Patent Citation Networks Anticipate Technology Lock-In Risk: Multimodal Evidence from China’s Semiconductor Industry

प्रौद्योगिकी की उच्च-दांव वाली दुनिया में, सफलता को अक्सर इस बात से मापा जाता है कि एक कंपनी कितना उत्पादन करती है और दूसरे कितनी बार उसके विचारों की नकल करते हैं। जब कोई फर्म कई पेटेंट दर्ज करती है और उन पेटेंटों को प्रतिस्पर्धियों द्वारा बार-बार उद्धृत (cite) किया जाता है, तो इसे आमतौर पर शक्ति और नेतृत्व के संकेत के रूप में देखा जाता है। हालाँकि, समृद्धि के इन दृश्य संकेतों के नीचे एक छिपा हुआ खतरा मंडरा रहा है। जिस तरह एक यात्री एक परिचित रास्ते पर चलते रहना पसंद करता है क्योंकि वह सुरक्षित महसूस होता है, भले ही बेहतर रास्ते बंद हो रहे हों, वैसे ही एक कंपनी अपनी ही सोच के जाल में फंस सकती है। यह घटना, जिसे 'टेक्नोलॉजिकल लॉक-इन' (तकनीकी जड़ता) कहा जाता है, तब होती है जब एक संगठन ज्ञान और संबंधों के एक विशिष्ट सेट पर इतना निर्भर हो जाता है कि दुनिया बदलने पर वह अनुकूलन करने की क्षमता खो देता है। जोखिम यह है कि एक कंपनी कागजों पर अविश्वसनीय रूप से उत्पादक दिख सकती है, जबकि उसकी वास्तविक नवाचार और बदलाव करने की क्षमता चुपचाप गायब हो सकती है।

शोधकर्ता जिलोंग झांग और लेई चेन ने इस खतरे को बहुत देर होने से पहले पहचानने का एक तरीका खोजने का प्रयास किया। उन्होंने चीन के सेमीकंडक्टर उद्योग पर ध्यान केंद्रित किया, जो एक ऐसा क्षेत्र है जहाँ राष्ट्रीय सुरक्षा और आर्थिक स्थिरता के लिए तेजी से पुनर्गठित होने की क्षमता अत्यंत महत्वपूर्ण है। केवल कंपनी के पेटेंट आउटपुट के गिरने या उसके उद्धरणों (citations) के कम होने का इंतजार करने के बजाय—जो ऐसे संकेत हैं जो अक्सर नुकसान होने के बाद ही आते हैं—उन्होंने पूछा कि क्या एक कंपनी के कनेक्शनों की संरचना इस समस्या को पहले प्रकट कर सकती है। उन्होंने पेटेंट उद्धरणों के जाल को केवल पिछले उपलब्धियों के रिकॉर्ड के रूप में नहीं, बल्कि भविष्य की संभावनाओं के मानचित्र के रूप में देखा। टीम ने यह विश्लेषण करके कि कंपनियां अपने नए विचारों को पुराने विचारों से कैसे जोड़ती हैं, और वे विचार विभिन्न आविष्कारकों के समूहों में कैसे फैलते हैं, एक ऐसी चेतावनी प्रणाली बनाने की उम्मीद की जो कंपनी की वर्तमान सफलता का जश्न मनाते समय ही उसके क्षितिज के संकुचित होने को देख सके।

इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने 2001 और 2023 के बीच चीन में दायर किए गए 541,592 आविष्कार पेटेंटों का एक विशाल संग्रह एकत्र किया। उन्होंने केवल यह नहीं गिना कि प्रत्येक कंपनी के पास कितने पेटेंट थे या उन्हें कितनी बार उद्धृत किया गया था। इसके बजाय, उन्होंने एक जटिल डिजिटल मॉडल बनाया जो एक साथ तीन अलग-अलग प्रकार की जानकारी को देखता था। सबसे पहले, उन्होंने स्पष्ट संख्याओं का परीक्षण किया: पेटेंट की मात्रा, उन्हें बनाने वाली टीमों का आकार, और उद्धरणों की कुल संख्या। दूसरा, उन्होंने पेटेंट सारांशों को पढ़ा ताकि यह समझा जा सके कि कंपनियां वास्तव में किन विशिष्ट समस्याओं को हल करने की कोशिश कर रही हैं और क्या उनका फोकस विस्तृत हो रहा है या संकुचित। तीसरा, और सबसे महत्वपूर्ण, उन्होंने उद्धरण नेटवर्क की छिपी हुई वास्तुकला का मानचित्रण किया। उन्होंने एक ऐसी पद्धति का उपयोग किया जो यह पता लगाती है कि एक पेटेंट दूसरों से कैसे जुड़ता है, और यह देखती है कि क्या कोई कंपनी केवल अपने आप से या ज्ञान के एक छोटे, बंद समूह से ही बात कर रही है, बजाय इसके कि वह ज्ञान के विविध समुदायों तक पहुँच बनाए।

टीम ने एक कंप्यूटर मॉडल को प्रशिक्षित किया जो यह भविष्यवाणी कर सके कि कौन सी कंपनियां अंततः एक एकल, प्रमुख तकनीकी पथ में गहराई से समाहित हो जाएंगी—एक ऐसी स्थिति जिसे उन्होंने "लॉक-इन" जोखिम के रूप में परिभाषित किया। उन्होंने पाया कि इस जोखिम को पहचानने का सबसे सटीक तरीका तीनों प्रकार की जानकारी को मिलाना था। वह मॉडल जो सबसे अच्छा काम करता था, वह 'रैंडम फॉरेस्ट' नामक एक प्रकार का आर्टिफिशियल इंटेलिजेंस है, जो अव्यवस्थित और जटिल डेटा में पैटर्न खोजने में उत्कृष्ट है। जब इसे अनदेखे डेटा पर परखा गया, तो इसने अपेक्षाकृत कम गलत सूचनाओं (false alarms) के साथ 0.54 का AUC प्राप्त किया। यह प्रदर्शन सरल सांख्यिकीय विधियों की तुलना में काफी बेहतर था, जिससे सिद्ध हुआ कि कनेक्शनों की छिपी हुई संरचना उन महत्वपूर्ण सुरागों को धारण करती है जो केवल कच्चे आंकड़े प्रदान नहीं कर सकते।

सबसे आश्चर्यजनक खोजों में से एक यह थी कि उद्धरण नेटवर्क की संरचना ने ऐसी जानकारी प्रदान की जिसे पेटेंट गणना या पाठ विश्लेषण (text analysis) द्वारा प्रतिस्थापित नहीं किया जा सकता था। भले ही किसी कंपनी के पास पेटेंट की उच्च मात्रा और एक मजबूत प्रतिष्ठा हो, मॉडल यह पता लगा सकता था कि उसके संबंध बहुत संकीर्ण होते जा रहे हैं। नेटवर्क डेटा एक 'स्ट्रक्चरल एक्स-रे' की तरह कार्य करता था, जो यह प्रकट करता था कि क्या कंपनी का ज्ञान विभिन्न क्षेत्रों में स्वतंत्र रूप से बह रहा है या यह केवल अपने ही इर्द-गिर्द घूम रहा है। शोधकर्ताओं ने पाया कि इस नेटवर्क डेटा को अपने मॉडल से हटाने पर इसकी जोखिम भविष्यवाणी करने की क्षमता में भारी गिरावट आई, जिससे पुष्टि हुई कि विचारों का जुड़ाव उतना ही महत्वपूर्ण है जितने कि स्वयं विचार।

हालाँकि, अध्ययन ने एक महत्वपूर्ण सीमा भी उजागर की: यह चेतावनी प्रणाली बड़ी कंपनियों की तुलना में छोटी कंपनियों के लिए बहुत अलग तरह से काम करती है। लंबी अवधि के इतिहास और घने उद्धरण नेटवर्क वाली बड़ी संस्थाओं के लिए, मॉडल अत्यधिक प्रभावी था। यह विश्वसनीय रूप से पहचान सकता था कि कब उनके नए ज्ञान की खोज स्थिर (stagnant) हो रही है। लेकिन कम पेटेंट और विरल कनेक्शनों वाली छोटी कंपनियों के लिए, मॉडल सटीक भविष्यवाणी करने में संघर्ष करता था। इन छोटे खिलाड़ियों के लिए डेटा अक्सर इतना कम था कि उससे एक निश्चित निदान करना कठिन था। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि यह उपकरण स्थापित दिग्गजों की निगरानी के लिए शक्तिशाली है, लेकिन इसे स्टार्टअप या शुरुआती चरण की अनुसंधान टीमों के लिए एक स्वतंत्र नियम के रूप में उपयोग नहीं किया जा सकता है। उनके लिए, आंकड़ों को मानवीय निर्णय और अन्य साक्ष्यों के साथ जोड़ने की आवश्यकता है।

इन निष्कर्षों को वास्तविक दुनिया के निर्णय लेने के लिए उपयोगी बनाने के लिए, लेखकों ने एक "टेक्नोलॉजी लॉक-इन रिस्क इंडेक्स" (तकनीकी जड़ता जोखिम सूचकांक) बनाया। यह शून्य से सौ तक का एक स्कोर है जो आने वाले वर्ष में किसी कंपनी के लॉक-इन अवस्था में प्रवेश करने की संभावना का अनुमान लगाता है। यह स्कोर केवल एक संख्या नहीं है; यह जोखिम को तीन भागों में विभाजित करता है, जो यह दर्शाता है कि खतरा कंपनी के दृश्य आउटपुट, उसके चर्चा किए जाने वाले विषयों, या उसके कनेक्शनों की छिपी हुई संरचना से आ रहा है। उच्च स्कोर का अर्थ यह नहीं है कि कंपनी विफल हो गई है; बल्कि, यह एक प्रारंभिक चेतावनी संकेत के रूप में कार्य करता है जो गहन जांच के लिए प्रेरित करता है। यह सुझाव देता है कि भले ही कंपनी परिणाम दे रही हो, लेकिन उसका आगे का मार्ग संकुचित हो रहा है, और उसे लचीला बने रहने के लिए नए साझेदारियों की तलाश करने या विभिन्न तकनीकी मार्गों को खोजने की आवश्यकता हो सकती है।

अध्ययन का सुझाव है कि सार्वजनिक एजेंसियों और उद्योग जगत के नेताओं को अपने नवाचार तंत्र का आकलन करते समय केवल पारंपरिक मेट्रिक्स जैसे पेटेंट गणना पर निर्भर नहीं रहना चाहिए। अपने निगरानी डैशबोर्ड में नेटवर्क-आधारित संकेतकों को जोड़कर, वे संकट पैदा होने से पहले संरचनात्मक कमजोरियों का पता लगा सकते हैं। लक्ष्य कंपनियों को उनकी सफलता के लिए दंडित करना नहीं है, बल्कि उन्हें यह पहचानने में मदद करना है कि कब उनकी सफलता उन्हें जड़ बना रही है। बड़े निगमों के लिए, इसका अर्थ है नियमित रूप से यह जांचना कि क्या उनके ज्ञान के स्रोत पर्याप्त रूप से विविध हैं। छोटे नवाचारकर्ताओं के लिए, इसका अर्थ है यह समझना कि उनकी क्षमता अभी पेटेंट डेटा में पूरी तरह से दिखाई नहीं दे सकती है, जिसके लिए अधिक सूक्ष्म दृष्टिकोण की आवश्यकता है। अंततः, यह शोध ज्ञान के प्रवाह की अदृश्य धाराओं को देखने का एक नया तरीका प्रदान करता है, जिससे समाज को तकनीकी परिवर्तन के जटिल परिदृश्य में अधिक दूरदर्शिता के साथ आगे बढ़ने में मदद मिलती है।