知识转移及其分析方法研究

发布时间：2020-05-25 03:25

【摘要】：从20世纪90年代开始,随着知识经济的兴起,国际上对于国家创新系统中知识转移的研究得到越来越多的重视。希望通过知识转移的研究,分析制约国家创新系统中各创新主体之间的联系,提出改进和提高国家创新系统绩效的措施和途径。技术创新与知识创新是知识经济时代推动经济发展的主要动力。基础研究是国家创新能力平台的重要内容。在知识经济社会里,以科学为基础的专利(science-based patent)在批准专利中所占比例持续增加,而且以科学为基础的专利的质量明显高于非科学基础的专利的质量[1][2]。基础研究是生产科学知识的重要来源,分析和研究基础研究与专利(特别是与发明专利)的知识转移理论,对于提高专利的科技含量,整合国家创新系统中的知识流,提高国家创新系统的绩效具有重要的意义。基础研究和应用技术的发展作为促进科技创新活动、推动经济发展的要素,两者之间的联系以及对经济发展、社会进步的影响一直是众多学者致力研究的问题。基础研究或公共支持的研究如何对科技创新、经济发展和社会进步发挥作用?它产生的效益有多大?这些效益或影响如何评价和测度?这些问题既是研究的重点,同时也是尚未完全解决亟待完善的难点。因此,本文的研究目的在于从国家创新系统的视角,建立分析基础研究与技术创新之间知识流动和关联的评估指标与测度方法,从而对国家创新系统的创新绩效进行分析,并提出改进的政策建议。本文重点研究了国家创新系统中知识转移的基本理论,在系统总结国外有关基础研究与发明专利之间知识转移机制与测度研究经验的基础上,建立我国基础研究与发明专利之间知识转移理论的分析框架;探索将数据挖掘的有关方法和模式移植到专利引文分析,初步构建了应用数据挖掘技术研究国家创新系统中知识转移的基本方法和指标体系,为定量测度基础研究与专利之间的知识转移机制提供了可能,选取了典型案例领域并进行了初步的验证,较全面地分析了目前制约我国基础研究知识转移的若干问题,提出了加强我国基础研究知识创新与技术创新密切结合的政策建议。
【图文】：

形象描述,知识发现,数据挖掘

图 1-5 知识发现（或数据挖掘）定义的形象描述下面我们对这两个定义作详细的解释：数据：数据是指一个有关事实 F 的集合（如学生档案数据库中有关学生基本情况的各条纪录），它是用来描述事务有关方面的信息，一般来说这些数据都是准确无误的。模式：对于集合 F 中的数据，我们可以用语言 L 来描述其中数据的特性。E 所描述的数据是集合 F 的一个子集EF 。只有当表达式 E 比列举所有EF 种元素的描述方法更为简单时，我们才可称之为模式。处理过程：KDD 是一个多步骤的处理过程，包括数据预处理、模式提取、知识评估及过程优化。我们说这个过程是非凡所得，主要是指这个处理过程的大部分阶段是系统自动进行的而无需人工干涉。可信：通过 KDD 从当前数据所发现的模式必须有一定的正确程度，否则KDD 就毫无作用。可以通过新增数据来检验模式的正确性，我们用 c 表示模式

形象描述,聚类

聚类是把一组个体按照相似性归成若干类别，即“物以类聚”（见图 1-6）。它的目的是使得属于同一类别的个体之间的距离尽可能的小，而不同类别上的个体间的距离尽可能的大。与分类不同（见后面的预测型数据挖掘），在开始聚集之前你不知道要把数据分成几组，也不知道怎么分（依照哪几个变量）。聚类最常见的例子是，比如保险公司想知道购买保险的客户一般具有哪些特征；医学研究人员希望从已有的成千上万份病历中找出患某种疾病的病人的共同特征，从而为治愈这种疾病提供一些帮助。聚类方法包括统计方法、机器学习方法、神经网络方法和面向数据库的方法。在统计方法中，聚类称聚类分析，它是多元数据分析的三大方法之一（其它两种是回归分析和判别分析）。它主要研究基于几何距离的聚类，如欧式距离、明考斯基距离等。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。这种聚类方法是一种基于全局比较的聚类，，它需要考察所有的个体才能决定类的划分；因此它要求
【学位授予单位】：天津大学
【学位级别】：博士
【学位授予年份】：2004
【分类号】：G302

【引证文献】