王雪原 孙美霞
(哈尔滨理工大学经济与管理学院 哈尔滨 150040)
数字化时代，行业及技术领域固有边界日益混沌、模糊与液态化，携带异构知识碎片的专利可轻松实现跨膜链接，促使现代专利网络正朝着“网中网”、“群中群”等超级专利网络模式演化。科学、有效识别超级网络子群落，为共性子群落提供管理策略，成为当前研究重点。传统研究通常依托超级专利网络整体开展专利布局设计，忽视了不同群落网络发展的非平衡性与异质性特征，影响策略精准性与适用性。尽管有研究依据节点缔结关系、所属技术领域等进行一次性专利群落划分，探索不同子群落专利特征或未来发展态势，由于识别的子群落数量众多，难以针对不同专利子群落设计具体管理策略。另外，现有研究未能结合专利网络文本特征、网络静态与动态发展特征等，提出更具契合性、科学性与指导性的技术发展目标、方式等布局策略，影响现有研究成果的实践应用价值。
鉴于此，本文基于“专利缔结关系—种群网络特征”整体景观，设计双层嵌套聚类方法甄别专利群落；
利用文本挖掘技术，客观确定各群落内技术领域构成，并依据群落多网络特征集合，提出专利群落技术领域发展目标与方式布局策略等，形成具有针对性与系统性策略体系。
1.1 专利群落确定
1.1.1专利群落划分依据
基于权变思想，不同群落应采取不同技术布局策略，群落的科学划分是有效布局技术创新的前提与基础[1]。传统的一次性专利网络子群落划分中，通常单独依据节点缔结关系划分网络子群，或对主题关键词、所属技术领域(IPC)等进行群落划分[2]，缺乏有效的划分依据。构型理论认为网络构型特征是决定网络行为的依据，网络构型特征与布局策略适配，才能够确保网络实现高质量技术创新。因此，基于种群网络构型特征识别专利群落更具合理性与依据性。
借鉴学者提出以架构、流程、功能作为构型维度划分平台的逻辑，可将网络结构、关系、表型作为甄别同构型专利种群、搭建专利群落的构型维度框架。具体而言，网络结构体现网络节点位置与分布、网络关系体现节点联结状态、网络表型体现网络整体属性，三维度能更综合、全面刻画网络特征。华连连等以网络规模、节点关系与多元融合性等作为各构型维度下的网络特征，以识别不同网络特征安排下的集群式创新供应链网络，并可通过甄别出具备高发展潜力的集群式创新网络，为低潜力创新网络发展布局提供参照指导[3]。然而，现存的专利群落划分指标侧重单个时间节点的网络结构、关系、表型等构型维度下特征的测度，忽视专利网络种群动态演化特征，无法全面有效阐释专利种群网络特征。如何从三个构型维度，融合静态视角与动态视角，全面、系统刻度网络特征仍需进一步探索，以提升网络特征认知科学性。
1.1.2专利群落划分法——双层嵌套聚类法
鲜有研究系统构建双层嵌套聚类体系，即基于专利缔结关系实现首层聚类确定专利种群后，依据种群特征开展二层聚类确定专利群落。
a.首层聚类——专利种群识别方法。专利种群识别是合理搭建专利群落的基础，学者通常基于专利引文或专利分类开展单一维度聚类，无法综合考虑多个维度，实现种群有效聚类划分。且当专利数据量较大时，关系方阵异常复杂，无法有效反映单个专利节点的归属，影响专利种群划分的客观性与有效性。针对目前主流聚类方法存在的问题，国外学者利用IRM并行聚类模型，试图直接在节点-属性二进制矩阵中实现节点与属性的并行聚类，以构建节点集合与属性类别的内在关联，Wang等就将“用户-满意度”矩阵进行横纵并行聚类，交集区块为能够产生特定满意度类别的用户集合[4]。然而，国内学者未能将IRM灵活应用于社会网络分析，以弥合现阶段研究差距。IRM模型可通过直接定义模型复杂度水平，即自适应参数，以自动适应大型网络复杂性特征。以往的无限关系模型，多聚焦于节点属性数据，而IRM模型能够自动处理任意二进制关系集合，且每个关系集合可接受多个参数，以获取最佳聚类数量。IRM模型还可将大量节点交互的复杂网络，简化为少量组间交互，适用于压缩大型复杂网络。综上，本文选择IRM模型对专利节点与专利分类代码开展并行聚类，以精准识别异质专利种群，实现对超级网络的首层聚类。
b.二层聚类——专利群落确定方法。朱梦菲等将创新网络特征指标赋予合理权重，综合形成创新策源能力，并利用SOM聚类算法对各省市创新网络策源能力评价结果进行聚类，划分为高、中、低三类区域集合[5]。囿于单一评价维度存在较大片面性，学者将研究转向二维、四象限聚类方式，如建立知识引力与创造潜力网络特征二维测度指标，据此划分四象限实现创新网络二层聚类[6]；
杨青等基于中心度、结构洞等指标，综合形成网络基础性与广泛性两个特征维度，据此划分四象限组合，甄别“高-高”象限下具备共性技术的创新网络群落[7]。二维、四象限仍存在特征维度与群落数量固定的弊端，且未能具体体现网络特征指标在群落划分时的门槛价值。因此，综合多网络特征开展灵活聚类，并筛选出不同网络特征下的代表性种群集合体，成为客观确定群落特征集、科学搭建专利群落的重要方式。鉴于DSM聚类对样本量不做具体限制，且基于DSM的聚类结果能有效反映类内指标间的强依赖耦合关系[8]，因此采用DSM实现网络特征指标依赖性聚类，以刻画各专利群落的准入特征标准集合。
1.2 专利网络布局策略研究
传统专利布局策略研究主要集中于专利网络演进热点、机会空白与融合组合分析等，形成行业技术领域方向布局策略。Wu等通过量化识别专利网络核心专利交替演变路径，提出主导技术快速布局策略[9]。Smojver等采用链式预测，识别核心专利技术后，探测与之互补的异领域强链接技术组合，从而聚焦异质技术融合，设计技术跨界布局战略[10]。这些成果仅局限于技术发展领域与方向布局，忽视技术发展目标与方式等布局内容研究。
虽有学者尝试基于专利网络特征，确定符合网络特征要求的专利布局策略，但大多研究从网络整体视角提出统一布局策略，忽视超级网络内部发展非均衡性，致使切入点粒度过粗，无法提供精准布局策略。为进一步提升布局策略的精准性，少量学者尝试将专利网络细分为多个子群落，制定差异性技术布局策略，如Lai等将专利网络分割为四部分，分别以核心、边缘、利基、基础为特征，提出其具体建设策略[11]。这些研究仅考虑群落单一特征，且群落内具体技术领域构成不明确，影响布局策略全面性与系统性。
针对现有研究不足，本文提出基于双层嵌套聚类的专利群落搭建与布局策略研究框架。首先，确定检索策略，并基于德温特数据库实现数据采集，形成研究样本集；
其次，基于IRM模型确定专利种群，实现首层聚类；
再次，测度专利种群网络特征值，并利用DSM实现网络特征指标聚类，将网络特征作为专利群落准入标准，实现专利群落二层聚类；
最后，结合TF-IDF与LDA提取主题词，明晰各专利群落主要技术领域，依据各群落特征集合，提出专利网络布局策略体系(如图1所示)。
2.1 专利种群划分
IRM模型根植于区块模型[12]，通过参与者-行为特点双向聚类，获得社会结构景观图；
随后通过逐渐完善区块模型的可并行性与可拓展性，进一步发展为IRM模型。IRM的基础模型算法为贝叶斯概率模型，核心思想为将数据和模型参数均视为概率分布。
2.2 专利种群特征维度的确定
以网络结构、关系及表型三维为切入点，从内到外持续变焦，以全面客观刻画专利种群的内置结构、互动关系以及整体表象特征。聚焦网络特征三维度，并借鉴以往学者研究成果，基于代表性与独立性原则开展静态、动态特征指标遴选。静态网络特征指标已具备广泛研究基础，结合前期研究本文最终确定结构特征—势差特征与传递特征(体现知识体系位势与集聚结构)、关系特征—离群特征与小世界特征(体现知识联结与传播关系)、表型关系—新颖特征与融合特征(体现知识原创与跨度特性)，作为专利种群网络静态特征代表性指标。
囿于系统的专利网络动态特征指标体系尚未形成，本文基于网络特征三维度，提出与其适配的动态特征指标。结构层面的致密特征，体现随时间推移与网络节点增加，专利节点间距缩短、网络内部空隙减少，致使网络密度呈现增长趋势，网络透视图呈现随时间推进愈发密集态势[13]。关系层面的收敛特征，反映外部节点持续进入、边缘节点与中心节点联系逐渐增强，以牵引边缘节点向中心区域聚拢的动态过程[14]。表型层面的趋势特征，主要衡量网络未来实现技术领先、市场占有的概率，在剖析网络过去动态演化轨迹基础上，外推其未来发展趋势特征[15]。由此，形成融合静态与动态视角的三维度网络特征指标，如表1所示。
2.3 专利种群网络特征的测度
表1 专利网络特征测度指标
2.4 专利种群网络特征指标聚类
3.1 数据来源与清洗
本文选择碳纤维技术领域作为实证研究对象，专利来源于德温特数据库(DII)。为准确识别与获取数据库中碳纤维专利，制定检索策略为TI=“carbon fiber*”或“carbon fibre*”，进行标题匹配检索时间跨度为2012—2021年的专利，删除重复项后，共获得54100条有效专利，构成碳纤维专利数据集。
采用专利共分类方法，以专利为节点，通过技术知识关联度链接专利节点，以构建专利种群网络。鉴于德温特分类代码(DC)采纳适用于所有技术的简单分类系统，并且可对特定技术领域进行细致刻画，提供技术及其应用领域的全方位图景。因此，本文选取DC分类号作为专利种群网络的共分类依据。
3.2 专利种群划分
筛选碳纤维专利数据集DC字段，确定独立DC代码共260个，以构建DC共分类专利种群网络，最终形成51400*260的0-1二进制碳纤维矩阵。基于IRM模型实现专利节点与DC代码并行聚类。将二进制碳纤维矩阵导入MATLAB代码包，为保证专利种群的最佳划分，算法运行10次，每次迭代1000次。最终划分为55个专利种群，62个上级分类代码集。
3.3 专利种群网络特征指标测算
将各专利种群0-1矩阵构造Jaccard相似方阵，导入Gephi和UCinet计算各参数。
首先，将专利种群相似方阵导入UCinet，实现对应文件格式转化，通过工具栏计算各种群势差特征(中心势)、传递特征(传递性)及网络密度等，并参照致密特征计算公式确定各种群动态致密特征。
其次，将各种群相似方阵导入Gephi，选择FruchtermanReingold进行重新布局，通过Gephi右侧工具栏计算聚类系数和平均最短路径以测算小世界特征。当网络趋于稳定，将边权重阈值设置为0.1进行剪枝，识别离群专利点，并参照相关公式计算离群特征。
再次，基于UCinet以单位时间为切片，计算各种群2012-2021各年核心/边缘结构值，绝大多数种群的核心/边缘结构值呈上升趋势，即边缘节点逐渐与中心节点建立联系，被同化为中心节点，呈现出明显的收敛特征。
最后，依据文中相关公式，计算新颖特征与融合特征。借鉴PageRank重要性程度算法，确定各年专利种群相对重要程度。将各年份0-1数据进行Jaccard相似性处理后，导入Gephi软件重新布局，计算各年份下专利节点Pagerank值，并将其作为冲积流图各节点的流值。确定好节点归属的种群后，将各年份文档转化为json格式，导入冲积流生成器，自动计算专利节点归属的各专利种群流域趋势值，确定种群趋势特征。
3.4 基于DSM的专利种群网络特征指标聚类与专利群落确定
基于Gephi、UCinet运行参数结果及文中公式，可获得专利种群网络特征指标值，数据校准后利用投影寻踪法测算各专利种群及网络特征指标权重，具体如表2所示。
表2 网络特征对专利种群影响度及其各自权重值
参照表2数据，利用依赖结构矩阵计算模型，可以获得专利种群特征指标间依赖程度，具体如表3所示。
表3 专利种群网络特征依赖结构矩阵
将表3网络特征依赖结构矩阵导入Matlab代码包，实现网络特征指标聚类，网络特征聚为融合突破(势差特征/小世界特征/融合特征)、迭代成长(收敛特征/趋势特性/新颖特征)、边缘搜索(致密特征/传递特征/离群特征)三类。
基于表2矩阵筛选出各网络特征下的代表性专利种群(阈值大于0.5)，并通过取交集方式，确定各类网络特征下代表性专利种群集合及具体专利，以确定专利群落构成，见表4。
表4 专利群落具体构成
3.5 各专利群落的技术布局策略
a.将各专利群落下专利标题作为文本语料库，利用python的jieba包对文本语料库进行分词，去除停用词、标点符号等处理，实现数据清洗。结合TF-IDF与LDA，提取各语料库关键词，设定主题数量为5、每个主题下含5个代表性关键词。经专家团队讨论商榷后，确定各主题名称，具体如表5所示。
b.技术布局策略设计。结合不同专利群落技术领域特征、专利网络静态与动态特征等，系统设计不同群落技术领域布局、发展目标与方式布局策略。
专利群落1—融合突破(势差特征/小世界特征/融合特征)。此专利群落主要涵盖碳纤维增强塑料制备技术、碳纤维酸处理技术、碳纤维提升纺织品性能技术、碳纤维应用于连接零部件及应用于电机五大技术领域。这些技术领域专利种群网络具备多知识层级的小世界特征，能够不断吸纳不同专利与外部异质性知识，并呈现良好的跨领域专利知识融合态势。未来，应注重专利种群新进入异质性专利的知识建设与培育，通过加强种群内不同层级专利技术知识频繁衔接与互动，实现不同层级知识、资源有效融合，降低知识扩散壁垒，以实现广泛技术领域知识共享；
从而在多元技术共生融合基础上，逐渐突破壮大，获取长足发展优势。可见，该群落的发展重点在于不同层级专利知识与技术整合、相关技术扩散与渗透整合、跨领域异质知识与技术整合，从而形成技术融合突破。
专利群落2—迭代成长(收敛特征/趋势特性/新颖特征)。此专利群落主要包含碳纤维表面处理技术、碳纤维复合树脂材料制备技术、复合碳纤维织物技术、碳纤维应用于医疗器械以及应用于加热电缆五大技术领域。上述技术领域所形成的专利群落网络收敛特征明显，即大量边缘专利进入种群网络，并逐渐与核心技术构建链接，最终演变为核心专利，致使专利种群网络内大量专利进化为领先技术与市场主流技术，为构建可持续竞争优势、培育专利种群网络新颖性技术奠定基础。因此，该群落应当加强技术专业化研发，在五大技术领域不断深耕，开展前瞻性技术突破的同时，形成完善的技术梯级储备，以实现领域技术的持续引领。这些群落对新技术开发提出更高原创性要求，应当通过优化与完善外围技术，促使新一代技术不断成熟；
并通过不同代际的技术优化，促使领域技术连续更迭、持续创新，并始终处于行业领先地位。
表5 各专利群落技术领域特征关键词
专利群落3—边缘搜索(致密特征/传递特征/离群特征)。此专利群落代表性技术领域为碳纤维陶瓷制备技术、碳纤维耦合剂制备技术、聚氨酯碳纤维制备技术、碳纤维应用于汽车领域以及应用于过滤器五大技术领域。上述技术领域专利群落内，相近专利优先依附形成多个封闭的三方组结构，这些紧密连接结构持续缩短了专利技术与知识交互距离，引致相关专利不断汇集、网络密度逐渐增大。然而，由于同组知识元素重组潜力减弱，难以从中攫取高利用价值，同时高度重叠的知识会助长创新惰性造成路径锁定，因此为获取进一步创新发展空间，应转向对外围松散地带离群专利的高效搜索。通过搜索网络边缘弱链接的专利节点或探索互补异领域的离群专利，识别新的适应性机会。可见，这些群落技术重叠与冗余增多，需要从外围离群专利中挖掘与发现技术利基、深挖细分市场、识别颠覆机会并开辟全新市场，从而形成颠覆性创新突破。
科学划分“群中群”嵌套结构的专利群落，成为差异化、精准化制定行业技术发展布局策略体系的关键，研究为专利群落划分与确定提供了有效方法支持，为技术布局策略制定提供全新视角。首先，本文将生物种群与生物群落概念映射于专利网络，明确专利群落的准入特征标准，为专利网络分析提供了新视角、新思路；
其次，基于IRM模型，合理划分专利种群，提升异质专利种群划分的准确性与科学性；
立足于网络结构、网络关系以及网络表型三层面，从动静综合视角，设计专利种群网络特征测度指标，丰富专利网络特征认知；
再次，基于DSM实现网络特征指标聚类，以量化确定各专利群落下专利种群的准入特征标准，最终确定融合突破、迭代成长与边缘搜索三大专利群落，为专利群落划分提供参考；
最后，结合TF-IDF与LDA，准确识别各专利群落下技术领域主题，并基于各专利群落特征，有针对性地给出不同群落的技术领域未来发展目标与方式布局策略。
然而，本文也存在一定局限性，结合TF-IDF与LDA方法，虽能准确识别主题领域及其关键词，但在主题与关键词设置数量上存在主观判断，未来可进行模型优化，实现主题、关键词数量的客观智慧化确定。另外，本文未开展不同方法下的结果比较研究，未来可通过稳健性或差异性分析，进一步体现论文方法合理性与有效性。
猜你喜欢碳纤维布局群落大学生牙龈炎龈上菌斑的微生物群落昆明医科大学学报(2022年2期)2022-03-29合成微生物群落在发酵食品中的应用研究食品安全导刊(2021年20期)2021-08-30一种碳纤维加固用浸渍胶的研究上海建材(2019年4期)2019-05-21HP-RTM碳纤维复合材料中通道加强板研究纤维复合材料(2018年4期)2018-04-28中间相沥青基碳纤维及其在飞机上的应用纤维复合材料(2018年3期)2018-04-25BP的可再生能源布局能源(2017年5期)2017-07-06VR布局中国科技信息(2016年15期)2016-11-04碳纤维增强PBT／ABS—g—MAH复合材料的力学性能和流变行为中国塑料(2016年6期)2016-06-272015 我们这样布局在探索中寻找突破中国卫生(2015年2期)2015-11-12春季和夏季巢湖浮游生物群落组成及其动态分析水生生物学报(2015年1期)2015-02-28