多维邻近性对技术创新合作绩效的影响效应——以长江中游城市群合作网络为例

徐 莹，邹 芳，姜李丹，张 琳，黄 颖

（1.湖南大学公共管理学院，湖南长沙 410082；2.北京邮电大学经济管理学院，北京 100876；3.武汉大学信息管理学院，湖北武汉 430072；4.武汉大学科教管理与评价中心，湖北武汉 430072）

《国家中长期科学和技术发展规划纲要（2006—2020 年）》明确提出要建设各具特色和优势的区域创新体系，增强科技创新对区域经济社会发展的支撑力度。《“十三五”国家科技创新规划》明确提出围绕拓展创新发展空间，统筹国内国际两个大局。中国已将推动创新型城市发展与城市群技术创新合作网络建设提到了前所未有的战略高度。

纵观全球，随着城市聚集以及随之产生的成熟吸引力，各国正在争取发展具备国际影响力与竞争力的城市群。美国提出要在2050 年打造11 个超级都市圈，这些区域将凭借覆盖美国26%的国土面积，占据74%的人口［1］。日本自20 世纪50 年代便开始在太平洋沿岸规划建设城市群，逐渐形成了由十多个大小城市群组成的庞大城市群。由于欧洲地域特征和国家分布的密集性，更是在不同国家之间也形成了具有影响力的城市群。纵观中国城市群发展轨迹，目前已有的19 个不同规模的城市群，凭借占据中国1/4 的土地和拥有中国3/4 的人口，为中国GDP 贡献了近九成的力量［2］。这些城市群在经济和科技等各方面的优异表现决定它们将为区域协调发展承担更重的责任，也将为中国创新驱动发展战略的实施提供更大的动力。

城市群技术创新合作网络不仅能够展现个体城市的创新活动与创新能力，更以联系的视角看待城市与城市之间的创新合作与影响机制；能够统筹调度区域创新资源，减少资源浪费，使得资源效益最大化；能够协调城市群内产业与经济发展的侧重与水平，驱动区域创新协同发展。技术创新合作网络的结构特征演化及其影响是城市群研究的基本内容和重要内容，能够从整体和局部的视角为我们提供城市技术创新发展的概况并对掌握其发展演化轨迹提供清晰的认知。先前针对城市群的研究大多关注于长三角、京津冀、珠三角等发展水平较高的东部地区，较少涉及内陆地区。长江中游城市群同属国内五大最具发展潜力的城市群之一，且正处于快速发展期，在地域上连东西、穿南北，对于构建中部崛起战略起到关键支撑作用，然而现有研究对长江中游城市群的关注度以及城市群建设规划的发展落实仍与设想存在一定差距。本文从长江中游城市群入手，通过构建技术创新合作网络分析体系在一定程度上补充完善了中部地区的研究记录与探索。

具体而言，本文关注如下两个问题：其一，长江中游城市群技术创新合作网络的结构特征如何？从整体网络和个体网络两个视角入手，构建长江中游城市群技术创新合作网络结构特征测度体系并分析其演化状态。其二，影响长江中游城市群技术创新合作绩效的因素是什么？在综合分析了影响城市群技术创新合作绩效的主要理论因素的基础上，采用负二项回归模型实证测度了邻近性因素对长江中游城市群技术创新合作绩效的影响，并结合现实背景进行分析与讨论。

1 理论基础与研究假设

1.1 城市群技术创新合作网络结构的特征

网络结构特征是社会网络分析的基本内容和基本方法，对城市群技术创新合作网络的探究得到了许多学者的支持。周灿等［3］基于“网络资本”视角刻画中国城市创新合作网络结构，认为中国城市创新合作网络具有小世界特征和择优连接性，城市地位空间分布与城市创新能力一致，且网络结构以及由此产生的网络结构资本将影响城市创新能力。周灿等人［4］从本地和跨界多维空间尺度，刻画长三角城市群创新合作网络结构，测度城市创新合作网络地位，评价城市创新能力，进而对城市创新模式进行划分。马静等人［5］借助285 个城市的专利数据衡量其创新产出水平，发现中国城市创新空间分布集聚在沿海大城市群内，一些中西部城市正在发挥自身优异的辐射效应；而创新要素在不同梯度地区之间流动使得中西部城市也受到了溢出效应的激励，这也从侧面印证了国家在一定范围内对中西部的政策引导与资源倾斜是符合整体发展需求的。基于创新合作网络视角，唐建荣等人［6］将长三角城市群创新合作网络作为研究主体，探讨了网络密度、多位中心性和块模型结构特征，发现长三角处于多核心的发展状态。城市群技术创新合作网络结构的特征研究主要基于社会网络方法从知识、技术、信息等资源流动角度，对涉及网络密度、中心性、子群模型等内容展开论述。

1.2 城市群技术创新合作绩效的影响因素

通过梳理现有相关研究文献，发现技术创新合作绩效的影响因素主要包括以下四类：网络效应［7］、社会政治经济属性［8］、邻近性因素［9］，以及多因素综合交互影响［10］。其中，邻近性是研究者们公认度最高、普遍认知较一致的因素，因此，本文将其作为长江中游城市群技术创新合作绩效的影响因素进行实证测度分析。综合考虑各邻近性的内涵以及长江中游城市群数据的可测度性与可获得性，本文重点关注地理邻近性、认知邻近性和制度邻近性对城市群技术创新合作绩效形成的影响。

1.2.1 多维邻近性的独立影响

（1）地理邻近性。城市间的交通成本和交流机会都会受到地理距离的直接影响，过远的地理距离在一定程度上会阻碍城市技术创新合作效果。Petruzzellii［11］发现较低的地理邻近性会产生较高的知识扩散成本和交易成本，影响创新效率。众多研究证明，较高的地理邻近性能够促进高校技术创新合作并提升创新绩效［12］，能够促进图书馆联盟之间的知识流动与传播，提升联盟创新绩效［13］，能够正向促进企业知识获取与创新绩效［14］。然而，当城市间地理位置过于集中，交互学习和创新效率会严重下滑［15］。这是因为过度地理邻近使得两地间外部环境过于相似，缺乏技术创新差异化条件，导致疲劳化与消极化关系，不利于城市合作良性发展。由此来看，过高和过低的地理邻近度都不利于城市群技术创新合作绩效的提高，适度的地理邻近距离才能最大化合作绩效。据此，本文提出假设1。

H1：地理邻近与技术创新合作绩效呈倒“U”型关系。

（2）认知邻近性。城市间较高的认知邻近性能够促进二者的有效沟通与交流［16］。知识信息是技术创新的灵感源泉，尤其对于拥有较高技术门槛的技术类别而言，并非所有人都具备技术创新合作的认知基础；相类似的认知邻近性大大拉近了彼此交流合作的距离，减少了因为技术壁垒而造成的阻碍，进而有利于提升城市群技术创新合作绩效。研究发现，组织信任、个人信任、关系承诺与合作绩效之间均呈正相关关系［17］，认知邻近性对技术联盟创新绩效［18］、高技术产业集群创新绩效和产学协同创新绩效皆具有显著的正向影响［19-20］。据此，本文提出假设2。

H2：认知邻近与技术创新合作绩效呈正相关关系。

（3）制度邻近性。城市群技术创新合作网络的发展离不开社会环境这个培养皿，必然会受到包括创新环境、文化习俗和政策规划在内的制度属性的影响。由于技术创新政策规划与相关管理规范具有一定客观强制力，对城市内外部活动列出了普适性要求，因此在相同或相似的制度背景下，城市间技术创新活动与合作具备必要的制度基础，在项目交接、合作备案、政企业务等方面的实践操作将更加便利灵活。基于对同类制度的信任，城市间合作交流更加畅达高效［21］。然而，一旦高度制度邻近背景下的城市群体过度聚集，基于有意识的对既得利益和地位的保持维护以及无意识的制度依赖和惯性产生的壁垒，会对集群外部城市产生排挤效应，降低技术创新合作的可能［22］。长江中游城市群由于其在文化习俗和人文惯例等方面的高度凝聚，城市间制度邻近性较为集中，据此，本文提出假设3。

H3：制度邻近与技术创新合作绩效呈负相关关系。

1.2.2 多维邻近性的交互影响

（1）地理邻近与认知邻近的交互作用。城市间在地理距离上更接近，两地间进行技术交流与资源共享的方式将会更加丰富灵活，能够降低交往的成本和风险，有利于产生更多频的技术创新合作行为，而这种优势基于一定的认知共识［23］。在城市群技术创新合作网络中，过远的地理距离缩小了获取异质性知识的范围，阻碍了认知邻近作用的发挥［24］；而较高的地理邻近性便利了城市间吸收异质性知识的渠道，映射了认知邻近性的提升［25］。因此，两者的交互作用将促进创新合作绩效。据此，本文提出假设4。

H4：地理邻近和认知邻近的交互作用正向促进技术创新合作绩效。

（2）地理邻近与制度邻近的交互作用。由于地理位置带来的天然便利性，拥有相类似文化背景和制度环境的城市更容易在地理空间上聚集。中国的行政区划制度明显体现出距离优势的发挥，包括对文化偏好、风土人情和惯例习俗的同类认可。Broekel 等［26］认为地理邻近作为邻近性理论的基础，对制度邻近性是有影响的。然而在城市群技术创新合作网络中，当两地地理距离较为邻近时，并不代表两地拥有较高的制度邻近性；同样从行政区划来看，分属于两个省域交界处的邻近城市具备不同的地方制度导向。因此，地理邻近和制度邻近相辅相成却又差异发展，对技术创新合作具有积极意义。据此，本文提出假设5。

H5：地理邻近与制度邻近的交互作用正向促进技术创新合作绩效。

（3）认知邻近与制度邻近的交互作用。城市并非独立存在，而是与周边环境共生互融，并受到周遭认知基础和制度环境及其交互效应的深远影响。认知是技术创新合作的知识基础，在选择创新方向与创新路径时将产生隐性与显性的导向作用。基于对技术创新的相似认知与理解，人们更容易进行交流合作，而伴随相类似的制度规范与文化惯例，城市间的交往将会更加便利快捷，为其创造肥沃的生长土壤。因此，城市间的认知邻近与制度邻近互为保障和依赖。据此，本文提出假设6。

H6：认知邻近与制度邻近的交互作用正向促进技术创新合作绩效。

2 变量定义与模型构建

2.1 变量定义与测度

2.1.1 因变量

本文将借助长江中游城市群客观数据考察影响其技术创新合作网络的因素，基于以上分析，选取三类邻近性探究其对技术创新合作绩效的影响作用过程，即为探究对以联合授权专利为表征的技术创新合作绩效的影响。现有文献中，对技术创新合作绩效的衡量有多种方式，其中专利数据由于具有客观性、可靠性和易获取性等优点，且包含丰富的技术信息，被广泛使用于各类研究中。因此，本文最终选取专利数据测度技术创新合作绩效。由于授权专利表示专利已具备相应法律效应，其创造性价值获得审查认可，所以一定程度上更能够代表城市间的创新绩效，因此本文采用城市间合作专利授权数量表征技术创新合作绩效。

2.1.2 自变量

（1）地理邻近性。地理邻近性测度一般涉及以下三种内涵：两个城市之间的直线距离、两个城市之间的最短公路距离、两个城市之间的最短交通时间距离。由于直线距离过于在乎两个城市之间的直接数值距离，忽略了交通可达性等现实因素，而城市间最短公路距离较难确认，在操作上缺少精确性，本文选择两个城市之间的最短铁路交通运输时间来测度地理邻近性，通过12306 官方网站查询各城市之间的铁路交通路线，并按照时间升序排列，最短耗时作为城市地理邻近性测度数据。

（2）认知邻近性。认知邻近性的测度方法通常包括以下三种：1）利用两个城市之间的产业结构相似系数衡量认知邻近性；2）依据两个城市之间专利结构的相似系数，即技术结构相似系数来衡量认知邻近性；3）同时考虑两个城市的产业结构以及技术结构相似系数。本文基于已有研究与现实效果，采用第三种综合算法进行测度。

首先，对产业结构相似系数进行测度。本文选择联合国工业发展组织国际工业研究中心提出的相似系数法来衡量［27］。具体表达式为：

其次，测度技术结构相似系数。本文选择专利授权数量作为测度技术结构相似系数的数据。具体表达式为：

最终，认知邻近性的表达式为：

（3）制度邻近性。单纯依靠行政区划进行非此即彼的制度邻近性测度过于粗糙。对现代城市来说，制度邻近性意味着一致的经济政策和相似的投资经营环境，突出表现为地方保护程度（degree of local protection，DLP）和市场化程度（degree of marketization，DM）的相似性［28］。由于2010 年后的市场化指数无法获得，因此本文从地方保护程度方面进行考察。市场分割程度将影响创新要素的流动［27］，对于地方保护程度的测度，可以借助城市间零售价格差异反映市场分割程度。表达式为：

其中，Pi和Pj分别表示城市i和j的零售价格。通过收集各地统计年鉴中的“地区商品零售价格分类指数”获得。

2.1.3 控制变量

由于城市经济水平、教育水平和科技水平在技术创新合作网络中发挥的突出作用，本文选取经济发展规模、教育发展水平和科技发展能力三个指标作为回归分析的控制变量，其内涵分别为城市人均生产总值、教育经费支出和发明专利授权量，在一定程度上能够对指标具有代表性与说服力，也与普遍认知和客观事实相符。计算具体指标值时所采用的原始数据主要来源于各个城市的统计年鉴或者经济年鉴以及《中国城市统计年鉴》等。

因变量、自变量和控制变量的具体符号及涵义详见表1。

表1 变量及涵义

2.2 模型构建

由于本文因变量的表征指标——城市间联合授权专利为非负整数，因此更适合离散计数模型。常用的基本离散计数模型有泊松回归模型和负二项回归模型两种。通过描述统计可以发现本文数据的平均值与标准差存在较大差异，因此更适合采用负二项回归模型。模型的具体表达式如下：

3 实证分析

城市群技术创新合作网络刻画了合作网络结构特征，聚焦于分析技术创新合作网络的空间和拓扑结构特征及其时空动态演变过程。本文根据授权专利数据，基于各城市参与协同创新的频次以及合作关系的紧密程度，构建长江中游城市群技术创新合作网络，并从整体和个别网络两个维度对节点城市的创新合作状态进行分析。

3.1 数据获取与界定

本文选择长江中游城市群31 个城市作为研究单元，涉及湖北武汉、黄石、荆门、鄂州、荆州、黄冈、襄阳、孝感、咸宁、宜昌、仙桃、潜江、天门，湖南长沙、株洲、湘潭、衡阳、岳阳、娄底、益阳、常德，江西南昌、萍乡、九江、宜春、鹰潭、景德镇、新余、上饶及抚州、吉安的部分县（区）。

本文选择2000—2019 年31 个城市的授权专利作为构建城市间技术创新合作关系的联结基础，主要是因为专利在研究分析中的优异表现。一是专利与创新存在高度相关性［29］，被认为是创新与技术变革的重要来源［30］，且已有大量研究采用专利数据作为评估技术创新的依据［31-32］，对专利数据的可靠性进行了科学证明。二是从地理布局看，专利发明主要发生在城市中［33-34］，它能够体现并代表城市区域范围内知识技术的产出水平。借助专利所包含的地理空间分布信息，能够定位城市群的技术创新程度［35］。三是基于专利数据的强大内容构建了世界公认的分类体系与获取渠道，能够便捷获取精准可靠的专利数据，有利于实践操作与知识交流共享合作。

本文选择德温特创新平台（Derwent Innovation）获取专利数据源，采用专利授权数量作为技术创新产出的指标来分析长江中游城市群技术创新合作网络的空间分布情况，公开（公告）日为时间单位，专利范围为中国（不含港澳台地区）授权专利。

截至2020 年12 月19 日检索获得2000—2019年期间授权的172 522 条专利数据，通过剔除个人专利权人等没有包含地址信息的数据、对每个城市数据进行查找分组、规范统一城市地址信息等清洗工作后，共有138 694 条专利数据，并借助专利联合授权关系构建长江中游城市群技术创新合作网络。

3.2 城市群整体技术创新合作网络结构

3.2.1 专利数量演化趋势

长江中游城市群31 个城市历年授权专利数量趋势如图1 所示，排名前四的武汉、长沙、株洲和南昌以黑色线条与主纵坐标表示，其余城市以灰色线条与次纵坐标表示。总体来看，湖北省会武汉以59 157 件专利位居第一，湖南省会长沙则以31 703件专利紧随其后，而江西省会南昌则以6 945 件专利排名第四。2000 件专利以上的城市有十个，其中，有五个属于湖南省，有四个属于湖北省，有一个属于江西省。2008 年以前，各城市仍保持着较低的专利数量，武汉成为拥有授权专利最多的城市，但总体差距不大，处于较为平稳的发展态势。从2008 年开始，各城市授权专利数量都有了明显的提升，尤其是武汉和长沙两个城市，发展势头凶猛；从2015年开始，更是上一层楼，发展前景看好；其中在2019 年，武汉已达到11 634 件专利，遥遥领先于其他城市；长沙已拥有4 897 件专利。株洲和南昌的专利数量也较为亮眼，技术创新能力可见一斑。另外值得注意的是，2015 年间，曾有过一次整体授权专利数量明显提升的阶段，这可能与《长江中游城市群发展规划》的发布存在密切关系。

图1 2000—2019 年长江中游城市群历年授权专利数量趋势

3.2.2 城市合作网络演化

专利联合申请是提高创新产出、提升创新水平的重要手段。本文依据专利联合授权数据绘制了长江中游城市群在2000—2019 年全时段分阶段的技术合作网络（见图2）。其中，节点大小表示城市的合作度数中心度，即与该城市存在合作的城市数量；连线的粗细程度表示城市之间的合作强度，以合作专利数量来衡量；相同颜色表示同属于一个城市子群。

图2 2000—2019 年长江中游城市群技术创新合作网络图谱

从动态视角而言，在2000—2004 年间仅主要城市之间存在明显的技术合作现象，较明显的有武汉与黄石、长沙与株洲、南昌与抚州。随后，技术合作现象开始逐渐增多，但基本上还是保持在低速增长阶段，合作数量也比较少。2010 年以后，技术合作的范围进一步加大，网络规模因网络节点的增长而不断变大，网络规模因不断有新的节点的出现而呈现出不断蔓延的状态。2000—2019 年间，城市之间的技术合作关系明显加强，技术合作网络更多地表现在已有节点之间合作现象的频发，网络规模更多的因新连接的出现而不断扩大。以武汉和长沙为首的主要城市表现突出，在合作规模和合作强度上起到了重要的辐射作用。

从静态视角而言，在2000—2019 年期间的城市技术合作创新合作网络中，各城市之间大都建立起了技术合作关系，科技创新发明需要不同城市之间进行充分的技术交流，通过优势互补为技术发展创造良好的环境。

从城市的合作范围来看，武汉的城市合作范围最为广泛，其次是长沙，南昌、荆门、宜昌和黄石的合作范围也较为广泛。而且这些城市的合作范围不仅包括省内合作，与省外的合作也十分密切。但是明显可以发现，一般情况下省内合作要多于省外合作，这也说明省域内外部的合作受到一定现实客观因素的影响。

从城市的合作强度来看，长沙与本省内的株洲合作关系最强。此外，长沙与本省内的益阳和常德也有着很强的合作关系。其次，武汉与本省内的黄石合作关系最强，而且与本省内的荆门和黄冈也有着很强的合作关系；而武汉授权专利数量位居31 个城市首位，很大程度上也得益于其注重城市之间的交流合作。与江西省会南昌合作最为密切的有景德镇、抚州和鹰潭等城市，注重加强省内城市之间的合作来推动技术创新的发展。而萍乡则成为没有任何合作产生的城市。长江中游城市群技术创新合作网络整体呈现出省内合作关系强、省际合作较弱的特点，省内城市之间较为密切的合作对区域技术发展规模带来了较大贡献。

3.3 城市群技术创新合作绩效的影响因素分析

3.3.1 描述性统计分析

为了了解数据的整体分布与概览，本文借助计量分析软件Stata 对上述收集到的数据进行描述性统计分析，具体情况如表2 所示。通过对长江中游城市群31 个城市进行两两组合，共包含465 对数据观察值。

表2 描述性统计分析结果

表2 （续）

从因变量来看，合作专利授权数量最大值为4 482，最小值为0，平均值为43.837，标准差为323.258。由此可以看出，因变量的平均值和标准差差距较大，数据离散程度较高。从自变量来看，GP均值为0.701，标准差为1.171；CP 均值为0.887，标准差为0.146；IP 均值为0.527，标准差为0.39。GP 标准差较大，说明各地之间地理距离差异较大；GP 和CP 的均值相对较高，说明具备相同制度基础且相似认知基础的城市更容易达成合作；IP 接近均值且比较稳定，说明制度基础相似或不那么相似的城市间都可能存在合作。

3.3.2 模型构建与假设检验

（1）相关关系。为了进一步明晰长江中游城市群技术创新合作绩效模型各变量之间的相互关系，本文借助Stata 进行相关分析，具体结果如表3 所示。

表3 相关系数矩阵

相关关系统计结果显示，自变量与二次项以及交互项有较高的相关性系数，可以通过中心化处理进行调整。地理邻近性及其二次项、交互项与其他变量存在明显的相关关系，且为较紧密的正向相关，说明地理邻近性对于技术创新合作绩效的强烈影响。大部分变量之间呈现正相关关系，普遍呈积极影响态势。因变量、自变量和控制变量之间的相关系数基本小于0.5，不用担心多重共线性的风险。相关关系有正有负，说明彼此之间存在正相关与负相关的复杂关系，尤其以IP 所引发的负相关关系为主；此外大多为显著的正相关关系。各交互项中，GP×CP与因变量有显著的正相关关系，说明了多维邻近性的交互项对技术创新合作绩效存在一定作用，对于实证检验具有效用。控制变量中，代表经济发展规模、教育发展水平和科技发展能力的eco、edu、tec 与因变量存在显著的相关关系，从一定程度上说明了将其纳入到模型的合理性。通过相关性分析，验证了模型设定的合理性。

（2）回归分析。为了实证分析多维邻近性因素对长江中游城市群技术创新合作绩效产生的影响，在设定好的研究假设和已有数据统计结果的基础上，将按照构建好的负二项回归模型进行递阶检验，具体回归分析结果如表4 所示。

表4 负二项回归结果

表4 （续）

模型1 表示所有控制变量对技术创新合作绩效的影响。从回归结果来看，eco、edu、tec 对技术创新合作绩效存在显著的影响。其中，分别代表两个城市在经济、教育、科技方面实力的系数皆为一正一负，这也许说明了在城市之间进行创新合作的时候，彼此之间的实力处于一个此消彼长的状态，综合实力更强的城市将在合作关系中处于相对主导的地位。估计系数都较小，说明控制变量与因变量之间的关联并不紧密，对创新合作的影响较小。综合来看，控制变量对创新合作绩效存在影响作用，说明控制变量的选取是有效的。

模型2 在控制变量的基础上加入了地理邻近性、认知邻近性和制度邻近性的一次项以检验多维邻近性对创新合作绩效的独立效应。据回归结果，GP 和CP 与技术创新合作绩效呈现显著正相关关系（β1=0.899 08，P＜0.01；β2=9.790 50，P＜0.1），说明地理邻近性和认知邻近性对创新合作绩效具有较强的积极影响作用；IP 则呈不显著的负相关关系（β3=-0.861 15，P＞0.1），说明制度邻近性对技术创新合作绩效的影响不明显。因此，假设2 成立，即认知邻近与技术创新合作绩效呈正相关关系。

模型3-1 在控制变量和多维邻近性一次项的基础上加入了地理邻近性、认知邻近性和制度邻近性的二次项以检验多维邻近性对创新合作绩效的独立效应。回归结果显示，GP2与技术创新合作绩效呈显著负相关（β4=-0.391 42，P＜0.01），说明地理邻近性对技术创新合作绩效的拟合作用曲线形似一条开口向下的抛物线。经过计算发现曲线的峰值点为2.734 89，而地理邻近性的最小值和最大值分别为0.06 和10，峰值正处于这个区间范围内，说明地理邻近对创新合作绩效的作用曲线是先上升后下降的，符合倒“U”型发展，即假设1 成立。此时，GP 的均值是0.701，位于峰值点的左侧，说明地理邻近性整体对于技术创新合作绩效的影响作用处于上升态势，能够正向促进技术创新合作网络的发展。CP2与创新合作绩效的相关结果不显著（β5=-29.931 26，P＞0.1）。IP2与创新合作绩效呈显著负相关（β6=-4.302 99，P＜0.5），说明制度邻近性对技术创新合作绩效的拟合作用曲线形似一条开口向下的抛物线。经过计算发现曲线的峰值点为-0.042 87，而制度邻近性的最小值和最大值分别为0 和1.9，处于峰值点的右侧，呈现为一条斜率为负的曲线，因此制度邻近与技术创新合作绩效呈负相关关系，假设3 成立。

模型3-2 在控制变量和多维邻近性一次项的基础上加入了地理邻近性、认知邻近性和制度邻近性的交互项以检验多维邻近性对创新合作绩效的交互效应。回归结果显示，GP×CP 正向促进创新合作绩效，但没有通过显著性检验（β7=0.666 05，P＞0.1）。因此，假设4 不成立。GP×IP 正向促进创新合作绩效，且通过了显著性检验（β8=2.205 42，P＜0.5）。这说明地理邻近性和制度邻近性对创新合作绩效的交互作用显著，假设5 成立。CP×IP 对创新合作绩效是正向促进的，但没有通过10%水平的显著性检验（β9=0.785 08，P＞0.1）。因此，假设6 不成立。

3.3.3 结果分析与讨论

通过模型检验，已经得到本文研究假设的结果，整体情况如表5 所示。为进一步深化对结果的理解，将结合长江中游城市群实际情况加以探析。

表5 假设检验结果

假设H1验证成立，即地理邻近性与技术创新合作绩效呈倒“U”型关系。在长江中游城市群中，合作专利授权数量大于1 000 的组合包含长沙-株洲、长沙-益阳、武汉-黄石、长沙-常德、武汉-荆门、武汉-黄冈，明显都属于省域内部的合作，体现了地理距离上的邻近，给双方的创新活动带来了便利。然而距离越近，并不意味着合作越密切；过度的地理邻近性反而会降低合作效率，比如黄石-黄冈、潜江-仙桃、宜春-新余。

当地理邻近性和认知邻近性进行交互时，理论上来说，适宜的邻近距离能够促进创新合作，然而这一作用并未在长江中游城市群中体现出来。这也许说明了随着通信技术对地理距离的替代，削弱了因距离所产生的交流障碍，而区域内产业与技术结构的相似度较高，带来了技术创新同质化问题。因此，地理邻近性和认知邻近性的交互影响并未对技术创新合作产生明显促进作用。假设H4验证不成立，即地理邻近性和认知邻近性的交互作用不明显。

假设H2验证成立，即认知邻近性对创新合作绩效具有正向促进作用。在长江中游城市群中，认知距离较邻近的长沙-株洲、长沙-益阳、武汉-黄石等城市保持一个较为紧密的技术创新合作关系。由于两地间在涉及到产业结构和技术结构等方面的内容具备一定的共识基础，所以更加容易形成技术创新合作。因此，可以借助更多的技术交流和共建共享平台加强并维持和巩固对于认知的共识。

当认知邻近性与制度邻近性进行交互时，他们分别与技术创新合作绩效呈正相关和负相关关系，因此在一正一负的影响下，其交互效应并不显著，假设H6验证不成立。

假设H3验证成立，即制度邻近性与技术创新合作绩效呈负相关关系。长江中游城市群整体制度邻近性聚集，对城市间进行技术创新合作产生了消极影响，如宜春-新余、长沙-咸宁、黄石-黄冈等城市在高度邻近的制度环境下并未产生合作行为。

当地理邻近性与制度邻近性进行交互时，可以发现相较于其独立作用，交互影响的地理邻近和认知邻近的系数远大于前者，且单独的制度邻近性未具有显著效应，说明其交互作用大于其独立作用。受交互作用明显的城市包括武汉-鄂州、长沙-湘潭、南昌-抚州，随着便利可达的地理距离带来的正向促进，制度环境带来的政策规划和人文习俗等各方面有了更好的作用空间，因此交互产生的影响作用能够更大程度地促进技术创新合作绩效的发展和提升。假设H5验证成立，即地理邻近性与制度邻近性的交互作用正向促进创新合作绩效。

4 结论与讨论

长江中游城市群连接东西、贯穿南北，是国家实施中部崛起战略的重要一环。受囿于地区发展水平等现实因素，城市群技术创新能力还有较大发展空间，合作网络也还未成体系。本文受有关理论探讨和实践需求的启发，围绕长江中游城市群技术创新合作网络的两个关键研究问题，以专利文献这一重要技术信息数据源为基础，提出一套全面且系统可行的城市群技术创新合作网络结构特征识别与影响因素分析模型。

从网络结构来看：（1）2000—2019 年间，长江中游城市群技术创新合作网络在网络规模、网络密度等方面得到量与质的提升，尤其是2015 年之后，整个城市群内技术合作范围与强度增长明显。这一时机正逢《长江中游城市群发展规划》发布，因此，区域技术合作具备现实需求与政策支持。（2）长江中游城市群技术创新合作网络整体呈现出省内合作关系强、省际合作较弱的特点，省内城市之间合作密切对区域技术创新发展规模带来了较大贡献。其中三省省会城市——武汉、长沙和南昌的技术创新合作表现突出，在长江中游城市群技术创新合作网络中，处于网络的核心，拥有较大的影响力和权力并能够控制其他城市，地位非常重要。（3）在长江中游城市群技术创新合作网络中，因为区域范围以及自身技术创新能力和发展水平的局限性，仅有少部分城市能够承担“中间人”的职责。区域内“中间人”比较缺失，使得城市间进行技术创新合作的间接路径距离拉长，阻碍了知识信息资金等传播的效能，耗费了更多创新成本，在一定程度上降低了合作意愿。

长江中游城市群涉及鄂、湘、赣三省，三个省会城市武汉、长沙、南昌以不足整个城市群1/10 的面积，占据长江中游城市群超过1/3 的经济总量、近1/5 的人口，在整个城市群中，占据着举足轻重的地位［36］，因此，相当数量的技术创新活动皆是以这些城市为出发点、连接点。这一方面体现了区域内部呈梯度分布的创新活力与影响力，可以借助这些力量带动和激活内部交流连接；另一方面，当梯度势差过大反而会削弱头部城市与其他城市的创新合作，因为资金、人才和配套设施等资源会受到市场驱动自发向头部城市倾斜，加剧马太效应，无法达成双向促进的良性循环。因此，如何实现区域资源配置最大化，使得有益的梯度势差控制在合理范围内，将为促进区域内协调发展提供布局补充。

从影响因素来看：（1）地理邻近性与技术创新合作绩效呈倒“U”型关系，邻近性对创新合作绩效的作用曲线是先上升后下降的，且此时地理邻近性整体对于长江中游城市群技术创新合作绩效的影响作用处于上升态势，能够正向促进技术创新合作网络的发展。认知邻近性对技术创新合作绩效具有正向促进作用；制度邻近性与技术创新合作绩效呈负相关关系。（2）地理邻近性与制度邻近性存在交互影响，二者的交互作用正向促进创新合作绩效，但作用系数较小；而二者交互作用大于其独立作用，说明两相叠加，形成“1+1＞2”的优势。地理邻近性和认知邻近性、认知邻近性与制度邻近性的交互作用对创新合作绩效的影响作用不显著。

长江中游城市群正处于长江经济带三大城市群之间、长江的中端，是上下游畅达的重要条件。武汉更是古有“九省通衢”的美称，连东西、穿南北，是重要的交通枢纽，凭借便利可达的交通路径，武汉在整个城市群中的经济、政治地位都占据较大优势。从内部交通可达性来看，铁路建设还存在断联，尤其是区位较偏远的城市或者县级市，还处在交通不便、与其他城市地理邻近较低的状态。长江中游城市群省域内部合作联系强于省际间联系，省域内部在地理距离的邻近基础上，伴随着与之相呼应的认知共识与制度共建，因此要利用好制度邻近性的天然纽带，在便利的文化和政策基础上构建紧密合作。