数字化转型对新能源汽车产业链企业技术进步的影响

摘要：以数字化为代表的新一轮科技革命正在重塑全球产业技术创新生态，为新能源汽车产业链上企业技术进步和新质生产力的培育提供重要机会。采用专利信息和中国新能源汽车产业链相关A股上市公司数据，从专利的引用关系入手，使用PageRank和HITS算法，提出同时考察专利技术影响力和企业创新影响力的复合测度技术进步的方法，科学构建数字化转型和技术进步指标，从企业的集聚效应和知识溢出效应角度探讨数字化转型对技术进步的影响机制并进行实证检验。研究发现：企业数字化转型带动新能源汽车产业链技术进步提升，正向提升效应具有行业和企业异质性。机制检验发现，数字化转型通过企业集聚效应和知识溢出效应推动技术进步，进一步分析发现国家政策支持的促进效果显著。从完善数字基础设施、构建创新生态等角度为决策部门评价新能源汽车企业数字化转型效果及中国专利国内外布局提供可参考的政策建议。

关键词：数字化转型；技术进步；新能源汽车；新质生产力

中图分类号：F273.1；F426.471；G255.53 文献标识码：A文章编号：1007-2101（2024）05-0073-15

一、引言与文献综述

当今世界变乱交织，百年变局加速演进，在国际政治纷争和逆全球化冲击下，世界经济增长动能不足。新质生产力作为生产力发展的质变跃迁，是推动实现高质量发展的动力之源。习近平总书记指出：“新质生产力是创新起主导作用，摆脱传统经济增长方式、生产力发展路径，具有高科技、高效能、高质量特征，符合新发展理念的先进生产力质态”[1]。新能源汽车产业融合传统汽车产业和前沿核心技术，对技术创新要求高、数字技术依赖强。2023年，我国新能源汽车产销量占全球比重超过60%、连续9年位居世界第一位，新能源汽车出口120.3万辆、同比增长77.2%①，市场表现良好，为中国经济发展注入新动能。推动新能源汽车这一主导产业和支柱产业以科技创新助力技术革命性突破，实现技术进步，是新质生产力的重要推动力量。

数字化转型过程中，具有高创新性、强渗透性、广覆盖性等多维特征的数字技术促进企业提升获取外部资源和知识的效率，优化资源与要素的配置路径[2]，并通过信息追踪和数字平台增进企业自身资源与产业链网络中资源的汇集与联系[3-4]，提升经济个体间信息获取、传输和使用的便利性[5]，降低信息不对称和创新风险，突破关键技术卡点、断点问题；数字技术合作平台的搭建与完善促进企业间形成彼此信任、相互联系的稳定关系网络[6]，加速大数据产业集聚和数字人才集聚，催动数字知识溢出效应[7]，社会关系网络的协同性与信息交流高效性又促进了市场效率和集聚效应的有效发挥[8]，提升创新效率和成果产出效率，推动企业与专利正反馈网络的构建，实现技术进步。因此，在加快培育新质生产力的目标推动之下，探寻实现数字化转型机遇下新能源汽车产业链基于专利显性技术进步的路径与措施具有重要意义。

在具体的影响机制探讨方面，当前对企业数字化转型和技术进步研究的文献主要侧重于数字技术的低成本优势及提升创新能力方面[9-11]，并未关注技术进步提升角度。企业数字化转型强化企业间信息获取能力，增强链上企业的关联联系[12]，促进产业链上下游企业间通过投入产出关联和技术外溢等集聚机制形成集聚效应[13]，进而提高企业技术研发与成果转化效率。同时，知识溢出对突破性创新具有驱动作用[14-15]，体现为以学术论文、专利等知识网络为载体的公共知识溢出过程和以合作伙伴为载体的隐性知识溢出过程[16]。具有渗透性、跨时空性的数字技术重新界定企业的边界，使产业链中企业主动或被迫地获取与新技术相关的知识，在产业链高度碎片化的基础上建立知识与技术协同网络，带动产业链上企业的创新研发与技术突破。因此，集聚效应与知识溢出效应在技术进步过程中的机制作用值得探讨。

技术进步是不断完善和更迭旧技术、突破关键核心技术的过程，在此过程中，企业数字化转型聚焦要素与资源，紧密结合研发和生产环节，采用新技术、新工艺、新设备，打造专业技术与知识素养得以提升的人才队伍，最终实现科技创新效率和成果转化效率的提升。新质生产力是以科技创新为主导，以突破关键性、颠覆性技术为目标的生产力，是在互联网、人工智能、智能制造、现代交通、新能源等战略性新兴产业推动下形成的完善和更迭传统生产力的生产力，是科技创新、技术突破的重要体现。新能源等新兴产业实现技术进步的过程中会催生、孕育新形态的新质生产力，两者是相辅相成、相得益彰的关系。因此本文聚焦企业技术创新的关键产出——核心专利分析，结合使用PageRank算法和HITS算法，构建由新能源汽车产业链中企业间专利与专利的引用关系、专利与所属企业的引用关系组成的复合网络，由此衡量各企业的技术进步得分，也是新能源产业新质生产力的体现。

二、数据筛选与算法描述

（一）数据筛选

根据IPC专利分类号，笔者筛选与新能源汽车产业链相关联的专利②，从美国专利及商标局（USPTO）、欧洲专利局（EPO）、英国专利局（IPO）、日本专利特许厅（JPO）、韩国特许厅（KIPO）、中国国家知识产权局（CNIPA）网站下载专利信息，包括专利ID、专利名称、专利申请公布号、申请公布日、专利申请日、专利权人、引用专利名称、引用专利申请公布号、引用专利申请公布日等；然后，根据专利名称和被引专利名称筛选属于新能源汽车产业链的专利，再与我国A股主板、中小板、创业板和科创板上市公司数据进行匹配，得到2010—2021年新能源汽车产业链上市公司观测样本。并对样本做如下处理：剔除ST、*ST公司样本；剔除非上市的客户样本；剔除主要变量存在缺失的样本。最终样本包括9 833个公司—年度观测值。本文数据主要来源于USPTO、EPO、IPO、JPO、KIPO、CNIP六大专利数据库，CSMAR数据库、Wind数据库、中国统计年鉴和各省统计年鉴。缺失数据通过手工查阅相关企业年报进行补充。

（二）企业技术进步的测度

PageRank算法和HITS算法的结合使用可以展现企业对创新技术研发的资源倾向性，并科学地估计产业链中各企业技术溢出的传递效率，从而反映出从单一企业到整体产业链中企业的技术进步情况。具体衡量步骤如下。

第一，考虑专利之间的引用网络。PageRank得分向量由Brin和Page[17]首次引入，定义为沿网络链接的随机访问通过不断迭代、无论初始值如何，最终收敛于真实水平的过程。基于此，本文使用PageRank算法对专利引用网络进行分析，对每个专利的技术影响力进行测度。在专利引用网络中，专利间的引用关系分为被引专利和施引专利，专利间引用反映了彼此间的技术相关性以及认可度，某一专利的重要性与被引用次数、施引专利的重要性、发布时间相关。本文参考Mariani等[18]关于PageRank算法对发布较早的文献评分过高现象的调整，及Walker等[19]提出的CiteRank算法对旧节点权重进行处理以尽可能消除偏差的做法，对PageRank算法的时效性进行修正。在由N个节点组成的定向网络中，PageRank权威得分值{pi}可以作为下面一组递归线性方程的平稳解：

第二，考虑企业与其所开发专利之间的归属关系网络的测度。因为企业与所属专利间存在“正反馈”关系，符合HITS算法中权威点与枢纽点间相互加强的关系[24]，因此，本文基于HITS算法，对专利归属网络中的企业与专利进行匹对，获得企业层面的专利影响力数据。区别于传统HITS算法中只有网站节点的做法，基于企业与其所开发专利之间的归属关系网络的特殊性，本文进行以下说明：为了保证可以快速并正确地达到收敛值，使用上述PageRank算法计算的专利影响得分值Ascore为初始值，严格将网站节点划分为枢纽节点（企业）和权威节点（专利），并使用HITS算法迭代计算。

其中，通过迭代得到的Ascore值包含了PageRank算法及其改进的计算过程，也包含了对HITS算法基于企业与专利所属网络的应用过程，是专利间引用关系网络及专利与企业从属关系网络的体现，表现为企业的技术进步指标。

三、理论分析和研究假设

为厘清新质生产力培育下数字化转型对技术进步的影响机制，本部分参考Melitz[25]和闫强明等[26]的研究构建理论模型，探讨数字化转型对产业链中企业技术进步的影响效应及作用机制。

（一）需求

（二）生产

（三）技术进步

DPP体现为数字化转型通过数字化平台和数字贸易窗口发挥资源配置效应，强化企业间信息获取能力，降低企业吸收产业链上关联企业知识资源的成本，提升产业链中企业的创新研发效率和成果转化效率，突破关键核心卡脖子技术的研发，助力各企业专利引用网络的快速形成；DPF体现为数字化转型促进数字技术与企业生产研发流程的紧密结合，带来企业间知识资源的渗透和溢出，形成产业链上企业间彼此信任、相互联系的稳定关系网络，依托网络集聚效应和知识溢出效应发挥数字技术关联优势促进企业生产差异化产品，促进专利与企业的匹配网络的建立。根据以上分析提出假设1。

假设1：新质生产力培育下的企业数字化转型可以促进企业间专利引用网络的快速形成、专利与企业的匹配网络的建立，正向影响企业技术进步。

仅靠企业内部的努力很难实现整体产业链的技术进步，新质生产力的培育依赖于新能源汽车产业的科技创新体系。在创新过程中，外部技术的流入对提高企业的创新能力起着重要作用[27]，企业通过集聚网络实现有形和无形的合作，同时也形成良性竞争优势[28]。一方面通过企业集聚网络，研究人员将企业自身资源与网络中资源汇集在一起产生有效新知识、得到创新新启发，同时避免利用冗余知识，加速企业创新成果研发及转化，拓展生产新边界、催生生产新空间，夯实新质生产力的发展基础，形成自己的竞争优势；另一方面，一条产业链上涉及多个行业、多个层次，企业构建集聚网络自愿交换研究伙伴，共享和再开发知识、技术或服务，促成在不同层次上的创新研究，以追求双赢的研发目标。企业的数字化转型降低集聚网络构建的信息成本，为企业分担风险、资源节约、获得新能力提供更多机会，通过发挥集聚网络效应提升整体产业链的动态技术进步能力、新质生产力孕育能力和探索性优势。为刻画企业数字化转型带来的网络集聚效应，参考韩峰和姜竹青[12]的研究，本文构建了以下企业集聚网络指标（eanφt）：

数字化转型促使网络化、智能化的数字技术与实体经济融合，加速技术、信息、知识等资源的转移和扩散，形成打破时空界限的知识溢出效应，奠定新质生产力和技术进步的创新基础。一方面，企业的创新水平既取决于自身技术创造的内在能力，也取决于吸收外部知识的能力。申请专利是最好、最有效吸收溢出效应的方式，申请的专利越多，就越可能从外部知识溢出效应中获益[29]。企业数字化转型带来数字基础设施的完善、政策方案的鼓励，吸引相关产业链企业的落地和人才流入，不仅有助于产业链上企业从相似企业引进或学习先进技术，也促使企业从上下游不同行业企业中得到启发，改善企业内部、产业链上人员的知识结构，使企业能够更好地将新研发技术与企业原有技术体系融合，有助于构建企业间专利引用网络。另一方面，研发人员的流动在地理空间中的集聚是产生知识溢出的重要形式[30]。数字化转型推动产业链上企业间的人员流动，缩短不同企业以及企业内部员工之间的距离，降低信息交流成本，促进知识和技术的流动并产生知识溢出效应。通过企业间人际互动寻求和分享知识与技术，促进产业关联企业之间的合作，推动企业合作搭建和共享数字化平台，分散创新研发风险和成果转化成本，构建企业与创新专利之间的关系网络。

四、模型设定和变量说明

（一）研究模型

结合数字化转型影响新能源汽车产业链企业技术进步的文献及理论分析，为了考察企业数字化转型对技术进步的影响机制，本文构建如下计量模型：

（二）变量说明与描述性统计

1.变量说明

（1）被解释变量。由第二部分的模型测算得到企业技术进步（scoreit），其中，scoreit值越大，表明企业的专利引用关系网络越发达、企业所引用的专利越重要。

（2）核心解释变量。本文的解释变量为新能源汽车产业链相关企业数字化转型程度（dig）。参考赵宸宇等[31]采用的文本分析法，使用Python结合自然语言处理与文本特征分析，对上市企业年报进行关键词提取，从数字技术应用、互联网商业模式、智能制造、现代信息系统四个维度对99个数字化相关关键词进行统计整理，并使用这些关键词出现的频次度量企业数字化发展程度。考虑到年报文本长度的差异，在提取得到上市公司每年年报中各个关键词的出现频率后，本文采用企业数字化相关词汇频数总和除以年报的中英文文本总长度以衡量微观企业数字化程度；为了与其他变量保持数量级一致，本文将该指标乘以1 000，得到最终的数字化转型程度（dig）。

（3）机制变量的测算。本文主要检验企业集聚网络和知识溢出的影响机制的作用。上文第三部分已对企业集聚网络进行测度。对知识溢出的测度参考孙伟增和郭冬梅[32]的方法，计算各行业与数字行业的投入产出关系，用来反映其与数字行业之间的联系，并参考孙伟增[4]的研究，使用上市公司与数字化领域企业合作申请专利的数据来衡量数字知识溢出效应。

（4）控制变量。为控制其他可能影响产业链技术进步的因素，参考杨金玉等[33]对数字化转型影响供应链决策和李云鹤等[34]对数字化转型在供应链中扩散作用的研究，本文围绕企业财务指标与企业性质选取了7个控制变量：企业规模（size），为企业就业人数的对数；总资产净利润率（roa），以企业利润在总资产中的比重表示；股权集中度（top5），以企业前五大股东持股比例来表示；资产结构（as），用固定资产净额和存货净额之和与总资产的比值来衡量；流动比率（cr），为流动资产与流动负债的比率；营业成本率（oc），为营业成本与营业收入的比率；财务杠杆率（fl），为负债总额与资产总额的比率。

2.描述性统计

五、实证结果及分析

（一）基准回归结果

基于公式（18），表2汇报了新能源汽车产业链中企业数字化转型与技术进步关系的回归结果，结果显示企业数字化转型（dig）与技术进步（score）有显著的正相关关系。第（2）（4）列引入了控制变量，第（3）（4）列在其他列的基础上控制了企业固定效应、省份固定效应，结果显示企业数字化转型程度（dig）与产业链中企业技术进步（score）有显著的正相关关系，dig每增加1%，产业链中企业技术进步提升0.238 0%。表2的固定效应模型回归结果初步验证了假设1，即数字化转型促进了企业技术进步的提升。可能的原因是，数字技术依托其渗透性、协同性和外部性优势，发挥资源配置效应，提升获取外部资源和信息的效率，促进企业间形成更为稳定的社会关系网络，企业通过搭建数字技术合作平台以发挥企业间的协同合作，加速大数据产业集聚和数字人才集聚，促使企业间专利引用关系网络、企业与专利正反馈网络的构建，加速推动新质生产力的形成，带来技术进步。

（二）稳健性检验

为增强企业数字化转型对新能源汽车产业链企业技术进步正向影响的基准回归结果的可信性，本文从变量重估、样本选择、负二项回归和控制城市的时间趋势差异等角度进行稳健性检验。

第一，变量重估。分别对企业数字化转型、技术进步指标度量的稳健性进行检验。对于企业数字化转型度量的稳健性，参考吴非等[35]的做法，对数字化转型水平变量进行重新评估，对上市公司年报中包括人工智能技术、云计算技术、大数据技术、数字技术、区块链技术的五个维度76个数字化相关词频进行重新统计，以检验实证结论的稳健性，回归结果见表3列（1）。对于技术进步指标度量的稳健性，采用以下两种方法：一是使用样本企业各年度的专利申请数；二是参考Walker等[19]的研究，PageRank的性能行为在τ=1时也比较优秀，因此使用参数：α=0.5和τ=1年，重新测度专利引用得分并作为技术进步指标。回归结果见表3列（2）—（3）。

第二，样本选择。一是截尾样本选择。表2是基于上市公司全样本的回归结果，为了解决可能存在极端值导致估计结果存在偏误的问题，对样本进行截尾处理：剔除技术进步指标最大的前1%和最小的前1%，结果见表3列（4）。二是拓展样本选择。2016年10月8日，国家发展改革委、工业和信息化部、中央网信办发函同意在京津冀等七个区域推进国家大数据综合试验区建设③。依托国家战略政策，大数据试验区更加注重数据要素流通、基础设施完善和公共服务健全，资源整合效率更高，数字化转型表现可能更好。因此，选择2016—2021年的样本进行回归，结果见表3列（5）。

第三，使用固定效应负二项回归。本文被解释变量是关键词出现次数，也可以使用计数模型来进行估计。本文使用固定效应负二项回归模型进行回归，结果见表3列（6）。

第四，考虑到各个城市随着时间变化的一些因素也可能对企业数字化水平产生影响，本文加入城市固定效应与时间趋势的交乘项以控制各个城市的时间趋势差异，结果见表3列（7）。

通过以上稳健性检验，回归结果与表2所显示结果基本一致，表明本文的变量选择、样本选择较为稳健，可以认为新能源汽车产业链中企业数字化转型至少在10%水平下显著提升了技术进步，有效地验证了假设1。

（三）内生性问题处理

本文采用以下四种方式缓解潜在的内生性问题：第一，反向因果问题可能引起模型的内生性问题，即较强技术进步可能会反过来推动企业数字化转型发展。为了解决这一问题，借鉴陈爱贞等[36]的做法，对核心解释变量和控制变量进行滞后一期处理，结果见表4列（1）。第二，GMM模型可以在一定程度上减少模型的内生性，表4列（2）的回归结果显示，文章运用差分GMM广义矩估计所得变量符号及显著性符合假设要求。第三，使用工具变量的两阶段最小二乘法（2SLS）。一是参考李治国和王杰[37]的研究，选择各省域1984年邮局数和固定电话数作为数字化转型的工具变量，并借鉴黄群慧等[38]的思路，创建1984年各省市固定电话数、邮局数乘以各省互联网端口数分别为本文的工具变量iv1和iv2，将微观上市公司数据以省市聚类，回归结果见表4列（3）—（6）。二是参考韩峰等[12]的研究，建立各城市海拔乘以全国层面企业数字化转型均值产生的交互项作为工具变量iv3进行内生性检验，回归结果见表4列（7）—（8）。Cragg-Donald Wald F统计量和Kleibergen-Paap rk Wald F统计量表明工具变量与潜在内生变量具有相关性，且拒绝了识别不足的原假设，工具变量选取合理。第一阶段的回归结果验证了工具变量的相关性，第二阶段所得结果与基准回归结果基本一致。在解决部分内生性问题后，各回归结果同样验证了文章假设，即企业数字化转型对企业技术进步有提升作用，再次验证假设1。

（四）异质性分析

企业数字化转型在新能源汽车产业链技术进步层面的影响效应可能会受到行业特征、企业特征等方面的影响，下文分别展开讨论。

1.区分行业特征

（1）不同行业的影响。不同行业的数字化转型进程、技术创新水平及企业间协同发展状况存在差异，新质生产力的培育状态也有所差异。因此筛选出新能源汽车产业链中558条④、行业代码为I的579条及行业代码为C的7 831条年份—企业数据分别为生产性服务业、信息技术业和制造业分组样本，回归结果见表5的行业分类部分，结果发现：生产性服务业的企业数字化转型对其技术进步的影响不显著但为正向，信息技术业的企业数字化转型对技术进步的提升作用最显著。这可能是因为，生产性服务业深度融合制造业和服务业，一般处于产业链中高端核心环节，数字技术发展早、水平高，早已渗透入企业研发创新环节；而信息制造业对数字化转型要求高，从产品设计到用户需求信息共享都依赖于数字化的整合资源、协同企业关系等能力，因此数字化转型对企业技术进步的促进作用尤为显著。

（2）不同行业要素密集度的影响。不同行业由于要素配置、产业链模式等有所不同，其创新研发和成果转化的模式及对数字技术的敏感度也存在较大差异。例如，机械、电子电池等以机器设备和生产技术作为核心生产力的行业，对于数字化转型特别是高层次数字技术应用的需求更为敏感；而纺织、家具、零部件制造等以劳动要素投入为主的行业，对于数字化发展带来的影响效应不够敏感。因此，根据中国证券监督管理委员会公布的《2019年4季度上市公司行业分类结果》，将样本企业分为劳动密集型、技术密集型⑤和资本密集型⑥三组，回归结果见表5的行业要素密集度部分。可以看出，数字化转型对技术密集型和资本密集型行业的技术进步都具有显著的促进作用，但对劳动密集型行业的影响较小且在统计上不显著。这可能是因为，资本和技术密集型行业由于技术水平较高，专利研发和引用关系更活跃，受数字技术的网络集聚效益和知识溢出效应影响更大，而劳动密集型行业本身的研发需求低，数字化转型程度与技术进步关联性差。

2.区分企业特征

考虑到企业数字化转型会受到企业规模大小的影响[39]，本文参考孙伟增等[4]的研究，使用资产规模作为企业规模的度量指标，并根据中位数将企业划分为规模较大的企业和规模较小的企业两组。从表6企业规模部分的结果看，数字化转型更有利于促进小规模企业的技术进步，对大规模企业的技术进步影响不显著。这可能是因为，较大规模企业在研发投入、人才和技术储备方面拥有一定的优势，具备独立自主提升数字化程度、打造一体化数字平台的能力，因此，其研发和创新受数字化转型发展影响相对较小；而规模较小企业的资源有限，其创新成果的研发与转化更需要企业数字化转型带来的网络集聚效益和知识溢出效应。

专利中凝结着高价值的创新要素和知识产出，吸收能力不同的企业对蕴含在专利中的新知识和新技术吸收、掌握、转化和应用的能力会有所差异。借鉴赵丽和胡植尧[40]的研究，本文用研发支出与营业收入的比重来衡量企业吸收能力，并依据中位数将样本划分为两组。从表6企业吸收能力部分来看，高吸收能力企业的数字化转型对技术进步影响更为显著。这可能是因为，较强的吸收能力有助于企业学习新的知识和技术，并加速与现有知识、技术的同化与整合，最大限度地利用数字知识与技术开发新产品、申请新专利，更有利于形成企业间稳定的关系网络，提高企业创新效率和成果产出效率。

六、数字化转型影响产业链企业技术进步的机制检验根据前文理论分析可知，网络集聚和知识溢出在数字化转型调节企业技术进步过程中发挥机制作用，因此本部分进一步通过实证检验企业数字化转型促进新能源汽车产业链中企业技术进步的影响机制。

（一）网络集聚效应

结合文章第三部分的理论分析及测算步骤，在文章的基准回归模型中加入新能源汽车产业链中企业数据测算的集聚网络变量及数字化转型与集聚网络交互项进行回归，回归结果见表7。列（3）—（4）相比其他列加入了控制变量，结果表明企业集聚网络及交互项的系数均显著为正，说明数字化转型通过形成企业间集聚网络促进企业实现有形和无形的合作，汇聚资源产生新知识，加速企业创新成果研发及转化，促成产业链上涉及多个行业、多个层次上的创新协同研究，发挥集聚网络效应促进专利间引用网络的建立。以上结论验证了文章的假设2。

（二）知识溢出效应

使用投入产出表计算产业链中各行业与数字行业的投入产出关系，可以反映数字知识的溢出联系[32]。本文基于2012年全国投入产出表，利用新能源汽车产业链中的企业数据与行业代码进行匹配并构造交互项来反映数字化知识溢出的影响。其中，数字行业来自行业i的投入品比例为投入关系（input），运用于行业i的产品比例为产出关系（output），回归结果见表8第（1）—（2）列，两个交互项的系数均显著为正。进一步，企业间的合作增加是知识溢出的具体表现之一[41]。因此，本文使用上市公司与数字化领域企业合作申请专利的数据来检验数字化转型带来的知识溢出效应。从中国知识产权局中筛选出前文所述的新能源汽车产业链的企业，参考孙伟增等[4]的做法，根据新能源汽车产业链上企业的专利ID、专利名称、专利权人相关信息，将包含有相关关键词⑦的企业定义为数字化领域企业。构建是否与数字化领域企业合作（if）、合作申请专利数量（co）、合作申请专利占总专利的比例（sc）三个指标，并构造交互项，来反映产业链上企业受到知识溢出效应的影响情况，回归结果见表8第（3）—（5）列，三个交互项的系数均显著为正。以上分析证实了文章的假设3，即数字化转型通过数字知识溢出效应显著促进了各企业的技术进步，助力了专利网络的建立。

（三）进一步分析

在大数据试验区政策支持下，数字化补贴范围和补贴力度得以增加，改善了数字化基础设施建设，数字化企业和人才得以更好地集聚。为了进一步检验数字化转型对企业技术进步的影响，选择推进国家大数据综合试验区的各城市作为实验组，未推进的城市为对照组，使用双重差分法检验数字化转型的影响。参考王小龙和许敬轩[42]、徐舒等[43]关于政策实施与否对研究对象影响的研究，使用双重差分法对模型进行估计[44]，构建DID双向固定效应模型如下：

为了验证双重差分模型的合理性，下面进行稳健性检验。第一，进行平行趋势检验。本文所使用双重差分识别策略的前提假设是，在没有国家大数据综合试验区推行的情况下，入选城市与没有入选城市在技术进步方面有相同的变化趋势，回归结果见表11列（1）。第二，该政策的评选标准是国家选定、由城市的整体特征决定，并不受其中某个城市或某个企业的影响。本文加入了可以影响城市能否入选的指标，来检验是否因为一些无法观测的因素影响了城市入选。因此，在模型中进一步控制了网络和移动通信的普及率，参考王天尧等[44]的研究，用城市在2013年的互联网宽带用户数来衡量网络的普及率，并在回归中加入其与时间趋势的交互项，结果如表11列（2）。第三，为了检验控制组和政策影响组的分组是随机的，使用前文的工具变量来替代政策变量，解决因为分组非随机导致的内生性问题，检验结果如表11列（3）。由以上稳健性检验得知，本文的双重差分模型回归是稳健的，假设1得到证实的事实是合理的。

七、结论与政策建议

在加快培育新质生产力目标下，本文把数字化转型、技术进步纳入到统一理论分析框架下，综合分析了数字化转型在提升企业技术进步中的集聚效应和知识溢出效应，并使用专利数据和中国新能源汽车产业链相关企业数据，构造了微观层面企业数字化转型、技术进步、机制变量测度指标，进一步实证检验了数字化转型对技术进步的影响关系及其中的作用机制。研究表明：新能源汽车产业链中企业的数字化转型可以促进其技术进步，且因行业、企业特征等方面的影响作用效果不同，尤其在信息技术业和制造业行业、技术密集型和资本密集型行业、小规模企业、高吸收能力企业，企业数字化转型对技术进步的提升作用更大；基准回归检验证实了文章理论分析，数字化转型显著正向促进新能源汽车产业链中企业的技术进步，稳健性检验证实了基准回归的可信性，内生性处理保证了参数估计的一致性；构建交互项证实企业集聚网络和知识溢出的机制影响作用，且双重差分结果显示得到国家政策支持地区的企业数字化转型对技术进步有显著提升作用。

基于本文研究结论，提出以下政策建议：

第一，推进数字化发展战略，加快数字技术在企业生产、经营等活动中的融合和渗透，从而提升企业研发创新能力和成果转化效率；完善数字基础设施建设，打造有利于数字技术和知识溢出、企业间集聚网络融合发展的外部环境，形成企业自身竞争优势的同时，借助数字化平台加快产业链上企业新技术产品投入上下游生产各环节，形成数字化转型进程下面向世界的新能源汽车产业链高技术集群。

第二，强化新质生产力功能取向，以新能源汽车等战略性新兴产业为主要载体，扭住自主创新这个“牛鼻子”，推动技术迭代升级。提高政府与市场创新协同能力，充分发挥产业链上企业的主力军作用，以相关政策为打造创新生态系统、优化科技创新体制机制注入新的活力。聚焦新能源汽车的绿色低碳技术及关键核心技术，以政府税收政策、人才政策为基础，构建新能源汽车的绿色产业链、突破堵点卡点的技术体系，培育体现绿色发展理念、以创新为动力的新质生产力。

第三，强化国内具有领跑地位的比亚迪、广汽、长安、长城等新能源汽车产业链企业的技术领先地位，以政府及行业协会提供的相关政策支持与公共服务，辐射带动整条产业链上企业间技术创新的正反馈良性循环。重视电动汽车、充电桩、电池的更新研发及电机、零部件的创新换代，加大研发投入促进技术成果转换，有针对性地开拓国内城市、农村市场，更深入、广阔地开拓国外市场，形成国内新能源汽车的品牌效应，提升各大经济体对华市场的依存度，稳固我国新能源汽车在全球贸易中的竞争优势。

第四，立足不同企业和行业数字化发展特征和差异化需求，制定有针对性的方针政策策略，稳步推进新能源汽车产业链上各行业企业的技术进步。信息技术业和制造业、资本和技术密集型企业、规模较小企业以及高吸收能力企业的促进作用更明显，可加强对新能源汽车产业链关键行业技术研发的优化布局，提升制造业与服务业的融合度并形成企业间协同创新研发团队，促进技术及资本密集型企业与产业链中主体企业间知识、技术等创新资源的共享，形成产业链企业技术进步新优势。

注释：

①数据来源于国家发展改革委在国新办新闻发布会上发布的数据，《国新办举行解读宏观经济形势和政策新闻发布会》，http：//www.scio.gov.cn/live/2024/33213/tw/。

②新能源汽车产业链相关的IPC专利分类号包括：B01J2/22；B05D3/00；B07B7/00；B23K37/04；B29C45/14；B60；B62D21；C08J9/22；C10L5/40；C23G；H01M10/00；H02J；H04W72；H05K7/20；G01R31/00；G05B13/00；G08B13/02；E05D5/00；E21B36/00；F01K21/04；F03D9/11；F04B49/00；F16K15/20；F21V21/00；F24F5/00；F25B29/00等。

③选择此次批复的京津冀、珠江三角洲、上海市、河南省、重庆市、沈阳市、内蒙古七个区域和首个国家级大数据综合试验区贵州为国家大数据综合试验区。

④根据国家统计局印发的《生产性服务业统计分类（2019）》，筛选出新能源汽车产业链中所涉及的生产性服务业行业代码为B11、G54、G59、F51、L71、L72、M73、M74。

⑤技术密集型样本包含C29（橡胶和塑料制品业）、C33（金属制品业）、C35（专用设备制造业）、C36（汽车制造业）、C39（计算机、通信和其他电子设备制造业）、C38（电气机械及器材制造业）、I65（软件和信息技术服务业）、M74（专业技术服务业）等共6 584条企业—年份数据。

⑥资产密集型样本包含B11（开采辅助活动）、C26（化学原料及化学制品制造业）、C28（化学纤维制造业）、C30（非金属矿物制品业）、C31（黑色金属冶炼及压延加工业）、D44（电力、热力生产和供应业）、D45（燃气生产和供应业）、R86（广播、电视、电影和影视录音制作业）共1 324条企业—年份数据。

⑦本文以企业名称中包含软件、信息、互联网、电信、广播、电视、卫星、网络、机器人、电子、数字化、数据、数字经济、云计算、人工智能、通讯、区块链等关键词的企业为数字化领域企业。

参考文献：

[1]习近平在中共中央政治局第十一次集体学习时强调 加快发展新质生产力 扎实推进高质量发展[N].人民日报，2024-02-02.

[2]国务院发展研究中心市场经济研究所课题组.新一轮技术革命与中国城市化2020～2050——影响、前景与战略[J].管理世界，2022（11）：12-28.

[3]GOLDFARB A，TUCKER C.Digital economics[J].Journal of Economic Literature，2019，57（1）：3-43.

[4]孙伟增，毛宁，兰峰，等.政策赋能、数字生态与企业数字化转型——基于国家大数据综合试验区的准自然实验[J].中国工业经济，2023（9）：117-135.

[5]FORMAN C，VAN ZEEBROECK N.Digital technology adoption and knowledge flows within firms：can the internet overcome geographic and technological distance？[J].Research Policy，2019，48（8）：103697.

[6]ECONOMIDES N，JEZIORSKI P.Mobile money in Tanzania[J].Marketing Science，2017，36（6）：815-837.

[7]江小涓，靳景.数字技术提升经济效率：服务分工、产业协同和数实孪生[J].管理世界，2022（12）：9-26.

[8]CAPELLO R.Regional economics[M].London： Routledge，2015： 378.

[9]LI J，XIA J，ZAJAC E Jl9xjzyMeVVC8w6U+vy93pEQjdmXYkwpBs6WLtve3X5A=.On the duality of political and economic stakeholder influence on firm innovation performance： theory and evidence from chinese firms[J].Strategic Management Journal，2018，39（1）：193-216.

[10]范合君，吴婷，何思锦.企业数字化的产业链联动效应研究[J].中国工业经济，2023（3）：115-132.

[11]吴小龙，肖静华，吴记.当创意遇到智能：人与AI协同的产品创新案例研究[J].管理世界，2023（5）：112-126+144+127.

[12]韩峰，姜竹青.集聚网络视角下企业数字化的生产率提升效应研究[J].管理世界，2023EIHbyZA+S4pH8+BnZ1bIAwb6R7E4MwdGoTl2JE2XBVw=（11）：54-77.

[13]ROSENTHAL S S，STRANGE W C.How close is close？ the spatial reach of agglomeration economies[J].Journal of Economic Perspectives，2020，34（3）：27-49.

[14]WU J，HARRIGAN K R，ANG S H，et al.The impact of imitation strategy and R&D resources on incremental and radical innovation： evidence from Chinese manufacturing firms[J]．Journal of Technology Transfer，2019，44（1）：210-230．

[15]BYUN S K，JONG-MIN O，XIA H． Incremental vs．breakthrough innovation：the role of technology spillovers[J]．Management Science，2020，67（3）：1779-1802.

[16]XIANG X Y，CAI H，LAM S，et al.International knowledge spillover through co-inventors： an empirical study using chinese assignees' patent data[J]．Technological Forecasting and Social Change，2013，80 （1）： 161-174.

[17]BRIN S，PAGE L.The Anatomy of a large-scale hypersexual web search engine[J].Computer Networks and ISDN Systems，1998，30（1-7）：107-117.

[18]MARIANI M，MEDO M，ZHANG Y.Identification of milestone papers through time-balanced network centrality[J].Journal of Informetrics，2016，10（4）：1207-1223.

[19]WALKER D，XIE H，YAN K-K，et al.Ranking scientific publications using a model of network traffic[J].Journal of Statistical Mechanics： Theory and Experiment，2007（6）：1-11.

[20]WALTMAN L.A review of the literature on citation impact indicators[J].Journal of Informetrics，2016，10（2）：365-391.

[21]CHEN P，XIE H，MASLOV S，et al.Finding scientific gems with Google's PageRank algorithm[J].Journal of Informetries，2007，1（1）：8-15.

[22]BERKHIN P.A survey on PageRank computing[J].Internet Mathematics，2005，2（1）：73-120.

[23]MASLOV S，REDNER S.Promise and pitfalls of extending Google's PageRank algorithm to citation networks[J].The Journal of Neuroscience，2008，28（44）：11103-11105.

[24]安同良，姜舸，王大中.中国高技术制造业技术测度与赶超路径——以锂电池行业为例[J].经济研究，2023（1）：192-208.

[25]MELITZ M J.The impact of trade on intra-industry reallocations and aggregate industry productivity[J].Econometrica，2003，71（6）：1695-1725.

[26]闫强明，李宁静.后发大国技术赶超如何影响经济增长——基于全球价值链的视角[J].上海对外经贸大学学报，2023（3）：19-35.

[27]YAN，ZHANG J J，GUAN J C.The dynamics of technological partners： a social network perspective[J].Technology Analysis & Strategic Management，2018，30（4）：405-420.

[28]DRAULANS J，VOLBERDA H W.Building alliance capability： management techniques for superior alliance performance[J].Long Range Planning，2003，36（2）：151-166.

[29]HUSSLER C． Culture and knowledge spillovers in europe： new perspectives for innovation and convergence policies？[J].Economics of Innovation and New Technology，2004，13（6）：523-541．

[30]GLAESSER E L，KALLAL H D，SCHEINKMAN J A，et al.Growth in cities[J].Journal of Political Economy，1992，100（6）：1126-1152.

[31]赵宸宇，王文春，李雪松.数字化转型如何影响企业全要素生产率[J].财贸经济，2021（7）：114-129.

[32]孙伟增，郭冬梅.信息基础设施建设对企业劳动力需求的影响：需求规模、结构变化及影响路径[J].中国工业经济，2021（11）：78-96.

[33]杨金玉，彭秋萍，葛震霆.数字化转型的客户传染效应——供应商创新视角[J].中国工业经济，2022（8）：156-174.

[34]李云鹤，蓝齐芳，吴文锋.客户公司数字化转型的供应链扩散机制研究[J].中国工业经济，2022（12）：146-165.

[35]吴非，胡慧芷，林慧妍，等.企业数字化转型与资本市场表现——来自股票流动性的经验证据[J].管理世界，2021（7）：130-144+10.

[36]陈爱贞，陈凤兰，何诚颖.产业链关联与企业创新[J].中国工业经济，2021（9）：80-98.

[37]李治国，王杰.数字化转型、数据要素配置与制造业生产率提升[J].经济学家，2021（10）：41-50.

[38]黄群慧，余泳泽，张松林.互联网发展与制造业生产率提升：内在机制与中国经验[J].中国工业经济，2019（8）：5-23.

[39]BRAUNERHJELM P，YLINENPA H，JOHANSSON J，et al.Barriers to information and communication technology adoption in small firms[R].Swedish Entrepreneurship Forum Working Paper，2013.

[40]赵丽，胡植尧.数据要素、动态能力与企业全要素生产率——破解“数据生产率悖论”之谜[J].经济管理，2024（7）：55-72.

[41]李宇，陆艳红，周晓雪.产业集群中的企业家导向、有意识的知识溢出与集群企业知识资本[J].中国软科学，2017（12）：178-186.

[42]王小龙，许敬轩.财政“省直管县”能够约束基层公职人员在职消费吗[J].财贸经济，2017（6）：17-32.

[43]徐舒，张冰，王慧.社保降费如何惠企利民：分担机制与缴费归宿[J].世界经济，2023（7）：191-218.

[44]王天尧，杨晓维.宽带、远程服务与企业分工[J].财经研究，2023（8）：109-123.

责任编辑：韩曾丽The Influence of Digital Transformation on the Enterprise Technological

Progress of New Energy Vehicle Industry Chain

——Taking the "Second

Zhang Bing， Song Chaofan

（School of Economics， Nankai University，Tianjin 300071， China）

Abstract：The new wave of scientific and technological revolution， characterized by digitalization， is reshaping the global industrial technology innovation ecosystem， offering significant opportunities for enterprise technological advancement and the development of new quality productive forces within the new energy vehicle industry chain. By utilizing patent information and data from A-share listed companies associated with China's new energy vehicle industry chain， this study delves into the reference relationships among patents. It employs the PageRank and HITS algorithms to propose a composite measurement method for assessing technological progress， which considers both the influence of patent technology and enterprise innovation. This method scientifically constructs indicators for digital transformation and technological progress. The paper explores the impact of digital transformation on technological progress through the lenses of agglomeration effects and knowledge spillover effects. The findings reveal that enterprise digital transformation propels technological progress in the new energy vehicle industry chain， with a positive enhancement effect that varies across industries and companies. The mechanism test indicates that digital transformation enhances technological progress through enterprise agglomeration effects and knowledge spillover effects， with national policy support playing a crucial role. By focusing on enhancing digital infrastructure and fostering innovation ecosystems， this paper provides policy recommendations for decision-makers to evaluate the impact of digital transformation on new energy vehicle enterprises and the positioning of Chinese patents both domestically and internationally.

Key words：digital transformation; technological progress; new energy vehicles；new quality productive forces