綠色技術專利合作網絡的影響因素研究

中圖分類號：F273.1 文獻標識碼：A doi：10.3969/j.issn.1672-2272.202502057

Research on Influencing Factors of Green Technology Patent Collaboration Networks

Fu Qiang，Lin Xiaoai （School of Intellctual Property，Nanjing University of Science and Technology，Nanjing 210o94，China）

Abstract： To accelerate green technological innovation and foster new growth drivers for sustainable development is crucial for achieving the“dual carbon”goals. As a vital vehicle for the difusion of green technologies，the structural characteristics and evolution mechanisms of patent cooperation networks demand systematic exploration. This study employs a multi-modal network analysis framework based on joint patent data from China's green technology sector spanning 2O08-2023. Specifically，the framework utilizes applicant data to construct a collaborative network of entities，quantifying historical collaboration features of nodes. It combines KeyBERT for extracting patent knowledge elements to build a bipartite network of entities and knowledge，thereby quantifying the knowledge attributes of nodes. The study employs a random exponential graph model to investigate the impacts of endogenous network structures，historical collaboration patterns，and knowledge attributes on the evolution of green technology patent cooperation networks.The findings reveal that selectivity and transitivity play significant roles in promoting network formation. Knowledge diversity has a positive and significant impact on network development，while collaboration depth exhibits a negative and significant influence. The effects of partner diversity and knowledge uniqueness vary across network development stages，showing partial significance. These conclusions provide quantitative evidence for optimizing the green technology cooperation ecosystem and advancing the transformation of innovation network governance paradigms under the dual carbon goals.

Key Words：Green Technology; Patent Collaboration Network； Network Evolution； Exponential Ran-dom Graph Model （ERGM）

0 引言

綠色技術創新已成為全球新一輪工業革命和科技競爭的重要領域，既是培育綠色發展新動能的關鍵抓手，也是推動低碳轉型的核心驅動力，更是實現“雙碳”

目標的重要支撐。2024年7月31日，中共中央、國務院發布《關于加快經濟社會發展全面綠色轉型的意見》，其中著重強調加快綠色技術創新，并提出一系列政策措施以激發全社會的綠色技術創新活力。然而，綠色技術研發具有高復雜性、長周期性與跨學科性特征，單一主體常面臨知識壁壘、資源約束及市場不確定性等多重挑戰，導致創新激勵不足[]。在此背景下，專利合作作為開放式創新的重要載體，通過整合多元主體的互補性資源與異質性知識，已成為加速綠色技術突破與擴散的關鍵機制。

現有研究雖已關注綠色技術專利的增長趨勢與合作網絡的結構特征，但對合作形成的底層動因仍缺乏系統性解釋。例如：合作網絡的拓撲特性如何通過資源可及性與信息控制權影響主體合作策略？主體的歷史合作經驗能否通過信任累積與制度慣性降低協同風險？知識儲備的互補性是否推動專利合作的開展？厘清上述問題，不僅能夠拓展創新生態系統理論與資源依賴理論的解釋范疇，還可為優化技術轉移、設計激勵相容的政策框架提供實證依據。本文基于 2008-2023 年中國綠色技術領域的聯合申請專利數據，構建多模網絡分析框架，結合KeyBERT模型，利用隨機指數圖模型研究了網絡內生結構、節點歷史合作情況以及節點知識基礎對綠色技術專利合作網絡演化的影響，通過多維度動因分析，揭示綠色技術專利合作的演化邏輯。

1文獻綜述

1.1 網絡演化影響因素

社會網絡中的連接關系具有非隨機性特征，其相互作用催生宏觀網絡結構的涌現[2]。基于該特征，不少學者已圍繞網絡內生結構對演化的作用機制展開廣泛研究[3-4]。如Abbasi等[5]通過不同形式中心性節點對于網絡的優先連接效應，預測創新網絡關系的構建和發展；何喜軍等[提出FSBCDM一W方法，并對結構洞對粵港澳大灣區專利轉讓網絡的影響進行實證檢驗。左妹華等利用 2010-2015 年珠三角城市群產學研合作的專利數據，構建城市群動態合作關系網絡，考慮網絡結構存在空間自相關問題，本文采用SAR空間自回歸模型分析合作主體所處網絡位置對合作關系演化的影響。結果顯示：度中心性、接近中心性及結構洞指標對產學研合作具有正向影響，中介中心性指標對產學研合作具有負向影響。

除結構外，節點是組成網絡的另一個重要要素，網絡的建立需要依賴節點自身屬性[5]。節點的固有特征（如經濟水平、技術基礎）顯著塑造節點的網絡參與模式[8]。例如，戴靚等[9]綜合構建中國城市知識創新網絡，發現城市間知識合作創新受到城市經濟水平、科教支持力度和行政等級的多重正向影響。滕堂偉等[1°]發現城市主體的技術基礎、產業結構、環境質量等屬性顯著影響長三角地區城市綠色創新效率網絡空間結構的演化。胡海容等[]采用定性比較分析法（QCA），對影響中國生物醫藥上市企業專利合作網絡的要素展開研究，涉及研發投入、企業規模等5個前因變量的要素組合，揭示了其與企業形成專利合作網絡的復雜關系，并探尋到4條作用路徑。

1.2 網絡演化分析方法

在演化機制分析方法選擇上，現有研究一般采用傳統回歸模型（如Logit[12]、負二項回歸模型[13]、Probit[14]、泊松回歸模型等），空間交互模型[15]，二次指派程序[16]探討合作網絡形成的影響因素。社會網絡理論指出，創新網絡中邊的關系具有相互依賴性（如星型結構、閉合三角結構的自組織形成），而傳統回歸模型因假設變量獨立，難以捕捉此類內生結構效應。隨機指數圖模型（ExponentialRandomGraphModels，簡稱ERGM模型）將網絡整體作為研究對象，并將節點間的連帶關系視為隨機變量，其優勢在于能夠利用網絡中節點間連帶關系形成的局部結構解釋整個網絡結構[17]。該模型克服了傳統模型的局限性，可以同時分析內生變量（網絡結構）和外生變量，已經被不少研究者應用于分析包括產業創新網絡[18-19]、城市合作網絡[20]在內的多種復雜網絡的演化機制。李文文等[21]以 2017-2021 年新能源汽車合作專利協同創新網絡為對象，利用ERGM模型探究新能源汽車產業協同創新網絡動態演化的影響因素，以及不同創新主體類型對協同創新關系演化產生的影響。

既有研究對專利合作網絡的演化機制已形成多維度解釋，但尚未充分整合網絡內生結構與節點屬性的交互效應。現有關于節點屬性的探討多聚焦于組織規模或地理鄰近性等顯性特征，對知識屬性的內生驅動機制則關注不足。綠色技術創新既依賴獨特性知識突破技術瓶頸，又亟須多樣性知識實現系統集成。鑒于此，本文融合知識基礎觀與網絡動態學理論，通過文本挖掘提取專利知識要素，并運用指數隨機圖模型綜合分析網絡內生結構和節點屬性對演化的影響，此研究彌補了傳統研究對知識屬性維度簡化處理缺陷，為綠色專利合作網絡的協同演化機制提供了政策干預新路徑。

2 研究設計

2.1研究樣本與數據處理

本文選擇2008一2023年國內綠色技術聯合申請專利數據為研究樣本，數據獲取與處理流程如下：首先基于IncoPat合享專利數據庫，參考國家知識產權局發布的《綠色技術專利分類體系》（以下簡稱《體系》中的相關技術分支的IPC分類號并補充結合關鍵詞形成各技術分支的檢索式，使用“OR\"連接分支檢索式可得到最終的綠色專利總檢索式，初步篩選目標專利。以二氧化碳的吸附分離捕集技術的檢索式構建過程為例，《體系》中該技術對應的IPC分類號為“B01D53/02ORB01J20/00^′′ ，補充中英文關鍵詞為“二氧化碳、一氧化碳、 CO₂ 、CO、CarbonMonoxide、CarbonDioxide\"，則該技術分支的最終檢索式為“ IPC=（B01D53/02 ORB01J20/00）AND TIABC （二氧化碳OR一氧化碳OR‘ CO₂ ，OR（Carbon（1W）Monoxide）OR（Carbon（1W）Diox-ide））”。然后對原始數據進行申請號合并，申請人國別設置為“中國”，剔除專利申請人為自然人、單一主體、國外創新主體的專利數據，然后刪除樣本區間內合作頻次低于2次的創新主體及專利數據，最終獲取84889條有效聯合申請專利數據。

2.2專利知識要素提取

本文采用KeyBERT算法從專利摘要中提取知識要素，相較于傳統IPC分類僅能表征技術領域，該方法通過預訓練BERT模型捕捉上下文語義，可從用途、結構等多維度識別更具解釋性的關鍵詞。具體流程如下：首先，對專利摘要進行預處理。預處理包括分詞、去停用詞和去除標點符號等步驟。分詞采用中文分詞工具 jie-ba，將專利摘要分解為詞語單元；隨后，去除停用詞，同時保留專利中的專有名詞，以確保關鍵詞提取的準確性。其次，將預處理后的文本輸人預訓練的BERT模型，生成文本向量。BERT模型通過多層神經網絡對文本進行編碼，生成高維向量表示，捕捉文本的語義信息。這些向量能夠反映專利摘要中技術特征、應用場景等多維度信息。然后，計算候選短語的語義相似度。Key-BERT算法基于BERT生成的文本向量，計算候選短語（n一gram設為4，即考慮 1～4 個詞語的組合）與專利摘要的語義相似度。相似度計算采用余弦相似度，衡量候選短語與專利摘要向量之間的相似程度。通過排序，選取每篇專利摘要中語義相似度最高的前3個關鍵詞（top ），確保提取的關鍵詞具有代表性。最后，采用MaxSum算法對關鍵詞組合進行優化。MaxSum算法通過最大化關鍵詞間的語義差異性，避免提取冗余關鍵詞，確保最終結果既能代表核心內容，又能夠覆蓋專利摘要的多維度信息。該算法通過計算關鍵詞之間的相似度矩陣，逐步選擇語義差異較大的關鍵詞，最終形成最優的關鍵詞組合。此算法設計兼顧短語長度與語義關聯性，使提取結果能夠更精準反映專利技術特征。

2.3 網絡構建與簡化

為了準確捕捉專利合作的動態變化，并以適當的時間分辨率進行分析，本研究采用4年為時間窗劃分研究周期 （2008-2011 年、 2012-2015 年、 2016-2019 年、2020-2023 年），分階段構建兩類網絡： ① 創新主體間的合作網絡：節點代表參與專利申請的創新主體，而節點之間的邊則表示創新主體在專利申請中的共現關系。

② 主體一知識二模網絡：在二模網絡中包含兩類節點，分別為代表專利權人的主體節點，以及代表專利內容的知識節點，邊則代表主體對知識要素的擁有關系。每個創新主體可以不止擁有一種知識要素，而每個知識要素也可以同時被多個創新主體擁有。

鑒于綠色專利合作網絡的原始數據中節規模量龐大且邊關系復雜，直接進行模型擬合易導致結果不準確，因此需要進一步簡化原始網絡結構。本研究參考陳鈺芬等[1的做法，采用度數閾值法進行降維處理，從合作網絡中提取度數大于10的主體節點，從主體一知識網絡中提取度數大于5的知識要素節點，以此對原始網絡進行簡化處理。

2.4 變量選擇

2.4.1 被解釋變量

針對綠色專利合作網絡的形成和演化影響因素及作用機制的研究問題，本文從網絡視角出發，將被解釋變量設置為綠色技術領域創新主體之間形成專利合作關系的可能性，即專利合作網絡中形成連邊的可能性。

2.4.2 解釋變量

在構建指數隨機圖模型（ERGM時，解釋變量的選擇應遵循兩個核心原則[15]：一是要綜合考慮內生結構因素、節點自身在綠色專利合作網絡演化過程中的影響；二是需要優化模型的擬合效果，從而防止模型退化。

① 網絡內生結構變量。結合本研究專利合作網絡特征，并借鑒馬永紅等[18]研究，選擇包括邊、集合加權度、幾何加權邊共享伙伴在內的網絡構型指標作為內生變量。邊（Edges）定義為網絡邊的數量，在網絡建模中是控制變量，在各模型中起著參照作用，解釋能力相當于回歸模型的常數項。幾何加權度（Gwdegree）、幾何加權邊共享伙伴（Gwesp）是網絡構型中的高階依賴項，可起到降低模型退化風險的作用，提高模型結果分析的可靠性。其中，幾何加權度（Gwdegree）觀測網絡的擴張效應和星型結構，在專利合作網絡中表示每個主體作為中心節點直接與其他節點建立聯系的傾向；幾何加權邊共享伙伴（Gwesp）測度網絡的傳遞性效應，在專利合作網絡中表示每個主體節點與其他多個節點形成閉合三角形結構的傾向。

② 節點屬性變量。本文選擇合作伙伴多樣性（PartnershipDiversity，簡稱PD）和合作深度（DepthofCollaboration，簡稱DC）兩個變量表征節點的歷史合作情況以及知識獨特性（KnowledgeUniqueness，簡稱KU）和知識多樣性（KnowledgeDiuersity，簡稱 KD ）兩個變量表征節點的知識屬性。

合作伙伴多樣性是創新主體社會資本的關鍵體現，它反映了創新主體在社會網絡中的連接廣度。本研究以創新主體在合作網絡中的度中心性來表征創新主體的合作伙伴多樣性，計算公式如式（1）所示，式中 N_i 表示與主體 i 合作的主體合集， n 表示該主體的合作主體數量。

合作深度是衡量創新主體與其他創新主體之間合作關系緊密程度的關鍵指標。本研究用創新主體與其他創新主體連接的平均次數來表征合作主體的合作深度。合作深度的計算公式如式（2）所示，式中 表示主體i與合作主體j的合作次數。

創新主體建立合作關系的核心驅動力是對異質性知識的追求并借此彌補知識缺口實現技術創新，具有較高知識多樣性的組織對尋求合作伙伴的創新主體來說更有吸引力[23]。本研究采用創新主體所持有知識要素的數量來表征知識多樣性，計算公式如式（3）所示，式中K_i 表示主體 i 的知識要素， n 表示該主體擁有知識元素的數量。

知識獨特性是指創新主體在特定領域內所擁有的、其他主體所不具備的獨特知識的整體水平[24]。在本研究中，每個知識節點的獨特性被定義為其持有關系的創新主體數量的倒數。進一步地，每個創新主體的知識獨特性通過其持有的知識節點獨特性的總和與其持有的知識節點數量的比值來表征。計算公式如式（4）所示，其中 N_j 是與知識節點 j 相關的主體數量。

3 實證分析

3.1 網絡演化特征分析

運用Gephi軟件對4個階段的綠色專利合作主體網絡的結構特征指標進行計算，結果如表3所示，同時進行了可視化處理，可視化圖譜如圖1所示。節點與邊數快速增長，但網絡密度下降。這表明新增主體更傾向于核心節點建立連接，形成“核心一邊緣\"結構。節點平均度增幅顯著高于加權平均度，揭示合作廣度增速遠超合作頻次增速。平均聚類系數低于小世界網絡閾值0.4，平均路徑長度3左右，證實網絡呈現“弱連接主導”特征。這種低聚集一短路徑組合表明網絡中核心節點承擔信息樞紐功能，但跨群體知識流動存在結構性障礙。

表4為4個階段主體一知識二模網絡的屬性統計結果。節點數從345增加到5941，網絡邊數從2641增加至116790，顯示出網絡規模的顯著增長以及合作關系的顯著增加。節點平均度從15.310增加至39.317，節點加權平均度從57.754增加至93.807，意味著網絡中的關鍵節點（如核心企業、高校等）與其他節點的聯系更加緊密，對網絡的影響力更大，核心地位更加突出。

表5展示了綠色專利合作主體一知識二模網絡中加權度前五主體的知識屬性演變。研究發現，具備高研發能力與資源整合優勢的大型企業和高校逐漸成為網絡核心節點，其深度合作加速了綠色技術創新與應用進程，助力其在綠色能源領域建立技術競爭優勢。從知識屬性演變來看，知識多樣性持續提升，表明創新主體正在不斷擴展知識儲備，對多元化知識的追求仍是網絡發展的核心驅動力；知識獨特性呈下降趨勢，印證隨著合作深化，主體間知識同質化現象加劇，知識儲備呈現趨同傾向。

3.2 模型構建

ERGM的一般形式為：

式中： Y 表示專利合作關系產生的隨機網絡集合；常數 k 用于確保網絡形成概率維持在0到1的合理區間內； θ_t 表示統計量的估計參數，通過估計參數的顯著性和取值大小判斷統計量對網絡形成的影響； g（y） 表示納入模型中的統計量，包括網絡內生結構、節點屬性、外生情境因素。赤池信息量（Akaikeinformationcriteri-on，簡稱AIC）和貝葉斯信息量（BayesianInformationCriterions，簡稱BIC）通常被用于檢測模型的擬合效果，

AIC和BIC的值越小，模型的擬合效果越好，越接近真實觀測的網絡。

為了更清楚地測度變量在多種情況下對創新網絡演化的影響，從而得到最佳擬合優度的統計量集合，本研究將從最簡單模型開始，逐步添加各類統計量直至模型確定，各階段均設置以下模型：

模型1為零模型，它是一個簡單隨機圖模型，僅包含網絡中邊（Edge）統計項，其模型公式為：

模型2是在模型1的基礎上加入網絡內生結構變量，研究擴張性和閉合性對綠色技術專利合作網絡關系形成和演化的影響，公式為：

θ₃Gwesp） ）

模型3是在模型1的基礎上加入節點屬性變量，驗證節點屬性對網絡形成的影響，公式為：

模型4同時包括網絡內生結構變量與節點屬性變

量，研究網絡結構和節點屬性對網絡形成的共同影響，公式為：

θ₃Gwesp+θ₄nodecov（PD）+θ₅nodecov（DC）+ θnodecov（KD）+θ_τnodecov（KU）） （9）

3.3 實證結果分析

采用R語言的Statenet程序包對ERGM模型進行計算，并使用馬爾科夫鏈蒙特卡羅最大似然估計法（MCMC）估計模型參數，結果如表6、表7所示。

表6顯示了第四階段的4個模型的檢驗結果，通過對4個模型的AIC和BIC的對比，可以發現Model4的數值最小，這意味著模型4在所有模型中擬合效果最好，表明內生結構和外生屬性同時影響對專利合作網絡的形成。因此，依據Model4模型的結果，分析不同階段專利合作網絡形成的影響機制。

表7顯示了4個階段的模型4估計結果。在網絡結構影響方面，Gwdegree與Gwesp都為正向顯著。這表明擇優性與傳遞性正向促進網絡形成，導致網絡傾向于形成核心一邊緣的星型結構與閉合三角形結構。究其原因，網絡中度數較高的節點對新加入合作網絡的創新主體更具吸引力，同時通過共同的合作伙伴更容易形成合作關系。

在網絡發展的初期階段，合作伙伴多樣性對網絡發展具有正向顯著影響。此階段，多樣化的合作伙伴能夠提供差異化資源和視角，促進創新思維的碰撞和新知識生成。然而，在網絡發展的第二、三階段，合作伙伴多樣性的影響不顯著，這主要是源于合作伙伴關系的穩定性增強。到了第四階段，合作伙伴多樣性呈現顯著負向影響，原因在于過度多樣性導致協調成本激增與管理復雜度攀升，最終抑制網絡發展效率。

合作深度在全階段對網絡發展具有負向顯著影響。這表明隨著合作深度的增加，合作伙伴間的依賴性增強，導致網絡靈活性降低，對外部變化的適應性減弱，從而阻礙網絡的進一步發展。此外，深度合作涉及更多的資源承諾和風險共享，若缺失充分信任和有效協同機制可能會抑制網絡的擴展和創新。

知識多樣性在全階段對網絡發展具有顯著正向影響，這表明知識多樣性更高的主體更易與其他主體建立合作關系。這可能是因為知識多樣性越高，代表主體擁有更多不同領域和不同來源的知識，通過整合不同領域的專業知識，主體能夠實現跨界創新并解決問題。

知識獨特性在前期逐漸呈現負向顯著影響，但在第四階段變為正向顯著。這可能是因為在網絡發展的早期階段，知識的獨特性可能導致知識孤島，阻礙知識的流通和整合。然而，在網絡發展的后期，知識獨特性成為網絡差異化競爭的關鍵，能夠帶來獨特的價值和競爭優勢。

4結論與啟示

4.1 研究結論

網絡內生結構具有顯著的自強化效應。幾何加權度（Gwdegree）與幾何加權邊共享伙伴（Gwesp）系數的正向顯著性表明，綠色技術專利合作網絡遵循“擇優連接”與“閉合傳遞”的雙重演化邏輯：一方面，具有高度數的核心節點憑借資源集聚優勢持續吸引新主體加入，推動形成“核心一邊緣”星型結構；另一方面，主體間通過共同合作伙伴所體現的傳遞性機制，促進閉合三角關系的構建，進而強化社群的穩定性。這印證了網絡拓撲的動態反饋通過自組織過程持續強化合作關系的作用機制，但也揭示了其中潛在的“馬太效應”可能加劇創新資源分配不均的風險。

合作伙伴多樣性的影響呈現倒U型關系。在網絡初期，通過異質性資源整合與知識碰撞顯著促進網絡擴張；但隨著網絡成熟發展（第四階段），過度多樣性引發的協調成本激增與目標沖突導致其影響轉為負向。這一發現表明，綠色技術合作網絡存在“多樣性閾值”，早期需主動引入跨界主體以激活創新，而后期需通過模塊化分工或中介協調機制抑制過度分散化。

合作深度呈現出顯著的“雙刃劍\"效應。合作深度在全階段系數持續顯著為負，揭示了緊密合作對網絡演化的潛在抑制：盡管深度合作能提升技術協同效率，但過高的關系專用性資產投資會削弱網絡重構的靈活性。尤其在綠色技術快速迭代的背景下，這可能降低主體應對外部技術變革的適應性。

知識屬性的驅動力呈現階段性分化。知識多樣性始終正向顯著促進合作，印證了跨領域知識整合作為綠色技術系統創新基石的作用；而知識獨特性的作用軌跡則經歷了由早期負向顯著抑制向后期顯著正向驅動的轉變，揭示了綠色技術合作網絡戰略重心從“知識擴散”向“知識價值獨占”的遷移。這為解釋后發主體如何通過獨特技術突破重塑網絡權力格局提供了理論依據。

4.2 管理啟示

4.2.1 主體層面

實行多樣性一深度協同調控。在技術合作初期階段通過開放創新聯盟引入跨行業、跨國合作伙伴，利用知識多樣性激發創新；進人技術合作成熟階段則采用模塊化分工策略，將深度合作限制在關鍵技術子群內，避免網絡僵化。

實施知識管理雙軌策略。設立國際技術并購基金，引進獨特性知識資源，整合外部知識資源；建立知識圖譜驅動的研發路徑規劃系統，識別技術組合潛力，避免同質化競爭，優化內部知識資源配置。

4.2.2 機制層面

建立基于知識屬性的差異化引導機制。強化知識多樣性儲備，設立“綠色技術跨界創新專項”，支持主體申報跨學科專利組合并推動專利池構建以降低技術整合門檻。實施知識獨特性動態管理，在網絡前期，依托技術標準聯盟促進獨特知識的兼容性適配；在網絡發展后期，通過建立“獨特性技術競價市場”或知識產權證券化機制，推動獨特性向差異化競爭優勢轉化。

重構核心節點功能，強化權責協同。識別網絡中的高中心性節點（如龍頭企業、國家級實驗室），明確其“創新策源責任”，要求其定期發布技術路線圖并開放部分專利許可；建立結構洞橋接激勵機制：將核心節點在跨社群合作中的中介作用納入綠色金融評級體系，實施“結構洞橋接考核”，激勵其積極履行知識擴散的公共服務職能。

參考文獻：

[1] RENNINGS K.Redefining innovation-eco-innovationresearch and the contribution from ecological econom-ics[J]. Ecological Economics，2000，32（2）：319-332.

[2]ROBINSG，SNIJDERST，PENGW，et al.Recent de-velopments in exponential random graph （p?） modelsfor social networks[J]. Social Networks，2007，29（2）：192-215.

[3]袁源，郭進利，郭塑華.中國新能源汽車產業合作網絡演化特征和動因研究[J].科學與管理，2025，45（2）：31-39.

[4] 王葉，曲如曉.全球創新網絡的演化特征和動力機制研究[J].科研管理，2024，45（9）：1-10.

[5] ABBASIA，HOSSAINL，LEYDESDORFFL.Be-tweenness centrality asa driver of preferential attachmentinthe evolution of research collaboration networks[J]. JournalofInformetrics，2012，6（3）：403-412.

[6]何喜軍，吳爽爽，武玉英，等.專利轉讓網絡中結構洞占據者識別及角色演化——粵港澳大灣區的實證研究[J].科學學與科學技術管理，2022，43（4）：75-94.

[7]左妹華，張瀚，李桂熔，等.珠三角城市群產學研合作網絡結構演化及影響因素研究[J/OL].江西師范大學學報（自然科學版），1-9[2025-03-03].http：//kns.cnki.net/kc-ms/detail/36.1092.N.20250221.1518.002.html.

[8]丁文麗，楊渝鏡，楊昕.中國—東盟金融合作網絡：結構、演化及影響因素[J].華南師范大學學報（社會科學版），2024（6）：125-140，201.

[9]戴靚，紀宇凡，王嵩，等.中國城市知識創新網絡的演化特征及其鄰近性機制[J.資源科學，2022，44（7）：1494-1505.

[10]滕堂偉，潘雅君，王勝鵬，等.長三角地區城市綠色創新效率網絡空間結構演化及影響因素[J].長江流域資源與環境，2023，32（7）：1335-1348.

[11]胡海容，劉明媚.技術、組織、環境對企業專利合作網絡的影響——基于生物醫藥上市企業的模糊集定性比較分析[J].科技創業月刊，2024，37（7）：165-170.

[12]VISSA B. A matching theory of entrepreneurs'tie for-mation intentions and initiation of economic exchange[J].Academy of Management Journal，2o11，54（1）：137-158.

[13］顧偉男，劉慧，王亮.“一帶一路”沿線國家科研合作網絡的多元結構及形成機制[J].地理研究，2020，39（5） ：1070-1087.

[14]STERN 1， DUKERICH J M， ZAJAC E. Unmixed sig-nals ：how reputationand status affect alliance formation[J]. Strategic Management Journal， 2014，35（4） ： 512-531.

[15]冉釗，高尚，楊捷，等.大城市醫療健康資源空間交互及其網絡演化——以鄭州中心城區為例[J].地理研究，2022，41（2）：494-508.

[16]曹霞，張鑫.新能源汽車產學研創新網絡演化及鄰近性機理[J].科學學研究，2023，41（9）：1678-1689.

[17]HARRISJK.指數隨機圖模型導論[M].楊冠燦，譯.上海：格致出版社，上海人民出版社，2016.

[18]馬永紅，楊曉萌，孔令凱.關鍵共性技術合作網絡演化機制研究——以醫藥產業為例[J].科技進步與對策，2021，38（8）：60-69.

[19］郭建杰，謝富紀.基于ERGM的協同創新網絡形成影響因素實證研究[J].管理學報，2021，18（1）：91-98.

[20]王海花，孫芹，杜梅，等.長三角城市群協同創新網絡演化及形成機制研究—依存型多層網絡視角[J].科技進步與對策，2020，37（9）：69-78.

[21]李文文，李垚.新能源汽車產業協同創新演化研究-基于動態網絡視角[J].科技進步與對策，2025，42（2）：63-72.

[22]陳鈺芬，王科平.多維鄰近性視角下人工智能合作創新網絡演化研究[J].管理學報，2023，20（7）：1045-1055

[23]戴靚，曹湛，馬海濤，等.中國城市知識合作網絡結構演化的影響機制[J].地理學報，2023，78（2）：334-350.

[24]朱業震.異質性知識如何影響協同重組創新[D].桂林：桂林理工大學，2024.

[25]BRENNECKE J，RANK O. The firm’s knowledgenetwork and the transfer of advice among corporate in-ventors：a multilevel network study[J]. Research Poli-cy，2017，46（4）：768-783.

（責任編輯：王莊）