行业知识基础视角下城际创新网络模拟与邻近机制——以长三角城市群为例

张佳锃，夏丽丽,b，林剑铬，安 琳，蔡润林

（1. 华南师范大学a.地理科学学院；b. 粤港澳大湾区村镇可持续发展研究中心，广州 510631；2. 华东师范大学城市与区域科学学院，上海 200241；3. 中山大学地理科学与规划学院，广州 510275）

知识经济背景下，城市逐渐成为区域知识流动与交互的枢纽节点（马海涛，2020）。城市间企业、大学、部门及各类机构通过知识共享与技术合作构建的多尺度、多部门正式与非正式联系及其交互影响，塑造了区域创新与要素流动的新格局。创新要素的流动性与网络化趋势不断增强，推动着以城际互动关系为核心议题的城市网络研究向城市创新网络领域拓展（黄晓东等，2021），城际间创新网络的结构特征、知识溢出与外部性以及演化路径成为学术界关注的热点问题（Terman et al.,1995；李琳等，2013）。

目前，城际创新网络研究主要沿3条主线展开：1）基于不同创新主体进行网络构建，除利用城市整体的创新属性数据构建的城市创新网络外（吕拉昌等，2015），还包括根据创新企业的总部-分支数据构建城际创新功能网络（黄晓东等，2021），根据跨城科技成果数据构建知识共享与技术合作网络，根据科学家、工程师和企业家等高素质人才的移动轨迹构建人才移动网络等（Alderson et al.,2004；高爽等，2019；马海涛，2020）；2）网络结构及效应分析，通过对创新网络组织、层级、群组与控制结构的测度，分析网络结构演化规律及结构效应（叶琴等，2020；钱肖颖等，2021；郭建科等，2021）；3）网络演化机制探讨，主要围绕城际技术势差、城市吸收能力、主体环境属性和多维邻近性等对城市创新要素的转入、转出能力和城际创新合作强度的作用机理进行分析（刘承良等，2018；司月芳等，2020）。

上述研究为认知城际创新网络结构、组织模式与演化机理提供重要的理论成果与实证案例，但仍有以下问题需要思考：首先，在创新网络构建方面，创新的来源是知识，知识的创造、发展、使用与传播是技术溢出与人力资本外部性之间的连接渠道，不同创新主体对知识的交流、整合与吸收方式存在差异，但学者们在城际创新网络模拟时，往往忽视了创新主体知识生产与应用模式的异质性。其次，作为最具流动性的创新要素之一，地方识别、激活与锚定（anchoring）流动知识的能力以及流动知识与地方知识之间协作与互动的内容与形式，成为理解与构建区域创新网络的新路径（Crevoisier et al.,2009），如何在“知识动态”背景下，基于经济主体“知识生产”的逻辑，发展出有效甄别经济主体与经济活动异质性的方法，并将其应用于创新网络的空间组织及演化机制研究，成为城际创新网络研究的新挑战。最后，在城际创新网络的形成机理层面，反映创新主体间“共享或接近”程度的多维邻近机制对创新影响的研究备受瞩目。20世纪90年代，法国动力学派最先提出“多维邻近”的概念（Torre et al.,2000），但对于邻近维度的划分还存在颇多争议，比较有代表性的如Boschma（2005）将邻近机制划分为地理、社会、制度、认知与组织5个维度。当前学术界从不同角度揭示了多维邻近对创新网络形成的影响（Boschma,2005；王庆喜等，2021），但不同研究对多维邻近性影响的结论仍存在诸多争议。并且，多维邻近对创新网络形成的影响并非是静态的，也会因邻近作用程度、方法论选择与产业生命周期而异（李琳等，2013；周灿等，2019），学术界较少从创新本源“知识”生产与流动模式异质性角度进行分析。此外，多维邻近性之间可能存在的互补或替代关系也常被忽视。因此，需要在厘清多维邻近性复杂关系的基础上，识别不同邻近性对创新主体和创新行为的独立作用与交叉影响。

知识基础理论作为20 世纪90 年代兴起的一种新的知识分类方法与理论分析工具，是区域创新理论与实践研究中“异质性知识”视角的新切入点。知识基础理论从差异化的知识生产逻辑出发，根据创新过程中输入的基本知识或知识搜索、学习与创造模式的差异，将知识基础分为解析型、综合型和象征型3 种类型（Asheim et al., 2005, 2007;Manniche, 2012）。早期的研究主要基于单一知识基础类型的质性划分，探讨不同类型知识基础的主体在创新过程中组织、协作模式的特定差异、区位分异与邻近性机制等（Martin et al.,2011;Davids et al., 2018；叶琴等，2020）。此后，随着知识基础内涵的进一步深化，研究开始关注区域不同类型知识基础间的关联与演化，围绕知识基础的组合模式、区位与组合效应进行深入探讨（Asheim et al., 2009; Manniche, 2012; Grillitsch et al.,2017,2018），同时借鉴管理学与演化经济地理学的理论与方法，向创新轨迹和具体流程渗透，重点识别创新过程中关键节点（事件）的知识基础，探讨知识创造、转化与扩散过程中知识基础的演化路径（Manniche et al., 2017；孙瑜康 等，2022）。

长三角城市群是中国创新能力最强与创新网络结构发育最为成熟的城市群之一，但也存在区域创新资源配置不均衡、核心城市创新辐射带动能力较差与城际创新要素流通效率不高等问题（王越等，2018）。基于知识基础理论，以行业“知识异质性”视角①在创新主体选择上，企业作为微观经济单位，是进行知识基础属性界定和城际创新网络构建的理想主体，但本文时间跨度为15 年，企业个体数据变动较大，行业是相同产品或服务属性的企业集合，行业属性相对企业个体而言变动性较低，故选用行业视角进行知识基础属性的界定。为切入点，从“知识主体的认知与实践行为”和“知识客体”差异2个维度，理解与识别长三角城际创新网络结构、演化的基本差异与内在驱动力，可为面向不同知识基础类型主体的创新资源优化配置，提高城际间知识流通效率以及差异化的区域创新系统构建与创新管治策略制定提供新的视角。因此，本文以长三角城市群为案例地，从知识创造动态与经济绩效2个维度量化识别行业知识基础类型，基于修正引力模型构建2005-2019年长三角城市群异质性知识基础行业的城际创新网络，运用社会网络分析与QAP回归分析法，探析不同知识基础类型网络的结构演化特性与邻近作用机理。以期为“知识动态”背景下，知识生产与应用模式具有内在差异的创新主体构建的城际创新网络空间组织特征及演化机制研究提供实证案例。

1 方法与数据来源

1.1 行业知识基础类型的量化识别

1.1.1 行业知识基础的聚类分析 现有研究对行业知识基础类型的划分主要选择质性分析或主观判断（Asheim et al.,2005;2007；叶琴 等，2020），缺乏系统化的量化分析。借鉴林剑铬等（2021）既考虑“知识创造成果”，又包含“知识创造过程”的企业知识基础量化分析框架，结合行业特性，从知识创造动态与经济绩效2个维度构建行业知识基础类型划分的聚类指标体系，通过K均值聚类法对行业进行类别划分。聚类时最优K值通过计算误差平方和绘制手肘图确定，运用单因子方差和T检验，验证类别间差异是否具有统计意义。行业知识基础的聚类指标具体为：1）知识创造动态，反映行业知识生产、转移过程中的内在差异，从行业知识投入、产出与流动3个层次进行测算。其中，知识投入包括资金、人力和研发机构3个指标，分别用研发费用占利润总额比重、技术开发员工数占总员工数比重和行业中设有研发机构的企业数量占行业总企业数量比重来度量；知识产出包括构成与效率2个层面，分别用3 种类型专利与行业专利总数比值和3种专利数量与行业研发费用比值测算；知识流动包括知识搜索与扩散2个层面，分别通过行业平均一项专利申请人数量②知识搜索中，平均一项专利的申请人数量越多，表示行业研发从外部搜索（获取）知识的可能性越大。与被引用专利数量占比度量。2）经济绩效，用以甄别不同知识基础类型盈利规模与盈利能力的差异，盈利规模用行业利润总额与企业数量比值测算，盈利能力用行业总资产净利率表示（表1）。由于不同维度量纲存在差异，在进行K均值聚类分析前，对发明授权产出效率、实用新型产出效率、外观设计产出效率、平均一项专利的申请人数量和盈利规模进行了正向标准化处理。

表1 行业知识基础划分指标Table 1 Indexes for dividing the knowledge base of national economic industries

1.1.2 行业知识基础类型及组合形态识别 运用K均值聚类法将行业划分为不同的知识基础类别后，还需对每一类别的行业知识基础类型进行识别。单一知识基础类型可通过定量化测算显性知识成果类型界定。借鉴林剑铬等（2021）方法，将发明授权、实用新型、外观设计专利数量占行业已获授权专利数比例作为标志因子，分别作为解析型、综合型、象征型3种单一行业知识基础聚类结果解读的主要依据。

但是，不同于体现企业主体核心竞争力的单一知识基础形态（林剑铬等，2021），行业的知识基础可能是组合式的，只凭借专利类型比例不一定能准确识别。因此，采用专利结构的信息熵识别知识基础的组合形态。行业内专利结构信息熵越高，表示知识成果的混杂程度越高，知识基础越可能是组合的。样本行业的信息熵均值反映平均混乱水平，可作为信息熵的比较基准。使用单样本T检验，将每一聚类的专利结构信息熵与样本行业专利结构信息熵均值作比较，若显著大于比较基准或与比较基准无差别，则为组合式知识基础，具体组合形态根据标志因子确定；反之则为单一知识基础，类型由比例占优的标志因子确定。借鉴罗伟玲等（2020）思路，计算行业信息熵，具体公式为：

式中：En表示行业的信息熵值；P为行业中某种专利类型所占比例；N为行业总数。

1.2 不同知识基础类型行业创新网络构建

城际行业创新网络构建需综合考虑行业知识存量③采用永续盘存法对知识存量进行计算。、社会环境、经济发展水平和空间性等因素，故使用修正引力模型进行网络构建。引力模型的原理为牛顿万有引力定律，测算的是城际行业间建立创新联系的潜力，属于间接模拟，能根据城市内不同创新主体相关的属性数据对模型进行修正，可更为全面地刻画城际创新联系（吕拉昌等，2015）。本文参考Liu 等（2021）方法，在构建长三角城市群不同阶段分知识基础类型行业城际创新联系潜力矩阵的基础上，借鉴谢永顺等（2020）的思路，使用遥感图像阈值确定法，通过计算引力矩阵的最大类间差值（OTSU）作为临界值进行遍历判断，若大于或等于最大类间差值则将数据重新赋值为1，表示存在创新联系，反之赋值为0，表示不存在创新联系，最终将行业创新联系潜力矩阵转化为创新联系二值矩阵。

1.3 创新网络结构与演化的社会网络分析

运用社会网络分析法，从网络节点、联系与凝聚子群3 个方面，以5 年为窗口期（Lobo et al.,2008），将研究期划分为2005-2009、2010-2014和2015-2019年3个时段。运用度中心性分析网络节点在整个网络中的地位；通过计算网络密度和效率分析网络联系特征；采用迭代相关收敛法与网络分派指数（E-I）分析凝聚子群的群内与群间联系。具体计算均通过Ucinet 6完成。

1.4 城际创新网络的邻近机制分析

1.4.1 分析框架与指标选取 现有研究界定的邻近机制包括地理、技术、认知、文化、制度、组织和社会7 个维度（Boschma, 2005；李琳 等，2013），考虑到不同知识基础类型行业学习互动的认知基础、技术研发轨迹与制度环境影响存在明显差异，选择地理、认知、制度和技术邻近构建城际邻近矩阵（王庆喜等，2021）。在多维邻近交互层面，地理邻近表征城市间在空间上的真实邻近性，制度、认知与技术邻近主要表征城市间的相似性（Liu et al.,2021），本文主要聚焦地理邻近与非地理邻近的交互作用。另外，城际创新网络的形成也会受不同城市经济状况、对外开放程度与城市所处行政等级差异的影响（刘承良等，2018），因此，将城市经济发展水平、对外开放度与行政等级设置为控制变量。通过测算城际邻近数值与控制变量构建城际关联矩阵，各邻近性指标及控制变量的选取与测算方法为：

1）地理邻近性：指城市间在地理空间上的接近程度，城市间的物理距离可通过城市的地理坐标进行测算，为避免城市间实际地理距离过大可能产生的误差，借鉴刘承良等（2018）思路进行地理邻近的测算。

2）认知邻近性：指创新主体交流合作时认知理解的一致性（王庆喜等，2021）。参考王庆喜等（2021）方法，通过测算城市间行业结构相似指数表示认知邻近。

3）制度邻近性：指城市间制度环境的相似程度，参考Liu 等（2021）方法，通过城市间的研发投入相似程度衡量制度邻近性。

4）技术邻近性：指城市间的技术相似程度，借鉴已有研究（王庆喜等，2021），运用技术向量夹角的余弦值来测量技术邻近性。

5）控制变量：城市行政等级通过代理变量进行设置，如果双方都是省会城市或直辖市则赋值为1，否则为0，构建城市关联矩阵。城市经济发展水平与对外开放度通过城际人均GDP差值与外商直接投资额差值构建关联矩阵。

1.4.2 QAP 回归模型构建 QAP（Quadratic Assignment Procedure，二次指派程序）是一种研究矩阵之间相关性与回归性的方法，以大量的重复随机抽样为基础，对矩阵中的元素进行比较，计算相关系数（李苑君等，2021）。由于二元网络节点间可能存在直接或间接联系，关系数据各个观察值之间不相互独立，QAP回归可避免一般回归模型产生的多重共线性问题。以创新联系矩阵为因变量，以多维邻近关联、交互矩阵为自变量，以城市行政等级、经济发展水平与对外开放度关联矩阵为控制变量，构建QAP回归模型，具体方程为：

式中：C为不同知识基础类型创新关联矩阵；X1～X4分别为地理、认知、制度和技术邻近矩阵；X5～X7分别为地理邻近与认知、制度和技术邻近交互矩阵；X8～X10分别为城市行政等级、经济发展水平与对外开放度关联矩阵；c1～c10为参数。

1.5 数据来源

行业知识基础类型划分方面，2005-2019年国民经济行业的研发费用、利润总额、技术开发人员数、总员工数、设置研发机构企业数、总企业数、总资产来源于《中国统计年鉴》（国家统计局，2006—2020a），《中国科技统计年鉴》（国家统计局社会科技和文化产业统计司，2006—2020），《中国工业统计年鉴》（国家统计局工业统计司，2006—2020），《中国建筑业统计年鉴》（国家统计局固定资产投资统计司，2006—2020），《中国农业统计年鉴》（国家统计局农村社会经济调查司，2006—2020），《中国第三产业统计年鉴》（国家统计局，2006—2020b），部分缺失数据从同花顺iFinD 金融数据终端获取④https://www.51ifind.com/。各行业3种类型专利数据主要来源于IncoPat全球专利数据库⑤https://www.incopat.com/，根据每项专利拥有的国民经济行业分类代码进行专利的行业归类，最终确定48个二级行业。在创新网络构建方面，2005-2019 年长三角城市群各城市行业专利授权量源于IncoPat全球专利数据库，行业从业人员与行业总产值源于各城市历年统计年鉴与统计公报，部分缺失数据通过插值方法获取。在邻近性机制层面，城市坐标数据源于高德平台⑥https://lbs.amap.com/，城市人均GDP、外商直接投资数据、研发投入数据来源于《中国城市统计年鉴》（国家统计局城市社会经济调查司，2006—2020）和同花顺iFinD金融数据终端。

2 结果分析

2.1 行业知识基础类型的划分

聚类结果显示，K为5 时聚类效果最佳，48 个样本被分成Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ5类。单因子方差检验表明，所有聚类变量的F值均在0.01水平上显著，表明5种类型的差异有统计意义。信息熵比较基准（样本行业的信息熵均值）为1.146 8。以发明、实用新型和外观设计3种类型的专利数量占比作为标志因子可知，Ⅰ类在发明授权专利占比（0.977 8）上具有绝对优势，Ⅲ类在外观设计占比（0.751 2）上具有绝对优势，可以确定两者分别为解析型和象征型知识基础。其他3类中，标志性因子不存在明显优势，可能是知识基础的组合类型。专利结构的信息熵计算结果表明，类型Ⅳ、Ⅴ显著大于比较基准，类型Ⅱ与比较基准无差别，可判断为组合式知识基础。根据各类型专利占比进行命名，Ⅱ类为解析-综合型，Ⅳ类为综合-解析-象征型，Ⅴ类为综合-象征-解析型（表2）。在组合式知识基础类型行业中，综合型倾向于与解析型和象征型知识基础进行组合创新，且60%以上的行业同时拥有3种知识基础类型的组合。

表2 行业知识基础类型识别Table 2 Marker variable cluster center and significance test

计算5种知识基础类型行业的聚类指标的均值（图1），并比较、归纳不同知识基础类型的行业特点，表现为：1）解析型行业研发投入强度大，需要较多的技术开发人员，行业内设有研发机构的企业数量最多，发明授权专利的产出效率与知识扩散能力最强，但行业盈利能力较差，主体行业为医药制造业。2）象征型行业创新投入较低，外观设计专利产出效率最高，知识流动能力较差，代表性行业有纺织业，纺织服装、服饰业，皮革、毛皮、羽毛及其制品和制鞋业等。3）解析-综合型行业创新投入较高，发明授权专利产出效率高，知识流动能力强，但行业盈利能力偏低，代表性行业有农副食品加工业，食品制造业，酒、饮料和精制茶制造业等。4）综合-解析-象征型行业研发投入与产出较为均衡，实用新型与发明授权专利的产出效率较高，行业盈利能力强，代表性行业为金属制品业、通用设备制造业和仪器仪表制造业等。5）综合-象征-解析型行业知识搜索与盈利能力最强，但研发投入低，在知识产出效率方面，实用新型与外观设计专利均具有一定优势，代表性行业有烟草制品业、有色金属冶炼和压延加工业、电气机械和器材制造业等。

图1 五种知识基础类型行业聚类变量均值比较Fig.1 Comparison of mean values of cluster variables in different types of industries

2.2 五种知识基础类型行业的创新网络模拟

2.2.1 网络节点演化分析 运用自然断裂法，将网络节点度中心性的计算结果划分为“核心”“次级核心”“中间”和“边缘”4个等级。不同行业知识基础类型的创新网络节点及其演化特征（图2）表现为：1）解析型网络整体呈双核结构，其余网络呈多核结构。2）解析型、解析-综合型网络核心表现出明显的高行政级别和经济中心城市指向，前者的网络核心一直是上海和南京，后者则包括上海、南京和苏州，2种网络核心城市数量均较少且稳定，边缘城市数量较多。3）象征型网络核心城市数量较多且变化明显，常州、湖州等非行政和经济中心城市成为网络核心，苏州一直位于核心位置，无锡在第Ⅰ、Ⅱ阶段、南京在第Ⅱ、Ⅲ阶段位于网络核心。4）2种综合型知识基础主导的行业网络差异明显，其中综合-解析-象征型网络核心表现出明显的高行政级别和经济中心城市指向，上海、杭州、南京、苏州一直位于网络核心位置；综合-象征-解析型网络中，苏州、无锡一直位于网络核心，南京在第Ⅰ、Ⅲ阶段、杭州在第Ⅱ、Ⅲ阶段、常州在第Ⅲ阶段位于网络核心，核心城市存在明显变化。

图2 2005—2019年长三角城市群5种知识基础类型行业创新网络节点演变Fig.2 Evolution of five knowledge-based types of industry innovation network nodes in the Yangtze River Delta urban agglomeration during 2005-2019

综上可知，不同知识基础类型行业的创新网络节点及其演化路径明显不同。其中，解析型、解析-综合型行业研发投入力度大，创新成果产出与技术应用往往难以模仿与复制，行政或经济中心城市凭借基础设施、资金投入、科研与高等教育力量、政策等有利条件，在创新网络演化中居于核心地位。象征型行业知识创造源于特定人群对特殊美学意义或文化认同的追求，产品设计以体现时尚潮流或文化价值为导向（Asheim et al.,2007），但潮流发展变化快，网络演化中核心城市变化较大。综合型知识基础主导的行业中，知识创造模式以应用或重组现有知识为主，以解决用户与供应商的具体问题或定制生产为目标（Asheim et al.,2005）。其中，综合-解析-象征型行业产品要求突出技术的先进性并具备艺术价值，具备深厚研发底蕴的行政或经济中心城市在行业网络中占主导地位；综合-象征-解析型行业则要求产品具备较高的艺术价值和拥有一定的技术新颖性，受潮流、艺术价值观念变化等影响大，网络演化过程中核心城市较多，且常发生明显更替。

2.2.2 网络联系演化分析 从密度与效率2个层面对不同知识基础类型行业网络联系演化特征进行分析，发现长三角城市群知识联系演化路径存在明显差异化特征（表3），具体为：1）研究时段内，解析型网络密度不断升高，同时效率不断降低，整体网络向“紧凑”型发育。这反映解析型行业经过科学方法演绎推理形成的抽象而普遍有效的编码化知识流动性更强，且知识交换具有高度的选择性（Martin et al.,2013），构建了以上海、南京为核心的城际创新体系，使知识联系紧密化。2）象征型网络密度与效率值均呈现波动上升的趋势，整体网络结构表现出“松散-紧凑-松散”的演变特征。象征型行业的创新由创造力和艺术技能主导，学习运行模式较为灵活，通常是围绕既定的设计目标基于项目合作进行知识交换（Martin et al.,2011），由于主导知识交换的项目具有非正式性与临时性，使得长三角城际知识联系演化结构不稳定。3）解析-综合型网络密度值呈现波动下降的趋势，而效率值却呈现波动上升的趋势，整体网络结构表现出“紧凑-松散-紧凑”的演变特征。解析-综合型行业知识生产侧重通过研发试验创造解析型知识用以解决本地供应链生产者与用户之间或大规模工业生产的技术问题，解析型知识创造、应用和交换更加具备地方综合应用场景，由于长三角城市群内不同城市面临的市场与工程类技术问题具有明显差异，而解析型知识交换具有“选择性”，使得城际知识联系呈现不稳定的演化特征。4）综合-解析-象征型和综合-象征-解析型网络结构较为稳定，前者网络密度与效率均保持不变；后者网络密度稍有增加，效率出现小幅下降，整体网络结构稳定。综合型知识基础主导的行业知识互动主要发生在供应链中的生产者与客户以及能够解决相似技术、工程问题的“实践社区”内的成员之间（Martin et al., 2013），城市群内行业能够综合考虑需求，通过重组、应用和交换解析型与象征型知识进行创新，构建较为稳定的城际知识联系。

表3 2005—2019年长三角城市群五种知识基础类型行业创新网络密度与效率值Table 3 The density and efficiency values of five types'knowledge-based industries innovation network of the Yangtze River Delta urban agglomeration during 2005-2019

2.2.3 凝聚子群分析 从不同知识基础类型行业城际创新网络子群的划分结果（图3）可知，5种知识基础类型网络均可被划分为4个子群，从整体上看，子群地理空间集聚特征明显，内部成员互不重叠，存在明显的边界效应；子群1 至4 的网络密度依次降低，子群内成员数量、子群内部与子群间的联系数量存在明显差异，具体为：

图3 长三角城市群五种知识基础类型行业创新网络子群成员空间分布Fig.3 Spatial distribution of members of five industry knowledge base types of innovation network subgroups

1）子群内部联系。5 种类型网络的E-I 指数介于-0.87～-0.74之间⑦其中解析型网络为-0.829，解析-综合型网络为-0.866，象征型网络为-0.847，综合-解析-象征型网络为-0.851，综合-象征-解析型网络为-0.734，E-I数值均接近于-1。，表明子群内部城市创新联系强度均强于子群间联系强度。进一步比较分析：①解析型与解析-综合型网络中，上海、南京、杭州、苏州和无锡均位于子群1，反映在以解析型知识主导的行业网络中，经济与行政中心城市间的知识联系最为紧密。②象征型网络中，苏州、无锡、南通和湖州位于子群1，由于象征型行业知识生产的灵活性，知识联系无明显的城市等级之分，且子群1的城市数量较少。③综合-解析-象征型与综合-象征-解析型网络中子群1的空间分布具有明显差异，由于行业知识创造与交互模式的异质性，前者的经济与行政中心城市联系较为紧密，后者并无明显的城市等级之分。④城市群西部城市安庆、池州、铜陵、宣城和马鞍山均位于5种类型网络的子群4，子群内网络密度低，行业创新发展动力不足，难以进行创新辐射。

2）子群间联系。5 种类型网络形成的群间知识输出、回流模式明显不同，子群间创新联系不均衡（图4），表现为：①解析型网络中，子群1对子群2、子群3 和子群4 的创新辐射强度明显强于其他类型网络，表明解析型网络核心子群知识输出能力最强。②其余4 种类型网络中，子群4对子群1、子群2 的知识输出能力明显强于解析型网络，但解析-综合型网络中子群2 与子群3 不存在直接联系，表明以解决本地商业与工程类技术问题为主的解析-综合型网络子群间创新联系产生的条件更为复杂。③以综合型知识基础为主导的2 种行业网络中，综合-解析-象征型网络子群密度明显大于综合-象征-解析型行业网络，表明行业知识生产过程中重组解析型、象征型知识的逻辑直接影响网络形成的群间联系，相较而言综合-解析-象征型行业知识的流动性更强，群间联系更为紧密。

图4 五种知识基础类型行业创新网络子群间联系Fig.4 Links between subgroups of five knowledge-based types of industry innovation networks

2.3 邻近机制分析

2.3.1 模型稳健性检验 选择20 000 次⑧随机置换的次数越多，回归的结果更加精确，软件的设置的最大次数为2万次随机置换进行QAP 回归，调整后决定系数在0.62～0.65 区间内，决定系数的概率在1%水平下通过显著性检验，表明所选变量对不同知识基础类型网络形成解释力度为62%～65%，模型测算结果较好（Liu et al.,2021）（表4）。计算最大类间差值作为临界值判断城际是否存在创新联系，参考王俊等（2018）采用临界值的80%和120%重新设定判断值作为稳健性检验的标准值，构建5种类型的创新网络二值矩阵，以此为因变量进行QAP回归，对比可得回归系数的符号方向和显著性未发生改变，说明模型运行结果较为稳健。

表4 五种知识基础类型行业创新网络QAP回归分析结果Table 4 Results of QAP regression analysis of five types'knowledge-based industry innovation networks

2.3.2 多维邻近对长三角城际行业异质性知识基础创新网络的影响 据表4 可知：1）地理邻近对解析型网络影响不显著，对其他类型网络产生显著正影响。由于解析型行业的创新主要依赖于抽象、普遍有效的编码知识，长三角城际知识交换一般通过研发合作或在某一问题领域有相似认知的科学家群体中进行，具有高度的选择性，能有效打破地理隔阂。而综合型与象征型知识基础在长三角城市群内进行学习交互创新时，主要依赖于隐性知识，面对面交流是构建创新联系的主要方式，地理邻近能提高面对面交流的概率，促进知识交换。2）认知邻近与技术邻近对5种网络的形成均产生显著正影响，反映长三角城市群不同类型行业进行知识创造、流动与应用时，在行业结构与技术产出领域具备一定的相似度，可以减少各知识基础类型的行业在技术研发、工程应用和艺术设计等方面的障碍，有效提高知识生产与交互的效率。3）制度邻近仅对解析型、解析-综合型网络形成产生显著正影响，对其他类型网络的影响不显著。从知识投入层面看，长三角城市群解析型与解析-综合型行业在研发投入方面具有明显优势，知识交换以研发合作为主，通过提高研发投入相似度，能降低研发合作的门槛，促进知识交换。

多维邻近的交互对异质性知识基础行业创新网络的影响表现为（见表4）：1）地理邻近与技术邻近交互对5种类型网络均产生显著正影响，表明地理邻近与技术邻近具有较强的互补作用，长三角城市群可通过同时缩短空间距离与增强技术邻近，有效促进不同知识基础类型行业的创新联系。2）地理邻近与认知邻近交互对综合-解析-象征型与综合-象征-解析型网络影响不显著，对其他类型网络影响显著为正。综合型知识基础主导的行业知识创造动因为解决应用工程类与供应商-客户交互中的问题，反映长三角各城市通过地理邻近与认知邻近的交互虽然可在一定程度上增大行业建立创新联系的潜力，但也可能因地理邻近有利于隐性知识的交流而不利于技术保护，加剧同行业市场竞争，成为行业构建知识联系的障碍。3）地理邻近与制度邻近交互对5种类型网络的影响都不显著，表明地理邻近的创新主体并没有通过制度邻近获得相关的政策倾斜，原因可能是长三角各城市间存在较大的制度、体制壁垒（王越等，2018），阻碍地理邻近的创新主体构建不同类型的知识联系。

2.3.3 控制变量对长三角城际异质性知识基础行业创新网络的影响 城市经济发展水平差异对长三角5种类型网络的形成都产生显著负影响，表明城市间经济发展水平越相近，越有利于5种知识基础类型的行业创新网络形成。城市行政等级对5种类型网络产生显著正影响，表明5种知识基础类型网络均更加倾向于在行政等级高的城市间形成。对外开放度差异对解析型与解析-综合型网络形成产生显著负影响，对其他类型的网络影响不显著；这表明对外开放度高的城市为解析型知识基础主导的行业与国外先进领域建立研发合作提供有利平台，城市间对外开放水平差异越小，越容易建立解析型知识主导的行业创新联系。

3 结论与讨论

3.1 结论

本文基于知识基础理论，将知识基础异质性理解为知识动态实践的行为模式分类，在量化识别行业知识基础类型的基础上，探究长三角异质性知识基础行业形成的城际创新网络结构特征与演化的基本差异与邻近性机理，结果显示：1）行业知识基础被划分为解析型、象征型、解析-综合型、综合-解析-象征型和综合-象征-解析型5种类型。2）解析型网络呈双核结构，其余类型网络呈多核结构，行政或经济中心城市主导解析型、解析-综合型与综合-解析-象征型行业创新联系与发展，象征型、综合-象征-解析型网络中，常州、湖州等非行政和经济中心城市成为创新网络核心节点，核心城市数量较多且变化较大。3）解析型网络结构日益“紧密化”，象征型网络呈现“松散-紧凑-松散”、解析-综合型网络呈现“紧凑-松散-紧凑”的演变态势，综合型知识基础主导的行业城际知识联系结构较为稳定。4）解析型、解析-综合型与综合-解析-象征型网络子群内行政与经济中心城市联系紧密，象征型与综合-象征-解析型网络子群内知识联系无明显的城市等级之分；解析型网络核心子群知识输出能力强，其余类型网络边缘子群的知识回流能力更强。5）地理邻近对解析型网络影响不显著，对其余类型网络的影响显著为正；认知邻近与技术邻近对5种网络的影响均显著为正；制度邻近对解析型、解析-综合型网络的影响显著为正，对其他类型网络的影响不显著；地理邻近与技术邻近交互对5 种网络的影响均显著为正；地理邻近与认知邻近交互对综合-解析-象征型与综合-象征-解析型网络的影响不显著，对其他类型网络的影响显著为正；地理邻近与制度邻近交互对5 种网络的影响均不显著。

3.2 讨论

城市创新驱动发展既需要本地内生知识，也需要外部知识，城际间知识创造、转移与应用成为重塑地区互动关系的重要力量。异质性知识基础行业在知识生产逻辑、学习与交互模式、搜索与扩散能力以及演化机制等方面存在显著差异，长三角不同区域在创新系统构建、区域管制和创新政策制定时，需要与差异化的知识基础相匹配。其中，解析型网络中编码化知识的流动性与技术的程式化能力较强，知识交换能够有效打破地理隔阂，长三角城市群可通过加大研发投入、实行人才引进政策、强化“产学研”合作、主动嵌入全国甚至全球先进知识网络以促进创新发展。解析-综合型与解析型网络性质相似，但知识生产与交互更聚焦于本地市场与工程类问题，知识网络配置具有“地方性”特征，长三角城市群通过加大研发投入、营造人才氛围和加强研发合作等同样有利于行业知识交互，但应具备地方应用场景，以解决本地市场、项目工程等问题为导向。象征型网络主要是艺术家和设计师等群体基于项目合作，围绕反映创造意义、美学和文化价值的设计目标进行知识交互而形成，受地方潮流、文化环境变化影响大，知识网络的配置灵活多样，长三角城市群可通过重点培育以创意及艺术为基础的高等教育、支持音乐厅、剧院等文化及创意基础设施建设、提供临时项目合作地点和进行业务辅导等方式提高知识交换效率。综合-解析-象征型与综合-象征-解析型行业由于知识生产与学习模式差异，网络节点、子群联系演化路径明显不同，但从行业特点与邻近性机理分析发现，二者需对市场和项目工程等具备综合认知能力，长三角城市群可加强工程领域和应用科学的高等教育、引进工程型和应用型人才，通过法律、法规和优惠税收政策构建良好营商环境，促进行业知识互动。

本文也存在一些不足，如：1）以研究期内行业数据的均值识别行业所属知识基础类型，在保证不同时段分类数据具有可比性的同时，可能会弱化某些行业知识基础类型的动态演化；2）基于修正引力模型构建的城际行业创新网络与基于流空间视角，采用跨城科技成果数、人才移动轨迹等构建的城际知识合作与人才移动网络相比，仍属于间接模拟；3）在网络结构分析层面，仅对不同知识基础类型的行业创新网络结构演化及邻近机制进行比较分析，尚未涉及不同类型网络间的知识交互与创新影响。未来可以在分析知识基础分类的时序变化基础上，探讨行业知识基础类型的动态演化及其对创新网络的影响；或在对不同知识基础类型行业网络的创建方式继续追踪研究的基础上，分析异质性知识基础行业创新网络间的耦合性与外部性，进一步挖掘不同知识基础类型网络间的相互影响与演化机制，丰富城市创新网络研究的视角与理论成果。