EN中文

地理学报 >

2024 , Vol. 79 >Issue 6: 1503 - 1520

DOI: https://doi.org/10.11821/dlxb202406009

空间与产业发展

粤港澳大湾区技术转移的空间关联与内生动力

  • 戴靓 , 1 ,
  • 丁子军 1 ,
  • 马海涛 2 ,
  • 曹湛 , 3, 4 ,
  • 王瑞霖 1
展开
  • 1.南京财经大学公共管理学院，南京 210023
  • 2.中国科学院地理科学与资源研究所 中国科学院区域可持续发展分析与模拟重点实验室，北京 100101
  • 3.同济大学建筑与城市规划学院，上海 200092
  • 4.自然资源部国土空间智能规划技术重点实验室，上海 200092
曹湛(1989-), 男, 湖北潜江人, 博士, 助理教授, 中国地理学会会员(S110015826M), 研究方向为国土空间规划、城市网络和创新网络。E-mail:

戴靓(1989-), 女, 江苏镇江人, 博士, 副教授, 硕士生导师, 中国地理学会会员(S110014330M), 研究方向为城市网络与区域发展。E-mail:

收稿日期: 2023-01-16

  修回日期: 2023-06-30

  网络出版日期: 2024-06-19

基金资助

国家自然科学基金项目(42271212)

国家自然科学基金项目(41971209)

国家自然科学基金项目(52008298)

收起

Spatial linkages and endogenous mechanisms of technology transfer in the Guangdong-Hong Kong-Macao Greater Bay Area

  • DAI Liang , 1 ,
  • DING Zijun 1 ,
  • MA Haitao 2 ,
  • CAO Zhan , 3, 4 ,
  • WANG Ruilin 1
Expand
  • 1. School of Public Administration, Nanjing University of Finance and Economics, Nanjing 210023, China
  • 2. Key Laboratory of Regional Sustainable Development Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 3. College of Architecture and Urban Planning, Tongji University, Shanghai 200092, China
  • 4. Key Laboratory of Spatial Intelligent Planning Technology, Ministry of Natural Resources of the People's Republic of China, Shanghai 200092, China

Received date: 2023-01-16

  Revised date: 2023-06-30

  Online published: 2024-06-19

Supported by

National Natural Science Foundation of China(42271212)

National Natural Science Foundation of China(41971209)

National Natural Science Foundation of China(52008298)

Fold

摘要

技术转移是缩小区域差距、优化资源配置、实现协同创新的重要途径。既有文献多从技术势差、技术需求、技术吸收、邻近性等理论探究技术转移的影响因素，本文从网络共生演化视角，提出来自内生结构和微观机制的新发现。基于国家知识产权局发明专利的转让数据，构建2007—2018年6个时间节点的粤港澳大湾区技术转移空间关联网络，分析其空间格局与网络结构的演化特征，并建立动态指数随机图模型，探讨网络演化的动力机制。结果表明：① 大湾区技术转移网络由松散均质向双核驱动再向多中心发展。深圳、广州是区域的技术交易中心，与第二梯队的东莞、佛山、中山、惠州，形成了多维邻近的“深惠莞广佛中”组团。在大湾区城市群尺度下，受制度差异和地域分工影响，香港、澳门在区域多为单向技术输出且较为边缘化。② 大湾区技术转移网络规模和结构有显著提升，技术转移路径稳中有变，不断优化。网络关系的互惠性提升明显，等级结构趋向收敛，网络传输性与凝聚力增强，朝多核联动的均衡化和社群化发展。③ 大湾区技术转移网络演化受内外生动力共同驱动，内生因素可降低对外生因素的依赖。城市经济发展水平、研发投入和科研成果转化能力可促进技术转移，存在发送者效应和接收者效应。制度邻近对技术转移的促进效果显著，其次是空间邻接和技术邻近。结构依赖和时间依赖是大湾区技术转移网络演化的重要内生动力，主要表现为延迟互惠性、传递闭合性、稳定性和创新性。

关键词： 城市网络; 技术转移; 结构依赖; 动态指数随机图模型; 粤港澳大湾区

本文引用格式

戴靓 , 丁子军 , 马海涛 , 曹湛 , 王瑞霖 . 粤港澳大湾区技术转移的空间关联与内生动力[J]. 地理学报, 2024 , 79(6) : 1503 -1520 . DOI: 10.11821/dlxb202406009

Abstract

Technology transfer is pivotal in narrowing regional disparities, optimizing resource allocation, and fostering collaborative innovation. While existing literature predominantly explores the factors influencing technology transfer based on theories of technology disparity, technology demand, technology absorption, and proximity, this study introduces new insights from the perspective of network symbiotic evolution, with a focus on endogenous structures and micro mechanisms. By analyzing data on invention patent transfers obtained from the China National Intellectual Property Administration, this study constructs spatial linkage networks of technology transfer in the Guangdong-Hong Kong-Macao Greater Bay Area for six time points spanning 2007 to 2018. It then examines the evolutionary characteristics of the spatial patterns and explores the underlying mechanisms through temporal exponential random graph models. The findings reveal the following: (1) The technology transfer network in the Greater Bay Area has evolved from loose and homogeneous linkages to a dual-core pattern and subsequently to a polycentric structure. Shenzhen and Guangzhou are regional technology trade centers, while Dongguan, Foshan, Zhongshan, and Huizhou are second-tier cities. Together, they form a Shenzhen-Dongguan-Huizhou-Guangzhou-Foshan-Zhongshan community characterized by multi-dimensional proximity. Hong Kong and Macao are relatively marginalized cities within the Greater Bay Area urban agglomeration, primarily engaged in one-way technology transfer due to institutional differences and regional division. (2) The scale and structure of the technology transfer network in the Greater Bay Area have significantly improved. The technology transfer path has undergone steady changes and gradual optimization, demonstrating increasing reciprocity. The hierarchical structure of the network tends to converge, exhibiting enhanced connectivity and cohesion as it develops into a balanced, clustering, and polycentric network. (3) Both endogenous and exogenous forces drive the evolution of the technology transfer network in the Greater Bay Area. Endogenous factors can reduce cities' reliance on exogenous factors. The level of economic development, R&D investment, and the ability to transform technological and scientific outputs within a city can promote technology transfer. Moreover, there are sender effects and receiver effects. Institutional proximity facilitates technology transfer, followed by spatial contiguity and technological proximity. Structural dependence and time dependence are crucial endogenous driving forces for the evolution of the technology transfer network in the Greater Bay Area, as evidenced by delayed reciprocity, transfer closure, stability, and innovation.

Key words： urban network; technology transfer; structural dependence; temporal exponential random graph model; Guangdong-Hong Kong-Macao Greater Bay Area

1 引言

技术转移是指由于技术差距和互补性的存在，技术持有方通过某种方式将技术及其相关权利转让给需求方的过程，是科学技术转化为生产力的核心环节[1-2]。由于科技资源空间分布的不均衡，地区受制于自身资源禀赋而向外部寻求新的知识和技术，从而形成不同空间尺度的技术转移网络。在网络中，边缘地区通过有效借用规模可避免低端锁定，而核心地区积极发挥比较优势以避免集聚阴影[3]。因此，技术转移是缩小地区技术差距、促进资源优化配置、提高整体创新效能的重要途径。国家高度重视技术转移转化，2016年和2017年国务院相继出台了《促进科技成果转移转化行动方案》《国家技术转移体系建设方案》，推动科技成果跨区域转移扩散、开展区域试点示范、完善梯度技术转移格局。粤港澳大湾区地处沿海开放前沿，其科技资源集聚、新兴产业活跃、市场化国际化程度高，是技术转移和创新转型的先锋阵地[4]。2019年粤港澳大湾区建设上升为国家战略，以建设具有全球影响力的国际科技创新中心为目标。与中国乃至世界其他城市群不同，该区域具有“一国两制三关”的独特管理结构，内部的珠三角城市与港澳在发展阶段、产业结构、机制体制上均存在较大差异，使其仍面临着创新空间聚而不联、技术转移通道不畅、融合广度深度不够、创新动能释放不足等问题[5]。在此背景下，厘清粤港澳大湾区技术转移的空间关联与演化动力，对完善大湾区技术转移体系，实现创新资源的高效配置和创新要素的有效流动，促进大湾区协同创新发展具有重要的现实意义。
不同于管理学、科学学领域更多关注技术转移在微观主体间（个人、企业、组织、机构等）的关联特征，经济地理和城市地理学者们侧重于探讨这种微观的技术转移关系所呈现出宏观的空间知识溢出与技术扩散格局。既有研究主要聚焦于3个方面：① 技术转移的路径与空间关联的刻画。例如，由跨国公司对外直接投资主导的国家间技术转移[6]；由企业母公司对子公司控股的城市间技术转移[7]；又如，借助技术市场成交合同金额[8]、技术人员流动[9]、专利转让[10]、专利许可[11]等信息绘制城市间、省份间、区域间、国家间的技术转移图谱；抑或是借助引力模型将城市的属性数据转化为城际技术转移的关系数据[12]。② 技术转移的网络结构及其经济效应。一方面，学者们从空间分析和网络分析角度，探讨技术转移的集聚和扩散特征、技术创新的供需空间关系、等级性、组团性、空间异质性、时空复杂性及其组织模式演化等[13⇓⇓-16]；另一方面，学者们从网络外部性的角度，解析不同尺度技术转移联系对区域经济或创新绩效的影响[17]，抑或是从全球通道—本地蜂鸣理论出发，分析本地创新环境及本地网络组织对全球技术通道演化的影响[18-19]。③ 随着对跨区域技术转移网络认知的深入，其形成与演化机制成为研究的重点。例如，Osabutey等[20]从技术势差与技术需求理论出发，分析了南北国家间技术转移的影响因素；刘承良等[21]基于创新禀赋和多维邻近性视角，揭示了城市外商投资、技术吸收能力和城市间的地理空间、产业结构、创新能力、经济水平等邻近对东北三省城际技术转移的影响；Ma等[1]探究了地理、组织、制度、技术等邻近性对粤港澳大湾区城际技术转移网络的影响及多维邻近性之间的交互效应。定量分析过程中涉及到的方法主要是经济计量模型、空间计量模型、（零膨胀）负二项引力模型、多元回归的二次指派程序模型。虽然很多研究已经承认跨地域的技术转移为网络化的联系，并关注网络的拓扑结构及其复杂性（如小世界性、无标度性）[15]，但既有研究在探讨其影响机制时仍主要将城际技术转移视为双边联系，而忽视了网络本质以及网络内生结构对技术转移的影响[22]。
近年来空间网络的研究越来越多的受到社会网络和复杂网络理论的影响，研究发现技术转移网络中的边并非相互独立，网络的生长演化也并非节点的线性累加，节点在更新和变化过程中受到已存在的边联系影响，局部的模块化构型反复涌现并作用于全局网络结构，成为网络自组织的内生动力[23]。例如，王秋玉等[24]发现长江经济带技术转移网络具有较强的自组织生长能力和弱聚敛性；Broekel等[25]也发现三元闭合对德国区域间专利合作网络的影响强于其他外生因素。可以看出，区域技术转移网络本质上是内部成员相互依赖、共生演化的创新生态系统，技术转移关系的建立不可避免会受到系统中已有的其他关系的影响[26]。因此，影响城际技术转移的因素不仅有传统的外生动力，还包括网络的内生动力，忽略内生因素可能会高估外生因素对网络演化的作用[27-28]，进而影响网络治理的有效性与针对性。虽然已有部分研究尝试引入指数随机图模型，从结构依赖的角度对网络形成的内生机制进行了一定探讨，但基本针对静态的截面网络，难以刻画不同时段网络之间的动态关联，以致于得出的结论仍可能存在一定偏误。
鉴于此，本文利用2007—2018年城市间专利转移数据，构建粤港澳大湾区技术转移的空间关联网络，对其结构特征和时空演化进行分析与可视化，并引入动态指数随机图模型（Temporal Exponential Random Graph Model, TERGM），探寻和检验影响粤港澳大湾区技术转移空间关联网络演化的内外生机制。本文的贡献主要在于：理论上，整合网络统计分析与仿真模拟方法，针对动态网络面板数据，探讨粤港澳大湾区技术转移网络的演化规律及其内外生动力机制，以期深化对网络结构效应的认知；实践上，基于城市技术转移网络的演化动力分析，提出来自结构视角和微观机制的新发现，以期为粤港澳大湾区协同创新发展提供决策参考。

2 理论基础与研究假设

创新网络的形成和演化是国内外经济地理学的经典议题。在开放式创新系统下，创新主体间的关系不断向多边化、复杂化发展，形成相互影响、共生发展、动态演化的网络[29]。对其影响机制和演化动力的探寻也从传统的组织要素特征、多维邻近性等双边视角，向多边的结构依赖和动态的时间依赖角度深化。近年来，越来越多的学者呼吁加强对网络内生的自组织自演化机制的关注[30]，具体涉及科研合作网络[31]、专利合作网络[32]、技术转移网络[26]等。
从构建路径来看，城市技术转移网络与其他类型创新网络一样，本质上都是微观个体或机构之间的创新联系在城市尺度上的空间映射和宏观汇总。事实上，创新主体在建立跨区域创新联系时，不可避免地受到已有联系的影响。相互依赖的微观决策过程叠加体现于宏观城际关系，使得城市节点嵌入到特定的网络内生结构中，这种结构嵌入性塑造着城市创新禀赋又反身性作用于微观主体行为，进而促使局部构型在互馈中不断强化。可见，这一类的城市创新网络都受到外生和内生动力的共同影响。从实际内涵来看，与论文和专利合作相比，专利转让具有方向性，更能反映出创新过程中不均衡的供需空间效应[21]和复杂交互的内生结构效应；同时，相比于占专利申请比重较小的专利合作，专利转让量大，更能体现整个创新技术领域的复杂动态联系[15]，且基于专利转让的城际技术转移联系具有创新和经济的双重意义。因而，城际技术转移网络对探究创新网络内外生动力机制更具典型性与现实性。
本文基于“自下而上”和“内外兼顾”的逻辑，从资源禀赋理论和多维邻近理论出发，解析城市技术转移网络演化的外生动力；并从社会网络和复杂网络理论与路径依赖理论出发，解析城市技术转移网络演化的内生动力，详见图1的分析框架。在此基础上，提出粤港澳大湾区城际技术转移网络的潜在影响机制及其假设。
图1 城市技术转移网络演化机制分析框架

Fig. 1 Analytical framework of urban technology transfer network evolution mechanisms

2.1 外生动力与技术转移网络演化

Lusher等[33]指出网络的外生动力包括行动者属性与外生情境因素。行动者属性又区分发送者效应、接收者效应、发送者与接收者之间的趋同性或趋异性；外生情境因素包含其他网络的夹带效应与空间因素等。这与城市创新网络所关注的城市节点属性效应、城际关系属性效应不谋而合。在城市技术转移网络中，流量具有方向性，为了区分技术输出城市、技术输入城市，城市节点属性可对应于发送者效应和接收者效应。城际关系属性通常指城市之间在制度（文化）、组织、认知（技术）、社会、地理等方面的邻近性，这些可对应于趋同性以及空间因素等协变量网络（简称协网络）。因此，网络演化的外生机制在传统回归中已得到较丰富的检验。
就城市节点属性而言，虽然技术转移的主体是个人、企业、机构等，但微观活动不可避免地受交易主体所在的地域空间经济和创新禀赋的影响。大量研究发现，政府研发投入、企业研发投入、经济发展水平、创新能力、行政等级、人力资本、产业化水平、科技服务能力、区域开放程度等会影响城市的对外创新联系[10,15,21]。技术转移是一种双向交易行为，转让方和受让方的交易意愿可能受到相同因素影响的程度各异，因而需区分各种因素对技术转出城市的影响和技术引进城市的影响。参考已有研究，本文重点考察经济发展水平、研发投入水平、成果转化能力对技术转移的影响，并提出以下假设：
H1a：城市的经济水平、研发投入、转化能力在技术转出中发挥积极作用。
H1b：城市的经济水平、研发投入、转化能力在技术引进中发挥积极作用。
就城际关系属性而言，多维邻近被认为是影响技术交流的关键力量。例如，衡量交易双方空间接近程度的地理邻近性，可通过促进面对面交流、降低交易成本或与其他邻近性交互作用来促进城际技术流动[34]。由于技术转让涉及各种形式的互动，包括谈判、合同订立和信息交换，制度邻近性也会对技术转移产生重大影响。制度分正式的规则惯例、政策法规、政体制度和非正式的语言文化、宗教信仰、风俗习惯等。制度邻近可以通过标准化交互和培养基本信任来降低交易摩擦和成本，从而促进技术转移[1]。类似地，当交易双方来自相似的组织时，如同一机构的主体或同一省份的城市，其组织结构、层次关系和价值体系的邻近可以降低交易过程中的不确定性和机会主义[27]。而当交易双方存在其他关系嵌入的社会邻近时，也能够增强信任和减少投机，进而对技术转移产生推动作用[25]。此外，认知邻近性，技术网络中也称技术邻近性，被认为是知识溢出和技术扩散的前提。当交易双方的技术基础相近时，可促进技术转让过程中的有效学习和吸收转化，从而对技术转移起到积极影响[35]。考虑到组织邻近与制度邻近在城市口径上存在概念上的重叠，而社会邻近与内生动力的传递性存在共线性的可能[36]，本文主要考察制度邻近（趋同性）、认知邻近和地理邻近（协网络）对技术转移的影响，并提出以下假设：
H2：城市间的制度邻近、认知邻近、地理邻近在技术转移中发挥积极作用。

2.2 内生动力与技术转移网络演化

网络的内生动力是指网络关系可以通过自组织的过程形成一定的局部子图或微观构型，从而促进网络中其他关系的生成，诸多微规则的反复作用推动全局结构本质性变化[24]。根据网络理论和随机图模型，这些微观构型可以被有效识别并参数化为网络内生的结构变量，进而仿真模拟网络的演化过程[37]。对于有向面板网络而言，内生动力包括边效应、互惠效应、结构依赖效应、时间依赖效应。其中，边效应是形成关系的基础效应，用于控制网络规模，实际解释类似于线性回归中的截距项[28]。
互惠效应是交易过程中的基本倾向，反映了交易主体通过“回报”反馈来形成关系的模式[38]。《中华人民共和国促进科技成果转化法》要求各主体应尊重市场规律，按照互利公平的原则进行技术转移。一方面，创新主体之间注重知识互惠分享，发挥各自优势，实现互补共赢；另一方面，城市技术转移涉及跨地域技术交易，与外部市场的技术交互可能存在交易信息不对称、转化渠道不通畅的问题，因而更易于形成互惠的技术互动关系以降低风险和成本[26]。由于本文将跟踪网络的时序演化，所以将互惠效应区分为当期互惠性和延迟互惠性两种，并提出以下假设：
H3a：城市间当期建立的单向技术转移关系，倾向于在本期获得回馈形成互惠的关系。
H3b：城市间当期建立的单向技术转移关系，倾向于下一期获得回馈形成互惠的关系。
网络中结构依赖的典型表现为偏好依附和三元闭合。偏好依附是指网络中新加入的节点更易与已经有很多联系的节点产生关系的倾向，常通过节点的几何加权中心度分布来测度[39]，该统计量本身可理解为逆择优依附，为避免逻辑转换，模型中对其取相反数，使得正系数表示存在择优依附。在有向网络中，可以细分为出度的几何加权中心度分布和入度的几何加权中心度分布，分别刻画扩张性与聚敛性[40]。扩张性反映城市技术输出关系呈星形分布的倾向，随着各级政府积极推动科技成果跨区域转移扩散，不断强化中心城市的引领辐射功能，高行政等级和科技创新中心城市可能成为供给市场上的技术策源高地，呈现出轴幅式的空间辐射效应。聚敛性反映城市技术输入关系呈星形分布的倾向，技术积累水平是获取、吸收和利用外部技术的关键因素，具有先天资源禀赋和后天发展优势的城市可能成为需求市场上的技术引进明星，并产生强者愈强、弱者愈弱的马太效应。因此，本文提出以下假设：
H4a：城市间的技术输出具有偏好依附，网络存在扩张性特征。
H4b：城市间的技术输入具有偏好依附，网络存在聚敛性特征。
三元闭合是影响节点之间关系选择和驱动网络集群发展的重要内生机制，在宏观上表现为网络结构趋向稳定、形成紧密联系的社群、呈现“小世界”特征。从知识合作网络[25]、技术研发网络[27]到产业联盟网络[41]，都发现三元闭合机制在形成和维护网络关系中作用显著。Broekel等[27]指出三元闭合可视为“社会资本”，能够增强参与者之间的信任。目前中国技术交易市场发展还不成熟，闭合性可以有效促进交易多方间的合作互信、信息互通、渠道畅通，提高技术资源利用效率，是技术转移网络的演化发展方向。同时，在已有研究中，国家和区域技术转移网络中的社团结构、集聚效应和小世界性已经逐步被揭示。随着城市群战略和区域一体化的发展，这种倾向可能会更加凸显。考虑到流向的方向性，本文将三元闭合性可以分为传递闭合性和循环闭合性。传递闭合性是指3个城市（A, B, C）之间形成A→B、B→C、A→C的技术转移关系，是有一定层级性的单向闭合；循环闭合性是A→B、B→C、C→A的技术转移关系，是较为扁平化的环状闭合。因此，本文提出以下假设：
H5a：城市技术转移网络具有传递闭合倾向。
H5b：城市技术转移网络具有循环闭合倾向。
时间依赖效应是衡量网络在不同时刻保持关系稳定或发生变化的倾向。Hanneke等[42]和Leifeld等[43]指出网络中的关系不仅受结构依赖影响，还与其过去的状态有关。一方面，城市技术转移网络是空间流动偏好和社会关系内嵌的产物，具有一定的根植性甚至是自我强化性，所以网络可能有保持稳定的倾向；另一方面，《国家技术转移体系建设方案》提出要优化对口援助与帮扶机制，政府在技术转移中积极发挥引导作用，推动区域协调发展；同时，技术交易也是各方动态博弈的过程，城市的技术发展和积累的不同阶段会有不同的交易策略和空间导向，因而网络也可能有创新发展的倾向。在此基础上，本文提出以下假设：
H6a：城市技术转移网络具有稳定性，技术转移关系存在路径依赖特征。
H6b：城市技术转移网络具有创新性，技术转移关系存在路径创造特征。

3 研究方法与数据来源

3.1 有向加权网络构建

依据2019年发布的《粤港澳大湾区发展规划纲要》，粤港澳大湾区（简称大湾区）包括9个珠三角城市（广东省广州、深圳、珠海、佛山、惠州、东莞、中山、江门、肇庆）和2个特别行政区（香港、澳门）。截至2019年，大湾区拥有各类高等院校180多所，其中英国国际教育市场咨询公司QS（Quacquarelli Symonds）世界排名前100的有8所；集中分布科研院所800多家、世界500强企业16家和高新技术企业5万多家；研发经费投入占GDP的比重达2.90%，与美国、德国相当；生产发明专利33.08万件，占全国的1/5以上，是中国科技创新和技术转移最活跃的地区之一[44]。因此，粤港澳大湾区技术转移的空间关联是以11个城市为节点，构建城际技术转移网络。技术转移的路径多元，发明专利被认为是区域科技资产中最富经济效益和应用价值的部分，因而其交易数据成为衡量技术转移的常用指标[45]。根据国家知识产权局发布的年度报告，2018年专利转让22.28万次，占专利交易总次数的88.04%，可见专利转让是专利交易的主流形式，因此被广泛用于测度技术转移[46]。
与已有研究一致[1-2,15,18]，专利转让数据来自中国国家知识产权局网站（http://www.cnipa.gov.cn/）。通过爬虫技术和人工验证，获取2007—2018年法律状态关键词为“转移”的发明专利转让记录，包括专利名称、专利号、分类号、转让方和受让方及其地址、转让时间等信息。以此为基础，逐年统计粤港澳大湾区11个城市两两之间的专利转让件数，得到12个11×11的城际专利转移矩阵，对角线为0。2007年正值香港回归10周年，多项粤港合作项目启动，区域融合发展迎来新机遇，此后一系列政策相继出台，使得区域的协同发展有了实质性改善。2008年广东省发布《珠江三角洲地区改革发展规划纲要（2008—2020年）》；2009年粤港澳三地政府联合发布《大珠江三角洲城镇群协调发展规划研究》，提出构建珠江口湾区，粤港澳共建世界级城镇群；2014年深圳市政府工作报告提出打造湾区经济；2016年国务院印发《关于深化泛珠三角区域合作的指导意见》，明确要求广州、深圳携手港澳，共同打造粤港澳大湾区，建设世界级城市群；2017年《深化粤港澳合作推进大湾区建设框架协议》签署，粤港澳大湾区建设正式启动；2019年《粤港澳大湾区发展规划纲要》公布，粤港澳大湾区建设成为重大国家战略，进入全面实施阶段。
本文重点考察2007—2018年粤港澳大湾区技术转移网络的动态演化，以更好地解析网络微观的自组织效应，避免非常事件的干扰。考虑到专利的效用期和数据的波动性，采用2年的时间窗口统计城市间专利转让数，从而构建出2007—2008年、2009—2010年、2011—2012年、2013—2014年、2015—2016年、2017—2018年（简称2008年、2010年、2012年、2014年、2016年、2018年）6个连续时间断面的有向加权网络，以分析粤港澳大湾区技术转移的空间关联与演化动力。

3.2 网络分析方法

社会网络和复杂网络为城市网络的分析提供了系统的量化指标。对本文的有向加权网络，参考刘承良等[21]和Dai等[36]，测度节点指标、组团归属和网络整体属性。节点指标包括入度、出度、加权入度、加权出度。在城市技术转移网络中，入度和出度分别指城市专利转入的来源城市个数和专利转出的目的城市个数；加权入度和加权出度分别指城市专利转入总件数和转出总件数。总交易量、净转出量分别为加权出度与加权入度的总和与差值。通过社区探测划分城市组团归属类型。网络整体结构指标及解释如表1所示。
表1 网络整体结构指标及解释

Tab. 1 Indicators and explanation of global network structures

指标 解释
网络密度 网络中实际存在的边数与可能边数的比值，衡量网络疏密程度
平均度 入度或出度的平均值，两者相等，衡量网络中参与专利交易的伙伴数
平均加权度 加权入度或加权出度的平均值，两者相等，衡量网络中专利交易规模
度中心势 最大度与其他度的差值之和与最大可能差值总和的比值，衡量节点度的集中程度，1代表极化、0代表均衡。有向网络中可区分入度中心势和出度中心势
互惠性 网络中的互惠连接边数占总边数的比值，衡量有向专利交易的互惠程度
度相关性 网络中节点自身的度与其邻节点平均度之间的相关性，衡量网络的同配或异配性
平均路径长度 网络中任意两节点间最短路径的平均值，衡量网络的传输效率
全局集聚系数 网络中所有节点集聚系数的平均值，衡量网络的集群化发展程度
QAP相关性 两个网络之间的相关性，衡量网络整体结构的相似程度

3.3 网络演化模型设定

本文引进Hanneke等[42]提出动态指数随机图模型（TERGM）探讨网络演化的内生和外生动力机制。该模型在传统ERGM的基础上考虑了时间效应，可以综合检验节点属性变量、关系属性变量、网络结构变量和时间依赖变量对网络演化的影响。TERGM定义当前t时刻的网络Nt是t-k到t-1时间步长网络Nt-k, …, Nt-1的函数，其概率函数为：
P ( N t N t - k ,   … ,   N t - 1 ,   θ ) = e x p θ T h ( N t ,   N t - 1 ,   … ,   N t - k ) c ( θ ,   N t - k ,   … ,   N t - 1 )
式中：P(·)表示观测网络的实现概率；h(·)是模型统计量；θT是对应于统计量的参数； c(θ, Nt-k, …, Nt-1)是确保联合概率取值在0~1之间的标准化常数。
根据研究假设，构造如表2的模型统计量。其中，城市的经济发展水平、研发投入、成果转化能力分别用地区生产总值（GDP）、地方财政科技拨款额（exp）、科研成果转化能力（tech）表征，数据来源于对应年份的《广东省统计年鉴》《香港经济年鉴公报、《澳门统计年鉴》《中国城市竞争力年鉴》和《全球城市竞争力年鉴》。制度邻近性（ins）是虚拟变量，技术交易双方均为中国境内城市或均为港澳城市时为1，否则为0。地理邻近性（geo）通过城市间的空间邻接关系反映，邻接为1，否则为0。认知邻近性（cog）根据公式（2），利用两城市在各类发明专利申请量的余弦相似性计算。
c o g i j = ∑ k = 1 122 P i k P j k / ∑ k = 1 122 P i k 2 ∑ k = 1 122 P j k 2
式中：Pik、Pjk分别代表第k类发明专利的申请量占城市i、城市j发明专利总申请量的比例，根据发明专利的IPC分类号可知一共涉及122类。
表2 动态指数随机图的统计量设定

Tab. 2 Statistics specification of temporal exponential random graph models

类型 统计量 示意图 解释 假设
基础效应 边 edges 发生技术转移的基准倾向，类似于常数项 /
城市节点属性 发送者效应 nodeocov(GDP) 经济水平、研发投入、转化能力强的城市有更多技术输出的倾向 H1a
nodeocov(exp)
nodeocov(tech)
接收者效应 nodeicov(GDP) 经济水平、研发投入、转化能力强的城市有更多技术输入的倾向 H1b
nodeicov(exp)
nodeicov(tech)
城际关系属性 趋同性 nodematch(ins) 制度、认知、地理邻近的城市间有更多技术转移关系的倾向 H2
协网络效应 edgecov(cog)
edgecov(geo)
互惠效应 当期互惠性 mutual 单向技术转移在本期获得回馈互惠的倾向 H3a
延迟互惠性 delrecip 单向技术转移在下期获得回馈互惠的倾向 H3b
结构依赖效应 扩张性 gwodegree 城市技术输出关系呈星形分布的倾向 H4a
聚敛性 gwidegree 城市技术输入关系呈星形分布的倾向 H4b
传递闭合性 ttriple 3个城市间形成等级传递式技术转移关系的倾向 H5a
循环闭合性 ctriple 3个城市间形成扁平循环式技术转移关系的倾向 H5b
时间依赖效应 稳定性 stability 两城市间技术转移关系保持不变的倾向 H6a
创新性 innovation 两城市间技术转移关系从无到有的倾向 H6b
基于表2的设定，构建出包含所有假设的TERGM模型，具体如公式（3）所示。TERGM的参数估计采用马尔可夫蒙特卡洛极大似然法，该方法通过估计、诊断、比较、改进等步骤实现网络的仿真模拟和参数修正，得到趋于稳定的估计结果，从而揭示各种动力因素对网络演化的影响，TERGM的模拟与检验可在R语言的btergm程序包中通过mtergm实现。
P ( N t | θ t ,   N t - 1 ) = ( 1 / c ) e x p [ θ 0 e d g e s + θ 1 n o d e o c o v ( G D P ) + θ 2 n o d e o c o v ( e x p ) +                                             θ 3 n o d e o c o v ( t e c h ) + θ 4 n o d e i c o v ( G D P ) + θ 5 n o d e i c o v ( e x p ) +                                             θ 6 n o d e i c o v ( t e c h ) + θ 7 n o d e m a t c h ( i n s ) + θ 8 e d g e c o v ( c o g ) +                                             θ 9 e d g e c o v ( g e o ) + θ 10 m u t u a l + θ 11 d e l r e c i p + θ 12 g w o d e g r e e +                                           θ 13 g w i d e g r e e + θ 14 t t r i p l e + θ 15 c t r i p l e + θ 16 s t a b i l i t y + θ 17 i n n o v a t i o n ]

4 大湾区技术转移网络的时空演化特征

本文绘制了2008—2018年粤港澳大湾区城际技术转移网络的时空演化（图2），并统计了2008—2018年粤港澳大湾区城市技术转移量，包括专利转入转出的总交易量和专利的净转出量（表3）。从空间格局来看，粤港澳大湾区技术转移网络呈现出从松散均质分布到双核心驱动再到多中心互动的演化趋势（图2）。社群组团由2008年离散、跳跃的3个（香港、澳门组团，深圳、东莞、惠州、珠海、肇庆组团，广州、佛山、中山、江门组团）逐渐凝聚为2018年地缘关系显著的两个核心和外围组团（香港、澳门、珠海、江门、肇庆组团，深圳、广州、东莞、惠州、中山、佛山组团）。就节点层级而言，2018年深圳、广州是大湾区排名前两位的技术交易中心（表3）。深圳是区域的技术输出高地，而广州的技术转出和引进较为突出和均衡，双核之间的技术互惠交易密切。深圳向东莞、惠州、中山的技术转移量排列前5名，而广州向佛山、中山的技术转移量排列第9和第10。可见，依托深圳良好的企业创新能力和广州丰富的基础科教资源，对周边城市产生较强的辐射带动，因而东莞、佛山、中山、惠州相继位列技术交易第二梯队，除佛山与广州类似外，其余均为技术净流入型城市。东莞是大湾区珠三角东部片区的二级创新中心，与深圳合力带动惠州的发展，而佛山作为南部片区的二级创新中心，受广佛同城化影响，与广州合力带动中山的发展[47]。然而，对珠海、江门、肇庆的辐射作用有限，因而形成了紧密互动多维邻近的“深惠莞广佛中”组团。就城市群内部的发明专利转让而言，香港、澳门在大湾区的技术交易最不活跃，其在大湾区技术转移中呈现出单向输出和低网络地位的特点，这体现了制度差异和地域分工的深刻影响。香港和澳门回归后延续了资本主义制度，巩固了香港作为国际金融航运和贸易中心的地位，增强了澳门作为外汇和国际旅游目的地的影响力，使得香港、澳门主要发挥了大湾区对外窗口的作用。
图2 2008—2018年大湾区城市技术转移网络演化

Fig. 2 Evolution of urban technology transfer networks in the Guangdong-Hong Kong-Macao Greater Bay Area, 2008-2018

表3 2008—2018年大湾区城市技术转移量(件)

Tab. 3 Technology transfer volume of cities in Guangdong-Hong Kong-Macao Greater Bay Area, 2008-2018 (Piece)

2008年 2010年 2012年 2014年 2016年 2018年
总交
易量		 净转
出量		 总交
易量		 净转
出量		 总交
易量		 净转
出量		 总交
易量		 净转
出量		 总交
易量		 净转
出量		 总交
易量		 净转
出量
深圳 78 36 103 35 353 103 726 220 1461 577 2918 1012
广州 47 9 44 8 212 28 534 86 682 -110 1814 -80
东莞 57 -39 84 -44 224 -128 512 -174 662 -10 1438 -468
佛山 19 -9 28 2 90 -20 265 -43 481 59 995 11
中山 34 6 23 13 62 6 197 -51 168 62 835 -311
惠州 3 1 16 -12 35 -9 135 -83 509 -385 691 -95
珠海 38 2 39 9 34 -10 81 3 106 -8 403 -115
江门 3 -3 3 -3 18 -2 38 -14 182 -66 322 -116
肇庆 12 -8 11 -9 20 -20 25 -7 116 -60 266 108
香港 17 3 37 -17 83 53 196 62 212 -38 251 55
澳门 2 2 18 18 1 -1 3 1 27 -21 5 -1
分析2008—2018年粤港澳大湾区城际技术转移网络的结构特征（表4）。从拓扑结构来看，城际技术转移的广度和深度逐年拓展，11个城市间的专利转出和转入路径从2008年的30条上升到2018年的82条，网络密度高达0.745，互惠性也提高至0.655，平均交易伙伴数量（平均度）增加近两倍，而平均交易专利量（平均加权度）增加了30多倍。网络的度中心势呈现先增后减的态势，这是因为大湾区在2008年时，整体的技术协同水平较低，需促进技术要素从相对离散的状态往中心城市集聚，之后再通过中心城市集散走向多中心集散。出度的中心势起初明显高于入度的中心势，说明技术转出更为集中。到2014年后，出度与入度的中心势几乎一致，说明技术转出均衡化趋势明显。同时，网络度相关性为负，呈现异配性，说明大湾区技术转移具有择优链接偏好，使得网络结构呈现一定的“核心—边缘”特征。异配性也呈现先增后减的趋势，结合图1不难发现，2014年起在多项政策的推动下，大湾区的多中心网络化发展提质增效明显。网络的平均路径长度从2008年的2.022下降至2018年的1.255；全局集聚系数由0.108增加至0.521，技术转移的连通性和凝聚性均大大提升，网络整体韧性加强。此外，对不同研究时段粤港澳大湾区的城市技术转移网络进行QAP相关性分析（表5），可以看出每期网络都与其后一期网络的结构相似度最高，QAP相关性均在70%以上，说明技术转移存在一定的路径依赖，但随着时间的推移结构稳定性不断衰减，总体上呈现出稳中有变、渐进式发展的趋势。
表4 2008—2018年大湾区城市技术转移网络属性

Tab. 4 Properties of urban technology transfer networks in Guangdong-Hong Kong-Macao Greater Bay Area, 2008-2018

指标 2008年 2010年 2012年 2014年 2016年 2018年
节点数 11 11 11 11 11 11
边数 30 36 49 62 69 82
网络密度 0.273 0.327 0.445 0.564 0.627 0.745
平均度 2.727 3.273 4.455 5.636 6.273 7.455
平均加权度 14 18 51 123 209 452
度中心势 0.522 0.578 0.556 0.411 0.456 0.311
出度中心势 0.470 0.520 0.500 0.370 0.300 0.280
入度中心势 0.250 0.300 0.390 0.370 0.300 0.270
互惠性 0.145 0.200 0.273 0.418 0.491 0.655
度相关性 -0.133 -0.181 -0.234 -0.199 -0.146 -0.145
平均路径长度 2.022 1.791 1.544 1.500 1.391 1.255
全局集聚系数 0.108 0.153 0.271 0.288 0.331 0.521
表5 2008—2018年大湾区城市技术转移网络的QAP相关性

Tab. 5 QAP correlations of urban technology transfer networks in Guangdong-Hong Kong-Macao Greater Bay Area, 2008-2018

2008年 2010年 2012年 2014年 2016年 2018年
2008年 1 0.764 0.721 0.646 0.639 0.606
2010年 0.764 1 0.741 0.706 0.681 0.610
2012年 0.721 0.741 1 0.782 0.716 0.635
2014年 0.646 0.706 0.782 1 0.737 0.705
2016年 0.639 0.681 0.716 0.737 1 0.817
2018年 0.606 0.610 0.635 0.705 0.817 1

5 大湾区技术转移网络的演化动力机制

对2008—2018年大湾区城市技术转移网络进行TERGM模拟，其参数估计和拟合结果如表6所示。不论是内生动力模型还是外生动力模型，TERGM模拟时均需要加入基础项（边）以控制网络规模。模型1主要纳入城市节点属性和城际关系属性外生动力变量，以检验外生机制假设。模型2~模型6将外生动力作为控制变量，逐个加入内生动力变量，重点探究网络演化的内生机制。对于模型整体的拟合优度，AIC和BIC越小越好，而Log Likelihood越大越好。可见，考虑了内生机制后，模型精度大大提升。对包含所有动力且拟合度最优的模型6进行拟合优度（Goodness of Fit, GOF）检验，即基于模型6的估计参数进行了1000次仿真模拟，将模拟网络与真实网络的关键特征共享边伙伴数（Edge-wise Shared Partners）、二元共享伙伴数（Dyad-wise Shared Partners）、测地线距离（Geodesic Distances）、度数（Degree）、三元组普查（Triad Census）对比分析（图3）。图3f中曲线是真阳性预测率与假阳性预测率的比值ROC曲线，真假阳性预测率分别是同时在模拟网络、真实网络出现的创新联系的比重和在模拟网络但不在真实网络出现的创新联系的比重。从GOF检验看，实际网络的特征值（黑线）基本位于模拟网络指标值的箱图内，且ROC曲线靠近左上角，说明模型很好地模拟了真实网络的结构特征[43]，能够捕捉网络的动态演化机制。
表6 动态指数随机图模型的拟合结果

Tab. 6 Estimation results of temporal exponential random graph models

类型 统计量 模型1 模型2 模型3 模型4 模型5 模型6
基础项 edges -15.327*** -12.765*** -10.735*** -10.288*** -10.154*** -8.795***
(1.518) (1.511) (1.653) (1.762) (1.775) (1.932)
城市节点属性 nodeocov(GDP) 0.004** 0.004** 0.002** 0.001* 0.001* 0.001*
(0.001) (0.002) (0.001) (0.001) (0.001) (0.001)
nodeocov(exp) 0.015** 0.005** 0.005** 0.004** 0.005** 0.004**
(0.012) (0.012) (0.013) (0.013) (0.015) (0.016)
nodeocov(tech) 2.530*** 1.580*** 1.511*** 0.773** 0.598* 0.285*
(0.934) (0.965) (1.096) (1.067) (1.132) (1.221)
nodeicov(GDP) 0.002** 0.001** 0.001** 0.001** 0.001** 0.001*
(0.001) (0.001) (0.001) (0.001) (0.001) (0.001)
nodeicov(exp) 0.042** 0.041** 0.052*** 0.062*** 0.059*** 0.052**
(0.014) (0.014) (0.015) (0.016) (0.018) (0.018)
nodeicov(tech) 2.067*** 1.119*** 1.015* 0.528** 0.099* 0.170*
(0.921) (1.041) (1.135) (1.193) (1.235) (1.310)
城际关系属性 nodematch(ins) 1.936*** 1.561*** 1.188*** 0.902* 0.902** 0.922**
(0.306) (0.285) (0.333) (0.354) (0.340) (0.373)
edgecov(cog) 0.643*** 0.620*** 0.587*** 0.564** 0.379* 0.022*
(0.846) (0.837) (0.750) (0.771) (0.733) (0.631)
edgecov(geo) 1.275*** 1.001*** 0.802** 0.967*** 1.007*** 0.871**
(0.223) (0.210) (0.259) (0.263) (0.270) (0.292)
内生结构属性 mutual 1.304*** 1.043** 0.775* 0.567 0.076
(0.301) (0.338) (0.331) (0.353) (0.426)
delrecip 1.600*** 1.509*** 1.436*** 1.330***
(0.254) (0.257) (0.254) (0.297)
gwodegree 0.073*** 0.052 0.059*
(0.015) (0.023) (0.025)
gwidegree 0.038** 0.012 0.031
(0.013) (0.023) (0.024)
ttriple 0.152*** 0.185***
(0.168) (0.167)
ctriple -0.022** -0.020**
(0.079) (0.082)
stability 1.401***
(0.275)
innovation 0.409*
(0.141)
AIC 5740 5722 3874 3847 3847 3821
BIC 5804 5792 3946 3931 3943 3923
Log Likelihood -2860 -2850 -1925 -1910 -1907 -1894

注：***表示p < 0.001，**表示p < 0.01，*表示p < 0.05；括号中数值为稳健标准误。

图3 动态指数随机图模型的拟合优度图

Fig. 3 Goodness-of-fit plots of temporal exponential random graph models

从外生动力来看，无论是外生机制独立考察（模型1），抑或是与内生机制综合考察（模型2~模型6），H1和H2均得到验证。就H1而言，技术转出和引进城市的属性对技术转移的影响系数显著且存在差异，使得H1a和H1b的发送者效应与接收者效应亦得到验证。城市的经济发展水平、研发投入、科研成果转化能力均能促进技术转移，科研成果转化能力对技术转出城市的影响较强，而研发投入对技术转入城市的作用力更大，经济发展水平对两者影响的差距甚微。就H2而言，制度邻近在大湾区技术转移中的效应最强，以模型1为例，同一制度框架下（大湾区境内城市之间、港澳城市之间）的技术转移概率是跨制度的exp(1.936) = 6.931倍。空间相邻也发挥了重要作用，相邻城市之间技术转移的概率是不相邻的exp(1.936) = 3.578倍。认知邻近也对城际技术转移产生积极影响，虽然认知过于邻近可能导致技术锁定的邻近悖论，但目前粤港澳大湾区尚未达到倒“U”型的阈值。城市间技术领域的总体接近程度提高0.1，则技术转移的概率将是原来的exp(0.643) = 1.902倍。将模型对比不难发现，随着内生动力变量的加入，外生动力变量的系数逐渐降低，说明内生性因素可在一定程度上削弱技术转移对外生性因素的依赖。这与Pan[28]和桂钦昌等[32]在国际贸易网络、全球科研合作网络中的发现一致，体现了网络因素对资源禀赋、制度因素、空间距离的弥补作用。
从内生动力来看，模型2和模型3逐步纳入当期互惠和延期互惠变量，系数均为正数且显著，验证了H3a和H3b。随着内生性变量的增加，当前网络中的互惠性逐渐不显著，而延期互惠效应一直非常明显，说明当前技术转移中的互惠关系仍存在提升空间，但城市间当前建立的单向技术转移关系有助于后期互惠关系的回馈，进而促进技术交易往公平互利的方向演化。模型4中，gwodegree和gwidegree的系数分别为0.07、0.038且显著，说明网络存在择优依附偏好，具有扩张性和聚敛性，H4a和H4b得到验证。同时，扩张性强于聚敛性，且随着其他结构依赖的加入，扩张性变得不显著，说明技术转出流的星型结构较转入流的更明显，空间辐射效应强而马太效应弱，这与出度中心势高于入度中心势的统计特征吻合，也与程风雨从综合创新流角度对大湾区的实证发现相似：大湾区的创新引擎和辐射引领作用明显，而并未出现强者恒强、弱者恒弱的局面[48]。但与王秋玉等在长江经济带技术转移网络中的发现相反，长江经济带技术转移的聚敛性强而扩张性弱[24]，体现了不同城市群的创新发展阶段各异，粤港澳大湾区的创新网络发展相对优化和协同。模型5中ttriple的系数显著为正，而ctriple的系数显著为负，验证了H5a假设但拒绝了H5b假设，说明大湾区技术转移呈现的集群化发展趋势主要得益于传递闭合结构的增加，而循环闭合结构不太容易形成和维持。这一机制在国际贸易网络中亦较为常见[40,49]，说明技术转移关系倾向于沿着特定的流向传递，在集聚的同时也存在一定等级性。此外，当闭合性变量加入后，依附偏好变得不显著，与长三角城市群的择优链接强于传递闭合效应不同[27]，粤港澳大湾区城市间的创新交互更加均衡、多元和协调，体现了大湾区构建协调创新共同体的优越性。模型6中stability和innovation的系数分别为1.401、0.409，且均显著，验证了H6a和H6b，说明大湾区的技术转移呈现明显的路径锁定效应，其演化过程兼具路径创造特征[50]。

6 结论与讨论

本文基于国家知识产权局的发明专利转让数据，构建2007—2018年6个时间断面的粤港澳大湾区技术转移空间关联网络，在网络特征描述性分析的基础上，利用动态指数随机图模型，探讨网络演化的外生和内生动力机制。主要结论如下：
（1）大湾区技术转移网络逐渐从松散均质向双核心驱动再向多中心互动演化。深圳、广州是区域技术交易中心，通过密切的技术转移带动东莞、佛山、中山、惠州发展成为第二梯队，形成了多维邻近的“深惠莞广佛中”组团。深广对珠海、江门、肇庆的辐射作用有限，3城与技术交易最不活跃的港澳地区形成外围组团。香港、澳门在区域技术转移中呈现出单向输出和低网络地位的特点，体现了制度差异和地域分工，也与城市群内部的研究尺度和专利的数据源有关。
（2）大湾区技术转移网络不断纵深拓展，转移路径稳中有变，结构趋向优化。网络密度和互惠性提升明显，网络中心势和异配性先增后降，符合区域网络成长规律。技术转出和转入总体趋于均衡，技术转移过程中的依附偏好也在弱化，等级结构趋向收敛。网络的平均最短路径降低而全局集聚系数上升显著，技术转移的传输性与凝聚力增强。后一期的网络与前一期的结构相似度均在七成以上，技术转移为渐进式发展。
（3）大湾区技术转移网络演化受内外生动力共同驱动，内生因素可降低对外生因素的依赖。城市的经济发展水平、研发投入、科研成果转化能力能促进技术转移，成果转化能力对技术转出城市的影响较强而研发投入对技术转入城市的作用更大。制度邻近对大湾区技术转移的促进效果最明显，其次是地理邻近和认知邻近。延迟互惠性、传递闭合性、稳定性和创新性是网络演化的重要内生机制，促使技术转移网络呈现出互惠性增强、等级式传递、集群化发展、路径锁定与路径创新共存的特征。
根据上述结论，对粤港澳大湾区的协同创新发展得到3点政策启示。① 大湾区的珠三角内技术转移已形成了以深广为核心，邻近的东莞、佛山、中山、惠州为第二梯队，而珠海、江门、肇庆受技术辐射有限的三级梯队格局，需进一步深化统筹技术创新空间布局，以点带面，加快建设深莞惠、广佛肇都市圈，进而基于多维邻近，加强与周边城市的战略融合，实现更大地域空间上的协同发展。② 在城市群内部尺度下，港澳地区与珠三角城市间的技术转移联系总体不够紧密，需进一步破除粤港澳三地在技术转移转化方面的体制机制壁垒，一方面可通过政策协调实现三地技术联动，另一方面需强化港澳优质金融服务、科技服务与珠三角庞大技术市场与需求的匹配对接。③ 大湾区的技术转移网络具有一定稳定性，路径创新较难一蹴而就，但网络因素可对资源劣势、技术不足、制度差异等因素起到弥补作用，需进一步优化粤港澳技术关联网络结构，发挥网络连通效应和规模借用效应，同时抓住产业园区、科创平台共建和珠江西岸科创走廊建设等契机，加快实现路径突破，也可推动三地科技要素国际化联动，助力粤港澳联合创新。相比于长三角等其他城市群[12,21,27]，制度壁垒和地域分割仍是粤港澳大湾区创新要素流动的主要障碍，而本研究通过构建动态指数随机图模型，将技术转移网络的影响机制研究从外生深入到内生，并从网络截面数据拓展到网络面板数据，更精准地模拟网络的演化动力，发现内生结构因素可以削弱外生动力因素的影响，从而为促进粤港澳大湾区技术转移链条的畅通发展提供新思路。不可否认，本文也存在一些问题，例如，专利是可编码的技术载体，而未能体现城市之间不被编码的技术流，香港和澳门在技术转移中地位的低估也与数据源有关，未来可基于技术风投、企业控股、产业链等维度对技术转移网络进行探讨。此外，本文只考虑了大湾区内部的专利交易，香港、澳门作为大湾区的对外门户，其技术流动涉及区域、国家和全球范围，未来需加强多尺度技术流演化特征和动力的分析。
关联数据信息：本文关联实体数据集已在《全球变化数据仓储电子杂志（中英文）》出版，获取地址： https://doi.org/10.3974/geodb.2024.05.10.V1.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Ma H, Wei Y D, Dai L, et al. The proximity and dynamics of intercity technology transfers in the Guangdong-Hong Kong-Macau Greater Bay Area: Evidence from patent transfer networks. Environment and Planning A: Economy and Space, 2022, 54(7): 1432-1449.

[2]
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

[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.]

[3]
Li Dandan, Ma Haitao, Miao Changhong. Research on evolution of Yellow River Basin innovation network and cultivation of Zhengzhou-Luoyang-Xi'an innovation corridor. Bulletin of Chinese Academy of Sciences, 2022, 7(12): 1807-1818.

[李丹丹, 马海涛, 苗长虹. 黄河流域创新网络演化与郑洛西创新走廊培育研究. 中国科学院院刊, 2022, 37(12): 1807-1818.]

[4]
Wu Kangming, Zhang Hongou, Ye Yuyao, et al. Measurement and evolution characteristics of collaborative innovation in the Guangdong-Hong Kong-Macao Greater Bay Area. Progress in Geography, 2022, 41(9): 1662-1676.

DOI

[吴康敏, 张虹鸥, 叶玉瑶, 等. 粤港澳大湾区协同创新的综合测度与演化特征. 地理科学进展, 2022, 41(9): 1662-1676.]

DOI

[5]
Wang Yun, Yang Yu, Liu Yi. The Guangdong-Hong Kong-Macao Greater Bay Area developing into an international innovation and technology hub: A global perspective and theoretical model. Geographical Research, 2020, 39(9): 1958-1971.

DOI

[王云, 杨宇, 刘毅. 粤港澳大湾区建设国际科技创新中心的全球视野与理论模式. 地理研究, 2020, 39(9): 1958-1971.]

DOI

[6]
Nepelski D, De Prato G. International technology sourcing between a developing country and the rest of the world: A case of China. Technovation, 2015, 35: 12-21.

[7]
Liu Yaobin, Sun Min. Spatial pattern of interurban technology transfer network in China: A case study from the corporate holding and patent transfer. Scientia Geographica Sinica, 2022, 42(10): 1695-1705.

DOI

[刘耀彬, 孙敏. 中国城市技术转移网络空间格局分析: 基于企业控股与专利转移的视角. 地理科学, 2022, 42(10): 1695-1705.]

[8]
Pan Xiongfeng, Zhang Jing, Mi Gu. Spatial pattern evolution and inner differences of Chinese interregional technology transfer. Studies in Science of Science, 2017, 35(2): 240-246.

[潘雄锋, 张静, 米谷. 中国区际技术转移的空间格局演变及内部差异研究. 科学学研究, 2017, 35(2): 240-246.]

[9]
Trippl M. Scientific mobility and knowledge transfer at the interregional and intraregional level. Regional Studies, 2013, 47(10): 1653-1667.

[10]
Huang Yongchun, Qian Xinyi, Yan Xiang, et al. The evolution and driving factors of green technology transfer network in the Yangtze River Delta. Science & Technology Progress and Policy, 2022, 39(21): 45-55.

[黄永春, 钱昕怡, 严翔, 等. 长三角绿色技术转移空间关联网络演化及驱动因素研究. 科技进步与对策, 2022, 39(21): 45-55.]

[11]
Seo I, Sonn J W. The persistence of inter‐regional hierarchy in technology transfer networks: An analysis of Chinese patent licensing data. Growth and Change, 2019, 50(1): 145-163.

[12]
Li Qingbo, Li Zibiao. Network structure and network governance of technology transfer in Beijing-Tianjin-Hebei region. Science and Technology Management Research, 2019, 39(3): 99-106.

[李庆博, 李子彪. 京津冀区域技术转移网络结构与网络治理. 科技管理研究, 2019, 39(3): 99-106.]

[13]
Zhang Jianwei, Liang Changan, Hu Zhengyu, et al. Spatiotemporal characteristics of intercity technology transfer network in the Yellow River Basin. Economic Geography, 2020, 40(5): 58-69.

[张建伟, 梁常安, 胡正玉, 等. 黄河流域市际技术转移网络的时空特征. 经济地理, 2020, 40(5): 58-69.]

[14]
Wang Bangjuan, Wang Tao, Liu Chengliang. Spatiotemporal dynamics of China's technology transfer hubs and their hinterworlds. Acta Geographica Sinica, 2023, 78(2): 293-314.

DOI

[王帮娟, 王涛, 刘承良. 中国技术转移枢纽及其网络腹地的时空演化. 地理学报, 2023, 78(2): 293-314.]

DOI

[15]
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

[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.]

DOI

[16]
Bednarz M, Broekel T. The relationship of policy induced R&D networks and inter-regional knowledge diffusion. Journal of Evolutionary Economics, 2019, 29(5): 1459-1481.

DOI

[17]
Luan Xinchen, Zhu Shengjun, Mao Xiyan. Impact of technology transfer network on urban innovation capability from a multi-scale perspective. Scientia Geographica Sinica, 2023, 43(1): 11-19.

DOI

[栾心晨, 朱晟君, 毛熙彦. 多尺度视角下技术转移网络对城市创新能力的影响. 地理科学, 2023, 43(1): 11-19.]

DOI

[18]
Liu Chengliang, Yan Shanshan. Spatial evolution and determinants of transnational technology transfer network in China. Acta Geographica Sinica, 2022, 77(2): 331-352.

DOI

[刘承良, 闫姗姗. 中国跨国城际技术通道的空间演化及其影响因素. 地理学报, 2022, 77(2): 331-352.]

DOI

[19]
Cao Z, Derudder B, Dai L, et al. 'Buzz-and-pipeline' dynamics in Chinese science: The impact of interurban collaboration linkages on cities' innovation capacity. Regional Studies, 2022, 56(2): 290-306.

[20]
Osabutey E, Croucher R. Intermediate institutions and technology transfer in developing countries: The case of the construction industry in Ghana. Technological Forecasting and Social Change, 2018, 128: 154-163.

[21]
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

[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

[22]
Ma D, Yu Q, Li J, et al. Innovation diffusion enabler or barrier: An investigation of international patenting based on temporal exponential random graph models. Technology in Society, 2021, 64: 101456. DOI: 10.1016/j.techsoc.2020.101456.

[23]
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

[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

[24]
Wang Qiuyu, Zeng Gang, Yang Wenlong, et al. Research on structure and effect mechanism of technology transfer network in Yangtze River Economic Belt. Resources and Environment in the Yangtze Basin, 2022, 31(1): 1-12.

[王秋玉, 曾刚, 杨文龙, 等. 长江经济带技术转移网络结构及影响机制探究. 长江流域资源与环境, 2022, 31(1): 1-12.]

[25]
Broekel T, Hartog M. Determinants of cross-regional R&D collaboration networks:An application of exponential random graph models//Scherngell T. The Geography of Networks and R&D Collaborations. Berlin, Heidelberg, New York: Springer, 2013: 49-70.

[26]
Chen Yufen, Wang Keping, Yu Cheng. Interprovincial technology transfer in China: Spatial correlation and endogenous evolution mechanism. Studies in Science of Science, 2023, 41(1): 38-50.

[陈钰芬, 王科平, 喻成. 中国省际技术转移: 空间关联与内生演化机制. 科学学研究, 2023, 41(1): 38-50.]

[27]
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

[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

[28]
Pan Z. Varieties of intergovernmental organization memberships and structural effects in the world trade network. Advances in Complex Systems, 2018, 21(2): 1850001. DOI: 10.1142/S0219525918500017.

[29]
Gu Weinan, Liu Hui, Wang Liang. International research on the evolution mechanisms of innovation networks. Progress in Geography, 2019, 38(12): 1977-1990.

DOI

[顾伟男, 刘慧, 王亮. 国外创新网络演化机制研究. 地理科学进展, 2019, 38(12): 1977-1990.]

DOI

[30]
Broekel T, Balland P A, Burger M, et al. Modeling knowledge networks in economic geography: A discussion of four empirical strategies. The Annals of Regional Science, 2014, 53(2): 423-452.

[31]
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.

[32]
Gui Qinchang, Du Debin, Liu Chengliang, et al. The evolution of the global scientific collaboration network: A stochastic actor-oriented model approach. Geographical Research, 2022, 41(10): 2631-2647.

DOI

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

DOI

[33]
Lusher D, Koskinen J, Robins G. Exponential Random Graph Models for Social Networks:Theory, Methods, and Applications. Cambridge: Cambridge University Press, 2013: 9-15.

[34]
Wang Jiaoe, Du Fangye, Jing Yue, et al. Space-industry path of technology transfer: An empirical study of Northeast China. Resources Science, 2022, 44(2): 365-374.

DOI

[王姣娥, 杜方叶, 景悦, 等.东北地区城际专利转移的空间: 行业路径与影响因素. 资源科学, 2022, 44(2): 365-374.]

[35]
Balland P A, Belso-Martínez J A, Morrison A. The dynamics of technical and business knowledge networks in industrial clusters: Embeddedness, status or proximity? Economic Geography, 2016, 92(1): 35-60.

[36]
Dai L, Derudder B, Cao Z, et al. Examining the evolving structures of intercity knowledge networks: The case of scientific collaboration in China. International Journal of Urban Sciences, 2023, 27(3): 371-389.

[37]
Harris J K. An Introduction to Exponential Random Graph Modeling. London: Sage Publication, 2013: 50-129.

[38]
Liu Linqin, Yan Xiaofei, Yang Lisi, et al. Research on the evolution and endogenous mechanism of international trade dependence network. China Industrial Economics, 2021(2): 98-116.

[刘林青, 闫小斐, 杨理斯, 等. 国际贸易依赖网络的演化及内生机制研究. 中国工业经济, 2021(2): 98-116.]

[39]
Hunter D R. Curved exponential family models for social networks. Social Networks, 2007, 29(2): 216-230.

DOI PMID

[40]
Luo Chaoliang, Fu Zhengping, Liu Bing, et al. Research on the evolution of strategic emerging industries' international trade network and its dynamic mechanism. Journal of International Trade, 2022(3): 121-139.

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

[41]
Giuliani E. Network dynamics in regional clusters: Evidence from Chile. Research Policy, 2013, 42(8): 1406-1419.

[42]
Hanneke S, Fu W, Xing E. Discrete temporal models of social networks. Electronic Journal of Statistics, 2010, 4: 585- 605.

[43]
Leifeld P, Cranmer S J, Desmarais B A. Temporal exponential random graph models with btergm: Estimation and bootstrap confidence intervals. Journal of Statistical Software, 2018, 83(6): 1-36. DOI: 10.18637/jss.v083.i06.

[44]
Ye Yuyao, Wang Jingshi, Wu Kangmin, et al. Strategic thinking regarding building an international science and technology innovation center in the Guangdong-Hong Kong-Macao Greater Bay Area. Tropical Geography, 2020, 40(1): 27-39.

DOI

[叶玉瑶, 王景诗, 吴康敏, 等. 粤港澳大湾区建设国际科技创新中心的战略思考. 热带地理, 2020, 40(1): 27-39.]

DOI

[45]
Bi Pengjun, Tang Zilai, Li Ziyue. The evolution of the Yangtze River Delta city network in the process of innovation integration: A perspective from technology transfer. Urban Planning Forum, 2022(1): 35-43.

[毕鹏翔, 唐子来, 李紫玥. 创新一体化进程中的长三角城市网络演化: 基于技术转移的视角. 城市规划学刊, 2022(1): 35-43.]

[46]
Liu W, Tao Y, Bi K. Capturing information on global knowledge flows from patent transfers: An empirical study using USPTO patents. Research Policy, 2022, 51(5): 104509. DOI: 10.1016/j.respol.2022.104509.

[47]
Liu Xinyi. Structure and division of urban innovation network in the Guangdong-Hong Kong-Macao Greater Bay Area. Scientia Geographica Sinica, 2020, 40(6): 874-881.

DOI

[刘心怡. 粤港澳大湾区城市创新网络结构与分工研究. 地理科学, 2020, 40(6): 874-881.]

DOI

[48]
Cheng Fengyu. Spatial relationship of science and technology innovation and the driving mechanism in the Guangdong-Hong Kong-Macao Greater Bay Area. Statistics and Decision, 2022, 38(20): 77-82.

[程风雨. 粤港澳大湾区科技创新的空间关联及其驱动机制. 统计与决策, 2022, 38(20): 77-82.]

[49]
Tang Xiaobin, Cui Maosheng. Research on the dynamic change of goods trade network structure and its impact mechanism of countries along the Belt and Road. Journal of Finance and Economics, 2020, 46(7): 138-153.

[唐晓彬, 崔茂生. “一带一路”货物贸易网络结构动态变化及其影响机制. 财经研究, 2020, 46(7): 138-153.]

[50]
Li Wenhui, Xian Chuying, Chen Liru, et al. Research on technological innovation flow in Guangdong-Hong Kong-Macao Greater Bay Area based on patent measurement. World Regional Studies, 2023, 32(12): 129-141.

DOI

[李文辉, 冼楚盈, 陈丽茹, 等. 基于专利计量的粤港澳大湾区技术创新流动研究. 世界地理研究, 2023, 32(12): 129-141.]

Options
文章导航

/

〈 〉