1. 引言
在应对气候变化和能源转型的大背景下，清洁能源发展成为关键方向，然而能源使用效率的提升始终是亟待攻克的难题。企业合作网络在清洁能源绿色产业链中被寄予厚望，其通过共享资源与技术，有望成为提高效率、降低成本的重要力量。本研究聚焦西宁市，运用网络分析和时间序列分析方法，深入剖析清洁能源绿色产业链企业合作网络与能源使用效率之间的内在联系，旨在为清洁能源产业发展提供有力的理论与实践支撑。
2. 相关研究评述
2.1. 研究背景
打造国家清洁能源产业高地[1]对中国能源安全、低碳转型、生态文明建设和经济高质量发展至关重要。中国正通过多能互补策略[2]，结合清洁能源基地政策，推进风光水储能源开发和新模式探索。“十四五”规划中，已针对主要流域和区域规划清洁能源基地，提出经济最优的多能互补规划和运行策略。青海省等地区在推动清洁能源技术转型时面临政策障碍[3]，政府需主导政策调整，综合考虑宏观战略、微观创新需求及中观社会技术政策协调，以促进清洁能源产业发展，优化能源结构，推动经济高质量发展。
然而，全球产业链的低碳化和短链化趋势，与中国的“双碳”战略相结合，正引发一场能源革命[4]。该战略旨在通过绿色转型产业链，积极利用全球低碳经济发展机遇。面对绿色产业的挑战，如服务业效率低[5]、创新能力不足，可通过产业转型、升级和循环经济政策解决，促进产业绿色、高效、智能化发展。
2.2. 研究现状
在已有的研究中，我国的学者将企业合作网络定义为不同企业之间为了共同的目标和利益而建立起来的合作关系和交流平台。这种网络可以包括供应链合作伙伴、战略联盟成员、同行业或跨行业的企业，以及其他相关组织和机构。
现如今网络已逐渐成为社会关键的构成要素，各行各业都日渐趋向于网络化，李毅、柴国荣认为人们对网络的研究逐渐深入，并且社会学家对网络本质属性进行了研究，在各学科领域的应用作出了很多贡献，这使得很多学者在网络的研究中持续取得突破性的进展[6]。其中，社会网络关系错综复杂，对于具有优势的企业来说，其获取的信息资源更有价值、更加便捷，这使得企业在开展合作时具有先发优势[7] [8]。同时，位于网络中心的企业在获取资源和信息上具有显著优势，并能有效选择合作伙伴，推动企业间的创新合作[9]。孙国强等学者指出[10]，随着数字化赋能的增强，企业的网络影响力和能力得到提升，进而加强了企业间的合作关系。
研究企业间合作强度有助于理解合作关系演变，其中每个企业至少有一个强关系[11]。在科学技术和网络空间的发展下，区块链成为全球当下最火热的概念，引起各国政府及各行各业的广泛关注，企业通过合作网络不断提升创新绩效和市场竞争力[12]。此外，许洪皓等人提出，医药企业要对自身创新需求及其所处的网络位置和网络性质有清晰的认识，以便充分利用不同性质网络的特征更好地开展创新合作、提高创新绩效[13]。
在其他领域中，构建高效、共享的生活垃圾处理产业链[14]需各环节紧密合作，形成互利共生的循环经济生态圈，对参与者诚信度要求高。与此同时，系统动力学在新兴产业和绿色产业[15]发展中对价值增值研究具有重要意义，为产业培育提供理论支持。引入绿色低碳技术[16]、整合资源、构建绿色供应链[17]，对推动产业链协同发展至关重要，促进绿色产业健康成长，实现经济与环境双赢。
2.3. 文献评述
我国学者对企业合作网络的研究成果丰富，学者们普遍认为企业合作网络对企业、社会和国家都意义重大。从企业层面看，利于选择合作对象和战略部署；从社会层面看，能实现企业间共赢，创造经济效益；从国家层面看，助力国家进步发展，稳定企业成长。然而，现有研究也存在一些不足之处。例如，对于不同类型企业合作网络的差异化特征及其对合作效果的具体影响机制，研究还不够深入细致；在数字化、区块链等新兴技术快速发展的背景下，企业合作网络的动态演化规律和适应性调整策略，还有待进一步挖掘和阐释；此外，从宏观层面来看，企业合作网络在不同区域、不同产业政策环境下的发展差异和协同机制，也是未来研究可以进一步拓展的方向。现有研究在企业合作网络的差异化特征、新兴技术影响下的动态演化以及区域产业政策下的发展差异等方面还不够深入，未来需进一步拓展和完善，以更好地指导企业合作实践。
3. 研究设计
3.1. 方法概述
本研究采用基于网络的方法，从数据库收集清洁能源企业两两间的合作关系，基于隐私考虑选用公开数据，筛选西宁市技术经济开发区153家企业数据，分为上、中、下游企业，涵盖企业名称、注册时间与合作方式等信息。以企业为节点、合作关系为边构建合作网络，节点大小依关联关系数量确定，经Gephi调整与标注，利用网络分析可视化关系，并按注册时间分阶段分析网络结构变化趋势，如图1所示。选取能源生产与消费总量为因变量，企业合作平均聚类系数、图密度等为自变量，采用ARIMA模型进行时间序列分析，因其能有效处理自相关数据并预测因变量，为研究提供数据支撑与分析依据。
Figure 1. Cooperative network diagram of clean energy and green industry chain enterprises
图1. 清洁能源绿色产业链企业合作网络关系图
3.2. 清洁能源企业产业链网络指标分析
通过Gephi对清洁能源企业合作网络数据进行可视化操作，将提取的海南州产业园区清洁能源企业数据抽象为共有153个节点的交互网络，并根据节点间的相互关系建立了4249条边，即在建立的交互网络中，153个节点之间企业的相互合作存在4249个联系。节点的大小取决于该节点关联的清洁能源企业的数量，关联数量越多，节点越大。通过使用Gephi的统计计算功能，得到了相应的特征值，如下表1所示。
Table 1. Characteristic value of enterprise interaction network of clean energy and green industrial chain
表1. 清洁能源绿色产业链企业交互网络特征值
特征 |
图密度 |
平均聚类系数 |
平均路径长度 |
网络直径 |
值 |
0.365 |
0.809 |
1.773 |
5 |
网络密度可以用来衡量网络的完整性，要分析网络中节点之间的关系的密切程度，可以通过密度计算来进行衡量。密度值可以直接描述网络节点连接的紧密程度，其取值范围为[0, 1]，密度值越大说明在该网络图中节点的连接越紧密[18]。抽象出的企业合作网络图密度的值为0.365，说明在以西宁为例的产业链网络中，作为节点的清洁能源企业之间的连接并不紧密。
企业的关联程度取决于平均聚类系数和平均路径长度两项指标[19]。平均聚类系数能够给出关于一个节点聚类或抱团的总体迹象，平均聚类系数越大，节点的聚集度越大。在构建的清洁能源企业交互网络中，平均聚类系数的值为0.809，说明整体节点的聚集度较高，大部分点都比较聚集。平均路径长度表示任意两个节点之间的距离的平均值，能够充分反映出网络中各个节点间的离散状况。当网络中的平均路径长度的值越小，代表该网络中节点的连接度越大。网络直径是指网络中任意两节点间距离的最大值。在构建的清洁能源企业交互网络中，平均路径长度的值为1.773，说明在该网络中，节点之间的连接度较大。而网络直径为5，说明该网络连接较为稳定。
3.3. 模型建立及分析
Figure 2. Stage evolution diagram of clean energy and green industry chain
图2. 清洁能源绿色产业链分阶段演化图
将所收集到的清洁能源企业按照注册时间分为四个时间段，即2010年及以前、2011~2015年、2016~2020年和2021年及以后四个阶段，具体情况如图2所示。随着时间的推移，清洁能源企业的数量不断增长，行业规模持续扩大，清洁能源绿色产业链逐渐形成稳定的体系。
随着清洁能源行业的不断发展，企业间产业链网络也在逐渐形成并日益壮大。从初见雏形到逐渐成熟，这种网络化趋势使得企业间的交互关系变得更加复杂，形成了如图2所示的复杂网络结构。
Table 2. Correlation coefficient of the cooperation network diagram of clean energy and green industry chain enterprises
表2. 清洁能源绿色产业链企业合作网络图相关系数
特征 |
2010年及以前 |
2011~2015年 |
2016~2020年 |
2021年至今 |
图密度 |
0.508 |
0.220 |
0.302 |
0.365 |
平均聚类系数 |
0.759 |
0.782 |
0.880 |
0.809 |
平均路径长度 |
1.551 |
1.926 |
1.867 |
1.773 |
网络直径 |
3 |
4 |
5 |
5 |
各阶段的合作网络相关系数如表2所示。将清洁能源企业合作网络相关系数进行时间序列分析，得出的结果如图3所示，随着时间的推移，企业数量增长，产业链渐趋成熟，合作网络日益复杂。各阶段合作网络相关系数分析显示，图密度先升后降，反映企业合作链接程度变化。图密度衡量了网络中节点之间连接的紧密程度。在能源领域，较高的图密度意味着能源生产企业、供应商、科研机构等节点之间有更多的连接。在清洁能源产业链网络中，密度高说明各企业之间交流频繁。这有利于能源生产技术的快速传播和共享，使得能源生产企业能够及时采用新技术来提高生产效率，进而增加能源生产总量。而高密度促进了能源生产企业之间的合作。在网络中，企业间紧密连接可以实现资源共享，像联合采购原材料以降低成本，或者共同建设能源基础设施。这种合作能够优化能源生产流程，提升整体的能源生产能力，从而影响能源生产及消费总量；平均聚类系数波动变化，表明企业关联程度不稳定平均聚类系数反映了网络中节点聚集形成紧密团体的程度。在能源生产网络中，较高的平均聚类系数意味着企业倾向于形成局部的合作集群。在一个能源产业园区，企业之间形成高聚类系数的子网络，这些企业可以共享能源生产过程中的中间产品、能源转换设备等资源，从而提高能源生产的效率和总量。从生产消费角度看，聚类系数高的网络能够使消费者的反馈更有效地传递给生产者。
平均路径长度上升但数值较小，显示企业沟通效率尚可。平均路径长度是网络中节点之间的平均距离。较短的平均路径长度在能源生产中意味着信息、资源和产品能够更快地在网络节点之间传递。在能源供应链网络中，原材料供应商与能源生产企业之间路径短，原材料可以更快地送达生产企业，减少生产等待时间，提高能源生产效率，增加能源生产总量。在能源生产消费网络中，平均路径长度有助于生产企业更快地了解消费需求的变化。同时，也能使能源产品更快地从生产端到达消费端。在产业链网络中，企业之间的短路径可以使电力调度更加及时，减少能源在传输过程中的损耗，从而更好地平衡能源生产和消费总量；网络直径稳定且较小，说明网络稳定性良好。网络直径是网络中最远两个节点之间的距离。较小的网络直径对于能源生产来说，意味着整个网络在资源调配和信息传播方面更加高效。例如，在一个跨区域的能源生产网络中，较小的网络直径可以使不同区域的能源生产企业能够更快地共享稀缺资源，从而提高能源生产总量。小网络直径有助于生产和消费的协同。在清洁能源产业链网络中，能源生产企业可以更迅速地根据最远消费者的需求变化调整生产策略，确保能源能够在合理的时间内供应到各个消费点，使能源生产消费总量得到有效调控。
Figure 3. ARIMA model plot
图3. ARIMA模型图
青海省历年能源生产总量、能源消费总量以及能源自给率如表3所示，将清洁能源企业合作网络相关指标作为变量考虑在内，对能源生产总量和能源消费总量进行时间预测分析。其中，ARIMA有6个参数，AMIMA (p, d, q) (sp, sd, sq)构成模型要素[19]，生成的时间序列ARIMA模型图如图4所示，能源总消费量在逐年增加，而能源总生产量上升明显，但从2014年又有了一定程度的下降，虽有所回缓，但是从中可以发现其中能源消费总量的预测值远远大于能源生产总量，在所预测的2026年的能源总消费量和能源总生产量中，总消费量依然是超过总生产量的。在合作网络的影响下，能源利用效率得到了明显的提升。
时间序列分析表明合作网络结构持续演变，节点连接度增加。进一步将合作网络相关指标作为变量对能源生产消费总量预测，结果显示能源消费总量持续上升，生产总量虽有波动但总体上升，且消费总量长期高于生产总量，同时发现合作网络促进了能源利用效率提升，但规模扩大到一定程度后效率提升减缓，这与网络发展过程中信息过载、资源分散、竞争加剧及创新放缓等问题相关。
虽然合作网络规模的扩大初期对能源利用效率有积极影响，但并非规模越大越好。研究表明，当网络规模达到一定临界点后，其效率提升效果会减弱。这是因为随着节点数量的增加，网络可能会出现信息过载、资源分散、竞争加剧等问题，从而降低合作效率。因此，提升能源利用效率需要控制网络规模，并注重网络结构的优化。企业应关注合作对象的质量、企业的专业化程度以及企业间的关联强度，而非盲目追求网络规模。在清洁能源企业数量达到一定程度后，应及时调整策略，将侧重点从数量扩张转向质量提升，以实现更高效的能源利用。
Table 3. Total energy production, total consumption and self-sufficiency rate from 1996 to 2021 (Unit: ten thousand tons of standard coal)
表3. 1996~2022年能源生产总量、消费总量以及自给率(单位：万吨标准煤)
年份 |
能源生产总量 |
能源消费总量 |
能源自给率(%) |
1996 |
584.71 |
698.25 |
83.74 |
1997 |
672.89 |
706.78 |
95.21 |
1998 |
771.00 |
738.88 |
104.35 |
1999 |
885.89 |
938.68 |
94.38 |
2000 |
937.90 |
897.23 |
104.53 |
2001 |
907.05 |
939.33 |
96.56 |
2002 |
974.46 |
1018.83 |
95.65 |
2003 |
990.14 |
1122.70 |
88.19 |
2004 |
1226.30 |
1364.38 |
89.88 |
2005 |
1867.27 |
1830.48 |
102.01 |
2006 |
2113.85 |
2085.84 |
101.34 |
2007 |
2458.17 |
2295.91 |
107.07 |
2008 |
2857.42 |
2497.74 |
114.40 |
2009 |
3219.77 |
2573.44 |
125.12 |
2010 |
4005.82 |
2814.57 |
142.32 |
2011 |
4035.16 |
3145.28 |
128.29 |
2012 |
4631.37 |
3475.88 |
133.24 |
2013 |
5068.33 |
3768.16 |
134.50 |
2014 |
4099.40 |
3991.70 |
102.70 |
2015 |
3248.60 |
4124.97 |
78.75 |
2016 |
2983.80 |
4101.36 |
72.75 |
2017 |
3280.08 |
4193.10 |
78.23 |
2018 |
3916.00 |
4364.22 |
89.73 |
2019 |
4542.13 |
4235.23 |
107.25 |
2020 |
4606.49 |
4150.36 |
110.99 |
2021 |
4505.16 |
4694.47 |
95.97 |
2022 |
4329.54 |
4798.04 |
90.24 |
数据来源：青海省统计局。
Figure 4. ARIMA model diagram of total energy production and consumption
图4. 能源生产总量、消费总量ARIMA模型图
4. 西宁市清洁能源绿色产业链评价
4.1. 西宁市清洁能源绿色产业链概况
作为青海省的核心城市，西宁市在清洁能源领域拥有丰富的资源，尤其是丰富的太阳能资源，为光伏发电提供了得天独厚的条件，与此同时政府积极布局和打造了多个重要的清洁能源产业链项目，如表4所示。通过对光伏、风电、生物质能、储能等在内的清洁能源建立绿色产业链，吸引了国内外知名企业积极投资建设。此外，在清洁能源的推广和应用方面也取得了显著的进展。西宁市构建的产业链不仅涵盖发电环节，还涵盖设备制造、工程服务、运维管理等上、中、下游环节，形成了较为完整的产业链体系，为推动我国能源结构调整和实现碳达峰碳中和目标作出积极贡献。
Table 4. Xining City clean energy and green industrial chain project
表4. 西宁市清洁能源绿色产业链项目
项目名称 |
主要内容 |
光伏产业链 |
包括黄河水电西宁太阳能生产线、亚洲硅业年产1万吨电子级多硅晶等 |
锂电储能产业链 |
重点发展动力电池用电解铜箔、锂电池等新能源储能材料 |
清洁能源装备制造 |
以光伏制造、锂电储能为主的清洁能源装备制造产业集群，产值突破800亿 |
绿电园区建设 |
包括零碳产业园区、绿电特区、储能基地等 |
盐湖产业链 |
依托青海丰富的光照和荒漠化资源，引进亚洲硅业、国家电投、高景太阳能等光伏制造龙头企业，形成完整的硅材料光伏产业链 |
清洁取暖项目 |
实施燃煤锅炉“煤改气”“煤改电”清洁改造，不断扩大天然气输配管网建设燃气供暖覆盖范围，扩大热电联产供热面积 |
源网荷储一体化 |
打造企业雁阵，形成大中小企业融通发展的产业集群 |
氢能产业 |
探索并推动氢能从制取、储运到应用全产业链技术提升和突破 |
地热能开发 |
开展地热资源勘探，推广热泵等先进供热技术 |
数据来源：百度网页。
4.2. 西宁市清洁能源使用效率分析
通过对西宁市清洁能源绿色产业链企业合作关系进行网络构建，在网络因素的影响下，分析合作网络结构及其产生的影响。在西宁市企业合作网络的结构中，通常计算出的图密度值较低，说明各企业之间连接不紧密，在计算出的平均聚集系数来看，聚集程度较高，大部分企业比较聚集，并且平均路径值较低，各企业间的连接程度较大。清洁能源绿色产业链企业之间形成了聚集，但是没有形成较强的关联关系。在考虑了网络的因素后，能源的总消费量和总生产量都有了一定程度上的增加，并且消费总量已经超过了总生产量。通过时间序列预测分析，发现能源的利用效率大大提升。
当清洁能源绿色产业链企业合作网络规模扩大到一定程度后，效率提升幅度减弱主要包括以下几点：首先是信息过载，随着网络规模的扩大，企业之间的信息交流量迅速增加，导致信息过载，企业难以高效筛选和处理有用的信息，从而对能源使用效率产生了影响；其次，在大规模网络中合作资源过于分散，难以形成有效的合作和资源配置，导致效率下降；再次，大规模网络中企业之间的竞争关系和网络结构更加复杂，企业之间的联系也更加松散，并且少数核心企业的作用被削弱，难以有效发挥带动和整合资源的作用；最后是技术创新速度放缓，大规模网络结构可能会导致企业过度依赖现有技术，从而减缓了创新速度。
因此，通过对西宁市清洁能源绿色产业链企业合作的数据进行网络结构的建立，以及运用时间序列预测分析，发现了数据中更深层次的关系，可将分析得出的结论应用于清洁能源绿色产业链的企业合作中。在企业的未来发展规划中，建立更加庞大的合作网络体系，根据合作网络信息选择最佳合作伙伴，从而作出最合适的决策。通过深入的分析，使企业合作网络更加坚实可靠，对资源进行合理配置，为清洁能源绿色产业链企业深度合作提供了有效的信息。
5. 研究结论与展望
通过本文的研究发现，根据时间的积累逐步构建清洁能源产业链企业合作网络，产业链建立初期结构比较单一，随着清洁能源绿色产业链的不断完善，清洁能源绿色产业链企业合作网络体系越来越庞大，虽然网络密度不够紧密，节点的聚集度不高，大部分节点都比较分散，但是在该网络中，节点之间的连接度较大，网络相对稳定。此外，清洁能源的总产量、总消费量都在逐步增长，通过对其进行时间序列分析，得出清洁能源绿色产业链企业合作网络对能源利用效率有显著作用，合作网络规模的扩大对能源使用效率的提升具有正面影响。
在清洁能源产业链中，随着企业数量的增加，网络指标有所波动，因此需在达到一定规模后考虑其他因素，并减缓企业增加速度。随着合作网络规模的不断扩大，能源利用效率有所减弱，需要控制网络规模，注重网络结构优化。初期应增加企业数量，但要注意避免资源集中在核心企业。企业数量增加可带来新视角，但也会提高协调成本。因此，应注重高质量合作，增强企业间关联，引导企业控制合作规模以提升能源使用效率。专业化程度也是关键，能促进资源优化和技术创新，提升竞争力。通过专业化分工，企业能专注于关键领域，推动产品和市场进步，实现从制造到创造的转变，提升在全国价值链中的地位。
在以后的研究中，需要扩大研究范围，考虑不同地区、不同类型清洁能源绿色产业链企业合作网络对能源利用效率的影响；其次，要深入分析网络结构。深入研究网络结构变化对能源使用效率的影响机制，寻找网络规模和结构优化的最佳方案。最后，收集更多的数据，进行更深入的实证分析，以此验证研究结果的可复制性和适用性，并根据研究结果提出相应的政策建议，为清洁能源绿色产业链的发展提供理论依据。
基金项目
青海民族大学研究生创新项目(65M2024020)。