EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 7: 1672 - 1687

DOI: https://doi.org/10.12082/dqxxkx.2024.240068

地理空间分析综合应用

中国城市技术转移网络演化的内生机制及空间差异研究

  • 李晓瑞 ,
  • 盛科荣 , * ,
  • 王传阳
展开
  • 山东理工大学经济学院，淄博 255012
*盛科荣（1977― ），男，山东日照人，博士，教授，硕士生导师，主要从事城市地理和区域可持续发展等领域的研究。 E-mail:

李晓瑞（1998― ），女，山东枣庄人，硕士生，主要从事区域经济和城市网络等领域的研究。E-mail:

Copy editor: 蒋树芳

收稿日期: 2024-01-31

  修回日期: 2024-03-12

  网络出版日期: 2024-06-25

基金资助

国家自然科学基金项目(42371209)

山东省自然科学基金面上项目(ZR2023MD049)

收起

Endogenous Mechanisms and Spatial Differences of the Evolution of Urban Technology Transfer Network in China

  • LI Xiaorui ,
  • SHENG Kerong , * ,
  • WANG Chuanyang
Expand
  • School of Economics, Shandong University of Technology, Zibo 255012, China
*SHENG Kerong, E-mail:

Received date: 2024-01-31

  Revised date: 2024-03-12

  Online published: 2024-06-25

Supported by

National Natural Science Foundation of China(42371209)

Shandong Provincial Natural Science Foundation General Project(ZR2023MD049)

Fold

摘要

技术知识成为新时期区域创新发展的关键要素，探究技术转移网络生长发育内在机制对于提高区域创新活力具有重要意义。本文基于2001—2020年中国专利权转移数据构建了4个时段的城市技术转移网络，并采用社会网络分析法和随机行动者模型，研究了中国城市技术转移网络演化的内生机制及空间差异。研究发现： ① 中国城市技术转移网络的演化格局具有明显的“核心—边缘”结构特征。网络整体表现出较强的极化特征，但这种极化性有逐渐下降的态势。同时围绕着核心城市，大量涌现的三方关系在影响链接关系形成的同时，也进一步促成了网络局部等级的分化； ② 内生结构动力是中国城市技术转移网络生长发育的关键因素。互惠链接和网络闭合构成了城市技术转移网络演化的微观基础；偏好依附是强化城市技术转移网络链接关系的关键力量； ③ 中国城市技术转移网络演化的内生机制具有明显的空间异质性特征。东部南方区城市技术转移网络具有较强的动态性，互惠链接、网络闭合和偏好依附成为技术转移网络生长发育的内生结构动力；东部北方区网络演化速率呈现出下降的趋势，互惠链接和偏好依附促成了网络链接格局的形成；西北内陆和青藏高原区网络演化速率趋于上升，但网络密度小，仅有互惠效应显著。

关键词： 技术转移网络; 社会网络分析; 随机行动者模型; 网络演化; 内生机制; 空间差异; 流动空间

本文引用格式

李晓瑞 , 盛科荣 , 王传阳 . 中国城市技术转移网络演化的内生机制及空间差异研究[J]. 地球信息科学学报, 2024 , 26(7) : 1672 -1687 . DOI: 10.12082/dqxxkx.2024.240068

Abstract

Technological knowledge has become the key element of regional innovation and development in the new era. Exploring the inherent mechanism of the growth and development of technology transfer network is of great significance to improve the vitality of regional innovation. However, the endogenous mechanisms and spatial differences of technology transfer network evolution is rarely studied. This study aims to gain a better understanding of the growth and development process of urban technology transfer networks in China and their spatial differences. First, this paper takes 282 cities of China as research units. Second, information on patent transferred data is subjected to ownership linkage mode to construct the urban technology transfer network, resulting in a panel dataset of 282 cities in China in 2001—2020. Finally, stochastic actor-oriented models for the evolution of networks are constructed to study the evolution of technology transfer networks and spatial heterogeneity. Results show that: (1) The evolution pattern of urban technology transfer network in China presents a "core-periphery" structure. The network exhibits strong polarization characteristics, but it is decreasing gradually. The increasingly complex tripartite relationship between cities is an important feature of network evolution. These tripartite relations not only affect the formation of link relations but also promote the differentiation of local levels of the network; (2) Endogenous structural factors are the key factors for the growth and development of urban technology transfer network in China. Reciprocity and network closure constitute the micro basis of the evolution of urban technology transfer network. Path dependence is a key force in strengthening the link relationship between urban technology transfer networks; (3) The endogenous mechanism of the evolution of urban technology transfer network in China has obvious spatial heterogeneity. In the southern region of eastern China, the urban technology transfer network has strong dynamics. Reciprocity, network closure, and path dependence have become the endogenous driving forces for the growth and development of technology transfer networks. In the northern region of eastern China, the evolution rate of the network shows a downward trend. Reciprocity and path dependence contribute to the formation of network link pattern. In the northwest inland and the Qinghai-Tibet Plateau, the network evolution rate tends to increase, but the network density is small, and only the reciprocity effect is significant. This paper will deepen the understanding of the evolution law of urban networks and provide a scientific reference for China's urban innovation and development policy.

Key words： technology transfer network; social network analysis; stochastic actor-oriented models; network evolution; endogenous mechanism; spatial difference; flowing space

1 引言

在知识密集型经济中，随着城市创新活动 的日益复杂，技术转移和远程合作变得至关重 要[1-2]。建立超越地理临近性的技术流动管道，吸收网络中新颖的、互补的知识资源，已成为提升城市创新发展能力的重要内容[3]。2017年《国家技术转移体系构建方案》[4]提出中国要构建符合科技创新规律的国家技术转移体系，中国共产党第二十次全国代表大会报告进一步指出中国要在2035年进入创新型国家前列，这为提升城市知识产出水平、组织技术转移提出了新的要求。在这种背景下，构建城市技术转移网络已经成为国家创新体系建设的关键环节。因此，深入城市技术转移网络的演化机制，对于加深城市网络发育规律的理解和构建开放式技术创新体系的实践具有重要意义。
城市创新网络的研究成为近些年学术界关注的热点内容。已有研究涉及到了不同类型的创新网络，包括基于论文引用或合著数据的科学知识网络[5-6]，基于专利申请或转移数据的技术知识网络[7-8]，以及基于企业联系[9]、人才流动[10]等数据的创新网络。这些研究从不同空间尺度上揭示了城市创新网络结构的时空复杂性特征，包括区域差异特征[11]、“核心—边缘”和“金字塔式”的层级分布特征[1,12]以及“小世界性”和网络权力的“无标度性”特征[13-14]。近几年，城市创新网络影响因素和发育机理的研究逐步得到重视。这些研究主要基于引力模型[15]和二次指派程序(MRQAP)回归模型[16]，揭示了城市属性[17]、城际多维邻近性等[18]对网络链接格局形成的重要影响。但是，这些模型方法缺乏对于网络自我组织过程的解释，无法进一步揭示网络生长发育的内生结构动力因素。尽管有陈淑芬等[19]，桂钦昌 等[20]利用指数随机图模型（ERGMs）和随机行动者模型（SAOMs）对网络的结构依赖效应进行了解析，但目前研究多集中于合作网络视角，对于城市技术转移网络发育机理的探究，特别是内生机制的研究没有得到足够的重视，这制约了研究结果在创新网络建设实践方面的应用能力。
实际上，城市技术转移演化是一个非常复杂的过程[21]，不仅依赖于城市个体的属性特征（如GDP、人口规模）[22]，还通常呈现网络自组织特征，例如互惠链接、偏好依附和网络闭合[20]。这些自组织特征并不涉及城市属性或者其他外生因素，构成了技术转移网络演化中的内生机制[23-24]。由于技术转移网络关系会通过自我组织形成各种模体（motif），将内生机制纳入城市技术转移网络分析框架变得非常必要。不仅如此，无论从全球尺度还是国家尺度来看，城市创新网络结构都呈现出明显的区域性 特征[25-26]。也就是说，在一个相互关联的城市体系中，区域性仍然很重要，尽管它以一种更开放性和更多样性的方式表现出来。这意味着表征网络自组织效应的各种模体及其组合关系也可能存在区域差异，因此探究内生机制的区域差异性也将为理解城市技术转移网络的复杂性提供新的视角。
基于以上考虑，本文基于282个地级及以上城市的专利权转移数据，构建起2001—2005、2006—2010、2011—2015和2016—2020年4个时段的中国城市技术转移网络，利用随机行动者模型（Stochastic Actor-Oriented Models，SAOMs）检验了中国城市技术转移网络演化的内生驱动机制及空间差异。相较于已有文献，本文的边际贡献主要体现在： ① 利用基于纵向网络数据的随机行动者模型，从国家尺度上对城市技术转移网络内生机制方面进行了较为深入的探讨，丰富了城市网络关于演化机理方面的内容； ② 对比分析了中国3大区域技术转移网络演化内生机制的异质性特征，为研究不同地理区位的城市如何融入国家技术转移网络体系提供了参考。本文有助于推动中国城市网络和创新地理的定量研究，并为中国地方政府制定创新政策提供一定的科学参考。

2 研究方法与数据来源

2.1 城市技术转移网络的构建

本文基于专利转移数据构建中国城市技术转移网络。专利转移是创新主体之间通过技术市场主动进行供需匹配的过程，对于城际技术流动具有较强地解释能力[22]。基于技术知识流动视角的城市技术转移网络的构建方法具体如下：如果专利权变更前的权利人位于城市i，专利权变更后的权利人位于城市j，则认为城市i向城市j转让了1条专利。考虑到2000年及之前年份发生的专利转移活动较少，且为消除单一年份的波动性与滞后性，本文以5年为时间间隔将2001—2020年的专利转移记录进行加总，最终得到2001—2005、2006—2010、2011—2015和2016—2020年共4个时段的282×282技术转移网络矩阵。

2.2 随机行动者模型

城市作为专利孵化的基地，专利权利人的决策是嵌入在城市空间内部的。当将城市抽象归纳为一个城市节点时，城市也就表现出了行动者最为重要的属性—决策能力。同时，城市自身的经济状况、知识生产水平等属性也是影响专利权转移的重要决策。城市层面网络关系的特征中也就必然包含着专利权人转移的内容。因此，本文利用随机行动者模型来探究中国城市技术转移网络演化的内生机制及空间差异。
SAOMs是Snijders等[23]发展起来的探究网络结构动态演化的分析工具。相对于ERGMs的静态网络建模方法， SAOMs着眼于纵列网络数据，能够更好的识别驱动城市节点之间关系演化的动态机制。此外，与ERGMs聚焦于链接关系本身不同， SAOMs着眼于网络行动者，强调的是行动者根据自身偏好和限制做出建立或消除网络关系的行为。基于SAOMs的网络演化过程被分解为两个随机子过程：
（1）目标方程（objective function），即行动者以特定的方式改变其网络的可能性有多大，虽然受到网络结构、行动者属性及其他随机因素的影响，但行动者总是“试图”使自己的目标函数值更高，以寻求最大化的效用。目标函数是SAOMs的核心，它以概率的方式确定行动者所做的选择[24]。行动者的选择受以下目标函数的控制：
f i x , β = ∑ k β k s i k ( x )
式中： f i x , β是行动者i目标函数的值，取决于网络状态x； s i k ( x )表示网络效应，这些效应代表了从行动者i的角度“观察”到的网络的各个方面。网络效应 s i k ( x )取决于网络x，但也可能取决于行动者属性（行动者协变量）、行动者间的协关系变量（二阶协变量）等；βk为城市网络效应的估计参数，若k等于0，则相应的效应在网络演化中不起作用；若k是正的，那么移动到相应效果更高的方向的概率会更高，若k是负的，则相反。
（2）速率方程（rate function），用来表示网络演变的速度，即高值意味着网络强大的动态性以及行动者更快改变选择的“机会”。
λ i n e t ρ , α , x , m = ρ m e x p   ( ∑ k α k u i k ( x ) )
式中： ρm表示与周期m相关的基本速率参数； u i k ( x )表示与协变量效应或行动者网络地位相关的函数，取决于式（1）中的目标方程 f i x , β； α k表示与 u i k ( x )相关的网络效应的估计参数。

2.3 变量选取

（1） 被解释变量
首先，由于SAOMs运行大型网络效率较低，为保障模型的可操作性，本文参照濮蓉等[27]的处理方法，最终选取2020年网络中度数大于528的121个城市作为研究样本，探究中国城市技术转移网络演化的内生机理。其次， RSiena规定被解释变量（即城市技术转移网络）必须是二值邻接矩阵，据此本文使用如下方法对子网络进行二值化处理：以每一时段网络的均值与标准差之和作为其截断值对当前时段的网络链接关系进行截取，大于其截断值的链接关系赋值为1，否则为0。因此，SAOMs的被解释变量确定为2001—2005、2006—2010、2011—2015和2016—2020年共4个时段的121×121有向二值网络矩阵。
（2） 核心解释变量
本文重点关注的是技术转移网络演化的内生机制。城市间的网络联系是其基于自身偏好和约束主动与其他城市创建、维持或终止链接的结果。并且，网络具有自组织特征，现有的网络状态也会影响下一阶段的网络联系[23]。这种网络内生结构上的因素成为城市技术转移网络演化的关键驱动力。因此，本文参考罗超亮等[28]、He等[29]的研究，将网络内生结构效应（Structural Effects）作为核心解释变量。网络内生结构效应包括：密度效应、互惠链接效应两个基本网络效应，用以检验网络链接关系发育的基本趋势及特征[30]；入度聚敛效应、出度聚敛效应2个度中心性效应，用以检验偏好依附效应在网络演化中的作用[31]；传递性闭合、循环性闭合、结构平衡效应3个网络三方关系效应，用以检验网络闭合机制对网络演化产生的影响[32]。核心变量的定义见表1。
表1 SAOMs中的网络效应及描述

Tab. 1 Network effects and descriptions in SAOMs

网络效应[SIENA代码] 公式 公式编号 示意图 描述
密度效应[density] s i 1 = ∑ j x i j （1） 城市技术转移网络关系是否为随机过程的结果
互惠效应[recip] s i 2 = ∑ j x i j x j i （2） 城市间是否存在互惠链接关系
传递性闭合[transTrip] s i 3 = ∑ j , h x i j x i h x h j （3） 城市网络链接关系是否具有传递性闭合倾向
循环性闭合[cycle3] s i 4 = ∑ j , h x i j x j h x h i （4） 城市网络链接关系是否具有循环闭合 倾向
结构平衡效应[balance] s i 5 = ∑ j = 1 n x i j ∑ h = 1 h ≠ i , j n ( b 0 - x i h - x j h ) （5） 链接结构相似的城市间是否更倾向于建立联系
入度聚敛效应[inPopSqrt] s i 6 = ∑ j x i j x + j （6） 入度值较高的城市是否倾向于接收更多关系
出度聚敛效应[OutPopSqrt] s i 7 = ∑ j x i j x j + （7） 出度值较高的城市是否倾向于接收更多关系
多维邻近性[X Prox] s i 8 = ∑ j x i j w i j （8） 多维邻近网络是否影响城市间的链接 关系
发送者效应[egoX] s i 9 = ∑ j x i j ( v i - v - ) （9） 属性值X较高的城市是否更倾向于发送关系
接收者效应[altX] s i 10 = ∑ j x i j ( v j - v - ) （10） 属性值X较高的城市是否更倾向于接收关系
趋同效应[simX] s i 11 = ∑ j x i j s i m i j （11） 属性值X相似的城市间是否倾更向于建立联系
趋同效应[sameX] s i 12 = ∑ j x i j I ( v i = v j ) （12） 类型X相同的城市间是否更倾向于建立联系
注： x表示城市间网络链接关系；i、j和h表示城市节点；v和w分别代表城市属性变量和城市间协关系变量； s i m i j=1-| v i - v j|/ m a x i j| v i - v j|，表示城市i与j属性v的相似程度；如果 v i = v j，有 I ( v i = v j ) = 1，否则 I ( v i = v j ) = 0； 表示属性值X高的城市，〇表示属性值X低的城市， 表示任意属性值的城市；其中，结构平衡效应中的b0是常数， b 0 = 1 ( M - 1 ) n ( n - 1 ) ( n - 2 ) ∑ m = 1 M - 1 ∑ i , j = 1 n ∑ h = 1 h ≠ i , j n x i h t m - x j h t m，用来降低该效应与密度效应之间的相关性。
（3） 控制变量
为了避免遗漏变量问题，本文控制了网络协变量效应和行动者-关系效应，如表1所示。
① 网络协变量效应（Net Covariate Effects）。本文基于Boschma提出的多维邻近性的分析框架[33]，选取地理邻近、组织邻近、文化邻近矩阵进一步检验多维邻近机制对城市技术转移网络演化的影响[24]。其中，地理邻近城市能够减少获取技术知识的成本和空间上的摩擦；组织邻近城市间相似的政策环境和政治属性，有利于减少技术知识转移过程中的不确定性及风险，但不利于高异质性技术知识的流动；文化邻近城市拥有相似的语言环境和文化背景，有利于降低城市间技术创新知识的交流和学习成本。本文邻近矩阵的构建方法如下，地理邻近矩阵[34]：若城市i与城市j边界相邻，则wij=1，否则 wij=0；组织邻近矩阵[35]：若城市i与城市j同属于省会、直辖市、经济特区或普通城市，则wij=1，否则 wij=0；文化邻近矩阵[25]：若城市i与城市j同属于一个方言区，则wij=1，否则wij=0。
② 行动者-关系效应（Actor covariate effects），包括接收者效应、发送者效应和趋同效应[36]。技术知识在转移时会考虑链接城市的节点属性。经济规模决定了城市获取和发出高质量技术知识的能力；政治资源决定着城市间的技术创新是否存在行政壁垒；知识生产水平深刻影响着城市间异质性技术的流动。因此，本文的行动者-关系效应选取了经济规模（GDP）、政治资源（capital）、知识生产水平（know）3种城市属性变量，用以检验城市属性对网络链接关系形成的影响[37]。其中，经济规模为2001—2020年累积均值的连续变量；政治资源是将省会、直辖市赋值为1，其他城市赋值为0的分类变量；知识生产水平以专利申请量表征，在得到各城市2001—2020年累积均值的基础上，将高于总体均值的赋值为1，低于总体均值的赋值为0。

2.4 数据来源

在城市样本方面，本文经过数据清洗和有效地址匹配，由于数据获取的限制，本文剔除了2016—2020年缺少数据的16个地级市，以及30个自治州、8个地区、3个盟以及香港、澳门和台湾，用于时空格局分析的城市样本确定为282个地级及以上城市。在城市技术转移网络构建方面，本文的专利转移数据源自incoPat全球专利数据库（https://www.incopat.com/）和Patentics专利数据库（https://www.patentics.com/），利用Python软件对专利转移信息进行提取、清洗和匹配，最终整理得到2001—2020年共计593 386条专利权转移数据。在模型的控制变量中，本文涉及的文化邻近矩阵数据来源于《中国语言地图集》[38]；经济规模数据来源于2002—2021年的《中国统计年鉴》[39]；知识生产水平中使用的专利申请量数据来源于佰腾网（https://www.baiten.cn/）。

3 实证结果及分析

3.1 特征事实

从整体上看，2001—2020年，中国城市技术转移网络呈现出日益扁平化的核心—边缘结构特征。图1直观揭示了中国城市技术转移网络的拓扑结构。可以发现，2001—2005年中国城市技术转移网络呈现出“一超多强”的结构特征。这一阶段，北京承担着网络核心枢纽的功能，上海、深圳和广州为次级核心枢纽，而济南、杭州等半边缘城市则充当着桥梁的作用，为淄博、泰州等边缘城市承接技术创新资源。总体上，城市网络权力呈现出明显的空间指向性和行政指向性特征，核心城市主要由东部地区城市或者行政地位较高的城市组成，而中西部地区城市主要分布在边缘地位。2016—2020年中国城市技术转移网络的“多极化”趋势明显。这一阶段，以北京为绝对核心的空间格局被打破，天津、杭州等半边缘城市跻身技术转移网络的主要核心圈层；次级核心枢纽也由之前仅有的深圳、上海、广州3个城市增至济南、长沙等43个城市；半边缘城市组成发生了显著变化，但这些城市依旧承担着链接河源、常德等边缘城市的纽带功能。分析结果与桂钦昌等[20]、戴靓等[22]等的研究结论相一致，他们也发现基于论文合作发表和专利联合申请数据的城市知识创新网络呈现多中心演化趋势，推动着网络结构由头部城市主导向头部城市引领、区域中心城市带动的格局转化。
图1 2001—2005年和2016—2020年中国城市技术转移网络的拓扑结构

Fig. 1 The topological structure of urban technology transfer network in China for the period 2001-2005 and 2016-2020

本文参考樊杰等[40]编制的中国陆域综合功能区划分方案，来探究城市技术转移网络的空间异质性特征①（① 相比于传统研究空间异质性时所使用的割裂自然地理环境与人类生产生活之间联系的东中西部等划分方式[41-42]，其区划方案表达了过去及未来相当长的时期内自然与人文因素相互作用下地域系统分异格局的稳态分布情况。）。根据其区划方案本文将中国划分为东部南方区、东部北方区、西北内陆和青藏高原区三大区域②（② 本文研究的东部南方区包括位于秦岭—淮河线以南及横断山脉以东地区145个城市；东部北方区包括位于秦岭—淮河线以北及大兴安岭、乌鞘岭、六盘山以东地区111个城市；西北内陆和青藏高原区包括位于昆仑山、阿尔金山、祁连山以北及大兴安岭、乌鞘岭、六盘山以西地区以及青藏高原地区42个城市。）。从区域的视角上看，中国三大区域的城市技术转移网络均呈现出核心—边缘的结构特征，但区域差异明显（图2）。东部南方区呈现出以上海、深圳、广州等为主的多核心发展格局，城际技术知识流动频繁，网络密度和可达性快速上升。网络密度和平均路径长度由2001—2005年的0.016和3.033变化为2016—2020年的0.466和1.540。东部北方区始终为以北京、天津为主的双核心发展格局。技术流动高度集中于北京和天津，边缘城市发展较为缓慢，网络密度和可达性逐渐上升。网络密度和平均路径长度由2001—2005年的0.017和2.592变化为2016—2020年的0.244和1.767。西北内陆和青藏高原区由以兰州为主的单核心发展格局向乌鲁木齐、兰州为主的双核心发展格局转变。网络联系相对稀疏，网络可达性有下降的趋势，但网络的演变速度较快。网络密度和平均路径长度由2001—2005年的0.005和1.111变化为2016—2020年的0.123和2.180。
图2 2001—2005年和2016—2020年中国三大区域城市技术转移网络的空间格局（链接数量>8）

Fig. 2 The spatial pattern of urban technology transfer network in the three major regions of China for the period 2001-2005 and 2016-2020 (links above 8)

表2进一步报告了2001—2020年中国城市技术转移网络的三方组统计结果。从表2可以发现，虚无三方组（003）数量不断下降，单向链接（012）和2-路径（021C）数量不断上升，表明技术流动在城市间愈发普遍，位于“知识守门人”位置的城市对于技术流动具有重要的中介职能。互惠链接（102）的结果表明城市间的技术合作关系持续增加，但未来仍有较大提升空间。入-2星结构（021U）超过出-2星结构（021D），表明中国城市对技术类网络资源的集聚能力要强于扩散能力。包含非传递关系的三方组类型111D的数量和增幅远大于111U，说明城市间合作关系的建立能有效增强城市是技术类知识的吸引能力。循环三方组（030C）的增幅和数量远小于传递三方组（030T），表明“朋友的朋友亦是朋友”的城市关系是技术转移的重要路径。120D和120U的数量显著增长，表明与核心城市B具有相同关系的城市间更容易建立技术合作关系。网络闭合（如030T、120C、210、300）数量剧增，形式也日趋多样化，表明三方城市关系的复杂性与有序性日益彰显。总体来看，内生结构日益成为中国城市技术转移网络的重要驱动力量。
表2 中国城市技术转移网络三方组统计数量

Tab. 2 The number of triad in the urban technology transfer network in China

三方关系 数量/个
类型 示例 2001—2005年 2006—2010年 2011—2015年 2016—2020年
003 A，B，C 3 521 400 3 184 846 2 442 983 1 104 436
012 A→B，C 134 329 329 501 635 325 768 334
102 A↔B，C 27 006 102 373 244 062 343 032
021D A←B→C 2 588 7 663 22 494 65 015
021U A→B←C 1 341 8 275 39 899 119 601
021C A→B→C 3 386 15 017 51 212 121 140
111D A↔B←C 2 128 16 492 79 247 274 775
111U A↔B→C 3 665 15 371 56 557 154 595
030T A→B←C，A→C 154 1 202 7 182 42 421
030C A←B←C，A→C 31 327 1 709 6 615
201 A↔B↔C 1 262 10 216 61 068 231 554
120D A←B→C，A↔C 90 799 7 531 54 362
120U A→B←C，A↔C 102 809 4 596 30 204
120C A→B→C，A↔C 149 1 314 9 611 56 762
210 A→B↔C，A↔C 251 2 815 23 512 193 100
300 A↔B↔C，A↔C 78 940 10 972 132 014

3.2 基准回归结果分析

为了更准确地探讨城市技术转移网络演化的内生结构因素，本文参考Liu等[31]的研究，在模型中依次添加网络基本效应、网络内生结构效应、网络协变量效应、城市属性效应及总体效应并进行了计量检验。本文所有模型均运用R语言中的程序包RSiena进行了10 000次迭代，所有变量的收敛比（t-ratio）的绝对值均小于0.1，模型所估计的参数均收敛，说明模型估计的参数是稳定的，且模型的最大似然收敛比（Overall Maximum Convergence Ratio）均小于0.25，说明算法已充分收敛，模型具有较好的解释力。
表3中模型1—模型5的估计结果表明网络的内生结构因素是中国城市技术转移网络的演化的关键驱动力。模型1—模型5中density的估计系数显著为负， reciprocity的估计系数显著为正，说明城市间更倾向于建立互惠性的链接关系。这意味着城市技术转移网络的发展促进了城市间知识体系的分工和专业化，从而增强了城市间知识创新活动的依赖性。模型3—模型5中的transTrip的估计系数显著为正，而cycle3和balance的估计系数显著为负，意味着随着时间的推移，城市间更倾向于建立传递性链接关系。结合表2中三方组数量的统计结果，这说明网络闭合表现为传递性闭合而非循环闭合和结构平衡性闭合方式。该结果与桂钦昌等[20]关于全球科研合作网络的研究结论相一致，意味着传递性有利于形成群体规范、增加信任和抑制机会主义行为，从而对城市技术转移网络演化发挥了积极的促进作用。模型5中的inPopSqrt的估计系数显著为正，outPopSqrt的估计系数显著为负，表明入度较高即技术知识接收能力较强的城市更倾向于接收其他城市发出的链接关系，即技术转移网络的生长发育存在路径依赖机制，城市更偏好于与历史上度数中心性地位较高的城市建立联系，而出度较高即技术知识发出能力较强的城市却倾向于接收更少的链接关系。此外，模型1—模型5中的网络演化速率估计参数显著为正，但模型1和模型2的估计参数呈现递增趋势，模型3—模型5的估计参数呈现递减趋势，意味着整体上中国城市技术转移网络较为活跃，但随着时间的推进，网络演化速率放缓，网络可能已经趋近于稳定状态。
表3 基准模型回归结果

Tab.3 Regression results from benchmark models

网络效应 模型1 模型2 模型3 模型4 模型5
内生结构效应
密度效应(density) -3.401 9***
(0.094 7)		 -2.164 8***
(0.033 8)		 -3.193 9***
(0.033 8)		 -3.464 9***
(0.091 7)		 -4.360 1***
(0.143 0)
互惠效应(reciprocity) 1.232 3***
(0.081 5)		 2.801 6***
(0.078 9)		 1.963 2***
(0.111 8)		 1.612 7***
(0.116 6)		 1.270 7***
(0.103 9)
传递性闭合(transTrip) 0.493 5***
(0.033 3)		 0.480 0***
(0.032 5)		 0.279 6***
(0.023 5)
循环性闭合(cycle3) -0.331 7***
(0.059 4)		 -0.313 1***
(0.054 4)		 -0.206 2***
(0.036 7)
结构平衡效应(balance) -0.044 6***
(0.005 1)		 -0.045 7***
(0.004 8)		 -0.024 7***
(0.004 8)
入度聚敛效应(inPopSqrt) 0.042 5
(0.101 2)		 0.089 3
(0.104 0)		 0.430 5***
(0.063 1)
出度聚敛效应(outPopSqrt) -0.066 9
(0.094 0)		 -0.085 7
(0.097 9)		 -0.273 1***
(0.099 1)
网络协变量效应
地理邻近(Dist) 1.233 3***
(0.098 4)		 1.305 1***
(0.111 9)		 1.439 7***
(0.106 1)
文化邻近(Culprox) 0.587 8***
(0.101 4)		 0.663 8***
(0.107 1)		 0.522 2***
(0.102 3)
组织邻近(Orgprox) -0.086 2
(0.092 9)		 -0.235 0***
(0.082 8)		 -0.195 9*
(0.100 0)
行动者—关系效应
经济接收者效应(GDP alt) 0.036 8***
(0.002 6)		 0.018 3***
(0.003 2)
经济发送者效应(GDP ego) 0.038 3***
(0.003 1)		 0.019 6***
(0.003 8)
经济趋同效应(GDP sim) 1.105 1***
(0.211 5)		 1.064 1***
(0.240 3)
知识接收者效应(know alt) 1.388 7***
(0.129 4)		 0.970 1***
(0.154 2)
知识发送者效应(know ego) 1.949 4***
(0.151 6)		 1.596 2***
(0.148 7)
知识趋同效应(know same) -0.734 9***
(0.126 7)		 -0.947 6***
(0.122 1)
政治接收者效应(capital alt) -0.432 8***
(0.073 1)		 -0.129 9*
(0.072 7)
政治发送者效应(capital ego) -0.369 1***
(0.087 8)		 -0.193 8***
(0.093 1)
政治趋同效应(capital same) 0.073 0
(0.080 2)		 0.194 9***
(0.088 6)
网络演化速率
rate period 1 7.891 4***
(0.824 4)		 4.139 4***
(0.357 5)		 28.538 2***
(7.398 5)		 35.222 9***
(11.719 6)		 24.153 2***
(4.968 5)
rate period 2 11.201 2***
(1.157 1)		 5.361 4***
(0.441 3)		 11.789 1***
(1.429 7)		 12.948 1***
(1.651 1)		 17.301 2***
(2.324 8)
rate period 3 31.681 6***
(3.657 8)		 10.082 2***
(0.753 7)		 10.011 5***
(0.652 5)		 10.511 5***
(0.697 2)		 16.459 0***
(1.393 8)

注：括号中数值为标准误差，*、**和***分别代表在10%、5%和1%的水平上显著。

同时，对控制变量的估计结果也做出简单说明。邻近性效应方面，模型1、模型4和模型5中的Dist和Culprox的估计系数显著为正，表明在邻近性上基于地理邻近和文化邻近的城市间倾向于建立更多的链接关系。模型4和模型5中的Orgprox的估计系数显著为负，表明组织上的邻近阻碍了城市间链接关系的建立。在城市属性效应方面，模型1和模型5中的GDP效应的估计系数均显著为正，意味着经济发达的城市具有更高的接收和发送技术知识链接的能力，且经济规模相似的城市间更倾向于建立链接关系。模型1和模型5中的know alt和know ego的估计系数均显著为正， know same的估计系数显著为负，表明知识生产水平高的城市更倾向于接收和发送链接关系，而知识生产水平相似的城市间技术转移水平较低。这与刘承良等[1]的结论相吻合，即城市间的技术转移主要集中在技术势差较高的城市之间，边缘和半边缘城市更倾向于与知识生产水平较高的核心和次级核心城市建立链接关系。模型1和模型5中的capital alt和capital ego的估计系数均显著为负，意味着政治资源丰富的城市反而不利于在更大的地域范围内接收和发送技术知识链接关系。而模型5中的capital same显著为正，说明政治资源相同的城市间更倾向于建立链接关系。。
除此之外，本文发现相较于模型1，在添加内生结构效应的模型5中，知识和政治的趋同效应均拥有更大的边际影响，经济的趋同效应则无明显的差别。这说明政治资源相似的城市间因受到网络内生结构的影响而呈现出更为明显的同配性特征，知识生产水平差距大的城市间也因网络内生结构的影响而呈现出更为明显的异配性特征，而经济规模相似的城市间则不受网络内生结构的限制，实现技术知识较为自由的流动。此外，模型5中的经济、知识和政治的接收与发送效应均具 有更小的边际影响，说明经济规模大、知识生产水平高和政治资源丰富的城市在与其他城市建立新的链接关系时，会受到网络内生结构的限制，无 法实现技术知识较为自由的流动。同样地，通过模型3—模型5可以看出，在控制城市属性的模型5中，其内生结构效应均具有更小的边际影响，说明城市间的技术知识联系也会受到节点属性等外生因素的限制。因此，仅考虑邻近性效应或节点属性效应的实证结果是存在一定偏差的，网络内生结构因素与外生属性效应是相互依赖、相互影响的，它们共同编织了中国城市技术转移网络复杂而有序的演化进程。

3.3 空间异质性分析

由于西北内陆地区和青藏高原地区网络特征相似，且地级及以上城市数量较少，单独研究缺乏意义。因此，本次研究将2个地区进行合并，分别构建起中国东部南方区、东部北方区以及西北内陆和青藏高原区3个区域4个时段的城际技术转移网络矩阵，并利用SAOMs对基准回归中的模型5进行了异质性特征分析。
表4中的模型1—模型3分别报告了中国东部南方区、东部北方以及西北内陆和青藏高原区SAOMs的估计结果。同样地，模型中所有变量收敛比的绝对值均小于0.1，且模型的最大似然收敛比均小于0.25，说明模型估计的参数是稳定的，模型是收敛的。总体来看，中国东部南方区、东部北方区及西北内陆和青藏高原区城市技术转移网络演化的内生机制具有明显的异质性特征。
表4 空间异质性检验结果

Tab. 4 Results of spatial heterogeneity test

网络效应 模型1 模型2 模型3
东部南方区 东部北方区 西北内陆和青藏高原区
Estimate S.E. Estimate S.E. Estimate S.E.
内生结构效应
密度效应(density) -4.981 5*** 0.145 0 -5.538 8*** 0.190 9 -3.269 0*** 0.330 1
互惠效应(reciprocity) 0.998 1*** 0.107 3 1.226 2*** 0.161 2 1.133 6*** 0.210 2
传递性闭合(transTrip) 0.256 2*** 0.022 8 0.199 9 0.067 5 0.053 1 0.116 7
循环性闭合(cycle3) -0.221 0*** 0.050 6 0.101 6 0.119 8 0.191 3 0.170 8
结构平衡效应(balance) -0.021 3*** 0.004 1 -0.024 0*** 0.007 3 -0.014 7 0.038 7
入度聚敛效应(inPopSqrt) 0.398 4*** 0.089 5 0.640 4*** 0.066 5 0.057 2 0.219 8
出度聚敛效应(outPopSqrt) -0.098 8 0.141 6 -0.443 8*** 0.116 5 0.538 3 0.341 4
网络协变量效应
地理邻近(Dist) 1.601 2*** 0.098 8 1.976 0*** 0.123 1 1.288 6*** 0.193 5
文化邻近(Culprox) 0.440 5*** 0.085 7 0.334 9*** 0.142 6 0.947 1*** 0.200 0
组织邻近(Orgprox) -0.193 8** 0.077 6 -0.694 8*** 0.152 5 0.025 5 0.165 8
行动者—关系效应
经济接收者效应(GDP alt) 0.013 6*** 0.004 1 0.047 7*** 0.007 6 0.025 2*** 0.009 1
经济发送者效应(GDP ego) 0.024 3*** 0.004 2 0.039 5*** 0.008 3 0.019 1*** 0.009 7
经济趋同效应(GDP sim) 1.199 5*** 0.265 8 2.629 3*** 0.535 2 0.861 0 0.645 9
知识接收者效应(know alt) 1.143 7*** 0.204 1 0.783 6*** 0.185 8 0.293 1 0.265 8
知识发送者效应(know ego) 2.188 2*** 0.175 9 1.735 9*** 0.209 8 0.226 8 0.310 6
知识趋同效应(know same) -0.983 4*** 0.147 4 -0.878 1*** 0.161 4 -0.443 8*** 0.190 6
政治接收者效应(capital alt) -0.100 9 0.088 7 -0.104 0 0.143 2 0.279 2 0.244 5
政治发送者效应(capital ego) -0.258 8*** 0.101 6 0.103 6 0.154 4 1.032 7*** 0.284 3
网络演化速率
rate period 1 50.416 2*** 12.770 7 21.639 0*** 5.044 6 2.821 2*** 0.790 4
rate period 2 17.064 2*** 2.029 0 15.517 6*** 3.624 0 6.209 8*** 1.334 9
rate period 3 19.251 1*** 1.469 6 10.799 9*** 2.219 8 9.231 9*** 1.618 0

注： *、**和***分别代表在10%、5%和1%的水平上显著。

从模型1可知，东部南方区网络演化速率显著为正，但随着时间的推进呈现出先降后升的态势，意味着东部南方区技术转移网络具有强动态性，未来城市的选择“机会”仍有增加趋势； density的估计系数显著为负， reciprocity的估计系数显著为正，表明随时间的推移，东部南方区的技术转移网络具有建立互惠性链接的倾向，从而牢固彼此友好关系，获取稳定的技术知识来源； transTrip估计系数显著为正，circle3和balance的估计系数显著为负，说明东部南方区的技术转移网络具有明显的传递性闭合趋势，创新主体更倾向于与“朋友的朋友”建立和维持第三方链接关系，从而降低更换技术交易主体带来的不确定性及风险； inPopSqrt的估计系数显著为正，结合三方组效应更加说明东部南方区的技术转移网络具有等级层次性，创新主体倾向于与那些历史上入度较高的城市发送链接关系，从而出现“富者愈富”的自我强化现象。
从模型2可知，东部北方区网络演化速率显著为正，但随着时间的推进呈现出下降的趋势，这说明东部北方区网络关系趋于稳定，城市的“选择”机会逐渐减少；density的估计系数显著为负，reciprocity的估计系数显著为正，意味着随时间的推移，东部北方区城市技术转移网络具有建立互惠链接的倾向；balance的估计系数显著为负，而transTrip和circle3均不显著，说明东部北方区技术转移网络并未表现出显著的闭合性倾向；inPopSqrt的估计系数显著为正，outPopSqrt的估计系数显著为负，意味着随时间的推移，东部北方区那些历史上入度较高的城市倾向于在下一阶段接收更多的技术知识链接关系，而出度较高的城市则阻碍了下一阶段更多链接关系的接收。
从模型3可知，西北内陆及青藏高原区网络演化速率显著为正，并且随着时间的推移呈现出上升的趋势，表明西北内陆及青藏高原区的技术转移网络日益活跃，城市的“选择”机会将不断增加；density的估计系数显著为负，reciprocity的估计系数显著为正，表明随时间的推移，西北内陆及青藏高原区的技术转移网络也具有建立互惠性链接的倾向；但三方组效应（transTrip、circle3、balance）与度中心性效应（inPopSqrt、outPopSqrt）均不显著，说明西北内陆及青藏高原区的技术转移网络并未表现出显著的等级层次性，城市间的技术知识联系也没有明显的偏好依附特征。
最后，结合控制变量的估计结果，可以发现：东部南方区城市技术转移网络的演化在很大程度上受互惠链接、网络闭合和偏好依附等网络内生结构效应及城市知识生产水平属性等外生因素的影响；东部北方区城市技术转移网络的演化易受互惠链接和偏好依附等内生结构及城市经济规模属性等外生因素的影响；西北内陆及青藏高原区城市技术转移网络演化的内生结构动力相对不足，互惠性的链接关系成为内生结构因素的主要方面，邻近性效应及城市的政治属性等外生因素深刻影响着技术转移网络的演化格局。因此，中国城市技术转移网络演化的内生机制存在着明显的空间异质性特征。

3.4 稳健性检验

为保证模型估计结果的可靠性，本文借鉴苏佳璐等[43]、滕堂伟等[44]、盛科荣等[45]的做法，从3个方面对表3模型5进行了稳健性检验（表5）。① 调整网络数据。首先，本文将每5年累积为1个时间段的网络数据替换为逐年累积至当年的4期网络数据；其次，本文将4个时段的纵向网络数据调整为2006—2010年、2011—2015年、2016—2020年3个时段。重新回归后的结果如表5中模型1—模型2所示，可以看出内生结构效应的符号及显著性水平均未发生明显改变。② 替换专利转移网络。本文将专利转移网络替换为发明申请网络，重新构建技术转移网络以表征中国城际技术知识的流动。再次得到的估计结果如表5中模型3所示，结果表明，以发明申请表征的知识网络不会影响基准回归结果的稳健性。③ 样本截尾处理。为了减轻离群值造成的估计偏误，本文利用城市度数指标对样本城市进行5%和95%的双侧缩尾处理并重新进行回归，结果如表5中模型4所示，可以发现其估计结果与基准实证结果保持一致，这验证了前述模型估计结果的稳健性。此外，为了更好地检验模型的拟合效果，本文利用RSiena中的sienaGOF函数对网络的辅助统计量进一步进行了拟合优度检验。本文依次选择入度、出度、特征根、三方组、派系和测地线距离6个辅助统计量对表3模型5进行了拟合优度检验，结果表明模型的拟合效果良好③（③ 考虑到论文的篇幅关系，本文没有报告拟合优度检验结果。如有需要可联系作者索要。）。
表5 稳健性检验结果

Tab.5 Robustness test results

网络效应 调整网络数据 替换网络 样本截尾
模型1 模型2 模型3 模型4
内生结构效应
密度效应(density) -4.684 5***
(0.196 0)		 -4.415 7***
(0.179 3)		 -5.068 7***
(0.175 3)		 -3.043 6***
(0.119 9)
互惠效应(reciprocity) 1.462 6***
(0.149 7)		 1.418 4***
(0.125 5)		 1.403 1***
(0.130 5)		 1.096 1***
(0.096 4)
传递性闭合(transTrip) 0.501 3***
(0.056 4)		 0.292 5***
(0.025 3)		 0.299 8***
(0.035 4)		 0.266 6***
(0.021 1)
循环性闭合(cycle3) -0.302 4***
(0.055 7)		 -0.204 8***
(0.040 1)		 -0.276 2***
(0.066 2)		 -0.220 5***
(0.037 7)
结构平衡效应(balance) -0.074 5***
(0.023 0)		 -0.026 0***
(0.005 2)		 -0.013 4***
(0.004 4)		 -0.020 4***
(0.003 7)
入度聚敛效应(inPopSqrt) 0.404 2***
(0.118 9)		 0.498 6***
(0.059 8)		 0.535 5***
(0.065 0)		 0.263 1***
(0.069 3)
出度聚敛效应(outPopSqrt) -0.522 9***
(0.164 3)		 -0.329 8***
(0.108 8)		 0.003 2
(0.129 1)		 -0.199 5**
(0.086 5)
网络协变量效应
地理邻近（Dist） 1.764 4***
(0.154 7)		 1.480 0***
(0.129 2)		 1.376 7***
(0.120 5)		 1.306 9***
(0.085 7)
文化邻近（Culprox） 0.695 4***
(0.140 2)		 0.439 7***
(0.124 7)		 0.501 4***
(0.118 5)		 0.542 1***
(0.086 8)
组织邻近（Orgprox） -0.298 8*
(0.152 7)		 -0.134 5
(0.120 8)		 -0.129 0
(0.116 1)		 -0.217 3**
(0.102 5)
行动者—关系效应
经济接收者效应（GDP alt） 0.024 2***
(0.005 3)		 0.016 9***
(0.004 2)		 0.007 5*
(0.004 3)		 0.020 8***
(0.003 2)
经济发送者效应（GDP ego） 0.023 8***
(0.007 8)		 0.015 4***
(0.004 7)		 0.035 4***
(0.004 9)		 0.022 8***
(0.003 9)
经济趋同效应（GDP sim） 1.607 2***
(0.415 2)		 1.138 7***
(0.292 7		 1.138 7***
(0.292 7		 0.880 5***
(0.141 4)
知识接收者效应（know alt） 1.191 0***
(0.203 8)		 0.985 4***
(0.213 4)		 0.513 0***
(0.171 2)		 0.588 1***
(0.104 9)
知识发送者效应（know ego） 1.653 4***
(0.233 8)		 1.787 9***
(0.196 2)		 1.734 5***
(0.177 9)		 0.884 2***
(0.097 0)
知识趋同效应（know same） -0.951 4***
(0.162 4)		 -1.143 1***
(0.167 3)		 -0.806 1***
(0.130 3)		 -0.512 6***
(0.070 7)
政治接收者效应（capital alt） -0.238 5**
(0.112 8)		 -0.162 7*
(0.094 4)		 -0.166 2*
(0.088 9)		 -0.204 1***
(0.069 5)
政治发送者效应（capital ego） -0.367 5**
(0.166 5)		 -0.332 2***
(0.116 5)		 -0.218 6*
(0.115 6)		 -0.249 6***
(0.087 2)
政治趋同效应（capital same） 0.171 4
(0.133 5)		 0.158 4
(0.109 2)		 0.197 2**
(0.096 5)		 0.004 6
(0.099 8)
网络演化速率
rate period 1 9.550 9***
(1.214 9)		 21.528 3***
(3.640 9)		 14.658 1***
(3.109 1)		 29.930 2***
(6.498 8)
rate period 2 7.661 6***
(0.759 4)		 16.884 9***
(1.506 7)		 23.035 4***
(3.494 6)		 33.856 7***
(5.801 2)
rate period 3 6.264 5***
(0.498 6)		 -
-		 16.507 1***
(1.361 6)		 21.134 5***
(1.653 9)

注：括号中数值为标准误差，*、**和***分别代表在10%、5%和1%的水平上显著。

4 讨论

SAOMs打破了样本独立性的假设，有助于观察个体行为及相互作用对网络整体状态的影响。相对于传统的研究方法，SAOMs的优点在于：① 着眼于行动者视角；② 侧重于纵列数据和有向网络的分析；③ 将网络结构依赖效应纳入模型分析的同时，又兼顾了二阶协变量及行动者属性效应。因此，SAOMs是研究网络演化动力中一种有效且灵活的动态模型。然而，城市网络领域运用SAOMs开展的实证研究较为薄弱，并且以小型网络和无向网络为主。本文在一定程度上扩展了SAOMs的应用范围，弥补了技术转移网络演化关于内生机制研究的空缺。运用SAOMs对城市网络演化过程展开综合性分析，并将其运用于网络资源匹配和城市创新发展中，在未来具有较为广阔的前景。
尽管相关研究逐渐意识到网络内生机制对创新网络演化的影响，但是仅有少量学者做出实质性的探索[20,24,31]。本文基于SAOMs分析框架，进一步系统识别了影响中国城市技术转移网络演化的内生机制。与前人的研究相似，本文揭示了中国城市技术转移网络的核心—边缘结构特征，并证实了偏好依附、传递性闭合对城际技术转移的正向影响，但本文也做出了3点拓展。① 本文揭示了互惠链接的正向影响，以及循环性闭合和结构平衡效应的负向影响，并且本文还将偏好依附效应分解为入度聚敛效应和出度聚敛效应，发现入度聚敛效应是偏好依附效应的主要表现形式。② 本文发现在控制内生变量的情况下，知识水平趋同效应与行政等级对城际技术流动存在着负面影响，背后的原因可能是在网络结构关系的影响下，技术门槛和行政壁垒进一步抑制了城际技术转移的发生。③ 本文基于陆域综合功能区划方案，验证了内生机制及其组合关系的区域差异性，发现这种差异化的内生结构效应与地理环境的区域差异性一起，共同影响了城市技术转移网络的区域分化。本文结果进一步揭示了城市技术转移网络结构和演化的复杂性特征。
本文结果有助于丰富城市技术转移网络演化机理的讨论。本文揭示了内生结构因素在更深层次上影响着城际技术知识链接关系的形成。这意味着城市这一创新主体与另一城市建立或维持技术知识联系时，不仅会考虑自身经济规模、知识水平等属性和多维邻近关系等特征，更会受到所处网络内生结构的限制，或因建立互惠性和三方关系通过技术知识管道效应而汲取网络资源促进自身发展，或因高度依赖网络结构难以突破现有的链接格局而陷入“技术锁定”的窘境。并且，研究发现在添加了内生结构效应后，城市属性效应均会受到不同程度的影响，网络内生结构效应使得知识生产水平高的城市间呈现出更为明显的异配型特征，政治资源相似的城市间呈现出更为明显的同配性特征。但是，经济和知识属性高的城市在建立新链接时，因受网络内生结构效应而具有更小的边际影响，限制了技术知识更为自由的流动。研究结果呼应了戴靓等[24]、桂钦昌等[20]的结论，即内生机制与外生机制共同促成了网络的演化进程。但也应注意到网络内生结构因素与城市属性之间的联系，合理地根据城市自身条件融入国家创新网络体系，从而提高网络资源的利用和吸收能力。
本文结果还有助于深入理解城市技术转移网络的区域分化规律。当前关于城市技术转移网络发育机理在地理区位差异维度上的研究相对较少。本文关于技术转移网络演化内生机制空间差异的研究表明，相比于东部北方区及西北内陆和青藏高原区，中国东部南方区城市的“选择”机会摆脱了因复杂的网络结构和密集的链接关系而陷入停滞的窘境，反而表现出较强的动态性。这离不开东部南方区城市间互惠性的链接、稳定的三方关系、路径上的依赖、强大的经济活力及先进的知识水平。并且，这种网络内生结构上的优势以及先进技术知识持续的积累与吸收利用进一步推动了区域科学技术的创新和发展，这也就解释了为什么科技创新主要发生在发达地区。分析结果不仅呼应了谭春辉等[46]的结论，即马太效应是网络演化的一个重要原因，也强调了技术创新作为区域经济增长关键驱动力的作用，即Romer的内生经济增长理论[47]。因此，未来中国城市网络建设应正确处理不同地区城市发展问题。

5 结论与展望

本文基于2001—2020年专利转移数据构建中国城市技术转移网络，利用社会网络分析方法分析了网络演化的空间格局,并采用随机行动者模型探讨了中国城市技术转移网络演化的内生机制及空间差异。基于此，本文研究发现：
（1） 中国城市技术转移网络呈现出日益复杂的核心—边缘结构演化特征。2005—2020年技术转移网络整体呈现出较强的极化特征，但这种极化性呈现下降的趋势。网络由最初的“一超多强”格局逐渐向多中心格局转化。同时，围绕着中心城市，技术转移网络也逐渐涌现出大量复杂的三方关系，如互惠链接、传递性链接。这些三方关系在影响城市链接关系形成的同时，也进一步促成了网络局部等级的分化。
（2） 内生结构因素是中国城市技术转移网络生长发育的关键驱动力。互惠链接和网络闭合构成了城市技术转移网络演化的微观基础，稳定的互惠性和传递性链接关系降低了频繁更换链接对象时面临的不确定性及风险；偏好依附是强化城市技术转移网络链接关系的关键力量，历史上那些网络权力较高的城市能够强化彼此间在下一阶段的链接强度。内生结构因素与外生因素之间存在着依赖关系，缺乏内生结构效应的回归会使结果存在一定的偏差。
（3） 中国城市技术转移网络演化的内生机制具有明显的空间异质性特征。东部南方区具有更为多样的内生结构效应，互惠链接、网络闭合和偏好依附促成了网络链接格局的形成，同时网络也表现出更为活跃的动态性；东部北方区互惠链接和偏好依附效应显著，但城市“选择”机会呈现出下降的趋势；西北内陆和青藏高原区仅互惠效应显著，网络密度小，演化速率趋于上升，具有较好的发展潜力。
本文丰富了城市技术转移网络演化的研究成果，但仍存在一定的不足之处。① 本文采取较高截断值对研究样本和网络进行了简化处理，这不可避免地使此次研究缺失了部分的演化信息。未来需要采取多种方法更加综合和完善地检验城市技术转移网络的演化机理。② 本文基于1-模网络（one-mode network）将行动者间的联系聚合到城市层面的网络关系，进行城市间网络动力分析存在一定的局限性。期待未来依托2-模网络（two-mode network），针对行动者与城市间的直接联系，对技术转移网络的演变过程开展进一步的检验。③ 本文重点关注的是网络演化的内生机制及空间差异，对区域内联系的考虑不足，期待未来对区域间和区域内关系开展进一步的对比分析。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
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.

DOI

[Liu C L, Guan M M, Duan D Z. Spatial pattern and influential mechanism of interurban technology transfer network in China[J]. Acta Geographica Sinica, 2018, 73(8):1462-1477.] DOI:10.11821/dlxb201808006

[2]
Feldman M P. The geography of innovation[M]. Dordrecht: Kluwer Academic, 1994.

[3]
马海涛. 基于知识流动的中国城市网络研究进展与展望[J]. 经济地理, 2016, 36(11):207-213,223.

[Ma H T. Research progress and prospects of city networks based on knowledge flow in China[J]. Economic Geography, 2016, 36(11):207-213,223.] DOI:10.15957/j.cnki.jjdl.2016.11.028

[4]
刘通, 刘承良. “全球—地方”视角下中国创新网络演化格局与内生机制[J/OL]. 世界地理研究,1-15[2024-02-03].

[Liu T, Liu C L. The evolution pattern and endogenous mechanism of China's innovation network: from the "glocal" perspective[J/OL]. World Regional Studies, 1-15[2024-02-03].] http://kns.cnki.net/kcms/detail/31.1626.P.20230605.1752.002.html.

[5]
滕子优, 朱雪忠, 胡成. 创新主体在城市群知识网络中的角色——基于科学与技术关联视角[J/OL]. 科学学研究:1-18[2023-09-21].

[Teng Z Y, Zhu X Z, Hu C, et al. The role of actors in the knowledge networks of city clusters: From the perspective of the linkage between science and technology[J]. Studies in Science of Science, 2023:1-18[2023-09-21].] DOI:10.16192/j.cnki.1003-2053.20230913.001

[6]
Gui Q C, Liu C L, Du D B. Globalization of science and international scientific collaboration: A network perspective[J]. Geoforum, 2019, 105:1-12. DOI:10.1016/j.geoforum.2019.06.017

[7]
华连连, 刘帅娟, 王建国. 专利视角下的供应链创新网络演化研究[J]. 科研管理, 2021, 42(11):99-109.

[Hua L L, Liu S J, Wang J G. A research on the evolution of supply chain innovation network from the perspective of patent[J]. Science Research Management, 2021, 42(11):99-109.] DOI:10.19571/j.cnki.1000-2995.2021.11.012

[8]
段德忠, 杜德斌, 谌颖, 等. 中国城市创新网络的时空复杂性及生长机制研究[J]. 地理科学, 2018, 38(11):1759-1768.

DOI

[ Duan D Z, Du D B, Chen Y, et al. Spatial-temporal complexity and growth mechanism of city innovation network in China[J]. Scientia Geographica Sinica, 2018, 38(11):1759-1768.]

DOI

[9]
Boschma R A, ter Wal A L J. Knowledge networks and innovative performance in an industrial district: The case of a footwear district in the south of Italy[J]. Industry & Innovation, 2007, 14(2):177-199. DOI:10.1080/13662710701253441

[10]
Breschi S, Lissoni F. Mobility of skilled workers and co-invention networks: An anatomy of localized knowledge flows[J]. Journal of Economic Geography, 2009, 9(4):439-468. DOI:10.1093/jeg/lbp008

[11]
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 J /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/dlyj0202 10165

DOI

[12]
吕丹, 王. “成渝城市群” 创新网络结构特征演化及其协同创新发展[J]. 中国软科学, 2020(11):154-161.

[Lv D, Wang D. Research on the evolution of innovation network structure characteristics and coordination development of “chengdu-chongqing urban agglomeration”[J]. China Soft Science, 2020(11):154-161.] DOI:10.3969/j.issn.1002-9753.2020.11.014

[13]
Li D D, Wei Y D, Wang T. Spatial and temporal evolution of urban innovation network in China[J]. Habitat International, 2015, 49:484-496. DOI:10.1016/j.habitatint.2015.05.031

[14]
向希尧, 蔡虹. 组织间跨国知识流动网络结构分析——基于专利的实证研究[J]. 科学学研究, 2011, 29(1):97-105.

[Xiang X Y, Cai H. International knowledge transfer network structure analysis—An empirical study based on Patent Data[J]. Studies in Science of Science, 2011, 29(1):97-105.] DOI:10.16192/j.cnki.1003-2053.2011.01.022

[15]
赵巧芝, 张聪, 崔和瑞. 长江经济带地级城市间技术创新关联网络演变特征研究[J]. 技术经济, 2021, 40(12):1-10.

[Zhao Q Z, Zhang C, Cui H R. Research on the evolution characteristics of technological innovation association network among urban cities in the Yangtze River economic belt[J]. Journal of Technology Economics, 2021, 40(12):1-10.] DOI:10.3969/j.issn.1002-980X.2021.12.001

[16]
张杰, 盛科荣, 王传阳. 中国城市间金融网络的空间演化及其影响因素[J]. 热带地理, 2022, 42(6):928-938.

DOI

[Zhang J, Sheng K R, Wang C Y. Spatial evolution and underlying factors of the urban financial network in China[J]. Tropical Geography, 2022, 42(6):928-938.] DOI:10.13284/j.cnki.rddl.003489

[17]
Melin G. Impact of national size on research collaboration[J]. Scientometrics, 1999, 46(1):161-170. DOI:10.1007/bf02766300

[18]
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

[19]
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 Y F, Wang K P. 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.] DOI:10.3969/j.issn.1672-884x.2023.07.011

[20]
桂钦昌, 杜德斌, 刘承良, 等. 基于随机行动者模型的全球科学合作网络演化研究[J]. 地理研究, 2022, 41(10):2631-2647.

DOI

[Gui Q C, Du D B, Liu C L, et al. The evolution of the global scientific collaboration network: A stochastic actor-oriented model approach[J]. Geographical Research, 2022, 41(10):2631-2647.] DOI:10.11821/dlyj02 0211129

DOI

[21]
Broekel T, Balland P A, Burger M, et al. Modeling knowledge networks in economic geography: A discussion of four empirical strategies[J]. Papers in Evolutionary Economic Geography (PEEG), 2013, 54(11):1-16. DOI:10.1007/s00168-014-0616-2

[22]
戴靓, 纪宇凡, 王嵩, 等. 中国城市知识创新网络的演化特征及其邻近性机制[J]. 资源科学, 2022, 44(7):1494-1505.

DOI

[Dai L, Ji Y F, Wang S, et al. Evolutionary characteristics and proximity mechanism of intercity knowledge innovation networks in China[J]. Resources Science, 2022, 44(7):1494-1505.] DOI:10.18402/resci.2022.07.14

[23]
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:10.1016/j.socnet.2009.02.004

[24]
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.

DOI

[Dai L, Cao Z, Ma H T, et al. The influencing mechanisms of evolving structures of China's intercity knowledge collaboration networks[J]. Acta Geographica Sinica, 2023, 78(2):334-350.] DOI:10.11821/dlxb202302005

[25]
余谦, 葛梦妮, 马玎. 全球创新网络演化的结构与邻近性影响机理——基于TERGMs的分析[J]. 北京邮电大学学报(社会科学版), 2021, 23(2):56-68.

[Yu Q, Ge M N, Ma D. Structure and proximity mechanism of evolution of global innovation network—Analysis based on TERGMs[J]. Journal of Beijing University of Posts and Telecommunications (Social Sciences Edition), 2021, 23(2):56-68.] DOI:10.19722/j.cnki.1008-7729.2020.0319

[26]
Liu X J, Derudder B, Liu Y L. Regional geographies of intercity corporate networks: The use of exponential random graph models to assess regional network-formation[J]. Papers in Regional Science, 2015, 94(1):109-126. DOI:10.1111/pirs.12060

[27]
濮蓉, 陶卓民, 濮元生, 等. 基于电信数据的潜在旅游流网络结构特征及影响因素分析——以江苏省为例[J]. 重庆理工大学学报(自然科学), 2021, 35(4):231-238.

[ Pu R, Tao Z M, Pu Y S, et al. Analysis of structural characteristics and influnecing factors of potential tourism flow network based on telecom Data—Taking Jiangsu Province as an example[J]. Journal of Chongqing University of Technology (Natural Science), 2021, 35(4):231-238.]

[28]
罗超亮, 符正平, 刘冰, 等. 战略性新兴产业国际贸易网络的演化及动力机制研究[J]. 国际贸易问题, 2022(3):121-139.

[Luo C L, Fu Z P, Liu B, et al. Research on the evolution of strategic emerging industries' international trade network and its dynamic mechanism[J]. Journal of International Trade, 2022(3):121-139.] DOI:10.13510/j.cnki.jit.2022.03.007

[29]
He X J, Dong Y B, Wu Y Y, et al. Factors affecting evolution of the interprovincial technology patent trade networks in China based on exponential random graph models[J]. Physica A Statistical Mechanics and Its Applications, 2019, 514:443-457. DOI:10.1016/j.physa.2018.09.062

[30]
Robins G, Pattison P, Kalish Y, et al. An introduction to exponential random graph (p*) models for social networks[J]. Social Networks, 2007, 29(2):173-191. DOI:10.1016/j.socnet.2006.08.002

[31]
Liu L Q, Shen M Y, Sun D, et al. Preferential attachment, R\&D expenditure and the evolution of international trade networks from the perspective of complex networks[J]. Physica A Statistical Mechanics and Its Applications, 2022, 603:127579. DOI:10.1016/j.physa.2022.127579

[32]
Snijders T A B. The statistical evaluation of social network dynamics[J]. Sociological Methodology, 2001, 31(1):361-395. DOI:10.1111/0081-1750.00099

[33]
Boschma R. Proximity and innovation: A critical assessment[J]. Regional Studies, 2005, 39(1):61-74. DOI:10.1080/0034340052000320887

[34]
王庆喜, 胡志学. 多维邻近下浙江城市创新网络演化及其机制研究[J]. 地理科学, 2021, 41(8):1380-1388.

DOI

[Wang Q X, Hu Z X. Urban innovation network of Zhejiang from the perspective of multidimensional proximities[J]. Scientia Geographica Sinica, 2021, 41(8):1380-1388.] DOI:10.13249/j.cnki.sgs.2021.08.009

[35]
胡悦, 马静, 李雪燕. 京津冀城市群创新网络结构演化及驱动机制研究[J]. 科技进步与对策, 2020, 37(13):37-44.

[Hu Y, Ma J, Li X Y. Research on innovation network structure evolution and driving mechanism of Beijing-Tianjin-Hebei urban agglomeration[J]. Science & Technology Progress and Policy, 2020, 37(13):37-44.] DOI:10.6049/kjjbydc.2020010233

[36]
盛科荣, 王云靓, 樊杰. 中国城市网络空间结构的演化特征及机理研究——基于上市公司500强企业网络视角[J]. 经济地理, 2019, 39(11):84-93.

[Sheng K R, Wang Y J, Fan J. Dynamics and mechanisms of the spatial structure of urban network in China: A study based on the corporate networks of top 500 public companies[J]. Economic Geography, 2019, 39(11):84-93.] DOI:10.15957/j.cnki.jjdl.2019.11.011

[37]
盛科荣, 杨雨, 张红霞. 中国城市网络的凝聚子群及影响因素研究[J]. 地理研究, 2019, 38(11):2639-2652.

DOI

[Sheng K R, Yang Y, Zhang H X. Cohesive subgroups and underlying factors in the urban network in China[J]. Geographical Research, 2019, 38(11):2639-2652.] DOI:10.11821/dlyj020180729

[38]
中国社会科学院语言研究所. 中国语言地图集(第2版)[M]. 北京: 商务印书馆, 2012.

[ Institute of Linguistics, CASS. Language Atlas of China(2nd)[M]. Beijing: The Commercial Press, 2012.]

[39]
国家统计局. 中国统计年鉴[M]. 北京: 中国统计出版社, 2002—2021.

[ National Bureau of Statistics of China. China statistical yearbook[M]. Beijing: China Statistics Press, 2002—2021.]

[40]
樊杰, 周侃, 盛科荣, 等. 中国陆域综合功能区及其划分方案[J]. 中国科学:地球科学, 2023, 53(2):236-255.

[Fan J, Zhou K, Sheng K R, et al. Territorial function differentiation and its comprehensive regionalization in China[J]. Scientia Sinica (Terrae), 2023, 53(2):236-255.] DOI:10.1007/s11430-022-1004-0

[41]
盛科荣, 李晓瑞, 孙威, 等. 中国城市网络地位对碳排放效率的影响[J]. 地理学报, 2023, 78(11):2864-2882.

DOI

[Sheng K R, Li X R, Sun W, et al. Examining the impacts of network position on urban carbon emissions efficiency in China[J]. Acta Geographica Sinica, 2023, 78(11):2864-2882.] DOI:10.11821/dlxb202311014

[42]
郭鹏飞, 胡歆韵, 李敬. 中国网络基础设施资本回报率的区域差异与空间收敛性研究[J]. 数量经济技术经济研究, 2022, 39(1):73-93.

[Guo P F, Hu X Y, Li J. Research on regional differences and spatial convergence of return on capital of network infrastructure in China[J]. The Journal of Quantitative & Technical Economics, 2022, 39(1):73-93.] DOI:10.13653/j.cnki.jqte.2022.01.007

[43]
苏佳璐, 李明星, 马泽君, 等. 基于TERGM的跨区域技术协同创新网络演化动力研究[J]. 系统管理学报, 2023, 32(6):1255-1268.

[Su J L, Li M X, Ma Z J, et al. Evolution dynamics of cross-regional technological collaborative innovation network based on TERGM[J]. Journal of Systems & Management, 2023, 32(6):1255-1268.] DOI:10.3969/j.issn1005-2542.2023.06.010

[44]
滕堂伟, 张晶. 多样性、技术网络与城市经济韧性——基于长江经济带城市数据的分析[J]. 同济大学学报(社会科学版), 2023, 34(5):48-59.

[ Teng T W, Zhang J. Diversity, technology network and urban economic resilience: An AnalysisBased on urban data in the Yangtze River economic belt[J]. Journal of Tongji University (Social Science Edition), 2023, 34(5):48-59.]

[45]
盛科荣, 王传阳, 刘乐, 等. 中国城市知识网络嵌入与科技企业孵化的交互影响研究[J]. 地理研究, 2023, 42(1):34-52.

DOI

[Sheng K R, Wang C Y, Liu L, et al. The interplay between knowledge network embededness and technology enterprise incubation of cities in China[J]. Geographical Research, 2023, 42(1):34-52.] DOI:10.11821/dlyj020220371

[46]
谭春辉, 吴晓风, 程凡. “十五” 至 “十二五” 期间国家科技进步奖获奖机构合作网络演化机理分析[J]. 现代情报, 2017, 37(12):131-137.

DOI

[Tan C H, Wu X F, Cheng F. Study on the evolution mechanism of institutions cooperation network in national prize for progress in science and technology from 2001 to 2015[J]. Journal of Modern Information, 2017, 37(12):131-137.] DOI:10.3969/j.issn.1008-0821.2017.12.023

[47]
Romer P M. Increasing returns and long-Run growth[J]. Journal of Political Economy, 1986, 94(5):1002-1037. DOI:10.1086/261420

Options
文章导航

/

〈 〉