城市创新生态系统韧性的测算及提升

刘 静

（西安交通大学城市学院，西安 710018）

到目前为止，创新理论历经数代发展.Laranja等［1］提出创新范式的研究经历了3个阶段：线性创新模式作为第一阶段，称创新范式1.0；创新系统阶段为第二阶段，称创新范式2.0；目前已进入第三阶段，即创新生态系统阶段，称创新范式3.0.关于创新生态系统的研究成果较丰富：国外代表学者Moore［2］最早提出“商业生态系统”，Lansiti和Levien［3］从生态位视角提出关联紧密又处于不同地位的企业构成了创新生态系统，Adner［4］则首次明确提出了企业创新生态系统的概念；国内代表学者张贵等［5］认为，创新生态系统既是一个由创新源、创新物种、创新群落、创新链、创新网络组成的类似自然生态的复杂系统，又是一个不断演化和自我超越的系统.

概念上，韧性的本意是“回复到原始状态”［6］，强调了系统经受干扰并恢复到平衡状态的能力［7］.陈玉梅和李康晨［8］从工程、生态、社会三个方面将韧性定义为系统适应外部环境变化的能力及其吸收、适应和快速恢复的能力；赵瑞东等［6］则从复杂系统视角出发提出城市韧性是由城市社会、生态、经济、制度、基础设施等环境和人文因素组成的高度复杂的耦合系统.在韧性特点上，邓位［9］提出了5个特征、翟国方等［10］提出了6个基本特征，Walker和Salt［11］则进一步总结出了9个特征.倪晓露和黎兴强［12］提出了“多样性、冗余度和灵活性”是韧性突出的特征.

在城市韧性的评价方面，李彤玥［13］借用布鲁诺的4R框架从冗余性、迅速性、智慧性和抗干扰性出发构建了应对城市雨洪灾害的评价体系；刘严萍等［14］基于城市韧性的特点从应对力、成长度、敏感性和交互度四个维度出发，构建包括物、人、社会经济在内的指标体系，而Sharifi和Yamagata［15］对已有城市韧性的评价指标进行总结后，提出了包括“安全、经济、社会、基础设施、制度、社会与人口”在内的六大评价指标；通过对上述城市韧性评价指标进行梳理，倪晓露和黎兴强［12］总结了三种思路：以城市韧性特点为核心的指标体系；以城市的基本构成要素为关键内容的指标设计；以韧性发展过程为核心的指标设计.在评价方法上，目前主要采用函数模型法、韧性成熟度模型［16］和网络韧性评价法［17］等.这些评价方法在评估城市韧性上各有利弊，应根据具体城市或评价目标来选择适当的方法.

综上可见，关于创新生态系统与城市韧性的研究成果均较丰富，但将两者相结合的研究成果较少，而城市创新生态系统韧性的提升有助于从内部协调发展的角度把握城市未来发展的关键点，能够从一定程度上提升城市创新生态系统对抗外部冲击和干扰的抵御能力及恢复能力，有利于城市适应外部变化实现高质量发展.梁林等［19］对国家新区创新生态系统韧性进行了测评与预警，但并未提出提升路径等建议.

基于此，本文在梳理城市韧性和创新生态系统的主要研究成果基础上，借鉴梁林等［19］所构建的国家级新区创新生态系统韧性的测算模型，结合“2020年度中国城市创新生态指数排名”前25名城市以及“一线城市和新一线城市”的结果，选取19个城市（北京、上海、深圳、广州、成都、杭州、重庆、苏州、武汉、南京、天津、郑州、长沙、东莞、佛山、宁波、青岛、沈阳、西安）进行创新生态系统韧性的测评，并对测评结果进行解读，发现这些城市在该方面各有优势和劣势，最终提出有针对性的改善建议.

1 城市创新生态系统韧性的测算指标体系

借鉴梁林等［19］提出的国家新区创新生态系统韧性评价指标体系，对其部分指标进行调整，形成城市创新生态系统韧性评价指标体系（表1）.

表1 城市创新生态系统韧性评价指标体系Tab.1 Evaluation index system of urban innovation ecosystem resilience

2 城市创新生态系统韧性的测算

通过对所选19个城市进行创新生态系统韧性的测算，发现不同城市在多样性、进化性、缓冲性、流动性以及韧性值上存在各自不同的优势和劣势.

2.1 测算模型

2.1.1 多样性测算模型

关于多样性的测算公式较多，参考梁巧转等［20］对于多样性测量方法的总结和比较，最终选择熵基指数进行多样性测量：

式中：pi表示i种类数量所占总数量的比重；n表示种类数目.当每种类数量比重相等时，H值达到最大值［21］.

2.1.2 进化型监测模型

借鉴李柏洲和董恒敏［22］对科研院所进行科技资源配置能力测算的模型，衡量所选19个城市的创新生态系统进化性.

1）确定评价指标体系的突变系统类型.当上层指标由2个下层指标表示，可采用尖点突变函数；当上层指标由3个下层指标表示，可采用燕尾函数；当上层指标由4个下层指标表示，可采用蝴蝶突变函数.具体如式（2）：

式中：R1、R2、R3、R4全不为0；y=4；D表示韧性4个维度的协调水平，取值范围0＜D≤1.当R1=R2=R3=R4时，D为最大值1，表示韧性4个维度处于最佳的相互协调状态；当R1、R2、R3、R4不相等时，4个维度的差异性越大，D值就越小.T表示韧性4个维度的综合水平；∝、β、γ、δ为4个维度的系数，由于4个维度同等重要，故∝=β=γ=δ=0.25；R为创新生态系统韧性测算值，R越大，表示该城市创新生态系统的韧性越好.

2.2 数据收集

文中数据主要来源于2020年的《中国统计年鉴》《中国城市统计年鉴》《中国科技统计年鉴》以及所选19个城市的《城市统计年鉴》、相关报告（各城市的《国民经济和社会发展统计公报》《人口普查公报》《经济普查公报》和各类月度数据等）及资料汇编、数据库（指标“高质量论文”主要从中国知网等数据库中进行筛选统计）等.

2.3 城市创新生态系统韧性的测算结果及解读

采用熵权法赋予城市创新生态系统多样性、进化性、流动性和缓冲性测算4个维度的指标权重.

2.3.1 多样性测算

城市创新生态系统系统多样性是衡量其结构组成复杂程度以及资源异质性的指标值.采用多样性测算模型获得多样性指标结果（图1）.

图1 多样性测算值结果比较Fig.1 Comparison of diversity measurement results

从多样性综合值来看，北京、上海、广州、天津、南京排名前五，说明上述城市，尤其是一线城市的系统总体结构复杂程度较高，创新要素种类丰富且多样，其中上海、天津、南京在实测指标（就业人员的学历分布、企业投资类型分布、高校学科属性分布）上表现良好且稳定，而北京在企业投资类型多样性上表现较弱，说明北京的不同投资类型企业呈现分布相对集中的现状；多样性表现相对较弱的城市有佛山、深圳、郑州、西安.郑州多样性较弱源于“人员学历分布”和“不同投资类型企业分布”结构相对单一；西安多样性较弱在于“不同投资类型的企业分布”和“高校分布”上集中于某一两个种类，而“不同投资类型的企业”指标权重最大，这是导致其总体多样值偏低的主要原因；佛山的高校数量少且缺失部分学科类型的高校，导致其“高校分布”多样值较低.高校多样性按照学科属性进行分类，包括工科、综合、医药、师范、农业、艺术、政法、语言、体育等学科，从原始数据来看，西安的大部分高校为理工和综合类院校，在师范、政法、财经、体育和艺术类院校上分布较少，这也就使得与创新产出紧密相关的创新主体之一的“高校”在学科分布上出现资源分布单调，部分类别的资源种类数量较少，种类的多样性和异质性体现较弱.而在这方面表现良好的北京、上海地区的高校在学科分布方面差距较小.

正如前文所述，创新主体种类和数量越多，其多样性越明显，则“创新基因库”就越丰富强大，这样利于增强其创新主体之间的异质性以及个体或种群之间的关联，使其凝聚力水平扩大，从而使整个系统更加稳定、健康和富有韧性［25］.因此，对于在多样性上表现不佳的城市需要根据实测指标值进行有针对性的调整.

2.3.2 进化性测算

进化性指标值体现了系统创新资源的配置能力［22］.采用进化性测算模型获得测算结果（图2）.

从图2可见：深圳、北京、上海在进化性方面表现突出，说明其创新投入产出较高，创新要素的聚集和配置能力突出，使得系统的产出绩效良好；而佛山的创新投入产出比值较低，资源配置能力较弱.进化值的高低也意味着系统在外部环境变化后，其自身调整、自适应的能力如何［16］.因此，若要提高城市的进化性，就需要对其资源进行优化配置.

图2 进化性测算值结果比较Fig.2 Comparison of evolution measurement results

2.3.3 流动性测算

流动性指标是衡量各种不同类型资源之间进行交流和共享的程度，而创新生态系统实现观点的创新，其关键就在于不同资源之间的协同和交流.因此，流动值越高，系统的创新涌现功能越好.采用流动性测量模型获得流动性结果（图3）.

图3 流动性测算值结果比较Fig.3 Comparison of mobility measurement results

从图3可见，深圳在流动性上表现最为突出，说明不同类型资源的交流、共享程度较大；其次是上海和广州；之后是宁波、长沙、南京、苏州和西安，流动性差异较小；而北京、杭州、佛山、沈阳的流动性表现较差，同时青岛、郑州、重庆、天津出现了负流动值.其中，北京的流动值相较其他维度值最弱，因此出现4个维度间的失衡现象，这主要源于其近3年在人口、固定资产投资额、实际使用外资金额，航空货运等方面呈现负增长，而青岛、郑州、重庆、天津之所以出现负流动值，也源于在较多不同类型的资源流动中出现了负增长.

2.3.4 缓冲性测算

采用缓冲性测算模型获得结果见图4.当系统外部环境发生变化时，系统所积累的资源种类和数量越丰富，结构越复杂，其对抗冲突的储备能力就越强.从19个城市间的横向对比来看，一线城市的缓冲性表现良好，说明其在自然、文化、知识技术、医疗、社保等方面积累的资源丰富且多元；佛山、青岛、天津和东莞在该维度的表现较弱，意味着这些城市还需不断增强不同类别资源的积累，并优化结构.

图4 缓冲性测算值结果比较Fig.4 Comparison of cushioning measurement results

2.3.5 韧性值测算

采用韧性值测算模型，可获得这19个城市的创新生态系统韧性值结果（表2）.

表2 19个城市创新生态系统四维度及韧性值测算结果与排名Tab.2 Measuring results and rankings of four dimensions and resilience values of innovation ecosystems in 19 cities

从表2可见，韧性值排名前五的有深圳、青岛、上海、广州、南京，不仅有一线城市，也有新一线城市，可见，新一线城市在创新生态系统韧性上具有较强的发展趋势.韧性值排名后五的有佛山、天津、杭州、沈阳、北京，其中北京的韧性值较低，依据韧性值的计算模型来看，这主要源于其流动值较低而进化性、多样性、缓冲度的值相对较高，导致不同维度的韧性协调水平较低，从而造成韧性值较低的结果.天津和杭州的情况类似.佛山则源于每个维度的测算结果都偏低，因此整体韧性值较弱.

3 城市创新生态系统韧性的特点及改善

从上述的数据结果及解读中可以看到，研究所选的19个城市在4个不同维度和韧性值上的表现存在较大差异.

1）一线城市总体优势明显，新一线城市呈现差异化优势.总体来看，大部分一线城市在多样性、缓冲性、进化性和流动性上的表现良好.新一线城市也在资源不断聚集的过程中呈现出差异化优势，如成都和西安的创新资源配置相对良好，其创新投入产出比较高；南京和天津的创新主体呈现较明显的多样性和异质性；杭州和重庆的不同种类资源的积累和冗余程度较高；苏州和宁波的人力、资金、货物等资源的流动性较好，表明资源间的交流和共享程度相对较高.从以上分析看，各城市的创新系统表现各有优劣；北京、重庆、郑州、青岛的资源流动性较低；深圳、西安、佛山的创新主体多样性较弱；佛山、东莞、天津的缓冲值较低；佛山、东莞、沈阳的进化性较弱.基于该现状，各城市应该针对自身短板进行有针对性地改善，如适度调整不同学科属性的高校分布及不同投资类型的企业分布，优化创新要素的配置结构和能力，高效聚集各类资源数量并拓展资源种类，增强企业在“实际使用外资金额、技术合同交易额”等方面的力量.

2）研究所选城市的流动指标值变化幅度较大，有城市呈正向变动，有城市呈负向变动，且其间差距较大，意味着不同城市在资源交流、协同以及共享程度方面存在较大差异.而进化值变化平缓，说明各城市在创新资源的优化配置、投入产出比上的差距不大.因此，流动性较低或呈现负值的城市，应该加强在资金、货物、外资使用、技术合同交易等资源上的流动和共享.

3）部分城市的韧性协调水平较弱.通过韧性协调水平结果可以看到，部分城市的4个维度测算结果呈现较大差异：北京的流动性较低，但其他维度值较高；天津的多样性和进化性表现良好，而缓冲性和流动性较弱，这就使得该城市的韧性协调水平较低，而多样性、进化性、缓冲性和流动性之间需要保持较好的相互协调状态，体现出一定程度的有机整合，才能促使系统更加健康和有韧性.因此，韧性协调水平较低的城市应该更关注处于劣势的指标，适度调整资源的分配，使其更加均衡和协调.

4 结论

通过对相关文献进行梳理，发现少有学者对具体城市开展创新生态系统韧性的研究，但对城市创新系统在多变环境中应对外来冲击并恢复的能力展开研究很有必要.本文选取一线城市和新一线城市中的19个城市作为研究对象，通过各类统计年鉴、研究公报和普查数据等渠道收集相关数据，采用测算模型运行数据，最终获这得这19个城市在进化性、流动性、缓冲性、多样性和韧性值方面的结果.通过对结果的解读发现：一线城市总体表现良好，新一线城市各有优势，且各城市在进化性上变化不大，而在流动性上变化较大，部分城市的韧性协调水平较低.研究认为面对多变的环境，应尽量提升城市创新生态系统韧性水平，以增强其抵御外界突变能力和修复能力.