基于专利计量的智能纺织品技术创新前沿研究

杨奎浪 徐茜

摘要： 智能纺织品作为纺织行业新的方向和经济增长点，具有广阔的发展前景和潜力。为了探究全球智能纺织技术的创新前沿，文章利用CiteSpace绘制的科学知识图谱，对智能纺织品技术进行了专利计量分析。结果表明，全球智能纺织品技术的研究集中于亚太地区、北美地区和欧洲地区，技术创新的主体是企业和大学机构。智能纺织品技术围绕计算机技术、通信技术、纺织物处理技术和医疗技术等热点技术交替演进，形成了应用创新、技术创新及生产工艺创新三个方向。目前，智能纺织品技术专利申请量虽有下降，但总体处于高速成长期，未来随着新兴研究的推进，还将有较大的增长空间。

关键词： 智能纺织品;专利计量;CiteSpace;德温特手工代码;创新前沿

中图分类号： TS101.91

文献标志码： A

Abstract： As a new direction and economic growth point of textile industry， intelligent textiles have a broad development prospect and potential. In order to explore the innovation frontier of global intelligent textile technology， the article uses the map of scientific knowledge drawn by CiteSpace to conduct a patentometric analysis on global intelligent textile technology. The results show that studies on global intelligent textile technology are concentrated in the Asia-Pacific region， North America and Europe， and the main body of technological innovation is enterprises and universities. Intelligent textile technology has evolved around hot technologies， such as computer technology， communication technology， textile processing technology and medical technology in succession and formed three directions including application innovation， technological innovation and production technology innovation. At present， although the number of patent applications for intelligent textile technology has declined， as a whole， it is in a high-speed growth stage. In the future， with the advancement of emerging research， there will still be plenty of room for development.

Key words： intelligent textile; patentometrics; CiteSpace; Derwent manual code; innovation frontier

随着第四次工业革命的兴起，不同技术之间的交流融合现象愈发频繁，新的技术前沿不断出现，传统的产业迎来了新的发展机遇。纺织产业作为中国的支柱产业，近年来由于用工成本的增大、国际竞争的加剧和各种技术壁垒的影响，逐步陷入了发展困境。传统的以劳动密集型为主的纺织行业亟需向高附加值的方向转型，新兴技术与纺织技术的融合逐渐成为一个重要的技术变革趋势。在这种背景下，产生了具有控温、形状记忆、防水透湿、电子智能等特性的智能纺织品[1-3]，并大受市场追捧。根据美国联合市场研究（Allied Market Research，AMR）机构的预测，到2022年，全球的智能纺织品市场规模将从2015年的9.43亿美元增长至53.69亿美元，增长的幅度达到了5.7倍，智能纺织品正在逐步成为全球纺织业的竞争核心。目前，许多国家都把经济发展的重点放到了纺织领域，并制定了相应的发展战略。例如，美国提出了“智能纺织计划”，德国提出了“未来纺织”的战略，日本的东丽、帝人等公司形成了从纤维到纺织品的技术创新链，中国也在“十三五”规划中多次提及“智能纺织”技术[1]。因此，分析智能纺织品技术的研究情况，通过知识和技术的创新建立新的优势，具有至关重要的意义。

当前，许多国家的学者都对智能纺织品技术开展了研究。从国内的研究来看，对智能纺织品技术的研究主要从发展趋势、应用方向及分类三部分内容入手。白洁[1]阐述了智能纺织品的分类和应用方向;金隽[4]从智能纺织品工艺和应用的角度，分析了智能纺织品技术的研究现状和发展方向;孙杰等[5]介绍了智能纺织品的定义、发展历史、应用现状及面临挑战等，并基于上述结果预测了未来趋势。王运利等[6]、杨丽丽[2]和周佩佩[3]重点分析了纺织品技术的应用方向;罗益锋[7]介绍了智能纺织品市场现状，并梳理了相关产品的开发应用方向。从国外的研究来看，對智能纺织品技术的研究主要是从发展历史、当前研究状况及基本原理三个方向入手。如Cherenack等[8]回顾了智能纺织品的发展历史，提出了当前研究的机遇与挑战;Chan等[9]、Ray等[10]从当前的研究文章和已有产品入手，分析了可穿戴系统的发展现状和挑战;Jayathilaka等[11]、Mokhtari等[12]从技术原理及相关材料的角度，研究了可穿戴技术的发展近况，并对未来进行展望。

这些研究虽然在一定程度上反映了智能纺织品技术的发展状况，但仍然存在着一些不足。国内的研究偏向于简单的综述，缺乏实际数据的支持;国外的研究数据来源主要是基于科学文献和产品，数据获取的全面性、便捷性存在着不足。因此，本文以德温特专利数据库中的智能纺织品技术专利为数据源，通过专利计量进行智能纺织品技术的可视化研究，借助CiteSpace制作知识聚类图谱，测算关键点和热点，探索智能纺织品技术的演化和创新前沿。

1 数据来源与研究方法

1.1 数据来源

一个领域的技术知识主要存在于科学文献、专利文献、技术开发人员和产品中[13]。一般来说，专利数据被认为是最可靠的知识来源[14]。一个专利数据通常由多个技术分类号组成，因此，所包含的技术信息相对全面，能够很好地作为智能纺织品技术创新的指标，反映智能纺织品技术的变革方向。

本文所采用的专利数据来源于德温特专利数据库（DII）。德温特专利数据库收录了来自世界40多个专利机构的三千多万个专利，包括一千多万个基本发明专利，覆盖了全球100余个国家和地区的专利文献，是整合了专利科技文献的权威数据库。

对于智能纺织品技术，本文的检索策略是将“纺织品”和“智能”作为关键词，分别进行搜索，然后把得到的结果进行组合，从而获得与智能纺织品技术有关的专利信息。首先，对“纺织品”关键词构造检索式，进行主题检索（表1）。一般认为，纺织品是指经纺织加工而成的产品，包含原材料，如由棉、纱、丝和线等组成的纺织纤维类（textile fibres）;半成品，如针织布、梭织布、无纺布及各种工农业用布组成的布类（cloth）;制成品，如服装服饰（clothing、dress、garment、costume）及其他纺织品（textiles、textile）。由于textile fibres是textile的子集，因此，构造的检索式为TS=（"cloth" or "clothing" or "dress" or "garment" or "costume" or "textiles" or "textile"），检索生成638 410条记录，检索号为#1。然后，对“智能”关键词构造检索式TS=（"smart" or "intelligent" or "wearable"），进行主题检索，得到854 746条记录，检索号为#2。最后将上述两个检索结果作交集，即#1 and #2，得到检索结果17 426条。检索的时间跨度为2000年到2019年，检索日期为2021年1月29日。

1.2 分析工具

CiteSpace是一款基于共引分析和寻径网络算法分析的信息可视化软件，它可以对选定领域的文献进行计量分析，帮助研究者发现学科演化的关键路径，从而形成对学科演化潜在动力机制的分析和学科发展前沿的探测[15]。目前，CiteSpace已经广泛应用于知识技术领域。刘秀玲等[16]使用CiteSpace分析了全球纺织技术的演化情况和技术前沿，认为当前纺织产业的创新既面临风险，又蕴藏着机会。吕一博等[17]利用CiteSpace研究了物联网和人工智能融合后的发展现状和未来方向，找到了当前的热点技术，并对未来发展趋势做出了预测。因此，利用CiteSpace的知识图谱技术，分析智能纺织品技术的演化趋势和发展前沿是可行的。

1.3 研究方法

本文主要的研究方法是共詞聚类分析。共词聚类分析是一种结合了文献计量和聚类统计的研究方法，它通过计算关键词之间的联系程度（即关键词在同一专利中共同出现的次数），对关键词进行聚合统计，使得形成的类中，类间相似度较小，类内部相似度较大。具体的做法分为两步，首先是通过德温特手工代码之间的共现关系，绘制共现网络;然后对共现网络进行快速聚类统计。快速聚类统计又称为K-Means聚类，这是一种迭代型聚类方法，它首先随机选取K个对象作为初始聚类中心，然后计算样本中的数据与这些中心的欧式距离，按照距离远近进行分类，接着把每类中数据的均值作为新的类中心，不断迭代，直至聚类不再发生改变为止。其中欧式距离（euclidean distance）的计算公式为：

L（xi，xj）=sqrt（∑nm=1|x（m）i-x（m）j|2）（1）

式中：xi为技术关键词i，其坐标为xi=（x（1）i，x（2）i，x（3）i，…，x（n）i）;xj为技术关键词j，其坐标为xj=（x（1）j，x（2）j，x（3）j，…，x（n）j）;L（xi，xj）为两个技术关键点之间的距离。

1.4 研究思路

本文的研究思路主要从以下两个方面入手。首先是对智能纺织品技术创新总体的分析。结合专利年申请量，申请国家和地区分布及专利权人的信息，探索近20年来全球智能纺织品技术的创新现状。其次是对智能纺织品技术演化和前沿的分析。将2000—2019年的数据划分为三个阶段，利用CiterSpace绘制各个阶段的技术聚类图谱，测算图谱中的中介中心性和突现值，以此来发现网络中重要节点的变化情况、关键点技术和热点技术。结合以上过程，绘制了研究框架（图1）。

2 智能纺织品技术创新总体分析

2.1 专利数量增长趋势

从德温特专利数据库中获取与智能纺织品技术相关的专利信息，并按照年份进行统计分析，得到了近20年来，全球智能纺织品技术相关专利申请量的变化情况，如图2所示。

从图2可以发现，与智能纺织品技术相关的专利申请总体呈上升趋势，这表明智能纺织品技术越来越受到重视。在2000—2006年，专利的申请数量很少，此时的智能纺织品技术正处于萌芽阶段。在2007—2013年，专利的年申请数量有了较大幅度地提高，专利的规模也逐渐扩大，这一时期的专利申请总量大约是前一时期的8倍，此时的智能纺织品技术正处于快速成长阶段。在2013年之后，专利的申请数量总体上依旧呈现上升的态势，这一阶段的专利总申请量大约占据全部申请专利的85%，此时的智能纺织品技术正处于高速成长阶段。

2.2 专利申请国家或地区分布

专利不仅可以在发明人本国申请，也可在全球其他国家和地区申请。因此，一个专利常会拥有多个国家或地区的专利号。一个国家或地区的专利申请量往往反映了这个国家或地区的技术发展状况、创新水平和市场地位。为了了解各个国家或地区在智能纺织品技术上的发展状况，对专利号码（PN）进行统计分析（表2）。从表2可以看出，在中国申请的智能纺织品专利数量多达13 332件，占比高达52.25%，几乎囊获了全球一半以上的智能纺织品专利。其次为美国，专利申请数量为4 506件。世界知识产权组织、欧洲专利局紧随其后，专利申请数量分别为1 686件和1 497件。韩国和日本的专利申请量分别排在了第五和第六位，专利申请量分别为1 408件和928件。排名第七位到第十位的国家分别是澳大利亚、印度、加拿大和德国，这些国家的专利申请量相对较少。

由此可见，目前智能纺织品的研究热点主要集中在亚太地区、北美地区和欧洲地区，南亚地区和大洋洲地区主要是以印度和澳大利亚为主，专利申请量相对较少。国际性或区域性组织专利申请量排名靠前，这在一定程度上反映了专利权人对全球专利布局具有较强的意识。

2.3 主要专利权人分析

进一步从专利权人的角度，对智能纺织品专利申请量排名前十的专利权人进行分析（表3）。从表3可以看出，在智能纺织品领域，韩国的三星电子公司申请的专利数量最多，美国的英特尔公司其次。这两家公司在该领域具有明显的优势。中国的东华大学排名第三，但与前两名的差距较大。在排名前十的专利权人中，有五家企业来自美国，分别是英特尔、高通、IBM、飞利浦电子和苹果公司，这几家公司大部分排名靠前，且科技实力雄厚，具有较强的竞争力。中国的专利权人数量排名第二，拥有三家机构，分别是东华大学、江南大学和国家电网，这说明中国的创新主体是以大学机构和国有企业为主。韩国和日本仅有一家企业进入前十，但韩国的三星电子实力强劲，专利申请量约是第二名的2倍。

3 智能纺织品技术演化与研究前沿

3.1 智能纺织品技术演化

以德温特手工代码作为关键词，利用CiteSpace的共词图谱分析，制作了2000—2006年、2007—2013年、2014—2019年的全球智能纺织品技术聚类图谱，由于聚类形成的初始节点分布过于紧密，在不改变原聚类的基础上，对节点布局进行了调整，使得绘制的图谱更加清晰，如图3—图5所示。聚类图谱中的聚类反映了智能纺织品技术的当前重点创新方向，因此，通过不同时期的技术聚类结果，可以发现技术创新的动态演化规律。同时，为了比较清楚地了解聚类内部结构，制作了每一阶段的聚类表格，每个表格中统计聚类成员数量大于等于25的聚类，每个聚类中又分别列出了数量排名前10的技术代码信息，见表4—表6。

3.1.1 萌芽期专利聚类分析

2000—2006年的全球智能纺织品技术共现如图3所示。表4统计了图3共现网络中的聚类成员情况。在萌芽期的专利聚类图中，聚类ETA（electrical technology applications）表示电气技术的应用，主要是在服装方面;聚类DC&CT（digital computer and communication technology）主要是数字计算机和通信技术;聚类DT（detection technology）涉及的是與检测技术相关的专利;聚类TM（textile material）主要是纺织物材料技术;聚类TT（textile treatment）主要是纺织物处理技术。

在这5个聚类中，每个聚类的成员数较少，不同聚类间的成员数也相差不大，表明这一阶段的智能纺织品技术尚处于萌芽期。从聚类所包含的主要技术来看，智能纺织品技术的创新主要是应用创新、技术创新和生产工艺的创新。在应用创新领域，主要是电气技术在服装中的应用，形成了各种带有电气装置的服装，如防护头盔、加热手套、救生衣等。在技术创新领域，主要是数字计算机和通信技术，如微型计算机、数据传输及数据通信，以及各种检测技术，如检测剂、酶、传感器和检测设备等。在生产工艺创新领域，主要是纺织物材料和处理技术。纺织物的材料以聚合物为主，处理技术则包括化学处理和物理处理两个方面，化学处理主要有抗静电剂、软化剂、表面活性剂、加工助剂等，物理处理主要有热密封、焊接及涂层处理等。

3.1.2 快速成长期专利聚类分析

2007—2013年的全球智能纺织品技术共现如图4所示。表5统计了图4共现网络中的聚类成员情况。在快速成长期的专利聚类图中，聚类DC&CT主要是数字计算机和通信技术;聚类TM是纺织物材料技术;聚类TT是纺织物处理;聚类ET（electrical technology）是电气技术;聚类CPT（computer peripheral technology）是计算机外围设备技术;聚类MT（medical technology）是医疗技术。

在这6个聚类中，不同聚类之间的成员数量相差较大，聚类DC&CT与聚类TM的数量较多，其他聚类的成员数量相对较少，表明智能纺织品技术的创新重点开始出现分化，那些潜在机会比较多的技术领域，如数字计算机和通信技术，纺织物材料技术愈发受到市场的重视和青睐，并得以快速发展。从聚类所包含的技术来看，聚类MT主要是医疗应用创新，包括各种医疗设备、检测仪器和化学试剂等。聚类TM和聚类TT主要是生产工艺创新，包括纺织物材料和处理技术。聚类DC&CT、聚类ET和聚类CPT主要是技术创新，包括数字计算机和通信技术、电气技术与计算机外围设备技术。

结合上一个阶段的数据可以发现，本阶段的聚类数量有所增加，智能纺织品技术的研究范围也有逐步扩大。除了上一阶段出现的数字计算机和通信技术、纺织物材料技术、电气技术及纺织物处理技术外，本阶段还出现了计算机外围设备技术和医疗技术。未来，随着物联网的普及和医疗健康需求的增加，这些技术将具有广阔的发展空间。

3.1.3 高速成长期专利聚类分析

2014—2019年的全球智能纺织品技术共现如图5所示。表6统计了图5共现网络中的聚类成员情况。在高速成长期的专利聚类图中，聚类TT主要是纺织物的处理技术;聚类DC&CT是数字计算机和通信技术;聚类CPT是计算机外围设备技术;聚类ET是电气技术;聚类GA（garment applications）是服装领域的应用;聚类MT是医疗技术;聚类S&C（surfactants and coatings）是活性剂及涂层技术。

在高速成长阶段的7个聚类中，每个聚类成员的数量都较多，表明智能纺织品技术的研究内容更加复杂，研究的方向也更加多样，此时智能纺织品技术呈现一个高速成长的状态。从聚类所包含的主要技术来看，聚类GA与聚类MT属于应用领域创新，聚类GA包括了各种服装，如防护服、安全服、夹

克、衬衫等;聚类MT则是医疗方向的应用，如电气医疗设备、加热医疗设备、绷带及急救包等。聚类DC&CT、聚类CPT和聚类ET属于技术创新，主要的方向是计算机、通信和电气技术方向。聚类TT和聚类S&C属于生产工艺创新，聚类TT对纺织物的处理主要體现在织物分层技术和图层间的连接技术上;聚类S&C则包括了各种涂层材料及方法。

这三个阶段进行比较，可以发现，智能纺织品技术的聚类数量逐渐增多，每个聚类的成员数也在增加，其创新的广度和研究的复杂度都在增加。技术的发展是循序渐进的，如第一阶段出现的技术如数字计算机和通信技术、纺织物材料和处理技术等在后两个阶段也相继出现，第二个阶段出现的计算机外围设备技术和医疗技术在第三个阶段也继续出现，并且成员规模都扩大了，这充分说明了技术演化的渐进性。

3.2 技术关键点分析

分析网络的关键点，通常采用的是网络的中介中心度。这是由美国社会学家林顿·弗里曼提出来的，它用于衡量一个点位于“点对”的中间程度，他认为，如果一个行动者处于多对行动者之间，那么他的度数一般较低，这个相对来说度数比较低的点可能起到重要的“中介”作用，因而处于网络的中心[18]。在CiteSpace中，通常采用中介中心性来衡量网络中起关键作用的节点。表7是2014—2019年智能纺织品技术关键节点统计结果。以中介中心度大于0.01为筛选条件进行过滤，对于部分年份存在中介中心性较低的情况，则用当年拥有最大中介中心性的节点代替。

结合表7的数据可知，2014年主要关注的是纺织物的材料和处理技术，数字计算机和通信技术及医疗技术关注较少;2015年的关注点是电气技术、数字计算机和通信技术;2016年注重于计算机、电气技术及纺织物处理技术;2017年和2018年侧重于纺织物的处理技术。2019年的关键点为计算机技术。关键点的统计结果表明，每年的关键点技术都有所变化，但其主要的技术关键点为电气技术、数字计算机和通信技术及纺织物处理技术。

3.3 技术热点分析

一个热点的出现意味着一个新的研究动向，各个热点出现的时间即是研究方向变化的时间，可以看是做知识网络图谱动态变化的标志[18]。CiteSpace中，分析网络的热点通常采用Burst（突现）值来衡量，它代表了专利突现的情况，即某一个专利技术在短时间内出现的数量急剧增加的状况，可以用于研究技术聚类图谱的兴起之势。

因为2018—2019年并未出现新热点，所以表8只统计了2014—2017年技术热点的变化情况。2014年的热点主要是数字计算机和通信技术;2015年的热点主要是电气技术;2016年的热点较多，包括电气技术、纺织物处理技术及计算机技术;2017年的热点主要是纺织物的处理技术。热点技术的统计表明，数字计算机和通信技术、电气技术、纺织物处理技术是智能纺织品技术的热点领域，值得重点关注。

4 结 论

为了了解智能纺织品技术的研究现状和演化模式，本文从技术创新总体、技术演化与研究前沿两个方向进行了探究。通过专利申请量、申请国家和地区及专利权人的情况，分析研究现状;利用CiteSpace工具，从知识图谱的角度对智能纺织品技术专利进行了计量分析，明晰其演化过程;最后，通过测算2014—2019年网络中的中介中心性值和突现值，发现近年来技术的重点创新方向及研究前沿，并得到了如下一些结论。

1）全球智能纺织品技术的发展经历了一个从缓慢到快速的过程，虽然2019年的智能纺织品技术专利申请量有所下滑，但总的来说，当前全球智能纺织品正处于高速成长阶段，未来还有较大的发展空间。

2）从国家和地区的角度来看，智能纺织品技术的研究主要集中在亚太地区、北美地区和欧洲地区，中国、美国、韩国和日本的研发实力较强。从专利权人的角度来看，在全球前10的智能纺织品技术专利权人中，除了东华大学和江南大学外，其他均为企业，且企业拥有大部分的专利，则说明智能纺织品技术的创新主体还是以企业为主，少数的巨头企业领导智能纺织品技术的创新。

3）智能纺织品技术的演化具有渐进性。随着时间的推移，智能纺织品技术的聚类数在增加，每个聚类的成员数也在增加，其技术创新的广度和深度在不断加强。当前智能纺织品技术的创新重点主要集中在应用创新、技术创新和生产工艺创新三个方向上，具体的技术领域包括计算机技术、通信技术、电气技术、纺织物材料技术、纺织物处理技术及医疗技术。

4）从技术关键点和技术热点的角度来看，近年来智能纺织品技术的创新前沿主要集中在数字计算机技术、通信技术、电气技术和纺织物处理技术上。2018—2019年的研究热点有所缺失，尚未出现新的热点，但技术的关键点表明，智能纺织品技术有较明确的创新重点。随着技术的进步和推进，未来智能纺织品技术还将迎来新的热潮。

参考文献：

[1]白洁. 智能纺织品的分类及其应用[J]. 毛纺科技， 2019， 47（4）： 79-83.

BAI Jie. Classifications and applications of smart textiles[J]. Wool Textile Journal， 2019， 47（4）： 79-83.

[2]杨丽丽. 智能纤维及智能纺织品的研究与开发[J]. 中国高新区， 2017（5）： 60-61.

YANG Lili. Research and development of intelligent fiber and intelligent textiles[J]. China High-Tech Zone， 2017（5）： 60-61.

[3]周佩佩. 智能纤维及其在纺织中的应用[J]. 山东纺织经济， 2016（5）： 28-30.

ZHOU Peipei. Intelligent fiber and its application in textile[J]. Shandong Textile Economy， 2016（5）： 28-30.

[4]金隽. 新型智能纺织品的研究趋势及应用[J]. 辽东学院学报（自然科学版）， 2015， 22（1）： 69-72.

JIN Jun. New type smart textile： research trends and application[J]. Journal of Eastern Liaoning University（Natural Science）， 2015， 22（1）： 69-72.

[5]孫杰， 李伟松， 沈锦玉. 智能纺织品的应用现状及其研究趋势[J]. 中国纤检， 2019（6）： 125-127.

SUN Jie， LI Weisong， SHEN Jinyu. Application and research trend of intelligent textiles[J]. China Fibre Inspection， 2019（6）： 125-127.

[6]王运利， 刘夺奎， 张莹. 智能纺织品及其在不同领域中的应用[J]. 染整技术， 2008， 30（1）： 10-14.

WANG Yunli， LIU Duokui， ZHANG Ying. Intelligent textile and its application in different fields[J]. Dyeing and Finishing Techniques， 2008， 30（1）： 10-14.

[7]罗益锋. 智能纤维及智能纺织品的最新进展[J]. 纺织导报， 2019（7）： 61-62.

LUO Yifeng. Latest developments of smart fibers and smart textiles[J]. China Textile Leader， 2019（7）： 61-62.

[8]KUNIGUNDE C， VAN P L. Smart textiles： challenges and opportunities[J]. Journal of Applied Physics， 2012， 112（9）： 91301.

[9]MARIE C， ESTVE D， FOURNIOLS J Y， et al. Smart wearable systems： current status and future challenges[J]. Artificial Intelligence in Medicine， 2012， 56（3）： 137-156.

[10]PARTHA-PRATIM R， DASH D， DE D. A systematic review of wearable systems for cancer detection： current state and challenges[J]. Journal of Medical Systems， 2017， 41（11）： 1-12.

[11]JAYATHILAKA W A D M， QI Kun， QIN Yanli， et al. Significance of nanomaterials in wearables： a review on wearable actuators and sensors[J]. Advanced Materials（Weinheim）， 2019， 31（7）： e1805921.

[12]FATEMEH M， CHENG Z， RAAD R， et al. Piezofibers to smart textiles： a review on recent advances and future outlook for wearable technology[J]. Journal of Materials Chemistry A： Materials for Energy and Sustainability， 2020， 8（19）： 9496-9522.

[13]陈悦， 谭建国， 王智琦， 等. 专利视角下工业机器人领域的技术机会分析[J]. 科研管理， 2018， 39（4）： 144-156.

CHEN Yue， TAN Jianguo， WANG Zhiqi， et al. Technological opportunity analysis of industrial robots from the perspective of patents[J]. Scientific Research Management， 2018， 39（4）： 144-156.

[14]ZVI G. Patent statistics as economic indicators： a survey[J]. Journal of Economic Literature， 1990， 28（4）： 1661-1707.

[15]陈悦， 陈超美， 刘则渊， 等. CiteSpace知识图谱的方法论功能[J]. 科学学研究， 2015， 33（2）： 242-253.

CHEN Yue， CHEN Chaomei， LIU Zeyuan， et al. The methodology function of Cite Space mapping knowledge domains[J]. Studies in Science of Science， 2015， 33（2）： 242-253.

[16]刘秀玲， 陈浩. 基于专利的全球纺织技术创新前沿与演进趋势[J]. 丝绸， 2017， 54（12）： 32-42.

LIU Xiuling， CHEN Hao. Forefront and evolutionary trend of global textile technology innovation based on patent[J]. Journal of Silk， 2017， 54（12）： 32-42.

[17]呂一博， 韦明， 林歌歌. 基于专利计量的技术融合研究： 判定、现状与趋势： 以物联网与人工智能领域为例[J]. 科学学与科学技术管理， 2019， 40（4）： 16-31.

L Yibo， WEI Ming， LIN Gege. Research of technology fusion based on patentometrics： judge， status and trends： take the field of internet of things and artificial intelligence as an example[J]. Science of Science and Management of S & T， 2019， 40（4）： 16-31.

[18]刘军. 整体网分析： UCINET软件实用指南[M]. 2版. 上海： 格致出版社/上海人民出版社， 2014.

LIU Jun. Overall Network Analysis： A Practical Guide for UCINET Software[M]. 2nd Edition. Shanghai： Ge Zhi Press/Shanghai Peoples Publishing House， 2014.