多层网络视角下人工智能技术与传统产业融合影响机理及机会分析

doi:10.3772/j.issn.1000-0135.2025.12.007

情报学报

2025, Vol. 44

Issue (12): 1580-1595 DOI: 10.3772/j.issn.1000-0135.2025.12.007

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

多层网络视角下人工智能技术与传统产业融合影响机理及机会分析

王焘^1,2, 王嘉杰^1,2, 康乐乐^1,2

1.南京大学数据智能与交叉创新实验室，南京 210023
2.南京大学信息管理学院，南京 210023

Analysis of the Influence Mechanism and Opportunities for the Convergence of Artificial Intelligence Technology and Traditional Industries from the Perspective of Multilayer Networks

Wang Tao^1,2, Wang Jiajie^1,2, Kang Lele^1,2

1.Laboratory of Data Intelligence and Interdisciplinary Innovation, Nanjing University, Nanjing 210023
2.School of Information Management, Nanjing University, Nanjing 210023

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (3237 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要探索人工智能技术与传统产业融合影响机理及潜在融合机会，是推进现代化产业体系建设和数实经济融合发展的重要内容。本文基于深度筛选的人工智能技术与传统产业融合的目标领域有效专利数据，构建组织-技术多层网络并测量相关指标，以无人机领域为样本，利用指数随机图模型，实证探讨人工智能技术与传统产业融合的影响机理，并根据模型拟合结果的链接概率，识别与分析融合机会。研究结果表明，①人工智能技术与传统产业融合网络形成受到组织合作与技术融合的共同驱动，并且组织合作的贡献可能仅针对创新优势组织是有效的；②中介性效应对人工智能技术与传统产业融合网络的形成具有显著的负向影响；③基于指数随机图模型拟合结果的概率预测方法能够有效发现融合机会，具体包括精准农业、智慧化巡检以及特种作业3个技术主题。本文为构建人工智能技术与传统产业融合创新生态提供了参考。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	王焘
	王嘉杰
	康乐乐

关键词 ：人工智能, 传统产业, 融合创新, 组织-技术多层网络, 指数随机图模型

收稿日期: 2025-01-24

基金资助:国家社会科学基金重大项目“前沿交叉领域识别与融合创新路径预测方法研究”（23&ZD225）。

作者简介: 王焘，1998年生，博士研究生，主要研究领域为专利计量与创新发现；王嘉杰，2000年生，博士研究生，主要研究领域为科技创新、信息资源管理与网络计量；康乐乐，通信作者，1987年生，博士，教授，博士生导师，主要研究领域为创新情报、科技大数据分析，E-mail：lelekang@nju.edu.cn；

引用本文:

王焘, 王嘉杰, 康乐乐. 多层网络视角下人工智能技术与传统产业融合影响机理及机会分析[J]. 情报学报, 2025, 44(12): 1580-1595.
Wang Tao, Wang Jiajie, Kang Lele. Analysis of the Influence Mechanism and Opportunities for the Convergence of Artificial Intelligence Technology and Traditional Industries from the Perspective of Multilayer Networks. 情报学报, 2025, 44(12): 1580-1595.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2025.12.007 或 https://qbxb.istic.ac.cn/CN/Y2025/V44/I12/1580

1 臧冀原, 季桓永, 黄庆学. 数智化赋能传统产业转型升级[J]. 中国科学院院刊, 2024, 39(7): 1183-1190.
2 张昕蔚, 刘刚. 人工智能与传统产业融合创新机制研究——基于对中国智能安防产业创新网络的分析[J]. 科学学研究, 2022, 40(6): 1105-1116.
3 Hacklin F, Marxt C, Fahrni F. Coevolutionary cycles of convergence: an extrapolation from the ICT industry[J]. Technological Forecasting and Social Change, 2009, 76(6): 723-736.
4 Xi X, Ren F F, Yu L A, et al. Detecting the technology’s evolutionary pathway using HiDS-trait-driven tech mining strategy[J]. Technological Forecasting and Social Change, 2023, 195: 122777.
5 陈红, 王稳华, 刘李福, 等. 人工智能对企业成本黏性的影响研究[J]. 科研管理, 2023, 44(1): 16-25.
6 黄蕊, 徐倩, 赵意. “人工智能+”模式下我国传统产业的效率锁定与解锁——基于路径依赖理论视域[J]. 经济问题, 2020(2): 75-82.
7 Brennecke J, Rank O. The firm’s knowledge network and the transfer of advice among corporate inventors—a multilevel network study[J]. Research Policy, 2017, 46(4): 768-783.
8 王宏起, 夏凡, 王珊珊. 新兴产业技术融合方向预测: 方法及实证[J]. 科学学研究, 2020, 38(6): 1009-1017, 1075.
9 张昕蔚, 蒋长流. 数据的要素化过程及其与传统产业数字化的融合机制研究[J]. 上海经济研究, 2021, 33(3): 60-69.
10 史占中. 人工智能与传统产业的深度融合发展——以平安科技为例分析企业智能化发展模式[J]. 人民论坛·学术前沿, 2019(18): 20-27.
11 陈子凤, 靳琪琳, 贾卫峰, 等. ICT技术及产业融合测度——基于高被引专利和标准必要专利的比较研究[J]. 情报杂志, 2023, 42(9): 179-187.
12 周洪, 魏凤, 王辉. 基于高阶网络的三元技术融合过程和预测研究[J]. 情报理论与实践, 2023, 46(12): 149-156, 182.
13 刘冠麟, 赵志耘, 曾文. 一种基于图神经网络的技术融合预测方法[J]. 情报杂志, 2024, 43(12): 117-124, 185.
14 赵健宇, 董振杰, 余乐安, 等. 基于知识-合作相依网络的技术融合预测与潜在合作伙伴识别研究[J]. 系统工程理论与实践, 2025, 45(3): 996-1013.
15 张金柱, 李溢峰. 专利分类序列和文本语义表示视角下的技术融合预测研究[J]. 情报学报, 2022, 41(6): 609-624.
16 翟东升, 刘鹤, 张杰, 等. 一种基于链路预测的技术机会挖掘方法[J]. 情报学报, 2016, 35(10): 1090-1100.
17 Song B M, Suh Y. Identifying convergence fields and technologies for industrial safety: LDA-based network analysis[J]. Technological Forecasting and Social Change, 2019, 138: 115-126.
18 祝娜, 尹俊华, 翟羽佳. 一种专利共类与深度学习模型结合的技术融合预测方法研究[J]. 情报理论与实践, 2024, 47(1): 145-153.
19 余传鹏, 黎展锋, 林春培, 等. 数字创新网络嵌入对制造企业新产品开发绩效的影响研究[J]. 管理世界, 2024, 40(5): 154-176.
20 杜美玲, 张鹏, 王巍, 等. 双重网络嵌入对新颖性与影响力的作用研究[J]. 科学学与科学技术管理, 2025, 46(4): 145-164.
21 Wang T, Wang J J, Shi J, et al. Technological recombinant strategy and breakthrough innovation of team: the moderating role of science linkage[J]. Journal of Informetrics, 2025, 19(1): 101613.
22 Baruffaldi S, van Beuzekom B, Dernis H, et al. Identifying and measuring developments in artificial intelligence: making the impossible possible[EB/OL]. OECDScience, Technology and Industry Working Papers, (2020-05-01). https://doi.org/10.1787/5f65 ff7e-en.
23 刘晓燕, 庞雅如, 谢桂生. 基于组织-技术依存网络的技术融合机理[J]. 复杂系统与复杂性科学, 2024, 21(1): 58-65.
24 Zhang C W, Bu Y, Ding Y, et al. Understanding scientific collaboration: homophily, transitivity, and preferential attachment[J]. Journal of the Association for Information Science and Technology, 2018, 69(1): 72-86.
25 Robins G, Pattison P, Kalish Y, et al. An introduction to exponential random graph (p*) models for social networks[J]. Social Networks, 2007, 29(2): 173-191.
26 何喜军, 董艳波, 武玉英, 等. 基于ERGM的科技主体间专利技术交易机会实证研究[J]. 中国软科学, 2018(3): 184-192.
27 单晓红, 王春稳, 刘晓燕, 等. 开放式创新社区领先用户识别——知识基础观视角[J]. 数据分析与知识发现, 2021, 5(9): 85-96.
28 杨冠灿, 刘占麟, 李纲. 基于指数随机图模型的专利引用关系形成机制研究——以奈拉滨药物为例[J]. 图书情报工作, 2019, 63(10): 75-86.
29 Lee K, Yang J S. R&D cooperation in collaborative consumption of research equipment: an ERGM approach[J]. Social Networks, 2023, 74: 118-126.
30 戴靓, 丁子军, 曹湛, 等. 长三角地区城市协同创新网络的演化特征及其驱动力[J]. 资源科学, 2023, 45(5): 1006-1019.
31 Lai I C, Su H N. Knowledge spectrum explored: understanding source-recipient interactions and their influence on technology convergence[J]. Technovation, 2024, 133: 103000.
32 Gnyawali D R, Madhavan R. Cooperative networks and competitive dynamics: a structural embeddedness perspective[J]. The Academy of Management Review, 2001, 26(3): 431-445.
33 Poppo L, Zhou K Z, Li J J. When can you trust “trust”? Calculative trust, relational trust, and supplier performance[J]. Strategic Management Journal, 2016, 37(4): 724-741.
34 曹兴, 许羿, 赵倩可, 等. 多层网络视角下新兴技术跨界融合机理与实证研究[J]. 中国软科学, 2022(12): 102-111.
35 Wang C L, Rodan S, Fruin M, et al. Knowledge networks, collaboration networks, and exploratory innovation[J]. The Academy of Management Journal, 2014, 57(2): 484-514.
36 张振刚, 罗泰晔. 基于知识网络的技术预见研究[J]. 科学学研究, 2019, 37(6): 961-967, 985.
37 罗泰晔. 基于指数随机图模型的技术机会识别[J]. 情报学报, 2023, 42(11): 1300-1308.
38 郭建杰, 谢富纪. 基于ERGM的协同创新网络形成影响因素实证研究[J]. 管理学报, 2021, 18(1): 91-98.
39 Luan C J, Liu Z Y, Wang X W. Divergence and convergence: technology-relatedness evolution in solar energy industry[J]. Scientometrics, 2013, 97(2): 461-475.
40 Cho Y, Kim M. Entropy and gravity concepts as new methodological indexes to investigate technological convergence: patent network-based approach[J]. PLoS One, 2014, 9(6): e98009.
41 李雯轩, 李晓华. 全球数字化转型的历程、趋势及中国的推进路径[J]. 经济学家, 2022(5): 36-47.
42 段海滨, 梅宇, 赵彦杰, 等. 2023年无人机热点回眸[J]. 科技导报, 2024, 42(1): 217-231.
43 林春培, 朱晓艳, 余传鹏, 等. 跨界团队网络特征对其颠覆性创新绩效的影响研究[J]. 情报学报, 2024, 43(4): 391-404.
44 曹霞, 张鑫. 社会资本对战略性新兴产业协同创新网络的影响研究[J]. 科研管理, 2024, 45(10): 34-44.
45 Song J, Almeida P, Wu G. Learning-by-hiring: when is mobility more likely to facilitate interfirm knowledge transfer?[J]. Management Science, 2003, 49(4): 351-365.
46 王靖宇, 刘长翠, 张宏亮. 产学研合作与企业创新质量——内部吸收能力与外部行业特征的调节作用[J]. 管理评论, 2023, 35(2): 147-155.
47 赵春江. 智慧农业的发展现状与未来展望[J]. 华南农业大学学报, 2021, 42(6): 1-7.
48 项昌乐, 徐彬, 唐寿星, 等. 特种无人机创新应用与关键技术发展研究[J]. 中国工程科学, 2025, 27(2): 62-72.