基于组织－技术依存网络的技术融合机理

刘晓燕　庞雅如　谢桂生

摘要： 技术融合能够显著提高企业的创新能力，对技术融合机理的深入探索有助于选择合适的创新伙伴和融合技术。构建依存型网络分析模型，探究技术特征和技术依附的组织特征与技术融合的关系，并对人工智能产业进行实证研究。研究表明：吸收能力强或扩散能力强的技术容易吸收或流向其他技术；技术成熟度高、技术邻近性强的两种技术容易发生双向流动；被多个组织拥有的共性技术不容易吸收其他技术，但容易流向其他技术，单个组织内拥有的技术间容易发生双向流动。

关键词： 技术融合；组织－技术依存网络；社会选择模型；人工智能产业

中图分类号： G315；F273.1文献标识码： A

Technology Convergence Mechanism Based on Organization-Tech Dependency Network

LIU Xiaoyan，PANG Yaru，XIE Guisheng

（College of Economics andManagement， Beijing University of Technology， Beijing 100124， China）

Abstract：Technology convergence can significantly improve the innovation ability of enterprises. In-depth exploration of technology convergence mechanism is helpful to select suitable innovation partners and integrated technologies. This paper constructs a dependent network analysis model， explores the relationship between technical characteristics and organizational characteristics of technical attachment and technical convergence， and makes an empirical study on artificial intelligence industry. The research shows that， the technology with strong absorption or diffusion ability is easy to absorb or flow to other technologies; Two technologies with high technology maturity and strong technology proximity are prone to two-way flow. Common technologies owned by multiple organizations are not easy to absorb other technologies， but easy to flow to other technologies; The technology owned by a single organization is prone to two-way flow.

Keywords： technology convergence; organization-technology dependency network; social selection models; artificial intelligence industry

0 引言

伴隨着后疫情时代全球市场竞争格局的变化，以及“大智移云”技术的发展，越来越多的企业需要借助研发摆脱面临的困境，技术创新已成为关乎企业生存与发展的命脉。除少数大型高新技术企业外，大多中小企业创新能力不高，传统突破式的创新模式难度大，成本高［1］，难以满足企业对技术创新的需求，更高效的创新模式成为创新研究的焦点。技术融合在多种现有技术的基础上进行改进或创新［2］，为突破技术瓶颈提供潜在的技术解决方案，能够显著提高企业的创新能力，并深刻影响企业和国家的竞争力。然而由于技术融合产生机理不明，导致企业在选择融合技术及融合的合作伙伴时存在较大的随意性、融合效率低、成本高等一系列问题［3］，因此需要研究什么样的技术更容易融合、组织对于技术融合的影响，才能从本源上揭示技术融合形成过程，为政府制定引导产业融合的创新政策提供参考，为企业选择合作伙伴、选择融合技术提供依据。

目前大多数研究［4］主要根据经验和以往结果来设置特定自变量，即可能影响技术融合的因素，用某个因变量表征技术融合，探究自变量和因变量的关系，从而检验和确定技术融合的影响因素，但这种方法往往只能发现浅层次影响技术融合的因素，不能深层次挖掘内在可能未知的过程对技术融合的影响。对于技术融合产生机理的研究旨在探究未知的、具体的融合过程对技术融合的促进或抑制作用，一部分侧重于技术层面，认为相似技术之间更容易发生融合［5］；技术复杂程度越高的领域，进行的科学研究越少，越不容易发生融合［6］。另一部分关注组织层面，认为政府与企业之间的合作关系越强，越容易促进技术融合的发生［3］；一个组织内部发生明显的技术融合，不同组织的技术很少发生跨组织的技术融合［7］。

可以发现：1）技术作为企业创新活动中的重要知识资源，依附于组织而存在，要真正揭示技术融合的本源，还要考虑到技术依附的组织特征。2）技术融合是指通过技术转移或合作研发的方式引进新技术，与自身技术有机整合的持续性创新活动。不同于合作研发，技术转移立足技术流动的视角将技术融合过程分为搜索、选择、转移、吸收、转化、再创新［8］，为技术融合赋予了方向性，有助于进一步探索技术融合轨迹。因此，一方面本文探究技术特征和技术的组织特征对技术融合的影响，为融合技术和创新伙伴的选择奠定基础；另一方面从技术转移的角度出发将技术融合过程分为技术间的单向流动和双向流动［9］，帮助组织结合技术融合的方向特征选择融合技术。

1 分析框架与研究假设

技术融合由多种技术交叉重组产生，这种交叉重组关系形成了技术融合网络。技术融合关系的产生受到多种因素的影响，可以概括为技术特征和技术依附的组织特征。

技术特征包括技术融合网络内生结构特征和技术外生属性特征。首先，技术嵌入在网络中，网络的结构特征例如互惠性、择优链接是形成关系的重要因素，这些因素是否依然能够影响技术融合关系的形成需要进一步验证。其次，技术的外生属性，如技术成熟度、技术邻近性也是影响融合的重要因素，Jeong［3］认为技术成熟度水平对技术融合会产生较大影响，毛荐其［10］发现技术成熟度会削弱技术融合程度和创新绩效间的关系；Lazzeretti［11］提出技术要素间发生重组需要一定相似的技术基础作为先决条件，李丫丫［12］发现相似性高的技术之间有更大的融合机会。因此，本文将以上影响因素作为技术特征的研究对象。另外，技术融合一方面体现为组织内部技术的融合，另一方面体现为跨组织技术融合，本文从此角度研究技术的组织特征。

对于技术融合过程中技术的单向流动和双向流动，以技术A和技术B之间的流动为例，如果只存在技术A向技术B的流动或只存在技术B向技术A的流动，则技术A与技术B间为单向流动，如果既存在技术A流向技术B，又存在技术B又流向技术A的现象，则技术A和技术B间为双向流动。

1.1 技术特征与技术融合

1）网络内生结构特征与技术融合。择优连接是复杂网络的一种常见动力学机制，择优连接机制中的度数择优连接［13］认为在一个规模较大的网络中，已拥有较多链接或度中心性较大的节点更受青睐，相对于其他节点更容易产生联系。对于技术融合网络，技术节点入度高表示该技术节点吸收融合了大量来自其他技术节点的知识，技术节点出度高表示该技术节点向外发送了大量技术知识，根据网络的择优连接机制，这两类节点可能更意愿吸收其他异质知识或更容易吸引并流向其他技术［14］。本文认为择优连接的关键技术有更大几率在技术融合中受到青睐。对于吸收能力强的技术：一方面技术的创新活力高或与多种技术重叠，易于融合内化其他技术，因此能够源源不断地吸收融合其他技术；另一方面吸收能力强的技术在融合多项技术后，积累了技术融合的宝贵经验，从而可以有效促进和其他技术的融合。对于扩散能力强的技术：一方面此类技术一般为基础性技术，其他技术与之融合过程面临较少困境，融合发生相对容易，因而易于向其他技术扩散；另一方面该类技术属于研究热点，发展潜力大，前景辽阔，其他技术与之融合后在未来竞争中更具优势，因此不断吸引众多技术，技术知识可能也更容易流向其他技术［15］。基于此，提出假设：

H1a：吸收能力强的技术容易吸收其他技术；

H1b：扩散能力强的技术更容易流向其他技术。

2）技术外生属性与技术融合。技术的外生属性对网络联系的形成至关重要，本文主要涉及技术成熟度和技术临近性两个外生属性对技术融合的作用研究。技术成熟度是指某项技术在一定技术发展轨道上达到的程度和阶段，能够判别当前技术的发展水平。（1）技术成熟度越高表示对该技术的研究越广泛，技术发展越成熟，创新投入产出的边际效用越小，继续研发很难有突破性进展，需要另辟蹊径［16］，这就导致了技术成熟度越高的技术越需要借助技术融合进行创新。（2）技术成熟度越高，在该领域中所聚集的研究人员越多，也意味着该技术在研发上拥有高质量的科研基础和研发要素［17］，具有持续创新的条件。（3）行业技术较成熟时，技术规模大，技术规模对技术融合呈正向驱动效应［18］，企业也更愿意实施高阶的融合创新模式［19］。（4）技术规模的匹配性是融合技术选择的关键要素之一，拥有成熟技术的组织往往选择与同样拥有成熟技术的组织进行合作，从而实现融合的高起点。（5）除技术本身特质外，考虑到融合方向，本文认为成熟度高的技术间双向流动可能更为普遍，一方面可以降低融合的风险并避免投机主义，另一方面可以实现经济效益的最大化，通过构建互惠互利的共享技术体系，以更高的效率促进融合。基于此，提出假设：

H2：技术成熟度高的技术间更容易发生双向流动。

技术邻近性是指技术间结构和知识基础的相似性程度，能够判断技术间的距离［20］。（1）邻近性高的技术拥有相同的技术基础，技术理解相对容易。（2）技术邻近性越高对技术融合的约束越小，不需要过多的创新资源便可以完成技术融合，因此技术融合成本低，融合所引发的风险小。（3）同一技术领域内的知识流动更为顺畅，同时技术之间相互吸收与扩散也更为显著，且相关研究已表明技术领域内部知识流动的次数高于外部［21］。（4）拥有邻近性技术的组织和研发人员间交流更频繁，为技术融合创造了条件。（5）考虑到融合方向，本文认为技术邻近性高的技术间双向流动往往可以促使技术充分融合，是提高融合效率的不错选择。基于此，提出假设：

H3：技术邻近性高的技术间更容易发生双向流动。

1.2 技术依附的组织特征与技术融合

1）组织内部技术融合。组织的融合创新旨在通过融合不同类型的技术知识来提高组织核心竞争力，从而实现组织未来可持续发展。组织内部技术融合是最常见的融合方式，在促进技术融合方面有诸多优势。（1）由于融合所需要的技术均来自同一组织，融合过程中遇到的地域，文化等障碍较小，组织内部沟通较为方便，因此融合越有可能顺利发生［11］。（2）组织内部技术融合是指企业根据已有技术自主研发所需技术，不涉及企业间的知识产权转让问题，节省了技术知识交流的成本，同时也降低了企业自身核心技术泄露的风险。（3）组织内部员工的关系网络也为技术知识的扩散提供了良好的渠道，对技术融合具有较大的促进作用［22］。（4）组织内部的技术包括现有技术和新增技术，为了尽快掌握新增技术并以最高速率内化为企业的技术基础，组织往往会选择将新增技术与现有技术相整合，从而实现技术价值的快速增值。（5）迫于创新績效和创新成本，已发生技术融合但只存在单向流动的技术，无法使技术创新产生的价值最大化，双向流动往往是实现企业内技术资源充分利用的最优策略，能最大效率地实现技术创新同时降低研发成本。因此单向流动将转化为双向流动。（6）在合作过程中主体间的知识共享、组织内部显性的知识流动为技术间双向流动创造了良好条件，创新主体合作中隐性知识流动成为双向流动的“催化剂”。基于此，提出假设：

H4：组织内部的技术间易于发生双向流动，较少发生单向流动。

2）组织间技术融合。不同组织间的技术相对于组织内部技术而言差异性较大，组织制度、技术等边界限制了技术之间的相互交流，技术融合面临一定的障碍，但不同技术领域的组织相互协作产生的新技术具有更大的价值，有助于进一步促进下一阶段的产业融合，因此需要对组织间技术融合过程深入探究。

共性技术是组织间技术融合的重要切入点，在整个技术创新链中处于基础性地位，具有广阔的适用性和开放性，能够为多种创新技术的发展提供支撑［23］。目前对于共性技术的研究大多数是基于产业的宏观背景。共性技术通常是指在很多领域内已经或未来可能被普遍应用，其研发成果可共享并对整个产业或多个产业及其企业产生深度影响的一类技术。而产业是一个宽泛的概念，企业或组织是其基础单位，多个生产同类产品的企业构成行业，然后多种相互关联的行业形成了产业。因此立足于微观角度，产业的共性技术即组织的共性技术，产业的共性技术特征同样适用于组织的共性技术，例如外部性、关联性、风险性等特征［24］。（1）从组织共性技术外部性特征视角，共性技术被多个组织所共享，具有较强的公共性质，相关组织难以独自享有共性技术成果，即共性技术所带来的成果和收益会不断向外溢出，并被整个社会所共享，体现为显著的知识外溢性。（2）从组织共性技术关联性特征视角，共性技术往往具有多学科背景，与各类技术都有较好的锲合度，其他技术与该共性技术进行融合效率较高。而且由于共性技术拥有多学科知识，所包含的技术种类丰富，吸引了其他技术与之融合，因而共性技术也更容易流向其他技术。（3）从组织共性技术风险性特征视角，共性技术的后续研发和应用面临诸多风险［25］，由于共性技术处于商业化的早期阶段，前景未知，而且研发过程中具有周期长、投入多等特征，贸然吸收其他新技术进一步研发显示出较大的不确定性，存在技术、市场及投资风险，这意味着组织拥有的共性技术不容易吸收其他技术，实现共性技术的创新。基于此，提出假设：

H5：多个组织所拥有的共性技术容易流向其他技术，不容易吸收其他技术。

2 研究方法

2.1 组织－技术依存型网络构建

为了清晰刻画技术自身的特征和组织的技术特征，本文选择依存网络模型，模型主要包括两个网络：技术融合网络和组织技术隶属网络，技术融合网络节点表示技术，弧表示技术之间的融合关系。组织技术隶属网络是二部图，节点分为组织、技术两类，边表示组织和技术的隶属关系。如图1所示。

1）技术融合网络。技术融合关系的抽取借鉴了苗红［12］所提出的方法，主ipc号代表专利中最重要的技术特征，专利间的引用关系即为主ipc号间的引用关系，也是技术之间的融合关系。

2）组织－技术隶属网络。本文将组织与技术结合起来，根据专利权人的共现筛选出所研究的组织，在此基础上从incopat专利数据库中查找每个组织在技术融合网络中对应的技术（ipc号），建立组织－技术隶属网络。

2.2 社会选择模型构建

依存型网络模型需要通过社会选择模型（SSMs）来实现，社会选择模型［26］是多层指数随机图模型（MERGMs）的扩展应用，标准MERGMs模型考虑了3个网络间的相互依赖性，以及一个层次的网络联系对另一个层次网络结构的影响，并未涉及节点属性。而社会选择模型（SSMs）考虑个人偏好与集体选择，将外生节点属性与网络自组织过程结合解释网络的形成过程。与ERGM类似，使用马尔可夫链蒙特卡罗最大似然估计算法进行参数估计，通过描述网络局部拓扑结构统计量对社会网络结构进行统计性分析，量化关系形成的过程和影响因素。两级网络的社会选择模型的一般形式为

本文以SSMs为基础构建两个模型，模型1涉及技术融合网络的配置（包括内生结构和外生属性），模型2添加组织－技术隶属网络共同构成依赖网络的结构配置。

2.3 指标测度

1）技术融合网络内生结构测度。内生结构依赖体现为网络形成过程中的自组织特征，一个联系是否出现依赖于其他网络联系的存在，这些网络联系形成的配置或模型效应直接影响网络内关系的建立和解散［27］。边（ArcB）和互惠性（ReciprocityB）是模型构建的基础性指标。技术融合网络中技术的扩散能力在网络中表现为扩张性，可以使用结构性指标交互－出－星（AoutSB）表示，吸收能力表现为节点的聚敛性，可以使用交互－入－星（AinSB）表示。

2）技术融合网络外生属性测度。本文主要探讨技术成熟度和技术邻近性对技术融合网络形成的影响。选择模型scale_SumReciprocityB参数验证技术成熟度高的技术间是否容易发生融合，技术成熟度以专利数量来衡量［28］。以type_MatchReciprocityB参数验证技术邻近性对技术融合的影响，以技术所属ipc部测度技术领域。

3）技术－组织依存网络结构测度。本文通过多次试验，结合仿真网络的收敛特征选择交互－X－星－1B－入（AXS1Bin）、交互－X－星－1B－出（AXS1Bout）指標衡量受欢迎的隶属关系对技术融合的影响。交互三角X－B－X－边（ATXBXarc）和交互三角X－B－X－互惠（ATXBXreciprocity）指标衡量组织内部技术节点彼此融合的趋势。

具体参数项定义如表1所示。

3 实证研究

人工智能技术由多学科知识交叉而成，且在社会发展的各个领域都有着极为广泛的应用［29］。人工智能产业作为先导产业，即新一轮产业变革的核心驱动力，与各类传统制造业产业融合有助于产业升级和制造业的服务化转型，将对人类生活和社会进步产生极为深远的影响。因此本文将人工智能产业作为研究对象，构建多层网络并探索技术融合的产生机理。

3.1 数据来源及网络构建

本文选择Incopat数据库作为专利数据的来源，通过检索与人工智能相关的发明专利获得检索数据，主要参考了大量人工智能文献及2019年世界人工智能大会发布的《2019世界人工智能技术趋势发展报告》确定检索式中的关键词，并对2010年到2020年10年间所有国家申请的全部专利进行检索。筛选合享价值度为9－10分的高价值专利作为研究的基础数据集，提取出专利信息中的主ipc引用数据、专利权人共现数据及组织拥有的ipc分类号等信息。得到63个技术节点和节点之间的融合关系，98个组织节点；组织－技术隶属关系通过检索单个组织发布的所有专利，并提取出前50个出现次数最多的ipc号，结合已确定的63个ipc号得到最终组织拥有的ipc号。技术融合网络（B网络）和组织－技术隶属网络（X网络）如图2所示，圆形节点代表技术节点，圆形节点间的连线代表他们之间的融合关系，方形节点为组织节点，方形节点与圆形节点之间的连线代表组织和技术的隶属关系。

3.2 仿真结果分析

借助MPNet软件对人工智能产业的技术特征与技术的组织特征对技术融合的影响分别建模，模型收敛后得到的参数估计的最终结果如表2所示。

Model1检查技术特征对技术融合的影响。负向显著的ArcB参数表明技术融合网络中较少的节点对呈现单向流动趋势，正向显著的ReciprocityB参数则表示技术融合网络中双向流动在整个网络中占较大比重。AinSB的参数值也正向显著，同时，AoutSB的参数估计值正向显著，这意味着吸收能力强的技术容易吸收其他技术，扩散能力强的技术更容易流向其他技术，接受H1a，H1b。理论层面上可以由择优连接理论解释，实际层面上是由于入度高或吸收能力强的节点具有高学习性的特点，拥有广泛融合新技术的趋势，而出度高或扩散能力强的节点较为简单且发展潜力较大，容易流向其他技术。scale_SumReciprocityB的参数估计值正向显著，因此技术成熟度高的两种技术更容易发生双向流动，接受H2，进一步说明技术成熟度高的外部技术能够带来更高的价值，更具吸引力。type_MatchReciprocityB的参数估计值正向显著，表明技术邻近性高的技术间更容易发生双向流动，接受H3，表明類型相同或相似的技术间距离较近，融合步骤少，更容易顺利融合。

Model2检查技术拥有的组织特征对技术融合的影响。ATXBXarc参数估计值负向显著，而ATXBXreciprocity参数估计值正向显著，符合H4，说明人工智能产业中单个组织内拥有的技术之间不容易发生单向流动，但更容易发生双向流动，这是因为如果发送方技术节点愿意共享自己的知识且接收方节点拥有较强的吸收能力，那么技术知识流动就越有可能发生，而如果发送方技术节点只希望吸收其他技术，不愿意共享自己的技术，那技术之间就很难产生融合。负向显著的AXS1Bin参数和正向显著的AXS1Bout参数说明被大量组织拥有的共性技术不容易吸收其他技术，同时被大量组织拥有的共性技术容易向其他技术扩散，接受H5，一定程度上也证实了共性技术的知识外溢性和研发过程中存在的风险性。

4 模型稳健性验证

本文选择从计量方法角度对模型结果比较并检验，由于专利引用方法和分类号共现方法是两种普遍用来构建技术融合网络的方法，区别是专利引用方法构建的是有向网络，而ipc共现网络是无向网络。本文选择ipc共现网络作为稳健性检验的技术融合网络，并重新构建组织－技术隶属网络，选取类似参数建模得到模型3，模型3的参数估计结果如表3所示。

根据模型3的结果，可以发现ASB参数估计值正向显著，说明融合能力强的技术愿意与新技术建立合作关系，易于与新技术产生融合。scale_SumB参数估计值正向显著，与scale_SumReciprocityB结果相同，意味着技术成熟度高的技术间确实更容易产生融合。type_MatchB参数估计值与type_MatchReciprocityB的参数估计值都正向显著，说明技术邻近性高的技术间更容易发生融合。StarAXAB参数估计值负向显著，说明组织所拥有的共性技术很难与其他技术产生融合，而采用主ipc号引用进行研究时，发现组织拥有的共性技术不容易吸收其他技术，但更容易流向其他技术。ATXBX参数估计值正向显著，说明人工智能产业组织内部技术融合较普遍，结合本文modle2的ATXBXarc和ATXBXreciprocity的参数估计值，发现组织内技术间侧重于双向流动，而不是单向流动。

综上，对于大多数参数估计值，主ipc引用网络作为技术融合网络得出的参数结果与ipc共现网络形成的参数结果大致相似，说明了基于主ipc引用网络构建的模型较为稳健，参数结果也较为可靠。此外ipc共现方法只能探究技术之间是否存在融合，而专利引用方法不仅能探究技术之间是否存在联系，还能进一步明确技术的具体融合过程及方向，因此专利引用探究技术融合机理某些程度上优于专利共现。

5 结论及建议

本文建立了从技术特征和技术依附的组织特征探究技术融合机理的分析框架，采用主ipc引用表征技术融合，构建了组织－技术依存网络，并结合社会选择模型进行建模，有效弥补了以往研究只关注于什么样的技术有利于融合，而缺乏对具体融合过程深入了解的不足。人工智能产业的实证结果表明：1）对于技术特征对技术融合的影响表明，吸收能力强的技术节点更容易吸收融合其他技术，扩散能力强的技术节点容易流向其他技术；技术成熟度高的两种技术更容易发生双向流动；技术邻近性高的两种技术更容易发生双向流动，具有上述特征的技术需要重点关注。例如人工智能产业中物理领域的G05B技术，吸收了物理领域的G06K、G06N、G06F、G06Q、G01R、G10L、G01C、G08C和G05D，作业运输领域的B25J和B23Q等多个不同领域的技术，吸收能力强，具有吸收融合更多其他领域技术的潜力。2）技术依附的组织特征对技术融合的影响表明，组织间拥有的共性技术不容易吸收其他技术，但更容易流向其他技术；单个组织内拥有的技术之间不容易发生单向流动，但更容易发生双向流动。例如人工智能产业组织间共性技术：物理领域的G06F是多个组织所共有的技术，不容易吸收其他技术，但容易流向其他技术，可以作为技术融合的焦点技术与其他技术进行融合。

通过对人工智能产业技术融合的实证研究，发现人工智能产业内部技术融合相对较少，仍处于发展阶段，技术特征和组织的技术特征均对人工智能技术融合有较大影响。1）企业技术和伙伴选择上，对于技术而言，针对吸收能力强的技术，企业应当借助合作、技术交易等手段促进该项技术吸收融合其他新技术，从而达到创新的目的；针对扩散能力强的技术，企业应当扶持该项技术，促成其他技术与该类技术的融合；企业内部存在单向流动的技术对，即此类技术对中只存在某一种技术流向另一种技术的现象，企业应着力实现其反向过程，使融合程度进一步加深，例如某企业内部只存在G09B到G06Q的单向流动，则企业可着力实现G06Q到G09B方向的技术流动。企业选择相同行业或相近领域的合作伙伴可以提升融合的效果，当跨领域合作时，选择拥有扩散能力强的技术的合作伙伴，例如物理领域的G08G技术扩散能力强，企业可优先选择与拥有G08G技术的组织进行协作；成长阶段的企业可以选择拥有共性技术的组织进行合作；当企业的技术成熟度高时可以选择拥有成熟技术的企业进行合作，例如物理领域的G06K，G06F，G10L技术成熟度高，拥有该类技术的企业可选择与其他拥有同样高成熟度技术的组织合作。2）政府政策制定上，政府是技术融合的主要牵动力，应加强对技术融合方向的宏观调控，给予技术组织明确的政策引导。根据人工智能产业技术融合的发展模式，重点识别扶持扩散能力强的架构型技术以有效带动技术融合的扩散，引导技术间的相互融合，深度融合，以更高效率的融合方式促进产业升级。

由于不同产业的性质不同，融合趋势可能也有所区别，未来可以使用本文提出的分析框架对其他产业进行研究，分析不同产业技术融合的共性与特性。

参考文献：

［1］孙笑明，陈毅刚，王雅兰，等.国家主导技术创新组织模式研究——技术创新选择视角［J］.科技进步与对策，2021，38（5）：19－28.

SUN X M， CHEN Y G， WANG Y L， et al. Research on organizational model of national leading technology innovation： the perspective of technological innovation selection［J］. Science & Technology Progress and Policy， 2021，38（5）：19－28.

［2］朱巍，陈慧慧，田思媛，等.人工智能：从科学梦到新蓝海——人工智能产业发展分析及对策［J］.科技进步与对策，2016，33（21）：66－70.

ZHU W， CHEN H H， TIAN S Y， et al. Artificial intelligence： new blue ocean from a scientific dream-analysis and countermeasures of the development situation of Al industry［J］. Science & Technology Progress and Policy， 2016，33（21）：66－70.

［3］JEONG S， LEE S. What drives technology convergence？ exploring the influence of technological and resource allocation contexts［J］. Journal of Engineering and Technology Management， 2015， 36（5）：78－96.

［4］KIM D G， CHOI S O. Impact of construction IT technology convergence innovation on business performance［J］. Sustainability， 2018， 10（11）： 3972－3988.

［5］LEE C， KOGLER D F， LEE D. Capturing information on technology convergence， international collaboration， and knowledge flow from patent documents： a case of information and communication technology［J］. Information Processing & Management， 2019， 56（4）： 1576－1591.

［6］CAVIGGIOLI F. Technology fusion： identification and analysis of the drivers of technology convergence using patent data［J］. Technovation， 2016， 55（2）： 22－32.

［7］周源，董放，劉宇飞.融合新兴领域知识融合过程研究——以生物信息领域为例［J］.图书情报工作，2019，63（8）：127－134.

ZHOU Y， DONG F， LIU Y F. Research on the pocess of knowledge fusion in emerging fields： a case study of bioinformatics［J］. Library and Information Service， 2019，63（8）：127－134.

［8］涂振洲，顾新.基于知识流动的产学研协同创新过程研究［J］.科学学研究，2013，31（9）：1381－1390.

TU Z Z， GU X. Study on process of industry-university-research institute collaborative innovation based on knowledge flow［J］. Studies in Science of Science， 2013，31（9）：1381－1390.

［9］张慧颖，孙亚平.技术融合角度的京津冀智能制造协同创新研究［J］.天津大学学报（社会科学版），2020，22（3）：235－245.

ZHANG H Y， SUN Y P. Research on collaborative innovation of Beijing-Tianjin-Hebei intelligent manufacturing from the perspective of technology integration［J］. Journal of Tianjin University（Social Sciences）， 2020，22（3）：235－245.

［10］ 毛荐其， 李新秀， 刘娜. 技术会聚对创新绩效的作用机制研究［J］. 科技进步与对策， 2018， 35（20）：15－20.

MAO J Q， LI X X， LIU N. The effect mechanism of technological convergence on innovation performance［J］. Science & Technology Progress and Policy， 2018， 35（20）：15－20.

［11］ LAZZERETTI L， CAPONE F. How proximity matters in innovation networks dynamics along the cluster evolution. A study of the high technology applied to cultural goods［J］. Journal of Business Research， 2016， 69（12）： 5855－5865.

［12］ 李丫丫，赵玉林.基于专利的技术融合分析方法及其应用［J］.科学学研究，2016，34（2）：203－211.

LI Y Y， ZHAO Y L. Method and application of technological convergence analysis base on patents［J］. Studies in Science of Science， 2016，34（2）：203－211.

［13］ 王晓光. 科学知识网络的形成与演化（Ⅱ）：共词网络可视化与增长动力学［J］. 情报学报， 2010， 29（2）：314－322.

WANG X G. Formation and evolution of science knowledge network（Ⅱ）：co-word network visualization and growth dynamics［J］. Journal of the China Society for Scientific and Technical Information， 2010， 29（2）：314－322.

［14］ 王晓红，张宝生.知识网络结构特性对知识流动作用分析［J］.价值工程，2010，29（2）：11－13.

WANG X H， ZHANG B SH. Analysis of the role of knowledge network′s structure characteristics for knowledge flows［J］. Value Engineering， 2010，29（2）：11－13.

［15］ 马费成， 刘向. 知识网络的演化（Ⅲ）：连接机制［J］. 情报学报， 2011， 30（10）：1015－1021.

MA F C， LIU X. Evolution of knowledge networks（ III）： attachment mechanism［J］. Journal of the China Society for Scientific and Technical Information， 2011， 30（10）：1015－1021.

［16］ 湯文仙. 技术融合的理论内涵研究［J］. 科学管理研究， 2006， 24（4）：31－34.

TANG W X. Exploration on theory of technology convergence［J］. Scientific Management Research， 2006， 24（4）：31－34.

［17］ 薛红志.新技术企业的技术专利与外部资源整合［J］.科学学研究，2010，28（1）：10－16.

XUE H Z. The impact of new technological ventures′ patents on acquisition of outside resources［J］. Studies in Science of Science， 2010，28（1）：10－16.

［18］ 苗红，赵润博，黄鲁成，等.基于LMDI分解模型的技术融合驱动因素研究［J］.科技进步与对策，2019，36（3）：11－18.

MIAO H， ZHAO R B， HUANG L C， et al. Analysis of the drivers of technology convergence based on LMDI decomposition model［J］. Science & Technology Progress and Policy， 2019，36（3）：11－18.

［19］ 杨凤鲜，李平.企业技术融合创新模式选择研究［J］.中国科技论坛，2015（1）：78－83.

ZHAO F X， LI P. The choice of technology fusion modes based on technology development strategy［J］. Forum on Science and Technology in China， 2015（1）：78－83.

［20］ 史烽，高阳，陈石斌，等.技术距离、地理距离对大学－企业协同创新的影响研究［J］.管理学报，2016，13（11）：1665－1673.

SHI F， GAO Y， CHEN S B， et al. Technological distance， geographical distance and university-enterprise synergetic innovation［J］. Chinese Journal of Management， 2016，13（11）：1665－1673.

［21］ 魏红芹，周成.专利间知识流动与技术融合趋势研究［J］.科技进步与对策，2018，35（22）： 17－22.

WEI H Q， ZHOU CH. Trend Research for knowledge flows of patents and trends of technology fusion［J］. Science & Technology Progress and Policy， ，2018，35（22）： 17－22.

［22］ 刘晓燕，王晶，单晓红，等.基于多层网络的创新网络节点间技术融合机理［J］.科学学研究，2019，37（6）：1133－1141.

LIU X Y， WANG J， SHAN X H， et al. Technological convergence mechanisms of innovation network based on multi-level networks［J］. Studies in Science of Science， 2019，37（6）：1133－1141.

［23］ 郭晓林，鲁耀斌，张金隆，等.产业共性技术与区域产业集群关系研究［J］.中国软科学，2006（9）：111－115.

GUO X L， LU Y B， ZHANG J L， et al. Analysis on the relationship between industrial generic technology and regional industry cluster［J］. China Soft Science， 2006（9）：111－115.

［24］ 韩元建，陈强.共性技术扩散的影响因素分析及对策［J］.中国科技论坛，2017（1）：53－59.

HAN Y J， CHEN Q. Factors influencing the diffusion of generic technology and countermeasures［J］. Forum on Science and Technology in China， 2017（1）：53－59.

［25］ 郑彦宁，浦墨，刘志辉.基于产业创新链的产业共性技术识别基本理论探讨［J］.情报理论与实践，2016，39（9）：53－58.

ZHENG L N， PU M， LIU ZH H. Theoretical discussion on industrial common technology identification based on industrial innovation chain［J］. Information Studies： Theory & Application， 2016，39（9）：53－58.

［26］ WANG P， ROBINS G， PATTISON P， et al. Social selection models for multilevel networks［J］. Social Networks， 2016， 44（2）： 346－362.

［27］ WANG P， PATTISON P， ROBINS G. Exponential random graph model specifications for bipartite networks-a dependence hierarchy［J］. Social Networks， 2013， 35（2）：211－222.

［28］ 张换高，赵文燕，檀润华.基于专利分析的产品技术成熟度预测技术及其软件开发［J］.中国机械工程，2006（8）：823－827.

ZHANG H G， ZHAO W Y， TAN R H. Technique of product technology maturity mapping based on patent analysis and software design［J］. China Mechanical Engineering， 2006（8）：823－827.

［29］ MAHADEVAIAH G， BERMEJO I. Artificial intelligence-based clinical decision support in modern medical physics： selection， acceptance， commissioning， and quality assurance［J］. Medical Physics， 2020， 47（5）： 228－235.

（責任编辑 李 进）

收稿日期： 2022－06－17；修回日期： 2022－08－30

基金项目： 国家自然科学基金青年基金（72304025）；国家社会科学后期资助项目（21FGLB042）;国家自然科学基金面上项目（72104015）

第一作者： 刘晓燕（1974－），女，河北唐山人，博士，副教授，主要研究方向为组织理论与战略管理。