基于单纯形的专利合作高阶拓扑结构测度及创新产出关系研究

doi:10.3772/j.issn.1000-0135.2026.08.002

情报学报

2026, Vol. 45

Issue (8): 1092-1105 DOI: 10.3772/j.issn.1000-0135.2026.08.002

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

基于单纯形的专利合作高阶拓扑结构测度及创新产出关系研究

郭剑明^1,2, 杨杰^1,2, 宋欣雨^1,2, 刘倩^1,2, 邓三鸿^1,2

1.南京大学信息管理学院，南京 210023
2.数据工程与知识服务省高校重点实验室（南京大学），南京 210023

Research on Measurement of High-order Topology Structure of Patent Cooperation Based on Simplex and Its Association with Innovation Output

Guo Jianming^1,2, Yang Alex Jie^1,2, Song Xinyu^1,2, Liu Qian^1,2, Deng Sanhong^1,2

1.School of Information Management, Nanjing University, Nanjing 210023
2.Key Laboratory of Data Engineering and Knowledge Services in Provincial Universities (Nanjing University), Nanjing 210023

摘要
图/表
参考文献
相关文章 (1)

全文: PDF (2904 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要在团队化与协作化日益加深的创新环境下，如何从结构层面刻画专利合作网络并揭示其对创新产出的影响，已成为创新情报研究中的一项重要议题。现有研究通常基于二元关系视角，难以刻画专利合作中普遍存在的群体协作结构。本文引入代数拓扑中的高阶网络表示方法，系统刻画专利合作网络中的多主体互动结构，并探究其高阶结构特征与发明人创新产出间的关系。基于PatentsView数据库中700余万项专利数据，本文构建了专利合作网络的单纯形模型，并采用拓扑量化方法测度网络的高阶结构特征。其中，互不连通组件数量β?用于表征合作网络的基础连通性，高阶环路β?用于刻画无法由低阶协作填充的群体协作模式。在此基础上，构建“发明人-申请年份”面板数据，采用负二项固定效应回归模型，系统检验高阶结构特征与技术生产率、专利被引数量、专利5年被引数量及专利权利要求数等多维创新产出指标间的关系。研究结果表明，专利合作网络中，互不连通组件数量β?与4种创新产出指标之间呈现倒U形关系，即在合理区间内，组件数量的增加与创新产出水平呈现正向关联，但当组件数量处于较高水平时，其与创新产出的关联强度呈现减弱趋势；高阶环路β?与4种创新产出指标均呈现显著正相关关系，表明高阶协作结构与知识整合能力及技术创新表现之间存在密切联系。稳健性分析结果显示，上述结论在不同技术发展阶段及不同技术领域中均保持稳定，具有较强的普适性。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	郭剑明
	杨杰
	宋欣雨
	刘倩
	邓三鸿

关键词 ：专利合作, 高阶协作结构, 创新产出, 单纯形, 贝蒂数

收稿日期: 2025-12-17

基金资助:国家社会科学基金重点项目“基于领域集体智慧挖掘的颠覆性范式变革预测研究”（25ATQ008）。

作者简介: 郭剑明，1996年生，博士研究生，主要研究领域为专利情报、复杂网络；杨杰，2000年生，博士，博士后，主要研究领域为科学计量、创新评价、复杂网络分析；宋欣雨，1997年生，博士研究生，主要研究领域为科学计量与学术评价；刘倩，1996年生，博士研究生，主要研究领域为科学计量、信息分析；邓三鸿，通信作者，1975年生，博士，教授，博士生导师，主要研究领域为领域知识图谱、科学计量、信息分析与科学评价，E-mail：sanhong@nju.edu.cn；

引用本文:

郭剑明, 杨杰, 宋欣雨, 刘倩, 邓三鸿. 基于单纯形的专利合作高阶拓扑结构测度及创新产出关系研究[J]. 情报学报, 2026, 45(8): 1092-1105.
Guo Jianming, Yang Alex Jie, Song Xinyu, Liu Qian, Deng Sanhong. Research on Measurement of High-order Topology Structure of Patent Cooperation Based on Simplex and Its Association with Innovation Output. 情报学报, 2026, 45(8): 1092-1105.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2026.08.002 或 https://qbxb.istic.ac.cn/CN/Y2026/V45/I8/1092

1 Fortunato S, Bergstrom C T, B?rner K, et al. Science of science[J]. Science, 2018, 359(6379): eaao0185.
2 Yang A J, Guo J M, Shi Y J, et al. Repeat collaboration and scientific innovation: evidence from dynamic ego networks of Nobel laureates[J]. Humanities and Social Sciences Communications, 2025, 12: Article No.1620.
3 Yang W L, Wang Y. Higher-order structures of local collaboration networks are associated with individual scientific productivity[J]. EPJ Data Science, 2024, 13: Article No.15.
4 卢超, 李梦婷, 周宸宇. 基于合贡献者网络的学者学术影响力评估研究[J]. 情报学报, 2025, 44(11): 1444-1457.
5 吴柯烨, 孙建军, 张子涵. 基于专利合作网络的弱链接效应研究[J]. 情报学报, 2024, 43(11): 1257-1268.
6 曾建勋, 卢春江, 林鑫, 等. 创新情报: 时代背景、概念内涵与功效作用[J]. 情报学报, 2025, 44(9): 1075-1082.
7 刘洪愧, 李希晨, 姜丽, 等. 全球创新网络下的中国企业创新——跨国合作与质量提升[J]. 管理世界, 2025, 41(8): 56-83.
8 冷萱, 何佳鑫. 科学家集聚、合作网络与创新效率[J]. 世界经济, 2025, 48(10): 192-224.
9 詹姆斯·索罗维基. 群体的智慧——如何做出最聪明的决策[M]. 王宝泉, 译. 北京: 中信出版社, 2010: 183-186.
10 Shi D H, Chen G R. Simplicial networks: a powerful tool for characterizing higher-order interactions[J]. National Science Review, 2022, 9(5): nwac038.
11 Zhang Y Z, Lucas M, Battiston F. Higher-order interactions shape collective dynamics differently in hypergraphs and simplicial complexes[J]. Nature Communications, 2023, 14: Article No.1605.
12 Bianconi G. Higher-order networks: an introduction to simplicial complexes[M]. Cambridge: Cambridge University Press, 2021.
13 Patania A, Petri G, Vaccarino F. The shape of collaborations[J]. EPJ Data Science, 2017, 6(1): Article No.18.
14 郭剑明, 杨杰, 方静, 等. 基于高阶网络结构的核心专利识别方法研究[J]. 情报理论与实践, 2026, 49(1): 106-114, 149.
15 Newman M E J. The structure of scientific collaboration networks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2001, 98(2): 404-409.
16 Ke Q, Ahn Y Y. Tie strength distribution in scientific collaboration networks[J]. Physical Review E, 2014, 90(3): 032804.
17 Wang F F, Dong J X, Lu W Z, et al. Collaboration prediction based on multilayer all-author tripartite citation networks: a case study of gene editing[J]. Journal of Informetrics, 2023, 17(1): 101374.
18 关鹏, 王曰芬, 傅柱, 等. 基于专利合作网络的研发团队识别及创新产出影响研究[J]. 数据分析与知识发现, 2022, 6(5): 99-111.
19 郭剑明, 王婧怡, 袁润. 综合属性指标和引用关系的核心专利识别方法研究[J]. 情报学报, 2024, 43(5): 575-587.
20 Guan J C, Pang L X. Bidirectional relationship between network position and knowledge creation in Scientometrics[J]. Scientometrics, 2018, 115(1): 201-222.
21 邵桂兰, 许杰, 李晨. 合作网络结构洞、邻域中心性与发明人创新绩效[J]. 科技管理研究, 2021, 41(4): 168-174.
22 Zeng A, Fan Y, Di Z R, et al. Fresh teams are associated with original and multidisciplinary research[J]. Nature Human Behaviour, 2021, 5(10): 1314-1322.
23 冯小东, 黄雨杭. 基于SciBERT的科研合作知识交叉测度及其对科研主体持续科研产出的因果效应[J]. 情报学报, 2025, 44(7): 869-891.
24 Yang A J, Ding Y, Liu M J. Female-led teams produce more innovative ideas yet receive less scientific impact[J]. Quantitative Science Studies, 2024, 5(4): 861-881.
25 Yang A J, Xu H M, Ding Y, et al. Unveiling the dynamics of team age structure and its impact on scientific innovation[J]. Scientometrics, 2024, 129(10): 6127-6148.
26 Lin Y L, Frey C B, Wu L F. Remote collaboration fuses fewer breakthrough ideas[J]. Nature, 2023, 623(7989): 987-991.
27 李江, 刘影, 王伟, 等. 识别高阶网络传播中最有影响力的节点[J]. 物理学报, 2024, 73(4): 048901.
28 Vasilyeva E, Kozlov A, Alfaro-Bittner K, et al. Multilayer representation of collaboration networks with higher-order interactions[J]. Scientific Reports, 2021, 11: Article No.5666.
29 Li M, Wang Z G, Zeng A, et al. Higher-order structure based node importance evaluation in directed networks[J]. Information Processing & Management, 2025, 62(1): 103948.
30 李欣哲, 鲁晓. 新颖组合与团队协作的双重奏——基于超图模型的科学基金青年资助项目的创新影响作用分析[J]. 科学学研究, 2026, 44(1): 204-215.
31 关鹏, 王曰芬. 国内外专利网络研究进展[J]. 数据分析与知识发现, 2020, 4(1): 26-39.
32 Battiston F, Cencetti G, Iacopini I, et al. Networks beyond pairwise interactions: structure and dynamics[J]. Physics Reports, 2020, 874: 1-92.
33 Landry N W, Young J G, Eikmeier N. The simpliciality of higher-order networks[J]. EPJ Data Science, 2024, 13(1): Article No.17.
34 Krebs J, Polonik W. On the asymptotic normality of persistent Betti numbers[J]. Advances in Applied Probability, 2025, 57(2): 492-523.
35 刘波, 曾钰洁, 杨荣湄, 等. 高阶网络统计指标综述[J]. 物理学报, 2024, 73(12): 128901.
36 Park M, Leahey E, Funk R J. Papers and patents are becoming less disruptive over time[J]. Nature, 2023, 613(7942): 138-144.
37 邓三鸿, 郭剑明, 施宇杰. 重塑未来: 颠覆性技术主题研究进展及未来展望[J]. 科技情报研究, 2025, 7(2): 1-12.