Knowledge Network, Urban Cooperation and Green Innovation Catch-up: An Analysis Based on Fossil Energy Efficiency Technologies

Lin Ziqiu

(School of Public Policy and Management, Tsinghua University, Beijing 10084, China)

Abstract：How to solve the problem of greenhouse gas emissions has become a major issue of global concerns. China's low-carbon development strategy motivates its cities to improve their levels of green innovation. In the future ten to twenty years, most of the national energy demands and greenhouse gas emissions will come from the emerging or developing cities. The energy efficiency technologies will keep providing important technical support before the full coverage of renewable energy technologies. For them, it is of great significance for the green transformation and regional coordinated development of whether and how strong demand for emission reduction can be transformed into energy efficiency technology innovation, and help them catch up with leading cities.

Innovation catch-up is defined as the process by which latecomer countries or regions improve their innovation capabilities relative to technology leaders. Regarding the causes of innovation catch-up, the existing studies provide the region's strategic choices and macro technical condition changes as the main reasons. These arguments are more focused on the ex-ante evaluation of innovation catch-up. However, compared with non-green innovations, green innovations have stronger technology complexity, diversity and novelty. High-quality green innovations can enlighten more mature technologies and products in the future. Existing research rarely evaluates the above-mentioned ex-post performance of green innovation. Besides, the complexity, diversity and novelty of green innovation make its generation process deeply rooted in knowledge networks and cooperation networks, but few studies have explored the relationship between knowledge network, cooperation network and green innovation catch-up.

To fill the above research gaps, this paper focuses on green innovation among Chinese cities and tests the relationship among a city's knowledge network, urban cooperation network and its catch-up speed. It selects the patent citation data of fossil-energy-efficiency technologies from 2003 to 2017 and analyzes whether the structural position of a city in the knowledge network and cooperation network will affect its degree growth rate in the citation network. The study has several findings: (1) the city's knowledge diversity, knowledge degree centrality, and knowledge betweenness centrality as well as the internal degree centrality in the cooperation network all promote the city's green innovation catch-up speed, while the external degree centrality of the cooperation network does not show this effect; (2) the city's knowledge diversity and knowledge network centrality have complementary effects in promoting green innovation catch-up speed, the margin effect of knowledge diversity on catch-up speed will increase with the ascension of knowledge network centrality; (3) the complementary effects also exist between knowledge network centrality and cooperation network centrality,and stronger intra-city cooperation will better integrate the knowledge network elements and facilitate the knowledge recombination through intra-city idea exchanges and R&D cooperation.

Several policy suggestions are put forward accordingly. (1) The local governments should strengthen the forward-looking guidance of technology development and identify the core knowledge elements as the policy starting point.(2) They should also encourage regional scientific and technological cooperation, and promote regional agglomeration to boost the exchange of innovative ideas. (3) The “matrix-like” innovation policies to expected are activate the synergistic coupling effect between the institutional facility and advanced technology identification.

This paper may make contributions in the following three aspects. First, it introduces the network perspective to analyze green innovation catch-up, integrates the knowledge network, cooperation network, and citation network into a unified analysis framework, and tests the complementary effects among them. Second, it connects the ex-ante evaluation of innovation with the ex-post evaluation, where the knowledge and cooperation network that form the basis and process of patent generation belongs to the ex-ante perspective, while the location change in the citation network belongs to the ex-post assessment. Third, it focuses the research units on the city level, coordinates the theories of economic geography and innovation management, and provides policy suggestions about the development of green technology for local governments from the perspective of knowledge and technology guidance and regional innovation cooperation.

Key Words：Energy Efficiency; Knowledge Network; Urban Cooperation; Innovation Catch-up

收稿日期：2022-07-25

修回日期：2022-12-05

基金项目：清华大学文科振兴基金基础研究专项(2021THZWJC09)

作者简介：林子秋(1994—),男,北京人,清华大学公共管理学院博士研究生,研究方向为绿色创新、环境治理。

DOI：10.6049/kjjbydc.Q202207355

开放科学(资源服务)标识码(OSID)：

中图分类号：F290

文献标识码：A

文章编号：1001-7348(2023)08-0032-12

0 引言

如何妥善解决温室气体排放问题已经成为世界各国各地区科技界、经济界和政治界面临的重要议题。为解决温室气体排放问题,人们正在试图减少对传统化石能源的依赖,但化石燃料仍将是未来一段时期内的主要能源。在地区分布上,经济发展产生能源需求,大部分温室气体排放增量来自新兴发展中国家或地区,在新能源技术实现全面覆盖前,经济与民生发展的刚性诉求意味着能源效率技术仍是兼顾经济增长与环境保护的重要技术支撑。对这些国家或地区而言,其强大减排需求是否以及如何能转化为能源效率技术发明与创新,实现绿色领域的创新追赶甚至引领创新发展,受到越来越多研究者的关注。大量文献从地理和技术演化角度阐述近50年世界范围内发生的各种绿色技术赶超浪潮[1-2]。我国政府自“十一五”以来加大对环境保护的重视,在近20年不断提高环境考核标准,这样的制度动因形塑了各城市在绿色创新领域的竞争追赶态势,各地方政府相继加大绿色创新补贴力度,激励企业从事节能环保创新,绿色专利申请与授权数量实现突飞猛进的增长。

创新追赶是指后发国家或地区相对于技术领先者提高其创新能力的过程[3]。对于创新追赶的成因,现有研究主要分为战略方法与发生条件两个方面。如陈一博(2012)和李晓丹等(2018)从国际研发联盟战略视角出发,提出后发国家通过构建跨国企业的技术依赖关系促进技术引进与获取,通过消化再吸收实现产品创新追赶;Meliciani等[4]从技术方法层面指出,追赶型国家应基于现有知识基础的技术领域努力提高技术多样化水平,培育高技术部门,依靠其带动其它技术领域的追赶;张海丰等[5]和Lema等[6]从追赶条件层面认为,机会之窗是由技术变革以及当地与全球需求条件和制度环境变化开启的,后发者通过努力寻觅新窗口做到另辟蹊径,激发创新的内生动力实现对在位者的追赶。

在上述研究中,创新追赶体现为国家或地区某领域专利或产品在数量及市场份额上的增长速率,其更加侧重于创新追赶的事前评估(ex-ante),即关注战略和条件通过知识重组实现创新追赶。相比于非绿色创新,绿色创新技术传播的广泛性、普遍性和影响力更显著[7-8],高质量绿色创新能催生出更多优质技术和产品,提高国家或地区在技术领域的影响力和创新地位,但现有研究鲜有对绿色创新的事后表现(ex-post)作出评估。相比于当期创新数量,创新的后续影响力更能代表技术的真实质量和长期地位[9-10]。专利引用网络作为刻画知识流动与扩散关系的标尺,通常用于评估创新事后(ex-post)影响力,是全局技术分布的重要呈现方式,因此可通过网络位置变化表征国家或地区绿色创新追赶水平。

相比非绿色创新,绿色创新的知识复杂性与新颖度更高,主体合作频率也高于大部分技术领域。多项研究表明,绿色创新因其特殊属性,在知识网络与合作网络中有着更深的嵌入。杨立成等[11]、Yayavaram等[12]将绿色创新知识基础视为由知识元素间耦合关系形成的网络,这些关系记录了创新过程中的知识要素结合与从属关系,为创新提供知识流动和搜索渠道,进而影响绿色创新演化;Araújo等[13]指出,绿色创新合作者通过共享资源、知识、想法和信息,提高绿色创新质量。然而,很少有研究探讨知识网络、合作网络与创新追赶关系,尤其是创新主体在两个网络中的位置是否会影响其在引用网络中的位置问题,至今仍然没有受到关注。

针对上述研究缺口,本文聚焦城市间的绿色创新追赶,选择绿色创新中代表性的能源效率技术(Fossil-Energy-Efficiency-Technologies)作为研究对象,使用该类技术2003-2017年间的专利引用网络数据进行实证分析。引入知识要素网络与城市合作网络,分析城市在知识网络与合作网络的结构性位置是否会影响其在引用网络中的位置变迁速度以及绿色创新追赶情况。研究发现,城市在知识网络中的要素多样性、度数中心性和介数中心性以及合作网络中的内部度数中心性都对城市绿色创新追赶速度具有促进作用,而合作网络外部度数中心性则未对创新追赶发挥显著作用。进一步分析表明,城市知识要素多样性与网络中心性在促进绿色创新追赶上有着协同互补效应,要素多样性对追赶速度的影响会随着网络中心性提升而不断增强,该效应对知识网络中心性与合作网络中心性也同样存在。

本文可能的边际贡献主要表现在3个方面:第一,引入网络视角分析绿色创新追赶,将知识网络、合作网络与引用网络纳入同一研究框架,分析其协同效应;第二,连通创新的事前评估(ex-ante)与事后评估(ex-post)视角。知识与合作网络刻画了专利产生的基础及过程,属于事前视角,而引用网络位置变迁属于专利的事后评估,二者连结为创新追赶及成因分析提供了更全面的分析框架;第三,将研究单元聚焦于城市层面,统筹经济地理与创新管理理论,从知识技术引导和区域创新合作维度,为地方政府绿色科技发展提供政策建议。

1 理论分析与研究假设

1.1 绿色创新追赶

绿色创新模式不断演变,并向后发国家或地区扩散,我国的发展就是最典型的案例。Wu等[14]指出,中国的绿色专利申请从2000年开始大幅增加,在太阳能光伏产业中,中国和韩国正成为重要参与者,其角色不仅包括生产者,也包括创新者和出口者,其它发展中国家也分别在风力技术[15]与电动车领域[16]有着实质性追赶。同时,绿色创新的领导者地位也并非一成不变,Hascic&Migotto[17]基于经合组织和金砖国家证据指出,即使是绿色创新的领先者也可能在某一特定技术领域或特定时期落后,而后发者则有可能抓住机会实现赶超。在城市研究中,陈诗一等[18]通过使用绿色全要素生产率探讨环境规制对城市绿色创新的影响;Losacker[19]使用绿色专利转让数据刻画中国城市领先市场的变化趋势,指出网络结构和节点属性都会影响城市领先市场的地位变迁。

作为绿色创新领域的代表性技术分支,化石能源效率提升技术(Fossil-Energy-Efficiency-Technologies,以下称能源效率技术)是指那些在生产和分配、运输、建筑、废物管理环节有助于提高能源使用效率,减少温室气体排放的技术[17],其主要作用对象是煤炭、天然气和原油等化石燃料,依靠燃烧效率提升(improved combustion)、新能源整合(integration)、热电联产(combined heat and power)等方式促进燃料电转换各阶段的效率提升[20,21]。在“双碳”背景下,能源效率技术是实现经济可持续增长、避免环境污染和自然资源枯竭的重要手段。在可再生能源尚未被广泛应用的背景下,化石能源价格上涨使得效率提升技术成为国家和地方能源政策的关键组成部分。

我国作为发展中大国,中央及地方政府开展绿色创新的制度动因使得后发地区的追赶趋势逐渐显现。从我国能源效率技术专利前向引用网络2000-2017年的度分布变化趋势来看,头部城市集中度逐年下降(见图1柱状分布),起步较晚城市的能源效率技术专利前向引用数呈现赶超态势(见图1曲线,如天津、苏州、郑州、东莞等代表性城市)。城市作为地区创新的重要场域,是创新主体在空间、制度与网络层面的重要载体,在区域经济学与创新管理领域有大量文献探讨了地区绿色创新质量与地区知识流动影响因素,其中涵盖了技术制度[22,23]、政策互补[24]、空间溢出[25,26]、协同创新(陈子韬等,2022)等理论视角,但对于创新追赶,尤其是能源效率这种深嵌于现有能源结构中的技术关注较少。为填补上述空白,本文聚焦绿色创新领域中的能源效率技术,使用专利前向引用网络测度其创新追赶速度。

专利引用网络是创新领域显性知识流动的结构化呈现,其广泛用于知识流动、创新地位与创新质量研究。节点可包括专利、企业、城市、国家等,不同级别的加总方式可以适配不同研究对象。专利引用是有向网络,主体在网络中的前向引用度数值能够表征其影响力,后向引用度数值则代表了其从属地位和学习强度。很多学者使用专利前向引用网络刻画专利、发明人、申请人或国家创新质量、技术影响力或创新网络地位[27,28]。本文借鉴Britto[29]、Jang[30]等的方法,构建中国277个地级市能源效率技术的城市前向引用网络,采用申请人所在城市的全部同族专利前向引用之和表示城市在网络中的度数,用城市度数在全国的占比变化率刻画城市创新追赶速度。

1.2 知识要素网络与城市合作网络

创新是一种社会型知识生产过程,创新主体不仅嵌入在社会网络中,也嵌入在知识网络中[12]。在创新过程中,知识元素彼此关联,构成知识网络,该网络记录了它们过去的组合关系。较少有研究分析知识网络对城市创新追赶的影响,也很少有研究将知识网络与社会网络统合到一个分析框架下并探讨它们对城市创新追赶的影响。

知识是组织或地区实现竞争优势的核心资源[31]。许多学者认为创新主体知识是不同知识要素的简单聚合[32-33]。与此不同的是,Yayavaram&Ahuja[12]从网络结构视角考察知识,认为主体知识是由知识要素之间的耦合关系形成的网络,这些关系记录了知识要素在创新过程中过去的组合和附属关系,作为知识的流动和搜索渠道,指导未来潜在的知识要素的组合或重组。Wang等[34]首次将组织内个人协作网络和知识网络整合到一个研究框架中,发现两个网络的结构特征不同,并通过不同机制以不同方式影响个体探索性创新。基于上述研究,本文分别从节点自身属性和节点位置属性两方面考察城市与知识网络的联系。

在节点自身属性上,借鉴宋炜等[35]的研究,分析城市能源效率相关专利所包含的知识要素多样性。丰富且多元化的要素能够为城市创新主体带来新知识组合模式,对颠覆性创新有着积极作用。基于多元化要素产生的专利质量和价值较高,其影响力与传播力也更广,有利于推动城市向引用网络中心节点移动,助力其创新追赶。据此,本文提出如下研究假设:

H1a:城市知识多样性对城市能源效率技术创新追赶起正向作用。

在节点位置属性上,通常使用3项测量指标,分别是度数中心性、介数中心性以及接近中心性。度数中心性(Degree Centrality)是刻画节点中心性(Centrality)的最直接度量指标。一个节点的度数中心性越高,意味着该节点在网络中越重要。在知识要素网络中,城市所含要素的平均度数中心性越高,证明城市掌握该领域通用性知识要素越多,基于此类技术开发的专利势必具有更显著的适用性和普遍性,能引发更多的后续创新,从而提升城市在引用网络中的核心度,带动城市创新追赶。介数中心性(Betweenness Centrality)是指网络内通过其节点的最短路径数占全网络中所有最短路径数的比例,节点的介数中心性越高,表明该节点在网络中的控制力越强,大量的连边传递将通过该节点完成。在知识要素网络中,要素的介数中心性越强,意味着该要素的桥梁作用越显著,更多新专利发明都不能缺少这类知识要素的参与。城市拥有节点的平均介数中心性越高,该城市未来的创新影响力越强,越有利于实现追赶。接近中心性(Closeness Centrality)用于考量每个节点到其它节点最短路径的平均长度,也就是说,对于一个节点而言,距离其它节点越近,其接近中心性越高。在知识要素网络中,要素的接近中心性越高,表明其在不同技术间的通达性越强,虽然有助于提高专利的普适性,但同时也会损失部分新颖性或复杂性,长期来看,对专利扩散的影响不明确。据此,本文提出以下研究假设:

H1b:城市知识网络度数中心性正向影响城市能源效率技术的创新追赶;

H1c:城市知识网络介数中心性正向影响城市能源效率技术的创新追赶;

H1d:城市知识网络介数中心性对城市能源效率技术创新追赶的作用不确定。

合作网络是指基于技术合作而形成的社会关系,反映个体、团队、组织甚至地区之间的社会互动[36]。这些节点构成社会关系,如彼此间的正式与非正式合作,通过将其它节点的资源、知识、想法和信息汇集起来,投入到创新过程中。这些关系作为社会资本,代表了知识与信息的流动和搜索渠道[37]。关于合作网络如何促进或限制不同行为主体创新的争论一直未停,主要集中于社会网络结构和关系特征方面[38]。在城市层面,部分研究认为城市内部合作可以促进知识深化,提升专有化程度,进而提高本地创新质量,带动创新追赶[19]。然而关于城市合作对创新追赶的研究中则存在不同意见,有些研究认为城市合作有助于知识扩散,能够为本地城市带来异质性知识,提升城市创新水平[36];也有部分研究指出,当城市间技术差距较大时,远距离合作往往不利于创新者集体智能开发,同时,异质性知识也会带来组织学习的不确定性,降低专利质量,不利于城市创新追赶。

据此,本文提出以下研究假设:

H2a:城市合作网络内部度数中心性正向影响城市能源效率技术的创新追赶;

H2b:城市合作网络外部度数中心性对城市能源效率技术创新追赶的作用不确定。

2 数据选取、变量定义与模型设定

2.1 数据选取

本文选择能源效率技术为样本验证研究假设。根据国际能源署(2015年)的测算,能源效率技术将是未来提高能源效率、促进经济低碳转型的主要技术贡献者。该领域创新涉及与既有技术、产业链及企业组织的协调,因此其知识结构具有复杂性与动态性。同时,研究单个行业也可规避行业异质性对结论效度的影响。依据现有文献中关于能源效率技术的搜索专利号[21,39],从Incopat数据库中搜索对应的IPC分类号,获得1985.1.1—2022.12.31我国内地的所有能源效率专利,共计398 045条,申请人涵盖企业、高等院校、机关团体、个人。

专利中的技术代码包括世界知识产权组织(WIPO)定义的国际专利分类代码(IPC)或美国专利商标局(USPTO)定义的技术类别,上述两类被认为是表征知识要素或组成部分的有效代理[40]。考虑到数据可用性,将IPC分类号作为知识要素的代表。依据分层结构,IPC分类号包括部、大类、小类、大组。现有研究大量使用四位数的IPC分类号表示知识要素,即部-大类-小类[41],四位数的IPC分类号基本可以反映专利的技术或知识特征。基于此,本文也使用四位IPC分类号表示能源效率领域的知识要素。在将每个能源效率专利去重后,可以归入一个或多个四位的IPC分类号。

合作网络是根据专利的联合申请人构建的,申请人包括企业、机关团体、大专院校、个人等,将申请人根据所在城市进行加总,构建城市专利合作网络。本文采用常用的三年期移动窗口,在R软件的帮助下构建每个城市的三年期(t,t-3)知识要素网络与专利合作网络。

2.2 变量定义

2.2.1 因变量:城市绿色创新追赶

绿色创新追赶是后发国家或地区相对于技术领先者提高自身创新能力的过程,追赶在指标表达上是一个变化率数据,即创新水平提升速度。现有研究在表达绿色创新追赶速度时主要采用3种指标构建方法:一是采用绿色全要素生产率变化水平衡量[42],二是使用绿色专利占比或绿色产品市场份额变化率测度[17],三是采用城市绿色专利在前向引用网络中的位置变化刻画[43]。综合前文对绿色创新特殊性的论述,本文重点关注绿色创新事后影响力的追赶水平,因此选用第三种测度方式刻画城市绿色创新追赶速度,也就是使用城市能源效率技术专利5年窗口期(t,t+5)的前向被引数在全国所有能源效率技术专利5年窗口期前向被引总数中的占比年度变化率表征绿色创新追赶速度;在稳健性检验中,分别使用8年窗口期占比变化率和5年窗口期高被引专利数量占比变化率进行检验。因变量计算公式如下:

Δlnratio=lnratioit+1-lnratioit

2.2.2 核心解释变量

(1)知识要素网络变量。基于1985-2022年全部能源效率专利所包含的4位IPC分类号构建知识要素网络,将各城市每年申请专利中的四位IPC分类号对应到网络节点中,以三年为滚动窗口,计算各城市三年期(t,t-3)的平均知识要素度数中心性、介数中心性和接近中心性,并作归一化处理。

第一,计算城市c的知识要素平均度数中心性k_dcc。

式中,ki表示现有与要素节点i相连的边的数量,N-1表示要素节点i与其它要素节点都相连的边的数量。

第二,城市c的知识要素平均介数中心性k_bcc的计算公式。

式中,表示经过要素节点i且为最短路径的路径数量,gst表示连接s与t的最短路径数量。

第三,城市c的知识要素平均接近中心性k_ccc的计算公式。

式中,di表示要素节点i到其余各要素节点的平均距离,平均距离的倒数就是接近中心性。

第四,城市的知识要素多样性采用熵值法测度,该指标通常用来测度要素分布的均衡性,要素分布越均衡,代表城市知识要素的多样性水平越高。其计算公式如下:

式中,Pci表示第i类四位IPC分类号在本城市所有四位IPC分类号数中所占比例,其中,Pci=0的值会被剔除,这是因为

(2)城市合作网络变量。筛选出专利申请人数大于2的专利,剔除个人单独申请的专利,保留组织联合申请样本,依据申请人组织所在城市构建城市合作网络,由于部分申请人的地址并未在其名称中体现,因此将申请人名称与天眼查工商信息进行匹配,最终得到7 401个组织申请人,共28 376个合作专利。其中,城市内合作数量为19 879件,城市间合作数量为8 497件。依据度分布的计算方法,构建城市三年期(t,t-3)的城市内合作度数中心性intra_dcc、城市间合作度数中心性inter_dcc。由于两个度分布均呈现右偏特征,故采取加1取自然对数的方法处理。

2.2.3 控制变量

控制变量包括两个部分,分别是创新相关变量与城市经济社会发展相关变量。创新相关变量包括城市创新强度、城市研究型创新主体占比以及城市上一年的前向引用总数。城市社会经济发展相关变量包括城市人均GDP对数、城市人口密度、城市污染水平、城市产业结构与财政科技支出占比。

城市创新水平。①城市创新强度变量intensityit:参照Malerba[2]的做法,计算城市当年的人均能源效率专利数表征城市在该领域的创新强度,该取值越高,表示城市在该领域的创新活力和基础越好,其专利的前项引用增长越快,越有利于实现创新追赶;②城市研究型创新主体占比academicit:大专院校、科研机构、机关团体等单位相比市场化企业更有倾向从事基础性研发工作,更有可能提升城市的创新前向引用数量;③城市当年前向引用总数对数值lnratioit:依据追赶模型一般公式,引入城市当年的前向引用占比对数值捕捉该城市究竟是否存在追赶效应,该变量符号预期为负,意味着基础较弱城市的增长速度更快。

城市经济社会发展水平。①采用城市人均GDP的对数值lngdp_pcit控制城市经济发展水平,经济发展水平高的城市对环境往往有着更高要求,其绿色创新程度也会更高;②采用地区产业结构indus_strit(第二产业增加值与第三产业增加值之比)表征城市产业高级化程度;③城市人口密度densityit,一定程度上反映了城市经济集聚效应,城市人口密度越大,城市内的交流合作越密切,有助于隐性知识扩散与更新;④采用城市财政科技支出比例techratioit表征城市对创新的支持强度,政府科技投入占比能够反映地方政府对本地创新活动的偏好与支持程度,有利于为创新发展提供充分的公共产品供给;⑤地区人力资本存量采用城市普通高等学校在校生人数unistuit衡量,普通高等学校在校生人数能够为城市创新研发提供人力资本,其规模越大,潜在的创新能力就越强;⑥能源效率技术的创新与扩散在很大程度上源自专利人所在地的环境规制强度,而环境规制强度又与地区环境污染程度有较强相关性。为检验环境规制对创新追赶的激励效果,本文借鉴Peng[44]的方法,构建本地环境污染程度的综合指标,使用城市工业二氧化硫排放量、工业废水排放量和工业固体废物排放量在全国所有城市中的相对排放强度的均值polit表征,具体计算如下:

2.3 模型设定

本文旨在研究知识要素网络与城市合作网络构成因素对城市创新追赶速度的影响,因此使用城市专利前向被引数在全国占比的变化率或者高被引专利数在全国占比的变化率作为因变量,使用固定效应模型进行分析。方程构建如下:

ΔYit→t+1=β1Xit+β2Zit+β3Yit+δi+θt+εit

ΔYit→t+1为城市能源效率专利前向引用数在全国总数中占比的年度变化率Δlnratio,Xit为全部核心解释变量(知识要素网络与城市合作网络变量);Zit为控制变量(城市创新基础与城市经济社会基础);Yit是城市能源效率专利前向引用数在全国总数中占比的当期项;δi与θt分别是城市固定效应和时间固定效应;εit为随机扰动项。

3 实证分析

3.1 描述性统计

本文使用1985-2022年的能源效率专利数据,由于专利的前向引用存在时间窗口,学界常用的标准为5年与8年窗口期限[8,45,46],以此反映专利影响力。因此,为了全面覆盖专利的前向引用,本文将焦点专利最晚截止年份设定为2017年(滞后5年窗口期刚好为2022年)。同时,由于2003年以前参与能源效率技术创新活动的城市较少,因此选取2003-2017年我国277个地级市面板数据。277个城市均有能源效率专利产出,但部分城市早期在该领域并没有从事研发,因此专利积累为0,本文将这些专利产出为正数前的城市—年份样本(共计262个)剔除,得到非平衡面板样本3 893个;在稳健性检验中使用Heckman两阶段回归法排除其可能造成的样本选择偏差。城市创新基础、经济社会发展水平等数据主要来源于《中国城市统计年鉴》、CSMAR数据库与CNRDS数据库,部分缺失值采用插值法补齐。

3.2 实证结果

3.2.1 基础回归结果

由于知识要素网络中三类中心性有着很强相关性,同时放入会造成多重共线性,而知识多样性与3个变量间的相关性较低,因此首先放入知识多样性(k_v),再依次放入网络度数中心性、介数中心性和接近中心性3个变量(k_dc,k_bc,k_cc)。表2中的模型(1)-(4)表明,Hausman检验在1%水平下拒绝随机效应假设,故本文使用固定效应模型分析城市绿色创新追赶速度的影响因素。

知识要素网络对城市绿色追赶速度的影响。表2的基础回归模型(1)表明,城市在能源效率领域的知识多样性(k_v)对城市未来5年前向引用占比增速起正向促进作用,知识多样性能够为城市创新主体提供更加丰富且均衡的知识要素,促进不同要素整合与重塑,在此条件下更容易产生探索性创新,同时,创新成果质量与影响力也会相应提升。表2的基础回归模型(2)-(4)表明,知识要素网络的三类中心性中,度数中心性和介数中心性的系数分别在5%与1%的水平下显著为正,表明城市拥有的知识网络度数中心性与介数中心性越高,能源效率专利前向引用占比增速越快,其创新追赶效应也越显著,而接近中心性对城市绿色创新追赶的作用方向尽管也为正,但未通过显著性检验。上述结果与本文假设预期一致,即城市度数中心性越高,其知识要素在整体知识网络中的位置越趋于核心,由该部分知识要素形成的专利发明更会获得后续研发者使用,其影响力也越强;拥有处于“桥梁”位置的知识要素越多,在贯通其它子领域知识方面的网络优势越强,包含这类知识要素的专利更容易在多个领域流通,无论是在领域内,还是跨领域都能发挥作用,因此获取这类知识要素的城市的技术影响力也更大。

城市合作网络对城市绿色追赶速度的影响。表2的模型(1)～(4)表明,城市内合作的度数中心性在1%水平下显著为正,说明城市内合作有助于充分整合城市内部资源,发挥空间溢出与地理集聚效应,提升创新的后续影响力,带动城市绿色创新追赶。但城市间合作的度数中心性在10%水平下起负向抑制作用,可能的解释是能源效率技术区别于其它绿色技术,其本地依赖度与专有化程度较高,因此跨城市合作尽管能带来异质性知识,但不一定对专利质量起促进作用。

控制变量。人均GDP水平的自然对数值在5%水平下显著为正,表明经济发展水平越高的地方对绿色发展有着更高诉求,其创新动力越强,创新的追赶效应能够被充分激发;产业结构(第二产业增加值/第三产业增加值)对占比增速的影响在1%水平下显著为正,表明城市第二产业越发达,其能源效率需求越旺盛,“使用者—创新者”的反馈机制越能充分体现,同时,第二产业占比较高的城市也更有动力从事能源效率技术研发,其实现技术追赶的产业基础更扎实。普通高校在校学生人数对占比增速的影响在1%水平下显著为正,表明地区人力资本存量与绿色创新追赶正向关联;城市科技类财政支出结构对占比增速有正向影响,表明政府对科技发展的偏好会在一定程度上会促进地方创新能力提升,通过政策倾斜、财政补贴等形式间接提升绿色创新质量。为了避免面板数据可能导致的自相关问题,本文在方程中引入城市创新强度和当期的城市专利前向引用占比对数值,以控制城市绿色创新基础的影响,当期城市专利前向引用占比对数值的回归系数在1%的水平下显著为负,说明创新追赶的“基数”效应确实存在,即基础薄弱的城市,其未来增速也会更快;城市创新强度使用的是人均能源效率专利数,该变量系数在1%水平下显著为正,表明城市创新强度能够显著促进城市绿色创新追赶,该变量在一定程度上克服了因城市综合创新能力差异而造成的遗漏变量内生性问题。值得注意的是,城市环境污染强度并未对城市创新追赶起显著促进作用,可能的解释是污染强度通过环境规制推动能源效率创新活动开展,但本文使用的因变量是城市专利的前向引用占比,代表专利质量,城市环境规制尽管能够促进创新活动,但易诱发企业等创新主体的短视行为,被动从事策略型创新,对长期质量没有起到促进作用。城市专利申请主体中的科研机构占比也未对城市创新追赶起显著促进作用,可能的原因是能源效率技术更多地来自工业企业的创新活动,来自科研机构的专利在应用性或实践导向上有所欠缺。

3.2.2 知识多样性与知识网络中心性的协同作用

既有研究表明,知识要素多样性与网络位置之间存在协同性,二者在促进绿色创新上有着“1+1>2”的效果。为了进一步验证该假设是否在城市能源效率创新追赶领域适用,引入知识多样性与三类知识网络中心性的交互项模型。结果显示,表3的模型(1)-(3)的交互项系数均在1%水平下显著为正,表明城市知识多样性能够与知识网络中心性产生协同效应,即均衡的知识分布匹配关键的知识网络位置能够对二者的创新追赶起到增强作用。

3.2.3 知识网络中心性与合作网络中心性的协同作用

知识网络刻画了城市知识要素及其关联性,而城市合作网络则代表了创新主体间的社会关系,这种社会关系作为重要的知识生产场域,其特定的节点属性是否会与某类知识网络属性产生互补效应,从而对绿色创新追赶产生促进作用?这是既有研究尚未关注到的方面。为此,本文引入城市合作网络内部度数中心性与三类知识网络中心性的交互项模型检验协同效应是否存在。表3的模型(4)(5)的交互项系数均在1%水平下显著为正,表明城市合作网络内部度数中心性能够与城市两类知识网络中心性产生协同效应,即更加密切的城市内部合作有助于更好地整合关键性知识要素,通过城市内部交流与合作,促进知识要素重组,从而发挥社会网络与知识网络的协同作用。

3.3 稳健性检验

3.3.1 Heckman两阶段法

本文的核心关注点是城市专利知识特征与申请者互动特征是否会对专利后续表现产生影响。因此,剔除那些尚未开展能源效率专利研发的样本,保留已经开始从事能源效率创新的城市与年份数据。然而,城市自身是否或是否有条件进行能源效率创新在一定程度上也会对后续创新追赶产生影响,剔除这部分样本不能排除回归中的样本选择性偏误,故本文使用Heckman两阶段回归法,检验是否存在样本选择偏误并加以克服。第一阶段,城市是否从事或是否有条件从事能源效率创新,即选择方程;第二阶段,城市能源效率创新追赶速度由什么因素决定,即影响因素方程。两阶段方程分别为:

Pr{Innovateit=1}=Φ(βXit+εit)

(1)

(2)

式(1)为城市从事能源效率创新的第一阶段选择方程,利用Probit模型估计城市从事该类创新的概率,由此得出逆米尔斯比率(inverse Mills ratio)估计值;式(2)为第二阶段城市绿色创新追赶影响因素方程,将逆米尔斯比率估计值纳入该方程作为控制变量之一,用以控制城市是否从事该类创新的选择偏误。式(1)中被解释变量为城市当年是否从事能源效率创新的二值变量Innovateit,控制变量Xit包括原回归方程中的全部变量,同时引入地区工业企业数作为外生变量,这是因为工业企业数与城市开展能源效率创新有关,但与后续创新追赶关联度较低,因此满足外生性假设。从结果上看,表4的模型(1)～(3)中,逆米尔斯比率并未显著拒绝原假设,表明回归中样本选择偏误并不明显,同时,在两阶段回归后,原有系数符号与显著性水平皆未发生显著改变,证明了结果的稳健性。表5的交互项结果显示,知识多样性和知识网络中心性的3个交互项在方向及显著性水平上与基础回归结果一致,但知识网络中心性与合作网络中心性的3个交互项并未通过显著性检验。

3.3.2 更换因变量

为了提升结论的可靠性,采用更换因变量的方法进行稳健性检验。分别采用城市能源效率专利8年窗口期前向引用占比增速(Δlnratio_8y_fc)和城市5年窗口期内被引次数大于等于3次的能源效率专利数(Δlnratio_5y_pat3)替换原因变量。表4中的模型(1)-(6)表明,原基础回归结果的系数方向即显著性水平未发生改变,表5的交互项检验结果同样在1%水平下显著为正,表明上文中对知识多样性与知识网络中心性、知识网络中心性与合作网络中心性间协同互补关系的判断是稳健的。

4 结果分析与政策建议

在“双碳”战略背景下,我国能源效率技术蓬勃发展,城市间合作日益密切,后发城市正着力构建自身区域创新体系,依靠绿色创新,实现本地可持续发展。2003—2017年我国城市前向引用网络数据表明,我国多数城市在能源效率方面表现出技术赶超发展态势,头部城市的前向引用集中度逐年下降。这一现象打破了Barabasi-Albert提出的无标度网络中先发者“强者恒强”的论断,意味着在网络形成中,除时间外,有其它重要变量助力后发城市赶超,分析并找到这些变量对绿色创新助力区域协调发展至关重要。本文引入网络视角,探讨城市在知识网络和合作网络中的节点属性是否会影响其在引用网络中的创新追赶,有如下研究发现:

第一,城市在知识网络中的要素多样性、度数中心性和介数中心性对城市绿色创新追赶有促进作用。知识多样性能够为城市创新主体提供更加丰富且均衡的知识要素,促进不同元素整合与重塑,在此条件下更易产生探索性创新,创新成果质量与影响力也会相应提升;城市拥有的知识要素越接近中心位置,其重要性和桥梁作用越强,基于此类要素的专利发明更有利于得到后续研发者的认可与使用,创新扩散的影响力也更强;拥有处于桥梁位置的知识要素越多,在贯通其它子领域方面将具有更强网络优势,包含这类知识要素的专利更容易在多个领域间流通,无论是在领域内,还是跨领域都能发挥作用,因此拥有这些知识要素的城市的技术影响力也会越强。

第二,城市在合作网络的内部度数中心性对创新追赶有促进作用,而外部度数中心性则未对创新追赶发挥显著作用。城市内合作有助于充分整合城市内部资源,发挥空间溢出与地理集聚效应,提升创新的后续影响力,带动城市绿色创新追赶;但能源效率技术区别于其它绿色技术,其本地依赖度与专有化程度更高,跨城市合作尽管能带来异质性知识,但不一定对专利质量起促进作用。

第三,城市知识多样性与网络中心性在促进绿色创新追赶上具有协同互补效应,在知识网络中心性与合作网络中心性之间也同样存在。均衡的知识分布匹配关键的知识网络位置能够对二者的创新追赶起到增强作用,二者在促进绿色创新上有着“1+1>2”的效果;密切的城市内部合作有助于更好地整合关键性知识要素,通过城市内部交流与合作,促进其重组,从而发挥合作网络与知识网络的协同效果。

基于本文研究,提出如下政策建议:

(1)地方政府应加强技术引导的科学性与前瞻性,以核心知识要素作为政策抓手。地方政府在识别优势技术或产业时,应注重技术知识演化逻辑,重点识别那些具有中心属性或桥梁作用的技术要素,同时,在绿色能源领域鼓励多样化技术均衡发展,建设跨学科跨领域交流平台,促进工业界和创新领域的双向反馈,实现知识要素驱动下的创新追赶。

(2)地方政府应鼓励区域内科技合作,促进创新要素的区域内集聚与交流。统一标准体系,联通行业间、行业上下游的创新标准,为主体间合作提供制度支持,创设示范园区、产业园区等合作载体,为区域内联合研发与知识交流提供空间支持。打造扎根城市产业特征的创新合作网络,充分发挥行业协会的社会连结功能,依靠主体间社会资本带动知识资本流通整合。

(3)地方政府应建立矩阵式创新技术政策,激活创新主体合作与创新技术选择之间的协同耦合效果。创新技术政策既包括筛选优势产业的纵向选择性政策,也包括鼓励竞争、保护知识产权、促进创新合作的横向功能性政策,未来地方政府应从多维度协同发力,依靠功能性政策为优势技术提供开放共享的环境,同时,针对优势技术特征有的放矢,出台功能性政策,实现二者协同耦合。

参考文献：

[1] 吴晓波, 余璐, 雷李楠. 超越追赶:范式转变期的创新战略[J]. 管理工程学报, 2020, 34(1): 1-8.

[2] CORROCHER N, MALERBA F, MORRISON A. Technological regimes, patent growth, and catching-up in green technologies[J]. Industrial and Corporate Change, 2021, 30(4): 1084-1107.

[3] H ODAGIRI, A GOTO, A SUNAMI, et al. Intellectual property rights, development, and catch-up: an international comparative study[M]. Oxford: Oxford University Press, 2010.

[4] MELICIANI V. The impact of technological specialisation on national performance in a balance-of-payments-constrained growth model[J]. Structural Change and Economic Dynamics, 2002, 13(1): 101-118.

[5] 张海丰, 李国兴. 后发国家的技术追赶战略:产业政策、机会窗口与国家创新系统[J]. 当代经济研究, 2020(1): 66-73.

[6] LEMA R, FU X, RABELLOTTI R. Green windows of opportunity: latecomer development in the age of transformation toward sustainability[J]. Industrial and Corporate Change, 2020, 29(5): 1193-1209.

[7] 纪建悦,孙亚男.环境规制、研发投入与绿色技术进步——基于中国省级面板数据的实证分析[J].河南师范大学学报(哲学社会科学版),2021,48(6):52-59.

[8] BARBIERI N, MARZUCCHI A, RIZZO U. Knowledge sources and impacts on subsequent inventions:do green technologies differ from non-green ones[J]. Research Policy, 2020, 49(2): 103901.

[9] 龚红, 江俊霖. 绿色与非绿色技术对后续创新影响的比较——“厚此薄彼”还是“双赢策略”[J]. 科技进步与对策, 2022, 39(2): 1-10.

[10] HANER U-E. Innovation quality—a conceptual framework[J]. International Journal of Production Economics, 2002, 80(1): 31-37.

[11] 杨立成,周正,张芸芸.知识溢出与企业绿色创新——制度压力与吸收能力的调节作用[J/OL].软科学:1-19[2023-04-12].http://kns.cnki.net/kcms/detail/51.1268.g3.20221027.1257.002.html.

[12] YAYAVARAM S, AHUJA G. Decomposability in knowledge structures and its impact on the usefulness of inventions and knowledge-base malleability[J]. Administrative Science Quarterly, 2008, 53(2): 333-362.

[13] ARAJO R, FRANCO M. The use of collaboration networks in search of eco-innovation:a systematic literature review[J]. Journal of Cleaner Production, 2021, 314: 127975.

[14] WU C-Y, MATHEWS J A. Knowledge flows in the solar photovoltaic industry: insights from patenting by Korea, and China[J]. Research Policy, Elsevier, 2012, 41(3): 524-540.

[15] 周江华, 李纪珍, 刘子谞. 双重机会窗口下管理认知模式与创新追赶路径选择——以中国风电产业的后发企业为例[J]. 中国工业经济, 2022,39(3): 171-188.

[16] 李新剑. 后技术赶超时期创新赶超模式研究——创新网络构建视角[J]. 科技进步与对策, 2019, 36(21): 26-34.

[17] HASCIC I, MIGOTTO M. Measuring environmental innovation using patent data[R]. OECD Publishing, 2015.

[18] 陈诗一. 中国的绿色工业革命:基于环境全要素生产率视角的解释(1980—2008)[J]. 经济研究, 2010, 45(11): 21-34,58.

[19] LOSACKER S.'License to green': regional patent licensing networks and green technology diffusion in China[J]. Technological Forecasting and Social Change, 2022, 175: 121336.

[20] 谢里, 陈宇. 节能技术创新有助于降低能源消费吗——“杰文斯悖论”的再检验[J]. 管理科学学报, 2021, 24(12): 77-91.

[21] LANZI E, VERDOLINI E, HASCIC I. Efficiency-improving fossil fuel technologies for electricity generation: Data selection and trends[J]. Energy Policy, 2011, 39(11): 7000-7014.

[22] 伊志宏, 陈欣, 田柳. 公众环境关注对企业绿色创新的影响[J]. 经济理论与经济管理, 2022, 42(7): 32-48.

[23] 李青原, 肖泽华. 异质性环境规制工具与企业绿色创新激励——来自上市企业绿色专利的证据[J]. 经济研究, 2020, 55(9): 192-208.

[24] 刘凤朝, 孙玉涛. 我国科技政策向创新政策演变的过程、趋势与建议——基于我国289项创新政策的实证分析[J]. 中国软科学, 2007,22(5): 34-42.

[25] 王锐淇. 我国区域技术创新能力空间相关性及扩散效应实证分析——基于1997-2008空间面板数据[J]. 系统工程理论与实践, 2012, 32(11): 2419-2432.

[26] 王婧, 杜广杰. 中国城市绿色创新空间关联网络及其影响效应[J]. 中国人口·资源与环境, 2021, 31(5): 21-27.

[27] BARBER-TOMS D, JIMÉNEZ-SEZ F, CASTELL-MOLINA I. Mapping the importance of the real world: The validity of connectivity analysis of patent citations networks[J]. Research Policy, 2011, 40(3): 473-486.

[28] LI X, YUAN X. Tracing the technology transfer of battery electric vehicles in China:a patent citation organization network analysis[J]. Energy, 2022, 239: 122265.

[29] BRITTO J N DE P, RIBEIRO L C, ARAJO L T, et al. Patent citations, knowledge flows, and catching-up: evidences of different national experiences for the period 1982-2006[J]. Science and Public Policy, 2020, 47(6): 788-802.

[30] JANG S-L, LO S, CHANG W H. How do latecomers catch up with forerunners? analysis of patents and patent citations in the field of flat panel display technologies[J]. Scientometrics, 2009, 79(3): 563-591.

[31] 李峰, 刘爽, 赵毅, 等. 互联网普及、知识溢出与区域创新空间演进[J]. 科技管理研究, 2021, 41(20): 24-34.

[32] CARNABUCI G, OPERTI E. Where do firms' recombinant capabilities come from?intraorganizational networks, knowledge, and firms' ability to innovate through technological recombination[J]. Strategic Management Journal, 2013, 34(13): 1591-1613.

[33] QUINTANA-GARCI-A C,BENAVIDES-VELASCO C A. Innovative competence, exploration and exploitation: the influence of technological diversification[J]. Research Policy, Elsevier, 2008, 37(3): 492-507.

[34] WANG C, RODAN S, FRUIN M, et al. Knowledge networks, collaboration networks, and exploratory innovation[J]. Academy of Management Journal, Academy of Management, 2014, 57(2): 484-514.

[35] 宋炜, 周勇. 创新要素流动、地方保护主义与空间知识溢出——来自2000—2016年中国省级的经验证据[J]. 管理评论, 2021, 33(7): 107-119.

[36] YAO L, LI J, LI J. Urban innovation and intercity patent collaboration: a network analysis of China's national innovation system[J]. Technological Forecasting and Social Change, 2020, 160: 120185.

[37] POWELL W W, WHITE D R, KOPUT K W, et al. Network dynamics and field evolution: the growth of interorganizational collaboration in the life sciences[J]. American Journal of Sociology, 2005, 110(4): 1132-1205.

[38] UZZI B, SPIRO J. Collaboration and creativity: the small world problem[J]. American Journal of Sociology, 2005, 111(2): 447-504.

[39] BOSETTI V,VERDOLINI E.Clean and dirty international technology diffusion[J].Economy and Society,2013.

[40] CARNABUCI G, BRUGGEMAN J. Knowledge specialization, knowledge brokerage and the uneven growth of technology domains[J]. Social Forces, 2009, 88(2): 607-641.

[41] GUAN J, LIU N. Exploitative and exploratory innovations in knowledge network and collaboration network: a patent analysis in the technological field of nano-energy[J]. Research Policy, 2016, 45(1): 97-112.

[42] 张宁. 碳全要素生产率、低碳技术创新和节能减排效率追赶——来自中国火力发电企业的证据[J]. 经济研究, 2022, 57(2): 158-174.

[43] 许东彦, 林婷, 张国建. 环境规制对绿色技术扩散的影响[J]. 中南财经政法大学学报, 2022,65(5): 147-160.

[44] PENG X. Strategic interaction of environmental regulation and green productivity growth in China:green innovation or pollution refuge[J]. Science of The Total Environment, 2020, 732: 139200.

[45] FERNNDEZ A M, FERRNDIZ E, MEDINA J. The diffusion of energy technologies:evidence from renewable, fossil, and nuclear energy patents[J]. Technological Forecasting and Social Change, 2022, 178: 121566.

[46] SQUICCIARINI M, DERNIS H, CRISCUOLO C. Measuring patent quality: indicators of technological and economic value[R]. OECD Science, Technology and Industry Working Papers, Paris: OECD, 2013.

(责任编辑：胡俊健)