[論文レビュー] Unfolding the innovation system for the development of countries: co-evolution of Science, Technology and Production

Emanuele Pugliese, Giulio Cimini+4 more|IMT Institutional Repository (IMT School for Advanced Studies Lucca)|Jul 17, 2017

Economic and Technological Innovation被引用数 7

ひとこと要約

本稿では、文献計測、特許、貿易データを用いて、国をまたいだ科学、技術、産業生産の共進化を分析するためのマルチレイヤーネットワークモデルを提案する。分析の結果、技術が将来の産業的・科学的生産の予測要因として最も強く、従来の科学→特許→製品という線形的流れを覆すものであることが判明した。本モデルは、能力マッピングとタイムラグ付き相互作用を用いて、国レベルのイノベーション経路の長期的予測を可能にする。

ABSTRACT

We show that the space in which scientific, technological and economic developments interplay with each other can be mathematically shaped using pioneering multilayer network and complexity techniques. We build the tri-layered network of human activities (scientific production, patenting, and industrial production) and study the interactions among them, also taking into account the possible time delays. Within this construction we can identify which capabilities and prerequisites are needed to be competitive in a given activity, and even measure how much time is needed to transform, for instance, the technological know-how into economic wealth and scientific innovation, being able to make predictions with a very long time horizon. Quite unexpectedly, we find empirical evidence that the naive knowledge flow from science, to patents, to products is not supported by data, being instead technology the best predictor for industrial and scientific production for the next decades.

研究の動機と目的

• 国をまたいだ科学的・技術的・産業的活動の共進化を、動的で多層的なシステムとしてモデル化すること。
• 技術的知見から経済的・科学的生産に至る変換に必要な能力と時間遅れを同定すること。
• 実証データとネットワーク解析を用いて、従来の線形的イノベーションモデル（科学 → 特許 → 製品）を検証すること。
• 層間相互作用と統計的有意性の検定に基づいて、長期的な国家レベルのイノベーション経路を予測するフレームワークを構築すること。
• 時間遅れを考慮した場合の、技術が将来の科学的および産業的競争力の予測要因として果たす役割を定量化すること。

提案手法

• 国が科学（S）、技術（T）、生産（P）の各活動において世界平均を上回る競争優位性を示すかどうかを、隣接行列 $ M^L_{c,a}(y) $ を用いて三層構造のネットワークを構築する。
• 共起性の統計的有意性を評価するためのノンモデルを用い、異なる層間での活動の非ランダムな重複（必要な能力の重複）を同定する。
• 時間遅れ $ \Delta y $ の異なる段階で、有意な層間接続の割合を測る信号対雑音比 $ \Phi^{L_1 \to L_2}(\Delta y) $ を定義する。
• Scopus（科学的論文データ）、Patstat（特許データ）、UN COMTRADE（輸出データ）のデータを用い、地理的・時間的・主題的複数の集計レベルで分析を実施する。
• 細分化されたまたは短期的なダイナミクスを分析する際の統計的パワーを向上させるために、年次データを統合する。
• 物理学の分野ごとの階層的分類（例：物理学のサブフィールド）を用い、分析の解像度を変化させた結果の分析を実施する。

実験結果

リサーチクエスチョン

• RQ1 産業生産における競争優位性を達成するための主要な能力は何か。また、それらは科学的活動や技術的活動とどのように関連しているか。
• RQ2 技術開発、科学的生産、産業輸出の間の時間遅れが、国家のイノベーション経路にどのように影響するか。
• RQ3 科学的活動や直接的なイノベーションフローと比較して、技術的活動が将来の産業的・科学的生産をどれほどよく予測できるか。
• RQ4 標準的な線形的イノベーションフロー（科学 → 特許 → 製品）は、層間ネットワーク相互作用によって実証的に裏付けられているか。
• RQ5 分析のスケール（時間的・地理的・主題的）が、有意な層間関係の検出にどのように影響するか。

主な発見

• 技術が将来の産業的・科学的生産の予測要因として最も強く、さまざまな時間遅れにおいて、層間の信号対雑音比がベースライン期待値（5%）を著しく上回ることが判明した。
• 科学から特許を経て製品に至るという単純な線形的イノベーションフローは、実証データによって支持されていない。代わりに、技術がイノベーションシステムにおける中心的ハブの役割を果たしている。
• 本モデルは、活動間の変換に必要な能力と時間遅れを同定することで、国家レベルのイノベーション経路の長期的予測を可能にする。
• 99%の有意水準を検証するには少なくとも100回のノンモデル実現が必要であり、99.9%の有意水準には1,000回が必要であることが示され、統計的サンプリングの堅牢性が求められる。
• 集計レベル（時間的・地理的・主題的）の選択は、統計的パワーと信号検出に大きく影響し、細分化された解像度ではノイズを低減するための長い時間窓が必要となる。
• 実証結果から、特に高解像度レベルにおいて、科学的分野や特許分野だけに比べ、技術的分野が「デスクトップコンピュータ」などの製品の輸出実績をよりよく予測していることが明らかになった。