基于ERGM的科技主體間專利技術交易機會實證研究

何喜軍，董艷波，武玉英，蔣國瑞

(北京工業大學　經濟與管理學院，北京　100124)

一、引言

十九大報告提出創新是引領發展的第一動力，并強調要深化科技體制改革，促進科技成果轉化。而加快建設創新型國家戰略的進程中，創新能力不足已成為我國經濟增長的主要掣肘[1]，一方面關鍵核心技術依然未擺脫進口依賴，另一方面產業轉型及產品提質增效的關鍵技術需求得不到有效滿足。究其原因為科技創新供給不足，包括科技創新主體的有效技術供給不足，以及有效技術供給轉化應用不足。目前我國科技成果轉化率25%左右，與發達國家的50%-70%、美國的80%相比，科技進步對經濟貢獻率相對較低[2]。2017年，國務院印發《國家技術轉移體系建設方案》提出，要推動形成緊密互動的技術轉移網絡，到2020年初步形成互聯互通的技術市場。

專利技術是反映產業技術創新能力的重要指標[3]。2016年世界知識產權組織(WIPO)發布《世界知識產權指標》顯示：2015年，中國發明專利申請數量超過美國(58.94萬件)和日本(31.87萬件)之和，高達110萬件，專利大國的格局基本形成。但2015年全球提交的PCT專利申請21.72萬件，其中中國PCT專利申請量僅為2.98萬件，美日兩國分別為5.69萬件和4.41萬件。同時，中技所《2015年中國專利申請及交易情況分析報告》顯示：230萬的專利申請中，交易總量僅16萬，比例不足7%。眾多研究得出影響專利技術轉化的因素主要包括：質量不高[4]、缺乏專利估值機構[5]、專利技術供給與實際產業需求存在錯配[6-7]、專利市場中供需信息不對稱[8]等。為應對專利技術供需不對稱、不匹配等問題，本文將大數據分析、文本挖掘與復雜網絡方法相結合，采集專利交易數據，構建科技主體間專利技術交易網絡，預測主體間技術交易機會，并以新能源領域為例開展實證研究，對提高領域技術供需對接，加速專利成果擴散與應用，具有重要的實踐價值。

二、文獻綜述

(一)科技主體間專利技術交易的動因及預測研究

已有研究主要聚焦于科技主體間合作動因及預測，第一，研究個體屬性如：企業吸收能力、企業規模、企業研發戰略開放度[9]，企業社會資本[10]對科技合作的影響；第二，研究關系屬性如：合作伙伴知識共享、地理鄰近性[11]，企業間信任[12]等對研發協同的影響；第三，研究結構屬性如：網絡內生結構效應[13]對網絡合作關系形成的影響。上述研究均從單一視角研究影響主體間合作的動因，預測精度較低[14]，因此，融合節點屬性與網絡結構的鏈接預測快速發展[15-16]，例如基于概率模型的鏈接預測，綜合考慮了網絡結構和節點屬性信息，預測精度較高，但計算復雜度及非普適性的參數使其應用范圍受到限制。

(二)基于ERGM的鏈接預測研究

由Pattison D P 等[17]提出的指數隨機圖模型(ERGM，exponential random graph model)可以綜合考慮網絡內生結構和網絡中行動者關系等外生因素，不需要概率模型所必須的完整訓練集，多用于研究網絡形成與演化動因[18]，同時綜合考慮多因素建模的方法與基于決策樹[19]、支持向量機[20]等相比，能夠較好地預測未來鏈接的概率。目前國內應用ERGM進行網絡關系預測的研究主要集中于：基于微博的關系推薦[21]，基于情感相似度的社會化推薦[22]。國外應用ERGM開展鏈接預測的成果包括：Robbins[23]借助泊松回歸及ERGM預測競爭合作網絡中權利產生對網絡結構與地域流動性的依賴。Relun等[24]利用ERGM，考慮地理及人口統計等外生變量及內生網絡結構變量預測歐洲不同生產系統中的豬交易。Chrobot[25]基于ERGM預測公司與團隊中重要的領導關系存在與否。

綜上，本文構建新能源領域科技主體間專利技術交易網絡，從網絡內生結構、科技主體間關系屬性、個體屬性等多維度提出影響專利技術交易的假設變量，建立ERGM模型，預測科技主體間專利技術交易機會。其優勢在于：第一，綜合考慮交易網絡中節點屬性、關系屬性及結構特征對交易形成的影響；第二，將傳統鏈接預測指標融入ERGM；第三，將已有鏈接預測中難以融合的節點內容相似性引入ERGM。

三、ERGM鏈接預測模型

(一)ERGM構建及擬合

首先提出影響技術交易形成的假設變量并構建ERGM模型；然后運用蒙特卡洛-馬爾可夫最大似然估計方法對ERGM進行擬合和變量參數估計，通過對比赤池信息準則(AIC)與貝葉斯信息準則(BIC)評估模型與真實網絡的擬合度，選擇最優模型，兩值越小說明模型綜合程度上越貼近觀測網絡[26]。采用最優擬合優度(goodness of fit，縮寫Gof)對比基于最優模型生成的網絡與觀測網絡的匹配性。采用R語言的Statnet[27]進行模型處理。ERGM的一般表達形式如下：

(1)

(二)基于ERGM擬合的鏈接概率預測

(2)

就推導出基于θA和構造變化統計量Δ(y)ij，yij發生變化時的條件概率。

(三)ERGM鏈接預測精度評價

采用ARC與AUC評估預測精度。針對稀疏網絡，本文采取leave-one-out法進行模型訓練[28]。即每次從觀測網絡中選取一條邊作為測試集，設置為未鏈接，并預測其出現的可能性。用Ranking Score對其預測效果進行評價，公式為：

RankSkl=rkl/H

(3)

H表示觀測網絡中未鏈接邊的總數(含測試邊)，rkl表示測試邊對應的主體k與主體l之間產生鏈接的概率在H中所有邊的概率的排名。RankSkl值越小表示測試邊被成功預測的概率越大；對網絡中的M條邊重復上述操作，得到M個RankS的值；將M個RankS值按式(4)求其平均值作為預測精度，值越小，代表模型的預測精度越高。

ARC=(∑RankSkl)/M

(4)

AUC的值：從觀測網絡的測試集中隨機選取一條邊，預測其鏈接概率為Pkl,再從不存在鏈接的邊中隨機選取一條，預測其鏈接概率為Pij，若Pkl大于Pij，則加1分；若相等，則加0.5分，則：

(5)

其中n′為測試集中邊的鏈接概率大于不存在邊的鏈接概率的次數，n＂為兩者概率相等的次數，n為比較的總次數。

四、基于ERGM的科技主體間專利技術交易機會實證研究

(一)數據獲取與網絡構建

以新能源領域為例，通過查閱文獻并閱讀1500余篇領域專利構建檢索表達式。從Incopat專利數據庫檢索2012-2016年專利技術交易信息，利用Python獲取交易記錄。剔除交易主體含個人及主體重復的記錄，并針對同一交易中多主體進行拆分(見表1)。共得到6437個主體，交易頻次9591；為縮小網絡規模提高研究價值，論文篩選了5年中交易次數大于等于10次的243個主體構建交易網絡，交易頻次為2955。

表1　多主體間專利交易拆分規則

注：A、B、C分別為交易主體。

243個主體中企業183家，占比75%，高校和科研院所60家，占比25%；2955次交易中，企業間的交易頻次約占總頻次的62%，企業與高校和科研院所間的交易頻次約占32%，說明企業間更易發生專利交易。此外243個主體共分布在中國24個省市，按照經濟圈劃分長三角、珠三角、環渤海、其他區域，各區域主體數占比依次為：珠三角：19.75%；長三角：31.69%；環渤海：32.10%；其他：16.46%，說明在新能源技術領域，環渤海和長三角區域的技術供需主體較多，技術優勢和產業優勢較明顯。

用向量V=[vi](i=1,2,...n)表示網絡中交易主體集合，用鄰接矩陣E=[ai,j]表示主體間專利技術交易關系，如果主體vi和vj間發生交易行為，則ai,j=1，否則ai,j=0。用權重矩陣W=[wi,j]表示vi與vj之間2012-2016年進行專利交易的頻次，從而由V,E,W共同組成科技主體間專利技術交易網絡(無向加權網)。

(二)網絡結構特征分析

1.集聚性：利用Gephi計算出網絡平均聚類系數為0.755，平均路徑長度2.308，說明網絡具有集聚性和小世界性特征。

3.社團性：利用Gephi進行模塊劃分得出模塊度為0.734，說明網絡具有較強的社團性。

(三)ERGM假設變量選取

鏈接預測的基本假設即主體間相似度越高，越容易發生鏈接。本文在已有研究基礎上將假設變量分為三部分：一是網絡內生結構屬性，包括網絡的邊和幾何權重維度。二是網絡節點屬性，包括節點參與技術交易的開放度(用與該節點發生交易行為的主體數量度量)、節點區域性(節點所在省份)。三是節點關系協變量，包括節點間專利內容相似度(分別以各主體間IPC相似度與專利內容語義相似度度量)、基于結構的節點相似度(選取傳統鏈接預測中的JC、RA、CN、AA4個指標)。部分指標測算及含義如表2所示。ERGM中各變量說明及表達式如表3所示。

表2　假設變量說明

表3　ERGM變量及表達式

(四)ERGM擬合

ERGM擬合是鏈接預測的前提，為得到最佳參數估計值，采用逐步添加變量的方式進行模型優化，分別探討不同變量組合的ERGM擬合參數估計值及擬合效果(見表4)。

表4　技術交易網絡ERGM擬合過程

通過表4發現Model5的AIC與BIC最小，擬合效果較好。再采用Gof檢驗對比生成網絡與觀測網絡參數的具體擬合結果，選取edge-wise shared partners與degree的擬合分布進行匹配性檢驗，如圖1所示。圖1中實線為觀測網絡的統計值，小方形圖為ERGM生成網絡統計值，包含最大值、最小值及均值，實線若位于小方形均值附近，表明模型與觀測網絡的擬合效果良好。后續將基于Model5進行模型預測精度評價及未知邊的概率預測。

圖1　Model5中edge-wise shared partners 和degree的Gof擬合檢驗

(五)ERGM預測精度評價

根據3.2節公式及步驟，每次選取觀測網絡中已存在鏈接的404條邊中的403條作為訓練集，1條作為測試集，并與實際未鏈接的28999條邊的鏈接概率進行比較，計算AUC與ARC。將所得結果與傳統鏈接預測中CN、AA、RA、JC指標的預測結果對比，如表5所示。

表5　ERGM鏈接預測精度及對比

由表5可得：相比傳統鏈接預測的4個模型，ERGM的ARC最小，AUC最大，反映出融合節點內容相似屬性、結構相似屬性、網絡內生結構及節點屬性后的ERGM之預測結果明顯提高。

(六)科技主體間專利技術交易機會

依據Model5中各變量的最大參數估計值(見表4)，根據公式(2)計算觀測網絡中28999條未知鏈接的鏈接概率，依據概率排名選取前30位的可能發生專利技術交易的主體對，并進一步對主體對間的關系進行分析(見表6)。

結合表6發現：在新能源領域專利技術交易網絡中，可以挖掘出多對主體，其發生專利交易的可能性較高。其中1/3的主體對之間屬于集團公司與子公司的緊密關系，但近5年此類主體間專利交易行為不活躍，其原因為：第一，雙方專利交易出于公司戰略需求，或者交易中涉及了兼并、收購等行為，不主動披露交易信息，導致現有交易數據無法全面反映集團公司與子公司間的專利交易行為，而給出較高的交易機會預測；第二，基于企業集團專利管理模式，企業集團內部可能存在不同法人之間的專利轉讓，但可能會存在法律風險，因此針對此類主體對，需要深入分析其專利交易現狀及方式，完善專利技術交易原始數據，提高機會預測的準確性；另外2/3的主體對中65%的交易機會都是圍繞國家電網公司及其直屬科研單位中國電力科學研究院而形成，兩個單位在專利交易網絡中的節點強度排名前2位，說明其處于該領域專利技術的集聚中心；該結果將為技術供需主體間的交易及合作提供決策支持。

表6　未來鏈接預測結果(TOP30)

五、結論與管理啟示

本文建立科技主體間專利技術交易網絡，綜合考慮網絡內生結構、節點間內容相似度與結構相似度以及節點屬性對交易形成的影響。構建ERGM模型，對科技主體間交易機會進行預測。通過新能源領域實證分析，并與傳統鏈接預測結果對比，得出ERGM預測精度明顯提高；預測結果為新能源領域專利技術交易推薦及主體對接提供決策支撐。

新能源領域專利技術交易網絡是技術鏈、供需鏈、產業鏈、企業鏈融合的有效組織模式，以此為載體，開展供需主體間交易機會預測，對能源領域技術研發、供需對接具有引導作用。那么，如何在政策鏈上進行創新以推動技術交易機會實現，提出如下思考：

(1)整合技術交易大數據，推動互聯互通的技術轉移平臺建設，規范供需信息發布標準，提高信息共享。目前在技術交易管理部門登記的線下技術交易合同信息數量達百萬級，且基于互聯網的線上技術交易快速發展，2016年，全國技術合同成交額首次突破1萬億元，其中“科易寶”線上技術成果交易量達2126萬項，交易額達93084萬元，同比增長377.84%。但技術交易線上線下信息未實現共享，分散建設的基于互聯網的技術交易平臺未進行有效對接，在一定程度上阻礙了技術供需信息共享和科技主體有效對接。因此，采用大數據分析方法，整合技術交易多源異構數據，規范技術供需信息發布標準，對實現技術供需信息共享、準確匹配，加速互聯互通的技術市場平臺建設具有重要推動作用。

(2)加快產業聯盟建設，提高關鍵技術創新能力并促進技術成果輻射共享。技術創新與關鍵技術突破不僅需要金融資本支撐，還具有較大風險，單獨一家企業很難擁有關鍵技術突破所必須的全部資源和能力，因此，加快產業聯盟建設，對技術攻關與成果輻射共享具有重要作用，例如：國電和神華兩大集團的重組，首先能夠解決電力產業鏈上下游之間的供需矛盾；其次能夠充分發揮二者之間的協同效應，實現優勢互補、資源共享；第三，對產業鏈上關鍵核心技術的聯合研發，以及雙方現有核心技術的共享與交易許可等提供更多機會。目前中國新能源產業聯盟的實踐還處于起步階段[29]。

(3)依托創新創業行動計劃，鼓勵高校、科研院所以及大型企業搭建開放性創新平臺，促進技術轉移。“十三五”規劃提出要實施“雙創”行動計劃，依托此計劃，一方面要加強各科研機構技術信息資源整合，向企業開放專利及技術資源和科研基地；另一方面鼓勵大型企業建立技術轉移服務平臺，推動大中小企業跨界融合，服務中小微企業技術創新需求。目前，海爾集團就建立了全球資源和用戶參與的創新生態系統，讓技術供需雙方零距離對接，為技術持有者尋找合適的客戶、為技術需求者嫁接技術解決方案。第三，依托互聯網拓寬技術市場資源、社會需求與創業創新對接通道。

(4)加快設立社會化技術轉移機構，引導專業人員從事技術轉移轉化服務。一方面，鼓勵高校和科研院所建設技術轉移機構，加快技術成果轉移轉化；鼓勵各類中介機構為技術轉移提供專業服務，例如：技術資產評估、供需匹配評估、應用轉化風險評估等。另一方面引導專業人員從事技術轉移轉化服務，尤其鼓勵高校和科研院所的研究人員，要密切關注社會經濟發展中的重大技術需求以及企業轉型升級中的技術難題，避免技術成果束之高閣。

(5)深化產學研合作，加快PCT專利國際化戰略布局，提升專利技術質量及產業化水平。要充分借鑒美國、日本的經驗，深化產學研合作，如針對高校和科研院所，發展其衍生企業，尋找戰略合作伙伴。例如：清華大學通過實施與企業尤其是鴻海精密工業股份有限公司的深度科研合作和共贏的專利戰略，在美國進行布局并取得成效[30]。從而使得專利技術在研發的初期就具有產業化的基礎。另一方面，要圍繞優勢產業和關鍵特色技術領域，加快PCT專利申請，提高知識產權領域的國際話語權。切實將高校、企業等科技主體的研發活動與市場的需求緊密結合，將科技主體的研發能力提升與國際競爭力拓展相結合。

(6)不斷完善法律制度，充分調動中小企業參與技術轉移的積極性。中國企業中90%以上是中小企業，是未來產業創新發展的重要主體，因此要不斷完善并優化法律制度，逐步健全對中小企業技術創新的政策和制度保障。在此方面要充分借鑒國外經驗，例如：美國《小型企業法案》規定：研發預算超過1億美元的聯邦機構必須參與小企業創新研究計劃，并將不低于研發預算的3.2%(2017年最新數據)授予參與研發的小企業。此外聯邦政府每年投入約10億美元專門用于支持中小企業創新研究與技術轉移[31]，通過立法明確聯邦政府有關部門和機構的技術轉移職能，并提高中小企業參與技術創新和技術轉移的積極性。

參考文獻：

[1]趙志耘. 以科技創新引領供給側結構性改革[J].中國軟科學, 2016(9): 1-6.

[2]吳衛紅, 董誠, 彭潔, 等. 美國促進科技成果轉化的制度體系解析[J]. 科技管理研究, 2015(14): 16-20.

[3]余紹山, 賀正楚, 張蜜, 等. 再生有色金屬產業技術專利狀況及發展對策研究[J].中國軟科學, 2015(3): 41-55.

[4]孫玉濤, 欒倩. 專利質量測度“三階段-兩維度”模型及實證研究—以C9聯盟高校為例[J]. 科學學與科學技術管理, 2016, 37(6): 23-32.

[5]張宇青. 我國“專利沉睡”之困與治理研究[J]. 科學管理研究, 2013, 31(4): 50-53.

[6]薛偉賢, 田鵬, 孫姝羽. 戰略性新興產業技術供需協同研究: 以陜西為例[J]. 科研管理, 2016, 37(4): 507-516.

[7]王瑞敏, 騰青, 盧斐斐. 影響高校專利轉化的因素分析和對策研究[J]. 科研管理, 2013, 34(3): 137-144.

[8]唐要家, 孫路. 專利轉化中“專利沉睡”及其治理分析[J]. 中國軟科學, 2006(8): 73-78.

[9]樊霞, 趙丹萍, 何悅. 企業產學研合作的創新效率及其影響因素研究[J]. 科研管理, 2012, 33(2): 33-39.

[10]熊捷, 孫道銀. 企業社會資本、技術知識獲取與產品創新績效關系研究[J]. 管理評論, 2017, 29(5): 23-39.

[11]楊穎, 李宇嘯. 研發協同的影響因素和績效評價: 文獻綜述[J]. 科研管理, 2017, 38(S1): 543-549.

[12]陳曉峰. 關系資源對集群企業間合作績效的影響研究[J]. 科研管理, 2017, 38(6): 59-66.

[13]葉春霞. 企業專利合作網絡演化的形成影響因素研究[D]. 武漢: 華中科技大學, 2014.

[14]吳夢蝶, 唐雁. 基于主題模型的有向社交網絡鏈接預測方法[J]. 西南大學學報, 2014, 36(1): 152-158.

[15]HE Yu Lin, LIU J N K, HU Yan Xing, et al. OWA operator based link prediction ensemble for social network [J].Expert Systems with Applications, 2015, 42(1): 21-50.

[16]BLISS C A, FRANK M R, DANFORTH C M, et al. An evolutionary algorithm approach to link prediction in dynamic social networks [J].Journal of Computational Science, 2014, 5(5): 750-764.

[17]PATTISON D P, WASSERMAN S. Logit models and logistic regressions for social networks: II. Multivariate relations [J].British Journal of Mathematical and Statistical Psychology, 1999, 61(2): 401-425.

[18]LUSHER D, KOSKINEN J, ROBINS G. Exponential random graph models for social networks: Theory, methods and applications [M]. Cambridge: Cambridge University Press, 2012.

[19]李玉華, 肖海嶺, 李棟才, 等. 基于鏈接重要性的動態鏈接預測方法研究[J]. 計算機研究與發展, 2011, 48(S3): 40-46.

[20]SHIBATA N, KAJIKAWA Y, SAKATA I. Link prediction in citation networks [J]. Journal of the American Society for Information Science and Technology, 2012, 63(1): 78-85.

[21]ZHANG Chuang, ZHAI Bing Yu, WU Ming. Link prediction of community in Microblog based on exponential random graph model [C].//16th International Symposium on Wireless Personal Multimedia Communications (WPMC). Atlantic: IEEE PRESS, 2013, 6983(6): 1-6.

[22]楊東輝. 基于情感相似度的社會化推薦系統研究[D]. 哈爾濱: 哈爾濱工業大學，2014.

[23]ROBBINS B, WELSER H T, GRIGORYEVA M, et al. Power-use in cooperative competition: A power-dependence model and an empirical test of network structure and geographic mobility [J]. Social Science Research, 2014, 45: 131-151.

[24]RELUN A, GROSBOIS V, ALEXANDROV T, et al. Prediction of pig trade movements in different European production systems using exponential random graph models [J]. Frontiers in Veterinary Science, 2017, 4: 1-12.

[25]CHROBOT-MASON D, GERBASI A, CULLEN-LESTER K L. Predicting leadership relationships: The importance of collective identity [J]. Leadership Quarterly, 2016, 27(2): 298-311.

[26]SCOTT T A. Analyzing policy networks using valued exponential random graph models: Do government-sponsored collaborative groups enhance organizational networks? [J]. Policy Studies Journal, 2015, 44(2): 215-244.

[27]HUNTER D R, GOODREAU S M, HANDCOCK M S. ERGM.userterms：A template package for extending statnet [J]. Journal of Statistical Software, 2013, 52(2): 1-25.

[28]劉宏鯤, 呂琳媛, 周濤. 利用鏈路預測推斷網絡演化機制[J]. 中國科學: 物理學 力學 天文學, 2011, 41(7): 816-823.

[29]劉穎琦, 王靜宇,ARI K. 產業聯盟中知識轉移、技術創新對中國新能源汽車產業發展的影響[J]. 中國軟科學, 2016(5): 1-11.

[30]顧志恒. 清華大學美國專利分析與高校海外專利推進策略[J]. 科研管理, 2017, 38(1): 137-143.

[31]楊尚洪, 李斌, 王然, 等. 美國國防領域知識產權管理與技術轉移的做法與啟示[J]. 中國科技論壇, 2017(4): 186-192.