The Dynamics of Generic Technology Emergence Based on TERGMs: The Example of Supercapacitor Green Energy Storage Technology

Tang Yujie1, Li Yang2

(1.College of Economics and Management, Zhengzhou University of Light Industry,Zhengzhou 450002,China; 2. School of Management, Henan University of Technology, Zhengzhou 450002, China)

Abstract：Since the technology emergence theory has gained much research attention, scholars have discussed the emergence of new technologies,technology breakthroughs and creative technologies. However, under the new wave of technological revolution and "anti-globalization," international industrial competition extends from frontier technology to generic technology. Because generic technology can be applied in many industries and restrict the development of industry technology,the emergence mechanism of the generic technology can provide a beneficial reference for China to break through the technology blockade and realize scientific and technological self-reliance. However, few studies have explored the emergence of generic technologies, failing to answer questions such as where they come from, why they arise, and what the emergence mechanism is. Reviewing the existing research on generic technology, this study confirms that the two research themes are "generic technology supply" and "generic technology identification." However, current studies have yet to answer the question of how generic technology emerges, which provides a research opportunity for this paper.

According to the technology emergence theory, technology emergence refers to the dynamic evolution process in which technology synergy, novelty, functionality, and other dynamic factors at the micro level can promote the continuous establishment and maintenance of long-term interactive relations among technologies in a highly creative technology network, and thus promote the gradual emergence of technologies at the macro level.Following this theory, this study adopts the TERGMs (time-series exponential stochastic model) method and constructs a dynamic model for the emergence of generic technologies to reveal the dynamic mechanism driven by the dynamic factors of technology synergy, novelty and functionality.

This paper takes the supercapacitor energy storage technology as an example because supercapacitor energy storage technology is a new green technology with an electric energy storage function. In the context of carbon peak and carbon neutrality, several generic technologies are likely to emerge in this domain. First,the study obtains the IPC code for identifying electrical energy storage according to the IPC green inventory provided by the World Intellectual Property Organization (WIPO). Then, this paper uses the De Winter Index of Innovation (DII) as the patent data source and finally gets 9 033 supercapacitor energy storage technology patents from 1985 to 2021. Using TERGMs, the study empirically tests the driving effects of synergism (indicators including k-star, k-triangle, and k-twopath), novelty (indicators including forward citation, backward citation, and science citation) and functionality (indicators including portfolio size and industry diversity) on the emergence of co-occurring technologies.

The results show that k-star and k-triangle significantly contribute to the emergence of generic technologies for technology synergy, while k-twopath is not significant. For technology novelty, forward citation significantly contributes to the emergence of generic technologies, while science citation has a significant negative effect, and backward citation does not have a significant effect. For technology functionality, industry diversity significantly contributes to the emergence of generic technologies, while portfolio size has no significant impact.

This paper has implications for companies and governments in understanding how generic technology emerges.(1)Compared with the backward reference, technologies with a more forward reference are more likely to become generic technologies because these technologies usually have strong technical influence. In addition, technologies with more scientific citations also have the potential to grow into generic technologies because they are closer to scientific discovery. Finally, the technologies with cross-industry application scenarios should also be paid attention to,as these technologies may become essential for the collaborative development of multi-industries. (2) Because of the "Matthew effect", the core technologies in the center of the technology network usually develop into generic technologies and become the potential objects of technology blockade. To avoid the generic technology being “blocked,” the government should make relevant policies and create a loose research and development environment, guide technology researchers to explore the new track of technology development, and vigorously develop alternative technologies by using particular science and technology projects. Universities and research institutes are encouraged to conduct primary research on various alternative technologies by giving full play to their advantages, such as a complete range of disciplines and a concentration of talents.

Key Words：Technology Emergence; Generic Technology; Dynamics Mechanism; TERGMs; Green Technology

收稿日期：2022-08-25

修回日期：2022-10-24

基金项目：河南省哲学社会科学规划项目(2022BJJ039);河南省教育厅人文社会科学研究项目(2021-ZZJH-077)

作者简介：唐玉洁(1987—),女,河北石家庄人,博士,郑州轻工业大学经济与管理学院讲师,研究方向为技术创新和组织领导力;李阳(1985—),男,河南郑州人,博士,河南工业大学管理学院讲师,研究方向为技术创新与战略管理。本文通讯作者:李阳。

DOI：10.6049/kjjbydc.2022080672

开放科学(资源服务)标识码(OSID)：

中图分类号：G301

文献标识码：A

文章编号：1001-7348(2024)04-0023-10

0 引言

自技术涌现理论受到学术界关注以来[1-3],学者们探讨了新技术、突破性技术及创造性技术涌现现象,以揭示这些技术生成规律与发展趋势[4-8]。然而,在新一轮技术革命与“逆全球化”浪潮下,产业国际竞争从前沿技术领域延伸至基础性技术领域,我国不同产业的基础性、共性技术已经成为发达国家封锁与遏制的对象。由于共性技术可在多个行业中应用,并且显著影响行业技术发展(李纪珍,2011),因此探明共性技术产生规律与发展趋势、揭示共性技术涌现机制可以为我国突破技术封锁和实现科技自立自强提供有益借鉴。

然而,当前鲜有研究针对共性技术涌现展开探讨,也未能回答共性技术从何而来、因何而生、其涌现机理是什么等问题。通过梳理共性技术已有研究,可以发现其主要围绕共性技术供给和共性技术识别两大主题展开。共性技术供给研究主要从组织层面探讨共性技术供给过程中的合作网络结构与演化(岑杰等,2021;马永红等,2021)、供给决策与模式[9-10]、研发策略与行为等[11-12]。共性技术识别研究主要利用专利IPC信息[13]、专利引用信息[14]、技术共现网络结构特征[15-17]等指标对共性技术进行判别。综上,可以发现供给与识别是当前共性技术研究的焦点,但尚未涉及对共性技术涌现的探讨,这为本文提供了研究空间。

根据涌现理论,技术涌现是指在高创造性技术网络中,微观层面的技术协同性、新颖性和功能性等动力因素能够促使技术间不断建立与维持长期互动关系,从而推动技术逐渐在宏观网络层面涌现的动态演化过程[2]。基于这一理论,在技术共现网络中哪些动力变量可以有效表征技术协同性、新颖性和功能性?这些动力变量是否在共性技术涌现过程中起驱动作用?以及如何驱动共性技术涌现?针对这些问题,本文基于时序指数随机图模型(简称“TERGMs”),通过构建共性技术涌现动力模型,揭示技术协同性、新颖性和功能性3个维度的动力因素推动共性技术涌现的动力机制,试图探明共性技术形成规律。这对拓展技术涌现相关研究,弥补共性技术涌现研究不足,证实TERGMs对预测共性技术涌现的适用性具有重要理论意义。

1 共性技术涌现理论基础

涌现一词最初起源于Von Bertalanffy的系统科学理论。Holland[18]将涌现定义为一个系统中微观个体间预设的简单互动行为在宏观层面造就的未知、复杂样态现象。在此基础上,Burmaoglu等[2]进一步提出,技术涌现是发生在高度创造性技术网络中的现象,在该网络中,技术在宏观层面的涌现是微观层面技术间互动关系建立并持续动态演化的结果,而技术的协同性、新颖性和功能性是推动技术间互动关系建立并持续的关键因素。

具体而言,①技术协同性是指技术与其它技术协调互动的能力,与高协同性技术互动往往能够产生显著的协同效应[19],因此高协同性技术更易形成并维持长期的技术间协同互动关系,最终促使协同性技术在宏观层面涌现[2];②技术新颖性强调技术的新颖程度,新颖性技术往往是突破式创新的结果[20],通过与新颖性技术整合有助于实现后续技术创新,因此新颖性技术更容易形成长期的技术间合作互动关系,从而使新颖性技术在宏观层面涌现[2];③技术功能性强调技术间组合的机会与潜力,是联结整体与局部关系的纽带[19],功能性越强,意味着该技术可以与更多技术形成组合互动关系,因此高功能性技术更容易在宏观层面涌现[2];④关系持续性是指技术合作、协同与互补等互动关系在连续时间段内所反映出的一致性和连贯程度,当技术不断地与其它技术形成长期互动关系时,该技术更易于在宏观层面涌现[2]。

综上所述,技术协同性、新颖性及功能性是技术涌现的关键动力因素,能够推动技术间互动关系建立与维持,从而最终影响技术涌现[2]。基于上述分析,共性技术作为一类基础性、广泛性技术,其涌现可以被认为是技术间共现关系不断建立与维持的动态演化结果,并受到技术协同性、新颖性及功能性等动力因素影响。因此,本文选择从技术协同性、新颖性和功能性3个维度的动力因素入手,探究其在技术共现网络演化过程中如何驱动技术共现关系建立与持续,试图揭示共性技术涌现的动力机制。

2 共性技术涌现动力机制与研究假设

2.1 技术协同性对共性技术涌现的驱动作用

技术协同性是指一项技术与其它技术在技术系统中协调互动的能力,可以由技术节点的度中心度衡量[21]。已有研究发现,在协同创新网络中度中心度较高的节点通常在网络中占据中心位置,在获取创新资源和吸引合作伙伴方面具有显著优势[22],表现出一定的马太效应[23]。由此可知,在技术共现网络中,度中心度较高的技术节点同样占据共现网络的中心位置。占据网络中心位置的技术节点不仅拥有较强吸引力,利于其它技术节点优先与该技术节点建立共现关系,而且该共现关系具备较高技术价值,由此提升技术共现关系稳定性。因此,从网络位置来看,度中心度越高的技术节点,越可能在共现网演化过程中形成长期的技术间共现关系,从而促使该技术节点涌现为共性技术。

从网络共现关系来看,度中心度较高还意味着该技术节点能够与较多的外围技术节点协同应用,具备较强的技术交叉融合潜力[21],并且提高该技术节点涌现为共性技术的可能性。技术应用相关研究也证实,对于新兴技术而言,为了能够被市场接受并获得广泛应用,通常优先选择与度中心度较高的技术节点建立联系并形成新共现关系[24],通过维持长期稳定的共现关系,进而在共现网络演化过程中推动这些技术节点涌现为共性技术。

在实践层面,以超级电容器储能技术为例,活性炭和石墨烯都可作为电极材料,由于石墨烯具有高化学稳定性、高导性和离子易吸附性,使得应用石墨烯材料的超级电容器储能技术不仅能与活性炭材料相关技术共存,而且能够与快速充放电、高电压等技术实现协同,从而促使石墨烯材料的相关技术涌现为普遍使用的电极材料技术。

基于以上分析,本文提出如下研究假设:

H1:在技术共现网络演化过程中,度中心度越高的技术,越倾向于建立并维持新共现关系,从而涌现为共性技术。

此外,有研究表明,边共享与非边共享等结构嵌入性特征同样可以反映社会网络中节点间的协同程度[25]。在技术共现网络中,非边共享结构是指两个技术节点之间形成多个开放的三角关系,即两个技术节点之间没有直接的共现关系,仅有一系列共享的伙伴技术[22]。非边共享技术之间在结构上具有对称性且功能上具有相似性[25],因此非边共享技术之间可以相互替代,往往被认为是一组替代型技术。技术替代现象会破坏非边共享结构的对称性,导致非边共享技术与其它技术形成的开放式三角共现关系不稳定,从而导致在技术共现网络演化过程中非边共享技术难以涌现为共性技术。

相反,在技术共现网络中,边共享结构是指两个技术节点之间形成多个闭合三角关系,即两个技术节点之间不仅存在直接共现关系,而且具有一系列共享伙伴技术[22]。与非边共享结构不同的是,边共享结构的主要特征是结构上具有传递性且功能上具有关联性[26]。结构传递性意味着边共享技术与其它领域技术之间存在技术信息和知识的传递及扩散,这不仅有助于边共享技术扩散到多个新技术领域[27],还可拓展边共享技术市场和应用场景[28-29]。因此,在技术共线网络演化过程中,结构传递性有利于边共享技术不断与新技术形成共现关系,并且这种共现关系基于丰富的市场应用场景而得以维系。功能关联性说明边共享技术之间存在较强内聚力,在技术创新过程中通常“捆绑使用”,因此可以被认为是一组互补型技术。技术互补现象会增强边共享结构的稳定性,促使边共享技术与其它技术形成的封闭式三角共现关系更持续稳定,不易破裂,进而促使边共享技术在共现网络演化过程中涌现为共性技术。

实践中,在超级电容器储能技术发展初期,静电储能和电化学储能是一对非边共享技术。由于基本技术原理的差异,在不同应用场景中两者可以相互替代,导致无论是静电储能技术还是电化学储能技术,均未能成为该技术领域的共性技术。随着超级电容器储能技术的深入发展,混合型超级电容器技术诞生,该技术将之前的静电技术与电化学技术进行整合,组成一对边共享技术,实现优势叠加、劣势互补的储能效果,使得混合型超级电容器储能技术得到广泛应用并最终成为该技术领域的共性技术。

基于上述分析,本文提出如下研究假设:

H2:在技术共现网演化过程中,与非边共享技术相比,边共享技术更倾向于建立并维持新共现关系,其涌现为共性技术的可能性更大。

2.2 技术新颖性对共性技术涌现的驱动作用

新颖性技术往往需要摆脱对已有技术的路径依赖,是突破式创新的结果[20],并对后续技术具有较大影响力和推动作用[30],可以分别由专利前向引用次数和后向引用次数进行测度。其中,前向引用指标从技术影响力角度衡量技术新颖性,即技术的前向引用次数越多,其新颖程度越高[31];后向引用指标从技术的原创程度衡量技术新颖性,即技术的后向引用次数越少,其新颖程度越高[32]。

对于技术新颖性中的后向引用指标,从技术引用次数来讲,技术的后向引用次数越少,表明其对已有技术的继承与参考程度越低[33],技术的原创性越高。原创性技术能够为解决现有技术难题提供新思路,促使科研人员将已有技术与原创性技术组合,从而提出一系列新解决方案[34]。因此,后向引用次数越少的技术,在共现网络演化过程中越可能与已有技术形成新共现关系。然而,从技术成熟度看,后向引用次数越少,意味着该技术成熟度越低[35],导致技术使用风险和成本较高且应用效果不稳定,不利于该技术与已有技术共现关系的稳定。因此,后向引用次数较少的技术即使能够与已有技术建立新共现关系,但由于共现关系不稳定,使得该技术在共现网络演化过程中难以涌现为共性技术。

对于技术新颖中的前向引用指标,从技术成熟度角度看,前向引用次数多,意味着该技术是一种对后续技术产生重要影响的新颖性技术,正处于创新活跃期[35],表明该技术有更多机会和潜力与其它领域技术发生密集性整合、利用、吸收等联系,从而在共现网络演化过程中更可能与其它领域技术形成共现关系。从知识积累角度看,创新是技术和知识不断累积增值的连续过程(张军等,2014)。由于前向引用次数较高的技术通常被视为影响力显著的技术[33],随着共现网络演化,后续技术需要不断地与影响力显著的技术建立联系,产生较大技术价值,因此有利于技术间共现关系持续与稳定。由此可见,前向引用次数越多的技术越倾向于建立并维持新共现关系,越可能涌现为共性技术。综上所述,在分析技术新颖性对共性技术涌现的驱动作用时,相对于后向引用,前向引用的预测能力更强。

在实践层面,以超级电容器储能技术中活性炭、石墨烯与金属-有机聚合物(MOF)3种电极材料为例,与较早提出的活性炭技术相比,石墨烯技术是当前影响力较显著的新颖性技术,已经逐渐替代活性炭成为电极材料中的共性技术;而MOF作为新近出现的一项原创性技术,受限于高技术成本与传导性能,目前难以取代石墨烯技术成为电极材料中的共性技术。

基于上述分析,本文提出如下研究假设:

H3:在技术共现网演化过程中,与后向引用相比,前向引用次数越多的技术越倾向于建立并维持新共现关系,也越可能涌现为共性技术。

此外,有研究强调新颖性技术内容更接近于科学发现[36],并可以通过科学引文测度。该指标从技术前瞻性衡量新颖性,即科学引文越多,技术的新颖程度越高[37]。当引用较多科学引文时,说明该技术与科学发现存在紧密联系。一项技术在申请专利时,通常通过大量引用科学论文以强调所申请专利技术的前瞻性和唯一性[37-38]。然而,前瞻性技术往往处于理论构想阶段,具有技术与市场双重不确定性,通常需要经历二次开发和二次创新的复杂过程[39]。因此,尽管科学引文能够在一定程度反映技术新颖性,但短时间内科学引文数量较多的技术难以吸引其它技术与之形成持续且稳定的共现关系,从而不利于其在共现网络演化过程中涌现为共性技术。

实践中,基于MOF电极材料技术,科学家开始尝试将无孔MOF技术应用于超级电容器电极材料开发,为发展高性能超级电容器提供了方向,然而该技术仍处于理论探索时期,因此短期内无法成为该领域的共性技术。

基于上述分析,本文提出如下研究假设:

H4:在技术共现网演化过程中,科学引文数量多的技术难以建立并维持新共现关系,从而不太可能涌现为共性技术。

2.3 技术功能性对共性技术涌现的驱动作用

技术功能性是指技术进行组合使用的机会与潜力[19],可以由组合规模与行业多样性测度,即功能性较强的技术,其技术组合规模大、行业多样性强[40]。组合规模大,表明该技术可以与更多类型技术伙伴进行组合;行业多样性强,意味着该技术可拓展到多个不同行业(王媛等,2020)。基于技术价值视角,功能性高的技术,即组合规模大或行业多样性强的技术,通常拥有较高的技术使用价值[41],能够吸引更多不同类型、行业的技术与之组合使用。因此,在共现网络演化过程中,组合规模越大或行业多样性越强的技术,越可能形成稳定的技术共现关系,从而促使该技术涌现为共性技术。

实践中,与单一的双电层电容器和法拉第赝电容器相比,混合型超级电容器储能技术已经能够与太阳能、风力发电、新能源汽车等多类型、多行业技术进行组合使用,从而提高该技术使用价值并扩展应用场景,使之逐渐成为超级电容器技术领域的共性技术。

综上所述,本文提出如下研究假设:

H5:在技术共现网演化过程中,技术组合规模越大的技术,越倾向于建立并维持新共现关系,从而越可能涌现为共性技术;

H6:在技术共现网演化过程中,行业多样性越强的技术,越倾向于建立并维持新共现关系,从而越可能涌现为共性技术。

3 基于TERGMs的共性技术涌现动力机制模型构建

3.1 研究方法

基于涌现理论,共性技术涌现的动力机制是指在技术共现网络演化过程中,技术协同性、新颖性及功能性等动力因素对技术间共现关系形成与持续的驱动作用。这些动力因素涉及外生节点属性与内生网络结构变量,因此传统统计模型不再适用。本文将借助TERGMs探索共性技术涌现的驱动因素与动力机制。目前TERGMs被认为是分析复杂网络动态演化过程的适合方法[42],该方法以关系形成和关系持续为研究对象,是对传统ERGMs在时间维度上的扩展,通过将跨时间依赖效应纳入纵向观察网络中[26,43],综合探讨内生网络结构与外生节点属性如何影响关系形成及维持。因此,TERGMs普遍用于网络演化动力研究[42],为本文探索共性技术涌现的动力机制提供了实证分析工具。本文基于TERGMs,从技术共现关系建立与维持入手,构建共性技术涌现动力模型,以技术共现网络中技术节点连接和持续概率为被解释变量,以内生结构依赖和外生技术节点属性为解释变量,在共现网络演化过程中分析技术协同性、新颖性与功能性等动力因素对技术共现关系建立及维持的驱动作用,揭示共性技术涌现的动力机制。

3.2 变量描述

基于上述理论分析,技术协同性作为内生结构变量,可以由度中心度、非边共享结构与边共享结构测度;技术新颖性作为外生节点属性变量,可由前向引用次数、后向引用次数和科学引文数量测度;技术功能性作为外生节点属性变量,可由技术组合规模和行业多样性测度。TERGMs变量定义及测度方法如表1所示。

3.3 模型构建

TERGMs可以通过建立分离模型(Separate model)或联合模型(Joint model)分析不同时期(Between timesteps)网络关系的动态变化[26]。其中,分离模型侧重于解释微观层面节点间关系(Ties)的建立与持续[26],而联合模型则用于评估宏观网络结构持续性(Cross-sectional structure)与二元组(Dyads)数量变动[44]。鉴于本文研究重点是通过考察技术共现关系建立与持续以揭示共性技术涌现动力机制,因此构建4组分离模型。

首先,构建Model1零模型。Model1只包含技术共现网络中技术节点共现关系的数量(edges),并依据该模型提供的AIC(赤池信息准则)及BIC(贝叶斯信息准则)模型选择准则信息,对后续复杂模型的拟合优化情况进行评价。通常而言,AIC和BIC值越小,说明模型拟合效果越好。

其次,构建Model2内生结构依赖效应模型。在Model1基础上增加技术协同性指标,包括几何加权度中心度(gwdegree)、几何加权非边共享结构(gwnsp)及几何加权边共享结构(gwesp),从而检验内生网络结构依赖变量对技术共现关系建立与持续的影响。

再次,构建Model3外生技术节点属性效应模型。在Model1基础上增加技术新颖性和技术功能性指标。其中,新颖性包括前向引用、后向引用和科学引文,技术功能性包括组合规模和行业多样性,从而估计外生技术节点属性影响共现关系建立与持续的概率。

最后,构建Model4全模型。将网络结构依赖变量与节点属性变量同时纳入Model1中,综合考察内外生变量对技术共现关系建立与持续的影响。

4 实证研究

超级电容器储能技术是一项既包括快速充放电功能,又具有电储能特性的新型绿色储能技术。在工业和信息化部印发的《基础电子元器件产业发展行动计划(2021—2023年)》中,明确提出要把握传统汽车向电动化、智能化、网联化的新能源汽车和智能网联汽车转型的市场机遇,重点推动包括超级电容器在内的电子元器件产业发展。在我国碳达峰碳中和背景下,超级电容器储能技术应用前景巨大。因此,作为众多产业的基础性技术——超级电容器储能技术领域未来会涌现一批共性技术,故选取该技术作为共性技术涌现动力机制的实证研究对象具有代表性和实践意义。

4.1 样本选择与数据收集

首先,获取绿色储能技术IPC代码。由于超级电容器储能技术是一种绿色电储能技术,为了提高数据准确性和科学性,本文需要首先搜集绿色电储能技术IPC代码。按照世界知识产权局(WIPO)提供的绿色技术领域专利分类(IPC green inventory),获取绿色电储能技术(Storage of electrical energy)的IPC代码。该专利分类是由IPC专家委员会依据《联合国气候变化框架公约》(UNFCCC)中关于无害环境技术相关信息制定的。其次,筛选专利数据。本文以世界专利数据库《德温特创新索引》(DII)作为数据来源,在绿色电储能技术IPC代码基础上,结合主题词进一步对专利数据进行筛选。检索式为TS=(EDLC* OR Electr* double-layer capacit* OR pseudocapacit* OR pseudo capacit* OR hybrid capacit* OR supercapacit* OR ultracapacit* OR super capacit* OR ultra capacit*) AND IP=(B60K-006/28 OR B60W-010/26 OR H01M-010/44 OR H01M-010/46 OR H01G-011* OR H02J-003/28 OR H02J-003/30 OR H02J-003/32 OR H02J-007* OR H02J-015*)。最终,本文检索获得1999-2015年超级电容器储能技术的世界专利9 033条。

4.2 技术共现网络特征描述

对技术共现网络演化的统计分析如表2所示。从表2中看出,超级电容器储能技术的专利数量逐年增多,从1999年的45件增至2015年的1 765件。技术共现网络规模逐年扩大,说明每年都有不同功能的技术加入。网络密度整体偏低并随时间逐渐下降,说明该网络表现出稀疏特征,技术联系不紧密。平均路径长度和聚类系数较稳定,分别处于1.79～2.23和0.80～0.87范围内,这种低平均路径长度和高聚类系数说明超级电容器储能技术共现网络具有小世界网络特性。随着时间的推移,该网络的平均度中心度呈递增趋势,说明在该技术领域核心技术与更多的其它技术产生共现关系。另外,平均中介中心度也从1999年的22.79攀升至2015年的104.91,说明随着超级电容储能技术发展,更多技术处于桥接的中介位置,更多技术通过这种中间关系联系起来。最后由核心边缘结构系数可知,该技术共现网络表现出一定的“核心—边缘”特征,说明存在核心技术与其它技术关联密切而边缘节点技术联系稀疏的情况。综上所述,通过共现网络特征描述,初步判断超级电容器储能技术可能存在共性技术涌现现象。然而,内生网络结构依赖与节点属性对共性技术涌现的影响需要进一步的实证检验。

4.3 结果分析

通过R软件中的TERGMs包对4个分离模型进行参数估计。如果统计项系数为0,表明在其它条件不变的情况下,事件发生概率为exp(0)/(1+exp(0))=0.5。因此,对于本项研究而言,系数为正,表明在其它条件不变的情况下,拥有某个内生结构或外生属性的技术建立或维持共现关系的概率大于50%,即内生结构或外生属性有利于共现关系建立与持续;系数为负,表明在其它条件不变的情况下,上述概率小于50%,即内生结构或外生属性不利于共现关系建立与持续,具体结果见表3。可以发现,在模型Model1基础上,逐步添加统计项,并且Model2、Model3和Model4拟合指标的AIC、BIC值逐渐变小。与Model1相比,Model2的AIC与BIC指标下降幅度比Model3更大,说明在技术共现网络中内生依赖结构对共现关系建立与持续的影响更显著。全模型Model4的AIC和BIC值最小,说明模型越来越贴近观测的技术共现网络。

具体统计结果以Model4为基准进行分析。其中,edges系数类似于传统回归模型中的截距项,用于解释技术共现网络中共现关系建立和持续的倾向。表3的Model4中,edges建立与持续的系数显著为负,说明在技术共现网中技术间形成新共现关系与维持共现关系的概率均小于50%。

4.3.1 内生结构依赖估计结果

结果显示,几何加权度中心度gwdegree对共现关系建立的影响系数为1.452(p<0.001),对关系持续的影响系数为0.715(p<0.001),说明技术共现网络呈现出马太效应。这是因为技术总是优先选择与度中心度较高的节点技术建立并维持共现关系,从而有利于该技术涌现为共性技术,假设H1成立。

此外,几何加权非边共享结构gwnsp对共现关系建立的影响系数为0.015(p<0.001),对共现关系持续的影响系数为-0.001(p>0.1),说明技术共现网中开放三角关系的存在有利于共现关系建立,但不能提高关系持续概率,即非边共享技术更可能建立新共现关系,但不会显著提高共现关系维持概率。关于几何加权边共享结构gwesp,其对共现关系建立的影响系数为4.726(p<0.001),对共现关系持续的影响系数为1.918(p<0.001),说明技术共现网中闭合三角关系的存在有利于共性技术涌现,即边共享技术更可能建立与维持共现关系。因此,与非边共享技术相比,边共享技术更可能作为共性技术涌现,假设H2成立。

4.3.2 外生节点属性估计结果

由表3可知,后向引用BC对关系建立的影响系数为0.000(p>0.1),对关系持续的影响系数为-0.001(p>0.1),说明后向引用不会显著提高技术建立与共现关系维持概率,即不会促使该技术涌现为共性技术。关于前向引用FC,其对关系建立的影响系数为0.028(p<0.001),对关系持续的影响系数为0.062(p<0.001),说明前向引用次数多的技术更可能建立并维持共现关系。因此,相比于后向引用,前向引用次数多的技术更可能作为共性技术涌现,假设H3成立。

关于科学引文SCI,其对关系建立的影响系数为-0.004(p<0.001),对关系持续的影响系数为-0.018(p<0.001),说明科学引文降低了技术建立与共现关系维持概率,即抑制了该技术作为共性技术涌现,假设H4成立。

关于技术组合规模TPsize,其对关系建立的影响系数为-0.000(p>0.1),对关系持续的影响系数为0.014(p<0.001),说明组合规模提高了技术建立与维持共现关系的概率,但对新共现关系建立的概率并无显著影响。因此,组合规模不会促进共性技术涌现,假设H5不成立。

关于技术行业多样性TPdiversity,其对关系建立的影响系数为6.428(p<0.001),对关系持续的影响系数为2.355(p<0.001),说明行业多样性提高了技术建立与维持共现关系的概率,从而有利于该技术作为共性技术涌现,假设H6成立。

4.4 模型诊断

首先,从表3可知,相比于Model1、Model2和Model3,综合内生结构依赖与外生节点属性的Model4,其AIC和BIC值最小,说明全模型Model4更贴近真实观察网络,证明该模型具有稳健性,其估计结果更准确。

其次,运用MCMC诊断进一步验证模型稳健性。MCMC诊断结果如图1所示。图1显示了Model4中共现关系建立和持续过程中每个统计项以MCMC链为时间序列的变化以及对应的MCMC链直方图。根据图1,Model4中统计项都表现出以0为中心的随机变化,其中,0表示观察网络对应统计项的统计值,诊断图结果表示该模型收敛,说明Model4是一个稳健的模型。

最后,通过拟合优度(goodness-of-fit,GOF)进一步验证模型与数据的拟合程度。GOF结果如图2所示。图中粗黑线表示观察网络的测量结果,灰线表示仿真网络在95%置信区间的测量结果,若粗黑线落在灰线条之间,说明仿真网络能够较好地反映观察网络的结构特征。左右两列图分别显示了度(degree)、边共享伙伴(esp)、二元共享伙伴(dsp)以及测地距离(distance)统计项的数据拟合状况。图2结果表明,在Model4中的共现关系建立和持续过程中,仿真网络基本能够解释上述统计项。

综上,Model4能够较为稳定地反映真实观察网络,各统计项也能够代表网络结构特征,因此证实基于TERGMs构建的共性技术涌现动机机制模型所得结果稳健。

5 研究结论与启示

5.1 研究结论

基于涌现理论,本文运用TERGMs研究方法,利用超级电容储能技术专利数据,通过构建共性技术涌现动力模型,实证检验技术协同性、新颖性及功能性3个维度的动力因素对共性技术涌现的驱动作用,以揭示共性技术涌现的动力机制。本文研究结论如下:

(1)我国超级电容器储能技术处于快速发展阶段,专利数量逐年递增,涵盖的技术数量呈上升趋势,技术共现网络表现出小世界特征和“核心—边缘”结构,表明大部分技术节点不邻接,但可以通过与其它关键节点联结而彼此相连,说明在该技术领域存在共性技术。

(2)对于技术协同性指标,度中心度与边共享结构对共性技术涌现存在正向影响,而非边共享结构不存在显著作用。这说明度中心度越高,即外围节点越多的星型结构中心技术越可能成为共性技术;与开放三角关系的非边共享技术相比,拥有更多闭合三角关系的边共享技术更可能成为共性技术。

(3)作为技术新颖性指标,反映技术影响力的前向引用正向影响共性技术涌现,反映技术原创程度的后向引用不存在显著影响,而反映技术前瞻性的科学引文则存在负向影响。这表明相较于技术原创性,对后续技术具有较强影响力的技术更可能涌现为共性技术,而接近科学研究的前瞻性技术在短期内不太可能成为共性技术。

(4)作为技术功能性指标,行业多样性正向影响共性技术涌现,而组合规模不存在显著促进作用。这表明与技术功能数量相比,跨行业技术融合对共性技术涌现的作用更显著,即相较于功能数量多的技术,能够跨行业使用的技术更可能成为共性技术。

5.2 理论贡献与实践启示

本研究理论贡献如下:①将网络关系形成与持续作为网络演化过程中技术涌现的动力机制,拓展了技术涌现相关研究;②不同于已有的共性技术供给与识别研究,本研究发现,共性技术涌现是由内生网络结构与外生节点属性共同驱动的,弥补了共性技术涌现研究的不足;③不再局限于传统的统计模型和案例研究,证实了TERGMs对共性技术涌现研究的适用性。

本研究的实践启示如下:

第一,对于共性技术预测,相对于后向引用,技术研发人员在短期内应当优先关注前向引用次数较多的技术,这些技术通常具有较强影响力,更可能成为共性技术。对拥有较多科学引文的技术进行长期追踪,这是因为这些技术更接近于科学发现,同样具备成为共性技术的潜力。此外,技术研发人员还应该关注存在跨行业应用场景的技术,这些技术可能成为多行业协同发展的基础性技术,因此也存在成为共性技术的可能。

第二,处于技术网络中心位置的核心技术,由于存在“马太效应”,通常会发展成共性技术,成为技术封锁的潜在对象。为避免共性技术被“卡脖子”,政府应该通过制定相关政策并营造宽松的研发环境,引导技术研发人员探索技术发展新轨道,利用科技专项大力发展替代技术;鼓励高校、科研院所通过发挥学科齐全、人才聚集等优势,针对存在“卡脖子”风险的共性技术,开展多种替代技术的基础研究。

5.3 不足与展望

基于涌现理论,本文选择超级电容器储能技术专利数据进行实证研究,通过TERGMs揭示共性技术涌现的动力机制,而不同领域的共性技术涌现可能存在不同特点与动力因素,因而本文研究结论具有一定局限性。未来研究一方面可以通过拓展技术行业领域,提高研究结论普适性;另一方面,可以将其它可能影响共性技术涌现的内生与外生变量纳入考察范围,进一步分析并揭示共性技术涌现的动力机制。

参考文献：

[1] KAPOOR R, KLUETER T. Progress and setbacks: the two faces of technology emergence[J]. Research Policy, 2020, 49(1): 103874.

[2] BURMAOGLU S, SARTENAER O, PORTER A. Conceptual definition of technology emergence:a long journey from philosophy of science to science policy[J].Technology in Society, 2019, 59: 101126.

[3] ROTOLO D, HICKS D, MARTIN B R. What is an emerging technology[J].Research Policy, 2015, 44(10): 1827-1843.

[4] LI M, WANG W, ZHOU K. Exploring the technology emergence related to artificial intelligence:a perspective of coupling analyses[J].Technological Forecasting and Social Change, 2021, 172: 121064.

[5] WOOLLEY J. Technology emergence through entrepreneurship across multiple industries[J].Strategic Entrepreneurship Journal, 2010, 4(1): 1-21.

[6] 陈傲, 柳卸林, 高广宇. 突破性技术发明的涌现轨迹——以心脏起搏器行业为例[J].系统工程, 2011, 29(9): 1-8.

[7] 毛荐其, 刘娜. 技术生态视野下的新技术涌现机理探析[J].管理世界, 2011, 27(12): 182-183.

[8] 周军. 创造性技术涌现中的政府模式选择[J].河南大学学报(社会科学版), 2017, 57(2): 8-14.

[9] 郑月龙, 刘思漫, 白春光. 考虑多主体参与的产业共性技术研发模式比较研究[J].中国管理科学, 2021, 29(8): 44-56.

[10] 郑月龙, 王琳. 多企业共性技术合作研发行为的演化动态[J].系统工程, 2018, 36(2): 71-79.

[11] 秦佳良, 张玉臣, 贺明华. 技术—市场双重未知下企业共性技术设计:从试错学习到共同未知[J].中国科技论坛, 2019,36(7): 128-137.

[12] 郑月龙, 秦国静. 政府补贴对产业共性技术可持续研发行为的影响研究[J].研究与发展管理, 2021, 33(3): 121-145.

[13] 樊霞, 陈双丽. 产学研合作更有利于产业共性技术研发创新吗——对USPTO中国专利数据的实证检验[J].科技进步与对策, 2016, 33(13): 59-65.

[14] 郑彦宁, 浦墨, 刘志辉. 基于产业创新链的产业共性技术识别基本理论探讨[J].情报理论与实践, 2016, 39(9): 53-58.

[15] 陈伟, 林超然, 孔令凯. 基于专利文献挖掘的关键共性技术识别研究[J].情报理论与实践, 2020, 43(2): 92-99.

[16] 马永红, 孔令凯, 林超然. 基于专利挖掘的关键共性技术识别研究[J].情报学报, 2020, 39(10): 1093-1103.

[17] 郑赛硕, 王学昭, 陈小莉. 共性技术识别方法构建与实证研究——以集成电路行业为例[J].图书情报工作, 2021, 65(15): 130-139.

[18] HOLLAND J H. Emergence: from Chaos to order[M].Oxford:Oxford University Press, 2000.

[19] CORNING P A. The re-emergence of "emergence": a venerable concept in search of a theory[J].Complexity (New York, N.Y.), 2002, 7(6): 18-30.

[20] GOLDSTEIN J. Emergence, creativity, and the logic of following and negating[J].The Innovation Journal: The Public Sector Innovation Journal, 2005, 10(3): 1-10.

[21] 张琳, 彭玉杰, 杜会英. 技术会聚:内涵、现状与测度——兼论与学科交叉的关系[J].图书情报工作, 2021, 65(1): 91-101.

[22] 孙雯, 刘人境. 我国大科学工程协同创新参研人员的网络嵌入性前因机制研究[J].管理学报, 2021, 18(12): 1763-1771.

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

[24] SANDÉN B A, AZAR C. Near-term technology policies for long-term climate targets—economy wide versus technology specific approaches[J].Energy Policy, 2005, 33(12): 1557-1576.

[25] GHOSH A, RANGANATHAN R, ROSENKOPF L. The impact of context and model choice on the determinants of strategic alliance formation:evidence from a staged replication study[J].Strategic Management Journal, 2016, 37(11): 2204-2221.

[26] KRIVITSKY P N, HANDCOCK M S. A separable model for dynamic networks[J].Journal of the Royal Statistical Society,Series B,Statistical Methodology, 2014, 76(1): 29-46.

[27] YASUNAGA Y, WATANABE M, KORENAGA M. Application of technology roadmaps to governmental innovation policy for promoting technology convergence[J].Technological Forecasting and Social Change, 2009, 76(1): 61-79.

[28] CURRAN C, BRÖRING S, LEKER J. Anticipating converging industries using publicly available data[J].Technological Forecasting and Social Change, 2010, 77(3): 385-395.

[29] 陈亮, 张志强, 尚玮姣. 技术融合研究进展分析[J].情报杂志, 2013, 32(10): 99-105.

[30] KWON S, LIU X, PORTER A L, et al. Research addressing emerging technological ideas has greater scientific impact[J].Research Policy, 2019, 48(9): 103834.

[31] 万小丽. 专利质量指标中“被引次数”的深度剖析[J].情报科学, 2014, 32(1): 68-73.

[32] 李睿, 赵峰. 届满专利与无效专利的施引特征对比及其情报学意义[J].情报学报, 2016, 35(6): 586-596.

[33] 杨中楷, 梁永霞, 刘则渊. USPTO中我国专利引用状况的统计分析[J].图书情报工作, 2009, 53(2): 42-46.

[34] CHRISTENSEN C M. The innovator's dilemma: when new technologies cause great firms to fail[M].Harvard:Harvard Business Review Press, 2013.

[35] HALL B H, JAFFE A, TRAJTENBERG M. Market value and patent citations[J].Rand Journal of Economics, 2005, 36(1): 16-38.

[36] MEYER M. Does science push technology? patents citing scientific literature[J].Research Policy, 2000, 29(3): 409-434.

[37] 陈凯, 徐峰, 程如烟. 非专利引文分析研究进展[J].图书情报工作, 2015, 59(5): 137-144.

[38] MEYER M. Patent citations in a novel field of technology——what can they tell about interactions between emerging communities of science and technology[J].Scientometrics, 2000, 48(2): 151-178.

[39] 李睿, 周维, 王雪. 引文生态视角下标准必要专利的引文特征研究[J].情报学报, 2018, 37(9): 882-889.

[40] 王萍萍, 王毅. 知识单元特征对发明者知识组合行为的影响——知识网络的视角[J].经济管理, 2018, 40(5): 92-107.

[41] PARCHOMOVSKY G, WAGNER R P. Patent portfolios[J].University of Pennsylvania Law Review, 2005, 154(1): 1-78.

[42] 党兴华, 张晨. 基于Stergm的风险投资网络演化动力研究[J].科研管理, 2022, 43(5): 182-190.

[43] LEIFELD P, CRANMER S J, DESMARAIS B A. Temporal exponential random graph models with btergm: estimation and bootstrap confidence intervals[J].Journal of Statistical Software, 2018, 83(6): 1-36.

[44] CARNEGIE N B, KRIVITSKY P N, HUNTER D R, et al . An approximation method for improving dynamic network model fitting[J].Journal of Computational and Graphical Statistics, 2015, 24(2): 502-519.

(责任编辑：胡俊健)