EN中文

地理研究 >

2024 , Vol. 43 >Issue 6: 1443 - 1461

DOI: https://doi.org/10.11821/dlyj020230907

中国城市知识合作网络结构及其多维邻近性机制——基于论文合作规模和质量的对比分析

  • 孙澍 , 1, 2 ,
  • 陈刚 3 ,
  • 王光辉 , 4
展开
  • 1.澳门科技大学可持续发展研究所，澳门 999078
  • 2.广东金融学院金融数学与统计学院，广州 510520
  • 3.江西财经大学经济与社会发展研究院，南昌 330013
  • 4.中国科学院地理科学与资源研究所，北京 100101
王光辉（1987-），男，山东烟台人，博士，研究员，主要研究方向为区域经济与区域创新网络。E-mail:

孙澍（1986-），男，辽宁锦州人，博士研究生，助理研究员，主要研究方向为区域经济与区域创新网络。E-mail:

收稿日期: 2023-10-15

  录用日期: 2024-02-07

  网络出版日期: 2024-06-06

基金资助

国家自然科学基金项目(71974182)

国家自然科学基金项目(72374191)

收起

The structure of knowledge cooperation network in China's cities and its multidimensional proximity mechanism: Comparative analysis based on the scale and quality of paper collaboration

  • SUN Shu , 1, 2 ,
  • CHEN Gang 3 ,
  • WANG Guanghui , 4
Expand
  • 1. Institute of Sustainable Development, Macau University of Science and Technology, Macau 999078, China
  • 2. School of Financial Mathematics and Statistics, Guangdong University of Finance, Guangzhou 510520, China
  • 3. Institute of Economic and Social Development, Jiangxi University of Finance and Economics, Nanchang 330013, China
  • 4. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

Received date: 2023-10-15

  Accepted date: 2024-02-07

  Online published: 2024-06-06

Fold

摘要

随着知识经济的发展和创新驱动发展战略的实施，知识合作网络及其多维邻近性机制已经成为政府和学界共同关注的焦点。现有研究大多关注论文合作数量，较少关注论文合作的质量。本文基于“Web of Science”中的论文合作发表数据，从论文合作规模和质量视角，构建2011—2020年中国城市知识合作网络，对其空间网络结构及拓扑演化特征进行分析，采用负二项回归模型探究其多维邻近性机制。研究结果发现：① 网络空间格局上，中国城市知识合作网络具有较为稳定的“东密西疏”的空间格局，合作规模与合作质量网络均呈现出由“轴辐扩散”结构向“菱形”空间结构转变的特征，同步呈现出以北京、上海的双核空间结构向多中心空间结构转变的趋势。城市知识合作质量网络结构发育相对缓慢，空间结构的稳定性相对不足。② 网络拓扑结构上，中国知识合作网络的规模和密度显著增加，网络极化特征明显，网络节点均表现出明显的首位分布特征。③ 网络影响机制上，地理距离对合作规模的影响更为显著，呈现先负后正的关系，对合作质量存在负向影响；社会、制度、组织邻近对合作规模和质量均起到显著的促进作用；组织邻近性对合作质量影响更大，高能级城市间的合作更容易获得较高质量的产出。不同类型城市间的知识合作受多维邻近性因素影响具有差异性。

关键词： 知识合作网络; 论文合作规模; 论文合作质量; 多维邻近性; 中国

本文引用格式

孙澍 , 陈刚 , 王光辉 . 中国城市知识合作网络结构及其多维邻近性机制——基于论文合作规模和质量的对比分析[J]. 地理研究, 2024 , 43(6) : 1443 -1461 . DOI: 10.11821/dlyj020230907

Abstract

With the development of the knowledge economy and the implementation of innovation driven development strategies, knowledge cooperation networks and their multidimensional proximity mechanisms have become a common focus of the government and academia. Most existing research concentrates more on the number of paper collaborations than the quality. Based on the collaborative publication data of papers in “Web of Science”, from the perspective of the scale and quality of paper collaboration, this paper constructs a knowledge cooperation network for Chinese cities from 2011 to 2020, analyzes its spatial and topological structure evolution characteristics, and uses a negative binomial regression model to explore the impact process and reasons of its multidimensional proximity. The research has found that: (1) In terms of network spatial pattern, the knowledge cooperation network of China's cities has a stable spatial pattern of “dense in the east and sparse in the west”. Both the cooperation scale network and cooperation quality network structure show a characteristic of transforming from a “radial diffusion” structure to a “diamond” spatial structure. At the same time, there is a trend of transforming from a dual core spatial structure in Beijing and Shanghai to a multi-center spatial structure. The development of knowledge cooperation quality network structure in China's cities is relatively slow, and the stability of spatial structure is comparatively insufficient. (2) In terms of network topology, the scale and density of China's knowledge cooperation network are significantly increased with obvious the network polarization characteristics. Network nodes all exhibit evident primary distribution characteristics. (3) In terms of network impact mechanism, geographic distance has a more significant impact on the scale of cooperation, showing a negative first and then positive relationship, while its impact on the quality of cooperation is relatively limited; Society, system, and organizational proximity all have a significant promoting effect on the scale and quality of cooperation; Organizational proximity has a greater impact on the quality of cooperation, and cooperation among high-energy cities, and cities of the same level makes it easier to obtain high-quality outputs. The knowledge cooperation among different types of cities is influenced by multidimensional proximity factors, and this influence varies.

Key words： knowledge cooperation network; scale of paper collaboration; quality of paper collaboration; multidimensional proximity; China

1 引言

伴随全球知识经济时代的到来，城市间的知识交流与创新合作日益频繁，创新能力竞争逐步成为全球竞争的制胜之道[1]。然而，城市的快速发展不仅依赖与其他城市的知识联系规模，更依赖知识联系的质量。近年来，西方国家蓄意打压华为等中国科技企业，对中国部分高科技领域产生了连带影响，相关行业的产业链供应链受到遏制，某些关键领域的核心技术被“卡脖子”。这种情境反映的现实问题是，在创新网络构建过程中，关键领域的合作节点遭到蓄意攻击导致结构损坏，并波及到整个技术网络[2]。党的二十大报告提出坚持创新在全国现代化建设全局中的核心地位，要加快实现高水平科技自立自强。因此，从创新规模和创新质量两个视角探究中国城市间的创新网络关系，对扩大和提升中国科技合作内循环规模和质量，实现高水平科技自立自强具有重要意义。
国内外学者从合作的规模视角对城市知识网络的空间格局及影响机制进行了较多的研究。关于城市知识网络空间格局的研究主要围绕以下几方面开展：① 合作网络关系构建方面。现有研究多采用SCI、SSCI论文合作数据、中国知网（CNKI）论文合作数据[3,4]、专利合作或转移数据[5,6]、联合申报科技奖项[7]、创新型企业的多区域分布数据[8]等构建城市知识或科技合作关系，也有学者通过多源组合的方式构建多维城市创新网络[9]。② 合作网络空间格局方面。从城市知识网络的层级结构、节点结构、拓扑结构[10,11]等方面，采用GIS空间分析法和社会网络分析法，分析城市知识网络的整体空间结构、核心-边缘、小世界特征等[12,13]。③ 合作网络的多尺度差异方面。从不同的空间尺度分析城市创新知识网络的差异特征，全球网络一般具有路径依赖特征[14,15]，国家网络一般为无标度网络[16,17]，地区网络多体现为空间邻近特征[3,18,19]，且现有研究较多的揭示了中国的“菱形”城市创新知识网络空间结构特征[20]，为研究中国城市知识网络空间结构提供了参考和借鉴。关于城市知识网络影响机制的研究主要集中在以下几个方面：① 研究对象尺度与视角方面。部分研究从企业个体属性和城市个体属性视角分析城市知识网络影响的内在机制[21,22]，也有研究从邻近性的关系视角分析城市间知识合作网络的内在机制[23,24]，最新相关研究开始关注模型的完整性，以多维邻近性指标为核心解释变量，城市双边属性特征为控制变量[25,26]，更加全面地分析城市知识网络影响的内在机制。② 研究方法方面。现有研究一般采用负二项回归模型[27]、二次指派程序（QAP）[28]、随机面向对象模型（SABM）[29]、指数随机图模型（ERGM）[30]，以此为手段研究城市网络内外生影响的相关机制。
上述关于城市知识网络的研究范式为本文提供了理论基础和技术方法。学者和科研机构以论文合作为主要方式，将外部城市嵌入构建网络，实现区域内创新界限的突破，提升城市间知识的产出和扩散，这对研究城市间的创新关系具有重要的理论意义和实际价值。同时也存在几方面有待提升和深入挖掘：① 网络研究层面。现有研究更多关注于城市知识合作的规模网络，忽视了城市知识合作的质量网络，高质量发展背景下迫切需要开展城市知识合作规模与质量网络的对比研究。② 影响机制层面。现有研究较少采用面板数据分析城市知识合作网络的多维邻近性，更多采用截面数据进行分析，难以全面地反映网络的演化规律。③ 异质性分析层面。现有研究更多关注于整体回归分析的结果，而当前，在国家提出统筹推进国际科技创新中心、区域科技创新中心建设背景下，关注不同类型城市间知识网络影响机制的异质性特征同样重要。基于以上分析，本文爬取2011—2020年全国地级及以上城市间合作发表SCI、SSCI论文及被引数据，采用GIS空间分析方法和复杂网络方法，从合作规模和质量两个视角，分析中国城市知识合作网络的演化特征，并采用负二项回归分析方法，从城市个体层面和多维邻近性层面揭示城市知识合作网络影响因素及其异质性特征，为差异化制定区域创新战略提供决策参考。

2 理论分析与研究框架

2.1 城市知识规模网络和质量网络的关系

由于创新合作对城市经济增长具有明显的驱动作用，各地想方设法嵌入到全球或地方创新网络中。城市创新水平不仅取决于知识合作规模，同时也依赖于知识合作质量[31]，相较于规模，质量更能引领创新知识网络高质量发展，对推动城市建立高质量的科技合作体系，加快实现科技自立自强起到重要作用。梳理已有研究发现，当前对城市知识合作的规模与质量界定较为宽泛，尚未将规模与质量进行明确的区分，多侧重于对合作数量的研究，将城市间论文合作数量作为区域创新网络构建的基础[32,33]，这一网络可以较好地刻画出区域知识流动的规模与方向，但难以刻画城市间创新合作的质量与效率。近年来，专利或论文被引用量被学术界广泛用于表示其质量和影响力，可以作为衡量科研人员的绩效表现[34]。加强区域创新合作，提升高被引论文或专利的产出，是建设创新型城市的重要手段，以此构建的创新知识合作质量网络具有重要意义。
城市知识规模与质量网络有着密切的联系。一方面，城市知识质量网络来源于规模网络，是在城市间形成基础的合作关系后，逐渐演化分离出来的高质量协同关系，可能存在“门槛效应”，网络的形成对创新推动知识技术持续进步与迭代提出了更高的要求，随着规模网络的不断扩大，质量网络也相应得到完善和提升。另一方面，质量网络的发展和演化，有助于坚实合作主干网络和稳定链接关系，在此基础上创新主体获得更多产出，构建多样化的知识“流动管道”，降低知识流动的成本，促进城市间更为高效的合作交流和知识溢出，由此规模网络可能得到快速增长。

2.2 城市知识网络演化的理论机制

本文根据Boschma关于邻近性的分类方法[35]，综合考虑地理、认知、制度、社会与组织5个维度的邻近性，结合中国城市属性特征，定量分析多维邻近性对知识网络结构的影响（图1）。
图1 分析框架构建

Fig. 1 Analysis framework construction

2.2.1 地理邻近性

地理邻近性也称空间邻近性或地域邻近性。目前，学者主要通过城市间中心经纬度距离、城市间高铁距离、城市最短公路距离等衡量地理邻近性[36]。城市间的地理邻近可以影响隐性知识的传输，较小的地理邻近性可以方便技术和研发人员进行流动，加强相互间的学习和交流，促进知识的产出；也有研究表明地理邻近性会导致合作主体间形成“路径依赖”，从而在一定程度上影响主体与其他外围主体间的合作选择，造成合作“壁垒”，阻碍知识的产出、进步和质量提升。

2.2.2 认知邻近性

认知邻近性反映区域内主体受非制度或非政策影响，对事物天然主观认知的相似程度，受到空间因素和自然要素的制约，如文化方言、血缘关系等，具有较强的根植性特征[31]。认知邻近性有助于主体间的互动交流，适度的认知邻近能够促进合作双方对同一事物的理解，提升知识的迁移转化；过度的认知重叠则不利于创新和知识扩散，可能会陷入“认知锁定”或“技术锁定”[4]，影响新思想的萌发。

2.2.3 制度邻近性

制度邻近性指区域内部制度和管理体系的相似程度，是除主观认知要素以外其他的理性部分，其主要受到城市总体规划、发展战略的影响，具体可以通过对创业的扶持程度、不同类型企业的构成、招商引资的力度、市场化程度等来衡量[37]。相近的制度邻近性使合作主体因存在较小的政策差异，资源流通更为顺畅，更为有效的促进创新产出和成果转化。

2.2.4 社会邻近性

社会邻近性可以用合作主体社会活动联系紧密程度来衡量，表现为双方长期以来建立的涉及信任的交互关系，已经熟悉的主体间更容易产生合作[38]。在探索和寻找合作伙伴的初期，会经历一段时期的调整和试错，由于主体间对彼此并不了解，这种合作关系可能只是临时的。在合作发展过程中，主体间不断建立合作伙伴，产生更多交集，合作成果得到进一步检验，内嵌于网络中的信任关系发挥作用[32]，双方的合作关系进一步深化。

2.2.5 组织邻近性

组织可以理解为城市的组织架构，简单可以阐述为国家从宏观层面对城市的定位，以此决定了城市总体的架构和组织形式。组织邻近性是城市社会地位等特征的相似程度，是城市间外部形象相似度的综合体现[39]，因城市的规模、经济、人口有明显差异，国家支持力度不同，在职能、竞争力和辐射力体现出不同的组织特征，如直辖市、副省级城市、计划单列市等相对数量较少，但在网络中具有更高的节点属性和影响力。
以上5个维度的邻近性既相互影响，又彼此互补。其中，地理邻近性是多维邻近性的基础，可以限制主体对事物的认知；认知邻近性受到地理要素的影响，同时也是制度邻近性在人文上的补充；制度邻近性能够提升主体认知，制度和政策的综合叠加最终形成组织关系；组织邻近性直观反映不同等级城市的合作关系，从一定程度上影响社会合作的开展；社会邻近性可以作为地理邻近的重要反馈。综合考虑以上邻近性指标的关系和特征，结合城市的经济、教育和科技要素，构建影响城市知识合作规模、合作质量网络的框架体系。

3 数据来源与网络构建

3.1 数据来源

城市知识合作网络基于论文合作关系构建，通过爬取Web of Science检索系统2011—2020年中国科研教学机构所属学者参与的SCI和SSCI论文，共获取论文数据3134528条( 考虑多维邻近性数据的可获取性，数据不包括作者机构位于香港特别行政区、澳门特别行政区、台湾省的论文。)，其中包括论文名称、作者及单位所在地、论文被核心引用次数等信息。通过对机构所在城市进行编译和筛选，剔除作者所属第一机构为同一城市的情况，共获得数据726418条。借鉴曹湛等的方法[2]，对符合条件的论文进行解析，形成无向的两两组合，最终按地级市归并汇总形成城际知识合作关系。通过数据清洗，共获取有效个体合作关系2001090次，按照年份将城市合作信息汇总后，共获取有效城市合作关系89270对，以此构建论文合作规模网络，用以衡量城市间的知识合作规模。
被引频次是衡量论文质量的重要指标，一般高质量的论文被引频次较高。在知识合作质量网络构建上，本文以城市间高被引论文数量构建网络并进行结构分析，采用处理后的高被引文章在知识合作规模中的占比，分析邻近性要素等对知识合作质量的影响。

3.2 高被引论文识别与网络构建

考虑到论文的被引用数据是动态变化的，通常论文发表的越早，相对被引用的次数就会越多。为了确保数据的均衡性，借鉴之前学者的研究，采用历时法，确定各年度高被引论文的标准[40]，逐年统计各城市间高质量的合作论文。在高被引论文标准的设定上，参考Nature的报道[41]，在SCI和SSCI文章中，论文如果被引用1次，已经排在全球论文的前55.8%，如果被引用在10次以上，则该文章已经排名在前24％。本文以2020年作为基准年份，以被引用10次以上作为该年高被引论文标准，分别计算2011—2019年论文平均被引用量，在此基础上确定该年高被引论文界定阈值（表1）。具体如公式所示：
T H i = A C i A C B M × T H B M
式中：THi为第i年高被引论文界定阈值；ACi为第i年单篇论文平均被引用次数；THBM和ACBM为基准年份对应数据。此后筛选历年城市间高被引论文，按照与知识合作规模网络相同的数据处理方式，计算每年城市间高被引论文的合作篇数，构建知识合作质量网络。
表1 2011—2020年高被引论文界定阈值

Tab. 1 Threshold of highly cited papers from 2011 to 2020

年份 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
论文平均被引用次数 28.69 27.4 26.69 25.94 24.32 21.86 20.13 17.25 12.6 8.49
高被引界定值（取整） 34 32 31 31 29 26 24 20 15 10

3.3 城市间知识合作质量的表征

高被引论文的数量可以更加直观的从网络结构上反映城市间知识合作质量的情况，但在对质量影响因素的研究中，计量分析更注重变量的科学性和合理性，为消除合作规模对高被引论文产出的影响，综合考虑模型对数据的要求，本文选用处理后合作规模下高质量论文产出的均值作为被解释变量，以表征城市间知识合作质量。具体如下：
Q i j , t = 100 × H i j , t Z i j , t
式中：Qij,t表示i和j两城市t年的论文合作质量；Zij,t表示两城市t年论文合作发表次数；Hij,t为两城市t年高被引文章数。

4 研究方法与模型构建

4.1 社会网络分析方法

4.1.1 网络密度

网络密度通过网络中实际交互关系总量与理论上最大连边总量之比衡量，用以表示网络中各节点之间关系的紧密程度[42]。其公式为：
D = 2 M n ( n - 1 )
式中：D表示网络密度，D数值介于0~1之间，该值越接近1，说明网络中城市间的关系越紧密；n表示城市节点数量；M表示网络中实际连边数量。

4.1.2 节点度中心性

节点度中心性用于衡量城市节点在网络中的地位与作用[43]。在网络中，某节点的度越大，则表明该节点的度中心性越高，说明其在整个网络系统中的作用和影响越大。其公式为：
Q ( i ) = ∑ j = 1 n a i j
式中： Q ( i )表示城市节点i的度中心性；aij为城市i和j的联系强度。

4.1.3 平均路径长度

网络中任意两个节点之间距离的平均值就是网络的平均路径长度。网络平均路径越长，说明要经过越多的节点到达任意节点，那么网络的可达性越小；反之，网络平均路径越短，说明要经过较少的节点就能到达任意节点，那么网络的可达性越高[44]。其公式为：
L = 2 n ( n - 1 ) ∑ i > j d i j
式中：L表示网络平均路径长度；dij表示节点i到节点j的最短路径边数。

4.1.4 平均聚类系数

聚类系数用于衡量节点聚集的程度。聚类系数越大，说明网络节点分布越集中；反之聚类系数越小，网络节点分布越分散[43]。其公式为：
C = 1 n ∑ i = 1 n 2 E i k i ( k i - 1 )
式中：C是所有节点聚类系数的平均值；Ei和ki分别为节点i的邻节点内实际和可能最大连边数。

4.2 负二项回归模型

4.2.1 模型构建

本文参照空间互动模型[45]设定方式，将影响双边要素流量的因素归为多维邻近性特征和双边城市属性。由于本文被观测值是离散独立，存在较多0值，且方差远大于均值，为避免各区域间不可观测的异质性无法以适当的方式进行控制而生成有偏的估计结果，根据之前学者研究[23]，将负二项回归模型扩展到基于面板数据的计数模型中，能够较好解决问题，公式为：
Y i j , t = α + ∑ u β u C ( u ) i , t + ∑ v γ v C ( v ) j , t + ∑ w δ w D ( w ) i j , t + ε i j , t
式中，Yij,t为主体间知识合作水平，由t年城市i和城市j共同发表的论文数或经处理后的高被引文章占比数得到；α为常数项；C(u)i,t为t年城市i的第u个特征属性变量，βu为待估计参数；C(v)j,t为t年城市j的第v个特征属性变量，γv为待估计参数；D(w)ij,t表示t年城市i和城市j之间的第w维邻近性，δw为相应的邻近性系数；εij,t为随机扰动项。

4.2.2 变量选取

核心解释变量为5个维度的邻近性。结合理论框架中邻近性的内涵并考虑各类数据的可得性，构建地理、制度、社会、认知、组织5个维度的邻近性。
地理邻近性（GEO）表示城市间的远近程度，用城市间最短公路距离衡量，数据通过爬取百度地图官方API两两城市间的最短距离获得。
制度邻近性（INS）根据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），参考前人研究[46]，用指数衡量城市创新创业平均水平，并利用分项中的企业数量、风险投资、外来投资、专利授权数量、商标注册量等八类数据，计算出城市间创新创业结构相似度，最后将相似系数与创新创业水平均值相乘得到城市间的制度邻近指标：
I N S i j , t = ∑ n = 1 8 I i n t I j n t / ( ∑ n = 1 8 I i n t 2 I j n t 2 ) × I i t I j t / 2
式中：INSij,t为t年i和j两城市制度邻近性指标；Iint为t年i城市第n个分项的指标值；Ijnt为t年j城市第n个分项的指标值；Iit和Ijt分别为t年i城市和j城市的创新创业指数。
社会邻近性（SOC）采用Jaccard相似系数进行计算[47]：
S O C i j , t = 100 N P C i j , t S i , t + S j , t - N P C i j , t
式中：NPCij,t为t年城市i与城市j合作发表的论文数；Si,t和Sj,t是当年城市i和j在各自网络中与所有城市合作发表论文总数。
认知邻近性（COG）采用方言作为测度变量[48]。如果两个城市属于同一方言区，数值设置为1；否则设置为0。方言数据来源于《中国语言地图集》，分类精度采用中类。
组织邻近性（ORG）采用城市等级关系来衡量，按照城市能级进行划分，其中高能级城市包括省会城市、直辖市和计划单列市[37]。测算思路如下：
O R G i j = 2                                     i , j 均 为 高 能 级 城 市 1               i , j 其 中 一 个 为 高 能 级 城 市 0                                                     i , j 无 高 能 级 城 市
城市双边属性。综合考虑到知识的创新既受益于信息和资源的传输和互动，也依靠人才的交流和学习。创新主体包括高校、科研院所等，其活动的开展需要地方政府政策支持和资金投入。因此，本文将经济发展水平（人均GDP水平，perGDP）、教育水平（教育支出，edu）、科技水平（科学技术支出，sci）作为控制变量来衡量城市资源异质性对知识合作网络结构的影响。人均GDP、教育支出、科学技术支出数据来源于2011—2020年的《中国城市统计年鉴》《中国科技统计年鉴》《中国高科技产业统计年鉴》和各省、直辖市、自治区的统计公报和年鉴。

5 中国知识合作网络结构特征

5.1 空间结构演化

2011—2020年中国城市知识合作网络的规模联系和质量联系的空间格局如图2所示。中国城市知识合作规模网络与质量网络的空间格局演化存在一致性：在联系密度上，均呈现出稳定的“东密西疏”空间格局；在联系结构上，呈现出由轴辐扩散结构向菱形空间结构转变的特征；在节点结构上，呈现出以北京、上海双核空间结构向多中心空间结构转变的特征。受论文规模差异的影响，合作质量网络结构发育相对缓慢，空间结构的稳定性相对不足，如2011年，合作质量网络以北京为中心的轴辐结构强度较弱，2020年，菱形空间结构连边强度较弱。
图2 2011年、2015年和2020年中国知识合作网络的空间格局

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2023)2764号）绘制，底图边界无修改。

Fig. 2 Spatial pattern of China's knowledge cooperation network in 2011, 2015, and 2020

如图2a和图2b所示，2011年中国城市知识合作网络呈现出以北京为核心的轴辐扩散空间结构特征。合作规模排名前11位的城市对均与北京有关，其中北京-上海、北京-南京、北京-广州、北京-武汉合作规模均超过1000篇；合作质量排名前7位的城市对均与北京有关，其中北京-上海合作的高质量论文数量超过1200篇，构成中国城际高质量知识流动的主要通道。知识合作呈现出明显的择优连结特征，即高强度的知识合作基本形成于省会城市或副省级城市之间，表现出明显的“蛙跳式”合作关系。
如图2c和图2d所示，2015年中国城市知识合作网络通道明显增多，知识流量明显增加，以北京为核心的轴辐扩散空间结构明显强化，且以北京、上海、广深为顶点的“三角形”格局形成。合作规模方面，合作超过1000篇的城市对有17个，北京依然是重要的核心节点，北京-上海、北京-南京、北京-武汉、北京-广州合作超过2000篇；上海的科技合作地位明显上升，除与北京外，上海-南京、上海-杭州的合作量超过1000篇。合作质量方面，合作超过1000篇的城市对有8个，除上海-南京外，其他联系均与北京有关。
如图2e和图2f所示，2020年中国城市知识合作网络密度明显提升，呈现出明显的“菱形”空间结构。合作规模方面，合作超过1000篇的城市对达64个，合作质量方面，合作超过1000篇的城市对达39个，除北京主导的联系外，上海、南京、广州、深圳、杭州、哈尔滨、武汉等城市的主导作用明显增强。京津冀、长三角、长江中游、成渝、珠三角五大城市群之间及其内部的知识合作在明显增加，“菱形”空间结构发育成熟。
如图2所示，2011—2020年中国知识合作网络的城市节点数量明显增加，整体上呈现出以北京、上海为核心的双核空间结构向多中心结构转变的特征。北京一直是中国城市知识合作创新的绝对中心，而省会和副省级城市演化为区域性创新中心，且区域性创新中心数量在逐渐增多，这些区域性中心城市一方面与北京或区外的区域性中心城市进行远程合作创新，另一方面与所在城市群的中心城市进行邻近溢出与知识扩散，形成“本地嗡鸣”与“全球管道”的交织结构[32]。

5.2 拓扑结构演化

随着知识合作网络的规模和强度的提升，网络拓扑结构也发生了变化。表2从合作规模和合作质量两个视角报告了2011—2020年中国知识合作网络的拓扑属性。
表2 2011年、2015年和2020年中国知识合作网络的拓扑属性

Tab. 2 Topological properties of China's knowledge cooperation network in 2011, 2015, and 2020

类型 年份 节点 边 平均度 密度 平均路径长度 平均聚类系数
合作规模 2011 286 5430 18 0.067 2.19 0.36
2015 303 7886 26 0.086 2.09 0.38
2020 305 14726 48 0.159 1.89 0.38
合作质量 2011 274 3368 12 0.045 2.36 0.36
2015 295 5814 19 0.067 2.18 0.37
2020 305 10993 36 0.119 1.97 0.38

5.2.1 网络规模明显增长

论文合作规模方面，2011年有286个城市合作参与SCI、SSCI的发表，每个城市的平均合作城市有18个，整个网络中的合作城市对有5430个；2020年合作城市数量增长到305个，每个城市有48个合作伙伴，城市合作关系随之增长到14726个。网络密度从2011年的0.067增长到2020年的0.159，增长趋势十分显著。论文合作质量方面，网络规模要小于论文合作规模网络。2011年有274个城市参与SCI、SSCI论文的合作发表，每个城市的平均合作城市有12个，整个网络中的合作城市对有3 368个；2020年网络节点城市数量与规模网络一致，达到了305个城市，每个城市的平均合作城市有36个，网络连边数达到了10993个。整体网络密度由2011年的0.045增长到0.119，同样表现出明显的增长趋势。

5.2.2 网络路径还需优化

将中国知识合作网络的平均路径长度与同规模下的随机网络对比发现：从合作规模视角看，2011年、2015年、2020年实际平均路径长度分别为2.19、2.09、1.89，网络最短路径在稳步下降，但均大于相同规模随机网络的1.95、1.75、1.48，说明最短路径不够优化，在随机网络之上，而未达到小世界网络特征；从合作质量视角看，2011—2020年，网络最短路径介于1.97~2.36，仍大于相同规模随机网络的1.59~2.26，在随机网络之上，而未达到小世界网络特征，说明城市间三元组合作模式存在不足。从集聚系数来看，无论合作规模还是合作质量网络，平均聚类系数均呈现出增长的态势，说明网络呈现集聚发展的趋势。

5.2.3 网络节点分布呈现出明显的首位分布特征

对各地加权度中心性及其位序取对数，并进行线性拟合。如图3所示，2011年、2015年、2020年，各城市知识合作规模的网络中心性线性拟合优度（R2）分别达到了0.95、0.93、0.90，各城市知识合作质量的网络中心性线性拟合优度（R2）分别达到了0.95、0.95、0.91，具有较好的线性拟合关系。根据位序-规模法则，城市知识合作规模和质量q值均大于1，说明各城市节点的合作等级呈现明显的首位分布特征，北京、上海、广州、深圳、南京、武汉、成都等城市控制着城市知识网络。
图3 2011年、2015年和2020年中国知识网络节点度中心性位序-规模分布的双对数拟合

Fig. 3 Double logarithmic fitting of the rank-size distribution of node degree centrality of China's knowledge network in 2011, 2015, and 2020

6 中国知识合作网络的影响机制

6.1 基础回归分析

表3中的模型1报告了中国城市知识合作网络规模影响因素的回归结果，模型2加入了邻近性的二次项进行估计。如模型2所示，地理邻近性与知识合作规模呈负相关，且二次项显著为正，存在典型的“U”型关系，说明随着地理距离的增加，城市知识合作规模随之减小，但距离达到某一临界值后，对合作规模的负向效应转为正向效应。通过计算“U”形曲线的拐点，可得临界值为132，将此数据代入到原始数据中，得到对应的原始临界值为约为500 km，此距离接近“两小时高铁圈”，产生的原因可能是因为较多开展合作的城市集中在同一城市群内，合作关系紧密，因此更依赖地理距离要素，而当距离超过500 km后，城市的合作更趋向与省会等高能级城市开展，从而导致规模先减小后增大。
表3 知识合作规模和质量负二项回归模型估计结果

Tab. 3 Estimation results of negative binomial regression model for knowledge cooperation scale and quality

变量属性 变量名称 模型1 模型2 模型3 模型4
地理邻近性 GEO -0.00667*** -0.188*** -0.0216*** -0.0945***
(-7.16) (-10.32) (-23.80) (-5.47)
社会邻近性 SOC 0.0362*** 0.202*** 0.0636*** 0.149***
(95.29) (123.62) (66.43) (64.10)
制度邻近性 INS 0.0309*** 0.156*** 0.0684*** 0.114***
(10.27) (24.24) (18.49) (13.89)
认知邻近性 COG 0.302*** 0.187*** 0.112*** 0.0591***
(13.92) (8.93) (5.68) (2.94)
组织邻近性 ORG 0.0522*** 0.0720*** 0.801*** 0.804***
(4.94) (6.59) (67.01) (67.53)
经济水平 perGDP1 0.340*** 0.279*** 0.0994*** 0.0919***
(33.74) (31.40) (7.58) (7.11)
perGDP2 0.322*** 0.355*** 0.0638*** 0.0596***
(33.18) (40.94) (5.03) (4.76)
教育支持 edu1 0.558*** 0.530*** 0.151*** 0.153***
(60.19) (66.56) (14.35) (14.73)
edu2 0.637*** 0.604*** 0.155*** 0.154***
(71.14) (75.46) (14.96) (14.96)
科技支持 sci1 0.0808*** 0.0976*** 0.0317*** 0.0291***
(16.03) (22.75) (4.72) (4.42)
sci2 0.0425*** 0.0414*** 0.0554*** 0.0512***
(8.80) (9.89) (8.71) (8.16)
地理邻近性二次项 GEO2 0.000713*** 0.000289***
(10.56) (4.51)
社会邻近性二次项 SOC2 -0.00410*** -0.00279***
(-65.65) (-30.43)
制度邻近性二次项 INS2 0.0236*** 0.0106***
(21.75) (7.76)
常数项 _cons -22.49*** -10.01*** -4.623*** 0.0549
(-122.43) (-8.08) (-20.92) (0.05)
N 80485 80485 73558 73558

注：***表示1%的显著性水平，( )内为T统计量。

制度邻近性、认知邻近性对知识合作规模呈显著正相关，说明制度和认知邻近对区域的合作规模具有促进作用，相同制度背景、相同习俗文化的城市更容易产生合作。组织邻近性对合作规模具有显著正向影响，可能是由于高能级城市拥有更丰富的科研资源、更完备的人才队伍和更全面的信息获取渠道，利于合作产出。社会邻近性一次项显著为正，说明随着城市间合作交集的不断增加，彼此逐步建立成熟和信任的合作模式，从而降低交流成本，提升合作效率，二次项显著为负，呈倒“U”型关系，表明随着合作的不断深入，这种模式可能会出现边际递减的趋势甚至阻碍合作，适当的社会邻近性有利于形成本地嗡鸣产生集聚外部性，而过度的邻近则会缩小城市的合作范围，引发信息过载、强制信任和被动交互。
控制变量方面，城市的经济水平和教育水平显著影响知识合作规模，经济发展水平越高、教育投入越大，知识合作产出越多，城市的科技投入虽然也显著影响合作规模，但与前两者相比效果略低。
表3中的模型3报告了城市间知识合作质量影响因素回归结果，模型4加入了邻近性的二次项进行估计。如模型4所示，地理邻近性一次项系数较小，呈负相关，二次项为正向显著，呈现“U”型关系，但通过计算发现，自变量的取值范围均在拐点左侧，表明虽然地理邻近与合作质量存在“U”型趋势，但目前自变量的发展程度未达到拐点值，因此仍表现为负向效应，说明在文本数据范围内知识合作质量受距离因素影响，距离相近的城市更容易获得高质量产出，但与其他邻近性因素相比效果有限。社会邻近性一次项为正，二次项为负，存在倒“U”型关系，说明城市知识合作质量同样受到关系要素的影响，经常合作与交流的城市形成密切的联系和科研默契，更易合作开展，提升知识合作质量，而这种影响在一定程度后会产生衰减。制度邻近性、认知邻近性对合作质量有促进作用，但认知邻近性作用较小。组织邻近性对合作质量具有极为显著的影响，高能级城市间在不断扩大合作规模的基础上，凭借长期稳定的合作关系和优势资源共享，更易获得高质量的产出。
控制变量方面，城市知识合作质量受双边城市经济发展水平、教育投入和科技投入影响，呈显著正相关，其中教育投入影响最大，说明基于已有知识合作规模，通过优化教育资源建设是提升知识合作质量行之有效的方式。
对比城市知识规模网络和质量网络的影响因素差异发现：① 城市知识合作规模主要受到经济发展水平、科技投入的影响，知识合作质量主要受到教育投入的影响，对经济、科技投入依赖程度较小。② 地理距离对合作规模的影响呈现先负后正的特征，具有明显的“拐点效应”，对合作质量呈负向效应，但与其他邻近性因素相比效果有限。③ 社会、制度、组织邻近性对合作规模和质量均起到显著的促进作用，且制度邻近性均对合作规模与合作质量具有长期正向促进作用。④ 与其他邻近性因素相比，组织邻近性对合作质量影响更大，高行政等级城市与相同级别城市合作，更容易获得较高质量的产出。

6.2 异质性分析

表4从不同能级城市间合作的角度，对影响城市知识合作规模的因素开展异质性分析。不同能级间城市合作规模均受到经济水平、教育投入的正向影响，但科技投入对低能级城市间的合作规模影响不显著。地理距离对低能级-低能级，低能级-高能级城市间的合作规模呈负向显著，说明地理距离仍是影响合作规模的主要因素，但对高能级-高能级城市间合作规模影响为正向显著，说明城市规模一旦形成，就会打破地理距离的界限，出现“强强联合”的情况，如北京-上海、北京-南京、北京-广州、北京-武汉均为有较多合作的案例。社会、制度、认知邻近性对不同能级城市的知识合作规模均为正向显著影响，与总体数据的结论一致。
表4 知识合作规模异质性分析

Tab. 4 Heterogeneity analysis of knowledge cooperation scale

变量属性 变量名称 低能级-低能级 低能级-高能级 高能级-高能级
地理邻近性 GEO -0.00413*** -0.0122*** 0.00964***
(-3.59) (-8.68) (2.91)
社会邻近性 SOC 0.113*** 0.0307*** 0.0369***
(79.90) (61.71) (34.21)
制度邻近性 INS 0.0504*** 0.0397*** 0.111***
(8.46) (10.38) (4.55)
认知邻近性 COG 0.203*** 0.314*** 0.251***
(8.19) (9.03) (3.03)
经济水平 perGDP1 0.320*** 0.332*** 0.413***
(19.31) (22.20) (16.36)
perGDP2 0.345*** 0.266*** 0.421***
(20.94) (18.59) (16.83)
教育支持 edu1 0.436*** 0.573*** 0.493***
(28.29) (42.34) (21.56)
edu2 0.515*** 0.675*** 0.552***
(32.74) (52.10) (25.78)
科技支持 sci1 0.00200 0.0839*** 0.144***
(0.24) (11.21) (12.22)
sci2 0.0000977 0.0504*** 0.0788***
(0.01) (7.35) (6.90)
常数项 _cons -17.05*** -21.87*** -26.20***
(-55.11) (-74.50) (-46.74)
N 30066 44550 5869

注：***表示1%的显著性水平，( )内为T统计量。此处将城市能级作为分组依据进行异质性分析，因此组织邻近性指标不再纳入回归模型。

表5从不同能级城市间合作的角度，对影响城市知识合作质量的因素开展异质性分析。如表5所示，低能级城市间合作质量未受到科技投入的显著影响，高能级城市间的合作质量主要受教育投入的影响，对双边城市经济水平的影响不显著。从邻近性来看，认知邻近性对高能级城市间合作质量影响呈负向显著，说明高能级城市间的合作已经打破了根植的地缘和人文关系，以更开放和包容的方式，多源的接受合作伙伴，产生高质量的知识合作。除此之外，地理、社会、制度邻近性对不同能级城市间知识合作质量的影响与前文整体数据结论基本一致。
表5 知识合作质量异质性分析

Tab. 5 Heterogeneity analysis of knowledge cooperation quality

变量属性 变量名称 低能级-低能级 低能级-高能级 高能级-高能级
地理邻近性 GEO -0.00663*** -0.0300*** -0.0889***
(-4.77) (-24.04) (-15.06)
社会邻近性 SOC 0.0492*** 0.0832*** 0.0323***
(26.64) (46.14) (17.70)
制度邻近性 INS 0.0343*** 0.0266*** 0.120***
(4.24) (6.10) (6.15)
认知邻近性 COG 0.0706** 0.216*** -0.616***
(2.47) (7.70) (-4.48)
经济水平 perGDP1 0.126*** 0.123*** -0.0493
(5.56) (6.91) (-1.55)
perGDP2 0.159*** 0.0678*** -0.146
(7.00) (4.04) (-4.77)
教育支持 edu1 0.202*** 0.151*** 0.0839***
(9.94) (10.88) (3.41)
edu2 0.166*** 0.198*** 0.234***
(8.08) (14.50) (9.64)
科技支持 sci1 -0.0185 0.0756*** 0.0134
(-1.56) (8.29) (1.04)
sci2 0.0150 0.0729*** 0.0235*
(1.27) (8.67) (1.89)
常数项 _cons -7.662*** -4.468*** 12.36***
(-18.80) (-13.93) (13.49)
N 24526 43163 5869

注：*、**、***分别表示10%、5%、1%的显著性水平，( )内为T统计量。此处将城市能级作为分组依据进行异质性分析，因此组织邻近性指标不再纳入回归模型。

7 结论与讨论

本文以中国地级市为研究对象，基于2011—2020年合作发表SCI、SSCI论文数据，从合作规模和合作质量两个视角，构建了中国城市知识合作网络，采用复杂网络和负二项回归等方法，系统分析了中国城市知识合作网络的空间结构、拓扑结构及影响机制，主要研究结论和相关讨论如下：
（1）从网络结构来看，2011—2020年中国城市知识合作规模网络和质量网络均呈现出稳定的“东密西疏”空间格局、由轴辐扩散结构向菱形空间结构转变、以北京、上海双核空间结构向多中心空间结构转变等特征。受论文规模差异的影响，合作质量网络结构发育相对缓慢，空间结构稳定性相对不足。以中心城市和主要城市群为核心，形成典型的“管道-嗡鸣”格局特征。整体规模显著增长，由稀疏网络趋向于稠密复杂网络，网络整体上具备较好的通达性，但仍有提升空间。网络极化特征明显，网络节点分布表现出明显的首位分布特征。
（2）从影响因素来看，城市知识规模网络主要受到经济发展水平、科技投入的影响，合作质量网络主要受到教育投入的影响，经济水平、科技投入作用较小，说明教育要素的投入对知识高质量产出作用愈发凸显。地理距离对合作规模的影响先负后正，具有明显的“拐点效应”，对合作质量呈负向影响。社会、制度、组织邻近性均对合作规模和质量起到显著的促进作用，且制度邻近性的影响具有长期的正向效应。组织邻近性对合作质量影响更为明显，高行政等级城市间的合作更容易获得高质量的产出。不同类型城市间的知识合作所受到的影响因素存在一定的差异。
（3）从政策含义来看，一是应持续加大对知识规模网络的培育力度，要加快建设城际间的交通基础设施建设，降低因地理距离而产生的知识交流成本，打破城市间的行政藩篱，缩小城市间的制度距离，促进技术人才、创新要素在各城市间的交流，实现技术市场一体化和创新平台的协同。二是要注重对创新知识质量网络的提升，核心城市要聚焦重点领域和关键核心技术上，开展跨城联合攻关，中小城市要聚焦重点产业发展需求，开展科技合作，形成不同层级的科技自立自强体系。三是从整体上优化网络格局，在进一步提高城市间创新合作强度的基础上，发挥北京、上海创新龙头引领作用，加大对广州、深圳、西安、成都等省会城市创新水平的培育，拓展主要城市的知识合作，加快建设具有全国影响力的科技创新中心。
本文从合作规模与合作质量两个视角对中国城际知识网络的结构与多维邻近性机制进行分析，深化了城市知识合作网络的实证研究，但也存在一定的不足，如未考虑内生结构效应（偏好依附、互惠链接、网络闭合等）在城市网络结构演化中发挥的重要作用。后续还可以从3个方面开展深化：① 基于合作规模与合作质量视角，开展不同类型创新网络格局的演化研究，分析规模网络与质量网络的差异性；② 深化对不同城市群知识合作网络空间结构与影响机制的异质性探讨分析，为差异化制定区域创新战略提供更为直接的参考；③ 综合利用QAP、ERGM等模型，对不同研究方法下的结果进行对比，进一步探索知识合作网络的影响因素。

真诚感谢匿名评审专家在论文评审中所付出的时间和精力，专家对本文研究方法优化、理论框架完善、结果解读深入和政策建议合理方面给予了重要修改意见，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]
黄晓东, 马海涛, 苗长虹. 基于创新企业的中国城市网络联系特征. 地理学报, 2021, 76(4): 835-852.

DOI

[Huang Xiaodong, Ma Haitao, Miao Changhong. Connectivity characteristics for city networks in China based on innovative enterprises. Acta Geographica Sinica, 2021, 76(4): 835-852.] DOI: 10.11821/dlxb202104005.

[2]
曹湛, 戴靓, 吴祖泉, 等. 城市技术网络的概念框架与实证研究. 地理研究, 2023, 42(9): 2302-2323.

[Cao Zhan, Dai Liang, Wu Zuquan, et al. The conceptual framework and empirical investigation of the interurban technology networks. Geographical Research, 2023, 42(9): 2302-2323.] DOI: 10.11821/dlyj020220953.

[3]
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. 资源科学, 2022, 44(7): 1494-1505.

DOI

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

[4]
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.

DOI

[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.

[5]
张凯煌, 千庆兰, 陈清怡. 多尺度视角下中国新能源汽车产业创新空间格局及网络特征. 地理科学进展, 2021, 40(11): 1824-1838.

DOI

[Zhang Kaihuang, Qian Qinglan, Chen Qingyi. Multilevel spatial patterns and network characteristics of China's new energy vehicle industrial technological innovation. Progress in Geography, 2021, 40(11): 1824-1838.] DOI: 10.18306/dlkxjz.2021.11.003.

[6]
刘承良, 管明明. 基于专利转移网络视角的长三角城市群城际技术流动的时空演化. 地理研究, 2018, 37(5): 981-994.

[Liu Chengliang, Guan Mingming. Spatio-temporal evolution of interurban technological flow network in the Yangtze River Delta Urban Agglomeration: From the perspective of patent transaction network. Geographical Research, 2018, 37(5): 981-994.] DOI: 10.11821/dlyj201805010.

[7]
唐福涛, 张冰, 王瑞文. 京津冀机构协同合作网络研究: 以三地科技进步奖获奖项目为例. 地域研究与开发, 2022, 41(3): 12-17, 37.

[Tang Futao, Zhang Bing, Wang Ruiwen. Research on Beijing-Tianjin-Hebei institution collaboration network: Based on three places science and technology progress award winning projects. Areal Research and Development, 2022, 41(3): 12-17, 37.] DOI: 10.3969/j.issn.1003-2363.2022.03.003.

[8]
白如山, 胡森林, 庄良, 等. 基于细分行业的安徽省创新型企业集聚研究. 世界地理研究, 2020, 29(6): 1190-1201.

DOI

[Bai Rushan, Hu Senlin, Zhuang Liang, et al. Spatial patterns and influencing factors of innovative enterprises in Anhui province based on subdivision industry. World Regional Studies, 2020, 29(6): 1190-1201.] DOI: 10.3969/j.issn.1004-9479.2020.06.2019327.

[9]
吴家权, 谢涤湘, 李超骕, 等. 知识创新与技术创新网络空间结构的演化特征: 基于“流空间”视角的粤港澳大湾区案例研究. 城市问题, 2021, (4): 12-21.

[Wu Jiaquan, Xie Dixiang, Lichaosu, et al. Evolution characteristics of knowledge innovation and technology innovation network spatial structure: A case study of Guangdong-Hong Kong-Macao Greater Bay Area from the perspective of “flow space”. Urban Problems, 2021, (4): 12-21.] DOI: 10.13239/j.bjsshkxy.cswt.210402.

[10]
魏石梅, 潘竟虎. 中国地级及以上城市网络结构韧性测度. 地理学报, 2021, 76(6): 1394-1407.

DOI

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

[11]
Li Y C, Phelps N. Megalopolis unbound: Knowledge collaboration and functional polycentricity within and beyond the Yangtze River Delta Region in China. Urban Studies, 2018, 55(2): 443-460. DOI: 10.1177/0042098016656971.

[12]
鲜果, 曾刚, 曹贤忠. 中国城市间创新网络结构及其邻近性机理. 世界地理研究, 2018, 27(5): 136-146.

[Xian Guo, Zeng Gang, Cao Xianzhong. Structural feature and proximity mechanism of Chinese intercity innovation network. World Regional Studies, 2018, 27(5): 136-146.] DOI: 10.3969/j.issn.1004-9479.2018.05.014.

[13]
刘承良, 牛彩澄. 东北三省城际技术转移网络的空间演化及影响因素. 地理学报, 2019, 74(10): 2092-2107.

DOI

[Liu Chengliang, Niu Caicheng. Spatial evolution and factors of interurban technology transfer network in Northeast China from national to local perspectives. Acta Geographica Sinica, 2019, 74(10): 2092-2107.] DOI: 10.11821/dlxb201910010.

[14]
Heimeriks G, Boschma R. The path- and place-dependent nature of scientific knowledge production in biotech 1986-2008. Journal of Economic Geography, 2014, 14(2): 339-364. DOI: 10.1093/jeg/lbs052.

[15]
Pan F H, Bi W K, Lenzer J, et al. Mapping urban networks through inter-firm service relationships: The case of China. Urban Studies, 2017, 54(16): 3639-3654. DOI: 10.1177/0042098016685511.

[16]
曹湛, 戴靓, 杨宇, 等. 基于“蜂鸣-管道”模型的中国城市知识合作模式及其对知识产出的影响. 地理学报, 2022, 77(4): 960-975.

DOI

[Cao Zhan, Dai Liang, Yang Yu, et al. Knowledge collaboration patterns of Chinese cities and their impacts on knowledge output: An empirical study based the“buzz-and-pipelines”mode. Acta Geographica Sinica, 2022, 77(4): 960-975.] DOI: 10.11821/dlxb2 02204013.

DOI

[17]
Ma H T, Fang C L, 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.

[18]
刘权毅, 詹庆明, 刘稳, 等. 基于铁路客流的湖北省城市网络关联与空间组织结构特征. 地球信息科学学报, 2020, 22(5): 1008-1022.

DOI

[Liu Quanyi, Zhan Qingming, Liu Wen, et al. Research on the characteristics of urban network assocoation and spatial organization structure based on railway passenger flow in Hubei Province. Journal of GeoInformation Science, 2020, 22(5): 1008-1022.] DOI: 10.12082/dqxxkx.2020.190539.

[19]
席强敏, 李国平, 孙瑜康, 等. 京津冀科技合作网络的演变特征及影响因素. 地理学报, 2022, 77(6): 1359-1373.

DOI

[Xi Qiangmin, Li Guoping, Sun Yukang, et al. Evolutionary characteristics of science and technology cooperation network of Beijing-Tianjin-Hebei region and its influencing factors. Acta Geographica Sinica, 2022, 77(6): 1359-1373.] DOI: 10.11821/dlxb202206005.

[20]
段德忠, 金红. 中国城市绿色技术扩散的时空过程与形成机制. 地理学报, 2023, 78(8): 2001-2018.

DOI

[Duan Dezhong, Jin Hong. Spatiotemporal process and driving factors of green technology diffusion in Chinese cities. Acta Geographica Sinica, 2023, 78(8): 2001-2018.] DOI: 10.11821/dlxb202308010.

[21]
周晓艳, 侯美玲, 李霄雯. 独角兽企业内部联系视角下中国城市创新网络空间结构研究. 地理科学进展, 2020, 39(10): 1667-1676.

DOI

[Zhou Xiaoyan, Hou Meiling, Li Xiaowen. Spatial structure of urban innovation network based on the Chinese unicorn company network. Progress in Geography, 2020, 39(10): 1667-1676.] DOI: 10.18306/dlkxjz.2020.10.006.

[22]
柳坤, 刘毅. 创新型城市内部技术转移网络空间特征与影响因素: 以广州市为例. 地理研究, 2023, 42(9): 2324-2342.

[Liu Kun, Liu Yi. Spatial characteristics and influencing factors of technology transfer network within the innovative city: A case study of Guangzhou, China. Geographical Research, 2023, 42(9): 2324-2342.] DOI: 10.11821/dlyj020221157.

[23]
杜亚楠, 王庆喜, 王忠燕. 多维邻近下中国三大城市群创新网络演化特征及机制研究. 地理科学, 2023, 43(2): 197-207.

DOI

[Du Yanan, Wang Qingxi, Wang Zhongyan. Characteristics and mechanism of innovation networks in three major urban agglomerations of China from the perspective of multidimensional proximities. Scientia Geographica Sinica, 2023, 43(2): 197-207.] DOI: 10.13249/j.cnki.sgs.2023.02.002.

[24]
周锐波, 邱奕锋, 胡耀宗. 中国城市创新网络演化特征及多维邻近性机制. 经济地理, 2021, 41(5): 1-10.

[Zhou Ruibo, Qiu Yifeng, Hu Yaozong. Characteristics, evolution and mechanism of inter-city innovation network in China: From a perspective of multi-dimensional proximity. Economic Geography, 2021, 41(5): 1-10.] DOI: 10.15957/j.cnki.jjdl.2021.05.001.

[25]
李迎成, 杨钰华, 马海涛. 邻近视角下长三角城市多尺度创新网络形成的微观机制. 地理学报, 2023, 78(8): 2074-2091.

DOI

[Li Yingcheng, Yang Yuhua, Ma Haitao. The micro-mechanisms of the formation of multi-scale urban innovation networks in the Yangtze River Delta megalopolis from the perspective of proximity. Acta Geographica Sinica, 2023, 78(8): 2074-2091.] DOI: 10.11821/dlxb202308014.

[26]
Wu J W. Firm heterogeneities, multi-dimensional proximities, and systematic dynamics of M&A partnering: Evidences from transitional China. Systems, 2022, 10(2): 32-32. DOI: 10.3390/systems10020032.

[27]
Yao L, Li J, Li J. Urban innovation and intercity patent collaboration: A network analysis of China's na-tional innovation system. Technological Forecasting and Social Change, 2020, 160: 1-16. DOI: 10.1016/j.techfore.2020.120185.

[28]
苏屹, 郭家兴, 王文静. 多维邻近性下新能源合作创新网络演化研究. 科研管理, 2021, 42(8): 67-74.

[Su Yi, Guo Jiaxing, Wang Wenjing. A research on the evolution of cooperative innovation network of new energy industry based on multidimensional proximities. Science Research Management, 2021, 42(8): 67-74.] DOI: 10.19571/j.cnki.1000-2995.2021.08.008.

[29]
覃柳婷, 滕堂伟, 张翌, 等. 中国高校知识合作网络演化特征与影响因素研究. 科技进步与对策, 2020, 37(22): 125-133.

[Qin Liuting, Teng Tangwei, Zhang Yi, et al. Evolution's characteristics and influence factors of China's universities knowledge collaboration network. Science & Technology Progress and Policy, 2020, 37(22): 125-133.] DOI: 10.6049/kjjbydc.Q201908971.

[30]
韩刚, 史修松, 刘志敏. 基于ERGM模型的江苏省城市网络紧凑性形成机理研究. 地理科学进展, 2021, 40(12): 2025-2034.

DOI

[Han Gang, Shi Xiusong, Liu Zhimin. Formation mechanism of network compactness in Jiangsu Province based on exponential random graph models. Progress in Geography, 2021, 40(12): 2025-2034.] DOI: 10.18306/j.issn.1007-6301.2021.12.dlkxjz202112004.

[31]
Polyakov M, Polyakov S, Iftekhar M S. Does academic collaboration equally benefit impact of research across topics? The case of agricultural, resource, environmental and ecological economics. Scientometrics, 2017, 113(3): 1385-1405. DOI: 10.1007/s11192-017-2523-7.

[32]
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. 地理学报, 2023, 78(2): 334-350.

DOI

[Dai Liang, Cao Zhan, Ma Haitao, et al. The influencing mechanisms of evolving structures of China's intercity knowledge collaboration networks. Acta Geographica Sinica, 2023, 78(2): 334-350.] DOI: 10.11821/dlxb202302005.

[33]
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.

DOI

[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.

[34]
Hamermesh D S. Citations in economics: Measurement, uses, and impacts. Journal of Economic Literature, 2018, 56(1): 115-156. DOI: 10.1257/JEL.20161326.

[35]
Boschma R. Proximity and innovation: A critical assessment. Regional Studies, 2005, 39(1): 61-74. DOI: 10.1080/0034340052000320887.

[36]
谢其军, 宋伟. 地理邻近性影响合作网络及区域创新绩效的机理研究. 管理学报, 2020, 17(7): 1016-1023.

[Xie Qijun, Song Wei. Research on the mechanism of geographical proximity affecting Inter-Regional collaboration networks and regional innovation performance. Chinese Journal of Management, 2020, 17(7): 1016-1023.] DOI: 10.3969/j.issn.1672-884x.2020.07.008.

[37]
丁子军, 王瑞霖, 戴靓, 等. 长三角城市技术创新网络的时空演化与影响机制. 资源开发与市场, 2023, 39(5): 573-579.

[Ding Zijun, Wang Ruilin, Dai Liang, et al. Spatio-temporal evolution and influential mechanism of intercity technological innovation networks in the Yangtze River Delta. Resource Development & Market, 2023, 39(5): 573-579.] DOI: 10.3969/j.issn.1005-8141.2023.05.008.

[38]
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. 地理研究, 2022, 41(9): 2499-2515.

DOI

[Dai Liang, Liu Chengliang, Wang Song, et al. Proximity and self-organizing mechanisms underlying scientific collaboration of cities in the Yangtze River Delta. Geographical Research, 2022, 41(9): 2499-2515.] DOI: 10.11821/dlyj020211014.

[39]
曾德明, 任浩, 戴海闻, 等. 组织邻近和组织背景对组织合作创新地理距离的影响. 管理科学, 2014, (4): 12-22.

[Zeng Deming, Ren Hao, Dai Haiwen, et al. Impacts of organizational proximity and organizational context on the geographical distance of organizational cooperative innovation. Journal of Management Science, 2014, (4): 12-22.] DOI: 10.3969/j.issn.1672-0334.2014.04.002.

[40]
刘雪立. 基于Web of Science和ESI数据库高被引论文的界定方法. 中国科技期刊研究, 2012, 23(6): 975-978.

[Liu Lixue. A method for defining highly cited papers based on Web of Science and ESI database. Chinese Journal of Scientific and Technica, 2012, 23(6): 975-978.] DOI: 10.3969/j.issn.1001-7143.2012.06.015.

[41]
Van Noorden R, Maher B, Nuzzo R. The top 100 papers. Nature News, 2014, 514(7524): 550. DOI: 10.1038/514550a.

[42]
陈刚, 王光辉, 郑满茵. 上市公司与客户联系视角下的中国城际网络结构时空演化研究. 地球信息科学学报, 2023, 25(1): 223-238.

DOI

[Chen Gang, Wang Guanghui, Zheng Manyin. Research on the spatiotemporal evolution of China's intercity network structure from the perspective of the relationship between listed companies and customers. Geo-Information Science, 2023, 25(1): 223-238.] DOI: 10.12082/dqxxkx.2023.220676.

[43]
王琳琳, 王光辉, 陈刚. 基于三螺旋理论的中国城市间产学研创新合作网络结构特征分析. 科技管理研究, 2023, 43(12): 101-110.

[Wang Linlin, Wang Guanghui, Chengang. Structural characteristics analysis of the Industry-University-Research innovation cooperation network among Chinese cities based on triple helix theory. Science and Technology Management Research, 2023, 43(12): 101-110.] DOI: 10.3969/j.issn.1000-7695.2023.12.012.

[44]
曾冰, 邱志萍. 省际交界区经济网络空间结构研究: 以湘鄂赣的灯光数据为实证. 财经科学, 2018, (11): 110-121.

[Zeng Bing, Qiu Zhiping. Study on the spatial Sstructure of economic network in inter-provincial boundary area: Based on nighttime light data of Hunan-Hubei-Jiangxi. Finance & Economics, 2018, (11): 110-121.] DOI: CNKI:SUN:CJKX.0.2018-11-012.

[45]
Scherngell T, Barber M. Spatial interaction modelling of crossregion R&D collaborations: Empirical evide-nce from the 5th EU framework programme. Papers in Regional Science, 2009, 88(3): 531-546. DOI: 10.1111/j.1435-5957.2008.00215.x.

[46]
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. 地理科学, 2021, 41(8): 1380-1388.

DOI

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

[47]
Scherngell T, Hu Y. Collaborative knowledge production in China: Regional evidence from a Gravity Model approach. Regional Studies, 2011, 45(6): 755-772. DOI: 10.1080/00343401003713373.

[48]
Zhang W Y, Derudder B, Wang J H, et al. An analysis of the determinants of the multiplex urban networks in the Yangtze River Delta. Tijdschrift voor Economische en Sociale Geografie, 2020, 111(2): 117-133. DOI: 10.1111/tesg.12361.

Options
文章导航

/

〈 〉