侯广辉 廖桂铭 王 刚

(1.广东外语外贸大学商学院 广州 510006；2.广东外语外贸大学企业国际化创新研究中心 广州 510006)

由于颠覆性技术在国民经济发展中占据重要的战略地位，因此利用合适的方法对其进行初期识别和筛选评估，既有利于创新企业获得“先行一步”的领先优势，也有利于政府管理部门对其进行更具针对性的引导培育。近年来，基于数理模型的颠覆性技术识别方法逐渐受到学界的重视，数理模型的引入诚然能够提升相关技术识别工作的精准程度，然而，单纯使用数理模型进行量化分析而相对忽视技术专家的宝贵经验也会使得颠覆性技术预测过程的专业性大大受损。再者，对于国家或地区而言，或许多项颠覆性技术均呈现对主流市场产生巨大颠覆的良好势头，但是各项技术在技术本身、市场及外部环境等方面的表现各有千秋，如何结合专家意见和数理模型分析，综合研判各项颠覆性技术各子维度的相对发展水平和整体颠覆能力，进而筛选出重点技术培育对象，合理分配国家或地区创新资源进行针对性培育，以实现颠覆性技术合理布局，这同样是宏观层面上颠覆性技术识别培育的一项重大工程。基于颠覆性技术的不确定性、突破性以及滞后性等特点[1-3]，我们借鉴用于研究自然界中不连续变化现象的突变理论对颠覆性技术进行识别筛选评估工作。我国学界多基于突变理论分析自然科学问题，社会科学领域尤其是颠覆性技术识别领域对其使用较少。在为数不多的基于突变理论分析颠覆性技术的研究文献中，更是缺乏对突变模型应用的可行性分析，也未将突变理论相关数理模型与专家意见充分融合，这使得相关技术预见工作专业性相对欠缺。鉴于此，本研究在充分探讨运用突变理论对颠覆性技术进行识别的可行性基础上构建相对应的突变级数模型，并且根据评估指标体系搜集专家评估数据，利用颠覆性技术数据资料展开识别和评估实证工作，既充分借鉴相关技术专家专业经验，又运用多目标突变决策模型寻找到优先培育技术重点，以期为宏观层面上重点颠覆性技术的识别与针对性培育工作提供相应对策。

1 现有颠覆性技术识别数理模型综述

自Christensen和Bower首次提出颠覆性技术概念起[2]，鉴于颠覆性技术对未来产业格局发展的巨大影响，学界逐步加大颠覆性技术识别研究力度，以期帮助国家或企业把握先机，实现颠覆性技术提前布局。起初，颠覆性技术识别工作主要运用德尔菲法、技术路线图法、情景规划法等基于主观判断的筛选识别方法，这些方法主要关注技术本身颠覆能力，对专家主观观点的依赖性极大，同时也未能考虑颠覆性技术非线性发展路径，较大的人力和财力成本也决定了该类方法主要适用于国家或地区的颠覆性技术识别工作[4]。近年来，为增强颠覆性技术识别工作的客观性与适用性，其他领域的数理模型被逐步引入技术领域之中以帮助开展相关筛选工作，常见的颠覆性技术识别数理模型主要包括基于TRIZ理论的数理模型、数据包络分析方法和创新扩散模型。

1.1基于TRIZ理论的数理模型TRIZ理论由前苏联专家Altshuller于20世纪七八十年代提出[5]，该理论体系由技术问题解决、创新开发相应方法和算法组成，其技术系统进化法则与进化论和社会进化理论一齐被誉为“人类三大进化理论”[6]。在被引进技术创新领域之后，学界根据TRIZ理论内涵构建了相应数理模型，并以此为主要方法开展颠覆性技术识别。孙建广等认为，当主流技术需求过剩时，主流技术标准的降低和非主流技术标准的提高共同促进了颠覆性技术的发展，他们进一步以TRIZ理论为基础分解产品技术系统，在考察各子系统发展轨迹的基础上形成颠覆性技术预测模型[7]。面向TRIZ理论，许泽浩和张光宇则以电动汽车技术为例，对颠覆性技术创新子系统及其识别方向展开实证研究[8]。

1.2数据包络分析方法作为常用的效率测量方法，传统数据包络分析(DEA)方法仅能从同一截面上对不同决策单元的技术效率进行对比，难以探测颠覆性技术在时间序列上的进化轨迹。为观测技术动态变化，研究人员将时间维度纳入数据包络分析方法之中并提出TFDEA测量方法，运用跨时期的技术投入与产出数据便可实现对颠覆性技术效率的动态识别，通过与处于最优状态的决策单元对比，TFDEA方法也可以实现对待识别技术相对发展水平的判断[9]。21世纪以来，TFDEA方法逐渐被引入各领域的技术识别工作之中，为无线通信、智能手机、平板显示等多个领域提供了充分的技术预见信息[10-12]。

1.3创新扩散模型创新扩散模型由Bass于20世纪60年代提出，该模型充分考虑了技术创新者、模仿者和采纳者对技术发展的综合影响，自提出起便被技术预见领域和市场营销领域广泛应用[13]。Linton首次将创新扩散模型引入颠覆性技术识别细分领域[14]，在充分证明其可行性后，部分学者开始运用该模型辅助颠覆性技术筛选工作。如在Ganguly等构建的颠覆性技术发展指标体系中，“技术采用率”一项的具体测量便是根据创新扩散模型进行[15]，而Chen等则运用创新扩散模型将颠覆性技术性能进化轨迹中的重要节点模型化，以此辅助颠覆性技术的精确识别[16]。

综上可以看出，为增强技术识别工作的精确性，基于数理模型的颠覆性技术识别已成为该领域的一大重要方法。但是相关方法在具体使用时仍有以下问题有待解决：其一，现有颠覆性技术识别数理模型更多关注技术本身的进化演变，但颠覆性技术要真正实现对主流市场的完全颠覆，还需要考虑市场因素和外部环境因素的综合影响；其二，数理模型虽有利于增强技术预见工作的精确性，却在无形中忽略了技术专家在技术领域的高度专业研判，数理模型更应在科学综合专家意见过程中发挥更大作用，两者相互结合共同确保技术识别工作的专业性和精准性；其三，对国家或地区层面而言，颠覆性技术涉及领域较多，各技术在技术、市场、外部环境等维度的表现各有差异，而现有基于数理模型的颠覆性技术识别方法主要应用于单一技术领域之中，难以确定各颠覆性技术的相对发展水平。为明确国家或区域重点颠覆性技术，对待识别技术进行针对性培育，确保颠覆性较强的技术早日实现对主流市场的完全颠覆，需考虑如何运用数理模型确定优先发展技术重点，实现重点技术提前布局。鉴于此，本文在充分探讨将突变级数模型应用于颠覆性技术筛选评估的可行性基础之上，结合专家意见和相关数理模型，分析当前各大颠覆性技术在细分维度的具体表现，进一步明确应重点培育的颠覆性技术，以帮助颠覆性技术前瞻治理工作的展开。

2 突变级数模型应用于颠覆性技术筛选评估的可行性分析

一般而言，突变现象具有5大基本特征：多模态、不可达性、发散、滞后及突跳，如果所研究的问题满足以上5大基本特征中的任意两个特征或以上，便可运用突变理论及相关模型对所涉及问题进行分析[17]。根据颠覆性技术的内涵及特征，本研究认为颠覆性技术至少符合突变现象以下4大基本特征：

2.1多模态在突变系统中，折迭曲线将曲面分为上叶、中叶与下叶。在最基本的尖点突变模型中，由于中叶由各最小可能行为点组成，因此即使曲面在尖点处被分为上、中、下三叶，但事实上也只存在两种行为模式。而随着控制变量个数的增加，系统中会出现两个以上的状态，但多模态特征在各突变模型中仍维持不变[17]。这一特征与颠覆性技术的发展周期完全吻合。在发展初期，颠覆性技术产品仅仅被小部分用户所接受，它的出现或仅仅是为了满足极小部分消费者对于更便宜实用的技术产品的需求[18]；随着颠覆性技术迎来若干次重大突破，处于发展成熟期的颠覆性技术将最终满足主流市场的特定技术性能需求，加上原有在位技术的停滞[19]，颠覆性技术最终将取而代之占领主流市场，正式成为真正意义上的颠覆性技术。整体上，颠覆性技术总沿着“利基市场—中间市场—主流市场”的路径演进[20]，因此不同阶段的颠覆性技术呈现出不同的状态也成为必然。

2.2不可达性在突变系统内部，受多模态特征的影响，处于中间区域的行为轴呈现出不可访问的特点，因此该区域成为一个不稳定平衡区域，系统从一个稳态向另一个稳态跨越时会直接跳过该不平衡区域[17]。无论是萌芽期还是发展期，颠覆性技术均在同一内部价值网络内沿着特定轨道进化，当发展到一定水平从而满足另一价值网络的特征和需求时，颠覆性技术会以极快的速度入侵该网络，并实现对原有在位技术的淘汰，迅猛的入侵速度决定了颠覆性技术无法在两大价值网络间徘徊[21]。换言之，在颠覆性技术生命周期中，无论是萌芽期还是发展期，事实上都是颠覆性技术发生量变的阶段，只有当对传统技术轨道及市场格局发生颠覆时才可实现真正质变，因此颠覆是一个飞跃质变的过程，在颠覆性技术与主流技术之间并不存在所谓的缓冲地带，颠覆性技术真正实现颠覆的时间极短。

2.3发散在平衡曲面中，控制变量的微小变化可能会引起状态变量发生相应细微改变，但由于分歧集的存在，控制参数的有限变化在退化临界点区域可引起状态参数的大幅变动[17]。技术创新往往集中于一个区域内产生，该关键区域中的技术创新难以管理，只能通过多种控制因素进行影响[22]，而相比于一般的技术创新，颠覆性技术进化过程更具不确定性，因此更加符合突变系统的发散特征。以颠覆性技术所处的外部环境为例，当颠覆性技术拥有较高水平的技术成熟度及市场接受度时，该技术有可能处于突变的临界点位置，但还未实现完全颠覆结果。此时如果恰好有相关扶持政策出台，该控制变量的变化将使得颠覆性技术面临的外部环境大大改观，市场认可度也将大大提高，继而导致颠覆性技术突破临界点，最终实现对在位技术的完全颠覆。

2.4滞后突变现象具有滞后效应，即从分歧集上层到下层的转变与从分歧集下层到上层的转变并不发生在同一点，突变现象并不发生在分歧集中央，而是呈现出延迟到达的特征，当物理过程非严格可逆时，滞后现象将会产生[17]。颠覆性技术在实现对主流技术的颠覆并成为市场中新的主流技术时，该技术便成为真正意义上的颠覆性技术，但在该时间点之后，该技术会参照原有在位技术的相关做法，不断进行技术改造创新以维持自己新晋主流技术地位。换言之，此时颠覆性技术进行的技术改进在某种意义上已经属于渐进式创新范畴，其改进目的与原有主流技术保持一致，主要是维持现有市场地位而非实现新一轮的颠覆，此时该技术的技术成熟度、市场份额及消费者接受程度等都决定了该技术已不能再回到原有的颠覆性技术发展路径之中，因此颠覆性技术发展是不可逆的。

通过上述分析，我们认为技术颠覆过程至少符合突变现象的四大基本特征，因此构建相应的突变级数模型并展开颠覆性技术识别及筛选工作具备充足的可行性。

3 颠覆性技术识别模型构建及数据来源

3.1颠覆性技术识别指标体系构建本研究从技术、市场及外部环境三个维度构建颠覆性技术识别指标体系，以此对备选颠覆性技术进行全面识别。具体评估框架构成如表1所示。技术指标主要关注颠覆性技术自身的发展情况，是识别颠覆性技术的核心要素，主要包含技术性能突破、技术前沿性、技术通用性及技术可行性4个二级指标；市场指标关注颠覆性技术对市场的影响，用于识别其商业模式是否足以颠覆已有主流技术并最终满足主流市场的需求，其中包括在位技术市场成熟度、市场吸引力及需求贴合度3个二级指标；外部环境指标包括政策制度环境、产学研环境及宏观经济发展环境3个二级指标，主要考察外界因素对颠覆性技术的驱动能力。

表1 颠覆性技术识别指标体系

3.2颠覆性技术识别的突变级数模型突变理论指出，表示系统具体状态的势函数取决于控制变量的具体数目，由于我们处于三维空间和一维时间组成的四维时空，因此控制变量一般不大于4[30]。Thom认为，当控制变量不大于4时，势函数一般有7种初等突变模型，分别为：折叠型、尖点型、燕尾型、蝴蝶型、双曲型脐点、椭圆型脐点和抛物线型脐点，在实际应用中，采用何种初等突变模型主要根据控制变量和状态变量的具体数目而定[31]。当状态变量为1个时，初等突变模型选择范围被限定在折叠型、尖点型、燕尾型、蝴蝶型四种之中，这四种突变模型对应的控制变量个数分别为1、2、3、4。而为减少赋予评价指标权重时的主观性，突变级数法理论在原有突变理论基础上结合模糊隶属思想提出，其归一化过程可实现对控制变量客观赋权，这使得评价方法更加科学合理。运用突变级数模型对颠覆性技术进行评价的过程实质上是通过不同模型对应的归一化公式，根据已构建的指标体系层层向上归一最终得到技术评价指标的过程。在运用突变级数模型进行归一化处理时，需根据控制变量间是否能相互弥补各自不足以分别遵循两大原则：如果控制变量间能相互弥补各自不足则遵循互补原则，通过“大中取小”法进行归一化处理；如果控制变量间不能相互弥补各自不足则遵循非互补原则，通过取均值的方法进行归一化处理。

表2 突变级数模型及归一公式

3.3样本选择与数据搜集本研究选取新能源汽车、5G通信技术、区块链技术、纳米科技、量子科技、增材制造、第三代半导体材料、人工智能及新型显示等作为待识别的备选颠覆性技术。本研究根据以上指标设计问卷，分别邀请9个待识别颠覆性技术领域里的各5位专家对9种颠覆性技术的发展做出专业评估。各题项均采用5级量表的形式进行设置。为了确定各控制变量在突变级数模型的势函数中的排列顺序，本研究运用熵值法确定各指标的权重。根据45位专家的评分结果，计算得出各三级指标的熵值、差异系数、权重，结果如表3所示。

表3 三级指标熵值、差异系数及权重

将各三级指标的权重加总可得到对应的二级指标权重，最终各级指标权重及所采用的突变级数模型如表4所示。

表4 颠覆性技术识别指标体系及所采取的级数突变模型类型

4 颠覆性技术识别的实证研究

在本部分中将以新能源汽车为例，阐明如何运用突变级数法对各项颠覆性技术进行实证识别。

4.1原始数据标准化处理虽然原始数据为专家根据五级量表评分所得，不存在量纲差异过大或取值范围过大的问题，但突变级数法规定控制变量需在[0,1]区间内取值，该取值条件要求对原始数据进行标准化处理。在本研究构建的评价体系中，“在位技术市场成熟度”虽然更加关注现有在位技术，但其市场成熟度越高，所对应的颠覆性技术越有可能面临主流市场性能过剩，因此颠覆性技术发展的空间将越大，所以“在位技术市场成熟度”仍被视为正向指标。最终各三级指标均被视为正向指标进行标准化处理，计算结果如表5所示。

表5 新能源汽车各指标标准化数据

4.2归一化处理首先对技术指标进行归一化处理。以专家A的评分结果为例，A对技术指标下的子指标“技术性能突破”“技术前沿性”“技术通用性”和“技术可行性”的评分结果标准化后分别为：0.6667、0.5、0.75、0.6667，而根据熵值法计算得出的权重结果，T1、T2、T3、T4的权重排序为：T2>T1>T3>T4，且技术指标符合非互补原则，根据子指标个数选择蝴蝶突变级数模型，可得：

=0.8584

(1)

A对市场指标下的子指标“在位技术市场成熟度”“市场吸引力”和“需求贴合度”的评分结果标准化后分别为：1、0.75、0.5，根据熵值法计算得出的权重结果，M1、M2、M3的权重排序为：M3>M1>M2，且市场指标符合非互补原则，根据子指标个数选择燕尾突变级数模型，可得：

(2)

A对外部环境指标下的子指标“政策制度环境”“产学研环境”和“宏观经济发展环境”的评分结果标准化后分别为：0.6667、0、0.6667，而根据熵值法计算得出的权重结果，E1、E2、E3的权重排序为：E3>E1>E2，且外部环境指标符合非互补原则，根据子指标个数选择燕尾突变级数模型，可得：

(3)

至此归一化处理得出专家A对技术、市场、外部环境三大二级指标的评价结果为：XTA=0.8584，XMA=0.8792，XEA=0.5634。考虑到这三个二级指标事实上对颠覆性技术发展均缺一不可，因此考虑采用非互补原则及燕尾突变级数模型对二级指标进行归一化处理，同时三个二级指标的权重排序为：市场(M)>技术(T)>外部环境(E)，因此可得到专家A对新能源汽车技术的综合评价因子值为：

(4)

参照上述流程可计算得出专家B、C、D、E的最终评分，详细结果如表6所示。

表6 各二级指标评价情况及综合评价因子

由于参与调查的专家均在技术领域有丰富的工作经验，他们对待识别的颠覆性技术均有相当深入的理解，因此最终的总突变值可将综合评价因子值取均值得出，即：

=0.9183

(5)

而各专家对技术、市场、外部环境指标的综合评价同样可由各二级指标得分情况取均值求得。依照上述方法，同理可求得其余8项待识别的颠覆性技术评价结果，最终结果如表7所示。

表7 各颠覆性技术综合识别结果

续表7 各颠覆性技术综合识别结果

5 结论与建议

根据评价结果，本研究把9项重要颠覆性技术按照技术颠覆能力划分为三个等级，如表8所示。

表8 颠覆性技术等级划分

图1颠覆性技术整体发展趋势图

进一步根据表8绘制颠覆性技术整体趋势图，如图1所示，更加清晰地表明各项技术在三项评估指标上的表现。

结果显示，9项待识别颠覆性技术的技术颠覆能力最终得分均超过0.85，表明颠覆性技术发展前景广阔，各项颠覆性技术均有望在未来实现对主流市场的颠覆。但是9项颠覆性技术的颠覆能力仍存在差异，5G通信技术凭借其技术、市场及外部环境多维度的优异表现，技术颠覆能力领跑各项颠覆性技术；新能源汽车、区块链技术、第三代半导体材料、人工智能等4项颠覆性技术在三大维度中表现各异，但总体上其技术颠覆能力仍保持在所有技术中的中上游水平；纳米技术、量子技术、增材制造、新型显示技术在多个维度均表现不佳，导致这4项技术在颠覆性技术等级中被划分为C级。

结合表8与图1，本研究对各级别颠覆性技术分别提出针对性培育建议，以切实提高颠覆性技术发展政策实施的精准性：a. 结合专家评分情况及专家后续建议，5G通信技术在外部环境面临的问题主要为产学研结合不够密切及基础设施建设尚未完善，而5G技术所处的政策制度环境相对优越，因此，在加大对边缘计算等技术研发力度的基础上，5G技术的精准培育工作更应将重点放在改善产学研环境及宏观经济发展环境上。b. 为切实增强第三代半导体材料产业化能力，应加强科技创新全链条建设力度，尤其要加大科研机构基础研究投入，建设一批有相当竞争力的第三代半导体材料重点实验室及研发中心，努力突破外延效率低、高质量半导体晶体材料难以获取等技术难题；同时深化科研机构与企业的合作关系，统筹布局全链条上、中、下游，加大相关产业园区规划建设工作。c. 新能源汽车技术培育工作应聚焦于燃料电池汽车技术的研发上来，加大对燃料电池关键技术及零部件的扶持力度应是接下来的工作重心。而对于区块链技术的工作培育重点更应在于加强对区块链技术理念的推广、教育和普及，努力推动区块链与实体经济相互融合，构建区块链生态系统，通过有关部门的引导促成行业合作，加快“区块链+支付”“区块链+医疗”“区块链+物流”等应用落地。d. 国内人工智能产业需要坚持以市场为导向，加大应用型企业市场研发力度及相关政策配套支持力度，通过来自应用层的精确市场信息鞭策基础技术支撑层及人工智能技术层加大对口人才培育。为促进纳米技术的颠覆性发展，应努力把企业置于研发投入及产品应用主体地位，围绕纳米技术相关产业链部署创新链，鼓励市场导向下社会资本注入产学研体系以助力高端纳米技术研发工作，满足市场真实需求。e.相比于以上6种颠覆性技术，新型显示技术、量子技术及增材制造在多个维度均表现不佳，因此加强顶层设计、制定产业发展长期战略显得尤为重要。