多维邻近性视角下城市群协同创新网络及影响因素分析

冯 粲，韩 霞，史冬梅，张 煜

(1.北京航空航天大学公共管理学院，北京 100191；2.科学技术部高技术研究发展中心，北京 100044)

0 引言

创新是驱动国家经济社会发展的持续动力，也是带动区域发展的最核心因素。城市群作为现阶段区域发展的主要空间载体，是支撑中国经济高质量发展的主要平台。 “十八大”以来，中国坚持创新在国家发展全局中的核心地位，并着力推进城市群建设，2018年11月18日，中共中央、国务院发布的 《关于建立更加有效的区域协调发展新机制的意见》明确指出，以京津冀城市群、长三角城市群、粤港澳大湾区、成渝城市群、长江中游城市群、中原城市群、关中平原城市群等城市群推动国家重大区域战略融合发展。作为创新驱动发展和城市群发展有机结合的城市群协同创新已广泛存在并日益受到学者的关注[1-4]。

以城市群为空间依托的协同创新不仅有利于中心城市增长极点向外围城市的知识扩散，带动周边地区发展，同时有助于缓解大城市病，促进区域一体化进程，实现城市间优势互补、合作共赢。城市群协同创新网络，不仅是城市群内创新主体应对创新的制度性安排，也是城市群内创新主体协同创新活动的直观体现，是研究城市群内协同创新发展水平的重要依据。本文以中国最具国际性和代表性的城市群——京津冀、长三角、粤港澳大湾区三大城市群为研究对象，利用社会网络分析方法，透过对城市群协同创新网络结构以及驱动城市群协同创新发展影响因素的深度分析，以期把握中国城市群协同发展的现状，并从体制机制上为提升城市群协同创新能力水平提供政策参考。

1 文献回顾

协同创新是在创新逐步转向系统化、网络化范式的背景下应运而生的，协同创新网络是一种基于网络的合作创新，是一种应对系统创新的基本制度安排[5-6]。近年来，随着协同创新网络研究广度深度的不断延展以及新研究技术的引入，关于协同创新网络的研究逐渐由定性研究转向定量研究，并拓展到企业、产业、集群、区域等层面，城市群协同创新网络就是其中的一个重要方向。现阶段关于城市群协同创新网络的研究主要集中在城市群协同创新网络的结构以及解释城市群协同创新网络关系或网络演化的原因方面。

在城市群协同创新网络结构特征的数据量化分析上，部分学者[7-8]从创新引力角度出发度量城市间的网络联系强度，采用基于城市创新综合指标或创新产出的引力模型来测度城市间的创新联系，但是这种方法只是对城市间创新联系的简单模拟，往往难以准确量化城市间的创新联系[9]。还有部分学者[10]以资金、人员以及知识流动等 “流数据”代替基于引力模型的模拟数据。这种方法虽然能够更加真实地反映城市主体间的创新联系，但数据的难获取性对其广泛使用形成了较大的制约。因此，能够直接体现主体间创新联系且较易获取的 “网络数据”正被越来越多的学者采纳。常见的 “网络数据”如联合申请专利数据、联合发表学术论文数据等。例如，徐宜青等[11]、王海花等[12]利用联合申请专利数据研究长三角城市群协同创新网络格局的发展演变，刘佳等[13]基于城市合著论文、许培源等[14]基于科研合作数据研究粤港澳大湾区知识创新合作网络的结构，潘春苗等[15]基于跨城市合著论文、跨城市联合申请发明专利、省际间技术交易数据分析三大城市群协同创新网络的结构和空间特征。

城市群协同创新网络发展过程中会受到多种因素的影响，如城市间的地理距离、交通的可达性、经济发展水平、结构嵌入以及支持创新的政策环境等。在研究影响协同创新网络因素的策略中，最基本、最常用的是比较创新网络参与者间的相似性，即 “邻近性”[16-18]。邻近性概念最早起源于产业集群的研究，Marshall[19]发现同一集群内部的经济活动主体在空间上存在协同定位关系，这种创新活动在特定空间范围内的集聚使人们首先认识到地理邻近的重要性。随着研究的逐步深入，学者发现单一的地理邻近性对创新主体间交互学习和合作创新的解释力度非常有限。20世纪90年代，法国邻近动力学派[16]指出，除了地理上的邻近之外，其他形式的邻近可能有助于互动学习和创新，这标志着学者对邻近性的关注开始从单一的地理邻近过渡到多维邻近性的考察。此后，邻近性概念得以丰富和拓展，不同维度邻近性作为影响创新主体间开展互动学习、合作交流的重要因素已成为学者的共识[20]。

虽然邻近性的多维性受到学者的普遍认同，但是由于研究视角不同、研究目的各异，不同学者在研究时对同一邻近性的概念界定有所不同，导致不同维度邻近性概念存在重叠交叉现象。Boschma[17]在整理归纳前人研究成果的基础上，构建地理、制度、认知、社会和组织五维邻近性概念框架，即行动者对于与之互动合作的人表现出强烈的偏见，其更喜欢与拥有相似知识 (认知邻近)、准则和价值观 (制度邻近)、同一地点 (地理邻近)、社会关系 (社会邻近)或组织边界 (组织邻近)的人合作。后来这一框架常被使用在多维邻近性的分析之中。此外，学者还将邻近性拓展到技术邻近、经济邻近等层面。在邻近性影响城市群协同创新方面，徐莹等[21]研究地理、认知、制度邻近性对长江中游城市群技术创新合作绩效的影响效应，高丽娜等[22]基于长三角城市群从空间、技术、经济3个维度探寻邻近性作用于城市群创新系统的路径。

现有文献为本文的研究奠定了基础。基于三大城市群在国家发展进程中扮演的重要角色，又由于三大城市群在城市规模、城市发展水平、创新能力等方面的差异，综合研究三大城市群协同创新网络具有较强的现实意义。已有文献大部分集中于研究单一城市群的协同创新网络以及影响网络形成的因素，较少基于三大城市群协同创新网络结构的比较和综合性分析。同时，在多维邻近性视角探究城市群协同创新网络影响因素方面的研究也有待进一步拓展。以京津冀、长三角、粤港澳大湾区三大城市群为研究对象，多角度探究其协同创新网络的结构特征，进行三大城市群协同创新网络结构的综合比较分析，从地理、制度、经济、认知、文化五维邻近性视角出发探究影响三大城市群协同创新水平的因素，并使用方言数据出发研究文化邻近性对创新网络形成的影响，具有一定的新颖性。通过本研究，可进一步把握三大城市群协同创新发展的现状，并为推进城市群协同创新发展提供参考。

2 研究设计

2.1 研究方法

社会网络分析方法 (SNA)是一套用来分析多个个体通过相互联系构成网络的结构、性质以及其他用于描述这个网络属性的分析方法的集合[23]，可以把复杂的关系形态表征为网络构型[23-24]，创新研究是其主要应用领域之一[26]。社会网络分析方法已经比较成熟，大致从两个方向展开，即以个体或节点为对象的网络结构分析法和以整体网络为对象的网络结构分析法，分别从节点特征和整体特征方面阐释网络的具体特征[23]。

本文的主要研究问题是以三大城市群内部的城市为个体，构建通过城市间协同创新联系形成的城市群协同创新网络，并对其进行结构分析。采用社会网络分析法可以映射城市创新主体间的互动结构和网络关系，将城市间的协同创新联系可视化，并就城市节点在城市群中的位置特征和城市群协同创新网络的整体特征进行描述，适用于研究的展开。

2.2 数据来源

选取能够直接体现主体间的创新联系且较易获取的 “网络数据”对三大城市群协同创新网络的结构特征进行量化分析，从城市间创新主体联合申请专利和专利权转移的视角切入。选择联合申请专利和专利权转移数据构建创新网络的原因一方面在于专利数据的标准化和可贸易性，能够直接反映微观主体的实际协同创新关联，另一方面在于联合申请专利和专利权转移数据能够直接反映城市间创新主体的创新合作和知识产权转移情况，是城市群层面创新要素联合互补、优化配置的集中体现。本研究的专利数据来源于IncoPat专利数据库，采集2011—2019年三大城市群内部地级及以上城市由两个或两个以上主体合作申请以及专利权发生转移的专利信息，包括发明申请、实用新型、外观设计以及发明授权。经过筛选和处理后最终得到76644对城市间创新合作数据，其中京津冀8078对，长三角36764对，大湾区31802对。

2.3 邻近性界定与指标构建

明确邻近性的维度是探究城市群协同创新网络影响因素的基础。本文从多维邻近性视角出发，参考学者对多维邻近性的设定方法，结合中国城市群创新网络的实际情况和数据的可获得性，构建地理邻近、制度邻近、经济邻近、认知邻近和文化邻近五维邻近性指标。由于本文定义的城市群内城市间的地理邻近、制度邻近和文化邻近指标均随时间变化较小，因此在构建三大城市群协同创新网络结构和探究其影响因素方面均未考虑随时间演化的数据，而是选取三大城市群协同创新网络在时间上的一个 “截面”进行比较研究。本文对多维邻近性的界定和指标构建方法具体如下。

地理邻近性表示两个城市地理上的接近程度。由于创新就其本质而言是知识的创造性重组，而知识的传播具有显著的地理衰减效应，因此在创新过程中面对面的近距离交流变得尤为重要。地理邻近性的本质是区域主体间各要素运输、传播和共享需要面对的物理或空间距离。大部分前人研究中以城市间地理球面距离为基础测度地理邻近性。由于城市间的沟通依赖于交通便捷性，单纯地理概念上两点的球面距离并不能准确反映两个城市间沟通交流的距离，因此本文使用城市间路网的最短通勤距离作为衡量地理邻近的负向指标，城市间地理距离越低则地理邻近性越高。数据来源于南开大学中国城市与区域空间发展数据库，据此计算了中国主要地级以上城市间的路网最短通勤距离。

制度邻近性衡量的是两个城市之间能够促使知识有效传播的制度相似性，本文的制度指正式制度，即主要依赖各行政区域通过协商和法规等形式达成的共识。基于前人研究使用的虚拟变量方法，本文采用城市行政级别差距作为度量城市间制度距离的依据，以此构建制度邻近性矩阵。采用这种方法的原因，一是行政级别由官方规定，记载于正式的规章制度中，有较强的依据性，二是不同行政等级的城市间确实存在不可忽视的差距。本文将同级别城市对应的制度邻近性取值设定为1，否则为0。考虑到行政级别高的城市拥有的制度红利更多，当两个城市同时属于副省级以上城市时，将其制度邻近的取值调整为2。

经济邻近性衡量网络中各城市间经济规模的接近程度，在经济距离方面，本文使用2011—2019年城市人均GDP差距的均值来衡量城市间的经济距离，测算公式为：

Ecoij=|gdpi-gdpj|

(1)

式中，城市GDP数据来源于中国研究数据服务平台 (CNRDS)。经济距离是衡量经济邻近的负向指标，城市间的经济距离越低则经济邻近性越高。

认知邻近性对城市间创新合作的促进作用表现为能够促进两个城市行为主体间的有效沟通，提高交流效率。使用产业结构相似系数衡量城市间的认知邻近性，产业结构相似系数取值介于0到1之间，取值越大，表示两城市的产业结构越相似，认知邻近性越高。本文以2011—2019年城市间三次产业结构相似系数的均值衡量认知邻近性，产业结构相似系数的测算公式为：

(2)

式中，k代表城市第k次产业的产值，城市三次产业产值数据来源于中国研究数据服务平台 (CNRDS)。

文化邻近性是一个较为模糊的概念，有时被包含在制度邻近性中，作为非正式制度的一种。非正式制度是在主体间内在的根植性、民族习性和历史积淀中逐渐形成的，包含语言文字、价值理念、道德规范、风俗习惯等。非正式制度的度量一直是研究的难点。考虑到中国各地区内在的传统文化差异在一定程度上塑造了语言地图的划分，本文从地区方言体系出发，试图探究文化邻近性对创新网络形成的影响。三大城市群地区主要涉及官话片区和汉语方言片区。其中，京津冀城市群划分为北京官话 (北京市、承德市、廊坊市)、冀鲁官话 (天津、石家庄、唐山、秦皇岛、邢台、保定、沧州、衡水)和晋语 (张家口、邯郸)；长三角城市群划分为吴语 (上海、无锡、常州、苏州、杭州、宁波、嘉兴、湖州、绍兴、金华、舟山、台州、铜陵)和江淮官话 (南京、南通、盐城、扬州、镇江、泰州、合肥、芜湖、马鞍山、安庆、滁州、池州、宣城)；粤港澳大湾区城市群全部为粤语。方言数据来源于中国研究数据服务平台 (CNRDS)，以官话 (大类)和汉语方言 (大类)作为城市语言的划分标准。同一语言大类城市间的文化距离设定为0，否则为1。同样，文化距离是衡量文化邻近的负向指标，城市间文化距离越低则文化邻近性越高。

3 三大城市群协同创新网络的结构特征

3.1 网络结构基本情况描述

将三大城市群中的各个城市视为节点，使用专利数据构建城市间协同创新矩阵，以各城市的地理经纬度坐标作为节点布局方式，用Gephi软件绘制三大城市群区域协同创新网络如图1所示。图1中，城市节点的大小依据各节点的度数中心度大小确定，节点间边的宽度依据边的权重确定。

图1 2011—2019年三大城市群协同创新网络

由图1可以直观看出，三大城市群内各城市之间普遍存在协同创新联系，但这种联系在不同城市之间的强度有显著差别，网络联系并不均衡。具体而言，在京津冀城市群中，北京和天津两个城市之间的创新联系最多，其次是北京与廊坊、唐山、保定、石家庄几个城市间的创新联系较多。北京和天津两个城市之间的创新联系显著超出其他城市间的创新联系。在长三角城市群中，上海与苏州、上海与南京两对城市间的创新联系最多，其次是南京与苏州、上海与常州、上海与无锡、上海与杭州几对城市间的创新联系较多。在粤港澳大湾区城市群中，深圳与东莞两个城市之间的创新联系最多，其次是深圳与广州、深圳与惠州、广州与佛山几对城市间的创新联系较多，深圳与广州两个城市之间的创新联系也显著超出其他城市间的创新联系。以下通过社会网络分析方法探究具体的网络结构特征。

3.2 节点中心性分析

节点中心性反映网络行动者在网络中地位和优势等方面的差异。行动者越处于网络中的中心地位，其影响力越大。根据本文研究的背景和指标内涵，选择度数中心度和中间中心度两种指标进行测度。

度数中心度表示某一城市在网络中与其他城市联系的紧密程度，度数中心度越大的城市，在网络中的影响力越强。当网络规模不同时，不同网络中节点的绝对中心度不可比较，因此，本文所用的中心度为相对中心度，测算公式为：

(3)

式中，Xij为与i点相连的联系数，n为网络规模。

中间中心度测量的是行动者对资源的控制程度。具有较高中间中心度的节点处于网络内其他节点交往的最短路径上。在本文中，某一城市的中间中心度表明其对其他城市协同创新起到了桥梁或媒介作用。中间中心度越高，表明其他城市联系经过该节点的路径数越多，该城市对其他城市的控制能力越强，越处于网络的核心。同样，本文所指的中间中心度为相对中心度，测算公式为：

(4)

式中，gjk为节点j和节点k之间存在的捷径数目，gjk(i)表示节点j和节点k之间经过节点i的捷径数目。

使用Gephi软件计算2011—2019年三大城市群协同创新网络中各城市节点的度数中心度和中间中心度，结果见表1。由表1可知：①在京津冀城市群中，北京是处于网络中统领地位的中心型节点城市，具有最高的度数中心度和中间中心度，与其他城市联系最为紧密且对其他城市有较强的控制能力，天津的中心性仅次于北京，具有第二高的度数中心度和中间中心度，其他河北省的城市相较而言均具有较低的度数中心度，仅石家庄具有较高的中间中心度，衡水和邢台的中心性最低。与其他两个城市群相比，北京、天津在京津冀城市群中的度数中心度占比较大，说明京津冀城市群在协同创新上资源分配更加不平均，整体协同性更差。②在长三角城市群中，上海是处于网络中统领地位的中心型节点城市，具有最高的度数中心度和中间中心度，其次是南京、苏州和无锡，与其他城市具有较为紧密的协同创新联系，中间中心度较高的城市还包括杭州和宁波，池州和宣城的中心性最低。作为由上海这一直辖市和江苏、浙江、安徽三省部分城市构成的城市群，可以明显看出江苏省的协同创新水平较高，其次是浙江省，安徽省的协同创新水平较低。③在粤港澳大湾区城市群中，深圳是处于网络中统领地位的中心型节点城市，具有最高的度数中心度和中间中心度，其次是东莞和广州，中间中心度较高的城市还包括了中山和珠海，肇庆和澳门的中心性最低。

3.3 整体网络指标分析

整体网络评价指标可定量刻画网络整体规模、形态、中心势等。本文选取网络规模、网络关系数、网络密度、网络中心势刻画各城市群协同创新网络的整体特征。

网络规模指网络中的节点数量，本文指城市群协同创新网络中涉及的城市数量，网络关系数指协同创新网络中城市间创新合作的总值，这两个指标十分直观地反映了城市群内的创新合作规模。网络密度是网络中各节点间联系的紧密程度，便于比较不同规模网络节点间联系的密切程度，其测算公式为：

(5)

式中，d(ni，nj) 表示城市i和城市j间的合作关系数量，k表示网络中的成员数目。

网络中心势指作为整体图的中心度，反映了网络的集中程度或者一致性。具体而言，网络度中心势指网络的实际点度变异值与可能出现的最大点度变异值之比，该值越接近于1，表明网络集中趋势越明显、网络度中心势的测算公式为：

(6)

类似地，网络中间中心势的测算公式为：

(7)

使用Gephi软件计算的2011—2019年三大城市群协同创新网络的整体网络指标见表2。由表2可知：①京津冀城市群协同创新网络具有最小的网络规模、关系数和网络密度，同时具有最大的网络度中心势和中间中心势，表明其城市成员之间的协同创新活动较少，同时协同创新活动更加集中在少数城市 (北京、天津)， “权力”更加集中，城市群整体协同创新水平较低。②长三角城市群协同创新网络的规模最大，具有最大的关系数，最小的中心势，其协同创新水平较高，创新分布更加平均。③粤港澳大湾区城市群协同创新网络虽然规模最小，但拥有最高的网络密度，说明其成员之间的协同创新合作更为密切，网络中心势位于京津冀城市群和长三角城市群之间。

表2 2011—2019年三大城市群协同创新网络整体网络指标

3.4 核心-边缘分析

核心区是具有较高创新变革能力的地域社会组织子系统，边缘区则是依附于核心区的地域社会子系统。核心区与边缘区共同组成完整的空间系统，其中核心区在空间系统中居支配地位。核心—边缘结构分析可根据网络中结点之间联系的紧密程度，将网络中的结点分为核心区域和边缘区域，并给出其两类区域内部及之间的联系矩阵。处于核心区域的结点在网络中占有比较重要的地位，其余结点则处于边缘地位。利用Ucinet软件自带的核心-边缘分析模块进行计算，结果见表3。由表3可知：①在京津冀城市群中，北京、天津处于核心地位，在长三角城市群中，上海、南京、苏州处于核心地位，在粤港澳大湾区城市群中，香港、广州、深圳处于核心位置。②根据核心边缘联系矩阵，京津冀城市群的核心-边缘特征最为显著，其基本处于协同创新的初期，长三角城市群的核心-边缘特征较京津冀偏弱，其基本处于协同创新的成长期，而大湾区城市群的核心-边缘特征在三大城市群中表现最弱，各城市间发展较为均衡，可认为其协同创新发展已相对完善。

表3 2011—2019年三大城市群协同创新网络核心-边缘分析

3.5 模块化分析

模块化分析的目标是要探测网络中的 “模块”或是 “社团”，模块划分方法可以使模块间的紧密度最大，具有更大的密度。利用Gephi软件中自带的模块化运算方法，找到使模块性最大化的划分方式。使用不同的颜色对城市群网络的每个模块进行标记，分析结果如图2所示。

图2 2011—2019年三大城市群协同创新网络模块化结果

由模块化分析结果可知，在京津冀城市群中，形成了两大 “社团”——北京、天津、廊坊为一个社团，其余河北的城市为一个社团。在长三角城市群中，上海和江苏的城市组成一个社团，浙江的城市为一个社团，安徽的城市为一个社团，即长三角城市群的行政区划在协同创新网络中有明显边界。在粤港澳大湾区城市群中，深圳、东莞、惠州为一个社团，广州和其他城市为一个社团。

4 三大城市群协同创新网络的影响因素分析

4.1 多维邻近性与城市群协同创新网络的QAP分析

在研究设计明确多维邻近性的基础上，通过QAP分析法探索影响三大城市群协同创新网络的因素。QAP分析是一种将两个及以上矩阵中各对应元素值的相似性进行比较，给出矩阵间的相关系数，同时对系数进行非参检验的方法，其优点在于不要求变量之间相互独立或已知变量的总体分布形态，适用于违背 “共线性”关系矩阵的参数估计和统计检验，可度量 “属性数据”与 “关系数据”间的关系，并能有效避免无意义显著性检验导致的模型预测功能失效。在网络分析中，QAP提供的多元回归方法可以衡量多个属性矩阵 (自变量矩阵)和一个主体矩阵 (因变量矩阵)之间的回归关系。运用QAP分析法研究多维邻近性对城市群协同创新的影响，设立模型为：

PATij=f(Geoij，Insij，Ecoij，Cogij，Culij)

(8)

式中，PATij表示城市间协同创新水平，以专利联合申请和转让数作为表征，Geoij、Insij、Ecoij、Cogij、Culij分别代表地理邻近性、制度邻近性、经济邻近性、认知邻近性和文化邻近性的对应指标。从单一城市群出发，对被解释变量PAT与5个影响因素进行QAP回归分析，回归结果见表4。

表4 多维邻近性与城市协同创新网络QAP回归分析结果

根据QAP回归分析结果，可发现通勤距离与三大城市群内的协同创新水平显著负相关，即地理邻近性与协同创新水平显著正相关。制度邻近性与协同创新水平显著正相关，即创新合作会倾向于发生在行政级别相同的高级别城市间，跨行政级别的创新合作在高级别城市的主导下也会表现出较高的频次和强度，行政级别较低城市间的创新合作的频次较低。GDP差距对三大城市群协同创新水平的影响有所差异，即经济邻近性对三大城市群协同创新的影响不同，在京津冀城市群中，经济邻近性与城市间协同创新水平显著正相关，在长三角城市群中，经济邻近性与城市间协同创新水平显著负相关，在粤港澳大湾区城市群中，经济邻近性与城市间协同创新水平关系不显著。产业结构相似系数对三大城市群协同创新水平的影响也有所差异，即认知邻近性对三大城市群协同创新的影响不同，在长三角和粤港澳大湾区城市群中，认知邻近性与城市间协同创新水平成正比，在京津冀城市群中，认知邻近性与城市间协同创新水平成反比。以方言差异为表征的文化邻近性与城市群内的协同创新水平没有显著关系。

由于QAP分析是矩阵相关分析，单一城市群矩阵数据量较少，为了更深一步研究多维邻近性对协同创新水平的影响，接下来将矩阵数据转变为两两关系数据，整体分析三大城市群协同创新水平的影响因素。

4.2 多维邻近性与城市群协同创新网络的线性回归分析

城市之间的协同创新水平与两个城市各自的创新水平成正相关，与距离变量成负相关。借鉴引力模型，将引力模型取对数转化为线性模型，考察协同创新水平与多维邻近性的对应关系，设定线性模型为：

PATij=α+β1PATi+β2PATj+β3Geoij+β4Insij+β5Ecoij+β6Cogij+β7Culij+ε

(9)

式中，PATi和PATj分别代表两个城市各自的专利申请数量，其余变量含义与上文相同，回归结果见表5。首先用Stata软件对城市之间的协同创新水平进行OLS回归，并使用稳健标准误，回归结果见表5中的列 (1)。由OLS回归结果可以看出，城市之间的专利合作数量与两个城市各自的专利申请数量成正比。两个城市间的通勤距离对其专利合作数量的影响显著为负，即地理邻近性对城市间的协同创新水平有显著正向影响，与QAP分析的结果一致。制度邻近性对城市间协同创新水平的影响显著为正，城市间GDP差距对城市间协同创新水平的影响显著为负，即经济邻近性正向影响城市间协同创新水平，产业结构相似系数及认知邻近性对城市间专利合作的影响为正但不显著，语言体系即文化邻近性对城市间专利合作数量的影响为负但不显著。

表5 多维邻近性与城市协同创新网络回归分析结果

由于被解释变量专利联合申请和转让数为非负整数，故可采用离散计数模型进行稳健性分析。常用的离散计数模型有泊松回归和负二项回归两种模型。但是，标准泊松回归的使用前提是被解释变量的期望与方差相等。经计算，本文被解释变量的样本方差大约是样本均值的4倍，因此不适用标准泊松回归，在此使用负二项回归。表5列 (2)为NB2负二项回归结果，计算负二项回归的平均边际效应，结果见列 (3)。列 (4)为NB1负二项回归的结果，列 (5)为平均边际效应。由于被解释变量有部分取值为0，考虑零膨胀泊松回归，列 (6)为其结果，经计算的vuong统计量为2.74，显著大于1.96，固拒绝标准泊松回归，使用零膨胀泊松回归合理，列 (7)为平均边际效应。

综合离散计数模型的平均边际效应结果可以看出，城市之间的专利合作数量与两个城市各自的专利申请数量成正比，两个城市之间的通勤距离对其专利合作数量影响显著为负，制度邻近性、产业结构相似系数对专利合作数量影响显著为正，其结果与OLS回归的结果相似，通过稳定性检验。在负二项回归中，城市间GDP差距和语言邻近对专利合作数量的影响不显著，在零膨胀泊松回归中，城市间GDP差距、语言邻近对专利合作数量的影响显著为正，结果不稳健。

结合QAP分析结果与回归分析的结果可知，每个城市自身的创新能力能够直接正向影响城市群内城市间的协同创新能力。同时，在三大城市群中，地理邻近性、制度邻近性和认知邻近性对城市群协同创新网络具有显著的正向影响，而经济邻近性和以方言为表征的文化邻近性对三大城市群协同创新网络的影响不显著。这意味着，城市群内城市间的交通越便捷，行政等级越接近，产业结构越相似，越容易产生协同创新，且行政等级越高的城市与其他城市协同创新联系的可能性更高。然而，城市间的GDP差距、以方言为代表的传统文化相似性对城市群协同创新的影响并不显著。

5 结论及政策建议

在创新驱动发展和城市群成为区域经济核心引擎的背景下，城市群内城市间的协同创新发挥着日益突出的作用。本文选取京津冀、长三角、粤港澳大湾区三大城市群为研究对象，使用城市间创新主体联合申请专利和专利权转移数据构建城市群协同创新网络，应用社会网络分析法分析三大城市群内部协同创新网络的空间结构，并从多维邻近性视角出发探究影响城市群协同创新网络的因素，研究结论如下。

(1)三大城市群协同创新网络的结构特征存在明显差异。通过社会网络分析，可发现在三大城市群中，粤港澳大湾区城市群城市间的协同创新合作最为密切，创新网络核心-边缘特征较弱，城市间发展较为均衡，其中深圳是粤港澳大湾区城市群协同创新网络的中心型节点城市。长三角城市群的整体协同创新水平较高，创新分布较均衡，但江苏、浙江、安徽3个省份在协同创新网络中存在明显的边界，上海是长三角城市群协同创新网络中的中心型节点城市，其次是南京、苏州和无锡。相比较而言，京津冀城市群的整体协同创新水平较低，核心-边缘特征最为显著，协同创新活动更加集中在北京、天津两个城市，河北省的城市均具有较低的中心性。

(2)城市间邻近性对城市群协同创新能力具有显著影响。除了城市自身的创新能力能够直接影响其与其他城市的协同创新能力，城市间的地理邻近、制度邻近、认知邻近对城市群协同创新能力具有显著影响，即城市群内城市间的通勤距离、行政划分和产业结构是影响协同创新的重要因素。但是，文章未发现以城市间GDP差距为表征的经济邻近性和以语言区划分为表征的文化邻近性对于城市群协同创新网络的显著影响。

结合研究结论，基于城市群的协同创新发展提出以下政策建议。

(1)重视多维邻近性对城市群协同创新的影响，不断优化城市群创新环境。各城市在努力提升自身创新能力的同时，要注重多维邻近性对城市间协同创新的积极作用。应持续推进城市间的基础设施建设，提高创新主体间的可达性，增强城市间主体往来的便利性，降低城市间合作的时间与经济成本，提升城市间的地理邻近性。要弱化城市群内城市间的行政划分，例如，长三角城市群要着力降低江苏、浙江、安徽三省间的行政壁垒，减少制度距离对协同创新的阻碍作用，实现城市群内 “一盘棋”的规划发展。

(2)放大中心节点城市的创新溢出和辐射功能，提升城市群创新协同效应。中心节点城市要发挥关键作用，带动城市群边缘的中小城市协同发展。资源承载负荷过重的超大城市应加强创新溢出和对周边中小城市的产业辐射，避免中心城市 “孤岛式”发展，城市群内的边缘城市应提升对中心城市产业的承接能力，弥补城市间的创新水平差距。例如，京津冀城市群要着力加强北京、天津的功能疏导和对河北省的产业带动，提升河北省的产业承接能力，加强一体化水平，而这也是京津冀协同发展的重要内核。

(3)完善城市群内部创新资源配置和激励机制，推动城市群协同创新驱动发展。要根据不同城市群协同创新发展的现状特征，制定总体规划，有效配置城市群内部的各类资源，形成城市群创新合力。制定激励机制，消除城市群内限制创新资源流动的各类藩篱，增强城市间创新资源流动，实现城市群更深度的协同创新，促进城市群整体创新绩效的提升。