演化視角下專利合作網絡對我國專精特新企業創新績效的影響

摘"要：創新是引領發展的第一動力。文章以2019—2022年我國專精特新醫藥企業專利合作數據為樣本，利用企業與相關機構、高校的專利合作構建企業創新網絡，采用回歸分析、穩健性檢驗等方法，探討專利合作網絡結構與企業創新績效的關系，并運用中介效應檢驗法探究中介變量創新資源獲取在二者關系中的作用機制。研究發現，專利合作網絡度數中心度顯著正向提升企業創新績效；進一步地，專利合作網絡度數中心度分別顯著正向影響創新資源獲取，而創新資源獲取在這一過程中具有中介效應。該結論豐富了創新網絡對創新績效的影響研究，拓展了創新績效提升的理論基礎，為專精特新企業優化創新提供策略，為專精特新企業高質量發展和我國制造業可持續發展提供借鑒與啟示。

關鍵詞：專利合作網絡；創新資源；創新績效；專精特新企業

中圖分類號：F276.44文獻標識碼：A文章編號：1005-6432（2025）03-0073-09

DOI：10.13939/j.cnki.zgsc.2025.03.018

1"研究背景

1.1"問題提出

2022年政府工作報告中提到了專精特新企業。在2022年明確提出"“著力培育專精特新企業，在資金、人才、孵化平臺搭建等方面給予大力支持”[1]。

制造業是國家可持續發展的基石，專精特新企業是其強大動力。為加速產業鏈高質量建設與發展，從根本上增強中國經濟的韌性，提升專精特新企業的發展質量勢在必行。專精特新企業的靈魂是創新，構建專利合作網絡對探究創新績效的有效提升方法與路徑具有重要作用。

當前的研究主要集中在專利合作網絡與創新績效的直接關聯，然而，創新資源獲取作為連接這兩者的潛在橋梁，其具體中介作用機制尚未得到詳盡的研究。特別是針對專精特新企業的創新績效進行深入探討尤為重要，此類企業在當前經濟環境中扮演重要的角色，但相關的研究相對不足。因此，這一獨特且富有潛力的研究對象值得進一步挖掘探討。

因此，文章基于專精特新企業專利合作網絡與創新績效間的重要關系，以2019—2022年我國A股專精特新企業為樣本，構建專利合作網絡。以企業自我中心網絡的中心度指標度量專利合作網絡結構特征，以企業的公開專利被引用次數大于1的專利數量作為企業創新績效的度量，以創新資源獲取作為中介變量，運用回歸分析與中介效應檢驗等方法，探究專利合作網絡對企業創新績效的影響效應，并針對創新資源獲取在專利合作網絡對企業創新績效影響過程中的作用機制進行探討。基于分析結果，提出提升專精特新企業創新績效的對策與建議，為企業高質高速發展提供借鑒與啟示。

在深入探討專精特新企業創新活動時，文章的邊際貢獻體現在：第一，文章立足于專精特新企業的獨特視角，在理論上分析專利合作網絡對其創新績效的影響機制。既為理解專利合作網絡對專精特新企業創新績效的影響提供了新切入點，還為相關學者和決策者提供了更為全面深入的參考。第二，在研究方法和指標測度方面，文章利用軟件Ucinet計算結構洞的相關指標，并結合企業度數中心度的手工整理，選取了與模型高度匹配的度數中心度指標來衡量專利合作網絡的特征。這一方法既保證了數據的準確性，又從微觀層面精確捕捉了各專精特新企業專利合作網絡狀況。此外，文章還通過手工檢索方式，篩選出被引次數超一次的專利數，并以此作為衡量創新績效的指標，進一步提升了研究的精確性。第三，在實證分析方面，文章不僅采用了傳統的線性回歸模型，還引入了雙重機器學習（DML）模型，這有效減少了函數形式誤設偏誤，提供了更為穩健可靠的估計結果。此外，文章還進一步探討了異質性企業規模對模型的調節作用，為理解不同環境下專精特新企業的創新行為提供了重要參考。

綜上所述，文章在理論構建、指標測度、研究方法以及實證分析等方面均展現了顯著的邊際貢獻。通過深入剖析專精特新企業專利合作網絡與創新績效的關系，文章不僅豐富了相關領域的研究內容，也為實踐提供了有益的指導。

1.2"文獻綜述

學術界廣泛研究了創新網絡結構特征對企業創新績效的影響。高展軍和李垣（2006）的研究發現，企業在網絡中的強聯結促進漸進創新，中心度高的企業在創新方面更具優勢[2]。其格其等（2016）、鄭素麗等（2021）進一步指出，合作網絡的聚簇系數和可達性對創新績效具有顯著的正向影響[3-4]。

李晨蕾等（2017）的研究則揭示了網絡結構中的結構洞對企業創新績效的負向作用，而網絡緊密程度則與創新績效呈正向關系[5]。緊密的網絡結構有利于企業間的深度合作和知識共享，進而提升創新績效。孔曉丹和張丹（2019）的研究則細化了網絡結構對創新績效的影響機制，他們發現中心度正向調節知識流動和創新績效之間的關系[6]，而結構洞則呈現出倒U形的影響。以上研究均表明適度的結構洞能夠為企業帶來創新優勢，但過多的結構洞則會增加企業的信息篩選成本，降低創新效率。

另外，專利合作也是影響企業創新績效的重要因素之一。張曉月和雷楠楠（2023）的研究發現，企業專利合作網絡的規模、關系頻率和結構洞均對不連續創新績效有顯著正向影響[7]。祝建輝和寧昊天（2023）的研究進一步證明了在企業專利合作網絡中，度數中心度和結構洞對專利質量具有正向促進作用[8]。

網絡結構和專利合作都是影響企業創新績效的重要因素，研究進一步探討網絡結構與專利合作之間的交互作用，以及不同行業、不同規模的企業在網絡結構和專利合作方面的差異如何影響創新績效，以全面理解企業創新績效的形成機制。

第一，現有研究多關注網絡結構或專利合作對創新績效的影響，但鮮少結合二者。如郭韜等（2017）指出，創新網絡知識轉移正向影響創新績效[9]；章丹和胡祖光（2013）發現，網絡結構洞有利于探索式創新[10]。文章將專利合作網絡與創新資源獲取結合，深化了創新網絡與專利的聯系。將企業間專利合作網絡作為自變量，將創新資源獲取作為中介變量，由于自我中心網絡各指標因素改變，影響創新資源的獲取情況，進而對企業創新績效產生顯著影響，深化了企業創新網絡與專利的聯系。

第二，雖有文獻探討其他中介變量對創新網絡與創新績效的影響，但鮮少將創新資源中資金與知識獲取作為中介變量。文章豐富了專利在創新網絡環境下對創新績效的影響，為專精特新企業提供理論基礎。

第三，創新資源獲取作為中介變量時，其他變量也可能影響創新績效，但鮮有文獻分析這些變量與專利的交互作用。文章引入企業規模、年齡等因素作為控制變量，分析其在專利與創新績效關系中的調節機制。

綜上所述，關于專精特新企業專利合作網絡影響企業創新績效的作用機制以及該機制的適用范圍存在著一定的探討空間。在當前背景下，這些企業的創新績效對提升制造業和經濟發展至關重要。因此，文章嘗試從專精特新企業的視角，深入探討其專利合作網絡對企業創新績效的具體影響機制，并量化分析不同環境規制下的適用范圍和效果。這不僅是對現有研究的一種補充和拓展，也為理解和指導專精特新企業的創新發展提供了新的視角和方法。

2"理論分析與研究假設

2.1"專利合作網絡與專精特新企業創新績效

文章從微觀視角，以企業為網絡節點探究專利合作網絡特征對企業創新績效的影響，選取了度數中心度這一重要衡量指標進行研究。

中心度指的是一個節點在網絡中處于核心地位的程度，而度數中心度反映了節點企業在專利合作網絡中有專利合作關系的企業數量。度數中心度的值越大，表明以該企業為中心的邊越多，向周圍其他企業獲取資源、合作創新與協同提升的能力也更強。企業通過眾多的合作獲得了良好的科技發展環境與合作信譽基礎，在網絡中也向其他組織傳播了企業的信息，使得企業成為其他企業合作時的首選目標，擁有牢固的信譽基石，降低了企業合作危機的概率[11]。度數中心度越高，企業通過網絡獲取創新資源的渠道越多，創新能力越強，進而更利于提升企業的創新績效。由此提出以下假設：

H1"：在其他條件不變的情況下，度數中心度與企業創新績效之間呈正相關關系。

2.2"專利合作網絡與創新資源獲取

專利合作網絡中企業占據核心地位的程度越高、度數中心度越大，企業獲取的外部資源越多、獲取范圍越大，利于其進一步進行企業間合作技術創新、專利申請，為創新資源獲取提供內部能力支持，提升創新資源獲取的獲取量。其中，知識作為企業創新能力培養與建設和提升創新績效與競爭優勢的關鍵資源受到廣泛關注和研究。對于以技術為基礎的專精特新企業而言，知識的重要性不言而喻，企業只有通過不斷吸收新知識，把新知識轉化為自身發展的推動力，持續創新，才有新的創新產出，進而提升創新績效，形成從資源積累到技術積累進而到財富積累的飛躍。而企業進行技術創新，擁有足夠的資金支持是必要的，充足的資金投入是支持企業持續創新的必要條件之一。

綜上所述，度數中心度越高，與其他企業、機構和高校構建的合作關系越多，越能拓寬企業知識獲取與資金獲取的渠道。由此提出以下假設：

H2a"：在其他條件不變的情況下，度數中心度與知識獲取之間呈正相關關系。

H2b"：在其他條件不變的情況下，度數中心度與資金獲取之間呈正相關關系。

2.3"創新資源獲取與專精特新企業創新績效

2.3.1"知識獲取對專精特新企業創新績效的影響

知識指人們在改造世界的實踐中所獲得的認識和經驗的總和。知識是企業獲得持續競爭力與提升經濟效益的重要來源和寶貴財富，知識的獲取備受重視。知識創造財富，財富的創造不僅依賴于企業對各生產要素的占有，更源于企業知識與經驗的豐富程度。對以技術為創新驅動力的專精特新企業而言，知識是非常重要的：高技術企業要不斷創造和開發知識，就需要不斷補充新知識[12]。

專精特新企業現階段需要不斷補充新知識，以提高其核心競爭力，適應復雜多變的市場需求，因此，提升企業的創新能力尤為重要。而且創新能力的提升源于多個方面，但本質源于企業的生產和對新技術與知識的利用。

企業技術創新活動旨在推動企業持續發展和增強市場競爭力，知識在其中起到不可替代的作用。知識與知識獲取是專精特新企業提升創新績效的關鍵因素，不斷從外界獲取知識，增加企業可利用的知識，利于提升利用新知識開發新技術的概率，從而利于企業的技術創新產出，提升企業的技術創新績效。知識獲取在企業創新績效的提升中越發重要。

綜上所述，知識獲取有助于專精特新企業提升其創新績效。由此提出以下假設：

H3a"：在其他條件不變的情況下，知識獲取與企業創新績效之間呈正相關關系。

2.3.2"資金獲取對專精特新企業創新績效的影響

足夠的資金支持是專精特新企業創新活動的必需品，沒有資金企業的技術創新活動的開展乃至財富的創造將是無米之炊。有研究表明，技術創新的投資率不低于4%的企業，都有明顯的高增長率；投資率在3%～4%的企業，其長期增長率80%的時間里不低于美國國民生產總值增長率的一半；而投資率低于2%的大企業的增長率則明顯低于同期美國國民生產總值的增長率[13]。因此，專精特新企業的創新活動必須依賴一定的資金支持。

相應地，很多研究證實資金缺乏是阻礙企業創新活動的一個關鍵因素。創新資金與資金獲取的缺乏將導致企業設備、人才等基本生產要素不足，影響企業生產等重要創新過程，進而阻礙企業對知識、技術等創新資源的開發，阻礙異質性資源轉化為企業可利用資源的過程，企業技術創新過程放緩，企業創新產出減少，嚴重影響企業創新績效的提升。

綜上所述，資金獲取有助于專精特新企業提升其創新績效。由此提出以下假設：

H3b"：在其他條件不變的情況下，資金獲取與企業創新績效之間呈正相關關系。

文章的理論機理如圖1所示。

圖1"文章理論機理

3"研究設計

3.1"模型設定

3.1.1"線性回歸模型

根據前文的機制和理論分析，為探究專精特新企業創新績效、專利合作網絡結構特征、創新資源獲取三者間的關系，設定如下基準模型：

patenit=α0+β1decenit+β2rdit+β3funacit+θ∑X+εit（1）

rdit=η0+η1decenit+k∑X+ξit（2）

funacit=γ0+δ1decenit+u∑X+φit（3）

其中，下標i、t分別為A股專精特新醫藥行業企業和年份；α0、η0、γ0為常數項；paten為被解釋變量專精特新企業創新績效；decen為核心解釋變量專利合作網絡節點度數中心度；rd、funac分別為中介變量知識獲取和資金獲取；∑X為企業層面的控制變量集合；εit、ξit、φit為隨機誤差項。模型（1）（2）（3）分別用于分析專利合作網絡結構、創新資源獲取對專精特新企業創新績效的影響效應和作用機制。

3.1.2"雙重機器學習模型

由于傳統線性回歸模型存在不足，文章借鑒切爾諾茹科夫等（2018）提出的雙重機器學習模型進行深入分析[14]。關于雙重機器學習模型（DML）的優點，一方面，相較傳統線性回歸模型，該模型通過兩階段的機器學習方法來減少估計中的偏差，第一階段估計處理變量和控制變量的關系，第二階段利用估計的結果構建正交化的處理變量并進一步估計，該模型不依賴于對未知函數的具體形式做出嚴格假設，比傳統線性模型更加靈活。另一方面，相比于傳統的機器學習方法，該模型通過引入殘差建模的思想，消除偏差，使得在處理混雜變量和選擇偏差時更為穩健。因此，文章借鑒呂祥偉和張莉娜（2024）的構建方法構建如下模型[15]：

paten=decenitμ0+g0（X）+U，E［X，decenit］=0decenit=d0（X）+v，E（v|X）=0（4）

paten=g0（decenit，X）+U，E［U|X，decenit］=0decenit=d0（X）+v，E（v|X）=0（5）

其中，模型（4）為部分線性模型，在控制Ｘ的基礎上估計μ0。paten為被解釋變量專精特新企業創新績效，decenit為處理變量專利合作網絡度數中心度，文章關注的是μ0，μ0為影響專精特新企業創新績效的因果處理效應，利用機器學習方法估計得到。模型（5）為交互模型，放松了Ｘ和decenit線性可分離的假設，同時假定處理效應是完全異質的，因此該模型比部分線性模型得到更廣泛的應用。

3.2"樣本選擇與數據來源

文章選取2019—2022年A股89家專精特新醫藥企業面板數據為樣本，以其與其合作的機構、高校為節點，專利合作為邊，將2019—2022年的企業專利合作關系劃分為4個階段，在每個階段內，利用企業間的共同專利權人關系（文章以授權時間在相應年限內為依據）構建專利合作網絡（邊的粗細代表合作數），探究網絡結構對其中的專精特新企業創新績效的影響，引入中介變量創新資源獲取（知識獲取與資金獲取）探究其在二者影響中的作用機制。

文章分別從國家知識產權局與智慧芽（PatSnap）全球專利數據庫獲取樣本醫藥企業2019—2022年專利相關數據，依據已有研究計算節點企業度數中心度，并以專利公開的相關信息為研究指標，根據專利被引用次數大于1的數量度量企業創新績效。然后，在國泰安CSMAR數據庫導入89家醫藥行業專精特新企業，獲取其2019—2022年收到的其他與投資有關活動的現金，來度量企業資金獲取能力；獲取其2019—2022年的研發投入金額和資本化研發投入（支出）占研發投入的比例來度量企業的知識獲取能力。接著，在同花順軟件中，分別查詢并獲取到了89家醫藥行業專精特新的企業規模和年齡，將其作為企業的控制變量數據來源。

文章運用Ucinet軟件畫出并分析了2019—2022年A專精特新醫藥企業專利合作網絡。

3.3"變量測量

3.3.1"因變量

因變量為企業創新績效。在測度企業創新產出時，可以衡量企業創新產出的數量與質量，為確保樣本數據的數量充足，文章使用企業創新產出的質量衡量企業創新績效，即企業每年公開專利中被引用次數大于1的專利數量（patenit）：即節點企業i在t年的公開專利中被引用次數大于1的專利數量。

3.3.2"自變量

自變量為度數中心度。專利合作網絡中一個節點的度數指與其相連的邊的數量。度數中心度指一個節點的度數與網絡中可能的最大度數之比。度數中心度高的節點在網絡中擁有更多的直接聯系，因此在網絡中影響力更大。由于不同合作網絡規模下的度數中心度不具有可比性，參考李明星等（2020）的做法，選用標準化后的度數中心度，即相對度數中心度來測量[16]。記deceni為標準化后的度數中心度。

deceni=emr－1（6）

式中：i表示節點企業；m表示專利合作網絡中的節點；em為節點m在專利合作網絡中同其他節點存在的連接關系數量，即節點的度數；r為專利合作網絡中的節點總數。

3.3.3"中介變量

中介變量為企業創新資源獲取。文章借鑒了李靖華和黃繼生（2023）在測度企業的創新資源獲取能力時，可以將其分解為企業的資金獲取能力和企業的知識獲取能力[17]。文章借鑒張司飛和陳勇岐（2024），使用了企業年報中收到的其他與投資活動有關的現金（funac）來衡量其資金獲取能力，研發投入金額（rd）來度量企業的知識獲取能力[18]。

3.3.4"控制變量

（1）企業規模。文章中企業規模選取同花順中上市公司企業規模。企業自身積累的創新資源和創新能力受企業規模影響，企業規模越大，與網絡中其他企業建立的關系越多，建立聯系的企業數就越多，聯系范圍越廣，越利于企業進行技術創新。因此，企業規模可以影響專精特新企業的核心競爭力，進而影響企業的創新績效，故以企業規模作為控制變量可以較好地衡量專精特新企業在專利合作網絡中的潛在實力。因此，對企業規模加以控制。文章用insizeit表示企業規模這一控制變量，其中，i表示專利合作網絡中的節點企業，t表示年份。

（2）企業年齡。文章的企業年齡指企業的自然年齡，即企業自誕生之日起所經歷的時間。企業自身積累的創新資源受企業年齡影響，企業年齡越大，存活時間越長，與網絡中其他企業建立的關系越穩固，建立聯系的企業數越多，越利于企業開展技術創新活動。因此，企業年齡可以影響專精特新企業的核心競爭力，進而影響企業的創新績效，故以企業年齡作為控制變量可以較好地衡量專精特新企業在網絡中的創新能力。因此，對企業年齡加以控制：文章以當前年份減去企業成立的年份表示企業年齡。用inageit表示企業年齡這一控制變量。

4"實證結果及分析

4.1"基準回歸結果及分析

變量的描述性分析結果如表1所示。可見，不同的企業的專利質量數據存在很大的差異，專利水平較高的只占少數。

文章用Stata軟件建立線性回歸模型，結果如表2所示。表2反映了我國A股上市的89家醫藥行業專精特新企業的度數中心度、企業規模、企業年齡對企業創新績效的回歸結果。其中，企業創新績效為因變量，度數中心度為自變量，企業規模、企業年齡為控制變量。在第一行中，度數中心度的系數為正，且回歸結果在0.1的水平上顯著，表明度數中心度越大，專精特新企業創新績效越高，H1假設成立。在第二行中，企業年齡的系數為負，且回歸結果在0.05的水平上顯著，表明企業年齡越小，專精特新企業創新績效越高。

4.2"穩健性檢驗

文章主要采用如下方式進行檢驗：

一是重新測度核心解釋變量。對于核心解釋變量，通過梳理文獻發現，現有研究也有用絕對度數中心度替代相對中心度來進行衡量的，因此，文章借鑒吳慧和顧曉敏（2017）的做法進行分析[19]。具體結果如表3所示，從中可發現，絕對度數中心度的估計系數顯著為正，表明絕對度數中心度對創新績效具有正向影響，進一步驗證前文結論的穩健性。

二是進行Hausman檢驗。考慮到模型可能存在內生性偏誤對估計結果的影響，文章對回歸結果進行了Hausman檢驗。"具體結果如表4所示，從中可發現，顯著性水平大于0.05，即不存在內生性問題，企業相對度數中心度仍然對創新績效產生正向影響。

4.3"中介效應檢驗

中介效應檢驗的目的是驗證某個變量（稱為中介變量）在兩個其他變量之間的作用機制。文章參考溫忠麟等（2004）的研究，采取依次檢驗法來檢驗企業創新資源的中介效應[20]。

在依次檢驗法的第一步中，檢驗自變量對因變量的影響。在表2第一行中，度數中心度的系數為正，且p值在0.1的水平上顯著，表明度數中心度越大，專精特新企業創新績效越高，H1假設成立。在第二行中，企業年齡的系數為負，且p值在0.05的水平上顯著，表明企業年齡越小，專精特新企業創新績效越高。

表5是多元線性回歸結果，用來分析自變量對中介變量的回歸結果，以及加入中介變量的自變量對因變量的分析。

在第一列中，度數中心度的p值在0.05的水平上是顯著的，且系數為正，說明度數中心度能夠對資金獲取產生正向影響。企業年齡和企業規模的p值并不顯著，說明企業年齡和企業規模并不能對資金獲取產生影響，H2a假設成立。

在第二列中，度數中心度的p值并不顯著，說明度數中心度對知識獲取能力產生的影響有限，H2b假設不成立，這與文章的假設和已知研究結果相反。而企業規模的p值在0.01的水平上是顯著的，且系數為正，說明企業規模能夠對知識獲取產生正向影響。度數中心度和企業年齡的p值并不顯著，說明度數中心度和企業年齡并不能對資金的獲取產生影響。

在第三列中，度數中心度對知識獲取產生正向影響，但是，中介變量的檢驗并不顯著，這與文章所做出的假設H3a，H3b相反。根據李靖華等（2017）的研究，知識獲取、資金獲取能夠起到中介作用，并且結合表2的回歸結果，可知度數中心度能夠對企業創新績效產生直接的正向影響，說明度數中心度對企業創新績效存在部分中介效應。

文章中，H2b、H3a、H3b的檢驗成果均與已知結論相悖。參考張曉月等（2023）的研究，文章對未達到預期的檢驗成果作出總結。首先，樣本只局限于醫藥行業，范圍過小，導致樣本的數量過小。其次，選取的時間跨度過小，導致數據收集不夠完整。最后，創新主體只局限于上市企業，而未能考慮其他類型的創新主體。

4.4""異質性分析

上述分析控制了企業規模的異質性特征產生的影響，然而考慮到企業間的創新資源稟賦等重要因素可能產生的異質性影響，接下來進一步采用分樣本回歸等方式探討不同企業規模下企業專利合作網絡對創新績效的異質性。具體而言，根據企業規模按其市值大小進行劃分，為確保每一類型中的樣本數量，分為企業市值44.39億元及以上的大規模企業和市值44.39億元以下的小規模企業。具體結果如表6所示。

從表6第一列小規模企業和表6第二列大規模企業分組回歸結果可知，在小規模企業和大規模企業中，企業專利合作網絡對創新績效均會產生正向影響，但邊際效應存在較明顯差異。相比于小規模企業，企業專利合作網絡對創新績效的促進作用在大規模企業中更強。一種可能的原因是，大規模企業的專利合作網絡更加完善，企業間專利合作質量更高，在一定程度上能夠更加促進創新績效的提高。

4.5"機器學習模型的預測及準確率評估

機器學習模型的優點不言而喻。在自動化決策方面，機器學習模型可以自動化決策過程，減少人工干預，提高效率；能夠處理和分析大量復雜的數據集，發現其中的模式和趨勢；通過訓練，機器學習模型可以預測未來事件；能夠適應新的數據，隨著時間的推移不斷優化其性能；能夠發現數據中不明顯的關聯和因果關系；推動新的研究和商業機會，促進專精特新企業的技術發展及創新。

可以理解為機器學習對數據的預測結果與原始數據相似度為84%左右，機器學習模型的結果預測度較高。

不足之處在于數據量有限，難以預測出更為鮮明、可信度更高的數據。

5"結論與政策建議

5.1"結論

文章基于專精特新企業專利合作網絡與創新績效間的重要關系，以2019—2022年我國A股專精特新企業為樣本，構建專利合作網絡，運用回歸分析與中介效應檢驗等方法，探究專利合作網絡對創新績效的影響效應，并理清創新資源獲取在專利合作網絡對企業創新績效影響過程中的機制作用。具體而言，首先，文章從理論上分析了專利合作網絡結構特征對企業創新績效和創新資源獲取的影響[21]，明確了專利合作網絡對企業創新績效影響的作用渠道；其次，利用Ucinet軟件計算度數中心度等相關指標，并作出專利合作網絡圖；再次，采用傳統的線性回歸與雙重機器學習方法構建模型，并運用回歸分析與穩健性檢驗等方法探究專利合作網絡結構特征對專精特新企業創新績效的影響；此外，運用中介效應探究中介變量在此影響中的調節機制；最后，文章還進一步探討了企業規模在其中的調節作用，揭示了該模型更加適用的企業規模條件，以及異質性企業規模對模型的調節作用，為理解不同環境下專精特新企業的創新行為提供了重要參考。

文章研究發現：首先，度數中心度的數值越大，企業的創新績效越高；其次，企業的創新資源獲取能力是度數中心度影響企業創新績效的重要渠道，度數中心度能夠影響企業創新資源獲取能力，企業的創新資源獲取能力在度數中心度對企業創新績效的影響中起到中介作用，度數中心度對企業創新績效存在部分中介效應；最后，考慮到企業規模的異質性問題，規模較大的企業專利合作網絡更加完善，專利質量更高，因此更能夠促進企業創新績效的提高。

5.2"政策建議

根據文章結論，結合實際，提出如下政策建議，旨在促進這些企業的持續創新與發展。

第一，加強專利合作網絡的建設。政府應通過政策引導和資金扶持，鼓勵專精特新企業構建專利合作網絡，與高校、科研機構等建立緊密合作關系，提升創新能力，促進技術轉移和成果轉化。

第二，優化我國創新績效評價體系。政府應更新和完善創新績效評價體系，加入專利合作網絡的參與度和成果作為評價標準。

第三，加大對企業創新的支持力度。政府應加大對專精特新企業創新的支持，包括資金、稅收優惠和人才引進。

第四，加強知識產權保護。政府應加強對知識產權的保護力度，建立健全知識產權法律制度和執法機制。提高審查質量和效率，建立協同保護機制，堅持黨中央集中統一領導，實現政府履職盡責、執法部門嚴格監管、司法機關公正司法的協同保護。加強知識產權保護，激發創新活力，支撐高水平技術創新。

第五，加強政策宣傳與培訓。政府可舉辦針對專精特新企業負責人研修班，如浙江省經濟和信息化廳舉辦的研修班，提供系統的課程學習。建立培訓效果評估機制，收集企業反饋，不斷優化培訓內容和方式。

參考文獻：

[1]洪恒飛，江耘.每年1000萬元專項資金"浙江新昌發布“專精特新”行動計劃[N].科技日報，2022-06-01.

[2]高展軍，李垣.戰略網絡結構對企業技術創新的影響研究[J].科學學研究，2006（3）：474-479.

[3]其格其，高霞，曹潔瓊.我國ICT產業產學研合作創新網絡結構對企業創新績效的影響[J].科研管理，2016（增刊1）：110-115.

[4]鄭素麗，魯思嘉，余江，等.信息通信技術產業合作創新網絡的結構、演化路徑與模式特征：基于上市公司的實證分析[J].科技管理研究，2021（4）：16-25.

[5]李晨蕾，柳卸林，朱麗.國際研發聯盟網絡結構對企業創新績效的影響研究——基于社會資本視角[J].科學學與科學技術管理，2017（1）：52-61.

[6]孔曉丹，張丹.創新網絡知識流動對企業創新績效的影響研究——基于網絡嵌入性視角[J].預測，2019（2）：45-51.

[7]張曉月，雷楠楠.專利合作網絡與企業不連續創新績效——基于醫藥制造業的實證分析[J].科技管理研究，2023（1）：125-131.

[8]祝建輝，寧昊天.專利合作網絡結構特征對企業專利質量的影響——以集成電路產業為例[J].科技管理研究，2023（20）：159-166.

[9]郭韜，邢璐，黃瑤.創新網絡知識轉移對企業創新績效的影響——雙元創新的中介作用[J].科技進步與對策，2017（15）：114-119.

[10]章丹，胡祖光.網絡結構洞對企業技術創新活動的影響研究[J].科研管理，2013（6）：34-41.

[11]LI"L"C，"XIE"J"L，"WANG"R"Y，"et"al."The"partner"selection"modes"for"knowledge-based"innovation"networks："a"multiagent"simulation[J].IEEE"Access，"2019（7）：140969-140979.

[12]LANE"P"J，LUBATKIN"M".Relative"absorptive"capacity"and"interorganizational"learning[J].Strategic"management"journal，1998（5）：461-477.

[13]張方華.資源獲取與技術創新績效關系的實證研究[J].科學學研究，2006（4）：635-640.

[14]"CHERNOZHUKOV"V，"CHETVERIKOV"D，"DEMIRER"M，"et"al."Double/debiased"machine"learning"for"treatment"and"structural"parameters[J].The"econometrics"journal，2018（1）：1-68.

[15]呂祥偉，張莉娜.財政縱向失衡對城市綠色全要素生產率的影響——雙重機器學習下來自土地財政視角的理論闡釋[J].經濟與管理研究，2024（4）：56-75.

[16]李明星，蘇佳璐，胡成.產學研合作中企業網絡位置與關系強度對技術創新績效的影響［J］.科技進步與對策，2020（14）：118-124.

[17]李靖華，黃繼生.網絡嵌入、創新合法性與突破性創新的資源獲取[J].科研管理，2017（4）：10-18.

[18]張司飛，陳勇岐.“專精特新”中小企業創新績效提升路徑研究[J]．科學學研究，2024（4）：873-884，896.

[19]吳慧，顧曉敏.產學研合作創新績效的社會網絡分析[J].科學學研究，2017（10）：1578-1586.

[20]溫忠麟，張雷，侯杰泰，等.中介效應檢驗程序及其應用[J].心理學報，2004（5）：614-620.

[21]胡思慧.產學研合作創新網絡特征的測度及其創新效應研究——基于我國醫藥制造業的實證分析[D].杭州：浙江工商大學，2020.