專利技術(shù)融合驅(qū)動的技術(shù)機(jī)會識別研究

齊亞雙 張白洋 李淼 伍昱熹

摘 要： ［目的／ 意義］ 技術(shù)融合是技術(shù)創(chuàng)新的重要手段， 通過融合不同領(lǐng)域的技術(shù)可以突破技術(shù)瓶頸， 形成技術(shù)機(jī)會。［方法／ 過程］ 本文提出了一種融合驅(qū)動的技術(shù)機(jī)會識別方法， 將定量分析與專家經(jīng)驗相結(jié)合， 用文本挖掘技術(shù)對Ｆ－ｔｅｒｍ 專家分類系統(tǒng)進(jìn)行多層主題篩選， 以技術(shù)相似性和技術(shù)生命周期為標(biāo)準(zhǔn)， 對篩選出的參照技術(shù)與目標(biāo)技術(shù)進(jìn)行融合研究， 最后根據(jù)專利組合評估得出最優(yōu)融合結(jié)果， 對圖像處理技術(shù)進(jìn)行技術(shù)機(jī)會識別。［結(jié)果／ 結(jié)論］ 研究結(jié)果顯示， 本文預(yù)測的技術(shù)機(jī)會前景廣闊， 這表明本文的研究方法為技術(shù)機(jī)會研究提供了新的解決方案。

關(guān)鍵詞： 技術(shù)融合； 技術(shù)機(jī)會； 專利分析； 人工智能； 圖像處理

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．０８．０１４

〔中圖分類號〕Ｇ２５０ ２５５ 〔文獻(xiàn)標(biāo)識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２３） ０８－０１５０－１１

隨著技術(shù)的變革和問題的加劇， 日趨復(fù)雜的社會經(jīng)濟(jì)和技術(shù)問題往往需要整合不同學(xué)科的技術(shù)知識來解決［１］ 。通過持續(xù)引入新技術(shù)或與已有技術(shù)的融合， 可以實現(xiàn)不同領(lǐng)域的交叉滲透形成新技術(shù)，為企業(yè)提供技術(shù)解決方案［２］ 。這些方案的重大創(chuàng)新突破往往來自專家熟悉領(lǐng)域外的復(fù)雜交叉關(guān)聯(lián)領(lǐng)域，或是源自重大科學(xué)發(fā)現(xiàn)和關(guān)鍵技術(shù)發(fā)明的交織、滲透［３］ 。如今， 人工智能技術(shù)逐漸擴(kuò)散到了眾多領(lǐng)域，已發(fā)展成融合多學(xué)科、跨領(lǐng)域的綜合性技術(shù)， 正在深刻改變著相關(guān)領(lǐng)域的創(chuàng)新模式和發(fā)展方向。在全球科技競爭的大環(huán)境下， 發(fā)展人工智能理論、算法和技術(shù)已成為保持國際競爭優(yōu)勢的重要手段［４］ 。但是現(xiàn)有的人工智能技術(shù)大多采用模仿的創(chuàng)新方式，缺乏真正的創(chuàng)新研發(fā)和戰(zhàn)略規(guī)劃， 相關(guān)專利的申請量雖然逐年上升， 但真正轉(zhuǎn)化為生產(chǎn)力的屈指可數(shù)，科研與市場應(yīng)用步調(diào)不一致也造成了很多科技創(chuàng)新資源的浪費， 因此將科研成果用于推動企業(yè)技術(shù)變革至關(guān)重要。目前， 各行各業(yè)都在進(jìn)行技術(shù)變革，如何找到合適的切入點是各領(lǐng)域亟待解決的難題。技術(shù)機(jī)會發(fā)現(xiàn)為人們提供了新的思路， 它能挖掘特定領(lǐng)域或不同行業(yè)的技術(shù)潛力， 找出新技術(shù)的增長點， 從而抓住機(jī)會， 推動技術(shù)進(jìn)步。然而， 技術(shù)機(jī)會并不以成品形式存在， 它通常以科技期刊、專利文檔、研究報告等形式隱藏在海量數(shù)據(jù)的背后［５］ 。專利數(shù)據(jù)因其易得、完整、準(zhǔn)確等特點， 為技術(shù)機(jī)會的識別打下了良好基礎(chǔ)［６］ 。通過專利分析， 不僅可以得到技術(shù)之間的關(guān)聯(lián)性， 還能對不同技術(shù)領(lǐng)域的拓展情況和技術(shù)之間的滲透方向進(jìn)行解釋， 從而幫助我們?nèi)?、客觀地掌握各個技術(shù)領(lǐng)域， 增強(qiáng)技術(shù)機(jī)會識別的客觀性和可靠性， 為企業(yè)變革做出貢獻(xiàn)。

當(dāng)前國際上通用的專利分類法是ＩＰＣ 分類， 它將整個技術(shù)領(lǐng)域分為５ 個不同等級， 按等級遞降順序?qū)＠M(jìn)行劃分， 使人們在不同維度上獲得技術(shù)的詳細(xì)信息。但是傳統(tǒng)的ＩＰＣ 分類更注重技術(shù)的整體結(jié)構(gòu)， 很少關(guān)注技術(shù)細(xì)節(jié)， 更多的是按照“功能屬性” 和“應(yīng)用屬性” 進(jìn)行分類， 因此， 即使到了下位類， 使用的主題詞仍十分籠統(tǒng)， 這就很難體現(xiàn)技術(shù)的具體特征， 給技術(shù)機(jī)會的識別帶來了阻礙。Ｆ－ｔｅｒｍ（即“Ｆｉｌｅ Ｆｏｒｍｉｎｇ Ｔｅｒｍｓ” 的簡寫）是日本專利局（ＪＰＯ）的內(nèi)部專利系統(tǒng)， 是在國際專利分類表（ＩＰＣ）和日本國內(nèi)分類系統(tǒng)（ＦＩ）的基礎(chǔ)上進(jìn)行再分類或細(xì)分類。它能從材料模型、結(jié)構(gòu)、目的、制作方法、技術(shù)類型等角度對專利進(jìn)行細(xì)分［７］ 。

較之于其他分類系統(tǒng)， Ｆ－ｔｅｒｍ 的優(yōu)勢是其相當(dāng)細(xì)致和多維立體的分類方法， 這為技術(shù)機(jī)會的挖掘創(chuàng)造了有利條件。本文以人工智能領(lǐng)域下的圖像處理技術(shù)為例， 通過對專利數(shù)據(jù)的文本挖掘， 從Ｆｔｅｒｍ系統(tǒng)中提取關(guān)鍵詞， 獲得該領(lǐng)域相關(guān)的技術(shù)主題， 根據(jù)主題的技術(shù)屬性和更為細(xì)致的技術(shù)特征，識別具有相似原理的專利技術(shù)。結(jié)合技術(shù)融合原理， 用余弦相似度和技術(shù)生命周期兩個標(biāo)準(zhǔn)， 篩選出具有融合潛力的參照技術(shù)， 并根據(jù)目標(biāo)技術(shù)與參照技術(shù)的融合結(jié)果識別最有發(fā)展?jié)摿Φ募夹g(shù)機(jī)會。綜上所述， 這種基于專利分析的技術(shù)機(jī)會識別方法， 能夠從技術(shù)層面盡可能客觀地對專利進(jìn)行分析， 減少主觀判斷帶來的誤差， 提高相關(guān)技術(shù)之間創(chuàng)新的可能性， 為創(chuàng)新領(lǐng)域帶來活力。

１ 文獻(xiàn)綜述

１ １ 技術(shù)機(jī)會分析方法

美國的Ｐｏｒｔｅｒ Ａ Ｌ 教授認(rèn)為， 技術(shù)機(jī)會發(fā)現(xiàn)與原有技術(shù)密切相關(guān)［８］ 。研究技術(shù)機(jī)會可以幫助企業(yè)合理利用資源， 突破技術(shù)障礙， 發(fā)現(xiàn)有潛力的新技術(shù)。許多企業(yè)家就曾成功地識別并利用了技術(shù)機(jī)會， 在激烈的市場競爭中把握先機(jī)， 贏得了競爭優(yōu)勢［９］ 。因此， 探索技術(shù)機(jī)會被認(rèn)為是企業(yè)和政府發(fā)展過程中一個必不可少的關(guān)鍵步驟， 有助于人們把握最新技術(shù)動向， 準(zhǔn)確識別新技術(shù)的市場價值，對降低創(chuàng)新風(fēng)險具有十分重要的現(xiàn)實意義。目前，新興機(jī)會的精準(zhǔn)識別已成為數(shù)字化時代探索前沿性技術(shù)與市場并實現(xiàn)價值轉(zhuǎn)化的關(guān)鍵， 有效識別新興機(jī)會有助于及時跟蹤技術(shù)發(fā)展態(tài)勢， 洞察市場需求， 以盡早捕捉技術(shù)發(fā)展新契機(jī)， 實現(xiàn)市場先占優(yōu)勢［１０］。

起 初企業(yè)更愿意相信專家判斷， 因為未來技術(shù)難以把握， 基于專家的方法可以在局部范圍內(nèi)或細(xì)分技術(shù)領(lǐng)域保證較高的效率［１１］ 。但專家的判斷主要源于自身的知識和經(jīng)驗， 缺乏客觀數(shù)據(jù)和定量分析法的支撐， 這就大大降低了技術(shù)機(jī)會分析的客觀性與準(zhǔn)確性［１２］ 。人們便開始用基于大數(shù)據(jù)的方法對專家方法進(jìn)行補(bǔ)充， 試圖從大量的技術(shù)文件中，獲取專家無法通過自身經(jīng)驗掌握的技術(shù)情報［１３］ 。但隨著研究的深入， 人們發(fā)現(xiàn)這些方法往往都會在一定程度上依賴專家判斷， 學(xué)者們便嘗試將兩種方法相結(jié)合， 或是在定量分析中引入形態(tài)學(xué)、ＴＲＩＺ理論、德爾菲法、技術(shù)路線圖等先進(jìn)的定性方法，或是先讓專家判斷出可能的技術(shù)機(jī)會再用計量方法進(jìn)行篩選， 或是先做定量分析再由專家對得到的技術(shù)機(jī)會進(jìn)行評估［１４］ 。本文采用專家判斷與定量分析相結(jié)合的方法， 以日本專利局Ｆ－ｔｅｒｍ 專家分類體系為基礎(chǔ)， 通過對專利數(shù)據(jù)的文本挖掘， 從多角度進(jìn)行技術(shù)特征標(biāo)引來識別技術(shù)機(jī)會， 以減少主觀判斷對研究結(jié)果的影響。

１ ２ 技術(shù)機(jī)會分析數(shù)據(jù)源

技術(shù)機(jī)會分析的數(shù)據(jù)源以科學(xué)論文和技術(shù)專利為主。其中， 專利是衡量技術(shù)情報最可靠的指標(biāo)之一， 因而被廣泛使用。大量研究證明， 專利數(shù)據(jù)能夠作為技術(shù)客觀變化、技術(shù)成熟的重要指標(biāo)， 代表著特定技術(shù)領(lǐng)域的發(fā)明成果， 通過專利分析可以有效地衡量技術(shù)變革， 預(yù)測技術(shù)發(fā)展趨勢［１５］ 。Ｗａｔｔｓ和Ｐｏｒｔｅｒ 兩位教授提出， 在經(jīng)濟(jì)全球化的大背景下， 專利文獻(xiàn)已經(jīng)成為企業(yè)獲取競爭優(yōu)勢的關(guān)鍵，利用文獻(xiàn)計量挖掘高質(zhì)量的技術(shù)情報也已成為非常有潛力的分析方法。現(xiàn)有的專利分析方法由淺入深主要有３ 個層次： 第一層是對專利文獻(xiàn)的外部特征進(jìn)行統(tǒng)計， 分析某一時間范圍內(nèi)專利投入產(chǎn)出比，或是某一技術(shù)領(lǐng)域研究熱點的轉(zhuǎn)移情況。第二層是對統(tǒng)計結(jié)果做進(jìn)一步整理， 包括按時間序列整理、基于技術(shù)生命周期的短期預(yù)測和基于專利申請的空間分布分析。第三層是從多角度對第二層的結(jié)果進(jìn)行整合， 主要有專利組合分析、ＴＥＭＰＳＴ 分析、因果分析等。這三層分析方法逐層深入， 經(jīng)過科學(xué)的加工整理， 對專利信息進(jìn)行了深度挖掘與縝密剖析， 由此得到不同層次的技術(shù)機(jī)會。因此， 專利作為技術(shù)創(chuàng)新和決策活動的參照依據(jù)， 是技術(shù)機(jī)會分析的重要數(shù)據(jù)源。

１ ３ 以融合為基礎(chǔ)的技術(shù)機(jī)會識別

目前， 技術(shù)機(jī)會的識別研究主要有３ 個方面：技術(shù)空缺方面、新興技術(shù)方面和技術(shù)融合方面。技術(shù)空缺研究旨在識別出滿足某領(lǐng)域技術(shù)需求的機(jī)會； 新興技術(shù)研究旨在尋找增長迅速、市場潛力大的機(jī)會； 技術(shù)融合研究旨在預(yù)測不同領(lǐng)域間知識的流動來識別技術(shù)機(jī)會［１６］ 。雖然技術(shù)空缺和新興技術(shù)方面的技術(shù)機(jī)會識別研究已取得豐富的成果， 但主要是基于某一特定技術(shù)領(lǐng)域， 并沒有考慮到可能存在于其他領(lǐng)域甚至不同行業(yè)的技術(shù)機(jī)會， 這樣往往會錯過許多潛在的可能。技術(shù)融合將不同領(lǐng)域的技術(shù)進(jìn)行交叉， 使各類知識協(xié)同、整合， 甚至在新舊技術(shù)的交替中形成顛覆性技術(shù)［１７］ ， 從而實現(xiàn)技術(shù)創(chuàng)新。這種融合思想注重多角度、跨領(lǐng)域地尋求技術(shù)合作， 將傳統(tǒng)框架之外的知識和技術(shù)引入進(jìn)來，破解了單一領(lǐng)域“技術(shù)創(chuàng)新的窘境”， 給技術(shù)機(jī)會分析帶來了新的解決思路［１８］ 。實際上， 融合就是使不同學(xué)科、技術(shù)、市場、領(lǐng)域之間的界限變得模糊。無論是對不同領(lǐng)域的技術(shù)實施技術(shù)共享， 還是將同一領(lǐng)域內(nèi)具有不同屬性的技術(shù)進(jìn)行融合， 都能最大限度地發(fā)揮技術(shù)的發(fā)展性和兼容性， 有針對性地解決一些技術(shù)難題， 使融合后的技術(shù)發(fā)揮強(qiáng)大的滲透效果?？梢?， 技術(shù)融合具有很大的新穎性和突破性， 是機(jī)會識別的重要一環(huán)， 信息技術(shù)間的互補(bǔ)與借鑒、吸收與內(nèi)化， 可以拓寬單項技術(shù)的研究內(nèi)容和發(fā)展空間， 不僅有利于科研創(chuàng)新和應(yīng)用轉(zhuǎn)化，還能產(chǎn)生巨大的經(jīng)濟(jì)價值和社會效益［１９］ 。

經(jīng)過多年研究， 學(xué)者們在技術(shù)融合領(lǐng)域積累了大量研究成果， Ｈａｃｋｌｉｎ Ｆ［２０］ 用信息與通信技術(shù)（ＩＣＴ）產(chǎn)業(yè)的發(fā)展進(jìn)程探索了技術(shù)融合的不同階段，Ｏｌａｗｕｙｉ Ｊ Ｏ 等［２１］ 分析了技術(shù)融合對戰(zhàn)略和政策的影響， Ｋｉｍ Ｍ Ｓ 等［２２］ 對比分析了基于技術(shù)融合的國家研發(fā)項目現(xiàn)狀， 對融合效果做了較客觀的評價，Ｐｉｌ Ｆ Ｋ 等［２３］ 側(cè)重理論研究， 用其他領(lǐng)域的原理解釋了融合現(xiàn)象， 伊惠芳等［２４］ 從同域融合和跨域融合兩個方面研究了技術(shù)創(chuàng)新全視角下的技術(shù)機(jī)會，吳一平等［２５］ 提出了一種融合評論主題識別與技術(shù)屬性多維度分析的技術(shù)機(jī)會發(fā)現(xiàn)方法， 為企業(yè)前瞻布局研發(fā)方向與科研管理規(guī)劃提供了決策建議支持。但是技術(shù)融合研究目前仍存在一些問題： 一方面， 當(dāng)前的研究只是從理論層面對相關(guān)概念和案例的介紹， 缺少實證研究結(jié)果； 另一方面， 這些研究只停留在行業(yè)或應(yīng)用層面， 缺少具體的技術(shù)層面分析。因此， 本文將融合理論和現(xiàn)實應(yīng)用相結(jié)合， 從實證角度進(jìn)行技術(shù)融合研究， 旨在從技術(shù)層面挖掘技術(shù)機(jī)會。

２ 研究方法

２ １ 主體框架概述

本文的研究思路是將文本挖掘技術(shù)運用到Ｆｔｅｒｍ系統(tǒng)中， 根據(jù)技術(shù)融合結(jié)果識別技術(shù)機(jī)會。在這一過程中， 不再放眼整個專利主題， 而是將重點放在技術(shù)屬性和技術(shù)特征上， 從多個角度對不同領(lǐng)域、不同層面的技術(shù)進(jìn)行融合， 再對融合結(jié)果進(jìn)行專利組合分析， 最后根據(jù)結(jié)果所處的區(qū)域， 選出科學(xué)的技術(shù)機(jī)會方案。本文的研究過程分為以下４ 個步驟： 第一步是根據(jù)需求選擇目標(biāo)技術(shù)， 在Ｆ－ｔｅｒｍ分類系統(tǒng)中標(biāo)出它對應(yīng)的技術(shù)主題碼。第二步是確定參照技術(shù)， 先清洗技術(shù)分類表得到符合條件的參照技術(shù)組， 再用余弦相似度和技術(shù)生命周期兩個標(biāo)準(zhǔn)進(jìn)行篩選， 確定具有融合潛力的參照技術(shù)。第三步是根據(jù)技術(shù)的屬性和特征， 從ＴＡｉ 和ＴＡｉ（ｊ） 兩個層面， 將目標(biāo)技術(shù)和參照技術(shù)進(jìn)行融合， 形成技術(shù)機(jī)會。最后一步是對技術(shù)機(jī)會進(jìn)行專利組合評估，根據(jù)技術(shù)所處區(qū)域選出最優(yōu)解。

２ ２ 選擇目標(biāo)技術(shù)

目標(biāo)技術(shù)的選擇是方法的第一步， 也是整個研究開展的前提， 需要先選擇一個研究領(lǐng)域， 然后在Ｆ－ｔｅｒｍ 分類系統(tǒng)中找到該領(lǐng)域?qū)?yīng)的技術(shù)主題碼作為目標(biāo)技術(shù)。目前圖像處理已成為信息社會中不可分割的一個重要部分， 有著許多前沿技術(shù)， 應(yīng)用領(lǐng)域非常廣泛［２６］ 。因此， 對照Ｆ－ｔｅｒｍ 分類表， 將５Ｂ０５７（圖像處理）選為目標(biāo)技術(shù)。這里有必要對Ｆ－ｔｅｒｍ 分類體系做個簡要介紹， Ｆ－ｔｅｒｍ 是在ＩＰＣ 分類體系和ＦＩ 分類體系基礎(chǔ)上進(jìn)行的細(xì)分， 從多個維度對技術(shù)進(jìn)行標(biāo)注， 如發(fā)明目的、用途、種類、場所、操作、功能、參數(shù)等， 從而形成一項專利技術(shù)的“立體分類”， 如圖２ 所示。顯然， Ｆ－ｔｅｒｍ 分類體系在多角度技術(shù)查找上更有優(yōu)勢， 它的這種細(xì)致的、多維立體的特征為研究人員尋找技術(shù)機(jī)會提供了更多的可行性參考。

２ ３ 確定參照技術(shù)

通常情況下， 如果兩種技術(shù)的屬性十分相似，那么它們更有可能成功地實現(xiàn)技術(shù)融合。為了快速準(zhǔn)確地找出可以與目標(biāo)技術(shù)融合的參照技術(shù)， 對Ｆ－ｔｅｒｍ分類系統(tǒng)進(jìn)行了文本挖掘， 對圖像處理技術(shù)的關(guān)鍵詞向量做了特征提取， 從中篩選出符合條件的參照技術(shù)。

Ｆ－ｔｅｒｍ 的結(jié)構(gòu)如圖３ 所示， 每個主題下的技術(shù)包含ＴＡｉ 和ＴＡｉ（ｊ） 兩個層面， 其中ＴＡｉ 是指技術(shù)的屬性， ＴＡｉ（ｊ） 則是對ＴＡｉ 層面的進(jìn)一步細(xì)分， 指技術(shù)的特征。經(jīng)比較得到了與目標(biāo)技術(shù)具有一個以上相同關(guān)鍵詞的結(jié)果， 共３００ 條。但這個數(shù)據(jù)量依然很大， 為了得到與目標(biāo)技術(shù)相似性更高的結(jié)果，二次篩選將余弦相似度的閾值設(shè)置為０ ５， 大于閾值的技術(shù)就是參照技術(shù)， 由此得到了清洗后的技術(shù)分類表， 如表１ 所示。

由上一步的結(jié)果得到了一份相似度大于０ ５ 的技術(shù)分類表， 包括不同領(lǐng)域和相同領(lǐng)域的參照技術(shù)， 共１２ 個。這一步將根據(jù)不同的標(biāo)準(zhǔn)從中選出符合要求的參照技術(shù)。采用兩類標(biāo)準(zhǔn)， 標(biāo)準(zhǔn)一是將余弦相似度的值作為依據(jù)， 通過比較參照技術(shù)與目標(biāo)技術(shù)的相似程度， 把相似度最高的技術(shù)作為參照技術(shù)。余弦相似度（Ｃｏｓｉｎｅ Ｓｉｍｉｌａｒｉｔｙ）算法是以兩個向量的內(nèi)積空間夾角余弦值衡量相似度的一種標(biāo)準(zhǔn)， 值域為［０，１］。在本文中， 用它來測量目標(biāo)技術(shù)與參照技術(shù)之間的相似程度。Ｘｉ 表示技術(shù)ｉ 的關(guān)鍵詞向量， Ｘｊ 表示技術(shù)ｊ 的關(guān)鍵詞向量， 則Ｘｉ ＝（Ｘｉ１，Ｘｉ２，…，Ｘｉｎ ）， Ｘｊ ＝（Ｘｊ１，Ｘｊ２，…，Ｘｊｎ ）， 其中ｎ 表示一項技術(shù)在ＴＡｉ 和ＴＡｉ（ｊ） 層面提取到的關(guān)鍵詞總數(shù)。如果技術(shù)ｉ 和技術(shù)ｊ 的分類表中有相同關(guān)鍵詞ｋ， 則通過賦值， 將“１” 分配給Ｘ（ｉｋ） 和Ｘ（ｊｋ） ， 就表示兩種技術(shù)之間具有相似性， 否則值為０。因此， 技術(shù)相似性結(jié)果的取值范圍是０～１。

標(biāo)準(zhǔn)二是根據(jù)技術(shù)的發(fā)展階段， 將每年的專利申請量擬合為Ｓ 曲線來構(gòu)建技術(shù)生命周期。技術(shù)生命周期顯示了技術(shù)發(fā)展周期性的特征， 包含引入期、生長期、成熟期和衰退期４ 個階段。當(dāng)前， 基于專利信息來判斷技術(shù)生命周期的方法有很多， 其中， Ｓ 曲線是一種定量研究方法， 具有客觀定量計算、曲線直觀等優(yōu)勢， 可以計算生命周期中的具體數(shù)值， 常被用來計算技術(shù)領(lǐng)域的生命周期。Ｓ 曲線中， 處于引入期的技術(shù)雖然專利申請量較少， 但它更有可能在其他領(lǐng)域展示出巨大潛力， 所以本文將處在引入期的技術(shù)作為參照技術(shù)。與此同時， 還參照了Ｌｏｇｉｓｔｉｃ 曲線來模擬技術(shù)的增長， 這些曲線由ａ、ｂ 和Ｌ ３ 個系數(shù)決定。其中， 系數(shù)ａ 和ｂ 分別描述了曲線的位置和形狀， 而Ｌ 是Ｙｔ 的漸近最大值。

在本文中， Ｌ ／ Ｙｔ≤０ １， ０ １＜Ｌ ／ Ｙｔ ≤０ ５， ０ ５＜Ｌ ／ Ｙｔ≤０ ９， Ｌ ／ Ｙｔ ＞０ ９， 分別對應(yīng)了技術(shù)在引入期、生長期、成熟期和衰退期的取值范圍。根據(jù)Ｌ 與Ｙｔ的比， 就可以預(yù)測出技術(shù)的專利申請量， 以及其在技術(shù)生命周期中所處的發(fā)展階段。這樣， 根據(jù)標(biāo)準(zhǔn)一和標(biāo)準(zhǔn)二， 最終得到了目標(biāo)技術(shù)在不同領(lǐng)域和相同領(lǐng)域的參照技術(shù)， 如下所示。

標(biāo)準(zhǔn)一： 選擇相似性更大的技術(shù)通過余弦相似度計算， 得出不同領(lǐng)域的２Ｆ０７７和相同領(lǐng)域的５Ｂ０５０ 與目標(biāo)技術(shù)的相似性最大，基于標(biāo)準(zhǔn)一， 選擇２Ｆ０７７ 和５Ｂ０５０ 作為參照技術(shù)，如表２、表３ 所示。

標(biāo)準(zhǔn)二： 選擇處于引入期的技術(shù)收集２０１１—２０１５ 這５ 年的數(shù)據(jù)， 根據(jù)專利的累計申請量， 用Ｌｏｇｉｓｔｉｃ 模型計算得出了每個技術(shù)所處的階段。由于不同領(lǐng)域的２Ｆ０６８ 和相同領(lǐng)域的５Ｂ００９ 處于引入期， 所以基于標(biāo)準(zhǔn)二， 選擇２Ｆ０６８和５Ｂ００９ 作為參照技術(shù)， 如表４、表５ 所示。

２ ４ 融合目標(biāo)技術(shù)與參照技術(shù)

根據(jù)技術(shù)屬性和技術(shù)特征， 從ＴＡｉ 和ＴＡｉ（ｊ） 兩個層面進(jìn)行技術(shù)融合研究。如圖４ 所示， 基于ＴＡｉ的技術(shù)融合， 就是向目標(biāo)技術(shù)引入它原本不具備的屬性元素， 使目標(biāo)技術(shù)和參照技術(shù)在融合后產(chǎn)生新的功能， 從而創(chuàng)造新的技術(shù)思路。但如果有兩個以上適用的ＴＡｉ， 就需要設(shè)置優(yōu)先級， 將級別較高的ＴＡｉ 優(yōu)先同目標(biāo)技術(shù)融合。

由于ＴＡｉ（ｊ） 層面的技術(shù)融合比ＴＡｉ 涉及更具體的技術(shù)單元， 所以當(dāng)在ＴＡｉ 層面找不到新的元素時， 就將目光投向了ＴＡｉ（ｊ） ?；冢裕粒椋ǎ辏?的技術(shù)融合，是當(dāng)目標(biāo)技術(shù)和參照技術(shù)具有同樣的技術(shù)屬性時，向目標(biāo)技術(shù)引入它在ＴＡｉ（ｊ） 層面沒有的特征元素，從而使融合結(jié)果更加多元、更有創(chuàng)造性。如圖５ 所示， 藍(lán)色部分表示參照技術(shù)與目標(biāo)技術(shù)共同使用的ＴＡｉ， 綠色部分表示參照技術(shù)獨有的ＴＡｉ（ｊ） ， 目的就是將其引入到目標(biāo)技術(shù)中， 使新的技術(shù)思路在更具體的層面得到充分展現(xiàn)。下面將基于融合原理， 對圖像處理技術(shù)進(jìn)行實證研究。

１） 基于ＴＡｉ 的融合過程

由于同一領(lǐng)域的技術(shù)屬性過于相近， 在技術(shù)融合時往往會因其相似的操作或結(jié)構(gòu)而發(fā)生沖突， 因此， 在這一步中只考慮將目標(biāo)技術(shù)與不同領(lǐng)域的參照技術(shù)進(jìn)行融合。通過使用關(guān)鍵詞向量， 對參照技術(shù)２Ｆ０７７ 和２Ｆ０６８ 的每個ＴＡｉ 與目標(biāo)技術(shù)５Ｂ０５７ 的所有ＴＡｉ 進(jìn)行相似性計算， 仍將閾值設(shè)置為０ ５，最終得到了兩個相似比大于０ ５ 的融合結(jié)果， 如表６ 所示。

２） 基于ＴＡｉ（ｊ） 的融合過程

首先將目標(biāo)技術(shù)的分類表按以下５ 個主題進(jìn)行歸類： 技術(shù)應(yīng)用、輸入、處理、加工、分析， 這樣就能對同一主題下的多個技術(shù)進(jìn)行特征標(biāo)引， 從而減少技術(shù)選擇的盲目性， 提高技術(shù)融合效率。如果參照技術(shù)的分類表中也包含了其中一類主題， 說明兩種技術(shù)具有相同的技術(shù)類別， 就可以按照融合原理進(jìn)行第二個步驟： 向目標(biāo)技術(shù)引入不同的ＴＡｉ（ｊ） 。

這一步驟中， 不同領(lǐng)域融合（５Ｂ－２Ｆ）和相同領(lǐng)域融合（５Ｂ－５Ｂ）后共得到７ 個結(jié)果， 如表７ 所示。

ＨＨＩ 一般被用于評估市場集中度， 數(shù)值越大表明市場集中度越高。本文將采用這種方法來測量Ｆ－ｔｅｒｍ分類系統(tǒng)中關(guān)鍵詞的集中度。測量公式為：

根據(jù)該技術(shù)在每個主題碼中出現(xiàn)的次數(shù)， 就可以計算該技術(shù)的ＨＨＩ 值。如果ＨＨＩ 的值較大， 說明該技術(shù)的關(guān)鍵詞在少數(shù)主題碼中出現(xiàn)的次數(shù)較多， 即它被限制在了某幾個領(lǐng)域中（因為１ 個主題碼表示１ 個領(lǐng)域）， 那么它在其他領(lǐng)域中的分布性就較低。相反， ＨＨＩ 的值越小， 表示關(guān)鍵詞越分散， 即該技術(shù)的分布性越好， 適用性越強(qiáng)， 如圖６所示。

假設(shè)Ｆ－ｔｅｒｍ 系統(tǒng)中有５０ 個主題碼， 如果一項技術(shù)的關(guān)鍵詞出現(xiàn)在了其中的３０ 個主題碼中， 共出現(xiàn)了３００ 次， 因此ＨＨＩ≦０ ０３， 說明該技術(shù)的關(guān)鍵詞不集中， 分布性較好。但是如果該技術(shù)的關(guān)鍵詞出現(xiàn)在了５ 個主題碼中， 同樣是出現(xiàn)了３００ 次，因此ＨＨＩ ＝０ ２５， 說明該技術(shù)的關(guān)鍵詞較集中， 分布性較差。因此， 用（１－ＨＨＩ）來表示關(guān)鍵詞不集中的概率， 即技術(shù)的適用性。

簡單地說， 專利組合評估方法， 就是根據(jù)一項技術(shù)的主要關(guān)鍵詞在其他領(lǐng)域中的分布情況和技術(shù)本身的增長情況， 來判斷這一新構(gòu)想是否可被廣泛地用于各個領(lǐng)域并穩(wěn)步發(fā)展。本文構(gòu)建了一個二維矩陣， 根據(jù)該技術(shù)所處的區(qū)域來評估融合結(jié)果， 如圖７ 所示。

圖７ 中橫軸縱軸分別表示技術(shù)的增長潛力（簡稱ＴＧ）和分布適用性（簡稱ＴＡＰ）， 對融合結(jié)果所處的區(qū)域做了劃分： 第Ⅰ區(qū)域， 低潛力—高適用性， 代表技術(shù)的發(fā)展?jié)摿^弱， 但對其他環(huán)境的適用性較高， 具有數(shù)量少、適用性高的特點。第Ⅱ區(qū)域， 高潛力—高適用性， 代表技術(shù)在未來的發(fā)展?jié)摿驮谄渌h(huán)境中的適用能力都很好， 不僅數(shù)量龐大， 并且衍生力強(qiáng)， 總體呈現(xiàn)出多元化發(fā)展趨勢，這類技術(shù)最有可能為本領(lǐng)域帶來創(chuàng)新機(jī)會。第Ⅲ區(qū)域， 低潛力—低適用性， 代表該技術(shù)的未來發(fā)展?jié)摿蛻?yīng)對其他環(huán)境的能力都較弱， 總體呈現(xiàn)弱勢發(fā)展。第Ⅳ區(qū)域， 高潛力—低適用性， 代表技術(shù)在未來的發(fā)展?jié)摿^大， 但在其他環(huán)境中的適用性較低， 具有數(shù)量多、類型單一的特點。

３ 研究結(jié)果

對上文得到的９ 個融合結(jié)果進(jìn)行了專利組合評估， 用不同顏色對不同區(qū)域做了標(biāo)注， 如圖８ 所示， 綠色代表結(jié)果１、５、７， 黃色代表結(jié)果２、３、４、６、８， 紅色代表結(jié)果９。

從圖８ 中可以看出， 結(jié)果１、５、７ 位于Ⅰ區(qū)域（低潛力—高適用性）， 說明這３ 種技術(shù)的增長潛力雖然弱， 但在其他領(lǐng)域的分布性很好， 在未來的發(fā)展中衍生能力會很強(qiáng)； 結(jié)果２、６、８ 位于Ⅱ區(qū)域（高潛力—高適用性）， 通常情況下位于該區(qū)域的結(jié)果是被研究人員優(yōu)先推薦的， 因為這些技術(shù)在后續(xù)的發(fā)展中， 基本能保持較高的專利數(shù)量， 并且該技術(shù)的衍生能力強(qiáng)， 整體呈現(xiàn)多元化發(fā)展， 這就為技術(shù)機(jī)會的發(fā)現(xiàn)帶來了新的思路； 結(jié)果３、４ 位于Ⅰ區(qū)和Ⅱ區(qū)的交界處， 這說明在不久的未來， 結(jié)果３、４ 能夠比位于Ⅰ區(qū)域的結(jié)果以更快的速度發(fā)展到Ⅱ區(qū)域（高潛力—高適用性）； 結(jié)果９ 位于Ⅲ區(qū)域（低潛力—低適用性）， 處于該區(qū)域的技術(shù)與其他區(qū)域相比研究價值較低， 無論是專利數(shù)量還是衍生能力都不是特別突出， 因此參考價值較低。值得注意的是， 雖然本文的融合結(jié)果并沒有位于Ⅳ區(qū)的技術(shù)， 但Ⅳ區(qū)和Ⅰ區(qū)同樣重要， Ⅰ區(qū)是通過技術(shù)在其他領(lǐng)域的分布情況來判斷技術(shù)適用性和影響力，而Ⅳ區(qū)則側(cè)重通過專利數(shù)量判斷技術(shù)的潛力。因此， 在未來的研究中， 對于出現(xiàn)在Ⅳ區(qū)的結(jié)果也要予以重視。根據(jù)評估結(jié)果， 可以依據(jù)以下優(yōu)先順序進(jìn)行技術(shù)機(jī)會的選擇： Ⅱ區(qū)＞靠近Ⅱ區(qū)交界處的區(qū)域＞Ⅰ區(qū)／ Ⅳ區(qū)＞Ⅲ區(qū)。由此得出， 位于Ⅱ區(qū)的２、６、８ 是最優(yōu)融合結(jié)果， ３、４ 位于Ⅰ區(qū)和Ⅱ區(qū)的交界處， 是次優(yōu)選擇。通過深入分析， 將這９ 個結(jié)果對應(yīng)的技術(shù)機(jī)會匯總?cè)绫恚?所示。

需要說明的是， 這些技術(shù)機(jī)會是通過技術(shù)融合得出的， 它們不再屬于原來領(lǐng)域， 也不是某項單獨的技術(shù)， 而是一項新的產(chǎn)物， 代表未來具有重大發(fā)展?jié)摿蛲卣箍臻g的發(fā)展方向。以最優(yōu)評估結(jié)果２、６、８ 對應(yīng)的技術(shù)機(jī)會為例， 結(jié)果２ 醫(yī)學(xué)超聲波圖像增強(qiáng)方法， 是基于超分辨率圖像重構(gòu)技術(shù)， 將多次采集到的一系列低分辨率圖像整合成一幅高分辨率圖像， 使呈現(xiàn)的圖像更清晰， 目前該方法已被用于臨床疾病的早期診斷和篩查［２７］ ； 結(jié)果６ 三維成像技術(shù)， 可以保存物體的空間三維信息并呈現(xiàn)出立體逼真的畫面， 在自動駕駛、機(jī)器視覺、人臉識別與檢測等領(lǐng)域有著廣闊的應(yīng)用前景［２８］ ， 其中的三維熒光顯微成像技術(shù)， 由于具有高分辨率、高靈敏度、高分子特異性以及非介入性的優(yōu)點， 能夠提供完善的微觀生物信息， 未來可能成為生命科學(xué)研究的重要工具； 結(jié)果８ 圖像信息隱藏技術(shù)， 是將秘密信息嵌入在公開傳播的載體中但不改變載體本來的樣子來實現(xiàn)秘密信息的傳遞， 目前已廣泛用于可見密碼、隱藏協(xié)議、數(shù)字水印等技術(shù)中， 給信息安全領(lǐng)域帶來了巨大突破［２９］ 。這表明這些技術(shù)受到了研究人員的廣泛關(guān)注， 被用于各個領(lǐng)域解決技術(shù)難題。

為了進(jìn)一步驗證本方法識別的技術(shù)機(jī)會具有較大的技術(shù)潛力， 本文用德溫特數(shù)據(jù)庫對這些技術(shù)近１０ 年的專利數(shù)量進(jìn)行了統(tǒng)計分析， 圖９ 是各技術(shù)機(jī)會在２０１３—２０２２ 年的專利數(shù)量走勢。從圖９ 中可以看出， 結(jié)果６ 與結(jié)果８ 的專利數(shù)量持續(xù)上升， 表明這兩種技術(shù)的發(fā)展?jié)摿^大， 結(jié)果２ 與結(jié)果３ 的走勢比較穩(wěn)定， 數(shù)量較多且一直在被關(guān)注， 而其他結(jié)果由于專利數(shù)量太少， 看不到明顯的變化趨勢?？傮w來說， 這個結(jié)果表明本方法識別的技術(shù)機(jī)會確實具有較大技術(shù)潛力， 這也驗證了本方法的有效性。

４ 結(jié) 論

與以往研究相比， 本文的創(chuàng)新之處主要體現(xiàn)在３ 個方面：

第一， 本文采用融合驅(qū)動的方法識別技術(shù)機(jī)會， 是因為在技術(shù)創(chuàng)新的形式中， 技術(shù)融合是技術(shù)進(jìn)化與創(chuàng)新的主要方式和根本體現(xiàn)， 技術(shù)新生是由領(lǐng)域?qū)＜乙揽考夹g(shù)矩陣或?qū)＠貓D進(jìn)行識別， 但這種方法實現(xiàn)過程復(fù)雜， 且得到的技術(shù)機(jī)會范圍相對較粗， 而技術(shù)突破的重點在于解決技術(shù)瓶頸或技術(shù)障礙， ＴＲＩＺ 創(chuàng)新方法和ＬＯＦ、ＡＢＯＤ 等離群異常專利探測技術(shù)是有效的解決辦法， 但局限就是過多依賴專家的領(lǐng)域知識和能力， 在信息量較大的情況下耗時過長， 而融合文本挖掘的手段是解決海量數(shù)據(jù)與專家智慧的未來折中之法［２４］ 。因此， 本文將定量方法與專家經(jīng)驗相結(jié)合， 把文本挖掘技術(shù)運用到專利分析中， 通過對目標(biāo)技術(shù)的關(guān)鍵詞向量進(jìn)行特征提取， 從基于多元特征標(biāo)引的Ｆ－ｔｅｒｍ 分類體系里篩選出具有融合潛力的參照技術(shù)， 從而在目標(biāo)技術(shù)和參照技術(shù)的融合結(jié)果中識別技術(shù)機(jī)會。

第二， 本文提出了多領(lǐng)域下的技術(shù)融合研究。已有研究多關(guān)注某一特定技術(shù)領(lǐng)域或兩技術(shù)領(lǐng)域間的融合情況， 但在多技術(shù)領(lǐng)域的研究中存在局限性［３０］ 。本文將研究對象拓展到了多個領(lǐng)域， 著重關(guān)注不同領(lǐng)域間實現(xiàn)技術(shù)融合的可能性， 進(jìn)而擴(kuò)大了技術(shù)機(jī)會發(fā)現(xiàn)范圍， 更加高效助力技術(shù)機(jī)會識別研究。

第三， 本文使用了新的專利分類體系Ｆ－ｔｅｒｍ系統(tǒng)。與國際專利分類法ＩＰＣ 相比， 該系統(tǒng)的最大特點在于， 可以從多個維度對同一主題的技術(shù)屬性進(jìn)行特征標(biāo)引， 這樣不僅能從整體上對技術(shù)進(jìn)行標(biāo)注， 還可以從各個特征層面標(biāo)注技術(shù)， 這樣一篇專利文獻(xiàn)往往可以包含幾十甚至上百個分類號。顯然，Ｆ－ｔｅｒｍ 分類體系在多角度檢索方面具有相當(dāng)?shù)膬?yōu)勢， 所以本文采用Ｆ－ｔｅｒｍ 系統(tǒng)作為數(shù)據(jù)源。

參照技術(shù)的標(biāo)準(zhǔn)選擇是下一步的研究問題， 本文采用了兩個標(biāo)準(zhǔn)來確定參照技術(shù)， 余弦相似度和技術(shù)生命周期。使用這兩個標(biāo)準(zhǔn)是因為宏觀市場具有不確定性、不連續(xù)性和復(fù)雜性的風(fēng)險， 而這樣的風(fēng)險對形成的技術(shù)機(jī)會是一種巨大的考驗， 如何使技術(shù)機(jī)會適應(yīng)這樣風(fēng)云變幻的市場需求是亟需解決的問題， 因此， 在進(jìn)行技術(shù)融合前就制定了相關(guān)標(biāo)準(zhǔn)。但這些標(biāo)準(zhǔn)并非是一成不變的， 使用者可以根據(jù)需求對參照技術(shù)進(jìn)行篩選， 使最終的實驗結(jié)果更加符合要求。但是標(biāo)準(zhǔn)增加會帶來融合結(jié)果數(shù)量的增大， 這也增加了技術(shù)機(jī)會的篩選難度。所以標(biāo)準(zhǔn)的選擇具有靈活性， 數(shù)量和類型也要依具體情況而定。

參考文獻(xiàn)

［１］ 呂璐成， 趙亞娟， 王學(xué)昭， 等． 基于表示學(xué)習(xí)的技術(shù)融合差異度測度方法及其效果研究［Ｊ］． 圖書情報工作， ２０２２， ６６ （４）：１１８－１２８．

［２］ 李昌， 周錦錦， 楊中楷． 動態(tài)演化過程視角下技術(shù)融合生長點識別研究［Ｊ］． 圖書情報工作， ２０２２， ６６ （７）： ９９－１０９．

［３］ 杜建， 孫軼楠， 李永潔， 等． 從科學(xué)—技術(shù)交叉處識別創(chuàng)新前沿： 方法與實證［ Ｊ］． 情報理論與實踐， ２０１９， ４２ （１）： ９４－９９．

［４］ 李牧南， 王雯殊． 基于文本挖掘的人工智能科學(xué)主題演進(jìn)研究［Ｊ］． 情報雜志， ２０２０， ３９ （６）： ８２－８８．

［５］ 張鼐， 劉玉梅， 艾華， 等． 基于專利的技術(shù)機(jī)會分析方法與應(yīng)用研究［Ｊ］． 現(xiàn)代情報， ２０１５， ３５ （１０）： １０４－１０６， １１０．

［６］ Ｆａｂｒｙ Ｂ， Ｅｒｎｓｔ Ｈ， Ｌａｎｇｈｏｌｚ Ｊ， ｅｔ ａｌ． Ｐａｔｅｎｔ Ｐｏｒｔｆｏｌｉｏ Ａｎａｌｙｓｉｓ ａｓａ Ｕｓｅｆｕｌ Ｔｏｏｌ ｆｏｒ Ｉｄｅｎｔｉｆｙｉｎｇ Ｒ＆Ｄ ａｎｄ Ｂｕｓｉｎｅｓｓ Ｏｐｐｏｒｔｕｎｉｔｉｅｓ—ＡｎＥｍｐｉｒｉｃａｌ Ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｔｈｅ Ｎｕｔｒｉｔｉｏｎ ａｎｄ Ｈｅａｌｔｈ Ｉｎｄｕｓｔｒｙ ［ Ｊ］．Ｗｏｒｌｄ Ｐａｔｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎ， ２００６， ２８ （３）： ２１５－２２５．

［７］ Ｓｏｎｇ Ｋ， Ｋｉｍ Ｋ Ｓ， Ｌｅｅ Ｓ． Ｄｉｓｃｏｖｅｒｉｎｇ Ｎｅｗ Ｔｅｃｈｎｏｌｏｇｙ Ｏｐｐｏｒｔｕｎｉ?ｔｉｅｓ Ｂａｓｅｄ ｏｎ Ｐａｔｅｎｔｓ： Ｔｅｘｔ－ｍｉｎｉｎｇ ａｎｄ Ｆ－ｔｅｒｍ Ａｎａｌｙｓｉｓ ［ Ｊ］．Ｔｅｃｈｎｏｖａｔｉｏｎ， ２０１７， ６０－６１： １－１４．

［８］ Ｐｏｒｔｅｒ Ａ Ｌ， Ｄｅｔａｍｐｅｌ Ｍ Ｊ． Ｔｅｃｈｎｏｌｏｇｙ Ｏｐｐｏｒｔｕｎｉｔｉｅｓ Ａｎａｌｙｓｉｓ［ Ｊ］． Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｆｏｒｅｃａｓｔｉｎｇ ａｎｄ Ｓｏｃｉａｌ Ｃｈａｎｇｅ， １９９５， ４９（３）： ２３７－２５５．

［９］ Ｙｏｏｎ Ｂ， Ｐａｒｋ Ｉ， Ｃｏｈ Ｂ． Ｅｘｐｌｏｒｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｏｐｐｏｒｔｕｎｉｔｉｅｓ ＢｙＬｉｎｋｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｐｒｏｄｕｃｔｓ： Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｍｏｒｐｈｏｌｏｇｙ Ａｎａｌ?ｙｓｉｓ ａｎｄ Ｔｅｘｔ Ｍｉｎｉｎｇ ［ Ｊ］． Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｆｏｒｅｃａｓｔｉｎｇ ａｎｄ ＳｏｃｉａｌＣｈａｎｇｅ， ２０１４， ８６： ２８７－３０３．

［１０］ 王雪原， 孫美霞． 不同創(chuàng)新情境下新興機(jī)會識別研究———以碳纖維領(lǐng)域為例［ Ｊ］． 情報理論與實踐， ２０２２， ４５ （１０）： １１４－１２４．

［１１］ Ｃｕｈｌｓ Ｋ， Ｓａｌｏ Ａ． Ｔｅｃｈｎｏｌｏｇｙ Ｆｏｒｅｓｉｇｈｔ－ｐａｓｔ ａｎｄ Ｆｕｔｕｒｅ ［ Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｆｏｒｅｃａｓｔｉｎｇ， ２００３， ２２ （２－３）： ７９－８２．

［１２］ 高楠， 彭鼎原， 傅俊英， 等． 基于專利ＩＰＣ 分類與文本信息的前沿技術(shù)演進(jìn)分析———以人工智能領(lǐng)域為例［ Ｊ］． 情報理論與實踐， ２０２０， ４３ （４）： １２３－１２９．

［１３］ Ｓｈｉｂａｔａ Ｎ， Ｋａｊｉｋａｗａ Ｙ， Ｔａｋｅｄａ Ｙ， ｅｔ ａｌ． Ｄｅｔｅｃｔｉｎｇ ＥｍｅｒｇｉｎｇＲｅｓｅａｒｃｈ Ｆｒｏｎｔｓ Ｂａｓｅｄ ｏｎ Ｔｏｐｏｌｏｇｉｃａｌ Ｍｅａｓｕｒｅｓ ｉｎ Ｃｉｔａｔｉｏｎ Ｎｅｔｗｏｒｋｓｏｆ Ｓｃｉｅｎｔｉｆｉｃ Ｐｕｂｌｉｃａｔｉｏｎｓ ［ Ｊ］． Ｔｅｃｈｎｏｖａｔｉｏｎ， ２００８， ２８ （ １１）：７５８－７７５．

［１４］ Ｙｏｏｎ Ｂ， Ｐａｒｋ Ｙ． Ａ Ｓｙｓｔｅｍａｔｉｃ Ａｐｐｒｏａｃｈ ｆｏｒ Ｉｄｅｎｔｉｆｙｉｎｇ Ｔｅｃｈｎｏｌｏ?ｇｙ Ｏｐｐｏｒｔｕｎｉｔｉｅｓ： Ｋｅｙｗｏｒｄ－ｂａｓｅｄ Ｍｏｒｐｈｏｌｏｇｙ Ａｎａｌｙｓｉｓ ［Ｊ］． Ｔｅｃｈ?ｎｏｌｏｇｉｃａｌ Ｆｏｒｅｃａｓｔｉｎｇ ａｎｄ Ｓｏｃｉａｌ Ｃｈａｎｇｅ． ２００５， ７２ （２）： １４５－１６０．

［１５］ Ｋｉｍ Ｊ， Ｌｅｅ Ｓ． Ｆｏｒｅｃａｓｔｉｎｇ ａｎｄ Ｉｄｅｎｔｉｆｙｉｎｇ Ｍｕｌｔｉ－ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎ? ｖｅｒｇｅｎｃｅ Ｂａｓｅｄ ｏｎ Ｐａｔｅｎｔ Ｄａｔａ： Ｔｈｅ Ｃａｓｅ ｏｆ ＩＴ ａｎｄ ＢＴ Ｉｎｄｕｓｔｒｉｅｓｉｎ ２０２０ ［Ｊ］． Ｓｃｉｅｎｔｏｍｅｔｒｉｃｓ， ２０１７， １１１ （１）： ４７－６５．

［１６］ 張振剛， 羅泰曄． 基于ＲＦＭ 模型和隨機(jī)行動者導(dǎo)向模型的技術(shù)機(jī)會識別［Ｊ］． 情報學(xué)報， ２０２１， ４０ （１）： ５３－６１．

［１７］ 江曼， 孫明漢， 余翔， 等． 協(xié)同創(chuàng)新視角下技術(shù)機(jī)會識別模型———以中國智能機(jī)器人為例［Ｊ］． 情報雜志， ２０２０， ３９ （７）：４２－４８．

［１８］ 劉曉燕， 孫麗娜， 裘靖文， 等． 基于多層網(wǎng)絡(luò)的人工智能領(lǐng)域跨界技術(shù)融合［Ｊ］． 復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)， ２０２２， １９ （１）：４５－５１．

［１９］ 馮秋燕， 朱學(xué)芳． 基于科學(xué)計量的信息技術(shù)融合分析［ Ｊ］．情報科學(xué)， ２０２０， ３８ （２）： １４２－１５０， １７６．

［２０］ Ｈａｃｋｌｉｎ Ｆ． Ｆｕｎｄａｍｅｎｔａｌｓ ｏｆ Ｃｏｎｖｅｒｇｅｎｃｅ ａｎｄ Ｉｎｎｏｖａｔｉｏｎ ［ Ｊ］．Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｃｏｎｖｅｒｇｅｎｃｅ ｉｎ Ｉｎｎｏｖａｔｉｏｎ： Ｓｔｒａｔｅｇｉｅｓ ａｎｄ Ｃａｐａｂｉｌｉ?ｔｉｅｓ ｆｏｒ Ｖａｌｕｅ Ｃｒｅａｔｉｏｎ Ｂｅｙｏｎｄ Ｂｌｕｒｒｉｎｇ Ｉｎｄｕｓｔｒｙ Ｂｏｕｎｄａｒｉｅｓ， ２００８，（１）： ２５－４９．

［２１］ Ｏｌａｗｕｙｉ Ｊ Ｏ， Ｆｒｉｄａｙ Ｍ． Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｃｏｎｖｅｒｇｅｎｃｅ ［Ｊ］． Ｔｅｃｈｔｒｅｎｄｓ，２０１２， ３３ （６）： ８－１２．

［２２］ Ｋｉｍ Ｍ Ｓ， Ｋｉｍ Ｃ． Ｏｎ ａ Ｐａｔｅｎｔ Ａｎａｌｙｓｉｓ Ｍｅｔｈｏｄ ｆｏｒ ＴｅｃｈｎｏｌｏｇｉｃａｌＣｏｎｖｅｒｇｅｎｃｅ ［Ｊ］． Ｐｒｏｃｅｄｉａ－Ｓｏｃｉａｌ ａｎｄ Ｂｅｈａｖｉｏｒａｌ Ｓｃｉｅｎｃｅｓ， ２０１２，４０： ６５７－６６３．

［２３］ Ｐｉｌ Ｆ Ｋ， Ｈｏｌｗｅｇ Ｍ． Ｅｖｏｌｖｉｎｇ ｆｒｏｍ Ｖａｌｕｅ Ｃｈａｉｎ ｔｏ Ｖａｌｕｅ Ｇｒｉｄ［Ｊ］． ＭＩＴ Ｓｌｏａｎ Ｍａｎａｇｅｍｅｎｔ Ｒｅｖｉｅｗ， ２００６， ４７ （４）： ７２－８０．

［２４］ 伊惠芳， 劉細(xì)文， 龍藝璇． 技術(shù)創(chuàng)新全視角下技術(shù)機(jī)會發(fā)現(xiàn)研究進(jìn)展［Ｊ］． 圖書情報工作， ２０２１， ６５ （７）： １３２－１４２．

［２５］ 吳一平， 白如江， 劉明月， 等． 融合評論主題識別與技術(shù)屬性多維度分析的技術(shù)機(jī)會發(fā)現(xiàn)研究［Ｊ］． 圖書情報工作， ２０２１，６５ （１０）： ５６－６７．

［２６］ 陳應(yīng)霞， 黃明歡， 曹治， 等． 大學(xué)生在圖像處理領(lǐng)域創(chuàng)新創(chuàng)業(yè)探討［Ｊ］． 科技與創(chuàng)新， ２０２２， （１２）： １３８－１４０．

［２７］ 齊鑫， 楊智， 李冬果． 基于超分辨率重構(gòu)技術(shù)的醫(yī)學(xué)超聲波圖像增強(qiáng)方法研究［Ｊ］． 生物醫(yī)學(xué)工程研究， ２０１９， ３８ （１）：５９－６２．

［２８］ 池漢彬， 段輝高， 胡躍強(qiáng)． 超構(gòu)表面在三維成像與顯示技術(shù)中的應(yīng)用［Ｊ］． 光學(xué)精密工程， ２０２２， ３０ （１５）： １７７５－１８０１．

［２９］ 李笑． 圖像信息隱藏技術(shù)的研究和實現(xiàn)［Ｄ］． 西安： 西安工程大學(xué)， ２０２１： ３．

［３０］ 王艷， 苗紅， 李欣， 等． 知識基因視角下的技術(shù)融合機(jī)會發(fā)現(xiàn)研究［Ｊ］． 科學(xué)學(xué)與科學(xué)技術(shù)管理， ２０２１， ４２ （７）： １８－３４．

（責(zé)任編輯： 陳 媛）