技术型初创企业的潜力发展方向识别研究

李婧雯 石静

摘 要：[目的/意义]日益复杂的技术创新与严峻的市场环境，给技术型初创企业的生存与发展带来挑战。尽早发现潜力技术机会可以帮助此类企业优化发展战略，争取未来竞争优势。[方法/过程]本研究利用全球专利数据，提出一种基于技术潜力评估和技术—企业关联关系的技术方向识别方法，为技术型初创企业寻求可行的技术发展路径。在技术潜力评估中，综合考虑专利的技术价值与经济价值构建技术潜力评估指标，从全领域探测得到潜力技术候选集;在技术—企业关联关系中，进一步考虑目标企业与潜力技术的关联程度，从候选集中定位最优技术。本研究选择人工智能领域进行实证，以商汤科技作为目标企业。在上述方法框架下，基于全领域专利数据为目标企业选择潜力技术发展方向。[结果/结论]本文实证验证了上述方法的可行性与科学性，可以帮助类似的技术型初创企业识别潜力技术方向、制定创新战略，从而辅助其突破困境、持续发展。

关键词：初创企业;技术探测;潜力技术方向;识别;商汤科技;人工智能;专利数据

DOI：10.3969/j.issn.1008-0821.2022.05.010

〔中图分类号〕G306 〔文献标识码〕A 〔文章编号〕1008-0821（2022）05-0098-12

Abstract：[Purpose/Significance]Increasingly complex technological innovation and severe market environment bring challenges to the survival and development of the technology-based start-ups.Early detection of potential technology opportunities can help such enterprises optimize their development strategies to strive for future competitive advantages.[Method/Process]Based on global patent data，this study proposed a technology direction identification method in view of technology potential assessment and technology-firm association relationship，so as to seek feasible technology development path for technology start-ups.In the evaluation of technical potential，the technical potential evaluation index was constructed by considering the technical value and economic value，and measure the technical potential direction of all patents in related fields.In the technology-firm relationship，take the degree of association between the target company and the potential technology into further consider and locate the optimal technology from the candidate set.This research selected the field of artificial intelligence for empirical research，and takes SenseTime as the target enterprise;under the above-mentioned method framework，the target enterprise selected the potential technology development direction based on the patent data of the whole field.[Result/Conclusion]This paper verifies the feasibility and scientificity of the proposed method above，which can help similar technology-based start-ups identify potential technology directions and develop innovation strategies，so as to help them break through difficulties and develop sustainably.

Key words：start-up firm;technology detection;technical potential direction;identification;SenseTime;artificial intelligence;patent data

大數据时代，发明创新是企业、行业及国家经济繁荣发展的最重要驱动因素之一[1]，十九届五中全会将创新驱动发展确定为我国现代化建设的核心任务，新兴技术创新能够带动整个国民经济的发展。技术型初创企业是以技术产品为核心，开展生产研发和服务活动的一类企业，作为新兴技术领域的市场初探者，其在市场运营和发展过程中有着明显的创新性和灵活性[2]，其核心竞争力和发展重心根植于前沿技术，是我国当前创新驱动发展进程中的重要角色。但由于风险程度高、盈利不稳定以及未来发展路线不清晰等原因，导致大多技术型初创企业在经历初期“辉煌”之后，难以持续创新，最终在激烈的市场竞争中被淘汰。根据全国企业信用信息公示系统的数据，2018—2020年新增的技术型初创企业约有175万家，被市场关注并看好的企业仅有15万家，大多数企业由于后续创新不足而夭折。而技术创新能力是技术型初创企业战略制定、技术拓展和获取市场竞争优势的有效保障，是应对外部日趋激烈的竞争环境从而进一步争取市场优势的有力武器[3]。由此，技术型初创企业应当如何提升持续创新能力和在市场竞争中维持创新优势，是值得探究的问题。688CDADD-5B64-475C-B805-31786A41E808

早在21世纪初，技术创新的竞争热点就已经逐渐集中在知识产权的竞争[4]。专利数据，能够直观地体现企业知识产权的拥有情况，是企业技术成熟度的精髓体现以及衡量企业技术创新度的重要综合性指标，对于市场竞争力评估以及制定各种战略决策都有重要的情报价值[5]。作为创新技术的主要载体，专利所表达出来的信息能够清晰体现企业技术创新的领域及发展阶段，通过专利数据分析能对行业及领域的未来技术发展趋势进行科学预测[6]，与此同时，专利数据的可获取性以及客观性等特征，也使得用其识别潜在技术发展方向具有可行性。因此，本研究基于专利数据构建技术潜力评估指标，提出一套适用于技术型初创企业的潜在技术方向识别方法。本文所提出的方法框架融合了技术自身特征以及技术与企业的关系特征，不仅能够辅助此类企业探索可行的技术方向，也可以进一步为技术潜力评估的相关研究提供借鉴。

1 相关研究综述

1.1 技术型初创企业相关研究

国内对于技术型初创企业的研究主要聚焦于企业商业模式创新以及技术创新影响因素。部分学者通过个例分析或横向对比方法研究技术型初创企业的商业模式与创新机制，进而研究诱发创新的因素，为提高企业市场竞争力提供帮助[2，7]。王松等对技术型初创中小企业进行多案例分析，基于扎根理论结合内外部因素构建技术创新影响机制模型[8]。此外也有学者专门研究单因素对初创型企业技术创新的影响，例如政府引导基金[9]、风险投资背景以及持股比例[10]等均被证明能够显著影响企业的技术创新过程。

国外学者则更侧重于研究外部因素（例如政府以及区域性因素等）对技术型初创企业的影响。Fritsch M等对德国信息技术初创型企业的区域分布特征进行研究，结果显示加强区域知识库建设，能够刺激和引导技术型初创企业的出现和发展[11];Huergo E等通过实地考察方法，评估以政府补贴形式进行公共风险投资的影响是否显著[12]。此外也有学者提出各种因素对企业发展的影响可能与所处的社会环境和商业模式有关，技术型初创企业选择适合的商业模式是生存和发展的必要条件。但这种影响与组织所处情境有关，不同国家[13]、不同环境下[14]，商业模式、技术创新机制以及影响因素都会不同。

1.2 技术发展方向识别相关研究

国内对于技术发展方向识别的相关研究主要分为两类：一是技术机会识别;二是技术方向预测。技术机会识别主要通过文献共现分析[15]、专利文本挖掘[16]等方法，探索领域内不同技术的进步可能性，进而识别具备发展潜力的技术方向。技术方向预测的研究则更加具体且深入，一般围绕特定领域基于历史数据构建预测指标和模型，用于预测技术发展方向。其中，最普遍的是利用LDA主题模型等文本挖掘方法，提取技术主题，基于某种原则构建指标测度方法，从而预测特定领域的发展方向[17]。如张洋等以核酸病毒检测技术为例，构建该领域的技术主题共现网络，结合生命周期理论和技术演化规律构建指标，进行不同层次和阶段的技术预测[18];曹艺文等利用新兴技术主题的引文曲线，预测干细胞领域有潜力成为领域核心的突破性技术[19]。也有学者将技术方向识别研究放置于具体的应用场景中，致力于将技术发展方向识别结果应用于企业服务与管理。Giglio C等、Gwak J H等基于特定领域专利数据，参考专利引用网络和专利分类信息，提取领域核心技术，预测领域的技术创新路径[20-21];Chiu T F则提出了一种基于专利技术类别的聚类方法，识别企业技术主题，并将其结果应用于企业战略规划中[22]。

综上所述，国内外学者对于技术型初创企业的研究主要集中于商业模式创新以及技术发展的影响因素，对技术型初创企業这一特定群体潜力发展方向识别的研究相对较少，而能够在有价值的技术方向持续产出，是此类企业得以存活的关键。此外，当前大多技术方向识别研究基于领域或行业开展，视角较为宏观，缺乏从个体企业这一微观视角的观察，难以直接定位辅助技术型初创企业摆脱困境。基于此，本文结合专利价值评估方法和技术—企业关联关系，提出衡量发明专利技术潜力的技术指标和经济指标，计算全量数据与目标企业专利技术相似度，并在人工智能领域进行实证检验，结合技术潜力及技术关联度两个维度，探测以目标企业为代表的技术型初创企业群体的潜在发展方向。

2 数据与方法

2.1 数据来源与处理

人工智能作为新一轮科技革命和技术变革的中坚力量[23]、我国创新战略实施的重要据点，已经孕育了大量初创企业;人工智能领域作为极具发展前景的产业，是未来新的独角兽企业集中群。这类企业在发展过程中，技术实力象征着其核心竞争力。如何帮助此类企业保持创新活力，提高市场存活率，是具有实践价值的问题。因此，本文将潜力发展方向识别方法在人工智能领域进行实证，以验证方法有效性。本文涉及两个数据源：一是人工智能领域的全球专利数据;二是目标企业商汤科技的专利数据，如表1所示。

其中，人工智能全球专利数据来源于PATSTAT全球专利数据库，该数据库是以欧洲专利局专利文献主数据库（EPO Master Documentation Database，DOCDB）为主要数据源的面向统计分析的数据库，收录了超过100个国家或者组织的专利数据。在PATSTAT全球专利数据库中，每个专利家族具有唯一的FAMILY_ID，每项专利具有唯一的APPLN_ID（即发明专利申请号，一项专利向不同地区机构重新递交申请时会赋予新的申请编号）[24]。根据世界知识产权组织（World Intellectual Property Organization，WIPO）官方报告《技术趋势2019：人工智能》[25]AI领域3个层次（AI Application Fields、AI Functional Application and AI Techniques）涉及的专利分类号作为本次研究人工智能领域专利数据范围的界定标准，通过专利分类号构建数据库检索式，初步筛选2008—2017年的专利数据。688CDADD-5B64-475C-B805-31786A41E808

目标企业的选择应当是已获得初期成功，面临持续创新难题的技术型企业。美国数据公司CB Insights每年发布“人工智能初创企业排行榜TOP 100”[26]综合考虑了专利活跃度、投资概况、竞争格局、团队实力和技术创新性等因素，连续两年上榜的商汤科技（SenseTime）是人工智能视觉识别领域的独角兽企业，其颇为抢眼的成长和融资速度在业界引起关注[27]。目标企业的数据来自智慧芽专利数据库，该数据库包含的专利数据覆盖126个国家和地区[28];通过设置专利所有权为“商汤科技 OR SENSETIME”，同样选取已授权发明专利，经人工筛选整理进行机构消歧后共得到6 152条数据。由于发明专利（尤其是被授权的发明专利）的技术性及进步性高于实用新型专利和外观设计专利[29]，且高质量的发明专利是促进技术型企业核心竞争力和经济发展新常态的重要因素[30]，因此，本研究仅选取已授权的发明专利进行分析。

2.2 潜力发展方向识别方法

前沿技术是技术型初创企业核心竞争力的来源，持续的创新能力是其生存命脉，这要求所识别出的技术应当是在未来竞争中有潜力的。但很明显，对特定的企业来说，并非所有具备潜力的技术方向都适用于它。掌握在其他公司手中的知识产权会形成技术壁垒阻碍后来者的进入，对于陌生领域的盲目探索并非好的策略，因此企业对技术的熟悉程度也应当在考虑范围内。由此，本文基于问题情境优化了以往的技术识别方法，综合考虑技术潜力和技术关联，对技术型初创企业潜在发展方向进行识别。在技术潜力评估中，综合考虑了专利的技术价值及经济价值，以体现新兴技术的市场潜力[31]。在技术关联评估中，对潜力技术和目标企业进行技术距离测度。整体识别方法框架如图1所示。

2.2.1 技术潜力评估

专利的技术价值反映该项专利技术的重要性和先进性，常通过发明专利公开后的被引用情况测度;专利的经济价值则反映专利权人对专利的维持情况，涉及专利是否授权以及专利维护费用等因素[32]。技术价值和经济价值体现专利价值的不同维度，综合考虑能够较为全面地解析和评估技术潜力[33]。因此，本文从技术价值和经济价值两个维度构建专利绩效指标，用以评估特定技术的发展潜力。此外，本文选择专利家族作为基本分析单元。专利家族指的是一项专利在不同国家申请的集合，通常认为家族规模越大，专利价值越高[34]。同一项专利在每次重新递交申请过程中都会产生新的专利申请号，因此相比单个专利申请号，基于专利家族号进行分析能够更加准确地定位核心技术，避免重复分析。

1）技术价值及其测度

专利技术价值最常见的测度方式是使用专利被引次数指标[35-36]，Hirsch J E在2005年首次提出了H指数用来测度学者的学术影响力[37]，Guan J C等在2008年将H指数引入到专利价值评估中，综合考虑专利数量与专利被引次数进行价值测度[38];之后不少学者利用该指数进行专利技术价值测度[39]。AW指数是在H指数基础上加入时间权重的影响因素得来的，Bihui J等提出，学术论文出版时间长短会对其引用频次产生影响，主张用所有文章被引用值除以发表年龄的总和平方根来评价一个学者的学术成就[40]。进一步弥补了H指数的缺陷，一定程度上控制了发表时间的影响，使得测度更准确合理[41]。因此，本文采用AW指数测度专利的技术价值，如式（1）所示：

AWi=∑citejt0-tapplnj（1）

其中，AWi是指专利家族i的AW指数，衡量发明专利家族i的技术价值[42];citej代表专利家族i中专利j的正向被引次数;t0代表当前年度，tapplnj代表专利最早申报年度，t0-tapplnj代表专利家族i中专利j的专利年龄。

一般来说，一项专利的正向被引次数越多，表明该专利对后续发明创造的影响越大，在该技术领域的技术价值越高[43];专利年龄指的是当前年份与最早申报年份之间的差值，用于平衡时间对专利引用次數的影响。本文所使用的AW指数综合考虑了每个专利的正向被引次数以及专利年龄，技术型初创企业的技术创新需要及时适应内外部需求，正向被引次数多且专利年龄小的发明专利在市场环境中具有高技术价值。PATSTAT全球专利数据库会给予每个简单家族唯一标识符，即FAMILY_ID;现以FAMILY_ID=47438029的简单专利家族为例说明AW指数的计算过程，该专利家族中包含3个不同的专利申请，如表2所示。

2）经济价值及其测度

专利经济价值是指在专利研究发明、商业化、产业化的过程中，专利技术能给所有权人或专利使用者带来的预期收益[44]。由于在美国发明专利的申请程序复杂、审查标准严格且费用较高，因此 ，往往具有较高创新水平并且能够产生预期经济效益的技术成果倾向于在美国申请保护[45]。学者马廷灿等认为，美国授权的发明专利数量很大程度上反映出某个企业或机构的专利总体质量和专利的经济价值[43]。基于此，本研究通过专利家族中美国授权专利数量占比来衡量该专利家族的经济价值，占比越高代表该专利家族的经济价值越高，具体公式如式（2）所示：

EVi=num_USAinumi（2）

其中，EVi是指专利家族i的经济价值;num_USAi代表专利家族i中被授权美国发明专利的数量;numi代表专利家族i中被授权发明专利的总数量。

结合专利技术价值以及专利经济价值指标，用加权后的绩效指标来衡量专利家族的技术潜力。现仍“47438029”为例说明计算过程，如表3所示：

2.2.2 技术关联测度

按照2.1所述对人工领域内所有专利家族的技术潜力进行评估后，还需要考虑专利技术与目标企业之间的关联程度。基于专利数据的技术关联测度常用IPC（International Patent Classification）分类号共现的方法[46]，以4位IPC的技术类别为主。但这种划分方式粒度较粗，对于微观视角下的个体企业而言，难以精确描述和概括技术方向，因此，本文采用8位IPC分类号划分技术类别。8位IPC分类号由5个不同等级的编码组成，其中，首位字母代表部，第二、三位数字代表大类类号，第四位字母代表小类类号，用1～3位数加/00代表大组类号，将大组/00中的00改为其他数字代表小组类号。以G06F40/20为例：G代表所属部为物理，G06代表计算或推算大类，G06F代表电数字数据处理小类，G06F40/00代表处理自然语言数据大组，G06F40/20代表具体技术领域自然语言分析。688CDADD-5B64-475C-B805-31786A41E808

1）全领域技术分布测度

仍旧以专利家族作为分析单元，一个专利家族中包含若干项专利，每项专利包含多个8位IPC分类号。根据专利家族中全部专利的技术分布构建专利家族技术向量，若某家族专利包含某个IPC分类，该IPC分类号对应标记则为1，否则记为0，家族中多项专利涉及同一技术的不重复计算。

领域内全部专利家族技术向量共同组成技术矩阵，该矩阵记录了领域内所有专利的技术分布情况。矩阵数据示例如图2所示，行名表示FAMILY_ID号，列名表示8位IPC代码，矩阵中数值1表示专利家族中的专利涉及该IPC技术，数值0表示不涉及此IPC技术。

2）目标企业技术分布测度

将目标企业的专利家族数据视为一个整体，以其在IPC分类号上的分布频次作为技术向量。若是目标企业有两个专利家族涉及该IPC分类则赋予频次数值2，没有涉及该IPC分类则赋值0，汇总形成目标企业专利—IPC向量，表4选取目标企业中与图2对应的IPC分类号及频次值结果进行展示。

基于领域技术矩阵与目标企业技术向量，计算每个技术方向与目标企业技术向量的余弦相似度来衡量技术—企业技术关联度，余弦相似度越大，技术关联度越大，说明该技术方向与企业的技术研究方向越接近。

2.2.3 潜力技术方向探测

以目标企业与技术方向关联程度标准化結果为横轴，技术潜力指标标准化结果为纵轴构建技术潜力—技术关联矩阵来进行潜力技术方向探测。横轴代表目标初创企业与领域内其他技术方向的技术距离，纵轴代表目前领域内专利家族的发展潜力。

过去的研究中揭露了两种不同的创新策略：技术专业化路径和技术多元化路径[47]。前者更注重技术深度，后者更侧重技术广度[48]。两种路径没有绝对好坏之分，企业可以根据发展目标与企业定位选择不同的创新路径。因此，本文未预设企业背景，对两种策略分别进行分析，将其在技术方向探测矩阵中分为两个区域：①技术关联度高且技术潜力高;②技术关联度低但技术潜力高。第一种分布区域内专利家族所代表的技术，企业可以选择专业化深耕的发展策略，在原有较好的知识积累的基础上，进一步发展核心技术来提升竞争力;第二种分布区域内专利家族所代表的技术，企业可以选择技术多元化发展战略，在涉及更多技术领域的过程中寻求更好的商业机会。

3 结果分析

3.1 描述性统计分析

按照第2.1部分所述，由于商汤科技满足本文定义的技术型初创企业特征，故选取其作为目标企业，其主要IPC分布如图3所示。

由图3可知，商汤科技申请的专利主要集中在G06K9/00组（基于图文的数字识别）以及G06N3/00组（基于生物学模型的计算机系统，例如神经网络），自2014年成立以来，公司主要致力于面部识别技术地创新及突破，目前这项技术使用深度学习达到极高的面部识别准确率，优于大部分市场同期竞争者水平;此外，该技术也被用于文本识别、无人驾驶和遥感等领域。商汤科技最先发表的专利标题为“用于合成人脸图像的方法和系统”，其核心技术是人脸识别算法相关技术。由于行业内人工智能技术还在不断完善和成熟，且技术领域存在进一步的细分。每一个细分领域里，正在不断涌现新的创业公司和资本，这些企业都可能成为商汤科技的潜在竞争者。面部识别技术目前虽然仍是商汤科技的主营业务，但因缺乏差异化优势面临着一定威胁，解决方法之一便是寻找新的技术应用方向突破口。

按照第2.2部分所述，通过余弦相似度来衡量技术—企业技术关联度，经过标准化处理后的相似度结果分布图，如图4所示：

由图4可知，全量数据范围内的专利家族的技术相似度结果高度集中于[0～0.6）数据区间内，依据分布图选取每个区间内技术潜力指标最高的两个专利家族情况进行分析，具体信息如表5所示。

由表5可知，处于较高技术相似度区间[0.6～1]内的专利IPC分类所属小类主要有G06K（数据识别）、G06N（基于特定计算模型的计算机系统）、G06T（一般的图像数据处理或产生）以及G06E（光学计算设备），与图3目标企业主要IPC分类情况有较高的一致性，从专利标题可知此部分的专利聚焦于深度学习与面部视觉识别技术，主要的应用领域包括生物领域及医学领域等;处于较低技术相似度区间[0～0.6）内的专利IPC分类所属小类相较目标企业主要IPC分类有较多不同，除以上4小类外主要有G10L（语音分析或合成;语音识别）、G06Q（专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法）、G08B（信号装置或呼叫装置）、H04N（图像通信）、H04W（无线通信网络）、B60W（车辆控制系统）、B60K（车辆动力装置或传动装置的布置或安装）、G02B（光学元件、系统或仪器）、A61B（诊断、外科鉴定）、G16H（处置或处理医疗或健康数据的信息和通信技术）以及B62B（手动车辆），此部分专利聚焦于车辆和设备控制系统以及图像通信技术，应用于商业、医学及管理领域的设备控制、情境监控和信息识别等。

按照2.2部分所述，结合专利家族的技术价值和经济价值指标，构建以专利家族为基本单位的技术潜力—技术关联矩阵，综合测度专利价值和技术距离，分布情况如图5所示。

由图5可知，全量数据中专利家族主要集中在目标企业技术关联度低且技术潜力较低的区域;相当一部分专利家族虽然与目标企业技术关联度较高，但是技术潜力指标并不理想，即分布在技术潜力平均值线以下的蓝色圆圈密集的区域。最终识别潜力发展方向所基于的目标专利家族群分布在图中虚线——高于或低于平均值一个标准差线所划分的区域，即技术关联度高且技术潜力高的区域（X值>0.475且Y值>0.032）以及技术关联度低但技术潜力高的区域（0≤X值<0.007且Y值>0.032）。688CDADD-5B64-475C-B805-31786A41E808

3.2 潜力发展方向识别结果分析

将数据汇总筛选整理后，分别对目标企业、技术关联度高且技术潜力高、技术关联度低但技术潜力高的专利家族排名TOP10的IPC分类情况进行罗列，结果如图6所示。

基于图6可知，以目标企业商汤科技IPC分类情况为比较基准，在技术潜力值都高于平均值加一个标准差的选取标准下，明显可见全量数据中技术关联高的专利家族IPC分类情况相较于技术关联度低的专利家族IPC分类情况，前者与目标企业的专利家族IPC分类分布有较大的相似性，从一定程度上验证了本文技术关联度计算方法的科学性。以商汤科技为代表的技术性初创企业若想要进一步提高创新能力以加强市场竞争性，结合2.2.3部分的内容，对应图3中的全量数据不同范围专利家族IPC分类，基于加深技术深度和拓宽技术广度两个方向，提出技术专业化和技术多元化两个主要的发展战略，如表6所示。

以商汤科技为代表的中国技术型初创企业在不同的技术领域方向上对应采取不同的发展战略，由表6可知，分布在技术关联度且技术潜力高的区域的专利技术方向主要有图像信息及特征识别、基于特定计算模型的计算机系统，以及与信息检索相关的数据库结构，对于这个区域内IPC分类对应的相关技术，企业可以基于当前的技术优势基础进一步对其进行专业深耕，例如在计算机系统建设中引入更多不同的模型算法，以及解决图像处理和计算机视觉的工程中無法随时随地进行动态图像监控的问题等等。分布在技术关联度低但技术潜力高的区域的专利技术方向主要有语音识别（特征提取及分类技术等）以及智能控制技术，对于这个区域内的相关技术则可以采取拓宽广度的发展战略，由于目前这两大类技术的领域应用范围十分广泛，一方面可以在企业原有研究领域的基础上延伸富有市场需求的应用领域;另一方面可以考虑解决当前市场上其他企业暂时没有解决方案的问题，例如语音识别技术仍未解决的噪声干扰及情感识别等问题。根据中国信息通信研究院的统计数据显示：2017年，我国人工智能行业规模占比首位的是计算机视觉领域（占比37%），其次是语音识别领域（占比22%），2018—2020年，计算机视觉、智能语音识别及控制技术是领域内技术企业的重要发展方向。中国产业信息研究网行业报告数据显示，这些方向仍然是未来的主流技术趋势，且对应企业规模也在相应扩大，技术型初创企业在基础技术的支撑下增加应用场景和致力突破技术难题，是其在发展战略制定时应考虑的重要方面。

4 结论与展望

近年来，我国政府对人工智能技术发展给予高度重视，出台了一系列全国及地方性政策，并将其列入国家战略。人工智能技术在衍生新的技术应用方式的同时，不断催生新业态和发展模式，已经成为新一轮产业变革的核心驱动力。技术型初创企业作为前沿技术的“探索者”，在深化变革的过程中承担着先锋作用，为此类技术型初创企业寻找潜力技术方向，不仅能够维持其自身竞争力，更能从整体上提升我国人工智能技术创新优势，进一步拓宽技术应用范围，将技术创新与产业发展更好地结合。

因此，本文以技术型初创企业为研究对象，综合考虑技术潜力与技术—企业关联度，构建技术潜力—技术关联矩阵，作为潜力技术探测方法;并结合技术多元化与技术专业化两种创新路径，为目标企业提出相应的技术发展战略。得到以下结论：第一，通过将目标企业商汤科技的技术分布与技术关联度高且技术潜力高、关联度低但技术潜力高，这两个区域中的技术进行比较，验证了本文指标及其测度的科学性。第二，通过对不同相似度区间专利进行举例分析后，车辆及设备控制系统以及图像通信技术是商汤科技此类初创企业可以考虑拓展的技术领域。第三，通过分析技术潜力—技术关联矩阵中的技术分区，发现在技术潜力高的技术中，与企业密切关联的技术大多与目标企业当前技术方向一致，说明数据识别、基于特定计算模型的计算机系统、图像数据处理等技术，目前仍是该类技术型初创企业的发展重心，在市场优势的竞争中仍处于重要地位。而与企业技术关联度低的技术，也不失为一条“创新蹊径”，企业可以选择在原领域基础上拓宽智能控制技术在专业化领域的应用，致力于语音识别应用盲区的关键性技术，在相关且多元的技术方向中发展竞争优势。

本文在研究过程中存在以下几点局限：①本文在评估技术潜力时，对专利的技术价值和经济价值各取一半权重进行加权，没有深入考虑两因素对技术潜力影响的区别;②本研究选取人工领域的中国企业进行实证，但不同的文化背景和市场环境可能会产生更为复杂的影响，可以在未来研究中进一步拓展场景，验证方法的适用性。

参考文献

[1]窦丽琛，张云，陈永国，等.学习贯彻党的十九届五中全会精神笔谈[J].经济与管理，2021，35（2）：6-13.

[2]仝自强，李鹏翔.技术型初创企业商业模式创新演进机理研究[J].软科学，2021，35（3）：55-62.

[3]孙世强，陶秋燕，陈瑾宇.技术创新能力、创新氛围对创新绩效的影响研究——基于中国初创企业的实证分析[J].中国管理信息化，2019，22（3）：98-101.

[4]孙红卫，田明.专利文献和技术创新[J].现代情报，2005，（4）：216-217.

[5]冯扬，徐恺英，盛盼盼.数字图书馆专利信息服务模式与创新策略研究[J].情报科学，2016，34（8）：69-73，77.

[6]徐恺英，冯杨，崔伟.基于专利分析的技术创新型企业竞争情报模式研究[J].情报理论与实践，2014，37（10）：60-64.

[7]李永发，罗媞.初创企业未获取价值与商业模式创新[J].科技进步与对策，2019，36（11）：25-33.

[8]王松，沈江.基于扎根理论的初创中小型企业创新影响因素与路径研究[J].科技管理研究，2019，39（22）：182-190.688CDADD-5B64-475C-B805-31786A41E808

[9]黄嵩，倪宣明，张俊超，等.政府引导基金能促进技术创新吗？——基于我国科技型初创企业的实证研究[J].管理评论，2020，32（3）：110-121.

[10]马嫣然，蔡建峰，王淼.风险投资背景、持股比例对初创企业技术创新产出的影响——研发投入的中介效应[J].科技进步与对策，2018，35（15）：1-8.

[11]Fritsch M，Wyrwich M.Regional Emergence of Start-Ups in Information Technologies：The Role of Knowledge，Skills and Opportunities[J].Foresight and STI Governance，2019，13（2）：62-71.

[12]Huergo E，López A.Growth Effects of Economic Conditions at Birth：The Role of Public Funding for Technology-based Start-ups[J].Economics of Innovation and New Technology，2020，（4）：1-28.

[13]Isaksson A，Lfsten H，Rannikko H.The Influence of Initial Business Models on Early Business Performance：A Study of 589 New High-tech Firms[J].International Journal of Innovation Management，2021，25（5）.

[14]Guo H，Wang C，Su Z，et al.Technology Push or Market Pull？Strategic Orientation in Business Model Design and Digital Start-up Performance[J].Journal of Product Innovation Management，2020，37（4）：352-372.

[15]晁蓉，龙海东.面向新冠肺炎治疗的技术识别与发现[J].情报探索，2020，（7）：36-42.

[16]杨辰，王楚涵，陶琬莹，等.基于专利的技术机会识别：深度学习领域的案例分析[J].科技管理研究，2021，41（12）：172-176.

[17]吕皓，周晓纪.基于主题模型的技术预见文本分析[J].情报探索，2018，（10）：52-59.

[18]张洋，林宇航，侯剑华.基于融合数据和生命周期的技术预测方法：以病毒核酸检测技术为例[J].情报学报，2021，40（5）：462-470.

[19]曹艺文，许海云，武华维，等.基于引文曲线拟合的新兴技术主题的突破性预测——以干细胞领域为例[J].图书情报工作，2020，64（5）：100-113.

[20]Giglio C，Sbragia R，Musmanno R，et al.Cross-country Learning from Patents：An Analysis of Citations Flows in Innovation Trajectories[J].Scientometrics，2021：1-20.

[21]Gwak J H，Sohn S Y.A Novel Approach to Explore Patent Development Paths for Subfield Technologies[J].Journal of the Association for Information Science & Technology，2018，69（3）：410-419.

[22]Chiu T F.A Proposed IPC-based Clustering Method for Exploiting Expert Knowledge and Its Application to Strategic Planning[J].Journal of Information Science，2014，40（1）：50-66.

[23]丁波涛.人工智能时代的情报学发展与创新——基于情报交流理论的视角[J].情报学报，2021，40（3）：321-332.

[24]张静，杨冠灿，刘会景.全球专利统计数据库（PATSTAT）研究述评[J].数字图书馆论坛，2015，4（12）：62-68.

[25]世界知识产权组织.技术趋势2019：人工智能[EB/OL].https：//www.wipo.int/tech_trends/zh/artificial_intelligence/patentscope.html，2021-03-27.

[26]CB Insights官网.人工智能初创企业排行榜TOP 100[EB/OL].https：//www.cbinsights.com/research/2019-top-100-ai-startups-where-are-they-now/，2021-07-10.

[27]李華晶.基于商汤科技的人工智能独角兽创新创业案例启示[J].科技中国，2020，4（10）：67-72.

[28]智慧芽全球专利数据库.智慧芽全球专利数据库产品介绍[EB/OL].https：//www.zhihuiya.com/products.html，2021-07-15.

[29]徐明，陈亮.基于文献综述视角的专利质量理论研究[J].情报杂志，2018，37（12）：28-35.688CDADD-5B64-475C-B805-31786A41E808

[30]姚清晨.不同类型创新主体拥有的不同性质发明专利维持过程实证研究[J].情报杂志，2016，35（3）：73-79.

[31]栾春娟，郭晓梅.新兴技术的市场潜力研究：基于专利组合分析[J].科学与管理，2017，37（1）：27-35.

[32]Bessen J.Estimates of Patent Rents from Firm Market Value[J].Research Policy，2009，38（10）：1604-1616.

[33]冯仁涛，余翔.专利技术范围与专利价值——基于生物技术领域专利的分析[J].情报杂志，2021，40（4）：109-118，91.

[34]侯剑华，范二宝.基于专利家族的核心技术演进分析——以太阳能光伏电池技术为例[J].情报杂志，2014，33（12）：30-35，40.

[35]Lee Y G.What Affects a Patents Value？An Analysis of Variables that Affect Technological，Direct Economic，and Indirect Economic Value：An Exploratory Conceptual Approach[J].Scientometrics，2009，79（3）：623-633.

[36]赵蓉英，李新来，李丹阳.专利引证视角下的核心专利研究——以人工智能领域为例[J].情报理论与实践，2019，42（3）：78-84.

[37]Hirsch J E.An Index to Quantify an Individuals Scientific Research Output[J].Proceedings of the National Academy of Ences of the United States of America，2005，102（46）：16569-16572.

[38]Guan J C，Gao X.Exploring the h-Index at Patent Level[J].Journal of the American Society for Information Science and Technology，2008，60（1）：35-40.

[39]刘志斋，左文革.h指数及其衍生指标评估兽用疫苗领域单篇专利的适用性探索[J].中国农业文摘-农业工程，2020，32（3）：41-46.

[40]Jin B H，Liang L M，Rousseau R，et al.The R-and AR-indices：Complementing the h-Index[J].Chinese Science Bulletin，2007，52（6）：855-863.

[41]杨毓丽，丁媛，张苏.基于ESI单本外文图书质量评价体系实证研究——以计算机学科为例[J].图书馆杂志，2015，34（7）：11-18.

[42]Chung J，Ko N，Kim H，et al.Inventor Profile Mining Approach for Prospective Human Resource Scouting[J].Journal of Informetrics，2021，15（1）：101103.

[43]马廷灿，李桂菊，姜山，等.专利质量评价指标及其在专利计量中的应用[J].图书情报工作，2012，56（24）：89-95，59.

[44]张克群，孙泓，耿筠，等.专利被引证数与专利价值关系研究的再验证[J].图书馆论坛，2020，40（3）：55-62.

[45]李春燕，石荣.专利质量指标评价探索[J].现代情报，2008，（2）：146-149.

[46]陈悦，王康，宋超，等.一种用于技术融合与演化路径探测的新方法：技术群相似度时序分析法[J].情报学报，2021，40（6）：565-574.

[47]Chiu Y C，Lai H C，Liaw Y C，et al.Technological Scope：Diversified or Specialized[J].Scientometrics，2009，82（1）：37-58.

[48]Ko W W，Liu G.How Information Technology Assimilation Promotes Exploratory and Exploitative Innovation in the Small-and Medium-Sized Firm Context：The Role of Contextual Ambidexterity and Knowledge Base[J].Journal of product innovation management，2019，36（4）：442-466.

（責任编辑：陈 媛）688CDADD-5B64-475C-B805-31786A41E808