开放科学(资源服务)标识码(OSID)：
This paper constructs a global innovation network by stage across the industrial chain, covering upstream (materials and equipment), midstream (process, design, packaging and testing), and downstream (application). It draws on patent citation data from 2000 to 2023 to map knowledge flows between organizations and identify the structural positions of key actors, including Chinese enterprises and research institutions. Static resilience is measured through degree distribution, assortativity, and centrality indicators, while dynamic resilience is evaluated by simulating random failures, deliberate attacks, and local and extreme technology decoupling scenarios involving the United States,Japan and South Korea.
The results show that the global innovation network presents significantly different topological structures in different value chain links. The upstream network is dominated by Japanese nodes, forming a highly concentrated monopolistic structure, with China remaining in a marginal position for a long time; the midstream network was initially dominated by Japanese and American enterprises, but then Chinese enterprises entered on a large scale, forming a dense local innovation community; the downstream network has evolved from sparse and loose to a diversified pattern, with a significant increase in the number and influence of Chinese nodes. From the perspective of static resilience, the upstream network shows a clear core-periphery structure, while the midstream and downstream networks have transitioned from “oligopoly dominance” to “multi-agent distributed innovation”, enhancing overall robustness. The resilience of Chinese nodes is generally lower than the global average, with “unbalanced” characteristics in terms of resistance and stability, adaptation and adjustment, and hub and control capabilities. From the perspective of dynamic resilience, the high-end chip industry innovation network shows significant systemic vulnerability in response to deliberate attacks, and its dynamic resilience is much lower than its ability to resist random disturbances. In extreme decoupling scenarios, core Chinese nodes such as Huawei and the Chinese Academy of Sciences face a high risk of innovation chain disruption. In local decoupling scenarios, although China's resistance capability decreases, its hub and control capabilities increase, especially in the upstream field.
This paper integrates resilience theory, social network analysis, and dynamic shock simulation methods, taking China's embedding in the global innovation network of high-end chips as the entry point, and responds to the gap in existing literature regarding insufficient attention to the resilience capabilities of network nodes and the lack of empirical measurement. Different from previous literature that studies network structure and embedding resilience separately, this paper innovatively introduces a “static-dynamic” resilience analysis framework, empirically measures and compares the differentiated impacts of external shocks on different industrial chain links and resilience dimensions. The research provides policy implications for latecomer countries to enhance the resilience of embedding in strategic industry innovation networks, prevent the risk of global innovation network disruption in strategic industries, and improve the security of open innovation systems.
开放科学(资源服务)标识码(OSID)：
2025年12月,工业和信息化部等八部门印发《“人工智能+制造”专项行动实施意见》,明确提出“推动智能芯片软硬协同发展,支持突破高端训练芯片、端侧推理芯片、人工智能服务器、高速互联、智算云操作系统等关键技术”。高端芯片产业成为全球创新网络嵌入的关键命门,关乎国家经济安全与创新发展。以美国为首的科技霸权通过“小院高墙”实施体系化技术封锁,进而对特定目标断供,导致全球创新网络面临关键技术受限、创新环节断点和创新网络嵌入脆弱等多重韧性挑战。此背景下,揭示高端芯片产业全球创新网络嵌入的韧性特征与韧性风险源,成为重要现实议题。
全球创新网络(Global Innovation Networks,简称GIN)嵌入韧性是一个交叉概念,其理论脉络经历了从系统韧性到网络结构,再到创新情境的层次化演进与整合。韧性概念由生态学家Holling[1]引入学术领域,用于描述生态系统应对扰动保持稳定的能力,随后逐步拓展至工程学、社会学和经济学等多个领域。韧性理论揭示了系统抵御扰动、维持核心功能并动态演化的本质能力。复杂网络理论的发展[2-3],为韧性分析提供了关键的结构性语言与方法论工具,相关研究聚焦于网络拓扑结构,并深入探究这些结构属性如何共同塑造网络稳健性、适应性与恢复力。“网络—韧性”范式被广泛应用于交通网络、生态网络、供应链网络和贸易网络[4-5]。Freeman[6]、Lundvall等[7]指出,创新本质上是基于知识流动与协作互动的全球网络化过程。这一洞见为网络韧性研究注入了社会经济维度,推动其向创新领域延伸[8-9],并催生出“全球创新网络韧性”的研究方向[10-11]。本文基于上述理论演进脉络与交叉视角,构建GIN嵌入韧性分析框架,旨在通过整合系统韧性特征、网络结构属性与全球创新协作情境,系统研究中国嵌入GIN韧性。
网络嵌入韧性的测度方面,现有研究视角与方法愈发多元化,但尚未形成系统化框架。张筱娟等[12]、杨伟等[13]采用集聚性、层级性和匹配性反映整体网络的静态韧性特征属性;徐维翔等[14]利用节点中心度等网络拓扑指标和熵权法,分析长三角协同创新网络的节点静态韧性。少数文献从多维度对嵌入韧性进行了测度。例如,肖沁霖等[15]通过修正引力模型构建制造业智能化发展的空间关联网络,并从整体和个体角度对网络结构进行分析;周霞[11]从静态和动态两个维度测度不同发展阶段全球通信芯片产业创新网络韧性;李帅威等[16]从连接冗余性、结构紧凑性、局部容错性、传输效率和网络抗毁性五个方面测度锂电池全产业链贸易网络韧性,并基于蓄意攻击情境下的仿真模拟对锂电池全产业链贸易网络动态韧性进行系统评估。
关于高端芯片产业的研究,大多聚焦于关键技术节点攻关与“卡脖子”环节自主可控问题[17-18]。基于网络视角的相关研究也逐步涌现:俞荣建等(2023)运用四维依赖理论对芯片技术中材料、设计、制造与封装四个模块的网络出入度进行跨国比较;王慧扬等[19]运用社会网络分析法对国内AI芯片关键技术领域研发合作创新网络进行分析。事实上,产业分工也影响着企业在全球范围内知识获取的性质和途径,并在市场层面形成融入GIN的需求和动力[20]。具体而言,芯片产业发展高度依赖产业链不同环节间的协同联动。下游市场规模化、定制化需求通过价格、标准等方式传导至中上游,推动设计、制造、材料与设备等环节进行适应性创新和前瞻研发。此过程中,“链主”企业借助创新能力可带动上下游企业共同成长,促进产业链各环节间互联互通[21]。同时,大型企业具备自主构建开源社区的能力,能够吸引更多中小企业融入GIN,进而构建更具韧性的产业生态(李英姿等,2024)。
鉴于此,本文将全球创新网络嵌入韧性划分为静态韧性与动态韧性两个维度。静态层面通过横向对比,研究整体网络结构韧性的时间纵向演化趋势,揭示中国创新网络静态韧性,并与全球基准水平进行比较;动态层面模拟技术脱钩和外部冲击,反映技术脱钩对中国嵌入GIN韧性的影响,并展示和量化GIN在遭受外部冲击时网络性能的动态变化。
本文边际贡献在于:第一,研究视角上,聚焦高端芯片产业这一战略领域,结合当前GIN断裂风险,全面评估中国嵌入GIN的韧性水平,为提升我国高端芯片产业技术自主性与抗风险能力,提供事实依据与经验证据。第二,研究方法上,基于GIN的运行特征,尝试构建包含静态角度和动态角度的GIN嵌入韧性评价系统,使研究更为立体、全面。第三,研究内容上,按照产业链分工将高端芯片产业划分为上中下游三个环节,并进一步深入各环节细分领域构建芯片产业创新图谱,为提升我国高端芯片产业技术自主性与抗风险能力提供政策建议。
1.1.1 全球创新网络概念
关于GIN的概念界定,学术界尚未达成共识。Ernst[22]在全球生产网络的基础上提出GIN概念,认为技术发展驱使产业解构并重构其创新活动,将研发等高附加值环节在全球进行碎片化布局,进而形成跨越组织和国家的全球知识核心与学习系统;马琳等[23]、Gassmann等[24]、张振刚等(2015)指出,该网络体系本质上是经济全球化浪潮下,企业创新模式从传统封闭式逐步向开放式演进过程中所形成的新型商业范式。本文将GIN界定为跨越地理和组织边界,由企业、大学、研究机构等多元主体,在全球范围内多点联动的网络式知识流动过程。该知识流动过程可通过技术要素、人才流动、供应链协作等多种渠道实现。
1.1.2 全球创新网络的结构特征
GIN作为复杂知识流动与协作的载体,其内在结构呈现出多层次嵌套特征,深入理解其运作机制,需从不同角度切入,系统考察其结构特征。
(1)GIN具有交互性。从个体角度出发,观察节点在创新网络中的拓扑特征与网络地位,能够揭示个体获取和传递创新资源的路径与效率,反映网络发展中资源流动的微观基础[25]。
(2)GIN具有社区性。从社团角度出发,网络中的节点会基于紧密的技术关联、地理邻近或共同目标等因素,形成内部紧密连接、外部连接相对稀疏的社区[26]。对我国电子信息产业创新网络结构的实证分析发现,其空间组织形态呈现显著集群化特征,核心节点主要分布在产业集群区域,且网络拓扑结构正经历从单一核心主导向多中心互联的集群网络模式动态演变过程[27]。
(3)GIN具有系统性。从整体角度出发,将网络视为知识流动系统,关注其全局结构特征,如平均度、网络密度、平均聚类系数、自然连通度和网络效率等[13,15]。通过观察在动态演化过程中网络连通度和网络性能水平的变化程度[11],揭示GIN在开放环境中不断调整、适应和寻求平衡的内在机制。这种宏观视角有助于分析产业技术发展的整体趋势,识别潜在创新瓶颈与系统性风险,并评估GIN遭受外部冲击时的动态韧性综合水平。
1.2.1 高端芯片产业创新行为
高端芯片产业的创新活动在组织形态与演进路径方面,与产业链环节的垂直分工结构和技术代际规律具有一定的同构性。由此,高端芯片产业的创新行为可视为以知识模块为载体、以专利为产出形式的结构化知识创造活动。
为系统构建研究分析框架,本文遵循高端芯片产业的垂直分工逻辑,将其创新活动划分为三个核心环节。上游为基础支撑层,涵盖半导体材料与设备,构成芯片产业的底层基石;中游为核心制造与集成层,包括芯片制造、芯片设计与封装测试;下游为市场应用层,主要涉及云端的AI模型训练与边缘端的终端产品。基于前文对高端芯片产业价值链上中下游关键环节的技术演进、市场结构及竞争态势的深入剖析,本文参考国家知识产权局《关键数字技术专利分类体系(2023)》的分类方法,整合最新行业数据、文献资料及技术发展趋势,通过提取IPC专利分类号与关键核心技术词汇,实现对各产业环节技术特征的精确识别与量化评估,最终构建高端芯片产业创新图谱(见表1)。
表1 高端芯片产业创新图谱
Table 1 Innovation map of high-end chip industry
产业链环节领域细分领域主要IPC分类号上游半导体材料12英寸硅片C30B29/06、H01L21/304光刻材料G03F7/004、H01L21/027超高纯金属溅射靶材H01L21/203、C23C14/34CMP材料C09G1、H01L21/306半导体设备光刻机G03F7/00、H05K3/07离子注入机C30B31/22、H01J37/32刻蚀设备C23C18/22、H01J37/20原子层沉积设备C23C16/455、H01L21/20CMP抛光机B24B29、H01L21/304量检测设备H01L21、G11C29中游芯片制造FinFET工艺H01L21/28、H01L21/336LELE工艺G03F7/00、H01L21/306GAA工艺H01L21/28、H01L21/336芯片设计逻辑芯片G05B19、H03K19存储芯片H01L27/24、H01L27/22模拟芯片H03F3/189、H01Q1EDA电子自动化设计G06N3、G11C13封装测试倒装、芯粒、2.5D/3D封装H01L23/29、H01L23/31无图形晶圆缺陷检测H01L21/66、G01N21/93下游云端云计算、云服务G06F9/455、H04L41/0895边缘端智能驾驶G05D1/02、B60W60/00机器人B25J9/16、B25J11/00消费电子A61B5/00、G06F3/01
1.2.2 高端芯片产业GIN运行特征
高端芯片产业GIN具有复杂性和动态整合性,其运行机制涉及多元参与主体和多维度驱动因素。高端芯片产业GIN运行特征分析,可从以下两个方面展开探讨。
(1)知识是高科技领域GIN运行最核心的要素。在芯片产业早期垂直分工模式下,知识被高度专业化,芯片从设计到生产的漫长链条被拆解成多个独立且高度专业的环节。随着产业复杂度提升和全球化深入推进,芯片产业从垂直分工模式进一步演进为更加精细、网络化的水平分工模式[28]。各环节知识呈现模块化特征,并通过市场化方式进行配置,这意味着大多数企业无需从头开始设计芯片的各模块,创新模式从封闭自主研发转向开放协同创新[29]。芯片产业通过GIN知识流动、资源整合与技术协同,整合为地理上分散、功能上协同的有机整体[30]。
(2)地缘政治正深刻改变芯片产业GIN的运行特征。传统上,GIN运行的核心是效率与成本,遵循比较优势理论,各国家创新主体之间分工明确。但以美国为首的西方国家试图对高端芯片产业全球创新网络进行碎片化分割与区域化重组[21],将中国排除在创新网络之外[17]。最终形成了以美国技术联盟体系和中国自主可控体系为代表的多个并行、部分脱钩的子网络。
因此,当前高端芯片产业GIN的核心运行特征,表现为全球产业链、创新链一体化协同的内在要求与地缘政治脱钩外在拉力之间日益尖锐的矛盾。
本文基于双维度研究视角,对GIN嵌入韧性目标要义[11,13]进行阐述。
(1)静态韧性,指特定时间截面下,网络系统凭借固有拓扑结构所具备的抵御扰动与维持功能稳定的内在能力。个体层面,静态韧性表现为在网络拓扑中节点的位置属性,如度数中心度量化的抵抗与稳固能力、接近中心度刻画的适应与调整能力、中介中心度衡量的枢纽与控制能力,精准衡量创新主体的静态韧性水平;整体层面,静态韧性则由网络宏观拓扑特征决定,包括核心节点的分布格局、节点间连接的同配或异配倾向,以及局部聚类结构的紧密程度,共同构成系统维持连通性与功能完整性的内在基础。
(2)动态韧性,指系统遭受外部冲击时,在个体层面和整体层面表现出的鲁棒性。个体层面,动态韧性体现为节点在冲击下的变化程度,用以揭示不同节点在动态环境中的脆弱性与适应性;整体层面,动态韧性反映系统在不同模拟攻击模式下网络性能的演化特征,并通过融合多种因素的动态韧性综合指标,实现对整个网络韧性水平的动态评估。
2.1.1 静态韧性测度
表2从节点静态韧性和网络静态韧性两个方面,展示了高端芯片产业GIN嵌入静态韧性的测度指标。根据前文静态韧性维度测度指标体系,为将理论架构转化为可操作的测度工具,本研究主要指标的计算公式如下:
表2 高端芯片产业GIN嵌入静态韧性指标体系
Table 2 GIN-embedded static resilience index system for the high-end chip Industry
评估层面韧性特征 度量指标 含义说明节点静态韧性抵抗与稳固能力JP中心度节点出入度的加权融合,反映局部故障引发的瘫痪规模适应与调整能力接近中心度节点到全网的平均最短距离倒数,衡量故障传播速度枢纽与控制能力中介中心度节点位于网络最短路径中的频次,反映关键枢纽的重要程度结构静态韧性网络层级性度分布系数节点度值的概率分布,标识枢纽节点支配性网络匹配性度关联系数节点间度值相关性,决定关键节点互连模式网络聚集性平均聚集系数邻居节点间的连接密度,提供局部冗余容错能力
(1)JP中心度:
传统度数中心度仅考虑连接节点数量,忽略了引用方向与专利数量权重的局限性。本文借鉴赵构恒等[31]的做法,在传统度数中心度的基础上,构建融合节点入度与出度权重的中心度指标。
DJP(i)=
(1)
其中,Sout(i)、Sin(i)分别表示节点i的入度权重和出度权重,即i节点引用和被引用节点的个数,两者之和被称为i节点的度数中心度。JP中心度的值越高,说明网络中节点的抵抗能力与稳固能力越强。
(2)接近中心度:
(2)
其中,dij为网络中i节点到其他点的最短路径距离,i节点与其邻居的最短路径距离平均值的倒数被称为i节点的接近中心度。接近中心度的值越高,网络中节点与其相邻节点的最短路径越短,网络中节点的适应能力与调整能力越强。
(3)中介中心度:
(3)
其中,gst表示节点s与节点t之间的最短路径的总数目,
表示节点s与节点t之间的最短路径中经过节点i的路径数量。中介中心度值越高,经过节点的最短路径数量越多,该节点作为枢纽的调节能力和控制能力越强。
(4)度分布系数:
(4)
两边取对数得到:
(5)
其中,ki为节点i的度,
为节点i的度在网络中的位序排名,C为常数,a为度分布斜率。在创新网络中,斜率|a|越大表明网络层级性越高,网络更多通过关键节点进行知识流动。
(5)度关联系数:
(6)
经过处理后可得:
(7)
其中,
为节点i相邻节点的度,V为节点i所有相邻节点的集合,D为常数,b为度关联斜率。度关联斜率衡量节点在网络中偏好与自身相似或相异邻居连接的程度。一般而言,b>0表示网络具有同配性,b<0表示网络具有异配性。
(6)平均聚集系数:
(8)
其中,ti为节点与其邻居之间实际存在的边数,kiki-1为节点拥有可能的最大边数,ACC为网络平均聚集系数。对于创新网络而言,网络平均聚集系数越高,网络中创新主体之间的联系越紧密。
(7)PageRank中心度:
(9)
其中,N表示网络中总节点个数,d为阻尼系数,表示随机跳转到其他节点的概率;M表示所有与节点pi存在关系的节点合集;L(pj)表示节点pi的相邻个数总和;wji表征边的强度。
2.1.2 动态韧性测度
本文通过量化外部冲击下高端芯片产业GIN拓扑结构指标,系统评估GIN动态韧性。图1反映面临外部冲击时网络性能水平随时间推移的变化情况,可划分为稳态、破坏、恢复和新稳态四个阶段。由图1可知,四个阶段的分界点分别为外部冲击时点D、在外部冲击下网络性能水平的最低点R和恢复至新稳态点Ns。t0-td阶段为原始稳态阶段,反映无干扰下网络性能水平的稳定值。td-tr阶段为破坏阶段,从冲击点D开始,网络性能水平开始下降,直至tr时达到最低点R,该点对应的网络性能水平表征网络对外部冲击的抗毁能力。tr-tns为恢复阶段,网络性能水平不断提高,直至达到新的稳定水平点Ns。
图1 网络韧性动态变化阶段
Fig.1 Dynamic change stages of network resilience
自然连通度衡量网络中部分节点在受到攻击或发生故障时,网络保持连通性的能力;网络效率刻画遭受不同程度破坏时网络维持传输功能的能力。本文参考周霞等[11]的研究,采用自然连通度与网络效率的乘积测量网络性能水平(NPL),测度方法如式(10)(11)所示。
(10)
其中,N表示网络中总节点个数,λi为网络邻接矩阵的第i个特征值。自然连通度λ是一种基于图论中邻接矩阵特征值的网络拓扑指标。在创新网络中,它反映网络中知识传递备用路径的数量。自然连通度的值越高,表明创新网络维持整体连通与知识流动的缓冲能力越强。
(11)
其中,N表示网络中总节点个数,dij为节点i与节点j间的最短路径距离。网络效率衡量网络节点间进行知识传递的整体效能。网络效率的值越高,表明创新网络知识流动越高效。
网络性能水平变化虽能体现扰动造成的最终影响,却难以有效反映网络在外部冲击下的动态响应效率。因此,本文采用网络性能水平变化率(PCR)、网络性能水平变化量(UTPC),动态评估网络在响应外部冲击时,单位时间内性能水平的变化速率与累积量,如式(12)(13)所示。
(12)
(13)
从整体角度评估网络动态韧性,综合考察网络性能水平的变化速率、变动幅度以及网络对外部冲击的抗毁能力。借鉴Nan等[32]的研究,构建动态韧性综合水平指标(Dynamic Resilience Comprehensive Level,DRCL),如式(14)所示。
(14)
其中,NPLr表示网络在遭受外部冲击后达到的最低性能水平,PCRdr为破坏阶段单位时间内性能水平的平均下降速率,PCRrns为恢复阶段单位时间内性能水平的平均恢复速率,UTPCdr表示破坏阶段单位时间内的平均性能损失量,UTPCrns表示恢复阶段单位时间内的平均性能恢复量。DRCL的数值越大,网络在外部冲击时的动态韧性越高。
本文利用创新主体间的专利引用数据构建GIN,专利间的引用关系可揭示技术领域内的知识流动效应[33],反映创新集群的聚集效应及技术演化路径[34]。在此基础上,以创新主体为节点、引用关系为有向边、引用次数为权重,构建体现知识流动的有向创新网络。
本文专利数据来源于incoPat专利检索网站。高端芯片产业链条长、模块化、技术紧密复杂,直接进行全局检索易遗漏关键子领域专利,或检索出大量无关专利。为提高专利检索的精准性,本文采取“分—总”检索策略对高端芯片产业各环节进行精确检索,并最终汇总至产业链上、中、下游。检索过程中,综合运用以下策略以保障查全率与查准率:①单独基于IPC国际专利分类号构建检索式;②缺乏合适分类号的情况下,单独采用关键词进行检索;③结合IPC分类号与关键词,构建综合检索式。
依据表1整理的高端芯片产业创新图谱,汇集2000—2023年1 976 472件专利,其在产业链上、中、下游的具体分布如图2所示。其中,上游专利384 895件,中游专利772 079件,下游专利819 498件。存储芯片领域专利数量最为突出,主要得益于近年来AI算力建设高速发展,服务器算力和存储需求旺盛,加上存储芯片产品代际更替迅速,使得高端芯片产业中游创新呈现高强度、高频次特征。
图2 2000—2023年高端芯片产业链专利数量分布
Fig.2 Patent distribution in the high-end chip industry chain from 2000 to 2023
图2表明,2000—2023年高端芯片产业链各环节呈现差异化分布特征。产业链上游以光刻设备及相关材料领域的专利为主导,体现出该环节以光刻技术为主的显著技术壁垒;中游环节专利分布则表现为存储芯片与逻辑芯片的高度集中,体现出功能模块化设计在技术创新中的主导地位;下游应用层面,专利技术在消费电子、云计算以及智能驾驶领域分布较为均衡,印证了多元化市场需求协同发展态势。
将2000—2023年高端芯片产业GIN划分为三阶段:第一阶段(2000-2007年)、第二阶段(2008-2015年)和第三阶段(2016-2023年),分析全球创新网络拓扑图演化特征,揭示关键节点、连接强度及社区分布随时间变化的演化趋势。采用Gephi软件绘制网络拓扑结构图(见网络首发版附录),其中,节点大小表示该节点在其时间段和环节内的网络PageRank值(计算结果由式(9)得出),节点边表征专利引用关系,边宽与节点间的专利引用次数呈正相关。整体而言,上中下游GIN网络规模均呈增长态势。
上游网络中,日本企业始终占据核心地位并形成以JSR—信越化学—东京应化—住友化学—三菱化学—富士胶片为代表的紧密创新集团。该集团内部创新关联密切,各主体均具有较高的PageRank值,凸显其在半导体材料领域的网络主导地位。中国企业节点多分布于网络边缘,处于技术积累和追赶阶段。在第二阶段和第三阶段,大多数中国节点与光刻技术领域的ASML、佳能、尼康、蔡司关系紧密。
中游网络中,初期由日美企业主导,中国企业与研究机构参与其中,但处于相对边缘位置。至第三阶段,中国形成以华为和中国科学院为核心的网络社区,网络结构呈现高校节点聚集特征。在存储芯片领域,长江存储与长鑫存储等国内存储领域龙头,通过持续技术突破逐步嵌入以三星、美光、SK海力士为核心的全球创新网络。逻辑芯片领域则形成以英特尔、谷歌、高通、英伟达等为代表的创新群体主导的创新群体,芯片制造工艺与封装测试环节的核心地位由台积电和德州仪器占据。
下游网络中,初期创新网络节点稀少,结构松散。第二阶段由美日科技企业主导,中国企业开始形成小范围集群。至第三阶段,更多中国节点在创新网络中占据重要地位(如华为、百度、腾讯等企业),标志着中国在下游领域的影响力不断增强。
表3展示了高端芯片产业不同环节创新网络中共现节点的数量,整体上共现节点数量增加,表明跨环节的协同效应不断增强。中游—下游环节的网络共现节点数量增加最多,其次是上游—中游环节。分析如下:第一,下游应用市场快速扩张催生了特定场景的专用芯片需求,传统通用芯片架构已难以满足差异化性能要求,促使终端应用领域龙头企业向芯片设计环节进行逆向整合。这种需求导向的创新路径显著强化了中下游创新主体间的技术关联。第二,产业分工模式深化同样促进了网络间联系。除传统IDM(垂直整合制造)模式外,Fabless(无晶圆设计)模式、Foundry(晶圆代工)模式的成熟,以及IP核供应商的兴起,降低了下游企业进入芯片设计领域的门槛,促进了不同环节企业间的技术对接,加速了创新要素在创新网络中的流动。
表3 全球高端芯片产业GIN各环节规模演化
Table 3 Evolution GIN scale across segments in global high-end chip industry
节点数量2000—2007年 2008—2015年 2016—2023年各环节节点数量上游516465中游485882下游245064网络共现节点数量上游—中游51016上游—下游0310中游—下游71123上游—中游—下游017
为刻画中国在高端芯片全产业链技术依赖程度的动态演化,本研究聚焦中国节点关于国内外的专利引用率,以量化形式揭示中国创新主体在研发过程中对现有技术的依赖程度。通过考察不同时间段内中国专利引用来源的构成变化,直观反映中国高端芯片产业技术依赖程度演化。
中国引用国内外专利演化趋势如表4所示。从整体趋势看,中国在全产业链的技术自主性呈现持续增强的显著特征。 上游环节国内引用比例已稳步提升。中游环节自2017年后进展显著,国内引用率大幅提高并实现对国外技术的反超。下游环节实现突破,国内引用比例显著提升。
表4 中国引用国内外专利演化趋势
Table 4 Evolution trends of Chinese citations of domestic and foreign patents 单位:%
时间段上游国内国外中游国内国外下游国内国外2000-2007年27.0872.9218.8681.142.3297.682008-2015年32.9467.0636.1663.8450.7449.262016-2023年42.1157.8972.6327.3767.8132.19
这一系列变化不仅展现了中国芯片产业技术自主化的显著成效,也揭示了全球芯片技术竞争格局的动态演变,中国正在从被动的技术追随者逐步转变为具有集成创新能力的积极参与者。
4.1.1 节点静态韧性
根据式(1)～(3),对2000—2023年高端芯片产业GIN节点静态韧性的抵抗与稳固能力、适应与调整能力以及枢纽与控制能力进行分析,结果如表5所示。
表5 高端芯片产业GIN节点静态韧性演化对比
Table 5 Comparison of the node static resilience evolution of GIN in the high-end chip industry
静态韧性指标上游一阶段二阶段三阶段中游一阶段二阶段三阶段下游一阶段二阶段三阶段JP中心度全球1 1638659062 1441 4292 5031053091 779中国51303421966441 602282001 238接近中心度全球0.770.650.680.790.750.750.700.660.82中国0.540.640.690.650.740.730.500.640.84中介中心度全球0.160.170.170.170.280.300.200.150.42中国0.060.140.100.050.240.280.190.130.43
对比中国与全球各项节点静态韧性指标可得出:①从节点韧性的抵抗与稳固能力看,中国平均韧性水平随时间演化呈高速提升趋势,但仍低于世界平均水平,说明中国节点整体上抵抗风险的能力易受到外部风险冲击的影响。②从节点韧性的适应与调整能力看,随时间演化,中国在上游、中游、下游的平均韧性水平逐渐接近世界平均水平,并在下游实现反超,说明中国节点在遭受外部冲击后,具备较强适应和调整能力,能够从网络其他路径汲取创新知识。③从节点韧性的枢纽与控制能力看,中国平均韧性水平在上中下游呈现异质性,在中、下游已接近和超越国际水平,但上游还存在一定差距。这说明中国节点在上游半导体材料与设备领域与世界先进技术存在差距,在协调多方创新活动、引导技术发展方向方面存在短板。
4.1.2 结构静态韧性
根据式(5)～(8),对2000—2023年高端芯片产业GIN结构静态韧性的层级性、匹配性与聚集性进行分析,结果如表6所示。
表6 高端芯片产业GIN结构静态韧性结果
Table 6 Results of the structure static resilience of the GIN in the high-end chip industry
时间段层级性上游中游下游匹配性上游中游下游聚集性上游中游下游2000-2007年-1.14-1.41-0.94-0.61-0.55-0.620.780.800.562008-2015年-1.21-1.13-0.91-0.33-0.51-0.590.640.750.672016-2023年-1.12-0.98-0.82-0.59-0.38-0.390.650.720.79
从层级性演进视角看,全球高端芯片产业链上中下游创新网络度分布斜率呈现差异化轨迹,表现如下:第一,上游斜率出现先升后降的拐点,整体仍维持高位,表明该层网络依赖少数核心节点统筹资源流动,核心—边缘结构明显。第二,中游与下游斜率均呈下行态势,表明网络中节点度的分配更加均衡。其中,中游降幅相对平缓,而下游降幅显著,反映出高端芯片设计端和应用端整体上正由“少数主导”向“多主体分布式创新”过渡。
从匹配性演进视角看,2017—2023年全球高端芯片产业链上中下游创新网络的度关联斜率均为负值,网络均呈现异配性特征,即网络中每增加一个节点,网络平均度随之下降。这表明网络中高节点度的节点间联系减弱,高度连接度的枢纽节点开始承担连接大量低连接度节点的任务,边缘节点也通过多枢纽协作获得连接自主性。同时,中下游斜率绝对值持续降低,意味着网络异配性特征逐渐减弱,节点间连接方式呈现多元化特征。
从集聚性演进视角看,下游网络的空间集聚性持续增强,上游和中游的聚集性均小幅下降,最终趋于稳定,整体网络聚集程度稳步攀升。
4.2.1 模拟情景:技术脱钩影响中国GIN嵌入韧性
以美国为首的发达国家通过构建“专利墙”作为知识壁垒,以强化其在创新网络中的核心控制力,并通过技术管制遏制中国芯片产业发展。为研究中国节点韧性在遭受外部干扰时抵御风险的能力,本文模拟“技术脱钩”对我国创新网络动态韧性的影响,特别是由于制裁和贸易战使得中国与其他国家之间的技术交流被阻断。本文通过移除中国节点与脱钩国家之间的联系(将权重设置为0)的方式模拟“技术脱钩”,分别考察美国、日本、韩国单独脱钩以及三国同时脱钩情形下,中国节点平均韧性值的变化,以第三阶段为例(为方便与初始值进行比较,接近中心度与中介中心度的数值均按系数N进行了放大,N为各环节网络节点个数)。由表7数据可知,技术脱钩普遍降低了中国在高端芯片产业静态韧性水平,表明外部技术限制对中国高端芯片产业GIN韧性产生显著负面影响。
表7 高端芯片产业技术脱钩对中国静态韧性的影响
Table 7 Impact of technological decoupling in the high-end chip industry on China's static resilience
模拟脱钩对中国抵抗与稳固能力的影响上游中游下游对中国适应与调整能力的影响上游中游下游对中国枢纽与控制能力的影响上游中游下游初始韧性4221 5361 2165063600.3150.3190.229美国脱钩3851 3041 0624858540.2820.2340.147日本脱钩3771 5041 1324462570.2460.2830.207韩国脱钩3881 4591 1514862580.2910.3220.236同时脱钩3041 1969113956490.2030.2060.119
注:表中数据为技术脱钩后韧性平均值
从产业链和国别角度分析,我国在上游领域受日本影响较大,在中游和下游领域受美国影响较大。日本在半导体专用材料与精密设备领域具有全球主导地位,其技术脱钩对中国上游环节影响较大。具体而言,日本脱钩导致中国在上游的枢纽与控制能力下降21.9%,降幅远超其他情境。这主要源于日本在半导体材料和关键设备领域的结构性优势,占据了高端芯片产业GIN中的关键路径。一旦技术脱钩,我国上游企业失去连接其他节点的枢纽功能,导致枢纽与控制能力受到影响。美国在核心知识产权、先进制程及设计工具领域,对中国产业链中下游的冲击较为显现,主要表现为脱钩后我国中下游网络连接规模下降,导致抵抗与稳固能力下降。数据表明,脱钩后中游的抵抗与稳固能力下降17.1%,下游的枢纽与控制能力下降35.8%。美日韩同时脱钩的情景下,中国高端芯片上中下游韧性水平在三个维度均降至最低,凸显出美日韩共同脱钩对中国高端芯片产业嵌入GIN韧性的复合冲击。
为进一步探究中国在技术脱钩情境下的网络韧性水平,本文从微观节点角度出发, 在模拟美、日、韩技术脱钩情景下,识别中国高端芯片产业创新网络韧性(以抵抗与稳固能力为例)受影响最为显著的关键节点,结果如表8所示。
表8 模拟脱钩情景下抵抗与稳固能力受影响的中国节点
Table 8 Chinese nodes with the greatest impact on resilience and stability under simulated decoupling scenarios
模拟脱钩上游 中游 下游 美国脱钩中芯国际中国科学院清华大学上海华力京东方华为长江存储中国科学院移动百度华为百度移动腾讯阿里巴巴日本脱钩中国科学院京东方中芯国际海华力长鑫存储长江存储华为中国科学院OPPO浪潮信息百度华为吉利长安汽车腾讯韩国脱钩中芯国际京东方上海华力中国科学院长鑫存储长江存储华为OPPO移动中国科学院华为百度小米OPPO腾讯
在模拟脱钩情境下,华为、中国科学院等核心节点,因在上中游技术合作与全球连接中占据枢纽地位,成为受冲击最集中的对象。其中,华为作为贯穿上中下游的龙头企业,在芯片设计、终端应用上深度嵌入全球网络,脱钩将一定程度上影响其技术生态与供应链安全。中芯国际和上海华力等制造节点在上游环节依赖国际供应链,脱钩可能对其先进制程研发产生一定影响。中国科学院和清华大学作为基础研究与前沿技术的“国家队”,其国际合作受阻将影响整体创新能力。上述节点对外部技术的依赖越强,其在脱钩中的系统性风险越突出,因而成为强化网络韧性、实现技术内生化的核心靶点。
4.2.2 模拟情景:蓄意攻击影响GIN韧性
本文基于Python程序对高端芯片产业GIN进行蓄意攻击和随机攻击模拟,以第三阶段为例,观察网络性能水平在遭受外部冲击后的动态演化过程。
通过按照网络中节点中介中心度从大到小的顺序依次移除节点的方式模拟“蓄意攻击”;“随机攻击”则按照随机顺序对网络中节点进行移除。当网络性能水平到达一定阈值时,按照一定规则恢复被移除的节点。参考牛华等[35]的做法,将阈值设置为初始性能水平的20%,随机攻击下的结果取5次独立重复实验的均值。如图3所示,高端芯片产业链各环节在蓄意攻击下,对网络性能水平的影响显著高于随机攻击;蓄意攻击下网络性能显著下降且迅速到达阈值;相比之下,随机攻击下网络性能下降较为缓慢,阈值到达时间明显延后,呈现出渐进式下降趋势。
图3 随机与蓄意攻击下网络性能水平演化
Fig.3 Evolution of network performance levels under random and deliberate attacks
表9是通过式(14)计算出的动态韧性综合水平指标(为便于观察,本文将动态韧性数值统一放大了50倍)。整体上,网络在随机攻击下展现出更高的动态韧性,反映出高端芯片产业创新网络在面对蓄意攻击时具有较为显著的脆弱性。例如,第三阶段中,中游环节在随机攻击下DRCL值高达36.67,而在蓄意攻击下该值仅为15.71,差距显著。从产业链各环节看,至第三阶段,综合蓄意攻击与随机攻击,中游展现出的动态韧性最强,下游其次,上游最弱。这是由于AI浪潮下,全球创新资源大量涌入高端芯片设计和应用市场,而上游材料设备领域的创新具有周期长、回报率低和技术壁垒高的特点,在面临外部冲击时难以迅速调整并探索新的创新路径。
表9 高端芯片产业GIN动态韧性水平
Table 9 Dynamic resilience level of the GIN in the high-end chip industry
时间段环节蓄意攻击随机攻击均值2000—2007年上游16.5919.6418.12中游18.2127.3022.76下游15.1425.9120.532008—2015年上游28.2922.2125.25中游15.2221.2618.24下游16.2120.1518.182016—2023年上游14.1420.3917.27中游15.7136.6726.19下游16.5720.8718.72
本文基于高端芯片产业创新主体间的专利引用数据,构建分阶段、分产业链环节的全球创新网络,并围绕中国嵌入韧性的核心问题,运用社会网络分析法和模拟外部冲击法,从静态和动态两个维度进行测度与分析,得出如下主要结论:
(1)从网络拓扑结构看,全球创新网络在上、中、下游呈现差异化特征,且跨环节协同创新特征初现。其中,上游网络在观测期内主要由日本节点主导,形成高度集中的垄断型结构。这源于半导体材料与设备领域的技术壁垒高、研发生命周期长,加上日本凭借长期积累形成的产业协同优势,从而在关键环节具备结构性控制力。中游网络初期主要由日美企业占据核心地位,随后中国企业和高校大规模进入,迅速形成密集的本土创新群落,反映出政策扶持、市场需求扩张与科研投入增加共同驱动下的技术社区多元化发展进程。下游网络初期稍显稀疏松散,最终形成多元化格局,中国节点数量与地位大幅提升,网络影响力不断提高,反映出中国在下游应用市场的规模优势及其对AI应用创新方向的拉动作用不断增强。值得注意的是,中游—下游共现节点增多,表明跨环节协同创新成为推动产业整体演进的重要机制。在人工智能、智能驾驶和云计算等领域,终端企业通过自研芯片实现软硬协同与场景定制,强化中下游技术联动。
(2)网络静态韧性分析发现,上游网络度分布斜率先上升后下降,整体高于中下游水平,表明其核心—边缘结构明显,依赖少数核心节点统筹资源流动。中游和下游网络逐渐由“少数主导”向“多主体分布式创新”过渡,这得益于技术模块化程度的提升以及多元创新主体的广泛参与,节点间连接方式更加多样,网络鲁棒性增强。整体网络异配性特征减弱,进一步说明节点间连接趋向平等化与多元化,为整体韧性提升提供了结构性基础。
(3)网络动态韧性测度显示,高端芯片产业创新网络在应对蓄意攻击时呈现出较明显的系统脆弱性,其动态韧性远低于抵御随机扰动的能力。从产业链视角看,第三阶段动态韧性呈现“中游最强、下游次之、上游最弱”的格局,主要原因是人工智能等新兴技术推动创新资源持续向芯片设计与应用领域集聚,加速中下游替代路径形成与创新密度提升,而上游材料与设备领域因技术复杂度高、替代弹性低、创新周期长,面对外部冲击时适应能力不足,导致其动态韧性长期偏低。
(4)模拟技术脱钩发现,中国高端芯片产业GIN的静态韧性包括抵抗与稳固、适应与调整以及枢纽与控制三个维度均有所下降。从产业链环节看,上游受日本技术制约最为突出,这源于日本在关键材料与设备领域的主导地位;中下游受美国限制的冲击最大,这与美国在芯片设计工具、先进制程及云计算应用等方面的掌控力直接相关。从微观层面看,开放式创新背景下,技术脱钩情景下,华为、中国科学院等关键节点创新链受到一定的影响。
(1)聚焦上游短板,实施关键材料与设备的国产化替代及创新链多元化战略。一方面,建议设立半导体设备与材料国产化攻坚专项,针对光刻机、刻蚀机、离子注入机等最易被“卡脖子”环节,组建由龙头企业牵头、高校和科研院所协同的攻关联合体,旨在突破底层技术瓶颈,加速实现关键设备与材料的工程化验证与规模化应用,逐步构建自主可控的上游创新链体系。另一方面,实施创新来源多元化策略,通过联合研发、技术并购、共建海外研发中心等方式,积极与科技基础扎实的“一带一路”共建伙伴建立直接的知识链接和技术合作关系。开发替代供应渠道,在GIN中为中国节点开辟新的结构性连接,增强创新技术获取的抗干扰能力。
(2)强化中游创新生态,布局多元技术路径,主动构建分布式网络并塑造非对称优势。在攻关先进工艺研发的同时,将创新重点从单一工艺节点追赶转向系统级架构突破,重点发展存算一体、软硬协同设计、共封装光学(CPO)和RISC-V等新型技术路径。华为海思、寒武纪等芯片设计企业联合国内制造与封装力量,共同探索以“二流工艺、一流性能”为目标的设计方案。这不仅能降低对EUV等尖端设备的绝对依赖,更能在整体解决方案上创造新的性能标准和价值维度,形成难以被简单封锁的非对称竞争力,从而保障我国在外部技术封锁下仍能维持持续、活跃的创新活动。
(3)发挥下游市场优势,以AI应用牵引创新,构建以国产芯片为主的开放型创新生态链与创新网络。作为全球高端芯片最大的消费市场,中国可充分发挥规模优势,拉动中上游企业技术迭代。一方面,鼓励云计算、智能汽车、物联网等领域下游企业优先采用寒武纪、华为昇腾等国产芯片,构建“下游应用场景—中游芯片设计”的深度需求对接与快速迭代机制,将场景中的真实性能需求、数据反馈直接导入芯片设计与优化流程,使国产芯片创新直接锚定最前沿市场需求。另一方面,加快推动构建以中国为主导的芯片应用标准体系,如AI芯片算力评测、智能驾驶芯片安全标准等。通过标准输出与生态兼容提升国产芯片的市场接受度,增强我国在全球芯片治理中的话语权,避免陷入封闭技术体系,实现“以开放换主导”。
(4)构建应对脱钩风险的监测与响应机制,实施差异化、精细化的创新网络韧性提升策略。相关部门可构建高端芯片产业GIN韧性监测平台,设置关于创新网络嵌入韧性的量化指标,识别华为等核心创新主体面临的潜在风险。在应对策略上,区分短期应急与长期重构,短期通过快速建立关键领域的应急备份与过渡通道,为核心节点运营提供缓冲;长期加速推动创新链区域化布局,引导国内创新主体加强协同,逐步构建更具韧性的国内国际双循环创新网络。
本文存在以下不足:以专利引用数据构建高端芯片产业GIN边界,对产业创新能力的研究略显不足,未来可结合贸易网络、人才流动网络以及供应链网络等多重关系复合网络,突破单一数据源的边界,将隐性、非专利化的知识流动纳入分析框架,从而深化对全球创新网络嵌入韧性的研究。
[1] HOLLING C S. Resilience and stability of ecological systems[J].Annual Review of Ecology and Systematics, 1973,4:1-23.
[2] WATTS D J. Networks, dynamics, and the smal-world phenomenon[J].American Journal of Sociology, 1999, 105(2): 493-527.
[3] BARAB
SI A L, ALBERT R. Emergence of scaling in random networks[J].Science, 1999, 286(5439): 509-512.
[4] FOTI N J, PAULS S, ROCKMORE D N. Stability of the world trade web over time——an extinction analysis[J].Journal of Economic Dynamics and Control, 2013, 37(9): 1889-1910.
[5] 周勇, 江永淳. 供应链网络位置与企业技术标准化能力——数字化背景下技术和市场的双重作用[J].科技进步与对策, 2025, 42(12): 106-116.
[6] FREEMAN C. Networks of innovators: a synthesis of research issues[J].Research Policy, 1991, 20(5): 499-514.
[7] LUNDVALL B A,DOSI G,FREEMAN C. Innovation as an interactive process:from user-producer interaction to the national system of innovation[J].African Journal of Science, Technology, Innovation and Development,2009,1(2):10-34.
[8] FRANCESCHET M. Collaboration in computer science: a network science approach[J].Journal of the American Society for Information Science and Technology, 2011, 62(10): 1992-2012.
[9] 袁剑锋, 许治. 中国ICT行业创新网络弹性——基于专利数据的实证研究[J].技术经济, 2017, 36(11): 1-6, 54.
[10] 李莉, 林海芬, 程露, 等. 技术群体耦合对产业创新网络抗毁性的影响研究[J].研究与发展管理, 2020, 32(1): 101-112.
[11] 周霞, 于娱, 施琴芬. 基于专利引用的通信芯片产业创新网络韧性研究[J].软科学, 2024, 38(8): 94-104.
[12] 张筱娟, 刘程军. 不同尺度下长三角地区创新网络结构的韧性研究[J].世界地理研究, 2025, 34(11): 112-127.
[13] 杨伟, 李福玲, 张晓泉. 创新网络内生因素对结构韧性的影响研究——以上海人工智能产业为例[J].科研管理, 2025, 46(7): 13-23.
[14] 徐维祥, 周建平, 周梦瑶, 等. 长三角协同创新网络韧性演化及驱动机制研究[J].科技进步与对策, 2022, 39(3): 40-49.
[15] 肖沁霖, 邓宗兵, 文江雪. 中国制造业智能化发展的空间关联网络与形成机制研究[J].科技进步与对策, 2025, 42(19): 70-82.
[16] 李帅威, 王文军. 全球锂电池产业链贸易格局演化、趋势研判及韧性分析[J].中国软科学, 2025,40(4): 26-40.
[17] 渠慎宁, 杨丹辉, 兰明昊. 高端芯片制造存在“小院高墙”吗——理论解析与中国突破路径模拟[J].中国工业经济, 2023,40(6): 62-80.
[18] 韩震, 赵宇恒, 赵莉, 等. “卡脖子”技术形成路径与破解策略选择——基于芯片产业的案例研究[J].科技进步与对策, 2023, 40(24): 82-91.
[19] 王慧扬, 刘建华, 赵玉冰. 关键核心技术产学研合作创新网络演化特征及多维邻近性机理研究——以AI芯片为例[J].科技进步与对策, 2025, 42(24): 36-47.
[20] 陈志明. 中国企业融入全球创新网络的路径——知识获取与产品内分工整合的视角[J].科技管理研究, 2022, 42(14): 1-7.
[21] 曲永义, 廖健聪. 产业链 “链主”: 政策实践、运行逻辑与现实困境研究[J].产业经济评论, 2025(6): 5-18.
[22] ERNST D. Global production networks and the changing geography of innovation systems implications for developing countries[J].Economics of Innovation and New Technology, 2002, 11(6): 497-523.
[23] 马琳, 吴金希. 全球创新网络相关理论回顾及研究前瞻[J].自然辩证法研究, 2011, 27(1): 109-114.
[24] GASSMANN O, ENKEL E, CHESBROUGH H. The future of open innovation[J].R&D Management, 2010, 40(3): 213-221.
[25] 杨大飞, 孙守恒, 胡倩. 多维邻近性及交互性对合作创新网络演化的影响——以中国智能制造装备业为例[J].科技进步与对策, 2025, 42(2): 11-21.
[26] 张丹, 孔晓丹. 创新网络社区结构对合作行为演化的影响[J].软科学, 2018, 32(11): 80-85.
[27] 周灿, 曹贤忠, 曾刚. 中国电子信息产业创新的集群网络模式与演化路径[J].地理研究, 2019, 38(9): 2212-2225.
[28] 康江江, 宁越敏. 苹果产品零部件全球价值链分布格局变化及驱动机制[J].地理研究, 2023, 42(3): 617-635.
[29] 束超慧, 王海军, 刘俊峰. 模块化驱动的颠覆性技术创新网络演化研究——以智能语音为例[J].科技进步与对策, 2023, 40(6): 25-35.
[30] 刘洪愧, 李希晨, 姜丽, 等. 全球创新网络下的中国企业创新——跨国合作与质量提升[J].管理世界, 2025, 41(8): 56-83.
[31] 赵构恒, 贾鹏, 周安民. 有向加权网络中的改进度中心性[J].计算机应用, 2020, 40(S1): 141-145.
[32] NAN C, SANSAVINI G. A quantitative method for assessing resilience of interdependent infrastructures[J].Reliability Engineering &System Safety, 2017, 157: 35-53.
[33] JAFFE A B, TRAJTENBERG M, HENDERSON R. Geographic localization of knowledge spillovers as evidenced by patent citations[J].The Quarterly Journal of Economics, 1993, 108(3): 577-598.
[34] 宋敏, 张学人, 聂聪. 中美专利影响力研究: 基于PageRank算法[J].科学学研究, 2024, 42(4): 721-732.
[35] 牛华, 葛昀, 宋香凝. 全球芯片供应链韧性与中断风险研究[J].地理研究,2025, 44(9): 2470-2489.