删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

中国新能源汽车产业创新网络特征及其多维邻近性成因

本站小编 Free考研考试/2021-12-29

张凯煌,, 千庆兰,广州大学地理科学与遥感学院,广州 510006

Characteristics and proximities mechanism of China's new energy vehicle industry innovation network

ZHANG Kaihuang,, QIAN Qinglan,School of Geography and Remote Sensing, Guangzhou University, Guangzhou 510006, China

通讯作者: 千庆兰(1970-),女,吉林吉林人,教授,硕士生导师,主要研究方向为经济地理与区域发展。E-mail: qianlynn@21cn.com

收稿日期:2020-11-3接受日期:2021-02-7
基金资助:国家自然科学基金项目(41771127)
广东省攀登计划(pdjh2020b0472)


Received:2020-11-3Accepted:2021-02-7
作者简介 About authors
张凯煌(1996-),男,广东广州人,硕士研究生,主要研究方向为经济地理与区域发展。E-mail: kh819@outlook.com




摘要
随着知识经济的发展和创新驱动发展战略的实施,创新网络及其多维邻近性机制已成为政府和****共同关注的焦点。利用Ucinet软件,从区域、主体性质等维度,刻画了2009—2014年产业快速发展时期的中国新能源汽车专利创新网络特征。运用PLS-SEM模型,探究全国及不同区域创新网络的多维邻近性影响过程及原因。研究发现:① 与中国新能源汽车产业创新活动集中在大城市和三大城市群不同,其合作创新网络主要集聚在京津冀与长三角地区,珠三角地区的创新网络明显较弱。同时,创新能力欠发达的区域出现了与其数量不匹配的合作创新规模。② 总的来看,全国创新网络呈现“核心-边缘”结构,国家电网是网络中最重要的创新主体。在京津冀,大型国企集团控制网络,“核心-边缘”结构突出,合作创新最活跃,网络外向程度高。在长三角,区域内主体类型混合多样,“核心-边缘”结构突出,合作创新活跃,网络外向程度较高。在珠三角,民营企业是网络的主要主体,区域网络结构松散,合作创新活跃度低,网络外向程度高。③ 从创新网络的多维邻近性成因看,在全国尺度,组织关系与知识搜寻是全国网络形成的两大动力。在京津冀,国电集团强有力推动跨区域网络形成。在长三角,国电系及区域大企业影响网络形成,丰富的知识源推动合作创新发生。在珠三角,地理邻近性对民营企业合作创新影响有限,知识需求推动了跨区域合作。
关键词: 区域创新网络;国有企业;民营企业;多维邻近性;新能源汽车;中国

Abstract
In the context of the knowledge-based economy and innovation-driven development strategy, innovation networks and their multidimensional proximity mechanisms have attracted increasing attention from governments and economic geographers. However, knowledge about their regional differences remains limited. Using Ucinet software, the authors describe the technological innovation network characteristics of the new energy vehicle (NEV) industry in China from 2009 to 2014, which corresponds to the period of rapid development of vehicle ownership. The authors use partial least squares structure equation modelling to explore the impacts of multidimensional proximities from national and regional perspectives. The study found that: (1) Unlike innovation, activities are primarily concentrated in metropolitan areas and three major urban agglomerations. The innovation networks of the NEV industry in China are primarily concentrated in the Beijing-Tianjin-Hebei and Yangtze River Delta regions; the innovation networks in the Pearl River Delta region are significantly weaker. Additionally, regions with poor innovation could achieve more innovation cooperatively. (2) For the network characteristics, the national innovation network presents a “core-edge” structure, and the State Grid is the most important innovation actor of the network. In the Beijing-Tianjin-Hebei region, large state-owned enterprise groups control the network which has a prominent “core-edge” structure, the most active collaborative innovation, and a high degree of network extroversion. Regarding the innovation network in the Yangtze River Delta, the types of actors in the region are diversified, the “core-edge” structure is prominent, the intensity of cooperative innovation is high, and the degree of network extroversion is relatively high. In the Pearl River Delta, private enterprises are the principal actors in the network, the regional network structure is loose, cooperative innovation is limited, and the network is highly extroverted. (3) For regional proximity mechanisms in the Beijing-Tianjin-Hebei region, the Grid Group strongly promoted the formation of cross-regional networks. In the Yangtze River Delta, the State Grid and large regional enterprises have influenced the formation of networks, and abundant knowledge sources have promoted cooperation. In the Pearl River Delta, the impact of geographical proximity on the cooperation and innovation in private enterprises is small, and knowledge demand has promoted cross-regional cooperation. Based on these results, we present some policy recommendations in industrial and regional dimensions.
Keywords:regional innovation network;state-owned enterprise;private enterprise;proximity;new energy vehicle;China


PDF (5953KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
张凯煌, 千庆兰. 中国新能源汽车产业创新网络特征及其多维邻近性成因[J]. 地理研究, 2021, 40(8): 2170-2187 doi:10.11821/dlyj020201065
ZHANG Kaihuang, QIAN Qinglan. Characteristics and proximities mechanism of China's new energy vehicle industry innovation network[J]. Geographical Research, 2021, 40(8): 2170-2187 doi:10.11821/dlyj020201065


1 引言

创新网络与邻近性研究是经济地理****关注的重要议题之一。自20世纪80年代以来,随着技术创新内容复杂程度不断加深和信息技术的飞速发展,创新活动从孤立走向开放[1]。1991年,Freeman首次提出了创新网络的概念,认为创新网络是企业在创新过程中的结网行为,其基础是创新合作的企业间联结机制[2]。关系经济地理****对网络主体、联系进行了深入探讨[3]。近年来,演化经济地理****关注到邻近性在创新网络形成中的作用[4]。邻近性概念早在19世纪就已提出,1990年代法国动力学派进一步发展了邻近性理论[5]。Boschma将地理、认知、制度、组织与社会邻近做出了进一步的解析[6],以其为核心的乌得勒支学派在此基础上构建起邻近性与创新网络之间的分析框架[7]。在现有的实证研究中,研究者们发现,在不同地区的不同产业创新结网活动中,多维邻近性的影响存在差异。来自德国前沿产业集群的研究显示,地理邻近与产业之间的关系是复杂且不明确的[8]。针对意大利托斯卡纳文化产业集群的研究也表明,认知邻近和地理邻近对于当地的创新结网更为重要,它们在衰减速度上相对较慢[9]

中国创新网络研究已有较为丰富的成果。一方面,****们将中国创新网络在区域间的不平衡发展视为一个重要问题[10],发现高技术密集型企业容易形成集聚[11]。这些创新网络集中在中国东部沿海地区,京津冀、长三角和珠三角是3个重要的创新集聚区。三大城市群在全国范围内具创新优势,北京和上海是全国创新网络中的核心节点[12]。针对论文合作创新的研究指出,其他区域的研究人员更愿意与来自北京的研究者合作[13]。此外,广东在国际合作上更具竞争力,陕西在省级层面的创新网络中占据重要地位[14]。另一方面,实证研究结果表明创新主体的所有制形式在中国创新网络研究中十分重要。一般而言,国有企业被认为缺少创新的自我动力,在研发中处于低效状态[15]。也有****指出,民营企业在经济活动中处于弱势地位,他们在创新过程中不具优势[16]。在结网方面,国有和民营企业对合作创新的态度仍存争议。有****指出远离竞争的国有企业缺少合作文化[17],但也有****认为,相比国有企业,出于产权保护的考虑,民营企业更不愿意接受合作创新[18]。此外,有研究发现,与大学合作越多,企业的创新产出也会增加[19]。1978年以来,中国在制度环境建设水平上出现了地理分离[20]。不同主体合作所形成的创新网络也因此出现不同特征。整体而言,有关多维邻近性与创新网络的中国研究仍有待进一步深入。国内****更注重对中国特定区域内典型产业的多维邻近性机制的探究。虽然也有对全国层面、不同产业的创新网络的实证分析[21,22],但在已有的成果中,有关多维邻近性在不同区域创新网络中作用差异的研究仍不清晰。

传统汽车产业存在严重的能源消耗和环境污染问题,发展新能源汽车产业是实现可持续发展的必然选择。基于人口和发展的现实需求,中国汽车市场潜力巨大。来自中国统计年鉴的数据显示,2016年中国每千人汽车保有量为134辆,仅为同期美国的六分之一。同年,中国石油自给率仅为35.4%。传统燃油汽车数量的不断增长加剧了能源压力[23],也在很大程度上加重了中国大城市的雾霾问题[24]。来自中国机动车环境管理年报的数据显示,2017年,中国机动车排放的NOx为574.3万t,颗粒物排放50.9万t。当年,中国NOx总排放量为1258.8万t,颗粒物排放796.3万t。机动车是大气污染物的重要排放源之一。因此,作为京都议定书和巴黎协定等国际环保条约的重要参与国,新能源汽车产业是中国实现可持续发展战略的重要新兴产业。

新能源汽车产业创新网络研究近年来受到普遍关注。中国汽车产业地方集群创新网络受到历史背景和产业特征的影响[25],从整体上看,其创新网络的构成要素和网络结构发展不完善[26]。同时,派系式创新网络广泛存在于汽车产业,而这样的网络结构对稳定的创新产出具有积极作用[27],网络主体可根据自身能力制定不同策略,以达到技术创新的目标[28]。此外,动力新能源化是中国汽车产业技术创新的关键方向[29]。基于产业现实,中国新能源汽车产业创新的研究特别关注产业政策的作用[30]。普遍认为若完全依赖财政补贴,产业发展将不可持续。2009年,中国新能源汽车产业开始进入快速发展时期[31]。新能源汽车产业创新网络研究主要关注网络的整体结构[32]和主体特征[33]演化,研究发现其产业创新网络密度不断提高,网络结构日益稳定,子群数量出现增长。同时,产业网络中的核心主体有很强的联系能力,上述变化并不会影响到其核心地位。有关多维邻近与新能源汽车产业创新网络的研究,则从产业整体出发展开讨论[34]。在未考虑纵向组织邻近的实证分析中,技术邻近性对创新网络的影响最大,其与地理邻近和社会邻近之间表现出替代关系。实际上,对于中国这样一个大国而言,创新活动在空间上的不均衡将会导致中国新能源汽车企业的合作创新存在区域分异,而多维邻近性在不同区域网络中所扮演的角色,尤其值得关注。

综上所述,中国新能源汽车创新网络的研究已有一定成果,但研究者们对不同区域创新网络的多维邻近性影响机制的认识仍然有限,也缺少比较研究;同时,对不同所有制主体在创新网络中所扮演的角色也有待进一步深入探讨。

2 研究框架

梳理已有研究发现,邻近性的类型划分具有多样性。在法国动力学派和荷兰乌得勒支学派的研究中,邻近性被整合为5个维度,即地理邻近、认知邻近、制度邻近、组织邻近与社会邻近。在此基础上,国内****在实证研究中也演绎分析了不同维度的邻近性[35,36]。事实上,上述对邻近性的不同划分均存在一定程度的重叠和模糊,不利于准确区分和对邻近性的定量刻画。为了便于展开量化分析,参考借鉴李琳的研究成果,本文对多维邻近性的分析整合为认知邻近性、组织邻近性和地理邻近性3个维度[37]21。其中,对组织邻近性又进一步从纵向和横向两个维度分别进行观察。纵向组织邻近性是指总部与分支机构之间的控制与被控制关系,横向组织邻近性则强调产业中主体间的社会邻近关系,也就是说,横向组织邻近性实际上亦包含了社会邻近性。此外还需要进一步说明的是,由于制度邻近性更多的是指宏观尺度上正式和非正式的规制,而本文针对中国国内进行实证分析,宏观制度具有相对一致性,因此暂不对此进行考虑。

2.1 认知邻近性

认知邻近性,包括一般意义上的技术邻近和认知邻近,是经济主体在技术经验、知识水平、学习能力、行为方式上所表现出的相似性。由于认知的有限,企业寻找新知识时,往往面临很强的不确定性,主体和组织对知识的吸收和学习能力尤为重要[38]。但认知邻近同时也会带来负面影响。过小的认知邻近,造成企业学习新知识时的成本上升,会影响合作双方交流的有效性;过大的认知邻近,可能会使企业在认知上缺少互补性。这不仅会影响企业对新知识的好奇心和创造力,造成企业陷入“能力陷阱”,形成认知锁定,还会使企业蒙受因知识溢出带来的潜在风险,而不愿合作创新[39]。来自中国的研究证据表明,以认知为核心的邻近与创新结网之间呈正相关[40]。长远来看,认知邻近是创新者建立合作关系的重要原因。

2.2 组织邻近性

组织邻近性,包括一般意义上的社会邻近和组织邻近,是指主体间在社会关系特征、组织关系特征以及组织上表现出的归属性程度。组织邻近对创新的影响本质上应该从主体之间的相互学习,以及主体的嵌入性能力来理解。纵向组织邻近和横向组织邻近分别从控制和信任两个角度对创新产生影响。

对于纵向组织邻近而言,过高的纵向组织邻近,会带来组织结构的负效应[41]。这不仅提高了企业内部运营的成本,还会降低创新活动在组织上的灵活性,限制知识的多样化,减少知识之间的交流[42]。而过低的纵向组织邻近,则造成交易成本过高,难以遏制不确定性与机会主义,甚至威胁知识产权保护。对于横向组织邻近而言,过高的横向组织邻近,可能会在长期的合作关系中过度信任,造成机会主义和路径锁定,使得企业在面对技术和方向变化时缺少足够的应对能力[43]。过低的横向组织邻近,可能会在技术和方向上与其他主体之间存在不确定性,信任的缺失将影响合作创新能力。

总之,适当的(纵向与横向)组织邻近有助于遏制不确定性与机会主义,降低交易和运营成本,在开放且柔性的运营中实现企业的创新繁荣。如果主体间缺少联系,不信任的关系将会削弱知识交流,影响创新[44]。反之,企业之间频繁交流将有助于缩减双方在认知上的距离[45]。组织邻近与地理邻近、认知邻近之间存在互补效应和替代效应[46]。此外,大学在嵌入性的创新网络关系中扮演着关键角色[47]。基于组织关系建立的合作关系能够有效超越地理空间。

2.3 地理邻近性

地理邻近性指主体间(个体、组织和区域)在地理空间上的距离关系,可以从绝对距离和相对距离两个方面衡量。地理邻近能够降低交易成本、运营成本,提高创新效率。但过度的地理邻近也会对创新产生负效应[48]。这可能造成区域的路径趋于内向锁定,在遇到外界变化时很难做出有效反应,甚至丧失学习和创新能力。此外,区域内的主体过于集中也会引发社会与环境之间的冲突。因此地理邻近被认为与其他邻近之间紧密相关[49]:地理邻近范围内创新的成功复制,很大程度上得益于认知邻近下区域隐性知识的传播,只有当认知邻近相当大时,地理邻近才会发挥相应作用[50];强大的组织邻近可以有效地突破地理上的制约,并通过认知通道促进知识交流与生产,进而实现知识与创新的跨区域发生[51]。在中国的实证研究中,有****也指出,跨区域的结网深受地理距离的影响,地理邻近在促进主体知识的风险和交换中发挥着重要作用,能通过认知邻近帮助区域主体间创造更强的相互联系[52]。但这样的影响存在阶段性差异,以中国电子信息产业为例,集群创新网络的空间模式从最初具有高度本地化特征转变为超越地理空间[53]

综上所述,构建分析框架如图1所示。创新网络的结构、空间格局及其多维邻近性成因是本文关注的核心议题。创新主体性质(国有企业、民营企业),在一定程度上会影响创新网络的空间格局与网络结构。与此同时,主体的所有制及其创新内容又会影响多维邻近性对创新网络的作用过程。在这一过程中,地理邻近、组织邻近和认知邻近三者之间形成复杂的相互关系,进而通过直接、间接或组合的方式影响创新网络的发展。

图1

新窗口打开|下载原图ZIP|生成PPT
图1分析框架构建

Fig. 1The analysis framework



3 数据来源与研究方法

3.1 数据来源

专利数据具有公开性、易于计算以及可比较的优点[54],是被学界广泛认可的研究创新活动的重要数据来源[55]。专利包括发明专利、外观设计和实用新型专利。其中,发明专利的创新性更强,更具有研究价值。实际上,创新投入与专利产出之间具有时间滞后性,这一滞后效应大致在3年左右[56]。梳理产业和相关政策发展历程后发现,从2009年开始,中国新能源汽车产业进入快速发展时期,这一阶段持续至2014年。从2015年开始,中国政府逐步减少对新能源汽车补贴政策,产业发展进入新的阶段。本文选择2009—2014年作为研究时段,主要原因在于:① 相比于前一时期,2009—2014年,中国新能源汽车产业迅速发展,专利获批数量规模大,更具研究价值;② 相比于后一阶段,由于专利存在延迟公开的特征,本研究时段的专利较为完整,研究的科学性和准确性能得以保证;③ 该时期政府能动性突出,这有助于突显不同所有制主体的合作创新特征。

为保证数据能够真实反映2009—2014年产业快速发展时期的创新产出实际情况,本研究采用的专利数据时间段为2012—2017年。相关数据来源于中国国家知识产权局的“重点专利信息服务平台”。检索字段包括新能源汽车、电动汽车、混合动力汽车、燃料增程式汽车以及氢动力汽车。所收集的专利除新能源汽车制造外,还涉及其他外延环节,包括上游原材料生产、中游动力设备制造以及下游相关服务(如充电桩)。海外主体不与国内创新主体结网和个人主体数据的地理位置信息不可获取,故剔除。所得创新活动数据共10668次,其中创新网络948项,共涉及631个参与主体,主体间发生2336次创新结网。共涉及194个城市。数据可以反映2009—2014年间中国新能源汽车产业中企业、高校和科研机构的正式合作关系。

3.2 社会网络分析

社会网络分析是对社会网络的关系结构及其属性加以分析的一套规范和方法,主要分析不同社会单位(个体、群体或社会)所构成的社会关系结构及其属性。

3.2.1 整体特征分析 (1)结网比例。用来反映创新结网数量占全部创新专利的比例。

N=sum(n)sum(p)
式中: n变量表示创新网络; p变量表示创新专利。

(2)网络密度。用来反映创新网络内主体之间联系的紧密程度。

D=i=1nj=1nxij/n(n-1)
式中: xij变量表示点 i和点 j之间存在的关系; n变量表示理论上存在的关系。

(3)中心势。反映创新网络整体的集中程度,对创新密度进行补充。

CN=i=1n(CDmax-CDi)maxi=1n(CDmax-CDi)
式中: CDmax变量表示社会网络中各点绝对中心度的最大值; CDi变量表示点 i的绝对中心度。

(4)网络外向度。反映区域创新网络的整体外向程度。通过区域外主体占全部创新主体的比例衡量。

EG=SESO
式中: SE变量表示区域外的主体; So变量表示全部主体。

3.2.2 主体特征分析 (1)结点中心度。用来反映网络中某一创新主体相对于其他主体的集中程度。针对本研究,选用无方向的网络作为研究模型。

CD(ni)=di(N-1)
式中: di变量表示点的度数; N变量表示网络规模。

(2)间距中心度。用来反映网络中某一创新主体对其他主体的控制程度。

CB=j<kgjki/gjk
式中: gjk变量表示点 j和点 k之间存在的捷径数目; gjki变量表示点 j和点 k之间经过点 i的捷径数目。

(3)紧密中心度。用来反映网络中某一创新主体对其他创新主体控制的规避程度。

CC=j=1nd(i,j)-1
式中: d(i,j)变量表示点 j和点 j之间的捷径距离。

3.3 PLS-SEM

结构方程模型(SEM)是一种既考虑影响因素内部结构,也考虑影响因素之间因果关系的多变量测度模型。该方法优点在于能够考虑并同时测量多个变量;允许自变量和因变量之间存在一定范围内的误差;可以评估因子间的结构和因子间的关系[35]。在SEM模型中,对模型参数的估计可以采用LISREL和PLS两种方法。在理论相对缺乏时,PLS模型更加适用[57]。本研究中,因不能完全确定不同区域创新网络的结网类型,更难明确地建立不同区域的创新网络与多维邻近性之间的关系,参考赵逸靖的方法[58]104-107,使用PLS-SEM模型,构建独立效应、中介效应及交互效应模型。为反映不同区域之间的差异,研究通过多组分析测量区域之的协方差差异特征,相关操作通过SmartPLS完成。

3.3.1 结构方程模型构建 具体来看,SEM包括两个方程,分别是测量方程和结构方程。

(1)测量方程用于描述潜变量与指标之间的关系。在本文中,测量方程指的是潜变量是其内部指标的线性组合。方程的公式如下:

ηi=i=1wijxij+δi
式中: ηi变量表示潜变量,在本文中是指结网强度、地理邻近、组织邻近、认知邻近以及地理邻近和认知邻近的交互项; xij变量表示组成潜变量的各项指标; wij变量表示各指标与潜变量之间的相互关系; δi变量表示各观测指标的误差项。

(2)结构方程用于反映潜变量之间的关系。在本文中,潜变量包括不作为因变量存在的外生潜变量和作为因变量存在的内生潜变量。有公式如下:

ηi=ijβijηj+ζ
式中: ηi变量表示潜变量,在本文中外生潜变量是指结网强度,对外生潜变量影响的包括地理邻近、组织邻近、认知邻近以及地理邻近和认知邻近的交互项。认知邻近和地理邻近是被测量的内生潜变量,组织邻近是影响它们的内生潜变量; ηj变量表示对 ηi产生影响的其他潜变量; βij变量表示潜变量之间的相互关系; ζ变量表示潜变量关系之间的误差项。

3.3.2 多维邻近性变量构建 在这里,对各潜变量指标的构成进一步进行描述:地理邻近(geoproximity)。用来表示主体间在空间上的邻近性关系。本文采用空间地理邻近和名义地理邻近的衡量方法。

(1)空间地理邻近,利用主体的经纬度进行测算后,对实际距离进行标准化处理。

Geoproximitys=1-lndijmaxdij
式中: dij变量表示主体i到主体j之间的距离; maxdij变量表示全部研究对象中最大距离。所得空间地理邻近最后将为0~1之间的连续变量[59]

(2)名义地理邻近,按照企业所在地的不同,运用虚拟赋值的形式对不同主体间的地理关系进行表达。具体的,对在同一行政区的赋值1,同一城市的赋值0.75,同一省份的赋值0.5,全国上的邻近赋值为0.25。

(3)认知邻近。本文所研究之认知邻近为主体之间的技术邻近。作者采用Jaffe等提出的测度方法,该方法实际上是工业结构系数的应用[60]。主体间的技术向量是根据IPC分类号构建的。

Sij=XinXjnXin2Xjn2
式中: XinXjn变量表示主体i和主体jn类发明专利的总数,所得技术邻近最后将为0~1之间的连续变量。

(4)组织邻近。分为纵向组织邻近和横向组织邻近。纵向组织邻近用以考察主体之间是否存在内在的层级关系,即主体之间是有基于所有权而形成的控制与被控制的关系。本文对该关系采用虚拟赋值的方法。具体来看,两者之间存在所有权关系的为1,两者是同一母公司旗下的子公司的赋值为0.5,不存在纵向组织邻近的赋值为0。横向组织邻近用以考察除纵向关系之外的社会邻近关系。Balland指出社会邻近性是指主体之间过往的相互关系[61]。据此,本文以新能源汽车产业发展的上一阶段(2001—2008年)的合作专利为基础对社会邻近进行衡量。考虑专利产出的时间滞后性,数据实际年份为2004—2011年。

关于不同潜变量的指标构建模式选择。在本研究中,“地理邻近”“组织邻近”以及“地理邻近×认知邻近”3个潜变量需要通过多指标构建。参考前人的定义,作者选择反映性模型构建“地理邻近”与“地理邻近×认知邻近”两个潜变量。原因在于,名义地理邻近与空间地理邻近是上述潜变量的特征表现,这些指标具有很高的相关关系,他们之间的概念甚至可以相互替代。在组织邻近中,“纵向组织邻近”和“横向组织邻近”虽然反映组织邻近这一潜变量的具体特征,但是他们之间的概念截然不同,指标之间相关关系非常弱,他们之间不可相互替代。在实际操作中,组织邻近所构成的组合信度效果并不理想。在本研究中,纵向组织邻近与横向组织邻近缺一不可,因此,作者选择将组织邻近拆分成纵向组织邻近与横向组织邻近进行分析。

4 创新网络特征

4.1 空间分布特征

利用ArcGIS软件,对2009—2014年中国新能源汽车产业创新活动以及技术创新网络的空间格局进行可视化,结果见图2。研究发现:

图2

新窗口打开|下载原图ZIP|生成PPT
图22009—2014年中国新能源汽车产业创新的空间格局

注:基于自然资源部地图技术审查中心标准地图服务网站的标准地图(审图号:GS(2020)3183号)绘制,底图无修改。
Fig. 2The spatial pattern of China's NEV industry innovation from 2009 to 2014



4.1.1 创新活动主要集中在大城市和三大城市群 北京、深圳、上海创新活动的数量分别为1511、731、644,占据了中国创新活动总量的27%。进一步看,前十大城市(包括北京、深圳、上海、芜湖、合肥、广州、重庆、天津、苏州、杭州)共获得5642项专利,占全国比例的52.89%;围绕北京、深圳、上海,高密度的创新集中发生在京津冀、长三角以及珠三角等区域(图2a),创新活动的数量分别为1973、3873、1472,占到全国创新活动总量的68.6%。

4.1.2 创新网络集中在京津冀和长三角,珠三角相对较弱 相比于创新活动的空间分布,京津冀、长三角集中了更多的创新网络联系(图2b)。二者创新网络联系的总量分别是472与567,占到全国创新网络联系总量的65.7%。这两个地区之间的联系紧密,共113次,占各自区域总量的23.9%和19.9%。与此同时,珠三角地区的创新结网数量只有99次,仅占全国的6.3%。换言之,珠三角地区的创新网络规模与其创新能力在全国的地位不相匹配。事实上,相比于京津冀和长三角,珠三角地区的创新主体更多由民营企业组成,新能源汽车产业创新龙头比亚迪也位于该区域内。这样的空间分布格局也从侧面反映出民营企业在合作创新上保持更为谨慎的态度。

4.1.3 创新能力欠发展的区域出现了不匹配的合作创新数量 创新能力欠发展的地区在创新结网上表现突出,是另一重要特征。在以京津冀地区为核心的网络中,济南在仅拥有141项专利的情况下,发生了55次合作,排名全国第5。许昌在仅有46项专利的情况下,发生了38次合作,位列全国第8。这两个城市的创新主体为国电系子公司,主要合作对象为北京的国家电网集团;在以长三角地区为核心的网络中,湘潭仅拥有22项专利,但发生了12次合作。济宁在仅拥有7项专利的情况下,发生了8次合作。这两个地方的创新主体主要为吉利集团的控股子公司,主要合作对象为宁波的吉利控股集团。显然,这样的空间特征与当地创新主体的性质有关。这些地方的创新主体更多的是全国性集团企业的分支机构,与生俱来的“控制-被控制”关系使得网络的建立在地方变得容易,尤其是对于那些大型国有控股集团而言。因此,在空间上即表现出与当地创新能力不相称的合作规模。

4.2 网络结构特征

4.2.1 全国性创新网络呈现“核心-边缘”结构,国家电网是网络中的核心主体 在网络层面上,全国创新网络的结网比例为7.41%,网络密度为3.03%,中心势为0.80%。网络相对松散,没有控制全国的核心主体。但是,网络中存在1个大规模子群,国家电网是该子群的核心主体,其在子群中拥有很强的控制能力,它的结点中心度为31.712,紧密中心度为0.309,间距中心度为15.838;在主体层面上,前五大重要主体,有4个隶属于国家电网集团,2个为科研机构。除国家电网外,其余国电系子公司规避控制的能力均很弱,各间距中心度最大仅为0.222。清华大学在全国创新网络中具有重要地位,并能有效规避其他主体控制,其结点中心度为3.604,紧密中心度为0.308,间距中心度为2.340。图3展示了全国创新网络结构,表1显示了全国创新网络的主体特征。

图3

新窗口打开|下载原图ZIP|生成PPT
图32009—2014年中国新能源汽车产业创新网络结构图

Fig. 3The structure of China's NEV industry innovation network from 2009 to 2014



Tab. 1
表1
表1全国社会网络分析主体特征结果
Tab. 1The SNA result of actors in national innovation network
典型主体结点中心度紧密中心度间距中心度
国家电网公司31.7120.30915.838
中国电力科学研究院5.7660.3080.222
清华大学3.6040.3082.340
南京南瑞集团公司3.4230.3080.042
江苏省电力公司3.2430.3080.037

新窗口打开|下载CSV

4.2.2 创新网络的区域差异 图4是分区域的中国新能源汽车产业创新网络图谱。表2表3是利用Ucinet软件分析所得的各区域新能源汽车产业创新网络的整体结构特征和主体结构特征。主要分析京津冀、珠三角和长三角3个区域,原因在于其余区域与京津冀、长三角联系紧密,珠三角地区在创新活动和创新网络上存在不匹配现象。研究发现:

图4

新窗口打开|下载原图ZIP|生成PPT
图4区域创新网络结构图

Fig. 4The structure of RINs



Tab. 2
表2
表2不同区域社会网络分析整体特征结果
Tab. 2The SNA result of different regional innovation networks' structures
区域结网比例(%)整体外向度(%)网络密度(%)中心势(%)
京津冀16.0268.7011.894.08
长三角6.9754.013.734.24
珠三角2.6564.001.251.13

新窗口打开|下载CSV

Tab. 3
表3
表3不同区域社会网络分析主题特征结果
Tab. 3The SNA result of actors in different regional innovation networks
区域典型主体结点中心度紧密中心度间距中心度
京津冀国家电网公司65.6721.51254.678
中国电力科学研究院11.941.4980.715
清华大学7.4631.4988.142
长三角国家电网公司27.6040.96916.25
南京南瑞集团公司9.3750.9662.627
东南大学7.2920.9671.389
浙江吉利控股集团有限公司4.1670.5430.125
珠三角深圳市沃尔核材股份有限公司4.2550.7350.005
清华大学3.5460.7410.111
南方电网科学研究院有限责任公司3.5460.7410.081

新窗口打开|下载CSV

(1)京津冀:大型国企集团控制网络,“核心-边缘”结构突出,合作创新最活跃,网络外向程度高。京津冀地区的创新网络以大型国有企业-国家电网为核心。该公司是全国范围内的垄断国有企业,以其为核心的网络规模大,结网能力强,对创新网络的控制显著。具体来看,其结点中心度为65.672,紧密中心度为1.512,间距中心度为54.678。该集团的子公司遍布全国,企业对外联系能力突出;在京津冀地区,网络结构紧凑,呈现出典型的“核心-边缘”特征(图4a)。区域内参与结网的创新主体数量共269个,中心势为4.08%。国家电网公司、中国电力科学研究院以及清华大学在网络中的地位最突出;京津冀地区的创新网络在全国范围内最活跃,网络的对外联系能力最强。其结网比例达到16.02%,网络密度达到11.89%,整体外向度达到68.70%。

(2)长三角:主体类型混合多样,“核心-边缘”结构突出,合作创新强度活跃,网络外向程度较高。长三角地区呈现出“国有企业+民营企业”的复合型网络特征,国家电网的影响力在长三角地区表现强势,其结点中心度为27.604,紧密中心度为0.969,间距中心度为16.25。吉利控股是区域内的大型民营企业,该集团与其子公司为核心组成子网络,具备一定结网能力但规模小,对整体网络影响弱;长三角地区网络结构紧凑,网络呈现出“核心-边缘”的特征(图4b),参与结网的创新主体数量共193个,中心势为4.24%,国家电网公司、南京南瑞集团公司、东南大学在创新网络中的作用最为突出,同时,浙江吉利控股集团有限公司形成相对独立的创新网络;长三角地区合作创新活跃程度和网络整体外向程度高。其结网比例为6.97%,网络密度为3.73%,整体外向度为54.01%。

(3)珠三角:民营企业是该网络的主要主体,区域网络结构松散,合作创新活跃度低,网络外向程度高。珠三角地区的创新网络以民营企业为主,网络中缺乏具有绝对控制力的核心主体。具体来看,创新合作最突出的深圳市沃尔核材股份有限公司,其结点中心度为4.255,紧密中心度为0.735,间距中心度为0.005,与第二位清华大学的差距并不明显;珠三角地区网络结构较为松散(图4c),参与结网的创新主体数量共84个,中心势为1.13%。深圳沃尔核材、清华大学、南方电网科学研究院在创新网络中的作用最为突出,但总的来看,这些企业控制能力并不强,在网络中并不占有绝对优势;珠三角地区合作创新的活跃程度最弱,网络整体外向程度则较高。其结网比例仅为2.65%,网络密度为1.25%,整体外向度为64.00%。

5 多维邻近性成因分析

上一部分分析了中国新能源汽车产业创新网络的空间格局,并对不同区域创新网络的社会网络特征进行了解读。社会网络结构以空间为载体,并反映在创新网络的空间分布上。接下来,将通过构建结构方程模型,分析中国不同区域的新能源汽车创新网络的社会网络特征的邻近性机制,以进一步探究创新网络形成的内在动力的区域性差异。

表4是创新结网格局的多维邻近性分析结果。观察多指标的潜变量效度特征,各变量的组合信度普遍高于0.8,AVE全部高于0.7,具有比较好的组合效果;观察潜变量与结网强度之间的路径关系时,在珠三角地区不测算横向组织邻近。因为在珠三角这样的关系过弱,当这一变量进入模型时无法进行测度。

Tab. 4
表4
表4多维邻近性分析结果
Tab. 4The effect of proximities toward innovation
潜变量全国京津冀长三角珠三角
地理邻近Composite reliability0.910.790.890.90
AVE0.840.880.810.81
地理邻近*认知邻近Composite reliability0.900.860.930.95
AVE0.950.920.870.90
n82636638971
路径关系
地理邻近→创新网络0.040.06-0.02-0.15
纵向组织邻近→创新网络0.16***0.23***0.22***0.31***
横向组织邻近→创新网络0.030.010.04
认知邻近→创新网络0.14***0.23***0.13***0.19***
纵向组织邻近→地理邻近0.01-0.05-0.090.31***
横向组织邻近→地理邻近0.04-0.03-0.04
纵向组织邻近→认知邻近0.03-0.10*0.060.33***
横向组织邻近→认知邻近0.02-0.020.02
地理邻近×认知邻近→创新网络0.150.220.05-0.11
注:***表示P≤0.01;**表示P≤0.05;*表示P≤0.1。

新窗口打开|下载CSV

表5是多维邻近性成因的组间对比结果,结果显示:① 在纵向组织邻近影响创新网络的模式上,三个区域之间存在相似性,三者之间差异的显著性均大于0.05。② 在认知邻近影响创新网络的模式上,京津冀与长三角之间存在显著差异,两者之间的显著性为0.03。同时,珠三角和京津冀、长三角之间没有明显的不同,其与两者的差异显著性均大于0.05。③ 在纵向组织邻近影响认知邻近的模式上,京津冀和珠三角之间存在明显的显著性差异,两者之间差异的显著性为0.00。

Tab. 5
表5
表5邻近性的多组分析结果
Tab. 5The multi-group analysis result of proximities
对比|diff|tP
纵向组织邻近→创新网络京津冀-长三角0.010.200.84
京津冀-珠三角0.091.270.21
长三角-珠三角0.101.100.27
认知邻近→创新网络京津冀-长三角0.092.220.03
京津冀-珠三角0.040.530.59
长三角-珠三角0.050.830.41
纵向组织邻近→认知邻近京津冀-珠三角0.423.170.00

新窗口打开|下载CSV

5.1 全国:组织关系与知识搜寻是全国网络形成的两大动因

从全国范围看,纵向组织邻近和认知邻近对创新网络的影响显著。具体来看,纵向组织邻近对创新网络的影响为0.16,认知邻近对创新网络的影响为0.14。换言之,组织关系和知识搜寻是全国网络形成的两大动因。

一方面,国家电网公司是全国网络最重要的主体,该公司规模庞大,创新能力强。由国电系构建的网络超过全部创新网络的50%。因此,全国尺度上创新网络的构建动力很大一部分来源于国家电网及其子公司之间的所有权关系,即纵向组织邻近;另一方面,由于中国新能源汽车产业技术处于快速发展时期,技术更新速度快,产业知识要求高。因此,以知识搜寻为核心,主体存在倾向结网的内生动力。

5.2 京津冀:国电集团强有力推动跨区域网络形成

京津冀地区,纵向组织邻近对认知邻近和创新网络的影响显著,认知邻近也是结网的重要动因。具体来看,纵向组织邻近对认知邻近的影响为-0.10,对创新网络的影响为0.23,认知邻近对创新网络的影响为0.23。在京津冀地区,同一集团下的子机构创新方向存在差异,但组织上的联系促进了合作的发生。同时,技术、知识是创新主体合作的主要动力来源。

一方面,计划经济时代,由于负责主管央企的行政部门位于首都北京,附属于相关行政部门的央企也大多在北京设立集团总部,并在全国范围内设立分支运营机构。因此,国家电网系的创新网络以京津冀为核心,并在强有力的组织关系下形成全国网络,有效超越地理限制。另一方面,从结果上看,国电系在网络构建时强调在不同领域上的新技术创造。这样的新发展战略有赖于同一领域中主体之间的技术邻近。需要注意的是,由于国家电网在电力技术上的优势,其创新主要集中在充电桩设备中的不同技术领域。

5.3 长三角:国电系及区域大企业影响网络形成,丰富知识源推动合作发生

长三角地区,纵向组织邻近和认知邻近对创新网络的影响显著。具体来看,纵向组织邻近对创新网络的影响为0.22,认知邻近对创新网络的影响为0.13。换言之,组织关系和知识合作是长三角地区创新网络形成的核心动力。

一方面,长三角地区是国家电网的重要市场,区域创新网络受国电系公司影响大。同时,区域大型企业吉利控股充分利用子公司建立创新网络,因此基于组织关系形成了一定规模的创新网络。另一方面,区域内知识源丰富(① 据Web of Science数据,2014年及之前,长三角地区共有23所科研机构涉及新能源汽车领域知识创造。),这为构建知识合作关系提供了基础。这不仅能够帮助区域内中小企业有效寻找技术合作伙伴,还能促进其他区域主体在本地搜寻知识从而扩大能力范围,进而构建跨区域合作关系。

5.4 珠三角:民营企业合作受地理约束,知识需求推动跨区域合作

珠三角地区,纵向组织邻近和认知邻近对创新网络的影响显著,纵向组织邻近对地理邻近和认知邻近也产生显著影响。具体来看,纵向组织邻近对创新网络的影响为0.31,对地理邻近的影响为0.31,对认知邻近的影响为0.33,认知邻近对创新网络的影响为0.19。即在珠三角,组织关系促进了网络的形成,但难以摆脱地理约束,同一组织下的子机构创新方向也较为相似。但是,技术搜寻与相似知识的需求仍然发挥了促进结网的作用。

一方面,民营企业是珠三角地区网络中的主要组成部分。这些企业的规模相对较小,研发经费和科研人员都较为有限,技术方向也相对单一。他们往往没有能力大规模跨区域协调创新,子公司的设置也因此受到地理约束;另一方面,在特定领域实现突破是这些企业研发的核心目标。因此,以知识搜寻为动力的合作创新,在区域中显得十分突出。从合作对象所在区域看,这样的知识搜寻超越了地理限制,珠三角与长三角、京津冀地区以此形成了网络联系。

6 结论与讨论

利用Ucinet分析方法,从区域、主体性质等维度出发,本文解析2009—2014年中国新能源汽车产业专利创新网络特征。利用PLS-SEM,对全国及不同区域创新网络的多维邻近性成因进行了实证分析,得到如下结论:

(1)从创新网络的空间分布格局看,与创新活动集中在大城市和三大城市群不同,中国新能源汽车产业创新网络主要集中在京津冀与长三角地区,珠三角地区的创新网络明显较弱。同时,创新能力欠发展的区域出现了与之数量不匹配的合作创新规模。

(2)从创新网络的社会网络特征看,全国网络呈现“核心-边缘”的结构,国家电网是产业中最重要的创新主体。京津冀地区,大型国企集团控制网络,“核心-边缘”结构突出,合作创新最活跃,网络外向程度高。长三角地区,区内主体类型混合多样,“核心-边缘”结构突显,合作创新强度活跃,网络外向程度较高。珠三角地区,民营企业是网络中的重要主体,区域网络结构松散,合作创新活跃度低,网络外向程度高。

(3)从创新网络的多维邻近性成因看,在全国尺度上,纵向组织邻近与认知邻近是全国网络形成的两大动力。在京津冀地区,纵向组织邻近强有力地推动了跨区域网络形成。在长三角地区,纵向组织邻近影响网络形成,认知邻近推动合作发生。在珠三角地区,民营企业的纵向组织邻近与地理邻近紧密联系,认知邻近推动跨区域合作。

(4)从不同所有制企业与区域性结网过程关系看,大型国有企业在全国拥有更为完整的组织体系,其组织架构使集团内部的全国性创新网络构建更为容易;与国有企业形成对比,民营企业的规模和结网能力有限,快速提升知识和技术能力的商业目的,是民营企业与其他主体创新合作的重要原因。珠三角和长三角在民营企业经营环境上具有优势,而以京津冀为核心的北方更多受国有企业影响。这样的创新合作特征和邻近性影响过程,反映在空间上即为:京津冀以国有企业为核心,受组织邻近的深度影响。珠三角以民营企业为主体,以认知邻近为结网的核心动力。长三角主体特征混合多样,组织与认知邻近共同推进网络形成。

在理论研究层面,多维邻近性的测度及量化方法、不同维度邻近性之间的关系、多维邻近性对创新网络的影响机理是未来进一步深入探究的研究方向。在产业实践层面,新能源汽车产业作为朝阳部门,国有企业要继续加大加深开放力度,民营企业需强化合作创新意识,而政府要进一步完善相关知识产权保护体系,为合作创新提供坚实的制度性保障。在区域性产业发展层面,长三角要抓住特斯拉上海工厂的历史机遇,构建完善的产业链和配套生产体系,在全球范围内提高其竞争优势。珠三角在政府的支持下,重点实施基础性理论创新研究计划,丰富区域的知识源,进而在合作中提高区域创新能力。

致谢:

真诚感谢匿名评审专家在论文评审中所付出的时间和精力,评审专家对本文的结构框架、研究综述和结论梳理方面的修改意见,使本文获益匪浅。


参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

Tracey P, Clark G L. Alliances, networks and competitive strategy: Rethinking clusters of innovation
Growth and Change, 2003, 34(1):1-16. DOI: 10.1111/1468-2257.00196.

URL [本文引用: 1]

Freeman L C. Networks of innovators: A synthesis of research issues
Research Policy, 1991, 20(5):499-514. DOI: 10.1016/0048-7333(91)90072-X.

URL [本文引用: 1]

Lin G C S, Wang C, Zhou Y, et al. Placing technological innovation in globalising China: Production linkage, knowledge exchange and innovative performance of the ICT industry in a developing economy
Urban Studies, 2011, 48(14):2999-3018. DOI: 10.1177/0042098010396232.

URL [本文引用: 1]

[ Cao Xianzhong, Zeng Gang, Si Yuefang et al. Research progress on firm innovation networks and multi-dimensional proximity from the perspective of economic geography
World Regional Studies, 2019, 28(5):165-171.] DOI: 10.3969/j.issn.1004-9479.2019.05.2018122.

[本文引用: 1]

Bottazzi L, Peri G. Innovation and spillovers in regions: Evidence from European patent data
European Economic Review, 2003, 47(4):687-710. DOI: 10.1016/S0014-2921(02)00307-0.

URL [本文引用: 1]

Boschma R. Proximity and innovation: A critical assessment
Regional Studies, 2005, 39(1):61-74. DOI: 10.1080/0034340052000320887.

URL [本文引用: 1]

Balland P A. Proximity and the evolution of collaboration networks: Evidence from research and development projects within the global navigation satellite system (GNSS) industry
Regional Studies, 2012, 46(6):741-756. DOI: 10.1080/00343404.2010.529121.

URL [本文引用: 1]

Hinzmann S, Cantner U, Graf H. The role of geographical proximity for project performance: Evidence from the German leading-edge cluster competition
Journal of Technology Transfer, 2019, 44(12):1744-1783. DOI: 10.1007/s10961-017-9600-1.

URL [本文引用: 1]

Lazzeretti L, Capone F. How proximity matters in innovation networks dynamics along the cluster evolution. A study of the high technology applied to cultural goods
Journal of Business Research, 2016, 69(12):5855-5865. DOI: 10.1016/j.jbusres.2016.04.068.

URL [本文引用: 1]

Feng Y, Wang X, Du W, et al. Effects of environmental regulation and FDI on urban innovation in China: A spatial durbin econometric analysis
Journal of Cleaner Production, 2019, 235:210-224. DOI: 10.1016/j.jclepro.2019.06.184.

URL [本文引用: 1]

Gao X, Guan J. Networks of scientific journals: An exploration of Chinese patent data
Scientometrics, 2009, 80(1):283-302. DOI: 10.1007/s11192-007-2013-4.

URL [本文引用: 1]

[ Zhou Can, Zeng Gang, Cao Xianzhong. Chinese inter-city innovation networks structure and city innovation capability
Geographical Research, 2017, 36(7):1297-1308.] DOI: 10.11821/dlyj201707009.

[本文引用: 1]

Liang L, Zhu L. Major factors affecting China's inter-regional research collaboration: Regional scientific productivity and geographical proximity
Scientometrics, 2002, 55(2):287-316. DOI: 10.1023/A:1019623925759.

URL [本文引用: 1]

Hennemann S, Wang T, Liefner I. Measuring regional science networks in China: A comparison of international and domestic bibliographic data sources
Scientometrics, 2011, 88(2):535-554. DOI: 10.1007/s11192-011-0410-1.

URL [本文引用: 1]

Sun Y. Geographic patterns of industrial innovation in China during the 1990s
Tijdschrift Voor Economische En Sociale Geografie, 2003, 94(3):376-389. DOI: 10.1111/1467-9663.00264.

URL [本文引用: 1]

[ Qian Qinglan, Chen Yingbiao. Study on technology innovation within SMEs and regional measures
Economic Geography, 2008, (3):384-387.] DOI: CNKI:SUN:JJDL.0.2008-03-010.

[本文引用: 1]

Greeven M. The inside story of China's high-tech industry: Making Silicon Valley in Beijing
Regional Studies, 2008, 42(10):1399-1400. DOI: 10.1080/00343400802545499.

URL [本文引用: 1]

Sun Y, Zhou Y. Innovation and inter-firm technological networking: Evidence from China's information communication technology industry
Erdkunde, 2011, 65(1):55-70. DOI: 10.3112/erdkunde.2011.01.05.

URL [本文引用: 1]

Li Y, He J, Zhou L. The transfer of innovation capability from universities to enterprises in China: An institutional framework
International Journal of Management & Enterprise Development, 2010, 9(4):385-404. DOI: 10.1504/IJMED.2010.037565.

[本文引用: 1]

Zhu S, He C, Luo Q. Good neighbors, bad neighbors: Local knowledge spillovers, regional institutions and firm performance in China
Small Business Economics, 2019, 52(3):617-632. DOI: 10.1007/s11187-017-9975-2.

URL [本文引用: 1]

[ Ma Shuang, Zeng Gang. Analysis of China's urban innovation network pattern and its proximity mechanism from a multi-scale perspective
Human Geography, 2020, 35(1):95-103.] DOI: 10.13959/j.issn.1003-2398.2020.01.011.

[本文引用: 1]

[ Ruan Pingnan, Wang Wenli, Liu Xiaoyan. Dynamic evolution of technological innovation network based on multi-dimensional proximity: Based on OLED industry
R&D Management, 2018, 30(6):59-66.] DOI: 10.13581/j.cnki.rdm.2018.06.006.

[本文引用: 1]

[ Chao Peipei, Gao Jinyan, Yang Yang er al. Research on the new energy vehicles industry's national development strategy
Strategic Study of CAE, 2016, 18(4):69-75.] DOI: 10.15302/J-SSCAE-2016.04.011.

[本文引用: 1]

Zhang X, Rao R, Xie J, et al. The current dilemma and future path of China's electric vehicles
Sustainability, 2014, 6(3):1567-1593. DOI: 10.3390/su6031567.

URL [本文引用: 1]

[ Zhang Ling, Li Shufeng, Ma Hongjia. Influence study of network structure on knowledge innovation process: A case of Changchun automobile industrial cluster
Library and Information Service, 2011, 55(4):62-66.] DOI: CNKI:SUN:TSQB.0.2011-04-014.

[本文引用: 1]

[ Zhang Yongan, Wang Yanni. The innovation network comparative analysis of large automobile enterprises in the United States, Japan and China under the perspective of focal firm innovation network
Science of Science and Management of S.& T., 2011, 32(7):44-51.] DOI: CNKI:SUN:KXXG.0.2011-07-008.

[本文引用: 1]

[ Wan Wei, Zeng Deming, Feng Ke. Study on the evolution of cliques in industrial innovation networks and its influence on technological innovation performance
Journal of Hunan University: Natural Sciences, 2013, 40(11):120-124.] DOI: 10.3969/j.issn.1674-2974.2013.11.020.

[本文引用: 1]

[ Li Jian, Yu Yue. Structural holes in collaboration network, cohesion of knowledge network and exploratory innovation performance: An empirical study on the Chinese automakers
Nankai Business Review, 2018, 21(6):121-130.] DOI: 10.3969/j.issn.1008-3448.2018.06.012.

[本文引用: 1]

Stokes L C, Breetz H L. Politics in the US energy transition: Case studies of solar, wind, biofuels and electric vehicles policy
Enery Policy, 2018, 113:76-86. DOI: 10.1016/j.enpol.2017.10.057.

[本文引用: 1]

Lauer J, Liefner I. State-led innovation at the city level: Policy measures to promote new energy vehicles in Shenzhen, China
Geographical Review, 2019, 109(3):436-456. DOI: 10.1111/gere.12320.

URL [本文引用: 1]

Gong H, Wang M Q, Wang H. New energy vehicles in China: Policies, demonstration, and progress
Mitigation & Adaptation Strategies for Global Change, 2013, 18(2):207-228. DOI: 10.1007/s11027-012-9358-6.

[本文引用: 1]

Sun H, Geng Y, Hu L, et al. Measuring China's new energy vehicle patents: A social network analysis approach
Energy, 2018, 153:685-693. DOI: 10.1016/j.energy.2018.04.077.

URL [本文引用: 1]

[ Guo Yanqing, He Di. Classification of strategic emerging industry innovation network from the perspective of “subject-technology” collaboration: Take the new energy automobile industry as an example
Journal of Industrial Technological Economics, 2017, 36(4):146-152.] 10.3969/j.issn.1004-910X.2017.04.020.

[本文引用: 1]

[ Yu Qian, Bai Mengping, Qin Yidong. Does multi-dimensional proximity promote innovation cooperation between new energy automobile enterprises in China?
R&D Management, 2018, 30(6):67-74.] DOI: CNKI:SUN:YJYF.0.2018-06-007.

[本文引用: 1]

[ He Canfei, Jin Lulu, Liu Ying, How does multi-proximity affect the evolution of export product space in China?
Geographical Research, 2017, 36(9):1613-1626.] DOI: 10.11821/dlyj201709002.

[本文引用: 2]

[ Shi Yanwen, Li Erling, Li Xiaojian. Impact of geographical proximity and relational proximity on innovation in agriculture industrial cluster based on the Shouguang vegetable industrial cluster
Scientia Geographica Sinica, 2016, 36(5):751-759.] DOI: 10.13249/j.cnki.sgs.2016.05.013.

[本文引用: 1]

[ LI Lin, Multi-dimensional Proximities and Industrial Cluster Innovation. Beijing: Peking University Press, 2014: 21.]
[本文引用: 1]

Cohen W M, Levinthal D A. Absorptive capacity: A new perspective on learning and innovation
Administrative Science Quarterly, 1990, 35(1):128-152. DOI: 10.1016/B978-0-7506-7223-8.50005-8.

URL [本文引用: 1]

Cantwell J, Santangelo G D. The new geography of corporate research in information and communications technology (ICT)
Journal of Evolutionary Economics, 2002, 12(1-2):163-197. DOI: 10.1007/s00191-002-0109-9.

URL [本文引用: 1]

Zhang K, Qian Q, Zhao Y. Evolution of Guangzhou biomedical industry innovation network structure and its proximity mechanism
Sustainability, 2020, 12(6):2456. DOI: 10.3390/su12062456.

URL [本文引用: 1]

[ Li Lin, Yang Tian. Effect of geographical proximity and organisational proximity on innovations of industrial cluster: An empirical research based on automobile industry clusters in China
China Soft Science, 2011, (9):133-143.] DOI: 10.3969/j.issn.1002-9753.2011.09.014.

[本文引用: 1]

Blanc H, Sierra C. The internationalisation of R&D by multinationals: A trade-off between external and internal proximity
Cambridge Journal of Economics, 1999, 23(2):187-206. DOI: 10.1093/cje/23.2.187.

URL [本文引用: 1]

Uzzi B. Social structure and competition in interfirm networks: The paradox of embeddedness
Administrative Science Quarterly, 1997, 42(1):35-67. DOI: 10.2307/2393808.

URL [本文引用: 1]

Wang C C, Lin G C S. The growth and spatial distribution of China's ICT industry: New geography of clustering and innovation
Issues & Studies, 2008, 44(2):145-192.

[本文引用: 1]

Lin G C S, Yang F F, Hu F Z Y. The new geography of information and consulting services in China: Comparing Beijing and Guangzhou
Habitat International, 2012, 36(4):481-492. DOI: 10.1016/j.habitatint.2012.03.001.

URL [本文引用: 1]

[ Hu Yang, Li Xun. The impact of multi-dimensional proximities on university industry cooperative innovation: Case studies of high-tech enterprises in Guangzhou
Geographical Research, 2017, 36(4):695-706.] DOI: 10.11821/dlyj201704008.

[本文引用: 1]

[ Wang Kai, Hu Chidi, Chen Aihua. How universities networking capabilities affect knowledge synergy innovation performance from universities and industry
Science Research Management, 2019, 40(8):166-178.] DOI: CNKI:SUN:KYGL.0.2019-08-017.

[本文引用: 1]

Pouder R, St John C H. Hot spots and blind spots: Geographical clusters of firms and innovation
The Academy of Management Review, 1997, 21(4):1192-1225. DOI: 10.2307/259168.

URL [本文引用: 1]

Breschi S, Catalini C. Tracing the links between science and technology: An exploratory analysis of scientists' and inventors' networks
Research Policy, 2010, 39(1):14-26. DOI: 10.1016/j.respol.2009.11.004.

URL [本文引用: 1]

Antonelli C. Collective knowledge communication and innovation: The evidence of technological districts
Regional Studies, 2000, 34(6):535-547. DOI: 10.1080/00343400050085657.

URL [本文引用: 1]

[ Ye Qin, Zeng Gang, Chen Hongting. Impacts of organizational proximity and cognitive proximity on the innovation network of petroleum equipment manufacturing industry in Dongying
Human Geography, 2017, 32(1):116-122.] DOI: 10.13959/j.issn.1003-2398.2017.01.016.

[本文引用: 1]

Li Y, Wang X. Innovation in suburban development zones: Evidence from Nanjing, China
Growth and Change, 2019, 50(1):114-129. DOI: 10.1111/grow.12270.

URL [本文引用: 1]

[ Zhou Can, Cao Xianzhong, Zeng Gang. Cluster networks and evolution path of China's electronic information industry innovation
Geographical Research, 2019, 38(9):2212-2225.] DOI: 10.11821/dlyj020180964.

[本文引用: 1]

Ter Wal A L J. Cluster emergence and network evolution: A longitudinal analysis of the inventor network in Sophia-Antipolis
Regional Studies, 2013, 47(5):651-668. DOI: 10.1080/00343401003614258.

URL [本文引用: 1]

Ter Wal A L J. The dynamics of the inventor network in German biotechnology: Geographical proximity versus triadic closure
Journal of Economic Geography, 2013, 14(3):589-620. DOI: 10.1093/jeg/lbs063.

URL [本文引用: 1]

[ Bai Yunfei, Pan Zhongzhi. A study on the time lag effect of China's R&D input on science and technology innovation
Science and Technology Management Research, 2015, 35(4):1-5] DOI: 10.3969/j.issn.1000-7695.2015.04.001.

[本文引用: 1]

Hair J F, Ringle C M, Sarstedt M. PLS-SEM: Indeed a silver bullet
Journal of Marketing Theory & Practice, 2011, 19(2):139-152. DOI: 10.2753/MTP1069-6679190202.

[本文引用: 1]

[ Zhao Yijing. The study on dynamic evolution of cooperation innovation network of bio-pharmaceutical cluster in Guangzhou: Based on multidimensional proximities perspective
Guangzhou: Master Dissertation of Guangzhou University, 2019: 104-107.]

[本文引用: 1]

Hong W, Su Y. The effect of institutional proximity in non-local university-industry collaborations: An analysis based on Chinese patent data
Research Policy, 2013, 42(2):454-464. DOI: 10.1016/j.respol.2012.05.012.

URL [本文引用: 1]

Jaffe A B, Henderson R M, Trajtenberg M. Geographic localization of knowledge spillovers as evidenced by patent citations
Quaterly Journal of Economics, 1993, 108(3):577-598. DOI: 10.2307/2118401.

URL [本文引用: 1]

Balland P, Boschma R, Frenken K. Proximity and innovation: From statics to dynamics
Regional Studies, 2015, 49(6):907-920. DOI: 10.1080/00343404.2014.883598.

URL [本文引用: 1]

相关话题/创新 网络 组织 地理 结构