專利技術融合驅動的技術機會識別研究

齊亞雙 張白洋 李淼 伍昱熹

摘 要： ［目的／ 意義］ 技術融合是技術創新的重要手段， 通過融合不同領域的技術可以突破技術瓶頸， 形成技術機會。［方法／ 過程］ 本文提出了一種融合驅動的技術機會識別方法， 將定量分析與專家經驗相結合， 用文本挖掘技術對Ｆ－ｔｅｒｍ 專家分類系統進行多層主題篩選， 以技術相似性和技術生命周期為標準， 對篩選出的參照技術與目標技術進行融合研究， 最后根據專利組合評估得出最優融合結果， 對圖像處理技術進行技術機會識別。［結果／ 結論］ 研究結果顯示， 本文預測的技術機會前景廣闊， 這表明本文的研究方法為技術機會研究提供了新的解決方案。

關鍵詞： 技術融合； 技術機會； 專利分析； 人工智能； 圖像處理

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．０８．０１４

〔中圖分類號〕Ｇ２５０ ２５５ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２３） ０８－０１５０－１１

隨著技術的變革和問題的加劇， 日趨復雜的社會經濟和技術問題往往需要整合不同學科的技術知識來解決［１］ 。通過持續引入新技術或與已有技術的融合， 可以實現不同領域的交叉滲透形成新技術，為企業提供技術解決方案［２］ 。這些方案的重大創新突破往往來自專家熟悉領域外的復雜交叉關聯領域，或是源自重大科學發現和關鍵技術發明的交織、滲透［３］ 。如今， 人工智能技術逐漸擴散到了眾多領域，已發展成融合多學科、跨領域的綜合性技術， 正在深刻改變著相關領域的創新模式和發展方向。在全球科技競爭的大環境下， 發展人工智能理論、算法和技術已成為保持國際競爭優勢的重要手段［４］ 。但是現有的人工智能技術大多采用模仿的創新方式，缺乏真正的創新研發和戰略規劃， 相關專利的申請量雖然逐年上升， 但真正轉化為生產力的屈指可數，科研與市場應用步調不一致也造成了很多科技創新資源的浪費， 因此將科研成果用于推動企業技術變革至關重要。目前， 各行各業都在進行技術變革，如何找到合適的切入點是各領域亟待解決的難題。技術機會發現為人們提供了新的思路， 它能挖掘特定領域或不同行業的技術潛力， 找出新技術的增長點， 從而抓住機會， 推動技術進步。然而， 技術機會并不以成品形式存在， 它通常以科技期刊、專利文檔、研究報告等形式隱藏在海量數據的背后［５］ 。專利數據因其易得、完整、準確等特點， 為技術機會的識別打下了良好基礎［６］ 。通過專利分析， 不僅可以得到技術之間的關聯性， 還能對不同技術領域的拓展情況和技術之間的滲透方向進行解釋， 從而幫助我們全面、客觀地掌握各個技術領域， 增強技術機會識別的客觀性和可靠性， 為企業變革做出貢獻。

當前國際上通用的專利分類法是ＩＰＣ 分類， 它將整個技術領域分為５ 個不同等級， 按等級遞降順序對專利進行劃分， 使人們在不同維度上獲得技術的詳細信息。但是傳統的ＩＰＣ 分類更注重技術的整體結構， 很少關注技術細節， 更多的是按照“功能屬性” 和“應用屬性” 進行分類， 因此， 即使到了下位類， 使用的主題詞仍十分籠統， 這就很難體現技術的具體特征， 給技術機會的識別帶來了阻礙。Ｆ－ｔｅｒｍ（即“Ｆｉｌｅ Ｆｏｒｍｉｎｇ Ｔｅｒｍｓ” 的簡寫）是日本專利局（ＪＰＯ）的內部專利系統， 是在國際專利分類表（ＩＰＣ）和日本國內分類系統（ＦＩ）的基礎上進行再分類或細分類。它能從材料模型、結構、目的、制作方法、技術類型等角度對專利進行細分［７］ 。

較之于其他分類系統， Ｆ－ｔｅｒｍ 的優勢是其相當細致和多維立體的分類方法， 這為技術機會的挖掘創造了有利條件。本文以人工智能領域下的圖像處理技術為例， 通過對專利數據的文本挖掘， 從Ｆｔｅｒｍ系統中提取關鍵詞， 獲得該領域相關的技術主題， 根據主題的技術屬性和更為細致的技術特征，識別具有相似原理的專利技術。結合技術融合原理， 用余弦相似度和技術生命周期兩個標準， 篩選出具有融合潛力的參照技術， 并根據目標技術與參照技術的融合結果識別最有發展潛力的技術機會。綜上所述， 這種基于專利分析的技術機會識別方法， 能夠從技術層面盡可能客觀地對專利進行分析， 減少主觀判斷帶來的誤差， 提高相關技術之間創新的可能性， 為創新領域帶來活力。

１ 文獻綜述

１ １ 技術機會分析方法

美國的Ｐｏｒｔｅｒ Ａ Ｌ 教授認為， 技術機會發現與原有技術密切相關［８］ 。研究技術機會可以幫助企業合理利用資源， 突破技術障礙， 發現有潛力的新技術。許多企業家就曾成功地識別并利用了技術機會， 在激烈的市場競爭中把握先機， 贏得了競爭優勢［９］ 。因此， 探索技術機會被認為是企業和政府發展過程中一個必不可少的關鍵步驟， 有助于人們把握最新技術動向， 準確識別新技術的市場價值，對降低創新風險具有十分重要的現實意義。目前，新興機會的精準識別已成為數字化時代探索前沿性技術與市場并實現價值轉化的關鍵， 有效識別新興機會有助于及時跟蹤技術發展態勢， 洞察市場需求， 以盡早捕捉技術發展新契機， 實現市場先占優勢［１０］。

起 初企業更愿意相信專家判斷， 因為未來技術難以把握， 基于專家的方法可以在局部范圍內或細分技術領域保證較高的效率［１１］ 。但專家的判斷主要源于自身的知識和經驗， 缺乏客觀數據和定量分析法的支撐， 這就大大降低了技術機會分析的客觀性與準確性［１２］ 。人們便開始用基于大數據的方法對專家方法進行補充， 試圖從大量的技術文件中，獲取專家無法通過自身經驗掌握的技術情報［１３］ 。但隨著研究的深入， 人們發現這些方法往往都會在一定程度上依賴專家判斷， 學者們便嘗試將兩種方法相結合， 或是在定量分析中引入形態學、ＴＲＩＺ理論、德爾菲法、技術路線圖等先進的定性方法，或是先讓專家判斷出可能的技術機會再用計量方法進行篩選， 或是先做定量分析再由專家對得到的技術機會進行評估［１４］ 。本文采用專家判斷與定量分析相結合的方法， 以日本專利局Ｆ－ｔｅｒｍ 專家分類體系為基礎， 通過對專利數據的文本挖掘， 從多角度進行技術特征標引來識別技術機會， 以減少主觀判斷對研究結果的影響。

１ ２ 技術機會分析數據源

技術機會分析的數據源以科學論文和技術專利為主。其中， 專利是衡量技術情報最可靠的指標之一， 因而被廣泛使用。大量研究證明， 專利數據能夠作為技術客觀變化、技術成熟的重要指標， 代表著特定技術領域的發明成果， 通過專利分析可以有效地衡量技術變革， 預測技術發展趨勢［１５］ 。Ｗａｔｔｓ和Ｐｏｒｔｅｒ 兩位教授提出， 在經濟全球化的大背景下， 專利文獻已經成為企業獲取競爭優勢的關鍵，利用文獻計量挖掘高質量的技術情報也已成為非常有潛力的分析方法。現有的專利分析方法由淺入深主要有３ 個層次： 第一層是對專利文獻的外部特征進行統計， 分析某一時間范圍內專利投入產出比，或是某一技術領域研究熱點的轉移情況。第二層是對統計結果做進一步整理， 包括按時間序列整理、基于技術生命周期的短期預測和基于專利申請的空間分布分析。第三層是從多角度對第二層的結果進行整合， 主要有專利組合分析、ＴＥＭＰＳＴ 分析、因果分析等。這三層分析方法逐層深入， 經過科學的加工整理， 對專利信息進行了深度挖掘與縝密剖析， 由此得到不同層次的技術機會。因此， 專利作為技術創新和決策活動的參照依據， 是技術機會分析的重要數據源。

１ ３ 以融合為基礎的技術機會識別

目前， 技術機會的識別研究主要有３ 個方面：技術空缺方面、新興技術方面和技術融合方面。技術空缺研究旨在識別出滿足某領域技術需求的機會； 新興技術研究旨在尋找增長迅速、市場潛力大的機會； 技術融合研究旨在預測不同領域間知識的流動來識別技術機會［１６］ 。雖然技術空缺和新興技術方面的技術機會識別研究已取得豐富的成果， 但主要是基于某一特定技術領域， 并沒有考慮到可能存在于其他領域甚至不同行業的技術機會， 這樣往往會錯過許多潛在的可能。技術融合將不同領域的技術進行交叉， 使各類知識協同、整合， 甚至在新舊技術的交替中形成顛覆性技術［１７］ ， 從而實現技術創新。這種融合思想注重多角度、跨領域地尋求技術合作， 將傳統框架之外的知識和技術引入進來，破解了單一領域“技術創新的窘境”， 給技術機會分析帶來了新的解決思路［１８］ 。實際上， 融合就是使不同學科、技術、市場、領域之間的界限變得模糊。無論是對不同領域的技術實施技術共享， 還是將同一領域內具有不同屬性的技術進行融合， 都能最大限度地發揮技術的發展性和兼容性， 有針對性地解決一些技術難題， 使融合后的技術發揮強大的滲透效果。可見， 技術融合具有很大的新穎性和突破性， 是機會識別的重要一環， 信息技術間的互補與借鑒、吸收與內化， 可以拓寬單項技術的研究內容和發展空間， 不僅有利于科研創新和應用轉化，還能產生巨大的經濟價值和社會效益［１９］ 。

經過多年研究， 學者們在技術融合領域積累了大量研究成果， Ｈａｃｋｌｉｎ Ｆ［２０］ 用信息與通信技術（ＩＣＴ）產業的發展進程探索了技術融合的不同階段，Ｏｌａｗｕｙｉ Ｊ Ｏ 等［２１］ 分析了技術融合對戰略和政策的影響， Ｋｉｍ Ｍ Ｓ 等［２２］ 對比分析了基于技術融合的國家研發項目現狀， 對融合效果做了較客觀的評價，Ｐｉｌ Ｆ Ｋ 等［２３］ 側重理論研究， 用其他領域的原理解釋了融合現象， 伊惠芳等［２４］ 從同域融合和跨域融合兩個方面研究了技術創新全視角下的技術機會，吳一平等［２５］ 提出了一種融合評論主題識別與技術屬性多維度分析的技術機會發現方法， 為企業前瞻布局研發方向與科研管理規劃提供了決策建議支持。但是技術融合研究目前仍存在一些問題： 一方面， 當前的研究只是從理論層面對相關概念和案例的介紹， 缺少實證研究結果； 另一方面， 這些研究只停留在行業或應用層面， 缺少具體的技術層面分析。因此， 本文將融合理論和現實應用相結合， 從實證角度進行技術融合研究， 旨在從技術層面挖掘技術機會。

２ 研究方法

２ １ 主體框架概述

本文的研究思路是將文本挖掘技術運用到Ｆｔｅｒｍ系統中， 根據技術融合結果識別技術機會。在這一過程中， 不再放眼整個專利主題， 而是將重點放在技術屬性和技術特征上， 從多個角度對不同領域、不同層面的技術進行融合， 再對融合結果進行專利組合分析， 最后根據結果所處的區域， 選出科學的技術機會方案。本文的研究過程分為以下４ 個步驟： 第一步是根據需求選擇目標技術， 在Ｆ－ｔｅｒｍ分類系統中標出它對應的技術主題碼。第二步是確定參照技術， 先清洗技術分類表得到符合條件的參照技術組， 再用余弦相似度和技術生命周期兩個標準進行篩選， 確定具有融合潛力的參照技術。第三步是根據技術的屬性和特征， 從ＴＡｉ 和ＴＡｉ（ｊ） 兩個層面， 將目標技術和參照技術進行融合， 形成技術機會。最后一步是對技術機會進行專利組合評估，根據技術所處區域選出最優解。

２ ２ 選擇目標技術

目標技術的選擇是方法的第一步， 也是整個研究開展的前提， 需要先選擇一個研究領域， 然后在Ｆ－ｔｅｒｍ 分類系統中找到該領域對應的技術主題碼作為目標技術。目前圖像處理已成為信息社會中不可分割的一個重要部分， 有著許多前沿技術， 應用領域非常廣泛［２６］ 。因此， 對照Ｆ－ｔｅｒｍ 分類表， 將５Ｂ０５７（圖像處理）選為目標技術。這里有必要對Ｆ－ｔｅｒｍ 分類體系做個簡要介紹， Ｆ－ｔｅｒｍ 是在ＩＰＣ 分類體系和ＦＩ 分類體系基礎上進行的細分， 從多個維度對技術進行標注， 如發明目的、用途、種類、場所、操作、功能、參數等， 從而形成一項專利技術的“立體分類”， 如圖２ 所示。顯然， Ｆ－ｔｅｒｍ 分類體系在多角度技術查找上更有優勢， 它的這種細致的、多維立體的特征為研究人員尋找技術機會提供了更多的可行性參考。

２ ３ 確定參照技術

通常情況下， 如果兩種技術的屬性十分相似，那么它們更有可能成功地實現技術融合。為了快速準確地找出可以與目標技術融合的參照技術， 對Ｆ－ｔｅｒｍ分類系統進行了文本挖掘， 對圖像處理技術的關鍵詞向量做了特征提取， 從中篩選出符合條件的參照技術。

Ｆ－ｔｅｒｍ 的結構如圖３ 所示， 每個主題下的技術包含ＴＡｉ 和ＴＡｉ（ｊ） 兩個層面， 其中ＴＡｉ 是指技術的屬性， ＴＡｉ（ｊ） 則是對ＴＡｉ 層面的進一步細分， 指技術的特征。經比較得到了與目標技術具有一個以上相同關鍵詞的結果， 共３００ 條。但這個數據量依然很大， 為了得到與目標技術相似性更高的結果，二次篩選將余弦相似度的閾值設置為０ ５， 大于閾值的技術就是參照技術， 由此得到了清洗后的技術分類表， 如表１ 所示。

由上一步的結果得到了一份相似度大于０ ５ 的技術分類表， 包括不同領域和相同領域的參照技術， 共１２ 個。這一步將根據不同的標準從中選出符合要求的參照技術。采用兩類標準， 標準一是將余弦相似度的值作為依據， 通過比較參照技術與目標技術的相似程度， 把相似度最高的技術作為參照技術。余弦相似度（Ｃｏｓｉｎｅ Ｓｉｍｉｌａｒｉｔｙ）算法是以兩個向量的內積空間夾角余弦值衡量相似度的一種標準， 值域為［０，１］。在本文中， 用它來測量目標技術與參照技術之間的相似程度。Ｘｉ 表示技術ｉ 的關鍵詞向量， Ｘｊ 表示技術ｊ 的關鍵詞向量， 則Ｘｉ ＝（Ｘｉ１，Ｘｉ２，…，Ｘｉｎ ）， Ｘｊ ＝（Ｘｊ１，Ｘｊ２，…，Ｘｊｎ ）， 其中ｎ 表示一項技術在ＴＡｉ 和ＴＡｉ（ｊ） 層面提取到的關鍵詞總數。如果技術ｉ 和技術ｊ 的分類表中有相同關鍵詞ｋ， 則通過賦值， 將“１” 分配給Ｘ（ｉｋ） 和Ｘ（ｊｋ） ， 就表示兩種技術之間具有相似性， 否則值為０。因此， 技術相似性結果的取值范圍是０～１。

標準二是根據技術的發展階段， 將每年的專利申請量擬合為Ｓ 曲線來構建技術生命周期。技術生命周期顯示了技術發展周期性的特征， 包含引入期、生長期、成熟期和衰退期４ 個階段。當前， 基于專利信息來判斷技術生命周期的方法有很多， 其中， Ｓ 曲線是一種定量研究方法， 具有客觀定量計算、曲線直觀等優勢， 可以計算生命周期中的具體數值， 常被用來計算技術領域的生命周期。Ｓ 曲線中， 處于引入期的技術雖然專利申請量較少， 但它更有可能在其他領域展示出巨大潛力， 所以本文將處在引入期的技術作為參照技術。與此同時， 還參照了Ｌｏｇｉｓｔｉｃ 曲線來模擬技術的增長， 這些曲線由ａ、ｂ 和Ｌ ３ 個系數決定。其中， 系數ａ 和ｂ 分別描述了曲線的位置和形狀， 而Ｌ 是Ｙｔ 的漸近最大值。

在本文中， Ｌ ／ Ｙｔ≤０ １， ０ １＜Ｌ ／ Ｙｔ ≤０ ５， ０ ５＜Ｌ ／ Ｙｔ≤０ ９， Ｌ ／ Ｙｔ ＞０ ９， 分別對應了技術在引入期、生長期、成熟期和衰退期的取值范圍。根據Ｌ 與Ｙｔ的比， 就可以預測出技術的專利申請量， 以及其在技術生命周期中所處的發展階段。這樣， 根據標準一和標準二， 最終得到了目標技術在不同領域和相同領域的參照技術， 如下所示。

標準一： 選擇相似性更大的技術通過余弦相似度計算， 得出不同領域的２Ｆ０７７和相同領域的５Ｂ０５０ 與目標技術的相似性最大，基于標準一， 選擇２Ｆ０７７ 和５Ｂ０５０ 作為參照技術，如表２、表３ 所示。

標準二： 選擇處于引入期的技術收集２０１１—２０１５ 這５ 年的數據， 根據專利的累計申請量， 用Ｌｏｇｉｓｔｉｃ 模型計算得出了每個技術所處的階段。由于不同領域的２Ｆ０６８ 和相同領域的５Ｂ００９ 處于引入期， 所以基于標準二， 選擇２Ｆ０６８和５Ｂ００９ 作為參照技術， 如表４、表５ 所示。

２ ４ 融合目標技術與參照技術

根據技術屬性和技術特征， 從ＴＡｉ 和ＴＡｉ（ｊ） 兩個層面進行技術融合研究。如圖４ 所示， 基于ＴＡｉ的技術融合， 就是向目標技術引入它原本不具備的屬性元素， 使目標技術和參照技術在融合后產生新的功能， 從而創造新的技術思路。但如果有兩個以上適用的ＴＡｉ， 就需要設置優先級， 將級別較高的ＴＡｉ 優先同目標技術融合。

由于ＴＡｉ（ｊ） 層面的技術融合比ＴＡｉ 涉及更具體的技術單元， 所以當在ＴＡｉ 層面找不到新的元素時， 就將目光投向了ＴＡｉ（ｊ） 。基于ＴＡｉ（ｊ） 的技術融合，是當目標技術和參照技術具有同樣的技術屬性時，向目標技術引入它在ＴＡｉ（ｊ） 層面沒有的特征元素，從而使融合結果更加多元、更有創造性。如圖５ 所示， 藍色部分表示參照技術與目標技術共同使用的ＴＡｉ， 綠色部分表示參照技術獨有的ＴＡｉ（ｊ） ， 目的就是將其引入到目標技術中， 使新的技術思路在更具體的層面得到充分展現。下面將基于融合原理， 對圖像處理技術進行實證研究。

１） 基于ＴＡｉ 的融合過程

由于同一領域的技術屬性過于相近， 在技術融合時往往會因其相似的操作或結構而發生沖突， 因此， 在這一步中只考慮將目標技術與不同領域的參照技術進行融合。通過使用關鍵詞向量， 對參照技術２Ｆ０７７ 和２Ｆ０６８ 的每個ＴＡｉ 與目標技術５Ｂ０５７ 的所有ＴＡｉ 進行相似性計算， 仍將閾值設置為０ ５，最終得到了兩個相似比大于０ ５ 的融合結果， 如表６ 所示。

２） 基于ＴＡｉ（ｊ） 的融合過程

首先將目標技術的分類表按以下５ 個主題進行歸類： 技術應用、輸入、處理、加工、分析， 這樣就能對同一主題下的多個技術進行特征標引， 從而減少技術選擇的盲目性， 提高技術融合效率。如果參照技術的分類表中也包含了其中一類主題， 說明兩種技術具有相同的技術類別， 就可以按照融合原理進行第二個步驟： 向目標技術引入不同的ＴＡｉ（ｊ） 。

這一步驟中， 不同領域融合（５Ｂ－２Ｆ）和相同領域融合（５Ｂ－５Ｂ）后共得到７ 個結果， 如表７ 所示。

ＨＨＩ 一般被用于評估市場集中度， 數值越大表明市場集中度越高。本文將采用這種方法來測量Ｆ－ｔｅｒｍ分類系統中關鍵詞的集中度。測量公式為：

根據該技術在每個主題碼中出現的次數， 就可以計算該技術的ＨＨＩ 值。如果ＨＨＩ 的值較大， 說明該技術的關鍵詞在少數主題碼中出現的次數較多， 即它被限制在了某幾個領域中（因為１ 個主題碼表示１ 個領域）， 那么它在其他領域中的分布性就較低。相反， ＨＨＩ 的值越小， 表示關鍵詞越分散， 即該技術的分布性越好， 適用性越強， 如圖６所示。

假設Ｆ－ｔｅｒｍ 系統中有５０ 個主題碼， 如果一項技術的關鍵詞出現在了其中的３０ 個主題碼中， 共出現了３００ 次， 因此ＨＨＩ≦０ ０３， 說明該技術的關鍵詞不集中， 分布性較好。但是如果該技術的關鍵詞出現在了５ 個主題碼中， 同樣是出現了３００ 次，因此ＨＨＩ ＝０ ２５， 說明該技術的關鍵詞較集中， 分布性較差。因此， 用（１－ＨＨＩ）來表示關鍵詞不集中的概率， 即技術的適用性。

簡單地說， 專利組合評估方法， 就是根據一項技術的主要關鍵詞在其他領域中的分布情況和技術本身的增長情況， 來判斷這一新構想是否可被廣泛地用于各個領域并穩步發展。本文構建了一個二維矩陣， 根據該技術所處的區域來評估融合結果， 如圖７ 所示。

圖７ 中橫軸縱軸分別表示技術的增長潛力（簡稱ＴＧ）和分布適用性（簡稱ＴＡＰ）， 對融合結果所處的區域做了劃分： 第Ⅰ區域， 低潛力—高適用性， 代表技術的發展潛力較弱， 但對其他環境的適用性較高， 具有數量少、適用性高的特點。第Ⅱ區域， 高潛力—高適用性， 代表技術在未來的發展潛力和在其他環境中的適用能力都很好， 不僅數量龐大， 并且衍生力強， 總體呈現出多元化發展趨勢，這類技術最有可能為本領域帶來創新機會。第Ⅲ區域， 低潛力—低適用性， 代表該技術的未來發展潛力和應對其他環境的能力都較弱， 總體呈現弱勢發展。第Ⅳ區域， 高潛力—低適用性， 代表技術在未來的發展潛力較大， 但在其他環境中的適用性較低， 具有數量多、類型單一的特點。

３ 研究結果

對上文得到的９ 個融合結果進行了專利組合評估， 用不同顏色對不同區域做了標注， 如圖８ 所示， 綠色代表結果１、５、７， 黃色代表結果２、３、４、６、８， 紅色代表結果９。

從圖８ 中可以看出， 結果１、５、７ 位于Ⅰ區域（低潛力—高適用性）， 說明這３ 種技術的增長潛力雖然弱， 但在其他領域的分布性很好， 在未來的發展中衍生能力會很強； 結果２、６、８ 位于Ⅱ區域（高潛力—高適用性）， 通常情況下位于該區域的結果是被研究人員優先推薦的， 因為這些技術在后續的發展中， 基本能保持較高的專利數量， 并且該技術的衍生能力強， 整體呈現多元化發展， 這就為技術機會的發現帶來了新的思路； 結果３、４ 位于Ⅰ區和Ⅱ區的交界處， 這說明在不久的未來， 結果３、４ 能夠比位于Ⅰ區域的結果以更快的速度發展到Ⅱ區域（高潛力—高適用性）； 結果９ 位于Ⅲ區域（低潛力—低適用性）， 處于該區域的技術與其他區域相比研究價值較低， 無論是專利數量還是衍生能力都不是特別突出， 因此參考價值較低。值得注意的是， 雖然本文的融合結果并沒有位于Ⅳ區的技術， 但Ⅳ區和Ⅰ區同樣重要， Ⅰ區是通過技術在其他領域的分布情況來判斷技術適用性和影響力，而Ⅳ區則側重通過專利數量判斷技術的潛力。因此， 在未來的研究中， 對于出現在Ⅳ區的結果也要予以重視。根據評估結果， 可以依據以下優先順序進行技術機會的選擇： Ⅱ區＞靠近Ⅱ區交界處的區域＞Ⅰ區／ Ⅳ區＞Ⅲ區。由此得出， 位于Ⅱ區的２、６、８ 是最優融合結果， ３、４ 位于Ⅰ區和Ⅱ區的交界處， 是次優選擇。通過深入分析， 將這９ 個結果對應的技術機會匯總如表８ 所示。

需要說明的是， 這些技術機會是通過技術融合得出的， 它們不再屬于原來領域， 也不是某項單獨的技術， 而是一項新的產物， 代表未來具有重大發展潛力或拓展空間的發展方向。以最優評估結果２、６、８ 對應的技術機會為例， 結果２ 醫學超聲波圖像增強方法， 是基于超分辨率圖像重構技術， 將多次采集到的一系列低分辨率圖像整合成一幅高分辨率圖像， 使呈現的圖像更清晰， 目前該方法已被用于臨床疾病的早期診斷和篩查［２７］ ； 結果６ 三維成像技術， 可以保存物體的空間三維信息并呈現出立體逼真的畫面， 在自動駕駛、機器視覺、人臉識別與檢測等領域有著廣闊的應用前景［２８］ ， 其中的三維熒光顯微成像技術， 由于具有高分辨率、高靈敏度、高分子特異性以及非介入性的優點， 能夠提供完善的微觀生物信息， 未來可能成為生命科學研究的重要工具； 結果８ 圖像信息隱藏技術， 是將秘密信息嵌入在公開傳播的載體中但不改變載體本來的樣子來實現秘密信息的傳遞， 目前已廣泛用于可見密碼、隱藏協議、數字水印等技術中， 給信息安全領域帶來了巨大突破［２９］ 。這表明這些技術受到了研究人員的廣泛關注， 被用于各個領域解決技術難題。

為了進一步驗證本方法識別的技術機會具有較大的技術潛力， 本文用德溫特數據庫對這些技術近１０ 年的專利數量進行了統計分析， 圖９ 是各技術機會在２０１３—２０２２ 年的專利數量走勢。從圖９ 中可以看出， 結果６ 與結果８ 的專利數量持續上升， 表明這兩種技術的發展潛力較大， 結果２ 與結果３ 的走勢比較穩定， 數量較多且一直在被關注， 而其他結果由于專利數量太少， 看不到明顯的變化趨勢。總體來說， 這個結果表明本方法識別的技術機會確實具有較大技術潛力， 這也驗證了本方法的有效性。

４ 結 論

與以往研究相比， 本文的創新之處主要體現在３ 個方面：

第一， 本文采用融合驅動的方法識別技術機會， 是因為在技術創新的形式中， 技術融合是技術進化與創新的主要方式和根本體現， 技術新生是由領域專家依靠技術矩陣或專利地圖進行識別， 但這種方法實現過程復雜， 且得到的技術機會范圍相對較粗， 而技術突破的重點在于解決技術瓶頸或技術障礙， ＴＲＩＺ 創新方法和ＬＯＦ、ＡＢＯＤ 等離群異常專利探測技術是有效的解決辦法， 但局限就是過多依賴專家的領域知識和能力， 在信息量較大的情況下耗時過長， 而融合文本挖掘的手段是解決海量數據與專家智慧的未來折中之法［２４］ 。因此， 本文將定量方法與專家經驗相結合， 把文本挖掘技術運用到專利分析中， 通過對目標技術的關鍵詞向量進行特征提取， 從基于多元特征標引的Ｆ－ｔｅｒｍ 分類體系里篩選出具有融合潛力的參照技術， 從而在目標技術和參照技術的融合結果中識別技術機會。

第二， 本文提出了多領域下的技術融合研究。已有研究多關注某一特定技術領域或兩技術領域間的融合情況， 但在多技術領域的研究中存在局限性［３０］ 。本文將研究對象拓展到了多個領域， 著重關注不同領域間實現技術融合的可能性， 進而擴大了技術機會發現范圍， 更加高效助力技術機會識別研究。

第三， 本文使用了新的專利分類體系Ｆ－ｔｅｒｍ系統。與國際專利分類法ＩＰＣ 相比， 該系統的最大特點在于， 可以從多個維度對同一主題的技術屬性進行特征標引， 這樣不僅能從整體上對技術進行標注， 還可以從各個特征層面標注技術， 這樣一篇專利文獻往往可以包含幾十甚至上百個分類號。顯然，Ｆ－ｔｅｒｍ 分類體系在多角度檢索方面具有相當的優勢， 所以本文采用Ｆ－ｔｅｒｍ 系統作為數據源。

參照技術的標準選擇是下一步的研究問題， 本文采用了兩個標準來確定參照技術， 余弦相似度和技術生命周期。使用這兩個標準是因為宏觀市場具有不確定性、不連續性和復雜性的風險， 而這樣的風險對形成的技術機會是一種巨大的考驗， 如何使技術機會適應這樣風云變幻的市場需求是亟需解決的問題， 因此， 在進行技術融合前就制定了相關標準。但這些標準并非是一成不變的， 使用者可以根據需求對參照技術進行篩選， 使最終的實驗結果更加符合要求。但是標準增加會帶來融合結果數量的增大， 這也增加了技術機會的篩選難度。所以標準的選擇具有靈活性， 數量和類型也要依具體情況而定。

參考文獻

［１］ 呂璐成， 趙亞娟， 王學昭， 等． 基于表示學習的技術融合差異度測度方法及其效果研究［Ｊ］． 圖書情報工作， ２０２２， ６６ （４）：１１８－１２８．

［２］ 李昌， 周錦錦， 楊中楷． 動態演化過程視角下技術融合生長點識別研究［Ｊ］． 圖書情報工作， ２０２２， ６６ （７）： ９９－１０９．

［３］ 杜建， 孫軼楠， 李永潔， 等． 從科學—技術交叉處識別創新前沿： 方法與實證［ Ｊ］． 情報理論與實踐， ２０１９， ４２ （１）： ９４－９９．

［４］ 李牧南， 王雯殊． 基于文本挖掘的人工智能科學主題演進研究［Ｊ］． 情報雜志， ２０２０， ３９ （６）： ８２－８８．

［５］ 張鼐， 劉玉梅， 艾華， 等． 基于專利的技術機會分析方法與應用研究［Ｊ］． 現代情報， ２０１５， ３５ （１０）： １０４－１０６， １１０．

［６］ Ｆａｂｒｙ Ｂ， Ｅｒｎｓｔ Ｈ， Ｌａｎｇｈｏｌｚ Ｊ， ｅｔ ａｌ． Ｐａｔｅｎｔ Ｐｏｒｔｆｏｌｉｏ Ａｎａｌｙｓｉｓ ａｓａ Ｕｓｅｆｕｌ Ｔｏｏｌ ｆｏｒ Ｉｄｅｎｔｉｆｙｉｎｇ Ｒ＆Ｄ ａｎｄ Ｂｕｓｉｎｅｓｓ Ｏｐｐｏｒｔｕｎｉｔｉｅｓ—ＡｎＥｍｐｉｒｉｃａｌ Ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｔｈｅ Ｎｕｔｒｉｔｉｏｎ ａｎｄ Ｈｅａｌｔｈ Ｉｎｄｕｓｔｒｙ ［ Ｊ］．Ｗｏｒｌｄ Ｐａｔｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎ， ２００６， ２８ （３）： ２１５－２２５．

［７］ Ｓｏｎｇ Ｋ， Ｋｉｍ Ｋ Ｓ， Ｌｅｅ Ｓ． Ｄｉｓｃｏｖｅｒｉｎｇ Ｎｅｗ Ｔｅｃｈｎｏｌｏｇｙ Ｏｐｐｏｒｔｕｎｉ?ｔｉｅｓ Ｂａｓｅｄ ｏｎ Ｐａｔｅｎｔｓ： Ｔｅｘｔ－ｍｉｎｉｎｇ ａｎｄ Ｆ－ｔｅｒｍ Ａｎａｌｙｓｉｓ ［ Ｊ］．Ｔｅｃｈｎｏｖａｔｉｏｎ， ２０１７， ６０－６１： １－１４．

［８］ Ｐｏｒｔｅｒ Ａ Ｌ， Ｄｅｔａｍｐｅｌ Ｍ Ｊ． Ｔｅｃｈｎｏｌｏｇｙ Ｏｐｐｏｒｔｕｎｉｔｉｅｓ Ａｎａｌｙｓｉｓ［ Ｊ］． Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｆｏｒｅｃａｓｔｉｎｇ ａｎｄ Ｓｏｃｉａｌ Ｃｈａｎｇｅ， １９９５， ４９（３）： ２３７－２５５．

［９］ Ｙｏｏｎ Ｂ， Ｐａｒｋ Ｉ， Ｃｏｈ Ｂ． Ｅｘｐｌｏｒｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｏｐｐｏｒｔｕｎｉｔｉｅｓ ＢｙＬｉｎｋｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｐｒｏｄｕｃｔｓ： Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｍｏｒｐｈｏｌｏｇｙ Ａｎａｌ?ｙｓｉｓ ａｎｄ Ｔｅｘｔ Ｍｉｎｉｎｇ ［ Ｊ］． Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｆｏｒｅｃａｓｔｉｎｇ ａｎｄ ＳｏｃｉａｌＣｈａｎｇｅ， ２０１４， ８６： ２８７－３０３．

［１０］ 王雪原， 孫美霞． 不同創新情境下新興機會識別研究———以碳纖維領域為例［ Ｊ］． 情報理論與實踐， ２０２２， ４５ （１０）： １１４－１２４．

［１１］ Ｃｕｈｌｓ Ｋ， Ｓａｌｏ Ａ． Ｔｅｃｈｎｏｌｏｇｙ Ｆｏｒｅｓｉｇｈｔ－ｐａｓｔ ａｎｄ Ｆｕｔｕｒｅ ［ Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｆｏｒｅｃａｓｔｉｎｇ， ２００３， ２２ （２－３）： ７９－８２．

［１２］ 高楠， 彭鼎原， 傅俊英， 等． 基于專利ＩＰＣ 分類與文本信息的前沿技術演進分析———以人工智能領域為例［ Ｊ］． 情報理論與實踐， ２０２０， ４３ （４）： １２３－１２９．

［１３］ Ｓｈｉｂａｔａ Ｎ， Ｋａｊｉｋａｗａ Ｙ， Ｔａｋｅｄａ Ｙ， ｅｔ ａｌ． Ｄｅｔｅｃｔｉｎｇ ＥｍｅｒｇｉｎｇＲｅｓｅａｒｃｈ Ｆｒｏｎｔｓ Ｂａｓｅｄ ｏｎ Ｔｏｐｏｌｏｇｉｃａｌ Ｍｅａｓｕｒｅｓ ｉｎ Ｃｉｔａｔｉｏｎ Ｎｅｔｗｏｒｋｓｏｆ Ｓｃｉｅｎｔｉｆｉｃ Ｐｕｂｌｉｃａｔｉｏｎｓ ［ Ｊ］． Ｔｅｃｈｎｏｖａｔｉｏｎ， ２００８， ２８ （ １１）：７５８－７７５．

［１４］ Ｙｏｏｎ Ｂ， Ｐａｒｋ Ｙ． Ａ Ｓｙｓｔｅｍａｔｉｃ Ａｐｐｒｏａｃｈ ｆｏｒ Ｉｄｅｎｔｉｆｙｉｎｇ Ｔｅｃｈｎｏｌｏ?ｇｙ Ｏｐｐｏｒｔｕｎｉｔｉｅｓ： Ｋｅｙｗｏｒｄ－ｂａｓｅｄ Ｍｏｒｐｈｏｌｏｇｙ Ａｎａｌｙｓｉｓ ［Ｊ］． Ｔｅｃｈ?ｎｏｌｏｇｉｃａｌ Ｆｏｒｅｃａｓｔｉｎｇ ａｎｄ Ｓｏｃｉａｌ Ｃｈａｎｇｅ． ２００５， ７２ （２）： １４５－１６０．

［１５］ Ｋｉｍ Ｊ， Ｌｅｅ Ｓ． Ｆｏｒｅｃａｓｔｉｎｇ ａｎｄ Ｉｄｅｎｔｉｆｙｉｎｇ Ｍｕｌｔｉ－ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎ? ｖｅｒｇｅｎｃｅ Ｂａｓｅｄ ｏｎ Ｐａｔｅｎｔ Ｄａｔａ： Ｔｈｅ Ｃａｓｅ ｏｆ ＩＴ ａｎｄ ＢＴ Ｉｎｄｕｓｔｒｉｅｓｉｎ ２０２０ ［Ｊ］． Ｓｃｉｅｎｔｏｍｅｔｒｉｃｓ， ２０１７， １１１ （１）： ４７－６５．

［１６］ 張振剛， 羅泰曄． 基于ＲＦＭ 模型和隨機行動者導向模型的技術機會識別［Ｊ］． 情報學報， ２０２１， ４０ （１）： ５３－６１．

［１７］ 江曼， 孫明漢， 余翔， 等． 協同創新視角下技術機會識別模型———以中國智能機器人為例［Ｊ］． 情報雜志， ２０２０， ３９ （７）：４２－４８．

［１８］ 劉曉燕， 孫麗娜， 裘靖文， 等． 基于多層網絡的人工智能領域跨界技術融合［Ｊ］． 復雜系統與復雜性科學， ２０２２， １９ （１）：４５－５１．

［１９］ 馮秋燕， 朱學芳． 基于科學計量的信息技術融合分析［ Ｊ］．情報科學， ２０２０， ３８ （２）： １４２－１５０， １７６．

［２０］ Ｈａｃｋｌｉｎ Ｆ． Ｆｕｎｄａｍｅｎｔａｌｓ ｏｆ Ｃｏｎｖｅｒｇｅｎｃｅ ａｎｄ Ｉｎｎｏｖａｔｉｏｎ ［ Ｊ］．Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｃｏｎｖｅｒｇｅｎｃｅ ｉｎ Ｉｎｎｏｖａｔｉｏｎ： Ｓｔｒａｔｅｇｉｅｓ ａｎｄ Ｃａｐａｂｉｌｉ?ｔｉｅｓ ｆｏｒ Ｖａｌｕｅ Ｃｒｅａｔｉｏｎ Ｂｅｙｏｎｄ Ｂｌｕｒｒｉｎｇ Ｉｎｄｕｓｔｒｙ Ｂｏｕｎｄａｒｉｅｓ， ２００８，（１）： ２５－４９．

［２１］ Ｏｌａｗｕｙｉ Ｊ Ｏ， Ｆｒｉｄａｙ Ｍ． Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｃｏｎｖｅｒｇｅｎｃｅ ［Ｊ］． Ｔｅｃｈｔｒｅｎｄｓ，２０１２， ３３ （６）： ８－１２．

［２２］ Ｋｉｍ Ｍ Ｓ， Ｋｉｍ Ｃ． Ｏｎ ａ Ｐａｔｅｎｔ Ａｎａｌｙｓｉｓ Ｍｅｔｈｏｄ ｆｏｒ ＴｅｃｈｎｏｌｏｇｉｃａｌＣｏｎｖｅｒｇｅｎｃｅ ［Ｊ］． Ｐｒｏｃｅｄｉａ－Ｓｏｃｉａｌ ａｎｄ Ｂｅｈａｖｉｏｒａｌ Ｓｃｉｅｎｃｅｓ， ２０１２，４０： ６５７－６６３．

［２３］ Ｐｉｌ Ｆ Ｋ， Ｈｏｌｗｅｇ Ｍ． Ｅｖｏｌｖｉｎｇ ｆｒｏｍ Ｖａｌｕｅ Ｃｈａｉｎ ｔｏ Ｖａｌｕｅ Ｇｒｉｄ［Ｊ］． ＭＩＴ Ｓｌｏａｎ Ｍａｎａｇｅｍｅｎｔ Ｒｅｖｉｅｗ， ２００６， ４７ （４）： ７２－８０．

［２４］ 伊惠芳， 劉細文， 龍藝璇． 技術創新全視角下技術機會發現研究進展［Ｊ］． 圖書情報工作， ２０２１， ６５ （７）： １３２－１４２．

［２５］ 吳一平， 白如江， 劉明月， 等． 融合評論主題識別與技術屬性多維度分析的技術機會發現研究［Ｊ］． 圖書情報工作， ２０２１，６５ （１０）： ５６－６７．

［２６］ 陳應霞， 黃明歡， 曹治， 等． 大學生在圖像處理領域創新創業探討［Ｊ］． 科技與創新， ２０２２， （１２）： １３８－１４０．

［２７］ 齊鑫， 楊智， 李冬果． 基于超分辨率重構技術的醫學超聲波圖像增強方法研究［Ｊ］． 生物醫學工程研究， ２０１９， ３８ （１）：５９－６２．

［２８］ 池漢彬， 段輝高， 胡躍強． 超構表面在三維成像與顯示技術中的應用［Ｊ］． 光學精密工程， ２０２２， ３０ （１５）： １７７５－１８０１．

［２９］ 李笑． 圖像信息隱藏技術的研究和實現［Ｄ］． 西安： 西安工程大學， ２０２１： ３．

［３０］ 王艷， 苗紅， 李欣， 等． 知識基因視角下的技術融合機會發現研究［Ｊ］． 科學學與科學技術管理， ２０２１， ４２ （７）： １８－３４．

（責任編輯： 陳 媛）