随着知识经济时代的到来，国家经济增长模式已由禀赋资源驱动（人口红利、资本投入等）向创新要素驱动（科技知识、智力人才等）转变。发展科技创新能力、抢占和引领科技创新前沿已经成为国家实现可持续发展、提升竞争力的出发点和落脚点。

城市是创新的孵化器：城市所提供的地理邻近为创新主体间频繁的面对面交流创造了可能，也为孕育相互信任和共同价值的本地“关系资产”提供了空间场域；同时，城市中要素集聚所创造的地方化经济和城市化经济，也为创新提供了必要的公共性服务、专业化环境和多样性机会，这些对新知识的产生有着重要的促进作用。然而，一个城市的知识储备和创新资源是有限的，面对越来越激烈的全球竞争，闭门造车会使城市陷入“技术锁定”，从而导致经济衰退。

所以，要维持城市的持续竞争力，不断地更新既有知识技术是必然的选择—以合作的方式接入跨城创新网络是城市打破路径依赖和技术锁定的有效途径。在此过程中，城市不仅可以获取新的知识技术，也可以获得新的创新资源和市场信息，从而进行相应的自我调整和更新。

从城市群的角度来讲，区域整体的创新竞争力不仅取决于区域内个体城市的创新能力，也取决于区域内城市之间的协同合作水平和网络化程度。研究城市群知识合作网络演化的特征，不仅能深化对网络社会和知识经济背景下城市组织模式的理解，也能拓展和丰富对城市创新过程的认知，进而为制定区域和城市创新发展政策及空间引导措施提供参考依据，具有实证和实践的双重意义。

在实证研究层面，城市知识合作网络成为城市地理和创新地理研究领域关注的热点，并产生了大量的研究成果，主要包括三个方面：

第一，数据选择与网络构建。在数据选择方面，较多研究采用不同城市之间知识合作成果的数量，作为城市知识合作网络构建的基础，包括合作论文、合作专利、合作项目或协议；部分学者采用专利转移信息构建城市知识网络，并认为在知识产权度让过程中存在合作关系；也有学者利用城际人才交换流动来构建城市间的创新互动关系。在网络构建方面，有研究采用创新产出代理法直接构建城际合作联系矩阵；也有学者采用重力模型拟合法间接模拟城市间知识流强度。

第二，空间特征与拓扑结构。在空间结构方面，已有研究利用传统空间分析法，揭示了城市知识合作网络的空间格局和等级差异；也有学者探讨了城市知识合作网络的单中心和多中心特征；在拓扑结构方面，学者们基于复杂网络理论和社会网络分析，考察了城市知识合作网络的小世界性、无标度性和同配性，以及个体城市在网络中的度中心性、邻近中心性和中介中心性等。

第三，演化机制与影响因素。已有研究大多基于邻近性理论开展实证研究，发现地理邻近性、制度邻近性、认知邻近性、社会邻近性等多维邻近性，对城市知识合作网络的演化和形成具有显著的影响。当前，城市知识合作网络研究的理论边界被不断拓宽，研究内容也更加多元，但有关不同区域知识合作网络结构差异的横向对比研究相对较少。此外，关于不同地域要素对不同区域知识合作网络影响机制的研究也相对较少。

在规划实践层面，随着国家“创新驱动发展”总体战略的推进实施，培育创新型城市群、围绕城市群建设国家级乃至世界级创新城市，已经成为我国参与全球创新竞争的重要战略抓手。

加强跨城合作、构建区域协同创新网络则被作为最主要的举措之一。例如《京津冀协同发展规划纲要（2015）》指出，构建京津冀区域协同创新体系、加强创新合作是实现区域创新驱动发展的重要基础；《长三角区域一体化发展规划纲要（2019）》

强调，要加强区域内多维度的科学技术合作，构建长三角区域“创新共同体”；《粤港澳大湾区发展规划纲要（2019）》强调，要深化粤港澳创新合作，构建开放型融合发展的区域协同创新体系。

鉴于以上背景，本文选取京津冀城市群（以下简称“京津冀”）、长江三角洲城市群（以下简称“长三角”）和粤港澳大湾区城市群（以下简称 “大湾区”）三个国家级城市群为对象，利用 Web of Science（以下简称WoS）论文合作数据分别构建 2002—2006 年和 2012—2016 年两个时间段的城市群知识合作网络，并对比分析它们在演化过程中的结构特征和影响因素。

本文试图回答以下核心问题：三大城市群的知识合作网络在演化过程中具有怎样的空间结构特征差异？影响三大城市群知识合作网络结构差异的因素有哪些？同一种因素对不同城市群的影响作用是否相同？

 研究范围、数据来源与研究方法

1.1   研究范围

三大城市群的空间范围分别参考《京津冀协同发展规划纲要（2015）》《长三角区域一体化发展规划纲要（2019）》和《粤港澳大湾区发展规划纲要（2019）》，研究基本空间单元为地级市（图 1）。这三个城市群是我国人口最密集、经济发展最发达、区域一体化程度最高、创新能力最强的区域。

图1 本文研究范围：京津冀城市群、长江三角洲城市群、粤港澳大湾区城市群

2018 年，这三个城市群仅占全国陆地面积的 4.73%；总人口（户籍）达 2.54 亿，占全国总人口的 18.19%；创造 GDP36.60 万亿元，占全国 GDP 总额的 40.65%。2012—2016 年，三大城市群的 WoS 论文产出总量分别为 283 331 篇、406 854篇和 146 371 篇，分别占全国 WoS论文产出总量的 28.36%、20.03% 和10.80%。

1.2  数据来源

科技合作是知识生产的主要途径之一，也是知识合作的主要形式之一。本文利用作者地址共现信息构造和分析跨城知识合作网络，数据来源为 WoS 数据库。WoS 数据库的检索字段除了包含作者、题名、文献出处、引文、研究领域等基本信息外，也提供了每位作者所在的机构以及机构的详细地址，这些地理信息是本文构建城市知识合作网络的关键。

WoS的三大索引据库（SCI-EXPANDED、 SSCI 和 A&HCI）具有极高的学术声誉，被这些数据库收录的学术论文数量，被认为是评价研究者或研究机构学术水平的重要标尺之一。

本文构建知识合作网络的基本思路为：若一篇科技论文由两个或两个以上组织合作完成，且这些组织位于不同的城市，则认为这些城市间存在合作关系，以此可以构建知识合作网络。

此外，关于研究的时间维度选择，需要强调的是，由于创新活动和创新产出之间存在“时间滞后效应”，因而年度创新产出和创新合作存在波动。按照国际研究惯例，本研究采用“五年平滑窗口法”来消除这种波动带来的影响，即选择 2002—2006 年和2012—2016 年两个连续五年的时间段作为研究时段。统计和计算过程采用五年的总数值。

1.3    研究方法

1.3.1 空间结构特征

首先考察并对比三大城市群知识合作网络演化过程中的空间结构特征。其中，网络的空间结构主要采用一系列空间统计指标来考察，包括城市在网络中的度中心性的最值、均值、变异系数以及基尼系数，用于测度城市在知识合作网络中的等级结构、组间差异和极化程度等。

1.3.2 网络结构演化的影响机制

通过构造计量模型，考察影响城市群知识合作网络结构差异的地域因素。模型的因变量为两个城市之间的合作强度，即合作论文的总数（Iij）。

自变量包括一系列反映城市间相互作用关系和属性差异的指标，包括城市间的地理距离、城市的生产总值、研发支出比重、高等院校数量、城市间的列车班次、城市间的知识相似性、行政边界、首府效应和文化相似性。自变量选取依据和代理方式如下。

（1） 地理距离（Dist）

新知识的产生往往来源于创新主体间面对面的互动和知识交换，这种知识生产机制表现出显著的距离衰减效应。因此，空间上彼此邻近的城市，两者之间的距离摩擦成本较低，因而更容易产生合作关系；反过来，空间距离较远的城市之间形成合作关系，则需要耗费更多的精力、金钱和时间。本研究中，变量地理距离由两个城市之间的欧式距离测度。

（2） 生产总值（GDP）

生产总值是城市经济规模体量的直接反映。根据城市引力模型，城市之间要素流动的强度和频率与两个城市的规模紧密相关，且有许多研究也表明，城市的经济规模与其创新能力存在不同程度的相关性。以引力模型为基础，生产总值变量由两个城市的生产总值乘积计算得出。

考虑到时间滞后效应，城市的生产总值为1997—2001 年和 2007—2011 年两个时间段数据的均值，数据来源于《中国城市统计年鉴》，香港和澳门的相关数据来源于《中国统计年鉴》。

（3） 研发支出占比（R&D）

研发支出占比反映的是城市政府、企业对科技研发活动的支持和投入力度，显然，其与城市创新能力存在一定程度的相关性。同样，基于引力模型，研发支出占比变量由两个城市的研发支出占比乘积得出。数据处理方式与来源同生产总值的一致。

（4） 高等院校数量（Univ）

高校是科技论文产出的主要创新主体，也是知识的蓄水池。城市中的高校越多，创新知识的储量越高，也就更有可能吸引其他创新主体来寻求合作。高等院校数量变量数据为1997—2001 年和 2007—2011 年数据的均值，数据来源于《中国城市统计年鉴》。香港和澳门高校的相关数据来源于维基百科。

（5） 列车班次（Rail）

许多研究指出，交通基础设施的便利性对创新合作有正向作用，因为高效、便利的交通设施能降低距离摩擦成本，为面对面的交流创造更多机会。列车班次变量采用两个城市之间的高铁班次来反映交通基础设施的连通性。数据来源于中国铁路售票官网，数据采集时间分别为 2013 年10 月和 2016 年 2 月。

（6） 知识相似性（Know）

创新主体之间的知识禀赋构成也是影响知识合作的关键因素。创新主体在寻求知识合作的过程中既可能选择与自身知识技术相似的合作者，以保证高效、顺畅的沟通，也可能选择与自身知识技术有差异的主体，以实现知识的互补和交叉。

借鉴费希尔（Fischer）等人的研究，知识相似性变量利用 WoS 的学科分类信息来构建，计算两个城市之间不同学科领域的论文产出量的“皮尔森系数”，数值越趋近于 1，说明两个城市的知识相似性越高；若数值越趋近于 –1，则说明两个城市的知识相似性越低。学科分类采用 OECD 标准，分类精度为中类。

（7） 行政边界（Border）

在中国的语境下，行政边界对城市间要素的流动存在不同程度的阻碍作用。本文将行政边界变量的影响作用设置为二元变量：若两个城市位于同一省份，则数值设置为 1，否则设置为 0。

（8）首府引力效应（Cap1、Cap2）

安德森（Andersson）等人通过对中国主要城市间论文合作网络的研究，发现首府城市具有显著的引力作用。由于中国行政体制的特殊性，首府城市往往拥有较多的创新资源储备、较多的优惠政策，因此也更容易吸引合作。

本文用两个二元变量来反映首府引力效应。首府引力效应一（Cap1）：若两个城市均为首府城市，数值设为 1；否则为 0。首府引力效应二（Cap2）：若两个城市中有一个是首府城市，数值设为 1；否则为 0。

（9） 文化相似性（Lang）

文化是地域嵌入性和地方根植性的直接体现，由血缘、地缘等所维系的共同文化，能促进主体之间的相互信任，降低合作互动过程中的不确定性，但文化本身很难被量化测度。方言、语言和民族常常被作为测度文化的代理变量。本文采用方言作为测度文化的代理变量：若两个城市属于同一方言区，则数值设置为 1；否则设置为 0。数据来源于《中国语言地图集》（2012 版），分类精度采用中类。

借鉴 Zhang 等人的研究方法，本研究的回归模型采用多元二次指派程序（Multiple Regression Quadradic Assignment Procedure，简称 MRQAP）。MRQAP 是测量不同网络之间相互关系的非参数估算方法。由于网络数据不相互独立且存在自相关性，一些标准统计程序并不适用于对网络数据进行参数估计和统计检验。MRQAP 在对两个或多个矩阵的相似性 / 相关性进行计算时，会进行随机化的非参数检验，以避免内生性和虚假相关等问题。具体计算公式如下：

 三大城市群知识合作网络演化的结构特征

2.1  京津冀城市群知识合作网络演化的结构特征

图 2 和表 1 分别为京津冀城市群知识合作网络的空间结构及空间统计指标。可以看出，北京、天津和石家庄三座城市是区域知识合作网络的支点，三座城市之间的合作关系紧密，共同形成了“三角形”结构。

图2 京津冀城市群知识合作网络的空间结构

表1 京津冀城市群网络连通性空间分布的描述性统计

此外，这三座城市也表现出明显的“引力效应”，区域中其他城市都与这三座城市存在合作关系。相比之下，其他城市之间的合作联系相对松散，总体上呈现出明显的“核心—边缘”特征。观察城市网络连通性的各项统计指标，变异系数从 1.50 下降至 1.43，说明网络的组间差异逐渐缩小，一体化程度加强；基尼系数从 0.75 下降至0.71，说明网络极化程度有降低的趋势，但仍旧相当显著。

进一步考察两个城市之间的合作强度，“北京—天津”之间的合作强度始终遥遥领先，在 2002—2006 年，这两座城市之间的合作联系强度占区域合作总量的 50.54%，到 2012—2016年，这一比例仍然高达 49.92%。不仅如此，在这两个时间段，北京也是该区域内所有其他城市合作的首位城市，而天津则为大部分城市的合作次位城市。

在河北省的城市中，仅有沧州、承德和张家口的次位合作城市为其首府城市石家庄。这一点反映出行政等级对该区域知识合作网络演化过程的影响作用要强于行政边界的影响作用。

此外，城市度中心性的分布呈现出显著的层级性特征，其中，北京、天津和石家庄位于第一层级，保定、唐山、廊坊与秦皇岛位于第二层级，承德、张家口、沧州、邢台、邯郸和衡水市则位于第三层级。

总结以上分析，京津冀城市群知识合作网络的发展具有明显的极化特征，而北京则处于知识合作网络的核心位置。尽管如此，北京在知识合作网络中的影响力并未对区域内其他城市形成有效的辐射带动作用，尤其是河北省各市与北京的差距仍旧非常明显。

一方面，这种极化现象与中国“自上而下”的行政体系紧密相关：作为中国的首都城市，北京是国家最高等级科技管理部门、国家科学基金委等中央机构的所在地，享有大量的政策支持和资源优先配置机会。同时，北京也拥有数量众多的高等学府、公共科研机构和高新技术企业，对创新资源的吸引和支配能力远高于区域内的其他城市，其在知识合作网络中的核心地位难以撼动。

另一方面，北京也表现出较强的“虹吸效应”：由于北京拥有更好的创新平台和创新环境，河北的创新资源和人才往往向北京流动，而北京高等级和高质量的创新要素却很少向河北流动，这种创新资源的单向流动使得知识合作网络的一体化发展受阻，这与“环北京贫困带” 的形成机制类似。

但是，在以疏解北京非首都功能为目的、以雄安新区建设为抓手的京津冀一体化战略的大背景下，创新资源的重新配置或将为加速京津对河北省各市的创新辐射作用和知识溢出效应创造更好的条件，也将为京津冀城市群知识合作网络的均衡化发展提供新的契机。

2.2  长三角城市群知识合作网络演化的结构特征

图 3 和表 2 分别为长三角城市群知识合作网络的空间结构和空间统计指标。从空间结构看，该区域的知识合作网络是以四个首府城市—上海、南京、杭州与合肥为支点，以宁波、苏州为次级节点，形成高强度创新合作的区域核心，总体呈现出“多中心”的结构特征，这六座城市之间的合作量占区域内总合作量的 92.1%。

图3 长三角城市群知识合作网络的空间结构

表2 长三角城市群网络连通性空间分布的描述性统计

相比之下，其他城市则围绕该核心构成网络边缘，合作联系相对松散。进一步考察城市之间两两连接方式，可以发现，上海是南京、杭州、合肥与苏州的首位合作城市；南京和杭州分别是江苏省其他城市和浙江省其他城市的首位合作城市；合肥是安庆、铜陵和池州的首位合作城市，但是其他安徽省各城市的首位合作城市为南京市。

这种首位城市连接模式塑造出等级化、有序的“主干—分支”结构。从纵向演化的角度看，“多中心”趋势不断强化，同时也对核心外围城市形成圈层式、递推式的带动作用。观察城市网络连通性分布的各项统计指标，变异系数从 1.82 下降至 1.60，说明网络一体化程度加强；基尼系数从 0.76 下降至 0.71，表明网络极化程度有降低趋势，但仍旧比较显著。

从度中心性来看，上海、南京、杭州与合肥四个首府城市遥遥领先于区域内其他城市，在 2002—2006 年，上海处于区域知识合作网络的核心地位，其度中心性比第二位的南京市要高出 41.31%，而到 2012—2016 年，南京在区域知识合作网络中的地位迅速提升，其度中心性与第一位的上海旗鼓相当，仅略低 2.87%。

另一个比较显著的特点是省际差异，即江苏省城市的度中心性整体上明显高于浙江省和安徽省各城市。在 2012—2016年，除四个首府城市外，度中心性排名前十位的地级城市中有 6 个是江苏省的城市，包括苏州、无锡、镇江、常州、南通和扬州，其余 4 个城市分别为浙江省的宁波、温州和金华，以及安徽省的芜湖。

相比于浙江省，安徽省的地级市在区域知识合作网络中的重要性整体上更低，在安徽省 7 个地级市中有 5 个城市的度中心性排名后五位，分别为宣城、池州、铜陵、滁州与安庆。这与“三省一市”社会经济发展水平的差序格局一致。

总结以上分析可知，作为我国社会经济发展的先发地区，以及国家创新活动与创新产出的制高点，长三角城市群已经形成了结构层级分明、连接方式多样化的知识合作网络。

以上海、南京、杭州与合肥为核心，以苏州、宁波为次级核心的“多中心”结构，作为区域知识合作网络的组织骨干作用愈来愈凸显。上海在长三角城市群知识合作网络中的作用最为重要但并非唯一的“知识枢纽”，它与南京、杭州及合肥共同发挥着桥梁中介作用。

一方面，它们接受、消化区域外部的知识，并将其扩散、外溢至区域内的其他城市，集聚了大量的跨本地合作连接；另一方面，它们组织、收集、融合次级区域内部（省内）的知识，并将其扩散至区域外，是本地知识合作网络的集散地。但是，相较于南京与杭州，合肥作为“知识枢纽” 的作用相对较弱，对省内腹地城市的辐射作用相对较差。

2.3  大湾区城市群知识合作网络演化的结构特征

图 4 和表 3 分别为大湾区城市群知识合作网络的空间结构及空间统计指标。尽管由于历史原因，该区域有着“一国、两制、三个关税区”的独特地域语境，但香港、广州、深圳、澳门和珠海之间的联系仍旧相当紧密，形成菱形框架结构，且其在区域知识合作网络中的“支点”作用越来越显著。

图4 大湾区城市群知识合作网络的空间结构

表3 大湾区城市群网络连通性空间分布的描述性统计

此外，可以明显看出，东莞、佛山与广州的合作强度越来越大，这不仅仅反映出两座城市在知识合作网络中的重要性的快速提升，也反映出广州作为核心城市对其邻近城市的溢出效应和辐射作用越来越显著，知识合作的 “同城化”现象日益明显。观察城市网络连通性分布的各项统计指标，变异系数从 1.76 下降至 1.34，说明城市的组间差异逐渐降低，一体化程度日趋增强；基尼系数从 0.80 下降至 0.67，表明网络的极化程度明显降低，且其降幅高于京津冀和长三角城市群。

从度中心性来看，2002—2006年，香港地区是区域知识合作网络的核心，其度中心性比位居第二的广州高出 20.45%，也是位居第三的深圳的五倍多。这两座核心城市的区域内部连接量占到整个区域的 93.01%；2012—2016 年，广州和深圳在区域知识合作网络中的地位迅速提升，广州超过香港成为首位城市，深圳的区域内合作连接量也几乎与香港持平。

总结以上分析可知，大湾区城市群作为我国最为开放、科技积累最好的城市群之一，其区域知识合作网络的演进呈现出多元化、复杂化和结构化的特征，整体上从“广州—香港” 双核结构向“广州—香港—深圳”三核心的格局演进；深圳作为大湾区知识合作网络中的“第三极”，具有巨大的发展和提升空间；佛山和东莞在广州的辐射带动作用下，网络中心性也快速提升，具有形成“广州—佛山—东莞”创新都市圈的潜力。

将大湾区城市群建设成为世界级的创新经济湾区，构建高效协同的创新系统、优化区域创新合作网络是极有必要的。

对于大湾区城市群而言，其已经具备发展创新经济、构建创新生态系统的现实基础和“硬环境”，未来需要在消除制度壁垒、利用制度差异优势、合作协议法定化等“软环境”方面作进一步优化。

三大城市群知识合作网络结构演化差异的

影响因素及其解释

通过上节内容的分析可以看出，不同城市群的知识合作网络呈现出不同的空间结构特征和演化路径。本节通过构造计量模型，利用 MRQAP 回归的方法，分析不同地域因素对三大城市群知识合作网络结构的影响。在进行回归分析之前，首先对自变量进行 VIF 检验，以排除多元共线性问题。经检验，所有自变量的 VIF 值均小于3，说明不存在显著的共线性问题。

表 4 为以“MRQAP 逐步回归” 方式进行分析的结果。对于三个城市群，仅变量 Lang 不显著，即以方言为基础的地方性文化，对建立跨城知识合作并无明显的影响。事实上，科学研究本身具有规范、体系化和固定的“文化”。“科学语言”在很大程度上是统一的，即便是拥有不同的地方文化背景，来自不同民族、不同国家的学者也能运用共同的“科学语言” 进行互动与交流。

表4 基于“MRQAP逐步回归”方式分析的三大城市群知识

合作网络结构差异的影响因素估计结果

除此之外，其他大部分变量对这三个城市群知识网络结构的演化具有显著的正向影响，仅京津冀城市群的知识相似性变量和大湾区城市群的行政边界变量表现为显著的负效应。总的来说，每种因素对不同区域跨城合作网络的影响程度并不完全一致。

为了便于比较，在以上回归结果的基础上，进一步运用“MRQAP 逐步回归”（Stepwise MRQAP Regression）的方式，从筛选出的影响最为显著的地域因素中除去影响程度相对较小的地域因素。

图 5 为使用“MRQAP 逐步回归”的方式分析所得到的可视化结果。不难看出，不同影响因子对不同城市群知识合作网络的影响既有相同之处，也有不同之处。相同的是，生产总值变量和高等院校数量变量对三大城市群知识合作网络的形成均有显著的正向影响，且影响程度较高。这说明城市经济体量和创新基础设施是跨城知识合作的关键，城市规模越大、创新人力资本和基础设施越多，发生跨城合作的可能性就越高。

图5 基于“MRQAP 逐步回归”方式分析的三大城市群

知识合作网络差异的影响因素

地理距离变量仅对长三角城市群的知识合作网络有显著影响，且表现为负向影响。这说明对于长三角城市群而言，地理邻近能够促进跨城知识合作的形成。对于京津冀和大湾区城市群的知识合作网络而言，地理距离的影响并不显著。这在很大程度上是因为相比于长三角城市群，京津冀和大湾区城市群中城市间的距离较近，由地理距离造成的空间摩擦成本不足以成为阻碍跨城合作的主要因素。

具体来讲，长三角城市群内城市间的平均距离为 228.68 km（欧氏距离），而京津冀和大湾区城市群内城市间的平均距离分别为 114.75 km 和 95.14 km。基于此，大致推断出 100 km 可能是城际知识合作的“极限”距离，若超过 100 km，跨城合作的边际成本会越来越高。

列车班次变量对京津冀和长三角城市群知识合作网络的形成有显著的正向影响，而对大湾区城市群的影响并不显著。2016 年，京津冀城市群铁路网络密度为 0.95 km/km²，长三角城市群的铁路网络密度为 0.67 km/km²，而大湾区城市群的铁路网络密度仅为0.43 km/km²。

知识相似性变量对长三角和大湾区城市群知识合作网络具有正向影响，而对京津冀城市群具有负向影响。一方面，这说明京津冀城市群内城市之间既有的科技和知识基础存在比较显著的同质化现象，且不利于跨城合作的形成，因此引导差异化的互补发展是加强区域知识合作的关键；另一方面，对于长三角和大湾区城市群而言，相似的技术构成对跨城合作网络的形成有积极的作用，反映出“专业化”或“本地化经济”是长三角和大湾区知识合作网络的主要塑造因素。

行政边界变量对京津冀和长三角城市群的作用系数为正值，也就是说，在这两个区域中，位于同一行政区（省）内的城市之间产生合作的可能性更高，而位于不同行政区的城市之间产生合作的可能性较小。

对于大湾区城市群而言，行政边界变量系数为负值，说明在该区域中位于不同行政区的城市之间更容易形成合作关系。尽管香港、澳门与内地城市之间存在“一国、两制、三个关税区”的制度差异和行政阻隔，但它们与广州、深圳之间的合作联系占区域所有跨城合作的比例仍旧很高，因此，从统计结果上看，这些高强度的合作联系减弱了行政边界的影响。

两个反映首府引力效应的变量（Cap1 和 Cap2）仅对长三角城市群知识合作网络有着显著的正向影响。这可能是因为长三角城市群的城市数量比其他两个城市群多，行政区构成更加复杂，合作连接的类型更为多样化（例如其他两个城市群中不存在异省地级市之间的合作），因此，首府引力效应更加突出。

综合以上分析可以判断，区域内部知识合作网络的结构模式受到多种地域因素的影响，且同一种地域要素对不同区域内城市知识合作网络的影响不尽相同。除了以上列举的影响因素之外，还有许多其他可能的影响要素对知识合作网络也发挥着不同程度的影响，例如城市之间的创新战略联盟协定等。不同区域具有不同的历史发展轨迹和不同的地域语境，这些地域性差异是决定区域知识合作网络结构模式和演进路径的关键要素。

结论与讨论

本文对比研究了长三角、京津冀和大湾区城市群知识合作网络演化的结构特征，并探讨了影响三个城市群知识合作网络结构演化差异的影响因素，主要结论如下。

4.1  城市群知识合作网络演化具有“空间依赖”和“路径依赖”双重特征

总体来讲，三大城市群的知识合作网络演化均遵循“空间依赖”和 “路径依赖”的双重特征，即网络的空间结构发展演化均呈现出渐进式和累积式的演进模式。

首先，由于知识具有地域“专属性”和“异质性”，不同地方的文化、制度差异导致了不同的专业化知识和技术积累。新知识的产生有赖于不同知识的融会贯通，跨本地的合作成为新知识生产的必然途径。

但是，这一过程并非随机的，特定知识之间的选择性和特定性结合，才可能产生有效创新。因此，不同地方之间的合作联系，必然遵循特定的知识交互目的，而知识合作网络的演化则必然呈现出特定的空间形态并保持相当的稳定性。这一逻辑过程反映的就是知识合作网络结构演化的 “空间依赖”特征。

其次，知识合作的过程本质上是创新主体社会关系网络结成和维系的过程，而社会网络的动态过程既作用于、也受制于“网络惯例”—被多数网络成员所接受相对稳定的行为模式和规范共识。

这种网络惯例具有独特性和不可复制性，其中蕴含着特定的社会实践过程和社会资本积累，这些社会资本包括默认规范、共同技术范式、信任关系等。这些都是长期积累循环而成的，它们对于遏制机会主义、维护地方秩序、促进创新扩散有着独特的作用。

因此，知识合作网络的形成与发展也必然遵循特定的网络惯例，具有循环积累和自我强化的特征。基于这一逻辑，知识合作网络结构的演化过程表现出 “路径依赖”的特征。

4.2  城市群知识合作网络呈现出显著的“非均衡”特征

研究发现，三个城市群的知识合作网络空间结构呈现出显著的“非均衡”特征。其中，京津冀城市群内城市之间网络连通性的极化程度最为明显，北京的“虹吸效应”显著，不仅没能带动区域内其他城市的发展，反而对它们形成了“集聚阴影”。

在大湾区城市群知识合作网络中，“广州—香港”双极结构明显，但深圳、珠海也快速崛起，逐渐呈现出多极化格局。长三角城市群知识合作网络发展最为均衡，且核心城市对外围城市呈现出圈层式、递推式的带动作用。当然，从时间纵向上看，三大城市群的知识合作网络都表现出不同程度的均衡化发展趋势。

4.3  城市群知识合作网络结构演化受多种地域因素的影响

通过计量分析发现，大部分所选地域因素均对三大城市群知识合作网络的结构演化有着显著的影响。但是，相同的地域因素对不同城市群的知识合作网络的结构演化作用并不完全一致。通过判别这些地域因素对城市群知识合作网络的影响程度，可以制定有针对性的优化策略。

例如地理距离对三大城市群知识合作网络的结构演化均有阻碍作用，因此，进一步增强交通联系是实现知识合作网络一体化的必然选择。再比如，知识相似性对京津冀城市群知识合作网络的结构演化有显著的负影响，说明知识和技术的同质化对其知识合作网络的形成有阻碍作用，应该大力提升区域知识技术的多元化发展。

结合前文分析，可以总结并提炼出若干政策启示：

第一，鼓励参与和嵌入区域知识合作网络，尤其是对于那些不具备区位优势和自身禀赋条件较差的城市而言，通过参与和嵌入知识网络，一方面能获取外部新知识和新技术；另一方面也有利于扩大自身的优势和特色。

第二，减小“权力等级”的干预，削弱“行政边界”的阻碍作用。由“权力等级”形成的层级体制，以及由“行政边界”造成的壁垒效应，是城市群知识合作网络平衡发展、知识转移溢出效应以及跨地合作的主要障碍。

因此，在促进区域协同创新的过程中，需要从顶层制度层面考虑如何降低政府干预和打破边界壁垒。