1、第 33 卷 第 5 期2015 年 5 月科 学 学 研 究Studies in Science of ScienceVol33 No5May 2015文 章编号 : 1003 2053( 2015) 05 0654 11关于颠覆性技术识别框架的探索黄 鲁成 ， 成 雨 ， 吴菲菲 ， 苗 红 ， 李 欣( 北京工业大学经济与管理学院 ， 北 京 100124)摘 要 : 颠覆性技术遵循自下而上的性能轨道 ， 以新技术属性集为依据引入新竞争平台 ， 替代现有技术范式 ，改变企业技术竞争态势 。对其进行早期识别和探测 ， 将有利于企业及时调整技术创新战略 ， 规避风险 。现有的颠覆性技术识别研
2、究多采用主观方法 ， 而基于专利分析的客观分析方法尚未得到充分认识和应用 。为解决上述问题 ， 本文提出一个颠覆性技术的识别框架 ， 该框架以专利数据为依据 ， 以属性创新和改进的技术发展推动机制为基础 ， 借鉴物种入侵模型和集对分析方法 ， 通过计算新技术出现前后的属性集相似度 ， 来对颠覆性强度值进行测度 。最后 ， 以德温特专利数据库中的汽车锂电池技术专利为实例对模型的有效性进行验证 。关键词 : 颠覆性技术 ; 物种入侵模型 ; 集对分析 ; 识别中图分类号 : G3060 文献标识码 : A收 稿日期 : 2014 06 11; 修回日期 : 2014 12 03基金项目 : 国家社
3、会科学基金重大项目 ( 11ZD140)作者简介 : 黄鲁成 ( 1956 ) ， 男 ， 河 北徐水人 ， 教授 、博士生导师 ， 研究方向为科技管理研究 、技术与项目管理 、技术未来分析 。成 雨 ( 1990 ) ， 女 ， 浙 江杭州人 ， 博士研究生 ， 研究方向为技术创新管理 。通讯作者 ， E-mail: chengyu11 emails bjut edu cn。吴菲菲 ( 1962 ) ， 女 ， 北 京人 ， 教授 ， 研究方向为技术创新管理 。苗 红 ( 1977 ) ， 女 ， 吉 林白城人 ， 博士后 ， 副教授 ， 研究方向为科技管理 。李 欣 ( 1980 ) ，
4、男 ， 河 南新蔡人 ， 讲师 ， 博士后 ， 研究方向为新兴技术管理与科技政策 。颠 覆性技术既可以源于现有技术的融合 ， 也可以是在创新活动所产生的重大技术产品范式变革中形成的新技术 1。颠 覆性技术与企业的长期盈利和生存能力紧密相关 2， 因 此 ， 应在颠覆性技术对主流市场产生重大影响之前 ， 对其进行识别 ， 辅助企业制定相应的研发战略 3。历 史经验表明 ， 只有当颠覆性技术对现有技术体系产生破坏性影响后 ， 其重要性才被正视 。从技术路径的角度来说 ， 颠覆性技术会打破原有技术生命周期 ， 形成新的技术轨道 ，因此 ， 对于技术预测人员或技术路线图规划者来说 ，传统的技术预测方法
5、 ( 针对持续性技术 ) 不适用于颠覆性技术的识别 4， 应 提出与颠覆性技术特性相契合的识别方法 。1 研究回顾自 20 世纪 90 年代颠覆性技术的概念被提出以来 ， 潜在颠覆性技术的识别方法成为探讨的热点 ， 其实现途径可大致分为主观判断与客观推导两个方面 。主观判断的方法在颠覆性技术识别研究中占有很大比例 。首先 ， 技术路线图被视为有效的辅助工具 。Vojak 通过对历史案例的学习和提炼 ， 建立技术路线图 ， 辅助决策者识别颠覆性技术 5。但 正如Spinardi 所述 ， 传统的技术路线图更适用于可预测的持续性技术 6， 因 此 ， 针对颠覆性技术的特性 ， 学者们提出了第二代技
6、术路线图 ， 但该模型的采用前提在于被分析的技术在特定应用领域内具有潜在的颠覆性 4 7， 这就为颠覆性技术 的预测提出了难题 。近年来 ， 学者们将技术转变路径研究与主观性预测方法相结合 ， 形成了包括参与式路径规划 、归纳法等等 8 9在内的识别方案 。其 次 ， 基于专家意见的德尔菲法或 “水平扫描 ”调查方法 ， 也被认为能够捕捉包括持续性技术与颠覆性技术在内的技术或市场变化 10 11。Kostoff 采用文本处理 的方法 ， 结合专家意见 ， 识别具有潜在颠覆性的技术 12。最 后 ，从企业实践的角度来看 ， 出现了基于案例分析的样本外识别模型 13、技术颠覆性度量的评估 14方
7、案 、关注于技术采纳率的事前识别模型 15 16， 以 及以产品性能提升为核心的 TFDEA 模型等等 17。可 以DOI:10.16192/ki.1003-2053.2015.05.003第 5 期 黄鲁成 成 雨 吴菲菲 等 : 关于颠覆性技术识别框架的探索看 出 ， 主观判断的方法以技术应用和产品设计为主要研究对象 ， 而忽略了对技术本身的颠覆特性的探测 。从客观性研究方面来说 ， 专利数据已广泛运用于技术领域的预测研究 。对专利文本信息的挖掘 ，有利于企业尽早获悉潜在颠覆性技术 ， 掌握竞争对手的研发动态 ， 及时作出研发战略的调整 18。英 国知识产权局的专利信息团队通过分析包括微波
8、加热 、闪存 、纤维增强塑料和模拟数字转换等在内的颠覆性技术所涉及的初期专利数据 ， 开发出具有颠覆性技术预测功能的原型工具 ， 并采用持续性技术的初期专利作为训练集 ， 对该工具进行不断优化 。Buchanan 等人提出了基于专利分析的潜在颠覆性技术评估系统 ， 在技术生命周期的基础上 ， 以技术的水平扫描可视化 、大范围可专利化及加速增长的时间点进行确定 ， 进而对技术集中的持续性 /颠覆性技术进行划分 19。但上述研究存在对 处于技术生命周期初期的新兴技术探测力度不足 、未能从专利视角有效剖析颠覆性技术的竞争力来源等缺陷 。综上所述 ， 颠覆性技术的识别机制亟待融入企业技术战略制定的过程
9、中 ， 但其理论研究并未得到突破 。从识别的方法上看 ， 现有成果仍主要集中于主观评估 ， 基于专利数据的客观分析并未明确地运用于颠覆性技术的识别研究中 。因此 ， 鉴于上述分析 ， 本文以专利信息作为有效的数据来源 ， 提出以技术属性集创新为竞争力来源的思想 ， 建立颠覆性技术的识别框架 ， 并对框架进行验证 。其基本结构如下 : 首先 ， 阐述颠覆性技术的概念及特征 ， 将其与持续性技术的发展特性进行区分 ;其次 ， 分析颠覆性技术识别框架的理论基础 ， 提出改进的颠覆性技术发展路线图 、引入基于自组织神经网络 ( SOM) 的物种入侵模型及文本集对分析 ; 最后 ， 提出颠覆性技术的识别
10、模型 ， 并采用汽车锂电池技术的专利进行模型的验证 。2 颠覆性技术及其特征21 颠覆性技术“颠覆性技术 ”一词由 Christensen 首次提出 ， 他将能够替代现有技术 ， 对技术范式 、商业模式 、竞争态势等产生重大影响 ， 并能够将现有市场及消费者预期转向新的性能维度的技术 ， 称为颠覆性技术 。关于颠覆性技术的认识 ， 有三种基本观点 。首先是基于 “自下而上 ”理念的研究视角 ， 即颠覆性技术的出现遵循自下向上的轨迹 ， 初始阶段的技术性能和边际收益较低 ， 面向较低水平的市场和用户群 ，因此 ， 很难受到现有企业的重视 ， 但在其拓展市场的过程中 ， 其性能水平得到快速提升 ，
11、 逐渐进入主流市场 。Tellis 将颠覆性技术的初期特征归结为成本低 、技术简化 、性能低劣 、主流市场用户采纳率低 、偏好重叠 、竞争不对称的情况 20。类 似地 ， Huang 认为若一项技术在其发展初期不能提供高性能产品 ， 但能够波及到持续性技术未覆盖的新兴市场中 ， 则这项技术可称为颠覆性技术 21。其 次是 “轨道变异 ”说 ， 即相较于持续性技术而言 ， 颠覆性技术不遵循既有的性能提升轨道 ， 而会通过改变技术性能衡量标准 ( 产品属性集 ) 的方式替代现有技术 ， 开辟出能够接纳新属性的新兴市场 ， 对现有企业的竞争态势产生破坏性的改变 。Anderson等人认为颠覆性技术作
12、为一种新兴的替代性技术 ，会使原有的技术轨道产生断裂 ， 打断原本的技术生命周期 ， 并形成新的技术轨道 22。Christensen 也 提出 ， 技术新属性的产生会引起技术性能提升轨道的移动 ， 从而产生颠覆性技术 23。还 有 “动力机制 ”说 ， 即从动力机制的角度来说 ， 颠覆性技术多源于市场拉动机制 ， 在新技术属性的基础上 ， 研发者需要从用户需求的角度设定性能目标 ， 制定技术的发展战略 。Danneels 从技术竞争力方面提出 ， 界定颠覆性技术的重点在于这种技术能够通过改变企业的绩效度量方式而使竞争能力的基础发生变化 24。上述三种观点 分别从不同角度阐述了 “颠覆性技术
13、”， 本文据此提出 ， 若一项技术遵循自下而上的性能轨道 ， 通过改变技术 /产品属性集的方式进入低端市场 ， 并进一步在技术推动机制下提升技术性能 ，在市场拉动机制下逐步进入主流市场 ， 最终以新技术属性集为依据引入新竞争平台 ， 从而替代现有技术轨道 、颠覆已有技术性能标准和产业技术基础 、改变企业竞争范式 ， 那么该技术可被称为颠覆性技术 。其中 ， “技术轨道 ”的变化是指技术原理的变化 ; “技术性能标准和产业技术基础 ”的变化是指技术在实践上可行并发挥巨大作用 ; “竞争范式 ”是技术变化对企业行为的影响 。22 颠覆性技术的主要特征颠覆性技术是相对于持续性技术而言的 ， 两者55
14、6科 学 学 研 究 第 33 卷在性能提升轨道和竞争力来源方面有很大不同 。具体 反映在 :( 1) 阶跃式的性能提升轨道随着颠覆性技术研发活动的持续开展 ， 其所能够支撑的各项技术属性构成它在该领域中的竞争优势 ， 技术水平的逐步提升会以不断增加的速率推动新属性的完善 。因此 ， 从技术 S 曲线看 ， 当颠覆性技术出现时 ， 曲线会出现突变点 ， 并进入新的轨道 ， 形成新 S 曲线的起点 。正如图 1 所示 ， 技术 1 和技术 2 均作为持续性技术 ， 分别在应用领域 A 和 B 所定义的性能标准下进行衡量 ， 形成不间断的生命周期曲线 。当技术 2进入应用领域 A 时 ， 会改变技
15、术 1 的性能衡量标准 ， 产生阶跃式的性能提升轨道 ， 描绘出颠覆性技术的性能提升轨迹 。因此 ， 颠覆性技术的性能并不能参照现有技术进行衡量 ， 而需要采用一组新的性能参数 ， 从而形成与持续性技术不同的技术性能轨道 。因此 ， 采用针对持续性技术的 Logistic 曲线预测方法不适用于颠覆性技术的识别 。图 1 持续性技术与颠覆性技术的技术性能轨道( 2) 颠覆性技术的竞争力来源持续性技术是指对正在使用的技术作增量改善的 技术 ， 其竞争力依赖于在现有技术属性的维度上对技术性能进行改进 ， 以满足用户日益增长的需求 。而对于初始技术性能较低的颠覆性技术来说 ， 其竞争力来源为通过技术
16、/产品属性集的创新 ， 引入新的竞争平台 。正如 Bloodworth 所述 ， 依据技术属性集中关键属性在技术中重要程度的变化 ， 即可准确地对持续性技术与颠覆性技术进行划分 25。剖析以颠覆性技术为基础的产品研发过程时可发 现 ， 与已有产品相比 ， 以颠覆性技术为基础的新产品若以现有属性维度进行衡量 ， 则具有较低的技术性能 ， 难以进入主流市场 ， 但其能够满足新的属性集 ， 进而产生细分的市场 ， 服务利基市场中的用户 ，形成新的市场结构 26。综 上所述 ， 新技术属性集的出现能够为技术领域建立新的技术属性衡量标准 ， 构成技术拥有者重要的竞争力来源 ， 随即出现改变技术领域内竞争
17、态势的颠覆性技术 。因此 ， 对技术方案出现前后的技术属性集相似度的探测将有助于对颠覆性技术进行识别 。3 颠覆性技术识别模型的基础为了确立颠覆性技术识别框架 ， 本节首先提出了属性 技术方案 ( PT) 模式的技术路线图 ， 为采用技术属性集和进行颠覆性技术识别提出基本思路 ; 其次 ， 论证了物种入侵研究应用于颠覆性技术识别的合理性 ， 并提出如何采用物种入侵模型识别新属性的最适技术集 ; 最后 ， 简要介绍用于评估集合间相似度的文本集对分析 ， 用于测量技术的颠覆性强度 。31 颠覆性技术发展路线图以颠覆性技术的 “属性 ”理念为基础 ， 结合基于专利的语义分析理论 ， 本文提出了 PT
18、 模式的技术路线图 。如图 2 所示 ， 该技术路线图在现有研究的基础上加入了技术属性的因素 ， 突出了技术属性的变化对技术发展的推动作用 。PT 模式的技术路线图包括三个要素 ， 即技术属性 ( P/P) 、技术方案( T/T) 和技术发展阶段轨道 ( 长线 ) ， 其 中 ， 实线代表特定领域中持续性技术的变化轨迹 ， 虚线代表其中颠覆性技术的发展轨迹 。另外 ， 如表 1 所示 ， 属性与技术方案间的变量关系能够通过动力机制进行解656第 5 期 黄鲁成 成 雨 吴菲菲 等 : 关于颠覆性技术识别框架的探索释 ， 可 以看出 ， 市场拉动机制通过改变或完善属性集 ， 推动新技术方案的形成
19、 ， 而技术推动机制作用于技术的升级或更新 ， 从而形成新的属性 。通常情况下 ， 持续性技术在改进的过程中 ， 具有相对稳定的属性集 P1， P3， P5， ， Pj ， 为 了满足技术性能的提升 ， 技术方案被提出并实施 ， 即 T1， T3，T6， ， Ti ， 随 着技术的升级 ， 持续性技术的性能不断提升 。但自时点 t 起 ， 持续性技术的性能提升速率减缓 ， 逐渐进入平台期 ， 这为颠覆性技术的进入提供了机会 。如图中虚线部分所示 ， 利基市场的需求激发新属性的引入 ， 颠覆性技术逐渐进入主流市场 ，最终替代持续性技术 ， 主导技术领域的发展 。图 2 PT 模式的技术路线图表
20、1 PT 模式中的变量关系变 量关系 动力机制 产生原因属性 属 性 市场拉动 两种属性间具有关联性属性 技术方案 市场拉动 提出相关技术方案 ， 满足既定属性的需求技术方案 技术方案 技术推动 技术相关性或技术升级技术方案 属性 技术推动 随着技术方案的改进 ， 提出对新属性的支撑思想32 基 于 SOM 的物种入侵模型本节首先对物种入侵与颠覆性技术的进入过程进行相似性说明 ， 阐述采用物种入侵模型研究颠覆性技术识别的合理性 。其次 ， 对基于 SOM 的物种入侵模型进行介绍 。( 1) 物种入侵视角的颠覆性技术识别依据物种进化的理论 ， 外来引入物种在进入本地的过程中 ， 需要经历多阶段入
21、侵过程 ， 面临多种生物 /非生物的筛选机制 ， 具有较宽生理容限 ( 如耐温性 ) 或较强的资源获取能力的生物更易存活下来 ，并最终成为入侵物种 27。文 献研究发现 ， 颠覆性技术与入侵物种间存在三点相似特性 。其一 ， 两者的发展轨道类似 ， 呈现由指数增长向 Logistic 增长转变的趋势 ， 均在经历初期的缓慢增长过程后 ， 以爆发式的增长态势占据所侵入的技术领域或地理区域 ; 其二 ， 两者均显示出对新增属性的适应能力 ， 入侵物种能够在新的容限维度上 ( 如抵抗全球气候变暖的耐温性 ) 占据优势 ， 从而替代本土物种 ， 而颠覆性技术也是在新的技术属性维度上具有优势 ， 能够满
22、足利基市场中消费者的需求 ， 进而逐步入侵主流市场 ; 其三 ， 两者均能够对现存主导者形成极大的威胁 ， 入侵物种在替代本土物种的同时 ， 能够破坏性地改变当地的生态体系 ， 进而危害其他物种的生存 ， 而颠覆性技术能够从根本上改变技术领域中研发企业的价值体系 ， 以一组新的属性参数引导技术的发展 。因此 ， 采用物种入侵研究方法来提出颠覆性技术的识别方案 ， 是具有可行性的 。( 2) 基于 SOM 的物种入侵模型SOM 算法由 Kohonen 提出 28， 该 算法能够将高维数据集 ( 输入层 ) 映射到低维空间 ( 竞争层 ) 中 。图 3 展示了二维 SOM 神经网络的结构 ， 输入
23、层向量xi与 输出神经元 cj间 依据权重 wij实 现连接 ， 该权重代表每个输出神经元的虚拟值 ， 即输入向量与获胜神经元以虚拟向量相连 ， 同时 ， 虚拟向量代表了相似输入向量的中心坐标 ， 其中的相似度由欧氏距离进行衡量 :D( xi， wij) =i =1， ， p( xi wij) 21/2( 1)SOM 算 法能够在多维空间中对样本向量进行有效分布 ， 从而以样本向量间的相似度为衡量标准 ，对输出层中相邻神经元进行类别的划分 ， 相似度越大 ， 神经元间的距离将越近 ， 反之则越远 。756科 学 学 研 究 第 33 卷图 3 二 维 SOM 神经网络结构图群落的物种丰度分布
24、( SAD) 分析是物种入侵分析中的一个关 键分支 ， 学者们通过分析物种的适生区域分布 ， 预测其拟入侵的地区 29。由 于生态研究领域中数据的不断积累 ， SOM 算法被用于进行群落构成与物种分布的模型构建 。33 文本集对分析集对分析 ( 简称 SPA) 方法由赵克勤教授提出 30， 已被广泛用于系统工程 、人 工智能 、预测研究 、多属性评估等研究中 。该方法用于研究集合之间的相互关系 ， 其核心思想在于将被研究事物间的确定性联系和不确定性联系作为衡量指标 ， 构建一个系统分析的模型 。文本的集对分析需要首先对文本进行向量空间模型的建立 ， 再进一步对两个向量空间进行集对分析 。接下来
25、 ， 本节对文本的集对分析进行简要说明 。( 1) 文本的空间向量表示在向量空间模型中 ， 文本被表示为一组正交词条向量所组成的向量空间 ， 每个文本表示为其中一个 范 化 特 征 向 量 V( d) = ( t1， w1( d) ; t2，w2( d) ; ; tn， wn( d) ) 。其 中 ti为 词条项 ， wi( d) 为 ti在 文本 d 中的权重 ， wi( d) 通 常被定义为 ti在 文本 d 中出现的频率tfi( d) 的 函数 ， 即 wi( d) = t fi( )( )d。在 多数向量空间模型中 ， TF IDF 作为一种常用的词条权重计算方法出现 ， 其计算公式为
26、 :wi( d) = tfi( d) log(Nni) ( 2)其 中 ， N 为文本数量 ， nini为 含有词条 titi的 文本数量 。( 2) 集对分析在集对分析中最重要的概念为同异反联系度 ， 简称联系数 。设集合 M1与 M2组 成集对 H( M1， M2) ，在同 一个主题下对集对 H 的属性进行分析 ， 假设该主题中包含 n 个属性 ， 其中有 s 个为集对 H 中的两个集合所共有的属性 ， p 个为集对 H 中两个集合所相互对立的属性 ， 剩下的 f = n s p 个属性既不对立 ， 又不同一 ， 即其属性的关系不能确定 ， 则称sn为这两个集合的同一度 ，fn为 两个集合
27、的差异度 ，pn为 两个集合的对立度 ， 并采用如下公式对集对的联系度进行计算 :( M1， M2) =sn+fni +pnj = a + bi + cj ( 3)其 中 ， 为集对的同异反联系度 ， j 为对立度系数 ， 赋值为 j = 1， 仅作为反向量的标记使用 。i 为差异度系数 ， 在 1 ， 1 区间内取值 ， 仅用于异分量的标记使用 。在上述定义中 ， a， b， c 这三个数的数值满足归一化条件 ， 即 a + b + c =1 且 0!a， b， c!1 。若 a c ， 则说明两个集对的同一度较大 ; 若 a b ， 则说明两个集对的同一可能性较大 ; 若 c b ， 则表
28、示两个集对对立的可能性较大 。4 颠覆性技术识别模型在前文所述的理论基础上 ， 本节提出颠覆性技术识别的模型 ， 并以德温特专利数据库中 “电动汽车 /混合动力汽车所用锂电池技术 ”领域的全时段专利文献为数据源 ， 对模型的实现进行同步验证 。如图 4 所示 ， 该模型在结构上可分为三个部分 。首先 ， 通过语义分析的方法提取专利信息中的 “属性 ( P) ”和 “技术方案 ( T) ”词汇 ， 并形成 P T 权重矩阵 ; 其次 ， 将 P T 权重矩阵作为输入向量 ， 进行基于 SOM 算法的训练 ， 确定技术方案对于属性的适生性 ， 对技术与其所支撑的技术属性进行精准匹配 ;最后 ， 采
29、用集对分析对技术方案出现前后的技术领域属性集的相似性进行判断 ， 从而识别该技术的颠覆性强度 。41 专利信息的语义分析本文所采用的语义分析为基于自然语言处理( NLP) 的分词过程 ， 目的是准确提取专利文本中的856第 5 期 黄鲁成 成 雨 吴菲菲 等 : 关于颠覆性技术识别框架的探索图 4 颠覆性技术识别框架“属 性 ”与 “技术方案 ”关键词 。专利文本信息中最能够体现专利核心技术与实践意义的字段为 “Ab-stract”( 摘要 ) ， 其 中所包括的 “Use”( 用途 ) 和 “Ad-vantage”( 优势 ) 字段是本文所需关键词的重要来源 。因此 ， 本文采用电动汽车 /
30、混合动力汽车所用锂电池技术领域的全时段专利文献为数据源 ， 对专利信息中的 “摘要 ”字段进行语义分析 。如图 5 所示 ，在技术功效 ( property function) 矩阵和动 /名词语义分析的基础上 31， 本模块做了两个方面的改进 ，其 一 ， 在语料库的设计上 ， 添加了能够反映技术领域特征的技术领域词表 ， 具体来说 ， 本文在技术属性词的抽取过程中 ， 通过对该技术领域所涉及产品的用户体验信息进行分析 ， 筛选出能够表征技术属性的词或词组 ， 对技术领域词表进行完善 ， 确保抽取过程的查全率和查准率 ; 其二 ， 经过 NLP 处理后 ， 采用词性标注的方法 ， 对特征词进
31、行划分 ， 相应的特征词实例如表 2 所示 ( n 为名词 ， v 为动词 ， a 为形容词或副词 ， p 为过去分词 ， d 为限定词 ， c 为介词 ) ， 并 进一步使用 TFIDF 算法区分 “方案 ”对 “属性 ”的适用性强度 ， 通过形成 P T 权重矩阵更好地评估词或词组在文本中的重要程度 。锂电池技术领域的 P T 权重矩阵如图 6 所示 。图 5 专利信息的语义分析过程956科 学 学 研 究 第 33 卷表 2 P/T 词性标注及示例 ( 部 分 )词 性及结构 示例 词性及结构 示例P 词集nvap performance is highly improvedpn ext
32、ended lifecyclean/aan cost effective mannernn energy densityT 词集vcdn cool down the modulevdn recharge the batteryv coolingn electrolyte图 6 锂电池技术领域的 P T 权 重矩阵图 ( 部分 )42 颠覆性技术适应性判断本文利用生物研究领域中的物种入侵模型判断“T”对 “P”的 适应性 ， 即技术适生性的判断 ， 从而挑选出能够支撑属性性能提升的高效技术方案 。依据图 6 所示 ， 首先以 41 节中的 P T 权重矩阵作为本阶段的初始数据集构成样本向量 ，
33、其中 ， i项技术方案构成技术集合 T1， T2， T3， ， T i， 进而 通过属性集 P1， P2， P3， ， P j映 射在网格结构为 4* 10 的输出层中 ， 通过基于 SOM 模型的训练 ，技术方案集被分为 40 个类别 ， 分别由 40 个获胜神经元表示 ， 即 N1， N2， N3， ， N 40。其 次 ， 对输入层到输出层间的权重矩阵 ( I O 矩阵 ) 进行计算 ， 并逐个筛选出与属性连接权重最大的神经元 ， 假设与P1连接权重最大的神经 元为 N1， 该神经元中的技术方 案为 T1， T3和 T7， 说明上述三个技术方案是提升P1性能的最适技术集合 ， 以 此类推
34、 ， 能够获取 j 个属性的最适技术集合 ， 反之 ， 这些技术集合对于相应的属性来说具有最强适生性 。最后 ， 获得新属性集 PaPa及其最适技术集 TaTa。锂 电池技术的 SOM 分类结果 ( 7* 7 网络结构 )如图 8 所示 ， 属性关键词可划分为 “耐热性 ”、“耐 压性 ”、“体 积 ”、“安 全性 ”、“充 放电性能 ”、“稳 定性 ”、“寿 命 ”、“循 环性能 ”、“能 耗特性 ”、“成 本 ”、“量 产能力 ”， 进而可得到关键属性与最适技术的连接权重 ， 如图 9 所示 。43 属性集的集对分析在本文所述技术方案和技术属性含义下 ， 利用42 节技术适生性判断中筛选出
35、的属性方案构成集合 Pa， 技 术方案词集构成集合 Ta。上 述集合的表达方式如下 :Pa=P k( k = 1， 2， ， j) ( 4)Ta=P s( s = 1， 2， ， i) ( 5)锂电池技术专利数据集中的专利申请年份大多分 布在 2000 2014 年间 ， 以技术方案集 “石墨烯 ” 石墨烯 ， 氧化石墨烯 ， 表面活性剂 ， 超声 ， 二氧化钛 ， 无水乙醇 ， 聚乙烯醇 ， 蔗糖 ， 氩气 ， 草酸 ， 酚醛树脂 ， 沥青 ， 氢氧化钠 ， 碳源化合物 ， 磷酸铁锂 ， 氮气 为例 ， 依据 42 节中的 I O 矩阵 ( 如图 10 所示 ) 获取与其相对应的最适属性集合
36、 Pa1， 可 以看出 ， 以石墨烯为原材料的锂电池在耐热性方面具有突出的优势 ， 另外 ， 在安全性 、体积和成本方面也显示出其竞争力 。066第 5 期 黄鲁成 成 雨 吴菲菲 等 : 关于颠覆性技术识别框架的探索图 7 基 于 SOM 的技术适生性判断构架图图 8 锂 电池技术的 SOM 分类图 9 锂电池技术的新属性集及最适技术集 ( 部 分 )逐 年的关键词数量显示 ， 石墨烯电池技术于2007 年首次出现 ， 即可将专利文档按申请年份分为集合 1( 2000 2006) 于集合 2( 2007 2014， ) ， 文 档中的 “摘要 ”字段构成文本集合 d1( 2000 2006)
37、 与 d2( 2007 2014) ， 文本集合共包含 35 个 属性关键词 ， 其最适属性可分为 6 个类别 ， 部分属性关键词如表 3 所示 。接下来 ， 分别计算集合 d1与 d2中各属性向量的平 均 权 重 ， 分别构成范化特征向量 V1( d) 与V2( d) ， 结 果如下 :V1( d) = 5172， 48773860， 4534， ，1202V2( d) = 54302， 4069， 2839， 3531， ， 0931最 后 ， 采 用 公 式 ( 6) 对 集 对 H = ( V1( d) ，V2( d) ) 进 行计算 ， 并对各数值的范围进行划分 ， 将分布于 0 0
38、2， 02 0 8， 0 8 1 间的数值的个数分别计为公式 ( 3) 中的参数 s， p 和 f。166科 学 学 研 究 第 33 卷图 10 石墨烯电池技术的 I O 矩 阵表 3 石墨烯锂电池最适属性集及关键词 ( 部分 )编 号 属性集名称 关键词 编号 属性集名称 关键词1 电池耐热性 温度 ， 加热 ， 高温 4 成本 低成本 ， 成 本有效方式2 安全性 防护 ， 安全 5 量产化能力 操作简单 ， 工业生产3 体积 体积比 ， 厚度 ， 尺寸 6 可循环性 循环性能 ， 循 环稳定性H( d) =V1( d) V2( d)=w11 w21，w13 w22，w13 w23， ，
39、w1， 35 w2， 35( 6)据 此 ， 可计算出 2000 年前后技术属性集合间的相似度 :( V1( d) ， V2( d) ) =335+1335i +1935j = 0086 +0371i + 0543j依 据上述公式所得系数 a( 0086) ， b( 0371) ， c( 0543) ， 可 对该技术的颠覆性进行识别 ， 若 ca，b ， 则可说明该技术具有潜在的颠覆性 ; 若 ab， c ，则说明该技术不具有颠覆性技术的特性 ; 而当 ba，c 时 ， 该技术目前的特性不明朗 ， 仍无法确定其是否具有颠覆特性 。因此 ， 可以判断 ， 石墨烯技术有望成为汽车锂电池领域中的颠覆
40、性技术 。5 结论与展望颠覆性技术通过创造新属性集引入新竞争平台 ， 从而改变现有技术范式 ， 成为企业的竞争力来源 ， 因此 ， 对技术属性集的变更进行测度 ， 将实现颠覆性技术的早期识别 。本文提出一个完整的颠覆性技术识别模型 ， 通过衡量技术属性集变更程度 ， 对技术的早期颠覆特性进行评估 。模型的第一部分采用生物研究领域中的物种入侵模型 ， 对技术属性及其最适技术集进行匹配 ， 第二部分利用集对分析对技术方案出现前后的属性集进行相似度评估 ， 进而对技术的颠覆性进行测度 。同时 ， 本文采用汽车锂电池领域的专利数据进行了模型的验证 。本文的主要贡献有两点 。第一 ， 从发展趋势和增长规
41、模等方面论述了生物领域中的物种入侵过程与技术创新领域中的颠覆性技术进入过程的相似性 ， 阐明了物种入侵模型在颠覆性技术识别研究中的适用性 ， 进而提出了基于 SOM 的技术适生性度量模型 ， 精确地将技术与其相应属性进行匹配 ; 第二 ，系统地构建了的颠覆性技术的识别模型 ， 采用专利文本数据对技术属性集的相关信息进行表征 ， 并利用集对分析定量地判断技术的早期颠覆特性 。未来的研究包括 : 通过理论研究和案例分析 ， 探索更精确的量化识别方案 ; 其次 ， 充分考虑到不同的技术领域在产生 、采纳颠覆性技术的过程中存在差异性 ， 将识别方案进一步细化 ， 对不同技术领域内颠覆性技术的发展模式进
42、行细致的划分 ， 进而提升识别过程的准确性 。参考文献 : 1 Yu D， Hang C C A reflective review of disruptive inno-vation theory J International Journal of Managementeviews， 2010， 12( 4) : 435 452266第 5 期 黄鲁成 成 雨 吴菲菲 等 : 关于颠覆性技术识别框架的探索 2 Kopetzky ， Gnther M， Kryvinska N， et al Strategicmanagement of disruptive technologies: A p
43、racticalframework in the context of voice services and of compu-ting towards the cloud J International Journal of Gridand Utility Computing， 2013， 4( 1) : 47 59 3 Christensen C M， Johnson M W， igby D K Founda-tions for growth: How to identify and build disruptive newbusinesses J MIT Sloan Management
44、 eview， 2002，43( 3) : 22 31 4 Walsh S T oadmapping a disruptive technology: Acase study: The emerging microsystems and top downnanosystems industry J Technological Forecasting andSocial Change， 2004， 71( 1) : 161 185 5 Vojak B A， Chambers F A oadmapping disruptivetechnical threats and opportunities
45、in complex， technolo-gy based subsystems: The SAILS methodology J Technological Forecasting and Social Change， 2004， 71( 1) : 121 139 6 Spinardi G oad mapping， disruptive technology，and semiconductor innovation: The case of gallium arse-nide development in the UK J Technology Analysis Strategic Mana
46、gement， 2012， 24( 3) : 239 251 7 Tierney ， Hermina W， Walsh S The pharmaceuticaltechnology landscape: A new form of technology road-mapping J Technological Forecasting and SocialChange， 2013， 80( 2) : 194 211 8 Board A F S Persistent Forecasting of Disruptive Tech-nologies M National Academies Press
47、， 2010 9 Dixon T， Eames M， Britnell J， et al Urban retrofitting:Identifying disruptive and sustaining technologies usingperformative and foresight techniques J TechnologicalForecasting and Social Change， 2013 10 Carlsen H， Dreborg K H， Godman M， et al Assessingsocially disruptive technological chang
48、e J Technologyin Society， 2010， 32( 3) : 209 218 11 Borup M， Brown N， Konrad K， et al The sociology ofexpectations in science and technology J TechnologyAnalysis Strategic Management， 2006， 18( 3 4) :285 298 12 Kostoff N， Boylan ， Simons G Disruptive tech-nology roadmaps J Technological Forecasting and So-cial Change， 2004， 71( 1) : 141 159 13 Sood A， Tellis G J Demystifying disruption: A newmodel for understanding and predicting di
