EN中文

Tropical Geography >

2024 , Vol. 44 >Issue 12: 2180 - 2191

DOI: https://doi.org/10.13284/j.cnki.rddl.20240230

Evolution of the Structure of Double-Layer Technology Cooperation-Transfer Networks and Its Impact on Innovation Capabilities

  • Yuling Chen , 1, 2 ,
  • Hexiang Xing , 3 ,
  • Debin Du 1, 2
Expand
  • 1. Institute for Global Innovation and Development, East China Normal University, Shanghai 200062, China
  • 2. School of Geographic Sciences, East China Normal University, Shanghai 200241, China
  • 3. Institute of Industrial Technology, East China Normal University, Shanghai 200062, China

Received date: 2024-04-10

  Revised date: 2024-08-19

  Online published: 2024-12-11

Fold

Abstract

With the increasing connectivity across regions of the modern society, innovation networks have become a prominent paradigm in the field of innovation geography. Considering the ongoing regional integration of the Yangtze River Delta and current challenges posed by uneven development in innovation capabilities, examining the impact of inter-urban innovation networks on the enhancement of urban innovation capacity holds substantial research significance. However, current scholarly research seldom explores the evolution of dual-layer networks. Furthermore, studies on the effects of innovation networks tend to focus only on their direct impacts on network entities, with limited analyses of innovation proximity and spillover effects. Therefore, this study constructed a double-layer innovation network for the Yangtze River Delta for the period 2010 to 2019 based on patent collaboration and transfer data. It characterizes the basic evolutionary features of this double-layer network, analyzes the structural development differences between the collaboration and transfer subnetworks, investigates the dynamics of their coupling evolution, and explores the spatial spillover effects of the dual-layer network structure on urban innovation capacity. The findings reveal that: (1) Internal connectivity within the double-layer innovation network of the Yangtze River Delta has strengthened, enhancing accessibility and efficiency while reducing internal centripetal tendencies, thus achieving increasingly coordinated intercity innovation linkages; (2) The initial distribution of the transfer and collaboration networks was concentrated along the southeastern coastal areas, but subsequent polarization eased, with a more marked decrease in hierarchical structure in the transfer network, which also exhibited a higher level of development compared to the collaboration network; (3) The overall coupling coordination of the two sub-networks has risen, although with increased dispersion, leading to pronounced polarization but without severe effects; (4) Regression results from spatial econometric models indicate that node strength and importance within the double-layer network positively influence urban innovation capacity, with both showing significant negative spatial spillover effects. Urban economic vitality and consumer demand are positively correlated with local innovation capacity; the enhancement of economic vitality in neighboring cities also promotes local innovation capacity. However, the optimization of industrial structures in adjacent cities negatively impacts local innovation capacity. These findings suggest that the Yangtze River Delta should continue to implement integration policies, with core cities taking the lead and less-developed cities actively integrating into the innovation network to promote the region's overall enhancement of innovation capacity. Moreover, cities should not only draw on advanced external expertise but also increase their own technological outputs, balancing both "bringing in" and "going out." This approach not only strengthens the coupling between the two subnetworks, but also enables overall optimization of the innovation network. This study provides novel and profound insights into the construction of intercity innovation networks in the Yangtze River Delta and offers valuable references for improving and coordinating urban innovation capacity across the region.

Key words： innovation networks; technology cooperation-transfer double-layer networks; innovation capacity; urban economic dynamism; complex network theory; Yangtze River Delta region

Cite this article

Yuling Chen , Hexiang Xing , Debin Du . Evolution of the Structure of Double-Layer Technology Cooperation-Transfer Networks and Its Impact on Innovation Capabilities[J]. Tropical Geography, 2024 , 44(12) : 2180 -2191 . DOI: 10.13284/j.cnki.rddl.20240230

创新目前已成为推动国家社会发展的重要驱动力，区域之间的联系得到前所未有的增强（杜德斌 等，2016），城市仅依靠自身科技研发和生产已不足以驱动城市创新能力持续向前发展（Feng et al., 2022），迫切需要与其他城市进行信息交流和资源交换。创新网络作为城市间信息交流的具象化，能更好地呈现城市的创新辐射能力，成为新兴的创新地理研究范式（焦美琪 等，2019；孙宇 等，2021；桂钦昌 等，2021）。2020年发布的《长三角科技创新共同体建设发展规划》（科技部，2020）明确要求加强长三角地区科技创新规划的对接，聚力打造高质量区域创新共同体。因此，长三角地区内部创新交流联系的创新网络的系统研究迫在眉睫。
网络是自然界和社会中普遍存在的客观现象，构成所有系统的基础架构。1998年，Watts首次提出“小世界（small-world）网络模型”，用以描述从规则网络向随机网络的转变过程。随后，在1999年，Barabási和Albert（1999）指出，众多现实网络的节点分布遵循幂律形式。鉴于幂律分布缺乏明显的特征长度，该类网络被界定为无标度网络。而那些同时具备无标度性、小世界特性等属性的网络，学术界统称为复杂网络。诸多研究表明，经济网络、生物网络、交通网络等均展现出复杂网络的特征（范如国，2014）。经济地理学者指出，创新网络的本质与复杂网络无异，均由创新（社会）节点间的直接联系构成（Ter Wal and Boschma, 2009）。因此，复杂网络理论被引入创新网络研究，被广泛应用于以企业、高校、城市为节点的网络结构分析，为深入洞察不同尺度创新网络的中心性、集聚性、无标度性等复杂性特征提供了重要的方法支撑（高霞 等，2015；刘承良 等，2017）。在构建这些创新网络的实际过程中，鉴于数据的代表性和可获得性，技术合作与技术转让已成为表征创新节点间创新联系、构建创新网络的首选途径。
当前研究大多聚焦于技术合作或技术转让单一层面的网络分析，忽略了两者在知识流动过程中有所交集，如都能促进技术的传递（Chong and Pan, 2020；丁子军 等，2023）。同时两者在组织间联系的属性上存在差异，具体而言，技术合作涉及2个或更多个体或组织为达成特定目标，在科学技术领域内开展的共同协作活动，体现为一种交互关系，缺乏明确的方向性，伴随着知识、要素与资金的双向流动；相比之下，技术转让则是技术知识和诀窍从一个组织向另一个组织的单向传递过程，具有明确的方向性，要素传递是单向的（孙玉涛 等，2017）。因此，为更全面、准确地描绘城际间的技术联系，有必要同时审视技术合作与技术转让这2种在内涵上有所区别且边界相对独立的创新活动。
长三角地区作为中国经济活力、开放水平与创新能力的领头羊之一，但内部仍面临着区域间创新能力差距明显、创新强辐射城市数量少等问题（王越 等，2018；王守文 等，2023）。学者们从城市属性、产业集聚、政策倾斜等方面分析长三角地区创新能力的空间差异与提升路径，发现房价、互联网等新兴产业或生产性服务业的集聚或是创新政策的不同均会影响城市的创新能力（张慧一 等，2022；叶堂林 等，2022；尹上岗 等，2023；戴志敏 等，2023）。但这些研究都是将城市作为孤立的空间点，实际上，随着创新要素的加速流动，城际创新网络已逐渐发育成为较成熟的复杂网络，拥有“择优连接”等多数创新资源集中于少数节点的复杂性特征。已有研究开始从网络化视角研究创新联系对城市创新能力提升的影响（周灿 等，2017；栾心晨 等，2023），发现位于网络中心的城市能通过掌控更多的创新资源从而提升创新能力。但该类研究仍存在单一关注技术合作或转让的局限性。事实上，技术合作与转让都是推动资源跨区域流动、促进区域创新能力协调的重要途径（戴靓 等，2022；叶雷 等，2023）。城市作为城际创新网络中的重要节点，其创新能力的发展不可避免地受到这2个层面网络效应的双重影响。同时，技术创新具有溢出效应（Liu, 2018；刘那日苏 等，2020），创新驱动发展背景下，如何利用城际创新网络的溢出效应，提升城市的创新能力也是需要重视的问题。尽管现有研究广泛采负二项回归、Tobit模型等方法，深入分析了网络结构特征对于区域创新的影响，但在运用空间计量方法测度并解析创新网络溢出效应与区域创新之间复杂关系的研究方面仍较为不足（栾心晨 等，2023）。
基于此，本文应用复杂网络理论，拟构建能更好反映城际创新联系的长三角技术合作-转让网络，测度该网络的结构复杂性，对比长三角地区技术合作与转让网络的发展态势与耦合情况，并利用空间杜宾模型揭示长三角技术合作-转让双层网络的结构特征对城市创新能力的空间溢出效应。以期为长三角地区区域创新一体化高质量发展提供经验借鉴。

1 研究设计

1.1　研究区域

根据2019年国务院印发的《长江三角洲区域一体化发展规划纲要》（中共中央 国务院，2019）将江、浙、沪、皖三省一市全部纳入规划范围，要求推进该区域创新深度融合。鉴于此，本研究选取包含在内的41个地级市作为研究对象。

1.2　研究方法

1.2.1　模型构建

相比单层网络内节点通过单一类型边缘连接的假设，多层网络允许节点受到不同类型边缘的影响，填补了此前复杂网络只能包含单一联系的缺陷，使网络构建更为全面（De Domenico et al., 2013; Gómez et al., 2013; Battiston et al., 2014）。具体到城市间创新联系的研究领域，相较仅基于单一类型边缘（如技术合作或技术转让）构建的网络，双层网络模型——特别是融合技术合作与转让流动数据的模型——展现出更强的解释力。该模型不仅捕捉了城市间在技术合作层面的直接互动，还深入分析了技术转让作为知识流动另一重要渠道的作用，更全面地表征了城市间的创新联系。基于该理论框架，本文同时整合技术合作与技术转让2个层面，构建了城际技术合作-转让双层网络模型（图1）。在该模型中，合作层与转让层均以城市作为节点，节点通过技术合作（体现为城市间企业、高校及研究机构联合申请专利的协作行为）与技术转让（专利权在不同城市主体间的转移）关系相连，形成网络中的连接边，边的权重由城市间的合作与转让技术规模衡量。层间仅同质节点存在连边，即同一城市同时嵌入2层网络。
图1 技术合作-转让双层网络示意

图注：线条粗细代表城市间技术合作与转让强度。

Fig.1 The double-layer technology cooperation-transfer network

1.2.2　网络指标测度

1）加权度中心性
加权度中心性通常用于揭示节点的重要性，采用加权度中心性评价节点在网络中的等级性（焦敬娟 等，2016）。
D C i = ∑ j = 1 n a i j n - 1
s i = ∑ j = 1 N w i j
W D C i = D C i * ( s i D C i ) 1 - α
式中： D C i表示节点 i的度中心性； a i j表示城市间是否存在专利转让或合作，有则赋值为1，无则赋值为0；计算为节点度值与网络中最多可能连接的n-1个节点的比值； W i j代表专利合作或者转让的强度值； W D C i表示节点的加权度中心值； α为赋值参数，取0.5。
2）位序规模法则
采用Zipf于1949年提出的城市位序-规模法则（Zipf, 1949），对长三角区域技术合作与转让网络的节点等级结构进行比较，公式为：
l n P k = α - q l n k
式中： P k代表网络节点的加权度中心值； α为常数项； k为网络节点加权中心度的降序位次； q用于反映节点加权中心度和规模的结果变化幅度。
3）耦合协调度
利用城市节点的加权度中心性测度2个网络的协调发展程度，计算公式为（丛晓男，2019）：
C = 2 × U 1 × U 2 ( U 1 + U 2 ) 2
T = α U 1 + β U 2
D = C × T
式中： U 1、 U 2代表合作网络与转让网络相同节点的加权度中心性；C代表耦合度；T代表2个网络的综合协调指数；D代表耦合协调度； α和 β分别代表合作网络与转让网络对耦合协调度的贡献系数，均取值为0.5。

1.2.3　创新能力的测度

在探讨城市创新能力的定义范畴时，已有学者从不同维度对其进行详尽界定，尽管表述各异，但在核心要义上呈现高度的趋同性。即城市创新能力是指对知识进行生产，并将其转化为应用于生产和商业活动中的新技术、新工艺、新产品与新服务的能力，本质上是一种将资源投入有效转化为创新产出的能力（邵云飞 等，2006；何舜辉 等，2017；李二玲 等，2018）。基于上述定义，当前创新能力评价领域广泛采用根据创新投入、产出与环境3个维度构建的综合体系。该框架能较为全面地反映城市在创新过程中的资源动员能力以及创新成果的产出效率，还能揭示环境对于创新活动的支撑作用（黄丽 等，2020；王文静 等，2020；Feng et al., 2022；龙志军 等，2023）。鉴于此，本文亦遵循投入-产出这一核心逻辑，构建一套用于评价城市创新能力的指标体系。
创新环境是各主体进行创新活动的基本保障，主要包括硬件设施与软环境（Feng et al., 2022）。在硬件设施层面，黄丽（2020）、王文静（2020）等的研究一致强调了公共图书馆与互联网基础设施的核心地位，为知识获取与信息传播提供了关键平台。同时，外资的引入与工业企业的蓬勃发展不仅是衡量城市对外开放程度及工业基础的重要指标，也是塑造创新环境不可或缺的基础要素（顾伟男 等，2017；龙志军 等，2023）。鉴于此，本文选取公共图书馆藏书量、互联网宽带接入用户数、规模以上工业企业数量以及外资投资企业生产总额作为创新环境的二级指标，旨在全面而深入地刻画城市创新环境的综合状况。创新投入方面，涵盖了城市在创新活动中所投入的人力与财力资源（范柏乃 等，2002）。具体地，本文采用科研技术服务人员数量、每万人中大学生比例、科研财政支出以及教育支出量化这一投入水平，这些指标共同反映城市对创新活动的支持力度与潜力。创新产出是创新活动所带来的直接与间接效益的体现（顾伟男 等，2017）。本文选取专利申请量、高新技术企业数量、国家级高新区收入以及人均国内生产总值作为衡量指标，这些指标不仅反映创新活动的直接成果，如专利的产出与企业的建立，也体现创新对经济增长的间接贡献。熵权法的核心原理是通过以指标变异性大小确定其客观权重，减少主观性对于结果的影响，因此本文利用熵权法测算城市创新能力（边作为 等，2023）。

1.2.4　空间计量模型构建

由于长三角地区城市创新能力存在明显的空间相关性，为了深入探究这一区域内城际创新网络对城市创新能力的影响，本文参考了创新网络与创新能力的相关实证分析，并在此基础上，依据Elhorst（2010）的研究方法，构建了空间杜宾模型进行考察：
l n c a p a c i t y i t = ρ W l n c a p a c i t y i t + β 1 l n s t r e n g t h i t + β 2 l n p a g e r a n k + β 3 l n i n d i t + β 4 l n v i t i t + β 5 l n c o n i t + θ 1 W l n c a p a c i t y i t + θ 2 W l n p a g e r a n k i t + θ 3 W l n I n d i t + θ 4 W l n V i t i t + θ 5 W l n C o n i t + μ i t + λ t + ε i t
式中：capacity代表城市创新能力；strength和pagerank分别代表城市技术合作-转让网络中各节点的强度和重要度；lnd、Vit和Con分别代表城市产业结构、经济活力与消费需求； W 表示计量模型所采用的空间权重矩阵，本文采用反距离地理矩阵，ρ代表空间自回归系数，β 1~β 5为待估参数，θ 1~θ 5为空间回归系数，i和t分别代表城市和年份， μ和 λ分别是截面效应和时间效应； ε代表随机干扰项。
（1）核心解释变量：
1）节点强度（strength）：定义为某个节点相连的边的权重之和：
s i = ∑ j = 1 N w i j
式中： w i j代表各条边的权重。
2）节点重要度（pagerank）：PageRank算法最初作为计算互联网网页的重要度被提出，描述随机游走者沿着有向图随机访问各个节点的行为。在一定条件下，极限情况访问每个节点的概率收敛到平稳分布，这时每个节点的平稳概率值即为其PageRank值，表示节点的重要度为：
R u = c ∑ v ∈ B u R ( v ) L v
式中： B u表示所有链接到网页 u的网页集合； c为常数； R ( v )表示网页（节点） v的pagerank值； L ( v )表示网页 v的对外链接数（即出度）。
（2）控制变量：
考虑到城市创新能力可能受到众多因素的影响，为保证估计结果的准确性和可靠性，在模型中添加以下控制变量：
1）产业结构（ind）：城市产业结构的合理化对城市创新能力的提升起一定促进作用，本文采取第三产业占GDP的比重测度城市的产业结构。
2）经济活力（vit）：夜间光照强度可以作为测度一个城市的经济活力的指标（Feng et al., 2022），一般来说，夜间光照强度越大，与之相对的城市科技活动越频繁，整体的创新能力也越强。
3）消费需求（con）：城市的消费需求越大，则消费者购买新兴科技产品的意愿越大（Fan et al., 2020），会进一步拉动城市的创新转化过程，提高城市的创新能力，采用全年的社会消费品零售总额代表消费需求。

1.3　数据来源

本文专利数据来源于incopat数据库 1，将研究时间范围设为2010—2019年，以长三角地区（三省一市，共41个城市）为申请地址，分别检索专利联合申请和转让数据，下载的信息包括申请号、名称、申请人及其地址、转让人及其地址、受让人及其地址、申请时间、转让时间等。创新评价体系指标和产业结构、消费需求数据来源于中国城市统计年鉴、各地级市统计年鉴、经济统计公报等，部分缺失数据用线性插值方法填补，夜间灯光数据来源于整合DMSP-OLS和SNPP-VIRS数据改进后得到的中国时间序列类DMSP-OLS数据（Wu et al., 2022）。

2 双层创新网络结构分析

2.1　双层创新网络复杂特征演化

使用ucinet6对2010—2019年城际合作-转让双层创新网络中各项结构特征进行计算。由图2可知，2010—2019年长三角地区双层创新网络密度和平均聚类系数整体呈上升趋势，表明网络内部创新集聚能力增强，创新交流更加频繁、关系更加密切，城市之间创新联系的紧密程度提高，信息传递路径多；而平均最短路径逐年下降，说明长三角地区城市之间创新交流的壁垒逐渐下降，通达性和效率逐步提高；网络中心势虽然起伏不定但总体呈下降趋势，说明随着网络规模的扩大，内部向心趋势降低，创新联系不再集中于某些中心城市，而是较为均衡地分布在所有城市中，城市之间创新联系交流的频率愈发协调。
图2 技术合作-转让双层创新网络指标的时间演变

Fig.2 Temporal evolution of double-layer technology cooperation-transfer network indicators

2.2　双层创新网络的层间差异与耦合

2.2.1　层间差异

对2010、2015和2019年长三角地区城市间技术转入与合作强度进行可视化，由图3可发现，长三角地区技术转让与合作强度前期空间分布不均衡，两者空间联系密度与总量较高的城市均集中分布在东南沿海一带。但后续极化现象有所缓解，城市间的等级性下降。更为明显的是，技术转让网络趋于均衡的速度更快，2019年转入网络的空间关联相比合作网络更为协调。
图3 2010—2019 年基于专利转让与合作的长三角地区城际创新网络

Fig.3 Interurban innovation network in the Yangtze River Delta region based on patent transfer and cooperation from 2010 to 2019

针对子网络之间演化速度存在的差异，本文绘制了2010、2015和2019年2个网络3年节点加权度中心性的位序-规模双对数关系（图4），从定量的角度分析2个网络的不同发展，拟合结果如表1。2个网络节点加权度中心性拟合的位序-规模曲线斜率随时间持续下降，说明技术转让和合作活动不再集中于少数高位次城市，中低位次城市创新发育强劲，呈现分散、多元化的发展，各城市的差距越来越小。相比而言，转让网络的斜率下降幅度更大，表明转让网络朝均衡发展的趋势更为迅速，与前文可视化结果相对应。与尚勇敏等（2023）的研究结论相吻合，即长三角地区技术转让网络相比合作网络发育水平更高，跨等级城市之间的联系也更多。推测可能是由于专利转让的技术壁垒相较专利合作更低，在发展初期城市由于创新资源和底蕴不足，只能被动地学习和模仿前沿技术，经过积累后才拥有足够的创新资源和要素去与其他城市合作研究新兴科技。因而，城际技术转让网络的发展比合作网络成熟得更快，低等级的创新城市需借助转让网络，加快融入合作网络，进而提升本地的创新能力。
图4 2010—2019年长三角地区技术合作与转让网络节点位序-规模分布

Fig.4 Nodal rank-size distribution of the Yangtze River Delta region technology cooperation and transfer network from 2010 to 2019

表1 2010—2019年长三角地区技术合作与转让网络节点位序-规模拟合结果

Table 1 Results of node rank rank-size fitting for the Yangtze River Delta region technology and transfer network from 2010 to 2019

拟合值 合作网络 转让网络
2010年 2015年 2019年 2011年 2015年 2019年
q 0.933 0.844 0.800 0.858 0.647 0.630
a 4.879 5.168 5.667 4.105 4.644 5.441
R 2 0.862 0.906 0.906 0.774 0.824 0.705

2.2.2　层间耦合

使用非参数核密度估计法绘制两者网络不同年份的耦合协调度核密度曲线（程开明 等，2012），分析长三角地区专利合作与转让网络耦合情况的分布形态与动态演化。
由图5可知，2010—2019年耦合协调度核密度曲线的主峰位置向右侧移动，表明长三角地区技术合作网络与转让网络的耦合协调度总体呈上升趋势，所有城市的耦合均值由2010年的0.46上升至2019年的0.51。但曲线主峰高度整体有所下降，且开口宽度增大，由“瘦高”逐渐变成“矮胖”，说明2个网络的耦合协调度离散程度呈上升趋势，但曲线的右拖尾和左拖尾都呈收敛趋势，说明城市间耦合协调度极端值和平均值的差距在缩小。自2016年开始，曲线开始出现由单峰向双峰演变的趋势，表明2个网络的耦合协调度呈显著的两极化趋势，但主峰与侧峰间的距离较近，说明并未出现严重的空间极化现象。
图5 合作与转让网络节点耦合协调度的核密度演变特征

Fig.5 Characterizing the kernel density evolution of node coupling coordination in cooperation and transfer networks

3 实证结果分析

3.1　空间自相关检验

在空间计量分析前，需进行空间自相关检验。本文使用全局Moran's I 指数探究长三角城市创新能力的空间关联特征。
由表2可知，2010—2019年长三角地区各城市创新能力的Moran's I指数绝大部分稳定在0.1~0.2，z和P值均通过显著性检验，初步证明长三角区域各城市创新能力存在空间正向相关性，可采取空间计量模型分析。
表2 2010—2019年长三角城市创新能力的全局莫兰指数

Table 2 Global Moran Index of innovation capacity of the Yangtze River Delta Cities during 2010-2019

年份 I Z P值
2010 0.123 3.660 0.000
2011 0.139 3.813 0.000
2012 0.138 3.847 0.000
2013 0.137 3.861 0.000
2014 0.108 3.645 0.000
2015 0.114 3.805 0.000
2016 0.123 3.853 0.000
2017 0.117 3.880 0.000
2018 0.116 3.774 0.000
2019 0.137 4.120 0.000

3.2　空间计量分析结果

在验证长三角地区41个城市创新能力存在空间正相关的基础上，需要基于普通面板回归模型，将空间依赖性纳入计量模型，借鉴Elhorst的检验思路，依次采用LM、Robust LM、Hausman、LR检验进行模型选定。1）由表3可知，LM（error）和Robust LM（error）检验均通过1%水平下的显著性检验，说明存在空间误差项；2）LM（lag）和Robust LM（lag）检验均通过1%水平下的显著性检验，说明存在空间滞后项，SAR模型和SEM模型均适用，故可选择SDM模型；3）对SDM模型进行简化检验，LR检验通过10%的显著性检验，表明拒绝SDM模型退化成SAR或SEM模型；4）进行Hausman检验，通过1%水平下的显著性检验，因此选择固定效应模型；5）进行SDM模型的固定效应检验，结果均在1%的水平下拒绝原假设，因此选择时空双重固定效应的SDM模型（张坚 等，2023）。
表3 LM、LR、Hausman检验结果

Table 3 Results of LM, LR, Hausman test

检验 统计值 P值
LM-error 118.880*** 0.000
Robust LM-error 148.950*** 0.000
LM-lag 26.515*** 0.000
Robust LM-lag 56.585*** 0.000
LR-error 27.10*** 0.000 1
LR-lag 22.64*** 0.006 4
Hausman 86.89*** 0.000
个体固定效应 70.98*** 0.000
时间固定效应 1 117.81*** 0.000

注： *、**、***分别代表在0.10、0.05、0.01检验水平下显著；表4、5同。

为更好地分析实证结果，采用OLS方法进行回归分析。表4中模型1、2分别是以节点强度和重要度为核心解释变量构建的基准模型，可以看出创新网络中城市节点的重要度和强度都可以促进区域创新能力提升，同时所有控制变量也都有明显的正向效应。但OLS方法得出的结果并不能完全反映城市的空间关联，因此，仍分别以节点强度和重要度作为核心解释变量，建立SDM模型3和4，结果如表4所示。
表4 SDM模型计算结果

Table 4 Calculation results of SDM model

变量 OLS SDM
模型1 模型2 模型3 模型4
lnpagerank 0.254***（7.79） 0.015*（1.84）
lnstrength 0.154***（9.25） 0.012**（2.41）
lnind 2.118***（14.35） 1.632***（10.28） 0.013（0.13） 0.000 1（0.00）
lnvit 0.605***（17.14） 0.542***（14.90） 0.186***（3.76） 0.177***（3.60）
lncon 0.133***（3.46） 0.112***（2.97） 0.149***（6.14） 0.148***（6.13）
W * lnpagerank -0.204***（-3.39）
W * lnstrength -0.132***（-3.34）
W * lnind -3.654***（-4.16） -3.597***（-4.09）
W * lnvit 1.327** （-2.16） 1.235**（2.04）
W * lncon 0.036（0.13） 0.049（0.17）
ρ -1.503***（-4.58） -1.475***（-4.51）

注：括号内为稳健标准误；表5同。

可以看出，表4中模型3、4的空间自相关系数分别通过10%与5%的显著性水平，说明城市节点重要度和强度的空间溢出效应对城市创新能力有重要影响，而相邻城市的节点重要度和强度对创新能力影响也存在反馈机制。城市节点的重要度和强度系数显著为正，说明两者对于城市创新能力均有正向促进作用，同时空间滞后系数显著为负，说明相邻城市的节点重要度和强度会阻碍本地城市创新能力的提升。根据Lesage和Pace（2009）分析，需进一步比较结果中的直接效应、间接效应和总效应。
第一，模型3和4中城市节点重要度和节点强度的直接效应均在1%的显著性水平下为正，表明创新网络中城市节点的重要度与强度与其创新能力呈现正相关，一个城市在创新网络中越重要其创新能力越高。这印证了网络结构的嵌入性理论（Granovetter, 1985），城市所处的创新网络地位以及与其他城市的创新互动，决定该城市能接触到的资源和机会。城市在创新网络中的结构地位越高，意味着获取外部知识和技术的渠道越多，控制和整合网络中创新资源的能力越强，对于区域创新能力的正向影响越大。
表5 直接效应、间接效应和总效应结果

Table 5 Results of direct, indirect and total effect

变量 直接效应 间接效应 总效应
模型3 模型4 模型3 模型4 模型3 模型4
lnpagerank 0.021***（2.60） -0.098***（-3.68） -0.07***（-2.83）
lnstrength 0.017***（3.21） -0.066***（-3.75） -0.050***（-2.71）
lnind 0.115（1.16） 0.098（1.00） -1.628***（-4.01） -1.610***（-3.95） -1.513***（-3.89） -1.511***（-3.86）
lnvit 0.154***（3.38） 0.147***（3.25） 0.467*（1.84） 0.439*（1.74） 0.620**（2.42） 0.586**（2.30）
lncon 0.156***（7.09） 0.155***（7.06） -0.077（-0.64） -0.070（-0.57） 0.079（0.64） 0.085（0.495）
同时，模型3与4中城市节点强度和重要度的间接效应通过1%水平下的显著性检验，且为负值，说明城市的节点重要度具有显著的负向空间溢出效应，即周边城市强度和重要度的提升会导致本城市的创新能力下降。这与曾婧婧等（2024）的研究相似，证明创新条件好的城市可能对周边城市产生“虹吸效应”。节点的强度与重要度是城市在网络中影响力的表征，强度越高代表城市与外界技术联系更为紧密，重要度高意味着城市在网络中拥有更高的影响力，这2项指标越高，表明城市对于网络中创新资源的抓取和消化能力越强（Li et al., 2023）。因此在市场经济条件下，人才、资本等创新要素会在区域间不断流动，最终落点是要素所有者为追求自身利益最大化所做的决定。而在各城市创新网络结构地位不均衡的条件下，创新基础条件差异也随之增大，各类创新要素会从发展环境较差的地区转向环境较好的城市，而且要素的流动受限于地理距离，由于文化壁垒、信息不对称、交通成本等带来的迁移增多，创新要素的流动可能性下降。因此“虹吸效应”对周边城市的影响相对更大，即结构地位较高，创新条件更优越的城市，其周边城市的创新要素流失更严重，创新能力受其影响显著下降。
第二，2个模型中城市夜光强度的直接效应和间接效应分别在1%和10%的水平下显著为正，说明城市的经济活力与创新能力呈正相关关系，经济活力强侧面反映城市的发达水平，城市越发达，政府及企业投入创新的力度都越大，愿意投身创新活动的人群也增多；周边城市的经济活力越强，会间接提升与本地之间的资源流动和信息分享效率，推动本地创新活动的密度提升，进而促进本地城市创新能力的提高。
第三，2个模型中城市产业结构的直接效应均未通过显著性检验，说明城市的产业结构与与本地城市创新能力没有直接的相关关系，而消费需求的直接效应均在1%的水平下显著为正，消费需求在一定程度上代表消费者对于新科技产品的购买意愿程度，在利益驱动下，消费需求越大科技成果转化率越高，产业结构控制变量的间接效应系数均通过1%的显著性检验，证明周边区域产业结构的完善会对该城市的创新能力产生强烈的负向影响，周边城市在产业结构升级完善的过程中，部分被淘汰的产业可能会迁至该城市，使得周边城市产业结构冗余进而影响前沿产业的发展，阻碍城市创新能力的提升。消费需求的间接效应均未通过显著性检验，表明长三角地区的市场整合程度还不足，城市间的消费市场壁垒较大。

4 结论与讨论

本文以长三角地区为研究，利用2010—2019年专利数据构建城际技术合作-转让双层创新网络，对比分析合作与转让网络的空间格局、城市层级变化差异及其相互的耦合演变动态，并探讨城际合作-转让双层创新网络结构对城市创新能力影响的空间溢出效应，主要结论为：1）长三角地区技术转让-合作双层网络内部紧密程度提升，集聚程度增强，联系交流频率趋于协调。2）合作与转让创新子网络空间不均衡现象均在缓解，但转让网络速度更快，随着区域创新联系增强，二者耦合系数上升，彼此之间协同效应增强。3）城际双层创新网络中城市节点地位与其创新能力息息相关，当一个城市拓展自身的技术边界，增强与其他城市的技术联系力度时，可能获取的资源越多，创新能力越强。此外，邻近城市节点在网络中的节点强度与重要度提升时，会产生一定的“虹吸效应”，当地的资金、信息、高素质劳动力等部分创新要素会被吸引至周边城市，以至对本地城市创新能力产生负向影响。
根据本研究结果，为了更系统地提升长三角地区城市的创新能力，建议依旧坚定推行长三角地区一体化政策。在东部沿海区域与中西部地区依旧存在较大差距的现实基础下，上海、南京等东部核心城市应继续发挥引领作用，通过技术溢出和资源辐射，带动周边及中西部地区的创新发展。同时，安徽省作为长三角地区的重要组成部分，也需积极行动，不仅要继续巩固合肥的创新中心地位，还应积极培育新的创新增长点，以多点支撑的方式促进全省创新能力的全面提升。在此基础上，为进一步增强各城市在城市创新网络中的节点强度和重要性，各城市应实行“引进来”与“走出去”并重的策略。不仅要积极引进外部先进技术和管理经验，同时还要加大自身技术输出的力度，促进城市间的技术转移与合作。通过加强城市间的技术联系与合作，进一步扩大城际创新联系的“朋友圈”，建立起更加牢固和紧密的城际技术联系。这不仅有助于增强2个子网络之间的关联性和耦合协调性，还能实现创新网络的整体功能优化，达到“1+1＞2”的协同效应。虽然本研究以一个较新视角探究城际创新网络，但仍存在局限性。如在衡量技术转让与合作时只采取了专利数据，未来可进一步采用论文合作、技术人才流动等实证搭建更为完善的城际创新网络，丰富研究内涵。

1 https://www.incopat.com/

陈毓玲：负责论文撰写与数据处理；

邢和祥：提出论文的研究方向以及理论架构；

杜德斌：负责论文的修订与完善。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Barabási A and Albert R.1999. Emergence of Scaling in Random Networks. Science, 286: 509-512.

Battiston F, Nicosia V, and Latora V. 2014. Structural Measures for Multiplex Networks. Physical Review E, 89(3): 032804.

边作为. 2023. 中国创新要素配置水平的测度及区域差异分析. 技术经济与管理研究，（4）：38-43.

Bian Zuowei. 2023. Measurement of the Allocation Level of Innovation Factors in China and Analysis of Regional Differences. Technoeconomics & Management Research, (4): 38-43.

曾婧婧，陶文清. 2024. 科创走廊对经济的双刃剑效应：辐射还是虹吸. 科学学研究，42（12）：2533-2544. [Zeng Jingjing and Tao Wenqing. 2024. The Double-Edged Sword Effect of Science and Technology Innovation Corridors on Economic Growth: Radiation or Siphon. Studies in Science of Science, 42(12): 2533-2544.

程开明，庄燕杰. 2012. 城市体系位序-规模特征的空间计量分析——以中部地区地级以上城市为例. 地理科学，32（8）：905-912.

Cheng Kaiming and Zhuang Yanjie. 2012. Spatial Econometric Analysis of The Rank-Size Rule for Urban System: A Case of Prefectural-Level Cities in China's Middle Area. Scientia Geographica Sinica, 32(8): 905-912.

Chong Z and Pan S. 2020. Understanding the Structure and Determinants of City Network through Intra-Firm Service Relationships: The Case of Guangdong-Hong Kong-Macao Greater Bay Area. Cities, 103: 102738.

丛晓男. 2019. 耦合度模型的形式、性质及在地理学中的若干误用. 经济地理，39（4）：18-25.

Cong Xiaonan. 2019. Expression and Mathematical Property of Coupling Model, and Its Misuse in Geographical Science. Economic Geography, 39(4): 18-25.

戴靓，刘承良，王嵩，纪宇凡，丁子军. 2022. 长三角城市科研合作的邻近性与自组织性. 地理研究，41（9）：2499-2515.

Dai Liang, Liu Chengliang, Wang Song, Ji Yufan, and Ding Zijun. 2022. Proximity and Self-Organizing Mechanisms Underlying Scientific Collaboration of Cities in the Yangtze River Delta. Geographical Research, 41(9): 2499-2515.

戴志敏，余志伟. 2023. 互联网发展对长三角城市群创新能力的影响——兼论政府科技支持的门槛效应. 软科学，37（7）：97-103.

Dai Zhimin and Yu Zhiwei. 2023. The Influence of Internet Development on the Innovation Ability of the Yangtze River Delta Urban Agglomeration. Soft Science, 37(7): 97-103.

De Domenico M, Solé-Ribalta A, Cozzo E, Kivela M, Moreno Y, Porter M, Gómez S, and Arenas A. 2013. Mathematical Formulation of Multilayer Networks. Physical Review X, 3(4): 041022.

丁子军，王瑞霖，戴靓，陈格. 2023. 长三角城市技术创新网络的时空演化与影响机制. 资源开发与市场，39（5）：573-579.

Ding Zijun, Wang Ruilin, Dai Liang, and Chen Ge. 2023. The Spatio-Temporal Evolution and Influential Mechanism of Interurban Technological Innovation Networks in the Yangtze River Delta. Resource Development & Market, 39(5): 573-579.

Elhorst J P. 2010. Applied Spatial Econometrics: Raising the Bar. Spatial Economic Analysis, 5(1): 9-28.

杜德斌，何舜辉. 2016. 全球科技创新中心的内涵、功能与组织结构.中国科技论坛，（2）：10-15.

Du Debin and He Shunhui. 2016. The Connotation, Function and Organization of Global S&T Innovation Center. Forum on Science and Technology in China, (2): 10-15.

范柏乃，单世涛，陆长生. 2002. 城市技术创新能力评价指标筛选方法研究. 科学学研究，（6）：663-668.

Fan Bonai, Shan Shitao, and Lu Changsheng. 2002. An Empirical Study of Evaluation System of the Urban Technology Innovation Capability. Studies in Science of Science, (6): 663-668.

Fan F, Lian H, and Wang S. 2020. Can Regional Collaborative Innovation Improve Innovation Efficiency? An Empirical Study of Chinese Cities. Growth and Change, 51(1): 440-463.

范如国. 2014. 复杂网络结构范型下的社会治理协同创新. 中国社会科学，（4）：98-120，206.

Fan Yuguo. 2014. Collaborative Innovation in Social Governance in a Complex Network Structural Paradigm. Social Sciences in China, (4): 98-120, 206.

Feng Z, Cai H, Chen Z, and Wen Z. 2022. Influence of an Interurban Innovation Network on the Innovation Capacity of China: A Multiplex Network Perspective. Technological Forecasting and Social Change, 180: 121651.

高霞，陈凯华. 2015. 合作创新网络结构演化特征的复杂网络分析. 科研管理，36（6）：28-36.

Gao Xia and Chen Kaihua. 2015. The Complex Network Analysis of the Structure Evolution of Collaborative Innovation Networks:An Example of the Industry-University-Research Collaboration of Chinese ICT Industry. Science Research Management, 36(6): 28-36.

Gómez S, Díaz-Guilera A, Gómez-Gardeñes J, Pérez-Vicente C J, Moreno Y, and Arenas A. 2013. Diffusion Dynamics on Multiplex Networks. Physical Review Letters, 110(2): 028701.

顾伟男，申玉铭，王书华，曾春水. 2017.科技创新能力的空间演变及其与经济发展的关系. 中国科技论坛，（9）：23-29.

Gu Weinan, Shen Yuming, Wang Shuhua, and Zeng Chunshui. 2017. Spatial Evolution of China's Scientific and Technological Innovation Ability and Its Relationship with Economic Development. Forum on Science and Technology in China, (9): 23-29.

桂钦昌，杜德斌，刘承良，徐伟，侯纯光. 2021. 全球城市知识流动网络的结构特征与影响因素. 地理研究，40（5）：1320-1337.

Gui Qinchang, Du Debin, Liu Chengliang, Xu Wei, and Hou Chun'guang. 2021. Structural Characteristics and Influencing Factors of the Global Inter-City Knowledge Flows Network. Geographical Research, 40(5): 1320-1337.

Granovetter M. 1985. Economic Action and Social Structure: The Problem of Embeddedness. American Journal of Sociology, 91(3): 481-510.

何舜辉，杜德斌，焦美琪，林宇. 2017. 中国地级以上城市创新能力的时空格局演变及影响因素分析. 地理科学，37（7）：1014-1022.

He Shunhui, Du Debin, Jiao Meiqi, and Lin Yu. 2017. Spatial-Temporal Characteristics of Urban Innovation Capability and Impact Factors Analysis in China. Scientia Geographica Sinica, 37(7): 1014-1022.

黄丽，林诗琦，陈静. 2020. 中国区域创新能力与能源利用效率的时空耦合协调分析. 世界地理研究，29（6）：1161-1171.

Huang Li, Lin Shiqi, and Chen Jing. 2020. The Spatial-Temporal Coupling Analysis of China's Regional Innovation Capability and Energy Utilization Efficiency. World Regional Studies, 29(6): 1161-1171.

焦敬娟，王姣娥，金凤君，王涵. 2016. 高速铁路对城市网络结构的影响研究——基于铁路客运班列分析. 地理学报，71（2）：265-280.

Jiao Jingjuan, Wang Jiao'e, Jin Fengjuan, and Wang Han. 2016. Impact of High-Speed Rail on Inter-City Network Based on the Passenger Train Network in China, 2003-2013. Acta Geographica Sinica, 71(2): 265-280.

焦美琪，杜德斌，桂钦昌，杨文龙，侯纯光. 2019. 全球城市技术合作网络的拓扑结构特征与空间格局. 地理科学，39（10）：1546-1552.

Jiao Meiqi, Du Debin, Gui Qinchang, Yang Wenlong, and Hou Chunguang. 2019. The Topology Structure and Spatial Pattern of Global City Technical Cooperation Network. Scientia Geographica Sinica, 39(10): 1546-1552.

科技部. 2020. 长三角科技创新共同体建设发展规划. （2020-12-20）[2024-11-03]. https://www.gov.cn/zhengce/zhengceku/2020-12/30/content_5575110.htm.

Ministry of Science and Technology. 2020. Development Plan for the Yangtze River Delta Science and Technology Innovation Community. (2020-12-20)[2024-11-03]. https://www.gov.cn/zhengce/zhengceku/2020-12/30/content_5575110.htm.

LeSage J and Pace R K. 2009. Introduction to Spatial Econometrics. New York: Chapman and Hall/CRC.

李二玲，崔之珍. 2018. 中国区域创新能力与经济发展水平的耦合协调分析. 地理科学，38（9）：1412-1421.

Li Erling and Cui Zhizhen. 2018. Coupling Coordination Between China's Regional Innovation Capability and Economic Development. Scientia Geographica Sinica, 38(9): 1412-1421.

Li T Z, Huang X D, and Du D B. 2023 . Empirical Research on the Impact of International Trade Network of High-Tech Product on Its Global Value Chain. The Journal of International Trade & Economic Development, 33(6): 1040-1073.

刘承良，桂钦昌，段德忠，殷美元. 2017. 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，72（4）：737-752.

Liu Chengliang, Gui Qinchang, Duan Dezhong, and Yin Meiyuan. 2017. Structural Heterogeneity and Proximity Mechanism of Global Scientific Collaboration Network Based on Co-Authored Papers. Acta Geographica Sinica, 72(4): 737-752.

刘那日苏，苏月，张建江. 2020. 区域创新的空间溢出效应及其时滞变迁测度. 统计与决策，36（18）：85-89.

Liu Narisu, Su Yue, and Zhang Jianjiang. 2020. Spatial Spillover Effect of Regional Innovation and Its Time-Lag Transition Measurement. Statistics & Decision, 36(18): 85-89.

Liu X. 2018. Dynamic Evolution, Spatial Spillover Effect of Technological Innovation and Haze Pollution in China. Energy & Environment, 29(6): 968-988.

龙志军，邬丽萍. 2023. 广东省城市创新能力的空间格局及其溢出效应. 科技管理研究，43（13）：73-82.

Long Zhijun and Wu Liping. 2023. Spatial Pattern and Spatial Spillover Effect of Urban Innovation Capability in Guangdong Province. Science and Technology Management Research, 43(13): 73-82.

栾心晨，朱晟君，毛熙彦. 2023. 多尺度视角下技术转移网络对城市创新能力的影响. 地理科学，43（1）：11-19.

Luan Xinchen, Zhu Shengjun, and Mao Xiyan. 2023. Impact of Technology Transfer Network on Urban Innovation Capability from a Multi-Scale Perspective. Scientia Geographica Sinica, 43(1): 11-19.

尚勇敏，宓泽锋. 2023. 长三角低碳技术创新合作对绿色经济增长的影响. 中国人口·资源与环境，33（10）：135-145.

Shang Yongmin and Bi Zefeng. 2023. Impact of Low-Carbon Technology Innovation Cooperation in the Yangtze River Delta on Green Economic Growth. China Population, Resources and Environment, 33(10): 135-145.

邵云飞，谭劲松. 2006. 区域技术创新能力形成机理探析. 管理科学学报，（4）：1-11.

Shao Yunfei and Tan Jingsong. 2006. Research on Mechanism and for Capacity of Regional Technological Innovation. Journal of Management Sciences in China, (4): 1-11.

孙宇，彭树远. 2021. 长三角城市创新网络凝聚子群发育机制研究——基于多值ERGM. 经济地理，41（9）：22-30.

Sun Yu and Peng Shuyuan. 2021. Development Mechanism of Cohesive Subgroups' Urban Innovation Networks in the Yangtze River Delta:Based on the Valued ERGM. Economic Geography, 41(9): 22-30.

孙玉涛，刘小萌. 2017. 校企研发合作与技术转移关系——技术转移中心的调节作用. 科学学与科学技术管理，38（9）：13-22.

Sun Yutao and Liu Xiaomeng. 2017. The Impact of University-Industry R&D Collaboration on Technology Transfer: The Moderator Effect of Technology Transfer Center. Science of Science and Management of S.& T, 38(9): 13-22.

Ter Wal A L J and Boschma R A. 2009. Applying Social Network Analysis in Economic Geography: Framing Some Key Analytic Issues. Ann. Reg. Sci., 43: 739-756.

王守文，徐丽洁，章杰嘉，余思明. 2023. 科学中心城市科技创新辐射效应研究——基于长三角城市群的实证. 统计与决策，39（20）：72-77.

Wang Shouwen, Xu Lijie, Zhang Jiejia, and Yu Siming. 2023. Research on the Radiation Effect of Science and Technology Innovation in Science Centre Cities—Empirical Evidence Based on the Yangtze River Delta Urban Agglomeration. Statistics & Decision, 39(20): 72-77.

王文静，刘诗琳. 2020. 金融集聚与区域创新能力耦合协调研究. 经济问题探索，（1）：147-155.

Wang Wenjing and Liu Shilin.2020. Research on the Coupling and Coordination of Financial Agglomeration and Regional Innovation Capacity. Inquiry into Economic Issues, (1): 147-155.

王越，王承云. 2018. 长三角城市创新联系网络及辐射能力. 经济地理，38（9）：130-137.

Wang Yue and Wang Chengyun. 2018. Urban Innovation Linkage Network and Radiation Ability in Yangtze River Delta. Economic Geography, 38(9): 130-137.

Wu Y Z, Shi K F, Chen Z Q, Liu S R, and Chang Z J. 2022. Developing Improved Time-Series DMSP-OLS-Like Data (1992–2019) in China by Integrating DMSP-OLS and SNPP-VIIRS. IEEE Transactions on Geoscience and Remote Sensing, 60: 1-14.

叶雷，曹贤忠，宓泽锋，周灿，曾刚. 2023. 中国高校技术转移网络的时空特征及影响因素——基于高校-城市二模网络视角. 地理研究，42（1）：69-85.

Ye Lei, Cao Xianzhong, Bi Zefeng, Zhou Can, and Zeng Gang. 2023. Spatiotemporal Dynamic and Influencing Mechanism of University Technology Transfer Network in China: A University-City Bipartite Network Perspective. Geographical Research, 42(1): 69-85.

叶堂林，刘莹，李国梁. 2022. 创新政策、创新要素与城市群创新能力提升. 统计与决策，38（12）：170-174.

Ye Tanglin, Liu Ying, and Li Guoliang. 2022. Innovation Policy, Innovation Factors and the Enhancement of Innovation Capacity of City Clusters. Statistics & Decision, 38(12):170-174.

尹上岗，姜晓艳，姜海宁. 2023. 长三角地区房价、创新能力与城市品质的互动关系——基于PVAR模型的分析. 地理研究，42（10）：2738-2758.

Yin Shanglan, Jiang Xiaoyan, and Jiang Haining. 2023. The Relationship between Housing Price, Innovation Ability and Urban Quality in the Yangtze River Delta Region Based on the PVAR Model. Geographical Research, 42(10): 2738-2758.

中共中央，国务院. 2019. 中共中央 国务院印发《长江三角洲区域一体化发展规划纲要》. （2019-12-01）[2024-11-03]. https://www.gov.cn/zhengce/2019-12/01/content_5457442.htm.

The Central Committee of the Communist Party of China, and the State Council. 2019. Outline of the Plan for the Integrated Development of the Yangtze River Delta Region. (2019-12-01)[2024-11-03]. https://www.gov.cn/zhengce/2019-12/01/content_5457442.htm.

张慧一，祝滨滨. 2022. 生产性服务业集聚外部性如何影响区域创新？——基于长三角地区的实证分析. 科技管理研究，42（15）：89-97.

Zhang Huiyi and Zhu Binbin. 2022. How Does the Externality of Producer Services Agglomeration Affect Regional Innovation: An Empirical Analysis Based on the Yangtze River Delta Region. Science and Technology Management Research, 42(15): 89-97.

张坚，黄琨，胡玥歆. 2023. 双循环格局下长三角创新生态系统协同发展溢出效应研究. 科技进步与对策，40（22）：75-86.

Zhang Jian, Huang Kun, and Hu Yuexin. 2023. The Spillover Effects and Collaborative Development of Regional Innovation Ecosystem of Yangtze River Delta Under the "Dual Circulation" Pattern. Science& Technology Progress and Policy, 40(22): 75-86.

周灿，曾刚，曹贤忠. 2017. 中国城市创新网络结构与创新能力研究. 地理研究，36（7）：1297-1308.

Zhou Can, Zeng Gang, and Cao Xianzhong. 2017. Chinese Inter-City Innovation Networks Structure and City Innovation Capability. Geographical Research, 36(7): 1297-1308.

Zipf G K. 1949. Human Behavior and the Principle of Least Effort. Oxford: Addison-Wesley Press.

Options
Outlines

/

〈 〉