郑巧巧 虎陈霞 徐茜

摘要：技术融合是传统产业实现技术升级的重要手段。本文基于德温特专利数据库中的15 125项智能纺织品发明专利，运用技术生命周期、社会网络、链路预测等方法，从技术领域发展前景、技术融合应用现状、融合机会预测三个方面，对跨领域技术融合在智能纺织领域的发展现状和趋势进行了深入研究。结果表明：智能纺织领域正处于技术发展成熟期，该领域发明专利预计将达21 667项，发展前景良好;跨领域技术融合在智能纺织领域的应用日益广泛，其中数字计算机是智能纺织领域开展跨领域技术融合的重点，已与家用电器等技术领域建立稳定的融合关系;分层产品、电话和数据传输系统等技术领域在后续的技术创新活动中将扮演重要角色。

关键词：技术融合;智能纺织品;链路预测;技术生命周期;社会网络;德温特专利数据库

中图分类号：f407.81文献标志码：a文章编号： 10017003（2022）06001007

引用页码： 061102

doi： 10.3969/j.issn.1001-7003.2022.06.002（篇序）

基金项目：作者简介：郑巧巧（1998），女，硕士研究生，研究方向为技术创新与环境管理。通信作者：虎陈霞，副教授，hcx115@163.com。

随着领域间技术交流的持续推进，技术创新逐渐朝着多元化、复合化方向发展，技术融合作为一种能实现多领域技术合作与交流的技术创新方法，其应用的广度与深度正不断加强，为产业技术升级提供了新思路。技术融合这一概念最早由rosenberg[1]于20世纪60年代提出，他认为技术融合是指相似的技术和生产流程在不同产业中的应用。在接下来的几十年间，许多学者对技术融合提出了新的见解[2-4]。后来，技术融合作为一种重要的技术创新手段，在许多产业中得以应用，逐渐成为学者们开展产业技术研究的重点。gambardella等[5]曾对电子产业开展研究，得出了技术融合有利于提升产业绩效的结论;song等[6]对工业安全领域的技术融合情况进行分析，证实了技术融合是实现工业安全的有效途径;罗恺等[7]将latent dirichlet allocation（lda）主题模型与社会网络理论相结合，用以分析关节机器人领域的技术发展现状，最终得出该领域的宏觀、微观技术融合特征。由此可见，技术融合的相关研究对产业技术创新决策具有重要意义。

面对瞬息万变的市场需求，敏锐地感知市场动向是企业获利的关键。而掌握技术融合的发展趋势恰能帮助企业捕捉技术热点并预测潜在的技术融合机会，从而制定出可靠的创新战略。当前主流的定量技术预测方法有两类：一是基于知识单元重组的预测方法;二是基于链路预测和机器学习的方法[8]。其中链路预测方法的适用范围很广，许多学者都曾将链路预测应用到不同领域的研究中，如刘俊婉等[9]和雷鸣等[10]分别将链路预测应用到了深度学习领域和医学领域。而在链路预测算法中，基于相似性的链路预测算法的应用领域是最为广泛的[11]。

随着第四次工业革命的兴起，传统产业正面临产业升级与技术创新的挑战，亟需相关研究为其指引技术发展方向。纺织业是其中极具代表性的产业。长期以来，中国纺织业凭借产品种类齐全、人工成本较低的优势占据着国际纺织市场的竞争高地，但近年来，由于人口红利消失、制造成本上升等原因，竞争优势逐渐弱化。同时，随着传统纺织品的竞争空间日益缩小，以智能化为导向的智能纺织品备受追捧，使许多纺织企业遇到了技术升级的难关。因此，本研究以纺织业为例，基于智能纺织品专利数据，应用技术生命周期和社会网络理论探究智能纺织领域所处的技术发展阶段及跨领域技术融合的应用现状，进而预测该领域的技术发展前景，最后运用链路预测算法预测智能纺织领域的潜在融合关系，以期为纺织企业的创新决策提供建议。

1 方案设计

1.1 研究思路

首先，应用技术生命周期理论分析专利总量的周期性规律，并判断智能纺织领域所处的技术发展阶段;其次，按照技术生命周期的特点划分数据集，取出各数据集中实现跨领域技术融合的专利的德温特分类代码，并据此绘制共现网络，随后计算各网络的网络整体指标，依据网络整体指标的变化趋势判断跨领域技术融合在智能纺织领域的应用前景;然后，以area under curve（auc）为标准确定各阶段的最佳相似性指标，并取各阶段中相似度最大的15对技术领域作为该阶段的主要融合关系，通过不同阶段间主要融合关系的差异，判断技术热点的变化;最后，基于最后一阶段的网络信息预测下一阶段可能出现的融合关系。技术路线如图1所示。

1.2 研究方法

1.2.1 技术生命周期

技术生命周期表达了技术发展的周期性特征，包含导入期、成长期、成熟期、衰退期四个阶段[12]。

当前基于专利信息判断技术生命周期的方法有很多，李春燕[12]将其归纳为五类：专利指标法、s曲线法、相对增长率法、技术生命周期图法、tct计算法。其中，s曲线法和tct计算法为定量研究方法，可以计算出生命周期中的具体数值，但tct计算法主要用于研究单件专利的技术生命周期，计算技术领域的生命周期时常采用s曲线法。本研究采用s曲线法中的logistic曲线模型[13-14]，模型方程为：4eafa7d6-be52-47b1-9919-0d0aaeded6cd

f（t）=k1+a×e-r×t（1）

式中：f（t）为专利总量;t为时间序列;k、a、r为常数，k为容纳量，表示能达到的最大专利总量;a为曲线的成长率;r为瞬时增长率。

1.2.2 社会网络理论

社会网络理论起始于20世纪30年代，在此后的几十年间，社会网络理论在众多领域得以发展，形成了一套系统的研究方法。社会网络理论以网络的节点及连边为研究对象，能将抽象的关系转化为直观的网络图谱，使关系得以量化，是当前重要的研究方法。本研究选取了平均度、网络密度、平均聚集系数这三个网络整体指标，作为网络宏观分析的依据。

1.2.3 链路预测

链路预测的目的是通过已知的节点和连边信息预测潜在连边形成的可能性。当前研究链路预测的算法有很多，其中，基于局部相似性指标的链路预测算法应用最为广泛且操作更为便捷[11]。但值得注意的是，局部相似性指标并不唯一，且当同一指标应用于不同数据集时，其精度可能存在差异。所以，为了获得更佳的分析和预测结果，本研究选取了5项相似性指标以供选择，分别是adamic adar（aa）[15]、common neighbors（cn）[16]、preferential attachment（pa）[17]、resource allocation（ra）[18]和total neighbors（tn），具体公式如表1所示。

本研究的精度評价指标为auc，表示预测为正的概率值比预测为负的概率值要大的可能性，即将已有连边记作1，潜在连边记作0，则已有连边构成了正例，潜在连边构成了负例。从正例中取出一条连边，将该连边对应的相似度记作a1，负例中取出一条潜在连边，将该连边对应的相似度记作a2，比较两者大小。当a1>a2时，记作1分;当a1=a2时，记作0.5分;当a12