《Signals》：How Technological Knowledge and Function Networks Influence Joint Technology Transfer in New Energy Vehicles: Dual Moderating Mechanisms
编辑推荐：
中国新能源汽车（NEV）产业的技术创新增长迅速，然而联合新能源汽车技术的转移仍然有限。基于中国新能源汽车产业中联合申请的发明专利，本研究构建了技术知识网络（TKN）、技术功能网络（TFN）和组织协作网络（OCN），以考察技术网络位置如何影响联合技术转移。研究进
中国新能源汽车（NEV）产业的技术创新增长迅速，然而联合新能源汽车技术的转移仍然有限。基于中国新能源汽车产业中联合申请的发明专利，本研究构建了技术知识网络（TKN）、技术功能网络（TFN）和组织协作网络（OCN），以考察技术网络位置如何影响联合技术转移。研究进一步考察了OCN的一阶调节效应和数字经济核心产业属性的二阶调节效应。基准Logit结果表明，TKN和TFN结构均与联合技术转移相关。限制样本检验大体上保留了这些关系，而分层Cox模型保留了整体的TKN关系，但未保留整体的TFN关系。总体而言，TKN与联合技术转移之间的关系相对稳定，而TFN关系对时间更为敏感，部分位置特定关联的显著性或方向存在变化。OCN表现出相对稳定的一阶调节效应，而数字经济核心产业属性的二阶调节效应对模型更为敏感，尤其是在TFN路径中。本研究将新能源汽车技术转移的研究从个体技术属性拓展至关系性技术结构，并为技术结构、组织协作、数字产业属性与联合技术转移之间的关系提供了多层网络视角。
新能源汽车联合技术转移的多层网络机制研究：基于技术知识网络、功能网络与组织协作网络的实证分析
一、研究背景与问题提出
全球汽车产业正加速向新能源汽车（NEV）转型。据国际能源署数据，2025年全球电动汽车销量超过2000万辆，约占全球新车销量的四分之一；中国汽车工业协会数据显示，同年中国新能源汽车销量达到1649万辆，市场已形成显著的规模优势。随着产业发展，竞争焦点已从规模扩张转向技术创新，但只有当创新成果应用于产业时，研发优势才能转化为产业竞争优势。中国政府已实施《新能源汽车产业发展规划（2021—2035年）》以促进研发技术的产业化和商业化转移，推动新能源汽车技术转移因此成为产业高质量发展的重要议题。
新能源汽车技术涵盖动力电池、电驱动系统、控制系统及配套基础设施等多个相互关联的模块，其开发需要多组织间的协调。联合研发已成为重要的创新模式，由两个及以上组织联合申请的新能源汽车专利被定义为联合技术。联合技术的转移不仅取决于其可交易价值，还取决于协作组织实现该价值的能力。
现有研究识别出影响技术转移的三类因素：技术属性、组织属性和外部条件。然而，多数研究聚焦于个体属性的效应，较少关注技术要素间的关系结构及其对技术转移的影响。传统的线性、基于属性的方法无法充分解释联合新能源汽车技术转移的差异。基于此，本研究借鉴网络嵌入理论，从技术知识网络（TKN）和技术功能网络（TFN）视角刻画联合新能源汽车技术的内部结构，考察技术网络位置对联合技术转移的影响，并进一步分析组织协作网络（OCN）的一阶调节作用以及数字经济核心产业属性（DECI）的二阶调节作用。
二、研究设计与核心发现
本研究基于IncoPat专利数据库中2002—2025年中国新能源汽车领域的联合申请发明专利，最终样本包含3807件联合申请发明专利，其中3653件信息完整并纳入基准回归，487件截至2025年12月31日已发生首次专利权转移。研究构建了以IPC代码为节点的TKN、以技术功能术语为节点的TFN和以申请人为节点的OCN三种网络，采用中介中心性、聚类系数和接近中心性三个指标刻画网络位置，并通过二元Logit回归、限制样本检验和分层Cox比例风险模型进行实证分析。
研究的主要发现包括：第一，TKN结构与联合技术转移显著相关，其中中介中心性（TKN_B）和聚类系数（TKN_L）正向影响技术转移，接近中心性（TKN_C）负向影响技术转移；第二，TFN结构与联合技术转移显著相关，TFN_B和TFN_L正向影响技术转移，TFN_C负向影响技术转移，但该关系对时间更为敏感；第三，OCN对TKN和TFN与技术转移的关系均具有显著的一阶调节效应，但并非统一的单向强化，而是依赖于技术结构与组织网络位置的具体匹配；第四，DECI对OCN的调节效应具有显著的二阶调节作用，但同样呈现结构性异质性而非一致的正向强化。
三、关键研究方法
本研究采用的主要技术方法包括：一是网络构建方法，分别以IPC代码、技术功能术语和申请人为节点构建年度加权无向邻接矩阵，形成TKN、TFN和OCN三种网络；二是网络指标计算，采用中介中心性衡量节点的桥接控制能力，聚类系数衡量邻居节点的互联程度，接近中心性采用Wasserman-Faust修正公式计算以处理非连通网络；三是技术层面指标聚合，将专利所含各节点的年度网络指标取算术平均值形成技术层面的网络指标；四是计量模型设定，采用二元Logit模型进行基准回归，并通过限制至少四年观测期的样本检验和按申请年份分层的Cox比例风险模型进行稳健性检验。
四、研究结果
4.1 技术转移特征分析。 2012年以来新能源汽车技术申请量从62件增长至2024年的557件，但技术转移率波动明显，14年中有9年低于20%，转移率线性趋势拟合优度仅为0.072，表明技术转移尚未随申请规模扩大而稳步提升。已转移专利中68.39%在申请后四年内完成首次转移，转移集中于申请后早期阶段。
4.2 网络整体结构特征。 三类网络呈现不同结构特征：TKN以H01M和B60L等核心IPC为中心向外扩散，核心技术集中特征明显；TFN边数最多、局部聚集程度最高，形成以"稳定性""效率""安全性""可靠性"为核心的高内聚结构；OCN节点众多但整体连接稀疏，呈现多中心、分散化的合作格局。TKN密度最高，OCN密度最低，三类网络均具有小世界特性。
4.3 个体网络结构特征。 TKN中B60L、H01M、H01B在中介中心性和接近中心性方面均位居前三，构成核心技术主线；TFN中效率、稳定性、安全性在两类指标上均排名前三，构成核心功能目标；OCN中清华大学、重庆长安汽车、国家电网在中介中心性方面位居前三，发挥连接不同协作群体的桥梁作用。
4.4 回归分析结果。 基准Logit模型中，TKN_B（β=0.384，p<0.01）和TKN_L（β=0.126，p<0.05）正向影响技术转移，TKN_C（β=?0.572，p<0.01）负向影响技术转移；TFN_B（β=0.406，p<0.01）和TFN_L（β=0.195，p<0.01）正向影响技术转移，TFN_C（β=?0.369，p<0.01）负向影响技术转移。联合模型中六项指标联合显著（χ2(6)=141.963，p<0.01）。OCN的一阶调节效应在TKN路径（χ2(9)=31.965，p<0.01）和TFN路径（χ2(9)=47.630，p<0.01）中均显著，DECI的二阶调节效应在两条路径中亦均显著。
4.5 稳健性检验结果。 限制样本检验保留了TKN和TFN的整体关系及两项一阶调节效应，TKN×OCN×DECI仍显著，而TFN×OCN×DECI未达显著水平。分层Cox模型中，TKN整体关系（χ2(3)=15.966，p<0.01）及两项一阶调节效应均保持显著，TFN整体关系未获保留（χ2(3)=5.840，p=0.120），TKN_C和TFN_L出现方向反转。
五、讨论与结论
研究发现，TKN和TFN从知识组合结构和功能组合结构两个维度反映技术价值形成，技术转移不仅取决于技术所含要素数量，更取决于要素间的组合与连接方式。OCN并非简单强化技术优势，而是同时发挥补偿作用，组织协作的效应取决于其与技术结构的匹配程度。DECI的二阶调节作用具有情境依赖性而非一致正向，数字化可能同时增加技术的可比性和替代风险。
研究结论表明：第一，TKN与技术转移的整体关系在基准模型和两种稳健性模型中均保持显著，为H1提供了总体支持；第二，TFN在基准和限制样本Logit模型中显著相关，但在分层Cox模型中整体效应不显著，H2获得部分且具时间敏感性的支持；第三，OCN显著调节技术网络位置与技术转移的关系，但H3提出的一致正向调节效应未获一致支持；第四，DECI显著改变OCN的调节作用，但H4提出的一致正向强化效应未获一致支持。总体而言，联合新能源汽车技术能否实现转移并非由单一技术属性决定，而是技术结构、组织网络位置和产业技术情境共同作用的结果。TKN整体关系和OCN一阶调节效应相对稳定，而TFN主效应、若干位置特定效应及基于TFN的二阶调节效应对观测窗口和模型设定较为敏感，TKN_C和TFN_L在Cox模型中方向反转，这些位置特定关系应谨慎解读。
