中国技术转移枢纽及其网络腹地的时空演化

图1 “技术转移枢纽—网络腹地”空间级联系统理论框架示意图

Fig. 1 Spatial cascading system theoretical framework of high-level technology transfer hubs and their hinterworlds

在现实网络中，枢纽是指拥有大量连接的少数节点^[31]，对于技术转移网络，技术流动由于受技术势差^[32-33]、扩散通道（经济差异、产业结构、资源禀赋、政策等）^[34-35]、研发投入^[10,36]和市场需求^[18]等多种因素的扰动，城市技术转移能力的大小存在很大差异，本文的技术转移枢纽是指在技术转移网络中辐射或集聚能力突出并占据领导和支配地位的地区或城市。其服务对象不仅包括邻近节点，也覆盖区域的其他枢纽和节点，呈现要素强集聚性和强辐射扩张性双重特性^[37]。一方面在市场需求的牵引下^[18]，枢纽凭借良好的创新环境和技术研发投入^[10,36]构建出的大平台、大通道和全链条网络，吸引网络腹地的技术不断向枢纽集聚^[37]，使之成为技术创新体系中的集聚地和辐合源；另一方面在技术势差、扩散通道的驱动下^[33,35]，通过要素的流动、重组和整合，技术转移枢纽不断向网络腹地进行多层次的技术辐射和扩散输出^[38]，使之成为技术创新体系中的策源地和辐射源^[28]。技术转移枢纽根据等级可以划分为国家级、区域级和地方级；按功能可以划分为辐射型（技术扩散能力大于集聚能力）、辐合型（技术集聚能力大于扩散能力）与集散型（技术扩散与集聚能力相均衡）3种功能组织和单功能主导、双功能主导和综合性3种功能类型。

由于集聚和扩散效应，枢纽往往是多功能的，呈现“大而专”的特点^[26]，枢纽之间互联互通，并与其自身联系的节点构成枢纽单元（即网络腹地），然后多个枢纽单元共同组成网络^[38]。技术转移枢纽—网络下的腹地是一个范围更广、地理空间约束较弱的网络腹地，网络腹地之间不再相互排斥而是相互兼容，技术转移枢纽之间的联系呈现多元化和互惠性特征，枢纽既可以共享腹地，也可以互为腹地^[39]。枢纽与网络腹地之间通过技术转移紧密相连，网络腹地在获得技术溢出的同时并对枢纽产生正向的反馈作用^[28]。通过网络关系，技术转移枢纽与其网络腹地之间通过优先连接（preferential attachment）、邻近效应（proximity effect）和路径依赖（path dependence）^[40]进行技术的空间集聚和扩散。在优先连接原则下，新的节点会优先与能级较高的技术转移枢纽进行渐进式或跳跃式连接^[41]，在“富者愈富”或“向心力”作用下使得一些技术转移枢纽发育出累积循环优势^[40]，形成“外围+周边”的腹地范围态势。与此同时，在空间相互作用机制下，认知、地理和社会等多维邻近性促进技术转移枢纽与相邻地区之间在共同知识、经验和技巧等方面的流动和转移^[5,42]，进一步巩固了技术转移枢纽对周边腹地的影响力和辐射力，腹地规模呈扩张趋势。随着时间的推移，在以上两种作用机制下，技术转移枢纽与周边和外围腹地之间的技术转移关系形成某种路径依赖效应^[43]，枢纽和腹地因技术匹配、交易成本降低和合作制度化等有利条件形成技术转移的相互依赖关系，对未来区域技术转移路径的保持产生强大惯性^[40]，腹地规模可能会呈现收缩态势。在这些作用机制下，不同等级层次的技术转移枢纽往往会形成相互嵌套、彼此关联的空间组织体系，这种空间组织体系经过不断的层级互动和相互联系^[44]，形成了高等级与低等级技术转移枢纽共生的等级结构，打破了传统中心—腹地单元封闭系统的局限，最终形成空间级联系统视域下枢纽之间、枢纽—腹地之间有效连通的技术转移枢纽—网络腹地系统^[26]。

3 数据来源与研究方法

3.1 数据来源与处理

专利权转让数据来自中国知识产权专利信息服务平台（数据暂未含港澳台地区），包括专利标题、专利编号、专利名称、专利所属类别编号、专利转让前后权利所属人与地址、专利申请、授权与转移时间。根据检索结果，2004年以前专利转移量较少，基于数据的可获得性，研究时段选取为2004—2018年。依据等间距原则划分为2004—2008年、2009—2013年和2014—2018年3个阶段。通过数据清洗和属性提取，建立城际专利权转让关系空间数据库。依据Schmoch^[45]建立的分类法，将原始的IPC数据编码分为五大部门（电气工程、机械工程、化学、仪器和其他部门）和35个技术领域，以识别专利转移的功能类型。

3.2 技术转移枢纽的等级规模划分

3.2.1 加权自我网络分析

构建加权自我网络（Weighted Ego Network Analysis, WENA），运用加权平均中心秩（Weighted Average Centrality Rank, WACR）来衡量城市的技术转移能级^[46]，既能表征城市的技术转移规模，又能呈现整个网络与局部城市网络的关系。

（1）构建加权有向网络P(V, E)。基于图论原理，以城市为节点集V，以它们之间的专利权交易为边集E，以专利权交易数量为权重，构建技术转移的加权非对称矩阵：

（1）

P = [\begin{matrix} P_{11} & 0 & \dots & P_{1 (n - 1)} & P_{1 n} \\ 0 & P_{22} & \dots & P_{2 (n - 1)} & P_{2 n} \\ \dots & \dots & 0 & \dots & \dots \\ P_{(n - 1) 1} & P {}_{(n - 1) 2} & \dots & 0 & P_{(n - 1) n} \\ P_{n 1} & P_{n 2} & \dots & P_{n (n - 1)} & 0 \end{matrix}]

（2）计算城市加权度中心性。公式为：

（2）

w k_{i} = \sum_{j = 1}^{N} a_{i j}

式中：wk_i为城市i的加权度；a_ij为城市i与其他城市技术转移的数量。

（3）修正链路强度权重。在自我网络分析中，从城市i到其所有邻居城市j的每个链路强度（p_ij）被定义为城市i的加权度（wk）的倒数：

（3）

p_{i j} = \frac{1}{w k_{i}} (j \in N_{i})

式中：N_i是节点i相邻节点的集合。

针对链路强度缺陷，本文将城市i到相邻城市j的链路强度权重（w_ij）修正定义为城市j与i所有相邻城市度加权之和的比值：

（4）

w_{i j} = \frac{w k_{j}}{\sum_{j = 1}^{m} w k_{j}} (j \in N_{i})

式中：m是N_i集合节点的数量；wk_j是城市j的加权度。

（4）计算网络约束强度。城市i到城市j的约束（C_ij）由城市i到城市j的直接连接强度和间接连接强度之和的平方计算：

（5）

C_{i j} = (w_{i j} {+ \sum_{} {w^{'}}_{i j})}^{2} = (w_{i j} + \sum_{q} w_{i q} w_{q j})^{2} (j \in N_{i}, q \in N_{i}, q \neq i, q \neq j)

式中：w_ij是从城市i到其邻居j的直接连接强度； ${w^{'}}_{i j}$ 表示i与j不直接连接，但是城市i与两个相连城市（城市j和城市q）直接连接。

（5）计算加权平均中心秩：

（6）

W A C R_{i} = \frac{k_{i}}{\sum_{j = 1}^{m} (w_{i j} + \sum_{} w_{i q} w_{q j})^{2}} (j \in N_{i}, q \in N_{i}, j \neq s)

在加权自我技术转移网络中，城市i的WACR值越大，则城市i在技术转移网络中的流量传输作用越显著，城市的技术转移能级或重要性越高。为了对不同年份进行比较，对结果进行了无量纲化处理。

3.2.2 Ht-index等级分类

等级层次结构是大多数地理分形体所具有的共性，也是事物在地理空间上按层级缩放的重要特征。Ht-index方法可以为具有重尾分布的数据捕捉这种不平衡的层次结构和标度结构^[47]。所谓Ht-index即头/尾中断法，是指以递归地导出固有类或层次的方法。通过计算平均值将所有数据值分为两部分，头部（高于平均值部分）和尾部（低于平均值部分）。对头部的值重复这个过程，直到头部的值不是重尾的即止^[48]。经一定次数循环迭代后，则能获得不同分级的区间数值，即技术转移枢纽的不同等级（图2）。为能进行纵向对比，本文通过Ht-index运用统一的划分标准对计算的所有WACR值进行等级划分。

图2

图2 Ht-index等级分类示意图

Fig. 2 The head/tail breaking

3.2.3 优势流分析

优势流是根据城市规模和要素的最大流向来反映城市在网络体系中的层级主导地位^[49]。本文优势流分析中的要素流为两个城市之间的专利转移量，用WACR值来表征城市规模。Ht-index划分的城市等级结构是垂直但无联系的，借助优势流可以明确不同等级城市之间的联系。

3.3 技术转移枢纽的功能类型划分

引入区位熵来确定技术转移枢纽的主导技术部门领域：

（7）

C C = \frac{C_{i k} / C_{i}}{C_{k} / C}

式中：C_ik为i枢纽k部门领域的专利转移量。若区位熵大于1，则为主导部门领域。根据主导部门数量将技术转移枢纽的功能类型划分为单功能主导型、双功能主导型和多功能综合型3种模式。

3.4 技术转移枢纽的网络腹地划分

3.4.1 技术转移枢纽的网络腹地划分

借鉴相对关联度方法来划分技术转移枢纽的网络腹地^[23]：

（8）

V_{p q} = a + b N_{q} + R_{p q} (q = 1, 2, \dots, n, p \neq q)

式中：V_pq表示节点q城市与其他城市p（p =1, 2, …）的技术转移强度；N_q表示总技术转移强度。将V_pq与N_q进行回归分析，用残差R_pq分析城市q的连通性。若残差R_pq > 0，则城市p与城市q是强关联的，若残差R_pq< 0，则城市p与城市q是弱关联的。其中，将强关联的城市定义为技术转移枢纽的核心腹地，弱关联城市定义为技术转移枢纽的外围腹地。

3.4.2 加权网络腹地规模测度

通过计算专利转移量加权的地理影响范围来测度技术转移枢纽的网络腹地规模：

（9）

S_{i} = {(\bar{a_{i j}} \times \bar{d_{i j}})}^{2}

式中：S_i表示技术转移枢纽的加权网络腹地规模； $\bar{a_{i j}}$ 和 $\bar{d_{i j}}$ 分别表示城市i与城市j的平均专利转移量和平均地理距离，其中距离为欧式距离。

4 中国技术转移枢纽的时空演化

4.1 中国技术转移枢纽的等级结构与空间演化

4.1.1 呈典型“金字塔”型结构，阶层固化现象较为突出

2004—2018年间中国技术转移枢纽技术引进和技术转出规模均呈现出典型的“金字塔”型等级层次结构，形成国家级、区域级和地方级3个层级。技术转出枢纽不断涌现，遵循区域高度集聚规律，且保持基本恒定性和一定突变性（图3）。

图3

图3 2004—2018年中国技术转移枢纽等级的空间演化

注：基于自然资源部标准地图服务网站审图号为GS(2019)1823号的标准地图绘制，底图边界无修改；港澳台数据暂缺。

Fig. 3 Spatial evolution of hierarchical structure in China's technology transfer hubs from 2004 to 2018

（1）发育良好的等级层次性，遵循无标度律和位序—规模法则。从层级统计看，2004—2018年间中国技术转移枢纽技术转出和引进的位序—规模分布均表现出无标度性，幂律拟合优于指数拟合，拟合优度在0.95~0.98之间。此外，技术转移枢纽由帕累托分布向均衡化演变。其中转出枢纽的q值由0.955增长到1.021后降低到0.951，呈现波动下降态势，技术引进枢纽q值由1.191下降到0.985。

（2）等级层次相对固化，演化具显著“路径依赖”和“空间粘性”。从层级划分看，2004—2018年间等级规模分布保持相对稳定，阶层固化现象较为明显，国家级和区域级呈片状高度集中于长三角和珠三角，而地方级技术转移枢纽则呈点状镶嵌于中西部省会城市和东部副省级城市，具有明显的技术转移“路径依赖性”和“空间粘性”^[40]。北京、上海、深圳和广州等东部创新型城市具有发达的技术生产能力和经济发展水平，始终处于技术转移枢纽体系的顶端，因“优先连接机制”呈典型“马太效应”^[50]。东部直辖市、省会城市及副省级城市的技术生产和吸收能力强，技术转移规模等级保持较恒定，基本处于国家级和区域级，东部地级市、东北及中西部省会城市则相对集中于地方级，而大量中西部和东北地区的地级市地处“创新洼地”，尚未发育为技术转移枢纽。

（3）技术转移枢纽不断涌现，能级出现一定突跳式跃迁。从层级演替看，部分东部技术生产和转化中心不断涌现，发生显著的能级跃迁，呈现一定的突变性。2004—2018年区域级技术转化枢纽不断涌现，高度集中于长三角和粤港澳大湾区（如浙江省绍兴和温州，江苏省苏州，广东省东莞、佛山等）。2014—2018年深圳、上海和广州创新能力迅速提升，能级由区域级跃升至国家级，尤其是广州由于技术需求的持续提升，在技术引进方面其能级更是由地方级快速跃升至国家级。同时，一些中西部创新型城市（如成都、合肥、西安等）技术生产能力显著提高，跃升为区域级和地方级的技术转移枢纽。

4.1.2 技术生产中心不断涌现，遵循区域集聚规律，由单极两心向双核双心演进

2004—2018年间中国技术转出枢纽（技术生产中心）呈现由“单极两心”向“双核双心”演进态势。期间，中国技术生产中心空间扩散明显，呈多中心化发展态势，由期初的北京“一城独大”向北京—广州两极主导的优势流组织结构转变（图4a~4c）。

图4

图4 2004—2018年基于优势流的中国技术转移枢纽等级组织演化

Fig. 4 Hierarchical dynamics of China's technology transfer hubs based on dominant flow analysis from 2004 to 2018

（1）2004—2013年间形成以北京为创新极、上海和深圳为副中心的“单极两心”架构，优势流空间组织兼具地理邻近性和经济指向性区位规律。北京成为国家创新体系中最大的技术生产枢纽和技术辐射中心，是河北、山东、河南和江苏等周边或发达省份主要城市最大的专利来源地，上海和深圳地处次级主导型节点地位，多是其周边省份城市最大的专利输出中心，如上海邻近的浙江、江苏、安徽等省份，深圳所在的广东及邻近的福建、云南、江西、湖南等省份，技术转移具有一定的距离约束性。

（2）2014—2018年间国家技术转移体系分化成两个子群，技术优势流呈现以双核（北京、广州）双中心（上海、深圳）为轴心的多层次轴—辐式组织结构。广州迅速跃迁至核心圈层，成为新的增长极，呈现以北京、广州、上海、深圳为核心的轴—辐式组织结构，相应形成广州子网（以广州为轴心，技术向广东、浙江、贵州等省份辐射）和北京子网（以北京为轴心，上海和深圳为副轴心，技术向东部、东北和中部大部分省份辐射）两大子群，发育出京津冀、长三角和珠三角三大创新城市群主导的国家技术转移体系格局。

（3）2004—2018年间高等级技术生产重心由北向南转移，高度集中于长三角和珠三角。北方城市技术扩散影响力呈现下降趋势，北京直接从属型节点数量下降到60个，被广州子网（66个）反超。长三角成为技术扩散的活跃区，在排名前20的城市中约有一半的城市位于长三角地区。广州凭借科教资源富集优势和良好的创新生态环境成为新晋主导型枢纽，既与邻近发达城市保持密切的技术交流，也向重庆、贵阳和海口等中西部城市溢出技术。

4.1.3 技术吸收中心呈多中心化趋势，与生产中心同配，由三大城市群向沿海扩散

2004—2018年间中国技术吸收枢纽（技术吸收中心）体系具多中心化和网络化态势，北京极核地位持续下降，呈现由“双核单心两网”向“四心（北京、深圳、上海和广州）四网”的空间演进规律（图4d~4f）。

（1）2004—2008年间北京成为全国技术引进网络的主导型极核，技术集聚能力位居全国第一，上海位居其后，但梯度差距明显。中国技术引进网络分化成以北京和上海为轴心的两个全局子网，以及以杭州、广州为中心的多个局域碎片化子群。其中，北京子网以北京为技术增长极，主要集聚和吸收深圳的专利技术，并吸纳河北、山东和东北等周边地区生产的技术，呈现邻近性扩散和跳跃式扩散规律。上海子网规模较小，以上海为技术汇聚地，吸收来自福建、浙江、江苏等省份中心城市的技术。

（2）2009—2013年间北京仍是全国性技术引进网络的核心枢纽，但枢纽重要性和结节性有所降低，与其他城市差距缩小。相较第一阶段，中国技术引进网络出现明显的重组。① 北京与上海的技术引进联系趋强，组成新的北京—上海社团，技术来源地广布，形成一定的网络地域分工。北京主要吸收辽宁、河北、山东、河南、安徽等省份中心城市的技术，上海技术来源范围狭小，高度集中于江苏。② 深圳技术吸收能力显著增强，吸收范围迅速扩大，独立形成一个较小规模的子网，来源地集中于四川、广东、甘肃等省份中心城市。③ 部分中西部省会城市经济活力增强，技术吸收能力提升，形成了以武汉、长沙、西安、昆明等为中心的技术集聚活跃区。

（3）2014—2018年间北京主导地位持续下降，深圳和上海等国家级技术吸收中心迅速崛起，中国技术转移网络加速重构，分化形成以北上广深为枢纽的四大轴—辐式子网，四大子网的次级技术转移中心基本与京津冀、长三角和珠三角城市群重合，边缘技术转移节点多位于三大城市群周边省份，遵循地理邻近性组织机制^[10]。

2004—2018年间中国技术生产和技术吸收中心的空间分布及网络组织具有显著的同配性，突出表现在国家级和区域性技术转移枢纽。① 国家级和区域级技术吸收中心与技术生产中心地理分布保持较高一致性，多是经济发展水平高、技术创新能力强的中心城市，源于产业发展水平、人才集聚程度和技术创新活力间具有协同机制。② 国家级和区域级技术转移枢纽发育典型的“优先连接”和网络同配性机制，技术生产和吸收中心均倾向与高等级技术转移枢纽形成强连接^[40-41]。③ 国家级和区域级技术转移枢纽的技术扩散遵循地理、技术和经济邻近性机制，受距离约束、技术差异和经济梯度影响^[1,51]，技术生产和吸收中心均趋同一致地发育出接触扩散和等级扩散模式。

4.2 中国技术转移枢纽的功能演化

4.2.1 技术生产与技术吸收中心空间趋同，集散型成为技术转移枢纽功能组织的主要形式

2004—2018年间城市开放创新保持较高水平，技术生产与技术吸收中心空间分布趋于同构。集散型功能占据主导，已形成技术互补，而辐射型技术生产中心和辐合型技术吸收中心占比较小（图5）。

图5

图5 2004—2018年基于专利流向的中国技术转移枢纽功能组织演化

Fig. 5 Functional evolution of China's technology transfer hubs based on patent transaction from 2004 to 2018

（1）2004—2018年间中国技术转移枢纽功能组织以集散型为主，且占比不断上升，技术供需依赖程度和对外开放程度高。兼具技术集聚吸收和转化扩散功能的集散型枢纽所占比重由第一阶段的31.9%上升到第三阶段的58.3%，逐渐成为国家技术转移体系的主导力量。技术辐合型枢纽数量也呈增长态势，占比由期初的8.5%上升到期末的25%，随着工业化发展和产业梯度转移，城市技术需求不断上升，成为技术“蓄水池”。而技术辐射型枢纽占比显著下降，从31.9%下降到16.7%，城市技术溢出效应减缓，可能原因是城市的产业技术转型升级、产学研一体化和技术就地转化体系的建设。

（2）技术集散型枢纽主要集中于东部沿海地区，表现出一定的地方依赖性。一方面，技术集散型枢纽具有“空间粘性”和时间惯性，2004—2018年间始终保持功能角色的连续性，且高度集中于东部沿海城市^[52]，主要包括两类：科技创新能力较强城市（北京、深圳等国家级）和开放经济实力较强城市（天津、厦门和烟台等地方级）。另一方面，一些早期技术创新中心和传统工业中心，通过技术转型升级，涌现成为新的集散型枢纽，形成辐射型枢纽转变（东莞、郑州、大连、沈阳和石家庄等技术创新中心，不断承接和集聚制造业，技术补充需求旺盛^[51]，由辐射型转变为集散型）和辐合型枢纽转变（嘉兴、南京等城市可能由于长三角一体化的发展^[53]，以及高新技术产业转型发展战略的实施^[11]，技术生产能力持续提升，由辐合型枢纽向集散型枢纽转变）两种类型。

（3）技术辐合型枢纽小幅增加，以地方级为主，主要集中于传统制造业中心，产业发达，基础雄厚，技术需求旺盛，多邻近区域级技术生产中心，成为其技术汇聚和吸收的“蓄水池”，主要由辐射型枢纽（广州、贵阳、唐山等）转变而来。而技术辐射型枢纽数量下降明显，集中于长三角城市（上海、宁波、无锡、湖州、合肥等），城市向外技术溢出效应不断减缓，就地吸收转化能力显著提升。

4.2.2 功能类型以电气、化学和机械工程为主，由双部门向多部门主导转变，企业成为主体

2004—2018年间中国技术转移部门高度集中于电气、化学和机械工程三大技术领域，企业成为技术转移的主体，主导部门由“化学+机械工程”双部门向多部门转变。

（1）2004—2018年间中国技术转移枢纽高度集中于若干特定技术领域和部门，且保持稳定增长（图6）。从技术领域来看，电机、仪器、能源（A4，10.4%），土木工程（D1，7.2%）和机械工具（C7，5.8%）等装备制造业专利转移量始终保持领先，成为技术转移枢纽的优势领域。制造业自动化、数字化和绿色化发展迅猛，通信设备业成为战略性先导产业，导致控制系统（E5）、数字通信（A1）和环境技术（B9）位列增长最快行列。而医药品（B1）专利技术由于研发周期长、费用高和成功率低等特点，加上国家医药产业转型升级，导致专利转移规模持续下滑，增长速度比较缓慢。

图6

图6 2004—2018年中国技术转移枢纽类别多样性的时序演化

Fig. 6 Technology diversity dynamics of China's technology transfer hubs from 2004 to 2018

（2）2004—2018年间中国技术转移枢纽的功能类型由单一化向综合化演进，由双部门驱动向多部门主导转变。单部门枢纽比重持续下降，“化学+”“机械工程+”和“其他部门+”是其最主要的组合模式（图7）。① 专利转出：由双部门技术主导向双部门和多部门共同主导转变（图7a~7c）。2004—2008年，主导技术部门高度集中于电气工程、化学和机械工程，“化学+机械工程”（长春、哈尔滨等）是最多的技术转出类型。2009—2018年，技术转移枢纽技术多样性程度明显提高，多部门主导模式比重迅速上升，“化学+机械工程+”和“电气工程+化学+”模式成为最主要的功能类型。② 专利引进：以双部门和三部门技术集聚型为主导（图7d~7f）。2004—2008年“电气工程+”的双部门是主导模式，多部门主导模式次之。2009—2013年双部门与三部门主导模式比重接近，“电气工程+”和“机械工程+”成为主要的双部门主导模式，多部门主导模式以“机械工程+化学+”和“机械工程+其他部门+”为主。2014—2018年，呈现以“化学+机械工程+”“机械工程+其他部门+”和“化学+其他部门+”为主的多部门主导模式，双部门主导模式位居其后。

图7

图7 2004—2018年中国技术转移枢纽功能类型演化

注：基于自然资源部标准地图服务网站审图号为GS(2019)1823号的标准地图绘制，底图边界无修改。

Fig. 7 Dominant sectoral evolution of China's technology transfer hubs from 2004 to 2018

（3）2004—2018年间企业在技术转移枢纽的功能类型演化中发挥着主导推动作用，高校和科研机构占比较低。2004—2018年间国家级技术转移枢纽的企业让与人和受让人占比分别从8.14%和13.85%增加到13.48%和16.71%；区域级分别由15.48%和20.12%增加到23.36%和27.17%；地方级让与人占比由15.8%降低到10.57%，而受让人占比由22.83%略微增加到23.8%，高新技术企业逐渐成为中坚力量。高校和科研机构技术转移量比例较低（不超过6%），且其转出能力显著大于吸收能力，成为专利技术的生产者。3个阶段，让与人和受让人排名靠前的企业以电子、信息与通信技术、汽车制造领域为主，如乐金电子、华为、中芯、中兴、广州博鳌纵横和东风汽车等是技术转移最为活跃的企业。因专利技术的排他性，总部—分支组织和个人职务发明归企业模式是企业技术转移的最主要方式。

4.3 中国技术转移枢纽的演进规律

技术转移枢纽的形成和演化是技术创新要素通过空间扩散不断被接受、学习、模仿和再创新的过程^[54]。在这一过程中，伴随产业转移，一些辐射型枢纽开始吸收转化外来技术以维持创新活力和能力，一些辐合型枢纽通过技术消化吸收和再创新实现向外输出技术，两者逐渐向处于中间状态的集散型枢纽转变，从而呈现规模由小到大、等级由低到高、功能由分化向协同的阶段性嬗变规律。在关于枢纽演化的研究中，赵伟伟^[37]将枢纽经济划分为初始变化形成阶段、次级强化形成阶段、产业竞争合作的上升发展阶段、循环累积的成熟阶段。参考此做法，本文将技术转移枢纽的演化划分为3个阶段，即起步阶段的功能分离、发展阶段的功能整合和成熟阶段的功能协同（图8a）。

图8

图8 中国城市技术转移枢纽的演化阶段和模式

注：基于自然资源部标准地图服务网站审图号为GS(2019)1823号的标准地图绘制，底图边界无修改。

Fig. 8 Evolution stages and modes of technology transfer hubs

（1）起步阶段：功能分离。在技术转移枢纽初步发展阶段，呈现出以辐射型为主，集散型为辅的地域分布结构。辐射型枢纽通过产业梯度转移，实现技术向周边地区的扩散和溢出，集中于中西部和东北的城市（如郑州、兰州、沈阳、长春等）；集散型枢纽通过创新要素集聚和产业转型升级，形成一定技术生产和溢出能力，集中分布于东部沿海地区，以直辖市（如北京、上海）、省会城市（如杭州、武汉）和副省级城市（如厦门、苏州）为主；辐合型技术转移枢纽创新资源相对缺乏，经济基础相对较好，产业转型升级较快，对外技术引进强度较大，相对集中于长三角城市群（如南京、无锡、嘉兴等）（图8b）。

（2）发展阶段：功能整合。技术转移枢纽进入发展阶段，其功能演化具有恒定性和一定突变性。一方面，传统集散型技术转移枢纽（如北京、上海、深圳等），通过内部产业转型和外向产业转移，实现技术生产外溢与技术吸收转化的有序协同，从而始终保持技术集散功能均衡发展，发育典型的地方依赖性。另一方面，辐射型和辐合型技术转移枢纽由单一型向复合型演替，实现向两个相反方向的“路径突破”和功能整合。一些辐射型技术转移枢纽（如重庆、沈阳等），随着自身技术更新和产业转型升级，对新技术的需求不断增加，开始依赖和吸收外部技术，其功能类型向集散型枢纽转变；同时一些辐合型技术转移枢纽（如绵阳、无锡等）经历“引进—消化吸收—再创新”的成长过程，自身技术实力不断积累，开始向外输出新技术，其功能也开始向集散型转变（图8c）。

（3）成熟阶段：功能协同。技术转移枢纽迈入成熟阶段，突出表现为大部分技术转移枢纽向集散型功能转变，实现技术集聚与扩散、吸收与转化、积蓄与溢出功能协同发展。大量技术生产中心、转化中心和一些创新洼地（如潍坊、徐州、南宁和临沂），通过产业转型升级和产业梯度转移路径，逐渐演化为技术集散中心，不断融入区域创新网络，实现了高质量开放式创新。少数技术转移枢纽（如南通、淄博）因“路径依赖”和“技术锁定”，保持辐射型和辐合型的功能组织类型，但其数量规模整体趋于萎缩（图8d）。

5 中国技术转移枢纽网络腹地的时空演化

5.1 中国技术转移枢纽网络腹地的规模演化

2004—2018年间不同等级技术转移枢纽的网络腹地出现不同程度的扩张，遵循国家级>区域级>地方级的位序和核心腹地>外围腹地的规律。

（1）国家级、区域级和地方级技术转移枢纽的网络腹地出现不同程度扩展。① 技术转移枢纽腹地规模扩张范围国家级>区域级>地方级的趋势逐渐明晰，只有少数中西部的地方级技术引进枢纽（如绵阳、十堰、乌鲁木齐）和东北的技术转出枢纽（如长春、哈尔滨）由于与腹地地理距离较远或联系紧密，网络腹地范围大于区域级甚至国家级。② 多数技术转出和引进枢纽基本遵循核心腹地>外围腹地的规律。仅少数地方级（如中山、惠州）和区域级（如大连、泉州和天津）技术转出枢纽外围腹地>核心腹地。约有20%的技术引进枢纽规模为外围腹地>核心腹地，大部分归属于地方级，主要特点是这些枢纽的核心腹地邻近效应显著，外围腹地范围较广。绍兴、苏州、温州和南通、青岛和广州分别是技术转出和引进腹地扩张速度最快的城市，而沈阳和淄博的转出网络腹地呈收缩态势。

（2）北京、上海、深圳、广州四大技术转移枢纽的网络腹地范围扩展迅猛，其核心腹地扩张速度超过外围腹地（图9）。① 北京由技术引进主导型向技术集散均衡型演替。2004—2008年技术引进腹地规模显著大于技术转出，技术集聚能力明显高于扩散能力，通过产业转移及总部—分支组织，大量创新型城市成为北京的技术供应地。2009—2018年北京技术扩散能力迅速增强，技术转出核心腹地范围超过技术引进，成为国家创新体系的技术增长极。② 上海始终呈技术转出主导型，但核心腹地明显收缩。15年间上海、技术转出的网络腹地规模始终明显超过技术引进，是全国重要的技术输出枢纽。近年北京和深圳技术生产能力和网络腹地范围扩大显著，导致上海的网络腹地范围迅速缩小。③ 深圳基本呈技术引进主导型。2004—2013年深圳技术创新能力不断提升，对外技术溢出效应明显，由技术引进主导型向技术集散均衡型转变。2014—2018年深圳由技术集散均衡型向技术引进主导型转变，技术吸收转化能力显著扩大，对外技术需求持续增强。④ 广州近年呈技术引进主导型。2004—2013年广州网络腹地范围小于北上深，但2014—2018年间广州技术市场化水平发展迅猛，其网络腹地扩展迅速，技术引进核心腹地规模逼近北京，外围腹地甚至超过北京。

图9

图9 2004—2018年四大技术转移枢纽网络腹地规模演化示意图

Fig. 9 Hinterworld size dynamics of Beijing, Shanghai, Shenzhen and Guangzhou from 2004 to 2018

5.2 中国技术转移枢纽网络腹地的空间演化

2004—2018年间，绝大部分技术转移枢纽的网络腹地呈现出“周边+外围”的地理分布，技术转移遵循技术“梯度律”和“反梯度律”，呈现接触扩散、跳跃扩散和等级扩散复合规律（图10）。

图10

图10 2004—2018年中国四大技术转移枢纽网络腹地的空间演化

注：基于自然资源部标准地图服务网站审图号为GS(2019)1823号的标准地图绘制，底图边界无修改。

Fig. 10 Spatial evolution of the hinterworlds of Beijing, Shanghai, Shenzhen and Guangzhou from 2004 to 2018

5.2.1 技术转移枢纽网络腹地呈现“周边+外围”格局，距离是影响其生长发育的重要因素

大部分技术转移枢纽的网络腹地始终呈现出“周边+外围”的空间异质性特征，具有空间分布的恒定性。网络腹地既高度集中于周边城市，技术流遵循地理邻近性，呈接触扩散规律，也包含跨省域城市，技术集聚和扩散相应遵循技术“反梯度律”和“梯度律”，按等级扩散和跳跃扩散方式组织，形成较为广泛而均衡化的腹地散布格局。仅有个别城市（如珠海、中山、沈阳）的网络腹地集中在周边地区或者外围地区。同时，不同等级的技术转移枢纽网络腹地范围差异性较明显。地理临近和网络临近是影响网络腹地的重要因素，距离对网络腹地的生长发育有制约作用^[39]。国家级枢纽腹地覆盖全国大多数地区和城市，呈现地理邻近和长距离联系双重主导特点，区域级枢纽网络腹地以附近城市（300 km以内的城市专利转移量占比约为29%）和跨城市群的中长距离（1000~1200 km出现峰值）联系为主，地方级枢纽网络腹地以本地联系为主。

5.2.2 四大技术转移枢纽的网络腹地锁定于东南半壁，“三足鼎立”的轴—辐式组织逐渐明晰

2004—2018年间国家创新体系逐渐形成四大技术转移枢纽主导的“轴—辐”式网络组织架构，多中心网络腹地的空间异质性特征明显，形成一定的地域分工（图10）。

（1）国家创新体系逐渐形成北京、上海、深圳—广州“三足鼎立”的格局，呈现以四大技术转移中心为枢纽的“轴—辐”式多中心网络组织结构。15年间技术生产和扩散中心高度集中于东部沿海京津冀、长三角和珠三角三大创新型城市群，通过技术集散作用和网络“马太效应”孕育出北上广深四大技术转移增长极，不断强化国家创新体系的多中心“轴—辐”式级联网络组织格局。

（2）国家级技术转移枢纽的网络腹地具有明显的空间不均衡性和空间重叠性，高度集中于东南半壁，但呈现一定的向西北和西南扩展态势。15年间北上广深的网络腹地基本重叠，且高度集中于“胡焕庸线”东南半壁，与全国人口和经济空间格局同构，呈现技术中心与经济中心趋同态势。随着产业梯度转移和产业转型升级，近年一些中西部技术中心不断崛起，四大技术枢纽的网络腹地不断向西北、西南跳跃式扩展。

（3）四大技术转移枢纽的核心腹地变动较小，技术引进型与转出型腹地保持空间同构，因距离约束遵循地理邻近性扩张机制。15年间北上广深四大技术转移枢纽的核心腹地变动较小，基本稳定和相对集中于其周边地区，地理距离仍具一定约束性，导致技术集散遵循地理邻近性机制。同时，技术引进型与转出型的核心腹地保持明显的同构性。北京的技术转出型和引进型腹地基本一致，高度集中于河北、山东、河南和辽宁等邻近省份的中心城市。上海的技术转出型腹地范围相较技术引进型小，但均高度集中于长三角，并向长江中上游扩展。深圳的技术转出型腹地扩展迅猛，引进型腹地收缩显著，其两型核心腹地主要集中于华南地区，与广州核心腹地重叠。

5.2.3 四大技术转移枢纽的网络腹地竞争加剧，东北和西北成为竞争焦点

2004—2018年间四大技术转移枢纽的网络腹地保持空间重叠，空间竞争加剧，但核心腹地仍具空间异配性，东北和西北等外围腹地成为竞争的焦点（图10）。

（1）2004—2018年间四大技术转移枢纽的网络腹地范围显著扩张，空间重叠现象逐渐凸显，形成相互嵌套的竞争性腹地关系。2004—2018年北京的网络腹地出现明显收缩，上海和深圳的网络腹地迅速扩大，其外围腹地出现明显的空间重叠，广州和深圳的核心腹地则基本重合，四大技术转移中心的网络腹地相互嵌入，空间竞争加剧。第一阶段，北京网络腹地覆盖全国大部分地区，但2009—2018年间上海、深圳和广州三市技术集散作用趋强，北京部分核心腹地（如东北、河南、山东、江苏等）和外围腹地（西北、西南和华南等）范围面临“挤压”或“袭夺”。而深圳和广州二市具相似产业和技术结构，网络腹地高度重叠，内部竞争愈演愈烈。

（2）2004—2018年间四大技术转移枢纽的核心腹地相对收缩和稳定，形成良性竞争和地域分工格局。2004—2018年北京的核心腹地出现明显收缩，相对内缩于东北、华北、西北、西南等地区。上海的核心腹地迅速扩大，自华东向东北、西北和长江经济带扩散。深圳的核心腹地也明显扩张，以华南为核心，基本集中于长江以南地区。而广州的核心腹地基本与深圳重叠，但影响力较小，高度集中于广东、湖南和广西等。

5.3 中国技术转移枢纽网络腹地的生长模式

比较主要技术转移枢纽网络腹地的演化规律，可将技术转移枢纽的网络腹地成长模式归纳为3种类型（表1）。

表1 主要技术转移枢纽的网络腹地成长模式

Tab. 1 Growth modes of the hinterworlds of technology transfer hubs

腹地成长模式	技术转移枢纽	技术转出核心腹地				技术引进核心腹地
腹地成长模式	技术转移枢纽	2004—2008年	2009—2013年	2014—2018年	规模趋势	2004—2008年	2009—2013年	2014—2018年	规模趋势
渐进式扩张(由内向外)	北京	周边+外围	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	上海	周边+外围	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	深圳	周边+外围	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	广州	周边	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	成都	周边+外围	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	苏州	周边+外围	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	佛山	周边+外围	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	杭州	周边+外围	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	青岛	周边+外围	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	天津	周边+外围	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	武汉	外围+周边	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	西安	外围+周边	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	重庆	周边+外围	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	珠海	周边	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	厦门	周边	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	中山	周边	周边+外围	周边+外围	扩张	周边	周边+外围	周边+外围	扩张
	东莞	周边+外围	周边+外围	周边+外围	扩张	周边	周边+外围	周边+外围	扩张
	宁波	周边	周边	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
跳跃式扩张(内外交替)	福州	周边+外围	周边+外围	周边+外围	扩张	周边+外围	周边	周边+外围	扩张
	南京	周边+外围	周边	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	常州	外围	周边	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
	长沙	外围	周边+外围	周边+外围	扩张	周边+外围	周边+外围	周边+外围	扩张
渐进式收缩(由外向内)	沈阳	外围	周边+外围	周边+外围	收缩	周边+外围	周边+外围	周边+外围	收缩

新窗口打开| 下载CSV

（1）渐进式扩张模式（由内向外）：即在优先连接和邻近效应机制下，技术转移枢纽的网络腹地由近及远、由周边向外围扩张演化，腹地规模不断扩大。该类型模式是网络腹地成长的主导模式，所有国家级和绝大部分区域级技术转移枢纽均为此类型。表明在开放式创新背景下，各城市通过产业梯度转移，与外界技术联系不断加强，技术集散范围不断扩大，区域创新网络持续发育，形成与产业转移高度同构的技术转移网络。

（2）跳跃式扩张模式（内外交替）：即技术转移枢纽的网络腹地分布呈现出跳跃性的等级扩散模式，突破地理距离约束。福州、南京、常州和长沙等城市均为此类型。其技术转出或技术引进的网络腹地往往是由远及近反方向扩张，表明随着自身及周边地区产业转型升级，技术需求不断增加，对周边地区的技术集散规模不断扩大，逐渐向渐进式扩张的技术转移枢纽网络腹地模式演化。

（3）渐进式收缩模式（由外向内）：即技术转移枢纽的网络腹地规模由远及近不断收缩，该类模式只有沈阳一个城市。这表明原有的技术外流或“孔雀东南飞”技术输出现象，以及由于自身产业转移能力不强，技术活动逐渐向周边倾斜和回归，技术转移枢纽向渐进式收缩模式演化。

6 结论与讨论

6.1 结论

本文提出了“技术转移枢纽—网络腹地”的基本概念和理论框架，构建了技术转移枢纽的等级、功能及其网络腹地划分模型，实证揭示了2004—2018年中国技术转移枢纽及其网络腹地的空间演化规律与成长模式：① 中国技术转移枢纽兼具等级层次性、空间极化性和功能组织均衡性的三重特征，是技术转移活动集聚的核心节点，具有技术扩散、集聚和集散三大功能，其网络组织具有等级性和方向性，形成国家级、区域级和地方级三大等级层次，发育辐射型、辐合型与集散型3种功能组织类型。② 中国技术转移枢纽体系具有“金字塔”型的等级结构特征，阶层固化现象较为突出，演化具显著“路径依赖”“空间粘性”和一定的能级突跳式跃迁。高等级集散型技术转移枢纽高度锁定于北京、上海、深圳和广州等东部城市，部分新的东部技术转移枢纽不断涌现，发生显著能级跃迁，呈现一定的突变性。③ 中国技术转出枢纽由单极两心向双核双心演进，技术引进枢纽呈现出多中心化和多社团组织格局。技术转出枢纽和技术引进枢纽空间趋同，集散型枢纽成为主导性功能组织形式。技术转移枢纽的功能类型由单一化向综合化演进，表现出由“化学+机械”双部门主导向多部门融合的技术多样化演替态势，企业在功能演化中扮演主导推动角色。其功能组织呈现出由起步阶段的功能分离、发展阶段的功能整合向成熟阶段的功能协同演变。④ 中国技术转移枢纽的网络腹地表现出显著的扩张性和竞争性双重特性，形成3种差异化的成长演化模式。中国技术转移枢纽网络腹地规模普遍增大，大多数枢纽遵循位序国家级>区域级>地方级和规模核心腹地>外围腹地的规律，呈现出“周边+外围”的分布特征，具有空间分布的恒定性，遵循地理临近性以及“梯度律”和“反梯度律”。以北京、上海、深圳—广州为中心的“三足鼎立”腹地分异格局显著，在空间扩张作用下，网络腹地竞争加剧，形成地域分工，东北和西北等外围腹地成为竞争的焦点。其成长模式总体可分为渐进式扩张、跳跃式扩张和渐进式收缩3种模式类型。

6.2 讨论

尽管本文对中国技术转移枢纽及其网络腹地的空间演化规律进行了定量刻画，但仍存在一些不足与局限：① 研究视角局限于国内，缺乏从全球地方互动视角，揭示国际级技术转移枢纽的时空演化规律；② 研究尺度聚焦城市，缺少从城市内部创新空间尺度和创新主体视角，更精准识别和刻画技术转移枢纽；③ 研究方法侧重网络指标刻画技术转移能级和腹地，缺乏基于多指标体系和多网络腹地划分的对比分析和方法优化；④ 研究内容聚焦技术转移枢纽及网络腹地的空间演化，有待从两个方面进一步突破：一是，开展不同知识和技术流的空间组织比较分析，揭示其背后的自—他组织影响机制；二是，从技术转移向知识生产、转化及应用多阶段拓展，深入提炼技术创新的枢纽—网络空间演化理论。

致谢:

感谢两位审稿专家针对本文理论框架、概念界定和方法论证等方面提出的建议，使本文受益匪浅；感谢本科生李昆在数据处理方面所做的工作。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Liu

Chengliang

, Guan

Mingming

, Duan

Dezhong

Spatial pattern and influential mechanism of interurban technology transfer network in China

Acta Geographica Sinica, 2018, 73(8): 1462-1477.

DOI:10.11821/dlxb201808006 [本文引用: 5]

On the basis of patent transaction data in 2015, spatial pattern of interurban technology transfer network in China was portrayed by integrating big data mining, social network, and GIS, from the perspectives of nodal strength and centrality, linkage intensity, and modular divisions. Then, its key influencing factors were identified as well using the Negative Binominal Regression Analysis. Some findings were ontained as follows. First of all, the intensity of interurban technology transfers in China is not well distributed with obvious polarization. Those cities with higher-level technology transfers are concentrated in the three urban clusters, namely, the Yangtze River Delta, the Pearl River Delta and Beijing-Tianjin-Hebei urban agglomeration. Secondly, a typical core-periphery structure with hub-and-spoke organization is evidently observed, which consists of several hubs and the majority of cities with far lower technology transfers. Beijing, Shenzhen, Shanghai and Guangzhou are acting as the pivot of the technology transfer network and playing a critical role in aggregating and dispersing technology flows. Thirdly, technology linkage intensities of urban pairs appear to be significantly uneven with hierarchies, centralizing in the three edges from Beijing to Shanghai, from Shanghai to Guangzhou and Shenzhen, and from Beijing to Guangzhou and Shenzhen, which shapes a triangle pattern. Fourthly, the technology transfer network is divided into four communities or plates, with prominent reflexivity and spillover effects, which is resulted from geographical proximity and technological complementary. Last but not least, spatial flows of technology are co-organized by a variety of spatial diffusion modes such as hierarchical diffusion, contact diffusion and leapfrog diffusion, owing to economic and administrative powers. They are greatly influenced by urban economic scale, foreign linkage, policy making, as well as multiple proximity factors related to geographical, technological, social and industrial proximities.

[ 刘承良, 管明明, 段德忠.

中国城际技术转移网络的空间格局及影响因素

地理学报, 2018, 73(8): 1462-1477.]

DOI:10.11821/dlxb201808006 [本文引用: 5]

基于2015年专利交易数据,融合数据挖掘、社会网络、空间分析等方法,从节点、关联、模块及影响因素4个方面揭示中国城际技术转移的空间格局及其影响因素：① 技术转移整体强度偏低,空间极化严重,长三角、珠三角、京津冀城市群成为技术转移的活跃地带。② 北京、深圳、上海、广州是全国技术转移网络的“集线器”,发挥城际技术流的集散枢纽和中转桥梁作用,中西部大部分城市处于网络边缘,整个网络发育典型的核心—边缘式和枢纽—网络式结构。③ 技术关联的空间层级和马太效应凸显,形成以北京、上海、广深为顶点的“三角形”技术关联骨架结构,技术流集聚在东部地带经济发达的城市之间和具有高技术能级的城市之间,中西部技术结网不足,呈现碎片化。④ 技术转移网络形成明显的四类板块（子群）,具明显自反性和溢出效应,其空间聚类既有“近水楼台先得月”式块状集聚,也有“舍近求远”式点状“飞地”镶嵌。⑤ 城际技术流呈现等级扩散、接触扩散、跳跃扩散等多种空间扩散模式,其流向表现出经济指向性和行政等级指向性特征。⑥ 城市经济发展水平、对外开放程度、政策支持等主体属性和地理、技术、社会、产业邻近性的城市主体关系均会影响其技术转移强度。

[2]

Chesbrough

H W

. Open Innovation:The New Imperative for Creating and Profiting from Technology. New York: Harvard Business Press, 2006.

[3]

Grossman

G M

, Helpman

Endogenous innovation in the theory of growth

Journal of Economic Perspectives, 1994, 8(1): 23-44.

[4]

Grimaldi

, Hanandi

Evaluating the intellectual capital of technology transfer and learning public services

International Journal of Engineering Business Management, 2013, 5: 5-7.

DOI:10.5772/56004 URL [本文引用: 1]

[5]

Boschma

Proximity and innovation: A critical assessment

Regional Studies, 2005, 39(1): 61-74.

DOI:10.1080/0034340052000320887 URL [本文引用: 3]

[6]

Bathelt

Buzz-and-pipeline dynamics: Towards a knowledge-based multiplier model of clusters

Geography Compass, 2007, 1(6): 1282-1298.

DOI:10.1111/j.1749-8198.2007.00070.x URL [本文引用: 1]

[7]

The State Council of China.

National Technology Transfer System Construction Program, 2017.

[

国务院

. 国家技术转移体系建设方案. 国发[2017]44号, 2017.]

[8]

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 [本文引用: 3]

Despite increasing importance of academic papers in global knowledge flows, the structural disparities and proximity mechanism related to international scientific collaboration network attracted little attention. To fill this gap, based on data mining from Thomson Reuters' Web of Science database in 2014, its heterogeneities in topology and space were portrayed using visualizing tools such as Pajek, Gephi, VOSviewer, and ArcGIS. Topologically, 211 countries and 9928 ties are involved in global scientific collaboration network, but the international network of co-authored relations is mono-centricand dominated by the United States. It exhibits some features of a "small-world" network with the smaller average path length of 1.56 and the extremely large cluster coefficient of 0.73 compared to its counterpart, as well as the better-fitting exponential distribution accumulative nodal degree. In addition, the entire network presents a core-periphery structure with hierarchies, which is composed of 13 core countries and the periphery of 198 countries. Spatially, densely-tied and high-output areas are mainly distributed in four regions: West Europe, North America, East Asia and Australia. Moreover, the spatial heterogeneity is also observed in the distributions of three centralities. Amongst these, the countries with greater strength centrality are mainly concentrated in North America (i.e. the US and Canada), Western Europe (i.e. the UK, France, Germany, Italy and Spain), and China, noticeably in the US, which forms the polarizing pattern with one superpower of the US and great powers such as China and the UK. Similarly, the big three regions consisting of West Europe, North America and Asian-Pacific region have the peak betweenness centrality as well. Slightly different from the two above, the distribution of nodal degree centrality is uneven in the world, although regional agglomeration of high-degree countries is still observed. Last but not least, the proximity factors of its structural inequalities were also verified by correlational analysis, negative binomial regression approach and gravity model of STATA. The findings further confirm that geographical distance has weakened cross-country scientific collaboration. Meanwhile, socio-economic proximity has a positive impact on cross-country scientific collaboration, while language proximity plays a negative role.

[ 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:10.11821/dlxb201704014 [本文引用: 3]

以科研论文为媒介的知识合作网络已成为知识溢出的重要通道,但目前学术界对全球科研合作网络结构的复杂性涌现机制缺乏深入的探讨。基于2014年Web of Science核心合集所收录的科研论文合著数据,借助大数据挖掘技术、复杂网络、空间统计和重力模型分析,刻画了全球科研论文合作网络的拓扑结构、空间格局及其邻近性机理。结果发现：① 拓扑结构上,形成了以美国为核心的层级网络,具有小世界性和等级层次性,发育出典型的等级“核心—边缘”结构。② 空间格局上,以美国、西欧、中国和澳大利亚为顶点的“四边形”成为全球科研论文合作网络的骨架;三大中心性指标值的空间分异明显,强度中心性形成以美国为极核,加拿大、澳大利亚、中国及西欧诸国为次中心的“一超多强”格局,与之类似的介数中心性呈现北美、西欧和东亚“三足鼎立”的形态,度中心性分布则相对均匀,表现出“大分散、小集中”的“多中心—边缘集散”格局。③ 重力回归分析发现,地理距离抑制了国际科研论文合作,不过其影响力较弱;社会与经济邻近性对全球科研论文合作具有明显的促进作用,语言差异不是国际科研合作交流的障碍。

[9]

Glinow

M V

, Teagarden

M B

The transfer of human resource management technology in Sino-US cooperative ventures: Problems and solutions

Human Resource Management, 1988, 27(2): 201-229.

DOI:10.1002/hrm.3930270206 URL [本文引用: 1]

[10]

Duan

Dezhong

, Du

Debin

, Chen

Ying

, et al.

Technology transfer in China's city system: Process, pattern and influencing factors

Acta Geographica Sinica, 2018, 73(4): 738-754.

DOI:10.11821/dlxb201804011 [本文引用: 6]

<p>Based on the records of patent transfer from the patent retrieval and analysis platform in the State Intellectual Property Office of China, this research built an assessment index and model for technology transfer in China's city system in terms of agglomeration and dispersion, using big data mining technology, geo-coding technology, spatial autocorrelation model and multiple linear regression model. Then we studied the spatial-temporal pattern, agglomeration model and influencing factors of technology transfer in China's city system from 2001 to 2015, and obtained the following results. Firstly, with the increasing capability of city's technology transfer and the growing number of cities involved in transferring technology, the polarization and strong agglomeration of technology transfer in China's city system have been intensified. Secondly, technology transfer in China's city system has experienced a process of constant spatial polarization, the three-pole pattern led by the Beijing-Tianjin-Hebei region, the Yangtze River Delta region and the Pearl River Delta region has been gradually prominent. Thirdly, technology transfer system from global to local scale in China's city system has initially taken shape. Beijing, Shanghai and Shenzhen have become the three global centers of China in technology transfer. Fourthly, technology transfer in China's city system has produced an obvious spatial correlation and agglomeration effect. The four types are mainly in the cluster, and the geographical proximity of technology transfer in China's city system is significant. Last but not least, the influencing factors of technology transfer in China's city system were also verified by multiple linear regression model. We found that the demand and supply capacity respectively represented by the scale of tertiary industry and the number of patent applications has a great influence on the growth of technology transfer capability. In addition, the number of R & D employees is an important factor, but its correlation is low. The findings further confirm that the scale of primary industry has a significant impedance effect on city's technology transfer capability.</p>

[ 段德忠, 杜德斌, 谌颖, 等.

中国城市创新技术转移格局与影响因素

地理学报, 2018, 73(4): 738-754.]

DOI:10.11821/dlxb201804011 [本文引用: 6]

以国家知识产权局专利检索及分析平台中历年专利转让记录为数据源，采用大数据挖掘技术、地理信息编码技术、空间自相关模型和多元线性回归模型，并从集聚和扩散两个方面构建城市创新技术转移能力评价指标体系及评估模型，对2001-2015年中国城市技术转移的时空格局、集聚模式及影响因素进行了研究。结果发现：① 2001-2015年，随着城市创新技术转移能力的不断上升，且在参与创新技术转移的城市数量不断增加情境下，中国城市创新技术转移能力的两极分化及强集聚特征持续发育;② 中国城市创新技术转移格局经历着空间不断极化的历程，由京津冀、长三角和珠三角主导的三极格局逐渐凸显;③ 中国城市创新技术集散体系不断完善，从全球至地方的中国创新技术集散体系已初步形成;④ 中国城市创新技术转移呈现出显著的空间关联与集聚效应，4种类型基本呈“抱团”分布，城市创新技术转移的地理邻近性显著;⑤ 多元线性回归模型发现，城市创新技术的需求能力和供给能力决定其转移能力，第三产业产值规模和专利申请量对城市创新技术转移能力影响较大。另外，研发人员数量也是影响城市技术转移能力的重要因素，但是相关性较低，而城市第一产值规模对城市创新技术转移能力具有显著的阻抗作用。（注：①考虑到专利技术从申请至授权以及转移的期限较长，因此本文城市吸收、转出的专利速度主要基于1年转移量、2年转移量和5年转移量来综合评定。）

[11]

Liu

C L

, Niu

C C

, Han

Spatial dynamics of intercity technology transfer networks in China's three urban agglomerations: A patent transaction perspective

Sustainability, 2019, 11(6): 1647. DOI: 10.3390/su11061647.

URL [本文引用: 2]

[12]

Perkins

, Neumayer

The international diffusion of new technologies: A multitechnology analysis of latecomer advantage and global economic integration

Annals of the Association of American Geographers, 2005, 95(4): 789-808.

DOI:10.1111/j.1467-8306.2005.00487.x URL [本文引用: 1]

[13]

Iwasaki

, Tokunaga

Technology transfer and spillovers from FDI in transition economies: A meta-analysis

Journal of Comparative Economics, 2016, 44(4): 1086-1114.

DOI:10.1016/j.jce.2016.10.005 URL [本文引用: 2]

[14]

Zeng

Jingjing

, Wen

Yonglin

, Bi

Chao

The difference contribution of university technology transfer and enterprise technology transfer to regional innovation ability: Based on the regulation of technology transfer centers

Science & Technology Progress and Policy, 2020, 37(6): 84-91.

[ 曾婧婧, 温永林, 毕超.

高校技术转移与企业技术转移对区域创新能力的差异性贡献: 技术转移中心的调节作用

科技进步与对策, 2020, 37(6): 84-91.]

[15]

Del

Giudice M

, Carayannis

E G

, Maggioni

Global knowledge intensive enterprises and international technology transfer: Emerging perspectives from a quadruple helix environment

The Journal of Technology Transfer, 2017, 42(2): 229-235.

DOI:10.1007/s10961-016-9496-1 URL [本文引用: 1]

[16]

Moortel K

, Crispeels

International university-university technology transfer: Strategic management framework

Technological Forecasting and Social Change, 2018, 135: 145-155.

DOI:10.1016/j.techfore.2018.05.002 URL [本文引用: 1]

[17]

Hong

Jin

, Wang

Liangbing

, Zhao

Dingtao

Research on the co-evolution path of technology transfer system in self-organization perspective

Science of Science and Management of S.&T., 2013, 34(10): 77-84.

[ 洪进, 汪良兵, 赵定涛.

自组织视角下中国技术转移系统协同演化路径研究

科学学与科学技术管理, 2013, 34(10): 77-84.]

[18]

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 [本文引用: 3]

Interurban technology transfer becomes an essential channel for regions or cities to obtain external knowledge. Based on patent transaction data among cities during 2005-2015, this study investigates the interurban technology transfer network of Northeast China, aiming to explore spatial evolution of technology transfer network in this region from national to local perspectives based on social network analysis (SNA). A negative binomial regression analysis further reveals the factors of interurban technology transfer network. The results of the study are as follows: (1) From the national perspective, the interurban technology transfer network of Northeast China presents a core-periphery structure. The spatial pattern of "divergence in the northeast region" and "convergence in the coastal areas" has been formed. (2) From the local perspective, the technology transfer network of Northeast China shows a centripetal contraction situation, and its four hubs, namely, Harbin, Changchun, Shenyang and Dalian, play the role of technology gatekeeper. The interurban technology transfer flows present the characteristic of strengthening nationalization and weakening localization, which are more likely to emerge between the Northeast-Southeast China rather than among the Northeast China. (3) Both path-dependence and path-creation exist in the spatial dynamics of intercity technology flows in Northeast China. From the national perspective, technology flows from Northeast China to the Beijing-Tianjin-Hebei, Yangtze River Delta and Pearl River Delta urban agglomerations with Beijing, Shanghai and Shenzhen as the core respectively, while the local intercity technology transfer in Northeast China presents a mixed diffusing mode including hierarchical, contagious and jump diffusions. In addition, the local network mainly focuses on intra-provincial technology flows which centered on Haibin, Changchun, Shenyang and Dalian. (4) Some drivers, such as geographical proximity, the similarity of industrial structure, economic differences, the similarity of innovation capability, technology absorptive capacity, foreign direct investment, are evidenced to play a significant or determining role in interurban technology transfer of Northeast China.

[ 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:10.11821/dlxb201910010 [本文引用: 3]

从全国—本地视角,以东北三省为研究区,基于2005-2015年的专利权转移数据,融合社会网络、GIS空间分析和计量方法,定量刻画东北三省技术转移网络的空间演化规律。结果显示：① 全国视角下东北三省城际技术转移网络呈现“核心—边缘”等级层次性结构,形成了专利技术由东北辐散向全国沿海辐合的空间格局。② 本地视角下东北三省技术转移网络呈现出向心收缩结网态势,“哈长沈大”四大核心城市在本地网络中扮演“技术守门者”角色。技术转移表现出“强全国化,弱本地化”特征。③ 东北三省城际技术流动既存在路径依赖,也不断涌现路径创造。全国视角下,技术转移以东北三省核心城市为流源,基本流向以北京、上海和深圳分别为枢纽的京津冀、长三角和珠三角城市群。本地城际技术转移以哈尔滨、长春、沈阳、大连为集散中心,集中于省内转移,呈现等级、接触和跳跃式混合扩散空间模式。④ 地理距离接近度、产业结构相似度、经济水平差异度、创新能力相似度、技术吸收能力、外商直接投资对东北三省城际技术转移存在一定影响。

[19]

Adams

Collaborations: The fourth age of research

Nature, 2013, 497(7451): 557-560.

DOI:10.1038/497557a URL [本文引用: 1]

[20]

D D

, Wei

Y D

, Wang

Spatial and temporal evolution of urban innovation network in China

Habitat International, 2015, 49: 484-496.

DOI:10.1016/j.habitatint.2015.05.031 URL [本文引用: 1]

[21]

Castells

. The Rise of the Network Society. Oxford: Blackwell, 1996.

[22]

Talor

Urban hinterworlds: Geographies of corporate service provision under conditions of contemporary globalisation

Geography, 2001, 86(1): 51-60.

[23]

Tao

, Zhou

Rui

Urban hinterworld in Yangtze River Delta: Empirical comparison of two network-based methods

Acta Geographica Sinica, 2016, 71(2): 236-250.

DOI:10.11821/dlxb201602005 [本文引用: 3]

From the perspective of interlocking network, this paper compares two methods of defining urban hinterworld in the Yangtze River Delta, including the measurement of connectivity and relative connectivity. According to the theory of space of flows, relational data of enterprise branches is selected on the county-level space units in the 16 core cities. Three features have been identified. First, regional network structure could be revealed through the measurement of connectivity but the relative weak connections would be omitted. Second, administrative economy and cross-border connections could be examined deeply through the measurement of relative connectivity, especially to those space units with smaller aggregated connectivity. Third, combining these two methods together, a new way of defining urban hinterworld is proposed which could both reflect the connections between cities and also show the spaciality in the region. The findings of this paper are meaningful when the regional policies are formulated. The division of hinterworld is helpful for assessing the influences of cities and determining reasonable urban system. Empirical results enrich our understanding of the hinterworld in which both relatively strong and relatively weak connections exist at the same time. New perspectives and ways are provided to describe and analyze the relationship between center city and its hinterworld. In the new background and theoretical system, only through analysis of multi-angle observation and combination of a variety of methods we could have a deeper understanding of the regional city network, which is also an important area for future research concern.

[ 李涛, 周锐.

长三角地区网络腹地划分的关联测度方法比较

地理学报, 2016, 71(2): 236-250.]

DOI:10.11821/dlxb201602005 [本文引用: 3]

从城市关联网络的视角,以企业分支数据为基础,以长三角地区16个核心城市的区市县单元为研究对象,将两种网络腹地的划分方法----网络关联度法和相对关联度法进行了实证分析和比较.结果发现,网络关联度法更能体现区域网络的主要格局,有利于把握区域内主要空间单元的网络联系,但是却会忽略绝对值较小,相对值较大的网络联系;而相对关联度法则可以更为深入的揭示行政区经济和跨行政区联系的特征,特别适用于分析总关联度较低单元(郊区,县,县级市)的网络腹地.在此基础上,本文尝试将两种方法结合起来,既能够体现流动空间中的跨区域网络联系,也能兼顾网络腹地的地域性.实证分析的结论丰富了对于网络腹地的认识,即存在绝对联系较强(弱),相对联系较弱(强)的网络格局,并提供了描述和分析"中心--腹地"关系的新视角和新途径.

[24]

Taylor

World City Network: A Global Urban Analysis

London and New York: Routledge, 2015. DOI: 10.4324/9781315730950.

[25]

J Y

, Sun

D Q

, Yu

J L

, et al.

"Local versus nonlocal" enterprise linkages of global cities: A comparison between Beijing and Shanghai, China

Complexity, 2020: 8918534. DOI: 10.1155/2020/8918534.

[26]

Wang

Zheng

, Sun

, Gu

Chunxiang

Hub-network structure: New pattern for regional development management

Bulletin of Chinese Academy of Sciences, 2014, 29(3): 376-382.

[本文引用: 4]

[ 王铮, 孙翊, 顾春香.

枢纽—网络结构: 区域发展的新组织模式

中国科学院院刊, 2014, 29(3): 376-382.]

[本文引用: 4]

[27]

Van

Klink H A

The port network as a new stage in port development: The case of Rotterdam

Environment and Planning A: Economy and Space, 1998, 30(1): 143-160.

DOI:10.1068/a300143 URL [本文引用: 1]

[28]

Yonghong

, Wang

Rufang

Effect analysis of Beijing-Tianjin-Hebei collaborative innovation based on R&D hub-network theory

China Business and Market, 2021, 35(5): 85-97.

[ 杜勇宏, 王汝芳.

基于研发枢纽—网络的京津冀协同创新效果分析

中国流通经济, 2021, 35(5): 85-97.]

[29]

Dadao

New factors and new patterns of regional development in China

Geographical Research, 2003, 22(3): 261-271.

DOI:10.11821/yj2003030001 [本文引用: 1]

Since the beginning of the 1990s, national economy of China has entered an important transformation period. Meanwhile, a series of changes have taken place within China. This paper provides the generalization of the main contents and views of "Regional Development Report of China, 2002" edited by LU Da dao, et al. After explaining the influence of the strategic structural adjustment of national economy in regional aspect, it argues that since the early 1990s, influence of traditional factors, such as mineral resources, water resources and transportation, has dropped gradually. Economic globalization not only has accelerated the development of national economy, but also has greatly changed the patterns of regional development. With information increasingly becoming an important production factor and location factor, the development of information based industries has impelled the regional economic disparity of China. Apart from these, science and technology, ecological environment and regional innovation system are becoming new factors which have greatly influenced regional development. Under the comprehensive function of the above mentioned factors, new economic patterns have emerged in China, they can be summarized as follows. First, regional economic gap has expanded in all aspects. Both regional and zonal differentiation in industrialization level has been more obvious in recent years. As several developed regions have entered the middle stage of industrialization, the hinterland of China, on the whole, is still at the initial stage of industrialization. Furthermore, economic and technological gradients have come into being within national scale. Second, spatial structure of industries, especially the manufacturing industries, which has come into being under planned economic system in the past decades, has greatly shifted in China. For example, basic industries as raw materials industries have further agglomerated to the coastal regions of China; energy industries especially power industry have shifted to the Western China; and the fast development of characteristic agriculture and high efficient agricultural production and high quality agricultural production has formed in several new areas for specific agricultural productions. However, with the new patterns in regional development, there are serious inclinations in regional development which should gain much concern:most regions should pay more attention to the development of basic industries and its modernization; new and high tech industries are not suitable to develop on a large scale; and environmental state of several regions with a high rate of economic growth has seriously worsened.

[

陆大道

中国区域发展的新因素与新格局

地理研究, 2003, 22(3): 261-271.]

[30]

Gui

Q C

, Liu

C L

, Du

D B

Globalization of science and international scientific collaboration: A network perspective

Geoforum, 2019, 105: 1-12. DOI: 10.1016/j.geoforum.2019.06.017.

URL [本文引用: 1]

[31]

Albert

, Jeong

, Barabási

A L

Error and attack tolerance of complex networks

Nature, 2000, 406(6794): 378-382.

DOI:10.1038/35019019 URL [本文引用: 1]

[32]

Garud

, Nayyar

P R

Transformative capacity: Continual structuring by intertemporal technology transfer

Strategic Management Journal, 1994, 15(5): 365-385.

DOI:10.1002/smj.4250150504 URL [本文引用: 1]

[33]

Zhou

Can

, Zeng

Gang

, Cao

Xianzhong

Chinese inter-city innovation networks structure and city innovation capability

Geographical Research, 2017, 36(7): 1297-1308.

DOI:10.11821/dlyj201707009 [本文引用: 2]

In recent years, the emergence of the network paradigm has led to a large and growing body of scholarly research in economic geography focused on analysing the impact of innovation networks structures on knowledge flows and innovation outcomes. From a theoretical perspective, this paper aims to consider the link between networks, knowledge and innovation. Using the notion of 'network capital', whereby networks are considered to potentially offer benefits to network actors in terms of knowledge they are able to access, our paper takes 292 prefecture-level cities as the object, by using Ucinet, ArcGIS. We analyze the inter-city innovation networks structure and measure the innovation networks capital indirectly based on a unique co-patent dataset issued by the State Intellectual Property Office of P.R.China in 2014. The main findings of this study are drawn as follows: (1) The structure of the overall innovation linkages across 292 prefecture-level cities in China features 'small-world' network properties, whereby dense clusters of network actors are linked to other clusters via a relatively small number of bridging links. The city degree distribution of innovation networks is characterized by dissortative, whereby the inter-city innovation networks present a preferential attachment rule when the cities choose their innovation cooperation partners. The results demonstrate that the key nodes of innovation networks and innovative urban agglomerations can effectively improve knowledge spillovers and the value cities gain from networks. (2) The networks structure is diamond-shaped and anchored by four major metropolitan areas (Beijing-Tianjin in the North; Nanjing-Shanghai, East; Guangzhou-Shenzhen, South; Chengdu, West), which reveals a significant spatial heterogeneity. The spatial pattern of city innovation capability is degressive gradient from east to west and the high level innovation cities are in the obviously centralized distribution. The levels of city innovation capability show consistent spatial heterogeneity law with the 'structural network capital', which refers to the advantages accrued based on the structural position of cities within innovation networks. (3) The analysis strongly suggests that the centralities and structural holes of cities within innovation networks are significantly associated with the overall innovation performance of the respective cities at 0.01 confidence level. It is concluded that network structures, and resulting stocks of 'structural network capital', influence city innovation capability, indicating that network capital may be an important indicator of city innovation capability. The results of this study may provide reference for the construction of innovative cities and inter-regional innovation networks.

[ 周灿, 曾刚, 曹贤忠.

中国城市创新网络结构与创新能力研究

地理研究, 2017, 36(7): 1297-1308.]

DOI:10.11821/dlyj201707009 [本文引用: 2]

网络范式的兴起引起了经济地理学者对于同网络结构相关的知识流动和创新产出的关注。基于“网络资本”视角,以国家知识产权局2014年中国292个地级以上城市间合作发明专利信息为原始数据,借助Ucinet、ArcGIS、SPSS等分析工具,刻画中国城市创新网络结构,间接测度创新网络资本,评价城市创新能力,进而对网络资本与城市创新关系进行探讨。研究表明：① 城市创新网络具有小世界特征和择优连接性,培育网络中心城市和创新城市群有益于优化创新网络结构,增加网络资本;② 城市创新网络空间格局呈现京津、宁沪、广深、成都等核心节点构成的菱形结构,城市创新能力空间格局与“结构性网络资本”空间分布较为一致;③ 网络资本与城市创新在0.01的水平上显著相关,据此认为,网络结构以及由此产生的网络结构资本影响城市创新能力。研究结论可为创新型城市建设和跨区域创新网络构建提供一定的参考。

[34]

Cao

Xianzhong

, Zeng

Gang

, Si

Yuefang

Network capital, knowledge flow and regional economic growth: A literature review

Inquiry into Economic Issues, 2016(6): 175-184.

[ 曹贤忠, 曾刚, 司月芳.

网络资本、知识流动与区域经济增长: 一个文献述评

经济问题探索, 2016(6): 175-184.]

[35]

Zeng

Gang

, Lin

Lan

Study on the factors of technology diffusion

Science of Science and Management of S.&T., 2006, 27(2): 22-27.

[ 曾刚, 林兰.

不同空间尺度的技术扩散影响因子研究

科学学与科学技术管理, 2006, 27(2): 22-27.]

[36]

Ren

Long

, Jiang

Xuemin

, Fu

Xiaoxiao

Research on the regional technology flow network based on the patent right transfer in China

Studies in Science of Science, 2016, 34(7): 993-1004.

[ 任龙, 姜学民, 傅晓晓.

基于专利权转移的中国区域技术流动网络研究

科学学研究, 2016, 34(7): 993-1004.]

[37]

Zhao

Weiwei

Hub economy and its development mechanism: An empirical study taking transportation hub as an example

Human Geography, 2020, 35(3): 115-122.

[

赵伟伟

枢纽经济及其发展机制: 以中国交通枢纽经济为例

人文地理, 2020, 35(3): 115-122.]

[38]

Zhu

Yanshuo

, Wang

Zheng

, Cheng

Wenlu

The hub-network structure of China's equipment manufacturing industry

Acta Geographica Sinica, 2019, 74(8): 1525-1533.

DOI:10.11821/dlxb201908003 [本文引用: 2]

Based on the interlocking network model and the complex network theory, this paper analyzes the spatial distribution and interaction of cities based on geographical distribution of equipment manufacturing enterprises. The study indicates that cities all over the country present a hub-network structure. Beijing is the national hub city of the network. Cities such as Shanghai, Shenzhen, and Chongqing are regional hub cities. Beijing and Shenzhen have the strongest intercity connection in the network. Most cities in the northwest and southwest have a relatively low connection with other cities in the network. By comparing the sub-networks of different industries, it is found that there are significant differences in network scale, hub city and network density, which proved the polycentricity and diversity of urban space organizational hub-network structure. Finally, complex network theory is used to deliver deliberate attack experiments. The experimental results show that the network connectivity is basically not affected when the hinterland of the hub city is deleted, while the network connectivity declines obviously when the non-hinterland of the hub city is deleted. This indicates that the restriction of spatial distance between hubs and nodes is getting weaker, which is significantly different from the central-hinterland structure.

[ 朱艳硕, 王铮, 程文露.

中国装备制造业的空间枢纽—网络结构

地理学报, 2019, 74(8): 1525-1533.]

DOI:10.11821/dlxb201908003 [本文引用: 2]

借助连锁网络模型和复杂网络理论,基于2014年中国装备制造业企业的地理分布情况,分析城市空间组织关系。研究发现,全国各地城市呈现一种枢纽—网络结构。全国范围来看,北京为全国性枢纽城市,上海、深圳、重庆等城市为地区性枢纽城市,且枢纽城市之间以北京与深圳的城际连接最为密切,西北地区和西南地区的大部分城市在网络中连接程度相对较低。基于行业的子网络进行比较发现,不同行业在网络规模、枢纽城市和网络密度等方面都存在显著的差异,证实了城市空间组织的枢纽—网络结构具有多中心性和多样性的特点。运用复杂网络理论进行蓄意攻击实验发现,删除枢纽城市的腹地城市后其网络连通度基本不受影响,但删除其非腹地城市后网络联通度下降非常明显,说明空间距离对枢纽与节点连通的限制越来越弱,这与中心—腹地结构中的情形有着明显的区别。

[39]

Sheng

Kerong

, Li

Yang

, Sun

Wei

Spatial patterns and influencing factors of urban hinterworld in China

Economic Geography, 2021, 41(3): 66-76.

[ 盛科荣, 李扬, 孙威.

中国城市网络腹地空间格局及影响因素

经济地理, 2021, 41(3): 66-76.]

[40]

Sun

Y T

, Liu

Proximity effect, preferential attachment and path dependence in inter-regional network: A case of China's technology transaction

Scientometrics, 2016, 108(1): 201-220.

DOI:10.1007/s11192-016-1951-0 URL [本文引用: 5]

[41]

Barabasi

A L

, Albert

Emergence of scaling in random networks

Science, 1999, 286(5439): 509-512.

DOI:10.1126/science.286.5439.509 PMID:10521342 [本文引用: 2]

Systems as diverse as genetic networks or the World Wide Web are best described as networks with complex topology. A common property of many large networks is that the vertex connectivities follow a scale-free power-law distribution. This feature was found to be a consequence of two generic mechanisms: (i) networks expand continuously by the addition of new vertices, and (ii) new vertices attach preferentially to sites that are already well connected. A model based on these two ingredients reproduces the observed stationary scale-free distributions, which indicates that the development of large networks is governed by robust self-organizing phenomena that go beyond the particulars of the individual systems.

[42]

Balland

P A

, Boschma

, Frenken

Proximity and innovation: From statics to dynamics

Regional Studies, 2015, 49(6): 907-920.

DOI:10.1080/00343404.2014.883598 URL [本文引用: 1]

[43]

Canfei

Regional industrial development and evolution: Path dependence or path creation?

Geographical Research, 2018, 37(7): 1253-1267.

DOI:10.11821/dlyj201807001 [本文引用: 1]

Regional development is a process in which industries develop, transform and upgrade constantly. Evolutionary economic geography understands the spatial evolution of firm, industry, cluster, network, city and region through the lens of firm entry, growth and exit, and argues that regional industrial evolution is path dependent and determined by inter-industrial technological relatedness. However, path dependence theory overemphasizes the endogenous factors in regional industrial development and ignores the critical role of external linkages and institutional factors, which would bring path creation for regional development. In China, there has been dramatic transformation in regional industrial structure since the economic reform. Empirical studies indicate that technological relatedness has indeed significantly determined regional industrial evolution, suggesting a path dependent process. Meanwhile, marketization, globalization and regional decentralization provide great opportunities to create new industries for regional development. In particular, external linkage, institutional factors and purposeful and strategic actions of local actors would stimulate path creation.

[

贺灿飞

区域产业发展演化: 路径依赖还是路径创造?

地理研究, 2018, 37(7): 1253-1267.]

DOI:10.11821/dlyj201807001 [本文引用: 1]

区域发展是区域产业不断演化、转型与升级的过程。近年来发展起来的演化经济地理学旨在通过分析企业进入、成长、衰退和退出等动态过程阐释企业、产业、集群、网络、城市和区域的空间演化,认为区域产业发展演化遵循路径依赖,并决定于产业技术关联。然而路径依赖式演化理论过于强调内生发展过程,忽视了外生因素和制度变革带来的路径创造机会。中国处于经济转型时期,区域产业结构变动剧烈。技术关联推动了区域产业演化,显示中国区域产业演化具有路径依赖性,同时市场化、全球化和分权化的经济转型过程为区域产业发展创造了新路径。外部联系、制度安排、行为主体的战略性行为等促进了路径创造。

[44]

Wang

Jiaoe

, Du

Delin

, Jin

Fengjun

Comparison of spatial structure and linkage systems and geographic constraints: A perspective of multiple traffic flows

Acta Geographica Sinica, 2019, 74(12): 2482-2494.

DOI:10.11821/dlxb201912005 [本文引用: 1]

Transportation connection has always been one of the important perspectives of studying spatial cascading systems and urban systems. Based on the timetable data in 2018 of inter-city coach, high-speed train and aviation, this paper builds networks of the three modes of transportation in China. Through the methods of the city-pair connectivity and community detection, this paper compares the spatial structure and linkage systems of multi-traffic flow network and reveals the geospatial constraints. The research results show that: (1) Different modes of transportation are suitable for portraying urban systems on different spatial and administrative scales. Inter-city coaches are constrained by the provincial administrative boundaries. High-speed train network shows the effect of corridors especially along the main trunks. The aviation network reflects the spatial relationship at the national scale. (2) From the perspective of the direct accessibility, there is a large spatial overlap between inter-city coaches and high-speed trains, and the market of inter-city coaches is obviously squeezed in recent years. For air transport, its frequency advantage mainly concentrates on the city-pairs with a long distance. The competition and complementarity of the three modes of transportation have a great impact on the urban system and are useful for the understanding of the spatial cascading system. (3) Geographical space, infrastructure space and administrative space constraint and management system are important factors affecting the transportation networks. Inter-city coach network and high-speed train network are obviously affected by distance attenuation effects, and they present significant community structures in the two networks, but their communities have different spatial characteristics. However, air transport does not follow the constraint of distance attenuation, and there is not an obvious community structure in the network. Factors related to the passenger transport market, such as social and economic links and tourism resources, play the important roles in the aviation network structure.

[ 王姣娥, 杜德林, 金凤君.

多元交通流视角下的空间级联系统比较与地理空间约束

地理学报, 2019, 74(12): 2482-2494.]

DOI:10.11821/dlxb201912005 [本文引用: 1]

交通运输联系是区域空间级联系统与城市体系结构研究的重要视角之一,而不同交通运输方式表达的级联体系结构亦存在一定的差异。为综合研究交通运输体系刻画的空间级联系统及克服单一交通方式的局限性,基于长途汽车、高铁和航班时刻表数据,比较分析了多元交通网络的空间级联体系结构及其表达的城市网络组织体系,并进一步揭示了地理空间的约束作用。研究发现：① 每种交通运输方式适合在一定的空间尺度和行政范围内刻画和表达城市网络体系结构与城市联系,公路客运受省域行政范围约束,高铁联系具有廊道影响效应,航空运输体现全国和区域尺度较高层次的社会经济联系。② 从旅客直达视角分析,长途汽车与高铁的城际运输市场重叠最大,近年来长途汽车的运输市场受高铁影响明显。③ 地理空间是影响陆路交通运输和组织的重要约束因子,距离衰减效应明显;结合设施空间、行政空间和管理体制的作用,长途汽车和高铁运输在空间上形成分异的社区结构;航空运输由于具有超空间连接特性,既不遵循距离衰减规律,社区结构也并不明显。

[45]

Schmoch

Concept of a technology classification for country comparisons

Final Report to the World Intellectual Property Organisation (WIPO), 2008.

DOI:10.1111/j.1435-5597.1961.tb01769.x URL [本文引用: 1]

[46]

Zhang

, Li

Z L

Weighted ego network for forming hierarchical structure of road networks

International Journal of Geographical Information Science, 2011, 25(2): 255-272.

DOI:10.1080/13658810903313534 URL [本文引用: 1]

[47]

Jiang

, Yin

J J

Ht-index for quantifying the fractal or scaling structure of geographic features

Annals of the Association of American Geographers, 2014, 104(3): 530-540.

DOI:10.1080/00045608.2013.834239 URL [本文引用: 1]

[48]

Jiang

Head/tail breaks: A new classification scheme for data with a heavy-tailed distribution

The Professional Geographer, 2013, 65(3): 482-494.

DOI:10.1080/00330124.2012.700499 URL [本文引用: 1]

[49]

Nystuen

J D

, Dacey

M F

A graph theory interpretation of nodal regions

Papers of the Regional Science Association, 1961, 7(1): 29-42.

[50]

Yang

Longzhi

, Liu

Xia

Is there "Matthew Effect" in regional technology transfer? The driving orientation of inter-regional technology transfer

Studies in Science of Science, 2014, 32(12): 1820-1827, 1858.

[ 杨龙志, 刘霞.

区域间技术转移存在“马太效应”吗? 省际技术转移的驱动机制研究

科学学研究, 2014, 32(12): 1820-1827, 1858.]

[51]

Qingfu

, Kang

Xudong

, Yang

Zhongkai

, et al.

Research on the characteristics of inter-provincial technology transfer in China based on patent right transfer

Journal of Intelligence, 2017, 36(7): 66-72.

[ 徐庆富, 康旭东, 杨中楷, 等.

基于专利权转让的我国省际技术转移特征研究

情报杂志, 2017, 36(7): 66-72.]

[52]

Zhao

Shangmei

, Shi

Hongmei

, Du

Huadong

Analysis of cross-regional technology transfer based on network model

R&D Management, 2013, 25(5): 54-61.

[ 赵尚梅, 史宏梅, 杜华东.

基于网络模型的跨地区技术转移的研究

研究与发展管理, 2013, 25(5): 54-61.]

[53]

Guo

Hubin

, Deng

Zhituan

Research on the integrative high-quality development of Yangtze River Delta regional economy under the new normal

Economy and Management, 2019, 33(4): 22-30.

[ 郭湖斌, 邓智团.

新常态下长三角区域经济一体化高质量发展研究

经济与管理, 2019, 33(4): 22-30.]

[54]

Zhang

Gang

The evolutionary process of firm's capabilities based on technology transfer

Studies in Science of Science 2001, 19(3): 70-77.

[

张钢

基于技术转移的企业能力演化过程研究

科学学研究, 2001, 19(3): 70-77.]