The patent data of China's Silk Road Economic Belt and the National High-tech Industrial Development Zone (High-tech Zone) located in the Yangtze River Economic Belt is from the China National Intellectual Property Administration, and the data is taken as the sample in the preliminary screening, with 390 qualified partnerships between enterprises selected. The negative binomial regression model is used to analyze the moderating effects of multidimensional proximity on the relationship between key inventor-firm collaborative exploratory and exploitative innovation outputs. The research results show that geographical proximity has a positive and significant impact on the promotion of the proportion of key inventor participants to collaborative innovation. Social proximity is positively and significantly moderating the relationship between the participation ratio of key inventors and collaborative innovation in enterprises. The closer the proximity of technology is, the greater the promotion effect of the participation ratio of key inventors on collaborative utilization innovation. With the increase of technological proximity, the participation ratio of key inventors has a stronger inhibitory effect on collaborative exploratory innovation.
From the perspective of micro-individual research, this paper combines multi-dimensional proximity with the participation ratio of key inventors, and elaborates the influence of the interaction between individuals and firms on inter-firm collaborative innovation, which enriches the research on the relationship between multi-dimensional proximity and inter-firm innovation cooperation. Different from the previous literature, this paper introduces multi-dimensional proximity as a moderating role, suggesting a new research perspective from multi-dimensional proximity.
The research results have practical significance for enterprises to optimize the external collaborative relationships and effectively allocate human and knowledge resources. Firstly the geographical distance between cooperative enterprises affects the mechanism of the key R&D participation ratio on the output of cooperative innovation, and this conclusion is helpful for enterprises to better seek partners and develop systems; secondly, in order to reduce knowledge monopolization and free riding in innovation cooperation, focal enterprises could choose partners with more social relations to ensure the smooth completion of innovation cooperation. Finally, when the innovation cooperation project is expected to make exploratory innovation, but the proportion of key R&D staff is small, the focal enterprise can choose partners with low similarity in their technical knowledge. When exploitative innovation is expected to be achieved, the focal enterprises can choose partners with similar technology fields for cooperation.
The research is subjective to a number of limitations, for it only takes patent data of innovation cooperation in the "Two Belts", and the number of research samples is small. In addition,it is necessary to further explore if the influence of multi-dimensional proximity on the binary cooperative innovation relationship between key R&D makers and enterprises has a substitutive or complementary effect. Finally, the individual characteristics of key inventors may play a certain role in the dual innovation between key researchers and enterprises, and it is worthy of further study.
开放科学(资源服务)标识码(OSID)：
当前,随着以大数据、云计算、人工智能为代表的数字技术发展,产品和技术生命周期越来越短,新知识创造过程越来越复杂,企业自身资源与创新能力不足以应对现有挑战。企业合作创新能够帮助合作伙伴分担创新风险、提高研发效率[1]。因此,寻求外部合作是企业突破发展困境,获取领先市场优势的合理选择。此外,探索式创新是促进我国经济高质量发展的重要举措。然而,在以往发展过程中,我国企业过度依赖利用式创新,具有前瞻性和突破性的探索式创新供给不足导致我国在全球科技竞争中处于劣势。
企业根据合作目标配置创新资源,主要表现为合作企业在研发项目中投入的技术和人才资源。合作研发过程中,不同领域、不同层次人才间的知识交流障碍会加大知识共享及知识创造难度,阻碍合作创新达到预期目标。例如,高达50%的企业合作会因未达到既定探索式创新或利用式创新目标而失败[2],造成创新资源浪费。因此,在合作创新过程中,不同领域及层次的技术、人才是决定创新成败的关键因素。在合作项目立项时,企业通常会根据探索式或利用式创新目标选择合作伙伴。例如,考虑是否选择跨区域合作伙伴[3]。但在合作中较多的不确定性因素[4]促使企业难以有效配置创新资源,造成资源耗散,最终导致合作关系瓦解。基于微观基础视角的研究发现,宏观层面的组织间合作成果是由微观层面某些个体行为导致的[4]。一些跨组织边界的个体对组织间关系发挥决定性作用,能够影响合作产出类型。关键研发者作为特定微观个体,既是企业最重要的人力和智力资本,也是创新过程中研发资源配置的核心要素(朱桂龙等,2021),能够控制关键资源流和知识流动[5],进而影响研发活动过程和企业合作关系。在企业合作中,关键研发者参与能够促进合作创新产出[6],其倾向于利用式创新,而非探索式创新[3](本文企业合作创新是指企业间合作创新)。
多维邻近性能够反映合作企业在空间、社会关系、知识基础等方面的相似性,大多数关键研发者归属于某一组织或嵌入社会关系中,其知识创造活动必然受多维邻近性的影响。关键研发者通过知识获取与流动过程作用于企业合作创新过程,多维邻近性则能影响二者关系。以往研究主要强调多维邻近性对企业合作创绩效的直接影响,鲜有涉及多维邻近性对关键研发者参与比例与企业合作创新产出的作用机制。因此,有必要探讨多维邻近性的调节效应。此外,“丝绸之路经济带”“长江经济带”是承接“一带一路”倡议中“一带”创新活动的重要区域,探索其合作创新情况有助于促进区域间创新资源战略匹配。因此,本文以“两带”高新技术企业专利数据为样本,基于多维邻近性视角,探讨地理因素、关系因素及技术因素对关键研发者的影响机制,并将企业间层次与团队层次结合起来,揭示探索式创新与利用式创新的交互作用机制,以期为企业制定合作创新目标、选择合作伙伴与技术领域,以及构建社会关系提供参考。
企业合作创新的目标在于降低创新成本,促进隐性知识在企业间流动与整合[6]。然而,信息不对称问题会导致双方合作动机难以识别。合作创新的实质是企业寻找内部资源与外部资源的平衡,从信号传递理论看,合作双方对创新资源的配置可以有效反映企业合作创新动机,而这种行为信号将以合作研发团队中人员构成特征的形式体现出来。作为企业关键创新资源,研发团队中的关键研发者最能反映合作研发团队构成特征。因此,关键研发者参与合作创新项目可以作为有效信号,当接收到该信号时,企业能够对合作创新成果进行预判,进而影响企业合作创新行为和产出。
1.2.1 关键研发者与企业二元创新
关键研发者作为企业重要人力和智力资本,是承担企业重大创新任务的合适人选,其超强的知识创造能力是探索组织层面创新能力异质性的微观基础[7],能够影响企业二元创新产出成果。已有研究发现,关键研发者参与有利于企业在合作创新中获得不同比例的收益,其原因在于:一方面,关键研发者知名度较高,容易吸引潜在合作伙伴[6]和获取外部资源[8],从而促进企业间创新绩效提升[9];另一方面,关键研发者具有较强的知识整合能力[10]。关键研发者参与比例对利用式创新与探索式创新的影响不同。从企业层面看,企业合作创新的临时性和不确定性特征会导致知识外溢、知识窃取与“搭便车”行为[11],关键研发者参与能够传递防范知识溢出和合作方“搭便车”的信号。当关键研发者参与比例较高时,虽然能够抑制合作方“搭便车”行为,但也会激发企业竞争意识和核心知识保护意识[12]。合作创新过程中,较高的信息同质化程度与较少的知识分享次数不利于探索式创新产出[4]。此外,在竞争压力下,企业倾向于获得快速且成本与风险较低的创新收益[13],从而促进利用式创新。从研发团队层面看,关键研发者在任务型研发团队中处于较高地位,能够影响合作团队知识创造过程[14]。在研发过程中,关键研发者因依赖知识路径而开发现有知识储备[15],不利于探索式创新[4]。因此,在企业间合作创新中,关键研发者参与比例越高,企业越倾向于利用式创新,从而不利于探索式创新[3]。
1.2.2 多维邻近性与企业合作创新
邻近性是多维概念,能够通过改变合作伙伴知识共享优势、问题解决方法和目标的有效性影响企业合作创新。由于现有研究视角和目的不同,各维度邻近性概念存在交叉和重叠。因此,有必要进一步对邻近性概念进行界定[16]。Knoben&Oerle-mans[17]采用地理、组织和技术邻近3个维度衡量多维邻近性,并给出相应的定义;党兴华等(2013)从区域层面和技术创新合作视角出发,将多维邻近性划分为认知、制度、地理邻近性3个维度;余谦等[18]主要从地理、社会和技术3个代表性维度研究企业合作创新问题。基于已有文献,本文借鉴余谦等[18]的多维邻近性划分方法,从地理、社会和技术邻近性3个维度研究企业合作创新问题。
地理邻近性能够反映合作企业在空间上的远近,其对企业合作创新的影响,现有研究持两种观点:部分学者认为,地理邻近性能够促进企业直接交流,有利于外部隐性知识传递、整合与创新[19]。同时,相似的地理条件能够帮助企业克服组织间制度距离带来的困难[20],且地理位置邻近对合作伙伴信任关系形成具有积极影响。也有学者认为,地理对创新成果的影响存在阈值,超过一定阈值,合作伙伴间隐性知识传播、交流互动受到抑制,创新联系概率降低,进而导致合作创新成本增加[21]。同时,过度邻近导致合作伙伴内向锁定,技术和市场关注范围缩小,企业陷入近距离的次优习惯,创新能力降低。
社会邻近性是指基于信任、经历及网络而嵌入社会环境中的创新主体关系,通过影响合作过程中的机会主义行为与隐性知识传递作用于企业合作创新。在合作创新过程中,机会主义行为可能导致创新活动失败,而创新主体的社会邻近性能够基于合作双方互动和相似经历抑制机会主义行为[22]。同时,彼此的亲切感和以往合作经验能够加深现有合作关系,促进企业创新合作网络形成,从而推进双方合作[23]。此外,社会邻近性基于合作双方共同的研发经验促进彼此知识交流,有利于合作过程中隐性知识转移[18]。但过分亲密的社会关系情境下,企业存在知识依赖性,难以建立新的关系,导致创新合作网络封闭,从而阻碍创新绩效提升。社会邻近性与信任相互关联,信任可以在隐性知识传递中发挥协调作用。但当知识被编码且信任在合同中形成时,社会邻近性对合作创新的影响则是次要的[24]。
技术接近性是指创新主体共享的技术经验和知识基础,能够帮助参与者有效访问和获取外部知识,进而促进企业合作创新。首先,合作企业知识基础必须足够相似,才能识别合作伙伴的技术和知识,从而促进创新产出[25]。其次,专业化知识在相似的基础上必须有所不同,才能有助于企业有效利用新知识。由此,技术邻近性与合作创新绩效呈现倒U型关系(夏丽娟等,2017)。
基于上述研究发现,多维邻近性对企业合作创新产出的作用机制体现在宏观层面。一方面,企业合作层面,现有研究大多从企业间信任关系、知识传递和技术交流等方面展开。另一方面,企业层面的知识共享与信任能够影响合作团队中归属于不同企业研发者的行为及关系,与跨企业合作团队中知识创造过程紧密相关。此外,微观层面的关键研发者能够促进跨企业合作研发团队创新绩效提升。多维邻近性通过影响知识交换和创造过程,作用于关键研发者与企业合作创新产出。
以往研究表明,关键研发者拥有丰富的项目研发经验、占据研发者合作网络的核心位置,而且对企业核心知识具有较高的掌控能力。因此,在企业合作创新中,由双方研发人员联合组成的团队中关键研发者参与比例越高,说明企业对合作越重视,导致企业潜在竞争关系加剧,合作双方知识共享意愿降低,故企业倾向于利用式创新,而非探索式创新[3]。多维邻近性作为企业合作创新中知识交流与传递的重要背景,能够影响关键研发者参与比例与企业二元创新的关系。
地理邻近既代表相似的地理条件,如区域人力资源、市场环境、基础设施及人际关系等要素[23],也代表企业对资源和市场的竞争。地理距离越邻近,企业技术创新目标、市场定位和战略布局重叠度越高。由此,地理距离邻近企业可能会彼此厌恶,并成为竞争对手。在上述情景下,为了保持自身竞争力,在合作创新中企业倾向于保护自己的核心技术知识[26]。因此,当地理距离邻近时,在关键研发者参与比例较高情景下,企业传递的防范信号进一步增强,进而促进利用式创新,抑制探索式创新。反之,若企业无视沟通困难、交易成本较高等因素,依然选择与距离较远企业合作,则意味着企业意识到合作创新收益要远大于合作成本[27]。因此,远距离创新合作中,企业投入较多,关键研发者行为动机倾向于促进合作创新目标达成,而非基于防御心理的敌对行为。地理距离较远情景下,关键研发者参与比例高说明防范信号减弱,传递出重视合作创新的信息[3]。接收到这一信息后,合作方对合作伙伴的信任度提升,能够接受甚至主动要求超越合作协议,进一步加强创新合作,从而获得更多外部异质性和新颖性知识[28]。同时,由于合作双方对于远距离合作创新更有信心,更愿意进行知识分享,因而倾向于选择技术探索战略,积极开展异质性程度较高、更具风险性与挑战性的创新项目,从而实现共赢。
从团队层次看,地理距离邻近情景下,企业合作团队中的研发者彼此了解[29],因而参与其中的关键研发者不仅需要面对来自研发团队内部的技术竞争,而且需要关注声誉。关键研发者参与比例越高,研发者间的交流互动越频繁,地位竞争越激烈。受威胁产生的压力使关键研发者不愿意承担探索式创新风险,而倾向于利用式创新。反之,当合作企业地理距离较远时,研发者间的知识和信息难以流通,合作研发团队内部矛盾不明显,关键研发者间的竞争有所缓和[30]。上述情况下,研发者的创造力能够更好地展现,研发团队知识创造方式倾向于探索式创新。
综上所述,本文提出以下假设:
H1a:地理邻近性正向调节关键研发者参与比例与利用式创新产出的关系;
H1b:地理邻近性负向调节关键研发者参与比例与探索式创新产出的关系。
企业间的社会邻近性主要通过合作关系展现其作用机制[31]。社会邻近性不仅能够抑制机会主义行为,而且可以促进企业间信任和交流规范的形成与发展[32]。所嵌入的社会关系能够帮助合作企业直接观察和监督彼此行为,缓解信息不对称问题,抑制合作创新过程中的机会主义行为。在上述前提下,关键研发者参与比例越高,企业合作关系越稳定,企业对长期收益的信心越强。同时,以往合作经验、交流规范可为当前企业创新合作提供基于既有合作框架和技术领域的延伸条件。此外,合作双方信任关系使得企业不必担心知识溢出风险[33],能够强化企业互助意愿,通过进一步促进企业交流互动解决技术难题,从而抑制关键研发者参与比例对探索式创新的负向影响。
社会邻近性能够促使合作企业相互理解,并按照双方认可的规范和制度进行合作[34]。在跨企业合作团队层面上,研发者之间的地位冲突因企业间亲近关系及合作规范性得以缓解[35]。此时,关键研发者不再面临较大的研发压力,能够脱离以往技术路径,尝试新技术、新知识探索。同时,关键研发者更愿意与团队内其他研发人员分享经验。由此,团队知识共享活动更加频繁,不仅有利于企业知识创造,而且有助于企业在以往知识的基础上进行更多拓展。因此,社会邻近性程度越高,关键研发者参与比例越高,企业间知识交流越广泛、越充分,团队所吸收的异质性知识越多,探索式创新成果产出越显著。
综上所述,本文提出以下假设:
H2a:社会邻近性正向调节关键研发者参与比例与利用式创新产出的关系;
H2b:社会邻近性负向调节关键研发者参与比例与探索式创新产出的关系。
企业技术相似能够促进异质资源获取与技术学习[36]。但随着技术邻近程度提高,合作创新项目中,企业双方技术基础、核心知识以及研发经验重叠的可能性提升,导致合作企业无法有效获得知识重组机会,难以从合作伙伴处学习并获取异质性知识[37]。此时,关键研发者参与比例越高,意味着企业意识到该合作创新项目的技术知识替代性越强。由于关键研发者对企业核心关键知识具有较强的把控能力,合作双方出于抑制知识溢出风险与合作方“搭便车”行为的考虑,会利用所投入领域中的关键研发者降低交流成本,加强该领域知识交流[17],进而增强企业对已有知识的信心,推动合作双方利用式创新。同时,合作企业从知识溢出中获得的潜在收益较少,会挫伤其超越已有技术轨道、探索新技术的积极性,从而降低实施探索性创新的可能性。
企业间技术邻近在微观层面反映出合作研发团队知识基础存在较高程度的相似性[37]。此时,企业合作团队内关键研发者参与比例较高,在相似知识范围内,关键研发者的技术优势突出,相互间地位和话语权之争激烈。这无疑会加剧合作团队内耗,提升沟通协调和知识共享难度,抑制双方预想、搜索以及求证行为[38],进而阻碍技术组合。由此,团队知识活动只在已有知识组合中开展,导致利用式创新产出增加,开展探索式创新的可能性降低。
综上所述,本文提出以下假设:
H3a:技术邻近性正向调节关键研发者参与比例与利用式创新产出的关系;
H3b:技术邻近性负向调节关键研发者参与比例与探索式创新产出的关系。
本文构建假设理论模型如图1所示。
图1 理论模型
Fig.1 Theoretical model
本文使用的专利数据来源于国家知识产权局,具体检索方法如下:首先,选取我国“丝绸之路经济带”“长江流域经济带”17个省份27个高新区,基于2004—2019年高新技术企业专利申请数据,检索到专利授权数据182 554条。由于发明专利授权时间需要1～3年,故专利信息存在滞后性。因此,选取2020年之前的专利数据。此外,为了降低专利滞后性的影响,本文以企业T+1年已授权专利数量衡量企业T年创新绩效。因此,本文中的专利信息已更新至2020年。高新区具有知识密集、技术创新活跃的特点,是高新技术企业聚集地,具有较强的创新驱动代表性。其次,应用Patlab专利大数据分析平台对检索到的专利数据进行清洗:第一阶段,剔除具有同族关系和重复申请专利。专利数据中存在数据重复现象,例如,当某条专利由多个企业申请时,可能出现多条重复专利数据,故需要对专利数据进行去重,使专利数据唯一化。该阶段,筛选后的专利数量为C1=182 554。第二阶段,提取企业合作关系。参考以往研究成果,本文中的企业间合作关系主要依据专利文献中的申请人(专利权人)信息确定:若申请人为企业(剔除申请人包含或全部为高校、科研院所和政府单位的数据)且申请人个数大于等于2,则认为两个申请人存在合作关系。该阶段,筛选后专利数量为C2=7 976。第三阶段,剔除非企业合作(企业与高校、企业与科研院所、企业与政府单位的数据)创新样本,并进行研发者姓名消歧。最终,样本确定为614家企业390项合作创新,该阶段筛选后的专利数量为C3=390。
首先,企业合作创新特征。C1、C2、C3分别对应3个阶段的合作专利申请数据。由C1和C2可看出,企业合作专利申请数仅占总专利申请数的4.3%,说明企业仍以自主研发为主,较少依靠合作创新。其次,“两带”企业合作跨区域特征。最终样本包括“长江经济带”企业合作创新320项、“丝绸之路经济带”企业合作创新206项。由此可见,相比于“丝绸经济带”高新技术企业,“长江经济带”企业发展水平更高。其中,我国西南地区中,四川、重庆、云南、广西等省(市)既属于“长江经济带”又属于“丝绸之路经济带”。
对比“两带”企业合作情况发现,经济带内合作比例高于跨经济带合作比例,即企业倾向于寻找同经济带伙伴进行合作创新。处于同一经济带的企业不用担心地理距离,能够高效进行信息交流和资源共享,故经济带内企业合作研发活动频繁。相比于“丝绸之路经济带”,位于“长江经济带”的企业合作创新比例更高,主要体现为经济带内跨省(市区)合作。近年来,“长江经济带”人力、土地、资本、技术、数据等要素资源加速流动,促进经济带内企业合作创新。相对于“长江经济带”,“丝绸之路经济带”产业结构仍以传统资源型产业为主,导致“丝绸之路经济带”企业合作创新需求有限(见图2)。
图2 丝绸之路经济带与长江经济带企业合作跨区域情况
Fig.2 Trans-regional cooperation between enterprises on the Silk Road Economic Belt and the Yangtze River Economic Belt
3.3.1 因变量
本文主要采用专利引用次数和专利分类号测度合作企业探索式创新绩效与利用式创新绩效。首先,观测年内,在企业每年申请专利所引用的专利中,如果被引用专利在前5年内没有被引用过,则判断为新引用专利。其次,若企业某条专利分类号代表的技术领域在前5年申请的专利中没有出现过,则判断为探索式创新,反之为利用式创新。由于国内专利引用关系较少,本文采取第二种方式测量企业合作创新产出。因此,如果某技术领域在企业i、j中均未出现过,则为探索式创新,其余为利用式创新[39]。同时,企业i、j合作申请的某专利主分类号前4位代码所代表的技术领域若在申请年之前的5年内企业i、j申请的所有专利中均未出现过,则为探索式创新,反之为利用式创新[24]。企业合作探索式创新产出为企业申请年之前的5年内从未申请过该分类号的专利数量,企业合作利用式创新产出则为已申请过该分类号的专利数量。
3.3.2 自变量
关键研发者参与比例,即关键研发者在企业合作创新团队中参与比例,具体计算方法如下:首先,对390项企业合作创新所涉及的研发者进行初步筛选(剔除非技术出身的CEO并对研发者进行姓名消歧等)。其次,初筛各合作企业研发者专利数据,并对其进行排序。一般来说,2.4%为关键研发者数量的最大范围[40],本文将前1.5%的研发者作为关键研发者。再次,为确保研究样本的可靠性,本文采用多层次交叉方法对关键研发者进行验证,以专利引用次数、专利权利声明个数、申请时间到授权时间间隔等指标加权专利数量后,所得到的排名并没有显著改变。最后,搜索关键研发者相关报道,结果发现,几乎都参与过企业重大研发或技术革新项目,并获得过省市级重大技术奖项。上述结果说明,本文关键研发者识别方法可靠,具体计算方法为合作研发团队中关键研发者数占所有研发者数的比值。例如,某条专利由公司1和公司2合作完成,总共X1+X2人参与研发,关键研发者数为X12,则关键研发者参与比例为X12/(X1+X2)。
3.3.3 调节变量
(1)地理邻近性。一般来说,地理邻近性测量方法有两种:一种是通过创新主体间的空间距离与交通时间衡量地理邻近性;另一种是通过区域间距离、火车运行时间及边界是否相邻测量区域间的地理邻近性。由于本文样本涉及省内企业合作,利用火车运行时间或边界进行测量不现实。因此,参考Hong[41]的研究成果,本文以创新主体间的球面距离衡量地理邻近性,如式(1)(2)所示。
distij=∂*{arcos[sin(lati)sin(latj)+cos(lati)cos(latj)cos(|longi-longj|)]}
(1)
(2)
其中,∂为系数6 371,distij代表创新主体间的距离,lati、latj为企业i、j纬度,longi、longj为企业i、j经度,企业经纬度信息通过高德地图获取;Geoij为创新主体间的地理邻近性,取值范围为(0,1],越接近0地理邻近性程度越低,反之亦然。
(2)社会邻近性。通常情况下,根据合作创新企业先前的合作关系衡量社会邻近性。本文将社会邻近性定义为合作企业前5年合作专利申请次数。
(3)技术邻近性。技术邻近性能够反映合作创新企业间技术基础或经验的重叠程度。参考Jaffe等[42]的方法,本文采用国际专利分类标准中8大类划分法划分技术类别,计算公式如式(3)所示。
(3)
其中,fik、fjk分别为企业i、j在第k类专利中的专利申请数量。
3.3.4 控制变量
(1)关键研发者知识范围。关键研发者知识范围不仅能够决定其创造力受“路径依赖”限制的程度,而且可以决定在知识创造过程中与其他研发者的交流效果。本文采用关键研发者在申请年之前申请的所有专利中不同IPC个数衡量。
(2)合作方数量。合作企业数量越多,各方利益目标协调难度越高,进而影响创新产出。该变量在数值上等于专利申请人著录项中的合作企业个数[2]。
(3)创新规模接近性。若合作企业创新实力不对等,就会导致合作中的地位冲突,不利于合作企业共同承担探索式创新风险。参考向希尧等[43]的方法,本文中的创新规模接近性测算公式如式(4)所示。
Invproxij=min(ni,nj)/max(ni,nj)
(4)
其中,ni、nj为企业i、j在申请年之前的专利申请总数。创新规模接近性取值介于0～1之间,越接近1,合作企业间的实力差距越大。
(4)创新知识宽度。技术知识类别越多,合作创新中涉及的知识宽度越大,创新成果越新颖,越倾向于探索式创新。参照以往文献,本文采用基于企业合作专利中的子分类号个数测度创新知识宽度。
(5)创新发生时间为2008年之后。以往研究认为,在不同时间点,由于外部环境不同,企业创新合作行为也存在差异。已有研究采用专利申请年份衡量创新时间,本文选取2004—2019年企业合作专利数据,以发生在金融危机前后作为控制因素,引入合作创新发生时间“2008年之后”作为控制变量。该变量为类别变量,即合作创新发生在2008年之后为1,发生在2008年之前或2008年则为0。
(6)高新技术密集行业。不同行业创新产出不同,因此,本文在模型中引入行业控制变量,以考察企业合作申请专利的分类号著录项,并以主分类号为基础,将专利所属行业类别(大类)划定为企业合作创新所属行业类别。一般专利所属行业类别分为8个大类,若专利分类号为A、D、E、F,则将企业合作创新所属行业值设置为0,代表一般技术行业(参照类);若专利分类号为C、G、H,则将企业合作创新所属行业值设置为1,代表高新技术密集行业[3]。
根据因变量的数值特征,选择负二项回归模型进行分析。为了确保结果的稳健性和可靠性,在使用模型时,以合作创新的第一参与企业所在省份进行聚类,描述性统计结果与相关性分析结果如表1所示。本文通过计算方差膨胀因子(VIF)进一步对各回归模型进行多重共线性分析,结果显示,所有模型变量的VIF值均不超过3,可以排除各变量间存在共线性的可能。
表1 变量描述性统计结果与相关系数
Tab.1 Variable description and correlation coefficients
均值方差最小值最大值1234567891011121 利用式创新产出9.8455.7401 0321.002 探索式创新产出294.691 854.82026 7880.011.003 关键研发者参与比例0.310.43010.12**-0.16***1.004 地理邻近性0.170.130.090.980.07***-0.19***0.12**1.005 社会邻近性4.9215.580132-0.13*0.06***0.17**0.05**1.006 技术邻近性0.490.39010.05**-0.02 ***0.080.12**-0.06***1.007 关键研发者知识范围4.796.680760.03*0.100.020.00-0.13-0.031.008 合作方数量2.160.4725-0.120.24***0.14***0.020.07-0.080.06***1.009 创新规模接近性0.240.2901-0.04-0.070.020.130.000.03-0.02-0.061.0010 创新知识宽度2.211.67115-0.01***0.08***0.020.050.030.01-0.02-0.050.091.0011 创新时间2008年之后0.610.4901-0.02-0.110.30*0.02-0.09**0.06**0.02-0.17*0.03***0.03***112 高新技术密集行业0.660.4701-0.070.09***0.040.02-0.10-0.060.06-0.070.02-0.040.151
注：***、**、*分别表示在1%、5%和10%水平上显著
表2为负二项模型回归结果。其中,模型1～5的因变量为合作企业利用式创新产出,模型6～10的因变量为合作企业探索式创新产出。模型1和模型6仅包含控制变量,其中大部分控制变量对因变量具有显著影响。结合模型1和模型6可以发现,关键研发者知识范围与利用式创新产出、探索式创新产出显著正相关,说明关键研发者的知识领域越广,对自身已有知识的理解和运用,以及新知识探索与整合越有益。高新技术密集行业对利用式创新产出存在显著负向影响,而对探索式创新产出具有显著正向影响,说明处于技术创新较为活跃的行业,有利于企业在合作创新中突破已有框架,探索新的技术知识。合作方数量对利用式创新产出具有显著负向影响,说明合作创新参与企业越多,对已有技术知识加以利用的难度越大。由此,只有对全新领域进行探索,才能满足各方利益需求。创新规模接近性对探索式创新产出具有显著负向影响,验证了以往研究结论。
表2 负二项回归检验结果
Tab.2 Test results of negative binomial regression
变量利用式创新产出模型1模型2模型3模型4模型5探索式创新产出模型6模型7模型8模型9模型10关键研发者知识范围0.04**0.03**0.03*0.03***0.04***0.010.010.010.010.00(0.01)(0.01)(0.01)(0.01)(0.01)(0.02)(0.02)(0.02)(0.02)(0.01)合作方数量-0.06-0.06-0.06-0.08-0.12*0.18*0.19**0.17*0.18*0.22**(0.07)(0.07)(0.07)(0.06)(0.07)(0.10)(0.10)(0.09)(0.10)(0.10)创新规模接近性-0.36*-0.51**-0.48*-0.49*-0.37-0.48**-0.44*-0.12-0.46*-0.46*(0.22)(0.26)(0.26)(0.25)(0.23)(0.21)(0.23)(0.21)(0.24)(0.27)创新知识宽度-0.50-0.55-0.68*-0.55-0.03-2.20***-2.12***-2.36***-2.14***-2.38***(0.45)(0.44)(0.39)(0.42)(0.45)(0.61)(0.60)(0.43)(0.59)(0.57)2008年之后0.130.51*0.56*0.400.63***-1.69***-2.13***-1.99***-2.16***-1.90***(0.18)(0.27)(0.31)(0.25)(0.21)(0.42)(0.39)(0.42)(0.40)(0.39)高新技术密集行业-0.79**-0.78**-0.82*-0.79**-0.79**1.20***1.24***1.16***1.21***1.31***(0.39)(0.39)(0.43)(0.35)(0.35)(0.32)(0.31)(0.23)(0.31)(0.30)关键研发者参与比例1.39***1.31**1.13**0.98*-1.74***-2.38***-1.71***-1.47***(0.50)(0.54)(0.49)(0.52)(0.48)(0.47)(0.50)(0.55)地理邻近性-0.883.86*(0.73)(2.00)社会邻近性-0.04***-0.00(0.01)(0.01)技术邻近性0.43-0.67***(0.50)(0.21)地理邻近*关键研发者参与比例4.86***6.33*(1.24)(3.57)社会邻近*关键研发者参与比例0.04***-0.01(0.01)(0.02)技术邻近*关键研发者参与比例2.17**-1.90***(0.98)(0.67)_cons3.47***3.15***3.31***3.38***2.63***6.38***7.01***5.87***7.11***7.08***(0.87)(0.93)(1.09)(0.88)(0.71)(0.80)(0.71)(0.68)(0.73)(0.72)Log lik.-995.01-994.44-992.59-990.82-990.97-2 150.40-2 148.64-2 135.94-2 147.80-2 142.42Chi-squared28.9523.28134.6656.9737.7259.36162.27720.19568.96180.72
注：***、**、*分别表示在1%、5%和10%水平上显著
模型2和模型7引入关键研发者参与比例。模型2结果表明,关键研发者参与比例对合作企业利用式创新产出具有显著正向影响(β=1.39,p<0.01);模型7结果表明,关键研发者参与比例对合作企业探索式创新产出具有显著负向影响(β=-1.74,p<0.01)。上述结论与孙笑明等[3]的研究结论一致。此外,本文将调节变量及其与自变量的交互项引入模型,并作去中心化处理。
模型3和模型8引入地理邻近性及其与关键研发者参与比例的交互项。模型3结果表明,该交互项对合作企业利用式创新产出具有显著正向影响(β=4.86,p<0.01)。因此,地理邻近性在关键研发者参与比例与利用式创新产出间发挥正向调节作用,H1a得到验证;模型8结果表明,该交互项对合作企业探索式创新产出具有正向影响但不显著(β=6.33,p>0.05),H1b未得到验证。
模型4和模型9引入社会邻近性及其与关键研发者参与比例的交互项。模型4结果表明,该交互项对合作企业利用式创新产出存在显著正向作用(β=0.04,p<0.01)。因此,社会邻近性在关键研发者参与比例与利用式创新产出间发挥正向调节作用,H2a得到验证;模型9结果表明,该交互项对合作企业探索式创新产出存在负向作用但不显著(β=-0.01,p>0.1),H2b未得到验证。
模型5和模型10引入技术邻近性及其与关键研发者参与比例的交互项。模型5结果表明,该交互项对合作企业利用式创新产出具有显著正向影响(β=2.17,p<0.05)。因此,技术邻近性在关键研发者参与比例与利用式创新产出间发挥正向调节作用,H3a得到验证;模型10结果表明,该交互项对合作企业探索式创新产出具有显著负向影响(β=-1.9,p<0.01),表明随着技术邻近性程度提高,关键研发者参与比例对探索式创新产出的负向影响增强。因此,技术邻近性在关键研发者参与比例与探索式创新产出间发挥正向调节作用,H3b得到验证。
图3反映合作企业创新区域在关键研发者参与比例与利用式创新及探索式创新产出间的调节效应。由图3(a)可知,较高地理邻近性的回归线较陡。上述结果说明,地理邻近性正向调节关键研发者参与比例与利用式创新产出的关系(H1a),即当关键研发者参与比例提高时,地理邻近性程度较高的企业间合作容易获得高水平利用式创新产出。由图3(b)可知,较高社会邻近性的回归线较陡。上述结果说明,社会邻近性程度越高,由关键研发者参与比例提高引起的利用式创新产出越多,即社会邻近性正向调节关键研发者参与比例与利用式创新产出的关系(H2a)。由图3(c)可知,较高技术邻近性的回归线较陡。上述结果说明,技术邻近性程度越高,由关键研发者参与比例提高引起的利用式创新产出越多,即技术邻近性正向调节关键研发者参与比例与利用式创新产出的关系(H3a)。由图3(d)可知,当因变量为探索创新时,同样表现出技术邻近性程度越高,回归线越陡。上述结果说明,技术邻近性程度越高,由关键研发者参与比例提高引起的探索式创新产出越少,即技术邻近性负向调节关键研发者参与比例与探索式创新产出的关系(H3b)。
图3 调节效应
Fig.3 Moderating effects
由于模型可能存在内生性问题,参考Lewbel[44]基于异方差的识别技术,本文构建工具变量,具体过程如下:首先,利用内生变量关键研发者参与比例对其它控制变量进行回归,得到残差
并对该方程进行BP异方差检验,结果存在显著异方差,满足使用该方法的基本条件。其次,选取变量高新技术密集行业作为外生变量
构建工具变量
最后,进行2SLS回归。第一阶段,采用内生性变量关键研发者参与比例对工具变量
进行回归,得到拟合值。结果显示,关键研发者参与比例与其工具变量显著正相关,验证了工具变量的有效性。第二阶段,利用被解释变量对第一阶段得到的拟合值进行回归,假设验证结果与上文无显著差异,表明结论具有稳健性。
由于两个因变量均为非负计数变量且包含较多零值,因而本文进一步使用零膨胀泊松回归模型进行分析,以检验研究结果的可靠性和稳定性。此外,本文在原模型中加入合作企业是否拥有共同的第三方合作伙伴作为控制变量,结果无显著变化。由此,研究结论具有稳健性。
关键研发者具有突出的技术能力和较高的外部声誉,能够控制组织间的关键资源。此外,关键研发者所处内部合作网络特征也会影响企业合作创新成果。为了进一步分析关键研发者在企业内部创新合作网络中对合作企业创新的影响,本文在模型中加入关键研发者度中心性(度量关键研发者在创新合作网络中占据中心位置的程度)和关键研发者占据结构洞数量(度量研发者间的非冗余关系),结果发现,多维邻近性的调节效应并未发生改变,如表3所示。然而,关键研发者度中心性对合作企业利用式合作创新产出具有正向影响,但对探索式创新产出无影响。原因可能在于,关键研发者度数中心性越高,说明其在合作网络中处于越中心的位置,能够获取和整合的网络资源越多。但需要注意的是,较多的连接不利于其集中精力进行探索式创新。此外,关键研发者占据较多的结构洞数量,对两种创新产出均具有显著负向影响。关键研发者利用自身位置优势能够获取较多的异质性资源,但是这种位置优势也容易诱发机会主义行为,进而导致所获取的知识和信息无法被有效整合。
表3 负二项回归结果
Tab.3 Negative binomial regression results
变量利用式创新产出(1)(2)(3)(4)探索式创新产出(5)(6)(7)(8)关键研发者度中心性0.02***0.02***0.02**0.02***0.010.010.010.01(0.01)(0.01)(0.01)(0.01)(0.00)(0.00)(0.00)(0.00)关键研发者占据结构洞数量-0.07***-0.07***-0.01-0.07***-0.06***-0.07***-0.08**-0.07***(0.01)(0.01)(0.03)(0.02)(0.01)(0.01)(0.03)(0.02)地理邻近性-0.512.86*(0.33)(1.56)地理邻近性*关键研发者参与比例6.48***8.53**(1.91)(4.18)社会邻近性-0.03***0.01(0.01)(0.01)社会邻近性*关键研发者参与比例0.03**-0.03(0.01)(0.02)技术邻近性0.68-0.85***(0.46)(0.23)技术邻近性*关键研发者参与比例2.90***-2.29***(0.84)(0.66)_cons2.46***2.48***2.76***1.77***6.28***5.30***6.36***6.61***(0.31)(0.39)(0.32)(0.38)(0.73)(0.67)(0.76)(0.75)lnalpha1.63***1.61***1.61***1.58***1.06***1.02***1.05***1.02***(0.11)(0.11)(0.11)(0.11)(0.08)(0.06)(0.08)(0.08)Log lik.-855.24-853.13-852.68-849.64-1 972.43-1 962.41-1 971.43-1 963.57Chi-squared246.352 840.683 114.83629.271 348.511 324.132 203.00844.88
假设H1b和H2b未被验证,原因可能在于:一方面,关键研发者对企业探索式创新的影响主要是基于信号作用的发挥而影响企业间信息不对称的问题。地理邻近性能够降低知识搜索和交流成本,提高信息共享效率,使企业在交流过程中更加了解彼此,从而缓解创新合作中的信息不对称问题。此时,无论关键研发者参与比例是高还是低,其传递出的信号都不能够影响企业合作创新行为。因此,地理邻近性对关键研发者与探索式创新关系的正向调节效应不显著。另一方面,关键研发者通过自身地位影响企业合作创新产出。研发者之间的地位冲突因企业间亲近关系以及合作规范性得以缓解,同时企业间社会邻近性可能使关键研发者彼此熟悉。当研发团队中关键研发者参与比例较高时,关键研发者倾向于在彼此熟悉的技术领域进行创新。上述情境下,社会邻近性对于关键研发者与探索式创新关系的负向调节效应可能不显著。
本文基于2004—2019年中国“丝绸之路经济带”和“长江流域经济带”高新技术企业专利申请数据,得到614家企业390项企业合作创新,并采用负二项回归模型实证检验了多维邻近性对关键研发者参与比例与合作企业利用式创新产出、探索式创新产出关系的调节效应,得到如下结论:
合作企业地理邻近性、社会邻近性和技术邻近性程度越高,关键研发者参与比例对合作企业利用式创新的促进作用越显著。合作企业间地理邻近性程度越高,信息搜索和沟通成本越低,企业间信任水平越高,关键研发者参与比例对企业合作利用式创新产出的促进作用越显著;合作企业间社会邻近性程度越高,越能抑制机会主义行为,关键研发者参与比例对合作企业利用式创新的促进作用越显著;合作企业间技术邻近性程度越高,关键研发者投入比例越高,知识交流越顺利,关键研发者参与比例对合作企业利用式创新的促进作用越显著。同时,合作企业间技术邻近性程度越高,关键研发者投入比例越高,知识重叠度越高,不利于异质性知识获取与交流,关键研发者参与比例对合作企业探索式创新产出的抑制作用越显著。
(1)以往相关研究大多数聚焦企业层面,较少关注个体和组织层面。本文考虑多维邻近性的影响,将其与关键研发者参与比例结合,探讨个体和企业层面交互作用对企业合作创新的影响,进一步探讨多维邻近性在企业合作创新层面的作用机制,以期为多维邻近性与企业合作创新关系研究提供新的视角。
(2)本文将合作创新成果划分为探索式创新产出和利用式创新产出,丰富了合作创新成果度量方法,拓展了探索式创新与利用式创新应用领域,同时为深入理解多维邻近性对合作创新成果的影响提供新思路。
(1)合作企业间地理距离影响关键研发者参与比例对合作创新产出的作用机制,因而应帮助企业更好地选择合作伙伴,从而维持自身竞争优势。若合作企业间地理距离较近,容易造成知识泄漏,合作双方可以借助知识产权保护政策维护合作关系,进而避免因合作研发失败导致创新资源浪费。由此,为促进探索式创新,政府应通过制定相应的政策促进企业交流与合作,解决一系列关键技术难题。同时,扩大技术知识整合范围,加强各经济区域的沟通与联系,从而促进产业技术转型升级[3]。
(2)为抑制创新合作过程中的知识独占和“搭便车”行为,焦点企业可以选择社会关系较为广泛的合作伙伴,确保创新合作顺利开展。其原因在于:创新合作中,关键研发者比例较高容易造成地位冲突,企业间的社会关系能够缓解冲突,促进研发人员互助和交流,提升合作关系的稳定性,进而帮助企业高效实现合作目标。此外,合作经验丰富的企业具有一定的信任基础,其探索式创新或利用式创新成功率较高,有利于形成企业合作创新的良性循环。
(3)当预期实现探索式创新目标,但关键研发者比例较低时,焦点企业可以选择与自身技术知识相似性程度较低的合作伙伴。当预期实现利用式创新目标时,焦点企业可以选择与自身技术领域相似的合作伙伴合作,其原因在于:企业间技术邻近性导致创新合作中的知识替代性较强,关键研发者在相似知识领域的激烈竞争使其知识搜索范围受限,从而导致企业获得长期创新收益的信心不足。
(1)本文研究样本信息为专利数据信息,忽略了创新主体其它特征及联系。例如,创新主体企业是国有企业还是民营企业?创新企业主体的管理者之间存在哪些共性?创新主体所处行业关系如何(是否为上下游企业)?创新主体之间是否有过接触?因此,有必要进一步探讨上述因素差异对合作创新产出的影响。
(2)本文选取“两带”高新技术企业专利数据,而“丝绸之路经济带”创新活动较少,所能提取的合作创新关系数量有限,研究样本量较少,侧面反映出促进跨区域企业合作创新的紧迫性和必要性。
(3)已有研究表明,地理、社会和技术邻近性在合作创新中存在替代效应或互补效应[45]。本文仅考察了多维邻近性在关键研发者与合作创新间的调节效应。未来需进一步探究多维邻近性对关键研发者与企业二元创新关系的影响是否具有替代效应或互补效应。
(4)关键研发者个体特征在关键研发者与企业二元创新间可能发挥一定的作用,进而影响多维邻近性调节作用的发挥。本文缺少关键研发个体特征信息,未来可以通过访谈、问卷调查方式收集此方面的数据,并进行深入探究。
[1] HSU D H, ZIEDONIS R H. Resources as dual sources of advantage:implications for valuing entrepreneurial-firm patents[J].Strategic Management Journal, 2013, 34 (7):761-781.
[2] 吴宁,马志强,朱永跃, 等. 我国科技型小微企业合作研发现状实证研究[J].科技进步与对策, 2018, 35(19):82-87.
[3] 孙笑明,杨新蒙,王巍, 等. 企业间合作创新产出类型可预期吗——基于关键研发者的作用[J].中国科技论坛, 2020,36(12):76-85.
[4] RSENKOPF L, NERKAR A. Beyond local search: boundary-spanning, exploration, and impact in the optical disk industry[J].Strategic Management Journal, 2001, 22(4): 287-306.
[5] ZUCKER L G, DARBY M R, TORERO M. Labor mobility from academe to commerce[J].Journal of labor economics, 2002, 20 (3): 629-660.
[6] AZOULAY P, GRAFF ZIVIN J S, WANG J. Superstar extinction[J].The Quarterly Journal of Economics,2010, 125(2): 549-589.
[7] GROYSBERG B, LEE L E. Hiring stars and their colleagues: exploration and exploitation in professional service firms[J].Organization science, 2009, 20(4): 740-758.
[8] HESS A M, ROTHAERMEL F T. When are assets complementary? star scientists, strategic alliances, and innovation in the pharmaceutical industry[J].Strategic Management Journal, 2011, 32(8): 895-909.
[9] 汤小莉, 田高良, 孙笑明, 等. 占据合作网络切割点位置与关键研发者创造力[J].系统工程理论与实践, 2016, 36(12): 3152-3163.
[10] LIN H E, MCDONOUGH III E F. Cognitive frames, learning mechanisms, and innovation ambidexterity[J].Journal of Product Innovation Management, 2014, 31: 170-188.
[11] ARIKAN A T. Inter-firm knowledge exchanges and the knowledge creation capability of clusters[J].Academy of Management Review, 2009, 34(4): 658-676.
[12] HANSEN M T. The search-transfer problem: the role of weak ties in sharing knowledge across organization subunits[J].Administrative Science Quarterly, 1999, 44(1): 82-111.
[13] 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.
[14] CHENG J T, TRACY J L, FOULSHAM T, et al. Two ways to the top: evidence that dominance and prestige are distinct yet viable avenues to social rank and influence[J].Journal of Personality &Social Psychology, 2013, 104(1): 103-125.
[15] SMITH S M, WARD T B, SCHUMACHER J S. Constraining effects of examples in a creative generation task[J].Memory &Cognition, 1993, 21(6): 837-845.
[16] BOSCHMA R A.Proximity and innovation:a critical assessment[J].Regional Studies, 2005, 39 (1) :61-74.
[17] KNOBEN J, OERLEMANS L A G. Proximity and inter-organizational collaboration:a literature review[J].Inter-national Journal of Management Reviews, 2006, 8 (2) :71-89.
[18] 余谦, 白梦平, 覃一冬. 多维邻近性能促进中国新能源汽车企业的合作创新吗[J].研究与发展管理, 2018, 30(6): 67-74.
[19] 李琳, 熊雪梅. 多维邻近性在集群外部知识获取与创新中的作用机制分析[J].科技进步与对策, 2012, 29(21): 130-134.
[20] 殷存毅, 刘婧玥. 所有制区隔与跨域合作创新——基于2005—2015京、沪、深三大城市专利数据分析[J].中国软科学, 2019(1): 82-97.
[21] SONN J W, STORPER M. The increasing importance of geographical proximity in knowledge production: an analysis of US patent citations, 1975—1997[J].Environment and Planning A , 2008, 40: 1020-1039.
[22] PETRUZZELLI A M. The impact of technological relatedness, prior ties, and geographical distance on university-industry collaborations: a joint-patent analysis[J].Technovation, 2011, 31(7): 309-319.
[23] 毛磊, 谢富纪, 凌峰. 多维邻近视角下跨区域协同创新影响因素实证研究[J].科技进步与对策, 2017, 34(8):37-44.
[24] GILSING V, NOOTEBOOM B, VANHAVERBEKE W, et al. Network embeddedness and the exploration of novel technologies: technological distance, betweenness centrality and density[J].Research Policy, 2008, 37(10): 1717-1731.
[25] 刘凤朝, 邬德林, 马荣康. 专利技术许可对企业创新产出的影响研究—三种邻近性的调节作用[J].科研管理, 2015, 36(4): 91-100.
[26] PONCE C . Knowledge disclosure as intellectual property rights protection[J].Journal of Economic Behavior &Organization, 2011:80(3):418-434.
[27] CAPALDO G, ZOLLO G. IT and competence in the framework of the learning organization[J].Journal of Information Technology Case and Application Research, 2002, 4(2): 1-5.
[28] BELL G G, ZAHEER A. Geography, networks, and knowledge flow[J].Organization Science, 2007, 18(6):955-972.
[29] GERTLER M S. Tacit knowledge and the economic geography of context, or the undefinable tacitness of being (there)[J].Journal of Economic Geography, 2007(1):75-99.
[30] POUDER R, ST. JOHN C H. Hot spots and blind spots: geographical clusters of firms and innovation[J].Academy of Management Review, 1996, 21(4):1192-1225.
[31] PROFF S, BRENNER T. The dynamics of inter-regional collaboration: an analysis of co-patenting[J].The Annals of Regional Science, 2014, 52(1):41-64.
[32] WHITENER E M, BRODT S E, KORSGAARD M A, et al. Managers as initiators of trust: an exchange relationship framework for understanding managerial trustworthy behavior[J].Academy of Management Review, 1998, 23(3): 513-530.
[33] BROEKEL T, BOSCHMA R. Knowledge networks in the Dutch aviation industry: the proximity paradox[J].Papers in Evolutionary Economic Geography, 2012, 12(2):409-433.
[34] BALLAND P A, VAAN M D, BOSCHMA R. The dynamics of inter-firm networks along the industry life cycle:the case of the global video game industry, 1987—2007[J].Journal of Economic Geography, 2013, 13 (5): 741-765.
[35] BRUNEEL J, D'ESTE P, SALTER A. Investigating the factors that diminish the barriers to university-industry collaboration[J].Research Policy, 2010, 39 (7): 858-868.
[36] CALLOIS J M. The two sides of proximity in industrial clusters: the trade-off between process and product innovation[J].Journal of Urban Economics, 2008, 63 (1) :146-162.
[37] 阮平南, 王文丽, 刘晓燕. 技术创新网络多维邻近性演化研究——基于IBM专利合作网络数据[J].科技进步与对策, 2018, 35(8): 1-7.
[38] FLEMING L, SORENSON O. Technology as a complex adaptive system: evidence from patent data[J].Research Policy, 2001, 30(7): 1019-1039.
[39] 曾德明, 文金艳. 协作研发网络中心度, 知识距离对企业二元式创新的影响[J].管理学报, 2015, 12(10): 1479-1486.
[40] ERNST H, VITT J. The influence of corporate acquisitions on the behaviour of key inventors[J].R&D Management, 2000, 30(2): 105-119.
[41] HONG W, SU Y S. The effect of institutional proximity in non-local university-industry collaborations: an analysis based on Chinese patent data[J].Research Policy, 2013, 42(2): 454-464.
[42] 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.
[43] 向希尧, 蔡虹, 裴云龙. 跨国专利合作网络中3种接近性的作用[J].管理科学, 2010, 23(5): 43-52.
[44] LEWBEL A. Using heteroscedasticity to identify and estimate mismeasured and endogenous regressor models[J].Journal of Business &Economic Statistics, 2012, 30(1): 67-80.
[45] MOLINA-MORALES F X, GARCIA-VILLAVERDE P M, PARRA-REQUENA G. Geographical and cognitive proximity effects on innovation performance in SMEs: a way through knowledge acquisition[J].International Entrepreneurship and Management Jounal, 2014, 10(2): 231-251.