专利技术融合驱动的技术机会识别研究

齐亚双 张白洋 李淼 伍昱熹

摘 要： ［目的／ 意义］ 技术融合是技术创新的重要手段， 通过融合不同领域的技术可以突破技术瓶颈， 形成技术机会。［方法／ 过程］ 本文提出了一种融合驱动的技术机会识别方法， 将定量分析与专家经验相结合， 用文本挖掘技术对Ｆ－ｔｅｒｍ 专家分类系统进行多层主题筛选， 以技术相似性和技术生命周期为标准， 对筛选出的参照技术与目标技术进行融合研究， 最后根据专利组合评估得出最优融合结果， 对图像处理技术进行技术机会识别。［结果／ 结论］ 研究结果显示， 本文预测的技术机会前景广阔， 这表明本文的研究方法为技术机会研究提供了新的解决方案。

关键词： 技术融合； 技术机会； 专利分析； 人工智能； 图像处理

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

〔中图分类号〕Ｇ２５０ ２５５ 〔文献标识码〕Ａ 〔文章编号〕１００８－０８２１ （２０２３） ０８－０１５０－１１

随着技术的变革和问题的加剧， 日趋复杂的社会经济和技术问题往往需要整合不同学科的技术知识来解决［１］ 。通过持续引入新技术或与已有技术的融合， 可以实现不同领域的交叉渗透形成新技术，为企业提供技术解决方案［２］ 。这些方案的重大创新突破往往来自专家熟悉领域外的复杂交叉关联领域，或是源自重大科学发现和关键技术发明的交织、渗透［３］ 。如今， 人工智能技术逐渐扩散到了众多领域，已发展成融合多学科、跨领域的综合性技术， 正在深刻改变着相关领域的创新模式和发展方向。在全球科技竞争的大环境下， 发展人工智能理论、算法和技术已成为保持国际竞争优势的重要手段［４］ 。但是现有的人工智能技术大多采用模仿的创新方式，缺乏真正的创新研发和战略规划， 相关专利的申请量虽然逐年上升， 但真正转化为生产力的屈指可数，科研与市场应用步调不一致也造成了很多科技创新资源的浪费， 因此将科研成果用于推动企业技术变革至关重要。目前， 各行各业都在进行技术变革，如何找到合适的切入点是各领域亟待解决的难题。技术机会发现为人们提供了新的思路， 它能挖掘特定领域或不同行业的技术潜力， 找出新技术的增长点， 从而抓住机会， 推动技术进步。然而， 技术机会并不以成品形式存在， 它通常以科技期刊、专利文档、研究报告等形式隐藏在海量数据的背后［５］ 。专利数据因其易得、完整、准确等特点， 为技术机会的识别打下了良好基础［６］ 。通过专利分析， 不仅可以得到技术之间的关联性， 还能对不同技术领域的拓展情况和技术之间的渗透方向进行解释， 从而帮助我们全面、客观地掌握各个技术领域， 增强技术机会识别的客观性和可靠性， 为企业变革做出贡献。

当前国际上通用的专利分类法是ＩＰＣ 分类， 它将整个技术领域分为５ 个不同等级， 按等级递降顺序对专利进行划分， 使人们在不同维度上获得技术的详细信息。但是传统的ＩＰＣ 分类更注重技术的整体结构， 很少关注技术细节， 更多的是按照“功能属性” 和“应用属性” 进行分类， 因此， 即使到了下位类， 使用的主题词仍十分笼统， 这就很难体现技术的具体特征， 给技术机会的识别带来了阻碍。Ｆ－ｔｅｒｍ（即“Ｆｉｌｅ Ｆｏｒｍｉｎｇ Ｔｅｒｍｓ” 的简写）是日本专利局（ＪＰＯ）的内部专利系统， 是在国际专利分类表（ＩＰＣ）和日本国内分类系统（ＦＩ）的基础上进行再分类或细分类。它能从材料模型、结构、目的、制作方法、技术类型等角度对专利进行细分［７］ 。

较之于其他分类系统， Ｆ－ｔｅｒｍ 的优势是其相当细致和多维立体的分类方法， 这为技术机会的挖掘创造了有利条件。本文以人工智能领域下的图像处理技术为例， 通过对专利数据的文本挖掘， 从Ｆｔｅｒｍ系统中提取关键词， 获得该领域相关的技术主题， 根据主题的技术属性和更为细致的技术特征，识别具有相似原理的专利技术。结合技术融合原理， 用余弦相似度和技术生命周期两个标准， 筛选出具有融合潜力的参照技术， 并根据目标技术与参照技术的融合结果识别最有发展潜力的技术机会。综上所述， 这种基于专利分析的技术机会识别方法， 能够从技术层面尽可能客观地对专利进行分析， 减少主观判断带来的误差， 提高相关技术之间创新的可能性， 为创新领域带来活力。

１ 文献综述

１ １ 技术机会分析方法

美国的Ｐｏｒｔｅｒ Ａ Ｌ 教授认为， 技术机会发现与原有技术密切相关［８］ 。研究技术机会可以帮助企业合理利用资源， 突破技术障碍， 发现有潜力的新技术。许多企业家就曾成功地识别并利用了技术机会， 在激烈的市场竞争中把握先机， 赢得了竞争优势［９］ 。因此， 探索技术机会被认为是企业和政府发展过程中一个必不可少的关键步骤， 有助于人们把握最新技术动向， 准确識别新技术的市场价值，对降低创新风险具有十分重要的现实意义。目前，新兴机会的精准识别已成为数字化时代探索前沿性技术与市场并实现价值转化的关键， 有效识别新兴机会有助于及时跟踪技术发展态势， 洞察市场需求， 以尽早捕捉技术发展新契机， 实现市场先占优势［１０］。

起 初企业更愿意相信专家判断， 因为未来技术难以把握， 基于专家的方法可以在局部范围内或细分技术领域保证较高的效率［１１］ 。但专家的判断主要源于自身的知识和经验， 缺乏客观数据和定量分析法的支撑， 这就大大降低了技术机会分析的客观性与准确性［１２］ 。人们便开始用基于大数据的方法对专家方法进行补充， 试图从大量的技术文件中，获取专家无法通过自身经验掌握的技术情报［１３］ 。但随着研究的深入， 人们发现这些方法往往都会在一定程度上依赖专家判断， 学者们便尝试将两种方法相结合， 或是在定量分析中引入形态学、ＴＲＩＺ理论、德尔菲法、技术路线图等先进的定性方法，或是先让专家判断出可能的技术机会再用计量方法进行筛选， 或是先做定量分析再由专家对得到的技术机会进行评估［１４］ 。本文采用专家判断与定量分析相结合的方法， 以日本专利局Ｆ－ｔｅｒｍ 专家分类体系为基础， 通过对专利数据的文本挖掘， 从多角度进行技术特征标引来识别技术机会， 以减少主观判断对研究结果的影响。

１ ２ 技术机会分析数据源

技术机会分析的数据源以科学论文和技术专利为主。其中， 专利是衡量技术情报最可靠的指标之一， 因而被广泛使用。大量研究证明， 专利数据能够作为技术客观变化、技术成熟的重要指标， 代表着特定技术领域的发明成果， 通过专利分析可以有效地衡量技术变革， 预测技术发展趋势［１５］ 。Ｗａｔｔｓ和Ｐｏｒｔｅｒ 两位教授提出， 在经济全球化的大背景下， 专利文献已经成为企业获取竞争优势的关键，利用文献计量挖掘高质量的技术情报也已成为非常有潜力的分析方法。现有的专利分析方法由浅入深主要有３ 个层次： 第一层是对专利文献的外部特征进行统计， 分析某一时间范围内专利投入产出比，或是某一技术领域研究热点的转移情况。第二层是对统计结果做进一步整理， 包括按时间序列整理、基于技术生命周期的短期预测和基于专利申请的空间分布分析。第三层是从多角度对第二层的结果进行整合， 主要有专利组合分析、ＴＥＭＰＳＴ 分析、因果分析等。这三层分析方法逐层深入， 经过科学的加工整理， 对专利信息进行了深度挖掘与缜密剖析， 由此得到不同层次的技术机会。因此， 专利作为技术创新和决策活动的参照依据， 是技术机会分析的重要数据源。

１ ３ 以融合为基础的技术机会识别

目前， 技术机会的识别研究主要有３ 个方面：技术空缺方面、新兴技术方面和技术融合方面。技术空缺研究旨在识别出满足某领域技术需求的机会； 新兴技术研究旨在寻找增长迅速、市场潜力大的机会； 技术融合研究旨在预测不同领域间知识的流动来识别技术机会［１６］ 。虽然技术空缺和新兴技术方面的技术机会识别研究已取得丰富的成果， 但主要是基于某一特定技术领域， 并没有考虑到可能存在于其他领域甚至不同行业的技术机会， 这样往往会错过许多潜在的可能。技术融合将不同领域的技术进行交叉， 使各类知识协同、整合， 甚至在新旧技术的交替中形成颠覆性技术［１７］ ， 从而实现技术创新。这种融合思想注重多角度、跨领域地寻求技术合作， 将传统框架之外的知识和技术引入进来，破解了单一领域“技术创新的窘境”， 给技术机会分析带来了新的解决思路［１８］ 。实际上， 融合就是使不同学科、技术、市场、领域之间的界限变得模糊。无论是对不同领域的技术实施技术共享， 还是将同一领域内具有不同属性的技术进行融合， 都能最大限度地发挥技术的发展性和兼容性， 有针对性地解决一些技术难题， 使融合后的技术发挥强大的渗透效果。可见， 技术融合具有很大的新颖性和突破性， 是机会识别的重要一环， 信息技术间的互补与借鉴、吸收与内化， 可以拓宽单项技术的研究内容和发展空间， 不仅有利于科研创新和应用转化，还能产生巨大的经济价值和社会效益［１９］ 。

经过多年研究， 学者们在技术融合领域积累了大量研究成果， Ｈａｃｋｌｉｎ Ｆ［２０］ 用信息与通信技术（ＩＣＴ）产业的发展进程探索了技术融合的不同阶段，Ｏｌａｗｕｙｉ Ｊ Ｏ 等［２１］ 分析了技术融合对战略和政策的影响， Ｋｉｍ Ｍ Ｓ 等［２２］ 对比分析了基于技术融合的国家研发项目现状， 对融合效果做了较客观的评价，Ｐｉｌ Ｆ Ｋ 等［２３］ 侧重理论研究， 用其他领域的原理解释了融合现象， 伊惠芳等［２４］ 从同域融合和跨域融合两个方面研究了技术创新全视角下的技术机会，吴一平等［２５］ 提出了一种融合评论主题识别与技术属性多维度分析的技术机会发现方法， 为企业前瞻布局研发方向与科研管理规划提供了决策建议支持。但是技术融合研究目前仍存在一些问题： 一方面， 当前的研究只是从理论层面对相关概念和案例的介绍， 缺少实证研究结果； 另一方面， 这些研究只停留在行业或应用层面， 缺少具体的技术层面分析。因此， 本文将融合理論和现实应用相结合， 从实证角度进行技术融合研究， 旨在从技术层面挖掘技术机会。

２ 研究方法

２ １ 主体框架概述

本文的研究思路是将文本挖掘技术运用到Ｆｔｅｒｍ系统中， 根据技术融合结果识别技术机会。在这一过程中， 不再放眼整个专利主题， 而是将重点放在技术属性和技术特征上， 从多个角度对不同领域、不同层面的技术进行融合， 再对融合结果进行专利组合分析， 最后根据结果所处的区域， 选出科学的技术机会方案。本文的研究过程分为以下４ 个步骤： 第一步是根据需求选择目标技术， 在Ｆ－ｔｅｒｍ分类系统中标出它对应的技术主题码。第二步是确定参照技术， 先清洗技术分类表得到符合条件的参照技术组， 再用余弦相似度和技术生命周期两个标准进行筛选， 确定具有融合潜力的参照技术。第三步是根据技术的属性和特征， 从ＴＡｉ 和ＴＡｉ（ｊ） 两个层面， 将目标技术和参照技术进行融合， 形成技术机会。最后一步是对技术机会进行专利组合评估，根据技术所处区域选出最优解。

２ ２ 选择目标技术

目标技术的选择是方法的第一步， 也是整个研究开展的前提， 需要先选择一个研究领域， 然后在Ｆ－ｔｅｒｍ 分类系统中找到该领域对应的技术主题码作为目标技术。目前图像处理已成为信息社会中不可分割的一个重要部分， 有着许多前沿技术， 应用领域非常广泛［２６］ 。因此， 对照Ｆ－ｔｅｒｍ 分类表， 将５Ｂ０５７（图像处理）选为目标技术。这里有必要对Ｆ－ｔｅｒｍ 分类体系做个简要介绍， Ｆ－ｔｅｒｍ 是在ＩＰＣ 分类体系和ＦＩ 分类体系基础上进行的细分， 从多个维度对技术进行标注， 如发明目的、用途、种类、场所、操作、功能、参数等， 从而形成一项专利技术的“立体分类”， 如图２ 所示。显然， Ｆ－ｔｅｒｍ 分类体系在多角度技术查找上更有优势， 它的这种细致的、多维立体的特征为研究人员寻找技术机会提供了更多的可行性参考。

２ ３ 确定参照技术

通常情况下， 如果两种技术的属性十分相似，那么它们更有可能成功地实现技术融合。为了快速准确地找出可以与目标技术融合的参照技术， 对Ｆ－ｔｅｒｍ分类系统进行了文本挖掘， 对图像处理技术的关键词向量做了特征提取， 从中筛选出符合条件的参照技术。

Ｆ－ｔｅｒｍ 的结构如图３ 所示， 每个主题下的技术包含ＴＡｉ 和ＴＡｉ（ｊ） 两个层面， 其中ＴＡｉ 是指技术的属性， ＴＡｉ（ｊ） 则是对ＴＡｉ 层面的进一步细分， 指技术的特征。经比较得到了与目标技术具有一个以上相同关键词的结果， 共３００ 条。但这个数据量依然很大， 为了得到与目标技术相似性更高的结果，二次筛选将余弦相似度的阈值设置为０ ５， 大于阈值的技术就是参照技术， 由此得到了清洗后的技术分类表， 如表１ 所示。

由上一步的结果得到了一份相似度大于０ ５ 的技术分类表， 包括不同领域和相同领域的参照技术， 共１２ 个。这一步将根据不同的标准从中选出符合要求的参照技术。采用两类标准， 标准一是将余弦相似度的值作为依据， 通过比较参照技术与目标技术的相似程度， 把相似度最高的技术作为参照技术。余弦相似度（Ｃｏｓｉｎｅ Ｓｉｍｉｌａｒｉｔｙ）算法是以两个向量的内积空间夹角余弦值衡量相似度的一种标准， 值域为［０，１］。在本文中， 用它来测量目标技术与参照技术之间的相似程度。Ｘｉ 表示技术ｉ 的关键词向量， Ｘｊ 表示技术ｊ 的关键词向量， 则Ｘｉ ＝（Ｘｉ１，Ｘｉ２，…，Ｘｉｎ ）， Ｘｊ ＝（Ｘｊ１，Ｘｊ２，…，Ｘｊｎ ）， 其中ｎ 表示一项技术在ＴＡｉ 和ＴＡｉ（ｊ） 层面提取到的关键词总数。如果技术ｉ 和技术ｊ 的分类表中有相同关键词ｋ， 则通过赋值， 将“１” 分配给Ｘ（ｉｋ） 和Ｘ（ｊｋ） ， 就表示两种技术之间具有相似性， 否则值为０。因此， 技术相似性结果的取值范围是０～１。

标准二是根据技术的发展阶段， 将每年的专利申请量拟合为Ｓ 曲线来构建技术生命周期。技术生命周期显示了技术发展周期性的特征， 包含引入期、生长期、成熟期和衰退期４ 个阶段。当前， 基于专利信息来判断技术生命周期的方法有很多， 其中， Ｓ 曲线是一种定量研究方法， 具有客观定量计算、曲线直观等优势， 可以计算生命周期中的具体数值， 常被用来计算技术领域的生命周期。Ｓ 曲线中， 处于引入期的技术虽然专利申请量较少， 但它更有可能在其他领域展示出巨大潜力， 所以本文将处在引入期的技术作为参照技术。与此同时， 还参照了Ｌｏｇｉｓｔｉｃ 曲线来模拟技术的增长， 这些曲线由ａ、ｂ 和Ｌ ３ 个系数决定。其中， 系数ａ 和ｂ 分别描述了曲线的位置和形状， 而Ｌ 是Ｙｔ 的渐近最大值。

在本文中， Ｌ ／ Ｙｔ≤０ １， ０ １＜Ｌ ／ Ｙｔ ≤０ ５， ０ ５＜Ｌ ／ Ｙｔ≤０ ９， Ｌ ／ Ｙｔ ＞０ ９， 分别对应了技术在引入期、生长期、成熟期和衰退期的取值范围。根据Ｌ 与Ｙｔ的比， 就可以预测出技术的专利申请量， 以及其在技术生命周期中所处的发展阶段。这样， 根据标准一和标准二， 最终得到了目标技术在不同领域和相同领域的参照技术， 如下所示。

标准一： 选择相似性更大的技术通过余弦相似度计算， 得出不同领域的２Ｆ０７７和相同领域的５Ｂ０５０ 与目标技术的相似性最大，基于标准一， 选择２Ｆ０７７ 和５Ｂ０５０ 作为参照技术，如表２、表３ 所示。

标准二： 选择处于引入期的技术收集２０１１—２０１５ 这５ 年的数据， 根据专利的累计申请量， 用Ｌｏｇｉｓｔｉｃ 模型计算得出了每个技术所处的阶段。由于不同领域的２Ｆ０６８ 和相同领域的５Ｂ００９ 处于引入期， 所以基于标准二， 选择２Ｆ０６８和５Ｂ００９ 作为参照技术， 如表４、表５ 所示。

２ ４ 融合目标技术与参照技术

根据技术属性和技术特征， 从ＴＡｉ 和ＴＡｉ（ｊ） 两个层面进行技术融合研究。如图４ 所示， 基于ＴＡｉ的技术融合， 就是向目标技术引入它原本不具备的属性元素， 使目标技术和参照技术在融合后产生新的功能， 从而创造新的技术思路。但如果有两个以上适用的ＴＡｉ， 就需要设置优先级， 将级别较高的ＴＡｉ 优先同目标技术融合。

由于ＴＡｉ（ｊ） 层面的技术融合比ＴＡｉ 涉及更具体的技术单元， 所以当在ＴＡｉ 层面找不到新的元素时， 就将目光投向了ＴＡｉ（ｊ） 。基于ＴＡｉ（ｊ） 的技术融合，是当目标技术和参照技术具有同样的技术属性时，向目标技术引入它在ＴＡｉ（ｊ） 层面没有的特征元素，从而使融合结果更加多元、更有创造性。如图５ 所示， 蓝色部分表示参照技术与目标技术共同使用的ＴＡｉ， 绿色部分表示参照技术独有的ＴＡｉ（ｊ） ， 目的就是将其引入到目标技术中， 使新的技术思路在更具体的层面得到充分展现。下面将基于融合原理， 对图像处理技术进行实证研究。

１） 基于ＴＡｉ 的融合过程

由于同一领域的技术属性过于相近， 在技术融合时往往会因其相似的操作或结构而发生冲突， 因此， 在这一步中只考虑将目标技术与不同领域的参照技术进行融合。通过使用关键词向量， 对参照技术２Ｆ０７７ 和２Ｆ０６８ 的每个ＴＡｉ 与目标技术５Ｂ０５７ 的所有ＴＡｉ 进行相似性计算， 仍将阈值设置为０ ５，最终得到了两个相似比大于０ ５ 的融合结果， 如表６ 所示。

２） 基于ＴＡｉ（ｊ） 的融合过程

首先将目标技术的分类表按以下５ 个主题进行归类： 技术应用、输入、处理、加工、分析， 这样就能对同一主题下的多个技术进行特征标引， 从而减少技术选择的盲目性， 提高技术融合效率。如果参照技术的分类表中也包含了其中一类主题， 说明两种技术具有相同的技术类别， 就可以按照融合原理进行第二个步骤： 向目标技术引入不同的ＴＡｉ（ｊ） 。

这一步骤中， 不同领域融合（５Ｂ－２Ｆ）和相同领域融合（５Ｂ－５Ｂ）后共得到７ 个结果， 如表７ 所示。

ＨＨＩ 一般被用于評估市场集中度， 数值越大表明市场集中度越高。本文将采用这种方法来测量Ｆ－ｔｅｒｍ分类系统中关键词的集中度。测量公式为：

根据该技术在每个主题码中出现的次数， 就可以计算该技术的ＨＨＩ 值。如果ＨＨＩ 的值较大， 说明该技术的关键词在少数主题码中出现的次数较多， 即它被限制在了某几个领域中（因为１ 个主题码表示１ 个领域）， 那么它在其他领域中的分布性就较低。相反， ＨＨＩ 的值越小， 表示关键词越分散， 即该技术的分布性越好， 适用性越强， 如图６所示。

假设Ｆ－ｔｅｒｍ 系统中有５０ 个主题码， 如果一项技术的关键词出现在了其中的３０ 个主题码中， 共出现了３００ 次， 因此ＨＨＩ≦０ ０３， 说明该技术的关键词不集中， 分布性较好。但是如果该技术的关键词出现在了５ 个主题码中， 同样是出现了３００ 次，因此ＨＨＩ ＝０ ２５， 说明该技术的关键词较集中， 分布性较差。因此， 用（１－ＨＨＩ）来表示关键词不集中的概率， 即技术的适用性。

简单地说， 专利组合评估方法， 就是根据一项技术的主要关键词在其他领域中的分布情况和技术本身的增长情况， 来判断这一新构想是否可被广泛地用于各个领域并稳步发展。本文构建了一个二维矩阵， 根据该技术所处的区域来评估融合结果， 如图７ 所示。

图７ 中横轴纵轴分别表示技术的增长潜力（简称ＴＧ）和分布适用性（简称ＴＡＰ）， 对融合结果所处的区域做了划分： 第Ⅰ区域， 低潜力—高适用性， 代表技术的发展潜力较弱， 但对其他环境的适用性较高， 具有数量少、适用性高的特点。第Ⅱ区域， 高潜力—高适用性， 代表技术在未来的发展潜力和在其他环境中的适用能力都很好， 不仅数量庞大， 并且衍生力强， 总体呈现出多元化发展趋势，这类技术最有可能为本领域带来创新机会。第Ⅲ区域， 低潜力—低适用性， 代表该技术的未来发展潜力和应对其他环境的能力都较弱， 总体呈现弱势发展。第Ⅳ区域， 高潜力—低适用性， 代表技术在未来的发展潜力较大， 但在其他环境中的适用性较低， 具有数量多、类型单一的特点。

３ 研究结果

对上文得到的９ 个融合结果进行了专利组合评估， 用不同颜色对不同区域做了标注， 如图８ 所示， 绿色代表结果１、５、７， 黄色代表结果２、３、４、６、８， 红色代表结果９。

从图８ 中可以看出， 结果１、５、７ 位于Ⅰ区域（低潜力—高适用性）， 说明这３ 种技术的增长潜力虽然弱， 但在其他领域的分布性很好， 在未来的发展中衍生能力会很强； 结果２、６、８ 位于Ⅱ区域（高潜力—高适用性）， 通常情况下位于该区域的结果是被研究人员优先推荐的， 因为这些技术在后续的发展中， 基本能保持较高的专利数量， 并且该技术的衍生能力强， 整体呈现多元化发展， 这就为技术机会的发现带来了新的思路； 结果３、４ 位于Ⅰ区和Ⅱ区的交界处， 这说明在不久的未来， 结果３、４ 能够比位于Ⅰ区域的结果以更快的速度发展到Ⅱ区域（高潜力—高适用性）； 结果９ 位于Ⅲ区域（低潜力—低适用性）， 处于该区域的技术与其他区域相比研究价值较低， 无论是专利数量还是衍生能力都不是特别突出， 因此参考价值较低。值得注意的是， 虽然本文的融合结果并没有位于Ⅳ区的技术， 但Ⅳ区和Ⅰ区同样重要， Ⅰ区是通过技术在其他领域的分布情况来判断技术适用性和影响力，而Ⅳ区则侧重通过专利数量判断技术的潜力。因此， 在未来的研究中， 对于出现在Ⅳ区的结果也要予以重视。根据评估结果， 可以依据以下优先顺序进行技术机会的选择： Ⅱ区＞靠近Ⅱ区交界处的区域＞Ⅰ区／ Ⅳ区＞Ⅲ区。由此得出， 位于Ⅱ区的２、６、８ 是最优融合结果， ３、４ 位于Ⅰ区和Ⅱ区的交界处， 是次优选择。通过深入分析， 将这９ 个结果对应的技术机会汇总如表８ 所示。

需要说明的是， 这些技术机会是通过技术融合得出的， 它们不再属于原来领域， 也不是某项单独的技术， 而是一项新的产物， 代表未来具有重大发展潜力或拓展空间的发展方向。以最优评估结果２、６、８ 对应的技术机会为例， 结果２ 医学超声波图像增强方法， 是基于超分辨率图像重构技术， 将多次采集到的一系列低分辨率图像整合成一幅高分辨率图像， 使呈现的图像更清晰， 目前该方法已被用于临床疾病的早期诊断和筛查［２７］ ； 结果６ 三维成像技术， 可以保存物体的空间三维信息并呈现出立体逼真的画面， 在自动驾驶、机器视觉、人脸识别与检测等领域有着广阔的应用前景［２８］ ， 其中的三维荧光显微成像技术， 由于具有高分辨率、高灵敏度、高分子特异性以及非介入性的优点， 能够提供完善的微观生物信息， 未来可能成为生命科学研究的重要工具； 结果８ 图像信息隐藏技术， 是将秘密信息嵌入在公开传播的载体中但不改变载体本来的样子来实现秘密信息的传递， 目前已广泛用于可见密码、隐藏协议、数字水印等技术中， 给信息安全领域带来了巨大突破［２９］ 。这表明这些技术受到了研究人员的广泛关注， 被用于各个领域解决技术难题。

为了进一步验证本方法识别的技术机会具有较大的技术潜力， 本文用德温特数据库对这些技术近１０ 年的专利数量进行了统计分析， 图９ 是各技术机会在２０１３—２０２２ 年的专利数量走势。从图９ 中可以看出， 结果６ 与结果８ 的专利数量持续上升， 表明这两种技术的发展潜力较大， 结果２ 与结果３ 的走势比较稳定， 数量较多且一直在被关注， 而其他结果由于专利数量太少， 看不到明显的变化趋势。总体来说， 这个结果表明本方法识别的技术机会确实具有较大技术潜力， 这也验证了本方法的有效性。

４ 结 论

与以往研究相比， 本文的创新之处主要体现在３ 个方面：

第一， 本文采用融合驱动的方法识别技术机会， 是因为在技术创新的形式中， 技术融合是技术进化与创新的主要方式和根本体现， 技术新生是由领域专家依靠技术矩阵或专利地图进行识别， 但这种方法实现过程复杂， 且得到的技术机会范围相对较粗， 而技术突破的重点在于解决技术瓶颈或技术障碍， ＴＲＩＺ 创新方法和ＬＯＦ、ＡＢＯＤ 等离群异常专利探测技术是有效的解决办法， 但局限就是过多依赖专家的领域知识和能力， 在信息量较大的情况下耗时过长， 而融合文本挖掘的手段是解决海量数据与专家智慧的未来折中之法［２４］ 。因此， 本文将定量方法与专家经验相结合， 把文本挖掘技术运用到专利分析中， 通过对目标技术的关键词向量进行特征提取， 從基于多元特征标引的Ｆ－ｔｅｒｍ 分类体系里筛选出具有融合潜力的参照技术， 从而在目标技术和参照技术的融合结果中识别技术机会。

第二， 本文提出了多领域下的技术融合研究。已有研究多关注某一特定技术领域或两技术领域间的融合情况， 但在多技术领域的研究中存在局限性［３０］ 。本文将研究对象拓展到了多个领域， 着重关注不同领域间实现技术融合的可能性， 进而扩大了技术机会发现范围， 更加高效助力技术机会识别研究。

第三， 本文使用了新的专利分类体系Ｆ－ｔｅｒｍ系统。与国际专利分类法ＩＰＣ 相比， 该系统的最大特点在于， 可以从多个维度对同一主题的技术属性进行特征标引， 这样不仅能从整体上对技术进行标注， 还可以从各个特征层面标注技术， 这样一篇专利文献往往可以包含几十甚至上百个分类号。显然，Ｆ－ｔｅｒｍ 分类体系在多角度检索方面具有相当的优势， 所以本文采用Ｆ－ｔｅｒｍ 系统作为数据源。

参照技术的标准选择是下一步的研究问题， 本文采用了两个标准来确定参照技术， 余弦相似度和技术生命周期。使用这两个标准是因为宏观市场具有不确定性、不连续性和复杂性的风险， 而这样的风险对形成的技术机会是一种巨大的考验， 如何使技术机会适应这样风云变幻的市场需求是亟需解决的问题， 因此， 在进行技术融合前就制定了相关标准。但这些标准并非是一成不变的， 使用者可以根据需求对参照技术进行筛选， 使最终的实验结果更加符合要求。但是标准增加会带来融合结果数量的增大， 这也增加了技术机会的筛选难度。所以标准的选择具有灵活性， 数量和类型也要依具体情况而定。

参考文献

［１］ 吕璐成， 赵亚娟， 王学昭， 等． 基于表示学习的技术融合差异度测度方法及其效果研究［Ｊ］． 图书情报工作， ２０２２， ６６ （４）：１１８－１２８．

［２］ 李昌， 周锦锦， 杨中楷． 动态演化过程视角下技术融合生长点识别研究［Ｊ］． 图书情报工作， ２０２２， ６６ （７）： ９９－１０９．

［３］ 杜建， 孙轶楠， 李永洁， 等． 从科学—技术交叉处识别创新前沿： 方法与实证［ Ｊ］． 情报理论与实践， ２０１９， ４２ （１）： ９４－９９．

［４］ 李牧南， 王雯殊． 基于文本挖掘的人工智能科学主题演进研究［Ｊ］． 情报杂志， ２０２０， ３９ （６）： ８２－８８．

［５］ 张鼐， 刘玉梅， 艾华， 等． 基于专利的技术机会分析方法与应用研究［Ｊ］． 现代情报， 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， 孙美霞． 不同创新情境下新兴机会识别研究———以碳纤维领域为例［ Ｊ］． 情报理论与实践， 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 分类与文本信息的前沿技术演进分析———以人工智能领域为例［ Ｊ］． 情报理论与实践， 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］ 张振刚， 罗泰晔． 基于ＲＦＭ 模型和随机行动者导向模型的技术机会识别［Ｊ］． 情报学报， ２０２１， ４０ （１）： ５３－６１．

［１７］ 江曼， 孙明漢， 余翔， 等． 协同创新视角下技术机会识别模型———以中国智能机器人为例［Ｊ］． 情报杂志， ２０２０， ３９ （７）：４２－４８．

［１８］ 刘晓燕， 孙丽娜， 裘靖文， 等． 基于多层网络的人工智能领域跨界技术融合［Ｊ］． 复杂系统与复杂性科学， ２０２２， １９ （１）：４５－５１．

［１９］ 冯秋燕， 朱学芳． 基于科学计量的信息技术融合分析［ Ｊ］．情报科学， 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， 刘细文， 龙艺璇． 技术创新全视角下技术机会发现研究进展［Ｊ］． 图书情报工作， ２０２１， ６５ （７）： １３２－１４２．

［２５］ 吴一平， 白如江， 刘明月， 等． 融合评论主题识别与技术属性多维度分析的技术机会发现研究［Ｊ］． 图书情报工作， ２０２１，６５ （１０）： ５６－６７．

［２６］ 陈应霞， 黄明欢， 曹治， 等． 大学生在图像处理领域创新创业探讨［Ｊ］． 科技与创新， ２０２２， （１２）： １３８－１４０．

［２７］ 齐鑫， 杨智， 李冬果． 基于超分辨率重构技术的医学超声波图像增强方法研究［Ｊ］． 生物医学工程研究， ２０１９， ３８ （１）：５９－６２．

［２８］ 池汉彬， 段辉高， 胡跃强． 超构表面在三维成像与显示技术中的应用［Ｊ］． 光学精密工程， ２０２２， ３０ （１５）： １７７５－１８０１．

［２９］ 李笑． 图像信息隐藏技术的研究和实现［Ｄ］． 西安： 西安工程大学， ２０２１： ３．

［３０］ 王艳， 苗红， 李欣， 等． 知识基因视角下的技术融合机会发现研究［Ｊ］． 科学学与科学技术管理， ２０２１， ４２ （７）： １８－３４．

（责任编辑： 陈 媛）