高被引华人科学家知识网络的空间结构及影响因素

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

司月芳^,¹^,², 孙康¹^,², 朱贻文^,¹^,³, 曹贤忠¹^,³

1.华东师范大学中国现代城市研究中心,上海 200062

2.华东师范大学城市与区域科学学院,上海 200062

3.华东师范大学城市发展研究院,上海 200062

Spatial structure and influencing factors of knowledge network of highly cited Chinese scientists

SI Yuefang^,¹^,², SUN Kang¹^,², ZHU Yiwen^,¹^,³, CAO Xianzhong¹^,³

1. The Center for Modern Chinese City Studies, East China Normal University, Shanghai 200062, China

2. School of Urban and Regional Science, East China Normal University, Shanghai 200062, China

3. Institute of Urban Development, East China Normal University, Shanghai 200062, China

通讯作者: 朱贻文（1988-）,男,上海人,博士,助理研究员,研究方向为创新网络与产业集群。E-mail: ywzhu@geo.ecnu.edu.cn

收稿日期:2020-03-9修回日期:2020-10-23网络出版日期:2020-12-20

基金资助:

国家自然科学基金项目.41871110
国家自然科学基金项目.41801109
上海市科技发展基金软科学项目.18692104500
上海市科技发展基金软科学项目.20692107500
中国博士后科学基金.2018M641963

Received:2020-03-9Revised:2020-10-23Online:2020-12-20
作者简介 About authors
司月芳（1982-）,女,河北沧州人,博士,副教授,硕士生导师,研究方向为中国对外直接投资、创新网络和区域经济发展。E-mail: yfsi@re.ecnu.edu.cn

摘要
知识网络的空间结构特征与影响因素是经济地理学探讨的热点议题之一,以往研究侧重于产业案例的分析,主要关注国家和城市层面的知识网络,而对科学家等个人层面的网络研究较为缺乏。以2014—2015年全球高被引科学家为原始数据,筛选出高被引华人科学家,并基于Web of Science数据库,检索高被引华人科学家之间合著论文的数据构建知识网络,借助社会网络分析方法对高被引华人科学家知识网络的空间结构进行分析;并运用负二项回归模型,从地理邻近性、社会邻近性、制度邻近性3个维度,探讨高被引华人科学家知识网络的影响机制。研究发现：① 高被引华人科学家知识网络存在核心-边缘结构特征,且具有小世界网络的网络特征;② 此知识网络呈现“小集聚大分散”的空间结构特征,地理邻近性作用明显;③ 高被引华人科学家知识网络形成过程中会受到科学家自身科研能力等因素的影响,地理距离和科学家之间的联系呈现负相关关系,地理邻近性的影响仍然存在,社会邻近性和制度邻近性均对知识网络的形成有促进作用。
关键词： 高被引华人科学家;知识网络;空间结构;邻近性;合作论文

Abstract

The spatial structure characteristics and influencing factors of knowledge networks are heated research topics in the field of economic geography. Previous studies in knowledge networks have focused on industrial cases, especially on knowledge networks at the national and city levels, while the research of individuals has been relatively limited. We firstly selected highly cited Chinese scientists based on 2014-2015 global highly cited scientists as the original data, and then established knowledge network based on the co-authorship of papers among those scientists, and finally applied social network analysis methods to examine the spatial structure of the knowledge network and used the negative binomial regression model to explore the influence mechanism of knowledge network from the perspectives of geographic proximity, social proximity and institutional proximity. The study found that: (1) the knowledge network of highly cited Chinese scientists has core-peripheral structure with the characteristics of a small-world network. (2) The spatial distribution of this knowledge network is dispersal at global scale and agglomerated at local level. (3) The formation of the knowledge network is influenced by the personal characters of those scientists. Geographical distance has a negative effect on the connection between scientists. The influence of geographic proximity still exists. Both social proximity and institutional proximity have significant positive effects on the formation of knowledge networks of highly cited Chinese scientists.

Keywords：highly cited Chinese scientists;knowledge network;spatial structure;proximity;co-author paper

PDF (3491KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
司月芳, 孙康, 朱贻文, 曹贤忠. 高被引华人科学家知识网络的空间结构及影响因素. 地理研究[J], 2020, 39(12): 2731-2742 doi:10.11821/dlyj020200188
SI Yuefang, SUN Kang, ZHU Yiwen, CAO Xianzhong. Spatial structure and influencing factors of knowledge network of highly cited Chinese scientists. Geographical Research[J], 2020, 39(12): 2731-2742 doi:10.11821/dlyj020200188

1 引言

党的十八大以来,中国开始进入新时代,建设创新型国家成为国家发展战略的核心。党的十九大报告明确提出创新是引领发展的第一动力,人才则是创新的第一资源。高被引华人科学家任职于全球知名研究机构或大学,其研究成果在Web of Science中被引用率排名为前1%,是中国保持与世界学术前沿联系的重要全球通道。对高被引华人科学家进行系统深入的研究,对中国创新型国家建设具有非常重要的战略意义。

在全球化的背景下,知识的产生突破了本地化的视角,转向“流空间”的视角^[1]。当知识在行为主体（企业、组织、机构、个人等）之间进行流动时,彼此产生联结形成知识网络^[2]。其中,行为主体是知识网络的节点,知识的流动构成了行为主体之间的联系。知识网络对新知识的产生有重要影响,其结构演化及影响因素逐渐成为经济地理学的核心研究领域^[3,4,5,6,7]。在研究对象上,知识网络的研究以联合申请专利、合著论文、合作科研项目、共同研发新产品等为基础数据。学术论文合作和专利合作是知识溢出的体现形式,是科学技术发展的重要成果,也是度量区域创新能力的指标^[8]。研究方法集中于社会网络分析方法和复杂网络分析方法,使用Ucinet、Gephi、Pajek等社会网络分析软件,结合ArcGIS等地理学研究软件,和CorelDRAW和CAD等绘图软件进行可视化分析。目前相关研究多基于某一产业或某一领域,对个人层面的网络分析缺乏重视。实际上,个人是创新的执行者,创新如何从个体层面上升到组织层面,个人之间构建的网络特征及影响因素如何,是知识网络研究尚待解决的重要问题^[9]。

从知识网络的影响因素来看,主要有两个研究方向,一是通过质性分析,探究城市能级、上层政策、知识环境和社会关系网络对知识网络产生的影响。国家和地方政府所制定的政策等宏观背景的改变,会对知识网络的结构产生重要影响^[10]。高爽等通过构建知识主体、知识环境、知识联系通道3个子系统,来解释知识的流动,分析知识网络的影响因素^[11]。二是通过定量分析,借助Stata、SPSS等分析工具,运用负二项回归模型、空间交互作用模型、QAP回归模型等分析邻近性对知识网络产生的作用^[12,13,14]。其中,经济地理****近年来大多采用多维邻近性分析框架来解析网络结构形成和演变过程^[15]。1990年,法国邻近学派提出了“多维邻近性”的概念^[16],2005年Boschma提出了5个维度的邻近性,即地理邻近性、认知邻近性、社会邻近性、制度邻近性和组织邻近性^[17],并逐步成为经济地理学的研究重点。吕国庆等从地理邻近和社会邻近的视角对中国装备制造业的创新网络的演化进行了研究,研究发现地理邻近性是首要驱动因子^[18]。从已有研究来看,地理邻近、社会邻近与制度邻近受到了****较多关注,并进行了卓有成效的研究,研究发现地理邻近性以及制度邻近性对知识网络的形成和演变均具有正向促进作用^[19,20],但三者间影响大小则在不同类型的网络中存在差异。对前人研究梳理发现,个人尺度的邻近性机理研究尚待补充,对个人尺度的影响因素指标选取也有待确认。

本文以高被引华人科学家为基本分析单元,对知识网络的空间结构进行分析,借鉴当前****的主流做法,从地理邻近性、社会邻近性、制度邻近性3个维度,探讨高被引华人科学家知识网络的影响机制,分析不同邻近性对知识网络结构的影响差异。

2 研究数据与研究方法

2.1 数据采集及处理

数据采集分为两个过程：首先,确定高被引华人科学家名单及其地址信息,主要包括3个步骤：① 以Web of Science和Clarivate Analytics Highly Cited Researchers为基本数据库,并根据Thomson Reuters发布的2014—2015年度6341位全球高被引科学家名单（http://sciencewatch.com/grr/presenting-highly-cited-researchers）,采取一一搜寻的方式,并根据姓名、个人简历、新闻报道等方式搜寻确定高被引华人科学家名单,共计375位。② 对采集到的高被引华人科学家进行验证,通过工作单位、发表论文等渠道核对高被引华人科学家名单,删除不符合条件的人员,最终获取了309位高被引华人科学家的基本信息。③ 将搜集到的合作作者信息按照其工作单位所属的城市进行提取,从而便于分析高被引华人科学家的空间特征。表1展示了2014—2015年度高被引华人科学家的空间分布情况。这些华人科学家主要分布于中国、美国、加拿大、澳大利亚、新加坡、日本等国家。其中,在中国的科学家主要集中于中国东部地区,包括北京、香港、上海等城市,在美国的科学家主要分布于东西两岸,包括圣路易斯、剑桥市、伯克利、帕罗奥多、洛杉矶、圣地亚哥等城市。

Tab. 1
表1
表12014—2015年高被引华人科学家空间分布
Tab. 1Spatial distribution of highly cited Chinese scientists, 2014-2015

所属洲	国家	人数(人)	城市	人数(人)
北美洲	美国	143	圣路易斯	10
			剑桥	8
			伯克利	7
			帕罗奥多	7
			其他城市	111
	加拿大	10	渥太华	2
	加拿大	10	其他城市	8
大洋洲	澳大利亚	8	墨尔本	3
大洋洲	澳大利亚	8	其他城市	5
欧洲	英国	6	剑桥	2
	英国	6	其他城市	4
	瑞士	2	巴塞尔	1
	瑞士	2	其他城市	1
	德国	1	美因茨	1
	冰岛	1	雷克雅未克	1
	爱尔兰	1	都柏林	1
亚洲	中国	110	北京	39
			香港	16
			上海	6
			其他城市	49
	新加坡	15	新加坡	15
	沙特阿拉伯	7	吉达	7
	日本	5	东京	1
	日本	5	其他城市	4

新窗口打开|下载CSV

其次,采集高被引华人科学家合作论文网络数据。数据筛选和处理主要包括4个步骤：① 分析309位高被引华人科学家的专业领域。鉴于91.67%科学家从事理工科研究,本文主要采用Web of Science 核心合集中的SCI论文作为数据来源,以确保数据的代表性。② 以高被引华人科学家姓名和工作单位为查找条件,在SCI核心库中提取由2位或2位以上作者合著的论文信息,其中1位为高被引华人科学家。③ 对于3位及以上作者的合著论文信息,采用两两交叉的方式,统计合作关系,界定其知识网络为无向网络,进行去重处理^[21,22]。④ 将合作关系中的非高被引华人科学家的合作剔除,只保留属于高被引华人科学家名单中的人员合作网络。通过上述方法,共获得7256条论文合作数据,经过去重,得到5871条论文合作数据。

2.2 研究方法

2.2.1 社会网络分析方法社会网络分析方法关注网络中不同主体（个人、群体、机构）之间关系,运用数学方法和图论等定量分析方法刻画网络各成员行为及其对网络发展演化的影响^[23]。本文从整体网角度,分析网络的度中心性、接近度中心性和中间中心性等指标^[24,25,26],对高被引华人科学家的知识网络进行分析,从而探究其空间特征（表2）。

Tab. 2
表2
表2知识网络指标及含义
Tab. 2Knowledge network indicators and meanings

指标	表达式	解释	实际含义
度中心性	$C_{D} = \sum^{} x_{ij}$	指行为主体与其他主体直接相连的个数统计,表征行为主体的中心程度。	在知识网络中,指的是城市与其他城市合作的数量。
接近度中心性	$C_{C} = 1 / \sum^{} d_{ij}$	行为主体到其他主体最短路径之和的倒数。指的是和其他主体的接近程度。	在知识网络中,接近度中心性越高,城市在传递信息上就较少的依赖其他城市。
中间中心性	$C_{B} = \sum^{} \frac{N_{j} (i)}{N_{j}}$	行为主体处于许多网络交往路径上,中间中心性数值越大,控制网络的能力越强。	城市处于其他城市的联系之间,起到中介的作用,所以处于网络的中心。

新窗口打开|下载CSV

2.2.2 负二项重力模型本文的被解释变量为科学家之间论文合作的数量,为非零正整数,因此计数模型会比一般的线性回归模型更合适。考虑本文数据存在过度分散的问题,

α = 0.34 > 0

,存在过度分散。故负二项回归模型更适合本研究^[27]。

回顾之前的研究,Scherngell等运用负二项重力模型分析区域之间的合作关系,从地理因素、技术因素和经济因素角度对合作行为进行了探究^[28]。国内的****参考上述模型,进行了进一步的探究,刘承良等运用重力模型对全球科研论文合作网络的邻近性机理进行了探究^[26]。鲜果等使用负二项重力模型对中国城市间创新网络的邻近性机理进行了研究^[22]。地理邻近性被定义为经济行为主体之间绝对意义和相对意义上的空间或物理距离^[17]。本文使用科学家所在城市的地理距离的自然对数作为地理邻近的表征。社会邻近性是指个体之间在微观层面上的社会嵌入关系,行为者之间的关系涉及基于友谊、亲缘关系和经验的信任时,这种关系就具有社会嵌入性^[17]。本文用科学家的学科背景、工作单位性质和出国时间作为社会邻近性的表征。制度邻近性指的是行为主体所处地区的制度环境的相似程度,包括法律法规、上层政策等正式制度,以及语言文化、价值观、行为规范等非正式制度的相似程度^[22]。本文选择了作者的国籍作为制度邻近性的表征,参考Olof Ejermo的研究,选择相同国籍的作者制度邻近性为1,反之为0^[29]。同时在国家层面对作者所在国家的创新能力进行了控制,选择了科学家所在国家的研发能力和发表论文能力作为控制变量。参考前人研究,本文借鉴负二项重力模型,对知识网络的影响因素模型设定如下：

（1）

\begin{array}{l} S_{ij} = α + v_{1} C_{i} + v_{2} C_{j} + v_{3} \ln di s_{ij} + v_{4} su b_{ij} + v_{5} jo b_{ij} + v_{6} tim e_{ij} \\ + v_{7} na t_{ij} + v_{8} rde x_{ij} + v_{9} \ln p a_{ij} + ε_{ij} \end{array}

式中：

α

为常数项;

ε_{ij}

为随机误差项;

S_{ij}

为科学家i与科学家j合作发表的论文数量,为被解释变量;

C_{i}

、

C_{j}

分别表示科学家i、科学家j发表论文的数量;

\ln di s_{ij}

为科学家i所在城市与科学家j所在城市之间的距离的自然对数,地理距离是取两个城市政府所在位置的经纬度,进行距离计算,公式如下：

（2）

\begin{array}{l} di s_{ij} = 6371004 \times \arccos (\sin (radians (latitud e_{i})) \times \sin (radians (latitud e_{j})) + \\ \cos (radians (latitud e_{i})) \times \cos (radians (latitud e_{j})) \times \\ \cos (radians (longitud e_{j} - longitud e_{i}))) \end{array}

式中：

latitud e_{i}

和

longitud e_{i}

为科学家i所在城市的纬度和经度。变量定义如表3所示。

Tab. 3
表3
表3变量名称及描述
Tab. 3Variable names and descriptions

	变量名称	变量描述
因变量	S_ij	科学家i与科学家j合作发表的论文数量
自变量	C_i	科学家i发表的论文数量
	C_j	科学家j发表的论文数量
	lndis_ij	科学家i所在城市与科学家j所在城市之间距离的自然对数
	sub_ij	虚拟变量,表示科学家的学科背景情况,两名科学家所在学科的背景相同为1,不同为0
	job_ij	虚拟变量,表明科学家的工作单位性质情况,两名科学家的工作相同为1,不同为0
	time_ij	表明科学家出国时间的差距,取科学家i与科学家j的出国时间的差值的绝对值
	nat_ij	虚拟变量,表明科学家的国籍情况,两名科学家的国籍相同为1,不同为0
控制变量	rdex_ij	表明科学家i和科学家j所在国家的研发能力的差异,取两名科学家所在国家研发支出（占GDP的比例）的差值的绝对值
控制变量	lnpa_ij	表明科学家i和科学家j所在国家的发表论文能力的差异,取两名科学家所在国家科技期刊文章数量的差值绝对值,再取自然对数

新窗口打开|下载CSV

3 高被引华人科学家知识网络空间结构特征

3.1 高被引华人科学家知识网络具有小世界性,存在核心-边缘结构特征

将高被引华人科学家合作矩阵数据导入Gephi,设置为无向网络,形成了高被引华人科学家知识网络拓扑图（图1）,选用了Fruchterman Reingold布局,图中节点的大小和科学家的度成正比,即和科学家发表的论文总数量成正比。联系粗细与联系多少成正比,即与科学家之间的论文合著数量成正比。图中反映出位于北京市的杨焕明与同在北京市的汪建,还有在中国香港特别行政区的王钧联系密切,3人位于网络的中心位置。而3人发表的高被引文章数量也是最多的,分别是82篇、93篇和104篇,在统计的华人科学家知识网络中占前三名,表明科学家的个人创新能力对其合作有正向的促进作用。

图1

新窗口打开|下载原图ZIP|生成PPT
图1高被引华人科学家知识网络拓扑图

Fig. 1The topological graph of knowledge network of highly cited Chinese scientists

本文将高被引华人科学家的实际知识网络与同等节点数量的随机网络进行对比（表4）。实际知识网络分布密度与随机网络分布一致。知识网络的密度为0.03,网络直径为9,表明科学家之间最远需要经历9次转换,才能产生联系。网络的平均路径长度2.707,表明科学家之间接近3次转换可以产生联系,小于同等规模随机网络的平均路径长度3.07。平均聚类系数为0.34,远大于随机网络所形成的平均聚类系数0.03,表明网络具有很高的聚类性,符合小世界网络特征。科学家知识网络的平均度中心性为9.86,大于随机网络的度中心性,表明整体网络具有较高的溢出效应。整个网络的中心性分布也不均匀,网络的接近度中心性、中间中心性较高,网络具有向某个节点或者某些节点集中的趋势,证明网络存在核心-边缘的结构特征。

Tab. 4
表4
表4海外高被引华人科学家知识网络结构指标数值
Tab. 4The structure of knowledge network of overseas highly cited Chinese scientists

网络指标	实际网络值	随机网络理论值
节点数	245	-
边	1021	-
网络密度	0.03	-
网络直径	9	6
平均路径长度	3.97	3.07
平均聚类系数	0.34	0.03
度中心性	9.86	3.47
接近度中心性	41498.80	-
中间中心性	207.03	-

新窗口打开|下载CSV

3.2 知识网络节点在空间上呈现“小集聚大分散”特征

本文将科学家所在城市的经纬度数据导入ArcGIS,绘制出高被引华人科学家论文合作知识网络空间分布图（图2）。从知识网络的空间分布来看,呈现以美国、东亚和澳大利亚为顶点的三角形分布特征,新加坡接近三角形的其中1个旁心的位置。从全球视角来看,三角形的两条短边,美国和东亚联系紧密,中国和澳大利亚也有较多联系,但是最长的边——美国和澳大利亚联系较少,这也在一定程度上反映出地理距离对知识网络交流的作用。从城市层面来看,美国和中国呈现出较高的创新等级,高被引华人科学家所在城市主要分布在美国东部地区、美国西部地区和中国东部,呈现出“小集聚大分散”的特征。中国东部创新等级较高,符合中国东部大城市集聚,创新能力较高的特征。美国东西海岸创新能力较高,东部海岸地区尤为突出,中部较为薄弱,这也和美国的城市等级分布有关,美国东部有波士顿、剑桥市、亚特兰大等城市,美国西部有洛杉矶、西雅图等城市。中国和新加坡的联系主要通过香港和北京两大城市产生联系,尤其以香港更为突出,这也能反映出地理邻近性的作用。对网络中节点的位置进行研究发现,处于三角形外部的冰岛地区（雷克雅未克）的科学家,只和三角形的其中1个顶点（美国）的科学家有联系,和其他区域几乎没有联系。但是对于同样处于单独区域的沙特阿拉伯地区（吉达）,由于和三角形的中心位置距离更近,和三角形的3个顶点（美国、东亚、澳大利亚）都有联系。因此,行为主体在网络中的位置对知识网络的联系或创新绩效影响会更大。

图2

新窗口打开|下载原图ZIP|生成PPT
图2高被引华人科学家知识网络的空间分布图

注：只对主要城市节点和城市内华人科学家进行了标注,黑体为作者名。
Fig. 2Spatial distribution of knowledge network of highly cited Chinese scientists

4 海外高被引华人科学家知识网络影响因素

运用Stata并采用负二项重力模型回归,选用NB1模型回归,拟合匹配度更高,检验了科学家自主创新能力、科学家学科背景、国籍工作单位的性质及出国时间等个人尺度的因素与知识网络联系数量的关系。同时对国家尺度的影响因素进行控制,如国家的研发能力的差异、国家的发表论文能力的差异、国家的研发潜力的差异等因素。在负二项重力模型回归之前,本文先对各自变量之间的共线性进行了分析,各自变量的VIF值均小于10,不存在多重共线性问题。

从模型匹配结果来看（表5）,自变量所代表的科学家个人因素均对科学家之间的合作网络有显著影响,其中科学家个人所发表文章数量、科学家所在城市之间的距离、科学家的学科背景、科学家的出国时间差异均在1%的水平上显著,科学家的工作背景和国籍背景在5%的水平上显著。

Tab. 5
表5
表5负二项重力模型回归结果
Tab. 5Regression results of negative binomial gravity model

	模型1	模型2	模型3	模型4	模型5	模型6
C_i	0.00600^***	0.00700^***	0.00797^***	0.00832^***	0.00858^***	0.00851^***
	(-0.00126)	(-0.00134)	(-0.00136)	(-0.00141)	(-0.00141)	(-0.00133)
C_j	0.00600^***	0.00700^***	0.00797^***	0.00832^***	0.00858^***	0.00851^***
	(-0.00126)	(-0.00134)	(-0.00136)	(-0.00141)	(-0.00141)	(-0.00133)
lndis_ij		-0.0529^***	-0.0480^***	-0.0459^***	-0.0474^***	-0.0489^***
		(-0.00723)	(-0.00718)	(-0.00688)	(-0.00694)	(-0.00682)
sub_ij			0.314^***	0.301^***	0.305^***	0.313^***
			(-0.0624)	(-0.0627)	(-0.0631)	(-0.0625)
job_ij				0.119^**	0.145^**	0.137^**
				(-0.0591)	(-0.0592)	(-0.0586)
time_ij					0.00680^**	0.00771^***
					(-0.00265)	(-0.00274)
nat_ij						-0.219^**
						(-0.0882)
rdex_ij	-0.0279	0.0026	-0.011	-0.0126	-0.00545	0.0212
	(-0.0526)	(-0.0551)	(-0.0563)	(-0.0561)	(-0.0569)	(-0.0596)
lnpa_ij	-0.0133^**	0.0113^*	0.0117^*	0.0105	0.00947	-0.00541
	(-0.00652)	(-0.0067)	(-0.00687)	(-0.00687)	(-0.00687)	(-0.00952)
常数	0.866^***	1.302^***	1.035^***	0.920^***	0.849^***	1.046^***
	(-0.0568)	(-0.0859)	(-0.105)	(-0.113)	(-0.117)	(-0.136)

注：1.^***表示P<0.01,^**表示P<0.05,^*表示P<0.1;2.括号中数值为稳健性标准误。

新窗口打开|下载CSV

从模型1的回归结果来看,科学家的个人发表论文的能力,对科学家之间的合作有显著的正向影响,科学家的个人创新能力越强,对其知识网络的构建会有正向的影响。

模型2的回归结果代表了地理邻近性的作用,地理距离与知识网络形成呈现负相关关系,相关系数为-0.0529,地理距离对个人尺度上的知识网络的创建有抑制作用,这也有力证明了地理邻近性的作用仍然存在,只是可能由于信息技术的发展,地理邻近的优势可能会被削弱。

模型3~模型5的回归结果表明社会邻近性与科学家之间的合作呈现正相关关系。科学家之间的社会邻近性有利于信任感的建立,会促进知识尤其是隐性知识的流动,使得科学家之间的合作增加。这与Wal等认为社会邻近性是促进知识跨区域流动的主要因素的结论一致^[20]。社会邻近性通过行为主体之间的交流,可以增加行为主体之间的信任,信任机制可以降低交流的隐性成本,促进知识交流^[30]。科学家之间的社会关系越亲密,越有利于其进行合作交流。贺灿飞等研究发现社会邻近性与地理邻近性存在互补作用,社会邻近可以跨越边界对网络创新起促进作用^[31]。从模型2和模型5的对比中可以看出,在社会邻近性的作用下,地理距离的作用在减小,系数由-0.0529变成-0.0474,证明地理邻近性的作用有所增加,与贺灿飞等研究一致。

社会邻近性首先体现在行为主体的知识基础方面,由于知识基础的差异,产生了认知距离,但认知距离过大,会阻碍知识主体之间的交流,所以认知距离需要在一个合适的范围内才能发挥作用^[32]。而决定知识基础的因素包括科学家的学科背景、教育经历等,科学家的学科背景对科学家之间的联系有显著的正向作用,大部分处于合作网络中的海外高被引华人科学家具有相似的学科背景,从专业领域分布来看,高被引华人科学家几乎都为理工科人才,占比为91.67%,具体而言,主要来自化学类、工程学类和材料科学类。309位高被引华人科学家的学科背景涉及22类,其中占比最高的是属于化学类的科学家,占比22.98%;其次是属于工程学类的科学家,占比19.09%;属于材料学类的科学家占比11.37%。这三类总和超过一半人,比例达到了54.05%。这也充分证明了拥有相似学科背景的科学家更容易产生合作,证实了社会邻近性在知识网络形成中的重要推动作用。

高被引华人科学家的工作单位性质情况相同,也表明了科学家的社会关系的作用。数据资料表明科学家主要分布于大学,研究机构和公司等,有80.46%的科学家选择了在高等院校工作;而有15.80%的科学家供职于相关研究机构,包括研究中心、研究所、研究院及实验室;仅有3.74%的科学家选择在公司或者政府机构工作。其工作单位的性质对其合作交流也会有一定的促进作用,但是随着现在产学研合作的开展,学校、研究机构和公司等的合作也会增加,所以在1%的水平上呈现正向效应。

科学家出国时间的差值与科学家之间的合作网络有正向作用,即科学家出国时间差值越大,反而越有利于其合作的开展,大多数的科学家在1980—1999年这个时间段出国,而这个时间正是改革开放初期,是改革开放政策的起步和全面展开的阶段,出国留学政策也随着改革开放的进程而改变。同时间段出国的科学家,可能由于留学名额的有限而处于相互竞争的态势,所以其合作反而会有所减少。科学家之间的学缘网络对其合作也会有一定的影响,可能更多的华人科学家选择和其导师进行合作。

模型6显示科学家的国籍背景相同也会对科学家的合作产生正向的影响,表明了制度邻近性对科学家之间的合作有促进作用。高被引华人科学家的国籍决定了其类似的行为规则或者价值观,从而在制度层面有所体现,这种制度包括正式制度和非正式制度,正式制度类似于法律法规或者国家制定的行为准则、发展规划等政策性因素,非正式制度包括语言文化、经济水平、社会制度等方面^[33]。行为主体所处地区不同,所形成的制度环境肯定有所差异,从而带来交流上的壁垒,对知识网络的形成产生影响。地方性保护或高科技管制等政策可以对合作交流产生阻碍作用,从语言文化来看,相同国籍的科学家之间具有相似的语言文化基础是毋庸置疑的,语言文化等非正式制度的相似性,会有利于行为主体之间进行沟通,促进知识流动。所以相同国籍的华人科学家之间,其合作开展会更加顺利。

5 结论与讨论

基于2014—2015年全球高被引科学家名单,确定海外高被引华人科学家,并借助Ucinet、Stata等分析工具,运用负二项重力模型,对城市间的知识网络空间结构和影响因素进行了分析。主要研究发现：

（1）高被引华人科学家知识网络联系不够紧密,存在核心-边缘结构特征。从知识网络的网络特征上,城市等级越高的科学家之间更容易产生合作联系,知识网络密度较低,平均路径长度较小,具有较高的聚类性,符合小世界网络的特征。网络知识溢出频繁,科学家的合作较为密切,存在核心-边缘结构特征。

（2）高被引华人科学家知识网络的空间结构呈现“小集聚大分散”特征,高被引华人科学家作为知识网络中的行为主体主要分布在中国东部沿海区域、美国东西海岸地区等,和全球大城市空间分布较为吻合。网络空间呈现以美国、东亚地区、澳大利亚为顶点的三角形结构,且三角形短边联系较多,长边联系较少,中国东部、美国东部和西部的子群内部联系较多,地理邻近性作用明显。同时将网络的区位放到全球尺度,对城市知识网络中节点的位置研究发现,行为主体在网络中的地位对知识网络的构建会有一定的影响。

（3）海外高被引华人科学家知识网络形成过程中会受到科学家自身因素的影响,本文着重分析了科学家自身创新能力、地理距离、学科背景、工作单位性质、出国时间和国籍背景对知识网络构建的影响,并且对国家层面的创新能力进行了控制,研究发现地理距离对科学家之间的联系呈现负相关关系,证明地理邻近性的影响仍然存在,距离会限制知识的流动。科学家的学科背景、工作单位性质相似性和出国时间代表的社会邻近性对科学家之间的知识网络的形成具有正向的促进作用。高被引科学家之间的合作交流,更多的和其教育经历、研究领域、语言文化等因素相关。科学家的国籍背景相似性所代表的制度邻近性也对知识网络的构建有促进作用。地方-全球创新网络成为新的关注焦点,知识网络的联系是否具有显著的尺度,仍然值得探究。

根据上述研究结论,对中国人才引进及出国留学政策提出如下建议：加强中国高等院校和科研院所的建设,为华人科学家提供具有吸引力的学术平台,同时应该紧跟学术科技前沿。而从知识网络的构建来看,合理对华人科学家进行引进,有利于提升地方的创新能力,可以加强中国中西部的科技建设,同时重点发挥东部沿海地区科学家的集聚作用,合理分布,从而提高地区的创新协调能力,促进地方发展,高被引华人科学家作为中国发展的潜在资源,可以对科学家进行更加多元化的培养,增强科学家的知识差异,为跨学科合作创新提供机会。

本文受限于数据的获取和处理的困难,从地理邻近性、社会邻近性和制度邻近性等方面研究了2014—2015年的高被引华人科学家的论文合著数据,从个人尺度对知识网络的空间结构展开了研究。知识网络的研究,多维度的数据会更有利于知识网络的刻画,未来可以展开多数据维度,长时间尺度下的华人科学家的知识网络和创新网络的研究,深入探讨个人、机构、城市和国家等各个层面的知识网络的空间结构和影响因素分析,选取更多的变量对知识网络影响因素进行研究。

致谢:

真诚感谢匿名评审专家对本文在数据分析的严谨性、研究结论的系统性梳理等方面提出了关键性修改意见和建议,使本文获益匪浅。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

苗长虹, 魏也华. 西方经济地理学理论建构的发展与论争
地理研究, 2007,26(6):1233-1246.

URL [本文引用: 1]

本文从历史和现实的视角,对西方经济地理学理论建构的演变与近期发展趋势进行了分析与总结。经济活动的区位、空间与地方是经济地理学研究的基本对象,也是经济地理学认识社会经济生活的基本视角,其理论建构的核心始终围绕着区位、空间与地方来进行,并以分析它们与经济、政治、社会、自然、环境的关系以及其中经济行动者的能动性与结构的关系而走向理论建构的多样化和多元化,而技术、制度、文化和关系、尺度、调节是其理论建构的重要中介,也是当今"新经济地理学"理论建构争论的核心所在。

[ Miao

Changhong

, Wei

Yehua

. Development and debates in the theoretical construction of economic geography
Geographical Research, 2007,26(6):1233-1246.]

[本文引用: 1]

[2]

李丹丹, 汪涛, 周辉. 基于不同时空尺度的知识溢出网络结构特征研究
地理科学, 2013,33(10):1180-1187.

URL [本文引用: 1]

知识溢出的多空间尺度耦合、空间知识溢出的测度以及空间知识溢出的机制是近期国内外有关知识溢出地理效应研究的主要新动向。借助科学计量学追踪知识溢出的方法,以2000~2009 年被国际ISI 及国内重庆维普数据库收录的,中国大学和科研院所等机构在生物技术领域合作发表科学论文的信息为数据源,从社会网络的视角,运用社会网络分析和GIS 空间分析方法,分别以国家、省份和城市为单元,从国际、国家和长三角层面(区域),分析2000 年以来,中国大学和科研院所知识溢出网络的拓扑结构和空间结构变动特征,并从地理距离、社会距离、认知距离、组织距离等方面探讨影响知识溢出效应的机理。研究发现:① 2003~2004 年为知识溢出网络发展的拐点期;② 国际和国家层面网络接近小世界网络,长三角层面的网络体现出更多的随机网络特征;③ 知识在国际层面的空间溢出具有明显的路径依赖性,主要受到社会距离和组织距离的影响;④ 在国家层面呈现由三角形向钻石形发展的趋势,随着网络发育的日益成熟,地理距离的影响逐步减弱,社会距离和组织距离的影响得以加强;⑤ 在长三角层面总体上呈现三点一线特征,地理距离在区域尺度的影响最为显著,知识溢出既遵循了等级扩散的规律,也体现了距离衰减的特点。

[ Li

Dandan

, Wang

Tao

, Zhou

Hui

. The structural characteristics of knowledge spillover networks based on different spatial and temporal scales
Scientia Geographica Sinica, 2013,33(10):1180-1187.]

[本文引用: 1]

[3]

De Albuquerque J

, Herfort

, Brenning

, et al. A geographic approach for combining social media and authoritative data towards identifying useful information for disaster management
International Journal of Geographical Information Science, 2015,29(4):667-689.

DOI:10.1080/13658816.2014.996567 URL [本文引用: 1]

[4]

刘卫东, 甄峰. 信息化对社会经济空间组织的影响研究
地理学报, 2004,59(S1):67-76.

[本文引用: 1]

[ Liu

Weidong

, Zhen

Feng

. Spatial implications of new information and communication technologies
Acta Georaphica Sinica, 2004,59(S1):67-76.]

[本文引用: 1]

[5]

Bathelt

, Cantwell J

, Mudambi

. Overcoming frictions in transnational knowledge flows: Challenges of connecting, sense-making and integrating
Journal of Economic Geography, 2018,18(5):1001-1022.

DOI:10.1093/jeg/lby047 URL [本文引用: 1]

[6]

Bathelt

, Li

, Zhu

. Geographies of temporary markets: An anatomy of the Canton Fair
European Planning Studies, 2017: 1-19.

[本文引用: 1]

[7]

Elfring

, Hulsink

. Networks in enterpreneurship: The case of high-technology firms
Small Business Economics, 2003,21(4):409-422.

DOI:10.1023/A:1026180418357 URL [本文引用: 1]

The value of networks as an integral part of the explanation of entrepreneurial success is widely acknowledged. However, the network perspective does not specify the role of networks in the emergence and early growth of a venture. We have distinguished three entrepreneurial processes in new venture development, i.e. discovery of opportunities, securing resources, and obtaining legitimacy, which are of importance for survival and performance. This paper examines how these processes are influenced by strong and/or weak ties and whether the degree of innovation (incremental versus radical) acts as a contingency factor in the way network ties support entrepreneurial processes. In this explorative study three cases on high technology firms in The Netherlands provide empirical material enabling us to develop a number of propositions on the network effect, in particular the mix of strong and weak ties, on the three entrepreneurial processes.]]>

[8]

李丹丹, 汪涛, 魏也华, 等. 中国城市尺度科学知识网络与技术知识网络结构的时空复杂性
地理研究, 2015(3):525-540.

[本文引用: 1]

[ Li

Dandan

, Wang

Tao

, Wei

Yehua

, et al. Spatial and temporal complexity of scientific knowledge network and technological knowledge network on China's urban scale
Geographical Research, 2015(3):525-540.]

[本文引用: 1]

[9]

邓羽, 司月芳. 西方创新地理研究评述
地理研究, 2016,11(35):2041-2052.

[本文引用: 1]

[ Deng

, Si

Yuefang

. The progress and prospect of innovation geography research in the West
Geographical Research, 2016,11(35):2041-2052.]

[本文引用: 1]

[10]

汪涛, 李丹丹. 知识网络空间结构演化及对 NIS 建设的启示
地理研究, 2011,30(10):1861-1872.

URL [本文引用: 1]

以重庆维普期刊全文数据库中2000~2009年发表于生物技术领域的合著论文作者信息统计数据为数据源,从省级层面运用UCINET和ArcGIS软件分析知识网络的空间结构特征及其演化规律。近十年来生物技术知识网络经历了由萌芽阶段向扩张阶段和成熟阶段转变的过程,知识的扩散方式由接触扩散为主向等级扩散为主转变,知识交流的密集区在空间上相应地经历了由分散到集中到再分散过程,网络节点间地理临近和组织临近的相互作用共同推动着网络空间结构的演化。研究表明:从缩短知识主体的社会距离和优化创新资源的空间配置两个角度,对我国国家创新系统推进生物技术发展提出建议,以提高科技投入产出效率和空间配置效率。

[ Wang

Tao

, Li

Dandan

. Spatial structure evolution of knowledge network and its impact on the NIS: Case study of biotechnology in China
Geographical Research, 2011,30(10):1861-1872.]

[本文引用: 1]

[11]

高爽, 王少剑, 王泽宏. 粤港澳大湾区知识网络空间结构演化特征与影响机制
热带地理, 2019,39(5):678-688.

DOI:10.13284/j.cnki.rddl.003174 URL [本文引用: 1]

以2000—2018年国内外期刊数据库合作论文数据为基础,借助社会网络分析和空间结构指数法分析了粤港澳大湾区知识空间网络结构演化特征与影响因素,结果发现：1）知识网络格局由广州的“一家独大”逐渐演变为广州、深圳、香港“齐头并进”的发展态势。香港虽然处于知识网络的核心位置,但受行政壁垒的影响,主要与广州、深圳高等级的城市建立紧密的知识合作联系。2）粤港澳大湾区知识联系网络呈现“核心—边缘”结构,西部地区知识联系远低于东部地区,虽然研究期内湾区的知识网络的极化特征得到一定的缓解,但不均衡性仍然显著。3）湾区知识活动主体的自身需求是促进城市间知识合作的内在驱动力,知识环境和知识联系通道是区域知识合作网络外在推动力,在内生作用和外生作用的共同影响下,知识合作产出得以实现,粤港澳大湾区知识网络得以发展。

[ Gao

Shuang

, Wang

Shaojian

, Wang

Zehong

. Evolution of the structural characteristics and factors influencing the knowledge network of the Guangdong-Hong Kong-Macao Greater Bay Area
Tropical Geography, 2019,39(5):678-688.]

[本文引用: 1]

[12]

胡曙虹, 杜德斌, 范蓓蕾. 中国企业R&D国际化: 时空格局与区位选择影响因素
地理研究, 2019,38(7):1733-1748.

DOI:10.11821/dlyj020180217 URL [本文引用: 1]

基于中国企业海外R&D投资数据和零断尾负二项回归分析方法,探讨了1998—2015年中国企业R&D国际化的时空格局特征,并从东道国角度分析影响其区位选择的主要因素。结果表明：研究期内中国新建海外R&D机构数量快速扩张;海外R&D投资区域分布广泛,呈现分散和集聚并存的特征;以华为为例分析了典型中国企业海外R&D投资的空间布局特征,认为目前华为海外R&D投资呈现集中布局在欧洲,零散分布在亚洲、美洲、非洲的空间特征,主要是由其以全球技术升级和满足多样化的市场需求等R&D国际化的战略动机所决定。回归分析结果表明,中国企业对发达国家和发展中国家进行R&D投资的影响因素有共同点但也存在一定的差异：① 现阶段东道国的R&D需求不是影响中国企业对其进行R&D投资的主要因素;② 代表中国与东道国经济往来密切程度的关联要素是影响中国企业R&D投资的重要决策因素;③ 发达国家吸引中国企业对其进行R&D投资主要是因其创新能力强、R&D资源数量多,而政策及制度供给是影响中国企业对发展中国家进行R&D投资的主要因素;④ 地理距离对中国企业R&D“走出去”的阻碍作用主要体现在对发展中国家的R&D投资中。

[ Hu

Shuhong

, Du

Debin

, Fan

Beilei

. R&D globalization of Chinese companies: Spatial-temporal pattern and influencing factors of location selection
Geographical Research, 2019,38(7):1733-1748.]

[本文引用: 1]

[13]

杨文龙, 杜德斌, 马亚华, 等. “一带一路”沿线国家贸易网络空间结构与邻近性
地理研究, 2018,37(11):96-113.

[本文引用: 1]

[ Yang

Wenlong

, Du

Debin

, Ma

Yahua

, et al. Network structure and proximity of the trade network in the Belt and Road region
Geographical Research, 2018,37(11):96-113.]

[本文引用: 1]

[14]

Gui

, Liu

, Du

. Globalization of science and international scientific collaboration: A network perspective
Geoforum, 2019,105(Oct.):1-12.

DOI:10.1016/j.geoforum.2019.06.017 URL [本文引用: 1]

[15]

Cao

, Zeng

, Ye

. The structure and proximity mechanism of formal innovation networks: Evidence from Shanghai high-tech ITISAs
Growth and Change, 2019,50(2):569-586.

DOI:10.1111/grow.2019.50.issue-2 URL [本文引用: 1]

[16]

Bunnell T

, Coe N

. Spaces and scales of innovation
Progress in Human Geography, 2001,25(4):569-589.

DOI:10.1191/030913201682688940 URL [本文引用: 1]

[17]

Boschma

. Proximity and innovation: A critical assessment
Regional Studies, 2005,39(1):61-74.

DOI:10.1080/0034340052000320887 URL [本文引用: 3]

[18]

吕国庆, 曾刚, 顾娜娜. 基于地理邻近与社会邻近的创新网络动态演化分析: 以我国装备制造业为例
中国软科学, 2014, (5):97-106.

[本文引用: 1]

[ Lu

Guoqing

, Zeng

Gang

, Gu

Nana

. Dynamic evolution of innovation network in China's equipment manufacturing industry: Geographic proximity versus social proximity
China Soft Science Magazine, 2014, (5):97-106.]

[本文引用: 1]

[19]

Boschma

, Martín

, Minondo

. Neighbour regions as the source of new industries
Papers in Regional Science, 2017,96(2):227-245.

DOI:10.1111/pirs.12215 URL [本文引用: 1]

[20]

Ter Wal

A L J

. The dynamics of the inventor network in German biotechnology: Geographic proximity versus triadic closure
Journal of Economic Geography, 2013,14(3):589-620.

DOI:10.1093/jeg/lbs063 URL [本文引用: 2]

[21]

辛晓睿, 刘刚, 曾刚. 上海农业创新网络及其空间结构研究
世界地理研究, 2017,26(6):112-120.

[本文引用: 1]

[ Xin

Xiaorui

, Liu

Gang

, Zeng

Gang

. The spatial structure of innovation network of Shanghai's agriculture industry
World Regional Studies, 2017,26(6):112-120.]

[本文引用: 1]

[22]

鲜果, 曾刚, 曹贤忠. 中国城市间创新网络结构及其邻近性机理
世界地理研究, 2018,27(5):139-149.

[本文引用: 3]

[ Xian

Guo

, Zeng

Gang

, Cao

Xianzhong

. Structural feature and proximity mechanism of Chinese intercity innovation network
World Regional Studies, 2018,27(5):139-149.]

[本文引用: 3]

[23]

Abbasi

, Altmann

, Hossain

. Identifying the effects of co-authorship networks on the performance of scholars: A correlation and regression analysis of performance measures and social network analysis measures
Journal of Informetrics, 2011,5(4):594-607.

DOI:10.1016/j.joi.2011.05.007 URL [本文引用: 1]

In this study, we develop a theoretical model based on social network theories and analytical methods for exploring collaboration (co-authorship) networks of scholars. We use measures from social network analysis (SNA) (i.e., normalized degree centrality, normalized closeness centrality, normalized betweenness centrality, normalized eigenvector centrality, average ties strength, and efficiency) for examining the effect of social networks on the (citation-based) performance of scholars in a given discipline (i.e., information systems). Results from our statistical analysis using a Poisson regression model suggest that research performance of scholars (g-index) is positively correlated with four SNA measures except for the normalized betweenness centrality and the normalized closeness centrality measures. Furthermore, it reveals that only normalized degree centrality, efficiency, and average ties strength have a positive significant influence on the g-index (as a performance measure). The normalized eigenvector centrality has a negative significant influence on the g-index. Based on these results, we can imply that scholars, who are connected to many distinct scholars, have a better citation-based performance (g-index) than scholars with fewer connections. Additionally, scholars with large average ties strengths (i.e., repeated co-authorships) show a better research performance than those with low tie strengths (e.g., single co-authorships with many different scholars). The results related to efficiency show that scholars, who maintain a strong co-authorship relationship to only one co-author of a group of linked co-authors, perform better than those researchers with many relationships to the same group of linked co-authors. The negative effect of the normalized eigenvector suggests that scholars should work with many students instead of other well-performing scholars. Consequently, we can state that the professional social network of researchers can be used to predict the future performance of researchers. (C) 2011 Elsevier Ltd.

[24]

刘军. 整体网分析讲义: UCINET软件实用指南
上海: 上海人民出版社, 2009: 97.

[本文引用: 1]

[ Liu

Jun

. Lectures on Whole Network Approach: A Practical Guide to UCINET
Shanghai: Shanghai People's Publishing House, 2009: 97.]

[本文引用: 1]

[25]

刘军. 社会网络分析导论. 北京: 社会科学文献出版社, 2004: 112.

[本文引用: 1]

[ Liu

Jun

. A Introduction to Social Network Analysis. Beijing: Social Sciences Academic Press, 2004: 112.]

[本文引用: 1]

[26]

刘承良, 桂钦昌, 段德忠, 等. 全球科研论文合作网络的结构异质性及其邻近性机理
地理学报, 2017,72(4):737-752.

DOI:10.11821/dlxb201704014 URL [本文引用: 2]

以科研论文为媒介的知识合作网络已成为知识溢出的重要通道,但目前学术界对全球科研合作网络结构的复杂性涌现机制缺乏深入的探讨。基于2014年Web of Science核心合集所收录的科研论文合著数据,借助大数据挖掘技术、复杂网络、空间统计和重力模型分析,刻画了全球科研论文合作网络的拓扑结构、空间格局及其邻近性机理。结果发现：① 拓扑结构上,形成了以美国为核心的层级网络,具有小世界性和等级层次性,发育出典型的等级“核心—边缘”结构。② 空间格局上,以美国、西欧、中国和澳大利亚为顶点的“四边形”成为全球科研论文合作网络的骨架;三大中心性指标值的空间分异明显,强度中心性形成以美国为极核,加拿大、澳大利亚、中国及西欧诸国为次中心的“一超多强”格局,与之类似的介数中心性呈现北美、西欧和东亚“三足鼎立”的形态,度中心性分布则相对均匀,表现出“大分散、小集中”的“多中心—边缘集散”格局。③ 重力回归分析发现,地理距离抑制了国际科研论文合作,不过其影响力较弱;社会与经济邻近性对全球科研论文合作具有明显的促进作用,语言差异不是国际科研合作交流的障碍。

[ Liu

Chengliang

, Gui

Qinchang

, Duan

Dezhong

, et al. Structural heterogeneity and proximity mechanism of global scientific collaboration network based on co-authored papers
Acta Georaphica Sinica, 2017,72(4):737-752.]

[本文引用: 2]

[27]

王若宇, 黄旭, 薛德升, 等. 2005—2015年中国高校科研人才的时空变化及影响因素分析
地理科学, 2019,39(8):1199-1207.

DOI:10.13249/j.cnki.sgs.2019.08.001 URL [本文引用: 1]

基于2005~2015年全国统计年鉴数据,采用统计地图法和空间自相关分析,分析中国高校科研人才的时空分布特征（不包括港澳台数据）,并采用面板负二项回归模型,识别高校科研人才空间分布的决定因素。研究结果表明:①中国的高校科研人才分布表现出较强的空间不均衡性,总体趋势为东南密集,西北稀疏,科研人才高度集中在北京、天津、上海;②高校科研人才分布具有一定的空间集聚特征,其热点地区为北京、天津、上海和江苏等沿海省市,冷点地区集中分布在广大的西部地区和黑龙江省。2005~2015年,高级职称人才的空间集聚程度有所减弱,而中初级职称科研人才的空间集聚程度有所加强;③人才政策、高等教育规模和层次、公共服务水平和信息化水平是所有高校科研人才空间分布的主要影响因素。从职称差异的角度来看,薪酬和失业率等经济因素仅对初级职称科研人才的分布有影响,医疗、文化公共服务水平和人才政策仅对中高级职称科研人才的分布有影响,高等教育的规模与层次对各种职称人才的分布均有影响;从地区差异的角度来看,西部地区高校科研人才受到经济因素影响更为明显,而中东部高校科研人才受到公共服务水平影响的更为明显。

[ Wang

Ruoyu

, Huang

, Xue

Desheng

, et al. Spatio-temporal change of faculty members of higher education institute and its influential factors in China in 2005-2015
Scientia Geographica Sinica, 2019,39(8):1199-1207.]

[本文引用: 1]

[28]

Scherngell

, Hu

. Collaborative knowledge production in China: Regional evidence from a gravity model approach
Regional Studies, 2011,45(6):755-772.

DOI:10.1080/00343401003713373 URL [本文引用: 1]

SCHERNGELL T. and HU Y. Collaborative knowledge production in China: regional evidence from a gravity model approach, Regional Studies. This study investigates collaborative knowledge production in China from a regional perspective. The objective is to illustrate spatial patterns of research collaborations between thirty-one Chinese regions, and to estimate the impact of geographical, technological, and economic factors on the variation of cross-region collaboration activities within a negative binomial gravity model framework. Data are used on Chinese scientific publications from 2007 with multiple author addresses coming from the China National Knowledge Infrastructure (CNKI) database. The results provide evidence that geographical space impedes cross-region research collaborations in China. Technological proximity matters more than geography, while economic effects only play a minor role.

[29]

Ejermo

, Karlsson

. Interregional inventor networks as studied by patent coinventorships
Research Policy, 2006,35(3):412-430.

DOI:10.1016/j.respol.2006.01.001 URL [本文引用: 1]

[30]

Inkpen A

, Tsang

E W K

. Social capital, networks, and knowledge transfer
Academy of Management Review, 2005,30(1):146-165.

DOI:10.5465/amr.2005.15281445 URL [本文引用: 1]

[31]

贺灿飞, 金璐璐, 刘颖. 多维邻近性对中国出口产品空间演化的影响
地理研究, 2017(9):15-28.

[本文引用: 1]

[ He

Canfei

, Jin

Lulu

, Liu

Ying

. How does multi-proximity affect the evolution of export product space in China?
Geographical Research, 2017(9):15-28.]

[本文引用: 1]

[32]

Knoben

, Oerlemans

L A G

. Proximity and inter-organizational collaboration: A literature review
International Journal of Management Reviews, 2010,8(2):71-89.

DOI:10.1111/ijmr.2006.8.issue-2 URL [本文引用: 1]

[33]

Balland P

. Proximity and the evolution of collaboration networks: Evidence from research and development projects within the Global Navigation Satellite System (GNSS) industry
Regional Studies, 2012,46(6):741-756.

DOI:10.1080/00343404.2010.529121 URL [本文引用: 1]

BALLAND P.-A. Proximity and the evolution of collaboration networks: evidence from research and development projects within the global navigation satellite system (GNSS) industry, Regional Studies. This paper analyses the influence of proximity on the evolution of collaboration networks. It determines empirically how organizations choose their partners according to their geographical, cognitive, organizational, institutional and social proximity. Relational databases are constructed from research and development collaborative projects, funded under the European Union 6th Framework Programme within the global navigation satellite system (GNSS) industry from 2004 to 2007. The stochastic actor-based model SIENA is used to model the network dynamic as a realization of a continuous-time Markov chain and to estimate parameters for underlying mechanisms of its evolution. Empirical results show that geographical, organizational and institutional proximity favour collaborations, while cognitive and social proximity do not play a significant role.