多维邻近性及交互性对合作创新网络演化的影响

摘 要：基于生命周期视角，选取中国智能制造装备业2001—2020年数据进行实证研究，探究多维邻近性及交互性对合作创新网络演化的动态影响机制。结果发现：①中国智能制造装备业合作创新网络演化呈现阶段性扩大特征。区域内部合作创新网络由“单核—边缘型”向“双核—多重点—边缘”型演变，跨区域合作创新网络由“一轴两点”型向“菱形”格局演变；②知识邻近性与合作创新网络演化具有倒U型关系，社会邻近性对合作创新网络演化具有显著促进作用，而制度邻近性的影响不显著；③社会邻近性与制度邻近性具有显著替代效应，知识邻近性与制度邻近性、知识邻近性与社会邻近性交互项对合作创新绩效的影响不显著。据此，提出提高合作创新绩效和区域创新能力的政策建议。

关键词：多维邻近性；交互性；合作创新网络演化；智能制造装备业

DOI：10.6049/kjjbydc.H202308110

中图分类号：F207

文献标识码：A

文章编号：1001-7348（2025）02-0011-11

0 引言

“十四五”规划强调要把坚持创新驱动发展战略作为全面塑造发展新优势的重要举措，因此创新是构建新发展格局的关键驱动力量。当前，技术创新活动具有高度复杂性和不确定性，创新主体仅依靠自身资源无法完成全流程创新，还需要与其它主体展开合作，形成资源共享和风险共担的合作创新网络[1]。随着合作创新网络主体数量和连接关系的不断增加，合作创新网络也在不断演化发展。智能制造装备业是先进制造技术、信息技术、智能技术集成和深度融合的高性能装备产业[2]，近年来产业规模迅速扩大。数据显示，2022年我国智能制造装备市场规模高达2.68万亿元。智能制造装备产业是第四次工业革命发展的主要方向，也是中国实现“中国制造”向“中国智造”转变的关键。2015年，国务院发布的《中国制造2025》战略明确提出“以推进智能制造为主攻方向，实现制造业由大变强的历史跨越”。然而，我国智能制造装备业尚存在合作创新效率低、网络结构亟待优化等问题。因此，探讨合作创新网络演化趋势和影响机理，对于优化中国智能制造装备业创新资源配置具有重要意义。

当前，合作创新网络演化研究主要集中在以下两个方面：第一，基于网络结构探讨合作创新网络演化规律。合作创新网络结构由松散到集中化发展[3]、由低级向高级演化[4]，展现出由无序随机网络向 “小世界”网络[5]和无标度网络演变的特征[6]。第二，从多维邻近性视角考察合作创新网络演化。Torre等[7]指出随着交通便利性增加和信息技术发展，信息传播成本下降，地理邻近性的重要性呈下降趋势[8]。随着研究的不断深入，相关研究由单一地理邻近性向多维邻近性拓展，延伸出认知邻近性、组织邻近性[9]、制度邻近性[10]、文化邻近性[11]、关系邻近性[12]、社会邻近性和技术邻近性[13]等维度。其中，组织邻近性和社会邻近性对合作创新网络演化具有显著正向作用[14]，认知邻近性具有负向作用，信息化邻近性与创新网络演化呈 “U”型关系[15]。

综上所述，既有研究存在如下不足：第一，从单一维度分析邻近性对合作创新网络演化的影响，忽视了多维邻近性交互作用对合作创新网络演化的影响机理。第二，从静态视角研究多维邻近性对合作创新网络演化的影响，忽视了合作创新网络演化的阶段性特征以及多维邻近性对合作创新网络演化的异质性影响。鉴于此，本文以中国智能制造装备业为研究对象，基于生命周期理论，利用社会网络分析方法构建模型，考察各阶段多维邻近性及交互性对智能制造装备业合作创新网络演化的影响效应和作用机理，提出提高中国智能制造装备业整体技术水平的措施。

1 理论基础与研究假设

1.1 创新主体多维邻近性

学者对多维邻近性概念进行了不同分类。其中，党兴华和弓志刚（2013）将技术创新合作划分为个人、组织、区域3种类型，对邻近性概念进行了修正。合作创新网络演化涉及知识、资源和行为整合（陈劲等，2012），创新主体需克服地理距离、知识距离、制度距离、社会距离等，因此地理邻近性、知识邻近性、制度邻近性、社会邻近性是影响创新主体选择合作伙伴的主要因素。5G移动通信技术的推广以及各类虚拟组织和大数据信息平台的建立使隐性知识得以快速远距离传播，地理邻近性的作用逐渐减弱，其它邻近性的作用日益增强[14]。因此，本文选取知识邻近性、社会邻近性和制度邻近性考察多维邻近性。

1.2 多维邻近性与合作创新网络

1.2.1 知识邻近性

知识邻近性是指创新主体在知识领域、知识规模和知识结构方面具有相似性，它影响创新主体对溢出知识的吸收能力和知识转移效率。在合作创新过程中，较高的知识邻近性能缩短创新主体间的知识距离，提高知识流动效率，促使创新主体吸收和消化新知识，降低沟通成本，提高合作效率。因此，知识邻近性是合作主体进行知识交流和知识转移的必要条件。然而，过高的知识邻近性有可能会抑制合作创新网络演化。首先，过高的知识邻近性会减少合作创新机会。由于知识具有外溢性，寻求技术突破的创新主体通常会选择具有较高技术创新能力的创新主体进行合作（张路蓬等，2018），创新主体知识存量越高，越容易吸引其他主体与之合作，但过高的知识邻近性会降低知识溢出和吸收效率，降低创新主体合作创新的可能性。其次，与具有较高知识权力的创新主体进行合作更有利于知识接收方获取关键资源，并且知识资源的创新性和高增值性能强化这种择优合作机制（李柏洲等，2022），而过高的知识邻近性会降低获得关键资源的倾向性。再次，过高的知识邻近性会使创新主体缺乏知识碰撞，形成认知锁定，陷入“竞争力陷阱”。最后，会增加企业知识外溢风险，导致技术创新成果极易被窃取[16]。

综上所述，较低的知识邻近性会增加沟通成本，不利于创新主体理解和吸收新知识；而过高的知识邻近性则会降低双方合作意愿，产生认知锁定和创新成果外溢风险。据此，本文提出以下假设：

H1：知识邻近性与合作创新网络演化呈倒U型影响关系。

1.2.2 制度邻近性

合作创新网络演化受制度环境的影响，制度环境差异会产生制度壁垒，阻碍创新主体合作的顺利进行（党兴华等，2013）。制度邻近性是指地区间制度框架的相似性，是地区间建立产业联系的基础[17]。制度包括正式制度和非正式制度，正式制度主要包括市场环境、技术创新政策和相关管理规范等。政府通过打破行政性垄断建立全国统一大市场，维持公平的市场竞争秩序，搭建合作创新平台，制定创新激励政策，引导创新资源集聚，扩大创新主体合作规模，提高创新绩效。在非正式制度中，价值观念、风俗习惯影响创新主体的沟通成本和互信成本。基于相似价值观念合作的创新主体沟通更加顺畅，合作成本更低。因此，制度邻近意味着在相似的制度环境下，创新主体基于相似的制度基础和价值观念，共同遵守行动规则进行合作创新，行为规则和思维模式具有一致性，能够降低合作风险和合作成本，提高合作的可能性及创新主体合作创新绩效[18] 。据此，本文提出以下假设：

H2：制度邻近性对合作创新网络演化具有正向影响。

1.2.3 社会邻近性

社会邻近性是指具有相同空间的创新主体信任和经验的相似性[13]，即创新主体在微观层面的社会嵌入性（阮平南等，2018）。这种基于以往合作经验和信任建立的关系网络不但能够限制创新主体机会主义行为[19]，淡化纯利润动机的市场交换（徐莹等，2022），降低合作不确定性，还能提高创新主体学习效率，促进隐性知识转移，增加创新主体未来合作的可能性，推动合作创新网络持续演化[20]。据此，本文提出以下假设：

H3：社会邻近性对合作创新网络演化具有正向影响。

1.3 多维邻近性间的交互作用

已有研究表明，多维邻近性对合作创新网络演化具有多重影响（徐莹等，2022；余谦等，2018），邻近性之间还存在补偿效应，即多维邻近性能降低单一邻近性对创新的负面效应[21]。 本文在前述假设的基础上，进一步探究知识邻近性、社会邻近性和制度邻近性的交互作用。

（1）知识邻近性与制度邻近性。首先，正式制度邻近性使创新主体基于相同的法律法规和经济行为规范进行合作，能够降低合作法律风险和交易成本，提高合作成功概率。非正式制度邻近性使创新主体具有相似的价值观念和风俗习惯，促进知识溢出更加顺畅，有助于提高创新主体知识吸收效率。因此，制度邻近性不但能提高合作创新绩效，还能提高创新主体知识吸收效率，影响创新主体的知识邻近性。其次，知识是合作创新的基础，具有知识邻近性的创新主体更容易进行合作并形成相似的价值观念，从而影响制度邻近性。因此，制度邻近性与知识邻近性具有交互作用，共同影响合作创新网络演化。据此，本文提出以下假设：

H4a：知识邻近性与制度邻近性具有交互作用。

（2）制度邻近性与社会邻近性。在合作创新网络中，创新主体只有嵌入一定的社会关系，共同遵守社会制度和相关规定，形成共同观念和行为惯例，才能彼此信任，因此制度邻近性是社会邻近性产生的基础。同时，创新主体在合作过程中持续进行交流，增加合作经验，价值观念逐渐趋同，行为规则和思维模式趋于一致。因此，社会邻近性与制度邻近性在影响合作创新网络演化过程中具有交互作用。据此，本文提出以下假设：

H4b：制度邻近性与社会邻近性具有交互作用。

（3）知识邻近性与社会邻近性。社会邻近性是基于信任关系形成的社会嵌入网络，反映创新主体嵌入社会网络的远近。一方面，较高的社会邻近性能够降低创新主体沟通成本，促进隐性知识转移，提高知识溢出效率，还能限制机会主义行为，减少合作过程中的不确定性，增加创新主体知识存量，提高知识邻近性。另一方面，具有相似知识存量和知识权力的创新主体在合作创新网络中更容易进行创新合作并产生信任关系，进而促进社会邻近性提升。因此，知识邻近性与社会邻近性具有交互作用，共同影响合作创新网络演化。据此，本文提出以下假设：

H4c：知识邻近性与社会邻近性具有交互作用。

根据以上理论分析，本文构建多维邻近性及交互性与合作创新网络演化关系理论模型，如图1所示。

2 研究设计

2.1 研究方法

社会网络分析法是一种综合利用图论和数学模型研究复杂网络的方法[22]，已被广泛应用于构建合作网络，能刻画网络拓扑结构和空间组织的动态变化[23]，并揭示深层次结构和规律[14]。因此，本文基于社会网络分析方法，运用Gephi、ArcGIS等可视化软件，选取网络节点数量、网络边数、连接次数、网络密度、平均路径长度、平均聚类指数等指标对合作创新网络演化规律进行分析。

2.2 变量测度

2.2.1 被解释变量

本文借鉴其他学者研究成果[24-25]，以合作创新绩效（Pat）作为被解释变量，采用区域间合作申请专利数量测度，计算公式如下：

2.2.2 解释变量

（1） 知识邻近性（knp）。知识邻近性为合作创新提供相似的知识基础，各区域知识禀赋差异对合作创新具有不同影响。本文采用各区域每年积累的有效发明专利数量表征知识基础，知识邻近性计算公式如下：

其中，knpij表示区域i和区域j之间的知识邻近性，kni、knj分别表示区域i和区域j积累的有效发明专利数，max|kni－knj|为所有区域有效发明专利数量差值的最大值。

（2） 社会邻近性（socp）。社会邻近性是指创新主体间在微观层面的社会嵌入性，较高的社会邻近性有助于提高创新主体合作概率[26]。因此，本文使用区域间合作历史对社会邻近性进行测度，用socpij表示区域间社会邻近性测度值。计算公式如下：

当区域i和区域j之间有合作历史时，社会邻近性为1；当两者无合作历史时，社会邻近性为0。

（3） 制度邻近性（InP）。我国区域制度差异主要表现为区域壁垒和地方保护主义，由体制机制障碍引发的标准、规则和执法不统一会造成行政性垄断和各类封闭小市场，阻碍商品要素资源在全国范围内流动，限制创新主体合作伙伴选择范围。因此，本文使用地方保护程度相似性衡量制度邻近性，借鉴党兴华等（2013）、徐莹等（2022）的研究，采用各区域商品零售价格指数测度，计算公式为：

其中，InPij为区域i和区域j的制度邻近性，ini、inj分别为区域i和区域j的商品零售价格指数，max|ini－inj|为所有区域商品零售价格指数差值的最大值。

2.2.3 控制变量

（1）经济发展水平相似性（ecop）。研究表明，经济发展水平相似性越高的区域，技术转移和合作创新越顺畅[27-28]，合作创新网络连接数量越多。因此，本文借鉴张剑等[8]、陈跃刚等[29]、胡悦等[30]的研究，采用各区域人均生产总值测度经济发展水平相似性，计算公式如下：

其中，ecopij表示区域i和区域j的经济发展水平相似性，GDPi、GDPj分别表示区域i和区域j的人均生产总值，max|GDPi－GDPj|为所有区域人均生产总值差值的最大值。

（2）科研经费投入水平相似性（RDexpp）。本文将科研经费投入水平相似性设为控制变量，用Ramp;D经费内部支出衡量，计算公式如下：

其中，RDexppij表示区域i和区域j的科研经费投入水平相似性，RDexpi、RDexpj分别表示区域i和区域j的Ramp;D经费内部支出，max|RDexpi－RDexpj|为所有区域Ramp;D经费内部支出差值的最大值。

2.3 模型构建

创新主体可能存在某种空间竞争，导致数据方差明显大于平均值，未满足泊松分布特征，因此使用负二项回归构建模型。

首先，探究多维邻近性对合作创新绩效的影响效应，构建模型1，如式（7）。

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

其次，考察多维邻近性的交互作用，加入多维邻近性的交互项，构建模型2，如式（8）。

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

其中，knpsij表示知识邻近性的平方项，knpij×socpij、knpij×Inpij、socpij×Inpij表示知识邻近性、社会邻近性、制度邻近性的交互项。

3 实证结果分析

3.1 数据来源与描述性统计分析

本文在大为innojoy商业专利数据库中检索在中国申请的智能制造装备业专利数据。大为innojoy专利数据库高度整合全球专利文献资源，收录的专利信息数量多，包含信息面广[31]。由于发明专利创新性最高，因此本文仅检索发明专利。在数据检索过程中，由于权威部门数据统计存在一定滞后性且统计口径发生变化，导致无法获得完整的2021-2022年数据，故采用2001-2020年数据进行分析。根据《战略性新兴产业重点产品和服务指导目录》（2016 版）确定智能制造装备业关键词，检索式为（ADY=（2001 TO 2020）） and （TI，ABST+=（智能制造 or 智能设备 or 智能装置 or 测控设备 or 智能装备关键基础零部件 or 工业机器人 or 工作站 or 智能加工设备 or 智能物流设备 or 智能农业机械设备 or 智能制造技术和设备） and PAN≥2），时间窗口为2001年1月1日—2020 年12月31日。对检索数据进行筛选，只保留两个及以上申请人合作发明专利，并剔除外国机构申请的专利，由于个人申请专利缺乏所属位置信息，故予以剔除[2]。本文选取各省份科技活动经费内部支出衡量Ramp;D经费内部支出，数据来源于《中国科技统计年鉴》（2002-2021），各省份商品零售价格指数和人均GDP数据来源于《中国统计年鉴》（2002-2021）。

利用Stata15软件对数据进行描述性统计分析，结果如表1所示。从合作申请专利数量平均值和社会邻近性平均值看，我国智能制造装备业合作创新次数较少。合作申请专利数量最大值为10，最小值为0，平均值为0.049 8，标准差为0.386 7，方差为0.149 5，方差明显大于期望值，说明数据离散程度较高，因此使用负二项回归。

3.2 合作创新网络演化特征

3.2.1 合作创新网络时间演化分析

为反映中国智能制造装备业合作创新网络时间演化的阶段性特征，本文基于生命周期视角，将研究期划分为初创期（2001—2010年）、成长期（2011—2015年）、成熟期（2015—2020年），运用Gephi软件分别测算各阶段合作创新网络拓扑结构，结果如表2所示。从中可见，2001—2020年中国智能制造装备业合作创新网络规模不断扩大，参与合作创新的省份数量持续增加，由初创期的21个增加到成熟期的32个。网络边数大幅增加，由初创期的32条增加到成熟期的128条。这说明，创新主体之间的联系更加紧密，越来越多的创新主体积极投入到合作创新研发活动中。网络密度由初创期的0.152升至0.258，说明合作创新网络联系愈发紧密。网络直径由4降至3，表明网络节点信息传递效率提高。平均路径长度由2.169降至1.827，说明节点间的信息交流路径缩短，信息传递更加便捷。平均聚类系数表现出先升高后下降态势，由初创期的0.609升至成熟期的 0.613，说明网络小世界效应增强，网络内知识流动和转移效率得以提升。

3.2.2 合作创新网络空间演化分析

为研究中国智能制造装备业合作创新网络空间演化规律，本文将专利信息组织名称与国家市场监督管理总局注册信息进行匹配，获得申请者的地址信息，根据地址信息构建区域合作创新网络。

（1）区域内部合作创新网络演化分析。中国智能制造装备业区域内部合作创新网络演化结果如表3所示。由于初创期区域内部合作创新网络规模较小，无法进行有效分析，因此本文仅分析成长期和成熟期。在成长期，中国智能制造装备业区域内部合作创新次数为262次，占比25.61%。根据内部合作次数，将所有区域划分为3类：第一类为北京。北京内部合作次数为132次，占比50.4%，形成“一家独大”的局面，说明北京一直处于智能制造装备业合作创新网络核心位置。北京拥有数量众多的高校、科研院所以及央企总部等，具有强大的技术创新能力，因此内部合作数量和比例最高。第二类内部合作次数超过10次的省份包含广东、江苏、山东、上海、浙江，该类省份具有较高的经济发展水平，行业规模较大、研发能力较强，因此更注重内部合作。第三类内部合作次数不足10次的区域包含安徽、湖北等26个省份，尤其是甘肃、青海等16个省份内部合作次数为0，可能是由于这些省份智能制造装备业未形成有效规模，内部资源匮乏，未形成有效合作。

在成熟期，中国智能制造装备业区域内部合作次数升至968次，占比45.49%，说明创新主体更注重区域内部合作。同时，各省份内部合作次数均有不同程度提升。将所有区域划分为3类：第一类为广东和北京。在成熟期，广东和北京内部合作次数、合作比例出现较大幅度提升，形成“双核”格局。尤其是广东，内部合作次数由成长期的33次迅速升至337次，内部合作比例提高79.86%。广东借助强大的制造业生产能力和较高的综合发展水平，将高端智能制造列入战略性新兴产业重点发展，坚持创新驱动发展战略，推进新型工业化，实现制造业转型。北京强化科技创新中心定位，将智能制造与装备产业列入重点发展的十大高精尖产业，借助强大的科研能力，加强区域内部合作，持续推进技术研发，提升智能制造关键零部件和系统自主创新能力。第二类区域（内部合作次数超过10次）数量出现显著增长，由成长期的5个升至9个。 在这些区域中，江苏、山东、上海和浙江4个省（直辖市）增长显著，区域内合作次数显著增多，形成多个重点区域格局。第三类省份数量降至22个，且仅有新疆、甘肃、海南无内部合作成果。这表明，这些省份智能制造装备业内部合作速度迟缓。因此，在成熟期内，中国智能制造装备业区域内部合作逐渐加强，区域内部合作结构由成长期的“单核—边缘型”向“双核—多重点—边缘”型发展。

（2）跨区域合作创新网络演化分析。为研究跨区域合作创新网络演化规律，本文利用ArcGIS软件绘制3个阶段中国智能制造装备业合作创新网络空间演化图，如图2所示。图中各点分别对应中国省级行政区域，连线表示合作关系，连线粗细表示跨区域合作数量多少[11]。由图2可知，2001—2020年中国智能制造装备业跨区域合作创新网络规模不断扩大，北京是跨区域合作创新网络中心城市，发挥主导作用，向全国范围辐射建立合作创新网络。江苏、上海、湖北、广东形成多个重点区域。内蒙古、青海、新疆、四川、云南等省份由于自身地理位置和经济发展水平受限，在合作创新网络中处于边缘位置，受知识权力和知识存量的影响，主要选择重点区域作为合作伙伴，非重点区域之间的联系偏弱。

在初创期，合作创新网络主要以北京为核心向广东和江苏辐射，形成“一轴两点”型。成长期内网络规模和网络连接数量大幅提升，以北京为中心向上海、江苏、福建、广东、台湾等区域辐射，形成“一轴多点”型。在成熟期，随着网络规模持续扩大，形成各省份参与的“菱形”发展格局，受经济邻近性的影响，合作连接数量由东部向西部依次递减，广东在南方一带的辐射带动作用进一步增强，西部地区和东北地区在合作创新方面存在较大潜力。

3.3 多维邻近性对合作创新网络演化的影响

3.3.1 相关性检验

本文利用Stata15对变量进行相关性分析，结果如表4所示。从中可见，自变量与二次项及交互项相关系数较高。3个自变量之间的相关系数小于0.5，多重共线性检验得到VIF最大值为1.69，说明多重共线性问题不严重。各变量相关系数有正有负，说明存在正相关和负相关关系。3个交互项与因变量均具有显著相关性，其中knpinp显著负相关，其它两项显著正相关，说明多维邻近性交互项对合作创新绩效具有一定影响。经济发展水平相似性和科研经费投入水平相似性与因变量显著相关，验证了模型设定的合理性。

3.3.2 多维邻近性对合作创新绩效的影响

为全面分析多维邻近性对合作创新绩效的影响效应，本文从全周期、初创期、成长期、成熟期4个阶段分别构建模型1-1至模型4，其中模型1-2增加知识邻近性的平方项。利用公式（7）进行负二项回归，首先进行Hausman检验，结果如表5所示。从中可见，模型1-1中知识邻近性的影响系数为-0.774，在1%水平下显著；模型1-2中知识邻近性的影响系数为1.396，在10%水平下显著，知识邻近性平方项的影响系数为-2.187，在1%水平下显著，说明知识邻近性对合作创新绩效存在倒U型调节效应，假设H1得到验证。制度邻近性的影响系数为负但不显著，说明制度邻近性对合作创新绩效无显著负向影响，假设H2未得到验证。这说明，创新主体进行合作并不注重制度一致性，我国智能装备制造业区域壁垒和地方保护主义现象极少，创新资源可在全国范围内自由流动。社会邻近性影响系数为6.090，在1%水平下显著，说明社会邻近性对创新绩效具有显著正向影响。这表明，创新主体更愿意基于信任和历史合作经验选择合作伙伴，降低合作中的不确定性和沟通成本，提高合作效率，假设H3得到验证，这与阮平南等（2018）的观点一致。经济发展水平相似性和科研经费投入水平相似性的影响系数均为正但不显著，说明其对合作创新绩效无显著影响。

3.3.3 基于生命周期的多维邻近性对合作创新绩效的影响

对比3个阶段各变量影响系数可知，知识邻近性对合作创新绩效的影响在1%水平下显著，说明知识邻近性对合作创新绩效具有显著影响。在初创期，知识邻近性的影响系数为6.164，说明知识邻近性对合作创新绩效的促进作用较强。在该阶段，各创新主体倾向于与具有相似知识基础的主体合作，知识基础相近有利于创新主体吸收溢出知识。但在成长期和成熟期，知识邻近性的影响系数分别为-1.553和-0.806，说明知识邻近性对合作创新绩效具有显著抑制作用。随着智能制造装备业发展，知识和创新资源聚集程度逐渐提高，创新主体更倾向于选择具有较高知识权力和关键资源的创新主体进行合作，进而吸收更多先进知识。社会邻近性影响系数在1%水平下显著为正，说明在3个阶段中，社会邻近性对合作创新绩效具有显著促进作用。这表明，随着智能制造装备业整体发展，企业数量增多，市场竞争加剧，企业在选择合作伙伴时更重视合作历史，以降低合作中的不确定性和合作成本；同时，各企业基于信任建立起来的合作关系更能促进隐性知识交流，进而提高合作创新绩效。制度邻近性对合作创新绩效的影响不显著，影响系数由初创期的1.574降至成熟期的-0.250，说明制度邻近性对合作创新绩效的影响作用不显著。在整个研究期内，我国行政区域割裂和地方保护主义现象较少，各区域具有相同的法律和政策，全国市场统一开放，各类创新要素可以自由流动。

3.4 多维邻近性对合作创新绩效的交互作用

本文分别在研究期、初创期、成长期、成熟期加入知识邻近性、社会邻近性、制度邻近性两两交互项构建模型5—模型8，对公式（8）进行负二项回归。在检验前先对自变量进行中心化处理，发现存在VIF值过高的现象，故在模型中剔除一个共线性自变量，利用Hausman检验是使用固定效应模型还是随机效应模型，再进行负二项回归，结果如表6所示。在整体阶段，知识邻近性与社会邻近性交互项系数为-0.263，知识邻近性和制度邻近性交互项系数为-0.200，说明知识邻近性与社会邻近性交互项以及知识邻近性和制度邻近性交互项对智能制造装备业合作创新绩效无显著影响，假设H4a和H4c未得到验证，这与徐莹等（2022）的观点一致。

社会邻近性和制度邻近性交互项系数为-0.344，在5%水平下显著，而在单独主效应中，社会邻近性和制度邻近性系数比较显著，说明社会邻近性和知识邻近性具有交互作用，假设H4b得到验证，交互作用表现为替代效应，制度邻近性和社会邻近性的加入降低了对方的正效应。当加入制度邻近性后，在同一行政环境中，创新主体具有相似的创新政策和价值观念，不再将双方合作历史作为选择合作伙伴的重要条件，不再担心合作伙伴会产生机会主义行为。当加入社会邻近性后，由于创新主体对合作伙伴具有一定的信任基础，会削弱制度邻近性对合作创新绩效的影响。

在3个阶段中，知识邻近性和制度邻近性交互项系数不显著。社会邻近性和制度邻近性交互项系数在初创期和成熟期与合作创新绩效负相关，在成长期正相关，但均不显著。知识邻近性和社会邻近性交互项系数在成熟期在5%水平下显著，在初创期和成长期不显著。

4 结论与建议

4.1 研究结论

本文基于多维邻近性视角，以中国智能制造装备业2001—2020年数据为研究对象，从时空视角研究合作创新网络演化特征，探究多维邻近性及交互性对合作创新网络演化的影响，得出以下结论：

（1）2001—2020年中国智能制造装备业合作创新网络规模逐渐扩大，并呈现显著的阶段性特征。初创期合作创新规模较小，进入成长期后网络规模、网络边数迅速增多，网络密度显著增加，节点传输信息效率提高，网络呈现小世界效应，网络整体桥接效应增强。

（2）区域内部合作创新逐渐加强，合作创新网络结构由成长期的“单核—边缘型”向“双核—多重点—边缘”型发展。跨区域合作创新规模持续扩大，合作创新网络由初创期 “一轴两点”型向成熟期“菱形”格局发展，网络连接数量由东部向西部依次递减，西部和东北地区具有较大潜力。

（3）知识邻近性与合作创新网络演化呈现倒U型关系，在3个阶段中，知识邻近性对合作创新网络演化在初创期具有显著促进作用，在成长期和成熟期具有显著抑制作用；制度邻近性对合作创新网络演化的影响不显著。在3个阶段中，社会邻近性对合作创新网络演化具有显著促进作用。

（4）社会邻近性与制度邻近性交互作用显著，表现为替代效应。社会邻近性与制度邻近性、知识邻近性与制度邻近性交互项对合作创新网络演化的影响不显著。

4.2 政策建议

根据上述研究结论，本文提出以下建议：

（1）政府应积极引导创新资源向北京、上海、广东等优势区域和中心城市集聚，形成以中心城市为核心，以城市群为依托的创新优势区域。 通过制定税收优惠政策和科研成果奖励办法等，积极引导和鼓励优势区域与网络边缘节点区域开展深度合作，发挥中心区域辐射带动作用，优化创新资源配置。福建、四川、湖北、辽宁、天津等省市应该充分利用北京、上海、广东协同创新的辐射带动作用，加速自身与核心节点融合，积极推进当前多核心多节点“菱形”格局发展，不断扩大自身在经济圈中的影响力。甘肃、新疆、海南等省份应完善创新基础设施，提高创新型企业知识吸收能力，积极参与区域城市群建设，采用差异化路线，充分与区域核心城市对接。

（2）加强知识产权保护和管理。政府应细化和完善知识产权保护法律法规，加大普法宣传力度，提高违法成本，从各个角度完善知识产权保护和管理工作。

（3）搭建区域创新合作平台。研究发现，基于信任和良好合作历史构建的社会邻近性对合作创新绩效提升具有显著促进作用。政府应充分利用大数据信息技术，构建全国性的智能制造装备产业合作线上平台，加快产业联盟建设，使创新主体能够方便、快捷地获取合作信息，拓宽创新主体沟通渠道，提高合作创新效率。

4.3 不足与展望

本文研究存在一些不足之处：首先，由于各类统计年鉴发布具有一定滞后期，并且多种年鉴在个别指标数据采集中存在统计口径差异，所以本文无法收集和使用最新年份数据，导致利用数据进行实证分析不够全面。其次，对于邻近性测度指标构建尚不全面。本文对于多维邻近性指标的测度存在不完善之处，尤其是对知识邻近性的测度尚需优化。

未来可从以下几个方面进行探索：首先，进一步丰富和完善数据选取，可不限地区间合作专利数据，通过充分利用大数据技术和深入企业进行访谈，获取地区间企业合作研发的最新数据，进一步探究合作创新网络发展状态和合作动力机制。其次，拓展多维邻近性指标测度，进一步构建更加合理有效的指标进行精准测度，从而对多维邻近性的影响开展深入研究。

参考文献：

[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] 杨武， 胡倩. 我国智能制造装备产业专利合作网络演化分析[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] 刘凤朝， 马荣康， 姜楠. 区域创新网络结构、绩效及演化研究综述[J]. 管理学报， 2013， 10（1）：140-145.

[5] 宋潇. 成渝双城经济圈区域合作创新特征与网络结构演化[J]. 软科学， 2021，35（4）：61-67.

[6] 杨春白雪， 曹兴， 高远. 新兴技术合作创新网络演化及特征分析[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] 张剑， 李鑫， 王宇， 等. 不同空间尺度下多维邻近性对京津冀城市技术创新合作的影响[J]. 城市发展研究， 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， 张纪海. 军民科技创新合作网络结构与演化——基于专利合作与社会网络实证分析[J]. 科技进步与对策， 2021，38（21）：142-151.

[15] 刘雪芹， 张贵. 京津冀产业协同创新路径与策略[J]. 中国流通经济， 2015，29（9）：59-65.

[16] 李琳， 雒道政. 多维邻近性与创新：西方研究回顾与展望[J]. 经济地理， 2013，33（6）：1-7.

[17] 贺灿飞， 余昌达. 多维邻近性、贸易壁垒与中国—世界市场的产业联系动态演化[J]. 地理学报， 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] 夏丽娟， 谢富纪. 多维邻近视角下的合作创新研究评述与未来展望[J]. 外国经济与管理， 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] 曹贤忠， 曾刚， 司月芳， 等. 企业创新网络与多维邻近性关系研究述评[J]. 世界地理研究， 2019，28 （5）：165-171.

[24] 胡杨， 李郇. 多维邻近性对产学研合作创新的影响——广州市高新技术企业的案例分析[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] 陈跃刚， 张弛， 吴艳. 长江三角洲城市群多维邻近性与知识溢出效应[J]. 城市发展研究， 2018， 25（12）：34-44.

[30] 胡悦， 马静， 李雪燕. 京津冀城市群创新网络结构演化及驱动机制研究[J]. 科技进步与对策， 2020，37（13）：37-44.

[31] 杨武， 杨大飞. 基于专利数据的产业核心技术识别研究——以5G移动通信产业为例[J]. 情报杂志， 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