HI,欢迎来到芯鱼书刊网!

人工智能赋能科技管理变革的新趋向

作者简介:李昱1,赵静宜1,左家平2?1.北京市科学技术研究院,2.北京智谱华章科技有限公司;发表于《科技智囊》期刊

 

  摘要:当前,大数据、人工智能等新一代信息技术的蓬勃发展为科研信息化进程带来了新的机遇和挑战,数字化正驱动科研管理理念、管理制度、管理流程等管理模式发生变革。文章在明确科技管理现有范式的基础上,分析展望了人工智能背景下科技管理变革的前景,以期为科技管理部门充分利用人工智能发展机遇、解决科技管理问题提供参考。

 

  关键词: 人工智能;科技管理;应用展望;

 

  基金资助: 科技部创新方法工作专项“创新方法在科技成果转移转化中的应用和示范”(项目编号:2019IM040100)研究成果;

 

  DOI: 10.19881/j.cnki.1006-3676.2022.04.07

 

  新一轮的科技革命和产业变革正在重构世界创新版图,重塑新的科学研究范式。当前大数据、人工智能等新一代信息技术的蓬勃发展为科技管理带来了机遇和挑战,以数据密集型科学作为科学研究的“第四范式”,使科学研究进入知识发现与知识应用密切相关的智能化探索阶段,不断驱动科研管理理念、管理制度、管理流程等管理模式的变革[1-2],而基于大数据分析、数据挖掘等技术,产业发展也正面临新的变革,逐步向数字化、智能化方向发展[3]。

 

  2017年7月,国务院发布的《新一代人工智能发展规划》提出,要推进社会治理智能化,在智能政务领域“开发适于政府服务与决策的人工智能平台,研制面向开放环境的决策引擎,在复杂社会问题研判、政策评估、风险预警、应急处置等重大战略决策方面推广应用”的主要任务。[4]2019年10月,党的十九届四中全会提出全面推进国家治理体系和治理能力现代化,同时指出,要“建立健全运用互联网、大数据、人工智能等技术手段进行行政管理的制度规则”。[5]充分运用人工智能等现代信息技术手段提升科技治理能力,既是国家治理现代化的重要内容,也是数字时代推进国家治理现代化的关键驱动力。基于此,笔者在明确科技管理现有范式的基础上,展望人工智能背景下科技管理变革的前景,为科技管理部门充分利用人工智能发展机遇、解决科技管理问题提供参考。

 

  一、科技管理的现有范式

 

  科技管理是运用管理科学对科技活动所涉及的人、财、物、信息等进行优化整合与配置的管理行为,科技管理主要包括科技战略规划、科技政策制定、科技资源配置、科技项目管理、科技组织机构管理、科技人才管理、科技合作交流、科技管理环境建设等方面。科技管理体制是科技创新体制机制的重要组成部分,服务于国家创新体系建设。

 

  (一)科技管理顶层设计

 

  科技资源的公共物品属性使得在科技资源管理中政府处于主导地位,政府主导相关政策制定、科技立法、科技规划编制等。国家层面主要以国家战略性需求为导向,围绕创新链从国家重点研发计划、重大专项、重大科技平台建设等方面进行部署,形成了统一领导、需求对接、资源共享的重大科技协同攻关组织方式[6],初步构建了关键核心技术攻关的新型举国体制;地方政府以科技项目为抓手,强化基础研究和应用,加快推进创新链、资金链、产业链融合,形成了较为开放的技术创新管理体系。在科技创新投入方面,基本形成了政府、社会、创新主体等共同参与的局面,科技创新的投入主体呈现多元化特点。

 

  (二)科技资源配置

 

  科技资源配置涉及机构、政策、人才、资金、项目等要素投入,以及创新任务目标制定、成果转化应用、信息共享等多个环节。在我国现有科技管理体制中,科技资源配置纵向垂直、相对集中,相关政策法规强调自上而下贯彻实施;横向上科技资源配置涉及科技、教育、工业、卫生、能源、农业等部门,各自有相应的运行管理体系。国家和地方政府的科技投入以科技计划形式为主,以科技计划项目管理为中心,运用竞争、择优、定向等分配方法将科技资源在创新主体、领域、地区之间进行分配,基本形成了“基础研究—应用研究—产品开发”的线性科研管理模式和既定范式。科技合作的邻近效益明显,处于同一地区、具有相似经营范围或研究方向的机构之间合作更密切[7],经济发展水平邻近的区域具有更强的吸附和辐射效果,邻近区域间科技合作更加频繁[8]。

 

  (三)科技管理环境

 

  随着政府服务职能转变的不断推进,政府的科技管理逐步向宏观管理和统筹协调倾斜,侧重于事中事后监管和科研诚信体系建设。其结果是,一方面,科技管理注重制度化、规范化,各地科技计划项目管理的各项制度日益完善,形成了覆盖立项、过程管理、绩效评价、监督检查等方面的制度体系;另一方面,科研信息化成为科技管理的主要工具,科技管理部门建设了科技项目库、评审专家库、科技成果库、科技报告等各类数据库,数字化、信息化基本贯穿科技项目管理全过程。目前,国家层面建设了20个科技资源共享平台,科技数据基础设施日益完善,通过各类信息系统积累了大量科研人员、项目、成果等各类结构化和非结构化的科技管理数据资源,并通过制度创新逐步推进科技数据开放共享,促进更大范围的科技合作。

 

  (四)科技决策支撑

 

  科技决策对专业知识的依赖性极强,需要熟悉科技发展趋势、懂得科技规律的科学家提供咨询,这使得科学家、科技智库成为科技决策过程的主要参与者,并在科技公共决策中扮演重要角色。在制度上,2017年2月,中央全面深化改革领导小组第三十二次会议审议通过了《国家科技决策咨询制度建设方案》,标志着国家科技决策咨询制度建设进入了新阶段。2018年,科学技术部组建国家科技咨询委员会,围绕科技创新发展面临的重点难点问题,瞄准世界科技前沿,从全球视角为重大科技决策提供咨询建议。在日常决策中,政府部门通常采用定向委托、公开招标等方式,委托科技智库、科研机构等开展课题研究、科技咨询、政策咨询、规划设计等决策咨询服务,科技智库、科学家等参与决策的过程不断公开化、规范化。大量政府决策逐步面向社会公众广泛征求意见,初步建立了社会公众参与决策的机制,参与科技决策的主体更加多元化。此外,科技智库和专家的深度参与,使得国家在科学技术的发展战略、前沿动态、专利的预测与分析、科研竞争力与科技实力评测等领域积累了大量的分析模型与技术,进一步保障了决策的科学性、有效性。

 

  进入新发展阶段,科技管理仍然存在一些问题,主要表现在:科技计划项目谋划与组织以线性思路为主,围绕研发链条开展科技管理[9],对科技创新的复杂性及多学科交叉融合的新趋势适应性有待提高。此外,随着科技资源的流动加快,区域创新协作不断增强,跨区域产学研合作协同网络正逐步建立,还需提高科技管理对科技资源跨区域配置的适应性。[10]在科技信息、数据要素管理上,政府管理部门以行政方式单向收集科研主体的相关数据,政府和科研主体及科研人员信息交互不全面,科技数据动态主动管理的体系尚未建立。[11]同时,科技信息化及数据密集型科研范式下产生的科技数据分散在不同数据库,数据类型多源异构,存在一定程度的“信息孤岛”和“信息烟囱”现象,距离科学数据资产化尚有较大距离。最后,科技项目管理虽然已经部分采用了信息化的方式,但还处于信息化技术使用的低级阶段,项目管理的透明度和管理效率仍然不高,科技管理支撑科技决策的能力有待进一步加强。[12]

 

  二、人工智能促进科技管理变革的机遇

 

  当前,以数据密集型科学作为科学研究的“第四范式”正在不断驱动科研管理理念、管理制度、管理流程、数据服务等管理模式的变革,科学研究进入知识发现与知识应用密切关联的智能化探索阶段[1],这也意味着人工智能将为科技管理带来新的发展机遇。

 

  (一)数据检索与知识表示

 

  在数据的来源方面,人工智能可在数据来源极大扩充的情况下完成复杂的数据检索与知识表示。随着科技、经济、社会等各领域数据的总量呈现爆炸式的增长,利用深度学习等人工智能技术一方面能够克服数据来源单一的障碍,自动从宏观、中观、微观等多个层面、多种渠道获得并实时存储海量信息数据。另一方面,人工智能可充分打破机构之间的壁垒,将分散、闲置、易逝的科技资源数据进行整合集成[13],围绕各类科学研究的问题,构建集实验数据、观测数据、调查数据、仿真数据、参考和规范数据、计算数据、专题数据等多种类型为一体的科技管理的知识库[14]。例如,上海的科技创新资源数据中心,在采集汇聚科技资源和服务大数据的基础上,提供科技数据的加工、挖掘、分析、传播、共享开放等服务,形成面向科学研究与创新、科技决策、科技服务业的支撑数据密集型科技管理新范式的科学技术综合体。[15]

 

  在数据的表现形式方面,当前人工智能已经可以提供数据采集、汇聚、标注等方面的相关服务。未来,人工智能将进一步围绕特定问题和学科领域,基于开放知识网络构建更加自动化的、具有前瞻性的及融合宏观、中观、微观数据为一体的科研管理知识库,从而突破科技主管部门长期按照统一规范标准对业务型科学数据进行单向采集和存储的管理模式,将以往的“被动管理”转变为“主动服务”[16],运用数字化技术,全面聚焦各类科技计划项目在研究全流程中产生的及为支持科学研究而通过观测、监测、试验等站点采集的研究型科学数据,以数字、文本、音频、视频或静态图像等多种形式保存下来,实现对海量科研数据的动态管理和实时更新,为科技创新提供数据支撑与服务[7,17]。

 

  (二)数据挖掘与分析展示

 

  科技管理部门的数据涵盖了图像、文本、语音、视频等不同载体的数据,涉及科技论文、专利、行业资讯、科技情报、科研项目经费等各类管理信息。人工智能可以更加快速、准确地发现管理数据背后不同类型、节点、关系的差异,深度挖掘异构数据背后的隐含关系,建立深层次联系,集成不同模态的数据。同时,利用数据挖掘和社会网络分析技术,可以从海量数据中获取信息并进行语义抽取和隐含关联关系挖掘,构建科研创新主体的多维画像,精准刻画和展示学术成果和关系网络,进而为科技创新提供更加全面、精细化的数据资源支撑服务。

 

  1.深度挖掘数据,将有用的数据进行抽取归类

 

  未来,可基于自然语言处理和机器学习技术,为不同科技创新主体提供构建通用知识图谱或科技领域知识图谱的算法工具集,构建知识抽取、知识融合、表示学习、知识可视化以及平台化、智能化等的创新服务平台。运用实体消歧等智能技术,还能对概念、实体、关系等进行自动化的关键词提取,从海量、异构文本资源数据中抽取科技管理相关的结构化和语义化数据,形成完备而丰富的领域知识图谱,从而服务于科技数据管理。

 

  2.通过建立网络,发现异构数据之间的关联关系

 

  利用人工智能技术,能够极大提升政府整体数据分析能力,为有效处理复杂社会问题提供新的手段。具体来说,人工智能可以克服人脑处理过分庞杂数据信息时的滞后、混乱等信息处理障碍[18],通过神经网络、知识图谱等技术,自动厘清决策问题的逻辑结构,充分展现数据之间的内部关系和外部影响,对各种不确定的信息做出迅速反应。同时,依靠人工智能对庞大数据量的高速计算,可揭示以往定量分析、文献研究、政策分析等传统技术手段难以展现的关联关系,构建深度挖掘和处理数据的算法模型,充分展现时间序列、不同领域政策数据等的数据关联,揭示与科技创新、科技政策相关的经济社会内涵,从而帮助科技管理决策者掌握系统运行状态和环境的变化,对系统演变趋势做出预判,形成数据驱动下的科技管理范式。

 

  搭建科技情报大数据挖掘与服务平台,其应用场景可包括3种:(1)辅助科技资金配置。利用人工智能技术,基于设定的领域、地区和关键词,对特定区域特定领域的技术热点构建评估模型、态势分析模型和趋势预测模型,根据预测结果,构建该地区重点关注领域的研发资金投向分析模型,辅助科技决策。(2)辅助科研项目立项筛选。利用机器学习、主题聚类、语义分析等自然语言处理技术,对项目申报书的研究内容进行文本抽取,同数据库中的内容进行语义及相似性分析并自动生成查重报告,提高项目立项的精准性。(3)辅助科技评价。改变原有将量化成果、头衔等作为主要科技评价依据和考核指标的现象,提供研究者语义信息抽取、面向话题的专家搜索、研究者社会网络关系识别、即时社会关系图搜索、研究者能力图谱、审稿人推荐等众多功能,利用数据挖掘、关键词匹配、智能推荐等技术发掘相关的研究者和合作者,建立基于网络的多元化评价模式。[19]同时,利用语义分析、专家标注、实体聚合等手段,可同步建立基于人工智能技术的辅助指派系统,基于专家信息、项目申报书以及学科分类、关键词等信息,经过语义分析和智能匹配后,为科研项目申请书遴选出最合适的评审专家,避免人工遴选专家带来的潜在风险,确保科技项目评审的公平公正。

 

  3.对科研数据进行多维动态化、可视化展示

 

  借助海量数据挖掘和人工智能深度学习技术与相应的展示工具,进一步提升科研数据管理的应用效果。一是建立科技专家、机构、人才等科研创新主体的多维画像。通过对科研项目申请书、评议人的多维特征及科研行为等信息的智能化提取分析和高效融合,可以构建基于成果合作关系和角色社会关系的社会关系网络,对科研创新主体进行更加准确的定义描述,并引入标签度量计算和画像可信度量打分机制[20],为项目评审、人才评价、机构评估等提供重要的客观数据参考依据。二是建立“领导驾驶舱”,利用大数据分析和可视化技术,实时监测和汇聚分析科技经费预算执行、科技专家、科研项目执行、重点领域的科研进展等相关数据,实现对科技动态和资源配置的全景式跟踪[21],并以图表等形式多维度展示各类科技风险评估与分析结果,为领导提供科技领域运行监测的“一站式”决策支持。

 

  (三)趋势预测与决策辅助

 

  基于大数据、深度学习、自然语言处理等技术,人工智能能够辅助科研管理部门建立科技决策智能化分析平台,借助其计算和分析能力为科技创新提供更加全面的信息资源支持,进一步打破产学研合作中人、财、物、信息等资源之间的边界壁垒,自动形成更加精准科学的决策方案[22],提升科技决策质量,为重大突发事件下应急决策提供有力的支撑[23]。

 

  1.开展监测分析与发展态势预测,支撑科技决策

 

  人工智能可以克服传统管理中对专家知识依赖性较强和应急条件下科技决策的时效性差等问题,打破由数据处理和分析工具造成的限制,利用大数据、人工智能自然语言处理、知识图谱等技术手段,对特定地区、关键领域、行业技术发展态势及趋势进行监测分析,将风险事件数字化、模型化,挖掘数据背后的潜在趋势和一般规律,提高技术预测和风险事件研判的科学性和精准性。

 

  许多国家政府和官方科研机构在长期跟踪科技前沿情报,引入人工智能和深度学习帮助其进行趋势预测。各国利用文献计量、模型分析、创新预测等方法,对世界科技领域的重点发展方向进行预测,积极从产业经济发展和改革的角度进行创新性研究和战略分析,为智能手机、新能源汽车等新兴高科技产业,提供产业发展战略和政策建议。例如,日本科技与技术政策研究所(NISTEP)开发了政策制定智能辅助系统(SPIAS),联合文部科学省(MEXT)、国立科学技术政策研究所(NISTEP)、日本政策研究大学院大学(GRIPS)、日本科学技术振兴机构(JST),尝试使用大数据和语义技术协助政府处理科技研究成果、影响、资金、研发组织和研究项目的数据[24],研究分析科技对社会的经济影响。比利时建立了深入分析科技趋势和制定科技创新统计指标的佛兰德研究信息空间(FRIS)。美国谷歌公司开发了谷歌趋势(Googletrends)模型,利用机器学习技术对未来经济增长、就业、商业周期等进行长期预测。[25]西班牙政府广泛使用自然语言处理技术处理和分析大量文本信息,帮助决策者利用研究结果来监测和评估公共科研项目,并制定科学和创新政策举措。中国科学技术信息研究所构建了立体的数据平台,对多层面的科技创新情况、创新要素分布和流动进行基于人工智能的自动化分析,支撑区域科技创新管理与决策。[26]利用知识图谱、深度学习等技术,可以构建基于海量科研数据、文献数据、产业数据等的科技创新图谱,从多个维度分析学科领域发展规律、产业领域合作网络、科技投入与科技产出的关系,展示科技投入效果与效率,进一步为政府科技规划和布局决策提供客观、科学的依据。[27]同时,利用人工智能数据平台,还可以及时发现发展短板,为政府制定科技战略、科研机构及企业确定技术研发重点、研究人员寻找创新突破点提供决策依据。

 

  2.赋能科技管理服务职能转变,提供个性化、定制化的服务

 

  目前,科研人员的研究方向愈发精细和专业化,科研数据正在朝着综合化、学科多样化的方向发展,人工智能可以辅助科研管理者根据科研人员的特点和方向提供相应的智能化服务。例如,上海科技创新资源数据中心依托平台强大的数据资源和专家资源,在服务企业方面,满足其提供技术服务、市场服务、政策服务、组织服务等的需求,帮助企业跟踪行业竞争态势,预判潜在合作者和竞争者,为企业提升自主创新能力、降低创新成本等提供服务。在服务科研创新主体方面,利用人工智能技术,挖掘分析各类用户的需求和偏好,根据科研创新主体的搜索内容及时发现其研究兴趣、领域方向及主要观点,为用户提供定制化、个性化的推送服务。

 

  三、人工智能助推科技管理变革的趋向

 

  随着全球新一轮科技革命和产业变革的推进,科技创新活动的边界被拓宽、主体更加多元化、形态更加多样,人工智能对现有科技管理方式产生了多方面的影响。

 

  (一)为科技创新治理体系转型和治理能力现代化提供条件

 

  首先,人工智能技术的应用将直接改变政府单一配置科技资源的管理模式,更有助于形成多元创新主体参与的科技创新治理体系。从创新治理的对象看,在人工智能的影响下,过去线性的创新逻辑被进一步打破,科技创新活动日益社会化、网络化,多层次、多环节、多种创新主体、创新要素交错的演进已经成为现实,多学科交叉、跨组织协同,无论是科学研究、技术研发还是商业模式创新的模式和机制都在发生错综复杂的跨界融合。而创新活动的变化显然使得创新治理也在同步发展,科技管理模式正在由单向走向多向,从“中心化”走向“去中心化”。在这种情况下,人工智能时代的科技管理将会彻底打破传统学科之间的界限,超越以往分门别类的研究方式,从而能够集中多学科力量共同对问题进行整合性研究,这是由科技创新活动自身特点的变化决定的。

 

  立足科技管理的视域,人工智能的相关技术将帮助科技创新治理体系转型,全面提升政府创新治理的能力和水平。简而言之,人工智能技术应用将直接带来三大变化。一是能够突破单向度的科技管理组织体系,依托人工智能实现科技管理跨层级、跨地域、跨系统、跨部门、跨业务的信任和协同合作,为打破政府部门间行政数据壁垒,实现数据资源流转通畅提供技术建构的新机遇。二是能够加速推进政府职能转变,进一步提高信息数据的透明度,实现更加及时和便捷的信息公开。在创新要素加速跨区域流动、产学研多类型主体协同创新持续推进的背景下,政府通过不断升级采集分析和处理程序,完善科研管理信息系统,利用人工智能共享海量数据资源、进行精准推动,从而减少科研项目管理、科技政策评估中长期存在的利益相关方信息不对称的问题。[28]三是能够利用“人工智能+政务”,突破主观化、经验式、随意性、非定量等传统决策模式,构建“用数据说话、用数据决策、用数据管理、用数据创新”的治理氛围。

 

  (二)提升企业管理效率,加速多元创新主体的协调联动

 

  针对个体企业的微观层面,人工智能能不断加速企业内部的科技管理创新,提升管理效率。众多“数字化+”模式的新经济不断涌现,截至2021年3月,在全球范围内打通端到端价值链的“灯塔工厂”已增加至69家,以人工智能、深度学习为代表的信息技术已经延伸到了大部分传统产业中。“灯塔工厂”突破了生产端的局限,通过在生产终端应用人工智能,可以将数字化转型拓展到整个生产网络,从而构建覆盖全价值链的数字化生产、运营和服务体系,最终实现从供应商到客户的全流程创新。为了帮助企业内部管理创新进而加快整个经济体系的数字化迭代,应当打破传统科技创新模式和管理流程,改变企业创新的思维方式及规则,促进企业的整个生产体系实现更高水平的自动化和流程化。在具体影响方面,企业在业务管理中可以利用人工智能技术、数字技术等驱动研发、设计、制造与运行维护的模式转变,改变生产运营的流程,快速挖掘和分析客户的需求偏好[29]、智能可视化分析等功能,不断改进产品设计,减少人为错误,优化服务管理,提升企业生产率和内部的管理效率[30]。

 

  在智能化数字化管理的同时,人工智能技术作为一种数字技术正深度嵌入企业创新过程,从根本上重塑企业技术创新模式,推进产业链协同创新。[31]在新科技革命背景下,创新系统的构成主体从以往的单一企业、产业集群,转变为企业、研发机构、高校、政府、中介机构等组织多元互动,甚至用户也参与到创新之中,这就意味着创新体系中的成员正在不断增加,要更加强调开放式创新和多元创新主体的协调联动,创新的协作和互动方式在新技术加持下得到增强。[32]在人工智能技术的驱动下,产学研合作中人、财、物、信息等资源之间的边界壁垒被打破,原本各节点之间线性的信息传递可能变成如区块链状的网格式传递和共享,各组织同外部科技创新主体的知识联系与资源交换将变得更加及时,在创新投入、产出、商业化过程中的边界渗透也会更加频繁。从总体上看,人工智能理念和技术的应用,将进一步推动创新主体间的良性合作,进而形成连接产业链上下游及用户群体的新型创新生态,因而也就在企业层面的科技管理体系中形成前所未有的开放氛围。

 

  (三)完善科技伦理治理机制,营造良好的创新生态

 

  在经济全球化、信息化浪潮的影响和推动下,技术复杂性、创新风险性、市场不确定性愈发增强,创新主体间的伙伴关系更加受到关注,而过去单纯的科技创新监管政策也需要进行调整以应对复杂风险。面对科技创新开放、协作的新常态,创新治理的对象更复杂,需要应对的行为更难以预测,对新的科技管理方式提出了新的挑战。[33]适应数据密集型科研范式转型,构建基于网络化协作的科技管理和决策支撑体系,从而营造更加完备的科技治理环境,这是未来科技管理的重要发展方向。

 

  大数据、人工智能等新兴技术驱动的数字化转型,带来了科研范式和科研组织的深刻变革。在通过各种数据采集和智能分析为科技管理带来便利的同时,人工智能时代高度分散式的科技管理方式也对政府界定科研数据权属、规范科研数据的使用和共享、保护数据隐私和安全、布局数字化基础设施、实现有效监管等提出了全新的挑战。因此,公共部门必须提前做好应对,加快构建健全的科学数据全生命周期管理政策体系,建立和完善科学数据采集汇交与保存、共享利用、保密与安全、激励和评估监测等相关机制。另外,政府要不断完善科技风险评估和监管手段,针对伦理审查、伦理教育、伦理传播、违规行为处理等具体问题,持续性地完善科技伦理治理机制[34],这是人工智能技术为科技管理带来助力的“硬币的另一面”。

 

  参考文献:

 

  [1]OECD. The Digitalisation of Science,Technology and Innovation:Key Developments and Policies[EB/OL].(2020-02-11)[2021-08-08].https://doi.org/10.1787/b9e4a2c0-en.

 

  [2]From the Digital Data Revolution toward a Digital Society: Pervasiveness of Artificial Intelligence[J] . EmmertStreib Frank.  Machine Learning and Knowledge Extraction . 2021 (1)

 

  [3]谢卫红,陈军,陈扬森.大数据的趋势性认证与挖掘——基于SNA与共词的反事实研究[J].软科学,2018(07):127-132.

 

  [4]国务院.新一代人工智能发展规划[R/OL].(2017-07-08)[2021-08-10].http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

 

  [5]中共中央关于坚持和完善中国特色社会主义制度推进国家治理体系和治理能力现代化若干重大问题的决定[EB/OL].(2019-11-5)[2021-08-07].http://www.gov.cn/zhengce/2019-11/05/content_5449023.htm.

 

  [6]刘戒骄,方莹莹,王文娜.科技创新新型举国体制:实践逻辑与关键要义[J].北京工业大学学报(社会科学版),2021(05):89-101.

 

  [7]吴翌琳,吴洁琼.中国科技创新合作网络研究[J].统计研究,2017(05):94-101.

 

  [8]刘蔚,陈白雪,陈晓文,等.科技计划项目实施中的区域合作网络分析——以国家重点研发计划“纳米科技”重点专项为例[J].科技管理研究,2019(21):67-73.

 

  [9]智强,杨英.中美国家科技决策体系:国家、部委和项目层面的比较研究[J].科技进步与对策,2016(15):83-89.

 

  [10]李梅,孙艳艳,胡嫣然,等.基于协同视角的京津冀科技资源优化配置机制构建[J].科技管理研究,2021(04):83-88.

 

  [11]罗瑞丽,王元卓.基于大数据的主动科研管理模式与优化决策机制[J].大数据,2019(05):16-24.

 

  [12]Addressing the Challenges of Government Service Provision with AI[J] . Yongqing Zheng,Han Yu,Lizhen Cui,Chunyan Miao,Cyril Leung,Yang Liu,Qiang Yang.  AI Magazine . 2020 (1)

 

  [13]王宏起,李力,李玥.区域科技资源共享平台集成服务流程与管理研究[J].情报理论与实践,2014(08):69-73.

 

  [14]吴彬.生态科学数据元数据及其标准研究[J].中南林业科技大学学报,2010(12):75-79.

 

  [15]王勰祎,孟溦.科技数据类新型研发机构运行特征与绩效评估研究——以上海科技创新资源数据中心为例[J].科技管理研究,2021(05):21-28.

 

  [16]罗瑞丽,王元卓.基于大数据的主动科研管理模式与优化决策机制[J].大数据,2019(05):16-24.

 

  [17]王卷乐,祝学衍,石蕾,等.国际研究数据联盟及对我国科学数据共享的启示[J].中国科技资源导刊,2014(02):15-20

 

  [18]HaefnerN,WincentJ,ParidaV,etal.ArtificialIntelligenceandInnovationmanagement:Areview,Framework,andResearchAgenda[J].TechnologicalForecastingandSocialChange,2021(162):1-10.

 

  [19]唐杰,李涓子,高博,等.研究者社会网络搜索与挖掘系统(ArnetMiner)[Z].北京:清华大学,2006.01—2012.12.

 

  [20]袁莎,唐杰,顾晓韬.开放互联网中的学者画像技术综述[J].计算机研究与发展,2018(09):1903-1919.

 

  [21]陈凯华,冯泽,孙茜.创新大数据、创新治理效能和数字化转型[J].研究与发展管理,2020(06):1-12.

 

  [22]Barykin S Y,Kapustina I V,Kirillova T V,et al. Economics of Digital Ecosystems[J].Journal of Open Innovation Technology Market and Complexity,2020(04):124.

 

  [23]颜佳华,王张华.人工智能与公共管理者角色的重新定位[J].北京大学学报(哲学社会科学版),2019(06):76-82.

 

  [24]SciREX Center. SPIAS:SciREX 政策形成インテリジェント支援システム[EB/OL].(2021-08-09)[2022-02-19].https://scirex.grips.ac.jp/data/spiasscirex-scirex-policymaking-intelligent-assistance-system.html.

 

       [25]Woloszko N. Tracking Activity in Real Time with Google Trends[J].OECD Economics Department Working Papers,2020(1634):6-7.

 

  [26]赵志耘,张均胜,姚长青,等.面向管理与决策的中国科技创新图谱研究[J].情报学报,2018(08):774-781.

 

  [27]吴静,张凤,刘峰,等.基于新一代信息技术支撑智能化宏观决策的方法与实践[J].数据与计算发展前沿,2021(02):4-15.

 

  [28]刘小春,李婵.人工智能对国家创新体系建设:促进作用、负效应及规避[J].科学管理研究,2020(02):29-34.

 

  [29]陈劲,李佳雪.数字科技下的创新范式[J].信息与管理研究,2020(Z1):1-9.

 

  [30]Artificial Intelligence in Business: From Research and Innovation to Market Deployment[J] . Neha Soni,Enakshi Khular Sharma,Narotam Singh,Amita Kapoor.  Procedia Computer Science . 2020 (C).

 

  [31]Philip Hutchinson. Reinventing Innovation Management:The Impact of Self-Innovating Artificial Intelligence[J].IEEE Transactions on Engineering Management,2021(02):628-639.

 

  [32]Business Innovation based on artificial intelligence and Blockchain technology[J] . Wang Zeyu,Li Mingyu,Lu Jia,Cheng Xin.  Information Processing and Management . 2022 (1)

 

  [33]王峥,龚轶.创新共同体:概念、框架与模式[J].科学学研究,2018(01):140-148,175.

 

  [34]陈健,陈志.高度重视人工智能对科技管理的挑战[J].科技中国,2019(01):35-37.

 

顶部