基于RFM模型和隨機(jī)行動(dòng)者導(dǎo)向模型的技術(shù)機(jī)會(huì)識(shí)別

張振剛，羅泰曄

（1.華南理工大學(xué)工商管理學(xué)院，廣州510640；2.廣州數(shù)字創(chuàng)新研究中心，廣州510640；3.廣東省科技革命與技術(shù)預(yù)見智庫，廣州510640）

1 引言

技術(shù)機(jī)會(huì)識(shí)別，是發(fā)現(xiàn)特定技術(shù)領(lǐng)域內(nèi)具有潛在價(jià)值的技術(shù)應(yīng)用機(jī)會(huì)的過程。在科技發(fā)展日新月異的背景下，準(zhǔn)確識(shí)別領(lǐng)域內(nèi)的技術(shù)機(jī)會(huì)，對(duì)于研發(fā)組織的可持續(xù)發(fā)展具有重要的意義。識(shí)別技術(shù)機(jī)會(huì)的方法分為定性分析和定量分析兩類。在定性分析方法方面，德爾菲法和情景分析法是兩種主要的方法[1]。定性分析方法主要依靠專家的意見，存在程序復(fù)雜、耗時(shí)長(zhǎng)、社會(huì)成本高、專家意見的差異性不易處理等問題[2]。因此，大多數(shù)研究者都采用定量的方法來識(shí)別技術(shù)機(jī)會(huì)。在進(jìn)行定量分析時(shí)，專利數(shù)據(jù)是常用的素材。專利是創(chuàng)新成果的一種表現(xiàn)形式，其本質(zhì)在于包含在其中的知識(shí)，一個(gè)專利所含有的知識(shí)可以看成是若干知識(shí)元素的集合[3-4]。根據(jù)知識(shí)基礎(chǔ)觀（knowledge-based view），知識(shí)是創(chuàng)新投入和價(jià)值創(chuàng)造的主要來源[5]。因此，有學(xué)者提出了知識(shí)組合理論，其認(rèn)為創(chuàng)新在本質(zhì)上是研發(fā)或?qū)嶒?yàn)中對(duì)知識(shí)元素進(jìn)行組合的過程[6-8]。這個(gè)過程既包括探索新的知識(shí)元素組合，又包括對(duì)已有知識(shí)元素組合的重用（reuse）[6]。在對(duì)知識(shí)元素進(jìn)行組合的過程中，不同的知識(shí)元素出現(xiàn)的時(shí)間、頻率及組合能力各不相同。因此，本研究利用知識(shí)元素的這些特征來識(shí)別特定領(lǐng)域的技術(shù)機(jī)會(huì)，提出一種基于專利分析的技術(shù)機(jī)會(huì)識(shí)別新方法。

2 相關(guān)研究

2.1 技術(shù)機(jī)會(huì)識(shí)別

目前，技術(shù)機(jī)會(huì)識(shí)別主要有三個(gè)研究方向。第一個(gè)研究方向是研究技術(shù)融合。技術(shù)融合是指兩個(gè)或多個(gè)技術(shù)領(lǐng)域?qū)崿F(xiàn)知識(shí)的共享和交叉應(yīng)用[9]。例如，Park等[10]以生物和信息領(lǐng)域的專利為分析對(duì)象，基于專利引用網(wǎng)絡(luò)來預(yù)測(cè)兩個(gè)領(lǐng)域間的知識(shí)流動(dòng)，進(jìn)而發(fā)現(xiàn)技術(shù)融合的機(jī)會(huì)。Han等[11]通過關(guān)聯(lián)規(guī)則對(duì)專利分類號(hào)進(jìn)行分析，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)。第二個(gè)研究方向是研究技術(shù)空缺，即識(shí)別能夠滿足某領(lǐng)域技術(shù)需求的機(jī)會(huì)[12]。例如，Choi等[13]使用貝葉斯模型對(duì)專利進(jìn)行聚類，進(jìn)而發(fā)現(xiàn)領(lǐng)域內(nèi)的技術(shù)空缺。Son等[14]以光刻技術(shù)的專利為例，利用生成式拓?fù)溆成洌℅TM）來開發(fā)專利地圖，并發(fā)現(xiàn)地圖中的空白區(qū)域，通過空白區(qū)域與原始關(guān)鍵詞向量的逆映射來解釋每個(gè)空白的含義，最終發(fā)現(xiàn)了空缺的技術(shù)機(jī)會(huì)。第三個(gè)研究方向是研究新興技術(shù)，即具有高增速、高新穎度、高不確定性以及高市場(chǎng)潛力的技術(shù)[15]。例如，Joung等[16]構(gòu)建了專利關(guān)鍵詞矩陣，使用層次聚類的方法來發(fā)現(xiàn)葡萄糖生物傳感器領(lǐng)域的新興技術(shù)。Moehrle等[17]以影像技術(shù)的專利為素材，通過專利語義分析來識(shí)別領(lǐng)域內(nèi)的新興技術(shù)。

2.2 RFM模型

RFM模型是市場(chǎng)營銷領(lǐng)域識(shí)別客戶價(jià)值的經(jīng)典模型，用于在觀測(cè)點(diǎn)對(duì)觀測(cè)期（觀測(cè)點(diǎn)之前的一段時(shí)間）內(nèi)顧客消費(fèi)的情況進(jìn)行分析，從而識(shí)別出重要價(jià)值客戶[18]。R（recency）是指顧客消費(fèi)的臨近性，常用最近一次消費(fèi)距離觀測(cè)點(diǎn)的時(shí)間長(zhǎng)度來衡量；F（frequency）是指觀測(cè)期內(nèi)顧客消費(fèi)的頻率；M（monetary）是指顧客的消費(fèi)能力，常用觀測(cè)期內(nèi)顧客消費(fèi)的金額來衡量?；赗FM模型，Cheng等[18]分析了一家臺(tái)灣電子產(chǎn)業(yè)公司的顧客的忠誠度；Yan等[19]通過分析財(cái)產(chǎn)保險(xiǎn)公司的客戶的終身價(jià)值來評(píng)估客戶風(fēng)險(xiǎn)；Seymen[20]研究了英國連鎖超市顧客流失的情況，并進(jìn)行顧客細(xì)分；馬寶龍等[21]提出了一種對(duì)未來顧客價(jià)值進(jìn)行識(shí)別的方法，并用一家購物中心的顧客交易數(shù)據(jù)進(jìn)行了實(shí)證分析。

2.3 隨機(jī)行動(dòng)者導(dǎo)向模型

隨機(jī)行動(dòng)者導(dǎo)向模型（stochastic actor-oriented models，SAO模型）是基于縱向數(shù)據(jù)來分析網(wǎng)絡(luò)動(dòng)態(tài)演化的模型，可同時(shí)分析網(wǎng)絡(luò)的演化和網(wǎng)絡(luò)節(jié)點(diǎn)行為的變化，是近年來社會(huì)網(wǎng)絡(luò)分析領(lǐng)域興起的從動(dòng)態(tài)視角分析社會(huì)網(wǎng)絡(luò)的有力工具。在SAO模型中，網(wǎng)絡(luò)演化的過程被稱作社會(huì)選擇（social selec‐tion），而網(wǎng)絡(luò)節(jié)點(diǎn)行為變化則是社會(huì)影響（social influence）的過程。SAO模型把網(wǎng)絡(luò)的演化視為網(wǎng)絡(luò)中的節(jié)點(diǎn)建立、維持或終止與其他節(jié)點(diǎn)之間連接的過程。網(wǎng)絡(luò)節(jié)點(diǎn)的連邊選擇受如下目標(biāo)函數(shù)控制[22]：

其中，snet表示影響節(jié)點(diǎn)連邊選擇的各種效應(yīng)；βnet表示效應(yīng)的參數(shù)估計(jì)。

類似地，網(wǎng)絡(luò)節(jié)點(diǎn)在不同時(shí)期的行為變化受如下目標(biāo)函數(shù)控制：

其中，sbeh表示影響節(jié)點(diǎn)行為變化的各種效應(yīng)；βbeh表示效應(yīng)的參數(shù)估計(jì)。

基于SAO模型，Cao等[23]分析了基于建筑信息建模的工程中合作網(wǎng)絡(luò)的演化。吳江等[24]研究了在線醫(yī)療社區(qū)用戶關(guān)系網(wǎng)絡(luò)的動(dòng)態(tài)演化。Finger等[25]探討了驅(qū)動(dòng)銀行間貨幣市場(chǎng)網(wǎng)絡(luò)形成的因素。在分析網(wǎng)絡(luò)成員行為的演化方面，Mohrenberg[26]分析了貿(mào)易開放政策在不同國家間的擴(kuò)散情況。Kavaler等[27]研究了開源軟件社區(qū)軟件開發(fā)者的代碼所有權(quán)和開發(fā)效率的變化。

2.4 述評(píng)

在技術(shù)機(jī)會(huì)識(shí)別方面，現(xiàn)有基于專利數(shù)據(jù)的定量分析方法大多停留在專利的外部指標(biāo)層面，如專利關(guān)鍵詞分析、引用情況分析等，對(duì)專利的知識(shí)本質(zhì)還缺乏充分利用。RFM模型主要用于客戶關(guān)系管理領(lǐng)域，但其通過關(guān)鍵指標(biāo)聚類來識(shí)別重要價(jià)值對(duì)象的思想可以為其他領(lǐng)域的研究提供借鑒。在SAO模型的使用上，現(xiàn)有研究主要集中在分析社會(huì)網(wǎng)絡(luò)的演化和網(wǎng)絡(luò)節(jié)點(diǎn)行為的變化，而鮮有用于知識(shí)網(wǎng)絡(luò)的分析。本文基于專利的知識(shí)本質(zhì)和知識(shí)組合理論，借鑒RFM模型的思想來評(píng)價(jià)特定領(lǐng)域的知識(shí)元素，使用SAO模型來分析知識(shí)網(wǎng)絡(luò)的演化和知識(shí)元素的組合特征，并在此基礎(chǔ)上提出識(shí)別特定領(lǐng)域技術(shù)機(jī)會(huì)的新方法。

3 研究設(shè)計(jì)

由于一個(gè)技術(shù)領(lǐng)域內(nèi)的知識(shí)元素眾多，不同知識(shí)元素的利用價(jià)值各有不同，本研究需要識(shí)別能反映領(lǐng)域內(nèi)技術(shù)發(fā)展趨勢(shì)的知識(shí)元素，并探索這些知識(shí)元素進(jìn)行組合的新機(jī)會(huì)。因此，本文采用三個(gè)步驟進(jìn)行分析：第一步，提出識(shí)別趨勢(shì)性知識(shí)元素的方法；第二步，分析知識(shí)元素的組合規(guī)律，并提出識(shí)別技術(shù)機(jī)會(huì)的方法；第三步，根據(jù)所提出的方法，預(yù)測(cè)趨勢(shì)性知識(shí)元素的組合機(jī)會(huì)，并檢驗(yàn)預(yù)測(cè)的準(zhǔn)確性。其中，第二步要以特定技術(shù)領(lǐng)域的專利數(shù)據(jù)為素材，本研究以人工智能領(lǐng)域?yàn)槔?，在分析前進(jìn)行數(shù)據(jù)的收集。選擇人工智能作為目標(biāo)分析對(duì)象的原因有三方面：第一，從領(lǐng)域知識(shí)特性上看，人工智能領(lǐng)域的知識(shí)具有多學(xué)科交叉性，覆蓋了電子、計(jì)算機(jī)、生物醫(yī)學(xué)等多個(gè)知識(shí)領(lǐng)域。分析人工智能領(lǐng)域的技術(shù)創(chuàng)新，實(shí)質(zhì)上是分析多個(gè)領(lǐng)域的技術(shù)創(chuàng)新。因此，與單一領(lǐng)域相比，選擇人工智能領(lǐng)域作為分析對(duì)象更具普遍性和代表性。第二，從統(tǒng)計(jì)學(xué)特性上看，人工智能領(lǐng)域的專利成果較多，能夠提供大樣本的分析素材，使分析結(jié)果更具可靠性。第三，從實(shí)踐性上看，目前，世界上許多國家和地區(qū)都把人工智能作為戰(zhàn)略性新興產(chǎn)業(yè)。因此，挖掘人工智能領(lǐng)域的技術(shù)機(jī)會(huì)，具有重要的實(shí)踐參考價(jià)值。

3.1 數(shù)據(jù)收集

本研究借鑒文獻(xiàn)[28]使用的檢索式，用從德溫特專利數(shù)據(jù)庫檢索了2013—2018年人工智能領(lǐng)域的專利數(shù)據(jù)，共12579條記錄。參考已有研究的做法[4,29]，本文用專利的國際分類號(hào)（IPC）來表示專利所含有的知識(shí)元素。專利的國際分類號(hào)采用等級(jí)形式，分為部—大類—小類—大組—小組等五個(gè)等級(jí)。已有的大部分研究都是采用分類號(hào)的前四位（即小類級(jí)）來代表知識(shí)元素。但小類級(jí)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(shí)元素。而分類號(hào)到大組級(jí)能夠較好地反映專利所代表的產(chǎn)品、技術(shù)過程和機(jī)制[30]。因此，本文用大組級(jí)的分類號(hào)來代表專利所具有的知識(shí)元素。

3.2 技術(shù)機(jī)會(huì)識(shí)別方法

根據(jù)知識(shí)組合理論的觀點(diǎn)，專利發(fā)明是對(duì)相關(guān)知識(shí)元素進(jìn)行組合的結(jié)果，不同的知識(shí)元素的組合能力不盡相同[31]。在一個(gè)觀測(cè)期內(nèi)，不同的知識(shí)元素出現(xiàn)的頻率和出現(xiàn)的時(shí)間也存在差異。知識(shí)元素的這些特征與市場(chǎng)營銷領(lǐng)域顧客的消費(fèi)行為特征存在相似性。因此，借鑒RFM模型的思路，本研究使用三個(gè)指標(biāo)對(duì)知識(shí)元素進(jìn)行評(píng)價(jià)，識(shí)別出領(lǐng)域內(nèi)的重要知識(shí)元素。其中，R代表知識(shí)元素出現(xiàn)的時(shí)間特征，F(xiàn)表示知識(shí)元素出現(xiàn)的頻率，M則代表知識(shí)元素的組合能力。根據(jù)相關(guān)研究，一個(gè)知識(shí)元素的組合能力越強(qiáng)，則該元素與其他知識(shí)元素的相關(guān)性越強(qiáng)，能夠與之進(jìn)行組合的知識(shí)元素越多，其應(yīng)用越具有多樣性，其應(yīng)用潛力和應(yīng)用價(jià)值也就越大[7,29,31]。本文對(duì)三個(gè)指標(biāo)的計(jì)算方法如表1所示。

表1 知識(shí)元素評(píng)價(jià)指標(biāo)

表1 中提到的知識(shí)網(wǎng)絡(luò)由知識(shí)元素組成，知識(shí)網(wǎng)絡(luò)中的節(jié)點(diǎn)代表知識(shí)元素，兩個(gè)知識(shí)元素在同一個(gè)專利中出現(xiàn)，代表了一種組合，在網(wǎng)絡(luò)中將代表這兩個(gè)元素的節(jié)點(diǎn)相連?；谏鲜鋈齻€(gè)指標(biāo)，本研究通過聚類的方法來發(fā)現(xiàn)領(lǐng)域內(nèi)的重要知識(shí)元素。這類知識(shí)元素具有三個(gè)特點(diǎn)：一是出現(xiàn)的時(shí)間離觀測(cè)點(diǎn)較近，具有一定的時(shí)效性，代表了新近的應(yīng)用方向；二是出現(xiàn)頻率高，代表了領(lǐng)域內(nèi)的熱門技術(shù)應(yīng)用；三是與較多的知識(shí)元素進(jìn)行過組合，具有較強(qiáng)的組合能力。對(duì)具有這三個(gè)特征的知識(shí)元素進(jìn)行研究和應(yīng)用，在一定程度上代表了未來領(lǐng)域內(nèi)技術(shù)的發(fā)展趨勢(shì)[12]。因此，本文把這類知識(shí)元素稱為領(lǐng)域內(nèi)的趨勢(shì)性知識(shí)元素。

在識(shí)別出趨勢(shì)性知識(shí)元素后，本研究需要對(duì)這些知識(shí)元素未來的組合機(jī)會(huì)進(jìn)行預(yù)測(cè)。為得出知識(shí)元素間進(jìn)行組合的特征和規(guī)律，使用SAO模型來分析知識(shí)網(wǎng)絡(luò)的演化。本研究以2013—2015年每年都出現(xiàn)的知識(shí)元素為對(duì)象，以一年作為一個(gè)觀測(cè)期，共三期，相應(yīng)地構(gòu)建三個(gè)知識(shí)網(wǎng)絡(luò)，用于SAO模型的分析。SAO模型的參數(shù)估計(jì)和模型檢驗(yàn)使用R語言中的RSiena程序包編寫代碼，采用馬爾科夫鏈-蒙特卡洛估計(jì)法（MCMC）來進(jìn)行研究。表2中列出了影響知識(shí)元素間進(jìn)行組合的常見效應(yīng)及其參數(shù)估計(jì)的情況。

表2 SAO模型檢驗(yàn)

從表2可以看出，模型的總體最大收斂率（over‐all maximum convergence ratio）為0.0623，小 于0.25，這說明模型整體收斂度較好，各種效應(yīng)檢驗(yàn)可靠。Rate parameter period 1表示從第一個(gè)觀測(cè)期（2013年）到第二個(gè)觀測(cè)期（2014年）之間知識(shí)網(wǎng)絡(luò)中節(jié)點(diǎn)的連邊改變的平均程度；Rate parameter period 2表示從第二個(gè)觀測(cè)期（2014年）到第三個(gè)觀測(cè)期（2015年）之間知識(shí)網(wǎng)絡(luò)中的連接改變的平均程度。degree(density)的系數(shù)為負(fù)，說明所構(gòu)建的網(wǎng)絡(luò)密度較低。transitive triads的系數(shù)為正且效應(yīng)顯著，表明知識(shí)網(wǎng)絡(luò)在演化過程中存在明顯的傳遞性效應(yīng)，即具有共同鄰近節(jié)點(diǎn)的知識(shí)元素間有建立連接的趨勢(shì)。degree act+pop效應(yīng)反映的是程度中心度高的節(jié)點(diǎn)在網(wǎng)絡(luò)演化過程中建立更多連接的趨勢(shì)，該效應(yīng)的系數(shù)為正且顯著，說明知識(shí)網(wǎng)絡(luò)中程度中心度高的知識(shí)元素在網(wǎng)絡(luò)演化過程中能夠與更多的知識(shí)元素進(jìn)行組合。

因此，一個(gè)知識(shí)元素的中心度、與焦點(diǎn)知識(shí)元素的共同好友數(shù)可以作為判斷這個(gè)知識(shí)元素與焦點(diǎn)知識(shí)元素進(jìn)行組合的可能性的指標(biāo)。這兩個(gè)變量及其交互作用能在一定程度上反映兩個(gè)知識(shí)元素間的組合趨勢(shì)。此外，兩個(gè)知識(shí)元素在知識(shí)網(wǎng)絡(luò)中的距離也會(huì)在一定程度上影響兩者進(jìn)行組合的可能性[32]。基于上述分析，本文提出組合值的概念，用來衡量知識(shí)元素間的新組合機(jī)會(huì)，焦點(diǎn)知識(shí)元素i與知識(shí)元素j的組合值用如下公式計(jì)算：

其中，degreej表示知識(shí)元素j在知識(shí)網(wǎng)絡(luò)中的程度中心度，即網(wǎng)絡(luò)中與j直接相連的節(jié)點(diǎn)數(shù)；mfij表示知識(shí)元素i和j在網(wǎng)絡(luò)中的共同鄰居節(jié)點(diǎn)數(shù)；distan‐ceij表示知識(shí)元素i與j在知識(shí)網(wǎng)絡(luò)中的距離。兩個(gè)知識(shí)元素的組合值越大，意味著兩者間進(jìn)行組合的可能性越大。

4 數(shù)據(jù)分析

本研究將檢索到的專利數(shù)據(jù)分為兩段：2013—2015年為一個(gè)時(shí)間段，2016—2018年為另一個(gè)時(shí)間段。基于2013—2015年的數(shù)據(jù)，利用本研究提出的方法來識(shí)別趨勢(shì)性知識(shí)元素，并預(yù)測(cè)趨勢(shì)性知識(shí)元素可能出現(xiàn)的新組合，即新的技術(shù)機(jī)會(huì)，然后利用2016—2018年的專利數(shù)據(jù)來檢驗(yàn)預(yù)測(cè)的準(zhǔn)確性。

4.1 知識(shí)網(wǎng)絡(luò)構(gòu)建

由于第3.2節(jié)中的公式(3)包含了知識(shí)元素在知識(shí)網(wǎng)絡(luò)中的中心度，本研究根據(jù)2013—2015年間的所有知識(shí)元素在專利中的共現(xiàn)情況構(gòu)建一個(gè)整體知識(shí)網(wǎng)絡(luò)，如圖1所示。圖1中各節(jié)點(diǎn)旁邊的代碼為IPC分類號(hào)，代表知識(shí)元素的名稱，整個(gè)網(wǎng)絡(luò)中有696個(gè)節(jié)點(diǎn)。

4.2 趨勢(shì)性知識(shí)元素識(shí)別

圖1 知識(shí)網(wǎng)絡(luò)

為識(shí)別出人工智能領(lǐng)域的趨勢(shì)性知識(shí)元素，本文采用K均值聚類的方法，基于RFM模型的3個(gè)指標(biāo)，將696個(gè)知識(shí)元素劃分到不同類別。由于指標(biāo)數(shù)為3，理論上最多可以把知識(shí)元素分為8類。本研究首先采用輪廓系數(shù)來確定最合適的類數(shù)[2]。圖2顯示了不同聚類數(shù)對(duì)應(yīng)的輪廓系數(shù)。

圖2 輪廓系數(shù)

從圖2可以看出，聚類數(shù)為4時(shí)，輪廓系數(shù)最大，故本文把知識(shí)元素聚為4類。由于部分聚類指標(biāo)有較大的方差，在聚類前先對(duì)各指標(biāo)數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理。聚類結(jié)果如圖3所示。

從圖3中可以看出，696個(gè)知識(shí)元素被劃分為了4類，知識(shí)元素?cái)?shù)量分別為439、53、200、4。各類的聚類指標(biāo)均值如表3所示。

圖3 聚類結(jié)果

表3 聚類指標(biāo)均值

從表3可以看出，第4類的4個(gè)知識(shí)元素平均出現(xiàn)時(shí)間短、頻率高、組合能力強(qiáng)，故本研究認(rèn)為這4個(gè)知識(shí)元素是人工智能領(lǐng)域的趨勢(shì)性知識(shí)元素，這4個(gè)知識(shí)元素的具體內(nèi)容如表4所示。

從表4可以看出，人工智能領(lǐng)域的趨勢(shì)性知識(shí)元素可以分成三類：電數(shù)字?jǐn)?shù)據(jù)的處理（包括處理方法和處理裝置）、圖像識(shí)別和語音識(shí)別?？梢哉J(rèn)為，這三類知識(shí)代表了人工智能領(lǐng)域的應(yīng)用趨勢(shì)。因此，本文需要對(duì)這三個(gè)具體方向的新技術(shù)機(jī)會(huì)進(jìn)行識(shí)別。

4.3 技術(shù)機(jī)會(huì)識(shí)別及驗(yàn)證

為分析表4中的4個(gè)趨勢(shì)性知識(shí)元素的新技術(shù)機(jī)會(huì)，本研究基于公式(3)，計(jì)算在2013—2015年未與這4個(gè)知識(shí)元素組合過的知識(shí)元素與其組合值，并將組合值最大的10個(gè)知識(shí)元素視為趨勢(shì)性知識(shí)元素潛在的新技術(shù)機(jī)會(huì)，具體結(jié)果如表5所示。

為了檢驗(yàn)上文提出的方法的有效性，本文統(tǒng)計(jì)了2016—2018年每個(gè)趨勢(shì)性知識(shí)元素與表5中的10個(gè)知識(shí)元素進(jìn)行組合的實(shí)際情況，結(jié)果如表6所示。

結(jié)合表5和表6可以看出，對(duì)于趨勢(shì)性知識(shí)元素G06F017來講，組合值最大的10個(gè)知識(shí)元素中有5個(gè)在2016—2018年間與之進(jìn)行了組合。例如，知識(shí)元素G01N021與G06F017之間的組合出現(xiàn)了3次，知識(shí)元素G07C009與G06F017之間的組合出現(xiàn)了1次。技術(shù)機(jī)會(huì)識(shí)別的準(zhǔn)確率為50%。類似地，對(duì)于趨勢(shì)性知識(shí)元素G06K009、G06F003和G10L015來講，技術(shù)機(jī)會(huì)識(shí)別的準(zhǔn)確率分別為90%、70%、60%?？傮w而言，本研究預(yù)測(cè)的40個(gè)新技術(shù)機(jī)會(huì)中有27個(gè)在2016—2018年間出現(xiàn)，總體預(yù)測(cè)精度為67.5%。因此，本研究提出的方法能夠以一定的準(zhǔn)確率識(shí)別出趨勢(shì)性知識(shí)元素新的技術(shù)機(jī)會(huì)。

表4 趨勢(shì)性知識(shí)元素及其描述

表5 趨勢(shì)性知識(shí)元素的新技術(shù)機(jī)會(huì)

表6 趨勢(shì)性知識(shí)元素新技術(shù)機(jī)會(huì)驗(yàn)證

從知識(shí)元素的具體內(nèi)容上看，人工智能技術(shù)的應(yīng)用范圍非常廣泛，包括：醫(yī)學(xué)診斷（A61B003）、立體電視系統(tǒng)（H04N013）、光學(xué)計(jì)量（G01B011）、支付系統(tǒng)（G06Q020），等等。這在一定程度上增加了研發(fā)人員確定研發(fā)對(duì)象的難度，而本文提出的方法能夠在研發(fā)方向上給予研發(fā)人員一定指引和啟發(fā)。

4.4 穩(wěn)健性檢驗(yàn)

為檢驗(yàn)上文所提出的方法的穩(wěn)健性，本研究從德溫特?cái)?shù)據(jù)庫檢索了3D打印領(lǐng)域2014—2018年間的17272條專利數(shù)據(jù)進(jìn)行分析。3D打印于2013年左右興起，涉及材料、信息、電子、機(jī)械等多個(gè)技術(shù)領(lǐng)域，具有多學(xué)科、多領(lǐng)域交叉融合的特征，因此具有一定的代表性?；?014—2016年的專利數(shù)據(jù)，本研究進(jìn)行趨勢(shì)性知識(shí)元素的識(shí)別和技術(shù)機(jī)會(huì)的預(yù)測(cè)，再用2017—2018年的數(shù)據(jù)進(jìn)行檢驗(yàn)。知識(shí)元素聚類結(jié)果如圖4所示。

圖4 3D打印領(lǐng)域知識(shí)元素聚類

表7 3D打印領(lǐng)域技術(shù)機(jī)會(huì)識(shí)別

從圖4可以看出，知識(shí)元素被聚為5類。其中，聚類5里的8個(gè)知識(shí)元素為3D打印領(lǐng)域的趨勢(shì)性知識(shí)元素。根據(jù)本研究提出的方法對(duì)這8個(gè)知識(shí)元素的組合機(jī)會(huì)進(jìn)行預(yù)測(cè)，結(jié)果如表7所示。從表7可以看出，本研究預(yù)測(cè)的80個(gè)技術(shù)機(jī)會(huì)中，有51個(gè)在2017—2018年出現(xiàn)，預(yù)測(cè)準(zhǔn)確率為63.75%。這再次證明了本研究所提出的方法能夠以一定的準(zhǔn)確率預(yù)測(cè)特定領(lǐng)域的技術(shù)機(jī)會(huì)。

5 結(jié)論

本文基于知識(shí)組合理論，以人工智能領(lǐng)域2013—2015年的專利數(shù)據(jù)為素材，首先，通過RFM模型的三個(gè)指標(biāo)對(duì)知識(shí)元素進(jìn)行聚類，進(jìn)而識(shí)別出領(lǐng)域內(nèi)的四個(gè)趨勢(shì)性知識(shí)元素。其次，使用SAO模型對(duì)知識(shí)網(wǎng)絡(luò)的演化過程進(jìn)行分析，發(fā)現(xiàn)了知識(shí)元素間進(jìn)行組合的規(guī)律，并基于此提出了評(píng)估知識(shí)元素間進(jìn)行組合的可能性的公式。最后，使用所提出的公式對(duì)四個(gè)趨勢(shì)性知識(shí)元素的新組合機(jī)會(huì)進(jìn)行預(yù)測(cè)，并使用2016—2018年間的專利數(shù)據(jù)驗(yàn)證了所提出的方法的有效性。同時(shí)，本研究也用3D打印領(lǐng)域的專利數(shù)據(jù)驗(yàn)證了所提出的方法的穩(wěn)健性。

本研究具有一定的理論和實(shí)踐意義。第一，本研究借鑒RFM模型中三個(gè)指標(biāo)的具體內(nèi)涵，提出了評(píng)價(jià)一個(gè)技術(shù)領(lǐng)域內(nèi)知識(shí)元素重要性的方法。該方法能夠識(shí)別出領(lǐng)域內(nèi)的趨勢(shì)性知識(shí)元素。第二，本研究使用SAO模型對(duì)知識(shí)網(wǎng)絡(luò)的動(dòng)態(tài)演化過程進(jìn)行了分析，揭示了知識(shí)元素間進(jìn)行組合的軌跡和趨勢(shì)，發(fā)現(xiàn)與社會(huì)化網(wǎng)絡(luò)相似，知識(shí)網(wǎng)絡(luò)中也存在傳遞性效應(yīng)和中心度效應(yīng)。因此，本研究通過知識(shí)元素在知識(shí)網(wǎng)絡(luò)中的位置特征來發(fā)現(xiàn)新的技術(shù)機(jī)會(huì)。第三，本研究提出了一種識(shí)別技術(shù)機(jī)會(huì)的新方法，豐富了利用專利數(shù)據(jù)進(jìn)行技術(shù)機(jī)會(huì)發(fā)現(xiàn)的方法庫。專利數(shù)據(jù)是可以通過公開渠道獲得的數(shù)據(jù)。因此，本研究為研發(fā)組織發(fā)現(xiàn)技術(shù)機(jī)會(huì)和確定研發(fā)方向提供了一種可行的方案。

本研究也存在一定的局限性：首先，本研究以人工智能和3D打印領(lǐng)域的專利數(shù)據(jù)為對(duì)象進(jìn)行分析，但不同技術(shù)領(lǐng)域的知識(shí)可能有不同的特點(diǎn)，其知識(shí)元素組合的方式也可能有所區(qū)別。因此，未來的研究可以對(duì)更多技術(shù)領(lǐng)域的專利進(jìn)行分析，以進(jìn)一步檢驗(yàn)本研究所提出的方法的可靠性。其次，本研究所提出的方法預(yù)測(cè)技術(shù)機(jī)會(huì)的準(zhǔn)確率在60%～70%，還有進(jìn)一步提升的空間。本研究使用的知識(shí)元素中心度、共同鄰近知識(shí)元素?cái)?shù)、知識(shí)元素距離等均是描述知識(shí)元素特征及知識(shí)元素間關(guān)系的直觀指標(biāo)，能夠?qū)蓚€(gè)知識(shí)元素間潛在的組合關(guān)系進(jìn)行基本地刻畫，但不能進(jìn)行全面地反映，解釋力還可以進(jìn)一步加強(qiáng)。

因此，未來的研究可以對(duì)本研究提出的公式進(jìn)行優(yōu)化。例如，在知識(shí)元素的網(wǎng)絡(luò)位置特征方面，除了直接反映組合能力的程度中心度外，可以嘗試反映中介性的中介中心度、反映連接緊密性的緊密中心度、反映網(wǎng)絡(luò)冗余性的結(jié)構(gòu)洞等變量。共同鄰近節(jié)點(diǎn)數(shù)是節(jié)點(diǎn)相關(guān)性的一種體現(xiàn)，未來的研究也可思考出現(xiàn)時(shí)間等其他維度的相關(guān)性或相似性。