基于專利時序數據預測技術機會的方法與實證研究

李冬梅，宋志紅

(1.山西大學數學科學學院，山西 太原 030006；2.山西大學管理與決策研究所，山西 太原 030006)

基于專利時序數據預測技術機會的方法與實證研究

李冬梅1，宋志紅2

(1.山西大學數學科學學院，山西 太原 030006；2.山西大學管理與決策研究所，山西 太原 030006)

本文提出一種基于專利時序數據預測技術機會的馬爾科夫區制轉換方法，并以1977年1月—2014年6月半導體行業專利時序數據為例進行實證分析。實證結果表明，半導體行業專利授權數量處于上升狀態與下降狀態的交替頻率較高，且專利授權數量處于上升狀態的持續期明顯弱于專利授權數量處于下降狀態的持續期:專利授權數量處于上升狀態的平均持續期約為4.167個月，專利授權數量處于下降狀態的平均持續期約為13.699個月。與以往研究相比，本文提出的馬爾科夫區制轉換 (MRS)方法可以更準確地預測某個特定領域出現技術機會的時間窗口。

技術機會；馬爾科夫區制轉換；半導體行業

1 引言

許多行業的技術進步和演化過程表明，新技術的出現可能突破已有技術發展的瓶頸，打開技術發展的機會窗口[1]。技術機會可以被定義為特定領域存在技術進步的可能性或潛力，它反映了企業在某個領域實現技術進步所付出的代價[2-5]。由于沿著原有技術軌道進行技術改進可能在短期內存在難以克服的瓶頸，當某個領域存在技術進步的可能性很低時，意味著企業面臨較高的開發成本和技術創新失敗風險，甚至還可能威脅到企業的競爭地位及生存。因此，預測并發現潛在的技術機會，不僅有助于防止企業的技術投資失敗，提高企業的研發效率，還有助于企業實現技術趕超和增強競爭優勢。

技術機會分析主要是指通過收集科技文獻或專利信息，利用定量分析方法，并輔之以專家意見，為企業的研發投資和新產品開發活動提供決策支持[5]。以往關于技術機會分析方法的文獻，主要集中于兩個方面:①研究特定領域中具有發展潛力的技術形態[6-11]。②研究特定領域內存在技術進步的可能性或潛力[4]。相對來說，這一方向的文獻較少。已有文獻主要基于專利數量的增長趨勢來判斷技術機會[12-13]。

從以往文獻來看，大多數學者的研究主要以專利數據和科技文獻為基礎，采用統計學、文獻計量學和可視化技術等方法，考察特定領域內存在的研究熱點或技術進步的可能性。本文的主要貢獻在于:①大多數基于專利數據預測技術機會的研究側重于對專利文本內容的計量分析，而較少有研究以專利時序數據為對象預測技術機會；②盡管少數研究利用專利時序數據的增長趨勢來預測技術發展潛力，然而這種判斷方法仍然較為粗糙。本文以1977年1月—2014年6月半導體行業的專利時序數據為對象，采用馬爾科夫區制轉換 (Markov Regime-Switching，MRS)方法，通過刻畫半導體行業專利時序數據的動態變化路徑，分析該領域出現技術機會的時間窗口。

2 數據來源和研究方法

2.1 數據來源

具有大量技術機會行業的顯著特征之一是:在一段時期內能夠保持較高的R＆D密集度和技術進步率[4]。作為高技術行業之一，半導體不僅排在R＆D活動最密集的行業前列，而且該行業還為其他高技術行業提供產品，如電子計算機設備以及電訊設備。近年來，由于半導體行業的迅速發展，半導體行業的生命周期已經大大縮短。由于半導體行業具有較高的資本投資率和較高的R＆D密集度，作為信息時代的 “原油”，半導體行業的技術機會預測對于企業研發投資和技術創新決策具有重要意義，因此，本文選擇半導體行業作為分析對象。專利是技術創新的產物，為識別特定領域的技術趨勢提供了可靠的、最新的信息。以專利作為技術機會分析的對象，可以較好地識別和把握一定時期內可能存在的技術機會和技術發展態勢。

由于授權的專利價值總體上高于申請而未授權的專利價值[15]，本文采取授權專利數量而非申請專利數量作為研究數據。半導體行業的所有授權專利數據來源于中華人民共和國知識產權局專利數據檢索系統 (http://search.cnipr.com)。本文以 “H01L”為國際專利主分類號來檢索半導體技術專利。選擇 “H01L”技術分類來檢索半導體專利的原因在于:首先，已有文獻通常以 “半導體器件”作為半導體技術專利的定義，并采用4位IPC代碼 “H01L”來檢索半導體專利[16-17]；其次，盡管半導體生產商申請的半導體專利涉及大約62個技術分類號[18-19]，由所有技術分類號檢索得到的半導體技術全部專利數量與基于H01L分類號檢索得到的專利數量具有相似的變化趨勢[16]；最后，本文提出一種基于專利時序數據預測技術機會的方法，以 “H01L”這一單一技術分類為對象也可以達到本文的研究目的。在檢索過程中，我們按照專利公告日逐月進行專利檢索，時間跨度限制為1977年1月至2014年6月，共450個月。檢索結果共得到1694141條半導體技術授權專利記錄。

2.2 研究方法

馬爾科夫區制轉換 (MRS)模型是一種用來處理變結構問題的非線性時間序列模型[20]。本文試圖通過刻畫專利時序數據的動態變化路徑，來預測半導體行業出現技術機會的時間窗口，因此，采用MRS方法進行技術機會預測是非常恰當的。基于此，對于半導體專利授權量月度變化率 (pt)序列，本文借鑒Hamilton[20-21]的模型，假設半導體專利授權量月度變化率服從以下區制轉換的自回歸模型:

式中，ptt表示t月的半導體專利授權量增長率；μst表示依賴于狀態st的參數。進一步，st為狀態變量，即半導體專利授權量變化所處的不同狀態，其取值為0或1，st＝1表示半導體專利授權量處于上升狀態，st＝0表示半導體專利授權量處于下降狀態。εst為模型的隨機擾動項，服從正態分布。半導體專利授權量上升時εst的方差為σ21，半導體專利授權量下降時εst的方差為σ20。應用馬爾科夫區制轉換模型進行分析，需要檢驗半導體授權專利時序數據是否具有 “馬氏性”。根據張玉芬和朱雅琳[22]提出的方法，本文對半導體專利授權量變化率pt的時間序列進行馬爾科夫性檢驗，結果表明，對于半導體專利授權量變化率pt的時間序列，給定其過去所處的狀態s0、s1…sn-1以及現在的狀態sn，將來的狀態sn+1的條件分布與過去的狀態獨立，只依賴于現在的狀態sn，因而半導體專利授權量變化率pt的時間序列滿足馬爾科夫性，即st服從馬爾科夫過程，其轉移概率為:

為簡便寫出ptt的似然函數，引入新的狀態變量表示t時期的變化狀態，記:

式中，PTt＝(ptt，ptt-1，…，pt0)，Φ ＝(μ0，μ1，φ0，φ1，σ0，σ1，p，q)類似地，可求得＝2，3，…，8時，ptt的條件概率密度函數。記:

關于這兩個迭代方程的詳細推導過程可參見Hamilton[21]。全部樣本PTT的對數似然函數為:

其中:

3 馬爾科夫區制轉換模型的參數估計結果與分析

3.1 模型的參數估計

利用Gauss7.0軟件，可以計算出馬爾科夫區制轉換模型的參數估計值 (見表1)。從表1可以看出，半導體專利授權數量在上升和下降兩種狀態下的參數估計值μ1和μ0具有明顯差異，表明采用兩狀態的馬爾科夫區制轉換模型描述半導體專利授權數量變化的動態過程是恰當的。半導體專利授權數量的上升狀態與下降狀態以一定概率相互轉換，由表1可知p＝0.760，表明本月半導體專利授權數量處于上升狀態，下月繼續上升的概率為0.760，而本月半導體專利授權數量處于上升狀態，下月處于下降狀態的概率為0.240；由表1可知q＝0.927，表明本月半導體專利授權數量處于下降狀態，下月繼續下降的概率為0.927，而本月半導體專利授權數量處于下降狀態，下月專利授權數量上升的概率為0.073。可見，在本文的研究區間內，半導體專利授權數量處于下降狀態的概率高于其處于上升狀態的概率。從表1還可以看出，半導體專利授權數量處于上升狀態(St＝1)的持續期明顯弱于專利授權數量處于下降狀態的持續期 (St＝0):半導體專利授權數量處于上升狀態的平均持續期約為4.167個月 [＝1/(1-0.760)]，半導體專利授權數量處于下降狀態的平均持續期約為13.699個月 [＝1/(1-0.927)]。

表1 馬爾科夫區制轉換模型的參數估計結果

圖1和圖2分別給出半導體專利授權數量變化率處于上升狀態和下降狀態的平滑概率圖，它們刻畫了半導體專利授權數量變化率在t＝1，2，…，T時刻所處狀態發生的轉移概率。從圖1和圖2中兩個狀態的平滑概率圖可以看出，半導體行業的發展始終伴隨著 “上升狀態”和 “下降狀態”的相互變遷；同時，由于半導體行業具有較高的R＆D密集度和較快的技術進步速度，半導體專利授權數量的上升狀態與下降狀態的交替頻率較高，即經歷了短暫的上升 (下降)狀態之后又迅速進入下降 (上升)狀態。

圖1 半導體行業處于上升狀態的平滑概率

圖2 半導體行業處于下降狀態的平滑概率

3.2 討論

一般來說，技術進步總是在特定范式的框架下沿著技術軌道進行漸進性改進。每個技術軌道的機會都是由技術潛力和耗竭程度所決定的[23]。由于技術潛力逐漸被消耗殆盡，沿著原有技術軌道進行技術改進將越來越困難，即特定技術軌道存在的技術機會傾向于隨著時間推移而減少。這意味著，一方面，技術潛力決定了企業在特定技術領域中創新成功的可能性，同時也反映了企業技術創新的成本；另一方面，盡管技術潛力隨時間而逐漸耗竭，但這并不意味著技術進步會終止于該技術軌道。Anderson和Tushman[1]提出的不連續技術創新理論表明，當一項根本性技術創新即新技術范式出現時，將會與原有技術軌道展開設計競爭，在確立某項技術作為主導設計后進入漸進性技術創新時期，在這一時期，大部分技術創新主要圍繞著組件的改進進行，而不是改變主導設計的結構。由此可見，每一次根本性技術創新都可能意味著開辟了新的技術軌道，并創造出新的技術機會，而大量的技術機會則產生于技術的漸進性改進時期，表現為在這一階段該領域內申請及授權的專利數量大幅度增加。

近40年來，產品生命周期縮短和產品快速更新換代已經成為半導體行業最明顯的特征之一。作為一種經驗法則，摩爾定律 (幾何尺寸的按比例縮小)在過去許多年為企業研發與創新活動指明了方向，并將繼續在芯片制造的很多方面起著指導作用。在等效按比例縮小時代，主要通過創新設計、軟件解決方案和新材料結構來提升效能，從而引領全球半導體行業的發展[24]。然而，基于經驗法則預測半導體行業技術機會的時間窗口還是一種較為粗糙的方法，本文采用馬爾科夫區制轉換 (MRS)方法，通過刻畫半導體專利時序數據的動態變化路徑，可以更為準確地預測半導體行業出現技術機會的時間窗口。但是，這并不意味著企業可以僅僅通過預測技術機會窗口來獲取商業成功。在這里我們假定，企業進入特定技術領域的時機只是一個選擇的問題，即企業在任何一個時點都可以開發某項技術。事實上，技術發展過程總是面臨重重技術障礙，積累必要的技術知識和擁有快速開發新技術所需的核心能力，輔之以恰當的技術機會預測，才能克服技術障礙，實現技術創新成功。

4 結論

作為高技術行業之一，半導體行業不僅具有較高的資本投資率和R＆D密集度，也為其他高技術行業提供產品。例如，集成電路高端設備的技術進步帶動了鄰近技術領域的發展，大大降低了平板顯示器、微機電系統傳感器、無線電設備和無源器件等設備的成本。作為信息時代的 “原油”，半導體行業的技術機會預測對于企業研發投資和技術創新決策具有重要意義。

在以往研究的基礎上，本文提出一種基于專利時序數據預測技術機會的新方法，即采用馬爾科夫區制轉換 (MRS)方法，通過刻畫半導體專利時序數據的動態變化路徑，來識別半導體行業技術機會出現的時間窗口。研究結果表明:半導體專利授權數量處于上升狀態的持續期明顯弱于專利授權數量處于下降狀態的持續期:半導體專利授權數量處于上升狀態的平均持續期約為4.167個月，半導體專利授權數量處于下降狀態的平均持續期約為13.699個月。與以往研究相比，本文提出的MRS方法可以更準確地預測某個特定領域技術機會出現的時間窗口。

[1]Anderson P，Tushman M.Technological Discontinuities and Dominant Design:A cyclical Model of Technological Change[J].Administrative Science Quarterly，1990，(35):604-634.

[2]呂一博，康宇航，王淑娟.基于共現分析的技術機會發現與可視化識別[J].科研管理，2012，(4):80-85.

[3]馬婷婷，汪雪鋒，朱東華，劉勝奇.基于專利的技術機會分析方法研究[J].科學學研究，2014，(3):334-342+383.

[4]Klevorick A K，Levin R C，Nelson R R，Winter S G.On the Sources and Significance of Interindustry Differences in Technological Opportunities[J].Research Policy，1995，(24):185-205.

[5]Lee C，Kang B，Shin J.Novelty-focused Patent Mapping for Technology Opportunity Analysis[J].Technological Forecasting＆Social Change，2015，(90):355-365.

[6]Porter A L，Detampel M J.Technology Opportunities Analysis[J].Technological Forecasting and Social Change，1995，(49):237-255.

[7]Yoon B，Park Y.A Systematic Approach for Identifying Technology Opportunities:Keyword-based Morphology Analysis[J].Technological Forecasting＆Social Change，2005，(72):145-160.

[8]Tseng Y H，Lin C J，Lin Y I.Text Mining Techniques for Patent Analysis[J]Information Processing and Management，2007，43(5): 1216-1247.

[9]Yoon B，Park I，Coh B.Exploring Technological Opportunities by Linking Technology and Products:Application of Morphology Analysis and Text Mining[J].Technological Forecasting and Social Change，2014，(86):287-303.

[10]Ma J，Porter A L.Analyzing Patent Topical Information to Identify Technology Pathways and Potential Opportunities[J].Scientometrics，2015，(102):811-827.

[11]Lee C，Kang B，Shin J.Novelty-focused Patent Mapping for Technology Opportunity Analysis[J].Technological Forecasting＆Social Change，2015，(90):355-365.

[12]黃魯成，蔡爽.基于專利的判斷技術機會的方法及實證研究[J].科學學研究，2010，(2):215-220.

[13]Chen Y H，Chen C Y，Lee S C，Technology Forecasting and Patent Strategy of Hydrogen Energy and Fuel Cell Technologies[J].International Journal of Hydrogen Energy，2011，36(12):6957-6969.

[14]Altuntas S，Dereli T，Kusiak A.Forecasting Technology Success Based on Patent Data[J].Technological Forecasting＆Social Change，2015，(96):202-214.

[15]馮仁濤，余翔，金泳鋒.基于專利情報的技術機會與區域技術專業化分析[J].情報雜志，2012，(6):13-18.

[16]Adams P，Fontana R，Malerba F.The Magnitude of Innovation by Demand in a Sectoral System:the Role of Industrial Users in Semiconductors[J].Research Policy，2013，(42):1-14.

[17]Malva A D，Hussinger K.Corporate Science in the Patent System:An Analysis of the Semiconductor Technology[J].Journal of E-conomic Behavior＆Organization，2012，(84):118-135.

[18]Dibiaggio L，Nasiriyar M.Knowledge Integration and Vertical Specialization in the Semiconductor Industry.European Management Review[J].2009，(6):265-276.

[19]Dibiaggio L，Nasiriyar M，Nesta L.Substitutability and Complementarity of Technological Knowledge and the Inventive Performance of Semiconductor Companies[J].Research Policy，2014，(43):1582-1593.

[20]Hamilton J D.A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle[J].Econometrica，1989，(57):357-384.

[21]Hamilton J D.Time Series Analysis[M].Princeton，NJ:Princeton University Press，1994.

[22]張玉芬，朱雅琳.馬爾科夫性及其檢驗方法研究[J].價值工程，2012，(2):312-313.

[23]Cantner U，Pyka A.Absorbing Technological Spillovers:Simulations in an Evolutionary Framework[J].Industrial and Corporate Change，1998，7(2):369-397.

[24]國際半導體技術發展路線圖(ITRS)2012版綜述(1)[J].郭新軍譯.中國集成電路，2013，(11):26-39.

(責任編輯 劉傳忠)

Method and Empirical Investigation of Forecasting Technology Opportunity with Time-Series Patent Data

Lee Dongmei1，Song Zhihong2
(1.School of Mathematical Sciences，Shanxi University，Taiyuan 030006，China；2.Institute of Management and Decision，Shanxi University，Taiyuan 030006，China)

The paper provides an Markov Regime-Switching model for forecasting technology opportunity with time-series patent data from January 1977 to June 2014 in semiconductor industry.The empirical results indicate that the transition between expansion state and contraction state of authorized patent quantity is relatively quick，and that the duration of an expansion state which authorized patent quantity is increasing significantly shorter than that of a contraction state in semiconductor industry.The average duration of an expansion state is about 4.167 months，while the average duration of a contraction state is about 13.699 months.Compared with previous studies，the Markov Regime-Switching(MRS)method in this paper provides a more accurate forecast on windows of technology opportunity in a specific field.

Technology opportunity；Markov Regime-Switching；Semiconductor industry

李冬梅 (1977-)，女，山西懷仁人，講師，博士研究生；研究方向:時間序列分析、合作網絡與技術創新。

G306.0；C812

A

教育部人文社會科學研究項目 (09YJC630146)。

2015-05-08