用地圖“畫”出科研領域新變化

本刊綜合

科技創新已經成為推動經濟社會發展的主要力量，新一輪科技革命和產業變革的重大歷史機遇期，要求我們始終以全球視野科學研判好科技創新發展的趨勢，搶占科技發展先機。

那么，新興的科研熱點在哪兒？科技創新發展有著怎樣的趨勢？科學領域間有什么內在聯系？世界主要國家在不同研究領域的活躍程度怎樣？

近日，中國科學院科技戰略咨詢研究院發布的《科學結構圖譜2021》給出了答案，揭示了全球科學發展態勢以及中國與世界主要國家的研究格局。具體而言，中國科學院科技戰略咨詢研究院研究員王小梅介紹，報告顯示，科學研究結構的布局總體穩定。科學研究領域數量持續擴大，科學研究前沿不斷延伸，新興研究領域不斷涌現，學科交叉融合的現象越來越明顯。

通過對比分析2012—2017年和2010—2015年的科學結構圖，研究人員發現，科學研究結構在總體穩定的同時，也出現了一些新變化。

“目標導向的基礎研究與應用研發結合更加緊密，應用性牽引趨勢明顯，傳統意義上的基礎研究、應用研究的邊界日趨模糊?！蓖跣∶氛f。

研究人員發現，科學研究與工程結合并逐漸向應用轉化的研究問題越來越多，如從催化到氫能、頁巖氣、熱能等新能源的研究，從柔性材料到可穿戴設備，環境與健康結合形成“環境治理”群組，3D、4D 打印技術以及智能電網、智慧城市快速發展，基礎醫學研究更多地與臨床研究結合解決人類健康問題等。

研究中，科研人員也發現了一些新的聚焦群組，比如同天文學與粒子物理相關的“理論物理”，從催化基礎研究逐步發展到應用研究的“先進能源”，與納米生命科學相關的“有機聚合物材料”，與機器學習相關的“深度學習”，氣候變化研究中出現了更多和極端氣候變化相關的研究，以及“頁巖氣”“化學生物的藥物研究”“物種保護”“腫瘤免疫治療”“腫瘤基因突變與靶向治療”“新發病毒傳染病”“藥物濫用”“文獻計量與期刊研究”等。

“在‘科學結構2012—2017中，出現了97個新興熱點研究領域?！蓖跣∶方榻B，熱點研究領域在醫學、生物科學和交叉學科分布較集中，分別有26個、13個和11個。兩個最大的新興熱點研究領域分別是“寨卡病毒”和“黑色素瘤治療”，分別包含125篇和64篇論文，發現新病毒以及新療法（技術）的出現是形成新研究領域的主因。

中國表現如何？

王小梅介紹，研究顯示，中國在世界熱點研究領域中的科研發展迅猛。“中國的核心論文份額穩居世界第二位，較上一期增長2.6個百分點，增幅為23%。中國的核心論文份額接近世界排名第三的英國的2倍。”王小梅說，“除澳大利亞外，同期傳統科技強國整體核心論文份額呈下降趨勢，德國、日本的核心論文份額降幅超過10%?！?/p>

研究也顯示，中國的研究領域覆蓋率從世界排名第五位上升到第四位，且覆蓋率呈現顯著上升趨勢。但同時也要看到，中國仍在28%的研究領域沒有發表論文。

研究發現，中國科研優勢領域逐步穩固，與美國形成了明顯互補關系。王小梅介紹：“中國優勢領域涵蓋納米科技、計算機與工程、環境治理等，但在醫學、社會科學、經濟與商業、生物科學四個大類中所占份額相對較少。而美國在生命科學、醫學與環境生態學相關學科交叉研究中占據主導地位?！钡档米⒁獾氖?，在對技術創新有影響的研究領域，中國表現突出的研究領域中美國核心論文份額依舊占比很大;而在美國占優勢的醫學和生命科學領域，中國鮮有論文被引用。

學科交叉點通常是科學新的生長點，最后可能導致科學發生革命性變化?！犊茖W結構圖譜2021》對交叉學科的情況也進行了分析。

研究人員界定，如果研究領域中一個學科的核心論文比例小于60%，該研究領域就屬于交叉學科。對研究領域的學科交叉性進行分析后，他們發現，納米科技及環境與生態領域的交叉度最高，其次是與智能決策和智能控制相關的研究。而臨床醫學與生物科學的學科交叉研究領域相對較少;天文學與物理學研究大類中的學科交叉研究領域最少。

王小梅介紹，納米科技及環境與生態領域中的交叉學科包括“鈣鈦礦材料與器件”“納米材料”“納米催化”“儲能材料與器件”“納米生命科學”“環境治理”“生態學”“低碳經濟”等，智能決策和智能控制相關的交叉學科包括“無線通信與人工智能”“系統與控制”在內的部分研究等，臨床醫學與生物科學的學科交叉研究領域主要集中在“腸道微生物”“傳染病”“社會醫學”“孤獨癥”“腫瘤基因”等。

研究發現，在學科交叉研究領域，美國和中國是表現最好的兩個國家，中國在與人工智能相關的工程技術領域、環境治理以及納米科技相關學科的交叉研究中實力較強。而美國在生命科學、醫學與環境生態學相關學科交叉研究中占據主導地位。

據悉，從2007年起，中國科學院科技戰略咨詢研究院就開始周期性監測科學研究結構及其演變規律，此次是繼2009年、2012年、2015年、2017年之后第五次發布科學結構圖譜。中國科學院科技戰略咨詢研究院副院長張鳳表示，新發布的科學結構圖譜，在研究方法上做了改進，使用深度學習算法改進原有的網絡聚類及可視化算法，支持更大量的數據分析。從結果看，聚類更加均勻、準確，揭示的科學結構更為細致，并在可視化細節揭示上也有較大改進。