EN中文

GEOGRAPHICAL RESEARCH >

2015 , Vol. 34 >Issue 3: 525 - 540

DOI: https://doi.org/10.11821/dlyj201503011

Orginal Article

Spatial and temporal complexity of scientific knowledge network and technological knowledge network on China's urban scale

  • LI Dandan , 1, 4 ,
  • WANG Tao , 2 ,
  • Yehua Dennis WEI 3 ,
  • YUAN Feng 1
Expand
  • 1. Nanjing Institute of Geography & Limnology, CAS, Nanjing 210008, China
  • 2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, School of Geography Science, Nanjing Normal University, Nanjing 210023, China
  • 3. Department of Geography and IPIA, University of Utah, Salt Lake City, Utah 841129155, USA
  • 4. University of Chinese Academy of Sciences, Beijing 100049, China

Received date: 2014-07-30

  Request revised date: 2014-11-20

  Online published: 2015-03-10

Copyright

《地理研究》编辑部
Fold

Abstract

With the rise of the knowledge-based economy in the 1980s, knowledge (including code and tacit knowledge) as the backbone of innovation has become a key factor affecting production process. Cities have gathered not only a large number of professionals, universities and research institutions, but also a great many producers and consumers, which provides the premise for the innovation actions. City's knowledge storage and its position in the regional knowledge network play an important role in comprehensive competitiveness. Published papers and patents are main outcomes of innovation, which are used to evaluate the urban innovation capability. Moreover, co-publications and co-patents are not only the form of knowledge spillover, but also the key indicators to measure regional innovation. Taking the co-publication and co-patent in the field of biotechnology in China during 2000-2009 as the original data, we built scientific knowledge network (SKN) and technological knowledge network (TKN) between cities. From the perspective of complex networks and geospatial analysis, we explored the temporal and spatial complexity of knowledge spillovers combining the indicators of whole network structure, ego network, power-law, hubs and so on. The results show that: firstly, the nodes degree distribution of SKN and TKN is consistent with the power-law distribution, which means that the both networks not only have a scale-free network structure, but also present a preferential attachment rule when the cities choose the cooperation partner. Secondly, central cities have an obvious hierarchical structure, and are featured by a "big scattered and small gathering" spatial pattern in SKN, while the TKN is not showing this feature. From the view of central city ego network, the cooperation develops between the coastal capital cities at first, and then turns to inter-regional cooperation, such as Yangtze River Delta, Pearl River Delta, and inter-regional knowledge spillovers is obvious in SKN. The central cities and its partners are still in the coastal city instead of western provincial capitals, and inter-regional knowledge spillovers are not significant in TKN. Thirdly, the temporal evolution of central cities and its ego-network presents hierarchical diffusion and contagious diffusion, and conforms to law of grades process in SKN. The TKN is dominated by hierarchical diffusion. Finally, this study draws conclusions on the temporal and spatial complexity of innovation network, which has a positive impact on quantifying spatial knowledge spillovers and measuring its space-time evolution. Besides, the results clarify the status of each city in innovation networks, which provides a new perspective for the cities to formulate innovative policies.

Key words： knowledge spillover; knowledge network; network structure; urban innovation system

Cite this article

LI Dandan , WANG Tao , Yehua Dennis WEI , YUAN Feng . Spatial and temporal complexity of scientific knowledge network and technological knowledge network on China's urban scale[J]. GEOGRAPHICAL RESEARCH, 2015 , 34(3) : 525 -540 . DOI: 10.11821/dlyj201503011

1 引言

伴随第三次科技革命的兴起,区域科技水平及知识储量成为企业区位选择的重要参考因素,也是度量区域创新能力和竞争力的重要指标。知识溢出为解释产业集聚、区域创新提供了新的研究视角,知识扩散过程、效应、机制也成为经济学、地理学等相关领域学者讨论的热点。城市内部聚集大量专业化人才、高水平的大学和研究所等创新知识源,生产者、消费者的集聚为创新提供了潜在的合作伙伴,金融、商贸、管理等服务也为城市创新提供保障[1],这些创新环境使得多数创新活动集中在城市。国家“十五”规划开始重视以企业为创新主体的国家创新体系建设;2006年全国科学技术大会提出要加强自主创新、全面建设创新型国家;国家“十二五”科学和技术发展规划的目标是国家综合创新能力世界排名由第21位上升至前18位,科技进步贡献率力争达到55%;党的十八大报告中指出要“深化科技体制改革,加快建设国家创新体系,着力构建以企业为主体、市场为导向、产学研相结合的技术创新体系”。随着中国建立自主创新型国家战略的提出以及2010年国家创新型城市试点工作的推进,创新已经成为城市发展的重要手段,城市尺度创新网络的研究成为国家创新网络之后的又一研究热点。
一般来说,知识可以分为显性知识(explicit knowledge)和隐性知识(tacit knowledge)两种类型,日本知识管理学家野中郁次郎提出了显性知识和隐性知识相互转换的SECI过程,即社会化(socialization)、外部化(externalization)、组合化(combination)和内隐化(internalization)[2]。其中显性知识是可以被编码的,能够用文字、语音等记录的,而隐性知识则是难以表述且高度内化的。专利和学术论文作为知识产出的表征之一,其合作和引用可以作为测量知识溢出的重要方法。专利数量、专利与专利或专利与论文间的相互引用常作为度量显性知识的指标,而专利或学术论文的产生常需要发明人或著者间紧密的联系和深厚的信任,因此发明者的合作以及学术论文的合著者关系则多用来追踪隐性知识溢出。
知识是创新的关键,Karlsson等将知识分为三类：科学知识(由基本的科学原理组成,是技术知识发展的基础)、技术知识(以发明或技术方案的形式构成,可以转化为新产品或新生产过程)、与企业有关的知识(由产品、商业理念、市场、消费者、供应者等经济知识实体组成)[3],大学和研究机构是科学知识的主要来源,技术知识需要通过专利、版权等形式保护知识产权,与企业相关的知识需要知道消费者对产品的需求以及竞争对手的策略等[4]。因此,以专利和学术论文为基础数据,结合地学空间分析和社会网络中的复杂网络分析方法,构建中国城市尺度的科学知识网络(scientific knowledge network,SKN)和技术知识网络(technological knowledge network,TKN),将社会网络分析方法融入地理学空间分析,探究知识经济背景下,城市间知识溢出是否可量化、SKN和TKN结构的演化特征是怎样的,城市在SKN与TKN中的地位和作用是否存在差异以及知识溢出时空上又呈现怎样的规律等问题。

2 知识溢出与城市创新体系研究进展及理论分析

2.1 知识溢出研究进展

Marshall早在1890年便提出知识溢出的概念[5],Arrow等开始从定性和定量方面研究知识溢出的形成机制[6-9]。尽管有学者认为知识溢出没有留下任何痕迹,是不能被量化的[10],但新经济地理学、内生经济增长理论、空间计量学等理论和方法的发展为知识溢出的量化提供帮助,国内外学者试图通过CH模型[11]、知识生产函数[12]等模型,从人力资本、研发投入、专利、贸易、FDI、GDP等方面证实知识溢出的存在[13,14],并对知识溢出的空间特性[15,16]及知识溢出对城市规模和生产力的影响[17,18]等展开研究。
专利和学术论文常作为知识溢出和创新研究重要数据来源,国外已有大量研究通过专利应用数据库、许可证、学术论文,对国家(美国、日本、台湾、韩国等)、地区(欧盟、东亚等)、企业的知识合作与溢出模式进行研究[19-24],研究结果对解释区域差异、制定区域创新政策等提供参考。近几年,中国学者通过构建知识网络、专利引用和发明者网络或利用企业、大学等机构的专利产出来研究知识溢出网络的空间特点及其与创新之间的关系[25-30]。

2.2 城市创新体系与网络研究进展

城市集聚众多技术密集型部门(提供知识)、创意产业(吸引人才)和商务服务(总部经济),使得城市成为创新中心[31];同样的,城市发展离不开技术、社会、文化、环境、政策和制度等多方面的创新[32],创新过程与城市发展的相互关系及作用机制成为地理学研究热点。
国外对城市创新的研究一方面集中在创新与城市、大都市圈系统关系的研究[1,33],另一方面认为新产品、新技术和新社会活动的创新周期造成了城市规模差异和城市的专业化生产,影响城市系统演化和创新扩散过程[34]。借鉴国外研究成果,结合创新型国家建设要求,中国学者在2001年提出了地理学一门新兴的分支学科——创新地理学[35],随后,地理学者通过访谈、问卷和统计数据,从城市创新职能角度分析中国城市创新等级体系[36,37];还有学者从创新空间、等级创新网络、创新扩散模型等角度研究创新与城市的相互作用[38-40],丰富了中国城市创新体系的研究内容。
中国对城市创新体系的研究侧重于定性描述,定量分析多采用属性数据,从关系角度定性分析城市创新体系的研究则较少。对城市网络理论在城市体系研究呈现从属性到关系、从等级到网络、从封闭到开放的转变趋势[41],已有学者从经济和产业联系[42,43]、旅游流[44,45]、交通运输网[46,47]等方面探索中国城市间网络结构的复杂性。由于数据获取的困难,对城市间信息和知识流的网络研究则较少涉及[48]。因此,结合定性、定量分析,试图从关系角度研究基于知识溢出的城市创新体系。

2.3 知识溢出与城市创新的理论框架

知识的外部性和流动性是知识溢出的前提,不同创新源(企业、大学、研究所、政府机构、中介机构)之间的相互作用形成知识网络,知识网络的形成会提高创新源的创新能力,在空间上表现为国家、区域、省份、城市等级别的创新网络。目前,这些研究中对知识溢出的度量多采用相对独立的指标,缺乏系统的、整体的分析方法,且大多数研究是对企业、个人层面知识溢出的讨论,城市、国家尺度的知识溢出网络研究不多。因此本文研究城市尺度知识溢出,理论分析框架如图1所示。由于创新所需要素,如专业化劳动力、大学和研究所、创新环境等要素的空间分异,导致城市在创新网络中的地位有所差异,故此城市可分为中心城市和边缘城市。在等级扩散、传染扩散和迁移扩散等作用下,中心城市先进的知识会流向边缘城市;边缘城市除被动接受中心城市的知识溢出外,还会主动与创新能力高的城市合作,即优先链接机制。中心城市与边缘城市间知识溢出和学习效应的发生,促进城市创新水平的提高,而创新成果的累积效应也进一步提升了城市创新能力。最初的边缘城市在后发优势的作用下可能成为中心城市,而创新要素大量流失、创新资源转换不畅等问题也可能导致中心城市降为边缘城市,城市创新能力等级的变化进而导致新一轮知识溢出的产生。
Fig. 1 The theoretical framework

图1 理论分析框架

3 数据来源与研究方法

3.1 数据来源

学术论文是知识共享的重要成果,专利则是知识产权的主要体现形式,两者是度量区域创新的主要指标,亦可作为科学和技术研究的输出成果[49]。以生物技术领域为例,以合著论文为科学研究成果指标,以合作申请专利为技术研究成果指标。生物技术(biotechnology)主要包括基因工程、细胞工程、发酵工程和酶工程。作为新兴的高新技术产业,国家“十五”到“十二五”规划中均提出要大力推进生物技术的研究,2009年国务院发布《促进生物产业加快发展的若干意见》标志着中国生物技术进入快速发展期。生物技术的发展需要新知识、新技术的支撑,合作交流则是获取新知识、新技术的一个重要手段,生物技术合作网络也成为国内外学者研究的热点[25-28],因此选取生物技术为研究对象。
以2000-2009年ISI Web of Knowledge数据库和中文科技期刊数据库(重庆维普期刊)中生物技术领域发表的学术论文为来源,以仿生学、细胞工程、酶工程、生物工程应用为筛选路径,以同期中国知识产权网(http://www.cnipr.com/)公布的申请专利为专利数据来源①(①根据OECD对专利的分类标准为筛选路径。OECD将IPC分类中的A01H1/00,A01H4/00,A61K38/00,A61K39/00,A61K48/00,C02F3/34,C07G(11/00,13/00,15/00),C07K(4/00,14/00,16/00,17/00,19/00),C12M,C12N,C12P,C12Q,C12S,G01N27/327和G01N33/(53*,54*,55*,57*,68,74,76,78,88,92)划为生物技术领域。),剔除中国大陆地区和港澳地区机构与国外机构合著论文和合作申请专利,仅提取两个或两个以上期刊论文著者和专利申请人所在地的机构信息。将所有机构分为大学、研究所、企业、其他四类,其中“其他”类以医院为主,表1和表2为两种网络的不同类型机构间的合作信息。
Tab. 1 Information of scientific knowledge cooperation

表1 科学知识合作信息表

年份 机构数
(年增长率/%)		 U-P U-F U-O P-F P-O F-O U-U P-P F-F O-O
2000 142(-) 21 2 12 3 2 1 33 9 0 6
2001 250(76) 43 5 36 8 12 3 67 17 0 12
2002 391(56) 87 8 70 11 27 4 116 22 0 19
2003 496(27) 124 23 125 13 42 6 168 30 0 21
2004 661(33) 183 47 169 13 52 10 270 42 2 27
2005 864(31) 273 78 266 18 62 15 418 63 2 42
2006 1084(25) 415 97 375 33 89 23 550 95 5 52
2007 1308(21) 558 110 525 44 136 24 736 140 4 73
2008 1588(21) 665 154 668 57 170 42 841 166 12 98
2009 1742(10) 681 177 716 56 193 49 896 161 18 130

注：U代表大学(University),P代表公共研究机构(Public research institution),F代表企业(Firm),O代表其他(Other);下同。

Tab. 2 Information of technological knowledge cooperation

表2 技术知识合作信息表

年份 机构数
(年增长率/%)		 U-P U-F U-O P-F P-O F-O U-U P-P F-F O-O
2000 46(-) 6 55 0 7 1 0 3 6 1 0
2001 65(41) 8 35 0 11 1 2 3 12 4 0
2002 101(55) 6 26 2 18 1 26 0 8 8 0
2003 139(38) 26 64 3 38 18 11 9 26 10 0
2004 127(-9) 70 38 9 17 5 9 13 14 16 1
2005 148(17) 7 41 9 33 19 17 7 18 15 2
2006 165(11) 20 59 9 29 3 7 8 15 36 0
2007 203(23) 28 43 8 25 1 17 15 14 48 2
2008 279(37) 15 92 12 39 8 14 16 9 81 0
2009 371(33) 49 109 9 61 13 24 17 29 89 0
表1中每年参与合作的机构数在不断增加,各机构间的合作稳步上升,可见各类机构间的合作越来越频繁,并逐步拓展新的合作伙伴。学术论文的发表常常成为大学或科研院所评定学术成果的重要依据,但很少作为企业竞争力评价指标,因此大部分合作存在于大学间、大学与医院间、大学与研究所间,大学和研究所成为主要的科学知识源。表2中机构数量明显小于前者,但也基本保持逐年增长态势。在机构间的合作中,大学与企业之间的合作次数所占比重远远超出其他机构间的合作,其次是研究所与企业间的合作;自2006年企业间的合作比例迅速增加,合作数所占比例由原来的8%左右上升至25%左右,而大学间的合作仅占5%左右,越来越多的企业开始重视“合作”在专利产出中的作用,企业在技术知识网络中居于主导地位。
企业作为主要的知识需求者,在技术知识合作中的主体作用较突出,但在科学知识合作中处于显著的边缘地位。如何加强大学、研究所、企业之间的合作,加快知识由知识源(大学、研究所)向需求者(企业)的转移,提高知识的利用效率和市场价值,是目前创新型国家建设中探讨的热点。
简明的机构合作信息仅能提供机构间在科学知识合作和技术知识合作方面的数量、组合等数据,为解析城市间在科学和技术知识合作方面的时空特征,将机构按其所在的地级以上城市进行归并,以城市为节点构建SKN和TKN。

3.2 研究方法

根据网络类型可将网络分为三个层次：整体网络、局部网络和自我网络[50]。对于整体网络,常用网络密度、规模、关系数及平均距离等拓扑指标来描述网络中所有节点的关系;节点度数分布、聚类系数等指标常作为复杂网络特性的度量手段。所谓自我网络是某一节点及其与之直接联系的节点构成的网络,多用于分析以特殊节点为中心的网络结构。因此,从整体网络拓扑结构、复杂网络特性及自我网络结构三个方面选择相应指标来分析网络结构的变化。
3.2.1 整体网络指标说明 规模(size)：网络中节点的数目,指网络中城市的数目。
关系数(tie)：网络中连接节点的线数,文中指两两城市联系次数。
密度(density)：实际存在的关系数除以理论上可能存在的关系总数。
平均距离(average distance)：两点间最短路径长度的平均值,该值越大,说明网络节点间知识合作的难度越大,知识溢出不畅。
平均度数(average degree)：所有节点度数的平均值,文中对平均度数四舍五入求整数,度量整体网络中城市的平均合作强度。
紧凑度(compactness)：基于两点间的最短距离度量网络的凝聚性,该值在0~1之间,该值越大说明该网络的凝聚力越强。
碎裂化率(fragmentation)：指不能相互连接的节点所占的比例,度量网络的稳定性,该值越小,说明网络越稳定。
3.2.2 网络复杂性指标 网络结构特征一般可分为规则网络、随机网络和复杂网络。规则网络节点维度的参数均相同,即节点间无差异,网络具有聚类系数大,平均路径长的特点;随机网络的度分布符合泊松分布,具有聚类系数小、平均路径短的特点;钱学森认为具有自组织、吸引子、自相似、无标度、小世界中的全部或部分性质的网络称为复杂网络,其中小世界网络(small-world network)具有较小的平均路径和较大的聚类系数。节点度分布是描述网络几何特征的核心统计参数,若度分布函数满足幂律(power-law)分布的网络称为无标度网络(scale-free network)[51],其中幂律分布函数为：
p ( k ) = c k - γ (1)
式中：c是常数;γ称为幂指数;k表示节点度数;p(k)表示度数为k的节点数占节点总数的比例,且幂指数γ在一定程度上可以度量网络节点的异质性,幂指数越大,网络节点的异质性越弱[52]。
3.2.3 网络择优链接性指标 择优链接性是指节点优先选择与度数较高的节点(中心节点)相连,度-度相关性分析也称为网络的同配性(assortative)或异配性(disassortative)分析,可验证节点在选择合作对象时,是倾向与本身水平相近的节点还是会选择网络的中心节点。计算公式为：
节点i邻接节点的平均度数为：
度数为k的所有节点的邻接节点平均度数为：
式中：j为节点i的邻接节点;kj为邻接节点的度数;Nk为度数为k的节点数目。
度数与平均度数拟合曲线的斜率为正,说明度数大的节点优先链接其他度数大的节点,网络是正相关或具有同配性,反之,度数与平均度数拟合曲线的斜率为负,说明度数小的节点优先链接度数大的节点,意味着网络负相关或具有异配性[53,54]。
3.2.4 中心城市选择依据 Pajek软件提供了网络的中心节点的方法,该软件可计算网络集线中心(hubs)和权威中心(authorities)[55],是网络中度数高的节点,关系到网络的稳定性和完整性[56]。选择既是集线中心又是权威节点的城市为网络的中心城市。在计算集线中心和权威节点时,需先输入自定义的集线中心和权威节点个数,由于大于平均度数的节点占总数约20%,选择大于网络平均度数的节点数作为网络集线中心和权威节点个数。并通过网络的中心城市自我网络结构的空间变化分析知识溢出的空间演变过程,其中自我网络是整体网络中的局部网络,即由“自我”节点及与“自我”存在直接联系的节点构成的网络。

4 结果分析

4.1 整体网络基本拓扑结构分析

运用Ucinet分析SKN和TKN的网络拓扑结构(表3),发现SKN网络的规模、关系数、平均度数显著增加,说明越来越多的城市加入网络,合作强度和合作对象显著增加。网络密度有所上升、平均距离略有下降,体现出节点间知识溢出的难度仍较大。紧凑度逐年增加、破碎化率显著下降,表明网络的凝聚力逐年增强,同时网络结构逐步稳定。
Tab. 3 Topology structure indicators of SKN and TKN

表3 SKN与TKN拓扑结构指标

年份 规模 关系数 密度 平均距离 平均度数 紧凑度 碎裂化率
SKN TKN SKN TKN SKN TKN SKN TKN SKN TKN SKN SKN SKN TKN
2000 42 11 50 14 0.058 0.255 2.956 2.243 2 3 0.186 0.368 0.549 0.327
2001 60 18 104 20 0.059 0.131 3.208 1.788 3 2 0.278 0.144 0.249 0.784
2002 75 19 187 42 0.067 0.246 2.963 3.044 5 4 0.313 0.335 0.202 0.199
2003 97 26 296 64 0.064 0.197 2.907 2.686 6 5 0.320 0.375 0.177 0.148
2004 119 33 457 65 0.065 0.123 2.980 2.826 8 4 0.360 0.231 0.050 0.466
2005 143 36 700 66 0.069 0.105 2.822 2.739 10 4 0.393 0.336 0 0.210
2006 168 37 1000 62 0.071 0.093 2.826 3.179 12 3 0.391 0.273 0 0.297
2007 186 40 1386 82 0.081 0.105 2.722 3.250 15 4 0.395 0.336 0.021 0.097
2008 197 53 1676 121 0.087 0.088 2.671 3.071 17 5 0.408 0.333 0 0.142
2009 200 77 1724 192 0.087 0.066 2.697 2.918 17 5 0.397 0.311 0.020 0.195
相较于SKN,TKN的网络规模、关系数、密度均较小,且十年间增幅不大,说明不仅参与合作城市数目不多,合作频率亦有限,整体网络结构变化不大。2004年后,SKN开始快速增长,而TKN则呈先抑(2004-2006年)后扬(2007-2009年)的趋势,平均度数在2~5间波动。平均距离和紧凑度总体小幅上升,且两者呈现此升彼涨的现象。碎裂化率有所下降,下降幅度低于SKN,网络的稳定性得以加强。
从整体网络结构看,2004年后,网络规模、关系数、平均度数增加迅速,可见2004年是网络迅速发展的拐点期,因此着重分析2000年、2004年、2009年的网络结构特征。

4.2 整体网络结构变动的复杂性分析

从SKN和TKN节点度数拟合度R2看,两种网络中度分布基本满足幂律分布,即节点度分布存在较大的不均衡性,网络中存在度数较高的中心节点(表4)。两种网络度分布的幂指数均低于复杂网络幂指数平均水平(2~3)[57],表明两种知识网络中节点度数的异质性高于一般复杂网络。
Tab. 4 Power-law distribution functions of nodes degree and fit

表4 节点度数幂律分布函数及拟合度

年份 回归函数 R2
SKN TKN SKN TKN
2000 p(k)=0.295k-1.17 p(k)=0.396k-0.82 0.736 0.812
2001 p(k)=0.251k-0.95 p(k)=0.312k-0.85 0.720 0.578
2002 p(k)=0.197k-0.90 p(k)=0.293k-0.58 0.788 0.700
2003 p(k)=0.138k-0.74 p(k)=0.202k-0.54 0.598 0.649
2004 p(k)=0.11k-0.73 p(k)=0.265k-0.82 0.620 0.809
2005 p(k)=0.106k-0.74 p(k)=0.252k-0.82 0.667 0.698
2006 p(k)=0.081k-0.67 p(k)=0.296k-0.9 0.586 0.859
2007 p(k)=0.094k-0.68 p(k)=0.262k-0.85 0.692 0.813
2008 p(k)=0.079k-0.63 p(k)=0.260k-0.79 0.625 0.881
2009 p(k)=0.072k-0.60 p(k)=0.198k-0.87 0.579 0.711
总体来看,2000-2003年SKN节点度数的异质性低于TKN,2004年后相反,说明在2000-2003年SKN中,城市的节点度数相差不大,而在TKN中节点度数相差较大。随着SKN结构复杂性的增加,网络中出现明显的增长极,导致整体网络中城市度数差距变大,而TKN中,整体上城市度数相差不大。SKN中幂指数呈逐年递减趋势,网络异质性逐年增强,说明城市间科学知识合作水平总体差距逐年增大。TKN中幂指数2000-2003年大致呈下降趋势,2004-2009年在0.84上下浮动,网络节点异质性呈先增强后减弱的趋势,总体上城市间技术知识合作水平差距变化不大。网络异质性增强说明城市间科技能力差距较大,知识溢出的渠道不畅。知识水平是城市创新能力的动力所在,如何提高城市的知识储备能力,缩小城市间创新能力差距,提升城市在知识网络中的地位应成为制定城市创新政策的重要方向。

4.3 网络的择优链接性

创新成果具有一定的累计性,且城市现有创新水平是其他城市是否选择其作为合作伙伴的重要参考。考虑到2004年是网络的拐点期,因此将2000-2009年分为2000-2004年和2005-2009年,通过2004年、2009年节点度数与其合作对象在2000-2003年、2005-2008年间的平均度数的相关性来分析择优链接性(图2)。经皮尔森相关性计算,SKN中2004年与2009年节点在99%的置信水平上分别为-0.608与-0.603,TKN中2004年与2009年两者的相关性分别是-0.429与-0.44。两种网络中度—度分布的曲线斜率均为负,表明两种网络均呈异配性,即度数较小的节点倾向与度数大的节点进行合作,这些节点多为网络的中心节点,且SKN的异配性高于TKN。城市选择合作对象时倾向于在以往年份中度数较高的北京、上海、广州、南京等城市,表明城市间知识溢出具有粘着性和空间依赖性。
Fig. 2 Degree and average degree distribution of SKN and TKN in 2004 and 2009

图2 2004年和2009年SKN与TKN度—度分布关系图

5 中心城市及其自我网络时空结构的演变

5.1 中心城市时空分布演变特征

如表5所示,2000-2009年SKN中共有41个中心城市,层级结构明显：十年中北京、长春、广州、合肥、南京、上海、武汉和香港出现10次,大连、杭州和西安出现9次,这些城市是网络的一级中心城市;乌鲁木齐、郑州和重庆出现8次,成都、济南、兰州、青岛、深圳、沈阳、石家庄和天津出现7次,这些城市是二级中心城市;长沙、太原、咸阳、福州、哈尔滨等城市出现4~6次,为三级中心城市;苏州、泰安、洛阳等城市出现1~3次,为四级中心城市。TKN在2000-2009年共有28个中心城市,十年中北京出现10次,上海出现8次,抚顺和深圳出现5次,其他城市出现次数均小于5次,可见TKN层级结构不明显。
Tab. 5 Central cities of SKN and TKN in China

表5 SKN和TKN中心城市

年份 SKN TKN
2000 上海、合肥、武汉、北京、广州、香港、长春、南京 南京、北京
2001 杭州、北京、上海、合肥、武汉、广州、乌鲁木齐、南京、香港、大连、长春、济南、西安、石家庄 上海、北京、苏州、兰州
2002 香港、上海、北京、南京、广州、合肥、天津、济南、西安、重庆、武汉、杭州、乌鲁木齐、长春、大连、郑州、南宁 石家庄、北京、深圳、成都
2003 香港、北京、上海、广州、南京、合肥、深圳、长沙、武汉、兰州、福州、西安、长春、重庆、郑州、沈阳、青岛、大连、杭州、成都、南宁 北京、上海、抚顺
2004 香港、北京、上海、南京、广州、杭州、大连、合肥、重庆、深圳、天津、太原、郑州、成都、沈阳、长春、石家庄、青岛、武汉、乌鲁木齐、苏州、兰州、西安、咸阳 上海、北京、广州、天津、绍兴、长春、青岛
2005 南京、北京、长春、长沙、成都、福州、广州、杭州、合肥、济南、昆明、兰州、青岛、上海、深圳、沈阳、石家庄、苏州、太原、天津、乌鲁木齐、无锡、武汉、西安、厦门、咸阳、郑州、重庆、大连、香港 北京、上海、合肥、深圳、徐州
2006 天津、北京、西安、上海、南京、长春、兰州、石家庄、咸阳、哈尔滨、沈阳、太原、重庆、烟台、广州、大连、香港、杭州、济南、合肥、深圳、武汉、成都、厦门、新乡、郑州、长沙、青岛、苏州、乌鲁木齐、秦皇岛、昆明、无锡 北京、东莞、上海、合肥、哈尔滨、南阳、抚顺、成都、天津、长沙、杭州
2007 天津、太原、广州、北京、上海、南京、长春、重庆、西安、兰州、哈尔滨、咸阳、沈阳、石家庄、青岛、大连、武汉、香港、杭州、新乡、长沙、济南、合肥、深圳、成都、厦门、福州、郑州、呼和浩特、无锡、昆明、秦皇岛、乌鲁木齐 广州、北京、武汉、深圳、上海、合肥、大连、抚顺、天津
2008 昆明、广州、北京、深圳、无锡、西安、合肥、杭州、武汉、重庆、南京、乌鲁木齐、济南、兰州、上海、青岛、长沙、成都、哈尔滨、呼和浩特、香港、大连、咸阳、石河子、贵阳、泰安、郑州、沈阳、新乡、太原、长春、荆州、石家庄、天津、福州、秦皇岛 广州、北京、深圳、上海、厦门、绍兴、长沙、河源、青岛、成都、抚顺
2009 昆明、重庆、广州、北京、济南、深圳、西安、成都、合肥、杭州、武汉、南京、兰州、上海、青岛、无锡、长沙、哈尔滨、香港、呼和浩特、大连、乌鲁木齐、咸阳、贵阳、泰安、郑州、长春、洛阳、新乡、沈阳、太原、石家庄、福州、天津、秦皇岛 深圳、北京、上海、广州、合肥、苏州、香港、石家庄、天津、抚顺、青岛、江门、和田
北京、上海、广州等20个城市在两种网络中均为中心城市,其中南京、武汉、长春、香港在SKN中出现10次,大连、杭州在SKN中出现9次,而这些城市在TKN中仅出现1次,说明尽管这些在SKN中居于一级中心城市地位,但在TKN中的中心城市地位并不显著。共有中心城市除北京在两种网络中均出现10次外,其他在SKN中的出现次数均大于在TKN中的次数。抚顺在TKN属于较为中心的城市,但在SKN中心城市中未出现,徐州、东莞、绍兴等7个城市也是相同情况,表明这些在SKN中处于边缘的城市,在TKN中却有良好的表现。
总体来看,SKN中心城市空间分布呈现“大分散小集聚”特点,中心城市多为省会城市或沿海开放城市,都市经济圈的地位逐渐凸显。网络初期,中心城市分散于沿海地区如北京、上海、广州。至2004年,环渤海经济圈中长春、沈阳、大连、青岛、济南、石家庄等跻身网络中心城市;长三角地区城市(杭州、南京、无锡)、珠三角地区(深圳、香港)成为中心城市;西三角地区城市(成都、西安、重庆)、中部省会城市(郑州、武汉、长沙)中心地位提高。随着知识溢出过程的深入,2009年大西南经济圈中的贵阳、昆明等城市成为中心城市,厦门、福建、无锡、秦皇岛、洛阳、新乡、咸阳、荆州等城市亦成为中心城市,基本形成以环渤海经济圈为主,长三角经济圈、珠三角经济圈为辅,西三角和大西南经济圈为支撑的中心城市空间格局。网络初期中心城市在省会大城市间呈等级扩散规律,随着知识网络结构的复杂,大城市周边的中小城市也成为中心城市,中心城市扩散以等级扩散和传染扩散为主,符合梯度推移规律,且空间梯度等级逐渐向扁平化转变。TKN中心城市大致呈分散格局,京津冀、长三角和珠三角小范围集聚现象初显。网络初期,中心城市零星分散在沿海省会城市,至2004年,南京、上海、苏州、绍兴陆续成为中心城市,标志着长三角集聚初步形成,北京、天津、石家庄亦如此。到2009年,广州、深圳、江门、香港也陆续成为中心城市,珠三角集聚凸显,中心城市的扩散仍以等级扩散为主,梯度推移过程不明显。

5.2 中心城市自我网络时空分布演变

为分析中心城市自我网络的时空演变,构建中心城市自我网络空间分布图。如图3所示,SKN中,2000年中心城市的自我网络结构较简单,城市间合作次数较少,集中于北京—上海、上海—南京、上海—香港之间。至2004年,中心城市数量是2000年的3倍,中心城市的度数亦激增(北京和上海的度数分别为2000年的12.5倍和5.3倍)。北京与上海间的合作次数为19,远高于其他城市间的合作,形成了以北京和上海为两极的中心城市格局。到2009年,尽管中心节点数增加缓慢,中心节点度数依然快速增加,北京和上海的度数分别增加至494和310,北京与上海间的合作依然最高达69次,北京—南京、上海—南京的合作次数次之,分别为35和33,北京—广州的合作次数为20,表明北京与上海的两极地位依然明显,广州与南京的地位逐渐凸显,网络中心逐渐由两极向多极转变。
Fig. 3 Spatial distribution of ego network of the central city of SKN in China in 2000, 2004 and 2009

图3 SKN2000年、2004年和2009年中心城市自我网络空间分布图

如图4所示,TKN中,2000年仅出现南京和北京两个中心城市,且度数较低,城市间的合作分配较为均匀。到2004年中心城市增加至7个,中心城市的度数也大幅增加,不同的是2000年为中心城市的南京退出中心城市,上海、广州等跻身中心城市,上海、北京、广州的度数分别为24、16、13。与SKN相比,城市间的合作次数仍旧较小,合作最大的是上海—青岛(7),其次是北京—上海(6),其他城市间的合作均小于4,上海和北京的地位开始凸显。2009年,中心城市增加至14,北京的度数增至67,是2000年的11倍,上海、广州、深圳、天津、苏州等城市的度数也有所增加,北京与上海的地位进一步凸显。城市间合作次数较多的是上海—苏州(11)、深圳—广州(10)、北京—抚顺(9)、北京—天津(8),值得注意的是这些合作次数多的城市对之间的空间距离相对较小,这在某种程度上说明地理距离对专利合作有较大影响。尽管北京和上海在TKN网络中较其他城市相对重要,但并未形成明显的极化中心,这与SKN网络度数的异质性高于TKN一致。
Fig. 4 Spatial distribution of ego network of the central city of TKN in China in 2000, 2004 and 2009

图4 TKN2000年、2004年和2009年中心城市自我网络空间分布图

从中心城市及其合作对象的空间分布来看,SKN中网络初期,中心城市多分布在沿海的省会城市,其合作对象也多为沿海城市。随着时间的推移,中西部省会城市如西安、重庆、成都等逐渐成为中心城市,中心城市的合作对象依然以沿海大中城市为主。到2009年,沿海地区中心城市进一步增强,郑州、昆明、贵阳、咸阳等中西部城市在中心城市中的地位凸显,中心城市合作城市占网络规模的76%,可见多数节点在选择合作对象时倾向于沿海地区知识水平较高的大中城市,中心城市及其合作城市存在从沿海大中城市向中西部大中城市扩散的过程。城市合作空间分布由最初的省会城市间的合作转向长三角、珠三角、京津冀等区域间和沿海城市与内陆城市间的合作,中心城市的合作对象依然呈现从沿海到内陆的梯度推移过程,中心城市自我网络结构的时空演变亦存在等级扩散和传染扩散现象。TKN中三个时段城市间合作仍多发生于省会城市及沿海中等城市,中心城市合作对象的空间梯度推移显现不明显,中心城市自我网络中知识溢出仍以等级扩散为主。

6 结论与讨论

知识溢出与城市创新网络密不可分,创新与城市系统、城市竞争力的关系成为城市研究的又一重要部分,而城市创新网络作为国家创新体系的重要组成部分,其网络结构的时空演化研究显得益发重要。通过分析2000-2009年中国城市间科学知识网络与技术知识网络结构变动的特征,发现：①城市间知识溢出是可以度量的,大学、研究所、企业等机构间合著论文和合作专利是知识溢出的重要表征形式。②从整体网络结构来看,科学知识网络的规模、关系数、平均度数等指标上升明显,而技术知识网络的变化不大,前者表现出更高的复杂性;两种网络节点度数满足幂律分布,表明网络具有无标度网络特征;度—度相关性分析结果证实无标度网络的择优链接性,即城市选择合作对象并非随机的、无规则的,度数低的城市倾向与中心城市等度数较高的城市合作。③从网络中心城市的时空演变来看,两种网络中心城市分布的时空演变差异显著。科学知识网络中心城市具有明显的层级结构,总体呈现“大分散小集聚”特点,中心城市由沿海城市向中西部大中城市扩散,存在由北京和上海的两极模式向北京、上海、广州、南京等多极模式转变的现象。都市经济圈的地位逐渐凸显,基本形成以环渤海经济圈为主,长三角、珠三角经济圈为辅,西三角和大西南经济圈为支撑的中心城市空间格局。北京、上海、广州、郑州、成都、重庆、西安等省会城市及大连、青岛、无锡、咸阳等二线城市在网络中地位突出;技术合作网络中心城市仍集中在沿海省会城市,层级结构不明显。北京与上海的网络地位高于其他城市,但尚未形成明显的极化中心,总体呈分散格局,京津冀、长三角和珠三角小范围集聚初显。④从知识溢出的空间结构来看,科学合作网络中心城市的自我网络存在等级扩散和传染扩散的现象,符合时空梯度推移规律,且空间等级梯度逐渐向扁平化转变;技术合作网络中心城市自我网络则以等级扩散为主,时空梯度推移现象不明显。总体来讲,十年间科学知识网络在规模上和空间上都呈现出快速的扩张,技术知识网络的结构却未出现根本性变化,城市间科学知识合作带给技术知识合作的效应微弱。
城市合作可以实现资源互补、优势互通,合作方式也是多样的,如金融合作、医疗合作、产业分工合作等,其中科技和知识方面的合作创新是其他方面合作的基础和前提,深化城市知识合作创新对构建区域创新网络至关重要。本文通过合著论文和合作专利代替城市科学和技术知识创新网络,主要理论和实践意义有：①除了采用常用的密度、规模、度数平均值等指标分析网络结构外,从复杂网络角度,采用度分布、优先链接性分析城市知识溢出的整体特征;初步探究了将社会网络分析方法与地理学空间分析方法结合,丰富了地理空间的数据来源;②传统的增长极理论和空间梯度理论多用来解释GDP、人口等单个孤立经济指标的空间分布特征,研究结果证实基于“联系”的知识溢出过程在空间上依旧有增长极,且存在空间梯度推移现象,扩大了增长极理论和空间梯度推移理论的应用范围。③采用度量知识溢出空间特征的方法具有一定的普适性,对度量城市、国家间知识溢出的空间特征具有一定借鉴意义。④研究结论对区域创新政策制定和提高城市创新水平有一定指导意义：技术知识网络中的城市应有意识地加大与科学知识网络中心城市的合作,促进学术论文成果向专利成果的转化。此外,除了吸引更多优质创新要素,并提升创新要素的转换能力借以提高本城市的技术水平之外,加深与技术网络中中心城市的联系,更好更快接收知识溢出,也是提高城市在技术合作网络中地位及创新能力的重要手段。
生物技术产业是中国高新技术产业发展的重要方向,也是国际研究的热点,在一定程度上可以代表城市科学和技术水平。由于数据的可获得性,仅生物技术为例,分析城市的科学知识网络和技术知识网络存在一定的局限性,对城市内部同一产业间内、不同产业间知识溢出的分析成为下一步研究的重要方向。此外,着重从复杂网络的视角分析了科学知识合作网络与技术知识合作网络结构的时空演变特点,尚未对影响网络结构的因素进行探讨,下一步研究将一方面从地理距离、技术距离、经济距离、制度差异和网络节点差异等角度,探究影响知识网络结构的因素;另一方面从关键节点(如中间人)角度,分析科学知识网络与技术知识网络相互作用的机制。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Kaufmann A.Patterns of innovation relations in metropolitan regions: The case of the Vienna urban region. The Annals of Regional Science, 2007, 41(3): 735-748.

[2]
Nonaka I, Takeuchi H.The Knowledge-creating Company: How Japanese Companies Create the Dynamics. USA: Oxford University Press, 1995.

[3]
Karlsson C, Johansson B.Towards a dynamic theory for the spatial knowledge economy. In: Johansson B, Karlsson C, Stough R R. Entrepreneurship and Dynamics in the Knowledge Economy. London: Routledge, 2006: 12-46.

[4]
Karlsson C, Andersson Åke E, Cheshire P, et al.New Directions in Regional Economic Development. Berlin: Springer Berlin Heidelberg, 2009.

[5]
Marshall A.Principles of Economics. London: Macmillan, 1890.

[6]
Arrow K.The economic implications of learning by doing. Review of Economic Studies, 1962, 29(3): 157-173.

[7]
Jacobs J.The Economy of Cities. New York: Vintage, 1969.

[8]
Romer P M.Increasing returns and long-run growth. Journal of Political Economy, 1986, 94(5): 1002-1037.

[9]
Lucas R E J. On the mechanics of economic development. Journal of Monetary Economics, 1988, 22(1): 3-42.

[10]
Kugman P R.Geography and Trade. Cambridge: The MIT Press, 1991.

[11]
Coe D T, Helpman E.International R&D spillovers. European Economic Review, 1995, 39(5): 859-887.

[12]
Grillches Z.Issues in assessing the contribution of research and development to productivity growth. The Bell of Journal of Economics, 1979, 10(1): 92-116.

[13]
滕丽, 蔡砥, 王铮. 区域知识溢出的计算分析. 地理科学, 2008, 28(4): 478-481.

[Teng Li, Cai Di, Wang Zheng.Computation and analysis of regional knowledge spillovers in China. Scientia Geographica Sinica, 2008, 28(4): 478-481.]

[14]
Cassar A, Nicolini R.Spillovers and growth in a local interaction model. The Annual of Regional Science, 2008, 42(2): 291-306.

[15]
单卫东, 包浩生, 张凤轩. 非均质空间动态随机扩散的一般方程及其应用. 地理科学, 1997, 17(2): 127-133.

[Shan Weidong, Bao Haosheng, Zhang Fengxuan.Stochastic movement equation of dynamic spatial diffusion in nonhomogeneous space and its application. Scientia Geographica Sinica, 1997, 17(2): 127-133.]

[16]
王铮, 马翠芳, 王莹, 等. 区域间知识溢出的空间认识. 地理学报, 2003, 58(5): 773-780.

[Wang Zheng, Ma Cuifang, Wang Ying, et al.A geographical investigation into knowledge spillovers between regions. Acta Geographica Sinica, 2003, 58(5): 773-780.]

[17]
Glaeser E L, Saiz A.The rise of the skilled city. In: Gale W, Pack J. Brookings-Wharton Paper on Urban Affairs. Washington, DC: Brookings Institution Press, 2004: 47-105.

[18]
Henderson J V, Wang H G.Urbanization and city growth. Regional Science and Urban Economics, 2007, 37(3): 283-313.

[19]
Hu A G Z, Jaffe A B. Patent citations and international knowledge flow: The case of Korea and Taiwan. International Journal of Industrial Organization, 2003, 21(6): 849-880.

[20]
Fritsch M, Franke G.Innovation, regional knowledge spillovers and R&D cooperation. Research Policy, 2004, 33(2): 245-255.

[21]
Tappeiner G, Hauser C, Walde J.Regional knowledge spillover: Fact or artifact? Research Policy, 2008, 37(5): 861-874.

[22]
Belson J A.Measuring knowledge spillovers: What patents, licenses and publications reveal about innovation diffusion. Research Policy, 2009, 38(6): 994-1005.

[23]
Hu A G Z. The regionalization of knowledge flows in East Asia: Evidence from patent citations data. World Development, 2009, 37(9): 1465-1477.

[24]
Blazsek S, Escribano A.Knowledge spillovers in US patents: A dynamic patent intensity model with secret common innovation factors. Journal of Econometrics, 2010, 159(1): 14-32.

[25]
汪涛, Hennemann S, Liefner I, 等. 知识网络空间结构演化及对NIS建设的启示: 以我国生物技术知识为例. 地理研究, 2011, 30(10): 1861-1872.

[Wang Tao, Hennemann S, Liefner I, et al.Spatial structure evolution of knowledge network and its impact on the NIS: Case study of biotechnology in China. Geographical Research, 2011, 30(10): 1861-1872.]

[26]
汪涛, Hennemann S, Liefner I, 等. 知识网络的空间极化与扩散研究: 以我国生物技术为例. 长江流域资源与环境, 2011, 20(7): 796-801.

[Wang Tao, Hennemann S, Liefner I, et al.Spatial polarization and diffusion of knowledge network: A case study of biotechnology in China. Resource and Environment in the Yangtze Basin, 2011, 20(7): 796-801.]

[27]
Hennemann S, Wang T, Liefner I.Measuring regional science networks in China: A comparison of international and domestic bibliographic data sources. Scientometrics, 2011, 88(2): 535-554.

[28]
Chen Z F, Guan J C.Mapping of biotechnology patents of China from 1995-2008. Scientometrics, 2011, 88(1): 73-89.

[29]
Shang Q Y, Jessie P H P, Yue Q T. The role of regional knowledge spillovers on China's innovation. China Economic Review, 2012, 23(4): 1164-1175.

[30]
Xiang X Y, Cai H, Lam S, Pei Y.International knowledge spillover through co-inventor: An empirical study using Chinese assignees's patent data. Technological Forecasting and Social Change, 2013, 80(1): 161-174.

[31]
Herstad S, Pålshaugen Ø, Ebersberger B.Industrial innovation collaboration in a capital region context. Journal of the Knowledge Economy, 2011, 2(4): 507-532.

[32]
Gardiol F L.Multiple innovations and urban development in Burkina Faso. In: Bolay J C, Schmid M, Tejada G, et al. Technologies and Innovation for Development. Paris: Springer, 2012: 69-82.

[33]
Carter R A.Innovation in urban systems: The interrelationships between urban and national economic development. The Annals of Regional Science, 1988, 22(3): 66-79.

[34]
Pumain D, Paulus F, Marcuzzo C V.Innovation cycles and urban dynamics. In: Lane D, Pumain D, Leeuw van der S E, et al. Complexity Perspectives in Innovation and Social Change. Netherlands: Springer, 2009: 237-260.

[35]
甄峰, 徐海贤, 朱传耿. 创新地理学: 一门新兴的地理学分支学科. 地域研究与开发, 2001, 20(1): 9-12.

[Zhen Feng, XuHaixian, Zhu Chuangeng. Innovative geography: A new branch of geography. Areal Research and Development, 2001, 20(1): 9-12.]

[36]
吕拉昌, 李勇. 基于城市创新职能的中国创新城市空间体系. 地理学报, 2010, 65(2): 177-190.

[Lu Lachang, Li Yong.A research on Chinese renovation urban system based on urban renovation function. Acta Geographica Sinica, 2010, 65(2): 177-190.]

[37]
Lu L C, Huang R.Urban hierarchy of innovation capability and inter-city linkages of knowledge in post-reform China. Chinese Geographical Science, 2012, 22(5): 602-616.

[38]
张苏梅, 顾朝林, 葛幼松, 等. 论国家创新体系的空间结构. 人文地理, 2001, 16(1): 51-53.

[Zhang Sumei, Gu Chaolin, Ge Yousong, et al.Study on the spatial structure of the national innovation system. Human Geography, 2001, 16(1): 51-53.]

[39]
吴煜, 刘荣增. 新经济环境下的城市创新模式探讨: 以沪宁城市带为例. 人文地理, 2003, 18(1): 57-61.

[Wu Yu, Liu Rongzeng.Urban innovation modes in new economic milieu: A case study of Hu-Ning urban cluster. Human Geography, 2003, 18(1): 57-61.]

[40]
程开明. 城市体系中创新扩散的空间特征研究. 科学学研究, 2010, 28(5): 793-799.

[Cheng Kaiming.Research on the spatial characters of innovation diffusion in urban system. Studies in Science of Science, 2010, 28(5): 793-799.]

[41]
杨永春, 冷炳荣, 谭一洺, 等. 世界城市网络研究理论与方法及其对城市体系研究的启示. 地理研究, 2011, 30(6): 1009-1020.

[Yang Yongchun, Leng Bingrong, Tan Yiming, et al.Review on world city studies and their implications in urban systems. Geographical Research, 2011, 30(6): 1009-1020.]

[42]
吕康娟, 付旻杰. 我国区域间产业空间网络的构造与结构测度. 经济地理, 2010, 30(11): 1785-1791.

[Lv Kangjuan, Fu Minjie.Construction and structural measurement of the inter-regional industrial spatial networks in China. Economic Geography, 2010, 30(11): 1785-1791.]

[43]
武前波, 宁越敏.中国城市空间网络分析: 基于电子信息企业生产网络视角. 地理研究, 2012, 31(2): 207-219.

[Wu Qianbo, Ning Yueming.China's urban network based on spatial organization of electronic information enterprises. Geographical Research, 2012, 31(2): 207-219.]

[44]
陈浩, 陆林, 郑嬗婷. 基于旅游流的城市群旅游地旅游空间网络结构分析: 以珠江三角洲城市群为例. 地理学报, 2011, 66(2): 257-266.

[Chen Hao, Lu Lin, Zheng Shanting.The spatial network structure of the tourism destinations in urban agglomerations based on tourist flow: A case study of the Pearl River Delta. Acta Geographica Sinica, 2011, 66(2): 257-266.]

[45]
王永明, 马耀峰, 王美霞. 中国入境游客多城市旅游空间网络结构. 地理科学进展, 2012, 31(4): 518-526.

[Wang Yongming, Ma Yaofeng, Wang Meixia.Network structure of multicity inbound tourists of China. Progress in Geography, 2012, 31(4): 518-526.]

[46]
王娇娥, 莫辉辉, 金凤君. 中国航空网络空间结构的复杂性. 地理学报, 2009, 64(8): 899-910.

[Wang Jiao'e, Mo Huihui, Jin Fengjun. Spatial structural characteristics of Chinese aviation network based on complex network theory. Acta Geographica Sinica, 2009, 64(8): 899-910.]

[47]
武文杰, 董正斌, 张文忠, 等. 中国城市空间关联网络结构的时空演变. 地理学报, 2011, 66(4): 435-445.

[Wu Wenjie, Dong Zhengbin, Zhang Wenzhong, et al.Spatio-temporal evolution of the China's inter-urban organization network structure. Acta Geographica Sinica, 2011, 66(4): 435-445.]

[48]
甄峰, 王波, 陈映雪. 基于网络社会空间的中国城市网络特征: 以新浪微博为例. 地理学报, 2012, 67(8): 1031-1043.

[Zhen Feng, Wang Bo, Chen Yingxue.China's city network characteristics based on social network space: An empirical analysis of sina micro-blog. Acta Geographica Sinica, 2012, 67(8): 1031-1043.]

[49]
Hullmann A, Merey M.Publications and patents in nanotechnology. Scientometrics, 2003, 58(3): 507-527.

[50]
刘军. 整体网络分析讲义: UCINET软件实用指南. 上海: 格致出版社, 2009.

[Liu Jun.Lectures on Whole Network Approach: A Practical Guide to UCINET. Shanghai: Truth and Wisdom Press, 2009.]

[51]
Barabasi A L, Albert R.Emergence of scaling in random network. Science, 1999, (289): 509-512.

[52]
汪丽娜, 郭进利. 非平稳增长网络幂律度指数形成研究. 系统工程学报, 2009, 24(6): 739-743.

[Wang Lina, GuoJinli. Research on the power-law exponent of non-stationary growth networks. Journal of Systems Engineering, 2009, 24(6): 739-743.]

[53]
Pastor-Satorras R, Vàzquez A, Vespignani A.Dynamical and correlation properties of the internet. Physical Review Letters, 2001, 87(25): 258701.

[54]
Newman M E J. Assortative mixing in networks. Physical Review Letters. 2002, 89(20): 208701.

[55]
Kleinberg J M.Authoritative source in a hyperlinked environment. Journal of the ACM, 1999, 46(5): 604-632.

[56]
Albert R, Jeong H, Barabási A L.Error and attack tolerance of complex networks. Nature, 2000, (406): 378-382.

[57]
Albert R, Barabási A L.Statistical mechanics of complex networks. Reviews of Modern Physics, 2002, (74): 47-97.

Options
Outlines

/

〈 〉