Knowledge Management Forum >

2025 , Vol. 10 >Issue 5: 375 - 396

DOI: https://doi.org/10.13266/j.issn.2095-5472.2025.025

Technology Forecasting: Analysis of Domestic and International Research Hotspots and Frontiers

  • Gui Qian ,
  • Zhong Weibing ,
  • Hareesh Govindarajan Usharani ,
  • Zhang Chuyi
Expand
  • Business School, University of Shanghai for Science and Technology, Shanghai 200000
Zhong Weibing, Lecturer, Master, E-mail:

Gui Qian, Master’s Candidate;

Govindarajan Usharani Hareesh, Associate Professor, PhD, Master’s Supervisor;

Zhang Chuyi, Master’s Candidate.

Received date: 2025-05-30

  Online published: 2025-09-11

Supported by

Fund project(s): This work is supported by National Natural Science Foundation of China (NSFC) Fund for International Scientists Project titled “Intelligent Patent Analysis for Optimized Technology Stack Selection: Blockchain Business Registry Case Demonstration”(W2433177)

Fold

Abstract

[Purpose/Significance] Technology forecasting is a field of research related to future technology development trends and technological innovation. This paper aims to identify the current research hotspots and frontiers in the field of technology forecasting, to provide guidance for the technological innovation of enterprises and organizations, helping them seize opportunities and avoid risks. [Method/Process] Technology forecasting literature from WoS and CNKI (2001—2024) was analyzed using VOSviewer and CiteSpace to identify literature characteristics, hotspots, and frontiers. [Result/Conclusion] The result shows that: ①The volume of articles published in the field of technology forecasting has grown steadily at domestic and international, and the core journals are distributed in the fields of information science, management and other disciplines. ②A stable core authors group has formed in the field of technology forecasting at home and abroad. In China, collaboration remains predominantly intra-institutional, and there are cross-institutional, with cross-institutional ties often stemming from mentor-apprentice relationships. Internationally, cross-institutional collaboration is more prevalent, frequently facilitated by jointly-trained scholars and visiting academics who serve as bridges for research partnerships. Notably, Chinese scholars have emerged as key contributors to international technology forecasting research. ③Regarding research hotspots, domestic research focuses on the research of emerging and disruptive technologies, technology opportunities, and technology forecasting methods. Foreign countries focus on technology development trend research, emerging technology assessment and forecasting research, technology convergence and technology intelligence research, technology opportunity discovery and analysis research. ④In terms of research frontiers, identification and prediction of disruptive and emerging technologies, research on technology convergence and technological innovation, and optimization of technology opportunity identification and discovery methods are the research frontiers in the field of domestic technology forecasting. The research frontiers in the field of foreign technology forecasting mainly focus on the improvement of technology forecasting methods and the discovery and analysis of technology opportunities.

Key words： technology forecasting; bibliometrics; research hotspots; research frontiers; VOSviewer; Citespace

Cite this article

Gui Qian , Zhong Weibing , Hareesh Govindarajan Usharani , Zhang Chuyi . Technology Forecasting: Analysis of Domestic and International Research Hotspots and Frontiers[J]. Knowledge Management Forum, 2025 , 10(5) : 375 -396 . DOI: 10.13266/j.issn.2095-5472.2025.025

1 研究背景/Research background

党的十八大明确提出“实施创新驱动发展战略”，同时强调“科技创新是提高社会生产力和综合国力的战略支撑，必须摆在国家发展全局的核心位置”[1-2]。习近平总书记指出：“我国经济已由较长时期的两位数增长进入个位数增长阶段。在这个阶段，要突破自身发展瓶颈、解决深层次矛盾和问题，根本出路就在于创新，关键要靠科技力量。”在全球化和数字化时代，随着科技的不断进步和全球竞争的加剧，技术管理对企业的发展尤为重要。企业需要不断跟进和应对新兴技术的发展趋势，有效地管理和利用技术资源以适应市场的变化并满足客户的需求，保持竞争优势，实现企业的可持续发展。技术管理不仅能够满足特定技术的管理需求，还能够根据现有资源、技术以及社会经济环境、市场环境帮助企业进行技术规划和战略决策，有效利用技术资源，推动企业的创新和变革。
技术预测是技术管理的核心构成要素，其能够为未来技术发展提供详细和实用的见解，因此在技术管理中发挥重要作用[3]。技术预测能够借助现有知识了解技术现状、掌握技术动态、识别技术机会以及管理技术创新风险[4]，帮助政府和企业应对技术变革挑战、把握战略机遇，提升技术创新管理能力。随着技术预测的不断发展，国内外研究人员将技术预测应用到各领域当中开展研究，M. Jiang等[5]提出一种创新的术语级框架，从技术知识流动视角来识别和理解新兴技术，基于知识吸收、增长和扩散视角构建反映新兴技术属性的多元指标，并通过对数字医疗专利数据集的分析，证明其有效性；C. R. BALCÁZAR -Zumaeta等[6]运用技术预测中的文献计量学方法来预测功能性巧克力等食物技术的发展；H. Xu等[7]提出运用多维和实用的文献计量指标，以在细粒度级别发现高影响力的新兴研究主题，通过全面测量根本创新性等5个特征来制定新兴研究主题检测框架，并提出可行的操作指标和流程。同时，国内外也有不少研究人员对技术预测领域的研究进行了回顾和整理，并形成相关综述类文章。G. Calleja-Sanz等[8]对技术预测的基本方法进行梳理，并提出了技术预测的新发展趋势及新兴技术预测方法；汪雪锋等[9]梳理了国内外技术预测的发展历程，对部分国家技术预测项目的现状进行总结，在此基础上提出技术预测的未来研究展望；张硕等[10]以WOS数据库中与技术预测相关的497篇文献为数据基础将技术预测研究划分为4个阶段，并借助文献计量法与知识图谱工具来梳理各阶段的研究热点与前沿；王翠波等[11]基于专家访谈以“技术机会”“新兴技术”“颠覆性技术”“技术预测”“技术机会识别”等为关键词收集了中国知网上2008—2018年的379篇文献，从文献维度、内容维度等角度进行可视化共现及聚类分析，探索技术预测研究现状及发展趋势。
综上所述，目前国内外学者围绕技术预测的概念、研究热点等已进行了大量梳理与研究，但关于技术预测研究热点、前沿趋势的中外对比等相关研究相对较少。基于此，笔者在前人研究的基础上，使用知识图谱工具VOSviewer、Citespace对来自Web of Science和中国知网（CNKI）的技术预测主题相关文献进行分析，从高频关键词共现网络入手，揭示国内外技术预测领域的研究热点及前沿趋势，以期为技术预测领域相关研究及技术管理等方面的实践提供参考。

2 研究设计/Research design

2.1 数据来源

为详细、系统地梳理技术预测领域的研究热点与前沿，笔者以中国知网（CNKI）与Web of Science核心期刊数据库为文献数据来源以保证文献数据的全面性与准确性，时间范围为2001年1月至2024年12月，以“技术预测”“技术机会”为主题词进行检索。表1是所收集的期刊文献数据统计表，共收集到有效的中文文献691篇，英文文献436篇。为保证文献数据的准确性，人工筛除了偏离主题以及会议信息、会议纪要、期刊征稿等与研究主题无关的文献记录，最后得到符合要求的文章共计702篇，构成了本文的研究数据集，文献检索、审查分析过程见图1。
表1 期刊文献数据统计表

Table 1 Statistical table of journal literature data

文献类别 数据库来源 检索词 时间范围 检索到文献数量/篇
中文文献 中国知网核心期刊、CSSCI、CSCD SU=("技术预测") OR SU=("技术机会") OR SU=("技术机会分析") 2001.01—2024.12 691
英文文献

Web of Science

SCI、SSCI数据库

 (TS=("technology forecast*") OR TS=("technology opportu-nity") OR TS=("technology opportunity analy*") ) 2001.01—2024.12 436
图1 文献检索、审查、分析过程

Figure 1 Literature search, review, and analysis process

2.2 研究方法

本文主要运用文献计量法与知识图谱工具对国内外技术预测领域的文献数据进行系统性分析，并通过文献回溯进一步探讨国内外技术预测领域的研究热点与前沿趋势。文献计量法是一种基于数学、统计学和数据挖掘方法的科学研究方法[12]，通过对学术文献的数量、分布、引用关系以及其他相关数据进行研究，揭示科学研究活动的演化规律、研究动态，探索不同研究主题之间的关联及其发展路径。知识图谱以科学学为基础，涉及信息科学、应用数学等多学科交叉领域，是近年来学者广泛应用的分析工具[13]。知识图谱不仅可以用于构建学术文献之间的关系网络，还能够挖掘学科领域的研究热点、演化趋势和核心研究主题，其中VOSviewe和Citespace是两款功能强大的知识图谱工具，VOSviewer软件在作者、关键词共现分析等方面具有较强优势，数据呈现更为清晰，可视化效果更为显著；Citespace更擅长时区图、突现词等基于时间序列的学术研究发展演化过程的动态追踪。本文结合两种方法，统计文献数量的变化趋势、期刊发文情况，构建作者合作网络、关键词共现网络，结合时区图、突现词分析等，探讨作者之间的协作关系，识别关键学术群体、核心作者的学术影响力、核心期刊等，为全面了解技术预测领域的研究热点与前沿方向提供科学的依据和可靠的支持。

3 研究结果与分析/Research results and analysis

3.1 文献发展趋势分析

文献数量的变化能够直观展现研究领域的发展动态，从图2可见2001—2024年中国知网（CNKI）、Web of Science中技术预测相关文献数量年度分布情况。从整体趋势来看，中国知网与Web of Science的技术预测相关文献数量整体呈现出上升趋势，技术预测领域的学术关注度不断提高，国内外技术预测领域的研究蓬勃发展。从国内来看，2001—2010年间整体文献数量处于平稳增长状态，直到2010年后文献数量开始显著增加，2016年之后中国知网中技术预测相关文献的数量进入快速增长期，平均每年20篇以上，国内技术预测领域研究热度持续升高，逐渐出现稳定的科研团体和学者群体长期关注技术预测领域的研究。中国知网中技术预测相关文献的年文献数量于2023年达到峰值39篇，国内对于技术预测领域研究的重视程度不断提高。对于来自Web of Science的技术预测相关外文文献而言，2001—2010年为萌芽期，相关文献数量较少，增长缓慢，技术预测领域研究处于起步阶段。2010年之后，文献数量显著增加，呈现快速增长态势，意味着国外学术界对技术预测领域的关注度显著提高。2020年以后Web of Science的技术预测相关文献量进一步增长并在2024年达到顶峰，反映出国外技术预测领域研究保持较高的活跃度。
图2 2001—2024年中国知网（CNKI）与Web of Science中技术预测相关文献数量年度分布情况

Figure 2 Annual distribution of technology forecasting related literature in CNKI and WOS (2001-2024)

3.2 研究主体分析

3.2.1 核心作者分析

中国知网中的370篇文献共来自784位作者，基于普莱斯定律的核心作者计算方法，某一领域的核心作者最低发文数量为 m = 0.749 × n m a x ≈3.51，其中 n m a x为发文最多的作者的发文数量，经计算发表4篇及以上的作者视为核心作者。经统计，国内技术预测领域共有34位核心作者，总发文量171篇，占总发文量的46.2%，这一比例接近普莱斯定律所设定的50%标准[14]。这说明国内技术预测领域的核心作者群体已形成一定规模，并在学术发文上占据较为重要的地位。其中发文量超过10篇的学者有上海海事大学的冯立杰（22篇）、王金凤（22篇）以及北京工业大学的黄鲁成（13篇）。
Web of Science的332篇文献共来自854位作者，根据普莱斯定律，核心作者最低发文数量为 m = 0.749 × n m a x ≈2.60，其中 n m a x为发文最多的作者的发文数量。因此，将发文量在3篇及以上的作者认定为技术预测领域的核心作者。经统计，核心作者共有57人，总发文量247篇，占总发文量的74.4%，远超普莱斯定律的50%的标准。由此可见，经过多年发展，核心作者群体的学术贡献在国际学术研究中占据主导地位，国外技术预测领域发展已进入较为成熟的阶段。排名前十的高产作者及其所属机构见表2。发文量最高的是韩国建国大学的J. Yoon和美国波特兰州立大学的T. Daim（12篇）。其中，共有5位韩国学者发文量名列前十，可见韩国在国际技术预测领域具有雄厚的研究实力与学术影响力。
表2 CNKI、WOS中技术预测领域研究高产作者表

Table 2 List of highly productive authors of technology forecasting in CNKI, WOS

排名 中国知网（CNKI） Web of Science
作者 文献量/篇 所属机构 作者 文献量/篇 所属机构
1 冯立杰 22 上海海事大学 Tugrul Daim 12 美国波特兰州立大学
2 王金凤 22 上海海事大学 Yoon Janghyeok 12 韩国建国大学
3 黄鲁成 13 北京工业大学 Yoon Byungun 10 韩国东国大学
4 檀润华 10 河北工业大学 Wang Jinfeng 10 上海海事大学
5 张珂 9 郑州大学 Feng Lijie 10 上海海事大学
6 朱东华 7 北京理工大学 Jun Sunghae 8 韩国清州大学
7 汪雪锋 7 北京理工大学 Lee Sungjoo 7 韩国首尔国立大学
8 袁红梅 7 沈阳药科大学 Alan L Porter 6 美国佐治亚理工学院
9 孙建广 6 河北工业大学 Li Xin 6 北京工业大学
10 岳俊举 6 郑州大学 Lee Changyong 6 韩国高丽大学

3.2.2 作者合作网络分析

研究通过分析作者合作网络，来获知技术预测领域的代表研究学者与核心研究团队。使用VOSviewer对发文量超过2篇的132位作者的合作网络进行可视化，图3为国内作者合作网络图由图3可知，目前国内技术预测领域研究学者合作关系多以机构内合作为主，同时存在跨机构合作关系，建立起了较为稳固的学术网络。最为突出的5个研究团体分别是以河北工业大学檀润华为核心的研究团队，以北京理工大学汪雪锋、朱东华为核心的研究团队，以上海海事大学冯立杰、王金凤与郑州大学张珂为核心的研究团队，以沈阳药科大学袁红梅为核心的研究团队，以北京工业大学黄鲁成为核心的研究团队。其中，以上海海事大学冯立杰、王金凤与郑州大学张珂为核心的研究团队跨机构合作特点明显，主要以师徒关系为基础开展跨机构学术合作。这5个研究机构是目前国内发文量较高的研究团体，均拥有1—3位排名前十的高产作者，是目前国内技术预测领域研究的主力军。
图3 中国知网（CNKI）作者合作网络图

Figure 3 Author collaboration network in CNKI

对于Web of Science中的文献，研究使用VOSviewer对发文量超过2篇的113位作者的合作网络进行可视化分析。由图4可见，Web of Science中文献作者合作网络整体联系较为紧密，跨机构合作活动较多，其中最大的研究团体由25位作者组成，这些作者来自韩国多个学术机构，核心作者包括韩国建国大学的J. Yoon 、韩国东国大学的B. Yoon 、韩国科学技术研究院的B. Y. Coh、韩国高丽大学的 C. Y. Lee、韩国首尔国立大学的 S. J. Lee等。韩国在技术预测领域研究实力雄厚，凭借高产的学术成果与广泛的学术合作，已成为国际技术预测领域的重要研究力量。第二大研究团体由以美国波特兰州立大学的T. Daim、美国佐治亚理工学院的A. L. Porter、北京理工大学的汪雪锋与朱东华、北京工业大学的黄鲁成为核心的中国、美国高校学者组成，跨国学术合作交流特征明显，多通过联合培养学者、高校访问学者开展跨机构学术研究合作。其中北京理工大学的朱东华与汪雪锋是技术预测领域的重要研究学者，与美国波特兰州立大学的T. Daim、美国佐治亚理工学院的A. L. Porter长久以来保持着良好的学术合作关系，共同推动国内外技术预测领域发展。第三大研究团体是以上海海事大学的冯立杰、王金凤为核心的研究团队。中国学者在技术预测领域的影响力逐渐提升，与他国学者广泛开展学术交流合作，成为国际技术预测领域研究的重要参与者。
图4 Web of Science作者合作网络图

Figure 4 Author collaboration network in Web of Science

3.3 载文期刊分析

来自中国知网的370篇中文文献分布在105种期刊上，根据布拉德福定律，每个期刊区域论文数约为123篇，其中核心期刊区有4种，相关期刊区有16种，边缘期刊区有85种。核心期刊、相关期刊、边缘期刊区占期刊总量比例分别为3.8%、15.2%、81%。核心期刊包括：《情报杂志》（40篇）、《情报理论与实践》（37篇）、《科技管理研究》（34篇）、《图书情报工作》（21篇）；相关期刊中有《情报学报》（17篇）、《科学学与科学技术管理》（13篇）、《科学学研究》（12篇）、《中国新药杂志》（4篇）、《技术经济》（4篇）、《管理评论》（3篇）。由期刊分布情况可知，有关技术预测的研究主要集中于情报学、科学学、管理学领域，也涉及经济学、药学等多个领域。
从Web of Science共收集了332篇英文文献，期刊共有125种，由布拉德福定律可知每个期刊区的论文约为111篇，核心期刊区有3种，相关期刊区27种，边缘期刊区95种，3种期刊占总期刊数比例分别为2.4%、21.6%、76%，可以发现期刊分布相对集中。其中发文量排名较前的期刊包括：Technological Forecasting and Social Change（78篇）、Scientometrics（20篇）、Technology Analysis & Strategic Management（16篇）、IEEE Transactions on Engineering Management（15篇）、Sustainability（12篇）、Technovation（12篇）。其中Technological Forecasting and Social Change发文量著高于其他期刊，该刊发文量占总文献数量的23.5%，是技术预测领域最核心的期刊。

3.4 研究热点分析

关键词能够高度概括和凝练文章的主题，基于关键词出现频次与相互关系的共词分析法能够帮助把握科研领域的研究热点与发展趋势[15]。

3.4.1 国内技术预测领域研究热点分析

研究使用VOSviewer对来自中国知网（CNKI）数据库的370篇文献的904个关键词进行分析，设置关键词共现分析阈值为3（即关键词至少在3篇文献中出现才可被纳入分析范围），并对出现频次大于等于3的84个关键词进行可视化，图5为中国知网（CNKI）技术预测主题文献关键词共现网络图。出现频次大于等于5的前20个高频关键词见表3。
图5 中国知网（CNKI）技术预测主题文献关键词共现网络图

Figure 5 Keywords co-occurrence network map of technology forecasting related literature in CNKI

表3 中国知网（CNKI）文献高频关键词列表

Table 3 List of high-frequency keywords in CNKI literature

高频关键词 频次 高频关键词 频次 高频关键词 频次
技术预测 114 技术机会分析 17 深度学习 10
技术机会 58 颠覆性技术 13 技术生命周期 9
专利分析 42 技术融合 12 技术路线图 9
技术机会识别 29 多维技术创新地图 11 专利地图 8
技术创新 27 技术机会发现 11 链路预测 8
技术预见 21 新兴技术 11 文本挖掘 7
专利 18 TRIZ 10
为了更加直观、精炼地提取该领域的研究热点，笔者将关键词分为4个聚类，并对每个聚类的高频关键词进行统计，根据关键词的聚类情况将研究热点归类为3个主题，并进一步分析每个主题的研究内容与成果。
（1）新兴技术与颠覆性技术研究。聚类一的研究主要与新兴技术、颠覆性技术的识别、评估、预测相关。新兴技术是在短期内快速发展、具有高度不确定性的技术，其在未来极有可能推动技术进步，且具有较大社会影响力，对于国家创新战略制定与企业技术研发布局具有重要意义[16]，识别与预测新兴技术是技术预测领域研究的重要内容之一。多数研究人员使用知识图谱、主题模型、机器学习等方法，结合专家意见、专利指标、技术特征等评价体系来开展新兴技术识别与预测。孔德婧等[17]提出一种基于深度学习的离群专利识别与新兴技术预测方法，使用BERT（Bidirectional Encoder Representation from Transformers，基于转换器的双向编码器表示）预训练模型识别离群专利，并基于DNN（Deep-Learning Neural Network，深度神经网络）模型构建离群专利指标与技术影响力之间的关系，从海量离群专利中快速、准确地预测新兴技术；任佳妮等[18]基于科技论文与专利，采用LDA（Latent Dirichlet Allocation, 潜在狄利克雷分配）主题建模算法和专家咨询法，提取语义关键词及其相关的高频词组，引入论文、专利引用率并结合专家意见，判定该领域的新兴技术，并以医疗机器人为例验证其有效性。
颠覆性技术是能够彻底改变现有市场格局的技术，具有较高的复杂性与不确定性，在其对市场产生重大影响之前，往往很难被预测[19]。识别颠覆性技术能够有效帮助企业在激烈的竞争中抓住机遇，规避不利影响，同时为企业发展布局和相关技术研发工作提供参考。国内对于颠覆性技术的研究多关注颠覆性技术的识别、评估与预测。例如，王康等[20]提出通过异质性专利扩展共被引网络计算专利影响力，构建异质性专利与技术影响力关系数据，运用机器学习算法识别潜在颠覆性技术；侯广辉等[21]根据颠覆性技术特征构建突变级数模型，结合技术、市场与外部环境的评估指标体系识别与评估颠覆性技术。
（2）技术机会研究。图5中聚类二、聚类四关键词均与技术机会研究相关。技术机会作为技术创新管理的重要组成部分，带有明显的技术预测性质，也是技术未来分析的重要组成部分或应用环节[10]。技术机会识别（technological opportunity identification）也称作技术机会分析（technology opportunities analysis，TOA），或技术机会发现（technological opportunity discovery），尽管称谓略有不同，但其内涵基本一致[16]。A. L. Porter于1995年提出技术机会概念，认为技术机会分析是通过挖掘某领域内已有技术在横向和纵向的发展趋势及相互关系，推断该领域即将可能出现的技术形态或技术发展点[22]。
聚类二中的研究与技术机会发现、识别、分析方法及其应用相关，研究方法包括专利地图法、形态分析法、链路预测、主题模型、文献计量法、共词分析法、语义分析等，研究内容包括：①识别技术领域内的技术空白点，技术空白点指的是未来具有较高发展潜力但现在仍未出现的技术组合[23]，这些技术组合可能涉及不同学科的交叉融合、现有技术的突破性改进、技术范式变革，预示未来技术演进的重要方向，是技术创新的关键。周钟等[24]基于生成式拓扑映射（Generative Topographic Mapping，GTM）识别技术空白并基于价值主张视角评价潜在技术机会的价值；周潇等[25]基于技术组合进化理论集合深度学习、SAO（Subject-Action-Object，主语—谓语—宾语）语义挖掘和CFDP（Clustering by Fast Search and Find of Density Peaks，密度聚类）算法识别出潜在创新要素及组合方式进而有效甄别领域潜在的技术机会；王坤等[26]通过对比科技论文和专利文献研究热点主题的差异来识别金属3D打印的技术机会。②识别已有技术的发展态势，挖掘已有技术间的相互关系进而发现技术机会，是技术创新和企业战略规划的重要环节。李乾瑞等[27]基于SAO语义分析，构建技术路线图，追踪技术演化路径，进而识别有潜力的技术方案及技术机会，并以染料敏化太阳能电池领域为对象开展实证研究。冯立杰等[28]利用LDA主题模型并结合SAO语义分析法精准识别和分析包含关键技术要素的语义结构，并利用多维技术创新地图深入探究不同维度下的技术演化规律，准确研判技术创新机会。一些学者通过离群点检测来识别离群专利以挖掘技术机会，离群专利是与大部分主流技术不同的专利，被视为新技术的起源和弱信号[29]。翟东升等[30]基于多种异常点检测算法识别出潜在技术机会专利，结合TRIZ（Theory of inventive problem solving，发明问题解决理论）的技术系统进化法则从潜在技术机会专利中挖掘出技术机会。③在市场创新活动中，技术机会往往以需求的形式存在，多数产品和技术的创新都是建立在对需求的精准识别之上。技术机会分析则是从市场、用户的需求出发，为企业寻求满足需求且具有发展潜力的技术创新方向[31]。伊惠芳等[32]利用主题模型、新颖性探测以及多属性标注获取市场中的核心技术需求和新兴技术需求，结合改进后的Content-LDA对专利建模，依据不同的规则识别技术机会。冯立杰等[33]在分析低端市场用户需求与技术生命周期的基础上，以目标用户需求为约束，通过探索创新法则与创新维度的作用方式构建目标领域的多维技术创新地图，形成面向低端市场颠覆式创新的技术机会识别路径。
而聚类四的研究多从技术融合的视角出发以识别技术机会，推动技术创新发展，同时也包括使用多种方法进行技术机会识别、发现与分析的研究，此部分与聚类二共同分析。技术创新与技术机会的关系密不可分，技术机会分析能够指导技术创新方向，而技术创新是识别和利用技术机会并创造新的技术机会的过程。技术融合是技术进化和创新的方式之一，是指不同技术领域之间的交叉、整合和相互渗透，形成新的技术体系以推动技术创新，创造新的技术机会。王友发等[34]从技术融合、创新主体、潜在市场3个维度，通过技术主题词共现分析，研究人工智能领域技术融合现状，识别核心技术，发现和拓展技术机会；翟东升等[35]利用专利间引用关系，构建IPC引用网络表征知识间的流动并基于SVM（Support Vector Machine，支持向量机）和线性回归链接预测模型预测未来会更深程度融合的技术以确定技术机会。
（3）技术预测方法研究。从图5可知，聚类三中的高频关键词均与技术预测方法、工具相关，同时4个聚类中都包含了相关技术预测方法，主要可划分为文本挖掘法、数据挖掘法、文献计量法、基于发明问题解决理论的方法、基于可视化工具的方法。
文本挖掘指的是从大量非结构化或半结构化的文本信息中提取有未知的、潜在的、可理解的知识或数据的过程[36]。技术预测研究所使用的数据主要为专利与论文文本，其中包含了大量结构化、非结构化数据，非结构化数据则需使用文本挖掘法从大量的信息中提取有价值的信息。图5的聚类包含了“文本挖掘”“SAO语义分析”“共词分析”等关键词，是技术预测领域研究中常用的文本挖掘方法。如刘玉琴等[37]应用文本挖掘技术挖掘专利信息，引入技术新颖度度量函数、专利维持成本、专利数量作为预测指标，进行产品技术成熟度预测。
数据挖掘也称为知识发现，是利用各类分析工具在庞大的数据中发现新关系、新趋势、新模式的过程[38]。回归、分类、关联分析、聚类、神经网络等均属于数据挖掘的常用方法，技术主题识别、差距分析、预测是数据挖掘的主要任务。图5中可以看到“数据挖掘”“图神经网络”“主题模型”“链接预测”“复杂网络”等与数据挖掘相关的关键词。
文献计量法是研究学术文献等知识载体的特征和分布规律的定量研究方法，通过研究文献的标题、摘要、关键词、发表数量等信息，解释科学知识的结构、研究趋势。文献计量法在技术预测领域应用广泛，主要为从技术特征、专利特征等方面构建合适的计量指标来开展技术预测研究，如王吉武等[39]基于文献计量法，提出一种从技术成熟度、技术机会和技术地位3个角度综合分析新兴技术商业化潜力的客观评价框架。
发明问题解决理论（TRIZ）是G. S. Altshuller在1946年对世界各国数百万高水平发明专利的分析过程中形成的一套具有完整体系的用于解决创新问题的理论与方法[40]。TRIZ理论认为产品技术创新从理论提出，到产品技术的成熟、衰退以及衰亡是一个循序渐进的演化过程，我国在20世纪90年代末引入TRIZ理论并快速发展。TRIZ理论在技术预测领域中的应用主要为基于TRIZ理论分析技术成熟度以及技术系统演化研究，如张惠琴等[41]基于TRIZ和产品技术进化理论，建立了产品技术成熟度预测模型，提出以专利数据库为数据源、以技术进化标准曲线图为对标的产品技术成熟度预测方法。
可视化工具主要包括专利地图与技术路线图，专利地图是基于专利文献计量分析的专利信息分析可视化工具，其本质是通过对海量专利文献的深度计量分析以构建包含技术热点、研发趋势在内的技术领域知识图谱。技术路线图是一种预测和描绘技术创新发展路径的战略规划方法与工具[42]，其更加注重对技术发展轨迹的前瞻性推演。王效岳等[43]利用文本数据挖掘技术来挖掘专利文献技术主题，并加入时间维度形成专利技术路线图进行技术预测分析；王金凤等[44]通过检索1998—2017年国内外多级离心泵技术的专利数据，运用专利地图分析了多级离心泵技术的发展活跃度和发展潜力，预测其潜在的技术进化方向。

3.4.2 国外技术预测领域研究热点分析

使用VOSviewer对来自Web of Science核心数据库的332篇文献的1 137个关键词进行分析，设置关键词共现分析阈值为3并对出现频次大于等于3的74个关键词进行可视化，图6为Web of Science核心数据库中技术预测主题文献关键词共现网络图。对Web of Science核心数据库中技术预测研究相关文献中出现频率较高的关键词进行统计和排序，结果见表4。
图6 Web of Science核心数据库中技术预测主题文献关键词共现网络图

Figure 6 Keywords co-occurrence network map of technology forecasting related literature in Web of Science

表4 Web of Science文献高频关键词列表

Table 4 List of high frequency keywords in Web of Science literature

高频关键词 频次 高频关键词 频次 高频关键词 频次
technology forecasting 117 patents 12 technological innovation 9
patent analysis 46 technology convergence 12 forecasting 8
technology opportunity discovery 18 emerging technologies 11 market research 8
link prediction 16 patent mining 11 technology forecast 8
technology opportunity analysis 16 bibliometrics 10 technology intelligence 8
text mining 16 machine learning 10 artificial intelligence 6
technology opportunity 13 technological forecasting 9
本文将关键词分为4个聚类，并根据关键词的聚类结果，将研究热点归纳为4个主题，进一步探讨各主题的研究内容与重要成果。
（1）技术发展趋势研究。聚类一的研究主要关注利用文献计量、专利分析、数据挖掘等方法结合技术路线图、技术生命周期、S曲线等进行技术发展趋势预测及技术预测体系构建。如Y. Zhang等[45]将文献计量学与定性方法学和可视化技术相结合，构建用于绘制技术路线图的混合模型，描述所研究技术的演变过程，有助于了解宏观技术发展状况；S. Altuntaş等[46]提出一种基于分层S曲线的技术预测方法，并结合3个专利指标评估无人驾驶飞行器技术的发展生命周期。同时，该聚类的少部分研究结合技术路线图、技术生命周期开展技术规划与技术扩散研究，帮助理解技术发展态势，绘制技术路线图以制定合理的技术发展目标。如I. Yuskevich等[47]提出一种基于技术预测和博弈论的技术规划和路线图绘制方法，根据过去技术发展趋势信息建立有效产品线评估基准并结合博弈论规划，评估可能的技术发展途径，在考虑技术格局、市场和竞争的情况下做出战略决策与设置技术目标。
（2）新兴技术评估与预测研究。聚类二的研究主要关注使用主题模型、网络分析等方法来识别、评估与预测新兴技术。L. Mi等[48]提出一种基于技术供需（S&D）匹配的新兴技术预测与评估新方法，该方法结合文本语义挖掘和TRIZ理论筛选出关键新兴领域，识别和预测最具潜力的新兴技术；Y. Lin等[49]结合潜在Dirichlet分配主题模型和氢能专家组决策有效识别新兴技术并研究其发展趋势；B. Song等[50]基于BERT模型和语义分析，从专利发明的多领域特征（MFCOPIs）角度来识别新兴技术主题（Emerging technology topics, ETTs），扩展了识别新兴技术的现有方法；U. H. Govindarajan等[51]基于转换器的双向编码器表示（BERT）进行主题生成的智能协作专利挖掘框架实现来自40多个专利局的大量全球专利授权语料库的可视化，帮助利益相关者更好地了解网络安全技术前景和远程医疗的新兴趋势。
（3）技术融合与技术情报研究。作为技术创新模式的一种，技术融合能够创造开发新技术和知识的机会，分析技术融合发展态势，识别关键技术节点和链路在技术融合中的地位和作用，对于洞察未来机会、推动技术创新、引导新兴产业的形成与发展具有极大的促进作用[52]。这一聚类的研究关注基于技术融合识别关键技术、技术组合、技术机会以推动技术创新发展。J. Kim等[53]提出一种基于专利引用分析、依存结构矩阵和神经网络分析的多技术融合预测方法，帮助研究人员和企业通过预测未来将出现的技术组合来规划技术发展；B. Kim等[54]根据专利引用网络中存在的边缘离群值来识别不同技术领域融合所带来的潜在创新机会的方法，通过分析边缘离群值筛选未来融合潜力最大的专利对，将其关键词组合起来，提出新的技术创新方向。技术情报是指能给组织的竞争地位带来重大影响的外部科学或技术的威胁、机会或发展的信息, 以及这些信息的获取、监控、分析、前瞻和预警过程[55]。聚类三的研究也关注基于技术情报监测技术发展趋势，发现技术机会以支持技术战略制定与战略决策。如J. Yoon等[56]提出了一个基于属性—功能的技术情报系统，该系统自动提取专利文本信息中的技术属性和功能组成共现网络并结合TRIZ理论识别技术演变趋势和阶段，帮助研究人员从专利中识别发明概念和技术的演变趋势。
（4）技术机会发现与分析研究。。作为技术创新的关键步骤，技术机会的发现、识别与分析逐渐成为技术预测领域的重要研究方向，通过科学定量分析方法挖掘大量数据背后的技术机会已成为学术界关注的研究课题。聚类四的研究主要关注结合专利分析、链路预测、文本挖掘、语义分析等方法发现、分析技术机会。如F. Teng等[57]使用自然语言处理方法、文本挖掘、k-mean++聚类以及生成式拓扑映射在二维空间中将专利可视化并讨论专利空缺含义以发现技术机会，帮助企业和研究人员确定未来重点创新的研发战略；H. Wang等[58]使用BERT模型与链接预测，为海上风力涡轮机目标组件的整个生命周期和每个阶段推荐技术机会，为优化研发资源配置和市场定位提供了新的视角；Z. Liu等[59]基于从专利中提取的SAO结构构建分层语义网络和双链接预测模型来识别和评估技术机会。

3.5 研究前沿分析

3.5.1 国内技术预测领域研究前沿分析

为进一步挖掘技术预测领域的研究前沿，本文使用CiteSpace软件绘制核心关键词的时区图（Timezone），这一图谱能够直观地展示研究主题在时间维度上的分布特征，揭示技术预测领域的主题演进路径及其在不同阶段的演变趋势（见图7）。具体而言，时区图中的节点代表该关键词首次在研究中出现的时间点，而节点间的连线则反映了不同关键词之间的关联性及其随时间推移的演化关系。同时笔者结合Burst Detection（凸现）算法来研究关键词的突变强度和持续时间，突变词是指短期内多次重复出现的词，根据突变词出现的频次变化可以判断研究领域的前沿与发展趋势（见图8）。其中，Year表示节点出现的时间，Strength表示突变强度，Begin表示突变开始的时间，End表示突变结束的时间。
图7 中国知网（CNKI）技术预测主题文献关键词时区图谱

Figure 7 Keywords time zone map of technology forecasting related literature in CNKI

图8 中国知网（CNKI）技术预测主题文献关键词突现图谱

Figure 8 Keywords burst map of technology forecasting related literature in CNKI

结合图7和图8可以看出，2001—2011年的主要关键词大致可以分为3类：①“技术成熟度”“S曲线”“发明问题解决理论（TRIZ）”“产品技术成熟度”“技术演化”“技术生命周期”等，表明这些研究主要基于发明问题解决理论结合S曲线等来分析产品的技术生命周期、技术演化情况，预测产品技术成熟度，为企业研发决策、技术创新战略制定提供支持。 ②“技术预见”“德尔菲法”“技术路线图”“技术规划”“技术评估”等，说明这部分研究主要聚焦于技术发展的前瞻性分析与战略规划，旨在通过系统化的方法预测技术演进趋势，为企业及政府技术决策提供科学依据，其中德尔菲法、技术路线图等是使用较多的方法与工具。中国于2007年首次开展国家技术路线图研究，从国家宏观总体目标出发逐项分解到各项国家关键技术，为宏观管理提供有价值的决策信息[60]。③“技术机会”“技术机会分析”“技术创新”“技术竞争情报”等，第三类关注的是技术机会分析并为企业的技术预测、技术创新提供重要信息，同时为我国技术研究、技术政策制定提供借鉴。这一阶段技术机会研究主要从企业视角来探讨企业技术创新过程中技术机会的作用，深入分析有价值的技术竞争情报与科技文献，挖掘和组合企业内外部资源，以掌握技术机会[61]。
2012—2017年，主要的关键词有：“技术机会”“专利地图”“专利分析”“专利挖掘”“多维技术创新地图”“前沿技术”“LDA模型”等。此阶段基于科技文件和专利数据的技术预测、技术机会的理论与方法研究得到快速发展。例如，冯立杰等[62]提出基于多维技术创新地图的技术预测方法，从多个创新维度提取专利文献中包含的关键技术要素，对移动电源的技术发展趋势与方向进行了预测与总结；韩晓彤等[63]结合申请专利与失效专利， 运用LDA模型分析专利技术主题，识别技术竞争对手的研发方向，使海量失效专利数据得以利用，为企业的研发策略提供建议；
2018—2024年，该时间段内的研究重点主要围绕颠覆性技术、新兴技术的识别与预测，技术融合与技术创新研究，技术机会识别、发现方法的优化展开，以期为企业创新、政府科技政策制定以及产业发展提供支持。新兴技术的识别与预测一直以来是技术预测领域关注的重点研究方向，该阶段研究人员不断改进研究方法，将机器学习算法、语义分析等与专家意见、专利指标、技术特征结合起来，提高新兴技术识别与预测的准确性。颠覆性技术本质是能够对现有技术体系产生重大影响并逐渐实现整体替代或根本性替代的技术创新，目前颠覆性技术的识别与预测方法主要集中于模型分析、指标识别、文献计量法[64]，从专利特征、市场特征等角度来识别颠覆性技术的技术特征，如马亚雪等[65]从被引科学论文的知识内容特征和施被引文献的知识关联特征两个方面，量化专利后向科学引文的知识特征，采用逐步回归法、机器学习算法与沙普利可加性特征解释方法（SHapley Additive exPlanations）模型深度解析后向科学引文知识特征与专利创新程度的关联关系，进而识别具有颠覆性技术预测能力的专利后向科学引文知识特征。作为推动技术创新的方式之一，技术融合涉及不同领域现有技术知识要素的组合或重组，有助于新技术分支的产生，识别和捕捉技术机会，促进技术变革，推动技术创新发展。此阶段学者们不断改进与优化技术机会的研究方法，其中SAO语义分析、以深度学习为代表的机器学习方法等是目前学者应用较为广泛的方法，结合链路预测，研究人员能够构建技术知识网络，对节点之间的潜在关联进行预测，从而发现尚未显现但具有发展潜力的技术路径、技术机会，并提升技术预测的精准度。人工智能作为引领未来的前沿性、战略性技术，对社会经济发展、国际政治经济格局等方面将产生重大而深远的影响，因此人工智能领域也成为众多学者关注的焦点，相关研究主要关注人工智能领域的潜在技术机会、前沿技术预测等。

3.5.2 国外技术预测领域研究前沿分析

同理，使用CiteSpace软件绘制国外技术预测主题文献关键词的时区图（Timezone），得到图9，并使用Burst Detection算法来检测关键词的突变强度和持续时间，得到图10。结合图9和图10可知，2001—2010年间的主要关键词可以分为两类：
图9 Web of Science技术预测主题文献关键词时区图谱

Figure 9 Keywords time zone map of technology forecasting related literature in Web of Science

图10 Web of Science核心数据库技术预测主题文献关键词突现图谱

Figure 10 Keywords burst map of technology forecasting related literature in Web of Science

第一类关键词主要关注的是技术预测的内涵与方法及应用研究。技术监测是技术情报的重要组成部分，技术监测是利用计算机数据库技术对现代科学和高新技术进行适时的监测、评估和分析的方法[66]，其目标是为技术管理及决策提供动态、准确的科学技术发展状态信息，降低风险，提高效率。技术情报、技术监测都是技术预测的重要组成部分，为技术预测提供全面的视角，提升对技术未来发展路径的判断力。形态分析、联合分析法、数据包络分析是这个阶段学者们开展研究使用较为频繁的研究方法，同时结合Gompertz模型、Logistic逻辑回归模型通过观察技术的生长曲线，判断技术演进情况，预测技术未来发展路径、趋势，为技术产品优化、创新提供有价值的指导。氢能源、燃料电池等清洁能源是该阶段学者研究的焦点领域，如Y. H. Chen等[67]将文献计量学和专利分析纳入逻辑增长曲线模型，预测氢能和燃料电池技术的技术S曲线，判断制氢和储氢技术、燃料电池技术的技术生命周期。
第二类关键词主要聚焦于技术扩散相关研究。E. M. Rogers[68]将技术扩散定义为一个新构想，从创新或创造的来源，散播到最终采用者或使用者的过程，即创新技术透过通路传播给社会系统中的成员。此阶段研究多以专利数据为基础，结合Bass模型等扩散模型，对技术扩散路径、趋势进行研究。如C. P. Chu等[69]利用Bass模型来评估中国台湾地区移动互联网订户的发展趋势，并且预测了GPRS、PHS-3G等技术的市场潜力。
2011—2018年，这一阶段技术预测方法呈现多元化发展趋势，学者们探索并优化技术预测方法以期提升预测的准确性与可靠性。专利分析、文献计量学在此阶段仍是核心工具，通过引文分析、专利引用网络等帮助学者识别技术发展路径与关键领域。同时，文本挖掘、主题模型等数据分析技术的出现，扩充了技术预测方法，帮助研究人员更加高效地分析文本数据，结合技术路线图揭示技术领域的发展趋势，梳理技术演化路径，识别不同阶段的关键技术节点和发展方向，为企业的技术规划、政府的科技政策制定提供前瞻性支持；对于技术机会研究，此阶段主要聚焦于专利数据，通过将专利文献、专利引文、专利引用网络、离群专利等结合语义分析、形态分析方法来发现潜在的技术机会。如A. Rodriguez等[70]结合专利属性和引文网络，提出了一种基于专利离群度的技术机会发现新方法，并提出专利离群度的3个特征：低聚类度、低中心度、低相似度；J. Yoon等[71]提出一种基于主题行为对象的SAO结构分析方法，通过比较专利之间内容和结构的相似度来确定技术的最新状态，并提出确定专利技术重要性、专利群特征和竞争者技术能力的新指标，以及新兴技术、颠覆性技术识别与预测技术预测领域的重要研究方向。这一阶段研究人员在专利、学术文献数据的基础上逐渐引入社交媒体数据等多元化数据，更全面地捕捉技术发展的早期信号和市场反应。研究方法部分除了沿用技术路线图、专家判断等传统手段，文本挖掘、半监督主题模型等数据驱动方法也崭露头角，帮助研究人员提取潜在的技术主题，揭示新兴技术的发展轨迹。同时，这一阶段研究人员也关注技术预见、未来技术分析（future-oriented technology analysis, FTA），尝试构建更加系统化的技术预测框架，以提升技术评估的全面性与前瞻性，辅助政策制定者和企业决策者制定更具适应性的技术战略。
2019—2024年，这一阶段的研究主要聚焦于技术预测方法的改进、技术机会发现与分析。对于技术预测方法的改进，研究人员主要关注的是数据挖掘技术的改进方法在技术预测领域中的应用，此阶段突现的主题模型、专利挖掘、机器学习等关键词都属于数据挖掘方法。同时，研究人员也关注技术路线图构建方法的优化，尝试结合数据挖掘等方法构建全面的技术预测框架。J. Kim等[72]提出了一个基于主题模型、关键词网络分析、链路预测法的技术路线图制定框架，包括图层绘制、内容绘制和机会发现3个阶段；对于技术机会研究，此阶段研究人员在前一阶段语义分析、形态分析方法的基础上，重点探索机器学习、链路预测方法在技术机会研究中的应用，并从技术融合视角研究技术机会，挖掘技术创新路径，支持企业的产品研发与市场战略规划。M. Park等[73]提出一种基于图卷积网络（Graph Convolutional Networks, GCN）的专利链接预测方法，用于预测技术融合趋势，识别潜在技术机会，并对移动支付行业进行案例研究，从企业角度构建技术机会发现路径。Z. Liu等[74]提出利用分层语义网络和双链接预测来识别技术机会，所提出的方法包括3个模块：①基于从专利中提取的SAO结构构建分层语义网络；②通过基于概率的链接预测在该语义网络中识别技术机会；③通过基于相似性的链接预测评估这些机会，帮助企业进行战略布局，支持企业研发决策。

4 研究结论/Research conclusions

围绕技术预测这一主题，国内外学者已积累了丰富的研究成果。本文以2001—2024年Web of Science和中国知网（CNKI）收录的技术预测相关文献作为数据来源，综合运用可视化软件VOSviewer和Citespace对文献特征、研究热点和前沿趋势进行分析，形成以下主要结论：
（1）通过对国内外的相关文献数量进行分析，可以发现中国知网（CNKI）与Web of Science上技术预测相关文献数量整体呈现出上升趋势，技术预测领域的学术关注度不断提高，国内外技术预测领域研究发展蓬勃。
（2）通过对国内外的载文期刊进行分析，发现目前技术预测领域的核心期刊主要分布在情报学、科学学、管理学等学科领域，也涉及经济学、药学等多个领域。
（3）通过对核心作者的分析，发现国内外技术预测领域已然形成稳定的核心作者群，国内核心作者群体多以机构内合作为主，存在以师徒关系为基础的跨机构合作关系；国外核心作者群体合作网络整体联系较为紧密，跨机构合作活动较多，跨国学术合作交流特征明显，多以联合培养学者、高校访问学者为中介开展学术研究合作。中国学者与他国学者广泛开展学术交流合作，成为国际技术预测领域研究的重要力量。
（4）研究热点方面，通过对国内外文献关键词共现网络图的分析，发现国内研究主要聚焦于3个研究主题：新兴技术与颠覆性技术研究、技术机会研究、技术预测方法研究；国外技术预测领域则包括技术发展趋势研究、新兴技术评估与预测研究、技术融合与技术情报研究、技术机会发现与分析研究4个主题。
（5）研究前沿方面，通过对国内外文献关键词突现图谱和时区图谱的分析，归纳总结得出国内技术预测领域研究前沿主要关注颠覆性技术、新兴技术的识别与预测，技术融合与技术创新研究，技术机会识别、发现方法的优化，其中SAO语义分析、以深度学习为代表的机器学习方法等是目前学者应用较为广泛的方法，结合链路预测开展技术机会研究，人工智能领域也成为众多学者关注的焦点。国外技术预测领域的研究前沿主要聚焦于技术预测方法的改进、技术机会的发现与分析，关注数据挖掘技术的改进方法在技术预测领域中的应用。同时在语义分析、形态分析方法的基础上，重点探索机器学习、链路预测方法在技术机会研究中的应用，以及从技术融合视角研究技术机会。
此外，本文还存在以下研究局限：首先，受检索关键词设定范围的限制，可能遗漏部分相关文献；其次，未考虑引文分析等研究角度，可能会使研究结果不够全面，对研究结论产生一定影响，笔者将在后续的研究中加以改进。

Author(s): Gui Qian, Master’s Candidate; Zhong Weibing, Lecturer, Master’s Degree, Corresponding Author, E-mail: wzhong@usst.edu.cn; Govindarajan Usharani Hareesh, Associate Professor, PhD, Master’s Supervisor; Zhang Chuyi, Master’s Candidate.

桂　倩：撰写与修改论文；

仲伟冰：进行案例研究与修改论文；

何　玄：确定论文选题和写作思路；

张楚逸：整理文献与修改论文。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张显峰, 陈磊, 高博, 创新驱动中国巨轮——党的十八大以来科技改革发展进行时[N]. 科技日报, 2013-11-15(1).

ZHANG X F, CHEN L, GAO B. Innovation drives China's giant ship forward: scientific and technological reform and development since the 18th National Congress of the Communist Party of China[N]. Science and technology daily, 2013-11-15(1).

[2]
张显峰.凝聚创新力量, 托举中华梦想——以习近平为总书记的党中央十八大以来推进创新驱动发展纪实[N]. 科技日报, 2014-01-13(1).

ZHANG X F. Uniting innovative forces to realize the Chinese Dream—a chronicle of the Central Committee of the Communist Party of China led by General Secretary Xi Jinping in promoting innovation-driven development since the 18th National Congress[N]. Science and technology daily, 2014-01-131

[3]
JUN S, PARK S S, JANG D S. Technology forecasting using matrix map and patent clustering[J]. Industrial management & data systems, 2012, 112(5): 786-807.

[4]
HALEEM A, MANNAN B, LUTHRA S, et al. Technology forecasting (TF) and technology assessment (TA) methodologies: a conceptual review[J]. Benchmarking: an international journal, 2019, 26(1): 48-72.

[5]
JIANG M, YANG S, GAO Q. Multidimensional indicators to identify emerging technologies: perspective of technological knowledge flow[J]. Journal of informetrics, 2024, 18(1): 101483.

[6]
BALCÁZAR-ZUMAETA C R, CASTRO-ALAYO E M, MUÑOZ-ASTECKER L D, et al. Food technology forecasting: a based bibliometric update in functional chocolates[J]. Heliyon, 2023, 9(9):e19578.

[7]
XU H, WINNINK J, YUE Z, et al. Multidimensional scientometric indicators for the detection of emerging research topics[J]. Technological forecasting and social change, 2021, 163: 120490.

[8]
CALLEJA-SANZ G, OLIVELLA-NADAL J, SOLÉ-PARELLADA F. Technology forecasting: recent trends and new methods[J]. Research methodology in management and industrial engineering, 2020: 45-69. [EB/OL]. [2025-08-26].

[9]
汪雪锋, 张硕, 韩晓彤, 等. 技术预测研究现状与未来展望[J]. 农业图书情报学报, 2019, 31(6): 4-11.

WANG X F, ZHANG S, HAN X T, et al. Technology forecasting: status and trends[J]. Journal of library and information science in agriculture, 2019, 31(6): 4-11.

[10]
张硕, 汪雪锋, 乔亚丽, 等. 技术预测研究现状、趋势及未来思考:数据分析视角[J]. 图书情报工作, 2022, 66(10): 4-18.

ZHANG S, WANG X F, QIAN Y L, et al. Research status, trends and future thinking of technology forecasting: from the perspective of data analytics[J]. Library and information service, 2022, 66(10): 4-18.

[11]
王翠波, 熊坤, 刘文俊. 基于CiteSpace的技术预测研究的可视化分析[J]. 技术经济, 2020, 39(6): 147-154.

WANG C B, XIONG K, LIU W J. Visual analysis about the research of technology forecasting based on CiteSpace[J]. Technology economics, 2020, 39(6): 147-154.

[12]
陈忠海, 董一超.统计分析法与文献计量法在档案学研究中的应用分析[J]. 北京档案, 2017(3):12-15.

CHEN Z H, DONG Y C. Application analysis of statistical analysis and bibliometrics in archival research[J]. Beijing archives, 2017(3): 12-15.

[13]
陈悦, 刘则渊.悄然兴起的科学知识图谱[J]. 科学学研究, 2005, 23(2):149-154.

CHEN Y, LIU Z Y. The rise of mapping knowledge domain[J]. Studies in science of science, 2005, 23(2): 149-154.

[14]
王晓红, 任晓菲.基于CSSCI的我国隐性知识研究的文献计量分析[J]. 管理学报, 2018, 15(12):1854-1861.

WANG X H, REN X F. A Bibliometric analysis of tacit knowledge researches based on CSSCI data[J]. Chinese journal of management, 2018, 15(12): 1854-1861.

[15]
宋玲玲, 郭晶晶.科学知识图谱视角下国内外数字人文领域研究分析 [J]. 图书馆杂志, 2020, 39(7): 26-36.

SONG L L, GUO J J. Comparative analysis of digital humanities research at home and abroad in view of scientific knowledge map[J]. Library journal, 2020, 39(7): 26-36.

[16]
苏娜平, 谭宗颖.技术机会分析方法研究综述与展望[J]. 情报理论与实践, 2020, 43(11):179-186.

SU N P, TAN Z Y. Review and vision for the future of the research on technology opportunity analysis methods, 2020, 43(11): 179-186.

[17]
孔德婧, 董放, 陈子婧, 等. 离群专利视角下的新兴技术预测——基于BERT模型和深度神经网络[J]. 图书情报工作, 2021, 65(17): 131-141.

KONG D J, DONG F, CHEN Z J, et al. Prediction of emerging technologies from the perspective of outlier patents——based on Bert model and deep neural Networks[J]. Library and information service, 2021, 65(17): 131-141.

[18]
任佳妮, 张薇, 杨阳, 等.“人工智能+医疗”新兴技术识别研究——以医疗机器人为例[J]. 情报杂志, 2021, 40(12):45-50.

REN J N, ZHANG W, YANG Y, et al. Research on identification of emerging technologies of "artificial intelligence + medical" —as the case of medical robot[J]. Journal of intelligence, 2021, 40(12): 45-50.

[19]
克里斯坦森.颠覆性创新[M]. 崔传刚, 译.北京:中国出版集团, 2019.

CHRISTENSEN C M. Disruptive innovation[M]. CUI C G, trans. Beijing: China Publishing Group, 2019.

[20]
王康, 陈悦. 基于异质性专利的颠覆性技术早期识别研究 [J]. 科学学研究, 2023, 41(8): 1364-137.

WANG K, CHEN Y. Research on early identification of disruptive technologies based on heterogeneous patents[J]. Studies in science of science, 2023, 41(8): 1364-1375.

[21]
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.

HOU G H, LIAO G M, WANG G. Construction and empirical study of disruptive technology identification model based on mutation series model[J]. Journal of intelligence, 2021, 40(10): 7-14.

[22]
PORTER A L, Detampel M J. Technology opportunities analysis[J]. Technological forecasting and social change, 1995, 49(3):237-255.

[23]
桂美增, 许学国.基于深度学习的技术机会预测研究——以新能源汽车为例[J]. 图书情报工作, 2021, 65(19):130-141.

GUI M Z, XU X G. Approach to technology opportunity prediction based on deep learning: taking the case of new energy vehicles[J]. Library and information service, 2021, 65(19): 130-141.

[24]
周钟, 班燚.基于GTM逆向映射和SD建模的潜在技术机会识别与评价[J]. 情报理论与实践, 2023, 46(10):107-114, 95.

ZHOU Z, BAN Y. Identification and evaluation of potential technical opportunities based on GTM reverse mapping and SD modeling[J]. Information studies: theory & application, 2023, 46(10): 107-114, 95.

[25]
周潇, 许银彪, 史益.基于深度学习与语义挖掘的技术创新组合识别与追踪[J]. 图书情报工作, 2022, 66(10):33-44.

ZHOU X, XU Y B, SHI Y. Identification and tracking of technology innovation combinations based on deep learning and semantic mining[J]. Library and information service, 2022, 66(10): 33-44.

[26]
王坤, 王京安, 汤月, 等.基于专利和科技论文的技术机会识别研究——以金属3D打印技术为例[J]. 科技管理研究, 2018, 38(7):73-79.

WANG K, WANG J A, TANG Y, et al. Research on technology opportunity identification based on patent and scientific papers: an case of metal 3D printing[J]. Science and technology management research, 2018, 38(7): 73-79.

[27]
李乾瑞, 郭俊芳, 朱东华.新兴技术创新机会识别方法研究[J]. 中国软科学, 2018, (11):138-147.

LI Q R, GUO J F, ZHU D H. Identification of technology innovation opportunity for emerging technology[J]. China soft science, 2018(11): 138-147.

[28]
冯立杰, 周炜, 王金凤, 等.基于SAO语义分析的多维技术演化路径与技术创新机会识别研究[J]. 情报学报, 2022, 41(11):1149-1160.

FENG L J, ZHOU W, WANG J F, et al. Examining multi-dimensional technology evolution path and technology innovation opportunity identification based on SAO semantic analysis[J]. Journal of the China Society for Scientific and Technical Information, 2022, 41(11): 1149-1160.

[29]
李姝影, 胡正银, 隗玲, 等.大数据视角下技术机会分析研究综述[J]. 科技管理研究, 2023, 43(18):25-35.

LI S Y, HU Z Y, KUI L, et al. A literature review of technology opportunity analysis from the perspective of big data[J]. Science and technology management research, 2023, 43(18): 25-35.

[30]
翟东升, 郭程, 张杰, 等.采用异常检测的技术机会识别方法研究[J]. 现代图书情报技术, 2016, (10):81-90.

ZHAI D S, GUO C, ZHANG J, et al. Identifying technology opportunities with anomaly detection technique[J]. Modern library and information technology, 2016(10): 81-90.

[31]
张硕, 李荣荣.创新过程视角下的技术机会识别：内涵、分类与展望[J]. 科技管理研究, 2024, 44(12):25-35.

ZHANG S, LI R R. Technology opportunity identification from the perspective of innovation process: Connotation, classification, and prospects[J]. Science and technology management research, 2024, 44(12): 25-35.

[32]
伊惠芳, 刘宁, 单晓红, 等.基于需求—技术联合分析的技术机会发现研究[J]. 情报理论与实践, 2024, 47(5):18-29, 47.

YI H F, LIU N, SHAN X H, et al. Research on technology opportunity discovery based on conjoint analysis of requirements-technology[J]. Information studies: theory & application, 2024, 47(5): 18-29, 47.

[33]
冯立杰, 吴敏, 王金凤, 等.面向低端市场颠覆式创新的技术机会识别路径研究[J]. 软科学, 2019, 33(4):91-98.

FENG L J, WU M, WANG J F, et al. Research on the path of technology opportunity identification under the low-end market disruptive innovation[J]. Soft science, 2019, 33(4): 91-98.

[34]
王友发, 张茗源, 罗建强, 等. 专利视角下人工智能领域技术机会分析[J]. 科技进步与对策, 2020, 37(4):19-26.

WANG Y F, ZHANG M Y, LUO J Q, et al. Research on the technological opportunity of artificial intelligence technology based on patent information[J]. Science & technology progress and policy, 2020, 37(4): 19-26.

[35]
翟东升, 刘鹤, 张杰, 等.一种基于链路预测的技术机会挖掘方法[J]. 情报学报, 2016, 35(10):1090-1100.

ZHAI D S, LIU H, ZHANG J, et al. Approach to mining technology opportunity based on link prediction[J]. Journal of the China Society for Scientific and Technical Information, 2016, 35(10): 1090-1100.

[36]
李尚昊, 朝乐门.文本挖掘在中文信息分析中的应用研究述评[J]. 情报科学, 2016, 34(8):153-159.

LI S H, CHAO L M. The review on the application of text mining in Chinese information analysis[J]. Information science, 2016, 34(8): 153-159.

[37]
刘玉琴, 朱东华, 吕琳.基于文本挖掘技术的产品技术成熟度预测[J]. 计算机集成制造系统, 2008(3):506-510, 542.

LIU Y Q, ZHU D H, LYU L. Technology maturity of product forecasting based on text mining[J]. Computer integrated manufacturing systems, 2008(3): 506-510, 542.

[38]
王光宏, 蒋平.数据挖掘综述[J]. 同济大学学报(自然科学版), 2004(2):112-118.

WANG G H, JIANG P. Survey of data mining[J]. Journal of Tongji University (natural science), 2004(2): 112-118.

[39]
王吉武, 黄鲁成, 卢文光.基于文献计量的新兴技术商业化潜力客观评价研究[J]. 现代管理科学, 2008(5):69-70.

WANG J W, HUANG L C, LU W G. Objective evaluation of commercialization potential of emerging technologies based on bibliometrics[J]. Modern management science, 2008(5): 69-70.

[40]
旷景明, 兰小筠.基于专利信息分析的创新技术预测方法综述[J]. 情报杂志, 2014, 33(9):33-39, 50.

KUANG J M, LAN X Y. Review of innovative technology forecasting methods based on patent analysis[J]. Journal of intelligence, 2014, 33(9): 33-39, 50.

[41]
张惠琴, 邵云飞, 张宇翔.基于专利分析的产品技术成熟度预测——以液晶显示技术为例[J]. 技术经济, 2014, 33(10):1-7.

ZHANG H Q, SHAO Y F, ZHANG Y X. Prediction on product technology maturity based on patent analysis: liquid crystal display technology as example[J]. Technology economics, 2014, 33(10): 1-7.

[42]
隗玲, 李姝影, 方曙.技术路线图：方法及其应用综述[J]. 数据分析与知识发现, 2020, 4(9):1-14.

KUI L, LI S Y, FANG S. Methods and applications for technology roadmap[J]. Data analysis and knowledge discovery, 2020, 4(9): 1-14.

[43]
王效岳, 赵冬晓, 白如江.基于专利文本数据挖掘的技术预测方法与实证研究——以纳米技术在能源领域应用为例[J]. 情报理论与实践, 2017, 40(4):106-110.

WANG X Y, ZHAO D X, BAI R J. Technology forecasting method and empirical research based on patent text mining: a case study of nanotechnology applications in energy[J]. Information studies: theory & application, 2017, 40(4): 106-110.

[44]
王金凤, 张珂, 冯立杰, 等.基于专利地图的多级离心泵技术预测[J]. 技术经济, 2017, 36(12):105-110.

WANG J F, ZHANG K, FENG L J, et al. Forecasting on multistage centrifugal pump technology based on patent map[J]. Technology economics, 2017, 36(12): 105-110.

[45]
ZHANG Y, GUO Y, WANG X, et al. A hybrid visualisation model for technology roadmapping: bibliometrics, qualitative methodology and empirical study[J]. Technology analysis & strategic management, 2013, 25(6): 707-724.

[46]
ALTUNTAS S, ABA S. Technology forecasting of unmanned aerial vehicle technologies through hierarchical S-curves[J]. Defence science journal, 2022, 72(1).

[47]
YUSKEVICH I, SMIRNOVA K, VINGERHOEDS R, et al. Model-based approaches for technology planning and roadmapping: technology forecasting and game-theoretic modeling[J]. Technological forecasting and social change, 2021, 168: 120761.

[48]
MI L, HUANG L, HAN Z, et al. Forecasting and evaluating emerging technologies based on supply and demand matching–a case study of China’s gerontechnology[J]. Technology analysis & strategic management, 2022, 34(3): 290-306.

[49]
LIN Y, ZHOU Y. Identification of hydrogen-energy-related emerging technologies based on text mining[J]. Sustainability, 2024, 16(1): 147.

[50]
SONG B, LUAN C, LIANG D. Identification of emerging technology topics (ETTs) using BERT-based model and sematic analysis: a perspective of multiple-field characteristics of patented inventions (MFCOPIs)[J]. Scientometrics, 2023, 128(11): 5883-5904.

[51]
GOVINDARAJAN U H, SINGH D K, GOHEL H A. Forecasting cyber security threats landscape and associated technical trends in telehealth using bidirectional encoder representations from transformers (Bert)[J]. Computers & security, 2023: 103404.

[52]
娄岩, 杨嘉林, 黄鲁成, 等.基于专利共类的技术融合分析框架研究——以老年福祉技术与信息技术的融合为例[J]. 现代情报, 2019, 39(9):41-53.

LOU Y, YANG J L, HUANG L C, et al. Research on technological convergence analysis framework based on patent co-classification——taking the convergence of elderly gerontechnology and information technology as an example[J]. Journal of modern information, 2019, 39(9): 41-53.

[53]
KIM J, LEE S. Forecasting and identifying multi-technology convergence based on patent data: the case of IT and BT industries in 2020[J]. Scientometrics, 2017, 111(1): 47-65.

[54]
KIM B, GAZZOLA G, YANG J, et al. Two-phase edge outlier detection method for technology opportunity discovery[J]. Scientometrics, 2017, 113(1): 1-16.

[55]
ZHU D, PORTER A L. Automated extraction and visualization of information for technological intelligence and forecasting[J]. Technological forecasting and social change, 2002, 69(5): 495-506.

[56]
YOON J, KIM K. TrendPerceptor: a property–function based technology intelligence system for identifying technology trends from patents[J]. Expert systems with applications, 2012, 39(3): 2927-2938.

[57]
TENG F, SUN Y, CHEN F, et al. Technology opportunity discovery of proton exchange membrane fuel cells based on generative topographic mapping[J]. Technological forecasting and social change, 2021, 169: 120859.

[58]
WANG H, FENG L, WANG J, et al. Analyzing critical core components’ technology opportunities based on multilayer networks from a lifecycle perspective: a case study of offshore wind turbine foundation[J]. Journal of cleaner production, 2024, 477: 143850.

[59]
LIU Z, FENG J, UDEN L. Technology opportunity analysis using hierarchical semantic networks and dual link prediction[J]. Technovation, 2023, 128: 102872.

[60]
国家技术前瞻研究组, 程家瑜.关于编制国家技术路线图推进《规划纲要》实施的建议[J]. 中国科技论坛, 2008(5):　 3-6.

National Technology Foresight Research Group, CHENG J Y. Suggestions on formulating national technology roadmap to promote the implementation of "Outline of the National Plan"[J]. China science and technology forum, 2008(5): 3-6.

[61]
王坤, 王京安, 陈天明, 等.国内外技术机会研究的脉络、流派与趋势[J]. 南京工业大学学报(社会科学版), 2019, 18(2):98-110, 112.

WANG K, WANG J A, CHEN T M, et al. Context, schools, and trends of technology opportunity research: a comparative study of domestic and international[J]. Journal of Nanjing Tech University (social science edition), 2019, 18(2): 98-110, 112.

[62]
冯立杰, 王亚星, 冯奕程, 等.基于多维技术创新地图的技术预测研究[J]. 情报杂志, 2017, 36(8):58-63, 26.

FENG L J, WANG Y X, FENG Y C, et al. Research on technological forecasting based on multidimensional technology innovation map[J]. Journal of intelligence, 2017, 36(8): 58-63, 26.

[63]
韩晓彤, 刘燕新, 任智军, 等.基于专利挖掘的技术竞争对手研发方向识别[J]. 科学学与科学技术管理, 2018, 39(2):23-32.

HAN X T, LIU Y X, REN Z J, et al. Identification of R&D trends of technical competitors based on patent mining[J]. Science of science and management of S. & T., 2018, 39(2): 23-32.

[64]
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.

CHEN Y X, LU J, HAN Y. Topic prediction for disruptive technologies based on patent literature: a case study of artificial intelligence patents[J]. Journal of the China Society for Scientific and Technical Information, 2022, 41(11):1124-1133.

[65]
马亚雪, 王嘉杰, 巴志超, 等.颠覆性技术的后向科学引文知识特征识别研究——以基因工程领域为例[J]. 图书情报工作, 2024, 68(1):116-126.

MA Y X, WANG J J, BA Z C, et al. Research on the knowledge feature identification of disruptive technologies from its backward scientific citations: taking the field of genetic engineering as an example[J]. Library and information service, 2024, 68(1): 116-126.

[66]
李艳, 齐中英, 赵新力.企业技术竞争情报系统概念模型研究[J]. 图书情报工作, 2010, 54(20):57-61.

LI Y, QI Z Y, ZHAO X L. A conceptual model for competitive technical intelligence system in enterprise[J]. Library and information service, 2010, 54(20): 57-61.

[67]
CHEN Y H, CHEN C Y, LEE S C. Technology forecasting of new clean energy: the example of hydrogen energy and fuel cell[J]. African journal of business management, 2010, 4(7): 1372.

[68]
ROGERS E M. A diffusion of innovations[M]. New York: The Free Press, 1995.

[69]
CHU C P, PAN J G. The forecasting of the mobile Internet in Taiwan by diffusion model[J]. Technological forecasting and social change, 2008, 75(7): 1054-1067.

[70]
RODRIGUEZ A, TOSYALI A, KIM B, et al. Patent clustering and outlier ranking methodologies for attributed patent citation networks for technology opportunity discovery[J]. IEEE transactions on engineering management, 2016, 63(4): 426-437.

[71]
YOON J, KIM K. Identifying rapidly evolving technological trends for R&D planning using SAO-based semantic patent networks[J]. Scientometrics, 2011, 88(1): 213-228.

[72]
KIM J, GEUM Y. How to develop data-driven technology roadmaps: the integration of topic modeling and link prediction[J]. Technological forecasting and social change, 2021, 171: 120972.

[73]
PARK M, GEUM Y. Two-stage technology opportunity discovery for firm-level decision making: GCN-based link-prediction approach[J]. Technological forecasting and social change, 2022, 183: 121934.

[74]
LIU Z, FENG J, UDEN L. Technology opportunity analysis using hierarchical semantic networks and dual link prediction[J]. Technovation, 2023, 128: 102872.

Options
Outlines

/

〈 〉