📈 economics

Global Green Knowledge Flows: Analysis Based on Green Patent Network

Durch die Analyse von 6,65 Millionen globalen grünen Patenten von 1990 bis 2019 zeigt diese Studie auf, dass die inhärente Instabilität und die sich verschiebende Zentralität grüner Patentnetzwerke – von End-of-Pipe- zu Präventivtechnologien – Standard-Vorhersagemodelle unwirksam macht, was einen neu entwickelten dynamischen Rollier-Vorhersageansatz erforderlich macht, um grüne Innovationen präzise zu prognostizieren.

Ursprüngliche Autoren: Meiling Kang, Mengru Wang, Yechi Wu, Zhongkuang Zhao, Xiaoyan Zhou

Veröffentlicht 2026-07-06

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Meiling Kang, Mengru Wang, Yechi Wu, Zhongkuang Zhao, Xiaoyan Zhou

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Große Ganze: Die Verfolgung des „Gehirns“ der grünen Technologie

Stellen Sie sich die weltweiten Bemühungen im Bereich der grünen Technologie (wie Solarmodule, Wasserfilter und Elektrobatterien) wie eine riesige, lebendige Bibliothek vor. Jedes Mal, wenn jemand ein neues grünes Gadget erfindet, schreibt er ein „Patent“, was wie ein neues Buch in dieser Bibliothek ist. Wenn Erfinder etwas Neues erschaffen, schauen sie oft in alte Bücher (vorherige Patente), um sich inspirieren zu lassen. Diese Arbeit untersucht 6,65 Millionen dieser „Bücher“, die zwischen 1990 und 2019 veröffentlicht wurden, um zu sehen, wie Ideen sich verbreiten.

Die Autoren wollten zwei Hauptfragen beantworten:

Wie unterscheidet sich diese grüne Technologie-Bibliothek von einer normalen Technologie-Bibliothek?
Kann man vorhersagen, was die nächste große grüne Erfindung sein wird?

Die große Entdeckung: Grüne Technologie ist ein „Chamäleon“, kein Fels

Die meisten bisherigen Studien (wie die berühmte Arbeit von Acemoglu) betrachteten die allgemeine Technologie und stellten fest, dass das Netzwerk der Ideen stabil war. Sie fanden heraus, dass man, wenn man wusste, wie die Ideen im Jahr 1990 flossen, auch die Flüsse im Jahr 2010 vorhersagen konnte, weil die Struktur gleich blieb. Es war wie ein Fels: solide und unveränderlich.

Diese Arbeit fand jedoch heraus, dass grüne Technologie kein Fels ist, sondern ein Chamäleon.

Der Wandel: Der „Schwerpunkt“ in der grünen Technologie hat sich dramatisch verschoben.
- In den 1990er Jahren: Lag die wichtigste Idee darin, Müll zu beseitigen („End-of-Pipe“-Lösungen). Denken Sie daran, wie man sich darauf konzentriert, einen schmutzigen Boden zu schrubben oder den Rauch zu filtern, der aus einem Schornstein kommt. Die „Stars“ des Netzwerks waren die Wasseraufbereitung und die Abfallverbrennung.
- In den 2010er Jahren: Hat sich der Fokus auf die Vermeidung von Müll (präventive Lösungen) verlagert. Die „Stars“ änderten sich zu sauberer Energie, Batterien und Recycling. Das Netzwerk bewegte sich von „das Problem beheben, nachdem es passiert ist“ hin zu „das Problem verhindern, bevor es überhaupt entsteht“.
Das Ergebnis: Da sich das Netzwerk so schnell in seiner Form und seinem Fokus verändert, funktionieren die alten Karten (Vorhersagemodelle), die für stabile Branchen funktionierten, hier nicht. Zu versuchen, grüne Technologie mit alten Methoden vorherzusagen, ist wie der Versuch, einen Fluss zu navigieren, der seinen Lauf jede Woche ändert, indem man eine Karte vom letzten Jahr benutzt.

Die Lösung: Eine „rollende Kamera“ statt eines „Standfotos“

Da das grüne Technologie-Netzwerk instabil ist, erkannten die Autoren, dass sie einen neuen Weg benötigen, um die Zukunft vorherzusagen.

Der alte Weg (Statisches Modell): Stellen Sie sich vor, Sie machen ein Standfoto von einem fahrenden Auto und versuchen zu erraten, wo es in 10 Sekunden sein wird. Wenn das Auto um eine Kurve fährt, wird Ihre Vermutung falsch sein. Das war es, was traditionelle Modelle taten; sie gingen davon aus, dass das Netzwerk ein Standfoto ist.
Der neue Weg (Dynamisches Rollendes Modell): Die Autoren bauten eine rollende Kamera (ein Video). Anstatt nur einen festen Schnappschuss zu betrachten, betrachtet ihr Modell das Netzwerk in beweglichen Zeitfenstern. Es aktualisiert ständig das Verständnis darüber, wie die Ideen genau jetzt fließen, um vorherzusagen, was als Nächstお passieren wird.

Der Test:
Sie testeten beide Methoden.

Die alte Methode scheiterte daran, die Zukunft genau vorherzusagen, da sie die Veränderungen nicht bewältigen konnte.
Die neue rollende Methode war unglaublich genau. Sie sagte über 90 % der zukünftigen grünen Innovationen erfolgreich voraus, indem sie beobachtete, wie sich der „Fluss“ der Ideen im Laufe der Zeit veränderte.

Wichtige Erkenntnisse aus den Daten

Einige Felder sind Superstars: Bestimmte Bereiche, wie die Wasseraufbereitung und die elektrische Speicherung, sind die „Hubs“ (Knotenpunkte) des Netzwerks. Fast jeder zitiert sie. Sie sind die „Hauptcharaktere“ in der Geschichte der grünen Technologie.
Einige Felder sind isoliert: Andere Bereiche sind wie „Silos“. Sie kommunizieren kaum mit anderen Feldern. Sie sind sehr spezialisiert und teilen Ideen nicht so sehr.
Das Netzwerk wird dichter: Über die 30 Jahre hinweg begannen die verschiedenen grünen Felder, stärker miteinander zu vernetzen. Das „Clustering“ nahm zu, was bedeutet, dass verschiedene Arten von grüner Technologie immer häufiger Ideen voneinander entlehnen.

Warum das wichtig ist (laut der Arbeit)

Die Autoren legen nahe, dass wir, da sich die grüne Technologie so schnell verändert, keine „Einheitsregeln“ verwenden können, um sie vorherzusagen.

Für politische Entscheidungsträger: Man kann nicht einfach eine Politik festlegen und sie dann vergessen. Man braucht ein System, das sich anpasst, während sich die Technologie entwickelt – genau wie das Modell der „rollenden Kamera“.
Für Forscher: Um grüne Innovationen zu verstehen, muss man den internen Fluss der Ideen betrachten, nicht nur externe Faktoren wie Gesetze oder Geld. Die Art und Weise, wie Ideen von einem Feld auf ein anderes überlaufen, ist der wahre Motor, der den Wandel vorantreibt.

Kurz gesagt: Grüne Technologie ist ein schnelllebiger, formwandelnder Fluss. Die alten Karten funktionieren nicht, aber diese neue „rollende Kamera“-Methode kann uns endlich helfen zu sehen, wohin der Fluss als Nächstes fließt.

Technisches Resümee: Globale grüne Wissensströme: Eine Analyse basierend auf dem grünen Patentnetzwerk

1. Problemstellung

Während umfangreiche Forschungsarbeiten existieren, die untersuchen, wie externe Faktoren (Regulierungen, politischer Instrumente, Marktschocks) die grüne Innovation beeinflussen, gibt es eine signifikante Lücke im Verständnis der internen Mechanismen von Wissensflüssen, Strukturen und Akkumulation innerhalb grüner Technologiebereiche. Die bestehende Literatur, wie etwa Acemoglu et al. (2016), legt nahe, dass Innovationsnetzwerke im Allgemeinen stabil sind, was eine Vorhersage basierend auf historischen Zitiermustern ermöglicht. Es bleibt jedoch unklar, ob diese Annahmen stabiler Netzwerke auch für grüne Technologien gelten, die vor einzigartigen interdisziplinären Herausforderungen und dualen Zielsetzungen (ökonomisch und ökologisch) stehen.

Das adressierte Kernproblem ist zweigeteilt:

Strukturelle Instabilität: Es ist unbekannt, wie sich das grüne Patentnetzwerk in Bezug auf Stabilität und zeitliche Evolution von traditionellen Patentnetzwerken unterscheidet.
Vorhersageversagen: Standardmodelle zur Innovationsprognose, die eine Netzwerkkonsistenz voraussetzen, könnten für die Vorhersage grüner Innovationen ineffektiv sein, da die Wissensströme grüner Technologien potenziell zeitvariante Eigenschaften aufweisen.

2. Methodik

Datenquellen und Konstruktion

Datensatz: Die Studie nutzt 6,65 Millionen globale grüne Erfindungspatente, die zwischen 1990 und 2019 angemeldet wurden.
Selektionskriterien: Gebrauchsmuster und Designpatente wurden ausgeschlossen. Die Patente wurden unter Verwendung der Kriterien des „IPC Green Inventory“ gefiltert, welche vom Expertengremium der Internationalen Patentklassifikation (IPC) entwickelt wurden.
Netzwerkkonstruktion: Ein Wissens-Input-Output-Netzwerk wurde basierend auf rückwärtsgerichteten Patentzitaten konstruiert. Das Gewicht $w_{ij}$ repräsentiert den Zitieranteil des technischen Feldes $i$ , das Feld $j$ zitiert:
$w_{ij} = \frac{cite_{ij}}{\sum_k cite_{ik}}$
Wobei $cite_{ij}$ die Anzahl der Zitate von Feld $i$ zu Feld $j$ darstellt. Diese Matrix $\Omega$ bildet den Wissensspillover und den Fluss zwischen verschiedenen grünen Technologiefeldern ab.
Robustheit der Klassifizierung: Die Studie testete mehrere Klassifizierungsgranularitäten, um die Robustheit sicherzustellen:
- Erste 2 Ziffern der IPC.
- Erste 4 Ziffern der IPC.
- „IPC Green Inventory“-Kategorien (7 Hauptkategorien).
- „IPC Green Inventory“-Unterkategorien.
- Vollständige IPC-Nummern.

Analytischer Ansatz

Netzwerkmetrik-Analyse: Die Studie berechnete komplexe Netzwerkindikatoren (z. B. Gradzentralität, Netzwerkdichte, Clusterkoeffizient, Modularität, Gini-Koeffizient) über drei Zeitintervalle (1990–1999, 2000–2009, 2010–2019), um die Evolution des Netzwerks zu charakterisieren.
Vergleichende Prognosemodelle: Zwei unterschiedliche Prognoseansätze wurden mittels gewöhnlicher Kleinstquadrat-Regression (OLS) getestet:
- Traditionelles statisches Lag-Modell: Basierend auf Acemoglu et al. (2016), nimmt dieses Modell ein stabiles Netzwerk an. Es berechnet einen festen Zitierfluss ($CiteFlow$) über ein 10-Jahres-Fenster und wendet diesen als statischen Lag an, um zukünftige Patentzahlen vorherzusagen.
- Dynamisches Rolling-Prediction-Modell: Von den Autoren vorgeschlagen, um Netzwerkinstabilität zu adressieren. Diese Methode behandelt den Zitierfluss ($CiteFlow$) als eine zeitvariante Variable. Sie nutzt rollierende Zeitfenster, um die Zitierfluss-Koeffizienten dynamisch anzupassen, wodurch die sich entwickelnde Natur von Wissensspillovers erfasst wird.

3. Zentrale Beiträge

Identifizierung von Netzwerkinstabilität: Die Arbeit zeigt, dass das grüne Patentnetzwerk sich grundlegend von traditionellen Innovationsnetzwerken unterscheidet. Im Gegensatz zu den in der bisherigen Literatur beschriebenen stabilen Netzwerken weist das grüne Netzwerk eine ausgeprägte räumlich-zeitliche Instabilität auf. Schlüsselknoten verschieben sich signifikant über die Zeit, und die Netzwerkstruktur vollzieht einen Übergang von End-of-Pipe-Technologien (z. B. Müllverbrennung) hin zu präventiven Lösungen (z. B. saubere Energie, Ressourcenmanagement).
Methodische Innovation: Die Autoren schlagen einen dynamischen Rolling-Prediction-Ansatz vor, der speziell für Netzwerke mit sich entwickelnden Wissensmustern kalibriert ist. Diese Methode überwindet die Einschränkungen statischer Modelle, die eine Netzwerkkonsistenz voraussetzen, und bietet ein neues Werkzeug zur Analyse instabiler, zeitvarianter Netzwerke.
Analyse endogener Treiber: Über den Fokus auf exogene Treiber (Politik, Markt) hinaus erläutert die Studie die internen Antriebsmechanismen grüner Innovation durch die Analyse der dynamischen Rolle von Patentnetzwerken und Wissensflüssen.

4. Ergebnisse

Netzwerkcharakteristika

Räumliches Ungleichgewicht: Das Netzwerk zeigt eine ungleichmäßige räumliche Verteilung. Kernknoten (z. B. Wasseraufbereitung $C02F$ , Trennverfahren $B01D$ , Stromversorgung $H02J$ ) dominieren, während periphere Knoten (z. B. spezifische Motorsysteme, Flüssigkeitsheizer) eine begrenzte Konnektivität aufweisen.
Zeitliche Evolution:
- Konnektivität: Die Netzwerkdichte stieg signifikant von 0,2023 (1990–1999) auf 0,3969 (2010–2019) an, was auf einen häufigeren Wissensaustausch hindeutet.
- Zentralität: Das Netzwerk wurde weniger zentralisiert (sinkender Zentralitätsindex und Gini-Koeffizient), was auf einen Übergang von wenigen dominanten Knoten zu einer dezentraleren Struktur hindeutet, in der mehrere Knoten Bedeutung teilen.
- Struktureller Wandel: Die Top-Knoten verschoben sich von traditionellen mechanischen/Verbrennungstechnologien ( $F01N, F23G$ ) in den 1990er Jahren hin zu sauberen Energie-, Speicher- und Recyclingtechnologien ( $H02J, H01M, B09B$ ) in den 2010er Jahren.
Trends der Wissensquellen: Der Anteil grüner Patente, die andere grüne Patente zitieren, stieg stark an (1990–1993), sank (1993–2006), als nicht-grüne Felder entscheidend wurden, und kehrte danach wieder zum Wachstum zurück (nach 2006), was auf einen Übergang von vertikaler Spezialisierung zu horizontaler Expansion und zurück zur Spezialisierung hindeutet.

Prognoseleistung

Versagen des statischen Modells: Das traditionelle statische Lag-Prognosemodell konnte keine signifikanten Korrelationen zwischen vorhergesagten und tatsächlichen Werten im grünen Patentnetzwerk herstellen. Die Autoren führen dies darauf zurück, dass das Modell die inhärente strukturelle Instabilität des Netzwerks nicht berücksichtigen kann.
Erfolg des dynamischen Modells: Der von den Autoren vorgeschlagene dynamische Rolling-Prediction-Ansatz erreichte eine hohe Genauigkeit. Über vier verschiedene Klassifizierungskriterien hinweg lagen die $R^2$ -Werte über 0,93, wobei ein Wert 0,978 erreichte. Dies zeigt, dass das dynamische Modell über 90 % der zukünftigen grünen Innovationen basierend auf den Wissensflüssen des vergangenen Jahrzehnts erklären kann, womit es statische Methoden deutlich übertrifft.

5. Bedeutung und Ansprüche

Die Arbeit behauptet, dass ihre Ergebnisse einen robusten methodischen Rahmen für die Vorhersage zukünftiger grüner Innovationen bieten, was für die Bewältigung globaler Nachhaltigkeitsherausforderungen entscheidend ist.

Für politische Entscheidungsträger: Die Forschung bietet ein Werkzeug, um von einer „reaktiven Antwort“ zu einer „proaktiven Gestaltung“ der Umweltpolitik überzugehen. Sie legt nahe, dass politische Maßnahmen nicht statisch sein sollten; stattdessen sollten Anreize dynamisch optimiert werden, um sie an die sich entwickelnde Struktur grüner Technologienetzwerke anzupassen. Sie warnt vor „Einheitslösungen“ bei Subventionsansätzen.
Für Unternehmen: Die Studie unterstreicht die Bedeutung interdisziplinärer Zusammenarbeit und der Nutzung bestehender technologischer Ressourcen. Sie legt nahe, dass Unternehmen sich darauf konzentrieren sollten, Technologien über sich verschiebende Netzwerkzentren hinweg zu integrieren (z. B. der Wechsel von der Abfallbehandlung hin zur Energiespeicherung).
Für Forscher: Die Arbeit etabliert, dass Wissensflüsse ein kritischer endogener Treiber grüner Innovation sind. Sie bietet eine neue Perspektive zum Verständnis der Entstehung von Umwelttechnologien und bietet eine validierte Methode zur Untersuchung zeitvarianter Innovationsnetzwerke.

Die Autoren kommen zu dem Schluss, dass ihre Erkenntnisse durch die Offenlegung des dynamischen Wesens von Wissensflüssen Stakeholdern dabei helfen, Ressourcen strategisch zu verteilen, um die Entwicklung grüner Technologien zu fördern und somit zu den Zielen für nachhaltige Entwicklung (SDGs) beizutragen, insbesondere im Hinblick auf den Klimawandel und wirtschaftliches Wachstum mit hoher Qualität.

Hinweis: Die Autoren räumen Limitationen ein, einschließlich der Abhängigkeit von der IPC-Klassifizierung für das Patent-Screening und der Annahme, dass 10-Jahres-Zitierfenster den Wissensfluss vollständig erfassen. Sie schlagen vor, dass zukünftige Arbeiten maschinelles Lernen (z. B. LLMs) zur besseren Patentidentifizierung integrieren und exogene Faktoren wie politische Schocks einbeziehen könnten, um die Prognosegenauigkeit weiter zu verfeinern.