EN中文

经济地理 >

2025 , Vol. 45 >Issue 5: 65 - 74

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.05.007

城市地理与新型城镇化

长三角城市群产学研创新合作网络结构及其多维邻近性机制

  • 王琳琳 , 1 ,
  • 彭庭莹 , ※ ,
  • 胡骁宇 3, 4 ,
  • 曾冰 5
展开
  • 1.肇庆学院 经济与管理学院，中国广东 肇庆 526061
  • 2.南昌师范学院 旅游与经济管理学院，中国江西 南昌 330032
  • 3.澳门科技大学 可持续发展研究所,中国 澳门 999078
  • 4.景德镇学院 经济管理学院，中国江西 景德镇 333400
  • 5.安徽财经大学 经济学院，中国安徽 蚌埠 233033
※彭庭莹（1988—），女，博士，研究方向为区域经济、环境经济。E-mail：

王琳琳（1996—），女，博士，研究方向为区域经济、创新网络。E-mail：

收稿日期: 2024-06-18

  修回日期: 2024-11-04

  网络出版日期: 2025-07-07

基金资助

国家自然科学基金项目(72163010)

国家自然科学基金项目(42461027)

江西省社会科学基金项目(24GL37)

广东省哲学社会科学规划项目(GD25YYJ09)

南昌师范学院博士科研启动基金资助项目(NSBSJJ2025033)

收起

Structure and Multi-Dimensional Proximity Mechanism of Industry-University-Research Innovation Cooperation Network in the Yangtze River Delta Urban Agglomeration

  • WANG Linlin , 1 ,
  • PENG Tingying , ※ ,
  • HU Xiaoyu 3, 4 ,
  • ZENG Bing 5
Expand
  • 1. School of Economics and Management，Zhaoqing University，Zhaoqing 526061，Guangdong，China
  • 2. School of Tourism and Economic Managment ，Nanchang Normal University，Nanchang 330032，Jiangxi，China
  • 3. The Institute of Sustainable Development，Macau University of Science and Technology，Macao 999078，China
  • 4. School of Economics and Management，Jingdezhen University，Jingdezhen 333400，Jiangxi，China
  • 5. School of Economics，Anhui University of Finance and Economics，Bengbu 233033，Anhui，China

Received date: 2024-06-18

  Revised date: 2024-11-04

  Online published: 2025-07-07

Fold

摘要

文章基于联合发明专利数据构建长三角城市群产学研创新合作网络，运用社会网络分析方法和固定效应的负二项回归模型对其拓扑结构演化特征和影响机制进行了分析。结果表明：①长三角城市群产学研创新联系日渐紧密，网络规模和密度稳步提升；②网络枢纽节点增多，次中心节点减少，边缘节点数量居高不下；③长三角城市群产学研合作创新网络由“Z”字形结构向以合肥、南京、上海等为核心的多中心“星型”放射状空间格局演变，网络联系层级性显著；④制度邻近、认知邻近对产学研创新合作网络具有正向影响，地理邻近发挥负向作用，不同邻近性对长三角产学研创新合作网络的影响具有协同促进效应。

关键词： 产学研合作; 网络结构; 专利数据; 多维邻近性; 制度邻近; 创新生态系统; 长三角城市群

本文引用格式

王琳琳 , 彭庭莹 , 胡骁宇 , 曾冰 . 长三角城市群产学研创新合作网络结构及其多维邻近性机制[J]. 经济地理, 2025 , 45(5) : 65 -74 . DOI: 10.15957/j.cnki.jjdl.2025.05.007

Abstract

Based on the joint invention patents,this paper constructs the industry-university-research innovation cooperation network,and analyzes its topological evolution characteristics and influence mechanism using the social network analysis method and the negative binomial regression model of fixed effects. The results show that:1) The industry-university-research innovation connection has become increasingly close in the Yangtze River Delta urban agglomeration,the scale and density of its network both have steadily increased. 2) The number of its network hub nodes increases,the number of its sub-central nodes decreases,and its edge nodes remain high. 3) The industry-university-research cooperation innovation network of the Yangtze River Delta urban agglomeration has evolved from the "Z" structure to the multi-center radial spatial pattern which takes Hefei, Nanjing and Shanghai as the cores,the network connection hierarchy is significant. 4) Institutional proximity and cognitive proximity have a positive impact on the industry-university-research innovation cooperation network,while geographical proximity plays a negative role. The influence of different proximity on the industry-university-research innovation cooperation network in the Yangtze River Delta has a synergistic promoting effect.

Key words： industry-university-research cooperation; network structure; patent data; multidimensional proximity; institutional proximity; innovation ecosystem; the Yangtze River Delta urban agglomeration

党的二十大报告提出创新是第一动力，要加快实施创新驱动发展战略；党的二十届三中全会对统筹推进教育科技人才体制机制一体改革作出部署，提出构建支持全面创新体制机制。当前我国科技创新面临资源分散，创新与应用“最后一公里”衔接不畅，存在不少“无效创新”等问题[1]。产学研合作是企业、高校与科研机构等创新主体通过发挥各自优势，为加快技术创新速度和提升创新效果而协同合作的一种知识与经济创造活动[2]。这种具有独特性跨组织关系的合作，相较于传统组织结构能使产学研合作的目标更多元化，并且有助于提高技术创新的有效性[3]。产学研合作创新网络尤为突出创新主体之间在知识层面的深度交流与技术在实践中的高效转移，重视政府引导作用与制度环境支撑作用，更强调创新活动中各要素协同增效作用。这种串联企业、高校和科研院所的跨区域合作关系是技术与市场的有效结合，更有利于科研成果转化，有助于推动科技创新与产业创新的深度融合。当前我国大力发展和培育新质生产力，加快产学研合作创新网络建设有助于打破学科壁垒、加速知识流动和技术扩散，促进区域协同创新与高质量发展，对提升城市群新质生产力水平具有重要作用。
创新网络是特定地理区域内承载多元创新合作与资源整合的系统化载体，其目的是提高区域创新效能与竞争优势。现有研究主要基于联合申请专利、联合发表论文、联合申请科技奖励等合作数据构建创新网络[4-5]，并从不同视角讨论了创新网络的网络结构特征、空间演化特征以及影响机制等[6]。产学研创新合作网络涉及企业、高校和科研院所三方合作，是创新网络的重要组成部分，但由于其筛选和剥离数据工作的复杂性，学术界对此研究相对较少。现有关于产学研合作网络的相关研究可以总结为以下3个方面：①产学研合作网络结构演化。相关研究多采用社会网络分析方法对产学研创新合作网络的小世界的特征[7]、无标度网络特征[8]以及创新网络的中心性、结构洞等结构特征[9]进行分析，不少学者聚焦某一地区[10]或某一行业[11]的产学研创新合作网络，探讨其合作网络特点及时空演化特征。②产学研创新合作网络影响因素分析。诸多研究从多维邻近性视角出发，对产学研创新合作网络的邻近性机理与影响机制进行研究，认为多维邻近性是影响产学研创新合作网络的主要因素[12]，对产学研合作程度的提升均有积极影响[13]，但在技术创新的不同阶段存在差异[14]；还有一些研究发现创新主体间的知识转移过程[15]、联结强度、网络范围和网络内聚性[16]、创新网络中的网络异质性[17]、企业技术创新因素、结构因素和环境因素[18]也会对产学研创新合作网络产生影响。③产学研创新合作网络研究尺度和实证。现有研究主要从宏观和微观两个角度来构建产学研创新合作网络，其中宏观层面的产学研创新合作网络一般将城市作为网络节点[19]；微观层面的网络多是将企业、大学、科研机构等创新主体作为网络节点[20]。
上述产学研创新网络研究范式为本文奠定了理论基础和技术方法，但在以下3个方面仍存在一些问题有待进一步完善：①网络构建层面。现有基于城市尺度的创新网络研究较少关注到产学研合作创新网络，缺乏对城市产学研创新合作网络整体性和系统性的研究。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，难以全面反映网络的演化规律。③研究视角层面。现有研究大多从单一学科视角出发，缺乏跨学科的综合研究，且部分研究过于关注微观主体（如企业、高校、科研机构等）在产学研合作中的行为模式和决策机制，忽视了宏观层面的合作网络结构和特征。基于此，本文采用2011—2020年长三角城市群产学研联合申请授权专利数据，运用社会网络分析方法对城市间产学研合作网络演化特征进行分析，并实证研究多维邻近性因素对其影响，探索创新发展驱动战略背景下，提升产学研合作效率的途径，以期为新形势下提高长三角区域创新竞争力提供参考。

1 研究框架与方法

1.1 研究框架

1.1.1 产学研创新合作网络的基本内涵

三螺旋理论可以有效揭示产学研创新合作网络的交互影响。在三螺旋创新理论中，企业、科研机构与高校在创新活动中不仅保持着自己的独立身份与原有作用，还在与其他主体进行互动合作时，彼此间相互交叉影响，形成了3种力量互相交织，螺旋上升的“三重螺旋”新关系[21]，创新主体彼此间的互动融合关系越紧密，对创新活动的产生与发展越有利。行动者网络理论可以有效揭示产学研创新合作网络的内在驱动机制。获取外部资源和实现成本共担与风险共享是驱动产学研创新合作的主要动因[22]，行动者网络理论强调在特定领域中，各种行动者之间的互动和网络关系是实现目标的关键。在产学研合作中，企业、高校与科研机构作为核心行动者，高校具备丰富的学术资源和知识产出，是人才培养的主场地、科研成果的传播者、产学研融合的中间者及经济发展的服务者；科研机构凭借深厚研发实力，是经济社会发展中重大科技突破的核心攻坚力量；企业则具备市场洞察与成果转化优势，承担着连接科技与市场的纽带功能，并为研发提供资金支持[23]。三者在科技创新中各司其职，通过资源共享与优势互补构建稳定协同机制，促进跨领域知识流动与资源整合，形成创新主体要素之间的稳定互动体系。这种互动合作不仅仅是一对一的合作关系，更是多方参与的综合合作，最终发展成为一个庞大的创新生态系统[24]。
从地理学视角来看，城市产学研创新合作网络是基于企业、高校、科研机构空间场域分离的跨区域创新合作网络，属于科技创新地理学理论和创新网络的重要组成部分，是由“主体—客体—环境”三要素相互联系、相互作用下构成的[25]，具有明显的网络功能结构特征和复杂性特征。微观层面的产学研创新合作网络将专利申请者这一创新主体作为网络节点，基于其隶属单位所在城市作为其区域层面的映射，是产学研创新活动的空间载体，也是创新合作与交流的主要节点。城市作为创新的孵化器，在“知识经济”时代，知识、资本、人才等创新资源逐渐成为新一轮城市发展的核心动力[26]，城市间的联系作为城市产学研创新合作网络的基本单元，是推动城市创新的重要引擎。基于以上分析，构建产学研创新合作网络概念图（图1）。
图1 产学研创新合作网络映射关系

Fig.1 Innovation cooperation network relationship among industry, university and research

1.1.2 产学研创新合作网络的演化机制

Boschma突破了地理邻近的局限，将邻近性理论拓展到制度邻近、组织邻近、社会邻近、认知邻近等多维层面[27]，逐渐成为解释经济活动、创新问题的有效工具。在众多学者的研究中，邻近性因素也是产学研创新合作网络的重要影响因素及驱动机制。具体来看，①地理邻近是两城市空间地理距离的远近程度，是两城市在合作交流地理中心距离、文化等隐性成本和时间、交通等显性成本最直接的体现[28]。一般来说知识传播具有地理衰减效应，地理邻近有助于发挥城市间的知识溢出效应，降低合作成本，促进主体间产生合作关系。②技术邻近是城市间在知识基础与技术结构上的相似性或关联度。创新主体在识别、搜寻外部知识并进行创新合作过程中，技术邻近的城市交流学习成本相对较低，获取外部知识的阻碍也相对较小，有助于双方进行技术交流与沟通合作，产生新的观念和方法[29]。③制度邻近反映城市间制度环境的相似程度。相似的政策法律、相似的组织管理模式有助于增进主体间的信任，规范和约束某些创新主体的不当行为，使知识转移通道更为顺畅，创新主体更容易融入产学研创新合作网络[30]。④认知邻近是创新合作主体对知识在认知层面理解的相似程度。认知基础差异过大会增加合作主体间的互动频率，使合作成本增加，理解吸收异质性知识的难度也会增加[31]。除此之外，城市的经济发展水平、科技投入等创新要素能力、人力资本与市场等也会是影响城市间产学研创新合作的重要因素。
基于此，本文从创新网络的视角，构建宏观层面的长三角城市群产学研创新合作网络，采用社会网络分析方法对城市间产学研创新合作网络整体结构、节点类型，以及合作网络关系的时空演变规律进行分析；并基于多维邻近性理论分析其驱动机制，共同构建了本文的理论分析框架（图2）。
图2 产学研创新合作网络分析框架

Fig.2 Analysis framework of industry-university-research innovation cooperation network

1.2 研究方法

1.2.1 社会网络分析方法

社会网络分析法（Social Network Analysis， SNA）是一种在社会测量的基础上，通过收集和分析群体成员的关系数据来研究社会结构和社会关系的方法[32]。本文主要选取网络节点数、网络连边数、网络密度、平均最短路径、平均聚类系数、平均度以及平均加权度来衡量产学研创新合作网络整体特征；选取度中心度和中介中心度来测量与节点连接的其他节点数量以及一个点处于多少个其他点的捷径（最短途径）上，衡量城市节点在产学研创新网络中的地位和对资源的控制程度，反映城市节点的类型特征。

1.2.2 负二项回归模型

在创新合作网络分析中，常用重力模型来构建关联网络。通过综合分析城市之间的作用关系，本文参照重力模型的一般方法，将影响城市间产学研创新合作的因素归为多维邻近性特征与双边城市属性特征。由于本研究因变量创新联系强度是用两城市间合作次数来衡量的，为非负整数并存在过度离散的问题，为避免各区域间难以观测的差异性导致估计结果产生偏差，将负二项回归模型扩展到基于面板数据的计数模型中，可以较好解决问题，因此本文采用负二项回归的方法对模型进行估计。具体构建模型如下：
C N i j t = c 1 + β 1 G D i j t + β 2 Z L i j t + β 3 A L i j t + β 4 I S i j t + β 5 G D P A i j t + β 6 J C i j t + β 7 T C i j t + β 8 H R i j t + β 9 Q Y i j t + β 10 Q L i j t + v i j + μ t + ε i t
C N i j t = c 2 + β 1 G D i j t + β 2 Z L i j t + β 3 A L i j t + β 4 I S i j t + β 5 G D P A i j t + β 6 J C i j t + β 7 T C i j t + β 8 H R i j t + β 9 Q Y i j t + β 10 Q L i j t + β 11 G D i j t 2 + β 12 Z L i j t 2 + β 13 I S i j t 2 + v i j + μ t + ε i t
C N i j t = c 3 + β 1 G D i j t + β 2 Z L i j t + β 3 A L i j t + β 4 I S i j t + β 5 G D P A i j t + β 6 J C i j t + β 7 T C i j t + β 8 H R i j t + β 9 Q Y i j t + β 10 Q L i j t + β 11 G D i j t · Z L i j t + β 12 G D i j t · A L i j t + β 14 G D i j t · I S i j t + v i j + μ t + ε i t
式中： c 1~ c 3是常数项； β 1~ β 14是自变量系数； v i j为城市对固定效应；μt为年份固定效应； ε i t为随机误差项； C N i j t表示城市间创新联系强度； G D i j t、 Z L i j t、 A L i j t、 I S i j t分别代表 t阶段的地理邻近性、技术邻近性、制度邻近性与认知邻近性； G D P A i j t、 J C i j t、 T C i j t、 H R i j t、 Q Y i j t、 Q L i t j分别表示 t阶段城市经济发展基础差距、城市知识文化基础差距、科技投入、人力资本、企业数量与市场潜力。式（1）探究多维邻近性及其他因素对产学研创新合作网络的影响；式（2）探究多维邻近性对产学研创新合作网络的非线性影响，将地理邻近、技术邻近以及认知邻近这3个邻近性的平方项纳入基础模型，由于制度邻近为虚拟变量，因此不纳入此模型进行考察；式（3）探究地理邻近性与其他邻近性对产学研创新合作网络的交互影响，在基础模型中加入地理邻近性与其他邻近性的乘积，如果交互项变量的系数为负，则两个变量间存在替代效应，反之则为互补效应[33]。

1.3 变量测度

1.3.1 被解释变量

本文将创新联系强度（CN）作为被解释变量。专利合作频次是不同区域创新主体间知识技术合作共享最直接有效的表征方式。通过对专利合作中各创新主体的归属地进行整合计算，可以得到两城市间的创新联系频次即合作联系强度。

1.3.2 解释变量

大量学者从多维邻近性角度出发对产学研创新合作网络的影响因素进行探讨，认为多维邻近性是影响产学研创新合作网络的主要因素，本文结合前人的研究以及本研究的具体情况，选取地理、技术、认知、制度这4个邻近性作为本研究的多维邻近性的核心解释变量。
①地理邻近性（GD）：两城市距离越近，建立产学研合作关系的可能性通常越大，本文借鉴苏屹等[34]的做法，基于两城市的经纬度来计算城市间的物理距离。
②技术邻近性（ZL）：城市间的知识基础与技术结构的相似度越高越倾向于合作，本文以城市间发明专利的比值来衡量城市间的技术邻近性[35]。
Z L i j = m i n ( i , j ) m a x ( i , j )
式中： Z L i j是城市 i与城市 j的技术邻近性； m i n ( i , j )和 m a x ( i , j )分别是城市 i与城市 j专利申请量的最小值与最大值，比值越接近1，两城市间的技术邻近性越高。
③制度邻近性（AL）。制度邻近通常会对城市产学研合作产生正向影响，本文基于城市行政级别差距选用虚拟变量代表城市间的制度邻近水平[36]。
W i j = 0 , 城 市 i 、 j 均 不 属 于 直 辖 市 或 者 省 会 城 市 1 , 城 市 i 、 j 一 个 属 于 直 辖 市 或 者 省 会 城 市 一 个 属 于 其 他 城 市 2 , 城 市 i 、 j 均 属 于 直 辖 市 或 者 省 会 城 市
④认知邻近性（IS）。认知邻近推动城市间的创新交流与知识技术合作。本文将城市一二三产业及其占GDP比重的值代入国际公认的产业结构相似系数公式来测算认知邻近性[37]，测算方法如下：
I S i j = ∑ n = 1 3 X i n t X j n t ∑ n = 1 3 X i n t 2 ∑ n = 1 3 X j n t 2
式中： I S i j是城市 i与城市 j的产业相似度； X i n t和 X j n t分别是 t时期 n产业的产值； n代表三次产业。 I S i j的值越接近1，两城市间的产业结构相似度就越高。

1.3.3 控制变量

借鉴杜亚楠等的研究[38]，本文将以下非邻近性变量纳入影响因素的控制变量：①城市经济发展基础差距（GDPA）。城市群中不同城市的经济发展水平存在差异，人才、教育、科技等资源倾向于向发达城市集聚，形成创新高地，并向周围创新能力弱的城市扩散。因此选用城市间GDP之差的绝对值来衡量城市之间的经济发展差距。②城市知识文化基础差距（JC）。城市间的发展差距不仅体现在经济水平等硬实力上，还体现在城市的文化价值、知识底蕴上。一个城市的知识文化底蕴是技术创新与合作的基础，相关基础设施的建设是城市对知识文化重视程度的体现与载体。因此选用城市间每百人公共图书馆藏书册之差的绝对值来表示两城市的知识基础设施差距。③科技投入（TC）。科技投入是影响产学研的主要投入变量，用两城市科学教育支出占政府财政一般支出比重的平均值衡量。④人力资本（HRR）。人力资本也是影响产学研合作的重要变量，用两城市普通本专科在校学生数与年末常住人口比值的平均值衡量。⑤企业数量（QY）。产学研合作使科技成果从“书架”走向“货架”，转化为社会成果，因而能将科技成果进行转化的企业就尤为重要，选取两城市工业企业数量的均值来表示企业数量。⑥市场潜力（QL）。产学研合作成果最终是要面向行业、面向市场，服务于社会，城市的市场潜力是科技合作成果走向“货架”时的重要影响因素。选取两城市社会消费品零售总额万元占GDP比值的平均值来表示两城市的市场潜力。

1.4 数据来源与网络构建

1.4.1 数据来源

本文选取2011—2020年长三角城市群专利数据构建产学研创新合作网络，该时间段包含“十二五”“十三五”两个完整规划期，也是该区域产学研创新合作网络走向成熟的重要阶段。专利数据来源于国家知识产权局中国专利信息中心，双边城市特征数据选取自2012—2021年《中国城市统计年鉴》和《中国区域经济统计年鉴》，少量缺失数据和异常值通过插值法补齐。

1.4.2 网络构建

专利数据因其创新性与易获得性已经成为当下科技创新合作领域使用最广泛的数据，本文以国家知识产权局中国专利信息中心长三角26个地级及以上城市2011—2020年701861条申请专利数据作为基础数据，对数据进行如下处理：①剔除申请人单位为两个以下的专利，并筛选出申请人为非个人的专利；②将申请人类型划分为产（企业）、学（高校）、研（科研机构）3类（表1），剔除只有一个类型申请人的专利；③涉及两城市以上的合作专利，采取两两交叉的形式形成不同组合，剔除创新主体类型一样（例如企业与企业合作）的合作组合，并剔除包含长三角城市群以外城市的组合，得到长三角城市群产学研合作专利，据此构建产学研创新合作网络。
表1 申请人分类及说明

Tab.1 Applicant classification and explanation

申请人性质 字段
企业 企业、公司、集团、工厂
科研机构 科学院、研究院、研究所、研究中心、设计院、实验室、工程院、设计院、基地、中心
大学 学院、大学、专科学校、技术学校

2 长三角产学研创新合作网络演化特征分析

2.1 产学研创新合作网络整体特征分析

采用Gephi 9.7计算出长三角城市群产学研创新合作网络整体特征（表2）。首先，网络节点数量在2011—2020年保持26个城市全覆盖，合作路径数从85条增加到142条，网络密度从0.26上升到0.44，表明样本期间长三角城市群合作网络规模较为稳定，网络内部节点间的联系日趋紧密，网络稠密化复杂化趋势明显。其次，产学研创新合作网络平均最短路径从2011年的1.871缩短至2020年的1.572，平均聚类系数由0.734增加到0.757，表明各城市节点可以通过更短的路径与网络边缘城市节点产生合作与联系，网络小世界特征逐渐显著。最后，平均度、平均加权度分别由6.538、56.692增长至10.923、263.154，均呈现出快速增长的态势，表明长三角城市群各城市在产学研创新联系中的合作广度与深度持续提升，网络内部凝聚力增强。
表2 创新合作网络整体特征

Tab.2 Overall characteristics of innovation cooperation network

年份 网络规模 小世界性 度中心性 强度中心性
节点数（个） 边数（条） 密度 平均路径长度 平均聚类系数 平均度 平均
加权度
2011 26 85 0.26 1.871 0.734 6.538 56.692
2012 26 91 0.28 1.849 0.722 7.000 76.385
2013 26 104 0.32 1.729 0.794 8.000 92.923
2014 26 104 0.32 1.794 0.661 8.000 113.385
2015 26 102 0.31 1.809 0.737 7.846 124.769
2016 26 100 0.31 1.809 0.769 7.692 128.538
2017 26 111 0.34 1.720 0.752 8.538 157.538
2018 26 130 0.40 1.609 0.727 10.000 186.923
2019 26 137 0.42 1.578 0.723 10.538 221.923
2020 26 142 0.44 1.572 0.757 10.923 263.154

2.2 产学研创新合作网络节点类型特征

以各年份26个城市的点度中心度、中间中心度平均值作为临界值，点度中心度高于均值记为高点度中心度（H），反之记为低点度中心度（L），中间中心度高于均值记为高中间中心度（H），反之记为低中间中心度（L），可以划分出4个类型的城市（表3）。长三角城市群各城市类型如图3所示，图中节点大小与节点的度中心度成正比，即城市在产学研合作网络中与其他城市合作的数量越多，对应城市的节点越大；边粗细与城市间产学研合作联系强度成正比，即城市间合作联系越强，对应城市之间相连的边越粗。
表3 城市类型及含义

Tab.3 City types and meanings

类型 含义
高点度中心度—高中间中心度（H-H） 在网络中处于中心地位，对于其他节点的合作具有重要的“中介作用”
低点度中心度—低中间中心度（L-L） 在网络中与其他城市合作联系少，对资源信息等的控制能力差
高点度中心度—低中间中心度（H-L） 是网络中的核心节点，但是对网络的控制能力较弱
低点度中心度—高中间中心度（L-H） 与其他城市联系弱，但是对资源信息的控制能力较强。这一类城市现实中较为少见的，在本文中不划分这一类型
图3 不同类型视角下网络节点核心边缘分析

Fig.3 Core-periphery analysis of network nodes from different types of perspectives

第一类（H-H型）：上海、南京、合肥、杭州稳居高点度中心度—高中间中心度行列。这几个城市资源集聚、经济发达，是长三角地区的经济中心与创新中心，是产学研创新合作网络的“桥梁”与“中枢”。苏州地处长三角腹地，与上海、南京等大城市相邻，区位优势明显，在过去几年持续引进优质高校、各类人才，强化产业创新集群发展，不断推动产学研深度融合，在区域中的影响力得到极大提升，在合作网络中的“桥梁”作用明显增强，从H-L型转变为H-H型城市。
第二类（L-L型）：低点度中心度—低中间中心度城市数量居高不下，这些城市在创新合作网络中处于边缘地位。2011—2020年，扬州与泰州这两个城市从H-L型发展为L-L型，与其他城市的联系变少，节点位置在退化，这与扬州与泰州经济增长相对缓慢，高校、科研机构等创新资源较少有关。
第三类（H-L型）：高点度中心度—低中间中心度城市整体呈下降趋势，南通、宁波和镇江一直是该类型，尽管其经济实力与资源集聚能力较省会城市或龙头城市稍逊一筹，但在人口、地理位置等方面有着独特的优势，因而与较多的城市建立了产学研合作关系，但是在整个网络中桥梁作用较弱。

2.3 产学研创新合作网络联系强度空间演化

基于创新联系强度的长三角城市群创新网络空间演化如图4所示，图中节点的大小与城市在产学研合作网络中与其他城市建立的合作数量成正比，连线的粗细跟城市间产学研创新合作联系的强度成正比。
图4 长三角城市群产学研创新网络空间演化

Fig.4 Evolution of industry-university-research innovation network in the Yangtze River Delta urban agglomeration

从网络的空间形态来看，由“Z”字形空间结构向多中心放射状的“星型”结构转变。2011年呈现出合肥—南京—上海—杭州—温州的“Z”字形空间结构显著，2016年主要城市之间的联系明显增强，尤其是南京和杭州联系，总体呈现出三角形形态。2020年，城市间的产学研创新合作进一步增强，宁波与上海、杭州、南京联系进一步增强，总体上呈现出以合肥、南京、上海等为核心的多中心“星型”放射状空间格局。这一阶段上海、南京产学研合作中心地位稳固，同时G60科创走廊的建设推动了区域内产业链、供应链、资金链、人才链的深度融合，为产学研创新发展搭建了广阔的平台，合肥依托良好的科技创新资源，大力发展科技产业，产学研中心地位显著崛起。杭州、苏州等城市也依托G60科技创新走廊吸引和培育了一批高水平创新主体，聚集了一批高层次人才和创新团队，为区域产学研创新发展夯实了基础。
从网络的联系层级来看，网络联系层级性显著，高层级联系数量亟待提升。联系强度在20以下的城市对占比最高，维持在72%以上，而联系强度在100以上的高层级联系数量稀少，占比最高不及5%。这说明长三角城市群城市间的合作存在极化特征，主要集中在少数城市间合作；中小城市更倾向于与核心城市合作，反映了明显的“择优链接关系”。

3 长三角城市群产学研创新合作网络影响因素分析

为探究长三角城市群产学研创新合作的影响因素，对26个城市的相关数据进行实证分析，Hausman检验发现模型的P值小于0.05，因此本文采用固定效应的负二项回归模型对长三角产学研创新合作的影响因素进行回归，回归结果见表4。
表4 负二项回归模型估计结果

Tab.4 Estimation results of negative binomial regression model

变量名称 模型1 模型2 模型3
GD -0.0074*** -0.0076*** -0.0495***
ZL 0.0348 0.9247* 0.1785
AL 0.6725*** 0.6689*** 0.2091
IS 4.6334** 33.8853 4.0434
GDP 0.0000*** 0.0000*** 0.0000***
JC -0.0014** -0.0016** -0.0010*
TC 18.8544*** 18.5495*** 19.6686***
HRR 0.0965* 0.0942 0.1245*
QY 0.0002*** 0.0002*** 0.0002***
QL 2.4639** 2.5074** 2.5451**
GD2 0.0000
ZL2 -0.8648*
IS2 -15.8539
GD·ZL 0.0012
GD·AL 0.0019*
GD·IS 0.0415***
Cons -6.594*** -20.1826 2.0874

注：*、**和***分别为在10%、5%和1%的水平上显著。囿于篇幅，未列出标准误。

就邻近性因素而言，模型1显示地理邻近对产学研合作有显著的负向影响，地理距离增加会提升交通与时间成本，阻碍面对面深度交流，降低合作效率并抑制隐性知识传递，不利于区域之间的产学研创新联系。制度邻近与认知邻近对产学研合作有显著的正向影响。制度邻近通过统一准则标准为创新主体提供制度保障，有助于主体间形成稳定的心理预期，增强彼此的理解和信任，降低合作中的不确定性；相似的认知基础有利于城市间的知识溢出，在产学研创新合作中形成良性知识互动，加速创新成果的吸收与传播。稳健性检验采用滞后一期的城市属性变量替代当期城市属性变量后再次进行实证检验，以上结果仍然显著，进一步证明了本文的结论是稳健可靠的 ① 。
模型2显示技术邻近性一次项显著为正而平方项显著为负，说明技术邻近性与产学研创新合作间存在倒U型关系，但是仅二次项系数显著并不能充分证明U型关系的存在[39]，因此以U型关系进行检验。本文对产学研创新合作与技术邻近性的关系进行检验，结果显示产学研创新合作程度区间为（0.0004，0.9996），转折点为0.4251。左侧区间斜率为7.1274且在10%水平上显著，右侧区间斜率为-9.6415且在10%水平上显著。这一结果表明产学研创新合作与技术邻近性存在显著的倒U型关系。这意味着，在合作达到某一程度之前，技术邻近性随合作深化而提升；超过这一程度后，其增长趋势会减缓甚至逆转。适度的技术邻近性有助于缩小企业、高校与科研机构间的技术差距，促进知识转移与创新产出，但过高的技术邻近性可能引发“技术锁定”效应，导致创新主体陷入技术惯性，降低对外部新技术的敏感度，从而制约产学研合作的进一步发展[27]。认知邻近与认知邻近的平方项作用皆不显著，可能在长三角城市群工业结构相似性较高的江浙地区，一些行业由于恶性竞争经常出现重复投资、产能过剩等问题，以及工业结构层级较高的江浙沪地区与层级相对较低的安徽存在着一定的认知障碍与行政藩篱，削弱了认知邻近的积极作用。
模型3地理邻近性与制度邻近性、地理邻近性与认知邻近性的交互项对产学研合作有正向的影响，说明两者之间存在互补关系。地理邻近性为产学研各方提供便捷的交流合作条件，而制度邻近性为合作提供稳定的制度保障，认知邻近性确保了这些交流和互动能够基于共同的理解和认知进行，为合作提供了心理和文化上的支持。两者之间相辅相成，共同促进产学研合作的深入发展。
就非邻近性影响因素而言，在城市发展差距方面，两个城市的经济发展水平差距越大越倾向于合作，反映出了明显的“择优链接”倾向，人才、教育、科技等资源欠发达的城市更倾向于跟经济发达的城市合作；而城市间文化基础设施差距越小越倾向于合作，这是由于在产学研创新合作中，意识形态、知识文化等方面的差距太大会容易缺失“同感”与“共识”，在合作中产生认知障碍，阻碍产学研创新合作的发展。此外，科技投入、企业数量与市场潜力的系数显著为正，说明城市科技投入越大、企业数量越多、市场潜力越大越有利于产学研创新合作。技术创新不仅需要大量资金投入，为避免无效创新，在创新与应用“最后一公里”的赛道上，将技术转化为应用的企业以及投入使用的市场尤为重要，因而城市间企业的数量以及市场的潜力是产学研合作从技术走向商业，从实验室走向市场的重要影响因素。

4 结论与建议

4.1 研究结论

本文基于2011—2020年长三角城市群26个地级及以上城市联合发明专利构建了产学研创新合作网络，运用社会网络分析方法，对网络的整体特征节点类型特征、联系强度空间演化特征3个方面进行分析，并采用负二项回归模型探究了长三角城市群产学研创新合作的多维邻近性机制及影响因素。主要结论如下：
①网络规模和密度稳步提升，网络小世界特征显著。2011—2020年，长三角城市群产学研创新合作日渐紧密，合作广度与深度持续提升，合作网络稠密化复杂化的趋势明显；合作路径数从85条增加到142条，网络密度从0.26上升到0.44；平均最短路径从1.871缩短至1.572，表现出明显的小世界特征。
②网络枢纽节点增多，次中心节点减少，边缘节点居高不下。H-H型城市数量增加，这类城市是产学研创新合作网络中的“桥梁”与“枢纽”；L-L型城市数量居高不下，整体呈上升趋势；H-L型城市整体呈下降趋势，这类城市与众多城市建立合作关系，但“桥梁作用”不显著。
③网络空间形态从“Z”字形空间结构向以合肥、南京、上海等为核心的多中心“星型”多中心放射状结构转变；网络联系层级性显著，高层级联系数量较少，中小城市更倾向于与核心城市合作，反映出明显的“择优链接关系”。
④长三角城市群产学研创新合作受到城市间地理邻近性、制度邻近性以及认知邻近性的影响。认知邻近与产学研创新合作之间存在倒U型关系，过度的认知邻近不利于创新合作；地理邻近性与制度邻近性和认知邻近性的交互项对产学研合作有正向的影响，两者之间存在互补关系。此外，城市间的发展差距，城市间的科技投入、企业数量与市场潜力对产学研创新合作都有显著影响。

4.2 政策建议

①加强产学研合作创新多中心网络结构。坚持多中心网络结构，发挥上海、南京、杭州、合肥等核心城市的网络控制能力，重点加大核心城市对边缘城市的产学研合作关系，通过建立核心城市研发，边缘城市孵化的时空分离科研模式，扩大中心城市的溢出效应，推动边缘城市更好地融入科技创新网络，进而促进H-L这类城市节点数量增加。
②协同处理好地理、认知、制度邻近性的关系。加强高铁、高速公路等快速交通网络基础设施建设，缩短长三角城市群内空间距离对产学研合作创新的影响；加强城市群内部人员、资金、信息流动，促进产业协同发展，提升城市间合作基础，缩小认知差距；通过市场和政府的双重力量，打破创新合作中的行政藩篱等壁垒，缩小城市群内部的制度差距，构建稳定的产学研长效合作机制。
③鼓励建立跨区域产学研合作创新生态系统。依托长三角G60科创走廊建设，构建跨区域产学研创新生态系统。鼓励高校、科研机构与企业在重点产业领域协同开展技术研发，推进产学研用一体化，加速科技成果转化。完善跨区域协同创新制度体系，构建核心网络辐射的产学研科技合作网络格局，通过加大科研投入、优化创新政策、健全激励机制等措施，以企业创新为核心，激发企业创新活力，营造良好的产学研合作生态。
本文运用社会网络分析方法探究了长三角城市群产学研创新合作网络演化特征，在理论机制层面提出了长三角城市群产学研创新合作的驱动机制，并运用面板负二项模型进行实证分析，有助于深入理解城市间互动的多维度和复杂性，为产学研合作网络提供了新的理论视角与解释框架。但是本文仍存在不足之处：①只构建了宏观层面的合作网络，没有从企业、高校、科研机构等创新主体出发构建微观层面的合作网络；②没有对产学研创新合作网络中产—学、产—研等合作网络细分，探究不同细分网络的差异性特征；③没有从区域—产业超网络多维视角开展分析，识别城市间产学研合作网络在行业中的分布；④基于引力模型所设定的影响因素只能关注外生城市属性变量的影响，不能够解析内生结构变量的影响；⑤未能考虑到连接关系的空间依赖效应。未来的研究应在这些方面进行更为细致的探讨和补充，以更全面地揭示产学研创新合作网络。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陈永昌, 孙鹏博, 王宏鸣. 知识产权保护政策能否推动企业开放式创新?——以国家知识产权示范城市政策为准实验的经验研究[J]. 经济与管理研究, 2023, 44(4):90-107.

[2]
郭建科, 田冬翠, 胡凯. 中国海洋产业产学研合作创新网络演化及创新绩效影响因素[J]. 热带地理, 2023, 43(9):1712-1725.

DOI

[3]
解学梅. 中小企业协同创新网络与创新绩效的实证研究[J]. 管理科学学报, 2010, 13(8):51-64.

[4]
杨大飞, 孙守恒, 胡倩. 多维邻近性及交互性对合作创新网络演化的影响——以中国智能制造装备业为例[J/OL]. 科技进步与对策(2024-02-26):1-11.

[5]
谢帆, 戴俊骋, 吴苗苗. 大运河研究的城市知识合作网络演化特征及形成机制[J]. 地理研究, 2023, 42(10):2644-2662.

DOI

[6]
王启轩, 任婕, 曹湛. 上海大都市圈创新网络的演化特征及其对创新产出的影响——基于“蜂鸣—管道”视角[J]. 经济地理, 2024, 44(1):107-117.

DOI

[7]
Pinto P E, Vallone A, Honores G. The structure of collaboration networks:Findings from three decades of co-invention patents in Chile[J]. Journal of Informetrics, 2019, 13(4):100984.

[8]
Basole R C. Topological analysis and visualization of interfirm collaboration networks in the electronics industry[J]. Decision Support Systems, 2016, 83(3):22-31.

[9]
吴慧, 顾晓敏, 赵袁军. 产学研合作创新网络拓扑演化的复杂网络研究[J]. 复杂系统与复杂性科学, 2020, 17(4):38-47.

[10]
彭庭莹, 陈刚. 成渝地区双城经济圈多维城市网络特征及其影响机制[J]. 湖南师范大学自然科学学报, 2023, 46(3):51-60.

[11]
陈钰芬, 姚天娇, 胡思慧. 浙江省ICT产业产学研合作创新网络动态演化分析[J]. 技术经济, 2019, 38(10):65-73.

[12]
Li D, Wei Y D, Wang T. Spatial and temporal evolution of urban innovation network in China[J]. Habitat International, 2015,49:484-496.

[13]
Mitze T, Strotebeck F. Modeling interregional research collaborations in German biotechnology using industry directory data[J]. Data in Brief, 2019, 22(11):169-1805.

[14]
胡杨, 李郇. 多维邻近性对产学研合作创新的影响——广州市高新技术企业的案例分析[J]. 地理研究, 2017, 36(4):695-706.

DOI

[15]
Watts H D. The international transfer of technology:Theory,issues,and practice[J]. Journal of International Business Studies, 1989, 20(2):369-371.

[16]
Reagans R, McEvily B. Network structure and knowledge transfer:The effects of cohesion and range[J]. Administrative Science Quarterly, 2003, 48(2):240-267.

[17]
Mao C, Yu X, Zhou Q, et al. Knowledge growth in university-industry innovation networks-Results from a simulation study[J]. Technological Forecasting and Social Change, 2020,151:19746.

[18]
姚潇颖, 卫平, 李健. 产学研合作模式及其影响因素的异质性研究——基于中国战略新兴产业的微观调查数据[J]. 科研管理, 2017, 38(8):1-10.

[19]
崔之珍, 李二玲. 河南省产学研合作的网络演化及其空间特征[J]. 地域研究与开发, 2021, 40(6):43-50.

[20]
曾莉, 李霞. 成渝双城经济圈高校产学研专利合作网络的时空演化分布与特征[J]. 科技管理研究, 2023, 43(16):132-145.

[21]
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[J]. 科技管理研究, 2023, 43(12):101-110.

[22]
陈劲, 阳银娟. 协同创新的理论基础与内涵[J]. 科学学研究, 2012, 30(2):161-164.

[23]
哈巍, 林璐. 我国政产学研协同创新的三螺旋模式及其多重演化路径[J]. 高等教育研究, 2023, 44(4):1-16.

[24]
张贵, 温科. 基于“三螺旋”的京津冀协同创新网络构建研究[J]. 河北经贸大学学报, 2017, 38(6):84-94.

[25]
毛炜圣, 刘承良, 李源, 等. 全球学术会议交流的时空演化及其影响因素[J]. 地理学报, 2023, 78(10):2484-2506.

DOI

[26]
曹湛, 戴靓, 杨宇, 彭震伟. 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[J]. 地理学报, 2022, 77(4):960-975.

DOI

[27]
Boschma R. Proximity and innovation:A critical assessment[J]. Regional Studies, 2005, 39(1):61-74.

[28]
Chiswick B R, Miller P W. English language fluency among immigrants in the United States[J]. Research in Labor Economics, 1999, 12(1):63-89.

[29]
Boschma R, Frenken K. The spatial evolution of innovation networks:A proximity perspective[C]// Boschma R,Martin R(Eds). The Handbook of Evolutionary Economic Geography. Cheltenham: Edward Elgar Publishing, 2010.

[30]
冯粲, 韩霞, 史冬梅, 等. 多维邻近性视角下城市群协同创新网络及影响因素分析[J]. 中国科技论坛, 2023(10):50-61.

[31]
徐洁, 李琳. 知识基础、认知邻近与城市突破性创新——基于772万条发明专利的实证分析[J]. 中国科技论坛, 2024(1):72-81,115.

[32]
刘军. 整体网分析讲义:UCINET软件实用指南[M]. 上海: 上海人民出版社, 2009.

[33]
戴靓, 纪宇凡, 王嵩, 等. 中国城市知识创新网络的演化特征及其邻近性机制[J]. 资源科学, 2022, 44(7):1494-1505.

DOI

[34]
苏屹, 郭家兴, 王文静. 多维邻近下新能源合作创新网络演化研究[J]. 科研管理, 2021, 42(8):67-74.

[35]
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[J]. 地理学报, 2022, 77(6):1359-1373.

DOI

[36]
胡悦, 马静, 李雪燕. 京津冀城市群创新网络结构演化及驱动机制研究[J]. 科技进步与对策, 2020, 37(13):37-44.

[37]
唐建荣, 李晨瑞, 倪攀. 长三角城市群创新网络结构及其驱动因素研究[J]. 上海经济研究, 2018(11):63-76.

[38]
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[J]. 地理科学, 2023, 43(2):197-207.

DOI

[39]
Haans R F J, Pieters C, He Z. Thinking about U:Theorizing and testing U- and inverted U-shaped relationships in strategy research[J]. Strategic Management Journal, 2016, 37(7):1177-1195.

Options
文章导航

/

〈 〉