混合智能下的高校專利價值評估方法*

冉從敬，李 旺，宋 凱，劉瑞琦

0 引言

當前知識經濟迅猛發展，專利權成為企業乃至國家戰略資源。截止到2019年12月，國內大專院校發明專利有效量為622，128件[1]。社會各界積極通過許可或轉讓方式實現高校專利成果的轉移轉化。比如，華南理工大學輕工科學與工程學院胡健教授團隊研發的“芳綸紙專利成果”作價6，684萬元入股中車集團合作創辦高新技術企業；中國地質大學(武漢)程寒松教授的“常溫常壓儲氫”技術，以2，000萬元轉讓給武漢地質資源環境工業技術研究院。隨著專利價值實現路徑的拓寬，其在轉讓交易、質押融資、出資入股、法律維權等方面的作用日益凸顯，隨之而來的專利權價值評估顯得尤為重要，做好專利權價值評估方能充分實現其社會效益和經濟效益。因此，構建一種具有較強科學性和可操作性的專利價值評估方法，盤活海量專利資源，實現技術產業化，激活知識產權轉移轉化市場，成為高校探索專利運營以及企業尋求高校核心技術所重點關注的問題。對專利價值評估方法的研究，學者主要從兩方面展開討論。

第一，在構建指標體系，采取定量分析進行專利價值評估方面，Dahooie等提出結合MADM方法的專利價值評估和優先級確定框架[2]；Ma等構建一套包括指標體系、指標權重計算、評分標準確定和專家評分計算在內的專利價值評估體系[3]；郭玲等結合技術、法律和市場相關方，提出適于企業內部評估管理、主客觀相結合的專利價值評估指標[4]；張夢雅等構建一套面向專利顧客的價值評估指標體系，運用層次分析法計算指標權重[5]；劉劍鋒等立足于企業微觀層面的專利價值評價，從可實施性、實施結果科學性角度出發，構建“四位一體”的綜合指標體系[6]。

第二，在借助于機器學習算法進行專利價值評估方面，Han等使用文本挖掘來識別與專利價值相關的要素，著重挖掘其生存期，有助于提高專利價值評估水平[7]；Ercan等提出將支持向量機算法應用于專利申請，依據評估結果對專利是否授權或駁回進行判斷[8]；Lai等結合因子分析的擴展神經網絡，構建專利指標和損害賠償的估值模型，有助于專利交易、專利許可、無形資產抵押、專利技術入股等[9]；呂霽結合專利價值理論及BP神經網絡理論，構建專利價值評估神經網絡模型，證明BP神經網絡在專利價值評估中的適用性[10]；劉伍堂等總結出一種對專利性質和價值評估的指標體系，并將該價值評估指標體系與大數據技術相結合，提出基于文獻和大數據的對專利性質和價值的評估分析方法[11]；周成等根據專利價值指標，設計基于自組織映射—支持向量機的專利價值評估及分類模型[12]。

已有研究主要從構建指標體系，采取定量分析進行專利價值評估，或借助于機器學習算法進行專利價值評估。通過構建專利價值評估指標體系的方式，在構建指標體系后，需要依據評估體系對專利進行逐件評估，效率較低；采用機器學習算法評估專利，在評估過程中高度依賴機器學習算法，沒有發揮人的主觀能動性，如果對識別結果進行人工干預，則容易造成結果失真現象。因此，本文首先結合已有研究中應用的專利評估指標，從數據易獲取性和科學性出發，創建包含多個指標的專利評估指標體系；進而以“新能源汽車”為例，構建多指標專利評估數據集；最后分別采用熵值法與人工神經網絡算法，以人工打分和模型預測相結合的方式，構建混合智能下的高校專利評估方法。該方法結合熵權法的客觀性與易解釋性，人工神經網絡算法的高效性與智能性，對兩種評估方法去粗取精，創造性的用人工打分與模型預測相結合的方式來進行專利識別達到了優勢互補的目的，理論上具有更高的評估性能。將提出的方法應用于識別高校新能源汽車領域具備轉移價值的專利，最終獲得了滿意的結果，驗證了方法的有效性與實用性，也為促進高校科技成果管理部門的專利運營效率，以及企業快速鎖定高校高價值專利提供了參考。

1 研究步驟與研究方法

通過選取專利價值評估指標，結合熵權法與人工神經網絡算法進行專利價值評估，構建基于混合智能的專利價值評估方法，見圖1。該方法可幫助高校及科研院所快速鎖定高價值專利，為制定專利運營戰略與專利布局提供決策支持。同時，也能為企業快速鎖定高校高價值專利提供實踐參考。本文遵循“專利價值評估指標選取→基于熵權法與人工神經網絡算法專利價值評估研究→基于混合智能的專利價值評估研究”邏輯流程。

圖1 高校專利價值評估方法邏輯流程圖

1.1 專利價值評估指標選取

高校在專利技術轉化時存在專利價值評估能力弱、產學研合作意識弱、市場信息不對稱及專利轉化成本過高等問題，嚴重阻礙專利轉移轉化的積極性與效率，使得耗費大量科研資金獲得的專利技術處于閑置或無效狀態，直接影響技術創新。為打破專利技術轉化障礙，提高專利轉化效率，需構建高校專利價值評估方法指標體系。構建該評估方法的第一步為選擇評價指標，評價指標的適用度直接關系著專利價值評估方法是否具備可用性和科學性。為保證專利價值評估方法評價的科學性、合理性及可行性，作者在咨詢專家意見、結合高校專利特點的基礎上，按照可獲取性、全面性、重要性、獨立性、定性指標與定量指標相結合的原則設計高校專利價值評估方法指標體系。已有研究對評價指標與轉移價值的相關性有了充分論證，本文在已有研究基礎上，依據國家知識產權局專利管理司《專利價值分析指標體系操作手冊》對已有價值評估指標進行擴展與延伸，選取13個指標對專利價值進行評估[13-15]。在選取過程中，一是關注指標數據是否易于尋找和統計；二是選取的指標能綜合體現專利價值，如發明人數量反映技術研發過程中的合作關系以及核心研究團隊規模，權利要求字符數反映專利技術的保護全面程度，被引用專利數量、被引用次數反映專利的技術價值。綜合技術、法律、經濟3個維度，遵循易獲取性、綜合性原則，得到13個基于專利文獻自身的二級指標，見表1。

表1 專利指標匯總表

1.2 基于熵權法與人工神經網絡算法的專利價值評估研究

(1)熵權法。構建高校專利價值評價指標體系后，下一步是對各評估進行賦權。常用的賦權方法包括主觀賦權法與客觀賦權法。主觀賦權法過分依賴于主觀判斷，專家素質參差不齊，容易影響評價結果?？陀^賦權法是基于客觀數值的內在聯系計算得出指標權重的賦權方法，不受主觀判斷影響，得出的結果更客觀。熵權法屬于客觀賦權法，本文采用熵值法作為高校專利價值評價的賦權方法。本文將處理后的專利數據根據權利轉移次數劃分為權利轉移實驗集與權利未轉移實驗集，首先將全部專利數據導入指標體系，通過熵權法計算指標權重，根據指標權重對權力轉移實驗集的每個專利進行打分，算出平均分，而后將權利未轉移實驗集引入指標體系，也對其進行賦權打分，最后根據權利轉移實驗集的平均分對權利未轉移實驗集進行篩選，篩選出高于平均分的權利未轉移專利，筆者將其稱為有潛在轉移價值的專利，并將其歸入權利轉移數據集，進而得出專利篩選的最終成果。利用熵權法計算指標權重的步驟如下：

①顯效：疼痛癥狀明顯減輕，且＞2級，骨轉換生化指標顯著改善。②有效：疼痛減輕1～2級，骨轉換生化指標有所好轉。③無效：癥狀、體征、骨轉化指標等均無改善，甚至加重。

a.構建原始矩陣。假設有m個被評價專利，n個評價指標，即可構建原始矩陣X：

其中，Xti表示第t項專利，第i項指標的實際值。

b.數據無量綱化處理。消除物理量影響，將各個指標數據進行無量綱化處理：

為了數據運算處理有意義，必須消除零和負值，故需對無量綱化后的數據進行整體平移，即Yij=Yij+α，但為不破壞原始數據的內在規律，最大限度地保留原始數據，α的取值必須盡可能的小，即α為最接近Yij的最小值，本文取α=0.0001。

c.熵值計算。計算第j項指標的嫡值：

d.差異性系數計算。

e.計算第j項指標的熵權Wj：

其中S為被評價專利的價值得分，Wj為指標權重，Xi為被評價專利指標值。

(2)人工神經網絡算法。為提高有價值專利識別精準度與專利識別效率，本文將人工神經網絡算法中的前饋神經網絡引入專利價值評估體系。前饋神經網絡是使用最廣泛的神經網絡結構之一，理論上它可以在任意精度下逼近任意函數[16]。常見的前饋神經網絡有神經網絡、高階神經網絡、雙并聯神經網絡等。全連接層是神經網絡算法中最早出現的計算結構之一，有原理簡單、易于實現、調試方便等優點，被廣泛應用在神經網絡計算架構，通常被用在局部或全局的節點匯總及特征抽取等業務。所以，本文選擇全連接前饋神經網絡算法進行專利識別。全連接前饋神經網絡通常由一個輸入層、若干隱藏層和一個輸出層組成，輸入層負責展開特征，隱藏層負責對數據進行復雜的非線性變換，輸出層負責匯總特征。一般隱藏層層數越多，非線性能力越強，而隱藏層參數越多，模型能夠擬合的結果越復雜[17]。在前饋神經網絡中，不同的神經元屬于不同的層，每一層的神經元可以接受到前一層的神經元信號，并產生信號輸出到下一層。第0層叫做輸入層，最后1層叫做輸出層，中間的叫做隱藏層，整個網絡中無反饋，信號從輸入層到輸出層單向傳播。全連接層的計算過程可以概括為兩步，線性參數計算和非線性激活輸出，其第l層的計算公式為：

其中，al與al-1表示第l層與第l-1層數據的神經元輸出，fl表示第l層神經元的激活函數，Wl表示第l-1層到第l層的權重矩陣，bl表示第l-1層到第l層的偏置。由于全連接層具有大量線性變換參數與非線激活函數，因此，多個全連接層首尾相連即可用于近似較為復雜的函數。本文使用RELU函數與Sigmoid函數作為全連接前饋神經網絡的激活函數，使學習過程更快收斂且更具魯棒性。模型損失函數為Binary_Cross_Entropy，且將隨機梯度下降法作為模型優化器，訓練集與測試集的比例為2∶8。本文使用的計算平臺為TensorFlow，使用的神經網絡實現及訓練庫為Keras，使用的數據預處理庫為sklearn。實現一個由13個特征值的輸入層，2個13個特征值的隱藏層，1個輸出層的全連接前饋神經網絡模型。

1.3 基于混合智能的專利價值評估方法研究

通過熵權法與人工神經網絡算法分別篩選出具備轉移價值的專利，分別建立專利數據集。熵權法是一種客觀賦值法，具有較高的可信度與精確度，人工神經網絡算法具有數據處理效率快、對數據進行自主學習與高速尋找優化解等優點，基于此，提出基于人工和機器學習相結合的混合智能方法，糅合二者優點對高校專利數據進行價值評估，對兩種評估結果取交集，篩選出兩種評估方法下都存在的專利數據，以此作為具有轉移價值的專利。

2 數據來源與處理

新能源汽車成為汽車發展方向，新能源汽車技術廣受關注。本文對新能源汽車領域專利進行專利價值評估，篩選出高校新能源汽車領域高價值專利，可以深度提升該領域專利轉化效率，促進新技術的創新研發。本文數據來源基于IncoPat專利數據庫，技術領域限定為“新能源汽車”，申請人限定為“大學”，檢索式為：(ALL=(TIABC=(“純電動汽車”OR“新能源”OR“電動汽車”OR“純電動車”OR“動力電池組”OR純“電動”OR“電動汽車動力電池”OR“新能源汽車”OR“電動汽車充電站”OR“電動汽車充電”OR“電動汽車動力電池組”OR“電動汽車電池”OR“電動車輛”OR“動力蓄電池”OR“充電系統”)))AND(AP=(大學))，時間不限，共檢索到15，920件專利。通過權利轉讓次數將數據集劃分為“權利已轉移”數據集(530件)與“權利未轉移”數據集(15，390件)，據構建的專利評估指標，獲取每件專利的基本數據，構建專利指標數據庫。

3 混合智能專利價值評估方法

3.1 基于熵權法的高校專利價值評估方法

(1)指標的熵值、差異性系數及權重計算。依據“新能源汽車”指標數值無量綱化結果，運用熵值法計算步驟得出各評價指標的權重，見表2。

表2 新能源汽車評價指標的熵值、差異性系數及權重

(2)確定評估指標體系。通過前期構建的指標體系并將數據導入體系中進行計算，最終得到高校專利價值評估指標的權重，并且將其作為高校專利價值評估方法的最終指標權重。該權重為評價高校專利價值的最終依據，見表3。

表3 高校專利價值評估指標權重體系

(3)專利價值評估。根據前期得出的評估指標體系，將權利已轉移專利數據集與權利未轉移專利數據集導入指標體系中，評估兩個實驗集的專利價值，同時評估出權利轉移實驗集專利價值的平均分，作為權利未轉移專利價值評估的閾值，篩選出價值大于平均分的專利，作為存在潛在轉移價值的專利，將其并入權利轉移實驗集，作為基于熵權法的高校專利價值評估的最終結果。表4為熵權法下權利轉移專利價值top10的名稱、得分與排名。

表4 基于熵權法的權利轉移專利價值排序(Top10)

通過熵權法對權利轉移的專利數據進行價值評估，進而得出專利價值，而后將該數據集價值的平均分作為衡量權利未轉移專利是否有價值的閾值，經過測算可知，高校權利已轉移的專利平均得分為0.0474，那么將權利未轉移的15，390件專利引入指標體系，通過熵權法對其進行專利價值測算以得出最終評分。表5為熵權法下權利未轉移專利價值top10的名稱、得分與排名。

表5 基于熵權法的權利未轉移專利價值排序(Top10)

通過測算得知，在權利未轉移專利中，專利價值評分最高分為0.2394，最低分為0.0007，由此可見未轉移專利中的專利價值雖然參差不齊，但是依舊有許多有潛在轉移價值的專利。通過權利已轉移專利價值平均分0.0474對權利未轉移的15，390件專利進行篩選，筆者得出了3，166件價值得分高于價值平均分的專利，占權利未轉移專利總量的20.6%。

3.2 基于人工神經網絡算法的高校專利價值評估方法

為構建專利價值評估模型，保證對高校專利價值的有效評估，分別構建數據訓練集(1，060條)與數據預測集(15，920條)兩個數據集，在模型訓練的過程中，將數據訓練集的1，060條數據拆分為數據訓練集(900條)與數據驗證集(160條)，其中訓練集用來構建評估模型，驗證集用來檢驗模型對未知數據的評估能力。在訓練過程中，隨著訓練次數的增加，該模型的各項指標趨于穩定，表現良好，且沒有出現擬合情況，說明該模型性能優良，其對有價值專利的篩選結果有高可信度。根據上述分析，當把訓練次數確定為200次時，模型效果最佳，訓練結果見表6。通過對模型的訓練，當權利未轉移數據支持度為105，權利已轉移數據支持度為95時，其精確度(precision)分別為0.9與0.99，召回率(recall)分別為0.99與0.88，精確度和召回率的加權平均值(f1-score)分別為0.95與0.93，并且經過模型測算，其準確度(accuracy)高達0.94，表明模型具備較高的預測價值，能夠應用對高校權利轉移專利及存在失效風險專利進行的識別。而后將數據預測集(15，920條)導入訓練好的模型中進行預測，存在轉移價值的專利預測標簽為“1”，不存在轉移價值的預測標簽為“0”，經過模型預測得知，存在轉移價值的專利有9，332條，占數據預測集的59%；不存在轉移價值的專利有6，588條，占數據預測集的41%。

表6 全連接前饋神經網絡分類報告

3.3 基于的混合智能的高校專利價值評估方法

利用熵權法在15，920件專利數據中評估出3，696件存在轉移價值的專利，占專利數據總量23%；利用人工神經網絡算法在15，920件專利中評估出9，332條存在轉移價值的專利，占專利數據總量59%。對基于熵權法的高校專利價值評估結果與基于人工神經網絡的高校專利價值評估結果取交集，實現基于混合智能的高校專利價值評估，評估結果見圖2。

圖2 基于的混合智能的高校專利價值評估結果

分析圖2發現，通過基于混合智能的高校專利價值評估方法評估出2，146件具備轉移價值的專利，占專利數據總量的13.4%，該結果表明高校中少部分專利具備高價值，大部分專利價值較低，之所以會產生這種結果，一方面是部分高校的專利申請是研究課題的伴生品，與已發生權利轉移的專利相比，在技術深入度、經濟產業化、法律完備性方面存在一定差距；另一方面，高校為了保護核心技術，往往在專利申請時進行專利布局，進而產生了大量不具備權利轉移價值的專利。

分析表7發現，采用混合智能方法對新能源汽車領域的專利進行評估篩選，篩選出了具備轉化價值專利與不具備轉化價值專利兩個數據集，對兩個數據集的指標均值進行計算，發現除“專利壽命”這一指標之外，具備轉化價值專利的其余12個指標均值明顯大于不具備轉化價值的指標均值，驗證了模型的有效性。這說明該模型可以為促進高校科技成果管理部門進行專利價值評估與提高專利運營效率提供借鑒意義，也為企業快速鎖定高校高價值專利提供了實踐參考。因此，結合上述情況，在“新能源汽車”領域，通過基于的混合智能的高校專利價值評估方法識別出13.4%具有權利轉移價值的專利，并不是處于較低水平，這部分專利應該得到高?？萍汲晒芾聿块T的重視，圍繞高價值專利構建專利技術群，制定專利運營策略，積極尋求技術轉移。同時，對存在失效風險的專利，應進行二次評估，針對有轉移價值的專利制定專利轉移戰略協助轉移；針對失效風險大的專利，放棄專利權，節約科研成本，將其投入到研究團隊的研發中，進一步提高發明專利的核心競爭力，提高產業應用價值。

表7 基本指標平均值統計表

3.4 分析結果討論

通過基于混合智能的高校專利價值評估方法對高校新能源汽車領域15，920件專利進行評估，評估出2，146件具備轉移價值的專利，針對上述專利指標數據進行重點分析，深度探析哪些指標是影響專利價值的重要因素。本文采用多元線性回歸算法對具備轉移價值的專利進行回歸運算，其中R2(相關系數)值為0.9993，說明自變量之間存在高度相關關系，模型效果較好，運算結果見表8。分析表8發現，采用多元線性回歸算法運算的13個指標權重，其中申請人數量權重最高，申請人數量體現專利權利人的數量，專利權人越多，那么承擔該專利相關義務的人就越多，則轉讓該專利的相關風險就越小，進而大幅度降低了專利轉化的相關成本，同時申請人數量越多，表明技術的復雜度越高，融合了多個機構的集體智慧，是專利法律價值與經濟價值的重要體現；專利壽命的權重占比也位居前列，該指標體現了專利的使用年限，在專利技術的性質、質量、應用價值和需求狀況一定的情況下，專利的轉移價值與專利壽命成正比，使用年限越多，該專利創造的經濟價值與社會價值就越多，是專利經濟指標的重要體現；被引次數這一指標也具有較高的權重，該指標體現了領域內研發人員對該專利技術的認可，被引用次數越多，表明該專利對領域內其他專利的技術創新具有重要的指引作用，是專利技術價值的重要體現[18]。以上三個指標對高校專利權利轉移概率具有較大的影響作用，在高校進行專利申請和專利運營時應該得到重視。

表8 多元回歸算法下指標權重分布

結合上述對具備轉移價值的專利指標數據權重的分析，對高校技術研發和專利申請有著很高的借鑒意義，應重視高權重指標對高校專利權利轉移的促進作用。基于此，在高?？萍汲晒a出階段，高校知識產權信息服務中心要為科研團隊的專利生命周期運營提供全方位支持，結合科研團隊研究內容積極進行科技查新，保證研究內容的前沿性與創新性；在申請專利過程中，注重把控申請人的數量與專利引證數量，對高價值專利要注重維持其專利年費繳納與進行專利布局，通過申請同族專利，形成技術競爭優勢，這也為提高專利的被引證次數奠定基礎，保證其時效性。綜合上述分析，本文構建的專利價值評估模型不僅能夠識別高校中某一技術領域具備轉移價值的專利，推動高校專利技術實現轉移轉化，還能在此基礎上對評估結果進行深度剖析，厘清專利指標對專利指標對專利轉化價值的影響，這對強化高校專利質量，提高科技成果管理部門、知識產權信息服務中心等部門的專利運營質量具有參考價值。

4 總結與展望

本文從科學性和易操作性角度出發，首先構建了高校專利價值評估指標，分別采用熵權法與人工神經網絡算法，以人工打分和模型預測相結合的方式，識別高校新能源汽車領域具備轉移價值的專利，為高?？萍汲晒芾砣藛T提供了行之有效的方式，快速識別已有的發明專利中，具備權利轉移價值專利，為促進高?？萍汲晒芾聿块T的專利運營效率，以及企業快速鎖定高校高價值專利提供了實踐參考。

(1)首先從技術、經濟、法律等方面，選取13個能較為全面反映專利價值的指標，且保證了指標數據的易獲取性。

(2)通過對賦權方法與算法性能的調研，選擇具有高可信度且可以進行人工識別的熵權法與具有自主學習且可以進行機器識別的神經網絡算法對專利進行評估提取，保證了評估結果的全面性。

(3)通過基于的混合智能的高校專利價值評估方法，對熵權法下高校專利價值評估結果與深度學習下高校專利價值評估結果取交集，測算出具備高價值的專利，保證了結果的科學性與合理性，適應于復雜多變的專利市場，精準識別高價值專利，為高校專利研發與專利運營提供決策支持，也為企業探尋高校核心專利提供技術借鑒。

本文構建的評估模型僅使用了“新能源汽車”領域的專利數據，數據樣本較單一；在指標選取過程中，為了指標的易獲取性，僅構建包含13個指標的評估體系，科學性有待進一步驗證。在今后研究中，將探索構建全領域的專利數據樣本，擴充專利評估指標體系，實現對高校不同技術領域中具備權利轉移價值專利的識別。