多层级视角的技术会聚动态辨识及效应测度

毛荐其,荣雪云,刘 娜

(1.山东工商学院 工商管理学院,山东 烟台 264005;2.大连理工大学 人文与社会科学学部,辽宁 大连 116024)

当前,技术演变呈现交叉、融合的发展态势,技术会聚现象不断涌现[1]。技术会聚是通过交叉与融合不同领域或不同来源技术知识实现技术上的创新[2]。技术会聚过程是技术吸收和技术扩散的过程,是不同技术知识整合和协同发展的增效过程,以创造出兼具各会聚单元组合价值及协同价值的会聚技术。技术会聚不同于技术融合,然而,二者经常被学者交换使用。会聚描述了原本相互分离的技术组合成一项新技术的过程,会聚使得各领域边界模糊;融合描述了一项技术合并到另一项技术中的过程,并将部分取代原技术[1-2]。在当前技术日益复杂化及消费者需求日益多样化的背景下,技术会聚成为很多领域技术上创新的主要方式。当不同领域技术知识因交叉融合而导致边界模糊时,技术会聚发生,涌现出会聚型新技术。

技术会聚研究最早可追溯到20世纪60年代,Rosenberg(1963)在对机床制造技术的发展分析中,最先探讨了技术会聚现象[3]。近年来,随着量子通信、纳米生物、纳米能源及人工智能等新兴交叉领域的兴起,技术会聚测度吸引了诸多学者的广泛关注。在当前技术会聚测度研究中,学者普遍采用专利共类或专利引文分析方法表征技术间的知识流动。如,Geum等(2012)采用专利引用及共类的系统分析方法,测度了信息技术与生物技术的会聚强度和范围[4]。Jeong等(2015)基于专利共类信息,阐明了技术创新系统中的技术会聚程度,并借助网络分析的方法识别技术会聚过程中技术领域的共现[5]。Choi等(2015)基于共类分析测度技术会聚程度并在整个技术领域层面预测技术会聚的扩散模式,指出部类间的技术会聚扩散模式比领域间的技术会聚扩散模式更加多样化[6]。刘娜等(2018)基于专利共类中技术元及其二元关系的存在性,辨识了利用性、探索性、新颖性及开拓性四种技术会聚模式[7]。Kim和Lee(2017)基于专利引文分析、依赖性结构矩阵和神经网络分析,提出了多技术会聚的预测方法[8]。毛荐其等(2018)实证了组织机构的技术会聚程度对其创新绩效的倒U型影响[9]。

学者对技术会聚测度研究取得了系列研究成果,为政策制定者、技术管理者及企业实践者提供了许多有益的建议。然而,少有学者研究技术演变过程中的会聚动态,也很少有学者关注技术会聚的效应,即技术会聚产生的会聚技术价值如何。此外,当前研究还存在如下不足:首先,在基于专利共类的技术会聚测度中,学者多使用单一层级的IPC技术代码表征技术知识,如普遍被采用的4位IPC代码。IPC分类体系采取部、大类、小类、主组和小组五级层级结构,每一层级都是对上一层级的进一步细分。使用单一层级技术代码表征技术知识测度技术会聚的方法,由于技术代码粗细粒度的问题,可能会导致测度结果的偶然性,不足以准确呈现技术会聚态势。其次,在基于专利引文的技术会聚测度中,未考虑专利引用的时间敏感性,如果不控制专利引用时期的话,可能导致研究偏差。最后,学者多用单一实例例证测度方法的有效性,缺乏对不同特征领域的对比分析,如交叉领域和非交叉领域。

针对以上问题,本研究综合运用专利共类和专利引用信息,以IPC多个层级分别表示不同粗细粒度的技术知识,并把专利前向引用及后向引用控制在10年时间窗,提出技术会聚动态辨识及会聚效应测度的理论框架,以非交叉储能技术领域和交叉纳米生物制药领域为例进行对比分析,收集两领域在美国专利商标局(USPTO)申请的专利数据,力图呈现它们在技术发展过程中的会聚动态特征及规律;借助专利的后向引用信息及负二项模型,从多个层级分别实证技术会聚效应。期望研究结果为管理者和研发实体的创新实践提供借鉴。

一、研究方法

(一)数据

本研究选择储能技术领域和纳米生物制药技术领域作为实例,对上述研究问题进行对比研究。理由如下:储能技术领域和纳米生物制药技术领域的学科特性不同,前者代表一类非交叉学科领域,后者代表一类新兴交叉学科领域。对不同特征的技术领域进行对比研究,以发现技术会聚动态辨识及效应测度研究结果的普适性或差异性。

专利数据作为技术发明的有效代理,被以往技术会聚测度研究广泛使用。借鉴毛荐其等(2016)及刘娜等(2017)对储能技术的检索策略[10-11],Guan、Zhao(2013)和刘娜(2017)对纳米生物制药技术的检索策略[12-13],我们采取主题词搜索方法,从美国专利商标局(USPTO)提取储能技术专利及纳米生物制药技术专利,时间跨度为1987-2017年。经数据清洗,最终获得储能技术10 429项专利,纳米生物制药技术19 567项专利。检索主题词如表1所示。

表1 专利检索主题词

(二)变量及模型

学者通常使用专利IPC技术代码表征技术元素或技术知识领域。一项专利往往包含一个或多个IPC代码。IPC技术分类采用部、大类、小类、主组和小组的五级分类体系,下层是对上层的进一步细分。专利引用是衡量技术知识流动的有效指标。专利的后向引用信息披露了与其相关的先存技术,体现了专利的技术知识源,表征技术知识的流入,代表技术知识的吸收过程;专利获得的前向引用频次越多,其对未来技术的影响越大,也就意味着它的技术价值越大,前向引用体现了技术知识的扩散过程,表征技术知识的流出。因此,我们借助专利后向引用测度技术会聚规模或程度,借助前向引用测度技术会聚效应即会聚技术的价值。考虑到专利引用的时效性,我们对专利后向及前向引用都作了10年时间窗的限制。

为了直观观测技术会聚规模或程度随时间的变化,我们绘制不同会聚层级下不同会聚规模的技术发明数的动态折线图。为了直观观测技术会聚效应即会聚技术的价值大小,我们绘制不同会聚层级下不同会聚规模技术发明的前向引用频次分布箱线图。

我们测度技术会聚效应,关注技术会聚的结果会聚技术,将因变量设定为会聚技术的价值,使用焦点发明专利未来10年时间窗的前向引用计数度量。如图1所示,焦点专利i在10年时间窗前向引用计数为4,则其技术价值为4。为了测度技术会聚效应是否及如何受到技术会聚程度的影响,我们设定自变量为技术会聚程度,使用焦点专利10年时间窗内所有后向引用被分类到的IPC技术代码数测度。技术会聚程度的测度,受到IPC细分层级的影响。以全面反映一项专利的技术会聚程度,我们对IPC部、大类、小类、主组和小组五个层级分别进行测度。如图1所示,焦点专利i在10年窗内后向引用了4项专利,这些专利共涉及3个部、3个大类、4个小类、4个主组和5个小组,因此,焦点专利i在五个层级的会聚程度分别为3、3、4、4和5。我们控制可能影响技术会聚效应的其他因素,包括焦点专利的后向引用专利数、权力要求数和年虚拟变量。由于因变量技术价值是非负计数型变量且呈过度分散态,我们采用负二项模型,对五个层级的技术会聚程度分别进行回归验证其效应。

图1 技术发明的前向后向引用及不同层级的会聚

二、研究结果

(一)技术会聚动态辨识

为了观测不同层级下不同规模的技术会聚态势,因10年引用时间窗限制及文章篇幅局限性,图2～4给出1990-2007年间基于部、小类及小组每一层级下不同会聚规模的动态趋势。其中,在IPC小类、小组层级,由于储能领域技术发明会聚规模最大值分别为57和244、纳米生物制药领域为48和389,为了整体把握会聚规模的动态趋势,我们对其进行了合并。此外,会聚性专利是由两个或多个不同的知识元素交叉融合产生,因此,各层级仅包含一个知识元素的专利表示非会聚性专利。

图2 部层级技术会聚不同会聚规模的专利数

由图2可知,在基于部层级的会聚中,储能领域和纳米生物制药领域表现出相同的态势,其中,一方面,会聚2个部的技术发明在整个研究时期内最多,其次是会聚3个部的技术发明,而会聚更多个IPC部的技术发明数量较少,会聚8个部的技术发明量几乎为0;另一方面,基于部层级的各会聚规模专利量都有所上升。由图3可知,在基于小类层级的会聚中,储能领域和纳米生物制药领域呈现出相同态势,一方面,会聚规模2～4和5～7的技术发明量在关注的时间段内几乎处于最高水平;另一方面,基于小类层次的各会聚规模专利量都有所上升。由图4可知,在基于小组层级的会聚中,两对比领域也表现出相同态势,一方面,会聚规模在2～6和7～11的技术发明量最多;另一方面,基于小组层级的各会聚规模专利量也随时间波动上升。此外,据统计,储能领域和纳米生物制药领域在IPC大类层级的最大会聚规模分别为31和30,在IPC主组层级分别为124和122。两对比领域在基于大类和主组层级的会聚中,同样呈现上述态势,其中,在观测期内,会聚3个大类的技术发明量最多,其次是会聚规模为4的技术发明;主组层级,会聚规模2～6和7～11的技术发明量最多。因此,无论是交叉领域还是非交叉领域,各层级技术会聚规模都不是太大,各层级专利量都随会聚规模的增大而减少,会聚技术随时间推移而不断增多。

图3 小类层级技术会聚不同会聚规模的专利数

图4 小组层级技术会聚不同会聚规模的专利数

图5给出了两领域基于部、小类、小组三个会聚层级各自不同会聚规模专利前向引用频次分布的箱线图,横轴是各层级的会聚规模(各层级“1”表示非会聚性专利),纵轴是专利前向引用被引频次。由箱线图呈现的整体趋势可知,随着技术会聚程度的增加,技术价值呈先上升后下降的趋势,即倒U型,虽然有个别出入。另外,据数据统计显示,两领域基于大类和主组层级的箱线图呈现出相同趋势。

图5 不同会聚规模专利的前向引用频次分布

(二)技术会聚效应测度

表2和3给出了储能领域和纳米生物制药领域基于IPC部、大类、小类、主组和小组分别测度技术会聚程度并进行负二项回归检验技术会聚效应的结果。两领域各层级会聚自变量是类别虚拟变量,表示各层级技术会聚的规模或程度,其中,0-部、0-大类、0-小类、0-主组和0-小组指技术发明未会聚先前任何发明的知识元素,并被用作参照组(各层级“1”表示非会聚性技术发明)。此外,限于篇幅,在IPC大类、小类、主组和小组层级我们只给出了部分回归结果。

表2 基于部和大类层级会聚测度的技术会聚效应负二项回归结果

由表2中模型1和模型2可知,基于部层级的会聚测度,一方面,各部会聚规模类别虚拟变量的回归系数都显著为正,表明它们对技术价值的影响比参照组要高;另一方面,随着会聚不同IPC部数量的增加,即部层级会聚程度或规模的增大,回归系数先增大后减小,因而技术会聚效应呈倒U型趋势。由表2中模型3和模型4可知,基于大类层级的会聚测度,一方面,各大类会聚规模类别虚拟变量的回归系数也都显著为正,表明它们对技术价值的影响比参照组要高;另一方面,随着会聚IPC大类数的增加,即大类层级会聚规模或程度的增大,会聚系数同样先增大后减小,因而技术会聚效应也呈倒U型趋势。此外,无论是基于部层级还是基于大类层级的回归结果,各层级同会聚规模虚拟变量的回归系数相比,储能领域小于纳米生物制药领域,说明交叉领域技术会聚效应大于非交叉领域技术会聚效应。

表3中,模型5和模型6基于小类层级的会聚测度的技术会聚效应回归、模型7和模型8基于主组层级的会聚测度的技术会聚效应回归以及模型9和模型10基于小组层级的会聚测度的技术会聚效应回归,其结果都与我们表2得到的回归结果类似。综上,基于各层级会聚测度的技术会聚效应回归结果,技术会聚规模或技术会聚程度对技术价值呈倒U型影响;交叉领域相对于非交叉领域而言,交叉领域技术会聚效应更大。

表3 基于小类、主组和小组层级会聚测度的技术会聚效应负二项回归结果

三、研究结论

本研究的主要贡献是:综合运用专利前向及后向引用信息,从IPC多层级视角,对交叉领域和非交叉领域技术发展过程中技术会聚态势进行了刻画并运用负二项模型实证了技术会聚效应。相对之前的研究,我们从多层级视角提出框架开展研究,有效避免了偶然性结果,提高了技术会聚测度的精确性,丰富了技术会聚测度研究内容及方法。针对储能技术领域和纳米生物制药技术领域的研究结果,得出如下研究结论。

无论是交叉领域还是非交叉领域,技术会聚是技术上创新的主要来源,但会聚技术的技术会聚规模或技术会聚程度都不是太大。

无论是交叉领域还是非交叉领域,技术会聚效应呈倒U型,即随着会聚技术的会聚规模或程度增大,未来技术价值先增大后减小。

交叉领域的技术会聚效应明显高于非交叉领域的技术会聚效应。

研究结果对企业技术研发实践有一定的启示作用:首先,绝大多数发明都是技术会聚型发明且技术会聚规模变量与专利前向引用之间存在明显的倒U型关系,表明适度水平的技术会聚在技术发展中具有关键性作用。因此,管理者或决策者应该考虑优先保证研发项目恰当使用适度领域的技术知识。其次,描述性折线图表明会聚规模不是太大,箱线图及回归结果都表明技术会聚效应存在限度或临界值,即存在适度水平的技术会聚。在技术研发实践中,依据产业或产品类型,应获取有限的技术种类或技术领域,否则可能会导致过度会聚而使技术研发结果缺乏技术或商业的关注。最后,交叉领域技术会聚效应明显高于非交叉领域,因此,技术研发实践不仅要会聚技术知识,更要会聚远距离的技术知识,这样才能产生出价值更大的会聚技术。

鉴于本研究是基于IPC分类表征技术知识,开始技术会聚研究。未来可以考虑基于其他专利分类如美国专利分类表征技术知识,开展类似研究。此外,本研究虽然解读了技术会聚规模对技术价值的影响,然而未考虑技术距离因素,技术距离对技术会聚效应影响如何,有待未来探讨。