雙層嵌套聚類下的專利群落確定及技術布局策略研究*

王雪原 孫美霞

(哈爾濱理工大學經濟與管理學院 哈爾濱 150040)

0 引 言

數字化時代，行業(yè)及技術領域固有邊界日益混沌、模糊與液態(tài)化，攜帶異構知識碎片的專利可輕松實現跨膜鏈接，促使現代專利網絡正朝著“網中網”、“群中群”等超級專利網絡模式演化?？茖W、有效識別超級網絡子群落，為共性子群落提供管理策略，成為當前研究重點。傳統(tǒng)研究通常依托超級專利網絡整體開展專利布局設計，忽視了不同群落網絡發(fā)展的非平衡性與異質性特征，影響策略精準性與適用性。盡管有研究依據節(jié)點締結關系、所屬技術領域等進行一次性專利群落劃分，探索不同子群落專利特征或未來發(fā)展態(tài)勢，由于識別的子群落數量眾多，難以針對不同專利子群落設計具體管理策略。另外，現有研究未能結合專利網絡文本特征、網絡靜態(tài)與動態(tài)發(fā)展特征等，提出更具契合性、科學性與指導性的技術發(fā)展目標、方式等布局策略，影響現有研究成果的實踐應用價值。

鑒于此，本文基于“專利締結關系—種群網絡特征”整體景觀，設計雙層嵌套聚類方法甄別專利群落；利用文本挖掘技術，客觀確定各群落內技術領域構成，并依據群落多網絡特征集合，提出專利群落技術領域發(fā)展目標與方式布局策略等，形成具有針對性與系統(tǒng)性策略體系。

1 理論基礎

1.1 專利群落確定

1.1.1專利群落劃分依據

基于權變思想，不同群落應采取不同技術布局策略，群落的科學劃分是有效布局技術創(chuàng)新的前提與基礎[1]。傳統(tǒng)的一次性專利網絡子群落劃分中，通常單獨依據節(jié)點締結關系劃分網絡子群，或對主題關鍵詞、所屬技術領域(IPC)等進行群落劃分[2]，缺乏有效的劃分依據。構型理論認為網絡構型特征是決定網絡行為的依據，網絡構型特征與布局策略適配，才能夠確保網絡實現高質量技術創(chuàng)新。因此，基于種群網絡構型特征識別專利群落更具合理性與依據性。

借鑒學者提出以架構、流程、功能作為構型維度劃分平臺的邏輯，可將網絡結構、關系、表型作為甄別同構型專利種群、搭建專利群落的構型維度框架。具體而言，網絡結構體現網絡節(jié)點位置與分布、網絡關系體現節(jié)點聯(lián)結狀態(tài)、網絡表型體現網絡整體屬性，三維度能更綜合、全面刻畫網絡特征。華連連等以網絡規(guī)模、節(jié)點關系與多元融合性等作為各構型維度下的網絡特征，以識別不同網絡特征安排下的集群式創(chuàng)新供應鏈網絡，并可通過甄別出具備高發(fā)展?jié)摿Φ募菏絼?chuàng)新網絡，為低潛力創(chuàng)新網絡發(fā)展布局提供參照指導[3]。然而，現存的專利群落劃分指標側重單個時間節(jié)點的網絡結構、關系、表型等構型維度下特征的測度，忽視專利網絡種群動態(tài)演化特征，無法全面有效闡釋專利種群網絡特征。如何從三個構型維度，融合靜態(tài)視角與動態(tài)視角，全面、系統(tǒng)刻度網絡特征仍需進一步探索，以提升網絡特征認知科學性。

1.1.2專利群落劃分法——雙層嵌套聚類法

鮮有研究系統(tǒng)構建雙層嵌套聚類體系，即基于專利締結關系實現首層聚類確定專利種群后，依據種群特征開展二層聚類確定專利群落。

a.首層聚類——專利種群識別方法。專利種群識別是合理搭建專利群落的基礎，學者通?；趯＠幕驅＠诸愰_展單一維度聚類，無法綜合考慮多個維度，實現種群有效聚類劃分。且當專利數據量較大時，關系方陣異常復雜，無法有效反映單個專利節(jié)點的歸屬，影響專利種群劃分的客觀性與有效性。針對目前主流聚類方法存在的問題，國外學者利用IRM并行聚類模型，試圖直接在節(jié)點-屬性二進制矩陣中實現節(jié)點與屬性的并行聚類，以構建節(jié)點集合與屬性類別的內在關聯(lián)，Wang等就將“用戶-滿意度”矩陣進行橫縱并行聚類，交集區(qū)塊為能夠產生特定滿意度類別的用戶集合[4]。然而，國內學者未能將IRM靈活應用于社會網絡分析，以彌合現階段研究差距。IRM模型可通過直接定義模型復雜度水平，即自適應參數，以自動適應大型網絡復雜性特征。以往的無限關系模型，多聚焦于節(jié)點屬性數據，而IRM模型能夠自動處理任意二進制關系集合，且每個關系集合可接受多個參數，以獲取最佳聚類數量。IRM模型還可將大量節(jié)點交互的復雜網絡，簡化為少量組間交互，適用于壓縮大型復雜網絡。綜上，本文選擇IRM模型對專利節(jié)點與專利分類代碼開展并行聚類，以精準識別異質專利種群，實現對超級網絡的首層聚類。

b.二層聚類——專利群落確定方法。朱夢菲等將創(chuàng)新網絡特征指標賦予合理權重，綜合形成創(chuàng)新策源能力，并利用SOM聚類算法對各省市創(chuàng)新網絡策源能力評價結果進行聚類，劃分為高、中、低三類區(qū)域集合[5]。囿于單一評價維度存在較大片面性，學者將研究轉向二維、四象限聚類方式，如建立知識引力與創(chuàng)造潛力網絡特征二維測度指標，據此劃分四象限實現創(chuàng)新網絡二層聚類[6]；楊青等基于中心度、結構洞等指標，綜合形成網絡基礎性與廣泛性兩個特征維度，據此劃分四象限組合，甄別“高-高”象限下具備共性技術的創(chuàng)新網絡群落[7]。二維、四象限仍存在特征維度與群落數量固定的弊端，且未能具體體現網絡特征指標在群落劃分時的門檻價值。因此，綜合多網絡特征開展靈活聚類，并篩選出不同網絡特征下的代表性種群集合體，成為客觀確定群落特征集、科學搭建專利群落的重要方式。鑒于DSM聚類對樣本量不做具體限制，且基于DSM的聚類結果能有效反映類內指標間的強依賴耦合關系[8]，因此采用DSM實現網絡特征指標依賴性聚類，以刻畫各專利群落的準入特征標準集合。

1.2 專利網絡布局策略研究

傳統(tǒng)專利布局策略研究主要集中于專利網絡演進熱點、機會空白與融合組合分析等，形成行業(yè)技術領域方向布局策略。Wu等通過量化識別專利網絡核心專利交替演變路徑，提出主導技術快速布局策略[9]。Smojver等采用鏈式預測，識別核心專利技術后，探測與之互補的異領域強鏈接技術組合，從而聚焦異質技術融合，設計技術跨界布局戰(zhàn)略[10]。這些成果僅局限于技術發(fā)展領域與方向布局，忽視技術發(fā)展目標與方式等布局內容研究。

雖有學者嘗試基于專利網絡特征，確定符合網絡特征要求的專利布局策略，但大多研究從網絡整體視角提出統(tǒng)一布局策略，忽視超級網絡內部發(fā)展非均衡性，致使切入點粒度過粗，無法提供精準布局策略。為進一步提升布局策略的精準性，少量學者嘗試將專利網絡細分為多個子群落，制定差異性技術布局策略，如Lai等將專利網絡分割為四部分，分別以核心、邊緣、利基、基礎為特征，提出其具體建設策略[11]。這些研究僅考慮群落單一特征，且群落內具體技術領域構成不明確，影響布局策略全面性與系統(tǒng)性。

2 研究設計

針對現有研究不足，本文提出基于雙層嵌套聚類的專利群落搭建與布局策略研究框架。首先，確定檢索策略，并基于德溫特數據庫實現數據采集，形成研究樣本集；其次，基于IRM模型確定專利種群，實現首層聚類；再次，測度專利種群網絡特征值，并利用DSM實現網絡特征指標聚類，將網絡特征作為專利群落準入標準，實現專利群落二層聚類；最后，結合TF-IDF與LDA提取主題詞，明晰各專利群落主要技術領域，依據各群落特征集合，提出專利網絡布局策略體系(如圖1所示)。

2.1 專利種群劃分

IRM模型根植于區(qū)塊模型[12]，通過參與者-行為特點雙向聚類，獲得社會結構景觀圖；隨后通過逐漸完善區(qū)塊模型的可并行性與可拓展性，進一步發(fā)展為IRM模型。IRM的基礎模型算法為貝葉斯概率模型，核心思想為將數據和模型參數均視為概率分布。

2.2 專利種群特征維度的確定

以網絡結構、關系及表型三維為切入點，從內到外持續(xù)變焦，以全面客觀刻畫專利種群的內置結構、互動關系以及整體表象特征。聚焦網絡特征三維度，并借鑒以往學者研究成果，基于代表性與獨立性原則開展靜態(tài)、動態(tài)特征指標遴選。靜態(tài)網絡特征指標已具備廣泛研究基礎，結合前期研究本文最終確定結構特征—勢差特征與傳遞特征(體現知識體系位勢與集聚結構)、關系特征—離群特征與小世界特征(體現知識聯(lián)結與傳播關系)、表型關系—新穎特征與融合特征(體現知識原創(chuàng)與跨度特性)，作為專利種群網絡靜態(tài)特征代表性指標。

囿于系統(tǒng)的專利網絡動態(tài)特征指標體系尚未形成，本文基于網絡特征三維度，提出與其適配的動態(tài)特征指標。結構層面的致密特征，體現隨時間推移與網絡節(jié)點增加，專利節(jié)點間距縮短、網絡內部空隙減少，致使網絡密度呈現增長趨勢，網絡透視圖呈現隨時間推進愈發(fā)密集態(tài)勢[13]。關系層面的收斂特征，反映外部節(jié)點持續(xù)進入、邊緣節(jié)點與中心節(jié)點聯(lián)系逐漸增強，以牽引邊緣節(jié)點向中心區(qū)域聚攏的動態(tài)過程[14]。表型層面的趨勢特征，主要衡量網絡未來實現技術領先、市場占有的概率，在剖析網絡過去動態(tài)演化軌跡基礎上，外推其未來發(fā)展趨勢特征[15]。由此，形成融合靜態(tài)與動態(tài)視角的三維度網絡特征指標，如表1所示。

2.3 專利種群網絡特征的測度

表1 專利網絡特征測度指標

2.4 專利種群網絡特征指標聚類

3 實證分析

3.1 數據來源與清洗

本文選擇碳纖維技術領域作為實證研究對象，專利來源于德溫特數據庫(DII)。為準確識別與獲取數據庫中碳纖維專利，制定檢索策略為TI=“carbon fiber*”或“carbon fibre*”，進行標題匹配檢索時間跨度為2012—2021年的專利，刪除重復項后，共獲得54100條有效專利，構成碳纖維專利數據集。

采用專利共分類方法，以專利為節(jié)點，通過技術知識關聯(lián)度鏈接專利節(jié)點，以構建專利種群網絡。鑒于德溫特分類代碼(DC)采納適用于所有技術的簡單分類系統(tǒng)，并且可對特定技術領域進行細致刻畫，提供技術及其應用領域的全方位圖景。因此，本文選取DC分類號作為專利種群網絡的共分類依據。

3.2 專利種群劃分

篩選碳纖維專利數據集DC字段，確定獨立DC代碼共260個，以構建DC共分類專利種群網絡，最終形成51400*260的0-1二進制碳纖維矩陣。基于IRM模型實現專利節(jié)點與DC代碼并行聚類。將二進制碳纖維矩陣導入MATLAB代碼包，為保證專利種群的最佳劃分，算法運行10次，每次迭代1000次。最終劃分為55個專利種群，62個上級分類代碼集。

3.3 專利種群網絡特征指標測算

將各專利種群0-1矩陣構造Jaccard相似方陣，導入Gephi和UCinet計算各參數。

首先，將專利種群相似方陣導入UCinet，實現對應文件格式轉化，通過工具欄計算各種群勢差特征(中心勢)、傳遞特征(傳遞性)及網絡密度等，并參照致密特征計算公式確定各種群動態(tài)致密特征。

其次，將各種群相似方陣導入Gephi，選擇FruchtermanReingold進行重新布局，通過Gephi右側工具欄計算聚類系數和平均最短路徑以測算小世界特征。當網絡趨于穩(wěn)定，將邊權重閾值設置為0.1進行剪枝，識別離群專利點，并參照相關公式計算離群特征。

再次，基于UCinet以單位時間為切片，計算各種群2012-2021各年核心/邊緣結構值，絕大多數種群的核心/邊緣結構值呈上升趨勢，即邊緣節(jié)點逐漸與中心節(jié)點建立聯(lián)系，被同化為中心節(jié)點，呈現出明顯的收斂特征。

最后，依據文中相關公式，計算新穎特征與融合特征。借鑒PageRank重要性程度算法，確定各年專利種群相對重要程度。將各年份0-1數據進行Jaccard相似性處理后，導入Gephi軟件重新布局，計算各年份下專利節(jié)點Pagerank值，并將其作為沖積流圖各節(jié)點的流值。確定好節(jié)點歸屬的種群后，將各年份文檔轉化為json格式，導入沖積流生成器，自動計算專利節(jié)點歸屬的各專利種群流域趨勢值，確定種群趨勢特征。

3.4 基于DSM的專利種群網絡特征指標聚類與專利群落確定

基于Gephi、UCinet運行參數結果及文中公式，可獲得專利種群網絡特征指標值，數據校準后利用投影尋蹤法測算各專利種群及網絡特征指標權重，具體如表2所示。

表2 網絡特征對專利種群影響度及其各自權重值

參照表2數據，利用依賴結構矩陣計算模型，可以獲得專利種群特征指標間依賴程度，具體如表3所示。

表3 專利種群網絡特征依賴結構矩陣

將表3網絡特征依賴結構矩陣導入Matlab代碼包，實現網絡特征指標聚類，網絡特征聚為融合突破(勢差特征/小世界特征/融合特征)、迭代成長(收斂特征/趨勢特性/新穎特征)、邊緣搜索(致密特征/傳遞特征/離群特征)三類。

基于表2矩陣篩選出各網絡特征下的代表性專利種群(閾值大于0.5)，并通過取交集方式，確定各類網絡特征下代表性專利種群集合及具體專利，以確定專利群落構成，見表4。

表4 專利群落具體構成

3.5 各專利群落的技術布局策略

a.將各專利群落下專利標題作為文本語料庫，利用python的jieba包對文本語料庫進行分詞，去除停用詞、標點符號等處理，實現數據清洗。結合TF-IDF與LDA，提取各語料庫關鍵詞，設定主題數量為5、每個主題下含5個代表性關鍵詞。經專家團隊討論商榷后，確定各主題名稱，具體如表5所示。

b.技術布局策略設計。結合不同專利群落技術領域特征、專利網絡靜態(tài)與動態(tài)特征等，系統(tǒng)設計不同群落技術領域布局、發(fā)展目標與方式布局策略。

專利群落1—融合突破(勢差特征/小世界特征/融合特征)。此專利群落主要涵蓋碳纖維增強塑料制備技術、碳纖維酸處理技術、碳纖維提升紡織品性能技術、碳纖維應用于連接零部件及應用于電機五大技術領域。這些技術領域專利種群網絡具備多知識層級的小世界特征，能夠不斷吸納不同專利與外部異質性知識，并呈現良好的跨領域專利知識融合態(tài)勢。未來，應注重專利種群新進入異質性專利的知識建設與培育，通過加強種群內不同層級專利技術知識頻繁銜接與互動，實現不同層級知識、資源有效融合，降低知識擴散壁壘，以實現廣泛技術領域知識共享；從而在多元技術共生融合基礎上，逐漸突破壯大，獲取長足發(fā)展優(yōu)勢?？梢?，該群落的發(fā)展重點在于不同層級專利知識與技術整合、相關技術擴散與滲透整合、跨領域異質知識與技術整合，從而形成技術融合突破。

專利群落2—迭代成長(收斂特征/趨勢特性/新穎特征)。此專利群落主要包含碳纖維表面處理技術、碳纖維復合樹脂材料制備技術、復合碳纖維織物技術、碳纖維應用于醫(yī)療器械以及應用于加熱電纜五大技術領域。上述技術領域所形成的專利群落網絡收斂特征明顯，即大量邊緣專利進入種群網絡，并逐漸與核心技術構建鏈接，最終演變?yōu)楹诵膶＠?，致使專利種群網絡內大量專利進化為領先技術與市場主流技術，為構建可持續(xù)競爭優(yōu)勢、培育專利種群網絡新穎性技術奠定基礎。因此，該群落應當加強技術專業(yè)化研發(fā)，在五大技術領域不斷深耕，開展前瞻性技術突破的同時，形成完善的技術梯級儲備，以實現領域技術的持續(xù)引領。這些群落對新技術開發(fā)提出更高原創(chuàng)性要求，應當通過優(yōu)化與完善外圍技術，促使新一代技術不斷成熟；并通過不同代際的技術優(yōu)化，促使領域技術連續(xù)更迭、持續(xù)創(chuàng)新，并始終處于行業(yè)領先地位。

表5 各專利群落技術領域特征關鍵詞

專利群落3—邊緣搜索(致密特征/傳遞特征/離群特征)。此專利群落代表性技術領域為碳纖維陶瓷制備技術、碳纖維耦合劑制備技術、聚氨酯碳纖維制備技術、碳纖維應用于汽車領域以及應用于過濾器五大技術領域。上述技術領域專利群落內，相近專利優(yōu)先依附形成多個封閉的三方組結構，這些緊密連接結構持續(xù)縮短了專利技術與知識交互距離，引致相關專利不斷匯集、網絡密度逐漸增大。然而，由于同組知識元素重組潛力減弱，難以從中攫取高利用價值，同時高度重疊的知識會助長創(chuàng)新惰性造成路徑鎖定，因此為獲取進一步創(chuàng)新發(fā)展空間，應轉向對外圍松散地帶離群專利的高效搜索。通過搜索網絡邊緣弱鏈接的專利節(jié)點或探索互補異領域的離群專利，識別新的適應性機會?？梢?，這些群落技術重疊與冗余增多，需要從外圍離群專利中挖掘與發(fā)現技術利基、深挖細分市場、識別顛覆機會并開辟全新市場，從而形成顛覆性創(chuàng)新突破。

4 結 論

科學劃分“群中群”嵌套結構的專利群落，成為差異化、精準化制定行業(yè)技術發(fā)展布局策略體系的關鍵，研究為專利群落劃分與確定提供了有效方法支持，為技術布局策略制定提供全新視角。首先，本文將生物種群與生物群落概念映射于專利網絡，明確專利群落的準入特征標準，為專利網絡分析提供了新視角、新思路；其次，基于IRM模型，合理劃分專利種群，提升異質專利種群劃分的準確性與科學性；立足于網絡結構、網絡關系以及網絡表型三層面，從動靜綜合視角，設計專利種群網絡特征測度指標，豐富專利網絡特征認知；再次，基于DSM實現網絡特征指標聚類，以量化確定各專利群落下專利種群的準入特征標準，最終確定融合突破、迭代成長與邊緣搜索三大專利群落，為專利群落劃分提供參考；最后，結合TF-IDF與LDA，準確識別各專利群落下技術領域主題，并基于各專利群落特征，有針對性地給出不同群落的技術領域未來發(fā)展目標與方式布局策略。

然而，本文也存在一定局限性，結合TF-IDF與LDA方法，雖能準確識別主題領域及其關鍵詞，但在主題與關鍵詞設置數量上存在主觀判斷，未來可進行模型優(yōu)化，實現主題、關鍵詞數量的客觀智慧化確定。另外，本文未開展不同方法下的結果比較研究，未來可通過穩(wěn)健性或差異性分析，進一步體現論文方法合理性與有效性。