技术生命周期视角下颠覆性技术早期识别方法研究

doi:10.3772/j.issn.1000-0135.2025.02.004

情报学报

2025, Vol. 44

Issue (2): 157-170 DOI: 10.3772/j.issn.1000-0135.2025.02.004

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

技术生命周期视角下颠覆性技术早期识别方法研究

侯艳辉, 陈荣, 王家坤

山东科技大学经济管理学院，青岛 266590

Early Identification Strategies for Disruptive Technologies through the Lens of Technology Life Cycle

Hou Yanhui, Chen Rong, Wang Jiakun

College of Economics and Management, Shandong University of Science and Technology, Qingdao 266590

摘要
图/表
参考文献
相关文章 (11)

全文: PDF (3689 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要针对目前颠覆性技术识别过程中忽略技术演化特征的问题，本文提出一种考虑技术生命周期阶段性和特征异质性的颠覆性技术早期识别方法。首先，采用Sentence-BERT（sentence bidirectional encoder representation from transformers）对专利摘要进行向量化。其次，构建过滤识别系统。第一层使用LOCI（local outlier factor with constraint integration）异常检测算法识别离群专利并分类；第二层，采用S曲线生命周期识别，对处于成熟期的专利类别进行过滤；第三层，对萌芽阶段的专利进行创新性测度；第四层，对成长阶段的专利文本、技术报道数据进行颠覆性测度，完成过滤。最后，以量子信息技术领域为例，阐述该识别方法的应用过程。研究结果表明，量子信息领域共发现三个萌芽期颠覆性主题和三个成长期颠覆性主题，与官方发布的报告进行对比，结果一致，验证了本文方法的可行性与有效性。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	侯艳辉
	陈荣
	王家坤

关键词 ：技术生命周期, 早期识别, 过滤识别, 多源数据, 量子信息

收稿日期: 2024-06-04

基金资助:山东省社会科学规划研究项目“全媒体时代舆情信息研判与治理体系研究”（22DGLJ27）。

作者简介: 侯艳辉，男，1978年生，博士，副教授，硕士生导师，研究方向为专利数据挖掘、技术创新管理，E-mail：houyhui@sdust.edu.cn；陈荣，女，2001年生，硕士研究生，研究方向为文本挖掘；王家坤，男，1993年生，博士，副教授，硕士生导师，研究方向为社会网络分析；

引用本文:

侯艳辉, 陈荣, 王家坤. 技术生命周期视角下颠覆性技术早期识别方法研究[J]. 情报学报, 2025, 44(2): 157-170.
Hou Yanhui, Chen Rong, Wang Jiakun. Early Identification Strategies for Disruptive Technologies through the Lens of Technology Life Cycle. 情报学报, 2025, 44(2): 157-170.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2025.02.004 或 https://qbxb.istic.ac.cn/CN/Y2025/V44/I2/157

1 Bower J L, Christensen C M. Disruptive technologies: catching the wave[J]. Harvard Business Review, 1995, 73(1): 43-53.
2 Rafii F, Kampas P J. How to identify your enemies before they destroy you[J]. Harvard Business Review, 2002, 80(11): 115-123, 134.
3 Gilbert C. The disruption opportunity[J]. MIT Sloan Management Review, 2003, 44(4): 27-32.
4 张晓林. 颠覆数字图书馆的大趋势[J]. 中国图书馆学报, 2011, 37(5): 4-12.
5 Guttentag D. Airbnb: disruptive innovation and the rise of an informal tourism accommodation sector[J]. Current Issues in Tourism, 2015, 18(12): 1192-1217.
6 Shibata N, Kajikawa Y, Takeda Y, et al. Detecting emerging research fronts in regenerative medicine by the citation network analysis of scientific publications[J]. Technological Forecasting and Social Change, 2011, 78(2): 274-282.
7 徐硕, 李静鸿, 安欣. 基于专利术语的颠覆性技术识别及实证研究[J]. 图书情报工作, 2024, 68(2): 62-72.
8 Buchanan B, Corken R. A toolkit for the systematic analysis of patent data to assess a potentially disruptive technology[R]. London: Intellectual Property Office, 2010.
9 Chen C, Zhang J, Guo R S. The D-day, V-day, and bleak days of a disruptive technology: a new model for ex-ante evaluation of the timing of technology disruption[J]. European Journal of Operational Research, 2016, 251(2): 562-574.
10 苏敬勤, 刘建华, 王智琦, 等. 颠覆性技术的演化轨迹及早期识别——以智能手机等技术为例[J]. 科研管理, 2016, 37(3): 13-20.
11 李乾瑞, 郭俊芳, 黄颖, 等. 基于专利计量的颠覆性技术识别方法研究[J]. 科学学研究, 2021, 39(7): 1166-1175.
12 Chen X L, Han T. Disruptive technology forecasting based on gartner hype cycle[C]// Proceedings of the 2019 IEEE Technology & Engineering Management Conference. Piscataway: IEEE, 2019: 1-6.
13 苑朋彬, 邢晓昭. 专利知识流动视角下的颠覆性技术方向识别研究——以6G太赫兹通信技术领域为例[J]. 情报杂志, 2023, 42(11): 142-146.
14 王海军, 于佳文. 基于专利发展路径的颠覆性技术识别: 以智能语音领域为例[J]. 科技管理研究, 2022, 42(6): 170-181.
15 张金柱, 王秋月, 仇蒙蒙. 颠覆性技术识别研究进展综述[J]. 数据分析与知识发现, 2022, 6(7): 12-31.
16 周云泽, 闵超. 基于LDA模型与共享语义空间的新兴技术识别——以自动驾驶汽车为例[J]. 数据分析与知识发现, 2022, 6(2/3): 55-66.
17 马永红, 孔令凯, 林超然, 等. 基于异构数据的颠覆性技术识别研究——以智能制造装备领域为例[J]. 现代情报, 2022, 42(7): 92-104.
18 Liu X W, Wang X Z, Lyu L C, et al. Identifying disruptive technologies by integrating multi-source data[J]. Scientometrics, 2022, 127(9): 5325-5351.
19 谭晓, 西桂权, 苏娜, 等. 科学—技术—项目联动视角下颠覆性技术识别研究[J]. 情报杂志, 2023, 42(2): 82-91.
20 侯广辉, 廖桂铭, 王刚. 基于突变级数的颠覆性技术识别模型构建及实证研究[J]. 情报杂志, 2021, 40(10): 7-14.
21 刘柳, 吴新年. 颠覆性技术识别方法研究进展述评[J]. 数字图书馆论坛, 2022(1): 2-9.
22 赵玉桐, 杨建林. 基于跨领域专利的颠覆性技术识别研究——以人工智能领域为例[J]. 情报理论与实践, 2023, 46(3): 174-182.
23 刘忠宝, 康嘉琦, 张静. 基于主题突变检测的颠覆性技术识别——以无人机技术领域为例[J]. 科技导报, 2020, 38(20): 97-105.
24 马铭, 王超, 张伟然, 等. 突变视角下潜在颠覆性技术识别与分析方法研究[J]. 情报理论与实践, 2022, 45(3): 157-164, 156.
25 陈育新, 李健, 韩毅. 核心—边缘理论视角下的颠覆性技术识别研究[J]. 情报理论与实践, 2022, 45(8): 121-129.
26 熊焰, 张凌恺, 陈旭, 等. 基于“突变—演化” 模型的颠覆性技术识别方法及应用[J]. 情报杂志, 2023, 42(12): 119-126, 152.
27 李牧南, 赖华鹏, 王良, 等. 基于主题强度突变检测的颠覆性技术识别[J]. 情报杂志, 2023, 42(12): 111-118.
28 陈育新, 卢俊, 韩毅. 基于专利文献的颠覆性技术识别研究——以人工智能为例[J]. 情报学报, 2022, 41(11): 1124-1133.
29 宋欣娜, 郭颖, 席笑文. 基于专利文献的多指标新兴技术识别研究[J]. 情报杂志, 2020, 39(6): 76-81, 88.
30 储节旺, 李佳轩, 安怡然. 基于专利分析的颠覆性技术演化与预测研究——以量子信息技术为例[J]. 科技进步与对策, 2023, 40(22): 130-140.
31 刘俊婉, 庞博, 徐硕. 基于弱信号的颠覆性技术早期识别研究[J]. 情报学报, 2023, 42(12): 1395-1411.
32 吴瑞鹏, 李勇男, 刘帅, 等. 基于DTM的美国人工智能战略热点主题及演化分析[J]. 情报杂志, 2023, 42(12): 134-143.
33 邱均平, 胡博, 徐中阳, 等. 基于DTM模型的国内外话语权研究主题挖掘及比较分析[J]. 情报理论与实践, 2023, 46(2): 24-34.
34 贺超城, 黄茜, 李欣儒, 等. 元宇宙的冷与热——融合BERT与动态主题模型的微博文本分析[J]. 数据分析与知识发现, 2023, 7(9): 25-38.
35 吕鲲, 项旻昊, 靖继鹏. 基于LDA2vec和DTM模型的颠覆性技术主题识别研究——以能源科技领域为例[J]. 图书情报工作, 2023, 67(12): 89-102.
36 Ding M L, Yu W K, Li R, et al. Research on potential disruptive technology identification based on technology network[J]. PLoS One, 2024, 19(4): e0298098.
37 Gutsche T. Automatic weak signal detection and forecasting[D]. Enschede: University of Twente, 2018.
38 纪亚琨, 余翔, 张奔, 等. 专利网络视角下的潜在颠覆性技术识别——以自动驾驶领域为例[J]. 情报杂志, 2022, 41(12): 46-50, 139.
39 黄鲁成, 蒋林杉, 吴菲菲. 萌芽期颠覆性技术识别研究[J]. 科技进步与对策, 2019, 36(1): 10-17.
40 邢晓昭, 任亮, 雷孝平, 等. 基于专利主题演化的颠覆性技术识别研究——以类脑智能领域为例[J]. 情报科学, 2023, 41(3): 81-88.
41 Reimers N, Gurevych I. Sentence-BERT: sentence embeddings using Siamese BERT-networks[C]// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2019: 3980-3990.
42 Devlin J, Chang M W, Lee K, et al. BERT: pre-training of deep bidirectional transformers for language understanding[C]// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Stroudsburg: Association for Computational Linguistics, 2019: 4171-4186.
43 Le Q V, Mikolov T. Distributed representations of sentences and documents[C]// Proceedings of the 31th International Conference on Machine Learning. JMLR.org, 2014, 32(2): 1188-1196.
44 罗素平, 寇翠翠, 金金, 等. 基于离群专利的颠覆性技术预测——以中药专利为例[J]. 情报理论与实践, 2019, 42(7): 165-170.
45 王秀红, 王欣, 王少凡, 等. 基于SimCSE-LDA和异常检测的颠覆性技术识别方法——以农业机器人为例[J]. 情报理论与实践, 2023, 46(5): 135-143.
46 Breunig M M, Kriegel H P, Ng R T, et al. LOF: identifying density-based local outliers[C]// Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data. New York: ACM Press, 2000: 93-104.
47 Li L, Huang L S, Yang W, et al. Privacy-preserving LOF outlier detection[J]. Knowledge and Information Systems, 2015, 42(3): 579-597.
48 Papadimitriou S, Kitagawa H, Gibbons P B, et al. LOCI: fast outlier detection using the local correlation integral[C]// Proceedings 19th International Conference on Data Engineering. Piscataway: IEEE, 2004: 315-326.
49 李春燕, 黄斌. 利用S曲线法判断3D打印工艺技术生命周期[J]. 科技与经济, 2017, 30(2): 91-95.
50 杨杰, 邓三鸿, 王昊. 科学研究的颠覆性创新测度——相对颠覆性指数[J]. 情报学报, 2023, 42(9): 1052-1064.
51 Blei D M, Lafferty J D. Dynamic topic models[C]// Proceedings of the 23rd International Conference on Machine Learning. New York: ACM Press, 2006: 113-120.