本文研究了美国城市166年来的技术转移网络，揭示了技术转移活动的超线性标度律。研究发现，城市内转移、城市间转入和转出均呈现超线性缩放关系，且城市内转移的集中程度最高。技术转移网络的演化经历了空间填充、层级结构和功能多中心性三个阶段，每个阶段都与标度指数的增长密切相关。研究还发现，重大技术突破会打破原有层级，触发城市创新地位的洗牌，人工智能时代可能正在孕育新一轮“重置”。
📈 技术转移表现出超线性标度，城市内转移、城市间转入、城市间转出均呈现超线性缩放关系，且城市内转移依赖本地化的知识互动，易受地理摩擦和路径依赖影响，集中程度最高。
🌐 美国城市的技术转移网络扩张呈现周期性趋势，遵循“创新激增-崩溃-再创新”的循环。技术转移集中于东北部工业城市，伴随铁路和电力普及，网络向西海岸和五大湖地区扩散，最终形成以纽约、芝加哥、旧金山为顶点的“钻石形”全国网络。
🏢 技术转移网络呈现典型的“核心-半核心-半边缘-边缘”四层结构。核心城市（如波士顿、纽约、旧金山）占据网络枢纽地位，其资源集聚效应推动缩放指数增长；边缘城市则依赖核心节点获取技术资源。
🏘️ 尽管人口和专利分布早已多中心化，但技术转移的功能多中心性指数（PF）长期偏低。随着技术革命推进，大都市区的内部网络逐步从“单中心”转向“功能多中心”（functional polycentricity），通过分散式协作提升了系统韧性。
原创 集智编辑部 2025-03-18 19:45 北京
技术转移表现出超线性标度，其标度指数排序为：城市内转移 > 城市间转入 > 城市间转出。
城市作为一个运行中的复杂系统，其专利和收入的超线性标度律（superlinear scaling laws）已被深入研究。技术转移（technology transfer）是知识与经济进步之间的桥梁。尽管其重要性不言而喻，但技术转移的城市标度律仍鲜为人知，对其历史网络演化的探索也有限。本文构建了美国城市166年来的技术转移网络。我们发现，技术转移表现出超线性标度，其标度指数排序为：城市内转移 > 城市间转入 > 城市间转出。技术转移网络的演化包括全国范围内的空间填充过程、城市间的层级结构以及城市内的功能多中心性。这些动态变化同步演化，每个变化都与标度指数的增长密切相关。我们的研究结果补充了关于标度律与网络演化关系的见解，验证了本地与非本地知识互动的机制，并为复杂城市系统的演化理论提供了新的支持。
研究领域：技术转移（technology transfer），超线性标度律（superlinear scaling laws）、城市网络演化，空间填充，层次结构，功能多中心性（functional polycentricity）
论文题目：Scaling and network evolution of technology transfer in US cities
城市是创新的引擎，而技术转移（technology transfer）是连接知识与经济的关键桥梁。尽管专利和收入的超线性缩放定律（superlinear scaling laws）已被广泛研究，但技术转移的时空网络演化机制仍不清楚。近日，Nature Cities发表的一项研究，通过构建美国城市166年（1858-2023年）的技术转移网络，揭示了技术转移活动的超线性标度律及其背后的复杂系统演化逻辑。
研究团队基于美国大都市统计区（MSA）数据，将技术转移分解为“城内转移”（intracity transfer，图1a）、“跨城转出”（intercity transfer-out，图1b）和“跨城转入”（intercity transfer-in，图1c）三类。结果显示，三类技术转移均呈现超线性缩放关系（β>1），从β反映的集中程度来看，城市内转移大于城市间转移，城市间转移大于城市间转移。这种差异源于技术转移的空间黏性：城内转移依赖本地化的知识互动，易受地理摩擦和路径依赖影响；跨城转出更多体现“发明导向”（invention orientation），需依托高校和基础设施；而跨城转入则需对接市场、资本和产业链，属于“市场导向”（market orientation），复杂度更高。随着工业革命迭代，缩放指数呈现周期性跃升——第二次工业革命（1880年）首次突破超线性阈值，信息技术革命（1990年后）则推动跨城转入指数快速超越转出，标志着城市间创新分工的深化。图 1. 技术转移的标度律。a–c，美国大都市区内城市内转移（a）、城市间转出（b）和城市间转入（c）的空间集中分布。d–f，标度指数的演变。红色、蓝色和绿色线分别代表城市内转移（d）、城市间转出（e）和城市间转入（f）的拟合标度指数。水平虚线表示标度指数（β）= 1的参考线。浅色阴影区域代表95%置信区间（CIs）。城市内转移的标度指数在研究期间呈增长趋势，但在1940年和1980年有所例外。城市间转出和城市间转入的标度指数均低于城市内转移，并表现出相似的增长趋势。为了满足同方差性假设，线性最小二乘拟合采用了稳健标准误。
从“东北一隅”到“钻石网络”：
技术转移的空间填充之路
美国城市的技术转移网络扩张呈现长期扩张显著，中期增长不稳定，短期波动不定的周期性趋势（图2），遵循“创新激增-崩溃-再创新”的循环。这种周期化在很大程度上与经济长波和技术周期的历史趋势一致。在空间填充（space-filling）过程中，1858-1899年，技术转移集中于东北部工业城市；1900年后，伴随铁路和电力普及，网络向西海岸和五大湖地区扩散；至21世纪，以纽约、芝加哥、旧金山为顶点的“钻石形”全国网络成型。这一空间填充并非均匀铺开，而是大城市极化与全国扩散并存的动态博弈。研究指出，网络密度的提升增强了核心城市的技术吸收能力。例如，纽约的跨城技术输入占比从19世纪的24%升至2020年的85%，其通过外部连接获取创新资源的能力随网络覆盖度提升而强化，进一步巩固了超线性缩放效应。这种“马太效应”印证了复杂系统的自增强机制：网络越密集，节点收益越高。图 2. 1858–2023年美国技术转移的时间演化与空间填充过程。a，随着时间的推移，城市内转移和城市间转移的数量迅速增加。从第1阶段到第5阶段，城市间转移与城市内转移的比例分别为24%、37%、55%、81%和85%。b，城市内转移和城市间转移的空间填充过程。红色圆圈的大小与每个城市的城市内转移数量成正比，蓝色线段的粗细与城市间转移数量成正比。每个阶段采用基于自然断点的分类方案。图例中仅显示1858年至2023年的最大值和最小值。从第1阶段到第5阶段，参与城市内转移的城市数量分别为203、376、382、387和388个。城市间转移网络的节点数量为166、373、385、390和391个。技术转移的平均距离分别为646、1,146、1,495、1,597和1,911公里。
通过块模型（block model）分析技术转移的层次结构，研究发现技术转移网络呈现典型的“核心-半核心-半边缘-边缘”四层结构（图3）。核心城市（如波士顿、纽约、旧金山）占据网络枢纽地位，其资源集聚效应推动缩放指数增长；边缘城市则依赖核心节点获取技术资源。历史数据显示，美国技术转移网络的权力中心经历了两次“重置”：1858-1949年，波士顿和纽约主导东北工业带；1976年后，硅谷（圣何塞和旧金山）在信息技术革命中崛起，成为新核心。这种“有限时间奇点”（finite-time singularity）现象表明，重大技术突破会打破原有层级，触发城市创新地位的洗牌。而当前所处的人工智能时代可能正在孕育新一轮“重置”。
图 3. 技术转移的核心-边缘结构。a，从核心、半核心、半边缘到边缘，从内到外分为四个层级。点的大小表示大都市区技术转移的规模，线的宽度表示大都市区之间技术转移的相对强度。从第1阶段到第5阶段，聚类系数分别为0.22、0.53、0.59、0.55和0.59。b，从第1阶段到第5阶段，技术转移网络的核心数量增加，最初以波士顿为核心。直到2000年，似乎按下了重置按钮，旧金山成为新的唯一核心城市。
大都市区的多中心化：
创新从“单极”走向“分布式协作”
研究引入“功能多中心性指数”（PF）衡量城市内部技术转移的均衡度。结果显示，尽管人口和专利分布早已多中心化，但技术转移的PF值长期偏低（图4）。这是因为技术转移依赖政策、市场、人际网络的复杂协同，初期往往集中于如纽约曼哈顿等少数优势区域。然而，随着技术革命推进，大都市区的内部网络逐步从“单中心”转向“功能多中心”（functional polycentricity）。以纽约为例，其城内技术转移的集中度从19世纪的45.9%降至2020年的35.4%，布鲁克林、皇后区等次中心崛起。这种多中心化并未削弱整体创新效率，反而通过分散式协作提升了系统韧性，成为超线性缩放的微观基础。图 4. 多中心性的时间变化。1860年至2020年每十年的多中心性变化。作为功能多中心性，技术转移的多中心性低于人口和专利的多中心性。然而，随着时间的推移，技术转移的多中心性迅速增长。2000年后，平均多中心性指数（PF）超过0.2。我们选择了拥有三个或更多县的大都市区。人口多中心性指数（PM）的置信区间（CIs）基于1860年至2020年每十年的样本量n：109, 115, 119, 127, 128, 131, 133, 133, 133, 133, 133, 133, 133, 133, 133, 138, 138。专利多中心性指数（PM）的置信区间基于1860年至2020年每十年的样本量n：71, 95, 109, 121, 125, 131, 129, 128, 126, 132, 131, 132, 133, 135, 137, 137, 137。技术转移多中心性指数（PF）的置信区间基于1880年至2020年每十年的样本量n：5, 6, 16, 19, 29, 36, 42, 44, 49, 59, 78, 96, 109, 107, 118。
这项研究首次将缩放定律与网络演化动态关联，验证了“本地-非本地知识互动传播”机制，并为城市复杂系统的进化理论提供了新证据。局限性在于，数据颗粒度未能揭示街道或企业级的转移终端，且未评估专利价值差异对网络的影响。展望未来，人工智能可能加速技术转移的“创造性毁灭”（creative destruction）：一方面，颠覆性创新会加剧空间极化；另一方面，开放科学和数字平台或推动网络去中心化。如何平衡效率与公平，将成为城市创新政策的核心命题。技术转移不仅是专利的流动，更是城市创新生态的“代谢循环”。
彭晨 | 编译
随着工业化和现代化的发展，世界范围内的城市化率不断提高，越来越多的人口聚集在城市，使得交通拥堵、环境污染、资源短缺等城市问题日益严峻。我们迫切需要对城市的基本运行规律有科学的认知。近十几年来，智能手机、物联网、卫星遥感可以帮助获取高精度的城市数据；机器学习、人工智能的发展，为处理大规模多源异构数据提供了技术手段。此外，复杂科学从演生视角，在不同时空尺度上研究城市现象的基础规律，丰富了城市科学的理论框架；基于复杂系统的模拟方法也在实践中有广阔的应用前景。在这个大背景下，集智俱乐部“城市科学”读书会由北京大学助理教授董磊联合明尼苏达大学助理教授朱递、中南大学地球科学与信息物理学院教授李海峰、北京航空航天大学计算机学院博士寄家豪共同发起，分享、讨论和梳理“城市作为复杂系统”的理论、研究方法及应用，希望促进相关领域学者的交流，推动交叉学科间的合作，促进城市科学的发展和研究。读书会已完结，现在报名可加入社群并解锁回放视频权限。
6. 加入集智，一起复杂！
阅读原文
跳转微信打开
