MS | 使用网络算法识别创新的颠覆性与否
颠覆式创新是一个很火的概念，在创新创业、科学学等研究中，每个专利、论文的正文中都会引用关系，而引用关系会构成一个引用网络。
那么创新如何从网络形态进行区分，如何计算网络节点的创新程度，本文列举两篇与此相关的论文，分别是 Management science 和 Science 。
文献摘要
Funk, Russell J., and Jason Owen-Smith. "A dynamic network measure of technological change." Management science 63, no. 3 (2017): 791-817.
该文使用网络分析方法研究技术变革，论文认为 颠覆性的新发明，通过将发明者的注意力转移到或远离这些发明所依赖的知识，来重塑相互关联的技术网络。即更广的视野或更久远的视角，往往有利于颠覆性创新的产生。基于该思路，本文开发了新发明的颠覆性与否的计算指标cdindex。我们将这些指标应用于大学研究商业化的分析，并发现 联邦研究资金推动校园产生颠覆性创新，而商业联系会有利于巩固现状的创新。通过量化新技术，我们提出的指数允许基于专利的创新研究捕捉概念上重要的现象， 这些现象无法通过既定措施检测到。该测量方法提供了支持创新、创业、技术战略、科学政策和社会网络理论研究的理论发展的经验见解。
Wu, Lingfei, Dashun Wang, and James A. Evans. "Large teams develop and small teams disrupt science and technology." Nature 566, no. 7744 (2019): 378-382.
当今科学和技术最普遍的趋势之一是各个领域的大型团队的增长，因为孤独的研究人员和小型团队的流行程度正在减少 。团队规模的增加归因于科学活动的专业化、通信技术的改进 或需要跨学科解决方案的现代问题的复杂性。团队规模的这种转变引发了一个问题，即大团队所产生的科技特征是否以及如何不同于小团队。分析了 1954-2014 年期间超过 6500 万篇论文、专利和软件产品，证明在此期间，较小的团队倾向于将拉长到更大的时间尺度，借鉴过去，用新的想法和机会来颠覆科学和技术；而较大的团队倾向于聚焦于当前流行的，完善当前现有的。不论团队大小，均对于蓬勃发展的科学技术生态至关重要，并表明，为实现这一目标，科学政策应旨在支持团队规模的多样性。
算法对比
我没阅读两篇论文，仅就颠覆性与否的计算方法和图例，感觉算法实现差不多。
第一幅图为2017年Management Science的插图
第二幅图为2019年Nature的插图
代码数据
下面分别为Management2017和Nature2019的主页，均含数据和代码。
http://russellfunk.org/cdindex/ https://lingfeiwu.github.io/smallTeams/
算法实现
按照时间优先原则，本文就只分享Management2017论文作者Funk, Russell开源了cdindex库 (开发语言C和Python) ，安装
pip3 install cdindex
将Management2017 cdindex算法图 标注为如下图， 下图中左右两个网络节点是相同的，只需构造一套节点，两套边数据即可完成实验。
我们就直接上代码
import cdindex
import datetime
#节点，理解为专利号或者论文doi号；同时节点有先后时间属性
vertices = [{"name": "x1", "time": datetime.datetime(1990, 1, 1)},
{"name": "x2", "time": datetime.datetime(1990, 1, 1)},
{"name": "x3", "time": datetime.datetime(1990, 1, 1)},
{"name": "x4", "time": datetime.datetime(1990, 1, 1)},
{"name": "y", "time": datetime.datetime(1991, 1, 1)},
{"name": "z1", "time": datetime.datetime(1995, 1, 1)},
{"name": "z2", "time": datetime.datetime(1995, 1, 1)},
{"name": "z3", "time": datetime.datetime(1995, 1, 1)},
{"name": "z4", "time": datetime.datetime(1995, 1, 1)},
{"name": "z5", "time": datetime.datetime(1995, 1, 1)},
{"name": "z6", "time": datetime.datetime(1995, 1, 1)}]
#edges_1边关系
#edges_1中的y为颠覆型
edges_1 = [{"source": "z1", "target": "y"},
{"source": "z2", "target": "y"},
{"source": "z3", "target": "y"},
{"source": "z4", "target": "y"},
{"source": "z5", "target": "y"},
{"source": "z6", "target": "y"},
{"source": "y", "target": "x1"},
{"source": "y", "target": "x2"},
{"source": "y", "target": "x3"},
{"source": "y", "target": "x4"}]
#edges_2边关系
#edges_2中的y为巩固型
edges_2 = [{"source": "z1", "target": "y"},
{"source": "z2", "target": "y"},
{"source": "z3", "target": "y"},
{"source": "z4", "target": "y"},
{"source": "z5", "target": "y"},
{"source": "z6", "target": "y"},
{"source": "y", "target": "x1"},
{"source": "y", "target": "x2"},
{"source": "y", "target": "x3"},
{"source": "y", "target": "x4"},
{"source": "z1", "target": "x1"},
{"source": "z2", "target": "x1"},
{"source": "z3", "target": "x2"},
{"source": "z4", "target": "x3"},
{"source": "z5", "target": "x3"},
{"source": "z5", "target": "x4"},
{"source": "z6", "target": "x4"}]
# 构建两个网络
graph1 = cdindex.Graph() #颠覆型
graph2 = cdindex.Graph() #发展型
# 添加节点
for vertex in vertices:
graph1.add_vertex(vertex["name"], cdindex.timestamp_from_datetime(vertex["time"]))
graph2.add_vertex(vertex["name"], cdindex.timestamp_from_datetime(vertex["time"]))
# 添加引用关系
for edge in edges_1:
graph1.add_edge(edge["source"], edge["target"])
for edge in edges_2:
graph2.add_edge(edge["source"], edge["target"])
#y研究发布后1825天内，引用y的论文(专利)列入网络。
t_delta = int(datetime.timedelta(days=1825).total_seconds())
#计算cdindex得分
score1 = graph1.cdindex("y", t_delta)
score2 = graph2.cdindex("y", t_delta)
print('左侧-网络中的y节点的cdinex得分: {}, 节点y 为颠覆型创新'.format(score1))
print('右侧-网络中的y节点的cdinex得分: {}, 节点y 为巩固型创新'.format(score2))
Run
左侧-网络中的y节点的cdinex得分: 1, 节点y 为颠覆型创新
右侧-网络中的y节点的cdinex得分: -1, 节点y 为巩固型创新
cdindex
对比Python的结果，与论文计算过程，完全一致。cdindex内部实现我不太熟悉，如果想了解cdindex内部实现，可前往 https://github.com/russellfunk/cdindex 阅读cdindex库的源码。
精选内容
数据集 | 3571万条专利申请数据集(1985-2022年)
管理世界 | 用正则表达式、文本向量化、线性回归算法从md&a数据中计算 「企业融资约束指标」
中国管理科学 | 使用业绩说明会文本数据测量上市公司前瞻性信息
数据集 | 2001-2022年A股上市公司年报&管理层讨论与分析
数据集 | 200w政府采购合同公告明细数据（1996.6-2022.12）