产业-大学-研究(CNI)协同创新网络形成机制——基于新能源汽车产业的QAP回归分析

《World Electric Vehicle Journal》：Structure and Influencing Factors of the Industry–University–Research Collaborative Innovation Network in China’s New Energy Vehicle Industry Tao Ma, Luqing Shi and Xinxin Zhang

　　

本文以中国新能源汽车(NEV, New Energy Vehicle)产业为研究对象，探讨产业-大学-研究机构(CNI, Industry–University–Research)间协同创新网络(IUR Network)的形成机制。研究人员基于联合专利申请数据构建IUR协同创新关系矩阵，采用二次指派程序(QAP, Quadratic Assignment Procedure)回归方法，检验产业邻近(Industrial Proximity)、地理邻近(Geographical Proximity)与技术邻近(Technological Proximity)三种维度对IUR合作关系的驱动作用，并引入度中心度(Degree Centrality)、中介中心度(Betweenness Centrality)、前期合作关系及机构类型作为控制变量。研究结果表明产业邻近与技术邻近对IUR协同创新网络的形成具有显著正向影响，地理邻近在省级行政单元层面亦呈显著正向作用。本研究证实多维邻近性(Multidimensional Proximity)框架可有效解释关系型创新数据的结构化特征，为NEV产业政策制定及创新网络优化提供实证依据。

论文解读——《World Electric Vehicle Journal》刊载：中国新能源汽车产业产学研协同创新网络形成机制的QAP回归研究

一、研究背景与问题提出

传统最小二乘法(OLS, Ordinary Least Squares)回归要求自变量相互独立，而社会网络中的关系数据(Relational Data)存在结构性自相关(Structural Autocorrelation)，直接应用OLS会导致估计偏误。产业-大学-研究(CNI, Industry–University–Research, 即产学研)协同创新网络属于典型的关系型数据，现有文献较少采用适用于矩阵数据的非参数方法予以分析。新能源汽车(NEV, New Energy Vehicle)产业作为国家战略性新兴产业，其IUR(Industry–University–Research)协同创新网络的形成动因尚缺乏基于多维邻近性(Multidimensional Proximity)框架的实证检验。因此研究人员引入二次指派程序(QAP, Quadratic Assignment Procedure)回归方法，从产业邻近(Industrial Proximity/Jaccard相似系数测度IPC分类重叠)、地理邻近(Geo/省域二值化)与技术邻近(Technology Proximity/Cosine相似系数测度IPC向量)三个维度，考察其对NEV产业IUR协同创新网络(以联合专利矩阵表征)形成的影响。

二、主要关键技术方法

研究人员以中国国家知识产权局(CNIPA)新能源汽车领域联合专利申请数据构建IUR协同创新网络(无向加权矩阵)；分别用Jaccard指数计算实体间IPC 4位子类集合交集与并集之比得到产业邻近矩阵(Ind)，以两实体是否同省编码为0/1得到地理邻近矩阵(Geo)，以IPC向量间余弦相似度得到技术邻近矩阵(T)；控制变量包括上一期合作关系矩阵(B₁)、度中心度(C₂)、中介中心度(C₃)、企业数(N₄)、高校数(N₅)、科研院所数(N₆)及区域虚拟变量(D₇)；采用UCINET软件执行QAP回归(5000次置换)，先对扁平化向量做OLS获得标准回归系数与R²，再通过矩阵随机置换生成经验P值以检验显著性。

三、研究结果

4.3.1. The Meaning of the QAP(QAP方法的意义)

研究人员阐述QAP为非参数置换检验法，通过对关系矩阵进行随机重排构建参照分布，可克服关系数据的结构自相关问题，适用于社会网络矩阵间的回归关系分析，优于传统OLS方法处理CNI网络数据。

4.3.2. Construction of the QAP Regression Model(QAP回归模型构建)

建立IUR_i= β₀+ β₁Ind_i+ β₂Geo_i+ β₃T_i+ β₄B_1i+ β₅C_2i+ β₆C_3i+ β₇N_4i+ β₈N_5i+ β₉N_6i+ β₁₀D_7i+ ε 的QAP回归模型，因变量Iur为IUR协同创新关系矩阵，自变量依次为产业邻近(Ind)、地理邻近(Geo)、技术邻近(T)矩阵及控制变量矩阵，经QAP分析得出各变量回归系数与显著性P值。

4.4.1. Dependent Variable(因变量——IUR协同创新网络)

研究人员以企业或高校或科研院所间是否存在共同发明专利申请构建二元/加权邻接矩阵，参照已有文献确认联合专利网络可有效捕捉CNI实体间协作结构，形成本研究的因变量矩阵Iur。

4.4.2. Independent Variables(自变量——三维邻近性)

(1)产业邻近(Ind)：取各创新主体所有专利所含4位IPC子类构成集合A与B，Ind(i,j)=|A∩B|/|A∪B|，值域[0,1]，值越大产业技术领域重叠度越高；(2)地理邻近(Geo)：若两主体所在省份相同则Geo(i,j)=1，否则为0；(3)技术邻近(T)：将各主体专利IPC分布转为向量，以余弦相似度测度两两技术空间接近程度。

四、讨论与结论

研究人员通过QAP回归分析发现：(1)产业邻近(Ind)系数显著为正，表明创新主体间产业技术领域重叠度越高越易形成IUR协同创新关系，验证认知邻近性中产业维度对跨界合作的促进作用；(2)技术邻近(T)系数显著为正，说明技术知识基础的相似性有助于降低产学研间信息不对称从而促进合作；(3)地理邻近(Geo, 省级尺度)系数亦显著为正，表明即便在宏观行政单元上空间共位仍能带来制度与资源流动便利，推动NEV产业IUR合作；(4)历史合作关系(B₁)与度中心度(C₂)亦呈显著正向影响，说明网络路径依赖与节点活跃度是网络演化的重要因素。研究表明多维邻近性框架结合QAP方法可有效揭示关系型创新网络的形成逻辑，对中国新能源汽车产业完善区域创新政策、引导产学研深度合作具有理论与实践意义。