EN中文

地理研究 >

2021 , Vol. 40 >Issue 5: 1320 - 1337

DOI: https://doi.org/10.11821/dlyj020200443

论文

全球城市知识流动网络的结构特征与影响因素

  • 桂钦昌 , 1, 2 ,
  • 杜德斌 1, 2 ,
  • 刘承良 1, 2 ,
  • 徐伟 , 2, 3 ,
  • 侯纯光 1, 2 ,
  • 焦美琪 1, 2 ,
  • 翟晨阳 1, 2 ,
  • 卢函 1, 2
展开
  • 1.华东师范大学全球创新与发展研究院,上海200062
  • 2.华东师范大学城市与区域科学学院,上海 200241
  • 3.莱斯布里奇大学地理系,加拿大阿尔伯塔T1K3M4
徐伟（1959-）,男,上海黄浦区人,教授,博士生导师,研究方向为城市与区域发展。E-mail:

桂钦昌（1991-）,男,四川宣汉县人,博士研究生,研究方向为科技创新与城市发展。E-mail:

收稿日期: 2020-05-20

  录用日期: 2020-09-28

  网络出版日期: 2021-07-10

基金资助

中国科学院战略性先导科技专项A类(XDA20100311)

国家社会科学基金重大项目(19ZDA087)

国家社会科学基金重大项目(21ZDA011)

华东师范大学未来科学家培育计划(WLKXJ2019-002)

华东师范大学研究生出国(境)访学项目(20190620013)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Structural characteristics and influencing factors of the global inter-city knowledge flows network

  • GUI Qinchang , 1, 2 ,
  • DU Debin 1, 2 ,
  • LIU Chengliang 1, 2 ,
  • XU Wei , 2, 3 ,
  • HOU Chunguang 1, 2 ,
  • JIAO Meiqi 1, 2 ,
  • ZHAI Chenyang 1, 2 ,
  • LU Han 1, 2
Expand
  • 1. Institute for Global Innovation and Development, East China Normal University, Shanghai 200062, China
  • 2. School of Urban and Regional Science, East China Normal University, Shanghai 200241, China
  • 3. Department of Geography, University of Lethbridge, Lethbridge T1K3M4, Alberta, Canada

Received date: 2020-05-20

  Accepted date: 2020-09-28

  Online published: 2021-07-10

Copyright

Copyright reserved © 2021
Fold

摘要

在科技全球化时代,城市之间的知识流动日益频繁,成为当代知识生产的重要特征。然而,鲜有从知识流动的视角开展全球城市体系的研究。基于2017年的高被引论文合作数据,采用社会网络分析方法和空间计量模型系统地刻画了全球城际科研合作网络的拓扑结构和空间格局及其影响因素。研究发现：① 拓扑结构呈现出以北美、欧洲和亚太城市的三极格局,轴辐式和分布式结构特征并存。② 世界城市科研合作网络形成以北美、西欧、东亚和澳大利亚为顶点的四边形格局。③ 多核心-边缘结构显现,纽约、伦敦和北京等8个城市为全球核心,芝加哥等41个城市为区域核心。④ 全球城市科研合作网络的等级层次特征显著,纽约、北京和吉达分别是三大子网的主导型城市。⑤ 空间相互作用模型表明地理距离阻碍了城市间的科研合作,城市的科研规模、人口规模、世界一流大学数量、制度邻近性和社会邻近性促进了城际联系。

关键词： 全球城市; 城际科研合作; 科技创新中心; 社会网络分析; 加权随机区块模型

本文引用格式

桂钦昌 , 杜德斌 , 刘承良 , 徐伟 , 侯纯光 , 焦美琪 , 翟晨阳 , 卢函 . 全球城市知识流动网络的结构特征与影响因素[J]. 地理研究, 2021 , 40(5) : 1320 -1337 . DOI: 10.11821/dlyj020200443

Abstract

In the age of globalizing science and technology, urban economic development increasingly rests on knowledge production and knowledge flows. Inter-city scientific collaborations, as the most potent aspect of modern knowledge production, are more and more frequent, which produces some of the highest quality science. However, there is a paucity of analysis of the world city system from the knowledge flows perspective. Using highly cited papers data from the Web of Science database in 2017, this study applies social network analysis, a Bayesian-inference weighted stochastic block model (WSBM), the dominant flow analysis and spatial interaction model to explore the topological structure, spatial pattern and influencing factors of global inter-city scientific collaboration. Results show that the science hotspots are highly concentrated in three regions: North America, East Asia and Western Europe, and the whole network is dominated by a tri-polar world. The two seemingly paradoxical trends, star-shaped and triangulated structure, coexist in the global inter-city knowledge flows network. The spatial pattern of inter-city collaboration network forms a quadrilateral graph with four vertexes in Western Europe, North America, East Asia and Australia, particularly on the trans-Atlantic axis between North America and Western Europe. The network has a distinctive multicore-periphery structure, which can be divided into five categories: global core, macro-region core, strong semi-periphery, semi-periphery, and periphery, and identifies New York, London, Boston, San Francisco-San Jose, Washington, Los Angeles, Paris and Beijing as eight global core cities and forty-one macro-region cores. The network is characterized as hierarchical “hub-and-spoke” structures, and the hierarchy of the network is obvious, New York, Beijing and Jeddah are dominant nodes in the three subnetworks. In addition, the gravity model indicates the spatial distance impedes inter-city scientific collaboration, while the amount of science output and the number of urban residents, the number of world-class universities, institutional proximity and social proximity have positive and significant effect on inter-city scientific collaboration. In order to further our understanding of world city network, this paper calls for more attention to inter-city knowledge flows.

Key words： global city; scientific collaboration network; science and technology innovation center; social network analysis; weighted stochastic block model

1 引言

知识流动作为一种典型的城际互动关系,吸引越来越多的经济和城市地理学家的关注[1,2,3,4,5]。新增长理论和知识经济的文献均强调知识或者科学技术的重要性,其主要观点是经济发展主要依赖于知识的生产、应用和扩散[6,7]。在知识经济时代,知识被视为经济增长的源泉,日益成为城市经济发展和维持竞争优势的关键要素[8,9]。城市的经济增长不仅依赖本地知识也取决于可获得的外部知识。越来越多的城市政策制定者认识到知识驱动的重要性,纷纷以科技创新推动城市转型,日益重视科技创新中心功能的塑造,如伦敦的“科技城计划”,纽约的“东部硅谷计划”,上海的“建设具有全球影响力的科技创新中心”方案。随着从工业经济时代的全球生产网络走向知识经济时代的全球创新网络,发达国家的经济中心城市,正努力成为全球科技创新中心。全球范围内的知识生产和流动对全球城市网络体系的形成正在产生重要的影响[5]。
从20世纪60年代开始,以跨国公司为主要载体的经济全球化席卷全球,其主导而形成的全球生产网络不仅加强了国家之间的相互依赖,也更加密切城市与区域间的互动联系。跨国公司的总部-分支联系将全球主要城市囊括在全球生产网络中,为世界城市网络体系研究提供了可能[10]。例如,Taylor为首的全球化与世界城市研究小组（Globalization and World Cities, GaWC）,以高级生产服务业在全球城市间的相互联系为视角,采用连锁反应模型,将企业内部的总部-分支联系映射到城市之间,最终根据计算的全局网络连通度给城市分类评级[11,12,13,14]。亦有部分学者以大型跨国公司[15,16]、基于新闻报道的网络计量[17]、航空运输[18]、非政府组织的总部分支[19]为抓手,借助社会网络分析工具来探究全球城市网络。经济型、交通型、政治型等全球城市网络大量涌现,极大地推动城市网络研究。这些研究普遍确认了伦敦、纽约、东京的主导地位以及全球城市体系的等级层次结构和亚太城市的崛起[13]。
不同于工业时代,知识经济时代让知识要素从幕后走到台前,日益成为经济发展的重要驱动力。知识生产或创新是各分散的知识中心通过全球网络协同作用的结果,以知识流动为基础的全球创新网络逐渐浮现且日益重要[20]。全球创新网络是全球生产网络的进一步延伸,跨国公司是两者的核心主体[21]。然而,全球创新网络的行为主体更为丰富,还包括大学和研究机构等知识密集型行动者。此外,全球创新网络是知识搜寻战略的结果,其焦点是知识交换、整合和随后的新知识或创新;全球生产网络更加注重效率和市场搜寻,重点则是商品生产[22]。以高级生产服务业或跨国公司为对象的世界城市体系研究存在简化全球体系的风险[23],也不能完全揭示知识经济时代的城际联系现状。此外,传统的世界城市网络研究因某些缺陷而广受质疑与批判：① 连锁反应模型（Interlocking Network Model, INM）和办公室位置法（Office Location Approaches, OLAs）无法真正直接反映城市间的实际联系,仅是总部-分支机构流量强度的间接测度或理论推导[24]。科研合作可以实实在在地捕捉城市间的知识流。② 世界城市网络研究面临结构决定主义（Structural determinism）和方法决定论（Methodological determinism）的局限[17,25],其最终结果是计算的全局网络连通度,对网络结构特征和城市社群分析不足。越来越多的文献呼吁增加社会网络分析在世界城市网络研究的应用[26]。③ 现有的世界城市网络研究以高级生产服务业为主,辅以航空运输和非政府组织,忽视了知识等创新要素全球流动对世界城市网络体系的影响[27],研究视角急需拓展。此外,城际联系形成演化机制分析的缺乏,使得现有研究主要停留在对宏观网络的刻画与描述,对影响机理的解释仍显薄弱[28]。
创新驱动城市发展,越来越多的城市重视其科技创新中心功能的塑造。科技创新中心是全球创新网络的重要节点和枢纽,具有配置全球创新资源的能力,已成为各大城市争夺的焦点。因此,本文基于2017年Web of Science数据库的高被引论文合作数据,通过大数据挖掘构建城际科研合作网络,采用社会网络分析方法,探讨了全球城际科研合作网络的拓扑结构、空间格局、网络位置、核心-边缘结构、等级层次性和城际科研合作的影响因素,以期为科创中心建设提供参考。

2 文献回顾

2.1 知识流动与城市网络

知识流动的研究主要起源于知识溢出。专利和科研论文作为知识产出最主要的表现形式,存在合作与引用两条溢出途径。一般而言,引用主要追踪显性知识的有向流动,合作则表征隐性知识的无向溢出[1,3,29]。随着数据可获得性的提高,合作项目和R&D合作网络[30]、人才流动[31,32]、技术转移[4]等也被用于表征知识流动。Jaffe等率先采用专利引用来测度知识溢出,从此知识溢出或知识流动就成为了学者们的“新宠”[33]。
城市已成为创新的机器和创新活动的聚集地,积极参与新思想、新的组织形式和新企业的产生过程[34,35]。这一观点与Gottmann对于大都市区核心功能的判断相一致：都市区在区域尺度作为知识“孵化器”和在国家尺度发挥知识合作的“枢纽” [36]。知识作为公共物品（Public good）,具有非竞争性和非排他性,这一属性特征意味着知识生产的参与者均可以开放性获益[37]。在知识流动中表现为不减性,即行动者溢出的知识并不会减少该行动者的知识储量。无论是显性知识还是隐性知识,都不会因为空间距离和领土边界而停止流动[38]。正式和非正式的网络关系有助于知识扩散更远的距离,乃至跨境流动[39]。因此,知识流动不仅发生本地或区域尺度,也发生国家或国际尺度[40,41]。合作成为新知识产生的常态,国际合作的比例也不断提高[42]。科学技术知识在世界范围内的广泛传播被认为科学全球化最好的例证[43]。与此同时,跨国公司进入知识密集型生产阶段,获取专业化的知识与技能成为目标之一。R&D 全球化极大地促进了知识的远距离扩散,越来越多的专利申请出现了外国发明者的身影[44,45]。因此,透过对全球知识流动的刻画,为理解全球城市网络体系提供重要的视角。
城市地理学主要以知识流动来透视表征城市间的联系,已成为城市网络研究的新内容[1]。全球知识生产与合作的已有研究表明,城市间科研合作日益频繁,作者全部来自一个城市的论文数量持续下降,发达国家的城市比发展中国家的城市更加积极融入全球知识生产网络[46]。Matthiessen等探究了世界城市知识网络的动态演化过程,发现亚太和南欧城市逐渐增强,传统科学中心北美和西北欧城市则相对下降[5]。另外,Nepelski等采用全球171家信息通信技术跨国公司的R&D位置所构建的城市网络,发现中国城市已在ICT R&D网络占据重要位置[30]。而基于PCT专利数据的全球城市技术合作网络表明,传统全球性城市巴黎和东京的在全球知识生产网络中的地位不可撼动[47]。多尺度分析为城市知识流动网络研究提供新的视角,以长三角城市群和粤港澳大湾区为例,研究发现上海和香港的枢纽功能主要表现在国家和全球尺度,区域尺度的联系较弱[2,48]。中国城际知识流动网络正从纵向垂直规模等级向横向水平网络体系转变,以北京、上海、广州和成都为顶点四边形空间格局逐渐浮现[49,50]。
综上所述,城市间知识流动的分析为认识理解城市间的相互联系、作用和城市网络体系的发展演进提供了新途径,故提出研究假说：城市知识网络系统会体现出以生产者服务业勾画出的全球城市网络特征,但因为知识生产与非知识生产具有不同特点,所以用知识合作揭示的全球城市网络会体现出不同特征;因为知识扩散程度受制于一个城市的知识生产能力,全球城市知识生产网络的链接程度与一个城市的经济实力、人口规模、知识生产能力成正相关。

2.2 知识流动与多维邻近性

经济地理学者强调探究知识流动的影响因素,其中多维邻近性的理论框架被广泛采用。该理论认为行动者之间的知识互动与交流依赖于主体之间的相似性程度,以Boschma为代表的演化经济地理学家提出了地理、认知、组织、制度和社会邻近性的概念来解释跨区域的知识流动[51]。由于本文的核心解释变量为地理、制度和社会邻近性,所以重点回顾上述三种邻近性。
地理邻近性是指主体间的空间分割或接近程度,其常用的测量指标是两者间的空间距离。邻近的地理距离有利于降低交通费用与合作成本,双方人员随时可以互访,进行面对面的交流[52]。此外,合作过程主要涉及的不可编码的隐性知识,其被称为创新过程和科研活动的“催化剂”。然而,隐性知识的传播呈现显著的距离衰减效应,很难传递给遥远的合作者[53]。国内外的实证研究普遍揭示了地理距离对知识流动的阻碍作用。然而,如果其他邻近性缺失,则容易夸大地理距离的作用[54]。地理邻近性并不是知识流动发生的充分必要条件,更多的是发挥间接作用,助力其他邻近性的形成[51]。
社会邻近性起源于根植性的研究,是指主体间共同关系的程度,友谊和信任是其核心[55]。根植于社会网络的主体相互了解,这决定了它们之间信息交换的通达能力。主体之间基于友谊、信任和频繁的互动而建立的社会关系,尤其是非正式的交流使得对于创新起重要作用的隐含的经验类知识得以扩散和传播[56]。Crescenzi 等以英国1978—2010年发明者专利合作网络为例,发现外部网络高度依赖已有的社会联系,社会邻近性明显促进专利共同申请[57]。
制度邻近性是指主体受到非正式约束和正式规则制约的相似性[58]。正式的制度（法律和规则）和非正式的制度（文化价值观和社会习俗）可以减少集体行动中的不确定性和降低传递成本。因此,制度邻近性影响着主体之间的知识转移、互动学习和科研合作。Balland利用2004—2007年间欧盟全球导航卫星系统产业的第六次框架计划资助的研发项目数据,发现制度的相似性会促进协作的产生[59]。
遗憾的是,现有的邻近性实证研究普遍以企业为主,主要集中在欧洲区域,鲜有开展全球尺度的研究。本文将研究尺度拓展至全球,运用多维邻近理论探究城际知识流动的影响因素,提出研究假说：城市知识网络联接强度不仅与各个城市知识创造能力成正相关,也与城市间的地理、社会、制度邻近性成正相关。

3 数据来源和研究方法

3.1 数据来源

共同出版物（Co-publications）记录了研究者之间的知识交流与互动,是科研合作最直接的体现形式,被广泛应用于表征知识流动或知识扩散[2,3,5]。为了识别自然科学和社会科学中顶尖的研究成果,本文选择Web of Science的基本科学指标数据库（Essential Science Indicators, ESI）所标注的高被引论文,以下简称ESI论文。这些论文因为卓越的表现以及重要的影响而被入选。ESI论文是指近10年内发表的论文且被引次数排在相应学科领域全球前1%以内。此数据,每两个月动态更新一次。本文获得了2017年完整的ESI论文数据,共计16033篇,其中跨城合作的论文占比约87%。处理步骤如下：① 地理信息提取。采用BibExcel软件提取每个作者的地址信息,主要是城市和国家名称。② 地理信息配对。遵循现有文献采用的方法[5,60],将一定距离内的小城市和城镇汇总到大城市/大都市区。由于每个国家对城市的定义并不相同,难以比较,本文采用了《2017世界城市区域研究》给出的城市名单（www.demographia.com）。该报告每年更新,且是根据空间实体范围提供大都市区列表。③ 合作矩阵构建。运用Python软件生成全球城际科研合作矩阵,单元格为两两城市合作的论文数量。最终生成由923个城市组成的无向加权合作网络。

3.2 研究方法

3.2.1 社会网络分析 社会网络分析为城市体系研究提供了强有力的方法工具支撑,被广泛应用在城市网络研究[15,26]。网络中的边和节点数量测度规模,密度和平均度测量网络的稠密程度,网络中心势表征整个网络集聚的程度。
3.2.2 加权随机区块 模型块建模是一种揭示节点在网络结构中位置和角色分析的技术,通过节点关系的分类把节点归并到不同的集群,每个群内的节点具有相似的关系模式[61]。Aicher等提出了加权随机区块模型（Weighted Stochastic Block odel, WSBM）[62]。WSBM模型是基于数理统计和概率论,不需要预先假定块结构,并非武断地推断分区数量,而是根据设定的分组数量来获取最佳的对数似然函数值,从而确定最优的分组数量,适合大型复杂加权网络[17]。具体计算公式如下：
P ( X z , θ ) = P ( X z , μ , σ 2 ) = ∏ exp x ij μzizj σ 2 zizj - x 2 ij 2 σ 2 zizj - μ 2 zizj σ 2 zizj
式中：X表示城际邻接矩阵;xij表示城市i和城市j之间的联系强度;z表示潜在的位置集; θ 表示边参数分布; μ 和 σ 2 分别表示均值与方差。
3.2.3 优势流分析 优势流的核心思想是：节点被嵌套在网络中,最大联系比其他联系更加重要[63],这一思想受益于中心地理论的启发,被广泛用于揭示航空流[64]和知识流[65]的等级层次性。根据节点规模的大小和节点间的联系强度,节点可以被划分三种类型：主导型节点,其最大流流向一个规模比自身较小的节点;次级主导型节点,其最大流流向规模更大的节点,也吸引来自规模更小节点的最大流;附属型节点,没有最大流流向该节点。在本文,一个城市发表的ESI论文数量用以表示节点规模,城市间合作的论文数量用以表示城际联系强度。
3.2.4 空间相互作用模型
（1）变量选择。本文采用空间相互作用模型探讨城市间知识流动的影响因素。该理论认为主体间的互动取决于自身的规模或质量大小和主体间的距离。相互作用模型中的因变量为城市间ESI论文合作的数量。鉴于全球城市级别数据的可获得性,本文选择科研规模、城镇人口数量和世界一流大学作为控制变量。基于多维邻近性理论框架,本文选择地理、社会和制度邻近性作为核心的距离性解释变量。由于城市间的组织和认知邻近性测量困难,故暂未考虑。
（2）模型构建。空间相互作用模型也称重力模型,早期主要用于测度区域间相互作用的程度,现主要用来探讨区际联系的影响因素。具体实证回归模型如下：
I ij = α + β 1 Pu b i + β 2 Pu b j + β 3 Po p i + β 4 Po p j + β 5 Un i i + β 6 Un i j + β 7 Inspr o ij + β 8 Geodi s ij + β 9 Socpr o ij + ε ij
式中：Iij为因变量,表征城市间ESI论文合作的数量;α为常数项;β为回归系数;Pub表示城市的ESI论文产出数量,来源于Web of Science数据库;Pop表示城市的人口数量,来源于《Demographia World Urban Areas 13th Annual Edition: 2017》（www.demographia.com）;Uni表示世界800强大学数量,来源于《软科世界大学学术排名2017》（www.shanghairanking.cn）,根据学校排名等级设置相应权重;Inspro为制度邻近性,测度两个城市是否在同一个国家,相同为1,否则为0;Geodis为地理距离,通过城市的经纬度计算地理距离,采用R语言的geosphere包计算而得;Socpro为社会邻近性,测度的是两个城市合作伙伴重叠的程度,具体测算方法详见参考文献[41];εij为随机误差项。

4 全球城际科研合作网络的结果分析

4.1 拓扑结构

采用Gephi软件,绘制了2017年全球城际科研合作网络的拓扑结构图（见图1）。节点大小表示城市产出的ESI论文数量,节点间连线的粗细表示城市间合作论文的规模。分析发现：
（1）科学热点城市高度集中于北美、欧洲和亚洲,形成三足鼎立的格局。北美成为全球知识生产的“高地”,高产出的城市数量众多。北美有7个城市进入全球发文量前10强,15个城市挤进前30,如纽约、波士顿、旧金山、多伦多等。欧洲凭借众多的高等学校,浮现较多的科学中心,如伦敦、巴黎和米兰等。亚洲知识型城市不断崛起和涌现,如北京、东京、首尔和上海等。非洲、南美和大洋洲多数国家的科学型城市发育稀少,仅有悉尼、墨尔本、圣保罗和约翰内斯堡等相对突出,大量的非洲和拉美城市处于知识合作网络之外。这与Taylor 和Derudder基于高级生产服务业所构建的世界城市网络的发现相一致,三大区域既是当今世界经济的核心[13],也是知识生产的中心。然而,知识全球化更突显了北美的中心性。
（2）全球城际科研合作网络比较稀疏,联系强度较弱,发育程度低（见表1）。2017年,923个城市参与全球城际科研合作,产生了109937条联系。《2017世界城市区域研究》列出的城市名单数量为1750个,这意味着只有约52.7%的城市参与全球高被引科研论文合作网络。联系强度为1的数量为38763条,占总数的35.3%,这表明大多数城际联系较弱。网络的密度为0.26,表明实际联系数量仅为理论最大数量的四分之一左右;平均度为238.22,其含义是每个城市平均的合作城市数量为238个,占城市总量的25.78%。度中心势和接近度中心势相对较大,均超过0.5,网络中心化程度高,表明整个网络表现出向某些城市集中的趋势。该网络的平均集聚系数为0.67,显著大于同等规模的随机网络（0.25）;网络的平均距离为1.84,略高于同等规模的随机网络（1.25）。这意味着全球城市科研合作网络是一个典型的小世界网络。
表1 全球城际科研合作网络的统计特征

Tab. 1 Statistical characteristics of global inter-city scientific collaboration network

网络规模 稠密程度 集聚程度 小世界性
节点数量 边数 密度 平均度 度中心势 接近度中心势 介数中心势 平均集聚系数 平均路径长度
923 109937 0.26 238.22 0.52 0.51 0.03 0.67 1.84
（3）全球城际科研合作网络呈现等级层次式与分布式组织并存的拓扑结构。一方面,纽约、旧金山、波士顿和洛杉矶等成为整个网络的强核心,对外以多条合作路径与其他城市相链接,形成多个等级层次的轴辐式组织结构。另一方面,这些核心城市之间合作频繁,形成稳定的三角分布式结构,如纽约-波士顿-旧金山,纽约-波士顿-华盛顿等。根据择优连接机制,规模较小的城市更倾向连接到知识产出规模较大的热点城市,表现为垂直式特征。此外,科研合作也存在大量的三方合作甚至多边合作,表现为扁平化趋势。因此,等级层次结构和分布式结构共存于全球城市体系网络中,支持了Wall等的结论[16]。
图1 全球城际科研合作网络的拓扑结构

Fig. 1 The topological structure of global inter-city scientific collaboration network

4.2 空间格局

运用ArcGIS绘制了全球城际科研合作网络的空间格局（图2）。由于空间有限,图2仅展现了前5%的城际科研合作联系。根据自然断点分级法,城际合作联系被划为三个等级。分析发现：
（1）一级联系被欧美城市所主导,形成明显的跨大西洋轴心格局（trans-Atlantic axis）。44条一级联系,以美国内部的城市对为主,以美国与欧洲的城市对为辅。具体而言,排名前10的城市联系,有8条发生在美国境内;44条一级联系数有33条在美国。纽约和波士顿是全球最大的城际联系,合作产生456篇高被引论文,紧随其后的是纽约-旧金山（355）,波士顿-旧金山（293）、纽约-洛杉矶（293）等。此外,美国与英法两国合作规模也较大,集中于伦敦-纽约和伦敦-波士顿,以及巴黎与纽约、波士顿之间也有较强的跨国互动,增强了跨大西洋轴心的显示度[16]。
（2）世界城市合作网络形成以北美、西欧为主,东亚与澳大利亚为次要地位的四边结构,非洲和南美洲鲜有城市成为重要节点。这一格局与全球国际科研合作模式相类似[66]。此外,世界一流大学也主要集聚在这四大区域,全球科学城市的格局与世界大学的分布高度一致[67]。从国内/国际的视角来看,主要联系发生在国内而非国际。但是,跨国的联系在数量上明显占据优势地位。2017年,跨国的城市联系数量为101311条,占总数的92.15%。这种国内与国际并重的格局,一定程度印证了本地蜂鸣（Local buzz）和全球管道（Global pipelines）的重要性[68]。地方或地域的根植性产生了较强的本地互动,跨国的远距离合作则会带来新鲜的、异质性的知识[69]。
图2 全球主要城市科研合作的空间格局

注：该图基于国家自然资源部标准地图服务系统的标准地图（审图号GS(2016)1666）绘制,底图无修改。

Fig. 2 Geographical distribution of scientific collaboration network in world cities

4.3 核心-边缘

运行基于Matlab软件的WSBM模型算法程序,发现本文最优的分组数量为5。图3可视化了全球城际科研合作网络的多核心-边缘结构,识别出五大位置集合：全球核心（第一层级）、区域核心（第二层级）、强半边缘（第三层级）、弱半边缘（第四层级）和边缘（第五层级）。
图3 全球城际科研合作网络的多核心-边缘结构

Fig. 3 Multicore-periphery structures in the global inter-city scientific collaboration network

如图3所示,纽约、伦敦、波士顿、旧金山、华盛顿、洛杉矶、巴黎和北京被划分为第一层级,这些城市作为全球的核心城市,位于图谱的中心位置。这些城市无论是论文产出还是网络中心性排名皆位居前列,不仅是知识溢出的源泉和科学前沿的引领者,更是其他城市主要的合作对象,处于全球城市体系的顶端。然而,东京、香港、新加坡作为传统的世界城市,未能入围第一层级。围绕全球核心城市的是41个区域性中心城市,主要来自西欧、北美和亚太地区,如芝加哥、墨尔本、东京、米兰、上海、莫斯科等。不难发现,这些区域性核心城市大多是所在区域的政治、经济、文化和教育中心,与第一层级共同组成核心城市集团。这些城市通常也是世界城市,分别扮演全球和次级尺度的合作网络的门户。前两个集群内部联系数量多、密度大（网络密度均为1）、强度高（平均联系强度分别为183.071 和32.130）,形成完全连通网络;与第三层级、第四层级和第五层级集团之间的联系也相对紧密。
第三层级为强半边缘集合,包括132个城市,如匹兹堡、香港、新加坡等。虽然该类城市分布遍及各大洲,但仍然主要来自欧洲（57）、北美（33）、亚洲（28）。这些城市是所在国家的科学研究中心和知识溢出高地,各项指标均高于网络平均值,具有内部联系紧密、强度较大、密度较高;对外联系以与核心集团间的强连接为主,与边缘城市之间的连接数量少且强度低。卡迪夫、天津、深圳等371个城市构成第四层级,规模明显扩大。由于该层级的指标处于网络均值的附近,故被划分为弱半边缘集合。这些城市大部分来自欧洲（129）、亚洲（101）和北美（75）,它们往往集聚了一定数量的科研机构,内部联系弱、合作强度低、密度较小;对外联系以与全球核心合作为主,边缘集团为辅。
第五层级由剩余的城市组成,主要被中国城市所主导（104）,相对集中于印度（35）、美国（28）、俄罗斯（16）等国。代表性城市包括长春、福州、卧龙岗、宁波、波兹南等。该层级的平均指标明显低于网络均值,故被划分为边缘集合,处于网络的最外围。这些城市拥有的高校和科研机构规模小,科研合作参与不活跃,社团内部节点之间联系数量少且强度低;对外与核心集团、半边缘集团的联系也较弱。

4.4 等级层次性

根据优势流分析,运用Gephi软件的Yifan Hu布局算法,全球城际科研合作网络被划分为三个主要的子网（组团）,由主导型、次级主导型、从属型三种类型的节点支撑,发育典型的等级层次结构（见图4）。
图4 全球城际科研合作网络的等级层次性

Fig. 4 The hierarchy of the global inter-city scientific collaboration network

纽约-伦敦组团是网络中最大的子群,包含1个主导型节点、112个次级主导型节点和642个从属型节点,共计755个城市。纽约是网络唯一的主导型节点,也是153个城市最主要的科研合作伙伴,通过间接传导控制了整个子网,导致整个知识流动网络被纽约高度极化。纽约-伦敦是全球最大的国际联系,连接该子网的两个主要部分,间接表明纽约-伦敦轴线对世界城市体系的重要性,这一重要的国际联系也被其他世界城市研究所证实[13,16]。纽约主导北美知识流动,伦敦以欧洲为主,亚洲成为二者的竞争重心。纽约的主导范围遍及全球,以北美洲（168）为主,辅以欧洲、亚洲、南美洲等其他区域。伦敦的控制范围则高度集中于欧洲（150）,对北美洲的辐射能力非常有限,对亚洲、非洲和大洋洲有较强的影响力。此外,英联邦国家的城市与伦敦保持紧密的科研合作联系,这也表明曾经的历史联系也是影响国际合作的重要因素[65]。纽约组团包括黎、波士顿、多伦多等52个的次级主导型城市,都柏林、墨尔本、米兰等59个城市构成了伦敦组团的次级主导型节点群。这些城市多是所在国家的知识中心,充当了国内城市连接纽约或伦敦的“桥梁”,也即是连接国家创新系统与全球创新网络的“守门人”[37],如以巴黎为首的法国、东京为首的日本等国家城市知识创新体系。
北京是第二大子网的核心,也是61个城市的最大合作伙伴,其影响范围覆盖了152个城市。这些城市以中国（123个,占总数的81%）为主,鲜有涉及其他国家,意味着北京的影响力高度局限于中国,呈现“本地导向”而非“全球导向”,让人不免质疑北京 “全球城市”的地位。北京与上海互为对方的第一大合作者,也是该组团最大的双边联系。北京的优势地位主要得益于丰富的科教资源和许多全国性研究机构总部的集聚地。上海是最大次级主导型节点,成为嘉兴、盐城等长三角城市的合作中枢。而广州、西安、武汉和南京等31个次级主导型节点,主要是各省级行政中心,其影响力主要局限于省内城市,如形成四川省（成都为核心）和浙江省（杭州为核心）等省级城市知识创新体系。虽然天津、深圳、大连、福州和徐州等中心城市科研产出规模较大,但缺少最大流,从而和余下节点同为从属型城市。
沙特阿拉伯的吉达主导了第三个组团,总共11个节点。这些城市主要来自伊斯兰世界,如巴基斯坦、伊朗和埃及等国家。吉达和伊斯兰堡互为对方最大的科研伙伴,一定程度表明宗教信仰和文化习俗对城市间科研合作的影响。伊斯兰堡是巴基斯坦政治中心,集中全国主要的高等院校和研究机构,成为吉达组团唯一的次级主导型节点。剩余的9个节点则为从属型城市节点。

5 全球城际科研合作影响因素分析

由于全球城市可获得的属性数据较少,本文重点关注了前5%城际科研合作联系的影响因素。表2呈现了负二项式的重力模型回归结果。控制变量均对城际科研合作产生积极而又显著的影响,城市的科研产出、人口规模、世界一流大学数量是影响城市间合作联系的重要因素,证实了本文提出的第一个研究假说。具体而言,城市的科研产出越多,城市间合作联系也越多。随着科学研究从个人、机构、城市和国家的“单打独斗”进入合作时代,合作已经成为科学发现的重要方式[42]。本地较强的科学能力更有利于城市参与合作网络,乃至国际合作。伦敦、纽约、波士顿和北京等城市既是全球科学产出的热点区域,也是全球城际合作网络积极的参与者。城市的人口规模对城际合作产生积极而又显著的影响,大城市之间科研联系更紧密。一般而言,大城市既是经济活动的中心,也是科研活动的中心。大学、科研院所、研发机构和医学中心等知识密集型主体主要位于大都市区[37],因为其为研究者可以提供更好的职业发展机会与宜居的生活。城市拥有世界一流大学的数量与等级对城际合作具有显著的正向作用（模型4）。一流大学是科学研究主要的执行者,也是知识生产的主要源泉。城市拥有的一流大学数量越多,等级越高,其科学合作能力越强。哈佛大学和麻省理工学院对波士顿的重要性是不言而喻。
表2 负二项式的重力模型回归结果

Tab. 2 Regression results of the negative binomial gravity models

模型1 模型2 模型3 模型4
城市i发文量 0.32750*** 0.31521*** 0.32182*** 0.23175***
(0.01140) (0.01043) (0.01017) (0.00830)
城市j发文量 0.33523*** 0.32794*** 0.33285*** 0.20712***
(0.01205) (0.01091) (0.01088) (0.00907)
城市i人口数 0.01690*** 0.02252*** 0.04210*** 0.02666***
(0.00451) (0.00425) (0.00435) (0.00365)
城市j人口数 0.00740* 0.01069*** 0.02956*** 0.01398***
(0.00437) (0.00413) (0.00422) (0.00345)
城市i一流大学 0.00005 0.00006 0.00005 0.00046***
(0.00006) (0.00006) (0.00005) (0.00004)
城市j一流大学 0.00004 0.00004 0.00003 0.00057***
(0.00006) (0.00006) (0.00005) (0.00004)
制度邻近性 0.30082*** 0.16768*** 0.30144***
(0.01472) (0.01620) (0.01330)
地理邻近性 -0.08666*** -0.06924***
(0.00484) (0.00394)
社会邻近性 1.14789***
(0.02571)
常数 -0.72820*** -0.81986*** -0.72664*** 0.11746
(0.13271) (0.12082) (0.12156) (0.09622)
样本量 5312 5312 5312 5312
Alpha 0.09514 0.08036 0.07227 0.03873
Log likelihood -19390.632 -19072.32 -18886.488 -17881.985

注：括号内为稳健标准误;*p<0.10,**p<0.05,***p<0.01。

模型2~模型4表明制度、地理和社会邻近性的回归系数在1%水平上具有的正向显著性,结果证实了本文的第二个研究假说内容。社会邻近性的回归系数积极而又显著表明同一个国家的两个城市比不同国家的两个城市更可能开展科研合作。该研究结果与Cappelli和Montobbio对欧洲区域间知识流动的结论相一致,来自同一个国家的两个城市的合作量更大[70]。其原因在于,同一个国家的科研机构采用相似的组织制度框架、科学规范或行为准则,这有利于机构间开展合作研究,减少制度障碍[71]。Hoekman等发现基金激励是促进欧洲区域间国际合作,建设欧洲研究区的重要因素[72]。许多科研机构的研究经费主要来源于政府财政性拨款。相比国际合作而言,政府更多注重国内城市间的合作。
地理距离的回归系数在1%的显著性水平上为负,表明空间距离对城际合作产生显著的阻碍作用。两城市间地理距离越远,合作量则越低。该结论也证实其他研究的发现,普遍揭示了地理距离对城际的科研合作联系的负向作用[54]。正如Quatraro 等所指出的,论文合作关系主要涉及的隐性知识,其主要通过面对面的交流和频繁的互动来传播,对地理距离十分敏感[29]。此外,地理邻近性与社会邻近性和制度邻近性存在互补关系[73],有助于其他邻近性的建立。较远的地理距离,也减少了通过其他渠道知识溢出的机会。
社会邻近性的回归系数在1%的显著性水平上为正,意味着城市的三方闭环关系可以显著地促进城际科研合作。两个城市的“朋友圈”重叠程度越高,两者的合作量越大,这表明城市更愿意与自己朋友的朋友建立合作联系。这一结论与研究主流发现相一致,Plotnikova 等国家层面的制药研发数据,发现社会邻近性与合作研发数量呈显著的正相关[74]。社会邻近性重要的机制之一是三方闭环（Triadic closure）,其可以抑制机会主义,促进信任,增加合作的效率[56]。Ter Wal发现三方闭环是德国生物技术网络演化的关键驱动力[75]。

6 结论与讨论

本文从分析城市间知识合作生产入手,丰富了全球城市体系的研究。全球城市,通常定义为全球经济的命令-控制中心,全球城市网络研究也相应地以先进生产者服务业为主要着眼点。虽然,Sassen曾强调全球城市也是知识溢出和创新产生最重要的场所[76]。一些学者指出全球城市也应是科学中心[60,77]。然而,国内外有关从知识流动视角来审视全球城市以及全球城市网络的研究并不多见。以科学工程知识在全球范围内广泛传播为主要特征的科技全球化[43],为研究全球城市网络提供新的视角。
与以高级生产服务业为对象的世界城市网络研究结果相比,两者存在诸多相似之处。研究表明全球城市网络节点以北美、欧洲和亚洲为主,形成由西至东的“大三角”空间格局,呈现出等级层次式与分布式并存的拓扑结构特征。高中心性节点主要来自“北方”城市,“南方”城市入围的较少,“南北分割”特征显著。根据GaWC 2018,本文识别的纽约、伦敦、巴黎和北京等八个全球核心和芝加哥等41区域核心城市,大多数也是GaWC认定Beta+级以上的世界城市。就全球城市网络系统中的引领城市而言,科学中心与命令控制中心存在一定程度的重合。纽约和伦敦作为顶级的生产服务中心,也是全球最重要科学合作中心。纽约-伦敦,这一重要的跨大西洋轴心联系不仅存在商务联系中,也被城际知识流动网络所证实。
然而,全球城际科研合作网络也展现出有别于传统以生产者服务业勾画出的全球城市网络特征。具体而言,本文发现作为世界高教之城的波士顿,全球高新技术产业之都的旧金山都市区在科技合作方面具有明显的优势地位。新加坡和香港从Alpha+级世界城市下降为强半边缘城市,意味着这两个城市的生产服务中心职能显著强于科学中心职能。此外,不同于传统的世界城市研究会预先设定条件阈值[13],即使最新版的GaWC 2018已经拓展至707个城市,本文采用涉及论文合作的所有城市的全样本分析提供了更为全面的刻画。知识生产的区位因素也不同于跨国公司和高级生产者服务业的区位选择,一些世界一流大学所在的中小城市也有可能成为具有全球影响力的科学合作中心。这有别于全球价值链、全球商品链和全球生产网络相对强调大城市的重要性。Robinson指出世界城市的选择性上表现出明显的欧美导向特征,这使得许多亚非拉城市“不在地图上”（Cities off the map）[78]。知识生产的全球扩散纳入了更多被传统世界城市研究所忽视的南方城市。优势流分析揭示出中国城市独立成团,意味着中国城市融入科技全球化的力度远远不够,全球创新网络对中国城市的囊括力度逊色于全球生产网络,两者存在空间错位。此外,入选核心城市集团的中国城市仅有北京、上海、南京和台北,远远少数Beta+级以上的世界城市。深圳虽为Alpha-级世界城市,但在网络中仅为弱半边缘类别。受益于中国经济的崛起,多数城市在世界城市网络中的排名,明显优于在科研合作网络中的位置。虽然经济全球化推动了世界城市体系的东移,但是全球知识生产仍然高度集中于欧美等发达国家,知识生产自西向东移动的步伐缓慢。
除了分析全球城际科研合作网络的结构特征之外,本文还运用多维邻近性框架探讨了合作的影响因素。负二项式的重力模型表明城际科研合作联系不仅受到科研产出数量、人口规模、世界一流大学数量的影响,还受到城市间的地理距离、制度和社会邻近性的作用。以往的研究主要集中在国家内部和欧盟内部各区域间的合作知识生产,本文将研究尺度拓展至全球,回归结果支持了本文所提出的研究假设,表明多维邻近性理论仍然具有较好的解释力,证实了地理距离对城际知识流动的阻碍作用,确认了隐性知识溢出的距离衰减效应。制度社会邻近性具有显著的促进作用,间接表明全球城际知识流动依然受到国家边境的限制,意味着知识流动存在空间政治偏向,类似于欧盟区域的国家边界效应和中国城市间的同省效应[79]。社会邻近性同样产生显著的影响,表明了多边联系会强化双边合作,积极鼓励城市参与由多国组织的大科学计划和大科学工程。
全球城市网络体系研究不仅获得学者们的关注,也引发了政策制定者的兴趣,尤其是当前的科创中心建设。科技创新被视为下一个战略优势,已成为各国争夺的焦点。越来越多的城市“加码”创新能力建设,向科技创新中心转型。因此,建议中国城市“内联外拓”,坚持“引进来”和“走出去”并重,更加主动融入全球创新网络,建设国际科研合作中心。筑巢引凤,集聚全球创新资源,吸引“海龟”回国创新创业和外国优秀人才来华工作交流;大力支持本地企业研发国际化,建立海外研发中心,拓展国际联系;建设世界一流研究型大学,支持它们全方位多层次参与国际合作。
受限于许多城市的属性数据无法获取,现有的全球城市网络研究主要侧重描述性分析而非是形成机制的分析,本文对科研合作网络的影响因素仅做了初步的探讨,为以后研究迈出试探性的步伐。未来的研究还应值得关注以下四个方面：首先,全球城际科研合作网络是动态演化的,有必要开展长时间尺度的演化研究,揭示网络结构演变的过程。期待引入更为先进的大数据处理方法,应对空间科学计量学所面临的挑战。其次,科研合作在多尺度的空间中同时发生,各个尺度之间不是独立割裂,而是相互影响。在多尺度的空间力量相互作用下,单一空间尺度的研究不能揭开城市功能的全貌。然后,就城市科研合作的解释而言,本文仅是宏观视角上的影响因素分析,未来可进一步融合质性访谈与定量研究探讨因果机制。最后,web of science收录的高被引论文以英文期刊为主,非英语国家的城际联系可能会被低估。本文采用的仅是被引次数排在相应学科领域全球前1%以内的论文,而非全部论文,后者或许能提供更为一般的研究发现。

真诚感谢二位匿名评审专家在论文评审中所付出的时间和精力,评审专家对本文的结果分析、结论梳理、行文规范方面的修改意见,使本文获益匪浅。

参考文献

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

[ Ma Haitao. The theoretical construction and network simulation of intercity innovative relationships in knowledge flow space. Acta Geographica Sinica, 2020,75(4):708-721.] DOI: 10.11821/dlxb202004004.

[2]
Li Y, Phelps N. Megalopolis unbound: Knowledge collaboration and functional polycentricity within and beyond the Yangtze River Delta Region in China, 2014. Urban Studies, 2018,55(2):443-460. DOI: 10.1177/0042098016656971.

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

[ Li Dandan, Wang Tao, Wei Yehua, et al. Spatial and temporal complexity of scientific knowledge network and technological knowledge network on China's urban scale. Geographical Research, 2015,34(3):525-540.] DOI: 10.11821/dlyj201503011.

[4]
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. 地理学报, 2018,73(8):1462-1477.

[ Liu Chengliang, Guan Mingming, Duan Dezhong. Spatial pattern and influential mechanism of interurban technology transfer network in China. Acta Geographica Sinica, 2018,73(8):1462-1477.] DOI: 10.11821/dlxb201808006.

[5]
Matthiessen C W, Schwarz A W, Find S. World cities of scientific knowledge: Systems, networks and potential dynamics. An analysis based on bibliometric indicators. Urban Studies, 2010,47(9):1879-1897. DOI: 10.1177/0042098010372683.

[6]
Lucas R E. On the mechanics of economic-development. Journal of Monetary Economics, 1988,22(1):3-42. DOI: 10.1016/0304-3932(88)90168-7.

[7]
OECD. The Knowledge-based Economy. Paris: OECD, 1996: 9-18.

[8]
Acs Z J. Innovation and the Growth of Cities. Cheltenham: Edward Elgar Publishing, 2002: 23-78.

[9]
吕拉昌, 廖倩, 黄茹. 基于期刊论文的中国地级以上城市知识专业化研究. 地理科学, 2018,38(8):1245-1255.

[ Lyu Lachang, Liao Qian, Huang Ru. Knowledge specialization of cities above the prefecture level in china based on journal articles. Scientia Geographica Sinica, 2018,38(8):1245-1255.] DOI: 10.13249/j.cnki.sgs.2018.08.006.

[10]
王保平, 徐伟. 城市网络:价值生产的空间组织. 北京: 科学出版社, 2017: 1-15.

[ Wang Baoping, Xu Wei. Networked Cities: Spatial Organization of Value Production. Beijing: Science Press, 2017: 1-15.]

[11]
薛德升, 邹小华. 基于中资商业银行全球空间扩展的世界城市网络及其影响因素. 地理学报, 2018,73(6):989-1001.

[ Xue Desheng, Zou Xiaohua. The world city network based on the global expansion of Chinese commercial banks and its influencing factors. Acta Geographica Sinica, 2018,73(6):989-1001.] DOI: 10.11821/dlxb201806001.

[12]
Derudder B, Taylor PJ, Witlox, F, et al. Hierarchical tendencies and regional patterns in the world city network: A global urban analysis of 234 cities. Regional Studies, 2003,37(9), 875-886. DOI: 10.1080/0034340032000143887.

[13]
Taylor P J, Derudder B. World-city Network: A Global Urban Analysis. London: Routledge, 2016: 67-98.

[14]
唐子来, 李粲, 李涛. 全球资本体系视角下的中国城市层级体系. 城市规划学刊, 2016,(3):11-20.

[ Tang Zilai, Li Can, Li Tao. Interpretation of China's urban hierarchy from the perspective of global capital system. Urban Planning Forum, 2016,(3):11-20.] DOI: 10.16361/j.upf.201603001.

[15]
Alderson A S, Beckfield J. Power and position in the world city system. American Journal of Sociology, 2004,109(4):811-851. DOI: 10.1086/378930.

[16]
Wall R S, Van der Knaap G A. Sectoral differentiation and network structure within contemporary worldwide corporate networks. Economic Geography, 2011,87(3):267-308. DOI: 10.1111/j.1944-8287.2011.01122.x.

[17]
Zhang W, Thill J C. Mesoscale structures in world city networks. Annals of the American Association of Geographers, 2019,109(3):887-908. DOI: 10.1080/24694452.2018.1484684.

[18]
李恩康, 陆玉麒, 杨星, 等. 全球城市网络联系强度的时空演化研究: 基于 2014-2018 年航空客运数据. 地理科学, 2020,40(1):32-39.

[ Li Enkang, Lu Yuqi, Yang Xing, et al. Spatio-temporal evolution on connection strength of global city network based on passenger flight data from 2014 to 2018. Scientia Geographica Sinica, 2020,40(1):32-39.] DOI: 10.13249/j.cnki.sgs.2020.01.005.

[19]
Taylor P J. The new geography of global civil society: NGOs in the world city network. Globalizations, 2004,1(2), 265-277. DOI: 10.1080/1474773042000308604.

[20]
Liu J, Chaminade C, Asheim B. The geography and structure of global innovation networks: A knowledge base perspective. European Planning Studies, 2013,21(9):1456-1473. DOI: 10.1080/09654313.2012.755842.

[21]
Ernst D. New geography of knowledge in the electronics industry?: Asia's role in global innovation networks. Policy Studies, 2009,11:54-65.

[22]
Chaminade C, De Fuentes C, Harirchi G, et al. The geography and structure of global innovation networks: Global scope and regional embeddedness. In: Shearmur R, Carrincazeaux C, Doloreux D (eds.), Handbook on the Geographies of Innovation. Cheltenham: Edward Elgar Publishing, 2016: 370-381.

[23]
Coe N M, Dicken P, Hess M, et al. Making connections: Global production networks and world city networks. Global Networks, 2010,10(1):138-149. DOI: 10.1111/j.1471-0374.2010.00278.x.

[24]
Pazitka V, Wojcik D, Knight E. Critiquing construct validity in world city network research: Moving from office location networks to inter-organizational projects in the modeling of intercity business flows. Geographical Analysis, 2021, DOI: 10.1111/gean.12226.

[25]
Neal Z. Structural determinism in the interlocking world city network. Geographical Analysis, 2012,44(2):162-170. DOI: 10.1111/j.1538-4632.2012.00843.x.

[26]
Derudder B. Network analysis of 'urban systems': Potential, challenges, and pitfalls. Tijdschrift voor Economische en Sociale Geografie, 2021. DOI: 10.1111/tesg.12392.

[27]
张凡, 宁越敏. 中国城市网络研究的自主性建构. 区域经济评论, 2020,(2):84-92.

[ Zhang Fan, Ning Yuemin. The autonomous construction of urban network research in China. Regional Economic Review, 2020,(2):84-92.] DOI: 10.14017/j.cnki.2095-5766.2020.0035.

[28]
潘峰华, 方成, 李仙德. 中国城市网络研究评述与展望. 地理科学, 2019,39(7):1093-1101.

[ Pan Fenghua, Fang Cheng, Li Xiande. The progress and prospect of research on Chinese city network. Scientia Geographica Sinica, 2019,39(7):1093-1101.] DOI: 10.13249/j.cnki.sgs.2019.07.007.

[29]
Quatraro F, Usai S. Are knowledge flows all alike? Evidence from European regions. Regional Studies, 2017,51(8):1246-1258. DOI: 10.1080/00343404.2016.1240867.

[30]
Nepelski D, De Prato G. Corporate control, location and complexity of ICT R&D: A network analysis at the city level. Urban Studies, 2015,52(4):721-737. DOI: 10.1177/0042098014534735.

[31]
Breschi S, Lissoni F. Mobility of skilled workers and co-invention networks: An anatomy of localized knowledge flows. Journal of Economic Geography, 2009,9(4):439-468. DOI: 10.1093/jeg/lbp008.

[32]
侯纯光, 杜德斌, 刘承良, 等. 全球留学生留学网络时空演化及其影响因素. 地理学报, 2020,75(4):681-694.

[ Hou Chunguang, Du Debin, Liu Chengliang, et al. Spatio-temporal evolution and factors influencing international student mobility networks in the world. Acta Geographica Sinica, 2020,75(4):681-694.] DOI: 10.11821/dlxb202004002.

[33]
Jaffe A B, Trajtenberg M, Henderson R. Geographic localization of knowledge spillovers as evidenced by patent citations. Quarterly Journal of Economics 1993,108(3):577-598. DOI: 10.2307/2118401.

[34]
Florida R, Adler P, Mellander C. The city as innovation machine. Regional Studies, 2017,51(1):86-96. DOI: 10.1080/00343404.2016.1255324.

[35]
杜德斌. 全球科技创新中心动力与模式. 上海: 上海人民出版社, 2015: 18-59.

[ Du Debin. Global Science and Technology Innovation Center: Power and Model. Shanghai: Shanghai People's Press, 2015: 18-59.]

[36]
Gottmann J. Megalopolitan systems around the world. Ekistics, 1976,243(2):109-113.

[37]
WIPO. The Geography of Innovation: Local Hotspots, Global Networks World Intellectual Property Report. Geneva: World Intellectual Property Organization, 2019: 1-13.

[38]
Audretsch D B, Keilbach M. Entrepreneurship capital and economic performance. Regional Studies, 2004,38(8):949-959. DOI: 10.1080/0034340042000280956.

[39]
Ponds R, van Oort F G, Frenken K. Innovation, spillovers and university-industry collaboration: an extended knowledge production function approach. Journal of Economic Geography, 2010,10(2):231-255. DOI: 10.1093/jeg/lbp036.

[40]
Hoekman J, Frenken K, Van Oort F. The geography of collaborative knowledge production in Europe. Annals of Regional Science, 2009,43(3):721-738. DOI: 10.1007/s00168-008-0252-9.

[41]
Gui Q, Liu C, Du D. International knowledge flows and the role of proximity. Growth and Change 2018,49(3):532-547. DOI: 10.1111/grow.12245.

[42]
Adams J. Collaborations: The fourth age of research. Nature, 2013,497(7451):557-560. DOI: 10.1038/497557a.

[43]
Freeman R B. Globalization of scientific and engineering talent: International mobility of students, workers, and ideas and the world economy. Economics of Innovation and New Technology, 2010,19(5):393-406. DOI: 10.1080/10438590903432871.

[44]
杜德斌. 跨国公司R&D全球化: 地理学的视角. 世界地理研究, 2007,(4):106-114.

[ Du Debin. R&D globalization by MNCs: A perspective from geography. World Regional Studies, 2007,(4):106-114.]

[45]
司月芳, 陈思雨, Ingo Liefner, 等. 中资企业研发国际化研究: 基于华为WIPO专利分析. 地理研究, 2016,35(10):1869-1878.

[ Si Yuefang, Chen Siyu, Ingo Liefner, et al. Innovation globalization of Chinese multinational enterprises: The case study of Huawei. Geographical Research, 2016,35(10):1869-1878.] DOI: 10.11821/dlyj201610006.

[46]
Maisonobe M, Eckert D, Grossetti M, et al. The world network of scientific collaborations between cities: Domestic or international dynamics?. Journal of Informetrics, 2016,10(4):1025-1036. DOI: 10.11821/dlyj201610006.

[47]
焦美琪, 杜德斌, 桂钦昌, 等. 全球城市技术合作网络的拓扑结构特征与空间格局. 地理科学, 2019,39(10):1546-1552.

[ Jiao Meiqi, Du Debin, Gui Qinchang, et al. The topology structure and spatial pattern of global city technical cooperation network. Scientia Geographica Sinica, 2019,39(10):1546-1552.] DOI: 10.13249/j.cnki.sgs.2019.10.003.

[48]
马海涛, 黄晓东, 李迎成. 粤港澳大湾区城市群知识多中心的演化过程与机理. 地理学报, 2018,73(12):2297-2314.

[ Ma Haitao, Huang Xiaodong, Li Yingcheng. The evolution and mechanisms of megalopolitan knowledge polycentricity of Guangdong-Hong Kong-Macao Greater Bay Area. Acta Geographica Sinica, 2018,73(12):2297-2314.] DOI: 10.11821/dlxb201812003.

[49]
Ma H, Fang C, Pang B, et al. Structure of Chinese city network as driven by technological knowledge flows. Chinese Geographical Science, 2015,25(4):498-510. DOI: 10.1007/s11769-014-0731-0.

[50]
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. 地理科学, 2018,38(11):1759-1768.

[ Duan Dezhong, Du Debin, Chen Ying, et al. Spatial-temporal complexity and growth mechanism of city innovation network in China. Scientia Geographica Sinica, 2018,38(11):1759-1768.] DOI: 10.13249/j.cnki.sgs.2018.11.003.

[51]
Boschma R. Proximity and innovation: A critical assessment. Regional Studies, 2005,39(1):61-74. DOI: 10.1080/0034340052000320887.

[52]
胡杨, 李郇. 地理邻近对产学研合作创新的影响途径与作用机制. 经济地理, 2016,36(6):109-115.

[ Hu Yang, Li Xun. Effect of geographical proximity on university-industry cooperative innovation and the mechanism. Economic Geography, 2016,36(6):109-115.] DOI: 10.15957/j.cnki.jjdl.2016.06.014.

[53]
Howells J R L. Tacit knowledge, innovation and economic geography. Urban Studies, 2002,39(5-6):871-884. DOI: 10.1080/00420980220128354.

[54]
Hoekman J, Frenken K, Tijssen R J W. Research collaboration at a distance: Changing spatial patterns of scientific collaboration within Europe. Research Policy, 2010,39(5):662-673. DOI: 10.1016/j.respol.2010.01.012.

[55]
Granovetter M. Economic-action and social-structure: The problem of embeddedness. American Journal of Sociology, 1985,91(3):481-510. DOI: 10.1086/228311.

[56]
Boschma R, Frenken K. The spatial evolution of innovation networks. A proximity perspective. In: Boschma R, Martin R (eds). The Handbook of Evolutionary Economic Geography. Cheltenham: Edward Elgar Publishing, 2010: 120-135.

[57]
Crescenzi R, Nathan M, Rodríguez-Pose A. Do inventors talk to strangers? On proximity and collaborative knowledge creation. Research Policy, 2016,45(1):177-194. DOI: 10.1016/j.respol.2015.07.003.

[58]
Ponds R, Van Oort F, Frenken K. The geographical and institutional proximity of research collaboration. Papers in Regional Science, 2007,86(3):423-443. DOI: 10.1111/j.1435-5957.2007.00126.x.

[59]
Balland P A. Proximity and the evolution of collaboration networks: Evidence from research and development projects within the global navigation satellite system (GNSS) industry. Regional Studies, 2012,46(6):741-756. DOI: 10.1080/00343404.2010.529121.

[60]
Csomos G, Toth G. Exploring the position of cities in global corporate research and development: A bibliometric analysis by two different geographical approaches. Journal of Informetrics, 2016,10(2):516-532. DOI: 10.1016/j.joi.2016.02.004.

[61]
White H C, Boorman S A, Breiger R L. Social structure from multiple networks. I. Blockmodels of roles and positions. American journal of Sociology, 1976,81(4):730-780.

[62]
Aicher C, Jacobs A Z, Clauset A. Learning latent block structure in weighted networks. Journal of Complex Networks, 2015,3(2):221-248. DOI: 10.1093/comnet/cnu026.

[63]
Nystuen J D, Dacey M F. A graph theory interpretation of nodal regions. Papers of the Regional Science Association, 1961,7(1):29-42.

[64]
宋伟, 李秀伟, 修春亮. 基于航空客流的中国城市层级结构分析. 地理研究, 2008,27(4) : 917-926.

[ Song Wei, Li Xiuwei, Xiu Chunliang. Patterns of spatial interaction and hierarchical structure of Chinese cities based on intercity air passenger flows. Geographical Research, 2008,27(4):917-926.]

[65]
Gui Q, Liu C, Du D. Globalization of science and international scientific collaboration: A network perspective. Geoforum, 2019,105:1-12. DOI: 10.1016/j.geoforum.2019.06.017.

[66]
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. 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.] DOI: 10.11821/dlxb201704014.

[67]
Jons H, Hoyler M. Global geographies of higher education: The perspective of world university rankings. Geoforum, 2013,46:45-59. DOI: 10.1016/j.geoforum.2012.12.014.

[68]
Bathelt H, Malmberg A, Maskell P. Clusters and knowledge: Local buzz, global pipelines and the process of knowledge creation. Progress in Human Geography, 2004,28(1):31-56. DOI: 10.1191/0309132504ph469oa.

[69]
Bathelt H, Henn S. The geographies of knowledge transfers over distance: toward a typology. Environment and Planning A, 2014,46(6):1403-1424. DOI: 10.1068/a46115.

[70]
Cappelli R, Montobbio F. European integration and knowledge flows across European regions. Regional Studies, 2016,50(4):709-727. DOI: 10.1080/00343404.2014.931572.

[71]
Morescalchi A, Pammolli F, Penner O, et al. The evolution of networks of innovators within and across borders: Evidence from patent data. Research Policy, 2015,44(3):651-668. DOI: 10.1016/j.respol.2014.10.015.

[72]
Hoekman J, Scherngell T, Frenken K, et al. Acquisition of European research funds and its effect on international scientific collaboration. Journal of Economic Geography, 2013,13(1):23-52. DOI: 10.1093/jeg/lbs011.

[73]
贺灿飞, 金璐璐, 刘颖. 多维邻近性对中国出口产品空间演化的影响. 地理研究, 2017,36(9):1613-1626.

[ He Canfei, Jin Lulu, Liu Ying. How does multi-proximity affect the evolution of export product space in China?. Geographical Research, 2017,36(9):1613-1626.] DOI: 10.11821/dlyj201709002.

[74]
Plotnikova T, Rake B. Collaboration in pharmaceutical research: Exploration of country-level determinants. Scientometrics, 2014,98(2):1173-1202. DOI: 10.1007/s11192-013-1182-6.

[75]
Ter Wal A L J. The dynamics of the inventor network in German biotechnology: Geographic proximity versus triadic closure. Journal of Economic Geography, 2014,14(3):589-620. DOI: 10.1093/jeg/lbs063.

[76]
Sassen S. The Global City: New York, London, Tokyo (2nd Ed). Princeton: Princeton University Press, 2001.

[77]
Matthiessen C W, Schwarz A W. Scientific centres in Europe: An analysis of research strength and patterns of specialisation based on bibliometric indicators. Urban Studies, 1999,36(3):453-477. DOI: 10.1080/0042098993475.

[78]
Robinson J. Global and world cities: A view from off the map. International Journal of Urban and Regional Research, 2002,26(3):531-554. DOI: 10.1111/1468-2427.00397.

[79]
Andersson D E, Gunessee S, Matthiessen C W, et al. The geography of Chinese science. Environment and Planning A, 2014,46(12):2950-2971. DOI: 10.1068/a130283p.

Options
文章导航

/

〈 〉