专利技术互补性研究综述：概念、测度及应用

张金柱，施佳璐，章成志，2

（1. 南京理工大学经济管理学院信息管理系，南京 210094；2. 中国科学技术信息研究所富媒体数字出版内容组织与知识服务重点实验室，北京 100038）

0 引 言

专利几乎涉及所有相关技术领域最新、最活跃的技术信息，有效分析和利用专利之间的复杂关联关系，不仅可以为未来研究提供方向，还能够帮助企事业单位等组织机构确定最佳的合作伙伴。Garfield[1]于1966 年提出，根据专利引用来描述专利间的关系；Jaffe[2]在20 年后提出通过专利分类法对专利技术之间的相关性进行定量化计算。由此展开了专利间关联关系及其应用的相关研究。

目前，学术界普遍认为专利之间的关系主要分为四种：竞争性（competing）、阻碍性（blocking）、互补性（complementary）和不相关（unrelated）[3]。其中，前两种关系在进行专利相关性分析时，主要反映了专利之间的相似性，当前国内外相关研究较为丰富，已有学者做出了较好的总结[4]。而专利技术互补性研究显得相对薄弱，且国内外鲜有研究综述专利技术互补性相关的理论、方法和应用。实际上，重大的技术创新一般依赖于引入互补技术，且具有互补专利的企业或组织之间通过开展技术合作，在保持自身核心技术优势的同时，能够吸收对方的优势技术来弥补自身技术的不足，提高创新成功率、降低技术创新的成本和风险，以获得更理想的投资价值[5]。例如，单芯片MEMS+CMOS（microelectro mechanical systems + complementary metal oxide semiconductor）运动传感器供应商mCube（矽立科技）通过收购3D 运动追踪产品技术公司Xsens 来实现运动传感器和追踪技术的完美结合，以引领快速增长的运动感应系统和应用市场。由此可见，技术互补关系逐渐成为企业或组织之间展开技术合作的重要参考，并且对专利组合优化、企业并购决策制定和潜在合作伙伴识别等众多研究也具有重要参考价值。

因此，本文希望对专利技术互补性进行较为系统全面的综述，总结归纳研究问题，提出未来展望，为技术互补的深入研究提供研究基础、研究方向和研究选题。为此，本文首先总结不同角度下技术互补性的概念，并形成当前情景下技术互补性的概念界定；其次，以此为基础对技术互补性的定性定量测度方法进行归类和比较，提出未来发展方向；最后，综述技术互补性在多个领域的典型应用，为技术互补实践提供借鉴和参考。

1 专利技术互补性的概念

专利作为最丰富的技术信息来源，包含了90%～95%的世界科技信息，专利之间的关系往往可以体现技术之间的关系，众多学者基于专利对企业等不同研发机构之间的技术互补性展开了研究。随着互补关系的普及，互补概念正在被逐渐泛化，技术互补概念也呈现多样化特点，不同研究阶段人们对于技术互补性的理解和定义均有所不同，亟须对其概念进行界定，为互补性测度指标和方法提供理论基础。因此，本节梳理了技术互补性的多种概念并对其进行总结和界定，以此为基础研究技术互补性概念在不同发展阶段的研究重点和发展趋势，形成技术互补性研究的发展脉络。

1.1 技术互补性概念的对比

1999年，Larsson等[6]首次从广义和狭义知识领域的差异明确定义了技术互补性，之后不同学者从组织机构间能力互补的角度扩充了该定义，Makri 等[7]则提出使用专利技术领域代替知识领域，形成了更细致并可定量化计算的界定方式，目前被广为接受。自技术互补被提出以来，不同研究者提出的相关概念如表1 所示。

表1 技术互补性概念的不同定义

从表1 可以看出，当前研究普遍认为技术互补关系产生于专利功能特征之间的差异性和协同性。其中，差异性体现在属于同一技术领域中不同子领域的两项专利技术之间的差异程度，是对两项专利之间的技术功能或性质等元素互异性的评价；协同性体现在产品或生产流程中相辅相成的两项上下游关联专利之间的关系，表现了专利在实现一项整体功能过程中协调与合作的性质。

技术互补性的概念最早由Larsson 等[6]于1999 年提出，但最具权威并被广泛引用的则是Makri 等[7]于2010 年提出的定义，两者的区别在于广义知识/技术领域的范围定义不同。如图1 所示，U+表示某一范围内的广义知识/技术领域，该范围视具体研究情境而定；U 表示技术研发主体双方共有的广义知识/技术领域，即双方专利同属的IPC （international patent classification）大类；两个实线方框分别表示企业A、B 狭义范围内的知识/技术领域，加粗实线框内的部分为企业A 对企业B 所能提供的互补性知识/技术范围。在范围U 中，专利所属的广义和狭义技术领域的区分规则更加明确，所以能够实现对专利技术互补性的定量化计算，这也得益于专利在申请的过程中需要根据不同分类标准进行归类。以国际IPC 分类为例，广义的技术领域是指专利IPC 分类的第二级别——大类，由两位数字组成；狭义的技术领域则是第三级别的小类，由一个字母表示。

图1 技术互补性概念示意图[6-7]

基于Makri 等[7]较为全面的描述，本文对专利技术互补性的概念进行了更为具体和清晰的界定，将专利技术互补性定义为在相同上层功能类别下，两项专利技术分别关注下层功能类别的具体细节，并呈现补充、衔接、协同和优化的关系。这种关系主要体现在三个方面：①当两项专利分别属于同一技术领域中的两个不同的子领域时，说明其在技术内容上属于相同领域且能够通过其差异性实现优势互补；②当两项专利分别涵盖同一产品或生产流程中不同的两个技术时，说明可以通过完成不同的功能细节来相辅相成地协同实现共同的功能目标；③当两项专利被相同专利共同引用或被相同机构共同购买时，说明这两项专利可以基于技术或功能的相关性实现相互补充和优化。

1.2 技术互补性研究的发展沿革

根据时间维度，本文将技术互补性的发展划分为四个阶段，并总结归纳了各个阶段的研究重点。这四个阶段分别关注不同组织类型之间的技术互补性、互补性专利联盟的管理策略、技术互补性的定量化测度以及技术互补性对企业合作的影响。

（1）第一阶段：关注不同组织类型之间的技术互补性。

2000 年前后，学者们着重研究不同组织类型之间技术能力的互补关系，认为不同类型组织的研究重点和优势不同，且能够通过合作获得更好的研究成果，但若有一方的研发无法取得成功，则双方均无法实现收益。例如，Santoro 等[9]发现大学研究中心对工业公司存在互补效应，前者具有灵活和创新的新想法和新技术，后者则能够提供实现的物质和人才条件；Kim 等[20]通过研究大学研究人员流动到纳米工业的数量以及该流动对工业生产力的影响，发现研究人员从大学到产业界的转移能够有效促进行业技术的创新；蒋芬[21]提出可以利用产业技术创新战略联盟来促进产学研结合，从而实现不同组织间的技术优势互补。上述早期研究主要关注企业、高校和科研机构之间的技术互补关系，但忽略了各类机构内部的合作创新关系。

（2） 第二阶段：关注互补性专利联盟的管理策略。

2008 年以来，随着企业对合作创新需求的增长，市场上逐渐形成了由拥有互补类型专利的经营者所构成的互补性专利联盟。其中，互补类型专利是指同时存在但无法相互替代的两项专利，这两项专利中的技术分别覆盖了某产品或生产流程中的某个方面或者某项功能。因此，一项专利技术的改进需要另一项专利技术做出相应的改进，否则这项没有改进的专利技术就会阻碍这个产品或生产流程整体的改进。同时，在互补性专利联盟中，障碍性专利也被归类为互补类型中的一种，具体是指存在前后相继的两项专利，第二项专利的实施必然以使用第一项专利为条件，同样第一项专利权人未经第二项权利人许可也不能实施升级的专利技术。

为了促进互补性专利联盟带来的社会效益以及各个经营者之间的合作效益最大化，学者们主要提出了三个方面的管理策略。第一，在国家政策上，唐要家等[10]提出对互补性创新下的许可合作行为应该实行宽松的反垄断政策；李海涛[22]则从创新市场、专利清单和潜在竞争关系角度讨论了对互补性专利联盟进行反垄断管制的必要性；王怀祖等[11]发现企业为了获得更多的利润而倾向于不结成专利联盟，因此提出需要政府出台激励机制来促进互补性专利联盟的形成。第二，在定价策略上，Santore等[23]提出可以通过选择固定费用和专利使用费的组合减少博弈；王怀祖等[12]和洪结银[24]分别以联盟外部创新者和下游生产者为对象，提出了关于专利许可费补偿机制的必要性。第三，在联盟成员的选择上，罗猷韬等[25]提出在组建专利联盟时需要同时考虑企业的专利类型及其数量；Cho 等[26]则更具体地提出了一种基于知识产权概况和专利数据的潜在联盟候选者评估框架，用于帮助技术经理人选择合适的合作伙伴和制定有效的技术战略。

上述分析表明，在该阶段，技术互补性的定义从各类组织细化到了其所拥有的各项专利之间的关系，研究人员开始真正关注专利层面的互补性概念，并由此展开对专利技术互补性的准确测度及其对企业合作的影响研究。

（3） 第三阶段：关注技术互补性的定量化测度。

2010 年，Makri 等[7]提出了技术互补性的明确定义，即在共有的广义技术领域内关注不同狭义技术领域的程度，并由此形成了一种基于专利IPC 分类号计算技术互补性的方法，利用专利信息定量计算技术互补性。

2014 年至今，众多研究通过挖掘专利中不同信息之间的关系来衡量其技术互补性。张端阳等[27]通过构建产业技术链对专利文本进行归类划分后，利用层次分析法对互补性进行测算，并将一个生产流程中相辅相成的两项专利技术视为互补性技术，进而根据不同层次进行权重分配和赋值，从而得到准确的数值来表示互补程度；曾德明等[14]利用专利的IPC 分类号构建技术元素共现矩阵，将元素之间的共现次数归一化后作为其互补性结果，用于表示两个技术元素同时使用会增加其价值的情形，并且分析了企业技术相似性和互补性与企业创新绩效的关系；茹丽洁等[16]通过对专利组合的分析，提出互补性是一种普遍存在的规律，具体体现在各成员之间的交叉性、聚合性和差异性，据此构建互补性指标，并验证了其测度效果；赵展一等[19]通过构建企业-IPC-专利文本三层映射矩阵计算了企业之间的技术相似性和互补性，从而进行企业间技术以及竞合对象的匹配。

（4）第四阶段：关注技术互补性对企业合作的影响。

近年来，在专利技术互补性测度方法不断完善的背景下，相关研究逐渐侧重于研究不同程度的专利技术互补性对企业合作双方的影响，其中企业合作的形式主要分为双方技术融合或直接并购。

技术融合是指企业为了寻求突破性技术或产品开发，选择能够与自主技术产生互补效应的外部技术与之进行整合，从而实现技术创新的一种方式[28]。互补技术融合会影响产业演化和创新产出[29]，如促进企业的探索和利用式创新[30]，提升新产品进入市场的速度[31]，但技术互补性与新产品开发数量存在倒U形关系，且在知识产权保护弱的地区更为显著[32]。同时，互补技术的融合也会受到诸多因素的影响，如宋昱晓等[33]发现专利的技术吸收和扩散能力越快、技术范围和领域越广，越能促进互补性技术的融合。

并购行为通常发生在技术或市场等某方面存在协同效应的企业之间，对企业创新能力和创新绩效具有较大的影响。企业并购情境下，专利技术互补性能够正向影响企业的探索和开发能力[34]以及并购方的技术创新能力[35]，且被并购方的自主能力越高，越有利于实现技术创新能力提高[15]。在创新绩效方面，张峥等[36]发现通过互补性技术并购能够增加并购企业相关的技术知识储备，促使其在核心技术上获得突破，从而有效促进企业创新绩效的提高；茅迪等[17]在此基础上提出技术互补性与企业创新绩效间也存在着倒U 形关系，即当互补性过大时，反而会抑制并购方企业创新绩效的提升。另外，有些外部因素也会影响并购情境下的企业创新绩效，如企业并购经验[37]、收购方技术多元化水平和目标方知识规模[38]等。

2 专利技术互补性测度方法

不论对于国家还是对于企业，技术进步都是推动其发展的中坚力量，而技术创新更是其核心所在。作为专利技术间关联关系中的一种重要属性，互补性是众多重大技术创新的基础，尤其是对于信息技术、通信和生物医药等某些重要行业来说，迫切需要将知识形态转化为技术形态，将潜在生产力转化为现实生产力，这就往往需要引进互补技术来开发新的产品和服务。因此，在定义技术互补性的基础上，如何准确计算出专利技术之间的互补性程度成为了相关研究的重点之一。

早期研究认为一个合作项目中的各个研究任务之间存在着均等的互补关系，并使各个企业独立承担其所擅长的任务，从而分析相互之间的技术互补性大小[39]。尽管该方法符合互补性定义，但由于当时大多数研究者对专利技术互补性概念的理解较为模糊，其测算结果往往较为宽泛，仅适合估算，而无法精准计算。之后，依据Makri 等[7]提出的利用专利技术领域定量计算互补程度，形成了从不同角度定义技术范围的互补性测度方法。因此，本文对其进行总结归纳，分别从产业/行业分类、专利分类、专利引用关系以及专利内容特征关联等角度综述专利技术互补性测度方法。

2.1 基于产业/行业分类的技术互补测度方法

产业是指具有某种同类属性的经济活动的行业集合体，行业则是指具有高度相似性和竞争性的企业群体。以旅游产业为例，其包括了旅游住宿业、餐饮业等。由于产业的着眼点是生产力布局的宏观领域，涉及各种不同类型的行业技术，所以，相关研究最早从行业角度入手对专利技术互补性进行测度。

基于行业分类的测度方法主要是依据已有的经验界定技术范围并进行行业分类，从而粗略判断技术研发主体之间的技术互补性大小。胥朝阳等[40]根据企业所申请的专利确定其所属行业，并通过判断行业代码的接近程度来定性分析相关企业之间的技术相似性或技术互补性，从而研究不同技术类型并购对上市公司经营绩效的影响。该方法从技术范围角度反映了关联中的差异这种互补概念，但这种方法一般无法给出准确的判断标准，因此，得到的测度结果较为粗略，无法精确到某一具体数值。

近年来，随着各类企业规模的扩大，行业内的企业合作逐渐无法满足创新需求，同时需要适应当前研究精准化的趋势。因此，Peng 等[41]提出从产业链或技术创新链角度，通过识别其上下游专利技术为互补型技术，同时对产业链和技术创新链中各个组成技术进行互补性测度，在扩大候选合作企业对象的同时，获得相对更精确的测度结果，但构建产业链和技术创新链的过程较为复杂且具有较大主观性。类似地，张端阳等[27]为了分析乳制品产业中各项专利技术之间的互补性关系，首先，构建了如图2 所示的产业技术互补树，该产业树中有且只有一个根节点，表示该树所建立的具体产业链，第二至五层分别表示行业、流程、操作和技术；其次，利用德尔菲法对其层次关系的互补系数进行设定，在该产业树中最终分别设定为1、3、5、7、9；最后，根据技术研发主体双方所拥有的技术在该产业技术互补树中的分布情况进行技术互补性的测算。然而，这种方法具有较大的主观性且拓展性较差，这是因为产业技术互补树的构建需要结合大量的产业、行业报告以及行业技术，分析出其中的关键技术，才能确定互补树中的各个层次构成。此外，还需要邀请行业专家来对互补树中各个位置技术的互补程度和系数进行经验估算，从而给出更加准确的专利技术互补性结果。

图2 乳制品产业技术互补树[27]

因此，尽管基于产业分类的测度方法比直接按照行业分类的方式更具有逻辑性，且结果更为精确，但不论是产业树还是技术创新链，都难以复制，只能对已有产业树和技术创新链中的技术内容以及含有该技术内容的研发机构之间的技术互补性进行测算。另外，在不同研究情境下，每个层次的互补性测度可能也会不同，导致工作量巨大，并且需要专业知识或相关专家作为研究支撑。

2.2 基于专利分类的技术互补测度方法

目前，大部分研究利用现有公认性比较强的专利技术分类体系，如国际IPC 分类法等，将技术形态理论和方法引入技术互补性测度中。其中，部分学者主要依据专利之间的协同性展开研究，即基于专利的IPC 分类号进行关联规则分析；其他学者则更加关注专利之间的差异性，即根据同一大类下属于不同子类别的专利比例进行公式化计算。

（1）基于专利协同性的方法

利用关联规则分析挖掘专利组合中的信息，首先需要假设专利的IPC 分类号能够反映其技术领域，进而通过关联规则分析说明各种技术领域之间的关联，挖掘出专利中不同技术之间的相互作用，并产生有助于理解各种技术互补性的结果。Wang等[42]利用对专利文件所属技术领域的关联规则分析提出了技术领域规模、相对技术优势、相对技术整合能力三个指标，并通过专利组合图谱来表现专利技术之间的互补性；Cordeiro 等[43]基于企业的专利文档数据集，匹配专利IPC 字段之间的关联关系，从而建立企业技术知识互补性的评价体系，用于寻找企业最佳的技术研发合作伙伴。

实际上，关联规则分析是基于专利IPC 分类号的共现模式所衍生出来的方法。因此，有学者直接基于专利IPC 分类号的共现矩阵或网络对其技术互补性进行测度。例如，Colombelli 等[44]将企业专利的IPC 分类号视为技术类别，并根据其共同出现模式提出了一致性、多样性和认知距离三个指标，从而对企业专利组合之间的技术互补性和差异化程度进行测算；曾德明等[14]利用企业专利国际分类号（IPC）构建知识元素共现矩阵，计算企业之间的知识互补性以研究其与企业技术创新绩效的关系；Jee 等[45]通过在目标企业和候选企业专利的IPC 共现图谱中确定目标企业的位置，利用局部搜索和远程搜索找到与目标公司的能力不重叠但在其技术知识的广泛范围内的详细技术领域，并提出了六个指标对该技术领域中的企业进行衡量，从而找到目标企业的互补合作伙伴。

通过对专利分类号所反映的技术领域进行关联规则或共现分析，能够有效把握专利在功能上的相关性或协同性。但由于分类号的粒度较大，不利于从技术细节上研究专利之间的相互作用关系，且不同的专利类别界定方式对结果影响较大，目前仅由IPC 分类号展开研究，尚需进一步扩展。

（2）基于专利差异性的方法

基于专利技术的差异性进行互补性测度的方法往往依赖于公式计算，其基本思想来自类比系统论的观点：系统中有着不同的子系统，且同一系统中的不同子系统之间存在着互补关系，那么技术也可以细分为不同的子技术，且相互之间就是一种互补关系。因此，可以通过分析技术研发主体双方专利在技术分类体系中的分布来计算其在技术能力上的互补性。

最被广泛接受的专利技术互补性测度公式是由Makri 等[7]提出的，基于其定义——在共有的广义技术领域内关注不同狭义技术领域的程度，通过计算两个企业所拥有的属于同一大类中不同小类的专利数量来得到技术互补性程度，同时该数值反映了两个企业之间的整合潜力。比如，两个专利同属于“药物和化学”类别中的“生物技术”大类，但又分别属于“分子学”和“微生物学”这两个小类，那么两者建立在相同技术大类中不同技术小类上的程度就可以反映它们的整合潜力，即企业之间的技术互补性。技术研发主体B 对A 的技术互补程度的具体计算公式[7]为

利用公式进行技术互补性的测度，关键在于确定技术分类体系的选择标准，以及定义广义技术领域和狭义技术领域的范围边界，其范围界定得越精细，技术互补性计算得越精确。因此，尚利宁[48]基于国际IPC 技术分类体系，将IPC 小类作为广义技术领域，IPC 大组作为狭义技术领域，而后根据不同小类下的大组间补充效果测度技术互补性，其计算公式[48]为

以上基于专利差异性的互补性测度方法延续了“大领域的关联和小领域的差异”的思想，相较于产业/行业分类角度，该方法计算技术互补性，理论性更强，且计算容易，操作简单，因此被越来越多的学者认可并采用。

2.3 基于专利引用关系的技术互补测度方法

专利引用是最早被提出用于衡量专利间关联关系的方法之一，因为专利引用直接地体现了对另一专利技术的依赖，也代表两项专利中存在着共同的技术内容。例如，Chang 等[13]从专利引用的角度，提出利用来自第三方技术研发主体专利的双重间接引用关系来衡量两个研发主体之间的技术互补性，这种双重间接联系表明两个研发主体拥有部分共同技术且相似性可能较低。如图3 所示，A～M 表示各个技术研发主体，其中A 有三条直接引用关系（与合作伙伴B、C 和D）和七条间接引用关系（与合作伙伴E～K），即可以通过其合作伙伴间接接触到的七个技术研发主体。以研发主体E、F 为例，虚线表示其与第三方研发主体A 在专利引用方面存在双重间接联系，可能拥有部分共同技术且相似性较低，据此可判定技术互补关系。出权重；

图3 来自第三方技术研发主体的双重间接引用关系

基于图3 所示的专利引用网络结构，Chang 等[13]采用四项专利指标，即技术知识位置（technological knowledge status，TKS）、技术知识可靠性（technological knowledge reliability，TKR）、内部共有知识（common internal knowledge，CIK）和外部共有知识（common external knowledge，CEK），用于计算专利收购前后企业双方在专利部署和专利组合上的差异，从而发现技术互补性在企业专利收购战略中的重要性。其中，根据TKS 和TKR 可以判断企业在网络中的位置、作用以及由于收购而导致的位置移动，而CIK 和CEK 可用于衡量两家公司之间的互补知识，计算公式[13]为

其中，αkr表示专利是否属于某企业的0/1 矩阵（g×r）；g表示专利数量；r表示企业数量；k表示第k项专利；∑αikoαjke表示企业i引用j的专利数；∑αiko表示企业i的专利数。

由于两家公司的专利引用越多，共享的共同知识就越多，所以，通过计算企业i引用j的专利数占企业i专利数的比例，即CIK 指标，可以衡量两家企业之间的互补技术知识；CEK 指标则是指通过两家企业之间来自第三方技术研发主体专利的双重间接引用关系，来衡量双方被外界确认的共同知识，认为是相似度较低但存在互补关系的技术知识。同样地，Yang 等[49]参考上述四项专利指标，通过专利引用网络的方法探讨了药物洗脱支架制造商的专利收购战略意图。

相较于基于产业/行业和专利分类的互补性测度方法，利用专利引用网络进行互补性测度的研究相对较少。其原因可能是在国内申请专利时不要求引用信息，更适用于国外专利数据库中技术互补关系的测算与分析。对此，邹思明等[50]尝试基于专利协同研发网络计算企业之间的技术相近性和协作研发网络的竞争与互补性，解决国内专利缺失引用信息的问题。另外，考虑到基于专利分类和引用关系的互补性测度方法均涉及知识基础差异这一思想，未来可以尝试将这两种方法相结合以进一步提升专利技术互补性测度的准确性。

2.4 基于专利内容特征关联的技术互补测度方法

不论是以产业/行业分类，还是以专利分类及引用关系进行技术互补性的测度，均是基于专利技术之间的外部关系进行计算的，并未关注到专利的内容特征关联关系。通过对专利的标题、摘要、权利要求等文本信息以及图表信息等进行分析，抽取多种内容特征及其关联能够更加准确地识别和解释技术互补关系。

近年来，随着文本挖掘技术的迅速发展，有学者尝试融合文本挖掘算法与经典测度方法来提升专利技术互补性测度的准确性。Wang 等[51]利用hLDA（hierarchical latent Dirichlet allocation）主题模型挖掘专利文档中的技术主题以及其相互之间的层次关系，并根据属于同一子主题但不同主题的专利重叠数来计算不同专利权人之间的技术互补性，计算公式[51]为

其中，Ci表示主要技术主题分类i，即结构中的高层次主题；TN 表示主题数量；Ci中的TN 表示Ci中的子主题数量，即低层次主题；PN 表示专利数量；TN inCiof A&B)表示B 涉及但A 不涉及的技术，(TN inCi- TN inCiof A) 表示A 不拥有的所有新技术。互补性(A ←B) 表示i类中B 对A 的互补性，所以式(7)具备有向性，即互补性(A ←B) ≠互补性(A →B)。

通过提取多层次的技术主题，并根据子主题之间的差异性进行专利技术互补性的测度，相比于直接利用专利IPC 分类号进行计算，能够更好地理解专利中潜在的语义关系，更好地捕捉不同研发机构之间的技术互补性关系。类似地，Li 等[52]引入主体-动作-客体（subject-action-object，SAO） 分析，利用专利文本中的语义结构和专业词汇的特征权重来构建专利权人的向量，从而对不同专利权人之间的技术互补性进行测度；李昌等[18]在对专利的关键词与核心IPC 进行语义抽取的基础上筛选出核心专利集合，并计算其互补性，从而实现对潜在合作伙伴的识别。通过对专利文本内容进行深度挖掘，把握专利技术之间的语义关联，可以更加准确地识别技术机会，有助于找到合适的收购目标和潜在合作者，同时技术互补性的具体量化信息也可用于支持管理决策。

此外，有研究关注到图表数据对于专利间关联关系发现的重要作用，并开始应用到技术互补测度中。Jee 等[53]首次提到专利图表数据的重要性，并提出了一种利用方框图调查产品/服务/技术结构的分析方法，最后利用从专利方框图中提取的关键词，研究了技术演变分析、技术要素调查、竞争对手比较分析以及相似专利检索等内容，并可应用于技术互补关系测度中。该研究从图表角度扩大了专利技术互补性研究的数据范围，有利于进一步提升技术互补性测度的准确性，未来需要对该方向的研究加以关注。

2.5 测度方法的对比

目前专利技术互补性的测度方法主要有基于产业/行业分类、基于专利分类、基于专利引用关系以及基于专利内容特征关联四种方法。这四种方法在不同的研究情境和当前的发展过程中各有优劣，如表2 所示。

表2 专利技术互补性测度方法的优劣比较

整理国内外相关研究表明，当前最常用的互补性测度方法是专利分类法。由于利用专利IPC 能够清楚划分技术领域，操作简便，且测度结果的准确度较高，因此，其被广泛用于发现企业在技术领域方面的潜在合作伙伴以及制定最优的并购策略等。但这类方法也存在着一定的局限性，如分类号无法直观地反映技术主题和细粒度地揭示专利的上下文语义信息等。虽然基于专利内容特征关联的方法能够有效解决这一问题，即通过专利中的语义信息来更深层次地挖掘专利之间潜在的互补关系，但目前相关研究较少，后续需要引入深度学习技术，综合利用专利文本、图表等多模异构数据，进一步提升专利技术互补性的测度准确性。

另外，考虑到基于单一维度的互补性测度方法均各自存在着一定的局限性，赵展一等[19]首次提出融合多项特征，即以专利的分类号和文本内容作为依据，利用专利的技术类别与语义信息来进行企业技术互补性的测算。同样地，这类研究尚处于起步阶段并存在一定的不足，如未关注到专利本身之间的技术互补性等，所以需要继续尝试结合两项或多项特征来更准确地把握研发机构及其专利之间的关联关系，更好地为技术创新提供方向。

3 专利技术互补性的应用

专利技术互补性是企业间技术关系的一种重要属性，也是许多重大技术创新的基础。在充分理解专利技术互补性概念和把握其定量化测度方法的前提下，现有文献通常是在不同情境下研究技术互补对企业合作的影响或作用，并主要应用于基于企业间互补技术整合的创新绩效影响因素判定、企业并购策略制定以及潜在合作伙伴发现等方面。

3.1 判定创新绩效影响因素

专利技术之间的关系反映了企业利用技术元素的特定方式，是影响其技术创新绩效的重要因素。其中，互补性水平高的技术元素之间具有更高的协同潜能，由于互补性技术元素的潜能会随着持续使用而枯竭，而且对现有技术元素的深度挖掘也会导致企业降低甚至丧失对市场的敏感性[8]，所以，合作双方企业之间的技术互补性与技术创新绩效之间并不是呈现正比例关系，而是存在着显著的倒U 形关系[14,54]，即技术融合的收益存在着边际递减效应。类似地，王媛等[31]发现当企业跨领域进行互补性技术融合时，起初有利于提升企业新产品开发绩效，但后期将不利于企业新产品数量与新产品进入市场速度的进一步提升。对于企业来说，正确把握技术元素关系与创新绩效之间的关系，尤其是互补性元素带来的影响，能够更好地理解自身的技术基础，从而提高研发投入-产出效率。

另外，专利技术互补性对于其他许多外部因素对企业实现创新绩效的影响都具有一定的调节作用。例如，王泓略等[55]探究了知识重组对技术创新绩效的影响，并发现互补性正向调节知识重组潜在可能性对技术创新绩效的积极作用；王媛等[56]发现技术高速发展的动荡环境会负向调节互补性技术融合与企业新产品开发绩效之间的正向关系；孙耀吾等[57]基于高技术中小企业的面板数据，发现技术互补性会负向调节其知识搜索广度对创新能力的倒U形影响，但对知识搜索深度没有显著的调节作用。除了企业并购，双方机构的技术互补性对于创业投资机构股权投资比重对新创企业技术创新绩效存在的负向影响也具有一定的调节作用[58]。

3.2 制定企业并购决策

随着市场竞争的加剧和新产品更新速度的加快，企业技术创新逐渐从依靠内部研发转变为依靠外部资源获得技术支持，以满足创新所需资源的多样性和客户需求的多元化。目前，技术驱动型的企业并购是实现技术间强强联合和优势互补的有效途径之一，尤其是互补性技术，能够通过增加并购企业相关的技术知识储备来提升并购的协同效益和企业的创新和经营绩效[36,40]，并且并购双方企业之间的技术互补性越强，对企业创新的促进作用越显著[59]。需要注意的是，短期内并购行为可能对相关创新过程产生负面影响[60]，因为对于被并购方来说，一旦成为集团的子公司，无论其效率如何，集团都会使用其产品，这可能会削弱其创新能力，降低效率；对于并购方来说，整合不同的技术，实现研发产出需要一定的时间，因此，这些并购的效果可能在许多年内都不明显。

随着全球化的发展，越来越多的企业开始通过海外并购来获取国外先进技术，这种趋势也使国内外学者逐渐关注其对企业创新质量以及技术整合风险等带来的影响。首先，有研究表明，企业之间的资源互补性能够丰富并购企业的技术知识和提升技术创新效率，对跨国并购的创新质量效应起到正向调节作用，并且当资源呈现高度互补性时，赋予海外子公司管理层高度自主权有助于并购方技术创新[61-62]。在此基础上，陈菲琼等[46]研究发现，并购中技术相似性会对目标方的自主性带来影响，不利于其创新积极性和效率，但技术互补性能有效调节相似性对并购带来的技术整合风险。陈珧[15]提出并购双方技术互补性程度对技术整合程度具有负效应，即需要采取企业间的低整合程度来保护技术创新、形成好的激励机制以及促进产品创新。基于上述研究，本文列举了企业针对不同程度的技术相似性和技术互补性所需采取的并购策略，如图4 所示。

其中，以技术互补性强、相似性弱的情况为例进行具体说明。缓慢浅度整合是指利用低技术人员整合程度的情况增加技术创新产生的协同效应，利用低管理层整合程度的情况促进更有利的激励机制的形成，利用低研发项目整合的情况实现产品创新，从而提高市场份额；而目标方的自主性则是与技术整合程度相对应的，在浅度整合的情况下，会保留其较高的自主权。

3.3 发现潜在合作伙伴

面对经济和社会需求的快速发展和变化，一些大型企业可以通过并购国内外中小企业进行技术整合和创新，但对于初创企业或小型机构来说，由于经济能力不足，需要通过寻找合适的合作伙伴来弥补新产品开发过程中所需的多学科技术知识空缺。其中，基于技术相似性的合作伙伴之间展开合作，不仅限制了技术研发主体双方的潜在学习能力，而且降低了颠覆性创新的可能性；根据专利技术互补性选择合作伙伴，在保持各自核心技术优势的同时，还能够通过技术合作、并购（merger and acquisition，M&A）来取长补短，吸收对方的优势技术以弥补自身知识库的不足，提高技术创新水平。

对于如何利用专利技术互补性来识别潜在合作伙伴，诸多学者提出了一系列的框架模型。例如，Wang 等[42]通过对专利的国际分类信息进行关联规则分析，并使用非线性主成分分析来确定专利权人在综合技术及其领域中的关系，从而识别具有互补性技术的专利权人，并找到潜在的研发合作者。温亮等[63]利用专利文本中的SAO 结构信息构建了技术分布图，进行优势企业和热点技术的识别，并以此为依据确定具体合作伙伴，将合作层次具体到特定技术，制定对应的合作方案。该研究成果真正意义上实现了专利技术互补性在企业合作中的应用，从技术出发为企业之间的合作创新提供参考。然而，上述研究成果仅考虑了取长补短的好处，却未考虑在此过程中意外知识溢出的潜在学习和风险，因此，Jee 等[45]从该角度出发，在平衡学习和保护知识的基础上识别潜在合作伙伴。

4 研究现状总结与展望

基于对国内外专利技术互补性的概念、测度方法和典型应用的梳理和总结，本节将系统地分析当前研究存在的问题与不足，并对未来相关研究的发展进行展望。

4.1 现有研究及其问题的总结

（1）主要从机构互补关系角度界定技术互补性概念，尚需从技术内容角度进一步细化。

目前，关于专利技术互补性的研究主要侧重于两个方面：①在并购情境下，企业等研发机构之间的互补程度对双方创新绩效和新产品开发数量的影响；②根据机构所拥有的专利分析其技术能力或所在技术领域之间的互补关系，用于发现机构之间潜在的合作机会或制定能够使投资收益最大化的并购策略。前者侧重于技术互补的影响，后者侧重于技术互补的应用，但两者都是研发机构之间宏观层次的技术互补，忽略了微观层次上具体专利或技术之间的互补性。

也就是说，目前大多数关于专利技术互补性的研究是在企业、行业、地区和国家等层面分析不同研发机构之间的技术互补关系，鲜有研究从专利的技术内容角度分析技术互补性。实际上，基于技术内容对企业内部专利技术之间的互补关系以及与其他企业所拥有的技术之间一一对应的互补关系展开分析，不仅有助于优化企业内部的专利组合，还能够就此发现潜在专利技术组合，进而提高专利转化率。同时，专利技术互补性能够从技术细节的微观角度确定企业间合作关系及其价值评估，并且能够挖掘更深层次的潜在合作关系。

（2） 主要利用专利的外部特征进行互补性测度，尚需抽取和利用多模态内容特征提高测度准确性。

当前研究主要利用专利所属的产业/行业分类或IPC 分类号所反映的技术领域来确定机构或专利之间的互补关系，也有研究利用专利引用网络来构建知识基础差异指标衡量研发机构间或专利间的互补关系。但不论是分类号所反映的技术领域，还是专利之间的复杂引用关系，均属于专利的外部特征，无法直观反映专利技术内容，导致互补性测度的准确性和可解释性不高。

随着机器学习、深度学习和自然语言处理技术的发展，专利的标题、摘要、背景、权利要求和说明书等文本数据，以及图像、表格等多模态数据，能够被抽取、语义化和使用。在这些多模态数据中，现有研究仅使用主题模型对文本数据进行了关键词主题识别来计算互补程度，相关研究尚处于起步阶段，需进一步深化。此外，专利图表数据呈现了复杂的技术功能结构和属性，包含大量与互补关系相关的特征，需从该角度测度技术互补程度，以提升技术互补测度的有效性和全面性。

（3）互补性测度指标由人工构建为主，存在误差且效率较低。

当前研究主要利用产业链、行业分类和专利分类来衡量不同企业之间的技术互补关系。其中，一般由相关领域的专家或专业人员构建互补性测度指标。然而，受主观因素影响，这种通过人为构建测度指标的方法通常存在一定的误差和片面性，效率较低，可能需要耗费数月甚至数年的时间才能够完成，其更新速度难以与现如今计算机、通信网络等新技术以及数据量的发展速度相匹配。

在基于产业/行业分类的测度过程中，一般需要先与相关领域专家合作构建产业链或行业技术互补树，并确定其中不同层次之间的互补系数，再根据不同专利技术在其中的分布情况来确定其互补性，效率较低。与此同时，其测度结果在很大程度上会受到产业链和技术互补树的形状以及互补系数取值的影响，存在一定的主观片面性，并且通常只能对已有产业链和技术互补树中的技术内容进行互补性测算，对不同研究情境的适应性较差。

在基于专利分类的测度方法中，目前普遍参考专利文件的国际专利分类信息（IPC）来确定其所属技术领域，从而进行技术互补性测度。虽然国际专利分类法是一种国际通用的专利文献分类法，并且由国际专利分类联盟编制和定期修订，具有一定的权威性，但IPC 分类与各个产业界的实际分类标准并不完全一致，如在分类精细程度上可能会有所差异。此外，目前专利文件的IPC 分类以人工干预的计算机标引为主，需要结合标引人员自身专业经验判断，所以测度结果也可能存在着一定的误差和主观片面性。

（4）主要用来为企业技术合作创新提供参考，应用范围有待扩展。

当前研究主要分析并购情境下双方企业的技术互补性程度对后续创新绩效和新产品开发数量的影响，以及基于企业等研发机构之间的技术互补性来制定并购策略和发现潜在合作伙伴等，没有考虑到企业内部的专利组合优化和创新升级，尚未充分发挥专利技术互补性相关研究对企业内技术融合的价值。

此外，由于专利技术之间的互补关系往往产生于其功能特征之间的协同性和差异性，无法将互补性与相似性完全区分开来，但目前鲜有研究将专利技术互补性研究成果与其相似性研究相结合来进一步发现不同机构间的竞争与合作关系。因此，需在研究专利技术间互补关系的基础上，进一步分析其相似关系，并据此建立更加客观、科学的方法指标体系，从而更好地识别互补专利组合，扩展应用范围到机构之间的竞争合作分析、技术机会发现和互补专利推荐等。

4.2 对未来研究的展望

（1）需加强互补性概念的细粒度理解，关注专利技术本身之间的互补性。

互补性是专利技术间关联关系中的一种重要属性，特别是在技术创新方面，很多突破性技术或产品的发明都离不开各个领域技术之间的交叉融合和优势互补。由于互补关系通常产生于专利技术功能特征之间的协同性和差异性，如果要实现技术创新，那么最直接的方式就是通过发现专利中各项技术在相同功能类别下的差异性，分析具体专利技术之间的互补关系，进而通过专利组合来实现技术优势互补和创新。因此，不仅要从技术互补性的角度对研发机构之间的关系进行深层次分析研究，也要加强互补性概念的细粒度理解，把研究对象从企业细化到其所拥有的各项专利技术上，通过把握专利在功能特征上的协同性和差异性来发现其潜在的互补关系，从而更好地达成企业内部专利组合创新或企业间合作发展的目标，实现企业1+1＞2 的专利组合价值或专利投资的利益最大化。

（2）需利用深度学习技术来融合多模异构数据中的不同语义特征，以进一步提升测度准确性。

目前，深度学习技术已广泛用于各类数据的特征提取，如文本、图像和网络结构等。相比于传统的手工获取特征过程，深度学习技术对数据预处理的要求更低，不需要专家的参与，且能够提取更加全面的特征。同时，随着各种深度学习模型优化策略的提出，在此基础上实现对各项特征的自适应权重分配，能够更好地把握专利中的语义信息及其相互之间的关联关系。因此，应利用深度学习技术（如各类神经网络和注意力机制等），更深层次地挖掘专利多模态内容中的特征（如结构化数据和文本内容中的语义特征），以及图表数据中潜在的功能信息，从而进一步确定各个研发机构在技术能力上的互补关系，实现合作伙伴和并购对象的精准定位。

另外，随着企业合作创新的还有市场信息的更新，不仅是企业并购信息，还需要关注到专利本身的交易信息，参考利用共同购买信息进行互补商品推荐的形式，可以通过专利转让变更所有权的相关信息来确定其互补关系。所以，在后续研究中，需要利用专利的交易或转让信息对结构化数据以及文本或图表数据反映的语义信息进行补充，并通过融合多模异构数据中的不同特征信息来更好地把握专利本身之间的互补关系。

（3）需拓展专利技术互补性分析的应用领域。

在应用领域方面，后续研究不仅要考虑通过把握研发机构之间的互补关系来制定并购决策和识别潜在合作伙伴，还要加强专利技术本身内容与结构化信息的互补性研究，拓展相应的问题模型与解决方案，从而优化专利组合、盘活专利价值、提高专利转化率，最终促进企业内部的技术创新与发展。另外，需要同时考虑相似和互补这两大属性，建立相应的协同指标体系，科学衡量研发机构以及专利技术之间的技术关联关系，并针对不同类型的关系制定相应的策略，进而实现最优的企业合作和最佳的专利技术组合。