开放科学(资源服务)标识码(OSID)：
By using the data of invention patent applications in the 5G field from 2001 to 2020, this study constructs the networks including the geographic proximity network, the proximity network among enterprise, and the enterprise-innovation field two-mode network. Then the influence of geographical proximity and social proximity on the peer effect of technology field selection behavior in the process of technological innovation of enterprises is studied based on the two-mode ERGM model. Taking into account the dimensions of network endogenous structure and enterprise exogenous attributes, this study establishes an ERGM model to study the range of the peer effect of enterprise technological innovation behavior. The results show that geographical proximity and social proximity have a positive impact on the peer effect of enterprise technological innovation behavior. Furthermore, the interaction between geographical proximity and social proximity has a positive impact on the peer effect of enterprise technological innovation behavior.
This paper takes this innovation behavior as the research object, discusses the peer effect of enterprise technological innovation, and expands the research object of the peer effect. It uses the ERGM model to comprehensively consider the endogenous structure and exogenous attributes of the network and study the existence range of the peer effect. Combined with the actual social interaction behavior between enterprises, this model captures the impact of local network structures, such as triangles and stars on the network, overcomes the fitting difficulties caused by the autocorrelation of network edges, and innovates the research method for the peer effect. The research results have guiding significance for the development of enterprises and the introduction of government policies. For enterprises, when they imitate the technological innovation behavior of peer enterprises, it may improve the market share of enterprises and accelerate their development, but it may also lead to the oversaturation of the market demand for a certain technological innovation, thus hindering the development of enterprises. Therefore, enterprises should improve the corporate governance mechanism and be alert to the low efficiency of innovation that may be brought by the peer effect, so as to improve the overall level of technological innovation of enterprises. Meanwhile the government should encourage and guide enterprises to carry out differentiated technological innovation to a certain extent, improve the diversification level of technological innovation, and drive the improvement of the overall innovation level of society by issuing targeted innovation incentive policies.
Future research is warranted to improve the algorithm in the ERGM model, accelerate the convergence speed of the model, and further use large-scale data for empirical testing, so as to enhance the credibility of the conclusion. In addition, this paper selects the formal partnership of joint patent application as the judgment standard of social proximity between enterprises, and informal partnership is expected in future research.
开放科学(资源服务)标识码(OSID)：
2021年《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》指出,我国经济已转向高质量发展阶段,制度优势显著,治理效能提升,经济长期向好,物质基础雄厚,人力资源丰富,市场空间广阔,发展韧性强劲,社会大局稳定,继续发展具有多方面优势和条件。同时,我国发展不平衡不充分问题仍然突出,重点领域关键环节改革任务仍然艰巨,创新能力不适应高质量发展要求。李克强总理在第十三届全国人民代表大会第四次会议上所作的政府工作报告中进一步指出,我国需要加强关键核心技术攻关。随着企业创新主体地位不断提升,如何优化其技术创新领域选择,成为学界与实务界共同关注的重点。
事实上,国内外学者针对企业技术创新进行了大量研究,尤其是企业在技术创新过程中的投入产出与影响因素。例如,Greve[1]对企业绩效与企业研发强度的关系开展研究;Jefferso等[2]、吴延兵[3]、聂辉华等[4]针对企业所有制与企业创新效率的关系进行探索;Gayle[5]、范德成等[6]对市场集中度与企业研发投入的关系开展研究;Li&Atuahene[7]、曾卓然等[8]、陈红等[9]针对制度支持与企业创新有效性的关系进行分析;Antonioli等[10]、肖仁桥等[11]针对企业规模与企业技术创新研究成果经济转化效率的关系进行探讨。近年来,关于这一问题的探讨由企业个体维度、产业维度、制度维度拓展至企业群体维度,学者们开始关注企业间各类关系的相互影响及所形成的同群效应[12]。同群效应是指同一群体企业中个体企业因企业间关系的影响,其行为结果发生改变的情形(Manski,1993)。彭镇等[13]、冯戈坚等[14]认为,企业可以通过观察群体内其它企业了解技术创新潜在市场需求与创新成本,进而优化自身创新决策。部分研究基于地理邻近性与社会邻近性视角发现,地理距离通过促进信息空间外溢形成同群效应(Bandura等,1977;Becattini,1990;Furman 等,2002),而社会距离通过促进企业间信息交流(Coleman,1988;Walker等,1997)形成同群效应。
然而,对于企业技术领域选择等技术创新行为而言,企业技术创新过程中的同群效应并不总是积极的[13,15-17]。Pretterner&Werner等(2016)指出,盲目模仿其它企业,过度关注短期内市场需求,可能会导致企业丧失具有实际价值的技术机会,不利于企业长期发展。目前,针对企业技术创新行为同群效应的研究鲜见。此外,在方法层面,现有文献大多基于关系视角并采用线性均值模型开展研究[13-17]。这种以节点为中心的建模思路忽略了由关系聚合形成的网络以及网络中各类内生结构的影响。企业技术领域选择作为一种社会选择(Social Selection),是个体特征与网络特征共同作用的结果[18],但线性均值模型只考虑个体特征,未考虑网络结构带来的影响。指数随机图模型(ERGM)是以网络为中心的建模方法,能够通过控制网络中各类闭包和星型结构,解决线性均值模型无法解决的因网络内生结构带来的偏差问题。近年来,ERGM模型被广泛应用于企业技术创新研究,尤其是对各类单模、双模技术创新网络演化机制的探讨。例如,段庆峰等[19]基于静态角度,采用ERGM模型研究企业间技术距离对二元合作关系的影响;王海花等[20]基于动态角度,采用ERGM模型研究城市间邻近性特征对长三角城市群不同发展阶段协同创新网络的差异化影响。然而,鲜有学者将其应用于企业技术创新行为同群效应影响因素研究。因此,鉴于我国5G通讯技术领域企业数量及企业间的社会联系较多,且企业技术创新行为及专利成果丰富(闫海波等,2020),本文以我国5G通讯技术领域为例,采用ERGM模型进一步探讨地理邻近性与社会邻近性对企业技术创新行为同群效应的影响。
本文可能的贡献如下:首先,将技术创新领域选择这一行为变量纳入研究框架,进一步丰富同群效应研究对象。其次,采用ERGM模型探讨地理邻近性与社会邻近性对企业技术创新行为同群效应的直接影响及交互影响,能够解决线性均值模型因未考虑网络内生影响所导致的偏差问题。
AMC(Awareness-Motivation-Capability)模型是Chen(1996)在信息加工理论的基础上提出的,他认为觉察(A)、动机(M)及能力(C)是企业竞争行为的关键驱动因素。此后,这一模型成为动态竞争研究领域的经典理论框架。动态竞争将企业间竞争行为视为攻击与回应的交替行为,以长期动态视角研究企业间竞争(Porter,1980)。面对竞争,企业不仅可以采取错位竞争策略这种针对不同市场的竞争回应方式,而且可以通过模仿对相同市场进行竞争回应。企业技术创新行为的同群效应实质上是企业通过模仿其它企业技术创新领域选择方式,提升自身在共同市场中的份额,从而加快自身发展的动态过程[13]。因此,本文利用AMC模型研究企业技术创新行为同群效应,探讨地理邻近性、社会邻近性对觉察、动机和能力的影响,由此提出相应的理论假设。
地理邻近性是指企业间实际空间距离的相近程度。从觉察角度看,企业能够从相同地区其它企业中获取公开信息。一方面,基于有限的注意力,企业容易观察到地理邻近的其它企业[15],这种直接观察的方式能够为企业提供便利的公开信息获取途径。另一方面,由于相同地区企业面临相同的本地市场,因而企业需要提高自身竞争力以获得更多市场份额。这种竞争需求促使企业通过密切观察其它企业技术创新行为,获取竞争所需的信息(Haleblian 等,2012)。因此,企业可以通过广泛的信息获取为自身技术创新行为调整提供重要依据,进而为模仿其它企业技术创新行为提供先决条件。
从动机角度看,企业需要根据技术创新行为产生的经济效益信息制定创新决策,而较短的地理距离能够为企业提供良好的信息获取途径。这是因为较短的地理距离促使不同企业员工间产生广泛的非正式联系,基于非正式联系的信息传递方式是经济效益信息获取的重要渠道[21]。相较于企业层面的信息传递方式,员工间非正式交流能够避免繁琐的报告流程,能够在一定程度上解决经济效益信息获取过程中的时滞性问题(Singh,2005),也有助于提高信息的真实性。因此,地理邻近企业通过员工间非正式交流获取技术创新行为的经济效益信息,在降低信息获取成本的同时,能够确保信息的实用价值。当同群企业技术创新行为产生较高的经济收益时,企业倾向于采取相似的技术创新行为。
从能力角度看,企业对相同地区企业的模仿效率更高。这是因为在同一地方政策的影响下,相同地区企业具有相似的发展特征[22],意味着同一地区企业技术创新行为可能符合企业自身发展要求。在替代学习理论的作用机制下,与自身条件相似的企业能够提供更有价值的信息,企业对于上述企业具有更强的模仿意愿[15],因而企业模仿效率得以提升。因此,企业在模仿相同地区企业技术创新行为时效率更高,模仿能力得以提升,进而激发企业技术创新行为的同群效应。
基于以上分析,本文提出如下假设:
H1:地理邻近性对企业技术创新行为同群效应具有正向影响。
社会邻近性可以通过企业间是否存在合作关系加以界定。Greve[1]认为,企业在进行技术创新模仿时,除受到地理机制的影响外,还受到合作机制的影响。
从觉察角度看,基于企业间合作关系建立的信任能够促进企业隐性信息获取。一方面,Ghoshal等(1994)认为,根据企业间直接合作关系构建的社会网络对于复杂且不易编码的隐性信息转移具有促进作用,意味着直接合作关系可为企业提供隐性信息获取渠道。另一方面,在隐性信息获取过程中,机会主义行为会导致拥有隐性知识的企业警惕性提升。Boschma(2005)认为,企业间直接合作关系能够提升双方信任度,抑制信息交流过程中的机会主义行为,增强企业信息交流意愿。因此,企业可以通过合作关系获取其它企业技术创新相关隐性信息,了解其采取的竞争策略,进而对自身技术创新决策进行调整。
从动机角度看,直接合作关系能够深化企业对其它企业技术创新行为所产生的经济效益认知。这是因为基于企业间合作关系的交流模式能够促使双方关系更加稳固,促进企业间交流(刘景东等,2019),从而缓解企业与市场之间普遍存在的信息不对称问题[23]。企业通过与合作企业交流,能够广泛获取其技术创新决策信息。若某一技术创新行为被其它企业广泛选择并能够产生较高的经济效益,则意味着该技术创新行为可以满足市场需求[24]。因此,企业倾向于选择该技术创新行为,由此激发企业技术创新行为的同群效应。
从能力角度看,基于企业间广泛的合作关系,企业能够提高信息理解与鉴别能力。一方面,合作关系能够促进企业间相互交流,有助于企业在交流过程中了解其它企业采取技术创新行为的真实意图[25],进而深化对其它企业技术创新行为的理解。另一方面,企业间广泛的交流可为企业信息鉴别提供更多机会(刘晓燕等,2020),帮助企业筛选出真实可靠的有用信息。因此,鉴于信息理解和鉴别能力提升,企业对于其它企业技术创新行为具有更强的模仿意愿。
基于以上分析,本文提出如下假设:
H2:社会邻近性对企业技术创新行为同群效应具有正向影响。
地理邻近性、社会邻近性可能对企业技术创新行为同群效应产生交互影响。从觉察角度看,企业除通过观察相同地区其它企业获取信息外,还可以借助相同地区企业间的合作关系获取信息。换言之,企业可以通过直接观察获得其它企业的公开信息,而基于直接合作关系形成的信任有助于企业隐性信息获取。因此,位于相同地区并存在合作关系的企业能够提供更全面的信息,从而为企业调整自身技术创新行为提供依据(Adhikari等,2018)。
从动机角度看,企业可以通过短距离信息传播以及基于合作关系的广泛交流了解其它企业技术创新行为所产生的经济效益。相同地区企业员工间的非正式联系可为企业了解同地区企业技术创新行为所产生的经济效益提供良好的渠道,合作关系有助于缓解企业间信息不对称问题,进一步弥补企业对此类信息认知的不足。因此,相同地区与合作关系带来的优势有助于企业对技术创新行为所产生的经济效益形成高水平认知[26],促使企业对能够产生较高经济效益的技术创新行为进行模仿。
从能力角度看,企业除具有因地理邻近获得的较高模仿效率外,还具有较强的信息理解与鉴别能力。一方面,处于相同本地市场的企业在替代学习理论机制下会强化自身模仿意愿,进而提高模仿效率与模仿能力。另一方面,基于合作关系的广泛交流能够加深企业对其它企业技术创新行为的理解并为企业信息鉴别提供良好的途径。因此,由地理邻近与社会邻近带来的企业模仿效率、信息理解能力和鉴别能力提升,能够促进企业对同地区且具有合作关系企业技术创新行为的模仿(Haveman等,2000),从而激发同群效应。
基于以上分析,本文提出如下假设:
H3:地理邻近性与社会邻近性的交互作用对企业技术创新行为同群效应具有正向影响。
综上,本文构建理论研究模型,如图1所示。
图1 研究概念框架
Fig.1 Research conceptual framework
目前,大量研究表明 [27-28],专利数据可以有效反映技术创新行为。专利数据分为实用新型专利和发明专利,实用新型专利强调实用价值,对创造性及技术能力的要求较低,发明专利能够代表技术创新能力。因此,借鉴刘友华等(2016)的研究成果,本文以发明专利作为研究对象,基于2001—2020年国内5G领域专利申请数据对理论假设进行实证检验。其中,专利申请数据来自专利信息服务平台(searc.cnipr.com),数据筛选与处理如下:
(1)数据收集。首先,参考杨武等[28]的研究成果,本文将5G领域涉及的IPC分类号限定为H04B、H04H、H04J、H04L、HO1K、H04M、H04Q、H04R、H04N、H04S、H04W,于2020年12月17日在专利信息服务平台进行专利数据检索。其次,考虑到专利授权的时滞性和不可控性,因而某年企业专利授权数量并不能代表该年企业技术创新能力。因此,本文限定申请日检索,共检索到864 483条发明专利数据。
(2)数据清洗。首先,剔除代码标记错误样本;其次,剔除以个体作为申请人的数据;最后,相较于其它分类号,H04B分类号的专利数量在检索年份极少,属于异常数据,因而剔除H04B分类号下的专利数据。
本文基于2001—2020年国内5G企业申请专利数据,通过构建二模ERGM模型解释企业技术创新行为的同群效应。一模网络由发生在同类节点间的连带关系构成,二模网络由发生在两类节点间的连带关系构成。现有研究对于二模网络与一模网络间的关系持两种观点(Snijders,2013)。部分研究认为,一模网络形成完全依赖于二模网络,在研究时需要将二模网络转化为一模网络,进而针对一模网络进行探讨。例如,Asakawa(2015)将二模网络中企业对专利的共同拥有关系转化为企业间合作关系,构建一模网络,进而探讨一模合作网络对创新的影响。部分研究认为,二模网络与一模网络形成相对独立,但两者也存在一定程度的相互作用。此类研究并不将二模网络转化为一模网络,而是主要针对网络间的相互影响进行探讨。例如,Roth&Cointet(2010)通过分析一模网络对二模网络的影响发现,研究者间的合作关系会促使其选择相同的研究问题。参考这一思路,首先,本文构建以企业为网络节点的地理邻近网络、社会邻近网络及地理与社会混合网络。在地理邻近网络中,连边基于企业所属省份加以判定,当企业位于相同省份时,企业间存在网络连边 [29]。在社会邻近网络中,连边基于企业拥有的专利进行判定,当不同企业作为共同专利权人进行专利申请时,企业间存在网络连边。在地理与社会混合网络中,连边基于上述两条判定规则的叠加形成。其次,本文构建以企业、IPC代码为网络节点的企业—技术创新领域二模网络。在这一网络中,连边基于企业与IPC代码间的隶属关系进行判定,当企业申请的专利涉及某一IPC代码时,二者间存在网络连边[30-31]。为了避免二模网络过于稀疏,参考Guan等 [31]的研究成果,本文选取IPC代码前4位反映技术创新领域。最后,参考Brennecke等(2017)的研究成果,为了推断一模网络在二模网络连带关系形成过程中的影响,本文将上述二模网络与3类一模网络进行叠加,并在此基础上进行实证分析。一模网络构建如图2所示,一模网络与二模网络叠加如图3所示。
图2 一模网络构建
Fig.2 One-mode network construction
图3 二模网络与一模网络整合
Fig.3 Integration of two-mode network and one-mode network
Harris [32]指出,为满足ERGM模型收敛需要,现有研究中的网络节点数大多少于800。然而,本文使用的样本数据中, 2001—2020年我国5G企业数量远远大于这一阈值。因此,为了满足ERGM模型收敛需要,提高模型估计结果的代表性,本文根据企业专利申请数量进行排序,选择排名前300、500、800的企业作为研究样本。上述企业专利申请数量占专利申请总数量的比例分别为57.23%、62.77%、67.34%,具有一定的代表性。使用上述网络构建方法,在本文构建的各类网络中,网络连带数量如表1所示。
表1 网络连带数量
Tab.1 Quantity of network ties
网络种类网络类型企业模节点数量300500800一模网络地理邻近网络6 73717 42641 971社会邻近网络5041 0051 473地理与社会混合邻近网络159323483二模网络企业—技术创新领域网络2 2073 4224 981
注:针对二模网络,IPC模节点数量均为10,是指H04H、H04J、H04L、HO1K、H04M、H04Q、H04R、H04N、H04S、H04W
以企业模节点数量为300的情况为例,在一模网络中,地理邻近网络、社会邻近网络、地理与社会混合邻近网络中分别有6 737、504、159条边。在二模网络中,IPC模节点数量恒为10,企业—技术创新领域网络中有2 207条边。
本文采用ERGM模型探讨企业技术创新行为的同群效应。现有统计网络模型研究存在两个主要分支:一个关注网络中的节点,旨在揭示节点属性的影响;另一个关注网络中的连带关系,旨在解释连带关系形成原因[32]。
针对社会网络中的解释变量,传统回归模型采用以节点为中心的建模方法,以观察对象连带关系的独立性为前提,要求样本间的连带关系不存在相互作用,情境因素对样本不存在影响。然而,Button [33]指出,上述相互关系与情境因素对解释样本对象的行为具有重要意义。Crammer等[34]认为,网络节点间的互动关系在社会环境中十分重要。因此,通过传统回归模型得到的结论对于研究问题的解释力有限。
ERGM模型是以网络关系为中心的建模方法,相较于传统回归模型,网络关系模型具有更大的价值[34]。ERGM模型将网络整体作为研究对象,将节点间的连带关系作为随机变量,利用网络中局部节点间连带关系形成的局部结构解释整个网络结构[32]。其中,局部结构并非随机指定,能够反映某种社会互动方式 [35]。该模型不仅包含网络节点属性数据,而且包含网络节点间的连带关系,将节点外生属性以及网络内生结构纳入其中。ERGM模型能够揭示节点间的相互依赖关系[36],解释网络形成是由于节点属性特征还是节点间连带关系这一问题。
在单模网络ERGM模型的基础上,Wang等[18]构建二模网络结构ERGM模型,将两个单模网络与一个跨模网络看作一个整体,发现一个网络结构会影响另一个网络结构。在单模网络中,利用ERGM模型基于同质性角度分析社会选择效应(Social Selection Effects)受到广泛关注。在多模网络中,同质性有两种理解角度,一是具有相同属性的节点能够促进节点在网络中共同隶属关系形成;二是在一个网络中,具有相同属性节点间的连带关系能够促进节点在另一网络中连带关系的形成,即一个网络同质性能够促进另一网络同质性提升[18]。在同群效应研究中,分别探讨同一省份企业与具有合作关系企业是否具有相同的技术创新领域选择,即在企业—技术创新领域二模网络中,分析企业单模网络同质性对跨模网络同质性的影响。因此,本文采用二模ERGM模型对企业技术创新行为同群效应进行研究,二模ERGM模型概率密度公式如下:
Pr(X=x)=exp{∑θmhm(x)}/k
(1)
其中,X为随机变量,表示通过ERGM仿真模拟的随机网络集合,x代表关系的特定实现。θm表示待估计参数构成的向量,hm表示纳入模型中的统计量,包括网络内生结构和节点外生属性。其中,内生结构是指边、三角形、星型等局部结构,外生属性是指节点属性。k代表与分子相同的加权统计量之和,确保网络结构形成概率在0～1之间。通过观察θm的显著性和取值大小,能够判断被纳入模型的统计量对网络的影响及程度。本研究使用R语言中的Statnet程序包计算ERGM模型,利用马尔科夫链蒙特卡洛(MCMC)极大似然估计法进行参数估计。
2.5.1 地理邻近性(Geographical Proximity)
地理邻近性(GP)指企业是否位于同一省份。本文参考相关研究成果[29],令B为n×n的矩阵,当企业i与企业k位于同一省份时,Bik=1,否则Bik=0。在同质性模型中,令:
(2)
其中,Nij表示当企业i选择技术创新领域j时,Nij=1,否则Nij=0。本文以企业—技术创新领域二模网络为研究目标,将地理邻近网络纳入模型,以检验企业选择同一技术创新领域是否与位于同一地区有关。
2.5.2 社会邻近性(Social Proximity)
社会邻近性(SP)能够衡量企业间的合作关系,若企业作为某专利共同申请人,则可认为企业间具有合作关系。本文参考相关研究成果[19],令C为n×n的矩阵,当企业i与企业k具有联合专利申请经历时,Cik=1,否则Cik=0。在同质性模型中,令:
(3)
其中,Nij表示当企业i选择技术创新领域j时,Nij=1,否则Nij=0。本文将社会邻近网络纳入模型,以检验企业选择同一技术创新领域是否与企业间合作关系有关。
2.5.3 地理与社会混合邻近性(Mixed Proximity)
地理与社会混合邻近性(MP)能够衡量企业是否位于同一省份,以及是否具有合作关系。为了分析地理邻近性与社会邻近性的交互作用,本文令Z为n×n的矩阵,当企业i与企业k位于同一省份且存在合作关系时,Zik=1,否则Zik=0。在同质性模型中,令:
(4)
Zik=Bik·Cik
(5)
其中,Nij表示当企业i选择技术创新领域j时,Nij=1,否则Nij=0。Bik表示当企业i与企业k位于同一省份时,Bik=1,否则Bik=0。Cik表示当企业i与企业k具有联合专利申请经历时,Cik=1,否则Cik=0。将统计项估计系数与地理邻近性、社会邻近性的估计系数进行对比发现,若前者的估计系数大于后两者的估计系数,则说明地理邻近性与社会邻近性的交互作用对企业技术创新行为具有正向影响,反之亦然。此外,若该统计项的估计结果介于地理邻近性与社会邻近性的估计系数之间,则说明地理邻近性对社会邻近性的作用与社会邻近性对地理邻近性的作用相反。
2.6.1 网络关系变量
(1)创新经验差异(Difference of Innovation Experience)。创新经验是指企业专利申请数量,能够反映企业在同行业中的影响力,影响力越大,企业对于自身声誉的关注度越高,面对竞争行为的回应越迅速。因此,通过计算不同节点创新经验差异,可以排除企业影响力差异的影响。结合Florence(2019)、Holmer(2020)的研究成果,本文将创新经验差异作为控制变量纳入ERGM模型,令:
(6)
其中,Nij表示当企业i选择技术创新领域j时,Nij=1,否则Nij=0。A为n×1的矩阵,Ai1、Ak1分别表示企业i与企业k在所处一模网络中的创新经验。
(2)点度中心性差异(Difference of Degree Centrality)。点度中心度是指与中心节点具有直接连带关系节点的数量,能够体现节点在网络中的活跃程度,企业活跃度越高,所获取的信息越丰富,越能及时调整自身创新行为,以满足市场需求。因此,通过计算不同节点在一模网络中的点度中心性差异,可以排除企业活跃度差异的影响。结合Wang(2014)、张胜平(2020)的研究成果,本文将点度中心度差异作为控制变量纳入ERGM模型,令:
(7)
其中,Nij表示当企业i选择技术创新领域j时,Nij=1,否则Nij=0。A为n×1的矩阵,Ai1、Ak1分别表示企业i与企业k在所处一模网络中的点度中心度。
(3)结构相似性(Structural Similarity)。结构相似性(SS)是指两个具有连带关系的企业拥有共同中介伙伴的数量,能够反映企业在网络中的结构位置。企业拥有的共同中介伙伴越多,意味着自身发展状况与合作伙伴相似度越高,因而合作伙伴创新行为越具有参考价值。因此,通过计算不同节点的结构相似性,可以排除相似结构位置的影响。结合Gu(2016)、Florence等(2019)的研究成果,本文将结构相似性作为控制变量纳入ERGM模型,令:
(8)
D=PPT
(9)
其中,Nij表示当企业i选择技术创新领域j时,Nij=1,否则Nij=0。P可以分别表示地理邻近矩阵、社会邻近矩阵、地理与社会混合邻近矩阵。D为n×n的矩阵,Dik表示企业i与企业k共同拥有的中介伙伴数量。
2.6.2 网络结构变量
(1)边数(Number of Edges)。边数(NE)是指实际观测的二模网络中边的数量,与网络密度等价,令:
(10)
其中,Nij表示当企业i选择技术创新领域j时,Nij=1,否则Nij=0。边数作为常数项,是二模网络中边的基准线,在网络建模中起参照作用。结合段庆峰 [37]、刘林青等[38]的研究成果,本文将边数作为控制变量纳入ERGM模型。
(2)几何加权非单边共享伙伴(Geomatrically Weighted Nonedgewise Sharing Partner)。几何加权非单边共享伙伴(GWNSP)是指具有共享节点关系的二元组数量,节点不直接连接,而是存在一条长度为2的间接连接路径,可根据节点作为共享节点的频率按几何加权求和。其中,公共节点与二元组位于两个网络中,令:
(11)
其中,α表示所选择的衰减参数,EPi(N)表示与节点i共享伙伴的二元组数量。几何加权非单边共享伙伴能够揭示网络连接倾向,是二模网络中描述聚类的典型统计项,能够反映整个网络聚集分布,并通过加权计数方式有效控制网络中的聚类。一个企业可选择多个技术创新领域,一个技术创新领域也可被多个企业选择。如果不单独建模,同质性模型可能在统计上与技术创新领域选择的一般趋势合并,因而忽略内生相关性对解释变量的估计偏差。结合段庆峰[37]、郭建杰等(2021)的研究成果,本文将几何加权非单边共享伙伴作为控制变量纳入ERGM模型,相关变量解释如表2所示。
表2 ERGM模型统计量含义
Tab.2 Meanings of ERGM model statistics
统计项名称图例参数类型用途NE边数网络结构变量网络边的基础效应GWNSP几何加权非单边共享伙伴网络结构变量是否倾向形成嵌入开放三角结构Edgecov(GP)在地理邻近网络中,具有连带关系的节点间是否倾向形成闭合三角结构Edgecov(SP)在社会邻近网络中,具有连带关系的节点间是否倾向形成闭合三角结构Edgecov(MP)边属性网络关系变量在地理与社会混合邻近网络中,具有连带关系的节点间是否倾向形成闭合三角结构Edgecov(DIE)创新经验差异较小的节点间是否倾向形成嵌入三角结构Edgecov(DDC)点度中心度差异较小的节点间是否倾向形成嵌入三角结构Edgecov(SS)结构相似性更高的节点间是否倾向形成嵌入三角结构
本文基于二模ERGM模型对2001—2020年我国5G专利申请数量排名前300、500、800的企业进行分析,结果如表3所示。
表3 ERGM模型拟合结果
Tab.3 ERGM model fitting results
项目300Model1Model2Model3500Model4Model5Model6800Model7Model8Model9网络类型GeographyCollaMixGeographyCollaMixGeographyCollaMixNE-2.564 3***-2.563 9***-2.056 1***-2.987 6***-2.683 5***-2.107 1***-2.669 0***-2.444 6***-2.092 3***(0.114 0)(0.107 0)(0.081 5)(0.004 4)(0.082 1)(0.063 3)(0.003 8)(0.057 2)(0.049 1)GWNSP0.052 3***0.118 0***0.196 6***-0.001 90.027 1***0.068 9***0.001 50.011 3***0.021 6***(0.013 3)(0.015 1)(0.017 2)(0.001 9)(0.004 1)(0.004 8)(0.000 8)(0.001 1)(0.001 4)DIE-0.172 4***-0.049 20.045 4-0.092 7***-0.054 4***0.008 1-0.037 0***-0.015 4***-0.001 2(0.035 9)(0.036 7)(0.034 6)(0.009 8)(0.011 0)(0.010 4)(0.003 4)(0.003 8)(0.003 8)DDC0.118 4***0.033 0***0.016 9***0.180 4***0.025 0***0.011 5***0.107 4***0.013 6***0.008 3***(0.007 6)(0.002 0)(0.001 5)(0.005 3)(0.001 0)(0.000 7)(0.002 8)(0.000 5)(0.000 4)SS-0.001 1***-0.000 5-0.016 7-0.000 3***-0.002 3-0.030 3***-0.000 2***-0.002 6**-0.017 8***(0.000 2)(0.003 8)(0.013 5)(0.000 0)(0.001 6)(0.006 3)(0.000 0)(0.001 0)(0.003 8)Edgecov (GP)0.135 9***//0.080 1***//0.074 8***//(0.014 1)//(0.005 4)//(0.002 2)//Edgecov (SP)/0.324 5***//0.317 8***//0.307 6***//(0.057 6)//(0.032 5)//(0.026 2)/Edgecov (MP)//0.475 9***//0.555 2***//0.493 5***//(0.092 0)//(0.061 3)//(0.046 8)AIC2 692.518 62 619.805 62 930.247 34 389.479 54 541.415 85 108.768 07 773.613 87 975.976 58 705.177 0BIC2 735.230 42 662.517 42 971.955 54 435.767 04 587.703 35 155.055 57 823.191 48 025.554 08 754.754 6
注:***、**、*分别表示在1%、5%、10%的统计水平上显著;括号内为标准差,下同
赤池信息标准(AIC)和贝叶斯构造(BIC)越小,意味着模型拟合效果越好。因此,从AIC与BIC角度可以看出,该模型拟合效果较好,具有一定的解释力。从估计系数及显著性角度看,模型1、4、7旨在检验地理邻近性对企业技术创新行为同群效应是否具有正向影响。变量Edgecov(GP)系数显著为正,意味着若两个企业位于同一地区,则选择相同技术创新领域的概率增加到1.145 6(=e0.135 9)倍、1.083 4(=e0.080 1)倍、1.077 7(=e0.074 8)倍,说明地理邻近性对企业技术创新行为同群效应具有正向影响,实证结果支持H1。模型2、5、8旨在检验社会邻近性对企业技术创新行为同群效应是否具有正向影响。变量Edgecov(SP)系数显著为正,意味着若两个企业具有直接合作关系,则选择相同技术创新领域的概率增加到1.383 3(=e0.324 5)倍、1.374 1(=e0.317 8)倍、1.360 2(=e0.307 6)倍,说明社会邻近性对企业技术创新行为同群效应具有正向影响,实证结果支持H2。模型3、6、9旨在检验地理与社会混合邻近性对企业技术创新行为同群效应是否具有正向影响。变量Edgecov(MP)系数显著为正,说明若两个企业既位于同一地区又具有直接合作关系,则选择相同技术创新领域的概率增加到1.609 5(=e0.475 9)倍、1.742 3(=e0.555 2)倍、1.638 0(=e0.493 5)倍,大于Edgecov(GP)、Edgecov(SP)的估计系数。上述结果显示,相较于企业间只具备一种邻近性的情况,同时具备地理邻近性与社会邻近性,企业选择相同技术创新领域的概率更大。由此说明,地理邻近性与社会邻近性的交互作用对企业技术创新行为同群效应具有正向影响,实证结果支持H3。
本文借鉴McFadyen等(2004)的研究成果,以5年为间隔将2001—2020年划分4个窗口期,以此对研究假设进行稳健性检验,结果如表4所示。
表4 ERGM模型稳健性检验结果
Tab.4 ERGM model robustness test results
项目300Model1Model2Model3500Model4Model5Model6800Model7Model8Model9网络类型GeographyCollaMixGeographyCollaMixGeographyCollaMix2001—20050.178 6***0.565 4***0.801 2***0.146 5***0.692 7***1.092 8***0.074 9***0.816 7***1.223 1***(0.012 0)(0.127 1)(0.185 6)(0.007 6)(0.116 8)(0.163 1)(0.004 8)(0.110 9)(0.146 0)2006—20100.078 6***0.636 2***0.543 7***0.083 2***0.708 8***0.657 1***0.067 0***0.737 6***0.721 3***(0.009 4)(0.078 5)(0.102 2)(0.003 8)(0.064 5)(0.093 1)(0.002 2)(0.054 0)(0.083 4)2011—20150.152 9***0.502 5***0.929 2***0.117 0***0.419 8***0.846 3***0.07 2 2***0.463 3***0.805 4***(0.011 0)(0.067 6)(0.124 9)(0.005 7)(0.046 5)(0.091 9)(0.002 4)(0.040 0)(0.073 6)2016—20200.125 7***0.264 5***0.473 3***0.092 2***0.313 5***0.510 5***0.021 8***0.368 2***0.593 2***(0.014 2)(0.047 0)(0.099 6)(0.005 5)(0.036 6)(0.078 1)(0.004 0)(0.028 8)(0.055 1)
稳健性结果显示,地理邻近性与社会邻近性的估计系数均为正,且在1%水平下显著。在2001—2005年、2011—2015年、2016—2020年3个窗口期,混合邻近性的估计系数大于地理邻近性与社会网络邻近性的估计系数。在2006—2010年这一窗口期,混合邻近性的估计系数小于社会邻近性的估计系数,而大于地理邻近性的估计系数,表明社会邻近对地理邻近具有正向调节作用,地理邻近对社会邻近具有负向调节作用。整体而言,稳健性检验结果与前文分析结果一致。进一步地,以Model1为例,在3个窗口期,企业选择同一技术创新领域的概率分别为1.195 5(=e0.178 6)倍、1.165 2(=e0.152 9)倍、1.133 9(=e0.125 7)倍,呈现下降趋势。上述结果显示,除Model3中企业选择同一技术创新领域的概率呈现先提升后下降的趋势外,其它模型中企业选择同一技术创新领域的概率均随窗口期变化逐渐下降,说明同群效应呈现减弱趋势。
本文以2001—2020年我国5G领域专利申请数据为例,基于AMC模型研究框架,采用ERGM模型研究企业技术创新行为同群效应,探讨企业间地理邻近性、社会邻近性对同群效应的直接影响与交互影响,主要得到以下结论:
(1)地理邻近性、社会邻近性对企业技术创新行为同群效应均具有正向影响。本文在AMC模型研究框架下,基于觉察、动机和能力3个角度,就地理邻近性、社会邻近性对同群效应的影响进行探究。从觉察与能力角度看,地理邻近性有助于企业通过直接观察获取可觉察的资源,而共同的本地市场有助于企业模仿效率提升,进而增强企业模仿能力。社会邻近性能够增进企业间信任,强化企业交流意愿,进而提高企业觉察意识。同时,广泛交流有助于增强企业在模仿过程中对信息的理解与鉴别能力。从动机角度看,地理邻近性与社会邻近性均通过深化企业对技术创新行为所产生的经济效益认知,增强企业模仿动机。在探讨企业技术创新同群效应时,过往研究[13-14]认为,地理邻近性与社会邻近性对企业创新研发投入同群效应具有正向影响。本文针对技术创新领域选择的同群效应进行讨论,丰富了企业技术创新同群效应研究。
(2)目前,鲜有研究针对地理邻近性与社会邻近性的交互作用进行探讨。在研究企业创新影响因素时,Whittingtonetal[25]、Funk[39]以企业创新专利产出为研究对象,发现地理邻近性与社会邻近性具有正向交互作用。本文针对技术创新领域选择这一企业技术创新行为,探讨地理邻近性与社会邻近性的交互作用。在AMC模型研究框架下,通过综合考虑二者对于觉察、动机和能力的影响,最终得出二者存在正向交互作用的结论。
(1)丰富了同群效应研究对象。以往研究大多关注研发支出[24]、专利数量(刘静等,2018)等绩效变量,对行为变量鲜有涉及。本文以企业技术创新领域选择作为研究对象,探讨企业技术创新同群效应。作为企业技术创新行为,技术创新领域选择是企业创新战略的重要环节,能够决定企业未来发展方向,也是企业获取竞争优势重要驱动力(张思磊等,2010;由雷,2021)。本文以企业技术创新领域选择为载体,拓展了企业技术创新同群效应研究。
(2)创新了同群效应范围研究方法。相关研究大多采用以独立性为前提的回归模型,上述模型由于忽略了网络内生结构,导致研究结论存在一定的偏差[35-36]。本文采用可以综合考虑网络内生结构与外生属性的ERGM模型对同群效应存在范围进行研究,结合企业间社会互动行为,揭示三角形、星形等网络局部结构对网络的影响,克服了网络边自相关性带来的拟合困难。
(1)对企业而言,模仿同群企业技术创新行为,一方面,可能提高自身市场占有率,加速企业发展;另一方面,可能导致市场对某种技术创新需求过于饱和[13],从而阻碍企业发展。因此,企业在制定创新决策时,应有选择地对同群企业技术创新行为进行模仿,脱离实际情况盲目模仿可能导致无效率创新[15]。因此,企业应完善公司治理机制,避免同群效应可能带来的创新效率低下等问题,从而提高自身技术创新水平。
(2)对政府而言,一方面,可以利用同群效应产生的社会乘数效应调整同群企业技术创新方向[14],推动区域与行业技术创新发展;另一方面,需要密切关注市场对企业技术创新的反应,避免同群企业间因相互模仿而导致创新成果单一和社会资源浪费等问题。因此,政府可以出台相关创新激励政策,鼓励并引导企业在一定程度上进行差异化技术创新[22],提高技术多元化水平,从而带动社会创新水平提升。
本文存在以下局限:第一,由于ERGM模型收敛时间较长且无法处理大型数据,后续研究可以针对ERGM模型中的算法进行改进,加快模型收敛速度,进而利用大规模数据进行实证检验,以提升结论的可信度;第二,本研究采用是否联合申请专利这一正式合作关系作为企业间社会邻近性的判断标准,后续研究可以使用非正式合作关系作进一步分析。
[1] GREVE H R. A behavioral theory of R&D expenditures and innovations: evidence from shipbuilding[J].Academy of Management Journal, 2003, 46(6): 685-702.
[2] JEFFERSON G H, HUAMAO B, XIAOJING G, et al. R&D performance in Chinese industry[J].Economics of Innovation and New Technology, 2006, 15(4-5): 345-366.
[3] 吴延兵. 中国哪种所有制类型企业最具创新性[J].世界经济, 2012, 35(6): 3-25,28.
[4] 聂辉华, 谭松涛, 王宇锋. 创新、企业规模和市场竞争:基于中国企业层面的面板数据分析[J].世界经济, 2008,31(7): 57-66.
[5] GAYLE P G. Market concentration and innovation: new empirical evidence on the Schumpeterian hypothesis[R].Boulden: University of Colorado at Boulder, 2001.
[6] 范德成, 杜明月. 高端装备制造业技术创新资源配置效率及影响因素研究——基于两阶段StoNED和Tobit模型的实证分析[J].中国管理科学, 2018, 26(1): 13-24.
[7] LI H, ATUAHENE-GIMA K. Product innovation strategy and the performance of new technology ventures in China[J].Academy of Management Journal, 2001, 44(6): 1123-1134.
[8] 曾卓然, 韩仁杰, 任跃文. 企业管理效率、政府补贴与技术创新[J].统计与决策, 2021, 37(2): 181-184.
[9] 陈红, 纳超洪, 雨田木子, 等. 内部控制与研发补贴绩效研究[J].管理世界, 2018, 34(12): 149-164.
[10] ANTONIOLI D, MARZUCCHI A, SAVONA M. Pain shared, pain halved? cooperation as a coping strategy for innovation barriers[J].The Journal of Technology Transfer, 2017, 42(4): 841-864.
[11] 肖仁桥, 钱丽, 陈忠卫. 中国高技术产业创新效率及其影响因素研究[J].管理科学, 2012, 25(5): 85-98.
[12] KAUSTIA M, RANTALA V. Social learning and corporate peer effects[J].Journal of Financial Economics, 2015, 117(3): 653-669.
[13] 彭镇, 连玉君, 戴亦一. 企业创新激励: 来自同群效应的解释[J].科研管理, 2020, 41(4): 45-53.
[14] 冯戈坚, 王建琼. 企业创新活动的社会网络同群效应[J].管理学报, 2019, 16(12): 1809-1819.
[15] 刘喜和, 沈晶晶, 周妙雯. 非金融企业金融化的同群效应驱动因素研究[J].现代财经:天津财经大学学报, 2020, 40(12): 50-63.
[16] 花俊国, 孔儒婧, 孙抗, 等. 企业创新投资同群效应——基于管理者能力视角[J].软科学, 2021, 35(9): 131-138.
[17] 方军雄. 企业投资决策趋同:羊群效应抑或"潮涌现象"[J].财经研究, 2012, 38(11): 92-102.
[18] WANG P, ROBINS G, PATTISON P, et al. Social selection models for multilevel networks[J].Social Networks, 2016(44): 346-362.
[19] 段庆锋, 冯珍. 多维视角下技术距离对企业研发合作关系影响的实证研究[J].科技进步与对策, 2020, 37(14): 110-117.
[20] 王海花, 孙芹, 郭建杰, 等. 长三角城市群协同创新网络演化动力研究:基于指数随机图模型[J].科技进步与对策, 2021, 38(14): 45-53.
[21] 王栋, 陈通. 知识型员工双重社会网络对企业创新绩效作用机制研究[J].科技进步与对策, 2019, 36(6): 128-137.
[22] 朱艳丽, 陆雪艳, 林志帆. 中国企业研发决策同群效应的空间计量分析[J].科技进步与对策, 2021, 38(18): 104-113.
[23] ADHIKARI B K, AGRAWAL A. Peer influence on payout policies[J].Journal of Corporate Finance, 2018, 48: 615-637.
[24] 刘柏, 王馨竹. 企业创新成果与创新质量的驱动因素研究——基于同群和竞争的视角[J].宏观质量研究, 2021, 9(2): 43-58.
[25] WHITTINGTON K B, OWEN-SMITH J, POWELL W W. Networks, propinquity, and innovation in knowledge-intensive industries[J].Administrative Science Quarterly, 2009, 54(1): 90-122.
[26] 叶珍, 邓新明. AMC视角下多市场接触对企业研发强度的影响——基于全球医药行业的实证研究[J].研究与发展管理, 2020, 32(4): 97-109.
[27] BELENZON S, PATACCONI A. Innovation and firm value: an investigation of the changing role of patents, 1985—2007[J].Research Policy, 2013, 42(8): 1496-1510.
[28] 杨武, 杨大飞. 基于专利数据的产业核心技术识别研究——以5G移动通信产业为例[J].情报杂志, 2019, 38(3): 39-45,52.
[29] 段庆锋, 马丹丹. 基于指数随机图模型的专利技术扩散机制实证研究[J].科技进步与对策, 2018, 35(22): 23-29.
[30] 王崇锋, 崔运周, 尚哲. 多层创新网络结构洞特征对组织创新绩效的影响——来自新能源汽车领域的实证分析[J].科技进步与对策, 2020, 37(24): 71-79.
[31] JIANCHENG GUAN, NA LIU. 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.
[32] HARRIS J K. 指数随机图模型导论[M].杨冠灿, 译. 上海: 格致出版社, 上海人民出版社, 2016.
[33] BUTTON K J. 城市经济学: 理论和政策[M].上海社会科学院部门经济研究所城市经济研究室, 译. 北京: 商务印书馆, 1986.
[34] CRANMER S J, LEIFELD P, MCCLURG S D, et al. Navigating the range of statistical tools for inferential network analysis[J].American Journal of Political Science, 2017, 61(1): 237-251.
[35] WANG P, ROBINS G, PATTISON P, et al. Exponential random graph models for multilevel networks[J].Social Networks, 2013, 35(1): 96-115.
[36] WASSERMAN S, IACOBUCCI D. Statistical modelling of one-mode and two-mode networks: simultaneous analysis of graphs and bipartite graphs[J].British Journal of Mathematical and Statistical Psychology, 1991, 44(1): 13-43.
[37] 段庆锋, 冯珍. 基于指数随机图模型的学术社交网络形成机制研究[J].情报科学, 2019, 37(7): 84-89,145.
[38] 刘林青, 陈紫若. 中国优势产业组合的动态演化机制研究——基于TERGM的实证分析[J].科技进步与对策, 2020, 37(11): 70-78.
[39] FUNK R J. Making the most of where you are: geography, networks, and innovation in organizations[J].Academy of Management Journal, 2014, 57(1):193-222.