地理邻近与认知邻近对高新区创新绩效的影响——基于社会网络分析

李 琳，王晓峰

（湖南大学经济与贸易学院，湖南长沙410079）

●区域创新

地理邻近与认知邻近对高新区创新绩效的影响
——基于社会网络分析

李 琳，王晓峰

（湖南大学经济与贸易学院，湖南长沙410079）

文章通过探讨地理邻近与认知邻近对高新区创新的影响机理，以我国56个国家级高新区为研究对象，采用社会网络分析和计量经济分析相结合的方法，就地理邻近与认知邻近对高新区创新绩效影响进行实证研究。结果表明：地理邻近对高新区创新绩效影响呈现“S”形变化特征；认知邻近对高新区创新绩效产生显著促进作用；地理和认知邻近的组合对高新区创新产生交互影响，且交互影响表现为互补效应；此外，人力资源投入和科技经费支出对高新区创新产生显著正效应。

地理邻近；认知邻近；社会网络分析；高新区；创新绩效

一、引言

在建设创新型国家的战略背景下，高新区作为国家创新系统的重要组成部分，在实现我国经济转型发展中发挥着越来越重要的作用。随着隐性知识和知识溢出理论的提出，关于高新区创新驱动因素分析已不仅仅局限于传统的物质“硬”投入，包括邻近性视角在内的“软”驱动因素与创新研究逐渐成为学术界关注的焦点。

在国外，以多维邻近性学派及其他欧盟学者为代表的研究者从理论层面和实证层面均对邻近性进行了较充分的探讨。Boschma、Torre和Gilly等学者对邻近性论题进行了相关的理论分析，并将单一的邻近分析视角拓展到多维邻近，进而解释邻近性对创新影响效应的性质和机理［1-3］；Broekel、Boschma、Aldieri和Balconi等学者就邻近性对创新的影响进行了实证研究，验证了包括地理邻近、认知邻近、组织邻近和技术邻近在内的多维邻近性对创新的重要影响［4-6］。Ponds、Frenken、Petruzzelli和Albino等学者甚至探讨了多维邻近性之间的交互作用对创新的影响机制，并作了相应的实证分析［7-8］。

国内关于高新区创新研究的视角大都局限于“硬”驱动因素对创新绩效的影响［9-11］，而以邻近性为“软”驱动因素的创新研究较少。由于多维邻近概念的模糊性制约了对邻近性论题的深入探讨，使得对邻近性的定量测度比较困难。饶扬德、李福刚、龚艳平等人仅从理论层面探讨了邻近性对创新的影响［12-14］。李琳，韩宝龙根据邻近性可分性和可测度性原则，从组织合作视角将多维邻近性重新划分为地理邻近、认知邻近和组织邻近［15］。在对邻近性的定量测度做了有益的基础性工作之后，关于邻近性与创新论题的实证研究才有效展开。李琳，韩宝龙探讨了地理邻近对高新区创新绩效的影响效应，验证了地理邻近对高新区创新绩效的正向影响［16］。李琳，杨田从多维邻近性视角出发探讨了地理邻近、组织邻近对集群创新的影响机制，并以我国汽车产业集群为例进行了实证分析，验证了地理和组织邻近之间的交互影响效应［17］。

综上，西方学者在邻近性与创新的理论机制和实证研究方面已取得一定成果。国内关于邻近性的研究明显滞后，有关高新区创新的一般研究视角主要集中人才、资本等“硬”驱动因素上，以邻近性等“软”驱动因素作为研究思路的成果较少；大部分文献忽视了高新区创新系统的内生结构，未能刻画出高新区创新网络的创新特征。高新区是国家创新系统的一个核心组成部分，节点之间应该是互动的，互动的效率和频率决定了创新绩效的高低，为了刻画网络节点之间互动产生的创新活动，新的研究方法应该成为下一步尝试的重点。

二、邻近性对高新区创新的影响机制

（一）高新区的创新特征

高新区主体是高新技术产业集群，创新是高新区的本质特征。高新区的创新不同于一般的区域创新，它具有鲜明特征：第一，网络性。高新区内作为创新主体的企业、大学、科研机构和政府相互融合交流，形成了合作创新网络。各个主体不仅具有自我创新能力，它们之间的互动交流更能产生创造性协同作用，产生“整体大于局部”的协同创新效应。第二，综合性。高新区作为一种特殊的区域创新系统，其创新能力是各个创新主体的创造性集成，而集成所形成的整体创新往往大于各单一主体创新的简单叠加，这体现了高新区创新的综合性。第三，直观性。高新区作为高新技术产业集群的载体，其创新表现在高新技术产品和服务的输出，即可以通过高新技术产品在市场上销售而获得的收入来体现。

（二）地理邻近性对高新区创新的影响机制

地理邻近性是文献中最常出现的邻近性概念，在多维邻近性中具有基础作用，它是指主体之间绝对或相对意义上的空间或物理距离。在一般分析层面上，地理邻近就是指相关成员的地理聚集，而在二元分析层面上，它是指两个互动成员之间的距离。有学者将其明确定义为：两单位之间的公里距离。相近的地理距离能轻松地将主体聚在一起，从而推动信息知识尤其是隐性知识的交流；主体间距离越远，积极的外部效应越少，隐性知识的转移更加困难。

关于地理邻近对区域创新影响机制的文献很多，概括而言，地理邻近对高新区创新的影响机制表现如下：第一，园区内企业之间的地理邻近可通过缩短人力、资源运输距离来减少有形的交易成本，进而在生产层面促进创新；第二，地理邻近能够增加企业、大学和科研机构之间面对面交流的可能性，有利于产学研合作创新的顺利进行，从而提高成员间信息交换的频率和效率，确保隐性知识的转移和创新活动的产生。

显然，地理邻近对促进高新区创新活动有积极影响，但有学者认为过度的地理邻近会造成经济系统的封闭性，并对高新区创新产生负面影响，从而抑制创新。原因在于：第一，过度地理邻近会产生自我封闭意识，这将大大减弱高新区主体之间的联系；第二，过度地理邻近会造成创新主体“搭便车”现象，因为频繁的知识交流会降低企业对知识产权的保护意识。基于此，本文提出假设H1：地理邻近对高新区创新的影响呈现倒“U”形特征。

（三）认知邻近性对高新区创新的影响机制

西方学者通常定义认知邻近为“主体感知、诠释和理解世界时的相似性”［18］。认知邻近是一个包含技术邻近在内的内涵更广泛的概念，具体包括主体间的共同语言、目标以及相近的技术水平和知识基础，在此基础上的邻近更具有认知邻近的创新特征。故认知邻近侧重从相互沟通视角刻画主体间因技术和语言文化的相似性而表现出来的认同感，并通过成员间相似而并非一致的认知水平促进知识的流动和转移，从而促进创新。

认知邻近对高新区创新的影响机制可概括为：第一，在文化层面上，由相似的知识基础和文化背景所形成的认知邻近性使高新区创新网络中主体间的沟通更加流畅，从而帮助企业高效地从合作机构那里获取资源和溢出知识；第二，在技术层面上，基于创新主体间共有的技术及经验基础可有效降低技术模仿成本，从而提高了园区内的不同企业之间、不同园区的相似企业之间的合作概率，形成了进行创新活动的前提条件。基于此，本文提出待验假设H 2：认知邻近对高新区创新绩效有正影响。

（四）地理和认知邻近性对高新区创新的交互影响机制

地理邻近对互动式学习和创新有重要影响，但不能孤立地评价地理邻近的作用，而必须同其他维度的邻近相结合来考察。地理邻近和认知邻近的结合会对创新产生交互影响效应，并存在互补效应和替代效应两种观点。互补性效应学者认为：地理邻近能为认知上的相互影响提供方便，有利于主体间面对面交流，从而确保隐性知识共享。此外，地理邻近下产生的相同的编码方式、语言和文化习惯，是界定认知团体的基础，因此地理邻近能促进认知邻近的形成，两者存在正相关关系［19］。替代性效应学者则认为地理和认知邻近之间并不一定存在正相关性，也有可能负相关甚至无关。因为地理邻近并不一定会带来认知邻近，而认知邻近也有可能凭借相似的认知水平来克服地理邻近的不足，因此在创新过程中地理邻近对认知邻近的促进作用并不绝对［20］。

地理邻近主要通过增强其他维度的邻近来实现促进互动式学习，因此不能忽视交互式作用对创新的影响。概括而言，地理和认知邻近的组合对高新区创新的交互影响机制如下：第一，在高新区创新网络中，地理邻近能为认知上的相互影响提供有利基础，促进园区内企业的交互作用与创新。第二，认知邻近是高新区内企业产生交互学习和创新的前提条件，但认知邻近并不能促进地理邻近的提高；第三，对高新技术企业合作创新而言，认知邻近比地理邻近更重要，因为企业间的合作更注重双方的合作潜力而不是地理距离。理论上，地理邻近与一定的认知相互结合就足以产生交互影响，故本文提出假设H3：地理和认知邻近在促进高新区创新中存在交互作用，并将假设H3分解为H3a和H3b，其中H3a：地理和认知邻近的组合对高新区创新产生交互作用，交互作用表现为互补关系；H3b：地理和认知邻近的组合对高新区创新产生交互作用，交互作用表现为替代关系。图1简要描述了地理邻近与认知邻近对高新区创新的影响机理。

图1 地理邻近与认知邻近对高新区创新的影响机理

三、邻近性对高新区创新绩效的实证分析

（一）研究方法选择

梳理相关文献，可以发现众多学者研究邻近性对创新影响所采用的是问卷调查和统计分析相结合的方法，个别学者尝试过人工神经网络为先导的计量经济分析方法。但是，这些方法却忽视了创新主体之间的互动，而这种互动正是主体间交互产生创新活动的本质特征。本文在相关研究的基础之上，创造性地将社会网络分析运用到邻近性的实证研究上，寻求方法上的新突破。社会网络是由多个主体及它们间的关系组成的集合，它可以对各种关系进行精确的量化分析，从而为某种中层理论的构建和实证命题的检验提供量化的工具，并建立“宏观和微观”之间的桥梁［21］。

高新区是区域创新系统的核心，创新产生于高新区创新网络中的各个节点（企业、高校、政府、科研机构等），是各个节点互动学习的结果，这种相互依存、相互学习的交互式网络使得知识交流的范围更加广泛，极大地提高了创新的效率和频率［22］。前面已经提到，高新区创新具有网络性和综合性特征，作为一种特殊的网络组织，高新区拥有网络组织的创新优势，其内部各个创新主体会因为互动而形成相对稳定的网络创新体系，并对创新活动产生影响。因此，相对于传统方法，社会网络分析法能够直观而清晰地刻画出高新区创新网络的创新特征，更适合探究影响高新区创新的本质因素。考虑到数据的可获取性，本文以56个国家级高新区为研究节点，以社会网络分析和计量经济分析相结合的方法来探究影响高新区创新绩效的本质因素。

（二）指标选取和数据来源

高新区创新绩效（Y）：关于创新绩效这一指标的测度有很多，一般有新产品的产值、主营业务收入等。由于高新区新产品产值尚未出现准确统一的衡量标准和统计数据，故本文采用高新区全年收入来近似衡量高新区的创新绩效。

地理邻近（G）：地理邻近的测度一般分为两个层面，在一般研究层面，相关组织的地理聚集就是该区域的地理邻近，而在二元研究层面，则是指两个互动组织或区域之间的地理距离。本文在二元研究层面基础上，拟采用各个高新区所在城市之间的地理距离表示该指标。

认知邻近（T）：认知邻近侧重于主体间相似的认知方法和沟通手段，且主要作用于企业间的研发合作。本文定义的认知邻近涵盖了主体间技术知识和经验文化上的相似性，考虑到不同高新区可能存在相同或相似的主导产业，而发展相同类型的主导产业需要相同或相似的技术经验和知识作为支撑，因此相同主导产业个数可以界定最低的认知邻近基础。关于主导产业对认知邻近的具体测度方法见下节阐述。

其他控制变量：人力资源投入（L），本文采用高新区内科技活动人员数来表示；科研投入（K），拟采用科技活动经费支出表示该指标。

本文数据主要来源于《中国科技统计年鉴2013》和《中国火炬统计年鉴2013》，科技部火炬中心网址以及谷歌地图。

（三）数据处理

本文选取的研究工具是目前最流行的社会网络分析软件—Ucinet，该软件具有强大的矩阵分析功能，且全部数据都以矩阵形式来存储和描述。地理邻近数据是由56个国家级高新区所在城市之间的地理距离组成的，数据在25～4 650km之间，总共3 080个节点，面对如此庞大的数据矩阵，为了进一步分析的简便性，本文有必要先对数据进行处理。图2所示的是运用Matlab软件所做的关于所有样本地理邻近数据的频率分布图。

图2 地理邻近数据样本所呈现的频率分布

区域之间的地理距离差异很大，大致呈现一个倒“U”字形状，根据图形变化趋势，样本数据可大致分为三段：短程距离、中程距离和远程距离。在此基础上，本文可建立三个变量：①距离为0～800km的地理邻近水平；②距离为800～2 000km的地理邻近水平；③距离为2 000km以上的地理邻近水平。为了便于Ucinet对矩阵进行分析，需要把矩阵中全部数值二值化为0或1。Ucinet软件中的Recode菜单可对矩阵重新进行编码，本文可先把0～800km这一区间赋值为1，其余距离赋值为0，形成第一个地理邻近矩阵SG。同理，再分别对另外两个区间赋值，形成相应的地理邻近矩阵MG和LG。

通过选取56个国家级高新区中的十种产业，每个地区都会以其中一种或几种产业为主导。应用Ucinet软件中的NetDraw模块，可以作出高新区—主导产业的网络关系图（见图3），其中方形节点表示主导产业，圆形节点代表高新区所在城市。

图3 高新区—主导产业网络关系

从图3中可以看出，大部分高新区都以电子信息、生物医药、新材料和机电一体化作为主导产业，若两个地区拥有比较类似的主导产业结构，那么它们进行技术交流可能性就会大大增加，因为每一项技术都有一个最低的认知基础，只有主体之间的认知基础足够接近时，知识的理解、交流甚至持续创新才会存在。为了界定高新区之间的最低认知基础，通过计算发现，每个高新区的主导产业平均类型为3.5，因此本文认为高新区之间主导产业相同类型为3及以上，则满足最低的认知基础。根据Ucinet中的Affiliations菜单，将上述“地区—产业”二模矩阵转化为“地区—地区”一模矩阵。在“地区—地区”矩阵中，若节点数值在3及以上，本文将其赋值为1，其余赋值为0，这就是认知邻近矩阵T。

此外，为了验证地理和认知邻近性之间的交互作用，对上述四个矩阵进行处理，将矩阵SG、MG和LG分别同矩阵T相加，将得到的新矩阵二值化处理：把同时具有地理和认知邻近的点赋值为1，其余赋值为0。并将其命名为矩阵ST、MT和LT，它们表示的是不同地理范围内的地理和认知邻近组合矩阵。

综上所述，本文已经建立了七个邻近性矩阵，为了量化每个节点与其他节点之间的关系，需要引入社会网络分析中的一个重要指标——中心度。确切地说，中心度是指“点的中心度”，它注重对个体权利的量化分析。中心度指标有很多种：点度中心度、中间中心度和接近中心度［23］。本文采用的是中间中心度，因为中间中心度刻画的是一个节点控制网络中其他节点之间交往的能力，它依赖于行动者与网络中所有节点之间的关系，而不仅仅是与邻点之间的直接关系。本文认为，拥有较高中间中心度的高新区在创新网络中占有核心地位，因为处于这种位置的节点可以控制隐性知识的传播，这对提升高新区创新网络绩效十分关键。

关于中间中心度的测量，假设任意两点之间存在的捷径数目用g来表示。第三个点i能够控制此两点的交往的能力用b(i)来表示。两点之间存在的经过点i的捷径数目用g(i)来表示。对于任意两点j和k来说，i位于j和k之间捷径上的概率为：

把点i相应于图中所有点的中间度加在一起，就得到该点的绝对中间中心度。用公式表示为：

虽然关于中间中心度的测量是十分烦琐的，但是这一测度仍然具有直观意义，因为处于这一位置的主体可以通过控制信息的传递而影响整个网络。中心度越高，邻近性越强。中间中心度测量的是行动者对资源控制的程度，若一个节点的中间中心度较高，则该点就能凭借自身的“核心”位置而吸纳网络中的优势信息资源，并辐射到整个创新网络，从而促进创新活动的产生。在Ucinet软件中，点的中间中心度可以轻松地测算出来［24］。整理完各个矩阵中心度的数据，就可以构建模型并进行实证检验了。

（四）模型构建与实证检验

本文采用Eviews软件来构建模型并检验各个变量的显著性，为了避免多重共线性，应采取线性函数和指数函数相结合的方式建立模型，并根据检验结果进行相应调整，建立的估计模型如下：

模型中，Y指的是高新区的全年总收入，C代表常数项，SG、MG和LG分别指三种不同的地理邻近性指标，T指的是认知邻近指标，ST、MT和LT指地理和认知邻近组合指标，它们的具体数值都用矩阵的中间中心度来表示，K和L表示科研投入和人力资源投入。一共有七个模型，其中表1是前四个模型分析结果，表2是后三个模型的分析结果。

表1 模型1-模型4的最小二乘回归分析结果

从表1可以看出，在模型1和2中，SG和MG指标都是显著的，这表明地理邻近对创新的影响很明显，所以地理邻近能在一定程度上影响高新区的创新绩效。模型3中的LG是不显著的，这表明地理邻近效应不强的地区缺乏面对面沟通交流的可能性，因此不利于创新的产生。模型4中的认知邻近T是显著的，这表明对高新技术企业来说，企业之间的合作更多地取决于双方的认知基础，而不仅仅是地理邻近。此外，人力资源投入L和科研投入K的系数均为正且显著，这表明人力资源和研发经费等显性投入对创新活动的产生有直接促进作用。研究发现，L的系数比K的系数大很多，因此高新技术人才能比科研投入带来更大的创新产出。

为了探究两者的交互影响效应，本文将检验ST、MT和LT以及K、L等变量对创新绩效Y的影响，具体结果见表2。

表2 模型5-模型7的参数估计及检验结果

模型5中的ST指标、模型6中的MT指标显著且系数为正，这表明在2 000公里范围内，地理和认知邻近之间存在互补关系，两者互为依托，相互促进和强化，为区域创新产出带来正向影响。在模型7中，LT系数为负值且未通过检验，整个拟合优度一般，只有0.71，表明地理距离较远的两高新区之间不存在明显的交互影响效应。

（五）实证分析结果

根据模型的实证检验，本文最终得到四个通过验证的模型表达式：

为探究函数的变动趋势，本文将上述表达式分别进行一阶求导和二阶求导，以进一步确定函数的变化特征，具体结果见表3。

表3 模型所反映的函数特征

综上，本文得出以下实证结论：

（1）若高新区之间地理距离在0～800 km这一区间内，地理邻近对高新区创新绩效影响先为负效应，在跨过值SG= 115.03之后转变为正效应，整体呈现一个凸函数特征。一般而言，高度的地理邻近能够促进沟通和知识交流，并更可能建立主体之间的联系，彼此间学习和创新的机会也越多，但在高新区的发展和成熟阶段，过度的地理邻近性反而会带来“自封闭”和“认知锁定”现象，不利于创新活动的产生，所以创新绩效会出现一定下滑。在到达临界点后（SG= 115.03），高新区展现出一定的自我修复能力，地理邻近对创新的正向效应才会显现出来。

（2）当两高新区主体距离在800～2 000 km范围内时，地理邻近对创新绩效影响先呈现正效应，当达到地理邻近性的最佳水平后（MG=56.15），地理邻近又会对创新绩效产生负效应。此外，在2 000km以上区间内，地理邻近对创新绩效几乎没有影响，因为高新区之间距离越大，成员间的外部效应减弱，隐性知识的转移变得困难，交易成本过高，因此该范围内地理邻近对创新影响效应不显著。故本文得出地理邻近对高新区创新绩效影响呈现“S”形变化特征这一结论，而并非倒“U”形特征，H1未通过验证。具体而言，随着地理邻近的增强，高新区创新绩效呈现正效应，但该效应边际报酬递减，到达极值点MG=56.15后，开始转变为负效应，起抑制作用，这时高新区展现出自我修复能力，使得负效应规模报酬递减，在跨过极值点SG=115.03后，负效应完全消除，正效应再次显现。

（3）在模型4中，由于T的系数为正，所以认知邻近对高新区创新绩效有正向影响。由相似的经验、知识和技术基础所形成的认知邻近使得高新区之间的沟通更加流畅，所以企业能够以较低成本从合作伙伴那里获取资源和溢出知识，从而促进区域创新。在以高新技术为基础的产业中，认知邻近可以带来技术合作的频率与效率，提升合作潜力，促进高新区创新水平的提高。只要高新区之间的知识基础和技术水平足够相似时，就可以冲破最低的认知邻近基础，从而克服较大的地理距离，提升主体间合作创新的可能性，进而对高新区创新绩效产生正影响，故H 2检验结果得到支持。

（4）模型5中ST指标和模型6中MT指标都显著且系数为正，这表明在2 000 km范围内，地理和认知邻近维度之间存在交互作用，而且这种交互作用表现为互补关系，对高新区创新绩效有正向影响。在交通网络高度发达的今天，地理邻近为认知上的相互影响提供物质基础，以满足“学习”的互动特性；而认知邻近也是主体之间产生交互学习与创新的前提条件，即便某些地区交通网络欠发达，但认知主体并不因为地理位置分散而解体，因为它们之间可使用更多的行业术语，且信任度更高，可以顺畅地进行交互作用与创新。因此本文认为地理和认知邻近呈现互补关系，两者产生明显的交互式作用，为高新区创新带来积极影响，故H3a假设得到验证，而H3b未得到验证。

（5）模型7中LT指标未通过检验，所以在2 000km以上的区间内，地理和认知邻近之间的交互作用不显著。因为主体之间的距离太远，缺乏地理邻近，进行互动知识交流时需要通过认知邻近来弥补，但是由于技术和知识基础差异较大，认知邻近发育不够成熟，所以不存在交互影响效应。

（6）在通过验证的模型中，L和K的系数都为正值，这表明人力资源投入和科研投入对高新区创新绩效有显著的正向影响。对于高新技术企业而言，要想提高自主创新能力，提升企业的创新绩效，应该重视科技活动人员的培养和科技活动经费的支出，且前者更加重要。

四、结论与政策启示

（一）主要结论

本文尝试将社会网络分析法应用到邻近性与区域创新研究中，视各个高新区为区域创新网络中的节点，对地理邻近与认知邻近对高新区创新绩效的影响作了实证分析。研究发现，随着地理邻近的增强，高新区创新绩效呈现“S”形变化特征；认知邻近对高新区创新绩效有正向影响；同时，地理和认知邻近存在一定程度上的交互作用，具体表现为互补效应，且对高新区创新绩效有显著的正向影响。此外，高新技术人才和科研投入都对提升创新绩效发挥了积极作用。

（二）政策启示

（1）充分发挥地理邻近的最佳效应。高新区作为区域创新系统的核心，它们之间是存在互动交流的。总体而言，我国高新区实际分布状况十分不均，东部过密，中部次之，西部太分散。对于东部地区而言，高新区的地理邻近效应最为明显，应以长三角、珠三角和京津唐地区作为网络核心，充分发挥交通成本低的优势，进行交互式学习和创新；中部地区虽然整体上创新不如东部地区，但近年来长株潭城市群、武汉城市圈和中原城市群发展态势良好，其中武汉和郑州位居全国交通网络的中心，只要发挥好了这一地理邻近优势，知识溢出效应的辐射半径可覆盖整个区域创新网络；地理位置比较偏远的西部地区则要从其他方面弥补地理邻近效应的不足，例如认知邻近的培育、人才培养、特色产业的开发等。总之，高新区布局不能太密集，也不能太分散。为了把握并充分发挥邻近性的正向效应，相关部门应合理调整和优化高新区的空间布局。

（2）合理定位并培育区域主导产业。由于高新技术产业的特殊性，主导产业的选择必须不同于传统的区域主导产业。前面已经提到，地理和认知邻近之间存在互补关系，对地理邻近效应明显的高新区来说，它们的主导产业不宜过于相似，因为主体认知差异过小时，彼此之间几乎不存在学习的地方，更谈不上创新了；而缺乏地理邻近效应的高新区，应该在保证自身特色主导产业的基础上，发展电子信息、生物制药和新材料等新兴产业，高新区之间只有具备了相近的认知基础，才能顺利地进行知识交流和运用，从而产生新思想和创意。

（3）合理引进和培养高新技术人才。实证分析结果表明科技人员投入和科技活动经费支出都能提升高新区的创新绩效，但前者比后者能带来更大的创新绩效，原因在于高新技术产业对知识创新的依赖程度很高，这是建立在充分发挥人才优势这一基础之上的，单纯的经费扩张并不能保证企业拥有持续的创新能力。因此，高新区应该突出人才培养，营造有利于人才合理流动和成长的环境，建立战略性高新技术产业的科技团队，为高新区的创新活动提供源源不断的人才支撑。

［1］Boschma R.Proximity and innovation：a critical assessment［J］.Regional studies，2005，39（1）：61-74.

［2］Torre A，Rallet A.Proximity and localization［J］.Regional studies，2005，39（1）：47-59.

［3］Shaw A T，Gilly JP.On the analytical dimension of proximity dynamics［J］.Regional studies，2000，34（2）：169-180.

［4］Broekel T，Boschma R.The cognitiveand geographical compo⁃sition of ego-networks of firms-and how they impact on their innovation performance［R］.Utrecht University，Section of Economic Geography，2011.

［5］Aldieri L.Technologicaland geographical proximity effects on knowledge spillovers：evidence from the US patent citations［J］.Economics of Innovation and New Technology，2011，20（6）：597-607.

［6］BalconiM，BreschiS，Lissoni F.Networksof inventors and the role of academia：an exploration of Italian patent data［J］.Re⁃search Policy，2004，33（1）：127-145.

［7］Ponds R，Van Oort F，Frenken K.The geographical and insti⁃tutional proximity of research collaboration［J］.Papers in re⁃gionalscience，2007，86（3）：423-443.

［8］PetruzzelliAM，Albino V，Carbonara N.Technology districts：proximity and knowledge access［J］.Journal of Know ledge Management，2007，11（5）：98-114.

［9］石晓梅，胡珑瑛.高新区创新体系的绩效评价指标体系研究［J］.技术经济与管理研究，2003（4）：41-42.

［10］崔晓露.我国高新技术产业园区创新绩效评价研究［J］.财经问题研究，2013（8）：35-40.

［11］胡俊峰.江苏高新区发展创新型经济的研究［J］.华东经济管理，2012（1）：12-16.

［12］饶扬德，李福刚.地理邻近性与创新：区域知识流动与集体学习视角［J］.中国科技论坛，2006（6）：20-24.

［13］李福刚，王学军.地理邻近性与区域创新关系探讨［J］.中国人口·资源与环境，2007（3）：35-39.

［14］毛崇峰，龚艳萍，周青.组织间邻近性对技术标准合作绩效的影响研究——基于闪联的案例分析［J］.科学管理研究，2012（2）：104-108.

［15］李琳，韩宝龙.组织合作中的多维邻近性：西方文献评述与思考［J］.社会科学家，2009（7）：108-112.

［16］韩宝龙，李琳，刘昱含，等.地理邻近性对高新区创新绩效影响效应的实证研究［J］.科技进步与对策，2010，27（17）：40-43.

［17］李琳，杨田.地理邻近和组织邻近对产业集群创新影响效应——基于对我国汽车产业集群的实证研究［J］.中国软科学，2011（9）：133-143.

［18］Wuyts S，Colombo MG，Dutta S，etal.Empirical testsofopti⁃mal cognitive distance［J］.Journal of Econom ic Behav⁃ior&Organization，2005，58（2）：277-302.

［19］Maskell P，Malmberg A.Localised learning and industrial competitiveness［J］.Cambridge Journal of Economics，1999，23（2）：167-185.

［20］FreelM S.Sectoralpatternsofsmall firm innovation，network⁃ing and proximity［J］.Research policy，2003，32（5）：751-770.

［21］约翰·斯科特.社会网络分析法［M］.刘军，译.重庆：重庆大学出版社，2007：1-5.

［22］李琳，雒道政.多维邻近性与创新：西方研究回顾与展望［J］.经济地理，2013（6）：1-7.

［23］刘军.社会网络分析导论［M］.北京：社会科学文献出版社，2004：112-130.

［24］刘军.整体网分析讲义——UCINET软件实用指南［M］.上海：格致出版社，2009：100-104.

［责任编辑：余志虎］

The Im pactsofGeographicalProxim ity and Cognitive Proxim ity on Innovation Performance of Hi-tech Zone—Based on SocialNetwork Analysis

LILin，WANGXiao-feng
（Schoolof Economy and Trade，Hunan University，Changsha 410079，China）

The papermakes an empirical study on the impacts of geographical proximity and cognitive proximity on innovation performanceofhi-tech zonewith the data collected from 56 nationalhi-tech zones in China，by applying the combination ofso⁃cial network analysis(SNA)and econometric analysismethod and exploring the influencingmechanism of geographic proxim ity and cognitive proximity on hi-tech zone innovation.The results show that the impact of geographical proximity on innovation performance of hi-tech zone presents“S”shape change characteristics，while cognitive proximity plays a significant role in promoting innovation performance of hi-tech zone，the combination of geographical proximity and cognitive proximity has the interactive influence on hi-tech zone innovation and demonstrates the complementary influence.In addition，the human re⁃sources investmentand scienceand technology expenditurehave significantpositiveeffectson hi-tech zone innovation.

geographicalproximity；cognitive proximity；socialnetwork analysis；hi-tech zone；innovation performance

F061.5；F124.3

A

1007-5097（2014）11-0032-06

10.3969/j.issn.1007-5097.2014.11.007

2014-03-05

国家社会科学基金后期资助项目（11FJL012）

李琳（1965-），女，湖南涟源人，教授，博士生导师，研究方向：产业集群，区域创新；王晓峰（1990-），男，湖南岳阳人，硕士研究生，研究方向：区域创新，区域竞争力。