摘要：当前，中国跨越要素驱动发展和资本驱动发展两个阶段，进入创新驱动发展阶段，成为全球技术创新核心参与者。使用专利大数据进行科技管理与知识管理的研究日益丰富，但国内对全球关键核心技术群落识别与创新演化趋势的研究较少。基于全球4611149件PCT专利申请记录、14887452条IPC分类号信息和23961143条PCT专利引文信息构建RIT指数，对专利技术领域进行沉睡、衰退、新兴和强势4种类别划分；提取所有领域IPC共现关系，构建全局技术融合网络图谱；采用h-strength提取网络图谱核心结构，将网络社群算法识别与技术专家解读相结合，对结果进行细致解读。最终，共识别出全球、全领域两个超大、8个较大、30个中等和34个较小规模的关键核心技术群落。其中，生物医药、数字信息传输与无线通讯网络是当前全球技术创新的两大主要驱动力；光学系统和仪器整体呈现强势特征，半导体器件、新能源汽车与自动驾驶技术群落内部出现4种技术特征更迭。此外，中等规模催化剂、层状产品、增材制造、共聚物及共聚工艺、半透膜及制备、表面液体涂层等技术群落也呈现出强势特征。对全球技术创新演化前沿态势进行有效监测，可为跨国创新态势对比提供参考。
关键词：PCT专利，技术融合，关键核心技术，技术群落识别，创新态势评估
0 引言
运用数据检索技术和科技情报分析技术对专利大数据进行高效整合与充分利用是科技创新的关键环节。知识产权数据资源在科技创新中具有基础性作用，对于支撑我国开展关键核心技术攻关、发挥新型举国体制优势、优化创新资源配置尤为重要，对于企业决策者了解技术子系统发展轨迹、策略性布局前沿技术领域具有重要意义。在中美科技竞争日趋激烈的大背景下，本研究筛选全球技术融合创新网络中的核心技术群落，并识别出沉睡、衰退、新兴和强势4种关键技术，探寻全球技术创新专利大数据的结构性变化和具有生长潜力的新兴前沿技术。关键核心技术群落识别对于我国融入全球创新生态系统具有重要意义，而且对于关键核心领域创新态势定量测度和跨国差异对比具有重要参考价值。
1 文献综述
专利文献是一种权威且更新及时的技术文档，涵盖发明的详细作用和工作原理，专利管理部门向公众开放专利时会公布这些信息。专利文献涵盖技术领域最先进的发明，并以标准化格式呈现，为致力于科技研究的学者提供了一个独特视角，能够更好地探寻技术发展与演进模式[1-2]。由于专利数据可在全球范围内获得，因此可进行不同类型研究，以全面了解创新。目前，专利研究主要包括两个方面：第一，专利数据行业发展态势[3-4]。Xuan等[5]通过收集2002—2009年5G技术专利，基于专利引用网络研究5G技术在国家/地区之间的创新轨迹和核心技术流；孙明汉等[6]通过获取38.9万条全球船舶专利记录，结合Kleinberg突发监测算法和专利网络图谱分析法，识别出船舶行业前沿技术和创新主体在网络中的位置；Jiang等[7]通过构建1985—2021年中国绿色技术专利转让网络，发现能源技术市场需求最多，且跨国企业是最活跃的创新主体。第二，专利数据创新。王佳希等（2022）通过收集USP-TO中的中国专利及其互引专利，构建合作互引网络，发现中国专利合作广度、强度和被引频次不断提升；王格格等[8]利用中国在2018年授权的30万余件发明专利数据，以专利不同国际分类号（International Patent Classification，IPC）表征技术领域之间的知识流动，揭示中国不同技术领域知识溢出的异质性。
技术融合是产业创新研究领域的一个重要议题，是开展技术创新的重要途径。技术融合不仅为新技术、新知识创造机会，而且通过互补性知识融合引发产业融合，进而促进全产业技术结构重组。许多国家通过出台各种支持计划促进技术融合。近年来，基于关联关系的技术融合分析成为广受关注的议题[9-10]。专利是研究当前技术融合的主流数据，专利IPC共现网络是研究技术融合的重要工具[11-12]。IPC作为国际专利分类体系，包含全部技术类别，且具有相对稳定性和可调节性（通过调节IPC代码层级获得不同规模技术）特征。Kim[11]使用2011—2015年韩国信息与通信技术专利，基于IPC共现关系识别领域间技术融合和部门间技术融合，发现技术融合呈下降趋势；Dolfsma & Leydesdorff[13]利用IPC共现网络法分析荷兰和印度两国在纳米技术领域的技术融合差异；翟东升等（2020）以无人驾驶汽车技术专利为研究对象，将专利IPC代码对应到ISI-SPRU-OST体系中的44个技术领域，通过IPC共现构建44个技术领域之间的技术融合网络，进一步探究该领域技术融合发展趋势；Huang等[14]采用共类分析、共词分析等方法挖掘3D打印技术热点领域和发展路径。
技术创新是一个动态演化过程，技术群落以诞生、死亡、生长、收缩、分裂及合并等方式持续演化。专利IPC共现关系体现为技术融合，而技术融合又形成技术群落或技术集群[14]。关键核心技术群落的出现和发展呈现多领域、跨学科突破态势，并且具有高度不确定性、复杂性和融合性特征，仅依靠世界知识产权组织发布的IPC分类代码与技术领域产业匹配关系表（也称WIPO-35）无法捕捉由技术融合产生的前沿技术群落。社会网络分析中的社群识别算法常用来进行技术群落识别分析。Bruck等[15]研究发现，应用聚类算法对IPC技术融合网络进行分析可预测新兴技术群落发展趋势。随着专利信息的快速膨胀，从技术集群中识别出不同技术创新态势具有重要意义，如新兴技术、突破性技术和热点技术等[16-17]；Zhang等[16]提出基于技术生命周期、人工神经网络和有序回归算法的新兴技术识别框架，并以高速铁路轨道技术为案例，发现新兴技术包括B66、C04、B28和C08等IPC类别。
目前，国内外对全球、全领域专利大数据的分析较少，已有研究多停留在数量统计层面[18]，未深入到技术内容层面。国内仅有中国科学院科技战略咨询研究院基于三方专利数据集对技术群落前沿进行持续跟踪与聚焦[19]，基于专利分类号对技术群落创新态势进行识别的研究存在如下不足：①随着技术融合发展成为常态，很多核心技术往往涉及多个专利技术分类，多数研究虽已关注技术群落呈动态演变趋势，但通常采用小样本专利数据，导致研究结果存在一定偏差；②随着专利大数据开放共享和数据挖掘分析技术不断加强，现有研究较多采用不同指标识别不同技术创新态势，鲜有研究利用专利大数据对全局技术进行统一识别。因此，本文构建一个简洁有效的创新态势识别框架，通过收集全球、全领域PCT（Patent Cooperation Treaty）专利数据，基于IPC分类号共现关系呈现技术融合网络图谱，提取关键核心技术群落，进而呈现全球关键核心技术群落发展态势。
2 模型构建与指标分析
2.1 数据基础
PCT专利也称为WIPO专利。《专利合作条约》是专利领域的一项国际合作条约，主要帮助申请人寻求国际专利保护，通过PCT提交国际专利申请，申请人可同时在多个国家对一项发明进行专利保护。创新活动和全球化运营对于许多企业而言越来越重要，通过世界知识产权组织《专利合作条约》提交的PCT国际专利申请成为衡量创新活动的重要指标[20]。无论是世界知识产权组织发布的全球创新指数（Global Innovation Index，GII），还是世界经济合作组织（OECD）对成员国和非成员国经济体发布的主要科技评价指标，抑或是武汉大学和中国科学技术信息研究所共同发布的全球企业创新指数（Global Enterprise Innovation Index，GEII），都将PCT专利作为一个国家或企业技术创新实力和创新前沿趋势监测的重要指标。然而，当前研究主要关注单一国家、产业或企业的PCT专利数据。Kumar等[21]通过对比中国和印度的PCT专利变化趋势发现，专利水平会影响经济发展；Barragan-Ocana 等[22]通过对比智利、墨西哥、阿根廷、巴西和古巴等国家的生物技术PCT专利申请趋势发现，PCT专利申请增长符合线性规律；朱月仙等（2007）通过分析PCT专利申请量与研发经费间的关系发现，研发大国专利申请量和研发经费呈正线性关系，而研发弱小国呈二次或三次函数关系。基于专利大数据挖掘关联关系和结构特征具有重要意义[18，23]，PCT专利适用于研究全球技术创新能力，能够较好地呈现全球技术发展全貌。
2.2 模型构建
如图1所示，本文构建结构化模型，该模型共包括4部分：第一部分为PCT专利大数据收集与处理；第二部分为指标构建与计算，结合5年以前和近5年的技术相对影响力（Relative Impact of Technology，RIT）指标，构建二维散点图评价技术创新态势，并将所有IPC国际专利划分为沉睡、衰退、新兴和强势技术4种类型；第三部分提取IPC间的共现关系，构建反映技术融合趋势的共现网络图谱，并借助h-strength指数和网络社群发现算法提取核心技术群落；第四部分将第二部分和第三部分融合，绘制关键核心技术融合网络图谱，并通过对每个技术群落特征进行深入解读与凝练，提取有价值的技术情报，为科技创新与决策提供参考。
2.3 分析指标
2.3.1 技术相对影响力RIT指数
王冠指数（CWTS）在科研绩效评价领域扮演着重要角色[24]。2010年，Opthof T &Leydesdorff L在王冠指数的基础上提出MNCS（Mean Normalized Citation Score）[25-26]。王冠指数和MNCS用于测算学者或机构在某一学科内相对于世界平均科研水平的影响力，评价对象主要是作为研究主体的学者或学术机构。本文在王冠指数和MNCS的基础上构建技术相对影响力指标，用于测算某一技术相较于该技术所属学科或部门平均科研水平的影响力，计算公式为：
其中，CPPF代表某一技术专利平均被引数，CPPS代表该技术所属学科或部门专利平均被引数。RIT>1表示该技术相对于所属学科或部门具有较高影响力，RIT<1表示该技术相对于所属学科或部门具有较低影响力，RIT=1则表示该技术与所属学科或部门具有相同影响力。由于RIT中的CPPS作为学科或部门的标准化影响系数已经消除不同学科或部门间的引用差距，所以不同学科或部门之间的技术RIT可用于横向比较。RIT值越大，表明该技术影响力越大。本文用IPC的部（一位）代表该技术所属学科或部门，用IPC中的大组（七位）代表一项技术，分别计算各部和各大组的平均被引量，得到CPPS和CPPF。
2.3.2 基于RIT的创新态势分析
1971年，普赖斯提出一个衡量各学科领域文献老化的指标，即普赖斯指数。在一个具体学科内，可用年限不超过5年的引文数量与引文总数之比量化文献老化速度与程度[27]。受普赖斯指数（Price Index）启发，本文绘制基于RIT的二维创新态势分析图，其中横坐标为IPC技术在5年以前的（1978-2017）RIT值，纵坐标为IPC技术近5年（2018-2022）的RIT值。考虑到RIT指标特性，本文将（1，1）作为原点，将散落在4个象限的技术划分为4种不同创新态势。参考张新猛等（2023）将人工智能领域技术主题划分为新兴、热点、潜在、衰退和噪音5个类别的研究，本文将4个象限技术分别命名为强势技术、新兴技术、沉睡技术和衰退技术4种类型。位于第一象限的技术无论是在过去还是近5年RIT一直较高，故将其命名为强势技术；落在第二象限的技术RIT在5年以前一直较低，而在近5年变高，故称为新兴技术；位于第三象限的技术在5年以前和近5年RIT一直较低，故称为沉睡技术；第四象限技术在5年以前RIT较高而在近5年较低，故称为衰退技术。
2.3.3 关键核心技术网络提取
为呈现技术融合态势，本文构建大组水平上的IPC共现网络。然而，由于全球IPC数量巨大且共现网络密集，无法快速发现网络中的关键信息，所以选取hstrength对网络进行截断。H指数由Hirsch于2005年提出，用于评价学者的学术影响力，其定义为：一名科学家的H指数是指该学者发表的NP篇论文中有h篇论文且每篇论文至少被引h次，而其余（NP-h）篇论文每篇被引次数均小于或等于h次。一位学者的H指数表示该学者发表了至多h篇论文，且每篇论文至少被引h次。H指数不仅计算简洁、结果稳健，而且关注高被引论文、平衡论文数量与引用次数，已广泛应用于学术评价、信息测度研究[28]。H指数在2008年被用于专利分析，提出专利H指数的概念。H指数作为抽取顶端信息最有特点的方法，Zhao等[29]在其基础上提出h-strength（hs），用以测量网络高强度联系。其定义为：hs是指该网络中至多有hs条联系分别具有不小于hs的强度。具体操作为：将IPC共现网络转换为邻接表，根据边的链接强度降序排列，取最大的hs，使得最多有hs条链接权重大于等于hs，而其余所有边的权重均小于hs。
3 实证研究
3.1 研究数据
3.1.1 数据来源
本研究选取世界经济合作与发展组织（OECD）发布的REGPAT数据库及引文数据库作为数据来源[30]。该专利数据集（OECD patent datasets）包含专利质量指标数据库（OECD Patent Quality Indicators database）、专利引文数据库（OECD Patent Citation database）、REGPAT数据库（OECD REGPAT database）、三方专利族数据库（OECD Triadic Patent Familydatabase）和HAN数据库（OECD HAN database）等。REGPAT数据库（每年2月和8月更新）包括国际阶段的PCT专利以及向欧洲专利局EPO提交的专利申请，每个专利申请记录包含申请号、公开号和IPC分类号等信息。引文数据库（每年2月和8月更新）涵盖EPO专利、PCT专利和USPTO专利参考文献，包含专利文献和非专利文献（NPL）引用。
3.1.2 数据处理
REGPAT包含4611149行PCT专利申请记录和14887452行“PCT专利-IPC”记录。IPC体系由5个层级构成：部、大类、小类、大组、小组，以支持不同精度的分析需求。鉴于深入分析对细节粒度要求较高，故本文对大组层级进行探讨。数据清洗与去重后，共提取7515个七位IPC分类号（大组），得到10505616行“PCT专利-IPC”记录。其中，专利数量大于100000的IPC专利仅有1个，即A61K031（含有机有效成分的医药配制品）；专利数量介于10000～100000之间的IPC专利共有179个，内容涉及医药技术、基因工程、电数字数据处理、通信技术、半导体器件、材料检测等多个方面；专利数量介于1000～10000之间的IPC专利共有1661个；专利数量介于100～1000之间的IPC专利共有3216个；专利数量介于10～100之间的IPC专利共有1860个。引文数据库包含23961143行PCT专利引文记录，从中提取出3590096行PCT专利间的有效引文记录，并从PCT专利公开号中提取公开年信息。
3.2 数据总体特征
表1展示了IPC各个部的被引特征。由于存在引文累积效应，所以1978—2017年平均被引频次CPPS和2018—2022年CPPS在数量上存在显著区别，但比例总体维持在5～6之间。不同部的CPPS存在显著区别，如C部（化学；冶金）的CPPS值远高于E部（固定建筑物）和F部（机械工程；照明；加热；武器；爆破）。从近5年数据看，C部（化学；冶金）专利平均被引频次最高，F部（机械工程、照明、加热、武器、爆破）专利平均被引频次最低，其它依次为A部（农、轻、医等人类生活需要）、H部（电学）、D部（纺织、造纸）、B部（作业，运输）、G部（物理）和E部（固定建筑物）。
本文构建的RIT指标可消除不同技术部类间的被引特征差异。如图2所示，分别计算1978—2017年和2018—2022年IPC各大组的RIT值，并绘制二维创新态势分析散点图。为清晰展现结果，采用对数形式横纵坐标轴，仅呈现频次大于或等于1000的IPC专利。从中可见，具有强势、新兴、沉睡和衰退技术特征的IPC分类号（大组，前七位）数量分别为489、158、947、247，可见沉睡技术数量明显多于另外3类技术。
3.3 关键核心技术网络图谱构建
多元技术融合网络图谱构建以专利信息中的两个或多个IPC组合共现关系为基础。对专利IPC代码在大组（前7位数）水平上的共现关系进行分析，将截断后的IPC代码去重，得到14887452行“PCT专利-IPC”记录，构建大规模IPC共现矩阵。本研究采用矩阵即网络、网络即矩阵的思想，具体构建过程分为3步：第一步是在大数据处理平台新建一个3列数据表，将PCT专利数据作为第一列、IPC分类号记录作为第二列，将第三列全部设置为1，并保存为txt格式。第二步是利用开源Txt to Pajek软件将3列数据表转换为“二模网络”形式，即开源社会网络分析软件Pajek可识别net格式。第三步将“PCT专利-IPC”网络在Pajek软件中进行“二模网络”到“一模网络”的转换，转换后即可导出大型IPC共现网络图谱。采用h-strength对该大型IPC共现网络进行截断，计算结果为1348。基于网络拓扑间弱连通方法提取包含490个IPC节点的关键核心技术融合网络。
3.4 关键核心技术网络图谱
采用社会网络分析中的Louvain Method社群识别算法对关键核心技术群落进行聚类，通过咨询技术专家对技术群落的技术内涵进行解读。本研究共识别出全球、全领域70多个关键核心技术群落，包括两个超大技术群落、8个较大技术群落、30个中等技术群落和34个较小规模技术群落。由于关键核心技术网络图谱较大，为清晰呈现，本文将图谱在3张图上分别展示，最终结果如图3、图4和图5所示。图3包含179个节点，共10个技术群落；图4包含152个节点，共15个技术群落；图5包含159个节点，共50个技术群落。在图3、图4和图5中，将图2基于RIT值识别的技术创新态势映射到IPC共现关系核心网络节点上，各技术创新态势着色和形状与图2一致，菱形节点代表具有强势特征的IPC分类号，三角形节点代表具有新兴特征的IPC分类号，圆形节点代表具有衰退特征的IPC分类号，方形节点代表具有沉睡特征的IPC分类号。
由图3可知，A部医学、兽医学和卫生学大类（A61）与C部（化学）技术融合形成技术群落#1，表明生物医药产业占据网络核心位置，具有显著技术影响力。通过深入分析可知，其内部结构分为两类：在技术群落#1左侧，它与有机化学大类（C07）间的技术融合属于化学医药领域，包括具有特定治疗活性的化合物或药物制剂（A61P）、杂环化合物（C07D）和医用、牙科或梳妆用配制品（A61K）等；在技术群落#1右侧，它与微生物、酶、突变或遗传工程大类（C12）间的技术融合属于生物医药领域，与具有完全确定序列的糖化物基团、肽及其衍生物（C07K009）、突变或遗传工程（C12N015）、未分化细胞培养或维持（C12N005）等有关。在技术群落#1中还找到一些衰退技术类别，如酶学或微生物学设备（C12M001）、含无机有效成分的医用配制品（A61K033）以及中草药等来自藻类、苔藓、真菌或植物的药物制剂（A61K036）等。除此之外，微生物本身（C12N001）、微生物（C12R001）、肽的一般制备（C07K001）、含氧有机化合物制备（C12P007）以及营养制品（A23L033）等技术类别呈现出沉睡特征。在生物医药技术整体强势的同时，在技术群落#2中，生物材料的物理或化学性质分析也属于强势技术，如用光学手段对材料进行测试分析（G01N021）、以光学方法为特点的计量设备（G01B011）以及用电、电化学或磁的方法测试或分析材料（G01N027）等。
在图3中，技术群落#3为医学外科学技术，包含用于诊断目的的测量（A61B005）、外科器械、装置或方法（A61B017）以及假体材料或假体被覆材料（A61L027）等。总体来看，该技术群落呈现明显的衰退迹象，但计算机辅助外科学和用于外科的操纵器或机器人（A61B034）等技术仍显示出活力。技术群落#4与化妆品、皮肤护理制剂相关，其中化妆品或类似梳妆用配制品（A61K008）和护理皮肤制剂（A61Q019）表现出沉睡迹象，而防晒霜等隔离制剂（A61Q017）、毛发护理制剂（A61Q005）和抗汗或身体除臭制剂（A61Q015）则展现出强势特征。技术群落#5与洗涤组合物相关，群落整体呈沉睡状态，只有一个强势技术，即洗涤组合物其它配料成分（C11D003）。技术群落#6为污水处理、水净化领域，其中水、废水或污水处理（C02F001）等技术表现出衰退特点，而使用半透膜分离方法（B01D061）进行渗析、渗透、超滤等技术属于强势技术。技术群落#7为催化剂技术，在该技术群落中，废气分离与净化（B01D053）为沉睡技术，而含有金属或金属氧化物或氢氧化物的催化剂（B01J023）、包含无机元素或化合物的催化剂（B01J027）、以其形态或物理性质为特征的催化剂（B01J035）以及催化剂制备与活化（B01J037）等为强势技术。技术群落#8为吸附、过滤技术，其中固体吸附剂组合物（B01J020）、使用固体吸附剂进行液体分离（B01D015）和吸附作用（G01N030）等技术属于强势技术。技术群落#9为杀虫剂和植物生长调节剂，其中含有杂环化合物（A01N043）和含有机化合物（A01N037）等组成的技术具有强势特征，含有元素或无机化合物（A01N059）组成的技术具有新兴技术特征。技术群落#10为羧酸酯技术，其中羧酸酯（C07C069）及其制备（C07C067）呈现出沉睡和衰退特征。
如图4所示，左下位置为技术群落#11，即数字信息传输与无线通讯网络技术。这个领域技术主体为H部，涉及传输（H04B）、数字信息传输（H04L）、无线通信网络（H04W）三大类。整个领域技术呈现出强势特征，包括使用辐射场的无线电传输系统（H04B007）、发送或接收电码的设备（H04L017）、为传输通道提供多用途的装置（H04L005）、调制载波系统（H04L027）、网络业务量或资源管理（H04W028）、本地资源管理（H04W072）、连接管理（H04W076）和网络拓扑（H04W084）等。另外，基带系统（H04L025）为新兴技术，而编码检错或纠错（H03M013）为衰退技术。图4左侧为技术群落#12，属于天线（H01Q）技术领域，如天线零部件（H01Q001）、改变天线系统辐射波指向（H01Q003）、在两个以上波段工作天线（H01Q005）和环形天线（H01Q007）等基础技术仍然沉睡，而由导电有源辐射单元组成的电气短天线（H01Q009）、漏波导天线（H01Q013）、天线阵或系统（H01Q021）则为强势技术。
图4中心4个技术群落整体显示出衰退迹象，分别为技术群落#13数据交换网络和电话通讯技术（H04L和H04M）、技术群落#14电数字数据处理和计算机技术（G06F）、技术群落#15用于行政、商业、金融和管理等领域的数据处理系统技术（G06Q）、技术群落#16电视系统（H04N）。同时，这4个技术群落有一些新兴技术和强势技术零星出现，比如在电数字数据处理和计算机技术群落中，通用图像数据处理（G06T001）、图像分析（G06T007）、3D模型或图像计算机制图（G06T019）和基于生物学模型的计算机系统（G06N003）等具有新兴技术特征；在电视系统技术群落中，光学元件安装和调整（G02B007）、放映机（G03B021）、特殊摄影操作（G03B15）和全息图形（G11B007）等具有新兴技术特征，而立体或多视点视频系统（H04N013）、数字视频信号编解码、解压缩（H04N019）等具有强势技术特征。
图4左侧为技术群落#17半导体器件领域（H01L），这一领域出现显著的冷热技术更迭，同时有4种技术创新态势，如由多个半导体或其它固态组件组成的集成电路（H01L027）、印刷电路和照相制版技术（H05K001）、用于制造印刷电路的设备或方法（H05K003）和图纹面及光刻工艺（G03F007）具有强势技术特征；半导体零部件（H01L23）具有新兴技术特征；半导体或固体器件或其部件制造设备（H01L021）、用于整流、放大、振荡或切换的半导体器件（H01L029）、化学气相沉积工艺（C23C016）、真空蒸发、溅射或离子注入等覆层工艺（C23C014）等具有衰退技术特征；至少有一个电位跃变势垒或表面势垒的半导体发光器件（H01L33）以LED技术为代表，其具有沉睡技术特征。
在图4技术群落#18光学系统和仪器（G02B）中，整体节点表现出强势特征。此外，该技术群落还包括光的强度、颜色、相位、偏振或方向等控制元件（G02B026）和液晶材料（C09K019）等新兴技术。在其右侧紧邻的为技术群落#19电致发光材料，它整体同样具有强势特征，比如以OLED技术为代表的有机发光固态器件（H01L051）、电致发光、化学发光材料（C09K011）、电致发光光源（H05B033）和一般电光源电路装置（H05B037）。技术群落#19下方为整体同样具有强势特征的技术群落#20照明装置，包括照明装置系统（F21S002）、点状光源（F21Y101）和照明装置或系统冷却或加热装置（F21V029）等。最下方为技术群落#21光导技术，包含光导使用（F21V008）强势技术、光导装置结构零部件（G02B006）新兴技术、电磁波（红外线、可见光或紫外线）或利用微粒辐射的传输系统（H04B010）和光多路复用通信系统（H04J014）等衰退技术。
另外，技术群落#22层状产品（B32B）整体上表现出强势特征，如由合成树脂组成的层状产品（B32B027）技术。技术群落#23有机高分子化合物制备或化学加工（C08）整体呈现出衰退特征，包括高分子化合物组合物（C08L）、无机物或非高分子有机物作为配料（C08K）等技术，但以化学成分或物理结构或其成分混合比为特征的轮胎（B60C001）却表现出强势特征。此外，技术群落#24黏合剂（C09J007）和#25高分子涂层（C08J007）也在整体上表现出衰退迹象。
如图5所示，最左侧为技术群落#26新能源电池领域，其中电极技术（H01M004）、非活性部件结构零件或制造（H01M002）、二次电池及其制造（H01M010）为强势技术；而电性能或电故障测试装置（G01R031）、电池组充电或供电装置（H02J007）、无线供电或配电电路装置（H02J050）、镍化合物（C01G053）为衰退技术；燃料电池及其制造（H01M008）、交流干线或交流配电网络（H02J003）以及配电网络远距离指示装置（H02J013）表现出沉睡特征。技术群落#27包含不同类型车辆子系统联合控制（B60W010）呈现出衰退特征。在与自动驾驶有关的技术群落#28中，激光雷达系统（G01S017）、无线电波雷达系统（G01S013）和声纳系统（G01S015）等表现出强势特征，道路车辆交通控制系统（G08G001）、导航（G01C021）、地图（G09B029）等技术显示出新兴特征。在增材制造技术群落#29中，增材制造（B29C064）、增材制造设备（B33Y030）、增材制造过程（B33Y010）、用压实或烧结金属粉末方法制造工件（B22F003）、改善金属粉末性能（B22F001）和金属粉末或其悬浮物制造（B22F009）等技术呈现出强势特征。在技术群落#30表面液体涂布中，涂布液体或其他流体工艺（B05D001）、涂布液体表面预处理（B05D003）和特殊表面涂布液体工艺（B05D007）等技术表现出强势特征。在技术群落#31共聚物、共聚催化物和共聚工艺中，聚合催化剂（C08F004）、不饱和脂族烃均聚物或共聚物（C08F010和C08F210）等技术呈现出强势特征，聚合工艺过程（C08F002）呈现出新兴技术特征。在技术群落#32半透膜相关技术中，半透膜制备方法（B01D067）、不同形状、结构或性能特征半透膜（B01D069）、不同材料为特征半透膜（B01D071）等技术均呈现出强势特征。
除此之外，值得关注的是技术群落#33电子标签和电子识别卡（G06K019）、技术群落#34打印和标记（B41M005，B41J002）、技术群落#35塑料挤出成型（B29C47，B29C48）、技术群落#36塑料注射成型（B29C045）、技术群落#37雾化器治疗（A61M011，A61M015）、技术群落#38纸浆非纤维材料添加（D21H017，D21H021）、技术群落#40从井中开采油气矿物设备（E21B043）、技术群落#41铁基合金热处理（C21D009）、技术群落#59羧酸腈（C07C255）和技术群落#61程序控制机械手（B25J009）等技术均存在较小范围的技术融合，并且呈现出强势或新兴技术创新态势。然而，技术群落#42润滑组合物（C01M169）、技术群落#44电机（H02K001，H02K005）、技术群落#45涂料组合物（C09D005）、技术群落#46导电连接（H01R013）、技术群落#47直流交流功率转换（H02M007）、技术群落#51空气调节（F24F013）以及技术群落#64身体训练器械（A63B021）等技术则表现出衰退特征。
如上文所述，结合网络社群识别算法并咨询技术专家建议，对图3、图4和图5进行解读，最终汇总结果如表2所示。表2将技术群落划分为超大、较大、中等和较小4种类型，将技术群落包含的IPC分类号数量和IPC分类号涵盖的专利数量作为综合指标。对于孤立的IPC节点未列入统计目录。需要指出的是，表2中技术更迭特征代表技术群落内部同时含有沉睡、衰退、新兴和强势4种节点，且每一种技术均不占有绝对优势地位。
4 结语
4.1 结论
随着战略性新兴产业技术融合日益加深，技术界限不断被打破和重组，从全局视角下梳理技术间的关联关系、技术群落内部结构和创新态势，对于合理配置技术资源、高效增加创新产出具有重要意义。本研究采用全球PCT专利大数据，识别关键核心技术群落，构建创新态势评估模型，为洞悉全球技术创新热点变迁、辅助宏观产业创新政策制定提供了数据支撑。通过对技术群落创新态势进行深入解读，得出如下结论：第一，生物医药和数字信息传输以及无线通讯网络成为技术创新领头羊，它们不仅表现出强大影响力，专利数量也名列前茅，从而构成全球技术创新的主要推动力。在3个较大技术群落中，光学系统和仪器领域整体呈现强势特征，半导体器件、新能源汽车与自动驾驶则同时包含强势、新兴、衰退和沉睡技术，展现出明显的技术更迭特征。中等规模催化剂、层状产品、增材制造、共聚物及共聚工艺、半透膜及制备、表面液体涂层等技术领域也呈现出强势特征。第二，在整体呈现衰退迹象的技术群落中仍有新兴前沿技术值得关注，如医学外科学技术群落中的计算机辅助外科学和外科机器人技术，电数字数据处理和计算机技术群落中的图像数据建模、处理和分析技术，电视系统技术群落中的全息投影和全息图形技术，钢铁冶金技术群落中的铁基合金热处理技术。
4.2 建议
根据上述研究结论，本文提出如下建议：首先，在强势技术群落和新兴技术群落方面，我国应加强创新研发资助和高质量专利产出，优化海外专利和跨国专利创新资助政策，增强我国在强势技术和新兴技术方面的全球专利优势，从而更好地融入全球创新生态系统。其次，在衰退技术群落和沉睡技术群落方面，我国应该注重技术更迭，及时调整创新方向，注重新兴技术遴选与培育，促进传统产业转型升级。再次，基于关键核心技术群落识别与划分结果展开多角度研究，对我国技术创新结构特征与方向进行梳理，提出我国前沿技术创新治理策略。例如，对中美之间的技术创新态势差异进行对比，解析我国与美国的技术差距，厘清潜在技术发展风险等。
4.3 不足与展望
本研究存在如下不足：首先，采用h-strength截取IPC间共现关系核心网络图谱，使得孤立、规模较小的技术被筛选掉，未在核心网络中呈现，如复合材料成型技术（B29C070）、振动抑制（F16F015）、减小噪声的方法（G10K011）、不可逆循环压缩机（F25B001）、应力计量（G01L001）和小型无人机（B64C039）等强势技术。同样，也存在一些独立新兴技术，如激光束加工（B23K026）、密封（F16J015）、地震或声学探测（G01V001）、利用超声波分析材料（G01N029）、音频信号编解码（G10L019）、利用波或粒子辐射分析材料（G01N023）和车辆清洗（B60S001）等。其次，数据源和分析指标较为限定，主要依赖PCT专利、IPC分类号和引文指标。未来可纳入多样化数据源和分析指标，如三方专利数据集、自然语言处理模型和非专利引文等，以提高研究结论普适度。
参考文献：
[1]ACS Z J，ANSELIN L，VARGA A.Patents and innovationcounts as measures of regional production of new knowledge[J].Research Policy，2002，31（7）：1069-1085.
[2]唐玉洁，李阳.基于时序指数随机图模型的共性技术涌现动力机制研究——以超级电容器绿色储能技术为例[J].科技进步与对策，2024，41（4）：23-32.
[3]OECD.Trends in water-related technological innovation[EB/OL].（2020-04-07）[2023-11-01].https：//www.oecd-ilibrary.org/content/paper/821c01f2-en.
[4]OECD.Measuring environmental innovation using patent data[EB/OL].（2015-06-26）[2023-11-01].https：//www.oecd-ili-brary.org/content/paper/5js009kf48xw-en.
[5]XUAN Y，ZHANG S，LI X，et al.Identify cross-countryknowledge flow and innovation trajectory：insights from patent citation network analysis of 5Gtechnology[J].Technology Analysis & Strategic Management，2023，36（10）：2997-3019.
[6]孙明汉，郭梦园，朱秀珠.基于专利图谱的全球船舶领域创新前沿探测研究[J].中国科技论坛，2023，39（3）：73-81.
[7]JIANG Y，XU J，WANG G.Trade in green patents：howdo green technologies flow in China[J].Journal of TechnologyTransfer，2024，49：823-856.
[8]王格格，刘树林.国际专利分类号间的知识流动与技术间知识溢出测度——基于中国发明授权专利数据[J].情报学报，2020，39（11）：1162-1170.
[9]李姝影，方曙.测度技术融合与趋势的数据分析方法研究进展[J].数据分析与知识发现，2017，38（7）：2-12.
[10]娄岩，赵培培，黄鲁成.基于专利共类的无人机技术融合趋势研究[J].情报杂志，2020，39（11）：68-75，81.
[11]KIM K.Impact of firms′cooperative innovation strategyon technological convergence performance：the case of Korea′s ICT industry[J].Sustainability，2017，9（9）：1601.
[12]YUN J，GEUM Y.Analysing the dynamics of technologi-cal convergence using a co-classification approach：a caseof healthcare services[J].Technology Analysis &StrategicManagement，2019，31（12）：1412-1429.
[13]WILFRED DOLFSMA，LOET LEYDESDORFF.Innovation systems as patent networks：the Netherlands，Indiaand nanotech[J].Innovation，2011，13（3）：311-326.
[14]HUANG Y，ZHU D H，QIAN Y，et al.A hybrid methodto trace technology evolution pathways：a case studyof 3Dprinting[J].Scientometrics，2017，111（1）：185-204.
[15]BRUCK P，RÉTHY I，SZENTE J，et al.Recognition ofemerging technology trends：class-selective study of citations in the US patent citation network[J].Scientometrics，2016，107：1465-1475.
[16]ZHANG B，YU X，ZHANG R.Emerging technology i-dentification based on a dynamic framework：a lifecycle evolution perspective[J].Technology Analysis & StrategicManagement，2024，36（2）：378-392.
[17]KELLEY D J，ALI A，ZAHRA S A.Where do break-throughs come from？characteristics of high-potential in-ventions[J].Journal of Product Innovation Management，2013，30（6）：1212-1226.
[18]WIPO.Global innovation index 2022what is the future ofinnovation driven growth[EB/OL].（2022-09-29）[2023-11-01].https：//www.wipo.int/global_innovation_index/en/2022/.
[19]中国科学院科技战略咨询研究院.技术焦点TOP100基本信息表[EB/OL].（2023-01-18）[2023-11-01].http：//www.casisd.cn/ttxw1/zlyjytt/202301/P020230118343856071936.pdf.
[20]DE RASSENFOSSE G，DERNIS H，GUELLEC D，et al.The worldwide count of priority patents：a new indicator ofinventive activity[J].Research Policy，2013，42（3）：720-737.
[21]KUMAR R，TRIPATHI R C，TIWARI M D.A casestudy of impact of patentingin the current developing economies in Asia[J].Scientometrics，2011，88（2）：575-587.
[22]BARRAGAN-OCANA A，GOMEZ-VIQUEZ H，MERRITTH，et al.Promotion of technological development and determination of or biotechnology trends in five selected Latin American countries：an analysis based on PCT patent applications[J].Electronic Journal of Biotechnology，2019，37：41-46.
[23]王小梅，韩涛，李国鹏，等.科学结构图谱2017[M].北京：科学出版社，2017.
[24]MOED H F，LUWEL M，HOUBEN J A，et al.Theeffects of changes in the funding structure of the Flemishuniversities on their research capacity，productivity andimpact during the 1980＇s and early1990＇s[J].Scientometrics，1998，43（2）：231-255.
[25]LUNDBERG J.Lifting the crown-citation z-score[J].Journal ofInformetrics，2007，1（2）：145-154.
[26]OPTHOF T，LEYDESDORFF L.Caveats for the journaland field normalizations in the CWTS（“Leiden”）evaluations of research performance[J].Journal of Informetrics，2010，4（3）：423-430.
[27]宋艳辉，罗力，武夷山.网络环境下新闻传播学文献老化规律研究[J].中国出版，2016，39（11）：33-36.
[28]赵星，李盛庆，叶鹰，等.H型指数和H型测度研究[M].北京：科学出版社，2018.
[29]ZHAO S X，ZHANG P L，LI J，et al.Abstracting thecore subnet of weighted networks based on link strengths[J].Journal of the Association for Information Science and Technology，2014，65（5）：984-994.
[30]OECD.Intellectual property（IP）statistics and analysis[EB/OL].（2023-09-14）[2023-09-14].https：//www.oecd.org/sti/intellectual-property-statistics-and-analysis.htm.
作者简介：孙明汉（1991-），男，山东临沂人，博士，南京理工大学知识产权学院讲师，南京大学信息管理学院博士后，研究方向为技术创新与知识产权管理；魏雪迎（1997-），女，四川乐山人，南京大学信息管理学院博士研究生，研究方向为定量信息分析；朱秀珠（1995-），女，陕西西安人，南京大学信息管理学院博士研究生，研究方向为定量信息分析。通讯作者：朱秀珠。
