城市群技术创新网络对创新效率的影响

doi:10.3969/j.issn.1004-9479.2025.02.20230047

世界地理研究 ›› 2025, Vol. 34 ›› Issue (2): 87-97.DOI: 10.3969/j.issn.1004-9479.2025.02.20230047

城市群技术创新网络对创新效率的影响

江凯乐¹^,²^,³(), 刘春燕³, 马海涛²^,⁴

^1.中国科学院南京地理与湖泊研究所/中国科学院流域地理学重点实验室，南京 211135
^2.中国科学院大学，北京 100049
^3.江西师范大学地理与环境学院/鄱阳湖湿地与流域研究教育部重点实验室，南昌 330022
^4.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

收稿日期:2023-01-30 修回日期:2023-07-05 出版日期:2025-02-15 发布日期:2025-02-24
作者简介:江凯乐（2000—），男，硕士研究生，主要研究方向为经济地理学， Email： jiangkaile2022@163.com。
基金资助:
国家自然科学基金面上项目(42371213);国家社会科学基金重大项目(21ZDA011)

The effect of technological innovation networks on innovation efficiency in urban agglomerations

Kaile JIANG¹^,²^,³(), Chunyan LIU³, Haitao MA²^,⁴

^1.Key Laboratory of Watershed Geographic Sciences, Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 211135, China
^2.University of Chinese Academy of Sciences, Beijing 100049, China
^3.Key Laboratory of Poyang Lake Wetland and Watershed Research, Ministry of Education, School of Geography and Environment, Jiangxi Normal University, Nanchang 330022, China
^4.Key Laboratory of Regional Sustainable Development Modeling, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China

Received:2023-01-30 Revised:2023-07-05 Online:2025-02-15 Published:2025-02-24

摘要/Abstract

摘要：

城市群内部城市间的协同创新有利于提升城市群整体创新效率，但城市群创新网络对创新效率的具体影响尚不明晰。以“十四五”规划提出重点建设的19个城市群为研究对象，引入社会网络分析、随机前沿分析、普通最小二乘法、面板回归等方法，运用2000—2019年所有城市群的城市专利申请和城市间专利合作等数据，分析城市群创新网络对创新效率的影响。研究发现：①中国19个城市群的技术创新效率具有明显的异质性，相比中西部地区，东部沿海地区的城市技术创新效率更高；②技术创新合作网络对创新效率具有显著影响，不同网络指标对创新效率的影响有所差异，节点指标与创新效率并没有表现出显著的正相关关系，而网络总体指标对创新效率的影响更加显著；③不同属性的多中心性对创新效率的影响具有显著差异。城市群功能多中心性的显著性比形态多中心性更加稳定，系数值也更高。本文揭示了城市群技术创新网络对创新绩效的影响，旨在为城市群创新资源配置的优化提供科学参考。

关键词: 城市群, 创新网络, 创新效率, 随机前沿分析, 多中心性

Abstract:

Collaborative innovation among cities within urban agglomeration is conducive to improving the overall innovation efficiency of urban agglomeration, but the specific impact of urban agglomeration innovation network on innovation efficiency is still unclear. Taking the 19 urban agglomerations proposed to be constructed in the 14th Five Year Plan as the research region. The social network analysis, stochastic frontier analysis, ordinary least squares, and panel regression are utilized to analyze the impact of urban agglomeration innovation network on innovation efficiency by using the data of urban patent applications and intercity patent cooperation of all urban agglomerations from 2000 to 2019. The results show that: ①The technological innovation efficiency of 19 urban agglomerations in China has obvious heterogeneity. Compared with the central and western regions, the urban technological innovation efficiency of the eastern coastal regions is higher; ②Technological innovation cooperation network has a significant impact on innovation efficiency. The impact of different network indicators on innovation efficiency is different. Node indicators do not show a significant positive correlation with technological production efficiency, while the overall network indicators have a more significant impact on innovation efficiency; ③The effect of the polycentricity of different attributes on innovation efficiency is significantly different. The significance of functional polycentricity of urban agglomeration is more stable than that of morphological polycentricity, and the coefficient value is also higher. This paper reveals the impact of the technological innovation network of urban agglomeration on innovation performance, which can provide scientific reference for the optimal allocation of urban innovation resources.

Key words: urban agglomeration, innovation network, innovation efficiency, stochastic frontier analysis, polycentricity

江凯乐, 刘春燕, 马海涛. 城市群技术创新网络对创新效率的影响[J]. 世界地理研究, 2025, 34(2): 87-97.

Kaile JIANG, Chunyan LIU, Haitao MA. The effect of technological innovation networks on innovation efficiency in urban agglomerations[J]. World Regional Studies, 2025, 34(2): 87-97.

图/表 7

表1 城市创新网络的节点网络和总体网络指标及含义

Tab.1 Node network and overall network indicators of urban innovation networks and their meanings

指标	公式	含义	指标解释
点度中心度	$C D (i) = ∑ j ∈ N x i j$	$x i j$ 是1或0，代表节点j是否与节点i拥有专利技术合作，N代表网络中的节点数量	衡量某城市同城市群其他城市开展技术合作的能力，值越高，创新资源越多，在城市群创新网络的地位也越高
加权度中心度	$C w D (i) = ∑ j = 1 N X i j N - 1 * w$	$X i j$ 表示城市i与城市j之间的属性关系，N为群内城市数量，w为城市i与j的合作量	反映了节点和城市群其他节点的联系量，值越高，创新资源越多，在城市群创新网络的地位也越高
中介中心度	$C B (i) = ∑ j ∈ N ∑ k ∈ N g j k (i) g j k$ (j≠k≠i)	$g j k$ 代表节点j和k之间最短路径的数目， $g j k (i)$ 是节点j和k之间存在的经过节点i的最短路径的数目	衡量某城市在城市群内部对技术知识的控制程度和调节能力，值越高，节点对城市群的调节和控制能力越强
接近中心度	$C C (i) = 1 n - 1 ∑ j ≠ i 1 d (i, j)$ $d i, j = β, i 和 j 相连 ∞, i 和 j 不相连$	$d i j$ 代表节点i与j之间的距离	反映城市和其他节点之间技术合作的紧密程度，值越高意味着其通达性越好，知识流动越便捷
连通分量	M = E - N + 2P	E为图形的边缘数，N为图形的节点数，P为已连接组件的数量	连通分量越低，城市群内节点之间的联系越紧密
平均聚类系数	$C C = 1 n ∑ n 2 d i k (k - 1)$	CC表示该网络的平均聚类系数，n为网络中的节点数量， $d i$ 为节点i与相邻节点之间实际存在的边数，k代表与节点i相邻的节点数	反映网络的联通情况，数值越大说明节点越有可能相连，节点之间的关系越紧密，合作交流越便捷
平均路径长度	$x = 2 N N - 1 ∑ i ≠ j d i j$	N为节点数，d_ij 为节点i与节点j之间的连线	反映城市之间合作与联系的畅通程度，该指标越小说明网络中各节点城市越容易开展合作
形态多中心性	$P M = 1 - σ M σ M m a x$	σ_M 为城市群内各城市专利申请量总体的标准差，σ_Mmax 是在一双节点网中拥有最大和最小专利申请量的节点城市发文量的标准差	反映城市群内部专利申请量规模等级的均衡分布程度
功能多中心性	$P F = 1 - σ F σ F m a x × ∆$	σ_F 表示城市群网络中城市合作专利量的总体标准差，σ_Fmax 是在一双节点网中拥有最大和最小合作总量的节点城市合作总量的标准差。Δ代表城市群网络的网络密度	反映城市群内部专利合作关系数量的均衡分布程度

表1 城市创新网络的节点网络和总体网络指标及含义

Tab.1 Node network and overall network indicators of urban innovation networks and their meanings

指标	公式	含义	指标解释
点度中心度	$C D (i) = ∑ j ∈ N x i j$	$x i j$ 是1或0，代表节点j是否与节点i拥有专利技术合作，N代表网络中的节点数量	衡量某城市同城市群其他城市开展技术合作的能力，值越高，创新资源越多，在城市群创新网络的地位也越高
加权度中心度	$C w D (i) = ∑ j = 1 N X i j N - 1 * w$	$X i j$ 表示城市i与城市j之间的属性关系，N为群内城市数量，w为城市i与j的合作量	反映了节点和城市群其他节点的联系量，值越高，创新资源越多，在城市群创新网络的地位也越高
中介中心度	$C B (i) = ∑ j ∈ N ∑ k ∈ N g j k (i) g j k$ (j≠k≠i)	$g j k$ 代表节点j和k之间最短路径的数目， $g j k (i)$ 是节点j和k之间存在的经过节点i的最短路径的数目	衡量某城市在城市群内部对技术知识的控制程度和调节能力，值越高，节点对城市群的调节和控制能力越强
接近中心度	$C C (i) = 1 n - 1 ∑ j ≠ i 1 d (i, j)$ $d i, j = β, i 和 j 相连 ∞, i 和 j 不相连$	$d i j$ 代表节点i与j之间的距离	反映城市和其他节点之间技术合作的紧密程度，值越高意味着其通达性越好，知识流动越便捷
连通分量	M = E - N + 2P	E为图形的边缘数，N为图形的节点数，P为已连接组件的数量	连通分量越低，城市群内节点之间的联系越紧密
平均聚类系数	$C C = 1 n ∑ n 2 d i k (k - 1)$	CC表示该网络的平均聚类系数，n为网络中的节点数量， $d i$ 为节点i与相邻节点之间实际存在的边数，k代表与节点i相邻的节点数	反映网络的联通情况，数值越大说明节点越有可能相连，节点之间的关系越紧密，合作交流越便捷
平均路径长度	$x = 2 N N - 1 ∑ i ≠ j d i j$	N为节点数，d_ij 为节点i与节点j之间的连线	反映城市之间合作与联系的畅通程度，该指标越小说明网络中各节点城市越容易开展合作
形态多中心性	$P M = 1 - σ M σ M m a x$	σ_M 为城市群内各城市专利申请量总体的标准差，σ_Mmax 是在一双节点网中拥有最大和最小专利申请量的节点城市发文量的标准差	反映城市群内部专利申请量规模等级的均衡分布程度
功能多中心性	$P F = 1 - σ F σ F m a x × ∆$	σ_F 表示城市群网络中城市合作专利量的总体标准差，σ_Fmax 是在一双节点网中拥有最大和最小合作总量的节点城市合作总量的标准差。Δ代表城市群网络的网络密度	反映城市群内部专利合作关系数量的均衡分布程度

表2 各年中国城市群专利申请量 (项)

Tab.2 Patent applications of China's urban agglomerations by year

城市群	2000	2005	2010	2015	2019
北部湾城市群(GXB)	1 251	2 255	4 944	26 290	39 549
成渝城市群(CHC)	4 899	13 547	44 863	155 032	177 895
滇中城市群(CYN)	1 312	1 783	4 355	12 844	27 573
关中平原城市群(GZP)	1 737	3 498	15 281	54 333	79 838
哈长城市群(HAC)	3 461	6 399	12 881	37 725	57 401
海峡西岸城市群(WTS)	6 746	15 090	35 413	110 139	217 925
呼包鄂榆城市群(HBY)	489	650	1 765	5 905	15 012
晋中城市群(CSX)	821	1 188	4 230	8 242	20 434
京津冀城市群(BTH)	13 633	31 743	79 999	243 289	400 778
兰西城市群(LAX)	586	1 063	2 284	7 640	17 577
辽中南城市群(CSL)	5 143	8 965	20 958	35 952	64 452
宁夏沿黄城市群(NYR)	287	299	635	3 143	8 486
黔中城市群(CGZ)	715	1 781	3 194	13 093	33 334
山东半岛城市群(SDP)	7 525	19 149	59 800	158 020	249 737
天山北坡城市群(TSM)	621	1 056	2 432	7 832	10 965
珠江三角洲城市群(PRD)	15 980	51 253	119 982	282 191	688 853
长江三角洲城市群(NYR)	5 930	12 845	38 371	119 345	271 914
长江中游城市群(MYR)	22 567	77 926	332 180	709 326	1 140 683
中原城市群(CPL)	2 247	5 108	16 718	52 419	109 766
19个城市群总量	95 950	255 598	800 285	2 042 760	3 632 172
全国总量	102 472	267 747	842 067	2 203 141	3 927 422

表3 随机前沿分析计算结果

Tab.3 Calculation results of Stochastic Frontier Analysis

参数	系数	标准误	Z值	P值	95%置信区间
lnFUN	0.081	0.032	2.540	0.011	[0.019，0.143]
lnRDP	0.546	0.070	7.810	<0.001	[0.409，0.682]
lnUEA	0.477	0.064	7.480	<0.001	[0.352，0.602]
常数	-1.687	0.427	-3.950	<0.001	[-2.524，-0.850]
Mu	-829.694	1 719.581	-0.480	0.629	[-4 200.01，2 540.622]
Usigma	6.202	2.074	2.990	0.003	[2.136，10.268]
Vsigma	0.466	0.082	5.700	<0.001	[0.306，0.626]
sigma_u	22.221	23.047	0.960	0.035	[2.910，169.672]
sigma_v	1.262	0.052	24.460	<0.001	[1.165，1.368]
lambda	17.603	23.050	0.760	0.445	[-27.574，62.780]

图2 2000—2019年城市群城市创新效率空间格局注：该图基于国家测绘地理信息局标准地图网站下载的审图号为GS（2020）4630号的标准地图制作，底图无修改；图中香港、澳门特别行政区和台湾省的数据暂缺。

Fig.2 Spatial pattern of urban innovation efficiency in urban agglomerations from 2000 to 2019

表4 变量描述统计表

Tab.4 Statistical table of variable description

类型	变量	符号	平均值	标准差	最小值	最大值
网络节点指标	度中心性	DEG	5.48	4.66	0.00	27.00
	加权度中心性	WDE	993.59	5 244.73	0.00	114 168.00
	接近中心性	CLO	0.54	0.33	0.00	1.00
	中介中心度	BET	3.90	14.70	0.00	210.42
网络整体指标	连通分量	COC	3.77	3.71	1.00	15.00
	平均聚类系数	CLU	0.32	0.25	0.00	0.78
	平均路径长度	APA	1.64	0.46	0.00	3.08
	形态多中心性	FOM	0.45	0.09	0.22	0.63
	功能多中心性	FUM	0.09	0.09	0.00	0.35
控制变量	对外开放程度	FPG	9.84	2.03	3.00	14.90
控制变量	经济发展水平	PGD	3.76	3.64	0.05	24.23

表 5 普通最小二乘回归与固定效应回归结果

Tab.5 Ordinary least square regression and fixed effect regression results

方法	OLS				固定效应
方法	模型1	模型2	模型3	模型4	模型5	模型6	模型7	模型8
DEG	－0.001				－0.006^***
WDE		－0.002^***				－2.25e-6^***
CLO			0.006				0.005^***
BET				－0.25				－0.001^*
COC	－0.004^***	－0.004^***	－0.004^***	－0.004^***	－0.005^***	－0.003^***	－0.005^**	－0.005^***
CLU	0.099^***	0.102^***	0.103^***	0.101^***	0.017	0.074	0.005	0.006
APA	0.033^***	0.035^**	0.034^**	0.037^***	0.041^***	0.046^***	0.033^***	0.032^***
FOM	0.066^**	0.074^**	0.078^**	0.081^**	－0.026	0.03	0.019	0.027
FUM	0.252^***	0.271^***	0.253^***	0.251^***	0.283^***	0.254^***	0.284^***	0.285^***
lnFPG	0.074^***	0.074^***	0.073^***	0.074^***	0.073^***	0.073^***	0.073^***	0.069^***
lnPGD	0.041^***	0.041^***	0.04^***	0.058^***	0.058^***	0.05^***	0.058^***	0.03^***
常数	－0.351^***	－0.35^***	－0.34^***	－0.264^***	－0.224^***	－0.269^***	－0.273^***	－0.272^***
R²Within					0.886	0.886	0.883	0.884
R²	0.886	0.887	0.886	0.886
P值	P<0.001	P<0.001	P<0.001	P<0.001	P<0.001	P<0.001	P<0.001	P<0.001

表6 引入APA二次项的回归结果

Tab.6 Regression results of introducing APA quadratic term

参数	模型9	模型10
APA	0.097^***	0.448^***
APA²	－0.021^***	－0.017^***
控制变量	是	否
常数	0.386^***	0.152^***
R²	0.85	0.10
P值	P<0.001	P<0.001

参考文献 49

1	CASTELLS M. The Rise of the Network Society. Oxford: Black well, 1996.
2	HUGGINS R, THOMPSON P, JOHNSTON A. Network capital, social capital, and knowledge flow: How the nature of inter-organizational networks impacts on innovation.Industry and Innovation, 2012, 19(3): 203-232.
3	BERGMAN E. Embedding network analysis in spatial studies of innovation. The Annals of Regional Science, 2009, 43(3): 559-565.
4	SCOTT A. Globalization and the rise of city-regions . European Planning Studies, 2001, 9(7): 813-826.
5	FENG Z, CAI H, ZHOU W. Structural characteristics and spatial patterns of the technology transfer network in the Guangdong-Hong Kong-Macao Greater Bay Area . Sustainability, 2020, 12(6):2204.
6	马海涛,黄晓东,李迎成.粤港澳大湾区城市群知识多中心的演化过程与机理. 地理学报, 2018, 73(12): 2297-2314.
	MA H, HUANG X, LI Y. The evolution and mechanisms of megalopolitan knowledge polycentricity of Guangdong-Hong Kong-Macao Greater Bay Area. Acta Geographica Sinica, 2018, 73(12): 2297-2314.
7	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.
	LIU C, GUAN M, DUAN D. Spatial pattern and influential mechanism of interurban technology transfer network in China. Acta Geographica Sinica, 2018,73(8):1462-1477.
8	吴康, 方创琳, 赵渺希.中国城市网络的空间组织及其复杂性结构特征.地理研究, 2015,34(4):711-728.
	WU K, FANG C, ZHAO M. The spatial organization and structure complexity of Chinese intercity networks. Geographical Research, 2015,34(4):711-728.
9	马海涛. 基于人才流动的城市网络关系构建.地理研究, 2017, 36(1):161-170.
	MA H. Triangle model of Chinese returnees: A tentative method for city networks based on talent flow. Geographical Research, 2017, 36(1): 161-170.
10	马海涛. 知识流动空间的城市关系建构与创新网络模拟.地理学报, 2020, 75(4): 708-721.
	MA H. The theoretical construction and network simulation of intercity innovative relationships in knowledge flow space. Acta Geographica Sinica, 2020, 75(4): 708-721.
11	吕拉昌, 梁政骥, 黄茹. 中国主要城市间的创新联系研究. 地理科学, 2015, 35(1): 30-37.
	LYU L, LIANG Z, HUANG R. The innovation linkage among Chinese major cities. Scientia Geographica Sinica, 2015, 35(1): 30-37.
12	COLOMBO M, LAURSEN K, MAGNUSSON M, et al. Organizing inter-and intra-firm networks: What is the impact on innovation performance?. Industry and innovation, 2011, 18(6): 531-538.
13	CAPELLO R.The city network paradigm: Measuring urban network externalities.Urban Studies,2000,37(11):1925-1945.
14	潘春苗,母爱英,翟文. 中国三大城市群协同创新网络结构与空间特征:基于京津冀、长三角城市群和粤港澳大湾区的对比分析. 经济体制改革, 2022(2): 50-58.
	PAN C, MU A, ZHAI W. The network structure and spatial characteristics of synergy innovation among three urban agglomerations in China:Based on the comparative analysis of Beijing-Tianjin-Hebei Region, the Yangtze River Delta Urban Agglomeration and the Guangdong-Hong Kong-Macao Greater Bay Area. Reform of Economic System, 2022(2):50-58.
15	桂钦昌, 杜德斌, 刘承良. 全球科研合作网络的动态演化及其驱动机制. 地理学报, 2023, 78(2): 423-442.
	GUI Q, DU D, LIU C. The network dynamics and driving mechanisms of global scientific cooperation. Acta Geographica Sinica, 2023, 78(2): 423-442.
16	席强敏, 李国平, 孙瑜康,等. 京津冀科技合作网络的演变特征及影响因素. 地理学报, 2022, 77(6): 1359-1373.
	XI Q, LI G, SUN Y, et al. Evolutionary characteristics of science and technology cooperation network of Beijing-Tianjin-Hebei region and its influencing factors. Acta Geographica Sinica, 2022, 77(6): 1359-1373.
17	COE N, DICKEN P, HESS M. Global production networks: Realizing the potential. Journal of Economic Geography, 2008, 8(3): 271-295.
18	COOKE P, ASHEIM B, BOSCHMA R, et al. Handbook of Regional Innovation and Growth. Cheltenham: Edward Elgar, 2011.
19	HUGGINS R. Forms of network resource: Knowledge access and the role of inter-firm networks. International Journal of Management Reviews, 2010, 12(3): 335-352.
20	HUGGINS R, PROKOP D. Network structure and regional innovation: A study of university industryties. Urban Studies, 2017, 54(4): 931-952.
21	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.
	ZHOU C, ZENG G, CAO X. Chinese inter-city innovation networks structure and city innovation capability. Geographical Research, 2017, 36(7): 1297-1308.
22	盛彦文, 苟倩, 宋金平. 城市群创新联系网络结构与创新效率研究——以京津冀、长三角、珠三角城市群为例. 地理科学, 2020, 40(11): 1831-1839.
	SHENG Y, GOU Q, SONG J. Innovation linkage network structure and innovation efficiency in urban agglomeration: A case of the Beijing-Tianjin-Hebei, the Yangtze River Delta and the Pearl River Delta. Scientia Geographica Sinica, 2020,40(11):1831-1839.
23	SHI S, WONG S, ZHENG C. Network capital and urban development: an inter-urban capital flow network analysis. Regional Studies, 2022, 56(3): 406-419.
24	马海涛, 徐楦钫, 江凯乐. 中国城市群技术知识多中心性演化特征及创新效应. 地理学报, 2023, 78(2): 273-292.
	MA H, XU X, JIANG K. The evolutionary characteristics and innovation effects of technological knowledge polycentricity in Chinese urban agglomerations. Acta Geographica Sinica, 2023, 78(2): 273-292.
25	曹湛,戴靓,杨宇,等.基于"蜂鸣-管道"模型的中国城市知识合作模式及其对知识产出的影响.地理学报,2022,77(4): 960-975.
	CAO Z, DAI L, YANG Y,et al.Knowledge collaboration patterns of Chinese cities and their impacts on knowledge output: An empirical study based the "buzz-and-pipelines" model.Acta Geographica Sinica,2022,77(4): 960-975.
26	FAN F, LIAN H, WANG S. Can regional collaborative innovation improve innovation efficiency?An empirical study of Chinese cities. Growth and Change, 2020, 51(1): 440-463.
27	WANG S, WANG J, WEI C, et al. Collaborative innovation efficiency: From within cities to between cities—Empirical analysis based on innovative cities in China. Growth and Change, 2021, 52(3): 1330-1360.
28	GOTTMANN J.Megalopolis or the urbanization of the northeastern seaboard.Economic Geography,1957,33(3): 189-200.
29	池仁勇, 唐根年. 基于投入与绩效评价的区域技术创新效率研究. 科研管理, 2004, 25(4): 23-27.
	CHI R, TANG G. Study on efficiencies of regional technology innovation based on evaluation of inputs and performances. Science Research Management, 2004, 25(4): 23-27.
30	SHENG Y, ZHAO J, ZHANG X, et al.Innovation efficiency and spatial spillover in urban agglomerations: A case of the Beijing-Tianjin-Hebei, the Yangtze River Delta, and the Pearl River Delta.Growth and Change,2019,50: 1280-1310.
31	盛彦文, 骆华松, 宋金平, 等. 中国东部沿海五大城市群创新效率、影响因素及空间溢出效应. 地理研究, 2020, 39(2): 257-271.
	SHENG Y, LUO H, SONG J, et al. Evaluation, influencing factors and spatial spillover of innovation efficiency in five major urban agglomerations in coastal China. Geographical Research, 2020, 39(2): 257-271.
32	BATTESE G, COELLI T. A model for technical inefficiency effects in a stochastic frontier production function for panel data. Empirical Economics, 1995, 20(2): 325-332.
33	何舜辉, 杜德斌, 焦美琪, 等. 中国地级以上城市创新能力的时空格局演变及影响因素分析. 地理科学, 2017, 37(7): 1014-1022.
	HE S, DU D, JIAOM, et al. Spatial-temporal characteristics of urban innovation capability and impact factors analysis in China. Scientia Geographica Sinica, 2017, 37(7): 1014-1022.
34	曹贤忠, 曾刚, 邹琳. 长三角城市群R&D资源投入产出效率分析及空间分异. 经济地理, 2015, 35(1): 104-111.
	CAO X, ZENG G, ZOU L. Spatial differentiation of input-output efficiency of r&d resources in case of Yangtze River Delta urban agglomeration. Economic Geography, 2015, 35(1): 104-111.
35	HUGGINS R, THOMPSON P, JOHNSTON A. Network capital, social capital, and knowledge flow: How the nature of inter-organizational networks impacts on innovation. Industry and Innovation, 2012, 19(3): 203-232.
36	FANG C, YU D. Urban agglomeration: An evolving concept of an emerging phenomenon. Landscape and Urban Planning, 2017, 162: 126-136.
37	AIGNER D, LOVELL C, SCHMIDT P. Formulation and estimation of stochastic frontier production functions models. Journal of Econometrics, 1977(6): 21-37.
38	MEEUSEN W, JULIEN V. Efficiency Estimation from Cobb-Douglas Production Functions with Composed Error. International Economic Review, 1977, 18: 435-444.
39	王伟光, 马胜利, 姜博. 高技术产业创新驱动中低技术产业增长的影响因素研究. 中国工业经济, 2015(3): 70-82.
	WANG W, MA S, JIANG B. Research on factors of high-tech industry innovation driving low-medium-tech industry economic growth. China Industrial Economics, 2015(3):70-82.
40	朱有为, 徐康宁. 中国高技术产业研发效率的实证研究. 中国工业经济, 2006(11): 38-45.
	ZHU Y, XU K. The empirical research on R&D efficiency of Chinese high-tech industries. China Industrial Economics, 2006(11): 38-45.
41	梁圣蓉, 罗良文. 国际研发资本技术溢出对绿色技术创新效率的动态效应. 科研管理, 2019, 40(3): 21-29.
	LIANG S, LUO L. The dynamic effect of international R&D capital technology spillover on the efficiency of green technology innovation. Science Research Management, 2019, 40(3): 21-29.
42	史丹, 李晓斌. 高技术产业发展的影响因素及其数据检验. 中国工业经济, 2004(12): 32-39.
	SHI D, LI X. Factors analysis and data test on high-tech industry development. China Industrial Economics, 2004(12):32-39.
43	FANG C, YU D. Urban agglomeration: An evolving concept of an emerging phenomenon. Landscape and Urban Planning, 2017, 162: 126-136.
44	ANDERSSON D, GUNESSEE S, MATTHIESSEN C, et al. The geography of Chinese science. Environment and Planning A, 2014, 46(12): 2950-2971.
45	LI Y, PHELPS N. Megalopolis unbound: Knowledge collaboration and functional polycentricity within and beyond the Yangtze River Delta region in China, 2014. Urban Studies, 2018, 55(2): 443-460.
46	李政, 杨思莹, 何彬. FDI抑制还是提升了中国区域创新效率?——基于省际空间面板模型的分析.经济管理, 2017, 39(4): 6-19.
	LI Z, YANG S, HE B. Does FDI inhibit or promote China's regional innovation efficiency?—Analysis of 30 provinces based on spatial panel model. Business Management Journal. 2017, 39(4): 6-19.
47	MELLO J. Foreign direct investment, international knowledge transfers, and endogenous growth: Time series evidence. Canterbury: University of Kent, 1996.
48	LEDERMAN D, SAENZ L. Innovation and Development around the World,1960-2000.Washington, D.C.:World Bank Publications, 2005.
49	MA H, XU X. Knowledge polycentricity of China's urban agglomerations. Journal of Urban Planning and Development, 2022, 148(2): 04022014.

[1]	陈绍军, 余丹阳. 长三角城市群城镇化进程中人地关系的时空耦合特征及影响因素研究[J]. 世界地理研究, 2025, 34(2): 114-127.
[2]	陶晓丽, 马海涛, 江凯乐, 杨锦坤. 区域科技创新中心的遴选与辐射能力评价[J]. 世界地理研究, 2025, 34(1): 112-123.
[3]	赵亚博, 黄柳倩, 胡蝶, 陈瑞炀, 谢涤湘, 范建红. “流空间”视角下珠三角城市群综合客运网络特征及影响因素[J]. 世界地理研究, 2024, 33(9): 163-175.
[4]	刘通, 刘承良. “全球-地方”视角下中国创新网络演化格局与内生机制[J]. 世界地理研究, 2024, 33(9): 57-70.
[5]	曹贤忠, 鲍涵, 陈波, 曾刚. 创新网络合作机制及其区域发展效应[J]. 世界地理研究, 2024, 33(7): 150-159.
[6]	张圣忠, 孟迪, 柴廷熠. 关中平原城市群物流企业空间格局演化及影响因素研究[J]. 世界地理研究, 2024, 33(4): 117-129.
[7]	涂建军, 王静松, 汪世豪. 长江经济带三大城市群内外联系及其空间结构异质性[J]. 世界地理研究, 2024, 33(3): 89-102.
[8]	索琪, 李长升, 王力媛. 中国新能源汽车产业协同创新网络时空演化特征分析[J]. 世界地理研究, 2024, 33(2): 79-92.
[9]	刘贺, 李雪铭, 宫一路. 长江中游城市群城市网络演化及影响因素[J]. 世界地理研究, 2024, 33(10): 100-115.
[10]	焦柳丹, 王驴文, 张羽, 吴雅. 基于多木桶模型的长三角城市群韧性水平评估研究[J]. 世界地理研究, 2024, 33(1): 96-106.
[11]	陈静, 黄丽. 长三角城市群公众环境意识影响因素的空间异质性研究[J]. 世界地理研究, 2023, 32(8): 139-151.
[12]	宓泽锋, 傅竞萱, 项煜辉, 朱振宁, 邱志鑫. 新兴产业区域创新一体化与地方化的关系探究[J]. 世界地理研究, 2023, 32(6): 87-97.
[13]	路昌, 徐雪源, 周美璇. 中国三大城市群收缩城市“三生”功能耦合协调度分析[J]. 世界地理研究, 2023, 32(3): 76-88.
[14]	王运喆, 张国俊, 周春山. 中国城市群产业协同集聚的时空特征及影响因素[J]. 世界地理研究, 2023, 32(2): 104-114.
[15]	沈泽洲, 王承云. 上海参与全球科技创新网络地位研究[J]. 世界地理研究, 2023, 32(2): 93-103.

城市群技术创新网络对创新效率的影响

The effect of technological innovation networks on innovation efficiency in urban agglomerations

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 49

相关文章 15

编辑推荐

Metrics