專利轉化特征精準識別與預測
——以人工智能芯片為例

姜 南，李逸凡，劉 謙，劉 星

(1.同濟大學 上海國際知識產權學院，上海 200092；2.河海大學 商學院，江蘇 南京 210024)

0 引言

我國專利申請量近年來呈爆發式增長趨勢，從2011年開始一直位居世界首位。世界知識產權組織(WIPO)發布的《2021年世界知識產權指標》顯示，2020年中國國家知識產權局受理專利申請149.7萬件，增速高達6.9%，占全球總量的45.7%，數量相當于排名第二位至第十一位主管局受理量之和。然而，中國創新體系激勵政策雖然大幅提升了專利申請量，但并沒有帶來商業化收益的顯著增長[1]。2012年《世界銀行報告》指出，盡管2003-2009年中國專利申請量上升26%，遠高于美國(6%)、韓國(5%)、歐洲(4%)和日本(1%)的增幅，但是中國專利收益率卻遠低于這些國家[2]。專利商業化價值一方面受專利法保護，另一方面也與專利質量息息相關，如專利前向引用情況、權利要求數、IPC技術范圍、專利維持時間及應用領域等都是影響專利價值的重要因素。

2015年8月，全國人大常委會修訂了《中華人民共和國促進科技成果轉化法》；2016年3月，國務院印發《實施<中華人民共和國促進科技成果轉化法>若干規定》；2016年5月，國務院辦公廳印發《促進科技成果轉移轉化行動方案》，這一系列政策被稱為我國科技成果轉移轉化的“三部曲”。除國家政策外，上海、廣東、四川、山東等十余個省市也相繼出臺“地方版”細則方案。中央和地方政府正著力從科技成果轉化產業、服務和人才等方面疏通科技成果轉化的“難點、痛點和堵點”，全面促進科技成果轉化。但我國科技成果轉化率依然較低，以2021年6月發布的《2020年高等學校科技統計資料匯編》為例，各類高等學校年度專利申請量330 375件，專利授權數206 036件，年度專利出售合同數9 229件，專利出售數占當年專利授權量的3%，大部分科技成果并未真正轉化為現實生產力。

在當前政府政策主導下，研究新興前沿領域專利技術轉化識別因素并對專利成果轉化進行預測，對于申請高質量專利、加強專利商業化運營、提升我國科技成果轉化效率和精準度具有重要意義。人工智能芯片作為數字經濟時代最為核心的技術需求與發展方向，對于加速推進我國智能計算革命、實現科技自立自強以及攻克“卡脖子”技術難題具有重要意義。本研究利用機器學習算法聚焦人工智能芯片專利領域，研究專利成功轉化的特征并尋找最優預測方案，探討主要國家或地區技術成功轉化影響因素，以及企業/高校、國內/國際等不同層面專利成功轉化的主要特征，可為我國科技成果有效轉化提供針對性政策建議。

1 文獻綜述

專利轉化作為學術界、產業界持續關注的重要研究領域，目前已取得豐碩研究成果。就轉化階段而言，專利技術轉化包括從研發到商業化的所有階段[3]。從法律法規看，Zhu 等[4]通過對比美國拜杜法案和中國版“拜杜法案”，認為中國版“拜杜法案”實施效果沒有達到預期；何文韜等[5]認為新能源汽車推廣政策雖然有助于激發汽車行業專利轉化積極性，但也容易造成其在未了解市場需求情況下推動新產品快速入市的盲目性；Soares 等[6]研究高校規章制度對專利申請和許可行為的影響，指出高校規章制度雖然促進專利申請和許可數量增加，但對二者經濟收益未產生太大影響。從轉化主體看，高等院校和科研機構是專利轉化的重要載體，許多學者研究了高校專利轉化和技術轉移。冉從敬等[7]選取與專利價值相關的16個指標，采用AdaBoost算法提升了高校專利轉化的可識別性；Ye 等[8]通過對中國雙一流高校知識(專利)轉移網絡進行分析，指出關鍵高校在知識擴散網絡中居于核心地位，同時高校之間穩定的知識交流與轉移是帶動落后地區發展的關鍵；張曉月等[9]探討高校專利轉化與專利價值之間的關系，認為專利轉化及專利部分技術特征可以提升專利價值；金玉成[10]研究高校專利成果轉化模式發現，專利技術特征影響高校專利轉化模式，專利成熟度和技術質量不同，專利轉化模式也不同；袁傳思等[11]指出，影響高校新型研發機構專利成果轉化的原因有建設主體文化水平較低、知識產權投入不足、科技成果轉化專業人員較少等。還有一些學者進一步構建高校專利轉化評價指標體系，并從專利申請量、專利授權量、技術轉移收入、專利涵蓋領域等視角展開研究[12-14]。

綜上所述，專利技術轉化研究雖然已經取得豐碩成果，但依然存在如下問題：研究對象多為發達國家，聚焦中國現實情境探討專利轉化的理論和實證研究較少，僅分析高校與科研機構等單一主體而未涵蓋全部創新主體，尤其是針對特定前沿技術領域的研究更少。鑒于此，本研究從人工智能芯片領域出發，通過機器學習算法精準識別專利轉化特征并測度最優轉化預測方案，分析主要國家或地區專利成功轉化影響因素，從企業/高校、國內/國際等不同主體或層面總結專利成功轉化的主要特征，可為我國破解“卡脖子”技術難題及專利轉化相關研究提供有益借鑒。

2 數據獲取與處理

2.1 數據來源

本文以人工智能芯片領域為研究對象，人工智能芯片作為人工智能時代的硬件載體，其重要性不言而喻。由于人工智能技術應用場景的復雜性，很難有一種單一且適用于各種環境的人工智能芯片設計方法。因此，工業界和學術界涌現出許多新的人工智能芯片設計方法，涵蓋材料、器件、電路、半導體等各個層面。人工智能芯片處于整個人工智能產業鏈的中間層，向上為應用和算法提供有效支撐，向下對器件和電路、工藝和材料提出新要求。一方面，應用和算法的快速發展，特別是深度學習和卷積神經網絡的快速發展對人工智能芯片提出高性能要求，為近年來人工智能芯片研發熱潮帶來新動力[15]；另一方面，新材料、新工藝和新器件的迅速發展，如3D芯片堆疊存儲器和工藝進化為人工智能芯片大幅提高性能和降低功耗提供了可行性。總體來說，這兩種力量共同推動人工智能芯片技術迅速發展[16]。

人工智能芯片包括通用芯片(圖形處理單元，GPU)、半定制芯片(現場可編程門陣列，FPGA)、完全定制芯片(專用集成電路，ASIC)和類腦芯片4種類型。各自特性如下：GPU常用于開發和改進人工智能算法。與傳統CPU相比，改進的GPU具有更高的并行結構，在處理圖形數據和復雜算法等方面更加高效，同時程序運行速度也提高了數千倍甚至數萬倍。與CPU和GPU相比，FPGA將經過訓練的AI算法應用于實際數據輸入，可同時進行數據并行和任務并行計算，具有明顯的性能和能耗優勢；除功耗以外，FGPA在架構上也存在顯著優勢。ASIC是為學習具有計算性能的功能而設計的一種芯片，根據特定應用需求定制。類腦芯片可以模擬人腦神經網絡與人腦結構進行功能感知。

在人工智能芯片專利檢索過程中，本文以Derwent Innovation專利數據庫為檢索對象，來源國/地區主要選取中國、美國、歐盟、日本和韓國等。由于專利信息披露的滯后性，將專利檢索時間限定為2009年1月1日至2018年12月31日。通過查閱相關文獻資料、與專家多次溝通、多輪檢索最終確定專利檢索策略，并對數據進行降噪、降雜處理從而得到本文專利樣本數據，如表1所示。其中，人工智能芯片專利申請數量22 389件，已授權專利數12 741件。專利檢索條目包括申請日期、申請國別、名稱、專利摘要、發明人、專利權人、IPC分類號、法律狀態、引用專利/文獻數量等著錄信息。

2.2 指標選取

廣泛意義上的專利轉化主要是指將專利技術產業化，諸如專利轉讓[17]、專利許可、專利質押融資[18]等均可視為專利成功轉化。專利指標通常涉及技術、法律和經濟3個維度，本研究結合國家知識產權局發布的《專利價值分析指標體系操作手冊》，遵循數據可得性原則，基于技術、法律、經濟三大維度對專利評價指標體系進行細分，最終選取如表2所示的專利指標衡量專利特征。

表1 人工智能芯片專利檢索策略Tab.1 Patent retrieval strategy of artificial intelligence chip

表2 指標選取及含義Tab.2 Index selection and brief meaning

(1)技術指標：申請人數量、代理人數量、發明人數量、技術分類數量(IPC跨度)、維持時間、引用專利數、引用參考文獻數、當前是否有效。其中，申請人數量是指企業與其它組織合作申請的專利，一定程度上反映企業之間的技術合作關系，是衡量企業技術合作關系和合作度的重要指標[19]。代理人數量反映專利技術在申請專利保護過程中與專利代理人的關系，專利代理人服務涉及專利發明、專利申請、專利審查及專利保護運用的各個階段[20]，能夠從另一維度反映技術申請專利保護過程中的合作關系。發明人數量體現了技術復雜度，發明人是指對專利創造起實質性作用的人，反映完成發明創造所需投入的人力資本[21]，發明人數量與專利技術復雜度存在一定相關性。技術分類數量通常指專利IPC分類號跨度情況，用以表征技術多元性與技術跨度[22]，本研究選取國際專利分類號小類(IPC四位編碼)數量表征技術多元性。維持時間和當前是否有效存在相似功能，專利維持時間體現了專利的重要性，專利維持時間越長，專利市場價值、經濟效益也就越高[23]。引用專利數與參考文獻數反映科學與技術的繼承性，用以表征專利吸取外部信息的能力，代表專利質量水平，即技術可能處于的技術生命周期與市場應用價值，體現技術創新性及對其它知識的借鑒程度[24]。

(2)法律指標：權利要求數、獨立權利要求數、從屬權利要求數、權利要求字符數。其中，權利要求數指專利申請人對專利技術的保護是否全面[25]，單個專利權利要求數量越多，說明專利保護越全面，因此本文采用權利要求數衡量專利技術保護全面程度。獨立權利要求數指專利的必要技術特征，能夠從整體上反映專利的主要技術內容，用以表征專利主要保護的技術內容[26]。從屬權利要求數越多，越能對抗他人申請同樣或類似的改進專利(宋河發等，2014)。權利要求字符數能夠從側面反映專利權法律效力，體現專利權人在專利起草和申請過程中投入資源的大小(張杰等，2015)。

(3)經濟指標：同族專利、同族專利成員國數、權利人是否為企業以及是否來自中國、專利被引用次數。其中，同族專利和同族專利成員國數反映專利權人技術全球保護策略(劉紅光等，2013)，用以表征專利技術在全球的布局情況以及專利技術在全球市場的應用價值。權利人是否為企業以及是否來自中國反映不同創新主體與國家的專利技術轉讓情況[27]。專利被引用次數代表專利被認可度，專利被引用次數越多，說明專利價值越高[28]。

(4)目標指標：專利轉讓、許可和質押，表征專利轉化情況。專利所有權轉讓、許可貿易與專利權質押融資都是科技創新轉化的重要表現形式。專利只有通過市場轉化才能有效推動經濟發展，故本文選取專利轉讓、許可或質押評價專利技術成功轉化情況。

3 模型構建與分析

3.1 數據歸一化處理

為保證數據研究效果和均衡性，收集上文專利數據中成功轉化的專利技術，共獲得2 228條專利數據，統計其是否存在專利技術成功轉化的情況，若有則標為1，無則標為0；同時，對已授權但未成功轉化的專利數據進行收集，按1∶1的比例隨機匹配，共獲得2 228條數據，合并形成4 456條數據，對其進行Z-score歸一化處理，形成訓練集。由于本文目標數據(專利轉讓、許可和質押)為二項分類變量(0、1變量)，本身離散不連續，故構建二分類模型，采用Python軟件對專利轉化進行預測。

3.2 特征篩選

本文使用隨機森林算法選取相互獨立的弱分類器組成隨機森林分類器結構，對每個決策樹的輸出結果進行平均化處理，從而得到最終的分類結果。相較于神經網絡等經典分類模型，隨機森林算法能夠輸出每個子分類器的影響結果，方便對特征篩選、分類器進行改進。

利用隨機森林算法[29]計算每個特征指標的重要性，結果如表3所示。設定隨機森林決策樹數量為1 000，由于其它參數特征量不大，因此選擇默認值。對Python 中的相關函數進行處理可以得到各特征的相對重要性，并隨機給各特征變量加入噪聲干擾，以改變特征值，并觀察模型效果下降程度。如果改變某個特征能使模型效果明顯變差，說明這一特征比較重要。由表3可知，對于專利轉化而言，維持時間重要性最高，重要度為0.157。其次為權利要求字符數、發明人數量和權利要求數，重要度分別為0.145、0.092和0.076。這說明，代表專利存活時間的維持時間特征最能反映專利能否成功轉化，說明專利維持時間不僅可以表征專利技術存活時間，而且能從側面反映專利質量及專利權人重視程度，對于專利是否可以轉化起較為重要的作用。權利要求字符數和權利要求數重要性排第2位和第4位，說明專利文本中權利要求詳細程度對專利成功轉化起重要作用。發明人數量排第3位，說明專利技術復雜度對于專利轉化具有積極影響。

表3 指標重要度排序Tab.3 Index importance rankings

前4個特征重要性合計占比47%，其它13個特征重要性合計只占53%，說明各特征在隨機森林算法中的重要性區別較小，可進一步進行特征篩選和數據降維。然而，由于所有特征的重要性均大于0.01，直接刪除其它變量將會導致研究精度下降，故進一步采取主成分分析法，以相關性矩陣和熱力圖對特征進行篩選，特征相關性矩陣如圖1所示。從中可見，權利要求數和從屬權利要求數、同族專利數和同族專利成員國數、引用專利數和引用參考文獻數存在較高的相關性。

結合KMO檢驗值，將申請人數量、代理人數量、從屬權利要求數、權利人是否為企業和引用參考文獻數5個特征予以剔除，以獲取較好的主成分分析結果。值得注意的是，雖然同族專利數和同族專利成員國數相關性較高，但是在實驗中刪去其中任何一個特征后KMO值并未得到優化，故予以保留。其中，剔除申請人數量、代理人數量是由于在多數專利中其數值多為“1”，導致這兩個特征不具備顯著性。從屬權利要求數量也被剔除，是因為權利要求數與獨立權利要求數已經存在，而三者存在“權利要求數=獨立權利要求數+從屬權利要求數”的數量關系，故保留從屬權利要求數有可能產生嚴重的共線性問題(相關性大于0.8)。引用參考文獻數與引用專利數也存在較強的共線性，其值會隨著引用專利數的變化而發生改變。剔除權利人是否為企業是因為該特征與其它特征弱相關(值小于0.3)，說明該指標信息保護較少。在剔除如上5個特征后，KMO度量值由0.590上升到0.754，結果如表4所示。這說明，利用上述12個特征進行專利可轉化預測是合理的，處理后模型特征數量實現降維。

圖1 特征指標相關性矩陣熱力圖Fig.1 Feature index correlation matrix heatmap

表4 特征數量KMO值Tab.4 KMO value of characteristic quantity

3.3 模型構建

為選取一個性能更好的算法構建預測模型，本文分別利用邏輯回歸算法、支持向量機算法、隨機森林算法和AdaBoost算法進行對比實驗。對專利數據分配0/1變量的分類預測任務，以解決不同算法預測可能產生的過擬合問題。對剔除特征變量后的數據集以8∶2的比例隨機抽取訓練集和預測集，用4種分類算法采取十折交叉驗證進行訓練預測，以Accuracy值作為評估特征，具體分析如下：

(1)邏輯回歸算法。邏輯回歸算法作為一種二分類算法，預測結果有true(1)和false(0)兩種，使用的擬合函數為sigmoid函數，通過擬合解釋變量與事件發生或否(二分類因變量)之間的非線性關系，建立二分類因變量發生概率與解釋變量關系模型。

(1)

在識別模型構建過程中，采用Python 所包含的邏輯回歸算法進行模型訓練與分類擬合，并構建預測模型。由于訓練集是小樣本數據，所以采取十折交叉驗證進行模型訓練，以Accuracy 值作為模型性能評估指標。通過多次參數調優，使用邏輯回歸算法構建的識別模型Accuracy值為0.720。

(2)支持向量機算法。支持向量機是在高位特征空間使用線性函數假設空間的學習系統，由于其具有良好的分類性能，近年來在自然語言處理等研究領域得到廣泛應用。本文使用構造核函數的支持向量機算法解決非線性分類任務。在識別模型構建過程中，采用Python 所包含的支持向量機算法構造核函數進行模型訓練與分類擬合，構建預測模型。通過多次參數調優，使用支持向量機算法構建的識別模型Accuracy值為0.716。

(3)隨機森林算法。隨機森林算法屬于機器學習算法的一種，主要通過決策優化或覆蓋優化兩種手段將多種不同分類器進行綜合，最后輸出一個最優解以達到優化總體性能的目的，流程如圖2所示。

圖2 隨機森林算法Fig.2 Random forest algorithm

在隨機森林算法分類中，隨機森林算法中的每棵決策樹都是一個分類器，對于一個輸入樣本，N棵樹會呈現N個分類結果，因此將投票次數最多的類別指定為最終輸出。在識別模型構建過程中，采用Python 所包含的隨機森林算法進行模型訓練與分類擬合，通過二分類預測任務解決隨機森林算法中出現的非連續性預測問題，以避免出現對訓練數據外對象分類正確率較低的問題。通過多次參數調優，當參數設置為使用1 000個弱分類器時，模型Accuracy值為0.737。

(4)AdaBoost算法。AdaBoost算法屬于集成學習方法的一種，旨在使用一個訓練集訓練，如SVM、BP網絡等弱分類器，將不同訓練集結合起來構成一個更強的分類器，通過改變數據分布實現分類器選擇，根據訓練集樣本分類修正分類器，并以整體分類精度為依據確定每個樣本權重，然后對新權重值進行下一層訓練，最后將每個分類器融合在一起。在識別模型構建過程中，采用Python 所包含的AdaBoost分類算法進行模型訓練與分類擬合，構建預測模型。通過多次參數調優，使用AdaBoost分類算法構建的識別模型Accuracy值為0.728。

分別運行上述4種算法，結果如表5和圖3所示。從中可見，在4種算法中，基于隨機森林算法的預測模型性能最優，體現了隨機森林算法在專利轉化特征識別與預測中的應用價值。

表5 4種分類算法性能分值Tab.5 Performance scores of four classification algorithms

圖3 4種分類算法性能對比Fig.3 Performance comparison of four classification algorithms

3.4 專利成功轉化識別分析

在驗證模型有效性的基礎上，進一步利用模型對人工智能芯片專利進行識別，輸出每件專利的分類結果及轉化概率。根據專利轉化概率，仿照10分標準評估法，設置10層專利可轉化概率閾值，形成評估表，如表6所示。從中可見，在人工智能芯片領域，轉化概率在90%～100%之間的專利比重僅為1%，可認為這部分專利最具轉化價值和商業效益，共包含327件專利。總體來看，轉化概率在70%以上的專利占比僅為17%(1%+5%+11%=17%)，可見全球范圍內人工智能芯片具有較高專利轉化價值的數量偏少。同時，轉化概率介于40%～70%之間的專利比重占44%，介于0～40%之間的專利比重占38%，反映出人工智能芯片領域大部分專利都具備一定的轉化價值，但仍有近1/3的專利存在失效風險，轉化概率較低。

在專利轉化概率的基礎上，繪制專利可轉化性柱狀圖，并對其進行線性擬合。由圖4可知，人工智能芯片領域專利可轉化概率呈對數曲線分布態勢，擬合對數函數方程為y=-0.203 6lnx+2.307 3，R2=0.761 78。已有研究指出，專利價值通常呈對數常態曲線分布趨勢[30]，即在一個領域中，僅有少數專利為高價值專利，大部分專利價值都較低，本文模型與一般的經驗感知相符。但與文獻[9]對人工智能領域可轉化專利研究相比，轉化概率中閾值為10(轉化概率介于90%～100%)的專利比例較小，說明人工智能芯片領域專利可轉化概率較小，可能與人工智能芯片研發難度大、對轉化過程情境要求較高等因素有關。

表6 人工智能芯片領域專利成功轉化概率評估Tab.6 Evaluation of successful patent conversion probability in the field of artificial intelligence chip

圖4 人工智能芯片領域專利可轉化概率分布趨勢Fig.4 Trend of patent convertible probability distribution in artificial intelligence chip field

3.5 多維視角分析

3.5.1 創新主體層面

本文從高校/科研機構、企業等不同主題層面對專利轉化影響因素進行對比分析。通過收集5 958條學校專利和17 848條企業專利數據集，對專利特征重要性與可轉化概率進行比較，結果如表7和表8所示。從中可以看出，影響高校/科研機構、企業專利成功轉化的因素大致相同，但重要性略有不同。具體而言，對高校/科研機構影響最大的前3個因素分別是維持時間、權利要求字符數和發明人數量，對企業影響最大的前3個因素分別是權利要求字符數、維持時間和權利要求數。導致這一差異的原因在于，高校教師和科研人員通常是為完成科研任務或學科評估指標而非基于市場需求申請專利，因而不太關注高價值專利維持時間，導致專利維持時間指標表征專利質量的自然度更高。發明人數量說明高校/科研機構在人工智能芯片領域更側重于專利團隊合作。同時，高校和企業在人工智能芯片領域均應注重專利本身的技術質量和撰寫質量。由圖5可知，企業高質量專利和低質量專利比例均高于學校，學校專利可轉化概率在中間段數量集聚較多，更符合正態曲線分布。

表7 高校/科研機構、企業專利成功轉化影響因素對比Tab.7 Comparison of influencing factors of successful patent transformation between universities / scientific research institutions and enterprises

表8 企業與高校專利轉化概率對比Tab.8 Statistical table of patent transformation probability of enterprises and schools

圖5 企業與高校/科研機構專利轉化概率對比Fig.5 Comparative statistical chart of patent conversion probability of enterprises and universities / scientific research institutions

3.5.2 國際與國內層面

本文進一步分析影響國際和國內專利轉化的不同因素，通過構建專利數據模型得到如表9所示的國際和國內專利成功轉化影響因素對比結果。從中可見，影響國外和國內專利成功轉化的影響因素有所不同。其中，影響我國專利成功轉化的前5個因素分別為權利要求字符數、維持時間、權利要求數、發明人數量和引用專利數，前3項權利要求字符數、維持時間和權利要求數重要性合計超過56%，說明影響我國專利成功轉化的因素主要為專利質量。影響國外專利成功轉化的前5個因素分別為發明人數量、權利要求字符數、同族專利數、權利要求數和當前是否有效。其中，發明人數量、權利要求字符數和同族專利數重要性合計超過47%，可見在影響國外專利成功轉化的因素中，技術復雜性、專利質量和全球專利布局情況發揮重要作用，這可能與美、日、韓、歐州等主要發達國家或地區專利質量較高有關，技術復雜性和海外市場布局等因素變得尤為重要。

表9 國際與國內專利成功轉化影響因素對比Tab.9 Comparison of influencing factors of successful transformation of international and domestic patents

4 結論與建議

4.1 研究結論

本研究基于多維視角，采用多種算法對人工智能芯片領域主要國家/地區的專利轉化特征進行分析，并對該領域專利技術的成功轉化進行預測，得出如下結論：①采用降維處理和主成分分析法進一步聚焦專利技術轉化影響因素，在選取的邏輯回歸算法、支持向量機算法、隨機森林算法和AdaBoost 4種算法中，隨機森林算法預測效果最好；②人工智能芯片領域專利轉化概率呈對數曲線分布態勢，與通常所說的專利價值分布曲線相吻合；對高校/科研機構專利轉化影響最大的前3個因素分別是維持時間、權利要求字符數和發明人數量，對企業專利轉化影響最大的前3個因素分別是權利要求字符數、維持時間和權利要求數；③影響國外和國內專利成功轉化的因素有所不同。影響中國專利成功轉化的因素主要是專利質量，影響國外主要國家或地區專利成功轉化的因素主要是專利技術復雜性及海外市場布局等。

4.2 研究貢獻

本文理論貢獻如下：

(1)從專利質量分析[31]、價值評估、核心技術識別等應用場景對機器學習算法進行拓展，詳細定義專利的三大特征，將其劃分為技術指標、法律指標、經濟指標，并對每個層面指標進行詳細論述。采用定量方法構建相關評價指標體系，最終將其綜合為專利特征指標，將專利質量指標與專利轉化指標相結合，并將其應用到特定前沿技術專利轉化領域。

(2)綜合使用邏輯回歸算法、支持向量機算法、隨機森林算法以及AdaBoost算法進行對比實驗，通過對每個決策樹的輸出結果進行平均化處理，從而得到最終分類結果，并對專利數據進行離散0/1變量分類預測任務，以解決不同算法預測可能產生的過擬合問題。將剔除特征變量后的數據集以8∶2的比例隨機抽取訓練集與預測集，并從技術、法律和經濟等維度對專利質量指標進行分析，豐富了相關研究成果[22]。

(3)在現有研究的[7，9]基礎上，從實施主體層面分析專利轉化影響因素，從多維視角進行論證，通過構建專利數據集對專利特征重要性與可轉化概率進行比較，針對企業、高校/科研機構等創新主體及國內、國外層面進行對比分析。結果發現，影響高校/科研機構和企業專利成功轉化的影響因素大致相同，但重要性略有不同，影響國外和我國專利成功轉化的影響因素有所不同，拓展了實施主體研究范圍。

4.3 對策建議

針對本文研究結論，為更好地促進前沿技術專利成功轉化，提出如下對策建議：

(1)在不同前沿技術領域均可通過隨機森林算法等多種機器學習算法進行預測，從而尋找特定技術領域中影響科技成果(包含但不限于專利)轉化的因素，有針對性地對成功進行科技成果轉化的專利特征進行識別與預測。

(2)高校/科研機構應注重高價值專利維持時間和團隊合作。高校/科研機構應發揮特定學科優勢，加強與重點企業之間的合作，通過技術聯合攻關形成高價值專利組合，實施高價值專利挖掘與培育工程，強化專利全過程管理，從而更好地實現專利轉化。同時，還應從制度、機構、人才等方面形成合力，通過成立科技成果轉化中心/知識產權中心、制定或修訂學校專利轉化實施辦法與細則、引入專業知識產權服務機構或團隊、與第三方切實加強合作開展專利價值評估等措施，從專利申請、保護、運用與管理等各個環節為專利成功轉化提供保障。

(3)企業應提升專利技術質量和撰寫質量。從政府層面看，企業應充分利用政府的相關政策，如專利申請優先審查、快速審查、各省市高價值專利培育項目、專利導航項目等，結合自身優勢和特點，支撐企業創新發展。從企業內部看，應制定“知識產權先行”戰略，在研發初期利用專利分析優化核心技術布局，在撰寫階段重視權利要求對技術特征組合與保護層級的遞進，在申請階段加強與專利代理人之間的溝通。從外部合作看，應積極組建行業協會、知識產權聯盟，加強產學研協作，共同培育高價值專利。

4.4 不足與展望

本研究存在如下不足：①受限于數據可得性，只選取與專利價值相關指標對人工智能芯片領域專利轉化預測和影響因素進行研究，未對制度設計、審查程序等其它影響因素進行分析，未來可進一步挖掘上述影響因素，提高模型可靠性，同時從專利視角出發，在更加細分的技術主題層面對專利成功轉化進行研究，為推動技術創新、實現專利成功轉化提供參考依據；②綜合使用邏輯回歸算法、支持向量機算法、隨機森林算法及AdaBoost算法，僅從客觀指標出發對評價模型進行計算，在實際專利成果管理中，還可結合管理人員其它信息，加入主觀評價指標，提升研究結論準確性和指導力；③企業、高校/科研機構等創新主體的科研能力及產生的大量科技成果未被有效闡釋，未能深入研究各創新主體科技成果轉化鏈條。未來可通過高校科技成果信息披露機制、企業知識產權管理標準化流程等途徑，研究科研人員研發合作模式，賦能技術開發效率，為價值評估管理提供方向。