开放科学(资源服务)标识码(OSID)：
Collaboration plays a crucial role in enabling technological convergence. The rapid pace of technological evolution and the increasing complexity of interdisciplinary challenges make partnerships with external organizations an essential strategy. Establishing collaborative networks helps overcome disciplinary boundaries, promotes the exchange of knowledge, and accelerates the convergence process. However, despite the importance of collaboration in driving convergence, the existing literature on digital and wind power technology integration, especially within the context of China, remains sparse. Although policies supporting this integration have been implemented, comprehensive studies from a patent-based perspective that detail the convergence trends and collaborative dynamics are limited. Furthermore, research has often focused primarily on technological elements, overlooking the role of collaborative actors and the evolution of their relationships. This oversight may hinder a comprehensive understanding of the mechanisms that drive convergence.
To address these research gaps, this study aims to utilize patent co-classification data to explore the convergence landscape of digital and wind power technologies in China and to uncover the dynamic evolution of the collaboration networks underpinning this process. By focusing on collaborative patent data from 2005 to 2022, sourced from the IncoPat database, the study applies social network analysis to construct and analyze technological convergence networks, organizational collaboration networks, and two-layer networks that combine both dimensions.
The findings reveal several key insights: (1) The technological convergence process exhibits distinct evolutionary stages, marked by an accelerating pace over time. This is evidenced by the increasingly prominent small-world characteristics within the convergence network, suggesting enhanced connectivity and efficiency in knowledge flow across technological domains. The core technological areas of convergence have shifted over the study period, evolving from traditional wind turbine technologies to power supply, distribution, and energy storage technologies, and more recently, to digital data processing technologies. This progression highlights the growing role of digital solutions in the wind power sector, underscoring their importance for future innovation. (2) The organizational collaboration network has shown increasingly evident scale-free properties, indicating that a few dominant organizations account for the majority of collaborative activities. State-owned enterprises, such as the State Grid Corporation of China, have emerged as pivotal actors within this network, forming extensive internal collaboration networks. However, these networks demonstrate limited external openness, which may restrict broader knowledge transfer and the incorporation of diverse perspectives. (3) The expansion of the two-layer network has been accompanied by an increase in the technological breadth managed by organizations. In recent years, technology clusters centered on G06 (computing,calculating or counting) have gained prominence as hotspots for inter-organizational technological cooperation.
This research makes several contributions to the existing literature. By systematically revealing the trends of digital and wind power technology convergence through patent network analysis, it provides empirical insights that fill a significant research gap. The study also enhances the understanding of how collaborative relationships evolve over time, offering a comprehensive view of the interaction between technological and organizational factors. These insights are useful for policymakers, industry leaders and researchers, as they provide practical guidance for strategic planning and management practices aimed at fostering deeper integration of digital and renewable energy technologies. Ultimately, the findings support the development of targeted strategies to strengthen collaboration, encourage innovation, and facilitate the transition to more sustainable and efficient energy systems in China.
开放科学(资源服务)标识码(OSID)：
数智时代,大数据、云计算、人工智能等数字技术与能源产业深度融合,成为推动智慧能源转型与产业变革的重要驱动力[1]。如何进一步深化数字技术与能源产业融合,对于我国实现“双碳”目标、提升能源产业核心竞争力以及推动能源高质量发展具有重要意义。
产业间技术融合是实现产业融合的必要基础[2]。技术融合是指整合不同技术领域要素,实现突破性功能的过程[3],其特征表现为多要素协同、多主体参与、多部门跨界合作以及高度的网络化[4]。随着技术演进加速和融合复杂性、风险性以及跨领域复杂性不断提升,单一组织愈发难以凭借自身资源独立完成技术突破,因此由多组织联合研发形成的合作网络日益成为推动技术要素转移、扩散、重组与融合的关键途径[5-6]。在此过程中,技术融合网络与组织合作网络持续动态交互并嵌套演化,为组织实现技术跨界融合提供坚实支撑。
国内外诸多学者利用专利数据对技术融合水平[7]、融合网络演化及趋势[8-9]等方面进行深入探索,凸显了对技术融合中技术要素的关注。然而,技术依附于组织,技术融合不仅涉及技术层面的跨领域整合,而且与跨组织合作密切相关,仅聚焦于技术层面的研究往往忽视融合过程中组织合作关系的关键作用。越来越多的学者认识到有必要探究技术融合与组织合作间的相互作用及深层次联系[10]。例如曹兴等[11]发现,组织间合作强度与广度拓展有助于促进技术跨界融合;刘晓燕等[12]指出,研发伙伴的技术异质性能够提升技术融合效果,跨领域合作更易催生突破性创新。然而,尽管现有研究对上述问题进行了有益探索,但研究视角依然相对局限,对技术融合背后合作网络的探究仍显不足。同时,从微观层面而言,缺乏对技术融合过程中合作主体特征、合作关系特征以及合作技术特征的系统性分析,限制了对技术融合中合作动态的深入理解及对融合机理的全面把握。
风电产业作为我国重点支持的战略性新兴产业,在“智慧风电”建设的推动下,近年来与数字技术的融合不断深化,显著提升风电产业在智能监测与控制、性能优化及智慧运维等方面的应用水平,促进风电产业智能化升级,并逐步成为数字技术与能源产业融合的典型代表[13]。鉴于此,本文以2005-2022年数字技术与风电技术融合的合作专利数据为研究对象,运用社会网络分析法,构建技术融合网络、组织合作网络及技术-组织双层网络,深入剖析网络结构特征与演化趋势,揭示核心节点演变历程,并尝试回答我国数字技术与风电技术融合相关问题,如存在哪些关键融合技术?推动技术融合的合作主体具备何种特征?合作技术焦点经历了怎样的演变?通过上述分析,旨在基于组织合作视角拓展技术融合理论研究,同时,为创新主体构建及加入合作网络、制定创新策略、实现技术跨界融合提供可行思路与决策参考。
本文使用的数据源自incoPat全球专利数据库,专利检索采用基于关键词和IPC(国际专利分类)代码的策略。为确保研究样本质量,专利检索类型限定为发明专利,这是因为其通常被视为高质量专利的代表[14]。时间跨度从2005年1月1日至2022年12月31日。具体筛选过程如下:首先,确定专利检索式。本文认同田秀娟等[15]、蔡跃洲等[16]关于数字技术的定义,即数字技术是在计算技术、现代通信技术和微电子技术等新技术群体基础上不断演进而来的技术,其核心是实现各类信息的准确识别、有效转化、安全存储、高效传播和多样化应用。随着电子技术的不断成熟,ICT技术范围逐渐聚焦于数据传输、加工等功能,可以等同于广义的数字技术。因此,本文使用经济合作与发展组织(OECD)对ICT专利的IPC代码并结合风电技术主题关键词[17]形成本文的专利检索式,通过在数据库中检索以获取初步的专利数据集。其次,筛选技术融合专利。借鉴Jeong等[18]关于技术融合专利的识别策略,依据每项专利的IPC代码,将其归类到相应技术领域。技术领域划分依据世界知识产权组织(WIPO)于2023年7月更新的ISI-OST-INPI分类体系表[19],该对照表将IPC代码对应至35个技术领域(technology field,简称为TF)和5个技术部门(technology sector,简称TS),以准确定位专利所属技术领域。利用Python程序检查每项专利IPC代码所涉及的技术领域。如果某项专利的IPC代码涵盖多个技术领域,则该专利被视为具有跨领域技术融合趋势。如图1所示,尽管专利1包含多个IPC代码,但这些代码都属于同一技术领域,因此不被视为技术融合专利;类似地,专利2只有1个IPC代码,且只属于一类技术领域,故也不被视为技术融合专利。专利3和专利4的IPC代码分别涵盖不同技术领域,表明它们具有跨领域技术融合特点,故被定义为“技术融合专利”。通过筛选合作发明专利,保留含有两个及以上申请人的专利,剔除个人或外国组织申请的专利以及缺失部分信息的专利。最后,获得实现数字技术与风电技术融合的合作专利数据共2 409条。
图1 技术融合专利筛选标准
Fig.1 Technology-patent convergence screening criteria
图2反映2005—2022年我国数字技术与风电技术融合的合作专利申请量变化情况。根据不同阶段专利申请年均增长量并结合相关政策发布时间,将发展阶段划分为3个时期。首先,2005-2010年为“初步探索期”,期间年均专利仅有4条。该阶段,2006年正式颁布《中华人民共和国可再生能源法》,为风电产业发展建立了较为完善的政策环境,但由于风电产业尚处于起步状态,专利申请数十分稀少。其次,2011-2016年为“缓慢发展期”,期间年均专利达到51条,该阶段促进数字技术与风电技术融合的政策显著增多。2012年,科技部发布《风力发电科技发展“十二五”专项规划》,将风电场智能化管理列为重点方向;2016年出台《风电发展“十三五”规划》,进一步强调推动能源结构转型升级,促进风电产业持续健康发展。2016年,国家发展改革委、国家能源局、工业和信息化部联合发布《关于推进“互联网+”智慧能源发展的指导意见》,以推动能源与信息通信基础设施的深度融合。在此阶段,数字技术与风电技术融合稳步推进,合作专利数量逐步上升。最后,2017-2022年为“快速发展期”,期间年均专利增至347条。在这一阶段,国家发展改革委、科技部和国家能源局等部门相继发布一系列政策文件,如《“十四五”现代能源体系规划》《“十四五”能源领域科技创新规划》《“十四五”可再生能源发展规划》等,一致强调促进数字技术与风电技术的跨学科、跨领域融合,培育融合发展的新优势。同时,随着数字经济的迅猛发展,国务院发布《“十四五”数字经济发展规划》,进一步明确加快数字技术与能源产业融合目标,积极推动智慧能源转型。在此阶段,专利数量出现爆发式增长,较上一阶段增长581%,数字技术与风电技术融合进入快速发展阶段。
图2 数字技术与风电技术融合的合作专利申请趋势
Fig.2 Collaborative patent application trend for the convergence of digital and wind power technologies
1.2.1 研究思路与分析框架
为了具体描述技术融合趋势与合作网络动态,本文基于以上3个阶段的专利数据,运用Python,构建3×3个共现矩阵,分别绘制技术融合网络、组织合作网络以及技术-组织双层网络进行分析,如图3所示。其中,技术融合网络表示来自不同领域专利技术的技术共现关系,能够直观反映不同技术元素变化过程,追踪跨技术领域的交叉迹象;组织合作网络则是基于合作专利的组织共现关系构建的,揭示组织在技术融合过程中的合作动态;技术-组织双层网络由组织及其拥有的IPC代码构成,用以衡量组织技术特征、挖掘创新主体关键合作技术。
图3 网络构建过程
Fig.3 Network construction process
1.2.2 社会网络分析法
社会网络分析法是通过对关系数据的系统分析,评估和理解复杂关联网络结构特征的方法[20]。近年来,社会网络分析方法广泛用于分析专利申请人网络、识别有影响力的节点、追踪技术发展趋势以及合作关系演变。本文采用以下指标进行分析:
网络节点与连边。网络规模取决于网络中节点数量和连接数量。在社会网络中,节点通常代表某个体或实体,而边表示它们之间的连接。随着网络中节点和连接数目增加,网络规模变大。
平均度。平均度是用来衡量网络中每个节点连接边的平均数指标,以反映网络稀疏性或稠密性以及网络中节点的直接关联程度。平均度的值越大,说明网络中节点越密集,越易于相互联系。
(1)
其中,m是网络中实际存在的连边数,n表示网络节点数。
网络密度。网络密度是指网络中实际连边数与理论连边数的比值,以反映网络节点之间的紧密程度。具体计算公式如下:
(2)
平均路径长度。平均路径长度是指网络中任意两节点间最短路径的平均值,用以衡量网络整体的可达性和信息传播效率。平均路径越长,表示网络中节点间的平均距离越长。
(3)
其中,dij表示节点i与节点j之间的最短路径长度。
平均聚类系数。聚类系数是指网络中节点与其相邻节点间实际连边数与最大可能连边数的比值,以衡量网络中节点间的紧密程度;平均聚类系数则是网络各节点聚类系数的平均值。平均聚类系数越大,表明网络凝聚力越大,稳定性越高。
(4)
其中,ei表示节点i相邻节点间的实际关系数,ki表示与节点i相邻的节点数。
小世界熵数。小世界网络是指一种既具有较高聚集度又具有较短平均路径长度的网络结构。这种特性使得信息或资源在局部范围内能够快速传递,有助于提高网络合作效率和响应速度。小世界熵数用于定量评价网络的小世界特征:
(5)
其中,C和L分别表示实际网络的平均聚类系数与平均路径长度,Crand和Lrand分别表示相应随机网络的平均聚类系数与平均路径长度。如果σ>1,则表明实际网络具有小世界特征。
中心性可用于识别处于网络中心地位的关键节点。其中,度中心性是刻画节点重要性的最直接指标,节点的度中心性越高,表示其与更多其他节点连接,通常在网络中具有更大影响力;中介中心性衡量一个节点在网络中作为信息传递桥梁的程度,具有高中介中心性的节点意味着它在网络中最短路径上发挥关键的连接作用,网络资源控制能力强;特征向量中心性是根据节点与相邻节点的连接关系来衡量节点网络位置。如果一个节点与其他中心性较高的节点有连接,那么该节点的特征向量中心性就越高,能够利用的网络资源也越多。
以IPC代码为节点,IPC代码在专利中的共现关系为连边,分别构建2005-2010年、2011-2016年、2017-2022年三个阶段的技术融合网络,如图4所示。三个阶段的网络结构特征如表1所示,可以发现,技术融合网络呈现明显的阶段化演变特征。随着时间推移,网络节点数和连边数逐渐增加,尤其是在第三阶段,其节点数相较于第一阶段增加了4.08倍,连边数增加了13.84倍,表明数字技术与风电技术融合规模扩大,技术关联度逐步深化且技术更加多元化。从平均度来看,第三阶段的平均度是第一阶段的3.39倍,表明网络节点间的连接程度显著提高,不同技术间联系更密切。就网络密度而言,随着大量新兴技术融入网络,原有技术间联系变弱,导致网络密度从0.086下降至0.070,反映出网络中存在众多未被探索的潜在连接,为新技术融合提供了广泛可能性。总体上平均路径长度呈下降趋势,平均聚类系数呈上升趋势,小世界熵数始终大于1,并从第一阶段的2.910增长至第三阶段的8.589,表明技术融合网络的聚集性进一步提升,形成多个高度紧密连接的子群,技术融合难度逐渐降低。
表1 技术融合网络结构指标
Table 1 Network structure indicators of technology convergence
网络指标2005-2010年2011-2016年2017-2022年网络节点数3765151网络连边数57176789平均度3.0815.41510.450网络密度0.0860.0850.070平均聚类系数0.6970.6620.707平均路径长度3.2912.4752.487小世界熵数2.9105.7448.589
图4 技术融合网络演化趋势
Fig.4 Evolution of technology convergence network
为反映关键技术在融合过程中的演变,绘制关键融合技术演化图。如图5所示,横坐标表示技术融合广度,即网络中某技术与其他技术直接连接程度,通过计算技术融合网络中节点连边数获得;纵坐标代表技术融合深度,即某技术与其他技术融合的紧密程度,通过计算网络中节点连边的平均权重得到。技术融合广度增大意味着某技术更易于与其他技术融合,从而拓展新技术领域;技术融合深度增大则表明领域内技术关联度增强,技术融合稳定性不断提升。本文选择每个阶段技术融合广度与技术融合强度排名前20的节点,取其交集作为分析对象,并分别采用技术融合广度与深度平均值作为分割线,得到关键融合技术演化图。
图5 关键融合技术演化历程
Fig.5 Evolution of key convergence technologies
图5展示关键融合技术在三个阶段的演化。研究表明,在数字技术与风电技术融合过程中,关键技术融合广度和深度均随时间发生显著变化。
技术融合广度方面,F03D(风力发动机)、H02J(供电或配电的电路装置或系统;电能存储系统)以及G06F(电数字数据处理)依次成为融合广度最高的技术,反映出数字技术与风电技术融合重心经历了由传统风力发动机技术逐步向供电、配电与电能储存技术,最终到电数字数据处理技术的转变。具体而言,F03D技术在技术融合初始阶段拥有最高的技术融合广度,意味着风力发动机技术在连接物理设备与数字技术间具有重要作用,实现与外部数据系统的交互,为后续数字技术在风电系统内的应用扩展奠定基础;在第二阶段,H02J技术的融合广度显著提升,表明该阶段数字技术与风电技术融合主要集中在能源管理、配电优化及电能存储等领域,从而有效提升风电场发电效率和稳定性;随着技术进一步融合,G06F技术在后期阶段逐渐取代H02J,成为融合广度最高的技术,其崛起预示着风电行业正在广泛应用大数据、云计算与人工智能等技术,以实现智能化控制和优化管理,数字技术的扩散效应也随之增强。
技术融合深度方面,G06Q(数据处理系统或方法)技术在后两个阶段始终占据技术融合深度的首位,反映出该技术在整个技术融合过程中的核心地位。G06Q技术为整个系统运行提供必要的基础支撑,诸如风机实时监测、远程控制、风电功率预测等。这些功能依赖于强大的数据处理方法或系统,为整个风电场的智能化管理提供保障。分阶段来看,G06N(基于特定计算模型的计算机系统)技术在后两个阶段始终保持较高融合度,其包括大多数人工智能开发[21],涵盖基于人工神经网络、机器学习、粒子群优化及遗传算法的智能计算模型系统,在数字技术与风电技术融合中至关重要。例如,在自适应控制系统中,G06N技术可依据环境变化动态调整风机运行参数,从而提升系统效率;在风电预测方面,基于G06N的算法(包括人工神经网络、机器学习和支持向量机模型等)能够预测风电场未来发电量。这些算法通过分析历史风速、气象及风机运行数据,优化风机调度、平衡电网负载、减少能源浪费与运营成本。此外,G06K(图形数据读取)技术在第三阶段的融合深度快速扩大,预示计算机视觉技术与风电技术紧密结合的发展趋势[22]。在风电场的日常运行中,各类传感器(如图像传感器)用于监测风机运行状态,G06K技术能够快速读取这些监测数据并通过图像处理和模式识别,将原始数据转化为可操作信息,确保系统对外界环境的精准响应。
总体来看,数字技术与风电技术在多个领域逐步紧密融合,为风能资源评估、风电设备远程监控与智能维护、故障检测与预警、数据采集、通信与分析以及高效运维等方面提供了有力支持,推动风电行业的智能化、数字化转型。此外,以G06类(计算、推算或计数)技术为核心的技术群体,包括G06Q、G06F、G06N和G06K等技术,在技术融合广度和深度上皆有大幅提升,技术扩散和溢出效应愈加明显。因此,未来的融合技术研发应特别关注这些关键技术在推动数字技术与风电技术深度融合中的核心作用及广泛应用。
以组织为节点、组织间合作关系为边,构建3个阶段的组织合作网络,如图6所示,节点大小代表节点的度中心性;节点间连线粗细度由合作频次决定。表2展示不同阶段组织合作网络的结构特征。第三阶段的网络节点数相较于第一阶段增加35.34倍,网络连边数增加123.35倍,表明越来越多的创新主体加入网络并积极开展合作。平均度代表网络中每个组织拥有的平均合作伙伴数量,每个组织的平均合作伙伴数量由第一阶段的至少1个增长至第三阶段的至少3个,揭示出组织合作广度扩增。网络密度随网络规模扩大而下降,说明新加入组织使合作网络紧密度有所下降。平均聚类系数在初期上升后略有下降,而平均路径长度逐步增大,表明网络逐渐松散。结合网络规模扩大和各节点呈现演变可以发现,组织合作网络中逐渐形成少数节点拥有大量连接(如国家电网有限公司),而大多数节点连接减少的趋势,新加入组织更倾向于选择强实力节点合作,表明网络逐渐呈现无标度特征,网络内部强者愈强、富者愈富的“马太效应”更加显著[23]。
表2 组织合作网络结构指标
Table 2 Indicators of organizational cooperation network structure
网络指标2005-2010年2011-2016年2017-2022年网络节点数383041 343网络连边数205272 467平均度1.0533.4673.674网络密度0.0280.0110.003平均聚类系数00.8030.723平均路径长度1.0912.4833.608
图6 组织合作网络演化
Fig.6 Evolution of organizational cooperation network
通过计算网络节点的中心性指标,对关键合作主体的个体特征进行深入分析,以探索组织合作网络中主导力量的动态演变(考虑分析的一致性,本文采用各公司当前新名称)。表3展示中心性排名前8的专利申请人。2005-2022年数字技术与风电技术融合网络吸引了不同地区、行业和类型的创新主体,网络复杂性、多样性和异质性显著提升。
表3 关键合作主体
Table 3 Analysis of key cooperation entities
2005-2010年度中心性中介中心性特征向量中心性2011-2016年度中心性中介中心性特征向量中心性2017-2022年度中心性中介中心性特征向量中心性西北电网有限公司西北电网有限公司西北电网有限公司国家电网有限公司国家电网有限公司国家电网有限公司国家电网有限公司国家电网有限公司国家电网有限公司海尔集团公司海尔集团公司海尔集团公司中国电力科学研究院有限公司中国电力科学研究院有限公司鸿富锦精密工业(深圳)有限公司中国电力科学研究院有限公司华北电力大学中国电力科学研究院有限公司中国电力科学研究院有限公司中国人民解放军国防科学技术大学华北电力大学华北电力大学中国电力科学研究院有限公司华北电力大学中国电力科学研究院有限公司华北电力大学株洲时代新材料科技股份有限公司中国广东核电集团有限公司清华大学华北电力科学研究院有限责任公司华北电力大学清华大学中国华能集团清洁能源技术研究院有限公司清华大学中国南方电网有限责任公司电网技术研究中心中国南方电网有限责任公司电网技术研究中心国网江苏省电力有限公司华北电力大学(保定)国网江苏省电力有限公司中国华能集团清洁能源技术研究院有限公司华中科技大学国网江苏省电力有限公司杭州海康雷鸟信息技术有限公司大亚湾核电运营管理有限责任公司国电南瑞科技股份有限公司哈尔滨工业大学国网甘肃省电力公司国网江苏省电力有限公司清华大学国网电力科学研究院有限公司中国广东核电集团有限公司株洲时代新材料科技股份有限公司国网甘肃省电力有限公司西安交通大学清华大学浙江大学浙江大学国网冀北电力有限公司大亚湾核电运营管理有限责任公司杭州海康雷鸟信息技术有限公司国网甘肃省电力公司风电技术中心清华大学哈尔滨工业大学华中科技大学上海交通大学国网辽宁省电力有限公司
首先,国家电网有限公司始终占据核心位置。除在第一阶段隶属国家电网有限公司的西北电网表现突出外,国家电网有限公司在度中心性、中介中心性和特征向量中心性三项指标中始终排名第一。这表明国家电网公司不仅与众多创新主体建立了广泛的合作关系,而且在技术合作和信息交流中充当关键的“中间人”角色,凸显出其在数字技术与风电技术融合领域的影响力和控制力,也从侧面反映出国家电网有限公司在资源、技术和政策整合方面的优势,尤其是在数字化转型和智能电网技术兴起下通过旗下研究机构与省级分公司的协同合作,进一步巩固其作为中心节点的关键角色。
其次,高校在中介中心性方面的突出表现值得关注。从第二阶段开始,中介中心性排名前八的主体中高校数量始终占据一半以上,包括电力行业领军院校(如华北电力大学)和综合性大学(如清华大学、浙江大学等),表明高校对网络资源的控制力显著增强。随着技术复杂性提升、多学科交叉需求增大,高校的突出表现反映出基础研究在促进技术融合中的重要性。通过与产业界合作,高校不仅为数字技术与风电技术跨领域融合提供理论支持和知识储备,而且通过产学研合作促进技术成果快速转化。这一趋势表明推动高校与企业的深度合作对于加速数字技术和风电技术融合发展具有重要意义。
最后,从关键合作主体的阶段性动态演变来看,以度中心性为例,合作主体类型和结构发生显著变化。第一阶段(2005-2010年),合作网络呈现多元化主体参与特征,涵盖区域电网企业(如西北电网有限公司)、风电设备制造企业(如株洲时代新材料科技股份有限公司)以及核电企业(如中国广东核电集团有限公司)等。这一阶段的数字技术与风电技术融合尚处于探索阶段,合作主体类型较分散。然而,这种多元化结构也反映出合作网络尚未形成清晰的主导力量,网络结构稳定性较低。第二阶段(2011-2016年),合作网络的核心主体逐步集中,以国家电网有限公司及其各省份分公司、下属研究院为主导的格局逐渐形成。第一阶段的核心主体西北电网有限公司退出中心节点,这一变化与国家电网有限公司加强区域电网资源整合密切相关。随着国家电网有限公司对技术资源的集中调配,区域电网企业在合作网络中的地位不断被削弱。此外,第一阶段中其他类型企业的退出也可能与其从事风电领域非核心业务相关,例如部分风电设备制造企业和核电企业未能实现专业化技术发展,无法满足广泛的数字技术与风电技术应用需求,进而逐渐被专业化程度更高的国家电网有限公司及其所属机构取代。第三阶段(2017-2022年),合作网络结构和主导主体进一步优化、调整。国家电网有限公司旗下的国网江苏省电力有限公司和中国电力科学研究院有限公司继续保持核心地位。同时,华能集团清洁技术研究院有限公司作为致力于清洁能源技术研发和产业化的企业科研机构,首次进入关键合作主体阵营。这一现象表明随着近年“双碳”工作推进,清洁能源企业的数字化转型步伐加快并致力于数字技术与风电技术的融合研发,扩大了技术影响力、提升了在合作网络中的地位。此外,第三阶段中高校作用进一步强化,占据关键合作主体地位的高校数量从第二阶段的2所增加至4所。这不仅体现数字技术与风电技术融合对基础研究和跨学科知识的强烈需求,而且反映出高校在推动技术跨领域应用与创新中的重要作用。
鉴于网络演化主要依赖于网络关键节点,本文借鉴陈钰芬等[24]的方法,提取网络中度中心性超过3的组织,简化后得到2011-2022年关键合作网络(2005-2010年无大于3的组织,故未列入)。本文将申请人分为企业、高校和科研单位三种类型,并结合表3中的关键合作主体分析发现国有企业在合作网络中占比较高。因此,为了凸显国有企业在构建合作关系中的重要作用,进一步根据企业性质,将企业划分为国有企业与非国有企业,并将国有企业布局在圆环内部,非国有企业、高校与科研单位则布局在圆环边缘,用以直观展示关键合作关系分布情况。其中,圆形节点表示国有企业,三角形节点表示非国有企业,正方形节点表示高校,五边形节点表示科研单位,节点大小与其度中心性相关,连线粗细度则反映节点间合作频次。具体的网络可视化结果见图7,关键合作类型见表4。
表4 关键合作关系
Table 4 Key partnership
类型2011-2016年频数占比(%)2017-2022年频数占比(%)国企—国企7458.7349150.41国企—高校4838.1046047.23国企—非国企31.59131.33国企—科研单位0030.31高校—高校10.7920.21非国企—非国企0010.10非国企—高校0010.10国企—非国企—高校10.7910.10国企—高校—科研单位0020.21
图7 关键合作网络
Fig.7 Network of key partnership
基于网络可视化和关键合作关系类型分析可以发现,国有企业在推动组织合作中始终处于引领地位,合作模式更加多元化,与非国有企业、高校和科研单位建立了广泛合作关系。然而,除高校与国有企业合作较紧密外,其他创新主体参与度较低,合作频次相对较低,表明这些主体在促进数字技术与风电技术融合方面动力不足。
从关键合作类型演化来看,从第二阶段(2011-2016年)到第三阶段(2017-2022年),国企与国企间的合作比重呈下降趋势。与此同时,国企与高校的合作比重显著提升,从38.10%上升至47.23%,其他合作类型(国企与科研单位、国企与非国企的合作)占比也逐渐增大。其原因可能是国有企业逐渐意识到仅依赖内部合作无法有效解决技术快速更迭下的技术融合需求,因而主动寻求与高校等外部创新主体的跨学科知识交流、资源整合,以拓展创新广度与深度。
具体到国有企业合作网络来看,在推进数字技术与风电技术融合过程中关键合作主要体现在国家电网有限公司、各省市分公司及旗下研究院之间,并在网络内部始终保持紧密而深层次的合作关系。例如,国家电网有限公司与其直属科研单位(如中国电力科学研究院有限公司)以及省级子公司(如国网江苏省电力有限公司)的合作频次均位居前列。相比之下,其与电力数字化厂商、能源技术服务公司、ICT 服务提供商等新市场参与者的联系较弱。这种内部合作的广泛性可能源于国有电力公司内部较为完善的合作机制与资源共享网络,从而确保组织间技术、信息和资源高效流通,技术融合过程中具备较高的自给自足性,减少对外部合作的依赖,并形成相对封闭的内部合作圈。然而,过度依赖内部合作可能导致企业在技术融合过程中缺乏多样化视角和思维,易陷入“知识锁定”困境[25],限制创新广度与深度,引致创新过于行业垂直化,从而难以有效应对跨领域技术挑战。
值得注意的是,这种合作网络与国外的合作网络存在显著的特征差异。例如,在美国,数字技术与风电技术融合主要由市场驱动[26],合作网络由私营企业、高校、政府机构以及行业协会等多主体共同构成[27],虽然私营企业在其中发挥重要作用,但是合作网络呈现去中心化和多元化特点。这一模式与我国在政策引导和国有企业推动下形成的强连接网络结构有显著不同。
基于技术—组织双层网络视角分析技术与组织间的关系特征,有助于深入了解组织参与哪些特定领域的技术融合。图8展示三阶段的技术—组织双层网络,其中,上层黑色节点代表组织,下层灰色节点表示IPC代码,节点大小由其度中心性决定。可以发现,随着时间推移,网络中IPC节点数与组织节点数逐渐增多,技术领域更加多样化,组织规模不断扩大,组织与技术间连接也更为紧密。这表明越来越多的组织加入合作网络,促进数字技术与风电技术融合,涉及的技术领域也不断拓宽。
图8 技术—组织双层网络演化
Fig.8 Evolution of the technology-organization two-layer network
表5展示网络中合作关系最密切的前五名组织及合作频次最高的重点技术演变情况。第一阶段,合作专利数较少,涉及的技术领域有限,技术结构特征尚未出现明显规律。第二阶段,所有主体均掌握了H02J、G06Q、G06F等关键技术,半数主体掌握了G05B(控制或调节系统)和G01R(电量测量)技术,表明该阶段组织合作的技术方向逐渐趋同。第三阶段,所有组织的技术结构趋于高度相似,其技术领域排序也基本一致;形成以G06Q、G06F、G06N、G06K等以G06(计算、推算或计数)为主导的核心技术群体,反映出融合过程中组织对具有计算、推算或计数等功能数字技术的高度关注,表明这些技术在引领技术创新和升级中具有关键作用。
表5 关键合作主体重点合作技术演变
Table 5 Priority cooperative technology evolution among key cooperation entities
阶段排名关键合作主体 重点合作技术 2005-2010年1西北电网有限公司G06F; H02J; G01L; G06K; G06N2海尔集团公司G01L; G01N; F24D3中国电力科学研究院有限公司G06F; H02J; G06K4株洲时代新材料科技股份有限公司G01M; G01N5中国南方电网有限责任公司电网技术研究中心G01B; G01K; G01L; F03D2011-2016年1国家电网有限公司H02J; G06Q; G06F; G06N; G05B2中国电力科学研究院有限公司H02J; G06Q; G06F; G01R; G05B3华北电力大学H02J; G06Q; G06F; G06K; G05B4清华大学G06F; H02J; G06Q; G05B; G01R5国网江苏省电力有限公司G06F; G06Q; H02J; G01P; G01R2017-2022年1国家电网有限公司G06Q; H02J: G06F; G06N; G06K2中国电力科学研究院有限公司G06Q; G06F; H02J; G06N; G06K3华北电力大学G06Q; G06F; H02J; G06N; G06K4清华大学G06Q; G06F; H02J; G06N; G06K5中国华能集团清洁能源技术研究院有限公司G06Q; G06F; H02J; G06N; G06K
本文基于2005-2022年中国数字技术与风电技术融合的合作专利数据,利用社会网络分析法,分析数字技术与风电技术融合趋势、演化特征以及组织合作网络动态,得到主要研究结论如下:
(1)通过对技术融合网络的分析发现,我国数字技术与风电技术融合呈现出明显的阶段化演变特征。随着时间推移,技术融合速度显著加快,涉及领域持续拓宽,融合网络的小世界特性更加突显,技术融合难度不断降低。早期核心技术领域主要集中于传统风力发电机技术(F03D);随着数字技术不断渗透,技术重心逐渐转向供电、配电、电能储存技术(H02J),并逐渐扩展至电数字数据处理技术(G06F);近年来,以G06类(计算、推算或计数)技术集群为核心的数字技术(如G06Q、G06F、G06N和G06K)融合广度与深度不断拓展,溢出效应明显,有力推动风电系统智能化转型。这一发现与Lee等[8]关于人工智能在工业领域技术融合路径的研究结果相似,但本文深入揭示了数字技术在风电领域融合的演化轨迹,为能源领域技术融合研究提供了新视角。
(2)通过分析组织合作网络发现,推动数字技术与风电技术融合的组织合作网络处于持续扩展阶段,其无标度特性日益显著,组织间合作关系逐步稳定;作为行业龙头的国有企业、高水平综合性大学及电力院校在关键技术融合发展中发挥桥梁和纽带作用。类似研究也表明,大型国企主导的合作网络对技术扩散具有重要推动作用[28-29]。然而,值得注意的是,以国家电网有限公司为代表的领军国有企业在内部形成相对封闭的合作圈,外部非国有企业、能源服务机构及数字化厂商的参与度较低,该结果与 Mah等[30]的研究结论一致,表明在推进数字技术与风电技术融合过程中组织合作网络的对外开放度亟待进一步提升。
(3)从技术-组织双层网络来看,融合过程中双层网络呈现同步扩展和协同进化特征。具体为:组织间合作显著增强,合作覆盖的技术领域日益丰富;核心组织通过密集合作加速关键技术集聚与共享,尤其是以G06类技术为代表的数字技术群体逐渐成为融合过程中的主导力量。与此同时,这些技术通过跨学科、跨领域及跨组织的多重交叉,不断开辟新演化路径并催生新型融合技术,预示着未来数字技术在技术融合中的引领作用将进一步增强[31]。
基于以上研究结论,本文从技术研发者、企业决策者和政策制定者角度提出以下管理启示:
对于技术研发者:第一,注重底层技术研发与生态建设。底层技术创新是推动技术融合的基础保障,研发者应在数字技术领域投入更多资源,专注于数据处理、算法优化和系统架构等底层技术突破。同时,通过搭建技术生态系统,推动技术模块化和系统化,降低技术融合中的协同难度,为跨领域应用提供稳定支持。第二,推动多学科交叉创新与技术集成。通过加强多学科协作,破除单一领域的研究局限,推动技术要素的高效整合。积极建设多学科协同创新平台,整合不同领域研究资源与实验条件,为技术融合提供系统化支持。第三,聚焦行业需求与应用场景。紧贴风电行业需求,结合具体场景推动技术成果转化和应用。除数字技术与风电技术融合外,未来还可积极拓展数字技术与其他能源技术(如光伏、氢能等)的融合应用场景,提高数字技术的渗透性与融合深度,释放其技术潜力。
对于企业决策者:第一,设立专门的技术融合监测与管理机制。关注技术融合的动态变化,建立专门的监测机构,实时分析技术融合动态、市场需求及政策环境,围绕关键融合领域加强专利布局与技术储备。第二,倡导开放式创新合作。在开放式创新模式下,能源类企业应积极与高校、科研机构及数字技术服务商等创新主体建立多层次合作网络,在明确自身资源和能力基础上探索与内外部伙伴的合作机制,拓展外部资源整合广度与深度,从而实现技术资源的高效流动与共享,推动数字与传统能源技术的深度融合。第三,培育技术融合的创新文化。在组织内部建立包容的创新文化,鼓励跨组织、跨部门技术协作。通过设立技术融合激励机制,提升员工对技术融合的参与度与创造力。
对于政策制定者:第一,制定任务导向型政策,推动关键领域技术融合。明确技术融合的短期与长期目标,通过专项支持计划推动关键领域的技术突破。针对底层的关键数字技术研发,应出台专项支持计划,推动基础性、长期性研究,为技术融合提供持续动力。此外,借鉴美国融合加速器计划(Convergence Accelerator)的经验,可通过提供税收优惠、研发补贴和创新基金等方式降低技术融合风险与不确定性,助力技术成果从实验室加速进入市场化应用,促进数字技术与风电技术融合的实际落地。第二,培育技术融合的核心创新主体。彰显领军企业在资源整合与技术转化中的主导地位,发挥高水平大学与研究机构在基础性研究和前沿技术研究中的重要作用。鼓励企业牵头联合高校和科研机构,组建技术融合创新联合体,促进技术研发、成果转化和推广应用的全链条协作。第三,构建开放协同的融合创新生态。引导建设开放的公共技术合作平台,吸引国内外多元创新主体参与,形成跨组织、跨领域的协作创新联盟,推动数字技术与风电技术的持续融合和产业化应用。
本文研究仍然存在一定的局限性,未来有待进一步完善,主要包括三个方面:第一,主要聚焦技术融合网络与组织合作网络演化过程,尚未通过实证分析深入探讨组织合作行为对技术融合的具体影响机理,而探究两者之间的互动关系对于推动技术融合以及实现突破性创新具有重要意义。因此,未来研究应关注组织合作网络如何动态塑造技术融合演化路径,并通过定量分析进行实证验证。第二,以中国数字技术与风电技术融合的合作专利数据为研究样本,缺乏针对不同国家及与其他能源技术融合的横向比较。未来可以进一步探索数字技术与其他能源技术融合的演化特征,或从国际视角出发,对不同国家或地区创新主体在推动技术融合中的合作行为进行比较分析。第三,采用的组织合作数据来源于合作专利,无法全面反映组织间所有形式的合作关系,未来研究应引入多元化的组织合作数据,例如论文合著、技术转移记录或企业间资本合作等,以全面反映组织间合作动态。
[1] 伍心怡, 何爱平. 数字技术助推中国现代能源体系构建: 赋能机制、现实问题与实现路径[J].经济问题探索, 2024,45(1):1-14.
[2] 黄先海,高亚兴.数实产业技术融合与企业全要素生产率——基于中国企业专利信息的研究[J].中国工业经济,2023,41(11):118-136.
[3] SICK N, BRÖRING S. Exploring the research landscape of convergence from a TIM perspective: a review and research agenda[J].Technological Forecasting and Social Change, 2022, 175: 121321.
[4] 张沥幻, 张金昌. 数实技术融合、企业转型升级与新质生产力——基于A股制造业企业的实证检验[J].科技进步与对策, 2024, 41(20): 1-12.
[5] SU H N, MOANIBA I M. Investigating the dynamics of interdisciplinary evolution in technology developments[J].Technological Forecasting and Social Change, 2017, 122: 12-23.
[6] 李欣, 温阳, 黄鲁成, 等. 多层网络分析视域下的新兴技术研发合作网络演化特征研究[J].情报杂志, 2021, 40(1): 62-70.
[7] 杨冠灿, 行佳鑫, 王雪, 等. 复杂动态视角下的技术会聚预测方法研究综述[J].图书情报工作, 2024, 68(2): 134-147.
[8] LEE S, HWANG J, CHO E. Comparing technology convergence of artificial intelligence on the industrial sectors: two-way approaches on network analysis and clustering analysis[J].Scientometrics, 2022, 127(1): 407-452.
[9] WANG J, LEE J J. Predicting and analyzing technology convergence for exploring technological opportunities in the smart health industry[J].Computers &Industrial Engineering, 2023, 182: 109352.
[10] 刘晓燕, 王晶, 单晓红, 等. 基于多层网络的创新网络节点间技术融合机理[J].科学学研究, 2019, 37(6): 1133-1141.
[11] 曹兴, 许羿, 赵倩可, 等. 多层网络视角下新兴技术跨界融合机理与实证研究[J].中国软科学, 2022,37(12): 102-111.
[12] 刘晓燕, 庞雅如, 单晓红, 等. 合作研发与技术交易谁更有利于技术融合: 以人工智能多层专利网络为例[J].科技进步与对策, 2024, 41(5): 10-18.
[13] HE Z X, DROZDOV D, WANG J M, et al. Competitiveness of the wind power industry in China: an analysis based on the extended diamond model[J].Journal of Renewable and Sustainable Energy, 2020, 12(5): 052701.
[14] 刘娟, 曹杰, 张建宇. 独占还是共享? 研发国际化与企业创新价值获取——来自上市企业专利引用数据的证据[J].国际贸易问题, 2022,48(9): 157-174.
[15] 田秀娟, 李睿. 数字技术赋能实体经济转型发展——基于熊彼特内生增长理论的分析框架[J].管理世界, 2022, 38(5): 56-73.
[16] 蔡跃洲, 牛新星. 中国数字经济增加值规模测算及结构分析[J].中国社会科学, 2021,42(11): 4-30, 204.
[17] AZAM A,AHMED A,WANG H,et al.Knowledge structure and research progress in wind power generation (WPG) from 2005 to 2020 using CiteSpace based scientometric analysis[J].Journal of Cleaner Production, 2021, 295: 126496.
[18] JEONG S,KIM J C,CHOI J Y.Technology convergence: what developmental stage are we in[J].Scientometrics, 2015, 104(3): 841-871.
[19] Intellectual Property Statistics[EB/OL].[2024-11-03].https://www.wipo.int/web/ip-statistics.
[20] TABASSUM S,PEREIRA F S F,FERNANDES S,et al.Social network analysis: an overview[J].Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2018, 8(5): e1256.
[21] ADEL M E, HARRISON C. Unravelling technology meta-landscapes: a patent analytics approach to assess trajectories and fragmentation[J].World Patent Information, 2024, 76: 102256.
[22] BAHAGHIGHAT M, ABEDINI F, XIN Q, et al. Using machine learning and computer vision to estimate the angular velocity of wind turbines in smart grids remotely[J].Energy Reports, 2021, 7: 8561-8576.
[23] WANG P. Collaborative innovation of wireless communication in logistics: evolution of network structure and knowledge domain[J].Wireless Networks, 2024, 30(8): 6773-6783.
[24] 陈钰芬, 王科平. 多维邻近性视角下人工智能合作创新网络演化研究[J].管理学报, 2023, 20(7): 1045-1055.
[25] PAN X F, PAN X Y, AI B W, et al. Structural heterogeneity and proximity mechanism of China's inter-regional innovation cooperation network[J].Technology Analysis &Strategic Management, 2020, 32(9): 1066-1081.
[26] BIRD L, BOLINGER M, GAGLIANO T, et al. Policies and market factors driving wind power development in the United States[J].Energy Policy, 2005, 33(11): 1397-1407.
[27] DOBLINGER C, SURANA K, ANADON L D. Governments as partners: the role of alliances in U.S. cleantech startup innovation[J].Research Policy, 2019, 48(6): 1458-1475.
[28] 操友根, 任声策, 杜梅. 企业牵头创新联合体合作网络研究——以上海市科技进步奖项目为例[J].科技进步与对策, 2023, 40(20): 1-10.
[29] 龚红,常梦月,董姗.突破“卡脖子”技术:技术重组与跨界搜索对企业关键核心技术创新的影响[J].珞珈管理评论,2023,17(5):24-45.
[30] MAH D N, WU Y Y, RONALD HILLS P. Explaining the role of incumbent utilities in sustainable energy transitions: a case study of the smart grid development in China[J].Energy Policy, 2017, 109: 794-806.
[31] 刘庆龄, 曾立. 数字技术推动高质量发展的机理与策略研究[J].科技进步与对策, 2023, 40(12): 12-22.