多维邻近性对创新绩效的影响——以钢铁产业为例

，（博士）

历经近二十年的快速发展时期，我国钢铁产业现已步入发展的新常态阶段。资源、能源及技术绝大部分依赖进口，产品生产效益低下，环境污染等问题日益突出。钢铁产业要想实现绿色转型和可持续发展，不仅需要单个组织具备节能环保技术创新能力，同时也要求钢铁企业与供应商、竞争者、科研机构等其他组织形成联合开发、资源互补、知识分享和风险分担的创新网络。

近年来，对创新网络绩效的研究受到越来越多学者的关注。国内外学者多采用社会网络分析法分析创新网络的结构特征对创新绩效的影响[1][2][3]。研究发现网络结构会通过改变网络主体的行为而影响合作创新绩效，比如网络密度、网络位置、关系强度等均对主体合作创新产生正面影响。但是，单纯研究网络整体结构特征对合作创新绩效的影响容易忽视个体间联系特征的影响，而网络节点邻近性就是一个重要的个体间联系特征。目前，对邻近性维度的界定较为模糊，Boschma[4]提出的经典“五维邻近性”划分方法，即认知邻近、组织邻近、社会邻近、制度邻近和地理邻近，被大多数学者所接受。

通过文献综述研究发现，以往关注地理邻近的研究较多[5][6][7][8]，而对制度邻近和技术邻近的实证研究则较为匮乏[9][10]。此外，有关网络结构对多维邻近性和创新绩效的调节研究仍是空白。基于此，本文选取技术邻近和制度邻近视角，以钢铁产业节能环保、回收利用领域的联合申请专利数据构建创新网络，探讨多维邻近对钢铁产业创新绩效的影响，从而实证分析以下问题：第一，组织间的技术距离和制度环境差异对钢铁产业创新绩效产生怎样的影响？第二，网络密度是否可以调节以上两者邻近对创新绩效的影响？如何调节？

一、文献回顾与研究假设

（一）邻近性对创新绩效的影响

1.技术邻近对创新绩效的影响。Griliches[11]首次提出合作双方的技术相似性（技术距离）会影响一方从另外一方获取知识的能力，进而影响创新活动。后期学者Schamp等[12]将技术邻近称为虚拟邻近，并将其定义为组织间的技术距离和知识基础的近似程度。

关于技术邻近与组织合作创新绩效之间的关系，大多数学者认为技术邻近有利于合作创新产出。Callois[13]认为相似的经验、共同的语言及共通的知识技术，能使组织合作中的沟通更加流畅，且帮助企业高效、低成本地从合作伙伴处获得并吸收知识。韩宝龙等[14]认为在高技术产业集群的发展阶段和成熟阶段，技术邻近对产业集群创新绩效产生正的影响效应。但是也有部分学者不认同以上观点。刘志迎、单洁含[15]构建了负二项式计数模型，以验证技术距离对产学协同创新绩效的作用，结果表明技术距离与产学协同创新绩效呈倒U型关系，只是还处在倒U型曲线的前半部分。

综合以上研究发现，当组织间的技术邻近水平较低时，合作创新主体拥有的技术基础差距较大，知识转移和吸收难度较高，不利于合作创新。随着技术邻近度的提升，创新主体间的知识结构出现交叉和重叠，容易对彼此转移的知识进行编码和吸收，有利于提升合作创新绩效[16]。但是，创新成员技术的相似度过高，对合作创新的正向影响可能降低，甚至出现负向影响。一是，成员会由于知识面相对狭窄而导致获取外部知识的机会减少。二是，创新需要组织找到未知的多样化知识元素的相互依赖关系，相同的知识库可能会限制组织的想象力和增加新知识结合的困难。由此，提出以下假设：

假设1：技术邻近与创新绩效呈倒U型关系。

2.制度邻近对创新绩效的影响。要提高钢铁产业创新能力，还需要一定的制度保障。现有关于制度邻近的研究可分为两个层面：一是在国家层面或者地区层面，即立法条件、商业惯例和会计制度等的相似程度；二是在组织层面，即组织间准则、规范和惯例等的相似程度。本文研究的是钢铁产业产学研的合作技术创新，因此，主要从组织层面考虑制度邻近。

国内外关于制度邻近与创新绩效的研究较多，且大部分支持制度邻近促进创新绩效这一论点，Malmberg、Maskell[17]指出，信息在相似的文化和共同语言环境中更容易传播，所以制度邻近为组织间的相互学习提供了稳定的制度保证。但国内学者袁燕[18]通过Agent软件仿真结果表明当制度邻近度过高时，会对集群创新绩效产生较大的负向影响，不利于集群的创新。而周青等[19]则提出高新技术企业要与合作伙伴保持一定的制度邻近度，并清楚地知道何时该“紧”，何时该“松”。

基于现有文献研究发现，当组织间的制度邻近度较低时，不利于组织产生共同的认知，增加了信息成本和不确定性，增加了交易费用。随着制度邻近度的提升，合作组织间的激励政策和沟通协调惯例趋于一致，有利于促进组织间的知识交流和学习。同时，制度邻近又促使组织设定了具有约束作用的规范，使得成员以一种非契约形式展开交易，在一定的制度约束下，积极投入合作创新活动中。但是过高的制度邻近度容易造成合作组织间结构趋同，产生路径依赖，导致成员的惰性和信息锁定，不利于主体获取新知识以提高合作创新能力。此外，较高的制度邻近度可能导致组织核心技术知识的溢出，降低组织的市场竞争力。由此，提出以下假设：

假设2：制度邻近与创新绩效呈倒U型关系。

（二）网络密度的调节作用

1.网络密度对技术邻近与创新绩效间关系的调节作用。网络密度（Network Density，ND）指网络中行为主体间相互联系的紧密程度，用于衡量网络中关系的数量和复杂程度。创新网络的网络密度和网络个体间的技术邻近度这两个因素各自对合作创新产生影响的同时，也能互相补充，共同解释合作创新绩效。成员间的技术邻近度一定程度上决定了成员的合作意愿，其对合作创新的影响还取决于网络中关系的数量和复杂程度，即网络密度将改变成员间的联系程度，强化或减弱技术邻近度对创新绩效的影响。

关于网络密度调节作用的研究还较为匮乏，但是通过理论推演发现，当创新网络的网络密度较低时，成员间的联系较少，知识流动渠道较窄，限制了知识转移效率，不利于技术邻近带来的知识吸收，这将抑制技术邻近对技术创新的促进作用。当创新网络的网络密度较高时，节点间的大量联结有利于提高网络传输效率，加速组织间的知识转移和吸收，增强技术邻近对合作创新的正向效应。Dyer、Nobeoka[20]认为，更为紧密稳定的组织合作关系将降低组织间的知识及信息不对称程度，减弱高技术邻近度对技术创新的技术锁定效应。由此，提出以下假设：

假设3：网络密度正向调节技术邻近对创新绩效的影响。

2.网络密度对制度邻近与创新绩效间关系的调节作用。处于网络中的主体将会面对具有不同需求、目标和结构的其他主体，与这些主体进行长期交互将会发展系统的惯例和流程来处理网络中的异质性知识。这些惯例将促进主体产生制度邻近，发展出相互信任的关系、共享准则以及共同的行为模式。而网络主体的协作关系数量及与伙伴间的协作关系会改变组织知识获取和处理的行为模式，进而影响组织间的合作创新绩效。因此，网络密度将强化或减弱制度邻近对创新绩效的影响。

当创新网络的网络密度较小时，创新成员的正式合作程度较低，这将抑制制度邻近对合作创新的促进作用。当创新网络的网络密度较大时，一方面有利于组织之间共同语言、规范和相互理解的形成，增强制度邻近度提升对合作创新的正向效应。Ahuja等[21]提出节点的平均联结越多，知识系统的联通性越好，主体就拥有越多的机会接触和获取其他成员的资源。另一方面，帮助缓解高制度邻近度带来的封闭及内部锁定风险，减弱制度邻近对合作创新的阻碍作用。由此，提出以下假设：

假设4：网络密度正向调节制度邻近对创新绩效的影响。

二、研究设计

（一）研究方法

基于国家知识产权局专利检索与服务系统中的重点产业专利信息服务平台，选取2007～2014年钢铁产业的4272项联合申请发明专利（不考虑包含个人的专利），涉及合作创新主体总计5273个。联合申请发明专利和创新行为主体数量的变化基本一致，且呈现不断上升的态势。鉴于专利数是典型的技术数据，且存在过度离散现象，本文采用负二项回归模型分析非平衡面板数据，如下所示：

其中：i代表各主体样本，t表示年份，patentsit为合作申请的发明专利数量，表征合作创新绩效；TPi及IPi分别表征合作创新过程中组织间的技术邻近度和制度邻近度；NDi×TPi、NDi×IPi分别为密度对多维邻近的调节作用；PSi、DCi、CCi、SHsi、EOi、UOi、AOi及ROi为控制变量；β1～β13为待估系数；εi表示不可观测的其他因素。

（二）变量设定

1.因变量。借鉴刘志迎[22]的合作创新绩效测量方法，本文采用联合申请发明专利数作为衡量创新网络绩效（Patents）的指标。考虑到合作专利关系的持续性，国内外相关文献中通常以3～5年为窗口期研究合作创新活动[23]，因此本文以3年为时间窗口（t-1年、t年、t+1年），将样本划分为2007～2009年、2008～2010年、2009～2011年、2010～2012年、2011～2013年和2012～2014年。

2.自变量。

（1）技术邻近。对于技术邻近（Technological Proximity，TP）的测量，本文参考Jaffe[24]提出的通过衡量两者之间技术的相似程度以计算技术距离的方法，提出了以下技术邻近公式：

其中：TPij表示技术距离；Fik表示在某时期内组织i在第k类专利中申请的发明专利数；Fjk表示在某时期内组织j在第k类专利中申请的发明专利数；k是技术类别，指代组织i与合作伙伴j在观察时期t前5年[（t-5）～（t-1）年]内所申请的专利IPC代码前4位重合部分的技术领域。根据以上公式计算出组织i与每个合作伙伴间的技术距离TPij，再取其均值得到组织i与合作伙伴的技术距离TPi。该数值越趋近于1，表明组织间的技术基础越相似；越趋近于0，表明组织间的技术差距越大。

（2）制度邻近。关于制度邻近（Institutional Proximity，IP）的实证研究，大多数以是否属于同一类型的组织来表征制度邻近或者不邻近。制度邻近主要测度两组织性质是否相同，衡量的是两组织在申请专利时资源享赋、目标和利益诉求的异同，因此本文从Torre等[25]的相似逻辑角度，使用二分变量的测度方法量化制度邻近度。若是同类型组织合作创新则其制度邻近IPij取值为1，若为非同类型组织合作创新则IPij取值为0。最后，再取组织i与其他所有合作伙伴j的总体平均数，即组织i的制度邻近性IPi。该数值越接近1，表明组织间制度邻近度越高，组织与其他同类型组织的合作越频繁；越接近0，表明组织间制度邻近度越低，异类别组织合作越多。

（3）网络密度。网络密度（Network Density，ND）是网络成员之间实际的联结数与可能达到最大联结数的比，描述的是网络节点间联络的紧密程度。计算公式如下：

其中，n表示网络中的节点总量，m表示网络中实际链接边的数量。

3.控制变量。为了控制其他因素对因变量的影响，在参考高启杰等[26]和赵炎等[27]文献的基础上，选取网络集聚系数、结构洞、个体样本前专利数及组织性质虚拟变量作为控制变量。

（1）网络集聚系数。网络集聚系数（Clustering Coeffieieney，CC）反映了网络中相邻节点之间的连接程度。集聚系数计算公式为：

其中，n表征网络节点总量，cci表征网络节点i的集聚系数。

集聚系数cci表示为：

其中，mi表征节点i与相邻节点的边数，zi表征节点i的度。聚集系数CC为1表征网络中任意两点都直接联结，而聚集系数CC为0表征网络之中任何两点都不联结。

（2）度数中心度。度数中心度（Degree Centrality，DC）是指与网络主体直接联系的其他主体的个数。如果一个主体与许多主体直接相连，表示该主体有较高的度数中心度。度数中心度为测量网络的单个主体获取外部信息和知识能力的最合适指标[28]。本研究采用度数中心度作为创新网络主体中心度的测度指标。此变量值可由三年时间窗的网络邻接矩阵输入UCINET6.0软件直接计算得到。

（3）结构洞。结构洞（Structural Holes，SHs），指两个联系之间的非冗余关系[29]。本文采用Borgatti[30]的结构洞计算公式：

其中：t=|E|-d（i），t是网络中除连接点i的边外所有边的个数；n=|V|-1。

（4）个体样本前专利数。个体样本前专利数（Presample-patents，PS）指某组织在进入某一时期创新网络的前五年内申请并获批的专利总数。它反映了一个组织在进入创新网络之前的知识积累，用于控制观察期外的组织专利申请上的异质[30]。

（5）组织性质虚拟变量。本研究通过设置组织性质虚拟变量来控制组织类型对创新绩效的影响，组织类型主要分为行政型（AO）、教育型（UO）、科研型（RO）和企业型（EO），且分别占样本总数的3%、13%、10%和74%。由此可以看出，企业在钢铁产业合作创新中占主导地位，主要是由于企业相较于其他组织而言通常具有规模、资本上的优势，同时也得到更多来自政府和社会的支持，因此有更强的实力和动机进行合作创新。从总体上讲，本文所研究的合作组织符合钢铁产业创新发展的实际情况，样本具有一定的代表性。

三、实证检验

（一）描述性统计与相关性分析

表1和表2为描述性统计和相关性分析的结果。专利数最小值为1，最大值为85，均值为2.093，方差为3.473，均值小于方差，表明我国钢铁产业中节能环保、回收利用领域的合作创新绩效存在明显差异，且专利数均呈过度分散特征，这再一次验证了采用负二项回归方法对研究模型的适用性[31]。此外，因变量与自变量、控制变量的相关系数处于0.007～0.777的范围内，表明各变量间不存在严重的共线性。

表1 描述性统计

（二）回归分析

表3为负二项回归结果，模型1（M1）用于检验控制变量（包括度数中心度、网络集聚系数、结构洞、个体样本前专利数及组织类别）与合作创新绩效之间的关系。模型2～3（M2、M3）分别检验技术邻近和制度邻近对合作创新绩效的影响。模型4～6（M4、M5、M6）分别检验密度对技术邻近和制度邻近与合作创新绩效关系的调节作用。由表3可以看出，每一个模型的LR检验值均在1%的水平上拒绝了泊松分布，因此验证了负二项回归模型选择的合适性。此外，每个模型的Wald chi2均通过了显著性检验，说明模型与数据的契合度较好，模型整体是显著的。

表2 相关性分析（N=8590）

模型2的回归结果支持假设1，即技术邻近与创新绩效显著正相关（β=34.520，p＜0.01），技术邻近的平方项与创新绩效显著负相关（β=-30.001，p＜0.01）。因此，技术邻近与创新绩效之间存在倒U型的相关关系。经计算，在阈值处，合作创新估计的技术邻近值为0.58，而技术邻近的均值为0.783，因此，技术创新估计的技术邻近峰值均小于均值，意味着大部分组织处于提高技术邻近带来的负面效应中。一个可能的解释是我国钢铁产业技术创新还处于初级阶段，组织间的技术创新属于模仿创新。钢铁产业合作创新组织间的知识基础过于相似，不利于异质性知识溢出，阻碍了技术创新的进一步发展。

模型3的回归结果不支持假设2，制度邻近与创新绩效显著正相关（β=1.725，p＜0.01），平方项与创新绩效不相关（β=-1.711，p＞0.1）。因此，制度邻近与创新绩效之间不存在倒U型关系，但是存在正向促进作用，只是作用较小。说明我国钢铁产业技术创新中同类别组织间的合作较多，且以企业与企业的合作居多。可能是由于目前我国钢铁企业仍以从国内外企业引进和改良技术为主，而较为忽视投资经费大、研发周期长、风险高的产学研合作研发。但在政府的积极引导下，近几年钢铁产业产学研合作发展有所突破，因此，制度邻近的影响有所下降。此外，对比参数估计值发现，制度邻近对创新绩效的影响要远小于技术邻近。这表明在选取合适的合作对象来提高创新绩效上，技术邻近比制度邻近更重要。

模型4的回归结果显示网络密度与创新绩效显著正相关（β=66.345，p＜0.05），表明创新网络的密度提升有利于提升创新绩效，这与赵炎等[7]的研究一致。从拓扑学的角度理解，高密度网络缩短了信息传递的平均路径，加快了信息流动，有利于创新知识和成果的迅速传播。

模型5的回归结果支持假设3，技术邻近与网络密度的交互项与创新绩效显著正相关（β=216.166，p＜0.05）。技术邻近对创新绩效的影响受到网络密度的正向调节，这也与曾德明等[32]的结论一致。网络密度的提升，意味着稳定的合作关系和丰富的合作经验的产生，有利于增强钢铁组织间转移知识的意愿，促进异质性知识流动，同时可部分解决组织间技术距离带来的知识吸收问题和低兼容性问题。

模型6的回归结果不支持假设4，制度邻近和网络密度的交互项与创新绩效不相关（β=18.858，p＞0.1）。主要是由于模型3已证明制度邻近对创新绩效的影响比较小，所以无论网络密度是大还是小，对制度邻近与合作创新的影响都不是太大。

表3 负二项回归结果（N=5245）

模型1中，控制变量网络集聚系数与创新绩效显著负相关（β=-0.209，p＜0.01）。可能的原因是，创新网络的高度聚集可能导致共享的知识信息趋于一致而变得冗余。度数中心度与创新绩效显著正相关（β=0.838，p＜0.01），与赵颖斯等[33]的结论一致。这印证了度数中心度高的组织有从其他节点获取创新资源和强化自身创新能力的优势。结构洞与创新绩效显著正相关（β=0.476，p＜0.01），说明占据结构洞位置的钢铁组织就如同连接创新网络内部的桥，有利于组织间相互学习，促进新知识流入创新网络，从而提高合作创新绩效。个体前五年专利积累与创新绩效显著正相关（β=0.010，p＜0.05），说明钢铁产业组织积累的知识和经验可慢慢转化为创新产出。

表4 稳健性检验结果（N=5245）

（三）稳健性检验

为了验证研究结论的可靠性，从两个方面进行了稳健性测试：第一，为避免研究结果受时间窗的影响，将年份（Year）生成虚拟变量引入模型，控制时间对技术创新的影响；第二，由于Vuong检验值小于1.96，无法判断负二项回归或零膨胀负二项回归哪个更合适，因此参考 Guan、Liu[3]的做法将零膨胀负二项回归作为模型基本设定进行回归。从表4可以看出，主要变量的系数方向和显著性没有明显变化，说明本研究的结论具有一定的稳健性。

四、结论

本文对于技术邻近、制度邻近及网络密度对创新绩效的影响进行了理论分析，并提出了相应假设，以2007～2014年钢铁产业中节能环保、回收利用领域的联合申请专利数据为样本，应用面板回归模型验证了多维邻近性对钢铁产业合作创新的影响及网络密度的调节作用。主要研究结论如下：

第一，过度技术邻近是我国钢铁产业组织合作技术创新面临的重要问题之一。技术邻近与创新绩效之间存在显著的倒U型关系，且大部分组织面临提高技术邻近带来的负面效应。目前，我国钢铁产业技术创新主要集中在基础技术领域。一方面，我国钢铁创新组织应该大力推进基础技术领域与其他应用技术（制药、通用机械、专用机械）的交叉融合，以形成各技术领域交叉融合与独立发展良性互动的格局。另一方面，应进一步发展共性关键技术，努力实现钢铁产业关键技术的重大突破。

第二，制度邻近对合作创新绩效有一定的促进作用。相较于技术邻近，制度邻近对合作创新绩效的影响较小，但是具有一定的正向影响。制度邻近度较高的组织（如企业与企业、高校与高校），其拥有的知识结构和创新诉求往往较类似，因此更倾向于合作。但随着创新网络的发展，异质知识溢出更为重要，制度邻近的作用开始弱化，不同组织性质的创新成员间合作增多，使得新知识组合更容易产生。基于此，钢铁产业在技术创新过程中，同类组织或异类组织可分别通过建立规范的管理模式、规范的制度安排或构建共同的第三方服务平台（如知识产权交易平台）等措施，提高制度邻近度，进而提升组织间合作创新的效率和整个产业集群的创新能力。

第三，创新网络密度可正向调节技术邻近与创新绩效间的关系。创新网络结构特征可以改变资源与信息在邻近组织中流动的性质，在不同网络密度的调节作用下，多维邻近性对合作技术创新的影响是不同的。密度可以正向调节技术邻近对合作创新绩效的影响，但是密度对制度邻近的调节作用不显著。因此，钢铁产业组织在嵌入创新网络时，可争取进入一个网络密度较大的创新网络中，以增加获取创新资源的机会。政府或企业也可通过设立各种创新激励和奖惩制度，鼓励和规范网络成员的合作联结，以更为有效地获得合作创新所需的新知识、新信息等异质性资源。

有别于以往多数关注网络结构对创新绩效影响的研究，本文聚焦于创新主体的合作情景，即邻近性对创新的影响，并从网络结构调节作用视角，分析邻近性与创新网络绩效的关系。研究丰富了创新网络的研究视角，并为提升创新网络绩效提供了一定的理论借鉴和实践指导。研究也存在以下不足：一是我国企业的知识产权保护意识还较为淡薄，因此使用专利数据测量合作创新绩效有一定局限性，未来的研究将考虑使用量表等研究方法；二是除本文研究的两个维度的邻近变量之外，未来可引入其他维度的邻近变量研究钢铁产业创新网络绩效。

[1]曾德明，文金艳.协作研发网络中心度、知识距离对企业二元式创新的影响[J].管理学报，2015（10）.

[2]刘凤朝，张娜，孙玉涛，马荣康.基于优先连接的纳米技术合作网络演化研究[J].管理评论，2016（2）.

[3]Guan J.，Liu N..Exploitative and exploratory innovations in knowledge network and collaboration network：A patent analysis in the technological field of nano-energy[J].Research Policy，2016（1）.

[4]Boschma R.A..Proximity and innovation：A critical assessment[J].Regional Studies，2005（1）.

[5]李琳，吴越.地理邻近、网络位置对产学联盟合作创新的影响[J].中国科技论坛，2014（1）.

[6]汪涛，王慧.地理邻近对企业创新绩效的影响：基于企业能力视角[J].商业经济与管理，2017（2）.

[7]赵炎，王冰，郑向杰.联盟创新网络中企业的地理邻近性、区域位置与网络结构特征对创新绩效的影响——基于中国通讯设备行业的实证分析[J].研究与发展管理，2015（1）.

[8]Bercovitz J.，Feldman M..The mechanisms of collaboration in inventive teams：Composition，socialnetworksand geography[ J].Research Policy，2011（1）.

[9]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（14）.

[10]夏丽娟，谢富纪，王海花.制度邻近、技术邻近与产学协同创新绩效——基于产学联合专利数据的研究[J].科学学研究，2017（5）.

[11]Griliches Z..Patent statistics as economic indicators：A survey[ J].Journal of Economic Litera⁃ture，1990（4）.

[12]Schamp E.W.，Rentmeister B.，Lo V..Dimensions of proximity in knowledge-based net⁃works：The cases of investment banking and au⁃tomobile design[J].European Planning Studies，2004（5）.

[13]Callois J.M..The two sides of proximity in industrial clusters：The trade-offbetween process and product innovation[J].Journal of Urban Economics，2008（1）.

[14]韩宝龙，李琳，刘昱含.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（17）.

[15]刘志迎，单洁含.技术距离、地理距离与大学-企业协同创新效应——基于联合专利数据的研究[J].科学学研究，2013（9）.

[16]佘秋平，蔡翔，陈果.高校科研团队距离因素对团队绩效的影响研究[J].技术经济与管理研究，2012（1）.

[17]Malmberg A.，Maskell P..Guest editorial localized learning and regional economic development[J].European Urban&Regional Studies，1999（1）.

[18]袁燕.认知邻近、制度邻近与集群创新——基于Agent的建模与仿真研究[D].杭州：浙江大学，2016.

[19]周青，侯琳，毛崇峰.制度邻近性对高新技术企业合作创新的作用路径研究[J].科技进步与对策，2013（10）.

[20]Dyer J.，Nobeoka K..Creating and managing a high-performance knowledge-sharing network：The toyota case[J].Strategic Management Jour⁃nal，2000（3）.

[21]Ahuja G.，Coff R.W.，Lee P.M..Managerial foresight and attempted rent appropriation：Insider trading on knowledge of imminent break⁃throughs[J].Strategic Management Journal，2005（9）.

[22]刘志迎.技术距离、地理距离与大学-企业协同创新效应——基于联合专利数据的研究[J].科学学研究，2013（9）.

[23]赵炎，王琦.联盟网络的小世界性对企业创新影响的实证研究——基于中国通信设备产业的分析[J].中国软科学，2013（4）.

[24]JaffeA.B..Technologicalopportunity and spillovers of R&D：Evidence from firms'patents，profits and market value[J].American Economic Review，1986（5）.

[25]Torre A.，Rallet A..Proximity and localization[J].Regional Studies，2005（1）.

[26]高启杰，姚云浩，董杲.合作农业推广模式选择的影响因素分析——基于组织邻近性的视角[J].农业经济问题，2015（1）.

[27]赵炎，王琦，郑向杰.网络邻近性、地理邻近性对知识转移绩效的影响[J].科研管理，2016（1）.

[28]刘璇，李嘉，陈智高，张朋柱，范静.科研创新网络中知识扩散演化机制研究[J].科研管理，2015（7）.

[29]Burt R.S..Structural holes：The social structure of competition[M].Cambridge：Harvard University Press，1992.

[30]Borgatti S.，Everett M.，Freeman L..UCINET for windows：Software for social network analysis[M].Harvard：Analytic Technologies，2002.

[31]Schilling M.A.，Phelps C.C..Interfirm collaboration networks：The impact of large-scale net⁃work structure on firm innovation[ J].Manage⁃ment Science，2007（7）.

[32]曾德明，张丹丹，文金艳.基于专利合作的网络技术多样性对探索式创新的影响研究——网络结构的调节作用[J].情报杂志，2015（1）.

[33]赵颖斯.创新网络中企业网络能力、网络位置与创新绩效的相关性研究[D].北京：北京交通大学，2014.