智能汽车技术融合趋势预测及其技术竞争情报启示——以长三角地区为例

何建佳，廖耀文，吴晓伟

（1.上海理工大学管理学院，上海 200093；2.上海商学院，上海 201400）

随着新一轮产业革命和技术革新的推进，人工智能、云计算和大数据等新兴技术推动着传统汽车制造业往智能网联汽车方向发展，产业边界逐渐模糊，在产品、业务、技术等层面形成跨产业链、供应链和价值链的产业互联，旨在减少生产、制造和流通环节的信息壁垒和冗余，为智能汽车产业赋能。技术融合作为提升产业互联生产制造环节技术创新水平和创新合作活力的重要方式，为产业协同发展和转型升级提供了新的思路。此外，技术融合使得智能汽车产业集群的技术链趋于网络化、复杂化，产生大量不同技术类型的创新网络和联盟也给技术竞争情报（competitive technical intelligence,CTI）服务带来了新的挑战，也改变了产业瓶颈和前瞻技术的预测逻辑及思路。长三角地区作为我国经济活动最活跃、区位经济优势最明显的地区，也是各大新兴技术产业领域创新资源和要素的汇集地，为智能汽车产业的技术跨界融合提供了必要条件。因此，本文以长三角地区智能汽车产业为例，基于专利数据和社会网络理论，对产业互联下智能汽车的技术融合发展阶段和现状展开研究，并利用链路预测方法预测未来的技术跨界融合关系，旨在为智能汽车产业的创新发展及其技术竞争情报服务提供启示。

1 研究基础

1.1 技术融合研究综述

技术融合这一概念最早可追溯到学者Rosenberg［1］所提出的理论，他认为技术融合是指将相似的生产技术和制造工艺及流程应用到不同的产业中；Tripp等［2］认为技术融合在高端技术领域具有广泛的应用前景。随后学界拓展了技术融合领域的研究思路。例如Shmulewitz 等［3］研究了生物医学领域的技术融合问题；Caviggioli 等［4］研究了技术特征和范围与融合趋势之间的关系问题；周璇等［5］探究了技术融合式创新对产业结构高度化的驱动机制和效应。近些年来，产业互联的兴起加快了技术融合的速度，技术融合也被广泛应用到多种智能制造领域，在跨界合作创新方面拥有举足轻重的地位，也逐渐成为学术界广泛关注的研究重点。如Nguyen 等［6］研究了城市创新合作过程中的技术融合问题，发现技术融合在不同系统之间和系统内部同时进行；Bhatt 等［7］运用了文献分析法和网络分析法对区块链和IR4.0技术的融合趋势展开了研究，揭示了主要的技术融合集群及其特征；Cho 等［8］利用LDA 主题建模和链路预测方法，预测了美国化学工程和环境技术领域未来可能出现的技术融合关系；王媛等［9］分析了技术融合与企业新产品开发绩效之间的关系，发现替代性技术融合能促进新产品的开发，而互补性技术融合与新产品开发绩效呈倒“U”型关系；娄岩等［10］基于无人机专利数据和专利共类分析方法，挖掘了无人机领域的动态技术融合关系并构建了波动性和持续性两种指标。综合看来，针对技术融合的研究已经相对成熟，并且学界开始关注多产业层面的融合趋势。面对日新月异的市场需求和技术革命，掌握技术融合的发展趋势和技术创新的合作方向，才能帮助企业抢占创新高地，获取大额利益。常用于技术预测的定量方法主要分为两类：一类是基于链路预测的方法；另一类是基于知识单元重组的方法。其中链路预测方法因其广泛的适用性而被多数学者采纳，例如李慧等［11］构建了石墨烯领域有向知识流网络，运用马尔科夫链预测模型分析了不同阶段的产业融合规律；刘立等［12］利用链路预测方法对智能物流技术跨领域融合的模式和趋势进行了研究；Giordano 等［13］利用自然语言处理程序和相似性链路预测方法识别和测量国防领域的动态技术融合模式；Juram 等［14］采用链接预测方法来开发技术融合的3个预测指标，利用3D 打印技术的案例证明了该方法的适用性。而在众多链路预测方法中，又属基于局部信息相似性方法的性能较优，因此，本研究也采用该类方法预测技术融合趋势。

1.2 理论基础

1.2.1 技术生命周期理论

罗吉斯成长模型（Logistic growth model）认为种群成长路径不是随机的，反而遵循某一特定规律，这种规律可利用数学方法来预测和模拟［15］。生物科学领域的生命周期阶段主要包括萌芽期、成长期、成熟期和衰退期，将其带入到技术领域则可分为导入期、成长期、成熟期和衰退期［16］。

目前划分技术生命周期的方法已有很多，学者李春燕［17］对这些方法进行了归类，主要有五种：专利指标法、S 曲线法、技术生命周期图法、TCT 法和相对增长率法。计算技术生命周期常采用S 曲线法和TCE 法，这两种定量研究方法可以计算出具体数值，但TCT 法常用于计算单件专利的技术生命周期，不适用于产业互联环境。因此殷祚云［18］的研究采用S 曲线法计算生命周期，具体积分模型如下：

1.2.2 社会网络理论

社会网络理论的发展起源于20 世纪30 年代，之后的几十年里，诸多学者陆续建立了系统的理论方法，例如随机图理论、小世界网络理论和无标度网络理论等，社会网络理论发展至今已被应用到各个领域中，形成了一套专业的研究方法。近年来，互联网的飞速发展加快弥散组织边界，事物之间的连接呈现网络化趋势，如社交网络、合作网络、电力网络、交通网络等纷纷涌现，利用社会网络理论知识可以有效分析网络结构特征和演化规律，把握社会网络的潜在趋势和热点。社会网络理论将抽象关系量化为可视网络，以网络节点和连边为研究对象，是研究网络的重要方法。本研究选取以下指标作为分析网络结构特征的依据。

式（6）表示网络的聚集系数指标。

1.2.3 链路预测方法

链路预测是分析和研究社会网络的重要工具，其方法是利用已知的节点和链接信息给待预测的节点对赋予一个相似性分数值S，分数值越大，则节点相似性越高。在现有的众多链路预测方法中，基于局部信息相似性方法因其便捷、高效的优势而被广为采纳［19］。但该类方法有数个相似性指标，且每个指标侧重点和计算方式都不相同，因此，每个指标的预测精确度存在一定差异。为了对比分析各类指标的性能，本研究选取6 个基于局部信息的相似性指标，即共同邻居（CN）［20］、局部路径（LP）［21］、全局路径（Kata）［22］、资源分配（RA）［23］、偏好连接（PA）［24］、Adamic Adar（AA）［25］。具体表达式如表1 所示。

表1 选取的六种相似性指标

在测试上述指标的预测精确度前，对网络连边集合进行命名，将理论全部连边集合记为，已知连边集合记为，未知连边集合记为。显然，。将集合分别按照90%和10%的比例划分为训练集和测试集。现有研究中常采用AUC、Precision 和Ranking Score 3 个指标来衡量链路预测方法的精确度，本研究选取综合评价指标AUC 来衡量预测算法的精确度，其核心思想是从中随机选择一条连边的分数值高于从中随机选择一条连边的分数值的概率［26］。随机从中选择一条连边再随机从中各选择一条连边，则计1 分；若分数值相等，则计0.5 分；否则不计分。独立重复次实验后，若记计1 分的次数为次，计0.5 分的次数为次，则AUC 的计算式如下所示。

2 智能汽车技术融合网络构建

2.1 数据来源

本研究借助智慧芽（PatSnap）全球专利数据库获取实验数据，首先将专利检索式设置为：主题词=“智能汽车”OR“智能网联汽车”，检索时间限定为2010 年1 月至2022 年12 月，专利类型包括发明专利、实用新型专利和外观设计专利，剔除无效专利数据后，共搜集到专利数据18 905 条。进一步将检索区域限定为长三角地区，包括江苏省、安徽省、浙江省和上海市，得到5 005 条专利数据。由于产业互联考虑的是多类型企业或产业跨界联合的情况，因此，需要对搜集到的专利数据进行筛选和处理，具体处理方式为：（1）筛选出国民经济行业分类号数量为2 个及以上的专利数据；（2）再筛选出专利申请人数量为2 个及以上的专利数据；（3）最后筛选出技术分类号数量为2 个及以上的专利数据。经上述处理后，共得到代表产业互联下长三角地区智能汽车技术融合专利数据2 121 条。

2.2 技术生命周期测算

首先将长三角地区智能汽车产业的5 005 条专利数据按照2010 年、2010—2011 年、2010—2012年……2010—2022 年的时间区间进行数量统计，再利用Logistic 成长模型和三点法计算出预计的专利总量，得到如下公式：

由式（14）可知，长三角地区智能汽车产业未来数年内专利总量预计可达9 312 条。将技术生命周期以专利总量的10%、50%和90%为依据划分阶段，再利用时间区间专利数据绘制出该产业的技术生命周期曲线，如图1 所示。

图1 技术生命周期曲线

从图1 中可以看出，长三角地区智能汽车产业的导入期为2010—2015 年，该阶段内专利数量少，且数量增长缓慢，说明智能汽车刚进入发展初期；2016—2019 年属于长三角地区智能汽车产业的成长期，该阶段专利数量增速较快，其主要原因在于2015 年前后国家的政策支持和市场导向，例如工信部曾出台《车联网发展创新行动计划（2015—2020年）》；从2020 年至今都属于成熟期，虽然该阶段长三角地区智能汽车专利总量增速放缓，但每年新增专利数量仍为可观。因此，本研究将数据集划分为3 个，分别是2010—2015 年、2016—2019 年和2020—2022 年。

2.3 网络特征分析

为了分析产业互联下长三角地区智能汽车产业的技术融合网络特征和融合现状，将筛选出的2 121条专利数据按照3 个时间阶段划分为3 个数据集，都以智慧芽（PatSnap）全球专利数据库的技术分类号为节点、技术融合关系为连边，构建3 个阶段的技术融合网络，并利用Gephi 软件绘制出可视化网络图，具体如图2 所示。

图2 技术融合网络

对3 个阶段的技术融合网络指标进行统计，具体如表2 所示。从表中可以看出，2010—2015 年网络的节点数量和连边数量均不多，符合导入期规模小的特点，2016—2019 年网络规模增长较快，节点数量和连边数量呈倍数增长趋势，而2020—2022 年网络规模增长速度开始放缓，说明长三角地区智能汽车产业的技术已经形成跨界融合趋势，技术融合广度和跨界深度正逐渐扩大。3 个阶段网络的平均度分别为2.051、5.372 和7.045，平均度逐渐变大，而平均度可以反映网络节点的平均邻居节点个数，体现出各技术节点积极参与跨界合作，逐步实现更多技术的跨领域融合。此外，3 个网络的密度值和聚类系数逐渐减小，分别从第一阶段的0.026、0.869降至0.006、0.744，但第三阶段和第二阶段的数据差异较小，表明随着长三角地区智能汽车技术融合网络规模的增长，技术节点间的相互影响作用逐渐减弱，网络的稀疏程度不断上升，到成熟期网络整体特征趋于相对稳定。

表2 网络指标统计

3 智能汽车技术融合趋势分析

3.1 相似性指标的选取

在分析和预测智能汽车领域的技术跨界融合热点和趋势前，需要在六种相似性指标中，选取预测精确度最高的指标作为最优预测方法。首先将3 个阶段的网络数据集按照前文所述的方式划分训练集和测试集，再利用CN、LP、Kata、RA、PA、AA 六种方法计算3 个网络的连边相似度，最后评价各方法指标的AUC 值。具体预测结果如表3 所示，可以看出，在3 个阶段网络的链路预测中，AA 指标的AUC 值始终保持最高，说明其预测精准度要优于其他方法。因此，本研究选取AA 指标用于后续的研究。

表3 六种相似性方法的AUC 值

3.2 技术融合热点分析

在复杂网络中，节点度代表节点的一阶邻居数量，反映了节点在网络中的重要性，度值越大，则该节点拥有的关系量越多。技术融合网络中每个节点都代表一项技术，若某项技术的节点度值越大，说明该项技术是当前网络中的重要技术领域，在技术融合中扮演中心角色。分别列举出3 个阶段网络中度值排名为前10 的节点，具体如表4 所示，从中可以看出，B60R16/02、H04L29/08 和H04W4/40分别是3 个网络的最大度值节点，度值从第一阶段的9 增长为第二阶段的58，再继续增长到第三阶段的84，说明智能汽车技术融合规模增长较快，逐渐形成占据大量融合关系的关键技术节点。此外，H04W4/40、G06K9/00、G06K9/62、B60W50/00 和B60R16/023 是第二阶段和第三阶段的公共节点，且各节点的度值都显著增加，表明这些节点在智能汽车技术跨界融合中的重要性正逐渐提升，业界可加大关注力度。

表4 3 个阶段网络中度值排序前10 名的节点

利用AA 方法指标测算3 个阶段网络中已有连边的相似度，做降序排列后，每阶段选取相似度排名前十连边作为主要的技术融合关系，进而对比分析智能汽车技术融合变化情况，具体结果如表5 所示。从表5 中可以看出，第一阶段的技术融合主要集中B 类和G 类领域，跨领域融合现象很少发生。从第二阶段到第三阶段，技术跨领域融合程度逐渐加深，技术融合主要发生在B 类、H 类和G 类三大领域，且都以各阶段度值较大的技术节点为中心进行融合。技术融合在生命周期内呈现动态变化趋势，存在显著的阶段性差异性，业界需掌握其变化趋势，重点关注B 类、H 类和G 类三大领域的融合情况。

表5 3 个阶段网络的部分技术融合关系

将表5 中涉及的智慧芽技术分类号所代表的技术领域整理为表6 所示，综合表5 和表6 可以发现，第一阶段网络中主要的技术融合发生在传统车辆系统领域，如B60W10/18（刹车控制系统）、B60W10/20（转向控制系统）等。而第二阶段和第三阶段的技术融合开始向智能方向转变，如G06V10/82（神经网络）、G06K9/00（图像识别）、H04W4/44（V2C 技术）等高端技术领域，说明智能汽车的技术含量逐步从低端迈向高端，且上述高端技术领域有良好的应用前景，已逐渐成为智能汽车的关键研发方向。

表6 技术分类号及技术领域

3.3 技术融合趋势预测及其CTI 服务启示

为了探究产业互联下长三角地区智能汽车产业未来的技术融合关系，为业界锁定技术研发方向提供见解，本研究基于AA 方法，利用第三阶段的网络数据预测未来技术融合关系，并选取相似度排名为前十的关系，具体如表7 所示。

表7 未来技术融合关系

从表7 可以看出，G06V10/82-B60W30/16、B60R16/023-H04W4/44、G05F7/00-B60L55/00、H04L67/12-H04W4/44、B60W30/12-G06K9/62 等 是未来很有可能出现的技术融合关系，技术领域依然以B 类、H 类和G 类为主，且部分技术融合关系与第三阶段网络中现有的技术融合关系相同，表明成熟期内智能汽车热门技术领域之间的融合趋势相对稳定。其中H04W4/44（V2C 技术）在未来的融合关系中出现多次，与其他技术领域发生频繁的跨界融合，说明该技术在成熟期内会有广泛的交叉应用前景，是业界所应关注的重点技术领域，也是智能汽车未来重要的发展方向之一。

融合趋势预测给智能汽车产业技术竞争情报服务策略上带来以下启示：其一，智能汽车CTI 服务内容上应把智能高端技术融合现象列为技术监测重点关注对象，并把其列为关键情报课题。对G06V10/82（神经网络）、G06K9/00（图像识别）、H04W4/44（V2C 技术）等技术进行跟踪，做好相关的情报收集、整序、分析、传递、应用、评估、预测和预警服务。在产品制造和应用方面要关注人工智能技术在智能汽车应用环节和制造环节的渗透和融合，尤其在驾驶环境感知、认知图建立、路径规划和控制等方面提供情报支持，助力企业提高创新水平和发展速度，使其在市场竞争中保持领先地位，提高核心竞争力；其二，智能汽车企业应搭建支持开放式创新战略的技术竞争情报服务模式。智能汽车技术融合说明智能汽车产业发展处于开放式的创新环境中，为支撑企业技术战略规划和创新管理，需要建立一套有利于创新技术获取、利用、学习的CTI 服务模式。一方面，通过融合预测识别技术转移、知识产权管理目标，并以此为依据在智能汽车企业内部（研发部门、生产部门、销售部门）和外部（融合预测分析涉及到的技术优势企业、科研院所等）进行资源整合和利用，建立CTI 知识库；另一方面，CTI 要对技术融合因素在智能汽车中长期技术规划、决策和产品设计提供全方位的评估和咨询。比如根据融合预测V2C 技术是未来互融关键性技术，对于CTI 要预测基于V2C 技术每一类产品特点，以及支持该类产品开发的可能技术方案，并以情报产品形式传递给设计和研发人员；其三，协助相关部门，引导以G06V10/82、G06K9/00、H04W4/44 等人工智能技术为代表的优秀企业、科研院所、情报机构、智能汽车生产厂商等形成跨界合作形式的创新产业联盟和产业技术竞争情报服务联盟，加快推进智能汽车产业升级。

4 结论

本文综合运用技术生命周期理论、社会网络理论和链路预测方法，利用智慧芽（PatSnap）全球专利数据库平台获取专利数据，构建了产业互联下长三角地区智能汽车技术融合网络，分析了该产业的技术生命周期阶段及技术融合现状和热点，并预测了未来可能出现的技术跨界融合关系，并对相关的CTI 服务策略进行了分析，得出如下结论：

（1）长三角地区智能汽车产业经历了导入期和成长期，现在正处于成熟期阶段。该产业未来的技术跨界融合专利总量预计可达9 312 条，尽管专利总量的增长趋势在逐渐放缓，但每年新增的联合专利数量仍为可观。

（2）在长三角地区智能汽车产业的3 个阶段，技术跨领域融合日益频繁且程度逐渐加深。融合现象逐步由传统低端技术领域向智能高端技术领域转移，G06V10/82（神经网络）、G06K9/00（图像识别）、H04W4/44（V2C 技术）等高端技术在成熟期内已经占据主流地位。

（3）长三角地区智能汽车产业未来的技术融合趋势相对稳定，融合现象依然由高端技术领域主导。H04W4/44（V2C 技术）技术领域是智能汽车未来的重要发展方向，与其他技术领域融合可带动智能汽车的创新发展，企业可在自身实力范围内抢占V2C技术高地。

（4）长三角智能汽车产业CTI 服务策略方面要建立基于G06V10/82（神经网络）、G06K9/00（图像识别）、H04W4/44（V2C 技术）等关键技术的CTI 服务保障系统。该系统包括建立CTI 服务内容、服务模式、产业技术竞争情报联盟等。技术融合现象已经打破了汽车产业原先的产业、组织形态，技术竞争情报新机制构建和能力培育将成为汽车产业创新的关键助推力，其是引领产业创新发展的“领航员”，是支撑产业创新发展不可或缺的“耳目、尖兵、参谋”［27］。