多维度视角下新兴产业技术演化测度研究*——以我国新能源汽车产业为例

索 琪 李长升

(青岛科技大学经济与管理学院 青岛 266061)

0 引 言

当前,新一轮科技革命和产业变革正在重塑全球经济结构,新兴产业具有科技含量高、市场潜力大、带动能力强、综合效益好等特征,对于引领国民经济发展和提升国家竞争优势发挥着至关重要的作用。作为科技创新活动最为集中和活跃的领域,新兴产业代表着未来科技和产业发展的新方向[1]。然而,新兴产业的发展往往建立在前沿科技重大突破基础上,其技术的发展和突破常常面临较强的不确定性。在此背景下,探究新兴产业的技术演化态势,明确技术演化脉络,进而为产业技术预见提供决策参考,已经成为当前亟待解决的重要问题。产业技术发展是一个涉及多要素的复杂动态演化过程,技术社群演化往往以知识元素突破为前提,产业技术结构可以视为技术社群发展的阶段性表现。因此,从多维视角测度技术社群、知识元素、产业结构的演化联动和差异特征,有助于从全局层面把握产业技术演化的内外部关联性以及整体结构特征。完整而有效的产业技术演化测度能够为产业技术发展提供支撑,对于产业技术规划、技术风险规避、产业优势塑造具有重要的现实意义。

1 文献综述

新兴产业的发展伴随着技术变革与创新,技术的加速迭代推动着产业的升级。当前新兴产业相关研究集中于产业发展水平、产业创新及产业技术研究等方面。新兴产业发展测度方面,Bukht等[2]结合数字经济的定义对其产业规模进行了估计;闫俊周等[3]对新兴产业供给侧创新效率进行了评价。蔡伟等[4]构建了综合评价指标体系对新兴产业经济效率进行评价;孙理军等[5]基于科技-市场-政策环境框架对新兴产业自主发展水平进行测度。产业创新相关研究多从技术创新、企业创新、制度创新等视角进行探讨。康鹏[6]量化界定了不同部门在新兴产业技术创新中的角色演化;鲁志国等[7]基于三阶段DEA模型测算了新兴产业技术创新效率;袁军等[8]探讨了研发补贴集中度、高管技术背景对新兴产业企业创新的影响;张秋实等[9]运用面板门槛模型讨论了内部控制对新兴产业企业金融化与企业创新关系的作用。陈文俊等[10]分析了新兴产业政策对生物医药上市公司创新绩效的影响;肖振红等[11]采用倾向得分倍差法检验了新兴产业政策对企业创新绩效的影响及作用机制。产业技术相关研究多关注于产业技术演化和产业技术预测,王建华[12]基于新兴产业技术演化路径依赖性检验,揭示了中国战略性新兴产业技术发展的基本规律;郑荣等[13]借助关键路径分析法,明晰了新能源汽车产业不同新兴技术领域下的关键路径;魏旭光等[14]构建新兴技术创新超网络演化模型,仿真分析了我国新能源汽车技术创新网络的演化规律;丰米宁等[15]从产业链视角进行3D打印产业的主题识别和技术演化,探寻领域整体发展态势和主题内外部的关联。产业技术研究方法呈现出多样性特征,基于引文数据[16-17]、专利数据[13,18]、市场数据[19],结合社会网络分析方法[14,20-21]、语义聚类算法[22-23]、相关模型[24-25]、社群发现[13,21,26]等方法从不同视角开展了研究。产业技术识别则关注从技术和主题视角探究技术演化路径并进行技术预测。周源等[21]建立文献引用网络识别了增材制造领域的技术演化路径;陈悦等[18]采用技术融合与演化路径探测的新方法识别增材制造领域的技术发展路径;吴菲菲等[23]利用遍历算法识别太阳能电机板技术的演化路径;陈翔等[27]基于动态语义网络刻画了信息科学领域的主题演化路径;宁博文等[28]分析了生物制药产业新兴技术的发展脉络,并预测了未来发展趋势。Wu等[29]提出了LDA主题模型、主题生命周期、技术熵相结合的分析方法,用以识别和测量技术主题演变。

现有研究为本文的研究提供了丰富的理论基础,然而仍然存在有待完善之处:其一,当前研究多围绕技术社群进行讨论,鲜有研究从知识元素及产业链视角刻画产业技术演化过程中的知识元素和产业结构的演变特征;其二,现有研究多围绕技术维度构建指标测度,多角度下的演化过程分析有待深入;其三,分析内容多将技术识别与技术路径演化结合,缺乏将技术路径、技术预测、技术前沿相串连的总体测度,新兴产业的整体演化特征有待进一步揭示。

2 研究设计

产业技术演化测度旨在基于新兴产业技术专利的基础上,从技术社群、知识元素、产业链角度揭示技术演化态势,阐明新兴产业技术随时间变化而呈现出的内部差异性和整体性特征。研究以新能源汽车产业作为实证对象,基于产业发明专利数据构建专利网络。从技术社群角度,借助社群影响力和聚类算法的动态性优势,对IPC共现矩阵进行社群划分,探究技术社群在不同时间节点下的重要程度及变动趋势,进而识别产业技术社群演化路径。基于技术演进状态及技术熵对技术社群演化强度进行测度,进一步完善产业技术演化机制;从知识元素角度,分析关键词-时间双重联系,通过知识元素演化及融合度刻画知识元素随时间的演化过程,识别产业技术热点和前沿;从产业技术结构角度,通过产业链不同环节的创新融合刻画产业技术结构重心及变化。具体研究框架如图1所示。

图1 研究框架

2.1 技术社群识别及动态演化

本文选取Infomap算法识别产业技术社群的动态变化[30]。Infomap算法是一种基于信息论的多层次网络社群发现算法,对于大型有向加权复杂网络社团识别效果良好,且具有高效稳定的特点。该算法的优势在于可结合Mapequation平台的可视化直观反映技术社群随时间变化的动态演变特征;为减小技术社群冗余性,采用最小熵原理有效识别重要链接,从而简洁反映社群组成;Infomap算法通过模块化结构识别网络社群,在算法运行过程中确定社群数量,不需要先验知识,避免主观造成的划分误差。其目标函数映射方程如公式(1)所示。

(1)

本文采用冲积图进行新能源汽车产业技术动态演化的可视化展示。冲积图基于流的形式捕捉社群结构在网络上的动态变化,不同的模块代表不同的技术社群;模块的位置和大小则分别表征了社群的重要性和规模。位于冲积图底部的模块具有较高的地位和较大的社群规模。通过流能够直观展示出相邻时间窗口的技术社群结构变化。冲积图的绘制依托Mapequation平台(https://www.mapequation.org/)实现。

2.2 技术演化社群测度

2.2.1社群影响力度

新兴技术的演化过程受到政策、经济、研发限制等多种因素影响,其影响力度是动态变化的,对不同时间窗口各技术社群影响力度计算,可识别不同技术的演化趋势。社群影响力(INF)通过技术社群涉及的知识元素及技术社群的相对重要性表示,如公式(2)所示。

INF=si×ii

(2)

其中,si为技术社群i的规模,ii为技术社群i的相对重要性。

2.2.2社群相似度

对相邻时间窗口的技术社群进行相似度计算,能够确定技术社群之间的演化与扩散路径。余弦相似度越大,则意味着两个社群越相似[18],借此可以进行社群相似度判断,具体计算如下。

其中,A、B均为技术社群所对应的向量。

2.2.3技术演化状态与技术熵

新兴技术的发展和变迁兼具连续性和不稳定性特征,一种技术可能会细分成多个知识元素,也存在多个知识元素融合成新技术的情形。社群在演化过程中的连续状态之间会发生变化,如融合、裂变等。通过追踪社群到相邻社群的流,可直观揭示社群的变化状态[32]。本文以网络社群表征技术领域,结合社群生命周期理论,借鉴已有研究[18, 33-34]并结合技术社群的不同发展状态,将其划分为分离型技术、融合型技术、继承型技术和孤立型技术四类,并分别构建分离度、融合度、继承性、孤立性指标进行测度。

分离度(SD)、融合度(FD)、继承性(IN)指标测度如公式(3)所示。

(3)

其中,m为技术数量,wi为第i个技术所占比重,ci为第i个技术所分裂/融合/继承的知识元素分流数量。

由于孤立型技术在技术演化过程中前后无知识元素分流技术,因此孤立性(IS)通过孤立型技术相对重要性占所有技术相对重要性的比重来测度,如公式(4)所示。

(4)

技术熵。随着知识元素的分流和技术融合、分离、继承、孤立状态的转换,产生了熵增量,即熵流(E),定义[29]如公式(5)所示。

E=Ese+Efu+Ein+Eis

(5)

其中,Ese、Efu、Eis、Ein为技术分离、融合、继承、孤立所产生的熵。

借鉴网络结构熵的相关研究[35],对技术熵增量的四种不同情况结合分离度、融合度、继承性、孤立性分别对技术重要程度和熵增量进行定义,如公式(6)所示。

(6)

其中,N表示分离型技术数量。

结合公式(3)和公式(6),可得Ese,同理可得Efu和Ein。

由于孤立型技术无知识元素分流,采用孤立性(IS)进行测度孤立型产生的技术熵,有:

(7)

结合公式(3)-(7),技术熵表达式如公式(8)所示。

(8)

特别地,当各技术社群重要性相等时,即Ij=1/N时,Emax=lnN;当演化为某一社群的重要性最大时,技术演化极不均匀,即Ij=1时,Emin=0。

为消除不同年份技术社群数量差异的影响,对四种熵增量进行归一化处理,有:

(9)

2.3 技术演化知识元素测度

2.3.1知识元素演化

知识元素是产业技术复杂性的内在表征,知识元素的演化驱动了产业技术的演进轨迹。为探究知识元素的演化趋势,基于新兴产业的专利分类号共现关系、分类号每年出现频率和分类号的出现年份,进行关键词-时间叠加分析。可视化图中,同列节点代表同一聚类,连边代表共现关系,连边粗细代表共现强度。节点大小根据演化区间内分类号出现的频率决定,一般而言,节点越大,意味着该分类号所对应的技术领域获得了更为广泛的关注。为进一步识别新兴知识对产业技术演化的影响,以分类号首次出现年份表征技术社群中知识元素随演化的应用程度;以分类号的加权平均时间表征不同知识元素对技术演化的参与程度。加权平均时间(WAT)通过分类号出现年份及该年份分类号出现频率决定,如公式(10)所示。

(10)

其中,yeari为分类号i的出现年份,frequencyi为该年份分类号i的出现频率。

2.3.2知识融合度

在技术演化过程中,若知识元素较其他知识元素出现频繁,且连接的知识元素不断增多,表明该知识元素不断进行交叉、融合,则该技术的知识融合度得以不断增强,在未来发展中有较大概率成为技术前沿和研究热点[36]。知识元素融合度(KF)的计算如公式(11)所示。

KF=oi/qi

(11)

其中,oi为知识元素i与其他知识元素的共现次数,qi为知识元素i的共现知识元素个数。

2.3.3产业链结构

产业关联是产业链协同的表达,通过技术社群中不同产业链的知识元素所占比重来映射产业结构的变化。以不同产业链归属的分类号当年出现频率作为权重结合技术社群中该分类号所占比重,判别知识元素在当前时间窗下的重要性。汇总当前技术社群和当前所有技术的上中下游产业链对比,分析产业链结构随时间的变更过程。产业链参与(KI)的计算如公式(12)所示。

(12)

产业链融合意味着产业不同技术环节上的知识元素通过彼此关联实现信息和价值互换,从而增加新兴技术创新的韧性和稳定性。将产业链融合分为内部融合(上游、中游、下游)和外部融合(上中游、中下游),构建产业链融合创新网络,通过计算归属不同产业链的知识元素共现次数来测度产业链融合的创新能力及变化趋势。

3 实证分析

新能源汽车产业作为重要的战略性新兴产业,是实现绿色可持续发展和产业结构升级的重要力量。新能源汽车产业作为知识密集型长周期型产业,产业链长且覆盖范围广,产业技术演变具有高度不确定性,其技术演化特征对于新兴产业技术演化具有一定的代表性,对于国家战略性发展规划的制定具有重要意义。

专利数据是创新研究、战略决策和技术变迁的关键数据源。相较于论文和政策等数据,专利能够更真实地刻画出产业技术创新和演化变迁的真实脉络。鉴于此,本文选取我国新能源汽车产业的发明专利数据作为研究样本,验证本文的研究思路。数据来源于专利信息服务平台(http://search.cnipr.com)。鉴于产业IPC分类号较为复杂,为保证数据的完整性,采取关键词检索方式,以“新能源汽车”or“电动汽车”or“纯电动汽车”or“混合动力汽车”or“燃料电池汽车”作为关键词进行检索。考虑到产业前期专利数量较少以及专利数据18-36个月的专利保护期,选取2009—2018年间的数据作为研究样本,剔除部分不完整和国外创新主体的专利数据,最终获得新能源汽车产业发明专利数据共计26 326项。

3.1 新能源汽车产业技术社群演化测度分析

考虑到产业技术的复杂性和密集性,采用国际专利分类号(IPC)前6位表征不同技术领域的知识元素。据此,将专利数据进行分解处理,最终得到样本区间内的知识元素总计为1 699个。以知识元素为节点,以IPC共现关系为连边,构建2009—2018年IPC共现网络。基于Infomap聚类算法对共现网络进行技术社群划分。根据社群重要性及社群结构变迁,划分并绘制新能源汽车产业技术社群如图2所示。

图2 新能源汽车产业技术社群划分

由图2和表1可知,样本期内,技术社群数量由29个增长至73个,虽然2016—2017年间略有下降,但整体呈现上升趋势。随着产业的发展,知识元素增多,技术种类不断增加,关键性技术取得突破性进展。同时,技术社群演化呈现出明显的融合和分离特征,表明随着技术领域的不断细分,产业创新不断涌现。然而,技术社群的规模呈现出较大的差异性,不同技术的发展具有不均衡性。

表1 技术社群知识元素演化趋势

提取每年重要性排名前十位的技术社群作为产业关键技术进行技术演化分析,以每个社群中最重要的两个知识元素表征该社群的技术含义。通过国家知识产权局等网站查询相关专利分类号对应含义,并结合原始数据中包含相同知识元素的专利名称进行分词、同义词合并,剔除无意义词后进行词频统计。将筛选出的代表性关键词与《电动汽车术语》(GB/T 19596-2017)专业词进行归纳对比,并咨询相关专家,总结获得各技术社群名称。计算不同时间窗的节点技术社群影响力度,同时计算相邻时间窗的节点技术社群相似度,从而归纳技术社群演化关系。通过将相似度最大的技术社群之间的关系进行可视化,分析技术演化路径和技术社群的动态影响,结果如图3所示。

图3 新能源汽车产业技术演化图谱

结合图2和图3可知,十年来技术社群呈现出较强的不稳定性,涉及的知识元素不断分离和融合。其中,由关键技术衍生出的小微技术众多,但生命周期普遍不长。产业核心技术集中于动力系、蓄电池、整车控制器、电机、高性能材料、车辆温控系统、数据处理系统、车辆充电和驱动系统等领域。

就技术种类演化而言,虽然动力系、蓄电池、整车控制器、电机、高性能材料的重要程度在不断变化,但始终是产业创新的重点技术领域。其次,数据处理系统自2015年起连续四年出现,表明产业技术重心逐渐向以售后为主体的产业链下游转移。电力系统、车辆转向系统、充电装置、发动机、高性能涂料、照明系统、指示器及信号装置、风能驱动装置等伴随着产业的发展而短暂出现,技术不稳定性较大。货运电动汽车设计等相关技术的出现,表明产业定位已经延伸至道路客运和城市物流等方面,侧面反映出产业的全方位拓展。

就技术影响演化而言,对样本区间出现的各技术影响力度相加,获得整体影响力度。排名前十的技术依次为:车辆充电(45.71)、高性能材料(43.29)、电力系统(16.87)、蓄电池(16.39)、动力系(15.22)、整车控制器(7.06)、驱动系统(6.04)、蓄电池系统(5.18)、电机(5.06)、数据处理系统(4.83)。其中,车辆充电和蓄电池始终处于技术前列,车辆充电作为新能源汽车的动力来源、蓄电池作为新能源汽车的核心,其技术的发展决定了新能源汽车的性能不断提升,技术的持续更新将进一步促进产业的可持续发展。高性能材料不仅应用于车辆结构和材料使用,还广泛应用于充电桩材料、结构材料及充电电缆中,自2014年起始终处于较为重要的位置,其后来居上也体现出产业技术创新逐渐向充换电设施倾斜,下游服务和能源供给体系在逐渐完善。

依据图4和表2,结合演化区间原始专利数据,通过词云分析专利摘要相关变化进行归纳,新能源汽车产业的主要技术演化路径覆盖以下领域。a.车辆充电。以H02J7、B60L11、H01R13为核心,充电基础设施得以不断完善,充电技术得以不断提升。充电技术历经传导式直流充电和传导式交流充电、共享换电、无线充电等技术演变。b.蓄电池。以H01M10、H01M2、H01M4为核心,蓄电池向低成本、高续航、安全稳定的方向全面提升。历经由铅酸电池、镍氢电池、锂电池、氢燃料电池、固态锂电池的技术演变,并在锂电池基础上研发出刀片电池和三元锂电池,电极材料向高镍、低钴方向发展。c.整车控制器。以B60W10、B60W20、B60W30、B60W40为核心,整车控制器是新能源汽车的功能控制中枢,通过各类信号实现对各执行机构的控制,主要发展方向为从软件和硬件两种途径实现整个控制架构的演变。d.动力系。以B60K1、B60K17、B62D21、B62D25为核心,经历由传统燃油汽车向混动节能汽车再到纯电驱动新能源汽车的演变。e.电机。以H02K1、H02K3、H02K5、H02K7为核心,演化方向为电机性能(功率、噪音等)和功能(绝缘、耐高温等)的优化;电机控制器向高处理效率和高耐用性方向发展。f.高性能材料。以C08K3、C08K5、C08L23为核心,主要表现为具有更高性能(耐寒、阻热等)的车身、电缆、充电桩、各装置外壳、保护装置及内饰材料;车身轻量化的主流发展方向为混合复合材料和碳纤维复合材料。

表2 主要技术社群知识元素组成及描述

图4 知识元素演化图谱(首次出现)

为测度产业技术演化强度和方向,统计样本区间内四种类型技术数量,并对各时间节点的各社群节点度进行拟合,发现社群节点度均呈幂律分布,符合无标度网络特征。故对各类型技术在演化过程中的技术熵进行统计,结果如表3所示。

表3 技术演化类型及技术熵

分析表3可知,样本区间内,分离型技术和融合型技术占比最大,且整体呈现逐年增长态势,这表明伴随着产业技术的演化,知识元素较为活跃,不同知识元素的相互协同促进了技术增长,从而实现了技术的不断突破。继承型技术数量呈波动态势,表明在技术演化过程中存在周期性技术细分和技术整合,技术通过不断优化、淘汰实现技术迭代。孤立型技术在样本期后期出现,反映了在演化过程中的尝试性创新,目前技术发展仍存在较大空间。

标准技术熵呈现出先增长后下降的变化趋势,表明技术演化经历了由较稳定到动荡再到较稳定的演化过渡。标准技术熵以及各类型技术熵均在2014年达到最大值,究其原因在于,2009—2014年间,产业技术创新处于起步期,各项技术尚未成熟,在演化过程中各技术齐头并进共同发展,该阶段技术重要性发展较为平均;至2015—2018年间,由于政策引导、资源倾斜和市场需求,产业在迅速发展中逐渐将研发重点倾向于少量核心技术,高性能材料、车辆充电、蓄电池等技术分支发展迅速并日趋成熟,导致各技术间的相对重要性相差悬殊。

3.2 新能源汽车产业知识元素演化测度分析

将2009—2018年间分类号共现矩阵及分类号时间属性导入VOSviewer软件,生成时间-分类号叠加图,分类号首次出现时间和加权平均时间分别如图4和图5所示。

图5 知识元素演化图谱(加权平均时间)

对比图4和图5可知,随着时间的推移,知识元素数量的增加导致各技术社群规模不断扩大。早期出现的知识元素(B60L11、H02J7、H01M10等)均实现了较为广泛的应用,而较晚出现的知识元素则应用频率不高。整体而言,知识元素的应用频率取决于出现的时间节点。这表明技术演化和知识迭代具有相对稳定性。然而,部分知识元素(B60L53、H02J50、B60L58、C08K3、H01B3等)虽然出现时间较短,但得到了较多应用。结合IPC含义和原始专利数据相关摘要,可归纳部分技术演化方向。传统电动车辆动力装置电动汽车逐渐向油电混合驱动电动汽车过渡;车用材料向多用途(B60L53、B60L58等)、高性能的复合材料(C08K3、H01B3、C08L71、C08L83、C08L79等)发展;无线供配电的电路装置或系统将成为电池组的充电、供电装置的未来方向(H02J50);液体变容式机械可优化车辆电动机和内燃机的使用性能(F04B37);人车交互系统、各级数据处理系统不断优化升级(G06F16),且相较于其他技术,高性能材料领域迭代最为迅速。

由加权平均时间可知,出现时间较早的知识元素的节点颜色若演变为演化中间阶段的知识元素节点颜色,则表明在整个演化阶段中该知识元素均被广泛应用。由此可知,大多数较早出现且频率较高的分类号(包括B60L11、H02J7、H01M10、H01M2等)均应用于技术演化的整个阶段,这些知识元素均为组成技术的基础知识元素。部分知识元素节点颜色未发生改变,光能发电(H02N6)和风能发电(F24F5、F24F11)在演化中后期并未获得创新,这些技术被中止或淘汰。

计算不同分类号的知识融合度可用于探究未来新能源汽车产业的技术前沿和研究热点。鉴于不同分类号之间出现频次和共现强度差距较大,仅对知识融合度排名前20位的分类号进行统计,如表4所示。

表4 知识元素融合度(前20位)

将表4中的相关知识元素带入原始数据集中,依托相关元素专利数据获得前沿技术。产业知识融合度最高的知识元素为F04B37、F04B35、F04B49、F04B39等,即随着以液体变容式机械、泵为核心的知识技术的不断发展,具有节能、清洁实用、调控方便等优势的热泵技术快速兴起并成为技术前沿,为解决新能源汽车冬季续航里程短问题提供了有效方案。此外,以G06Q10、G06Q50、G06Q30等知识元素为代表的数据处理系统紧随其后,其代表性技术包括自动驾驶云仿真平台技术和自动驾驶云服务技术等。中国制造2025已将材料技术列为节能与新能源汽车发展核心的宏观布局,目前,以C08K5、C08K13、C08L23、C08K3、C08K9等知识元素为代表的汽车高性能材料,如铝合金、碳纤维、工程塑料等车身材料,以及具有高性能的核心部件材料,如碳化硅逆变器提高了三电等核心部件的利用效率。以H01R13、B60L11、H01M10、H02J7、B60L15等基础知识元素为代表的刀片动力电池技术、燃料电池系统技术等前沿技术有望实现动力电池创新的二次飞跃。H02K21、H02K1等知识元素融合度位居前列,表明前沿电机技术,如多相永磁电机技术、永磁同步磁阻电机技术、轮毂电机技术等均已投入应用。

3.3 新能源汽车产业链演化测度分析

将新能源汽车产业链划分为上游资源领域、中游车辆制造、下游配套设施服务三部分。上游资源领域包括原材料及制备方法;中游车辆制造包括整体设计方法及构想、电池及其优化、电机及其优化、电控及其优化、核心零部件及其制作方法;下游配套设施服务包括充换电、保养、检测、维修、品控、测试、销售、回收、梯次利用。通过对演化区间出现的IPC进行整理分析,并咨询相关专家进行产业链归属。

考虑到不同技术社群间的重要性相差较为悬殊,为提升结果的显著性,删除边缘技术社群,选取90%以上重要性的技术社群代表整体。经筛选处理后,样本期内的技术社群数量分别为10、12、14、18、15、18、17、16、13、20个,对符合条件的技术社群进行数据整理,计算获得产业链参与度及协同能力结果如表5所示。

表5 产业链参与度及协同能力

分析表5可知,样本期内产业上游、中游、下游所涉及的知识元素种类和数量均有大幅度增长。中游车辆制造在演化过程中始终占据整个产业链的核心地位,并保持较高增速,以H01M10、B60L11、H02J7等为代表的车辆制造环节决定了新能源汽车产业的整体性能,是产业持续发展的主要推动力。上游、下游与中游存在较大差距,上游资源领域(C08K3、C08K5、C08L23、C08K13)自2014年开始增速明显,下游配套设施服务(G01R31、G07F15、H04L29、E04H6)后来居上,表明产业创新发展在不断向上游和下游过渡。然而,目前产业链发展并不均衡,在新能源汽车产业快速发展过程中,材料优化、车身轻量化及安全导向、车辆续航及充换电问题逐渐成为瓶颈问题。上中游产业链协同(上游材料优化与车辆核心零部件交互)能力和中下游产业链协同(中游蓄电池和下游充换电设备交互)能力随着产业发展有所提升,不同环节的知识元素的协同更为频繁。相较于上中游协同,中下游协同则展现出更为明显的技术交互,交互强度逐年增加,说明产业结构持续优化。

3.4 算法有效性验证

为验证Infomap算法进行社群识别的有效性和可靠性,本文选取Louvain社群发现算法和SimHash文本相似度算法进行对比分析。

Louvain算法是当前应用最广泛的社群发现算法之一,基于模块度优化实现社群识别。将该算法应用于本文的数据集,社群划分结果及相似度对比如表6所示。此外,采用SimHash算法计算技术社群组成相似度。结果表明,两种算法识别出的重要性前十名的社群平均相似度为0.76,计算结果基本一致,技术社群表征含义大致相同。

表6 Louvain算法社群结果及相似度对比

相较而言,本文所选取的Infomap算法分群较多,社群映射的技术范围更为完整,社群组成更符合技术特征。虽然Louvain算法实现了技术社群的划分,但算法易受到模块度及网络结构影响,对于弱关联的技术社群识别效果并不理想。Infomap算法在揭示技术社群之间的联系更为准确,与人工判断吻合度更高,社群划分更为完善,为后续产业技术的整体测度提供了较为准确的划分基础。

4 结论与建议

为探究产业技术演化,本文以技术社群、知识元素、产业链三个维度构建指标体系测度新兴产业技术演化特征;以2009—2018年间新能源汽车产业发明专利数据为样本进行实证分析,研究结论如下:a.新能源汽车产业专利申请数量和分类号数量均呈现迅速增长态势,促使技术社群数量明显提升,关键技术研究进一步深入,产业技术实现突破性发展。b.技术社群不稳定性较强,存在明显的融合和分离特征,技术领域不断细分,产业链横向、纵向扩展,技术群规模差异较大,说明不同技术的发展具有较大的不均衡性,伴随着产业结构的不断升级优化,产业创新不断涌现。c.演化期内,动力系、蓄电池、整车控制器、电机、高性能材料、车辆温控系统、数据处理系统、车辆充电和驱动系统等知识元素出现频次较高且重要性较强,为产业核心技术;技术演化涉及六大路径,分别为车辆充电、蓄电池、整车控制器、动力系、电机、高性能材料。d.知识元素出现时间、创新频率、知识元素创新区间三者整体呈正向关系,越早出现的知识元素,创新效率越高,创新区间越广;前沿热点技术主要涉及F04B族、G06Q族、C08K族、H02K族。e.技术产业链重心由中游向上、下游过渡,产业链协同创新逐渐增多,且以中下游协同占据主流,产业结构不断升级。

结合研究结论,为促进新能源汽车产业的未来发展,提出以下建议:

就技术社群而言,依托产业发展实际,根据技术社群重要性对产业技术做出划分,提升产业基础创新能力,重点攻克关键性核心技术,强化整车集成技术创新,并通过政策引导资源分配,减少技术不稳定性的试错成本和时间损耗影响;根据技术成长路径回溯技术演进,预测技术未来发展潜能,制定产业发展规划。就知识元素而言,进一步细化技术创新方向,加大对技术突破所涉及知识元素的投入,加快技术迭代、产业升级,明晰有待突破的知识元素内涵和体系,为创新主体提供研发创新方向,使前沿创新得以广泛开展和快速提升。就产业链而言,围绕产业链布局,打造“创新闭环”促进产业链和创新链深度融合,推动产业链价值中高端发展,完善协同机制,降低协同成本。依据产业技术结构推动产业链技术互补,打造产业创新生态及产业创新集群,实现产业创新的合理布局。

本文围绕新兴产业技术演化进行了较为完整的测度分析,为剖析新兴产业技术发展、产业技术政策制定、技术热点研判提供了决策参考,研究将有助于推动新兴产业布局优化和产业可持续发展。在未来研究中,可选取其它典型新兴产业进一步验证本文的研究思路,同时深入揭示不同新兴产业所特有的技术演化特征。