摘要
随着数字技术在交通基础设施的应用，理解技术创新在复杂社会技术系统中的演化机制，对于推动交通领域高质量发展具有重要意义。基于社会技术系统理论中的多层次视角框架，通过建立多元回归模型，实证检验不同层级之间的影响关系与技术创新的演化机制。研究结果表明，制度结构对技术创新具有显著影响，宏观环境的直接影响不显著，但其作用具有明显的动态特征。本文为理解交通领域技术创新的演化过程提供了新的数据驱动研究路径。
关键词
智慧交通；多层次视角；主题建模；文本挖掘；回归模型
Abstract
With the application of digital technologies in transportation infrastructure, understanding the evolutionary mechanisms of technological innovation within complex socio-technical systems is of great significance for promoting high-quality development in the transportation sector. Based on the multi-level perspective framework within socio-technical systems theory, this study empirically examines the interrelationships among different levels and the evolutionary mechanisms of technological innovation by establishing multiple regression models. The results indicate that institutional structures have a significant impact on technological innovation, while the direct impact of the macro-environment is not significant; however, its role exhibits distinct dynamic characteristics. This paper provides a new data-driven research approach for understanding the evolutionary process of technological innovation in the transportation sector.insights for smart transportation policy formulation and technological development.
Keywords
Smart Transportation; Multi-Level Perspective; Topic Modeling; Text Mining; Regression Mode
1 引言
随着人工智能、物联网、大数据与自动控制技术在交通运输领域的深入应用，智慧交通正成为全球交通系统转型的重要方向[1][2]。Shao和Min强调数字基础设施与社会、经济、环境维度的融合，为智慧交通及智能城市的发展提供理论与政策指导[3]。智慧交通的发展正在重塑交通治理模式、政策体系与公众出行行为[4]。与此同时，交通系统作为复杂的社会技术系统，在现实发展过程中呈现出技术创新、制度结构与宏观环境之间的动态互动关系。多层次视角理论（Multi-Level Perspective, MLP）为解释社会技术系统转型提供了重要分析框架。该理论将技术转型过程划分为三个层级：宏观环境、制度结构及技术创新层[5]。现有研究主要集中在智慧交通技术应用层面，本文基于多层次视角理论，以新闻文本数据为研究对象，通过主题建模识别不同层级的技术议题，并利用回归模型揭示宏观环境、制度结构与技术创新之间的互动关系。从而填补智慧交通技术演进机制实证研究的不足，提出以下研究问题：宏观环境与制度结构是否会影响智慧交通技术创新的发展？宏观环境的影响是否会随着时间变化而呈现动态特征？技术创新是否会对既有制度结构产生反向影响？
2理论基础与研究假设
2.1社会技术系统论
社会技术系统论源于对组织与技术关系的研究，Trist和Bamforth提出技术理性必须与社会理性并行[6]。随着研究的深化，Hodgson指出技术并非中性工具，社会结构在技术扩散过程中起到关键作用[7]。在系统分析层面，Geels将社会技术变迁划分为利基层、制度层与宏观环境层，强调技术创新、制度稳定性与社会需求之间的动态张力[5][8]。Banister从交通政策与城市治理角度出发，引入社会技术系统论批判传统以技术效率为中心的交通规划范式，强调通过制度设计和社会行为改变，与技术系统共同塑造交通转型路径[9]。智慧交通基础设施的治理机制与技术创新在媒体话语中被呈现为互为因果的社会技术网络[10]，同时，社会和技术因素通过新闻报道的讨论反映出政策、创新与公众行为的互动[11]。社会技术系统论为理解交通系统中的技术、制度与社会行为的交互提供了系统性框架，为智慧交通及可持续出行研究提供了理论指导。
2.2多层次视角
多层次视角提到技术变革嵌入在由宏观环境、中观制度结构与微观利基构成的多层级社会技术系统之中，并通过跨层级互动实现转型[12]。宏观环境层指相对稳定、难以被单一行动者改变的外部结构性环境，可能对既有制度产生冲击[5]。制度层是社会技术系统的核心，包含市场结构、产业网络等是维持现有技术路径依赖和稳定性的主要力量[8]。利基层则是创新技术与新实践的孵化空间，为突破既有制度锁定提供实验场域[13]。MLP强调当宏观环境压力增强可能会削弱既有制度层的稳定性，利基层逐渐成熟并获得合法性，最终实现制度替代[14]。
2.3提出假设
H1：制度结构对技术创新具有显著影响。
H2：宏观环境对技术创新具有动态影响。
H3：技术创新会对制度结构产生反向影响。
如图1所示：
3 数据来源与变量构建
3.1 数据收集
为确保语料库质量，从来源可靠性、内容完整性和时间代表性三个维度进行筛选与控制[15]，语料库数据来源于中国的人民网[16]、澎湃新闻[17]与光明网[18]。研究以智慧交通、智能交通、智慧出行、智能出行为检索关键词，将检索到的新闻尽数获取，时间范围覆盖2014年至2025年。共获得原始新闻文本13,492条。对语料进行了系统化的清洗与预处理。得到有效新闻文本9,481条。
3.2主题建模
3.2.1文本向量构建与嵌入
本研究将经清洗后的新闻文本输入BGE-M3模型[19]对新闻文本进行处理，使用UMAP（Uniform Manifold Approximation and Projection）进行降维，从而为后续聚类提供可视化及结构化基础[20]。接着，借助HDBSCAN（Hierarchical Density-Based Spatial Clustering of Applications with Noise）进行聚类[21]。基于Topic representation提取主题语义表示[22]。确定主题一致性和主题多样性得分为0.498和0.731对应的超参数，对BERTopic框架中的UMAP和HDBSCAN的超参数进行调整。
3.2.2主题词分析
如图2所示，Topic 0是智慧交通的政策推进与治理能力提升，有2826篇文档被聚类，位于语义空间中心，其他主题均围绕其扩散。政策会显著影响技术对交通安全、能效与服务质量的转化效率[23]。从社会技术系统论的视角看，推进智慧交通的高质量发展需要把政策嵌入治理安全和算力建设的过程中。
Topic 1是综合交通基础设施的智能化运营与服务提升，有1213篇文档被聚类，Waqar等指出技术能显著提升安全与效率，但其效果高度依赖于互操作性、运维能力及跨机构协同[24]。结合社会技术系统论的思想，只有当技术部署、组织流程、制度同步设计时，高速与公共交通的智能化才能长期发挥作用并提高系统韧性。
Topic 2是智能系统与新能源汽车融合发展，有1137篇文档被聚类，围绕智能网、政策、安全、新能源与创新合作等关键词。Sovacool指出新能源交通转型并非单纯的技术替代过程，而是涉及基础设施、政策激励与制度协调的社会技术转型[25]。Milakis等指出政策不仅影响技术扩散速度，更通过标准制定与治理框架塑造系统演进路径[26]。Geels等强调复杂社会技术系统中，安全风险往往源于不同子系统之间的耦合失调，而非单一技术故障[27]。
Topic 3是国际汽车产业合作与智慧交通生态，有422篇文档被聚类，该主题围绕福特、德国、世界、新能源、进博会、博览会、创新与合作等关键词，Kamikawa和Brummer指出电动汽车及其关键技术创新过程受跨国政策与制度互动显著影响，不同国家的政策组合塑造了全球技术竞争格局[28]。该主题围绕新能源与智能汽车创新推动全球汽车产业向智能化形态演进。
Topic 4是智慧交通人才培养与高等教育，该主题所包含的高校、智能、学科专业、新增、本科专业、招生、毕业生、教育部等关键词，高校中的技术与课程创新通常由政策环境和组织结构共同推动，加速创新在教育系统中的扩散[29]。Raman等指出高校学生对新技术的接受度，与其感知效用和就业前景的可观察性高度相关[30]。该主题揭示了智慧交通创新得以持续推进所依赖的人才供给与教育系统扩散机制。
Topic 5是智能制造与自动驾驶核心技术，有137篇文档被聚类，该主题围绕核心、智能、能力、无人驾驶、协同、创新、合作等关键词。Milakis等强调无人驾驶技术的成熟不仅取决于技术性能本身，还依赖制度协调、社会接受度与跨部门合作[26]。该主题反映出无人驾驶技术在智能能力与技术创新驱动下，体现出新兴技术在创新生态系统中的协同演化特征。
Topic 6是低空经济与空中智能交通治理体系，有110篇文档被聚类，围绕空中交通、低空飞行、空域、航空器运行以及政府政策与安全保障等关键词。Clothier等指出社会接受度依赖于政府是否建立清晰的安全责任体系与可解释的监管框架[31]。Kellermann等指出低空交通系统的成熟化过程是一个将分散的航空器运行行为整合进统一的政策与安全框架的社会系统重构过程[32]。而政府主导的空域分层管理与政策激励机制被证明保障飞行安全与引导市场创新之间形成关键平衡[33]。
Topic 7是北斗高精度定位技术在智慧交通中的应用，有97篇文档被聚类，该主题围绕北斗、全球卫星、高精度、三维、安全与保障等关键词，反映了北斗卫星导航系统在技术创新系统中的整体建构与功能扩展过程。Teunissen和Montenbruck指出全球卫星导航系统已从单纯定位工具演化为支撑交通、能源、通信与智慧城市的通用技术平台[34]，高精度定位信息服务推动了北斗由专业领域向大众化、规模化应用转变[35]。该主题揭示借助应用生态扩展，实现从技术建成到大众服务的转变。
Topic 8是民营经济政策支持与智慧交通产业活力，样本最少（87篇），围绕政策、民营企业、新冠、保障与保护、扩大内需与活力等关键词，Bartik等指出政策介入是防止经济系统功能失灵扩散的重要机制[36]。在宏观层面，Chetty等发现政策刺激通过稳定居民收入和消费信心，间接恢复民营企业的市场环境与经营活力[37]。Gourinchas等指出针对民营企业的财政与金融支持政策能够显著降低企业破产概率[38]，这表明在政策支持下，民营企业在维系社会稳定与系统韧性中发挥关键作用。
3.3变量构建
基于社会技术系统的多层次视角，将通过主题建模得到的九个新闻主题抽象为三个理论变量。如表1所示，本研究将Topic 0与Topic 8归入Landscape，用以衡量宏观制度环境对交通技术创新的潜在影响；Regime是交通结构与运行体系，包括Topic 1与Topic 6，反映既有系统的结构特征与稳定性；Niche则代表新兴技术与创新应用，包括Topic 2、Topic 5 与Topic 7，用于刻画技术创新的扩散与演化过程[39][40]。Topic 3反映了全球汽车产业的发展动态和技术合作环境。Topic 4反映智能交通领域的人才培养与教育体系建设。因此，在分析中作为控制变量处理，用以控制外部信息对Niche动态的潜在干扰[5]。
4 实证分析与结果讨论
4.1时序分析建模的数据准备
将主题建模结果的主题累积为三个核心变量，将新闻文本的时间序列按月统计每个主题的新闻数量，并计算每个月各主题占总新闻数量的比例，以控制每月样本量差异。
如图4所示，研究发现智慧交通的社会技术系统经历了从早期剧烈波动到后期相对稳态的转型过程。首先，各变量表现出显著的不稳定性，其中Landscape与Regime频繁更替主导地位，且分别在2015年和2016年达到峰值（约为0.55和0.62），进入2020年后，系统逐渐趋于成熟，各变量的占比波动幅度明显收窄，Landscape最终长期稳定在0.3~0.4的高位区间；相比之下，Regime在经历早期的高位震荡后呈现出缓慢衰减的趋势，最终与Niche在0.1~0.2形成交替并行的态势。Topic 3与Topic 4虽然始终处于边缘地位（占比均低于0.1），但其在2020年后的低位持平，表明其在系统中已获得长期存在的合法性，揭示了一个由宏观层驱动、多维度协同但层级分明的结构体系。
4.2回归分析
4.2.1多重共线性检验
在进行回归分析之前，首先对模型变量进行多重共线性检验。本文采用方差膨胀因子（Variance Inflation Factor，VIF）对解释变量之间的相关性进行检验，如表2所示。
VIF检验结果表明各变量的VIF值均低于2，Landscape的VIF为1.59，Regime的VIF为1.55，Topic3_control和Topic4_control的VIF分别为1.21和1.16，time_index的VIF为1.33。除常数项外，其余变量的VIF值均处于较低水平，说明解释变量之间不存在显著的多重共线性问题，模型估计结果具有较好的稳定性。
本研究利用2014年至2025年的月度观测数据（N=134），构建多元线性回归模型对提出的研究假设进行实证检验。本研究共构建了5个递进式的回归模型，以考察模型在不同变量组合下的稳健性与解释效力。参数估计结果、显著性水平及模型拟合优度如表3所示。
4.3宏观环境与制度结构对技术创新的影响
4.3.1基准回归模型（Model 1）
构建基础模型以检验Landscape与Regime对Niche的影响，Nichet表示t时期技术创新层的议题强度，Landscapet表示宏观环境层变量，Regimet表示社会技术体制层变量，Topic3t Topic4t表示控制变量，εt为随机误差项。模型整体通过显著性检验（F =2.695，p<0.05），说明解释变量整体上对技术创新具有一定解释力。模型的决定系数R²为0.077，调整后R²为0.048。制度结构的回归系数为－0.230，且在1%显著性水平下显著（p=0.003）。这一结果表明，制度结构对技术创新具有显著的负向影响。相比之下，宏观环境的回归系数为－0.073，但未通过显著性检验（p=0.271）。这表明宏观环境对技术创新的直接影响并不显著。Model 1的结果表明制度结构在智慧交通技术演进过程中发挥着重要影响。
4.3.2 时间变量回归模型（Model 2）
Timet表示时间趋势变量，模型整体通过显著性检验（F = 2.382，p < 0.05），模型解释力略有提升（R²=0.085）。在该模型中，制度结构仍然表现出显著的负向影响（coef =－0.229，p=0.003），这一结果与Model 1基本一致，说明制度结构对技术创新的抑制作用具有较强稳定性。时间变量的回归系数为正，但未达到统计显著水平（p=0.292），说明在控制其他变量的情况下，技术创新议题的时间趋势尚未表现出显著增长。宏观环境变量在该模型中仍未达到显著水平。
4.3.3交互模型（Model 3）
Model 3在Model 2的基础上加入了宏观环境与时间变量的交互项用于检验宏观环境的动态影响。Landscapet×Timet表示宏观环境变量与时间趋势的交互项，Model 3的整体解释力明显提升，模型的R²提高至0.193，调整后R²为0.155，且模型整体显著（F=5.055，p<0.001）。制度结构依然表现出显著的负向影响（coef=－0.241，p=0.001）。时间变量的回归系数为0.0028，并在1%显著性水平下显著（p<0.001），表明随着时间推移，技术创新相关议题整体呈现增长趋势。此外，宏观环境与时间的交互项系数为－0.0085，并在1%显著性水平下显著（p<0.001），表明宏观环境对技术创新的影响具有明显的时间动态特征。Model 3的结果表明，智慧交通技术创新不仅受到制度结构的影响，还表现出显著的时间演化特征。
4.4 技术创新对制度结构的反向影响
4.4.1 反向影响模型（Model 4）
通过构建反向模型检验技术创新层对社会技术体制层的影响。模型整体显著（F=21.17，p<0.001），模型解释力较高（R²=0.396）。技术创新的回归系数为－0.289，并在1%显著性水平下显著（p=0.003），当技术创新议题比例增加时，制度结构议题比例呈现下降趋势。从社会技术系统的角度来看，这一结果说明新兴技术的发展可能对既有制度体系产生一定冲击，从而推动制度结构的调整。宏观环境变量在该模型中表现出显著负向影响（coef =－0.389，p<0.001），表明宏观环境变化同样可能影响制度结构。控制变量Topic3_control和Topic4_control也均表现出显著影响。
4.4.2 时间变量模型（Model 5）
在Model 4的基础上加入时间变量。模型整体仍然显著（F=16.82，p<0.001），模型解释力基本保持稳定（R²=0.397）。技术创新（Niche）仍然表现出显著的负向影响（coef =－0.292，p=0.003），说明技术创新对制度结构的冲击具有较强稳定性。时间变量在该模型中未达到显著水平（p=0.841），表明制度结构议题的变化主要受到技术创新和宏观环境因素的影响，而非单纯的时间趋势。
4.5研究假设验证
假设H1认为制度结构对技术创新具有显著影响。回归结果表明，在以技术创新为因变量的Model 1至Model 3中，制度结构的回归系数均为负且在统计上显著（β≈－0.23 ~－0.24，p<0.01）。这一结果说明既有交通制度体系和基础设施结构对技术创新的发展具有显著影响，因此，假设H1得到支持。
假设H2认为宏观环境对技术创新具有动态影响。回归结果显示，在Model 1和Model 2中，宏观环境的直接影响未达到统计显著水平。然而，在Model 3中引入宏观环境与时间变量的交互项后，该交互项呈现显著负向影响（β=－0.0085，p<0.001），表明宏观环境对技术创新的影响会随时间发生变化，具有明显的动态特征。因此，可以认为宏观环境对技术创新的影响主要体现在时间维度上的动态变化，假设H2得到部分支持。
假设H3认为技术创新会对制度结构产生反向影响。回归结果显示，在以制度结构为因变量的Model 4和Model 5中，技术创新的回归系数均为负且显著（β≈－0.29，p<0.01）。这表明随着技术创新的发展，新兴技术的扩散与应用可能对既有制度体系产生冲击。因此，假设H3得到支持。
5 结论
研究结果表明制度结构对技术创新具有显著影响，宏观环境对技术创新的直接影响并不显著，但其与时间变量的交互项表现出显著影响，技术创新的发展会对既有制度结构产生反向影响。本文将挖掘方法与社会技术转型理论相结合，为理解智慧交通技术创新的演化机制提供了新的实证证据。本研究仍存在一定局限，如数据主要来源于新闻文本，可能存在媒体议题偏向，未来研究可以进一步拓展分析，以更全面地揭示智慧交通技术创新的演化过程。
作者信息
刘晨辉 武汉科技大学管理学院管理科学与工程专业研究生，研究方向为信息资源管理，数据挖掘
参考文献
热门跟贴