Following multidimensional proximity theory, this study explores the evolutionary characteristics and influencing factors of the Chinese Academy of Sciences' industry-research collaboration network using the Exponential Random Graph Model (ERGM). The research examines proximities from two dimensions: organizational-level proximity (social proximity and cognitive proximity) and regional-level proximity (institutional proximity and geographical proximity), and reveals the dynamic changes of different levels of proximity during the stages of industry-research collaboration development.
Utilizing patent co-application data from CAS between 2000 and 2021, this study constructs six periods of CAS collaboration networks at three-year intervals. To gain deeper insights into the changes in the internal driving forces of the industry-research collaboration network development, this study divides the network evolution into three stages: initial development, rapid development, and stable development. Using the R software, the study visualizes the industry-research collaboration networks at the three evolutionary stages and employ ERGM to compare the impact mechanisms of different levels of proximities on the dynamic evolution of the CAS collaboration network.
The results indicate that the evolution of the industry-research collaboration network is jointly driven by organizational-level proximities and regional-level proximities. However, the influence of various proximities exhibits dynamic changes over time. In the initial development stage, organizational-level proximities play a crucial role. This is evidenced by the significant positive effects of social proximity and cognitive proximity on network development. This suggests that, in the earlier stages of industry-research collaboration, the existing collaboration experience and similarity of knowledge bases between organizations are significant factors influencing partner selection. However, as collaboration deepens and the network expands, the importance of organizational-level proximities gradually diminishes, and their positive promotional effects exhibit a declining trend. Conversely, the impact of regional-level proximities is not significant during the initial formation stage of the collaboration network. However, as the network evolves, institutional proximity and geographical proximity become the primary drivers of the network's stable development. This transformation reflects the fact that, with the government's emphasis on industry-research collaboration, industry-research collaboration has become increasingly politicized. Furthermore, the similarity of institutional environments and geographical proximity at the regional level have become increasingly important factors in fostering the continuous and in-depth development of industry-research collaboration.
Thus,the government should effectively leverage spatial planning and institutional coordination to create a supportive policy environment for industry-research collaboration. Then, while focusing on institutional cooperation, the government should also consider organizational-level proximity, such as social and cognitive proximity, as these are crucial for fostering the natural development of industry-research partnerships. Finally, given the impact of multidimensional proximity on collaboration varies at different stages, the government should develop targeted support policies tailored to the specific phases of cooperation development. This study enriches the theoretical understanding of the evolutionary characteristics and driving mechanisms of China's industry-research collaboration network, revealing the ways in which different proximities function and the changes in their influence during the dynamic evolution of the network. It provides new perspectives and insights for promoting the sustainable and healthy development of China's industry-research collaboration network.
开放科学(资源服务)标识码(OSID)：
产业界与学术界合作创新是实施创新驱动发展战略的关键路径和核心内容,受到决策者和学者的高度关注。随着我国进入新发展阶段,增强产研协同创新能力成为发展新质生产力、实现高水平科技自立自强的重要内容。然而,我国现阶段产研合作效率较低、研发能力不足,制约了区域创新体系的高效运转[1]。鉴于此,深入研究影响产研合作关系形成与演化的关键因素,厘清其中的作用机理,对于优化产研合作网络、完善区域创新体系具有重要意义。
现有关于合作网络的研究主要集中于两个方面:一是对合作网络基本特征的描述性分析。例如,覃柳婷等[2]指出我国产学研合作网络呈现小世界和无标度等特征。这为认识合作网络演化特征提供了重要参考,但仅依靠描述性分析难以揭示网络演化驱动机制。二是探讨邻近性对合作网络形成和演化的影响[3]。其中,地理邻近性受到广泛关注。多数研究认为,地理位置相邻有利于面对面交流、信息传播和知识溢出,是产研合作形成的前提条件(党兴华等,2013)。Morgan[4]指出,随着信息技术的快速发展,地理距离的限制正在逐步减弱。相比之下,Hong &Su[5]则强调在中国场景下,制度邻近性发挥关键作用,是推动企业与高校建立合作关系的首要驱动力。此外,许多研究强调社会邻近性的重要性,认为组织间合作经历能为双方提供可靠信息,促进信任与关系的建立,从而推动产研持续合作[6-7]。还有学者关注认知相似性,认为组织拥有相似的知识基础更有利于开展知识交流与技术合作(党兴华等,2013)。然而,刘凤朝等(2020)指出,过高的技术相似性有可能会加剧创新资源同质化竞争,反而会抑制合作行为的产生。
尽管多维邻近性视角拓宽了对产研合作关系的理解,但存在一些局限:①多数研究将各种邻近性因素视为独立变量,忽视了它们之间的内在联系,难以把握产研合作复杂的驱动特征。这些邻近性因素包括区域层面(地理和制度)和组织层面(社会和认知)两类,因此有必要综合两个层面的邻近性因素,系统理解产研合作驱动力。②现有研究多基于静态场景展开分析,忽视了网络动态演化的阶段性特征,导致对多维邻近性的认识往往局限于特定时期,难以把握多维邻近性的动态变化[8]。产研合作网络构建是一个动态演化过程,在不同发展阶段,不同邻近性的作用方向和强度不同,驱动网络演化的关键因素也不同。③传统回归分析难以有效捕捉网络关系间的相互依赖作用和内生机制。
本文以中国科学院合作网络为研究对象,运用社会网络分析法刻画其合作网络演化特征,采用指数随机图模型(ERGM)探讨区域层面(地理邻近性和制度邻近性)和组织层面(社会邻近性和认知邻近性)邻近性对中国科学院合作网络动态演化的影响。近年来,指数随机图模型(ERGM)在社会网络分析中得到广泛应用,它能够同时检验网络内生结构和外生机制对网络生成的影响,并处理复杂网络关系之间的依赖性,从而找出驱动网络形成的关键因素[9]。相关研究证实不同邻近性具有阶段性和差异性作用效果,回应了现有关于多维邻近性的争议[4]。并且,多维邻近性对合作网络的影响并非一成不变,而是随着网络动态演化而变化,只有立足于网络动态变化分析视角,才能更精准地识别不同发展阶段影响网络演化的关键驱动力,这对于深化多维邻近性理论在组织间合作网络研究中的应用具有重要意义。
近年来,学者对产研合作创新网络开展了大量理论和实证研究,发现合作网络关系和结构特征对于获取创新资源、提高创新绩效具有重要作用(党兴华等,2013)。尤其是在新一代技术变革背景下,单个组织难以独自应对快速发展的复杂技术需求,产研合作网络成为组织传递知识、整合创新资源、分散创新风险的关键渠道[10]。
多维邻近性理论为探讨产研合作关系形成因素提供了一个从不同视角认识组织间互动合作关系的分析框架[5],对于理解合作关系形成和发展具有重要意义。现有文献从不同维度对邻近性进行划分,其中,Boschma[3]对多维邻近性的划分(地理邻近性、认知邻近性、组织邻近性、制度邻近性和社会邻近性)在学术研究中得到广泛应用。尽管邻近性维度丰富多样,但通过分析发现这些邻近性因素在本质上可归为两类:区域层面邻近性和组织层面邻近性。区域层面邻近性主要强调组织所处区域位置要素和制度环境要素相似性对产研合作的影响,体现外部环境因素的推动作用,如地理邻近性和制度邻近性。组织层面邻近性则反映组织间自身关系特征对产研合作的影响,包括社会邻近性和认知邻近性。
产研合作并不是一个完全自发的过程,而是受到政府的引导和影响(张宁宁等,2022)。我国幅员辽阔、区域发展不平衡,创新资源在全国范围内分布不均衡。为促进创新要素流动和优化配置,政府主要依托区域创新政策或空间规划推动区域产研合作与发展,体现为制度邻近性和地理邻近性的影响,这构成区域层面分析视角。同时,也需要关注产研合作主体特征,即组织自身层面相似性对合作关系的影响。一方面,双方累积的合作经历会影响新合作关系质量,这反映社会邻近性的作用;另一方面,双方知识技术基础的相似性程度也会影响知识溢出和吸收效率,进而影响合作关系,这反映认知邻近性的作用。鉴于此,本文主要探讨区域(地理邻近性、制度邻近性)和组织(社会邻近性、认知邻近性)两个层面上的影响因素及作用路径,以系统揭示产研合作网络动态演化的驱动因素和作用机理。
(1)地理邻近性。地理邻近性是学者比较关注的一个维度,多数研究认为地理邻近性是促进组织间合作的重要前提[1]。首先,地理邻近性能促进面对面交流,为组织间非计划面对面交流提供天然机会,有利于组织在短时间内频繁互动,为隐性知识传递创造条件[5]。有研究指出,隐性知识溢出具有较强的地理衰减效应,即隐性知识质量会随着地理距离增加而下降[11],因此组织只要“在那里”便可享受到地理邻近性带来的知识溢出[12]。其次,地理邻近性还能降低交易成本,产生稳定和长久的伙伴关系,明确组织搜索合作伙伴的可能性,进而降低搜索成本(党兴华等,2013)。然而,有学者认为地理邻近性的作用随着交通和通信工具的发展正在逐渐减弱(刘凤朝等,2020),如有学者发现地理邻近性对德国产研项目合作的影响并不显著[13]。
(2)制度邻近性。制度邻近性反映组织之间共享制度环境或制度情景的差异程度,主要包括正式规则(如法律法规、政策措施)和非正式制度(如社会价值观、文化习俗等),这些因素深刻影响着产研合作方式和程度(党兴华等,2013)。我国各级政府在制定具体经济社会发展规划和技术创新政策上具有较强自主权,导致各地区在创新政策和制度环境方面呈现出显著差异[14]。因此,制度邻近性的作用值得关注。制度邻近性有助于降低合作风险和交易成本,进而促进产研合作。当组织处于相似的制度环境时,它们面临相似的合作创新政策和竞争环境,有助于形成共同行为准则和期望,从而促进产研之间的知识转移和创新合作[5]。例如,处于同一省份的产研主体,由于共享相似的创新政策和支持措施,更容易建立长期稳定的合作关系。然而,制度环境差异会阻碍跨区域产研合作。不同地区的创新政策和管理制度差异有可能会增加跨区域合作复杂性及难度,这种制度壁垒会限制跨区域知识流动和资源整合(刘凤朝等,2020),从而影响产研创新合作整体效果。
(1)社会邻近性。社会邻近性反映组织间社会关系的相似性,具体包括组织建立友谊、亲疏关系或以往接触经验方面的联系[3]。社会邻近性对组织合作关系的建立和持续发展非常重要,因为社会邻近性能够在组织合作过程中反复增强,从而产生声誉和信任效应,减少合作中的机会主义行为,促进知识共享和交换(刘凤朝等,2020)。此外,这种基于友谊建立的合作关系能使合作双方足够了解彼此的表达方式和行为惯性,有助于促成和维系后续合作关系[15]。有研究表明,先前合作会增加未来合作的可能性,企业很容易与先前合作的大学再次建立合作关系,并且合作关系会持续一段时间[6]。因此,先前合作关系在提供潜在合作伙伴信息可靠性方面发挥重要作用[7]。虽然大量研究证实社会邻近性所代表的信任对合作关系具有积极影响,但也有部分学者指出,随着合作关系的成熟,过度的社会邻近性有可能导致知识循环重复、知识价值衰减甚至冗余,从而造成关系锁定和路径依赖,增加关系维护成本,使网络逐渐走向封闭[3]。
(2)认知邻近性。有研究将其称为技术邻近性,反映组织间拥有知识基础和知识结构的相似程度[16]。许多研究认为认知邻近性在传递知识和促进知识再创造方面发挥积极作用(刘凤朝等,2020)。产研主体在行为逻辑和目标取向上存在较大异质性,因此有可能导致双方交流障碍,削弱彼此协同合作的动力。一些研究认为,组织间认知邻近性有利于表达和理解专业技术语言及方法,促进知识传递,从而增强合作的积极性[17]。此外,组织吸收能力理论表明,具有相似知识基础的组织更有利于识别、获取和吸收新知识,进而提高合作效率,因此认知邻近性是组织间合作互动的前提条件[6]。然而,也有部分研究指出,认知邻近性表征组织间知识的同质性,而同质性知识不利于组织实现新颖性创新。适度的异质性知识则能为组织提供更多创新机会,提升组织创新能力。可见,过高的认知邻近性未必有利于组织间合作关系的持续发展[18]。
为衡量产研合作网络,本文以中国科学院产研合作网络为研究对象,主要基于以下考虑:一是典型性。作为我国自然科学最高学术机构和自然科学与高技术综合研究发展中心,中国科学院始终围绕现代化建设需求开展科学研究,为社会经济发展作出重要贡献。在此过程中,中国科学院不断推动对外合作,尤其是自2014年实施“率先行动”计划以来,通过深入实施开放兴院战略,形成全面开放的合作网络,为产研合作网络研究提供了典型分析样本。二是代表性。中国科学院下属100多家研究所分布在全国各个区域,涵盖化学、物理、信息、地理、生命科学等各个领域,在所处区域和研究领域方面存在较高的异质性,且具有较高的独立性和自主权[10],使研究结果具有较强的代表性和推广性。
专利数据是衡量技术创新产出的重要指标,是中国科学院知识生产的重要成果。本文以中国科学院专利申请数量为研究样本,构建中国科学院专利数据库,数据来源于中国国家知识产权局(CNIPA)和智慧芽专利检索平台(PatSnap)。数据检索和清洗过程如下:第一步,检索2000—2021年中国科学院申请的所有发明专利,检索式为“专利申请人=中国科学院”,共得到259 680项发明专利。第二步,统一研究所名称。由于许多研究所存在更名、合并等历史变迁,如长春光学精密机械所的前身为长春物理研究所,故需要全面梳理104家研究所的历史沿革,确保所有专利数据库中研究所名称均使用其官网最新名称,以实现数据的一致性和准确性。第三步,构建中国科学院产研合作专利数据库。从现有数据库中筛选出中国科学院各研究所与企业联合申请的专利数据,共计17 723项发明专利。第四步,构建中国科学院年度合作研发关系网络。基于ERGM模型,完善每个关系网络中各组织节点的基本信息,包括地理位置、专利申请数量等数据。
2.2.1 因变量
本文主要研究多维邻近性对中国科学院合作网络演化的影响,中国科学院与合作者之间的关系网络为因变量,主要通过中国科学院各研究所共同申请专利数量测度。如果中国科学院各研究机构与其他组织共同申请专利,则说明两者存在合作关系,编码为1,否则为0,最终形成每年中国科学院合作网络关系矩阵。
2.2.2 区域层面邻近性
(1)地理邻近性:地理邻近性衡量的是合作主体空间距离的邻近程度。根据苏屹等(2021)的研究,本文用各组织所在位置之间的空间距离表征,即通过经纬度计算空间距离,具体公式为:
distij=6 731*{arccos[sin(lati)+cos(latj)cos(latij)cos(|longi-longj|)]}
(1)
其中,distij表示两个组织间的地理距离,6 731(千米)为地球半径,lati、longi分别表示一个组织所处区域的纬度和经度。由于该公式表示的是地理距离,基于地理邻近性的概念,根据苏屹等(2021)的研究方法,本文采用极值处理法对矩阵数据进行标准化处理,具体公式如下:
(2)
(2)制度邻近性:制度邻近性主要指组织间制度环境的相似程度,体现在微观和宏观两个层面。微观层面涉及组织是否具有相同的内部制度层级和结构[3],而宏观层面则反映外部制度环境差异(刘凤朝等,2020)。各地区具有较高的独立性和自主性,导致地方政策、标准和规则存在显著差异,这种制度差异会显著影响科技活动(张宁宁等,2022)。因此,本文主要关注组织受到地方规章制度、法律环境等宏观制度环境影响的相似程度。为更准确地衡量区域制度产生的行政效果,采用Hong &Su[5]的方法,以合作主体是否属于同一省份作为衡量组织所处制度环境相似程度的指标。
2.2.3 组织层面邻近性
(1)社会邻近性:社会邻近性反映合作主体之间在合作经验方面的相似性和关系紧密程度。现有研究普遍采用先前合作经验作为测度指标,主要因为它能直接反映组织间的历史联系和关系紧密程度。本文参照阮平南等[6]的研究方法,用合作专利数量表征社会邻近性。同时,借鉴Kim &Song[19]的研究,合作关系有效期通常不超过5年。为更精准地捕捉合作组织当前社会关系的紧密程度,本文采用先前5年的合作专利数量作为社会邻近性的测量指标。
(2)认知邻近性:认知邻近性体现为组织间知识结构和知识基础的相似程度。现有研究通常采用知识库数量[20]或知识库内容相似性[6]衡量认知邻近性。考虑到产研合作不仅涉及知识数量,知识内容相似程度也是影响组织吸收彼此知识的关键因素。因此,参考Jaffe[21]的研究方法,采用余弦相似性表示组织间的认知邻近性,具体计算公式如下:
(3)
其中,Xi、Xj分别表示组织i和组织j在不同技术领域的发明专利比例。为更准确地表示专利技术领域,采用国际专利分类(IPC)代码。Cogij取值范围为0～1,数值越大表示双方知识结构越相似,数值越小表示双方知识基础差异越大。
2.2.4 网络内生结构变量
中国科学院合作关系网络不同于传统回归分析中的独立性假设,因为网络关系具有自组织形成模式,即网络关系之间相互依赖,这种模式被称为网络内生结构。网络内生结构的稳定性直接影响网络中各组织关系的构建。本文主要控制以下变量:首先,控制二元关系层面最简单的网络效应——边(Edges),反映边影响网络生成的平均效应,解释力相当于传统回归模型中的常数项。其次,控制几何加权度(Gwdegree),它能够有效捕捉网络核心—边缘星型结构倾向[22],反映网络中核心节点的受欢迎程度。因为新进组织成员会优选那些具有较高连接度的组织建立关系[23],因此节点整体吸引力和声望是择优选择机制的驱动因素[24]。最后,本文控制几何加权边共享伙伴(Gwesp),它衡量的是网络中闭合三角形的数量,可以用于分析闭合传递趋势[9]。
指数随机图模型(Exponential Random Graph Models,ERGM)是一种识别网络形成和演化驱动因素的网络统计模型[9],该模型的主要优势在于突破了传统回归分析中独立性假设的限制,能够更好地处理复杂网络关系之间的依赖性,并综合考虑网络内生结构和外生机制的影响。该模型的基本原理为网络合作可能是随机发生的,通过马尔可夫链蒙特卡洛极大似然估计(MCMCML)生成大量随机网络;随后,通过比较真实网络与随机网络参数,不断进行仿真模拟和参数修正,直至模型参数估计趋于稳定。在ERGM中,目标函数为合作网络关系形成概率,具体公式如下:
(4)
其中,K为归一化参量,以确保所有概率介于0～1之间。z(y)(K=1,…,p) 表示影响网络关系形成的内生结构变量。za(y,x)表示节点关系的统计量。
表示各统计量的估计参数向量,估计参数大小和方向反映相关因素对网络构建与发展的影响程度及趋势(党兴华等,2022)。具体而言,如果参数为正,则表明在控制某个统计量的前提下,合作关系建立概率较高;反之,则表明合作关系建立概率较低。本文采用R语言中的ERGM包完成相应编程处理。
在中国科学院合作网络中,许多节点仅拥有比较稀疏的连接。有学者认为,核心组织行为在网络演化过程中起关键引导作用[23],能够显著影响网络演化方向。为优化模型拟合效果,本文选择合作规模大于等于2的组织作为分析样本。为有效反映中国科学院合作网络演化进程,借鉴Schilling &Phelps[25]的研究方法,以3年为间隔,重点研究2006、2009、2012、2015、2018、2021年6个时期的合作网络。这种划分方法主要基于以下考虑:首先,作为我国最大的公立科研机构,中国科学院具有天然的制度背景,其研发活动主要由政府资助,直接影响科研机构参与产研合作的意愿。纵观其研究背景,发现每3年左右都有重要政策发布或事件发生,这些政策影响科研机构与企业合作网络演化趋势。其次,现有研究普遍认为,合作关系持续时间约为3～5年[26],结合政策背景,本研究优先选择3年作为一个时间节点,将研究期间划分为6个时期,运用R语言绘制各时期的合作网络图(见图1),并对各时期网络特征指标进行描述性统计分析(见表1)。结合图1和表1分析结果,将网络演化主要划分为3个阶段:初始发展期、快速发展期和稳定发展期。
表1 描述性统计分析结果
Table 1 Statistical analysis results
变量初始发展阶段2006年2009年快速发展阶段2012年2015年稳定发展阶段2018年2021年网络规模56114173223344370边数量49128208339608633网络密度0.031 80.019 90.014 00.013 70.0100.009聚类系数0.7860.8380.7080.6890.6460.517平均路径长度2.3963.3386.6595.7484.7015.382平均度1.7502.2462.4053.0403.5353.422
图1 中国科学院合作网络演化情况
Fig.1 Evolution of CAS collaboration network
第一阶段为初始发展期(2006—2009年)。这一阶段合作网络刚起步,组织间互动逐步建立,合作关系处于萌芽阶段。具体而言,网络规模和联系数量较小。尽管网络规模有限,但网络密度和聚类系数较高,说明初期合作主要集中在少数核心节点上。此外,平均度较低,平均路径长度相对较短,呈现集中、密集的拓扑结构特征。
第二阶段为快速发展期(2012—2015年)。此阶段,网络规模和边数量快速扩张,网络持续扩大。然而,网络密度和聚类系数开始显著下降,内部连接趋于分散松散。平均度不断上升,平均路径长度先快速增长后有所下降,网络呈现出核心—边缘分层结构。总体而言,该时期是网络发展的黄金阶段,网络规模和联系快速扩张,但内部结构也在不断调整和重组。核心组织的作用日益凸显,成为推动网络发展的关键力量。
第三阶段为稳定发展期(2018—2021年)。该阶段网络规模和边数量增长趋缓,发展进入相对稳定期。但网络密度和聚类系数持续走低,组织间互动联系进一步分散,网络连接更加疏松。平均度小幅波动,平均路径长度与上一阶段相比基本持平。网络结构趋于稳定,核心—边缘分层特征尤为明显,反映出网络内部分工日趋明晰,核心组织的引领作用举足轻重。
进一步,将网络结构内生变量和多维邻近性纳入ERGM模型,分析多维邻近性对合作网络的影响。表2为中国科学院各时期合作网络的ERGM结果,模型1为网络内生结构变量(Gwesp和Gwdegree)检验结果,模型2在模型1的基础上加入多维邻近性变量。采用赤池信息量(AIC)和贝叶斯信息量(BIC)检测模型拟合程度,这两个指标数值越小,表明该模型拟合优度越高。通过表2分析可知,各时期网络拟合效果均较好,且模型2相比模型1更接近实际合作网络。
表2 中国科学院合作网络ERGM结果
Table 2 ERGM results for CAS collaboration network
注:***表示p<0.001,**表示p<0.01,*表示p<0.05;括号内为标准误
(1)在初始发展阶段,组织层面邻近性发挥主导作用。2006年,社会邻近性对产研合作关系的正向促进作用最大(exp(0.882)=2.42),其次是认知邻近性(exp(0.486)=1.63),而地理邻近性和制度邻近性的作用不显著。到2009年,社会邻近性的正向促进作用进一步增强(exp(1.232)=3.43),制度邻近性开始显现较强的正向作用(exp(1.116)=3.05),认知邻近性保持正向影响(exp(0.101)=1.11)。相比之下,地理邻近性在此阶段未呈现显著影响。总体而言,组织间邻近性(社会邻近性和认知邻近性)是推动产研合作网络形成和发展的主要因素,而区域层面邻近性(制度邻近性和地理邻近性)的作用较弱。这一现象反映出产研合作网络形成初期具有自发性特征,即在缺乏强有力政策引导和制度框架情况下,组织主要依靠自身判断和需求选择合作伙伴。社会邻近性高的组织建立的信任关系会降低合作不确定性和风险,而认知邻近性高的组织更容易推动知识共享和吸收,因此这两种邻近性在前期发挥较为关键的作用。
(2)在快速发展阶段,区域层面的邻近性开始显现。2012年,制度邻近性展现出较强的正向促进作用(exp(1.201)=3.32),社会邻近性次之(exp(0.547)=1.73),认知邻近性持续发挥正向影响(exp(0.03)=1.03),而地理邻近性的作用则不显著。到2015年,制度邻近性和社会邻近性发挥重要作用;地理邻近性开始显现正向影响,但显著性较低;认知邻近性依旧发挥较低的正向促进作用。在这一阶段,前期依然是组织层面邻近性发挥关键作用,但自2012年起,区域层面邻近性开始发挥关键作用。这一转变可能源于中央和地方政府推动产研合作网络发展,促使区域内集聚行为日益突出。同时,前期建立的社会关系继续发挥作用,但其重要性有所下降。
(3)在稳定发展阶段,区域层面邻近性的作用得到进一步强化。无论是2018年还是2021年,地理邻近性和制度邻近性均显示出较强的正向促进作用。相比之下,社会邻近性的作用开始下降,2021年的正向促进作用明显降低(exp(0.234)=1.26),认知邻近性的作用相比前两期也呈下降趋势。这进一步说明,区域层面因素成为推动中国科学院产研合作网络发展的首要因素。国家创新战略调整与这一变化趋势相吻合。2016年张江综合性国家科学中心设立,随后上海、北京、粤港澳大湾区等国家科技创新中心建设规划相继颁布。作为这些创新中心的重要建设主体,中国科学院积极参加创新中心建设,主动嵌入区域创新系统,强化产研合作。相比之下,组织层面因素的影响逐渐减弱。这是因为,随着产研合作网络的成熟,过于强烈的合作关系有可能造成关系束缚,降低组织间合作积极性,导致社会邻近性作用下降。此外,认知邻近性也容易造成认知冗余,减少新知识获取机会,从而使其作用减弱。
(4)关于网络内生结构效应,几何加权度在各个时期均呈现显著正向影响,表明中国科学院合作网络存在边缘—核心星型结构,呈现出一定的扩张性。组织倾向于与声望较高的“明星”机构建立更多合作关系。几何加权边共享伙伴呈现正向显著影响,说明形成三角形合作关系,意味着具有共同合作伙伴的组织更易形成新合作关系。
为确保本文网络动力演化模型更能反映真实观测网络,需对各阶段模型进行拟合优度检验。通过前期AIC和BIC分析,发现模型2为有效模型。受篇幅限制,本文仅展示2021年模型2的验证过程。
(1)为确认模型2的稳定性,对其进行MCMC诊断(见图2)。其中,每个子图左为利用MCMC链作为时间序列的各变量变化情况,子图右侧为相应MCMC链的直方图。如果模型是收敛的,则每个变量将表现出围绕0的随机变化。从图2可知,模型2展现了这种稳定性特征。
图2 ERGM模型中各变量的MCMC诊断检验结果
Fig.2 MCMC diagnostic test results for ERGM variables
(2)对模型2进行拟合优度检验,先利用模型估计参数生成大量仿真网络,再比较仿真网络与观测网络的特征指标值。为更好地反映网络特征,这里的特征值不仅包括模型中的统计项,还纳入其它主要模拟网络特征指标(见图3)。图3中前5个子图展示网络中部分特征指标模拟值与实际值的对比。其中,实线代表观测网络的统计指标分布,箱线图表示仿真网络结果的中位数和四分位数范围,虚线代表仿真网络95%置信区间,实线和虚线分布接近程度代表仿真网络拟合优度。由图3可知,边共享伙伴、几何加权二元共享伙伴、节点间测地线距离、节点度、三元组等关键网络特征接近于仿真网络的 95%置信区间,表明模型拟合度较高。图3最后一个子图展示了ROC曲线和PR曲线。其中,ROC曲线越接近左上角,反映模型模拟预测效果越好;PR曲线越靠近右下角,反映模拟预测效果越好[27]。ROC曲线和PR曲线拟合良好,进一步证实本文模型具有良好的拟合优度。
图3 ERGM拟合优度检验结果
Fig.3 Goodness-of-fit test results for ERGM
注:Egde-wise shared partners表示边共享伙伴、Dyad-wise shared partners表示几何加权二元共享伙伴、Geodesic distance表示节点间测地线距离、Degree表示节点度、Traid census表示三元组
本文选取2006—2021年中国科学院合作申请专利数据,按3年时间间隔构建6个时期的中国科学院合作网络。基于多维邻近性理论,将邻近性划分为区域层面和组织层面,运用指数随机图模型分析两类邻近性对中国科学院合作网络动态演化的影响,得出如下结论:
(1)组织层面邻近性(社会邻近性和认知邻近性)在合作网络发展初期起重要促进作用,但其影响强度随着时间推移逐渐减弱。在合作前期,社会邻近性在中国科学院合作网络演化中扮演主要角色,认知邻近性也持续表现出正向作用。然而,随着合作网络演化与发展,两者作用强度呈下降趋势。可能因为:在合作初期由于经验不足,为减少创新风险和不确定性,倾向于选择可信赖和合作长久伙伴,因此社会邻近性发挥重要作用,同时,认知邻近性有利于促进知识共享和吸收。随着合作关系深入,维系关系需要投入更多时间和精力,社会邻近性的作用逐渐减弱[3],同时,认知冗余风险增大,导致认知邻近性作用强度下降[18]。
(2)区域层面邻近性逐渐显现出正向作用,成为促进中国科学院产研合作网络发展的关键因素。在合作网络发展初期,制度邻近性和地理邻近性作用不显著,但在政策驱动下,其作用强度逐渐增强,并在合作网络稳定发展阶段成为促进产研合作发展的重要因素。这一变化主要源于中央和地方政府开始重视产研合作关系,如《国家创新驱动发展战略纲要》指出要聚焦区域发展战略,推动区域创新。各级政府也纷纷颁布促进产研合作和区域创新的相关政策,各区域在发展过程中形成差异化制度(马荣康等,2019)。这也进一步验证行政边界成为塑造科研机构合作网络演化的重要因素[12]。
同时,随着科创中心的建立,地理邻近性的效应逐渐显现,成为政府推动产研合作的重要力量[25]。自中国科学院实施“率先行动”计划以来,其面向区域创新发展任务愈发突出,加速了区域间合作进程,地理邻近性效应逐渐显现。
(3)从自发合作到制度性合作,反映出我国产研合作快速发展的动态特征。在加入世贸组织之初,政府对产研合作的干预较少,合作关系主要源于创新主体基于各自需求形成的自发互动,合作伙伴选择主要依托组织间关系网络和知识基础的相似性(苏屹等,2023),具有一定随机性和分散性特征。随着产研合作的深入以及科研机构在区域创新系统中的地位愈发凸显,科研机构产研合作受到中央政府和地方政府高度的重视,成为推动区域创新发展的重要抓手(张宁宁等,2022)。在此背景下,科研机构产研合作呈现出较强的行政特征,依靠自上而下推动(马荣康等,2019),逐渐进入制度性合作阶段。一方面,制度环境相似性在塑造区域创新行为中发挥关键作用;另一方面,以地理邻近性为依托的创新布局和空间规划进一步促进创新资源集聚[12],为产研合作深化发展创造了有利条件。
基于上述研究结论,本文提出如下政策建议:
(1)政府应充分利用空间规划和制度协同,积极营造有利于产研合作的政策环境。在空间规划层面,应抓住国际科技创新中心建设契机,依托地理邻近性优势,合理布局高新园区、科技城等创新空间,促进创新要素高效集聚,为产研合作提供良好的空间载体。在制度协同层面,应打破行政壁垒和加强区域间制度协同,促进跨区域产研合作。各级政府在制定创新政策时应加强政策协调与合作,建立跨区域产研合作协调机制,为科研机构与产业跨区域合作创造更加宽松、开放的制度环境,优化创新资源在不同区域间的配置。
(2)政府应重视组织层面邻近性(如社会邻近性和认知邻近性),因为其是促进产研合作自发形成的关键因素。应搭建多样化合作平台或产学研联盟,定期举办行业论坛、技术交流会和产研对接活动,为科研机构与企业提供加强互动的机会。这些举措不仅有助于促进双方信任,还能提升双方认知邻近性,从而提高合作创新产出。此外,政府还应为合作项目提供资金支持,鼓励科研机构和企业长期合作,减少合作初期的不确定性,形成更具深度和广度的合作网络。
(3)鉴于多维邻近性对产研合作的影响具有阶段性特征,政府应根据合作关系发展不同阶段制定差异化产研合作支持政策。在合作初期,政策应侧重组织层面邻近性。通过搭建合作平台、畅通沟通渠道,增强科研机构和企业之间的信任,促进知识共享,减轻合作初期的不确定性。随着合作的不断深入,政策应逐步转向强化制度邻近性和地理邻近性优势。政府应着重优化区域创新环境,打破行政壁垒,利用地理层面邻近性优势,促进创新要素空间集聚,引导科研机构和企业建立长期稳定的合作关系,进而形成高质量的合作网络和创新集群。
本文存在一定局限性:第一,讨论了两个层面邻近性对科研机构合作网络动态演化的影响,未探明两者之间是否存在交互效应、替代关系或互补关系,未来应作进一步探讨。第二,利用合作专利数据构建科研机构合作网络,但科研机构对外合作还包括项目合作或非正式交流等数据,未来可采取问卷调研法丰富科研机构对外合作数据,深入解析驱动科研机构合作网络演化的动力因素。
[1] 孙玉涛,张一帆.产学研合作网络演化的异质性机制——以北京为例[J].科研管理,2020,41(9):113-122.
[2] 覃柳婷,滕堂伟,张翌,等.中国高校知识合作网络演化特征与影响因素研究[J].科技进步与对策,2020,37(22):125-133.
[3] BOSCHMA R. Proximity and innovation: a critical assessment[J]. Regional Studies, 2005, 39(1): 61-74.
[4] MORGAN K. The exaggerated death of geography: learning, proximity and territorial innovation systems [J]. Journal of Economic Geography, 2004, 4(1): 3-21.
[5] 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.
[6] 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): 150-159.
[7] GULATI R, GARGIULO M. Where do interorganizational networks come from[J]. American Journal of Sociology, 1999, 104(5): 1439-1493.
[8] LAZZERETTI L, CAPONE F. How proximity matters in innovation networks dynamics along the cluster evolution——a study of the high technology applied to cultural goods[J]. Journal of Business Research, 2016, 69(12): 5855-5865.
[9] LUSHER D,KOSKINEN J,ROBINS G. Exponential random graph models for social networks: theory, methods and applications[M]. Cambridge: Cambridge University Press, 2012.
[10] ZHANG N, YOU D, TANG L, et al. Knowledge path dependence, external connection, and radical inventions: evidence from Chinese Academy of Sciences[J]. Research Policy, 2023, 52(4): 104738.
[11] 李浩,郑子卓,吉龙腾.距离产生美么?大企业内部创业“物理隔离”空间有效性研究——基于多维邻近性视角[J].科技进步与对策,2024,41(15):84-96.
[12] 曹湛,朱晟君,戴靓,等.多维邻近性对区域创新合作网络形成的影响——基于江浙沪医学科研机构的实证[J].地理研究,2022,41(9):2531-2547.
[13] SCHWARTZ M, PEGLOW F, FRITSCH M, et al. What drives innovation output from subsidized R&D cooperation——project-level evidence from Germany[J]. Technovation, 2012, 32(6): 358-369.
[14] LIU X, WHITE S. Comparing innovation systems: a framework and application to China's transitional context[J]. Research Policy, 2001, 30(7):1091-1114.
[15] 桂钦昌, 杜德斌, 刘承良, 等. 全球城市知识流动网络的结构特征与影响因素[J]. 地理研究, 2021, 40(5): 1320-1337.
[16] 初大智,胡子云.多维邻近性对科研合作质量影响研究——以广东生物技术为例[J].北京理工大学学报(社会科学版),2016,18(5):67-74.
[17] 向希尧,裴云龙.跨国专利合作网络中技术接近性的调节作用研究[J].管理科学,2015,28(1):111-121.
[18] 曹兴,宋长江.认知邻近性、地理邻近性对双元创新影响的实证研究[J].中国软科学,2017,32(4):120-131.
[19] KIM C, SONG J. Creating new technology through alliances: an empirical investigation of joint patents[J]. Technovation, 2007, 27(8):461-470.
[20] 杨大飞,孙守恒,胡倩.多维邻近性及交互性对合作创新网络演化的影响——以中国智能制造装备业为例[J].科技进步与对策,2025,42(2):11-21.
[21] JAFFE A B. Characterizing the "technological position" of firms, with application to quantifying technological opportunity and research spillovers[J]. Research Policy, 1989, 18(2):87-97.
[22] 李文文,李垚.新能源汽车产业协同创新演化研究——基于动态网络视角[J].科技进步与对策,2025,42(2):63-72.
[23] 王海花,孙芹,杜梅,等.长三角城市群协同创新网络演化及形成机制研究——依存型多层网络视角[J].科技进步与对策,2020,37(9):69-78.
[24] 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.
[25] 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.
[26] LIANG X, LIU A M M. The evolution of government sponsored collaboration network and its impact on innovation: a bibliometric analysis in the Chinese solar PV sector[J]. Research Policy, 2018, 47(7): 1295-1308.
[27] LEIFELD P, CRANMER S J, DESMARAIS B A. Temporal exponential random graph models with btergm: estimation and bootstrap confidence intervals[J]. Journal of Statistical Software, 2018, 83: 1-36.