專利分階評價初選體系和應用研究領軍人才挖掘
——以中科院先進院專利篩選為例

張雪晨

(廣州產權交易所有限公司，廣東廣州 510010)

科技服務業是現代服務業的重要組成部分，2020 年科技部重點加大先進計算、新型健康業、科技服務業等領域的支持［1］，加大技術信息管理與研究對科技服務業具有前瞻意義。技術信息的重要載體是專利，衡量創新能力的重要指標看專利。《2020中國區域創新能力評價報告》表明，北京、廣東、上海、江蘇的基礎研究經費占全國基礎研究投入的比例超過50%［2］。廣東專利申請量、授權量穩居全國第一，2013 年至2019 年廣東專利申請量及授權量高速增長,專利申請量由26.4 萬件攀升至80.8 萬件,專利授權量則由17 萬件增長至52.7 萬件。兩項占比保持在17%～20%,顯著高于其他省（區、市）［3］。2019 年05 月，中國科學院深圳先進技術研究院（以下簡稱“先研院”）為面向應用的知識產權代理及綜合服務采購項目進行公開招標，為提高委托主體科技成果轉化能力和知識產權運營水平。本研究基于廣州產權交易所對先研院2007—2019 年的國內公開發明專利，運用維度方法提取客觀數據進行篩選。

在國外，20 世紀80 年代美國CHI Research 公司已開始文獻計量學方法的研究［4］，謝萍等［5］根據有限個評價對象與理想化目標的接近程度提出TOPSIS 排序方法，Reitzig［6］提出從專利文獻的全文中采用概率回歸法分析了獨立權利請求數、現有技術描述字數。Park 等［7］假設專利被引數量與專利的價值成正比并進行了驗證。Chiu 等［8］運用層次分析法(AHP)計算各指標的權重，并實際測量了具體專利的價值?？梢?，國外較早地將獨立權利請求數作為對象考察，并借助層次分析法測度專利價值。國內學術界主要在指標選取和相關體系構建上形成一系列觀點，楊武［9］以專利指標作為研究主題，用專利申請量和專利授權量評價國內高校專利情況，該類量化指標從上世紀末至今仍在沿用。邵勇［10］提出投入指標、產出指標、運營指標、保護指標和效益指標，并強調審查員引文重要性和指標搭建上的科學性，但在細分指標上人為判定因素居多，國家知識產權局知識產權發展研究中心和國家知識產權局專利局黃慶等［11］在專利數量、質量、價值三個方面構建了專利評價指標體系，運用加權評分方法得到綜合評價值，但其價值維度客觀統計值偏少，在專利評判上很難具有普適性。萬小麗等［12］建立了以技術、市場和權利三維度為主的專利價值評估指標體系,并用層次分析法計算指標的權重，李振亞等［13］援引Harhoff 等［14］于2003 年提出的技術創新度與獨立專利權要求數量相關，但獨權作用并沒有引起國內研究者的重視。王興旺［15］分析了專利審查員引文與專利發明人引文之間的差別及其對專利引文分析結果的影響，但是對發明人自引的分析并沒有涉及。原國家知識產權局專利管理司和中國技術交易所共同編寫了以法律、技術、經濟價值度為核心維度的專利價值分析指標體系［16］，在業內具有廣泛影響。肖冬梅［17］挖掘了申請人引文和審查員引文的區別特征，列舉了審查文件的類型，強調了審查引文的重要性，但在審查文件類型對專利價值方面沒有給出判定的優先級，田瑞強等［18］提供了一種基于專利數據的科技人才識別方法，從被引頻次、專利家族、保護范圍，先識別核心專利再定位發明人，其思路值得借鑒。張黎等［19］基于直覺模糊層次分析法的專利質量模糊綜合評價，相較于傳統層次分析，新方法更加客觀與精確，邱洪華等［20］基于權利要求數量、專利存活期及被引次數等分析，建立中美VOCs 治理技術專利質量比較，同時用到了Innography 專利分析指標的專利強度。以上研究結果涉及的客觀指標多數采用被引次數、權利要求數量和發明人數量以及專利壽命等，在指標選取上人為判定因素較多，部分體系的釋義中涉及含糊不清的描述詞，比如比較難于判定、較難規避，以及在技術價值度指標含義中的比較依賴其他技術、非常先進等［16］，諸如此類難以量化的用詞來打分，一定程度上造成了評估結果的不確定性。

綜上所述，國外學者提出的被引數、PCT 專利數與專利族大小、權利要求數、IPC 分類數及專利壽命等基礎指標長期影響著國內學者的分析判斷。作為綜合性評價體系中的組成要素，基于專利壽命和權利要求數等指標形成的分析結果與實際情況并不十分吻合，原有基礎數據形成的指標體系已很難滿足現實需要，專利文本及對比文件的信息挖掘還很欠缺，測度指標體系未見有更富邏輯、更深入和更全面的研究。主要問題表現在機構間要素不統一、代表性數據不多、指標成分長期變化、主觀判定因素較多，客觀的文本分析指標提取較難等，這些情況導致體系架構、分析方法再具科學性，其經驗、結論和數據均在后續研究中較難繼承和發展；另一方面，具有明確表征意義的指標沒有被足夠重視，比如：專利自引數、獨立權利要求數量、專利文本的特征度及專利審查數據中影響新穎性判定的文件類別等；同時，需要重視引入第三方工具實現專利分級與分類的判定，彌補客觀導出數據短缺的弊端。因此，在理順邏輯的前提下，需要重視知識產權在創造、運用、保護和管理維度的客觀指標挖掘，才能為服務維度提供可靠的數據資源。

本篇研究對客觀數據邏輯內涵以及量化數據采集、分析和提取做出相關解釋，基于層次分析法并確定各項指標的權重，建立分階評價指標體系。

1 專利分階評價初選體系的層級建立

1.1 分階初選體系構建基礎

構建專利分階評價初選體系是以發明專利文獻為主要依據，目的是挖掘專利數據背后應用研究領軍人才。首要工作是明確構建基礎和概念,本研究通過客觀數據的提煉和科技管理相關分析方法的運用，利用數據的采集、清洗、標識、整理，通過分級篩選和聚類分析對數據進行挖掘，遴選相關領域應用研究的領軍人才。

1.2 分階初選體系構建流程

2020 年9 月，廣東省政府出臺《關于培育發展戰略性支柱產業集群和戰略性新興產業集群的意見》，并逐一制定了20 個戰略性產業集群行動計劃（2021—2025 年）［21］。本研究通過對專利權人、研究組織、競爭對手和專利保護四個維度的分級篩選，再通過技術應用維度分類梳理，實現對應用研究領域人才的挖掘，依據科研漸進性和成果階段性特點，通過人才集聚筑牢產業集群的根基。

1978 年，錢學森［22］在全國力學規劃會議上談到，以宇觀、宏觀、細觀、微觀來區分客觀世界的數量級水平。本研究通過專利大數據下客觀數據的提煉，總結構建了分階初選體系的總計包含四個分級維度和一個分類維度，具體包括：專利權人創新階段、研究組織開發階段、市場競爭階段、專利保護階段以及技術應用分類，其中分類維度可以參照國民經濟分類、新興產業分類、DWPI 用途分類和IPC 等分類指標（如圖1 所示）。

圖1 專利分階評價初選體系和應用研究人才挖掘的構建流程

1.2.1 體系指標層級

把所要解決問題的不同側面進行分類，將每個類別建立不同維度，維度再用指標進行解釋和測度。具體內容見表1。

表1 專利分階評價初選體系構建指標體系

1.2.2 體系層級解釋

（1）自主創新階段。自主創新是實現我國創新驅動發展的重要舉措，創新的根本在人才。自主創新其實質就是自主技術創新。張云［23］對自主技術創新能力的重要因素及其相互間的作用程度進行了分析，為提升戰略新興產業自主創新能力提供了對策和建議。隨著我國科技成果轉化法律法規的修訂和相關配套改革措施的出臺，并通過條例和措施充分賦予單位管理科技成果自主權、建立盡職免責機制。自引可大致分為學科自引、機構自引、期刊自引和作者自引等多種形式，本研究針對專利的自引，視其作為技術應用創新的內在重要體現，自引數量的統計即將自身產出的前期知識資源在后續加以自我引用的客觀考察。對自身產出的前期專利的補充說明、延伸擴展、修正引錯［24］；同時，發明人主觀是否自愿做出同族布局的保護申請，是作為自主創新廣度的明顯表現。

（2）研究開發階段?？蒲薪M織是國家創新體系的重要組成部分，也是創新成果產出的重要源頭。研究開發離不開研究組織間的觀點借鑒和相互引用；這需要充分發揮知識產權激勵科技創新、保障成果權益、支撐治理體系的制度性作用，推動科研組織高質量發展。通過創新引領帶動研究組織能力的提升促進市場創新需求。該階段是研究組織的科研能力向現實生產力過渡中最為關鍵的一環。

（3）市場競爭階段。市場競爭力是以企業為主體的指標。與企業相比高校與科研機構的專利產出相對較少，參與市場競爭的專利作用較小。與市場追求盈利的環境相比，高?？蒲袡C構的原始創新不夠，解決重大問題能力不足［25］；如果專利權人提交材料本身缺乏新穎性和創造性，那么專利代理師只能靠檢索借鑒、嗅探對比、挖掘擴充獲得新的特征點來撰寫申請文件，而這些專利在審查環節雖然被通過，但是，由于缺乏原始創新，即便獲得授權也很難在真正意義上實現市場競爭的權利保護；而有原始創新的專利雖然被審查員提出異議甚至駁回，但是通過答辯或者復審，專利也可能獲得授權。因此，經過審查員引用、對比或復審、維權等獲得授權專利文件更值得關注，在專利審查對比過程中所標注的影響文件新穎性、創造性的類別也應該引起重視，可以考慮作為判定專利價值、市場競爭力和權利保護強度中的重要參考。

（4）專利保護階段。保護知識產權就是保護創新。人民法院確定專利權的保護范圍時，獨立權利要求的前序部分、特征部分以及從屬權利要求的引用部分、限定部分記載的技術特征均有限定作用［26］。專利的信息也是專利權利的信息。其撰寫質量決定科研團隊成果保護的強弱，影響權利要求保護的穩定，關系到市場競爭中訴求利益的多寡。對專利保護范圍的文本信息進行深度挖掘與分析，通過聚類不僅可以得到相關技術領域內關鍵術語的變化情況，還能發現相關技術領域的研究熱點，提供技術競爭情報資源的同時，又能提高科技成果轉化的效率、增強科技資源管理服務的效能。

（5）應用研究階段。應用研究的集聚就是人才的集聚。為響應廣東省“10+10”產業集群發展［21］，從專利的數據信息分維度、分層次、分階段梳理應用研究領域人才團隊的狀況，就要搭建起專利信息、人才數據與應用研究之間的映射關系，推斷出應用研究人才培養、引進與儲備情況。做好專利、人才和研究的有效映射是技術轉移和情報分析工作中不可或缺的步驟。

2 分階初選體系的指標構建

專利信息既是關于專利保護客體的內容信息，又是有關專利權利的信息，同時集技術信息、法律信息、經濟信息、戰略信息、市場信息于一體，是一種數據量巨大、內容廣博的重要信息資源。本研究運用信息學、科研評價方法結合提取專利題錄數據，形成四個分級維度和一個分類維度對應用研究人才進行挖掘。根據每個維度的所具備的客觀要素形成二級維度指標，設定二級維度的細分指標共計7項：指標的選取側重專利權人的原始創新、保護意愿、自引用和被引用專利文獻數量、審查員的對比文件和獨立權利要求數量及其專利文本所獲取的特征數，分類維度包括：國民經濟分類、新興產業分類、DWPI 用途分類以及第三方數據庫的分類數據等。

2.1 評價指標構建的基礎

2.1.1 客觀現實數據為基礎

專利登記信息具有一定的統一性和規范性，但處理原始專利文獻的數據量和信息量均比較龐大，必須用科學的方法進行分級、分類、標引、挖掘和整理，由此得到信息可以作為后續分析的有效依據。

2.1.2 行為動機分析是依據

以專利發明人的行為動機作為分析的起始步驟，能夠判定專利權人的主觀能動性，專利的自引信息可以表現出成果的來源，同族數據則直接關系到專利成果的保護廣度，對相關領域的研究組織的分階數據進行橫向對比，在技術應用維度形成具有參照性的數據，為研究組織間協作提供依據，為互補性研發提供參考。

2.2 評價指標構建的種類

2.2.1 專利權人

專利權人指標主要包括2個二級客觀統計指標。此指標著重考察專利權人自引用的動機和同族布局的意識。

（1）自引數。在20 世紀80 年代，學者王崇德就證實了自引是研究學科、期刊、科學論文作者、科學合作等問題的重要入口。從自引出發，可以定量考察科學社會中的著述動態和征兆，并以此來剖明一些科學社會的趨勢和規律［27］；自引的行為機制中既包含知識基因片段的復制和重組，主要表現在發明人的自主技術創新和融合，也包含知識基因片段的舍棄和修改，主要來自專利審查過程中的判定或質疑，它是知識個體引用自身產出的前期知識資源的行為。同時，隨著對專利引文研究的不斷深入，自引與技術行為、技術特征之間的對應關系逐漸明晰。因此，自引數據可以彰顯發明人對技術研究的深入度，對技術關注的持續度，以及技術研發路線的特征度。

（2）同族申請數。專利權人可以通過同族專利布局，拓展海外市場，規避出口貿易和技術侵權風險。同族專利（patent family）是指同一專利在多個不同的國家申請并獲準的發明內容基本相同的一組等同專利（equivalent patent）［28］，依據巴黎公約中一項專利文獻與其優先權的聯系，存在多種定義專利族的方式。由于專利申請可能會引用不同的優先權，因此，一項發明在不同國家申請會有不同，同時每個國家專利審查環節不同，導致專利權利要求及獲得的保護范圍也存在差異。即便如此，實證研究表明技術發展不同階段專利家族規模對專利價值的影響存在顯著差異［29］。通過對美、歐、中、日、韓、德等PCT 的人工改寫，本研究借助德文特數據庫DWPI 分類字段，清理專利權人和發明人并添加文本信息；PatSnap 數據庫也將PCT 申請、分案以及接續案也作為同族歸集的基礎，大多數專利數據庫都為采集同族申請數的題錄信息提供了下載的接口，這為該項數據的提取提供了便利。

2.2.2 研究組織

研究組織指標主要從一個方面進行客觀統計，包括被引用數1 個二級指標。該指標可以理解為專利層面的知識繼承對象，并可有效串聯知識共享的群體。

專利引證存在兩個方向，即引用（citing）和被引用（cited）。如果一份專利多次被后繼專利引用,這就表明該專利技術在其領域的質量比較高或者屬于比較基礎性的研究成果；同樣的,如果一份專利引用了這樣的專利,也可以說該專利是建立在比較高的基礎之上的［30］。知識的繼承很大程度依靠引用與借鑒，正確認識創新和繼承的關系,有助于研究活動的持續開展。專利引用關系就像技術與專利集合之間的紐帶。以目標專利為起點，一項專利技術如果被大量的專利技術引用，很大程度上說明該專利包含有重要的技術進步或開創性。通過引文的相互關系能夠揭示科技研究過程中內部的協作和外在的聯系，探索技術發展路線的規律，發現研究組織之間潛在的合作關系。專利引用量一定程度上反映某項技術的在相關領域的創新程度。因此，統計被引專利數量一直是領域內數據分析的重要參考。

2.2.3 競爭對手

競爭對手指標主要從專利的審查對比方面進行客觀數據統計，包括高相關度1 個二級指標。本節提出的指標要依靠專利審查員是否列舉過此類對比文件。同時，又要輔以審查文件類別加以判定。

一篇專利文獻通常會引用其他文獻或現有技術，可分為兩類，一類是申請人在說明書的背景技術部分提及的專利文獻，另一類是專利審查員在評估專利是否具備專利性時使用的專利文獻［31］。專利的高相關文獻在審查過程主要由審查員主導收集形成。它屬于一種易于查看，不易批量導出和分析處理的結構化信息。在此維度上所提取高相關數的過程，是在專利審查階段必須經歷的關鍵步驟，決定著專利的權力要求數量和實際授權的保護范圍。審查員作為本領域的技術人員，在專利審查過程中需要從現有技術中盡可能檢索出與該專利申請相關的文件以及判斷新穎性的抵觸性文件，比較專利新穎性、創造性和實用性（以下簡稱“三性”），用作不授予專利權、限制專利保護范圍或者支持專利合法地位的根據。因此，審查員判定專利三性是形成專利的重要環節。也體現了高相關度這一指標對專利分析挖掘的潛在價值，不同標識的對比文件其相關性也各異，詳見表2 所示。

表2 不同技術相關性程度所對應的參數符號與含義

2.2.4 專利保護

競爭對手指標主要從兩個方面進行客觀統計，共包括特征度和獨權度2 個二級指標。此指標著重考察代理機構對專利特征度上位提取的意識和獨立權利要求濃縮提煉的能力。

（1）特征度。正如我國《專利法》第二條第三款所述的技術方案，是指對要解決的技術問題所采取的利用了自然規律的技術手段的集合。技術手段通常是由技術特征來體現的［32］。特征在語義構造和設計中是指屬不同詞類的詞的特殊點，早在上世紀90 年代姚天順教授和張月杰就曾提出漢語文本自動分類模型，基于特征相關性的分類算法為核心。其自動分類算法是以規范化特征向量的構造、n重加權處理及相關性評價為基礎，在實現過程中,可將輸入分類文本轉換為多維特征向量,進行各項處理,為之后的相關性評價做準備［33］。在已有的研究成果中，針對專利文本的特征提取方法有很多，如：基于特征頻度，文本頻度，特征熵，互信息，信息增益，Chi-square，相關系數等［34］。在專利分析工具層面，索意互動提出了一種文獻價值獲取方法，通過檢索結果數據集利用引用邏輯或者被引用邏輯獲取目標文獻，利用在前和在后公開的文獻與目標文獻之間的相關度能夠客觀地計算出目標文獻的價值［35］。因此，如果專利的區別特征較多，那么專利保護范圍將相對較窄。專利代理師理應提煉出相對較少的特征度，確保能夠撰寫出對發明點保護范圍最大的權利要求。獲得保護強度高和不可規避性強的權利保護，提高專利的撰寫質量［36］。由此可見，特征度的提煉體現了專利撰寫的現實要求。

（2）獨權度。獨立權利要求數量能夠體現專利代理師挖掘專利特征的水平和能力。如果說明書是發明人定義其發明的技術詞典，是權利要求之母［37］。那么獨立權利要求就是權利要求之首。獨立權利要求是對說明書內容的高度概括，也是對每個重要的從屬權利要求的關鍵核心點的提煉；同時，說明書又是敘述發明技術方案實質的載體。其與權利要求的關系又受復雜法律規則的制約。這些因素均決定了確定專利保護范圍的難度［38］。采用從技術問題出發，挖掘必要技術特征的思維模式，能夠從說明書內容中提取較多項的獨立權利要求的能力，能客觀地反映出專利代理師能力和水平，也同時決定著專利的保護強度。

2.2.5 應用分類

應用分類指標主要從分類數方面進行客觀數據統計，此維度不同于以專利IPC 分類號為基礎的傳統的分析方式，本步驟需要結合前期的分級數據為條件，根據相關系數，進行統計和價制度測算，通過前面提到的四個分級維度，篩選得出專利相應分類維度下具體特征和內在聯系，從而挖掘出一批具有研發共性的專利組合以及背后的發明團隊。

相比國外學者Lerner［39］認為專利的IPC 號數量越多，說明專利的創新程度越高，則專利越有價值；胡成等［40］提出專利的IPC 號數量可以反映其技術領域覆蓋范圍，覆蓋范圍越廣，則該專利的市場應用范圍越大;業內的美國Dialog 公司于2009 年推出知識產權信息分析平臺Innography，該專利分析系統的文本聚類系統功能為專利的文本聚類可視化，而德溫特分類體系從應用性角度編制，已采用了Innography 中為文本聚類提供支持所使用的相同技術。新技術允許更多的交互式功能，如旭日圖和多個聚類分段的選擇。德溫特分類體系的這些做法將所有的技術領域分為3 個大類:化學(Chemical)、工程(Engineering)、電子電氣(electronic and electrical)；大類之下又分為部(Section)，共計33 個部，其中A-M歸屬于化學大類，P1-Q7 歸屬于工程大類，S-X 歸屬于電子電氣大類;部又進一步分為小類(Classes)，共計288 個小類［41］。整體結構延續至今，當今科研領域的交叉滲透性研究已經成為科研取得重要進展的必要條件。通過分類技術尋找應用研究的特征度，將同類型的研發路線重組和歸并，形成領域共性的集聚，從而實現對相關技術領域內企業的技術賦能。

3 權重確定及指標解釋

完成專利分階評價初選體系模型的構建后,需要對各級指標確定指標權重。其重要程度通過設置指標權重的多少來反映。再對指標模型附以指標權重即構成專利分階評價初選體系，該體系能夠直觀地反映出各個評價指標的數據特征。

3.1 權重確定步驟

層次分析法（Analytic Hierarchy Process，AHP）是美國學者托馬斯·塞蒂于20 世紀70 年代提出的一種多目標評價決策方法。而與其相近的網絡層次分析法（analytic hierarchy process，ANP）是塞蒂于20 世紀90 年代提出的一種適用于復雜結構的決策方法。層次分析法構建的是遞階式層次結構，而網絡分析法構建的是既存在遞階式層次又存在內部循環和相互支配的網絡結構［42］。本文采用層次分析法（AHP）對指標進行權重的確定。其基本思想是首先把一個復雜問題分解為不同的組成因素，然后就不同維度的因素通過與最低層次進行兩兩對比，從而得出各因素之間相對重要程度，相對于上層指標來說，需要判斷其下層各元素對其直接的影響程度,最后通過矩陣運算得到權重。

3.2 專利分階評價初選體系模型

四維分階初選總值=a1×專利權人+a2×研發組織+a3×競爭對手+a4×專利保護其中，a1、a2、a3、a4為權重，且a1+a2+a3+a4=1。

指標權重確定過程：

第一步：采用層次分析法確定上述權重a1、a2、a3、a4，通過6 個數值描述指標間的相互重要程度，如表3 所示。

表3 指標標度

第二步：制定判斷矩陣，各指標之間進行兩兩對比，按照1-9 份評價指標間的相對重要程度，如表4 所示。

表4 指標判斷矩陣

第三步：按照層次分析法的規則，對角線的數值為1（自己與自己比較），以aij表示第i個指標與第j個指標的對比（i行、j列），那么aij×aji=1。

以方根法計算權重，如表3 所示。

表5 指標權重測算

第四步：將指標權重代入模型中，得到：專利分階評價初選總值=0.392 5×專利權人+0.149 1×研發組織+0.298 2×競爭對手+0.160 2×專利保護，得出公開發明的分級數據。

第五步：因為每件專利可能劃歸到不同產業，按照產業分類的數據總量大于所分析的專利總量。根據新興產業分類和國民經濟分類，得出2007 年至2019 年先研院排名前8 的相關產業統計如表6 和表7 所示。

表6 2007—2019 年先研院發明專利的新興產業分類統計

表6（續）

表7 2007—2019 年先研院發明專利的國民經濟分類統計

表7（續）

通過前四步分階篩選數據，依照第五步專利所屬產業進行分類統計，以生物醫藥、新材料和智能消費設備制造領域進行實證分析。

4 實證結果分析

通過知網的文獻被引和下載量找出人才,可以通過被引專利的多少發現人才，在知網檢索先研院數據中，對高被引文獻進行排序，可以得出人才及技術領域，結果如表8 所示，所有高被引的論文文獻中，全部基于人工智能領域的研究，可見，從單一的被引用維度查詢到的結果具有局限性。

表8 對論文進行被引數統計得到的人才信息

運用同樣的方法再對先研院2007—2019 年的國內公開發明專利，同樣從單一的施引記錄數來統計，結果如表9 所示，先研院入選前十名數據中高被引專利全部集中在人工智能技術領域。并且從原始分析數據中，均存在影響其新穎性的對比文件，盡管通過被引數維度可以獲得相關的專利排名，但是結果顯示該批專利同族布局較少、獨權度較低，特征度較高意味著專利保護范圍較小,其中自引數較低。

表9 對施引數進行排序統計得到的人才信息

再從專利的第一發明人或者發明人等單一維度也可以識別相應的人才，結果如表10 所示。從論文引用數據和專利引用數據以及簡單通過專利的數量進行統計，可以發現不同的學術帶頭人在不同列表中的出現幾率或出現的次序存在較大差異。技術領域不同人才的挖掘手段也不同，查詢到的結果也不盡一致。

表10 排名前十位的第一發明人及發明數量統計

本研究通過德溫特的DI 數據庫、PatSnap 數據庫、索意互動（北京）信息技術有限公司開發的Patentics 系統和ISPatent 數據庫，借助Orbit 數據庫和律商聯訊數據庫中專利審查員的參考引文數據進行對比，對影響專利新穎性判定的類別進行標引，比較專利被其他發明專利或者相關文獻引用數據。因此，本文整理2007 年至2019 年先研院近六千項已公開發明專利數據，以專利審查員引文加發明人引文、被引文數據。通過德溫特DI 以及DDA 工具獲得DPCI 被引用數據進行分析判斷。由索意互動Patentic 工具對專利文本特征值和獨立權利要求數進行提取，最后按照國民經濟分類、新興產業分類以及德溫特分類代碼(DC)聚類對相關專利的用途進行分類，得出先研院排名靠前的專利組合，最終獲得“雙十”戰略性產業集群中應用研究相關部分專利組合。獲得先研院發明團隊的相關研究方向，定位得出生物醫藥與健康應用研究領域人才，如表11 所示。

表11 生物醫藥與健康應用研究領軍人才專利信息

智能機器人應用研究結果如表12 所示。

表12 智能機器人應用研究領軍人才專利信息

前沿新材料應用研究人才結果如表13 所示。

表13 前沿新材料應用研究領軍人才專利信息

從上述數據總結得出，論文引文數據主要反應撰寫人的學術影響力，專利總量主要體現發明人參與項目的多少，第一發明人的數據能夠揭示學術帶頭人對研究成果付出的程度，但是，發明專利量的多少并不能準確反應發明專利質的高低，定量的統計要結合定性的分析作出總結和判斷。本研究帶來的管理啟示意義在于，能夠通過自引數據表征應用研究者的專注程度，找出被引數據存在技術啟示專利，挖掘專利背后貢獻率較高的發明人，篩選出在撰寫和布局有保護意識的專利組合。經與先研院溝通，分階初選的方法所得到的數據與院方開展的應用研究實際情況相吻合，印證了數據的篩選與實際領軍人才發展情況相接近；同時也挖掘出前期對先研院作出較多付出的應用研究人才（如：朱定局、黃惠等），反映出研發過程中的價值產出，由此也引起后續的人才流動。由此，可以得出分階初選較好地解決了知識產權定性定量相結合的研究手段，以客觀信息為判定理由，向科技管理研究者提供參考，為知識產權量變到質變提供數據服務和支撐。

5 結論

2020 年科技部、國家知識產權局、教育部三部門多措并舉以專利為突破口，促進科技成果轉化，強化人才隊伍建設，建立知識產權全流程管理。科技部對科技活動在選題、研發、評估等環節提出明確的知識產權要求，建立科研活動知識產權清單制度，中國科學院也在探索實施專利集中管理運營，圍繞重要行業需求培育高價值專利群，本文主要從知識產權創造、運用、保護、管理和服務全鏈條上的相關特征指標入手，建立了一種基于層次分析法的專利分階評價方法，以四個分級維度和一個分類維度，將分級指標進行分類量化，令人才資源在國民經濟分類、新興產業分類及用途分類上進行呈現。相較于此前的洛特卡、h 指數和技術前沿識別等［34］，雖然也屬于先核心專利再找相應人才做法，但其主要集中在引文數據的直觀判斷，以及通過IPC 分類號直接確認核心技術，從專利文獻著者角度確定核心專利發明人，從而認為本領域的資深學者就是核心專利的考察對象。然而，本研究模型所涉及的人才識別方法不僅將分級與分類相結合，定性分析和定量分析相結合，使基于發明專利的分階評價指標體系在量化篩選、分級呈現、分階評價上具有客觀性、邏輯性和普適性。此分階模型可以服務于專利體量較大的國內外高校、研究所和企業。另外，不同數據庫對專利申請的年度統計信息不盡一致，在此情形下只能略去不確定的專利，這為篩選結果帶來一定影響。并且分階初選的指標梳理與評價結論尚未做到廣泛研討，后續分階評估模型將提高其精準性和實效性，進行理論擴充與合作應用，在實踐中驗證數據價值。同時，為健全重大項目知識產權管理流程，加大高質量專利轉化應用績效的評價權重提供參考，將專利量化篩選、專利分級、分類分析和應用領域人才挖掘串接成鏈，用數據形式匯聚應用研究領域高端人才，促進基于專利文獻的科技管理水平提高，服務相關戰略產業集群穩步發展。