EN中文

地理科学 >

2024 , Vol. 44 >Issue 7: 1178 - 1187

DOI: https://doi.org/10.13249/j.cnki.sgs.20221121

高原生存环境与人地关系演化

城市知识网络与知识生产的协同演化研究——以中国三大城市群为例

  • 王传阳 , 1, 2 ,
  • 盛科荣 , 3, * ,
  • 张杰 4 ,
  • 李晓瑞 3
展开
  • 1.中国科学院东北地理与农业生态研究所，吉林 长春 130102
  • 2.中国科学院大学资源与环境学院，北京 100049
  • 3.山东理工大学经济学院，山东 淄博 255012
  • 4.华东师范大学中国行政区划研究中心，上海 200241
盛科荣。E-mail:

王传阳（1999—），男，山东临沂人，博士研究生，研究方向为城市网络和东北振兴。E-mail:

收稿日期: 2023-03-14

  修回日期: 2023-07-21

  网络出版日期: 2024-08-12

基金资助

国家自然科学基金项目(42371209)

山东省自然科学基金项目(ZR2023MD049)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Synergistic evolution of knowledge network and knowledge production of cities: A case study of the three major urban agglomerations in China

  • Wang Chuanyang , 1, 2 ,
  • Sheng Kerong , 3, * ,
  • Zhang Jie 4 ,
  • Li Xiaorui 3
Expand
  • 1. Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130102, Jilin, China
  • 2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. School of Economics, Shandong University of Technology, Zibo 255012, Shandong, China
  • 4. Research Center for China Administrative Division, East China Normal University, Shanghai 200241, China

Received date: 2023-03-14

  Revised date: 2023-07-21

  Online published: 2024-08-12

Supported by

National Natural Science Foundation of China(42371209)

Natural Science Foundation of Shandong Province(ZR2023MD049)

Copyright

Copyright reserved © 2024.
Fold

摘要

知识经济时代，知识网络联系深刻影响着城市的知识生产能力，知识生产的反馈机制也是理解知识网络演化的关键因素。本文以中国东部沿海地区京津冀、长三角和珠三角三大城市群62个地级及以上城市为研究单元，基于2001—2020年中国专利权转移数据和隶属联系模型构建城市知识网络，采用基于随机行动者的网络动力学模型从内生结构效应、行动者−关系效应和协变量网络效应3个维度定量解析了城市知识网络与知识生产的协同演化过程。研究发现：① 城市知识网络与知识生产的演化过程总体呈现相互促进的协同特征，即城市知识生产水平的提高增加了城市发出和接收网络链接关系的概率，同时城市知识网络的演化特征也会进一步促进城市知识生产活动的开展。② 城市知识网络与知识生产的协同演化过程受到路径依赖机制、多维邻近性机制的共同影响。③ 城市知识网络与知识生产的协同演化路径因城市所属城市群的不同进而表现出异质性特征。

关键词： 知识网络; 三大城市群; 路径依赖; 随机行动者模型; 多维邻近性

本文引用格式

王传阳 , 盛科荣 , 张杰 , 李晓瑞 . 城市知识网络与知识生产的协同演化研究——以中国三大城市群为例[J]. 地理科学, 2024 , 44(7) : 1178 -1187 . DOI: 10.13249/j.cnki.sgs.20221121

Abstract

In the knowledge economy era, the interplay between knowledge network embeddedness and cities’ knowledge production is crucial but understudied. This paper examines this relationship in 62 cities within China's the Beijing-Tianjin-Hebei, the Yangtze River Delta, and the Pearl River Delta urban agglomerations. Using patent transfer data from 2001 to 2020 to model urban networks and measuring knowledge production by patent applications, we apply stochastic actor-oriented models to analyze the co-evolution of network embeddedness and knowledge production. Three conclusions are drawn: 1) The empirical results show a co-evolution characteristic that mutual promotion between knowledge network and knowledge production. The improvement of knowledge production in cities increase the probability of establishing knowledge network link between cities, at the same time the embedding characteristics in knowledge network will in turn further promote knowledge production capacity in cities. 2) The co-evolution process between knowledge network and knowledge production in cities is jointly affected by the path-dependent mechanism and the multidimensional proximity mechanism. Cities with rich knowledge network links tend to send and receive more knowledge network links. Cities in geographical proximity, culture proximity and organization proximity have more opportunities to establish knowledge network links, but there are differences in the multidimensional proximity mechanisms of different urban agglomerations. 3) The co-evolution process of cities in knowledge networks and knowledge production has heterogeneous characteristics depending on the industrial division of labor and the internal spatial structure of the city cluster in which they are located. The establishment of network links in the Beijing-Tianjin-Hebei urban agglomeration is overly dependent on the core cities of knowledge production in the agglomeration; the deep development of network links in the Yangtze River Delta urban agglomeration increases the probability of establishing network links among the edge cities of knowledge production in the agglomeration and between the edge cities and the core cities; the development of network links in the Pearl River Delta urban agglomeration show heterogeneous characteristics and the knowledge production in the edge cities is more dependent on the radiation drive of the core cities. In the future, research should use comprehensive metrics to provide a deep portrayal of knowledge networks and a comprehensive portrayal of the synergistic evolution of knowledge networks and knowledge production based on different approaches.

Key words： knowledge network; the three major urban agglomerations; path-dependent; stochastic actor-oriented models; multidimensional proximity

知识经济时代，以知识流动为主要载体的城市间创新联系成为重塑区域关系的重要动力[1-2]。在此背景下。大量的研究表明，在城市网络发展环境下，网络经济（Network Economies）已经成为集聚经济（Agglomeration Economies）的重要补充[3-4]，城市的知识生产能力与其在城市网络中的权力和地位息息相关。与此同时，随着中国城市化进程的不断推进，中国城市群在区域层次和相互联系的空间上呈现网络化的发展趋势[5]。作为中国参与全球竞争与国际分工的重要地域单元[6]，京津冀、长三角和珠三角城市群已成为“十四五”时期拉动经济增长、促进区域协同发展的重要载体。因此，以中国三大城市群为研究单元，探究城市知识网络的演化规律及其与知识生产的协同关系，对于理解城市网络生长发育的组织规律以及城市创新生产系统的内在机理具有重要启示。
相关的研究主要沿着两条平行的脉络展开。一些学者基于不同类型的“知识流”数据研究了中国城市知识网络的结构特征及发育机理。在空间结构揭示方面，中国东部地区“内联外控”与中、西部地区“内弱外强”的关联格局形成了鲜明的对比[7]，知识流动高度依赖于少数巨型城市区域[8]。在拓扑结构解析方面，网络总体呈现“核心–边缘”和“金字塔式”的层级分布特征[9]，网络链接关系以“异配性”为主且兼具较小的平均路径长度和较大的集群系数[10-11]，推动着以省会城市为内核的小世界网络结构的形成[12]。在发育机理识别方面，创新水平、产业规模、经济规模等的城际差距塑造着城市间知识流动的空间格局[13-14]，地理、技术、制度等多维邻近机制影响着知识网络链接关系的形成[15-16]。另一些学者聚焦不同地理空间尺度的知识生产活动，研究了中国区域创新产出的时空格局。其中，县级空间尺度下的创新产出呈现以胡焕庸线为界的“东南–西北”分异格局，东部沿海地区表现为带状、块状的连绵分布，西部内陆地区表现为零星、点缀的镶嵌分布[17]。地级空间尺度下的创新产出呈现局部极化和整体网络化的空间格局，三大城市群（京津冀、长三角和珠三角城市群）在创新产出和知识溢出上的优势得到进一步加强[18]。省级空间尺度下的创新产出呈现与国土空间开发结构相吻合的“T字形”分布格局，形成了东部沿海创新带和中部内陆创新区两大创新热点区域[19]。
总体来看，城市知识网络和知识生产的研究已经取得丰富成果，但仍有可拓展之处。一是对城市知识网络与知识生产演化过程中内生结构效应的关注明显不足。城市知识网络的空间结构在本质上是一个动态过程，网络关系的形成和演化同时受到外生因素和内生因素的共同作用[20]。但当前的研究[11-14]还主要停留在对于外生属性因素的定量测度阶段，关于内生结构因素的解析力度不足。二是对城市知识网络与知识生产协同演化特征的研究较为薄弱。创新绩效对知识网络链接关系的反馈作用已在企业和产业层面被证实[21]。而城市层面的相关研究大多关注城市在知识网络中的权力地位对于知识生产的单向影响[22]，忽视了网络结构与创新绩效存在双向互动的特征事实。因此，城市知识网络与知识生产关系的认识不能简单停留在“谁决定谁”的浅显表层，而应在知识网络演化的过程中深入考察“结构–绩效”的相互作用关系。
基于以上考虑，本文以中国东部沿海地区京津冀、长三角和珠三角三大城市群62个地级及以上城市为样本，基于2001—2020年中国专利权转移数据和隶属联系模型构建城市知识网络，以专利申请数量表征城市知识生产水平，采用随机行动者模型定量解析了城市知识网络与知识生产的协同演化过程。本文尝试在两个方面做出创新性的努力：一是综合考虑内生结构因素与外生属性因素对城市知识网络与知识生产协同演化的作用机制，并对比分析了三大城市群协同演化路径的异质性特征；二是尝试提炼出三大城市群知识网络与知识生产协同演化过程的一般模式，并探讨了“流动空间”环境下城市创新空间组织相对于中心地体系的区别。本文期待加深国家创新中心发育规律的理解，并为新时期国家创新生态网络的建设提供一定参考。

1 理论基础与研究假说

知识网络关系已成为城市获取异质性知识的通道，城市创新能力的提高又会进一步强化城市的网络地位。因此，城市知识网络与知识生产存在互利共生的演化关系。一方面，城市通过知识网络获取多类型的知识、信息，降低知识生产的不确定性。同时，知识网络联系又可以有效降低知识互动和交易的成本，极大地提高了城市知识生产的货币外部性。另一方面，新知识的产出强化了城市间知识互动的频率，影响了城市知识网络的演化特征。大量的经验证据表明，提升经济活力的知识最初可能并不源自城市内部，城市知识生产会追寻外地潜在的知识库，因此新知识的产生进一步强化了城市在知识网络中的嵌入程度，使城市的“知识优势”转化为“网络优势”。由此提出假说：
H1：城市知识网络与知识生产存在相互促进的协同演化过程，即城市网络联系的增加会提升城市的知识生产能力，城市新知识的产生又会促进城市网络链接关系的形成。
具有丰富知识网络联系的城市汇聚了多类型的知识，有助于知识生产主体进一步吸引外部企业、科研机构的合作，减少了城市间合作的不确定性。因此，城市知识网络和知识生产可能存在积累式的自我强化效应。同时，单一的地理邻近机制无法解释其错综复杂的知识网络联系。城市吸收和转化知识网络联系的能力依赖于知识生产主体开放式的交流学习活动，文化邻近有利于降低城市对外部知识学习的成本。组织邻近城市拥有相似的创新政策和组织结构，这有利于降低城市间研发合作的不确定性，但也减弱了知识流动的异质性。此外，城市的知识结构决定了城市对于知识的认知水平，通常知识结构相似的城市拥有相似的认知基础。这对于高技术知识的转移尤为重要，但相似的认知基础意味着城市知识的同质性较高。由此提出假说：
H2：城市知识网络与知识生产的协同演化可能受到路径依赖机制和多维邻近性机制的影响。
不同地区创新系统内的产业分工和空间结构也不尽相同，城市知识网络与知识生产的协同演化过程可能存在异质性特征。一方面，城市可以通过横向和纵向的产业分工共享城市群内的生产要素和知识库，而资源配置能力的不同导致城市吸收和转化为外部知识的能力存在差异。另一方面，城市群存在单中心和多中心的发展模式，其中单中心模式的聚集效应通常更为明显，但也可能存在“集聚阴影”现象[23]。多中心模式在层级结构合理、整体经济水平高的区域能有效降低核心城市的拥挤效应，而对于经济发展水平低、产业结构相似的区域，多中心可能会使知识资源进一步分散，不利于知识网络与知识生产的协同演化过程。由此提出假说：
H3：城市知识网络与知识生产的协同演化可能依据所属城市群的不同进而表现出一定差异。

2 研究方法与数据来源

2.1 数据来源与知识网络的构建方法

专利交易作为知识市场的重要内容，是知识流动最为直接的体现。其中专利权转移包含交易双方研发合作的大量信息，被广泛应用于表征城市间技术知识流动。因此，本文基于2001—2020年中国三大城市群62个城市①(① 2020年中国三大城市群62个城市专利权转移量占全国专利权转移量的45.48%，专利申请量占全国专利申请量的59.31%。)专利权转移数据，采用Alderson等[24]提出的隶属联系模型构建知识网络，专利权转移数据源自incoPat全球专利数据库②(② https://www.incopat.com/ [2022-04-08])和Patentics专利数据库③(③ https://www.patentics.com/ [2022-04-10])，整理得到共计793518条专利权转移数据。知识网络的构建方法具体如下：如果城市i有m个专利的专利权转移到了城市j中，则认为城市i向城市j发送了m条网络链接关系。根据专利权转移的登记生效日，构建起2005年、2010年、2015年和2020年4个时期中国三大城市群知识流动有向权重矩阵。此外，本文以相同的方法分别构建了京津冀、长三角和珠三角城市群④(④ 考虑到珠三角城市群仅包含9个城市，为了避免样本量过少致使估计系数缺乏统计意义，本文根据广东省《关于构建“一核一带一区”区域发展新格局促进全省区域协调发展的意见》一文，将广东省沿海经济带和北部生态发展区的12个城市纳入到珠三角城市群范围进行分析，具体包括汕头、汕尾、揭阳、潮州、湛江、茂名、阳江、韶关、梅州、清远、河源、云浮。)4个时期的知识流动有向权重矩阵。

2.2 计量方法

2.2.1 随机行动者模型

Snijders等[25]提出的随机行动者模型（SAOMs）相较于计量模型和随机指数图模型，SAOMs不仅可以从整体的视角分析网络与城市属性的协同演化，还可以揭示内生网络结构效应对于协同演化的影响。知识网络演化和知识生产演化的目标函数分别如公式（1）和公式（2）所示：
$ {f}_{i}^{net}\left(x,{\textit{z}}\right)={\displaystyle\sum} _{k}{\beta }_{k}^{net}{s}_{ik}^{net}\left(x,{\textit{z}}\right) $
$ {f}_{i}^{beh}\left(x,{\textit{z}}\right)={\displaystyle\sum }_{k}{\beta }_{k}^{beh}{s}_{ik}^{beh}\left(x,{\textit{z}}\right) $
式中，$ {f}_{i}^{net}\left(x,{\textit{z}}\right) $和$ {f}_{i}^{beh}\left(x,{\textit{z}}\right) $分别表示在给定知识网络状态x和知识生产水平z的情况下，城市i在寻求知识网络和知识生产优化的目标函数；k表示不同网络效应；$ {\beta }_{k}^{net} $和$ {\beta }_{k}^{beh} $分别为城市的网络效应和属性效用的估计参数；$ {s}_{ik}^{net} $和$ {s}_{ik}^{beh} $分别为行动者网络和属性的相关效应。

2.2.2 变量设定

被解释变量。在基于网络和行动者的随机行动者模型中，被解释变量分别为2005年、2010年、2015年和2020年4个时期的城市知识网络和知识生产水平。由于R语言中的用于经验网络分析的仿真包（Siena）要求网络矩阵必须是二值的邻接矩阵，本文采取如下规则对网络进行二值化处理：如果城市i向城市j发送了n条链接，这n条链接占城市i总发出链接的1/N（N为城市样本数量）或者占城市j总接收链接的1/N，则认为城市i向城市j发送的网络链接是重要的，赋值为1；否则赋值为0。京津冀城市群、长三角城市群和珠三角城市群知识网络的有向权重矩阵均采用相同的方法进行二值化处理。
城市的知识生产水平参照Jaffe等[26]的研究选取专利申请量进行测度。尽管专利衡量城市的知识生产水平存在部分争议，但专利中包含多类型的知识信息，是知识生产最直观的体现。因此本文采用2001—2020年的专利申请量衡量城市的知识生产，数据源自佰腾网⑤(⑤ http://www.baiten.cn/[2022-04-20])。此外，在SAOMs中行动者的属性变量必须为有序离散数据，因此本文根据城市专利申请数量在样本中的排名重新赋值：专利申请数量最低的城市赋值为1，其余城市根据专利申请数量在样本中的排名依次增加，数值越高表明城市知识生产水平越高。京津冀、长三角和珠三角城市群的知识生产水平均采用上述方法进行重新赋值。
解释变量。本文根据李敬等[20]、Amati等[27]的研究，本文选用内生结构效应、协变量网络效应和行动者−关系效应检验城市知识网络与知识生产的协同演化过程，其中行动者−关系效应主要为接收者效应、发送者效应、趋同效应。具体变量描述如表1所述。
表1 SAOMs中的网络效应和变量描述

Table 1 Network effects and variable descriptions in SAOMs

影响因素类型效应公式变量描述
知识网络演化
的影响因素		密度效应（Den）$ {\displaystyle\sum }_{j}{x}_{ij} $网络联系的形成受到已有网络联系数量的影响
互惠效应（Rec）$ {\displaystyle\sum }_{j}{x}_{ij}{x}_{ji} $城市间双向网络关系数量增多
出度聚敛效应（Ops）$ {\displaystyle\sum }_{j}{x}_{ij}\sqrt{{x}_{j+}} $出度值较高的城市倾向于接收更多的网络链接关系
入度聚敛效应（Ips）$ {\displaystyle\sum }_{j}{x}_{ij}\sqrt{{x}_{+j}} $入度值较高的城市倾向于接收更多的网络链接关系
出度扩张效应（Oas）$ {x}_{i+}\sqrt{{x}_{i+}} $出度值较高的城市倾向于发送更多的网络链接关系
多维邻近矩阵（X）$ {\displaystyle\sum }_{j}{x}_{ij}{w}_{ij} $多维邻近关系影响着城市网络链接关系的建立
接收者效应（val）$ {\displaystyle\sum }_{j}{x}_{ij}({v}_{j}-\bar {v}) $城市属性值较高的城市更倾向于接收更多的网络链接关系
发送者效应（veg）$ {\displaystyle\sum }_{j}{x}_{ij}({v}_{i}-\bar {v}) $城市属性值较高的城市更倾向于发送更多的网络链接关系
离散数据趋同效应（vsi）$ {\displaystyle\sum }_{j}{x}_{ij}{sim}_{ij} $城市属性值相似的城市间更倾向于建立更多网络链接关系
二值数据趋同效应（vsa）$ {\displaystyle\sum }_{j}{x}_{ij}I({v}_{i}={v}_{j}) $城市类型相同的城市间更倾向于建立更多的网络链接关系
知识生产演化
的影响因素		线性效应（Lin）${ {\textit{z} } }_{i}-\bar { {\textit{z} } }$衡量知识生产整体增长趋势
二次型效应（Qua）$ {\left({{\textit{z}}}_{i}-\bar {{\textit{z}}}\right)}^{\text{2}} $测度知识生产分布的基本形状
出度效应（Odg）$ \left({{\textit{z}}}_{i}-\bar {{\textit{z}}}\right){\displaystyle\sum }_{j}{x}_{ij} $城市知识网络出度的增加促进了城市的知识生产水平
本文使用的地理邻近矩阵为一阶地理邻近矩阵：若城市i与城市j地理相邻，$ {w}_{ij}=1 $；反之，$ {w}_{ij}=0 $。文化邻近矩阵：若城市i与城市j属于同一方言区，$ {w}_{ij}=1 $；反之，$ {w}_{ij}=0 $，数据源自《中国语言地图集》[28]。组织邻近矩阵：若城市i与城市j同属于省会、直辖市、经济特区，$ {w}_{ij}=1 $；反之，$ {w}_{ij}=0 $。认知邻近矩阵：通过两城市产业结构相似度进行衡量。 ${w}_{ij}=\dfrac{{\displaystyle\sum }_{k}\left({ind}_{ik}\times {ind}_{jk}\right)}{\sqrt{{\displaystyle\sum }_{k}{ind}_{ik}^{2} \times {\displaystyle\sum }_{k}{ind}_{jk}^{2}}}$ ，$ {ind}_{ik} $和$ {ind}_{jk} $分别代表k产业产值占城市i和城市j的比重。此外如无特殊说明，本文所用数据均源自2001—2020年《中国城市统计年鉴》[29]。

3 结果与分析

3.1 城市知识网络联系和知识生产的耦合特征

从整体上看，三大城市群知识网络联系与知识生产水平的空间格局高度一致，且两者的耦合关系明显提升。具体来看，2005年和2020年三大城市群知识网络联系与知识生产主要集中在北京、上海、深圳等核心城市，位于耦合协调阶段的城市由22个增长到了42个。从城市群的视角看（图1），三大城市群知识网络联系与知识生产均表现出明显的核心–边缘结构，但存在明显的异质性特征。其中京津冀呈现以北京为主的单核心结构，边缘城市知识网络联系和知识生产水平增长缓慢；长三角知识网络联系和知识生产由以上海为主的单核心结构向多核心结构转变，苏州、杭州、南京、无锡、宁波逐渐成为新的核心城市，承担新知识孵化的职能；珠三角知识网络联系和知识生产始终是以广州、深圳为主的双核心发展模式，其中深圳以接收知识流为主转变为以发送知识流为主，其知识网络联系和知识生产水平逐渐在三大城市群中位于首位。
图1 2005年和2020年三大城市群知识网络联系与知识生产的空间格局

城市网络关系线段越粗，关系越紧密

Fig. 1 Spatial pattern of knowledge network linkages and knowledge production in the three major urban agglomerations in 2005 and 2020

3.2 城市知识网络与知识生产的协同演化机制

本文以三大城市群62个城市为样本，运用R程序的扩展包RSiena进行10000次迭代，得到随机行动者模型的估计结果，具体如表2所示。所有模型的t比率均小于0.1，表明回归结果具有良好的收敛性，模型估计参数是有效的。
表2 知识网络与知识生产的SAOMs估计结果

Table 2 Regression results of SAOMs of knowledge network and knowledge production

模型（1）
三大城市群总体		 模型（2）
三大城市群总体
估计系数 标准误 估计系数 标准误
知识网络演化
的影响因素		 密度效应（Den） –2.9720*** 0.1674 –3.1998*** 0.1701
互惠效应（Rec） 1.0043*** 0.0655 0.7470*** 0.0660
出度聚敛效应（Ops） –0.2427*** 0.0521 –0.1968*** 0.0433
入度聚敛效应（Ips） 0.4567*** 0.0453 0.4868*** 0.0537
出度扩张效应（Oas） 0.2847*** 0.0336 0.2812*** 0.0321
地理邻近矩阵（Geo） 1.3311*** 0.0909
文化邻近矩阵（Cul ） 0.5663*** 0.0766
组织邻近矩阵（Org） 0.1154** 0.0589
认知邻近矩阵（Cog） –0.1557 0.8006
人口接收者效应（Pal） 0.1249** 0.0492
人口发送者效应（Peg） –0.0389 0.0677
人口趋同效应（Psa） 0.0683 0.0456
经济接收者效应（Gal） –0.0227 0.0803
经济发送者效应（Geg） 0.2496** 0.1072
经济趋同效应（Gsa） –0.2162*** 0.0605
知识接收者效应（离散）（Kal） 0.0192*** 0.0030 0.0171*** 0.0031
知识接收者效应（二值）（Keg） 0.0250*** 0.0032 0.0218*** 0.0032
知识趋同效应（Ksi） –0.7824*** 0.1306 –0.7726*** 0.1537
知识生产演化
的影响因素		 线性效应（Lin） –0.0507** 0.0198 –0.0509** 0.0212
二次型效应（Qua） –0.0009* 0.0005 –0.0009* 0.0005
出度效应（Odg） 0.0050*** 0.0016 0.0050*** 0.0017

　　注：***、**、*分别表示 wald 检验在 1% 、5% 和 10% 的水平上显著。空白处表示该变量未被引入。

模型（1）和（2）中Kal、Keg、Ksi和Odg的估计系数均通过了1%的显著性水平检验，表明中国三大城市群知识网络与知识生产的演化过程整体呈现相互促进的协同演化特征。其中知识生产水平较高的城市倾向于发送和接收更多的网络链接关系，但Ksi的估计系数显著为负，说明知识生产的边缘城市更倾向于与核心城市建立网络链接关系。Odg的估计系数在所有模型中均显著为正，表明知识网络出度的增加有助于城市知识生产水平的提升，即城市控制网络资源的能力显著影响着城市的知识生产水平。由此，本文的假说H1得到验证。
表2中解释变量的回归结果进一步表明城市知识网络联系与知识生产的协同演化过程受到互惠链接、路径依赖、三方组效应以及多维邻近机制的影响。路径依赖机制也是影响三大城市群知识网络和知识生产协同演化的重要因素。在所有中Ips和Oas的估计系数显著为正，表明历史上发出和接收知识网络链接关系较多的城市倾向于发出和接收更多的网络链接关系。而Ops的估计系数显著为负，表明城市拥有较强发出知识流的能力并不意味着拥有较强接收知识流的能力。模型（2）中协变量的多维邻近矩阵的估计系数表明三大城市群知识网络与知识生产受到多维邻近性的影响。其中Geo、Cul 和Org的估计系数显著为正，表明三大城市群地理邻近、文化邻近和组织邻近的城市间更容易建立网络联系。模型（2）中接收者效应、发送者效应和趋同效应的估计系数同时表明三大城市群知识网络演化不仅受到城市知识生产的影响，同时受到经济规模、人口规模等城市属性因素的影响。由此，本文的假说H2得到验证。

3.3 城市知识网络与知识生产协同演化的异质性分析

本文进一步运用SAOMs对京津冀、长三角、珠三角三大城市群知识网络与知识生产协同演化过程的异质性特征进行检验。表3中模型（3）~（5）为京津冀城市群、长三角城市群和珠三角城市群的回归结果。具体分析如下：
表3 知识网络与知识生产的SAOMs异质性检验结果

Table 3 Heterogeneity regression results of SAOMs of knowledge network and knowledge production

模型（3）
京津冀城市群		模型（4）
长三角城市群		模型（5）
珠三角城市群
估计系数标准误估计系数标准误估计系数标准误
知识网络演化
的影响因素		密度效应（Den）–3.3680**1.5918–2.0988***0.3534–0.83531.2195
互惠效应（Rec）0.41580.40900.6517***0.13301.0026***0.2394
出度聚敛效应（Ops）1.69481.4100–0.16350.15120.95830.6284
入度聚敛效应（Ips）0.18750.69300.4122***0.1148–0.15410.4455
出度扩张效应（Oas）–0.25090.47980.2143**0.0797–0.34980.3886
地理邻近矩阵（Geo）0.9609***0.31370.8968***0.12871.3682***0.2806
文化邻近矩阵（Cul）0.9236***0.34790.06430.11440.10220.2038
组织邻近矩阵（Org）–0.37910.3748–6.8983**3.3725–1.43133.3970
认知邻近矩阵（Cog）–8.1138**3.80400.20850.17880.12540.2704
人口接收者效应（Pal）–0.53350.5103–0.3017**0.1470–0.34730.6148
人口发送者效应（Peg）0.28500.45330.14500.16280.53240.8557
人口趋同效应（Psa）0.10640.34740.2021*0.1086–0.9340*0.4757
经济接收者效应（Gal）–1.15331.22180.15210.1099–0.09640.2256
经济发送者效应（Geg）2.0284**1.00120.20160.13770.39720.2807
经济趋同效应（Gsa）–0.8185*0.41160.08810.0917–0.00560.1753
知识接收者效应（离散）（Kal）–0.05640.06950.0414***0.01270.02740.0399
知识接收者效应（二值）（Keg）0.1172*0.06580.0527***0.01530.2047***0.0612
知识趋同效应（Ksi）–0.47190.5947–0.8140***0.2487–2.2556***0.6851
知识生产演化
的影响因素		线性效应（Lin）–0.38790.2479–0.13210.0853–0.3423*0.1879
二次型效应（Qua）–0.00500.0194–0.00360.0038–0.01310.0099
出度效应（Odg） 0.1432* 0.08370.0193*0.01070.0629*0.0325

　　注：***、**、*分别表示wald检验在 1% 、5% 和 10% 的水平上显著。

模型（3）~（5）中Odg的估计系数均显著为正，表明三大城市群城市出度的增加均有助于强化城市的知识生产能力，但模型（3）~（5）中Kal、Keg、Ksi的估计系数却存在明显差异。其中，模型（3）中仅有Keg的估计系数显著为正，表明京津冀城市群知识生产水平的提升主要增加了城市发出网络链接关系的概率，城市群内网络链接的建立可能过度依赖于知识生产的核心城市；模型（4）中Kal、Keg的估计系数均显著为正，表明长三角城市群知识生产水平高的城市则倾向于发送和接收更多的知识网络联系。Ksi的估计系数显著为负，表明边缘城市与核心城市存在建立网络联系的倾向；模型（5）中Keg的估计系数显著为正且Ksi的估计系数显著为负，表明珠三角城市群边缘城市倾向于与核心城市建立网络链接关系，但网络链接关系更有可能由核心城市发出，边缘城市的知识生产可能更依赖于核心城市的辐射带动作用。
表3中解释变量的回归结果进一步表明三大城市群知识网络与知识生产的协同演化在多维临近机制方面存在显著差异。模型（3）中Cog的估计系数显著为负，表明京津冀地理邻近、文化邻近城市间更容易建立知识网络联系，而认知邻近则不利于网络联系的形成。模型（4）中Geo的估计系数显著为正、Org的估计系数显著为负，表明长三角地理邻近城市间更容易形成网络链接关系，而组织邻近则不利于网络链接关系的形成。模型（5）中Geo的估计系数显著为正，表明珠三角地理邻近城市间更容易形成网络联系。本文的假说H3得到验证。

3.4 知识网络与知识生产的协同演化模式

本文在上述分析结果的基础上，进一步的演绎了三大城市群知识网络与知识生产的协同演化模式（图2）：在知识网络与知识生产协同演化早期，城市间的知识网络联系以单向联系为主，并且主要由知识生产的核心城市发出。在知识网络与知识生产协同演化后期，网络联系主要表现为双向的互惠链接关系，在路径依赖和多维临近机制的综合作用下，形成了错综复杂的知识网络联系。
图2 中国三大城市群知识网络与知识生产的协同演化模式示意图

Fig. 2 Collaborative evolutionary model of knowledge network and knowledge production in three major urban agglomerations in China

4 结论与讨论

本文以中国东部沿海地区京津冀、长三角和珠三角三大城市群地级以上城市为研究单元，基于专利权转移数据构建城市间知识网络，采用随机行动者的网络动力学模型从内生结构效应、协变量网络效应和行动者–关系效应3个维度定量解析了城市知识网络与知识生产的协同演化过程。研究发现：
1） 城市知识网络与知识生产总体呈现相互促进的协同演化过程。城市知识生产水平的提高增加了城市发出和接收网络链接关系的概率，同时城市发出知识网络联系的能力强化了城市知识生产能力。
2） 城市知识网络与知识生产的协同演化过程受到路径依赖机制和多维邻近性机制的共同影响。其中，具有丰富网络链接关系的城市倾向于发出和接收更多的网络链接关系，地理邻近、文化邻近、组织邻近的城市间更容易形成知识网络联系。
3） 城市知识网络与知识生产的协同演化路径依据城市群的不同具有异质性特征。其中，京津冀城市群知识生产主要增加了城市发出知识网络联系的概率，地理邻近、文化邻近促进了城市知识网络联系的形成，认知邻近抑制了知识网络联系的形成；长三角城市群知识生产同时增加了城市发出和接收知识网络联系的能力，地理邻近促进了知识网络联系的形成，组织邻近抑制了城市知识网络联系的形成；珠三角城市群知识生产则主要增加了城市发出知识网络联系的形成，地理邻近促进了城市知识网络联系的形成。
本研究分析结果有助于以下两个方面的探讨。
1） 城市群区域创新系统理论的讨论。在区域创新系统理论中[30]，知识生产的集聚取决于难以复制和移动的要素，创新系统对于外部知识的获取受到地理邻近的强烈制约，知识生产具有明显的本地根植性。这与三大城市群知识网络与知识生产初期阶段的协同演化模式相似，知识网络联系主要建立在城市群内部，由知识生产的核心城市发出，核心城市与边缘城市缺乏稳定的知识交换活动。但伴随着两者的协同演化，区域创新系统的本地根植性被打破，城市群间形成了大量的知识网络“管道”。尽管地理临近仍然深刻影响区域创新系统的知识生产和知识流动，但远距离的知识网络联系强化了知识的货币性，区域创新系统的边界逐渐被模糊。
2）城市群单中心和多中心结构的讨论。目前国内外城市群发展的模式大致分为两类：一是单中心发展模式，二是多中心发展模式。但目前学者们对其的观点存在分歧：一部分学者通过对苏格兰地区、兰斯塔德城市群的研究，认为单中心更能充分发挥城市群的聚集效应[31-32]；另一部分学者对英伦城市群的研究[33]，认为多中心的结构的出现缓解了中心城市由于过度集聚所产生的负面效果。在本文的研究结果中，京津冀可能存在集聚阴影现象[23]，长三角和珠三角的多中心特征日益明显，知识生产和知识网络的空间格局变化较大。本文认为随着城市知识网络嵌入程度的深化，多中心的空间结构更有利于三大城市群知识网络和知识生产的协同发展。但在协同演化初期京津冀知识网络和知识生产的增长速度要远高于长三角和珠三角，单中心的集聚效应可能主要在城市网络协同演化的早期发挥作用。
本文的研究在一定程度上丰富了知识网络和知识生产关系的研究成果，但仍然存在以下两方面的不足：① 受限于数据获取途径，本文仅选取专利数据刻画城市的知识流动过程和知识生产活动。专利权转移与专利申请量之间存在一定内生性问题。未来研究有待于利用专利权转移、人才迁移、论文合作等综合指标对知识网络与知识生产进行刻画。② 本文主要基于SAOMs模型研究了城市知识网络与知识生产的协同演化过程，但SAOMs模型默认输入二值网络。尽管本文在对权重矩阵进行二值化处理的同时考虑了网络链接强度变化的影响，但不可避免的会缺失部分演化信息。未来期待研究方法的进一步完善。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
马海涛. 知识流动空间的城市关系建构与创新网络模拟[J]. 地理学报, 2020, 75(4): 708-721.

DOI

Ma Haitao. The theoretical construction and network simulation of intercity innovative relationships in knowledge flow space. Acta Geographica Sinica, 2020, 75(4): 708-721.

DOI

[2]
Bathelt H, Malmberg A, Maskell P. Clusters and knowledge: Local buzz, global pipelines and the process of knowledge creation[J]. Progress in Human Geography, 2004, 28(1): 31-56.

DOI

[3]
Rozenblat C. Opening the black box of agglomeration economies for measuring cities’ competitiveness through international firm networks[J]. Urban Studies, 2010, 47(13): 2841-2865.

DOI

[4]
盛科荣, 张杰, 张红霞. 上市公司500强企业网络嵌入对中国城市经济增长的影响[J]. 地理学报, 2021, 76(4): 818-834.

DOI

Sheng Kerong, Zhangjie, Zhang Hongxia. Network embedding and urban economic growth in China: A study based on the corporate networks of top 500 public companies. Acta Geographica Sinica, 2021, 76(4): 818-834.

DOI

[5]
戴靓, 曹湛, 张维阳, 等. 多重空间流视角下长三角城市网络特征分析[J]. 长江流域资源与环境, 2020, 29(6): 1280-1289.

Dai Liang, Cao Zhan, Zhang Weiyang et al. Comparative analysis of urban networks in the Yangtze River Delta based on multiplex intercity flows. Resources and Environment in the Yangtze Basin, 2020, 29(6): 1280-1289.

[6]
方创琳, 周成虎, 顾朝林, 等. 特大城市群地区城镇化与生态环境交互耦合效应解析的理论框架及技术路径[J]. 地理学报, 2016, 71(4): 531-550.

DOI

Fang Chuanglin, Zhou Chenghu, Gu Chaolin et al. Theoretical analysis of interactive coupled effects between urbanization and eco-environment in mega-urban agglomerations. Acta Geographica Sinica, 2016, 71(4): 531-550.

DOI

[7]
黄晓东, 马海涛, 苗长虹. 基于创新企业的中国城市网络联系特征[J]. 地理学报, 2021, 76(4): 835-852.

DOI

Huang Xiaodong, Ma Haitao, Miao Changhong. Connectivity characteristics for city networks in China based on innovative enterprises. Acta Geographica Sinica, 2021, 76(4): 835-852.

DOI

[8]
刘承良, 闫姗姗. 中国跨国城际技术通道的空间演化及其影响因素[J]. 地理学报, 2022, 77(2): 331-352.

DOI

Liu Chengliang, Yan Shanshan. Spatial evolution and determinants of transnational technology transfer network in China. Acta Geographica Sinica, 2022, 77(2): 331-352.

DOI

[9]
周锐波, 邱奕锋, 胡耀宗. 中国城市创新网络演化特征及多维邻近性机制[J]. 经济地理, 2021, 41(5): 1-10.

Zhou Ruibo, Qiu Yifeng, Hu Yaozong. Characteristics, evolution and mechanism of inter-city innovation network in China: From a perspective of multi-dimensional proximity. Economic Geography, 2021, 41(5): 1-10.

[10]
李丹丹, 汪涛, 魏也华, 等. 中国城市尺度科学知识网络与技术知识网络结构的时空复杂性[J]. 地理研究, 2015, 34(3): 525-540.

Li Dandan, Wang Tao, Wei Yehua et al. Spatial and temporal complexity of scientific knowledge network and technological knowledge network on China's urban scale. Geographical Research, 2015, 34(3): 525-540.

[11]
周灿, 曾刚, 曹贤忠. 中国城市创新网络结构与创新能力研究[J]. 地理研究, 2017, 36(7): 1297-1308.

Zhou Can, Zeng Gang, Cao Xianzhong. Chinese inter-city innovation networks structure and city innovation capability. Geographical Research, 2017, 36(7): 1297-1308.

[12]
马双, 曾刚. 多尺度视角下中国城市创新网络格局及邻近性机理分析[J]. 人文地理, 2020, 35(1): 95-103.

Ma Shuang, Zeng Gang. Analysis of China's urban innovation network pattern and its proximity mechanism from a multi-scale perspective. Human Geography, 2020, 35(1): 95-103.

[13]
Li Y, Luo W. Influencing factors of knowledge cooperation in urban agglomeration on Yangtze River Delta from the perspective of innovation network[J].Journal of Physics: Conference Series, 2021, 1852(4): 042041.

[14]
曹湛, 戴靓, 吴康, 等. 全球城市知识合作网络演化的结构特征与驱动因素[J]. 地理研究, 2022, 41(4): 1072-1091.

DOI

Cao Zhan, Dai Liang, Wu Kang et al. Structural features and driving factors of the evolution of the global interurban knowledge collaboration network. Geographical Research, 2022, 41(4): 1072-1091.

DOI

[15]
Li D, Wei Y D, Wang T. Spatial and temporal evolution of urban innovation network in China[J]. Habitat International, 2015, 49: 484-496.

DOI

[16]
Liu Y, Shao X, Tang M et al. Spatio-temporal evolution of green innovation network and its multidimensional proximity analysis: Empirical evidence from China[J]. Journal of Cleaner Production, 2021, 283: 124649.

DOI

[17]
刘晔, 曾经元, 王若宇, 等. 科研人才集聚对中国区域创新产出的影响[J]. 经济地理, 2019, 39(7): 139-147.

Liu Ye, Zeng Jingyuan, Wang Ruoyu et al. The relationship between geographical concentration of researchers and regional innovation in China. Economic Geography, 2019, 39(7): 139-147.

[18]
刘晔, 徐楦钫, 马海涛. 中国城市人力资本水平与人口集聚对创新产出的影响[J]. 地理科学, 2021, 41(6): 923-932.

Liu Ye, Xu Xuanfang, Ma Haitao. Impact of human capital stock and population concentration on innovative output in China. Scientia Geographica Sinica, 2021, 41(6): 923-932.

[19]
谭俊涛, 张平宇, 李静. 中国区域创新绩效时空演变特征及其影响因素研究[J]. 地理科学, 2016, 36(1): 39-46.

Tan Juntao, Zhang Pingyu, Li Jing. Spatio-temporal characteristics of regional innovation performance and its influencing factors in China. Scientia Geographica Sinica, 2016, 36(1): 39-46.

[20]
李敬, 刘洋. 中国国民经济循环: 结构与区域网络关系透视[J]. 经济研究, 2022, 57(2): 27-42.

Li Jing, Liu Yang. China's national economic circulation: A perspective of the structural and regional network relations. Economic Research Journal, 2022, 57(2): 27-42.

[21]
Antonelli C. Pecuniary externalities and the localized generation of technological knowledge[M]. Cheltenham: Edward Elgar, 2010.

[22]
Gui Q, Liu C, Du D. Does network position foster knowledge production? Evidence from international scientific collaboration network[J]. Growth and Change, 2018, 49(4): 594-611.

DOI

[23]
陈玉, 孙斌栋. 京津冀存在“集聚阴影”吗——大城市的区域经济影响[J]. 地理研究, 2017, 36(10): 1936-1946.

Chen Yu, Sun Bindong. Does “agglomeration shadow” exist in Beijing-Tianjin-Hebei region? Large cities’ impact on regional economic growth. Geographical Research, 2017, 36(10): 1936-1946.

[24]
Alderson A S, Beckfield J, Sprague-Jones J. Intercity relations and globalisation: The evolution of the global urban hierarchy, 1981—2007[J]. Urban Studies, 2010, 47(9): 1899-1923.

DOI

[25]
Snijders T A B, Van de Bunt G G, Steglich C E G. Introduction to stochastic actor-based models for network dynamics[J]. Social networks, 2010, 32(1): 44-60.

DOI

[26]
Jaffe A B. Technological opportunity and spillovers of R&D: Evidence from firms’ patents, profits and market value[J]. American Economic Review, 1986, 76(5): 984-1001.

[27]
Amati V, Lomi A, Mascia D et al. The co-evolution of organizational and network structure: The role of multilevel mixing and closure mechanisms[J]. Organizational Research Methods, 2021, 24(2): 285-318.

DOI

[28]
中国社会科学院语言研究所. 中国语言地图集. 汉语方言卷[M].第2版. 北京: 商务印书馆, 2012.

Institute of Linguistics, Chinese Academy of Social Sciences. Language atlas of China: Chinese dialect volume. 2nd edition. Beijing: The Commercial Press, 2012.

[29]
国家统计局. 中国城市统计年鉴[M]. 2001—2020. 北京: 中国统计出版社, 2001—2020.

National Bureau of Statistics. China city statistical yearbook. 2001—2020. Beijing: China Statistics Press, 2001—2020.

[30]
Braczyk H J, Cooke P, Heidenreich M. Regional innovation systems: The role of governances in a globalized world[M]. New York: Routledge, 2003.

[31]
Bailey N, Turok I. Central Scotland as a polycentric urban region: Useful planning concept or chimera?[J]. Urban Studies, 2001, 38(4): 697-715.

DOI

[32]
Meijers E. Polycentric urban regions and the quest for synergy: Is a network of cities more than the sum of the parts?[J]. Urban studies, 2005, 42(4): 765-781.

DOI

[33]
刘靖, 张岩. 国外城市群整合研究进展与实践经验[J]. 世界地理研究, 2015, 24(3): 83-90.

DOI

Liu Jing, Zhang Yan. Research progress and international experience of urban agglomeration integration. World Regional Studies, 2015, 24(3): 83-90.

DOI

Options
文章导航

/

〈 〉