張振剛，羅泰曄

（1.華南理工大學(xué)工商管理學(xué)院，廣州510640；2.廣州數(shù)字創(chuàng)新研究中心，廣州510640；3.廣東省科技革命與技術(shù)預(yù)見智庫，廣州510640）

1 引言

技術(shù)機(jī)會識別，是發(fā)現(xiàn)特定技術(shù)領(lǐng)域內(nèi)具有潛在價值的技術(shù)應(yīng)用機(jī)會的過程。在科技發(fā)展日新月異的背景下，準(zhǔn)確識別領(lǐng)域內(nèi)的技術(shù)機(jī)會，對于研發(fā)組織的可持續(xù)發(fā)展具有重要的意義。識別技術(shù)機(jī)會的方法分為定性分析和定量分析兩類。在定性分析方法方面，德爾菲法和情景分析法是兩種主要的方法[1]。定性分析方法主要依靠專家的意見，存在程序復(fù)雜、耗時長、社會成本高、專家意見的差異性不易處理等問題[2]。因此，大多數(shù)研究者都采用定量的方法來識別技術(shù)機(jī)會。在進(jìn)行定量分析時，專利數(shù)據(jù)是常用的素材。專利是創(chuàng)新成果的一種表現(xiàn)形式，其本質(zhì)在于包含在其中的知識，一個專利所含有的知識可以看成是若干知識元素的集合[3-4]。根據(jù)知識基礎(chǔ)觀（knowledge-based view），知識是創(chuàng)新投入和價值創(chuàng)造的主要來源[5]。因此，有學(xué)者提出了知識組合理論，其認(rèn)為創(chuàng)新在本質(zhì)上是研發(fā)或?qū)嶒?yàn)中對知識元素進(jìn)行組合的過程[6-8]。這個過程既包括探索新的知識元素組合，又包括對已有知識元素組合的重用（reuse）[6]。在對知識元素進(jìn)行組合的過程中，不同的知識元素出現(xiàn)的時間、頻率及組合能力各不相同。因此，本研究利用知識元素的這些特征來識別特定領(lǐng)域的技術(shù)機(jī)會，提出一種基于專利分析的技術(shù)機(jī)會識別新方法。

2 相關(guān)研究

2.1 技術(shù)機(jī)會識別

目前，技術(shù)機(jī)會識別主要有三個研究方向。第一個研究方向是研究技術(shù)融合。技術(shù)融合是指兩個或多個技術(shù)領(lǐng)域?qū)崿F(xiàn)知識的共享和交叉應(yīng)用[9]。例如，Park等[10]以生物和信息領(lǐng)域的專利為分析對象，基于專利引用網(wǎng)絡(luò)來預(yù)測兩個領(lǐng)域間的知識流動，進(jìn)而發(fā)現(xiàn)技術(shù)融合的機(jī)會。Han等[11]通過關(guān)聯(lián)規(guī)則對專利分類號進(jìn)行分析，發(fā)現(xiàn)了信息通信領(lǐng)域與其他技術(shù)領(lǐng)域的技術(shù)融合機(jī)會。第二個研究方向是研究技術(shù)空缺，即識別能夠滿足某領(lǐng)域技術(shù)需求的機(jī)會[12]。例如，Choi等[13]使用貝葉斯模型對專利進(jìn)行聚類，進(jìn)而發(fā)現(xiàn)領(lǐng)域內(nèi)的技術(shù)空缺。Son等[14]以光刻技術(shù)的專利為例，利用生成式拓?fù)溆成洌℅TM）來開發(fā)專利地圖，并發(fā)現(xiàn)地圖中的空白區(qū)域，通過空白區(qū)域與原始關(guān)鍵詞向量的逆映射來解釋每個空白的含義，最終發(fā)現(xiàn)了空缺的技術(shù)機(jī)會。第三個研究方向是研究新興技術(shù)，即具有高增速、高新穎度、高不確定性以及高市場潛力的技術(shù)[15]。例如，Joung等[16]構(gòu)建了專利關(guān)鍵詞矩陣，使用層次聚類的方法來發(fā)現(xiàn)葡萄糖生物傳感器領(lǐng)域的新興技術(shù)。Moehrle等[17]以影像技術(shù)的專利為素材，通過專利語義分析來識別領(lǐng)域內(nèi)的新興技術(shù)。

2.2 RFM模型

RFM模型是市場營銷領(lǐng)域識別客戶價值的經(jīng)典模型，用于在觀測點(diǎn)對觀測期（觀測點(diǎn)之前的一段時間）內(nèi)顧客消費(fèi)的情況進(jìn)行分析，從而識別出重要價值客戶[18]。R（recency）是指顧客消費(fèi)的臨近性，常用最近一次消費(fèi)距離觀測點(diǎn)的時間長度來衡量；F（frequency）是指觀測期內(nèi)顧客消費(fèi)的頻率；M（monetary）是指顧客的消費(fèi)能力，常用觀測期內(nèi)顧客消費(fèi)的金額來衡量?；赗FM模型，Cheng等[18]分析了一家臺灣電子產(chǎn)業(yè)公司的顧客的忠誠度；Yan等[19]通過分析財(cái)產(chǎn)保險(xiǎn)公司的客戶的終身價值來評估客戶風(fēng)險(xiǎn)；Seymen[20]研究了英國連鎖超市顧客流失的情況，并進(jìn)行顧客細(xì)分；馬寶龍等[21]提出了一種對未來顧客價值進(jìn)行識別的方法，并用一家購物中心的顧客交易數(shù)據(jù)進(jìn)行了實(shí)證分析。

2.3 隨機(jī)行動者導(dǎo)向模型

隨機(jī)行動者導(dǎo)向模型（stochastic actor-oriented models，SAO模型）是基于縱向數(shù)據(jù)來分析網(wǎng)絡(luò)動態(tài)演化的模型，可同時分析網(wǎng)絡(luò)的演化和網(wǎng)絡(luò)節(jié)點(diǎn)行為的變化，是近年來社會網(wǎng)絡(luò)分析領(lǐng)域興起的從動態(tài)視角分析社會網(wǎng)絡(luò)的有力工具。在SAO模型中，網(wǎng)絡(luò)演化的過程被稱作社會選擇（social selec‐tion），而網(wǎng)絡(luò)節(jié)點(diǎn)行為變化則是社會影響（social influence）的過程。SAO模型把網(wǎng)絡(luò)的演化視為網(wǎng)絡(luò)中的節(jié)點(diǎn)建立、維持或終止與其他節(jié)點(diǎn)之間連接的過程。網(wǎng)絡(luò)節(jié)點(diǎn)的連邊選擇受如下目標(biāo)函數(shù)控制[22]：

其中，snet表示影響節(jié)點(diǎn)連邊選擇的各種效應(yīng)；βnet表示效應(yīng)的參數(shù)估計(jì)。

類似地，網(wǎng)絡(luò)節(jié)點(diǎn)在不同時期的行為變化受如下目標(biāo)函數(shù)控制：

其中，sbeh表示影響節(jié)點(diǎn)行為變化的各種效應(yīng)；βbeh表示效應(yīng)的參數(shù)估計(jì)。

基于SAO模型，Cao等[23]分析了基于建筑信息建模的工程中合作網(wǎng)絡(luò)的演化。吳江等[24]研究了在線醫(yī)療社區(qū)用戶關(guān)系網(wǎng)絡(luò)的動態(tài)演化。Finger等[25]探討了驅(qū)動銀行間貨幣市場網(wǎng)絡(luò)形成的因素。在分析網(wǎng)絡(luò)成員行為的演化方面，Mohrenberg[26]分析了貿(mào)易開放政策在不同國家間的擴(kuò)散情況。Kavaler等[27]研究了開源軟件社區(qū)軟件開發(fā)者的代碼所有權(quán)和開發(fā)效率的變化。

2.4 述評

在技術(shù)機(jī)會識別方面，現(xiàn)有基于專利數(shù)據(jù)的定量分析方法大多停留在專利的外部指標(biāo)層面，如專利關(guān)鍵詞分析、引用情況分析等，對專利的知識本質(zhì)還缺乏充分利用。RFM模型主要用于客戶關(guān)系管理領(lǐng)域，但其通過關(guān)鍵指標(biāo)聚類來識別重要價值對象的思想可以為其他領(lǐng)域的研究提供借鑒。在SAO模型的使用上，現(xiàn)有研究主要集中在分析社會網(wǎng)絡(luò)的演化和網(wǎng)絡(luò)節(jié)點(diǎn)行為的變化，而鮮有用于知識網(wǎng)絡(luò)的分析。本文基于專利的知識本質(zhì)和知識組合理論，借鑒RFM模型的思想來評價特定領(lǐng)域的知識元素，使用SAO模型來分析知識網(wǎng)絡(luò)的演化和知識元素的組合特征，并在此基礎(chǔ)上提出識別特定領(lǐng)域技術(shù)機(jī)會的新方法。

3 研究設(shè)計(jì)

由于一個技術(shù)領(lǐng)域內(nèi)的知識元素眾多，不同知識元素的利用價值各有不同，本研究需要識別能反映領(lǐng)域內(nèi)技術(shù)發(fā)展趨勢的知識元素，并探索這些知識元素進(jìn)行組合的新機(jī)會。因此，本文采用三個步驟進(jìn)行分析：第一步，提出識別趨勢性知識元素的方法；第二步，分析知識元素的組合規(guī)律，并提出識別技術(shù)機(jī)會的方法；第三步，根據(jù)所提出的方法，預(yù)測趨勢性知識元素的組合機(jī)會，并檢驗(yàn)預(yù)測的準(zhǔn)確性。其中，第二步要以特定技術(shù)領(lǐng)域的專利數(shù)據(jù)為素材，本研究以人工智能領(lǐng)域?yàn)槔诜治銮斑M(jìn)行數(shù)據(jù)的收集。選擇人工智能作為目標(biāo)分析對象的原因有三方面：第一，從領(lǐng)域知識特性上看，人工智能領(lǐng)域的知識具有多學(xué)科交叉性，覆蓋了電子、計(jì)算機(jī)、生物醫(yī)學(xué)等多個知識領(lǐng)域。分析人工智能領(lǐng)域的技術(shù)創(chuàng)新，實(shí)質(zhì)上是分析多個領(lǐng)域的技術(shù)創(chuàng)新。因此，與單一領(lǐng)域相比，選擇人工智能領(lǐng)域作為分析對象更具普遍性和代表性。第二，從統(tǒng)計(jì)學(xué)特性上看，人工智能領(lǐng)域的專利成果較多，能夠提供大樣本的分析素材，使分析結(jié)果更具可靠性。第三，從實(shí)踐性上看，目前，世界上許多國家和地區(qū)都把人工智能作為戰(zhàn)略性新興產(chǎn)業(yè)。因此，挖掘人工智能領(lǐng)域的技術(shù)機(jī)會，具有重要的實(shí)踐參考價值。

3.1 數(shù)據(jù)收集

本研究借鑒文獻(xiàn)[28]使用的檢索式，用從德溫特專利數(shù)據(jù)庫檢索了2013—2018年人工智能領(lǐng)域的專利數(shù)據(jù)，共12579條記錄。參考已有研究的做法[4,29]，本文用專利的國際分類號（IPC）來表示專利所含有的知識元素。專利的國際分類號采用等級形式，分為部—大類—小類—大組—小組等五個等級。已有的大部分研究都是采用分類號的前四位（即小類級）來代表知識元素。但小類級的代碼包含的技術(shù)范圍過于寬泛，不能準(zhǔn)確描述專利所具有的知識元素。而分類號到大組級能夠較好地反映專利所代表的產(chǎn)品、技術(shù)過程和機(jī)制[30]。因此，本文用大組級的分類號來代表專利所具有的知識元素。

3.2 技術(shù)機(jī)會識別方法

根據(jù)知識組合理論的觀點(diǎn)，專利發(fā)明是對相關(guān)知識元素進(jìn)行組合的結(jié)果，不同的知識元素的組合能力不盡相同[31]。在一個觀測期內(nèi)，不同的知識元素出現(xiàn)的頻率和出現(xiàn)的時間也存在差異。知識元素的這些特征與市場營銷領(lǐng)域顧客的消費(fèi)行為特征存在相似性。因此，借鑒RFM模型的思路，本研究使用三個指標(biāo)對知識元素進(jìn)行評價，識別出領(lǐng)域內(nèi)的重要知識元素。其中，R代表知識元素出現(xiàn)的時間特征，F(xiàn)表示知識元素出現(xiàn)的頻率，M則代表知識元素的組合能力。根據(jù)相關(guān)研究，一個知識元素的組合能力越強(qiáng)，則該元素與其他知識元素的相關(guān)性越強(qiáng)，能夠與之進(jìn)行組合的知識元素越多，其應(yīng)用越具有多樣性，其應(yīng)用潛力和應(yīng)用價值也就越大[7,29,31]。本文對三個指標(biāo)的計(jì)算方法如表1所示。

表1 知識元素評價指標(biāo)

表1 中提到的知識網(wǎng)絡(luò)由知識元素組成，知識網(wǎng)絡(luò)中的節(jié)點(diǎn)代表知識元素，兩個知識元素在同一個專利中出現(xiàn)，代表了一種組合，在網(wǎng)絡(luò)中將代表這兩個元素的節(jié)點(diǎn)相連?；谏鲜鋈齻€指標(biāo)，本研究通過聚類的方法來發(fā)現(xiàn)領(lǐng)域內(nèi)的重要知識元素。這類知識元素具有三個特點(diǎn)：一是出現(xiàn)的時間離觀測點(diǎn)較近，具有一定的時效性，代表了新近的應(yīng)用方向；二是出現(xiàn)頻率高，代表了領(lǐng)域內(nèi)的熱門技術(shù)應(yīng)用；三是與較多的知識元素進(jìn)行過組合，具有較強(qiáng)的組合能力。對具有這三個特征的知識元素進(jìn)行研究和應(yīng)用，在一定程度上代表了未來領(lǐng)域內(nèi)技術(shù)的發(fā)展趨勢[12]。因此，本文把這類知識元素稱為領(lǐng)域內(nèi)的趨勢性知識元素。

在識別出趨勢性知識元素后，本研究需要對這些知識元素未來的組合機(jī)會進(jìn)行預(yù)測。為得出知識元素間進(jìn)行組合的特征和規(guī)律，使用SAO模型來分析知識網(wǎng)絡(luò)的演化。本研究以2013—2015年每年都出現(xiàn)的知識元素為對象，以一年作為一個觀測期，共三期，相應(yīng)地構(gòu)建三個知識網(wǎng)絡(luò)，用于SAO模型的分析。SAO模型的參數(shù)估計(jì)和模型檢驗(yàn)使用R語言中的RSiena程序包編寫代碼，采用馬爾科夫鏈-蒙特卡洛估計(jì)法（MCMC）來進(jìn)行研究。表2中列出了影響知識元素間進(jìn)行組合的常見效應(yīng)及其參數(shù)估計(jì)的情況。

表2 SAO模型檢驗(yàn)

從表2可以看出，模型的總體最大收斂率（over‐all maximum convergence ratio）為0.0623，小 于0.25，這說明模型整體收斂度較好，各種效應(yīng)檢驗(yàn)可靠。Rate parameter period 1表示從第一個觀測期（2013年）到第二個觀測期（2014年）之間知識網(wǎng)絡(luò)中節(jié)點(diǎn)的連邊改變的平均程度；Rate parameter period 2表示從第二個觀測期（2014年）到第三個觀測期（2015年）之間知識網(wǎng)絡(luò)中的連接改變的平均程度。degree(density)的系數(shù)為負(fù)，說明所構(gòu)建的網(wǎng)絡(luò)密度較低。transitive triads的系數(shù)為正且效應(yīng)顯著，表明知識網(wǎng)絡(luò)在演化過程中存在明顯的傳遞性效應(yīng)，即具有共同鄰近節(jié)點(diǎn)的知識元素間有建立連接的趨勢。degree act+pop效應(yīng)反映的是程度中心度高的節(jié)點(diǎn)在網(wǎng)絡(luò)演化過程中建立更多連接的趨勢，該效應(yīng)的系數(shù)為正且顯著，說明知識網(wǎng)絡(luò)中程度中心度高的知識元素在網(wǎng)絡(luò)演化過程中能夠與更多的知識元素進(jìn)行組合。

因此，一個知識元素的中心度、與焦點(diǎn)知識元素的共同好友數(shù)可以作為判斷這個知識元素與焦點(diǎn)知識元素進(jìn)行組合的可能性的指標(biāo)。這兩個變量及其交互作用能在一定程度上反映兩個知識元素間的組合趨勢。此外，兩個知識元素在知識網(wǎng)絡(luò)中的距離也會在一定程度上影響兩者進(jìn)行組合的可能性[32]?；谏鲜龇治?，本文提出組合值的概念，用來衡量知識元素間的新組合機(jī)會，焦點(diǎn)知識元素i與知識元素j的組合值用如下公式計(jì)算：

其中，degreej表示知識元素j在知識網(wǎng)絡(luò)中的程度中心度，即網(wǎng)絡(luò)中與j直接相連的節(jié)點(diǎn)數(shù)；mfij表示知識元素i和j在網(wǎng)絡(luò)中的共同鄰居節(jié)點(diǎn)數(shù)；distan‐ceij表示知識元素i與j在知識網(wǎng)絡(luò)中的距離。兩個知識元素的組合值越大，意味著兩者間進(jìn)行組合的可能性越大。

4 數(shù)據(jù)分析

本研究將檢索到的專利數(shù)據(jù)分為兩段：2013—2015年為一個時間段，2016—2018年為另一個時間段。基于2013—2015年的數(shù)據(jù)，利用本研究提出的方法來識別趨勢性知識元素，并預(yù)測趨勢性知識元素可能出現(xiàn)的新組合，即新的技術(shù)機(jī)會，然后利用2016—2018年的專利數(shù)據(jù)來檢驗(yàn)預(yù)測的準(zhǔn)確性。

4.1 知識網(wǎng)絡(luò)構(gòu)建

由于第3.2節(jié)中的公式(3)包含了知識元素在知識網(wǎng)絡(luò)中的中心度，本研究根據(jù)2013—2015年間的所有知識元素在專利中的共現(xiàn)情況構(gòu)建一個整體知識網(wǎng)絡(luò)，如圖1所示。圖1中各節(jié)點(diǎn)旁邊的代碼為IPC分類號，代表知識元素的名稱，整個網(wǎng)絡(luò)中有696個節(jié)點(diǎn)。

4.2 趨勢性知識元素識別

圖1 知識網(wǎng)絡(luò)

為識別出人工智能領(lǐng)域的趨勢性知識元素，本文采用K均值聚類的方法，基于RFM模型的3個指標(biāo)，將696個知識元素劃分到不同類別。由于指標(biāo)數(shù)為3，理論上最多可以把知識元素分為8類。本研究首先采用輪廓系數(shù)來確定最合適的類數(shù)[2]。圖2顯示了不同聚類數(shù)對應(yīng)的輪廓系數(shù)。

圖2 輪廓系數(shù)

從圖2可以看出，聚類數(shù)為4時，輪廓系數(shù)最大，故本文把知識元素聚為4類。由于部分聚類指標(biāo)有較大的方差，在聚類前先對各指標(biāo)數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理。聚類結(jié)果如圖3所示。

從圖3中可以看出，696個知識元素被劃分為了4類，知識元素?cái)?shù)量分別為439、53、200、4。各類的聚類指標(biāo)均值如表3所示。

圖3 聚類結(jié)果

表3 聚類指標(biāo)均值

從表3可以看出，第4類的4個知識元素平均出現(xiàn)時間短、頻率高、組合能力強(qiáng)，故本研究認(rèn)為這4個知識元素是人工智能領(lǐng)域的趨勢性知識元素，這4個知識元素的具體內(nèi)容如表4所示。

從表4可以看出，人工智能領(lǐng)域的趨勢性知識元素可以分成三類：電數(shù)字?jǐn)?shù)據(jù)的處理（包括處理方法和處理裝置）、圖像識別和語音識別?？梢哉J(rèn)為，這三類知識代表了人工智能領(lǐng)域的應(yīng)用趨勢。因此，本文需要對這三個具體方向的新技術(shù)機(jī)會進(jìn)行識別。

4.3 技術(shù)機(jī)會識別及驗(yàn)證

為分析表4中的4個趨勢性知識元素的新技術(shù)機(jī)會，本研究基于公式(3)，計(jì)算在2013—2015年未與這4個知識元素組合過的知識元素與其組合值，并將組合值最大的10個知識元素視為趨勢性知識元素潛在的新技術(shù)機(jī)會，具體結(jié)果如表5所示。

為了檢驗(yàn)上文提出的方法的有效性，本文統(tǒng)計(jì)了2016—2018年每個趨勢性知識元素與表5中的10個知識元素進(jìn)行組合的實(shí)際情況，結(jié)果如表6所示。

結(jié)合表5和表6可以看出，對于趨勢性知識元素G06F017來講，組合值最大的10個知識元素中有5個在2016—2018年間與之進(jìn)行了組合。例如，知識元素G01N021與G06F017之間的組合出現(xiàn)了3次，知識元素G07C009與G06F017之間的組合出現(xiàn)了1次。技術(shù)機(jī)會識別的準(zhǔn)確率為50%。類似地，對于趨勢性知識元素G06K009、G06F003和G10L015來講，技術(shù)機(jī)會識別的準(zhǔn)確率分別為90%、70%、60%?？傮w而言，本研究預(yù)測的40個新技術(shù)機(jī)會中有27個在2016—2018年間出現(xiàn)，總體預(yù)測精度為67.5%。因此，本研究提出的方法能夠以一定的準(zhǔn)確率識別出趨勢性知識元素新的技術(shù)機(jī)會。

表4 趨勢性知識元素及其描述

表5 趨勢性知識元素的新技術(shù)機(jī)會

表6 趨勢性知識元素新技術(shù)機(jī)會驗(yàn)證

從知識元素的具體內(nèi)容上看，人工智能技術(shù)的應(yīng)用范圍非常廣泛，包括：醫(yī)學(xué)診斷（A61B003）、立體電視系統(tǒng)（H04N013）、光學(xué)計(jì)量（G01B011）、支付系統(tǒng)（G06Q020），等等。這在一定程度上增加了研發(fā)人員確定研發(fā)對象的難度，而本文提出的方法能夠在研發(fā)方向上給予研發(fā)人員一定指引和啟發(fā)。

4.4 穩(wěn)健性檢驗(yàn)

為檢驗(yàn)上文所提出的方法的穩(wěn)健性，本研究從德溫特?cái)?shù)據(jù)庫檢索了3D打印領(lǐng)域2014—2018年間的17272條專利數(shù)據(jù)進(jìn)行分析。3D打印于2013年左右興起，涉及材料、信息、電子、機(jī)械等多個技術(shù)領(lǐng)域，具有多學(xué)科、多領(lǐng)域交叉融合的特征，因此具有一定的代表性。基于2014—2016年的專利數(shù)據(jù)，本研究進(jìn)行趨勢性知識元素的識別和技術(shù)機(jī)會的預(yù)測，再用2017—2018年的數(shù)據(jù)進(jìn)行檢驗(yàn)。知識元素聚類結(jié)果如圖4所示。

圖4 3D打印領(lǐng)域知識元素聚類

表7 3D打印領(lǐng)域技術(shù)機(jī)會識別

從圖4可以看出，知識元素被聚為5類。其中，聚類5里的8個知識元素為3D打印領(lǐng)域的趨勢性知識元素。根據(jù)本研究提出的方法對這8個知識元素的組合機(jī)會進(jìn)行預(yù)測，結(jié)果如表7所示。從表7可以看出，本研究預(yù)測的80個技術(shù)機(jī)會中，有51個在2017—2018年出現(xiàn)，預(yù)測準(zhǔn)確率為63.75%。這再次證明了本研究所提出的方法能夠以一定的準(zhǔn)確率預(yù)測特定領(lǐng)域的技術(shù)機(jī)會。

5 結(jié)論

本文基于知識組合理論，以人工智能領(lǐng)域2013—2015年的專利數(shù)據(jù)為素材，首先，通過RFM模型的三個指標(biāo)對知識元素進(jìn)行聚類，進(jìn)而識別出領(lǐng)域內(nèi)的四個趨勢性知識元素。其次，使用SAO模型對知識網(wǎng)絡(luò)的演化過程進(jìn)行分析，發(fā)現(xiàn)了知識元素間進(jìn)行組合的規(guī)律，并基于此提出了評估知識元素間進(jìn)行組合的可能性的公式。最后，使用所提出的公式對四個趨勢性知識元素的新組合機(jī)會進(jìn)行預(yù)測，并使用2016—2018年間的專利數(shù)據(jù)驗(yàn)證了所提出的方法的有效性。同時，本研究也用3D打印領(lǐng)域的專利數(shù)據(jù)驗(yàn)證了所提出的方法的穩(wěn)健性。

本研究具有一定的理論和實(shí)踐意義。第一，本研究借鑒RFM模型中三個指標(biāo)的具體內(nèi)涵，提出了評價一個技術(shù)領(lǐng)域內(nèi)知識元素重要性的方法。該方法能夠識別出領(lǐng)域內(nèi)的趨勢性知識元素。第二，本研究使用SAO模型對知識網(wǎng)絡(luò)的動態(tài)演化過程進(jìn)行了分析，揭示了知識元素間進(jìn)行組合的軌跡和趨勢，發(fā)現(xiàn)與社會化網(wǎng)絡(luò)相似，知識網(wǎng)絡(luò)中也存在傳遞性效應(yīng)和中心度效應(yīng)。因此，本研究通過知識元素在知識網(wǎng)絡(luò)中的位置特征來發(fā)現(xiàn)新的技術(shù)機(jī)會。第三，本研究提出了一種識別技術(shù)機(jī)會的新方法，豐富了利用專利數(shù)據(jù)進(jìn)行技術(shù)機(jī)會發(fā)現(xiàn)的方法庫。專利數(shù)據(jù)是可以通過公開渠道獲得的數(shù)據(jù)。因此，本研究為研發(fā)組織發(fā)現(xiàn)技術(shù)機(jī)會和確定研發(fā)方向提供了一種可行的方案。

本研究也存在一定的局限性：首先，本研究以人工智能和3D打印領(lǐng)域的專利數(shù)據(jù)為對象進(jìn)行分析，但不同技術(shù)領(lǐng)域的知識可能有不同的特點(diǎn)，其知識元素組合的方式也可能有所區(qū)別。因此，未來的研究可以對更多技術(shù)領(lǐng)域的專利進(jìn)行分析，以進(jìn)一步檢驗(yàn)本研究所提出的方法的可靠性。其次，本研究所提出的方法預(yù)測技術(shù)機(jī)會的準(zhǔn)確率在60%～70%，還有進(jìn)一步提升的空間。本研究使用的知識元素中心度、共同鄰近知識元素?cái)?shù)、知識元素距離等均是描述知識元素特征及知識元素間關(guān)系的直觀指標(biāo)，能夠?qū)蓚€知識元素間潛在的組合關(guān)系進(jìn)行基本地刻畫，但不能進(jìn)行全面地反映，解釋力還可以進(jìn)一步加強(qiáng)。

因此，未來的研究可以對本研究提出的公式進(jìn)行優(yōu)化。例如，在知識元素的網(wǎng)絡(luò)位置特征方面，除了直接反映組合能力的程度中心度外，可以嘗試反映中介性的中介中心度、反映連接緊密性的緊密中心度、反映網(wǎng)絡(luò)冗余性的結(jié)構(gòu)洞等變量。共同鄰近節(jié)點(diǎn)數(shù)是節(jié)點(diǎn)相關(guān)性的一種體現(xiàn)，未來的研究也可思考出現(xiàn)時間等其他維度的相關(guān)性或相似性。