基于WOA-SVR的關鍵核心技術創新生態系統脆弱性預警研究
——以集成電路技術為例

許學國,周詩雨

(上海大學 管理學院,上海 200444)

0 引言

“十四五”時期是我國推動創新發展的重大戰略機遇期和邁向世界科技強國前列的關鍵開局期。關鍵核心技術對推動我國經濟高質量發展、實現產業結構轉型升級具有舉足輕重的影響[1]。《國家創新驅動發展戰略綱要》提出,要建設國家創新體系,“建設各類創新主體協同互動和創新要素順暢流動、高效配置的生態系統”,并將其視為創新驅動發展戰略實施的重要制度條件[2]。可見,健康的關鍵核心技術創新生態系統能有效解決“卡脖子”難題,為繼續發揮中國優勢,開展關鍵核心技術攻關提供必要的組織和資源保障[3]。

然而,近年來發達國家對關鍵設備、核心技術、操作系統的壟斷及封鎖,形成了鎖定效應[4],導致“脫鉤”“斷鏈”等系列危機,對關鍵核心技術創新生態系統的穩定運行構成嚴峻挑戰[5]。在外部沖擊與擾動難以預測和改變的情境下,降低不確定性因素引起的生態系統脆弱性,實現創新生態系統可持續發展具有重要理論價值和現實意義。

當前,學者多圍繞創新生態系統內涵、動態演化特性以及演化過程中的障礙因素進行詳細分析。但是,面臨“卡脖子”問題的關鍵核心技術創新生態系統狀態如何評價?政府與企業如何提高創新生態系統防御能力?這些問題仍需深入探討。本文基于已有研究,構建關鍵核心技術創新生態系統脆弱性預警指標體系,將鯨魚算法引入支持向量機回歸模型進行優化,分析模型的最優懲罰因子與核函數參數,并基于Python軟件對比各模型預警精度,確定最佳脆弱度預警模型,并以典型“卡脖子”技術集成電路為例進行實證解析,提出關鍵核心技術創新生態系統脆弱性的優化方法和調控策略。

1 文獻綜述

1.1 關鍵核心技術

2018年,中國科學院第十九次院士大會對關鍵核心技術作了初步界定,指出關鍵核心技術是指基礎技術、通用技術、非對稱技術、“撒手锏”技術、前沿技術與顛覆性技術的集合[6]。有學者將關鍵核心技術分為兩類,一類是與國家宏偉戰略相關的技術,另一類是微電子等關鍵領域的核心技術。對關鍵核心技術的研究主要涉及以下幾個方面:第一,對關鍵核心技術的概念、特征、重要地位進行分析[7-8]。第二,對關鍵核心技術識別、預測和競爭情況的研究[9-10],主要是基于專利、科技文獻數據,從技術預見角度運用情報分析方法識別和預測某一產業或技術領域的核心技術,或者對國際關鍵核心技術領域的競爭態勢進行分析。第三,從定性角度對突破關鍵核心技術的阻礙和路徑進行討論[1,11-12]。第四,對實現關鍵核心技術突破的產業或企業進行案例研究[13-14]。已有研究從不同視角剖析我國核心技術創新的現狀與問題,可為我國打破外國技術封鎖、提高產業技術創新能力提供一定借鑒和參考。

結合前人研究,本文認為關鍵核心技術是指需由政府組織,協同企業、高校、機構等各方力量,長期高投入進行突破的創新技術,是面向國家重大需求的戰略性技術,具有競爭性、前瞻性、不可替代性等特征。我國關鍵核心技術具有高度復雜性,其發展需直面的難題在于,自身創新資源和創新能力無法滿足創新要求時,企業需有意識加強與產業內外部創新主體的合作和交流,打造新的合作創新模式。

1.2 關鍵核心技術創新生態系統

與創新系統相比,創新生態系統是一種范式的轉變(曾國屏等,2013),其主體之間具有共生耦合、競爭合作等非線性交互關系和復雜網絡特征。相關研究主要圍繞創新生態系統的概念、特征、評價3個角度展開[15-19]。在技術驅動發展的重要契機下,曾賽星等[20]認為技術突破與系統成員間可構建適配耦合的網絡;袁野等(2021)對技術創新要素構成、外部環境及二者間的互動關系進行考察;葛爽和柳卸林(2022)將我國關鍵核心技術組織方式分為集成型、攻關型、開放型和探索型技術創新生態系統。

隨著關鍵核心技術知識復雜性與密集性的提高,本文認為關鍵核心技術創新生態系統是指依靠科研機構的核心作用,以實現科學知識為基礎,形成多要素共存的創新網絡關系,包括創新主體(創新生產者、消費者、分解者)以及相應的環境因素(政策、社會環境等)。其中,科研、金融機構和政府部門充當生產者角色,產生創新動力與能量;核心企業、創新企業和高校等共同承擔轉化任務,相當于消費者;市場和用戶起到分解者的作用,對產品進行資源化利用,同時向創新生產者反饋新的需求,形成創新生態系統良性循環。

1.3 脆弱性預警

脆弱性預警是當前研究生態系統演化的重要方法,同時也將成為該領域研究重點,其目的是通過構建科學的指標體系和選擇有效的評價方法,準確測度生態系統脆弱性演化狀態。在評價領域,當前研究主要聚焦城市群、農業生態系統和流域生態系統,利用象限圖、障礙度模型等方法剖析系統作用機理,探尋影響脆弱性的主要障礙因素。如張路路[21]等構建脆弱性預警指標體系,并結合GM(1,1)模型對城市脆弱性警情進行預測;王治平[22]綜合應用BP神經網絡、狀態關聯函數、回歸分析等方法構建高勘探開發油區生態系統脆弱性評價模型;梁林等[23]通過識別創新生態系統四維特征,對國家級新區創新生態系統韌性監測和預警進行實證分析。

綜上所述,關鍵核心技術“卡脖子”攻堅是一個復雜工程,亟需從進化性、動態性、生態性3個層面進行系統分析。現有研究存在以下不足:首先,創新生態系統的特點與分類已有十分細致和深入的探討,但對于關鍵核心技術創新生態系統的研究較少,尤其缺乏對其脆弱性特征演變規律、指標量化、驅動機制等方面的研究。其次,對我國關鍵核心技術突破的研究應逐漸由宏觀層面聚焦到微觀層面,深入某一技術突破的研究亟待展開。為此,本文構建包含群落、資源、經濟、環境4個子系統的關鍵核心技術創新生態系統,以生態學理論、系統科學理論和技術創新理論為基礎對其重要因素進行揭示,對脆弱性預警模型進行剖析,聚焦新一代集成電路技術領域,以完善產業鏈、實現創新結構升級為目標,建設健康的關鍵核心技術創新生態系統,以期豐富復雜科學視角下的創新驅動與創新治理研究。

2 研究設計

2.1 關鍵核心技術創新生態系統脆弱性分析

Polsky[24]提出VSD(Vulnerability Scoping Diagram)脆弱性評估框架。其中,暴露性是指系統遭受環境和社會各種壓力或沖擊;敏感性是指暴露單元容易受到脅迫的正面或負面影響程度;適應能力是指系統能夠處理、適應協調以及從脅迫造成的后果中恢復的能力[25]。本文從以上3個層面分析關鍵核心技術創新生態系統脆弱性。

(1)暴露性。我國高科技領域受到發達國家“卡脖子”后,產業鏈關鍵環節面臨壓力,安全短板和市場需求缺口暴露。關鍵核心技術具有不可替代性,我國企業在引進技術后進行再創新時面臨一定壓力,因此企業消化吸收經費和對外技術依存度成為重要的暴露性指標。關鍵核心技術突破需要持續性的投入,不僅需要資金、人才、土地、物質等硬投入,還包括組織、政策、管理資源方面的軟投入。關鍵核心技術的科技研發與產出能力會影響項目利潤和企業未來發展能力。先進制造業對稅收和GDP的貢獻愈發顯著,成為帶動就業、實現共同富裕的強引擎,教育消費物價指數與城鎮登記失業率是推動制造強國戰略的關鍵指標。此外,制造業在帶動經濟增長的同時,也會帶來資源過度消耗,本文選取單位GDP能耗和突發事件次數作為暴露性指標,觀察環境污染對創新生態系統穩定運行的影響程度。

(2)敏感性。關鍵核心技術創新生態系統敏感性具有階段性:在技術引進階段,企業缺乏足夠的資源與合作能力,創新機制不完善,各技術主體間協同能力差,導致系統敏感性較高。在技術改進階段,科技孵化器是推動創新發展的重要載體,其通過為企業提供服務,降低創業風險,激發企業活力,擁有孵化器的企業具有更高的人力資本水平、融資水平和科技成果轉化水平,能夠對系統脆弱性造成逆向影響。因此,科技成果產業化程度、中介機構創新積極性、關鍵核心技術市場規模等敏感性指標都會影響系統脆弱性。在技術領跑階段,需深度融合國內外優勢知識、管理、技術人才等創新資源。生態敏感性主要取決于政府政策是否遵循市場規律,公共財政科技支出、政府支持強度和國內教育力度等是調動企業積極性、保障產業鏈穩定的關鍵指標。

(3)適應能力。從適應能力看,關鍵核心技術主要依靠政府支持與企業支持。為實現關鍵核心技術的全面突破,政府應從宏觀層面統籌協調。產學研聯盟平臺數目、產學研聯盟合作氛圍是引導產業鏈上下游以及產學研之間形成聯動的關鍵指標,有助于形成產業鏈上下游相互支撐的生態體系。同時,政府應重點關注技術創新政策扶持與攻關方向,提高政策供給的集成度和聯動性。科技進步貢獻率、研究與開發投入強度、新產品開發經費、金融支持力度等指標能夠反映創新生態系統適應能力。根據關鍵核心技術產業的特點和發展規律,企業間可通過聯合投資和研發的方式進行合作,R&D活動支出、R&D人員全時當量、信息化指數等適應性指標有利于提高技術與組織間的可持續性,真正降低創新生態系統脆弱度。

2.2 脆弱性預警指標體系構建

對復雜系統脆弱性的預警不僅要把握系統脆弱性的演化規律,也要關注各子系統脆弱性的狀態。本文根據內部主體、外部輔助、創新要素、內外部環境等特點,將我國關鍵核心技術創新生態系統脆弱性預警模型設定為4個目標層:群落系統脆弱性、資源系統脆弱性、經濟系統脆弱性、環境系統脆弱性。然后,對其進一步細化從而獲得準則層,并從暴露性、敏感性、適應能力3個方面選取各子系統的預警指標。由此,借鑒以往研究,兼顧指標科學性和數據可得性,構建關鍵核心技術創新生態系統脆弱性預警指標體系,如表1所示。

表1 脆弱性預警指標體系Table 1 Early warning indicators of vulnerability

2.3 脆弱性預警模型架構

本文構建的關鍵核心技術創新生態系統脆弱性預警模型主要包括以下3個部分:①數據收集及預處理;②構建基于RF模型的指標篩選模型,對指標進行屬性約簡并運用CRITIC法對系統脆弱性指數進行綜合;③構建基于WOA-SVR的脆弱性預警模型,確定關鍵核心技術創新生態系統及各子系統脆弱等級。

2.3.1 數據收集與預處理

本文數據主要通過中國經濟社會大數據研究平臺收集,為得到更高質量的數據挖掘結果,需要預先對收集的原始數據進行處理,對于個別年份缺失的數據采用插值法補齊。由于各輸入向量的量綱不同,數據之間存在較大差異,為消除數據量綱不同帶來的預測誤差,對所有預測數據進行歸一化處理。

(1)

其中,x*為歸一化處理后的數據值;x為輸入數據,xmin、xmax為輸入數據的最小和最大值。

2.3.2 基于RF模型的指標篩選

在機器學習方法中,隨機森林模型(Random Forest,RF)[26]是一種篩選變量的常用算法,不僅能處理高維數據,而且考慮了變量間的內在關系,比其它變量篩選方法具有更大優勢。因此,本文選擇RF方法篩選指標。在計算特征重要度時,使用基尼指數(Gini Index)作為劃分函數,以Gini Importance作為特征的重要性程度,表示為:

(2)

式中,D為樣本集合,Pi為樣本集合D中屬于第i類的概率,C為樣本類別集合。在已知特征A的情況下,樣本集合D的基尼指數定義為:

(3)

式中,V為特征A的取值個數,即根據特征A的取值將D劃分成V個子集{D1、D2...Dv},每個子集的樣本在特征A上取相同值。在選擇特征時,最優特征為劃分后基尼指數最小的特征。

2.3.3 基于改進WOA-SVR的脆弱性預警模型

支持向量機(Support Vector Machine, SVM)是基于結構風險最小化原則構建的機器學習模型[27],支持向量回歸(Support Vector Regression, SVR)模型是SVM進行回歸建模時的預測算法。SVR模型泛化能力強,對于非線性預測和小樣本預測問題具有較強的解決能力。

鯨魚算法(Whale Optimization Algorithm, WOA)是一種模擬自然界座頭鯨“螺旋氣泡網”捕食行為而演化出來的群體智能算法[28],該算法可調參數少,操作簡單,搜索能力強。在WOA算法中,每頭鯨魚的位置代表目標函數的一個候選解,通過包圍獵物、螺旋搜尋和隨機搜尋3個階段對候選解進行更新尋優,直至找到全局最優解。

本文利用WOA算法對SVR模型參數優化的過程實質上是將SVR模型中的懲罰因子C和核函數參數σ作為鯨魚算法中的位置向量,通過WOA算法的迭代更新對SVR參數進行尋優,直至輸出全局最優位置作為SVR模型最終參數。具體優化過程為:

Step1:初始化WOA算法參數,設置WOA算法中最大迭代次數tmax、種群數量N、待尋優參數的上界ub和下界lb。

Step2:初始化種群中N個鯨魚個體每頭鯨魚的位置,使用SVR模型中的均方誤差函數作為適應度函數計算每個個體的適應值,并選取最小適應值對應的鯨魚位置作為當前種群中的最優位置。適應度函數計算公式為:

(4)

Step3:更新鯨魚位置,并判斷更新后的鯨魚位置是否處于位置邊界范圍內,若超出邊界則在界內隨機生成位置。

Step4:將更新后的鯨魚位置帶入適應度函數計算適應度結果,并與上次迭代產生的最小適應值結果比較,選擇其中最小適應值結果對應的鯨魚位置作為當前全局最優位置;

Step5:重復Step3、Step4,當達到最大迭代次數時停止迭代,此時輸出的全局最優位置即為參數C和參數σ的最優值。

Step6:將WOA算法輸出的最優參數帶入SVR模型進行建模。

本文將篩選后的各指標標準值與對應等級值作為訓練樣本輸入WOA-SVR模型,構建脆弱性預警模型。當模型訓練完成后,將創新生態系統的現狀原始數據輸入該模型,最終計算出創新生態系統脆弱性評價值與預警結果。所有實驗均由Python3.7軟件實現,并采用多種算法作為對比模型衡量WOA-SVR模型的預警性能。

2.4 脆弱性警度分級

警度用于判斷警情爆發后警情的強度。警度的設定要根據警情指標不斷變化的狀態,更主要的是根據不同時期的閾值劃分不同標準,以此分析系統情況進而確定當前情況處于哪個警限區間內,然后進行預報。本文將警度確定為5級,分別用符號Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ代表其程度,根據創新生態系統運行狀況,相關特征、含義如表2所示。

3 實證分析

3.1 集成電路技術概況

集成電路行業作為信息技術產業的核心,是支撐經濟發展和保障國家安全的戰略性產業,是引領新一輪科技革命和產業變革的關鍵力量,對工業智能、5G網絡、汽車電子、計算機等關鍵領域的發展起著至關重要的作用。我國集成電路產業正處在飛速發展的關鍵時期,但由于集成電路技術的復雜性,行業結構高度專業化,集成電路領域技術壁壘高,國內創新體系不完善,許多關鍵領域存在短板,創新主體間缺乏有效聯動,供應鏈面臨“斷鏈”風險。同時,我國集成電路產業的研發投入遠低于西方發達國家,從芯片設計到芯片制造等諸多環節的關鍵核心技術依舊受制于人,加之美國等西方國家對我國高科技企業的不斷打壓,使得我國集成電路產業遭受技術封鎖[29]。內外夾擊使得我國集成電路產業發展舉步維艱,電子信息產業發展受到嚴重阻礙,對集成電路技術創新生態系統脆弱性的研究已迫在眉睫。

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

3.2 數據來源

本文研究區間為2005—2020年,數據主要來源于《中國高技術產業統計年鑒》《中國電子信息產業統計年鑒》《中國科技統計年鑒》《中國工業經濟統計年鑒》《工業企業科技活動統計年鑒》《中國火炬統計年鑒》《中國經濟普查年鑒》《中國勞動統計年鑒》《中國人口和就業統計年鑒》《中國企業創新能力統計監測報告》。例如,對外依存度是集成電路技術能否實現長久發展的重要指標,需從《中國高技術產業統計年鑒》中進行數據收集與篩選,在電子及通信設備制造業中選取集成電路制造行業,查詢該行業的技術引進經費和R&D經費數據,計算得出對外技術依存度指標數據;知識保護強度是促進企業技術發展的基礎性指標,需從《中國火炬統計年鑒》中查詢集成電路布圖設計技術合同,并按知識產權構成進行篩選,得到2020年市場成交合同數為841。對于個別年份缺失的數據,采用插值法補齊。為消除數據量綱不同帶來的預測誤差,對所有預測數據進行歸一化處理。

3.3 指標評價等級標準

目前,關鍵核心技術創新生態系統脆弱性預警指標的等級標準尚未有統一劃分,本文結合國內外文獻和實際情況建立適用于評價關鍵核心技術創新生態系統脆弱性的尺度和標準,將系統脆弱性分為5個等級,如表3所示。本文計算出的關鍵核心技術創新生態系統綜合脆弱性指數,其數值越大,則越脆弱。各指標對應等級的標準值按照等級范圍兩邊閾值的平均值計算,得出各指標從低脆弱到高脆弱共5個脆弱度等級的標準值矩陣,以此作為支持向量機回歸模型訓練的輸入數據。

3.4 評價指標屬性約簡

本文選取30個變量作為關鍵核心技術創新生態系統脆弱性指標,變量過多意味著存在信息重復和冗余,可能使計算結果產生較大誤差。因此,應篩選更具代表性的指標衡量系統脆弱性,本文選擇RF方法對脆弱性預警指標體系進行篩選。首先,將訓練數據集輸入隨機森林模型中進行訓練,并計算每個特征屬性的Gini指數,排除Gini指數最高的特征,然后重新進行新一輪的RF模型訓練,獲得新的Gini指數排名。重復這一過程直至每個特征的Gini指數均在設定的閾值范圍內,再剔除重要度小于0.015的指標A7、B5、C2、C5、C6、C7、D1、D2、D5,得到19個最終評價指標。基于上述等級范圍取值表,對數據進行預處理,納入決策指標創新生態系統脆弱性指數E,并運用CRITIC進行計算[30],最終得出預處理數據集,如表4所示。

3.5 基于WOA-SVR的集成電路技術創新生態系統脆弱性預警

基于WOA-SVR模型進行樣本訓練,為衡量各模型的預測性能,采用均方誤差函數(Mean Square Error, MSE)和平均絕對誤差函數(Mean Absolute Error, MAE)進行計算,計算結果的值越小,表示模型預測效果越好。兩種函數的計算公式為:

(5)

(6)

利用標準值數據訓練WOA-SVR預警模型,對2005—2020年集成電路技術創新生態系統綜合脆弱性及4個子系統的脆弱性進行測算。訓練SVR模型時需要事先確定核函數參數和懲罰因子,參數不同會對模型性能產生重大影響,并直接影響SVR的學習效率和模型推廣能力。本文通過WOA算法的迭代更新對SVR參數進行尋優,直至輸出全局最優位置作為SVR模型最終參數。核函數選用當前應用最多的徑向基核函數(RBF),運用鯨魚優化算法對參數進行優化,當懲罰因子為8.31、核函數參數為0.17時為最優預測模型,并與BPNN、SVR模型進行比較,結果如表5所示。

表3 脆弱性預警指標等級標準Table 3 Classification standards of vulnerability warning indicators

表4 預處理數據集Table 4 Data sets after preprocessing

表5 各模型訓練精度Table 5 Training accuracy of each model

由表5可知,相較于SVR和BPNN模型,WOA-SVR模型的指標計算結果最優,能夠實現高效預警。將2005—2020年集成電路技術原始指標數據輸入訓練后的WOA-SVR模型,計算出集成電路技術創新生態系統及群落、資源、經濟、環境4個子系統的脆弱性數值,四舍五入后得到如表6所示的警度等級。

3.6 實證結果分析

從圖1可以看出,集成電路技術創新生態系統整體較為脆弱,各子系統基本處于較高脆弱和中度脆弱等級狀態。從數值上看,系統綜合脆弱性呈現逐步好轉的趨勢,脆弱性指數從2005年的4.28下降至2020年的2.66,其警度等級也從較重警級(Ⅳ)下降為中度警級(Ⅲ)。集成電路技術創新生態系統已進入多主體競爭與共生并存的發展時期,逐漸形成創新主體協同、創新要素流動的創新體系。本文對各子系統暴露性、敏感性、適應能力3個維度間脆弱指標的耦合關系進行分析,如圖2-圖5所示。

表6 脆弱性評價預警結果Table 6 Vulnerability assessment and early warning results

3.6.1 群落子系統脆弱性分析

從群落子系統看,脆弱性指數逐年下降,從2005年的4.28下降到2019年的2.03,由較高脆弱度降為中低脆弱度等級,適應能力逐漸增強;敏感性脆弱指數呈下降趨勢,系統內部群落已逐步實現身份轉變,從價值創造者轉向脆弱性治理者。我國集成電路產業仍呈現垂直分工格局,上下游企業間的關聯度低且協同不足,還未形成以企業聯盟為依托、具有競爭力的群落生態系統。近年來,我國大力鼓勵企業、大學、科研機構等內部群落通過著作合作、項目入股、創新平臺等多種形式深化技術合作,打破協作壁壘,形成風險分擔。同時,金融機構、中介機構等參與形成由多種基金、投資組建的全鏈條金融輔助框架,著眼于關鍵核心技術突破,以市場需求引領集成電路技術研發,進而形成群落間的有效協同。2020年,脆弱性指數出現短暫上升趨勢,主要是由于集成電路產品對外依存度大幅提高。由數據可知,我國仍需依靠進口滿足集成電路行業需求,存在多數年份凈進口大于出口的情況,2005年對外依存度高達66.69%,2020年在大力發展內循環的格局下,對外依存度仍高達54.44%。根據對30多家大型企業基礎材料的調研發現,我國大部分關鍵材料仍為空白,若發達國家博弈加劇,實施出口管制和技術封鎖,將出現斷供等極端情況,從而無法確保產業鏈和供應鏈的完整性,創新生態系統的穩定性與安全性也將面臨嚴峻挑戰。

3.6.2 資源子系統脆弱性分析

從資源子系統看,研究區間內,集成電路技術創新生態系統資源脆弱性指數大幅下降,2020年降至低脆弱等級,資源子系統抵抗風險能力日益增強。充足的創新資源是開展創新活動的基礎,是提升創新能力的關鍵要素。在發展初期,人才短缺是集成電路行業發展的最大瓶頸,由于資金獲取渠道單一,導致研發投入不足,同時技術水平落后,產品市場占有率低,資源子系統處于極不穩定狀態。在發展后期,集成電路產業保持高速增長,市場發展逐漸穩定。為推動我國集成電路技術發展,科技部先后批準設立多個國家集成電路設計產業化基地、科技企業孵化器,集成電路設計企業孵化器為我國電子信息產業發展帶來生機,科技創新加制度創新,“軟”投入與“硬”投入相結合,逐漸使資源生態系統脆弱性壓力減小。

3.6.3 經濟子系統脆弱性分析

經濟子系統是創新生態系統中最活躍、受外界環境影響最大的子系統,同時也是群落、資源子系統的重要擾動因素。經濟子系統脆弱性的根源在于設計、研發和生產線投資金額急速上升,市場勞動力不足以及應對能力較弱3個方面。從暴露性指標看,教育消費物價指數變動幅度增大,會降低企業技術創新積極性,增加集成電路技術瓶頸突破難度,使產業結構呈現“三業分立、相對游離”的狀態,導致產業經濟生態無法形成。從敏感性指標看,集成電路產業作為“十四五”時期國民經濟和社會高質量發展的核心支撐,其銷售額增速為20.8%,遠超全球同期增速的6.8%。但后期受金融危機、大國打壓的影響,增速放緩,生態系統敏感性隨之提高。從適應性指標看,在《國家集成電路產業發展推進綱要》指引和國家集成電路產業投資基金支持下,我國集成電路制造業取得顯著進步,經濟子系統適應能力逐漸增強,但脆弱性仍有上升趨勢,存在不穩定性,需保持清醒認識。

圖2 群落子系統指標耦合情況Fig.2 Index coupling of community subsystem

圖3 資源子系統指標耦合情況Fig.3 Indicator coupling of resource subsystem

圖4 經濟子系統指標耦合情況Fig.4 Indicator coupling of economic subsystems

3.6.4 環境子系統脆弱性分析

從環境子系統看,脆弱性呈大幅波動下降趨勢,從2005年的4.28下降至2020年的2.68。從2015年開始,敏感性指標脆弱性逐漸下降,適應能力增強,環境生態脆弱性趨于平穩。集成電路技術創新生態系統環境子系統脆弱性的根源在于內部研發投入不足、技術專利積累不夠、政策稅收優惠力度不夠3個方面。集成電路技術不但投資門檻高,而且需要維持持續的高強度投資,企業必須不斷跟蹤集成電路最新技術,不斷投入大量研發資金。2017年,我國集成電路研發總投入約45億美元,僅占行業銷售收入的6.7%。與發達國家相比,投入仍顯不足,無法滿足技術研發和建設大規模生產線的需求。在集成電路領域,技術積累和專利布局十分重要,重視自主知識產權是我國突破集成電路技術瓶頸的重要途徑。此外,政府應頒布各項發展綱要與優惠政策,以疏導產業發展阻力,重點針對最為薄弱的設計工具軟件EDA、IP核和裝備材料等輔助環節。

圖5 環境子系統指標耦合情況Fig.5 Indicator coupling of environment subsystem

4 結語

4.1 研究結論

本文針對性選取暴露性、敏感性、適應能力維度的19個指標評估關鍵核心技術創新生態系統及其子系統的健康狀況。與其它模型相比,本文提出的WOA-SVR模型能有效提升關鍵核心技術創新生態系統脆弱性預警精度。同時,運用WOA算法對SVR模型參數進行優化選擇,進一步提高模型的穩定性,解決了生態系統脆弱性評價只能進行靜態評價,無法追蹤生態系統動態變化過程的重要問題。可運用該模型對生態系統的健康狀況和脆弱程度進行合理預警,提升防范能力。從評價結果看,集成電路技術創新生態系統脆弱性有了較大改善,脆弱性指數從2005年的4.28下降到2020年的2.66;經濟子系統脆弱性下降較為緩慢,2020年脆弱性指數為3.97,仍處于較高脆弱度水平;資源子系統脆弱性指數從4.18下降到1.15的低脆弱度水平。從預警結果看,群落、經濟、環境子系統脆弱性一直處于下降狀態,但近年有上升趨勢,因此這3個子系統是未來脆弱性治理的重難點。

4.2 對策建議

根據集成電路技術創新生態系統脆弱性測度結果提出相應防范建議:首先,政府應打造有利于產學研深度融合的政策環境,尤其是加強對關鍵核心技術前沿性突破的引導與支持,加大對領軍企業的支持力度,加大科技人才的引進培養力度,實現產業、創新、資金、人才“四鏈”融合。其次,引入風險治理群落,持續優化創新生態系統多層次結構關系。我國集成電路企業應加強知識產權保護,以專利為主要形式建立分擔共享機制、信息披露機制、平臺開放機制等,引導創新生態系統向責任式創新方向演進。最后,加強數據共享,利用生態系統內外部大數據進行全面監測,提升預測預見能力。利用數字創新管理驅動多主體共同治理,增強對創新技術與創新環境的認知能力,提前采取防范措施。

4.3 不足與展望

作為創新生態系統的探索性研究,本文還存在一些局限,有待后續研究進一步深化。首先,脆弱度評價指標構建有待完善,可能存在對關鍵核心技術創新生態系統特征反映不夠充分的問題。其次,單案例研究可能會影響普適性,本文算法還需要通過大量實例加以驗證。