城市间科研合作网络结构特性与生成研究

张 萃，冯雄金

(暨南大学经济学院，广东 广州 510632)

作为提升科学研究水平的一个重要途径，科研合作已成为国内外学者关注的重要论题。学者运用社会网络分析工具，基于专利、论文、合作研发等现实数据，分别就欧洲、美国、东亚地区间研发网络的地理分布[1-3]、知识在地区间的扩散[4-5]、跨区域网络中心度的影响因素[6]、科研合作网络的结构特征[7-8]等问题展开一系列实证研究。张萃等[9]、顾伟男等[10]基于科研合作论文数据，对国家间所形成的国际科研合作网络结构及其影响因素进行研究。有关国内科研合作论题，近几年引起学者们的关注，主要集中在对特定城市指标测度与评价上。其中，周密等[11]、胡艳等[12]、马海涛等[13]、马妍等[14]、段德忠等[15]、周灿等[16]基于科研合作论文和专利数据研究京津冀、长三角、粤港澳大湾区城市群内部、海峡西岸经济区以及全国地级市之间的创新关联与结构。李丹丹等[17]利用合作论文和共同申请专利数据研究中国生物技术领域城市间科学知识网络和技术知识网络。赵程程[18]基于专利信息研究人工智能领域创新网络图谱。

近年来，城市科学研究创新模式发生根本性改变，一个重要特征就是社会网络在知识创造过程中发挥日益重要的作用，各城市间的科研合作越来越频繁。鉴于这一现实，本文以中国地级及以上城市单元为空间尺度，从Web of Science核心合集数据库中手工整理2019年所有城市间合作论文数据，构建城市间科研合作网络。在此基础上，运用社会网络指标对城市间科研合作网络结构特征进行多维度评价与考察。与此同时，利用二次指派程序 (Quadratic Assignment Procedure，QAP)非参数估计方法，对城市间科研合作网络生成的影响因素展开实证研究。

本文的贡献主要体现在3个方面。①虽然现有文献对中国科研合作问题展开一系列有益研究，但主要集中在指标测度与评价方面，对于科研合作网络生成因素的实证研究却十分鲜见。本文通过构建矩阵模型，利用QAP非参数估计方法，对该问题进行研究，以丰富和补充现有研究。②有关城市间科研合作的现有文献研究主要集中在长三角或珠三角局部区域空间层面，本文从整体层面切入研究所有城市之间的科研合作问题，更全面地反映科研合作的整体性和全局性。③现有关于城市群科研合作的研究大都以孤立的视角展开，对于三大城市群之间的联系问题关注不多。本文首次构建衡量城市群内部和城市群之间的科研联系邻近度指标，对三大城市群内部与三者之间的科研合作一体化程度进行系统考察，以弥补现有研究的缺失。

1.1 城市间科研合作网络构建

现有文献通常使用合作论文来衡量科研合作，合作论文数据具有样本量大、客观、结论更有意义和说服性[9]。因此，本文采用合作论文数来衡量城市间的科研合作。具体讲，Web of Science核心合集数据库收录了1.8万余种世界权威、高影响力的学术期刊，是研究活动最全面和可靠的信息来源之一。本文以中国地级及以上城市单元为空间尺度，根据Web of Science核心合集数据库中城市字段标识CI，检索式为：CI=城市1 and CI=城市2，语种选择Alllanguages，文献类型选择Article，对城市间的合作论文数进行检索。对于少数拼音名相同的城市，检索时加上省份信息。在此基础上，统计构建297×297城市间论文合作矩阵，对角线上的元素赋值0，非对角线上的元素对应两两城市间的合作论文数量。同时，借助社会网络分析软件Pajek和VOSviewer软件，绘制中国城市间的科研合作网络结构图，从而使评价指标可视化，便于理解科研合作规律。由于城市间的科研合作是建立在互惠互助基础上，合作关系是相互的，故科研合作网络是无向网络。

基于Pajek和VOSviewer软件绘制的城市间科研合作网络层级结构如图1所示。由图1可见，城市间科研合作网络呈现明显的 “核心-外围”多级分层结构特征。北京位于第一层级。上海、南京、广州、武汉、西安等城市位于第二层级。第一层级和第二层级的节点是中国城市间科研合作网络的核心节点和枢纽。第三层级和第四层级分别有64个和99个城市，属于半边缘城市，这些城市是中国城市间科研合作网络的重要城市，与第一层级和第二层级的城市存在着较为密切的科研合作联系，但与边缘城市联系较少。第五层级城市属于科研合作网络的边缘城市，共115个，这些城市处于中国城市间科研合作网络的边缘，扮演着附属角色，彼此之间的联系数量较少。

究其原因，中国城市间科研合作网络所形成的上述 “核心-外围”结构特征与研发教育资源分布不平衡有关。高等院校是科研合作的重要主体。北京是中国科教资源的中心，集聚众多 “985”和 “211”高水平大学，具有全国性和世界性的影响力。紧随其后的上海、南京、广州和武汉等城市也集聚众多高水平大学，科教资源主要集中在直辖市和省会城市，而其余地级市区位不占优，高等教育资源相对匮乏、资源有限，从而形成多级分层的结构特征。

图1 中国城市间科研合作网络层级结构

1.2 网络结构特征的多维度指标分析

在上述城市间科研合作网络基础上，进一步运用社会网络评价指标，从城市个体网络结构、整体网络结构和块模型角度，对中国城市间科研合作网络的结构特征进行全面系统测度与考察。

(1)中心度指标是考察各城市在中国科研合作网络中的位置和相对重要性最直接的指标。该指标可以分为度数中心度、中间中心度和接近中心度。度数中心度是一个比较简单的指标，城市A的度数中心度就是直接与城市A相连的其他城市的个数，反映出城市间科研合作的连接程度。公式为：

(1)

式中，KA是城市A的度数中心度，N代表科研合作网络中的297个节点城市，aAB代表城市A与城市B是否有科研合作关系，有则为1，否则为0。而对于加权城市间科研合作网络，进一步构建出加权度数中心度，公式为：

WKA=∑B∈NwABaAB

(2)

式中，WKA是城市A的加权度数中心度，wAB是城市A与城市B的科研论文合作数。

中间中心度衡量的是城市充当中介的作用。中间中心度越大，表明节点城市控制科研合作网络的能力越强。公式为：

(3)

式中，N与前面一致，代表城市个数。SBZ(A)=gBZ(A)/gBZ，gBZ(A)是节点城市B和Z之间存在经过第三个节点城市A的捷径数目，SBZ(A)表示的就是节点城市A处于节点城市B和节点城市Z之间捷径上的概率。

接近中心度衡量的是一个节点城市通过较短的路径与许多其他节点城市相连，则该节点城市在传递信息方面就更容易，于是该节点城市具有较高的接近中心度。公式为：

(4)

式中，N与前面一致，代表城市个数，dAB是节点城市A与节点城市B之间的捷径距离。

基于上述中心度指标，借助Ucinet软件对城市间科研合作网络的节点中心度进行测度，结果见表1。从度数中心度和加权度数中心度看，北京、上海、南京、广州和武汉等城市是城市间科研合作网络的中心，这些城市科研要素集聚、知识溢出能力强，与许多城市有科研合作关系。其中，北京的度数中心度和加权度数中心度高达282和89354，位居城市科研合作之首。从中间中心度和接近中心度看，北京、上海、广州、武汉、西安、成都、南京和重庆都在前十，这些城市是科研合作网络中的必要 “中介”，居主导地位，在整合要素资源和城市间联系方面发挥重要作用。

表1 中心度排名前十的城市

(5)

式中，D是中国城市间科研合作网络的密度，M是城市间科研合作次数，N代表科研合作网络中城市节点个数。科研合作网络密度越大，则表明中国城市间的科研合作关系越紧密。

小世界性通常采用特征路径长度 (Characteris-

tic Path Length)和集聚系数 (Clustering Coefficient)

这两个指标来衡量。特征路径长度指连接任何两个城市之间最短路径的平均长度。集聚系数是一种关于局部城市间科研合作网络指标的测度，采用平均局部密度来计算聚类系数，即：

(6)

其中，NA代表城市A连接的节点城市个数，MA代表由城市A与相邻节点组成的子网络中存在的合作联系数。整体网络集聚系数C是指所有城市节点集聚系数的平均值，表示为：

(7)

基于以上社会网络指标，借助Ucinet软件对城市间科研合作网络进行测度。城市间科研合作网络密度为0.302，低于0.5，表明实际存在的科研合作联系数远低于理论上的最大联系数，从而反映出城市间科研合作网络效率不高的现状。节点平均度值为89.508，表明城市间知识流动相对频繁，合作联系相对密切。城市间科研合作网络特征路径长度为1.699，低于同等规模的随机网络值2.371，具有良好的通达性。集聚系数为0.79，相比同等规模的随机网络值0.052，具有较强的集聚性，呈现小世界性。

(3)运用块模型对中国城市间科研合作网络位置进行分析。具体讲，对于来自位置BL的各个成员关系而言，假设其中有VL个行动者，可以使用 (VL(VL-1)/(VL(V-1))= (VL-1)/(V-1)这个比值作为评价位置内部关系趋势指标。其中，VL(VL-1)为位置BL内部可能具有的关系总数。VL(V-1)为在总体中含有V个行动者，位置BL各个成员所有可能的关系数。这样，基于城市位置内部关系及其位置之间的关系得到4种位置类型。受网络结构特征的影响，在分析同一网络时，4种板块位置类型不一定同时存在，结果见表2。

表2 4类位置类型

根据块模型理论，运用Ucinet中的Concor方法对297个城市划分成若干个板块，根据各板块内部和板块之间的联系关系，可以揭示各板块及其成员在城市间科研合作网络中的角色和作用。具体讲，最大分割深度选择2，收敛标准选择0.2，将297个城市分割成4个板块。各城市板块内外关系用密度矩阵来反映，计算结果见表3。

好。我应了一声，便把“孙东西”三个字签到了那份合同书上，然后，秀红也在合同书上签下了她的名字，这时，她突然说，现在要是有个记者在就好了。

表3 城市间科研合作网络密度矩阵

从板块划分情况看，第一板块包括北京、上海、南京、广州、武汉、西安、杭州等116个城市。第二板块包括成都、深圳、郑州、沈阳、兰州、大连、太原等57个城市。第三板块包括鄂州、哈密、定西、吐鲁番、巴彦淖尔、来宾、嘉峪关等18个城市。第四板块包括黄山、三亚、淮南、中山、四平、抚顺、漳州等106个城市。可以看出，第一和第二板块是科研资源密集城市，板块内部密度较高，第一和第二板块内部密度分别为0.673和0.915。第一和第二板块之间密度值为0.559，表明板块之间的联系较为紧密。相对而言，第三和第四板块的科研资源较为匮乏。

整个网络的密度值为0.302，将密度矩阵中大于0.302的赋值为1，小于0.302的赋值为0，得到像矩阵见表4。可以看出，第一板块内部合作较为紧密，并且与第二板块存在合作关系，内部及外部联系都比较多；
第二板块内部合作也比较紧密，并且与第一板块也有合作关系，内部及外部联系也比较多，与第一板块情况类似。因此，这两个板块属于兼顾型板块。第三和第四板块不管内部还是板块之间的合作联系较低，像矩阵赋值都为0。因此，这两个板块属于孤立型板块。

表4 城市间科研合作网络像矩阵

城市群作为中国主要形态的增长动力源，是国家创新发展的骨架体系和重要支撑。在此过程中，三大城市群之间的科研融合发展对于提高城市群的创新能力、优化资源配置效率和强化对区域创新发展的辐射带动作用，进而对提升中国整体的科技创新水平与效率具有重要意义。因此，本部分将总体样本缩小至这三大城市群，从科研联系邻近度的视角切入，对其科研合作网络的一体化程度进行考察。具体讲，Uzzi等[19]、Schilling等[20]和Breschi等[21]研究指出，网络中的主体如果能够通过相对较少的中介个数来接触到其他主体，表明该网络主体之间具有较高的社会邻近度 (Socially Proximate)。例如，A与B相联、B与C相联、C与D相联，于是A通过B和C两个中介与D相联。A与D之间的社会邻近度显然要低于A与D直接相联。一种具有较高社会邻近度的网络结构是有利于知识的扩散和创造。因此，借鉴Breschi等[21]的做法，构建衡量城市群内部和城市群之间的科研联系邻近度指标，对三大城市群科研合作网络结构特征展开分析，由此考察三者内部与三者之间的科研合作一体化程度。

衡量城市群内部各城市之间科研联系邻近度指标 (Internal Proximity)的计算公式为：

(8)

式中，IPc代表城市群c内部各城市之间的科研联系邻近度，n代表该城市群所包含的城市个数，djk是城市群内城市j与城市k之间的捷径社会距离 (Geodesic Social Distance)，表示的是城市j与城市k建立连接必须经过的最短路径数目，也就是捷径数。当城市群c内部各个城市之间没有科研联系时，该指标取值为0；
当城市群内部各个城市彼此直接相联时，该指标取值为1，表明城市间存在最大的科研联系紧密度和一体化程度。

衡量城市群之间的科研联系邻近度指标 (External Proximity)计算公式为：

(9)

式中，EPc代表城市群c与其他城市群之间的科研联系邻近度，nc代表位于城市群c的城市个数，nh是位于其他城市群的城市个数，djh是位于城市群c的城市j与位于其他城市群的城市h之间的捷径社会距离。该指标衡量本城市群城市与其他城市群城市建立科研联系的紧密程度。当城市群c的各个城市与其他城市群城市之间没有科研合作联系时，该指标取值为0；
当城市群c的每一个城市与其他城市群每一城市之间都存在直接相联时，该指标取值为1，表明城市群之间存在最大的科研联系紧密度和一体化程度。

在上述指标基础上，拓展构建出衡量每一个城市所拥有的城市群内部科研联系邻近度指标：

(10)

式中，IPi代表城市i与所在城市群内部各城市之间的科研联系邻近度，n代表该城市群包含的城市个数，dik是城市i与所在城市群内城市k之间的捷径社会距离。IPi的取值范围是0到1。当城市i与城市群内各个城市之间没有科研合作联系时，该指标取值为0；
当与城市群内部每一个城市都存在直接联系时，表明存在最大的科研联系紧密度，该指标取值为1。

同样，每一个城市与其他城市群城市的科研联系邻近度指标：

(11)

式中，EPi代表城市i与其他城市群城市的科研联系邻近度，nh是位于其他城市群的城市个数，dih是城市i与位于其他城市群的城市h之间的捷径社会距离。EPi的取值范围也是0到1。当城市i与其他城市群城市之间没有科研合作联系时，该指标取值为0；
当与其他城市群每一城市之间都存在直接科研合作联系时，取值为1。

首先利用公式 (8) (9)计算三大城市群内部与三大城市群之间的科研联系邻近度，结果见表5列 (1)～ (3)。就三大城市群内部城市之间的科研联系邻近度而言 (即位于对角线上的值)，珠三角、京津冀和长三角城市群内部各城市之间科研联系紧密度都很高，超过0.90，说明三大城市群内部均具有较强的科研合作一体化程度。这一结果与近年国家出台一系列促进三大城市群内部各省市间科技合作创新的政策密切相关，例如，搭建长三角区域科技资源共享平台、京津冀协同发展联合创新中心、珠三角国家自主创新示范区，推动城市群内部各地高校科研机构之间深化合作、重大科研基础设施、大型科研仪器、科技文献、科学数据等科技资源合理流动与开放共享，打破行政壁垒，构建区域创新共同体。这种将城市群内部城市有效连接起来的本地科研联系网络，有助于新知识新技术在城市群内快速扩散流动，到达本地其他城市，通过与现有知识结合，提升创新效率[21]。

表5 三大城市群内部与外部科研联系邻近度

就三大城市群之间的科研联系邻近度而言，京津冀与长三角的科研联系邻近度要大于他与珠三角的联系，但低于京津冀内部城市之间的科研联系邻近度；
珠三角与长三角的科研联系邻近度要大于他与京津冀的联系邻近度，但同样低于珠三角内部城市之间的科研联系邻近度。导致这一结果的原因，与三大城市群的地理位置相关。长三角位于京津冀和珠三角城市群的中间，独特的地理位置使得长三角与京津冀和珠三角城市群的科研联系邻近度都较为密切，而京津冀与珠三角相离较远，使得它们之间的科研联系邻近度相对较低。由此可见，京津冀、长三角和珠三角城市群之间的科研联系邻近度要低于他们各自内部的科研联系邻近度，意味着三大城市群的城市更多是在内部建立科研联系。值得注意的是，过于内向型的科研网络容易形成一个同质化的知识池，不利于外部新知识、新技术和新机会的快速便捷进入，导致创新潜力下降与技术锁定风险增加。

鉴于北京作为中国科技中心的特殊性，将其从研究样本中去除，重新计算上述指标，结果见表5列 (4)～ (6)。可以看出，上述分析结果并未受到北京这一特殊值的影响，具有较好的稳健性。

在城市群层面分析的基础上，利用式 (10) (11)进一步考察每一个城市所拥有的城市群内部和城市群外部的科研联系邻近度，结果见表6。由表6可知，北京、上海、杭州和南京的城市群外部联系邻近度为1，表明这些城市与其他城市群城市之间的科研联系程度十分紧密。相比之下，绝大多数城市与所在城市群内部城市之间的科研联系邻近度要大于与其他城市群城市之间的科研联系邻近度。因此，相对于城市群内部而言，城市群之间的科研联系邻近度仍有待提升。

表6 各城市所拥有的城市群内部和城市群间的科研联系邻近度

3.1 变量界定与模型选取

网络连接产生的一个基础是节点之间的相似性或相异性，即经济主体倾向于选择与自己拥有相似或相异的特性主体进行互动，连接的建立是经济主体间特性兼容与互补的结果[22]。而创新研究揭示[23]，创新合作主体之间的邻近性对知识交换、创新互动与结果起着重要作用，包括两者之间的地理距离是否邻近、两者是否拥有相似的知识基础，以及是否拥有相似的社会关系网。有鉴于上述认识，这里将研究城市间的地理邻近性差异、高校个数差异性、经济发展水平差异性、科研实力差异性，以及社会邻近性差异如何影响城市间科研合作网络关联的生成。具体地，各指标选取的理论依据和衡量方式如下。

(1)城市间地理邻近性差异 (GDij)。地理邻近性可以定义为参与者之间的绝对物理距离或者相对距离[24]。地理邻近性对知识网络形成至关重要，是网络形成的驱动力[25]。因此，本文用城市i与城市j之间的地理直线距离衡量，具体根据每个城市的经纬度坐标，计算得到每个城市间的直线距离，由此构建出中国城市间地理直线距离，从而得到城市间地理邻近性差异矩阵。

(2)城市间高校个数差异性 (COij)。高校肩负着人才培养、科学研究和国际交流合作等重要职能。高校是科学知识创造和传播的重要载体，知识交流和创新联系是学界研究的焦点[26]。高校与不同的研究机构有着广泛的合作，影响着科研合作网络的生成。因此，用各城市的高校个数的绝对差值构建差异矩阵来衡量。

(3)城市间经济发展水平差异性 (ELij)。经济发展是社会活动的基础，经济发展为科学研究提供物质基础，促进科学研究的发展。因此，用各城市GDP的绝对差值构建差异矩阵来衡量。

(4)城市间科研实力差异性 (SRij)。科研论文度量科学研究的质量和水平，是科研产出的重要方面，在科技评价和实践中得到广泛运用[27]。一个城市的科研实力对于科研合作网络的生成具有重要作用。因此，用各城市对应论文总量的绝对差值构建差异矩阵来衡量。

(5)城市间社会邻近性差异 (SPij)。社会邻近性基于信任而建立，强调社会根植性关系，通过信任机制促进知识交换、互动式学习和创新[28]。社会邻近性测度合作主体之间的社会关系，参照Scherngell 等[29]、刘承良等[8]、顾伟男等[10]的做法，基于论文合作数构建杰卡德指数 (Jaccard index)，来衡量社会邻近性，计算公式为：

(12)

式中，WKi和WKj表示城市i和城市j基于各自论文合作数计算出来的加权度数中心度，Mij表示城市i和城市j的科研合作论文联系数。其值介于0到1之间，越接近于1，社会邻近性越大。

在此基础上，用于实证研究中国城市间科研合作网络生成影响因素的模型为：

Uij=f(GDij，COij，ELij，SRij，SPij)

(13)

该模型反映的是各变量矩阵数据之间的关系。因变量Uij就是前面所分析的城市间科研合作网络关联矩阵。除了社会邻近性外，上述变量均用公式Xs= (Xi-Xmin)/(Xmax-Xmin)进行极值标准化处理，使其介于0到1之间。数据来源于 《中国城市统计年鉴》和Web of Science核心合集数据库。

值得注意的是，上述模型中的变量全部是矩阵关系数据，关系数据本身可能存在高度的相关性，会导致 “多重共线性”问题。因此，参照李敬等[30]的做法，采用QAP法进行分析，该方法被广泛应用于社会网络分析之中。

3.2 QAP相关分析

QAP相关分析以矩阵置换为基础，研究两种关系之间是否相关，通过比较两个矩阵中各元素的相似性，给出矩阵的相关系数[31]。利用QAP相关分析来考察城市间科研合作网络关联矩阵与其他生成因素的相关关系。本文选择10000次随机置换，结果见表7。由表7可知，城市间科研合作网络关联矩阵Uij与城市间地理邻近性差异矩阵GDij的实际相关系数为-0.039，在1%的水平上显著，表明城市间地理邻近性差异对城市间科研合作网络关联矩阵有显著影响。城市间科研合作网络关联矩阵Uij与城市间高校个数差异性矩阵COij、城市间经济发展水平差异性矩阵ELij、城市间科研实力差异性矩阵SRij和城市间社会邻近性差异矩阵SPij的相关系数均为正，且通过了1%的显著性检验，说明这4个变量也是影响城市间科研合作网络生成的重要因素。

接下来，进一步对显著影响城市间科研合作网络关联矩阵的5个自变量进行QAP相关性分析，结果见表8。由表8可知，城市间地理邻近性差异矩阵GDij除了与高校个数差异性矩阵COij、经济发展水平差异性矩阵ELij和科研实力差异性矩阵SRij关系不显著外，其他的自变量矩阵显著相关。但是，相关关系并不能代表回归关系[32]，无法得到5个自变量对城市间科研合作网络关联差异的真实影响。本文接着采用QAP回归分析法，实证检验城市间科研合作网络关联矩阵的5个生成因素。

表7 城市间科研合作网络关联矩阵与生成因素的QAP相关性分析

表8 5个生成因素QAP相关分析

3.3 QAP回归分析

QAP回归研究的是多个自变量矩阵与一个因变量矩阵的回归关系，并且对判定系数R2的显著性进行评价[31]。本文选择10000次随机置换，调整后的判定系数为0.524，表明5个自变量矩阵可解释城市间科研合作网络关联生成的52.4%。样本297个城市构成297行297列矩阵，忽略对角线元素，得到297× (297-1)=87912个观察值。

城市间科研合作网络关联矩阵与各变量QAP回归系数及相关指标见表9。由表9可知，在考虑其他因素的情况下城市间地理邻近性差异矩阵GDij的标准化回归系数为0.076，通过了1%的显著性水平检验，说明城市间地理邻近性差异对城市间科研合作网络生成产生了重要影响。城市间高校个数差异性矩阵COij的标准化回归系数为 -0.151，通过了1%的显著性水平检验，说明城市间高校个数相似性有利于城市间科研合作网络的生成。城市间经济发展水平差异性矩阵ELij的标准化回归系数为-0.045，通过1%的显著性水平检验，表明经济发展水平相似性有利于城市间开展科研合作。城市间科研实力差异性矩阵SRij的标准化回归系数是0.279，通过1%的显著性水平检验，表明科研实力差异性有利于城市间建立科研合作联系。城市间社会邻近性差异矩阵SPij的标准化回归系数为0.691，通过1%的显著性水平检验，表明城市间社会邻近性差异有利于中国科研合作网络关联的生成。

表9 城市间科研合作网络关联矩阵与各变量QAP回归系数及检验指标

本文基于Web of Science核心合集数据库，构建中国地级及以上城市的科研合作网络，采用网络分析法和QAP回归分析法对该网络的结构特征和网络生成因素进行系统研究，主要结论如下。

从网络结构特征看，中国城市间科研合作网络形成了以北京为核心，上海、南京、广州和武汉等城市为次核心 “一超多强”的城市科研合作格局。中国科研合作网络呈现小世界性，但密度值偏低，科研合作网络效率不高。

三大城市群科研合作网络一体化分析表明，京津冀、长三角和珠三角城市群之间的科研联系邻近度低于其各自内部的科研联系邻近度，意味着三大城市群的城市更多是在群内部建立科研联系，城市群之间的科研联系邻近度有待提升。

基于QAP分析法对中国城市间科研合作网络生成影响因素的实证研究发现，城市间地理邻近性差异、高校个数差异性、经济发展水平差异性、科研能力差异性和社会邻近性差异是影响中国城市间科研合作网络生成的重要因素。

上述研究结论表明，应该继续深化中国城市间的科研合作，积极利用和开发各城市的科教资源，实现科研资源优势互补，统筹好城市之间、城市群之间的科研合作，充分发挥核心节点城市的中心极作用，破除科研合作的障碍，提升边缘化节点城市的科研水平，把中国打造成一个高度关联的科研共同体。

由于数据的可获得性，本文仅从合作论文角度对城市间科研合作网络的结构特征与生成问题进行研究。事实上，专利也是科研合作的另一种形式。因此，利用专利数据对该问题进行研究将是未来值得深入的一个重要方向。

猜你喜欢城市群矩阵长三角城市群今年将有很多大动作领导决策信息(2018年7期)2018-05-22我国第7个城市群建立建筑科技(2018年1期)2018-02-16为世界级城市群铺路中国公路(2017年14期)2017-09-26把省会城市群打造成强增长极领导决策信息(2017年10期)2017-05-17关于矩阵奇异值分解的注记咸阳师范学院学报(2016年6期)2017-01-15初等行变换与初等列变换并用求逆矩阵中央民族大学学报（自然科学版）(2016年3期)2016-06-27从国外经验看我国城市群一体化组织与管理区域经济评论(2015年4期)2015-12-21矩阵南都周刊(2015年4期)2015-09-10矩阵南都周刊(2015年3期)2015-09-10矩阵南都周刊(2015年1期)2015-09-10