中国城市物流创新的空间网络特征及驱动机制

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

孙春晓^,¹, 裴小忠^,², 刘程军¹, 卜庆军¹

1.浙江工业大学之江学院,绍兴 312030

2.浙江工业大学管理学院,杭州 310014

Spatial network characteristics and driving mechanism of urban logistics innovation in China

SUN Chunxiao^,¹, PEI Xiaozhong^,², LIU Chengjun¹, BU Qingjun¹

1. Zhijiang College, Zhejiang University of Technology, Shaoxing 312030, Zhejiang China

2. School of Management, Zhejiang University of Technology, Hangzhou 310014, China

通讯作者: 裴小忠（1995-）,男,湖北襄阳人,硕士,主要研究方向为创新网络与产业集群。E-mail:1425227769@qq.com

收稿日期:2020-01-14接受日期:2021-01-27网络出版日期:2021-05-10

基金资助:

国家社会科学基金项目.17BJY036
国家自然科学基金青年项目.42001118

Received:2020-01-14Accepted:2021-01-27Online:2021-05-10
作者简介 About authors
孙春晓（1979-）,女,浙江义乌人,博士,副教授,硕士生导师,主要研究方向为创新管理与区域经济。E-mail:35919697@qq.com

摘要
创新要素高效流动的空间联系网络是物流高质量发展和区域物流协同发展研究的重要切入点。基于2003—2018年中国284个城市物流专利权利转移数据,运用大数据挖掘技术、GIS空间分析、社会网络分析和空间计量方法,研究了中国城市物流创新的空间网络特征及驱动机制,结果表明：① 网络规模扩张迅速,网络愈加稠密化,形成以深圳、北京、上海为中心的“多核心-边缘”格局,边缘区城市联结密度大幅提升,两极分化态势逐渐减弱。② 京津冀、长三角、珠三角和成渝城市群内的核心城市构筑了中国城市物流创新空间网络的菱形结构,形成邻近、等级和跳跃式混合聚类的四大凝聚子群,首位联系主要表现为五种空间扩散模式,呈现跳跃式和接触式联系态势。③ 城市物流创新联系在经济及信息联系通道中更易集聚,存在显著的内生交互效应;基于本地-邻近视角,功能基础和信息基础在经济、地理和信息权重下均对本地城市和邻近城市创新联系产生负向影响;政府扶持和众创氛围在经济、地理和信息权重下均对本地城市和邻近城市物流创新联系具有正向作用;经济基础、产业驱动、消费驱动和人才支撑在经济、地理和信息权重下分别对本地或邻近城市物流创新联系入强度或出强度产生显著影响。
关键词： 物流创新空间网络;网络结构;驱动机制;社会网络分析;空间杜宾模型;中国

Abstract

Existing innovation network research mostly focuses on urban connections or spatial connections of innovation-intensive industries. As the logistics industry is a productive service industry with relatively weak innovation capabilities, the formation and evolution of its spatial network of innovation has unique characteristics. Based on the data of logistics patent transfer among 284 cities in China from 2003 to 2018 and applying methods of big-data mining technology, GIS spatial analysis, social network analysis and spatial measurement, this paper aims to analyze the characteristics and driving mechanism of the spatial network in China's urban logistics innovation. The main findings are drawn as follows: (1)The scale of the spatial network presents a rapid growth and has formed a “multi-core-peripheral” structure. It is noticeable that the agglomeration and connectivity of the spatial network in China's urban logistics innovation are constantly increasing, and the trend of network agglomeration continues to rise significantly. At the same time, the spatial network of logistics innovation has gradually evolved from a dual-core dominated structure to a “multi-core-peripheral” pattern centered on the cities of Shenzhen, Beijing, and Shanghai. (2) The Beijing-Tianjin-Hebei urban agglomeration, the Yangtze River Delta urban agglomeration, the Pearl River Delta urban agglomeration and the Chengdu-Chongqing urban agglomeration have constructed a diamond-shaped structure of the spatial network in China's urban logistics innovation. In addition, the spatial network has formed four cohesive subgroups, showing a clustering mode of proximity, hierarchy and the jump-type hybrid and has formed five spatial diffusion modes mainly showing a jump and contact connection in the first connection. (3) There are three-dimensional driving forces from foundation, market, and environment for the evolution of the spatial network in China's urban logistics innovation. Based on the local-neighboring perspective, the functional foundation and information foundation have a negative impact on the innovative connection between the local city and neighboring cities under the weight of economy, geography and information. Government support and crowd-creation atmosphere have a positive effect on logistics innovation connection between local cities and neighboring cities under the weight of economy, geography and information. Economic foundation, industry drivers, consumption drivers, and talent support have significant effects respectively on the input or output intensity of logistics innovation connection in the local city or neighboring cities under the weight of economy, geography or information.

Keywords：spatial network of logistics innovation;network structure;driving mechanism;social network analysis;spatial Durbin model;China

PDF (4488KB)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
孙春晓, 裴小忠, 刘程军, 卜庆军. 中国城市物流创新的空间网络特征及驱动机制. 地理研究[J], 2021, 40(5): 1354-1371 doi:10.11821/dlyj020200036
SUN Chunxiao, PEI Xiaozhong, LIU Chengjun, BU Qingjun. Spatial network characteristics and driving mechanism of urban logistics innovation in China. Geographical Research[J], 2021, 40(5): 1354-1371 doi:10.11821/dlyj020200036

1 引言

随着物流业与制造业深度融合发展,物流产业迎来了新的机遇和挑战,倒逼物流企业探索转型升级之路。2019年,国家发改委、财政部等联合印发了《关于推进物流高质量发展,促进形成强大国内市场的意见》,明确指出了物流高质量发展是中国经济高质量发展的重要组成部分,有利于充分发挥其服务实体经济的能力,并着重阐明了创新驱动是物流高质量发展的重要力量,实现物流业的质效同升尤为关键。在知识经济背景下,创新的综合性和复杂性使得物流创新主体对外部创新资源的依赖程度渐增,更趋向于通过创新协作来获取资源,提升创新能力,使得单一的线性创新逐渐演化为复杂的创新联系网络。城市作为物流创新要素集聚的主要空间载体^[1],是物流业高质量发展的关键节点。更好地发挥城市在物流创新发展中的集聚、引领和提升作用,形成城市间物流创新要素高效流动的联系网络是中国物流业创新驱动高质量发展和区域物流协同发展的关键,有利于增强物流对“一带一路”倡议以及京津冀协同发展、长江经济带等重大国家战略实施的支撑保障作用。

基于经济地理学的关系转向和时间序列的演化分析转向,从网络范式视角动态地探究创新问题已成为创新地理学研究者关注的焦点。已有研究聚焦于以下三方面：① 创新空间格局差异、演化特征及影响机制研究。学界多采用单一或复合评价指标体系测度创新能力、创新绩效、创新效率,运用区位熵^[2]、变异系数^[3]、基尼系数^[4]、泰尔指数^[5]等测度创新能力空间差异,DEA模型^[6]、Malmquist指数^[7]、SBM模型^[8]等测度创新绩效和创新效率的时空差异及演化特征,地理加权回归模型^[9]、知识生产函数模型^[10]等空间计量方法被用于探究创新时空差异的影响因素及作用机制。② 创新网络和创新联系研究。基于论文或专利数据,****分别运用社会网络分析方法^[11]、空间计量模型^[12]、负二项回归模型^[13]等构建创新网络和测度创新联系强度,并探究其影响机制。同时,立足于多维邻近视角,创新网络演化动因与生长机理亦备受关注^[14,15]。③ 多尺度创新系统研究。国外****运用“本地蜂鸣-全球通道”模型构建知识流动和创新合作网络^[16],注重多尺度区域间及区域内部创新要素的关联及创新机制研究^[17,18]。国内****融合全局与局部视角,提出“全球-地方”^[19]、“全国-本地”^[20]创新网络,探究全球、国家、省域、市域等创新网络的空间复合性特征。

研究物流空间网络的****从宏观和微观两个层面关注要素流动形成的区域物流网络。一是宏观层面,聚焦于区域物流的空间联系探究^[21],根据引力模型^[22,23]、社会网络分析方法^[24,25]系统分析区域物流网络结构特征、演化机制及影响因素。二是微观层面,关注优化区域物流网络路线^[26,27],以及构建要素输送网络的研究^[28,29]。但从物流创新的视角,对区域物流创新要素流动形成创新空间网络的结构特征及驱动机制的研究仍有不足。已有针对产业创新空间网络的探究集中于高技术、新能源汽车、电子信息等创新密集型产业。有****分别基于合作专利和转移专利数据,采用社会网络分析方法等探究创新密集型产业的网络特征,其中高技术产业的重要“行动者”在网络结构中控制程度弱化,凝聚子群主要以经济发展水平作为凝聚标准^[30];新能源汽车产业创新网络规模虽扩张,但整体网络结构较为稀疏^[31];电子信息产业板块化空间分布格局明显,结网路径从本地化特征显著,向超越地理边界的动态变化,创新空间网络既遵循等级扩散规律,又体现距离衰减特征^[32]。而物流业是创新能力相对弱且合作创新相对松散型的生产性服务业,不同于这些创新能力强、创新协作集中的创新密集型产业,其创新空间网络的形成和演化具有一定的特殊性,研究仍有待深入^[24]。因此,基于网络范式,从创新地理学视角探究中国城市物流创新的空间网络特征及其驱动机制,是对已有物流空间网络研究和产业创新网络研究的补充,具有一定的理论意义。

鉴于此背景,基于创新地理学的研究,本文以中国284个城市（包括4个直辖市,280个地级市,由于受数据限制,港澳台除外）为研究主体,使用大数据挖掘技术获取城际物流专利权及专利所有权变更（专利转移）数据（2003—2018年）,运用GIS空间分析和社会网络分析方法,探析中国城市物流创新网络总体特征、结构层级、拓扑关系、空间聚类与扩散模式等,并在多维邻近权重矩阵下利用空间计量模型探究中国城市物流创新空间网络的驱动因素及驱动机理,完善物流创新空间网络研究,驱动城际物流创新合作,促进中国物流业高质量发展。

2 研究方法与数据来源

2.1 物流专利转移的创新空间网络构建

通过物流专利转移记录可有效识别中国城市间物流运输、仓储、配送、包装、流通加工等领域专利要素的流动情况及供需的空间关系^[33]。基于国家重点产业专利信息服务平台对物流创新类型的界定,本文采用大数据挖掘和地理信息编码技术,以表征直接知识流的专利转移记录数量为媒介,构建物流创新的空间联系网络^[15,34]。基于图论原理,构建中国城市物流创新的有向加权空间网络连通图

S = (P, L, D)

N = |P|

为网络节点（城市）数,

M = |L|

为网络边（城际物流专利转移量）数,

Z = |D|

为城际物流专利转移网络边的方向性。

2.2 数据来源

利用Python程序语言部署Scrapy-Redis分布式爬虫,获取2003—2018年国家知识产权局数据库中的城际物流专利转移记录,利用ArcGIS脚本语言结合Python程序,将专利权利人的邮政编码批量匹配到对应城市,从而识别专利权利人相应的空间地理信息。对专利中存在三个及以上物流创新主体的记录源,统一处理成两两有向转移的专利数据,最终获取物流专利转移数据237838项,其中发明专利119448项、实用新型115099项、外观设计3291项,剔除部分信息缺失数据7332项,有效识别230506项。实用新型及发明专利转移量呈逐年增长趋势,但鲜有外观设计专利转移（图1）。

图1

新窗口打开|下载原图ZIP|生成PPT
图12003—2018年各年度专利转移数据统计

Fig. 1Statistics of patent transfer data in each year from 2003 to 2018

2.3 研究方法

2.3.1 社会网络分析方法通过有向加权非对称网络的社会网络分析方法,运用加权入度、加权出度、加权度、聚类系数、平均路径长度、加权度中心度、加权接近中心度和加权中介中心度等网络特征统计量对中国城市物流创新联系网络结构的复杂性进行深入探究（表1）。

Tab. 1
表1
表1有向加权网络指标及其含义
Tab. 1Directional weighted network indicators and their meanings

指标	计算公式	公式解释	实际意义
加权入度	$S_{i}^{in} = \overset{N}{\sum_{j = 1}} a_{ji} w_{ji}$ (1)	节点 $i$ 为终点的所有弧边权之和	市际物流创新联系的入强度
加权出度	$S_{i}^{out} = \overset{N}{\sum_{j = 1}} a_{ij} w_{ij}$ (2)	节点 $i$ 为起点的所有弧边权之和	市际物流创新联系的出强度
加权度	$S_{i} = S_{i}^{in} + S_{i}^{out}$ (3)	与节点 $i$ 相连的所有弧权重和	市际物流创新联系的总强度
变异系数	$CV = \frac{S}{\overset{?}{E}}, S = \sqrt[]{\frac{\sum_{i}^{=} (E_{i} {- \overset{?}{E})}^{2}}{N}}$ (4)	加权度标准差与均值的比值	城市物流创新加权度的分异程度
网络密度	$D = \frac{\sum_{i}^{=} \sum_{j}^{=} d (i, j)}{N (N - 1)}$ (5)	节点间实际联系数量占最大可能联系数量的比例	所有节点间联系的紧密程度
聚类系数	$C_{i} = \frac{2 e_{i}}{k_{i} (k_{i} - 1)}$ (6)	与节点 $i$ 直接相邻节点间实际存在边数占最大可能存在边数比例	市际物流技术转移网络整体凝聚力
平均路径长度	$L = \frac{1}{\frac{1}{2 N (N - 1)}} \sum^{} d_{ij}$ (7)	节点 $i$ 和 $j$ 之间的最短路径的均值	市际物流技术转移的远近程度
加权度中心度	$DC = \frac{\overset{N}{\sum_{j = 1}} x_{ij} (i \neq j)}{N - 1}$ (8)	节点i 与节点 j 关联数与可能 N -1 节点最大连接数的比值	市际产生物流专利转移的能力,表示城市在网络中是否处于核心位置
加权邻近中心度	$CC = \frac{1}{\sum_{j}^{=} d_{i} (i, j)}$ (9)	节点 $i$ 和其他所有节点之间的最短路径长度之和的倒数	节点在网络中的自主性,刻画城际间专利转移的可达程度
加权中介中心度	$BC = \overset{N}{\sum_{j = 1; k = 1; j \neq k \neq i}} \frac{N_{jk} (i)}{N_{jk}}$ (10)	节点 $i$ 作为其他两个节点之间最短路的比例	节点对其他节点及专利转移的控制能力,是控制力的体现

注：计算公式中：

N

表示网络中节点总数;

a ji

表示以节点

j

为起点与节点

i

为终点的联系强度;

a ij

表示以节点

i

为起点与节点

j

为终点的联系强度;

w ji

表示以节点

j

为起点和以

i

为终点的联系边权重;

w ij

表示以节点

i

为起点和以节点

j

为终点的联系边权重;

S i in

和

S i out

表示节点

i

的加权入度和出度;

S i

表示节点

i

的加权入度和出度之和;

CV

表示变异系数;

S

表示标准差;

E ?

表示均值;

d (i, j)

表示节点

i

和节点

j

联系数量;

e i

表示节点

i

的

k

个邻居间边的数量;

k i

表示节点

i

拥有的边数;

d ij

表示从节点

i

到节点

j

的距离;

x ij

表示节点

i

和节点

j

之间的联系强度;

N jk (i)

表示节点

i

通过节点

j

和

k

间的最短路径数;

N jk

表示节点

j

和

k

间的最短路径量。

新窗口打开|下载CSV

2.3.2 空间计量模型

（1）全局空间自相关模型。全局空间自相关反映变量空间分布上的整体关联度,通常运用全局

Mora n^{'} sI

指数测度变量观测值与其空间滞后之间的相关程度,公式为：

（11）

I = \frac{\overset{N}{\sum_{i = 1}} \overset{n}{\sum_{j \neq i}} W_{ij} (x_{i} - \overset{?}{x}) (x_{j} - \overset{?}{x})}{S^{2} \overset{N}{\sum_{i = 1}} \sum_{j}^{\neq} W_{ij}}

式中：

I

为

Mora n^{'} sI

统计量;

x_{i}

和

x_{j}

分别为城市

i

和城市

j

的观测值;

N

为地级市个数;

S

为标准差;

\overset{?}{x}

为平均值;

W_{ij}

为空间权重矩阵。本文构建三类空间邻近权重矩阵,第一类地理距离权重矩阵,根据各城市质心的经纬度测算各城市间的地理距离,通过其倒数构建,公式为：

（12）

W_{ij}^{1} = R \times \arccos (\cos (x_{i} - x_{j}) \cos y_{i} \cos y_{j} + \sin y_{i} \sin y_{j})

式中：

R

是地球赤道半径,取值6378 km;

x_{i}

x_{j}

y_{i}

y_{j}

分别为城市

i

和城市

j

的经度和纬度。第二类经济距离权重矩阵,依据城市间人均GDP差距的倒数构建,公式为：

（13）

W_{ij}^{2} = \frac{1}{|\overset{P_{i}}{GD} - \overset{P_{j}}{GD}|}

式中：

\overset{P_{i}}{GD}

、

\overset{P_{j}}{GD}

分别是城市

i

和

j

人均GDP的均值;第三类信息距离权重矩阵,依据城市间互联网用户数差距的倒数构建,公式为：

（14）

W_{ij}^{3} = \frac{1}{|\overset{F_{i}}{IN} - \overset{F_{j}}{IN}|}

式中：

\overset{F_{i}}{IN}

、

\overset{F_{j}}{IN}

分别是城市

i

和城市

j

互联网用户数的均值。

（2）空间杜宾模型。采用空间杜宾模型探究城市间物流创新空间联系网络的驱动机制,公式为：

（15）

\ln (Y_{it}) = ρ \sum_{j}^{=} W_{ij} \ln (Y_{it}) + β \ln (X_{it}) + \sum_{j}^{=} W_{ij} \ln (X_{it}) γ + μ_{i} + λ_{t} + ε_{it}

式中：

Y_{it}

为城市物流创新联系网络的加权出强度值和入强度值;

X_{it}

表示

i

城市在

t

年的各影响因素;

ρ

是空间滞后回归系数,表示相邻城市物流创新联系的出强度和入强度对本市物流创新联系的出强度和入强度的影响程度;

γ

是自变量空间滞后回归系数,当

γ = 0

时,SDM模型则为SLM模型,当

γ + ρβ = 0

时,SDM模型则为SEM模型;

μ_{i}

表示空间固定效应;

λ_{t}

表示时间固定效应;

ε_{it}

是空间自相关误差项;

W_{ij}

为空间权重矩阵;

W_{ij} \ln (Y_{it})

表示与

i

相邻城市

\ln (Y_{it})

对

\ln (Y_{it})

的交互影响;

W_{ij} \ln (X_{it})

表示与

i

相邻城市

\ln (X_{it})

对

\ln (X_{it})

的交互影响。驱动因素数据来源于2004—2019年《中国城市统计年鉴》及各省市统计网站,部分缺失数据运用插值法进行填补。

由于城市物流创新链的位势差异及创新的空间异质性,物流创新联系活动中经济、功能、智力和信息等基础性创新要素的适配尤为关键^[35]。同时,物流市场需求驱动是推动城市物流创新联系的重要导向,包含由产业本身发展规律所驱动的供给侧创新需求和由消费者对美好生活向往的消费驱动的需求侧创新需求^[36,37]。此外,城市物流创新联系离不开推动物流发展的产业政策体系、创新创业文化、人才吸引机制等环境要素^[38]。基于此,本文从基础驱动力、市场驱动力和环境驱动力三个维度探讨中国城市物流创新空间网络的驱动机制（表2）。

Tab. 2
表2
表2变量定义与解释
Tab. 2Definition and interpretation of variables

一级指标	二级指标	指标简称	指标说明
基础驱动力	经济基础	ln(GDP)	人均GDP（万元）
	功能基础	ln(FAE)	固定资产投资总额（万元）
	智力基础	ln(PLB)	每百人公共图书馆藏书（册、件）
	信息基础	ln(MTS)	人均年末移动电话用户数（户）
市场驱动力	产业驱动	ln(WRS)	批发零售贸易业商品销售总额（万元）
市场驱动力	消费驱动	ln(CGS)	人均社会消费品零售额（万元）
环境驱动力	人才支撑	ln(LEN)	物流从业人数（人）
	政府扶持	ln(SUE)	科学事业费支出（万元）
	众创氛围	ln(UII)	城市创新指数（%）

新窗口打开|下载CSV

3 中国城市物流创新的空间网络特征

3.1 聚集结网态势不断增强,两极分化程度逐渐减弱

2003—2018年,网络中节点数由2003—2008年的263增加至2014—2018年的284,网络节点均处于网络联系中;同期加权度由10802增加至157068,增长了14.541倍,表明中国城市物流创新网络规模扩张迅速,网络愈加稠密化,这与新能源汽车产业创新网络稀疏结构明显不同^[31]。网络密度由2003—2008年的0.134上升至2014—2018年的1.954,聚类系数由12.165提升至47.333,平均路径长度自2.602缩减至1.965,变异系数从3.320下降至2.720,表明中国城市物流创新空间网络集聚性和连通性不断增强,集聚结网态势明显（表3）。

Tab. 3
表3
表3物流创新空间网络特征值统计
Tab. 3Statistics of characteristic value of logistics innovation spatial network

	节点数	边数	变异系数	网络密度	聚类系数	平均路径长度
2003—2008年	263	10802	3.320	0.134	12.165	2.602
2009—2013年	280	62636	3.250	0.779	46.579	2.156
2014—2018年	284	157068	2.720	1.954	47.333	1.965

新窗口打开|下载CSV

加权度的位序-规模分布函数呈现典型的长尾分布,表现出无标度特性。网络的加权度与幂律分布函数拟合的相关系数均在0.920以上,呈现出幂律分布特征,具有明显的极化效应（图2）。但是,2003—2008年,排名前30的节点完成72.862%的物流专利技术转移,2014—2018年降至71.142%,表明中国城市物流创新空间网络的无标度特征逐渐减弱,城市物流专利转移规模变差呈一定的缩小态势,中间位序的节点数逐步增多。2003—2008年和2014—2018年的指数参数分别是-0.021和-0.019,说明中国城市物流创新空间网络结构优化向好,物流专利技术转移仅存在于少数城市而导致的两极分化程度减弱。

图2

新窗口打开|下载原图ZIP|生成PPT
图22003—2018年物流创新空间网络加权度位序-规模分布

Fig. 2Logistics innovation spatial network weighted degree rank-scale distribution from 2003 to 2018

2003—2008和2014—2018年,加权度中心度和加权邻近中心度的相关系数分别是0.196和0.977,出现显著提升,表明2018年末物流专利转移活跃的城市空间可达性较高;加权邻近中心度和加权中介中心度的相关系数分别是0.083和0.870,由弱相关向高度相关转变,表明空间可达性较高的城市逐渐具备对物流创新空间网络的控制地位;加权度中心度和加权中介中心度的相关系数分别是0.884和0.827,但呈缩小趋势,表明控制力较强的城市在创新网络中一直发挥着“中介”和“桥梁”作用,网络聚集结网增强和网络中心扩张逐渐稀释以往依赖少数城市进行创新联系的局面,两极分化减弱（图3）。

图3

新窗口打开|下载原图ZIP|生成PPT
图32003—2008年和2014—2018年物流创新空间网络加权中心性的相关性

Fig. 3The correlation of weighted centrality of logistics innovation spatial network between 2003-2008 and 2014-2018

3.2 “多核心-边缘”空间格局凸显,边缘区联结密度跃升

2003—2008年,上海和北京稳居中国城市物流创新空间网络的核心,物流专利转移量分别以2583和2026项居于前列,形成以双核为主导的网络结构,核心区联结密度为219.000,而边缘区城市的联结密度仅0.084,此时上海、北京加权入度和加权出度的差值分别为-190、-289,表明上海、北京主要承担物流专利输出角色。2014—2018年,演化为以深圳、北京、上海为核心的多核互联网络结构,物流专利转移量分别为27532、25184和16874,核心区联结密度高达949.667,而边缘区城市联结密度为1.184（表4）,此时深圳、北京、上海加权入度和加权出度的差值分别是3638、-112、-2282,表明核心区内城市承担着物流专利集散中心的角色,城市间物流创新知识流动更加密切。2003—2018年,边缘区联结密度提升14倍,表明邻近效应、物流技术势差和核心城市空间溢出效应等为城市物流专利转移提供便利,使得边缘区联结密度大幅提高。

Tab. 4
表4
表4物流创新空间网络核心-边缘分析结果
Tab. 4Core-edge analysis results of logistics innovation spatial network

年份		2003—2008年			2014—2018年
区域		城市	联结密度		城市	联结密度
全国	核心区	上海北京2市	219.000	3.734	上海北京深圳3市	949.667	33.778
全国	边缘区	其他城市	2.885	0.084	其他城市	35.254	1.184
东部	核心区	上海北京深圳3市	138.833	7.218	上海广州北京苏州深圳5市	679.700	53.871
东部	边缘区	舟山淮安等	4.694	0.267	三明汕头等	49.788	4.593
中部	核心区	郑州长沙西安太原武汉合肥南昌呼和浩特鄂尔多斯等69市	0.075	0.000	武汉长沙西安郑州南昌合肥太原芜湖蚌埠马鞍山10市	7.604	1.380
中部	边缘区	长治阳泉等	0.000	0.000	萍乡抚州等	1.511	0.081
西部	核心区	成都重庆昆明贵阳兰州银川乌鲁木齐等33市	0.258	0.011	成都重庆昆明南宁柳州贵阳北海钦州巴中9市	12.611	1.834
西部	边缘区	眉山庆阳等	0.051	0.009	天水白色等	1.366	0.087
东北	核心区	沈阳哈尔滨大连长春营口大庆白城鹤岗辽阳等20市	0.418	0.000	沈阳哈尔滨大连长春吉林营口大庆7市	1.232	0.172
东北	边缘区	白山四平等	0.000	0.000	双鸭山本溪等	0.052	0.000

新窗口打开|下载CSV

2003—2018年,东部地区在原来以上海、北京和深圳为核心城市的基础上增加了广州和苏州,以此构成的核心区物流专利转移量占东部物流专利转移量从40.976%缩减至40.235%,表明非核心区专利转移量及变化速率超过核心区。2003—2018年,中部、西部和东北部核心区城市数量由繁杂冗多逐渐向有限多核转变,演化为衰减性“多核心-边缘”网络结构,主要核心城市地位稳固,这与高技术产业中重要“行动者”在网络结构中的控制程度弱化不同^[30]。武汉、长沙、郑州、太原等城市始终处于中部核心区,成都、重庆、昆明、贵阳等城市一直处于西部核心区,沈阳、哈尔滨、大连等城市始终位于东北核心区,说明城市行政等级与核心区基本实现空间耦合。

3.3 “菱形”高值联系线逐渐清晰,横纵联系轴线不断夯实

借助ArcGIS空间网络分析平台,结合中国物流专利转移拓扑关系,建构中国城市物流创新空间网络数据库,并可视化展现网络结构（图4）。研究表明,2003—2008年,上海和北京以272项物流专利转移互为专利转移最密切的序对城市,长沙和深圳以267项物流专利转移次之,深圳和北京以140项物流专利转移、上海和深圳以136项物流专利转移分列第3和第4,多为同层级、跨区域和长距离物流专利技术转移,三角结构是中国城市物流创新空间网络的基础组织单元,以北京为主导的京津冀城市群、上海为主导的长三角城市群和深圳为主导的珠三角城市群构筑了中国城市物流创新空间网络的核心三角。2009—2013年,重庆向北京转出物流专利量（338）排名位居第7,物流创新网络初显菱形结构,成渝城市群步入物流专利转移集散中心。同时,“京粤”联系纵线频繁,如北京向深圳转出专利量（482）排名位居第3,“长江经济带”联系横线加深,如长沙从上海转入专利量（381）排名位居第7。此外,物流创新网络发育为兼具同层级、跨区域、长距离转移与同区域、短距离转移的特征,如上海向苏州转出物流专利量（498）排名位居第2。

图4

新窗口打开|下载原图ZIP|生成PPT
图4物流创新空间网络结构

注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS(2020)4630号）绘制,底图无修改。
Fig. 4Structures of logistics innovation spatial network

2014—2018年,苏州和深圳以1316项物流专利转移互为专利转移第1密切的序对城市,上海和北京以1223项物流专利转移次之,北京向深圳转出专利量为880项,表明长三角-珠三角-京津冀城市群内核心城市物流专利转移表现突出。成渝城市群物流专利转移量虽未迈入前列,但逐步增长,表明菱形创新空间网络结构愈加明显。此外,该阶段中国城市物流创新网络中以同区域、短距离专利转移占多数,如杭州和宁波以997项物流专利转移互为专利转出、转入第2密切的序对城市,广州向深圳转出专利（917）排名居于第3,苏州从上海转入专利（793）排名位居第4,不同于新能源汽车产业跨区域创新交流不断扩大、区域内合作创新模式不断弱化形成差异^[31]。总之,京津冀、长三角、珠三角和成渝城市群勾勒出“菱形”网络格局进一步巩固,其间“长江经济带”和“京粤”横纵联系轴线不断夯实。

3.4 凝聚子群混合聚类呈现,创新网络空间扩散模式形成

伴随网络规模不断扩张,中国城市物流创新空间网络存在明显的空间集聚特征,采用UCINET软件的CONCOR算法划分凝聚子群,2003—2018年,中国城市物流创新网络由三大稀疏节点组成的凝聚子群向四大较为紧密节点组成的凝聚子群渐进发育。通过ArcGIS空间网络分析平台绘制出凝聚子群及子群内部首位联系线的空间分布图（图5）。

图5

新窗口打开|下载原图ZIP|生成PPT
图5凝聚子群及其首位联系空间分布

注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS(2020)4630号）绘制,底图无修改。
Fig. 5Condensed subgroups and spatial distribution of primacy connections

2014—2018年,形成四大凝聚子群：第1凝聚子群由哈长、辽中南、京津冀、山东半岛、晋中、中原、兰西、成渝、长江中游城市群中部分城市及周边城市组成;第2凝聚子群由关中、宁夏沿黄城市群的部分边缘城市及东北、西南部分边缘城市组成;第3凝聚子群由长江经济带、珠三角、辽中南城市群的部分边缘城市及东北、西南部分边缘城市组成;第4凝聚子群由北京、长三角、珠三角城市群大部,辽中南、山东半岛、北部湾、滇中、成渝城市群部分城市及周边城市组成。凝聚子群总体呈现邻近、等级和跳跃式的混合聚类模式,地理集聚性弱化,子群的范围出现不同程度扩张,凝聚子群并非完全以经济基础作为凝聚标准,区别于完全以经济基础为标准形成凝聚子群的高技术产业创新网络^[30]。

从首位城市来看,既有北京、上海、深圳、广州等行政等级较高、创新联系较强、首位联系频次高的城市,同时也有茂名、吉安、新余、白城等行政等级较低、创新联系较弱、首位联系频次低的城市。从首位联系来看,随着时间演化,主要表现为五种空间扩散模式：一是高首位城市间、长距离转移的跳跃式物流创新技术扩散,如上海→北京、北京→深圳等。二是高首位城市与低首位城市间物流创新技术交互的跳跃式等级扩散,如北京→郴州、北京→安顺、上海→梧州等。三是省会城市与省内其他城市间物流创新技术溢出和吸收的接触式等级扩散,如杭州→丽水、合肥→六安等。四是地理邻近、等级相近城市间接触式物流创新技术扩散,如长三角地区的苏州→常州、嘉兴→宁波、南通→湖州等,珠三角地区的深圳→东莞、深圳→中山等,东北地区长春→吉林等。五是行政等级较低、且跨越长距离城市间跳跃式物流创新技术扩散,如防城港→宜宾、亳州→南宁、广安→宁德、蚌埠→本溪等,而不同于电子信息产业创新空间网络的等级扩散规律^[32]。

4 中国城市物流创新空间网络的驱动机制

4.1 物流创新空间网络的驱动因素

对2003—2018年驱动中国城市物流创新空间网络的影响因素进行空间计量回归分析。基于物流专利转移的创新联系加权出强度及入强度测度,在地理、经济和信息三个维度的权重下进行空间自相关分析,城市物流创新联系加权出强度及入强度均通过显著性检验,且

Mora n^{'} s I

指数均大于0,表明中国城市物流创新在空间上显现出集聚态势（图6）。而相对地理权重,在经济权重及信息权重下

Mora n^{'} s I

指数更高,进一步表明在区域经济联系加强及信息技术深入渗透的背景下,物流创新联系在经济及信息联系通道中更易集聚,而电子信息产业创新网络的形成是地理邻近和技术邻近发挥着重要作用^[32]。同时,集聚程度呈波动上升趋势,表明三种权重对创新联系空间网络的影响具有一定协同性,基于此在多维邻近权重下分析中国城市物流创新联系空间网络驱动机制具有合理性。在三种权重下空间自相关系数（

ρ

）在1%或5%或10%水平下均显著为正,邻近城市的物流创新出度增加1%,本地城市的创新出度会增加0.3706%、0.2861%、0.0198%;邻近城市的物流创新入度增加1%,本地城市的创新入度会增加0.2508%、0.2549%、0.0188%,表明城市间物流创新联系存在显著的内生交互效应。在1%的显著性水平下通过似然比（LR）检验和沃尔德（Wald）检验,说明SLM和SEM同时存在,且在1%的显著性水平下也通过Hausman检验,表明选择空间杜宾模型的固定效应分析物流创新空间网络的驱动机制更为科学。总体而言,在多维邻近权重下,经济基础、产业驱动、消费驱动、政府扶持、众创氛围、功能基础、信息基础和人才支撑等多重因素综合驱动中国城市物流创新空间联系网络格局形成（表5）。

图6

新窗口打开|下载原图ZIP|生成PPT
图6物流创新联系加权出度和入度空间自相关结果

Fig. 6Spatial autocorrelation results of the weighted out-degree and in-degree of logistics innovation connection

Tab. 5
表5
表5物流创新联系网络加权出强度与入强度的驱动因素回归结果
Tab. 5Regression results of the driving factors of the weighted out-intensity and in-intensity of the logistics innovation connection network

解释变量	物流创新联系加权出强度			物流创新联系加权入强度
解释变量	地理权重	经济权重	信息权重	地理权重	经济权重	信息权重
ln(GDP)	0.0478	0.0074	0.0754	0.1580***	0.1500***	0.2000***
ln(GDP)	(0.8500)	(0.1400)	(1.3400)	(2.9900)	(2.9200)	(3.7800)
ln(FAE)	-0.1620***	-0.1890***	-0.2030***	-0.1010**	-0.1190***	-0.1370***
ln(FAE)	(-3.4700)	(-4.5100)	(-4.7100)	(-2.3000)	(-3.0100)	(-3.3600)
ln(PLB)	-0.0017	0.0205	0.0143	-0.0233	-0.0012	-0.0069
ln(PLB)	(-0.0700)	(0.9000)	(0.6100)	(-1.0600)	(-0.0500)	(-0.3100)
ln(MTS)	-0.1310***	-0.1340***	-0.1420***	-0.0988***	-0.0982***	-0.1100**
ln(MTS)	(-3.2600)	(-3.4000)	(-3.4800)	(-2.6100)	(-2.6200)	(-2.8600)
ln(WRS)	0.0006**	0.0129**	0.0185	0.0104	0.0031	0.0116
ln(WRS)	(0.0200)	(0.4800)	(0.6700)	(0.4000)	(0.1200)	(0.4400)
ln(CGS)	0.0786	0.0242	0.0888	0.1170*	0.0744*	0.1330*
ln(CGS)	(1.2300)	(0.3900)	(1.3800)	(1.9400)	(1.2500)	(2.1800)
ln(LEN)	-0.0379	-0.0118	-0.0310	-0.0341	-0.0171	-0.0409
ln(LEN)	(-1.1900)	(-0.3700)	(-0.9600)	(-1.1300)	(-0.5700)	(-1.3400)
ln(SUE)	0.1480***	0.1990***	0.2030***	0.2170***	0.2510***	0.2590***
ln(SUE)	(5.3700)	(8.1300)	(7.9900)	(8.3300)	(10.8000)	(10.8500)
ln(UII)	0.2950***	0.4390***	0.4700***	0.1740***	0.3010***	0.3230***
ln(UII)	(8.3300)	(14.4500)	(15.1300)	(5.2100)	(10.4900)	(11.0500)
W × ln(GDP)	-0.4850	-0.2120	0.3970	-1.4860***	-0.3350**	0.0499
W × ln(GDP)	(-0.9300)	(-1.2900)	(2.5300)	(-3.0200)	(-2.1500)	(0.3400)
W × ln(FAE)	-0.8910***	-0.2920**	-0.5970***	-0.4220*	-0.4300***	-0.5740***
W × ln(FAE)	(-2.9400)	(-2.3900)	(-5.1800)	(-1.4800)	(-3.7300)	(-5.3000)
W × ln(PLB)	0.5712	0.2450	-0.0226	0.1920	0.1540	0.0931
W × ln(PLB)	(1.7300)	(2.6100)	(-0.2700)	(0.6000)	(1.7300)	(1.1900)
W × ln(MTS)	-1.7240***	-0.1620	-0.3340***	-2.2870***	-0.2920**	-0.2980*
W × ln(MTS)	(-3.2600)	(-1.2700)	(-2.6000)	(-4.5300)	(-2.4200)	(-2.4500)
W × ln(WRS)	1.0400***	0.1330*	0.0619	0.6630**	-0.0145	-0.0095
W × ln(WRS)	(3.2000)	(1.7500)	(0.8700)	(2.1800)	(-0.2000)	(-0.1400)
W × ln(CGS)	0.4000	0.3930	-0.2530	1.6130**	0.4000**	0.3160*
W × ln(CGS)	(0.5000)	(1.9500)	(-1.2900)	(2.1400)	(2.1000)	(1.7200)
W × ln(LEN)	1.9810***	0.2390**	-0.0123	0.4190	-0.0294	0.0186
W × ln(LEN)	(4.2100)	(2.1200)	(-0.1900)	(0.9400)	(-0.2800)	(0.3000)
W × ln(SUE)	-0.0005*	0.0515*	0.2070***	0.0447*	0.3220***	0.1980**
W × ln(SUE)	(-0.0000)	(0.6700)	(3.0400)	(0.2100)	(4.3800)	(3.0900)
W × ln(UII)	0.5220*	0.4330***	0.1970**	0.9210***	0.0936*	0.0088
W × ln(UII)	(1.8100)	(4.6700)	(2.1600)	(3.3800)	(1.0500)	(0.1000)
$ρ$	0.3706***	0.2861***	0.0198*	0.2508**	0.2549**	0.0188*
	(3.8100)	(10.6300)	(0.3500)	(2.3400)	(9.3100)	(0.700)
R²	0.5396	0.7514	0.7959	0.4779	0.7387	0.5332
Log-likelihood	5357.6444	5313.8532	5411.6161	5099.0893	5066.2383	5144.4121
Hausman	固定效应	固定效应	固定效应	固定效应	固定效应	固定效应

注：***、**和*分别代表1%、5%和10%的显著性水平。

新窗口打开|下载CSV

4.2 物流创新空间网络的驱动机制

为更深入探究各因素的驱动机理,基于本地-邻近视角,结合地理、经济和信息三种权重,将基础驱动力、市场驱动力、环境驱动力作用的总效应分解为直接效应和间接效应,对本地城市物流创新联系的影响是直接效应,对邻近城市物流创新联系的影响是间接效应（表6,见第1366页）,结果表明中国城市物流创新空间网络是三维驱动力共同作用下的时空演化（图7,见第1367页）。

Tab. 6
表6
表6直接效应与间接效应估计
Tab. 6The estimation of direct and indirect effects

效应分解	解释变量权重	物流创新联系加权出强度			物流创新联系加权入强度
效应分解	解释变量权重	地理权重	经济权重	信息权重	地理权重	经济权重	信息权重
直接效应	ln(GDP)	0.0478	0.0127	0.0728	0.1600***	0.1590***	0.1980***
	ln(GDP)	(0.8400)	(0.2300)	(1.2600)	(2.9600)	(3.0400)	(3.6400)
	ln(FAE)	-0.1680***	-0.2030***	-0.2060***	-0.1040**	-0.1350***	-0.1370***
	ln(FAE)	(-3.7600)	(-5.0200)	(-4.9400)	(-2.4700)	(-3.5400)	(-3.4800)
	ln(PLB)	0.0031	0.0312	0.0166	-0.0206	0.0056	-0.0050
	ln(PLB)	(0.1400)	(1.3900)	(0.7400)	(-0.9700)	(0.2600)	(-0.2400)
	ln(MTS)	-0.1390***	-0.1420***	-0.1430***	-0.1050***	-0.1090***	-0.1100***
	ln(MTS)	(-3.5000)	(-3.6100)	(-3.5600)	(-2.8300)	(-2.9200)	(-2.8900)
	ln(WRS)	0.0532**	0.0181**	0.0189	0.0125	0.0031	0.0119
	ln(WRS)	(0.2000)	(0.6800)	(0.7100)	(0.5000)	(0.1200)	(0.4700)
	ln(CGS)	0.0813	0.0390	0.0895	0.1230**	0.0881*	0.1340**
	ln(CGS)	(1.3000)	(0.6300)	(1.4200)	(2.0900)	(1.5100)	(2.2700)
	ln(LEN)	-0.0293	-0.0033	-0.0309	-0.0329	-0.0180	-0.0408
	ln(LEN)	(-0.8800)	(-0.1000)	(-0.9100)	(-1.0500)	(-0.5700)	(-1.2800)
	ln(SUE)	0.1480***	0.2020***	0.2020***	0.2170***	0.2620***	0.2580***
	ln(SUE)	(5.6600)	(8.4000)	(8.2700)	(8.7700)	(11.5400)	(11.2100)
	ln(UII)	0.3000***	0.4610***	0.4730***	0.1790***	0.3090***	0.3260***
	ln(UII)	(8.7400)	(15.1300)	(15.4700)	(5.5100)	(10.7600)	(11.3200)
间接效应	ln(GDP)	-0.7830	-0.2830	0.4040	-2.0500***	-0.4810**	0.0566
	ln(GDP)	(-0.8800)	(-1.2700)	(2.5000)	(-2.7700)	(-2.3700)	(0.3800)
	ln(FAE)	-1.5500***	-0.4770***	-0.6070***	-0.6180*	-0.6070***	-0.5640***
	ln(FAE)	(-2.8000)	(-2.9800)	(-5.2600)	(-1.5400)	(-4.1500)	(-5.3000)
	ln(PLB)	0.9760	0.3210	-0.0175	0.2770	0.1980	0.0964
	ln(PLB)	(1.6500)	(2.6000)	(-0.2000)	(0.6100)	(1.7300)	(1.1900)
	ln(MTS)	-2.9070***	-0.2820	-0.3430***	-3.1630***	-0.4230***	-0.2950**
	ln(MTS)	(-2.9200)	(-1.6400)	(-2.7000)	(-3.9400)	(-2.7000)	(-2.5200)
	ln(WRS)	1.6970***	0.1920*	0.0670	0.9210**	-0.0129	-0.0056
	ln(WRS)	(2.9600)	(1.7900)	(0.9100)	(2.0800)	(-0.1300)	(-0.0800)
	ln(CGS)	0.6330	0.5350	-0.2650	2.1810**	0.5390**	0.3290*
	ln(CGS)	(0.5100)	(2.0500)	(-1.3900)	(2.1100)	(2.2700)	(-1.8900)
	ln(LEN)	3.2040***	0.3240**	-0.0120	0.5730	-0.0425	0.0198
	ln(LEN)	(3.2300)	(2.0300)	(-0.1800)	(0.8700)	(-0.2900)	(0.3200)
	ln(SUE)	0.1200*	0.1580*	0.2170***	0.1620*	0.5150***	0.1960***
	ln(SUE)	(0.3400)	(1.4400)	(3.1600)	(0.5700)	(5.1000)	(3.1000)
	ln(UII)	0.9410**	0.7520***	0.1940**	1.2430***	0.2110*	0.0073*
	ln(UII)	(2.0700)	(5.9900)	(2.1000)	(3.3600)	(1.8600)	(0.0800)

注：***、**和*分别代表1%、5%和10%的显著性水平。

新窗口打开|下载CSV

图7

新窗口打开|下载原图ZIP|生成PPT
图7中国城市物流创新空间网络的三维驱动

Fig. 7Three-dimensional driving diagram of the spatial network in China’s urban logistics innovation

4.2.1 基础驱动力经济基础在三种权重下对本地城市物流创新联系入强度具有正向作用,表明经济发展水平越高,创新投入越有保障,本地城市更具获得物流专利转入的优势。而对邻近城市物流创新联系入强度在地理和经济权重下表现为负向影响,本地城市经济发展水平的提高使得物流创新存在偏好性联系而造成创新技术可能存在“根植性”,进而阻碍对邻近城市的专利转出。功能基础在三种权重下均显示对本地城市和邻近城市物流创新联系出强度和入强度产生负向影响,一方面,由于本地城市物流创新固定资产投入不足,未形成显著的创新技术势力差距而阻碍了本地城市物流创新联系的积极性;另一方面,本地城市功能基础的提升导致负外部性,对邻近城市物流创新联系产生消极效应。信息基础在三种权重下均显示对本地城市和邻近城市物流创新联系出强度和入强度产生显著的负向作用。信息条件虽在一定程度上为本地城市和邻近城市物流创新联系提供便利,但并未真正提升联系强度,反而在某种程度上带来阻碍作用。由于信息基础优势有利于加强与巩固知识交流,而未能获取信息的创新主体则处于知识贫乏困境,进而扩大信息鸿沟。而且一些物流创新主体由于信息匮乏,难以有效配置创新要素,致使物流创新联系积极性低。

4.2.2 市场驱动力产业驱动仅在地理权重和经济权重下对本地城市和邻近城市物流创新联系出强度产生正向作用;产业组织理论认为市场需求增加将积极推动创新主体加大科研要素投入,产生更大范围和更多数量的技术创新成果,成为专利转出的基础;在地理和经济权重下,横向比较出强度与入强度系数可得产业驱动对邻近城市物流创新联系存在明显的溢出效应。消费驱动在三种权重下均显示出对本地城市和邻近城市物流创新联系入强度的正向影响,批发零售贸易商品销售额和社会消费品零售额等反映市场需求和影响物流企业市场利益的因素促进本地城市物流创新主体在协作中谋求技术变革,提升效率,进而提升本地城市物流专利转入;由于本地城市产业发展和消费升级对邻近城市物流创新联系产生了积极的“示范效应”和“竞争效应”,激励邻近城市加大要素投入并以积极姿态承接专利转入。

4.2.3 环境驱动力人才支撑仅在地理和经济权重下显示出对邻近城市物流创新联系出强度的正向作用。由于当前中国物流产业仍依赖于低端劳动力,难以匹配物流创新需求,使得本地物流创新联系的动力不足;在地理和经济权重下,横向比较出强度与入强度系数可知人才支撑对邻近城市物流创新联系表现溢出效应。由于市场竞争压力,城市间加大对物流人才的吸纳,核心城市吸引了更多的高端人才,从而形成创新的人才优势,促进邻近城市物流专利转出。政府扶持和众创氛围在三种权重下对本地城市和邻近城市物流创新联系出强度和入强度具有正向作用。政府扶持有助于克服市场失灵,尤其是为本地物流创新主体积极进行难度较高且研发周期较长的物流创新技术的合作开发奠定基础,提高研发的成功率。良好的众创氛围有利于创新要素聚集,充沛的创新要素对提升本地城市物流创新联系起到支撑作用;同时,政府扶持的示范效应也会激励邻近城市加大研发活动支持力度,消除制度壁垒,疏通要素流通管道,促进创新联系;此外,众创氛围通过区域间“创新示范-创新模仿”机制促进邻近城市建立物流创新联系,对邻近城市创新效率提高及创新协同发展起到“示范效应”。

5 结论与讨论

5.1 结论

创新空间网络特征及其演化规律刻画已成为创新地理学的研究热点,但对物流业创新空间网络的结构特征及驱动机制探讨相对较少。通过大数据挖掘技术获取2003—2018年中国城市物流专利权利转移数据,结合社会网络分析、GIS空间分析和空间计量方法,基于城市空间主体视角,系统分析了中国城市物流创新联系网络的总体特征、结构层级、拓扑关系、空间聚类与扩散模式和驱动机制,得到以下结论：

（1）2003—2018年,中国城市物流创新空间网络规模扩张迅速,网络愈加稠密化,无标度性特征逐渐减弱,物流专利转移规模变差呈缩小态势,网络中心扩张不断稀释依赖少数城市为主进行物流专利转移的极化效应;同时,中国城市物流创新空间网络由双核主导结构逐渐演化为多核互联结构,形成以深圳、北京、上海为中心的“多核心-边缘”格局,边缘区城市联结密度大幅提高。

（2）2003—2018年,物流创新网络发育以同区域、短距离专利转移为主,兼具同层级、跨区域、长距离专利转移特征,京津冀城市群、长三角城市群、珠三角城市群和成渝城市群内核心城市构筑了中国城市物流创新网络的菱形结构,其间“长江经济带”和“京粤”横纵联系轴线不断夯实;另外,物流创新空间网络形成四大凝聚子群,呈现邻近、等级和跳跃式的混合聚类模式,地理集聚性弱化,首位城市时空表现各异,首位联系主要表现为五种空间扩散模式,呈现跳跃式和接触式联系态势。

（3）驱动机制上,通过空间自相关和空间杜宾模型分析发现,中国城市物流创新联系在经济及信息联系通道中更易集聚,存在显著的内生交互效应;功能基础和信息基础在经济、地理和信息权重下对本地城市和邻近城市创新联系表现为显著的负向影响;政府扶持和众创氛围在经济、地理和信息权重下对本地城市和邻近城市物流创新联系具有显著的正向作用;经济基础、产业驱动、消费驱动和人才支撑在经济、地理和信息权重下分别对本地城市或邻近城市物流创新联系入强度和出强度产生显著作用,基础驱动力、市场驱动力和环境驱动力三重因素综合驱动中国城市物流创新空间网络的形成。

5.2 政策启示及未来研究方向

政策支持对于促进物流创新主体联合互动、城市间跨界交流和协同织网,构建一体化的综合物流创新联系网络具有积极作用,本文政策启示如下：

（1）数字经济时代背景下,应结合先进数字技术继续强化物流创新通道建设和对外开放程度,致力于弱化“两极分化”和强化“优势互补”并举。同时充分利用核心城市的资源禀赋,重视和干预边缘城市物流创新关联程度来增加创新联系的溢出通道,坚持在“核心”上“疏解”和“边缘”上“培育”并行。

（2）以新基建为驱动释放的巨大需求助推物流产业创新协同。基于“新基建”带来巨大的投资和消费需求,鼓励物流创新主体以新型基础设施建设创新带动供应链服务模式协同创新,满足不确定性、碎片化、个性化定制的市场需求,构建区域优化的开放供应链体系,推动市际创新资源要素高效协同,完善中国物流协同创新生态体系。

（3）鼓励构建区域物流创新联盟等正式或非正式人才交流平台,通过现实或虚拟的交流活动增强显性与隐性知识传递、共享和溢出。力促“产学研”合作,建立跨区域的人才培养、人才引进和人才共享机制,推动人才弹性流动与知识辐射,增进区域物流知识邻近性,构建立体式、全方位的物流协同创新网络,打造技术、人才、资源良性循环的物流创新网络。

本文遵循创新地理学的研究范式,从市域创新联系强度、动态演化网络和邻近视角来解析中国城市物流创新的空间网络特征及驱动机制。虽基于有向加权物流专利权利转移数据构建城市物流创新联系网络,然而物流合作数据、科研项目协作和创新联盟等也体现了物流创新过程中水平或垂直维度的创新关联,后续研究可进行更为科学的研究。

致谢

真诚感谢匿名评审专家在论文评审中所付出的时间和精力,评审专家在模型构建与结论梳理等方面提出了宝贵意见,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]

马海涛. 知识流动空间的城市关系建构与创新网络模拟
地理学报, 2020,75(4):708-721.

[本文引用: 1]

[ Ma

Haitao

. The theoretical construction and network simulation of intercity innovative relationships in knowledge flow space
Acta Geographica Sinica, 2020,75(4):708-721.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlxb202004004.

URL [本文引用: 1]

[2]

Haggett

. Locational Analysis in Human Geography
London: Edward Arnold, 1965.

[本文引用: 1]

[3]

肖刚. 长江经济带城市旅游科技创新差异的时空格局演变研究
世界地理研究, 2020,29(4):825-833.

[本文引用: 1]

[ Xiao

Gang

. Spatio-temporal pattern of the city-level differences of tourism innovation in the Yangtze River Economic Belt
World Regional Studies, 2020,29(4):825-833.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3969/j.issn.1004-9479.2020.04.2019165.

URL [本文引用: 1]

[4]

Dagum

. A new approach to the decomposition of the Gini income inequality ratio
Empirical Economics, 1997,22(4):515-531. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/BF01205777.

URL [本文引用: 1]

[5]

兰海霞, 赵雪雁. 中国区域创新效率的时空演变及创新环境影响因素
经济地理, 2020,40(2):97-107.

[本文引用: 1]

[ Lan

Haixia

, Zhao

Xueyan

. Spatial-temporal evolution and innovation environment factors of regional innovation efficiency in China
Economic Geography, 2020,40(2):97-107.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.15957/j.cnki.jjdl.2020.02.011.

URL [本文引用: 1]

[6]

Kao

. Efficiency measurement and frontier projection identification for general two-stage systems in data envelopment analysis
European Journal of Operational Research, 2017,261(2):679-689. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.ejor.2017.03.016.

URL [本文引用: 1]

[7]

Uddin

. Productivity growth, efficiency change, & technical progress of a corporate sector in Bangladesh: A Malmq-uist output productivity index approach
International Journal of Economics & Finance, 2015,7(8):240-255. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.5539/ijef.v7n8p240.

URL [本文引用: 1]

[8]

Tone

. A slacks-based measure of super-efficiency in data envelopment analysis
European Journal of Operational Research, 2002,143(1):32-41. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/S0377-2217(01)00324-1.

URL [本文引用: 1]

[9]

Brown

, Versace V

, Laurenson

, et al. Assessment of spatiotemporal varying relationships between rainfall, land cover and surface water area using geographically weighted regression
Environment Modeling & Assessment, 2012,17(3):241-254. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/s10666-011-9289-8.

URL [本文引用: 1]

[10]

Griliches

. Issues in assessing the contribution of research and development to productivity growth
The Bell Journal of Economics, 1979,10(1):92-116. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.2307/3003321.

URL [本文引用: 1]

[11]

杨春白雪, 曹兴, 高远. 新兴技术合作创新网络演化及特征分析
科研管理, 2020,41(7):20-32.

[本文引用: 1]

[ Yangchun

Baixue

, Cao

Xing

, Gao

Yuan

. A research on the evolution path and characteristics of the emerging technology cooperation innovation network
Science Research Management, 2020,41(7):20-32.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.19571/j.cnki.1000-2995.2020.07.003.

URL [本文引用: 1]

[12]

刘鉴, 杨青山, 江孝君, 等. 长三角城市群城市创新产出的空间集聚及其溢出效应
长江流域资源与环境, 2018,27(2):225-234.

[本文引用: 1]

[ Liu

Jian

, Yang

Qingshan

, Jiang

Xiaojun

, et al. Spatial agglomeration of city innovation and its spillover effects in Yangtze River Delta Urban Agglomeration
Resources and Environment in the Yangtze Basin, 2018,27(2):225-234.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11870/cjlyzyyhj201802001.

URL [本文引用: 1]

[13]

张翼鸥, 谷人旭, 马双. 中国城市间技术转移的空间特征与邻近性机理
地理科学进展, 2019,38(3):370-382.

[本文引用: 1]

[ Zhang

Yiou

, Gu

Renxu

, Ma

Shuang

. Spatial characteristics and proximity mechanism of technology transfer among cities in China
Progress in Geography, 2019,38(3):370-382.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.18306/dlkxjz.2019.03.007.

URL [本文引用: 1]

[14]

顾伟男, 刘慧, 王亮. 国外创新网络演化机制研究
地理科学进展, 2019,38(12):1977-1990.

[本文引用: 1]

[ Gu

Weinan

, Liu

Hui

, Wang

Liang

. International research on the evolution mechanisms of innovation networks
Progress in Geography, 2019,38(12):1977-1990.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.18306/dlkxjz.2019.12.013.

URL [本文引用: 1]

[15]

段德忠, 杜德斌, 谌颖, 等. 中国城市创新网络的时空复杂性及生长机制研究
地理科学, 2018,38(11):1759-1768.

[本文引用: 2]

[ Duan

Dezhong

, Du

Debin

, Chen

Ying

, et al. Spatial-temporal complexity and growth mechanism of city innovation network in China
Scientia Geographica Sinica, 2018,38(11):1759-1768.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.13249/j.cnki.sgs.2018.11.003.

URL [本文引用: 2]

[16]

Bathelt

, Malmberg

, Maskell

. Clusters and knowledge: Local buzz, global pipelines and the process of knowledge creation
Progress in Human Geography, 2004,28(1):31-56. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1191/0309132504ph469oa.

URL [本文引用: 1]

[17]

, Phelps N

. Knowledge polycentricity and the evolving Yangtze River Delta megalopolis
Regional Studies, 2017,51(7):1-13. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1080/00343404.2016.1240868.

URL [本文引用: 1]

[18]

Broekel

. The co-evolution of proximities: A network level study
Regional Studies, 2015,49(6):921-935. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1080/00343404.2014.1001732.

URL [本文引用: 1]

[19]

司月芳, 曾刚, 曹贤忠, 等. 基于全球-地方视角的创新网络研究进展
地理科学进展, 2016,35(5):600-609.

[本文引用: 1]

[ Si

Yuefang

, Zeng

Gang

, Cao

Xianzhong

, et al. Research progress of glocal innovation networks
Progress in Geography, 2016,35(5):600-609.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.18306/dlkxjz.2016.05.007.

URL [本文引用: 1]

[20]

刘承良, 牛彩澄. 东北三省城际技术转移网络的空间演化及影响因素
地理学报, 2019,74(10):2092-2107.

[本文引用: 1]

[ Liu

Chengliang

, Niu

Caicheng

. Spatial evolution and factors of interurban technology transfer network in Northeast China from national to local perspectives
Acta Geographica Sinica, 2019,74(10):2092-2107.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlxb201910010.

URL [本文引用: 1]

[21]

刘程军, 周建平, 蒋建华, 等. 电子商务背景下县域物流的空间联系及其网络结构研究: 以浙江省为例
地理科学, 2019,39(11):1719-1728.

[本文引用: 1]

[ Liu

Chengjun

, Zhou

Jianping

, Jiang

Jianhua

, et al. County-level logistics spatial linkage and network structure under the electronic commerce environment in Zhejiang province
Scientia Geographica Sinica, 2019,39(11):1719-1728.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.13249/j.cnki.sgs.2019.11.005.

URL [本文引用: 1]

[22]

朱慧, 周根贵. 基于引力模型的内陆型区域物流空间联系研究: 以浙江金衢丽地区为例
地域研究与开发, 2015,34(1):43-49.

[本文引用: 1]

[ Zhu

Hui

, Zhou

Gengui

. Spatial linkage of inland regional logistics based on gravity model: A case of Jinquli region in Zhejiang province
Areal Research and Development, 2015,34(1):43-49.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3969/j.issn.1003-2363.2015.01.008.

URL [本文引用: 1]

[23]

刘荷, 王健. 基于轴辐理论的区域物流网络构建及实证研究
经济地理, 2014,34(2):108-113.

[本文引用: 1]

[ Liu

, Wang

Jian

. The construction of regional logistics networks and its empirical research based on Hub-and-Spoke theory
Economic Geography, 2014,34(2):108-113.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.15957/j.cnki.jjdl.2014.02.014.

URL [本文引用: 1]

[24]

宓泽锋, 曾刚. 创新松散型产业的创新网络特征及其对创新绩效的影响研究: 以长江经济带物流产业为例
地理研究, 2017,36(9):1653-1666.

[本文引用: 2]

[ Mi

Zefeng

, Zeng

Gang

. The innovation network characteristics of innovation-loose industry and its impact on innovation performance: An empirical analysis on the logistics industry of the Yangtze River Economic Belt
Geographical Research, 2017,36(9):1653-1666.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlyj201709005.

URL [本文引用: 2]

[25]

叶士琳, 曹有挥, 王佳韡, 等. 长江沿岸港口物流发展格局演化及其机制
地理研究, 2018,37(5):925-936.

[本文引用: 1]

[ Ye

Shilin

, Cao

Youhui

, Wang

Jiawei

, et al. Spatio-temporal evolution characteristics and mechanism of the port logistics system along the Yangtze River
Geographical Research, 2018,37(5):925-936.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlyj201805006.

URL [本文引用: 1]

[26]

Rabbani

, Kazemi S

. Solving uncapacitated multiple allocation p-hub center problem by Dijkstra's algorithm: Based genetic algorithm and simulated annealing
International Journal of Industrial Engineering Computations, 2015,6(3):405-418. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.5267/j.ijiec.2015.2.002.

URL [本文引用: 1]

[27]

刘明, 李颖祖, 曹杰, 等. 突发疫情环境下基于服务水平的应急物流网络优化设计
中国管理科学, 2020,28(3):11-20.

[本文引用: 1]

[ Liu

Ming

, Li

Yingzhu

, Cao

Jie

, et al. An optimal design of emergency logistics network for epidemic controlling based on service level
Chinese Journal of Management Science, 2020,28(3):11-20.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.16381/j.cnki.issn1003-207x.2020.03.002.

URL [本文引用: 1]

[28]

Tofighi

, Torabi S

, Mansouri S

. Humanitarian logistics network design under mixed uncertainty
European Journal of Operational Research, 2016,250(1):239-250. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.ejor.2015.08.059.

URL [本文引用: 1]

[29]

唐艳, 杨永春, 程仕瀚. 西宁市开发区企业的供应销售物流网络结构特征
经济地理, 2020,40(3):129-140.

[本文引用: 1]

[ Tang

Yan

, Yang

Yongchun

, Cheng

Shihan

. The characteristics of supply and sales logistics network structure of enterprises in Xining Development Zone
Economic Geography, 2020,40(3):129-140.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.15957/j.cnki.jjdl.2020.03.015.

URL [本文引用: 1]

[30]

方大春, 裴梦迪. 我国省际高技术产业同构性的网络结构特征研究
当代经济管理, 2020,42(2):59-65.

[本文引用: 3]

[ Fang

Dachun

, Pei

Mengdi

. Research on the characteristics of network structure of isomorphism in China's high-tech industry
Contemporary Economic Management, 2020,42(2):59-65.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.13253/j.cnki.ddjjgl.2020.02.009.

URL [本文引用: 3]

[31]

刘雅琴, 余谦. 新能源汽车专利合作网络的结构特征及演化分析
北京理工大学学报(社会科学版), 2019,21(6):31-40.

[本文引用: 3]

[ Liu

Yaqin

, Yu

Qian

. Structural characteristics and evolution analysis of new energy vehicle patent cooperation network
Journal of Beijing Institute of Technology (Social Sciences Edition), 2019,21(6):31-40.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.15918/j.jbitss.1009-3370.2019.7068.1009-3370.2019.7068.

URL [本文引用: 3]

[32]

周灿, 曹贤忠, 曾刚. 中国电子信息产业创新的集群网络模式与演化路径
地理研究, 2019,38(9):2212-2225.

[本文引用: 3]

[ Zhou

Can

, Cao

Xianzhong

, Zeng

Gang

. Cluster networks and evolution path of China's electronic information industry innovation
Geographical Research, 2019,38(9):2212-2225.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlyj020180964.

URL [本文引用: 3]

[33]

殷德生, 吴虹仪, 金桩. 创新网络、知识溢出与高质量一体化发展: 来自长江三角洲城市群的证据
上海经济研究, 2019,(11):30-45.

[本文引用: 1]

[ Yin

Desheng

, Wu

Hongyi

, Jin

Zhuang

. Innovation network, knowledge spillover and high-quality integrated development: An empirical study based on the Urban Agglomeration of the Yangtze River Delta
Shanghai Journal of Economics, 2019(11):30-45.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.19626/j.cnki.cn31-1163/f.20191016.001.

URL [本文引用: 1]

[34]

Hagedoorn

, Cloodt

. Measuring innovative performance: Is there an advantage in using multiple indicators?
Research Policy, 2003,32(8):1365-1379. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/S0048-7333(02)00137-3.

URL [本文引用: 1]

[35]

李利华, 王轩. 我国省域物流集群竞争力研究
经济地理, 2020,40(5):165-173.

[本文引用: 1]

[ Li

Lihua

, Wang

Xuan

. Research on co-mpetitiveness of provincial logistics clusters in China
Economic Geography, 2020,40(5):165-173.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.15957/j.cnki.jjdl.2020.05.018.

URL [本文引用: 1]

[36]

苏剑, 郝晓莉. 供给侧协同创新驱动的问题与对策研究
技术经济与管理研究, 2019,(7):85-89.

[本文引用: 1]

[ Su

Jian

, Hao

Xiaoli

. Research on problems and countermeasures of supply-side collaborative innovation drive
Journal of Technical Economics & Management, 2019,(7):85-89.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3969/j.issn.1004-292X.2019.07.015.

URL [本文引用: 1]

[37]

王希元. 创新驱动产业结构升级的制度基础: 基于门槛模型的实证研究
科技进步与对策, 2020,37(6):102-110.

[本文引用: 1]

[ Wang

Xiyuan

. Institutional basis of industrial structure upgrading driven by innovation: Empirical research based on threshold model
Science & Technology Progress and Policy, 2020,37(6):102-110.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.6049/kjjbydc.2019050182.

URL [本文引用: 1]

[38]

汤临佳, 郑伟伟, 池仁勇. 智能制造创新生态系统的功能评价体系及治理机制
科研管理, 2019,40(7):97-105.

[本文引用: 1]

[ Tang

Linjia

, Zheng

Weiwei

, Chi

Renyong

. Function evaluation system and governance mechanism of intelligent manufacturing innovation ecosystem
Science Research Management, 2019,40(7):97-105.] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.19571/j.cnki.1000-2995.2019.07.010.

URL [本文引用: 1]