基于专利时序数据预测技术机会的方法与实证研究

李冬梅，宋志红

(1.山西大学数学科学学院，山西 太原 030006；2.山西大学管理与决策研究所，山西 太原 030006)

基于专利时序数据预测技术机会的方法与实证研究

李冬梅1，宋志红2

(1.山西大学数学科学学院，山西 太原 030006；2.山西大学管理与决策研究所，山西 太原 030006)

本文提出一种基于专利时序数据预测技术机会的马尔科夫区制转换方法，并以1977年1月—2014年6月半导体行业专利时序数据为例进行实证分析。实证结果表明，半导体行业专利授权数量处于上升状态与下降状态的交替频率较高，且专利授权数量处于上升状态的持续期明显弱于专利授权数量处于下降状态的持续期:专利授权数量处于上升状态的平均持续期约为4.167个月，专利授权数量处于下降状态的平均持续期约为13.699个月。与以往研究相比，本文提出的马尔科夫区制转换 (MRS)方法可以更准确地预测某个特定领域出现技术机会的时间窗口。

技术机会；马尔科夫区制转换；半导体行业

1 引言

许多行业的技术进步和演化过程表明，新技术的出现可能突破已有技术发展的瓶颈，打开技术发展的机会窗口[1]。技术机会可以被定义为特定领域存在技术进步的可能性或潜力，它反映了企业在某个领域实现技术进步所付出的代价[2-5]。由于沿着原有技术轨道进行技术改进可能在短期内存在难以克服的瓶颈，当某个领域存在技术进步的可能性很低时，意味着企业面临较高的开发成本和技术创新失败风险，甚至还可能威胁到企业的竞争地位及生存。因此，预测并发现潜在的技术机会，不仅有助于防止企业的技术投资失败，提高企业的研发效率，还有助于企业实现技术赶超和增强竞争优势。

技术机会分析主要是指通过收集科技文献或专利信息，利用定量分析方法，并辅之以专家意见，为企业的研发投资和新产品开发活动提供决策支持[5]。以往关于技术机会分析方法的文献，主要集中于两个方面:①研究特定领域中具有发展潜力的技术形态[6-11]。②研究特定领域内存在技术进步的可能性或潜力[4]。相对来说，这一方向的文献较少。已有文献主要基于专利数量的增长趋势来判断技术机会[12-13]。

从以往文献来看，大多数学者的研究主要以专利数据和科技文献为基础，采用统计学、文献计量学和可视化技术等方法，考察特定领域内存在的研究热点或技术进步的可能性。本文的主要贡献在于:①大多数基于专利数据预测技术机会的研究侧重于对专利文本内容的计量分析，而较少有研究以专利时序数据为对象预测技术机会；②尽管少数研究利用专利时序数据的增长趋势来预测技术发展潜力，然而这种判断方法仍然较为粗糙。本文以1977年1月—2014年6月半导体行业的专利时序数据为对象，采用马尔科夫区制转换 (Markov Regime-Switching，MRS)方法，通过刻画半导体行业专利时序数据的动态变化路径，分析该领域出现技术机会的时间窗口。

2 数据来源和研究方法

2.1 数据来源

具有大量技术机会行业的显著特征之一是:在一段时期内能够保持较高的R＆D密集度和技术进步率[4]。作为高技术行业之一，半导体不仅排在R＆D活动最密集的行业前列，而且该行业还为其他高技术行业提供产品，如电子计算机设备以及电讯设备。近年来，由于半导体行业的迅速发展，半导体行业的生命周期已经大大缩短。由于半导体行业具有较高的资本投资率和较高的R＆D密集度，作为信息时代的 “原油”，半导体行业的技术机会预测对于企业研发投资和技术创新决策具有重要意义，因此，本文选择半导体行业作为分析对象。专利是技术创新的产物，为识别特定领域的技术趋势提供了可靠的、最新的信息。以专利作为技术机会分析的对象，可以较好地识别和把握一定时期内可能存在的技术机会和技术发展态势。

由于授权的专利价值总体上高于申请而未授权的专利价值[15]，本文采取授权专利数量而非申请专利数量作为研究数据。半导体行业的所有授权专利数据来源于中华人民共和国知识产权局专利数据检索系统 (http://search.cnipr.com)。本文以 “H01L”为国际专利主分类号来检索半导体技术专利。选择 “H01L”技术分类来检索半导体专利的原因在于:首先，已有文献通常以 “半导体器件”作为半导体技术专利的定义，并采用4位IPC代码 “H01L”来检索半导体专利[16-17]；其次，尽管半导体生产商申请的半导体专利涉及大约62个技术分类号[18-19]，由所有技术分类号检索得到的半导体技术全部专利数量与基于H01L分类号检索得到的专利数量具有相似的变化趋势[16]；最后，本文提出一种基于专利时序数据预测技术机会的方法，以 “H01L”这一单一技术分类为对象也可以达到本文的研究目的。在检索过程中，我们按照专利公告日逐月进行专利检索，时间跨度限制为1977年1月至2014年6月，共450个月。检索结果共得到1694141条半导体技术授权专利记录。

2.2 研究方法

马尔科夫区制转换 (MRS)模型是一种用来处理变结构问题的非线性时间序列模型[20]。本文试图通过刻画专利时序数据的动态变化路径，来预测半导体行业出现技术机会的时间窗口，因此，采用MRS方法进行技术机会预测是非常恰当的。基于此，对于半导体专利授权量月度变化率 (pt)序列，本文借鉴Hamilton[20-21]的模型，假设半导体专利授权量月度变化率服从以下区制转换的自回归模型:

式中，ptt表示t月的半导体专利授权量增长率；μst表示依赖于状态st的参数。进一步，st为状态变量，即半导体专利授权量变化所处的不同状态，其取值为0或1，st＝1表示半导体专利授权量处于上升状态，st＝0表示半导体专利授权量处于下降状态。εst为模型的随机扰动项，服从正态分布。半导体专利授权量上升时εst的方差为σ21，半导体专利授权量下降时εst的方差为σ20。应用马尔科夫区制转换模型进行分析，需要检验半导体授权专利时序数据是否具有 “马氏性”。根据张玉芬和朱雅琳[22]提出的方法，本文对半导体专利授权量变化率pt的时间序列进行马尔科夫性检验，结果表明，对于半导体专利授权量变化率pt的时间序列，给定其过去所处的状态s0、s1…sn-1以及现在的状态sn，将来的状态sn+1的条件分布与过去的状态独立，只依赖于现在的状态sn，因而半导体专利授权量变化率pt的时间序列满足马尔科夫性，即st服从马尔科夫过程，其转移概率为:

为简便写出ptt的似然函数，引入新的状态变量表示t时期的变化状态，记:

式中，PTt＝(ptt，ptt-1，…，pt0)，Φ ＝(μ0，μ1，φ0，φ1，σ0，σ1，p，q)类似地，可求得＝2，3，…，8时，ptt的条件概率密度函数。记:

关于这两个迭代方程的详细推导过程可参见Hamilton[21]。全部样本PTT的对数似然函数为:

其中:

3 马尔科夫区制转换模型的参数估计结果与分析

3.1 模型的参数估计

利用Gauss7.0软件，可以计算出马尔科夫区制转换模型的参数估计值 (见表1)。从表1可以看出，半导体专利授权数量在上升和下降两种状态下的参数估计值μ1和μ0具有明显差异，表明采用两状态的马尔科夫区制转换模型描述半导体专利授权数量变化的动态过程是恰当的。半导体专利授权数量的上升状态与下降状态以一定概率相互转换，由表1可知p＝0.760，表明本月半导体专利授权数量处于上升状态，下月继续上升的概率为0.760，而本月半导体专利授权数量处于上升状态，下月处于下降状态的概率为0.240；由表1可知q＝0.927，表明本月半导体专利授权数量处于下降状态，下月继续下降的概率为0.927，而本月半导体专利授权数量处于下降状态，下月专利授权数量上升的概率为0.073。可见，在本文的研究区间内，半导体专利授权数量处于下降状态的概率高于其处于上升状态的概率。从表1还可以看出，半导体专利授权数量处于上升状态(St＝1)的持续期明显弱于专利授权数量处于下降状态的持续期 (St＝0):半导体专利授权数量处于上升状态的平均持续期约为4.167个月 [＝1/(1-0.760)]，半导体专利授权数量处于下降状态的平均持续期约为13.699个月 [＝1/(1-0.927)]。

表1 马尔科夫区制转换模型的参数估计结果

图1和图2分别给出半导体专利授权数量变化率处于上升状态和下降状态的平滑概率图，它们刻画了半导体专利授权数量变化率在t＝1，2，…，T时刻所处状态发生的转移概率。从图1和图2中两个状态的平滑概率图可以看出，半导体行业的发展始终伴随着 “上升状态”和 “下降状态”的相互变迁；同时，由于半导体行业具有较高的R＆D密集度和较快的技术进步速度，半导体专利授权数量的上升状态与下降状态的交替频率较高，即经历了短暂的上升 (下降)状态之后又迅速进入下降 (上升)状态。

图1 半导体行业处于上升状态的平滑概率

图2 半导体行业处于下降状态的平滑概率

3.2 讨论

一般来说，技术进步总是在特定范式的框架下沿着技术轨道进行渐进性改进。每个技术轨道的机会都是由技术潜力和耗竭程度所决定的[23]。由于技术潜力逐渐被消耗殆尽，沿着原有技术轨道进行技术改进将越来越困难，即特定技术轨道存在的技术机会倾向于随着时间推移而减少。这意味着，一方面，技术潜力决定了企业在特定技术领域中创新成功的可能性，同时也反映了企业技术创新的成本；另一方面，尽管技术潜力随时间而逐渐耗竭，但这并不意味着技术进步会终止于该技术轨道。Anderson和Tushman[1]提出的不连续技术创新理论表明，当一项根本性技术创新即新技术范式出现时，将会与原有技术轨道展开设计竞争，在确立某项技术作为主导设计后进入渐进性技术创新时期，在这一时期，大部分技术创新主要围绕着组件的改进进行，而不是改变主导设计的结构。由此可见，每一次根本性技术创新都可能意味着开辟了新的技术轨道，并创造出新的技术机会，而大量的技术机会则产生于技术的渐进性改进时期，表现为在这一阶段该领域内申请及授权的专利数量大幅度增加。

近40年来，产品生命周期缩短和产品快速更新换代已经成为半导体行业最明显的特征之一。作为一种经验法则，摩尔定律 (几何尺寸的按比例缩小)在过去许多年为企业研发与创新活动指明了方向，并将继续在芯片制造的很多方面起着指导作用。在等效按比例缩小时代，主要通过创新设计、软件解决方案和新材料结构来提升效能，从而引领全球半导体行业的发展[24]。然而，基于经验法则预测半导体行业技术机会的时间窗口还是一种较为粗糙的方法，本文采用马尔科夫区制转换 (MRS)方法，通过刻画半导体专利时序数据的动态变化路径，可以更为准确地预测半导体行业出现技术机会的时间窗口。但是，这并不意味着企业可以仅仅通过预测技术机会窗口来获取商业成功。在这里我们假定，企业进入特定技术领域的时机只是一个选择的问题，即企业在任何一个时点都可以开发某项技术。事实上，技术发展过程总是面临重重技术障碍，积累必要的技术知识和拥有快速开发新技术所需的核心能力，辅之以恰当的技术机会预测，才能克服技术障碍，实现技术创新成功。

4 结论

作为高技术行业之一，半导体行业不仅具有较高的资本投资率和R＆D密集度，也为其他高技术行业提供产品。例如，集成电路高端设备的技术进步带动了邻近技术领域的发展，大大降低了平板显示器、微机电系统传感器、无线电设备和无源器件等设备的成本。作为信息时代的 “原油”，半导体行业的技术机会预测对于企业研发投资和技术创新决策具有重要意义。

在以往研究的基础上，本文提出一种基于专利时序数据预测技术机会的新方法，即采用马尔科夫区制转换 (MRS)方法，通过刻画半导体专利时序数据的动态变化路径，来识别半导体行业技术机会出现的时间窗口。研究结果表明:半导体专利授权数量处于上升状态的持续期明显弱于专利授权数量处于下降状态的持续期:半导体专利授权数量处于上升状态的平均持续期约为4.167个月，半导体专利授权数量处于下降状态的平均持续期约为13.699个月。与以往研究相比，本文提出的MRS方法可以更准确地预测某个特定领域技术机会出现的时间窗口。

[1]Anderson P，Tushman M.Technological Discontinuities and Dominant Design:A cyclical Model of Technological Change[J].Administrative Science Quarterly，1990，(35):604-634.

[2]吕一博，康宇航，王淑娟.基于共现分析的技术机会发现与可视化识别[J].科研管理，2012，(4):80-85.

[3]马婷婷，汪雪锋，朱东华，刘胜奇.基于专利的技术机会分析方法研究[J].科学学研究，2014，(3):334-342+383.

[4]Klevorick A K，Levin R C，Nelson R R，Winter S G.On the Sources and Significance of Interindustry Differences in Technological Opportunities[J].Research Policy，1995，(24):185-205.

[5]Lee C，Kang B，Shin J.Novelty-focused Patent Mapping for Technology Opportunity Analysis[J].Technological Forecasting＆Social Change，2015，(90):355-365.

[6]Porter A L，Detampel M J.Technology Opportunities Analysis[J].Technological Forecasting and Social Change，1995，(49):237-255.

[7]Yoon B，Park Y.A Systematic Approach for Identifying Technology Opportunities:Keyword-based Morphology Analysis[J].Technological Forecasting＆Social Change，2005，(72):145-160.

[8]Tseng Y H，Lin C J，Lin Y I.Text Mining Techniques for Patent Analysis[J]Information Processing and Management，2007，43(5): 1216-1247.

[9]Yoon B，Park I，Coh B.Exploring Technological Opportunities by Linking Technology and Products:Application of Morphology Analysis and Text Mining[J].Technological Forecasting and Social Change，2014，(86):287-303.

[10]Ma J，Porter A L.Analyzing Patent Topical Information to Identify Technology Pathways and Potential Opportunities[J].Scientometrics，2015，(102):811-827.

[11]Lee C，Kang B，Shin J.Novelty-focused Patent Mapping for Technology Opportunity Analysis[J].Technological Forecasting＆Social Change，2015，(90):355-365.

[12]黄鲁成，蔡爽.基于专利的判断技术机会的方法及实证研究[J].科学学研究，2010，(2):215-220.

[13]Chen Y H，Chen C Y，Lee S C，Technology Forecasting and Patent Strategy of Hydrogen Energy and Fuel Cell Technologies[J].International Journal of Hydrogen Energy，2011，36(12):6957-6969.

[14]Altuntas S，Dereli T，Kusiak A.Forecasting Technology Success Based on Patent Data[J].Technological Forecasting＆Social Change，2015，(96):202-214.

[15]冯仁涛，余翔，金泳锋.基于专利情报的技术机会与区域技术专业化分析[J].情报杂志，2012，(6):13-18.

[16]Adams P，Fontana R，Malerba F.The Magnitude of Innovation by Demand in a Sectoral System:the Role of Industrial Users in Semiconductors[J].Research Policy，2013，(42):1-14.

[17]Malva A D，Hussinger K.Corporate Science in the Patent System:An Analysis of the Semiconductor Technology[J].Journal of E-conomic Behavior＆Organization，2012，(84):118-135.

[18]Dibiaggio L，Nasiriyar M.Knowledge Integration and Vertical Specialization in the Semiconductor Industry.European Management Review[J].2009，(6):265-276.

[19]Dibiaggio L，Nasiriyar M，Nesta L.Substitutability and Complementarity of Technological Knowledge and the Inventive Performance of Semiconductor Companies[J].Research Policy，2014，(43):1582-1593.

[20]Hamilton J D.A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle[J].Econometrica，1989，(57):357-384.

[21]Hamilton J D.Time Series Analysis[M].Princeton，NJ:Princeton University Press，1994.

[22]张玉芬，朱雅琳.马尔科夫性及其检验方法研究[J].价值工程，2012，(2):312-313.

[23]Cantner U，Pyka A.Absorbing Technological Spillovers:Simulations in an Evolutionary Framework[J].Industrial and Corporate Change，1998，7(2):369-397.

[24]国际半导体技术发展路线图(ITRS)2012版综述(1)[J].郭新军译.中国集成电路，2013，(11):26-39.

(责任编辑 刘传忠)

Method and Empirical Investigation of Forecasting Technology Opportunity with Time-Series Patent Data

Lee Dongmei1，Song Zhihong2
(1.School of Mathematical Sciences，Shanxi University，Taiyuan 030006，China；2.Institute of Management and Decision，Shanxi University，Taiyuan 030006，China)

The paper provides an Markov Regime-Switching model for forecasting technology opportunity with time-series patent data from January 1977 to June 2014 in semiconductor industry.The empirical results indicate that the transition between expansion state and contraction state of authorized patent quantity is relatively quick，and that the duration of an expansion state which authorized patent quantity is increasing significantly shorter than that of a contraction state in semiconductor industry.The average duration of an expansion state is about 4.167 months，while the average duration of a contraction state is about 13.699 months.Compared with previous studies，the Markov Regime-Switching(MRS)method in this paper provides a more accurate forecast on windows of technology opportunity in a specific field.

Technology opportunity；Markov Regime-Switching；Semiconductor industry

李冬梅 (1977-)，女，山西怀仁人，讲师，博士研究生；研究方向:时间序列分析、合作网络与技术创新。

G306.0；C812

A

教育部人文社会科学研究项目 (09YJC630146)。

2015-05-08