多維鄰近性及交互性對合作創新網絡演化的影響

摘 要：基于生命周期視角，選取中國智能制造裝備業2001—2020年數據進行實證研究，探究多維鄰近性及交互性對合作創新網絡演化的動態影響機制。結果發現：①中國智能制造裝備業合作創新網絡演化呈現階段性擴大特征。區域內部合作創新網絡由“單核—邊緣型”向“雙核—多重點—邊緣”型演變，跨區域合作創新網絡由“一軸兩點”型向“菱形”格局演變；②知識鄰近性與合作創新網絡演化具有倒U型關系，社會鄰近性對合作創新網絡演化具有顯著促進作用，而制度鄰近性的影響不顯著；③社會鄰近性與制度鄰近性具有顯著替代效應，知識鄰近性與制度鄰近性、知識鄰近性與社會鄰近性交互項對合作創新績效的影響不顯著。據此，提出提高合作創新績效和區域創新能力的政策建議。

關鍵詞：多維鄰近性；交互性；合作創新網絡演化；智能制造裝備業

DOI：10.6049/kjjbydc.H202308110

中圖分類號：F207

文獻標識碼：A

文章編號：1001-7348（2025）02-0011-11

0 引言

“十四五”規劃強調要把堅持創新驅動發展戰略作為全面塑造發展新優勢的重要舉措，因此創新是構建新發展格局的關鍵驅動力量。當前，技術創新活動具有高度復雜性和不確定性，創新主體僅依靠自身資源無法完成全流程創新，還需要與其它主體展開合作，形成資源共享和風險共擔的合作創新網絡[1]。隨著合作創新網絡主體數量和連接關系的不斷增加，合作創新網絡也在不斷演化發展。智能制造裝備業是先進制造技術、信息技術、智能技術集成和深度融合的高性能裝備產業[2]，近年來產業規模迅速擴大。數據顯示，2022年我國智能制造裝備市場規模高達2.68萬億元。智能制造裝備產業是第四次工業革命發展的主要方向，也是中國實現“中國制造”向“中國智造”轉變的關鍵。2015年，國務院發布的《中國制造2025》戰略明確提出“以推進智能制造為主攻方向，實現制造業由大變強的歷史跨越”。然而，我國智能制造裝備業尚存在合作創新效率低、網絡結構亟待優化等問題。因此，探討合作創新網絡演化趨勢和影響機理，對于優化中國智能制造裝備業創新資源配置具有重要意義。

當前，合作創新網絡演化研究主要集中在以下兩個方面：第一，基于網絡結構探討合作創新網絡演化規律。合作創新網絡結構由松散到集中化發展[3]、由低級向高級演化[4]，展現出由無序隨機網絡向 “小世界”網絡[5]和無標度網絡演變的特征[6]。第二，從多維鄰近性視角考察合作創新網絡演化。Torre等[7]指出隨著交通便利性增加和信息技術發展，信息傳播成本下降，地理鄰近性的重要性呈下降趨勢[8]。隨著研究的不斷深入，相關研究由單一地理鄰近性向多維鄰近性拓展，延伸出認知鄰近性、組織鄰近性[9]、制度鄰近性[10]、文化鄰近性[11]、關系鄰近性[12]、社會鄰近性和技術鄰近性[13]等維度。其中，組織鄰近性和社會鄰近性對合作創新網絡演化具有顯著正向作用[14]，認知鄰近性具有負向作用，信息化鄰近性與創新網絡演化呈 “U”型關系[15]。

綜上所述，既有研究存在如下不足：第一，從單一維度分析鄰近性對合作創新網絡演化的影響，忽視了多維鄰近性交互作用對合作創新網絡演化的影響機理。第二，從靜態視角研究多維鄰近性對合作創新網絡演化的影響，忽視了合作創新網絡演化的階段性特征以及多維鄰近性對合作創新網絡演化的異質性影響。鑒于此，本文以中國智能制造裝備業為研究對象，基于生命周期理論，利用社會網絡分析方法構建模型，考察各階段多維鄰近性及交互性對智能制造裝備業合作創新網絡演化的影響效應和作用機理，提出提高中國智能制造裝備業整體技術水平的措施。

1 理論基礎與研究假設

1.1 創新主體多維鄰近性

學者對多維鄰近性概念進行了不同分類。其中，黨興華和弓志剛（2013）將技術創新合作劃分為個人、組織、區域3種類型，對鄰近性概念進行了修正。合作創新網絡演化涉及知識、資源和行為整合（陳勁等，2012），創新主體需克服地理距離、知識距離、制度距離、社會距離等，因此地理鄰近性、知識鄰近性、制度鄰近性、社會鄰近性是影響創新主體選擇合作伙伴的主要因素。5G移動通信技術的推廣以及各類虛擬組織和大數據信息平臺的建立使隱性知識得以快速遠距離傳播，地理鄰近性的作用逐漸減弱，其它鄰近性的作用日益增強[14]。因此，本文選取知識鄰近性、社會鄰近性和制度鄰近性考察多維鄰近性。

1.2 多維鄰近性與合作創新網絡

1.2.1 知識鄰近性

知識鄰近性是指創新主體在知識領域、知識規模和知識結構方面具有相似性，它影響創新主體對溢出知識的吸收能力和知識轉移效率。在合作創新過程中，較高的知識鄰近性能縮短創新主體間的知識距離，提高知識流動效率，促使創新主體吸收和消化新知識，降低溝通成本，提高合作效率。因此，知識鄰近性是合作主體進行知識交流和知識轉移的必要條件。然而，過高的知識鄰近性有可能會抑制合作創新網絡演化。首先，過高的知識鄰近性會減少合作創新機會。由于知識具有外溢性，尋求技術突破的創新主體通常會選擇具有較高技術創新能力的創新主體進行合作（張路蓬等，2018），創新主體知識存量越高，越容易吸引其他主體與之合作，但過高的知識鄰近性會降低知識溢出和吸收效率，降低創新主體合作創新的可能性。其次，與具有較高知識權力的創新主體進行合作更有利于知識接收方獲取關鍵資源，并且知識資源的創新性和高增值性能強化這種擇優合作機制（李柏洲等，2022），而過高的知識鄰近性會降低獲得關鍵資源的傾向性。再次，過高的知識鄰近性會使創新主體缺乏知識碰撞，形成認知鎖定，陷入“競爭力陷阱”。最后，會增加企業知識外溢風險，導致技術創新成果極易被竊取[16]。

綜上所述，較低的知識鄰近性會增加溝通成本，不利于創新主體理解和吸收新知識；而過高的知識鄰近性則會降低雙方合作意愿，產生認知鎖定和創新成果外溢風險。據此，本文提出以下假設：

H1：知識鄰近性與合作創新網絡演化呈倒U型影響關系。

1.2.2 制度鄰近性

合作創新網絡演化受制度環境的影響，制度環境差異會產生制度壁壘，阻礙創新主體合作的順利進行（黨興華等，2013）。制度鄰近性是指地區間制度框架的相似性，是地區間建立產業聯系的基礎[17]。制度包括正式制度和非正式制度，正式制度主要包括市場環境、技術創新政策和相關管理規范等。政府通過打破行政性壟斷建立全國統一大市場，維持公平的市場競爭秩序，搭建合作創新平臺，制定創新激勵政策，引導創新資源集聚，擴大創新主體合作規模，提高創新績效。在非正式制度中，價值觀念、風俗習慣影響創新主體的溝通成本和互信成本。基于相似價值觀念合作的創新主體溝通更加順暢，合作成本更低。因此，制度鄰近意味著在相似的制度環境下，創新主體基于相似的制度基礎和價值觀念，共同遵守行動規則進行合作創新，行為規則和思維模式具有一致性，能夠降低合作風險和合作成本，提高合作的可能性及創新主體合作創新績效[18] 。據此，本文提出以下假設：

H2：制度鄰近性對合作創新網絡演化具有正向影響。

1.2.3 社會鄰近性

社會鄰近性是指具有相同空間的創新主體信任和經驗的相似性[13]，即創新主體在微觀層面的社會嵌入性（阮平南等，2018）。這種基于以往合作經驗和信任建立的關系網絡不但能夠限制創新主體機會主義行為[19]，淡化純利潤動機的市場交換（徐瑩等，2022），降低合作不確定性，還能提高創新主體學習效率，促進隱性知識轉移，增加創新主體未來合作的可能性，推動合作創新網絡持續演化[20]。據此，本文提出以下假設：

H3：社會鄰近性對合作創新網絡演化具有正向影響。

1.3 多維鄰近性間的交互作用

已有研究表明，多維鄰近性對合作創新網絡演化具有多重影響（徐瑩等，2022；余謙等，2018），鄰近性之間還存在補償效應，即多維鄰近性能降低單一鄰近性對創新的負面效應[21]。 本文在前述假設的基礎上，進一步探究知識鄰近性、社會鄰近性和制度鄰近性的交互作用。

（1）知識鄰近性與制度鄰近性。首先，正式制度鄰近性使創新主體基于相同的法律法規和經濟行為規范進行合作，能夠降低合作法律風險和交易成本，提高合作成功概率。非正式制度鄰近性使創新主體具有相似的價值觀念和風俗習慣，促進知識溢出更加順暢，有助于提高創新主體知識吸收效率。因此，制度鄰近性不但能提高合作創新績效，還能提高創新主體知識吸收效率，影響創新主體的知識鄰近性。其次，知識是合作創新的基礎，具有知識鄰近性的創新主體更容易進行合作并形成相似的價值觀念，從而影響制度鄰近性。因此，制度鄰近性與知識鄰近性具有交互作用，共同影響合作創新網絡演化。據此，本文提出以下假設：

H4a：知識鄰近性與制度鄰近性具有交互作用。

（2）制度鄰近性與社會鄰近性。在合作創新網絡中，創新主體只有嵌入一定的社會關系，共同遵守社會制度和相關規定，形成共同觀念和行為慣例，才能彼此信任，因此制度鄰近性是社會鄰近性產生的基礎。同時，創新主體在合作過程中持續進行交流，增加合作經驗，價值觀念逐漸趨同，行為規則和思維模式趨于一致。因此，社會鄰近性與制度鄰近性在影響合作創新網絡演化過程中具有交互作用。據此，本文提出以下假設：

H4b：制度鄰近性與社會鄰近性具有交互作用。

（3）知識鄰近性與社會鄰近性。社會鄰近性是基于信任關系形成的社會嵌入網絡，反映創新主體嵌入社會網絡的遠近。一方面，較高的社會鄰近性能夠降低創新主體溝通成本，促進隱性知識轉移，提高知識溢出效率，還能限制機會主義行為，減少合作過程中的不確定性，增加創新主體知識存量，提高知識鄰近性。另一方面，具有相似知識存量和知識權力的創新主體在合作創新網絡中更容易進行創新合作并產生信任關系，進而促進社會鄰近性提升。因此，知識鄰近性與社會鄰近性具有交互作用，共同影響合作創新網絡演化。據此，本文提出以下假設：

H4c：知識鄰近性與社會鄰近性具有交互作用。

根據以上理論分析，本文構建多維鄰近性及交互性與合作創新網絡演化關系理論模型，如圖1所示。

2 研究設計

2.1 研究方法

社會網絡分析法是一種綜合利用圖論和數學模型研究復雜網絡的方法[22]，已被廣泛應用于構建合作網絡，能刻畫網絡拓撲結構和空間組織的動態變化[23]，并揭示深層次結構和規律[14]。因此，本文基于社會網絡分析方法，運用Gephi、ArcGIS等可視化軟件，選取網絡節點數量、網絡邊數、連接次數、網絡密度、平均路徑長度、平均聚類指數等指標對合作創新網絡演化規律進行分析。

2.2 變量測度

2.2.1 被解釋變量

本文借鑒其他學者研究成果[24-25]，以合作創新績效（Pat）作為被解釋變量，采用區域間合作申請專利數量測度，計算公式如下：

2.2.2 解釋變量

（1） 知識鄰近性（knp）。知識鄰近性為合作創新提供相似的知識基礎，各區域知識稟賦差異對合作創新具有不同影響。本文采用各區域每年積累的有效發明專利數量表征知識基礎，知識鄰近性計算公式如下：

其中，knpij表示區域i和區域j之間的知識鄰近性，kni、knj分別表示區域i和區域j積累的有效發明專利數，max|kni－knj|為所有區域有效發明專利數量差值的最大值。

（2） 社會鄰近性（socp）。社會鄰近性是指創新主體間在微觀層面的社會嵌入性，較高的社會鄰近性有助于提高創新主體合作概率[26]。因此，本文使用區域間合作歷史對社會鄰近性進行測度，用socpij表示區域間社會鄰近性測度值。計算公式如下：

當區域i和區域j之間有合作歷史時，社會鄰近性為1；當兩者無合作歷史時，社會鄰近性為0。

（3） 制度鄰近性（InP）。我國區域制度差異主要表現為區域壁壘和地方保護主義，由體制機制障礙引發的標準、規則和執法不統一會造成行政性壟斷和各類封閉小市場，阻礙商品要素資源在全國范圍內流動，限制創新主體合作伙伴選擇范圍。因此，本文使用地方保護程度相似性衡量制度鄰近性，借鑒黨興華等（2013）、徐瑩等（2022）的研究，采用各區域商品零售價格指數測度，計算公式為：

其中，InPij為區域i和區域j的制度鄰近性，ini、inj分別為區域i和區域j的商品零售價格指數，max|ini－inj|為所有區域商品零售價格指數差值的最大值。

2.2.3 控制變量

（1）經濟發展水平相似性（ecop）。研究表明，經濟發展水平相似性越高的區域，技術轉移和合作創新越順暢[27-28]，合作創新網絡連接數量越多。因此，本文借鑒張劍等[8]、陳躍剛等[29]、胡悅等[30]的研究，采用各區域人均生產總值測度經濟發展水平相似性，計算公式如下：

其中，ecopij表示區域i和區域j的經濟發展水平相似性，GDPi、GDPj分別表示區域i和區域j的人均生產總值，max|GDPi－GDPj|為所有區域人均生產總值差值的最大值。

（2）科研經費投入水平相似性（RDexpp）。本文將科研經費投入水平相似性設為控制變量，用Ramp;D經費內部支出衡量，計算公式如下：

其中，RDexppij表示區域i和區域j的科研經費投入水平相似性，RDexpi、RDexpj分別表示區域i和區域j的Ramp;D經費內部支出，max|RDexpi－RDexpj|為所有區域Ramp;D經費內部支出差值的最大值。

2.3 模型構建

創新主體可能存在某種空間競爭，導致數據方差明顯大于平均值，未滿足泊松分布特征，因此使用負二項回歸構建模型。

首先，探究多維鄰近性對合作創新績效的影響效應，構建模型1，如式（7）。

patij=0+β1knpij+β2socpij+β3Inpij+β4knpsij+β5ecopij+β6RDexppij+ε（7）

其次，考察多維鄰近性的交互作用，加入多維鄰近性的交互項，構建模型2，如式（8）。

patij=0+β1knpij+β2socpij+β3Inpij+β4knpij×socpij+β5knpij×Inpij+β6socpij×Inpij+β7ecopij+β8RDexppij+ε（8）

其中，knpsij表示知識鄰近性的平方項，knpij×socpij、knpij×Inpij、socpij×Inpij表示知識鄰近性、社會鄰近性、制度鄰近性的交互項。

3 實證結果分析

3.1 數據來源與描述性統計分析

本文在大為innojoy商業專利數據庫中檢索在中國申請的智能制造裝備業專利數據。大為innojoy專利數據庫高度整合全球專利文獻資源，收錄的專利信息數量多，包含信息面廣[31]。由于發明專利創新性最高，因此本文僅檢索發明專利。在數據檢索過程中，由于權威部門數據統計存在一定滯后性且統計口徑發生變化，導致無法獲得完整的2021-2022年數據，故采用2001-2020年數據進行分析。根據《戰略性新興產業重點產品和服務指導目錄》（2016 版）確定智能制造裝備業關鍵詞，檢索式為（ADY=（2001 TO 2020）） and （TI，ABST+=（智能制造 or 智能設備 or 智能裝置 or 測控設備 or 智能裝備關鍵基礎零部件 or 工業機器人 or 工作站 or 智能加工設備 or 智能物流設備 or 智能農業機械設備 or 智能制造技術和設備） and PAN≥2），時間窗口為2001年1月1日—2020 年12月31日。對檢索數據進行篩選，只保留兩個及以上申請人合作發明專利，并剔除外國機構申請的專利，由于個人申請專利缺乏所屬位置信息，故予以剔除[2]。本文選取各省份科技活動經費內部支出衡量Ramp;D經費內部支出，數據來源于《中國科技統計年鑒》（2002-2021），各省份商品零售價格指數和人均GDP數據來源于《中國統計年鑒》（2002-2021）。

利用Stata15軟件對數據進行描述性統計分析，結果如表1所示。從合作申請專利數量平均值和社會鄰近性平均值看，我國智能制造裝備業合作創新次數較少。合作申請專利數量最大值為10，最小值為0，平均值為0.049 8，標準差為0.386 7，方差為0.149 5，方差明顯大于期望值，說明數據離散程度較高，因此使用負二項回歸。

3.2 合作創新網絡演化特征

3.2.1 合作創新網絡時間演化分析

為反映中國智能制造裝備業合作創新網絡時間演化的階段性特征，本文基于生命周期視角，將研究期劃分為初創期（2001—2010年）、成長期（2011—2015年）、成熟期（2015—2020年），運用Gephi軟件分別測算各階段合作創新網絡拓撲結構，結果如表2所示。從中可見，2001—2020年中國智能制造裝備業合作創新網絡規模不斷擴大，參與合作創新的省份數量持續增加，由初創期的21個增加到成熟期的32個。網絡邊數大幅增加，由初創期的32條增加到成熟期的128條。這說明，創新主體之間的聯系更加緊密，越來越多的創新主體積極投入到合作創新研發活動中。網絡密度由初創期的0.152升至0.258，說明合作創新網絡聯系愈發緊密。網絡直徑由4降至3，表明網絡節點信息傳遞效率提高。平均路徑長度由2.169降至1.827，說明節點間的信息交流路徑縮短，信息傳遞更加便捷。平均聚類系數表現出先升高后下降態勢，由初創期的0.609升至成熟期的 0.613，說明網絡小世界效應增強，網絡內知識流動和轉移效率得以提升。

3.2.2 合作創新網絡空間演化分析

為研究中國智能制造裝備業合作創新網絡空間演化規律，本文將專利信息組織名稱與國家市場監督管理總局注冊信息進行匹配，獲得申請者的地址信息，根據地址信息構建區域合作創新網絡。

（1）區域內部合作創新網絡演化分析。中國智能制造裝備業區域內部合作創新網絡演化結果如表3所示。由于初創期區域內部合作創新網絡規模較小，無法進行有效分析，因此本文僅分析成長期和成熟期。在成長期，中國智能制造裝備業區域內部合作創新次數為262次，占比25.61%。根據內部合作次數，將所有區域劃分為3類：第一類為北京。北京內部合作次數為132次，占比50.4%，形成“一家獨大”的局面，說明北京一直處于智能制造裝備業合作創新網絡核心位置。北京擁有數量眾多的高校、科研院所以及央企總部等，具有強大的技術創新能力，因此內部合作數量和比例最高。第二類內部合作次數超過10次的省份包含廣東、江蘇、山東、上海、浙江，該類省份具有較高的經濟發展水平，行業規模較大、研發能力較強，因此更注重內部合作。第三類內部合作次數不足10次的區域包含安徽、湖北等26個省份，尤其是甘肅、青海等16個省份內部合作次數為0，可能是由于這些省份智能制造裝備業未形成有效規模，內部資源匱乏，未形成有效合作。

在成熟期，中國智能制造裝備業區域內部合作次數升至968次，占比45.49%，說明創新主體更注重區域內部合作。同時，各省份內部合作次數均有不同程度提升。將所有區域劃分為3類：第一類為廣東和北京。在成熟期，廣東和北京內部合作次數、合作比例出現較大幅度提升，形成“雙核”格局。尤其是廣東，內部合作次數由成長期的33次迅速升至337次，內部合作比例提高79.86%。廣東借助強大的制造業生產能力和較高的綜合發展水平，將高端智能制造列入戰略性新興產業重點發展，堅持創新驅動發展戰略，推進新型工業化，實現制造業轉型。北京強化科技創新中心定位，將智能制造與裝備產業列入重點發展的十大高精尖產業，借助強大的科研能力，加強區域內部合作，持續推進技術研發，提升智能制造關鍵零部件和系統自主創新能力。第二類區域（內部合作次數超過10次）數量出現顯著增長，由成長期的5個升至9個。 在這些區域中，江蘇、山東、上海和浙江4個省（直轄市）增長顯著，區域內合作次數顯著增多，形成多個重點區域格局。第三類省份數量降至22個，且僅有新疆、甘肅、海南無內部合作成果。這表明，這些省份智能制造裝備業內部合作速度遲緩。因此，在成熟期內，中國智能制造裝備業區域內部合作逐漸加強，區域內部合作結構由成長期的“單核—邊緣型”向“雙核—多重點—邊緣”型發展。

（2）跨區域合作創新網絡演化分析。為研究跨區域合作創新網絡演化規律，本文利用ArcGIS軟件繪制3個階段中國智能制造裝備業合作創新網絡空間演化圖，如圖2所示。圖中各點分別對應中國省級行政區域，連線表示合作關系，連線粗細表示跨區域合作數量多少[11]。由圖2可知，2001—2020年中國智能制造裝備業跨區域合作創新網絡規模不斷擴大，北京是跨區域合作創新網絡中心城市，發揮主導作用，向全國范圍輻射建立合作創新網絡。江蘇、上海、湖北、廣東形成多個重點區域。內蒙古、青海、新疆、四川、云南等省份由于自身地理位置和經濟發展水平受限，在合作創新網絡中處于邊緣位置，受知識權力和知識存量的影響，主要選擇重點區域作為合作伙伴，非重點區域之間的聯系偏弱。

在初創期，合作創新網絡主要以北京為核心向廣東和江蘇輻射，形成“一軸兩點”型。成長期內網絡規模和網絡連接數量大幅提升，以北京為中心向上海、江蘇、福建、廣東、臺灣等區域輻射，形成“一軸多點”型。在成熟期，隨著網絡規模持續擴大，形成各省份參與的“菱形”發展格局，受經濟鄰近性的影響，合作連接數量由東部向西部依次遞減，廣東在南方一帶的輻射帶動作用進一步增強，西部地區和東北地區在合作創新方面存在較大潛力。

3.3 多維鄰近性對合作創新網絡演化的影響

3.3.1 相關性檢驗

本文利用Stata15對變量進行相關性分析，結果如表4所示。從中可見，自變量與二次項及交互項相關系數較高。3個自變量之間的相關系數小于0.5，多重共線性檢驗得到VIF最大值為1.69，說明多重共線性問題不嚴重。各變量相關系數有正有負，說明存在正相關和負相關關系。3個交互項與因變量均具有顯著相關性，其中knpinp顯著負相關，其它兩項顯著正相關，說明多維鄰近性交互項對合作創新績效具有一定影響。經濟發展水平相似性和科研經費投入水平相似性與因變量顯著相關，驗證了模型設定的合理性。

3.3.2 多維鄰近性對合作創新績效的影響

為全面分析多維鄰近性對合作創新績效的影響效應，本文從全周期、初創期、成長期、成熟期4個階段分別構建模型1-1至模型4，其中模型1-2增加知識鄰近性的平方項。利用公式（7）進行負二項回歸，首先進行Hausman檢驗，結果如表5所示。從中可見，模型1-1中知識鄰近性的影響系數為-0.774，在1%水平下顯著；模型1-2中知識鄰近性的影響系數為1.396，在10%水平下顯著，知識鄰近性平方項的影響系數為-2.187，在1%水平下顯著，說明知識鄰近性對合作創新績效存在倒U型調節效應，假設H1得到驗證。制度鄰近性的影響系數為負但不顯著，說明制度鄰近性對合作創新績效無顯著負向影響，假設H2未得到驗證。這說明，創新主體進行合作并不注重制度一致性，我國智能裝備制造業區域壁壘和地方保護主義現象極少，創新資源可在全國范圍內自由流動。社會鄰近性影響系數為6.090，在1%水平下顯著，說明社會鄰近性對創新績效具有顯著正向影響。這表明，創新主體更愿意基于信任和歷史合作經驗選擇合作伙伴，降低合作中的不確定性和溝通成本，提高合作效率，假設H3得到驗證，這與阮平南等（2018）的觀點一致。經濟發展水平相似性和科研經費投入水平相似性的影響系數均為正但不顯著，說明其對合作創新績效無顯著影響。

3.3.3 基于生命周期的多維鄰近性對合作創新績效的影響

對比3個階段各變量影響系數可知，知識鄰近性對合作創新績效的影響在1%水平下顯著，說明知識鄰近性對合作創新績效具有顯著影響。在初創期，知識鄰近性的影響系數為6.164，說明知識鄰近性對合作創新績效的促進作用較強。在該階段，各創新主體傾向于與具有相似知識基礎的主體合作，知識基礎相近有利于創新主體吸收溢出知識。但在成長期和成熟期，知識鄰近性的影響系數分別為-1.553和-0.806，說明知識鄰近性對合作創新績效具有顯著抑制作用。隨著智能制造裝備業發展，知識和創新資源聚集程度逐漸提高，創新主體更傾向于選擇具有較高知識權力和關鍵資源的創新主體進行合作，進而吸收更多先進知識。社會鄰近性影響系數在1%水平下顯著為正，說明在3個階段中，社會鄰近性對合作創新績效具有顯著促進作用。這表明，隨著智能制造裝備業整體發展，企業數量增多，市場競爭加劇，企業在選擇合作伙伴時更重視合作歷史，以降低合作中的不確定性和合作成本；同時，各企業基于信任建立起來的合作關系更能促進隱性知識交流，進而提高合作創新績效。制度鄰近性對合作創新績效的影響不顯著，影響系數由初創期的1.574降至成熟期的-0.250，說明制度鄰近性對合作創新績效的影響作用不顯著。在整個研究期內，我國行政區域割裂和地方保護主義現象較少，各區域具有相同的法律和政策，全國市場統一開放，各類創新要素可以自由流動。

3.4 多維鄰近性對合作創新績效的交互作用

本文分別在研究期、初創期、成長期、成熟期加入知識鄰近性、社會鄰近性、制度鄰近性兩兩交互項構建模型5—模型8，對公式（8）進行負二項回歸。在檢驗前先對自變量進行中心化處理，發現存在VIF值過高的現象，故在模型中剔除一個共線性自變量，利用Hausman檢驗是使用固定效應模型還是隨機效應模型，再進行負二項回歸，結果如表6所示。在整體階段，知識鄰近性與社會鄰近性交互項系數為-0.263，知識鄰近性和制度鄰近性交互項系數為-0.200，說明知識鄰近性與社會鄰近性交互項以及知識鄰近性和制度鄰近性交互項對智能制造裝備業合作創新績效無顯著影響，假設H4a和H4c未得到驗證，這與徐瑩等（2022）的觀點一致。

社會鄰近性和制度鄰近性交互項系數為-0.344，在5%水平下顯著，而在單獨主效應中，社會鄰近性和制度鄰近性系數比較顯著，說明社會鄰近性和知識鄰近性具有交互作用，假設H4b得到驗證，交互作用表現為替代效應，制度鄰近性和社會鄰近性的加入降低了對方的正效應。當加入制度鄰近性后，在同一行政環境中，創新主體具有相似的創新政策和價值觀念，不再將雙方合作歷史作為選擇合作伙伴的重要條件，不再擔心合作伙伴會產生機會主義行為。當加入社會鄰近性后，由于創新主體對合作伙伴具有一定的信任基礎，會削弱制度鄰近性對合作創新績效的影響。

在3個階段中，知識鄰近性和制度鄰近性交互項系數不顯著。社會鄰近性和制度鄰近性交互項系數在初創期和成熟期與合作創新績效負相關，在成長期正相關，但均不顯著。知識鄰近性和社會鄰近性交互項系數在成熟期在5%水平下顯著，在初創期和成長期不顯著。

4 結論與建議

4.1 研究結論

本文基于多維鄰近性視角，以中國智能制造裝備業2001—2020年數據為研究對象，從時空視角研究合作創新網絡演化特征，探究多維鄰近性及交互性對合作創新網絡演化的影響，得出以下結論：

（1）2001—2020年中國智能制造裝備業合作創新網絡規模逐漸擴大，并呈現顯著的階段性特征。初創期合作創新規模較小，進入成長期后網絡規模、網絡邊數迅速增多，網絡密度顯著增加，節點傳輸信息效率提高，網絡呈現小世界效應，網絡整體橋接效應增強。

（2）區域內部合作創新逐漸加強，合作創新網絡結構由成長期的“單核—邊緣型”向“雙核—多重點—邊緣”型發展。跨區域合作創新規模持續擴大，合作創新網絡由初創期 “一軸兩點”型向成熟期“菱形”格局發展，網絡連接數量由東部向西部依次遞減，西部和東北地區具有較大潛力。

（3）知識鄰近性與合作創新網絡演化呈現倒U型關系，在3個階段中，知識鄰近性對合作創新網絡演化在初創期具有顯著促進作用，在成長期和成熟期具有顯著抑制作用；制度鄰近性對合作創新網絡演化的影響不顯著。在3個階段中，社會鄰近性對合作創新網絡演化具有顯著促進作用。

（4）社會鄰近性與制度鄰近性交互作用顯著，表現為替代效應。社會鄰近性與制度鄰近性、知識鄰近性與制度鄰近性交互項對合作創新網絡演化的影響不顯著。

4.2 政策建議

根據上述研究結論，本文提出以下建議：

（1）政府應積極引導創新資源向北京、上海、廣東等優勢區域和中心城市集聚，形成以中心城市為核心，以城市群為依托的創新優勢區域。 通過制定稅收優惠政策和科研成果獎勵辦法等，積極引導和鼓勵優勢區域與網絡邊緣節點區域開展深度合作，發揮中心區域輻射帶動作用，優化創新資源配置。福建、四川、湖北、遼寧、天津等省市應該充分利用北京、上海、廣東協同創新的輻射帶動作用，加速自身與核心節點融合，積極推進當前多核心多節點“菱形”格局發展，不斷擴大自身在經濟圈中的影響力。甘肅、新疆、海南等省份應完善創新基礎設施，提高創新型企業知識吸收能力，積極參與區域城市群建設，采用差異化路線，充分與區域核心城市對接。

（2）加強知識產權保護和管理。政府應細化和完善知識產權保護法律法規，加大普法宣傳力度，提高違法成本，從各個角度完善知識產權保護和管理工作。

（3）搭建區域創新合作平臺。研究發現，基于信任和良好合作歷史構建的社會鄰近性對合作創新績效提升具有顯著促進作用。政府應充分利用大數據信息技術，構建全國性的智能制造裝備產業合作線上平臺，加快產業聯盟建設，使創新主體能夠方便、快捷地獲取合作信息，拓寬創新主體溝通渠道，提高合作創新效率。

4.3 不足與展望

本文研究存在一些不足之處：首先，由于各類統計年鑒發布具有一定滯后期，并且多種年鑒在個別指標數據采集中存在統計口徑差異，所以本文無法收集和使用最新年份數據，導致利用數據進行實證分析不夠全面。其次，對于鄰近性測度指標構建尚不全面。本文對于多維鄰近性指標的測度存在不完善之處，尤其是對知識鄰近性的測度尚需優化。

未來可從以下幾個方面進行探索：首先，進一步豐富和完善數據選取，可不限地區間合作專利數據，通過充分利用大數據技術和深入企業進行訪談，獲取地區間企業合作研發的最新數據，進一步探究合作創新網絡發展狀態和合作動力機制。其次，拓展多維鄰近性指標測度，進一步構建更加合理有效的指標進行精準測度，從而對多維鄰近性的影響開展深入研究。

參考文獻：

[1] BALDWIN C，VON HIPPEL E.Modeling a paradigm shift： from producer innovation to user and open collaborative innovation[J]. Organization Science， 2011，22（6）：1399-1417.

[2] 楊武， 胡倩. 我國智能制造裝備產業專利合作網絡演化分析[J]. 科技管理研究， 2021，41 （22）： 145-153.

[3] FLEMING L， FRENKEN K. The evolution of innovation net-works in the silicon valley and Boston regions[J]. Advances in Complex Systems， 2007，10（1）：53-71.

[4] 劉鳳朝， 馬榮康， 姜楠. 區域創新網絡結構、績效及演化研究綜述[J]. 管理學報， 2013， 10（1）：140-145.

[5] 宋瀟. 成渝雙城經濟圈區域合作創新特征與網絡結構演化[J]. 軟科學， 2021，35（4）：61-67.

[6] 楊春白雪， 曹興， 高遠. 新興技術合作創新網絡演化及特征分析[J]. 科研管理， 2020，41（7）：20-32.

[7] TORRE A， GILLY J P. On the analytical dimension of proximity dynamics[J]. Regional Studies， 2000，34（2）：169-180.

[8] 張劍， 李鑫， 王宇， 等. 不同空間尺度下多維鄰近性對京津冀城市技術創新合作的影響[J]. 城市發展研究， 2022，29（2）：34-40.

[9] RALLET A， TORRE A. Is geographical proximity necessary in the innovation networks in the era of the global economy[J]. Geography Journal， 1999，49（4）：373-380.

[10] KIRAT T. Innovation and proximity： territories as loci of collective learning processes[J]. European Urban and Regional Studies， 1999，6（1）：27-38.

[11] MATT B. Multiple proximities： culture and geography in the transport logistics of newsprint manufactured in Australia[J]. Environment and Planning A，2001，33（10）：1717-1739.

[12] COENEN L， MOODYSSON J， ASHEIM B T. Nodes，networks and proximities： on the knowledge dynamics of the medicon valley biotech cluster[J]. European Planning Studies， 2004，12（7）：1003-1018.

[13] KNOBEN J， OERLEMANS L A G. Proximity and inter-organizational collaboration： a literature review[J]. International Journal of Management Reviews， 2006，8（2）：71-89.

[14] 李冰， 張紀海. 軍民科技創新合作網絡結構與演化——基于專利合作與社會網絡實證分析[J]. 科技進步與對策， 2021，38（21）：142-151.

[15] 劉雪芹， 張貴. 京津冀產業協同創新路徑與策略[J]. 中國流通經濟， 2015，29（9）：59-65.

[16] 李琳， 雒道政. 多維鄰近性與創新：西方研究回顧與展望[J]. 經濟地理， 2013，33（6）：1-7.

[17] 賀燦飛， 余昌達. 多維鄰近性、貿易壁壘與中國—世界市場的產業聯系動態演化[J]. 地理學報， 2022，89（2）：275-294.

[18] ALEXANDRE B P. Proximity and the evolution of collaboration networks： evidence from research and development projects within the Global Navigation Satellite System （GNSS） industry[J]. Regional Studies， 2012，46（6）：741-756.

[19] 夏麗娟， 謝富紀. 多維鄰近視角下的合作創新研究評述與未來展望[J]. 外國經濟與管理， 2014，36（11）：45-54.

[20] HERINGA P W， HORLINGS E， AL V Z M E. How do dimensions of proximity relate to the outcomes of collaboration？ a survey of knowledge-intensive networks in Dutch water sector[J]. Economics of Innovation and New Technology， 2014，23（7）：689-716.

[21] MOLINA-MORALES F X， GARCIA-VILLAVERDE P M， PARRA-REQUENA G. Geographical and cognitive proximity effects on innovation performance in SMEs： a way through knowledge acquisition[J]. International Entrepreneurship amp; Management Journal， 2014，10（2）：231-251.

[22] DAKICHE N， BENBOUZID-SI TAYEB F， et al. Tracking community evolution in social networks： a survey[J]. Information Processing amp; Management， 2018，56（3）：1084-1102.

[23] 曹賢忠， 曾剛， 司月芳， 等. 企業創新網絡與多維鄰近性關系研究述評[J]. 世界地理研究， 2019，28 （5）：165-171.

[24] 胡楊， 李郇. 多維鄰近性對產學研合作創新的影響——廣州市高新技術企業的案例分析[J]. 地理研究， 2017，36（4）：695-706.

[25] FUENTES C D， DUTRéNIT G. Geographic proximity and university-industry interaction： the case of Mexico[J]. Journal of Technology Transfer， 2016，41（2）：329-348.

[26] BALLAND P A， BOSCHMA R， FRENKEN K. Proximity and innovation：from statics to dynamics[J]. Regional Studies， 2015，49（6）：907-920.

[27] ZHANG G， DUAN H， ZHOU J. Investigating determinants of inter-regional technology transfer in China： a network analysis with provincial patent data[J]. Review of Managerial Science， 2016，10 （2）：345-364.

[28] ANA F， ESTHER F， M DOLORES L， et al. Are organizational and economic proximity driving factors of scientific collaboration？ evidence from Spanish universities， 2001-2010[J]. Scientometrics， 2021，162（1）：579-602.

[29] 陳躍剛， 張弛， 吳艷. 長江三角洲城市群多維鄰近性與知識溢出效應[J]. 城市發展研究， 2018， 25（12）：34-44.

[30] 胡悅， 馬靜， 李雪燕. 京津冀城市群創新網絡結構演化及驅動機制研究[J]. 科技進步與對策， 2020，37（13）：37-44.

[31] 楊武， 楊大飛. 基于專利數據的產業核心技術識別研究——以5G移動通信產業為例[J]. 情報雜志， 2019，38（3）：39-45.

The Influence of Multi-Dimensional Proximity and Interactivity on the Evolution of Cooperative Innovation Network： A Case Study of China's Intelligent Manufacturing Equipment Industry

Abstract：Since the issue of the overall strategy of building a strong manufacturing country formulated in 2015， China has been endeavoring to promote the intelligent manufacturing equipment industry as the main development direction so as to improve the efficiency of collaborative innovation in China's intelligent manufacturing equipment industry and optimize the network structure urgently. Therefore，" it is of theoretical and practical significance to explore the evolution trend and influence mechanism of cooperative innovation network for improving the allocation of innovation resources in China's intelligent manufacturing equipment industry.

In light of this context， this study takes China's intelligent manufacturing equipment industry as an example to analyze the impact of multi-dimensional proximity and interactivity on the evolution of cooperative innovation networks. It first analyzes the impact of multidimensional proximity and its interactivity on the evolution of collaborative innovation networks from a theoretical perspective and proposes corresponding hypotheses. Then it constructs a theoretical model to explore the dynamic influence mechanism of knowledge proximity， social proximity and institutional proximity and the interaction among them on the evolution of cooperative innovation network. Specifically， this study selects data of China's intelligent manufacturing equipment industry from 2001 to 2020 for empirical research， analyzes the spatiotemporal characteristics of the evolution of collaborative innovation networks at each stage by using social network analysis method from a lifecycle perspective， and uses the negative binomial regression to test the proposed research hypotheses.

The results show that the evolution of the collaborative innovation network in China's intelligent manufacturing equipment industry is characterized by a phased expansion. The intra-regional cooperative innovation network has evolved from the \"single-core marginal type\" to the \"dual-core multi-key - marginal type\"， and the cross-regional cooperative innovation network has evolved from a \"one axis and two points\" pattern to a \"diamond\" pattern. It is found that there is an inverted U-shaped relationship between knowledge proximity and the evolution of cooperative innovation network. In the three stages divided， social proximity has a significant promoting effect on the evolution of collaborative innovation networks， while the impact of institutional proximity is not significant. Social proximity and institutional proximity have significant substitution effects. The interaction between knowledge proximity and institutional proximity， as well as between knowledge proximity and social proximity， has no significant impacts on the performance of collaborative innovation.

Corresponding suggestions are expounded in three ways. Firstly， in terms of network evolution， the government should actively guide innovation resources to concentrate in" regions and central cities such as Beijing， Shanghai and Guangdong to form hubs of innovation. The government should actively guide and encourage deep cooperation between advantageous regions and regions with lower technological levels to optimize the overall allocation of innovative resources by formulating tax incentives and research achievement reward policies. In addition， Fujian， Sichuan， Hubei， Liaoning， Tianjin and other regions should make full use of the radiating driving role of collaborative innovation in Beijing， Shanghai and Guangdong， actively promote the development of the current diamond pattern of multi-core and multi-node， and constantly expand and improve their driving roles in the corresponding economic circle. Finally， for Gansu， Xinjiang， Hainan and other regions， it is necessary to adopt new technologies to improve the knowledge spillover absorption capacity of innovative enterprises， and give full play to their own characteristics to coordinate with regional core cities.Secondly， the protection and management of intellectual property rights are worthy of effort. Innovation subjects generally tend to limit the existence of opportunism when choosing partners to avoid the loss caused by the unconscious spillover of their own knowledge. Therefore， the government should refine and improve the laws and regulations on intellectual property protection，increase the cost of violating the law， and improve intellectual property protection and management from all angles.

Finally， because social proximity based on trust and a good history of cooperation plays a significant role in promoting cooperative innovation performance， the government should make full use of big data information technology to build a nationwide online platform for promoting industry cooperation and industrial alliances to broaden the communication channels of innovation entities and improve the efficiency of cooperation and innovation.

Key Words：Multi-dimensional Proximity; Interactivity; Cooperative Innovation Network Evolution; Intelligent Manufacturing Equipment Industry