數字化轉型對新能源汽車產業鏈企業技術進步的影響

摘要：以數字化為代表的新一輪科技革命正在重塑全球產業技術創新生態，為新能源汽車產業鏈上企業技術進步和新質生產力的培育提供重要機會。采用專利信息和中國新能源汽車產業鏈相關A股上市公司數據，從專利的引用關系入手，使用PageRank和HITS算法，提出同時考察專利技術影響力和企業創新影響力的復合測度技術進步的方法，科學構建數字化轉型和技術進步指標，從企業的集聚效應和知識溢出效應角度探討數字化轉型對技術進步的影響機制并進行實證檢驗。研究發現：企業數字化轉型帶動新能源汽車產業鏈技術進步提升，正向提升效應具有行業和企業異質性。機制檢驗發現，數字化轉型通過企業集聚效應和知識溢出效應推動技術進步，進一步分析發現國家政策支持的促進效果顯著。從完善數字基礎設施、構建創新生態等角度為決策部門評價新能源汽車企業數字化轉型效果及中國專利國內外布局提供可參考的政策建議。

關鍵詞：數字化轉型；技術進步；新能源汽車；新質生產力

中圖分類號：F273.1；F426.471；G255.53 文獻標識碼：A文章編號：1007-2101（2024）05-0073-15

一、引言與文獻綜述

當今世界變亂交織，百年變局加速演進，在國際政治紛爭和逆全球化沖擊下，世界經濟增長動能不足。新質生產力作為生產力發展的質變躍遷，是推動實現高質量發展的動力之源。習近平總書記指出：“新質生產力是創新起主導作用，擺脫傳統經濟增長方式、生產力發展路徑，具有高科技、高效能、高質量特征，符合新發展理念的先進生產力質態”[1]。新能源汽車產業融合傳統汽車產業和前沿核心技術，對技術創新要求高、數字技術依賴強。2023年，我國新能源汽車產銷量占全球比重超過60%、連續9年位居世界第一位，新能源汽車出口120.3萬輛、同比增長77.2%①，市場表現良好，為中國經濟發展注入新動能。推動新能源汽車這一主導產業和支柱產業以科技創新助力技術革命性突破，實現技術進步，是新質生產力的重要推動力量。

數字化轉型過程中，具有高創新性、強滲透性、廣覆蓋性等多維特征的數字技術促進企業提升獲取外部資源和知識的效率，優化資源與要素的配置路徑[2]，并通過信息追蹤和數字平臺增進企業自身資源與產業鏈網絡中資源的匯集與聯系[3-4]，提升經濟個體間信息獲取、傳輸和使用的便利性[5]，降低信息不對稱和創新風險，突破關鍵技術卡點、斷點問題；數字技術合作平臺的搭建與完善促進企業間形成彼此信任、相互聯系的穩定關系網絡[6]，加速大數據產業集聚和數字人才集聚，催動數字知識溢出效應[7]，社會關系網絡的協同性與信息交流高效性又促進了市場效率和集聚效應的有效發揮[8]，提升創新效率和成果產出效率，推動企業與專利正反饋網絡的構建，實現技術進步。因此，在加快培育新質生產力的目標推動之下，探尋實現數字化轉型機遇下新能源汽車產業鏈基于專利顯性技術進步的路徑與措施具有重要意義。

在具體的影響機制探討方面，當前對企業數字化轉型和技術進步研究的文獻主要側重于數字技術的低成本優勢及提升創新能力方面[9-11]，并未關注技術進步提升角度。企業數字化轉型強化企業間信息獲取能力，增強鏈上企業的關聯聯系[12]，促進產業鏈上下游企業間通過投入產出關聯和技術外溢等集聚機制形成集聚效應[13]，進而提高企業技術研發與成果轉化效率。同時，知識溢出對突破性創新具有驅動作用[14-15]，體現為以學術論文、專利等知識網絡為載體的公共知識溢出過程和以合作伙伴為載體的隱性知識溢出過程[16]。具有滲透性、跨時空性的數字技術重新界定企業的邊界，使產業鏈中企業主動或被迫地獲取與新技術相關的知識，在產業鏈高度碎片化的基礎上建立知識與技術協同網絡，帶動產業鏈上企業的創新研發與技術突破。因此，集聚效應與知識溢出效應在技術進步過程中的機制作用值得探討。

技術進步是不斷完善和更迭舊技術、突破關鍵核心技術的過程，在此過程中，企業數字化轉型聚焦要素與資源，緊密結合研發和生產環節，采用新技術、新工藝、新設備，打造專業技術與知識素養得以提升的人才隊伍，最終實現科技創新效率和成果轉化效率的提升。新質生產力是以科技創新為主導，以突破關鍵性、顛覆性技術為目標的生產力，是在互聯網、人工智能、智能制造、現代交通、新能源等戰略性新興產業推動下形成的完善和更迭傳統生產力的生產力，是科技創新、技術突破的重要體現。新能源等新興產業實現技術進步的過程中會催生、孕育新形態的新質生產力，兩者是相輔相成、相得益彰的關系。因此本文聚焦企業技術創新的關鍵產出——核心專利分析，結合使用PageRank算法和HITS算法，構建由新能源汽車產業鏈中企業間專利與專利的引用關系、專利與所屬企業的引用關系組成的復合網絡，由此衡量各企業的技術進步得分，也是新能源產業新質生產力的體現。

二、數據篩選與算法描述

（一）數據篩選

根據IPC專利分類號，筆者篩選與新能源汽車產業鏈相關聯的專利②，從美國專利及商標局（USPTO）、歐洲專利局（EPO）、英國專利局（IPO）、日本專利特許廳（JPO）、韓國特許廳（KIPO）、中國國家知識產權局（CNIPA）網站下載專利信息，包括專利ID、專利名稱、專利申請公布號、申請公布日、專利申請日、專利權人、引用專利名稱、引用專利申請公布號、引用專利申請公布日等；然后，根據專利名稱和被引專利名稱篩選屬于新能源汽車產業鏈的專利，再與我國A股主板、中小板、創業板和科創板上市公司數據進行匹配，得到2010—2021年新能源汽車產業鏈上市公司觀測樣本。并對樣本做如下處理：剔除ST、*ST公司樣本；剔除非上市的客戶樣本；剔除主要變量存在缺失的樣本。最終樣本包括9 833個公司—年度觀測值。本文數據主要來源于USPTO、EPO、IPO、JPO、KIPO、CNIP六大專利數據庫，CSMAR數據庫、Wind數據庫、中國統計年鑒和各省統計年鑒。缺失數據通過手工查閱相關企業年報進行補充。

（二）企業技術進步的測度

PageRank算法和HITS算法的結合使用可以展現企業對創新技術研發的資源傾向性，并科學地估計產業鏈中各企業技術溢出的傳遞效率，從而反映出從單一企業到整體產業鏈中企業的技術進步情況。具體衡量步驟如下。

第一，考慮專利之間的引用網絡。PageRank得分向量由Brin和Page[17]首次引入，定義為沿網絡鏈接的隨機訪問通過不斷迭代、無論初始值如何，最終收斂于真實水平的過程。基于此，本文使用PageRank算法對專利引用網絡進行分析，對每個專利的技術影響力進行測度。在專利引用網絡中，專利間的引用關系分為被引專利和施引專利，專利間引用反映了彼此間的技術相關性以及認可度，某一專利的重要性與被引用次數、施引專利的重要性、發布時間相關。本文參考Mariani等[18]關于PageRank算法對發布較早的文獻評分過高現象的調整，及Walker等[19]提出的CiteRank算法對舊節點權重進行處理以盡可能消除偏差的做法，對PageRank算法的時效性進行修正。在由N個節點組成的定向網絡中，PageRank權威得分值{pi}可以作為下面一組遞歸線性方程的平穩解：

第二，考慮企業與其所開發專利之間的歸屬關系網絡的測度。因為企業與所屬專利間存在“正反饋”關系，符合HITS算法中權威點與樞紐點間相互加強的關系[24]，因此，本文基于HITS算法，對專利歸屬網絡中的企業與專利進行匹對，獲得企業層面的專利影響力數據。區別于傳統HITS算法中只有網站節點的做法，基于企業與其所開發專利之間的歸屬關系網絡的特殊性，本文進行以下說明：為了保證可以快速并正確地達到收斂值，使用上述PageRank算法計算的專利影響得分值Ascore為初始值，嚴格將網站節點劃分為樞紐節點（企業）和權威節點（專利），并使用HITS算法迭代計算。

其中，通過迭代得到的Ascore值包含了PageRank算法及其改進的計算過程，也包含了對HITS算法基于企業與專利所屬網絡的應用過程，是專利間引用關系網絡及專利與企業從屬關系網絡的體現，表現為企業的技術進步指標。

三、理論分析和研究假設

為厘清新質生產力培育下數字化轉型對技術進步的影響機制，本部分參考Melitz[25]和閆強明等[26]的研究構建理論模型，探討數字化轉型對產業鏈中企業技術進步的影響效應及作用機制。

（一）需求

（二）生產

（三）技術進步

DPP體現為數字化轉型通過數字化平臺和數字貿易窗口發揮資源配置效應，強化企業間信息獲取能力，降低企業吸收產業鏈上關聯企業知識資源的成本，提升產業鏈中企業的創新研發效率和成果轉化效率，突破關鍵核心卡脖子技術的研發，助力各企業專利引用網絡的快速形成；DPF體現為數字化轉型促進數字技術與企業生產研發流程的緊密結合，帶來企業間知識資源的滲透和溢出，形成產業鏈上企業間彼此信任、相互聯系的穩定關系網絡，依托網絡集聚效應和知識溢出效應發揮數字技術關聯優勢促進企業生產差異化產品，促進專利與企業的匹配網絡的建立。根據以上分析提出假設1。

假設1：新質生產力培育下的企業數字化轉型可以促進企業間專利引用網絡的快速形成、專利與企業的匹配網絡的建立，正向影響企業技術進步。

僅靠企業內部的努力很難實現整體產業鏈的技術進步，新質生產力的培育依賴于新能源汽車產業的科技創新體系。在創新過程中，外部技術的流入對提高企業的創新能力起著重要作用[27]，企業通過集聚網絡實現有形和無形的合作，同時也形成良性競爭優勢[28]。一方面通過企業集聚網絡，研究人員將企業自身資源與網絡中資源匯集在一起產生有效新知識、得到創新新啟發，同時避免利用冗余知識，加速企業創新成果研發及轉化，拓展生產新邊界、催生生產新空間，夯實新質生產力的發展基礎，形成自己的競爭優勢；另一方面，一條產業鏈上涉及多個行業、多個層次，企業構建集聚網絡自愿交換研究伙伴，共享和再開發知識、技術或服務，促成在不同層次上的創新研究，以追求雙贏的研發目標。企業的數字化轉型降低集聚網絡構建的信息成本，為企業分擔風險、資源節約、獲得新能力提供更多機會，通過發揮集聚網絡效應提升整體產業鏈的動態技術進步能力、新質生產力孕育能力和探索性優勢。為刻畫企業數字化轉型帶來的網絡集聚效應，參考韓峰和姜竹青[12]的研究，本文構建了以下企業集聚網絡指標（eanφt）：

數字化轉型促使網絡化、智能化的數字技術與實體經濟融合，加速技術、信息、知識等資源的轉移和擴散，形成打破時空界限的知識溢出效應，奠定新質生產力和技術進步的創新基礎。一方面，企業的創新水平既取決于自身技術創造的內在能力，也取決于吸收外部知識的能力。申請專利是最好、最有效吸收溢出效應的方式，申請的專利越多，就越可能從外部知識溢出效應中獲益[29]。企業數字化轉型帶來數字基礎設施的完善、政策方案的鼓勵，吸引相關產業鏈企業的落地和人才流入，不僅有助于產業鏈上企業從相似企業引進或學習先進技術，也促使企業從上下游不同行業企業中得到啟發，改善企業內部、產業鏈上人員的知識結構，使企業能夠更好地將新研發技術與企業原有技術體系融合，有助于構建企業間專利引用網絡。另一方面，研發人員的流動在地理空間中的集聚是產生知識溢出的重要形式[30]。數字化轉型推動產業鏈上企業間的人員流動，縮短不同企業以及企業內部員工之間的距離，降低信息交流成本，促進知識和技術的流動并產生知識溢出效應。通過企業間人際互動尋求和分享知識與技術，促進產業關聯企業之間的合作，推動企業合作搭建和共享數字化平臺，分散創新研發風險和成果轉化成本，構建企業與創新專利之間的關系網絡。

四、模型設定和變量說明

（一）研究模型

結合數字化轉型影響新能源汽車產業鏈企業技術進步的文獻及理論分析，為了考察企業數字化轉型對技術進步的影響機制，本文構建如下計量模型：

（二）變量說明與描述性統計

1.變量說明

（1）被解釋變量。由第二部分的模型測算得到企業技術進步（scoreit），其中，scoreit值越大，表明企業的專利引用關系網絡越發達、企業所引用的專利越重要。

（2）核心解釋變量。本文的解釋變量為新能源汽車產業鏈相關企業數字化轉型程度（dig）。參考趙宸宇等[31]采用的文本分析法，使用Python結合自然語言處理與文本特征分析，對上市企業年報進行關鍵詞提取，從數字技術應用、互聯網商業模式、智能制造、現代信息系統四個維度對99個數字化相關關鍵詞進行統計整理，并使用這些關鍵詞出現的頻次度量企業數字化發展程度。考慮到年報文本長度的差異，在提取得到上市公司每年年報中各個關鍵詞的出現頻率后，本文采用企業數字化相關詞匯頻數總和除以年報的中英文文本總長度以衡量微觀企業數字化程度；為了與其他變量保持數量級一致，本文將該指標乘以1 000，得到最終的數字化轉型程度（dig）。

（3）機制變量的測算。本文主要檢驗企業集聚網絡和知識溢出的影響機制的作用。上文第三部分已對企業集聚網絡進行測度。對知識溢出的測度參考孫偉增和郭冬梅[32]的方法，計算各行業與數字行業的投入產出關系，用來反映其與數字行業之間的聯系，并參考孫偉增[4]的研究，使用上市公司與數字化領域企業合作申請專利的數據來衡量數字知識溢出效應。

（4）控制變量。為控制其他可能影響產業鏈技術進步的因素，參考楊金玉等[33]對數字化轉型影響供應鏈決策和李云鶴等[34]對數字化轉型在供應鏈中擴散作用的研究，本文圍繞企業財務指標與企業性質選取了7個控制變量：企業規模（size），為企業就業人數的對數；總資產凈利潤率（roa），以企業利潤在總資產中的比重表示；股權集中度（top5），以企業前五大股東持股比例來表示；資產結構（as），用固定資產凈額和存貨凈額之和與總資產的比值來衡量；流動比率（cr），為流動資產與流動負債的比率；營業成本率（oc），為營業成本與營業收入的比率；財務杠桿率（fl），為負債總額與資產總額的比率。

2.描述性統計

五、實證結果及分析

（一）基準回歸結果

基于公式（18），表2匯報了新能源汽車產業鏈中企業數字化轉型與技術進步關系的回歸結果，結果顯示企業數字化轉型（dig）與技術進步（score）有顯著的正相關關系。第（2）（4）列引入了控制變量，第（3）（4）列在其他列的基礎上控制了企業固定效應、省份固定效應，結果顯示企業數字化轉型程度（dig）與產業鏈中企業技術進步（score）有顯著的正相關關系，dig每增加1%，產業鏈中企業技術進步提升0.238 0%。表2的固定效應模型回歸結果初步驗證了假設1，即數字化轉型促進了企業技術進步的提升。可能的原因是，數字技術依托其滲透性、協同性和外部性優勢，發揮資源配置效應，提升獲取外部資源和信息的效率，促進企業間形成更為穩定的社會關系網絡，企業通過搭建數字技術合作平臺以發揮企業間的協同合作，加速大數據產業集聚和數字人才集聚，促使企業間專利引用關系網絡、企業與專利正反饋網絡的構建，加速推動新質生產力的形成，帶來技術進步。

（二）穩健性檢驗

為增強企業數字化轉型對新能源汽車產業鏈企業技術進步正向影響的基準回歸結果的可信性，本文從變量重估、樣本選擇、負二項回歸和控制城市的時間趨勢差異等角度進行穩健性檢驗。

第一，變量重估。分別對企業數字化轉型、技術進步指標度量的穩健性進行檢驗。對于企業數字化轉型度量的穩健性，參考吳非等[35]的做法，對數字化轉型水平變量進行重新評估，對上市公司年報中包括人工智能技術、云計算技術、大數據技術、數字技術、區塊鏈技術的五個維度76個數字化相關詞頻進行重新統計，以檢驗實證結論的穩健性，回歸結果見表3列（1）。對于技術進步指標度量的穩健性，采用以下兩種方法：一是使用樣本企業各年度的專利申請數；二是參考Walker等[19]的研究，PageRank的性能行為在τ=1時也比較優秀，因此使用參數：α=0.5和τ=1年，重新測度專利引用得分并作為技術進步指標。回歸結果見表3列（2）—（3）。

第二，樣本選擇。一是截尾樣本選擇。表2是基于上市公司全樣本的回歸結果，為了解決可能存在極端值導致估計結果存在偏誤的問題，對樣本進行截尾處理：剔除技術進步指標最大的前1%和最小的前1%，結果見表3列（4）。二是拓展樣本選擇。2016年10月8日，國家發展改革委、工業和信息化部、中央網信辦發函同意在京津冀等七個區域推進國家大數據綜合試驗區建設③。依托國家戰略政策，大數據試驗區更加注重數據要素流通、基礎設施完善和公共服務健全，資源整合效率更高，數字化轉型表現可能更好。因此，選擇2016—2021年的樣本進行回歸，結果見表3列（5）。

第三，使用固定效應負二項回歸。本文被解釋變量是關鍵詞出現次數，也可以使用計數模型來進行估計。本文使用固定效應負二項回歸模型進行回歸，結果見表3列（6）。

第四，考慮到各個城市隨著時間變化的一些因素也可能對企業數字化水平產生影響，本文加入城市固定效應與時間趨勢的交乘項以控制各個城市的時間趨勢差異，結果見表3列（7）。

通過以上穩健性檢驗，回歸結果與表2所顯示結果基本一致，表明本文的變量選擇、樣本選擇較為穩健，可以認為新能源汽車產業鏈中企業數字化轉型至少在10%水平下顯著提升了技術進步，有效地驗證了假設1。

（三）內生性問題處理

本文采用以下四種方式緩解潛在的內生性問題：第一，反向因果問題可能引起模型的內生性問題，即較強技術進步可能會反過來推動企業數字化轉型發展。為了解決這一問題，借鑒陳愛貞等[36]的做法，對核心解釋變量和控制變量進行滯后一期處理，結果見表4列（1）。第二，GMM模型可以在一定程度上減少模型的內生性，表4列（2）的回歸結果顯示，文章運用差分GMM廣義矩估計所得變量符號及顯著性符合假設要求。第三，使用工具變量的兩階段最小二乘法（2SLS）。一是參考李治國和王杰[37]的研究，選擇各省域1984年郵局數和固定電話數作為數字化轉型的工具變量，并借鑒黃群慧等[38]的思路，創建1984年各省市固定電話數、郵局數乘以各省互聯網端口數分別為本文的工具變量iv1和iv2，將微觀上市公司數據以省市聚類，回歸結果見表4列（3）—（6）。二是參考韓峰等[12]的研究，建立各城市海拔乘以全國層面企業數字化轉型均值產生的交互項作為工具變量iv3進行內生性檢驗，回歸結果見表4列（7）—（8）。Cragg-Donald Wald F統計量和Kleibergen-Paap rk Wald F統計量表明工具變量與潛在內生變量具有相關性，且拒絕了識別不足的原假設，工具變量選取合理。第一階段的回歸結果驗證了工具變量的相關性，第二階段所得結果與基準回歸結果基本一致。在解決部分內生性問題后，各回歸結果同樣驗證了文章假設，即企業數字化轉型對企業技術進步有提升作用，再次驗證假設1。

（四）異質性分析

企業數字化轉型在新能源汽車產業鏈技術進步層面的影響效應可能會受到行業特征、企業特征等方面的影響，下文分別展開討論。

1.區分行業特征

（1）不同行業的影響。不同行業的數字化轉型進程、技術創新水平及企業間協同發展狀況存在差異，新質生產力的培育狀態也有所差異。因此篩選出新能源汽車產業鏈中558條④、行業代碼為I的579條及行業代碼為C的7 831條年份—企業數據分別為生產性服務業、信息技術業和制造業分組樣本，回歸結果見表5的行業分類部分，結果發現：生產性服務業的企業數字化轉型對其技術進步的影響不顯著但為正向，信息技術業的企業數字化轉型對技術進步的提升作用最顯著。這可能是因為，生產性服務業深度融合制造業和服務業，一般處于產業鏈中高端核心環節，數字技術發展早、水平高，早已滲透入企業研發創新環節；而信息制造業對數字化轉型要求高，從產品設計到用戶需求信息共享都依賴于數字化的整合資源、協同企業關系等能力，因此數字化轉型對企業技術進步的促進作用尤為顯著。

（2）不同行業要素密集度的影響。不同行業由于要素配置、產業鏈模式等有所不同，其創新研發和成果轉化的模式及對數字技術的敏感度也存在較大差異。例如，機械、電子電池等以機器設備和生產技術作為核心生產力的行業，對于數字化轉型特別是高層次數字技術應用的需求更為敏感；而紡織、家具、零部件制造等以勞動要素投入為主的行業，對于數字化發展帶來的影響效應不夠敏感。因此，根據中國證券監督管理委員會公布的《2019年4季度上市公司行業分類結果》，將樣本企業分為勞動密集型、技術密集型⑤和資本密集型⑥三組，回歸結果見表5的行業要素密集度部分。可以看出，數字化轉型對技術密集型和資本密集型行業的技術進步都具有顯著的促進作用，但對勞動密集型行業的影響較小且在統計上不顯著。這可能是因為，資本和技術密集型行業由于技術水平較高，專利研發和引用關系更活躍，受數字技術的網絡集聚效益和知識溢出效應影響更大，而勞動密集型行業本身的研發需求低，數字化轉型程度與技術進步關聯性差。

2.區分企業特征

考慮到企業數字化轉型會受到企業規模大小的影響[39]，本文參考孫偉增等[4]的研究，使用資產規模作為企業規模的度量指標，并根據中位數將企業劃分為規模較大的企業和規模較小的企業兩組。從表6企業規模部分的結果看，數字化轉型更有利于促進小規模企業的技術進步，對大規模企業的技術進步影響不顯著。這可能是因為，較大規模企業在研發投入、人才和技術儲備方面擁有一定的優勢，具備獨立自主提升數字化程度、打造一體化數字平臺的能力，因此，其研發和創新受數字化轉型發展影響相對較小；而規模較小企業的資源有限，其創新成果的研發與轉化更需要企業數字化轉型帶來的網絡集聚效益和知識溢出效應。

專利中凝結著高價值的創新要素和知識產出，吸收能力不同的企業對蘊含在專利中的新知識和新技術吸收、掌握、轉化和應用的能力會有所差異。借鑒趙麗和胡植堯[40]的研究，本文用研發支出與營業收入的比重來衡量企業吸收能力，并依據中位數將樣本劃分為兩組。從表6企業吸收能力部分來看，高吸收能力企業的數字化轉型對技術進步影響更為顯著。這可能是因為，較強的吸收能力有助于企業學習新的知識和技術，并加速與現有知識、技術的同化與整合，最大限度地利用數字知識與技術開發新產品、申請新專利，更有利于形成企業間穩定的關系網絡，提高企業創新效率和成果產出效率。

六、數字化轉型影響產業鏈企業技術進步的機制檢驗根據前文理論分析可知，網絡集聚和知識溢出在數字化轉型調節企業技術進步過程中發揮機制作用，因此本部分進一步通過實證檢驗企業數字化轉型促進新能源汽車產業鏈中企業技術進步的影響機制。

（一）網絡集聚效應

結合文章第三部分的理論分析及測算步驟，在文章的基準回歸模型中加入新能源汽車產業鏈中企業數據測算的集聚網絡變量及數字化轉型與集聚網絡交互項進行回歸，回歸結果見表7。列（3）—（4）相比其他列加入了控制變量，結果表明企業集聚網絡及交互項的系數均顯著為正，說明數字化轉型通過形成企業間集聚網絡促進企業實現有形和無形的合作，匯聚資源產生新知識，加速企業創新成果研發及轉化，促成產業鏈上涉及多個行業、多個層次上的創新協同研究，發揮集聚網絡效應促進專利間引用網絡的建立。以上結論驗證了文章的假設2。

（二）知識溢出效應

使用投入產出表計算產業鏈中各行業與數字行業的投入產出關系，可以反映數字知識的溢出聯系[32]。本文基于2012年全國投入產出表，利用新能源汽車產業鏈中的企業數據與行業代碼進行匹配并構造交互項來反映數字化知識溢出的影響。其中，數字行業來自行業i的投入品比例為投入關系（input），運用于行業i的產品比例為產出關系（output），回歸結果見表8第（1）—（2）列，兩個交互項的系數均顯著為正。進一步，企業間的合作增加是知識溢出的具體表現之一[41]。因此，本文使用上市公司與數字化領域企業合作申請專利的數據來檢驗數字化轉型帶來的知識溢出效應。從中國知識產權局中篩選出前文所述的新能源汽車產業鏈的企業，參考孫偉增等[4]的做法，根據新能源汽車產業鏈上企業的專利ID、專利名稱、專利權人相關信息，將包含有相關關鍵詞⑦的企業定義為數字化領域企業。構建是否與數字化領域企業合作（if）、合作申請專利數量（co）、合作申請專利占總專利的比例（sc）三個指標，并構造交互項，來反映產業鏈上企業受到知識溢出效應的影響情況，回歸結果見表8第（3）—（5）列，三個交互項的系數均顯著為正。以上分析證實了文章的假設3，即數字化轉型通過數字知識溢出效應顯著促進了各企業的技術進步，助力了專利網絡的建立。

（三）進一步分析

在大數據試驗區政策支持下，數字化補貼范圍和補貼力度得以增加，改善了數字化基礎設施建設，數字化企業和人才得以更好地集聚。為了進一步檢驗數字化轉型對企業技術進步的影響，選擇推進國家大數據綜合試驗區的各城市作為實驗組，未推進的城市為對照組，使用雙重差分法檢驗數字化轉型的影響。參考王小龍和許敬軒[42]、徐舒等[43]關于政策實施與否對研究對象影響的研究，使用雙重差分法對模型進行估計[44]，構建DID雙向固定效應模型如下：

為了驗證雙重差分模型的合理性，下面進行穩健性檢驗。第一，進行平行趨勢檢驗。本文所使用雙重差分識別策略的前提假設是，在沒有國家大數據綜合試驗區推行的情況下，入選城市與沒有入選城市在技術進步方面有相同的變化趨勢，回歸結果見表11列（1）。第二，該政策的評選標準是國家選定、由城市的整體特征決定，并不受其中某個城市或某個企業的影響。本文加入了可以影響城市能否入選的指標，來檢驗是否因為一些無法觀測的因素影響了城市入選。因此，在模型中進一步控制了網絡和移動通信的普及率，參考王天堯等[44]的研究，用城市在2013年的互聯網寬帶用戶數來衡量網絡的普及率，并在回歸中加入其與時間趨勢的交互項，結果如表11列（2）。第三，為了檢驗控制組和政策影響組的分組是隨機的，使用前文的工具變量來替代政策變量，解決因為分組非隨機導致的內生性問題，檢驗結果如表11列（3）。由以上穩健性檢驗得知，本文的雙重差分模型回歸是穩健的，假設1得到證實的事實是合理的。

七、結論與政策建議

在加快培育新質生產力目標下，本文把數字化轉型、技術進步納入到統一理論分析框架下，綜合分析了數字化轉型在提升企業技術進步中的集聚效應和知識溢出效應，并使用專利數據和中國新能源汽車產業鏈相關企業數據，構造了微觀層面企業數字化轉型、技術進步、機制變量測度指標，進一步實證檢驗了數字化轉型對技術進步的影響關系及其中的作用機制。研究表明：新能源汽車產業鏈中企業的數字化轉型可以促進其技術進步，且因行業、企業特征等方面的影響作用效果不同，尤其在信息技術業和制造業行業、技術密集型和資本密集型行業、小規模企業、高吸收能力企業，企業數字化轉型對技術進步的提升作用更大；基準回歸檢驗證實了文章理論分析，數字化轉型顯著正向促進新能源汽車產業鏈中企業的技術進步，穩健性檢驗證實了基準回歸的可信性，內生性處理保證了參數估計的一致性；構建交互項證實企業集聚網絡和知識溢出的機制影響作用，且雙重差分結果顯示得到國家政策支持地區的企業數字化轉型對技術進步有顯著提升作用。

基于本文研究結論，提出以下政策建議：

第一，推進數字化發展戰略，加快數字技術在企業生產、經營等活動中的融合和滲透，從而提升企業研發創新能力和成果轉化效率；完善數字基礎設施建設，打造有利于數字技術和知識溢出、企業間集聚網絡融合發展的外部環境，形成企業自身競爭優勢的同時，借助數字化平臺加快產業鏈上企業新技術產品投入上下游生產各環節，形成數字化轉型進程下面向世界的新能源汽車產業鏈高技術集群。

第二，強化新質生產力功能取向，以新能源汽車等戰略性新興產業為主要載體，扭住自主創新這個“牛鼻子”，推動技術迭代升級。提高政府與市場創新協同能力，充分發揮產業鏈上企業的主力軍作用，以相關政策為打造創新生態系統、優化科技創新體制機制注入新的活力。聚焦新能源汽車的綠色低碳技術及關鍵核心技術，以政府稅收政策、人才政策為基礎，構建新能源汽車的綠色產業鏈、突破堵點卡點的技術體系，培育體現綠色發展理念、以創新為動力的新質生產力。

第三，強化國內具有領跑地位的比亞迪、廣汽、長安、長城等新能源汽車產業鏈企業的技術領先地位，以政府及行業協會提供的相關政策支持與公共服務，輻射帶動整條產業鏈上企業間技術創新的正反饋良性循環。重視電動汽車、充電樁、電池的更新研發及電機、零部件的創新換代，加大研發投入促進技術成果轉換，有針對性地開拓國內城市、農村市場，更深入、廣闊地開拓國外市場，形成國內新能源汽車的品牌效應，提升各大經濟體對華市場的依存度，穩固我國新能源汽車在全球貿易中的競爭優勢。

第四，立足不同企業和行業數字化發展特征和差異化需求，制定有針對性的方針政策策略，穩步推進新能源汽車產業鏈上各行業企業的技術進步。信息技術業和制造業、資本和技術密集型企業、規模較小企業以及高吸收能力企業的促進作用更明顯，可加強對新能源汽車產業鏈關鍵行業技術研發的優化布局，提升制造業與服務業的融合度并形成企業間協同創新研發團隊，促進技術及資本密集型企業與產業鏈中主體企業間知識、技術等創新資源的共享，形成產業鏈企業技術進步新優勢。

注釋：

①數據來源于國家發展改革委在國新辦新聞發布會上發布的數據，《國新辦舉行解讀宏觀經濟形勢和政策新聞發布會》，http：//www.scio.gov.cn/live/2024/33213/tw/。

②新能源汽車產業鏈相關的IPC專利分類號包括：B01J2/22；B05D3/00；B07B7/00；B23K37/04；B29C45/14；B60；B62D21；C08J9/22；C10L5/40；C23G；H01M10/00；H02J；H04W72；H05K7/20；G01R31/00；G05B13/00；G08B13/02；E05D5/00；E21B36/00；F01K21/04；F03D9/11；F04B49/00；F16K15/20；F21V21/00；F24F5/00；F25B29/00等。

③選擇此次批復的京津冀、珠江三角洲、上海市、河南省、重慶市、沈陽市、內蒙古七個區域和首個國家級大數據綜合試驗區貴州為國家大數據綜合試驗區。

④根據國家統計局印發的《生產性服務業統計分類（2019）》，篩選出新能源汽車產業鏈中所涉及的生產性服務業行業代碼為B11、G54、G59、F51、L71、L72、M73、M74。

⑤技術密集型樣本包含C29（橡膠和塑料制品業）、C33（金屬制品業）、C35（專用設備制造業）、C36（汽車制造業）、C39（計算機、通信和其他電子設備制造業）、C38（電氣機械及器材制造業）、I65（軟件和信息技術服務業）、M74（專業技術服務業）等共6 584條企業—年份數據。

⑥資產密集型樣本包含B11（開采輔助活動）、C26（化學原料及化學制品制造業）、C28（化學纖維制造業）、C30（非金屬礦物制品業）、C31（黑色金屬冶煉及壓延加工業）、D44（電力、熱力生產和供應業）、D45（燃氣生產和供應業）、R86（廣播、電視、電影和影視錄音制作業）共1 324條企業—年份數據。

⑦本文以企業名稱中包含軟件、信息、互聯網、電信、廣播、電視、衛星、網絡、機器人、電子、數字化、數據、數字經濟、云計算、人工智能、通訊、區塊鏈等關鍵詞的企業為數字化領域企業。

參考文獻：

[1]習近平在中共中央政治局第十一次集體學習時強調 加快發展新質生產力 扎實推進高質量發展[N].人民日報，2024-02-02.

[2]國務院發展研究中心市場經濟研究所課題組.新一輪技術革命與中國城市化2020～2050——影響、前景與戰略[J].管理世界，2022（11）：12-28.

[3]GOLDFARB A，TUCKER C.Digital economics[J].Journal of Economic Literature，2019，57（1）：3-43.

[4]孫偉增，毛寧，蘭峰，等.政策賦能、數字生態與企業數字化轉型——基于國家大數據綜合試驗區的準自然實驗[J].中國工業經濟，2023（9）：117-135.

[5]FORMAN C，VAN ZEEBROECK N.Digital technology adoption and knowledge flows within firms：can the internet overcome geographic and technological distance？[J].Research Policy，2019，48（8）：103697.

[6]ECONOMIDES N，JEZIORSKI P.Mobile money in Tanzania[J].Marketing Science，2017，36（6）：815-837.

[7]江小涓，靳景.數字技術提升經濟效率：服務分工、產業協同和數實孿生[J].管理世界，2022（12）：9-26.

[8]CAPELLO R.Regional economics[M].London： Routledge，2015： 378.

[9]LI J，XIA J，ZAJAC E Jl9xjzyMeVVC8w6U+vy93pEQjdmXYkwpBs6WLtve3X5A=.On the duality of political and economic stakeholder influence on firm innovation performance： theory and evidence from chinese firms[J].Strategic Management Journal，2018，39（1）：193-216.

[10]范合君，吳婷，何思錦.企業數字化的產業鏈聯動效應研究[J].中國工業經濟，2023（3）：115-132.

[11]吳小龍，肖靜華，吳記.當創意遇到智能：人與AI協同的產品創新案例研究[J].管理世界，2023（5）：112-126+144+127.

[12]韓峰，姜竹青.集聚網絡視角下企業數字化的生產率提升效應研究[J].管理世界，2023EIHbyZA+S4pH8+BnZ1bIAwb6R7E4MwdGoTl2JE2XBVw=（11）：54-77.

[13]ROSENTHAL S S，STRANGE W C.How close is close？ the spatial reach of agglomeration economies[J].Journal of Economic Perspectives，2020，34（3）：27-49.

[14]WU J，HARRIGAN K R，ANG S H，et al.The impact of imitation strategy and R&D resources on incremental and radical innovation： evidence from Chinese manufacturing firms[J]．Journal of Technology Transfer，2019，44（1）：210-230．

[15]BYUN S K，JONG-MIN O，XIA H． Incremental vs．breakthrough innovation：the role of technology spillovers[J]．Management Science，2020，67（3）：1779-1802.

[16]XIANG X Y，CAI H，LAM S，et al.International knowledge spillover through co-inventors： an empirical study using chinese assignees' patent data[J]．Technological Forecasting and Social Change，2013，80 （1）： 161-174.

[17]BRIN S，PAGE L.The Anatomy of a large-scale hypersexual web search engine[J].Computer Networks and ISDN Systems，1998，30（1-7）：107-117.

[18]MARIANI M，MEDO M，ZHANG Y.Identification of milestone papers through time-balanced network centrality[J].Journal of Informetrics，2016，10（4）：1207-1223.

[19]WALKER D，XIE H，YAN K-K，et al.Ranking scientific publications using a model of network traffic[J].Journal of Statistical Mechanics： Theory and Experiment，2007（6）：1-11.

[20]WALTMAN L.A review of the literature on citation impact indicators[J].Journal of Informetrics，2016，10（2）：365-391.

[21]CHEN P，XIE H，MASLOV S，et al.Finding scientific gems with Google's PageRank algorithm[J].Journal of Informetries，2007，1（1）：8-15.

[22]BERKHIN P.A survey on PageRank computing[J].Internet Mathematics，2005，2（1）：73-120.

[23]MASLOV S，REDNER S.Promise and pitfalls of extending Google's PageRank algorithm to citation networks[J].The Journal of Neuroscience，2008，28（44）：11103-11105.

[24]安同良，姜舸，王大中.中國高技術制造業技術測度與趕超路徑——以鋰電池行業為例[J].經濟研究，2023（1）：192-208.

[25]MELITZ M J.The impact of trade on intra-industry reallocations and aggregate industry productivity[J].Econometrica，2003，71（6）：1695-1725.

[26]閆強明，李寧靜.后發大國技術趕超如何影響經濟增長——基于全球價值鏈的視角[J].上海對外經貿大學學報，2023（3）：19-35.

[27]YAN，ZHANG J J，GUAN J C.The dynamics of technological partners： a social network perspective[J].Technology Analysis & Strategic Management，2018，30（4）：405-420.

[28]DRAULANS J，VOLBERDA H W.Building alliance capability： management techniques for superior alliance performance[J].Long Range Planning，2003，36（2）：151-166.

[29]HUSSLER C． Culture and knowledge spillovers in europe： new perspectives for innovation and convergence policies？[J].Economics of Innovation and New Technology，2004，13（6）：523-541．

[30]GLAESSER E L，KALLAL H D，SCHEINKMAN J A，et al.Growth in cities[J].Journal of Political Economy，1992，100（6）：1126-1152.

[31]趙宸宇，王文春，李雪松.數字化轉型如何影響企業全要素生產率[J].財貿經濟，2021（7）：114-129.

[32]孫偉增，郭冬梅.信息基礎設施建設對企業勞動力需求的影響：需求規模、結構變化及影響路徑[J].中國工業經濟，2021（11）：78-96.

[33]楊金玉，彭秋萍，葛震霆.數字化轉型的客戶傳染效應——供應商創新視角[J].中國工業經濟，2022（8）：156-174.

[34]李云鶴，藍齊芳，吳文鋒.客戶公司數字化轉型的供應鏈擴散機制研究[J].中國工業經濟，2022（12）：146-165.

[35]吳非，胡慧芷，林慧妍，等.企業數字化轉型與資本市場表現——來自股票流動性的經驗證據[J].管理世界，2021（7）：130-144+10.

[36]陳愛貞，陳鳳蘭，何誠穎.產業鏈關聯與企業創新[J].中國工業經濟，2021（9）：80-98.

[37]李治國，王杰.數字化轉型、數據要素配置與制造業生產率提升[J].經濟學家，2021（10）：41-50.

[38]黃群慧，余泳澤，張松林.互聯網發展與制造業生產率提升：內在機制與中國經驗[J].中國工業經濟，2019（8）：5-23.

[39]BRAUNERHJELM P，YLINENPA H，JOHANSSON J，et al.Barriers to information and communication technology adoption in small firms[R].Swedish Entrepreneurship Forum Working Paper，2013.

[40]趙麗，胡植堯.數據要素、動態能力與企業全要素生產率——破解“數據生產率悖論”之謎[J].經濟管理，2024（7）：55-72.

[41]李宇，陸艷紅，周曉雪.產業集群中的企業家導向、有意識的知識溢出與集群企業知識資本[J].中國軟科學，2017（12）：178-186.

[42]王小龍，許敬軒.財政“省直管縣”能夠約束基層公職人員在職消費嗎[J].財貿經濟，2017（6）：17-32.

[43]徐舒，張冰，王慧.社保降費如何惠企利民：分擔機制與繳費歸宿[J].世界經濟，2023（7）：191-218.

[44]王天堯，楊曉維.寬帶、遠程服務與企業分工[J].財經研究，2023（8）：109-123.

責任編輯：韓曾麗The Influence of Digital Transformation on the Enterprise Technological

Progress of New Energy Vehicle Industry Chain

——Taking the "Second

Zhang Bing， Song Chaofan

（School of Economics， Nankai University，Tianjin 300071， China）

Abstract：The new wave of scientific and technological revolution， characterized by digitalization， is reshaping the global industrial technology innovation ecosystem， offering significant opportunities for enterprise technological advancement and the development of new quality productive forces within the new energy vehicle industry chain. By utilizing patent information and data from A-share listed companies associated with China's new energy vehicle industry chain， this study delves into the reference relationships among patents. It employs the PageRank and HITS algorithms to propose a composite measurement method for assessing technological progress， which considers both the influence of patent technology and enterprise innovation. This method scientifically constructs indicators for digital transformation and technological progress. The paper explores the impact of digital transformation on technological progress through the lenses of agglomeration effects and knowledge spillover effects. The findings reveal that enterprise digital transformation propels technological progress in the new energy vehicle industry chain， with a positive enhancement effect that varies across industries and companies. The mechanism test indicates that digital transformation enhances technological progress through enterprise agglomeration effects and knowledge spillover effects， with national policy support playing a crucial role. By focusing on enhancing digital infrastructure and fostering innovation ecosystems， this paper provides policy recommendations for decision-makers to evaluate the impact of digital transformation on new energy vehicle enterprises and the positioning of Chinese patents both domestically and internationally.

Key words：digital transformation; technological progress; new energy vehicles；new quality productive forces