Fine-grained Delineation of Technology Proximity and Its Dynamic Impact on Inter-organizational Technology Transfer

Wang Limei1, Luo Qi2

(1. Faculty of Materials and Manufacturing, Beijing University of Technology; 2. College of Economics and Management, Beijing University of Technology, Beijing 100124, China)

Abstract：Technology transfer can boost collaborative innovation in regional science and technology organizations. The problem of low transaction rates in China's technology market still remains serious and it is vital to study on the drivers of inter-organizational technology transfer to promote the technology market development . Technology proximity, as an internal and external factor of technology transactions, is a necessary condition for promoting technology knowledge transfer and a decisive factor for partner selection. However, there is no consensus on the impact of technology proximity on technology transfer, and various theories such as the facilitation theory, inhibition theory and inverted U theory have been formed. Meanwhile, the previous studies have paid little attention to a fine-grained discussion about the connotation definition and quantitative measurement of technology proximity, which makes it hard to illustrate the intrinsic mechanism of the impact of technology proximity on technology transfer. Therefore, this paper makes a fine-grained delineation of technology proximity and explores its microscopic impact on technology transfer to reveal the inner driving mechanism of technology transfer and promote the matching of supply and demand entities as well as technology transactions.

The absorptive capacity attributes of technology transfer organizations, the structural proximity of technology content among organizations, and the location and relational proximity of organizations in the technology transfer network are comprehensively considered to fine-grain the technology proximity into 3 dimensions of technology absorption capacity proximity, technology content structure proximity and technology transaction network proximity, with a total of 11 indicators. Then QAP analysis methods, Spearman's rank correlation and time series models are used to construct a model of the influence of multidimensional technology proximity on patent technology transfer, including (1) testing the influence of multidimensional technology proximity on technology transfer by QAP regression analysis; (2) testing the dynamic influence of node centrality on technology transfer by Spearman rank correlation; (3) testing the dynamic influence of technology transaction proximity on technology transfer by QAP correlation.

On the basis of an empirical study of Beijing-Tianjin-Hebei regional invention patent transfer data from 2011-2018, the paper investigates the impact of multidimensional technological proximity on patent technology transfer and concludes that (1) on the dimension of technology absorption capacity proximity, technology reserve proximity positively promotes technology transfer; and technology strength proximity negatively affects technology transfer; (2) on the dimension of technology content structure proximity, the proximity of the technology foundation influences technology transfer in an inverted U-shape, the proximity of technology investment negatively influences technology transfer, and the proximity of technology complementarity positively promotes technology transfer; (3) on the dimension of technology transaction network structure proximity, network structure proximity positively promotes technology transfer, and the role of network openness proximity is not significant;network node degree centrality and proximity centrality positively promote technology transfer, and the role of betweenness centrality is not strong, indicating that the effects of merit link and proximity link in the network are significant; the positive impact of technology transaction proximity on technology transfer is "inverted U-shaped", and the path-dependent effect is significant; (4) three extended indicators exert an important effect on patent technology transfer, and their effects are robust in the time series model, i.e. network distance proximity has the strongest promoting effect, followed by technology complementarity proximity, which indicates that organizations prefer to choose others with short network distance and strong technology complementarity for patent technology transfer; while technology investment proximity has the strongest inhibiting effect, which means that organizations with similar demands tend to compete, and it's difficult to carry out patent technology transfer; (5) among the other dimensions of proximity, geographic proximity has a non-significant contribution to technology transfer, while institutional proximity and social proximity have a positive effect on technology transfer.

Addressing the above issues, it is advised to (1) promote the construction of a big data platform for technology transactions, dynamically measure the multidimensional proximity between entities, and improve the model of matching technology supply and demand and transaction recommendation on the existing platform; (2) reduce the cost of technology transactions among cross-regional organizations, explore diversified technology transfer models among organizations, and enhance the activity of technology transaction networks; (3) promote the construction of a national technology market, and give full play to the technology spillover effect of backbone organizations in the national market.

Key Words:Technology Transfer; Quadratic Assignment Procedure; Technology Proximity; Absorptive Capacity; Preferential Linkage; Path Dependence

DOI：10.6049/kjjbydc.2022090564

开放科学(资源服务)标识码(OSID)：

中图分类号：F713.584

文献标识码：A

文章编号：1001-7348(2023)05-0023-10

收稿日期：2022-09-21

修回日期：2022-12-07

基金项目：国家自然科学基金面上项目(71974009)

作者简介：王丽梅(1973—)，女，北京人，博士，北京工业大学材料与制造学部党委书记、高级经济师，研究方向为协同创新、人力资源管理；骆琪(1979—)，男，北京人，博士，北京工业大学经济与管理学院副研究员，研究方向为系统分析与建模。

0 引言

战略缺口理论指出，任何组织内部的资源和能力都是有限的，仅依赖内部资源很难满足技术需求，需要不断开放研发边界获取外部技术(陈朝月和许治，2018)。技术转让是区域、企业等获取外部技术和互补性知识的积极过程[1-2]，也是推动区域科技组织协同创新的重要途径。随着技术供给与交易、创新需求数量的增长，嵌入技术转让网络已成为组织获取核心技术的重要方式[3]。组织间技术转让网络对技术知识流动和企业创新具有促进作用，学界对这一观点已达成共识(刘凤朝等，2018)。但目前中国技术市场的交易率相对较低，《2021年中国专利调查报告》数据显示，2021年中国有效专利许可率和转让率分别为5.3%和4.7%。因此，研究组织间技术转让的驱动力对促进技术交易市场发展具有重要意义。

现有成果多从多维邻近视角研究地理邻近、组织邻近、认知邻近、技术邻近等对技术转让的影响[4-5]，其中，地理、组织、认知等邻近性属于外生因素，其对技术和知识转移的促进作用已得到验证。技术邻近作为技术交易的内生动因，是技术知识流动的重要渠道[6]，也是技术知识转移的必要条件和伙伴选择的决定性因素。然而，已有研究关于技术邻近对技术转让的影响还未形成共识。其中，“促进论”认为技术转让更可能发生在技术发展水平或技术系统相似的组织间[4]，相似的技术知识基础有利于交流学习、技术获取和消化吸收[7]。“抑制论”认为技术过度相似可能导致认知过载[8]，使得双方不能彼此提供有效的异质性专业知识[9]，出现技术锁定问题，不利于技术转让。“倒U论”从动态视角研究技术邻近与技术转让间的关系：双方识别和吸收异质性技术知识需要一定程度的技术邻近，这种邻近性能促进有效的交互沟通，并激发创新成果产生，正向促进技术转让(夏丽娟等，2017)；当技术邻近超过某个阈值时，技术基础和经验高度相似，通过技术转让获得的互补性知识较少，难以激发创新，二者之间呈现负相关关系[5,9]。

现有研究对技术邻近性的内涵界定与定量测算缺乏细粒度的讨论，导致研究结论相对笼统，难以解释技术邻近对技术转让影响的内在机理。Griliches[10]提出技术距离的概念，用于衡量产业间的技术相似性，并认为企业间技术相似程度越高，技术外溢效应越明显；在Griliches[10]理论基础上，Jaffe[11]首次将专利分类法引入技术相似性计算中，将专利或专利集合表示成分类号的向量集合形式，基于企业在不同技术领域的专利数量测度企业间技术邻近性；Schamp等[12]综合已有研究提出技术邻近性是基于组织间知识和技术的共享与经验，反映的是组织间技术构成的相似程度；Guan[9]认为技术邻近性是指组织拥有技术基础或投资组合的相似性，丰富了技术邻近的内涵，但其度量方法依然聚焦组织拥有专利集合或者引用专利集合的相似程度。一方面，拥有或引用专利集合难以全面反映技术交易动态过程中组织间技术内容的结构差异，如技术投资邻近性；另一方面，难以刻画组织在技术交易网络中的位置邻近性。因此，探究技术邻近性的细粒度划分及其对技术转让的微观影响，能够动态揭示技术转让的内在驱动机理，为促进技术交易提供决策支持。

1 理论基础与研究假设

本文划分技术邻近性的理论依据为：第一，基于Cohen&Levinthal[13]提出的技术转移中的吸收能力理论，对组织技术吸收能力属性进行细粒度划分并转化为关系数据，提出技术吸收能力邻近性并进行定量测度；第二，基于Guan[9]提出的技术邻近性内涵，并考虑交易过程中的技术邻近，将传统技术邻近性细化为技术基础邻近性、技术投资邻近性和技术互补邻近性；第三，基于技术交易网络理论，考虑组织在网络中的位置及关系邻近性，提出技术交易网络邻近性指标。在此基础上，提出理论假设并构建检验模型，研究多维技术邻近性对技术转让的动态影响。

1.1 技术吸收能力邻近性及指标

组织的吸收能力是技术转让成功的主要因素，吸收能力是指利用先前知识识别有价值的新信息并加以吸收、应用的能力[13]。吸收能力较强的组织容易获取异质组织的互补知识，并将外部技术知识融入到自身知识体系中[14]。吸收能力是技术转让双方的关键属性，可通过组织的先验知识和技术实力[15]进行度量。因此，本文采用技术储备邻近性和技术实力邻近性衡量吸收能力邻近性对技术转让的影响。

技术储备邻近性是指组织间先验知识储备量的接近程度，先验知识被认为是吸收能力的决定因素之一[14]。技术储备邻近的组织间理解和识别外部信息的能力相似，有利于双方沟通和交流。在国际技术转让中，拥有先进技术的发达国家向外转让技术时，总会考虑需求方的基础性技术知识储备是否满足转让要求，因为如果供需双方的基础技术知识差距过大，将大大增加技术转让成本，甚至无法完成转让[14]。技术实力是指组织投入资源进行技术创新及应用的能力[14]。技术实力差异较大的双方存在较强的互补性，当技术实力较强的组织为供给方时，会将非核心技术或自身不再需要的技术转化成资金，作为下一阶段研发的物质基础；需求方由于自身技术实力不足，许多技术无法通过自研得到，只能以技术吸纳的形式获得外部技术，从而提升自身科技实力。吸收能力是一种动态能力[16]，组织间技术交易的历史行为是吸收能力发挥作用的结果，并对吸收能力产生动态影响。同时，组织间技术交易也是制约交易网络演化的主要因素[14]，且技术交易关系在长期内可能形成相互依赖(Cantner&Graf, 2006)，即当期组织间技术交易量将决定下一时期的技术交易量。因此，采用组织间技术交易邻近性动态揭示历史交易行为的邻近水平对技术转让及网络演化的影响。综上，本文提出如下假设：

H1a：技术储备邻近性正向促进技术转让；

H1b：技术实力邻近性负向影响技术转让；

H1c：当期组织间技术转让关系将决定下一时期的转让关系。

1.2 技术内容结构邻近性及指标

技术吸收能力邻近侧重从数量层面刻画组织间的技术能力差异，而技术内容结构邻近侧重从结构层面刻画组织间的技术分布及重叠性，即技术基础、经验、投资的重叠程度[9]。考虑到技术交易动态过程中组织间技术内容结构的变化，将传统技术邻近性细分为技术基础邻近性、技术投资邻近性和技术互补邻近性。

技术基础邻近性即传统技术邻近性，表示组织间技术基础或经验的相似性。已有文献证明组织能够从技术或产品领域与其接近的其它组织中获益[7]，可通过组织申请专利或引用专利的相似性度量。技术邻近不仅包括技术基础邻近，还包括技术投资组合相似[9]。在此基础上，本文提出技术投资邻近性，是指组织在技术转让过程中技术吸纳组合的相似程度，组织间技术投资越邻近，说明技术需求越相似，组织间越不易发生技术转让。互补性源于跨境技术转让中被接受的吸收能力概念(Majidpour，2017)。Alstott等[17]认为组织只专注现有知识库领域的技术是不合理的，而应该在外部环境中寻找和吸收新的具有互补性的技术知识。已有研究发现，识别技术、需求和潜在用户是技术转让成功的关键[18]。因此，本文认为组织间技术供给与技术需求的互补、匹配是促进技术转让的关键动因。基于此，本文提出技术互补邻近性，是指组织转出技术与另一组织转入技术的相似性，互补邻近性越高，发生技术转让的可能性越大。综上，本文提出以下假设：

H2a：技术基础邻近性对技术转让的影响呈“倒U”型；

H2b：技术投资邻近性负向影响技术转让；

H2c：技术互补邻近性正向促进技术转让。

1.3 技术交易网络邻近性及指标

日益活跃的技术交易行为和关系形成了复杂网络形态，研究组织在网络中的位置以及两个组织在网络中的结构邻近性对技术交易的影响成为热点[4]。考虑组织在网络中的位置及关系，本文将技术交易网络邻近性细化为网络结构邻近性、网络开放度邻近性和节点中心性。

网络结构邻近性是指技术转让网络中组织间的捷径距离[19]。一方面，具有较高网络结构邻近性的两个组织在网络中容易接触到彼此，交流成本低；另一方面，较高的网络结构邻近性意味着组织间关系紧密，信任度高[20]。网络开放度邻近性是衡量组织交易范围的指标，以技术交易伙伴数表示，反映组织交易的活跃性[21]。两个组织的技术交易开放度水平越接近，其交易广度和影响力就越相似，发生技术转让的可能性也就越大。节点中心性能够衡量组织在网络中的位置[4]。其中，度中心性能够衡量技术交易网络中组织的技术购买(入度)或技术销售(出度)水平，中介中心性和接近中心性可以衡量网络中技术转让的控制能力和有效性。Abbasi等(2012)通过对比合作网络中3种中心性对下一时期新链接形成的作用，发现中介中心性对链接形成的作用最显著；Sun&Liu[14]研究发现，在区域间技术转让网络中，度中心性和接近中心性对链接形成的作用比中介中心性更强。因此，本文认为组织在技术转让网络中的中心性对技术转让及网络演化具有重要影响。综上，本文提出如下假设：

H3a：网络结构邻近性正向促进技术转让；

H3b：网络开放度邻近性正向促进技术转让；

H3c：组织度中心性对下一时期的新链接产生正向影响；

H3d：组织中介中心性对下一时期的新链接产生正向影响；

H3e：组织接近中心性对下一时期的新链接产生正向影响。

1.4 其它维度邻近性

在重点研究多维技术邻近性对技术转让影响的基础上，本文将地理邻近、制度邻近、社会邻近等外生因素作为控制变量，纳入检验模型。

地理邻近性是影响技术转让的重要因素，较长的地理距离会增加时间成本，这是技术转让关系建立的障碍[14]。组织更希望在本区域或邻近区域选择有技术需求的买方或者知识密集型卖方，以降低时间和沟通成本[22]，促进隐性知识流动。随着信息技术的发展，特别是互联网的广泛应用，“距离之死”已成为现实[23]。制度邻近性是指组织间面临外部制度环境的邻近程度[24]。制度邻近有利于双方建立信任和互动，降低不确定性和风险(Hong&Su, 2013)。较高的制度邻近性能为技术知识转移提供可靠条件。社会邻近性是指组织间的社会嵌入性与亲疏关系[25]。组织间合作经验和思维的一致性，有助于提高双方对技术产品评估的客观性和一致性，促进技术转让[26]。综上，本文提出如下假设：

H4a：地理邻近性正向促进技术转让；

H4b：制度邻近性正向促进技术转让；

H4c：社会邻近性正向促进技术转让。

综上，基于技术邻近性的细粒度划分，建立技术转让影响因素理论框架，如图1所示。

2 研究设计

2.1 研究方法

二次指派程序(Quadratic Assignment Procedure，QAP)被称为测量关系之间关系的方法，是一种非参数检验，通过对比两个或多个方阵中对应各个元素给出的矩阵间相关系数，能够解决自相关问题，产生相对无偏的统计结果[9,27]。QAP方法主要以矩阵数据置换为基础，其研究对象是关系数据。Krackhardt[28]证明在基于关系数据的分析中，QAP方法优于OLS方法[9]。因为基于OLS的参数检验方法无法规避因素相关性带来的统计偏差，尤其当变量为关系数据时，存在结构性自相关，而基于OLS的多元回归分析难以检验变量间的关系(许冠南等，2016)。

QAP作为检验关系数据的方法，在研究多维技术邻近性对技术转让的影响时具有很强的适用性。然而，现有研究多聚焦网络节点位置对交易形成的影响，如Sun等[4]基于QAP研究发现，区域技术发展水平与其在网络中的度中心性存在正相关关系，狭隘的技术差距对区域间技术交易具有积极影响；Sun&Liu[14]检验发现，组织更倾向于与具有较高度中心性的节点相连。但关于技术邻近性的细分以及基于QAP研究其对技术转让的动态影响，还未见相关成果。此外，本文还应用Spearman秩相关分析测量变量间联系的强弱，通过比较两组变量的排序差进行相关性分析[29]。

2.2 数据采集与统计分析

2.2.1 数据采集与处理

本文以Incopat数据库中有效发明专利的技术转让数据作为样本，并选择创新资源最为集中、科技创新成果最为丰硕、技术供需旺盛且互补性较强的京津冀地区进行实证研究。采集2011—2018年京津冀地区专利转让数据，共得到18 455件专利。利用Python获取转让记录，根据转让时间对多次转让记录进行拆分，对于单一转让记录中涉及多个组织的，按照将A→BC拆分为A→B、A→C，将AB→C拆分为A→C、B→C的规则进行拆分(A、B、C代表组织，→代表专利转让方向)。最后得到26 812条专利转让记录，涉及7 380个组织，包括企业、科研单位、大专院校、机关团体4种类型。

2.2.2 组织间、区域间专利技术转让统计

2014年，国家把京津冀协同发展上升为国家战略，并出台一系列措施促进技术流动。因此，以2014年为界，分别统计2011—2014年(阶段一)和2015—2018年(阶段二)不同类型组织间、区域间专利技术转让矩阵，通过以e为底的log函数对矩阵数据进行标准化，利用Matlab实现可视化，如图2、图3所示。图中，箭头表示技术流动方向，数字表示转让频次。

由图2可知，2011—2018年企业间技术转让量居于首位；对比两个阶段数据发现，企业间技术转让增长41.65%，高校向企业转让的专利技术增长60.52%，科研单位向企业转让的专利技术增长44.81%，说明国家战略的实施对产学研合作具有重要推动作用。由图3可知，2011—2018年区域内部的技术转让占主导；区域间技术转让活跃度逐年提升，2015—2018年北京向河北转让的专利数量是2011—2014年的5.23倍，北京向天津转让的专利数量翻了一番，说明国家战略的实施对跨区域技术转让具有重要促进作用。

2.3 多维技术邻近性对技术转让影响的模型构建

2.3.1 组织间专利技术转让网络构建

为缩减网络规模，提高研究价值，筛选出转、受让频次均大于等于10的99个组织，构建技术转让有向加权网络，包括76家企业、10所高校、13个科研单位。网络G=(Vi,Vj,A,W)，其中，向量Vi=[vi(i=1,2,…,n)]表示转出方，向量Vj=[vj(j=1,2,…,n)]表示受让方，邻接矩阵A=[ai,j]表示组织间技术转让关系，如果组织i将专利转让给组织j，则ai,j=1，否则ai,j=0。权重矩阵W=[wi,j]表示转让频次。基于邻接矩阵A和权重矩阵W，构建组织间专利技术转让矩阵，作为QAP回归分析的因变量。

2.3.2 多维技术邻近性对专利技术转让影响的模型构建

首先，利用QAP回归分析检验多维技术邻近性对技术转让的影响，变量设置如表1所示。

其次，利用Spearman秩相关性检验节点中心性对技术转让的动态影响，变量设置如表2所示。技术转让矩阵均为二值化的有向矩阵，二值化规则为将技术转让矩阵中大于等于1的元素设置为1，其余为0。

利用QAP相关性检验技术交易邻近性对技术转让的动态影响，自变量和因变量分别为当期和下一时期的技术转让矩阵，矩阵构建方法与组织间专利技术转让网络构建类似。根据检验需要，构建2011—2014年、2015—2018年以及各年度共计10个技术转让矩阵。

3 实证检验与分析

3.1 QAP相关性分析

使用 UCINET中的 QAP 相关性分析，计算各自变量间的相关性，如表3所示。结果显示，各变量的相关系数均小于0.75，表明变量间不存在多重共线性[34]。

3.2 QAP多元回归结果

输入多维邻近关系矩阵和技术转让矩阵，进行2 000次矩阵置换，得到QAP多元回归结果，如表4所示。其中，模型1仅包含控制变量，模型2、3检验技术交易网络邻近性对技术转让的影响，模型4、5检验技术吸收能力邻近性对技术转让的影响，模型6～8检验技术内容结构邻近性对技术转让的影响，模型9引入技术基础邻近性的二次项，以检验“倒U论”。由表4可知，模型9的拟合度最高。

基于技术交易网络结构邻近性维度的检验结果显示，网络结构邻近性正向促进技术转让，即网络中两节点间距离越近，信息传递越高效，组织间的沟通越便捷，从而促使技术转让的发生；网络开放度邻近性对技术转让的负向影响不显著，说明交易活跃度越接近的组织间越不易发生技术转让，即技术转让中存在某种程度的“活跃度势差”现象，但这种现象不显著，即组织间交易广度邻近性对技术转让的影响不明显。综上，H3a得到验证，H3b未得到验证。

基于技术吸收能力邻近性维度的检验结果显示，技术储备邻近性正向促进技术转让，技术实力邻近负向影响技术转让，二者结果均显著，说明组织倾向于选择技术储备邻近性高、技术实力差异大的组织进行技术转让，从而保证沟通交流的低成本和技术转让的有效性，确保异质性互补知识的获取。与已有研究中吸收能力促进技术转让的结论不同，将吸收能力细分并转化为邻近关系后，可从微观层面揭示其对技术转让的影响。综上，H1a、H1b得到验证。

基于技术内容结构邻近维度的检验结果显示，技术基础邻近性与技术转让间具有显著的“倒U”关系，即组织间技术基础邻近性较低时，可通过技术转让获得异质技术或知识，技术基础邻近性正向促进技术转让。如果组织间技术基础邻近性过高，组织将难以通过转让获得异质技术，基础邻近对技术转让具有抑制作用，这与已有研究中技术邻近性对技术转让影响的“倒U论”具有一致性。技术投资邻近性对技术转让具有显著负向影响，这一结果意义重大，表明具有相似技术需求的组织之间可能存在竞争或合作研发关系，但专利技术的转让不会轻易发生。技术互补邻近性正向影响技术转让，说明技术供给方的技术与技术需求方的需求之间的相似性越高，越容易形成技术互补，进而促进技术转让。综上，H2a、H2b、H2c得到验证。

控制变量的检验结果与以往研究结论具有一致性。地理邻近性对技术转让的促进作用不显著，现代发达的交通和信息交流手段使地理邻近不再是组织间面对面交流的必要条件；制度邻近性对技术转让有正向影响，说明企业是技术转让的主体，企业间技术转让行为频繁，而企业与高校院所间的产学研技术转让并不频繁，对技术转让形成和演化的促进作用不明显；社会邻近性对技术转让的正向影响显著，说明组织间的技术研发与专利共申请关系对技术转让具有显著促进作用，这与统计结果一致，即23.11%的技术转让为申请人之间的转让(该类专利符合转、受让方均属于申请人集合的特点，统计其在所有专利中的占比)。此外，制度邻近性和社会邻近性正向促进技术转让，也说明类似的制度环境和历史合作经验可以增强组织间信任，降低沟通和转移成本，从而为专利技术交易提供可靠条件。综上，H4a得到部分验证，H4b、H4c得到验证。

在所有扩展指标中，网络结构邻近性对技术转让的促进作用最强，其次是技术基础邻近性、技术储备邻近性和技术互补邻近性，而技术投资邻近性的抑制作用最强。这意味着组织倾向于选择网络距离和先验技术储备量相似性较高、技术投资相似性较低的组织进行专利技术转让。组织间网络距离越近，信息传递和资源共享成本越低，技术转让越易发生。具有相似知识储备量的组织之间理解和识别外部信息的能力相似，技术转让成本较低，更易发生技术转让。此外，较高的技术投资邻近性通常意味着组织具有相似需求，因此竞争程度相对较高，很难实现技术转让。

3.3 Spearman秩相关性检验结果

借鉴Abbasi等(2012)、Sun等[14]的研究，在专利转让网络中分时段检验3种节点中心性(度中心性、中介中心性、接近中心性)与下一时期新链接数的Spearman秩相关性，结果如表5所示。

表5结果显示，以2014年为界，度中心性和接近中心性均对下一时期新链接数具有显著促进作用，即在网络中处于核心位置的组织，或者与其它节点距离近的组织在下一时期更易发生技术转让，并且度中心性的相关性高于接近中心性，表明技术转让形成和演化过程中，存在择优链接效应和就近链接效应。组织更倾向于选择处于核心位置或邻近位置的组织进行专利技术转让，原因在于这些组织在专利技术转让网络中处于优势地位，而组织在网络中占据的位置决定了其在网络中获取信息和知识资源的能力[35]。中介中心性与新链接的相关系数为正，但不显著，说明在技术转让形成和演化过程中，中介效应不显著。中介中心性是指一个组织作为其它两个组织间最短桥梁的频率，反映信息控制能力。随着信息技术的发展和专利技术转让信息公开度的提高，强大的信息控制能力并不是生成新链路的优先条件，即中介中心性对专利技术转让的促进机制不显著。因此，在技术转让网络中，技术在多个组织间传递交易不频繁，仅占1.96%(同一专利在不同年份发生多次转让即为传递性转让，形如A→B，B→C，统计传递性转让在所有专利中的占比)，技术转让网络中的择优链接和就近链接效应更显著，且技术转让后，买方需要投入大量资金进行消化、吸收和再创新，进而申请新的技术投入市场。综上，H3c、H3d得到验证，H3e未得到验证。

3.4 QAP相关性检验结果

借鉴Sun等[24]的研究，利用QAP相关性分析检验H1c。不同时期组织间技术转让关系的相关结果见表5。

表5结果显示，当期技术转让关系对下一时期技术转让关系具有显著促进作用，说明技术转让形成和演化中存在路径依赖效应，组织更愿意与过去的交易伙伴进行技术转让。各年度的相关系数先增加后减小，峰值出现在2014年，即当期技术交易量对下一时期技术交易量的影响呈“倒U”趋势，表明专利技术转让网络演化中的路径依赖机制呈现“倒U”趋势。技术转让会增强组织间的彼此信任、降低转让成本，形成相互依赖关系[28]，但随着交易愈发频繁，知识同质化现象明显，组织间难以获得互补性知识，出现路径锁定问题，因而对技术转让的作用减弱。综上，H1c得到验证。

4 结论与启示

4.1 研究结论

综合考虑组织的吸收能力属性、组织间技术内容结构邻近性、组织在技术转让网络中的位置及关系邻近等，将技术邻近性细粒度划分为3个维度共11个指标，利用QAP多元回归、相关性分析等方法探究技术邻近性对技术转让的动态影响及机理，结合京津冀地区组织间发明专利转让数据进行实证研究，得出如下结论：

第一，与已有研究得出吸收能力正向促进技术转让的结论不同，本文将吸收能力属性细化并转化为关系变量后发现，技术储备邻近性正向促进技术转让，技术实力邻近性负向影响技术转让，即组织倾向于选择技术储备邻近性较高、技术实力差异较大的组织转让技术。技术交易邻近性对技术转让的影响呈“倒U”趋势，说明技术转让形成和演化中存在路径依赖效应。

第二，基于技术结构内容邻近性维度，技术基础邻近性与技术转让间具有“倒U”关系，技术投资邻近性负向影响技术转让，技术互补邻近性正向促进技术转让。这一结果既验证了已有研究结论，又检验了多维技术邻近关系对技术转让的微观影响。

第三，基于技术交易网络结构邻近性维度，网络结构邻近性正向促进技术转让，网络开放度邻近性对技术转让的作用不显著。同时，节点度中心性和接近中心性对新链接的产生具有显著正向影响，中介中心性的作用较弱，说明技术转让形成和演化中存在显著的择优链接与就近链接效应，中介效应不显著。

第四，考虑其它维度邻近性对技术转让的影响后发现，地理邻近性对技术转让的促进作用不显著，制度邻近性与社会邻近性对技术转让有正向影响。然而，以往研究表明，地理邻近性能够显著促进技术转让。原因可能是随着信息技术的发展，特别是互联网的广泛应用，“距离之死”似乎已成为现实[33]。本研究得出地理邻近性对技术转让没有显著影响的最新结论。

第五，本研究发现4个对专利技术转让具有重要影响的指标，即网络结构邻近性、技术储备邻近性、技术互补邻近性和技术投资邻近性。其中，前三者对于促进专利技术转让具有重要贡献，而技术投资邻近性会显著抑制技术转让。这说明组织间的网络距离越短，专利技术转让网络中的信息传递越便利，供应商的技术与需求方的需求之间相似度越高，双方的知识储备与沟通交流能力越相似，越有可能形成技术互补，从而显著促进技术转让。此外，类似的技术投资行为通常意味着组织具有相似需求，因此竞争程度相对较高，难以实现技术转让。

4.2 政策启示

在专利技术转让市场中，技术供给和需求快速增长，但匹配技术交易伙伴的成本非常高。本文探讨了技术转让的内在驱动规律，为促进供需对接和技术交易，提出如下思考：

第一，推动技术交易大数据平台建设，动态测度主体间多维邻近性，完善现有平台技术供需匹配与交易推荐模型。一方面，推动现有技术交易平台与专利数据库等多源异构数据的融合，探索建立区域技术交易复杂网络，综合考虑供需主体属性特征及相似性、供需主体嵌入交易网络的结构及关系特征等，动态测度主体间传统多维邻近性、技术吸收能力邻近性、技术内容结构邻近性、技术交易网络邻近性等多个促进技术转让的因素；另一方面，完善基于多维邻近性的技术交易伙伴推荐算法，提高技术交易平台中供需匹配、交易推荐的精度以及模型的可解释性。

第二，降低跨区域组织间技术交易成本，探索组织间多元化的技术转让模式，提升技术交易网络活跃度。一方面，在京津冀地区，城市内部组织间的技术转让处于主导地位，城市间的技术转让活动仍有较大提升空间。《2021年全国技术流向情况表》数据显示，2021年，北京流向天津、河北的技术合同5 434项，占总输出合同数的比例仅为5.8%，成交额350.4亿元，占总输出成交额的比例仅为5%。因此，要打通跨区域技术转让的行政壁垒，同时在税收、奖励、项目资助等方面鼓励京津冀地区科技组织开展跨区域技术转让，推动京津冀协同创新与一体化建设。另一方面，探索高校、科研院所与企业间技术转让的多元化模式，鼓励以非独占式许可而非一次性转让的方式开展产学研之间的技术交易，扩大专利技术许可规模，加强专利技术转化中的产学研合作。同时，鼓励具有技术互补性的组织间开展联合研发，以提高技术交易的可能性和交易网络的活跃度，降低交易伙伴搜寻的网络成本。

第三，推动建设全国性的技术交易市场，充分发挥骨干组织在全国市场中的技术溢出效应。2022年3月25日，《中共中央 国务院关于加快建设全国统一大市场的意见》指出，建立健全全国性技术交易市场，完善知识产权评估与交易机制，推动各地技术交易市场互联互通。这既是建设全国统一大市场对全国性技术交易市场发展提出的新要求，更是推动全国性技术交易市场由高速增长转向高质量发展、实现科技高水平自立自强的重要支撑。同时，充分发挥技术交易市场中各领域骨干组织在网络中的中心性作用。技术交易网络中存在显著的择优链接和就近链接效应，因此可通过设立专项计划，重点支持处于核心位置、技术实力与技术储备力量强的高校、科研院所和企业将专利技术以普通许可的方式转让给中小微企业，充分发挥骨干组织的技术辐射作用。

4.3 研究不足与展望

一方面，多维技术邻近性对技术转让的影响很可能受到供需主体技术吸收能力的中介作用和网络密度的调节作用；另一方面，多维技术邻近性之间也可能存在复杂的交互关系，本研究对于这些因素未能全面考虑。未来可探索构建计量经济学模型，揭示供需主体能力、网络密度等因素在多维技术邻近性与技术转让中的复杂作用关系。同时，利用组态分析方法，研究多维技术邻近性对技术转让的复杂交互作用。

参考文献:

[1] LIU H J, YUN Z. Technology transfer from higher education institutions to industry in China: Nature and implications[J]. Technovation, 2001, 21(3):175-188.

[2] CHUN H H, SHIH H Y, KE T H. Structure of a patent transaction network[J]. Scientometrics, 2017, 111(1):25-45.

[3] ARORA A, FOSFURI A, GAMBARDELLA A．Markets for technology and their implications for corporate strategy[J].Industrial and Corporate Change,2001,10 (2): 419-451．

[4] SUN Y T, GRIMES S. The actors and relations in evolving networks: the determinants of inter-regional technology transaction in China [J]. Technological Forecasting and Social Change,2017,125:125-136.

[5] GEERTS A, LETEN B, BELDERBOS R, et al. Does spatial ambidexterity pay off?on the benefits of geographic proximity between technology exploitation and exploration[J]. Journal of Product Innovation Management, 2018,35(2):151-163.

[6] PACI R, MARROCU E, USAI S. The complementary effects of proximity dimensions on knowledge spillovers[J]. Spatial Economic Analysis, 2014,9(1):9-30.

[7] MMLLER A, ZABY A K. Research joint ventures and technological proximity[J]. Research Policy, 2019,48(5):1187-1200.

[8] ETTORE B, ENRICO S, ANTONELLA P. Cognitive overload in organizational knowledge management: case study research[J]. Knowledge and Process Management,2018,25(4):223-231.

[9] GUAN J C, YAN Y. Technological proximity and recombinative innovation in the alternative energy field[J]. Research Policy,2016,45(7):1460-1473.

[10] GRILICHES Z. Issues in assessing the contribution of research and development to productivity growth[J]. Bell Journal of Economics,1979,10(1):92-116.

[11] JAFFE A B. Technological opportunity and spillovers of R&D:evidence from firms' patents, profits, and market value[J]. The American Economic Review,1986,76(5):984-1001.

[12] SCHAMP E W, RENTMEISTER B, LO V. Dimensions of proximity in knowledge-based networks: the cases of investment banking and automobile design[J]. European Planning Studies,2004,12(5) : 607-624.

[13] COHEN W M, LEVINTHAL D A. Innovation and learning: the two faces of R&D[J]. Economic Journal,1989,99(397):569-596.

[14] SUN Y T, LIU K. Proximity effect, preferential attachment and path dependence in inter-regional network:a case of China's technology transaction[J]. Scientometrics,2016,108(1):201-220.

[15] SRIVASTAVA M K, GNYAWAL D R. When do relational resources matter? leveraging portfolio technological resources for breakthrough innovation[J]. Academy of Management Journal,2011,54(4): 797-810.

[16] WANG S, YEOH W, RICHARDS G, et al. Harnessing business analytics value through organizational absorptive capacity[J]. Information & Management, 2019,56(7):103152.

[17] ALSTOTT J, TRIULZI G, YAN B, et al. Mapping technology space by normalizing patent networks[J]. Scientometrics,2017,110(1):443-479.

[18] PARK T Y, LIM H, JI I. Identifying potential users of technology for technology transfer using patent citation analysis: a case analysis of a Korean research institute[J]. Scientometrics, 2018, 116(3): 1541-1558.

[19] WANZENBÖCK I. A concept for measuring network proximity of regions in R&D networks[J]. Social Networks,2018,54:314-325.

[20] 夏丽娟,谢富纪,付丙海. 邻近性视角下的跨区域产学协同创新网络及影响因素分析[J]. 管理学报,2017,14(12):1795-1803.

[21] 何喜军,董艳波,武玉英,等. 基于ERGM的科技主体间专利技术交易机会实证研究[J]. 中国软科学,2018,33(3):184-192.

[22] DISDIER A C, HEAD K. The puzzling persistence of the distance effect on bilateral trade[J]. The Review of Economics and Statistics,2008,90(1):37-48.

[23] MA H, FANG C, PANG B, et al. The effect of geographical proximity on scientific cooperation among Chinese cities from 1990 to 2010[J]. PloSOne, 2014, 9(11): 111705.

[24] 于永达,闫盛枫. 邻近性与自主合作创新网络演进: 以集成电路产业链为例[J]. 科技进步与对策,2017,34(14):66-76.

[25] 张翼鸥,谷人旭,马双. 中国城市间技术转移的空间特征与邻近性机理[J]. 地理科学进展,2019,38(3):370-382.

[26] LUCA M, MARK D, ALASDAIR R. Combining co-citation clustering and text-based analysis to reveal the main development paths of smart cities[J]. Technological Forecasting and Social Change, 2019,142: 56-69.

[27] TSAI W. Social structure of “coopetition” within a multiunit organization: coordination, competition, and intraorganizational knowledge sharing[J]. Organization Science,2002, 13(2):179-190.

[28] KRACKHARDT D. Predicting with networks: nonparametric multiple regression analysis of dyadic data[J]. Social Networks,1988,10(4):359-381.

[29] 李勇,周志光,赵星. 三类h型中心性和度中心性在预测优先链接中的有效性比较研究[J]. 情报学报, 2015,34(2):156-163.

[30] GONZALEZ-BRAMBILA C N, VELOSO F M, KRACKHARDT D. The impact of network embeddedness on research output[J]. Research Policy, 2013, 42(9):1555-1567.

[31] SRIVASTAVA M K, GNYAWALI D R, HATFIELD D E. Behavioral implications of absorptive capacity:the role of technological effort and technological capability in leveraging alliance network technological resources[J]. Technological Forecasting and Social Change, 2015, 92:346-358.

[32] YANG H U, XUN L I. The impact of multi-dimensional proximities on university industry cooperative innovation:case studies of high-tech enterprises in Guangzhou[J]. Geographical Research, 2017,36(4):695-706.

[33] 阮平南,栾梦雪,刘晓燕. 多维邻近性对创新网络组织间知识转移影响研究——基于OLED产业专利数据[J]. 科技管理研究, 2018, 38(17):157-166.

[34] 吴楠,赵嵩正,张小娣. 企业创新网络中外部知识获取对双元性创新的影响研究[J]. 情报理论与实践,2015,38(5):35-41.

[35] WANG H, WANG M, SUN Y. Study on the effect of multidimensional proximity on regional industry-university cooperative innovation: static and dynamic effects[J]. Science & Technology Progress and Policy,2019,36(2):44-50.

(责任编辑：陈 井)