基于高效用關聯(lián)規(guī)則挖掘的技術創(chuàng)新合作團隊發(fā)現(xiàn)
——以新能源汽車產(chǎn)業(yè)專利數(shù)據(jù)為例

武慶圓，楊智杰，張雪雯，朱 侯

(1.廣東金融學院互聯(lián)網(wǎng)金融與信息工程學院，廣東廣州 510521；2.中山大學計算機學院，廣東廣州 510275；3.中山大學信息管理學院，廣東廣州 510275)

合作研發(fā)是企業(yè)規(guī)避風險、高效創(chuàng)新的重要方式之一，它可以壓縮創(chuàng)新周期、節(jié)約成本。另外，通過技術創(chuàng)新合作可以幫助企業(yè)提高自身知識儲備，補全短板，發(fā)揮競爭優(yōu)勢。為此，各類創(chuàng)新主體均積極利用各種方式實現(xiàn)多類型的技術創(chuàng)新合作行為。專利是科學技術創(chuàng)新成果的最重要載體之一，其包含豐富的技術信息，如專利分類號可以反映技術創(chuàng)新領域的主要態(tài)勢，專利權人類型及合作行為可以了解競爭對手或合作伙伴的戰(zhàn)略意向及合作演化規(guī)律。

發(fā)展新能源汽車是我國從汽車大國邁向汽車強國的必由之路，也是應對氣候變化、推動綠色發(fā)展的重要舉措。2020 年國務院辦公廳印發(fā)的《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃（2021—2035 年）》表明國家推動新能源汽車產(chǎn)業(yè)發(fā)展的決心，到2025 年，我國新能源汽車市場競爭力需明顯增強，動力電池、驅(qū)動電機、車用操作系統(tǒng)等關鍵技術應取得重大突破，安全水平全面提升。到2035 年，純電動汽車應成為新銷售車輛的主流。我國“十四五”規(guī)劃中進一步提出，要加快壯大新能源汽車等新一代戰(zhàn)略性新興技術產(chǎn)業(yè)。為此，提升新能源汽車產(chǎn)業(yè)的技術創(chuàng)新能力成為產(chǎn)業(yè)界、學術界共同關注的問題。本文基于高效用關聯(lián)規(guī)則挖掘理論對新能源汽車產(chǎn)業(yè)開展實證分析，結果表明，將專利價值的評價模型與高效用關聯(lián)規(guī)則挖掘方法相結合，能夠極大提升技術創(chuàng)新合作團隊發(fā)現(xiàn)的召回率。另外，與傳統(tǒng)關聯(lián)規(guī)則挖掘方法相比，基于高效用關聯(lián)規(guī)則獲得的高價值團隊在分布數(shù)量、分布類型等方面呈現(xiàn)明顯優(yōu)勢。

1 文獻綜述

當前，許多學者從不同視角對創(chuàng)新主體間的合作網(wǎng)絡類型、合作演化機制、合作推薦機制等展開研究。一方面，學者積極探討創(chuàng)新主體的合作類型及角色演化，如魏來等［1］提出發(fā)明權人和專利權人的四種合作類型：指導式合作、權威式合作、支持式合作、推動式合作。Beaudry 等［2］認為創(chuàng)新主體的合作網(wǎng)絡有四種類型：高中心度發(fā)明人、明星發(fā)明人、重復合作、國際合作，并發(fā)現(xiàn)高中心度發(fā)明人和明星發(fā)明人對于專利質(zhì)量有積極的影響，而重復合作有負面影響。Lei 等［3］利用信息計量分析討論太陽能電池技術領域的三種合作類型在不同區(qū)域的表現(xiàn)：本地（同一城市)、國內(nèi)（同一國家的不同城市）和國際協(xié)作。Agostini 等［4］研究了三種合作網(wǎng)絡（聯(lián)盟、供應商、子公司）是否與專利自身的質(zhì)量和價值相關。Lee 等［5］構建了一種多指標體系模型，用于分析通信技術、生物技術、納米技術在發(fā)明人和受讓人之間協(xié)作方面的技術趨同和差異；另一方面，學者積極探索發(fā)現(xiàn)合作團隊、合作網(wǎng)絡的有效方法與模型，如寧子晨等［6］以數(shù)據(jù)挖掘領域的學術型發(fā)明人為紐帶，提出三類角度（專利主體、關聯(lián)詞、IPC）的關聯(lián)分析方法，探究數(shù)據(jù)挖掘領域內(nèi)專利文獻與學術論文的主體、主題關聯(lián)關系。李欣等［7］利用專利權人、發(fā)明人類研發(fā)主體，發(fā)現(xiàn)顛覆性新興技術研發(fā)合作網(wǎng)絡的演化特征分析模型，揭示新興技術研發(fā)合作團隊、合作網(wǎng)絡的動態(tài)演化特征。武蘭芬等［8］利用社會網(wǎng)絡分析法，從多維視角對中美3D 打印技術創(chuàng)新與合作團隊狀況進行比較研究。Park 等［9］基于書目耦合和潛在語義分析方法用于探索潛在的研發(fā)合作團隊。Pereira 等［10］通過社會網(wǎng)絡分析研究在生物技術方面申請專利的機構之間的合作態(tài)勢。綜上，現(xiàn)有研究主要基于信息計量、社會網(wǎng)絡分析等方法對合作類型、合作團隊的結構、態(tài)勢展開研究。基于關聯(lián)規(guī)則挖掘方法對專利主體的合作團隊展開研究的相對較少，現(xiàn)有研究主要將關聯(lián)規(guī)則與其他方法相結合對專利分類號進行共現(xiàn)聚類，進而用于推測新興技術熱點、技術融合現(xiàn)狀、技術發(fā)展趨勢等。如：Jun［11-12］利用關聯(lián)規(guī)則方法中的三個指標發(fā)現(xiàn)數(shù)據(jù)庫專利的技術空白點，并采用關聯(lián)規(guī)則挖掘和自組織映射對圖形領域進行技術預測及應用。Sangsung 等［13］將關聯(lián)規(guī)則挖掘、聚類分析、網(wǎng)絡分析相結合，用于發(fā)現(xiàn)不同國家對于稀土元素技術的關注程度上的差異及變化趨勢。Han 等［14］將信息熵、社會網(wǎng)絡分析、關聯(lián)規(guī)則挖掘方法相結合，用于發(fā)現(xiàn)信息通信技術領域的技術融合分布情況。

本文認為技術合作創(chuàng)新團隊的發(fā)現(xiàn)不應僅局限于某類方法模型。關聯(lián)規(guī)則挖掘方法適用于描述復雜的關系數(shù)據(jù)并發(fā)現(xiàn)其中的重要模式，能夠更全面地揭示和發(fā)現(xiàn)技術創(chuàng)新合作團隊。但隨著創(chuàng)新主體的合作類型和行為日趨復雜，傳統(tǒng)的關聯(lián)規(guī)則挖掘方法已較難全面地發(fā)現(xiàn)高價值的合作團隊［15］。針對上述問題，本文提出一種基于高效用關聯(lián)規(guī)則挖掘的技術創(chuàng)新合作團隊發(fā)現(xiàn)方法，通過結合專利價值的評價模型，能夠更加全面地獲得高價值的技術創(chuàng)新合作團隊。

2 高效用關聯(lián)規(guī)則挖掘的原理及模型構建

對于技術創(chuàng)新合作團隊的精準發(fā)現(xiàn)，傳統(tǒng)關聯(lián)規(guī)則挖掘算法（如Apriori 和FP-growth）雖已得到廣泛應用，但在發(fā)現(xiàn)項集的強關聯(lián)性時，它們尚未考慮項集頻次和項集的本質(zhì)性差異［16］。具體而言，上述方法將所有項集視為完全平等的個體，忽略了項集價值屬性間的差異，難以如實反映技術融合中的原始技術與衍生技術、基礎技術與應用技術、主流技術與邊緣技術間的差別。在包含銷售利潤的商品交易數(shù)據(jù)分析領域，Hong 等［17］提出了一種有效地尋找高平均效用項目集的挖掘算法，使用每個“事務”（即交易記錄）中“項集”（即商品）的最大效用的總和作為上限，估計項目集的實際平均效用，并分兩個階段處理它。兩步挖掘算法中的效用評估包括：對“事務”原始價值的計算和估值；對“項集”的價值計算和估值。高效用關聯(lián)規(guī)則挖掘方法的基本原理不僅考慮單個事務中項集出現(xiàn)的頻次，而且衡量項集間本質(zhì)差異性，該方法推測出的強關聯(lián)項集是實際效用較高的項目集合，而非傳統(tǒng)關聯(lián)規(guī)則挖掘推導出的高共現(xiàn)頻次的項目集合。受此啟發(fā)，本文提出基于兩步驟高效用關聯(lián)規(guī)則挖掘的合作項集發(fā)現(xiàn)方法，以更加全面地檢測目標產(chǎn)業(yè)中高價值的專利權人創(chuàng)新團隊，進而輔助創(chuàng)新主體獲得競爭優(yōu)勢，搶占優(yōu)勢機會。

2.1 “事務”的原始價值模型構建與實現(xiàn)

根據(jù)高效用關聯(lián)規(guī)則挖掘的原理，我們將每項專利等同于“事務”，每位專利權人等同于“項集”。專利有價值大小、質(zhì)量高低之分。專利價值可包括經(jīng)濟、市場、技術等多維度，學術界尚無明確統(tǒng)一的價值專利評價體系。本文從專利價值衡量過程的價值穩(wěn)定性和指標的可獲取性，考慮將同族專利數(shù)量、專利向前引證數(shù)作為衡量專利原始效用的主要依據(jù)。其中，同族專利是指根據(jù)同一發(fā)明創(chuàng)造，在多個國家或者地區(qū)進行的專利申請或者專利授權而形成的專利組合［18］，其是衡量專利市場、經(jīng)濟價值的一個重要指標。一般來說，同族專利數(shù)越多的專利，其專利價值可能越高［19］，其未來的市場潛力越大［20］。此外，專利向前引證即指專利被其他專利所引證，體現(xiàn)專利對后續(xù)技術的影響［21］。向前引證數(shù)越多，專利技術價值越高，則該專利相對于其他專利就越重要［22］。具體的價值計算流程如下：

對于專利i，定義專利i發(fā)表后第一年被引頻次為Ci，專利i發(fā)表后的被引總頻次為TCi，專利i的同族總數(shù)為TFi，則：

上式中，CPi衡量專利i的被引價值，F(xiàn)Pi體現(xiàn)專利i的專利同族價值，TPi表示專利i的原始價值，由被引價值和同族價值組成。

計算每位專利權人的平均利潤分布占比，EPi表示專利i的每位專利權人的價值分布，由專利i的原始價值與專利權人數(shù)量相除獲得，如下所示：

式（4）中，Ni代表專利i的專利權人總數(shù)。

Pk表示第k個專利權人的總價值，令Q為包含k的專利權人的專利集合，則：

2.2 “項集”的價值計算與模型實現(xiàn)

高效用關聯(lián)規(guī)則挖掘具體包含11 個計算步驟，通過計算最終得到高效用項集集合。

輸入：矩陣項集的分布情況。

（1）一組包含m個項的集合I= {i1,i2, …,im}，其中每個項ij都有利潤取值，即專利權人ij的價值Pj。

（2）一個事務數(shù)據(jù)庫D= {t1,t2, …,tn}，其中每個事務包括一定數(shù)量的項目集合，即每個專利對應的專利權人集合。

（3）最小平均效用閾值λ。

輸出：一組高平均效用程序項目集。

步驟1：計算每個事務tk中每一項ij的效用值ujk=qjk×Pj，其中qjk為j= 1,…,m,k=1,…,n時tk中ij的數(shù)量。

步驟2：求每一個事務tk中的最大效用值muk=max{u1k,u2k,…,umk}，其中k= 1,…,n。

步驟3：計算每一項ij的平均效用上限ubj，作為包含ij的事務的最大效用的總和：

步驟4：檢查項目ij的平均效用上界是否大于或等于λ。如果ij滿足上述條件，將其放入長度為1 的候選平均效用集合C1：

步驟5：設置r= 1，其中r表示當前候選平均效用程序項目集中要處理的項目數(shù)量。

步驟6：從Cr生成候選集Cr+1，其中Cr+1中的每個候選項中的所有r子項目集都必須包含在Cr中。

步驟7：計算每個候選平均效用 (r+ 1)-項目集的平均效用上界ubs，作為其中包括的事務s的最大效用的總和：

步驟8：檢查每個候選 (r+1)-項目集s的平均效用上界是否大于或等于λ。如果s不滿足上述條件，將其從Cr+1中移除。

步驟9：如果Cr+1為null，執(zhí)行下一步；否則，設置r=r+ 1，重復步驟6～9。

步驟10：對于每個候選平均效用項目集s，計算其實際平均效用值aus，如下所示：

其中ujk為事務tk中每一項ij的效用值，|s|為事務tk中每一項的數(shù)量。

步驟11：檢查每個候選平均效用項目集s的實際平均效用值aus是否大于等于k。如果s滿足上述條件，將其放入高平均效用項目集H中。

式（11）中C是所有候選平均效用程序項目集的集合。

通過上述價值評估及具體的步驟實現(xiàn)，最終可以得出具體的專利權人的價值效用判斷。整體的算法流程如下所示：

算法1：高效用關聯(lián)規(guī)則的算法流程

初始化：項集 I，其中第j 項為ij，其對應的利潤為Pj，第j 個事務為tj，最小平均效用閾值為λ 1.for j = 1, 2, …, m do 2.for k = 1, 2, …, n do 3.4.end for 5.end for 6.7.8.9.10.11.do 12.images/BZ_133_351_1020_369_1039.png13.14.15.16.while do 18.17.for 19.end for 20.

3 實證分析

本文從定量、定性兩類視角對高效用關聯(lián)規(guī)則挖掘、基于Apriori 算法的傳統(tǒng)關聯(lián)規(guī)則獲得的兩類團隊進行比較。首先，從定量視角，結合鏈路預測理論及相關評價指標，進行兩類團隊的推薦效果分析，以驗證高效用關聯(lián)規(guī)則挖掘的有效性；其次，從定性視角，對比分析兩類挖掘算法下專利權人的群體數(shù)量、人員類型、群體價值的異同，并從共現(xiàn)項集（2 ～10）分布進行規(guī)律總結和異同性分析。最后，總結分析新能源汽車技術產(chǎn)業(yè)的技術創(chuàng)新合作團隊的現(xiàn)有態(tài)勢，對比國內(nèi)外創(chuàng)新合作團隊異同，為我國新能源汽車產(chǎn)業(yè)高效技術創(chuàng)新提供服務支持與決策建議。

3.1 數(shù)據(jù)來源

參照《戰(zhàn)略性新興產(chǎn)業(yè)專利檢索手冊》，本文通過專業(yè)文獻和專家資訊從德溫特數(shù)據(jù)庫中獲取專利數(shù)據(jù)，最終確定具體的檢索式為：TI = (“hybrid electric vehicle*” OR “electric vehicle*” OR “plug-in electric vehicle*” OR “fuel vehicle*” OR “new energy vehicles*” OR “new energy automobile*”)OR TS = (“hybrid electric vehicle*” OR “electric vehicle*” OR “plug-in electric vehicle*” OR “fuel vehicle*” OR “new energy vehicles*” OR “new energy automobile*”)。原始專利文獻的檢索時間從2000 年1 月1 日至2015 年12 月31 日，獲 取 專利數(shù)據(jù)29 046 條，專利權人共23 017 人。考慮到專利權人的價值計算需考慮被引用頻次，我們設定原始專利被引用的截止時間為2020 年12 月31 日。此外，傳統(tǒng)的Apriori 關聯(lián)規(guī)則挖掘算法按照置信度為30%，支持度為3%得出相關結果用于對比分析。

3.2 評價指標

我 們 基 于2000 年1 月1 日 至2015 年12 月31日的合作團隊的預測結果與2016 年1 月1 日至2020年12 月31 日的實際專利權人數(shù)據(jù)開展定量實證研究，并采用精確率（Precision）、召回率（Recall）和F1 三種評價指標對合作團隊的預測有效性進行比較分析。若結果標記為出現(xiàn)和未出現(xiàn)，則具體有4 種可能的結果：實際為出現(xiàn)的并被預測為出現(xiàn)的數(shù)量為TP，實際為未出現(xiàn)但被預測為出現(xiàn)的數(shù)量為FP，實際為出現(xiàn)的但被預測為未出現(xiàn)的數(shù)量為FN，實際為未出現(xiàn)的且被預測為未出現(xiàn)的數(shù)量為TN。如表1 所示。

表1 混淆矩陣

三種評價指標的計算公式如下：

（1） 精確率是指正確預測為出現(xiàn)的占所有被預測為出現(xiàn)的比例，如下：

（2） 召回率是指預測為出現(xiàn)的數(shù)量占所有實際出現(xiàn)的數(shù)量的比例，如下：

（3）F1 是精確率和召回率的平均權重，越接近于 1 表示預測結果越好，越接近 0 表示預測結果越差。表示如下：

兩種方法得到的評價指標對比如表2 所示。

表2 評價指標對比分析

在多類指標綜合比較下，我們發(fā)現(xiàn)高效用關聯(lián)規(guī)則挖掘方法優(yōu)于傳統(tǒng)的關聯(lián)規(guī)則挖掘方法。前者在反映全面性的召回率（Recall）和F1 指標上均高于傳統(tǒng)方法，這反映了網(wǎng)絡體系中的信息被挖掘得越充分，預測的全面性越高；而在精確率（Precision）指標上，傳統(tǒng)關聯(lián)規(guī)則挖掘方法要優(yōu)于高效用的關聯(lián)規(guī)則挖掘方法，其原因可能是傳統(tǒng)關聯(lián)規(guī)則挖掘方法得到的專利權人在分布上較為集中（主要為機構），而高效用關聯(lián)規(guī)則挖掘得到的專利權人分布類型相對多樣，較多涉及到專利權個體，一定程度上稀釋了單位為主體的分布程度。關于兩類結果的具體分析和對比將在下文中詳細展開。

3.3 兩類規(guī)則的特征對比

（1）頻次統(tǒng)計分析。通過篩選和統(tǒng)計分析，我們選取前25%的效用值為截止閾值，并提取1 ～10項共現(xiàn)項集。相應地，傳統(tǒng)的關聯(lián)規(guī)則挖掘方法共得出1 ～6 項共現(xiàn)項集。兩類關聯(lián)規(guī)則的人群頻次對比如表3 所示。

表3 兩類關聯(lián)規(guī)則人群頻次對比結果 單位：人次

從表3 中可看出，在共現(xiàn)項集的挖掘深度上，高效用關聯(lián)規(guī)則的人群數(shù)量分布遠高于傳統(tǒng)關聯(lián)規(guī)則，并且傳統(tǒng)關聯(lián)規(guī)則挖掘方法得到的最大共現(xiàn)項集為6，而高效用關聯(lián)規(guī)則挖掘的最大共現(xiàn)項集為10。可見，高效用關聯(lián)規(guī)則的挖掘效率高于傳統(tǒng)關聯(lián)規(guī)則挖掘方法。

（2）核心團隊類型分析。關聯(lián)規(guī)則挖掘方法符合“如果一個項集是頻繁項集，則它的所有子集都是頻繁項集”的基本原理。為此，本文進一步統(tǒng)計分析了兩類規(guī)則的1 項集中專利權人的類型分布，如表4 所示。

表4 專利權人類型分布情況

高效用關聯(lián)規(guī)則的1 項集的核心群體覆蓋了專利權人的三種類型，其中以個人類型的高價值專利權人最多，表明專利技術創(chuàng)新的原動力主要來自于個人。此外，企業(yè)在高價值專利權人的頻次分布中排名第二，主要屬于日本、美國、歐盟三大地域。排名第三的是高校/科研機構，這類高校/科研機構主要包括：韓國嶺南大學、日本靜岡大學、名古屋大學、東京大學，中國天津大學、同濟大學、清華大學，日本三菱材料與東京研究所等；而傳統(tǒng)關聯(lián)規(guī)則只涉及企業(yè)這一種類型，具有較大的局限性。總體而言，高效用關聯(lián)規(guī)則不僅覆蓋了傳統(tǒng)關聯(lián)規(guī)則中的所有機構，而且在類型上更加多樣和綜合。高效用關聯(lián)規(guī)則在一定程度上實現(xiàn)了對目標產(chǎn)業(yè)的全面理解，不僅可以直觀了解新能源汽車行業(yè)的核心企業(yè)分布，同時基于個人、高校機構可深度了解其該行業(yè)的產(chǎn)學研、協(xié)同創(chuàng)新的發(fā)展態(tài)勢。

（3）高價值群體類型分析。由于高效用關聯(lián)規(guī)則1 項集對應的5 757 專利主體分布較為廣泛，本文從價值高、共現(xiàn)高兩個維度進一步精粹出48 位機構類專利權人，該群體不僅價值分布高，且全部出現(xiàn)在2 ～10 的項集分布中，說明是新能源汽車產(chǎn)業(yè)的技術創(chuàng)新的活躍群體，如表5 所示。

表5 高效用關聯(lián)規(guī)則挖掘下的核心企業(yè)分布

日本、美國、德國、歐盟等是新能源汽車領域的技術領先地區(qū)，且日本、美國為該技術領域優(yōu)勢國家。高效用關聯(lián)規(guī)則挖掘發(fā)現(xiàn)大眾汽車集團、寶馬汽車、戴姆勒集團、豐田汽車公司及專門提供汽車相關服務的博世集團、松下集團依舊是核心技術研發(fā)集團和機構。另外，核心群體也出現(xiàn)在高校機構，如靜岡大學和名古屋大學，而傳統(tǒng)關聯(lián)規(guī)則挖掘方法則主要集中于福特汽車集團、通用汽車集團、三菱汽車集團、豐田汽車集團、雅馬哈汽車有限公司等。通過對比兩類方法發(fā)現(xiàn)的核心集團可見，高效用方法在核心公司的群體發(fā)現(xiàn)上更全面。

3.4 兩類規(guī)則的共現(xiàn)項集分布對比分析

傳統(tǒng)關聯(lián)規(guī)則和高效用關聯(lián)規(guī)則對應的每條原始專利在價值上的差異明顯，傳統(tǒng)關聯(lián)規(guī)則的高共現(xiàn)專利權人涉及的專利原始價值分布范圍為0.01 ～0.02（原始效用取值范圍為：0 ～0.1）；而高效用關聯(lián)規(guī)則的高價值專利權人的專利原始價值分布處于0.04 ～0.05。

高效用關聯(lián)規(guī)則的挖掘結果不僅能夠體現(xiàn)傳統(tǒng)企業(yè)的技術價值，如豐田、本田、住友、福特等，同時能夠發(fā)現(xiàn)其他類型的高價值、潛在專利權人，如汽車發(fā)動機提供商（ATB 技術有限公司、愛信精機），新能源汽車電池提供商（鋰電池制造商A123、24 M 公司-半固態(tài)電池研發(fā)商），汽車零部件提供商（東海理化、半導體和電子元器件提供商J.S.T.MFG）等。而傳統(tǒng)關聯(lián)規(guī)則挖掘方法得到的核心專利權人主要集中于豐田、福特、住友等傳統(tǒng)的汽車重點企業(yè)，較少地發(fā)現(xiàn)新穎的高價值專利權人。相對而言，多類型的專利權人團隊能夠更全面、有效地反映機構之間的合作關系以及新能源汽車供應鏈的研發(fā)態(tài)勢，能更有效地發(fā)現(xiàn)高價值、多維度的技術研發(fā)創(chuàng)新團隊，從而實現(xiàn)精準跟蹤、監(jiān)控技術研發(fā)熱點和技術機會等目標，兩類算法的研發(fā)團隊如表6 所示。

表6 兩類算法的項集示例對比分析（節(jié)選）

4 結論分析和建議

4.1 全球視角下新能源汽車研發(fā)團隊分布

對新能源汽車行業(yè)的高效用關聯(lián)規(guī)則豐富的結果進行梳理、篩選發(fā)現(xiàn)在不同項集的結果中，有三類核心研發(fā)團隊表現(xiàn)一直非常突出：豐田集團（TOYOTA JIDOSHA KK）是世界十大汽車工業(yè)公司之一，其在2015 年發(fā)布的環(huán)境挑戰(zhàn)2050 全球戰(zhàn)略，指出未來將以汽車企業(yè)為中心，立足整個行業(yè)乃至整體社會生活形態(tài)的環(huán)境發(fā)展計劃。豐田集團未來規(guī)劃分為短期、中期和長期三個階段。短期目標是提高內(nèi)燃機燃效，擴充HEV（混合動力汽車）車型；中期目標是加快推進PHEV（插電式混合動力汽車）車型；長期目標是在2050 年消除發(fā)動機車型，使HEV 和PHEV 車型占總銷量的七成，F(xiàn)CV（燃料電池車）和EV（純電動汽車）占三成。同時，豐田集團與相關機構展開積極合作，2017 年與鈴木簽署業(yè)務合作備忘錄，2019 年與松下成立車載電池合資公司，2019 年與清華大學合作在北京成立研究機構，2019 與（北京）寧德時代新能源科技股份有限公司建立全面合作伙伴關系［23］。

同樣，在新能源汽車領域方面，通用汽車集團進一步相關布局規(guī)劃，2017 年，通用汽車針對中國市場新能源車的發(fā)展方向，提出將投入資金265 億元，在未來兩年投產(chǎn)一款純電動車型，到2020 年推出至少10 款新能源車型，預計通用汽車中國旗下凱迪拉克、別克和雪佛蘭三大品牌的新能源汽車年銷量總計或達15 萬輛；到2025 年別克、雪佛蘭和凱迪拉克旗下將近全部產(chǎn)品在華實現(xiàn)不同程度的電氣化技術，新能源汽車年銷量總計或達50 萬輛［24］。

汽車網(wǎng)絡技術研究所是日本一家研究新電源系統(tǒng)、信息的網(wǎng)絡及控制等核心技術目標的研究機構，其充分運用尖端技術，與住友電工、住友電裝合作，支撐著住友電工集團的束線系統(tǒng)業(yè)務。現(xiàn)在的束線事業(yè)，正處于混合動力汽車和電動汽車的市場擴大及追求節(jié)能、輕量化的環(huán)境對應；關系到汽車外部的信息化對應的發(fā)展中［25］。

以上三類團隊不僅和自身集團中各類分公司、子公司的研發(fā)合作非常緊密，同時與汽車的上下游企業(yè)機構的合作研發(fā)頻率、互動也非常頻繁，如豐田集團的技術研發(fā)對象中有電裝（DENSO）株式會社、日本愛信精機株式會社、松下電器產(chǎn)業(yè)株式會社、NIPPON JIDOSHA BUHIN SOGO、東海理化公司、日本索肯公司等；通用汽車集團有寶馬公司（德系豪華汽車品牌）、克萊斯勒集團有限責任公司等；汽車網(wǎng)絡技術有限公司有住友電氣工業(yè)株式會社、豐田自動車株式會社等。通過結合專利技術創(chuàng)新領域分析，本文進一步將三類集團專利技術領域分布進行對比，發(fā)現(xiàn)通用汽車集團、汽車網(wǎng)絡集團和豐田集團的技術研究領域主要分布于B 部、H 部和F 部。其中，通用汽車集團主要涉及B 部、H 部和F 部，汽車網(wǎng)絡集團主要涉及H 部（H01、H02、H05）和B 部，豐田集團主要涉及B 部和H 部，如表7 所示。

表7 不同集團技術領域分布

4.2 國內(nèi)視角下新能源汽車研發(fā)團隊分布

高效用關聯(lián)規(guī)則挖掘的高價值專利權人的分布中，公司機構大多隸屬于日本、美國、歐盟等地區(qū)，中國相對而言所占據(jù)比例較小，進一步分析發(fā)現(xiàn)隸屬于中國的公司機構分布如表8 所示。

表8 中國高價值專利權人分布情況

表8（續(xù)）

中國高價值專利權人的類型主要為公司和高校研究機構，同時傳統(tǒng)關聯(lián)規(guī)則挖掘得到的人群中只有3 家中國企業(yè)：比亞迪、奇瑞和馬自達。通過分析發(fā)現(xiàn)，在新能源汽車領域中，對于技術研發(fā)創(chuàng)新的關注團隊應不僅限制于汽車集團，相關的汽車零件提供商和高校也應列入重點監(jiān)控關注對象中。具體而言，中國的相關高校開始積極參與該領域的技術創(chuàng)新中，如清華大學、同濟大學、吉林大學、重慶大學和西安交通大學，它們具有較高的技術創(chuàng)新價值度。

通過全球及國內(nèi)視角對比分析，本文提出相關建議：（1）關注全球汽車頭部企業(yè)的技術創(chuàng)新進展：新能源汽車的技術創(chuàng)新門檻較高，該領域的高價值技術依舊集中在傳統(tǒng)的汽車頭部企業(yè)中，中國汽車頭部企業(yè)也已積極展開相關技術創(chuàng)新和探索。（2）發(fā)現(xiàn)創(chuàng)新團隊的合作類型：通過實證發(fā)現(xiàn)，高技術價值企業(yè)與相關科研機構的合作頻繁且緊密，相關企業(yè)應積極探索自身與高校等科研機構的合作深度、廣度的方法，更有利于提高創(chuàng)新效率，促進技術轉(zhuǎn)化產(chǎn)品的效率和方式。（3）精準了解行業(yè)創(chuàng)新技術領域：新能源汽車行業(yè)的技術類別依舊集中于B、H、F 領域，但在二級技術領域的分布上均有差異，領域創(chuàng)新機構可以進一步結合具體的技術創(chuàng)新領域，可更高效地發(fā)現(xiàn)合作伙伴和競爭對手。

5 總結與展望

本文從高效用關聯(lián)規(guī)則挖掘理論出發(fā)，提出并實現(xiàn)了一種兩步驟的高效用關聯(lián)規(guī)則挖掘方法。此外，以全球新能源汽車產(chǎn)業(yè)的專利數(shù)據(jù)為例，得到相應的高效用專利權人研發(fā)團隊，并將其與利用Apriori 傳統(tǒng)關聯(lián)規(guī)則挖掘方法的實證結果進行對比分析。結果表明，首先，高效用關聯(lián)規(guī)則方法可根據(jù)具體的戰(zhàn)略目標和價值傾向靈活調(diào)整專利效用的計算方式，從而可更精準發(fā)現(xiàn)目標高效用群體。其次，高效用關聯(lián)規(guī)則在發(fā)現(xiàn)高價值創(chuàng)新合作主體上更為全面、綜合，對挖掘出的合作團隊進一步分析可精準地跟蹤技術研發(fā)對手或發(fā)現(xiàn)合作對象，以至于為發(fā)現(xiàn)技術潛在機會、新興熱點帶來積極意義。

本研究存在的局限和不足：對于原始專利的價值效用確定，只選取了兩類指標參與計算，在未來的研究中，可以建立一個多指標體系的定性定量結合的價值判斷模型，使得對于專利價值的判斷更為全面。其次，可進一步引入時間維度，更為動態(tài)、全面地了解該行業(yè)的合作網(wǎng)絡演化過程和態(tài)勢。