地理邻近性影响合作网络及区域创新绩效的机理研究

谢其军 宋 伟

(1. 清华大学公共管理学院； 2. 中国科学技术大学公共事务学院)

1 研究背景

随着《国家创新驱动发展战略纲要》的颁布，创新在国家发展中的地位被提到前所未有的高度。为了更好地融入国家创新体系，各省份都在努力提升区域创新能力。知识的创造、利用和储备被认为是提升区域创新能力的重要方式，但是单个区域的知识储备和创造是有限的。随着知识更新与认知迭代的加速，创新逐渐成为了一项具有高复杂性的活动[1，2]。创新主体不再是孤立地进行知识创新活动，而是通过建立合作关系进行协同创新。这样不仅可以促进知识的传播与革新，而且可以降低创新的风险和复杂性。

对于区域而言，创新合作可以分为区域内部合作和跨区域合作两种，这两种合作类型都可以促进知识的交流与传播，但是跨区域合作通常被认为更有利于知识的补充和新知识的整合[1～3]。一些研究人员发现，跨区域合作网络的结构特征对区域创新绩效和组织创新绩效都有显著的影响[4～6]，而这种跨区域的创新合作又受到地理距离的影响。既有研究发现，地理上的邻近并不总是有益的，或许会阻碍跨区域合作[7]；但是，大多数学者认为地理上的邻近可以降低成本，并加强合作伙伴之间的互动和知识获取，促进合作创新[8]，进而提升创新绩效[9]。

可以看出，地理邻近性会影响创新合作和创新绩效。FUNK[3]研究发现，地理邻近性可以通过网络的集聚性和无效率等特征间接影响创新绩效，即合作网络在地理邻近性对创新绩效的影响中起到中介作用。此外，其他学者的研究也从一定程度上论证了地理邻近性、合作网络与创新绩效的关系[10]。然而，这些研究多是聚焦组织层面，对区域层面的研究不足，且这些研究大多聚焦发达国家，对发展中国家的关注不足。

合作并不总是自然而然的产生，也并不总是能够促进区域创新绩效的提升，一些区域内部因素会促进区域通过合作来提高创新能力，如开放度。开放度可以被定义为某一区域与外部的经济与技术关系。开放度能够降低区域在创新发展中的技术“锁定”风险，有利于区域的开放式创新[11]。对于两个区域而言，即便是在相同的创新合作条件下，高开放度区域会比低开放度区域的创新绩效更高。尽管开放度有助于区域吸收外部知识进行创新，但是鲜有文献将开放度纳入创新合作影响区域创新绩效的分析框架，忽视了开放度在区域通过合作利用外部知识提升创新绩效的过程中发挥的作用。

综上所述，已有学者研究了发达地区组织层面上地理邻近、创新合作和创新绩效的关系，但在发展中国家区域层面上是否存在上述关系并未得到验证。同时，已有的研究忽视了开放度在区域利用外部知识提升创新绩效过程中的调节作用。由此，基于社会网络理论的视角，本研究拟论证地理邻近性、合作网络结构与区域创新绩效之间的关系，并探讨开放度在上述关系中的调节作用，以期丰富区域创新的理论研究，为区域创新政策的制定提供理论参考。

2 理论分析与研究假设

2.1 地理邻近性和知识溢出效应

地理邻近性是数十种邻近性概念中的一种，也是邻近性研究中最常用的维度之一[8，9]。它在解释区域之间知识的交流和传播方面发挥着重要作用。已有研究表明，地理邻近性能够促进创新合作，提升创新绩效[7～9]。除了地理邻近性，其他维度的邻近性，如认知邻近性、技术邻近性和制度邻近性等也会促进创新合作[12～18]。但是，地理邻近性是最基本、最常用的维度，相比于其他邻近性，地理邻近性概念容易界定，也易于测量；同时，产业集聚和地理局限性方面的丰富实践，为地理邻近性的研究奠定了良好基础。本研究由于将空间知识溢出的因素纳入考虑范畴，因此，主要聚焦地理邻近性对创新合作与创新绩效的影响，而未将其他的邻近性都纳入分析框架。

地理邻近性对创新合作网络的影响，主要体现在3个方面：①对于合作者而言，在寻找合作对象过程中需要相关信息的搜索，地理上的邻近可以降低信息搜索成本；同时，地理上的邻近，可以帮助创新主体全面了解合作对象的实际经营状况、信誉等消息，避免信息不对称问题，提高合作网络信息的有效性[8]。②合作过程中，往往涉及相关人员的沟通交流和有形物质的运输，地理上的邻近可以降低交通成本，促进合作网络的形成[2]。③创新合作的过程也是知识溢出与流动的过程，地理上的邻近能够促进这一过程。许多学者认为，知识的溢出在地理上具有缩减效应，地理邻近可以促进知识的传播，并在一定程度上能够促进创新意识与思想的碰撞，使创新主体开发出更具有创新性的产品，不断巩固和提升其在网络中的位置[16]。组织层面的研究结果显示，地理邻近性能够促进组织拓展更为广泛的跨组织合作，进而提升组织创新绩效[15]。地理邻近性对创新绩效的影响体现在3个方面：①地理上的邻近，有利于创新主体之间知识的交流，尤其是隐形知识的传播，促进创新主体吸收外部知识，进而提高创新绩效[9]；②地理上的邻近，可以增加创新主体之间的互相学习和模仿，提高学习新知识的效率，加快知识创造的过程，促进创新能力的形成[17]；③地理上的邻近，有助于创新主体间的互补，进而提升创新供给的机制。

一方面，既有研究已经从多个维度论证了地理邻近性对创新合作的影响，但大多数的研究集中在组织层面，对区域层面的研究相对较少，且多数研究关注合作数量，忽视了各个合作者在网络中的地位；另一方面，对于地理邻近性的研究主要集中在邻近性本身的作用，对邻近区域的创新产出较少关注，而事实上只有当邻近区域有较多的创新产出时，才能够分享和传播更多的知识。综上，本研究将邻近区域的创新产出作为权重来研究地理邻近性，假设地理邻近性能够影响区域在合作网络中的位置，并正向影响创新绩效。据此，提出如下假设：

假设1地理邻近性积极地影响合作网络结构特征。

假设2地理邻近性对区域创新绩效具有正向影响。

2.2 跨区域合作网络结构的中介效应

由于合作是嵌入到网络中的，所以一些研究者从网络视角来探索创新合作的影响。与合作数量不同，合作网络表征的信息更多。合作数量的多少并不完全等同于在合作网络中占据的位置。由此，本研究主要从网络结构的视角，探索跨区域创新合作对创新绩效的影响。

合作网络对创新绩效的影响体现在3个方面：①在网络中处于中心位置，能够接触更多的资源与信息，有利于加速创新主体的知识获取，了解合作伙伴的技术动向[16]；②在网络中占据结构洞，能够为创新主体带来信息优势和非冗余信息，这为创新主体在不确定市场环境下带来更多的机会[19]；③在网络中占据中心位置，更有助于创新主体处理各类风险，从而提升创新绩效[3]。现有的研究从个体、组织、区域等多个层次论证了合作网络特征对创新绩效的影响[20～22]。

个体层面，LI等[20]发现，合作者在网络中越处于中心位置，越有利于其创新成果的产出。WANG等[21]认为，在知识网络和合作网络的结构洞及中心度会影响研究者的探索式创新。组织层面，周灿等[23]以电子信息产业为对象，发现提高网络地位、占据结构洞位置对于提升创新绩效具有积极的作用。解学梅等[24]认为，协同创新网络的规模、同质性和强度3个维度特征，均正向影响企业创新绩效。部分学者研究发现，合作网络的中心性与创新绩效并不是简单的线性关系，而是呈倒U型的关系[25]。区域层面，GUAN等[2]发现，研发合作网络的4个维度(结构洞、度数中心性、接近中心性和中间中心性)对样本国家的R & D效率提升具有正向的影响。此外，一些研究人员发现，中心性、集聚性、结构洞和路径长度等对创新绩效具有积极的影响[21]。

前文已经分析了地理邻近性对创新的重要影响，但是，关于地理邻近性与创新之间的争论一直存在，其中一个焦点，即如何解释孤立在产业集聚区域之外的企业解决长距离吸收外部新知识的问题。而合作网络的存在，可以在一定程度上缓解知识溢出的地理缩减效应，构建知识交流与传播的桥梁，从而促进创新主体绩效的提升。FUNK[3]认为，组织层面的网络集聚性和无效率等网络特征，能够中介地理邻近性对创新绩效的影响。综上所述，现有研究已论证了地理邻近性对创新合作的影响、合作网络对创新绩效的影响，以及网络结构在地理邻近性与创新绩效之间发挥的中介效应，但在区域层面，合作网络是否能够中介地理邻近性对区域创新绩效的影响尚未得到充分验证。据此，提出如下假设：

假设3跨边界合作网络对区域创新绩效有积极的影响。

假设4跨边界合作网络在地理邻近性对区域创新绩效的影响中起到中介作用。

2.3 开放度的调节作用

开放度可以被定义为某一区域与外部的经济与技术关系。开放度在合作网络与创新绩效之间的调节效应体现在两个方面：①跨区域创新合作是区域获取外部知识的重要方式，许多实证研究都论证了这一观点[26]；而开放度可以增加区域信息、产品和技术等的流入流出，有效降低区域陷入技术“锁定”陷阱的风险，促进区域对通过合作获取的外部知识进行整合，从而提升创新绩效[27]。②创新合作能否顺利地转化为创新绩效，受到区域开放度等因素的影响；开放度能够加强区域与外部的联系，积蓄创新专业化方面的经验与知识，延伸创新链和价值链，在产业创新分工合作体系中形成竞争优势，进而促进创新绩效的提升[28]。

WANG等[26]利用2001～2011年我国各省市区的数据，验证了开放度可以调节技术复杂性对区域创新能力的影响。谢其军等[19]验证了开放度正向调节知识产权能力对区域自主创新的影响。尽管缺乏研究支持开放度在跨边界合作网络与区域创新绩效之间关系的调节效应，但是在现代区域创新体系中，区域是一个开放的整体，不断地与外部区域进行创新要素的交换。换言之，区域开放度越高，区域之间的创新要素流动和创新合作会更加活跃，更能够促进区域创新绩效的提升。据此，提出如下假设：

假设5开放度在跨边界合作网络对区域创新绩效的影响中起到正向调节作用。

3 研究设计

3.1 指标的选取

3.1.1因变量

研究人员通常用专利作为区域创新绩效的度量指标[3]。专利作为创新的重要产出，在表征创新绩效时具有一定的优势，而且数据一致性强，又比较容易获得。但是，专利因为在创新成果的市场化水平和商业化水平方面存在不足而饱受争议。因而，一些学者转而选择新产品销售收入来表征创新绩效[29]。这一指标较好地弥补了专利在反映创新于市场化水平和商业化水平方面的不足。考虑到本研究讨论范围和研究对象的特点，采用新产品销售输入作为区域创新绩效的测度指标。

3.1.2解释变量

(1)地理邻近性(GP)尽管地理邻近性的测量已经比较规范，但是现有的研究多集中在空间距离或者空间邻近，忽视了邻近区域的创新产出情况。借鉴已有研究，本研究以其他区域的专利产出为权重来测算地理邻近性[3]

(1)

式中，GPit表示i区域在t年的地理邻近性数值；NPjt表示j区域在t年的授权发明专利件数；GDij表示i区域到j区域的地理距离，用如下公式计算得到，其中∂的值为343.78，long和lat分别是经度、纬度:

GDij=∂{arcos[sin(lati)sin(latj)+

cos(lati)cos(latj)cos(|longi-longj|)]} 。

(2)集聚系数(CC)参照以往的研究，主要选取了具有代表性的集聚性、结构洞和中心性作为衡量合作网络结构特征的变量[2]。集聚性由集聚系数(CC)表示，集聚系数是个反向指标，集聚性越强，集聚系数值越小。具体计算公式如下：

(2)

式中，CCi表示区域i的集聚系数；ni表示网络中与i区域直接连接的区域数量；zi表示网络中ni现有边缘的数量。

(3)结构洞(SH)由网络限制性表示，区域节点在合作网络中占据的结构洞越丰富，该区域在网络中的位置越重要。参照已有研究，结构洞由2与网络限制性的差值表示[2]。具体公式如下：

(3)

(4)

SHi=2-Fi,

(5)

式中，k表示省份i与省份j相连的省份；pij表示省份i与省份j连接强度在省份i网络中(所有同省份i相连形成的网络)所占的比例，例如，省份i与两个省份连接，且强度相同，那么pij就是0.5；pik表示省份i与省份k连接强度在省份i网络中所占的比例；pjk表示省份j与省份k连接强度在省份j网络中所占的比例；fij表示省份i与省份j之间的网络限制性值；Fi表示省份i的网络限制性总和。

(4)中心性包括度数中心性、接近中心性和中间中心性3种。根据需要，本研究选择反映某个区域节点与合作网络中所有其他区域节点路径长度的接近中心性(CND)来表示，即若一个区域节点通过比较短的路径与许多其他区域节点相连，那么，该区域节点具有较高的接近中心度。计算公式如下：

(6)

式中，dij表示区域节点i到节点j在合作网络中的最短路径；n表示网络中区域节点的数量。

(5)开放度(OP)已有的研究中，大多数学者使用外商直接投资(FDI)来表示区域开放度[2，26]。结合研究目的，本研究也采用FDI来反映区域开放度。

3.1.3控制变量

区域创新绩效和跨边界创新合作受到区域差异性因素的影响，为了控制一些区域性因素对解释变量的干扰，本研究参考已有的研究并结合研究目的，从经济水平(人均GDP)、人力资本(平均受教育程度)和工业化程度(第二产业占GDP比重)3个方面各选择一个指标作为控制变量[30]。

3.2 数据来源

专利数据主要来源于IncoPat专利数据库和国家知识产权局官网。各省的统计数据(新产品销售收入、FDI、平均受教育程度、人均GDP和第二产业占GDP比例等)主要来源于《中国科技统计年鉴》和《中国统计年鉴》。

一方面，2008年之后，我国的区域创新(《国家知识产权战略纲要》颁布)发展进入快车道，因此研究起点为2008年；另一方面，由于发明专利从申请到授权需要3年以上的时间，因此在2017年检索时，2014年及以后的数据急剧下降，因此研究截止时间点为2013年。参考GUAN等[2]的研究，利用专利数据进行区域创新的研究往往考虑3年的滞后期。由此，本研究解释变量的数据为2008～2013年，因变量为2011～2016年。

3.3 数据处理

为了获得集聚系数、结构洞、接近中心性等表征合作网络特征的指标，需要利用合作网络矩阵来进行计算。具体而言，利用30个省级区域之间各年份的授权发明专利合作数量，数值化各个区域之间的协同创新网络，例如，A省和B省合作数量为100，那么矩阵中AB对应的值就为100，以此得到每个年份的30×30矩阵，再利用UCINET软件，计算得到各个省份每年的网络结构特征数据。

2008～2013年，各个年份的网络结构特征数据，由共同专利数量组成的矩阵计算得到。通过分析2008～2013年全国各省份授权的90多万件发明专利，筛选出至少由两个以上单位作为申请人的共同专利，共计9万多件。由于专利申请时只登记第一申请人的地址，缺少联合申请人地址。由此，历时两个多月，将9万余件共同发明专利的联合申请人地址信息补齐。剔除省内合作的共同专利，得到32 000多件跨省份共同发明专利。

区域地理邻近性数据，是根据各个省会城市的经度、纬度数值和各个年份申请并授权的发明专利代入公式计算得到。其他指标均直接来源于统计数据，无需计算。所有指标在放入模型前都进行了对数处理，调节变量及交叉项还进行了中心化处理。

3.4 描述性统计分析

本研究的数据处理结果，即创新合作现状描述见表1。由表1可知，2008～2013年，按照申请日统计，全国授权发明专利数量增长显著。授权合作发明专利从2008年的7 708件增长至2013年的24 389件，年平均增长率在25%左右。授权合作发明专利占授权发明专利的比例由2008年的9.11%增加到2012年的10.16%，2013年有所下降。跨省合作发明专利由2008年的2 162件增长到2013年的8 013件，增长了270%，增长趋势明显。跨省合作发明专利件数占授权合作发明专利件数的比例由2008年的28.05%增加到2012年的41.05%，呈现上升的趋势，2013年略有回落，观察期内，平均占比为35%，说明跨省合作的趋势在增强，但是仅从数量上看，跨省合作发明专利占授权合作发明专利的比例并不是很高。

表1 创新合作现状

变量的描述性统计分析结果见表2。由表2可知，观察期内共有180个样本，表征创新绩效的新产品销售收入最小值为0.070，最大为2 256.428，均值为402.266，标准差为476.055，标准差大于均值，数据比较离散。此外，表征开放度的FDI和人均GDP也呈现离散情况。除此之外，其他变量的均值都大于标准差，不存在数据较为离散的情况。

表2 变量的描述性统计分析(N=180)

4 实证分析

利用回归模型，借助STATA 12.1软件，对变量之间的因果关系以及中介效应和调节效应进行检验，得到的结果分别见表3～表5，其中GP为地理邻近性、GDP为人均GDP、IN为第二产业占GDP比值、E为平均受教育程度、CC为集聚系数、SH为结构洞、CND为接近中心性、OP为开放度。具体实证结果如下。

(1)地理邻近性对合作网络结构的影响表3中模型1和模型2的因变量为集聚系数，模型3和模型4的因变量为结构洞，模型5和模型6的因变量为接近中心性，这一系列模型验证了地理邻近性对合作网络结构特征的影响。

表3 地理邻近性影响合作网络的实证结果(N=180)

模型2的结果显示，在0.05显著水平下，地理邻近性对集聚系数的影响显著。模型4的结果显示，在0.01显著水平下，地理邻近性对结构洞具有正向影响，说明某个省份在地理上与其他创新产出较好的省份越邻近，越有助于丰富该省份在合作网络中的结构洞。模型6的结果显示，在0.001显著水平下，地理邻近性对接近中心性具有正向影响。综上所述，地理邻近性对集聚系数、结构洞和接近中心性的影响显著，说明地理邻近性正向影响区域在合作网络中的位置，假设1得到验证。

(2)合作网络结构的中介效应借鉴已有研究，采用逐步法验证中介效应[31]。表4中模型7～模型10的因变量为区域创新绩效，这一系列模型验证了地理邻近、合作网络对区域创新绩效的影响以及合作网络的中介效应。

表4 合作网络的中介效应实证结果(N=180)

模型9的结果显示，集聚系数(β=-0.240，p<0.001)、结构洞(β=0.151，p<0.001)和接近中心性(β=0.280，p<0.001)均显著影响区域创新绩效，尽管集聚系数对区域创新绩效的影响系数为负数，但由于其是反向指标，系数越小越集聚，对创新绩效的影响越大，说明区域在合作网络中集聚性越强越有利于其创新绩效的提升，因而，假设3得到验证。模型8的结果显示，地理邻近性(β=0.174，p<0.01)正向影响区域创新绩效，假设2得证。由表3中的模型2、模型4和模型6的结果可知，地理邻近性正向影响合作网络。再结合模型9的结果可知，一方面，地理邻近性直接影响区域创新绩效；另一方面，地理邻近性又通过合作网络间接影响区域创新绩效，说明合作网络结构在地理邻近性对区域创新绩效的影响中起到部分中介作用，假设4得到验证。

(3)开放度的调节效应借鉴已有研究，采用逐步法验证调节效应[31]。表4中，模型7由控制变量人均GDP、受教育程度、第二产业占GDP比例与因变量区域创新绩效组成，模型10是在模型7的基础上加入了解释变量地理邻近性、集聚系数、结构洞和接近中性。表5中，模型11是在表4的模型10基础上加入了调节变量开放度，模型12是在模型11的基础上加入了开放度与集聚系数的交互项，模型13是在模型11的基础上加入了开放度与结构洞的交互项，模型14是在模型11的基础上加入了开放度与接近中心性的交互项，模型15为全模型。

表5 开放度的调节效应实证结果(N=180)

由表5中的模型12的结果可知，集聚系数与开放度的交互项是显著的(β=0.327，p<0.01)，这意味着调节效应显著。再结合调节图(见图1)可知，开放度负向调节集聚系数对区域创新绩效的影响，但由于集聚系数是反向指标，值越小，集聚性越强，因而实际上开放度促进了合作网络集聚性对区域创新绩效的影响。

图1 开放度对集聚系数与区域创新绩效之间关系的调节

由表5中的模型14的结果可知，接近中心性与开放度的交互项是显著的(β=-1.430，p<0.01)，这意味着调节效应显著。再结合调节图(见图2)可知，开放度正向调节接近中心性对区域创新绩效的影响，即在接近中心性的值相同时，开放度越高的省份其区域创新绩效表现越好。上述结果说明，区域开放度越高，越有助于合作网络结构对区域创新绩效的影响，假设5得到验证。

图2 开放度对接近中心性与区域创新绩效之间关系的调节

5 研究结论及政策建议

本研究基于社会网络理论的视角，借助回归模型论证了地理邻近性、合作网络与区域创新绩效之间的关系，并分析了开放度在上述关系中的调节作用，主要研究结论如下。

(1)地理邻近性对合作网络结构具有显著影响利用UCINET和STATA软件进行社会网络分析和回归分析。研究发现：地理邻近性不仅可以丰富区域在合作网络中的结构洞，而且有助于提升区域在合作网络中的中心性，但是没有增强跨边界合作的集聚性。这一结果表明，地理上的知识溢出效应具有积极的外部性，能够促进跨边界的创新主体互动，使得创意和思维在碰撞中产生具有创新意义的产品[4]。

(2)合作网络结构部分中介了地理邻近性对区域创新绩效的影响本研究的主要贡献之一，即验证了跨边界合作网络能够中介地理邻近性对区域创新绩效的影响。具体来说，地理邻近性之所以能够对区域创新绩效产生显著的影响，主要途径之一是借助跨边界合作，其机理在于知识具有空间溢出效应，但又受限于地理距离，而且知识的传播需要媒介，通过嵌入在区域内的大学、研究机构和企业等组织来构建知识传播与扩散的路径，可以在一定程度上降低地理距离带来的局限，又能提高组织间沟通与交流的效率，促进合作的发生，进而提升区域创新绩效。这一研究结果说明，嵌入在区域内的组织间合作是创新知识跨边界流动的途径之一；组织间合作网络的研究，则可能对分析知识的地理扩散以及区域创新的活力具有重要价值。

(3)开放度的调节效应显著开放度正向调节合作网络与区域创新绩效之间的关系。以往的研究鲜有关注开放度在上述关系中的调节效应，本研究的结论在很大程度上丰富了开放度对区域创新绩效的调节效应研究。具体而言，在合作网络接近中心性与区域创新绩效的关系中，开放度起到正向调节的作用。开放度负向调节集聚系数与区域创新绩效的关系，但由于集聚系数是反向指标，值越小越集聚，因此实际上开放度是促进了集聚性对区域创新绩效的影响。开放度体现了区域与外部的经济、技术联系，增加开放度有利于区域创新绩效的提升。高开放度能够增加区域的开放性与包容性，进而促进知识的跨边界流动，提升创新绩效。

基于上述结论，本研究提出如下建议：①从效率和成本的角度考虑，创新主体应当积极选择邻近区域的伙伴进行合作，进而提高其在合作网络中的地位；②地方政府可以通过联合研发项目、创新券跨省通用等政策引导，激发创新主体积极拓展跨区域合作网络，提升区域创新绩效；③政府要不断优化创新环境，实施更加开放的政策，吸引外部资本、技术和知识的流入，促进本地区创新知识的整合与技术革新。