基于SAOM模型的主体协同创新网络演化机理

摘要： 为探究主体协同创新网络的动态演化，基于电子信息产业联合发明专利数据构建网络，揭示网络演化特征，并构建随机行动者模型识别网络演化影响因素。研究表明：电子信息产业创新主体与创新关系随时间演化呈前期上升、后期平稳之势，网络规模趋于稳定，节点间联系愈加紧密。网络演化受到网络结构特征、创新主体特征以及邻近性机制的共同影响；其中，合作广度与地理邻近性的影响最大。

关键词： 创新网络；随机行动者模型；动态演化机制；电子信息产业

中图分类号： C93；G306文献标识码： A

Dynamic Evolution Mechanism of Innovator Collaborative Innovation Network Based on Stochastic Actor-oriented Model

LI Changsheng， SUO Qi， WANG Zihao

（School of Economics Management，Qingdao University of Science and Technology， Qingdao 26606 China）

Abstract：In order to explore the dynamic evolution of innovator collaborative innovation network， networks are constructed based on the data of joint invention patent in electronic information industry. The paper reveals the characteristics of networks evolution， and constructs random actor models to identify the influencing factors of networks evolution. The results show that the relationship between innovators and innovation in electronic information industry increases in the early stage and becomes stable in the later stage. The network scale tends to be stable and the connections between nodes become closer. Network evolution is influenced by network structure characteristics， innovator characteristics and proximity mechanism. Among them， cooperation breadth and geographical proximity have the greatest impact.

Keywords： innovation network; stochastic actor-oriented model; dynamic evolution mechanism; electronic information industry

0 引言

创新是发展的重要动力源泉，是建设现代化经济体系的战略支撑。党的十九大报告将“跻身创新型国家前列”作为远景目标，进一步明确了“坚持创新在我国现代化建设全局中的核心地位”这一创新发展战略。自1992年“产学研联合开发工程”启动以来，产学研协同创新已成为中国重要的多主体协同创新模式之一。其本质是通过异质性知识流动和资源共享实现知识与资源的创造与增值［1］，为产业突破传统单一创新主体的发展瓶颈提供了良好的发展思路。企业、高校和研究所作为核心创新主体，以协调资源、优势互补的方式开展协同创新合作，提升产业创新绩效，继而促进产业链升级和高质量发展。

已有研究基于社会网络分析方法从合作模式［2］、网络演化［3］等视角对协同创新进行了较为充分的探讨，研究发现，核心节点多为规模较大、知名度较高的创新主体［4］，合作模式多以企业为核心［5］，网络多具有明显的小世界性［6］和“核心边缘”等结构特征［2］，网络的动态演化受多种因素的共同影响［7］。部分学者在网络构建与空间分析基础上，运用回归模型［8］、随机行动者导向模型［9］等方法探究影响网络动态演化的影响因素，发现网络主体行为变量及邻近性机制［10］已被广泛应用于网络演化驱动机制中。围绕具体产业，学者基于区域［11］和主体［12］视角，探究了产业协同创新网络的拓扑结构及演化规律，为产业的创新能力提升和长效发展提供了建设性意见。

1 理论基础与研究假设

关系网络的形成和演变受到网络主体属性和网络结构特性等因素的综合影响［13］。其中，创新主体的行为特征包括网络主体属性以及主体间形成的邻近性机制。

1.1 网络结构特征机制

网络结构是系统自组织的结果，网络关系的形成不仅需考虑主体基本属性和随机性的影响，同时还需要考虑节点嵌入网络所形成的网络结构特征机制的影响［14］，如互惠性、传递性等。主体协同创新网络属于无向网络，因此主要探究传递三元组对网络动态演化的影响。

研究发现，两个节点的共同朋友越多，则其建立联系的可能性越高［15］。结合本文情境，若A与C有合作关系，B与C也有合作关系，则A与B存在较大概率建立合作关系。产业协同创新多以固定合作模式为主，创新主体在选择新的合作伙伴时常常会面临一定风险，C的存在增加了A与B的交流机会，并以信任传递方式降低了A与B之间的不确定性。依赖现有合作关系有助于提供可靠的信息源，促进网络成员合作意愿进一步加强，产生更为频繁的知识交流与共享［16］，从而快速建立合作关系。

综上分析，提出研究假设1：

假设1 在主体协同创新网络中，传递三元组有助于推动网络演化发展。

1.2 网络主体特征机制

同质性理论认为，具有相似或相同属性的主体之间更有可能建立联系，本文探究创新能力、合作广度和创新经验三个变量对网络动态演化的影响。

根据主体创新能力，可将协同创新模式分为强强合作、弱弱合作、强弱合作三种模式。强强合作双方由于竞争与利益冲突，往往难以保持长期合作；弱弱合作无法达成创新能力与成果的有效突破；强弱合作能够满足双方的战略需求，创新能力强的主体利用网络效应保持甚至扩大技术领先地位，创新能力弱的主体则通过知识交流与实践学习，实现技术追赶［17］。

合作广度一般指主体与其他主体建立合作关系的广泛程度［18］，能够反映创新主体的网络地位与影响力。合作广度大的主体占据网络核心位置，具有丰富的资源与较高的影响力；受择优连接机制影响［19］，新进主体与边缘主体一般会与合作广度大的核心主体进行合作，以增强自身的网络中心性。

创新主体在选择协同创新伙伴时，通常通过类似口碑或经验等指标进行筛选［12］。创新经验丰富的创新主体能够更好地节省成本和规避风险，对于潜在合作伙伴更具吸引力［20］；然而，创新主体间的创新经验差距过大会导致合作沟通成本增加，容易出现理解盲区。

综上分析，提出研究假设2～4：

假设2 在主体协同创新网络中，创新能力差异大的主体间更倾向于建立合作关系。

假设3 在主体协同创新网络中，合作广度差异大的主体间更倾向于建立合作关系。

假设4 在主体协同创新网络中，创新经验相近的主体间更倾向于建立合作关系。

1.3 邻近性机制

主体间的相互作用也会对网络的动态演化产生一定影响，本文选取地理邻近性和组织邻近性探究网络邻近性机制的影响。

地理邻近性是对主体间空间位置远近程度的衡量。通信技术的发展在一定程度上突破了地理距离的绝对限制，基于互联网等工具可以实现远距离实时交流。然而，在协同创新过程中，地理邻近仍然是驱动隐性知识创新的核心动力［21］。地理邻近能够有效降低创新主体间的交流和沟通成本，增强隐性知识的传播并建立长期信任关系。

组织邻近性是指主体间在组织结构、规章制度、文化等方面的相似性［22］。研究将创新主体划分为企业、高校、研究所3种类型，其协同创新合作模式为3种组织类型之间的两两或三者合作。组织类型相同的主体拥有相似的组织结构、规则制度和激励机制，通过高效率的知识交流与管理，能够降低合作成本［23］，具体表现为母子公司、高校附属分院等形式。

综上分析，提出研究假设5～6：

假设5 在主体协同创新网络中，地理距离邻近的主体间更倾向于建立合作关系。

假设6 在主体协同创新网络中，组织类型相同的主体间更倾向于建立合作关系。

2 实证分析

2.1 数据来源与研究方法

电子信息产业技术更新速度快，研发合作频繁，是知识密集型、技术创新活动活跃的典型产业，频繁的技术更迭使其协同创新合作呈现出复杂的网络化特征。以电子信息产业为例，从主体层面探究协同创新网络的结构特征及动态演化机制，对于新时期产业创新能力的提升具有深远意义。

联合申请发明专利数据具有可获得、易处理等优点，较好地反映了创新主体之间的研发合作活动。通过国家知识产权局专利信息服务平台（http：//search.cnipr.com/）获取1985～2017年电子信息产业发明专利数据，共计681 912条。由于数据量庞大、时间跨度过长，为保证研究结果的时效性，借助Logistic曲线拟合法对产业生命周期进行划分，只保留2011～2017年间至少4年参与协同创新合作的企业、高校和研究所以及历年的合作关系（不含港澳台地区），最终筛选出430个创新主体作为实证分析对象。构建430×430的二值邻接矩阵，并建立纵向网络数据库。邻接矩阵中，若创新主体间存在合作关系则为1，否则为0。

SAOM（Stochastic Actor-Oriented Model）结合了仿真模拟、马尔可夫过程和随机效应模型［9］，相较于负二项回归模型和ERGM等研究方法，能够基于多层次、动态历时数据，对影响网络节点间关系维持、消失或新建等动态变化的变量进行参数估计，从而更加全面地分析时间段内的纵向网络动态演化影响因素［24］；协同创新合作关系的变化是由其速率函数决定的，运用Logistic回归模型来模拟选择的概率［25］。速率函数表达式为

Pix0，x，v，w=expfix0，x，v，w∑x′∈Cx0expfix0，x′，v，w （1）

其中，x0为网络初始状态；x为网络潜在新状态；v为网络中创新主体的主体属性，如专利数量等；w为网络中创新主体的邻近性机制指标，如地理距离等。

SAOM定义了效用函数作为行为主体的目标函数，创新主体选择合作伙伴时总是期望目标函数最大化，依据创新主体的效用函数来模拟创新合作关系的演变。目标函数受网络结构、主体属性和邻近性机制的综合影响，其表达式为

fix0，x，v，w=∑kβkSkix0，x，v，w （2）

其中，βk为估计参数；Ski为网络演化的影响因素，包括x0、x、v、w，其解释含义与式（1）中相同。

此外，t比率与整体最大收敛比通常用于评判模型的收敛度，各变量t比率≤0.1且模型整体最大收敛比≤0.25，则认为模型具有较好的收敛度［25］。

2.2 模型构建与变量测度

将构建的7个430×430的二值邻接矩阵作为被解释变量，通过逐渐添加网络效应变量方式构建模型1～模型5，以此来判别所纳入网络效应是否对新网络演化产生影响。以网络密度作为默认解释变量，构建模型1作为基础模型。在模型1基础上，纳入网络结构变量构建模型2至模型5，依次加入网络结构、网络主体特征、邻近性、所有变量，探究不同属性变量对网络演化的综合影响。

内生结构、主体特征、邻近性机制是影响网络演化的关键要素。SAOM的统计项如表1所示。其中，密度指标作为模型默认的控制变量，其参数正负不具有重要性，一般解释为网络关系是否为随机过程的结果［26］，因此不对应于任何效应与假设。

2.3 网络动态演化描述性统计

基于纵向网络数据库，借助R语言的RSiena程序包，获得2011～2017年主体协同创新网络演化描述性统计结果如表2所示，其网络主体与关系演化趋势如图1所示。

综合表2和图1可知，网络主体总数与关系总数随时间演化呈前期上升、后期逐渐平稳之势；保留主体与维持关系的变化趋势与网络主体总数与关系总数的变化趋势类似，这说明新进、退出主体数量和新建、消失关系数量并未从根本上影响网络整体创新主体与连接关系的变化趋势。新进主体进入网络必然产生新建关系，退出主体退出网络也必然会引发关系消失，其变化趋势类似。然而，新进主体与新建关系数量前期大大超过退出主体与消失关系数量，说明观测期前期网络发展并不稳定，创新主体间的合作关系并不牢固，网络规模的不断扩张需要涌入大量新进主体，网络的协同创新发展也需新旧主体间快速建立合作关系。2014年以后，新进主体与退出主体数量、新建关系与消失关系数量逐渐持平，说明网络规模趋于稳定，大部分创新主体通过不断尝试，最终发展为较为固定的合作伙伴，建立了稳固的合作关系，合作屏障初步形成，新进主体难以与在位主体间形成广泛合作关系。

2.4 SAOM实证结果分析

为探究网络演化背后的影响因素，借助R语言实现SAOM的参数估计，基于马尔科夫链蒙特卡罗（MCMC）模拟，模型1～模型5的速率函数和目标函数的估计结果分别于第1 765，2 024，1 948，2 294，2 354次迭代获得，结果如表3所示。

2.5 模型对比分析

以2011～2012为第1个时期，可获得逐年的速率参数λ，共计6期；各模型所有变量t比率均≤0.1、整体最大收敛比均≤0.25，说明模型1～模型5均具有较好的收敛度。

横向对比，模型1中各时期的速率参数λ均小于模型2至模型5，说明选取变量的纳入均会增大对应时期改变关系的机会；除模型5中的创新能力变量，各模型变量t值均在p<0.05的水平下显著，说明各变量均对网络演化产生一定影响。除模型2与模型5中速率λ在2012～2015年期间有所下降外，其余模型的速率λ均逐渐上升，意味着后一个时段比前一个时段具有更大机会改变关系。模型3中创新能力变量呈显著影响，但模型5中却呈不显著特征，组织邻近变量参数估计值也由模型4中的正值变为模型5中的负值，说明其他类型变量的加入会使原变量对网络演化的影响力产生改变，网络演化受多种变量的共同影响。

模型5纳入的变量最为完整，属于综合模型，相较于其他模型，参数估计结果更具说服力，因此本文以模型5中各变量参数结果进行分析解释。传递三元组系数在p<0.001水平上显著为正，说明传递三元组网络结构有利于推动网络演化发展，假设1得证。创新主体间基于相同的知识背景、技术方向和创新目标进行合作，其合作伙伴也会借助现有合作关系快速建立新的合作关系，呈现三元闭合倾向，三元关系也有助于形成稳定可靠的合作，减少不确定性和信息不对称。创新能力无显著影响，说明创新能力差异大的主体不能广泛建立协同创新合作关系，因此不支持假设2。合作广度系数显著为负，说明合作广度差异大的主体间更倾向于建立合作关系，因此假设3得证。创新主体在提升网络地位过程中存在多方面成本，主体的合作广度越大、网络地位越高，其维护合作关系的成本也相应较高，一定程度上限制了创新网络的扩散。创新经验系数显著为正，说明创新经验相似的主体间更倾向于建立合作关系，因此假设4得证。创新经验丰富的主体进入网络时间较长，为保证协同创新成果的质量与数量，创新经验相近的创新主体间更易在协同创新合作过程中达成一致目标。地理邻近性系数显著为正，说明地理距离对于促进网络演化具有积极影响，地理距离邻近的主体间更倾向于建立合作关系，因此假设5得证。协同创新是一个深度互动的过程，涉及相关知识、技术基础等隐性知识的交流与传播。地理距离的增加势必会加大合作过程中的时间和经济等成本，不利于创新主体间有效开展协同创新。组织邻近性系数显著为负，说明不同组织类型主体间更倾向于建立合作关系，因此不支持假设6。相同类型的创新主体具有相似的知识结构和技术资源，一定程度上有利于协同创新的快速进行；然而在产业发展的增长阶段，各主体对异质性资源的需求远超过同质性资源，过度的组织邻近性会阻碍新信息、新资源、新人才等资源的获取，使主体间的互动学习和灵活性受限，故不同组织类型主体间更易于建立合作关系。

3 结论与启示

基于2011～2017年电子信息产业联合发明专利数据，从主体视角探究协同创新网络的演化特征与机制。当前，产业创新主体与创新关系日趋平稳，主体的产业根植性与协同创新关系并不稳定，产业创新存在较大变动性。网络演化受网络结构特征、网络主体特征和邻近性机制的共同影响。传递三元组促进了网络演化的发展，创新能力对网络演化无显著影响，创新经验相近、地理距离相近、合作广度差异大、组织类型相异的主体间更倾向于建立合作关系。通过积极构建协同创新合作交流平台，对合作信息与合作渠道进行有效的资源整合，能够显著降低合作交流成本与风险，整体网络的联系紧密度与信息传播效率将得到增强。此外，通过建立创新激励机制有助于增强产学研联盟凝聚力，加强政府在协同创新过程中的引导作用，能够进一步推进协同创新从低层次向高层次的演化。

参考文献：

［1］涂振洲， 顾新.基于知识流动的产学研协同创新过程研究［J］. 科学学研究， 2013， 31（9）： 13811390.

TU Z Z， GU X. Study on process of industry-university-research institute collaborative innovation based on knowledge flow［J］. Studies in Science of Science， 2013， 31（9）： 13811390.

［2］高霞， 陈凯华. 基于SIPO专利的产学研合作模式及其合作网络结构演化研究： 以ICT产业为例［J］. 科学学与科学技术管理， 2016， 37（11）： 3443.

GAO X， CHEN K H. Analysis on the evolution of patterns and network structure for industry-university research institute cooperation in the Chinese ICT industry based on SIPO patents［J］. Science of science and management of S & T， 2016， 37（11）： 3443.

［3］ZHANG Y， CHEN K H， ZHU G R， et al. Inter-organizational scientific collaborations and policy effects： an ego-network evolutionary perspective of the Chinese academy of Sciences［J］. Scientometrics， 2016， 108（3）： 13831415.

［4］孙天阳， 成丽红.中国协同创新网络的结构特征及格局演化研究［J］. 科学学研究， 2019， 37（8）： 14981505.

SUN T Y， CHENG L H. Research on the structure characteristics and evolutionary pattern collaborative innovation network in China［J］. Studies in Science of Science， 2019， 37（8）： 14981505.

［5］GAO X， GUO X， GUAN J C. An analysis of the patenting activities and collaboration among industry-university-research institutes in the Chinese ICT sector［J］. Scientometrics， 2014， 98（1）： 247263.

［6］戚筠， 唐恒， 石俊国. 基于小世界网络特性的核心技术识别研究——以石墨烯为例［J］.情报杂志， 2020， 39（2）： 5055.

QI Y， TANG H， SHI J G. Research on core technology identification based on small world network characteristics： a case study of graphene［J］. Journal of intelligence， 2020， 39（2）： 5055.

［7］ZHAO J Y， WU G D. Evolution of the Chinese industry-university-research collaborative innovation system［J］. Complexity， 2017（1）： 113.

［8］郭建杰， 谢富纪， 王海花， 等. 产学协同中自我中心网络动态性、区域间合作网络对企业创新的影响研究［J］. 管理学报， 2019， 16（7）： 10261034.

GUO J J， XIE F J， WANG H H， et al. Research of the effect of ego-network dynamics， inter-regional collaboration network on innovation of enterprises in industry-university collaboration［J］. Chinese Journal of Management， 2019， 16（7）： 10261034.

［9］周灿， 曾刚， 辛晓睿， 等. 中国电子信息产业创新网络演化——基于SAO模型的实证［J］.经济地理， 2018， 38（4）： 116122.

ZHOU C， ZENG G， XIN X R， et al. The dynamics of China’s electronic information industry innovation networks： an empirical research based on SAO model［J］. Economic geography， 2018， 38（4）： 116122.

［10］ 阮平南， 王文丽， 刘晓燕. 基于多维邻近性的技术创新网络演化动力研究——以OLED产业为例［J］. 研究与发展管理， 2018， 30（6）： 5966.

RUAN P N， WANG W L， LIU X Y. Dynamic evolution of technological innovation network based on multi-dimensional proximity-based on OLED industry［J］. R&D Management， 2018， 30（6）： 5966.

［11］ 曹霞，李传云，林超然.基于新能源汽车的专利合作网络演化研究［J］.科研管理， 2019， 40（8）： 179188.

CAO X， LI C Y， LIN C R. A research on the evolution of patent cooperation networks based on new energy vehicles［J］. Science Research Management， 2019， 40（8）： 179188.

［12］ 彭英， 姚恒璐， 吴菲. 组织个体创新与合作网络演化机理研究——基于通信业专利数据分析［J］. 科技进步与对策， 2015， 32（6）： 2428.

PENG Y， YAO H L， WU F. Research on the evolution mechanism of organizational individual innovation and cooperative networks： based on patent data analysis in the communication industry［J］. Science & Technology Progress and Policy， 2015， 32（6）： 2428.

［13］ MCPHERSON M， SMITH-LOVIN L， COOK J M. Birds of a feather： homophily in social networks［J］. Annual Review of a Sociology， 2003， 27（1）： 415444.

［14］ 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）： 250262.

［15］ KOSSINETS G， WATTS D J. Empirical analysis of an evolving social network［J］. Science， 2006， 311（5757）： 8890.

［16］ ZAHEER A， BELL G G. Benefiting from network position： firm capabilities， structural holes， and performance［J］. Strategic Management Journal， 2005， 26（9）： 809825.

［17］ 段庆锋， 冯珍.多维视角下技术距离对企业研发合作关系影响的实证研究［J］.科技进步与对策， 2020， 37（14）： 110117.

DUAN Q F， FENG Z. Empirical research on impact of technology distance upon R&D collaboration among enterprises from multi-views［J］. Science & Technology Progress and Policy， 2020， 37（14）： 110117.

［18］ 高霞， 其格其， 曹洁琼. 产学研合作创新网络开放度对企业创新绩效的影响［J］.科研管理， 2019， 40（9）： 231240.

GAO X， QI G Q， CAO J Q. Influence of openness on the innovation performance in the industry-university-research cooperation innovation networks［J］. Science Research Management， 2019， 40（9）： 231240.

［19］ BARABSI A L， RAVASZ E，VICSEK T. Deterministic scale-free networks［J］. Physica A： Statistical Mechanics and Its Applications， 200 299（3/4）： 559564.

［20］ BUCHMANN T， PYKA A. The evolution of innovation networks： the case of the german automotive industry［J］. Fzid Discussion Papers， 2015， 24（1/2）： 114139.

［21］ GIULIAN E. Network dynamics in regional clusters： evidence from Chile［J］. Research Policy， 2013， 42（8）： 14061419.

［22］ 武玉英， 才久然， 何喜军. 基于多层关系网络的专利技术主体间交易机会预测——以电子信息技术领域为例［J］. 情报杂志， 2020， 39（7）： 4953，100.

WU Y Y， CAI J R， HE X J. Prediction of transaction opportunities between subjects based on multi-layer relational network——take the field of the electronic information technology as an example［J］. Journal of Intelligence， 2020， 39（7）： 4953，100.

［23］ BALLAND P-A， BELSO-MART NEZ J A， MORRISON A. The dynamics of technical and business knowledge networks in industrial clusters： embeddedness， status， or proximity？［J］. Economic Geography， 2016， 92（1）： 3560.

［24］ 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）： 125133.

QIN L T， TENG T W， ZHANG Y， et al. Evolution’s characteristics and influence factors of china’s universities knowledge collaboration network［J］. Science &Technology Progress and Policy， 2020， 37（22）： 125133.

［25］ SNIJDERS T A B. Introduction to stochastic actor-based models for network dynamics［J］. Social Networks， 2010， 32（1）： 4460.

［26］ BATHELT H，LI P F. Global cluster networks—foreign direct investment flows from Canada to China［J］. Journal of Economic Geography， 2014， 14（1）： 4571.

（责任编辑 耿金花）