An Emerging Technology Forecasting Model Based on Patent Analysis and TRIZ：A Case Study of New Energy Vehicle Power Batteries

Sun Xiaoming,Yuan Siyi,Peng Zhenzhen, Zhang Shuo,Liu Tianli

(School of Management, Xi'an University of Architecture and Technology, Xi'an 710055, China)

Abstract：The rapid pace of technological innovation and paradigm shifts has elevated accurate technological forecasting from an academic pursuit to a strategic necessity in the global competition for technological leadership. Emerging technologies, with their strategic importance, are pivotal for innovation strategy, especially in the face of oligopolistic and monopolistic pressures in key technological sectors. Accurately predicting these technologies is vital for China's tech advancement and innovation-driven growth, despite their inherent uncertainty and complexity posing significant challenges.

This paper proposes an innovative technological forecasting model that integrates patent analysis methods with TRIZ (Theory of Inventive Problem Solving) to accurately identify and predict the development stages and future trends of emerging technologies. The core innovation of the study lies in breaking through the limitations of traditional technology forecasting methods. Commonly used technology forecasting methods include qualitative methods (such as expert surveys, systems analysis) and quantitative methods (such as trend analysis, econometric models). Qualitative forecasting methods often rely on experts' judgment, and when facing rapidly developing emerging technologies, cognitive biases and other subjective limitations are magnified. Quantitative forecasting models, although scientific to a certain extent, are usually based on historical data and struggle to capture the nonlinear leaps of emerging technologies. Moreover, existing research mainly focuses on patent numbers, lacking sufficient understanding and interpretation regarding the essence of technology. TRIZ theory, as a systematic innovation methodology, can predict the possible future evolution paths of technology by studying the objective laws and development trends of technological systems. This theory considers the internal contradictions and problems of technological systems, allowing for a more comprehensive assessment of the maturity of existing technologies, and its predictive results are more forward-looking and scientifically valuable. This paper creatively combines patent analysis with TRIZ theory to form a forecasting model that complements qualitative and quantitative methods. Patent analysis provides objective data support for the model, while TRIZ theory injects a systematic innovative thinking framework, allowing for a deeper exploration of the internal contradictions and development laws of technological systems.

The methodology of the model is based on a systematic patent data analysis strategy. First, high-quality patent information sets are established through precise collection and strict preprocessing from multiple patent databases. Second, time series analysis methods are used to deeply mine the temporal trends of patent applications and publications. By constructing multi-dimensional indicators such as the number of patent applications and citation frequency, technology evolution maps are drawn, forming a dynamic and panoramic understanding of emerging technology fields. Third, technology development directions are accurately identified through patent text clustering and multi-dimensional analysis of International Patent Classification (IPC) numbers. Fourth, the S-curve method and patent calculation methods are combined to judge the level of technology development by analyzing the technology life cycle. Fifth, a multi-dimensional assessment model for technology development potential is established through literature text clustering and patent portfolio analysis techniques.

The paper takes the technology of new energy vehicle power battery as a specific research object to empirically test the proposed forecasting model. The study selects patent data from 2000 to 2023, and the model's prediction accuracy reaches 86.67%, fully verifying the scientific reliability of the model. The study finds that this emerging technology field has shown a continuous high-speed growth trend in recent years and exhibits significant dynamic technological evolution characteristics. In various subfields such as energy management technology, system optimization technology, electrical measurement and state monitoring, vehicle air conditioning, mechanical balance testing, and vehicle maintenance, there is significant technological development potential and broad innovation space. Specifically, innovation in energy management technology has become a key driver for breakthroughs in new energy vehicle battery technology. The rapid development of battery recycling and cascade utilization technology not only reflects the systematic progress of technology but also reflects China's strategic layout in the field of sustainable development technology. This research fills the theoretical void in existing technology forecasting methods and provides significant methodological support for national strategies for scientific and technological innovation.

Key Words：Emerging Technology; Technology Forecasting; Patent Analysis; TRIZ; New Energy Vehicles

收稿日期：2024-07-14

修回日期：2024-10-08

基金项目：国家自然科学基金项目(72072140);国家自然科学基金青年项目(72202169);陕西省自然科学基础研究基金项目(2020JM-497);陕西省秦创原“科学家+工程师”队伍建设项目(2023KXJ-148)

作者简介：孙笑明(1982-),男,辽宁大连人,博士,西安建筑科技大学管理学院教授,研究方向为复杂组织网络与创新、专利大数据分析;袁思懿(2000-),女,陕西西安人,西安建筑科技大学管理学院硕士研究生,研究方向为动态网络、专利大数据分析;彭珍珍(1985-),女,河南洛阳人,博士,西安建筑科技大学管理学院助理教授,研究方向为数字化转型、创新和战略管理;张硕(1999-),男,河北邢台人,西安建筑科技大学管理学院硕士研究生,研究方向为专利大数据分析;刘天利(1979-),男,陕西渭南人,博士,西安建筑科技大学管理学院副教授,研究方向为企业创新与风险管理。

DOI：10.6049/kjjbydc.Q202407086

开放科学(资源服务)标识码(OSID)：

中图分类号：G306

文献标识码：A

文章编号：1001-7348(2025)17-0101-12

0 引言

随着新一轮科技革命与产业变革加速演进,新兴产业作为科技创新的集聚地,正成为推动新质生产力发展的重要引擎[1]。新兴产业与新兴技术密不可分,在科技发展与世界政治经济格局变化的交互叠加下,由新兴技术带来的产业创新具有重大时代意义[2]。因具有前瞻性、战略性[3],新兴技术是把握时代主动权的重要抓手。尤其是迫于关键科技领域的“寡头”“垄断”态势,识别、跟踪、准确预测新兴技术已成为抢占科技创新制高点的关键[4]。但也因其具有高度不确定性、复杂性等特点[3],给新兴技术预测带来挑战。因此,如何在科技创新过程中抢占先机、识别与准确把握新兴技术发展趋势是产业创新乃至国家创新决策中亟待解决的问题。

目前新兴技术预测研究主要针对宏观及中观层面,预测主要基于专利数据且呈现为数量结果,对技术本质的研究不足、解释力弱,难以全面准确地刻画与预测新兴技术发展态势。基于大量专利分析,Altshuller[5]在分析研究世界各国专利情况的基础上提出一套普适性原理,即TRIZ理论。TRIZ理论作为一种系统创新方法论,可以通过研究技术系统的客观规律和发展趋势,预测技术未来可能演进路径[6]。该理论考虑了技术系统内在矛盾和问题,能够更全面地评估现有技术成熟度,预测结果更具前瞻性和科学价值[7]。同时,该理论具有广泛的行业适用性[8],奠定了技术发展趋势理论分析基础[9],因而被广泛应用于技术预测。相比能够提供系统性创新思维框架的TRIZ理论,专利分析能够客观地刻画发展趋势并提供数据支撑,因此将专利分析与TRIZ理论相结合,不仅能够克服传统技术预测方法的局限性,还能为新兴技术识别和预测提供更加科学合理的方法论基础,充分发挥两者在新兴技术预测中的互补优势。

鉴于此,本文结合专利分析与TRIZ理论建立新兴技术预测模型,并以新能源汽车动力电池为例开展应用验证,为企业制定技术创新战略、国家规划科技发展方向和制定产业政策提供理论支撑与实践指导。

1 文献综述

新兴技术是建立在科学基础上的创新型技术,它们可能创立一个新行业或改变某个传统行业,具有新颖性、快速增长、一致性、影响突出以及不确定性特征[10]。自2010年始新兴技术识别方法研究进入快速增长期,且逐步趋于模型化[11]。然而,仅识别新兴技术远远不够,对其未来发展趋势进行预测同等重要。现有国内外关于技术预测的概念基本形成共识,为新兴技术发展预测奠定了基础。自Lenz[12]首次界定技术预测为对机器的发明、特性、大小或功能方面的预测后,学者们从不同角度对技术预测作出阐释。如Martin[13]凸显技术预测整体性,认为需要全面考虑科学、技术、经济和社会因素对技术发展的影响;Cho&Daim[14]认为,技术预测是评价某项技术未来一段时间内的变化,其依赖统一方法框架;张韵君等[15]以目标为导向,将技术预测视为技术创新主体基于发展战略目的,通过对技术发展的全面把握,利用科学方法对技术发展作出推测,为创新决策提供支持。在技术预测概念的基础上,本文认为新兴技术预测是以可靠的多源数据集合为基础,运用定性定量方法对未来新兴技术发展方向、性能参数等进行系统预测,以实现科学分析新兴技术领域、行业发展态势目标的整体过程。

当前,国内外各领域学者围绕新兴技术预测问题展开诸多研究,常用方法包括定性方法(专家调查法、系统分析法等)和定量方法(趋势分析、计量经济模型、机器算法模型等)[16]。定性预测方法往往依赖于专家经验判断,在面对快速发展的新兴技术时,认知偏差等主观性局限被放大。定量预测模型虽然具备一定科学性,但通常建模于历史数据,难以捕捉新兴技术的非线性跨越。目前,主流方法是定性与定量相结合,主要有3类:

(1)基于测度模型的预测方法,即根据新兴技术内核构建指标体系,通过不断改进指标和权重提高预测准确性与效率。如有学者从技术和市场两个维度共10个二级指标,构建新兴技术识别指标体系模型并进行技术预测(黄鲁成等,2009)。刘玉梅等[17]从技术新颖度、差异度及融合度角度构建指标,基于技术轨道跃迁视角建立突破性技术预测体系。此类方法由于不同指标的表征能力和权重确定缺乏统一标准,以及部分指标值计算在现实中难以实现,给预测工作带来一定困扰。

(2)基于文献计量的预测方法,即根据论文数据、专利数据等多源数据集合,通过关键词、引文网络筛选离群值预测未来技术发展。如Schiebel等[18]基于光电子器件领域不同研究阶段关键词,构建该领域关键词演化扩散模型,通过聚类分析预测该领域新兴技术主题;黄璐等[19]基于专利数据的加权共词网络,构建用于预测技术发展的动态网络,并围绕新颖性与影响力两个维度预测新兴技术。此类方法能够较好地反映技术创新层面发展动向,在现有技术预测中应用最为广泛,不足的是专利数据存在审核周期较长等时滞性问题。

(3)基于文本挖掘的预测方法,即在文献计量学基础上,通过机器学习、深度学习等方法进行数据处理,降低人工预测成本。如董放等[20]提出基于机器学习和时间序列的新兴技术预测方法——LDA主题模型与SVM(支持向量机)分类模型,解决了按照新兴技术类别的海量数据分类难题,并以机器人技术为例,对7个新兴领域发展趋势进行预测;刘宇飞等[21]基于深度迁移学习思想,运用Bi-LSTM(双向长短时记忆)模型实现跨领域迁移,显著提升识别技术效率,为新兴领域技术发展趋势研究提供数据支持。此类方法是目前研究热门方向,但机器算法预测的是未来技术数量或优劣势排序[20-22],即“点”,过程往往不可解释,且有效性在很大程度上依赖于训练数据质量。相比之下,TRIZ理论分析方法预测的是技术发展路径,即“线”,且过程可解释。如有学者将TRIZ理论中的S曲线与技术生命周期理论相结合,对石墨烯技术创新演化阶段进行分析预测(李牧南等,2017);楼旭明[23]利用 TRIZ理论的S曲线及技术进化规律,将专利定位至对应技术系统层级,绘制技术进化路线雷达图,以预测无人机技术专利申请趋势、技术进化路线与发展趋势。基于TRIZ理论分析方法与机器算法的对比(见表1)以及新兴技术特征,本文选择使用TRIZ理论分析方法对新兴技术进行预测。

2 模型设计

2.1 基本思路

本文设计的新兴技术预测模型是基于专利分析和TRIZ理论,从技术发展方向、技术发展水平和技术发展潜力3个维度,分别采用不同方法对相应维度进行分析,然后依据八大进化法则预测其进化方向和趋势,如图1所示。

具体步骤如下:

第一步,数据收集与预处理。根据目标技术领域(T)制定检索策略,从专利数据库中获取相应专利文献。通过申请号合并初步筛选,整理清洗专利文献中标题、摘要、申请号、申请日、IPC 主分类号等字段,得到专利关键信息集合(Ti)。

第二步,初步分析。根据整理清洗后的专利关键信息集合(Ti),分析专利申请量、文献发表量、专利产出机构、发明人交流程度等随时间变化的趋势,形成对新兴技术领域的初步了解。

第三步,技术发展判定。采用合理、科学的方法分析专利关键信息集合(Ti),分别得出技术发展方向Tl、技术发展水平Td和技术发展潜力Tp,进而综合得出技术演变方向E(T)。

E(T)={Tl,Td,Tp}

(1)

第四步,未来发展预测。基于TRIZ理论中的八大进化法则,将专利定位至对应技术系统层级,预测目标技术领域(T)中技术系统进化路线P(T),并绘制技术进化雷达图以刻画进化方向和趋势。

P(T)={E(j)|j=1,2,…,8}

(2)

2.2 模型构建

由上述步骤可知,预测模型重点在于技术发展方向、水平、潜力判定及进化法则与进化路线的适配,因此研究将从这两个方面构建基于专利分析和TRIZ理论的新兴技术预测模型。具体方法如下:

2.2.1 技术发展方向判定方法

技术发展方向是指通过数据挖掘等方法分析特定技术领域在受到现有条件和种种限制下可能出现的发展路径与技术走向。本研究采用专利文本聚类分析法和IPC分类号分析法对技术发展方向进行判定。对于专利文献信息而言,关键词是技术信息的清晰呈现,可以反映该领域技术在发展过程中的侧重点。对其进行聚类,将出现频次高的关键词作为研究热点,可以确定该技术领域未来可能发展方向Tl1。接下来,采用IPC分类号所锁定方向。IPC分类号作为能够反映专利技术领域的标准专利信息格式,通过对目标技术领域主要技术构成进行分析,能够较好地呈现新兴技术信息,得到该技术领域未来可能发展方向Tl2。通过调整IPC分类号的输入精度,可以适应不同粒度的技术分析需求。即输入较少位数的IPC分类号(如3位或4位),得到涵盖较广技术领域的结果;输入较多位数的IPC分类号(如7位或8位),得到聚焦于特定技术子领域的结果。最后,对Tl1和Tl2取交集,锁定最终技术发展方向Tl。

2.2.2 技术发展水平判定方法

技术发展水平预测是对特定技术领域在各时期发展状态以及表现出的成熟度进行分析判定,即应用数据分析方法判定技术领域发展周期。技术生命周期判别方法主要分为4种[27]。其中,S曲线法和TCT计算法可以计算出具体数值,为定量方法。具体而言,S曲线法可用专业软件工具绘制出直观明确的技术发展趋势图,用以演算各阶段分界点及临界值。实际工作中,TCT主要用来计算单件专利的技术生命周期,然而计算企业或技术领域的生命周期需要逐项计算TCT,再求其平均值,操作繁琐,故一般不用于计算技术领域的生命周期。专利测算法和相对增长率法是定量定性相结合的方法。其中,专利测算法需要逐年计算各指标,优点是指标容易采集。技术生命周期图法根据趋势判别生命周期阶段,可视为定性方法。因此,本研究综合考虑模型法和计量法,选择TRIZ理论中的S曲线法及专利指标分析法判定技术发展水平。TRIZ理论中的S进化曲线能够通过性能等指标参数变化对技术系统所处生命周期进行判定,即识别技术是处于萌芽期、成长期、成熟期还是衰退期。其多项式曲线模型一般形式为:

(3)

式中,为曲线估计值;k为相应时间变量;b0、b1、b2…bn均为该模型中参数;多项式曲线的具体形态取决于n值。通过曲线拟合,得到该技术领域发展水平Td1。接下来,采用专利测算法进行二次验证。专利测算法是通过对现有专利数据的量化分析计算出判别指标,并结合技术生命周期理论判断技术系统在技术发展周期中所处位置。本研究主要选取以下指标:技术成熟系数(α)、技术衰老系数(β)、技术成长率(V)以及技术特征系数(N)。分别对上述指标绘制折线图,得到该技术领域发展水平Td2。当Td1与Td2结果一致时,得出技术发展水平Td。

2.2.3 技术发展潜力判定方法

技术发展潜力是对特定技术领域创新系统发展潜力和应用前景的描绘,在一定程度上能够体现技术发展的可能性。本文引入文献文本聚类和专利组合分析方法对技术发展潜力进行研究。首先,通过对文本数据进行聚类并进行可视化处理,以表格或图谱形式呈现并选择其中的空白区域作为发展潜力Tp1。然后,依据技术相对增长率(RGR)、技术相对增长潜力率(RDGR)两个技术效用指标判断具有潜力和技术效用的技术(见表2),进而绘制专利组合矩阵图,其第三象限为具有发展潜力的Tp2区。最后,对Tp1和Tp2取并集,作为具有发展潜力的Tp区。

2.2.4 技术发展趋势判定方法

TRIZ理论中包含的八大进化法则能够清晰刻画未来结构序列和结构状态,具体见表3。本文选择产品技术进化规律和进化路线相关理论对其技术进化路线进行预测分析。对目标技术领域在该进化路线上的当前状态与最高进化形态进行比较,若存在差距,则其具有进化潜力,最终预测该技术进化路线。

3 实例应用

新能源汽车作为我国新兴产业的代表之一,虽在相关政策大力扶持和新兴技术迅速发展带动下实现快速发展,但已并非一片“蓝海”。前有特斯拉、比亚迪、吉利、北汽新能源等老牌车企凭借早期技术积累在该行业取得优势地位,后有蔚来、小鹏、理想、领跑等众多新势力新能源车企凭借快速技术发展,在行业领域内占有一席之地。除车企外,宁德时代、LG新能源、亿纬锂能等众多新能源电池供应商也开始参与市场竞争。如今,新能源汽车动力电池技术也面临严峻挑战。我国动力电池行业存在利润收缩、行业洗牌加快、产能过剩、回收体系不健全等问题[28]。在技术层面,新能源汽车动力电池要克服能力密度低、成本高、安全性问题和可循环性难以保证等不足,仍需要技术不断发展和进步[29]。限制新能源汽车发展的关键在于新能源汽车动力电池技术,故本文以新能源汽车动力电池领域为例展开实例应用。

3.1 数据收集与预处理

基于大为(Innojoy)专利检索平台,采用专利检索策略进行检索,具体见表4。

得到相关专利共计11 124条,同族合并后,专利数量共计9 026条,其中包括专利名称、摘要、申请号、申请日、公开公告日、公开公告号、申请专利权人、IPC分类号等字段。

3.2 技术发展方向判定

3.2.1 专利文本信息聚类分析

对专利数据库中的专利进行聚类分析,选取出现频次较高的关键词,同时将频次由高到低进行排序,结果如表5所示。可以看出,我国新能源汽车动力电池研究热点集中在充电技术、电池管理系统、电池包、电机、动力电池组、驱动电机、电池模组等相关领域。这代表着我国新能源汽车动力电池技术发展方向。

3.2.2 IPC分类分析

我国新能源汽车动力电池技术主要涉及B(作业与运输)、G(物理)、H(电学)3个IPC大类。由于新兴行业涵盖技术范围较广且涉及的技术领域较复杂,基于过于细分的专利分类号难以进行全面、准确的统计。因此,本研究选取IPC主分类小类进行统计。其小类研发领域集中在车辆动力装置、化学能转化电能、电池状态测量与监测、电路系统、电能存储等。表6反映IPC分类号占比较高且专利文本聚类较高的10个子领域。

接下来,分别对排名前5、后5的IPC分类号进行年度申请趋势分析。结果表明,B60L、H01M、B60H、G06F技术领域具有较高专利产出,属于近年来研发热门方向。而G01R、G01M作为新兴研究方向,研发人员正在加大对电池状态监测的重视,这意味着关于电池状态的测量、监测与控制技术会是我国新能源汽车动力电池领域未来研究热点方向。

3.3 技术发展水平分析

3.3.1 技术生命周期分析

由于我国新能源汽车动力电池技术涉及领域、涵盖内容广泛,对领域整体进行分析难以得出准确结果。因此,在IPC分类号基础上,可以通过判断我国新能源汽车动力电池的关键子技术领域及其目前所处技术生命周期,判断各子技术领域发展水平,据此提出研发对策。

首先,从专利数据库中提取各子技术领域发明专利申请数量以及年份等相关字段信息,据此绘制数量变化曲线。具有随机性且不规则变化的专利数量需要借助一定方法进行拟合,将其拟合成较平滑的曲线后,对其斜率进行分析可以得出专利性能变化趋势。专利性能曲线拟合通常采用多项式曲线拟合和分段二次多项式曲线拟合两种方法。综合考虑研究方法并与专利数量标准曲线形状进行比对和分析后,最终确定采用五阶多项式曲线对新能源汽车动力电池专利申请数曲线进行拟合。其次,借助商业数学软件MATLAB绘制拟合曲线。通过导入随年份变化的技术专利分布数据,并对横轴x与纵轴y进行设定,最后根据拟合结果判定技术发展水平。

以B60L为例,拟合五阶多项式曲线,求导得出拟合曲线各点斜率值,如图2所示。萌芽期曲线斜率通常为正,表明技术正在增长,但增长速度可能不稳定;成长期曲线斜率为负,表明技术增长速度加快,市场接受度提高。可以发现,我国新能源汽车动力电池动力装置(B60L)技术的专利数量少,由此初步得出该技术正在经历从萌芽期步入成长期的低谷阶段。

3.3.2 专利测算法分析

通过对技术成熟系数(α)、技术衰老系数(β)、技术成长率(V)以及技术特征系数(N)的测算,绘制我国新能源汽车动力电池技术生命周期折线,如图3所示。可以发现,技术生长率前期呈波动上升、后期为稳定下降,表明技术正在从萌芽期过渡到成长期;技术成熟系数、新技术特征系数呈现上升态势,意味着技术尚未进入成熟期;技术衰老系数稳定未衰减,意味着技术尚未进入衰老期。

因此,该技术领域处于萌芽期向成长期转换阶段,同S曲线结果一致,表明子技术领域(B60L)处于成长期。其它主要子技术领域所处生命周期判定结果如表7所示。

3.4 技术发展潜力判断

3.4.1 文献文本聚类分析

由于前述研究采用的专利数据来源于我国专利数据库,因此,为在一定程度上避免研究局限,也为了更准确地预测新能源汽车动力电池技术未来发展潜力,本文引入Web of Science核心数据库,在此基础上采用文献文本聚类分析法进行研究。该数据库覆盖学科领域广泛,收录了经同行评议、权威和高影响力的学术期刊,保证了文献质量,使得聚类分析结果更加可靠和有价值。为保证文献新颖性,选取近5年文献数据进行分析。通过对文献标题、摘要、关键词等字段信息进行提取,将相关数据导入共现网络分析与可视化软件Voswiewer进行文献可视化分析。对其中没有实际意义的关键词进行降噪处理,最终得到聚类视图(见图4)、密度视图(见图5)。主要高频共现关键词有lithium ion battery、new energy vehicle、cell、charge、grid、station、energy management strategy、temperature。按照聚类区分析,发现灰度1聚类主要为锂离子电池相关技术领域,灰度2聚类主要为充电相关领域,灰度3聚类主要为能源管理策略领域,灰度4聚类主要为充电站、充电网络领域。

密度视图中浅色部分表示技术密度较大区域,深色部分表示技术密度较小区域,技术空白的组群为所圈深色部分。对空白组群毗邻术语代表的技术内容进行分析可得各空白组群技术范围,如表8所示。

空白领域并不意味着是未来研究重点或是具有高价值的研究对象。研究价值判断需要基于实际应用需求、数据可获得性以及分析可行性等多方面因素,空白技术只是备选。为了评估空白组群涉及的技术范围,运用平均被引频次、平均链接强度、术语链接事件数3个指标进行分析。平均被引频次是指空白组群中毗邻关键词被索引次数的平均值,该指标能够较好地体现其价值。平均链接强度是指该关键词所包含的每条链接强度,由某关键词和其它关键词之间的共同链接数与该术语总链接强度的比值得出。该值越大,意味着该关键词拥有更高技术热度。术语链接事件数反映聚类可视化图中某术语处于网络中心时所链接事件的数量。三项指标计算结果见表9。

根据上述分析结果,技术范围4的3个指标值均较高,是新兴技术最可能产出的组群。由此可以确定,技术范围4即新能源汽车动力电池储能技术、动力电池回收技术具有较大研究价值,可以适时加强对该技术领域的研发投入。技术范围1(新能源汽车动力电池能源管理技术、能源管理系统优化技术)与技术范围2(新能源汽车动力电池状态监测技术、能源管理技术)的相关指标值较大,表明也具备一定技术价值,拥有新兴技术发展潜力。

3.4.2 专利组合分析

剔除专利数量较少年份,选择2013年及之后的专利数据。将2013-2017年作为前半段周期、2018-2022年作为后半段周期。技术相对增长率(RGR)和技术相对增长潜力(RDGR)计算结果见表10。

据此,绘制对应专利组合矩阵如图6所示,并根据测算结果将其划分为Ⅰ、Ⅱ、Ⅲ区。位于Ⅰ区域的电气测量相关技术(G01R)、车辆空气调节相关技术(B60H)、机械平衡测试相关技术(G01M)、车辆维护相关技术(B60S)的RGR与RDGR值均较高,说明这4个子技术领域是现阶段我国众多相关企业和研究机构研发产出的重点,相较于其它子技术领域,它们拥有更高的技术发展水平和技术增长潜力。处于Ⅱ区域的动力装置相关技术(B60L)、电池电化学能力转化、电池控制和管理系统相关技术(H01M)、电力供应、电能储存系统相关技术(H02J)、动力、传动装置布置相关技术(B60K)、电池管理系统相关技术(G06F)具有较高的技术发展水平。处于Ⅲ区域的动力控制系统、驾驶控制系统(B60W)相关技术的RGR与RDGR均处于较低水平,推测其遇到发展瓶颈。

3.5 技术进化预测与验证

基于上述分析,将各技术作为技术系统匹配进化法则。具体过程为:首先,明确当前技术状态,确定技术发展目标状态;其次,根据文本信息聚类和专利组合结果,确定技术进化可能路径;最后,根据进化路线匹配技术进化法则。若某个法则能驱使技术系统向更高状态发展,则确认为匹配有效;若不能,则继续尝试其它法则,直至找到最佳匹配。技术雷达图能够显示某项技术不同技术进化模式的多个技术进化路线,同时,显示该技术在不同进化方向上的进化潜能[30]。当进化方向距离其进化极限状态较远时,说明该进化方向未来具有较大进化潜能;反之,说明该进化方向可能已达到技术瓶颈,未来发展潜能较小。据此,绘制本文10个子技术领域的技术雷达图,并得出与之匹配的进化法则(见表11)。其中,1～8分别对应完备性法则、能量传递法则、协调性法则、增加理想度法则、动态性和可控性进化法则、子系统不均衡发展法则、微观进化法则和超系统进化法则。

此外,技术发展水平与进化法则间存在既定规律,即各生命周期阶段将沿某几项法则演进[31],如表12所示。实践中,根据技术系统生命周期锁定较为可能的进化法则,以实现更高效的匹配。

本文多方选取2023年数据、信息以验证模型预测准确度。具体验证方式如下:①关键词确定,提取各技术系统进化路线关键词,如可控性、监测、反馈装置等,共计50个;②多方数据搜集,搜索2022年前后各技术系统在专利数据库、知网等学术数据库、各大媒体报道中出现的文本信息;③数据处理,去除无关信息,运用自然语言处理计算不同关键词在各年出现频次及权重变化;④模型准确性检验,对关键词频次增长进行T检验,原假设为词频无显著变化,备择假设为词频显著增加,显著性水平α设为0.05。若p值<0.05,则拒绝原假设,认为关键词频次显著增长。接下来,计算效应量,即前后均值除以合并标准差,评估词频变化的实际意义。准确性(ACC)计算方式为显著增长且效应量≥0.2的关键词数除以总关键词数,结果如表13所示。可以发现,综合准确率为86.67%,验证了模型准确性。

综上所述,我国新能源汽车动力电池作为新兴技术,近年来保持较高增长速度,具有良好发展前景。在储能技术、回收技术、能源管理技术、能源管理系统优化技术、电气测量状态监测相关技术、车辆空气调节相关技术、机械平衡测试相关技术、车辆维护相关技术方面,具有较高技术发展潜力和较大技术发展空间。随着新能源汽车在我国的快速发展与应用、动力电池装机量快速增长,以及国家相关支持政策不断出台,退役或废弃动力电池回收与梯次利用行业将迎来重要发展机遇期,未来具有广阔市场空间。因此,建议企业结合自身发展策略,加大对上述部分新兴技术领域的研发投入力度,提早入局占据市场有利位置,持续提升我国在全球新能源汽车产业的核心竞争力。

4 结语

本文基于专利分析和TRIZ理论,提出定性定量相结合的技术预测模型。与以往技术预测模型相比,本文模型在预测新兴技术演变和发展路径方面具有显著优势,并非停留于技术本身的预测,还能预测技术系统可能进化方向。同时,本模型在实例应用中展现出较高的准确性和实用性,能够为国家技术布局和企业研发投入提供科学依据。

基于上述研究结论,本文提出以下启示或建议:

(1)重视新兴技术发展趋势,实现多层次前瞻性布局。研究表明,新兴技术发展呈现出高速增长和非线性跃升特征,各方需要建立系统化趋势监测机制。企业层面,构建专利大数据分析平台,从技术发展水平、技术发展方向、技术发展潜力3个维度进行动态监测,构建技术预警指标体系,设定关键监测指标和预警阈值,实现对技术突破点的早期识别;产业层面,需要整合全国相关产业技术水平、创新能力和发展瓶颈数据,通过系统分析与绘制产业技术地图,明确产业技术发展主攻方向和重点突破领域;国家层面,应构建全球技术监测体系,实时掌握多个国家在重点领域的技术进展和创新布局。通过系统评估我国与发达国家在关键技术领域的差距,基于全球竞争格局和自身优势选择突破口,集中资源重点突破。在具体实施过程中,注重构建完善的预警机制和协同推进机制。简而言之,企业层面重点关注相关技术突破和市场变化,产业层面负责监测产业链整体技术演进方向,国家层面把握全球技术竞争格局变化。通过加强企业、产业和国家3个层面的信息互通和战略协同,建立快速响应机制,及时调整技术创新布局,优化资源配置,避免重复投入。

(2)加强TRIZ理论应用,提升技术预测系统性。与机器算法仅针对结果进行预测不同,TRIZ作为一种系统创新方法,在揭示技术演进规律方面具有独特优势。企业应借助TRIZ理论提供的创新方法,有效指导技术预测与制定研发战略。一方面,基于S曲线系统判断技术成熟度水平。企业可以根据S曲线准确评估现有技术所处生命周期阶段,从而决定是否加大研发投入或进行技术转型。例如,若某项技术处于初期阶段,企业应加大资源投入力度,加速其研发和市场化进程;对于进入成熟期或衰退期的技术,则应考虑开发替代技术,或进行技术升级与优化。另一方面,基于进化法则预测技术发展趋势。企业可以从完备性、能量传递、协调性等维度对技术进行系统性分析和优化。例如,在分析高端装备领域的工业移动机器人技术时,首先从机械结构完备性出发,然后结合能量使用效率、人机协调性、使用理想度等维度预测未来发展方向,从而为新兴技术发展提供明确指引。在具体应用时,需确保专利数据完整性和时效性以提高预测准确度,结合行业特点和技术特性灵活应用,注意技术发展系统性,考虑相关技术领域的协同演进和相互影响。

未来研究可从以下方面进行深化和拓展:一是进一步细化和量化TRIZ理论在技术预测中的应用,提高预测精确度;二是探索将机器学习和人工智能技术融入预测模型,提高模型对大规模专利数据的处理能力;三是拓展模型应用范围,探索其在不同技术领域和产业背景下的适用性;四是加强对预测结果的验证机制,建立长期跟踪和反馈系统,不断优化预测方法。

参考文献：

[1] 牢牢把握在国家发展大局中的战略定位 奋力开创黑龙江高质量发展新局面[N].人民日报,2023-09-09.

[2] 魏明珠,郑荣,高志豪,等.融合知识图谱和深度神经网络的产业新兴技术预测模型研究[J].情报学报,2022,41(11):1134-1148.

[3] 孙笑明,王晨卉,李泽贤,等.产品预研研究回顾及展望[J].创新科技,2024,24(2):14-30.

[4] 王玏,吴新年.新兴技术识别方法研究综述[J].图书情报工作,2020,64(4):125-135.

[5] ALTSHULLER G S. The innovation algorithm: TRIZ, systematic innovation and technical creativity[M].MA:Technical Innovation Center, Inc., 1999.

[6] 郭彦彦,吴福象.基于TRIZ的中国关键技术突破路径研究——一个系统框架[J].科技进步与对策,2024,41(21):1-10.

[7] 旷景明,兰小筠.基于专利信息分析的创新技术预测方法综述[J].情报杂志,2014,33(9):33-39,50.

[8] 姚威,储昭卫,胡顺顺.TRIZ真的是创新“点金术”吗——对浙江省TRIZ应用效果的分析[J].科技进步与对策,2022,39(4):10-19.

[9] 门玉英,邓援超,吴德胜,等.面向湖北重要创新主体的技术创新方法服务功能与模式研究[J].科技进步与对策,2019,36(19):50-57.

[10] ROTOLO D, HICKS D, MARTIN B R. What is an emerging technology[J]. Research Policy, 2015, 44(10): 1827-1843.

[11] 王宏,刘沁莹,胡玉峰,等.基于多源数据融合的新兴技术识别方法研究[J].科技进步与对策,2025,42(5):21-31.

[12] LENZ R C. A heuristic approach to technology measurement[J]. Technological Forecasting and Social Change, 1985, 27(2-3): 249-264.

[13] MARTIN B R. Foresight in science and technology[J]. Technology Analysis &Strategic Management, 1995, 7(2): 139-168.

[14] CHO Y, DAIM T.OLED TV technology forecasting using technology mining and the Fisher-Pry diffusion model[J]. Foresight, 2016, 18(2): 117-137.

[15] 张韵君,柳飞红.基于专利分析的技术预测概念模型[J].情报杂志,2014,33(3):22-27.

[16] 张昱,曾文.面向产业技术创新的情报分析方法思考[J].情报理论与实践,2023,46(12):14-20.

[17] 刘玉梅,温馨,孟翔飞.基于技术轨道跃迁的突破性技术预测方法及应用研究[J].情报杂志,2021,40(11):39-45.

[18] SCHIEBEL E, HÖRLESBERGER M, ROCHE I, et al. An advanced diffusion model to identify emergent research issues: the case of optoelectronic devices[J]. Scientometrics, 2010, 83(3): 765-781.

[19] 黄璐,朱一鹤,张嶷.基于加权网络链路预测的新兴技术主题识别研究[J].情报学报,2019,38(4):335-341.

[20] 董放,刘宇飞,周源.基于LDA-SVM论文摘要多分类新兴技术预测[J].情报杂志,2017,36(7):40-45,133.

[21] 刘宇飞,尹力,张凯,等.基于深度迁移学习的技术术语识别——以数控系统领域为例[J].情报杂志,2019,38(10):168-175.

[22] 许学国,桂美增.基于深度学习的技术预测方法——以机器人技术为例[J].情报杂志,2020,39(8):53-62.

[23] 楼旭明,张程锦,唐影. 基于专利分析和TRIZ理论的无人机技术态势研究[J]. 情报杂志, 2020, 39(2): 56-62.

[24] EKMEKCI I, NEBATI E E. TRIZ methodology and applications[J]. Procedia Computer Science, 2019, 158: 303-315.

[25] ILEVBARE I M, PROBERT D, PHAAL R. A review of TRIZ, and its benefits and challenges in practice[J]. Technovation, 2013, 33(2-3): 30-37.

[26] 张治河,高中一,檀润华,等.突破“卡脖子”技术的思维模式——基于TRIZ的设计[J].科研管理,2022,43(12):54-68.

[27] 李春燕.基于专利信息分析的技术生命周期判断方法[J].现代情报,2012,32(2):98-101.

[28] 张厚明. 我国新能源汽车动力电池产业发展面临的问题与建议[J]. 科学管理研究, 2018,36(6): 58-61.

[29] DENG J, BAE C, DENLINGER A, et al. Electric vehicles batteries: requirements and challenges[J]. Joule, 2020, 4(3): 511-515.

[30] MANN D L. Better technology forecasting using systematic innovation methods[J]. Technological Forecasting and Social Change, 2003, 70(8): 779-795.

[31] 张文焘,张建辉,张文旭,等.基于多方法融合的需求提取模型研究[J].机械设计与研究,2021,37(1):10-15,20.

(责任编辑：胡俊健)