发布时间: 2022-04-25
摘要点击次数:
全文下载次数:
DOI: 10.3969/j.issn.2096-8299.2022.02.003
2022 | Volume 38 | Number 2

综合能源管理

基于电力产业创新网络的能源转型路径依赖与突破

刘平阔, 卢存禹

上海电力大学经济与管理学院, 上海 200090

收稿日期: 2021-01-06

基金项目: 上海市哲学社会科学规划基金(2018EJL001)

中图法分类号: TM715;F423.3

文献标识码: A

文章编号: 2096-8299(2022)02-0119-09

摘要

基于电力产业创新网络中能源转型的分析框架, 从制度、经济、技术、行为4个层面对社会网络复杂系统中的网络密度、网络规模以及小世界性等概念进行界定, 提出了能源转型路径演化的3条假设。选取2010—2019年电力产业创新网络的相关数据, 采用ADF检验和协整检验等时间序列分析法, 构建了误差修正模型, 研究了中国能源转型的路径依赖与路径突破。结果表明: 现有的技术创新网络密度巩固了中国电力工业的路径依赖性; 目前中国电力产业创新网络规模对路径突破具有促进作用, 但小世界性在一定程度上阻碍了路径突破; 中国目前的技术创新与能源转型是脱节的, 技术创新仍未达到政府的期望。

关键词

能源转型; 路径依赖; 路径突破; 电力产业创新网络; 时间序列分析

Path Dependence and Breakthrough of Energy Transition Based on the Innovation Network of Power Industry

LIU Pingkuo, LU Cunyu

School of Economic and Management, Shanghai University of Electric Power, Shanghai 200090, China

Abstract

Based on the analysis framework of energy transition in power industry innovation network, this paper defines the network density, the network scale and the small world within the Social Network-Complex System from four aspects of institution, economics, technology as well as behavior, and puts forward three hypotheses for the energy transition path evolution.Based on the data of power industry innovation network from 2010 to 2019, this paper uses time series analysis methods, such as ADF test, co-integration test and error correction model, to study path dependence and path breakthrough of China's energy transition.The results show that the existing network density of technological innovation consolidates the path dependence of China's power industry.The current network scale of the power industry innovation in China can play an important role in promoting the path breakthrough, but the Small World is hindering the path breakthrough to some degree.At least for now, the technological innovation in China is seriously out of touch with China's energy transition, which fails to live up to the expectations of the Chinese Government.

Key words

energy transition; path-dependence; path-breakthrough; power industry innovation network; time series analysis

全球能源安全问题和环境保护问题日益严峻, 以“可持续转型”为核心的能源发展模式已经引起了各国政府、企业与学者的高度关注^[1-3]。中国能源电力部门正处于自主创新能力提升阶段^[4-6], 并逐步推动能源技术创新体系的构建与完善^[7]。在能源转型的战略契机下, 未来中国能源自主创新能力和能源技术水平也将稳步提升^[8-9], 能源技术创新体系应与中国经济社会发展的国情相适应^[10], 以此支撑中国能源安全与生态环境保护的协调发展^[11]。然而, 电力产业中的较多企业主体在能源转型过程中仍处于“观望”状态, 主要原因之一是目前仍存在“路径依赖”与“路径突破”的两难困境^[12-15]。为了克服转型障碍, 中国在能源战略层面不断调整^[16]。由此推知: 以科技创新为核心驱动的能源部门高质量发展才是真正意义上的技术性能源转型。

从技术层面看, 技术创新的属性、速率、强度与新技术标准等因素影响着路径依赖、创新甚至轨迹跃迁^[17-21]。技术创新过程日趋网络化^[22], 创新网络又对技术创新有重要促进作用^[23-25]——创新网络不仅可以实现主体间的优势技术互补和高效信息共享, 而且可促进风险均摊并提高系统效率^[26], 尤其是开放式创新网络逐渐成为主流范式^[27]。但由于环境的不确定性, 创新网络制约了内部主体的创新能力^[28], 尤其是在中国电力产业发展和体制改革的过程中, 能源转型加剧了创新网络系统的震荡^[29-30], 创新网络系统的震荡又影响着更为深入的能源转型过程^[31]。在现有研究成果中, 虽然文献[32]强调识别并确定能源转型路径的关键因素是一项核心工作, 但针对电力产业领域能源转型路径选择的影响因素的维度化分析工作尚无学者深入展开。

因此, 本文从技术性转型的角度, 针对电力产业能源转型路径选择的影响因素问题进行研究。主要贡献及创新点如下: 通过社会网络理论和复杂系统理论, 构建电力产业创新网络能源转型路径选择的理论框架; 识别电力产业社会网络复杂系统中的3个主要影响因素, 对其能源转型的内涵进行定义; 基于目前中国电力创新成果数据, 构建技术层面能源转型的产业创新网络, 并通过计量经济学方法量化分析相关因素对路径依赖与路径突破的作用机制。

1 研究方法

1.1 理论框架

文献[33]指出影响能源转型路径演化的驱动因素主要包括制度、经济、技术、行为4个维度, 且各驱动因素间交互影响、相互作用^[34]。电力产业能源转型将产生依赖性变革和突破性变革^[35-37]。依赖性变革, 即能源技术性转型的路径依赖性, 是指推动创新网络内的各主体对现有技术进行改革升级, 如促进传统化石能源清洁高效利用技术以及储能技术的发展; 突破性变革, 即能源技术性转型的路径创造性, 即可再生能源技术或新能源技术等进行探索性开发、渗透以及扩散。中国电力产业创新网络属于较为特殊的社会网络复杂系统, 在能源转型的过程中可将其动态演进影响因素识别为2个主要类型: 结果导向因素(如网络密度)和过程导向因素(如网络规模、小世界性)。结果导向因素是社会网络复杂系统周期性作用的结果, 影响着能源转型的路径依赖; 过程导向因素是社会网络复杂系统动态变化的过程, 影响着能源转型的路径突破。本文构建的电力产业创新网络中能源转型的分析框架如图 1所示。

图 1 电力产业创新网络中能源转型的分析框架

1.2 定义及假设

1.2.1 网络密度与路径依赖

网络密度(Network Density, ND)是用以表征创新网络结构整体紧密度的高效指数。其取值范围为[0, 1], 且取值越大, 整体联系越紧密。

$ {\rm{ND}} = \frac{{2l}}{{k\left( {k - 1} \right)}} $

(1)

式中: l——电力产业创新网络的实际连接边数;

k——电力产业创新网络节点的边数, 所连接的节点间最大概率存在的边数为$ \frac{{k\left( {k - 1} \right)}}{2}$, 即最大可能的合作数。

电力产业创新网络密度是指网络中各创新主体之间的实际合作情况。在合理范围内, 网络密度越高, 各主体间联系越密集, 单个节点能够接触其他节点及其所带来资源的机会越多。电力产业创新网络中信息交流的流动, 将提升整体创新能力。网络密度的作用机制可体现为以下4个层面。

(1) 制度层面网络主体间信任度的降低会导致更深入的制度安排, 对主体创新行为进行约束和规范, 从而影响电力产业创新网络主体间的合作。

(2) 经济层面过多的链接数量导致单个主体冗余信息增多, 从而增加信息处理成本, 降低创新成果的产出效率, 进而产生能源转型的路径依赖。

(3) 技术层面由于网络密度的提高会造成创新能力的下降, 技术创新减少将无法改变目前对传统能源的依赖, 从而导致能源转型的路径依赖。

(4) 行为层面网络密度的提高会增强主体间的不信任或信息歪曲披露; 同时增加交易成本, 不利于合作创新产出, 从而导致能源转型的路径依赖。

因此, 提出研究的第1个假设H1, 即电力产业创新网络密度与中国能源转型的路径依赖呈正相关。

1.2.2 网络规模与路径突破

网络规模(Network Scale, NS)反映了产业创新网络中节点的数量。规模越大, 形成“集聚效应”和“规模经济”越容易。但当网络发展到一定的阶段, 过大的网络规模容易导致“搭便车”等机会主义行为的发生, 不利于创新效率的提升。

$ {\rm{NS}} = {m_{{\rm{node}}}} $

(2)

式中: m_node——节点数量。

电力产业创新网络规模是创新网络中现有主体的数量, 即网络中的节点数量。网络规模的增大对中国能源转型的路径突破具有促进作用。网络规模的作用机制可体现为以下4个层面。

(1) 制度层面随着能源技术的成熟、装机规模的扩大及利用成本的降低, 监管部门作出调整, 并逐步引入市场机制、提高行业准入标准、加速体制变革、促进产业升级。

(2) 经济层面电力产业创新网络规模的扩张, 将导致主体间技术创新力度增强, 从而推动新技术研发、应用与扩散。创新可降低新能源的开发成本, 从而提高电力产业销售利润, 促使企业加大对新经济领域的投入。

(3) 技术层面网络规模的增加将带来更多丰富的异质信息与资源, 从而增加整体网络中的信息存量。网络规模的增加也会使原有网络主体拥有更多选择机会, 从而突破技术瓶颈或促进新技术发展。

(4) 行为层面电力产业创新网络规模的扩大, 会增加网络中节点的数量, 即更多创新主体参与技术创新之中。技术创新会促进“客户导向型”新能源产品的发展, 从而通过市场传导机制对能源转型产生影响。

因此, 提出本研究的第2个假设H2, 即电力产业创新网络规模与中国能源转型的路径突破呈正相关。

1.2.3 小世界性与路径突破

小世界网络(Small-world Networks, SWN)反映了不连接的节点由其他共同连接的节点而构成的集团现象。文献[38]利用2个概念定义了小世界网络: “短的全局分离(short global separation)”和“高度的局部聚集(high local clustering)”。用以全局分离的“平均路径长度”(PL)指所有节点间路径长度的平均值; 用以局部分析的“聚类系数”(Clustering Coefficient, CC)指相邻节点间所形成联系的重合度。因此, 得到

$ {\rm{SW = }}\frac{{{\rm{rati}}{{\rm{o}}_{{\rm{CC}}}}}}{{{\rm{rati}}{{\rm{o}}_{{\rm{PL}}}}}} $

(3)

$ {\rm{rati}}{{\rm{o}}_{{\rm{CC}}}}{\rm{ = }}\frac{{{\rm{C}}{{\rm{C}}_{{\rm{ActualNetwork}}}}}}{{{\rm{C}}{{\rm{C}}_{{\rm{RandomGraph}}}}}} $

(4)

$ {\rm{rati}}{{\rm{o}}_{{\rm{PL}}}}{\rm{ = }}\frac{{{\rm{P}}{{\rm{L}}_{{\rm{ActualNetwork}}}}}}{{{\rm{P}}{{\rm{L}}_{{\rm{RandomGraph}}}}}}{\rm{}} $

(5)

式中: SW——产业创新网络的小世界性, 即CC越高或PL越短, 则小世界性越强;

ratio_CC——路径长度比率, 其值越大于1, 则小世界性越强;

ratio_PL——聚类系数比率, 其值越接近1, 则小世界性越强;

CC_{ActualNetwork}, PL_{ActualNetwork}——实际网络的聚类系数和路径长度;

CC_RandomGraph, PL_RandomGraph——同等规模随机网络的聚类系数和路径长度。

电力产业创新网络中, 小世界网络为组织的技术垄断集团, 构成一种局部高度密集; 垄断集团内各主体间均存在联系, 但技术垄断集团将设置系统信息共享壁垒。小世界性的作用机制可体现为以下4个层面。

(1) 制度层面小世界网络内部主体间的高信任度会减少约束不当行为的制度规范, 使主体间的合作创新更为灵活自主, 从而提高主体的创新能力; 但内部主体与外部环境存在交流壁垒。

(2) 经济层面主体间出现共享型的专用性资产, 虽然高价值资产成本均摊的方式可降低各主体所投入的创新成本、减少资源的消耗, 但专用性资产的转换成本相对较高。小世界网络内部单个主体可从其他节点获取各类信息, 易于进行信息判断与识别, 从而避免其他主体的歪曲披露或机会主义行为; 但垄断性导致了较强的市场力, 提高了交易成本。

(3) 技术层面高密度集群式小世界网络可使得主体间拥有更稳固的合作关系和更高的信任度; 但就技术关联性而言, 相对封闭的集团阻碍了技术成果产出和技术瓶颈突破。

(4) 行为层面内部主体间信息的高效流通和深度交流可规范主体自身的行为, 减少机会主义行为的发生, 使其更加专注于各自创新导向的合作。内部主体间的“默契”会降低高价值信息对外提供的主动性, 不利于更广泛的合作生态圈形成, 成为了技术创新的壁垒, 从而增加中国能源转型路径突破进程中的技术障碍。

因此, 提出研究的第3个假设H3, 即电力产业创新网络小世界性与中国能源转型的路径突破呈负相关。

1.3 模型设计

基于3个假设中各变量之间的关系, 分别将中国电力产业创新网络的网络密度、网络规模以及小世界性作为自变量, 将中国能源转型的路径依赖与路径突破作为因变量, 设计两组分析模型。

(1) 模型1:

$ \begin{array}{l} {\rm{lnPDE}}{{\rm{T}}_t} = {\rm{ }}{\alpha _1} + {\beta _1}\cdot{\rm{lnTC}}{{\rm{P}}_t} + {\beta _2}\cdot\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\rm{lnN}}{{\rm{D}}_t} + {\varepsilon _t} \end{array} $

(6)

(2) 模型2:

$ \begin{array}{l} {\rm{lnPBE}}{{\rm{T}}_t} = {\alpha _2} + {\beta _3}\cdot{\rm{lnTC}}{{\rm{P}}_t} + {\beta _4}\cdot{\rm{lnN}}{{\rm{S}}_t} + \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\beta _5}\cdot{\rm{lnS}}{{\rm{W}}_t} + {\mu _t} \end{array} $

(7)

式中: α₁, α₂——待估参数;

β₁, β₂, β₃, β₄, β₅——回归系数;

ε_t, μ_t——误差项。

其他变量定义和测度方法如表 1所示。

表 1 路径依赖与路径突破分析模型中各变量的定义

下载CSV

含义及符号	指标选取
中国能源转型的路径依赖(PDET)	2009—2019年《中国能源统计年鉴》公布的新增火电装机总量
中国能源转型的路径突破(PBET)	2009—2019年《中国能源统计年鉴》公布的新增新能源装机总量
电力产业创新网络的网络密度(ND)	《中国专利数据库——中国知网》2009—2019年“电力的发电、变电或配电”领域的发明专利; 创新网络的密度
电力产业创新网络的网络规模(NS)	《中国专利数据库——中国知网》2009—2019年“电力的发电、变电或配电”领域的发明专利; 创新网络的规模
电力产业创新网络的小世界性(SW)	《中国专利数据库——中国知网》2009—2019年“电力的发电、变电或配电”领域的发明专利; 创新网络的小世界性
累计行业技术创新产出(TCP)	《中国专利数据库——中国知网》2009—2019年“电力的发电、变电或配电”领域累计授权合作发明专利总量

被解释变量以“新增火电装机总量”和“新增新能源装机总量”为基础数据: 新增新能源装机总量为水电、风电、光伏以及核电等技术新增装机之和; 新增火电装机总量意味着电力行业对传统化石能源及技术的依赖程度, 用以测度中国能源转型的路径依赖; 新增新能源装机总量则代表着新能源技术水平的提高以及新能源市场的扩大, 是对新技术的投入使用, 用以衡量中国能源转型的路径突破。

解释变量中, 由于还存在其他因素对中国能源转型的路径依赖与路径突破的影响, 需在模型中加入电力行业“发电、变电或配电”领域的累计合作发明专利总量作为控制变量; 电力产业创新网络的网络密度、网络规模和小世界性分别测算的是电力行业“发电、变电或配电”领域现有合作数与可能存在最大合作数之比、合作发明专利网络中不同申请人的总数量以及聚类系数与平均路径长度之比。

针对分析模型, 采用ADF(Augmented Dickey Fuller)方法对数据的平稳性进行检验, 并通过Engle - Granger两步法进行协整分析, 以此防止由各变量非同阶单整而造成的伪回归现象。协整分析后构建误差修正模型, 用来观察变量的长期和短期的均衡关系, 并对短期偏离加以修正。

2 分析与讨论

2.1 数据处理与描述

分析样本采用2009—2019年中国电力行业“发电、变电或配电”领域发明专利的合作专利数据构建产业创新网络。样本选取的原因如下。

(1) 随着中国社会经济的不断发展, 用电量需求不断上升, 电力行业已成为基础性支柱产业。因此, 电力产业的能源转型对中国整体能源部门高质量发展具有突出意义。

(2) 中国知网专利数据库提供了自1985年以来的专利申请数据。数据齐全、质量高且方便获取专利名称及申请人信息, 利于对所需数据进行检索并进行数据分析。

(3) 电力产业的专利主要分布于“发电、变电或配电”领域, 且该领域的专利产业化程度较高。此外, 在各类型专利中, 发明专利的创新度以及所包含的技术含量相对更易于转化和市场推广。

(4) 组织的创新能力或产出水平一般体现于其申请的专利或研发的新产品。若专利的申请人含2个及以上的联合主体, 则可视为合作专利, 因此将主体间的合作专利情况定为构建创新网络的有效指标。

(5) 鉴于2020年数据样本不足1年, 设定截止日期为2019年12月31日, 且2009—2019年共检索到258 968条搜索结果, 数据量较为丰富, 因此选择2009—2019年的合作专利数据构建创新网络。

数据采集与处理的步骤如下。

第1步, 通过检索中国知网专利数据库, 选取发明专利为数据检索类型。在“发电、变电或配电”国际专利分类中, 使用关键词搜索(模糊): 新能源、可再生能源、清洁能源、低碳、绿色、环保、效率7个关键词。鉴于发明专利审查期通常为18个月, 为保证搜索的全面性与整体性, 检索时以公开日的时间作为年度分类的标准, 分年度进行检索。基于上述检索方式, 共获得16 544条专利数据。

第2步, 对检索后的数据作进一步筛选处理, 排查检索重复项, 剔除单个组织或个人、国外和港澳台地区的专利数据, 以及避雷器、线绳、线缆、配电网、耐张杆、装配车、滑轮、工艺、方法、平台、装置等与能源转型关联性小的专利数据, 共得到337条合作专利数据。

第3步, 利用邻接矩阵将数据进行形式保存。考虑到专利审查期长的特点及为控制主体间合作关系的连续性, 研究采用3年窗口期滚动法, 分别构建2009—2011年、2010—2012年、2011—2013年、2012—2014年、2013年—2015年、2014年—2016年、2016年—2018年、2017年—2019年等8个时间段的产业创新网络, 并生成相应的网络关系矩阵, 如图 2所示。在COOC 3.9软件生成的网络关系矩阵中, 主体间联合发表了一条专利, 则在矩阵内的交叉处录入数字1;同理, 若主体间联合发表了n条专利, 则在矩阵内的交叉处录入数字n。该矩阵表明的是主体之间的一一对应关系, 以此表明网络各主体间的创新合作关系。

图 2 电力产业创新网络的可视化数据分析结果

第4步, 将各个网络关系矩阵分别导入UCINET 6.0软件中, 并将合作关系矩阵转化为软件可以识别格式后, 依次测算2010—2018年电力产业创新网络的网络密度、网络规模及网络小世界性, 结果如图 3所示。

图 3 电力产业创新网络的能源转型路径分析基础数据结果

对模型中的各变量进行了描述性统计, 如表 2所示。由表 2可知: 新增火电装机的均值及波动性低于新增新能源发电装机的均值及波动性; 标准偏差表明电力产业创新网络中网络规模的离散程度最高, 小世界性与网络密度的离散程度相对较低。在回归分析中, 为预防异方差现象, 拟对变量取自然对数。

表 2 变量的描述性统计

下载CSV

变量	PDET/万kW	PBET/万kW	ND	NS/个	SW	TCP/项
Mean	5 473.222 0	5 920.111	0.453 667	107.222 20	0.140 889	1 530.000 0
Std.dev	960.552 6	1 910.356	0.024 738	73.565 96	0.062 903	877.314 6
Min	3 872.000 0	3 297.000	0.017 700	16.000 00	0.059 000	435.000 0
Max	7 322.000 0	8 373.000	0.091 500	230.000 00	0.259 000	3 133.000 0

2.2 检验与回归分析

在EVIEWS 10软件中, 利用普通最小二乘法对模型1和模型2进行多元线性回归。首先, 对各变量进行ADF检验, 检验结果如表 3所示。在检验结果中, 累计合作发明专利总量通过了平稳性检验; 网络密度ND、网络规模NS以及小世界性SW均未通过ADF检验, 为不平稳序列, 但在对其一阶差分后均成为平稳序列, 因此存在长期稳定均衡关系。

表 3 模型中各变量的ADF检验结果

下载CSV

变量	ADF检验值	检验形式	10%临界值	5%临界值	1%临界值	结论
lnPDET	-0.890 507	(c, t, 0)	-3.590 496	-4.346 503	-5.835 186	不平稳
ΔlnPDET	-4.326 687^**	(c, 0, 2)	-2.982 813	-3.694 851	-5.604 618	平稳
lnPBET	-2.800 857	(c, t, 0)	-3.590 496	-4.246 503	-5.835 186	不平稳
ΔlnPBET	-4.247 888^**	(c, t, 0)	-3.701 534	-4.450 425	-6.292 057	平稳
lnND	-1.630 240	(c, t, 0)	-3.590 496	-4.246 503	-5.835 186	不平稳
ΔlnND	-4.436 625^**	(c, 0, 2)	-2.982 813	-3.694 851	-5.604 618	平稳
lnNS	-0.718 388	(c, t, 0)	-3.590 496	-4.246 503	-5.835 186	不平稳
ΔlnNS	-4.927 883^**	(c, t, 0)	-3.701 534	-4.450 425	-6.292 057	平稳
lnSW	-0.448 706	(c, t, 0)	-3.590 496	-4.246 503	-5.835 186	不平稳
ΔlnSW	-2.164 483^**	(c, t, 0)	-1.598 068	-2.006 292	-2.937 216	平稳
lnTCP	-3.746 330	(c, t, 0)	-3.590 496	-4.246 503	-5.835 186	平稳
ΔlnTCP	-5.150 798^**	(c, t, 0)	-3.701 534	-4.450 425	-6.292 057	平稳
注: Δ表示一阶差分; 检验形式中第1位表示是否含常数项(c为是, 0为否), 第2位表示是否含趋势项(t为是, 0为否), 第3位为阿拉伯数字, 表示滞后的阶数; *, , *分别表示检验结果在1%, 5%, 10%水平上显著(下同)。

模型1和模型2中各变量的回归参数及协整分析结果如表 4所示, 样本区间为2010——2018年。两组模型的R - squared值均接近于1, 表明两个模型的拟合度均较好。模型1用以解释电力产业创新网络中网络密度对中国能源转型路径依赖性的影响; ND的回归系数估计值为正, 表明网络密度对电力产业能源转型的路径依赖性具有巩固作用, H1得到验证; 此外, 累计合作发明专利总量与中国能源转型的路径依赖正相关, 说明产业技术创新的历史性会造成中国能源转型的路径依赖。模型2则用以解释电力产业创新网络中网络规模及小世界性对中国能源转型路径创造性的影响; 网络规模的回归系数为正, 说明随着网络规模与能源转型的路径突破呈现正相关关系, 由此验证了H2的科学合理性; 同理, 小世界性的系数估计结果为负, H3得到验证。

表 4 协整分析的参数估计及检验

下载CSV

参数	模型1	模型2
	lnPDET	lnPBET
lnND	0.255 161	—
lnNS	—	0.583 886^**
lnSW	—	-0.151 687
lnTCP	0.077 930	-0.249 704
C	8.859 657^***	7.572 696^***
R-squared	0.246 750	0.918 660
Adjusted R-squared	-0.004 334	0.869 856
F统计值	0.982 741	18.823 410
Durbin-Watson stat	0.894 306	2.353 697

在对两组模型进行回归分析后, 分别提取其各自的残差序列。若一个模型的残差序列平稳, 即“零阶单整”, 则说明该模型通过了协整检验, 各变量间存在协整关系。表 5为模型残差序列单位根检验的结果。由表 5可知, 残差序列均通过了ADF检验, 因此, 两组模型内的各变量之间存在长期稳定的相互关系。

表 5 各模型残差序列的ADF检验结果

下载CSV

模型	ADF检验值	检验形式	10%临界值	5%临界值	1%临界值	结论
模型1	-2.493 237^***	(c, 0, 1)	-1.598 068	-2.006 292	-2.937 216	平稳
模型2	-3.224 833^***	(c, 0, 0)	-1.599 088	-1.995 865	-2.886 101	平稳

模型中的各变量之间存在暂时性的短期偏离, 即非均衡关系, 可通过构建误差修正模型来进行修正。据此, 分别建立相对应的误差修正模型。

模型3为

$ \begin{array}{l} \Delta ({\rm{lnPDE}}{T_t}) = {\rm{ }}{\beta _6}\cdot\Delta ({\rm{lnTC}}{{\rm{P}}_t}) + \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\beta _7}\cdot\Delta ({\rm{lnN}}{{\rm{D}}_t}) + \lambda \cdot\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\Delta ({\rm{lnPBE}}{{\rm{T}}_t}) \end{array} $

(8)

模型4为

$ \begin{array}{l} \Delta ({\rm{lnPBE}}{{\rm{T}}_t}) = {\rm{ }}{\beta _8}\cdot\Delta ({\rm{lnTC}}{{\rm{P}}_t}) + \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\beta _9}\cdot\Delta ({\rm{lnN}}{{\rm{S}}_t}) + {\beta _{10}}\cdot\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\Delta ({\rm{lnS}}{{\rm{W}}_t}) + \lambda \cdot\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\rm{EC}}{{\rm{M}}_{t - 1}} + {\mu _t} \end{array} $

(9)

式中: β₆, β₇, β₈, β₉, β₁₀——待估系数。

分别对上述两组误差修正模型进行回归分析, 结果如表 6所示, 样本区间为2010—2018年。

表 6 误差修正模型的参数估计及检验

下载CSV

参数	模型3	模型4
	Δ(lnPDET)	Δ(lnPBET)
Δ(lnND)	0.379 522	—
Δ(lnNS)	—	0.405 846^**
Δ(lnSW)	—	-0.257 396
ECM(lnPBET_t-1)	—	-1.359 325^**
ECM(lnPDET_t-1)	-0.550 709	—
Δ(lnTCP)	0.099 274	-0.103 762
R-squared	0.298 567	0.870 912
Adjusted R-squared	0.017 994	0.774 095
Durbin-Watson stat	1.218 165	1.470 755

模型中将误差修正项ECM(lnPDET_t-1)和ECM(lnPBET_t-1)分别作为2组模型中的解释变量, 体现中国能源转型路径依赖因变量与路径突破因变量在前一期产生的非均衡偏离是如何影响当期同一变量的。2个误差修正项的回归系数都显著为负, 说明模型中的2个被解释变量虽然都暂时偏离了预期轨迹, 但反向修正机制会以-0.550 709和1.359 325的调整力度对该短期偏离加以修正, 使其能够从短期的不平稳状态重新回到长期平稳状态。同时, 分析结果也进一步验证了所提出3条假设的科学合理性。

3 结论

基于复杂系统理论和社会网络分析法, 选用2010—2019年“发电、变电或配电”领域的合作发明专利数据, 通过计量经济分析方法, 对电力创新网络与能源转型的关系进行理论检验与实证分析, 结论如下。

(1) 现有的创新网络密度巩固了电力产业能源转型的路径依赖性。适度提高中国电力产业创新网络的网络密度可使原网络内的各主体联系日趋密集, 从而提升产业创新网络内各主体的创新能力。但当网络密度日趋增大而网络规模保持不变时, 过度的主体连接度将会不利于弱化对传统化石能源的依赖程度, 从而巩固并增强能源转型的路径依赖。

(2) 就路径突破而言, 目前的中国电力产业创新网络规模可以起到较明显的促进作用。从技术研发与信息共享的角度看, 中国电力产业创新网络规模的适度扩张, 成为了网络密度合理化的一大诱因。在电力产业中, 适度的网络规模对中国能源转型的路径突破产生推动作用。电力产业创新网络小世界性与能源转型的路径突破呈负相关性。电力产业创新网络的小世界性意味着局部网络中主体间拥有更加稳固牢靠的合作关系以及更高的相互信任度, 虽然强化了战略联盟, 但形成了技术壁垒。

(3) 目前, 中国电力产业的技术创新与中国能源转型严重脱节, 中国的能源转型未能达到我国政府的预期。从回归分析的结果来看, 虽然这3个假设可以得到验证, 但能源转型路径选择与产业创新网络的相关性较差, 中国能源领域的技术创新还不能有效转化为生产力。

参考文献

[1]

STADENM V. Sustainable energy transition: local governments as key actors[J]. Towards 100% Renewable Energy, 2017(1): 17-25.

[2]

SAFARI A, DAS N, LANGHELLE O, et al. Natural gas: a transition fuel for sustainable energy system transformation?[J]. Energy Science and Engineering, 2019, 7(4): 1075-1094. DOI:10.1002/ese3.380

[3]

王江, 张翔. 可持续能源转型: 模型构建与分析[J]. 中国人口·资源与环境, 2020, 32(3): 74-82.

[4]

HERRERIAS M J, CUADROS A, LUO D. Foreign versus indigenous innovation and energy intensity: further research across Chinese regions[J]. Applied Energy, 2016, 162: 1374-1384. DOI:10.1016/j.apenergy.2015.01.042

[5]

HUANG J, HAO Y, LEI H. Indigenous versus foreign innovation and energy intensity in China[J]. Renewable & Sustainable Energy Reviews, 2017, 81: 1721-1729.

[6]

LIN B, ZHU J. Determinants of renewable energy technological innovation in China under CO₂ emissions constraint[J]. Journal of Environmental Management, 2019, 247: 662-671. DOI:10.1016/j.jenvman.2019.06.121

[7]

徐乐, 赵领娣. 重点产业政策的新能源技术创新效应研究[J]. 资源科学, 2019, 41(1): 115-133.

[8]

LIU H, LIANG D. A review of clean energy innovation and technology transfer in China[J]. Renewable and Sustainable Energy Reviews, 2013, 18: 486-498. DOI:10.1016/j.rser.2012.10.041

[9]

HUANG P, NEGRO S O, HEKKERT M P, et al. How China became a leader in solar PV: an innovation system analysis[J]. Renewable and Sustainable Energy Reviews, 2016, 64: 777-789. DOI:10.1016/j.rser.2016.06.061

[10]

NIU D X, SONG Z Y, XIAO X L. Electric power substitution for coal in China: status quo and SWOT analysis[J]. Renewable and Sustainable Energy Reviews, 2017, 70: 610-622. DOI:10.1016/j.rser.2016.12.092

[11]

HE C, GU J. Suggestions on promoting China's energy sustainable development in the new era[J]. IOP Conference Series: Earth and Environmental Science, 2019, 267(6): 062061. DOI:10.1088/1755-1315/267/6/062061

[12]

ZÉRAH M H, KOHLER G. The deployment of clean energy in delhi in the context of the distrust of urban society[J]. Flux, 2013, 93(3): 31-42.

[13]

DUMAS M, RISING J, URPELAINEN J. Political competition and renewable energy transitions over long time horizons: a dynamic approach[J]. Ecological Economics, 2016, 124(5): 175-184.

[14]

DEFEUILLEY C. Energy transition and the future(s) of the electricity sector[J]. Utilities Policy, 2019, 57: 97-105. DOI:10.1016/j.jup.2019.03.002

[15]

YASMIN N, GRUNDMANN P. Adoption and diffusion of renewable energy-the case of biogas as alternative fuel for cooking in Pakistan[J]. Renewable and Sustainable Energy Reviews, 2019, 101: 255-264. DOI:10.1016/j.rser.2018.10.011

[16]

杨卫东, 庞昌伟. 中国能源政策目标及协调战略分析[J]. 人民论坛·学术前沿, 2018(5): 62-66.

[17]

THRANE S, BLAABJERG S, MOLLER R H. Innovative path dependence: making sense of product and service innovation in path dependent innovation processes[J]. Research Policy, 2010, 39(7): 932-944. DOI:10.1016/j.respol.2010.04.003

[18]

KAMURIWO D S, BADEN-FULLER C, ZHANG J. Knowledge development approaches and breakthrough innovations in technology-based new firms[J]. Journal of Product Innovation Management, 2017, 34(4): 492-508. DOI:10.1111/jpim.12393

[19]

KÖNIG B, JANKER J, REINHARDT T, et al. Analysis of aquaponics as an emerging technological innovation system[J]. Journal of Cleaner Production, 2018, 180: 232-243. DOI:10.1016/j.jclepro.2018.01.037

[20]

SHI X, JING R, HOU G M, et al. Network position advantage and technological innovation of china's new energy vehicle based on the perspective of network theory[J]. Sustainability, 2019, 11(7): 1-18.

[21]

SCHMITT D, MUYOYA C. Influence in technological innovation spaces: a network science approach to understand innovation for sustainability in the global south[J]. Sustainability, 2020, 12(5): 1-18.

[22]

MAJCHRZAK A, JARVENPAA S, BAGHERZADEH M. A review of interorganizational collaboration dynamics[J]. Journal of Management, 2014, 41(5): 1338-1360.

[23]

冯科, 曾德明. 技术标准的路径依赖和路径突破: 产业创新网络结构嵌入性的TES作用机制[J]. 系统工程, 2016, 34(11): 73-80. DOI:10.3969/j.issn.1001-2362.2016.11.052

[24]

MARRA A, ANTONELLI P, POZZI C. Emerging green-tech specializations and clusters-a network analysis on technological innovation at the metropolitan level[J]. Renewable & Sustainable Energy Reviews, 2017, 67: 1037-1046.

[25]

TAALBI J. Evolution and structure of technological systems-An innovation output network[J]. Research Policy, 2020, 49(8): 104010. DOI:10.1016/j.respol.2020.104010

[26]

DE JANVRY A, EMERICK K, KELLEY E, et al. Endogenous information sharing and the gains from using network information to maximize technology adoption[J]. CEPR Discussion Papers, 2019(1): 13507.

[27]

徐茜. 开放式创新下科技人才流动的知识与社会路径[J]. 科学学研究, 2020, 38(8): 1397-1407. DOI:10.3969/j.issn.1003-2053.2020.08.007

[28]

SCHILLING M A. Technology shocks, technological collaboration, and innovation outcomes[J]. Organization Science, 2015, 26(3): 668-686. DOI:10.1287/orsc.2015.0970

[29]

吕涛, 王春玲, 王飞. 社会-技术系统转型理论及其在能源系统转型中的应用[J]. 中国科技论坛, 2015(10): 109-114. DOI:10.3969/j.issn.1002-6711.2015.10.020

[30]

ZHOU D, DING H, ZHOU P, et al. Learning curve with input price for tracking technical change in the energy transition process[J]. Journal of Cleaner Production, 2019, 235: 997-1005. DOI:10.1016/j.jclepro.2019.07.023

[31]

BHRINGER C, CANTNER U, COSTARD J, et al. Innovation for the German energy transition-Insights from an expert survey[J]. Energy Policy, 2020, 144: 111611. DOI:10.1016/j.enpol.2020.111611

[32]

SELVAKKUMARAN S, AHLGREN E O. Understanding the local energy transitions process: a systematic review[J]. International Journal of Sustainable Energy Planning and Management, 2017, 14: 57-78.

[33]

刘平阔, 彭欢, 骆赛. 中国能源转型驱动力的结构性特征研究[J]. 中国人口·资源与环境, 2019, 29(12): 45-56.

[34]

BOLWIG S, BAZBAUERS G, KLITKOU A, et al. Review of modelling energy transitions pathways with application to energy system flexibility[J]. Renewable & Sustainable Energy Reviews, 2019, 101: 440-452.

[35]

GARAUS C, KOPRAX I, GUETTEL W H. The role of analogy in the implementation of distant alternatives for path-breaking change[J]. Academy of Management Annual Meeting Proceedings, 2019(1): 13332.

[36]

BELL S. The renewable energy transition energy path divergence, increasing returns and mutually reinforcing leads in the state-market symbiosis[J]. New Political Economy, 2020, 25(1): 57-71. DOI:10.1080/13563467.2018.1562430

[37]

VILLAMOR L E, AKIZU-GARDOKI O, AZURZA Z O, et al. European cities in the energy transition: a preliminary analysis of 27 cities[J]. Energies, 2020, 13(6): 1-25.

[38]

WATTS D J. Small worlds: the dynamics of networks between order and randomness[M]. Princeton: Princeton University Press, 1999: 63.