EN中文

GEOGRAPHICAL SCIENCE >

2025 , Vol. 45 >Issue 12: 2600 - 2612

DOI: https://doi.org/10.13249/j.cnki.sgs.20250928

Spatio-temporal evolution and growth effects of technological correlation network in the Yangtze River Delta

  • Lu Zhaopeng , 1 ,
  • Zhang Hong , 1, 2, 3, * ,
  • Fan Fei 4
Expand
  • 1. School of Geographic Sciences, East China Normal University, Shanghai 200241, China
  • 2. Institute for Global Innovation & Development, East China Normal University, Shanghai 200062, China
  • 3. The Center for Modern Chinese City Studies, East China Normal University, Shanghai 200062, China
  • 4. Economics and Management School, Wuhan University, Wuhan 430072, Hubei, China

Received date: 2025-07-23

  Revised date: 2025-09-11

  Online published: 2025-11-10

Supported by

National Natural Science Foundation of China(42171420)

National Social Science Foundation of China(23&ZD068)

Soft Science Foundation of Shanghai(24692115600)

Copyright

Copyright reserved © 2025.
Fold

Abstract

In the era of the knowledge economy, endogenous technological relatedness has increasingly evolved into networked configurations, profoundly reshaping the micro-level transmission mechanisms and output pathways of regional innovation. The spatiotemporal complexity and growth effects of these networks have attracted growing scholarly attention. Drawing on technological correlation theory, this study examines the spatiotemporal evolution and growth effects of the technological correlation network in the Yangtze River Delta (YRD) from 2002 to 2021. Results show that the network has expanded steadily, with deepening technological integration and a marked concentration of globally connected technologies along the Shanghai-Nanjing-Hefei-Hangzhou-Ningbo corridor. Its structural backbone has shifted from single-core dominance to multi-core concurrency, where star-shaped, chain-like, and tree-like patterns coexist, and the rise of hub and backbone technologies has become a key driver of urban innovation. The network also demonstrates strong modularity: the number of communities remains stable, yet their scales diverge and compositions diversify, with core technologies rooted both in origin hubs such as Shanghai, Nanjing, and Hangzhou and in application markets including Changzhou, Nantong, and Huzhou. While the knowledge base of individual technological clusters shows increasing diversification, cities with concentrated innovation resources—such as Nantong, Yancheng, and Jinhua—tend to prioritize specific domains. Patterns of urban network evolution can be categorized as comprehensive innovation, horizontal expansion, vertical specialization, or balanced low-level growth, broadly aligned with economic and administrative hierarchies. Growth effects are heterogeneous: aggregation and chain-like structures yield rising marginal benefits, while modular and global features follow an inverted U-shaped trajectory. These dynamics are further moderated by the scale of universities, enterprises, and individuals, as well as by the broader policy environment.

Key words： technological correlation network; technological branch; knowledge foundation; growth effects; technological complexity

Cite this article

Lu Zhaopeng , Zhang Hong , Fan Fei . Spatio-temporal evolution and growth effects of technological correlation network in the Yangtze River Delta[J]. GEOGRAPHICAL SCIENCE, 2025 , 45(12) : 2600 -2612 . DOI: 10.13249/j.cnki.sgs.20250928

区域技术创新不仅涉及技术要素迭代重构，也涵盖基于要素间内生关联的分蘖（branching）与重组[1]。随着现代产品日趋小型化、数字化与结构化，技术通过功能嵌套交织成网[2]，深刻影响区域技术库体系的构建、更新与功能拓展路径[3]，并显著提高知识整合成本。因此，揭示技术关联网络的时空演化特征及其生长效应，对促进区域技术协同、优化创新资源配置、提升系统创新效能具有重要意义[4]。
技术内生关联是解析技术变革的重要视角，现有研究主要集中于以下方面：① 结构特征。技术要素组合已成为现代发明的主要动力[5]，创新复杂性呈指数级增长，系统自组织性不断增强[6]。学者常借助复杂网络作为技术组合演进的结构映射[7]，从宏观规模[8]、进化轨迹[9]、关键技术领域[10]与微观要素构型[11]等维度开展分析；② 内生演化机制。研究聚焦于技术统合规律、生命周期迭代、模块固化与局部可拓潜力[12]，以识别技术要素间的凝聚模式；③ 外部效应。相关研究揭示了技术关联对经济活动空间分布的渐进影响，重新阐释了集聚外部性[13]。将创新视为技术分蘖过程，强调本地化技术搜索与选择性重组[14]，实证研究涵盖国家[15]、区域[16]、城市[17]及企业[6]等多个尺度。
但现有研究存在以下不足：① 尽管实证表明技术组合潜力受关联网络拓扑结构制约[18]，且技术演化具有自组织逻辑，但多侧重于关联内涵挖掘[19]，对节点位势、结构特征与路径演替等方面探讨仍显薄弱[20]；② 研究多集中于国家层面的微观技术动态[8]，缺乏对城市创新本底差异的系统考量，难以揭示城市创新空间演化规律[21]；③ 技术关联结构是城市创新动能传导的基础[22]，但现有文献多关注其与社会经济因素的线性关系[23]，较少涉及内外部因素的交互耦合机制[24]，尤其缺乏对城市群技术结构生长效应的实证探讨[25]。
鉴于此，本研究融合技术关联与组合创新理论，构建城市技术关联网络及其生长效应理论框架，解析长三角地区技术关联网络结构的时空分异特征，识别城市技术演化模式，探讨关联结构对技术生长的作用机制。研究有助于深化对城市创新微观动态的理解，也为区域创新协同政策的制定提供理论依据。

1 理论框架与研究方法

1.1 技术关联网络结构及其生长效应

技术关联网络是技术空间（Technology space）理论中表征经济规律、创新主体行为逻辑与制度环境地理嵌入的系统性载体。广义上，技术关联包括技术相似性、市场需求与政策制度等[4]。其中，技术相似性或互补性所引发的内生关联集中体现技术演进基本规律[10]，与城市知识存量共同决定其技术扩展潜力[26]。
1）渐趋有序的时间演化。技术关联网络经历自下而上、由局部到整体、从无序到有序的自组织演化过程：① 波动收敛的聚合阶段：局部链接密度由初期的无序逐渐收敛至可拓水平，呈现分异性与层次性，逐渐呈现局部秩序化特征[27]；② 多重反馈的模块阶段：技术模块内部通过持续反馈机制强化关联，领域边界渐趋清晰，网络结构由松散走向模块化[28]；③ 周期性迭代的链式阶段：知识传递日益密集，局部创新链条纵深扩展，形成迭代演进的主干路径；④ 通用技术主导的全局阶段：少数“通用目的技术”（General Purpose Technologies, GPTs）通过跨域融合逐渐构建起整体技术网络体系[29]。
2）模式分化的空间演化。技术关联网络在空间上呈现从单一类型区域集聚向多类型层级嵌套结构的演变，形成如下模式：① 综合创新型：城市依托原有资源禀赋与先发优势占据网络核心地位，形成高关联度的发展路径；② 水平拓展型：凭借多元化的产业结构和开放协同环境，推动技术横向整合与跨领域延伸；③ 垂直深耕型：集中投入研发资源，形成特定技术轨道上的累积效应与纵向深化；④ 低水平均衡型：整体技术低水平、广覆盖。城市因初始技术优势、制度背景与创新系统差异[30]，通过本地“蜂鸣”强化自身演化路径，并借助城市“管道”实现纵深联通，最终形成等级、结构与功能的分化。
3）网络结构的生长效应。技术关联网络与创新主体的社会建构形成嵌套系统[30]，呈现出如下生长效应：① 循环累积效应。GPTs主导的无标度结构催生大量邻近核心技术的低成本拓展路径，推动城市创新空间呈现 “非线性扩展”，结构脱钩进一步放大规模报酬递增效应[31]。② 自组织涌现效应。网络中的固有模块与旁系结构通过迭代交叉形成“内生反馈回路”，激发创新变革与非线性的扩散过程，并拓展城市的战略选择空间；③ 路径锁定效应：技术要素深植于已有发展脉络，呈现递归式组合演进[32]。受组合创新的结构依赖和偏好依附影响，单一技术所能整合的知识基础有限，制约城市实现技术路径突破；④ 外部反馈效应：既有技术优势在资源与城市规模约束下逐步扩张。行业周期与政策引导推动技术轨迹阶段性调整[5]。城市根据外部环境与主体主观能动性修正发展路径，实现动态适应。

1.2 研究方法与数据来源

1.2.1 数据来源与处理

根据中共中央、国务院印发的《长江三角洲区域一体化发展规划纲要》（https://www.gov.cn/zhengce/2019-12/01/content_5457442.htm），确定研究范围包括上海、浙江、江苏、安徽内共41个地级及以上城市。基于IncoPat专利数据库（https://www.incopat.com，数据下载日期：2023-08-01），收集了2002—2021年长三角地区申请、授权及实用新型专利数据，包含申请日期、国际专利分类号（International Patent Classification，IPC）、申请人邮编等信息。以IPC第三级分类作为基本建模单元，筛选得到专利数最多的436个子类。城市统计资料来自《中国城市统计年鉴》（https://www.stats.gov.cn/gk/）。

1.2.2 研究方法

本研究以技术类别邻近度刻画技术关联性，使用网络密度、网络直径、平均集聚系数、PageRank等指标[33]刻画技术关联网络特征；采用加权随机区块模型（Weighted Stochastic Block mode，WSBM）划分社团[28]。以城市优势技术在其社团中的连线占比刻画其局部影响力，以连边权重集中程度描述技术关联网络的聚合结构。使用权和最大生成树算法提取网络骨干，以城市在新技术类别建立比较优势来刻画技术生长[23]。使用Logistic回归模型分析城市技术关联网络的生长效应：
$ Entr{y_{i,j,t}} = {\beta _1}Pro{x_{i,j,t - 1}} + {\beta _2}Fea{t_{i,j,t - 1}} + {\beta _3}Ctr{l_{i,t - 1}} + {a_t} + {\varepsilon _{i,j,t}} $
式中，Entry i,j,t表示城市i在时间t是否引入了技术子类j，取值为0（未引入）或1（引入）； Prox i,j,t−1为子类j对于城市i现有知识基础的可接近程度，Feat i,j,t−1为技术子类j的结构特性，Ctrl i,t−1为控制变量，a t为时间固定效应，ε i,j,t为回归残差。

2 技术关联网络结构的时空演化

2.1 全局整合特征

2.1.1 技术组合成为主导，去中心化趋势明显

组合过程逐渐主导长三角技术创新活动，技术融合不断加深，创新复杂性稳步增长，在区域尺度验证了技术组合规律[8]。技术关联网络从由少数关键技术主导的集中型结构，逐步转变为多技术分布型结构。2002—2006年，网络由少数技术门类主导且彼此互斥，传统技术组合频繁；2007—2011年，技术要素尤其是中等连通度技术要素融合显著，这得益于冷门前沿技术的崛起。马太效应不明显，与发达国家现状一致，与专利引用相反，不具有老化效应和择优链接[32]。

2.1.2 全局连通结构分异显著，中高值集聚成群

全局连通结构优势集中于沪宁合杭甬发展带，且态势平稳（图1）。在G60科创走廊建设推动下，技术高连通值城市向沿海和沪杭金发展带两翼延伸，其空间扩散以核心城市辐射和跳跃式扩散为主。莫兰指数由0.29上升至0.34，表明核心城市凭借“借位规模”（borrow size）放大了创新集聚优势与外溢效应。城市间重大科研项目合作、重要科研资源共享等产生的社会邻近性及区域知识库有助于消减地理阻碍和行政壁垒，上海和南京的系统性创新特征同步上升。区域技术知识体系逐步扩展，呈多点支撑、协同发展态势。
图1 2002—2021年长三角地区全局创新水平的空间格局

Fig. 1 Innovation level in the Yangtze River Delta in 2002—2021

2.2 链式连通特征

2.2.1 单核主导转为多核并发，多形态复合

长三角地区技术骨架网络由单核主导转向多核并发，形成以星状、链式和树型为主的多态复合网络结构（图2）。2002—2006年，长三角地区技术骨架网络呈星状（图2a），以A01子类为枢纽，向外均匀辐射，各分支规模相近但连接稀疏。知识库初期累积的大量知识催生了主导设计；2007—2011年，出现树型和星状并存的团簇（图2b）。验证了新旧技术结合也可促进技术创新[34]，有限重组为主导设计提供了广泛应用场景[33]；2012—2016年，跨技术门类进一步融合（图2c），链式和树型组合开始出现，枢纽节点技术重组产生的网络溢出效应激发了邻近技术融合；2017—2021年，树型、“链式+树型”“星状+树型”的复杂结构十分普遍，单一星状结构鲜见。由核心原理、性能提升和应用机会驱动的创新出现（图2d）。
图2 2002—2021年长三角地区技术关联网络骨干结构的演化

标注为所属门类：A47G(家用或餐桌用具)；A61B(诊断；外科手术；鉴定)；A61K(医用护理制剂组)；B01D(物料分离技术类)；B29C(塑材成形加工类)；B65D(储运包装容器组)；B65G(物料输储装置类)；C02F(水污处理技术类)；F16K(通用工程部件类)；G01F(体积流量计量装置)；G01N(材料性质测试类)；G06F(电数字数据处理)；H01H(电控保护装置组)；H01R(电连接结构组)；H01L(不包含在H10类中的半导体器件)

Fig. 2 Technology networks backbone structure in the Yangtze River Delta from 2002 to 2021

2.2.2 基础创新能力广泛扩展，科教资源指向明显

基础创新能力广泛扩展，区域逐步均衡。基于节点的骨干网络度值，将其分别定义为枢纽（>2）、骨干（=2）和旁支（<2），再基于城市优势技术中主干枢纽和骨干节点规模，划分骨架结构演化路径为：枢纽技术主导型（均位于前20%），核心技术支撑型（均位于前50%），边缘技术拓展型（任一者规模位于前50%），潜力技术发展型（两者均位于后50%）。枢纽技术主导型和潜力技术发展型城市数量减少，边缘技术拓展型城市上升至19个，并成为主导模式。上海、杭州、南京为枢纽技术主导型，其链式创新优势显著。合肥市集中发展大科学装置，攻克核心技术，但受制于经济发展，链式特征维持稳定。核心技术支撑型如扬州市和常州市，近年积极推动制造业转型升级，链式创新优势强化。小规模城市如湖州、嘉兴和盐城等，对外联系不足，全链条技术布局薄弱。而苏州依赖上海知识溢出和高科技外资制造业引入，技术发展迅速。

2.3 模块耦合特征

2.3.1 部类构成逐渐多样化，先统一再分化

各模块技术部类构成更加多样，统一后分化。第一阶段（2002—2011年）：多技术部类交叉，跨领域技术融合处于探索阶段。主导技术部类为H部（电学）、B部（作业、运输）和G部（物理），技术大类主要包括H01（基本电气元件）、H04（电通信技术）、G06（计算；推算或计数）和 B60（一般车辆）等。第二阶段（2012—2016年）：主导部类加深融合。少数技术部类交叉融合频繁，如A部（人类生活必需）、H部（电学）及C部（化学、冶金）相关技术大量交叉，这源于市场多样化对高效能材料与节能工艺的技术需求。第三阶段（2017—2021年）：各模块技术部类数两极分化显著。个别模块几乎包揽D部（纺织、造纸）、E部（固定建筑物）和F部（机械工程等）等，而有些模块几乎包括所有技术部类，为“广度优先”的多样化创新。

2.3.2 模块创新水平相对均衡，技术策源地和应用市场优势突出

城市模块创新优势不集中。随模块规模差异逐渐缩小，城市在各模块的主导作用逐渐减弱。其模块创新特征均值由0.095下降至0.045。科研院所、高校、创新型中小企业等主体推动了研究领域的多样化和均衡化，降低了其对单一领域的垄断。技术策源地和应用市场优势明显。上海和杭州等城市，技术规模增速较缓，创新深度拓展以巩固已有优势。2017—2021年，上海市约30%的专利申请集中于F16（工程原件）、B65（输送包装）、G06（计算推算）和H01（基本电气元件）等领域，提升了其在核心技术组团中的优势地位。常州、南通、湖州和无锡等经济强市，民营企业集中，技术多服务于企业生产。优先布局紧凑高效的小型模块以实现技术纵深拓展、跨领域合作和资源整合。

2.4 聚合拓展特征

2.4.1 集中度下降，结构开放化增强

技术关联网络局部结构更趋分散、结构开放化增强。技术领域不断交叉、组合更加灵活。横向通用技术更易成为多模块的“桥介”，技术关联网络结构异质性显著。

2.4.2 创新资源集中配置成为主导

城市多采用创新资源集中配置模式。技术聚合水平较高的城市创新速度更快。区域创新资源密集配置的低能级集约型城市，聚合创新优势明显。如南通市、盐城市、常州市和金华市等主导产业鲜明，科技型企业、高校院所相对较少，创新活动多围绕少数龙头企业或产业园区。由于资源稀缺，为确保投资效率，企业依赖已有布局，技术组合趋向保守。

2.5 演化模式识别

城市技术关联网络中优势技术类别的结构指示了其技术创新微观路径，可归纳为4种演化模式（表1）。① 综合创新型：各维度均优势明显，兼具边界扩展和局部路径深化，多为创新资源丰富、人口庞大、产业结构完备的科技创新中心，包括上海和3个省会城市。其中，上海的链式和全局创新特征值平稳上升，而模块创新特征值波动变化，反映了上海将创新重点从特定技术集群转向广泛国际科技合作和新兴产业建设的趋势。南京的链式和模块创新维度优势突出，平均值分别位列第3和第2。城市内汇聚大量科研机构、高校和创新型企业，技术研发巩固其多领域优势地位。② 水平拓展型：模块和聚合创新突出，多广泛应用于纳米行业、装备制造等可拓性强的产业。苏州链式特征值略有下降而聚合特征维持较高水平，表明特定领域的渐进深化和有限的跨领域扩张。其在信息技术、电子制造等领域持续保持技术优势。无锡和常州等城市的聚合创新特征值也保持在较高水平，依赖于其扎实的制造业基础和产业链上下游协同。③ 垂直深耕型：聚合优势强于模块特征，多专注于传统领域或重资产型行业。例如安庆聚焦车桥制造和中医药生产，而盐城则深耕农业和能源。对于创新资源极其有限的边缘地区，其创新路径易固化，特别是以传统制造业、基础设施建设及能源行业为主的地区。④ 低水平均衡型：各维度均无明显优势，多自然发展。如徐州模块创新特征值持续偏低，链式和局部特征值未见明显上升。金华虽聚合创新特征值突出，但受制于薄弱的制造业，难以稳定发展。
表1 长三角地区技术关联网络分蘖模式及特征值

Table 1 Urban branching type and characteristics of the Yangtze River Delta

模式类型 城市 聚合特征 链式特征 模块特征 全局特征 模式类型 城市 聚合特征 链式特征 模块特征 全局特征
综合创新型 南京 0.72 0.83 0.32 0.42 水平拓展型 泰州 0.42 0.30 0.52 0.54
上海 0.66 0.87 0.35 0.57 宿迁 0.59 0.42 0.52 0.45
合肥 0.38 0.65 0.26 0.61 常州 0.57 0.57 0.50 0.78
杭州 0.63 0.75 0.30 0.56 宁波 0.39 0.25 0.31 0.67
低水平均衡型 徐州 0.21 0.18 0.37 0.24 南通 0.54 0.49 0.62 0.45
台州 0.25 0.21 0.47 0.33 嘉兴 0.62 0.42 0.55 0.61
温州 0.08 0.12 0.50 0.35 湖州 0.72 0.46 0.73 0.52
舟山 0.16 0.34 0.36 0.52 绍兴 0.67 0.40 0.67 0.58
金华 0.22 0.12 0.66 0.09 苏州 0.41 0.35 0.69 0.73
垂直深耕型 亳州 0.44 0.25 0.76 0.16 无锡 0.63 0.36 0.55 0.54
丽水 0.50 0.28 0.78 0.17 芜湖 0.42 0.39 0.55 0.74
连云港 0.62 0.52 0.61 0.26 淮南 0.39 0.35 0.24 0.62
阜阳 0.58 0.37 0.80 0.16 马鞍山 0.53 0.38 0.48 0.60
淮安 0.42 0.44 0.55 0.36 淮北 0.46 0.37 0.42 0.51
蚌埠 0.45 0.38 0.55 0.30 铜陵 0.60 0.29 0.56 0.79
衢州 0.34 0.33 0.51 0.26 安庆 0.57 0.33 0.70 0.39
宿州 0.46 0.33 0.57 0.21 黄山 0.67 0.69 0.48 0.79
盐城 0.37 0.44 0.73 0.40 滁州 0.61 0.35 0.65 0.64
安庆 0.57 0.33 0.70 0.39 池州 0.72 0.47 0.62 0.61
水平拓展型 扬州 0.59 0.46 0.60 0.53 宣城 0.82 0.41 0.75 0.66
镇江 0.53 0.49 0.47 0.69 六安 0.76 0.34 0.60 0.47

3 技术关联网络结构生长效应

3.1 变量选取

本文选择技术创新主体规模和创新环境作为城市创新特征变量，以经济规模、关联密度作为控制变量（表2）。创新主体规模反映了区域知识供给与研发投入的潜在容量，由普通高等学校在校生人数（Stu）、年末科技从业人员数（Emp）和工厂及企业数（Ent）表征。创新环境变量包括地区财政科技支出（Fin）、外商直接投资（FDI）和城镇私营单位就业人员数量（UE），分别反映了政府在创新资源配置中的介入强度、制度开放性环境和城市就业结构与产业活跃程度。为消除年份间数值波动，各控制变量均采用5 a窗口期内的均值。多重共线性检验的结果表明，各变量的方差膨胀因子（VIF）均小于10，影响因素选择合理。
表2 城市创新特征变量

Table 2 Descriptive statistics of variables

变量 变量符号 变量描述
技术生长 Gro 技术是否形成比较优势
内生结构 PR 技术全局特征值
CC 技术模块特征值
BC 技术链式特征值
HHI 技术聚合特征值
创新主体规模 Stu 普通高等学校在校人数/人
Emp 年末科技从业人数/人
Ent 工厂和企业数/个
创新环境 Fin 地区财政科技支出
FDI 外商直接投资/万美元
UE 城镇私营单位就业人员/万人
控制变量 ReDen 技术关联密度
logGDP 国内生产总值/亿元
logPop 年末户籍人口数/万人

3.2 模型回归分析结果

3.2.1 总体样本回归：内生结构直接效应

单位根检验结果表明各变量序列平稳。通过Hausman检验，最终选取时间固定效应模型以控制数据趋势或时间扰动（表3）。模型（1）~（5）的结果表明，技术要素内生关联模式的生长效应差异明显。① 技术聚合特征值（HHI）的集中突破边际递增，回归系数显著为负，即路径过度集中不利于新技术进入。其平方项的回归系数显著为正，表明技术要素对于局部知识聚合能力的边际效应递增，单个技术要素的可拓性与技术要素间的“强路径”对城市技术生长的价值判断正向作用较为明显。② 技术链式特征值（BC）的主干联通具备门槛，回归系数显著为负，平方项显著为正，意味着跨领域技术创新有某种进入门槛，当链式特征较弱时，技术路径不确定、知识迁移成本较高，不利于城市引入新技术；超过一定阈值后，强关联性为城市提供了清晰的技术跃迁路径和协同积累空间，从而更可能引入新技术。③ 技术模块特征值（CC）的分支促进边际递减，回归系数显著为正，即集群内技术子类的紧密嵌入将藉由群体性演变实现技术生长。平方项显著为负显示了倒“U”型作用，证实技术变革常是渐进的，新旧技术之间需要保持适度平衡[35]，从微观层面证实了城市创新过程中的适度知识邻近性[36]。④ 技术全局特征值（PR）的广域整合边际递减，回归系数显著为正，平方项显著为负，表明技术的广泛融合在早期有助于降低新技术的进入门槛，提升其地位和可接近性。但当重组过度泛化时，可能导致技术焦点分散或协同效应减弱，对技术生长产生抑制效应。
表3 模型回归结果

Table 3 Results of nonlinear logistic regression analysis

变量类型 模型（1） 模型（2） 模型（3） 模型（4） 模型（5）
　　注：*** P<0.01，** P<0.05，所有回归均使用稳健标准误，括号内为t值；变量含义见表2；−表示该自变量不纳入模型中进行回归。
HHI −0.8514 ***
（0.0887）		 − − − −0.1603 ***
（0.0392）
HHI 2 0.9202 ***
（0.1186）		 − − − −
BC − −0.7754 ***
（0.1107）		 − − −0.4013 ***
（0.0394）
BC 2 − 0.7330 ***
（0.1549）		 − − −
CC − − 0.8115 ***
（0.1106）		 − 0.2326 ***
（0.0594）
CC 2 − − −1.1037 ***
（0.1571）		 − −
PR − − − 1.7516 ***
（0.0910）		 0.2060 ***
（0.0323）
PR 2 − − − −2.0047 ***
（0.1146）		 −
ReDen 11.6319 ***
（1.1534）		 11.8667 ***
（1.1544）		 10.6296 ***
（1.1760）		 10.1618 ***
（1.1494）		 10.6892 ***
（1.1779）
logGDP 0.0577 ***
（0.0150）		 0.0682 ***
（0.0150）		 0.0771 ***
（0.0150）		 0.0474 ***
（0.0151）		 0.0540 ***
（0.0151）
logPop 0.0079
（0.0122）		 0.0071
（0.0122）		 0.0055
（0.0122）		 0.0106
（0.0122）		 0.0076
（0.0122）
Stu 0.1283 ***
（0.0090）		 0.1255 ***
（0.0090）		 0.1227 ***
（0.0090）		 0.1289 ***
（0.0090）		 0.1287 ***
（0.0090）
Emp −0.1527 ***
（0.0108）		 −0.1563 ***
（0.0108）		 −0.1568 ***
（0.0108）		 −0.1487 ***
（0.0108）		 −0.1531 ***
（0.0108）
Ent 0.2249 ***
（0.0111）		 0.2183 ***
（0.0111）		 0.2103 ***
（0.0111）		 0.2318 ***
（0.0112）		 0.2284 ***
（0.0112）
Fin −0.1302 ***
（0.0127）		 −0.1271 ***
（0.0127）		 −0.1228 ***
（0.0128）		 −0.1351 ***
（0.0127）		 −0.1309 ***
（0.0128）
FDI −5.9561 ***
（1.7413）		 −5.0890 ***
（1.7392）		 −4.2379 **
（1.7439）		 −7.0242 ***
（1.7480）		 −6.1739 ***
（1.7516）
UE 22.3786 ***
（1.9031）		 22.4813 ***
（1.9039）		 22.6939 ***
（1.9042）		 22.5547 ***
（1.9035）		 22.3554 ***
（1.9034）
常数项 −2.5912 ***
（0.1226）		 −2.7560 ***
（0.1211）		 −2.9314 ***
（0.1228）		 −2.8027 ***
（0.1218）		 −2.6609 ***
（0.1225）

3.2.2 分组样本回归：主体与环境的调节效应

根据大学、个体及企业规模，以及地区财政科技支出，对城市进行4次分组回归。
1）大学规模是容错性启动因素。① 其对聚合创新特征具有显著正向调节作用（表4）。表明相较于企业受到的投入−产出约束，高校能提供更宽松的“试验空间”，有助于形成新的技术认知[34]。② 大学规模增长会增加链式突破的实现难度。大学知识生产基于学科规范语境，基础研究与应用实践相分离，使其往往难以精准响应核心技术难点。此外，重大技术突破通常依赖于长期知识积累和特定应用场景[6]，而高校资源相对分散，难以满足此类需求。③ 大学规模扩大增强了模块创新对城市技术生长的促进作用。高校规模及学科多样性与知识异质性呈正相关，从而提升了不同技术模块间的耦合潜力。
表4 分组模型回归结果

Table 4 Nonlinear logistic regression analysis

变量类型 Stu分组 Emp分组 Ent分组 Fin分组
第一组 第二组 第一组 第二组 第一组 第二组 第一组 第二组
　　注：所选城市按从高到低排序，平均分为2组变量；*** P<0.01, ** P<0.05, * P<0.1，括号内为t值；变量含义见表2。
HHI −0.2411 ***
（0.0559）		 −0.9400 ***
（0.3119）		 0.3110
（0.2687）		 −0.3841
（0.3309）		 −0.0491
（0.2968）		 −1.9536 ***
（0.3230）		 −0.9551 ***
（0.2870）		 −0.3735
（0.3139）
BC −0.4392 ***
（0.0560）		 −0.1893 ***
（0.0573）		 −0.1349 **
（0.0556）		 −0.2919 ***
（0.0576）		 −0.1711 ***
（0.0557）		 −0.2718 ***
（0.0576）		 −0.1145 **
（0.0554）		 −0.3214 ***
（0.0579）
CC 0.1464 *
（0.0868）		 −0.3872 ***
（0.0569）		 −0.4323 ***
（0.0563）		 −0.3903 ***
（0.0566）		 −0.4001 ***
（0.0561）		 −0.4269 ***
（0.0569）		 −0.4612 ***
（0.0562）		 −0.3574 ***
（0.0566）
PR 0.0139
（0.0476）		 0.5901 ***
（0.0846）		 0.2212 **
（0.0861）		 0.5176 ***
（0.0851）		 0.3207 ***
（0.0856）		 0.4324 ***
（0.0858）		 0.2172 **
（0.0863）		 0.5305 ***
（0.0850）
ReDen 5.8758 ***
（1.7480）		 0.1943 ***
（0.0473）		 −0.0199
（0.0478）		 0.2253 ***
（0.0471）		 −0.1636 ***
（0.0483）		 0.3610 ***
（0.0467）		 −0.0041
（0.0477）		 0.2094 ***
（0.0472）
logGDP −0.0250
（0.0382）		 18.5751 ***
（1.7226）		 7.7576 ***
（1.8340）		 15.2782 ***
（1.6054）		 6.0026 ***
（1.7166）		 18.2740 ***
（1.6948）		 6.8330 ***
（1.7424）		 16.9613 ***
（1.7056）
logPop 0.1075 ***
（0.0232）		 −0.2593 ***
（0.0333）		 −0.2810 ***
（0.0364）		 −0.2899 ***
（0.0352）		 −0.1190 ***
（0.0405）		 −0.2203 ***
（0.0336）		 −0.0380
（0.0398）		 −0.2797 ***
（0.0332）
Stu −0.0586 ***
（0.0188）		 0.0444 ***
（0.0164）		 0.1079 ***
（0.0246）		 −0.0067
（0.0170）		 −0.0123
（0.0270）		 −0.0185
（0.0170）		 0.0244
（0.0261）		 0.0522 ***
（0.0169）
Emp −0.0225
（0.0216）		 0.1792 ***
（0.0138）		 0.1588 ***
（0.0161）		 0.1180 ***
（0.0144）		 0.1261 ***
（0.0196）		 0.1300 ***
（0.0129）		 0.0307 *
（0.0170）		 0.1880 ***
（0.0141）
Ent 0.1817 ***
（0.0241）		 −0.0437 **
（0.0172）		 −0.0435 **
（0.0215）		 0.0176
（0.0173）		 −0.0835 ***
（0.0207）		 0.0716 ***
（0.0180）		 −0.0685 ***
（0.0202）		 −0.0141
（0.0178）
Fin −0.1328 ***
（0.0202）		 0.3697 ***
（0.0221）		 0.3520 ***
（0.0210）		 0.3883 ***
（0.0250）		 0.1474 ***
（0.0258）		 0.3212 ***
（0.0237）		 0.1563 ***
（0.0249）		 0.4020 ***
（0.0228）
FDI −15.2749 ***
（3.7918）		 −0.1124 ***
（0.0213）		 −0.1639 ***
（0.0196）		 −0.0864 ***
（0.0212）		 −0.0965 ***
（0.0251）		 −0.0557 ***
（0.0190）		 −0.0939 ***
（0.0204）		 −0.1710 ***
（0.0220）
UE 19.5592 ***
（2.6475）		 −26.0017 ***
（3.4912）		 −37.6196 ***
（3.7618）		 −16.6796 ***
（3.5929）		 −27.0805 ***
（5.9770）		 −28.6807 ***
（2.9478）		 −17.6797 ***
（3.8026）		 −25.5721 ***
（3.6081）
常数项 −0.7051 **
（0.2988）		 33.4787 ***
（3.4624）		 29.9079 ***
（2.7829）		 8.9817 ***
（3.2535）		 23.1943 ***
（2.9640）		 16.2971 ***
（3.2048）		 26.2030 ***
（2.8618）		 19.5863 ***
（3.2664）
2）企业规模是实践推动因素。① 企业规模对链式创新具有显著正向调节作用。企业作为连接技术应用与市场反馈的关键主体，能通过产业协同与实践经验，增强对链式创新路径中关键环节的知识获取与整合能力；② 企业规模亦表现出正向调节效应，体现了企业主导的区域创新系统对粘性知识沿历史技术轨迹的强化作用[33]。企业创新活动往往依赖于深厚的资本与设备投入，其发展路径深深根植于现有的组织与物质基础；③ 城市尺度下的企业规模增大，反而可能制约广域知识基础的构建。这表明企业系统存在较强的本地路径依赖，易导致知识网络趋于封闭、冗余度下降。
3）个体规模是微观扰动因素。① 个体创新能抑制链式创新的负向增长效应。链式创新常依赖稳定的自组织逻辑，而个体通过非系统性的介入引入局部扰动与增量变异，有助于打破路径依赖，从而减缓链式创新的衰退。例如，高被引论文往往融合了非常规与常规知识[37]。② 个体创新会强化模块创新的负向增长效应。模块创新基于技术之间的协同集成与结构化联通，而个体活动因缺乏系统支持与平台引导，易导致创新路径分散，加剧模块创新的效率损失；③ 个体创新对全局创新的支撑作用有限。作为城市创新系统的基础单元，个体虽可拓宽认知边界与拓展局部路径，但难以建立可持续的跨领域连接，因此对全局创新结构的边际贡献较弱。
4）政策环境是制度化调节因素。① 政策环境对聚合、全局及模块创新均具有显著的负向调节作用。这一结果从技术微观动态层面，对“区域制度环境必然促进长期路径创造”的理论预期提出了挑战。其原因可能在于，财政支出的制度性配置常强调资源分配的目标性与效率导向，反而抑制了上述创新结构所必需的高风险容忍度。② 财政科技支出对链式创新表现出显著的正向调节效应。它通过对关键环节、主导企业或中试平台的支持，有效促进了创新链上下游的协同与延续性知识积累。因此，财政科技支出并非简单的普惠性激励工具，而是一种具有结构选择性的调节机制。其效应高度依赖于所在创新路径类型。

4 结论与展望

4.1 结论

本文基于组合创新与技术关联理论，构建了城市技术分支演化的理论框架，并以长三角地区为实证对象，从全局、链式、模块与聚合4个维度，分析了2002—2021年技术关联网络的结构与时空演化特征，采用Logistic回归识别了关联结构对技术生长的效应及城市创新本底的调节作用。主要结论为：
1）长三角技术关联网络规模持续扩展，技术融合程度深化，流动效率提升，全局枢纽技术高度集中于沪宁合杭甬发展带；网络结构由单核主导转向多核并发，链式、丰式与星状模式并存，枢纽与骨干技术突破成为普遍创新路径；模块数量稳定但规模差异显著，技术构成日趋多元，核心技术在策源地与应用市场协同布局；单一技术的知识聚合能力普遍下降，局部结构趋于分散；创新资源集中、产业集聚较低的城市仍可实现特定技术门类的优先发展。
2）长三角逐渐从单一领域创新转向跨领域协同，平衡知识跃迁，形成以适度新颖性驱动常规组合的创新模式。根据优势技术在网络中的布局，城市结构演化可分为综合创新型、水平拓展型、垂直深耕型与低水平均衡型，其模式与城市等级高度耦合。
3）技术的聚合与链式特征对城市技术生长呈现边际递增的正向作用，存在门槛效应；模块与全局特征则呈“倒U型”关系，从微观层面印证了创新过程中知识邻近性的适度需求。大学、企业、个体规模与政策环境分别促进探索性、延续性、重组性与选择性的创新行为。

4.2 展望

受研究数据与篇幅限制，本文仍存在以下不足：首先，所使用的专利数据主要反映技术创新的正式与可量化部分，难以捕捉早期技术动态及非正式知识生产过程，从而在一定程度上制约了对城市技术演化机制的深入剖析；其次，受数据可得性限制，未充分考虑如企业家精神、政府决策能力、市场竞争环境等因素，也未探讨其潜在的中介机制对城市技术分蘖的影响；第三，研究侧重于城市技术分支的现状特征，对其演化过程的模拟与预测尚显不足。后续研究可引入机器学习方法，结合网络扩散模型，选取可解释的特征与策略变量，进一步揭示城市技术创新的扩张路径与动态机制。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Kauffman S, Lobo J, Macready W G. Optimal search on a technology landscape[J]. Journal of Economic Behavior & Organization, 2000, 43(2): 141-166.

[2]
Ardito L, Natalicchio A, Petruzzelli A M. Evidence on the determinants of the likelihood and speed of technological convergence: A Knowledge search and recombination perspective in key enabling technologies[J]. IEEE Transactions on Engineering Management, 2023, 70(4): 1442-1455.

DOI

[3]
Nakamura H, Suzuki S, Sakata I et al. Knowledge combination modeling: The measurement of knowledge similarity between different technological domains[J]. Technological Forecasting and Social Change, 2015, 94: 187-201.

DOI

[4]
郭琪, 贺灿飞. 演化经济地理视角下的技术关联研究进展[J]. 地理科学进展, 2018, 37(2): 229-238.

DOI

Guo Qi, He Canfei. Progress of research on technological relatedness in the perspective of evolutionary economic geography. Progress in Geography, 2018, 37(2): 229-238.

DOI

[5]
Kalthaus M. Knowledge recombination along the technology life cycle[J]. Journal of Evolutionary Economics, 2020, 30(3): 643-704.

DOI

[6]
Zakaryan A. Organizational knowledge networks, search and exploratory invention[J]. Technovation, 2023, 122: 102680

DOI

[7]
Yayavaram S, Ahuja G. Decomposability in knowledge structures and its impact on the usefulness of inventions and knowledge-base malleability[J]. Administrative Science Quarterly, 2008, 53(2): 333-362.

DOI

[8]
Youn H, Strumsky D, Bettencourt L M A et al. Invention as a combinatorial process: Evidence from US patents[J]. Journal of the Royal Society[J], 2015, 12(106): 20150272

[9]
Park H, Magee C L. Tracing technological development trajectories: A genetic knowledge persistence-based main path approach[J]. PLoS One, 2017, 12(1): e0170895

DOI

[10]
Carnabuci G, Bruggerman J. Knowledge specialization, knowledge brokerage and the uneven growth of technology domains[J]. Social Forces, 2010, 88(2): 607-641.

[11]
Boh W F, Evaristo R, Ouderkirk A. Balancing breadth and depth of expertise for innovation: A 3M story[J]. Research Policy, 2014, 43(2): 349-366.

DOI

[12]
Marku E, Di Guardo M C, Patriotta G et al. Technology emergence as a structuring process: A complexity theory perspective on blockchain[J]. Journal of Management, 2024, 51(7): 2916-2945.

[13]
Boschma R. Towards an evolutionary perspective on regional resilience[J]. Regional Studies, 2014, 49(5): 733-751.

[14]
Rigby D L. Technological relatedness and knowledge space: Entry and exit of US cities from patent classes[J]. Regional Studies, 2013, 49(11): 1922-1937.

[15]
Frenken K, Van Oort F, Verburg T. Related variety, unrelated variety and regional economic growth[J]. Regional Studies, 2007, 41(5): 685-697.

DOI

[16]
Gloria C, McCann P, Venhorst V A. Promoting regional growth and innovation: Relatedness, revealed comparative advantage and the product space[J]. Journal of Economic Geography, 2020, 20(1): 293-316.

[17]
Boschma R, Balland P A, Kogler D F. Relatedness and technological change in cities: The rise and fall of technological knowledge in US metropolitan areas from 1981 to 2010[J]. Industrial and Corporate Change, 2015, 24(1): 223-250.

DOI

[18]
Cao L, Chen Z, Evans J. Destructive creation, creative destruction, and the paradox of innovation science[J]. Sociology Compass, 2022, 16(11): e13043

DOI

[19]
贺灿飞, 朱晟君. 中国产业发展与布局的关联法则[J]. 地理学报, 2020, 75(12): 2684-2698.

He Canfei, Zhu Shengjun. The principle of relatedness in China’s regional industrial development. Acta Geographica Sinica, 2020, 75(12): 2684-2698.

[20]
朱晟君, 金文纨, 胡晓辉. 关联视角下的区域产业动态研究进展与反思[J]. 地理研究, 2020, 39(5): 1045-1055.

Zhu Shengjun, Jin Wenwan, Hu Xiaohui. The regional industrial dynamics from the perspective of relatedness. Geographical Research, 2020, 39(5): 1045-1055.

[21]
Straccamore M, Loreto V, Gravino P. The geography of technological innovation dynamics[J]. Scientific Reports, 2023, 13(1): 21043

DOI

[22]
Choi J, Hwang Y. Patent keyword network analysis for improving technology development efficiency[J]. Technological Forecasting & Social Change, 2014, 83: 170-182.

[23]
叶玉瑶, 陈奕嘉, 刘向杰, 等. 超越技术的视角: 新型基础设施推动区域经济发展的理论基础与科学议题[J]. 地理科学, 2024, 44(4): 553-561.

Ye Yuyao, Chen Yijia, Liu Xiangjie et al. Beyond the perspective of technology: Theoretical basis and scientificissues of new infrastructure to promote the high-quality development of regional economy. Scientia Geographica Sinica, 2024, 44(4): 553-561.

[24]
李伟, 王宛, 伏怡铭, 等. 不同经济发展水平下的区域产业退出路径研究[J]. 地理科学, 2025, 45(4): 770-782.

Li Wei, Wang Wan, Fu Yiming et al. Regional industrial exit paths and regional economic development. Geographical Science, 2025, 45(4): 770-782.

[25]
陈广平, 王琛. 长三角地区创业活动时空演变及其影响因素[J]. 地理科学, 2025, 45(4): 808-821.

Chen Guangping, Wang Chen. Spatio-temporal differences and impact factors of new firm formation rates in the Yangtze River Delta region. Geographical Science, 2025, 45(4): 808-821.

[26]
Li Yingcheng, David Rigby. Relatedness, complexity, and economic growth in Chinese cities[J]. International Regional Science Review David Rigby, 46(1): 3-37.

[27]
Higham K, De Rassenfosse G, Jaffe A B. Patent quality: Towards a systematic framework for analysis and measurement[J]. Research Policy, 2021, 50(4): 104215

DOI

[28]
Aicher C, Jacobs A Z, Clauset A. Learning latent block structure in weighted networks[J]. Journal of Complex Networks, 2014, 3(2): 221-248.

[29]
Bekar C, Carlaw K, Lipsey R. General purpose technologies in theory, application and controversy: A review[J]. Journal of Evolutionary Economics, 2018, 28(5): 1005-1033.

DOI

[30]
曹湛, 戴靓, 吴祖泉, 等. 城市技术网络的概念框架与实证研究[J]. 地理研究, 2023, 42(9): 2302-2323.

Cao Zhan, Dai Liang, Wu Zuquan et al. The conceptual framework and empirical investigation of the interurban technology networks. Geographical Research, 2023, 42(9): 2302-2323.

[31]
Petralia S, Balland P A, Morrison A. Climbing the ladder of technological development[J]. Research Policy, 2017, 46(5): 956-969.

DOI

[32]
Arthur W B. The nature of technology: What it is and how it evolves [M]. New York: Free Press, 2009.

[33]
Kim D, Cerigo D B, Jeong H et al. Technological novelty profile and invention’s future impact[J]. EPJ Data Science, 2016, 5(1): 8

DOI

[34]
Fontana M, Iori M, Montobbio F et al. New and atypical combinations: An assessment of novelty and interdisciplinarity[J]. Research Policy, 2020, 49(7): 104063

DOI

[35]
Teixeira da Silva J A. The Matthew effect impacts science and academic publishing by preferentially amplifying citations, metrics and status[J]. Scientometrics, 2021, 126(6): 5373-5377.

DOI

[36]
Triulzi G, Alstott J, Magee C L. Estimating technology performance improvement rates by mining patent data[J]. Technological Forecasting and Social Change, 2020, 158: 120100

DOI

[37]
刘承良, 桂钦昌, 段德忠, 等. 全球科研论文合作网络的结构异质性及其邻近性机理[J]. 地理学报, 2017, 72(4): 737-752.

Liu Chengliang, Gui Qinchang, Duan Dezhong et al. Structural heterogeneity and proximity mechanism of global scientific collaboration network based on co-authored papers. Acta Geographica Sinica, 2017, 72(4): 737-752.

Options
Outlines

/

〈 〉