新兴技术合作创新网络形成影响因素研究——基于虚拟现实技术的专利数据

曹 兴 赵倩可 许 羿

1 引 言

随着新一轮工业革命兴起，以大数据、人工智能等为代表的新兴技术取得重大突破，与传统技术相比，新兴技术是建立在原有科学基础上的技术创新，其本质是不同领域间技术、知识等资源的重新整合，具有创造新产业或改变原有产业的潜力（徐建国等，2018［1］；俞荣建等，2018［2］）。在新兴技术发展过程中，跨学科、跨领域的技术知识间深度融合，使得技术演化具有多种可能性。由于新兴技术具有高度复杂性，以及技术和市场的双重不确定性（Cozzens 等，2010［3］；王敏和银路，2010［4］），新兴技术企业仅依靠自身资源进行研发创新，难以满足技术发展和市场需求的变化（申俊喜，2012［5］）。因此，通过合作从外部获取异质性资源，进行资源间的融合、转化，就成为新兴技术企业开辟新的技术轨道，拓展新兴产业市场的重要途径。新兴技术合作创新网络为新兴技术企业跨越边界，寻求跨学科、跨领域的创新资源提供了有效的组织形式（郑刚等，2022［6］）。

新兴技术合作创新网络与传统技术合作网络相比，更具有复杂性与开放性。传统技术发展方向较为清晰，商业模式、竞争结构等也比较明确（沈灏等，2017［7］），组织间存在着清晰的边界（Gunther，2004［8］），其合作网络中组织合作意愿不强，知识资源交流也仅限于特定领域，网络中的合作关系以及知识交流都较为简单，网络中的组织较为固定，不易进入新的创新主体，呈现一定的封闭性。新兴技术发展方向尚不明确（Hung和Chu，2006［9］），商业领域中的竞争结构尚未形成，其合作创新网络的发展是不同产业领域的创新主体与不同学科领域的知识资源共同推动的结果，体现出网络合作关系建立与跨领域知识资源交流的复杂性（Uzzi和Lancaster，2003［10］）。同时，创新主体为了获取外部知识资源，使得组织边界逐渐模糊，网络连通性增强，外部创新主体进入网络，建立合作关系的机会较多，呈现网络开放性。

新兴技术合作创新网络的复杂性与开放性特征，体现出创新主体主动寻求合作与创新知识资源跨界融合的双重变化。现有研究发现，合作创新网络结构特征会影响合作关系的进一步发展，成为推动网络形成的内生动力（吕鹏辉和刘盛博，2014［11］）。在网络结构特征对合作创新网络影响的研究上，罗泰晔和马翠嫦（2018）［12］基于专利数据，探讨网络中的择优链接与传递性特征对科研合作关系建立的影响。刘璇等（2019）［13］构建科研合作网络，发现网络的形成受到传递性的影响。新兴技术的发展体现为技术知识的重组与更新（曹兴等，2022［14］），知识也成为影响创新主体选择合作伙伴的重要因素，创新主体的知识属性嵌入到其合作关系中，通过现有的知识资源，创新主体进行知识跨界搜索和选择合作伙伴，建立合作关系，影响网络形成。在知识属性对合作创新网络影响的研究上，Brennecke 和Rank（2017）［15］基于知识-合作多层网络，验证了不同知识属性对合作网络中关系的建立具有影响。Yayavaram 等（2018）［16］发现当企业间的领域知识相关而架构知识不同时，企业合作的可能性得到增加。刘凤朝和杨爽（2020）［17］发现知识多样性与知识独特性对合作网络中心性具有显著影响，且受到知识组合潜力的调节。因此，网络结构特征和创新主体知识属性都是影响新兴技术合作创新网络形成的重要因素。

通过明晰合作创新网络形成机制，同时纳入网络结构特征和创新主体知识属性两类影响因素，有利于创新主体改进资源配置方案，推动创新资源有效重组，实现新兴技术的进一步创新。本文以虚拟现实技术为对象，收集了2010-2021 年虚拟现实技术的专利数据，构建专利权人合作创新网络，采用随机指数图模型（Exponential Random Graph Model，以下简称ERGM），分析合作创新网络结构特征、创新主体知识属性对合作创新网络形成的影响，有助于认识不同知识属性对创新主体间合作关系建立的影响，探究不同阶段合作创新网络的形成机制。

2 新兴技术合作创新网络形成的影响因素分析

新兴技术合作创新网络不仅体现了主体间的相互作用，还包括技术、知识等资源的流动，其网络形成依赖于网络内部结构关系的发展，也与创新主体知识属性相关。网络内部的自组织发展，表现为具有一定特征的网络结构，成为影响网络演化的内生机制。创新主体属性的偏好主导着网络关系的变化（罗超亮等，2022［18］），网络中的创新主体更愿意与知识资源丰富或者知识属性相近的伙伴，建立合作关系，有利于降低创新风险与成本。

2.1 新兴技术合作创新网络结构特征分析

随着网络整体结构和规模不断变化，网络内部多个关系之间存在依赖性，一个关系的形成可能会影响其他关系的出现，并构成相应的网络结构，表现为整体网络中具有规律的网络特征，这种特征的出现仅仅来源于网络内部过程，因此被称为网络的“纯结构”效应。

合作创新网络形成过程中，主要包括三种结构，二元组、三元组以及k-星结构。二元组是网络形成的最基本结构，其包含两种类型，表示节点对间存在联系，在网络中体现为不同主体间建立合作关系；三元组表示任意三个节点间的联系，包含四种类型，主要体现为网络中的传递性，有利于明晰充当“桥梁”作用的主体或者合作关系建立新关系的可能性；k-星表示网络中k 个节点（一般k 大于等于3）组成星形结构网络，其类型较多，在创新网络中体现为择优性，位于中心位置的创新主体具有较强的核心性，持续性吸引其他合作伙伴加入网络当中。因此，三角结构和k-星结构是促进网络形成与发展的重要结构，促使网络规模与功能发生扩展与改变。如表1 所示，展示了二元组与三元组的全部结构类型，以及k-星结构中的3-星、4-星与5-星结构。

k-星结构在网络中体现为择优性，在新兴技术合作创新网络中，新兴技术发展较好的主体拥有较多异质性知识资源，在网络中更容易吸引其他主体建立合作关系（戴靓等，2022［19］），在网络中节点度数较高，提升其在未来的合作吸引力。新进入者在加入创新网络时，为了尽快获取知识资源，也会倾向于选择连接数量较多的节点建立合作关系，促使网络中核心-边缘结构的形成（Mitze 和Strotebeck，2018［20］）。因此，择优性在网络的形成过程中起到促进作用，使得网络呈现出从核心主体引领非核心主体发展过程，加快知识跨界融合，促进网络整体技术创新水平提升。

三元组结构在网络中体现为传递性，表示创新主体倾向于选择具有共同合作对象的其他主体进一步建立合作关系（Faust，2010［21］）。创新主体间建立合作关系，不仅体现出主体间异质性知识资源的获取与吸收，也反映了双方间的信任基础（Uzzi，1997［22］）。选择具有共同合作对象的创新主体，有利于减少对合作伙伴能力、可信度的不确定性，提升知识资源获取与转化的有效性（郭建杰和谢富纪，2021［23］）。因此，传递性在网络发展中具有提升网络整体效率和稳定性的优势。

在新兴技术领域中，一些创新主体间的关系尚不明确，通过知识跨界搜索，以及对已有创新实力的判断，会建立不同的合作关系，如图1 所示。a、b 为新兴技术领域中创新实力较强的主体，易吸引其他主体与其建立合作关系。由于在网络中a、b 节点度数较高，n、p 为网络中新加入的创新主体，随着择优性的作用，n、p 会分别选择与a、b 建立合作关系，提高a、b 在网络中的核心地位。此外，创新主体c 和d，f 和i，j 和k，因其分别拥有共同的合作伙伴，受到传递性的影响，两两之间建立新的合作关系，进而推动了创新网络的形成。

图1 网络结构特征对网络形成的影响

2.2 创新主体知识属性影响分析

知识大多依附于个体存在，主体的知识属性体现为主体自身以及与其他主体建立合作时的知识状态，主体的知识属性可以分为知识个体属性与知识关系属性，个体属性体现为网络中主体自身知识能力水平的强弱，其中知识多样性是表示主体自身知识丰富程度的重要指标（Kogut 和Zander，1993［24］）；关系属性体现为主体间知识资源的关联程度，其中知识邻近性是表示主体间知识基础的相似程度的重要指标。由于主体嵌入到创新网络中，其知识元素也会组成相应的知识网络，两个网络存在不同的结构，主体在合作创新网络中的地位不能反映其在知识网络中的知识要素位置，产生了与知识网络相关的知识网络属性，知识组合潜力与知识组合机会分别表示组织的知识元素在知识网络中的历史组合情况与未来组合可能，体现出知识元素在知识网络中的中心位置与结构洞位置，是网络属性的关键所在（Hansen，1999［25］；Birkinshaw 等，2002［26］；Carnabuci 和Bruggeman，2009［27］）。

主体的知识多样化程度越高，其拥有的知识资源库越大，包含的知识范围越广。已有研究表明创新主体拥有的知识资源越丰富，其在处理问题时思维会越开阔，能够更好地运用不同领域的知识，进行知识的重组与创新（Hagedoorn 等，2018［28］；Gruber 等，2013［29］）。在新兴技术合作创新网络中，寻求异质性知识，弥补知识缺口，增加创新机会是创新主体建立合作关系的基本目的，因此，知识多样性高的组织在网络中的受欢迎程度也较高，更容易吸引其他主体建立合作关系，促进网络的进一步发展。

主体间知识邻近性越强，其知识领域相似程度越大（Liang 和Liu，2018［30］），选择知识领域相似的主体进行合作，帮助降低知识吸收成本，提高主体间知识学习效率，便于接收对方的知识体系（Doz，1996［31］），但也会造成知识同质化严重，不利于激发进一步创新。新兴技术的发展需要异质性知识元素的碰撞与重组，主体在推动创新的过程中，需要考虑成本与风险。因此，在网络形成的不同阶段，主体出于对成本与异质性资源的考虑，选择邻近性强或弱的合作伙伴，使得邻近性对不同阶段网络的形成产生不同的影响。

知识组合潜力反映组织的知识元素历史组合情况（Yayavaram 和Ahuja，2008［32］），具有较高组合潜力的知识元素，与众多其他知识元素发生过融合，能够增加创新主体对其价值的肯定。在新兴技术合作创新网络中，主体拥有的知识元素在知识网络中的组合频率越多，其知识组合潜力就越大，表现出拥有较多的知识组合经验，能够提升知识组合效率，促进新兴技术创新。因此，知识组合潜力较高的主体可以吸引其他主体建立合作关系，帮助合作伙伴获取组合价值较高的知识，促进知识交流、吸收的顺利进行，推动合作创新网络的形成。

知识组合机会反映组织的知识元素建立新组合的可能性（张振刚和罗泰晔，2019［33］），处于知识网络中结构洞位置的知识元素，具有较多尚未被利用的重组机会。在新兴技术合作创新网络中，主体拥有丰富结构洞的知识元素越多，其知识组合机会就越强，意味着知识资源存在着较强的开发潜力，不仅可以组合现有知识元素进行创新，也可以搜索到其他新知识要素，进行新的重组。因此，知识组合机会较多的创新组织可以吸引其他组织建立合作关系，帮助扩展组织创新能力，探索新的创新机会，同时也推动了合作创新网络的进一步发展。

基于上述分析，本文构建了网络结构特征、创新主体知识属性对新兴技术合作创新网络形成影响的概念模型，如图2 所示。

图2 新兴技术合作创新网络形成影响因素概念模型

3 研究设计

3.1 研究对象

本文以虚拟现实技术（Virtual Reality，以下简称VR 技术）为研究对象，VR 技术是20 世纪出现并快速发展起来的一项新兴实用技术，其集成了仿真技术、人工智能等多种技术的最新发展成果。VR 技术在各行各业中得到了发展，使传统产业发生革命性改变，形成了非正式合作创新网络，产生了知识等创新资源的交流与转化，体现了明显的跨领域、跨学科、跨组织的性质。因此，选取VR 技术为研究对象，有利于分析合作创新网络形成过程中各个阶段的影响因素，对探究网络结构和知识属性对合作创新网络的影响具有重要的作用。

3.2 数据收集与处理

本文采用德温特专利数据库，获取VR 技术专利数据，其信息检索式为：TS=“virtual reality” OR “virtual model” OR “visual reality”，检索时间为2010 年1 月1 日-2021 年12 月30 日。收集到33076条专利数据，由于数据量较大，信息覆盖较多，需对专利数据进行清理。

保留专利信息中所需字段，包括专利号、专利申请日期、IPC 分类号（前四位）、专利权人名称和代码，剔除其他信息；根据专利权人名称和代码，剔除个人专利权人；选取专利权人数量为两个或两个以上的专利，最终获取3853 条有效专利数据。为了能够有效反映合作创新的持续性，以及研究网络结构特征和知识属性对网络不同形成阶段的影响，根据合作专利申请数量的变化趋势，划分三个时间窗口：2010-2013 为初步形成阶段，专利申请数量较少，增速较为缓慢；2014-2017 为快速成长阶段，专利申请数量具有较大提升，增速较快；2018-2021 为稳定发展阶段，虽然2020-2021 年合作专利申请数量有所下降，但这一阶段专利申请数量均大于前期阶段，研究进展略有放缓。

图3 合作专利申请数量变化趋势

3.3 网络构建

合作创新网络的构建，大多数学者采用专利联合申请人的信息，生成合作关系矩阵。当一项专利中，出现两个或两个以上的专利权人，表明他们之间存在合作关系，其共同拥有的专利数量表示合作频次，体现在合作矩阵中对应的数字上。如果专利人之间不存在合作关系，矩阵中对应数字为0。对2010-2021 年3853 条样本数据进行统计，形成三个阶段的专利合作关系矩阵，将合作矩阵导入Gephi 软件进行网络指标计算和网络拓扑图绘制。

3.4 ERGM 模型构建

指数随机图模型（Exponential Random Graph Models，简称ERGM）是研究网络的统计模型，综合考虑内生结构和外生变量对网络关系形成的影响。通过选择观测网络所具有的效应进行建模，采用蒙特卡罗—马尔可夫链极大似然估计算法（MCMCMLE），预测网络变量对网络关系的影响，检验模拟网络与观测网络的匹配程度，其模型采用公式表示为：

其中，y 为观察到的网络；Q 为网络构型的集合；ZQy 是网络构型对应的网络统计量；是与各统计量相关的参数；是基于模型规范的归一化常数。

构建内生网络结构和外生知识属性对网络形成影响的模型，其模型采用公式表示为：

式（2）中，Edges、Gwdegree、Gwesp 为网络内生结构变量，分别表示边、几何加权度、几何加权边共享。其中，边为网络基础效应，几何加权度与几何加权边共享分别表示择优性与传递性；KD、KP、KCP、KCO 为外生节点属性，分别表示知识多样性、知识邻近性、知识组合潜力、知识组合机会，模型中变量的说明，如表2 所示。

表2 ERGM 模型变量说明

3.5 属性测量

选取知识多样性、知识邻近性、知识组合潜力、知识组合机会四种知识属性，研究知识属性对合作创新网络形成的影响，构建了相应的指标分别进行测量。其中，IPC 代码是国际通用的专利分类与检索工具，界定了专利所属技术领域和构成专利的知识单元，因此使用网络中创新主体的合作专利中所包含的IPC 分类号前四位表示不同领域的知识元素。此外，使用合作创新网络中创新主体所对应的IPC 共现网络表示知识网络，对各个知识元素的网络属性进行测量。

知识多样性（Knowledge Diversity）。表示组织知识的丰富程度，参考韩菁等（2021）以组织拥有的知识元素个数表示知识多样性，知识元素个数越多，知识多样性越强。式（3）中，ei 表示组织i 的知识元素，n 表示该组织拥有知识元素的数量。

知识邻近性（Knowledge Proximity）。表示组织间知识的相似程度，参考Jaffe（1988）的计算方法，采用组织知识结构的相似程度表示知识邻近性。式（4）中，fik 与fjk 分别为组织i、组织j 的第k 类知识占各自知识元素总数的比重，n 为知识分类总数。

知识组合潜力（Knowledge Combination Potential）。表示组织的知识元素在知识网络中与其他知识元素的历史共现情况，参考Brennecke 等（2017）使用各个知识元素相对度数中心度之和进行计算，中心度越大，组合潜力越大。式（5）中，dik 表示组织i 中知识元素k 的相对度数中心度，n 为组织i 的知识元素个数；式（6）中，N 表示知识元素k 在知识网络中与其直接相连的其他知识元素个数，M 为知识网络中包含的知识元素总共数量。

知识组合机会（Knowledge Combination Opportunity）。表示组织的知识元素在知识网络中与其他知识元素建立新组合的可能性，参考Brennecke 等（2017）使用各个知识元素的结构洞相关指标之和的相反数进行反映。式（7）中，表示组织i 中知识元素k 的限制度指数，体现在知识网络中运用结构洞的能力，即限制度指数越高，运用结构洞的能力越弱，结构洞的值越小，n 为组织i 的知识元素个数；式（8）中，pkl表示知识元素k 在知识网络中受到的直接限制，pkq、pql表示知识元素k 在知识网络中受到的间接限制。

4 实证分析

4.1 描述性分析

以专利权人为节点，专利权人间的合作关系为边，运用Gephi 软件对三阶段新兴技术合作创新网络演化过程进行可视化处理，不同阶段的网络图谱如图4 所示。其中，节点大小表示专利权人合作的广度，合作伙伴数量越多，其节点越大；节点间连线的粗细表示两个创新主体间的合作频率，合作频次越高，两者间的连线越粗。选取网络指标，通过比较三阶段合作创新网络的指标变化情况，对合作网络演化过程进行分析，如表3 所示。

图4 合作创新网络三阶段演化图

表3 合作创新网络指标测度

从表3 中可以看出，节点数量与连线数量持续增加，其中2014-2017 年阶段，与上一阶段相比，节点与连线数量的涨幅超过100%，表明随着合作创新网络的发展，越来越多的创新主体加入网络，提升了合作关系发生的可能性，使得网络规模发生扩大，节点间的连线得到增强。由于节点平均度数逐渐上升，由1.742增加到1.92，仍处于1-2 的范围之中，同时网络中最高节点度数远高于平均度数，从20 上升到40，意味着网络中大部分创新主体与一或两个其他创新主体建立合作关系，只有少数节点成为网络中的核心节点，体现了网络中的核心-边缘现象。随着网络密度不断降低，表明整体网络中创新主体间的联系不是特别紧密，较低的网络密度有利于知识、信息等资源的广泛获取，同时，模块化指数逐渐增加，意味着创新主体合作关系的建立具有较强的小群体现象，倾向于和某些个体建立合作关系。

使用封闭三元组的数量与三元组总量之比，计算出的平均聚类系数，其数值表示了网络中出现三角形结构的概率，即网络中发生传递性的概率，在合作创新网络的演化过程中，平均聚类系数较大，并且整体为上升趋势，说明网络中经常通过传递性建立合作关系。

表4、表5、表6 中列出了三阶段合作创新网络中，加权度排名前十的创新主体知识属性情况，包括知识多样性（KD）、知识邻近性（KP）、知识组合潜力（KCP）、知识组合机会（KCO），表中的知识邻近性用创新主体与其合作伙伴的平均知识邻近性进行表示。

表4 2010-2013 年加权度排名前十的创新主体知识属性情况

表5 2014-2017 年加权度排名前十的创新主体知识属性情况

表6 2018-2021 年加权度排名前十的创新主体知识属性情况

从表4、表5、表6 中可以看出，三个阶段中加权度排名前十的创新主体多为大型企业，为了快速占领VR 领域市场，采取合作的方式，提高自身创新能力，促进VR 领域的技术与产品研发。随着合作创新网络的演化，越来越多的中国企业逐渐成为网络中的重要组成成分，占据网络核心地位。2010-2013 阶段，国家电网、科东电力分别与多个创新主体建立合作关系，将VR 技术运用到电力工作当中，促进作业效率提升，降低操作风险。2014-2017 阶段，乐视、京东方、歌尔股份与阿里巴巴等科技公司在VR 领域中迅速发展，将VR 技术运用到影视、智能穿戴产品、物联网平台等方面，大大扩展了VR 技术的中国市场。2018-2021 阶段，京东方、国家电网在网络中持续创新，占据核心位置，同时华为、广州幻境等企业进一步推动VR 技术在智能穿戴领域的产品优化，使得VR 技术产品适用于各类消费者。

从知识属性来看，随着网络的演化，创新主体的知识多样性、知识组合潜力、知识组合机会均有提升，而知识邻近性表现为下降趋势。表明创新主体的知识资源库不断扩大，使得网络中的知识资源不断丰富，对多样化知识的需求仍是网络发展的动力。同时，网络中的创新主体重视知识的开发与利用，寻求具有组合潜力与组合机会的知识元素，逐渐成为创新主体建立合作关系的重要影响因素。并且，知识邻近性促进创新主体建立合作关系的优势逐渐减弱，其带来的知识同质化对创新的阻碍作用逐渐增强，对网络的形成产生负面影响。

4.2 模型结果分析

采用R 软件中的Statnet 程序包对ERGM 模型进程参数估计，其中参数为正或者为负且显著，表明某种结构在真实网络中被观察到的概率比随机网络中更大或者更小，即某个结构或某种属性对网络的形成具有促进作用或者具有抑制作用。此外，AIC 和BIC 用来检验模型的拟合效果，其数值越小，表示模型越接近真实网络的观测，表7、表8、表9 分别展示了不同阶段合作创新网络的ERGM 模型拟合结果，其中每个阶段都包括四个模型，Model1 只包括网络弧效应（Edge），类似线性回归中的截距效应，表示网络中关系发生的基准倾向；Model2 加入网络结构变量，验证择优性和传递性；Model3 加入外生节点属性变量，验证知识属性对网络形成的影响；Model4 同时包括网络结构变量和外生节点属性变量，研究网络结构和知识属性对网络形成的共同影响。对比四个模型的AIC 和BIC，可以发现Model4 的数值最小，表示模型拟合效果最好，合作创新网络的形成，同时受到内生结构和外生属性的影响。因此，依据Model4 模型的结果，分析不同阶段合作创新网络形成的影响机制。

表7 2010-2013 年ERGM 模型结果

表8 2014-2017 年ERGM 模型结果

表9 2018-2021 年ERGM 模型结果

2010-2013 年合作创新网络初步形成阶段，ERGM 模型结果如表7 所示。在初步形成阶段，在网络结构影响方面，Gwdegree 与Gwesp 都为正向显著且系数较高，表明网络中倾向于出现核心-边缘的星型结构与闭合三角形结构。择优性与传递性对于网络的形成起到重要的促进作用，新加入创新网络的创新主体倾向于选择网络中度数较高的节点建立合作关系，体现出“强者越强”的马太效应，同时通过共同的合作伙伴更容易形成合作关系，体现出“朋友圈”效应。在此阶段，知识多样性、知识邻近性正向显著，促进网络关系的形成，而知识组合潜力、知识组合机会不具有显著性，可能由于创新主体在创新网络初步形成阶段，其知识资源库较小，知识缺口较大，寻求知识多样化程度较高的合作伙伴，获取更多知识元素，为自身的进一步创新做好知识储备。同时，网络中的创新主体之间尚未形成较强的信任关系，通过选择具有知识邻近性的合作伙伴，帮助企业降低成本和风险，提高知识学习效率。知识组合潜力与知识组合机会是由知识元素在网络中的位置所决定的，在创新网络初步形成阶段，网络中的创新主体较少，其全部知识元素构成的知识网络规模也较小，知识网络结构不够稳定，因此知识组合潜力与知识组合机会对网络形成的影响并不显著。

2014-2017 年合作创新网络快速成长阶段，ERGM 模型结果如表8 所示。在快速成长阶段，网络的迅速扩张吸引了众多新的创新主体加入，它们对合作伙伴的选择仍然受到择优性与传递性的重要影响，表现为Gwdegree 与Gwesp 的估计参数仍为正向显著。知识属性的影响中，知识多样性与知识邻近性仍对网络的形成产生正向显著影响，并且知识多样性的影响进一步增强，知识邻近性的影响效果减弱，可能因为在创新网络快速发展阶段，网络规模迅速扩大，创新主体对创新的渴望进一步提升，进而促进对知识资源的需求，扩大自身知识储备，具有知识多样性的企业在网络中的受欢迎程度进一步提高。同时，网络中创新主体经过一段时间的交流与合作，增强了信任关系，获取了其他创新主体的相关信息，降低了合作的风险与成本，减弱了知识邻近性的部分影响作用。但是，选择知识邻近的合作伙伴仍能帮助创新主体提高知识学习效率，尽快接收对方知识体系。知识组合潜力与知识组合机会在此阶段都对创新网络的形成具有正向显著影响，合作创新网络的快速发展，带动了其创新主体的知识元素所构成的知识网络的快速发展，每个知识元素在知识网络中具有各自的网络位置。创新主体不仅想要获取更多的知识资源，还想其获取的知识资源具有价值与创新潜力，同时能保证创新主体可以顺利进行知识的吸收。选择具有较高知识组合潜力、知识组合机会的创新主体建立合作关系，帮助创新主体获取有价值的知识资源。

2018-2021 年合作创新网络稳定发展阶段，ERGM 模型结果，如表9 所示。在稳定发展阶段，新加入的创新主体数量减少，创新网络规模缓慢扩大，择优性和传递性在网络中持续发挥其正向显著作用，促进网络的形成。知识属性的影响中，知识多样性对网络形成的正向影响效果存在减弱，而知识邻近性对网络形成为负向影响，可能因为一方面创新主体获取多样化知识资源的需求仍然存在，另一方面随着创新主体自身知识元素的逐渐丰富，知识资源库的不断扩大，某些具有多样化知识体系的主体为了保证自身创新优势，其与其他主体建立合作关系的意愿减弱，影响了知识多样性对网络形成的效果。同时，在合作创新网络稳定成长阶段，许多创新主体的知识学习能力已经得到了较大的提升，并且具有一定的财务能力去承担风险成本，此时创新主体更希望获取较为异质性的知识资源，在创新能力上得到进一步突破，如果选择具有知识邻近的主体建立合作关系，会导致知识同质化严重，减少创新主体探索创新的机会。知识组合潜力与知识组合机会对合作创新网络的促进作用进一步增强，在网络的稳定成长阶段，网络中的创新模式已经形成定式，创新主体想要进行创新的进一步突破，更在意知识元素价值与潜力的挖掘，选择知识组合潜力较高，知识组合机会较大的创新主体进行合作，有利于探索新的创新机会。

5 结论与启示

5.1 研究结论

本文以2010-2021 年虚拟现实技术合作专利数据，构建三阶段新兴技术合作创新网络，分析合作创新网络演化特征，并运用指数随机图模型探究网络结构特征与创新主体知识属性对网络形成的影响。

新兴技术合作创新网络的形成是一个复杂的过程，网络中创新主体合作关系的建立，是内生因素与外生因素共同作用的结果。知识资源逐渐成为推动创新发展的重要动力，知识属性对合作关系的形成具有重要影响。

择优性与传递性是影响新兴技术合作创新网络形成的重要结构特征。在网络形成的不同阶段，择优性与传递性持续促进网络关系的建立，其中择优性表现为网络中的“核心-边缘”结构，解释为网络中的创新主体倾向于选择节点度数较高的主体建立合作关系，有利于创新资源的快速获取，提升主体的创新能力。同时，传递性表现为网络中的三角形结构，解释为创新主体之间倾向于通过的共同合作伙伴建立合作关系，促进有效信息的获取，降低合作风险。

知识多样性对于网络的形成持续发挥促进作用，表明创新主体对多样化知识资源的需求一直存在，多样化的知识体系可以给创新主体提供更大的创新空间，有利于提升创新实力。

知识邻近性在网络初步形成与快速成长阶段对于合作关系的形成起到促进作用，通过选取知识邻近的创新主体作为合作伙伴，有利于缓解合作带来的成本与风险，增强知识的学习效率。而在网络稳定发展阶段，知识邻近性带来的知识同质化阻碍了网络关系的建立，创新主体更想获取异质性资源，促进其创新能力的进一步提升。

知识组合潜力与知识组合机会在网络形成初期并没有起到显著作用，在网络后续的发展阶段，对合作创新网络的形成具有促进作用，表明网络中的创新主体需要进行创新的进一步突破，获取有价值、有潜力的知识资源成为选择合作伙伴的重要因素。

5.2 研究启示

政府应重点扶持核心创新主体，强化其网络辐射效应。我国涉足虚拟现实产业的创新主体较多，但尚未形成良好的竞争结构。政府可以发挥市场引导作用，优先扶持网络中的核心主体，增强在网络中的辐射效应，强化在产业发展的引领作用。在产业发展后期，可以适当减少对之前核心主体的扶持，加强对网络中次核心以及非核心主体的支持，增加网络中核心主体数量，增强虚拟现实技术产业发展的可持续性。

创新主体应明确创新资源需求，主动扩展“朋友圈”。虚拟现实技术应用范围广泛，创新主体在确定其产业发展方向的基础上，应明晰自身资源配置情况以及资源缺口，积极主动地加入合作创新网络，扩大自身朋友圈，实现网络中技术、知识等资源的高效传播和运用。虚拟现实技术也是多个领域技术、知识的融合体，通过对自身发展状况和知识储备的认知，主体可以较为精确的选择合作伙伴，实现知识资源的有效获取，降低了无效资源获取的成本，促进虚拟现实技术的创新发展。

本文基于专利数据构建新兴技术合作创新网络，采用共同专利权人信息表示合作关系，仅通过专利合作不能识别创新主体所有的合作对象，后续研究中应结合其他的方式确定合作伙伴。另外，不同新兴技术的合作创新网络形成机制可能存在差异，未来研究可选择其他新兴技术，进行进一步的验证。