Spatial-temporal evolution and influencing factors of artificial intelligence innovation collaboration network in China

Feng Yuman, Ma Li, Jin Fengjun

GEOGRAPHICAL SCIENCE ›› 2025, Vol. 45 ›› Issue (1) : 130-140.

PDF(12217 KB)
PDF(12217 KB)
GEOGRAPHICAL SCIENCE ›› 2025, Vol. 45 ›› Issue (1) : 130-140. DOI: 10.13249/j.cnki.sgs.20231033

Spatial-temporal evolution and influencing factors of artificial intelligence innovation collaboration network in China

Author information +
History +

Abstract

Using social network analysis and valued exponential random graph models, this paper analyzes the spatial-temporal patterns of China’s artificial intelligence industry’s innovation collaboration network from 2010 to 2021 and quantitatively examines its formation and evolutionary factors from 3 perspectives: network structure, multidimensional proximities and urban characteristics. The key findings are as follows: the artificial intelligence innovation collaboration network of Chinese cities exhibits a hierarchical structure, with Beijing serving as the center hub. Additionally, an urban innovation collaboration network gradually forms a “diamond” pattern comprising Beijing-Tianjin-Hebei region, the Yangtze River Delta region, the Pearl River Delta region, and Chengdu-Chongqing urban agglomeration. The network demonstrates typical heterogeneity attributes along with small-world characteristics and a “core-edge” structure. The dependence of artificial intelligence on technology and industry leads to the comprehensive impact of network self-organization, multi-dimensional proximity and urban innovation cooperation environment. The preferential attachment and the intermediary effect significantly promote network development, while the characteristics of technological proximity of innovation cooperation change from complementary innovation to the coexistence of complementary and collaborative innovation. Geographical distance and inter-provincial barriers no longer impede innovation cooperation. The urban innovation environment foster the breadth and depth of innovation collaboration but the disparities in development levels between cities hinder cooperation establishment.

Key words

artificial intelligence / innovation collaboration network / multidimensional proximity / valued exponential random graph models

Cite this article

Download Citations
Feng Yuman, Ma Li, Jin Fengjun. Spatial-temporal evolution and influencing factors of artificial intelligence innovation collaboration network in China[J]. GEOGRAPHICAL SCIENCE, 2025, 45(1): 130-140 https://doi.org/10.13249/j.cnki.sgs.20231033

人工智能是引领新一轮科技革命的前沿性技术,也是推动产业变革的战略性新兴产业,作为新质生产力的核心或将重塑未来区域发展格局。人工智能产业的基础是数据,其创新具有数据驱动型特征[1]。庞大的市场规模、丰富的数据资源,以及相对宽松的数据管理政策,被视为中国能够崛起为全球第二大人工智能产业集群的关键因素[2-3]。同时,人工智能作为一种通用技术[4],具有渗透性、协同性和替代性等“技术–经济”特性[5]。作为跨界融合的代表性领域,人工智能技术日益复杂,组织间的交流愈加频繁[6],创新合作有利于规避创新风险,也使合作成员能以较低成本共享知识溢出,提升创新绩效[7],是资源流动、成果转化的重要途径[8-9]。因此,人工智能产业创新具有结网能力强、跨界融合程度深的特点,是地区产业基础与人工智能创新能力的综合反映。探讨城市间人工智能产业创新的知识流动和创新协作关系是新时期区域积极拥抱新技术、参与新兴产业竞争的重要内容。
在经济地理学关系转向和网络科学思潮影响下,创新网络成为理解创新过程和城市发展的重要视角[10-11]。学者们探究了不同类型、不同空间尺度创新网络的空间格局及演化机制,并取得了较为丰富的研究成果。在研究对象方面,既有研究关注专利合作[12-13]、论文合作[14],技术转移[15]等显性知识的合作与扩散、正式的创新联系,“干中学”的知识溢出、人才与机构间的私下交流等隐性的、非正式的创新互动[16]。在研究尺度上,涉及产业集群[10]、城市群[17]、国家[12]、全球尺度[18]与多尺度空间模式[19],并强调创新本质上是多尺度嵌套与反馈的地理过程[20]。就网络形成与演进机制而言,学者们关注创新网络拓扑结构及其复杂性,综合多维邻近性与城市禀赋的外生动力和网络结构的内生动力分析网络演化机制[14, 21-22]。其中,创新网络具有显著自组织性特征;多维邻近性中的组织归属关系、技术相似性、地理距离关系是影响主体间达成合作的重要因素[23]。然而,现有研究主要分析城市整体的创新网络,对具体行业关注不足,尤其忽视产业特性对创新网络的影响[24];对城市禀赋与多维邻近性的机制认识已取得一定进展,但对网络自组织性的机制探究有待完善。
而在产业视角,对人工智能的研究涉及时空格局特征及影响因素[25]、区域人工智能产业路径创造分析[26]、人工智能创新对区域绿色技术专业化的影响[27]等。这些研究对人工智能产业时空格局和发展路径进行了详细刻画,但缺乏联系视角,忽略嵌入创新网络对于人工智能创新发展的重要意义。在创新空间从“地方空间”向“流空间”转变的背景下,创新网络是知识在区域和主体间流动的结果,也是城市实现技术创新和技术追赶的重要路径。因此,要理解人工智能发展格局,需综合考虑其所依托创新网络的内外生动力及演化机制。
综上所述,本文关注人工智能领域,采用社会网络分析方法和加权指数随机图模型,刻画中国城市人工智能创新合作网络的时空格局,揭示影响创新合作网络的内外生动力及其作用机制。研究贡献包括:① 采用加权指数随机图模型,将网络拓扑结构及其复杂性纳入人工智能创新网络的研究,丰富了网络影响机制的内涵;② 关注人工智能领域,探讨外生动力与内生动力对特定领域创新合作网络的作用机制,不仅补充当前城市创新网络的研究不足,也为中国区域人工智能发展的政策制定提供科学参考。

1 数据与方法

1.1 数据来源说明

本文以中国除港澳台外的地级市行政单元为研究区域。其中,人工智能合作发明专利申请数据来源于IncoPat数据库,影响因素数据主要来源于企查查、2010—2021年《中国城市统计年鉴》[28],个别缺失值采用插值法补充。

1.2 中国人工智能创新合作网络构建

人工智能技术在2010年深度学习算法、计算能力等突破后迎来爆发式增长[2]。发明专利申请被广泛用于表征创新[13]。因此,本文以2010—2021年为研究区间,基于专利数据分析中国人工智能创新合作网络演化及其影响因素。数据获取及处理方式如下:① 专利数据提取。筛选“主要新兴产业大类”为“人工智能”且申请人国家为中国,剔除申请人类型包含“个人”的发明专利申请,并筛选申请人数量≥2的专利,得到22 506件合作专利。② 城际合作网络构建。将专利归并至城市,构建城际创新合作矩阵。③ 数据清洗核查。剔除发生在城市内、与港澳台地区或国外合作的数据。由此,形成15 803条城际创新合作对。④ 数据平滑。为避免年度数据波动及考虑到发明专利申请所需的时间周期,采用2 a时间窗口平滑数据,将2010—2021年分为6个时间段:2010—2011年、2012—2013年、2014—2015年、2016—2017年、2018—2019年、2020—2021年。

1.3 研究方法

1.3.1 社会网络分析方法

采用节点度、平均度、度相关性系数、平均路径长度、平均集聚系数等指标考察创新合作网络的拓扑结构特征,并生成随机网络判断现实网络是否为小世界网络[12]

1.3.2 加权指数随机图模型

城市创新合作数量为非负整数且存在过度分散,学者们更倾向于采用网络计量模型,如多元回归二次指派模型、随机指数图模型(ERGM)等分析[29]。ERGM通过概率函数判别真实网络相比随机网络出现可能性,定量估计网络内生结构依赖和外生机制,被广泛应用于网络演化机制研究[22]。加权ERGM模型可对加权网络回归。因此,本文采用加权ERGM模型分析中国人工智能产业创新网络演化的动力机制。

2 人工智能产业创新合作格局分析

2.1 人工智能创新合作主体分析

根据专利申请人,识别企业、科研单位、大专院校及机关团体4类创新主体(图1)。2010—2021年,中国共有创新主体5148个,城际合作由企业主导,占比达77%。不同创新主体在合作伙伴数量上存在差异,企业倾向与多个机构合作,单次创新活动中每个企业平均拥有1.69个合作伙伴,而科研单位的合作机构仅为1.14个。此外,创新主体的活跃程度存在差异,大专院校以8%的主体数量贡献了15%专利数量,企业以77%的主体数量贡献了74%专利数量,而科研单位与机关团体则分别以11%、4%的主体数量贡献了不足9%、2%的专利数量。分年份看,创新主体数量增长率高于50%。其中,企业占比由2010—2011年的67%增至2020—2021年的74%,科研单位占比由8%提升至12%,而机关团体和大专院校占比分别下降1%、9%。
Fig. 1 Inventors compositions and output of cooperation of China artificial intelligence innovation collaboration network in 2010—2021

图1 2010—2021年中国城市间人工智能创新合作主体与合作产出数量

港澳台数据暂缺

Full size|PPT slide

2.2 人工智能创新合作网络演化分析

中国人工智能创新网络中节点的度相关性系数为负,表明城市间创新合作具有异配性,即节点度低、创新能力弱的城市倾向于与节点度高、创新能力强的城市进行合作,使网络发育呈“强者愈强”特征,形成由少量节点度高的核心城市与大量节点度较低的边缘城市构成的“核心–边缘”结构
将中国人工智能创新合作网络与规模一致的随机网络进行比较,发现其具有小世界网络特征,这一特征在京津冀和珠三角创新网络[30]、中国航空网络[31]中均存在。表明该网络的连通性较高,孤立的城市节点较少,但网络内部联系具有不均衡特征,少数城市间的创新合作占比较高。度中心性和中介中心性高的节点城市如北京、深圳、南京、上海、广州、杭州等,这些城市既是网络中的核心节点,与其他城市进行广泛创新合作与知识溢出,又是网络的中介主体,有助于缩短城市间知识流动的距离,提升城市间知识溢出水平。

2.3 人工智能创新合作网络时空格局分析

中国城市间人工智能创新合作网络形成以北京为核心的多层次结构,呈“东密西疏”格局,城市群是承载创新联系的主要空间(图 2)。
Fig. 2 China artificial intelligence innovation collaboration network in 2010—2021

图2 2010—2021年中国人工智能创新合作网络

基于审图号:GS(2023)2763号(自然资源部监制)绘制,底图无修改;港澳台数据暂缺

Full size|PPT slide

第一,创新网络形成了以北京为核心的多层次结构,与创新合作整体格局具有一致性[14]。北京是40%城市的最密切合作城市,与其科技创新中心的城市功能定位相符。位于第二梯队的南京、深圳、上海、广州、杭州是24%城市的最密切合作城市,这些城市在人工智能领域具有较强的竞争优势,拥有一批独角兽与细分领域龙头企业;第三梯队为苏州、武汉、成都等在细分领域具有竞争优势的专业型城市;第四梯队则为其余边缘城市。
第二,按中国四大经济区划分[32],创新联系东密西疏,东部以33%的城市数量产生了77%的创新联系,而中部、西部、东北分别仅有12%、9%、3%的创新联系。中西部城市主要与东部地区城市合作,占比达83%,为长距离合作主导模式,这与网络的择优链接机制有关[14],与创新能力高的城市进行合作有利于城市以最小成本获得最优网络资源。
第三,城市群是人工智能创新网络的承载主体。随着人工智能技术的喷涌式发展与成渝地区的崛起,创新合作网络逐渐由京津冀、长三角和珠三角城市群构成的“三角形”格局,演化为由4大城市群构成的“菱形”格局。总体而言,全国90%的创新联系发生在4大城市群,4大城市群内及城市群间分别产生了17%、33%的创新联系。

3 人工智能创新合作网络的影响因素分析

3.1 影响因素与模型设定

2016年,国家“十三五”规划首次将人工智能纳入,提出要重点突破新兴领域人工智能技术(https://www.gov.cn/xinwen/2016-03/17/content_5054992.htm)。因此本文将数据划分为2010—2015年、2016—2021年2个时间段,以城市间合作总数衡量城市间人工智能创新合作强度(inno),并从以下3个维度分析中国城市间人工智能创新合作网络演变的影响因素。
1)多维邻近性。沿用Boschma的多维邻近性研究框架[23],考虑城市尺度人工智能技术合作特征,关注技术邻近性(tech)、地理邻近性(geo)和组织邻近性(insti)对中国人工智能创新合作网络的影响[12,33]。采用Jaffe提出的余弦法测度技术邻近性[34],刻画人工智能产业的技术相似性。采用城市欧式距离倒数衡量地理邻近性,数值越大邻近性越高。组织邻近性指城市间政策、制度的相似性,参考王海花等[35],采用城市是否属于同一省份表征。
2)城市创新合作环境。城市创新合作环境考虑城市创新环境与人工智能产业特性两方面,采用2010—2015年、2016—2021年均值衡量。中国人工智能产业的创新模式以场景应用为导向,关键创新要素包括数据、人才等[36],发达城市具有规模宏大的用户,为人工智能的算法优化、产品研发提供充分测试空间。采用GDP衡量城市经济规模(gdp),财政支出中科学技术支出衡量城市科技发展(sci);鉴于前文企业是创新主体的发现,采用新成立人工智能企业数量衡量人工智能产业发展水平(comp)。城市创新合作环境对创新网络的影响包括马太效应(hom)与异配效应(het),前者衡量属性越强的城市是否拥有越多联系,后者考察城市间属性差异是否影响联系[14]
3)网络自组织性。城市创新合作网络具有自组织机制,即已存在的边会影响未来边生成的概率,与城市的社会、经济和制度等特征无关。本文选取加权边(sum)、K星构型(node)和三元组(transi)3个变量检验基本效应、择优链接偏好效应和中介效应。其中,基本效应用于判定网络是否随机形成;择优链接偏好效应衡量新加入网络的城市是否倾向于与高能级城市合作;中介效应指当网络中的2个城市共享合作伙伴时拥有更高合作概率。

3.2 影响因素分析

根据加权指数随机图模型和变量设定,分别对2010—2015年、2016—2021年数据进行分析,由于创新合作联系为计数数值且存在过度分散趋势,采用负二项分布作为参考分布,所有模型中零膨胀系数均显著为负,表明模型可靠。模型结果如表1 所示,模型1、5为只包括网络内生基本效应的基准模型,模型2、6加入择优链接效应和中介效应,模型3、7只包括多维邻近性和城市创新合作环境变量,模型4、8的自变量则包括所有变量。根据赤池信息准则(AIC)和贝叶斯信息准则(BIC),上述模型在加入变量后拟合优度提升,表明多维邻近性、城市创新合作环境和网络内生结构因素对人工智能创新网络模型拟合优度改进具有重要作用。
Table 1 Regression results of valued exponential random graph models

表1 加权指数随机图模型结果

模型变量 2010—2015年 2016—2021年
模型1 模型2 模型3 模型4 模型5 模型6 模型7 模型8
  注:***P<0.001, **P<0.01,*P<0.05;括号中数值为标准误;空白处为未涉及此项;港澳台数据暂缺;nonzero为边数;加权边(sum);K星构型(node);三元组(transi);技术邻近性(tech);地理邻近性(geo);组织邻近性(insti);经济规模(gdp);科技发展(sci);人工智能产业发展水平(comp);马太效应(hom)与异配效应(het)为城市创新合作环境对创新网络的影响。
网络自组织性
sum 0.3447***
0.1065
1.0998***
0.1481
1.9308***
0.2256
1.9058***
0.2306
0.2445***
0.0547
0.6816***
0.0828
1.9930***
0.1415
2.0667***
0.1501
node 1.8024***
0.1077
1.8604***
0.1768
1.3157***
0.0723
0.9747***
0.0680
transi 0.2176**
0.0890
0.1279
0.1020
0.0356
0.0657
0.1828**
0.0785
多维邻近性
geo 0.0014
0.0020
0.0018
0.0022
0.0014
0.0013
0.0020
0.0013
insti 0.0342
0.2841
0.2186
0.2748
0.0679
0.1273
0.0902
0.1317
tech 0.0922***
0.0296
0.0902***
0.0329
0.0211
0.0272
0.0236
0.0276
城市创新合作环境(马太效应)
homgdp 0.0154***
0.0046
0.0188***
0.0044
0.0307***
0.0030
0.0281***
0.0029
homsci 0.0090
0.0104
0.0138
0.0111
0.0146**
0.0064
0.0093
0.0060
homcomp 0.0112***
0.0017
0.0103***
0.0015
0.0020***
0.0003
0.0021***
0.0003
城市创新合作环境(异配效应)
hetgdp 0.0002
0.0051
0.0003
0.0051
0.0057*
0.0030
0.0108***
0.0031
hetsci 0.0074
0.0105
0.0009
0.0112
0.0220***
0.0062
0.0251***
0.0061
hetcomp 0.0067***
0.0016
0.0086***
0.0015
0.0013***
0.0003
0.0010***
0.0003
nonzero 4.8835***
0.1820
4.6539**
0.1820
3.7002***
0.2011
4.1386***
0.2010
5.1208***
0.0970
4.9649***
0.0959
4.1232***
0.1113
4.3651***
0.1040
AIC 27871 28958 28034 28232 111066 111418 111780 112130
BIC 27857 28931 27958 28142 111049 111385 111689 112022

3.2.1 网络自组织性

基本效应系数在1‰水平上显著为负,表明人工智能创新合作网络并非随机网络,城市建立并维系合作关系需要付出成本[37],内外生因素对驱动创新网络的发育具有重要意义。
择优链接效应系数在1‰水平上显著为正,表明在创新主体尺度[6]和城市尺度,人工智能创新合作均具有网络自演化的成长性,即新加入网络的城市倾向与高能级城市合作,以最小成本获得最大知识溢出。2010—2015年,相较于与其他城市,新加入城市与已经拥有很多联系的城市合作的概率高6倍(e1.8604),2016—2021年则下降为3倍。这是因为技术探索期,创新进入门槛较高,城市更倾向于与网络地位高、创新能力强的城市合作,高效地实现知识溢出;随着越来越多人工智能开源平台建立,及新技术多在已有基础模型和工具体系上创新,非核心城市在开源社区中也能高效地获得知识溢出与成果产出。
模型2中介效应显著为正且通过1%显著性检验,但模型4加入多维邻近性与城市特征变量后,中介效应不显著,这可能是因为这一效应与外生变量之间具有依赖关系,外生变量可对网络自组织过程进行解释。模型8中介效应显著为正,这与已有研究结果一致[6],表明具有相同合作伙伴的城市倾向于建立创新合作联系与合作联盟。因此,政府应积极推动产业联盟、创新联盟发展,构建互联互通、高度集聚的创新网络,使知识在城市间高效传播,进而提升人工智能创新的整体水平。

3.2.2 多维邻近性

模型4技术邻近性在1‰水平下显著为负,表明该阶段创新合作以互补创新为主,城市倾向于与自身技术结构相异的城市合作,以产生激进创新,实现开创性的技术突破[38]。模型8技术邻近性为正但未通过检验,表明该时期互补合作与协同合作并存。这符合中国人工智能产业发展现状:中国人工智能产业渗透至金融、医疗、教育等行业,不同领域的交叉创新有利于创新主体在市场竞争中保持领先优势[6];同时协同创新有利于共克发展难题,符合双边城市利益最大化。地理邻近性为正但未通过显著性检验,表明距离未限制创新合作。这是因为人工智能包含大量高度编码化的科学知识[33],距离遥远的城市可以通过互联网进行知识交流与合作。此外,“全国123出行交通圈”建设带来的时空压缩效应使城市间的社会经济联系不受地理距离限制[39]。组织邻近性系数为正但未通过显著性检验,表明创新合作不存在省际壁垒,这与上文对创新网络具有异配性的分析结论相符。

3.2.3 城市创新合作环境

马太效应方面,模型4、8表明经济发展水平较高、人工智能产业较发达的城市更倾向于创新合作。这是因为这些城市往往具有活跃的风险投资、优良的创新政策以及旺盛的市场需求,人工智能产业创新发展无论在基础研究还是应用开发方面均具有显著竞争优势。科技发展投入系数不显著,与杜亚楠等人的研究结果一致[17]
异配效应方面,模型4仅产业发展水平系数在1‰水平下显著为负,这是因为在技术发展早期,有能力创新合作的城市较少,因此经济实力、科技投入的差距并不显著影响创新合作的择优链接。模型8中,变量系数均在1‰水平下显著为负,即城市间经济规模、人工智能产业发展水平、科技发展投入的差距越大,越不利于城市间的创新合作。表明尽管新加入创新网络的城市具有通过与网络中地位较高的城市进行创新联系以获得最大知识溢出的倾向,但这一择优链接过程建立在一定的经济、产业和科技投入基础之上。

3.3 中国人工智能创新网络格局演化机制

中国人工智能创新合作网络格局演化机制如图3。在创新网络形成之初,由于人工智能科学知识高度编码化特征,高水平的城市创新合作环境是合作开展的基础和先决条件。地理与组织邻近并非技术交流的必要条件,城市间人工智能创新合作往往源于对差异化知识的需求,进行互补创新以实现技术开发。与多数创新网络一致[14,22,37],网络自组织性是主导中国人工智能创新网络发育的内生动力,其择优链接效应推动网络发育。因此,在发展初期,创新合作活动集中在技术基础较高的3大城市群,构成“三角形”结构。
Fig. 3 Mechanism analysis of artificial intelligence innovation collaboration network of China

图3 中国人工智能创新合作网络演化机制总结

Full size|PPT slide

随着人工智能技术发展,学科交叉融合创新和产业化应用创新的涌现改变了创新合作网络机制。相较于发展初期,网络自组织性仍是推动创新网络发育的重要内生动力,但多维邻近性和城市创新合作环境对创新网络的影响有所改变。择优链接效应依然起重要作用,且中介效应对创新网络发展的作用凸显,共享合作伙伴的城市倾向于建立合作关系进而推动城市间合作联盟的形成。在择优链接效应的推动下,大量边缘城市与高能级城市合作进而嵌入创新网络,推动网络的快速发育和城市合作联盟的发展壮大。良好的创新合作环境依然是创新合作开展的基础,且创新合作环境水平差距对合作开展的制约作用逐渐凸显,尚未融入创新网络的后发地区可能面临被边缘化的风险。就多维邻近性而言,不同于整体层面的创新合作[12],其并非网络发育完善的决定性因素,这是因为人工智能产业创新生态系统不局限于特定的空间尺度,众多合作联盟如中国人工智能产业发展联盟、新一代人工智能产业技术创新战略联盟等均为全国性组织,使知识流动不受地理距离、省际壁垒的绝对约束。同时,城市间创新合作由互补创新主导演化为互补与协同创新共同主导,意味着城市间人工智能合作方式随产业、技术发展的生命周期而发生变化。因此,随着人工智能技术发展,在内外生动力综合作用下,中国人工智能的创新合作规模、网络连通性不断提升,由4大城市群构成的“菱形”结构、以北京为核心的网络层级体系逐渐发育完善。

4 结论与建议

本文基于2010—2021年合作发明专利申请数据构建中国人工智能产业创新合作网络,对其时空格局与拓扑结构进行分析,并采用加权指数随机图模型,从网络自组织性、多维邻近性、城市创新合作环境3个角度探究创新合作网络的演化机制,研究结论如下:① 中国城市间人工智能创新合作网络由企业主导形成,呈“东密西疏”特征,形成以北京为核心、由京津冀、长三角、珠三角和成渝城市群构成“菱形”格局的多层次网络。城市合作日趋频繁,城市群辐射带动创新能力整体提升,网络小世界特征显著,城市联系紧密。② 人工智能创新合作网络是网络自组织效应、多维邻近性与城市创新合作环境综合作用的结果。网络自组织的成长性、择优链接和中介效应促进网络发育,一般城市通过与高能级城市开展创新合作提升创新能力;具有相同合作伙伴的城市更倾向于建立合作并促进合作联盟建立。地理与组织邻近性对创新合作无显著影响,技术邻近性仅在网络发展初期有影响,城市间合作由互补合作转向互补与协同合作并存。就城市创新合作环境而言,经济实力、产业发展水平提升有助于促进创新合作,但政府科技投入的积极作用尚未发挥;而城市创新合作环境发展水平差距在一定程度上阻碍创新合作,这可能会导致城市人工智能产业创新发展的两极分化。
根据上述结论,对中国人工智能协同创新发展提出以下政策建议:第一,企业在中国城际人工智能创新合作中起主导作用,但产学研的协同合作有待深化,应积极构建企业主导的产学研深度融合创新体系;第二,创新联系的择优链接导致城市创新网络呈极化发展态势,应积极推动跨地域人工智能开放创新平台、产业联盟等的建设,通过政策手段引导创新资源优化配置,避免技术锁定的同时为边缘城市在新一轮技术革命中提供弯道超车机会;第三,择优链接建立在一定的城市发展水平之上,因此位于创新网络边缘的城市应积极推进城市基础创新环境建设,提升自身对高能级城市的吸引力,与高能级城市在特定领域建立深度伙伴关系,从而更高效地吸纳高能级城市的知识溢出。第四,城市在加大科技投入的同时要充分发挥市场要素在高新技术产业发展的作用。
人工智能是代表性的前沿性和综合性技术,对中国人工智能创新网络内外生动力的探讨对推进中国高技术产业的发展,构建完善创新体系具有重要的参考价值。但考虑到模型的适用性,本文难以对城市创新合作网络的时间依赖性分析,未来可基于随机行动者模型分析网络动态演化机制。此外,本研究仅关注专利数据,未来将结合论文、产品合作、人才等显性与隐性要素流动,综合分析创新网络格局、形成机制及其对区域发展的影响。

References

[1]
Xu Y, Liu X, Cao X et al. Artificial intelligence: A powerful paradigm for scientific research[J]. The Innovation, 2021, 2(4): 100179.
[2]
Yu Z, Liang Z, Xue L. A data-driven global innovation system approach and the rise of China’s artificial intelligence industry[J]. Regional Studies, 2022, 56(4): 619-629.
[3]
Ding J. Deciphering China’s AI dream[R/OL].(2018-03-14)[2023-12-18]. https://www.fhi.ox.ac.uk/wp-content/uploads/Deciphering_Chinas_AI-Dream.pdf.
[4]
Agrawal A, Gans J, Goldfarb A. Economic policy for artificial intelligence[J]. Innovation Policy and the Economy, 2019, 19(1): 139-159.
[5]
郭朝先, 方澳. 全球人工智能创新链竞争态势与中国对策[J]. 北京工业大学学报(社会科学版), 2022, 22(4): 88-99
Guo Chaoxian, Fang Ao. Competitive situation of global AI innovation chain and China’s countermeasures[J]. Journal of Beijing University of Technology (Social Sciences Edition), 2022, 22(4): 88-99.
[6]
陈钰芬, 王科平. 多维邻近性视角下人工智能合作创新网络演化研究[J]. 管理学报, 2023, 20(7): 1045-1055
Chen Yufen, Wang Keping. Research on the evolution of AI cooperative innovation network from the perspective of multi-dimensional proximities[J]. Chinese Journal of Management, 2023, 20(7): 1045-1055.
[7]
曹湛, 朱晟君, 戴靓, 等. 多维邻近性对区域创新合作网络形成的影响——基于江浙沪医学科研机构的实证[J]. 地理研究, 2022, 41(9): 2531-2547
Cao Zhan, Zhu Shengjun, Dai Liang et al. The impact of multidimensional proximity on the formation of regional innovative collaboration network: A case study of medical science institutions in the Jiangsu-Zhejiang-Shanghai region[J]. Geographical Research, 2022, 41(9): 2531-2547.
[8]
Huggins R, Thompson P. A network-based view of regional growth[J]. Journal of Economic Geography, 2014, 14(3): 511-545.
[9]
周灿, 曾刚, 辛晓睿, 等. 中国电子信息产业创新网络演化——基于SAO模型的实证[J]. 经济地理, 2018, 38(4): 116-122
Zhou Can, Zeng Gang, Xin Xiaorui et al. The dynamics of China’s electronic information industry innovation networks: An empirical research based on SAO model[J]. Economic Geography, 2018, 38(4): 116-122.
[10]
Giuliani E. The selective nature of knowledge networks in clusters: Evidence from the wine industry[J]. Journal of Economic Geography, 2007, 7(2): 139-168.
[11]
曾刚, 王秋玉, 曹贤忠. 创新经济地理研究述评与展望[J]. 经济地理, 2018, 38(1): 19-25
Zeng Gang, Wang Qiuyu, Cao Xianzhong. Review on innovation economic geography[J]. Economic Geography, 2018, 38(1): 19-25.
[12]
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[J]. Economic Geography, 2021, 41(5): 1-10.
[13]
Yao L, Li J, Li J. Urban innovation and intercity patent collaboration: A network analysis of China’s national innovation system[J]. Technological Forecasting and Social Change, 2020, 160: 120185.
[14]
戴靓, 曹湛, 马海涛, 等. 中国城市知识合作网络结构演化的影响机制[J]. 地理学报, 2023, 78(2): 334-350
Dai Liang, Cao Zhan, Ma Haitao et al. The influencing mechanisms of evolving structures of China’s intercity knowledge collaboration networks[J]. Acta Geographica Sinica, 2023, 78(2): 334-350.
[15]
刘承良, 管明明, 段德忠. 中国城际技术转移网络的空间格局及影响因素[J]. 地理学报, 2018, 73(8): 1462-1477
Liu Chengliang, Guan Mingming, Duan Dezhong. Spatial pattern and influential mechanism of interurban technology transfer network in China[J]. Acta Geographica Sinica, 2018, 73(8): 1462-1477.
[16]
李迎成, 杨钰华, 马海涛. 邻近视角下长三角城市多尺度创新网络形成的微观机制[J]. 地理学报, 2023, 78(8): 2074-2091
Li Yingcheng, Yang Yuhua, Ma Haitao. The micro-mechanisms of the formation of multi-scale urban innovation networks in the Yangtze River Delta megalopolis from the perspective of proximity[J]. Acta Geographica Sinica, 2023, 78(8): 2074-2091.
[17]
杜亚楠, 王庆喜, 王忠燕. 多维邻近下中国三大城市群创新网络演化特征及机制研究[J]. 地理科学, 2023, 43(2): 197-207
Du Yanan, Wang Qingxi, Wang Zhongyan. Characteristics and mechanism of innovation networks in three major urban agglomerations of China from the perspective of multidimensional proximities[J]. Scientia Geographica Sinica, 2023, 43(2): 197-207.
[18]
Awate S, Mudambi R. On the geography of emerging industry technological networks: The breadth and depth of patented innovations[J]. Journal of Economic Geography, 2018, 18(2): 391-419.
[19]
张凯煌, 千庆兰, 陈清怡. 多尺度视角下中国新能源汽车产业创新空间格局及网络特征[J]. 地理科学进展, 2021, 40(11): 1824-1838
Zhang Kaihuang, Qian Qinglan, Chen Qingyi. Multilevel spatial patterns and network characteristics of China’s new energy vehicle industrial technological innovation[J]. Progress in Geography, 2021, 40(11): 1824-1838.
[20]
符文颖, 杨家蕊. 创新地理学的批判性思考——基于中国情境的理论创新[J]. 地理研究, 2020, 39(5): 1018-1027
Fu Wenying, Yang Jiarui. Critical reflections on the geography of innovation: A perspective of theoretical progress from Chinese scenarios[J]. Geographical Research, 2020, 39(5): 1018-1027.
[21]
Balland P A, Belso-Martínez J A, Morrison A. The dynamics of technical and business knowledge networks in industrial clusters: Embeddedness, status, or proximity?[J]. Economic Geography, 2016, 92(1): 35-60.
[22]
戴靓, 刘承良, 王嵩, 等. 长三角城市科研合作的邻近性与自组织性[J]. 地理研究, 2022, 41(9): 2499-2515
Dai Liang, Liu Chengliang, Wang Song et al. Proximity and self-organizing mechanisms underlying scientific collaboration of cities in the Yangtze River Delta[J]. Geographical Research, 2022, 41(9): 2499-2515.
[23]
Boschma R. Proximity and innovation: A critical assessment[J]. Regional Studies, 2005, 39(1): 61-74.
[24]
龚忠杰, 马丽. 珠三角城市群电子计算机产业链与创新链融合空间格局与演化路径[J]. 地理学报, 2023, 78(12): 3000-3017
Gong Zhongjie, Ma Li. Spatial integration and path evolution of electronic computer industry production chain and innovation chain in the Pearl River Delta[J]. Acta Geographica Sinica, 2023, 78(12): 3000-3017.
[25]
邹伟勇, 熊云军. 中国城市人工智能发展的时空演化特征及其影响因素[J]. 地理科学, 2022, 42(7): 1207-1217
Zou Weiyong, Xiong Yunjun. Spatio-temproral evolution characteristics of AI development in Chinese cities and its influencing factors[J]. Scientia Geographica Sinica, 2022, 42(7): 1207-1217.
[26]
Gherhes C, Vorley T, Vallance P et al. The role of system-building agency in regional path creation: Insights from the emergence of artificial intelligence in Montreal[J]. Regional Studies, 2022, 56(4): 563-578.
[27]
Cicerone G, Faggian A, Montresor S et al. Regional artificial intelligence and the geography of environmental technologies: Does local AI knowledge help regional green-tech specialization?[J]. Regional Studies, 2023, 57(2): 330-343.
[28]
国家统计局. 中国城市统计年鉴[M]. 2010—2021. 北京: 中国统计出版社, 2010—2021
National Bureau of Statistics of China. China city statistical yearbook. 2010—2021. Beijing: China Statistics Press, 2010—2021.
[29]
Hermans F. The contribution of statistical network models to the study of clusters and their evolution[J]. Papers in Regional Science, 2021, 100(2): 379-403.
[30]
盛彦文, 苟倩, 宋金平. 城市群创新联系网络结构与创新效率研究——以京津冀、长三角、珠三角城市群为例[J]. 地理科学, 2020, 40(11): 1831-1839
Sheng Yanwen, Gou Qian, Song Jinping. Innovation linkage network structure and innovation efficiency in urban agglomeration: A case of the Beijing-Tianjin-Hebei, the Yangtze River Delta and the Pearl River Delta. Scientia Geographica Sinica, 2020, 40(11): 1831-1839.
[31]
Wang J, Mo H, Wang F. Evolution of air transport network of China 1930—2012[J]. Journal of Transport Geography, 2014, 40: 145-158.
[32]
李国平, 朱婷, 孙瑀. 高质量区域空间格局构建下中国经济区划调整研究[J]. 地理科学, 2024, 44(1): 20-29
Li Guoping, Zhu Ting, Sun Yu. Adjusting territorial and economic zoning of China to build a high-quality regional spatial pattern. Scientia Geographica Sinica,2024,44(1):20-29.
[33]
Sanzogni L, Guzman G, Busch P. Artificial intelligence and knowledge management: Questioning the tacit dimension[J]. Prometheus, 2017, 35(1): 37-56.
[34]
Jaffe A B. Characterizing the “technological position” of firms, with application to quantifying technological opportunity and research spillovers[J]. Research Policy, 1989, 18(2): 87-97.
[35]
王海花, 孙芹, 郭建杰, 等. 长三角城市群协同创新网络演化动力研究: 基于指数随机图模型[J]. 科技进步与对策, 2021, 38(14): 45-53
Wang Haihua, Sun Qin, Guo Jianjie et al. Research on evolution dynamic of collaborative innovation network in the urban agglomeration of Yangtze River Delta Based on ERGM[J]. Science & Technology Progress and Policy, 2021, 38(14): 45-53.
[36]
中国新一代人工智能发展战略研究院. 中国新一代人工智能科技产业发展 2023[R/OL]. (2023-05-19)[2023-12-10]. https://cingai.nankai.edu.cn/2023/0519/c10232a512669/page.htm
Chinese Institute of New Generation Artificial Intelligence Development Strategies. China’s new generation artifical intelligence technology industry development report 2023. (2023-05-19)[2023-12-10]. https://cingai.nankai.edu.cn/2023/0519/c10232a512669/page.htm.
[37]
Chong Z, Pan S. Understanding the structure and determinants of city network through intra-firm service relationships: The case of Guangdong-Hong Kong-Macao Greater Bay Area[J]. Cities, 2020, 103: 102738.
[38]
Grashof N, Kopka A. Artificial intelligence and radical innovation: An opportunity for all companies?[J]. Small Business Economics, 2023, 61(2): 771-797.
[39]
金凤君, 陈卓. 新时代交通强国的地理内涵与目标[J]. 经济地理, 2023, 43(2): 1-9
Jin Fengjun, Chen Zhuo. Geographical connotation and target system of building national strength in transportation in the new era[J]. Economic Geography, 2023, 43(2): 1-9.

Funding

National Natural Science Foundation of China(42071158)
National Natural Science Foundation of China(72050001)
National Natural Science Foundation of China(42471201)

RIGHTS & PERMISSIONS

Copyright reserved © 2023.
PDF(12217 KB)

Collection(s)

创新驱动发展

348

Accesses

0

Citation

Detail

Sections
Recommended

/