基于Valued ERGMs模型的核心技术网络成长机制研究

任海英 李真

收稿日期收稿日期：2022.08.30  修回日期：2022.11.10

基金项目基金项目：北京市自然科学基金面上项目（9192003）

作者简介作者简介：任海英（1971—），男，河南郑州人，博士，北京工业大学经济与管理学院副教授、硕士生导师，北京现代制造业发展研究基地研究员，研究方向为专利分析与技术预测；李真（1997—），女，山东临沂人，北京工业大学经济与管理学院硕士研究生，研究方向为信息管理。

摘  要：对核心技术网络及其成长机制的研究有助于梳理核心技术之间的依赖和促进关系，为研究核心技术演化提供新的理论视角和方法。以技术演化相关理论为基础，歸纳核心技术网络成长的影响因素，基于量子计算领域专利数据，识别以技术概念和技术关系为基础的量子计算领域核心技术网络，并基于Valued ERGMs模型构建核心技术网络成长机制模型。结果表明，技术要素中心性、专利技术研发能力、与TRIZ进化法则匹配程度以及技术要素同配性对核心技术网络成长具有正向促进作用；在技术路径方面，核心技术网络成长受到技术要素路径依赖性和技术突破的双重影响。最后，根据量子计算领域核心技术网络成长机制的实证研究结果，从技术研发层面、企业层面、政府层面为相关领域技术发展提出策略建议。

关键词：技术演化；核心技术网络；技术网络成长机制；Valued ERGMs模型；量子计算

DOI：10.6049/kjjbydc.2022080811

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）04.0001.11

0  引言

核心技术一直是世界科技竞争的重点，掌握核心技术是我国谋求高质量发展的重要战略。陈劲等［1］指出，核心技术往往不只是某项单一技术，而是一系列相关技术组成的技术体系或者技术簇。一个技术领域或产业的多个技术通过技术间的承接关系构成技术链［1.2］，多条相互关联的技术链组成技术网络［3］。核心技术网络即为技术领域中处于核心地位的技术网络，随着技术的发展，核心技术网络也在不断演化和成长。探究核心技术网络及其成长机制，能够帮助理解核心技术之间的依赖和促进关系，有利于优化网络结构，对协调发展核心技术、协同推进核心技术攻关具有积极的理论和现实意义。

核心技术网络研究主要包括核心技术网络的识别、形成和成长机制。其中，核心技术网络识别方法研究多以专利或研发主体为技术节点，以专利间的引用关系、合作关系、共现关系、交易关系等技术关系为边，构建技术网络，并通过聚类分析［4］、社会网络分析［5］、专利分析［6］等方法识别核心技术网络。这些核心技术网络的知识要素粒度往往较大，缺少对技术要素（也称技术概念或知识元）的深挖。因此，后续出现了以专利中技术要素为基础的核心技术网络识别，如任海英和李真［7］以技术要素间的输入输出关系表征技术间的承接关系，构建领域技术网络，并通过Valued Core方法识别包含最重要技术关系的核心技术网络。

核心技术网络的形成机制是指核心技术网络中节点间关系的形成或解除机制，而成长机制是指节点间关系的密切程度（边权）及其增强或减弱机制。目前，专门针对核心技术网络形成与成长机制的研究较少，而关于技术网络形成的文献则较为丰富，主要包括基于定性方法的技术网络形成分析、基于技术理论的技术系统分析以及基于统计模型的技术网络形成机制分析3个方面。基于定性方法的技术网络形成分析从宏观角度探究技术网络形成机制，能够系统把握各方面影响因素。高洁等［8］从企业技术创新网络的形成模式出发，研究创新网络中的角色定位和交互作用对企业技术创新网络的影响；李先科［9］阐述企业后发优势、要素禀赋、比较优势、企业家精神等因素在企业技术创新网络成长中的作用。基于技术理论的技术系统分析通常以技术发展理论作为核心技术形成或演化的理论基础，其中发明问题解决理论（TRIZ）［10］中的技术系统进化法则应用较多。Yoon&Kim［11］提出一种基于网络分析的发明概念分析和基于TRIZ的演进趋势分析工具，并从专利文本中提取包含“属性—功能”的发明概念，通过计算专利语句与TRIZ规则库的语义相似度，识别技术的TRIZ演化趋势；楼旭明等（2020）通过关键词共现分析识别核心技术领域，并基于TRIZ理论的S曲线和技术系统进化法则研究其技术进化路线和发展趋势。基于统计模型的技术网络形成机制分析研究网络结构、节点属性、节点交互属性等对技术网络的影响。杨张博等（2017）从专利引文网络结构特征角度，利用负二项回归模型研究现有网络结构对技术间新连接形成的影响机制；王海花等［12］利用专利数据构建长江三角洲城市群协同创新网络，并基于ERGM模型，从网络结构嵌入、马太效应机制和同配性3个方面研究协同创新网络的形成机制；马永红等［13］基于ERGMs，通过结构驱动、多维邻近及其它节点属性变量研究关键共性技术合作网络的形成与演化机制。近年来，ERGMs开始用于以科学或技术概念为基础的知识网络中，如操玉杰等［14］运用ERGMs模型分析网络内生性和外生性变量对学科交叉领域共词网络形成的影响。

现有核心技术网络形成与成长机制研究存在一些局限：①定性方法对专家依赖性较强，且无法对核心技术网络形成机制进行定量刻画，TRIZ进化法则也需要专家知识的深度参与，两者都难以避免分析的主观性；②现有基于统计模型的分析方法在以技术要素和技术关系为基础的技术网络中应用不多，且较少考虑技术要素内部特征对核心技术网络形成的影响；③多数统计模型是关于技术网络形成机制的，缺少对成长机制的研究。

加权指数随机图模型（Valued Exponential Random Graph Model，Valued ERGMs）在ERGMs模型基础上考虑边的权重，可用于研究加权网络中节点间关系强弱的影响因素［15］。本文针对现有研究局限，从技术要素的内部特征、外部特征和技术要素间关系3个方面提出关于核心技术网络成长的5个研究假设。然后，以技术要素及其关系为基础构建加权核心技术网络，并选择相应变量建立基于Valued ERGMs模型的核心技术网络成长机制模型，通过与传统ERGMs模型进行对比分析，检验各变量对核心技术网络成长的影响，从而更完整地分析核心技术网络的形成与成长机制。最后，以量子计算领域为例，实证分析量子计算领域核心技术网络成长机制，并为该领域发展提出策略建议。本文研究框架如图1所示。

1  理论基础与研究假设

Nelson&Winter （1977） 认为基础科学演进具有自身的逻辑和动力；李树业和包国光［16］从产业技术角度出发，认为技术系统演化动力源于产业技术系统与外部环境的交互作用以及产业技术系统的内部作用，其分别作为外部动力和内部动力共同推动技术系统进化成长；熊鸿儒等（2012）将影响技术轨道发展的因素归纳为3类，其中科学进步和技术积累等内生性因素奠定了技术轨道发展的基础，而市场需求等经济因素和制度背景等环境因素也会影响技术轨道的形成和演化。此外，技术系统中单元技术间的关系也会影响技术系统成长。远德玉［2］认为技术体系中的单元技术水平及其相互组合方式共同决定技术系统水平，只有通过单元技术间的组合，才能最终实现生产目的。因此，本文基于技术系统角度，从技术要素的外部特征（外部动力）、内部特征（内部动力）以及技术要素间关系3个方面研究影响核心技术网络成长的因素。

技术要素的外部特征是技术要素所处环境对其功能的要求和限定，在核心技术网络中主要体现为技术要素网络特征和专利特征。周文等［17］通过仿真研究发现，以优先连接为成长机制的无标度网络具有较高的知识增长绩效。据此推测技术要素在核心技术网络的中心性嵌入特征可能影响其成长状态。此外，技术要素所在专利作为核心技术的代表，能够体现技术竞争态势［18］，并影响技术要素的发展前景。因此，本文从技术要素的外部特征中选择技术要素的网络中心性和技术要素所在专利的技术研发能力两个因素，研究其对核心技术网络成长的影响。

技术要素的内部特征主要体现为技术要素在技术原理方面的特征。其中，发明问题解决理论（TRIZ）和技术的路径依赖性原理在研究技术进化成长中应用广泛。Arthur［19］认为技术演变具有自创性（self.creation），新技术要素由现有要素构建而成，然后又成为未来技术要素的构件，因此技术要素具有路徑依赖性；翟东升等 （2016）认为技术系统进化法则能够实现技术预测，可用于识别技术机会。本文认为TRIZ理论中的技术系统进化法则和技术的路径依赖性在核心技术网络成长过程中起着重要作用，因而将其作为核心技术网络成长的内部因素。

Cassi等［20］认为技术创新网络中的同质性合作能够促进技术创新网络发展。据此推断核心技术网络中技术要素间的关系（同配性）也可能影响核心技术网络成长。综上，核心技术网络成长的影响因素如图2所示。

（1）技术要素中心性。技术要素中心性反映某一技术要素与其它技术要素建立技术关系的水平，也反映其被研究人员接受的能力。Dosi［21］认为研究人员更倾向于搜索领域中使用最为广泛的知识要素，因此度中心性高的知识要素更有机会与其它知识产生密切关联；Fleming［22］认为研发者对度中心性低的知识要素缺乏理解，并且缺少将其与其它要素结合的经验，往往需要付出更多努力，因而难以有效将其与其它知识要素加以组合，反之，研究人员对度中心性高的知识要素参与组合更有信心；Yayavaram&Ahuja［23］认为度中心性高的知识要素通常与其它知识要素存在更多主题关联性，因此更容易与其它知识要素进行组合；Wang等［24］认为知识要素在知识网络中的中心性能反映其组合潜力，度中心性高的知识要素能探索到更多组合机会。由此推测，在基于知识要素的核心技术网络中，度中心性是影响技术要素间技术关系形成和增强的重要因素。基于上述分析，本文提出如下研究假设：

H1：技术要素中心性对核心技术网络中技术关系的成长具有正向促进作用，即技术要素中心性越高，与其它技术要素的技术关系越密切。

（2）专利技术研发能力。专利研发能力是专利价值评估中的重要指标，是决定专利技术能否快速实施和转化的重要影响因素。Kendrick［25］通过相关分析发现，行业增长率与研发支出有关；郑素丽等（2012）通过对专利价值评估文献进行整理和综合，指出专利权人特征、研发投入和研发方式是评价专利价值的重要指标；Chien等 （2014） 提出技术研发效率的提高需要一定规模效应，企业规模与研发效率正相关。综上，专利研发能力对于评估专利价值十分重要，而专利是技术的映射和代表，因此技术要素所在专利的研发能力对其与其它技术要素组合有重要影响，应该作为核心技术网络成长的影响因素之一。为此，本文提出如下假设：

H2：技术要素所在专利的研发能力对核心技术网络中技术关系的成长具有正向促进作用，即技术要素所在专利的研发能力越强，与其它技术要素的技术关系越密切。

（3）技术要素的路径依赖性。在关于技术创新动因和规律的研究中，技术的路径依赖性一直被认为是技术创新的重要特性之一。Dosi （1982）认为每一种技术都被技术范式所支配，并提出未来技术的发展必然受到现有技术范式的约束；David［26］提出技术具有路径依赖性，用以解释技术选择的不可逆转性；Enda & Kemp （1999） 通过研究计算机技术发展变革过程，总结出技术发展过程中老技术会制约新技术发展；Barabási&Albert （1999） 认为网络中的新节点会优先连接到已经连接良好的节点上。综上，早期技术发展对技术领域的发展至关重要，技术依赖性在技术成长中有重要影响。基于以上理论，本文提出如下假设：

H3：技术要素的路径依赖性对核心技术网络中技术关系的成长有正向促进作用，即技术要素的路径依赖性越强，与其它技术要素的技术关系越密切。

（4）与TRIZ进化法则的匹配程度。发明问题解决理论（TRIZ）由Altshuller［10］提出，其中技术系统进化法则在TRIZ体系中占有重要位置。技术系统进化法则主要包括系统完备性法则、能量传递法则、动态性进化法则、子系统不均衡进化法则、矛盾产生和克服法则、S曲线法则、提高理想度法则、向微观级进化法则、协调性法则、向超系统进化法则等。Park等［27］将TRIZ进化法则总结为时间、空间和平面三大类，并通过计算SAO结构与TRIZ进化法则的相似度匹配专利技术的进化能力，识别有前景的专利技术。这意味着与进化法则匹配度高的技术要素间关系可能更为密切。因此，本文推测核心技术网络中技术要素与TRIZ进化法则的匹配程度对技术要素间技术关系的成长具有正向影响，并提出如下假设：

H4：技术要素与TRIZ进化法则的匹配程度对核心技术网络中技术关系的成长具有正向促进作用，即技术要素与TRIZ进化法则的匹配程度越高，与其它技术要素的技术关系越密切。

（5）技术要素同配性。节点的同配性主要描述网络中相邻节点间交互效应的影响。Nagoshi （1990） 以夏威夷各血统人使用的语言为节点属性，证实节点间的文化差异对其配偶关系建立存在影响；Newman［28］认为节点的同配性是指网络中具有多个连接的节点倾向于连接具有多个连接的其它节点；Lomi等［29］认为网络中潜在关系的建立主要取决于网络中节点自身效应的作用以及与潜在合作节点间的交互效应；Noldus & Mieghem［30］提出同配性也体现在节点权重、核心度以及其它节点特征等方面。综上，技术要素的同配性使得技术要素更倾向于与属性相似的技术要素建立或增强技术关系。为此，本文提出如下假设：

H5：技术要素同配性对核心技术网络中技术关系的成长具有正向促进作用，即技术要素间的属性差异值越小，其技术关系越密切。

2  研究设计

2.1  核心技术网络识别

本文以Derwent Innovations Index专利数据库（简称DII数据库）为数据源，参考技术领域相关文件制定检索表达式，下载专利信息，抽取专利摘要文本。本文通过分句、指代消歧等实现数据清洗。

任海英和李真［7］提出利用“输入要素（I）—处理要素（P）—输出要素（O）”描述技术要素间上下游承接关系，将IPO结构中的I和O表示技术要素，P表示技术关系，以便于构建技术网络。该结构相对于经典的SAO结构，能够提取到包括表语、定语等更多技术信息，更自动化，同时也能够通过判断I与O之间的输入输出关系呈現技术间上下游承接关系。

本文采用任海英和李真［7］的方法识别核心技术网络。首先，通过句法分析、提取IPO结构三元组步骤提取IPO三元组，并通过判断I与O之间的因果关系、条件关系、包含关系等，标注I与O之间的技术方向，完成IPO结构的提取。然后，将相同的I或O重叠，分别以输入和输出方向P要素的个数为边权，用于衡量I与O之间技术关系的密切程度，从而构建有向加权领域知识网络。最后，采用Valued Core方法以边权为识别条件，识别出包含最重要技术关系的核心知识子网络，即为本文需要的核心技术网络。

2.2  变量测度

根据研究假设涉及的影响因素和Valued ERGMs模型的特点，针对本文识别的核心技术网络，从网络内生结构效应（控制变量）、节点主效应（节点属性变量）、节点交互效应（节点同配性）3个方面选择相应变量。

（1）内生结构效应。本文以网络的内生结构效应为控制变量。在内生结构效应中，边数在ERGMs模型中起参照作用，能够体现网络的疏密程度。由于Valued ERGMs考虑了边权，边数也被分解为sum和nonzero两个变量，其中sum为网络中所有边数之和，能够衡量网络中整体边权情况，nonzero为网络中边权非零的边数，相当于传统ERGMs中的边数（edges），能够衡量网络中非零边的情况，进而体现网络密度。

（2）技术要素中心性。核心技术网络中节点（技术要素）的中心性包括网络的入度和出度，其中节点的入度描述技术要素的受欢迎程度，入度高的技术要素具有更多样的原材料或上游技术；节点的出度描述技术要素的活跃程度，出度高的技术要素具有更多应用领域或下游技术。因此，本文选择节点的入度（indegree）和出度（outdegree）作为衡量技术要素中心性的指标。

（3）专利技术研发能力。本文选择技术要素（节点）所在专利的专利权人实力（patentee_ability）衡量专利技术研发能力。其中，专利权人实力用专利权人拥有的领域专利数量衡量，具体计算公式如下：

patentee_ability=log （∑ni=1patenteei（patent_quantity）） （1）

其中，patenteei（patent_quantity）为专利权人i拥有的技术领域专利数量，n为该节点所在专利的专利权人总数。

（4）技术要素路径依赖性。技术要素的路径依赖性在技术发展过程中表现为老技术制约新技术发展，老技术往往是技术领域的基础，而新兴技术要素依托已有技术基础产生关联。因此，本文选择技术要素最早出现年份（early_year）衡量其路径依赖性，具体计算公式如下：

early_year=min （patent_year）（2）

其中，patent_year表示技术要素所在专利的申请年份。

（5）TRIZ进化法则匹配程度。在TRIZ技术系统进化法则中，提高理想度法则代表所有技术系统进化法则的最终方向；向微观级进化法则是技术系统向微观系统进化的过程，即利用越来越微观的物质或场实现相同或更好的性能。考虑数据的可获取性，本文选择提高理想度法则和向微观级进化法则与技术要素的匹配程度衡量技术要素与TRIZ进化法则的匹配程度（分别简称理想度法则匹配和微观进化法则匹配），变量值由量子计算领域专家设定。对这两个变量的解释及示例见表1。

（6）技术要素同配性。ERGMs模型能够通过交互效应研究二元节点间的属性值差异，从而探究两个技术要素间的同质性（nodematch）或异质性（absdiff）对技术关系生成的影响，同质性变量和异质性变量计算公式分别为：

nodematch=Nattrinode1=attri（node2）（3）

absdiff=|attrinode1-attri（node2）（4）

其中，Nattrinode1=attri（node2）为属性值相同的节点对数，attri（nodej）为节点j的属性i的值。

综上，本文涉及的模型变量参数项及相关解释如表2所示。

2.3  模型建立

指数随机图模型（ERGMs）是在社会网络统计分析模型基础上发展起来的一种以关系形成为对象的研究方法，旨在通过统计方法量化分析关系形成的影响因素［15］。该模型在传统回归模型二元独立性假设的基础上，将网络内生结构效应、节点主效应和交互效应同时纳入模型中进行分析，提出二元依赖性假设，能够较为全面地解释网络生成机制。ERGMs模型基础公式如下：

Pθ，γY=y=exp {θTg（y）}k（θ，γ）（5）

其中，随机网络Y的具体实现为样本y，g（y）是影响网络关系变化的因素对应的网络统计量；θT是网络统计量对应的模型系数，其大小、方向能够反映该因素对网络形成和发展的影响程度与趋势；k是标准化常数，确保公式为0～1的概率分布。

Valued ERGMs在ERGMs模型基础上考虑边权，能够研究加权网络中影响边强弱的因素［15］。本文利用其研究核心技术网络中各影响因素对技术关系成长的影响，Valued ERGMs的基础公式如下：

Pθ，γY=y;θ=hyexp { （θTgy}kh，g（θ） （6）

其中，h（y）表示模型的基准分布，主要包括泊松分布、二项分布和均匀分布3种。

为体现各变量对技术关系成长的影响，对传统ERGMs模型与Valued ERGMs模型的结果进行对比分析。同时，模型构建过程中需要分别研究内生结构效应、节点主效应和节点交互效应对核心技术网络中技术关系成长的作用，因此构建零模型、主效应模型和综合模型进行对比分析。零模型是一个简单随机图模型，仅作为参照模型，提供拟合优度评价的基准，主要考察网络中边数或边权的分布情况，反映目标网络相对随机网络的疏密程度或边权的离散程度。主效应模型在零模型基础上，加入节点主效应，考察节点主效应对该技术要素与其它技术要素间技术关系形成和成长的影响。综合模型在主效应模型基础上加入节点的交互效应变量，考察主效应和交互效应对技术关系形成和成长的影响。模型构建过程参照表3。

3.技术要素同配性

注：节点主效应用nodecov表示连续型变量在网络中的统计项，nodefactor表示分类型变量在网络中的统计项；节点交互效应用absdiff代表异质性变量在网络中的统计项，nodematch代表同质性变量在网络中的统计项

3  实证分析

量子计算作为一种遵循量子力学规律，能够高速运算、存储、处理信息的新型计算，其储存能力强，运算速度快，将带来现有计算能力质的飞跃（王立娜等， 2019）。国际量子计算领域研发进展迅速，越来越多的企业和研发机构关注量子计算技术研究。我国高度重视量子计算技术，将其列入国家发展规划。目前量子计算仍处于技术验证和原理样机研制的关键阶段 （张海懿等， 2020），如何把握量子计算领域核心技术网络成长机制，为该领域核心技术攻关和发展提供方向是本文研究重点。

3.1  数据获取与文本预处理

本文选择专利数据识别量子计算领域的核心技术网络，数据来源于DII数据库。德温特手工代码（DMC）是德温特索引专家根据专利摘要和全文给出的标注，用以揭示和表达技术类别，相比国际专利分类号（IPC）分类更为明确。本文通过查阅相关文献，确定量子计算的DMC为T01.E05Q，制定检索表达式为“MAN=T01.E05Q”，检索时间为2021年1月2日，共获得1998年以来量子计算领域的2 303项专利。同时，运用Python及其自然语言工具包编写代码抽取专利摘要文本，去除无关专利信息，清洗数据。最后，通过分句、指代消歧等步骤实现文本预处理，获取领域专利摘要文本集。

3.2  核心技术网络构建

获得量子计算领域的专利摘要文本集后，按照前述IPO結构提取步骤，借助Stanford NLP Parser工具、NLTK工具包以及正则表达式提取该技术领域的IPO结构。同时，去除单篇专利重复的边，并叠加IPO结构中的I和O，以P要素的数量作为边权，构建量子计算领域知识网络。该网络共包括22 782个节点、29 504条边。

为去除领域知识网络中影响力较弱的边，本文首先利用复杂网络分析软件（如Pajek）对量子计算领域IPO知识网络进行分析，获取其中最大的连通子网络。然后，提取该网络的Valued Core（边权阈值设为5），得到量子计算领域的核心知识子网络［7］，即核心技术网络（见图3）。该网络共有69个节点、189条边，每个节点至少有一条权重大于5的邻接边。

3.3  模型构建与结果分析

根据前文变量选择和模型构建步骤，本文借助R语言中的statnet包构建Valued ERGMs模型，参数估计采用马尔可夫链蒙特卡罗最大似然估计法（MCMC MLE），通过与传统ERGMs模型进行比较，分析核心技术网络成长机制。本文以量子技术领域核心技术网络为研究对象，在简单随机图模型中逐步纳入节点主效应和交互效应，最终构建ERGMs和Valued ERGMs综合模型。其中，Valued ERGMs模型构建涉及基准分布的确定，而基准分布决定了包含统计项的随机网络边权分布。结合技术网络特点，假设世界上有N个科研人员都在独立开发某两个知识元素之间的关系，且开发概率非常低，N非常大，知识无差异，则某时间段两个知识单元之间的边被开发的总次数就服从泊松分布。因此，本文选择泊松分布为基准分布，均值为1。ERGMs和Valued ERGMs模型估计结果分别如表4、表5所示。

比较表4和表5可知，Valued ERGMs模型拟合优度的AIC值和BIC值比ERGMs模型更小，与真实网络的情况更为接近。在Valued ERGMs模型中，又以综合模型的拟合效果最好。

Valued ERGMs零模型仅包含边权总数和非零边数两个统计量，模型结果显示，边权总数的统计项显著为正，说明相较于以泊松分布为基准边权分布的随机网络，量子计算领域核心技术网络中的边权更多。非零边数的统计项与ERGMs模型中边数的统计项对应，均为负向显著，说明量子计算领域核心技术网络比随机网络存在更多边权为0的二元组，即网络密度较低。

主效应模型中的连续变量包括节点的入度值、出度值和专利权人实力。两个模型的参数估计结果类似，所有连续变量的主效应都是正向的，尤其是节点的出度值和专利权人实力在两个模型中都显著。这说明技术要素的中心性即核心技术网络中节点的入度（受欢迎程度）和出度（活跃程度）对核心技术网络的形成和成长有正向促进作用。同时，专利技术研发能力在核心技术网络成长中起到正向促进作用，即专利申请量更大的技术要素与其它技术要素的关系更为密切。因此，H1、H2得到验证。

主效应模型中的分类变量包括节点最早出现年份、理想度法则匹配和微观进化法则匹配。其中，ERGMs模型的主效应模型和综合模型中最早出现年份统计项的参数估计有所变化，说明模型并不稳健。Valued ERGMs模型中节点最早出现年份统计项以最早出现年份为2000—2003年为参照组，其余年份的估计系数大部分为负值，说明技术要素最早出现年份越早，与其它技术要素间的技术关系越密切，即越利于技术关系的成长。值得注意的是，最早出现年份为2016—2020年显著为正，可能是由于近几年突破性技术创新的跨越式发展，新的技术要素与其它技术要素间的技术关系也很密切。这说明核心技术网络成长受到技术要素路径依赖性和技术突破的双重影响。这一结果与研究假设中技术要素的路径依赖性对核心技术网络成长具有正向影响并不完全对应，H3得到部分验证。

节点的理想度法则匹配统计项以不提高理想度为参照组，提高理想度显著为正，说明提高理想度的技术要素与其它技术要素的技术关系更密切。这一结果与量子计算技术发展吻合，因为量子计算正是为了解决大规模数据优化处理较为困难的问题，且其自身也正处于不断发展时期，因此向着技术不断完善和理想化方向前进。节点的微观进化法则匹配统计项以技术要素为宏观概念作参照组，微观和中观概念的估计系数为正但不显著，说明微观和中观技术要素与其它技术要素间的技术关系较为密切。因此，H4得到验证。

综合模型系统考虑了控制变量、节点主效应和交互效应，也是对各模型稳健性的一种检验。其中，交互效应包括差异化效应和同质性效应。差异化效应中，专利权人实力与理想度法则匹配的交互效应统计项显著为负，说明技术要素与专利权人实力或理想度法则匹配差异较小的技术要素建立的技术关系更为密切。同质化效应中，最早出现年份和微观进化法则匹配的交互效应统计项均为正，说明最早出现年份和微观、中观、宏观概念层次相近的技术要素间建立的技术关系更易于成长。总体来看，技术要素同配性对量子计算领域核心技术网络成长有正向作用，即在核心技术网络演化过程中，技术要素更趋向于与属性值相近的技术要素建立或加强技术关系。这是因为属性值相近的技术要素间关系的建立和治理成本更低。因此，H5得到验证。

总之，Valued ERGMs模型基本验证了本文提出的原假设，大部分结果与传统ERGMs模型类似，但含义有所不同，前者解释的是技术关系的密切程度，后者指向技术关系的形成。Valued ERGM模型中变量的稳健性显著强于ERGM模型，从而验证了Valued ERGM对于量子计算技术领域的适用性。表6总结了量子计算领域各技术因素对核心技术网络成长的影响机制。

3.4  模型有效性验证

为验证本文核心技术网络成长机制模型的有效性，采用拟合优度检验（Goodness of Fit，GoF）考察模型对真实网络的模拟情况。

拟合优度检验中最简单的方式是对比模型AIC值和BIC值的变化。由表5中模型拟合结果可知，从零模型开始逐步纳入主效应连续变量、主效应分类变量和交互效应变量，模型的AIC值和BIC值均在減小，说明综合模型比零模型、主效应模型更贴近真实网络。因此，本文对Valued ERGMs综合模型进行基于仿真网络的拟合优度检验，即通过比较观测网络与仿真网络的结构特征差异，从而检验综合模型能否很好地表征核心技术网络成长机制。

本文对Valued ERGMs综合模型进行100次仿真，获得100个仿真网络。以专利权人实力和理想度法则匹配两个主效应为例，对比观测网络与仿真网络的差异，如图4所示。图中，“X”标记处为观测网络（量子技术领域核心技术网络）的变量值，横轴为变量值，纵轴为仿真网络个数。对比左右两图可知，观测网络的变量值在仿真网络变量值中处于中游，尤其是理想度法则匹配主效应基本处于中间位置，其余变量也有类似结果。这进一步验证了模型的有效性。

4  研究结论与启示

4.1  结论

本文以技术形成与成长相关理论为基础，探究以技术概念和技术关系为基础的核心技术网络成长机制，并以量子计算领域为例进行实证研究。具体结论如下：①技术要素中心性（核心技术网络中节点的入度和出度）对量子计算领域核心技术网络成长存在显著正向影响，说明活跃度或受欢迎程度较高的技术更能吸引其它技术与其建立密切的技术关系；②专利技术研发能力对量子计算领域核心技术网络成长具有显著正向影响，说明专利技术研发能力更强（专利申请量更大）的专利权人占据着重要技术地位，更易成为技术核心节点；③在TRIZ进化法则中，理想度法则匹配和微观进化法则匹配两个变量均对量子计算领域核心技术网络成长具有正向作用，其中理想度法则匹配的作用更显著，说明当前量子计算领域发展正朝着技术不断完善的方向演进；④技术要素同配性总体上对量子计算领域核心技术网络成长具有正向作用，即在核心技术网络成长过程中，技术要素更趋向于与属性值相似的技术要素建立密切的技术关系；⑤技术路径依赖性对量子计算领域核心技术网络成长的影响呈现出两面性，其中新老技术均对量子计算领域核心技术网络成长存在显著正向影响。

4.2  启示

基于以上结论，本研究从技术研发、企业和政府层面提出相关策略建议：

（1）技術研发层面。首先，技术要素中心性的正向作用意味着在量子计算领域技术研发过程中，可以通过与中心性高的技术要素建立技术关系而形成比较成熟的核心技术体系，也可以通过关注新技术要素，从而实现技术突破和创新。其次，在技术研发过程中也应注意路径依赖性的影响，并力图打破技术路径依赖从而不断实现技术创新。最后，技术要素同配性对核心技术网络成长的显著影响说明技术研发应当注意技术的协同创新，并通过识别技术薄弱点确定技术突破方向。

（2）企业层面。技术要素同配性的正向影响表明同类型技术合作更容易产生核心技术，因此企业可以寻找同类技术企业进行合作。同时，专利权人实力的正向影响说明实力更强的专利权人在技术市场占据重要地位。其它企业可以通过与研究机构和高校等合作，提高自身技术研发能力和技术竞争力。

（3）政府层面。技术要素中心性和专利技术研发能力在量子计算领域核心技术网络成长中的重要作用表明，国家应积极推动具有影响力的量子计算领域骨干龙头企业发展，加大科研资源投入，鼓励支持国内有实力、有资本的企业积极参与，以取得更多关键核心技术。

4.3  不足与展望

本文尚存在一些不足之处。一方面，本文专注于技术属性对核心技术网络成长的影响，忽略了经济和政策层面因素，如企业经济实力和国家政策等的影响；另一方面，本文主要研究静态的核心技术网络成长机制，忽略了核心技术网络的动态变化，后续应综合分析核心技术网络的成长和动态变化机制，从而更加系统地研究核心技术网络的演化机制。

参考文献：

［1］  陈劲， 阳镇， 朱子钦. “十四五”时期“卡脖子”技术的破解：识别框架、战略转向与突破路径［J］. 改革， 2020， 33（12）： 5.15.

［2］  远德玉. 产业技术界说［J］. 东北大学学报（社会科学版）， 2000， 2（1）： 22.25.

［3］  毛荐其. 全球技术链的一个初步分析［J］. 科研管理， 2007， 28（6）： 85.92.

［4］  杨武， 王爽. 特征分析视角下核心技术动态趋势识别——以光刻技术为例［J］. 情报杂志， 2021， 40（12）： 36.44.

［5］  姜军， 武兰芬. 核心技术及关键产业演变研究——中国专利权人的美国发明专利分析［J］. 科技进步与对策， 2014， 31（22）： 80.83.

［6］  王曰芬， 张露， 张洁逸. 产业领域核心专利识别与演化分析——以人工智能领域为例［J］. 情报科学， 2020， 38（12）： 19.26.

［7］  任海英， 李真. 基于输入输出型SAO网络的核心技术链识别方法研究——以量子计算领域为例［J］. 图书情报工作， 2021， 65（19）： 117.129.

［8］  高洁， 糜仲春， 魏久檗， 等.企业技术创新网络的形成模式、结构及交互关系研究［J］. 价值工程， 2007，26（8）： 30.33.

［9］  李先科. 企业技术创新网络的形成与结构——兼论市场与政府作用的边界［J］. 改革与战略， 2020， 36（5）： 103.110.

［10］  ALTSHULLER G. Creativity as an exact science［M］.St Petersburg：Science Press， 1984.

［11］  YOON J， KIM K. Trendperceptor： a property.function based technology intelligence system for identifying technology trends from patents［J］. Expert Systems with Applications， 2012， 39（3）： 2927.2938.

［12］  王海花，孙芹，杜梅，等.长三角城市群协同创新网络演化及形成机制研究——依存型多层网络视角［J］.科技进步与对策，2020，37（9）：69.78.

［13］  马永红， 杨晓萌， 孔令凯. 关键共性技术合作网络演化机制研究——以医药产业为例［J］. 科技进步与对策， 2021， 38（8）： 60.69.

［14］  操玉杰， 李纲， 毛进， 等. 基于ERGM的学科交叉领域知识连接机制实证研究［J］. 图书情报工作， 2019， 63（19）： 128.135.

［15］  KRIVITSKY P N. Exponential.family random graph models for valued networks［J］. Electronic Journal of Statistics， 2012， 6： 1100.1128.

［16］  李树业， 包国光. 论产业技术演化的动力机制与规律［J］. 科学技术与辩证法， 2008， 25（6）： 59.64.

［17］  周文， 陈伟， 郎益夫. 集群创新网络知识动态增长研究：基于过程视角［J］. 系统工程学报， 2015， 30（4）： 431.441.

［18］  刘星， 单晓光， 姜南. 基于专利信息的中美区块链技术竞争态势分析［J］. 科技进步与对策， 2020， 37（18）： 1.9.

［19］  ARTHUR WB. The nature of technology： what it is and how it evolves［M］. New York：Free Press， 2012.

［20］  CASSI L， MORRISON A， TER WAL A. The evolution of trade and scientific collaboration networks in the global wine sector： a longitudinal study using network analysis［J］. Economic Geography， 2012， 88（3）： 311.334.

［21］  DOSI G. Sources， procedures， and microeconomic effects of innovation［J］. Journal of Economic Literature， 1988， 26（3）： 1120.1171.

［22］  FLEMING L. Recombinant uncertainty in technological search［J］. Management Science， 2001， 47（1）： 117.132.

［23］  YAYAVARAM S， AHUJA G. Decomposability in knowledge structures and its impact on the usefulness of inventions and knowledge.base malleability［J］. Administrative Science Quarterly， 2008， 53（2）： 333.362.

［24］  WANG C， RODAN S， FRUIN M， et al. Knowledge networks， collaboration networks， and exploratory innovation［J］. Academy of Management Journal， 2014， 57（2）： 484.514.

［25］  KENDRICK J W. Postwar productivity trends in the United States， 1948—1969［J］. NBER Books， 1973， 15（3）： 320.335.

［26］  DAVID P A. Clio and the economics of QWERTY［J］. American Economic Review， 1985， 75（2）： 332.337.

［27］  PARK H， REE J J， KIM K. Identification of promising patents for technology transfers using TRIZ evolution trends［J］. Expert Systems with Applications， 2013， 40（2）： 736.743.

［28］  NEWMAN M E J. Assortative mixing in networks［J］. Physical Review Letters， 2002， 89（20）： 208701.

［29］  LOMI A， LUSHER D， PATTISON P E， et al. The focused organization of advice relations： a study in boundary crossing［J］. Organization Science， 2014， 25（2）： 438.457.

［30］  NOLDUS R， MIEGHEM P V. Assortativity in complex networks［J］. Journal of Complex Networks， 2015， 3（4）： 507.542.

責任编辑（责任编辑：陈  井）

The Growth Mechanism of Core Technology Network Based on Valued ERGMs：A Case Study of Quantum Computing

Ren Haiying1，2， Li Zhen1

（1. School of Economics and Management， Beijing University of Technology;2. Research Base of Beijing Modern Manufacturing Development， Beijing 100124， China）

Abstract：Core technologies are critical for sustaining the competitive advantage of firms， industries and countries. In any technological field， the core technologies are critical for the super complex technology networks， and their development deserves in.depth investigation. The research on the core technology network （CTN） and its growth mechanism can help understand the dependence and synergy between core technologies， and provide theoretical and methodological support for strategic planning and development.

However，the expert.based methods in the current literature are subjective， and cannot quantitatively model the growth mechanism of core technologies; most statistical network models （e.g.，ERGMs） use various proxies of technology， such as firms or institutions， technological classes （e.g.，IPCs） and patents， instead of technological concepts （TCs）; most studies model the formation mechanism of technology networks instead of  their growth mechanism.

This paper addresses these issues with valued exponential random graph models （valued ERGMs） that describe the growth mechanism of TC.based CTNs， because valued ERGMs can test hypotheses on the edge weights in networks， and TCs can explicitly show the technical contents of the core technologies. First， following theories of technological evolution， this study builds a conceptual framework of the growth of CTNs，including the external， internal， and interactive factors of technological concepts （TCs）. The external factors of TCs include their network centrality and total technology capacity. The internal factors insist of TRIZ evolution principles and path dependency. The interactive factor is manifested in the assortativity of TCs. Five hypotheses on the growth mechanism of CTN are proposed. Second， all TCs are extracted from a collection of technical texts in a specific technological domain， a domain technology network is constructed with the TCs and their relationships， and a CTN is identified with valued core of the domain technology network. Last， the network effects （variables） from valued ERGMs and the five hypotheses are measured， and a set of growth mechanism models of the CTN is built， with a null model， a main effect model， and a comprehensive （main and interactive effects） model being built for both ERGMs and valued ERGMs. For ERGMs or valued ERGMs， the null models only test the distribution of number of edges or edge weights; the main effect models add the tests for the effects of node attributes on their relationship （formation or weights） with other nodes; the comprehensive model adds extra tests for the interactive effects between two node attributes on their relationship.

The above analytical framework is applied to the field of quantum computing. In the CTN construction stage，the Derwent Innovations Index （DII） is used as the data source. To identify appropriate patents in quantum computing， the Derwent Manual Code （DMC） “MAN = T01.E05Q” is searched and the time period was up to January 2， 2021. A total of 2303 patents are obtained. The abstracts of these patents are cleaned， and the TCs in all the patent abstracts are extracted in the form of subject.action.objects （SAOs）. The common subjects and objects are merged into nodes， and edge weights are counted， resulting in the technology network in quantum computing domain. The valued core （with a threshold of 5） is identified as the CTN of quantum computing.

In the statistical modeling stage， all the ERGMs and valued ERGMs for the CTN are built and tested. It is evident that the valued ERGMs have the smallest AIC and BIC， as well as the highest consistency in the coefficients. The results show that the centrality of technical elements， the R&D capability of patented technologies， the degree of matching with the TRIZ evolution principles and the compatibility of technical elements have positive effects on the growth of the relationship between TCs in CTN. Meanwhile， the growth of its CTN is affected by both the path dependence of technological elements and technological breakthroughs. Finally，the suggestions on the development strategy of quantum computing are proposed from R&D， firm and government perspectives.

The contribution of this study is threefold. First， this study is one of the first to apply valued ERGMs as effective tools for analyzing the growth mechanism of technology networks. Second， the core technology network is constructed with technological concepts， and it describes the core technologies explicitly. Last， the effects of two TRIZ evolution principles are empirically verified， which is a novel addition to the theory of technological evolution.

Key Words：Evolution of Technology; Core Technology Network; Growth Mechanism of Technology Network; Valued ERGMs; Quantum Computing