王雪原 孫美霞

(哈爾濱理工大學(xué)經(jīng)濟(jì)與管理學(xué)院 哈爾濱 150040)

0 引 言

數(shù)字化時代，行業(yè)及技術(shù)領(lǐng)域固有邊界日益混沌、模糊與液態(tài)化，攜帶異構(gòu)知識碎片的專利可輕松實現(xiàn)跨膜鏈接，促使現(xiàn)代專利網(wǎng)絡(luò)正朝著“網(wǎng)中網(wǎng)”、“群中群”等超級專利網(wǎng)絡(luò)模式演化?？茖W(xué)、有效識別超級網(wǎng)絡(luò)子群落，為共性子群落提供管理策略，成為當(dāng)前研究重點。傳統(tǒng)研究通常依托超級專利網(wǎng)絡(luò)整體開展專利布局設(shè)計，忽視了不同群落網(wǎng)絡(luò)發(fā)展的非平衡性與異質(zhì)性特征，影響策略精準(zhǔn)性與適用性。盡管有研究依據(jù)節(jié)點締結(jié)關(guān)系、所屬技術(shù)領(lǐng)域等進(jìn)行一次性專利群落劃分，探索不同子群落專利特征或未來發(fā)展態(tài)勢，由于識別的子群落數(shù)量眾多，難以針對不同專利子群落設(shè)計具體管理策略。另外，現(xiàn)有研究未能結(jié)合專利網(wǎng)絡(luò)文本特征、網(wǎng)絡(luò)靜態(tài)與動態(tài)發(fā)展特征等，提出更具契合性、科學(xué)性與指導(dǎo)性的技術(shù)發(fā)展目標(biāo)、方式等布局策略，影響現(xiàn)有研究成果的實踐應(yīng)用價值。

鑒于此，本文基于“專利締結(jié)關(guān)系—種群網(wǎng)絡(luò)特征”整體景觀，設(shè)計雙層嵌套聚類方法甄別專利群落；利用文本挖掘技術(shù)，客觀確定各群落內(nèi)技術(shù)領(lǐng)域構(gòu)成，并依據(jù)群落多網(wǎng)絡(luò)特征集合，提出專利群落技術(shù)領(lǐng)域發(fā)展目標(biāo)與方式布局策略等，形成具有針對性與系統(tǒng)性策略體系。

1 理論基礎(chǔ)

1.1 專利群落確定

1.1.1專利群落劃分依據(jù)

基于權(quán)變思想，不同群落應(yīng)采取不同技術(shù)布局策略，群落的科學(xué)劃分是有效布局技術(shù)創(chuàng)新的前提與基礎(chǔ)[1]。傳統(tǒng)的一次性專利網(wǎng)絡(luò)子群落劃分中，通常單獨(dú)依據(jù)節(jié)點締結(jié)關(guān)系劃分網(wǎng)絡(luò)子群，或?qū)χ黝}關(guān)鍵詞、所屬技術(shù)領(lǐng)域(IPC)等進(jìn)行群落劃分[2]，缺乏有效的劃分依據(jù)。構(gòu)型理論認(rèn)為網(wǎng)絡(luò)構(gòu)型特征是決定網(wǎng)絡(luò)行為的依據(jù)，網(wǎng)絡(luò)構(gòu)型特征與布局策略適配，才能夠確保網(wǎng)絡(luò)實現(xiàn)高質(zhì)量技術(shù)創(chuàng)新。因此，基于種群網(wǎng)絡(luò)構(gòu)型特征識別專利群落更具合理性與依據(jù)性。

借鑒學(xué)者提出以架構(gòu)、流程、功能作為構(gòu)型維度劃分平臺的邏輯，可將網(wǎng)絡(luò)結(jié)構(gòu)、關(guān)系、表型作為甄別同構(gòu)型專利種群、搭建專利群落的構(gòu)型維度框架。具體而言，網(wǎng)絡(luò)結(jié)構(gòu)體現(xiàn)網(wǎng)絡(luò)節(jié)點位置與分布、網(wǎng)絡(luò)關(guān)系體現(xiàn)節(jié)點聯(lián)結(jié)狀態(tài)、網(wǎng)絡(luò)表型體現(xiàn)網(wǎng)絡(luò)整體屬性，三維度能更綜合、全面刻畫網(wǎng)絡(luò)特征。華連連等以網(wǎng)絡(luò)規(guī)模、節(jié)點關(guān)系與多元融合性等作為各構(gòu)型維度下的網(wǎng)絡(luò)特征，以識別不同網(wǎng)絡(luò)特征安排下的集群式創(chuàng)新供應(yīng)鏈網(wǎng)絡(luò)，并可通過甄別出具備高發(fā)展?jié)摿Φ募菏絼?chuàng)新網(wǎng)絡(luò)，為低潛力創(chuàng)新網(wǎng)絡(luò)發(fā)展布局提供參照指導(dǎo)[3]。然而，現(xiàn)存的專利群落劃分指標(biāo)側(cè)重單個時間節(jié)點的網(wǎng)絡(luò)結(jié)構(gòu)、關(guān)系、表型等構(gòu)型維度下特征的測度，忽視專利網(wǎng)絡(luò)種群動態(tài)演化特征，無法全面有效闡釋專利種群網(wǎng)絡(luò)特征。如何從三個構(gòu)型維度，融合靜態(tài)視角與動態(tài)視角，全面、系統(tǒng)刻度網(wǎng)絡(luò)特征仍需進(jìn)一步探索，以提升網(wǎng)絡(luò)特征認(rèn)知科學(xué)性。

1.1.2專利群落劃分法——雙層嵌套聚類法

鮮有研究系統(tǒng)構(gòu)建雙層嵌套聚類體系，即基于專利締結(jié)關(guān)系實現(xiàn)首層聚類確定專利種群后，依據(jù)種群特征開展二層聚類確定專利群落。

a.首層聚類——專利種群識別方法。專利種群識別是合理搭建專利群落的基礎(chǔ)，學(xué)者通?；趯＠幕?qū)＠诸愰_展單一維度聚類，無法綜合考慮多個維度，實現(xiàn)種群有效聚類劃分。且當(dāng)專利數(shù)據(jù)量較大時，關(guān)系方陣異常復(fù)雜，無法有效反映單個專利節(jié)點的歸屬，影響專利種群劃分的客觀性與有效性。針對目前主流聚類方法存在的問題，國外學(xué)者利用IRM并行聚類模型，試圖直接在節(jié)點-屬性二進(jìn)制矩陣中實現(xiàn)節(jié)點與屬性的并行聚類，以構(gòu)建節(jié)點集合與屬性類別的內(nèi)在關(guān)聯(lián)，Wang等就將“用戶-滿意度”矩陣進(jìn)行橫縱并行聚類，交集區(qū)塊為能夠產(chǎn)生特定滿意度類別的用戶集合[4]。然而，國內(nèi)學(xué)者未能將IRM靈活應(yīng)用于社會網(wǎng)絡(luò)分析，以彌合現(xiàn)階段研究差距。IRM模型可通過直接定義模型復(fù)雜度水平，即自適應(yīng)參數(shù)，以自動適應(yīng)大型網(wǎng)絡(luò)復(fù)雜性特征。以往的無限關(guān)系模型，多聚焦于節(jié)點屬性數(shù)據(jù)，而IRM模型能夠自動處理任意二進(jìn)制關(guān)系集合，且每個關(guān)系集合可接受多個參數(shù)，以獲取最佳聚類數(shù)量。IRM模型還可將大量節(jié)點交互的復(fù)雜網(wǎng)絡(luò)，簡化為少量組間交互，適用于壓縮大型復(fù)雜網(wǎng)絡(luò)。綜上，本文選擇IRM模型對專利節(jié)點與專利分類代碼開展并行聚類，以精準(zhǔn)識別異質(zhì)專利種群，實現(xiàn)對超級網(wǎng)絡(luò)的首層聚類。

b.二層聚類——專利群落確定方法。朱夢菲等將創(chuàng)新網(wǎng)絡(luò)特征指標(biāo)賦予合理權(quán)重，綜合形成創(chuàng)新策源能力，并利用SOM聚類算法對各省市創(chuàng)新網(wǎng)絡(luò)策源能力評價結(jié)果進(jìn)行聚類，劃分為高、中、低三類區(qū)域集合[5]。囿于單一評價維度存在較大片面性，學(xué)者將研究轉(zhuǎn)向二維、四象限聚類方式，如建立知識引力與創(chuàng)造潛力網(wǎng)絡(luò)特征二維測度指標(biāo)，據(jù)此劃分四象限實現(xiàn)創(chuàng)新網(wǎng)絡(luò)二層聚類[6]；楊青等基于中心度、結(jié)構(gòu)洞等指標(biāo)，綜合形成網(wǎng)絡(luò)基礎(chǔ)性與廣泛性兩個特征維度，據(jù)此劃分四象限組合，甄別“高-高”象限下具備共性技術(shù)的創(chuàng)新網(wǎng)絡(luò)群落[7]。二維、四象限仍存在特征維度與群落數(shù)量固定的弊端，且未能具體體現(xiàn)網(wǎng)絡(luò)特征指標(biāo)在群落劃分時的門檻價值。因此，綜合多網(wǎng)絡(luò)特征開展靈活聚類，并篩選出不同網(wǎng)絡(luò)特征下的代表性種群集合體，成為客觀確定群落特征集、科學(xué)搭建專利群落的重要方式。鑒于DSM聚類對樣本量不做具體限制，且基于DSM的聚類結(jié)果能有效反映類內(nèi)指標(biāo)間的強(qiáng)依賴耦合關(guān)系[8]，因此采用DSM實現(xiàn)網(wǎng)絡(luò)特征指標(biāo)依賴性聚類，以刻畫各專利群落的準(zhǔn)入特征標(biāo)準(zhǔn)集合。

1.2 專利網(wǎng)絡(luò)布局策略研究

傳統(tǒng)專利布局策略研究主要集中于專利網(wǎng)絡(luò)演進(jìn)熱點、機(jī)會空白與融合組合分析等，形成行業(yè)技術(shù)領(lǐng)域方向布局策略。Wu等通過量化識別專利網(wǎng)絡(luò)核心專利交替演變路徑，提出主導(dǎo)技術(shù)快速布局策略[9]。Smojver等采用鏈?zhǔn)筋A(yù)測，識別核心專利技術(shù)后，探測與之互補(bǔ)的異領(lǐng)域強(qiáng)鏈接技術(shù)組合，從而聚焦異質(zhì)技術(shù)融合，設(shè)計技術(shù)跨界布局戰(zhàn)略[10]。這些成果僅局限于技術(shù)發(fā)展領(lǐng)域與方向布局，忽視技術(shù)發(fā)展目標(biāo)與方式等布局內(nèi)容研究。

雖有學(xué)者嘗試基于專利網(wǎng)絡(luò)特征，確定符合網(wǎng)絡(luò)特征要求的專利布局策略，但大多研究從網(wǎng)絡(luò)整體視角提出統(tǒng)一布局策略，忽視超級網(wǎng)絡(luò)內(nèi)部發(fā)展非均衡性，致使切入點粒度過粗，無法提供精準(zhǔn)布局策略。為進(jìn)一步提升布局策略的精準(zhǔn)性，少量學(xué)者嘗試將專利網(wǎng)絡(luò)細(xì)分為多個子群落，制定差異性技術(shù)布局策略，如Lai等將專利網(wǎng)絡(luò)分割為四部分，分別以核心、邊緣、利基、基礎(chǔ)為特征，提出其具體建設(shè)策略[11]。這些研究僅考慮群落單一特征，且群落內(nèi)具體技術(shù)領(lǐng)域構(gòu)成不明確，影響布局策略全面性與系統(tǒng)性。

2 研究設(shè)計

針對現(xiàn)有研究不足，本文提出基于雙層嵌套聚類的專利群落搭建與布局策略研究框架。首先，確定檢索策略，并基于德溫特數(shù)據(jù)庫實現(xiàn)數(shù)據(jù)采集，形成研究樣本集；其次，基于IRM模型確定專利種群，實現(xiàn)首層聚類；再次，測度專利種群網(wǎng)絡(luò)特征值，并利用DSM實現(xiàn)網(wǎng)絡(luò)特征指標(biāo)聚類，將網(wǎng)絡(luò)特征作為專利群落準(zhǔn)入標(biāo)準(zhǔn)，實現(xiàn)專利群落二層聚類；最后，結(jié)合TF-IDF與LDA提取主題詞，明晰各專利群落主要技術(shù)領(lǐng)域，依據(jù)各群落特征集合，提出專利網(wǎng)絡(luò)布局策略體系(如圖1所示)。

2.1 專利種群劃分

IRM模型根植于區(qū)塊模型[12]，通過參與者-行為特點雙向聚類，獲得社會結(jié)構(gòu)景觀圖；隨后通過逐漸完善區(qū)塊模型的可并行性與可拓展性，進(jìn)一步發(fā)展為IRM模型。IRM的基礎(chǔ)模型算法為貝葉斯概率模型，核心思想為將數(shù)據(jù)和模型參數(shù)均視為概率分布。

2.2 專利種群特征維度的確定

以網(wǎng)絡(luò)結(jié)構(gòu)、關(guān)系及表型三維為切入點，從內(nèi)到外持續(xù)變焦，以全面客觀刻畫專利種群的內(nèi)置結(jié)構(gòu)、互動關(guān)系以及整體表象特征。聚焦網(wǎng)絡(luò)特征三維度，并借鑒以往學(xué)者研究成果，基于代表性與獨(dú)立性原則開展靜態(tài)、動態(tài)特征指標(biāo)遴選。靜態(tài)網(wǎng)絡(luò)特征指標(biāo)已具備廣泛研究基礎(chǔ)，結(jié)合前期研究本文最終確定結(jié)構(gòu)特征—勢差特征與傳遞特征(體現(xiàn)知識體系位勢與集聚結(jié)構(gòu))、關(guān)系特征—離群特征與小世界特征(體現(xiàn)知識聯(lián)結(jié)與傳播關(guān)系)、表型關(guān)系—新穎特征與融合特征(體現(xiàn)知識原創(chuàng)與跨度特性)，作為專利種群網(wǎng)絡(luò)靜態(tài)特征代表性指標(biāo)。

囿于系統(tǒng)的專利網(wǎng)絡(luò)動態(tài)特征指標(biāo)體系尚未形成，本文基于網(wǎng)絡(luò)特征三維度，提出與其適配的動態(tài)特征指標(biāo)。結(jié)構(gòu)層面的致密特征，體現(xiàn)隨時間推移與網(wǎng)絡(luò)節(jié)點增加，專利節(jié)點間距縮短、網(wǎng)絡(luò)內(nèi)部空隙減少，致使網(wǎng)絡(luò)密度呈現(xiàn)增長趨勢，網(wǎng)絡(luò)透視圖呈現(xiàn)隨時間推進(jìn)愈發(fā)密集態(tài)勢[13]。關(guān)系層面的收斂特征，反映外部節(jié)點持續(xù)進(jìn)入、邊緣節(jié)點與中心節(jié)點聯(lián)系逐漸增強(qiáng)，以牽引邊緣節(jié)點向中心區(qū)域聚攏的動態(tài)過程[14]。表型層面的趨勢特征，主要衡量網(wǎng)絡(luò)未來實現(xiàn)技術(shù)領(lǐng)先、市場占有的概率，在剖析網(wǎng)絡(luò)過去動態(tài)演化軌跡基礎(chǔ)上，外推其未來發(fā)展趨勢特征[15]。由此，形成融合靜態(tài)與動態(tài)視角的三維度網(wǎng)絡(luò)特征指標(biāo)，如表1所示。

2.3 專利種群網(wǎng)絡(luò)特征的測度

表1 專利網(wǎng)絡(luò)特征測度指標(biāo)

2.4 專利種群網(wǎng)絡(luò)特征指標(biāo)聚類

3 實證分析

3.1 數(shù)據(jù)來源與清洗

本文選擇碳纖維技術(shù)領(lǐng)域作為實證研究對象，專利來源于德溫特數(shù)據(jù)庫(DII)。為準(zhǔn)確識別與獲取數(shù)據(jù)庫中碳纖維專利，制定檢索策略為TI=“carbon fiber*”或“carbon fibre*”，進(jìn)行標(biāo)題匹配檢索時間跨度為2012—2021年的專利，刪除重復(fù)項后，共獲得54100條有效專利，構(gòu)成碳纖維專利數(shù)據(jù)集。

采用專利共分類方法，以專利為節(jié)點，通過技術(shù)知識關(guān)聯(lián)度鏈接專利節(jié)點，以構(gòu)建專利種群網(wǎng)絡(luò)。鑒于德溫特分類代碼(DC)采納適用于所有技術(shù)的簡單分類系統(tǒng)，并且可對特定技術(shù)領(lǐng)域進(jìn)行細(xì)致刻畫，提供技術(shù)及其應(yīng)用領(lǐng)域的全方位圖景。因此，本文選取DC分類號作為專利種群網(wǎng)絡(luò)的共分類依據(jù)。

3.2 專利種群劃分

篩選碳纖維專利數(shù)據(jù)集DC字段，確定獨(dú)立DC代碼共260個，以構(gòu)建DC共分類專利種群網(wǎng)絡(luò)，最終形成51400*260的0-1二進(jìn)制碳纖維矩陣?；贗RM模型實現(xiàn)專利節(jié)點與DC代碼并行聚類。將二進(jìn)制碳纖維矩陣導(dǎo)入MATLAB代碼包，為保證專利種群的最佳劃分，算法運(yùn)行10次，每次迭代1000次。最終劃分為55個專利種群，62個上級分類代碼集。

3.3 專利種群網(wǎng)絡(luò)特征指標(biāo)測算

將各專利種群0-1矩陣構(gòu)造Jaccard相似方陣，導(dǎo)入Gephi和UCinet計算各參數(shù)。

首先，將專利種群相似方陣導(dǎo)入UCinet，實現(xiàn)對應(yīng)文件格式轉(zhuǎn)化，通過工具欄計算各種群勢差特征(中心勢)、傳遞特征(傳遞性)及網(wǎng)絡(luò)密度等，并參照致密特征計算公式確定各種群動態(tài)致密特征。

其次，將各種群相似方陣導(dǎo)入Gephi，選擇FruchtermanReingold進(jìn)行重新布局，通過Gephi右側(cè)工具欄計算聚類系數(shù)和平均最短路徑以測算小世界特征。當(dāng)網(wǎng)絡(luò)趨于穩(wěn)定，將邊權(quán)重閾值設(shè)置為0.1進(jìn)行剪枝，識別離群專利點，并參照相關(guān)公式計算離群特征。

再次，基于UCinet以單位時間為切片，計算各種群2012-2021各年核心/邊緣結(jié)構(gòu)值，絕大多數(shù)種群的核心/邊緣結(jié)構(gòu)值呈上升趨勢，即邊緣節(jié)點逐漸與中心節(jié)點建立聯(lián)系，被同化為中心節(jié)點，呈現(xiàn)出明顯的收斂特征。

最后，依據(jù)文中相關(guān)公式，計算新穎特征與融合特征。借鑒PageRank重要性程度算法，確定各年專利種群相對重要程度。將各年份0-1數(shù)據(jù)進(jìn)行Jaccard相似性處理后，導(dǎo)入Gephi軟件重新布局，計算各年份下專利節(jié)點Pagerank值，并將其作為沖積流圖各節(jié)點的流值。確定好節(jié)點歸屬的種群后，將各年份文檔轉(zhuǎn)化為json格式，導(dǎo)入沖積流生成器，自動計算專利節(jié)點歸屬的各專利種群流域趨勢值，確定種群趨勢特征。

3.4 基于DSM的專利種群網(wǎng)絡(luò)特征指標(biāo)聚類與專利群落確定

基于Gephi、UCinet運(yùn)行參數(shù)結(jié)果及文中公式，可獲得專利種群網(wǎng)絡(luò)特征指標(biāo)值，數(shù)據(jù)校準(zhǔn)后利用投影尋蹤法測算各專利種群及網(wǎng)絡(luò)特征指標(biāo)權(quán)重，具體如表2所示。

表2 網(wǎng)絡(luò)特征對專利種群影響度及其各自權(quán)重值

參照表2數(shù)據(jù)，利用依賴結(jié)構(gòu)矩陣計算模型，可以獲得專利種群特征指標(biāo)間依賴程度，具體如表3所示。

表3 專利種群網(wǎng)絡(luò)特征依賴結(jié)構(gòu)矩陣

將表3網(wǎng)絡(luò)特征依賴結(jié)構(gòu)矩陣導(dǎo)入Matlab代碼包，實現(xiàn)網(wǎng)絡(luò)特征指標(biāo)聚類，網(wǎng)絡(luò)特征聚為融合突破(勢差特征/小世界特征/融合特征)、迭代成長(收斂特征/趨勢特性/新穎特征)、邊緣搜索(致密特征/傳遞特征/離群特征)三類。

基于表2矩陣篩選出各網(wǎng)絡(luò)特征下的代表性專利種群(閾值大于0.5)，并通過取交集方式，確定各類網(wǎng)絡(luò)特征下代表性專利種群集合及具體專利，以確定專利群落構(gòu)成，見表4。

表4 專利群落具體構(gòu)成

3.5 各專利群落的技術(shù)布局策略

a.將各專利群落下專利標(biāo)題作為文本語料庫，利用python的jieba包對文本語料庫進(jìn)行分詞，去除停用詞、標(biāo)點符號等處理，實現(xiàn)數(shù)據(jù)清洗。結(jié)合TF-IDF與LDA，提取各語料庫關(guān)鍵詞，設(shè)定主題數(shù)量為5、每個主題下含5個代表性關(guān)鍵詞。經(jīng)專家團(tuán)隊討論商榷后，確定各主題名稱，具體如表5所示。

b.技術(shù)布局策略設(shè)計。結(jié)合不同專利群落技術(shù)領(lǐng)域特征、專利網(wǎng)絡(luò)靜態(tài)與動態(tài)特征等，系統(tǒng)設(shè)計不同群落技術(shù)領(lǐng)域布局、發(fā)展目標(biāo)與方式布局策略。

專利群落1—融合突破(勢差特征/小世界特征/融合特征)。此專利群落主要涵蓋碳纖維增強(qiáng)塑料制備技術(shù)、碳纖維酸處理技術(shù)、碳纖維提升紡織品性能技術(shù)、碳纖維應(yīng)用于連接零部件及應(yīng)用于電機(jī)五大技術(shù)領(lǐng)域。這些技術(shù)領(lǐng)域?qū)＠N群網(wǎng)絡(luò)具備多知識層級的小世界特征，能夠不斷吸納不同專利與外部異質(zhì)性知識，并呈現(xiàn)良好的跨領(lǐng)域?qū)＠R融合態(tài)勢。未來，應(yīng)注重專利種群新進(jìn)入異質(zhì)性專利的知識建設(shè)與培育，通過加強(qiáng)種群內(nèi)不同層級專利技術(shù)知識頻繁銜接與互動，實現(xiàn)不同層級知識、資源有效融合，降低知識擴(kuò)散壁壘，以實現(xiàn)廣泛技術(shù)領(lǐng)域知識共享；從而在多元技術(shù)共生融合基礎(chǔ)上，逐漸突破壯大，獲取長足發(fā)展優(yōu)勢。可見，該群落的發(fā)展重點在于不同層級專利知識與技術(shù)整合、相關(guān)技術(shù)擴(kuò)散與滲透整合、跨領(lǐng)域異質(zhì)知識與技術(shù)整合，從而形成技術(shù)融合突破。

專利群落2—迭代成長(收斂特征/趨勢特性/新穎特征)。此專利群落主要包含碳纖維表面處理技術(shù)、碳纖維復(fù)合樹脂材料制備技術(shù)、復(fù)合碳纖維織物技術(shù)、碳纖維應(yīng)用于醫(yī)療器械以及應(yīng)用于加熱電纜五大技術(shù)領(lǐng)域。上述技術(shù)領(lǐng)域所形成的專利群落網(wǎng)絡(luò)收斂特征明顯，即大量邊緣專利進(jìn)入種群網(wǎng)絡(luò)，并逐漸與核心技術(shù)構(gòu)建鏈接，最終演變?yōu)楹诵膶＠?，致使專利種群網(wǎng)絡(luò)內(nèi)大量專利進(jìn)化為領(lǐng)先技術(shù)與市場主流技術(shù)，為構(gòu)建可持續(xù)競爭優(yōu)勢、培育專利種群網(wǎng)絡(luò)新穎性技術(shù)奠定基礎(chǔ)。因此，該群落應(yīng)當(dāng)加強(qiáng)技術(shù)專業(yè)化研發(fā)，在五大技術(shù)領(lǐng)域不斷深耕，開展前瞻性技術(shù)突破的同時，形成完善的技術(shù)梯級儲備，以實現(xiàn)領(lǐng)域技術(shù)的持續(xù)引領(lǐng)。這些群落對新技術(shù)開發(fā)提出更高原創(chuàng)性要求，應(yīng)當(dāng)通過優(yōu)化與完善外圍技術(shù)，促使新一代技術(shù)不斷成熟；并通過不同代際的技術(shù)優(yōu)化，促使領(lǐng)域技術(shù)連續(xù)更迭、持續(xù)創(chuàng)新，并始終處于行業(yè)領(lǐng)先地位。

表5 各專利群落技術(shù)領(lǐng)域特征關(guān)鍵詞

專利群落3—邊緣搜索(致密特征/傳遞特征/離群特征)。此專利群落代表性技術(shù)領(lǐng)域為碳纖維陶瓷制備技術(shù)、碳纖維耦合劑制備技術(shù)、聚氨酯碳纖維制備技術(shù)、碳纖維應(yīng)用于汽車領(lǐng)域以及應(yīng)用于過濾器五大技術(shù)領(lǐng)域。上述技術(shù)領(lǐng)域?qū)＠郝鋬?nèi)，相近專利優(yōu)先依附形成多個封閉的三方組結(jié)構(gòu)，這些緊密連接結(jié)構(gòu)持續(xù)縮短了專利技術(shù)與知識交互距離，引致相關(guān)專利不斷匯集、網(wǎng)絡(luò)密度逐漸增大。然而，由于同組知識元素重組潛力減弱，難以從中攫取高利用價值，同時高度重疊的知識會助長創(chuàng)新惰性造成路徑鎖定，因此為獲取進(jìn)一步創(chuàng)新發(fā)展空間，應(yīng)轉(zhuǎn)向?qū)ν鈬缮⒌貛щx群專利的高效搜索。通過搜索網(wǎng)絡(luò)邊緣弱鏈接的專利節(jié)點或探索互補(bǔ)異領(lǐng)域的離群專利，識別新的適應(yīng)性機(jī)會?？梢?，這些群落技術(shù)重疊與冗余增多，需要從外圍離群專利中挖掘與發(fā)現(xiàn)技術(shù)利基、深挖細(xì)分市場、識別顛覆機(jī)會并開辟全新市場，從而形成顛覆性創(chuàng)新突破。

4 結(jié) 論

科學(xué)劃分“群中群”嵌套結(jié)構(gòu)的專利群落，成為差異化、精準(zhǔn)化制定行業(yè)技術(shù)發(fā)展布局策略體系的關(guān)鍵，研究為專利群落劃分與確定提供了有效方法支持，為技術(shù)布局策略制定提供全新視角。首先，本文將生物種群與生物群落概念映射于專利網(wǎng)絡(luò)，明確專利群落的準(zhǔn)入特征標(biāo)準(zhǔn)，為專利網(wǎng)絡(luò)分析提供了新視角、新思路；其次，基于IRM模型，合理劃分專利種群，提升異質(zhì)專利種群劃分的準(zhǔn)確性與科學(xué)性；立足于網(wǎng)絡(luò)結(jié)構(gòu)、網(wǎng)絡(luò)關(guān)系以及網(wǎng)絡(luò)表型三層面，從動靜綜合視角，設(shè)計專利種群網(wǎng)絡(luò)特征測度指標(biāo)，豐富專利網(wǎng)絡(luò)特征認(rèn)知；再次，基于DSM實現(xiàn)網(wǎng)絡(luò)特征指標(biāo)聚類，以量化確定各專利群落下專利種群的準(zhǔn)入特征標(biāo)準(zhǔn)，最終確定融合突破、迭代成長與邊緣搜索三大專利群落，為專利群落劃分提供參考；最后，結(jié)合TF-IDF與LDA，準(zhǔn)確識別各專利群落下技術(shù)領(lǐng)域主題，并基于各專利群落特征，有針對性地給出不同群落的技術(shù)領(lǐng)域未來發(fā)展目標(biāo)與方式布局策略。

然而，本文也存在一定局限性，結(jié)合TF-IDF與LDA方法，雖能準(zhǔn)確識別主題領(lǐng)域及其關(guān)鍵詞，但在主題與關(guān)鍵詞設(shè)置數(shù)量上存在主觀判斷，未來可進(jìn)行模型優(yōu)化，實現(xiàn)主題、關(guān)鍵詞數(shù)量的客觀智慧化確定。另外，本文未開展不同方法下的結(jié)果比較研究，未來可通過穩(wěn)健性或差異性分析，進(jìn)一步體現(xiàn)論文方法合理性與有效性。