现代技术创新呈现出组织边界不断弱化、合作日趋网络化的发展特征。虽然每个企业都认识到研发合作的重要性，但是建立并保持有效率的合作关系面临巨大挑战，尤其是技术系统的复杂性给合作关系带来难以预见的影响[1]。虽然研发合作受到制度、组织、市场等不同外部因素影响，但本质上还是一种特殊的技术活动方式。因此，企业在搜寻、建立、保持研发合作关系时，技术关系是首要考虑的根本因素。那么，企业技术距离与研发合作关系间存在怎样的影响机制？嵌入合作网络的企业如何在不同技术关系中作出最有利抉择？探究和回答这些问题有助于深化开放式创新理论，为企业科学制定研发合作战略提供有益参考。
从已有文献看，在合作创新绩效导向框架下，涉及技术距离与研发合作关系两要素的研究较丰富，在多数研究中两者都被视为创新绩效的前因要素，作用路径及机理得到了深入探讨。技术距离最早在研发知识溢出效应研究中被提出，研究发现，技术距离能够调节研发知识溢出效应，进而导致不同创新绩效。后续大量研究从不同角度探讨了技术距离的创新效应，然而对影响路径及解释存在不同观点。Enkel等[2]指出，创新中一定程度的技术差距是必要的。但也有研究发现，技术距离不利于知识溢出，应保持较小的技术距离[3; 4]。不过，大多数学者认为过大或过小的技术距离都不利于合作或协同创新绩效。例如赵倩[5]认为技术距离与企业合作研发倾向之间呈倒U型关系；向希尧等[6]对专利合作网络的实证研究发现，技术接近性对缩短企业在合作网络中的距离具有显著正向作用，同时，对提高合作创新程度也有显著的积极影响。还有学者认为技术距离对合作的影响是间接传递的。如向希尧[7]实证发现，技术接近性会影响其它接近性与跨国知识合作的关系，正向调节社会接近性对连接重要性的正效应，但对社会接近性与连接距离的关系没有显著影响。总之，学者们就技术距离与研发合作的内在关系并没有达成一致结论，有必要进一步深入探讨。
综上所述，相关研究成果颇丰，但仍存在以下方面不足：其一，在研究焦点上，大多数实证研究关注合作绩效，而非合作关系本身，尤其是直接聚焦于技术距离与研发合作关系影响机制的不多，事实上技术距离对研发合作二元关系的影响未有深入涉及。究其原因，一定程度上与缺乏有效的因果推断工具有关，比如由于序列相关性问题，传统回归模型并不适合将网络二元关系作为因变量，另外，QAP模型虽然没有序列相关问题，但只能刻画两个网络关系的相关性，且局限于特定分析场景；其二，在概念框架上，忽视了技术系统的复杂性，单一维度的技术距离可能难以全面揭示主体间技术关系；其三，在分析机理上，大多以合作关系的相互独立为潜在假设，忽略了合作网络嵌入的内生相关性，难以刻画技术合作网络的内在动力机制。
针对上述研究缺口，本文在探讨技术距离多维内涵的基础上，提出技术距离对企业研发合作二元关系的影响关系假设，并以石墨烯领域的合作专利为样本，采用指数随机图模型开展实证研究。
最早，Jaffe [8]将技术距离定义为技术主体双方在技术领域分布上的相异关系。这种基于技术结构的界定方法在后续研究中得到较为广泛的认同与应用。当然，也有采用较为简单的计算方法，即以双方技术指标的差值作为度量，如专利申请量之差[9]。这种单一指标显然只度量了技术特征的某个侧面，难以表达技术系统的复杂多样性。一般地，可以将技术距离视为技术主体间的技术差异性。
当然，考察技术距离的困难在于技术本身的复杂性。任何一个技术主体都是由不同技术要素形成的具有特定功能、结构的生态系统，技术系统之间的比较形成了技术距离，这种比较是以技术生态系统为切入视角的[10]。
技术生态位概念为理解技术距离内涵提供了理论启发。类比生态系统，通常将技术生态位界定为技术个体发展所需的技术资源及功能的综合。技术生态位理论认为每个主体都存在适合自身发展的技术生态位(niche)[11]，其特征可以表现在两方面：一是数量规模层面，即技术生态位的宽度和深度分别反映了其生存空间的横纵向范畴；二是结构层面，即技术生态位的内在要素分布与外在结构重叠。技术距离反映了技术生态位的相对关系，且这种技术比较影响了技术生态位的演化发展。
差异化的技术生态位构成了技术竞争及合作的内在动力。一方面，按照技术生态位重叠和分离理论，当企业间的技术生态位存在完全或部分重叠时(技术距离缩小)，会发生激烈竞争，在饱和市场环境下优势企业最终占据重叠的生态位空间；激烈的技术竞争会导致企业实际技术生态位的收缩，实质上对竞争双方都存在负面作用[12]。另一方面，按照技术生态位进化理论[13]，为了规避直接竞争的负面后果，存在潜在技术生态位重叠的企业具有合作动力，而合作有利于扩张双方技术生态位空间，形成共赢局面。可见，技术距离影响甚至决定研发合作状态，而且这种影响路径是复杂的。
综合上述分析，本文认为单维度指标不足以完整刻画技术距离在技术合作生态系统中的作用，有必要从不同层面分析技术距离与合作关系间的相互耦合，因此对已有概念进行整合并构建了多维概念框架，如图1所示。具体地，在规模方面，技术深度、技术宽度反映了技术生态位外延特征；在结构方面，技术多样性反映了技术生态位的内在技术成分结构，技术重叠性反映了技术生态位的外在技术结构重叠程度。相应地，通过比较这些技术特征，可以考察企业间的技术距离。
图1 技术距离的多维特征
(1)技术宽度距离。技术宽度是企业技术创新活动涉及的技术领域范畴[14]，体现了企业技术外延范围，反映了技术生态位的横向广度。技术宽度大意味着涉及多个技术细分领域，技术布局广泛且方向多样，企业技术创新需要融合多种异质性知识要素，因此要求创新主体具有良好的吸收能力[15]，能够整合异质性知识，具有强烈的探索式创新倾向与出众的技术集成能力。反之，技术宽度小的企业更聚焦于狭窄领域，体现出专业化、精细化的技术策略，通常表现出利用式创新倾向。
技术宽度距离定义为企业间技术宽度差距的比较。技术宽度距离是横向技术势差的反映，其为研发合作提供了创新要素组合的空间，这是因为在大多数情况下创新要素的重新组合是创新的重要源泉。技术宽度大的企业以技术集成、知识融合、应用广泛为优势，技术宽度小的企业以技术不可替代性、专业性为优势。两种类型企业合作是一种互补性技术战略，形成研发合作基础。技术宽度小的一方通过合作能够拓展原有技术边界、获得异质性知识；技术宽度大的一方则能够增强技术集成与协同应用能力。基于以上分析，提出研究假设。
H1：技术宽度距离正向促进研发合作关系。
(2)技术深度距离。技术深度体现了企业在垂直技术领域获得的技术优势及创新实力，反映了技术生态位的纵向深度，常常通过技术成果累积数刻画。技术深度越大，企业在该领域内的技术优势越明显，通常为技术领域的核心企业，往往也是研发合作的热门目标。相反，技术深度越小，企业技术能力及知识储备越不足，通常为技术领域的边缘企业，往往具有较强烈的合作动机。
技术深度距离定义为企业间技术深度差距的比较。技术深度距离是纵向技术势差的体现，从技术竞争博弈视角看，其为研发合作提供了基础。若以技术深度为划分依据，研发合作存在3种可能模式，即强强合作、弱弱合作、强弱合作。强强合作双方缺乏足够的一致利益，为了获得领域技术优势甚至垄断地位，激烈的技术竞争导致形成利益冲突与信任缺乏，难以保持长期合作；弱弱合作难以促进技术创新能力提升，缺乏合作意义；强弱合作能够满足双方不同合作动机。具体地，企业技术深度距离大，能够相互满足对方的技术战略需求。一方面，技术落后企业倾向于选择技术领先企业建立研发合作，通过合作接入前沿技术网络，通过技术学习与知识吸收，实现技术追赶；另一方面，技术领先企业希望扩大个体合作网络，利用网络效应扩大自身技术影响力，甚至形成共识的通用技术标准，从而有助于保持甚至扩大技术领先地位。基于以上分析，提出研究假设。
H2：技术深度距离正向促进研发合作关系。
(3)技术多样性距离。技术多样性反映了技术资源分布的均衡程度，着重考察创新资源或技术成果的领域分布是集中还是分散。如果企业将大部分资源集中在少数技术领域，则表明技术布局集中，技术多样性低；反之，技术资源平均分布在多个领域则表明技术知识来源领域多样化。技术多样性刻画了企业技术知识的结构特征，体现了技术资源的丰富程度、技术领域的均衡性。
技术多样性距离定义为合作双方技术多样性差距的比较。技术多样性实质上刻画了企业技术资源的配置模式，因此可以将技术多样性距离理解为技术资源多样化配置的差异程度。不同的技术多样化策略为双方沟通设置了障碍，增加了技术协同管理难度。可见，技术多样性距离增加了合作双方交易成本和沟通难度，降低了技术兼容性与协同性，削弱了研发合作关系的技术基础。基于以上分析，提出研究假设。
H3：技术多样性距离反向抑制研发合作关系。
(4)技术重叠性距离。技术重叠性是指企业间技术应用领域的重合程度，反映了企业技术组织结构的相似程度。技术重叠性越大，说明企业技术资源的分布模式越相似，意味着技术领域的布局、投资策略、竞争格局等方面存在相近性。按照技术生态位理论，这种技术结构相近性易导致技术生态位接近，带来潜在技术冲突[16]，同时意味着存在类似的目标市场。
技术重叠性距离定义为合作双方技术重叠性差距的比较。技术重叠性距离实质上刻画了企业间存在的技术结构性差异，而且这种差异可能源于不同的客户及产品定位。这种结构差异性不利于合作双方进行技术沟通，提高了交易成本，增加了技术复杂性，降低了合作创新效率。虽然技术重叠性距离降低了潜在的技术竞争性，但是异质性知识体系与不同细分领域导致了不同技术路径，缺乏足够技术共识的合作难以获得成功。基于以上分析，提出研究假设。
H4：技术重叠性距离反向抑制研发合作关系。
综上所述，对技术距离多维内涵特征以及其对研发合作关系的影响假设进行归纳，如表1所示。技术距离对研发合作的影响存在多条路径，这些影响效应的方向及程度需要作进一步的实证检验。
表1 技术距离多维特征及影响效应假设
维度指标 内涵 对研发合作关系的影响 规模技术宽度距离技术领域范围差距假设H1:正向促进效应技术深度距离技术知识存量差距假设H2:正向促进效应结构技术多样性距离技术领域分布差距假设H3:反向抑制效应技术重叠性距离技术竞争冲突差距假设H4:反向抑制效应
指数随机图模型ERGM是一种针对网络二元关系的统计建模方法[17]，其将网络边发生的概率建模为各种可能的网络构型(Configuration)。之所以采用指数随机图模型，主要有以下两方面考虑：其一，适用性。如果将合作的交织视为网络，合作关系为网络边，则研发合作影响因素研究可以转化为研发合作网络边的建模问题。指数随机图模型是处理网络边建模的有力工具，具有天然适用性；其二，拟合优势。由于违反了序列无关性假设，传统回归模型难以刻画网络边的内生相关性，而ERGM模型能够度量网络的内生结构嵌入性，具有模型拟合优势，可提高模型结果解释性。
具体地，将事实网络y视为随机网络集合Y的某个具体实现，网络y的发生概率依赖于可能的网络构型、节点属性和边属性。网络构型可以是特定的某种结构模式，例如三角结构、星型结构等。这里网络构型为模型内生变量，节点属性及边属性为模型外生变量。一般地，将事实网络发生的概率模型化为指数函数形式，如公式(1)所示[18]。
(1)
其中，X代表依赖于节点或边的网络协变量向量，g(y, X)代表由网络构型变量和外生性协变量组成的向量；θ代表变量前的常数向量，它是需要拟合求取的模型参数，其取值大小体现了相应变量对事实网络形成的贡献程度；κ(θ,y)代表了模型的归一化因子，以确保所有可能网络样本发生的概率总和为1，即∑z∈Yexp{θTg(z,X)}=1。
θ是模型结果分析的重点关注部分，进一步可以将其解释为网络变化量对网络生成对数几率的贡献程度，如公式(2)所示。
(2)
式中，logit是对数几率函数，可以表达为log[p/(1-p)]，其中，p代表网络边发生的概率；
代表保持边Yij之外其余部分不变的随机网络集合；δg(y)ij表示边yij由0变为1引致变量g(yij)发生的变化。可以将公式左边理解为：Yij之外其余网络连接部分保持固定，边Yij发生连接的对数几率；公式右边可以解释为：变量g(yij)每增加1个单位，则边Yij发生连接的对数几率增加到θ倍。因此，通过θ的正负和大小，可以了解相应变量对网络边产生的边际贡献率。
2.2.1 基本思路
按照指数随机图模型理论，以企业为网络节点，合作二元关系(发生为1，否则为0)为网络边，将合作关系发生概率建模为相关网络的内生变量与外生变量[19]，将技术距离度量为两企业节点属性差的绝对值，模型中记为Diff(δ)，δ代表某个属性指标，如表2所示。该统计值越大，说明企业间技术距离越大。如果其在模型中的拟合系数显著为正，则说明该技术距离正向促进合作关系建立，且拟合系数越大，这种影响效应越显著；否则相反。值得注意的是，技术距离在模型中被设定为外生变量。
另外，模型中还加入了有关网络构型作为内生变量，以刻画结构嵌入效应。已有研究往往对研发合作网络关系的外生、内生机制单独进行探讨，即或者采用仿真方法模拟研发合作关系的相互耦合动力机制，或者采用定量模型分析技术属性对合作关系的影响程度，未将两者纳入同一框架进行度量和分析。因此，已有文献获得的技术距离对合作关系的影响效应可能是偏颇的，是混杂了合作网络内生效应的结果。
按照指数随机图模型理论，作为二元关系的网络边存在自相关性，一条边的发生概率可能以其它相邻边的发生为条件，由此涌现出某种特定的网络结构倾向[20]。这种影响效应是网络的内生动力机制，这种结构效应虽然已被创新理论学界关注，但是对其因果效应的度量却鲜有提及。因此，选择有关典型构型变量加入模型以控制网络内生性，如表2所示。这种通过ERGM模型获得的结果是剔除内生影响后的净效应，有助于提高结论的准确性与解释力。
表2 ERGM模型统计量含义
统计量名称图例机制解释diff(δ)节点属性差差异性属性δ差值大的节点间是否倾向发生联结gwdegree几何加权度分布项扩张性是否倾向嵌入星型结构gwesp几何加权边共享伙伴闭合性是否倾向嵌入闭合三角结构edges边数N/A网络边的基础效应
2.2.2 变量界定
技术距离变量定义为相应维度技术指标差的绝对值。值得注意的是，变量定义及计算均建立在合作专利基础上，同时也是实证研究的样本对象。为不失一般性，通过合作专利数揭示研发合作机制，主要基于两方面考虑：一方面，专利已经成为揭示技术创新活动的最常见分析工具；另一方面，如果企业双方能够共同申请专利并共享所有权，足以说明双方间存在高度信任、紧密的技术关系以及实质性的研发合作活动。这种研发合作的界定方法客观严谨，数据来源公开权威，确保了样本的可靠性和研究便捷性。
(1)技术宽度。技术宽度通常通过技术领域范围度量。例如张古鹏等[21]采用专利副分类号覆盖的所有技术领域衡量技术宽度，设计了考虑技术领域相关性的加权宽度。借鉴相关研究，本文将用企业专利覆盖的技术领域数量反映技术宽度，记为变量width。具体地，技术领域划分采用国际专利分类方法IPC。作为国际通用的专利分类体系，其将整个技术体系分为5个不同等级，包括部、大类、小类、大组、小组。过细或过粗的划分粒度都不利于分析，经过尝试比较，以IPC号的大组作为划分依据，计算技术宽度。另外，其它变量计算中涉及的技术领域都采用相同划分方法。
(2)技术深度。技术成果数量直接反映了企业在该领域的技术创新能力与水平。因此，将技术深度指标用企业获得的所有专利数量体现，记为变量depth。
(3)技术多样性。技术多样性反映了技术领域的均衡性、丰富性。这里借鉴反映产业集中度的HHI指数[22]，间接测度企业技术多样性水平。技术集中度HHIi采用企业i专利涉及技术领域的占比平方和衡量，进而得到技术多样性计算公式。
(3)
其中，Pik代表企业i在第k个技术领域获得的专利数量，Pi代表企业i所有的专利数量，K表示所有技术领域数量。由上述界定可知，技术多样性的最小值为0，此时所有专利都集中在1个技术领域；当专利平均分布在各技术领域时，取得最大值1/K。
(4)技术重叠性。技术重叠性可以通过技术领域重叠程度加以刻画。将技术重叠性overlayi定义为企业i与其它所有企业的平均技术重叠性，如公式(4)所示。
(4)
其中，sim(i, j)代表企业i和j的技术重叠性，M代表所有企业数量。技术重叠性用企业i和j的技术分布接近程度表示，采用余弦相似度公式得到：
(5)
其中，Pik和Pjk分别代表企业i与j在技术领域k的专利数。
2.2.3 控制变量
为了控制网络结构效应，加入两个代表性网络构型，即几何加权边共享伙伴gwesp(geometrically weighted edge-wise shared partners)与几何加权度分布项gwdegree(geometrically weighted degree distribution)，分别代表三角结构与星型结构，具体定义如表2所示。变量gwesp表示共享伙伴节点边分布的几何加权和，权重值随共享伙伴节点数增加而衰减。如果变量gwesp系数显著为正，说明网络倾向于形成闭合三角结构。变量gwdegree定义为网络度分布项的几何加权和，权重值随节点度增大而衰减。如果变量系数显著为正，说明网络倾向于形成“中心-边缘”的星型结构。另外，上述两变量有利于降低模型退化风险[23]。
选取石墨烯作为实证领域。石墨烯以其优异性能、巨大商业前景成为世界各国重视的主要竞争领域，存在技术合作基础和需求，是极佳的研究对象。数据源取自具有极高创新价值的美国专利数据库。具体地，以公开的美国授权专利数据库(PatFT)为检索工具，采用高级检索页面，查询专利文本标题或摘要中包含关键字“graphene”的所有数据记录。设计检索表达式为“ttl/graphene or abst/graphene”，初步查询得到数据1 800条，时间覆盖2005-2017年。进一步，对数据进行筛选，对企业名称进行规范化编码处理，删掉非企业专利、非合作专利，最终得到183条专利样本。从专利文本中抽取建模分析需要的元数据，主要包括：专利权所有人、IPC。
以企业为节点、共同申请专利为边，构建企业研发合作网络。网络包含节点(企业)166个、无向边(研发合作)200条。然后，构建166×166的邻接矩阵M，如果企业i和j至少存在1项合作专利，则Mij记为1，否则为0。矩阵元素Mij代表网络边，为模型中的因变量。
整体上，研发合作网络的密度为0.015、平均最短路径为2.011、全局聚类系数为0.109。利用网络拓扑特征，可以判断研发合作网络较为稀疏，没有形成高连通、高密度，反映出作为新兴技术领域，石墨烯处于技术发展初期，存在较大技术合作潜力。
表3给出了有关变量的描述性分析结果：技术宽度均值为6.474，说明每个企业平均约覆盖6个IPC大组的技术领域；技术深度均值为5.115，说明每个企业平均约获得5项授权专利；技术多样性均值为0.503，处于可能取值的中间水平，说明大部分企业技术集中程度适中；网络中心性均值为2.409，说明平均每个企业约有2个合作伙伴；技术重叠性均值为0.137，说明企业约13.7%的领域存在潜在技术重叠。值得注意的是，技术深度表现出较大标准差(17.849)，说明该领域企业创新实力分布的波动性大，存在两极分化倾向。在技术距离方面，各指标都表现出高均值倾向，技术距离分布的长尾效应明显。
表3 模型变量描述性分析结果
变量 均值中位数标准差最小值最大值技术宽度width6.47648.274166技术深度depth5.114117.8491162技术多样性diversity0.5030.6670.35500.934技术重叠性overlay0.1370.1040.1000.0010.320技术宽度距离diff(width)6.01949.362065技术深度距离diff(depth)4.306124.1630161技术多样性距离diff(diversity)0.3890.3010.31800.934技术重叠性距离diff(overlap)0.1140.0960.08500.319
采用R中的STATNET软件包对构建的指数随机图模型进行参数拟合，采用马尔可夫链蒙特卡罗极大似然估计法(MCMC MLE)得到模型参数估计值及检验结果。单个变量的显著型水平通过t检验，模型的整体拟合程度符合AIC与BIC准则。模型1-模型4分别只加入1个技术距离变量，模型5则加入全部变量。整体上，各模型拟合效果良好，除个别控制变量外，都通过了显著性检验，拟合结果如表4所示。
表4 ERGM模型拟合结果
变量模型1模型2模型3模型4模型5技术宽度距离diff(width)0.084∗∗∗0.101∗∗∗(0.008)(0.023)技术深度距离diff(depth)0.034∗∗∗0.016∗(0.003)(0.008)技术多样性距离diff(diversity)-2.383∗∗∗-3.067∗∗∗(0.389)(0.448)技术重叠性距离diff(overlap)-9.271∗∗∗-10.377∗∗(1.517)(1.512)边edges-1.391∗-0.405-1.358∗∗-1.193∗1.347(0.584)(0.666)(0.471)(0.486)(0.742)几何加权边共享伙伴gwesp1.496∗∗∗1.48∗∗∗1.395∗∗∗1.377∗∗∗1.327∗∗∗(0.194)(0.195)(0.185)(0.186)(0.199)几何加权度分布项gwdegree-2.488∗∗∗-2.887∗∗∗-1.634∗∗∗-1.656∗∗∗-3.136∗∗∗(0.316)(0.356)(0.236)(0.235)(0.387)AIC1126110511641164980BIC11641142120112021048
注：括号中为参数估计量的标准差；***、**、*分别代表p<0.001、p<0.01、p<0.05
模型1考察了技术宽度距离对研发合作的影响，结果支持研究假设H1。变量diff(width)系数为0.084，意味着技术宽度距离每增加1个单位，共同申请专利几率增大到1.088(=e0.084)倍，说明技术领域覆盖范围差距越大，越倾向于建立研发合作关系，即技术宽度距离对研发合作存在正向促进效应。
模型2考察了技术深度距离对研发合作的影响，结果支持研究假设H2。变量diff(depth)系数为0.034，意味着技术深度距离每增加1个单位，共同申请专利几率增大到1.035(=e0.034)倍，说明技术深度差距越大，越倾向于建立研发合作关系，即技术深度距离对研发合作存在正向促进效应。
模型3考察了技术多样性距离对研发合作的影响，结果支持研究假设H4。变量diff(diversity)系数显著为负(-2.383)，意味着技术多样性距离每减少1个单位，共同申请专利几率增大到10.838(=e2.383)倍，说明技术多样性差距越大，建立研发合作关系的几率越小，即技术多样性距离对研发合作存在反向抑制效应。
模型4考察了技术重叠性距离对研发合作的影响，结果支持研究假设H5。变量diff(overlay)的系数显著为负(-9.271)，意味着技术重叠性距离每减少1个单位，共同申请专利几率增大到10625(=e9.271)倍，说明技术重叠性差距越大，建立研发合作关系的几率越低，即技术重叠性距离对研发合作存在反向抑制效应。
模型5用于检验模型结果的稳健性。模型5中4个技术距离变量都通过了5%的显著性水平t检验，拟合参数的取值、方向、显著性都与前4个模型保持一致，说明模型结果稳定，具有较高可信度。
控制变量方面。变量gwesp的系数显著为正，说明企业研发合作倾向于形成三角拓扑结构，即研发合作倾向于嵌入三角结构；变量gwdegree的系数显著为负，说明研发合作不倾向于嵌入星型结构。网络构型的显著效应说明结构效应在研发合作网络中不可忽视，通过利用模型控制这种效应，有助于深入探讨技术距离在研发合作中的作用机制。
在探讨技术距离多维内涵的基础上，提出了技术距离对企业研发合作关系影响的研究假设。以石墨烯领域的合作专利为样本，采用指数随机图模型，开展实证研究。研究得出：技术宽度距离、技术深度距离有利于企业建立研发合作关系；技术多样性距离、技术重叠性距离不利于企业建立研发合作关系。进一步，通过实证结果得到以下启示。
实证结果揭示了研发合作在技术距离不同维度上表现出不同响应机制，规模层面的技术差距有利于合作关系，而结构层面的技术差距不利于合作关系。进一步的解释在于：一方面，规模层面的技术距离能够为合作双方带来新的要素组合可能，扩展了潜在创新空间，进而形成双方研发合作创新动力；另一方面，结构层面的技术接近为合作双方的知识交流与技术兼容提供了基础，降低了交易成本，提升了技术协同性，进而形成双方研发合作的创新基础。
理论层面，上述结果说明研发合作不仅需要关注技术距离的最佳位置，还需要注意不同维度下技术距离对研发合作影响机制的差异性。该观点从新角度阐释了技术距离与研发合作关系之间的复杂影响，已有文献往往仅关注于技术距离的最佳位置，虽然主流观点认为两者存在非线性关系，但事实上在理论机制及结果解释上存在诸多分歧，产生分歧的原因可能源于忽视了技术关系的多维内涵及不同影响路径的差异。本文从规模与结构两个层面解析了技术距离对研发合作关系的多条影响路径，在多维视角下正、反方向效应的共存反映出两者因果关系的辩证统一性，弥补了已有分析框架的片面性，且基于技术多维的分析框架及结果更有助于弥合原来的观点分歧。
实践层面，研发合作关系的复杂多维路径机制为企业优化技术网络提供了有益参考。我国企业在技术追赶、学习过程中存在一定认知误区，即一味以技术先进、实力雄厚企业为合作目标，反而易陷入先进技术难以内化、本地化的困境。究其原因，可能忽视了双方技术体系的匹配性，没有意识到由技术多样性、技术重叠性差距可能引致的负面效应。因此，选择研发合作伙伴时需要全面考虑双方在技术规模与结构方面的差异性。一方面，优先选择创新实力与技术范畴具有互补性的合作方，充分释放技术距离的正向效应，另一方面，尽量避免选择创新目标相容性与技术兼容性低的合作方，极力降低技术距离的潜在负面效应，促进多维技术距离因素间形成良性协同。
虽然网络构型只是作为模型的控制变量，但实证结果揭示出显著的结构效应，这是现有研究所忽视的。研究结果说明研发合作关系更倾向于形成路径联通的三角结构，而非中心-边缘分布的非平衡结构，反映了网络嵌入结构差异是研发合作关系研讨中不应被忽视的要素。结构效应反映出研发合作的社会化属性是合作网络自身涌现出的一种特征，其有助于深刻认知研发合作的复杂网络属性及非线性动力机制，更有助于深化开放式创新的理论内涵。研发合作关系结构效应为企业扩展外部网络提供了重要参考，要求企业不仅要重视构建合作研发直接关系，还应充分关注并利用合作对象关系，形成多元连接的平等合作网络，促进技术交流与融通，而非形成以自身为中心的技术关系垄断。大数据技术以及以指数随机图为代表的网络建模技术的成熟，为深入揭示研发合作网络的复杂机制提供了条件。因此，无论是理论研究还是实践活动，都应加强对结构效应的分析和应用。
本文贡献主要体现在两方面：一是以技术生态位理论为依据，将研发合作技术距离因素系统地扩展至多维结构，并揭示了技术距离在规模与结构维度上对二元研发合作关系的不同作用机理。研究发现，规模层面的技术差异有利于合作关系构建，而结构层面的技术差异不利于合作关系构建。进一步的解释在于：规模层面的技术距离能够为合作双方带来新要素组合，扩展了潜在的创新空间，进而形成双方研发合作创新动力；结构层面的技术接近为合作双方的知识交流与技术兼容提供了基础，降低了交易成本，提升了技术协同性，进而形成双方研发合作的创新基础。二是以指数随机图模型为工具，控制关系结构的内生效应，检验了影响企业研发合作二元关系的多维技术距离因素的显著性。嵌入网络的合作关系可能存在内在关联性，忽视这种潜在相关性的传统回归模型会导致估计结果存在偏误，进而难以有效识别影响合作关系的关键因素。将指数随机模型引入并应用于企业研发合作关系研究，能够有效地证实技术合作与研发合作二元关系间的因果机制，为创新网络研究提供新的工具选择。另外，实证结果也充分说明了内生结构效应显著存在，不同结构模型具有差异化影响机制，更印证了在研发合作关系建模中使用指数随机图模型的必要性与合理性。
当然，研究也存在一定局限性：其一，实证选取的石墨烯是典型的新兴技术，有必要选择其它相对成熟的技术领域，以检验结论的普适性；其二，度量模型建立在简单合作网络基础上，未反映研发合作深入程度，未来有必要考虑加权网络，扩展模型并深化研究结论。
[1] COZZA C, ZANFEI A.Firm heterogeneity, absorptive capacity and technical linkages with external parties in Italy[J].Journal of Technology Transfer, 2016, 41(4): 1-19.
[2] ENKEL E, GROEMMINGER A, HEIL S.Managing technological distance in internal and external collaborations: absorptive capacity routines and social integration for innovation[J].Journal of Technology Transfer, 2017(1): 1-34.
[3] HADDAD M, HARRISON A.Are there positive spillovers from direct foreign investment? evidence from panel data for Morocco[J].Journal of Development Economics, 1993, 42(1): 51-74.
[4] 周华, 韩伯棠.基于技术距离的知识溢出模型应用研究[J].科学学与科学技术管理, 2009, 30(7): 111-116.
[5] 赵倩.技术距离、地理距离对跨区域技术合作的影响研究[D].合肥: 中国科学技术大学, 2016.
[6] 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.
[7] 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.
[8] JAFFE A B.Technological opportunity and spillovers of R&D: evidence from firms' patents, profits, and market value[J].NBER Working Papers, 1986, 76(5): 984-1001.
[9] 易靖韬, 蒙双, 蔡菲莹.外部R&D、技术距离、市场距离与企业创新绩效[J].中国软科学, 2017(4): 141-151.
[10] 付英.区域高技术产业技术生态位测评实证研究[J].中国科技论坛, 2017(4): 134-140.
[11] 曹兴, 李文.创新网络结构演化对技术生态位影响的实证分析[J].科学学研究, 2017, 35(5): 792-800.
[12] 张敬文, 江晓珊, 徐莉.战略性新兴产业技术创新联盟合作伙伴选择及评价研究——基于技术生态位视角[J].科技管理研究, 2016, 36(5): 127-132.
[13] 郭妍, 徐向艺.企业生态位研究综述:概念、测度及战略运用[J].产业经济评论, 2009, 8(2): 112-126.
[14] 潘海英, 郑垂勇, 刘丹丹, 等.技术生态位结构特征对技术变迁影响的实证研究——基于现代生物技术专利面板数据的分析[J].科学学研究, 2011, 29(6): 825-832.
[15] ZOBEL A K.Benefiting from open innovation: a multidimensional model of absorptive capacity[J].Journal of Product Innovation Management, 2017, 34(3): 269-288.
[16] 姚艳虹, 陈彦文, 周惠平.技术创新网络中企业生态位对二元式创新的影响[J].科技进步与对策, 2017, 34(19): 1-7.
[17] ROLLS D A, ROBINS G.Minimum distance estimators of population size from snowball samples using conditional estimation and scaling of exponential random graph models[J].Computational Statistics & Data Analysis, 2017(116):32-48.
[18] GOODREAU S M.Advances in exponential random graph(p*)models applied to a large social network[J].Social Networks, 2007, 29(2): 231-248.
[19] PENG T Q.Assortative mixing, preferential attachment, and triadic closure: a longitudinal study of tie-generative mechanisms in journal citation networks[J].Journal of Informetrics, 2015, 9(2): 250-262.
[20] LUSHER D, KOSKINEN J, ROBINS G.Exponential random graph models for social networks: theories, methods and applications[J].Social Networks, 2013, 31(1): 12-25.
[21] 张古鹏, 陈向东, 牛欣.基于专利宽度和深度的技术复杂度分析[J].科研管理, 2012, 33(3): 113-120.
[22] PAVIC I,GALETIC F,PIPLICA D.Similarities and differences between the CR and HHI as an indicator of market concentration and market power[J].British Journal of Economics Management & Trade,2016,13(1): 1-8.
[23] RELUN A, GROSBOIS V, ETTER E, et al.Prediction of pig trade movements in different european production systems using exponential random graph models[J].Frontiers in Veterinary Science, 2017(4):1-12.