本文档发表于《地理研究》（Geographical Research）期刊2026年3月出版的第45卷第3期，主要作者为福建农林大学经济与管理学院的李沅曦博士（副教授）和北京大学的李国平教授。该研究是一项关于中国专利知识空间演化与高级化的原创性实证研究，属于类型a的文档。以下是对该研究的学术报告。
关于《中国专利知识空间的演化与高级化研究——基于知识相关性的视角》的学术报告
一、 研究团队与发表信息 本研究的通讯作者为北京大学的李国平教授，第一作者为福建农林大学经济与管理学院的李沅曦博士。研究发表于地理学领域的核心期刊《地理研究》（Geographical Research）2026年第45卷第3期。
二、 学术背景与研究目标 本研究主要隶属于演化经济地理学和创新地理学的交叉领域。研究的核心背景在于，在全球技术竞争加剧、创新成为国家战略关键支撑的当下，理解知识生产的动态过程至关重要。创新源于知识的重组，而知识空间（Knowledge Space）——即以知识为节点、知识间联系为边构成的网络——的结构演化深刻影响着技术发展和区域创新能力。先前研究多聚焦于美国或欧盟的专利知识空间，对中国专利知识空间演化的系统性描述及其内在驱动机制的实证分析相对缺乏。同时，现有研究大多关注知识节点的增减（进入与退出），而未深入探究这种演化是否真正导向了知识结构的“高级化”，即是否形成了更复杂、更具韧性、更具竞争优势的知识体系。
基于此，本研究旨在填补以上空白，其核心目标是：1. 描绘1985年至2021年间中国国家层面及城市层面专利知识空间的演化态势与特征；2. 从“知识相关性”（Knowledge Relatedness）的视角出发，实证检验知识相关性密度是否是驱动城市专利知识空间演化的关键力量；3. 进一步探究这一演化过程是否、以及如何促进了专利知识空间向“高级化”方向迈进。具体而言，研究试图回答两个关键科学问题：知识领域间的相互关系如何推动专利知识空间的演化？这一过程是否意味着专利知识空间的高级化发展？
三、 详细研究流程与方法 研究流程包含数据准备、核心指标构建、演化态势描述性分析、驱动机制实证检验以及高级化效应分析等多个环节，环环相扣。
1. 数据来源与处理： 研究核心数据来源于《中国国家知识产权局专利数据库》，选取了1985年至2021年间的中国发明申请专利数据，共计超过数百万条记录。数据字段包括专利号、专利分类（IPC）、申请人、申请地、申请日期等。为确保数据完整性并规避审查滞后期的影响，研究截取了2021年之前的数据。研究根据国际专利分类（IPC）四位代码（小类）来定义“知识领域”，共识别出696个曾出现过的知识领域（节点）。城市样本涵盖了中国362个地级及以上行政单位（含省直辖县级单位），并统一按最新行政区划进行了合并处理。
2. 核心指标构建： * 中国专利知识空间表达与知识相关性计算： 研究采用“共同分类分析”（Co-classification Analysis）来构造专利知识空间并计算知识相关性。具体方法为，对于给定年份，构建一个IPC类别间的共现矩阵（Co-occurrence Matrix），矩阵元素 n_ij 代表类别 i 和 j 被共同分配给同一件专利的次数。为消除各类别专利总数的影响，对矩阵进行标准化处理，得到标准化共现矩阵 S，其元素 r_ij（计算公式见原文公式1）即为知识i和j之间的相关性强度，值域为[0,1]。r_ij 越大，表明两个知识领域在创新活动中结合得越频繁，相关性越强。基于此相关性矩阵，利用力导向布局算法（Fruchterman-Reingold算法）可视化绘制了不同年份的中国专利知识空间网络图。 * 知识进入（Knowledge Entry）的测度： 这是衡量城市专利知识空间演化的关键被解释变量。首先，计算每个城市c中每个IPC类别i在年份t的显性比较优势指数（Revealed Comparative Advantage， RCA）。若 RCA_ict ≥ 1，则认为该城市在该知识领域具备显性比较优势。然后，通过追踪连续两年RCA值的变化来定义“知识进入”：如果某个知识领域i在城市c中，在t-1年RCA（无优势），而在t年RCA≥1（获得优势），则定义该知识在t年“进入”了该城市，变量 entry_ict 赋值为1，否则为0。 * 知识相关性密度（Knowledge Relatedness Density）的测度： 这是核心解释变量，用于衡量一个潜在的新知识（i）与城市现有知识基础的接近程度。其计算公式（原文公式6）为：该知识i与城市c中所有已具备显性比较优势的知识（j）的相关性之和，除以知识i与所有知识（全局）的相关性之和。该指标值域为[0,1]，值越高，意味着该潜在新知识与该城市现有优势知识网络的联系越紧密。
3. 实证模型与变量： 为检验研究假说1（知识相关性驱动演化），研究构建了一个包含城市、知识、年份三重固定效应的面板数据模型（OLS）。数据为2006-2021年285个城市646个知识领域的非平衡面板。核心模型如原文公式5所示，被解释变量为知识进入（entry_ict），核心解释变量为知识相关性密度（rd_ict）。模型控制了城市层面变量（如人均GDP、GDP增长率、人口密度、专利申请总量、知识专业化程度）和知识层面变量（如知识规模、知识集中度、知识增长率），以缓解遗漏变量偏误。标准误聚类到城市和知识层面。
4. 高级化效应分析（中介效应模型）： 为检验研究假说2（演化带来高级化），研究建立了三步法中置效应模型（原文公式14-16）。其中，中介变量为城市每年新进入的知识总量（entrynumber_ct）。被解释变量“专利知识空间高级化”（upgrade_ct）从两个维度操作化： * 整体高级化（复杂性提升）： 采用经反射法（Method of Reflections）计算的城市“知识复杂性”（Knowledge Complexity）指数的年度增加值来衡量。该指数综合了知识的“多样性”（一个城市拥有的优势知识种类数）和“便益性”（Ubiquity，一个知识在多少城市中具备优势），指数越高表明城市知识结构越复杂、越独特。 * 结构高级化（韧性提升）： 通过分析网络拓扑结构的变化来间接论证，例如从随机网络向核心-边缘网络转型，从同配性网络向更具韧性的异配性网络转型，但此部分在实证中主要通过复杂性维度进行检验。
四、 主要研究结果 1. 中国专利知识空间的演化态势（描述性结果）： * 国家层面： 网络可视化（图1，图2）显示，中国专利知识空间在1985-2021年间经历了从松散到紧密的显著演化。早期（1985年）网络中有大量孤立或弱关联的知识节点，随后关联性不断增强，至2021年仅剩极少数孤立节点。同行业知识节点表现出明显的集聚现象（如电气工程、化学行业内部关联紧密），说明行业内部存在共同知识基础。发展重点发生转移：从早期的化学、药品和医疗行业，转向21世纪后的电脑和通信行业（如G06F“电数字数据处理”成为专利最多的领域）。 * 城市层面（知识进入的空间分布，图3）： 中国城市专利知识空间的扩张呈现出清晰的时空路径。时间上，从个别创新中心（如北京、上海）的零散发展，逐步扩展到全国绝大多数城市的全面发展。空间上，呈现出从东部沿海城市向中西部城市、从高行政等级城市（直辖市、省会）向低行政等级城市梯次扩散的先后顺序。
2. 驱动机制实证结果： * 基准回归（表2）： 知识相关性密度（rd）的系数在所有模型设定中均在1%水平上显著为正。在包含所有控制变量和固定效应的完整模型（第3列）中，系数为0.066，表明知识相关性密度每提高一个单位，知识进入的概率显著增加。这强有力地支持了研究假说1，证实了知识相关性是驱动中国城市专利知识空间演化的关键内在机制——城市更倾向于发展与现有知识基础高度相关的新知识。 * 稳健性检验： 研究进行了极为严谨的五方面稳健性检验（表3-5），结果均高度稳健。包括：① 更换估计方法为Probit和Logit模型；② 将核心解释变量滞后一期；③ 更换知识领域划分标准（使用IPC三位代码大类）；④ 调整时间窗口（将数据合并为4年一个时期）；⑤ 更换知识相关性的四种不同测度方法（余弦相似度、Jaccard相似度、直接引用分析、共同引用分析）。所有检验中，知识相关性密度的正向显著影响均保持不变。 * 异质性分析（表6）： 研究进一步根据知识节点在网络中的中心性（度中心性、中介中心性、特征向量中心性）将知识分为高、低两组。结果表明，对于高中心性的知识（即在网络中连接广泛、影响力大的知识），知识相关性密度对其进入城市的促进作用更为强烈。这说明，那些本身处于网络枢纽位置、通用性强的知识，当它与本地优势知识高度相关时，其进入壁垒更低，更易被城市吸收。
3. 高级化效应结果： * 中介效应分析（表7及相关文本）： Sobel检验证实，知识进入（entrynumber）在知识相关性密度影响知识复杂性提升的过程中起到了显著的中介传导作用。即，知识相关性密度的提高，通过促进新知识进入（演化），进而推动了城市专利知识空间整体复杂性的提升（高级化）。这意味着演化过程确实导向了更高级的知识结构。 * 高级化的具体表现： 对知识复杂性两个子维度的分解分析显示，这一过程同时促进了两个方面的优化：一方面增加了城市知识的多样性（更多样的优势知识）；另一方面降低了城市优势知识的便益性（即知识变得更独特、更难被其他城市模仿）。例如，研究指出深圳是一个特例，其知识多样性虽非最高，但便益性极低，表明其拥有少量但极具独特性、高壁垒的知识，因而复杂度很高。这印证了专利知识空间高级化不仅意味着“更多”，更意味着“更优”和“更难替代”。
五、 研究结论与价值 本研究得出核心结论：第一，中国专利知识空间在国家层面呈现出结构紧密化、行业集聚化和发展重点转向数字技术的趋势；在城市层面，其扩张遵循从核心到边缘、从东部到中西部的时空路径。第二，知识相关性密度是驱动城市专利知识空间演化的根本性内在动力，城市创新具有强烈的路径依赖特征。第三，更为重要的是，这种基于知识相关性的演化并非简单的数量扩张，而是通过“知识进入”这一中介机制，有效促进了专利知识空间向“高级化”方向发展，具体体现为知识整体复杂性的提升（多样性增加与便益性降低相结合）以及网络结构韧性的增强（向核心-边缘、韧性网络转型）。
研究的科学价值在于：从“知识相关性”这一微观机制切入，将演化经济地理学的“相关多样性”等理论应用于中国专利知识空间研究，构建了“知识相关性驱动演化，演化引致高级化”的理论框架，并进行了系统的实证检验，丰富和深化了知识空间演化的理论。其应用价值在于：为城市和区域制定创新政策提供了关键启示。政策应致力于培育和强化本地优势知识集群，鼓励基于现有知识基础的“相关性多元化”创新，而非盲目追求不相关的“跳跃式”发展。同时，应关注知识网络的韧性和复杂性建设，引导创新体系从规模扩张向质量提升和结构优化转型。
六、 研究亮点 1. 系统性的全景描绘与微观机制验证相结合： 研究不仅从宏观上刻画了中国近四十年专利知识空间的演化全景（国家与城市双层），更通过精细构建的城市-知识-年份三维面板数据，实证检验了“知识相关性密度”这一核心微观驱动机制，实现了宏观趋势与微观动因的有机结合。 2. 对“高级化”概念的深化与实证操作化： 研究超越了以往仅关注知识“进入/退出”的演化描述，创新性地提出并实证了“高级化”这一质量维度，使用“知识复杂性”指数及其分解（多样性、便益性）对其进行量化衡量，使研究结论更具深度和政策针对性。 3. 方法严谨，检验周全： 研究在方法上表现出高度严谨性。不仅采用了主流的共同分类分析，还使用了四种替代方法测算知识相关性进行稳健性检验。同时，考虑了知识节点的异质性（中心性差异），并运用中介效应模型剖析了从演化到高级化的传导路径，论证链条完整、可信度高。 4. 聚焦中国情境，贡献本土知识： 研究填补了针对中国专利知识空间长期演化及驱动机制实证研究的空白，揭示了不同于欧美模式的、具有中国特色的时空演化路径（如行政等级的影响），为基于中国实践的理论发展与政策制定提供了重要证据。
七、 其他有价值内容 研究在讨论部分还隐含了一些有价值的观点。例如，对深圳案例的分析暗示了不同的高级化路径：并非所有城市都需要追求大而全的知识多样性，聚焦于打造少数高精尖、低便益性的核心知识领域，同样可以达成高度的知识复杂性和竞争力。这为特色化、专业化创新城市的建设提供了理论依据。此外，研究指出机械工程行业内部知识关联性相对较低的现象，也值得后续研究深入探讨其背后的技术范式或产业组织原因。