長三角城市群協同創新網絡演化及形成機制研究
——依存型多層網絡視角

王?；?，孫 芹，杜 梅，李 玉

(上海大學 管理學院，上海 200444)

0 引言

創新已經成為推動國家和區域經濟發展、科技進步的內驅動力。城市群作為我國區域創新的主體空間，已經成為我國經濟發展的核心區域[1]。隨著“十三五”期間推動區域協調發展、建設全國20個城市群等國家重大規劃提出，以及十九大報告中創新驅動發展戰略、加快建設創新型國家戰略出臺，城市群協同創新已成為政府部門和學術界關注的熱點之一。長三角城市群作為我國最具經濟活力、產業體系最完備、開放程度最高、科技創新能力最強區域被稱為“世界第六大創新城市群”[2]，“一帶一路”與長江經濟帶重要交匯地帶的地理位置也使其成為我國綜合實力最強的區域。國務院印發的《關于進一步推進長江三角洲地區改革開放和經濟社會發展的指導意見》明確提出，要著力增強長江三角洲地區自主創新能力，將其建設成為亞太地區重要的國際門戶、全球重要的先進制造業基地、具有較強國際競爭力的世界級城市群?！吨袊鞘腥喊l展報告(2016)》[3]顯示，長三角城市群以明顯優勢位居全國城市群首位。然而，《長三角城市群發展規劃》指出，與美國東北部大西洋沿岸城市群、日本太平洋沿岸城市群、英國中南部城市群等世界級城市群相比，長三角城市群仍然存在城市間分工協作不足、低水平同質化競爭嚴重、創新資源分配不合理、城市功能相對較弱等問題。因此，優化長三角城市群協同創新網絡結構和空間布局、提高協同創新效率、健全一體化發展體制機制是其競爭力提升的關鍵(辜勝阻等，2013)。

當前，城市群協同創新網絡研究主要聚焦在網絡結構特征演化和形成機制分析方面。首先，在創新網絡結構特征演化方面，隨著跨組織創新活動網絡組織形成和壯大[5]，集中在組織或區域內部的創新網絡研究[5]向跨區域創新和協同創新研究發展?，F有研究主要利用城市間合作論文數據[6]或聯合申請專利數據[7]構建城市群合作網絡，進而通過分析網絡規模、中心性、結構洞、“小世界”特性以及凝聚子群特征等刻畫城市群協同創新網絡結構特征及演化。Scherngell等[7]基于歐洲255個地區之間的專利數據探討城市合作網絡演變特征；周燦[8]、許敏[9]利用聯合申請專利數據研究長三角城市群創新網絡結構。不同的是，前者從本地和跨界多維空間尺度出發,后者從省際比較角度出發；李建成等[10]基于長三角城市群論文合作數據，從整體網與自我網的空間分布、拓撲特征、結構復雜性等特征分析該城市群科學知識網絡結構特征及其發展演化；謝偉偉等[11]通過刻畫長三角城市群綠色發展創新網絡密度、節點中心度和網絡中心勢，證實該網絡以發達城市為核心的半輪軸型集聚格局基本形成。其次，在形成機制分析方面，現有研究大多使用關系數據，采用QAP分析法進行分析。唐建榮等[12]在分析長三角城市群協同創新網絡結構特征的基礎上，剖析該網絡形成的重要驅動因素是地理鄰近性、產業結構、高校人數和科技支出；許培源等[1]從鄰近性視角證明，地理、技術結構、經濟、制度和語言多維鄰近因素對粵港澳大灣區城市間創新合作有顯著影響；高麗娜等[13]指出，創新要素集聚與擴散是推動城市群協同創新網絡形成的根本機制，城市創新要素規模與結構、產業特征異質性影響城市群協同創新模式。

現有文獻為城市群協同創新網絡研究奠基了基礎，但是仍存在以下不足：首先，現有研究大多數著眼于單層網絡并分析其結構特征[10]，較少考慮協同創新過程中的知識網絡嵌入，未將城市與知識元素置于一個框架中分析、刻畫協同創新程度和協同創新網絡結構特征。此外，多數研究側重于從鄰近性視角探討其外部影響因素，忽視了網絡內在因素影響，或者僅從定性層面分析協同創新網絡驅動因素[14]，難以充分揭示協同創新網絡形成機制。

創新主體本質上是知識元素的集合，創新主體協同創新過程也是知識元素之間不斷重組、形成知識網絡以實現創造新知識的過程[15]。協同創新網絡中的知識網絡和合作網絡具有非同構解耦特性，二者同時決定創新行為和創新結果[16,17]，合作網絡為創新主體提供接觸外部異質性知識的機會，知識網絡則解釋了創新主體知識組合潛能及應用模式等問題[18]。因此，研究當前長三角城市群協同創新網絡，需要同時考慮知識網絡結構嵌入的影響，從而突破以往研究將知識網絡和合作網絡作為并行變量的限制。依存型多層網絡[19,20]能夠突破單層網絡中節點同質性和連邊同質性的限制，增加包括兩種不同性質節點的隸屬網絡，并將其與合作網絡和知識網絡有機結合，進一步剖析城市群協同創新網絡結構特征演化及形成機制。復雜網絡認為，網絡邊的相關性是網絡結構形成的關鍵要素，即現有結構會影響新的邊形成，而傳統Logistic回歸模型以網絡邊的獨立性為前提，無法測量網絡內生結構影響因素。隨機指數圖模型(Exponential Random Graph Model，簡稱“ERGM”)將網絡中邊的發生概率建模，包括外生性網絡屬性(節點或邊的屬性)和內生性結構(三角結構、星型結構等網絡構型)[23]嵌入，分析網絡生成的因果關系，從而預測未來網絡關系生成概率。Brennecke等[16]基于ERGM預測企業知識網絡結構特征對發明者之間的人際互動以及知識在組織內擴散和重組的影響；Chrobat等[21]利用ERGM預測組織和團隊中重要領導關系形成；何喜軍等(2018)基于ERGM從網絡內生結構、科技主體間關系屬性、科技主體個體屬性等維度預測科技主體間的專利技術交易機會。因此，ERGM在預測網絡關系形成機制方面具有優勢。

基于以上分析，本研究基于依存型多層網絡視角，將長三角城市群合作網絡、知識網絡和城市-知識元素隸屬網絡3個不同網絡整合到一個框架中，利用指數隨機模型識別網絡內生結構特征和外生變量(結點和結點間關系)的綜合影響，解答以下問題：長三角城市群協同創新程度如何？其協同創新網絡結構特征及演化如何？其協同創新網絡形成機制如何？這對于長三角城市群協同創新網絡結構優化、創新資源合理配置和更高質量的一體化發展具有重要意義。

1 數據來源與研究方法

1.1 數據來源與處理

相較于其它科研成果，專利是目前創新領域使用最廣泛的數據，具有先進性和創新性[22]。因此，將合作專利作為協同創新衡量指標具有合理性。本研究選取長三角城市群，包括上海、江蘇、浙江和安徽在“三省一市”共41個城市作為研究對象，以2009—2018年城市群內產學研聯合申請專利為數據，研究其協同創新程度、協同創新網絡結構特征演化及形成機制。

本研究專利數據來源于國家知識產權局專利檢索及分析網站(http://pss-system.cnipa.gov.cn)，檢索2009年1月1日至2018年12月31日長三角城市群139所本科院校申請的發明專利信息，在檢索欄專利申請(專利權)人處輸入“XX大學”(如復旦大學)，將檢索到的488 658條專利數據批量下載，剔除單個專利申請主體(僅有一個申請人)、非長三角區域主體(北京大學)、非產學研主體(軍隊、醫院、個人)等不符合條件的專利數據，最終得到14 849條專利數據。首先利用專利計量方法，分析產學研協同創新聯合申請專利數據時間分布和地域分布，然后針對同一條專利申請人地域分布進行拆分，獲得城市間協同創新合作頻次共計7 653次。拆分規則見表1，如果某條專利申請人為同濟大學、上海XX有限公司和徐州XX有限公司，其地域分布分別為上海、上海與徐州，則可拆分為上海和徐州以及上海和徐州兩條合作關系。

表1 聯合申請專利拆分規則(示例)

注：A、B、C分別代表城市

1.2 研究方法

本研究利用長三角城市群產學研聯合申請專利數據，基于依存型多層網絡視角構建一個能體現長三角城市群城市間合作關系、知識元素間組合關系以及城市-知識元素間隸屬關系的多層次社會網絡，如圖1所示。合作網絡是以長三角城市群的41個城市為網絡節點(Nodes)，城市之間聯合申請專利的合作關系為聯結(Ties)構建而成；知識網絡根據Guan等[23]的劃分原則，以專利IPC分類號前4位劃分出的946類知識元素作為網絡節點，以不同知識元素出現在同一條專利數據中作為聯結。中間的城市-知識元素隸屬網絡是以41個城市和946類知識元素作為網絡節點，并以兩類節點間的隸屬關系為聯結構建。

圖1 依存型多層網絡

結合劉軍[24]、Barrat[25]、Burt[26]&Guan等[27]的研究成果，本研究選取網絡規模、網絡密度、網絡中心勢、平均路徑長度、平均聚類系數和點度中心度指標，從整體網絡和個體網絡兩個方面刻畫長三角城市群產學研協同創新合作網絡結構特征，選取網絡規模、網絡密度和網絡中心度測量知識網絡結構特征演化。結合Wang[28]、Fleming[29]&Brennecke[16]的研究成果，選取知識多樣性、知識組合機會和知識獨特性3個指標測量隸屬網絡結構特征及其演化。

2 協同創新網絡結構特征分析

長三角城市群內各城市產學研聯合申請專利情況如圖2所示，各城市聯合申請專利總量呈上升趨勢，但城市間申請專利情況差異較大。長三角城市群產學研聯合專利申請數量從2009年的792件增長至2018年的2 829件，增長了2.57倍。上海、南京、杭州、蘇州、無錫和南通等城市聯合申請專利總量一直位居前列。長三角城市群內各城市產學研聯合申請專利情況如圖2所示,可以發現，各城市聯合申請專利總量呈上升趨勢,但城市間聯合申請專利情況差異較大。長三角城市群產學研聯合申請專利數量從2009年的792件增長至2018年的2 829件,增長了2.57倍。其中，上海、南京、杭州、蘇州、無錫和南通等城市聯合申請專利總量一直位居前列；宿州、亳州、黃山、池州和麗水等城市聯合申請專利總量較少且增長速度明顯慢于其它城市。

從長三角城市群城產學研協同創新頻次看，2009—2018年協同創新頻次呈逐年遞增趨勢，其中2018年合作頻次最多，達到1 341次。2009—2018年上海、江蘇、浙江和安徽參與產學研協同創新頻次占比分別為13.8%、55.8%、22.0%和8.4%。其中，南京、上海、杭州、蘇州、無錫、南通和合肥分別以參與協同創新合作頻次占比17.0%、13.9%、10.6%、8.3%、6.6%、5.9%及3.5%位于前列。這表明2009—2018年長三角城市群各城市知識創新合作關系密切，協同創新程度不斷加深并形成了以多個中心城市領先帶動發展的格局。由此可見，研究長三角城市群協同創新網絡就必須分析長三角城市群創新網絡結構特征。

2.1 合作網絡結構演化分析

使用Ucinet6.0計算合作網絡結構特征各項指標，結果如表2所示。①節點數表示合作網絡中參與協同創新的城市數量，用于衡量合作網絡規模。2009—2018年長三角城市群參與產學研協同創新城市主體由33個增加到41個，網絡規模不斷擴大且趨于穩定，2018年實現長三角城市群41個城市全部覆蓋。網絡規模越大，網絡資源越豐富，就越有助于知識整合和創新[30]；②網絡邊數表示兩城市主體之間的合作關系數量。聯結次數表示合作網絡中城市主體之間的合作次數。由表2可見，合作網絡邊數和聯結次數均呈逐年增長趨勢，聯結次數數量和增長幅度均遠大于網絡邊數，說明各城市之間的合作更加頻繁、合作關系更加密切，同時協同合作也達到相對穩定狀態；③網絡密度是指合作網絡中各城市之間的合作緊密程度。結果顯示，合作網絡密度逐年遞增，最高達到0.190，但整體仍處于低密度網絡狀態。這表明長三角城市群知識創新合作狀態雖然得到改善且達到相對穩定狀態，但聯系強度還沒有達到完備狀態；④網絡中心勢是指合作網絡在一定程度上表現出向某中心城市集中的趨勢，體現的是網絡整體中心性。隨著網絡規模擴大，網絡中心勢在40%—53%的范圍波動變化，說明該網絡已經形成依賴于某些中心城市的空間集聚；⑤平均最短路徑是指已建立合作關系的兩個城市之間存在的最少邊條數，用于衡量城市之間合作關系建立的難易程度。呈下降趨勢的平均最短路徑表明,城市之間的通達性提高，信息傳遞和合作交流效率提高，因合作成本和中間環節過多導致的風險降低(宋晶等，2017)；⑥平均聚類系數是指兩城市與同一城市存在合作關系，且這兩城市之間恰好也存在合作關系的概率，用于衡量創新主體之間聚集程度。結果顯示，合作網絡平均聚類系數一直維持在0.590～0.724之間，較高的平均聚類系數說明合作網絡中各城市之間的聚集程度大，信息通達路徑多，有利于信息傳遞和知識創新，但過度聚集也可能造成城市之間的知識冗余，導致資源浪費[31]。此外，長三角城市群協同創新合作網絡呈現較高的平均聚類系數和逐漸減小的平均路徑長度表明，該網絡呈現逐漸向“小世界”網絡[32]演化的趨勢。

圖2 2009—2018年長三角各城市聯合申請專利情況

表2 合作網絡測度指標

分析節點在網絡中位置及與其聯系的節點數量，可以探討不同節點在網絡演化過程中的差異性演化特征。表3和圖3反映出2009—2018年長三角城市群協同創新網絡中各城市點度中心度。

點度中心度是指在合作網絡中與該城市有合作關系的其它城市個數，采用與該城市直接連線數量衡量，反映了該城市的相對重要程度。由表3可見，2009—2018年各城市點度中心度均有提升，表明相較于2009年，長三角城市群中各城市協同創新程度提高，城市群內各城市聯系更加密切。從各個城市看，上海、南京和杭州始終位于城市點度中心度的前3；蘇州和無錫中心度排名一直穩定且居于前列；合肥自2012年進入中心度排名前5之后成長迅速，2016年和南京并列第一；阜陽、亳州、宣城、黃山、銅陵和安慶等城市中心度一直處于低值，表明上述城市處于長三角城市群協同創新網絡邊緣位置?？傮w來看，上海、南京和杭州始終處于長三角城市群協同創新網絡核心位置；蘇州和無錫發展穩定，處于長三角城市群協同創新網絡關鍵位置；合肥創新能力提升迅速，對長三角城市群協同創新的影響越來越大，成為其協同創新網絡“多中心”布局中的“一個中心”。

圖3反映了2009—2018年長三角城市群協同創新合作網絡動態演化過程，圖中各節點為城市，邊線為城市之間的合作關系，合作網絡節點大小表明與該節點聯系的節點數量，節點越大表明與該節點直接聯系的其它節點越多，即該節點影響力越大；聯結兩節點的邊的粗細表明兩節點之間的合作頻次，邊越粗表明兩節點之間的合作頻次越高。在每年合作網絡中，上海、杭州、南京的節點都是最大的，與其它城市之間的連線也是最多、最粗的，說明上海、杭州和南京一直以來都處于長三角城市群創新網絡核心位置，發揮著輻射其它城市協同創新、合作發展的作用。此外，自2014年以后，長三角城市群協同創新網絡中心城市增多且關鍵城市數量獲得增長,主要原因有兩個：一是2013年以后，隨著“一帶一路”倡議和“長江經濟帶”戰略提出，長三角城市群作為重要交匯地帶，在國家現代化建設大局中占有重要地位，從而進一步推進長三角城市群協同發展；二是《長江三角洲城市群發展規劃》(2016—2020)將長三角地區擴容到“三省一市”，并對其空間格局、基礎設施網絡、創新網絡、開放平臺等進行規劃，為長三角城市群知識交流和共享、全面協同、加速創新提供了保障。

表3 城市點度中心度

圖3 合作網絡演化過程

凝聚子群是指由更加直接、密切、積極的關系構成的節點子集合，用于分析網絡整體結構的小子群構成[6]。凝聚子群的存在說明城市群內部存在合作更加頻繁、聯系更加密切的集群[1]。本研究中，凝聚子群是指在長三角城市群協同創新網絡中，合作關系更加密切的城市集合。本研究選用迭代相關收斂法( CONCOR) 進行聚類分析，以最大分割深度為 2、收斂標準為 0.2 進行計算。

凝聚子群分析結果如表4所示，縱向來看，若凝聚子群數量較多，則不利于整個創新網絡中的成員進行密切聯系，將長三角城市群各年協同創新網絡均分為4個子群則比較易于長三角城市群各城市之間的直接聯系[24]。橫向來看，第一子群集中了長三角城市群協同創新網絡中合作關系緊密、中心度較高的城市，以上海、南京等城市為主；第二子群集中了相互聯系較為密切的城市，以杭州、合肥等城市為主；第三、四子群則集中了中心度較低且與其它城市存在較少聯系的城市，以衢州、阜陽等城市為主。結合表5可知，2009年聯系密度最大的是第一子群和第二子群，2012年第一子群和第三子群的聯系密度最大，2014年第二子群內部聯系密度最大，2016年第一子群內部聯系密度最大，2018年第一子群和第三子群的聯系密度最大，說明隨著長三角城市群一體化戰略推進，長三角城市群形成了包括以上海和南京為核心，以及以杭州和合肥為核心的多個組團創新凝聚子群。此外，以衢州、阜陽等城市為代表的第三、四子群的聯系密度突破零，達到2.125，說明長三角城市群創新網絡中處于較為邊緣位置的城市與其它城市之間的創新聯系得到加強，整個創新網絡聯系密度向均衡趨勢發展?？傮w而言，長三角城市群協同創新網絡呈現“多中心、多層次、趨均衡”結構布局，并且由上海、南京、杭州、合肥、蘇州和無錫等中心城市帶動輻射周邊城市發展。

表4 長三角城市群知識創新網絡凝聚子群分區

表5 長三角城市群合作網絡凝聚子群密度矩陣

注：每個數值分別代表2009、2012、2014、2016、2018年的子群密度

2.2 知識網絡結構演化分析

知識網絡各測度指標結果如表6所示。①節點數用來衡量知識網絡規模，即各年參與長三角城市群協同創新的知識元素數量。網絡規模由2009年的205個增長至2018年的335個，表明知識網絡規模不斷擴大，知識要素和創新資源越來越豐富，長三角城市群協同創新技術領域得以擴展。此外，網絡邊數從836條增長至1 836條，表明知識元素之間的組合越來越頻繁，不同技術領域之間的合作更加密切；②網絡密度由0.002 0增長至0.004 3，表明協同創新知識元素之間的合作關系增加且聯系程度加深，但仍屬于低密度網絡；③點度中心度由1.284增長至2.812，說明知識元素之間的平均聯系次數不斷增加，但仍有進一步提升的空間。

為了更直觀地觀察長三角城市群2009—2018年協同創新知識網絡結構特征及演化趨勢，本研究運用軟件Gephi0.9.1構建知識網絡并將其可視化，結果如圖4所示。

2.3 城市—知識元素隸屬網絡

城市-知識元素隸屬網絡分析，以2009、2018年為例展示，結果見表7和圖5。①知識多樣性是指各城市所擁有的異質性知識元素數量，城市知識多樣性越高，就越有利于其與外部其它城市建立合作關系，從而提高自身協同創新能力；②知識組合機會是指各城市所擁有的知識元素在任意其它兩個知識元素組合路徑中起中介作用的能力，用來衡量知識元素之間可能發生的組合關系，城市知識組合機會越大，說明其擁有的知識元素越有可能對不同知識元素進行重組，就越有利于利用現有知識進行創新；③知識獨特性是指城市在與其相聯系的其它城市不熟悉的領域具有豐富的異質性知識，知識獨特性絕對值越大，說明其擁有的異質性知識資源越多。表7結果顯示，長三角城市群各城市知識多樣性和知識組合機會均有提升，表明長三角城市群創新知識和資源不斷豐富，新知識開發及利用現有知識進行創新的能力不斷增強；各城市知識獨特性絕對值提高，擁有的異質性知識增多，表明城市有各自側重發展的技術領域和產業，整體創新水平得到提升。

表6 知識網絡測度指標

分析長三角城市群各城市擁有的知識元素種類及數量變化，可以發現長三角城市群協同創新網絡中技術領域變化。根據國家知識產權局中國專利公布公告的 IPC 分類查詢的分類號(A——人類生活必需；B——作業、運輸；C——化學、冶金；D——紡織、造紙；E——固定建筑物；F——機械工程、照明、加熱、武器、爆破；G——物理；H——電學)進行統計，結果發現：

圖4 知識網絡演化過程

表7 隸屬網絡測度指標

注：KD表示知識多樣性，KO表示知識組合機會，KU表示知識獨特性注：KD表示知識多樣性，KO表示知識組合機會，KU表示知識獨特性

(1)從每年各城市擁有的知識元素數量占長三角擁有的知識元素總量看，2009年上海擁有的各類知識元素數量在各類知識元素總量中占比均為第一，分別為0.161 9、0.203 5、0.153 8、0.191 5、0.218 8、0.333 3、0.241 9、0.267 4。2018年，上海在B類和F類知識元素中占比仍為第一，分別為0.118 7和0.181 8；杭州在A類、C類和D類知識元素中占比第一，分別為0.118 4、0.106 2和0.149 1；南京在E類知識元素中占比為0.112 4，居41個城市之首；南通分別以0.095 7和0.191 5的占比在G類和H類知識元素中居于第一。

(2)從各類知識元素增長情況看，相較于2009年，2018年各類知識元素數量分別增長了2.895 2、3.504 4、1.919 2、2.425 5、2.781 3、2.200 0、2.612 9、2.186 0倍，“作業、運輸”技術領域協同創新發展速度最快；C類知識元素仍然分別以260和499的數量位于各年第一，但相較于其它知識元素,其增長幅度最小。由此可見，隨著協同創新戰略推進，長三角城市群協同創新領域出現空間聚集，各城市在不同領域各有側重地進行協同創新；各技術領域協同創新力度不同，傳統“化學、冶金”仍為協同創新的重點，“作業、運輸”領域發展更加迅速。

3 協同創新網絡生成機制分析

3.1 ERGM模型構建

具體變量及相關解釋見表8?？紤]到知識多樣性、知識組合機會和知識獨特性表示知識網絡的不同維度，且三者之間的相關性較高，故本研究選取代表各城市擁有異質性知識資源程度的知識獨特性測量隸屬網絡特征對協同創新網絡的影響。

圖5 城市—知識元素隸屬網絡

表8 ERGM模型統計量含義

3.2 ERGM結果分析

采用R環境下的Statenet程序包計算ERGM模型，并使用馬爾科夫連蒙特卡羅最大似然估計法(MCMC)估計模型參數，結果如圖6和表9所示。統計結果顯示，樣本網絡密度為0.334，擁有節點41個，邊274條，三角形874 個，2-路徑5 006個，表明存在數量龐大的星型結構。

圖6 樣本網絡

參考段慶鋒等[33]的研究成果，對參數擬合程度采用以下兩種方法進行判定：一是t檢驗法，由p值判斷參數顯著性水平；二是參數絕對值至少是標準差的2倍，若成立則可判斷變量在模型中能夠發揮顯著效應。從整體上看，本研究變量均表現出較好的擬合效果。

(1)結構嵌入方面。變量Gwdsp、Gwesp、Gwdegree和Kstar(2)系數均顯著為正，意味著新成立的關系能夠形成中介2-路徑、閉合三角形、星型結構和2星的概率是其它情形的1.117(=exp(0.111))、1.496(=exp(0.403))、1.281(=exp(0.248))和1.074(=exp(0.071))倍，說明協同創新網絡合作關系形成傾向于中介2-路徑、閉合三角形、星型結構和2星結構。

(2) 在馬太效應機制方面，nodecov(“KU”)系數顯著為負，意味著城市每增加一個知識獨特性，與其它城市形成合作關系的幾率是原來的0.999(=exp(-0.001))倍，說明知識獨特性對城市之間合作關系形成具有反向效應，即擁有獨特性知識的城市與其它城市形成合作關系的可能性較小，出現這種情況的原因可能是：一方面，城市所擁有的獨特性知識對整個城市群協同創新沒有重要性，難以在知識創新過程被利用；另一方面，創新主體會潛心于自己獨特的知識領域進行研發而不會積極與其他創新主體展開合作。

(3)在同配性方面，nodematch(“Province”)系數為正，說明地理層面的同配性可促進城市之間合作關系形成，同一省份內各城市之間的合作關系建立概率是不同城市之間的15.120(=exp(2.716))倍，同配性效應顯著。

檢驗ERGM模型對城市之間合作關系形成機制的捕捉能力，需要進行模型擬合優度診斷?；舅悸肥菣z驗根據擬合模型模擬得到的隨機模型是否與原模型具有相同的結構特征，若存在則說明模型擬合效果好。本研究選取經典結構特征指標——二元共享伙伴DP(i)進行擬合優度診斷。結果如圖7所示，實線表示原模型的統計特征，箱體代表隨機模型的結構特征，實線基本位于箱體中線附近，表明模型擬合效果良好。

表9 ERGM模型參數估計結果

注：***代表p<0.001，**代表p<0.01，*代表p<0.05

圖7 ERGM模型擬合優度診斷

4 結語

4.1 研究結論

本研究基于依存型多層網絡視角，通過對長三角城市群協同創新網絡結構特征、時空演化趨勢以及生成機制影響因素進行分析，主要得出以下結論：

(1)長三角城市群協同創新水平不斷提升但仍處于弱聯結狀態。2009-2018年協同創新網絡呈現出網絡規模不斷擴大、網絡密度持續提高、關鍵節點不斷增多、聯結次數穩步上升、平均路徑長度波動下降等發展趨勢，城市協同創新水平不斷提高，創新技術領域不斷擴大，創新資源更加豐富。但創新合作網絡與知識網絡密度最大值僅為0.190和0.004 3，兩類網絡均處于弱連接狀態，一體化程度有待加深。

(2)長三角城市群協同創新網絡空間由“三足鼎立”格局向“多中心、多層次、趨平衡”格局演變。從網絡中心性看，上海、南京和杭州一直處于協同創新網絡中心位置，合肥、蘇州和無錫等城市迅速成長為協同創新網絡的“新中心”，池州、六安、阜陽、亳州和宿州等城市一直處于網絡邊緣位置?！靶∈澜纭卑l展趨勢以及凝聚子群分析結果表明，長三角城市群協同創新網絡發展呈現由中心城市帶動、輻射邊緣城市創新的格局，協同創新網絡整體趨于一體化和均衡化發展。

(3)長三角城市群協同創新能力不斷增強，技術領域出現空間聚集。從隸屬網絡分析結果看，知識多樣性、知識組合機會和知識獨特性絕對值均呈遞增趨勢，各城市擁有的知識元素種類及數量也發生了變化。協同創新網絡知識和資源不斷豐富，新知識開發能力以及利用現有知識進行創新的能力不斷增強。長三角城市群協同創新領域出現空間聚集，各城市在不同領域各有側重地進行協同創新，傳統“化學、冶金”仍然是創新重點，但是“作業、運輸”領域發展更加迅速。

(4)長三角城市群協同創新網絡形成受地理同配性、知識獨特性和結構嵌入的影響。同配性方面，相同省份的城市之間更容易形成合作關系；馬太效應方面，城市所擁有的獨特性知識會對其合作關系形成起抑制作用；結構嵌入方面，協同創新網絡中各城市之間的合作關系傾向于中介2-路徑、閉合三角形和星型結構，即合作關系社區化傾向、關系資源的中介性以及網絡結構的“核心-邊緣”傾向，其中，社區化發展傾向最為顯著。

4.2 理論貢獻

(1)使用社會分析方法將城市和知識元素置于一個隸屬框架下，分析城市所擁有的知識元素屬性與演化，全面探究城市群協同創新網絡動態演化趨勢。

(2)基于依存型多層網絡視角構建長三角城市群協同創新中合作網絡、知識網絡和城市-知識元素隸屬網絡的多層次網絡結構，分析協同創新網絡結構特征和演化趨勢，彌補現有研究僅從單層網絡進行分析的不足，從多層網絡視角揭示城市群協同創新網絡特征與演化。

(3)構建 ERGM 回歸模型，識別影響長三角城市群協同創新網絡的內生結構變量和外生變量，分析協同創新網絡形成機制，拓展 ERGM 模型應用領域，從而豐富產學研協同創新與合作關系預測相關研究。

4.3 政策啟示

(1) 長三角城市群協同創新發展需要整合創新資源，實現優勢互補。政府部門應加快機制體制創新，積極推動以上海、南京、杭州、合肥、蘇州和無錫等城市為主的“多中心”城市輻射，拉動周邊城市發展。同時，發揮上海、南京、杭州和合肥等城市的人才優勢、資源優勢，蘇州、無錫等城市的地理位置優勢，馬鞍山、阜陽、亳州和宣城等城市的勞動力優勢，整合各地創新資源，打破城市之間的發展壁壘，促進信息、知識、技術和人才交流，發揮各自創新優勢。

(2) 長三角城市群協同創新發展需要統籌區域資源，推動公平發展?！靶∈澜纭本W絡特性雖然可以使網絡信息傳遞更加快速和便捷，但是幾個聯結的改變便可能改變網絡特性。因此，網絡中資源公平性原則格外重要[10]。位于網絡邊緣位置的第三、四子群資源匱乏，國家政策需要平衡各城市創新能力，因地制宜，協同發展。從促進安徽省深度融合到長三角城市群一體化發展過程中，政府應該采取相關促進措施，例如增加財政支持、引進人才、發展研究型院校等，助推邊緣城市創新水平提高，加強各城市一體化發展協同作用。

(3) 長三角城市群協同創新發展需要發揮各區域資源優勢，優化產業結構。立足各城市功能定位，調整產業布局，形成各自優勢產業。例如，上海是國際金融中心，杭州發展電子商務平臺，南京集聚中國制造業，以合肥為中心發展電子產業集群，利用各城市優勢資源形成產業聚集，構建高效開放融合的產業發展網絡。提高創新資源和知識元素聚集性，促進多學科、多產業領域協同創新和融合發展，從而推動協同創新網絡良性發展。

(4)長三角城市群協同創新發展需要突破集體行動困境，建立長效合作機制。政府應該通過相關政策引導，突破省內合作局限，打破資源壟斷并擺脫關系依賴，建立起城市群內部由中心城市帶動邊緣城市發展的協同創新和長效合作機制。合理布局創新資源，提高協同創新效率并保持合作關系的穩定性。

本研究使用長三角城市群內部產學研協同創新數據，但是各城市與城市群外部也存在產學研合作和創新合作，后續研究可以對長三角城市群內外部協同創新網絡進行研究，從而為長三角城市群一體化發展與協同創新提供具體政策建議和實踐啟示。