浙江省产学研合作网络形成机理——基于指数随机图模型的分析
发布时间：2021-08-03 23:22
分析产学研合作网络的成因有助于促进产学研合作,提高创新产出的效率.文章以2018年浙江省高校、研究机构和企业的专利数据构建产学研合作网络,使用指数随机图模型对整个网络的成因进行分析.研究结果发现产学研网络是一个小世界网络.最优模型中内生性结构的加权边共享伙伴贡献率提升0.59,加权度分布贡献率提升0.94.外生协变量中地理同配性贡献率提升0.8,产学研类型中高校贡献率提升0.61,研究机构贡献率降低0.31,公司贡献率降低0.22,节点专利数量贡献率提升0.5.
【文章来源】：湖南科技大学学报(自然科学版). 2020,35(04)北大核心
【文章页数】：9 页
【部分图文】：
浙江省2018年产学研网络
构成网络潜在集聚的因素主要是“度(Degree)”“边共享伙伴(ESP)”及“二元组共享伙伴(DSP)”，通过与相同节点和密度的随机网络进行比较，考察观察网络的这些结构特点[14]．产学研网络与具有同样节点和密度的随机网络的度和共享伙伴分布如图2所示．从图2中度、边共享伙伴分布与随机图的比较情况来看，浙江省高校产学研有较好的集聚倾向．其中二元组共享伙伴分布比较单一，说明该结构特征在网络合作中所起的作用不大，如果该结构特征引入到网络的合作测度，有可能引起模型的退化问题[15]．模型退化的原因基于网络聚合的设想，理想的网络聚合是一切边的结合都依赖于其他边的结合，这种边与边的结合是个全图的概念，每种边所依赖的其他边构成全图的一个子集，这导致所有可能的子图都会被考虑成变量，留下了巨大的参数需要被估计．为了节约计算量只能将依赖子图减少到约束水平上，方法是固定几种子图模式，使得不符合这些固定子图的参数设置为0，这极大地减少了运算量，但这样做容易导致模型退化．而克服模型退化的方法是使用高序子图，如边共享伙伴、二元组共享伙伴等[16].网络的结构特点对网络的形成有一定的影响，网络的节点属性也决定着网络的合作倾向．同质性的节点之间更容易形成合作的可能[17]．节点属性连接倾向的描述性分析通过混合矩阵测度．一般地，混合矩阵是对一个分类属性各层次组合形式进行统计，从而检验相互连接的二元组在连接属性上存在的特征[18]．以产学研网络的类型为混合矩阵的识别标志，得到混合矩阵如表2所示．
在测度每个复杂模型的适用性方面，采用的评价指标是AIC值和BIC值．从表5可以看出:每个模型对应的AIC值和BIC值相比上一个模型都在变小．模型1为随机图模型，它的存在是作为判断其他模型是否改进的一个基准．模型2纯粹考虑了网络的内生性结构，发现内生性结构中星型和三角形对网络的形成有自发的组织作用，它们的AIC值和BIC值相对于基准随机图模型的值有所减少．模型3是外生协变量为主的情况下对产学研网络进行拟合，相比于模型2来说，模型3的AIC值和BIC值减少的更多，说明产学研网络节点的属性信息对网络连接所起的作用要比它自身的内生性结构效应所起的作用大．模型4是包含网络内生结构和外生变量的综合模型，它的AIC值从基准模型的7 093减为4 527,BIC值从基准模型的7 102减为4 603,4个模型中它的表现是最好的．以模型4为例，进一步用箱体图来诊断其拟合效果，结果如图3所示．从图3中可以看出:代表模型4中8个自变量的黑色线条基本位于箱体的中线位置附近，说明模型4的拟合效果是符合要求的．
【参考文献】：
期刊论文
[1]科研合作网络形成机理——基于随机指数图模型的分析[J]. 刘璇,汪林威,李嘉,张朋柱. 系统管理学报. 2019(03)
[2]内蒙古产学研合作创新网络结构演化研究[J]. 王建国,王飞,华连连,侯二秀. 科学管理研究. 2018(06)
[3]基于指数随机图模型的专利技术扩散机制实证研究[J]. 段庆锋,马丹丹. 科技进步与对策. 2018(22)
[4]基于指数随机图模型的协同创新网络形成机理研究[J]. 罗泰晔,马翠嫦. 情报理论与实践. 2018(10)
[5]江苏省产学研合作创新网络结构特征及其优化策略[J]. 王璐璐,张卓,刘一新. 科技管理研究. 2018(08)
[6]国内外产学研合作培养创新型人才模式比较分析[J]. 陈恒,初国刚,侯建. 中国科技论坛. 2018(01)
[7]组织学习与模块化嵌入的产学研合作联盟研究——来自家电产业的多案例实证[J]. 王海军,邹日崧,温兴琦. 科技进步与对策. 2017(24)
[8]产学研合作创新绩效的社会网络分析[J]. 吴慧,顾晓敏. 科学学研究. 2017(10)
[9]浙江省高校产学研协同创新网络结构特征分析[J]. 周涵婷,余晓,宋明顺. 科研管理. 2017(S1)
[10]基于动态控制模型的产学研知识转移合作博弈研究[J]. 吴洁,彭星星,盛永祥,李鹏,施琴芬. 中国管理科学. 2017(03)
本文编号：3320516
【文章来源】：湖南科技大学学报(自然科学版). 2020,35(04)北大核心
【文章页数】：9 页
【部分图文】：
浙江省2018年产学研网络
构成网络潜在集聚的因素主要是“度(Degree)”“边共享伙伴(ESP)”及“二元组共享伙伴(DSP)”，通过与相同节点和密度的随机网络进行比较，考察观察网络的这些结构特点[14]．产学研网络与具有同样节点和密度的随机网络的度和共享伙伴分布如图2所示．从图2中度、边共享伙伴分布与随机图的比较情况来看，浙江省高校产学研有较好的集聚倾向．其中二元组共享伙伴分布比较单一，说明该结构特征在网络合作中所起的作用不大，如果该结构特征引入到网络的合作测度，有可能引起模型的退化问题[15]．模型退化的原因基于网络聚合的设想，理想的网络聚合是一切边的结合都依赖于其他边的结合，这种边与边的结合是个全图的概念，每种边所依赖的其他边构成全图的一个子集，这导致所有可能的子图都会被考虑成变量，留下了巨大的参数需要被估计．为了节约计算量只能将依赖子图减少到约束水平上，方法是固定几种子图模式，使得不符合这些固定子图的参数设置为0，这极大地减少了运算量，但这样做容易导致模型退化．而克服模型退化的方法是使用高序子图，如边共享伙伴、二元组共享伙伴等[16].网络的结构特点对网络的形成有一定的影响，网络的节点属性也决定着网络的合作倾向．同质性的节点之间更容易形成合作的可能[17]．节点属性连接倾向的描述性分析通过混合矩阵测度．一般地，混合矩阵是对一个分类属性各层次组合形式进行统计，从而检验相互连接的二元组在连接属性上存在的特征[18]．以产学研网络的类型为混合矩阵的识别标志，得到混合矩阵如表2所示．
在测度每个复杂模型的适用性方面，采用的评价指标是AIC值和BIC值．从表5可以看出:每个模型对应的AIC值和BIC值相比上一个模型都在变小．模型1为随机图模型，它的存在是作为判断其他模型是否改进的一个基准．模型2纯粹考虑了网络的内生性结构，发现内生性结构中星型和三角形对网络的形成有自发的组织作用，它们的AIC值和BIC值相对于基准随机图模型的值有所减少．模型3是外生协变量为主的情况下对产学研网络进行拟合，相比于模型2来说，模型3的AIC值和BIC值减少的更多，说明产学研网络节点的属性信息对网络连接所起的作用要比它自身的内生性结构效应所起的作用大．模型4是包含网络内生结构和外生变量的综合模型，它的AIC值从基准模型的7 093减为4 527,BIC值从基准模型的7 102减为4 603,4个模型中它的表现是最好的．以模型4为例，进一步用箱体图来诊断其拟合效果，结果如图3所示．从图3中可以看出:代表模型4中8个自变量的黑色线条基本位于箱体的中线位置附近，说明模型4的拟合效果是符合要求的．
【参考文献】：
期刊论文
[1]科研合作网络形成机理——基于随机指数图模型的分析[J]. 刘璇,汪林威,李嘉,张朋柱. 系统管理学报. 2019(03)
[2]内蒙古产学研合作创新网络结构演化研究[J]. 王建国,王飞,华连连,侯二秀. 科学管理研究. 2018(06)
[3]基于指数随机图模型的专利技术扩散机制实证研究[J]. 段庆锋,马丹丹. 科技进步与对策. 2018(22)
[4]基于指数随机图模型的协同创新网络形成机理研究[J]. 罗泰晔,马翠嫦. 情报理论与实践. 2018(10)
[5]江苏省产学研合作创新网络结构特征及其优化策略[J]. 王璐璐,张卓,刘一新. 科技管理研究. 2018(08)
[6]国内外产学研合作培养创新型人才模式比较分析[J]. 陈恒,初国刚,侯建. 中国科技论坛. 2018(01)
[7]组织学习与模块化嵌入的产学研合作联盟研究——来自家电产业的多案例实证[J]. 王海军,邹日崧,温兴琦. 科技进步与对策. 2017(24)
[8]产学研合作创新绩效的社会网络分析[J]. 吴慧,顾晓敏. 科学学研究. 2017(10)
[9]浙江省高校产学研协同创新网络结构特征分析[J]. 周涵婷,余晓,宋明顺. 科研管理. 2017(S1)
[10]基于动态控制模型的产学研知识转移合作博弈研究[J]. 吴洁,彭星星,盛永祥,李鹏,施琴芬. 中国管理科学. 2017(03)
本文编号：3320516
本文链接：https://www.wllwen.com/guanlilunwen/keyanlw/3320516.html
