《International Journal of Information Management Data Insights》:Mapping technology diffusion with AI: A web-based approach for tracking additive manufacturing adoption
编辑推荐:
理解新兴技术的扩散对于捕获创新益处至关重要。然而,传统的科学、技术与创新(ST&I)指标在衡量技术采纳方面常常受限。本研究探讨了通过网络挖掘和机器学习分析企业网站来衡量增材制造(AM)技术采纳的潜力。此外,它还研究了区域ST&I指标——特别是专利和出版物——如
理解新兴技术的扩散对于捕获创新益处至关重要。然而,传统的科学、技术与创新(ST&I)指标在衡量技术采纳方面常常受限。本研究探讨了通过网络挖掘和机器学习分析企业网站来衡量增材制造(AM)技术采纳的潜力。此外,它还研究了区域ST&I指标——特别是专利和出版物——如何塑造AM采纳模式。尽管仍属小众,德国AM采纳率从2022年的0.37%翻倍至2023年的0.74%。基于网络(web-based)的采纳热点区域与专利和出版物活动大致吻合。此外,研究人员的回归分析显示,这些指标与基于人工智能(AI)的网络指标所衡量的AM扩散之间存在正且统计显著的关系。这些结果强调了WebAI方法补充传统ST&I指标的潜力。
论文解读文章
研究背景与问题:新兴技术(如增材制造,AM)的采纳与扩散对企业竞争力、经济增长及可持续发展至关重要。然而,传统科学、技术与创新(ST&I)指标(如专利、出版物、调查数据)在衡量技术采纳时存在覆盖不全、时效性差、粒度不足等局限,例如调查样本小、专利偏向发明活动而非实际使用、数据滞后等。为弥补这些不足,研究人员提出利用网络挖掘(web mining)和机器学习(ML)分析企业网站文本,以实时、大规模地追踪技术采纳。本研究聚焦德国,因其工业基础广泛且分布均衡,适合研究变革性技术。研究旨在回答两个问题:第一,能否基于网络挖掘和机器学习衡量AM采纳(RQ1);第二,传统ST&I指标(专利和出版物)如何影响AM采纳模式(RQ2)。论文发表在《International Journal of Information Management Data Insights》。
关键技术方法:研究人员整合了多维数据源:企业网站文本来自ORBIS数据库,通过云爬虫工具webAI抓取HTML内容,并基于AM相关关键词(源于ASTM 52900、VDI 3405标准及文献)预筛选段落。随后,人工标注3000个样本,微调集成深度学习模型(含10个子模型,使用Sentence Transformers编码语义向量)进行二分类(AM相关或无关),并计算归一化强度得分。专利数据来自欧洲专利局(EPO),出版物来自SCOPUS数据库,均按NUTS3区域汇总。为控制区域特征,纳入人口密度、知识密集型行业就业占比、人均GDP(数据来自INKAR数据库)。采用泊松伪最大似然(PPML)回归,控制区域和年份固定效应,并聚类标准误于劳动力市场区域。
研究结果:
4.1 描述性结果:基于网络分析,2023年德国有8273家企业从事AM(占活跃网站企业的0.74%),较2022年翻倍。AM采纳热点(绝对数)集中在柏林、慕尼黑、汉堡等城市;相对强度(以NUTS3区域企业占比计)最高区域包括图特林根(2.56%)、恩茨县(2.17%)等。AM强度分布呈右偏态,与先前基于网络的技术研究一致。区域对比显示:网络采纳热点与专利活动热点部分重叠,但网络指标揭示更多区域存在AM活动(如传统制造业驱动的巴登-符腾堡、巴伐利亚、图林根),而专利热点偏向中东部地区;出版物热点与网络指标更相似,但大型技术大学位置不明显。空间自相关分析(Global Moran's I)表明网络采纳和专利存在显著聚类(分别为0.316和0.235),出版物无显著聚类。散点图显示AM企业数与专利/出版物数量呈正相关,但多数区域集中在低值区域。
4.2 回归结果:表2显示,在控制区域特征后,AM专利活动(AM Patent)与AM采纳(基于网络指标)在1年滞后(t-1)和2年滞后(t-2)下均呈正显著关联(系数0.006和0.008,p<0.01),但3年滞后(t-3)时不再显著,表明专利影响力随时间减弱。相比之下,AM出版物(AM Publication)仅在1年滞后时呈正显著(系数0.004,p<0.05),2年及3年滞后时变为负但不显著,说明出版物对采纳的影响较不稳定,可能反映学术方向与商业实用性存在差异。控制变量中,人口密度(Popdens)在所有模型中均显著正相关,证实城市化对AM采纳的促进作用。反向因果检验(交换因变量与自变量)未发现显著关联,表明反向因果问题不严重。
讨论与结论:本研究验证了基于网络和AI的方法可有效追踪AM采纳(RQ1),并揭示了专利和出版物与AM采纳的正向关联(RQ2),但存在时空差异。网络指标不仅捕捉研发活动,还反映实际使用(如用户、服务商、零售商),因此能识别传统数据源遗漏的区域集聚(如光学产业驱动的耶拿、医疗工程驱动的图特林根)。研究局限性包括:网站数据可能高估或低估技术能力(如战略宣传或未公开的内部流程),且受检索偏差和激励偏差影响;因果推断需谨慎。尽管存在这些限制,本研究的贡献在于:引入一种新颖的AI-网络指标以补充传统ST&I指标,提供更全面的技术采纳图像;帮助政策制定者设计更精准的区域创新政策,并监测技术扩散效果。未来研究可结合环境、社会与治理(ESG)报告、超链接网络等数据源,进一步分析AM的可持续性影响及协作网络。整体而言,研究人员的结论强调,基于网络和AI的指标有望成为理解技术扩散过程的重要工具,尤其适用于增材制造(AM)等新兴技术。