谁是创新引领者？——基于六个都市圈对长三角创新发展的影响

屠启宇，余全明

（1.上海社会科学院 城市与人口发展研究所，上海 200000；2.上海社会科学院 应用经济所，上海 200020）

随着区域一体化的不断发展和深入，由具备区域重要功能的都市组合而成的现代化都市圈已成为区域一体化发展的重要组成部分[1]。培育现代化都市圈可以提高都市圈内创新协同发展水平，加强都市圈内创新链的紧密衔接，推动都市圈内创新功能的深度融合，从而为区域创新一体化发展的方向和方式提供参照，进而推动区域创新一体化快速高效发展。同时，都市圈承载了区域高质量发展的核心功能——创新，并且都市圈的创新发展不仅可以提升区域创新实力，还起到带动区域创新高质量发展、提升区域创新竞争优势、引领区域创新一体化迈向更深层次的作用。长三角地区有上海大都市圈、南京都市圈、苏锡常都市圈、杭州都市圈、宁波都市圈以及合肥都市圈等六个都市圈，但六个都市圈构成较为复杂，存在着大都市圈包含小都市圈、都市圈间存在相同的城市、都市圈的核心城市在另一个都市圈中。所以哪个都市圈才是长三角创新引领者呢？

一、文献回顾

邻近性（Proximity）是指临近性或接近性，表示不同个体之间具备某些共性“类”或“群”的特征。法国邻近动力学派指出地理空间并非独立存在，还包含其他维度的邻近性[2]。在分析地理邻近性的作用时，不能忽视其他维度的邻近性，单独解析地理邻近性的作用是片面且不合理的。

由于个体间的知识基础、产品技术、过往经验等存在差异，所有个体难以实现知识与信息的无差别共享，导致不同个体在对创新的认知、吸收和消化方面存在着不同的“认知距离”[3]，因此，认知邻近性既决定了个体之间的互动学习能力，还反映了个体间所拥有的共同知识基础，是交流互动能够顺利进行的前提条件，也是个体选择扩散对象的关键因素[4]。认知邻近性水平越高，沟通更加高效，使潜在接受者能够高效且低成本地获取创新知识[5]。技术邻近性可以显著影响创新扩散[6]。当个体间技术距离较近时，创新才会产生流动，创新扩散效果显著，尤其是对知识的跨区域扩散具有显著的促进作用[7]，并且技术邻近性越高，交流和沟通成本越低，新技术和知识越容易被吸收和同化[8]。

地理邻近为企业与上游供应商、科研机构及下游企业之间提供更多面对面交流和交互学习的机会，加快创新在企业和机构之间扩散。因此，地理邻近性对创新扩散有积极的影响，地理邻近性能够使知识在供求双方之间的流动更加顺畅，减少信息传递的成本和时间[9]，能够增强知识溢出的效果，强化创新扩散的效果[10]。有学者指出，在创新出现伊始，地理邻近有助于知识溢出，但是随着新技术的不断成熟，地理邻近性对创新扩散的作用将会逐渐降低[11]，并且也有学者提出地理邻近性水平越低，创新扩散效果越差[12]。关系邻近性是个体获得外部创新的一个重要途径[13]。关系邻近性反映了关系网络对企业获取外部知识和创新中的作用。关系邻近水平越高，个体越接近，间隔越少，创新扩散越容易[14]，并且企业在科学合作网络中的关系数量和强度能够显著影响创新扩散[15]。关系邻近性通过“管线”实现企业之间的联系，从而有利于企业间创新流动，因此，关系邻近性有利于创新活动的外部知识获取。同时，关系邻近性能够长期影响知识溢出，加强跨区域创新合作，推动创新的跨区域扩散。

二、多维邻近性影响创新扩散的机制

在创新扩散过程中，创新的潜在接受者会考虑两件事，第一，评估自身是否存在引进创新的需求。如果需求不存在，潜在接受者不会引进创新。第二，衡量引进创新的成效。如果扩散成效极差，潜在接受者也不会引进创新。在创新扩散过程中，扩散需求、扩散成本和效果决定了扩散是否能够完成。因此，在引进创新的过程中，潜在接受者会评估自身对创新的需求及预测引进成本和效果（见图1）。基于以往学者的研究，本文主要研究地理邻近性、关系邻近性、认知邻近性、技术邻近性对创新扩散的影响[16]。

图1 多维邻近性影响创新扩散的机制

科技持续改变着工作和生活方式。各种通讯技术的不断涌现，降低了面对面交流的必要性，并且随着交通越来越便利，缩短了两地之间的“时间距离”，削弱了地理距离对创新扩散的影响[17]，但是地理邻近性对创新扩散的影响并未消失，依然是影响创新扩散的因素[18]。如果地理邻近性水平较高，就可以为创新扩散提供便利条件，增加潜在接受者了解有关创新信息的机会，提高潜在接受者引进创新的可能性，进而推动创新在主客体之间扩散。同时，地理邻近水平较高，增强主客体间交流和学习的便利性，降低信息传递的成本和时间消耗，进而降低创新扩散成本，为主客体间的互动提供有利条件，提高创新在主客体间扩散的机会，但是地理过于邻近将会抑制创新扩散。地理过于邻近会加剧竞争，产生“拥挤效应”[19]，导致创新扩散可能性降低。而当地理邻近性水平过低时，交流和互动成本将大幅增加，导致主客体间的创新扩散障碍增多，进而抑制创新扩散。

关系邻近性表明主客体之间存在某种联系，而这种联系可以降低地理距离的影响，提高主客体之间交流的便利性，降低客体引进创新的成本，包括交通、时间、学习和搜寻成本（客体搜寻主体创新成果过程中可能发生的成本），并且关系邻近可以提高主客体间的交流效果，确保客体能够快速、准确、高质量地了解主体相关创新信息，减少主客体间的交流阻碍，提高创新扩散的速度。关系邻近水平越高，则主客体间的交流越高效和成本越低，创新扩散也就越容易，扩散效果越好。同时，关系邻近性能够加强跨边界创新的长期合作水平，构建紧密的创新合作网络，有助于创新跨边界扩散，但是过高的关系邻近性也会带来负面效果，个体之间会因为过于接近而失去经济理性，徒增扩散成本，导致创新扩散效果降低，反之则可能会引起机会主义行为，造成不必要的损失。

创新能够完成扩散的一个重要前提就是创新源（即主体）和潜在接收者（即客体）之间存在扩散需求，而异质性是客体评估自身是否需要引进创新的关键。如果主客体间存在异质性，那么主客体之间就存在扩散需求；如果主客体间不存在异质性，那么主客体之间就不会有扩散需求。因此，认知和技术方面的异质性会影响创新扩散需求，并且认知和技术方面的异质性还影响了双方的交流效果，进而影响创新扩散速度。当主客体间认知和技术趋于相同，主客体间的创新将会趋于同质，这样就会影响创新扩散的需求。在评估是否引进创新时，客体会考虑引进创新对自身创新发展的促进作用。由于主客体间认知和技术趋于同质，创新发展水平相似，将会降低客体搜寻主体创新的意愿，削弱创新扩散的动力，导致引用主体创新的需求降低，抑制创新扩散。当主客体间认知和技术的差异性过大时，主客体间的创新存在极大差别，这样也会影响创新扩散的需求。由于差异过大，客体不能准确理解主体创新相关信息或者应用创新会带来极大的成本，这将增加创新扩散的难度，导致客体引用创新的需求降低，致使创新扩散的可能性降低甚至为零。也就是说，当认知邻近性和技术邻近性水平较高时，主客体间的共同知识基础和生产技术出现大范围的重叠，会削弱创新扩散需求，抑制创新扩散；当认知邻近性和技术邻近性水平较低时，主客体间共同知识基础和生产技术的差异极大，导致客体引用创新的意愿大幅降低，阻碍创新扩散。

三、创新扩散模型构建

（一）模型

Caballero 等[20]、Jaffe 等[21]、Adams 等[22]学 者 通过引用模型研究了创新扩散的情况。国外学者从创新扩散主体视角出发，认为现有的创新随着时间流逝对未来的创新影响呈衰减趋势，但是客体采用该项创新的可能性随时间增加而上升，并且创新在同公司、同国家和同类创新中更容易扩散[21]。同时，行业异质性和企业研发规模会影响创新扩散速度[22]。基于上述研究，本文从创新扩散过程中客体的角度出发，对引用模型进行拓展，研究多维邻近性对创新扩散的影响机制。同时，本文借鉴已有研究，对引用模型进行拓展，建立新的引用模型来估计创新的扩散，即：

其中，Pi，j，t，T表示城市i 在时间[t，T]内引用城市j 时间[0，t）内专利的可能性；L=T-t，Di，j表示城市i，j 间的邻近性；表示城市i 在搜寻城市j 创新时，会受到搜寻时间和城i，j 市间邻近性的影响，即搜寻时间越久，城市i，j 邻近性水平越高，客体越可能接触到主体的创新；（1-eα2L）表示客体在接触创新后采用创新的可能性。

将式（1）对数化，滞后模型为：

其中，ε 是随机误差项，且ε 服从分布N（0，σ2In），lnα0为常数项。

对式（2）求解关于L 的一阶偏导数和二阶偏导数，可得：

城市在引进吸收城市j 的创新，因而创新扩散的方向是城市j 向城市i。因此，“-”表示创新扩散的方向是城市j 向城市i 进行扩散，或城市j 的创新逐渐同化城市i 的。因此可定义模态滞后，即扩散概率达到峰值时的滞后为：

对式（5）求解关于Di，j的一阶偏导数和二阶偏导数，可得：

（二）变量测度和数据来源

1.邻近性测度

地理邻近性（GD）：地理邻近性基于地理空间，反映了个体间的空间距离。参考刘凤朝等[23]的研究，本文通过以下公式计算两地级市间的球面地理距离，具体如下：

其中，Gij表示城市i，j 之间的球面距离；R 为地球半径，地球半径为6371km；lati表示城市i 的维度坐标；loni表示城市i 的经度坐标。本文先利用上述公式来测算都市圈内各城市与其他城的球面距离，之后计算都市圈i 与城市j 间的平均球面距离，然后先将平均球面距离标准化，最后用1 减标准化后的平均球面距离。此时当GDij越接近1时，都市圈i 与城市j 间的地理邻近性水平越高；当GDij越接近0 时，都市圈i 与城市j 间的地理邻近性水平越低。

关系邻近性（REL）：关系邻近性与关系资本密切相关。关系资本是指个体间的双边/多边联系[24]121-144。采用城市间的合作专利数量[25]来衡量城市间的关系邻近性水平，本文用RELij表示都市圈i 与城市j 之间的关系邻近性。对关系邻近性进行标准化处理，如果关系邻近性越接近1，表明两者的关系邻近性水平高；如果越接近0，表示两者的关系邻近性水平低。

技术邻近性（TEC）：技术邻近性表示了城市间技术基础的相似性，反映了不同城市之间技术发展水平的相似性。参考Jaffe[26]的方法计算技术邻近性水平，具体如下：

其中TECij表示都市圈i 与城市j 间技术邻近性；n 为专利分类数；fik表示在某段时间内城市i在第k 类专利中所拥有的专利数。对技术邻近性标准化处理，如果TECij越接近1，表明两者的技术邻近性水平高；如果越接近0，表示两者的技术邻近性水平低。

认知邻近性（COG）：由于主体间存在知识基础、产品技术、过往经验等方面的差异，那么不同主体对创新知识认知、吸收和消化方面有着不同的“认知距离”[27]。借鉴已有的研究，利用各城市专利编号进行测度[28]。

其中，COGij表示都市圈i 与城市j 间的认知邻近性；xs2di表示都市圈与城市i 专利编号前两位相同的城市所拥有的专利数；xs3di表示都市圈i 与城市j 专利编号前三位相同的城市i 所拥有的专利数。对认知邻近性标准化处理，当COGij越接近1，都市圈i 与城市j 间的认知邻近性水平越高；越接近0，都市圈i 与城市j 间的认知邻近性水平越低。

2.数据来源

本文的专利数据源于国家知识产权局和大为专利数据库，地理经纬度数据源于百度地图坐标拾取系统。长三角各城市的专利引用数据是“公开公告日”为1985——2020 年的专利数据，且专利数据最后检索时间为2021 年2 月16 日。因变量采用长三角某个都市圈1985——2019 年的专利在2020 年被不在该都市圈内城市引用的概率。为了与因变量时间上保持同步，依据上述邻近性测算方法，本文计算在2019 年各都市圈与长三角其他城市间的地理邻近性、认知邻近性、技术邻近性、关系邻近性水平。为避免出现ln0 的情况，本文对标准化后的数据统一加0.0001 进行替代[29]。依据模态滞后的定义，本文采用软件Stata 16.0 对多维邻近性对创新扩散的影响进行MLE 估计[30]66-86。

表1 长三角六个都市圈所包含的城市

四、实证结果

由于本文的模型存在非线性部分，因此，无法采用OLS 估计方法，只能采用非线性最小二乘法或极大似然估计方法。由于需要计算模态滞后，本文采用极大似然方法进行估计。同时，为了确保估计结果一致，本文采用胡贝尔-怀特稳健标准误方法。对非线性模型进行MLE 估计时，需要检验扰动项是否服从正态分布。本文通过核密度估计方法和分位数——分位数方法进行检验，结果见图2、图3。可以看出，核密度曲线和正态分布的密度曲线基本相符，并且在分位数——分位数图中，大多数的散点集中在45°线附近，因此可以进行MLE 估计。

图2 正态分布的核密度检验

图3 分位数——分位数检验

（一）都市圈MLE 估计结果分析

表2——表7 反映了在2020 年长三角地区，上海大都市圈、南京都市圈、苏锡常都市圈、杭州都市圈、宁波都市圈和合肥都市圈的创新扩散情况。由表2、表3、表5 和表6 可知，认知、关系、认知*技术、认知*地理、认知*关系、技术*关系、地理* 关系邻近性显著促进了上海大都市圈、南京都市圈、杭州都市圈和宁波都市圈的创新扩散，其中，认知、认知* 技术、认知* 地理邻近性对上海大都市圈、南京都市圈、杭州都市圈和宁波都市圈的创新扩散作用最显著。由表4 可知，认知、关系、认知*地理、认知*关系、技术*关系、地理*关系邻近性均能够显著促进苏锡常都市圈的创新扩散，其中，认知、认知*地理、认知*关系邻近性对苏锡常都市圈的创新扩散作用最显著。由表7 可知，技术邻近性、技术*地理邻近性对合肥都市圈的创新扩散起到显著负作用，这是因为技术邻近性、技术* 地理邻近性水平越高，技术“锁定”和“拥挤效应”越显著，抑制了合肥都市圈的创新扩散。认知、认知*技术、认知*关系、认知*地理邻近性显著促进了合肥都市圈的创新扩散，其中，认知*地理、认知、认知*技术邻近性对合肥都市圈的创新扩散作用最显著。由表2——表7可以看出，一方面，认知方面的异质性影响客体对主体创新的理解、学习和模仿，进而决定了创新扩散的需求，因此，认知邻近性对都市圈创新扩散的影响较强。同时，多维邻近性可以共同促进都市圈创新扩散。这是因为多维邻近性的共同作用既能增强降低扩散成本的效果，还能提升扩散需求，进而促进了都市圈创新扩散。另一方面，多维邻近性对各都市圈创新扩散的影响不同。认知和关系邻近性显著促进了长三角六个都市圈的创新扩散，而技术邻近性和地理邻近性对长三角六个都市圈的创新扩散影响较弱。

表2 2020 年上海大都市圈MLE 估计结果

表3 2020 年南京都市圈MLE 估计结果

表4 2020 年苏锡常都市圈MLE 估计结果

表5 2020 年杭州都市圈MLE 估计结果

表6 2020 年宁波都市圈MLE 估计结果

表7 2020 年合肥都市圈MLE 估计结果

（二）都市圈的创新扩散数量分析

2020 年，创新扩散数量最多的是上海大都市圈，扩散数量为43181 项专利，其次是南京都市圈、苏锡常都市圈、杭州都市圈，分别为24043、23622、20301 项专利，最后是宁波都市圈和合肥都市圈，分别为10017、15527 项专利。上海大都市圈对杭州、南京和合肥创新扩散数量最多，分别为7558、5931 和3489 项专利，对池州创新扩散数量最少，为64 项专利。南京都市圈对杭州、苏州和合肥创新扩散数量最多，分别为4073、2365 和2199项专利，对池州创新扩散数量最少，为30 项专利。苏锡常都市圈对杭州、南京和合肥创新扩散数量最多，分别为3049、2479 和1513 项专利，对池州创新扩散数量最少，为23 项专利。杭州都市圈对南京、苏州和温州创新扩散数量最多，分别为2318、1935 和1564 项专利，对池州创新扩散数量最少，为36 项专利。宁波都市圈对杭州、温州和南京创新扩散数量最多，分别为1171、806 和717 项专利，对池州和黄山创新扩散数量最少，分别为10 项和12 项专利。合肥都市圈对杭州、南京和合肥创新扩散数量最多，分别为1899、1617 和1228项专利，对黄山创新扩散数量最少，为32 项专利。图4 反映了1985——2019 年长三角地区六个都市圈的专利在2020 年扩散数量的情况。由图4 可以看出，六个都市圈对宿迁、丽水、池州、黄山等城市的扩散数量较少，而接受创新扩散数量最多的城市主要集中在南京、苏州、杭州、合肥等都市圈的核心城市。同时，出现了与都市圈的空间距离越近，扩散数量越多的现象。这说明都市圈的创新扩散存在着“核心——边缘”的空间结构。

图4 2020 年长三角六个都市圈的创新扩散数量

（三）都市圈的创新扩散滞后分析

表8 反映了六个都市圈对外扩散最小的3 项滞后。2020 年，上海大都市圈对外扩散最小的3个滞后为上海大都市圈对南京、温州和合肥的扩散，分别为0.68 年、0.71 年和0.72 年，且邻近性为关系邻近性和地理邻近性，其中，温州和合肥与上海大都市圈的空间距离较南京远。2020 年，南京都市圈对外扩散滞后最小的3 个滞后为南京都市圈对上海和苏州的扩散，分别为0.63 年、0.64 年和0.64 年，且邻近性为认知邻近性、认知* 关系邻近性。2020 年，苏锡常都市圈对外扩散滞后最小的3 个滞后为苏锡常都市圈对上海的扩散，分别为0.67 年、0.70 年和0.86 年，且邻近性为认知邻近性、认知*关系邻近性、技术*关系邻近性。2020 年，杭州都市圈对外扩散滞后最小的3 个滞后为杭州都市圈对上海和苏州的扩散，分别为0.62 年、0.63 年和0.65 年，且邻近性为认知邻近性、认知*关系邻近性。2020 年，宁波都市圈对外扩散滞后最小的3 个滞后为宁波都市圈对南京、阜阳和上海的扩散，分别为0.80 年、0.83 年和0.84 年，且邻近性为技术邻近性。2020 年，合肥都市圈对外扩散滞后最小的3 个滞后为合肥都市圈对嘉兴、上海和杭州的扩散，分别为0.48 年、0.49年和0.51 年，且邻近性为技术*地理邻近性。

表8 2020 年六个都市圈对外扩散最小的3 项滞后

在上海大都市圈→南京、上海大都市圈→温州的扩散过程中，地理邻近性侧的扩散滞后较小；在宁波都市圈→南京、宁波都市圈→阜阳、宁波都市圈→上海的扩散过程中，地理邻近性侧的扩散滞后较小；在合肥都市圈→嘉兴、宁波都市圈→上海、宁波都市圈→杭州的扩散过程中，技术*地理邻近性侧的扩散滞后较小。同时，结合MLE 估计结果可知，当地理邻近性、技术邻近性以及技术*地理邻近性水平越低时，上海、宁波和合肥都市圈的创新扩散速度越快。而在其他扩散中，认知邻近性和关系邻近性水平越高，扩散滞后速度越快。这说明，在上海大都市圈、宁波都市圈和合肥都市圈的创新扩散过程中，由于过高的技术邻近性水平，导致主客体间扩散需求较少，产生了技术路径依赖与锁定的负面效应[31-32]，降低了创新扩散速度，而地理邻近性水平越高，“拥挤效应”越明显，并且还会带来激烈竞争[33]，削弱扩散成效，不利于创新扩散。如果技术邻近性和地理邻近性水平同时较高时，会增加创新扩散障碍，加剧创新扩散的难度，不利于创新扩散。

（四）都市圈的创新合作数量分析

2020 年，创新合作数量最多的是南京都市圈，合作数量为2416 项专利，其次是上海大都市圈、苏锡常都市圈、杭州都市圈，分别为1723、1976、1162 项专利，最后是宁波都市圈和合肥都市圈，分别为698、678 项专利。上海大都市圈对南京合作创新合作数量最多，分别为869 和361项专利。南京都市圈对上海和苏州创新合作数量最多，分别为775 和372 项专利。苏锡常都市圈对上海和南京创新合作数量最多，分别为762 和658项专利。杭州都市圈对上海和宁波创新合作数量最多，分别为390 和239 项专利。宁波都市圈对上海和杭州创新合作数量最多，分别为227 和222项专利。合肥都市圈对上海和南京创新合作数量最多，分别为273 和193 项专利。图5 反映了1985——2019 年长三角地区六个都市圈的专利在2020 年合作数量的情况。由图5 可以看出，六个都市圈与宿迁、丽水、亳州等城市的合作数量较少，而创新合作数量最多的城市主要集中在上海、南京、苏州、杭州等都市圈的核心城市。同时，出现了与都市圈的空间距离越近，合作数量越多的现象。这说明都市圈的创新合作存在着“核心——边缘”的空间结构。

图5 2020 年长三角六个都市圈的创新合作数量

五、结论和启示

（一）结论

不同的邻近性对长三角地区六个都市圈的创新扩散的影响不同。认知邻近性、认知*地理邻近性、认知*关系邻近性均显著地促进了六个都市圈的创新扩散；关系邻近性、技术*关系邻近性显著地促进了除合肥都市圈以外的其他五个都市圈的创新扩散；认知和技术邻近性显著地促进了除苏锡常都市圈以外的其他五个都市圈的创新扩散；技术邻近性以及技术*地理邻近性分别在5%和1%的显著水平上对合肥都市圈的创新扩散呈显著的负向影响；其他邻近性对长三角地区六个都市圈的创新扩散的影响均不显著。这表明，认知邻近性和关系邻近性能够显著地影响长三角六个都市圈的创新扩散，而技术邻近性和地理邻近性对长三角六个都市圈的创新扩散影响较弱，甚至负向影响了部分都市圈的创新扩散。

2020 年，六个都市圈的创新扩散数量和合作数量最多是上海大都市圈和南京都市圈，其次是苏锡常都市圈、杭州都市圈，扩散数量最少的是宁波都市圈和合肥都市圈。六个都市圈对宿迁、丽水、池州等城市的扩散数量较少，接受创新扩散数量最多的城市主要集中在南京、苏州、杭州、合肥等城市；六个都市圈与宿迁、池州等城市的合作数量较少，而与六个都市圈创新合作数量最多的城市主要集中在上海、南京、苏州、杭州等城市。这说明都市圈的创新扩散和创新合作存在着“核心——边缘”的空间结构。当地理邻近性、技术邻近性水平越低时，上海大都市圈、宁波都市圈和合肥都市圈的创新扩散速度越快；当技术邻近性水平越低时，宁波都市圈的创新扩散速度越快。在六个都市圈扩散中，认知邻近性和关系邻近性水平越高，扩散滞后速度越快。

从六个都市圈的创新扩散数量、创新扩散速度和创新合作数量可以看出，上海大都市圈和南京都市圈在长三角创新一体化发展中起着举足轻重的作用，并且在长三角地区六个都市圈的创新扩散和创新合作中，认知、关系显著地影响了六个都市圈的创新扩散。这说明了都市圈的创新扩散受到更深层次因素的影响，并且高水平的认知邻近性和关系邻近性水平可以加强都市圈对长三角地区创新一体化发展的引领作用。

（二）启示

基于以上结论，本文得到都市圈引领区域创新发展的启示，具体如下：

第一，组建创新交流平台，积极推进与都市圈的创新合作，加强都市圈——城市创新合作。搭建都市圈——城市创新交流平台，定期举办创新交流会议，展示和交流前沿的创新信息，鼓励各城市结合自身创新资源特征和创新发展优势，确定未来创新发展方向。搭建创新合作渠道，完善创新合作各项机制和制度，为都市圈——城市的交流合作提供便利。鼓励企业、科研机构和大学参与都市圈创新合作，汇聚不同参与方的创新能力，发挥双方创新优势，形成“1+1＞2”的效果，共同推进区域创新发展。为都市圈——城市创新合作提供资金、技术、场所等要素支持，保障创新合作能够顺利进行。

第二，明确创新优势，积极嵌入创新网络。城市明确自身创新优势，确定创新发展方向，积极参与创新网络建设，强化自身在网络中的作用，提升自身创新的发展，扩大自身创新的影响力。积极嵌入创新网络，通过创新网络持续获取创新发展所需资源和信息，并且由此激发自身创新的快速高效发展。加强与都市圈——城市创新交流合作，积极获取先进创新，通过创新网络获取自身发展的先进创新，补足自身创新发展短板。同时，通过创新网络快速扩散自身的创新，发挥自身创新影响力。

第三，完善创新网络建设，加强都市圈的创新引领作用。加快建设创新网络步伐，积极吸纳各城市加入，不断完善创新建设，形成紧密的创新网络。推动都市圈——城市创新协调发展，避免出现激烈竞争、无序竞争甚至是虹吸效应。同时，协调各城市创新资源的投入，激发各城市创新优势，形成创新发展的合力，共同推动区域创新发展，提高创新水平。推动创新要素在都市圈——城市间高效流动，避免要素流动停滞，并确保创新能够自由流动，保证各方能够及时获取自身发展所需创新。