羅泰曄

（仲愷農(nóng)業(yè)工程學(xué)院管理學(xué)院，廣州 510225）

0 引言

技術(shù)機(jī)會(huì)識別，是指發(fā)現(xiàn)特定技術(shù)領(lǐng)域內(nèi)具有潛在價(jià)值的技術(shù)開發(fā)和應(yīng)用機(jī)會(huì)的過程。當(dāng)前，技術(shù)的快速迭代和新興技術(shù)的不斷涌現(xiàn)，給研發(fā)組織帶來了機(jī)遇，也帶來了挑戰(zhàn)。如何有效識別技術(shù)機(jī)會(huì)，是研發(fā)組織在制定研發(fā)計(jì)劃時(shí)需要面對的重要問題，是研發(fā)組織保持競爭優(yōu)勢的重要前提，也是研發(fā)組織實(shí)施“生產(chǎn)一代、研發(fā)一代、儲(chǔ)備一代、構(gòu)思一代”的創(chuàng)新戰(zhàn)略過程中需要思考的關(guān)鍵問題。專利是創(chuàng)新成果的重要形式，也是識別技術(shù)機(jī)會(huì)的常用素材。本文提出一種基于指數(shù)隨機(jī)圖模型和專利知識網(wǎng)絡(luò)的技術(shù)機(jī)會(huì)識別新方法。

1 理論基礎(chǔ)與文獻(xiàn)綜述

1.1 指數(shù)隨機(jī)圖模型

指數(shù)隨機(jī)圖模型（exponential random graph models，ERGM）是近年來興起的分析社會(huì)網(wǎng)絡(luò)的有力工具。它能夠整合內(nèi)生的網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)節(jié)點(diǎn)的屬性用于分析網(wǎng)絡(luò)的形成機(jī)理[1]。指數(shù)隨機(jī)圖模型的一般形式為

其中，k是常數(shù)，用于保證網(wǎng)絡(luò)結(jié)構(gòu)y的概率在0 到1 之間；θA是對應(yīng)統(tǒng)計(jì)量ZA(y)的系數(shù)。指數(shù)隨機(jī)圖模型提供了一種預(yù)測網(wǎng)絡(luò)中兩個(gè)節(jié)點(diǎn)間連邊概率的思路。其基本思想是通過比較兩個(gè)節(jié)點(diǎn)連邊前后相關(guān)統(tǒng)計(jì)量的變化情況來計(jì)算這兩個(gè)節(jié)點(diǎn)間連邊的可能性[2]。兩個(gè)節(jié)點(diǎn)之間連邊概率的具體的計(jì)算公式為

其中，ΔZA(y)表示網(wǎng)絡(luò)節(jié)點(diǎn)i與j之間連邊前后相關(guān)統(tǒng)計(jì)量的變化量。

目前，指數(shù)隨機(jī)圖模型被廣泛應(yīng)用于多種網(wǎng)絡(luò)（如協(xié)同創(chuàng)新網(wǎng)絡(luò)[3]、產(chǎn)業(yè)組織網(wǎng)絡(luò)[4]、學(xué)術(shù)合作網(wǎng)絡(luò)[5]、政策網(wǎng)絡(luò)[6]）的形成、專利引用關(guān)系的形成機(jī)制[7]、專利技術(shù)的擴(kuò)散機(jī)制[8]等方面的研究。

1.2 基于專利知識網(wǎng)絡(luò)的技術(shù)機(jī)會(huì)識別

現(xiàn)有的技術(shù)機(jī)會(huì)識別方法主要?jiǎng)澐譃槎ㄐ苑椒ê投糠椒▋深?。定性方法以德爾菲法和情景分析法為代表。定性分析方法主要依靠專家的意見，存在程序?fù)雜、耗時(shí)長、專家意見的差異性不易處理等問題[9]，因此，現(xiàn)有研究主要通過定量的方法來發(fā)現(xiàn)技術(shù)機(jī)會(huì)。定量方法包括專利計(jì)量、文獻(xiàn)計(jì)量、知識圖譜、技術(shù)路線圖等。其中，專利計(jì)量是常用的技術(shù)機(jī)會(huì)識別方法。專利的本質(zhì)在于包含在其中的知識[10]。根據(jù)知識組合理論，創(chuàng)新是研發(fā)或?qū)嶒?yàn)過程中對現(xiàn)有知識元素或新知識元素進(jìn)行組合的過程[11-12]。特定領(lǐng)域的知識元素由組合關(guān)系形成知識網(wǎng)絡(luò)，知識網(wǎng)絡(luò)反映了知識元素在主題內(nèi)容上的現(xiàn)有或潛在聯(lián)系[13]，由此成為識別技術(shù)機(jī)會(huì)的工具。

有些研究基于特定領(lǐng)域的專利數(shù)據(jù)構(gòu)建知識網(wǎng)絡(luò)，并探索了識別技術(shù)機(jī)會(huì)的方法。例如，馮立杰等[14]通過構(gòu)建知識網(wǎng)絡(luò)研判技術(shù)關(guān)鍵詞及創(chuàng)新維度的重要度，在此基礎(chǔ)上，結(jié)合多維技術(shù)創(chuàng)新地圖識別了鈦白廢酸制備硫酸鋇工藝領(lǐng)域的技術(shù)機(jī)會(huì)；Han 等[15]采用關(guān)聯(lián)規(guī)則挖掘?qū)＠兄R元素間的組合關(guān)系，發(fā)現(xiàn)了信息通信領(lǐng)域與其他技術(shù)領(lǐng)域的技術(shù)融合機(jī)會(huì)；張振剛等[9]基于知識網(wǎng)絡(luò)，使用信息熵、組合力等指標(biāo)探索了納米能源領(lǐng)域的技術(shù)機(jī)會(huì)，發(fā)現(xiàn)了領(lǐng)域內(nèi)3 個(gè)重要的研發(fā)方向；Kim 等[16]基于專利知識網(wǎng)絡(luò)分析區(qū)塊鏈技術(shù)的發(fā)展軌跡，將區(qū)塊鏈技術(shù)劃分為相互聯(lián)系的5 個(gè)子領(lǐng)域，并根據(jù)主路徑的知識流識別了每個(gè)子領(lǐng)域的發(fā)展方向和技術(shù)機(jī)會(huì)。

1.3 研究評述

目前，基于專利知識網(wǎng)絡(luò)識別技術(shù)機(jī)會(huì)的研究常常停留在知識元素的組合關(guān)系（共現(xiàn)關(guān)系）層面，對于知識元素的屬性特征缺乏深入挖掘。知識元素基于組合關(guān)系嵌入知識網(wǎng)絡(luò)。網(wǎng)絡(luò)嵌入性賦予了知識元素多種屬性特征，除了現(xiàn)有研究常用的組合廣度外，還存在組合強(qiáng)度、組合距離等特征。除了知識元素節(jié)點(diǎn)自身的屬性外，有些網(wǎng)絡(luò)結(jié)構(gòu)可能對知識元素間組合關(guān)系的形成產(chǎn)生影響。例如，具有相同鄰接節(jié)點(diǎn)的兩個(gè)知識元素之間發(fā)生組合的可能性更大。這些因素如何綜合影響知識元素間的組合，目前鮮有研究?；诖耍疚牟捎弥笖?shù)隨機(jī)圖模型對知識元素間組合關(guān)系的形成機(jī)理進(jìn)行系統(tǒng)分析，并提出一種識別特定領(lǐng)域潛在技術(shù)機(jī)會(huì)的新方法。

2 研究設(shè)計(jì)

2.1 基于知識網(wǎng)絡(luò)的指數(shù)隨機(jī)圖模型設(shè)計(jì)

指數(shù)隨機(jī)圖模型能夠綜合分析網(wǎng)絡(luò)節(jié)點(diǎn)的屬性、內(nèi)生網(wǎng)絡(luò)結(jié)構(gòu)以及節(jié)點(diǎn)屬性的交互關(guān)系對網(wǎng)絡(luò)中連邊的影響。本文基于專利知識網(wǎng)絡(luò)，從這3 個(gè)方面設(shè)計(jì)具體變量。

2.1.1 網(wǎng)絡(luò)節(jié)點(diǎn)屬性變量

在網(wǎng)絡(luò)節(jié)點(diǎn)的屬性方面，網(wǎng)絡(luò)節(jié)點(diǎn)（知識元素）在知識網(wǎng)絡(luò)中的位置和組合關(guān)系能夠反映知識元素的不同特性。Wang 等[13]提出了組合潛力（combinatorial potential）的概念，用于反映一個(gè)知識元素與其他知識元素發(fā)生組合的可能性。一個(gè)知識元素的組合潛力由其在知識網(wǎng)絡(luò)中的程度中心度（degree centrality）來衡量。一個(gè)知識元素的程度中心度高，表明其與較多的知識元素發(fā)生過組合。這意味著該知識元素具有較高的知識相關(guān)性和融合性，在未來具備較多的組合可能性。組合潛力從廣度的視角反映了知識元素的組合屬性，本文將知識元素的該屬性稱為組合廣度，并將其納入模型。

組合廣度在相關(guān)研究中被多次使用[17-19]，但其也存在一定的局限性。一方面，一個(gè)知識元素的組合廣度只反映了與之組合的知識元素的數(shù)量，并未涉及該知識元素與其他知識元素組合的頻率。不同的組合頻率能夠體現(xiàn)知識元素在知識主題上的內(nèi)在聯(lián)系[20]。另一方面，組合廣度僅反映了知識元素間的直接組合，而無法反映未直接相連的知識元素間可能存在的知識相關(guān)性?；诖耍疚奶岢鰞蓚€(gè)新的屬性（組合強(qiáng)度和組合距離）用于增強(qiáng)對知識元素組合特征的刻畫。

組合強(qiáng)度由知識元素間進(jìn)行組合的頻率來反映。在一定時(shí)間內(nèi)，不同知識元素間發(fā)生組合的頻率有所不同，這反映了知識元素間不同的“親近性”。兩個(gè)知識元素間的高組合頻率不僅可以反映該領(lǐng)域的某些技術(shù)模式，而且可以反映領(lǐng)域內(nèi)的研發(fā)趨勢[10]。該特征有助于研發(fā)人員利用這些知識元素探索更多的組合可能性。

組合距離是指知識網(wǎng)絡(luò)中知識元素間的最短距離。若兩個(gè)知識元素間的組合距離過長，則表明這兩個(gè)知識元素在知識主題上聯(lián)系并不緊密，二者間進(jìn)行組合的可能性較小。相反地，若兩個(gè)知識元素間的組合距離較短，如兩個(gè)知識元素有相同的鄰接節(jié)點(diǎn)，則意味著二者間存在較大的組合機(jī)會(huì)[19]。

綜上，本文用組合廣度、組合強(qiáng)度和組合距離來反映知識元素在知識網(wǎng)絡(luò)中的屬性特征。這3 個(gè)屬性結(jié)合起來能夠比較全面地反映知識元素因嵌入知識網(wǎng)絡(luò)而存在的組合機(jī)會(huì)。

2.1.2 內(nèi)生網(wǎng)絡(luò)結(jié)構(gòu)變量

內(nèi)生網(wǎng)絡(luò)結(jié)構(gòu)是指網(wǎng)絡(luò)中的一些節(jié)點(diǎn)組成有意義的結(jié)構(gòu)，這些結(jié)構(gòu)能夠反映節(jié)點(diǎn)間的特定關(guān)系。對于知識網(wǎng)絡(luò)這種具體類型的網(wǎng)絡(luò)而言，除了兩個(gè)知識元素之間的直接組合關(guān)系外，還可能存在3 個(gè)或3 個(gè)以上的知識元素構(gòu)成的閉環(huán)結(jié)構(gòu)。這種閉環(huán)結(jié)構(gòu)體現(xiàn)了知識元素間的傳遞性關(guān)系，即如果知識元素A 和知識元素B 均曾經(jīng)與知識元素C 進(jìn)行過組合，那么知識元素A 和知識元素B 之間也可能由于知識主題上的相關(guān)性而發(fā)生組合，由此形成三角閉環(huán)結(jié)構(gòu)。在指數(shù)隨機(jī)圖模型中，幾何加權(quán)邊共享伙伴結(jié)構(gòu)用于檢驗(yàn)網(wǎng)絡(luò)中的節(jié)點(diǎn)間是否存在顯著的傳遞性效應(yīng)。本文將這種網(wǎng)絡(luò)結(jié)構(gòu)納入模型進(jìn)行分析。表1 中列出了這種典型網(wǎng)絡(luò)結(jié)構(gòu)統(tǒng)計(jì)量的示意圖。

表1 ERGM網(wǎng)絡(luò)結(jié)構(gòu)示例

2.1.3 網(wǎng)絡(luò)節(jié)點(diǎn)屬性交互效應(yīng)變量

網(wǎng)絡(luò)節(jié)點(diǎn)的屬性反映的是網(wǎng)絡(luò)成員的個(gè)體特征，而節(jié)點(diǎn)屬性的交互效應(yīng)關(guān)注兩個(gè)節(jié)點(diǎn)的互動(dòng)特征。在指數(shù)隨機(jī)圖模型中，最常見的交互效應(yīng)就是兩個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的同配性（homophily）問題，即兩個(gè)具有相同屬性的網(wǎng)絡(luò)節(jié)點(diǎn)間是否存在建立連接的趨勢[21]。本文分析的對象是知識網(wǎng)絡(luò)中的知識元素，參考已有文獻(xiàn)的常見做法[19,22-23]，本文采用國際專利分類號（international patent classification，IPC）來表示專利所含有的知識元素。專利的國際分類號采用等級形式，分為部—大類—小類—大組—小組5個(gè)等級?，F(xiàn)有研究常用IPC 的前四位，即小類級代表知識元素。但小類級的代碼包含的技術(shù)范圍過于寬泛，不能準(zhǔn)確描述專利所具有的知識，而IPC到大組級就能較好地反映專利所代表的知識主題[24]，故本文采用大組級的IPC 表示知識元素。根據(jù)國際專利的分類體系，IPC 總共被劃分為8 個(gè)部。IPC 代碼的首位字母反映了知識元素的部類歸屬。本文據(jù)此將知識元素劃分到8 個(gè)類中，用于檢驗(yàn)知識元素在組合時(shí)是否存在顯著的同配性效應(yīng)。

2.1.4 指數(shù)隨機(jī)圖模型構(gòu)建

基于上文論述，本文構(gòu)建指數(shù)隨機(jī)圖模型，該模型是結(jié)合了網(wǎng)絡(luò)節(jié)點(diǎn)屬性變量、內(nèi)生網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)節(jié)點(diǎn)同配性的綜合模型，并基于此模型來識別特定領(lǐng)域的技術(shù)機(jī)會(huì)，即

其 中，nodecov("breadth")、nodecov("intensity") 和nodecov("distance")分別表示網(wǎng)絡(luò)節(jié)點(diǎn)（知識元素）的組合廣度、組合強(qiáng)度和組合距離對組合關(guān)系形成的影響；內(nèi)生網(wǎng)絡(luò)結(jié)構(gòu)gwesp 用于檢驗(yàn)網(wǎng)絡(luò)中是否存在顯著的傳遞性效應(yīng)；nodematch("class")用于檢驗(yàn)同配性效應(yīng)，即同類的知識元素是否具有顯著的組合趨勢；θ1～θ5表示統(tǒng)計(jì)量的參數(shù)估計(jì)。

2.2 技術(shù)機(jī)會(huì)識別方法

本文根據(jù)公式(3)所構(gòu)建的指數(shù)隨機(jī)圖模型進(jìn)行相關(guān)變量的計(jì)算和參數(shù)估計(jì)，具體采用如圖1 所示的技術(shù)路線來識別特定領(lǐng)域的技術(shù)機(jī)會(huì)。

圖1 技術(shù)路線

Step1.根據(jù)知識元素在專利中的組合關(guān)系構(gòu)建知識網(wǎng)絡(luò)。

Step2.基于知識網(wǎng)絡(luò)計(jì)算網(wǎng)絡(luò)中所有知識元素的組合廣度、組合強(qiáng)度和組合距離等屬性特征。其中，知識元素的組合廣度用其在知識網(wǎng)絡(luò)中的程度中心度來測量。知識元素的組合強(qiáng)度和組合距離的計(jì)算公式分別為

其中，intensity 表示焦點(diǎn)知識元素的組合強(qiáng)度；n表示焦點(diǎn)知識元素的鄰接節(jié)點(diǎn)數(shù)；Cfi表示焦點(diǎn)知識元素與第i個(gè)相連的知識元素的組合頻率。

其中，distancei表示網(wǎng)絡(luò)中第i個(gè)知識元素的組合距離；N表示知識網(wǎng)絡(luò)中的節(jié)點(diǎn)總數(shù)；dij表示知識元素i與知識元素j在知識網(wǎng)絡(luò)中的最短距離。

Step3.對構(gòu)建的指數(shù)隨機(jī)圖模型進(jìn)行參數(shù)估計(jì)。模型的參數(shù)估計(jì)采用馬爾科夫鏈蒙特卡羅估計(jì)法（Markov chain Monte Carlo，MCMC）。

Step4.基于組合廣度、組合強(qiáng)度和組合距離對知識元素進(jìn)行聚類，從而識別出領(lǐng)域內(nèi)的趨勢性知識元素。趨勢性知識元素是指知識網(wǎng)絡(luò)中具有較高組合潛力和組合機(jī)會(huì)的節(jié)點(diǎn)，能夠在一定程度上反映領(lǐng)域內(nèi)的研發(fā)趨勢。

Step5.按照公式(2)的計(jì)算思路，基于Step3 估計(jì)的模型參數(shù)來計(jì)算趨勢性知識元素與知識網(wǎng)絡(luò)中未相連的節(jié)點(diǎn)間的連邊概率，進(jìn)而發(fā)現(xiàn)具有較高連邊概率的知識元素對，即新的技術(shù)機(jī)會(huì)。

3 實(shí)例分析

3.1 數(shù)據(jù)收集

本文以我國物聯(lián)網(wǎng)領(lǐng)域的發(fā)明專利為例，按照設(shè)計(jì)的技術(shù)路線來發(fā)掘領(lǐng)域內(nèi)的技術(shù)機(jī)會(huì)。黨的二十大報(bào)告中提出了建設(shè)制造強(qiáng)國、質(zhì)量強(qiáng)國、網(wǎng)絡(luò)強(qiáng)國、航天強(qiáng)國、交通強(qiáng)國和數(shù)字中國的目標(biāo)，物聯(lián)網(wǎng)技術(shù)在相關(guān)領(lǐng)域中均具有重要的支撐作用。因此，識別物聯(lián)網(wǎng)領(lǐng)域的技術(shù)機(jī)會(huì)具有重要的理論和實(shí)踐意義。本文從國家知識產(chǎn)權(quán)局中國專利信息中心數(shù)據(jù)庫檢索2016—2021 年我國物聯(lián)網(wǎng)領(lǐng)域的發(fā)明專利數(shù)據(jù)，經(jīng)整理，共獲得38813 條記錄。

為檢驗(yàn)本文方法的有效性，將所收集到的數(shù)據(jù)劃分為2016—2018 年和2019—2021 年兩個(gè)時(shí)段。知識網(wǎng)絡(luò)的構(gòu)建、指數(shù)隨機(jī)圖模型的參數(shù)估計(jì)、技術(shù)機(jī)會(huì)識別均基于2016—2018 年的數(shù)據(jù)，2019—2021 年的數(shù)據(jù)用于驗(yàn)證所預(yù)測的技術(shù)機(jī)會(huì)的準(zhǔn)確性。

3.2 數(shù)據(jù)分析

3.2.1 知識網(wǎng)絡(luò)構(gòu)建

如上文所述，本文使用大組級的IPC 號代表知識元素，并基于知識元素在2016—2018 年的發(fā)明專利中的組合情況來建立知識網(wǎng)絡(luò)。對2016—2018 年的發(fā)明專利中的知識元素進(jìn)行統(tǒng)計(jì)分析并建網(wǎng)，去除個(gè)別孤立節(jié)點(diǎn)（對），得到如圖2 所示的1337 個(gè)知識元素構(gòu)成的知識網(wǎng)絡(luò)。

圖2 物聯(lián)網(wǎng)領(lǐng)域知識網(wǎng)絡(luò)

3.2.2 指數(shù)隨機(jī)圖模型參數(shù)估計(jì)

在進(jìn)行參數(shù)估計(jì)前，先基于圖2 所示的知識網(wǎng)絡(luò)對每個(gè)知識元素的組合廣度、組合強(qiáng)度和組合距離進(jìn)行計(jì)算，并確定知識元素所屬的類別。在此基礎(chǔ)上，本文使用R 語言中的ERGM 程序包，采用馬爾科夫鏈蒙特卡羅估計(jì)法（MCMC）對指數(shù)隨機(jī)圖模型進(jìn)行參數(shù)估計(jì)，結(jié)果如表2 所示。表2 中列出了3 個(gè)模型，其中，模型1 只檢驗(yàn)了屬性效應(yīng)，模型2 在模型1 的基礎(chǔ)上增加了結(jié)構(gòu)效應(yīng)，模型3 是結(jié)合了屬性效應(yīng)、網(wǎng)絡(luò)結(jié)構(gòu)效應(yīng)和同配性效應(yīng)的綜合模型，即公式(3)所示模型。AIC（Akaike information criterion）和BIC（Bayesian information criterion）兩個(gè)指標(biāo)用于檢驗(yàn)?zāi)Ｐ偷臄M合情況，兩個(gè)指標(biāo)的值越小，說明模型的擬合情況越好。從表2 可以看出，模型3 的AIC 和BIC 的值最小，說明模型3的擬合效果最好。

從模型3 可以看出，知識元素的組合廣度（β=0.0024，p<0.001）和組合深度（β=0.1294，p<0.001）對其組合關(guān)系的形成均為顯著正向影響。組合距離的系數(shù)為負(fù)且顯著（β=-1.4700，p<0.001），表明知識元素的組合距離對其組合關(guān)系的形成存在負(fù)向影響。網(wǎng)絡(luò)結(jié)構(gòu)統(tǒng)計(jì)量gwesp 的系數(shù)為正且顯著（β=2.5997，p<0.001），表明知識網(wǎng)絡(luò)中存在顯著的傳遞性效應(yīng)，即存在相同鄰接節(jié)點(diǎn)的知識元素間有建立連接的趨勢。此外，nodematch.class 的系數(shù)為正且顯著（β=1.6290，p<0.001），表明知識元素間存在顯著的同配性效應(yīng)，即屬于同一部類的知識元素間有形成組合的趨勢。鑒于模型3 的良好擬合效果和顯著效應(yīng)，本文后續(xù)的知識元素間的連邊概率計(jì)算均采用模型3 中的參數(shù)。

3.2.3 技術(shù)機(jī)會(huì)識別

本文基于知識組合理論，使用組合廣度、組合強(qiáng)度和組合距離3 個(gè)指標(biāo)刻畫知識元素因嵌入知識網(wǎng)絡(luò)而具備的網(wǎng)絡(luò)結(jié)構(gòu)特征，這3 個(gè)指標(biāo)能夠較為全面地反映知識元素的組合屬性。具體而言，知識元素的組合廣度高，意味著較大的組合潛力；組合距離小，意味著較多的組合機(jī)會(huì)；組合強(qiáng)度高，則可以體現(xiàn)領(lǐng)域內(nèi)的技術(shù)熱點(diǎn)和技術(shù)發(fā)展方向。因此，本文將具備這3 個(gè)特征的知識元素稱為趨勢性知識元素。趨勢性知識元素的組合機(jī)會(huì)代表了領(lǐng)域內(nèi)重要的研發(fā)方向。

本節(jié)使用K均值聚類法識別出領(lǐng)域內(nèi)的趨勢性知識元素，進(jìn)而對其技術(shù)機(jī)會(huì)進(jìn)行分析。K均值聚類法處理在大樣本數(shù)據(jù)聚類方面具有可伸縮性和較高的效率。在聚類之前，使用輪廓系數(shù)來確定合適的聚類數(shù)[25]。由于聚類指標(biāo)數(shù)量為3 個(gè)，分別計(jì)算聚類數(shù)為2～8 的輪廓系數(shù)，結(jié)果發(fā)現(xiàn)，當(dāng)聚類數(shù)為4 時(shí)，輪廓系數(shù)最大，故本文將1337 個(gè)知識元素聚為4 類。圖3 對聚類結(jié)果進(jìn)行了可視化展示。

圖3 物聯(lián)網(wǎng)領(lǐng)域知識元素聚類

表3 展示了各個(gè)聚類的相關(guān)指標(biāo)。從表3 可以看出，聚類4 中的知識元素組合廣度和組合強(qiáng)度的值均最大，組合距離的值最小，表明聚類4 中的知識元素具有良好的組合潛力和組合機(jī)會(huì)。故本文把聚類4 中的9 個(gè)知識元素視為物聯(lián)網(wǎng)領(lǐng)域內(nèi)的趨勢性知識元素，即這9 個(gè)知識元素反映了領(lǐng)域內(nèi)技術(shù)研發(fā)的熱點(diǎn)和趨勢。

表3 聚類指標(biāo)

基于指數(shù)隨機(jī)圖模型的參數(shù)估計(jì)，按照公式(2)對趨勢性知識元素與知識網(wǎng)絡(luò)中未直接相連的知識元素的組合概率進(jìn)行計(jì)算，可獲得組合概率高的知識元素組合，即潛在的技術(shù)機(jī)會(huì)。表4 列出了9 個(gè)趨勢性知識元素的名稱以及與之發(fā)生組合的概率最高的10 個(gè)知識元素。

表4 趨勢性知識元素技術(shù)機(jī)會(huì)

3.2.4 技術(shù)機(jī)會(huì)識別結(jié)果驗(yàn)證

為檢驗(yàn)上述9 個(gè)趨勢性知識元素的有效性，基于2019—2021 年的專利數(shù)據(jù)構(gòu)建知識網(wǎng)絡(luò)，并計(jì)算網(wǎng)絡(luò)中所有知識元素的組合屬性特征。表5 中列出了9 個(gè)趨勢性知識元素的組合廣度、組合強(qiáng)度和組合距離的值，以及知識網(wǎng)絡(luò)中所有知識元素3 個(gè)指標(biāo)的最大值、最小值和平均值。從表5 可以看出，9 個(gè)趨勢性知識元素具有遠(yuǎn)大于平均值的組合廣度和組合強(qiáng)度以及小于平均值的組合距離。這表明在2019—2021 年這個(gè)觀測期中，9 個(gè)趨勢性知識元素仍然在知識網(wǎng)絡(luò)中處于中心位置，仍然是熱點(diǎn)知識元素，能夠反映領(lǐng)域中的熱點(diǎn)研發(fā)方向，它們與其他知識元素的組合能夠代表領(lǐng)域內(nèi)的重要技術(shù)機(jī)會(huì)。

表5 2019—2021年趨勢性元素組合特征

進(jìn)一步地，統(tǒng)計(jì)9 個(gè)趨勢性知識元素與表4 中列出的知識元素在2019—2021 年發(fā)生組合的實(shí)際情況，結(jié)果如表6 所示。從表6 可以看出，各趨勢性知識元素技術(shù)機(jī)會(huì)預(yù)測的準(zhǔn)確率在60%～90%，平均預(yù)測準(zhǔn)確率為74.4%。因此，本文方法能夠以較高的準(zhǔn)確率來識別趨勢性知識元素的技術(shù)機(jī)會(huì)。

表6 趨勢性知識元素技術(shù)機(jī)會(huì)驗(yàn)證

從趨勢性知識元素的知識內(nèi)涵來看，這9 個(gè)知識元素主要涉及無線通信網(wǎng)絡(luò)的系統(tǒng)或設(shè)施（H04W4、H04L29、H04L12、G08C17、H04N7）、測量或測試組件（G01D21）、特定領(lǐng)域的數(shù)據(jù)處理或程序控制系統(tǒng)（G06Q10、G06Q50、G05B19）等領(lǐng)域，這些領(lǐng)域是觀測期內(nèi)物聯(lián)網(wǎng)領(lǐng)域的研發(fā)熱點(diǎn)。從與之組合的知識元素來看，相關(guān)知識元素屬于多個(gè)類別，這意味著物聯(lián)網(wǎng)領(lǐng)域的熱點(diǎn)研發(fā)在多個(gè)方向存在技術(shù)機(jī)會(huì)。因此，本文方法能夠?yàn)樘囟I(lǐng)域內(nèi)研發(fā)方向的確定提供指引。

3.3 穩(wěn)健性檢驗(yàn)

為進(jìn)一步檢驗(yàn)本文方法識別特定領(lǐng)域內(nèi)技術(shù)機(jī)會(huì)的有效性，基于工業(yè)機(jī)器人領(lǐng)域2016—2021 年的發(fā)明專利數(shù)據(jù)進(jìn)行穩(wěn)健性檢驗(yàn)。根據(jù)國家統(tǒng)計(jì)局2021 年5 月發(fā)布的《數(shù)字經(jīng)濟(jì)及其核心產(chǎn)業(yè)統(tǒng)計(jì)分類2021》，工業(yè)機(jī)器人制造屬于數(shù)字產(chǎn)品制造業(yè)的范疇，是智能制造的關(guān)鍵設(shè)備。在建設(shè)制造強(qiáng)國和數(shù)字中國的背景下，識別工業(yè)機(jī)器人領(lǐng)域的技術(shù)機(jī)會(huì)具有重要的理論和實(shí)踐意義。按照本文提出的技術(shù)路線識別出工業(yè)機(jī)器人領(lǐng)域的4 個(gè)趨勢性元素，即B25J15、B25J9、B25J11 和B25J19，聚類情況如圖4 所示。

圖4 工業(yè)機(jī)器人領(lǐng)域知識元素聚類

對上述4 個(gè)趨勢性知識元素的組合機(jī)會(huì)進(jìn)行計(jì)算和驗(yàn)證，結(jié)果如表7 所示。從表7 可以看出，本文方法在工業(yè)機(jī)器人領(lǐng)域也具有適用性，這4 個(gè)趨勢性知識元素技術(shù)機(jī)會(huì)預(yù)測的準(zhǔn)確率在60%～90%，技術(shù)機(jī)會(huì)預(yù)測的平均準(zhǔn)確率為75%。因此，可以認(rèn)為本文方法具有穩(wěn)健性。

表7 穩(wěn)健性檢驗(yàn)結(jié)果

4 討論與結(jié)論

本文基于知識組合理論，將指數(shù)隨機(jī)圖模型運(yùn)用于知識網(wǎng)絡(luò)的分析，提出了一種識別特定領(lǐng)域技術(shù)機(jī)會(huì)的新方法，并以物聯(lián)網(wǎng)和工業(yè)機(jī)器人領(lǐng)域2016—2021 年的發(fā)明專利數(shù)據(jù)為例進(jìn)行實(shí)證分析，驗(yàn)證了該方法的有效性。

本文具有一定的理論和實(shí)踐意義。第一，本文使用指數(shù)隨機(jī)圖模型分析了知識網(wǎng)絡(luò)的形成機(jī)理，發(fā)現(xiàn)網(wǎng)絡(luò)中知識元素間組合關(guān)系的形成是內(nèi)生網(wǎng)絡(luò)結(jié)構(gòu)和知識元素的自身屬性共同影響的結(jié)果。現(xiàn)有關(guān)于知識網(wǎng)絡(luò)的研究主要聚焦于知識網(wǎng)絡(luò)的應(yīng)用，鮮有研究對知識網(wǎng)絡(luò)形成機(jī)理進(jìn)行分析。因此，本文的研究結(jié)果是對知識網(wǎng)絡(luò)理論的重要補(bǔ)充。第二，本文提出了組合強(qiáng)度、組合距離等反映知識網(wǎng)絡(luò)中知識元素特征的變量，并發(fā)現(xiàn)這兩個(gè)變量對知識元素間組合關(guān)系的形成具有顯著影響。鑒于已有的相關(guān)文獻(xiàn)主要關(guān)注知識網(wǎng)絡(luò)中的直接連邊，鮮有研究對邊權(quán)重和間接連邊進(jìn)行分析和應(yīng)用，本文的變量設(shè)計(jì)能夠?yàn)橹R網(wǎng)絡(luò)的相關(guān)研究提供新的視角。第三，本文提出了一種基于專利數(shù)據(jù)的技術(shù)機(jī)會(huì)識別方法，豐富了利用專利數(shù)據(jù)開展技術(shù)預(yù)測的方法庫?，F(xiàn)有的基于專利地圖、知識圖譜等工具的技術(shù)機(jī)會(huì)識別方法通常需要在定量分析的基礎(chǔ)上借助領(lǐng)域?qū)＜业闹R或經(jīng)驗(yàn)來最終確定技術(shù)空缺的內(nèi)容或技術(shù)的發(fā)展趨勢，所得出的結(jié)果難免存在一定的主觀性。本文方法基于知識網(wǎng)絡(luò)中知識元素間的客觀聯(lián)系，能夠客觀反映特定領(lǐng)域的研發(fā)趨勢及相關(guān)技術(shù)機(jī)會(huì)。

本文尚存在一定局限性。在方法方面，本文提出的識別趨勢性知識元素及其技術(shù)機(jī)會(huì)的方法建立在對大量專利數(shù)據(jù)分析的基礎(chǔ)之上，充足的專利數(shù)據(jù)量能夠較好地反映領(lǐng)域內(nèi)知識元素間的組合情況。若專利數(shù)據(jù)量過少，則可能影響該方法的有效性。在實(shí)證方面，本文以物聯(lián)網(wǎng)和工業(yè)機(jī)器人領(lǐng)域的數(shù)據(jù)為例進(jìn)行分析。不同的技術(shù)領(lǐng)域存在不同的知識特性，領(lǐng)域內(nèi)知識元素的組合方式也不盡相同。未來可以基于本文提出的思路開展多個(gè)技術(shù)領(lǐng)域的比較研究，以檢驗(yàn)該方法在其他領(lǐng)域的適用性。