長三角協同創新網絡韌性演化及驅動機制研究

徐維祥，周建平，周夢瑤，鄭金輝,劉程軍

(1.浙江工業大學 經濟學院，浙江 杭州 310023；2.浙江工業大學之江學院，浙江 紹興 312030)

0 引言

在數量型經濟增長模式難以為繼的背景下，探索高質量發展路徑成為區域發展的重要議題，從要素驅動升級為創新驅動是實現高質量發展的首要動力和關鍵支撐[1]。在過去的幾十年里，中國創新過度依賴外部汲取模式，通過模仿、吸收國際先進科技力量實現技術追趕，但隨著后發技術優勢和人口紅利逐漸消失，以技術模仿實現技術創新的動力不斷減弱[2]。此外，在逆全球化思潮的影響下，美國試圖通過技術封鎖手段遏制中國科技產業發展，加之新冠肺炎疫情影響，中國的創新體系面臨多重外部沖擊。隨著長江三角洲區域一體化上升為國家戰略，長三角作為中國創新資源的集聚高地及高新技術產業的關鍵樞紐節點[3]，要充分發揮暢通新雙循環格局的引領作用，促進全國創新要素高效流動，實現更大范圍的協同創新和原始創新。在此背景下，促進長三角創新要素自由流動、發揮創新協同和區際聯動效應、提升長三角創新網絡抵御外部沖擊的能力顯得尤為關鍵。

韌性概念最初發源于工程領域，主要用于分析系統受到沖擊后恢復到原始狀態的能力和速度，其關注系統維持及穩定的能力[4]。生態學領域較早引入韌性研究，主要分析生態系統抵御沖擊、快速恢復以應對外界干擾的能力[5]。隨著研究深化，韌性概念被逐步引入其它自然科學與社會科學研究領域[6, 7]，強調適應性和動態演化的適應韌性研究也應運而生，主要聚焦于探究系統在應對外部沖擊或干擾過程中動態地吸收、抵御沖擊與自我調整能力[8]，尤其是在經濟學、地理學領域適應韌性研究已漸成體系，其概念內涵得到進一步豐富。在新近研究中，演化經濟與經濟地理領域學者進一步將經濟韌性研究視角劃分為短期和長期，既包括經濟主體短期內應對外部沖擊以及抗干擾的能力，也包括長期擺脫低端或負面鎖定效應、探索經濟新增長路徑的能力，兩個視角分別關注經濟主體在沖擊中實現組織恢復以及自我更新的潛能，拓展了經濟韌性研究領域[9]。

此外，在地方空間研究逐漸轉向流空間研究的背景下，區際間復雜的流動網絡也成為探究現代區域體系的熱點[10]，而且城市網絡結構與區域經濟韌性密切相關[11]，使得區域網絡韌性測度也開始受到關注。協作與互補是網絡存在的內源力，網絡韌性可以理解為借助區域各領域間的協作與互補關系，網絡在受到外部沖擊或影響下預防、抵御、響應和適應恢復的能力。網絡韌性研究主要聚焦于以下方面：在產業網絡韌性方面，供應鏈網絡是學者們研究的重點。如Tukamuhabwa等[12]發現增強靈活性、創建冗余、形成協作供應鏈關系以及改善供應鏈敏捷性可以增強供應鏈網絡韌性；Kamalahmadi和Parast[13]認為，供應鏈網絡韌性需要借助供應鏈再造、網絡協作、增強敏捷性和建立供應鏈風險管理文化等手段。在基礎設施網絡韌性方面，Reggiani[14]強調了韌性在網絡連接結構中的作用，認為其能提升運輸和通信網絡安全性；彭翀等[15]基于中斷模擬方法分析長江中游城市群客運網絡結構韌性變化，發現脆弱節點是顯著削弱網絡結構韌性的關鍵因素。在創新網絡韌性方面，袁劍鋒[16]應用ICT行業專利數據分析創新網絡韌性，發現局部網絡鎖定效應會弱化創新網絡韌性,而網絡關系破壞會導致創新網絡韌性下降；岳增慧和方曙[17]以圖書情報學科研合作網絡為研究對象, 研究節點點度失效、介數失效以及隨機失效策略下的網絡彈性，發現采用網絡效率測度科研合作網絡彈性更合適；Franceschet[18]則發現計算機科學創新領域的協作分布高度偏向且集中，同時，網絡形成依賴于核心節點。

通過梳理國內外研究成果發現，現階段關于網絡韌性的研究已較為深入，但是針對創新網絡韌性的研究尚有不足，缺乏一個全面且系統的創新網絡韌性測度方法，同時，對創新網絡韌性驅動機制的分析也較少。基于此，本研究以長三角城市群創新網絡為研究對象，構建以節點韌性、結構韌性、創新群落韌性為主的創新網絡韌性測度體系，并將節點韌性引入加權網絡，構建創新網絡韌性分析因變量，探究創新網絡韌性的驅動機制，進而為增強長三角科技創新自主控制力、抗風險能力和發展韌性提供理論支撐及科學指導。

1 研究方法與數據來源

梳理文獻后發現，網絡韌性度量方法包括韌性指標體系構建、韌性代理與定性研究方法[19]，本研究將基于多種方法的融合視角構建創新網絡韌性測度體系，以“創新網絡節點韌性—創新網絡結構韌性—創新網絡群落韌性”為主線展開，并將節點韌性引入加權網絡，構建創新網絡韌性分析因變量，探究創新網絡韌性驅動機制。

1.1 網絡節點韌性指標體系

準確把握創新網絡節點韌性內涵，是科學構建網絡節點韌性評價指標體系的關鍵。經梳理大量文獻后[9,11,15]，本研究將其定義為網絡節點在受到外部沖擊或影響下抵御、響應、適應恢復及轉型發展的能力。多數學者認為網絡結構與網絡韌性密切相關[11,14]，而核心節點是網絡形成和聯結的關鍵結構[18]，中心度則主要用來衡量網絡節點中心性。其中，度數中心度是一種能直觀反映節點中心性的指數，它是根據網絡中節點連接數確定的，如果該節點在創新網絡中與其它許多節點直接相連，則可以判斷該節點具有較高度數中心度(張藝,陳凱華,朱桂龍，2016)。由于度數中心度較高的節點與許多節點聯結，相比其它節點，其更具抗中斷性與抵抗能力，因此可以采用度數中心度衡量節點抵抗與恢復能力；接近中心度是根據節點在創新網絡中與其它節點的距離判斷的，該指標可以反映節點與其它節點的聯系程度，如果該節點與網絡中大多數節點的聯系距離較短，則可認為該節點具有較高的接近中心度(張曦,郭淑芬，2020)。接近中心度高的節點與其它節點的距離總和較短，重啟創新聯系的能力較強，因此可以衡量節點的適應與調整能力；中間中心度可以反映節點在創新網絡中對資源的控制能力(宋志紅,史玉英,李冬梅，2014)，如果節點處于許多其它點對的最短途徑上，則可認為該點的資源控制能力較強，因此可以采用中間中心度衡量網絡節點的控制與轉型能力；節點創新能力是創新協作關系形成的關鍵[20]，因此可以采用區域專利數衡量由網絡節點創新能力形成的本地知識基礎。綜上所述，本研究從抵抗與恢復能力、適應與調整能力、控制與轉型能力以及本地知識基礎4個角度構建科技創新網絡節點韌性測度體系，具體見表1。

表1 網絡節點韌性測度指標體系Tab.1 Indicator system for measuring the resilience of innovation network nodes

其中，CD(ci)表示度數中心度；aij為區域點i和其它區域的有效聯系數量；CC(ci)表示接近中心度；dij表示節點i與j之間的最短路徑，CB(ci)表示中間中心度；Djl表示連接區域點i的另外2個區域點j與l之間的最短路徑；Djl(i)為連接區域點j與l并通過節點i的路徑。通過構建指標體系，運用熵權法計算得到網絡節點韌性。

1.2 網絡模體(Motif)分析方法

模體能夠反映網絡節點間的基本連接模式。網絡模體是網絡中出現頻率遠高于具有相同節點與連線數的隨機網絡的連通子圖，通常基于模體頻率、P值以及Z值等統計特征進行分析。Z值反映模體在真實網絡中的重要性，Z 值越大，表示該模體在網絡中越重要。Z值的計算公式為(繆莉莉,韓傳峰,劉亮,等，2012)：

(1)

其中，Nreali表示模體i在實際網絡中出現的次數，Nrandi表示模體i在隨機網絡中出現的次數，σrandi表示標準差。

1.3 隨機游走算法

本研究基于隨機游走算法挖掘長三角創新網絡的創新群落分布。隨機游走算法(walktrap)是由Pascal Pons和Matthieu Latepy[21]提出的基于隨機游走的社團發現算法，相較于其它經典的社區發現算法，該算法優勢在于聚類速度和聚類精度表現出色。社區劃分的具體過程如下：

(1)基于網絡的鄰接矩陣A和度矩陣D，計算概率轉移矩陣P，計算公式如下：

P=D-1A，即Pij=Aij/di

(2)

其中，di表示節點i的度值，P的每一個元素代表轉移概率，Pij代表從節點i經過一次隨機游走、到達節點j的概率。

(2)定義節點間距離。

(3)

(3)基于節點距離公式推導出社團距離公式：

(4)

其中，將所有節點都看成社團，計算所有相連節點(社團)間的距離，并將它們合并成新社團。

(5)

其中，C1、C2表示需要合并的社團，C3表示合并后的新社團。合并過程是基于將最小的兩個社團進行合并，后續重復上述步驟，繼續合并網絡中的社團，直到所有點合并為一個社團。

1.4 指數隨機圖模型(ERGM)

指數隨機圖模型(ERGM)能夠通過類似的回歸形式解釋觀測到的網絡結構特征[22]。該模型的一般構建過程如下：考慮一個隨機圖G=(V,E)，令二元隨機變量Yij=Yjt，表示V中節點i和j之間存在一條邊e∈E。這樣Y=[Yij]就是G的(隨機)鄰接矩陣。記y=[yij]是Y的一個特定實現。指數隨機圖模型是使用指數族分布形式定義Y中元素聯合分布的模型。ERGM的基本形式如下：

(6)

式中：每個H都是一個構型，定義為G的一個節點子集中節點間可能存在的邊的集合；gH(y)=∏yij∈Hyij，若構型H出現于y中則為1，否則為0；非零值θH表示在給定剩余部分圖的條件下，Yij和H中的所有節點對{i,j}相依；k=k(θ)是歸一化指數。該模型主要采用馬爾科夫鏈蒙特卡羅極大似然估計法對模型進行檢驗，通過模型模擬和參數修正，結合赤池信息量( AIC) 和貝葉斯信息量( BIC)評判指數隨機圖模型(ERGM)的間接性與擬合度。

1.5 數據來源

本研究選取長三角城市群作為樣本區，主要包括上海市以及浙江省、江蘇省和安徽省各城市，共41個。由于發明專利具有創新性，利用合作發明專利構建創新網絡受到眾多學者的認可(孫天陽,成麗紅，2019)。因此，本研究基于2010-2018年長三角城市群的合作發明專利數展開研究，專利數據主要來源于國家知識產權局專利檢索網站(http://pss-system.cnipa. gov. cn/)，其它數據來源于《中國城市統計年鑒》。對于少量缺失數據，通過插值法進行補充。

2 長三角創新網絡韌性演化分析

2.1 創新網絡節點韌性演化

根據上述構建的創新網絡節點韌性測度指標體系，運用熵權法計算得出長三角城市網絡節點韌性，結果如表2所示。整體而言，網絡節點韌性分布格局具有明顯空間異質性，并且呈動態演進特征。根據韌性值可知，2010-2018年長三角城市群的節點韌性分布呈現由以“滬寧”為強韌性核心向以“滬蘇錫”，再向以“滬寧蘇杭”為強韌性核心的格局轉變。具體而言， 2010年網絡節點韌性最低的為0.006(六安市)，最高的為0.719(上海市)，數值差異較大，網絡節點韌性高于0.300的城市僅有南京、上海2個城市，數值分別為0.320與0.719，而且除杭州大于0.200外，其余城市的網絡節點韌性均低于0.200，主要包括金華、常州、合肥、蘇州、無錫等38個城市，占研究區域的92.7%。這表明2010年長三角大部分城市的創新網絡節點韌性水平較低，各城市的網絡節點韌性差異明顯，創新網絡的整體協同性較弱。2014年創新網絡節點韌性最高的5個城市降序依次為上海、蘇州、無錫、南京以及杭州，數值分別為0.495、0.452、0.339、0.261及0.191。這些城市由于產業經濟發展好、教育資源配置完善，聚集了豐富的創新要素，而且在發展過程中發揮了創新要素投入帶來的創新能力增量作用，使得這些城市節點的創新韌性較高。其中，蘇州、無錫呈現上升趨勢，而上海、南京及杭州有所降低，反映了創新網絡的動態調整過程。與之相反，創新網絡節點韌性值最低的5個城市依次為亳州、淮南、宿遷、六安及黃山，這些城市均位于各自省份的邊緣位置。2018年長三角創新網絡節點韌性均值為0.117，仍處于較低水平，但是比2010年的0.072提升了近62.3%。其中，高于該均值的城市有12個，分別為上海、南京、杭州、蘇州、無錫、合肥、南通、溫州、寧波、徐州、紹興及鎮江。然而，亳州、淮南、宿遷、六安以及黃山作為節點韌性排名墊底者，是長三角城市群中迫切需要提升創新網絡節點韌性、強化創新體系危機抵御能力的城市。

表2 2010、2014及2018年長三角城市創新網絡節點韌性Tab.2 Innovation network node toughness values of Yangtze River Delta cities

2.2 創新網絡結構韌性分析

首先基于模體分析方法剖析長三角創新網絡結構，探究創新網絡微觀關聯模式，運用Fanmod軟件進行統計，并基于真實網絡模擬，通過比較真實網絡與模擬網絡，判斷模體是否顯著存在。本研究基于三元結構、四元結構視角挖掘哪些模體結構的出現頻率較高。結果如表3所示，表中ID為模體結構的對應編碼，并無實際意義，Motif表示該模體編碼下的結構。由表3可知，三元結構中模體構成較簡單，主要由模體14、模體238構成。這可能是由于長三角城市群的創新一體化已發展至一定程度，創新網絡較成熟，三元構成模式較簡單、固定，四元模體構成較復雜，其中，模體4382、模體4958在四元結構形成中發揮了主要作用，出現頻率超過60%。上述兩個模體均呈現出核心節點主導聯結結構的形成，表明核心節點輻射聯結是長三角創新網絡結構形成的關鍵因素。橫向對比下，在三元結構中，模體14的出現頻率隨時間變化呈波動下降趨勢，而模體238呈波動上升趨勢，該模體的交互性較強，各節點均產生了傳遞作用，存在明顯平衡且協同的網絡關聯，創新協同性較強。由于模體238在結構上比模體14更穩定，而結構穩定性是韌性形成的重要基礎，說明長三角城市群創新網絡的三元結構韌性逐漸增強；在四元結構中，模體4382、8598的出現頻率呈下降趨勢，模體4958、13278及31710則出現頻率上升趨勢。通過比較可以發現，出現下降趨勢的模體穩定性較低，而出現上升趨勢的模體內節點交互關系較顯著，結構相對穩定。

表3 2010-2018年長三角創新網絡模體結構頻率Tab.3 Frequency of innovation network motif structure in the Yangtze River Delta from 2010 to 2018

為探究長三角創新網絡整體結構韌性，基于模體出現頻率及模體結構穩定性進行測度。一般而言，模體中的邊數越多，網絡的交互關系越密集，形成的結構也越穩定(三元結構及四元結構不作比較)。因此，本研究以模體邊數表征模體結構穩定性。通過模體出現頻率及模體結構穩定性計算得到創新網絡整體結構韌性值(由模體邊數與模體結構的乘積計算得到)，結果如圖1所示。隨時間演進，創新網絡整體結構韌性由2010年的5.841上升到2018年的6.267，整體呈現曲折上升趨勢，表明隨著創新網絡發展與成熟，長三角創新網絡韌性水平逐漸提升，抗擊外部沖擊與風險的能力也不斷增強。

圖1 2010-2018年長三角創新網絡結構韌性水平Fig.1 The structural resilience value of the innovation network in the Yangtze River Delta from 2010 to 2018

2.3 創新網絡群落韌性分析

基于創新網絡的系統性，創新網絡韌性不僅體現在網絡節點、網絡結構上，由多個城市節點組成的創新網絡群落韌性也是創新網絡韌性的重要組成。本研究以隨機游走算法挖掘長三角城市群創新網絡群落，通過R語言的igraph程序包實現，結果如表4所示。可以發現，創新網絡群落數量從2010-2012年的6個演化至2013-2015年的5個，到了2016-2018年僅剩2個，創新網絡群落數量逐漸減少；2010-2012年創新群落以“上海—蘇州—金華—麗水—阜陽—連云港”為核心，2013-2015年則演變為以“上海—宿州—嘉興—宿遷—銅陵”為核心，至2016-2018年最終形成以“上海—杭州”為核心的創新網絡群落。這一方面說明長三角各城市創新合作深度及廣度均在提升，長三角創新一體化程度也在不斷深化，另一方面隨著網絡聚集程度持續提升，大型創新網絡群落的形成會推動創新資源在更廣區域內流動，進而提升創新網絡內部節點聯系緊密度，增強創新網絡抵御力及恢復力，實現創新網絡韌性強化。

表4 2010-2018年長三角創新網絡創新群落Tab.4 Innovation clusters in the Yangtze River Delta innovation network from 2010 to 2018

3 創新網絡韌性形成的驅動機制

3.1 模型選取

在分析長三角創新網絡節點韌性、結構韌性以及群落韌性后，需要明確哪些因素影響長三角創新網絡韌性形成。由于創新網絡數據屬于節點間的關系型數據，在模型選擇上與傳統計量方法有所不同。現階段國內外學者分析網絡型數據驅動機制主要采用以下幾種方法：一是運用空間計量方法分析網絡節點聯系總量的驅動因素[23]；二是通過QAP模型對網絡數據進行重復采樣以闡明網絡間關聯關系[24]；三是基于指數隨機圖模型(ERGM模型)剖析網絡結構特征及形成過程[25]。指數隨機圖模型在解釋網絡連接關系以及連接形成上具有一定優勢，其可以提供隨機的網絡形成過程，并基于網絡仿真過程、參數估計推斷多種因素對某網絡結構的影響，而且該模型允許將網絡自組織效應(內生結構變量)、個體屬性效應、外生網絡效應等多種可能影響節點關系形成的因素納入。因此，本研究運用ERGM模型展開分析。

3.2 變量選取與說明

為了分析多種因素對長三角創新網絡韌性的驅動機制，從網絡自組織效應、個體屬性效應、外生網絡效應展開分析，如表5所示。

表5 創新網絡韌性驅動因素Tab.5 Driving factors of innovation network resilience

3.2.1 被解釋變量測度方式

指數隨機圖模型類似于傳統計量中的廣義線性模型，但其被解釋變量為網絡節點的關聯關系。為了探究長三角創新網絡韌性的形成，基于前文計算的節點韌性及創新網絡節點關聯關系，構建創新網絡韌性關系。構建方式為兩節點的節點韌性乘積的平方根與關聯關系的乘積，再將網絡進行二值化處理[26]。

3.2.2 網絡自組織效應變量選取

創新網絡內生結構是影響創新網絡效率及創新協作關系形成的重要因素[20,27]。為了分析內生結構對創新網絡韌性的影響，將網絡自組織效應引入模型中，而指數隨機圖模型可以將多種網絡內生結構變量(網絡的邊數、交互性、聚斂性、擴張性、傳遞性、交互k三角、交互k路徑)納入模型中，分析影響網絡實現概率的特殊內生結構，找出較為重要的網絡局部關系構建過程。但是在具有較強聚集性的網絡中，如果將三角結構變量納入模型中，則可能導致模型衰減和估計參數不收斂[25]。因此，本研究僅考慮網絡邊數、交互性對創新網絡韌性的影響。

3.2.3 個體屬性效應變量選取

在梳理創新網絡、網絡韌性影響因素的相關文獻后，借鑒經濟地理學領域的研究成果，確定影響創新網絡韌性形成的個體屬性變量，從經濟驅動、產業結構、科技服務、政府供給、對外開放及教育投入6個方面展開分析，以厘清這些變量在創新網絡韌性形成中的作用。經濟發展通常被認為是影響區域創新與知識流動的重要驅動力[28]，本研究選取人均GDP(萬元/人)表征經濟驅動情況；產業發展層級高的城市對創新的依賴性更強，創新韌性也隨之提升，為衡量產業結構對創新網絡韌性的影響，選取第三產業占比(%)表征；科技服務業的滲透與發展對創新具有一定促進作用[29]，因此選取科技服務業從業人數(萬人)表征科技服務情況；Liang[30]認為由政府資助形成的協作網絡會對創新產生影響，為衡量政府供給的影響，選取人均地方財政科學技術支出(萬元/人)表征；隨著經濟全球化的深入，中國與全球產業鏈的關系更加緊密，由外資增長帶來的外溢效應使得區域創新發展受到一定影響，因此選取當年實際使用外資金額(萬美元)表征對外開放水平；教育投入對創新水平具有明顯的驅動提升作用(高潔，汪宏華，2020)，為了衡量其對創新網絡韌性的影響，選取人均地方財政教育支出(萬元/人)表征。在數據處理上，根據相關研究方法[25]，將上述數據分為高中低三類。

3.2.4 外生網絡效應變量選取

鄰近性是分析創新網絡演化的重要視角，地理鄰近能降低創新主體交流成本，驅動知識溢出，成為協同創新形成的重要推力[31]。伴隨信息通信技術的不斷滲透和知識復雜化程度持續加深，信息鄰近性借助信息通道的低成本交流機制對地理鄰近性產生一定替代效應[23]。因此，本研究通過檢驗節點地理距離、節點空間鄰接以及節點信息距離對創新網絡韌性形成的影響，探究鄰近性網絡與創新網絡韌性間的相互依賴性。第一，地理距離網絡：首先基于長三角各城市經緯度數據計算節點i與節點j質心間的地理距離，以此構建地理距離矩陣；第二，空間鄰接網絡，判斷標準為兩節點間是否在空間上存在鄰接關系，若i節點和j節點空間鄰接，則Wij=1，否則Wij=0，以此構建空間鄰接網絡；第三，信息距離網絡，互聯網發展能夠提升區域間的信息對稱性，強化創新協同合作，因此以兩節點間互聯網用戶數差值為測度依據，構建信息距離網絡。

3.3 指數隨機圖模型擬合結果

在指數隨機圖模型擬合過程中，運用馬爾科夫鏈蒙特卡洛極大似然估計法進行估計，采用似然函數模擬網絡，將隨機網絡與實際網絡進行比較，并且不斷優化估計參數，直到參數達到穩定狀態為止，然后通過AIC、BIC檢驗模型擬合度。本研究基于R語言中的Statenet程序包展開分析，結果如表6所示。為了更深入探究長三角創新網絡韌性形成的驅動機制，將研究時期劃分為2010-2012、2013-2015及2016-2018年3個階段。表6報告了模型Ⅰ、模型Ⅱ的結果，其中，模型Ⅰ是對網絡自組織效應和個體屬性效應的綜合探究，而模型Ⅱ則加入了外生網絡效應的影響。

表6 指數隨機圖模型分析結果Tab.6 Regression results of ERGM

3.3.1 網絡自組織效應

在網絡自組織效應中，edges變量類似傳統模型中的常數項，可解釋為網絡節點形成關系的基本傾向，該變量在3個階段的結果中均通過了1%的顯著性檢驗，表明長三角創新網絡韌性的形成不具有隨機性。Mutual系數在3個階段存在一定差異性，如在2010-2012、2013-2015年，該變量系數均為負值，在2016-2018年則變化為正值，表明在創新網絡韌性演化過程中，創新合作的互惠性及交互性逐漸成為創新網絡韌性強化的驅動因素。

3.3.2 個體屬性效應

在個體屬性效應中，經濟驅動變量系數在2010-2012年、2013-2015年的模型Ⅱ中均為正且通過1%的顯著性檢驗，而在2016-2018年的兩個模型中為負且通過1%的顯著性檢驗，表明經濟驅動變量的作用隨時間演化具有一定差異性，如正向驅動作用消失。產業結構變量在3個階段均呈現出顯著的正向作用，表明城市產業高級化會提升創新網絡韌性。究其原因，可能是由于產業結構升級實質上是技術不斷進步或創新的過程，隨著產業持續高級化，對創新的依賴性會不斷強化，進而推動創新網絡韌性提升。科技服務業未表現出顯著的正向作用，這可能是因為科技服務業的發展水平仍有待提升，其對創新合作的促進作用難以體現。政府供給變量系數在2010-2012年表現出一定負向效應，到了2013-2015年、2016-2018年則表現出顯著的正向作用，且系數呈遞增趨勢，表明政府供給所發揮的作用越來越重要，能在創新體系抵御外部沖擊時發揮調控作用。對外開放變量系數的顯著性在不同模型中呈現出一定差異，但是在整體上仍表現出對創新網絡韌性提升的促進作用。雖然多項研究表明，教育經費支出對科研創新會產生促進作用，但本研究中教育投入在整體上未表現出顯著正向效應，這可能是由于教育投入的作用具有一定滯后性，難以及時表現出對創新網絡韌性提升的驅動作用。

3.3.3 外生網絡效應

在外生網絡效應中，地理距離網絡系數為負，且僅在2010-2012年通過了顯著性檢驗，意味著創新網絡韌性與地理距離網絡的依賴性不強。空間鄰接網絡的作用在不同時間段表現出一定差異性，從負向作用演化為正向作用，說明空間鄰接對創新韌性的提升作用逐漸增強。信息距離網絡在2013-2015年、2016-2018年兩個時期的影響系數為正且通過1%的顯著性檢驗，表明創新網絡韌性與信息距離網絡存在強依賴性。

4 結論與討論

4.1 結論

長三角城市群的創新一體化程度已達到一定水平，城市創新深受區域外部力量的影響，發揮創新協同和聯動效應是邊緣城市創新能力提升的重要驅動力。本研究從多個視角分析長三角創新網絡韌性演化及驅動機制，得到如下結論：①創新網絡節點韌性分布格局呈動態演進特征，除核心城市外，多數城市創新網絡節點韌性水平普遍較低，隨時間演變，大部分城市的節點韌性整體上呈遞增趨勢；②由核心節點輻射形成的結構及交互關系較強是創新網絡結構韌性形成的關鍵，交互關系較強的模體結構呈現波動上升趨勢，平衡協同的網絡關聯性持續增強，創新網絡結構韌性整體呈現曲折上升趨勢，結構韌性的強化提升了創新網絡的抗毀力和抵御力；③長三角城市的創新合作深度及廣度均在提升，而且隨著網絡聚集程度的持續提升，逐漸形成大型創新網絡群落，進一步增強了創新網絡韌性；④網絡自組織效應結果表明，創新合作的互惠性及交互性逐漸成為創新網絡韌性強化的驅動因素，在個體屬性效應中，產業結構及對外開放的驅動作用較顯著，政府供給的作用隨時間演變逐漸凸顯，但科技服務業及教育投入對創新網絡韌性的提升未表現出正向作用，經濟驅動的作用甚至出現由正向轉為負向。在外生網絡效應中，地理距離的作用減弱，但空間鄰接對創新韌性的提升作用逐漸增強，而創新網絡韌性與信息距離網絡存在強依賴性。

4.2 理論貢獻

本研究理論貢獻如下：①本研究考慮到若忽視區域關聯作用會對區域韌性測度產生偏誤，較難深入理解區域韌性形成機制，因此將關系經濟地理學理論引入韌性研究，從網絡視角解釋區域韌性的差異性，并且在經濟地理研究由“地方觀”向“網絡觀”轉變的背景下，實現韌性研究視角的轉換；②從韌性視角豐富了創新網絡研究，構建了基于節點韌性、結構韌性及群落韌性的創新網絡韌性評價體系，從而可以捕捉到創新網絡中不同要素演化模式，對完善創新網絡韌性分析具有重要的理論意義；③將節點韌性引入創新網絡中，構建創新網絡韌性分析的因變量，基于ERGM模型探究網絡自組織效應、個體屬性效應以及外生網絡效應對創新網絡韌性的影響，豐富了韌性驅動機制探索內容，也拓展了ERGM模型的應用領域，為后續研究提供了重要的借鑒與參考。

4.3 政策建議

長三角城市群作為中國創新的重要策源地，是構建國內大循環的重要節點和雙循環的關鍵樞紐。同時，推進長三角創新一體化也成為中國在新一輪科技革命中提升創新能力、培育創新增長極的必然要求。為了提升長三角創新系統韌性，基于研究結論提出以下建議：①促進創新要素自由流動，激發創新合力。長三角區域一方面應打破行政壁壘，保障要素自由流動，發揮創新聯動效應，另一方面需要整合一市三省科技資源，構建創新協作平臺，探索更加凝聚創新合力、激發創新活力的協作方式；②推動區域間多要素互補，共創雙鏈協同。長三角城市應結合自身優勢、產業發展目標、區域技術水平的互補性及關聯程度，合理配置要素，強化區域間產業協同發展，同時，將各類創新要素納入產業體系，形成產業鏈與創新鏈協同發展的新格局，強化外部知識汲取與自主創新能力提升的雙元平衡，提升創新體系韌性。