APP下载

农机“卡脖子”技术识别:综述与展望

2022-05-30张宗毅

农业部管理干部学院学报 2022年2期
关键词:卡脖子农业机械

张宗毅

摘 要:农业机械是发展现代农业的物质基础,是农业现代化的重要支撑,在WTO多边贸易规则作用逐渐削弱、技术封锁行为变得频繁的背景下,农机装备领域是否存在“卡脖子”技术?如何进行识别?本文对相关文献进行了系统梳理,提出了通过关键技术识别、技术差距评估、垄断程度判断三个维度进行“卡脖子”技术识别的技术方案。

关键词:卡脖子;农业机械;技术识别

一、问题提出

农业机械化是转变农业发展方式、提高农村生产力的重要基础,是实施乡村振兴战略的重要支撑。而农业机械是农业机械化的物质基础,没有质量可靠、性能优越的农业机械就没有高水平的农业机械化。农业机械不仅能弥补农业劳动力转移导致的农业综合生产能力空缺,还能作为水肥药等资源节约型技术、保护性耕作等环境友好技术、3S和ICT通信及智能化技术的载体,对现代农业的发展至关重要。有研究甚至表明,农业机械化是资本深化实现农业生产率进步的完全中介,也即唯一路径[1]。

因此,党和政府也高度重视农业机械化和农机装备的发展。2004年以来历年中央一号文件均对农业机械化发展提出具体要求,2022年中央一号文件更是明确提出“全面梳理短板弱项,加强农机装备工程化协同攻关,加快大马力机械、丘陵山区和设施园艺小型机械、高端智能机械研发制造并纳入国家重点研发计划予以长期稳定支持”。2004年开始,国家进行了已经持续长达18年的农机购置补贴政策,累计补贴资金超过2000亿元。2010年、2018年还由国务院分别发布了专项针对农机装备的指导意见《关于促进农业机械化和农机工业又好又快发展的意见》和《关于加快推进农业机械化和农机装备产业转型升级的指导意见》。

2018年3月份中美贸易战以来,美国实施的种种技术封锁让我们感受到核心技术“卡脖子”的种种被动,全社会都深刻认识到关键技术对产业链发展的重要性。重点领域之一的农机装备,该领域是否存在“卡脖子”问题同样受到广泛关注。

然而目前对农机装备短板弱项缺乏系统梳理。最新的《农业机械分类》(NY/T 1640—2021)标准,共有32大类100小类504个品目(包含各类其他机械)。而从事具体技术研发的专家,大多仅能从自己所在领域提出短板技术。2021年农业农村部农业机械化管理司组织国内农机相关科研院所、主要农机龙头企业对农机装备短板技术进行了梳理,形成了《主要农作物机械化生产技术装备薄弱环节目录》《丘陵山区机械化生产技术装备需求目录》《我国农机装备重要零部件国外依赖情况目录》等清单,但这种梳理同样是基于各个渠道专家和龙头企业的意见汇总,对提供上来的繁杂清单如何进行甄别、排序?哪些是真的卡脖子?哪些是错误信息?目前尚缺乏有效方法和手段解决这些问题。这就导致,很多不重要的技术需求被错误列入清单内。比如:清单内列入了“再生稻移栽和收获装备”的需求,再生稻本身就是上一茬水稻的基节上的侧芽萌发分蘗产生的,本就不需要移栽,同时再生稻的收获与非再生稻的收获并无本质区别,广西、广东等地的再生稻目前基本是机械收获,不能将“国外再生稻鲜有种植,尚没有相关产品”作为重要技术需求提出的理由。还有大量类似的无效技术需求被提出来。如何排除被调研专家出于个人利益诉求,提出所谓关键核心技术需求,是业务主管部门亟须解决的问题。要解决这一问题,就不能仅仅依靠单一数据来源进行决策,而是要多渠道的数据进行交叉印证。

并不是所有关键核心技术都存在不可逾越的技术差距,因此识别出关键核心技术后,还需要进一步判断国内与国际是否存在较大的技术差距。在此基础上,还需要进一步判断,存在较大技术差距的核心技术是否存在个别知识产权所有人技术垄断或者个别国家技术垄断的情况,如果核心技术知识产权所有人没有那么相对集中则难以达成技术封锁同盟。识别出存在较大技术差距且有严重垄断情形的关键核心技术后,还需要从价值链上判断这些技术“卡脖子”后带来的后果。因此,这些技术主要涉及哪些具体零部件,这些涉及“卡脖子”关键技术的零部件占相关农机整机的价值份额多大?相关整机国产化率情况如何?这些问题也需要进一步实证挖掘研究。

二、“卡脖子”技术概念内涵

目前我国产业发展面临着诸多问题,特别是在一些重要产业创新能力较弱,存在“卡脖子”技术风险[2, 3]。在CNKI里以“卡脖子”为篇关摘检索词汇进行检索,结果见图1。以2018年为时间节点,2018年以前发文量每年不超过100篇,在2018年中美贸易战开始后,相关文献数量急剧攀升,在2021年达到900篇。

对于什么是“卡脖子”技术,国内部分文献展开了辨析[4-8]。归纳起来,“卡脖子”技术至少应具备以下三方面的特征:首先,必须是领域内的核心关键技术,只有核心关键技术才能被“卡”。其次,创新能力必须与竞争对手存在较大的技术差距,追赶起来存在较大难度。再次,是否存在技术垄断,如果核心关键技术分散在多个国家或掌握在多个知识产权所有人手中,那么这些知识产权所有人达成一致意见的难度相对较大,技术封锁的概率不高,但如果关键核心技术掌握在少数知识产权所有人手中,则存在较大“卡脖子”风险。

三、核心关键技术识别

那么,如何识别核心关键技术呢?多数研究通常基于专利分析核心关键技术,这是因为专利信息量大,是技术创新和自主知识产权的体现,利用统计方法或技术手段可以获得全面信息或提供趋势预测[7, 9-12]。那么,又如何从海量专利大数据中提取出有用信息,识别出关键技术呢?目前识别核心专利的方法大致可分为四大类:第一,基于专家智慧的识别方法;第二,基于指标评估的识别方法;第三,基于引文网络分析的识别方法;第四,基于文本分析的非结构化数据的识别方法。

基于专家智慧筛选核心技术的识别方法。它是目前各级技术主管部门惯用的方法,通过开会咨询即可得到结果,方便快捷而且有一定的效果。尽管对于重要技术的筛选依据专家丰富的经验和成熟的业务能力有其合理性,但是这种方法仅适用于专利较少的领域,难以批量处理专利数据,并且易受个人主观意见的影响[7, 13]。为了既充分利用专家知识,又盡量客观,技术功效模型在实践中被大量使用,该模型从技术视角和功效视角对专利进行分析[4-17],在专家确定技术维度主题和功能维度指标后,对检索出来的专利在“技术—功效”矩阵中进行逐一判别并统计数量指标或其他信息维度指标,进而雷达似的扫描矩阵所有分区中存在的技术空白或风险[18]。

基于指标评估筛选核心技术的识别方法。其包括采用单一指标或建立指标体系进行专利价值评估,评估价值高的专利即核心技术[19]。单一指标主要包括专利被引频次(被后续专利引用的次数越多,价值可能越高),同族专利数量(数量越多,价值越高,成为核心技术的可能性越大),专利权利要求数量(数量越多,保护范围越大,经济价值越高,越可能成为核心专利技术)[13, 20-22]。指标体系评价则是将一些常见的单一指标进行组合,试图提高组合整体的全面性[13, 23-28]。

基于引文网络分析的识别方法。基于指标评估筛选核心技术的识别方法,仅对专利自身进行价值评估,无法展示专利的网络关系和知识的流动特性,评价结果具有较大的局限性。因此,对专利引文网状关系和主题相关性进行分析的引文网络分析法是专利分析并识别核心技术的重要手段之一。社会网络分析是常见的引文网络分析方法,可以帮助情报分析、创新决策以及核心专利技术识别[17, 29-31]。社会网络分析的主要做法是基于IPC共现网络,通过衡量中心度、密度等网络结构指标,寻找技术体系中的关键核心技术[7, 12, 32-34]。

基于文本分析的非结构化数据的识别方法。基于指标或指标体系的关键技术识别方法和基于引文网络分析的识别方法,都是结构化数据的分析方法,结构化数据存在时间滞后问题、引文动机问题。比如一项专利从申请到发布再到被引用,需要较长一段时间,申请人为了规避相同或者相似的在先技术,会对在先专利回避而不进行引用,这些都会导致基于结构化的引文数据分析方法失效。由于结构化数据分析的潜在问题,使得许多学者将目光聚焦于专利自身的文本内容,通过关键词检索,查找到相关范围的专利文本。将不同时间段专利文本内容的聚类分析,可以获取到专利文献中的高频关键词的变化情况,从而识别出关键专利技术。常用的文本分析方法有关键词文本简单聚类[35, 36]、SAO语义结构[37-45]、LDA主题模型[46-55]、BERT分类模型等[56-60]。也有学者将多种模型相结合,如将SAO结构同LDA模型相结合,提高了模型的主题辨识度与语义消歧功能[61];或将BERT分类模型与LDA主题模型相结合,用于文本的主题提取,使其可以准确识别上下文语义与语序,提取出的主题更加精准有效[62, 63]。

四、技术差距与技术垄断识别

关于技术差距的测算,不同领域的文章采用的方法不同。如经济学相关研究的论文,多从产业的宏观角度,采用投入产出相关技术效率指标、劳动生产率指标或全要素生产率指标测算不同产业或国家技术差距[64-67]。显然,该方法不适用于较为微观的“卡脖子”技术差距分析。情报学领域较为微观和聚焦,一般是直接进行技术有无和参数对比。如唐恒等将技术差距强度定义为某个技术领域内中国专利数与专利数量top1的国家专利数差值与top1的国家专利数的比值[68]。郭世杰等将技术差距定义为“人有我无”和“人强我弱”两个等级,在某技术领域我国没有相关专利而竞争对手有即“人有我无”体现为技术空白,竞争对手和我国都拥有某种技术装备,但在装备的性能水平上落后于对手,这体现为“技术水平差距”,该文献采用了文献检索与归纳方法、基于自然语言处理的信息抽取方法[69]。

目前关于技术垄断如何评估的文献较少,但运用社会网络分析法对专利权人竞争合作关系分析较多。通过构建不同专利权人之间的关联网络,可以了解特定领域内区域、产业、行业内专利权人的关系演化,方便进行竞争对手和合作伙伴的识别及评价、技术布局的战略选择。通常来说,这种关系网络可以通过专利权人之间的引用关系和技术合作情况、专利权人共同关注的技术主题三种形式表征。

引用关系体现了知识、技术在引用网络之间的流动,因此专利权人引用网络既能体现专利权人的影响力又能体现竞争合作关系。按引用对象类型分类,引用关系可以分为专利文献及非专利文献两种。对非专利文献的引用反映的是知识向技术的转化过程,宁子晨以学术型发明人为节点构建技术主题和非专利文献关键词共现矩阵体现不同时间段下专利权人技术主题关联关系的演化[70];对专利文献的引用反映了技术的溢出,Wang构建共被引矩阵通过被引频次识别以jaccard系数划分的技术领域内最具有影响力的企业[71];李睿从生态视角用专利引用关系表征标准必要专利权人间的关系,将实力相当的企业之间的引用关系描述为竞争共生和互利共生关系[72]。专利引用网络类型还可以按照引用网络是有向无向网络,有权无权网络分类。相比较来说,有向网络更能表征知识技术的流动,有权网络更能衡量节点之间联系的强度。Ji等、Cho等、Lo、Xiang等根据专利权人的引用关系分别用直接引用、间接引用和引用耦合关系,表征专利权人之间的竞争与合作关系[73-76]。

技术合作是专利权人提升核心竞争力的重要途径,专利合作是技术合作的重要内容。专利权人合作网络构建方法可以分为基于特定领域、特定专利权人、特定区域或自我中心构建。Li等、Tsay和Liu 、Zhou和Zhang考虑专利权人合作网络构建方法、描述专利权人区域合作特征、合作演化特征[77-79]。王黎萤等构建中小企业合作发明网络,从合作广度和合作深度的角度探讨最优效果的合作网络模式[80]。Ahuja等探讨了技术合作的自我中心网络与创新产出之间的关系[81],毛荐其等探讨焦点企业的自我中心网络稳定性怎样影响创新产出[82]。

主题关联网络通常基于分类号共现及相似性分析、主题词共现分析。常用的分类号类型有IPC、CPC、DPC、USPC等。IPC分类号对应35个技术子领域,不同专利权人在技术领域上的相似性,意味着专利权人之间竞争或合作机会。黄晓斌、梁辰通过映射IPC分类号到相应的技术领域,构建技术领域与专利权人共现网络,计算向量空间余弦相似度和平方欧式距离评价企业技术组合相似度以识别行业内主要竞争对手[83]。曹祺等、向姝璇和李睿等基于Jaccard、Doc2Vec模型、余弦相似度、歐式距离、Pearson相关系数等度量相似性[84-85]。基于专利主题词的专利权人共现分析,则通过选取合适的主题词提取方式提取恰当的主题词,构建向量空间,再对专利权人与相关主题词之间的关系进行分析。

五、文献评述

已有研究对什么是“卡脖子”技术进行了辨析,对核心关键技术如何识别、技术差距如何测度、知识产权人关系如何分析等展开了研究,但还存在以下不足。

首先,已有关于“卡脖子”技术识别的研究,侧重于关键技术识别,较少从“关键技术识别—技术差距评估—垄断程度判断”等多维度展开评估。对于农机这一国家重大战略产业的“卡脖子”技术多维度识别更是缺乏相关研究。目前全球主要农机装备的核心关键技术是什么?热点技术是什么?在这些核心关键和热点技术上,我国与头部国家是否存在技术差距?这些技术是否存在技术垄断?这些问题均有待深入研究,个别文献提到具体某些技术差距也仅是泛泛而谈,缺乏确切方法和定量证据[86]。有文献分析全球农机专利概况,但仅限于几个简单指标在有限时间段内进行粗略分析[87]。

其次,已有基于知识产权的关键技术识别相关研究,主要基于专利数据库展开分析,少量文献结合了论文数据库和专利数据库,但对于具体产业的研究还需要结合产业自身特有数据库展开研究才能更加深入精准。特别是,这些研究大多仅对关键技术进行识别,识别出来的关键技术在中国相关应用产业的价值链中占多大份额?相关应用产业外资和本土企业市场份额划分情况如何?已有文献未结合产业具体情况对这些问题展开深入研究。

针对以上问题、结合国家重大战略需求,文献计量学、农业经济学相关学者应基于多源数据(产学研企业调研数据、专利数据、论文数据、全国农机购置补贴辅助系统数据)融合,按照“关键技术识别—技术差距评估—垄断程度判断”的分析框架,识别出存在较大“卡脖子”风险的主要农机关键技术,并对关键技术在产业链中的价值地位进行进一步评判。

参考文献

[1] 徐建国,张勋.农业生产率进步、劳动力转移与工农业联动发展[J].管理世界. 2016(07): 76-87.

[2] ZHANG M, GUO W, LEI Z. Patent Analysis of Shale Gas Technology in China and Implications for its Exploitation[J]. Energy Technology, 2014,2(12):1040-1045.

[3] 任文華.钱学森技术科学观视域下关键核心技术“卡脖子”问题研究[J].科学管理研究,2021,39(03):33-38.

[4] 陈劲,阳镇,朱子钦.“十四五”时期“卡脖子”技术的破解:识别框架、战略转向与突破路径[J].改革,2020(12):5-15.

[5] 张治河,苗欣苑.“卡脖子”关键核心技术的甄选机制研究[J].陕西师范大学学报(哲学社会科学版),2020,49(06):5-15.

[6] 夏清华,乐毅.“卡脖子”技术究竟属于基础研究还是应用研究?[J].科技中国,2020,(10):15-19.

[7] 董坤,白如江,许海云.省域视角下产业潜在“卡脖子”技术识别与分析研究——以山东省区块链产业为例[J].情报理论与实践,2021,44(11):197-203.

[8] 汤志伟,李昱璇,张龙鹏.中美贸易摩擦背景下“卡脖子”技术识别方法与突破路径——以电子信息产业为例[J].科技进步与对策,2021,38(01):1-9.

[9] 陈蔚丽.基于Innography的固体废弃物综合利用技术的专利情报分析[J].现代情报,2014,34(08):100-104+111.

[10] CHO T, SHIH H. Patent citation network analysis of core and emerging technologies in Taiwan: 1997-2008[J]. Scientometrics, 2011,89(03):795-811.

[11] LIU Y. Food Packaging Printing Technology Trend Analysis: A Patent Analysis Approach[J]. Applied Mechanics and Materials, 2013, 469(469): 387-395.

[12] KIM E, CHO Y, KIM W. Dynamic Patterns of Technological Convergence in Printed Electronics Technologies: Patent Citation Network[J]. SSRN Electronic Journal, 2014,98(02): 975-998.

[13] 杨大飞,杨武,田雪姣,等.基于专利数据的核心技术识别模型构建及实证研究[J].情报杂志,2021,40(02):47-54.

[14] 陈颖,张晓林.专利技术功效矩阵构建词汇模型研究[J].情报科学,2012,30(11):1704-1708+1719.

[15] 翟东升,蔡力伟,张杰,等.基于专利数据仓库的技术功效图挖掘方法研究——以3D打印技术为例[J].现代图书情报技术,2015(Z1):131-138.

[16] PALIZBAN O, KAUHANIEMI K. Energy storage systems in modern grids—Matrix of technologies and applications[J]. Journal of Energy Storage, 2016(6): 248-259.

[17] JIN Y, LIU J, WANG X, LI P, WANG J. Technology Recommendations for an Innovative Agricultural Robot Design Based on Technology Knowledge Graphs[J]. Processes, 2021, 9(11): 1905.

[18] 王学昭,赵萍,赵亚娟,等.“技术-功效”视角下的专利布局形势揭示与风险判定[J].图书情报工作,2021,65(16):73-80.

[19] 李姝影,张鑫,许轶,等.核心专利集筛选及专利技术主题识别影响[J].情报学报,2019,38(01):13-20.

[20] 孙涛涛,金碧辉.关键技术挖掘与企业技术竞争情报——以DVD激光头技术为例[J].图书情报工作,2008,(05):129-132.

[21] SCHETTINO F, STERLACCHINI A, VENTURINI F. Inventive productivity and patent quality: Evidence from Italian Inventors. Journal of Policy Modeling, 2013, 35(06), 1043-1056.

[22] TONG X, FRAME J. Measuring national technological performance with patent claims data[J]. Research Policy, 1994, 23(02), 133-141.

[23] 胡小君,陳劲.基于专利结构化数据的专利价值评估指标研究[J].科学学研究,2014,32(03):343-351.

[24] 吕晓蓉.专利价值评估指标体系与专利技术质量评价实证研究[J].科技进步与对策,2014,31(20):113-116.

[25] ZHANG Y, QIAN Y, HUANG Y, GUO Y, ZHANG G, LU J. An entropy-based indicator system for measuring the potential of patents in technological innovation: rejecting moderation[J]. Scientometrics, 2017, 111(03): 1925-1946.

[26] 杨思思,戴磊,郝屹.专利经济价值度通用评估方法研究[J].情报学报,2018,37(01):52-60.

[27] DU W, WANG Y, XU W, MA J. A personalized recommendation system for high-quality patent trading by leveraging hybrid patent analysis[J]. Scientometrics, 2021, 126(12): 9369-9391.

[28] 罗天雨.核心专利判别方法及其在风力发电产业中的应用[J].图书情报工作,2012,56(24):96-101.

[29] SHIN J, PARK Y. Evolutionary optimization of a technological knowledge network[J]. Technovation, 2010, 30(11-12): 612-626.

[30] 李蓓,陈向东.海峡两岸核心及新兴技术比较——基于专利引文网络的分析[J].科研管理,2015,36(02):96-106.

[31] YAN B, LUO J. Measuring technological distance for patent mapping[J]. Journal of the Association for Information Science and Technology, 2016, 68(02): 423-437.

[32] SUN H, GENG Y, HU L, SHI L, XU T. Measuring Chinas new energy vehicle patents: A social network analysis approach[J]. Energy, 2018(153):685-693.

[33] 刘桂锋,卢章平,刘琼,等.基于社会网络分析的江苏省高校产学研专利合作研究[J].情报杂志,2015,34(01):122-126+155.

[34] 解志韬,孔繁翀,谢楠.长三角“双一流”高校协同创新时空演进——基于合作授权专利的社会网络分析[J].研究与发展管理,2021,33(05):149-160.

[35] KAYAKOKU A, AKAY D. Patent Mining[J]. Journal of Polytechnic-Politeknik Dergisi, 2021, 24(02): 745-753.

[36] JUN S-H. Patent Mining using Beta Regression and R Text Mining[J]. Journal of Korean Institute of Intelligent Systems, 2018, 28(04): 383-387.

[37] BLASCHKE C, ANDRADE M A, OUZOUNIS C, VALENCIA A. Automatic extraction of biological information from scientific text: protein-protein interactions[J]. Proceedings. International Conference on Intelligent Systems for Molecular Biology, 1999,(7):60-67.

[38] SEKIMIZU T, PARK H S, TSUJII J I. Identifying the Interaction between Genes and Gene Products Based on Frequently Seen Verbs in Medline Abstracts[J]. Genome informatics. Workshop on Genome Informatics, 1998(9): 62-71.

[39] 汪雪锋,邱鹏君,付芸.一种新型技术路线图构建研究——基于SAO结构信息[J]. 科学学研究, 2015, 33(08): 1134-1140.

[40] 郭俊芳,汪雪锋,李乾瑞,朱东华.一种新型的技术形态识别方法——基于SAO语义挖掘方法[J]. 科學学研究, 2016, 34(01):13-21.

[41] 李欣,王静静,杨梓,等.基于SAO结构语义分析的新兴技术识别研究[J]. 情报杂志, 2016, 35(03):80-84.

[42] 谭晓,张志强.图情领域中专利分析主题的研究进展——基于WOS的文献分析[J]. 图书情报工作, 2012, 56(20):85-91.

[43] CHOI S, YOON J, KIM K, LEE J Y, KIM C-H. SAO network analysis of patents for technology trends identification: a case study of polymer electrolyte membrane technology in proton exchange membrane fuel cells[J]. Scientometrics, 2011, 88(03): 863-883.

[44] YANG C, ZHU D H, WANG X F et al. Requirement-oriented core technological components' identification based on SAO analysis[J]. Scientometrics, 2017, 112(03): 1229-1248.

[45] WANG X, MA P, HUANG Y et al. Combining SAO semantic analysis and morphology analysis to identify technology opportunities[J]. Scientometrics, 2017, 111(01): 3-24.

[46] SALTON G, WONG A, YANG C S. A vector space model for automatic indexing[J]. Communications of the ACM, 1975, 18(11): 613-620.

[47] DEERWESTER S, DUMAIS S T, FURNAS G W, LANDAUER T K, HARSHMAN R. Indexing by latent semantic analysis[J]. Journal of the American Society for Information Science, 1990, 41(06): 391-407.

[48] XIA T, CHAI Y. An improvement to TF-IDF: Term Distribution based Term Weight Algorithm[J]. Journal of Software, 2011, 6(03): 413-420.

[49] HOFMANN T. Probabilistic Latent Semantic Indexing[J]. ACM SIGIR Forum, 2017, 51(02): 211-218.

[50] BLEI D M, NG A Y, JORDAN M I. LATENT dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3(4/5): 993-1022.

[51] 邱均平,沈超.基于LDA模型的国内大数据研究热点主题分析[J]. 现代情报, 2021, 41(09): 22-31.

[52] 林丽丽,马秀峰.基于LDA模型的国内图书情报学研究主题发现及演化分析[J].情报科学,2019, 37(12):87-92.

[53] 廖列法,勒孚刚.基于LDA模型和分类号的专利技术演化研究[J].现代情报, 2017, 37(05):13-18.

[54] KIM G J, PARK S S, JANG D S. Technology Forecasting using Topic-Based Patent Analysis[J]. Journal of Scientific & Industrial Research, 2015, 74(05): 265-270.

[55] PAN X, ZHONG B, WANG X, XIANG R. Text Mining-based Patent Analysis of Bim Application in Construction[J]. Journal of Civil Engineering and Management, 2021, 27(05): 303-315.

[56] 赵月华,朱思成,苏新宁.面向网络虚假医疗信息的识别模型构建研究——一种基于预训练的BERT模型[J].情报科学, 2021, 39(12): 165-173.

[57] 林德萍,汪红娟.基于BERT和RNN的新闻文本分类对比[J]. 北京印刷学院学报, 2021, 29(11):156-162.

[58] 张海丰,曾诚,潘列,等. 结合BERT和特征投影网络的新闻主题文本分类方法[J].计算机应用,2022(3): 1-10.

[59] 曾兰兰,王以松,陈攀峰.基于BERT和联合学习的裁判文书命名实体识别[J]. 计算机应用,2022(3):1-7.

[60] 汪苏琪,王明文,曾雪强.面向规范性文件的基于BERT的文本纠错模型[J]. 山西大学学报(自然科学版),2022,45(2):498-504.

[61] 杨超,朱东华,汪雪锋,等.专利技术主题分析:基于SAO结构的LDA主题模型方法[J].图书情报工作,2017,61(03):86-96.

[62] XIE Q, ZHANG X, DING Y, SONG M. Monolingual and multilingual topic analysis using LDA and BERT embeddings[J]. Journal of Informetrics, 2020, 14(03):1-16.

[63] 王秀红,高敏.基于BERT-LDA的关键技术识别方法及其实证研究——以农业机器人为例[J].图书情报工作,2021,65(22):114-125.

[64] 林毅夫,刘明兴.中国的经济增长收敛与收入分配[J].世界经济,2003(08):3-14+80.

[65] 傅晓霞,吴利学.技术效率、资本深化与地区差异——基于随机前沿模型的中国地区收敛分析[J].经济研究,2006(10):52-61.

[66] 章祥荪,贵斌威.中国全要素生产率分析:Malmquist指数法评述与应用[J].数量经济技术经济研究,2008(06):111-122.

[67] 郑江淮,荆晶.技术差距与中国工业技术进步方向的变迁[J].经济研究,2021,56(07):24-40.

[68] 唐恒,邵泽宇,蔡兴兵,等.专利视角下“卡脖子”技术短板甄选研究[J].中国发明与专利,2021,18(01):54-59.

[69] 郭世杰,陈芳,韩涛,等.基于文本挖掘的中美技术差距分析——以空间技术领域为例[J].情报学报,2021,40(08):806-816.

[70] 宁子晨,魏来.专利主体视角下专利文献与学术论文关联关系发现研究——以“数据挖掘”主题为例[J]. 图书情报工作,2020(12):106-117.

[71] WANG X, ZHANG X, XU S. Patent co-citation networks of Fortune 500 companies[J]. Scientometrics, 2011, 88(03): 761-770.

[72] 李睿,周維,王雪.引文生态视角下标准必要专利的引文特征研究.情报学报2018,(09):882-889.

[73] JI J J, BARNETT G A, CHU J X. Global networks of genetically modified crops technology: a patent citation network analysis[J]. Scientometrics, 2019, 118(03): 737-62.

[74] CHO R L T, LIU J S, HO M H C. The development of autonomous driving technology: perspectives from patent citation analysis[J]. Transport Reviews, 2021: 685-711.

[75] LO S C. Patent coupling analysis of primary organizations in genetic engineering research[J]. Scientometrics, 2008,74(01): 143-151.

[76] XIANG X Y, CAI H, LAM S, PEI Y L. International knowledge spillover through co-inventors: An empirical study using Chinese assigneespatent data[J]. Technological Forecasting and Social Change, 2013, 80(01): 161-174.

[77] LI FANGYE, LIU WEIWEI, BI KEXIN. Exploring and visualizing spatial-temporal evolution of patent collaboration networks: A case of Chinas intelligent manufacturing equipment industry[J]. Technology in Society, 2020(64): 101483.

[78] TSAY M Y, Liu Z W. Analysis of the patent cooperation network in global artificial intelligence technologies based on the assignees[J]. World Patent Information, 2020,63:102000.

[79] ZHOU F, ZHANG B. Detecting and Visualizing the Communities of Innovation in Beijing-Tianjin-Hebei Urban Agglomeration Based on the Patent Cooperation Network[J]. COMPLEXITY, 2021, 1:1-14.

[80] 王黎萤,吴瑛,朱子钦,等.专利合作网络影响科技型中小企业创新绩效的机理研究[J]. 科研管理,2021,42(01):57-66.

[81] AHUJA G, SODA G, ZAHEER A. Introduction to the special issue: The genesis and dynamics of organizational networks[J], Erratum,2012,23(04):1211.

[82] 毛荐其,嵇金星,刘娜,等.发明者网络嵌入、稳定性与创新绩效的关系研究[J].科学决策,2021(03):1-17.

[83] 黄晓斌,梁辰.专利技术的关联网络分析——以4G通信技术领域为例[J].情报学报,2015,34(01):92-104.

[84] 曹祺,赵伟,张英杰,等.基于Doc2Vec的专利文件相似度检测方法的对比研究[J]. 图书情报工作,2018,62(13):74-81.

[85] 向姝璇,李睿.基于专利文献整体相似度计算的竞争对手发现——以5G领域为例[J]. 情报理论与实践,2021(05):100-105.

[86] 陈志,罗锡文,王锋德,等.从零基础到农机大国的发展之路──中国农机工业百年发展历程回顾[J].农学学报,2018,8(01):150-154.

[87] 刘勤.全球农机装备专利技术信息分析及启示[J].华中农业大学学报(社会科学版),2020(02):153-160+170.

(中文校对:李阳)

Identification of “Neck-Jamming” Agricultural Machinery Technologies: An Summary

ZHANG Zongyi

(China Research Institute for Agricultural Equipment Industry Development, Jiangsu University, Zhenjiang, Jiangsu 212013)

Abstract: Agricultural machinery is the material basis for the development of modern agriculture. Under the background of the gradual weakening of the role of WTO multilateral trade rules and the frequent technical blockade, is there any “neck-jamming” technology in the field of agricultural machinery and equipment? How to identify that? After systematically combed the relevant literature, the author propose an analysis framework of “key technology identification - technology gap assessment - monopoly degree judgment ” , evaluates the “neck-jamming”technologies from three dimensions of literature and technology.

Keywords: neck-jamming; agricultural machinery; key technology identification

(英文校譯:翟世贤)

猜你喜欢

卡脖子农业机械
习近平2022年6月28日在湖北武汉考察时的讲话
农业机械设计的未来趋势探索
本期导读
本期导读
种子科技:打赢种业翻身仗 如何破解“卡脖子”难题
全省农业科技“五五”工程暨农业“卡脖子”关键技术攻关推进会在黄冈召开
卡脖子与保鲜问题
宜宾市农业机械研究所
宜宾市农业机械研究所
农业机械自动化在现代农业中的应用与发展趋势