Садриев А.Р., Камаев Б.Н.
ИССЛЕДОВАНИЕ ИЗОБРЕТАТЕЛЬСКОГО ПРОСТРАНСТВА ДЛЯ ОБОСНОВАНИЯ НАПРАВЛЕНИЙ ДИВЕРСИФИКАЦИИ ТЕХНОЛОГИЧНОГО ЭКСПОРТА
Аннотация. Статья посвящена моделированию глобального пространства изобретательской активности с использованием методологии машинного анализа патентных данных. В качестве объекта исследования выступили технологические сферы деятельности, относящиеся к разделу F (машиностроение; освещение; отопление; оружие и боеприпасы; взрывные работы) и разделу H (электричество) совместной патентной классификации. В контуре указанных сфер деятельности выявлены закономерности проявления эффектов технологической близости между группами различных разработок. На основе результатов моделирования обоснованы направления диверсификации национального технологического экспорта, раскрывающие логику использования технологических областей с высоким значением индекса технологической близости RTA в качестве драйверов развития экспортного потенциала технологически связанных с ними областей с низким значением индекса RTA.
Ключевые слова. Диверсификация технологического экспорта, изобретательское пространство, картирование, патентный анализ, совместная патентная классификация, большие данные, машинное обучение.
Sadriev A.R., Kamaev B.N.
RESEARCH OF INVENTION SPACE TO JUSTIFY DIRECTIONS FOR DIVERSIFICATION OF TECHNOLOGICAL EXPORT
Abstract. The article is devoted to modeling the global space of inventive activity using the methodology of machine analysis of patent data. The object of the study was the technological areas of activity related to section F (mechanical engineering; lighting; heating; weapons and ammunition; blasting) and section H (electricity) of the joint patent classification. In the outline of these spheres of activity, the patterns of manifestation of the effects of technological proximity between groups of different developments have been revealed. The modeling of the technology inventions space relies on a technological proximity index estimation between different subclasses of inventions, which takes the concept of knowledge proximity from Jaccard's similarity coefficient, derived from the direct patent citation data. On the basis of the modeling results, the diversification prospects of the national trade in technology are rationalized, disclosing the reasoning behind the utilization of technology domains with a high RTA index as drivers of the export potential of technologically related domains with a low RTA value.
Keywords. Diversification of technology export, technology space, patent mapping, patent technology network, knowledge distance, big data, machine learning.
ГРНТИ 06.52.35
© Садриев А.Р., Камаев Б.Н., 2021
Азат Рафаилович Садриев - доктор экономических наук, заведующий кафедрой инноваций и инвестиций Казанского (Приволжского) федерального университета.
Булат Наилевич Камаев - аспирант кафедры инноваций и инвестиций Казанского (Приволжского) федерального университета.
Контактные данные для связи с авторами (Садриев А.Р.): 420066, Казань, Бондаренко ул., д. 15 (Russia, Kazan, Bondarenko str., 15). Тел.: +7 843 238-87-07. Е-mail: a-sadriev@yandex.ru. Статья поступила в редакцию 24.09.2021.
Введение
Ускорение научно-технического прогресса стремительно расширяет, фрагментирует и сокращает цикл обновления глобального технологического пространства. Для навигации в таком многомерном и постоянно меняющемся пространстве необходима динамическая карта изобретательской активности в разных технологических областях, учитывающая закономерности ее проявления в различных географических проекциях [1-3]. Информационной основой для построения этой карты служат глобальные и национальные патентные базы данных, агрегирующие сведения о наиболее значимых для общества технических задачах и способах их решения. Методическим обеспечением процесса картирования является система международной патентной классификации (IPC), а также приходящая ей на смену система совместной патентной классификации (CPC), в которых реализована многоуровневая иерархия принадлежности разных изобретений, полезных моделей и промышленных образцов к различным областям техники.
Накопление больших исторических данных о патентах, размещенных в координатах этих классификаций, открывает широкие возможности для построения карты изобретательской активности, в которой может быть представлено не только многообразие существующих технических решений, но и многочисленные, в том числе и неявные, взаимосвязи между ними [4-5]. Выявлять такие закономерности позволяет указание в каждой патентной заявке соответствия регистрируемой разработки сложившемуся уровню техники, в который входят любые сведения, ставшие общедоступными в мире до даты приоритета рассматриваемого технического решения. В большинстве случаев такие сведения содержатся в патентных документах, включая, прежде всего, ранее опубликованные патентные заявки.
Фиксируя сеть цитирований одними патентами других патентных документов, а также исследуя факты совместного использования в одних и тех патентных документах разных кодов патентной классификации, можно, с одной стороны, получить полную картину о техническом уровне различных решений сопоставимого функционального назначения, выявляя на этой основе разработки, которые опережают по существенным признакам имеющиеся аналоги. С другой стороны, это открывает достаточно широкие возможности для обнаружения и исследования целых технологических платформ, в контуре которых системообразующие и коммерчески успешные технические решения могут быть рассмотрены в качестве драйверов развития опосредовано связанных с ними технологических разработок, находящихся на ранних стадиях цикла рыночной зрелости.
С точки зрения интересов экономических систем вне зависимости от уровня их управления наличие актуальной карты изобретательской активности позволяет программировать стратегию развития комплексных технологически сложных разработок, отличающихся высокими сравнительными преимуществами в масштабах не столько национальных, сколько даже глобальных рынков. Развитие этой идеи встречается в исследованиях Х. Накамуры, С. Сузуки, И. Сакаты и др. [6], посвященных проецированию объектов изобретательского пространства на сетевую карту технологического экспорта. Учитывая, что страны-создатели технологических решений, характеризующихся интенсивной диффузией в инновационном пространстве и формированием устойчивого потока соответствующей квазимонополистической ренты, фиксируют продолжительный экономический рост вокруг производных технологических разработок, компетенции такого стратегического программирования становятся в настоящее время особенно востребованными.
Одним из первых о таком контексте технологического развития высказался Л. Лейдесдорф, когда выдвинул предположение о том, что заинтересованность экономик в формировании и обеспечении устойчивого роста технологической ренты мотивирует их субъектов к созданию технологически связанных разработок. Однако, указывая на очевидные экономические преимущества таких связанных разработок, исследователь был вынужден констатировать чрезвычайную сложность организации работы по их созданию.
Именно эта проблема и определяет лейтмотив данного исследования, посвященного поиску решения так называемой дилеммы изобретательской диверсификации, которая состоит в необходимости выбора экономической системой либо траектории развития широкого круга разноплановых технологий, не опирающихся на единую технологическую платформу, либо траектории создания разноотрас-
левых технологических решений, вписанных в многоуровневую технологически связанную архитектуру. При этом относительная простота первой траектории, дополняемая более четко просматриваемыми перспективами коммерциализации уже в краткосрочном периоде, должна быть соотнесена с возможностью извлечения в случае следования второй траектории существенно более высокой технологической ренты, правда в долгосрочном периоде времени и с гораздо меньшей вероятностью положительного исхода. Методика исследования
Для построения моделей изобретательского пространства исследователи используют, как правило, патентные данные, которые считаются одним из наиболее объективных и, что особенно важно, доступных и содержательных источников информации о научно-исследовательских и опытно-конструкторских разработках любого отраслевого или национального профиля. Такой подход прослеживается, например, в исследованиях Л. Лейдесдорфа [7], Накамуры [6], Л. Кея [8] и др., в которых сетевая карта различных технологических разработок выстраивается на основе, прежде всего, патентной информации. Узлами или вершинами такой сетевой карты являются группы изобретений, привязанные к конкретным группам патентной классификации. Расстояние между вершинами рассматривается исследователями в качестве взвешенного ребра, длина которого раскрывает технологическую близость между разными группами изобретений.
Сетевая карта может быть как укрупненной, формируя общее представление о структуре изобретательского пространства, так и локальной, фиксируя внимание на закономерностях развития отдельных технологических областей. Результаты таких сфокусированных исследований можно, например, обнаружить в научных публикациях Л. Кея [8], посвященных разработкам в области робототехники и топливных элементов. При этом если высокое разрешение узконаправленных сетевых карт позволяет выявлять скрытые разработки в отдельных технологических областях, то широкофокусные сетевые карты с более низким разрешением, напротив, нацелены на идентификацию неявных взаимосвязей между разработками разных технологических областей и реализацию на этой основе потенциала рекомбинации идей и знаний различного отраслевого профиля. Достаточно подробно проблемы такой технологической рекомбинации рассматриваются в научных разработках Л. Флеминга [9] и К. Фу [10].
Конечно, ориентируя исследования технологического пространства на приоритетное использование в качестве источников информации патентных данных, следует признать, что патенты являются индикаторами изобретательской, но не инновационной активности. Основная часть изобретений, в том числе и тех, которые имеют патентную защиту, не получают экономического признания и, соответственно, не вписываются в поток инновационных разработок. Дискуссию о данной проблеме развернули в своих исследованиях Б. Баркхард, Н. Кроссман, С. Недков и др. [11], которые были вынуждены вместе с тем признать, что несмотря на имеющиеся ограничения патентной информации, реальной альтернативы ей при выявлении сложившихся трендов и обосновании перспективных направлений технологического развития по большому счете пока нет.
Близость между изобретениями разных классов патентной классификации может быть исследована с помощью различных методических подходов. Особо показательно практика их использования раскрывается в работе Л. Лейдесдорфа, Д. Кушнира и И. Рафолса о создании интерактивных карт патентных данных, агрегируемых USPTO (United States Patent and Trademark Office) [12]; исследовании Я. Боуэна и Л. Цзяньси о реализации процедур патентного картирования [13], а также в разработках К.А. Идальго, Б. Клингера, А.Л. Барабаси, Р. Хаусманн [14] о проектировании модели глобального продуктового пространства.
Следует отметить, что в большинстве публикаций по рассматриваемой проблеме исследуется, прежде всего, парная близость между двумя классами патентной классификации. Используемые при этом подходы условно разделяются исследователями на две группы в зависимости от типа применяемой в расчетах исходной информации: данных о цитировании патентных документов или данных о совместном использовании в одном и том же патенте нескольких кодов патентной классификации. Обработка этих данных ведется, как правило с использованием либо индекса Жаккара, либо метода, основанного на определении так называемого косинусного сходства единиц исследуемого множества.
Первым среди этих подходов появился косинусный метод, который ориентирован на измерение углового сходства между векторами, распределяющими цитирование патентных документов двух разных классов в одном и том же конкретном патенте. Используя косинусный метод, А.Б. Джаффе еще в 1986 году сумел построить симметричную матрицу частоты появления патентов, зарегистрированных в двух классах международной патентной классификации [15]. Руководствуясь полученными в результате этого данными, он сумел обосновать близость между технологическими портфелями разных компаний.
Оценивая эффективность использования каждого из этих методических подходов, Л. Лейде-сдорф [16] пришел к выводу о том, что нормализация матрицы частоты появления патентов с помощью косинусного метода способна искажать исходные данные, выдавая пользователю ложные корреляции. В ряде более поздних исследований не связанных друг с другом авторов [17-18] даже появились результаты сравнения итогов экспериментальной апробации каждого из методических подходов, которые однозначно свидетельствовали в пользу, прежде всего, метода Жаккара.
Ориентируясь на параллельное использование метода Жаккара и косинусного метода Б. Ян и Дж. Луо [13] провели сравнение 12 уровней близости для 121 класса международной патентной классификации. При этом был сделан вывод о том, что карты близости, основанные на нормализованной по Жаккару библиографической связи на дезагрегированном уровне патента «A1», по целому комплексу характеристик значительно превосходят карты, сформированные с использованием косинусного метода. Исходя из этого, было принято решение об использовании в рамках настоящего исследования именно метода Жаккара, расчетные процедуры для которого будут проведены на основе данных о совместном использовании в одном и том же патенте двух и более кодов патентной классификации.
Практическая реализация этого метода предполагает количественную оценку степени перекрытия (в диапазоне от 0 до 1) баз данных для всех возможных парных комбинаций различных подклассов патентной классификации. Расчет индекса Жаккара будет вестись по следующей формуле:
class, и class ¡ ,„.
<Pi =---L, (1)
1 classi nclassj
где tyij - близость между классами патентной классификации i и j, характеризующая статистическую значимость отнесения одного и того же патента сразу к двум классам патентной классификации; U — количество уникальных патентов, процитированных патентами подклассов i и j; П — количество уникальных патентов, цитируемых патентами класса i или j (количество патентов, на которые имеется ссылка сразу в двух классах i и j).
Информационной основой проведения исследования послужили патентные данные двух наиболее наукоемких и технологически сложных разделов совместной патентной классификации CPC - раздела F (машиностроение; освещение; отопление; оружие и боеприпасы; взрывные работы) и раздела H (электричество). В рамках двух этих разделов были агрегированы данные 85 подклассов по классам «mechanical engineering», «lighting», «heating», «weapons», «blasting» и «physics» за период 2011-2021 гг., которые насчитывают более 12 млн единиц патентной информации. Источником этих данных послужил открытый онлайн-ресурс «Google Patents Public Data».
Агрегирование исследовательских данных и их программная обработка были выполнены в среде «colab research» с использованием языка формирования запросов для больших данных «bigquery» и программной библиотеки на языке Python «pandas». Совокупность зашифрованных номеров подклассов анализируемой выборки, дополненная относящимися к ним патентами, формирует, по сути, структуру реляционной базы данных, единицы информации которой связаны друг с другом соответствующими показателями близости.
Далее функционал процедур картирования изобретательского пространства с использованием индекса Жаккара дополним блоком расчета индекса выявленного технологического преимущества (RTA - Revealed Technology Advantage), значения которого позволят раскрыть эффективность усилий определенной страны в регистрации патентов в рамках конкретного подкласса патентной классификации. Практика использования этого индекса при проведении патентных исследований раскрывается, например, в научных работах Boschma et al. [19-20] и Дж. Кантвелла и Г. Верто-
вой [21]. С помощью индекса RTApatents силами научного коллектива Boschma et al. была проведена оценка сравнительного преимущества различных классов и подклассов международной патентной классификации и проведена визуализация полученных при этом данных. Расчет индекса RTA проводился при этом по следующей формуле:
XPAj ZijXPA,:
RTA=-^~ (2)
ZijXPwij
где %Pai - количество зарегистрированных патентов - i страной A в течение 10 лет; Т1цХрА.. - количество всех зарегистрированных патентов - ij страной А в течение 10 лет;
J I]
XpWi - количество зарегистрированных патентов - i в мире в течение 10 лет; £ijXpw.. - количество всех зарегистрированных патентов - ij в мире в течение 10 лет.
Таким образом, методика проведения данного исследования базируется на гипотезе о том, что закрепление за одним и тем же патентом двух и более кодов патентной классификации свидетельствует о близости соответствующих им технологических областей, которая будет усиливаться по мере увеличения числа патентов с такими совместно используемыми кодами. Последовательность реализации методики укладывается при этом в следующие основные этапы:
- определение значений показателей близости между 85 подклассами патентной классификации на основе данных о совместном использовании кодов этих подклассов в одном и том же патенте;
- построение нормализованного сетевого дерева связей между анализируемыми подклассами патентной классификации;
- исследование подклассов патентной классификации, демонстрирующих аномальную удаленность от центров кластеров, в состав которых они входят;
- использование полученных данных для обоснования направлений диверсификации национального технологического экспорта, в контуре которых продукты с высоким значением индекса RTA могут рассматриваться с точки зрения развития экспортного потенциала технологически связанных с ними товаров с низким значением индекса RTA.
Оценка значимости связи между изобретательским профилем национальной экономики и структурой промышленного производства
В рамках данного исследования, опираясь на методическую связку индексов RCA и RTA, проведем оценку правдоподобности нулевой гипотезы об отсутствии значимой связи между изобретательским профилем национальной экономики и структурой промышленного производства и, соответственно, национального экспорта. Для этого рассчитаем индексы RCA для экспортируемых из России товаров по 4-значной номенклатуре SITC (Standard International Trade Classification). Решение данной задачи проведем в следующей последовательности:
- расчет индексов RTA для патентов исследуемых подклассов, авторы которых имеют российское гражданство;
- соотнесение патентных подклассов c RTA>0,8 c классами экспортных категорий 4-значной номенклатуры SITC;
- расчетов индексов RCA для российских экспортных товаров по классификации SITC;
- оценка статистической значимости индексов RCA и RTA для анализируемой выборки данных.
На рис. 1 представлена регрессионная модель зависимости между индексами RCA и RTA для подклассов изобретений рубрик F и H патентной классификации, которая для информативности дополнена графиками плотности их распределения.
Для количественной оценки силы и направления вероятностной связи между индексами RTA и RCA рассчитаем значения показателя p-value. При этом исходим из того, что соблюдение соотношения p<0,05 опровергает ранее выдвинутую нулевую гипотезу и, соответственно, подтверждает предположение о наличии значимой взаимосвязи между изобретательским профилем национальной экономики и структурой национального экспорта. В результате проведения расчетов были получены значения коэффициента корреляции Спирмена на уровне 0,36 и p-value на отметке 0,017.
RTA patents
(а) (б) (в)
Рис. 1. Регрессионная модель зависимости индекса RCA от индекса RTA для подклассов изобретений из рубрик H и F МПК (рис. 1а); плотность распределения индексов RTA (рис. 1б) и RCA (рис. 1в)
В данной ситуации относительно низкое значение коэффициента корреляции Спирмена, не подтверждающее наличие четко выраженной линейной связи между анализируемыми индексами, нивелируется соблюдением соотношения p<0,05, что свидетельствует о наличии неявной, но достаточно высокой статистической зависимости между индексами RTA и RCA.
Таким образом, можно сделать вывод о возможности и целесообразности исследования закономерностей взаимного влияния изобретательского профиля национальной экономики и структуры ее экспорта с использованием, соответственно, индексов RTA по CPC и RCA по SITC. Желаемым образом результата такого исследования является выявление направлений диверсификации технологического экспорта, базирующихся на использовании товаров с высокими значениями RCA и RTA в качестве движущих сил для развития экспортного потенциала технологически связанных с ними товаров, которые либо имеют низкие значения индекса RCA, либо вообще не представлены в национальной экспортной корзине.
Картирование изобретательского пространства
Итак, в логике ранее изложенной методики проведения исследования были агрегированы патентные данные для всех анализируемых 85 подклассов патентной классификации. Эти данные раскрывают принадлежность анализируемых патентов к определенной категории, классу и подклассу. Значительная часть патентов, в том числе входящих в рассматриваемую выборку, может характеризоваться различными координатами в патентной классификации, т.е. относиться к разным патентным категориям, классам, подклассам, группам и подгруппам.
На основе агрегированных данных в формате связанного взвешенного неориентированного графа с 3518 ребрами была построена карта технологической близости между группами изобретений 85 анализируемых подклассов. Основным назначением данной карты является графическая интерпретация изобретательских подклассов, характеризующихся наибольшим числом значимых связей друг с другом. Для расчета весов рассматриваемых связей использованы значения индекса близости . При этом точность построения карты во многом зависит от способности выделять так называемый истинный сигнал технологической близости среди сигналов ложного происхождения.
На следующем этапе исследования созданный неориентированный граф используем для проектирования остовного дерева с минимальным весом связей и нормализации на этой основе матрицы близости между анализируемыми подклассами патентной классификации. Из результатов нормализации исключим слабые связи, сохранив в итоговой форме визуализации лишь наиболее значимые связи, выявленные с помощью алгоритма поиска минимального остовного дерева (minimum spanning tree, MST) во взвешенном неориентированном связном графе. Итак, в результатах нормализации, представленных на рис. 2-3, показано два основных уровня близости: наивысший уровень близости, обозначенный нодами черного цвета, и уровень близости выше среднего, привязанный к нодам красного цвета.
Рис. 2. Минимальное остовное дерево для подклассов патентной классификации с высоким уровнем связей
Максимальный уровень близости нодов черного цвета является свидетельством высокого уровня сравнительного преимущества при специализации нашей страны в соответствующем подклассе патентной классификации. При этом ноды красного цвета такой характеристикой не располагают. Размер представленных на карте узлов откалиброван в зависимости от уровня сравнительного преимущества, рассчитанного для соответствующего подкласса патентной классификации на основе глобальных патентных данных с глубиной архива в десять последних лет.
Анализ представленной на рис. 2 информации позволяет сделать вывод о наличии в рассматриваемом массиве данных о патентных классификациях трех кластеров. Каждый из этих кластеров, концентрируя вокруг себя достаточно большое количество узлов, имеет в то же время явно выраженные связи с другими кластерами. Самым крупным является кластер II, который, во-первых, располагает наиболее сбалансированной структурой с точки зрения соотношения между патентными подклассами как с высокими, так и с более низкими значениями индексов специализации, а, во-вторых, включает в свой состав практически все подклассы по разделу F совместной патентной классификации «mechanical engineering; lighting; heating; weapons; blasting».
Следующим по размеру является кластер I, собранный из подклассов, специализирующихся на разработках в области военно-промышленного комплекса. Показательно, что размер узлов этого кластера является самым большим на представленной карте, что свидетельствует о высоком уровне индекса RTA, т.е. выявленного сравнительного преимущества для отечественных разработок соответствующего целевого назначения. Наконец, в самом небольшом по размеру кластере III расположились подклассы, объединяющие устройства для измерения, дистанционного переключения и управления приборами. Единственным системообразующим подклассом в этом кластере, который реализует функцию связи между узлами, является подкласс «Plasma technics» (ионно-лучевые трубки H01J 27/00; магнитогидродинамические генераторы H02K 44/08; получение рентгеновских лучей с генерацией плазмы H05G 2/00; производство ускоренных электрических зарядных частиц или нейтронов). В целях повышения информативности результатов анализа карты технологической близости между изобретениями анализируемых подклассов патентной классификации рассмотрим минимальное остовное дерево, в котором визуализированы ноды, характеризующиеся низкими значениями индекса близости . На рис. 3 фиолетовый цвет нода служит индикатором связи с индексом близости ниже среднего уровня, а синий цвет - связи с индексом, значение которого близко к нулю.
НЛМЧЭ С* tkWSlf
III
Рисунок 3. Минимальное остовное дерево для подклассов патентной классификации с низким уровнем связей
На рис. 3 достаточно четко просматриваются своего рода анклавы патентных подклассов или так называемые «изолированные пространства» - удаленные узлы, не имеющие связей с другими узлами изобретательского пространства, однако характеризующиеся при этом относительно высоким уровнем выявленного сравнительного преимущества. Показательным для этого кейсом является ситуация с подклассом «Plasma technics», который обеспечивает основную связь между элементами кластера II и кластера III. Такое нестандартное позиционирование этого подкласса в изобретательском пространстве объясняется по всей видимости комплексным характером относящихся к нему разработок, которые имеют системные связи с разработками ограниченного набора других подклассов.
Другой причиной такого позиционирования может служить относительная новизна данной изобретательской области, в силу которой потенциал ее диффузии в изобретательском пространстве пока еще не раскрылся. Для этого случая может быть обоснована стратегическая траектория исследования «пустых пространств» с целью выявления технологических областей, которые, несмотря на низкую патентную активность в них, располагают потенциальной возможностью выстраивания технологического, а после этого и экономического взаимодействия с другими, более успешными технологическими областями. Для определения таких потенциально возможных сценариев диверсификации связей между различными подклассами патентной классификации рассчитаем значения показателя плотности связи между ними (Relatedness Density).
По своему содержанию этот показатель является частным между показателем близости интересующего нас подкласса i к подклассу, в котором исследуемая страна накопила высокий уровень технологического преимущества (индекс RTA), с одной стороны, и суммой показателей технологической близости подкласса i ко всем остальным подклассам, где специализируются изобретатели из этой же самой страны, с другой стороны:
_jec,j*i Vi,
щ,сх = _ <а J х 100 (3)
где ш, c,t - показатель плотности области знаний о технологии i в стране с в момент времени t; -показатель близости между подклассами i и j.
Границы значений показателя плотности ti>i,c,t находятся в интервале от 0 до 100 процентов. При этом значение в 100% свидетельствует о том, что разработка i находится исключительно в про-
странстве подклассов, в которых страна специализируется с относительно высоким технологическим преимуществом в мире (>=1) (рис. 4).
Average RclatE?dness Stats
(а) (б) (в)
Рис. 4. Результаты кластеризации подклассов CPC с использованием показателя плотности u>i,c,t
Если же значение показателя плотности mí, с, t будет ближе к 0, то это, напротив, будет означать серьезный разрыв между анализируемыми подклассами, устранение которого способно скрывать гораздо более существенный синергетический эффект от комбинации привязанных к ним технологическим разработкам.
В представленных на рис. 4 диаграммах рассеяния иллюстрируется плотность позиционирования анализируемых подклассов патентной классификации в пространстве изобретательской активности. Особый интерес на этих диаграммах представляет кластер III, элементы которого маркированы голубым цветом. Именно этот кластер является ядром технологических разработок разделов F и H, что объясняется высоким уровнем выявленного технологического преимущества (индексом RTA) составляющих его структуру подклассов. Это означает, что разработки данных подклассов объединяет ориентация на одну и ту же технологическую платформу и использование при их создании сопоставимых интеллектуальных и производственных компетенций и ресурсов.
Особый интерес из элементов кластера I вызывает подкласс F24S (Solar Heat Collectors; Solar Heat Systems (for producing mechanical power from solar energy F03G 6/00) [2018.01]). Российские изобретения, относящиеся к данному подклассу, демонстрируют значения индекса RTA на уровне 0,54. С одной стороны, такое значение является больше средним, чем высоким, однако, с другой стороны, в динамике последнего десятилетия наблюдается тенденция его планомерного увеличения. Особенно заметной она стала в период с 2018 года (рис. 5), что является важным свидетельством последовательного укрепления в России актуальных для всего глобального технологического пространства компетенций в области солнечной энергетики.
F24S 1JG7 1,07
2012 2013 2014 2015 201 в 2017 2018 2019 2020 2021
Рис. 5. Динамика индекса ЯТА для российских патентов, относящихся к подклассу Б248 совместной патентной классификации
Показательно, что удаленность рассматриваемого подкласса F24S от центральных доменов исследуемых разделов F и H совместной патентной классификации составляет относительно незначительные 27,5%. Это означает, что степень связи (mí, с, t) между российскими патентами подкласса F24S и патентами центральных элементов исследуемого фрагмента изобретательского пространства, в которых отечественные изобретатели показывают высокое сравнительное преимущество (RTA), находится на достаточно высоком уровне в 72,5 %.
Логику дальнейшего исследования сориентируем на идентификацию технологической сети, формирующейся вокруг разработок подкласса F24S. Для этого выявим классы и подклассы, в том числе выходящие за рамки ранее обозначенных в качестве целевых для данного исследования разделов F и H, которые для одних и тех же изобретений определяются в качестве таких же доменных, как и F24S. Алгоритм поиска соответствующей информации запрограммируем на работу с патентными данными с глубиной архива до 10 последних лет. В целях оптимизации работы поискового алгоритма выставим фильтр, отсекающий связи между подклассами размерностью менее двухсот совместных появлений в соответствующих патентных документах. Итоговый результат реализации аналитических процедур представим в форме связанного графа (рис. 6), центром которого является подкласс F24S, а исходящие ребра раскрывают связку с совместно используемыми с ним другими подклассами CPC.
Цвет ребер отражает плотность совместного использования соответствующих подклассов в одних и тех патентных документах: желтый цвет - 200-3000 совместных появлений; красный цвет -более 3000 совместных появлений. Из данных рисунка видно, что наиболее высокая плотность связи наблюдается между исследуемым подклассом F24S и группами патентной классификации Y02E10 и Y02B10.
Следует отметить, что размер каждого из узлов графа определяется уровнем специализации российских заявителей в соответствующих подклассах патентной классификации. Выбор такой формы визуализации позволил обнаружить, с одной стороны, весьма серьезные успехи российских изобретателей в регистрации патентов в подгруппе F24S20/67 (solar heat collectors integrated in building), а, с другой стороны, напротив очень низким относительным преимуществом в регистрации патентов, относящихся к подгруппе Y02E10/47' (solar towers Mountings or tracking), на долю которых приходится около 24 % всего объема кодов патентной классификации, используемых при регистрации совместно с кодами подкласса F24S.
a б
Рис. 6. Структура связного графа с вершиной F24S (подкласс CPC F24S «Solar Heat Systems»)
Достаточно высокая плотность совместного использования наблюдается у подкласса F24S и в отношении подгруппы Y02E10/60 (Thermal-PV hybrids), относительно большой маркер которой говорит
о существенном уровне специализации в ней российских заявителей. На рис. 7 представлено 10 кодов патентной классификации, с которыми подкласс F24S чаще всего совместно используется при регистрации одних и тех же патентов. На рис. 7а представлены данные о совместном использовании в разрезе абсолютных значений на каждый год периода 2012-2021 гг., а на рис. 7б - данные систематизированы в формате накопленного итога.
Рис. 7. Топ-10 кодов патентной классификации, с которыми подкласс F24S чаще всего совместно используется
при регистрации патентов
Видно, что в части накопленного итога наиболее высокие позиции занимают следующие подклассы и подгруппы патентной классификации:
- Y02E (reduction of greenhouse gas emissions, related to energy generation, transmission or distribution):
- Y02E10/47 (solar towers mountings or tracking);
- Y02E10/50 (photovoltaic [PV] energy);
- Y02E10/44 (heat exchange systems);
- Y02B (climate change mitigation technologies related to buildings, e. g. housing, house appliances or related end-user applications):
- Y02B10/20 (integration of solar thermal energy sources in buildings.
Ориентируясь на эту динамику, можно, во-первых, анализировать сеть сложившихся связей между различными технологическими областями, целенаправленно выстраивая на этой основе коллаборации между разработчиками опосредовано соотносимых технологических решений и, соответственно, производителями конечной продукции, а, во-вторых, определять траектории перспективного развития национального изобретательского портфеля, реализующего возможности взаимного усиления разно-отраслевыми разработками своих относительных конкурентных преимуществ.
Заключение
Обобщая результаты проведенных исследований, можно сделать следующие основные выводы.
Во-первых, используя глобальные патентные данные за период 2011-2021 гг., систему международной патентной классификации, а также методическое и программное обеспечение для выявления
взаимосвязей между патентами, относящихся к различным технологическим областям, было построено пространство изобретательской активности для 85 подклассов совместной патентной классификации, которые включены в классы «mechanical engineering», «lighting», «heating», «weapons», «blasting» и «physics». Это пространство раскрывает близость между запатентованными изобретениями разных технологических областей, формируя комплексное представление о направлениях глобальной технологической конвергенции и тенденциях формирования кластеров сквозных технологических разработок.
Во-вторых, формализованное в ходе проведения исследования пространство изобретательской активности создает концептуальную и методическую основу для обоснования стратегий технологической диверсификации на уровне национальных экономик, а также может служить информационным обеспечением для разработки дорожных карт развития отдельных технологий и целых технологических платформ в деятельности предприятий и организаций различной отраслевой принадлежности.
В-третьих, выявленные закономерности развития технологической близости между изобретениями различных классов могут быть использованы при разработке прогнозов расширения существующих технологических областей, а также появления новых технологических ниш, способных вписаться в перспективный технологический мейнстрим. Опираясь на такие прогнозы, может быть организована целенаправленная работа по превентивной адаптации существующей структуры экономики под ожидаемые приоритеты глобального технологического развития.
Благодарности
Исследование выполнено за счет гранта Российского фонда фундаментальных исследований (проект № 20-310-70023).
ЛИТЕРАТУРА
1. Atkinson A.B., Stiglitz J.E. A new view of technological change // The Economic Journal. 1969. P. 573-578.
2. BallandP.A., Rigby D. The geography of complex knowledge // Economic Geography. 2017. P. 1-23.
3. Balland P.A. Proximity and the evolution of collaboration networks: evidence from research and development projects within the global navigation satellite system (GNSS) industry // Regional Studies. 2012. P. 741-756.
4. Drennan M., Larsen S., Lobo J., Strumsky D., Utomo W. Sectoral shares, specialisation and metropolitan wages in the United States // Urban Studies. 2002. P. 1129-1142.
5. Etzkowitz H., Leydesdorff L. The dynamics of innovation: from National Systems and "Mode 2" to a Triple Helix of university-industry-government relations // Research policy. 2000. P. 109-123.
6. Nakamura H., Suzuki S., Sakata I., Kajikawa Y. Knowledge combination modeling: The measurement of knowledge similarity between different technological domains // Technological Forecasting and Social Change. 2015. p. 187201.
7. Leydesdorff L., Kushnir D., Rafols I. Interactive overlay maps for US patent data based on International Patent Classification (IPC) // Scientometrics. 2014. P. 1583-1599.
8. Kay L., Newman N., Youtie J., Porter A.L., Rafols I. Patent overlay mapping: Visualizing technological distance // Journal of the Association for Information Science and Technology. 2014. P. 2432-2443.
9. Fleming L. Recombinant Uncertainty in Technological Search // Management Science. 2001. P. 117-132.
10. Fu K., Chan J., Cagan J., Kotovsky K., Schunn C., WoodK.L. The meaning of "near" and "far": the impact of structuring design databases and the effect of distance of analogy on design output // Journal of Mechanical Design. 2013.
11. BurkhardB., Crossman N., Nedkov S., Petz K., Alkemade R. Mapping and modelling ecosystem services for science, policy and practice // Ecosystem Services. 2013.
12. Leydesdorff L., Kushnir D., Rafols I. Interactive overlay maps for US patent (USPTO) data based on International Patent Classification (IPC) // Scientometrics. 2014. Vol. 98. P. 1583-1599.
13. Yan B., Jianxi L. Measuring Technological Distance for Patent Mapping // Journal of the Association for Information Science and Technology. 2017. P. 423-437.
14. Hidalgo C.A., Klinger B., Barabasi A.L., Hausmann R. The product space conditions the development of nations // Science. 2007. P. 482-487.
15. Jaffe A.B. Technological opportunity and spillovers of R&D: evidence from firms' patents, profits and market value // American Economic Review, American Economic Association. 1986. Vol. 76 (5). P. 984-1001.
16. Leydesdorff L., Kogler D.F., Yan B. Mapping patent classifications: portfolio and statistical analysis, and the comparison of strengths and weaknesses // Scientometrics. 2017. P. 1573-1591.
17. Joo S.H., Kim Y. Measuring relatedness between technological fields // Scientometrics. 2010. P. 435-454.
18. Altuntas S., Dereli T., Kusiak A. Analysis of patent documents with weighted association rules // Technological Forecasting and Social Change. 2015. Vol. 92. P. 249-262.
19. Boschma R. Proximity and innovation: a critical assessment // Regional studies. 2005. P. 61-74.
20. Boschma R., Iammarino S. Related variety, trade linkages, and regional growth in Italy // Economic geography. 2009. P. 289-311.
21. Cantwell J.A., Vertova G. Historical evolution of technological diversification // Research Policy. 2003. Vol. 33. P. 511-529.