专利间知识流动与技术融合趋势研究

魏红芹,周 成

(东华大学 旭日工商管理学院,上海 200051)

通过专利引用关系研究技术交叉融合趋势,进而发掘主流技术领域和新兴领域具有现实意义。考虑到目前专利技术边界划分的片面性、技术融合过程缺乏对时间因素的考虑,提出一套结构化的技术融合分析方法。利用产业与专利的映射关系,构建不同技术领域间知识流动矩阵;从技术溢出、技术影响两个维度,构建技术融合趋势图,刻画出4种不同的技术融合类型,并通过时间序列分析技术融合的动态过程。以国家知识产权局新能源汽车专利数据为例,验证了方法的可行性,发现技术融合过程存在明显的技术邻近性,并且技术融合角色呈现动态变化。

关键词技术融合;知识流动;专利引用分析;新能源汽车

0 引言

技术融合正成为联合创新过程中的主流现象[1]。不同技术领域的壁垒效应随着开放式创新思想的兴起正被逐渐弱化,越来越多的创新发明来源于不同技术领域的融合和交叉。因此,通过分析不同技术领域的动态发展趋势和技术扩散轨迹,寻找新兴的交叉技术领域,能够为跨学科和技术类别的联合创新提供方向及机会,提高创新质量,降低研发风险。

跨学科技术融合分析属于主动预测未来技术发展趋势的思想,这种思想主要来源于TRIZ理论[2]。技术系统进化理论是TRZI理论的基础,通过对大量专利的分析,提炼出技术进化基本法则,用于确认当前产品的技术状态,并预测未来技术趋势,开发富有竞争力的产品,体现了“今天设计明天的产品”的思想[3]。将TRIZ创新分析思想与跨学科技术融合相结合,有助于通过技术创新演化规律,确定主流技术领域,找出影响技术发展的壁垒和难点,发掘新兴技术。另外,专利通过引用关系带来的“主动”知识流动行为[4],为研究跨技术类别的融合情况提供了一个很好的切入点:不同技术领域通过“被引”或“施引”行为产生的引用数量多少能够反映其知识流动情况,技术间流动频繁程度越高,技术融合效应也就越明显。目前在相关研究中,专利的引用关系被广泛地用来测度这种知识流动[5-6],因为专利数据是实时更新的,并且能够可靠地反映某个或几个技术领域的发展情况。因此,对专利数据的分析能够产生关于技术融合的有效信息,同时,这种分析过程也能作为发掘新兴技术领域的一个系统性方法。

以往基于专利引用信息进行技术融合分析的研究中,大都从专利类别(以专利国家IPC分类号作为技术边界)层面上进行分析,比如:Kajikawa等[7]使用美国专利分类号对能源领域专利数据进行了分析,发现太阳能电池是未来世界能源发展的主要方向;HJ No等[8]使用国际IPC专利分类号对纳米技术领域的专利进行分析,给出了该领域的技术融合模式,并对专利引用关系进行了可视化分析;黄鲁成等[9]通过对太阳能电池技术的技术轨道识别,给出了该技术领域的技术发展趋势和关键路径。这些研究在技术融合方面取得了一定成果,但研究范围都基于已有的专利技术分类体系,比如国际IPC分类体系。在实际情况中,某个技术领域可能包含多个专利类别,或者某个交叉技术领域并不能被一个专利类别所概括,这就需要对专利类别进行适当调整,结合具体产业对那些具有相同或相似性质的专利类型加以合并;另外,以往对技术融合过程的讨论大多从整体考虑,忽略了时间因素对融合发展趋势的影响,缺乏对融合的动态变化过程描述。分析技术融合发展趋势,更重要的是研究不同技术产业间如何进行知识流动。这是因为积极的知识溢出效应意味着通过尝试多元化技术融合,产生新的交叉技术领域,这样的交叉领域不会衍生于已有的单一技术领域。

基于上述分析中存在的问题,本文利用国家知识产权局的专利数据,以中国新能源汽车为例,提出一套结构化的技术融合分析方法。该方法首先基于目标技术领域建立一个专利引用网络,并结合专利与产业的映射关系,构建知识流动图;然后,基于技术融合评价指标,绘制技术融合矩阵,对技术融合的特征和发展趋势进行深入发掘。

1 研究方法

Gress[10]证明了专利引用关系符合社会网络的基本特征。基于社会网络相关知识,本文将技术融合分析过程结构化,主要分为3个阶段:①对已有专利类别进行二次技术分类,并构建技术领域间知识流动矩阵;②利用社会网络对知识流动矩阵进行可视化,计算不同技术领域的知识流动指标数值;③结合技术影响力系数和技术溢出系数两个指标绘制技术融合矩阵图,分析技术融合的特征和趋势。

本文结合有向社会网络[11]知识,将技术领域间知识流动模式分为4种类型,如图1所示,图中节点代表一个技术领域,连接线表示知识流动。外部吸收(External Absorption,EA)表示节点从其它技术领域吸收的知识;外部扩散(External Diffusion,ED)表示节点对外的知识扩散;内部吸收(Internal Absorption,IA)和内部扩散(Internal Diffusion,ID)表示节点内部的知识流动情况,上述4种流动模式的量化指标如表1所示。

姜照华等[12]认为一个技术领域对技术网络的影响包括对网络中其它技术领域的影响和对自身的影响两个方面,该影响力能够反映技术领域的活跃程度;周磊等[13]发现知识溢出明显的技术领域更容易成为整个技术网络中的知识生产者,对技术发展方向有着重要影响。因此,结合上述研究成果,本文提出两个新指标,描述技术领域在技术网络中的影响程度和知识溢出情况,具体描述如表2所示。

图1 知识流动模式

表1 知识流动模式评价指标

吸收扩散技术领域边界外部EAi=∑ind(i)≠ind(j)KFj,i∑i∑jKFj,iEDi=∑ind(i)≠ind(j)KFi,j∑i∑jKFi,j内部IAi=∑ind(i)=ind(j)KFj,i∑i∑jKFj,iIDi=∑ind(i)=ind(j)KFi,j∑i∑jKFi,j

注:KFj,i表示技术领域ij的知识流动,ind(i)表示i所属的技术领域。∑ijKFi,j表示全部的知识流动数量,本文以专利的引用次数作为知识流动的量化指标

表2 技术影响与技术溢出评价指标

指标公式含义技术影响系数EI(External Impact)=ED+EA表示技术领域在整个技术网络的影响程度技术溢出系数EC(External Causality)=ED-EA表示技术领域的知识输出能力,数值高意味着知识的吸收再转化能力强,是新技术的生产者

2 数据来源

本文以国家知识产权局专利数据库(SIPO)作为数据来源,通过检索与新能源汽车相关的发明专利获得相关数据。检索表达式:摘要=(新能源汽车,电动汽车,混合动力汽车,太阳能汽车,氢动力汽车,替代能源汽车,燃料电池汽车),检索日期为:2007.1.1-2017.11.30,数据范围:中国发明专利。经过筛选,共得到193条专利(筛选条件:至少包含一条施引或者被引关系且专利申请者为中国,包括港澳台地区,不包含国外企业或个人在中国申请的专利)。专利数量分布如图2所示。

图2 专利分布

3 技术融合分析过程

3.1 技术分类与知识流动矩阵构建

本文把收集到的193个与新能源汽车直接相关的专利称为“源”专利集,与其存在引用关系的专利称为“相关”专利集,利用SQL数据库软件对专利的引用关系进行整理,得到907条引用关系。专利的IPC分类能够有效地表示专利的技术范围,但完整的IPC分类号过于细致,统计工作量巨大,翟东升等[14]、Choe等[15]在利用IPC分类号划分专利技术范畴时,认为IPC分类号的前3位就能够代表绝大部分的技术领域。因此,本文借鉴上述两位作者对于IPC分类号的截取方法,采用专利IPC分类号的前3位代表专利所属的技术范畴,通过整理共获得31个不同的IPC类别,并结合国家统计局对新能源汽车的行业分类标准[16]以及产业与专利的映射关系[17-18],对这31种IPC类别重新进行技术领域划分,得到新能源汽车相关的技术领域,如表3所示。将“源”专利集与“相关”专利集按表3的划分依据,构建知识流动矩阵,如表4所示。

3.2 矩阵可视化与知识流动指标计算

利用NetMiner软件对14个技术领域间的知识流动矩阵进行可视化,如图3所示,图中每个节点代表一个专利IPC分类,大圈为整合后的技术领域。然后,利用表2、表3给出的6个指标,结合表4的引用次数,得到14个技术领域的知识流动指标数值,如表5所示。其中,IA和ID有相同数值,因为技术领域内部的扩散和吸收在知识流动总量上不会发生变化。

3.3 技术融合图绘制

本文使用技术影响力系数和技术溢出系数两个指标,绘制14个技术领域的技术融合图,如图4所示。图4中横轴代表技术影响力(以最高数值的50%作为分界点),纵轴表示技术溢出(以0作为分界点),本文将新能源汽车的14个技术类别大致分为4个区域。

4 结果分析

从表4中可以看出,类别14(传统车辆控制部件)、类别9(车辆电子电气)的知识流动频繁,说明这两个领域是目前国内新能源汽车的主要技术领域,未来发展会成为新能源汽车创新的主要技术方向。

表3 专利分类

类别技术领域描述所含专利类别1金属材料加工、铸造、运输B21、B22、B23、B25、B29、B652有机高分子化合染料、染剂C08、C093冶金C22、C254发动机F01、F025液压机械F04、F156车辆部件隔热、冷却F16、F24、F25、F287车辆检测G01、G058车辆信号G06、G07、G08、G099车辆电子电气H01、H0210车辆通信H04、H0511车辆安全E0512车辆事故救生A61、A6213农业机械A0114传统车辆控制部件B60、B62

表4 技术类别间知识流动矩阵

源类别目标类别1234567891011121314128111921253114183511126222111572105971108211151793311116205431012634111231314111520428411244

图3 技术类别间知识流动

从图3中可以看出,类别7、8、9、14与其它技术领域的知识流动密切,是存在技术融合的可能领域;类别11和13的知识流动很少,说明这两个技术领域尚不属于新能源汽车的主流技术范畴。

从表5中可以看出,类别9和14在技术输出、技术吸收以及内部知识流动方面均处于领先位置,说明这两个技术领域在知识流动中的“中介”作用比较明显,技术吸收转化能力处于领先位置,在整个技术网络中的技术影响力较大;技术领域内部的知识流动总量较大,意味着技术邻近性对知识流动和技术融合有着促进作用,王海军[19]、史烽[20]、胡杨[21]等学者都证实了这一结论的准确性;类别11、12、13是纯粹的知识输出者,说明这3个类别的技术原创性较好,创新能力较强,但知识输出量很少,目前新能源汽车领域对这些方面的知识需求不明显,技术活跃程度不高,其输出方向主要是类别9和14,类别9、14在技术融合过程中逐渐开始吸收车辆安全、事故救生相关知识,其技术交叉性和综合性比较明显。

从图4可以看出,在区域A中有着较高的技术影响力和知识输出能力。类别9的知识输出能力和技术影响力均较强,说明目前新能源汽车主要集中于电动汽车研发,对车辆电气相关技术知识需求比较大。

在区域B中,有着较高的外部影响力,但知识输出能力比较弱。从图4中可以看出,类别14的技术影响力最高,说明传统车辆控制技术知识是新能源汽车研发的基础性知识,为新能源汽车提供重要的基础性技术,但其知识输出能力较弱。本文认为造成这种情况可能是因为该领域正在进行技术知识转型,对新技术知识的需求较大,由于时间的关系,其吸收转化效率暂时不高,造成对外知识输出较少。所以,在未来发展中,类别14需要增强自身技术转化效率,适应新能源汽车发展趋势和速度。类别7、8相对类别14技术影响力较弱,但技术溢出较强,意味着车辆检测和信号技术是未来新能源汽车可能的新兴技术领域,对于想要进入新能源汽车行业的企业,特别是中小企业,可以考虑从这两个领域进行技术和市场探索,能够有较大机会提高自身技术和市场地位。

表5 各技术类别知识流动指标值

类别EA排序ED排序IA/ID排序EIEC10.008 82050.013 23070.030 87140.022 0510.004 41020.004 41080.005 51380.013 23080.009 9230.001 10330.001 103110.002 205120100.003 3080.001 10340.002 20590.003 30890.019 84660.005 5130.001 10350.002 205100.003 308100.012 12890.005 5130.001 10360.008 82060.020 94850.024 25650.029 7680.012 12870.049 61430.031 97430.115 76630.081 588-0.017 64080.028 66640.023 15340.016 53870.051 819-0.005 51090.061 74220.074 97220.226 02020.136 7140.013 230100.005 51370.017 64160110.023 1530.012 128110.001 103120130120.001 103-0.001 100120140.003 308110130.003 3080.003 308130.001 103130140140.001 103-0.001 100140.072 76710.097 02310.269 01910.169 791-0.024 260

图4 技术融合

剩余两个区域中,区域C相对于区域B虽然有着较高的知识输出能力,但其技术影响力很弱,意味着这个区域内的技术类别属于新能源汽车的边缘技术,主要为A、B技术领域提供重要的辅助性技术知识,在未来发展中可能向区域B甚至A转变。区域D与新能源汽车发展没有太多相关性,中、短期内可以不作重点考虑。

通过以上分析,并结合以往关于技术发展关键路径的研究[14,22],本文认为类别9和14是目前国内新能源汽车技术融合路径上的关键点,企业可以通过在这两个技术领域上的知识创新,获得进入新能源汽车主流技术领域的机会;类别7、8是未来的新兴技术领域;其余暂时属于边缘技术领域。但是,图3只是从整体上展示了技术融合情况,并没有考虑时间因素对技术融合的动态影响。因此,为了解决这个问题,本文结合时间序列知识将整个新能源汽车的技术周期分为3个阶段,考察融合的动态变化过程,如图5所示。

图5 技术融合趋势变化情况

从图5中可以看出,类别14的变化趋势比较明显,其知识输出能力有较为明显的减弱趋势,说明为了适应新能源汽车发展,该技术领域也在不断进行知识转型,对新的技术知识需求较大;类别9的知识输出能力变化趋势并不明显,但其自引频率有着明显增加,说明电动汽车相关技术领域内部知识交流更加频繁,技术邻近性更加明显;类别7和8的技术影响力有所下降,知识输出能力虽然变化幅度较大,但整体处于输入大于输出的情况,原因可能是在新能源汽车发展初期,其发展方向还不明确,很多技术创新也是偶然得出的,随着发展方向的确定,很多技术创新逐渐转向类别9和14,类别7和8的技术影响力呈逐渐下降趋势。

此外,一些新兴的技术领域主要在第二阶段出现,比如类别3(冶金)、类别11(车辆安全)、类别12(车辆事故救生),结合图2的专利分布情况可知,第二阶段是目前新能源汽车发展的增长期,所以,造成了“百花齐放”的局面,但在第三阶段中部分技术领域没有相关技术创新,说明国内对新能源汽车发展方向的认知性开始趋于统一,一些技术边缘性比较强的技术领域逐渐被放弃,比如类别5、13,但仍保留着那些重要的辅助性技术领域的创新活动。

通过上述分析可以看出,类别9、14始终保持技术领导地位,是技术融合的主要推动者,也是目前新能源汽车的主流技术方向;类别7和8是未来新能源汽车行业可能的新兴技术领域。

5 结论与政策建议

本文从专利引用网络出发,提出了一种通过测量技术知识流动情况分析行业技术融合特征和趋势的结构化方法。以中国专利数据库中与新能源汽车相关专利数据为基础,得到了以下结论:①技术融合上有着较为明显的技术邻近性,技术领域内部知识流动的频繁程度高于外部;②技术影响力和技术溢出程度能够有效反映技术领域在技术网络中的重要性和活跃性,并能反映其技术创新水平;③不同技术领域在动态融合过程中的技术角色会产生变化,主流技术会随时间发生更替,新兴技术因为技术融合而出现,边缘技术则会被淘汰。

通过专利引用而产生的技术融合其知识扩散成本最低,频繁的知识流动对产业技术创新带来显著的积极影响,高强度的技术融合能够提升知识创新水平,所以,本文提出以下政策建议:①促进技术相同或相似的产业集聚,形成产业集聚规模效应,合理规划产业集聚模式,着力打造技术相关性和互补性而非替代性的产业链。政府应该为本地区的技术企业或学校提供良好的协同创新制度环境,保证协同创新参与主体共同享有相似的创新激励政策,因为共同的准则、规范能够为主体之间知识的自由转移提供便利,从而提高知识转移效率;②在创新生产环节,保证对主流技术领域财政投入的同时,还应积极对相关上下游技术或新兴技术领域进行研发投入,对边缘或落后的技术领域,鼓励其进行技术转型。此外,还要加强知识创新成果转化,对成果为产品化、市场化提供相关指导;③政府应当扮演好知识共享平台搭建者的角色,在信息共享和政策支持方面为技术融合或协同创新提供良好环境,促进不同技术领域的信息互通,缩小技术距离,提高优秀技术成果产出。

本研究也存在一些局限和不足,比如:只是利用了专利间引用关系,对于专利文本的利用还有欠缺;对于时间因素只是作了简单划分,未进行更深入的探讨;产业与专利的映射还有进一步细化的空间。

参考文献:

[1] JIN JH, SANG CP, CHONG UP.Finding research trend of convergence technology based on Korean R&D network[J].Expert Systems with Applications, 2011, 38(12):15159-15171.

[2] 根里奇·阿奇舒勒.创新算法:TRIZ系统创新和技术创造力[M].武汉:华中科技大学出版社, 2008:20-25.

[3] 张换高, 王炎, 刘力萌,等.基于TRIZ理论的产品平台进化研究[J].机械设计与研究, 2017(4):1-5.

[4] CHOE H, LEE DH, KIM HD, et al.Structural properties and inter-organizational knowledge flows of patent citation network: the case of organic solar cells[J].Renewable & Sustainable Energy Reviews, 2016, 55(2):361-370.

[5] CHOI S, PARK H, KANG D, et al.An SAO-based text mining approach to building a technology tree for technology planning[J].Expert Systems with Applications An International Journal, 2012, 39(13):11443-11455.

[6] 黄鲁成, 王宁.专利视角下的技术扩散研究综述[J].科学学与科学技术管理, 2011, 32(10):27-34.

[7] KAJIKAWA Y, YOSHIKAWA J, TAKEDA Y, et al.Tracking emerging technologies in energy research: toward a roadmap for sustainable energy[J].Technological Forecasting & Social Change, 2008, 75(6):771-782.

[8] NO HJ, PARK Y.Trajectory patterns of technologyfusion:trend analysis and taxonomicalgroupingin nanobiotechnology[J].Technological Forecasting & Social Change, 2010, 77(1):63-75.

[9] 黄鲁成, 石媛嫄, 吴菲菲.基于专利引用的技术轨道动态分析——以太阳能电池为例[J].科学学研究, 2013, 31(3):358-367.

[10] GRESS B.Properties of the USPTO patent citation network: 1963-2002[J].World Patent Information, 2010, 32(1):3-21.

[11] 关峻.复杂社会网络视角下产业集群发展的投入产出结构分析[J].科技进步与对策, 2014(7):54-59.

[12] 姜照华, 杨金彪, 周文博,等.传送带专利技术分析:投入产出网络方法[J].科技管理研究, 2016, 36(15):197-200.

[13] 周磊, 杨威.基于专利的技术知识流特征研究[J].情报杂志, 2016, 35(5):108-112.

[14] 翟东升, 蔡力伟, 张杰,等.基于专利的技术融合创新轨道识别模型研究——以云计算技术为例 [J].情报学报, 2015(4):352-360.

[15] CHOE H, LEE DH, SEO IW, et al.Patent citation network analysis for the domain of organic photovoltaic cells: country, institution, and technology field[J].Renewable & Sustainable Energy Reviews, 2013, 26(10):492-505.

[16] GB/T 4754—2017.2017年国民经济行业分类[S].2017.

[17] 田创,赵亚娟.一种基于相似度的专利与产业类目映射模型——以《国际专利分类》与《国民经济行业分类》为例[J].图书情报工作, 2016, 60(20):123-131.

[18] 杨栋,邱晓宁,梁素平,等.浅谈专利分类、行业分类与商品分类的统一模型[J].中国发明与专利,2017,14(9):83-90.

[19] 王海军, 成佳.多主体介入的产学研用协同创新网络研究——技术绩效和协调机制视角[J].华东经济管理, 2017, 31(6):174-179.

[20] 史烽, 高阳, 陈石斌,等.技术距离、地理距离对大学-企业协同创新的影响研究[J].管理学报, 2016, 13(11):1665-1673.

[21] 胡杨, 李郇.多维邻近性对产学研合作创新的影响——广州市高新技术企业的案例分析[J].地理研究, 2017, 36(4):695-706.

[22] 周晔, 潘美娟, 周源,等.社会网络分析在专利知识网络中的应用[J].科技进步与对策, 2015(18):138-144.

Trend Research for Knowledge Flows of Patents and Trends of Technology Fusion

Wei Hongqin , Zhou Cheng

(Glorious Sun School of Business and Management, DongHua University, Shanghai 200051, China)

AbstractIt is of practical significance to research the cross-integration of technology through the citation between patents, considering the one-sidedness of the current technology boundary division and the lack of dynamic analysis of the technology integration process, presents a procedural method to analyze trends of technology fusion.First, the concordance between industry and patent is employed to construct the knowledge flow matrix, and then comprehensive assessment indicators have been established from two dimensions of technology spillover and technology influence, and 4 kinds of different types of technology fusion are depicted; the dynamic process of technology fusion by time series analysis.Finally, it takes the green-car patent data by State Intellectual Property Office, to verify the effectiveness of the procedural method.The result reveal that there is a clear technical proximity in the process of technology fusion;the technology fusion role will change dynamically.

Key Words:Technology Fusion; Knowledge Flow; Patent Citation Analysis; Green-car

DOI10.6049/kjjbydc.2018010759

中图分类号G306

文献标识码:A

文章编号:1001-7348(2018)22-0017-06

收稿日期2018-04-20

基金项目国家自然科学基金项目(71371045);东华大学人文社科繁荣基金项目(108-10-0108076)

作者简介魏红芹(1972-),女,河南邓州人,博士,东华大学旭日工商管理学院副教授,研究方向为知识管理、智能决策;周成(1992-),男,四川遂宁人,东华大学旭日工商管理学院硕士研究生,研究方向为知识管理、智能决策。

(责任编辑:万贤贤)