EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 4: 1093 - 1109

DOI: https://doi.org/10.12082/dqxxkx.2024.230539

地理空间分析综合应用

长三角城市群知识创新网络结构韧性时空分异与驱动因素分析

  • 王玉珊 , 1 ,
  • 刘道强 2, 3 ,
  • 王光辉 , 4, * ,
  • 孙澍 1, 5
展开
  • 1.澳门科技大学可持续发展研究所，澳门 999087
  • 2.肇庆学院，肇庆 526061
  • 3.澳门城市大学教育学院，澳门 999087
  • 4.中国科学院地理科学与资源研究所，北京 100101
  • 5.广东金融学院金融数学与统计学院，广州 510520
* 王光辉（1987— ），男，山东烟台人，博士，博士生导师，研究方向为舆情网络、区域经济。E-mail:

王玉珊（1990— ），女，山东青岛人，博士生，研究方向为城市与区域经济，创新网络。E-mail:

收稿日期: 2023-09-08

  修回日期: 2023-10-31

  网络出版日期: 2024-05-11

基金资助

国家自然科学基金面上项目(71974182)

国家自然科学基金面上项目(72374191)

国家自然科学基金地区项目(72163010)

中国科学院青年创新促进会项目(2022152)

收起

Analysis of Spatiotemporal Differentiation and Driving Factors of Knowledge Innovation Network Structure Resilience in the Yangtze River Delta Urban Agglomeration

  • WANG Yushan , 1 ,
  • LIU Daoqiang 2, 3 ,
  • WANG Guanghui , 4 ,
  • SUN Shu 1, 5
Expand
  • 1. The Institute for Sustainable Development, Macau University of Science and Technology, Macau 999087, China
  • 2. Zhaoqing College, Zhaoqing 526061, China
  • 3. School of Education, City University of Macau, 999087, Macau, China
  • 4. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 5. School of Financial Mathematics and Statistics, Guangdong University of Finance, Guangzhou 510520, China
* WANG Guanghui, E-mail:

Received date: 2023-09-08

  Revised date: 2023-10-31

  Online published: 2024-05-11

Supported by

National Natural Science Foundation of China(71974182)

National Natural Science Foundation of China(72374191)

National Natural Science Foundation of China Regional Project(72163010)

Youth Innovation Promotion Association of the Chinese Academy of Sciences(2022152)

Fold

摘要

提升城市群知识创新网络结构韧性，有助于建设安全的区域创新体系，保障城市知识创造职能。基于2011—2021年长三角41个城市间合作发表WOS论文数据构建城市群知识创新网络，基于演进韧性理论与复杂网络理论，构建网络结构韧性的“脆弱性-抗毁性-恢复性-演进性”四维评价指标体系，采用社会网络分析和GIS空间分析技术刻画网络结构韧性的时序演化与空间格局，运用GTWR和MRQAP模型识别其驱动因素。结果表明： ① 2011—2021年长三角城市群知识创新网络结构韧性呈上升趋势，立体化特征减弱，传输环境优化，异质性联系减弱，一体化属性增强，且呈现“中部高南北低，东高西低”的差异化空间布局； ② 韧性主导节点为上海、南京、杭州、合肥、苏州等核心城市，确保主导节点的稳定性是保障网络结构韧性的关键； ③ 科教支持和产业结构对城市节点韧性具有显著正向驱动力，经济发展、对外开放、人力资本与知识基础的解释力具有鲜明的空间异质性，发挥双因子交互作用可有效推动网络结构韧性演化； ④ 网络聚合效应、匹配效应、虹吸效应以及邻近性均驱动网络结构韧性演化，网络拓扑结构、产业相似和人资相似、良好的教育环境，以及制度、社会和组织邻近性均有助于城市间形成强韧的知识合作关系。

关键词： 知识创新; 创新网络; 长三角城市群; 网络结构韧性; 演进韧性; 时空分异; GTWR; MRQAP

本文引用格式

王玉珊 , 刘道强 , 王光辉 , 孙澍 . 长三角城市群知识创新网络结构韧性时空分异与驱动因素分析[J]. 地球信息科学学报, 2024 , 26(4) : 1093 -1109 . DOI: 10.12082/dqxxkx.2024.230539

Abstract

Improving the structural resilience of the knowledge innovation network of urban agglomerations is conducive to building a safe regional innovation system and ensuring the knowledge creation function of cities. The knowledge innovation network of urban agglomeration is constructed based on the data of papers published on WOS website for 41 cities in the Yangtze River Delta from 2011 to 2021. Based on evolutionary toughness theory and complex network theory, a four-dimensional evaluation index system of network structure toughness is constructed, which is "vulnerability-invulnerability-resilience-evolution". Social network analysis and GIS spatial analysis are used to describe the temporal evolution and spatial pattern of network structure toughness. GTWR and MRQAP models are used to identify the driving factors. The results show that: (1) From 2011 to 2021, the structural resilience of the knowledge innovation network of the Yangtze River Delta urban agglomeration shows an upward trend, with weakened three-dimensional characteristics, optimized transmission environment, weakened heterogeneous connections, and enhanced integration attributes. There are obvious regional differences in the resilience of the network structure, showing a layout trend of "high in the middle and low in the north, high in the east and low in the west"; (2) The leading nodes of resilience are core cities such as Shanghai, Nanjing, Hangzhou, Hefei, and Suzhou. Ensuring the stability of the dominant node is the key to ensuring the structural resilience of the network. The vulnerable nodes are mostly concentrated in the northwest and southwest of the Yangtze River Delta. Although they can avoid large-scale network collapse through the regional "lock-in" effect, there may also be connection instability caused by poor network linkage and poor resource transmission; (3) Science and education support and industrial structure have significant positive driving forces on the resilience of urban nodes. The explanatory power of economic development, opening up, human capital, and knowledge base has distinct spatial heterogeneity. There is a significant correlation between the driving factors, indicating that the interaction of two factors is an effective way to improve the resilience of urban nodes and promote the evolution of the overall resilience of the network; (4) The MRQAP results show that network aggregation effect, matching effect, siphon effect, and multi-dimensional proximity all drive the resilience evolution of network structure. Network topology, similar industries and similar human resources, good educational environment, and three-dimensional proximity of institutions, society, and organizations are all conducive to the formation of strong knowledge cooperation between cities.

Key words： knowledge innovation; innovation network; Yangtze River Delta urban agglomeration; network structure resilience; evolutionary resilience; spatiotemporal differentiation; GTWR; MRQAP

1 引言

区域创新系统的持续演化要求区域系统具备自我更新、恢复与适应内外冲击与新环境的能 力[1]。韧性（Resilience）为解决上述问题提供了新视角。韧性是统抵御风险、适应风险并演变发展的属性[2]，也是系统实现持续创新与突破创新的基 础[3]。韧性概念最初发源于工程、生态学领域，强调系统在冲击下维持稳定的能力[4]。随着研究深化，强调适应性和动态演化的适应韧性也应运而生。如今，它已广泛应用于经济与社会研究领 域[5]。近期，区域经济发展的政策关注点已从增长 和竞争力转向区域经济系统在面对长期、变动的内外生风险下的演化韧性[6]。
当前城市群成为中国参与全球竞争的主要地域单元，也是中国未来创新活动最具活力和潜力的核心增长极。“流空间”视角下，城市间或合作或互补的联系受到学者们的广泛关注，城市网络成为解读城市空间组织模式的新范式[7]。知识经济时代，建立以群内城市为载体的多边知识创新网络可以实现群内知识要素的良好协同，促进城市群整体科技创新水平的提升[8]。新一轮科技革命蔓延，各地区创新竞争加剧，国际科技封锁、人才垄断叠加突发公共卫生事件等外部不确定冲击不断上升[1]，关键核心技术“卡脖子”、产业能级跃升难、区域发展不平衡等内部发展问题频现，无一不影响知识网络的安全与稳定[8]。在内外部冲击的复合风险下，探索城市群知识创新网络的风险传播特征，探究如何发挥城市群知识网络与创新体系的自组织自适应性，建设稳定、抗风险、有韧性的区域创新生态系统显得尤为关键。作为我国创新能力最强的区域之一，长三角城市群致力于形成世界级城市群框架、创新引领的区域产业体系和协同创新体系，推进创新共同体与创新一体化建设。开展长三角城市群知识创新网络研究，可以充分发挥长三角城市群的比较优势，为城市群构建知识要素高效流动的稳健创新网络提供参考依据，也可为其他城市群知识创新网络结构韧性研究提供新范式。
与本文相关的研究集中于以下3个方面。 ① 城市知识网络结构相关研究。城市间创新联系是创新要素流动、创新活动协同的显性表达。这种联系多使用科研论文合作、专利联合申请、项目共同研发等无向合作关系，以及论文引用、专利引用、专利转移、人才流动等有向交互关系进行表 征[7⇓-9]。其中，城市间隐性的知识创新网络侧重于科学理论和基础创新，其主要通过论文合著的科学知识来显化高校和科研院所等科研主体在空间上对的关联关系[7]。网络学者们擅于运用多种网络分析方法，从空间、组成、等级、组群和控制等多维度对城市知识创新网络进行结构分析[9]。随着学者们对城市知识创新网络时空格局认识的深入，其演化机制与创新效应成为研究的重点。影响机制方面，学者们运用负二项回归、MRQAP和ERGM等模型，研究城市个体属性对城市转出和接收知识能力的影响程度，以及多维邻近关系对城市间发生创新联系的作用机制[10]。创新效应方面，现有研究发现知识合作网络结构通过强化控制权力、信息利益和知识转移，从而促进创新[11]。② 城市网络韧性相关研究。在地方空间理论研究逐渐转向流空间理论研究的背景下，传统人文经济地理学研究由中心地向网络化范式转变[12]。城市网络与韧性理论的结合产生了城市网络韧性。在此背景下，城市网络结构韧性的作为城市网络韧性的空间特征，逐渐引起学术界的关注。学者对多维度多层次的城市网络结构韧性进行评估并提出优化建议，如长江中游城市群的客运、经济、信息、交通网络[13-14]，哈大城市带的交通、金融、信息和创新网络[15]，全国地级及以上城市的信息、交通、经济和综合网络[16]，以及中国高铁网络[17]和中国海洋经济网络[18]等。③ 创新网络结构韧性相关研究。创新网络结构韧性可以理解为利用网络的结构特征来评估区域创新结构韧性的研究[19]。学者们围绕韧性理论基础、韧性实证测度和韧性影响因素等方面对创新网络结构韧性开展了系列研究。Crespo等[20]对知识网络结构韧性进行了研究，提出随机网络、中心边缘网络和韧性网络3种网络拓扑结构模式；Suire等[21]进一步揭示了韧性网络与核心-外围网络结构的关系。学者从实证应用的角度，使用社会网络分析、中断模拟仿真等方法对创新网络的结构-功能失效、脆弱性、抗毁性和级联失效等进行评估[22⇓-24]。研究发现创新合作的互惠性及交互性、适宜的技术关联与连通性可强化网络结构韧性，而局部网络锁定效应与网络关系破裂均会削弱网络结构韧性[25-26]。
总体来看，创新网络结构韧性的理论内涵和研究框架已初步建立，但仍处于发展初期；现有研究对网络韧性测度并未达成同一标准，已有测度方法多从工程韧性视角对网络结构韧性进行静态评估，欠缺演进韧性的思考，在人文经济地理学的“演化转向”与区域韧性领域的“演进韧性”转变的大背景下[15]，有必要对网络结构演进韧性进行深入研究。同时，现有研究多从专利合作的角度探索技术创新网络结构韧性，而对城市间基于论文合著形成的知识创新网络缺乏关注。知识经济时代，知识要素流的吸收、转化和扩散已成为城市创新发展的内在动力，有必要对知识创新网络结构韧性加以探索。基于此，本文利用长三角城市合作发表高质量论文数据构建城市知识创新网络，基于演化韧性理论与创新网络理论，构建四维度（脆弱性-抗毁性-恢复性-演进性）的城市知识创新网络结构韧性表征体系，依托社会网络分析、中断模拟仿真和GIS空间分析技术探究网络结构韧性的时空分异特征，使用时空地理加权回归（GTWR）和多元回归的二次指派程序（MRQAP）分析其驱动因素。
本文可能的边际贡献有：① 研究框架的补充。基于演进韧性理论与创新网络理论，从“脆弱性-抗毁性-恢复性-演进性”四维度属性出发，构建知识创新网络结构韧性表征体现，以期为网络结构韧性的分析框架给予有效补充，为网络韧性测度提供系统研究思路；② 研究方法的拓展。运用地理计量模型和网络计量模型，对网络结构韧性驱动因素进行科学探索，以丰富和拓展关于城市网络韧性经验研究，为优化城市创新网络和国家创新体系提供政策启示。

2 研究方法与数据来源

本文首先使用长三角城市合作发表高质量论文数据，通过作者地址的城市匹配与合作关系提取后构建城市知识创新网络；其次，基于演化韧性理论与创新网络理论，以“层级性-传输性-匹配性-集聚性”的网络结构属性来构建四维度（脆弱性-抗毁性-恢复性-演进性）知识创新网络结构韧性表征体系，并以中断模拟情境下的网络连通性指标来表征节点韧性贡献度与连边韧性贡献度；再次，依托社会网络分析、中断模拟仿真和GIS空间分析技术探究网络结构韧性的时空分异特征；最后，使用时空地理加权回归（GTWR）和多元回归的二次指派程序（MRQAP）分别对网络节点韧性与连边韧性的驱动因素进行探讨。图1展示本文的技术路线。
图1 技术路线

Fig. 1 Technical roadmap

2.1 网络结构韧性评估

2.1.1 网络结构韧性测度体系

韧性为探索区域空间结构演化提供了实用工具。网络结构韧性是指网络拓扑结构韧性，重点关注网络的物理连结，确保节点和连边组成空间连贯的生态系统[27]。基于演进韧性视角，构建网络结构韧性的四维框架，即“脆弱性-抗毁性-恢复性-演进性”[6]。如图2（a）所示，当网络遭受外在冲击时，脆弱性表现为网络结构因无法抵御风险而遭受的损失（VU），抗毁性表现为网络结构维持稳定并抵抗风险的能力（IV），恢复性表现为网络结构快速吸收风险并恢复到遭受风险之前状态的能力（RE），演进性表现为网络结构持续发展，并超越网络原有连结状态，达到新的更优越的稳态的能力（EV）。
图2 基于演进韧性的知识创新网络结构韧性分析框架

Fig. 2 A framework for analyzing the resilience of knowledge innovation network structure based on evolutionary resilience

创新网络理论强调系统内创新要素的复杂联系和创新主体的联动效应。演进韧性理论强调复杂系统抵御冲击、结构优化和功能提升。对知识创新网络结构韧性进行内涵界定，其目的在于从网络结构的角度为知识创新系统更好地适应外部环境变化探寻方法和途径，以实现结构稳定与可持续发展。据此，结合创新网络与演进韧性的内涵，提出知识创新网络结构韧性：在面对外部环境的冲击和扰动时，知识创新网络借助于网络节点间知识要素流动而缔结的协作和互补关系，激发网络系统的自组织、自适应功能，及时响应冲击，维持结构稳定，恢复结构原有状态并推动网络结构向更为稳健方向演进的能力。本文参考相关研究[13⇓⇓⇓⇓-18]，从“脆弱性-抗毁性-恢复性-演进性”的韧性四维属性出发，选取层级性、传输性、匹配性和集聚性指标来表征知识创新网络结构韧性（图2(b)），表征体系如表1所示。
表1 知识创新网络结构韧性表征体系

Tab. 1 Knowledge innovation network structure resilience measurement system

指标层 公式 释义 编号
层级性 l n k i = l o g C + a l n k i * a为度分布曲线的斜率， a表示层级性； k i与 k i *分别表示城市节点 i的度值大小和度值排名； C为常数项。 （1）
传输性 E = 1 n ( n - 1 ) ∑ i ≠ j   1 d i j E表示网络传输效率； d i j为城市节点 i到 j的最短距离； n为网络节点数。 （2）
匹配性 k - i = D + b k i b为节点间的度关联系数，表示匹配性，若 b > 0网络具有同配性， b < 0网络具有异配性； k i表示节点 i的度值； k - i表示与节点 i直接连接的所有相邻节点的度的平均值； D为常数项。 （3）
集聚性 C = 1 n ∑ i n   2 e / V i V i - 1 C为网络平均集聚系数； n为网络节点数； V i为与节点 i直接相连的邻居节点数量； e表示网络中与节点 i产生的全部连结数量。 （4）
（1）层级性衡量网络的整体协调能力，可同时体现网络脆弱性和抗毁性。位于不同层级的节点，其对网络中创新要素的流动与共享、对系统功能的协调与支撑作用不同。网络层级性越高，一方面意味着高层级节点的网络资源调控能力越强，网络结构具有更好的抗毁性；另一方面代表节点间能力差异的扩大，影响网络结构协调性，使得网络结构愈发脆弱[28]。
（2）传输性体现网络中创新要素流的流动能力，可同时表征网络抗毁性和演进性。节点间要素流的高效传输意味着节点间可以更快地实现要素流的迁移，有助于增强网络结构对危机的抵抗力。同时，传输环境的改善有助于改善网络中节点关系，提升网络溢出效应，同时吸引更多节点加入网络，提升网络的演进性。因而，传输性是网络结构韧性的正向指标[13]。
（3）匹配性衡量网络结构的开放性，可同时体现网络的脆弱性和恢复性。依据网络节点的连结倾向不同，可分为同配网络和异配网络。理论上，开放的网络环境（异配结构）交流成本低，有利于节点间的自由联系，有助于其恢复连结[29]。但网络形成过程中又面临“区域锁定”和“破坏性生长”的矛盾，过强同配性的网络极易形成封闭的结构，从而导致“区域锁定”；过强异配性的网络极易因信任危机而导致大规模结构重组，从而陷入“破坏性生长”，这将增加网络脆弱性风险[17]。
（4）集聚性描述了创新网络中节点的聚集程度，可同时表征网络的恢复性与演进性。集聚程度越高，节点之间的连接程度就越高，一方面紧密连接的节点可以共享创新资源和市场，从而提升创新要素利用效率，有助于网络的自我恢复；另一方面可以增强网络的吸引力和内聚力，进一步调整网络布局，局域网络一体化程度的提高越有利于形成更为稳定的网络结构，提升演进性。因而集聚性是网络结构韧性的正向指标[14]。
综上，结构韧性强调网络结构的抗风险性、稳定性、灵活性和推进性。

2.1.2 中断模拟情境下网络结构韧性表征

中断模拟仿真是通过模拟外在冲击造成不同节点或连边失效后的网络结构特征来体现网络结构韧性的方法。参考相关研究[13,17]，中断模拟能较好的反映网络韧性的演化特征，兼顾了网络遭受外部冲击的方式和过程，从而成为网络结构韧性研究的重要手段。知识网络韧性是网络中一个或多个参与者停止互动，中断其协作和知识转移的情境，特定节点或特定连边的删除可能会导致区域知识网络的不稳定性和不连续性，从而影响区域创新过程[30-31]。基于此，本文选取中断模拟方法来检验网络结构韧性。
连通性是网络所保持的连通状态和节点间连结程度的直观表现[18-19]，是中断模拟仿真方法中用来表征网络结构属性的常用指标。本文选取连通性来表征中断情境下的网络结构韧性，并以节点失效或连边失效后的网络连通系数来表征节点韧性贡献度或连边韧性贡献度（下文简称节点韧性、连边韧性）。失效规则设定如下：单一节点失效后，与该节点相连的所有连边均失效；而单一连边失效并不直接导致节点失效。该规则导致的直观结果为：网络节点韧性由连边韧性组成，而连边韧性则不必然由节点韧性组成。连通性使用网络连通系数表征，公式为：
S = 1 ω ∑ i = 1 ω   n i n l i
式中： S为知识创新网络的连通系数， 0 ≤ S ≤ 1,当全网连通（ ω = 1）并且 l = 1时， S取最大值1； ω为知识创新网络内部连通子网络的个数； n为网络内城市节点数； n i第 i个连通子网络的城市节点数； l i为第 i个连通子网络的平均最短路径。

2.2 网络结构韧性驱动因素探析

2.2.1 时空地理加权回归模型与变量设定

时空地理加权回归（GTWR）模型在考虑空间异质性的基础上，引入时间维度，能有效处理时空非平稳性。本文利用GTWR模型探索长三角城市群知识创新网络节点韧性的驱动因素。公式如下:
Y i = β 0 μ i , v i , t i + ∑ k   β k μ i , v i , t i X i t + ε i
式中： μ i , v i , t i是第 i个城市节点的时空坐标， μ i、 v i、 t i分别表示经度、纬度和时间； β 0 μ i , v i , t i为城市节点 i的回归常数； β k μ i , v i , t i为城市节点 i的第 k个驱动因素； X i t为城市节点 i在 t年的取值； ε i为残差。
通过参考相关文献[32⇓-34]，本文从经济发展、产业结构、科教支持、对外开放、人力资本及知识基础6个方面展开分析，以厘清这些变量在知识创新网络韧性形成中的作用，具体计算方法见表2。经济发展通常被认为是影响区域创新与知识流动的重要驱动力[32]；产业发展层级高的城市对创新的依赖性更强，创新水平也随之提升；由政府供给与良好的政策环境均会对创新产生影响[32]；经济全球化的深入使得外资增长产生外溢效应，进而对区域创新发展产生影响；人力资本结构的优化与发展对创新具有促进作用[33]；而知识基础对创新水平具有明显的驱动提升作用[34]。方差膨胀因子（VIF）检验结果均小于10，故认定所选驱动因素指标数据间不存在多重共线性。
表2 GTWR检验变量设定

Tab. 2 Setting of GTWR test variables

变量 计算公式 公式编号 变量说明
经济发展（ECO） ECO=GDP/年末总人口 （7） 以人均GDP(元)表示
产业结构（IND） IND=三产增加值/二产增加值 （8） 以产业结构高级化水平表示
科教支持（POL） POL=政府科技支出/一般预算 （9） 以政府科技支出占比表示
对外开放（OPE） OPE=外商投资额/GDP （10） 以外商投资占比表示
人力资本HUM） HUM=高校在校人数/年末总人口 （11） 以高校在校人数占比表示
知识基础（KNO） KNO=SCI论文发表量/年末总人口 （12） 以人均论文发表量表示

2.2.2 MRQAP模型与变量设定

当研究变量是以对称邻接矩阵表示的关系型数据时，样本间因网络关联关系的存在而相互影响，这违反了普通最小二乘法（OLS）的样本独立同分布的假设[35]，因而二次指派程序（QAP）、指数随机图模型（ERGM）等网络计量模型则可有效解决该问题。考虑到网络连边韧性受内外多重驱动力的共同影响，而ERGM在考察外生动力的影响时存在功能弱化[36]，本文选取多元回归二次指派程序（MRQAP）探究城市网络连边韧性的驱动机理，该模型在检验多类型变量时具有良好的包容性和较强的解释性。本文运用UCINET软件进行5 000次随机置换来得到MRQAP回归结果。本文模型中的解释变量包括网络结构属性变量、节点个体 属性变量和网络关系属性变量3类。具体如表3所示。
（1）网络结构属性变量
网络结构是影响网络效率及协作关系的重要因素[37]。区域间的知识网络结构质量与其合作伙伴在整个知识网络中的地位有关。学者发现优先依附致使网络权力更高的节点更具有连结聚合力[38]，即节点在选择合作伙伴时，更倾向于网络核心节点或主导节点。本文选取网络权力相似来测量网络拓扑结构的聚合效应。在韧性研究中，节点度数中心度可视为节点韧性[39]，因此网络权利相似的研究也可理解为考察网络节点韧性对连边韧性的影响。
（2）节点个体属性变量
同配效应和集聚效应是解释网络拓扑结构演化的2个重要特征。同配效应是指两个相似节点间个体属性的相似性会形成吸引力，更易建立联结。在城市群知识创新网络中，经济发展水平、产业结构层次和人力资本结构相近的城市具有大致相同的创新需求与产业发展目标，拥有相似的知识技术、吸收能力等创新资源[40]，因此更易形成知识合作关系。本文选取产业相似、经济相似和人资相似来测量经济发展水平相似性、产业结构层次相似性和人力资本水平相似性对城市间知识合作韧性的同配效应。虹吸效应即网络中部分节点能够通过优越的发展环境产生向心力，吸引创新资源集聚，实现强者愈强的虹吸效应[41]。城市良好的政策环境和开放的对外环境均会产生外向交流的需要，有利于知识要素的流动与共享，本文选取政策环境和对外环境来考察城市间知识合作韧性的虹吸效应。
（3）网络关系属性变量
邻近性是分析创新网络演化的重要视角，空间尺度的地理距离，文化尺度的政策距离和文化距离均影响着创新主体的交流方式与交流成本，影响知识溢出，成为区域间知识协同的重要驱动力[42]。创新创业环境的相似性与知识合作的相似性可以发挥“黏合”作用，有利于创新资源在主体间流动、吸收与转化，从而加深区域间的相互依赖性，推动区域合作强度与韧度提升[43]。
本文针对长三角城市群拥有复杂邻近关系的特殊性，从其嵌入的地理邻近网络、制度邻近网络、社会邻近网络、文化邻近网络和组织邻近网络5个网络关系属性分析城市间网络关系属性对知识创新网络结构韧性的溢出效应。
模型1 考察网络结构属性和节点个体属性对网络结构韧性的独立影响。具体模型设定如下：
E d r i j = β 0 + β 1 N e t S i m i j + β 2 I n d S i m i j + β 3 E c o S i m i j +                           β 4 R e s S i m i j + β 5 E d u E n v i j + β 6 O p e E n v i j + e i j
模型2 考察网络关系属性对网络结构韧性的交互影响。具体模型设定如下：
E d r i j = γ 0 + γ 1 N e t S i m i j + γ 2 I n d S i m i j + γ 3 E c o S i m i j +                           γ 4 R e s S i m i j + γ 5 E d u E n v i j + γ 6 O p e E n v i j +                           γ 7 G e o P r o i j + γ 8 I n s P r o i j + γ 9 S o c P r o i j +                           γ 10 C u l P r o i j + γ 11 O r g P r o i j + μ i j
式中：因变量 E d r i j是根据城市节点 i和城市节点 j之间的网络边韧性（连边失效后的网络连通性损失）构造的城市知识创新网络对称邻接矩阵。 β 0、 γ 0是常数项系数， β 1 ~ β 6、 γ 0 ~ γ 11是各属性变量的系数， e i j、 μ i j是误差项。各解释变量的含义与计算见表3。其中，创新创业相似性与知识合作相似性计算公式如下。
表3 QAP回归解释变量设定

Tab.3 Setting of QAP regression explanatory variables

类别 变量 机制 变量说明
结构属性 网络权力相似（NetSim） 聚合效应 城市 i与城市 j的度数中心度的差值的绝对值
个体属性 产业相似（IndSim） 同配效应 城市 i与城市 j的产业结构高级化水平的差值的绝对值
经济相似（EcoSim） 同配效应 城市 i与城市 j的人均GDP的差值的绝对值
人资相似（ResSim） 同配效应 城市 i与城市 j的高校在校人数占比的差值的绝对值
教育环境（EduEnv） 虹吸效应 城市 i与城市 j的科学和教育财政支出的乘积
对外环境（OpeEnv） 虹吸效应 城市 i与城市 j的外商投资占比的乘积
关系属性 地理邻近（GeoPro） 溢出效应 城市间的最短公路距离，用百度地图官方API获取的最短距离表示。
制度邻近（InsPro） 溢出效应 城市间制度环境的相似性，使用创新创业相似度表示，如式（15）所示  
社会邻近（SocPro） 溢出效应 城市 i与城市 j的社会联系强度，使用知识合作相似度表示，运用Jaccard相似系数计算，如式（16）所示
文化邻近（CulPro） 溢出效应 城市 i与城市 j是否属于同一方言区，同属则为1，否则为0
组织邻近（OrgPro） 溢出效应 城市 i与城市 j属于高能级城市（直辖市、省会城市和计划单列市）的数量
创新创业相似度的计算如式（15）所示。
I n s P r o i j = ∑ n = 1 8   S i n S j n / ∑ n = 1 8   S i n 2 S j n 2 × S i S j / 2
式中： S i n和 S j n分别为城市 i与城市 j的第 n项创新创业指标值， S i和 S j分别为城市 i与城市 j的创新创业指数。
知识合作相似度的计算如式（16）所示。
S o c P r o i j = 100 × N P C i j , t P i + P j - N P C i j
式中： N P C i j表示城市 i与城市 j的合作论文发表量， P i和 P j分别为 t年城市 i与城市 j的非本地合作论文发表总量。

2.3 数据来源与处理

本文以长江三角洲41个地级及以上行政单元为研究对象，研究时段为2011—2021年。本文所用数据涉及3大类：① 知识创新网络数据，主要用于网络结构韧性评估。本文所研究的城市知识创新网络是以城市为网络节点，以合著论文的方式将科研主体在空间上组织起来的网络。论文数据来源于Web of Science (WOS) SCI、SSCI核心论文数据库，使用该数据库的原因在于：其一，WOS核心合集数据库是世界上比较权威且具有一定影响力的数据库，收录了比较全面的SCI和SSCI期刊索引，因此学术价值较高，可以更好地体现高质量知识创新和国际前沿的知识创造[44]；其二，现有文献广为运用该数据库分析区域知识发展与科学关联，如分析知识合作网络、知识流动网络，研究的空间尺度涉及城市群、国家与全球[44⇓-46]；其三，Ma等[47]对比了中英文期刊数据库构建的科研合作网络，发现其结构总体一致。本文关注焦点在于长三角城市间的知识合作关系，以WOS核心数据库为数据源，选取国内作者大于等于2个的联合发表论文数据构建城市知识网络，当同一论文的作者分属不同的城市，将该论文按申请人所在城市两两组合进行拆分，便可得到城市间的知识合作关系。② 统计数据，主要用于驱动因素分析，来源于《中国城市统计年鉴》[48]、各城市统计年鉴和统计公报，创新创业数据来源于北京大学企业大数据研究中心编制的中国区域创新创业指数（IRIEC）数据，方言数据来源于《中国语言地图集》[44,47]。缺失值采用线性插值法进行处理。③ 矢量数据，用于ArcGIS空间分析及可视化。由国家地球系统数据共享平台——长江三角洲科学数据中心下载（http://nnu.geodata.cn）。

3 网络结构韧性时空分异

3.1 长三角城市知识合作联系的时空分异

长三角城市群的知识交互具有紧密化趋势，联系强度不断提高。2011年城市间联系为5 937条，网络密度为0.359；2021年城市间联系为43 795条，网络密度为0.762。2011—2021年，城市知识创新的研究领域主要集中于经济学（10.57%）、管理学（10.24%）、可持续性科学（6.01%）、神经科学（4.71%）与交通学（4.63%）。长三角城际知识合作联系分布在空间上较为不均衡（图3），排名前10%的城市合作联系占总合作量的比重超过80%。密集知识合作呈现“富人俱乐部”现象，主要集中在上海、南京、合肥、杭州之间[44]。沪宁合杭甬“Z”型发展带形成知识要素集聚与流动的核心走廊。长三角非中心区域城市处于相对边缘位置，这基本符合长三角城市群的发展水平和综合实力。
图3 长三角城市群知识创新网络空间格局

Fig. 3 Spatial pattern in knowledge innovation network structure resilience in the Yangtze River Delta urban agglomeration

3.2 网络结构韧性的时序变化分析

3.2.1 网络结构韧性的时序演化

如表4所示，网络层级性由0.834下降至0.208，表明知识网络结构的立体化特征减弱，扁平化属性增强，结构协调性提升。网络传输效率从0.594上升到0.795，平均最短路径接近1，创新要素在城市节点间的中转约为1个节点，说明知识网络具备低成本高速度的网络通达性，创新要素的流动与整合具有良好的传输环境，但同时也应警惕局域网络过度集聚而导致路径依赖风险。网络的度关联系数均小于零，说明网络为异配网络，且由-0.406上升到-0.124，说明网络异配性程度逐渐减弱，这将阻碍层间知识溢出，为网络脆弱性埋下隐忧。网络平均聚类系数从0.763上升到0.847，表明网络整体集聚效应较强且持续优化，揭示了知识网络良好的一体化状态。从系统的角度看，长三角城市群知识创新网络结构韧性总体上呈现上升趋势，网络结构日趋稳定，结构韧性状况良好。从分维度看，其层次性较强、传输性较高、异配性减弱、集聚水平较好，但也应警惕它可能会因区域“锁定”和路径依赖而产生投机性、连接路径固化、局域结构封闭等风险[13-14]。
表4 2011—2021年长三角城市群知识创新网络结构韧性时序演化

Tab. 4 Temporal evolution of knowledge innovation network structure resilience in the Yangtze River Delta urban agglomeration from 2011 to 2021

年份 层级性 传输性 匹配性 集聚性
2011 0.834 0.594 -0.406 0.763
2012 0.671 0.632 -0.386 0.775
2013 0.666 0.631 -0.360 0.769
2014 0.546 0.664 -0.361 0.770
2015 0.564 0.667 -0.340 0.804
2016 0.433 0.701 -0.210 0.771
2017 0.445 0.701 -0.296 0.788
2018 0.404 0.728 -0.274 0.814
2019 0.323 0.749 -0.210 0.804
2020 0.223 0.803 -0.141 0.841
2021 0.208 0.795 -0.124 0.847

3.2.2 节点韧性贡献度的时序演变

通过模拟网络节点序次故障，可获得网络的节点韧性变动情况。城市节点中断后，2011年网络的节点韧性在0.790 9~0.999 9之间，2021年在0.813 6至0.999 4之间。节点故障下，少数城市对网络结构连通性具有显著影响，大部分城市影响甚微的特征。说明遭受外在冲击时，网络的连通路径受到影响，城市间交互成本的增加会减弱网络结构韧性。
表5对网络节点韧性进行了排名，以便更清楚地反映城市中断后网络结构的状况。排名前十的城市，首先包括四大强韧性核心城市“沪宁杭合”，说明这4个城市可能对网络结构产生相对较大的负外部性，2021年，南京取代上海，成为长三角城市知识网络结构韧性的绝对核心城市。其次包括沿沪宁合杭甬发展带分布的苏州、镇江、无锡、扬州、宁波等城市，以及温州和徐州，其中，仅有徐州位于非长三角中心区。这些城市在资源聚集、创新活力和知识外溢等方面具有优势，同时，城市知识创新面临复杂的不确定性、扰动和冲击，其网络负外部性值得关注。排名靠后的城市多集中在西北、西南非长三角中心区域，其位于网络边缘位置，对网络整体结构贡献相对较小。
表5 长三角城市群知识创新网络结构韧性排名前十位的城市与城市对

Tab. 5 The top ten cities and city pairs in terms of knowledge innovation network structure resilience in the Yangtze River Delta urban agglomeration

排名 节点韧性 连边韧性
2011年 2021年 2011年 2021年
城市 贡献度 城市 贡献度 城市对 贡献度 城市对 贡献度
1 上海 0.790 9 南京 0.813 6 南京-上海 0.895 9 南京-上海 0.903 0
2 南京 0.799 2 上海 0.827 3 杭州-上海 0.913 8 杭州-上海 0.928 7
3 杭州 0.879 4 杭州 0.875 2 上海-合肥 0.952 5 杭州-南京 0.952 5
4 合肥 0.916 9 合肥 0.932 5 南京-杭州 0.959 2 合肥-上海 0.967 2
5 苏州 0.941 1 苏州 0.943 1 南京-合肥 0.960 6 合肥-南京 0.968 6
6 宁波 0.968 1 宁波 0.967 4 苏州-上海 0.967 5 南京-苏州 0.972 1
7 镇江 0.968 5 镇江 0.976 2 苏州-南京 0.968 0 苏州-上海 0.975 9
8 无锡 0.970 1 无锡 0.979 7 南京-镇江 0.972 7 杭州-宁波 0.977 4
9 温州 0.974 2 徐州 0.983 0 杭州-宁波 0.976 8 南京-镇江 0.980 2
10 扬州 0.979 7 温州 0.984 1 上海-温州 0.979 8 南京-无锡 0.983 6

3.2.3 连边韧性贡献度的时序演变

城市对之间的连边中断后，2011年网络的连边韧性在0.895 9~0.999 8之间，2021年在0.903 0~1.000 0之间。少数网络连边对网络结构连通性具有显著影响，大部分网络连边的影响甚微，这与节点故障下网络结构韧性表现相似。且随着网络关联关系的复杂化，单一连边对网络结构的影响有所下降。
为更清楚地反映连边中断后网络结构的状况，表3展示了网络连边（城市对）的排名。排名前十的城市对均位于长三角中心区，沿沪宁合杭甬、沿江、沿海、沪杭金四大发展带分布。其中排名前五的城市对位于以四大强韧性核心城市“沪宁杭合”为顶点的菱形网络结构内，南京的核心位置更为鲜明，2011年与2021年分布有5组、6组连边与南京相连，表明这些地区间的知识要素流动频繁、知识联系更为紧密，对网络结构的贡献更大，是影响网络结构韧性的关键连边，尤其需重点关注城市群核心城市之间的联系。而排名靠后的城市多集中在非中心区城市以及城市群边缘城市之间，该部分连边合作强度较低，面对冲击的脆弱性较大，但其中断对网络整体结构影响不大。

3.3 网络结构韧性的空间演化分析

3.3.1 节点韧性空间趋势演化

明确网络结构韧性的空间趋势变化有助于整体把握韧性格局演化的过程与机制。趋势面拟合结果显示（图4），研究时段内，长三角知识创新网络节点韧性均表现出明显的空间指向性特征，空间趋势线基本保持“中部高南北低，东高西低”的布局态势，中部和东部为网络结构的高韧性区域。同时注意到，不同方向上的趋势线变化存在差异，东西方向上的趋势面过渡普遍较为陡峭，而南北方向上的趋势面过渡趋于平缓，意味着节点韧性在东西方向上的分异特征更为明显和强烈。
图4 长三角城市群知识创新网络节点韧性趋势面分析

Fig. 4 Trend surface analysis of node resilience in knowledge innovation network structure resilience in the Yangtze River Delta urban agglomeration

3.3.2 网络结构韧性主导节点空间格局

基于自然断点法，将节点失效后网络结构连通性位于第一、二级的节点定义为主导节点[32]，而位于第四级的节点则定义为脆弱节点。2011年，识别出4个优势节点和28个脆弱节点，2021年识别出5个优势节点和28个脆弱节点（图3）。主导节点通常是具有资源集聚力和网络控制力的城市。2011年为上海、南京、杭州、合肥，2021年增加了苏州。这些城市经济高度发达，是成熟的创新高地。同时，它们在资源分布和配置方面都具有明显的地理优势，对周边城市可产生良好的辐射带动效应。一旦这些城市受到冲击，将对整体网络结构产生重大影响。因此，确保主导节点的稳定性对于中国创新网络结构韧性至关重要。大多数脆弱节点是多集聚于西北、西南部的长三角非中心区，其空间分布具有鲜明的连片聚集特征。这部分城市受到冲击时，可能会因为空间集聚而形成区域“锁定”效应，即将影响锁定在区域内部，而不会发生大面积的网络传导。但由于这些城市网络联动性较差，将会出现生产要素短缺、供需不平衡和连结不稳定的现象，也会对网络结构韧性带来隐患。

4 驱动因素分析

4.1 节点韧性驱动因素分析

GTWR模型有效地模拟了长三角知识创新网络节点韧性的驱动因子，验证R2值为0.822，矫正后R2为0.815（表6）。由图5、图6（a）可知，2021年6个因子的驱动力呈空间变化。其中，科教支持（POL）和产业结构（IND）是关键的正向驱动因子，其影响力中位数分别为0.866和0.382，说明良好的科教环境和产业结构有利于推动城市在网络中的知识聚合与合作关系强化，进而提升网络的协作抵御能力与协同恢复能力。其中，IND系数波动范围在0~1，波动幅度较小，而POL系数波动范围在0~2，波动幅度相对较大。经济发展（ECO）对江苏省，皖东南和浙北部有相对较强的正向驱动力，而对皖西北和浙南部具有负向驱动力。对外开放（OPE）对整体表现为正向带动效应，仅对苏北部和浙南部等零星非长三江中心地区具有负向驱动力，尤其对苏北部、皖西南等地区负向影响更大。人力资本（HUM）对苏西部、皖南部和浙西部地区有正向带动效应，而对东部江浙沿海连片地区为负向。知识基础（KNO）对苏北部、皖西南、浙南部区域产生鲜明的正向驱动力，而对长三角中心区的大部分地带产生负面影响。长三角城市群知识网络发展已相对成熟，核心节点通过产生强大的网络溢出效应，带动边缘节点的聚合，促使边缘网络强韧化。由图6（b）可知，除OPE与IND之外，其余两驱动因子间存在显著的相关性，说明有效发挥两因子之间的交互作用，实现双因子增强或非线性增强，是提升城市节点韧性进而推动网络整体韧性演化的有效途径。
表6 2021年长三角城市群知识创新网络结构韧性GTWR的相关参数

Tab. 6 Relevant parameters of GTWR in the resilience driving factors of knowledge innovation network structure resilience in the Yangtze River Delta urban agglomeration in 2021

网络 带宽 残差平方和 估计标准差 AICc值 R2 矫正后R2 时空距离比
知识 0.127 1 820.411 1.972 -1 005.946 0.822 0.815 0.413
图5 2021年长三角城市群知识创新网络结构韧性驱动因子空间变化

Fig. 5 Spatial changes in the resilience driving factors of knowledge innovation network structure resilience in the Yangtze River Delta urban agglomeration in 2021

图6 2011—2021年长三角城市群知识创新知识创新网络结构韧性驱动力统计

Fig. 6 Statistics on the resilience driving forces of knowledge innovation network structure resilience in the Yangtze River Delta urban agglomeration from 2011 to 2021

4.2 连边韧性驱动因素分析

表7展示了网络连边韧性的MRQAP回归结果。由模型1可知，网络结构属性在2011年和2021年的变量系数均为负值，且通过了1%的显著性检验，表明网络结构连边韧性与节点在网络中的权力地位有关，网络势能差的存在使得核心城市与边缘城市间存在天然的聚合力，使得网络中呈现出核心城市辐射边缘城市的网络格局[40]。从韧性的视角看，这也意味着相似韧性水平的节点间并不必然形成韧性连边，适度的异配连结展现出更强的韧性。综上，网络节点间的知识合作在网络拓扑结构自身的聚合作用下强韧化，网络聚合效应是网络结构韧性的驱动力。
表7 MRQAP检验结果

Tab. 7 MRQAP test results

驱动因素 2011年 2021年
模型1 模型2 模型1 模型2
网络权力相似 NetSim -0.612*** -0.652*** -0.427*** -0.337***
（0.000） （0.000） （0.000） （0.000）
产业相似 IndSim 0.118** -0.018 0.124** -0.144*
（0.000） （0.000） （0.000） （0.000）
经济相似 EcoSim -0.047 0.055 -0.078 -0.093*
（0.000） （0.000） （0.000） （0.000）
人资相似 ResSim 0.503*** 0.278*** 0.364** 0.145**
（0.000） （0.000） （0.001） （0.000）
教育环境 EduEnv 0.438*** 0.254*** 0.250** 0.052**
（0.000） （0.000） （0.000） （0.000）
对外环境 OpeEnv -0.120* -0.008 -0.061** -0.028
（0.000） （0.000） （0.000） （0.000）
地理邻近 GeoPro 0.070 0.093*
（0.000） （0.001）
制度邻近 InsPro 0.216** 0.157***
（0.001） （0.002）
社会邻近 SocPro 0.052*** 0.035**
（0.000） （0.000）
文化邻近 CulPro 0.030*** -0.019***
（0.000） （0.000）
组织邻近 OrgPro 0.574*** 0.664***
（0.001） （0.001）
R2 0.299 0.420 0.259 0.326
Adj-R2 0.296 0.416 0.247 0.323

注：***、**、*分别表示在1%、5%、10%的显著性水平下显著。

在匹配效应中，产业相似和人资相似均通过显著性检验，且表现出显著的正向作用，表明产业结构和人力资本结构相匹配的城市具有相近的产业发展方向和知识创造需求，更有益于形成强韧的知识合作关系；而经济相似则未表现出显著作用，但影响系数为负，说明经济发展水平的差异并不是制约城市间知识合作的重要因素。在虹吸效应中，教育环境的系数均显著为正，可知良好的教育体系与优越的教育环境是城市间知识流动与共享的重要驱动力；而对外环境的系数则显著为负，这可能与外向型的经济发展方式重商轻文有关，反而阻滞城市间的知识合作。
由模型2可知，制度和社会邻近性均具有显著的正向驱动力，良好的创新创业环境和知识创造环境有利于激发城市间的知识合作潜力，但这也体现城市知识合作的路径依赖性，城市间倾向于与具有相似知识结构的城市合作，可能导致“认知锁定”或“技术锁定”，为网络结构的脆弱性埋下隐忧。而地理邻近性影响系数仅2021年显著，这也印证了城市间的知识合作关系对地理距离的依赖性不强[8]。地域文化的影响在2011年显著为正，但2021年显著为负，说明知识网络具有突破地域集聚的趋势。行政等级的影响也显著为正，高行政等级城市的体制优势和资源优势均有利与破除隐性壁垒，维持稳定合作关系，从而提高网络结构韧性[10]。

5 讨论

区域创新体系是支撑科技发展水平的重要基础，是夯实地区科技能力的重要保障。区域创新体系极易受技术封锁和地缘政治威胁。在实现高水平科技自立自强的进程中，确保科技安全和创新网络韧性至关重要。现有科研合作网络的研究多基于核心-外围理论、流空间理论、多维邻近理论等，运用社会网络和空间分析技术、空间计量模型等方法，探讨其空间格局、拓扑结构、演化规律和影响机制等内容。韧性视角下，网络拓扑结构的强韧性与城市之间的知识要素流动和协同创新联系密切相关，网络拓扑结构显著影响着创新网络韧性[25]。然而，当前文献对城市知识创新网络韧性的研究较少，缺乏明确衡量知识创新网络结构韧性的框架。本研究对长三角知识创新网络结构韧性的时空格局与驱动因素进行分析，从韧性理论入手进一步拓展和丰富城市网络系统的理论框架，为区域科技创新韧性和可持续发展相关研究注入新的思路、提供新的工具，这为城市空间网络规划和国家创新体系建设提供了科学参考。
本文仍存在一些不足之处： ① 受研究方法和数据局限，对复杂知识创新网络的结构韧性特征并不能完全揭示，未来需继续拓展网络结构韧性的研究方法； ② 网络结构韧性的研究维度和层次还需继续深化，其一未来可深入探讨不同数据维度下知识创新网络结构韧性的差异性表现，并将实证研究扩展至企业、高校、科研院所等微观尺度，以及人工智能、纳米技术等前沿领域的创新网络中，其二未来可对全国十九大城市群知识网络结构韧性进行比较研究，及从城市群群内与群际网络的视角对网络结构韧性进行交互研究； ③ 新冠疫情、能源危机等不确定性干扰下的网络韧性理论机制与实证分析与也是未来的研究方向； ④ 指数随机图模型（ERGM）对复杂变量的包容性强，可同时考虑内生网络结构效应（互惠效应、偏好依附等），在探索城市网络形成机制方面具有巨大潜力，未来可运用该模型对网络结构韧性的形成机制进行深入探讨。

6 结论与建议

本文基于长三角城市知识创新网络，运用社会网络分析与中断模拟仿真方法研究网络结构韧性的演化特征，并运用GTWR和MRQAP模型识别其驱动因素。主要结论为：① 2011—2021年，长三角城市群知识创新网络结构韧性水平持续优化，结构协调性提升、传输环境良好、异配性减弱、集聚效应增强；网络结构韧性存在明显的区域差异，基本保持“中部高南北低，东高西低”的布局态势。② 韧性主导节点为上海、南京、杭州、合肥、苏州等具有资源集聚力和网络控制力的城市，其在遭受冲击后将对知识创新网络结构产生重大影响，因此确保主导节点的稳定性对于网络结构韧性至关重要。脆弱节点是多集聚于西北、西南部的长三角非中心区，其虽通过区域“锁定”效应可避免大规模网络崩塌，但也应注意脆弱节点因网络联动性较差、资源传输不畅而导致的连结不稳定现象。③ GTWR结果表明，科教支持和产业结构均有利于长三角各城市在知识创新网络中的结构韧性增强，经济发展、对外开放、人力资本与知识基础在城市的结构韧性强化上具有鲜明的空间异质性。驱动因子间普遍存在显著的相关性，有效发挥双因子的交互作用是提升城市节点韧性进而推动网络整体韧性演化的有效途径。④ MRQAP结果表明，网络聚合效应、匹配效应、虹吸效应以及邻近性均对长三角城市间知识合作关系的强化与结构韧性提升具有显著影响。知识创新网络拓扑结构可发挥聚合效应网络节点间的知识合作强韧化；产业相似和人资相似通过同配效应有益于形成强韧的知识合作关系；在虹吸作用下，良好的教育环境是城市间知识合作的重要驱动力，而对外环境反而阻滞城市间的知识合作；制度、社会和组织邻近性有利于发挥网络溢出效应进而激发城市间的知识合作潜力。
结合我国创新网络结构特征和韧性理论的相关研究，提出以下优化建议。① 充分发挥主导城市组群的区域引领效应和示范效应。上海、南京、杭州、合肥和苏州等城市在行政能力、人才资源集聚、城市枢纽、城市活跃度等方面具有较大优势，建议以“沪宁杭合甬”的主发展轴为依托，强化沪宁合杭甬、沿江、沿海、沪杭金四大发展带作为城市群科创走廊的辐射功能和协调功能，推动网络整体韧性提升。② 优化网络层级规划，强化网络跨层级联动效应。在当前流空间和网络化的发展背景，全面提高不同层级网络之间的连接强度往往是增强网络结构韧性的关键。通过完善苏州、镇江、无锡、扬州、宁波、温州和徐州等次核心城市和局域子系统枢纽城市的规划建设，强化辅助创新或创新产业化职能建设。通过局域核心城市为边缘城市节点提供丰富、多元、灵活的异配连结，打破核心-边缘节点间的路径依赖与局域网络的锁定效应，激活轴-辐潜能，带动网络功能互补与连通活力，引导城市功能互补、多元协同，形成更具韧性的网络结构。③ 打破地域壁垒，以资源传输带动网络协同。在区域一体化的趋势下，形成全域范围的、跨区域合作的创新体系，形成人才、技术、知识、信息等创新要素自由流动的市场环境，通过提高创新要素的传输效率和扩散效应来打破地理、制度、文化等壁垒，提升城市间的合作吸引力，以推动知识协同与共享，建设更具韧性的知识创新网络。尤其是边缘节点更应通过促进要素流通来确保区域连通性。④ 以产业链、创新链、人才链、教育链协同带动网络一体化发展。推进城市间产业集聚合作、创新职能分工、人才流动匹配与教育资源整合，强化产业链、创新链、人才链与教育链四链融合发展，来强化城市知识关联韧性，充分释放集聚外部性与网络外部性，实现网络深层次一体化，推动网络韧性建设。
本文图文责任编辑： 蒋树芳 黄光玉

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Lee D S. Towards urban resilience through inter-city networks of co-invention: A case study of U.S. cities[J]. Sustainability, 2018, 10(2):289. DOI:10.3390/su10020289

[2]
Gilly J P, Kechidi M, Talbot D. Resilience of organisations and territories: The role of pivot firms[J]. European Management Journal, 2014, 32(4):596-602. DOI:10.1016/j.emj.2013.09.004

[3]
Balland P A, Rigby D, Boschma R. The technological resilience of US cities[J]. Cambridge Journal of Regions, Economy and Society, 2015, 8(2):167-184. DOI:10.1093/cjres/rsv007

[4]
Holling C S. Resilience and stability of ecological systems[J]. Annual Review of Ecology and Systematics, 1973, 4:1-23. DOI:10.1146/annurev.es.04.110173.000245

[5]
Liu J G, Dietz T, Carpenter S R, et al. Complexity of coupled human and natural systems[J]. Science, 2007, 317(5844):1513-1516. DOI:10.1126/science.1144004

PMID

[6]
Clark J, Huang H I, Walsh J P. A typology of 'innovation districts': What it means for regional resilience[J]. Cambridge Journal of Regions, Economy and Society, 2010, 3(1):121-137. DOI:10.1093/cjres/rsp034

[7]
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.

DOI

[ Dai L, Liu C L, Wang S, 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. ] DOI:10.11821/dlyj020211014

[8]
徐维祥, 周建平, 周梦瑶, 等. 长三角协同创新网络韧性演化及驱动机制研究[J]. 科技进步与对策, 2022, 39(3):40-49.

[ Xu W X, Zhou J P, Zhou M Y, et al. Resilience evolution and driving mechanism of collaborative innovation network in the Yangtze River Delta[J]. Science & Technology Progress and Policy, 2022, 39(3):40-49. ] DOI: 10.6049/kjjbydc.2021030414

[9]
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 H T. Urban Relationship Construction and Innovation Network Simulation of Knowledge Flow Space[J]. Journal of Geography, 2020, 75(4):708-721.] DOI:10.11821/dlxb202004004

[10]
Dai L A, Derudder B, Cao Z, et al. Examining the evolving structures of intercity knowledge networks: The case of scientific collaboration in China[J]. International Journal of Urban Sciences, 2023, 27(3):371-389. DOI:10.1080/12265 934.2022.2042365

[11]
Lechner C, Frankenberger K, Floyd S W. Task contingencies in the curvilinear relationships between intergroup networks and initiative performance[J]. Academy of Management Journal, 2010, 53(4):865-889. DOI:10.5465/amj.2010.52814620

[12]
杨延杰, 尹丹, 刘紫玟, 等. 基于大数据的流空间研究进展[J]. 地理科学进展, 2020, 39(8):1397-1411.

DOI

[ Yang Y J, Yin D, Liu Z W, et al. Research progress on the space of flow using big data[J]. Progress in Geography, 2020, 39(8):1397-1411. ] DOI:10.18306/dlkxjz.2020.08.013

[13]
彭翀, 陈思宇, 王宝强. 中断模拟下城市群网络结构韧性研究——以长江中游城市群客运网络为例[J]. 经济地理, 2019, 39(8):68-76.

[ Peng C, Chen S Y, Wang B Q. Analyzing city network’s structural resilience under disruption scenarios: A case study of passenger transport network in the middle reaches of Yangtze River[J]. Economic Geography, 2019, 39(8):68-76. ] DOI:10.15957/j.cnki.jjdl.2019.08.009

[14]
彭翀, 林樱子, 顾朝林. 长江中游城市网络结构韧性评估及其优化策略[J]. 地理研究, 2018, 37(6):1193-1207.

DOI

[ Peng C, Lin Y Z, Gu C L. Evaluation and optimization strategy of city network structural resilience in the middle reaches of Yangtze River[J]. Geographical Research, 2018, 37(6):1193-1207. ] DOI:10.11821/dlyj201806010

[15]
谢永顺, 王成金, 韩增林, 等. 哈大城市带网络结构韧性演化研究[J]. 地理科学进展, 2020, 39(10):1619-1631.

DOI

[ Xie Y S, Wang C J, Han Z L, et al. Structural resilience evolution of multiple urban networks in the Harbin-Dalian urban belt[J]. Progress in Geography, 2020, 39(10):1619-1631. ] DOI:10.18306/dlkxjz.2020.10.002

[16]
魏石梅, 潘竟虎. 中国地级及以上城市网络结构韧性测度[J]. 地理学报, 2021, 76(6):1394-1407.

DOI

[ Wei S M, Pan J H. Network structure resilience of cities at the prefecture level and above in China[J]. Acta Geographica Sinica, 2021, 76(6):1394-1407. ] DOI:10.11821/dlxb202106006

[17]
郭卫东, 钟业喜, 冯兴华. 基于脆弱性视角的中国高铁城市网络韧性研究[J]. 地理研究, 2022, 41(5):1371-1387.

DOI

[ Guo W D, Zhong Y X, Feng X H. Research on the resilience of China’ s high-speed rail urban network from the perspective of vulnerability[J]. Geographical Research, 2022, 41(5):1371-1387. ] DOI:10.11821/dlyj020210421

[18]
李博, 曹盖. 基于涉海A股上市公司的中国沿海地区海洋经济网络结构韧性演化研究[J]. 地理科学进展, 2022, 41(6):945-955.

DOI

[ Li B, Cao G. Structural resilience change of China’s marine economic network based on the data of sea-related A-share listed companies[J]. Progress in Geography, 2022, 41(6):945-955. ] DOI:10.18306/dlkxjz.2022.06.001

[19]
Kurth M, Kozlowski W, Ganin A, et al. Lack of resilience in transportation networks: Economic implications[J]. Transportation Research Part D: Transport and Environment, 2020,86:102419. DOI: 10.1016/j.trd.2020.102419

[20]
Crespo J, Suire R, Vicente J. Lock-in or lock-out? How structural properties of knowledge networks affect regional resilience[J]. Journal of Economic Geography, 2014, 14(1):199-219. DOI: 10.1093/jeg/lbt006

[21]
Suire R, Vicente J. Clusters for life or life cycles of clusters: In search of the critical factors of clusters' resilience[J]. Entrepreneurship & Regional Development, 2014, 26(1/2):142-164. DOI: 10.1080/08985626.2013.877985

[22]
Shekhtman L M, Danziger M M, Havlin S. Recent advances on failure and recovery in networks of networks[J]. Chaos, Solitons & Fractals, 2016, 90:28-36. DOI:10.1016/j.chaos.2016.02.002

[23]
李莉, 林海芬, 程露, 等. 技术群体成员变动、知识流耦合与产业创新网络抗毁性:技术异质性的调节作用[J]. 管理工程学报, 2022, 36(1):25-36.

[ Li L, Lin H F, Cheng L, et al. Relationship between membership variation and knowledge coupling of technology clusters and industrial innovation network invulnerability: Role of technological heterogeneity[J]. Journal of Industrial Engineering and Engineering Management, 2022, 36(1):25-36. ] DOI:10.13587/j.cnki.jieem.2022.01.003

[24]
魏龙, 党兴华. 基于组织-惯例的相依技术创新网络级联失效模型研究[J]. 管理评论, 2017, 29(11):74-88.

[ Wei L, Dang X H. Research on cascading failure model of organization-routine interdependent technological innovation network[J]. Management Review, 2017, 29(11):74-88. ] DOI:10.14120/j.cnki.cn11-5057/f.2017.11.007

[25]
Lozano S, Arenas A. A model to test how diversity affects resilience in regional innovation networks[J]. Journal of Artificial Societies & Social Simulation, 2007, 10(4):8. DOI:10.1007/s00182-007-0103-4

[26]
赖建波, 朱军, 郭煜坤, 等. 中原城市群人口流动空间格局与网络结构韧性分析[J]. 地理与地理信息科学, 2023, 39(2):55-63.

[ Lai J B, Zhu J, Guo Y K, et al. Spatial pattern of population flow and the resilience of network structure of central Plains urban agglomeration[J]. Geography and Geo-Information Science, 2023, 39(2):55-63. ] DOI:10.3969/j.issn.1672-0504.2023.02.008

[27]
Huang L Y, Wang J, Fang Y, et al. An integrated approach towards spatial identification of restored and conserved priority areas of ecological network for implementation planning in metropolitan region[J]. Sustainable Cities and Society, 2021,69:102865. DOI:10.1016/j.scs.2021.102865

[28]
苏凯, 于强, YANG Di, 等. 基于多场景模型的沙漠-绿洲交错带林草生态网络模拟[J]. 农业机械学报, 2019, 50(9):243-253.

[ Su K, Yu Q, Yang D, et al. Simulation of forest-grass ecological network based on multi-scene model in typical desert-oasis ecotone[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(9):243-253. ] DOI:10.6041/j.issn.1000-1298.2019.09.029

[29]
Zhang C, Fu J S, Pu Z N. A study of the petroleum trade network of countries along “The Belt and Road Initiative”[J]. Journal of Cleaner Production, 2019, 222:593-605. DOI:10.1016/j.jclepro.2019.03.026

[30]
Tsouri M, Pegoretti G. Structure and resilience of local knowledge networks: The case of the ICT network in Trentino[J]. Industry and Innovation, 2021, 28(7):860-879. DOI:10.1080/13662716.2020.1775070

[31]
Tóth G, Elekes Z, Whittle A, et al. Technology network structure conditions the economic resilience of regions[J]. Economic Geography, 2022, 98(4):355-378. DOI:10.1080/00130095.2022.2035715

[32]
Liang X N, Liu A M M. The evolution of government sponsored collaboration network and its impact on innovation: A bibliometric analysis in the Chinese solar PV sector[J]. Research Policy, 2018, 47(7):1295-1308. DOI: 10.1016/j.respol.2018.04.012

[33]
钱龙. 科技服务渗透对制造业技术进步的影响——基于世界投入产出表的经验证据[J]. 科技进步与对策, 2019, 36(4):82-89.

[ Qian L. The influence of science and technology services penetration on the technological progress in manufacture—Empirical evidence from updated world input and output table[J]. Science & Technology Progress and Policy, 2019, 36(4):82-89. ] DOI:10.6049/kjjbydc.2018040486

[34]
刘华军, 杜广杰. 中国雾霾污染的空间关联研究[J]. 统计研究, 2018, 35(4):3-15.

[ Liu H J, Du G J. Research on spatial correlation of haze pollution in China[J]. Statistical Research, 2018, 35(4):3-15. ] DOI:10.19343/j.cnki.11-1302/c.2018.04.001

[35]
苏屹, 曹铮. 新能源汽车协同创新网络结构及影响因素研究[J]. 科学学研究, 2022, 40(6):1128-1142.

[ Su Y, Cao Z. Structure and influencing factors of cooperative innovation network for new energy automobile[J]. Studies in Science of Science, 2022, 40(6):1128-1142. ] DOI:10.16192/j.cnki.1003-2053.20211112.006

[36]
邵小彧, 翁宗源, 苗青松, 等. 区域绿色技术创新产出网络演化及要素分析 ——来自长江经济带城市群的证据[J]. 地理与地理信息科学, 2022, 38(4):40-49.

[ Shao X Y, Weng Z Y, Miao Q S, et al. Evolution and element analysis of regional green technology innovation output network: Evidence from the urban agglomeration of the Yangtze River economic belt[J]. Geography and Geo-Information Science, 2022, 38(4):40-49. ] DOI:10.3969/j.issn.1672-0504.2022.04.007

[37]
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.

DOI

[ Sheng Y W, Gou Q, Song J P. 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[J]. Scientia Geographica Sinica, 2020, 40(11):1831-1839. ] DOI:10.13249/j.cnki.sgs.2020.11.008

[38]
Orsenigo L, Pammolli F, Riccaboni M. Technological change and network dynamics[J]. Research Policy, 2001, 30(3):485-508. DOI:10.1016/s0048-7333(00)00094-9

[39]
Yuan X J, Ge C B, Liu Y P, et al. Evolution of global crude oil trade network structure and resilience[J]. Sustainability, 2022, 14(23):16059. DOI:10.3390/su142316059

[40]
许培源, 吴贵华. 粤港澳大湾区知识创新网络的空间演化——兼论深圳科技创新中心地位[J]. 中国软科学, 2019(5):68-79.

[ Xu P Y, Wu G H. Spatial evolution of the knowledge innovation network in Guangdong-Hong Kong-Macao greater bay area: The role of Shenzhen technological innovation hub[J]. China Soft Science, 2019(5):68-79. ]

[41]
叶光辉, 毕崇武. 知识交流视域下的跨地域科研协作发展态势及趋势分析[J]. 情报学报, 2020, 39(5):500-510.

[ Ye G H, Bi C W. An analysis of the development situation and trends of cross-regional scientific research collaboration under the perspective of knowledge exchange[J]. Journal of the China Society for Scientific AndTechnical Information, 2020, 39(5):500-510. ] DOI:10.3772/j.issn.1000-0135.2020.05.005

[42]
周灿, 曾刚, 尚勇敏. 演化经济地理学视角下创新网络研究进展与展望[J]. 经济地理, 2019, 39(5):27-36.

[ Zhou C, Zeng G, Shang Y M. Progress and prospect of research on innovation networks: A perspective from evolutionary economic geography[J]. Economic Geography, 2019, 39(5):27-36. ] DOI:10.15957/j.cnki.jjdl.2019.05.004

[43]
杨博旭, 王玉荣, 李兴光. 多维邻近与合作创新[J]. 科学学研究, 2019, 37(1):154-164.

[ Yang B X, Wang Y R, Li X G. The impact of multidimensional proximity on cooperative innovation[J]. Studies in Science of Science, 2019, 37(1):154-164. ] DOI:10.16192/j.cnki.1003-2053.2019.01.018

[44]
戴靓, 纪宇凡, 张维阳, 等. 长三角知识合作网络的空间格局及影响因素——以合著科研论文为例[J]. 长江流域资源与环境, 2021, 30(12):2833-2842.

[ Dai L, Ji Y F, Zhang W Y, et al. Spatial patterns and driving factors of intercity knowledge collaboration network in Yangtze River Delta: Evidence from scientific co-publications[J]. Resources and Environment in the Yangtze Basin, 2021, 30(12):2833-2842. ] DOI:10.11870/cjlyzyyhj202112003

[45]
袁荣, 曹贤忠, 曾刚. 国家重点实验室知识网络空间结构特征及影响因素[J]. 经济地理, 2022, 42(6):113-120,178.

DOI

[ Yuan R, Cao X Z, Zeng G. Spatial structure characteristics and influencing factors of state key laboratories’ knowledge network[J]. Economic Geography, 2022, 42(6):113-120,178. ] DOI:10.15957/j.cnki.jjdl.2022.06.012

[46]
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 Z, Dai L, Wu K, et al. Structural features and driving factors of the evolution of the global interurban knowledge collaboration network[J]. Geographical Research, 2022, 41(4):1072-1091. ] DOI:10.11821/dlyj020210165

[47]
Ma H T, Li Y C, Huang X D. Proximity and the evolving knowledge polycentricity of megalopolitan science: Evidence from China's Guangdong-Hong Kong-MacaoGreater Bay Area, 1990-2016[J]. Urban Studies, 2021, 58(12):2405-2423. DOI:10.1177/0042098020942665

[48]
国家统计局. 中国统计年鉴[M]. 北京: 中国统计出版社, 2012- 2022.

[ National Bureau of Statistics of China. China statistical yearbook[M]. Beijing: China Statistics Press, 2012- 2022. ]

Options
文章导航

/

〈 〉