0 引言
产学专利合作网络是企业、高校在合作过程中，通过联合申请专利、转让(购买)或交叉许可专利而形成的多维度复杂网络。该网络集成了申请人、专利权人、发明人、专利引文及引证信息，能够充分体现节点间合作关系，同时反映内嵌其中的知识流动与资源整合过程[1]。当前，越来越多的企业通过专利合作保持与提升自身竞争力。运用社会网络分析工具，从网络视角探究产学专利合作创新模式已成为当前研究热点。产学专利合作网络研究有利于讨论产学技术创新态势以及区域合作特征，为创新资源配置提供决策支持。
合作网络知识流动是指创新主体之间发生的一系列知识溢出、扩散、吸收与转化。网络主体通过知识流动实现知识互补，达到知识共享，进而提高创新效率与产出。在产学合作网络中，企业与高校拥有异质性知识，高校侧重于基础研究而企业更关注应用研究，二者间普遍存在知识势差，这些特征构成知识流动背景。企业与高校通过知识的跨组织转移、流动和学习，实现知识增值。知识流动还能够反映技术融合与区域合作情况。有研究表明，合作形成的集聚效应是驱动企业成长的重要手段[2-3]。此外，地理距离、技术邻近性常常被作为重要变量引入经济模型，因此也能够从技术、区域等宏观角度与其它经济现象或问题建立关联。
本文旨在利用专利大数据构建基于联合申请、转让与许可的产学专利合作网络，以此分析当前我国产学专利合作网络基本特征与演变过程。此外，围绕技术领域与区域层面的产学知识流动问题展开讨论。在方法上，利用Python爬虫技术针对产学专利合作网络设计网络爬虫程序，对互联网专利联合申请大数据进行抓取，获得专利联合申请的一手数据，并利用R语言基于社会网络方法绘制网络图谱。本文的贡献在于：第一，区分了产学专利合作的不同形式(联合申请、转让、许可等)，而以往研究仅关注联合申请，对转让与许可形式的关注远远不足。基于不同形式的比较，能够更详细地反映我国产学专利合作现状；第二，将专利分类号与ISI-OST-INPI匹配，首次构建了产学合作技术领域共现网络，分析了产学合作技术领域的知识流动状况；第三，将专利申请人、专利权人的地理位置信息进行省市匹配，建立区域层面产学专利合作网络，探讨了区域间产学合作知识流动状况，识别了产学合作知识流动中各区域的角色差异。
1 文献综述
在技术融合不断加深的大背景下，任何企业都无法独自掌握保持技术竞争力所需的全部知识，与外部组织合作进行开放式创新已成为企业可持续发展的必经之路。企业与外部组织复杂交错的网络合作关系催生并推动了创新网络理论研究。创新网络能够反映技术、组织、制度之间复杂的非线性作用，提升各要素有序性、协同度，最终通过优化网络结构推动创新发展[4]。硅谷企业的成功为创新网络理论提供了有力的实践证明——由该地大学、研究机构、商业协会等形成的创新网络极大推动了该区域创新。产学合作根植于创新网络理论，二者是创新网络中最活跃的组织，企业与高校间的异质性知识流动通过网络放大，能够有效提升创新产出。
专利作为重要的创新产出，是其重要表现形式。专利合作网络的理论研究基础之一是社会网络理论。社会网络理论(Social Network Theory)最早用于人类社交行为关系分析，现已广泛应用于社会、管理、经济与金融等多个领域。在专利合作网络中，专利申请人、受让人与被受让人之间，以及许可人与被许可人之间包含复杂的社会关系，因此该合作网络是一个典型的社会关系网络。
当前的产学专利合作网络研究已有丰富的积淀。这些研究大都集中在联合申请专利网络形态、特征以及演变方面，其中包括对特定区域/行业/技术领域，或者有限样本高校、企业的分析。比较有代表性的研究有，杨仲基等[5]以石墨烯产业为例，讨论其产学专利合作网络结构特征与演化，发现其区域与技术合作都表现出不平衡态势。一些研究选择性地针对部分高校构建合作网络，例如对“985高校”的研究，其研究结果显示清华大学处于网络核心位置，能源型企业占有重要地位[6]。已有文献针对专利转让与许可网络的研究较少，涉及这两类形式的代表性研究有王元地等[7]综合运用空间分布分析法和社会网络分析法，研究了我国2008-2012年高校技术许可省际分布现状及网络特征。
合作是组织间知识传播的重要途径，对所有网络个体而言，知识都是关键的竞争力。网络环境为知识创造提供了丰富的源泉，并为其扩散提供了便利通道[8]。产学合作各方存在知识势差，导致知识在各主体间不断流动。一方面，高校作为知识供给方，基于技术合同向企业定向提供知识。另一方面，通过产学合作，使存在于项目人员头脑中难以表达的隐性知识发生人际或组织传递。
从跨组织知识流动角度研究产学协同创新还处于发展阶段。如Santoro & Bierly[9]探讨了产学研协同创新的知识转移过程，考察了推动企业和高校知识转移的关键因素与障碍。Ramani & De Looze[10]从知识要素矩阵结构出发，对法国、英国等国生物制药行业的知识要素矩阵进行测算，发现国家知识要素网络的中心性和密度高于均值时会具有最优创新产出。
2 研究思路
2.1 研究对象与研究方法
产学合作的主要形式有合作研发与技术交易，而专利合作方式有联合申请、转让或许可专利技术、构建专利联盟等。合作研发是指多个创新主体针对同一合作项目开展联合研发，因此可能产生联合申请专利。将高校与企业作为节点，其联合申请关系将形成网络结构，基于其合作特性，此网络为无向网络。技术交易合作形式涉及高校对企业的专利转让或专利许可。与联合申请网络类似，将创新主体作为节点，其转让与许可关系也将形成网络结构，且为有向网络。知识流动是产学合作的内在驱动力，技术领域间存在知识流动。本文将从技术领域与区域两个层面分析产学合作知识流动情况，通过构建技术共现网络反映技术领域间的知识流动状况。同理，区域合作网络能够反映区域间的知识流动。因此，技术共现网络与区域合作网络也是本文研究对象。
本文主要采用社会网络分析法(Social Network Analysis, SNA)对产学专利合作网络的演变、结构特征与知识流动状况展开研究。社会网络分析一方面融合了社会学、统计学、图论、计算机科学等理论方法与技术，可有效分析与挖掘网络型数据，另一方面构建了可视化图谱以展示节点关系与网络结构，能够有效表达与传播模型信息。
(1)网络结构。不同社会网络节点在拥有资源、信息以及重要性等方面不同，体现在一些节点处于网络中心位置，另一些处于边缘。本文将利用两个中心度指标测度各节点特征。首先，点度中心度能够反映节点在网络中的活跃程度。该指标仅考察节点自身重要程度，不涉及其与周围其它节点的关系；其次，中间中心性反映了节点的信息转移能力，或者说充当媒介的能力。节点中间中心度越高，则表明该节点对其它节点以及网络信息的控制力越强。
对于一个无向网络(或图模型)G(N,E)，N={1,...,n}为节点集，gij∈{0,1}表示节点i和节点j的关系。若节点i与j存在关联，则gij=1，否则gij=0。网络G中节点i的度是指与该节点有连接关系的节点个数，通常用di表示。从节点i到节点j之间存在最短距离的联结数量为d(i,j)。节点的中心度有多种测度方式，其中，对节点i而言，标准化后的度数中心度为：
CD(i)=di/(n-1)
标准化的中间中心度为：
其中，σst(i)表示从节点s到节点t的最短路径中经过节点i的次数，σst表示从节点s到节点t的全部最短路径数量。
(2)技术领域间的知识流动。OECD专利手册中将专利共类作为衡量技术链接的潜在指标之一。相比于基于引用关系的技术流矩阵，基于专利分类号的技术信息挖掘规范度更高，操作更简便。为了限定专利技术保护宽度，一件专利通常被赋予多个IPC分类号，这种情况被称为分类号共现。专利技术共现分析法就是以多个分类号在专利文件中的共现频次来分析分类号所代表技术主题之间的关联性及关联强度。共类矩阵是基于专利分类号共现关系建立的网络结构[11-12]。
一般认为，专利主分类号与副分类号在技术创新方面存在较大差异：在一项专利中，其主要知识所在领域被冠以主分类号，其它相关知识领域则被冠以副分类号。周磊等[13]提出主分类号是知识生产领域而副分类号为知识接收领域，二者关系应被视为技术知识从知识生产端流向应用终端。本文通过区分主、副分类号，将对称的共类矩阵改造为技术知识流网络。在构建知识流动矩阵时，首先对IPC进行拆分，将首个IPC作为主IPC，其余为副IPC。其次，利用ISI-OST-INPI分类体系，将知识领域映射到技术领域。以主IPC对应的技术领域为行，副IPC对应的技术领域为列，建立共类矩阵，矩阵中元素(i，j)是领域i与领域j的共现次数。
(3)区域间知识流动。我国专利法规定，转让专利权或者专利申请权应当订立书面合同并由国知局予以公告。关于专利实施许可，2001年出台的《专利实施许可备案管理办法》与2008年出台的《专利实施许可合同备案办法》都要求专利实施许可备案。这些公告与备案信息详细记录了专利转让前后专利权人的地理位置。本文提取了联合申请网络中申请人地址、专利转让网络中转让人与受让人，以及许可网络中许可人与被许可人的地址，构建区域专利合作网络。具体利用R语言构建“地址-省份名称”空间数据库，识别每条专利对应的空间地理信息。选取内地30个省市(西藏因数据缺失未纳入统计)作为网络节点，构建区域合作网络以分析我国高校与企业之间的跨省市合作情况。
(4)节点角色识别。为了描述产学合作知识流的跨技术领域、跨区域特征，构建下述指标进行分析：利用内部吸收(IA)、内部扩散(ID)、外部吸收(EA)与外部扩散(ED)以刻画知识吸收与扩散能力，并整合技术绝对影响(TAI)和技术相对影响(TRI)两个指标度量节点角色。指标TAi反映节点i的知识吸收能力，该指标值越大表明节点吸收的知识越多。TDi表明节点的知识扩散能力，该指标值越大说明该节点向外扩散的知识越多。TAIi是对节点整体能力的衡量，包含知识吸收与知识扩散两个方面。TAIi越大，说明知识流网络中流经该节点的双向交流信息越多，节点充当了中介角色。TRIi是对节点知识生产绝对贡献的衡量，该指标越大说明该节点的知识贡献越大。公式中的KFki是指从节点k到节点i的连接数。
TAIi=TDi+TAi
TRIi=TDi-TAi
2.2 数据来源与处理
本文选取SIPO数据库作为数据来源。SIPO数据库覆盖了我国专利信息，提取来自企业和大学的联合发明专利、高校专利权转让、高校专利许可等数据作为产学专利合作成果衡量指标。
对于联合申请专利，选择申请人类型至少包含一个企业和一个高校的专利。专利转让与许可信息来自备案公告。关于数据库检索规则，按照专利申请人、法律状态信息进行筛选的检索跨度为2005-2015年，即以限制申请日、许可登记备案日期以及授权日为时间段。利用Python构建爬虫程序，提取SIPO网站收录的2005-2015年专利联合申请数据，共83 044项。由于专利法律信息未体现在著录项中，高校向企业的专利许可及转让数据来自万象云数据库，前者为9 024项，后者为19 316项。后期通过人工校验对数据进行清洗，并采用随机抽取、交叉验证等方式对数据进行校验以保证数据准确与统一。
3 产学专利合作网络特征
3.1 产学专利合作网络现状与发展趋势
首先将全部机构作为节点，机构合作关系作为边，构建专利合作网络；其次利用可视化技术，建立专利合作网络图谱，展示2005-2015年专利合作情况(专利许可从2008年开始，2008年以前的专利实施许可合同备案中几乎没有高校实施专利许可的情况)。图1将专利申请人或专利权人间的合作关系以可视化图谱展示，分别报告了联合申请、许可与转让三类合作方式的网络图谱。显然，近十年来三类专利数量都经历了高速增长，且联合申请网络(a)的“中心-边缘”布局越来越明显，专利转让网络(c)经历了由分散分布向中心集中模式的过渡，而专利许可网络(b)的集中趋势变化不明显。
图1 专利合作网络图谱
在社会网络分析中，节点中心度分布能够反映网络整体结构，也可以称为网络中心势。中心势考察的是网络边缘点以及中心点的中心度情况。如果某网络较集中，则其中心点的中心度较高，而边缘点的中心度较低；如果网络较稀疏，则中心点、边缘点的中心度没有显著差异。本文通过拟合2005-2015年网络节点的度数中心度、中间中心度分布来刻画网络整体结构变化。图2反映了联合申请网络的度数中心度密度曲线，其呈现偏态分布且随时间变化拖尾更严重，说明联合申请网络越来越集中，一些机构在联合申请网络中成为中心。对于专利许可与转让网络而言，虽然也存在一定集中趋势，但该趋势随时间变化不显著。
图2 专利合作网络结构演变
3.2 节点角色分析
网络节点在社会网络中的意义重大。本文将通过活跃度(度数中心度)与控制力(连接中心度)两个指标分析节点角色，挖掘网络关键节点。关键节点的展示为企业联合高校开展专利布局提供了依据，也为高校与企业合作实现科技成果转化提供了实用信息。
图3展示了2015年产学联合申请网络的关键节点。在联合申请网络中，活跃度较高的节点基本为高校，其中，清华大学、上海交通大学、浙江大学是度数最高的3个节点。控制力较强的节点多为企业，如国家电网公司、腾讯以及中国石油化工股份有限公司对其它节点的控制力较强。由于高校是具有多学科属性的机构，一所高校可能与多个企业联合开发专利，也可能将自身专利许可、转让给多个企业，由此形成以高校为中心，向外发散的网络结构，从而提升高校在网络中的活跃度。当前技术融合度、复杂度不断提升，在该背景下，企业将联合具有不同学科优势的高校或具有不同技术优势的企业进行专利合作，从而充当连接不同组织机构的“中间人”角色。
图3 联合申请网络的关键节点
4 产学合作知识流动
4.1 产学合作技术选择特征
产学合作具有较强的技术领域选择特征。由于技术领域的知识基础与需求不同，因此发生于技术领域(Science-based technologies)的产学合作更加紧密[15]。欧盟专利局针对30个技术领域构建了科学参考指数(Science reference index)，指数在平均值以上的技术领域包括生物科技、制药、半导体、有机化学、食品化学、数据处理等。从行业层面的产学合作积累知识存量看，交通运输设备制造业、医药制造业、化学原料和化学制品制造业等行业的产学合作更活跃。
利用专利合作网络对产学合作技术领域进行分析，首先将专利与技术领域进行匹配。专利分类基于国际专利分类号，由部、大类、小类、大组与小组构成。ISI-OST-INPI分类体系将国际专利分类号划入35个技术领域。本文对联合申请、转让、许可涉及的专利进行相应技术领域匹配。表1报告了产学合作密集的技术领域。结果显示，不同合作形式下产学合作密集的技术领域均较为集中，排名前十的专利数量占全部技术领域专利数量的50%以上。此外，在具体领域上，排名前十的领域基本相同，但内部顺序有变化。根据技术领域分析结果可知，当前我国产学专利合作呈现出较明显的技术选择特征，合作密集技术集中在能源、通信、生物与化学等领域，这些领域开展技术创新的基础知识要求较高，新产品、新技术研发常常涉及大量前期基础实验与相关研究。此外，处于不同技术领域的企业有不同合作形式偏好，如联合申请方式中最密集的技术领域是电机、仪器与能源，专利许可方式中高分子化学、聚合物领域的合作最多，而材料、冶金领域在专利转让形式中较为多见。该现象在以往创新合作文献中已有披露。由于各行业拥有自身特殊的知识来源与创新模式，咨询、会议等产学交流方式对各行业都发挥重要作用，医药业更多采用专利许可形式进行产学合作，钢铁、航空、通讯等研发密集型制造业更倾向于合作研发[14-15]。
表1 不同形式产学合作主要技术领域
序号联合申请专利许可专利转让1电机、仪器、能源高分子化学、聚合物材料、冶金2高分子化学、聚合物材料、冶金电机、仪器、能源3材料、冶金数字通信制药4生物技术生物技术高分子化学、聚合物5制药电机、仪器、能源测量6土木工程机械工具生物技术7有机精细化学环境技术数字通信8测量纺织和造纸机械有机精细化学9数字通信基础材料化学环境技术10基础材料化学有机精细化学基础材料化学占比(%)55.3661.2859.38
4.2 产学合作技术领域间知识流动
为了展示产学专利合作技术领域的关系，本文基于合作方式构建了技术共现矩阵(表2)。图4a、4b、4c报告了不同合作形式下由技术共现矩阵形成的网络图谱。网络中箭头所指方向代表知识生产的主IPC分类号所在技术领域向其它代表知识应用的共现技术领域的流动。从网络图谱图4可直观看出，3种方式的产学合作所在技术领域均呈现一定程度的“中心-外围”分化，转让网络中与其它技术领域联系较少的孤立节点个数较多，而联合申请的专利技术领域联系最紧密。
对技术共现网络中的节点角色进行分析，如图5所示，在三类合作方式中，生物技术、有机精细化学、化学工程、高分子化学与聚合物都是网络中贡献度和活跃度较高的技术领域。制药领域的贡献度较小，但在联合申请与许可网络中是最活跃的技术领域，在转让网络中活跃度处于平均水平；剩余节点的活跃度都分布在平均活跃度以下且贡献度较小(围绕在y=0附近)。因此，节点角色分析进一步验证了网络关键节点较为集中的现实，这些发挥重要角色作用的技术领域是进一步推进产学合作发展、加强技术领域联系应关注的方向。图6展示了技术共现网络中的知识流动状况。结果显示，制药领域是典型的知识吸收领域，而有机精细化学、高分子化学与聚合物、生物技术、化学工程等更偏向基础学科的技术领域则是知识扩散的主要阵地；剩余技术领域的知识吸收、知识扩散水平基本持平，多分布在对角线周围。
进一步研究发现，联合申请网络中特殊设备、电机/仪器/能源等领域处于网络中心位置，说明这些领域的技术吸收与技术扩散能力较强。网络中合作紧密的技术领域有特殊设备、热工过程与设备、基础材料化学，这些技术领域间互相提供材料与基础支持。在专利许可与转让网络中，合作较密切的技术领域有生物材料、化学工程和医疗技术，3个领域间合作密切。如生物材料可用于化学工程生产，将之制备成产品，同时，化学工程产品可为医疗技术提供所材料。产学合作为生物、化学、医疗间的技术合作提供了通道。
一些技术领域虽未处于网络中心位置，但是在技术扩散或技术吸收的某一方面较为活跃。如制药业在产学合作中属于典型的技术吸收领域，这是由于制药业流程复杂，对基础知识创新要求高，需应用基本化工原料、精密仪器、生物技术、测量等其它领域技术。产学合作密切的技术领域多涉及物理、生物、化学等基础学科，反映了这些领域对基础研发知识的依赖，以及我国企业在这些领域基础研究力量薄弱的现状。
表2 产学合作技术知识流矩阵(部分)
技术领域电机、仪器、能源视听技术电信数字通信基本沟通流程计算机技术IT管理方法半导体光学测量电机、仪器、能源14 6886044432512816411944213视听技术487266127210142116电信2612 66342816503827105数字通信46245249 615294594603164基本沟通流程85151255980015计算机技术1623123291156 6791972210131IT管理方法35433101661 6710013半导体1343951003004 1855638光学473454371360542 22655测量1691114769131772827809 214
图4 技术共现网络图谱
图5 技术共现网络节点角色
图6 技术领域知识流动特征
4.3 产学合作空间特征
大量文献表明，我国各区域存在空间性经济互动，因此从空间角度分析产学合作中的知识流动，能够与其它经济现象建立关联。通过区域合作，一方面可以更好地了解高校作为知识生产源所发挥的作用，也能反映企业利用外部知识、寻求外部合作的情况。在我国区域发展不平衡、科技创新资源分布不均衡的情况下，研究如何通过产学合作助力区域协同创新，对各区域乃至国家创新绩效提升都有重要意义。
基于我国内地30个省市产学联合申请、转让与许可专利统计数据，将各省市划分为中心-外围两个层次：中心层次包括北京、上海、浙江、江苏、广东、山东等技术交易密集省市，这些省市间的交易较为集中。而处于边缘点的省市技术交易数量较少，且相对分散。
以区域专利合作为基础，各省市为节点，绘制区域技术交易图谱如图7所示。其中，合作频次与网络边的粗细成正比。如图7所示，三类专利合作网络中，许可方式网络的集中度最高，同时，个别边缘节点的孤立度非常高；联合申请网络的均衡性最强，中心省市间的联结更紧密，边缘省市的联结广度相对较强。
区域合作网络中节点的度代表了与该地区有过合作关系的地区数量。某节点度数越大，说明该区域合作辐射范围越广。联结次数表示该区域与其它区域发生专利合作的次数，数值越大则辐射范围越广。借鉴吴翌琳等[16]定义的合作强度指标，分析区域产学合作广度与深度。以广度与深度指标均值为界，将区域划分为四类：高广度-高深度、高广度-低深度、低广度-高深度与低广度-低深度。图8是对各省市进行深度-广度划分的结果。联合申请网络的高深度-高广度节点最多，仅有海南、宁夏、青海、新疆为低深度-低广度区域。转让网络与许可网络则相反，仅有个别节点(江苏、北京、广东、浙江)被划分为高深度-高广度类别，大部分区域表现不佳。
图7 区域合作网络图谱
4.4 产学合作空间知识流动
无论通过何种方式，知识流动都具有空间局限性。Jaffe et al[17]的研究表明，专利在同一地理单元的相互引证概率大于不同地理单元间的互引概率。Moreno et al[18]利用GIS技术刻画了区域知识溢出，分析了欧洲175个地区间知识溢出的衰减距离，发现距离超过阈值后区域间的知识溢出不再显著。
企业与高校联合申请专利时的知识流动是双向、对称的，因此很难区分主体间的知识吸收与扩散程度，而高校对企业的专利转让与专利许可有明显的知识流动方向。因此本文基于知识流动矩阵分析产学合作空间知识流动现状与规律，并计算区域知识吸收能力与扩散能力。表3为区域专利联合申请的知识流动矩阵。图9反映了转让与许可网络节点的知识吸收与扩散能力。在两类合作方式中，江苏省知识吸收能力都较强，是典型的知识海绵型区域；上海、北京则更偏向知识扩散，是知识“喷泉”地区；广东、浙江两地的知识吸收与知识扩散较为平衡，表现为知识中介类区域；新疆、宁夏、海南等省市的知识扩散与知识吸收能力均较差，说明其与外界的知识流动较少，形成知识孤岛。
我国呈现地域性的知识吸收与扩散能力差异，其主要原因有：①高校与企业分布具有地域性差异。北京有33所“双一流大学”，其中，清华大学在产学合作网络中是绝对的活跃中心。高校与企业的知识势差为知识从高校流向企业提供了动力，也使得北京成为知识扩散中心。上海的情况类似，属于我国高校密集省市与知识密集区域。江苏、广东省知识吸收能力较强的原因可能是企业密集。由于企业数量较多，在技术融合且复杂度上升的背景下，企业为保持专利竞争力与攻克技术难关，将倾向于选择与高校合作。这些为中小型企业密集区域吸收外部知识提供了充足动力；②区域知识吸收与扩散能力还受到创新环境的影响。在产学合作中介服务较完善的区域，其知识吸收与扩散能力较强，具体包括金融机构支持、线上线下产学对接平台建设以及产学联盟的积极作用。北京、上海、江苏、浙江等地区的经济发展较好，创新资源丰富，产学合作中介服务相对经济较落后的宁夏、河南等地更完善，促进了这些地区的知识流动；③政府是助力产学合作知识流动的另一个重要推手。党的十九大报告明确提出，“建立以企业为主体、市场为导向、产学研深度融合的协同创新体系”，一系列创新政策的出台也旨在加强产学合作知识流动，为企业提供外部知识，激励高校完成科技成果转化。由于地区间政府支持力度、创新政策强度存在差异，导致区域产学合作中的知识流动产生异质性表现。
图8 区域合作网络图谱
表3 区域专利联合申请知识流动矩阵(部分)
省份上海北京天津山东广东江苏浙江福建上海9 1301 2192073189161 535829135北京121921 0606008611 8292 423817216天津2076001732901942028938山东318861903 17617620714489广东9161 82919417611 002943327119江苏1 5352 42320220794314 438686131浙江829817891443276867 27461福建1352163889119131611 314
图9 区域合作网络图谱
5 结论与政策建议
产学专利合作有联合申请、转让以及许可3种基本方式，不同合作方式特征与知识流动可能不同。本文首先利用社会网络方法构建了以创新主体、技术领域以及区域为节点的三类合作网络；其次，结合专利大数据，对网络基本属性与演变过程、关键节点以及知识流动机制进行实证研究。
研究结果表明，我国产学专利合作关系不断加深，企业与高校间的协同创新格局从松散分布逐渐演变为中心-边缘分布；以机构为节点的合作网络集中趋势增强，涌现出一批核心节点，例如高校中的清华大学以及企业中的国家电网公司分别成为网络活跃中心与控制中心。进一步挖掘节点特征发现，在产学机构合作网络中，高校属于活跃度较强的节点子群，而企业是控制力较强的节点子群。该结果反映了我国产学合作中以企业为主导、高校为知识提供者的现状。
分析产学专利合作知识流动可为企业寻求外部合作、高校实现科技成果转化提供参考与借鉴。本文通过构建技术共现与区域合作网络，研究发现，从知识扩散与吸收角度，制药领域的知识吸收能力较强，而与化学相关的有机精细化学、高分子化学与聚合物等领域是知识扩散的源头。从合作角度分析发现，特殊设备-热工过程与设备-基础材料化学、生物-化学-医疗技术等技术领域间合作密切，处于技术合作网络中心位置。在区域层面，江苏省是典型的知识海绵区域，北京、上海是知识喷泉型城市，而广东省、浙江省在知识吸收与扩散上表现较为平衡，充当知识中介角色，新疆、海南、青海等省份相对孤立，与其它地区联系过少，形成知识孤岛。
围绕以上分析结果，从3个方面提出针对性政策建议：①扩大高校主动权，建立知识产品孵化组织。在当前的产学合作中，企业处于主要控制地位，专利许可与转让网络的连通性较差，这些都说明在专利成果转化中高校的主动性不强，科技成果从诞生到资本化，直至为生产服务存在较多障碍，因此还需要大学科技园等平台的促成。专利等科技成果在科技园孵化下得到政策、资金、法律与市场推广的支持，能够加速知识产品的企业应用；②把握技术趋势，加大具有潜力的前沿技术合作。产学技术领域合作能够反映技术融合趋势，本文已挖掘到一些产学合作较密切的技术领域群体。相关机构应当引导高校与企业预测技术发展趋势，把握技术融合规律，加强前沿领域合作，从而快速提升竞争力并享受技术红利；③区域政府应当积极促进跨区域产学合作。产学合作能够带动区域创新资源共享，降低知识流动成本。政府应当在制度平台、政策支持、信息共享等方面提供良好环境，进一步降低外部搜索成本，加快改革，提高技术合作市场化程度。
[1] 张巍，党兴华. 企业网络权力与网络能力关联性研究——基于技术创新网络的分析[J]. 科学学研究，2011，29(7)：1094-1101.
[2] 陈劲，陈钰芬. 开放创新体系与企业技术创新资源配置[J]. 科研管理，2006，27(3)：1-8.
[3] 白俊红，蒋伏心. 协同创新、空间关联与区域创新绩效[J]. 经济研究，2015，50(07)：174-187.
[4] NONAKA I，TAKEUCHI H. The knowledge-creating company：how Japanese companies create the dynamics of innovation[M]. New York：Oxford University Press，1995.
[5] 杨仲基，王宏起，王珊珊，等. 基于动态网络方法的产业专利合作态势研究——以中国石墨烯产业为例[J]. 科技进步与对策，2018，35(9)：59-65.
[6] 刘凤朝，马荣康，姜楠. 基于“985高校”的产学研专利合作网络演化路径研究[J]. 中国软科学，2011(7)：178-192.
[7] 王元地，刘凤朝，潘雄锋. 专利技术许可与中国企业创新能力发展[J]. 科学学研究，2011，29(12)：1821-1828.
[8] SORENSON O, RIVKIN J W，FLEMING L. Complexity networks and knowledge flow[J]. Research Policy，2006，35(7)：994-1017.
[9] SANTORO M D, BIERLY P E. Facilitators of knowledge transfer in university-industry collaborations: a knowledge-based perspective[J]. IEEE Transactions on Engineering Management，2006，53(4)：495-507.
[10] RAMANI S V，DE LOOZE M A. Using patent statistics as knowledge base indicators in the biotechnology sectors:an application to France Germany and the UK[J]. Scientometrics，2002，4(3)：319-346.
[11] 周磊，杨威，张玉峰. 共现矩阵聚类分析的问题与再思考[J]. 情报杂志，2014，33(6)：32-36.
[12] LEYDESDORFF L，VAUGHAN L. Co‐occurrence matrices and their applications in information science: extending ACA to the Web environment[J]. Journal of the American Society for Information Science and Technology. 2006，57(12)：1616-1628.
[13] MEYER-KRAHMER F，SCHMOCH U. Science-based technologies: university-industry interactions in four fields[J]. Research Policy，1998，27(8)：835-851.
[14] COHEN W M，NELSON R R，WALSH J P. Links and impacts: the influence of public research on industrial R&D[J]. Management Science，2002，48(1)：1-23.
[15] SCHARTINGER D，SCHIBANY A，GASSLER H. Interactive relations between universities and firms: empirical evidence for Austria[J]. The Journal of Technology Transfer，2001，26(3)：255-268.
[16] 吴翌琳，吴洁琼. 中国科技创新合作网络研究[J]. 统计研究，2017，34(5)：94-101.
[17] JAFFE A B，TRAJTENBERG M，FOGARTY M S. Knowledge spillovers and patent citations:evidence from a survey of inventors[J]. American Economic Review，2000，90(2)：215-218.
[18] MORENO R，PACI R，USAI S. Spatial spillovers and innovation activity in European regions[J]. Environment and Planning A，2005，37(10)：1793-1812.
