摘 要：綠色能源產業(yè)關鍵技術創(chuàng)新是達成“雙碳”目標、發(fā)展綠色能源、培育新質生產力的關鍵。面對技術復雜性特征，組織合作能夠加速知識和技術交流，推動綠色能源產業(yè)的技術創(chuàng)新。采用我國綠色能源產業(yè)的專利數據，運用社會網絡分析方法，識別綠色能源產業(yè)的關鍵技術，進而篩選聯合申請人，構建ERGM模型，對綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成機制進行研究。結果表明：網絡結構的擇優(yōu)性和傳遞性促使合作網絡自然形成高效集群，優(yōu)質節(jié)點能夠吸引更多的合作機會，而合作關系又傾向于在已建立的連接間傳遞，形成良性循環(huán)；同時，網絡節(jié)點的知識多元化為合作提供了堅實的資源基礎，企業(yè)主導的產學研合作加速了知識與實踐的融合，技術領導者則以其前瞻性視野和影響力引領合作方向，地理距離的縮短則進一步降低了合作門檻，促進了面對面交流，為合作網絡的優(yōu)化提供了便利條件。

關鍵詞：綠色能源產業(yè)；關鍵技術識別；創(chuàng)新合作網絡；社會網絡分析；指數隨機圖模型

中圖分類號：F426.2" " 文獻標志碼：A" " 文章編號：1671-0037（2024）11-42-14

DOI：10.19345/j.cxkj.1671-0037.2024.11.5

0 引言

黨的二十大報告指出，要積極穩(wěn)妥推進碳達峰碳中和。發(fā)展綠色能源是實現碳達峰碳中和目標的重要方式［1］。據國家能源局數據，截至2024年8月底，全國累計核發(fā)綠證18.41億個；全國累計太陽能發(fā)電裝機容量約7.5億千瓦，同比增長48.8%；風電裝機容量約4.7億千瓦，同比增長19.9%①。預計到2030年，綠色能源將在能源消費總量中占據較大比例，成為優(yōu)化能源結構的主力軍。而技術創(chuàng)新是影響綠色能源產業(yè)發(fā)展的重要因素。由于技術創(chuàng)新活動具有高風險性，創(chuàng)新合作成為不可或缺的一環(huán)。創(chuàng)新合作能夠幫助組織降低技術創(chuàng)新過程中的風險，合作網絡能夠增強聯合研發(fā)的協(xié)同能力，并通過技術知識的溢出效應等提高組織的創(chuàng)新能力，推動組織的關鍵技術創(chuàng)新［2］。因此，本文對綠色能源產業(yè)關鍵技術創(chuàng)新展開研究，探究綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成機制。

1 文獻綜述

1.1 綠色能源產業(yè)

綠色能源是指在生產過程中不消耗傳統(tǒng)的化石燃料，不產生或很少產生對環(huán)境有害的污染物，能夠直接用于生產生活的能源［3］。許勤華和張艷偉［4］認為，綠色能源是指在現有技術條件下可大規(guī)模商業(yè)開發(fā)的、對環(huán)境友好的、可持續(xù)的能源，并將太陽能、風能、水能、生物質能、海洋能、地熱能、氫能及核能等視為綠色能源。

目前，對于綠色能源產業(yè)技術創(chuàng)新，現有研究主要從社會環(huán)境和組織合作模式兩個方面展開。在社會環(huán)境方面，運用雙向固定效應模型、面板分位數模型、文本量化分析法等，探討區(qū)域知識多樣性［5］、金融發(fā)展［6］、政策工具［7］等對于綠色能源產業(yè)技術創(chuàng)新的影響。在組織合作模式方面，運用社會網絡分析法、空間網絡法、雙模社交網絡分析法等，探討產學研合作以及區(qū)域間的合作方式［8-9］對于綠色能源產業(yè)技術創(chuàng)新的影響。

1.2 關鍵技術識別

目前，識別關鍵技術的方法主要有兩種。

一是定性的方法，主要為德爾菲調查法。德爾菲調查法也稱專家調查法，是指通過問卷調查，集中專家的智慧，對各領域的關鍵技術進行識別的方法［10］。這一方法主要被應用于國家層面［11］和技術領域層面［12］，根據研究結果找出未來的技術發(fā)展方向。

二是定量的方法，主要為專利分析法。具體包含3種方法：①根據專利指標識別關鍵技術，主要統(tǒng)計專利的被引頻次、申請數量、同族專利數量等指標［13］；另有學者從技術差距、產業(yè)安全性、戰(zhàn)略競爭性等關鍵技術特征維度，構建關鍵技術識別指標［14］。②基于文本挖掘從專利文獻中識別關鍵技術。使用LDA主題模型［15］、SAO語義分析［16］等方法從專利文獻或摘要中識別關鍵技術。③基于社會網絡分析法從專利自身的網絡關系中識別關鍵技術。構建的網絡主要有引文網絡［14］、IPC共現網絡［17］、德溫特手工代碼共現網絡［18］等。

1.3 關鍵技術合作網絡

關鍵技術合作網絡是指企業(yè)、大學和科研院所等創(chuàng)新主體為降低技術創(chuàng)新的風險，積極與外部組織進行知識交換而組成的合作聯盟［19］。針對關鍵技術合作網絡的研究主要集中在合作網絡的形成、演化、影響因素等方面［20-23］。

關于網絡結構的研究，主要是基于社會網絡分析的理論與方法，從整體網絡結構和個體網絡結構兩方面分析合作網絡的形成機制。在整體網絡結構方面，現有文獻主要通過測度平均度、聚集系數、平均路徑、網絡直徑、網絡密度等網絡拓撲結構指標，直接研究合作網絡的形成機制［24］；也有文獻根據這些指標測度結果評估網絡的小世界效應和無標度性等，間接研究合作網絡的形成機制［25］。

在個體網絡結構方面，目前對于技術合作網絡形成機制的研究多從地理鄰近性、組織鄰近性、技術鄰近性、社會鄰近性等視角，對關鍵技術合作網絡的形成演化機制進行研究［22］。也有部分學者從產學研合作、地理位置、創(chuàng)新主體的研發(fā)能力、同質性等角度，研究關鍵技術合作網絡的形成演化機制［26-27］。此外，學者們主要基于多元回歸二次指派程序、指數隨機圖模型等方法，研究網絡的個體屬性對于合作網絡形成機制的影響。

綜上所述，目前學者對于綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的研究較少。但綠色能源產業(yè)的發(fā)展對于“雙碳”目標的實現具有重要作用。關鍵技術創(chuàng)新對于綠色能源產業(yè)的健康持續(xù)發(fā)展，以及產業(yè)鏈升級具有重要的影響［28］。關鍵技術創(chuàng)新合作網絡能夠精準反映出綠色能源產業(yè)中關鍵技術間的關聯與創(chuàng)新主體間的合作模式。通過社會網絡分析，能夠準確直觀地識別出關鍵技術。通過構建指數隨機圖模型，能夠從網絡的內生結構特點和外生節(jié)點屬性中探究綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成因素。因此，本文采用我國綠色能源產業(yè)的專利數據，運用社會網絡分析方法，識別綠色能源產業(yè)的關鍵技術，進而篩選聯合申請人，構建ERGM模型，對綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成機制進行研究，從而為綠色能源產業(yè)的創(chuàng)新主體提供決策參考，促進綠色能源產業(yè)關鍵技術創(chuàng)新。

2 研究設計

2.1 研究思路

本文構建綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡，主要包括關鍵技術識別與合作網絡構建兩部分。鑒于發(fā)明專利具有高度的創(chuàng)造性，能直接反映出技術創(chuàng)新水平，本文利用發(fā)明專利數據研究創(chuàng)新合作網絡的形成機制。根據國際知識產權組織綠色技術清單、國際專利分類等，制定專利檢索式，從IncoPat數據庫中獲取專利數據，并構建IPC共現網絡。采用社會網絡分析方法，基于谷曉梅和范德成［29］、李瑞茜和陳向東［17］的研究，通過計算中心度和結構洞，識別綠色能源產業(yè)關鍵技術。隨后，根據關鍵技術專利申請人構建創(chuàng)新合作網絡。由于ERGM模型能夠同時納入內生結構變量和外生變量，本文利用ERGM模型進行綜合分析，研究創(chuàng)新合作網絡的形成機制。本研究的技術路線圖如圖1所示。

2.2 綠色能源產業(yè)專利數據搜集及處理

本研究基于上文所述方法獲取綠色能源產業(yè)相關技術的專利信息。由于篇幅有限，檢索式不在文中呈現。在下載專利時，選取公開國別為中國的發(fā)明專利。對數據進行清洗后，共搜集到118 233件專利。檢索結果如表1所示。

相較于公開日，申請日更加接近技術發(fā)明的時間，因此本文將專利的申請日作為專利的發(fā)明時間。檢索的專利申請時間跨度為2001—2023年。由于IPC分類號種類較多，本文根據世界知識產權組織發(fā)布的綠色技術清單，對水能、太陽能、風能、海洋能、地熱能、氫能、生物質能、核能等8個大類的細分技術進行統(tǒng)計。例如，在水能領域，細分技術為流體發(fā)動機、水力發(fā)電站、水力機械。本文繪制出各年份各細分技術領域的專利申請情況，如圖2所示。

由圖2可知，綠色能源產業(yè)專利申請時間集中在2017—2021年，并于2020年專利申請量達到峰值。專利申請主要集中在光伏系統(tǒng)、風力發(fā)電技術領域，其他技術領域的專利申請數量相對較少。

2.3 綠色能源產業(yè)關鍵技術識別

根據劉鳳朝等［30］的研究，以IPC分類號前四位代表一類技術。借鑒李瑞茜和陳向東［17］的研究，基于專利的IPC主副分類號的前4位，以主分類號為列，副分類號為行，構建非對稱加權技術關聯矩陣，形成有向圖。度量有向圖節(jié)點的中心度和結構洞，根據結果排名來識別關鍵技術。

專利涉及多個技術主題時，會獲得多個IPC分類號。其中，主要技術主題的分類號為主分類號，其余的分類號為副分類號，二者存在關聯關系，技術知識從主分類號流向副分類號［31］。

節(jié)點中心度主要用來衡量節(jié)點在網絡中的影響力，包括度數中心度、中介中心度和接近中心度［32］。度數中心度反映節(jié)點位置，度數中心度高表明節(jié)點位于核心位置，連接多，影響大。在有向圖中，其通過點入度和點出度綜合表示。中介中心度高，說明節(jié)點能控制知識流動，起中介作用，同時位于網絡中心。接近中心度則體現節(jié)點與其他節(jié)點間的距離，數值越高表明越接近網絡中心。

結構洞是指一個節(jié)點與另兩個節(jié)點相連，但另兩個節(jié)點不直接相連所形成的空隙。根據結構洞理論，節(jié)點所占據的結構洞數量越多，可以越快獲取新的信息，節(jié)點對于信息的控制優(yōu)勢就越強［33］。因此，可以通過測量節(jié)點的結構洞來識別關鍵技術。

基于上述分析，本研究通過構建有向圖，測度點入度、點出度、度數中心度、中介中心度、接近中心度和結構洞等來識別關鍵技術。

2.3.1 IPC分類號中心度測度

構建如圖3所示的網絡圖，節(jié)點的大小表示該技術出現頻次的高低，兩個節(jié)點間的連線表示IPC之間發(fā)生共現，連線的粗細表示IPC之間共現的強度。

各節(jié)點的中心度如表2所示。由于文章篇幅有限，本文只呈現部分IPC分類號的中心度。

2.3.2 IPC分類號結構洞測度

根據Burt［33］提出的結構洞理論，占據結構洞位置的個體能獲取豐富的非冗余信息，并享有信息優(yōu)勢與控制權。而關鍵技術是指在一個系統(tǒng)或環(huán)節(jié)中具有重要地位和影響力的技術，這樣的技術大多數由占據結構洞位置的個體所掌握。因此，可以通過對各技術的結構洞進行測量，來識別關鍵技術。本研究根據Burt［33］所提出的有效規(guī)模、效率、限制度、等級度等4個指標來測量結構洞，結果如表3所示。由于篇幅有限，本文僅呈現部分結構洞指標結果。

2.3.3 綠色產業(yè)關鍵技術識別結果

由中心度的計算結果可知，H01L的度數中心度和中介中心度排名第1，接近中心度排名第2；H01M的度數中心度排名第2，接近中心度排名第11，中介中心度排名第8；F03D的度數中心度和中介中心度均排名第3，接近中心度排名第6；H02S的接近中心度排名第44，度數中心度排名第4，中介中心度排名第6；F24S的度數中心度排名第5，接近中心度排名第17，中介中心度排名第7。

有效規(guī)模越大，節(jié)點占據結構洞的機會就越大。由結構洞的測算結果可知，H01L、H01M、F03D、H02S、F24S等5個IPC分類號的有效規(guī)模均處于前列，其占據結構洞的機會較大。此外，這5個IPC分類號的效率也都很高，均超過0.7，說明這5項技術的傳播效率很高，對其他技術的影響較大。在限制度方面，H01L和H01M的限制度較高，F03D、H02S、F24S的限制度較低，說明H01L和H01M的覆蓋與影響范圍較小，而F03D、H02S、F24S的覆蓋與影響范圍較大。在等級度方面，H01L、H01M、F03D、H02S、F24S等5個IPC分類號的數值都很高，說明這5項技術在網絡中的地位較高，基本位于網絡的中心。

結合中心度的綜合排名和結構洞4個指標的結果，本研究識別出的綠色能源產業(yè)關鍵技術為H01L、H01M、F03D、H02S、F24S等5項技術。其中，H01L是指半導體器件以及其他類目中不包括的電固體器件，被廣泛應用于零件的制作，2002年就在綠色能源產業(yè)的申請專利中存在，并且是多個申請專利的核心領域；H01M是指將化學能直接轉變?yōu)殡娔艿姆椒ɑ蜓b置，主要用于電池和儲能系統(tǒng)的研發(fā)，2002年就在綠色能源產業(yè)的申請專利中存在，從2004年開始成為多個申請專利的核心領域；F03D是指風力發(fā)電機，2002年就在綠色能源產業(yè)的申請專利中存在，從2004年開始成為多個申請專利的核心領域；H02S是指將紅外線輻射、可見光或紫外光轉換為電能的方法或裝置，主要用于太陽能發(fā)電，2001年就在綠色能源產業(yè)的申請專利中存在，從2009年開始成為多個申請專利的核心領域；F24S是指太陽能熱收集器、太陽能熱系統(tǒng)，主要用于光熱轉換，2002年就在綠色能源產業(yè)的申請專利中存在，從2012年開始成為多個申請專利的核心領域。

3 實證研究

3.1 合作網絡形成機制

根據所識別出的關鍵技術，本研究篩選了2001—2023年申請關鍵技術相關專利的企業(yè)，并在此基礎上整理出企業(yè)與企業(yè)、高校、科研機構等合作產出的專利。根據專利的申請人來構建合作網絡，探究合作網絡的形成機制。

3.2 研究假設

基于社會網絡理論，網絡關系的形成既受到網絡自組織內生結構的影響，也受到行動者屬性和外生情境因素等外生節(jié)點變量的影響［34］。因此，在研究綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡形成機制的過程中，不僅要關注網絡內生結構對網絡形成的影響，還要探討外生節(jié)點變量對網絡形成的影響。

3.2.1 內生結構變量

在網絡形成的過程中，網絡內部的節(jié)點通過自組織形成多個關系，關系之間相互影響、相互依賴，形成網絡結構。這種規(guī)律性的網絡特征源自網絡內部的動力機制和運作過程，不需要外部因素的直接干預，因此被稱為網絡的“純結構”效應。在合作創(chuàng)新網絡形成的過程中，主要包括3種結構：二元組、三元組及k-星結構。

3.2.1.1 擇優(yōu)性

在綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡中，k-星網絡結構表現出擇優(yōu)性。k-星網絡結構指的是由k個節(jié)點（通常k≥3）組成的特定網絡形態(tài)。其中，一個節(jié)點處于核心位置，扮演中心或“星”的角色；而其余k-1個節(jié)點則圍繞這個核心節(jié)點展開，形成類似星形的連接模式［23］。在綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡中，擁有關鍵技術較多的組織具備豐富的產業(yè)相關技術和知識資源，能夠吸引更多的組織與其建立合作關系。同時，基于優(yōu)先依附假說，新加入網絡的組織更傾向于與擁有連接較多的節(jié)點建立聯系，促進“核心—邊緣”結構的形成［35］?；诖?，提出如下假設：

H1：擇優(yōu)性能促進綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成。

3.2.1.2 傳遞性

在綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡中，三元組網絡結構表現出傳遞性。三元組不僅有助于精準地識別在網絡中扮演“橋梁”角色的主體，還有助于判斷合作伙伴間建立新關系的可能性。有共同的第三方伙伴的兩個創(chuàng)新主體更容易相互信任，建立合作關系［36］，在網絡中形成閉合的三角形結構。兩者的共享伙伴起到橋梁作用，信息可以通過橋梁進行傳遞，并且二者直接建立的路徑可以提高信息傳播效率［37］，閉合的三角形結構增加了節(jié)點之間關系的穩(wěn)定性?；诖?，提出如下假設：

H2：傳遞性能促進綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成。

3.2.2 外生變量

3.2.2.1 知識多元化

知識多元化反映了組織內部所掌握的技術知識領域的范圍。知識多元化程度高，有利于組織增強知識吸收能力［12］，降低新技術的接入成本，從而吸引更多的組織與其建立合作關系，從而促進合作網絡的形成。另外，知識多元化程度較高的組織對于技術發(fā)展趨勢和市場需求變化的感知較為敏銳［38］。因此，組織會主動尋找其他組織并與其建立合作關系，進行知識和信息等資源的交流，將吸收的新知識轉化為自己的內部能力?；诖耍岢鋈缦录僭O：

H3：組織知識多元化程度越高，越有利于綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成。

3.2.2.2 企業(yè)主導產學研

產學研是高校、科研機構和企業(yè)之間合作研發(fā)的一種創(chuàng)新模式［39］。產學研的最終目的是利用合作創(chuàng)新研發(fā)出的新技術創(chuàng)造價值。相較于高校和科研機構，企業(yè)直接面向市場，能夠洞察市場需求。因此，企業(yè)更加適合制定產學研目標，指引產學研的創(chuàng)新方向［40］；同時，企業(yè)對于提升自身競爭力和創(chuàng)造市場價值的期望更大，更傾向于與高校、科研機構合作，并根據自身需求，主導關鍵技術創(chuàng)新［41］?；诖耍岢鋈缦录僭O：

H4：企業(yè)主導產學研能夠促進綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成。

3.2.2.3 技術領導者

技術領導者通常擁有豐富的產業(yè)相關知識和技術資源［42］。相較于技術領導者，技術追趕者知識和技術儲備較薄弱，需要從外部獲取相關資源［43］，因而會積極尋求外部合作［44］。根據資源依賴理論，技術追趕者出于生存的目的，會主動與擁有豐富知識和技術資源的技術領導者建立合作關系，吸收技術領導者的知識和技術資源。換言之，技術領導者會吸引技術追趕者與其開展合作。技術追趕者對于知識和技術資源的需求，會導致其對技術領導者產生依賴性［45］，從而有利于形成比較穩(wěn)定的合作網絡?；诖耍岢鋈缦录僭O：

H5：技術領導者能夠促進綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成。

3.2.2.4 地理距離

地理距離是指綠色能源產業(yè)關鍵技術研發(fā)組織間的物理距離。地理距離主要從兩方面對組織間合作網絡的形成產生影響。一方面，知識溢出效應隨著地理距離的增加而衰減［46］。地理距離較近的組織間易產生知識溢出效應，有利于隱性知識的傳播。另外，地理距離較近的組織間開展面對面交流的機會更多，更容易建立信任關系，從而促進組織間的知識和資源交換［47］。另一方面，地理距離越近，組織間的信息不對稱程度越低，進而降低信息不對稱帶來的組織間的合作風險［48］。基于此，提出如下假設：

H6：地理距離越近，越有利于綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成。

3.3 模型構建與變量測量

本研究的樣本為根據關鍵技術篩選得到的專利申請人，共有1 715個申請人?；谏暾埲嗣Q從企查查、天眼查、愛企查等軟件中獲取相關信息。經檢索，部分申請人存在更改公司名稱的情況。因此，本研究將各公司名稱統(tǒng)一修改為現名稱，經過修改合并后，共得到1 545個申請人。

3.3.1 模型構建

本研究采用指數隨機圖模型對綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成機制進行實證研究。該模型的一般形式如下：

[PrY=y∣θ=1Cθexp{HθHZHy}] （1）

式（1）中：[θ]為系數向量；[C（θ）]為標準化參數，用來保證公式的概率始終保持在0～1的范圍內；[ZHy]為模型的統(tǒng)計量；H代表影響網絡關系形成的網絡屬性，包括外生變量和內生結構變量；[θH]為各屬性的系數。

基于本研究對于綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡形成機制的推斷，構建特定的指數隨機圖模型，如式（2）所示：

[PrY=y∣θ=1Cθexp（θ1edges+θ2gwdegree+θ3gwesp+θ4DY+θ5QY+θ6LD+θ7GEO）] （2）

式（2）中：edges表示網絡的邊；[Cθ]是網絡的基礎效應；gwdegree、gwesp為網絡的內生結構變量，分別表示幾何加權度、幾何加權邊共享伙伴，即擇優(yōu)性和傳遞性；DY、QY、LD、GEO為網絡的外生變量，分別表示知識多元化、企業(yè)主導的產學研、技術領導者、地理距離。

3.3.2 變量測量

3.3.2.1 被解釋變量

本研究的被解釋變量為綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡，以綠色能源產業(yè)關鍵技術創(chuàng)新組織為節(jié)點，以組織間的關系為邊。基于組織間聯合申請專利的記錄，構建0-1矩陣。若存在聯合申請記錄，則將下方矩陣中的數值[aij（i=1，2，……，n;j=1，2……，n）]記為1；若不存在聯合申請記錄，則記為0。構建非加權對稱矩陣，進行建模分析。矩陣的一般形式如式（3）所示：

[NT=a11…a1n???an1…ann] （3）

式（3）中：NT表示綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡；[aij（i=1，2，……，n;j=1，2……，n）]表示組織i和組織j間是否存在聯合申請記錄。

3.3.2.2 解釋變量

①知識多元化。參照韓菁等［49］的研究，通過計算組織所擁有的知識元素的個數來衡量其知識多元化程度。組織所擁有的知識元素越多，其知識多元化程度就越高。計算公式如下：

[DY=nei] （4）

式（4）中：DY表示組織的知識多元化程度；[ei]表示組織i所擁有的知識元素；n表示該組織所擁有的知識元素的數量。

②企業(yè)主導的產學研。參照范佳穎和馬艷艷［50］的研究，篩選出專利第一申請人為企業(yè)的產學研合作的申請人聯盟；將篩選出的申請人聯盟的各組織賦予虛擬變量為1，其他組織賦予虛擬變量為0。

③技術領導者。技術領導者的定位是技術創(chuàng)新的決策者、組織者和參與者。技術領導者掌握著產品的核心技術，擁有創(chuàng)造全新的技術流程和體系的能力，在相關產業(yè)中具備技術先發(fā)優(yōu)勢，能夠在網絡中形成廣泛的影響力，吸引其他組織與其建立合作關系［51］。因此，技術領導者在網絡中占據核心位置，在合作網絡中的度數也較高?；诖?，本研究通過社會網絡分析法計算出各組織的度數，篩選出度數高的組織，并將其作為技術領導者；將技術領導者賦予虛擬變量為1，其他組織賦予虛擬變量為0。

④地理距離。參照陳鈺芬和王科平［22］的研究，根據組織所在城市的經緯度計算組織之間的地理距離。公式如下：

[DISij=Carccos[sinLATisinLATj+cosLATicosLATjcos∣LNGi-LNGj∣]] （5）

式（5）中：[DISij]表示組織i和組織j之間的地理距離；LNG和LAT分別表示經度和緯度，并以弧度來測量；C是將經緯度轉化為地球表面距離的系數（C=6 371），由此計算組織間的地理距離。同時，本研究對地理鄰近性矩陣中的每一個數值都進行了歸一化處理，計算出的地理距離的取值在0～1之間。歸一化處理的公式如下：

[GEOij=MaxDISij-DISijMaxDISij-MinDISij] （6）

式（5）中：[GEOij]為歸一化處理后組織i和組織j間的地理距離；[MaxDISij]和[MinDISij]是組織i和組織j間的地理距離最大值和最小值。

指數隨機圖模型的各變量說明如表4所示。

3.4 模型構建

指數隨機圖模型（ERGM模型）是一種用于解釋社會網絡（或圖網絡）結構特點及其形成因素的統(tǒng)計模型，可以同時呈現內生結構變量和外生變量對于網絡結構形成的影響。其采用蒙特卡羅—馬爾可夫鏈極大似然估計算法（MCMC MLE）進行參數估計，采用赤池信息準則（Akaike Information Criterion，AIC）和貝葉斯信息準則（Bayesian Information Criterion，BIC）來檢測模型擬合程度。

[AIC=2k-2lnL] （7）

式（7）中：AIC表示赤池信息準則值；k表示模型的參數個數，代表模型的復雜度；L表示模型擬合數據的似然函數值，代表模型的擬合程度。

[BIC=klnn-2lnL] （8）

式（8）中：BIC表示貝葉斯信息準則值；n表示樣本數量。

赤池信息準則和貝葉斯信息準則的基本思想是在模型的擬合優(yōu)度與復雜度之間尋求平衡，即在保證模型擬合數據效果的同時，盡可能簡化模型，避免過擬合。AIC和BIC值越小，意味著擬合越好［37］。使用R語言的Statnet程序對模型進行處理。參照Van［52］的做法，從網絡結構和外生屬性兩個方面構建模型，共構建了4個ERGM模型。

模型1：零模型

Network1～edges

模型2：網絡結構模型

Network2～edges+gwesp（[λ1]，fixed=T）+gwdegree（[λ2]，fixed=T）

模型3：外生屬性模型

Network3～edges+nodecov（“DY”）+nodecov（“QY”）+nodecov（“LD”）+edgecov（GEO）

模型4：綜合模型

Network4～edges+nodecov（“DY”）+nodecov（“QY”）+nodecov（“LD”）+edgecov（GEO）+gwesp（[λ1]，fixed=T）+gwdegree（[λ2]，fixed=T）

4 實證結果與分析

4.1 ERGM估計結果

模型1為零模型；模型2在模型1的基礎上加入了內生結構變量；模型3在模型1的基礎上加入了外生變量；模型4是綜合模型，用于探究內生結構變量和外生變量對于綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡形成的影響。由表5可知，從AIC和BIC的數值來看，模型4的擬合效果最好。這說明，綜合內生結構變量與外生變量估計的綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡模型與真實的最為接近。

在指數隨機圖模型中，系數為正表示合作網絡中的某種結構或節(jié)點的某種屬性對合作關系的形成有促進作用；系數為負表示有抑制作用。由表5可知，模型總體通過了顯著性檢驗。與模型1相比，模型2、3、4的擬合指標AIC、BIC均有所下降。對比4個模型的AIC、BIC數值發(fā)現，模型4的數值最小，說明模型4的擬合效果最好。這表明，綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡在形成的過程中，同時受到內生結構和外生屬性的影響。因此，本文使用模型4的結果，分析綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡形成的機制，具體分析結果如下。

4.1.1 內生結構變量對綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡形成的影響

如表5所示，邊的系數為負，說明綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡呈現稀疏效應的典型特征。gwesp和gwdegree的估計系數都顯著為正，且系數值較高，表明綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡在形成的過程中呈現出核心—邊緣的星形結構和閉合三角形結構。換言之，在綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡形成的過程中，擇優(yōu)性和傳遞性起到了重要的促進作用。新加入創(chuàng)新合作網絡的組織更傾向于選擇與網絡中連接節(jié)點數量多的組織進行合作。這說明，在創(chuàng)新合作網絡形成的過程中，存在“強者越強”的馬太效應，假設H1得到驗證。此外，網絡中的組織更傾向于選擇與已合作的組織所合作的伙伴進行合作，更容易與其建立信任關系。這說明，在創(chuàng)新合作網絡形成的過程中，存在“朋友圈”效應，假設H2得到驗證。

4.1.2 外生變量對綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡形成的影響

本研究所提出的外生變量如知識多元化、企業(yè)主導的產學研、技術領導者、地理距離等的估計系數都顯著為正。其中：知識多元化在0.1%的水平上顯著為正，說明組織的知識多元化程度越高，越容易與其他組織進行合作，形成創(chuàng)新合作網絡，假設H3得到驗證；企業(yè)主導的產學研在0.1%的水平上顯著為正，說明由企業(yè)主導的產學研更容易產生合作關系，形成創(chuàng)新合作網絡，假設H4得到驗證；技術領導者在0.1%的水平上顯著為正，說明綠色能源產業(yè)的技術領導者更容易與其他組織建立合作關系，形成創(chuàng)新合作網絡，假設H5得到驗證；地理距離在0.1%的水平上顯著為負，說明隨著地理距離的增加，兩個組織間進行合作進而形成創(chuàng)新合作網絡的概率降低，即地理距離越近，形成創(chuàng)新合作網絡的概率越高，假設H6得到驗證。

4.2 擬合優(yōu)度分析

為了進一步檢驗上述模型的科學性和準確性，本研究對模型進行擬合優(yōu)度檢驗［53］。擬合優(yōu)度檢驗是指基于模型對網絡進行仿真，比較仿真網絡與真實網絡的差異，指標包括度數、最短路徑距離、邊共享伙伴數、二元共享伙伴數、三元組等。同時，通過擬合優(yōu)度檢驗繪制出ROC曲線，以輔助檢驗模型的擬合優(yōu)度。ROC曲線越凸向左上角，模型擬合優(yōu)度越好。由于模型4的擬合效果最好，本文僅對模型4進行擬合優(yōu)度檢驗，檢驗結果如圖4所示。

由擬合優(yōu)度檢驗結果可知，本研究的仿真網絡與真實網絡擬合程度較高，各指標都能較好地進行解釋；且ROC曲線凸向左上角，也說明本模型的擬合優(yōu)度較好。

5 結論與啟示

5.1 結論

本研究通過社會網絡分析，識別出綠色能源產業(yè)的關鍵技術；在此基礎上，構建指數隨機圖模型（ERGM），分析了綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡形成的影響因素。得到如下結論。

①綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡傾向于形成星形結構和閉合三角形結構，呈現出擇優(yōu)性和傳遞性特征。擇優(yōu)性表現出的星形結構有利于合作邊緣的組織選擇與處于核心位置的組織進行合作，促使組織快速獲得創(chuàng)新所需的知識等資源，推動組織的關鍵技術創(chuàng)新；傳遞性表現出的閉合三角形結構表明組織更傾向于與擁有共同合作伙伴的組織進行合作，以此促進創(chuàng)新所需資源的獲取，提高組織創(chuàng)新能力，降低合作的風險。

②知識多元化能夠促進綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成。多元化的知識體系能夠提高組織的創(chuàng)新能力，吸引更多的創(chuàng)新主體與組織進行合作。

③企業(yè)主導的產學研對綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成有促進作用。在綠色能源產業(yè)關鍵技術創(chuàng)新的過程中，不同類型的創(chuàng)新主體間更容易形成合作；且由企業(yè)主導的產學研合作更容易形成。究其原因，企業(yè)對市場動向具有更敏銳的感知，能夠洞察市場需求，引領創(chuàng)新方向。

④技術領導者能夠促進綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成。技術領導者是經濟社會的核心主體，擁有本行業(yè)豐富的知識和技術資源；其他組織更傾向于與技術領導者進行合作。通過二者合作，技術領導者發(fā)揮知識溢出效應，其他組織獲取相關知識并提高自身創(chuàng)新能力。

⑤地理距離對綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成產生影響。組織間地理距離越近，越容易開展合作。這是因為，綠色能源產業(yè)發(fā)展受到區(qū)域限制，同一區(qū)域的組織更容易形成創(chuàng)新合作網絡。

5.2 啟示

為促進綠色能源產業(yè)關鍵技術創(chuàng)新合作，企業(yè)、高校和科研院所等創(chuàng)新主體要提升自身知識多元化水平，主動參與和推動由企業(yè)主導的產學研合作，并以市場需求為導向，通過合作推進關鍵技術創(chuàng)新。此外，創(chuàng)新主體在選擇合作對象時，應從實際情況出發(fā)，根據自身的知識基礎選擇合作對象，積極加入創(chuàng)新合作網絡，從而增加知識儲備，促進知識高效流動。

本文的貢獻在于通過實證研究揭示了綠色能源產業(yè)關鍵技術創(chuàng)新合作網絡的形成機制和推動創(chuàng)新的具體路徑。然而，不同產業(yè)的關鍵技術創(chuàng)新合作網絡的形成機制可能存在差異，后續(xù)研究可選擇其他產業(yè)，拓展研究范圍。

注釋：

① http：//www.nea.gov.cn/2024-09/23/c_1212399359.htm.

參考文獻：

［1］ 方時姣，朱云峰.碳達峰碳中和視域下能源經濟發(fā)展論析［J］.新疆師范大學學報（哲學社會科學版），2022，43（3）：81-90，2.

［2］ 孫中原，竇倩，樓旭明，等.科技創(chuàng)新體系化能力助力關鍵核心技術突破的機理研究［J］.科研管理，2024，45（5）：22-33.

［3］ 李代紅.我國綠色能源產業(yè)發(fā)展的制度路徑［J］.科學管理研究，2011，29（6）：72-75，79.

［4］ 許勤華，張艷偉.綠色能源的技術突破和未來能源產業(yè)前瞻［J］.人民論壇，2023（16）：45-49.

［5］ 徐?，金澤潤，朱晟君，等.生命周期，知識多樣性與區(qū)域技術創(chuàng)新：以中國可再生能源技術為例［J］.地理研究，2023，42（8）：2070-2088.

［6］ 馬麗梅，黃崇樂.金融驅動與可再生能源發(fā)展：基于跨國數據的動態(tài)演化分析［J］.中國工業(yè)經濟，2022（4）：118-136.

［7］ 王幫俊，邢巧巧，王智樂，等.基于文本分析的可再生能源政策工具及其對技術創(chuàng)新影響研究［J］.科技管理學報，2024，26（4）：11-21.

［8］ HU F，MOU S，WEI S，et al.Research on the evolution of China's photovoltaic technology innovation network from the perspective of patents［J］.Energy Strategy Reviews，2024，51：101309.

［9］ LI W，ZHENG X.Development mechanism and technological innovation of hydrogen energy：evaluating collaborative innovation based on hydrogen patent data［J］.International Journal of Hydrogen Energy，2024，52（PA）：415-427.

［10］ 穆榮平，任中保，袁思達，等.中國未來20年技術預見德爾菲調查方法研究［J］.科研管理，2006（1）：1-7.

［11］ ZWECK A，HOLTMANNSP?TTER D，BRAUN M，et al.Stories from the future 2030 Volume 3 of results from the search phase of BMBF Foresight Cycle II［R］.Düsseldorf：Department for Innovation Management and Consultancy，2017.

［12］ ZHANG J，BADEN-FULLER C. The influence of technological knowledge base and organizational structure on technology collaboration［J］.Journal of Management Studies，2010，47（4）：679-704.

［13］ 楊艷萍，董瑜，韓濤.基于專利共被引聚類和組合分析的產業(yè)關鍵技術識別方法研究：以作物育種技術為例［J］.圖書情報工作，2016，60（19）：143-148，124.

［14］ 付振康，朱慶華，柳炳祥，等.專利視域下“卡脖子”關鍵技術識別及突破策略：以OLED技術領域為例［J］.情報雜志，2024，43（5）：106-115.

［15］ 李勇，歐志梅，黃格，等.基于專利挖掘的數字文旅關鍵技術識別和趨勢分析［J］.圖書館論壇，2023，43（1）：121-130.

［16］ 馮立杰，周煒，王金鳳，等.基于SAO語義分析的多維技術演化路徑與技術創(chuàng)新機會識別研究［J］.情報學報，2022，41（11）：1149-1160.

［17］ 李瑞茜，陳向東.基于專利共類的關鍵技術識別及技術發(fā)展模式研究［J］.情報學報，2018，37（5）：495-502.

［18］ 張棟，余翔，劉鑫.基于復合專利共現網絡與專家機制的產業(yè)關鍵技術清單研究：以中國發(fā)展碳捕集技術為例［J］.情報雜志，2019，38（11）：34-42.

［19］ 高霞，陳凱華.合作創(chuàng)新網絡結構演化特征的復雜網絡分析［J］.科研管理，2015，36（6）：28-36.

［20］ 曹興，趙倩可，許羿.新興技術合作創(chuàng)新網絡形成影響因素研究：基于虛擬現實技術的專利數據［J］.科學決策，2024（2）：62-78.

［21］ 衣春波，胡夢雅，許鑫.專利視角下集成電路企業(yè)技術創(chuàng)新合作網絡演化分析［J］.現代情報，2023，43（5）：79-89.

［22］ 陳鈺芬，王科平.多維鄰近性視角下人工智能合作創(chuàng)新網絡演化研究［J］.管理學報，2023，20（7）：1045-1055.

［23］ 郭建杰，謝富紀.基于ERGM的協(xié)同創(chuàng)新網絡形成影響因素實證研究［J］.管理學報，2021，18（1）：91-98.

［24］ 施錦誠，王靖，朱凌，等.關鍵共性技術研發(fā)的雙重網絡關系及其演化特征［J］.中國科技論壇，2023，（4）：53-62.

［25］ 王宏起，楊仲基，武建龍，等.戰(zhàn)略性新興產業(yè)核心能力形成機理研究［J］.科研管理，2018，39（2）：143-151.

［26］ 馬永紅，楊曉萌，孔令凱，等.基于產業(yè)異質性的關鍵共性技術合作網絡研究［J］.科學學研究，2021，39（6）：1036-1049.

［27］ 馬永紅，楊曉萌，孔令凱.關鍵共性技術合作網絡演化機制研究：以醫(yī)藥產業(yè)為例［J］.科技進步與對策，2021，38（8）：60-69.

［28］ 王興元，許智穎，王舒揚.關鍵核心技術攻關驅動因素及實現路徑：以集成電路產業(yè)為例的組態(tài)分析［J］.科技管理研究，2024，44（2）：1-11.

［29］ 谷曉梅，范德成.中國工業(yè)創(chuàng)新空間關聯及影響因素研究：基于區(qū)域間工業(yè)供給與需求關系的分析［J］.科研管理，2023，44（4）：29-38.

［30］ 劉鳳朝，馬榮康，孫玉濤.基于專利技術共現網絡的納米技術演化路徑研究［J］.科學學研究，2012，30（10）：1500-1508.

［31］ 黃斌，黃魯成，吳菲菲，等.基于專利共類的技術關聯特征識別［J］.情報雜志，2015，34（1）：44-48.

［32］ 錢昭英，劉書杰.黃河流域農業(yè)綠色低碳生產效率空間關聯網絡結構特征及驅動因素識別［J］.干旱區(qū)資源與環(huán)境，2024，38（2）：27-38.

［33］ BURT R S.Structural holes：the social structure of competition［M］.Cambridge：Harvard University Press，1995.

［34］ 迪安·魯謝爾，約翰·科斯基寧，加里·羅賓斯.社會網絡指數隨機圖模型：理論、方法與應用［M］.杜海峰，任義科，杜巍，譯.北京：社會科學文獻出版社，2016：391.

［35］ SUN Y，LIU K.Proximity effect，preferential attachment and path dependence in inter-regional network：a case of China’s technology transaction［J］.Scientometrics，2016，108（1）：201-220.

［36］ 覃雄合，李梁榮，黃曉東.基于指數隨機圖模型的全球跨境并購網絡結構特征與形成機制［J］.資源科學，2023，45（9）：1693-1709.

［37］ 王?；?，孫芹，郭建杰，等.長三角城市群協(xié)同創(chuàng)新網絡演化動力研究：基于指數隨機圖模型［J］.科技進步與對策，2021，38（14）：45-53.

［38］ 馬永紅，欒昊巍，王琪，等.合作網絡特征、企業(yè)知識多元化與共性技術溢出［J］.科技進步與對策，2023，40（18）：61-71.

［39］ ETZKOWITZ H，LEYDESDORFF L.The dynamics of innovation：from National Systems and “Mode 2” to a Triple Helix of university-industry-government relations［J］.Research Policy，2000，29（2）：109-123.

［40］ 王鈺瑩，原長弘，張樹滿.企業(yè)產學研主體地位對創(chuàng)新績效的影響：吸收能力的中介作用與雙元情境的調節(jié)作用［J］.科技進步與對策，2020，37（1）：10-17.

［41］ 馬家喜，金新元.一種以企業(yè)為主導的“產學研”集成創(chuàng)新模式：基于合作關系與控制權視角的建模分析［J］.科學學研究，2014，32（1）：130-139.

［42］ SAMADDAR S，KADIYALA S S.An analysis of interorganizational resource sharing decisions in collaborative knowledge creation［J］.European Journal of Operational Research，2006，170（1）：192-210.

［43］ AGUILERA-CARACUEL J，HURTADO-TORRES N E，ARAGóN-CORREA J A.Does international experience help firms to be green？A knowledge-based view of how international experience and organisational learning influence proactive environmental strategies［J］.International Business Review，2012，21（5）：847-861.

［44］ CORROCHER N，GRABNER S M，MORRISON A.Green technological diversification：the role of international linkages in leaders，followers and catching-up countries［J］.Research Policy，2024，53（4）：104972.

［45］ HILLMAN A J，WITHERS M C，COLLINS B J.Resource dependence theory：a review［J］.Journal of Management，2009，35（6）：1404-1427.

［46］ GREENSTONE M，HORNBECK R，MORETTI E.Identifying agglomeration spillovers：evidence from winners and losers of large plant openings［J］.Journal of Political Economy，2010，118（3）：536-598.

［47］ MOLINA‐MORALES F X，MARTíNEZ‐FERNáNDEZ M T.Social networks：effects of social capital on firm innovation［J］.Journal of Small Business Management，2010，48（2）：258-279.

［48］ GIULIANI E.Network dynamics in regional clusters：evidence from Chile［J］.Research Policy，2013，42（8）：1406-1419.

［49］ 韓菁，唐簫，余樂安.基于多層網絡鏈路預測的潛在合作關系識別研究［J］.系統(tǒng)工程理論與實踐，2021，41（4）：1049-1060.

［50］ 范佳穎，馬艷艷.企業(yè)主導產學研合作與關鍵共性技術創(chuàng)新：結構性權力的調節(jié)效應［J］.中國科技論壇，2024（2）：61-70，93.

［51］ 郝斌，劉石蘭，任浩.企業(yè)間領導力理論和實踐溯源與層次結構探討［J］.外國經濟與管理，2013，35（5）：50-59.

［52］ VAN DER POL J.Introduction to network modeling using exponential random graph models（ergm）：theory and an application using r-project［J］.Computational Economics，2019，54（3）：845-875.

［53］ CRANMER S J，DESMARAIS B A，MENNINGA E J.Complex dependencies in the alliance network［J］.Conflict Management and Peace Science，2012，29（3）：279-313.

Study on the Mechanism of Establishing a Key Technological Innovation Cooperation Network in the Green Energy Industry

Kong Lingkai， Hu Qian

（Faculty of Management and Economics， Kunming University of Science and Technology， Kunming 650093， China）

Abstract： The key technological innovations in green energy are essential for achieving \"carbon peaking and carbon neutrality goals\"， promoting rapid development within the green energy industry， and enhancing the country's new quality productivity. However， due to the complexity and innovative requirements of key technologies in green energy， it is often difficult for a single organization to undertake all research and development tasks independently. Therefore， how to accelerate knowledge and technology exchange through effective organizational cooperation and promote innovation in key technologies in green energy has become an important issue that needs to be addressed in this field. This study aims to delve into the mechanism behind the formation of a cooperation network for the green energy key technology innovation， uncover the interaction patterns among nodes within the network， and offer insights for optimizing resource allocation， enhancing cooperation efficiency， and accelerating technological innovation. Ultimately， this will contribute to the sustainable development of the green energy industry.

This study used patent data from the green energy industry as its foundation， extracted the primary and secondary classification numbers of green energy patents， and constructed an asymmetric matrix to form a directed network. Social network analysis methods， along with tools such as Gephi， were employed to measure degree centrality， betweenness centrality， closeness centrality， and structural holes for each node. Based on these measurement results， key technologies in green energy were identified. Following this identification， patents from enterprises that collaborated with universities， research institutions， and other entities were selected. By using different types of patent applicants as nodes， a collaborative network for green energy key technology innovation was created. Furthermore， ERGM was used to model and analyze the formation mechanism of the cooperation network. This analysis aimed to explore the influence of endogenous structural variables， such as preferential selection and transitivity， as well as node attributes including knowledge diversification， the roles of enterprise leaders in industry-university-research collaboration， the influence of technology leaders， and the impact of geographical distance on the formation of the cooperation network.

The results of the study show that the optimality and transitivity of network structure facilitate the natural formation of efficient clusters in cooperative networks. High-quality nodes attract more cooperation opportunities， and cooperative relationships tend to flow through established connections， forming a virtuous cycle. Additionally， the diversification of knowledge among network nodes promotes enterprise cooperation， while industry-university-research collaboration led by enterprises accelerates the integration of knowledge and practice. Technology leaders lead the direction of cooperation with their foresight and influence. Furthermore， the reduction of geographical distance lowers the barriers to cooperation， encourages face-to-face communication， and provides favorable conditions for the development of cooperation networks.

This study uncovers the mechanism behind the formation of a key technological innovation cooperation network in the green energy industry. Additionally， it offers a scientific foundation for the government to develop relevant policies， assists enterprises in selecting partners， and guides scientific research institutions in planning their research directions.

Key words： green energy industry; key technology identification;innovation cooperation network; social network analysis; exponential random graph model

（欄目編輯：朱可染）