各省算力技术创新(BERT模型测度)

字段字典

• Province [省份名称] — 现行省级行政区名称，回溯归属不等于申请时点住所。
• ProvinceCode [省份代码] — 六位字符串省级行政区划代码。
• Year [申请年份] — 专利申请年份，合并已观察公开版本，保留动态当前年减一及以前有效年份。
• ComputingPatentCount [算力技术创新专利申请数] — 参考张永亮、朱佳宁（2026），按用户接受的重建词典、中文名称摘要联合初筛及自有弱标签BERT分类识别；申请号去重、全部申请地区每地一次。单位为件；无可判源缺失，有源无阳性为受限观测零，非作者原式同值复现。
• LnComputingInnovation [算力技术创新水平] — 算力技术创新专利申请数加1的自然对数，无量纲。加1为本任务明确的零值处理，原文lnzl未公开平滑细节；数量缺失时本值缺失。

常见问题

「各省算力技术创新(BERT模型测度)」是什么数据集？

各省算力技术创新(BERT模型测度)，隶属科技创新。参考张永亮、朱佳宁（2026），衡量省算力技术创新活动。

该数据集的时间范围是？

覆盖 1985-2025 年。

包含哪些变量/指标？

共 5 个变量。核心指标包括：算力技术创新专利申请数、算力技术创新水平。完整字段清单（变量名·中文名·说明）见页面「字段字典」。

数据频率和层级是怎样的？

频率为年度，省级层级。

样本量有多大？

约 1,271 条观测。

数据是如何测算/获取的？

算力技术创新的研究含义 算力技术创新反映一个地区在计算、数据存储、资源调度及相关基础设施方面的技术进步。与一般数字技术应用不同，算力技术创新关注支撑计算活动的技术能力及其效率改进。参考张永亮、朱佳宁（2026），本数据以专利文本识别相关创新，再按申请年份和申请人所在地区统计创新规模。 本数据采用经明确选择的重建方案。原文未完整公开种子词、最终词典、专家标签及分类器，本方法从可核来源建立词典，并以自有弱监督语料训练中文专利分类器。因此，结果是同一研究思路下的独立操作化，不是作者原始样本或同值复现。 一、从年报语境构建算力技术词典 以原文实际列出的五个示例词“东数西算、算力、高性能计算、边缘计算、异构计算”为起点，结合《算力基础设施高质量发展行动计划》及《“十四五”信息通信行业发展规划》中计算、存储、运载和协同调度的技术术语，形成二十二个自建种子词。不将官方规划中的所有数字应用都纳入算力创新。 在原文采用的2000—2023年年报语料窗口内，每年按文件名哈希顺序选取至多四十份完整年报，排除摘要、英文材料及文本质量不足的文件。同一公司同年先确定一份完整报告。对包含计算相关术语的真实语境分词，保留至少在三份样本报告出现、长度为二至十个汉字的候选词，按文档频次最多取五千个候选词。 将候选词及其最多三个真实上下文输入基础中文BERT，对目标词的词元向量取平均、归一化，再对不同上下文向量求平均并归一化。种子未出现在抽样年报时，仅对该种子本身编码并登记这一回退。计算种子与候选词的余弦相似度： $$ s(w,k)=\frac{\boldsymbol vw^{\mathsf T}\boldsymbol vk}{\|\boldsymbol vw\|\,\|\boldsymbol vk\|}. $$ 其中，$\boldsymbol vw$和$\boldsymbol vk$分别为候选词与种子词的BERT表示。每个种子取十个近邻，逐项审查并剔除泛词、残词、公司名、履历词及无算力技术含义的词。最终保留十四个扩展词，与种子词合并冻结；不通过凑词数模拟作者未公开的词表。这一过程是上下文编码扩词，没有在作者完整语料上重新预训练BERT。 二、用名称与摘要形成候选专利 以全国中国专利公开记录为基础，将中文名称、中文摘要与专利申请号、申请年份和全部申请人地区归属相连接。对重复公开号，先取最新已完成采集批次的记录，再判断文本是否可用；不因新记录缺文本而反向回补旧同公开号。不同公开号的同一申请保留至申请层合并。 设冻结词典为$\mathcal W$，名称为$Tp$、摘要为$Ap$，候选条件为： $$ Kp=\mathbf 1\{\exists w\in\mathcal W:w\subseteq Tp\}\, \mathbf 1\{\exists u\in\mathcal W:u\subseteq Ap\}. $$ 即名称和摘要都须命中词典，二者不要求命中同一个词。原文还要求正文命中，本方法因无法获得专利正文，明确改为两文本联合筛选。名称或摘要缺失、损坏的记录不视为有效阴性。词典命中只是召回条件，不能直接当作技术创新标签。 三、训练并使用中文专利分类器 原文使用all-MiniLM-L6-v2提取嵌入并训练分类器；本重建方案改用中文BERT微调二分类模型，模型结构及训练语料均与原文不同。 从候选申请中按年代分层、固定哈希抽取五百件文本，以本地Qwen模型辅助标注。正类需要在计算硬件与架构、资源调度、计算用存储、算力互联或专用数据中心能效等方面提出技术改进；仅使用计算机、处理器、云计算或人工智能开展普通业务，不能仅据其命名判为正类。正类标注须提供可在原文定位的连续证据，无法判断或证据核验失败的标签保留未知，不进入训练。 将同族及完全重复文本关系合并为连通组，按组划分约八成训练、两成验证，避免同族或重复文本跨组。使用中文BERT进行三轮二分类微调，学习率为$2\times10^{-5}$，有效批量为三十二，以验证集弱标签F1最高的一轮作为固定模型。验证集参与检查点选择，其表现反映对弱标签的一致性，不是未参与模型选择的独立测试性能或专家金标准准确率。证据格式失败可能与正负类别相关，排除失败标签不代表随机样本损失。 名称和完整摘要组合为输入。长输入按五百一十个内容词元分块，相邻块重叠六十四词元，训练和推理均取块级正类概率的最大值： $$ qp=\max{b\in\mathcal Bp}q{pb},\qquad Ip=\mathbf 1\{Kp=1\}\mathbf 1\{qp\geq0.5\}. $$ 其中，$q{pb}$是第$b$块的模型正类概率，$\mathcal Bp$是全部文本块。推理固定为每批一百二十八块、每块填充至五百一十二词元，不足批量以不参与统计的占位块补齐，并启用确定性算法，避免动态填充造成阈值附近的数值波动。概率用于固定阈值判别，不解释为校准置信度。同一申请任一可判候选公开版本为正类，则申请层判为正类；分类失败不转为负类，存在失败候选且没有已知阳性的申请保留未知。全部具有有效双文本且未命中词典的公开版本只提供该检索范围内的观察阴性。 四、按申请地区和年份计算研究指标 采用有效申请年份和申请号合并公开版本，年份冲突的申请隔离，不任意选一年。省级和市级分别使用全部申请人可定位地区，每个申请在同一地区最多计一件；跨地区申请可在多个地区完整计件，因此各地区之和不是全国不重复申请总数，也不能通过市级加总替代省级计算。 记$\mathcal P{rt}$为地区$r$、申请年$t$内本地源可观测的申请集合，$Ip^{\mathrm{app}}$为申请层识别结果，则算力技术创新专利申请数为： $$ N{rt}=\sum{p\in\mathcal P{rt}} Ip^{\mathrm{app}}. $$ $N{rt}$的单位为件，反映本词典及分类口径识别的创新规模。算力技术创新水平定义为： $$ \mathrm{ComputingInnovation}{rt}=\ln(1+N{rt}). $$ 加一用于保留观察零，是本重建方案明确选择的零值处理。原文使用对数变量，但没有明确公开其平滑细节，因此不将该处理归因为作者已明确规定。 五、零值、缺失及使用边界 地区年度没有可定位源，或没有任何可判申请时，两项研究指标均为缺失。有可判源而没有识别阳性时，计数和对数为零；这表示受限识别口径下的观察零，不能证明当地没有真实算力创新。缺文本、失败分类及无法定位申请不会被补造成有效阴性。有效地区年只表示可计算受限观察计数，不意味着当地全部专利已完整覆盖。 最终数据保留全部可得有效申请年份，年度上限动态为当前年减一，末年不因公开不充分而提前删除。公开、采集、语言字段和地区匹配存在缺口，近期数量受披露滞后影响，早年定位和跨年代语义变化也会影响比较。采用现行行政区划和当前可得归属资料回溯，不等于恢复申请时点的真实住所；三沙在设立前不提供城市年度行。 词典、政策文本及训练资料包含事后信息，不适合直接解释为历史当时可获得的实时指标。候选内验证无法估计词典筛选的漏判率；真实文本复核已发现量子计算、地址转换及电子存储技术的候选外漏检，也发现弱负标签漏判和LED类文本的模型假阳性。弱标签和小样本训练存在误差，证据失败标签的排除也有类别选择偏差。上述针对性核验不能换算成总体误差率；应结合研究问题进行稳健性检查，不能把所有人工智能应用、一般网络或普通控制设备都解释为算力创新。正式数据只保留身份、年份和两项研究指标；来源覆盖及过程诊断留在内部验证材料。 参考文献 [1]张永亮,朱佳宁.空间关联视角下算力技术创新对区域协调发展的影响研究[J].科技进步与对策,2026,43(15):48-59.DOI:10.6049/kjjbydc.D32025120085. [2]工业和信息化部等六部门.算力基础设施高质量发展行动计划[Z].2023. [3]工业和信息化部.“十四五”信息通信行业发展规划[Z].2021.

如何获取该数据集？

通过站内对应淘宝链接下单后，客服发放兑换码；在站内"兑换"页输入兑换码即可获得下载权益并下载。