基于指數隨機圖模型的發明者合作網絡形成機制研究

摘 要：聚焦探討不同因素是否以及如何影響發明者合作網絡形成，基于2004—2021年華為在中國申請的專利數據，構建發明者合作網絡，運用指數隨機圖模型探討行動者屬性和內生結構效應對發明者合作網絡形成的影響機理。結果表明：發明者合作網絡是稀疏網絡，呈現星形結構和閉合三角形結構共存的網絡結構模式；發明者協同創新能力抑制新合作關系的形成，但發明者合作伙伴多樣性和合作深度均促進新合作關系的形成，且具有相同水平合作伙伴多樣性或合作深度的發明者之間更容易建立合作關系；發明者傾向于與處于中心位置的發明者建立合作關系以及與具有共同合作伙伴的直接合作伙伴建立新合作關系。

關鍵詞：發明者合作網絡；指數隨機圖模型；內生結構效應；網絡形成機制

DOI：10.6049/kjjbydc.2023030255 中圖分類號：G31 文獻標識碼：A 文章編號：1001-7348（2024）13-0131-10

0 引言

創新是企業生存和發展的核心競爭力，對企業而言，通過創新保持競爭優勢至關重要。單個發明者無法擁有創新所需的所有資源，企業創新活動正向網絡化轉變[1]。社會網絡研究表明發明者嵌入各種社會關系及其互動之中，并形成不同的網絡結構，這些關系和結構有助于發明者獲取創新活動所需知識等資源，進而影響其創新[2，3]。現有研究圍繞發明者合作網絡的結構屬性（如結構洞和中心性等）如何影響企業或發明者創新績效進行了廣泛探討[4，5]。深入理解企業內部發明者合作網絡如何形成，對于構建不同結構的合作網絡并促進企業創新績效提升具有重要的現實意義。現有研究圍繞不同層面和類型合作網絡的形成及其演化機制進行了探討，但對于微觀層面的發明者合作網絡形成機制關注不足[6]。因此，亟需探究發明者合作網絡形成機制，例如，哪些因素影響發明者合作網絡的形成？不同因素對發明者合作網絡形成的影響程度有何差異？

合作網絡的形成受到行動者屬性特征、外生環境因素和網絡內生結構效應等多種因素的共同影響[7]，例如，個體傾向于與具有相似特征的個體或處于同一部門的個體建立合作關系[8]。已有合作關系也可能影響新合作關系的形成，如朋友的朋友更容易成為朋友，重復合作的主體間更容易建立新的合作關系[9]。現有研究主要基于傳統回歸模型探討行動者屬性特征和外生環境因素對合作網絡形成的影響，然而，傳統回歸模型假設兩個行動者之間關系的形成不受其它關系的影響，導致傳統建模方法無法對網絡形成的內生結構效應進行有效評估。指數隨機圖模型（Exponential Random Graph Model，ERGM）是以網絡連接為基礎的一種模型，強調網絡連接之間的條件依賴，可同時將行動者屬性特征、外生環境因素和內生結構效應納入模型進行評估，彌補了傳統建模方法的不足[7]。因此，ERGM可以更全面地考察發明者合作網絡形成機制。目前，ERGM已被廣泛運用于探討貿易合作網絡[10]、科研合作網絡[11，12]、產學研協同創新網絡等[13]的形成機制。綜上，本研究基于華為技術有限公司（以下簡稱“華為”）2004—2021年專利數據，構建發明者合作網絡，并運用ERGM探討行動者屬性和內生結構效應是否以及如何影響發明者合作網絡的形成。

1 文獻回顧

1.1 網絡形成過程影響因素

現有研究主要探討了行動者屬性特征和外生環境因素對合作網絡形成的影響。一方面，有研究表明行動者屬性特征會顯著影響行動者之間聯系的形成。企業傾向于與具有異質性知識的企業建立聯盟網絡，這有利于企業獲取創新所需知識等資源[14]。個體的性別、地位、動機、任期及其績效等顯著影響合作網絡的形成[15-18]，具有相似特征如相同年齡、性別、種族、地位、職業和教育水平的行動者之間可能更容易建立合作關系[19-20]。另一方面，有研究表明地理、技術、認知和組織等鄰近性也是影響合作網絡形成的重要外生環境因素[21]。處于相同社區、工作場所和部門的個體之間更有可能建立合作關系，因為他們之間接觸或交流的機會更多[8，20]。然而，也有研究表明盡管適度的鄰近性有利于創新網絡形成與演化，但過度的鄰近性會造成技術鎖定風險和局部搜索等不利影響[22]。此外，其它類型網絡也會顯著影響合作網絡的形成，例如，企業內部知識網絡會顯著影響發明者之間的建議傳遞，進而影響發明者之間建議咨詢網絡的形成[23]。

網絡也可以通過更廣泛的社會互動過程出現，如由焦點網絡內部過程驅動的內生結構效應，包括互惠性、傳遞性和馬太效應等[7，20]。有研究表明，國家間貿易合作表現出較強的互惠性[10]。朋友的朋友更容易成為朋友，重復合作尤其有過成功合作經歷的個體之間更容易建立合作關系，這可能源于個體之間的信任[8，9]。此外，受歡迎的個體可能吸引更多人，因為與受歡迎的個體建立合作關系有利于快速獲取所需資源[7]。事實上，越來越多的研究表明網絡內生結構效應顯著影響不同類型合作網絡的形成[10-13]，且內生結構效應的存在可能削弱行動者屬性和外生環境因素對網絡形成的影響[24]。因此，忽略內生結構效應可能導致高估行動者屬性和外生環境因素對網絡形成的影響，甚至得出錯誤結論。

1.2 與網絡形成相關的建模方法

現有研究主要采用傳統回歸模型（如Logit[16]、負二項回歸模型[22]、Probit[25]、泊松回歸模型等），探討行動者屬性特征對合作網絡形成的影響，或運用復雜網絡分析和社會網絡分析方法對合作創新網絡的形成與結構演化特征進行描述性統計分析（高霞等，2015），或基于二次指派程序探討多維鄰近性對合作網絡形成的影響[21-22]。然而，傳統統計模型以因變量相互獨立為前提，導致其無法對相互依賴的網絡數據進行有效估計。傳統統計模型僅能對二元關系進行探討，無法解釋由于內生結構效應產生的三元組等網絡構型，因為它們可能不是相互獨立的[24]。

為彌補傳統建模方法的不足，相關學者在馬爾科夫隨機圖模型的基礎上進行拓展，形成了指數隨機圖模型（ERGMS）。與傳統計量模型強調因變量之間的獨立性不同，ERGM作為一類處理網絡關系數據的統計學模型，更強調網絡連接之間的依賴性，即網絡中一條邊存在的概率往往依賴于其它邊的存在與否，用于研究網絡連接到整體網絡結構的涌現機制[7]。相比傳統回歸模型，ERGM在分析網絡形成機制時具有顯著優勢[24]。首先，ERGM不需要假設網絡連接之間的獨立性，不需要匹配樣本設計和以往網絡研究中使用的偏差糾正技術等。其次，ERGM可同時將行動者屬性特征、外生環境因素和內生結構效應納入模型進行評估，尤其是可以整合不同類型的網絡結構（如三元組等），并估計它們對網絡形成的影響。最后，ERGM可以用于分析不同類型的網絡，如有向網絡和無向網絡、二模網絡和多層網絡等。因此，ERGM提供了一個強大的工具來分離同時運行的各種社會過程，并評估每個過程中行動者屬性特征、外生環境因素和內生結構效應對網絡結構形成的相對貢獻。

鑒于ERGM的上述優勢，相關學者運用ERGM從微觀、中觀和宏觀層面對不同類型合作網絡的形成機制進行了探討。在微觀層面，現有研究重點探討了不同學科和領域的科研合作網絡形成機制。翟莉等[11]、劉璇等[12]分別以統計學科合作規模最大的三所高校和知識管理相關研究領域的論文為例，探討了個體屬性（如職稱和結構洞等）和網絡結構對科研合作網絡形成的影響。此外，有研究關注企業內部和企業間個體合作網絡形成機制。Brennecke[18]研究指出，個體正式層級和任期等因素顯著影響企業內部工程師之間不和諧關系網絡的形成；Kim等[24]研究發現，內生結構效應（如互惠性和傳遞性等）顯著影響財富100強美國公司的連鎖董事網絡形成，并且加入內生結構效應會顯著降低企業屬性（如規模等）對連鎖董事網絡形成的影響。

在中觀層面，現有研究主要基于不同行業或產業的專利數據，構建不同類型合作網絡并分析其形成機制。劉曉燕等（2020）以中國集成電路產業的專利轉讓數據為基礎，運用ERGM考察交易主體多維鄰近性和內生結構效應對企業間技術交易網絡形成的影響；馬永紅等[26]基于醫藥產業專利數據對影響關鍵共性技術合作網絡演化的內外部因素進行探討；郭建杰等[13]以我國電信行業為例，探討了企業協同創新能力、合作廣度、合作深度等屬性和內生結構效應對產學研協同創新網絡形成的影響。此外，相關學者基于專利引用關系構建技術擴散網絡，并分析內生結構效應和專利屬性等因素對技術擴散網絡形成的影響[27]。

在宏觀層面，相關學者主要關注城市間創新合作網絡或科研合作網絡的形成機制。王海花等[28]基于長三角城市的專利數據構建產學研協同創新網絡，并從多層網絡視角探討了長三角城市群協同創新網絡演化及形成機制；戴靚等[29]基于長三角城市合作論文探討了城市屬性、城際關系和網絡結構對城市間科研合作網絡的影響，揭示了科研合作中的鄰近性和自組織性。此外，劉林青等[10]、唐曉彬等[30]分別對“一帶一路”合作伙伴間貨物貿易網絡形成的靜態和動態演化機制進行了剖析。

以上文獻反映了ERGM在揭示社會網絡形成機制方面的優勢。然而，現有研究主要運用ERGM探討中觀層面（企業等）和宏觀層面（城市和國家等）的合作網絡形成機制，對微觀層面合作網絡形成的關注相對不足。盡管微觀層面合作網絡（如科研合作網絡）的形成機制已受到部分學者的關注[11，12]，但現有研究對與企業創新密切相關的發明者合作網絡形成機制的關注明顯不足。為彌補現有研究不足，本研究運用ERGM探討行動者屬性和內生結構效應對發明者合作網絡形成的影響，并分析其底層機制。

2 研究設計

2.1 樣本選擇與數據源

本文選取華為專利數據作為實證研究樣本。具體原因如下：一是華為作為我國高科技領域的標桿企業，是全球領先的ICT基礎設施和智能終端提供商。其擁有較長發展歷史、較大規模以及較強技術創新能力，在國內外有一定影響力。選擇華為作為研究對象具有很高的代表性和研究價值，對同類型企業具有較強的借鑒意義。二是華為特別重視企業技術創新，擁有大規模研發人員和大量專利，這為分析發明者合作網絡形成機制提供了良好背景，且與本文研究目的具有很高契合度。具體來講，2022年華為從事研究與開發的人員約11.4萬名，截至2022年底，華為在全球共獲得超過12萬件有效專利，已成為全球最大的專利持有企業之一。專利提供了發明者的詳細信息且容易獲取，基于專利數據構建發明者合作網絡已成為現有研究常用的方法[2，4-5]，華為擁有的專利數據為本研究構建發明者合作網絡提供了良好的樣本來源。此外，目前關于華為專利的研究主要涉及與其它企業的比較以及產學研合作網絡特征和演化等方面（王珊珊等，2018），缺乏對華為內部合作網絡形成機制的深入分析。三是選取單個企業作為研究對象，可以避免行業或企業層面潛在的混淆效應[2，5]。

本研究使用德溫特創新指數數據庫（Derwent Innovations Index，DII）和PatSnap全球專利檢索分析數據庫進行檢索，提取華為在中國申請的發明專利數據，并基于專利號將兩個數據庫中的數據進行匹配和補充，從而降低出錯的概率。2004年以前華為公司申請的專利數量較少，因此，本研究對2004—2021年的專利數據進行提取。專利數據信息包含發明者、專利權人、德溫特主入藏號、施引專利數量、申請和授權日期等。首先，為避免由于發明人身份不唯一（同一個人的專利以不同的首字母和姓名組合出現）帶來的偏差，本研究對發明者的姓名進行匹配和統一。其次，在獲取的申請專利數據信息基礎上剔除個人申請以及與其它企業或高校等合作申請的專利數據。最后，分別構建2004—2021年的發明者合作網絡。

2.2 模型方法

本文采用ERGM對發明者合作網絡形成機制進行實證研究。具體來講，假設節點數量為N的網絡G（N）={V，J}，其中，V={1，2，3，…，n}表示網絡節點的集合，J={i，j：i，j∈V，i≠j}表示節點之間所有可能存在的邊集合。對于觀察網絡G={V，E}，E為觀察網絡的邊，其為J的某一特定子集。假設隨機變量Y為J中的元素，若（i，j）∈E，則yi，j=1，否則yi，j=0，可進一步構建觀察網絡的鄰接矩陣y=［yi，j］。因此，可用pr（Y=y|θ）表示θ條件下，y在Y中出現的概率。ERGM模型的一般形式如下：

其中，κ（θ）是標準化常量，它確保公式（1）滿足合適的概率分布。θT、θTα、θTβ分別為不同類型統計量對應的參數向量，z（y），k=1，2，…，m，代表m個內生結構效應的統計量，zα（y，x），k=1，2，…，l，代表l個行動者屬性變量的統計量，zβ（y，g），k=1，2，…，p，代表p個網絡協變量的統計量。若統計量的參數值為正（負）且顯著，則表明該統計量會提升（抑制）網絡中新合作關系形成的概率。此外，本研究采用馬爾科夫鏈蒙特卡洛極大似然估計法對模型參數進行估計，并通過MCMC診斷和擬合優度檢驗（GOF）評估模型擬合效果。采用赤池信息量（AIC）和貝葉斯信息量（BIC）評價不同模型之間擬合效果的差異，AIC和BIC的數值越小，代表模型的擬合效果越好。

2.3 變量選取

本研究選取的解釋變量具體如下：

（1）內生結構變量。借鑒相關研究[7，13，24]，本文選取典型的網絡結構指標作為內生結構變量，考察發明者合作網絡形成的內生結構效應。其中，邊（Edges）指合作網絡中邊的數量。幾何加權度分布是所有星形結構計數的加權和，能抑制高階星形的影響，在發明者合作網絡中表示發明者與其他發明者建立聯系并形成星型結構的傾向，用Gwdeg表示。幾何加權邊共享伙伴可測度傳遞性效應在網絡形成過程中的作用，在發明者合作網絡中表示發明者與其他多個發明者形成閉合三角形結構且共享邊的傾向，用Gwesp表示。幾何加權二元共享伙伴分布可測度中介效應在網絡形成過程中的作用，在發明者合作網絡中表示發明者之間形成開放三角形結構的傾向，用Gwdsp表示。

（2）行動者屬性變量。借鑒相關研究[13]，本文選擇協同創新能力（Collaborative Innovation Ability，CIA）、合作伙伴多樣性（Partnership Diversity，PD）和合作深度（Depth of Collaboration，DC）3個行動者屬性變量。其中，協同創新能力體現發明者的知識吸收和整合能力，本研究用發明者合作申請專利的數量表征，衡量合作申請專利數量越多的發明者是否擁有更多合作伙伴。合作伙伴多樣性體現發明者社會資本，合作伙伴多樣性程度越高，越有助于發明者獲取多樣性知識，本研究用與發明者存在合作關系的其他發明者數量表征，衡量度中心性高的發明者是否吸引更多合作。合作深度反映發明者與其他發明者的合作次數，合作次數越多越有利于發明者之間建立信任，越有利于后續連接的形成，本研究用發明者與其他發明者連接的平均次數表征，衡量與合作伙伴合作深度越高的發明者是否吸引更多合作。此外，本研究以各行動者屬性變量的均值為標準，將行動者屬性進一步劃分為高低兩種水平，以探究是否處于相同水平合作伙伴多樣性和合作深度的發明者之間更傾向于建立合作關系。以上變量的具體說明如表1所示。

2.4 模型構建

首先，基于R中的Statnet程序包，分別對各年份合作網絡構建4個ERGM。其中，模型1的解釋變量僅包含邊統計項，作為基準模型；模型2在模型1的基礎上考察發明者行動者屬性主效應對發明者合作網絡形成的影響；模型3在模型2的基礎上考察同質性對發明者合作網絡形成的影響；模型4在模型3的基礎上進一步考察內生結構效應對發明者合作網絡形成的影響。具體如下：

3 發明者合作網絡實證分析

3.1 描述性統計分析

基于R中的Igraph程序包，分別對2004—2021年華為發明者合作網絡的相關屬性指標進行統計分析，結果如表2所示。

在整體網絡屬性方面，節點數量指合作網絡中發明者總數量，反映發明者合作網絡規模，結果表明，發明者合作網絡規模整體呈上升趨勢，但會有小幅波動。專利數量指各年度發明者合作申請的專利數量，其與網絡規模具有相同變化趨勢。網絡直徑指巨型組件中任意兩節點之間距離的最大值，結果表明網絡直徑相對較長，處于17～36之間。網絡密度反映網絡節點間聯系的緊密程度，結果表明各年度合作網絡的密度均較小。巨型組件指發明者合作網絡中最大連通子圖的規模，反映發明者合作網絡的連通性，結果表明各年度發明者合作網絡巨型組件占網絡規模的比例相對較低，整體呈先上升后下降再上升的趨勢，且整體平均比例僅為50%，故發明者合作網絡的連通性較差。

在小世界網絡屬性方面，由于發明者合作網絡非全連通圖，因此，給出最大連通子圖的小世界網絡屬性指標。其中，平均路徑長度的結果表明各年度合作網絡中任意兩節點之間需要經過7～14個節點才能建立連接。網絡聚集系數衡量發明者合作伙伴之間的連接程度，反映網絡節點的聚集化程度，結果表明聚集系數相對較小（0.40～0.67），即發明者之間的聚集化程度相對較低。因此，發明者合作網絡不具有小世界網絡屬性特性。

3.2 結果分析

建模過程中發現，包含幾何加權邊共享伙伴（Gwesp）和幾何加權二元共享伙伴（Gwdsp）等高階結構變量的模型均出現了模型退化現象，故模型4僅考察了馬太效應。由于篇幅限制，表3僅給出各年度模型4的結果。此外，單獨對中介效應和傳遞效應進行考察，結果如表4所示。

通過比較同一年度內不同模型的實證結果可知，隨著解釋變量的增加，各年度ERGM的AIC和BIC均不同程度降低，表明模型的擬合效果隨著解釋變量的增加而提升。值得注意的是，僅考察中介效應和傳遞效應的模型具有更低的AIC和BIC，說明內生結構效應對發明者合作網絡的形成具有更重要的影響。此外，解釋變量參數的正（負）反映觀察網絡中對應的模式比隨機網絡中出現得更多（少），在參數顯著的情況下，表現為對發明者合作網絡的形成具有促進或抑制作用。ERGM中邊變量的系數均顯著為負，表明觀察網絡均為稀疏網絡。該變量類似線性回歸模型中的截距項，這里不作解釋。鑒于各年度模型4均具有更好的擬合效果，故依據各年度模型4的實證結果進行討論，具體分析如下。

（1）協同創新能力的系數在各年度模型中均為負且顯著，表明發明者協同創新能力會抑制其新合作關系的形成，即隨著發明者合作申請專利數量的增加，其與其他發明者建立新合作關系的概率會降低。

（2）合作伙伴多樣性和合作深度的系數在各年度模型中均顯著為正，表明發明者合作伙伴多樣性和合作深度的提高會促進其新合作關系的形成，即發明者增加合作伙伴或與合作伙伴的合作關系增加時，其與其他發明者建立新合作關系的概率會提升。

（3）協同創新能力同質性的實證結果具有差異性，其中有6個年份同質性的系數為負且顯著，3個年份的同質性系數為正且顯著，表明協同創新能力同質性對新合作關系形成的影響具有復雜性，可能存在一個最優閾值；合作伙伴多樣性同質性和合作深度同質性的系數均為正且顯著，表明處于相同水平合作伙伴多樣性或合作深度的發明者之間更傾向于建立合作關系。

（4）幾何加權度分布的系數均為正且顯著，表明馬太效應會促進新合作關系的形成，說明合作網絡中的“核心—邊緣”結構明顯，意味著發明者傾向于與處于中心位置的發明者建立合作關系，進而形成星形結構。幾何加權二元共享伙伴的系數均為負且顯著，表明中介效應會抑制新合作關系的形成，說明合作網絡中存在較少結構洞，意味著沒有直接合作的發明者之間不太可能產生間接聯系。幾何加權邊共享伙伴的系數為正且顯著，表明傳遞效應顯著促進新合作關系的形成，說明合作網絡中存在較多的閉合三角形結構，意味著發明者傾向于與具有共同合作伙伴的直接合作伙伴建立新合作關系。

為更直觀地檢驗ERGM的擬合效果，選取度和模型統計量兩類指標對各年度ERGM進行擬合優度檢驗，由于篇幅限制，僅給出2021年發明者合作網絡ERGM（模型4）檢驗結果，如圖1所示。其中，折線代表觀察網絡的統計特征，箱線圖代表模擬網絡的統計特征，折線越靠近箱線圖的中間位置，表明模型擬合效果越好。由圖1可知，折線均處于箱線圖的上下四分位數線之間，且靠近箱線圖的中間位置，因此，該模型較好地反映了觀察網絡的真實網絡結構特征。

4 討論與展望

4.1 研究結論

本研究基于華為2004—2021年專利數據，運用ERGM探討發明者合作網絡形成機制，得到如下主要結論：

（1）發明者合作網絡是稀疏網絡，其形成受到行動者屬性和內生結構效應的共同影響，且內生結構效應對發明者合作網絡形成的貢獻更大。

（2）發明者協同創新能力的提高會降低新合作關系形成的概率。原因在于發明者協同創新能力越強，其合作申請專利的數量越多，意味著發明者需要投入更多精力、時間選擇合適的合作伙伴以及與合作伙伴進行溝通和協調。由于發明者用于創新的資源是有限的，過度參與不同的創新活動會占用發明者大量創新資源并分散注意力，進而降低創新效率。因此，發明者協同創新能力較強時，其建立新合作關系的概率就降低。此外，過度追求合作可能導致焦點發明者被視為機會主義者，并降低發明者之間的信任，進而降低其他發明者與之建立新合作關系的意愿。

（3）發明者合作伙伴多樣性和合作深度均顯著促進新合作關系的形成。原因在于隨著發明者合作伙伴多樣性的增加，發明者將獲取更多知識和信息等資源。因此，處于中心位置的發明者可能是某方面的專家，其他發明者為獲取所需知識等資源也傾向于與之建立合作關系[5]。此外，增加發明者之間的合作深度有助于發明者之間建立更緊密的合作關系，增強彼此間信任，降低知識搜索成本，進而促進創新效率提升以及新合作關系的形成。

（4）具有相同水平合作伙伴多樣性或合作深度的發明者之間更傾向于建立合作關系。原因在于處于相同水平合作伙伴多樣性和合作深度的發明者之間可能具有相似的背景、經歷、認知和理解能力，更容易形成默契和信任，有助于降低發明者之間的溝通與協調成本以及創新風險，進而有助于發明者之間建立新合作關系。然而，本文發現發明者協同創新能力同質性會促進也會抑制新合作關系的形成，這表明協同創新能力同質性對合作網絡形成的影響可能存在一個臨界值。具體來講，協同創新能力同質性可能促使發明者更傾向于選擇具有相同能力水平的個體作為合作伙伴，這有助于提升創新效率并促進合作網絡的形成，然而，當協同創新能力同質性超過某一臨界值時，可能導致關系和知識鎖定，限制發明者獲取新知識和想法的渠道，進而不利于創新和新合作關系的形成[31]。

（5）發明者合作網絡傾向于形成星形結構和閉合三角形結構，但不傾向于形成開放三角形結構。星形結構有利于處于合作網絡邊緣位置的發明者通過與核心位置的發明者建立合作關系而快速獲取創新所需知識等資源，有助于提升企業內部知識轉移效率。閉合三角形結構可為發明者提供更多學習機會以了解如何協作并提高發明者生產力，且有助于發明者間溝通和交流，能有效降低發明者之間知識轉移和協調成本。雖然開放三角形結構（結構洞）有利于降低合作網絡知識冗余，但不利于發明者之間的知識傳遞，且基于開放三角形結構的聯系屬于弱聯系，導致開放三角形結構可能隨著時間的推移而迅速衰減或斷裂[32]。此外，占據結構洞的發明者的知識吸收和整合能力可能有限，且很容易被視為機會主義者[33]，進而會降低發明者之間的信任并阻礙開放三角形結構的形成。

4.2 理論貢獻

（1）本研究運用ERGM對發明者合作網絡形成機制進行實證分析，彌補了現有研究對發明者合作網絡形成問題探討的不足，豐富了發明者合作網絡形成相關文獻。基于動態視角對發明者合作網絡關系形成機制進行探討，并識別出發明者協同創新能力、合作伙伴多樣性、合作深度及其同質性，以及馬太效應、中介效應和傳遞效應對發明者合作網絡形成的差異化影響。

（2）本研究識別出相同因素對不同層面合作網絡形成機制的差異化影響，深化了對于不同層面、不同類型網絡形成機理的理解。有研究指出中介效應在產學研協同創新合作網絡的形成中發揮顯著促進作用[13]，而本研究發現中介效應顯著抑制發明者合作網絡的形成。原因可能在于組織是由眾多發明者構成的復雜系統，相比發明者擁有的有限知識，組織的知識庫包含更多異質性和多樣性知識，擁有較強的知識吸收和整合能力。

4.3 實踐啟示

（1）發明者應積極與新合作伙伴建立合作關系以提升網絡地位，同時要深化現有合作關系，以促進組織內部知識的高效流動和企業創新。管理者在構建企業內部合作網絡時應關注發明者的協同創新能力，避免其因過度追求合作而導致能力不足等負面影響。

（2）創新是成本較高、風險較大的活動，管理者應關注發明者合作伙伴多樣性和合作深度的屬性特征，通過促進相同水平合作伙伴多樣性和合作深度的發明者之間建立合作提高創新效率。然而，管理者應避免由于過度同質性可能造成的知識冗余和鎖定等。

（3）管理者在構建發明者合作網絡時應重視網絡的內生結構效應，如網絡中先前存在的合作關系和網絡結構特征，促進星形結構和閉合三角形結構的形成，進而促進發明者之間知識等資源的轉移、共享和吸收。

4.4 研究局限與未來展望

（1）盡管專利數據常常被用于創新研究，但其不能完全反映創新活動相關內容，例如，與創新相關的很多隱性知識無法在專利中體現[5]。未來研究可基于其它類型的數據（如電子郵件）構建發明者合作網絡。此外，本研究僅選擇華為作為研究對象，實證結果的普適性可能存在一定局限性。未來研究可選取不同行業或企業（如中興）進行對比分析，提高研究結論的可靠性和普適性。

（2）本研究的潛在假設是發明者在構建合作關系時具有完全的自由決策權，然而發明者在構建合作關系時會受到組織中強制分配等多種外界因素的影響，導致不能完全自主選擇。未來研究可進一步厘清發明者合作關系產生的來源，排除正式結構等關系對實證結果造成的潛在影響。

（3）本研究對發明者合作網絡形成機制進行了探索，然而，發明者會根據自身需求自主選擇新的合作伙伴或終止與現有合作伙伴的關系，使得發明者合作網絡始終處于動態變化中。未來研究可進一步通過時序指數隨機圖模型（TERGM），探討發明者合作網絡的動態演化機制。

參考文獻：

[1]WUCHTY S， JONES B F， UZZI B. The increasing dominance of teams in production of knowledge[J]. Science， 2007， 316（5827）： 1036-1039.

[2]LIN R H， LU Y H， ZHOU C， et al. Rethinking individual technological innovation： cooperation network stability and the contingent effect of knowledge network attributes[J]. Journal of Business Research， 2022， 144（5）： 366-376.

[3]SCHILLEBEECKX S J D， LIN Y， GEORGE G， et al. Knowledge recombination and inventor networks： the asymmetric effects of embeddedness on knowledge reuse and impact[J]. Journal of Management， 2021， 47（4）： 838-866.

[4]KHANNA R， GULER I. Degree assortativity in collaboration networks and invention performance[J]. Strategic Management Journal， 2022， 43（7）： 1402-1430.

[5]WANG C， RODAN S， FRUIN M， et al. Knowledge networks， collaboration networks， and exploratory innovation[J]. Academy of Management Journal，2014， 57（2）： 484-514.

[6]JACOBSEN D H， STEA D， SODA G. Intra-organizational network dynamics： past progress， current challenges， and new frontiers[J]. Academy of Management Annals， 2022， 16（2）： 853-897.

[7]LUSHER D， KOSKINEN J， ROBINS G. Exponential random graph models for social networks： theory， methods and applications[M]. New York： Cambridge University Press， 2013.

[8]DAHLANDER L， MCFARLAND D A. Ties that last： tie formation and persistence in research collaborations over time[J]. Administrative Science Quarterly， 2013， 58（1）： 69-110.

[9]GU W W， LUO J D， LIU J F. Exploring small-world network with an elite-clique： bringing embeddedness theory into the dynamic evolution of a venture capital network[J]. Social Networks， 2019， 57（1）： 70-81.

[10]劉林青， 陳紫若， 田畢飛. 結構依賴如何影響貿易網絡形成及演化： 以“一帶一路”為例[J]. 世界經濟研究， 2020， 39（6）： 106-120，137.

[11]翟莉， 梁倩， 姚佳佳. 高校導師合作網絡演化及形成機制研究——基于指數隨機圖模型[J]. 情報科學， 2023， 41（2）： 20-28.

[12]劉璇， 汪林威， 李嘉， 等. 科研合作網絡形成機理——基于隨機指數圖模型的分析[J]. 系統管理學報， 2019， 28（3）： 520-527.

[13]郭建杰， 謝富紀. 基于ERGM的協同創新網絡形成影響因素實證研究[J]. 管理學報， 2021， 18（1）： 91-98.

[14]BAUM J A C， COWAN R， JONARD N. Network-independent partner selection and the evolution of innovation networks[J]. Management Science， 2010， 56（11）： 2094-2110.

[15]CAO J Y， SMITH E B. Why do high-status people have larger social networks？ belief in status-quality coupling as a driver of network-broadening behavior and social network size[J]. Organization Science， 2020， 32（1）： 1-22.

[16]VISSA B. A matching theory of entrepreneurs' tie formation intentions and initiation of economic exchange[J]. Academy of Management Journal， 2011， 54（1）： 137-158.

[17]WHITTINGTON K B.A tie is a tie？ gender and network positioning in life science inventor collaboration[J]. Research Policy， 2018， 47（2）： 511-526.

[18]BRENNECKE J. Dissonant ties in intraorganizational networks： why individuals seek problem-solving assistance from difficult colleagues[J]. Academy of Management Journal， 2020， 63（3）： 1-77.

[19]MCPHERSON M， COOK S. Birds of a feather： homophily in social networks[J]. Annual Review of Sociology， 2001， 27（1）： 415-444.

[20]FUHSE J A，GONDAL N.Networks from culture： mechanisms of tie-formation follow institutionalized rules in social fields[J/OL]. Social Networks，1-12[2021-12-05]. https：//doi.org/10.1016/j.socnet.2021.12.005.

[21]蘇屹， 郭家興， 王文靜. 多維鄰近性下新能源合作創新網絡演化研究[J]. 科研管理， 2021， 42（8）： 67-74.

[22]顧偉男， 劉慧， 王亮. “一帶一路”沿線國家科研合作網絡的多元結構及形成機制[J]. 地理研究， 2020， 39（5）： 1070-1087.

[23]BRENNECKE J， RANK O. The firm's knowledge network and the transfer of advice among corporate inventors：a multilevel network study[J]. Research Policy， 2017， 46（4）： 768-783.

[24]KIM J Y， HOWARD M， PAHNKE E C， et al. Understanding network formation in strategy research： exponential random graph models[J]. Strategic Management Journal， 2016， 37（1）： 22-44.

[25]STERN I， DUKERICH J M， ZAJAC E. Unmixed signals： how reputation and status affect alliance formation[J]. Strategic Management Journal， 2014， 35（4）： 512-531.

[26]馬永紅， 楊曉萌， 孔令凱. 關鍵共性技術合作網絡演化機制研究——以醫藥產業為例[J]. 科技進步與對策， 2021， 38（8）： 60-69.

[27]段慶鋒， 馬丹丹. 基于指數隨機圖模型的專利技術擴散機制實證研究[J]. 科技進步與對策， 2018， 35（22）： 23-29.

[28]王海花， 孫芹， 郭建杰， 等. 長三角城市群協同創新網絡演化動力研究：基于指數隨機圖模型[J]. 科技進步與對策， 2021， 38（14）： 45-53.

[29]戴靚， 劉承良， 王嵩， 等. 長三角城市科研合作的鄰近性與自組織性[J]. 地理研究， 2022， 41（9）： 2499-2515.

[30]唐曉彬， 崔茂生. “一帶一路”貨物貿易網絡結構動態變化及其影響機制[J]. 財經研究， 2020， 46（7）： 138-153.

[31]ERTUG G， BRENNECKE J， KOVACS B， et al. What does homophily do？ a review of the consequences of homophily[J]. Academy of Management Annals， 2022， 16（1）： 38-69.

[32]SODA G， ZAHEER A， SUN X， et al. Brokerage evolution in innovation contexts： formal structure， network neighborhoods and knowledge[J]. Research Policy， 2021， 50（10）： 1-16.

[33]孫笑明， 鄭曉宇， 王巍， 等. 技術并購中主并企業關鍵研發者合作網絡變化對其創造力的影響[J]. 管理工程學報， 2021， 35（6）： 35-47.

（責任編輯：萬賢賢）

The Formation Mechanism of Inventors′ Collaboration Network Based on Exponential Random Graph Model

Lin Runhui ， Ji Ze1

（1.Business School， Nankai University；2.China Academy of Corporate Governance， Nankai University， Tianjin 300071，China）

Abstract：Against the backdrop of anti-globalization， the threat of external technology blockades and sanctions continues to strengthen， and technological innovation has become the focus in the international community. Many firms are striving to acquire knowledge and information resources through their collaboration networks， which can affect firms′ innovation. Furthermore， research on innovation and social network has shown that collaboration is increasingly pervasive and has become an important source of innovation outcomes. Specifically， existing research has extensively explored how the structural characters of inventors′ collaboration networks （e.g.， structural holes and centrality） affect the innovation performance of firms or inventors， but little is known about which factors affect the formation of inventors′ collaboration networks. Therefore， this study aims to explore whether and how different factors influence the formation of inventors′ collaboration network.

In fact， the formation of collaboration networks is influenced by multiple types of factors， such as the attribute characteristics of actors， exogenous environmental factors and endogenous structural effects of the network. For example， individuals tend to establish partnerships with individuals with similar characteristics or between individuals in the same sector. Additionally， the existing partnerships may also influence the formation of new partnerships. However， traditional regression models assume that the formation of relationships between two actors is independent of other relationships， which leads to the inability of traditional modeling approaches to effectively assess the endogenous structural effects of network formation. Therefore， the exponential random graph model （ERGM） is used to empirically explore the influence mechanism of exogenous node attributes and endogenous structural effects on the formation of inventors′ collaboration networks.

As one of the largest patent-holding firms in the world， Huawei has established a large-scale inventor collaboration network， and has applied for and obtained a large number of patents. The technological innovation capability of Huawei has been significantly improved， and it has achieved the leading position in information and communication technology in the world. Therefore， Huawei is a highly representative research object， and there could be great reference significance for similar firms. Furthermore， the study uses the Derwent Innovations Index （DII） and PatSnap to collect the patent data applied by Huawei in China. Since Huawei applied for fewer patents before 2004， its patent data from 2004 to 2021 is selected for the construction of inventors′ collaboration network.

The results show that the inventors′ collaboration network is a typical sparse network with the coexistence of star structure and the closed triangle structure， and its formation is affected by both exogenous node attributes and endogenous structural effects; the collaborative innovation capability of inventors inhibits the formation of inventors′ collaboration networks; however， both the diversity and depth of collaboration of inventors promote the formation of inventors′ collaboration networks， and their homophily significantly promotes the formation of inventors′ collaboration networks， which means that inventors with the same level of partner diversity or depth of collaboration are easier to establish partnerships. Meanwhile， the preferential attachment effect and transitive effect significantly promote the formation of inventors′ collaboration networks， which means that inventors tend to establish collaboration relationships with central inventors and new partnerships with direct partners with common partners. However， the mediating effect is not conducive to the formation of inventors′ collaboration networks， which means that it is difficult to establish partnerships with indirectly connected inventors.

In summary， this study uses the ERGM to empirically analyze the formation mechanism of inventors′ collaboration networks， which enriches the literature related to the formation of individual-level collaboration networks. Moreover， it identifies the different effects of the same factors on the formation mechanisms of collaboration networks at different levels， which deepens the understanding of the formation mechanisms of different types of networks at different levels. Additionally， this study has important implications for managers looking to build a collaboration network with an ideal structure. For example， managers should pay attention to the pre-existing partnerships and network structure characteristics when constructing collaboration networks， and promote the formation of star and closed triangle structures， which in turn shall facilitate the transfer， sharing and absorption of knowledge and other resources among inventors.

Key Words：Inventors′ Collaboration Network; Exponential Random Graph Model; Endogenous Structural Effects; Formation Mechanism of Network

收稿日期：2023-03-05 修回日期：2023-06-11

基金項目：國家自然科學基金面上項目（72272083；71772096）

作者簡介：林潤輝（1972—），男，河北邢臺人，博士，南開大學商學院副院長、教授、博士生導師，研究方向為網絡治理與創新、跨國公司治理、信息安全治理；季澤（1992—），男，河南駐馬店人，南開大學商學院博士研究生，研究方向為網絡治理與創新。本文通訊作者：季澤。