nano-energy[J].Research Policy,2016,45(1):97-112.

[26] ARORA S K,PORTER A L,YOUTIE J,et al.Capturing new developments in an emerging technology:an updated search strategy for identifying nanotechnology research outputs[J].Scientometrics,2013,95(1):351-370.

[27] CHIU C C,SU H N.Analysis of patent portfolio and knowledge flow of the global semiconductor industry[C].Portland International Conference on.IEEE,2014:3621-3634.

[28] HE J,FALLAH M H.Is inventor network structure a predictor of cluster evolution[J].Technological forecasting and social change,2009,76(1):91-106.

[29] BAUM J A C,SHIPILOV A V,ROWLEY T J.Where do small worlds come from[J].Industrial and Corporate change,2003,12(4):697-725.

[30] FLEMING L,KING III C,JUDA A I.Small worlds and regional innovation[J].Organization Science,2007,18(6):938-954.

[31] ESLAMI H,EBADI A,SCHIFFAUEROVA A.Effect of collaboration network structure on knowledge creation and technological performance:the case of biotechnology in Canada[J].Scientometrics,2013,97(1):99-119.

[32] HOEKMAN J,FRENKEN K,VAN OORT F.The geography of collaborative knowledge production in Europe[J].The Annals of Regional Science,2009,43(3):721-738.

[33] 李琳,张宇.地理邻近与认知邻近下企业战略联盟伙伴选择的影响机制--基于 SIENA 模型的实证研究[J].工业技术经济,2015,34(4):27-35.

[34] CASSI L,PLUNKET A.Research collaboration in co-inventor networks:combining closure,bridging and proximities[D].University Library of Munich,Germany,2012.

[35] NOOTEBOOM B,VAN HAVERBEKE W,DUYSTERS G,et al.Optimal cognitive distance and absorptive capacity[J].Research policy,2007,36(7):1016-1034.

[36] JAFFE A B.Technological Opportunity and Spillovers of R&D:evidence from firms' patents,profits and market value'[J].American Economic Review,1986,76(5):984-1001.

[37] 刘志迎,单洁含.技术距离、地理距离与大学-企业协同创新效应--基于联合专利数据的研究[J].科学学研究,2013,31(9).

[38] CANTNER U,MEDER A.Technological proximity and the choice of cooperation partner[J].Journal of Economic Interaction and Coordination,2007,2(1):45-65.

[39] 党兴华,弓志刚.多维邻近性对跨区域技术创新合作的影响——基于中国共同专利数据的实证分析[J].科学学研究,2013,31(10):1590-1600.

[40] 刘军.QAP:测量 “关系”之间关系的一种方法[J].社会,2007,27(4):164-164.

[41] KRACKHARDT D.Predicting with networks:nonparametric multiple regression analysis of dyadic data[J].Social networks,1988,10(4):359-381.

[42] BORGATTI S P,EVERETT M G,FREEMAN L C.Ucinet for Windows:software for social network analysis[J].2002.JP

[43] 刘军.整体网分析——UCINET 软件使用指南[M].上海：格致出版社，2014.

[44] L

PEZ A.Determinants of R&D cooperation:evidence from Spanish manufacturing firms[J].International Journal of Industrial Organization,2008,26(1):113-136.

[45] BROEKEL T,BOSCHMA R.Knowledge networks in the Dutch aviation industry:the proximity paradox[J].Journal of Economic Geography,2012,12(2):409-433.

Proximity and Evolution of Independent Collaboration Innovation Network：Evidence from IC Industry Chain

(The School of Public Policy and Management (SPPM) of Tsinghua University, Beijing 100084,China)

Abstract：With the evolvement of science and technology, more and more innovation activities are conducted by multiple organizations, but consensus on understanding the mechanism of collaboration innovation has not been established yet. This research tries to establish a comprehensive framework by employing and social network theory and introducing multi-dimensional proximity. This research employed a full sample complex network analysis and MRQAP analysis method, using collaboration patent data from 1985 to 2015 in IC industry chain, and found: Geographic proximity, knowledge cumulative proximity, knowledge structure proximity and innovation envioronment proximity are factors affecting collaboration partner selection. With the evolution of IC industry chain, the significance of geographic proximity on facilitating innovation collaboration is declining, and becomes lower than knowledge structure proximity since maturity of industry chain. The significance of knowledge structure proximity shows a U-shape. The significance of knowledge cumulative proximity and innovation environment proximity after the industry chain gets mature shows that the Matthew Effect has occurred within the innovation network.

Key Words：Innovation Collaboration Network；Geographic Proximity；Knowledge Proximity；Institution Proximity；Social Network

作者简介：于永达(1952-)，男，山东龙口人，清华大学公共管理学院教授、博士生导师，研究方向为国际经济与产业创新；闫盛枫(1991-)，男，黑龙江富锦人，清华大学公共管理学院博士研究生，研究方向为创新网络与产业创新。