开放科学(资源服务)标识码(OSID)：
开放科学(资源服务)标识码(OSID)：
以新型冠状病毒(COVID-19)肺炎疫情爆发为典型代表的重大公共危机是危及社会、经济、政治稳定的具有公共性质的严重事件[1]。科学技术成为应对重大公共危机的重要力量[2]。习近平总书记多次强调应对新冠肺炎这样的疫情离不开科学技术支撑，离不开科技研发攻关的迅速展开。重大公共危机科研项目攻关活动涉及环节众多，所需的科技创新要素与创新资源种类、数量各异。在此背景下，单一科研机构在开展科学技术活动过程中势单力薄，各科研机构需要与其它机构相互协同、联合开展科技创新活动，以实现创新优势或能力的集成化和综合化，加速科技攻关创新活动进程。所以，科学技术在重大公共危机应对中的支撑作用离不开来自各方科研力量的协同整合。然而，科研机构性质、科研能力、对外开放水平等存在差异，如何遴选合适的科研机构以整合成科研协同力量对于应对重大公共危机，尤其是对于防治和遏制新型冠状病毒肺炎疫情等至关重要。
通过本文梳理相关文献发现，当前科研机构合作对象选择研究主要围绕如何实施R&D(科学研究与试验发展)活动开展，以补足企业、高校、科研院所等科研机构短板，提高组织技术竞争力。具体分为基于定量[3-12]、基于半定量[13,14]和基于非定量[15]的科研机构对象选择方法。当前，科研机构合作对象识别方法研究的主要目的是服务于企业、高校、科研院所等机构本身，合作对象选择的最终目的是提高组织技术创新活力和技术竞争力。已有合作对象选择方法并不能很好地适用于重大公共危机场景，为更好地满足重大公共危机应对中科研力量协同整合的需要，本文提出一种用于识别科研力量协同整合潜在对象的理论框架，并在此基础上构建科研力量协同整合潜在对象识别方法，旨在通过整合一定规模的核心科研力量,为应对重大公共危机提供科技支撑，避免造成各种不利影响及后果。
本文从科研力量协同整合基础、形式和目标3个方面构建科研力量协同潜在对象识别理论框架。
(1)科研机构间合作是科研力量协同整合的基础。合作是个人、机构或国家间为实现共同目标、彼此相互配合的联合行为，合作意味着多主体跨边界围绕共同目标展开工作[16]，有过合作经历的主体间会形成一定的默契，也会为后续合作迅速开展奠定基础，重大公共危机应对更需要合作[17]。重大公共危机的突发性，决定在危机应对过程中科研攻关项目也相应地具有解决问题的急迫性，需要在较短时间内整合科研力量进行攻关。一旦发生重大公共危机，为应对危机而展开的各种科研攻关项目就需要从各个部门、机构中临时配置各种资源，如果彼此间缺乏合作经验和良好的合作基础，影响合作效率，势必造成主体间协调性差，导致资源整合混乱。所以，面向重大危机应对的科研力量整合对象彼此间应存在合作经历和默契，这是开展科研力量协作整合的基础。
(2)协同合作网络是科研力量协同整合的载体形式。自20世纪50年代以来，公共危机应对管理逐渐由自上而下的结构向多组织合作网络模式转变，网络特征成为危机应对管理的重要趋势[16]。公共危机应对中参与主体呈现出互动性特征，在危机应对过程中，围绕共同目标，各主体相互间的互动合作形成互动合作网络[18]，合作网络模式在公共危机应对中更具活力和灵活性[19]。Waugh & Streib[20]指出，美国政府应对卡特莉娜飓风时的经验表明，由多元主体构成的合作网络对于应对此类重大公共危机具有重要作用。科研机构彼此间相互作用、协同运作有助于各种资源整合和协调，提高危机应对能力。所以，协同合作网络成为科研力量协同整合的主要形式。
(3)多元参与主体是科研力量协同整合的目标。重大公共危机应对影响因素呈现多元化趋势，涉及科技、产业、法律等因素的相互交叉[19]。这使得面向重大公共危机应对的协同合作创新网络呈现出多层次、多组织、多阶段和多种创新要素耦合的动态、复杂特点[21]。在这种背景下，科研力量协同整合离不开多元参与主体。参与重大危机应对的科研主体多元性不仅体现为组织机构来源多样性，更体现为介入不同科研创新过程的能力多元性。此外，重大公共危机造成的影响覆盖面广、牵连性强，会对更大范围内的公众、机构甚至是国家安全、经济发展产生巨大冲击[22]，因而其所需的科研协作应对力量规模较大，不同于已有合作对象选择，其科研力量协同整合需要具有一定规模的核心科研机构。
因此，本文认为，构建由不同科研攻关创新过程多元主体组成的核心协同合作网络是科研力量协同整合的目标。如图1所示，核心合作网络具体包括4部分：①跨科学、跨技术，但不涉及产业机构的合作网络；②跨科学、跨产业，但不涉及技术机构的合作网络；③跨技术、跨产业，但不涉及科学机构的合作网络；④跨科学、跨技术、跨产业合作网络。
图1 科研机构协同整合网络
根据上述科研力量协同整合潜在对象识别理论模型，本文构建重大公共危机应对中科研力量协同整合潜在对象识别方法，具体分为以下4个步骤，如图2所示。
图2 科研协同潜在对象识别方法及流程
科研力量协同整合潜在对象识别需要首选获取具体科研领域中的候选科研机构集合名录。考虑到已有研究将科技论文、专利作为科学研究、技术创新活动的主要成果表现[23]，因此，本文将具体研究领域中的科技论文发文机构、专利申请机构分别作为涉及科学、技术过程的候选科研究机构。同时，国家高新技术企业是指《高新技术企业认定管理办法》认定的国家级高新技术企业，该类企业具备较强的研发实力，是发展高技术产业、提高国家科技竞争力的主要力量。因此，本文将已认定的国家高新技术企业作为涉及产业过程的候选科研机构。
利用已构建的潜在对象识别理论模型，进一步对候选科研机构进行筛选。主要包括以下两部分：
(1)剔除在整个科研创新过程中没有参与过任何合作的科研机构。本文认为，科研机构间合作是科研力量协同整合的基础。所以，根据初步筛选获得的机构信息，将没有在科学、技术、产业过程中参与过任何合作的机构剔除。
(2)剔除仅参与单一过程合作的科研机构。应对重大公共危机的科研攻关项目更需要科研机构具有参与多层次、多阶段创新过程的能力，以此保证科研力量能够应对科研攻关过程中出现的各种跨机构、跨环节问题。所以，进一步剔除那些仅仅参与过单一过程合作的科研机构。需要注意的是，有一部分机构虽然只在单一过程中参与合作，但其合作对象是参与跨过程合作的其它机构，本文将该部分机构予以保留。
利用筛选处理后的科研机构合作信息构建协同合作网络。具体包括来源于科技论文发文机构间合作关系、专利申请机构间合作关系。其中，本文将已获国家高新技术认定的企业作为参与产业过程的科研机构，但目前尚无合适的方式体现产业过程中的合作关系。
图3为所有科研机构合作情况示意图，图4为完成机构筛选后构建的协同合作网络。其中，长方形框内散点代表没有在科学、技术、产业过程中参与过任何合作的机构，圆形框内网络代表没有参与跨过程合作的合作网络，菱形框内为由跨越不同科研创新过程的多元主体组成的协同合作网络(见图4)。其中，黑色节点表示既参与多过程又存在较多合作的科研机构，属于核心机构；白色节点表示与核心机构存在合作关系的机构，该类型机构具备与核心节点共同解决科研难题的能力，属于次核心机构，因而也属于协同合作网络的一部分。相同类型机构间的连线用实线表示，不同类型机构间的连线用虚线表示。
图3 科研机构合作情况
图4 科研机构协同合作网络
(1) 潜在协同合作群组识别。由顶点表示机构、连线表示合作关系的协同合作网络包含许多连接密集的顶点集簇，这些顶点集簇被称为社团结构，可反映合作密切的机构群组，即协同合作网络中按研究方向或研究兴趣的群组划分[24]。在协同合作网络基础上，可利用社团发现算法进一步识别协同合作网中多个核心协同合作群组，以使协同整合更具有针对性，做到“物以类聚、人以群分”，提高科研协同效率，更有针对性地应对重大公共危机中的各种问题。本文采用Moduland算法模型[25]的社团发现方法，识别协同合作网络中的核心协同合作群组，该算法能够发现和可视化大量重叠的网络社团及其层次结构，并发现社团核心关键网络位置，是一种对用户友好且高效的社区发现方法[26]。
(2)潜在关键核心机构识别。社会网络中存在这样一类能够成为其它节点间最短连接桥梁的节点，是其它节点间发生联系的中介和枢纽，而这类节点的中介作用可通过中介中心性(betweenness centrality)指标测度。中介中心性是节点成为其它节点间最短连接桥梁的次数[27]。节点中介中心度越高，代表节点充当中介的次数越多，则其连接其它节点的中介作用越强。在协同合作网络中，中介中心度越高的机构，意味着其更容易依靠其信息、声望、影响力等优势影响或控制其它机构。这类节点在科研力量协同整合中起关键衔接作用，属于潜在关键核心机构。因此，本文在利用社团发现方法划分协同合作群组的基础上，进一步识别能够对其它机构产生重要影响的关键核心机构。
诊断试剂是用于人类疾病诊断、检测和传染性疾病调查研究的诊断制品。诊断试剂在诸如SARS、新型冠状病毒肺炎等突发重大公共卫生危机中可以快速检测病毒、诊断感染者，成为疫情应对的关键手段，对防控疫情具有积极影响。因此，本文以新型冠状病毒肺炎疫情中的诊断试剂科研攻关为研究线索，以诊断试剂领域的科研力量协同整合作为实证研究对象，验证本文识别方法的可行性。
本文科技论文来源于CNKI数据库、专利文献来源于Incopat专利数据库、高新技术企业名录来源于“企查查”企业信息查询平台。“企查查”平台是经过官方备案的企业征信及信用查询机构，所有企业数据实现了与国家工商总局同步更新，提供的企业信息较为全面、准确。从上述来源获得3 733篇有关诊断试剂的科技论文，涉及1 972个机构；获得18 297篇专利，涉及3 541个机构，根据企业经营范围和科研方向，获得6 065家从事诊断试剂研发生产的高新技术企业。
现实中一个机构在不同时期会有不同名称或一个机构同时拥有若干名称，如江苏省人民医院又名南京医科大学第一附属医院、江苏省红十字医院、江苏省临床医学研究院，其实质上都是江苏省人民医院。为保证研究结果的准确性，需要对机构名称进行规范处理。
通过对规范后的科学、技术、产业机构合作情况进行统计分析发现，科学过程无参与任何合作的机构有854个、技术过程有2 686个、企业过程有5 918个。其中，3个过程中机构间存在重合，发现未参与任何合作的机构合计为8 823个，将其全部删除，剩余1 718个机构存在合作。
对1 718个合作机构参与科学、技术、产业过程情况进行统计分析发现，932个机构没有参与跨过程合作，其中只参与科学合作的有660个、只参与技术合作的有274个。再将这932个机构全部删除，剩余724个机构(见表1)。
表1 科学、技术、产业过程中机构合作情况
合作情况科学技术企业合计全部1 9723 5416 06510 540未参与任何合作8542 68659 188 884无跨过程合作6602740932
根据科技论文、专利文献中的机构合作关系，构建包含上述两种关系在内的诊断试剂领域协同合作网络(见图5)。在图5中，该协同合作网络非常明显地分为A、B两个部分。其中，A部分是一个规模较大的整体网络；B部分是包含77个较为独立且稀疏分散机构的合作网络，这些网络最大由12个机构构成，最小由2个机构构成。由于重大公共危机影响面广、牵连性强，需要展开大规模科研协作。因此，必须在协同合作网络中准确识别核心科研机构。结合重大公共危机这一特点，B部分网络无法满足科研力量整合的需要，故将其剔除。
本文将剔除其它零散网络后的A部分网络作为核心协同合作网络。该网络共包含724个机构，其中有354个核心机构、370个次核心机构。进一步通过Moduland社区算法计算发现，诊断试剂领域核心协同合作网络可划分为7个核心协同合作群组：#1、#2、#3、#4、#5、#6、#7，7个协同合作群组中核心机构及次核心机构数量分布见表2，图6中节点大小用中介中心度数值表示。
表2 7个核心群组中核心机构及次核心机构数量分布
机构类型#1#2#3#4#5#6#7核心机构1015118171143次核心机构1314125191287合计232924336231210
图5 诊断试剂领域协同合作网络
图6 诊断试剂领域协同合作网络核心群组划分
#1协同合作群组是规模最大的群组(见图7)，该群组由以中国食品药品检定研究院和中国疾病控制中心病毒病预防控制为代表的国家级科院院所牵头，以厦门大学、南方医科大学、北京大学、华南农业大学等28所高校为骨干，由军事医学院等9家军队系统机构、广州市丰华生物工程有限公司等63家企业、41家医院参与。同时，机构来源于多个地域，是一个跨地域、跨过程、跨组织多元主体参与的协同合作群组。在#1协同合作群组中，中国食品药品检定研究院、厦门大学、北京大学、中国疾病预防控制中心病毒病预防控制所、南方医科大学、华南农业大学、浙江大学医学院附属第一医院、中国人民解放军总医院第五医学中心、广州市丰华生物工程有限公司、中国人民解放军总医院第八医学中心等10家机构的中介中心度较高，其中介中心度值分别为0.389、0.211、0.173、0.170、0.156、0.140、0.076、0.072、0.069、0.068。其中，南方医科大学、广州市丰华生物工程有限公司与核心机构合作较多，而其它机构与核心机构、次核心机构均有合作。
#2协同合作群组以解放军军事医学科学院微生物流行病研究所为主导(见图8)，主要涉及19家企业、21所高校、20家医院。从地域上看，该群组主要涉及东北、河南、北京等北方地区的机构协作。在#2协同合作群组中，中国人民解放军军事医学科学院微生物流行病研究所、河南省疾病预防控制中心、吉林大学、中国农业科学院哈尔滨兽医研究所、中国疾病预防控制中心性病艾滋病预防控制中心、吉林农业大学、哈尔滨维科生物技术有限公司7家机构中介中心度较高，其中介中心度值分别为0.160、0.072、0.071、0.054、0.050、0.040、0.034。其中，河南省疾病预防控制中心属于次核心机构。
图7 #1协同合作群组
图8 #2协同合作群组
#3协同群组主要由中国疾病预防控制中心寄生虫病预防控制所、复旦大学、上海交通大学等上海地区机构组成，具有明显的地域性特征。在#3协同合作群组中，复旦大学、中国疾病预防控制中心寄生虫病预防控制所、上海交通大学、内蒙古民族大学、复旦大学附属华山医院5家机构的中介中心度较高，其中介中心度值分别为0.122、0.102、0.085、0.048、0.035(见图9)。
#4协同群组主要由军事医学研究单位、医院、医学类高校组成(见图10)，呈现出较强的医学专业学科特点。在#4协同合作群组中，中国人民解放军南京军区军事医学研究所、南京医科大学、大连医科大学3家机构中介中心度较高，其中介中心度值分别为0.079、0.071、0.033。
#5协同群组主要由中山大学等广州地区机构构成，具有较强的地域性特征(见图11)。在#5协同合作群组中，中山大学以及中山大学附属第一医院2家机构的中介中心度较高，其中介中心度值分别为0.064、0.061。其中，中山大学附属第一医院主要与核心机构合作。
图9 #3协同合作群组
图10 #4协同合作群组
图11 #5协同合作群组
#6协同群组主要由浙江地区机构和动物科研院所组成(图12)。在6#协同合作群组中，浙江大学、中国农业大学2家机构中介中心度较高，其中介中心度值分别为0.039、0.028。
#7协同群组也是由上海地区科研机构构成的协同合作群组。在#7协同合作群组中，中国科学院上海生命科学研究院中介中心度较高，其中介中心度值为0.032(见图13)。
从上述识别出的7个诊断试剂领域协同合作群组看，#1协同合作群体呈现出跨地域、跨机构、跨过程的多元主体参与特征，所以其在协同整合中可作为应急科研攻关的中坚力量。#2协同合作群体虽然也呈现出与#1协同群体相似的特点，但其主要面向北方地区，所以可整合为侧重北方地区的科研攻关力量。#3和#7协同合作群组可进一步整合成以上海地区为目标的科研力量。#5协同群组适合整合为面向广州地区的科研力量。#6协同群组适合面向浙江地区，同时也可涉及畜牧领域诊断试剂研究。#4协同群组适合整合为较为专业的医学科学领域科研力量。所以，在重大公共危机应对背景下，可根据上述各科研协同合作群组特点，将其整合为适应不同需求的科研力量。
图12 #6协同合作群组
图13 #7协同合作群组
从上述7个协同合作群组中的29个高中介中心性科研机构分布特点看，17个机构属于高校系统及高校附属医院、5个属于国家级科研院所、4个属于解放军系统、2个属于高新技术公司、1个属于次核心机构的事业单位。由此可以看出，高校是整合诊断试剂领域科研力量的核心纽带，同时也可以看出该领域科研力量整合离不开来自国家层面科研院所及军队系统机构的有力支持，更重要的是不能忽视以广州市丰华生物工程有限公司、哈尔滨维科生物技术有限公司等为代表的高新技术企业的支持。
遴选合适的科研机构，并将其整合成科研协同力量，对于应对重大公共危机，尤其是对于防治和遏制新型冠状病毒肺炎等紧急疫情至关重要。本文从重大公共危机应对的宏观背景出发，提出一种科研力量协同整合潜在对象识别理论模型，并在此基础上构建科研力量协同整合潜在对象识别方法。同时，以突发重大公共危机中的诊断试剂科研攻关为线索，以诊断试剂领域科研力量协同整合作为案例进行实证研究。最终识别出7个协同合作群组及29个关键核心机构，这些机构可进一步整合为针对不同科研攻关需求的科研群组等。结果还表明，在整合诊断试剂领域科研力量时，高校是其它机构有效衔接的核心纽带，来自国家层面的科研院所及军队系统机构可提供有力支持，高新技术企业是不容忽视的重要力量。
本文尚存在一些不足：①需要进一步寻求合适的数据来源或知识载体以探究科研机构间的合作；②只采用中文科技论文，未涉及英文科技论文，这无疑会忽略掉部分科研机构及相互合作关系；③当今存在重大危机全球蔓延趋势，作为命运共同体，如何协同全球科技力量化解危机，也是亟待解决的重大课题，未来可将这部分内容纳入研究范围；④本文仅基于合作网络形式探究科研力量协同整合，现实中科研力量协同整合影响因素复杂，如研发内容和研发优势等，所以未来可结合更多因素进行细粒度的潜在对象识别。
[1] 丁柏铨,夏雨禾.新媒体语境中重大公共危机事件与舆论关系研究[J].当代传播,2012(2): 10-14.
[2] 李婷.公共危机管理科技支撑体系的构成[J].科技管理研究,2013,33(9): 175-178.
[3] 温亮,邱鹏君,马萍萍,等.基于SAO语义分析的潜在技术合作伙伴识别[J].北京理工大学学报(社会科学版),2017,19(4): 91-96.
[4] WANG X,LI R,HUANG Y,et al.Identifying R&D partners for dye-sensitized solar cells: a multi-level patent portfolio-based approach[J].Technology Analysis & Strategic Management,2019,31(3): 356-370.
[5] WANG X,FU Y,HUANG Y,et al.Identifying R&D partners using SAO analysis: a case study of dye-sensitised solar cells[J].International Journal of Technology Echnology Management,2019,81(1-2): 70-93.
[6] WANG X,WANG Z,HUANG Y,et al.Identifying R&D partners through subject-action-object semantic analysis in a problem & solution pattern[J].Technology Analysis & Strategic Management,2017,29(10): 1167-1180.
[7] KANG J,LEE J,JANG D,et al.A methodology of partner selection for sustainable industry-university cooperation based on LDA topic model[J].Sustainability,2019,11(12).
[8] SONG B,SEOL H,PARK Y.A patent portfolio-based approach for assessing potential R&D partners: an application of the Shapley value[J].Technological Forecasting and Social Change,2016(103): 156-165.
[9] LEE K,PARK I,YOON B.An approach for R&D partner selection in alliances between large companies,and small and medium enterprises (SMEs): application of bayesian network and patent analysis[J].Sustainability,2016,8(2): 117.
[10] PARK I,JEONG Y,YOON B,et al.Exploring potential R&D collaboration partners through patent analysis based on bibliographic coupling and latent semantic analysis[J].Technology Analysis & Strategic Management,2015,27(7): 759-781.
[11] ANGUE K,AYERBE C,MITKOVA L.A method using two dimensions of the patent classification for measuring the technological proximity: an application in identifying a potential R&D partner in biotechnology[J].Journal of Technology Transfer,2014,39(5): 716-747.
[12] 冉从敬,宋凯,赵倩蓉,等.合作什么,去哪合作,与谁合作——专利视角下的校企合作对象选择系统构建[EB/OL].图书馆论坛:1-10[2020-04-28].http://kns.cnki.net/kcms/detail/44.1306.G2.20200108.1042.004.html.
[13] SONG C H.Deriving and assessing strategic priorities for outsourcing partner selection in pharmaceutical R&D: an approach using analytic hierarchy process (AHP) based on 34 experts' responses from korean pharmaceutical industry[J].Journal of Pharmaceutical Innovation,2019,14(1): 66-75.
[14] CHEN S H,WANG P W,CHEN C M,et al.An analytic hierarchy process approach with linguistic variables for selection of an R&D strategic alliance partner[J].Computers & Industrial Engineering,2010,58(2): 278-287.
[15] OWENS M,ZUEVA-OWENS A,PALMER M.Partner identification and selection of joint ventures in international retailing[J].The Service Industries Journal,2012,32(3): 383-410.
[16] 康伟,陈茜,陈波.基于SNA的政府与非政府组织在公共危机应对中的合作网络研究——以“4·20”雅安地震为例[J].中国软科学,2014(5): 141-150.
[17] WAUGH W L,STREIB G.Collaboration and leadership for effective emergency management[J].Public Administration Review,2006(66): 131-140.
[18] 吴楠君.基于媒体与公众视角的公共危机演化机理研究[D].长沙: 湖南农业大学,2016.
[19] 侯保龙.公民参与重大自然灾害性公共危机治理问题研究[D].苏州: 苏州大学,2011.
[20] 威廉·L·沃,王宏伟,李莹.有效应急管理的合作与领导[J].国家行政学院学报,2008(3):108-111.
[21] 刘丹,闫长乐.协同创新网络结构与机理研究[J].管理世界,2013(12): 1-4.
[22] 周榕.我国公共危机传播中的媒介角色研究[D].武汉: 武汉大学,2013.
[23] 王超,武华维,赵燕清,等.基于创新全过程的知识内容扩散强度分析模型研究[J].情报理论与实践,2018,41(10): 137-142+65.
[24] (美)NEWMAN M E J,郭世泽,陈哲.网络科学引论[M].北京: 电子工业出版社,2014.
[25] SZALAY-BEKÖ M
TÉ,ROBIN P,SZAPPANOS BALZS,et al.ModuLand plug-in for cytoscape: determination of hierarchical layers of overlapping network modules and community centrality[J].Bioinformatics,2012(16):16.
[26] ISTVN A KOVCS,PALOTAI R,et al.Community landscapes: an integrative approach to determine overlapping network module hierarchy,identify key nodes and predict network dynamics[J].Plos One,2010,5(9): e12528.
[27] 刘军.整体网分析：UCINET软件实用指南[M].上海: 上海出版社,2016.