Technische Samenvatting: Mondiale Stromen van Groene Kennis: Analyse Gebaseerd op het Groene Patentnetwerk

1. Probleemstelling

Hoewel er uitgebreid onderzoek bestaat naar de manier waarop externe factoren (regelgeving, beleidsinstrumenten, marktschokken) groene innovatie beïnvloeden, is er een aanzienlijke kloof in het begrip van de interne mechanismen van kennisstroom, structuur en accumulatie binnen groene technologiegebieden. Bestaande literatuur, zoals Acemoglu et al. (2016), suggereert dat innovatienetwerken over het algemeen stabiel zijn, wat voorspelling op basis van historische citatiepatronen mogelijk maakt. Het blijft echter onduidelijk of deze stabiele netwerkveronderstellingen standhouden voor groene technologieën, die te maken hebben met unieke interdisciplinaire uitdagingen en dubbele doelstellingen (economisch en milieutechnisch).

Het kernprobleem dat wordt geadresseerd is tweeledig:

1. Structurele Instabiliteit: Het is onbekend hoe het groene patentnetwerk verschilt van traditionele patentnetwerken wat betreft stabiliteit en temporele evolutie.
2. Voorspellingsfalen: Standaardmodellen voor innovatievoorspelling, die uitgaan van netwerkconsistentie, kunnen ineffectief zijn voor het voorspellen van groene innovatie vanwege de potentieel tijdsvariërende aard van groene kennisstromen.

2. Methodologie

Databronnen en Constructie

• Dataset: De studie maakt gebruik van 6,65 miljoen wereldwijde groene uitvindingsoctrooien ingediend tussen 1990 en 2019.
• Selectiecriteria: Octrooien voor gebruikmodellen en ontwerpen werden uitgesloten. Octrooien werden gescreend met behulp van de "IPC Green Inventory" classificatiecriteria, ontwikkeld door de International Patent Classification (IPC) Expert Committee.
• Netwerkconstructie: Een kennisinput-outputnetwerk werd geconstrueerd op basis van backward patent citations. Het gewicht $w_{ij}$ vertegenwoordigt het aandeel in de citatie van technisch veld $i$ dat veld $j$ citeert:
  $$w_{ij} = \frac{cite_{ij}}{\sum_k cite_{ik}}$$
  Waarbij $cite_{ij}$ het aantal citaties is van veld $i$ naar veld $j$. Deze matrix $\Omega$ brengt de kennisverspreiding en -stroom in kaart tussen verschillende groene technologievelden.
• Classificatierobustheid: De studie testte meerdere classificatieniveaus om robuustheid te waarborgen:
  • Eerste 2 cijfers van IPC.
  • Eerste 4 cijfers van IPC.
  • "IPC Green Inventory" categorieën (7 hoofdcategorieën).
  • "IPC Green Inventory" subcategorieën.
  • Volledige IPC-nummers.

Analytische Benadering

1. Netwerkmetriekanalyse: De studie berekende complexe netwerkindicatoren (bijv. graadcentraliteit, netwerkdichtheid, clusteringcoëfficiënt, modulariteit, Gini-coëfficiënt) over drie tijdsintervallen (1990–1999, 2000–2009, 2010–2019) om de evolutie van het netwerk te karakteriseren.
2. Vergelijkende Voorspellingsmodellen: Twee verschillende voorspellingsbenaderingen werden getest met behulp van Ordinary Least Squares (OLS) regressie:
   • Traditioneel Statisch Lag-model: Gebaseerd op Acemoglu et al. (2016), gaat dit model uit van een stabiel netwerk. Het berekent een vaste citatiestroom ($CiteFlow$) over een venster van 10 jaar en past deze toe als een statische lag om toekomstige patentaantallen te voorspellen.
   • Dynamisch Rolling Voorspellingsmodel: Voorgesteld door de auteurs om netwerkinstabiliteit aan te pakken. Deze methode behandelt de citatiestroom ($CiteFlow$) als een tijdsvariabele. Het maakt gebruik van rolling tijdvensters om de citatieflow-coëfficiënten dynamisch aan te passen, waardoor de evoluerende aard van kennisverspreiding wordt gevangen.

3. Belangrijkste Bijdragen

1. Identificatie van Netwerkinstabiliteit: Het artikel toont aan dat het groene patentnetwerk fundamenteel verschilt van traditionele innovatienetwerken. In tegenstelling tot de stabiele netwerken beschreven in eerdere literatuur, vertoont het groene netwerk een uitgesproken ruimtelijke-temporele instabiliteit. Cruciale knooppunten verschuiven significant over de tijd, en de netwerkstructuur transformeert van end-of-pipe technologieën (bijv. afvalverbranding) naar preventieve oplossingen (bijv. schone energie, middelenbeheer).
2. Methodologische Innovatie: De auteurs stellen een dynamische rolling voorspellingsbenadering voor die specifiek is gekalibreerd voor netwerken met evoluerende patronen van kennis. Deze methode overwint de beperkingen van statische modellen die uitgaan van netwerkconsistentie, en biedt een nieuw instrument voor het analyseren van instabiele, tijdsvariërende netwerken.
3. Analyse van Endogene Drijvers: Voorbij de focus op exogene drijvers (beleid, markt), verheldert de studie de interne drijfmechanismen van groene innovatie door de dynamische rol van patentnetwerken en kennisstromen te analyseren.

4. Resultaten

Netwerkkenmerken

• Ruimtelijke Onbalans: Het netwerk vertoont een ongelijke ruimtelijke verdeling. Kernknooppunten (bijv. waterzuivering $C02F$, scheidingstechnieken $B01D$, stroomvoorziening $H02J$) domineren, terwijl perifere knooppunten (bijv. specifieke motorsystemen, vloeistofverwarmers) een beperkte connectiviteit hebben.
• Temporele Evolutie:
  • Connectiviteit: De netwerkdichtheid nam significant toe van 0,2023 (1990–1999) naar 0,3969 (2010–2019), wat wijst op frequenter kennisuitwisseling.
  • Centraliteit: Het netwerk werd minder gecentraliseerd (dalende centraliteitsindex en Gini-coëfficiënt), wat duidt op een verschuiving van enkele dominante knooppunten naar een meer gedecentraliseerde structuur waarbij meerdere knooppunten belangrijk zijn.
  • Structurele Verschuiving: De belangrijkste knooppunten verschoven van traditionele mechanische/verbrandingstechnologieën ($F01N, F23G$) in de jaren '90 naar schone energie-, opslag- en recyclingtechnologieën ($H02J, H01M, B09B$) in de jaren 2010.
• Trends in Kennisbronnen: Het aandeel groene patenten die andere groene patenten citeren steeg scherp (1990–1993), daalde (1993–2006) toen niet-groene velden cruciaal werden, en keerde daarna weer terug naar groei (post-2006), wat wijst op een transitie van verticale specialisatie naar horizontale expansie en weer terug naar specialisatie.

Voorspellingsprestaties

• Falende Statische Modellen: Het traditionele statische lag-voorspellingsmodel slaagde er niet in om significante correlaties tussen voorspelde en werkelijke waarden te produceren wanneer het op het groene patentnetwerk werd toegepast. De auteurs schrijven dit toe aan het onvermogen van het model om rekening te houden met de inherente structurele instabiliteit van het netwerk.
• Succes van Dynamische Modellen: Het voorgestelde dynamische rolling voorspellingsmodel behaalde een hoge nauwkeurigheid. Over vier verschillende classificatiecriteria heen overschreden de $R^2$-waarden 0,93, waarvan één 0,978 bereikte. Dit geeft aan dat het dynamische model meer dan 90% van de toekomstige groene innovaties kan verklaren op basis van de kennisstromen van het afgelopen decennium, waarmee het de statische methoden aanzienlijk overtreft.

5. Betekenis en Claims

Het artikel claimt dat de bevindingen een robuust methodologisch kader bieden voor het voorspellen van toekomstige groene innovaties, wat cruciaal is voor het aanpakken van mondiale duurzaamheidsuitdagingen.

• Voor Beleidsmakers: Het onderzoek biedt een instrument om over te gaan van "reactieve respons" naar "proactieve vormgeving" in milieugovernance. Het suggereert dat beleid niet statisch moet zijn; in plaats daarvan moeten prikkels dynamisch worden geoptimaliseerd om aan te sluiten bij de evoluerende structuur van groene technologie-netwerken. Het waarschuwt tegen "one-size-fits-all" subsidiebenaderingen.
• Voor Ondernemingen: De studie benadrukt het belang van interdisciplinaire samenwerking en het benutten van bestaande technologische middelen. Het suggereert dat bedrijven zich moeten richten op het integreren van technologieën over verschuivende netwerkcentra (bijv. de beweging van afvalverwerking naar energieopslag).
• Voor Onderzoekers: Het artikel stelt vast dat kennisstromen een cruciale endogene drijver zijn van groene innovatie. Het biedt een nieuw perspectief voor het begrijpen van de generatie van milieutechnologieën en biedt een gevalideerde methode voor het bestuderen van tijdsvariërende innovatienetwerken.

De auteurs concluderen dat door de dynamische essentie van kennisstromen te onthullen, hun bevindingen belanghebbenden helpen bij het strategisch toewijzen van middelen om de ontwikkeling van groene technologie te bevorderen, en daarmee bijdragen aan de Duurzame Ontwikkelingsdoelstellingen (SDG's), met name met betrekking tot klimaatverandering en hoogwaardige economische groei.

Noot: De auteurs erkennen beperkingen, waaronder de afhankelijkheid van de IPC-classificatie voor de screening van patenten en de aanname dat 10-jarige citatievensters de kennisstroom volledig kunnen vatten. Zij suggereren dat toekomstig werk machine learning (bijv. LLM's) zou kunnen integreren voor een betere identificatie van patenten en exogene factoren zoals beleidsschokken zou kunnen opnemen om de voorspellingsnauwkeurigheid verder te verfijnen.