开放科学(资源服务)标识码(OSID)：
开放科学(资源服务)标识码(OSID)：
企业是科技创新的重要主体，在提升国家创新实力过程中发挥着巨大作用[1]。然而，在科学技术复杂化、创新要素分散化趋势下，企业仅依靠已有资源无法满足技术创新和自身发展需求，因而迫切需要利用外部资源促进自身创新能力提升。产学研合作既是突破企业创新瓶颈的新路径，也是技术创新的重要源泉[2]。国家“十四五”规划指出，强化企业创新主体地位，促进各类创新要素向企业集聚，推进产学研深度融合，支持企业牵头组建创新联合体。由此，进一步凸显产学研合作对企业技术创新的重要性。
产学研合作意味着企业、高校和科研机构间的知识交换，这种交换关系会形成复杂的网络结构。目前，产学研合作网络研究主要集中于单一区域或单一行业。例如，邹乐乐[3]研究中国清洁技术专利产学研合作网络，发现产学研合作规模逐年扩大，但空间分布不均匀；陈钰芬[4]以浙江省ICT产业专利申请数据为基础，发现产学研网络呈现核心—边缘化结构；胡海鹏[5]通过对1995—2014年北京中关村高新科技园区内企业产学研合作专利研究发现，产学研合作范围逐渐扩大，大型国企在产学研合作中的作用愈发显著。上述研究一定程度上揭示了产学研合作网络内在结构和发展趋势，但尚未全景式展现产学研合作对企业技术创新能力的影响及发展规律。
已有研究主要以分析网络结构为主。例如，袁剑锋[6]以1985—2013年全国产学研联合申请专利数据构建合作网络，通过拓扑结构、聚类系数、度分布等方法对网络结构进行分析，同时比较中心性前10位的节点属性特点，发现产学研网络结构趋于复杂，“985”高校和大型能源型企业在合作网络中发挥主导作用；杨勇(2020)以2006—2015年全国专利申请数据构建合作网络，通过网络规模、小世界特性等网络结构指标对合作网络演化趋势进行分析，发现产学研网络规模逐渐扩大，存在小世界现象，通过对中心性和限制性指标排名前40的节点属性进行对比分析，发现高校和大型国企处于网络中的核心位置；李雨浓[7]基于“985”高校的校企联合申请专利数据构建合作网络，对度中心性前10位的企业进行分析发现，能源型企业在合作网络中处于关键地位。在上述研究中，学者重点关注不同形式的产学研合作网络结构，但仅仅涉及部分企业，对企业主体性关注不足，难以反映企业产学研合作创新趋势全貌。
从关系角度研究企业创新能力，尚缺乏衡量标准。已有文献主要通过企业创新投入能力、创新产出能力[8]、产学研创新环境[9]、组织开放度[10]等建立评价指标体系衡量企业创新能力。以上指标主要基于财务数据或问卷调查数据，无法反映企业产学研合作关系，其中的创新能力更是难以体现出来。在产学研合作中，企业创新能力评价指标应多元化：①合作紧密性：紧密性能够反映创新主体间合作关系的松散与集中程度[11]，在产学研合作不断深化的情况下，通过紧密性可以了解产学研合作创新是否更加密切；②知识吸收能力：企业在通过产学研合作将外部异质性知识转化为成果的过程中，知识吸收能力起到关键作用，知识吸收能力可以促进外部异质性知识消化与转化，进而提升企业创新能力[12]；③知识控制能力：企业在参与产学研合作过程中，对创新知识的需求不同，因而合作组合不同(张玉臣、王芳杰，2019)，组合关系既能够体现企业自身知识储备，也能够体现对创新知识的控制能力；④创新集群发展能力：企业在产学研合作中形成丰富的创新集群(张曼、菅利荣，2017)，创新集群数量以及集群内成员规模可以反映产学研合作多样化与纵深化发展。虽然复杂网络分析为企业创新能力提供了分析工具，然而目前鲜有研究结合属性特征全面考察企业创新能力。
综合上述分析，本文关注以下问题：企业产学研合作发展趋势如何？企业在产学研合作过程中的创新知识吸收能力、控制能力如何？企业产学研合作创新集群发展能力如何？企业特征差异对以上方面具有何种影响？为此，本文以1998—2019年A股上市公司产学研合作专利数据为基础，采用复杂网络分析方法对上述问题进行研究。本文研究内容安排如下：首先，从合作网络整体角度分析上市公司产学研合作趋势。其次，从企业特征差异角度对以下内容进行分析：合作创新紧密性、合作创新知识吸收能力、合作创新知识控制能力以及合作创新集群发展能力。最后，根据分析结果提出相应的政策建议。
公司专利申请数据来源于国家知识产权局中国专利信息中心的专利之星检索系统，依据沪深A股上市公司现用名或曾用名检索产学研联合申请专利，检索式为：(?/PA*(大学/PA+所/PA+院/PA))*(19900101>20191231/AD)，其中“?”表示所检索上市公司的中文全称，专利数据检索日期为2020年5月25日。通过以下方式对数据进行清洗和筛选：剔除单个专利申请人申请的专利；将上市公司名称统一为现用名；分公司或附属机构申请的专利统一到母单位。从CSMAR数据库中获得公司财务指标、行业和注册地址信息，依据上述3类数据对上市公司进行分类：①从生命周期角度，将上市公司分为成长期、成熟期和衰退期企业[13-14]；②从要素密集度角度，将上市公司分为技术密集型、劳动密集型和资本密集型企业[15]；③从区域角度，将上市公司分为东部、中部和西部企业[16]。最后，将公司专利数据与特征数据进行匹配，由于部分上市公司早期特征数据缺失，因而将这部分专利数据剔除。经过整理获得11 708项上市公司产学研联合申请专利，时间跨度为1998—2019年，上市公司数量为1 031家。
1998-2019年产学研联合专利申请量与参与专利申请上市公司量变化趋势见图1，从图1可以看出，两者均呈现上升趋势。专利申请量增长趋势可分为3个阶段：1998—2006年为第一阶段，2007—2014年为第二阶段，2015—2019年为第三阶段。在第一阶段，年专利申请量不足300，上市公司产学研参与程度较低，二者增速均较为缓慢，说明此阶段我国政策对企业产学研合作创新的支持不足，难以刺激企业合作创新。在第二阶段，年专利申请量以及上市公司数量相比上一阶段增长显著，年均专利申请量为上一阶段的4倍。《国家中长期科学和技术发展规划纲要(2006-2020年)》明确强调企业的创新主体地位，为企业营造创新环境，在科技投入、税收激励和金融支持方面制定配套政策。上述举措极大地提升了企业产学研合作参与度，因而专利申请量和上市公司量逐渐攀升。在第三阶段，年专利申请量较为稳定，上市公司数量持续增长，2012年“十八大”提出创新驱动发展战略后，产学研合作创新在国家发展战略中的地位提升，2015年和2016年各部委发布的相关政策文件占过去10年的50%[17]。由于政策力度加大和政策效力提高[18]，第三阶段专利申请量和上市公司数量大幅增长。
图1 1998—2019年产学研联合专利申请量与上市公司数量
在产学研合作背景下，企业创新活动由内部转向外部，故企业创新能力衡量指标也应将企业外部合作关系考虑进来。以往研究通过企业创新活动中的投入或产出等个体属性数据研究企业创新能力，忽略了企业产学研合作关系。企业产学研合作的目的是为了获取外部知识以提升自身创新能力，而企业个体属性数据更多的地反映了企业在创新活动中的努力程度，难以反映企业产学研合作关系，更无法衡量企业产学研合作中的创新能力。从关系角度研究问题的社会网络分析可以有效解决企业产学研合作过程中的创新能力衡量问题。
本文通过合作紧密性、知识吸收能力、知识控制能力以及集群发展能力对企业产学研合作创新能力进行研究。在产学研合作中，企业、高校和科研机构之间存在复杂的合作关系，通过合作紧密性分析能够从整体上了解产学研合作的丰富程度。知识吸收能力是指企业获取、同化、整合及利用外部知识的能力(郭尉，2016)，是影响企业合作创新水平提升的关键因素。合作专利是企业吸收外部知识的成果，所以合作专利信息中隐含着企业知识吸收能力。专利合作关系反映企业对知识的控制能力，部分创新主体在合作中发挥中介作用，将不连接的主体相连。当企业具有中介作用时，便能够对知识产生控制，企业控制能力越强，越能主导产学研合作。由于企业合作偏好受到地域及技术的影响，因而在产学研创新合作中容易出现外部关系稀疏但内部关系紧密的社群[19]。网络中社群数量越多，说明创新活动发展越多元化，而社群平均规模越大，说明创新社群发展越繁荣。
企业创新能力因要素密集度、生命周期、区域特征不同而有所差异。首先，要素密集度差异是造成企业研发强度不同的主要原因[20]，技术密集型企业、劳动密集型企业和资本密集型企业在生产过程中对技术需求存在较大差异，企业因行业差异在产学研合作中存在不同的合作倾向(蒋展鸿等，2014)。其次，企业生命周期与其创新能力存在较强的关联，成长期、成熟期和衰退期企业在研发投入、技术储备、战略布局等创新关键因素方面具有较大差异，表现出不同的创新能力[21]。最后，企业所处区域不同会导致企业创新能力差异，而我国区域间经济、政策差异显著。例如，冯根福[22]和盘宇章[23]研究发现，地区金融发展水平、产业结构、产权保护、创新政策对企业技术创新具有不同程度影响。综合已有研究，本文构建研究分析框架，如图2所示。
图2 研究分析框架
参考刘斐然[24]的研究方法，使用A股上市公司与高校或科研机构间的联合申请专利构建产学研合作网络。网络分为有向网络和无向网络，由于专利合作发起方和接收方数据难以收集，本文构建的产学研合作网络为无向网络，即合作关系是相互的。
基于历年产学研联合申请专利数据绘制网络拓扑图，如图3所示(限于篇幅，只展示部分年份)。可以看出，网络规模逐渐扩大，拓扑结构趋于复杂。合作网络并非完全连通，存在一个规模较大的子网络和大量规模小子网络。
图3 1998—2019年产学研合作网络拓扑结构演化
本文采用产学研合作网络指标对企业合作紧密性、创新知识吸收能力、创新知识控制能力、创新集群发展能力进行分析。
(1)合作紧密性。通过网络密度衡量，合作紧密性是指产学研创新主体间的合作紧密程度，网络密度越大，整体上创新主体间的合作关系越广泛。
(2)企业创新知识吸收能力。本文从企业自身(以企业节点网络指标度量)与外部环境(以整体网络指标度量)两个方面对企业创新知识吸收能力进行分析。前者采用度中心性和接近中心性指标加以衡量，度中心性通过企业合作关系的广泛程度衡量，度中心性越高，企业产学研合作对象越广泛，企业越能从不同创新主体吸收知识资源；接近中心性则以企业合作关系距离进行衡量，接近中心性越高，企业与其他创新合作主体的关系距离越近，意味着企业对知识资源吸收效率越高[25]。后者采用小世界网络和无标度网络指标，无标度网络结构中的核心节点(Hub)有助于网络中知识存量增长与知识扩散[26-27]，而小世界网络中的高集聚和短路径结构能够促进主体间交流与合作，从而促进创新知识流动[28]。若合作网络中存在无标度和小世界结构，则说明合作创新环境有利于企业知识吸收。
(3)企业创新知识控制能力。采用中介中心性和限制性衡量，中介中心性是指个体成为其他个体间交流中介者的能力，某节点中介中心性越高，越有可能成为其他两个个体间信息流动的中介者[29]。限制性反映的是个体连接间断关系的能力，限制性越低，其在信息连通和扩散中的控制力越强(盛亚、范栋梁，2009)。
(4)企业创新集群发展能力。采用网络社群结构指标进行分析，参考李纲[30]的研究，通过G-N算法对网络中的社群结构进行划分，社群结构Q值越接近1，合作网络中的社群结构现象越普遍[31]。
本文采用的网络指标、参数说明及对应文献如表1所示，采用R软件中的Igraph包进行网络分析。由于接近中心性及聚类系数在非连通的合作网络中缺乏定义，本文借鉴Telesford[32]的做法，提取合作网络中的最大成分用于该指标计算。为消除网络规模变动对中心性的影响，将上述中心性指标进行标准化处理。
表1 产学研合作创新能力分析指标
内容网络指标计算公式参数说明来源合作紧密性网络密度GD=2Ln(n-1)L代表网络图中实际的连线数量度中心性DCi=∑jaij,i≠jaij是矩阵A中的数值标准度中心性NDCi=DCin-1n是网络中节点的数量刘军[33]标准接近中心性NCCi=n-1∑jdij,i≠jdij是节点i和j的最短距离知识吸收能力平均路径长度APL=∑idijn(n-1),i≠jdij是节点i和节点j的最短距离;n是网络中节点的数量平均局部聚类系数LCC=1n∑i2eiDCi(DCi-1)ei是节点i及其相连的Di个节点构成的网络中边的数量,Di是节点i的度中心性Humphries[34]小世界性s=LCCLCCRAPLAPLRAPLR与LCCR代表随机网络的平均路径长度与平均局部聚类系数度分布P(N=K)=NKNNK表示节点度为K的节点个数Barabási[35]知识控制能力标准中介中心性NBCi=2∑j∑kgjk(i)n2-3n+2gjk(i)表示节点i处于节点j和k之间最短路径上的次数刘军[33]限制性CONi=∑jpij+∑qpiqpqj 2,i≠j≠qpij表示节点i在连接节点j时投入的关系比重王璐璐(2018)集群发展能力社群结构Q=14m∑ij,i≠jAij-ki2mkj s(vi,vj)+1 2m=∑iki=∑ijAij,m是边的数量,ki是节点i的度;节点i和j同属一个社群,那么s(vi,vj)等于1,反之等于-1Newman[31]
1998—2019年合作网络密度变化趋势见图4。由图4可以看出，网络密度呈下降趋势，下降幅度逐渐平缓，说明创新主体间的合作关系趋于稀疏。但是网络密度下降并不意味着单个创新主体合作广度降低，主要原因是更多上市公司参与产学研合作，从而促使网络中创新主体规模扩大。然而，相对于不断扩大的网络规模，单个创新主体合作广度提升缓慢，最终引致合作网络密度下降。1998—2000年网络密度提升幅度较大，原因是该时期参与产学研合作创新的主体较少，网络规模较小的波动能够对密度产生较大影响。2001年，产学研合作网络中出现了以中国石油化工为中心的星形网络结构，网络密度急速下降。随后的年份中，各类创新主体广泛参与，使网络密度趋于稳定。
图4 1998—2019年产学研合作网络密度趋势
表2为历年合作网络指标计算结果。度中心性(DC)逐渐上升，标准度中心性(NDC)呈下降趋势，说明随着产学研合作创新主体增多，各创新主体合作广度有所提升，能够从更多创新主体那里获得知识。但是相对于高速扩张的网络规模而言，单个创新主体相对合作广度下降。网络无标度结构分析参考Gillespie[36]的方法，使用R软件中的PoweRlaw包进行节点度幂律分布拟合，拟合系数α自2001年开始始终介于2～3之间，说明合作网络存在无标度特征[37]，即合作网络中存在偏好连接，少数节点的度中心性很高，绝大部分节点的度中心性很低。标准接近中心性(NCC)逐渐降低，说明创新知识流动距离逐渐增大。依据实际合作网络的节点数和边数，每年生成5 000个E-R随机网络样本，计算得到历年小世界性S值。S值的增长趋势说明合作网络中的小世界性越来越显著，虽然创新主体越来越多，但任意两个创新主体间的距离并没有被迅速拉大(APL稳定)，并且存在局部集群现象(LCC增加)，知识流动效率没有大幅度降低。标准中介中心性(NBC)与限制性(CON)在下降后保持稳定，说明创新主体在知识流动中成为中介者的能力降低，其他创新主体能够跨过中介者进行技术创新合作，合作不再局限于某些主体。
表2 1998-2019年产学研合作网络指标计算结果
年份DCNDCNCCAPLLCCSNBCCONα19982.50.3570.1971.1670.9054.1580.0120.916/20012.40.1260.5092.0210.7678.8210.0570.8272.10820042.2750.045 50.2773.7050.512.2820.0550.7992.63820072.6120.026 90.1855.5230.49314.860.0470.7372.98920102.9750.014 70.1855.6720.58533.0650.0230.7152.4120133.3740.011 40.2244.6430.60653.8280.0120.6832.64520163.4660.009 760.214.7190.59161.6360.0110.6722.74320193.5450.006 310.1925.3850.66399.0860.0080.672.895
产学研合作创新集群采用网络社群指标进行分析，如表3所示。社群结构Q值呈增长趋势，合作网络中社群结构现象愈发显著。合作网络中社群数量与平均规模逐渐增加，平均社群规模差距扩大，说明更多创新主体的产学研合作积极性被有效调动，由于新技术领域出现和跨地区合作，出现了更多的小型社群。
表3 1998—2019年产学研合作网络社群结构特征指标
年份Q社群数量最大值最小值均值标准差N19980.4824440220010.2282155107.071220040.68481236.3753.204620070.771111448.9093.239720100.7731133618.4568.813820130.7621843316.510.4561020160.7592140516.95211.161220190.8092746620.85210.92516
由于部分社群规模过小，本文选取历年合作网络中包含80%节点的前N大社群进行社群角色分析。依据每个社群内外关系差异将社群分为4类角色：孤立人(Isolate)、领导人(Primary)、谄媚人(Sycophant)和中介人(Broker)[38]。社群内部关系紧密度远大于期望值，结果显示，合作网络中只存在孤立人和领导人，在领导人社群内部存在创新能力较强的主体，该主体能与其它社群内主体进行合作，社群外部关系比例较大，孤立人则相反。2019年合作网络社群分布情况如图5所示，由于节点众多，只显示每个社群中度中心性最大的节点名称。2019年，大部分社群核心节点为理工类高校及科研机构，只有少数社群以企业为核心。依据内外关系，该年领导人社群主要包括以清华大学、中国石油化工、中国科学院、华南理工大学等为核心的社群；孤立人社群包括以上海交通大学、浙江大学、华能澜沧江水电、江南大学等为核心的社群。历年合作网络中领导人与孤立人的比例关系见图6，孤立人社群数量变化经历了从无到有的发展趋势，说明在合作网络中出现了更多技术专业性创新主体，不易与社群外其他创新主体进行合作，因而形成更多孤立人社群。
图5 2019年产学研合作网络社群结构
图6 1998—2019年产学研合作网络社群角色比例
从上市公司的要素密集度、生命周期和区域3种视角构建产学研合作网络，基于每种视角划分3类子特征，按生命周期分为成长期、成熟期和衰退期3种类型。由于相关数据缺失，最终构建的网络数量为128(22*3*3-4)个。
3种视角下上市公司产学研合作网络密度均呈现下降趋势且幅度逐渐平缓。图7显示要素密集度视角下合作创新紧密性趋势，可以看出，3类上市公司合作网络密度均趋于下降。2009年之前，技术密集型上市公司产学研合作面窄，网络规模难以通过二级合作关系扩大，因而合作关系较为紧密。自2010年起，技术密集型企业中的中兴通讯在桥接其他主体间关系方面发挥了巨大作用，先后与各理工类、综合类高校进行长期合作，而这类高校本身具有广泛的产学研合作关系，合作网络规模迅速扩张，而网络密度下降较快。随后，出现部分产学研合作关系极为广泛的上市公司，后者能够长期主导产学研合作，因而网络密度趋于稳定。生命周期视角下，成长期和成熟期上市公司参与产学研合作较多，合作紧密性较低，而衰退期企业产学研合作不稳定，合作紧密性较高且波动大。但近年来，衰退期上市公司合作网络密度明显降低，产学研合作创新动力较以往有所提升。区域视角下，东部合作网络密度早期下降且下降速度较快，说明东部地区上市公司早期积极参与产学研合作，网络规模迅速扩大，而中西部地区快速追赶，3类区域合作网络密度差距逐渐缩小。
图7 要素密集度视角下产学研合作网络密度变动趋势
要素密集度、生命周期和区域视角下，标准度中心性和标准接近中心性均呈现递减趋势，说明上市公司的相对合作广度降低，知识传递距离拉大，知识吸收能力下降。图8展示了上市公司要素密集度视角下知识吸收能力变动趋势，技术密集型上市公司的中心性略低于其它两类上市公司，可能是由于技术密集型上市公司产学研合作较少，在网络中处于边缘位置，因而知识接受广度较低，传输距离较远。2006年劳动密集型上市公司的中心性指标陡增，这是因为该年以中国石油化工为中心形成了星形网络。生命周期视角下，处于衰退期的企业知识吸收能力强于其它时期，但衰退期上市公司数量较少，并且不断有企业进入与离开衰退期，故其吸收能力具有较强的波动性。区域视角下，东部地区上市公司的标准度中心性和标准接近中心性低于中西部地区上市公司，区域差距缩小。
3种视角下上市公司合作网络中皆出现小世界和无标度特征，小世界性越来越强，而无标度结构趋于消失。小世界性变动趋势说明，产学研创新活动的集聚程度越来越高。幂律分布系数逐渐大于3，说明产学研合作中的核心创新主体增多，知识枢纽数量增加，偏好连接程度降低，企业搜寻最优合作伙伴的时间成本上升。从图8可以看到，2018年资本密集型上市公司网络的小世界性陡增，这是因为2017年由中国科学院、浙江大学、清华大学、国电南瑞科技、苏交科集团、中南大学、宝山钢铁形成的星形结构之间被桥接。2018年，大部分桥接关系被切断，形成仅包含苏交科集团和国电南瑞科技两家企业的紧密网络结构，聚类系数高但平均路径长度短，因而呈现出较强的小世界性。生命周期视角下，成长期和成熟期上市公司合作网络的小世界指数波动上升，幂律分布系数较为稳定，而衰退期上市公司由于受到部分合作广泛的企业生命周期变化的影响，其网络结构波动显著。区域视角下，东部地区无标度网络结构较为稳定，中西部地区网络结构波动较大，这是由于中西部地区上市公司产学研合作的稳定性较差所致。
图8 要素密集度视角下上市公司知识吸收能力变动趋势
图9展示了要素密集度视角下3类上市公司知识控制能力变动趋势。可以看出，上市公司限制性提升，标准中介中心性下降，波动幅度趋于稳定，限制性差异显著，标准中介中心性差异较小，说明上市公司知识控制能力下降，主要在产学研合作中充当知识需求者，而非知识供给者。技术密集型上市公司产学研合作限制性最高，说明这类上市公司在产学研合作中的知识控制能力较低，反映了技术密集型企业自主创新能力较强，对产学研合作的依赖性较弱；劳动密集型上市公司产学研限制性最低，说明这类公司占据网络结构洞的有利位置，能够从多方获得创新知识，但也从另一方面说明其自主创新能力不足。企业生命周期视角下，成长期和成熟期上市公司产学研合作的限制性与标准中介中心性较为稳定，衰退期上市公司的知识控制能力强但波动较大，差异趋于缩小。区域视角下，东部地区上市公司的限制性较高，中介性较低，处于网络边缘位置，企业主导产学研合作的能力较弱，而中西部地区波动较大。
图9 要素密集度视角下上市公司知识控制能力变动趋势
3种视角下网络社群数量和网络社群平均规模均出现一定增长，但存在一定差异。整体来看，上市公司产学研合作发展多元化程度以及繁荣程度逐渐提升。图10展示了要素密集度视角下上市公司产学研合作网络社群指标变动趋势，可以看出，3类上市公司产学研合作网络社群数量和社群规模均具有增加趋势。劳动密集型企业产学研合作发展较为迅速，其它两类相对缓慢。一方面，在技术密集型合作网络社群中，核心节点常常是实力雄厚的学研机构，但这类机构是稀缺性资源，随着时间推移，社群数量难以继续增长；另一方面，随着产学研合作发展，社群平均规模持续扩大。生命周期视角下，成长期产学研合作网络社群数量增长放缓，但平均社群规模保持增长，说明其内部已出现稳定的合作社群，新加入产学研合作的成长期上市公司更倾向于进入这类社群中。成熟期产学研合作网络社群指标增幅持续提升，而衰退期上市公司社群数量较少，但社群平均规模有一定增长。区域视角下，东部地区社群数量和规模远超中西部地区，而中部与西部地区间的差距不大。由于大部分知名高校及科研机构位于东部地区，因而东部地区上市公司能够利用地理优势进行高水平产学研合作，形成以高校科研机构为核心的网络结构。中西部地区资源较为缺乏，区域间集群发展差距会进一步拉大。
图10 要素密集度视角下产学研合作网络集群变动趋势
本研究采用1998—2019年A股上市公司产学研联合申请专利数据，构建上市公司产学研合作网络。首先，从整体角度研究上市公司产学研合作创新发展趋势；其次，从要素密集度、生命周期和区域3种视角分析上市公司产学研合作创新中的紧密性、知识吸收能力、知识控制能力和创新集群发展能力演进趋势。
(1)企业产学研合作参与程度与专利申请量具有较大程度增长。产学研合作网络结构趋于复杂，从初始的点对点结构发展为簇状拓扑结构，其中理工类学研机构及大型能源企业处于网络中心，在促进网络规模扩大过程中发挥关键作用。网络具有小世界和无标度结构，知识流动效率趋于稳定，核心学研机构的作用显著，网络中出现更多创新集群，集群间合作减少。
(2)合作紧密性显著下降，创新主体间合作的广泛程度降低。3种视角下创新主体的合作积极性提高，网络规模扩张迅速，而单个创新主体合作的广度并未显著提升。相对于较大的合作网络，单个创新主体的合作范围有限，导致紧密性下降，而创新主体的绝对数量增幅稳定，网络规模扩大速度下降，最终导致紧密性趋于平稳。
(3)企业自身知识吸收能力下降，但整体创新环境对知识吸收具有促进作用。3种视角下上市公司的标准度中心性和标准接近中心性均具有下降趋势，说明虽然产学研合作具有扩张趋势，但上市公司从外部获取的知识是有限的。此外，具有高流动性的产学研合作网络结构促使企业知识吸收效率下降幅度有限。本文还发现，上市公司产学研合作出现“择优而从之”的现象，可能是由于企业会对与自身相关的知识产生需求，因而产学研合作具有较强的倾向性。而学研机构新知识资源的产生往往建立在以往知识的基础上，会强化部分学研机构对某类知识资源的垄断性，最终导致该现象产生。
(4)企业知识控制能力较低，在产学研合作中大多处于边缘位置，是知识需求者，无法在知识传递中发挥“桥梁”作用。劳动密集型上市公司受到的限制较小，可能是由于自身创新实力较弱，对外部知识需求较大，因而产生较强的知识控制能力。中西部地区上市公司由于产学研合作不充分，合作网络规模较小，所接触到的知识有限，因而其知识控制能力较强。
(5)企业产学研合作呈现多元化发展趋势，创新集群数量与规模不断增加。集群数量增加是由于公司间存在技术差异，使合作网络中产生新的创新集群，后者主要是由于上市公司广泛参与引起的。成长期企业和技术密集型上市公司集群数量稳定，但集群规模保持增长态势，可能是由于上述两类上市公司为了降低合作失败风险，倾向于和实力雄厚的学研机构合作，而该类机构具有稀缺性，从而导致集群数量增长缓慢。地区间产学研合作创新集群发展程度差异较大，东部地区上市公司能够利用学研机构优势，因而产学研创新集群发展较好。
(1)应持续实施产学研激励政策。由于产学研合作创新成果收益不确定，资金状况欠佳的衰退期企业对产学研合作持保守态度。因此，需要实施相关政策降低产学研合作成本，缓解企业资金压力，为企业合作创新创造良好条件。
(2)促进跨区域产学研合作。东西部地区间高校及科研机构分布不均，东部地区条件优越，中西部资源匮乏，地理距离使沟通成本增加。因此，企业倾向于与当地学研机构进行合作，跨区域产学研合作较少。一方面，为充分发挥学研机构在知识生产和转化方面的作用，相关政策应鼓励东部地区科研实力雄厚的学研机构在异地建立联合研究院所，缓解学研机构的资金压力，促进东西部地区均衡发展，降低中西部地区企业产学研合作沟通成本。另一方面，由于企业产学研合作存在“偏好连接”现象，为避免知识垄断，相关政策应鼓励学研机构间的学术交流，提升中西部地区学研机构的科研实力，从而提升企业产学研合作的吸引力。
(3)提升政策实施的针对性。企业存在不同的要素密集度，劳动密集型企业自主创新能力较弱，对产学研合作的依赖性较强，因此，相关政策应进一步降低这类企业产学研合作门槛；技术密集型企业和资本密集型企业产学研合作参与程度低，产学研合作需求较小，其自身拥有较强的创新盈利能力，因此，相关政策可以促进这类企业进行产学研合作，从而引导学研机构创新成果转化。
[1] 玄兆辉.中国创新型国家建设进程评价研究[J]. 科技管理研究,2019,39(19):1-6.
[2] 洪银兴.产学研协同创新的经济学分析[J]. 经济科学,2014，36(1):56-64.
[3] 邹乐乐,陈佩佩,吴怡,等. 中国清洁技术创新主体的合作特征及演化分析[J]. 科学学研究,2019,37(9):1702-1711.
[4] 陈钰芬,姚天娇,胡思慧. 浙江省ICT产业产学研合作创新网络动态演化分析[J]. 技术经济,2019,38(10):65-73.
[5] 胡海鹏,吕拉昌. 中关村产学研合作创新网络的时空演化[J]. 中国科技论坛,2018,34(12):52-59.
[6] 袁剑锋,许治. 中国产学研合作网络结构特性及演化研究[J]. 管理学报,2017,14(7):1024-1032.
[7] 李雨浓,王博,张永忠,等. 校企专利合作网络的结构特征及其演化分析:以“985高校”为例[J]. 科研管理,2018,39(3):132-140.
[8] 肖淑芳,石琦,张一鸣. 上市公司创新能力指数的构建[J]. 北京理工大学学报(社会科学版),2020,22(1):57-69.
[9] 何星蓉. 基于协同的高端装备制造业产学研创新能力评价指标体系研究[J]. 经济问题探索,2018，39(5):186-190.
[10] RUVIO A A,SHOHAM A,VIGODA-GADOT E,et al. Organizational innovativeness:construct development and cross-cultural validation[J]. Journal of Product Innovation Management,2014,31(5):1004-1022.
[11] 代君,叶艳. 跨学科行动计划下的合作演进特征测度:以TREC1为例[J]. 图书情报知识,2014，32(6):75-90.
[12] KOSTOPOULOS K,PAPALEXANDRIS A,PAPACHRONI M,et al. Absorptive capacity,innovation,and financial performance[J]. Journal of Business Research,2011,64(12):1335-1343.
[13] DICKINSON V. Cash flow patterns as a proxy for firm life cycle[J]. The Accounting Review,2011,86(6):1969-1994.
[14] 魏群. 企业生命周期、债务异质性与非效率投资[J]. 山西财经大学学报,2018,40(1):96-111.
[15] 鲁桐,党印. 公司治理与技术创新:分行业比较[J]. 经济研究,2014,49(6):115-128.
[16] 林素燕,赖逸璇. 公司治理影响企业技术创新吗:基于中国东部、中部、西部上市公司的比较研究[J]. 财经论丛,2019，35(5):75-82.
[17] 武学超,徐雅婷. 我国政府推动产学研协同创新政策文本分析(2006—2016):政策工具视角[J]. 高教探索,2018，34(4):11-18,44.
[18] 王帮俊,朱荣. 产学研协同创新政策效力与政策效果评估:基于中国2006—2016年政策文本的量化分析[J]. 软科学,2019,33(3):30-35,44.
[19] GIRVAN M,NEWMAN M E J. Community structure in social and biological networks[J]. PNAS,2002,99(12):7821-7826.
[20] 胡晨光,厉英珍,吕亚倩. 研发强度、出口调节与企业经营绩效:基于企业要素密集度差异的视角[J]. 财经科学,2020，64(4):95-106.
[21] 陈收,邹增明,刘端. 技术创新能力生命周期与研发投入对企业绩效的影响[J]. 科技进步与对策,2015,32(12):72-78.
[22] 冯根福,郑明波,温军,等. 究竟哪些因素决定了中国企业的技术创新:基于九大中文经济学权威期刊和A股上市公司数据的再实证[J]. 中国工业经济,2021,38(1):17-35.
[23] 盘宇章,寇宗来. 创新政策对中国上市公司专利行为的影响:基于专利生产函数估计[J]. 产业经济研究,2015，14(3):54-63.
[24] 刘斐然,胡立君,范小群. 产学研合作对企业创新质量的影响研究[J]. 经济管理,2020,42(10):120-136.
[25] LIU F C,ZHANG N,CAO C. An evolutionary process of global nanotechnology collaboration:a social network analysis of patents at USPTO[J]. Scientometrics,2017,111(3):1449-1465.
[26] LIN M,LI N. Scale-free network provides an optimal pattern for knowledge transfer[J]. Physica A:Statistical Mechanics and Its Applications,2010,389(3):473-480.
[27] QIAO T,SHAN W,ZHANG M L,et al. How to facilitate knowledge diffusion in complex networks:the roles of network structure,knowledge role distribution and selection rule[J]. International Journal of Information Management,2019 , 47:152-167.
[28] 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.
[29] FREEMAN L C. Centrality in social networks conceptual clarification[J]. Social Networks,1978,1(3):215-239.
[30] 李纲,任佳佳,毛进,等. 专利权人合作网络的社群结构分析:以燃料电池电动汽车专利为例[J]. 情报学报,2014,33(3):267-276.
[31] NEWMAN M E J. Detecting community structure in networks[J]. The European Physical Journal B, 2004,38(2):321-330.
[32] TELESFORD Q K,JOYCE K E,HAYASAKA S,et al. The ubiquity of small-world networks[J]. Brain Connectivity,2011,1(5):367-375.
[33] 刘军. 社会网络分析导论[M]. 北京:社会科学文献出版社,2004.
[34] HUMPHRIES M D,GURNEY K. Network 'small-world-ness':a quantitative method for determining canonical network equivalence[J]. PLoS One,2008,3(4):2051.
[35] BARAB
SI A L,JEONG H,NÉDA Z,et al. Evolution of the social network of scientific collaborations[J]. Physica A:Statistical Mechanics and Its Applications,2002,311(3-4):590-614.
[36] GILLESPIE C S. Fitting heavy tailed distributions:the powe rlaw package[J]. Journal of Statistical Software,2015,64(2):1-16.
[37] CLAUSET A,SHALIZI C R,NEWMAN M E J. Power-law distributions in empirical data[J]. SIAM Review,2009,51(4):661-703.
[38] FAUST K, WASSERMAN S. Blockmodels: interpretation and evaluation[J]. Social Networks, 1992,14(1):5-61.