[论文解读] Technology Mapping Using WebAI: The Case of 3D Printing

Julian Schwierzy, Robert Dehghan+7 more|arXiv (Cornell University)|Jan 4, 2022

Innovation Diffusion and Forecasting被引用 5

一句话总结

本研究提出一种基于webAI的方法，利用多语言语言模型，通过分析公司网站文本，映射增材制造技术的扩散情况，区分制造商、服务商、零售商和信息提供者。研究发现，区域采纳强度与技术型大学及成熟制造集群的接近程度相关，其中服务商占参与企业的57.7%，74.9%的制造商被归类为具有创新性。

ABSTRACT

The diffusion of new technologies is crucial for the realization of social and economic returns to innovation. Tracking and mapping technology diffusion is, however, typically limited by the extent to which we can observe technology adoption. This study uses website texts to train a multilingual language model ensemble to map technology diffusion for the case of 3D printing. The study identifies relevant actors and their roles in the diffusion process. The results show that besides manufacturers, service provider, retailers, and information providers play an important role. The geographic distribution of adoption intensity suggests that regional 3D-printing intensity is driven by experienced lead users and the presence of technical universities. The overall adoption intensity varies by sector and firm size. These patterns indicate that the approach of using webAI provides a useful and novel tool for technology mapping which adds to existing measures based on patents or survey data.

研究动机与目标

• 开发一种新颖的、基于网络的方法，以追踪传统指标（如专利或调查）难以覆盖的技术扩散。
• 识别并分类各类主体（制造商、服务商、零售商和信息提供者）在增材制造技术扩散中的角色。
• 在德国的细分区域层面，分析增材制造技术采纳的地理与行业模式。
• 评估技术采纳强度与结构性因素（如与技术型大学的距离以及制造业的存在）之间的关系。
• 通过与现有创新指标对比，验证该方法的有效性，并探讨其作为创新政策与研究中补充工具的潜力。

提出的方法

• 采用网络爬虫管道，通过与增材制造相关的主题关键词，从德国各地公司网站提取文本。
• 通过人工标注文本段落构建带标签的训练数据集，以定义参与类型：制造商、服务商、零售商和信息提供者。
• 在标注数据上训练多语言语言模型集成模型，以分类公司参与增材制造的水平与类型。
• 将模型应用于ORBIS数据库中的130万名德国企业，预测区域与行业的采纳强度。
• 通过空间分析，将采纳强度与技术型大学及制造集群的距离相关联。
• 通过内部一致性检查与基于专利的研究对比，验证结果，同时承认标签一致性与网站覆盖范围存在局限。

实验结果

研究问题

• RQ1 如何通过webAI的网站文本分析，提升对技术扩散的映射能力，超越专利或调查数据？
• RQ2 在增材制造采纳中，哪类企业——制造商、服务商、零售商或信息提供者——最为活跃？其区域与行业差异如何？
• RQ3 技术型大学的存在与成熟制造业产业的集聚，在多大程度上影响了区域增材制造采纳强度？
• RQ4 不同参与类型下，增材制造参与企业的创新表现有何差异？
• RQ5 webAI驱动的映射在多大程度上揭示了传统基于专利分析未能捕捉的采纳模式？

主要发现

• webAI方法成功识别出57.7%的增材制造参与企业为创新型企业（InnoProb ≥ 0.4），其中74.9%的制造商被归类为具有创新性。
• 服务商是增材制造采纳的最大群体，凸显其在技术扩散中超越直接生产的关键作用。
• 靠近技术型大学以及拥有强大传统制造业产业的地区，其采纳强度显著更高。
• 地理热点如慕尼黑、柏林、汉堡和施塔恩贝格得到确认，同时识别出如耶拿等在专利数据中代表性不足的区域。
• 该方法检测到专利研究未能捕捉的技术采纳模式，特别是在制造业不密集或新兴创新集群中。
• 模型预测结果通过一致性检查与现有创新研究结果对齐，尽管标签可靠性与网站覆盖范围仍是局限。