其中亲密中心度的测量要求网络中的个体要与其他个体全部相连^[42]，对网络的要求程度较高，为保证结果的准确性，本文选取程度中心度和中介中心度，具体度量方法如下：

1.程度中心度

2.中介中心度

考虑到专利合作网络是连续变化积累形成的，本文在各年度网络位置的测度中选择了累计总量，例如对2016年企业的网络位置指标进行测度时，进行网络位置指标测度所选取的网络并非是2016年一年内各专利主体合作形成的网络，所选取的网络则是从网络开始出现截止到2016年这一段期间内专利合作主体之间所构成的网络。

第二，被解释变量即企业成长指标，主要选取的分指标为企业营业收入、营业利润和经济增加值。企业的营业收入和营业利润两个指标被诸多学者应用到企业成长的相关研究中^[43-46]，本文也将利用这两个指标来衡量企业的成长性；另外，企业经济增加值（EVA）通过计算资本回报与资本成本的差值来进行企业价值评价^[47-48]，是国资委评价企业业绩的重要考核指标^[49]，能够鼓励企业进行研发与创新，从而增加企业长期价值^[50]，更能体现企业成长的质量，本文也将其引入企业成长的评价指标。

第三，控制变量即控制指标，包括企业规模、企业资产负债率、资本密集度、企业生产类型、企业所有制类型等。其中企业规模按照国家统计局的企业规模分类标准进行确定，主要依据企业总资产、企业员工人数等确定；企业资本密集度用固定资产与总资产的比值表示；企业生产类型则依据企业主要产品类型划分，具体包括整车制造、零备件生产和研发服务；企业所有制类型根据企业的控股股东进行确定。

（三）计量模型

依据前文中提出的假设进行模型设计，为保证结论的全面性和准确性，本文在进行模型设计过程中都考虑了控制变量。具体模型如下：

模型1：合作专利授权数量与企业成长模型：

ln（Growth）=β₁Size+β₂Debt+β₃Intensity+β₄Industry+β₅Sate+β₆CP

模型2：专利合作网络位置与企业成长模型：

ln（Growth）=β₁Size+β₂Debt+β₃Intensity+β₄Industry+β₅Sate+β₆Cen

上述模型中，模型1采用静态回归，即指标的数据为节点数据。其中财务指标数据截至2016年12月31日，专利数据则为2016年12月31日以前的授权记录，这样能较好地反映专利存量对企业成长性的影响且避免了模型的内生性。模型2采用动态回归，即指标的数据为区间数据。具体而言，财务数据为2010年到2016年时段内的数据，专利合作网络位置指标根据网络演化过程分年度度量，利用这种回归方式，可以充分反映专利网络的演变，符合社会网络理论的分析原理，同时较好地避免了内生性问题。

四、模型回归、检验及结果分析

（一）描述性统计

表2显示，38家企业中有5家企业的营业利润为负，17家企业的工业增加值为负。Size的均值为0.8394，说明样本企业中83.94%的企业为大规模企业。Intesity的均值为2.004，说明样本企业的资本密集程度较高。Debt的均值为0.4799，说明样本企业的资产负债率处于较为合理的水平。Industry的均值为0.5210，说明样本企业中有52.1%的企业为汽车整车生产企业。State的均值为0.6368，说明样本企业中国有控股企业占到了63.68%。CP的均值为63.94，标准差为127.7028，说明样本企业的合作专利授权数量波动较大。

表3所示，模型2系列采用动态数据，数据窗口期为2011至2016年，除去异动样本本文得到的合格样本数为188个。本文将经济增加值、营业收入和营业利润进行了取对数处理。取对数后均值分别为24.62328和21.58529，说明中国汽车行业的营业收入和营业利润处于较高水平。Intensity的均值为1.501634，说明中国上市汽车行业的资本密度水平整体处于较高水平，属于资本密集型行业。Size的均值为0.848405，说明所取的行业中的样本以大型企业为主。Debt均值为0.483294，整体资产负债率处于合理水平。Industry均值为0.485638说明中国上市汽车企业大部分为汽车整车制造企业，上市公司中汽车零部件制造企业数量较少。State的均值为0.643617，表明所选样本企业中以国有控股为主。Cen_d的均值为2.63725，Cen_b的均值为1.719265，两者之间的均值相对较为接近。

（二）相关性检验

表4为模型1中涉及的变量的相关性分析，其中表的左下方为spearman相关性检验，右上方为pearson相关性检验。观察表4不难发现，企业的合作专利授权数量与企业经济增加值、营业收入相反，无论是spearman相关性检验还是pearson相关性检验，其相关系数并不显著，只有合作专利授权数量和营业利润的pearson相关性检验在5%的水平下显著。因而没有足够的证据推断企业的合作专利授权数量与企业成长相关，无法印证H1的正确性。鉴于此，本文在后续的计量模型回归中将不再进行企业合作专利授权数量与其成长性的回归。

表5为模型2中涉及的变量间的相关性分析，观察发现Cen_d、Cen_b与Sale、Profit在1%的水平下显著相关（Cen_d、Cen_b与ln（Sale）的pearson相关系数分别为0.504、0.188，Cen_d、Cen_b与ln（Profit）的pearson相关系数分别为0.497、0.246；Cen_d、Cen_b与ln（Sale）的spearman相关系数分别为0.242、0.202，Cen_d、Cen_b与ln（Profit）的spearman相关系数分别为0.293、0.202），企业在专利合作网络中的中心度越高，企业的营业收入和营业利润水平越高，这与我们的分析相一致，也初步证明了H2的正确性。Cen_d和Cen_b之间的pearson相关系数和spearman相关系数分别为0.5和0.76且都在1%的水平下显著，说明所选的两个中心度指标的一致性较高。其他变量之间的相关系数大多在0.5以下，说明变量之间并不存在严重的多重共线性。

（三）模型回归及结果分析

在对变量进行相关性检验时，发现模型1中的解释变量和被解释变量的相关性并不显著，因而并未对模型1进行回归。表6为模型2的回归结果，在对每个模型回归时本文考虑了模型不加入控制变量和模型中加入控制变量两种情形。

表6显示，在模型2的回归中，企业的专利合作网络位置对企业成长有明显的正向作用。同时，加入控制变量后，专利合作网络位置指标的回归系数发生明显的变动，但依然显著，且控制变量指标的回归系数显著，说明控制变量所代表的因素在专利合作网络位置对企业成长产生正向影响的作用机制中起到了显著作用，专利合作网络位置对企业成长的促进作用明显，假设H2得到验证。

（四）稳健性分析

为确保实证结果的可靠性，本文进行了稳健性分析。在模型2中，利用成长性指标代替取对数之后的数据，相关性依然显著。在模型回归的实证检验中，将专利合作网络位置的两个测度指标取中值，并定义为Cen_a，回归系数依然显著为正。具体结果见表7、表8及表9。