基于機(jī)器學(xué)習(xí)的高校可轉(zhuǎn)化專利識(shí)別模型構(gòu)建與應(yīng)用＊

北京工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院 李建霖 李蘭琪

高校是科研創(chuàng)新的前沿陣地之一，其專利技術(shù)具有巨大的潛在價(jià)值。探索構(gòu)建高校可轉(zhuǎn)化專利識(shí)別模型，精準(zhǔn)鎖定具備技術(shù)轉(zhuǎn)移價(jià)值的專利，對(duì)提升高校專利轉(zhuǎn)化率，加快高校科技成果向產(chǎn)業(yè)界轉(zhuǎn)移具有重要意義。首先，融合高校特征，構(gòu)建四維一體的高校可轉(zhuǎn)化專利識(shí)別指標(biāo)體系；其次，選擇8 類機(jī)器學(xué)習(xí)算法建立高校可轉(zhuǎn)化專利識(shí)別模型；最后，以42 所“雙一流”建設(shè)高校的63340 項(xiàng)有效發(fā)明專利數(shù)據(jù)進(jìn)行實(shí)證研究。結(jié)果發(fā)現(xiàn)，極端梯度提升(XGBoost)算法和隨機(jī)森林算法的準(zhǔn)確率在85%以上，驗(yàn)證了模型的有效性；此外，前向引證次數(shù)指標(biāo)對(duì)高校專利的轉(zhuǎn)化影響最大。

高校作為我國人才、經(jīng)費(fèi)投入、平臺(tái)等科技創(chuàng)新資源的聚集地，在國家科技創(chuàng)新中占據(jù)重要地位，專利成果產(chǎn)出快速增長，據(jù)《中國統(tǒng)計(jì)年鑒-2021》顯示，2020 年授權(quán)的國內(nèi)發(fā)明專利中，企業(yè)占60.9%，高校占26.9%，科研單位與機(jī)關(guān)單位占8.3%。然而，我國高校科技成果應(yīng)用情況卻不容樂觀，在發(fā)明專利產(chǎn)業(yè)化率達(dá)34.7%的總體情況下，高校卻僅為3.8%。因此，探索如何在大量高校專利中識(shí)別具有轉(zhuǎn)化潛力的專利，有助于專利運(yùn)營管理部門及企業(yè)挖掘高校核心專利，也極大程度地促進(jìn)了高校專利轉(zhuǎn)化率的提升，對(duì)推動(dòng)我國科技成果產(chǎn)業(yè)化具有重要理論價(jià)值。目前在專利價(jià)值評(píng)估方面的研究已較為成熟，也有部分學(xué)者開始對(duì)專利可轉(zhuǎn)化性進(jìn)行探索，但多局限于專利轉(zhuǎn)化與其影響因素的相關(guān)性研究，未對(duì)可轉(zhuǎn)化專利的識(shí)別進(jìn)行深入探索，未形成系統(tǒng)性的專利可轉(zhuǎn)化性評(píng)價(jià)體系。本研究將基于專利的可轉(zhuǎn)化性建立系統(tǒng)性的多維評(píng)價(jià)指標(biāo)體系，采用機(jī)器學(xué)習(xí)方法構(gòu)建適用于大規(guī)模數(shù)據(jù)的我國高校可轉(zhuǎn)化專利識(shí)別模型，旨在系統(tǒng)化地為我國高校的專利可轉(zhuǎn)化性評(píng)估提供有益參考。

1 文獻(xiàn)綜述

1.1 可轉(zhuǎn)化專利的內(nèi)涵

Namuk Ko 指出，可轉(zhuǎn)化專利是兼具經(jīng)濟(jì)價(jià)值和技術(shù)價(jià)值的專利，可以通過交易實(shí)現(xiàn)專利潛力。現(xiàn)有研究表明，專利是否易實(shí)現(xiàn)轉(zhuǎn)化，取決于專利自身的內(nèi)在價(jià)值。根據(jù)許華斌等對(duì)專利價(jià)值內(nèi)涵的界定，專利價(jià)值主要包含技術(shù)價(jià)值、法律價(jià)值、經(jīng)濟(jì)價(jià)值三個(gè)方面。

1.2 可轉(zhuǎn)化專利指標(biāo)體系研究

通過文獻(xiàn)研讀可知，專利價(jià)值評(píng)估的指標(biāo)體系逐漸由單一維度評(píng)價(jià)向多維度評(píng)價(jià)發(fā)展。1999 年，Lanjouw和Schankerman 在大量數(shù)據(jù)的基礎(chǔ)上，選取引用次數(shù)、被引用次數(shù)和同族專利數(shù)等指標(biāo)構(gòu)建了單維度LS 模型。而后，專利價(jià)值評(píng)估的維度逐漸增加，劉清海等則基于反映專利某一方面特征的專業(yè)性指標(biāo)和全面反映專利價(jià)值的綜合性指標(biāo)建立了二維專利價(jià)值評(píng)估體系。李丹通過技術(shù)、法律和經(jīng)濟(jì)3 個(gè)維度的特征對(duì)專利價(jià)值進(jìn)行評(píng)估。劉勤等人則從專利、發(fā)明人和權(quán)利人3 維度的特征，形成了專利價(jià)值評(píng)估模型。此外，歐洲專利局使用的IPScore 工具更是從專利法律狀態(tài)、技術(shù)水平、市場條件、財(cái)務(wù)指標(biāo)和公司戰(zhàn)略5 個(gè)維度對(duì)專利價(jià)值進(jìn)行評(píng)估。

在多維度的專利指標(biāo)體系研究中，專利指標(biāo)體系的構(gòu)建多從技術(shù)、市場、法律3 個(gè)維度展開。鄭思遠(yuǎn)等在技術(shù)、法律、市場3 個(gè)維度的基礎(chǔ)上，加入主體維度指標(biāo)，將原始專利權(quán)人劃分為包含高校在內(nèi)的5 種類型，但只探究了不同原始專利權(quán)人在專利轉(zhuǎn)化中的特征與影響，并未深入探究高校內(nèi)部特征屬性對(duì)識(shí)別可轉(zhuǎn)化專利的作用。韓盟等提出高校專利能否轉(zhuǎn)移與其法律、技術(shù)和市場三種因素密切相關(guān)，在文獻(xiàn)調(diào)研的基礎(chǔ)上檢驗(yàn)并確定可轉(zhuǎn)移高校專利識(shí)別指標(biāo)。李睿等發(fā)現(xiàn)高校專利可轉(zhuǎn)化性與其文獻(xiàn)計(jì)量特征之間具有一系列相關(guān)關(guān)系，為建立識(shí)別可轉(zhuǎn)化高校專利的指標(biāo)體系提供來自文獻(xiàn)計(jì)量學(xué)視角的參考依據(jù)。陳振英等以高校專利數(shù)量、有效維持情況、被引用情況等為依據(jù)，評(píng)價(jià)高校專利轉(zhuǎn)化能力。

上述研究總體涉及范圍較廣，雖已取得階段性成果，為高校專利可轉(zhuǎn)化性評(píng)價(jià)提供了一些思路，但評(píng)估指標(biāo)維度較為單一，準(zhǔn)確性不夠高，難以完整全面地反應(yīng)專利可轉(zhuǎn)化性，且未考慮高校作為原始專利權(quán)人的屬性特征在專利轉(zhuǎn)化中的影響，目前尚缺少一套普遍適用的高校專利可轉(zhuǎn)化性評(píng)價(jià)體系。

1.3 可轉(zhuǎn)化專利識(shí)別的方法研究

目前關(guān)于可轉(zhuǎn)化專利的識(shí)別研究中，多通過專利價(jià)值來判斷專利是否易轉(zhuǎn)化，國內(nèi)外學(xué)者也從多角度對(duì)此展開研究，主要涵蓋以下三類方法：

1.3.1 基于傳統(tǒng)技術(shù)資產(chǎn)評(píng)估方法、期權(quán)法的可轉(zhuǎn)化專利識(shí)別

傳統(tǒng)技術(shù)資產(chǎn)評(píng)估方法中，主要使用重置成本法、現(xiàn)行市價(jià)法、收益現(xiàn)值法等。但是在應(yīng)用傳統(tǒng)技術(shù)資產(chǎn)評(píng)估方法時(shí)，主觀成分占比較大，需要評(píng)價(jià)者根據(jù)現(xiàn)有的評(píng)估環(huán)境，自主選擇適當(dāng)?shù)脑u(píng)估方法和參數(shù)。期權(quán)法為傳統(tǒng)技術(shù)資產(chǎn)評(píng)估方法的后續(xù)引入方法，期權(quán)法將專利權(quán)看成產(chǎn)品的看漲期權(quán)，并進(jìn)行專利價(jià)值評(píng)估。但是，基于傳統(tǒng)技術(shù)資產(chǎn)評(píng)估方法、期權(quán)法的方法存在評(píng)估價(jià)值偏低、專利可能不具備可比性、參數(shù)估算不準(zhǔn)確導(dǎo)致結(jié)果錯(cuò)誤的缺點(diǎn)。

1.3.2 基于綜合評(píng)價(jià)的可轉(zhuǎn)化專利識(shí)別

該類方法主要采用層次分析法和模糊綜合評(píng)價(jià)方法，綜合考慮了影響專利價(jià)值的主客觀因素，將定性分析與定量分析結(jié)合，充分考慮專利價(jià)值的時(shí)效性、模糊性和不確定性。如：趙輝等采用模糊綜合評(píng)價(jià)法對(duì)5G 專利進(jìn)行綜合評(píng)估。張黎等提出了利用模糊綜合評(píng)價(jià)法對(duì)專利質(zhì)量進(jìn)行評(píng)估的綜合評(píng)價(jià)模型。蔡祺祥等，利用模糊綜合評(píng)價(jià)法分析了影響專利轉(zhuǎn)化能力的核心要素。但是，基于綜合評(píng)價(jià)的方法由于需要對(duì)專利逐件評(píng)估，且對(duì)專家評(píng)估依賴程度較高，存在效率較低，主觀性較強(qiáng)的缺點(diǎn)。

1.3.3 基于機(jī)器學(xué)習(xí)的可轉(zhuǎn)化專利識(shí)別

機(jī)器學(xué)習(xí)由于其精確、迅速、自動(dòng)化、可自定義、規(guī)模化的優(yōu)勢(shì)，被許多學(xué)者應(yīng)用于專利價(jià)值評(píng)估的研究。國外學(xué)者如Trappey等人于2012 年首次利用BP 神經(jīng)網(wǎng)絡(luò)對(duì)專利價(jià)值進(jìn)行評(píng)估，并識(shí)別可轉(zhuǎn)化專利。Woo等采用貝葉斯結(jié)構(gòu)方程模型對(duì)專利價(jià)值進(jìn)行評(píng)估。Chung等利用深度學(xué)習(xí)對(duì)專利等級(jí)進(jìn)行評(píng)估。國內(nèi)學(xué)者如則趙蘊(yùn)華等利用決策樹、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)三種算法對(duì)專利價(jià)值的評(píng)估進(jìn)行測試，驗(yàn)證了機(jī)器學(xué)習(xí)在此方面的作用。而后，邱一卉等提出了一種基于分類回歸樹算法的專利價(jià)值評(píng)估指標(biāo)體系。王思培等構(gòu)建了基于隨機(jī)森林算法的潛在高價(jià)值專利預(yù)測模型。韓盟等基于貝葉斯理論和組合賦權(quán)法，提出了高校可轉(zhuǎn)移專利識(shí)別方法。此外，馬鑫探索了機(jī)器學(xué)習(xí)算法應(yīng)用于專利創(chuàng)造性輔助判斷的可能性。

2 高校可轉(zhuǎn)化專利識(shí)別指標(biāo)體系

本研究在既有研究的基礎(chǔ)上，基于可獲得性和可量化性從技術(shù)、法律、市場和高校主體四個(gè)維度遴選出一系列指標(biāo)，以構(gòu)建綜合考慮專利特征與高校屬性特征的可轉(zhuǎn)化專利評(píng)價(jià)指標(biāo)體系，具有較高綜合性與系統(tǒng)性，為高校可轉(zhuǎn)化專利特征識(shí)別奠定理論基礎(chǔ)。

2.1 專利技術(shù)特征

專利技術(shù)維度用于衡量專利的技術(shù)水平，既有研究發(fā)現(xiàn)專利技術(shù)水平受其技術(shù)交叉程度、影響力、可靠性與穩(wěn)定性等影響，本文依據(jù)引用選取了五個(gè)技術(shù)指標(biāo)：技術(shù)涵蓋范圍、前向引證次數(shù)、后向引證次數(shù)、發(fā)明人規(guī)模、專利優(yōu)先權(quán)。

2.2 專利法律特征

專利可轉(zhuǎn)化性與其法律特征同樣息息相關(guān)，根據(jù)已有研究選取五個(gè)法律維度指標(biāo)：專利保護(hù)范圍、訴訟情況、是否代理、交易情況、審查時(shí)長等。專利的保護(hù)范圍由獨(dú)立權(quán)利要求數(shù)量代表，權(quán)利范圍越大的專利，其價(jià)值更高。專利訴訟涉及高昂的費(fèi)用，因此被訴訟的專利往往具有更大的經(jīng)濟(jì)價(jià)值。專利代理機(jī)構(gòu)在許多方面都能夠?qū)＠|(zhì)量的提升起到積極作用。專利審查時(shí)間也可體現(xiàn)專利技術(shù)水平高低，專利申請(qǐng)的技術(shù)水平越高，審查的時(shí)間就會(huì)越長。

2.3 專利市場特征

針對(duì)專利的市場特征，研究選取內(nèi)部與外部指標(biāo)共四個(gè)：PCT 申請(qǐng)、同族專利數(shù)量、市場需求性、市場競爭性。PCT 國際申請(qǐng)?jiān)谝欢ǔ潭壬戏从沉藢＠夹g(shù)的重要性，通過PCT 申請(qǐng)的專利更有可能獲得廣闊的國際市場布局。專利同族指在多個(gè)國家、地區(qū)或組織申請(qǐng)的具共同優(yōu)先權(quán)的一組專利，更多的同族專利數(shù)量代表專利有更大的市場價(jià)值。市場需求性指同類專利在市場上的需求程度，專利主分類號(hào)下過往轉(zhuǎn)化專利數(shù)量越多，需求性越大。市場競爭性指同類專利市場的競爭激烈程度，專利主分類號(hào)下現(xiàn)存專利數(shù)量越多，其競爭性就越大。

2.4 高校主體特征

過往專利評(píng)價(jià)多從技術(shù)、法律、市場3 個(gè)維度展開，本文的研究對(duì)象為高校，其具有獨(dú)特的主體特征，因此在傳統(tǒng)的3 個(gè)維度中其中加入高校主體維度，并基于已有研究選取8 個(gè)指標(biāo)：申請(qǐng)人數(shù)量、申請(qǐng)人城市、校企合作、專利權(quán)高校專利有效率、專利權(quán)高校專利轉(zhuǎn)化率、專利權(quán)高校申請(qǐng)量、專利權(quán)高校專利年均被引用量。

綜上，構(gòu)建高校可轉(zhuǎn)化專利特征指標(biāo)框架，4 個(gè)維度下21 個(gè)指標(biāo)及其含義如表1 所示。

表1 高校可轉(zhuǎn)化專利特征及度量Tab.1 Features and measurement of transferable patents in Colleges and Universities

3 高校可轉(zhuǎn)化專利識(shí)別模型及實(shí)證研究

3.1 數(shù)據(jù)采集與處理

本文以2017 年中國教育部頒布的《“雙一流”建設(shè)高校名單》的42 所高校作為研究對(duì)象，通過IncoPat 數(shù)據(jù)庫檢索了42 所高校近五年（2016—2020）的70817 項(xiàng)有效發(fā)明專利。在刪除專利審查時(shí)長、申請(qǐng)人地址等信息缺失，平衡轉(zhuǎn)化集和未轉(zhuǎn)化集后，共獲得63340 項(xiàng)專利作為研究樣本。

3.2 描述性統(tǒng)計(jì)分析

首先，本文統(tǒng)計(jì)了42 所高校近五年（2016—2020）有效發(fā)明專利總量及轉(zhuǎn)化率，結(jié)果如圖1 所示。

圖1 各高校2016—2020 年有效發(fā)明專利總量及轉(zhuǎn)化率Fig.1 Total number and transfer rate of effective invention patents of each university from 2016 to 2020

對(duì)比各高校的有效專利總量和轉(zhuǎn)化率發(fā)現(xiàn)：（1）專利

總量方面，清華大學(xué)、哈爾濱工業(yè)大學(xué)、浙江大學(xué)、上海交通大學(xué)和西安交通大學(xué)的專利總量處于領(lǐng)導(dǎo)地位；（2）專利轉(zhuǎn)化率方面，重慶大學(xué)、哈爾濱工業(yè)大學(xué)、華東師范大學(xué)、北京航空航天大學(xué)、清華大學(xué)、西北工業(yè)大學(xué)、西安交通大學(xué)、上海交通大學(xué)、天津大學(xué)、東南大學(xué)、南開大學(xué)和北京大學(xué)共12 所高校，專利轉(zhuǎn)化率超過50%，其余高校專利轉(zhuǎn)化率相對(duì)較低；（3）總體而言，清華大學(xué)、哈爾濱工業(yè)大學(xué)、上海交通大學(xué)和西安交通大學(xué)的專利總量和轉(zhuǎn)化率均處于較高水平。

其次，將研究樣本根據(jù)是否轉(zhuǎn)化分為未轉(zhuǎn)化組與轉(zhuǎn)化組，各維度變量統(tǒng)計(jì)結(jié)果如表2 所示。

表2 可轉(zhuǎn)化專利特征描述性統(tǒng)計(jì)Tab.2 Descriptive statistics of the features of transferable patents

對(duì)比轉(zhuǎn)化組與未轉(zhuǎn)化組發(fā)現(xiàn)：（1）技術(shù)維度，未轉(zhuǎn)化組的前向引證次數(shù)和專利優(yōu)先權(quán)均值分別為0.001 和0.013，轉(zhuǎn)化組的前向引證次數(shù)和專利優(yōu)先權(quán)均值分別為0.459 和0.034，表明具備專利優(yōu)先權(quán)和高前向引證次數(shù)的高校專利更易發(fā)生轉(zhuǎn)化；（2）法律維度，轉(zhuǎn)化組的專利審查時(shí)長均值明顯高于未轉(zhuǎn)化組，表明專利審查周期長的高校專利更易發(fā)生轉(zhuǎn)化；（3）市場維度，PCT 專利和同族專利數(shù)量較高的高校專利更易發(fā)生轉(zhuǎn)化；（4）高校主體維度，轉(zhuǎn)化組的校企合作，高校地區(qū)研發(fā)投入和專利權(quán)高校專利年均被引量3 個(gè)指標(biāo)的均值明顯高于未轉(zhuǎn)化組。總體而言，未轉(zhuǎn)化組與轉(zhuǎn)化組在很多特征上存在較為明顯的差異，初步表明機(jī)器學(xué)習(xí)方法適用于高校可轉(zhuǎn)化專利的識(shí)別。

3.3 可轉(zhuǎn)化專利識(shí)別模型的算法選擇與精度指標(biāo)

3.3.1 可轉(zhuǎn)化專利識(shí)別模型的算法選擇

本文選取8 類機(jī)器監(jiān)督學(xué)習(xí)分類算法：（1）決策樹：決策樹算法具有易于理解和解釋、較高的分類精度等特點(diǎn)；（2）隨機(jī)森林：隨機(jī)森林算法具有不容易過擬合、處理高維特征輸入樣本無需降維和大量特征遺失時(shí)仍可以維持準(zhǔn)確率的特點(diǎn)；（3）樸素貝葉斯：樸素貝葉斯算法具有穩(wěn)定的分類效率等特點(diǎn)；（4）K 鄰近(KNN）：K 鄰近算法具有準(zhǔn)確率和可讀性高、理論成熟等特點(diǎn)；（5）邏輯回歸：邏輯回歸算法具有計(jì)算代價(jià)較低、運(yùn)行速度快和實(shí)現(xiàn)簡單等特點(diǎn)；（6）支持向量機(jī)：支持向量機(jī)算法具有泛化能力較強(qiáng)和適合解決高緯度的數(shù)據(jù)問題等特點(diǎn)；（7）Boosting：本文采用自適應(yīng)提升算法(AdaBoost)、極端梯度提升算法(XGBoost)和梯度提升決策樹算法(GBDT)。Boosting 算法具有改善弱分類器預(yù)測精度等優(yōu)點(diǎn)；（8）BP 神經(jīng)網(wǎng)絡(luò)：本文采用基于誤差反向傳播(Back Propagation)算法的神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行分類。該算法的學(xué)習(xí)過程包括信號(hào)的正向傳播和誤差的反向傳播兩個(gè)過程組成，具有自適應(yīng)性強(qiáng)、準(zhǔn)確率較高等特點(diǎn)。

3.3.2 可轉(zhuǎn)化專利識(shí)別模型的準(zhǔn)確率檢驗(yàn)

本文通過Python 3.9.0 實(shí)現(xiàn)上述8 類算法，并采用準(zhǔn)確率指標(biāo)來評(píng)價(jià)算法性能，相關(guān)計(jì)算方式如下：

其中：精確率和召回率的計(jì)算方式如下：

TP：測試集中，模型預(yù)測為可轉(zhuǎn)化專利，實(shí)際為可轉(zhuǎn)化專利的樣本數(shù)量；

TN：測試集中，模型預(yù)測不為可轉(zhuǎn)化專利，實(shí)際不為可轉(zhuǎn)化專利的樣本數(shù)量；

FP：測試集中，模型預(yù)測為可轉(zhuǎn)化專利，但實(shí)際不為可轉(zhuǎn)化專利的樣本數(shù)量；

FN：測試集中，模型預(yù)測不為可轉(zhuǎn)化專利，但實(shí)際為可轉(zhuǎn)化專利的樣本數(shù)量。

3.4 實(shí)證及結(jié)果分析

將研究樣本的63340 項(xiàng)專利作為實(shí)證數(shù)據(jù)集，并按照8∶2 的比例隨機(jī)劃分為訓(xùn)練集和測試集。各算法準(zhǔn)確率和F1 得分如表3 所示。

表3 準(zhǔn)確率及F1 得分Tab.3 Accuracy and F1 score

由表3 可得，可轉(zhuǎn)化專利識(shí)別效果較好的是極端梯度提升(XGBoost)算法和隨機(jī)森林算法，其準(zhǔn)確率和F1得分均達(dá)到85 以上。樸素貝葉斯算法、邏輯回歸算法和支持向量機(jī)算法的識(shí)別效果相對(duì)較差。

（1）隨機(jī)森林算法通過行抽樣和列抽樣2 個(gè)過程，保證了采樣過程的隨機(jī)性，并獲得抗噪聲能力。這使得該算法在降低過擬合概率的同時(shí)，又提高分類精度。此外，該算法能夠處理高維特征數(shù)據(jù)，無需做特征選擇，保留了數(shù)據(jù)的原始性值，對(duì)數(shù)據(jù)集的適應(yīng)能力強(qiáng)。

（2）極端梯度提升(XGBoost)算法對(duì)代價(jià)函數(shù)進(jìn)行二階泰勒展開，使其更為精準(zhǔn)地逼近真實(shí)的損失函數(shù)。同時(shí)，XGBoost 算法還加入了正則項(xiàng)來控制模型的復(fù)雜度，有利于防止過擬合，從而提高模型的泛化能力。

（3）選取XGBoost 和隨機(jī)森林算法，構(gòu)建高校可轉(zhuǎn)化專利識(shí)別模型，并計(jì)算各指標(biāo)的特征重要性，即：計(jì)算每個(gè)特征在每棵樹進(jìn)行分裂后平方損失的減少量的均值。再計(jì)算2 種模型各指標(biāo)特征重要性的均值。結(jié)果如圖2 所示，發(fā)現(xiàn)：前向引證次數(shù)的重要性最高，為0.5784；其次，專利審查時(shí)長、市場需求性、市場競爭性和后向引證次數(shù)比較重要；高校主體維度中，專利權(quán)高校專利年均被引量和專利權(quán)高校專利轉(zhuǎn)讓率對(duì)高校專利轉(zhuǎn)化的影響程度較高。

圖2 指標(biāo)特征重要性Fig.2 Feature importance of indicators

4 結(jié)論

本文從技術(shù)、法律、市場和高校主體4 個(gè)維度，選取21 個(gè)專利可轉(zhuǎn)化性識(shí)別指標(biāo)，以42 所“雙一流”建設(shè)高校作為研究對(duì)象，選取8 類(10 種)機(jī)器學(xué)習(xí)分類算法對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，以識(shí)別高校可轉(zhuǎn)化專利，得出：（1）極端梯度提升(XGBoost)算法和隨機(jī)森林算法的識(shí)別效果最好，準(zhǔn)確率高達(dá)86.45%和85.29%。（2）前向引證次數(shù)、專利審查時(shí)長、市場需求性、市場競爭性、后向引證次數(shù)在高校可轉(zhuǎn)化專利識(shí)別中，具有重要作用。（3）高校主體維度，專利權(quán)高校專利年均被引量和專利權(quán)高校專利轉(zhuǎn)讓率在高校可轉(zhuǎn)化專利識(shí)別中較為重要。

引用

[1] 中華人民共和國統(tǒng)計(jì)局.《中國統(tǒng)計(jì)年鑒-2021》[M].北京:中國統(tǒng)計(jì)出版社,2021.

[2] 國家知識(shí)產(chǎn)權(quán)局戰(zhàn)略規(guī)劃司(CNIPA).《2020年中國專利調(diào)查報(bào)告》[R].2021.

[3] 冉從敬,宋凱.高校可轉(zhuǎn)化專利識(shí)別模型構(gòu)建:以人工智能領(lǐng)域?yàn)槔齕J].情報(bào)理論與實(shí)踐,2020,43(11):79-85.

[4] 劉澄,雷秋原,張楠,等.基于BP神經(jīng)網(wǎng)絡(luò)的專利價(jià)值評(píng)估方法及其應(yīng)用研究[J].情報(bào)雜志,2021,40(12):195-202.

[5] 冉從敬,宋凱.高校專利價(jià)值評(píng)估模型構(gòu)建:以云計(jì)算領(lǐng)域?yàn)槔齕J].圖書館論壇,2021,41(1):91-98.

[6] 鄧潔,張彩鈴,李源信.高校專利質(zhì)量對(duì)專利轉(zhuǎn)化的影響效應(yīng)研究:基于“雙一流”高校的實(shí)證研究[J].情報(bào)雜志,2021,40(10): 200-207.

[7] 李睿,范九江.高校專利可轉(zhuǎn)化性與其文獻(xiàn)計(jì)量特征相關(guān)性研究[J].科技進(jìn)步與對(duì)策,2021,38(17):43-50.

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

[9] Ko Namuk,Jeong Byeongki,Seo Wonchul,et al.A Transferability Evaluation Model for Intellectual Property[J].Computers & Industrial Engineering,2019,131(MAY):344-355.

[10] 許華斌,成全.專利價(jià)值評(píng)估研究現(xiàn)狀及趨勢(shì)分析[J].現(xiàn)代情報(bào),2014,34(9):75-79.

[11] 胡元佳,卞鷹,王一濤.Lanjouw-Schankerman專利價(jià)值評(píng)估模型在制藥企業(yè)品種選擇中的應(yīng)用[J].中國醫(yī)藥工業(yè)雜志,2007(2): 148-150.

[12] 李清海,劉洋,吳泗宗,等.專利價(jià)值評(píng)價(jià)指標(biāo)概述及層次分析[J].科學(xué)學(xué)研究,2007,25(2):281-286.

[13] 李丹.專利領(lǐng)域市場支配地位的認(rèn)定:基于專利價(jià)值評(píng)估的角度[J].電子知識(shí)產(chǎn)權(quán),2018(5):21-29.

[14] 劉勤,楊玉明,劉友華.高價(jià)值專利評(píng)估建模與實(shí)證[J].情報(bào)理論與實(shí)踐,2021,44(2):122-127.

[15] 鄭思遠(yuǎn),王學(xué)昭.專利轉(zhuǎn)化視角下技術(shù)轉(zhuǎn)移特征指標(biāo)體系研究[J].圖書情報(bào)工作,2020,64(07):94-102.

[16] 韓盟,吳紅,李昌,等.高校可轉(zhuǎn)移專利識(shí)別研究:基于貝葉斯理論和組合賦權(quán)法[J].圖書情報(bào)工作,2021,65(5):118-125.

[17] 陳振英,陳國鋼,殷之明.專利視角下高校科技創(chuàng)新水平比較:“十一五”期間我國C9大學(xué)的發(fā)明專利計(jì)量分析[J].情報(bào)雜志,2013,32(7):143-147+96.

[18] 戴大雙,石紀(jì).技術(shù)資產(chǎn)評(píng)估的方法選擇研究[J].中國軟科學(xué), 2001(9):59-60+117.

[19] 王敬,李舒.知識(shí)型企業(yè)專利估值方法研究[J].管理學(xué)報(bào),2004 (3):341-345+247-248.

[20] 趙輝,肖翔.標(biāo)準(zhǔn)必要專利評(píng)估篩選研究:以5G專利為例[J].高技術(shù)通訊,2020,30(1):101-108.

[21] 張黎,李倩.基于直覺模糊層次分析法的專利質(zhì)量模糊綜合評(píng)價(jià)[J].科技管理研究,2019,39(07):85-92.

[22] 蔡祺祥,翟胡萍,王煒,等.基于層次分析法的多因素模糊綜合評(píng)價(jià)方法在專利轉(zhuǎn)化中的應(yīng)用[J].南京理工大學(xué)學(xué)報(bào),2018,42(4): 497-502.

[23] 宋凱.高校專利技術(shù)轉(zhuǎn)移價(jià)值評(píng)估研究:基于熵權(quán)TOPSIS模型和梯度提升樹算法[J].情報(bào)雜志,2021,40(7):52-57.

[24] TRAPPEY A J C,TRAPPEY C V,WU C Y,et al.A Patent Quality Analysis for Innovative Technology and Product Development[J].Advanced Engineering Informatics,2012,26(01): 26-34.

[25] WOO H Y,KWAK J,LIM C.A Study on Patent Evaluation Model Based on Bayesian Approach of the Structural Equation Model[J].Korean Journal of Applied Statistics,2017,30(06):901-909.

[26] CHUNG P,SOHN S Y.Early Detection of Valuable Patents Using a Deep Learning Model:Case of Semiconductor Industry[J].Technological Forecasting and Social Change,2020(158):1-9.

[27] 趙蘊(yùn)華,張靜,李巖,等.基于機(jī)器學(xué)習(xí)的專利價(jià)值評(píng)估方法研究[J].情報(bào)科學(xué),2013,31(12):15-18.

[28] 邱一卉,張馳雨,陳水宣.基于分類回歸樹算法的專利價(jià)值評(píng)估指標(biāo)體系研究[J].廈門大學(xué)學(xué)報(bào)(自然科學(xué)版),2017,56(2):244-251.

[29] 王思培,韓濤.基于隨機(jī)森林算法的潛在高價(jià)值專利預(yù)測方法研究[J].情報(bào)科學(xué),2020,38(5):120-125.

[30] 馬鑫.機(jī)器學(xué)習(xí)算法在專利創(chuàng)造性輔助判斷中的應(yīng)用研究[J].中國發(fā)明與專利,2021,18(9):70-79.

[31] 沈健.我國大學(xué)專利轉(zhuǎn)化率過低的原因及對(duì)策研究[J].科技管理研究,2021,41(5):97-103.

[32] JAFFE A B,RASSENFOSSE G D.Patent Citation Data in Social Science Research:Overview and Best Practices[J].Journal of the Association for Information Science and Technology,2017,68 (06):1360-1374.

[33] THOMAS P,MCMILLAN G S.Steven McMillan.Using Science and Technology Indicators to Manage R&D as a Business[J].Engineering Management Journal,2015,13(03):9-14.

[34] Dongsik Jang,Giuseppe Ioppolo,Jaehyun Choi,et al.A Predictive Model of Technology Transfer Using Patent Analysis[J].Sustainabili ty,2015,7(12):16175-16195.

[35] MARCO A C,SARNOFF J D,DEGRAZIA C.Patent Claims and Patent Scope[J].Research Policy,2019,48(09):1-17.

[36] 馬翔,張春博,楊陽,等.專利代理機(jī)構(gòu)對(duì)專利質(zhì)量的影響研究:基于對(duì)1997年發(fā)明專利整個(gè)保護(hù)期的追蹤[J].情報(bào)雜志,2019,38 (2):84-90+171.

[37] 李春燕,石榮.專利質(zhì)量指標(biāo)評(píng)價(jià)探索[J].現(xiàn)代情報(bào),2008(2): 146-149.

[38] Dietmar Harhoff,Frederic M Scherer,Katrin Vopel.Citations, Family Size,Opposition and the Value of Patent Rights[J].Research Policy,2003,32(08):1343-1363.

[39] 萬小麗,朱雪忠.專利價(jià)值的評(píng)估指標(biāo)體系及模糊綜合評(píng)價(jià)[J].科研管理,2008(2):185-191.

[40] 李雨濃,王博,張永忠,等.校企專利合作網(wǎng)絡(luò)的結(jié)構(gòu)特征及其演化分析:以“985高校”為例[J].科研管理,2018,39(03):132-140.

[41] 宋爽,陳向東.區(qū)域技術(shù)差異對(duì)專利價(jià)值的影響[J].科研管理, 2016,37(09):68-77.

[42] 鄧恒,王含.高校科技成果轉(zhuǎn)化的現(xiàn)實(shí)困境及解決路徑:基于專利質(zhì)量的實(shí)證分析與考察[J].中國高校科技,2021(Z1):124-128.

[43] 谷宇峰,張道勇,鮑志東,等.GBDT識(shí)別致密砂巖儲(chǔ)層巖性[J].地球物理學(xué)進(jìn)展,2021,36(5):1956-1965.

[44] 徐婷,張香,張亞坤,等.基于AdaBoost算法的貨車駕駛?cè)税踩珒A向性分類[J].安全與環(huán)境學(xué)報(bào),2019,19(4):1273-1281.

[45] 周政.BP神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀綜述[J].山西電子技術(shù),2008 (2):90-92.