许学国,周诗雨

(上海大学 管理学院,上海 200444)

0 引言

“十四五”时期是我国推动创新发展的重大战略机遇期和迈向世界科技强国前列的关键开局期。关键核心技术对推动我国经济高质量发展、实现产业结构转型升级具有举足轻重的影响[1]。《国家创新驱动发展战略纲要》提出,要建设国家创新体系,“建设各类创新主体协同互动和创新要素顺畅流动、高效配置的生态系统”,并将其视为创新驱动发展战略实施的重要制度条件[2]。可见,健康的关键核心技术创新生态系统能有效解决“卡脖子”难题,为继续发挥中国优势,开展关键核心技术攻关提供必要的组织和资源保障[3]。

然而,近年来发达国家对关键设备、核心技术、操作系统的垄断及封锁,形成了锁定效应[4],导致“脱钩”“断链”等系列危机,对关键核心技术创新生态系统的稳定运行构成严峻挑战[5]。在外部冲击与扰动难以预测和改变的情境下,降低不确定性因素引起的生态系统脆弱性,实现创新生态系统可持续发展具有重要理论价值和现实意义。

当前,学者多围绕创新生态系统内涵、动态演化特性以及演化过程中的障碍因素进行详细分析。但是,面临“卡脖子”问题的关键核心技术创新生态系统状态如何评价?政府与企业如何提高创新生态系统防御能力?这些问题仍需深入探讨。本文基于已有研究,构建关键核心技术创新生态系统脆弱性预警指标体系,将鲸鱼算法引入支持向量机回归模型进行优化,分析模型的最优惩罚因子与核函数参数,并基于Python软件对比各模型预警精度,确定最佳脆弱度预警模型,并以典型“卡脖子”技术集成电路为例进行实证解析,提出关键核心技术创新生态系统脆弱性的优化方法和调控策略。

1 文献综述

1.1 关键核心技术

2018年,中国科学院第十九次院士大会对关键核心技术作了初步界定,指出关键核心技术是指基础技术、通用技术、非对称技术、“撒手锏”技术、前沿技术与颠覆性技术的集合[6]。有学者将关键核心技术分为两类,一类是与国家宏伟战略相关的技术,另一类是微电子等关键领域的核心技术。对关键核心技术的研究主要涉及以下几个方面:第一,对关键核心技术的概念、特征、重要地位进行分析[7-8]。第二,对关键核心技术识别、预测和竞争情况的研究[9-10],主要是基于专利、科技文献数据,从技术预见角度运用情报分析方法识别和预测某一产业或技术领域的核心技术,或者对国际关键核心技术领域的竞争态势进行分析。第三,从定性角度对突破关键核心技术的阻碍和路径进行讨论[1,11-12]。第四,对实现关键核心技术突破的产业或企业进行案例研究[13-14]。已有研究从不同视角剖析我国核心技术创新的现状与问题,可为我国打破外国技术封锁、提高产业技术创新能力提供一定借鉴和参考。

结合前人研究,本文认为关键核心技术是指需由政府组织,协同企业、高校、机构等各方力量,长期高投入进行突破的创新技术,是面向国家重大需求的战略性技术,具有竞争性、前瞻性、不可替代性等特征。我国关键核心技术具有高度复杂性,其发展需直面的难题在于,自身创新资源和创新能力无法满足创新要求时,企业需有意识加强与产业内外部创新主体的合作和交流,打造新的合作创新模式。

1.2 关键核心技术创新生态系统

与创新系统相比,创新生态系统是一种范式的转变(曾国屏等,2013),其主体之间具有共生耦合、竞争合作等非线性交互关系和复杂网络特征。相关研究主要围绕创新生态系统的概念、特征、评价3个角度展开[15-19]。在技术驱动发展的重要契机下,曾赛星等[20]认为技术突破与系统成员间可构建适配耦合的网络;袁野等(2021)对技术创新要素构成、外部环境及二者间的互动关系进行考察;葛爽和柳卸林(2022)将我国关键核心技术组织方式分为集成型、攻关型、开放型和探索型技术创新生态系统。

随着关键核心技术知识复杂性与密集性的提高,本文认为关键核心技术创新生态系统是指依靠科研机构的核心作用,以实现科学知识为基础,形成多要素共存的创新网络关系,包括创新主体(创新生产者、消费者、分解者)以及相应的环境因素(政策、社会环境等)。其中,科研、金融机构和政府部门充当生产者角色,产生创新动力与能量;核心企业、创新企业和高校等共同承担转化任务,相当于消费者;市场和用户起到分解者的作用,对产品进行资源化利用,同时向创新生产者反馈新的需求,形成创新生态系统良性循环。

1.3 脆弱性预警

脆弱性预警是当前研究生态系统演化的重要方法,同时也将成为该领域研究重点,其目的是通过构建科学的指标体系和选择有效的评价方法,准确测度生态系统脆弱性演化状态。在评价领域,当前研究主要聚焦城市群、农业生态系统和流域生态系统,利用象限图、障碍度模型等方法剖析系统作用机理,探寻影响脆弱性的主要障碍因素。如张路路[21]等构建脆弱性预警指标体系,并结合GM(1,1)模型对城市脆弱性警情进行预测;王治平[22]综合应用BP神经网络、状态关联函数、回归分析等方法构建高勘探开发油区生态系统脆弱性评价模型;梁林等[23]通过识别创新生态系统四维特征,对国家级新区创新生态系统韧性监测和预警进行实证分析。

综上所述,关键核心技术“卡脖子”攻坚是一个复杂工程,亟需从进化性、动态性、生态性3个层面进行系统分析。现有研究存在以下不足:首先,创新生态系统的特点与分类已有十分细致和深入的探讨,但对于关键核心技术创新生态系统的研究较少,尤其缺乏对其脆弱性特征演变规律、指标量化、驱动机制等方面的研究。其次,对我国关键核心技术突破的研究应逐渐由宏观层面聚焦到微观层面,深入某一技术突破的研究亟待展开。为此,本文构建包含群落、资源、经济、环境4个子系统的关键核心技术创新生态系统,以生态学理论、系统科学理论和技术创新理论为基础对其重要因素进行揭示,对脆弱性预警模型进行剖析,聚焦新一代集成电路技术领域,以完善产业链、实现创新结构升级为目标,建设健康的关键核心技术创新生态系统,以期丰富复杂科学视角下的创新驱动与创新治理研究。

2 研究设计

2.1 关键核心技术创新生态系统脆弱性分析

Polsky[24]提出VSD(Vulnerability Scoping Diagram)脆弱性评估框架。其中,暴露性是指系统遭受环境和社会各种压力或冲击;敏感性是指暴露单元容易受到胁迫的正面或负面影响程度;适应能力是指系统能够处理、适应协调以及从胁迫造成的后果中恢复的能力[25]。本文从以上3个层面分析关键核心技术创新生态系统脆弱性。

(1)暴露性。我国高科技领域受到发达国家“卡脖子”后,产业链关键环节面临压力,安全短板和市场需求缺口暴露。关键核心技术具有不可替代性,我国企业在引进技术后进行再创新时面临一定压力,因此企业消化吸收经费和对外技术依存度成为重要的暴露性指标。关键核心技术突破需要持续性的投入,不仅需要资金、人才、土地、物质等硬投入,还包括组织、政策、管理资源方面的软投入。关键核心技术的科技研发与产出能力会影响项目利润和企业未来发展能力。先进制造业对税收和GDP的贡献愈发显著,成为带动就业、实现共同富裕的强引擎,教育消费物价指数与城镇登记失业率是推动制造强国战略的关键指标。此外,制造业在带动经济增长的同时,也会带来资源过度消耗,本文选取单位GDP能耗和突发事件次数作为暴露性指标,观察环境污染对创新生态系统稳定运行的影响程度。

(2)敏感性。关键核心技术创新生态系统敏感性具有阶段性:在技术引进阶段,企业缺乏足够的资源与合作能力,创新机制不完善,各技术主体间协同能力差,导致系统敏感性较高。在技术改进阶段,科技孵化器是推动创新发展的重要载体,其通过为企业提供服务,降低创业风险,激发企业活力,拥有孵化器的企业具有更高的人力资本水平、融资水平和科技成果转化水平,能够对系统脆弱性造成逆向影响。因此,科技成果产业化程度、中介机构创新积极性、关键核心技术市场规模等敏感性指标都会影响系统脆弱性。在技术领跑阶段,需深度融合国内外优势知识、管理、技术人才等创新资源。生态敏感性主要取决于政府政策是否遵循市场规律,公共财政科技支出、政府支持强度和国内教育力度等是调动企业积极性、保障产业链稳定的关键指标。

(3)适应能力。从适应能力看,关键核心技术主要依靠政府支持与企业支持。为实现关键核心技术的全面突破,政府应从宏观层面统筹协调。产学研联盟平台数目、产学研联盟合作氛围是引导产业链上下游以及产学研之间形成联动的关键指标,有助于形成产业链上下游相互支撑的生态体系。同时,政府应重点关注技术创新政策扶持与攻关方向,提高政策供给的集成度和联动性。科技进步贡献率、研究与开发投入强度、新产品开发经费、金融支持力度等指标能够反映创新生态系统适应能力。根据关键核心技术产业的特点和发展规律,企业间可通过联合投资和研发的方式进行合作,R&D活动支出、R&D人员全时当量、信息化指数等适应性指标有利于提高技术与组织间的可持续性,真正降低创新生态系统脆弱度。

2.2 脆弱性预警指标体系构建

对复杂系统脆弱性的预警不仅要把握系统脆弱性的演化规律,也要关注各子系统脆弱性的状态。本文根据内部主体、外部辅助、创新要素、内外部环境等特点,将我国关键核心技术创新生态系统脆弱性预警模型设定为4个目标层:群落系统脆弱性、资源系统脆弱性、经济系统脆弱性、环境系统脆弱性。然后,对其进一步细化从而获得准则层,并从暴露性、敏感性、适应能力3个方面选取各子系统的预警指标。由此,借鉴以往研究,兼顾指标科学性和数据可得性,构建关键核心技术创新生态系统脆弱性预警指标体系,如表1所示。

表1 脆弱性预警指标体系Table 1 Early warning indicators of vulnerability

2.3 脆弱性预警模型架构

本文构建的关键核心技术创新生态系统脆弱性预警模型主要包括以下3个部分:①数据收集及预处理;②构建基于RF模型的指标筛选模型,对指标进行属性约简并运用CRITIC法对系统脆弱性指数进行综合;③构建基于WOA-SVR的脆弱性预警模型,确定关键核心技术创新生态系统及各子系统脆弱等级。

2.3.1 数据收集与预处理

本文数据主要通过中国经济社会大数据研究平台收集,为得到更高质量的数据挖掘结果,需要预先对收集的原始数据进行处理,对于个别年份缺失的数据采用插值法补齐。由于各输入向量的量纲不同,数据之间存在较大差异,为消除数据量纲不同带来的预测误差,对所有预测数据进行归一化处理。

(1)

其中,x*为归一化处理后的数据值;x为输入数据,xmin、xmax为输入数据的最小和最大值。

2.3.2 基于RF模型的指标筛选

在机器学习方法中,随机森林模型(Random Forest,RF)[26]是一种筛选变量的常用算法,不仅能处理高维数据,而且考虑了变量间的内在关系,比其它变量筛选方法具有更大优势。因此,本文选择RF方法筛选指标。在计算特征重要度时,使用基尼指数(Gini Index)作为划分函数,以Gini Importance作为特征的重要性程度,表示为:

(2)

式中,D为样本集合,Pi为样本集合D中属于第i类的概率,C为样本类别集合。在已知特征A的情况下,样本集合D的基尼指数定义为:

(3)

式中,V为特征A的取值个数,即根据特征A的取值将D划分成V个子集{D1、D2...Dv},每个子集的样本在特征A上取相同值。在选择特征时,最优特征为划分后基尼指数最小的特征。

2.3.3 基于改进WOA-SVR的脆弱性预警模型

支持向量机(Support Vector Machine, SVM)是基于结构风险最小化原则构建的机器学习模型[27],支持向量回归(Support Vector Regression, SVR)模型是SVM进行回归建模时的预测算法。SVR模型泛化能力强,对于非线性预测和小样本预测问题具有较强的解决能力。

鲸鱼算法(Whale Optimization Algorithm, WOA)是一种模拟自然界座头鲸“螺旋气泡网”捕食行为而演化出来的群体智能算法[28],该算法可调参数少,操作简单,搜索能力强。在WOA算法中,每头鲸鱼的位置代表目标函数的一个候选解,通过包围猎物、螺旋搜寻和随机搜寻3个阶段对候选解进行更新寻优,直至找到全局最优解。

本文利用WOA算法对SVR模型参数优化的过程实质上是将SVR模型中的惩罚因子C和核函数参数σ作为鲸鱼算法中的位置向量,通过WOA算法的迭代更新对SVR参数进行寻优,直至输出全局最优位置作为SVR模型最终参数。具体优化过程为:

Step1:初始化WOA算法参数,设置WOA算法中最大迭代次数tmax、种群数量N、待寻优参数的上界ub和下界lb。

Step2:初始化种群中N个鲸鱼个体每头鲸鱼的位置,使用SVR模型中的均方误差函数作为适应度函数计算每个个体的适应值,并选取最小适应值对应的鲸鱼位置作为当前种群中的最优位置。适应度函数计算公式为:

(4)

Step3:更新鲸鱼位置,并判断更新后的鲸鱼位置是否处于位置边界范围内,若超出边界则在界内随机生成位置。

Step4:将更新后的鲸鱼位置带入适应度函数计算适应度结果,并与上次迭代产生的最小适应值结果比较,选择其中最小适应值结果对应的鲸鱼位置作为当前全局最优位置;

Step5:重复Step3、Step4,当达到最大迭代次数时停止迭代,此时输出的全局最优位置即为参数C和参数σ的最优值。

Step6:将WOA算法输出的最优参数带入SVR模型进行建模。

本文将筛选后的各指标标准值与对应等级值作为训练样本输入WOA-SVR模型,构建脆弱性预警模型。当模型训练完成后,将创新生态系统的现状原始数据输入该模型,最终计算出创新生态系统脆弱性评价值与预警结果。所有实验均由Python3.7软件实现,并采用多种算法作为对比模型衡量WOA-SVR模型的预警性能。

2.4 脆弱性警度分级

警度用于判断警情爆发后警情的强度。警度的设定要根据警情指标不断变化的状态,更主要的是根据不同时期的阈值划分不同标准,以此分析系统情况进而确定当前情况处于哪个警限区间内,然后进行预报。本文将警度确定为5级,分别用符号Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ代表其程度,根据创新生态系统运行状况,相关特征、含义如表2所示。

3 实证分析

3.1 集成电路技术概况

集成电路行业作为信息技术产业的核心,是支撑经济发展和保障国家安全的战略性产业,是引领新一轮科技革命和产业变革的关键力量,对工业智能、5G网络、汽车电子、计算机等关键领域的发展起着至关重要的作用。我国集成电路产业正处在飞速发展的关键时期,但由于集成电路技术的复杂性,行业结构高度专业化,集成电路领域技术壁垒高,国内创新体系不完善,许多关键领域存在短板,创新主体间缺乏有效联动,供应链面临“断链”风险。同时,我国集成电路产业的研发投入远低于西方发达国家,从芯片设计到芯片制造等诸多环节的关键核心技术依旧受制于人,加之美国等西方国家对我国高科技企业的不断打压,使得我国集成电路产业遭受技术封锁[29]。内外夹击使得我国集成电路产业发展举步维艰,电子信息产业发展受到严重阻碍,对集成电路技术创新生态系统脆弱性的研究已迫在眉睫。

表2 脆弱性警度分级Table 2 Vulnerability alarm classification

3.2 数据来源

本文研究区间为2005—2020年,数据主要来源于《中国高技术产业统计年鉴》《中国电子信息产业统计年鉴》《中国科技统计年鉴》《中国工业经济统计年鉴》《工业企业科技活动统计年鉴》《中国火炬统计年鉴》《中国经济普查年鉴》《中国劳动统计年鉴》《中国人口和就业统计年鉴》《中国企业创新能力统计监测报告》。例如,对外依存度是集成电路技术能否实现长久发展的重要指标,需从《中国高技术产业统计年鉴》中进行数据收集与筛选,在电子及通信设备制造业中选取集成电路制造行业,查询该行业的技术引进经费和R&D经费数据,计算得出对外技术依存度指标数据;知识保护强度是促进企业技术发展的基础性指标,需从《中国火炬统计年鉴》中查询集成电路布图设计技术合同,并按知识产权构成进行筛选,得到2020年市场成交合同数为841。对于个别年份缺失的数据,采用插值法补齐。为消除数据量纲不同带来的预测误差,对所有预测数据进行归一化处理。

3.3 指标评价等级标准

目前,关键核心技术创新生态系统脆弱性预警指标的等级标准尚未有统一划分,本文结合国内外文献和实际情况建立适用于评价关键核心技术创新生态系统脆弱性的尺度和标准,将系统脆弱性分为5个等级,如表3所示。本文计算出的关键核心技术创新生态系统综合脆弱性指数,其数值越大,则越脆弱。各指标对应等级的标准值按照等级范围两边阈值的平均值计算,得出各指标从低脆弱到高脆弱共5个脆弱度等级的标准值矩阵,以此作为支持向量机回归模型训练的输入数据。

3.4 评价指标属性约简

本文选取30个变量作为关键核心技术创新生态系统脆弱性指标,变量过多意味着存在信息重复和冗余,可能使计算结果产生较大误差。因此,应筛选更具代表性的指标衡量系统脆弱性,本文选择RF方法对脆弱性预警指标体系进行筛选。首先,将训练数据集输入随机森林模型中进行训练,并计算每个特征属性的Gini指数,排除Gini指数最高的特征,然后重新进行新一轮的RF模型训练,获得新的Gini指数排名。重复这一过程直至每个特征的Gini指数均在设定的阈值范围内,再剔除重要度小于0.015的指标A7、B5、C2、C5、C6、C7、D1、D2、D5,得到19个最终评价指标。基于上述等级范围取值表,对数据进行预处理,纳入决策指标创新生态系统脆弱性指数E,并运用CRITIC进行计算[30],最终得出预处理数据集,如表4所示。

3.5 基于WOA-SVR的集成电路技术创新生态系统脆弱性预警

基于WOA-SVR模型进行样本训练,为衡量各模型的预测性能,采用均方误差函数(Mean Square Error, MSE)和平均绝对误差函数(Mean Absolute Error, MAE)进行计算,计算结果的值越小,表示模型预测效果越好。两种函数的计算公式为:

(5)

(6)

利用标准值数据训练WOA-SVR预警模型,对2005—2020年集成电路技术创新生态系统综合脆弱性及4个子系统的脆弱性进行测算。训练SVR模型时需要事先确定核函数参数和惩罚因子,参数不同会对模型性能产生重大影响,并直接影响SVR的学习效率和模型推广能力。本文通过WOA算法的迭代更新对SVR参数进行寻优,直至输出全局最优位置作为SVR模型最终参数。核函数选用当前应用最多的径向基核函数(RBF),运用鲸鱼优化算法对参数进行优化,当惩罚因子为8.31、核函数参数为0.17时为最优预测模型,并与BPNN、SVR模型进行比较,结果如表5所示。

表3 脆弱性预警指标等级标准Table 3 Classification standards of vulnerability warning indicators

表4 预处理数据集Table 4 Data sets after preprocessing

表5 各模型训练精度Table 5 Training accuracy of each model

由表5可知,相较于SVR和BPNN模型,WOA-SVR模型的指标计算结果最优,能够实现高效预警。将2005—2020年集成电路技术原始指标数据输入训练后的WOA-SVR模型,计算出集成电路技术创新生态系统及群落、资源、经济、环境4个子系统的脆弱性数值,四舍五入后得到如表6所示的警度等级。

3.6 实证结果分析

从图1可以看出,集成电路技术创新生态系统整体较为脆弱,各子系统基本处于较高脆弱和中度脆弱等级状态。从数值上看,系统综合脆弱性呈现逐步好转的趋势,脆弱性指数从2005年的4.28下降至2020年的2.66,其警度等级也从较重警级(Ⅳ)下降为中度警级(Ⅲ)。集成电路技术创新生态系统已进入多主体竞争与共生并存的发展时期,逐渐形成创新主体协同、创新要素流动的创新体系。本文对各子系统暴露性、敏感性、适应能力3个维度间脆弱指标的耦合关系进行分析,如图2-图5所示。

表6 脆弱性评价预警结果Table 6 Vulnerability assessment and early warning results

3.6.1 群落子系统脆弱性分析

从群落子系统看,脆弱性指数逐年下降,从2005年的4.28下降到2019年的2.03,由较高脆弱度降为中低脆弱度等级,适应能力逐渐增强;敏感性脆弱指数呈下降趋势,系统内部群落已逐步实现身份转变,从价值创造者转向脆弱性治理者。我国集成电路产业仍呈现垂直分工格局,上下游企业间的关联度低且协同不足,还未形成以企业联盟为依托、具有竞争力的群落生态系统。近年来,我国大力鼓励企业、大学、科研机构等内部群落通过著作合作、项目入股、创新平台等多种形式深化技术合作,打破协作壁垒,形成风险分担。同时,金融机构、中介机构等参与形成由多种基金、投资组建的全链条金融辅助框架,着眼于关键核心技术突破,以市场需求引领集成电路技术研发,进而形成群落间的有效协同。2020年,脆弱性指数出现短暂上升趋势,主要是由于集成电路产品对外依存度大幅提高。由数据可知,我国仍需依靠进口满足集成电路行业需求,存在多数年份净进口大于出口的情况,2005年对外依存度高达66.69%,2020年在大力发展内循环的格局下,对外依存度仍高达54.44%。根据对30多家大型企业基础材料的调研发现,我国大部分关键材料仍为空白,若发达国家博弈加剧,实施出口管制和技术封锁,将出现断供等极端情况,从而无法确保产业链和供应链的完整性,创新生态系统的稳定性与安全性也将面临严峻挑战。

3.6.2 资源子系统脆弱性分析

从资源子系统看,研究区间内,集成电路技术创新生态系统资源脆弱性指数大幅下降,2020年降至低脆弱等级,资源子系统抵抗风险能力日益增强。充足的创新资源是开展创新活动的基础,是提升创新能力的关键要素。在发展初期,人才短缺是集成电路行业发展的最大瓶颈,由于资金获取渠道单一,导致研发投入不足,同时技术水平落后,产品市场占有率低,资源子系统处于极不稳定状态。在发展后期,集成电路产业保持高速增长,市场发展逐渐稳定。为推动我国集成电路技术发展,科技部先后批准设立多个国家集成电路设计产业化基地、科技企业孵化器,集成电路设计企业孵化器为我国电子信息产业发展带来生机,科技创新加制度创新,“软”投入与“硬”投入相结合,逐渐使资源生态系统脆弱性压力减小。

3.6.3 经济子系统脆弱性分析

经济子系统是创新生态系统中最活跃、受外界环境影响最大的子系统,同时也是群落、资源子系统的重要扰动因素。经济子系统脆弱性的根源在于设计、研发和生产线投资金额急速上升,市场劳动力不足以及应对能力较弱3个方面。从暴露性指标看,教育消费物价指数变动幅度增大,会降低企业技术创新积极性,增加集成电路技术瓶颈突破难度,使产业结构呈现“三业分立、相对游离”的状态,导致产业经济生态无法形成。从敏感性指标看,集成电路产业作为“十四五”时期国民经济和社会高质量发展的核心支撑,其销售额增速为20.8%,远超全球同期增速的6.8%。但后期受金融危机、大国打压的影响,增速放缓,生态系统敏感性随之提高。从适应性指标看,在《国家集成电路产业发展推进纲要》指引和国家集成电路产业投资基金支持下,我国集成电路制造业取得显著进步,经济子系统适应能力逐渐增强,但脆弱性仍有上升趋势,存在不稳定性,需保持清醒认识。

图2 群落子系统指标耦合情况Fig.2 Index coupling of community subsystem

图3 资源子系统指标耦合情况Fig.3 Indicator coupling of resource subsystem

图4 经济子系统指标耦合情况Fig.4 Indicator coupling of economic subsystems

3.6.4 环境子系统脆弱性分析

从环境子系统看,脆弱性呈大幅波动下降趋势,从2005年的4.28下降至2020年的2.68。从2015年开始,敏感性指标脆弱性逐渐下降,适应能力增强,环境生态脆弱性趋于平稳。集成电路技术创新生态系统环境子系统脆弱性的根源在于内部研发投入不足、技术专利积累不够、政策税收优惠力度不够3个方面。集成电路技术不但投资门槛高,而且需要维持持续的高强度投资,企业必须不断跟踪集成电路最新技术,不断投入大量研发资金。2017年,我国集成电路研发总投入约45亿美元,仅占行业销售收入的6.7%。与发达国家相比,投入仍显不足,无法满足技术研发和建设大规模生产线的需求。在集成电路领域,技术积累和专利布局十分重要,重视自主知识产权是我国突破集成电路技术瓶颈的重要途径。此外,政府应颁布各项发展纲要与优惠政策,以疏导产业发展阻力,重点针对最为薄弱的设计工具软件EDA、IP核和装备材料等辅助环节。

图5 环境子系统指标耦合情况Fig.5 Indicator coupling of environment subsystem

4 结语

4.1 研究结论

本文针对性选取暴露性、敏感性、适应能力维度的19个指标评估关键核心技术创新生态系统及其子系统的健康状况。与其它模型相比,本文提出的WOA-SVR模型能有效提升关键核心技术创新生态系统脆弱性预警精度。同时,运用WOA算法对SVR模型参数进行优化选择,进一步提高模型的稳定性,解决了生态系统脆弱性评价只能进行静态评价,无法追踪生态系统动态变化过程的重要问题。可运用该模型对生态系统的健康状况和脆弱程度进行合理预警,提升防范能力。从评价结果看,集成电路技术创新生态系统脆弱性有了较大改善,脆弱性指数从2005年的4.28下降到2020年的2.66;经济子系统脆弱性下降较为缓慢,2020年脆弱性指数为3.97,仍处于较高脆弱度水平;资源子系统脆弱性指数从4.18下降到1.15的低脆弱度水平。从预警结果看,群落、经济、环境子系统脆弱性一直处于下降状态,但近年有上升趋势,因此这3个子系统是未来脆弱性治理的重难点。

4.2 对策建议

根据集成电路技术创新生态系统脆弱性测度结果提出相应防范建议:首先,政府应打造有利于产学研深度融合的政策环境,尤其是加强对关键核心技术前沿性突破的引导与支持,加大对领军企业的支持力度,加大科技人才的引进培养力度,实现产业、创新、资金、人才“四链”融合。其次,引入风险治理群落,持续优化创新生态系统多层次结构关系。我国集成电路企业应加强知识产权保护,以专利为主要形式建立分担共享机制、信息披露机制、平台开放机制等,引导创新生态系统向责任式创新方向演进。最后,加强数据共享,利用生态系统内外部大数据进行全面监测,提升预测预见能力。利用数字创新管理驱动多主体共同治理,增强对创新技术与创新环境的认知能力,提前采取防范措施。

4.3 不足与展望

作为创新生态系统的探索性研究,本文还存在一些局限,有待后续研究进一步深化。首先,脆弱度评价指标构建有待完善,可能存在对关键核心技术创新生态系统特征反映不够充分的问题。其次,单案例研究可能会影响普适性,本文算法还需要通过大量实例加以验证。