Amy青梅搞区域创新研究的同行，肯定对“技术互补指数”这个指标不陌生。但真要把1985到2024年、全国所有省份和城市之间的这个指数都算出来、整理成面板数据，工作量绝对劝退大多数人。所以看到这份“1985-2024年各省份、各城市间技术互补指数（dta）”数据时，我第一反应是：终于有人把这活儿干完了。而且直接给的是Stata的dta格式，省去了从专利原始数据清洗、匹配、计算的漫长过程。
这份数据解决的核心痛点很明确：过去想做跨地区技术关联研究的，要么自己从专利数据库抓IPC分类号，要么只能拿到几个特殊年份的截面数据，更别提城市层面的配对数据。现在数据把时间跨度拉满、尺度覆盖到城市，对于做创新地理、区域经济、产业政策的学者和从业者来说，属于“开箱即用”的宝藏。
1. 先搞清楚技术互补指数到底是什么
1.1 从专利结构到“技术画像”
要理解技术互补指数，得先明白一个地区是有“技术画像”的。就像每个人都有自己的知识结构，有人擅长计算机，有人精通材料学，一个地区的技术结构就是它在各个技术领域上的优势分布。这种分布最直观的刻画方式就是专利数据，尤其是国际专利分类号（IPC）。某个城市如果大量专利集中在化学、冶金领域，另一个城市集中在电气工程、通信领域，那这两个城市的技术画像就存在明显差异。
差异本身并不等于互补。互补指的是“你需要我、我需要你”的关系，放在技术语境里，就是两个地区在技术结构上各有所长，重叠度低，合在一起能覆盖更完整的技术链条。比如一个城市强于零部件制造，另一个强于系统集成，它们之间的合作关系就比两个都擅长零部件制造的城市更有价值。技术互补指数就是把这个“各有所长、彼此需要”的程度量化成一个数值。
1.2 互补不等于相似，技术重合度低才是关键
很多第一次接触这个概念的人容易把互补和相似搞混。相似度衡量的是两个地区技术结构有多像，重叠度越高越相似；互补度恰恰相反，它看重的是重叠度之外的部分，两个地区在技术类别上的优势领域错开得越明显，互补性就越高。
举个例子，A城市的优势技术集中在生物制药，B城市的优势集中在高端装备制造，那么从技术结构看，A和B的专利IPC分布重叠度很低，互补指数就会很高。反过来，如果A和B都集中在电子信息领域，虽然看起来都是“高科技”，但技术竞争大于协作，互补指数反而低。所以这份数据里的互补指数，本质上是在回答一个问题：两个地区是否具备“拼图式”合作的基础。
1.3 这套数据到底解决什么问题
我前几年做城市群协同创新研究时，想用技术关联度作为变量，结果光是把各个城市历年的IPC专利数据整理成可比格式就耗了两个多月。中间还要处理城市更名、行政区划变动、专利分类版本调整，一个头两个大。这份dta数据直接省掉了最痛苦的环节，拿到手就能做回归、做网络分析、做可视化。
从适用人群来说，三类人最需要它：一是学术研究者，做创新地理、区域经济、知识溢出的论文，它可以作为核心解释变量或被解释变量；二是政策研究人员，做城市群协同规划、产业链布局时能快速判断哪些城市组合应该重点合作；三是产业咨询从业者，帮企业选址或区域产业规划时，用互补指数来识别潜在合作对象。