[论文解读] 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 7

一句话总结

本文提出一种多层网络模型，利用文献计量、专利和贸易数据，分析各国科学、技术和工业生产之间的共同演化。研究发现，技术是预测未来工业和科学产出的最强指标，挑战了传统上从科学到专利再到产品的线性流程模型；通过能力映射和时滞交互分析，该模型可实现对国家创新轨迹的长期预测。

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.

研究动机与目标

• 将科学、技术和工业活动的共同演化建模为跨国的动态多层系统。
• 识别从技术专长转化为经济和科学产出所需的能力及时间延迟。
• 利用实证数据与网络分析，挑战传统的线性创新模型（科学 → 专利 → 产品）。
• 基于层间交互作用与显著性检验，构建长期预测国家创新轨迹的框架。
• 量化技术在不同时间滞后下作为未来科学与工业竞争力预测因子的作用。

提出的方法

• 使用邻接矩阵 $ M^L_{c,a}(y) $ 构建三层网络，基于各国相对于世界平均水平的竞争优势，将国家与科学（S）、技术（T）和生产（P）活动相连接。
• 采用零模型评估跨层活动共现的统计显著性，识别所需能力中非随机的重叠。
• 定义信噪比 $ \Phi^{L_1 \to L_2}(\Delta y) $，以测量在不同时间滞后 $ \Delta y $ 下显著的跨层连接所占比例。
• 使用来自 Scopus（科学出版物）、Patstat（专利）和 UN COMTRADE（出口数据）的数据，覆盖多个聚合层级（地理、时间、主题）。
• 对年度数据进行合并，以在分析细粒度或短期动态时提高统计功效。
• 采用活动的分层分类（例如物理学的子领域）以在不同分辨率下分析结果。

实验结果

研究问题

• RQ1 一个国家要实现工业生产的竞争优势，其关键能力是什么？这些能力如何与科学和技术活动相关联？
• RQ2 技术发展、科学产出与工业出口之间的时间延迟如何影响国家的创新轨迹？
• RQ3 与科学或直接创新流相比，技术在多大程度上能预测未来的工业和科学产出？
• RQ4 标准的线性创新路径（科学 → 专利 → 产品）是否得到跨层网络交互的实证支持？
• RQ5 分析尺度（时间、地理、主题）如何影响显著层间关系的检测？

主要发现

• 技术是预测未来工业和科学产出的最强指标，在多个时间滞后下，跨层信噪比显著超过基线预期（5%）。
• 实证数据不支持从科学到专利再到产品的简单线性创新流程；相反，技术在创新系统中充当核心枢纽。
• 该模型通过识别活动间转化所需的能力与时间延迟，实现了对国家创新轨迹的长期预测。
• 为测试99%的显著性阈值，至少需要100次零模型实现；为达到99.9%的显著性，则需1,000次，凸显了稳健统计抽样的必要性。
• 聚合层级的选择（时间、地理、主题）对统计功效和信号检测具有关键影响，细粒度分辨率需要更长的时间窗口以降低噪声。
• 实证结果表明，相较于仅依赖科学或专利领域，技术领域更能预测如“台式计算机”等产品出口表现，尤其在更高分辨率下更为显著。