基于組織－技術依存網絡的技術融合機理

劉曉燕　龐雅如　謝桂生

摘要： 技術融合能夠顯著提高企業的創新能力，對技術融合機理的深入探索有助于選擇合適的創新伙伴和融合技術。構建依存型網絡分析模型，探究技術特征和技術依附的組織特征與技術融合的關系，并對人工智能產業進行實證研究。研究表明：吸收能力強或擴散能力強的技術容易吸收或流向其他技術；技術成熟度高、技術鄰近性強的兩種技術容易發生雙向流動；被多個組織擁有的共性技術不容易吸收其他技術，但容易流向其他技術，單個組織內擁有的技術間容易發生雙向流動。

關鍵詞： 技術融合；組織－技術依存網絡；社會選擇模型；人工智能產業

中圖分類號： G315；F273.1文獻標識碼： A

Technology Convergence Mechanism Based on Organization-Tech Dependency Network

LIU Xiaoyan，PANG Yaru，XIE Guisheng

（College of Economics andManagement， Beijing University of Technology， Beijing 100124， China）

Abstract：Technology convergence can significantly improve the innovation ability of enterprises. In-depth exploration of technology convergence mechanism is helpful to select suitable innovation partners and integrated technologies. This paper constructs a dependent network analysis model， explores the relationship between technical characteristics and organizational characteristics of technical attachment and technical convergence， and makes an empirical study on artificial intelligence industry. The research shows that， the technology with strong absorption or diffusion ability is easy to absorb or flow to other technologies; Two technologies with high technology maturity and strong technology proximity are prone to two-way flow. Common technologies owned by multiple organizations are not easy to absorb other technologies， but easy to flow to other technologies; The technology owned by a single organization is prone to two-way flow.

Keywords： technology convergence; organization-technology dependency network; social selection models; artificial intelligence industry

0 引言

伴隨著后疫情時代全球市場競爭格局的變化，以及“大智移云”技術的發展，越來越多的企業需要借助研發擺脫面臨的困境，技術創新已成為關乎企業生存與發展的命脈。除少數大型高新技術企業外，大多中小企業創新能力不高，傳統突破式的創新模式難度大，成本高［1］，難以滿足企業對技術創新的需求，更高效的創新模式成為創新研究的焦點。技術融合在多種現有技術的基礎上進行改進或創新［2］，為突破技術瓶頸提供潛在的技術解決方案，能夠顯著提高企業的創新能力，并深刻影響企業和國家的競爭力。然而由于技術融合產生機理不明，導致企業在選擇融合技術及融合的合作伙伴時存在較大的隨意性、融合效率低、成本高等一系列問題［3］，因此需要研究什么樣的技術更容易融合、組織對于技術融合的影響，才能從本源上揭示技術融合形成過程，為政府制定引導產業融合的創新政策提供參考，為企業選擇合作伙伴、選擇融合技術提供依據。

目前大多數研究［4］主要根據經驗和以往結果來設置特定自變量，即可能影響技術融合的因素，用某個因變量表征技術融合，探究自變量和因變量的關系，從而檢驗和確定技術融合的影響因素，但這種方法往往只能發現淺層次影響技術融合的因素，不能深層次挖掘內在可能未知的過程對技術融合的影響。對于技術融合產生機理的研究旨在探究未知的、具體的融合過程對技術融合的促進或抑制作用，一部分側重于技術層面，認為相似技術之間更容易發生融合［5］；技術復雜程度越高的領域，進行的科學研究越少，越不容易發生融合［6］。另一部分關注組織層面，認為政府與企業之間的合作關系越強，越容易促進技術融合的發生［3］；一個組織內部發生明顯的技術融合，不同組織的技術很少發生跨組織的技術融合［7］。

可以發現：1）技術作為企業創新活動中的重要知識資源，依附于組織而存在，要真正揭示技術融合的本源，還要考慮到技術依附的組織特征。2）技術融合是指通過技術轉移或合作研發的方式引進新技術，與自身技術有機整合的持續性創新活動。不同于合作研發，技術轉移立足技術流動的視角將技術融合過程分為搜索、選擇、轉移、吸收、轉化、再創新［8］，為技術融合賦予了方向性，有助于進一步探索技術融合軌跡。因此，一方面本文探究技術特征和技術的組織特征對技術融合的影響，為融合技術和創新伙伴的選擇奠定基礎；另一方面從技術轉移的角度出發將技術融合過程分為技術間的單向流動和雙向流動［9］，幫助組織結合技術融合的方向特征選擇融合技術。

1 分析框架與研究假設

技術融合由多種技術交叉重組產生，這種交叉重組關系形成了技術融合網絡。技術融合關系的產生受到多種因素的影響，可以概括為技術特征和技術依附的組織特征。

技術特征包括技術融合網絡內生結構特征和技術外生屬性特征。首先，技術嵌入在網絡中，網絡的結構特征例如互惠性、擇優鏈接是形成關系的重要因素，這些因素是否依然能夠影響技術融合關系的形成需要進一步驗證。其次，技術的外生屬性，如技術成熟度、技術鄰近性也是影響融合的重要因素，Jeong［3］認為技術成熟度水平對技術融合會產生較大影響，毛薦其［10］發現技術成熟度會削弱技術融合程度和創新績效間的關系；Lazzeretti［11］提出技術要素間發生重組需要一定相似的技術基礎作為先決條件，李丫丫［12］發現相似性高的技術之間有更大的融合機會。因此，本文將以上影響因素作為技術特征的研究對象。另外，技術融合一方面體現為組織內部技術的融合，另一方面體現為跨組織技術融合，本文從此角度研究技術的組織特征。

對于技術融合過程中技術的單向流動和雙向流動，以技術A和技術B之間的流動為例，如果只存在技術A向技術B的流動或只存在技術B向技術A的流動，則技術A與技術B間為單向流動，如果既存在技術A流向技術B，又存在技術B又流向技術A的現象，則技術A和技術B間為雙向流動。

1.1 技術特征與技術融合

1）網絡內生結構特征與技術融合。擇優連接是復雜網絡的一種常見動力學機制，擇優連接機制中的度數擇優連接［13］認為在一個規模較大的網絡中，已擁有較多鏈接或度中心性較大的節點更受青睞，相對于其他節點更容易產生聯系。對于技術融合網絡，技術節點入度高表示該技術節點吸收融合了大量來自其他技術節點的知識，技術節點出度高表示該技術節點向外發送了大量技術知識，根據網絡的擇優連接機制，這兩類節點可能更意愿吸收其他異質知識或更容易吸引并流向其他技術［14］。本文認為擇優連接的關鍵技術有更大幾率在技術融合中受到青睞。對于吸收能力強的技術：一方面技術的創新活力高或與多種技術重疊，易于融合內化其他技術，因此能夠源源不斷地吸收融合其他技術；另一方面吸收能力強的技術在融合多項技術后，積累了技術融合的寶貴經驗，從而可以有效促進和其他技術的融合。對于擴散能力強的技術：一方面此類技術一般為基礎性技術，其他技術與之融合過程面臨較少困境，融合發生相對容易，因而易于向其他技術擴散；另一方面該類技術屬于研究熱點，發展潛力大，前景遼闊，其他技術與之融合后在未來競爭中更具優勢，因此不斷吸引眾多技術，技術知識可能也更容易流向其他技術［15］?；诖?，提出假設：

H1a：吸收能力強的技術容易吸收其他技術；

H1b：擴散能力強的技術更容易流向其他技術。

2）技術外生屬性與技術融合。技術的外生屬性對網絡聯系的形成至關重要，本文主要涉及技術成熟度和技術臨近性兩個外生屬性對技術融合的作用研究。技術成熟度是指某項技術在一定技術發展軌道上達到的程度和階段，能夠判別當前技術的發展水平。（1）技術成熟度越高表示對該技術的研究越廣泛，技術發展越成熟，創新投入產出的邊際效用越小，繼續研發很難有突破性進展，需要另辟蹊徑［16］，這就導致了技術成熟度越高的技術越需要借助技術融合進行創新。（2）技術成熟度越高，在該領域中所聚集的研究人員越多，也意味著該技術在研發上擁有高質量的科研基礎和研發要素［17］，具有持續創新的條件。（3）行業技術較成熟時，技術規模大，技術規模對技術融合呈正向驅動效應［18］，企業也更愿意實施高階的融合創新模式［19］。（4）技術規模的匹配性是融合技術選擇的關鍵要素之一，擁有成熟技術的組織往往選擇與同樣擁有成熟技術的組織進行合作，從而實現融合的高起點。（5）除技術本身特質外，考慮到融合方向，本文認為成熟度高的技術間雙向流動可能更為普遍，一方面可以降低融合的風險并避免投機主義，另一方面可以實現經濟效益的最大化，通過構建互惠互利的共享技術體系，以更高的效率促進融合?；诖?，提出假設：

H2：技術成熟度高的技術間更容易發生雙向流動。

技術鄰近性是指技術間結構和知識基礎的相似性程度，能夠判斷技術間的距離［20］。（1）鄰近性高的技術擁有相同的技術基礎，技術理解相對容易。（2）技術鄰近性越高對技術融合的約束越小，不需要過多的創新資源便可以完成技術融合，因此技術融合成本低，融合所引發的風險小。（3）同一技術領域內的知識流動更為順暢，同時技術之間相互吸收與擴散也更為顯著，且相關研究已表明技術領域內部知識流動的次數高于外部［21］。（4）擁有鄰近性技術的組織和研發人員間交流更頻繁，為技術融合創造了條件。（5）考慮到融合方向，本文認為技術鄰近性高的技術間雙向流動往往可以促使技術充分融合，是提高融合效率的不錯選擇?；诖?，提出假設：

H3：技術鄰近性高的技術間更容易發生雙向流動。

1.2 技術依附的組織特征與技術融合

1）組織內部技術融合。組織的融合創新旨在通過融合不同類型的技術知識來提高組織核心競爭力，從而實現組織未來可持續發展。組織內部技術融合是最常見的融合方式，在促進技術融合方面有諸多優勢。（1）由于融合所需要的技術均來自同一組織，融合過程中遇到的地域，文化等障礙較小，組織內部溝通較為方便，因此融合越有可能順利發生［11］。（2）組織內部技術融合是指企業根據已有技術自主研發所需技術，不涉及企業間的知識產權轉讓問題，節省了技術知識交流的成本，同時也降低了企業自身核心技術泄露的風險。（3）組織內部員工的關系網絡也為技術知識的擴散提供了良好的渠道，對技術融合具有較大的促進作用［22］。（4）組織內部的技術包括現有技術和新增技術，為了盡快掌握新增技術并以最高速率內化為企業的技術基礎，組織往往會選擇將新增技術與現有技術相整合，從而實現技術價值的快速增值。（5）迫于創新績效和創新成本，已發生技術融合但只存在單向流動的技術，無法使技術創新產生的價值最大化，雙向流動往往是實現企業內技術資源充分利用的最優策略，能最大效率地實現技術創新同時降低研發成本。因此單向流動將轉化為雙向流動。（6）在合作過程中主體間的知識共享、組織內部顯性的知識流動為技術間雙向流動創造了良好條件，創新主體合作中隱性知識流動成為雙向流動的“催化劑”?；诖?，提出假設：

H4：組織內部的技術間易于發生雙向流動，較少發生單向流動。

2）組織間技術融合。不同組織間的技術相對于組織內部技術而言差異性較大，組織制度、技術等邊界限制了技術之間的相互交流，技術融合面臨一定的障礙，但不同技術領域的組織相互協作產生的新技術具有更大的價值，有助于進一步促進下一階段的產業融合，因此需要對組織間技術融合過程深入探究。

共性技術是組織間技術融合的重要切入點，在整個技術創新鏈中處于基礎性地位，具有廣闊的適用性和開放性，能夠為多種創新技術的發展提供支撐［23］。目前對于共性技術的研究大多數是基于產業的宏觀背景。共性技術通常是指在很多領域內已經或未來可能被普遍應用，其研發成果可共享并對整個產業或多個產業及其企業產生深度影響的一類技術。而產業是一個寬泛的概念，企業或組織是其基礎單位，多個生產同類產品的企業構成行業，然后多種相互關聯的行業形成了產業。因此立足于微觀角度，產業的共性技術即組織的共性技術，產業的共性技術特征同樣適用于組織的共性技術，例如外部性、關聯性、風險性等特征［24］。（1）從組織共性技術外部性特征視角，共性技術被多個組織所共享，具有較強的公共性質，相關組織難以獨自享有共性技術成果，即共性技術所帶來的成果和收益會不斷向外溢出，并被整個社會所共享，體現為顯著的知識外溢性。（2）從組織共性技術關聯性特征視角，共性技術往往具有多學科背景，與各類技術都有較好的鍥合度，其他技術與該共性技術進行融合效率較高。而且由于共性技術擁有多學科知識，所包含的技術種類豐富，吸引了其他技術與之融合，因而共性技術也更容易流向其他技術。（3）從組織共性技術風險性特征視角，共性技術的后續研發和應用面臨諸多風險［25］，由于共性技術處于商業化的早期階段，前景未知，而且研發過程中具有周期長、投入多等特征，貿然吸收其他新技術進一步研發顯示出較大的不確定性，存在技術、市場及投資風險，這意味著組織擁有的共性技術不容易吸收其他技術，實現共性技術的創新?；诖?，提出假設：

H5：多個組織所擁有的共性技術容易流向其他技術，不容易吸收其他技術。

2 研究方法

2.1 組織－技術依存型網絡構建

為了清晰刻畫技術自身的特征和組織的技術特征，本文選擇依存網絡模型，模型主要包括兩個網絡：技術融合網絡和組織技術隸屬網絡，技術融合網絡節點表示技術，弧表示技術之間的融合關系。組織技術隸屬網絡是二部圖，節點分為組織、技術兩類，邊表示組織和技術的隸屬關系。如圖1所示。

1）技術融合網絡。技術融合關系的抽取借鑒了苗紅［12］所提出的方法，主ipc號代表專利中最重要的技術特征，專利間的引用關系即為主ipc號間的引用關系，也是技術之間的融合關系。

2）組織－技術隸屬網絡。本文將組織與技術結合起來，根據專利權人的共現篩選出所研究的組織，在此基礎上從incopat專利數據庫中查找每個組織在技術融合網絡中對應的技術（ipc號），建立組織－技術隸屬網絡。

2.2 社會選擇模型構建

依存型網絡模型需要通過社會選擇模型（SSMs）來實現，社會選擇模型［26］是多層指數隨機圖模型（MERGMs）的擴展應用，標準MERGMs模型考慮了3個網絡間的相互依賴性，以及一個層次的網絡聯系對另一個層次網絡結構的影響，并未涉及節點屬性。而社會選擇模型（SSMs）考慮個人偏好與集體選擇，將外生節點屬性與網絡自組織過程結合解釋網絡的形成過程。與ERGM類似，使用馬爾可夫鏈蒙特卡羅最大似然估計算法進行參數估計，通過描述網絡局部拓撲結構統計量對社會網絡結構進行統計性分析，量化關系形成的過程和影響因素。兩級網絡的社會選擇模型的一般形式為

本文以SSMs為基礎構建兩個模型，模型1涉及技術融合網絡的配置（包括內生結構和外生屬性），模型2添加組織－技術隸屬網絡共同構成依賴網絡的結構配置。

2.3 指標測度

1）技術融合網絡內生結構測度。內生結構依賴體現為網絡形成過程中的自組織特征，一個聯系是否出現依賴于其他網絡聯系的存在，這些網絡聯系形成的配置或模型效應直接影響網絡內關系的建立和解散［27］。邊（ArcB）和互惠性（ReciprocityB）是模型構建的基礎性指標。技術融合網絡中技術的擴散能力在網絡中表現為擴張性，可以使用結構性指標交互－出－星（AoutSB）表示，吸收能力表現為節點的聚斂性，可以使用交互－入－星（AinSB）表示。

2）技術融合網絡外生屬性測度。本文主要探討技術成熟度和技術鄰近性對技術融合網絡形成的影響。選擇模型scale_SumReciprocityB參數驗證技術成熟度高的技術間是否容易發生融合，技術成熟度以專利數量來衡量［28］。以type_MatchReciprocityB參數驗證技術鄰近性對技術融合的影響，以技術所屬ipc部測度技術領域。

3）技術－組織依存網絡結構測度。本文通過多次試驗，結合仿真網絡的收斂特征選擇交互－X－星－1B－入（AXS1Bin）、交互－X－星－1B－出（AXS1Bout）指標衡量受歡迎的隸屬關系對技術融合的影響。交互三角X－B－X－邊（ATXBXarc）和交互三角X－B－X－互惠（ATXBXreciprocity）指標衡量組織內部技術節點彼此融合的趨勢。

具體參數項定義如表1所示。

3 實證研究

人工智能技術由多學科知識交叉而成，且在社會發展的各個領域都有著極為廣泛的應用［29］。人工智能產業作為先導產業，即新一輪產業變革的核心驅動力，與各類傳統制造業產業融合有助于產業升級和制造業的服務化轉型，將對人類生活和社會進步產生極為深遠的影響。因此本文將人工智能產業作為研究對象，構建多層網絡并探索技術融合的產生機理。

3.1 數據來源及網絡構建

本文選擇Incopat數據庫作為專利數據的來源，通過檢索與人工智能相關的發明專利獲得檢索數據，主要參考了大量人工智能文獻及2019年世界人工智能大會發布的《2019世界人工智能技術趨勢發展報告》確定檢索式中的關鍵詞，并對2010年到2020年10年間所有國家申請的全部專利進行檢索。篩選合享價值度為9－10分的高價值專利作為研究的基礎數據集，提取出專利信息中的主ipc引用數據、專利權人共現數據及組織擁有的ipc分類號等信息。得到63個技術節點和節點之間的融合關系，98個組織節點；組織－技術隸屬關系通過檢索單個組織發布的所有專利，并提取出前50個出現次數最多的ipc號，結合已確定的63個ipc號得到最終組織擁有的ipc號。技術融合網絡（B網絡）和組織－技術隸屬網絡（X網絡）如圖2所示，圓形節點代表技術節點，圓形節點間的連線代表他們之間的融合關系，方形節點為組織節點，方形節點與圓形節點之間的連線代表組織和技術的隸屬關系。

3.2 仿真結果分析

借助MPNet軟件對人工智能產業的技術特征與技術的組織特征對技術融合的影響分別建模，模型收斂后得到的參數估計的最終結果如表2所示。

Model1檢查技術特征對技術融合的影響。負向顯著的ArcB參數表明技術融合網絡中較少的節點對呈現單向流動趨勢，正向顯著的ReciprocityB參數則表示技術融合網絡中雙向流動在整個網絡中占較大比重。AinSB的參數值也正向顯著，同時，AoutSB的參數估計值正向顯著，這意味著吸收能力強的技術容易吸收其他技術，擴散能力強的技術更容易流向其他技術，接受H1a，H1b。理論層面上可以由擇優連接理論解釋，實際層面上是由于入度高或吸收能力強的節點具有高學習性的特點，擁有廣泛融合新技術的趨勢，而出度高或擴散能力強的節點較為簡單且發展潛力較大，容易流向其他技術。scale_SumReciprocityB的參數估計值正向顯著，因此技術成熟度高的兩種技術更容易發生雙向流動，接受H2，進一步說明技術成熟度高的外部技術能夠帶來更高的價值，更具吸引力。type_MatchReciprocityB的參數估計值正向顯著，表明技術鄰近性高的技術間更容易發生雙向流動，接受H3，表明類型相同或相似的技術間距離較近，融合步驟少，更容易順利融合。

Model2檢查技術擁有的組織特征對技術融合的影響。ATXBXarc參數估計值負向顯著，而ATXBXreciprocity參數估計值正向顯著，符合H4，說明人工智能產業中單個組織內擁有的技術之間不容易發生單向流動，但更容易發生雙向流動，這是因為如果發送方技術節點愿意共享自己的知識且接收方節點擁有較強的吸收能力，那么技術知識流動就越有可能發生，而如果發送方技術節點只希望吸收其他技術，不愿意共享自己的技術，那技術之間就很難產生融合。負向顯著的AXS1Bin參數和正向顯著的AXS1Bout參數說明被大量組織擁有的共性技術不容易吸收其他技術，同時被大量組織擁有的共性技術容易向其他技術擴散，接受H5，一定程度上也證實了共性技術的知識外溢性和研發過程中存在的風險性。

4 模型穩健性驗證

本文選擇從計量方法角度對模型結果比較并檢驗，由于專利引用方法和分類號共現方法是兩種普遍用來構建技術融合網絡的方法，區別是專利引用方法構建的是有向網絡，而ipc共現網絡是無向網絡。本文選擇ipc共現網絡作為穩健性檢驗的技術融合網絡，并重新構建組織－技術隸屬網絡，選取類似參數建模得到模型3，模型3的參數估計結果如表3所示。

根據模型3的結果，可以發現ASB參數估計值正向顯著，說明融合能力強的技術愿意與新技術建立合作關系，易于與新技術產生融合。scale_SumB參數估計值正向顯著，與scale_SumReciprocityB結果相同，意味著技術成熟度高的技術間確實更容易產生融合。type_MatchB參數估計值與type_MatchReciprocityB的參數估計值都正向顯著，說明技術鄰近性高的技術間更容易發生融合。StarAXAB參數估計值負向顯著，說明組織所擁有的共性技術很難與其他技術產生融合，而采用主ipc號引用進行研究時，發現組織擁有的共性技術不容易吸收其他技術，但更容易流向其他技術。ATXBX參數估計值正向顯著，說明人工智能產業組織內部技術融合較普遍，結合本文modle2的ATXBXarc和ATXBXreciprocity的參數估計值，發現組織內技術間側重于雙向流動，而不是單向流動。

綜上，對于大多數參數估計值，主ipc引用網絡作為技術融合網絡得出的參數結果與ipc共現網絡形成的參數結果大致相似，說明了基于主ipc引用網絡構建的模型較為穩健，參數結果也較為可靠。此外ipc共現方法只能探究技術之間是否存在融合，而專利引用方法不僅能探究技術之間是否存在聯系，還能進一步明確技術的具體融合過程及方向，因此專利引用探究技術融合機理某些程度上優于專利共現。

5 結論及建議

本文建立了從技術特征和技術依附的組織特征探究技術融合機理的分析框架，采用主ipc引用表征技術融合，構建了組織－技術依存網絡，并結合社會選擇模型進行建模，有效彌補了以往研究只關注于什么樣的技術有利于融合，而缺乏對具體融合過程深入了解的不足。人工智能產業的實證結果表明：1）對于技術特征對技術融合的影響表明，吸收能力強的技術節點更容易吸收融合其他技術，擴散能力強的技術節點容易流向其他技術；技術成熟度高的兩種技術更容易發生雙向流動；技術鄰近性高的兩種技術更容易發生雙向流動，具有上述特征的技術需要重點關注。例如人工智能產業中物理領域的G05B技術，吸收了物理領域的G06K、G06N、G06F、G06Q、G01R、G10L、G01C、G08C和G05D，作業運輸領域的B25J和B23Q等多個不同領域的技術，吸收能力強，具有吸收融合更多其他領域技術的潛力。2）技術依附的組織特征對技術融合的影響表明，組織間擁有的共性技術不容易吸收其他技術，但更容易流向其他技術；單個組織內擁有的技術之間不容易發生單向流動，但更容易發生雙向流動。例如人工智能產業組織間共性技術：物理領域的G06F是多個組織所共有的技術，不容易吸收其他技術，但容易流向其他技術，可以作為技術融合的焦點技術與其他技術進行融合。

通過對人工智能產業技術融合的實證研究，發現人工智能產業內部技術融合相對較少，仍處于發展階段，技術特征和組織的技術特征均對人工智能技術融合有較大影響。1）企業技術和伙伴選擇上，對于技術而言，針對吸收能力強的技術，企業應當借助合作、技術交易等手段促進該項技術吸收融合其他新技術，從而達到創新的目的；針對擴散能力強的技術，企業應當扶持該項技術，促成其他技術與該類技術的融合；企業內部存在單向流動的技術對，即此類技術對中只存在某一種技術流向另一種技術的現象，企業應著力實現其反向過程，使融合程度進一步加深，例如某企業內部只存在G09B到G06Q的單向流動，則企業可著力實現G06Q到G09B方向的技術流動。企業選擇相同行業或相近領域的合作伙伴可以提升融合的效果，當跨領域合作時，選擇擁有擴散能力強的技術的合作伙伴，例如物理領域的G08G技術擴散能力強，企業可優先選擇與擁有G08G技術的組織進行協作；成長階段的企業可以選擇擁有共性技術的組織進行合作；當企業的技術成熟度高時可以選擇擁有成熟技術的企業進行合作，例如物理領域的G06K，G06F，G10L技術成熟度高，擁有該類技術的企業可選擇與其他擁有同樣高成熟度技術的組織合作。2）政府政策制定上，政府是技術融合的主要牽動力，應加強對技術融合方向的宏觀調控，給予技術組織明確的政策引導。根據人工智能產業技術融合的發展模式，重點識別扶持擴散能力強的架構型技術以有效帶動技術融合的擴散，引導技術間的相互融合，深度融合，以更高效率的融合方式促進產業升級。

由于不同產業的性質不同，融合趨勢可能也有所區別，未來可以使用本文提出的分析框架對其他產業進行研究，分析不同產業技術融合的共性與特性。

參考文獻：

［1］孫笑明，陳毅剛，王雅蘭，等.國家主導技術創新組織模式研究——技術創新選擇視角［J］.科技進步與對策，2021，38（5）：19－28.

SUN X M， CHEN Y G， WANG Y L， et al. Research on organizational model of national leading technology innovation： the perspective of technological innovation selection［J］. Science & Technology Progress and Policy， 2021，38（5）：19－28.

［2］朱巍，陳慧慧，田思媛，等.人工智能：從科學夢到新藍?！斯ぶ悄墚a業發展分析及對策［J］.科技進步與對策，2016，33（21）：66－70.

ZHU W， CHEN H H， TIAN S Y， et al. Artificial intelligence： new blue ocean from a scientific dream-analysis and countermeasures of the development situation of Al industry［J］. Science & Technology Progress and Policy， 2016，33（21）：66－70.

［3］JEONG S， LEE S. What drives technology convergence？ exploring the influence of technological and resource allocation contexts［J］. Journal of Engineering and Technology Management， 2015， 36（5）：78－96.

［4］KIM D G， CHOI S O. Impact of construction IT technology convergence innovation on business performance［J］. Sustainability， 2018， 10（11）： 3972－3988.

［5］LEE C， KOGLER D F， LEE D. Capturing information on technology convergence， international collaboration， and knowledge flow from patent documents： a case of information and communication technology［J］. Information Processing & Management， 2019， 56（4）： 1576－1591.

［6］CAVIGGIOLI F. Technology fusion： identification and analysis of the drivers of technology convergence using patent data［J］. Technovation， 2016， 55（2）： 22－32.

［7］周源，董放，劉宇飛.融合新興領域知識融合過程研究——以生物信息領域為例［J］.圖書情報工作，2019，63（8）：127－134.

ZHOU Y， DONG F， LIU Y F. Research on the pocess of knowledge fusion in emerging fields： a case study of bioinformatics［J］. Library and Information Service， 2019，63（8）：127－134.

［8］涂振洲，顧新.基于知識流動的產學研協同創新過程研究［J］.科學學研究，2013，31（9）：1381－1390.

TU Z Z， GU X. Study on process of industry-university-research institute collaborative innovation based on knowledge flow［J］. Studies in Science of Science， 2013，31（9）：1381－1390.

［9］張慧穎，孫亞平.技術融合角度的京津冀智能制造協同創新研究［J］.天津大學學報（社會科學版），2020，22（3）：235－245.

ZHANG H Y， SUN Y P. Research on collaborative innovation of Beijing-Tianjin-Hebei intelligent manufacturing from the perspective of technology integration［J］. Journal of Tianjin University（Social Sciences）， 2020，22（3）：235－245.

［10］ 毛薦其， 李新秀， 劉娜. 技術會聚對創新績效的作用機制研究［J］. 科技進步與對策， 2018， 35（20）：15－20.

MAO J Q， LI X X， LIU N. The effect mechanism of technological convergence on innovation performance［J］. Science & Technology Progress and Policy， 2018， 35（20）：15－20.

［11］ LAZZERETTI L， CAPONE F. How proximity matters in innovation networks dynamics along the cluster evolution. A study of the high technology applied to cultural goods［J］. Journal of Business Research， 2016， 69（12）： 5855－5865.

［12］ 李丫丫，趙玉林.基于專利的技術融合分析方法及其應用［J］.科學學研究，2016，34（2）：203－211.

LI Y Y， ZHAO Y L. Method and application of technological convergence analysis base on patents［J］. Studies in Science of Science， 2016，34（2）：203－211.

［13］ 王曉光. 科學知識網絡的形成與演化（Ⅱ）：共詞網絡可視化與增長動力學［J］. 情報學報， 2010， 29（2）：314－322.

WANG X G. Formation and evolution of science knowledge network（Ⅱ）：co-word network visualization and growth dynamics［J］. Journal of the China Society for Scientific and Technical Information， 2010， 29（2）：314－322.

［14］ 王曉紅，張寶生.知識網絡結構特性對知識流動作用分析［J］.價值工程，2010，29（2）：11－13.

WANG X H， ZHANG B SH. Analysis of the role of knowledge network′s structure characteristics for knowledge flows［J］. Value Engineering， 2010，29（2）：11－13.

［15］ 馬費成， 劉向. 知識網絡的演化（Ⅲ）：連接機制［J］. 情報學報， 2011， 30（10）：1015－1021.

MA F C， LIU X. Evolution of knowledge networks（ III）： attachment mechanism［J］. Journal of the China Society for Scientific and Technical Information， 2011， 30（10）：1015－1021.

［16］ 湯文仙. 技術融合的理論內涵研究［J］. 科學管理研究， 2006， 24（4）：31－34.

TANG W X. Exploration on theory of technology convergence［J］. Scientific Management Research， 2006， 24（4）：31－34.

［17］ 薛紅志.新技術企業的技術專利與外部資源整合［J］.科學學研究，2010，28（1）：10－16.

XUE H Z. The impact of new technological ventures′ patents on acquisition of outside resources［J］. Studies in Science of Science， 2010，28（1）：10－16.

［18］ 苗紅，趙潤博，黃魯成，等.基于LMDI分解模型的技術融合驅動因素研究［J］.科技進步與對策，2019，36（3）：11－18.

MIAO H， ZHAO R B， HUANG L C， et al. Analysis of the drivers of technology convergence based on LMDI decomposition model［J］. Science & Technology Progress and Policy， 2019，36（3）：11－18.

［19］ 楊鳳鮮，李平.企業技術融合創新模式選擇研究［J］.中國科技論壇，2015（1）：78－83.

ZHAO F X， LI P. The choice of technology fusion modes based on technology development strategy［J］. Forum on Science and Technology in China， 2015（1）：78－83.

［20］ 史烽，高陽，陳石斌，等.技術距離、地理距離對大學－企業協同創新的影響研究［J］.管理學報，2016，13（11）：1665－1673.

SHI F， GAO Y， CHEN S B， et al. Technological distance， geographical distance and university-enterprise synergetic innovation［J］. Chinese Journal of Management， 2016，13（11）：1665－1673.

［21］ 魏紅芹，周成.專利間知識流動與技術融合趨勢研究［J］.科技進步與對策，2018，35（22）： 17－22.

WEI H Q， ZHOU CH. Trend Research for knowledge flows of patents and trends of technology fusion［J］. Science & Technology Progress and Policy， ，2018，35（22）： 17－22.

［22］ 劉曉燕，王晶，單曉紅，等.基于多層網絡的創新網絡節點間技術融合機理［J］.科學學研究，2019，37（6）：1133－1141.

LIU X Y， WANG J， SHAN X H， et al. Technological convergence mechanisms of innovation network based on multi-level networks［J］. Studies in Science of Science， 2019，37（6）：1133－1141.

［23］ 郭曉林，魯耀斌，張金隆，等.產業共性技術與區域產業集群關系研究［J］.中國軟科學，2006（9）：111－115.

GUO X L， LU Y B， ZHANG J L， et al. Analysis on the relationship between industrial generic technology and regional industry cluster［J］. China Soft Science， 2006（9）：111－115.

［24］ 韓元建，陳強.共性技術擴散的影響因素分析及對策［J］.中國科技論壇，2017（1）：53－59.

HAN Y J， CHEN Q. Factors influencing the diffusion of generic technology and countermeasures［J］. Forum on Science and Technology in China， 2017（1）：53－59.

［25］ 鄭彥寧，浦墨，劉志輝.基于產業創新鏈的產業共性技術識別基本理論探討［J］.情報理論與實踐，2016，39（9）：53－58.

ZHENG L N， PU M， LIU ZH H. Theoretical discussion on industrial common technology identification based on industrial innovation chain［J］. Information Studies： Theory & Application， 2016，39（9）：53－58.

［26］ WANG P， ROBINS G， PATTISON P， et al. Social selection models for multilevel networks［J］. Social Networks， 2016， 44（2）： 346－362.

［27］ WANG P， PATTISON P， ROBINS G. Exponential random graph model specifications for bipartite networks-a dependence hierarchy［J］. Social Networks， 2013， 35（2）：211－222.

［28］ 張換高，趙文燕，檀潤華.基于專利分析的產品技術成熟度預測技術及其軟件開發［J］.中國機械工程，2006（8）：823－827.

ZHANG H G， ZHAO W Y， TAN R H. Technique of product technology maturity mapping based on patent analysis and software design［J］. China Mechanical Engineering， 2006（8）：823－827.

［29］ MAHADEVAIAH G， BERMEJO I. Artificial intelligence-based clinical decision support in modern medical physics： selection， acceptance， commissioning， and quality assurance［J］. Medical Physics， 2020， 47（5）： 228－235.

（責任編輯 李 進）

收稿日期： 2022－06－17；修回日期： 2022－08－30

基金項目： 國家自然科學基金青年基金（72304025）；國家社會科學后期資助項目（21FGLB042）;國家自然科學基金面上項目（72104015）

第一作者： 劉曉燕（1974－），女，河北唐山人，博士，副教授，主要研究方向為組織理論與戰略管理。