基于全代引證的專利累積影響力評價
——一個諾獎得主專利的案例研究

康旭東，鄧樂樂，王宇開，楊中楷

（1. 大連理工大學技術研究開發院，大連 116024；2. 大連理工大學科學學與科技管理研究所，大連 116024）

1 引 言

繼承性、發展性和積累性是技術創新活動中最顯著的特點[1]，幾乎所有的發明創造都是吸取前人的研究成果，繼而消化吸收、總結拓展出新的創造性成果。專利作為技術創新的載體，專利之間的引用關系代表著技術之間的相互影響，施引可以反映相關的技術來源，而被引則表示本技術對后續技術發展的貢獻。一般來說，專利的被引頻次越高表示受其影響的后續技術越多，該專利涵蓋的技術就越重要[2-3]。目前，已經有多數學者研究表明，直接被引頻次可作為專利學術價值和技術影響力的測度。例如，國外學者Albert 等[4]研究發現，被引次數越高，專利價值和技術影響力越高；國內學者肖國華等[5]構建了基于被引頻次的專利評價指標，用被引頻次衡量專利的技術影響力，這意味著被引頻次已經成為評價專利影響力比較公認的指標。

科學技術是一個積累過程，每個研究人員的成果本質上都是基于大量先前的工作，而不僅僅是直接引用的文獻[6]。從專利引文網絡來看，技術的進化和發展是連續的，在網絡中縱橫交錯的每條 “引證鏈” 背后，知識在一代代繼承和重組，技術在一代代創新和進步[7-8]。也許前后的專利技術差異很大，但是兩者之間必然擁有內在的科學知識聯系[9-10]。專利的影響力擴散絕不止步于一代引用關系，而是隨著引用關系（間接引用）的增加不斷傳播和累積。雖然直接被引頻次在一定程度上能夠衡量專利影響力，但是 “一代” 的引用關系僅僅代表部分影響力，忽視了間接引用對專利影響力的貢獻。因此，在衡量專利的影響力時，本研究有必要以累積影響力的視角，著眼于整個傳播過程，而不是局限于一次的引用，既要考慮直接影響，又要考慮間接影響。

為了綜合考慮直接引用和間接引用對技術影響力的貢獻，國內外的學者們提出了一些具有代表性的方法。例如，Trajtenberg 等[11]考慮了兩代引證關系，將直接被引權重設為1，而間接被引的權重設為0.5，用兩代的加權累積被引次數來衡量專利質量高低；von Wartburg 等[12]認為更長的 “引用鏈” 才能獲取更全面和準確的評價；Atallah 等[13]研究更深一步，綜合考慮了全代引證和引證質量，計算全路徑的累積被引頻次，宏觀上分析了不同領域的專利累積被引頻次的差異以及年度變化趨勢；胡小君[14]將 “引用代” 運用到評價科學影響力上，認為隨著 “引用代” 的增加，專利的影響力應逐漸累積、增加；馮嶺等[15]在評價專利價值方面采用一種 “潛在引用網絡” ，通過利用專利文獻的相似度構造引用關系，計算專利的累積價值。另外，PageRank算法也是學者們推崇的技術影響力評價方法，經過不斷改進和完善，在實際應用中已取得了一定的效果[16-17]。

以往的研究大都只是在片面強調累積影響力的重要性，偏向宏觀的統計描述分析，缺乏對專利累積影響力的差異原因、變化趨勢等進行微觀層次的詳細闡述。雖然基于PageRank 算法的評價方法與影響力擴散密切相關，但是PageRank 算法依賴的是隨機游走的權值計算方式，并不考慮技術起源和技術進化路徑，也很難分析引文網絡結構對累積影響力的影響。因此，本研究將從技術進化的角度，構建專利引文網絡，分析影響力擴散路徑，計算 “全代引證” 的累積影響力，力求更能夠客觀、全面的反映專利的技術貢獻和學術價值。此外，本研究深度剖析專利引文網絡的微觀結構，展示引用過程逐漸復雜的變化軌跡，找出累積影響力的差異原因，并對累積影響力變化趨勢做出嘗試性預測。專利作為國家和企業的強有力競爭手段，把握核心影響力技術顯得尤為重要，本研究為挖掘具有高影響力或高價值的技術提供方法指引。

2 數據來源和研究方法

2.1 樣本選擇

悉尼·布倫納是公認的當代最偉大的生物學家之一，其研究涉及DNA 編碼、基因測序、胚胎發育和生物進化，涵蓋了整個現代生命科學領域。同時，布倫納在職業研究過程中也申請了多項相關的專利，其不僅是一位頂尖科學家，更是一名高產的發明家。本文旨在研究專利的累積影響力，專利的技術影響力越高，即專利引證越多，研究結果就越準確。現有研究表明，生物領域中的專利引用行為較為頻繁[18]，加上布倫納本身作為諾獎得主，其申請專利的技術影響力較高，非常適合本文對專利累積影響力的研究。因此，本文選取悉尼·布倫納申請的關于基因編碼和遺傳信息的全部授權專利，以此為研究素材，計算 “全代” 影響力，分析引文網絡微觀結構，挖掘專利累積影響力與引文網絡的關聯。

2.2 數據檢索與處理

美國專利全文數據庫擁有較為全面且權威的專利引文信息，便于研究人員對數據進行更深層次的加工分析，是眾多學者研究專利引文的優先選擇[19]。本文以美國專利數據庫授權庫中悉尼·布倫納申請的相關專利為研究對象進行分析。

首先，獲取所有目標專利。具體檢索過程為：選取授權庫（PatFT）→選取高級檢索→輸入檢索式：IN/Brenner-Sydney （發明人/悉尼·布倫納），檢索時間為2019 年9 月1 日，經篩選共檢索到有效專利91 個。由圖1 可知悉尼·布倫納授權專利年度分布情況，最早一篇專利是在1992 年授權，期間最多一年授權專利可達8 件，最終截止到2019 年。

圖1 專利授權數量年度分布

其次，構建全庫引證關系。理論上獲取任何一個專利的全代引證關系，都需要獲取美國專利數據庫中全庫的引文信息。本研究采用的是USPTO 提供的批量下載數據文件，其內部包含平臺定期根據美國專利數據庫中整理后的授權專利之間的引用關系。雖然與專利全文數據庫的數據存在一定的時間差，但已能夠滿足研究人員使用。獲取數據后，處理成一一對應的引用關系，以方便作進一步處理。

最后，獲取目標專利的全代施引專利。獲取全部的引用關系后，通過自編程迭代計算91 個目標專利的全部施引專利，計算結果的數據格式如表1所示。每一行代表一條完整的引證路徑，每一列代表不同的引證代。其中，Gen0 表示目標專利US6352828，后續的Gen1、Gen2……Gen5 是每一代的施引專利，null 代表無施引專利。

2.3 影響力擴散模型與評價指標構建

分析影響力擴散過程是研究專利累積影響力的基礎，而影響力的擴散與知識流動是密切相關。圖2 為專利引用過程中知識流動與影響力的傳播網絡圖，知識的流動是建立在引證關系之上，構建如圖2a 所示的知識流動模型，目標專利P0 的總體知識流動方向依次為：第一代施引專利集合[Gen1]，第二代施引專利集合[Gen2]……到最后一代施引專利集合結束。具體來說，由圖2a 可知，目標專利的知識是隨著一條條 “引證鏈” 流向一代代施引專利的。專利之間知識的流動帶來了技術之間的相互影響，因此，一個專利的影響力衡量應是基于知識流動的 “全代引證” 的累積結果，即把擴散到所有引證代（[Gen1]、[Gen2]、[Gen3]……）的影響力匯聚于目標專利本身。

本文通過知識流動模型構建如圖2b 所示的影響力擴散網絡圖。構建影響力擴散模型有四個前提條件：①基于引用關系，構建引文網絡，將專利文獻作為節點，忽略專利內部包含的信息；②每個參考文獻專利對其施引專利同等重要，即每條直接引用的影響力值記為 “1” ；③專利的影響力可以表示為其他專利影響值的加權總和；④隨著引證路徑的增長，引用關系對目標專利的影響力貢獻逐漸減小。由圖2b 可知， “0” 節點是目標專利，其影響力隨著引用關系的增加在逐漸擴散，距離 “0” 越遠的專利節點越小（顏色越淡），表示其受目標專利的影響越小；灰色節點代表非施引專利，即不受目標專利影響。網絡中任何一個專利節點p的累積影響力可表示為其中，i∈表示專利p的全代引證（直接施引和間接施引）專利；αi表示影響力貢獻權重；Ic表示每個引用的影響力值。

表1 專利US6352828全代施引專利計算結果

基于上述分析，借鑒Atallah 等[13]提出的基于全代引證的評價指標——累積引證頻次，構建專利累積影響力評價指標。

首先，目標專利每代的被引頻次計算公式：

其中，G表示引用代；N表示目標專利p前向引文網絡中的全部專利；VG(p)表示目標專利p第G代的被引頻次；V1(p)表示目標專利p的直接被引頻次；QG-1(x)表示第G-1 代施引專利集合中的全部專利，當G=1 時，QG-1(x)為目標專利本身；δi(x)表示專利i是否引用專利x，如果引用，δi( )x為1，否則δi(x)為0。

進一步地，可以計算目標專利的全代引證頻次：

其中，K表示引證代；VG(p)表示每代的被引頻次。

最后，得到加權累積引證頻次，即累積影響力指數：

圖2 專利知識流動與影響力傳播示意圖（彩圖請見http://qbxb.istic.ac.cn/CN/volumn/home.shtml）

需要說明的是，不同路徑中專利引用可能存在重復的情況。如圖2b 中標出的黃色和黑色節點，其中黃色節點表示一個專利同時引用了不同的專利，是屬于不同的引證關系；而黑色節點表示不同路徑中相同的引證關系。但是，影響力貢獻是基于不同的引證關系的，那么不管施引或被引的專利是否同代，本文都要把黃色節點的重復情況計算在內，而把黑色節點的重復情況刪除。

3 直接被引頻次與累積影響力指數的對比分析

3.1 基本信息描述

表2 為按照授權時間順序排列前50 個目標專利的基本信息，從中可看出每個目標專利的授權年限、引證長度以及專利總數等詳細信息。專利最早授權在1992 年，引證長度最長為20 代，專利總數最多為11856。總體來看，引證長度和專利總數都是隨著專利授權時間的減少而減少，這是由于專利文獻的引用存在時滯性[20]。一般來說，科學文獻發表或者專利文獻授權的時間越短，發生引用越少，導致引證長度和施引文獻數越少。

值得注意的是，盡管總體上引證長度和專利總數隨著授權時間減少，但是仍有個別專利的這兩項指標與授權時間相同甚至更長的目標專利相比，明顯高出很多，如表2 中第14 個專利US5763175 的專利總數和第20 個專利US5863722 的引證長度。根據影響力擴散模型可知，引證長度和專利總數越大，很大程度上說明了該專利的技術影響力傳播和流動比較活躍，有理由推測這種類型的專利累積影響力更高。

表2 目標專利基本信息表

3.2 累積影響力指數的評價效力分析

根據處理后的數據以及公式(3)和公式(4)，計算得出所有目標專利的直接被引頻次（V1）、累積影響力指數（FW）與全代引證頻次（VT）。結果（前50） 如表3 所示，以累積影響力指數大小倒序排列，圖3 為對應的折線趨勢圖（去除沒有被引）。結合表3 和圖3，本文發現一個基本規律：總體來看直接被引頻次與累積影響力指數的變化趨勢基本相同，側面反映了累積影響力指數在專利影響力評價方面與直接被引頻次相比具有同等效力。

此外，在圖3 左側累積影響力較高的區域，部分專利的直接被引頻次相對偏低。觀察表3 中排名前15 的專利，明顯發現其中只有三個專利的直接被引頻次大于100，大部分專利的直接被引頻次都在40～60，最低的只有23。表2 中專利US5763175和專利US5863722，由于偏高的專利總數和引證長度，推測其在累積影響力上會有不錯的表現，這在表3 中得到了充分的體現，兩者的累積影響力不僅超過了授權時間更長的專利，甚至超過一些直接被引頻次更高的專利。引證路徑越長代表專利的知識流動越久遠，專利總數越多說明專利的技術傳播越廣泛，這兩種指標均是高影響力的體現，而直接被引頻次卻往往難以發現類似的專利，從而說明了累積影響力指數在專利影響力衡量方面具有更強的 “偵測” 能力。

然而，直接被引頻次與累積影響力并不是毫無關系的。 表3 中的專利US5695934 和專利US5604097 累積影響力和直接被引頻次都很高，結合表2 可知，兩者的引證長度和專利總數與授權時間相近的專利相比都是明顯比較高的。這說明盡管直接被引頻次不能直接決定累積影響力的大小，但是更高的直接被引頻次確實有更大的潛在被引證（間接）機會，產生更長的引證路徑和更多的施引專利，進而間接影響專利的累積影響力。可以說，若直接被引頻次高，則累積影響力可能很高；但是若累積影響力很高，則直接被引頻次不一定高。

表3 直接被引頻次與累積影響力指數對比表

圖3 直接被引頻次與累積影響力指數的變化趨勢

為了闡述直接被引頻次與累積影響力指數的差異，更加體現累積影響力指數的優勢和作用，本文結合案例作進一步詳細分析。 表4 為專利US5780231 和專利US5723598 的各代被引頻次以及施引專利數等詳細信息。兩專利在1998 年授權，可以忽略時滯性誤差。如果只看直接被引頻次（Gen1），可發現兩個專利的情況差別不大，但是從第二代開始就發生了較大的轉折，前者的后續引證頻次和施引專利數比后者高出許多。 專利US5780231 持續引證到第8 代，而專利US5723598只被引證到第6 代，并且前者在第8 代依然有24 次被引和16 個施引專利，但后者逐漸為零。換句話說，專利US5780231 在未來仍有很大的可能性將會繼續 “被引” ，引證鏈會繼續增加。除此之外，專利US5780231 的施引專利總數為842， 是專利US5723598 的十倍還多，這說明受前者技術影響的專利量要高出后者甚多，這一結果在累積影響力指數上得到了充分的體現。

綜上可知，累積影響力指數較好地綜合了專利影響力擴散的 “廣度” 和 “深度” ，能夠較為全面和準確地評價一個專利的真實影響力。同時，與直接被引頻次相比，累積影響力指數的專利影響力偵測 “靈敏度” 更高，能夠深層次挖掘基于直接被引頻次而忽略的專利影響力差距。

表4 專利US5780231和專利US5723598的各代被引情況

4 累積影響力指數的差異因素分析

隨著專利數量的增加，專利之間已經形成具有一定規模的引用網絡，極大地延伸了專利的引用過程，促進了專利之間的知識流動和擴散[21]。宏觀層面，每個專利都處在一個完整的技術進化網絡中；微觀層面，每個專利都處在本身作為技術源的 “子網絡” （前向引文網絡）。一個專利的累積影響力大小與 “子網絡” 息息相關，影響力的大小不僅決定了網絡的生長速度與范圍，而且時刻影響著網絡的結構和復雜程度[22]。因此，為了分析不同專利累積影響力的差異原因，本文需要深入研究每個專利子網絡的參數和微觀結構。

4.1 專利子網絡參數分析

在上文中已經討論了累積影響力指數與引證長度、專利總數以及直接被引頻次的關系。其中，引證長度是子網絡中的最大引用路徑長度，專利總數為子網絡中所有的專利節點總數，直接被引頻次為目標專利節點的出度。為了探究累積影響力指數與三個指標的具體關系，本文先將數據做歸一化處理，將所有指標映射到區間[0,1]內，消除量綱差異，具體公式為圖4 為上述四個指標的散點圖，同時算出擬合曲線。

圖4 累積影響力指數與子網絡參數的散點圖

從圖4 可以看出，累積影響力指數與子網節點總數的線性關系最強，決定系數R2高達0.9804，說明了一個專利的影響力與受其影響的專利總數是線性相關的；子網最大路徑長度與累積影響力指數呈二次函數關系，那么引證路徑越長，影響力累積幅度越大；目標節點出度與累積影響力指數的線性關系較弱，說明只考慮直接被引頻次不能準確把握一個專利的累計影響力變化趨勢。

4.2 專利子網絡各代引證結構分析

去除沒有被引的目標專利，圖5 為剩余75 個目標專利的各代被引頻次分布圖。從圖5 可知，大部分專利的每代被引頻次近似呈 “正態分布” 結構，峰值主要集中在第3 代（Gen3）和第5 代（Gen5）之間，也有個別出現在第8 代（Gen8）左右。峰值意味著當代被引頻次達到最大值，根據前文的影響力傳播理論：隨著與目標專利距離越來越遠，影響力的權重越來越小，那么峰值的大小和出現位置的不同很大程度上影響專利累積影響力的高低。如圖5 標出的專利US5604097 和專利US5599675，前者的峰值更高且位置靠前，那么其累積影響力指數相對較高。一個專利的影響力擴散要看 “深度” 和 “廣度” 兩個層面，結合圖5，橫軸表示 “深度” ；縱軸表示 “廣度” ，那么根據累積的思想，圖5 中每一條曲線與橫軸圍成的面積可近似為目標專利的累積影響力。這也解釋了專利US5102785 為何直接被引頻次較低，卻有遠高于其他專利的累積影響力。

圖6 為75 個目標專利的各代施引專利數量分布情況。對比圖6 與圖5 可以發現，兩圖非常相似，大部分的專利每代施引專利數量也近似呈 “正態分布” 結構，峰值分布區域也基本相同。各代施引專利數量與各代被引頻次相似卻又不同，雖然都能代表目標專利影響力擴散的速度，但與被引頻次不同是，各代施引專利數更能代表目標專利的影響力擴散到不同專利的能力，簡單來說，是對其他專利的 “吸引力” 。一個專利某一代的被引頻次很高，并不代表這一代的施引專利很多，因為存在多個專利同時被一篇專利引用的情況，這導致在下一代可能僅有少數專利被引；而施引專利很多，則被引頻次一定很高，同時也保證了下一代有更多的專利被引用。這也是圖5 和圖6 中曲線形狀相似但值域相差較大的原因。

圖5 各代被引頻次分布情況

圖6 各代施引專利數量分布情況

4.3 “關鍵節點” 的二次影響力擴散分析

事實上，專利的影響力擴散與現實中的網絡傳播極其相似。類比一條微博的傳播過程，那么不同用戶的轉發就是專利之間的引用，每個用戶的粉絲量就是專利的直接被引頻次。已有研究證明，微博在轉發過程中如果有相關機構、名人等大V 用戶的二次傳播，會極大的促進傳播效果，引起受眾的廣泛關注[23]。在前文中對比分析了專利US5780231 和專利US5723598 的累積影響力差異，本文仍以二者為例，分析引證路徑中的 “關鍵節點” 。如表5 為專利US5780231 和專利US5723598 各代高被引專利以及當代平均被引頻次的詳細信息，顯然，專利US5780231 的引證路徑中有許多被引頻次遠高于其本身的專利，這些 “明星” 專利在影響力傳播的過程中與微博轉發中的大V 用戶有著相同的作用，大大提高了擴散速度和傳播效果。相反地，專利US5723598 卻沒有這樣的傳播優勢。

結合圖7 所示的專利US5780231 的前向引文網絡圖，更加清晰地了解 “關鍵節點” 對影響力傳播的巨大貢獻。圖7 中藍色標簽所在的節點是目標專利，紅色節點為第一代施引專利，紅色箭頭指向的灰色節點為第二代施引專利。在第一代中既有普通專利（圍繞在目標專利周圍），也有高被引專利（綠色標簽），如專利US7323305、US7244559 和US6620584 等高被引專利，明顯可以帶來更多的被引機會。不僅如此，高被引專利還可以大概率傳播到其他的高被引專利，再一次促進影響力擴散。例如，第二代施引專利中的高影響力專利（暗黃色節點），其中專利US7211390 引用專利US6620584，專利US7948015 引用專利US7244559，專利US7595883引用專利US7323305，等等。由此可見， “關鍵節點” 專利對整體引文網絡的影響是巨大的，能夠很大程度上促進引文網絡的傳播速度和擴散范圍。

表5 專利US5780231和專利US5723598的各代高被引專利

圖7 專利US5780231的前向引文網絡

4.4 基于被引頻次和引證長度的專利分類

上文中詳細研究了專利累積影響力差異的相關因素，證明了引證長度和專利總數對專利影響力的擴散起著至關重要的作用。在評價或者衡量一個專利的影響力時，盡管這兩項指標有準確的區分度，但在實際的操作性方面，引證長度可以通過最長路徑算法獲取，而專利總數計算卻比較困難。由于直接被引頻次是第一代的施引專利數，數值越高代表有更大的潛在被引機會，在一定程度上對專利的累積影響力有著預測作用，且比較容易獲取。因此，本文采用直接被引頻次和引證長度兩個指標對目標專利進行分類，分析不同類別的專利累積影響力的變化。首先，對指標進行標準化處理（均值為0，標準差為1），具體公式為其中，μ為數據均值；σ為標準差。

根據標準化后的數據得出具體的分布結果如圖8 所示。圖中橫縱坐標中的0 值代表兩指標的均值，以均值為閾值將75 個目標專利分成四種類型：長路徑高被引型、長路徑低被引型、短路徑高被引型和短路徑低被引型。根據前文所述，一般長路徑高被引型專利累積影響力偏高，如專利US5604097、US5695934 等處在第一象限的專利。然而，這并不代表其他類型的專利一定差。從累積的思想來看，高被引只是在第一代中擁有優勢，后續引證代的發展同樣重要，如第四象限的 “黑馬專利” ——US5102785，盡管其直接被引頻次低，但是隨著逐代影響力的累積，總影響力反而后來居上。

隨著影響力的擴散和引證代的變化，不同類型的專利之間可不斷地轉化。新的專利產生之后，短時間內不會受到其他專利的注意，這些專利便屬于短路徑低被引型；一段時間后部分高質量專利開始被注意，引用次數迅速增加，進而發展為短路徑高被引型；而高被引則會產生更大的被引機會，促進引證代的增加，最后這些專利便慢慢轉化為長路徑高被引這些高影響力專利。當然，有些普通的專利可能一直停留在第三象限，或者引證代也會慢慢增加，發展到第四象限，但累積影響力不高。

5 結論與展望

本文基于一種新的計量指標——累積影響力指數，通過對全代引證的深層次挖掘，對專利累積影響力進行研究。研究結果認為，對于專利影響力評價，累積影響力指數在保留直接被引頻次優勢的基礎上，較好地綜合了專利影響力擴散的 “廣度” 和 “深度” ，能夠發掘出 “隱藏” 的高影響力專利；專利的各代被引頻次以及各代施引專利數近似呈 “正態分布” ，引證過程先復雜后簡單；引文網絡中的 “關鍵節點” 對目標專利影響力的傳播貢獻很大；直接被引頻次越高代表著專利被引證的潛力越大，技術擴散速度越快；短路徑高被引型專利是潛在的高影響力專利，長路徑高被引專利累積影響力高，但長路徑低被引專利累積影響力不一定低。

諾貝爾博物館館長古斯塔夫·謝爾斯特蘭德曾指出， “科學家并不會在研究獲得突破后，就立即獲獎” 。通常諾貝爾獎評選委員會會嚴格地對研究成果進行驗證，部分研究成果有時甚至需要經過數十年的評估，才能確定研究價值。同樣地，悉尼·布倫納的成果在直接被引頻次指標上也許并不是最高的，但是其成果累積價值一定達到了 “諾獎級” 。同樣，衡量一個專利的影響力也不應只看一開始的反響，后續的發展如何更加重要。就像一些基礎性專利，盡管在開始的時候沒有被大量引用，但是由于其技術知識的基礎性和通用性，后續就會被大量的本領域甚至其他領域的專利間接引用，因此，這些專利與那些很快就能產生很大反響的高新技術專利一樣都是高影響力專利，這也是單純依靠直接被引頻次所經常忽略的。

在本文選取的累積影響力指數中，每代的權重只是單純地依靠引證路徑的長度所決定，并沒有考慮專利之間具體的聯系。后續的研究如果能夠深入考慮每個施引專利與目標專利之間的具體聯系，完善到權重當中，相信一定能提高專利累積影響力指標的準確度。同時，本文沒有考慮專利引文中基于技術對比的審查員引用，可能會對研究結果產生影響，后期會深入開展更加準確的區分性研究。

最后，本文基于累積價值的思想，綜合考慮專利的后續全代影響，事實上也提供了一種新的價值評價思路，這對目前的高價值專利評價指標或者體系也是一種完善思路，希望能通過未來的深入研究為我國高價值專利培育給予提示和幫助。