創新聯合體潛在合作伙伴選擇研究

摘要： 為研究創新聯合體構建過程中如何合理有效地挑選潛在合作伙伴，充分發揮創新聯合體在實現高水平科技自立自強中的戰略作用，構建了基于專利異構網絡和SimRank算法的創新主體技術背景相似度計算方法，借助可視化方法展現潛在合作關系網絡，結合譜聚類算法劃分創新聯合體潛在合作伙伴。在高分子材料領域進行實證分析，實證結果較好地展示了該領域創新主體的潛在合作關系和技術背景高度相似的創新主體聚類結果，證實了研究理論和方法的有效性，為創新聯合體伙伴選擇提供參考。

關鍵詞： 創新聯合體；專利信息；異構網絡；技術背景相似度；潛在合作伙伴

中圖分類號：F273.7；N94文獻標識碼： A

Research on the Selection of Potential Partners of Innovation Consortium

WU Jie， XIE Xiaodong， SHENG Yongxiang， GUI Liang

（School of Economics and Management， Jiangsu University of Science and Technology， Zhenjiang 212003， China）

Abstract：To explore how to reasonably and effectively select potential partners in the process of constructing innovation consortia， maximizing the strategic role of innovation consortia in achieving high-level scientific and technoligical self-reliance and strength， this paper introduces a method for computing the technical background similarity of innovative entities based on patent heterogeneity networks and the SimRank algorithm. By using visualization techniques， we display potential collaboration networks and leverage the spectral clustering algorithm to categorize potential partners for the innovation consortium. Through empirical analysis in the field of polymer materials， the results effectively showcase potential collaborative relationships and clusters of innovative entities with highly similar technical backgrounds in this field. This confirms the validity of our theoretical approach and methodology， offering guidance for the selection of partners in innovation consortiums.

Keywords： innovation consortium; patent information; heterogeneous network; similarity of technical background; potential partners

0 引言

隨著科技產業的加速變革和國際形勢的日趨復雜，龍頭企業憑借敏銳的市場嗅覺在很多影響行業發展的重大創新中起到突出作用，但對于新形勢下關鍵核心技術“卡脖子”問題的解決，其需要肩負更重要的責任［1］。習近平總書記在2021年兩院院士大會和全國科協代表大會上發表重要講話時指出，要“發揮企業出題者作用，推進重點項目協同和研發活動一體化，加快構建龍頭企業牽頭、高校院所支撐、各創新主體相互協同的創新聯合體”［2］。創新聯合體是以龍頭企業為主體，整合大學、科研院所的研發力量進行協作創新的新型組織形式，有利于以市場需求為主導進行核心技術攻關，有利于激發創新主體潛力推動技術變革，有利于實現中國高水平科技自立自強［3］。

國內關于創新聯合體的研究目前主要集中于創新聯合體的內涵與意義［45］、運行機制［67］、動力機制［7］等，對于如何尋找潛在合作伙伴構建創新聯合體的研究相對較少。尋找潛在合作伙伴是組建創新聯合體的起點，是決定創新聯合體成敗的關鍵因素，選擇高效的合作伙伴對于創新聯合體的構建可以起到事半功倍的效果。通過研究挖掘潛在合作伙伴組建創新聯合體，對提高創新效率、降低科研成本、制定戰略規劃等方面都有積極意義。現有關于合作伙伴的研究大多基于傳統視角的匹配模型［89］或者技術相似性，采用共詞分析、共引分析和耦合分析等科學計量方法［1015］，尚未從專利IPC分類號分布的網絡結構特征中進一步挖掘技術背景相似度信息，無法有效反映技術研究的方向，測度的準確性也有待提高。

本文利用企業、高校和科研院所等創新主體現有專利與IPC分類號之間的內在聯系，構建創新主體IPC異構性網絡，選取SimRank算法計算創新主體之間的技術背景相似度。通過可視化方法展現創新主體之間的潛在合作關系網絡，借助譜聚類算法將具有潛在合作關系的創新主體進行聚類分析，探索能夠構建創新聯合體的創新主體以及未來的合作趨勢。相較于現有文獻單一依靠相似度大小判定伙伴關系，本文基于SimRank算法從技術背景相似性的角度深入挖掘伙伴相似度信息，借助譜聚類算法劃分潛在合作伙伴，可以更準確、更廣泛、更快速地尋找創新聯合體潛在合作伙伴，也可以更便捷地為企業尋找合作伙伴縮小查找范圍、節約發展成本、判定合作可能性。

1 相關研究

早期已有學者對產學研聯盟進行過相關研究，但創新聯合體是在實踐中提出的新概念，其內涵特征與早期的產學研聯盟有較大的差別。對于創新聯合體的概念，李亞兵等［16］認為創新聯合體是在大企業牽頭組織下，中小企業、科研院所、高等院校等創新主體積極參與的致力于同一創新目標的產學研融合的新型組織形式；白京羽等［7］認為創新聯合體有別于傳統意義的產學研聯盟，區別在于創新聯合體具有實體組織或機構且創新聯合體應由行業內的龍頭企業主動整合創新資源進行共同研發，從而實現成果共享；劉戒驕等［17］認為新形勢下關鍵核心技術“卡脖子”問題的解決不同于傳統意義的科研，需要具有號召力的科技創新主體牽頭組織、整合資源，以創新聯合體的形式進行協同攻關。由此，本文認為創新聯合體有以下特點：1）創新聯合體有別于傳統松散的產學研聯盟，是責任歸屬明確、市場化驅動、經濟利益導向的緊密聯系的實體組織；2）創新聯合體是以龍頭企業為主導，聯合高校、科研院所等創新主體協同攻關的新型組織形式。

現有文獻主要關注創新聯合體的內涵與意義、組織模式、運行機制、能力提升路徑等，但是對于創新聯合體潛在合作伙伴的尋找研究較少，因此本文聚焦于該方面的研究內容，試圖豐富該主題的研究框架。根據創新聯合體的特點可知，創新聯合體潛在合作伙伴的尋找打破了以往伙伴尋找的邊界，創新聯合體成員需要由不同主體構成，且成員間聯系緊密，需要高度相似的技術背景等。

現有關于合作伙伴尋找的研究大致分為兩類，一類是構建匹配模型對現有合作目標進行精準匹配，如張裕穩［8］將灰靶決策與前景理論相結合，構建以整體匹配效益最大化為目標的雙邊匹配模型來尋找聯盟合作伙伴；丁榮貴［9］等在研究協同創新項目社會網絡參與方選擇決策時基于結構熵權法和三角模糊評價法構建匹配度測算模型。這一類合作伙伴選擇模型往往需要事先選定潛在的合作伙伴，且選取的合作伙伴范圍有限，合作主體也較為固定，一般局限于企業與高校之間的匹配合作。隨著機器學習算法的流行，另一類從技術相似度角度挖掘潛在合作伙伴的方法興起，如李冰［12］在研究企業潛在競合對象時以二部圖理論為基礎構建了基于專利引用關系的異構網絡，采用鏈路預測算法計算企業之間的鏈接可能性，進而用表示學習的方法判別競合關系；溫亮［15］在識別企業潛在技術合作伙伴時，通過對企業技術愿景和知識庫分析構建技術合作網絡，再利用相似度分析判別網絡內重要子領域企業的潛在技術合作伙伴。這一類方法拓寬了潛在合作伙伴的選擇范圍，不再局限于事先選定的合作對象，且合作伙伴的選擇標準也較為客觀，合作伙伴的判別效率大大提高。

以上兩類合作伙伴選擇的研究大多適用于傳統產學研聯盟中高校和企業之間合作伙伴的匹配選擇或者針對目標企業的潛在競合對象的判斷，但是創新聯合體是新時代下的新型組織形式，因此需要構建一種符合其特點的合作伙伴選擇模型。基于以上合作伙伴的研究成果，本文充分考慮創新聯合體所需合作伙伴之間的技術緊密關聯性等特點，利用異構網絡結構特征增強技術背景相似性計算效果的基礎上融入譜聚類算法進行網絡聚類分析，相較于以往單一依據相似度絕對值大小判斷合作伙伴潛力的方法，本文在提高伙伴劃分準確性的同時克服了目前伙伴劃分賦權困難、矩陣構建質量難以保證等問題，為創新聯合體潛在合作伙伴尋找提供科學依據。本文進一步完善了以專利信息為依據對創新聯合體潛在合作伙伴挖掘的主題研究，更為企業發展中尋找潛在合作對象提供新的思路，縮小查找范圍，節約企業發展成本。

2 研究設計

本文利用各類創新主體現有專利的專利權人（即創新主體名稱）和IPC分類號信息構建二部圖異構網絡，利用SimRank算法計算創新主體之間的技術背景相似度，進而用可視化和譜聚類的方法深入挖掘可構成創新聯合體的潛在合作伙伴。如圖1所示，創新主體IPC異構網絡的兩類節點分別是專利權人和IPC分類號，根據各創新主體專利IPC分類號的分布頻次為異構網絡之間的連邊賦予權重，基于該異構網絡的結構特征采用SimRank算法計算創新主體之間的技術背景相似度，從而得到創新主體之間的技術背景相似度矩陣。利用可視化的方法對相似度矩陣初步分析，探索創新主體之間的潛在合作關系網絡，進而利用譜聚類的方法將具有潛在合作關系的創新主體進行聚類，挖掘出該領域內構建創新聯合體的潛在合作伙伴與潛在合作關系。

2.1 基于二部圖的創新主體IPC異構網絡構建

二部圖是圖論中一種特殊的模型，其特點是由兩類異質性節點構成，且圖中僅有異質性節點之間會產生連邊，同質性節點之間沒有連邊。因此本文基于二部圖異構網絡的理念，將創新主體看作用戶，IPC分類號看作商品，創新主體專利中涉及的IPC分類號看作用戶選擇的具體商品，涉及的頻次看作選擇的權重，以此構建創新主體IPC異構網絡，具體結構如圖2所示［12］。

如圖2所示，該異構性網絡以創新主體和IPC分類號為節點，節點集合V=VA∪VB，其中VA為創新主體集合，VA=A1，A2，…，An，VB為IPC分類號集合，VB=B1，B2，…，Bm。若企業Ai專利中所含IPC分類號Bj的頻次為ω，則對應邊的權重wAi，Bj=ω。

2.2 基于SimRank的創新主體技術背景相似度計算

在構建創新主體IPC異構網絡的基礎上，本文選用SimRank算法［1820］計算創新主體技術背景相似度。SimRank算法利用網絡的結構特征計算創新主體之間的技術背景相似度，增強了相似度的計算效果，可以挖掘出存在相似技術背景的創新主體，為下一步尋找具有潛在合作關系的創新主體提供支撐。選用SimRank算法的原因有兩點：1）SimRank算法的計算思想跟本文所構建的創新主體IPC異構網絡較為契合；2）SimRank算法的計算穩定性較高，受網絡結構變化造成的影響較小。

SimRank相似度計算的基本假設是：與相似實體相連的實體是相似的。該假設是對共引分析和耦合分析的結合，不再局限于指向同一實體或者被同一實體指向。SimRank相似度的計算是一個基于網絡結構的遞歸運算過程，初始認定節點與自身的相似度最大為1，不同節點間相似度為0［21］，具體見式（1）。

S0a，b=1，a=b0，a≠b（1）

創新主體之間的技術背景相似度計算見式（2）。

Sk+1Ai，Aj=COAiOAj∑OAis=1∑OAjt=1SkOsAi，OtAj，i≠j1，i=j（2）

其中，OAi為創新主體Ai的出鏈鄰居節點集合，即創新主體Ai專利中所包含的IPC分類號集合，OsAi為集合OAi的一個元素，即其中一個IPC分類號。

IPC分類號之間的相似度見公式（3）。

Sk+1Bi，Bj=CIBiIBj∑IBis=1∑IBjt=1SkIsBi，ItBj，i≠j1，i=j（3）

其中，IBi為IPC節點Bi的入鏈鄰居節點集合，即包含IPC分類號Bi的創新主體集合，IsBi為集合IBi的一個元素。式（2）和式（3）中常數C為相似度“擴散”衰減系數，一般取0.8［22］。

通過計算得到任意兩家創新主體之間的技術背景相似度，構成對稱的相似度矩陣W。

W=SkA1，A1…SkA1，AnSkAn，A1…SkAn，An（4）

其中，SkAi，Aj為經過k次迭代得到的創新主體Ai和創新主體Aj之間的技術背景相似度，該相似度絕對值越大，表明兩個創新主體之間的技術背景越相似，這兩個創新主體所側重的研發方向越相似，其合作的可能性也越大。

2.3 基于可視化和譜聚類的潛在合作伙伴挖掘

考慮到所構建的創新主體技術背景相似度矩陣W數據量較大，不便于觀察，本文使用譜聚類算法對相似度矩陣W進行降維。考慮使用譜聚類算法有兩個原因：1）譜聚類算法在處理高維數據時的運算速度及效果遠遠優于傳統聚類算法，2）譜聚類算法在聚類時只需要數據之間的相似度矩陣，避免了傳統聚類算法對過程數據矩陣假設要求過多的問題（如K-means要求數據為凸集）。

首先，通過可視化手段，利用Gephi等軟件構建網絡關系圖，探索創新主體技術背景相似度矩陣的內部連邊關系，剔除孤立點，即那些與其他創新主體相似度較低的創新主體、研究技術背景比較獨特的創新主體，為下一步將具有潛在合作關系的創新主體聚類做支撐。其次，可以利用可視化手段進一步挖掘出相似度較高，潛在合作機會較大的相關創新主體。最后，利用譜聚類的方法將技術背景相似度較高的創新主體進行聚類，即將那些具有潛在合作關系的創新主體進行聚類［23］，最終得到的聚類結果即為有可能組建創新聯合體的潛在對象，具體聚類步驟如下。

根據創新主體技術背景相似度矩陣W，可以計算出上文所構架的創新主體IPC異構網絡的拉普拉斯矩陣L：

L=D－W（5）

其中，D是對稱矩陣，D=diagd1，…，dn，di=∑jWij，di表示矩陣W中第i行所有元素的和。將矩陣L進行歸一化譜分解，得到其前k個最小特征值所對應的特征向量，并將其組成一個k*n的矩陣P，然后對矩陣P進行k-means聚類得到向量F。顯然，相似度矩陣中每一列對象所屬的類別分別對應于n維向量F，從而獲得最后的聚類結果［24］。

3 實證分析

3.1 數據預處理和創新主體IPC異構網絡構建

本文實證研究采用高分子材料領域的中國專利，選用IncoPat專利數據庫作為本文的數據來源，該數據庫涵蓋了全球120個國家的專利著作數據，其數據來源準確，且更新速度較快。本文對中國地區的高分子材料專利進行檢索，選取具有代表性的企業、大專院校以及研究所進行分析，數據下載時間為2022年8月，合并同族后獲得16 479個專利族作為本文的源數據。抽取所有專利的申請人和IPC分類號用作構建創新主體IPC異構網絡。

本文對樣本數據的處理主要包含幾個部分：

第1步：對于部分發明專利的專利權人超過一人的情況，將專利權人進行拆分處理，同時保留這部分專利權人的信息作為專利權人實際合作信息，用作后續驗證模型有效性。

第2步：為便于計算以及可視化觀察，僅保留IPC分類號和大類信息。

第3步：由于該領域內專利權人較多，綜合考慮專利權人專利數量和可視化效果，本文僅選取擁有專利數量在50件以上的58家創新主體和對應的94個IPC分類號作為節點構建創新主體IPC異構網絡，具體網絡如圖3所示。

圖3為152個節點（58家創新主體，94個IPC分類號）和668條連邊構成的創新主體IPC異構網絡，圖中連邊的粗細代表了邊的權重，即該創新主體專利中所含IPC分類號的頻次大小。由圖3可以看出，C07（有機化學）、C08（有機高分子化合物；其制備或化學加工；以其為基料的組合物）、B29（塑料的加工；一般處于塑性狀態物質的加工）等IPC分類號處于該異構性網絡的中心區域，且連線較多較粗，說明此類IPC分類號所代表的具體小領域是高分子材料領域內研究的重點方向。同時，吉林大學、中國石油化工股份有限公司和江南大學與C08的連線較粗，說明這三家創新主體是C08分類號所代表小領域（有機高分子化合物；其制備或化學加工；以其為基料的組合物）內的主要研發力量。

3.2 創新主體技術背景相似度計算

在本文所構建創新主體IPC異構網絡的基礎上，選用SimRank算法計算創新主體之間的技術背景相似度，

該相似度的絕對值表明了兩家創新主體之間技術背景相似性的大小。

在實證之前，本文對模型進行有效性檢驗，檢驗方式為將計算相似度與實際合作次數進行對比［12］。將所得計算相似度與企業之間實際合作次數的前100對合作關系進行對比，檢驗其相關性。回歸分析結果如表1所示。

由表1可知，R為0.764，表明計算所得相似度與實際值之間有較強的相關性，該模型是可行的。

通過Python軟件計算，創新主體之間的技術背景相似度計算結果如表2所示。

表2中的數據為創新主體之間的技術背景相似度，根據SimRank算法相關原理，若該相似度的值大于0.05，則說明這兩家創新主體之間存在潛在的相關關系，由于該數據是一個58×58的對稱矩陣，不便于觀察，因此可以通過可視化的方法將其轉化成創新主體潛在合作關系網絡圖（圖4），從而便于比較分析。

圖4是由58個節點（58家創新主體）和365條連邊構成的網絡圖，其中連邊代表了創新主體之間存在潛在的相關關系，連邊的顏色越深，表示節點對之間的技術背景相似度越高。圖4可以看出，復旦大學、深圳光啟創新技術有限公司、同濟大學和華南理工大學未和其他創新主體產生連邊，說明這四家創新主體的技術背景較為特殊，研究方向比較獨特。其他節點構成了兩個比較明顯的聚類團，一類是以蘭州科天水性高分子材料有限公司和江蘇寶澤高分子材料有限公司為中心的較為稀疏的聚類團，反映了該聚類內企業的技術背景有一定聯系，但是研究方向較為分散；另一類聚類團是東南大學、北京理工大學和電子科技大學為中心的較為密集的聚類，該聚類包含節點較多，且中心節點較為密集，連線較多，說明該聚類內中心節點潛在合作機會較大，方向較為接近，該聚類外圍節點也較為分散，此類節點是中心節點的擴散，與中心節點存在聯系，但研究方向有所區別。

3.3 潛在合作伙伴挖掘

圖4的創新主體潛在合作網絡關系圖的網絡整體密度達到0.239 8，圖中節點連邊較多，不能較為清楚地展現網絡結構。為獲得更好的可視化效果，可以考慮利用邊的強弱關系（即相似性的大小）進行過濾，保留下強度較高的連邊。

如圖5所示，過濾掉連邊強度小于0.1的節點和連邊后，得到由11個節點和35條連邊構成的網絡圖。該網絡圖中節點之間的距離越近，連邊越粗表明兩個節點代表的創新主體的技術背景越相似，其潛在合作機會越大。可以看出，這11家創新主體之間技術背景極為相似，單從研發方向和技術背景角度考慮，這11家創新主體之間組建創新聯合體進行合作攻關的成功概率較大。雖然現實中這11家創新主體之間展開的合作較少，但是由于其存在高度相似的技術背景，在未來合作的可能性還是較大的。由于上述可視化網絡僅能將潛在合作關系較強的創新主體之間產生聚類效果，考慮到還有很多具有潛在合作關系的創新主體之間未產生明顯的聚類效果，因此在剔除潛在合作網絡中的4個孤立點（復旦大學、深圳光啟創新技術有限公司、同濟大學和華南理工大學）后可以進一步將在潛在合作網絡關系中的54家創新主體進行譜聚類，將上文計算的技術背景相似度矩陣數據進行壓縮，方便分析的同時挖掘其中的隱含信息。聚類之后的結果，可以方便快捷地找出存在潛在合作機會的創新主體。譜聚類的結果如表3所示。

由表3聚類結果可以觀察到，聚類序號為1的17家創新主體包含了上述11家具有較強潛在合作關系創新主體中的10家（除合肥市再德高分子材料有限公司），可以看出該聚類的結果與前文分析一致，聚類效果較好。表3所示54家創新主體在高分子材料領域科技創新能力較為突出，但是其側重的產品特性、功能有所差異，通過聚類可以有效地將54家創新主體的技術背景相似性，即潛在合作可能性有效區分，相同聚類序號中的創新主體之間不僅技術背景相似度較高，而且所側重的研究方向較為相似，因此相同聚類序號中的創新主體便是潛在的合作伙伴。如聚類序號為1的創新主體中即可組成龍頭企業牽頭（中國石油化工股份有限公司）、高校院所支撐（吉林大學、四川大學、清華大學等雙一流高校）、各創新主體相互協同（合肥杰事杰新材料股份有限公司、蘭州科天水性高分子材料有限公司、江蘇寶澤高分子材料有限公司等中小企業）的創新聯合體，其余聚類號組建創新聯合體過程與聚類號1過程相仿，在此不再贅述。創新聯合體的組建可以集聚創新資源，推動產業實現重大技術突破，解決產業發展的關鍵和共性技術問題，形成產業核心技術標準和技術創新鏈，提升產業核心競爭力，促進產業結構優化升級。但鑒于上文所構建的創新主體IPC異構網絡中所包含的企業專利信息量過少，因此表3所示聚類結果僅是粗略的潛在合作伙伴劃分，現實研究中還要考慮創新聯合體實際合作中所涉及到的資金、人才、實驗設置等因素，從而提高創新聯合體合作效率。

4 結論

創新聯合體是新時代下的新產物，相較于以往學者研究合作伙伴時選擇構建匹配模型進行精準匹配或者從目標企業的視角利用機器學習算法判別競合伙伴，創新聯合體潛在合作伙伴的選擇需要結合其組織成員多樣、聯系緊密、技術背景高度相似等特點進行分析。因此本文在充分考慮創新聯合體特點的基礎上提出了基于專利異構網絡和SimRank算法的創新主體技術背景相似度計算方法以及結合譜聚類算法的伙伴選擇方法。而且，與傳統伙伴選擇模型相比，該方法可以更精確、更廣泛、更快速、更便捷地尋找潛在合作伙伴，可以實時根據行業專利信息為伙伴選擇提供導航，同時也可充分預測未來的創新聯合體發展趨勢，為該領域的戰略規劃和科技政策的制定提供建議。

本文的貢獻有：

1）更精確地計算創新主體之間的相似度。本文提出的基于專利異構網絡和SimRank算法的創新主體技術背景相似度計算方法能夠充分利用專利信息中專利權人和IPC分類號分布之間的結構特征，使得對網絡信息獲取和挖掘分析的結果更加準確。相較于以往單一依靠相似度絕對值大小尋找合作伙伴的方法（如借助余弦相似度計算創新主體之間的技術相似度），能夠更為準確地挖掘出潛在合作伙伴。

2）更廣泛地在全球范圍內尋找潛在合作伙伴。本文借助專利數據構建的創新聯合體潛在合作伙伴選擇模型，可以在全球范圍內選擇恰當的專利數據進行分析，相較于傳統伙伴選擇模型（如雙邊匹配等），可以擴大伙伴選擇的范圍，豐富合作伙伴的類型，為實際企業發展中尋找潛在合作伙伴提供了新的思路。

3）更快速地進行潛在合作伙伴劃分。本文利用譜聚類算法為技術背景相似度矩陣降維分析，避開了傳統聚類算法對過程數據矩陣要求過多的問題（如K-means要求數據為凸集），且在處理高維數據時的運算速度及效果遠遠優于傳統聚類算法，譜聚類的劃分結果可以簡單快速地為創新聯合體的潛在合作伙伴選擇起到參考作用。

4）更便捷地為企業判別合作可能性提供建議。本文基于創新主體IPC異構網絡而建立的潛在合作網絡可以借助技術背景相似度指標考察任意兩個節點之間技術背景的相似性，進而評估合作可能性。因此現實情況中企業可以依據潛在合作網絡衡量與其他企業的合作可能性，更便捷地為企業伙伴選擇提供建議。

本文的不足之處在于，僅僅考慮創新主體的專利信息，而忽略了創新主體的論文信息等，下一步可以考慮構建專利、論文等多重信息的多層網絡結構，從而更精確地預測創新主體之間的潛在合作關系。

參考文獻：

［1］孫喜， 李明， 徐珂欣. 從產業升級中的龍頭企業角色理解創新的非線性特征 ［J］. 科學學與科學技術管理， 2022， 43（1）： 107123.

SUN X， LI M， XU K X. Understanding the nonlinear characteristics of innovation from the role of leading enterprises in industrial upgrading ［J］. Science of Science and Management of Science and Technology， 2022， 43（1）： 107123.

［2］尹西明， 陳泰倫， 陳勁， 等. 面向科技自立自強的高能級創新聯合體建設 ［J］. 陜西師范大學學報（哲學社會科學版）， 2022， 51（2）： 5160.

YIN X M， CHEN T L， CHEN J， et al. Construction of high-energy level innovation consortia for self-reliance and self-improvement in science and technology ［J］. Journal of Shaanxi Normal University （Philosophy and Social Sciences）， 2022， 51（2）： 5160.

［3］郭菊娥， 王夢迪， 冷奧琳. 企業布局搭建創新聯合體重塑創新生態的機理與路徑研究 ［J］. 西安交通大學學報（社會科學版）， 2022， 42（1）： 7684.

GUO J E， WANG M D， LENG A L. Research on the mechanism and path of enterprise layout， building a new consortium and rebuilding a new state ［J］. Journal of Xi′an Jiaotong University （Social Science Edition）， 2022， 42（1）： 7684.

［4］王崢， 龔軼. 創新共同體：概念、框架與模式 ［J］. 科學學研究， 2018， 36（1）： 140148，175.

WANG Z， GONG Y. Innovation community： concept， framework and model ［J］. Science of Science Research， 2018， 36（1）： 140148，175.

［5］李寧， 王玉婧， 陳星. 創新共同體與學科內涵式建設互動研究 ［J］. 中國高校科技， 2018（9）： 4446.

LI N， WANG Y J， CHEN X. Research on the interaction between innovation community and discipline connotative construction ［J］. Chinese University Science and Technology， 2108（9）： 4446.

［6］王福， 劉俊華， 王建國. 產學研共同體信息共享的形成機理及實現路徑 ［J］. 現代情報， 2020， 40（12）： 7483.

WANG F， LIU J H， WANG J G. Formation mechanism and realization path of industry-university-research community information sharing ［J］. Modern Information， 2020， 40（12）： 7483.

［7］白京羽， 劉中全， 王穎婕. 基于博弈論的創新聯合體動力機制研究 ［J］. 科研管理， 2020， 41（10）： 105113.

BAI J Y， LIU Z Q， WANG Y J. Research on the dynamic mechanism of innovation consortia based on game theory ［J］. Scientific Research Management， 2020， 41（10）： 105113.

［8］張裕穩， 陳萬明， 吳潔， 等. 基于行為視角的聯盟合作伙伴選擇 ［J］. 系統工程， 2018， 36（6）： 143148.

ZHANG Y W， CHEN W M， WU J， et al. Alliance partner selection based on behavioral perspective ［J］. Systems Engineering， 2018， 36（6）： 143148.

［9］丁榮貴， 高少沖， 孫濤， 等. 匹配視角下協同創新項目社會網絡參與方選擇決策 ［J］. 軟科學， 2018， 32（4）： 16.

DING R G， GAO S C， SUN T. Selection and decision-making of social network participants in collaborative innovation projects from the perspective of matching ［J］. Soft Science， 2018， 32（4）： 16.

［10］ DANIEL H Z， HEMPEL D J， SRINIVASAN N. A model of value assessment in collaborative Ramp;D programs ［J］. Industrial Marketing Management， 2002， 31（8）： 653664.

［11］ BROUTHERS K D， BROUTHERS L E， WILKINSON T J. Strategic alliances： choose your partners ［J］. Long range planning， 1995， 28（3）： 225.

［12］ 李冰， 丁堃， 孫曉玲. 企業潛在技術合作伙伴及競爭者預測研究——以燃料電池技術為例 ［J］. 情報學報， 2021， 40（10）： 10431051.

LI B， DING K， SUN X L. Research on forecasting potential technology partners and competitors of enterprises—taking fuel cell technology as an example ［J］. Journal of Information Science， 2021， 40（10）： 10431051.

［13］ LOZANO S. Using DEA to find the best partner for a horizontal cooperation ［J］. Computers amp; Industrial Engineering， 2013， 66（2）： 286292.

［14］ ANGUE K， AYERBE C， MITKOVA L. A method using two dimensions of the patent classification for measuring the technological proximity： an application in identifying a potential Ramp;D partner in biotechnology ［J］. The Journal of Technology Transfer， 2014， 39（5）： 716747.

［15］ 溫亮， 邱鵬君， 馬萍萍， 等. 基于SAO語義分析的潛在技術合作伙伴識別 ［J］. 北京理工大學學報（社會科學版）， 2017， 19（4）： 9196.

WEN L， QIU P J， MA P P， et al. Identification of potential technology partners based on SAO semantic analysis ［J］. Journal of Beijing Institute of Technology （Social Science Edition）， 2107， 19（4）： 9196.

［16］ 李亞兵， 游肖迪， 趙振. 創新聯合體關系嵌入對中小企業創新能力的影響 ［J］. 華東經濟管理， 2022， 36（10）： 120128.

LI Y B， YOU X D， ZHAO Z. The impact of innovation consortium relationship embedding on the innovation capability of small and medium enterprises ［J］. East China Economic Management， 2022， 36（10）： 120128.

［17］ 劉戒驕， 方瑩瑩， 王文娜. 科技創新新型舉國體制：實踐邏輯與關鍵要義 ［J］. 北京工業大學學報（社會科學版）， 2021， 21（5）： 89101.

LIU J J， FANG Y Y， WANG W N. A new nation-wide system of scientific and technological innovation： practical logic and key essentials ［J］. Journal of Beijing University of Technology （Social Science Edition）， 2021， 21（5）： 89101.

［18］ JEH G， WIDOM J. SimRank： a measure of structural-context similarity ［C］∥Proceedings of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Edmonton， Alberta， Canada： Association for Computing Machinery， 2002： 538543.

［19］ FOGARAS D， R CZ B. Scaling link-based similarity search ［C］∥Proceedings of the 14th International Conference on World Wide Web. Chiba， Japan： Association for Computing Machinery， 2005： 641650.

［20］ LI C， HAN J， HE G， et al. Fast computation of SimRank for static and dynamic information networks ［C］∥Proceedings of the 13th International Conference on Extending Database Technology. Lausanne， Switzerland： Association for Computing Machinery， 2010： 465476.

［21］ 劉萍， 黃純萬. 基于SimRank的作者相似度計算 ［J］. 情報理論與實踐， 2015， 38（6）： 109114.

LIU P， HUANG C W. Author similarity calculation based on simRank ［J］. Information Theory and Practice， 2015， 38（6）： 109114.

［22］ ZHAO P， HAN J， SUN Y. P-Rank： a comprehensive structural similarity measure over information networks ［C］∥Proceedings of the 18th ACM Conference on Information and Knowledge Management. Hong Kong， China： Association for Computing Machinery， 2009： 553562.

［23］ 劉紫涵， 吳鵬海， 吳艷蘭. 三種譜聚類算法及其應用研究 ［J］. 計算機應用研究， 2017， 34（4）： 10261031.

LIU Z H， WU P H， WU Y L. Three spectral clustering algorithms and their applications ［J］. Computer Application Research， 2017， 34（4）： 10261031.

［24］ 李鵬清， 李揚定， 鄧雪蓮， 等. 一種基于SimRank得分的譜聚類算法 ［J］. 計算機科學， 2018， 45（S2）： 458461，467.

LI P Q， LI Y D， DENG X L， et al. A spectral clustering algorithm based on SimRank score ［J］. Computer Science， 2018， 45（S2）： 458461，467.

（責任編輯 耿金花）