基于LMDI模型的北京市智能制造關鍵技術創新驅動效應分析

摘" 要：《北京市“十四五”時期高精尖產業發展規劃》提出北京市智能制造與裝備的發展方向，為此，該文關注2016—2023年北京市在智能機器人、高端數控機床、傳感與控制系統、檢測與裝配設備方面智能制造裝備專利申請數據，建構LMDI模型，包括特定智能制造裝備優先序、智能制造裝備專利份額以及研發活動規模的智能裝備制造分解模型，利用區間分解和時間序列分解相結合的方式對北京市智能制造裝備專利數量變化的影響因素進行分析。研究結果表明，北京市智能制造裝備專利申請量的變化規律與研發活動規模效應的變化有著密切聯系，研發份額效應反映出北京市在智能裝備與制造各領域不同的驅動效果，研發優先序指標可以反映出研發活動的側重點。

關鍵詞：智能制造關鍵技術；LMDI；Kaya公式；研發優先序；研發份額效應

中圖分類號：G306" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2025）08-0006-05

Abstract： The \"Beijing High-tech Industry Development Plan During the 14th Five-Year Plan\" proposes the development direction of intelligent manufacturing and equipment in Beijing City. To this end， this paper focuses on the patent application data of intelligent manufacturing equipment in Beijing City from 2016 to 2023 in intelligent robots， high-end CNC machine tools， sensing and control systems， testing and assembly equipment， and constructs an LMDI model， including specific intelligent manufacturing equipment priorities. The intelligent equipment manufacturing decomposition model based on the patent share of intelligent manufacturing equipment and the scale of Ramp;D activities uses a combination of interval decomposition and time series decomposition to analyze the influencing factors of changes in the number of intelligent manufacturing equipment patents in Beijing City. The research results show that the change pattern of patent applications for intelligent manufacturing equipment in Beijing City is closely related to the change in the scale effect of Ramp;D activities. The Ramp;D share effect reflects the different driving effects of Beijing City in various fields of intelligent equipment and manufacturing， and the Ramp;D priority indicator can reflect the focus of Ramp;D activities.

Keywords： key technologies for intelligent manufacturing; LMDI; Kaya identity; Ramp;D priorities; Ramp;D share effect

制造業是國民經濟的主體，以智能制造為核心的制造業變革，對鞏固實體經濟根基，建成現代化產業體系，實現新型工業化具有重要作用。《智能制造工程實施指南（2016—2020）》[1]提出加大智能制造實施力度，關鍵技術裝備、智能制造標準/工業互聯網/信息安全、核心軟件支撐能力顯著增強，構建新型制造體系，重點產業逐步實現智能轉型。2021年，工信部、國家發改委等8部門聯合印發了《“十四五”智能制造發展規劃》[2]，提出了我國智能制造“兩步走”戰略，聚焦感知、控制、決策、執行等核心關鍵環節，推進產學研用聯合創新，攻克關鍵技術裝備，提高質量和可靠性。

北京市是全國科技資源分布最密集地區，擁有全國最多的科研院校和科技院所，近年來，北京市加快國際科技創新中心建設，《北京市“十四五”時期高精尖產業發展規劃》[3]提出，在智能制造與裝備方面，智能機器人領域聚焦構建醫療健康機器人、特種機器人、協作機器人、自主移動機器人四大整機加關鍵零部件的“4+1”發展格局，構建具有北京特色的機器人產業生態。自動化成套裝備領域促進高端數控機床、傳感與控制系統、檢測與裝配設備等自主研發與產業化。

為了深入了解北京市在智能制造與裝備方面的創新能力，本文將從專利視角對北京市在智能機器人、高端數控機床、傳感與控制系統、檢測與裝配設備相關的關鍵技術方面的專利申請情況構建LMDI指數分解模型，從而可以客觀了解北京市在智能制造與裝備方面的創新驅動效應。

從專利視角進行創新趨勢研究，主要是利用IncoPat、Derwent Innovations Index（DII）等專利數據庫的相關數據[4-6]，根據五類關鍵技術裝備專利數據信息作為分析樣本，并針對上述專利文獻的中國申請趨勢、主要申請人分布、專利技術情況等方面進行統計分析，了解該技術應用的發展脈絡。

1" 文獻綜述

國內外許多學者通過建立數學模型對指標的變化進行觀察研究，其中，日本學者Kaya Yoiti（茅陽一）于1989年在IPCC的研討會上提出的Kaya恒等式，能夠量化反映能源、經濟、人口等因素對能源消費碳排放的關系[7]。Sun等[8]提出的LMDI分解法（對數平均迪氏指數法，Logarithmic Mean Divisia Index），在Kaya恒等式的基礎上進行對數變換，可計算出各影響因素總排放量變化的貢獻，成為社會經濟和環境經濟常用的分析工具。

由于LMDI分解法在分解對象后沒有無法解釋的殘值，可用于分析理解經濟、環境、就業等社會經濟的變化，在世界上許多國家和地區得到普遍使用。保拉·費爾南德斯·岡薩雷斯等使用LMDI分解法，對西班牙溫室氣體排放進行了分解，將農業、工業、商業等行業對溫室氣體排放的強度效應，人均生產效應和碳化效應進行了分析[9]。陳愛萍等[10]基于LMDI模型，利用區間分解和時間序列分解相結合的方式對中國上市公司各類綠色技術專利申請數量變動的影響因素進行分析。劉志迎等[11]選擇專利申請量為創新產出的衡量指標，基于擴展的Kaya恒等式建立因素分解模型，通過構建創新產出變化的LMDI分解模型，綜合考量長江區域經濟結構、區域研發強度、區域創新效率及整體經濟發展4個因素對長江經濟帶的創新產出變化的驅動效應進行了分析。

2" 數據來源和模型構建

2.1" 數據來源

IncoPat是一個專利信息平臺。完整收錄全球102個國家/組織/地區1億余件專利信息，國內許多學者都采用IncoPat數據庫提供的數據進行分析研究[12-13]。采用IncoPat數據庫統計出的專利申請數量和公開數量，由于申請數量更能反映創新的活躍程度，因此，本文將以專利申請量來進行統計。

為了更加準確地獲取專利數量，本文對智能制造與裝備關鍵詞按不同的項目分類進行了分解，按照項目名稱、應用領域與類型、關鍵零部件與技術進行提煉，得到表1所示內容。

2.2" 模型構建

LMDI對數平均迪氏指數法具備完全分解、無殘差、因素可逆等優勢，被認為是目前最好的因素分解法。

創新驅動效應受諸多因素影響，這些因素可能單獨起作用，也可能與其他因素交互起作用，專利申請趨勢可以從一個側面反映某一領域的科技創新驅動狀況，因此，本文將構建3個指標：特定智能制造關鍵技術優先序、北京市專利份額以及研發活動規模作為影響因素，列出Kaya公式如下

式中：Bi代表北京在i領域專利申請量，E為北京在智能制造關鍵技術專利申請總量，T為全國智能制造關鍵技術相關專利申請總量，Pi表示i類智能制造關鍵技術專利的優先序，即i類專利占北京全部智能制造關鍵技術專利的比例，B為北京市專利份額，即北京市專利數量占全國同類專利的比例，A為全國研發活動規模，數值為全國同類專利的申請總量。

3" 結果與分析

為了深入分析北京市智能制造關鍵技術創新的變化情況，首先根據統計數據分析北京市智能制造關鍵技術專利申請概況，然后根據加法原理的LMDI分解方法，對北京市2016年度到2023年度的智能制造關鍵技術專利申請的數據變動情況進行分解，并識別各因素對北京智能制造關鍵技術專利變動的影響。

3.1 專利總數申請趨勢分析

從圖1可以看出，我國在《智能制造發展規劃（2016—2020）》發布之后，我國的專利申請數量快速上升，北京市在智能制造關鍵技術方面專利申請數量從2016年到2021年間也呈現連年增長趨勢，但絕對數量占比卻出現下降和持平趨勢。2022年和2023年專利的絕對數量雖然減少，但所占比例呈現上升勢頭，從2022年占全國總數的5.84%，上升到2023年的6.39%，反映了北京市在專利申請方面與全國總數量之間走向的不同趨勢。

3.2 智能制造關鍵技術不同領域LMDI結果分析

北京市智能制造關鍵技術方面相關專利共搜索到24 934項。表2列出了按照技術領域劃分的智能制造關鍵技術專利的申請情況，其中，智能機器人相關專利為11 676項，占比為46.83%，高端數控機床相關專利2 595項，占比為10.41%，傳感與控制相關專利3 745項，占比為15.02%，檢測與裝配相關專利6 918項，占比為27.75%。

從驅動效應來看，智能機器人的總體效應為191.119 7，檢測與裝配設備的總效應為77.647 7，高端數控機床為22.444 3，均起到正向驅動作用，而傳感與控制為-124.227 2，起到抑制作用。在諸多影響因素中，智能機器人方面的優先效應和份額效應比較顯著，顯示出北京市智能制造關鍵技術的創新比較集中在智能機器人方面這一現象（圖2）。

如圖2所示，在用途方面，機器人本體的專利數量為5 504項，占總量的57.95%；在控制方面，共計2 182項，其中控制方法為803項，其他計算控制為659項，定位方法為357項，識別方法為186項，控制系統為177項；檢測方面的檢測方法為382項。在應用領域方面，交通運輸相關的機動車輛和電子電氣相關的電子設備專利數量分別為572項和383項。

高端數控機床的總效應為22.444 3，但主要驅動因素為規模效應，份額效應和優先效應均為負數，相對于智能機器人在驅動效應方面占比偏低（圖3）。

如圖3所示，在用途方面，與數控機床等為主的機械設備相關專利占比為34.80%，材料制品相關專利為12.69%，計算控制相關的專利占比為11.14%，在檢測與裝配方面，與制造制備相關的方法過程相關專利占比為24.59%，與測量實驗相關的專利占比為8.15%。在應用領域方面，電子電器、交通運輸、航空航天各有一定占比。

檢測與裝配設備的規模效應達到了101.131 6，雖然優先效應和份額效應均為負數，但總體效應達到了77.647 7，說明隨著我國的制造業在智能化改造和數字化轉型方面力度不斷加大，與智能制造相關的檢測與裝配設備的創新數量很多，對北京市高精尖產業的發展起到重要作用，但在重視程度方面需進一步加強（圖4）。

如圖4所示，在用途方面，與測量實驗相關的檢測、測量、分析等方面的專利占比為40.43%，與方法過程相關的專利占比為16.58%，與計算控制相關的控制方法、監測與識別等方面的占比為25.39%。在應用領域方面，交通運輸、醫藥醫療以及電子電器方面的專利比較集中。

智能傳感與控制的總效應為-124.227 2，主要是因為份額效應僅為-137.734 0，優先效應方面為-60.600 1，數值都較低，可以看出北京市在傳感器、微機電、PLC控制器等基礎原器件方面的創新能力有待提高。

3.3" 智能制造關鍵技術整體LMDI結果分析

根據北京市智能制造關鍵技術專利申請數量變動的分解模型，對2016—2023年各類智能制造關鍵技術專利申請數量變動影響因素分別進行時序分解，以便詳細研究各因素對北京市智能制造關鍵技術專利申請數量變動的影響機理（表3）。

從分解結果可以看出，驅動北京市智能制造關鍵技術創新的影響因素中，總體效應為91.127 4，說明北京市智能制造核心技術的創新整體正向驅動作用。其中，規模效應的均值達到132.403 6，說明近年來，我國在創新驅動發展戰略的引領下在智能制造關鍵技術方面的創新規模不斷加大，促進了北京在智能制造領域的技術發展。份額效應為-55.350 7，主要原因是某些年份國內專利申請總量提高幅度比較大，而北京市的專利數量相對比較平穩，導致了份額效應值的波動。在優先效應方面，各年份數值都相對較低，對總體效應的影響較小。

4" 結論

本文運用北京市2016—2023年智能制造關鍵技術專利申請數量相關數據，基于LMDI模型框架，建立包括特定智能制造關鍵技術優先序效應、份額效應和規模效應的北京市智能制造關鍵技術專利因素分解模型。

研究結果表明，北京市智能制造關鍵技術驅動效應中，規模效應起到了正向驅動作用，有力促進了北京市科技創新能力的提高與我國創新能力的整體發展。研發優先效應比較客觀地反映出北京市在技術創新方面側重情況，從分析結果可以看出，智能機器人在北京市科技創新活動中處于突出位置，智能機器人技術與高端數控機床、傳感與控制技術、裝配檢測與裝配設備相關技術相互交融，在交通運輸、電子電器、醫藥醫療和航空航天等領域得到廣泛應用。研發份額效應客觀反映了北京市科技創新活動在全國范圍內影響力的變化，從分析結果可以看出，北京市在加強智能制造關鍵技術的應用之外，在基礎元器件和核心技術方面的創新能力需要進一步加強，為首都的高質量發展貢獻更大力量。

參考文獻：

[1] 智能制造工程實施指南（2016—2020）[EB/OL].https：//www.mii t.gov.cn/cms_files/filemanager/oldfile/miit/n973401/n1234620/n 1234623/c5542102/part/5542108.pdf.

[2] 關于印發“十四五”智能制造發展規劃的通知 [EB/OL].https：//www.miit.gov.cn/cms_files/filemanager/1226211233/attach/2022 6/95c25b0b936d49f1995bd8771599d18a.pdf.

[3] 北京市人民政府.北京市“十四五”時期高精尖產業發展規劃[EB/OL].https：//www.gov.cn/xinwen/2021-08/18/content_56319

16.htm.

[4] 向偉，馬蘭，劉佳杰，等.基于IncoPat專利分析的苧麻機械化生產研發態勢[J].中國農業科技導報，2021，23（1）：107-118.

[5] 季婉婧，宋姍姍，蘇小蕓.基于專利角度的防震減災領域技術研發態勢分析[J].地震工程學報，2021，43（6）：1317-1325.

[6] ZHOU L Y， YAN Y H， WANG Y， et al. Research progresses and prospects of medicated oil dual-purpose crop safflower based on patent mining[J]. Oil Crop Science， 2022， 7（4）： 209-218.

[7] KAYA Y. Impact of carbon dioxide emission control on GNP growth interpretation of proposed scenarios [R].Paris： IPCC Energy and Industry Subgroup response" strategies working Group，1990.

[8] SUN J， ANG B W. Some properties of an exact energy decomposition model[J].Energy，2000，25：1177-1188.

[9] PAULA F G， MARA J P， MANUEI L. Tracking the change in Spanish greenhouse gas emissions through an LMDI decomposition model： A global and sectoral approach[J].Journal of Environmental Sciences，2024，139（5）.

[10] 陳愛萍，陳會英.基于LMDI的中國上市公司綠色專利分解分析[J].情報雜志，2020，39（9）：103-109，32.

[11] 劉志迎，陳俠飛.基于LMDI模型的長江經濟帶創新產出變化的驅動效應分析[J].研究與發展管理，2016，28（6）：61-70.

[12] 向偉，馬蘭，劉佳杰，等.基于IncoPat專利分析的苧麻機械化生產研發態勢[J].中國農業科技導報，2021，23（1）：107-118.

[13] 季婉婧，宋姍姍，蘇小蕓.基于專利角度的防震減災領域技術研發態勢分析[J].地震工程學報，2021，43（6）：1317-1325.