基于神经网络的产品突破性创新机遇识别

马德荣，曹国忠，杨雯丹

(1.河北工业大学机械工程学院，天津 300400；2.国家技术创新方法与实施工具工程技术研究中心，天津 300400)

现有学者从不同角度对产品突破性创新机遇的识别展开研究。李正卫等[7]提出从业务流程、产品价值、信息渠道和组织障碍4个方面进行机遇识别；邵云飞等[8]提出从跨界搜索及合作对突破性创新创意进行识别；刘玉梅等[9]基于技术轨道跃迁理论，对技术轨道跃迁程度进行定量分析，构建突破性创新预测体系；韩芳等[10]通过测度技术融合程度对具有突破性创新潜力的技术主题进行识别；HERRMANN等[11]提出以市场变化、用户需求偏好、产品设计团队和公司组织作为衡量标准对突破性创新进行预测；DELGADO等[12]从人力资本、技术资本和社会资本3个角度出发，对突破性创新项目进行衡量；MARIANI等[13]利用PageRank算法对专利引用进行重要度排序，进而对突破性创新进行识别；ARTS等[14]以科学关联度为标注对突破性创新进行识别。以上研究从不同角度给出了产品突破性创新的预测方法，但是现有关于突破性创新机遇识别特征体系仍存在较大的模糊性和不确定性，对于突破性创新机遇识别的有效性及准确性仍有待提高。

因此，为了完善产品突破性创新机遇识别方法，提出一种在产品模糊前端阶段对具有突破性创新的潜力技术进行识别的模型。首先，对突破性创新相关特征进行搜集、分析，建立突破性创新机遇识别特征体系；其次，通过对比突破性创新案例与非突破性创新案例在各特征因素上的差异，建立样本数据集；最后，通过建立神经网络对样本数据进行训练与预测，构建产品突破性创新机遇识别模型。

1 突破性创新概述

1.1 突破性创新定义

随着产品市场竞争愈演愈烈，企业只有通过创新才能在市场中维持自身的生存和发展[15]。作为技术创新的一种重要类型，突破性创新对于企业的经济发展和价值创造具有重要作用。LEIFER[16]认为突破性创新至少满足以下1个条件：1)全新的性能特征；2)当前性能特征大幅度提升；3)产品成本大幅度降低。CHANDY等[17]认为突破性创新是企业引入更先进的新技术取代原有产品技术，能够更好地提高产品性能、满足用户需求。MARCH[18]认为突破性创新是创造出一种具有一系列全新特征的产品或者产品的工艺流程发生彻底改变，或两者兼而有之。付玉秀等[19]提出突破性创新会使产品性能特征发生重大改变，对当前市场竞争态势及规划造成重大影响，甚至会导致当前产品市场重构新格局。

综上所述，国内外学者虽然对突破性创新的定义角度不尽相同，但是最终都可将突破性创新归结为技术突破与需求满足的统一。产品突破性创新主要来源于新技术的引入，能够突破原有技术瓶颈、大幅度提高产品性能或是产生一系列全新的功能，进而导致原有产品在激烈的竞争市场中被用户舍弃。因此，产品突破性创新定义为通过引进新技术，产品产生一系列全新的、未曾出现过的功能特征或产品原有性能特征显著提高。

1.2 突破性创新机遇分析

创新机遇是指对于产品创新有利的时机或者境遇，是企业进行产品创新过程中内外部的有利变化，例如用户需求发展新趋势、产品新技术以及社会政策变化等等。产品突破性创新是以创造新技术或者以当前技术为基础创造一种新产品为目的的创新。面向产品突破性创新的机遇相比于一般创新机遇对用户需求具有更高程度的满足，作为企业竞争优势的重要来源，产品突破性创新机遇是企业打破技术壁垒、实现弯道超车的重要途径。

如图1所示，产品突破性创新表现为产品技术轨道的跃迁，是跳跃性的创新类型。在产品的突破性创新过程中，当原有技术轨道进入衰退期，企业必须对突破性创新机遇进行识别，以实现产品技术轨道的跨越。在新产品的模糊前端阶段，市场中各企业争相研发新技术，而只有最有突破性创新潜力的技术最终才能够形成新技术轨道，完成突破性创新。因此，在模糊前端阶段，对具有突破性创新潜力的技术进行识别，是产品突破性创新机遇识别的主要研究内容。

图1 产品突破性创新过程中机遇识别所处位置Fig.1 Position of opportunity recognition in process of product radical innovation

2 产品突破性创新机遇识别特征体系构建

2.1 突破性创新影响因素搜集

在中国知网以“突破性创新”或“突破性技术创新”为主题进行文献检索，并以文章被引用量及下载量为标准对文献进行筛选。通过阅读初步获取突破性创新影响因素，其次通过专家访谈、行业人士调查问卷等途径对相关因素进行归纳、整理、合并，提取出最终的突破性创新影响因素，如表1所示。

新生儿气胸常并发新生儿湿肺、新生儿肺炎、新生儿吸入综合征，严重影响新生儿生活质量。因此，及时诊断并治疗新生儿气胸对改善其预后有着较为重要的作用[3-4]。

表1 产品突破性创新影响因素

2.2 基于ISM的影响因素分析

解释结构模型(interpretative structural modeling method，ISM)是结构模型化技术的一种，由美国系统工程理论家WARFIELD提出，如今已广泛应用于现代系统工程[20]。ISM的优点在于可以在没有数据的情况下，通过技术人员的经验及专业知识将要分析的系统转化为直观明了的、层次化的拓扑图。产品突破性创新的影响因素是一个复杂的系统，因此可以依据ISM模型分析产品突破性创新影响因素之间的内部结构和逻辑关系，进而提取面向产品突破性创新机遇的特征因素。

2.2.1 构建邻接矩阵

现就表1中25个因素及相互关系对与产品创新相关的技术专家进行调研，将结果进行汇总，结合因素特征和专家观点，确定不同因素之间的相互关系，最终形成因素间关系清晰的邻接矩阵，部分结果如表2所示。其中aij描述了邻接矩阵中第i行因素Si和第j列因素Sj之间的相互关系，有直接影响aij=1，无直接影响aij=0。

表2 产品突破性创新影响因素邻接矩阵

根据表2的邻接矩阵，在Matlab中算出相应的可达矩阵，部分结果如表3所示。可达矩阵描述了不同因素间的影响关系，是以矩阵的形式来描述各个影响因素经过一定的路径能够影响到的因素。其中aij表示因素Si对Sj是否可达，即因素Si对Sj是否能够产生影响，若产生影响，则aij=1，若不产生影响，则aij=0。

表3 产品突破性创新影响因素的可达矩阵

2.2.2 影响因素层级划分

根据表3产品突破性创新影响因素的可达矩阵，整理每个因素的可达集R(Si)、先行集A(Si)和共同集C(Si)(C=R∩A)。

可达集R(Si)是所有影响因素中因素Si可以影响到的所有因素的集合，其定义式为

R(Si)={Si|Si∈S,aij=1,j=1,2,…,n}，
i=1,2,…,n。

先行集A(Si)是所有影响因素中能够影响到因素Si的所有因素的集合，其定义式为A(Si)={Sj|Sj∈S,aji=1,j=1,2,…,n}，i=1,2,…,n。

共同集C(Si)是影响因素Si的可达集和先行集的交集，其定义式为

C(Si)={Sj|Sj∈S,aij=1,aji=1,j=1,2,…,n}，
i=1,2,…,n。

若某个因素的可达集R与共同集C相同，则该因素属于这一层。其次，将该层因素删去之后进行第2层影响因素的分析，依次类推，对突破性创新相关影响因素进行层级划分，最终得到如表4所示的层级划分结果。

2.3 突破性创新机遇识别特征体系构建

基于产品突破性创新影响因素递阶结构模型，整理影响系统的起始集B(S)，起始集B(S)是指在整个影响因素集合中不受其他要素影响、只影响其他因素的因素集合，在图2中表现为只有流出而无箭头流入，其定义式为

B(S)={Si|Si∈S,C(Si)=A(Si),j=1,2,…,n}，
i=1,2,…,n。

图2 产品突破性创新影响因素递阶结构关系模型Fig.2 Hierarchical structure relationship model of influencing factors of product radical innovation

整理得出产品突破性创新影响系统的起始集为

B(S)={S2,S16,S6,S4,S5,S18,S19,S20,S21,S8,S9,S11,S12,S14,S15}。

系统的起始集是整个影响系统的输入要素集合，也是影响系统的最根本的要素集合。因此，由起始集中的影响要素构建产品突破性创新机遇识别特征体系，如表5所示。

表5 产品突破性创新机遇识别特征体系

基于获取的产品突破性创新技术机遇识别特征要素，对得到的各个特征因素进行量化表征，构建产品突破性创新技术机遇识别特征指标体系。现有关于特征指标量化的研究中，多为专家组基于变化程度的量化打分，对于专家组的专业水平具有较高要求，同时这种量化方法主观性较强，对于识别结果的准确性有较大影响。为了减轻各特征指标量化过程中的主观性，采用分类方式进行量化，具体量化方法如表6所示。

表6 产品突破性创新技术机遇识别特征因素量化表征

3 产品突破性创新机遇识别模型

产品突破性创新机遇识别模型的构建如图3所示。首先通过突破性创新案例分析，建立突破性创新案例样本数据集；其次，基于突破性创新机遇识别特征体系对样本数据集进行标注；最后，通过构建神经网络对样本数据进行训练及预测，并对模型的准确性进行分析。

图3 产品突破性创新机遇识别模型构建流程Fig.3 Construction process of product radical innovation opportunity recognition model

3.1 样本数据集的建立

本文选取的案例均来自于已经发表的期刊文献，共搜集80个案例，如表7所示。其中突破性创新案例与非突破性创新案例各为40个。将案例进行编号为Y1～Y80，突破性创新案例类别记为“1”，非突破性创新案例记为“0”；将其与突破性创新机遇识别特征F1～F15进行比对，基于表6进行量化，量化结果代入X1～X15作为神经网络输入，量化结果如表8所示。

表7 产品突破性创新案例

表8 产品创新案例样本数据集

3.2 神经网络搭建

搭建神经网络结构如图4所示，网络为包含一个隐层的多输入单输出3层BP神经网络,隐层单元数为5，隐层激活函数选择Tanh函数，输出层激活函数选择Sigmoid函数，学习率采用Adam(adaptive momentum)算法，损失函数采用交叉熵损失函数(cross entropy loss)。输入变量为15个特征因素，输出变量为创新类型。

图4 产品突破性创新机遇识别神经网络Fig.4 Neural network for recognizing product radical innovation opportunities

3.3 识别结果

模型建立完成之后，从80个样本数据中随机抽取16个(20%)案例数据作为神经网络的测试集，其余64个(80%)案例数据则为训练集。将样本数据输入到全连接层神经网络进行训练，epochs设置为1 000。测试集识别分类结果如表9所示。由结果可知，模型的分类准确度较好，能够满足在模糊前端阶段对具有突破性创新潜力技术的准确预测。

表9 神经网络识别结果

所建网络的Loss曲线如图5所示，训练完成后的Loss值逐渐收敛至0.032，逐渐趋近于0，说明神经网络训练良好。网络的准确率曲线如图6所示，训练后的模型准确率较高，能够保证对于突破性创新机遇识别的准确性。

图5 模型训练的损失率Fig.5 Loss rate of model training

图6 模型预测的准确率Fig.6 Accuracy of model prediction

4 结 语

产品突破性创新机遇识别位于产品突破性创新模糊前端阶段，作为产品创新过程的开始，突破性创新机遇识别的水平直接关系到产品突破性创新项目的成败。针对现有突破性创新机遇识别方法主观性较强、识别特征体系不完善等问题，对现有产品突破性创新与非突破性创新的差异性特征进行搜集，并基于解释结构模型构建产品突破性创新机遇识别特征体系。构建了产品突破性创新机遇识别神经网络模型，基于大量数据实验验证了模型对于识别突破性创新机遇具有较高的准确性。本研究完善了产品突破性创新机遇识别特征体系，丰富了产品突破性创新机遇识别的研究内容，为企业在产品突破性创新模糊前端阶段进行机遇识别提供了理论参考。

但是本研究仍存在些许不足，对工程实例的收集数量有限，其次，对于样本的量化表征仍脱离不了技术人员的干预。在后续的研究工作中，应更广泛的收集实例资料，补充样本数据库，不断提高模型的识别精度。同时，机遇识别作为产品突破性创新过程的重要环节，在未来研究中，还应不断提高突破性创新机遇识别的智能化程度，融合更多数据挖掘和分析技术，为突破性创新机遇识别提供更有力的技术支持。