新能源汽车产业协同创新演化研究

摘 要：作为技术密集型新兴产业，新能源汽车核心技术研发需要企业、高校和研究院所通力合作，进而形成结构复杂的协同创新网络。现有研究对新能源汽车产业各创新主体形成协同创新网络的关注较少，且缺乏对长期动态协同创新行为的系统化讨论。利用指数随机图模型（Exponential Random Graph Model， ERGM）分析2017—2021年中国新能源汽车合作专利协同创新网络，探索影响新能源汽车产业协同创新网络动态演化的主要因素，以及不同创新主体类型（企业、高校和研究院所）对协同创新关系演化的影响。研究发现：①在新能源汽车产业协同创新网络中，不同类型创新主体更易形成合作关系；②创新能力较强的创新主体更有可能与其他主体形成新合作关系，且企业更愿意与自身创新能力差距不大的其他主体合作；③协同创新网络星型结构明显，且表现出明显扩张态势；④针对不同类型创新主体的异质性分析结果表明，相比于企业，高校和研究院所更有可能与其他创新主体形成新合作关系。研究结论对于持续推进我国新能源汽车产业技术创新、构建新一代汽车技术体系、助力能源系统转型以及实现碳达峰和碳中和目标具有重要意义。

关键词：新能源汽车产业；协同创新网络；指数随机图模型；技术创新

DOI：10.6049/kjjbydc.2023090320

中图分类号：F426.471

文献标识码：A

文章编号：1001-7348（2025）02-0063-10

0 引言

随着新一轮科技革命和产业变革加速演进，科学和技术创新空前密集活跃，并驱动工业制造、信息技术、生命科学等多个产业全面重构。科技创新是提高社会生产力和综合国力的战略支撑，要坚持走中国特色自主创新道路，实施创新驱动发展战略。作为中国七大战略性新兴产业之一的新能源汽车产业，其技术创新受到政府高度重视[1]。2020年，国务院办公厅印发了《新能源汽车产业发展规划（2021-2035年）》，将新能源汽车产业列为战略性新兴产业，并把提高技术创新能力作为新能源汽车产业主要战略任务之一。

新能源汽车属于技术密集型产业，其持续发展需要强有力的技术创新作为支撑。新能源汽车作为一个融合新能源技术、大数据和人工智能等多项革命性技术的新兴产业，已成为汽车产业转型的主要方向，是助力能源系统转型的重要支撑[2]。然而，我国新能源汽车产业在飞速发展的同时也面临一系列技术挑战，如部分底层技术不完善、前沿技术成果较少、关键核心技术存在短板等问题。新能源汽车核心零部件如动力电池、驱动电池和电控系统存在产品可靠性低、技术创新难度大、更新速度慢等问题[3]，这些问题将进一步制约新能源汽车推广与应用。只有突破新能源汽车技术瓶颈问题，才能进一步打开新能源汽车市场，推动新能源汽车市场稳步发展。

然而，新能源汽车产业技术创新面临重重挑战。从技术视角看，新能源技术、新一代信息技术、智能制造技术和新材料技术不断与汽车产业融合，推动新能源汽车向轻量化、智能化和低碳化方向发展，新能源汽车产业技术创新稳步发展需要突破多方合作困境和多技术融合难题。从管理视角看，新能源汽车技术创新通常投入多、风险高、难度大，企业需要从外部创新资源中寻求匹配的合作者，最大限度发挥各方主动性和创造性，共同实现技术创新目标。中共二十大报告指出要“加快实施创新驱动发展战略，加强企业主导的产学研深度融合，强化目标导向，提高科技成果转化和产业化水平”。跨组织协同创新网络为新能源汽车产业技术创新带来新机遇，并逐步成为助力新能源汽车产业发展的有效模式。在科学技术迅猛发展的时代，具有高度复杂性和多样化特点的技术创新不再局限于企业内部行为，跨组织间协同创新更有利于提升创新效率，促进技术共享。

协同创新是指以知识增值为目标，以企业、高校和研究院所为核心要素，促进知识创造主体和技术创新主体深入合作（解学梅等，2015），通过整合互补性资源进行产业技术创新[4]。新能源汽车产业协同主体包括企业、高校和研究院所等，在知识创新合作过程中形成复杂性和融合性合作网络关系。虽然新能源汽车产业跨组织协同创新网络发展多年，但行业特殊性使其协同创新发展之路充满挑战，协同创新发展理论是否适用于新能源汽车产业值得探索。鲜有研究探讨新能源汽车产业各创新主体（企业、高校和研究院所等）在协同创新网络中的长期协同创新行为。因此，本文以中国新能源汽车行业协同创新网络为研究对象，从创新主体自身属性和网络结构内生效应两个方面探究影响协同创新网络动态演化的关键因素，以及不同类型创新主体间的协同创新行为。

本文主要贡献在于：①从动态网络视角探究新能源汽车产业协同创新网络形成、发展和演化进程，鉴于新能源汽车产业处于高速发展期，创新主体间合作处于动态变化之中，因此从动态视角更能刻画协同创新演化过程；②探究影响新能源汽车产业协同创新的两个关键因素，即创新主体类型和网络结构属性，新能源汽车作为技术密集型产业，不同类型创新主体间的协同创新行为与传统产业存在较大差异，但鲜有研究对协同创新网络进行深入探讨；③在对协同创新网络进行动态分析的基础上，进一步从产学研视角探究高校、企业和研究院所对协同创新网络产生的异质性影响，对于新能源汽车领域产学研用深度融合、持续推进我国新能源汽车产业技术创新、构建新一代汽车技术体系、助力能源系统转型以及实现碳达峰和碳中和目标具有重要意义。

1 文献回顾与问题提出

近年来，我国新能源汽车产业发展迅猛，针对新能源汽车市场的研究方兴未艾。现有研究较多关注政府政策效果和优化[5-6]、技术采纳与扩散[2，7]、公共基础设施建设[8-9]等。作为能源结构转型的重要组成部分，以新能源汽车产业为代表的技术密集型战略性新兴产业发展充满不确定性，现有文献缺乏从动态网络视角对新能源汽车产业协同创新的系统性研究。本文从协同创新影响因素、协同创新产学研合作两个方面展开研究。

1.1 协同创新影响因素

1.1.1 创新主体属性

随着知识经济时代的到来，资源分配的分散性使得单一组织很难获取创新所需全部资源，技术创新也从单一企业的单打独斗模式演化为组织之间的协同合作模式[10]。为突破企业小范围单层次合作创新在资源、技术上的局限性，协同创新作为一种系统化创新范式应运而生（刘丹等，2013），其对于提高企业创新绩效和区域竞争力具有重要作用。相应地，技术创新发展模式也经历了一系列变化，从最初的技术推动、需求拉动等单一直线型模式逐步演变为系统化、网络化协同创新模式[11]。在日益开放的创新环境下，影响协同创新成功与否的关键性因素也在不断改变。研究表明，协同创新环境（网络中各节点之间的合作与竞争关系[12]、创新主体创新能力[13]）、协同创新主体间沟通（主体间信任程度、输出意愿、沟通网络和沟通环境等[14]）对协同创新效果具有重要影响。因此，协同创新主体属性对于推动协同创新发展至关重要。

1.1.2 协同创新网络特征

随着创新主体间合作关系的发展演化，创新逐渐由“点对点”模式向网络化模式发展。其中，创新网络是应对系统性创新的一种基本制度安排，网络的出现是为响应组织对知识的需求[15]。作为一种基于网络的合作创新，协同创新网络具有复杂性、中心性、动态性、自增益性、完全开放性特征，通过系统成员间的紧密合作推动创新生态系统技术创新和扩散（刘丹等，2013）。协同创新网络受网络结构内生效应和创新主体自身属性的影响，因此部分研究从网络视角讨论协同创新关系发展。Opsahl等[16] 研究发现合作网络形成存在一定偏好，能力强、社会声誉好的节点更有利于与其它节点产生链接；Guan等[17]的研究表明，企业跨国创新网络集成度对城市创新网络与创新绩效起正向调节作用；何喜军等[18]基于指数随机图模型对科技主体之间的专利技术交易关系进行分析发现，集团公司与子公司之间的交易关系比较紧密，且行业内科研单位处于交易网络聚集中心；王海花等[19]发现长三角城市群协同创新网络具有传递性，其中组织邻近性和知识邻近性对于协同网络形成具有积极影响；阮平南等（2018）采用指数随机图模型对OLED技术创新网络进行分析发现，地理邻近性对协同创新网络发展不太重要，而制度和组织邻近性则发挥持续促进作用，且社会和技术邻近性所占比重逐渐增加。因此，为保证研究的全面性和严谨性，本文关注点不应仅局限于创新主体本身，协同创新网络属性同样值得关注。

1.1.3 新能源汽车产业协同创新

部分文献对新能源汽车领域技术创新进行积极讨论。刘颖琦[1]对我国新能源汽车产业联盟中企业和大学关系进行分析发现，企业—大学合作未达到理想状态，技术创新尚未取得显著成效；刘雅琴和余谦[20]对2000—2017年中国新能源汽车产业联合申请专利进行社会网络分析发现，网络中关键节点从高校演化为电力公司和研究院，且整体合作呈现东—中—西递减趋势；余谦等（2018）从多维邻近性视角对新能源汽车企业合作创新进行分析发现，地理邻近性、技术邻近性和社会邻近性有助于推进新能源汽车企业合作创新。总体来看，现有研究未对新能源汽车产业协同创新网络进行动态分析，本文试图弥补这一不足。

1.2 产学研结合协同创新

作为一类复杂的创新组织方式，协同创新的关键在于形成以大学、企业、研究机构为核心要素，以政府、中介平台、金融机构等为辅助要素的多元主体协同互动网络创新模式（陈劲等，2011）。在协同创新网络中，具有不同优势的产学研协同创新模式得到学者广泛关注[21-22]。例如，Berbegal-Mirabent 等[23]研究发现，作为建立大学和产业伙伴关系的技术转让办公室对研发成功具有重要作用；Maietta等[24] 对低技术行业技术创新进行研究发现，企业—大学合作研发对流程创新具有重要影响。其中，与大学的物理距离对产品创新具有显著影响，且大学开设对当地企业有益领域的学位课程有利于促进研发合作；黄波等（2011）以产学研合作利益分配方式为研究对象，分析固定支付方式、产出分享方式等激励效率以及不同环境下最优利益分配方式；陈卫东和李晓晓[25]通过理论建模讨论企业和科研单位协同创新模式发现，提高科研单位地位、提升创新产品和主体市场化率能促进协同创新发展；马文聪等[26]通过问卷调研发现，产学研合作情境下的伙伴匹配性包括目标协同性、文化相容性和创新资源/能力互补性，3个维度对合作创新绩效具有显著正向影响，其中创新资源/能力互补性的影响作用更大。因此，除上述创新主体属性和网络特征外，本文将进一步分析产学研协同创新对新能源汽车技术创新的影响。

综上所述，鲜有文献同时探讨协同网络结构内生效应和创新主体自身属性对新能源汽车产业技术协同创新网络的影响，且缺乏对技术密集型产业协同技术创新网络形成、发展和演化的全面认识。本文从动态网络视角出发，对新能源汽车领域协同技术创新进行回顾，在此基础上分析不同类型创新主体对协同创新网络形成、发展和演化的影响。本研究以技术密集型战略性新兴产业中的新能源汽车产业为研究对象，旨在回答如下两个问题：①在新能源汽车行业，创新主体类型和协同创新网络结构属性如何影响创新主体间协同创新关系的形成、发展和演化？②不同类型创新主体对协同创新网络具有哪些异质性影响？本文在现有协同创新网络理论的基础上，运用社会网络分析法，对我国2017—2021年新能源汽车协同创新网络关键影响因素进行动态网络分析。

2 研究设计

2.1 研究数据

合作授权专利是衡量协同创新能力的重要指标。专利是提高企业创新能力、促进科技进步和经济社会发展的一种重要知识产权，对于推动科技创新起重要支撑和引导作用[27]。专利与技术创新存在相互依存、相互支撑的关系，合作授权专利是不同组织协同技术创新知识产出和应用的重要体现。因此，本研究以参与新能源汽车产业专利合作的企业、高校和研究院所为协同创新合作主体，对技术协同创新网络动态结构进行实证分析。

本文数据来源于国家知识产权局专利检索网站（CNIPA），利用关键词和国际专利分类（IPC）相结合的检索方法，检索2017—2021年中国内地31个省、自治区和直辖市授权新能源汽车发明专利。IPC分类是国际通用的专利技术分类体系[28]。鉴于新能源汽车相关专利的跨行业特征，参考以往研究[1-3]，最终设置检索关键词为新能源汽车、电动汽车、纯电动汽车、插电式混合动力汽车、燃料电池汽车和混合动力汽车等。同时，IPC分类号包括B60L、B60K、B60W、H01M、H02J、F16H等，主要涵盖车辆动力装置、车辆控制系统、电池组、电能存储系统和传动装置等与新能源汽车技术相关的类别。另外，基于发明专利新颖性、创新性和实用性特点，本研究只考虑发明专利，以符合本文研究背景。以2017—2021年授权新能源汽车相关发明专利作为样本数据集，剔除非合作发明专利、个人或港澳台及国外申请人参与专利，最终得到合作授权专利19 802件，专利申请主体3 762个。我国新能源汽车市场在2017—2021年发展迅速，在此期间各种新能源汽车新兴技术快速涌现，选择该时间段进行分析可以充分刻画我国新能源汽车产业各创新主体协同创新发展情况。表1展示了3类创新主体合作授权专利最多的前5位。

2.2 研究方法

本研究采用指数随机图模型（ERGM） 分析影响协同创新关系网络动态演化与发展的因素，并进一步探究不同创新主体类型对协同关系的影响。ERGM模型将内生网络结构属性、外生节点属性和节点关系融合起来，能对真实网络进行拟合和预测，并解释协同创新网络关系模式。该模型已广泛应用于研究各类技术创新网络[27]、国际贸易网络[29]、战略联盟网络[30]和远程医疗网络[28]等。ERGM模型具有如下优势：第一，ERGM基于马尔可夫网络假设，考虑网络中合作关系之间的依赖性。协同创新网络中各节点间是否形成合作关系（是否连成边）并非相互独立，如创新主体A同时和创新主体B与C具有合作关系，说明三者关注的技术领域相似，那么创新主体B与C也有可能形成合作关系。一些常用的统计学模型，如回归模型无法很好地处理这种关系间的依赖性。第二，ERGM能够同时考虑网络构型内生因素和节点属性外生因素，尤其是传统模型中未包含的高阶网络构局，如星型构局、三角形构局等[28]。ERGM的一般形式为：

式 （1）中，θ∈Rk且函数u：N→Rk。θ表示待估计参数组成向量；N为所有可能的协同创新网络集合；函数u代表模型中各统计量，包括内生网络构型变量和外生节点属性变量等。k为归一化常数，保证网络形成概率在0～1之间。通常ERGM模型拟合使用马尔可夫链蒙特卡洛最大似然估计。

2.3 变量选取

本文研究对象为技术协同创新网络，其影响机制主要分为两类：一是网络节点属性变量[27， 30]；二是网络结构内生效应。网络结构内部效应与节点属性相互作用形成技术协同创新网络。根据研究需要，本研究选取创新主体类型和创新能力两类节点属性变量，各变量测量方法见表2。

2.3.1 创新主体类型

本研究旨在探究不同类型创新主体间的协同创新模式，因而构建如下两个创新主体类型变量：同配性（NodeMatch.Type）和发送者效应（NodeFactor.Type）。其中，同配性适用于检验类型一致的创新主体间发生协同创新的倾向。协同创新主要依靠3类创新主体，即企业、高校和研究院所。协同创新参与方既有可能是同类型创新主体，也有可能是不同类型创新主体。一方面，相同类型创新主体拥有相近的组织目标，因而在网络中更有可能寻求合作；另一方面，已有研究对电信行业协同创新网络进行分析发现，组织类型同配性不显著[27]。因此，本研究将同配性列为主要研究变量，探究其对新能源汽车产业协同创新的影响。另外，产学研协同创新有利于推动新能源汽车产业升级，但企业、高校和研究院所协同创新偏好、投入存在较大差异。因此，本研究利用发送者效应 （NodeFactor.Type）分析特定类型创新主体相比于其他创新主体是否发送出更多关系，即协同创新数量越多，协同创新倾向性越强。将企业作为控制组，分别对高校和研究院所进行估计，检验这两类创新主体相比企业是否具有更高的协同创新倾向。

2.3.2 创新能力

创新主体之间的协同创新既受创新主体本身协同创新能力的影响，又受主体间技术创新能力绝对差异的影响。合作授权专利是创新主体合作成果的重要体现，故本研究选取合作授权专利数量衡量创新主体协同创新能力。同时，技术创新能力绝对差异影响不同主体协同创新倾向，故研究使用创新主体拥有的授权专利数量衡量其技术创新能力，使用两个创新主体授权专利数量的绝对差值衡量相对技术创新能力。

2.3.3 控制变量

本研究设置如下控制变量：①技术创新领域广度 （NodeCov.IPC），用创新主体拥有的所有授权专利涉及的IPC分类号数量表征；②相对技术创新主题广度 （AbsDiff.Topic），用两个创新主体拥有的授权专利涉及的主题数量绝对差异表征，利用关键词从专利名称中提取专利主题；③相对涉及行业广度 （AbsDiff.Industry），用两个创新主体拥有的所有授权专利涉及的行业数量绝对差异表征，专利涉及行业根据国民经济行业分类划分。

2.3.4 网络构型

本研究加入几何加权度（Gwdegree）这个对网络结构效应具有较强解释力的变量，用于捕捉网络中呈现星型构局的倾向性。星型结构是协同创新网络的基本结构。若创新主体A和其他两个创新主体B和C有合作关系，但B和C之间没有合作关系是最基本的两星结构（2-star）。一般而言，k星型结构（k-star）中创新主体A的度为k。另外，几何加权度能够有效降低模型退化风险，能够更好地对模型进行拟合[31]。

3 实证结果与分析

3.1 网络构建与网络拓扑结构分析

构建协同创新网络首先需要获取创新主体间的合作关系。合作授权专利一般有两个或两个以上创新主体，为获取创新主体间两两合作关系，需对合作授权专利主体进行拆分，拆分规则见表3。最终，得到参与合作授权专利的新能源汽车产业创新主体及相互间的合作关系。

在此基础上，本研究以新能源汽车产业创新主体为节点，以创新主体间专利合作关系为边，分别构建新能源汽车产业2017—2021年协同创新网络。图1展示了2017年和2021年的协同创新网络，两个网络“核心—边缘”特征比较明显，即处于网络中心的小部分成员联系紧密，边缘节点与其它节点的联系比较稀疏。从另一角度看，两个网络均呈现出分散化和一定集聚性的空间态势，即部分创新主体形成小规模创新集群，集群内部创新合作关系比较紧密。这些集群中出现大量星型结构和闭合三角结构说明网络结构变量对于网络形成与发展起重要作用。同时，对网络节点进行分析发现，这类凝聚子群的核心以头部企业为主，如头部汽车企业和大型国有企业，这与新能源汽车产业整体情况相吻合。由图1可见，新能源汽车产业进入高速发展阶段，企业投入资金和人力远超高校或研究院所，因而企业技术研发占据主导地位。另一方面，需要高校和研究院所支持企业高新技术研发，因而以头部企业为核心聚集起一批高校、研究院所和小型企业，形成协同创新子群。另外，对比两个网络发现，2021年协同创新网络成员数量以及边的数量远多于2017年协同创新网络，侧面反映这段时期新能源汽车技术发展迅速并呈现良好的技术合作氛围。

表4展示了协同创新网络描述性统计结果。结合已有研究成果[28]，本研究选取如下指标刻画网络结构特征：①网络密度，表达式为2M/N（N-1），其中N为节点数，M为边数，网络密度反映创新主体间合作关系的紧密性，密度值越接近于1，说明网络节点间关系越紧密；②平均路径长度，也称网络特征路径长度，指网络中任意两个节点间最短距离的平均值；③聚类系数值介于0～1区间，用以描述协同创新网络中创新主体集聚程度。由表4可知，协同创新网络节点数量与边数量逐年递增，与图1观察结果一致，表明网络成员数量不断增加。2021年创新主体数量为2 417个，达到新高，说明我国新能源汽车产业处于高速发展期。此外，2017—2021年协同创新网络密度数在0.001左右，说明新能源汽车产业创新主体间合作不紧密，凝聚性不高。平均路径长度在4左右，聚类系数均不高于0.2，说明网络中聚合程度不高，连通性较低，没有呈现明显的“小世界”网络特征[32]。图2为2021年协同创新网络节点度分布情况，大部分节点度集中在1～4度之间，说明大部分创新主体合作伙伴数量较少。为深入探究影响协同创新网络关系动态变化的因素，本研究利用ERGM模型进行实证分析。

3.2 实证结果分析

3.2.1 基准ERGM结果

首先，本研究以2021年为例，采用ERGM模型分析新能源汽车协同创新网络合作关系影响机制，尤其是创新主体同配性对协同创新的影响。本研究使用R语言中的Statnet程序包，得到ERGM参数估计结果见表5。从中可见，所有拟合结果均收敛。其中，模型1为基线模型，仅包含网络中边（Edges）统计项，Edges作用类似于常数项，一般不作解释。模型2在模型1的基础上加入控制变量和网络构型变量。模型3、模型4和模型5在模型2的基础上分别加入创新主体同配性、协同创新能力和相对技术创新能力。AIC和BIC指标用于衡量统计模型拟合优良性。表5中，与模型1相比，其余5个模型的AIC和BIC指标有所下降，说明节点属性变量对于协同创新网络形成与发展发挥重要作用。另外，模型6中的AIC和BIC值最小，拟合优度最高。

在模型3和模型6中，核心变量同配性估计系数显著为负，说明同类创新主体之间不易形成合作关系，即一个创新主体（企业）更有可能与不同类型创新主体（高校或者研究院所）合作并形成优势互补，进而提高协同创新效率。这一结果印证了产学研协同创新对新能源汽车产业发展的推动作用。此外，在模型4-模型6中，协同创新能力估计系数显著为正，表明创新主体协同创新能力对创新主体间技术合作具有正向影响，创新能力较强主体更有可能与其他主体形成新合作关系。相对技术创新能力估计系数显著为负，表明技术创新能力绝对差异值越大，创新主体协同创新概率越小。对于网络构型变量而言，几何加权度对协同创新网络形成具有正向影响，意味着协同创新网络倾向于形成星型结构。具体而言，Gwdegree系数显著为正说明网络具有扩张性，即合作次数越多的创新主体，越有可能形成新协同关系。

3.2.2 动态演化分析

考虑到新能源汽车产业协同创新是一个长期、持续演变的过程，本研究对2017—2021年协同创新网络模型进行检验，分析新能源汽车产业协同创新网络演化过程，结果如表6所示。从中可见，创新主体同配性对协同创新始终发挥消极作用，并呈上升趋势。这表明，随着协同创新网络发展企业更加倾向于与不同类型创新主体（高校和研究院所）开展合作。协同创新能力系数显著为正，相对技术创新能力系数显著为负，且两者对协同创新关系的作用逐步减弱。这表明，创新主体协同创新能力正向影响技术合作，且创新主体趋向于与自身技术创新能力相近的创新主体合作，但其影响作用随着产业发展越来越有限。同时，协同创新网络长期表现出星型结构倾向。

3.2.3 创新主体类型

为探究不同类型创新主体协同创新倾向性，本研究进一步分析创新主体发送者效应。由表7结果可以看出，高校和研究院所系数均显著为正。这表明，相较于企业，高校和研究院所更有可能与其他创新主体形成新合作关系。

3.2.4 稳健性检验

本研究使用2017—2021年全部合作授权专利数据，对上述结果进行稳健性检验。ERGM参数估计结果见表8，与表4-表6结果一致，表明创新主体类型同配性负向影响协同创新网络关系，且高校和研究院所较之于企业具有更高的协同创新倾向。

4 结论与启示

4.1 研究结论

本研究以新能源汽车产业技术协同创新网络为研究对象，利用ERGM模型对影响协同网络动态关系的因素进行实证分析，探究创新主体类型如何影响协同创新，得出如下结论：

（1）创新主体同配性估计系数显著为负，表明创新主体同配性会抑制协同网络中协同创新关系形成与发展。不同类型创新主体由于资源互补，更容易建立和发展协同创新关系，该结果也从侧面印证了产学研协同创新对新能源汽车产业技术创新的价值。此外，异质性分析结果表明较之于企业，高校和研究院所更有可能与其他创新主体形成新合作关系。

（2）创新能力在创新网络形成与发展中发挥重要作用。其中，协同创新能力估计系数显著为正，表明创新能力影响创新主体网络位置，其中能力强的主体更容易与其他主体形成新合作关系，并在网络中占据主导地位。此外，相对技术创新能力估计系数显著为负，表明创新能力绝对差异越大，创新主体协同创新概率越小，创新主体越倾向于与自身创新能力相当的主体进行合作。

（3）就网络构型变量而言，几何加权度在协同创新网络形成过程中起正向影响作用。这意味着协同创新网络具有扩张性，且倾向于形成具有星型结构的连接关系。具体而言，与其他创新主体合作次数越多，越有可能形成新协同关系。

（4）动态网络分析结果表明，创新主体同配性在协同网络中始终发挥负向作用，且作用强度呈上升趋势。此外，协同创新能力估计系数显著为正，而相对技术创新能力估计系数显著为负，且两者作用强度逐步减弱，表明创新主体的作用随着产业发展变得越来越有限。就网络结构而言，协同创新网络长期呈现出扩张性星型结构倾向。

4.2 研究启示

根据上述研究结论，本文得到如下启示：

（1）新能源汽车产业协同创新网络仍属于低密度网络，处于弱连接状态，网络内部创新主体间的创新合作关系不够紧密。新能源汽车作为战略性新兴产业，很多企业处于初步进入行业阶段或者布局阶段，因而当前阶段合作伙伴较少。政府可通过相关政策积极引导与完善整个产业协同技术创新网络布局。

（2）新能源汽车产业协同创新网络合作关系受外生节点属性和内生网络构型因素的影响。在网络结构方面，协同创新网络易形成星型构局，即以关键节点为核心，呈辐射状网络布局。在创新主体属性方面，创新主体间的技术创新能力差异对协同创新关系形成具有一定影响作用，即创新主体趋向于与自身技术创新能力相近的创新主体开展合作。另外，创新主体自身协同创新能力对创新合作关系具有正向影响，表现出马太效应，即协同创新能力强的企业（高校或研究院所）更容易与其他创新主体形成合作关系。这类创新主体能发挥带头示范作用，但也不能忽视其他协同创新能力相对较弱的创新主体。科技园等各类科研中介机构应为企业、高校和研究院所提供更多交流合作平台。

（3）产学研协同创新在技术密集型新兴产业中具有重要价值。新能源汽车产业协同创新网络受到创新主体类型同配性的影响，不同类型创新主体形成协同创新关系的概率不同。具体而言，不同类型创新主体间更容易形成合作关系。例如，企业更愿意与高校或者研究院所进行协同创新。新兴产业中的企业多数成立时间较短，技术积累薄弱；而高校和科研院所在相关技术领域深耕多年，虽拥有很多关键技术却很难将其商业化，两者合作能够实现优势互补。另外，相较于企业，高校和研究院所协同创新概率更高。新能源汽车产业为很多尖端科学技术落地提供了商业化平台，因而拥有深厚研究成果积累的高校和研究院所对产学研协同创新抱有极大兴趣，产学研合作平台的持续完善能够更好地推进企业与高校和研究院所之间的资源匹配。

（4）新能源汽车产业协同创新发展需要建立长效合作机制，发挥不同类型创新主体资源优势。相关政策应帮助企业、高校和研究院所突破合作局限，加强合作意愿，提高合作效率，促进多学科、多领域合作与交流，进而推动新能源汽车产业协同创新网络良性发展。

4.3 不足与展望

本研究存在如下不足：①对创新主体属性和网络特征的刻画比较单一，未来可采用更加丰富的测度方式和度量指标，以增强研究结论的丰富性；②仅选取2017—2021年新能源汽车行业为研究样本存在一定局限性，未来可将时间维度进一步延长，从更长时间范围内探究我国新能源汽车市场协同创新发展历程；③采用社会网络分析法对新能源汽车协同创新网络进行分析，缺乏对局部代表性网络的讨论。未来可采用其它研究方法，如机器学习、计量经济学对新能源汽车发展过程中表现突出的地区进行分析，汲取标杆地区的先进经验，提高研究结论稳健性。

参考文献：

[1] 刘颖琦. 新能源汽车产业联盟中企业-大学关系对技术创新的影响[J]. 管理世界， 2011，37（6）： 182-183.

[2] 杜慧滨，邹宏阳，张永杰，等.异质行为下新能源汽车的技术采纳与扩散[J].管理科学学报， 2021， 24（12）： 62-76.

[3] SUN X， LI Z， WANG X， et al. Technology development of electric vehicles： a review[J].Energies， 2019，13（1）：90.

[4] KETCHEN J， IRELAND D， SNOW C. Strategic entrepreneurship， collaborative innovation， and wealth creation[J].Strategic Entrepreneurship Journal，2007，1： 371- 385.

[5] SIERZCHULA W， BAKKER S， MAAT K， et al.The influence of financial incentives and other socio-economic factors on electric vehicle adoption[J]. Energy Policy， 2014， 68： 183-194.

[6] SHAO L， YANG J， ZHANG M. Subsidy scheme or price discount scheme？ Mass adoption of electric vehicles under different market structures[J]. European Journal of Operational Research， 2017， 262（3）： 1181-1195.

[7] SHELDON T L， DUA R. Effectiveness of China's plug-in electric vehicle subsidy[J]. Energy Economics， 2020， 88： 104773.

[8] YU J J， TANG C S， LI M K， et al. Coordinating installation of electric vehicle charging stations between governments and automakers[J]. Production and Operations Management， 2022， 31（2）： 681-696.

[9] ZHANG W， DOU Y. Coping with spatial mismatch： subsidy design for electric vehicle and charging markets[J]. Manufacturing amp; Service Operations Management， 2022， 24（3）， 1595-1610.

[10] DAVIS J P， EISENHARDT K M. Rotating leadership and collaborative innovation： recombination processes in symbiotic relationships[J]. Administrative Science Quarterly， 2011， 56（2）： 159-201.

[11] ANSOFF. Strategies for diversification[J].Harvard Business Review， 1957， 35（5） ：113-124.

[12] GHOBADI S，D′AMBRA J.Modeling high-quality knowledge sharing in cross-functional software development teams[J]. Information Processing and Management， 2013， 49（1）： 138-157.

[13] VUOLA O， HAMERI A P. Mutually benefiting joint innovation process between industry and big-science[J]. Technovation， 2006， 26（1）： 3-12．

[14] NAJAFI-TAVANI S， NAJAFI-TAVANI Z， NAUDE P， et al. How collaborative innovation networks affect new product performance： product innovation capability， process innovation capability， and absorptive capacity[J].Industrial Marketing Management，2018， 73： 193-205.

[15] FREEMAN C. Networks of innovators： a synthesis of research issues[J]. Research Policy， 1991， 20（5）： 499-514.

[16] OPSAHL T， AGNEESSENS F， SKVORETZ J. Node centrality in weighted networks： generalizing degree and shortest paths[J].Social Networks，2010， 32（3）： 245-251.

[17] GUAN J， ZHANG J， YAN Y. The impact of multilevel networks on innovation[J]. Research Policy， 2015， 44（3）： 545-559.

[18] 何喜军，董艳波，武玉英，等.基于ERGM的科技主体间专利技术交易机会实证研究[J]. 中国软科学， 2018，33（3）：184-192.

[19] 王海花， 孙芹， 郭建杰， 等. 长三角城市群协同创新网络演化动力研究：基于指数随机图模型[J]. 科技进步与对策， 2021， 38（14）：45-53.

[20] 刘雅琴， 余谦. 新能源汽车专利合作网络的结构特征及演化分析[J]. 北京理工大学学报：社会科学版， 2019， 21（6）：31-40.

[21] PERKMANN M， TARTARI V， MCKELVEY M， et al. Academic engagement and commercialisation： a review of the literature on university-industry relations[J].Research Policy，2013， 42（2）： 423-442.

[22] ANKRAH S， OMAR A T. Universities-industry collaboration： a systematic review[J].Scandinavian Journal of Management，2015， 31（3）： 387-408.

[23] BERBEGAL-MIRABENT J， GARCíA J L S， RIBEIRO-SORIANO D E. University-industry partnerships for the provision of Ramp;D services[J].Journal of Business Research， 2015，68（7）： 1407-1413.

[24] MAIETTA O W. Determinants of university-firm Ramp;D collaboration and its impact on innovation： a perspective from a low-tech industry[J].Research Policy，2015， 44（7）：1341-1359.

[25] 陈卫东，李晓晓.企业与科研单位协同创新产出水平提升机制[J].系统工程理论与实践， 2017， 37（8）：2141-2151.

[26] 马文聪， 叶阳平， 徐梦丹， 等. “两情相悦”还是“门当户对”：产学研合作伙伴匹配性及其对知识共享和合作绩效的影响机制[J]. 南开管理评论， 2018， 21（6）：95-106.

[27] 郭建杰，谢富纪.基于ERGM的协同创新网络形成影响因素实证研究[J]. 管理学报， 2021， 18（1）：91-98.

[28] HWANG E， GUO X， TAN Y， et al. Delivering healthcare through teleconsultations： implications for offline healthcare disparity[J].Information Systems Research，2022， 33（2）： 515-539.

[29] SMITH M， SARABI Y.How does the behaviour of the core differ from the periphery？-An international trade network analysis[J].Social Networks，2022，70：1-15.

[30] WHETSELL A， SICILIANO D， WITKOWSKI G， et al. Government as network catalyst： accelerating self-organization in a atrategic industry[J].Journal of Public Administration Research and Theory，2020， 30（3）： 448-464.

[31] CLARK A， HANDCOCK S. Comparing the real-world performance of exponential-family random graph models and latent order logistic models for social network analysis[J].Journal of the Royal Statistical Society， 2022，185： 2-27.

[32] WATTS J， STROGATZ S H. Collective dynamics of 'small-world' networks[J]. Nature， 1998， 393（6684）： 440-442.

Collaborative Innovation in New Energy Vehicle Industry from the Dynamic Network Perspective

Abstract：The development of the new energy vehicle industry and its technological innovation have received widespread attention in the context of the ongoing global technology revolution and the growing importance of sustainable development as a strategic focus. New energy vehicles are a technology-intensive emergent industry， and their basic technologies cannot be developed and implemented without the combined efforts and cooperative innovation of businesses， academic institutions， and research centers. However， the existing literature still lacks empirical studies on the long-term collaborative innovation behaviors of various innovation agents in the collaborative innovation network of the new energy vehicle industry. Using the exponential random graph model （ERGM）， this study empirically examines the variables influencing the dynamic relationship changes in the collaborative innovation network of the new energy automobile industry.

Using the collaborative invention patent data of the new energy vehicle industry from 2017 to 2021 in China， during which the new energy vehicle industry developed rapidly， this study generates collaborative innovation networks year by year. The networks show obvious core-edge features， that is， a small number of members in the center of the network are closely connected， while the connections between edge nodes and other nodes are sparse. Specifically， the networks exhibit a spatial trend of decentralization and certain agglomeration， indicating that some innovation entities form some small-scale innovation clusters， and the innovation cooperation within the clusters is relatively close. The large number of star structures and closed triangle structures in these clusters indicate that the network structure variable plays an important role in the formation of the network. Through the analysis of the network nodes， the study finds that the core of this kind of cohesive sub-group is dominated by the leading enterprises， such as the leading automobile enterprises and large state-owned enterprises. This phenomenon is consistent with the overall situation of the new energy vehicle industry. The new energy vehicle industry has entered a stage of rapid development， and the capital and manpower invested by enterprises far exceed those of universities or research institutes. As a result， enterprises occupy a dominant role in technology research and development. Meanwhile， enterprises also need the research capabilities of universities and research institutes to support research and high-tech development; thus， with the leading enterprises as the core， a group of universities， research institutes， and small enterprises have gathered to form a collaborative innovation sub-group.

The study further applies ERGM to the networks generated by collaborative patents. It is found that in the development of the current network， organizations with different types of cooperation， such as university-industry cooperation， are more likely to generate invention patent creation， for the new energy vehicle industry is an emerging technology-intensive industry in need of diversified kinds of resources. In addition， it is found that organizations with high-level innovation capability would attract more collaboration， and organizations are willing to seek cooperation with others with similar innovation capabilities. As for the network structure， star structures are more likely to be formed in the current networks. According to the dynamic network analysis， the comparison results reveal that the effects mentioned above hold as time goes by， while the effects of differences in innovation capabilities between entities become weaker over time. The robustness checks， including TERGM analysis and analysis with alternative samples， also show consistency with the main analysis. Besides， the results of heterogeneous analysis based on organizational type indicate that， compared with enterprises， universities， and research institutes are more willing to generate collaboration within the network.

This study explores the collaborative innovation network in the new energy vehicle industry from a dynamic network perspective. It offers an overview of the development of collaborative innovation in the new energy vehicle industry in China， which contributes to the knowledge and provides insights into the development of the new energy vehicle industry in China. Additionally， the study has limitations. While several key influential factors to the network are identified， there are still more features that might be explored from a network analysis using larger datasets to advance the understanding of collaborative innovation.

Key Words：New Energy Vehicle Industry; Collaborative Innovation Network; Exponential Random Graph Model; Technological Innovation