高校專利可轉化性與轉化金額影響因素對比研究及其對高校專利分級管理的啟示

魏太琛 劉敏榕 陳振標

摘要：[目的/意義]對比研究高校專利可轉化性與轉化金額影響因素差異，是正確認識高校專利轉化潛力、對專利進行轉化前景進行預測和科學分級管理的前提，同時可以提升高校專利轉化效率和精準度。[方法/過程]以含有實際成交金額信息的高校轉化專利樣本和匹配的非轉化樣本為研究數據，基于同一套指標體系，分別采用多元線性回歸和二元logistic回歸模型對比研究高校專利可轉化性與轉化金額之間影響因素的差異。[結果/結論]高校專利可轉化性與轉化金額的影響因素差異較大，僅文獻頁數、專利引證數影響關系一致，其余7個指標均不一致；體現專利法律穩定性的指標對高校專利可轉化性具有更加顯著的促進作用，而體現專利申請時人力、物力、財力投入的指標對提高高校專利轉化金額的促進作用更強；從專利可轉化性與轉化金額預測值兩個維度構建的專利四象限分級管理模型可以讓高校專利分級管理工作更具針對性。

關鍵詞：高校專利可轉化性? ? 轉化金額? ? 四象限? ? 分級管理

分類號：G306

引用格式：魏太琛， 劉敏榕， 陳振標. 高校專利可轉化性與轉化金額影響因素對比研究及其對高校專利分級管理的啟示[J/OL]. 知識管理論壇， 2023， 8（2）： 92-103[引用日期]. http：//www.kmf.ac.cn/p/335/.

2021年9月，中共中央、國務院印發了《知識產權強國建設綱要（2021—2035年）》，提出要“改革國有知識產權歸屬和權益分配機制，擴大科研機構和高校知識產權處置自主權”[1]，這為高校推動科技成果轉化帶來了更大的政策自由度。但高校專利面臨著數量眾多、質量卻參差不齊的問題，如果采取無差別的管理機制推進成果轉化將會耗費龐大的人力、物力、財力資源[2]，因此打破高校專利管理“平均主義”、合理評估其轉化潛力并進行科學的分級管理，是高校科技成果轉化工作的必然之路。高校專利轉化是其將創新成果轉化為現實生產力的重要方式，本質上也是高校為其發明創造勞動獲取回報的過程。因此，從高校科技成果管理者、轉化人員和發明人的角度出發，高校專利轉化工作主要從兩個層面來考慮：一是專利可轉化性（轉化概率），即高校專利是否易于轉化；二是轉化金額，即高校專利轉化的收益預期。專利可轉化性和轉化金額共同決定高校專利的實際轉化價值。對高校專利可轉化性與轉化金額影響因素的差異進行對比研究，是正確認識高校專利轉化潛力、對專利進行轉化前景預測和科學分級管理的前提，對提升高校專利轉化效率和精準度具有較強的現實意義。

1? 研究綜述

專利轉化是高校發明創造走向產業化應用的重要途徑，是提高國家創新體系效能的關鍵。國內外對專利轉化實際工作中可轉化性和轉化金額兩個層面的問題已經進行了廣泛的研究，這些研究概括起來主要有3類，具體如下：

（1）側重于專利可轉化性的影響因素研究。J. H. Choi等[3]通過社會網絡分析、多元回歸分析和決策樹模型分析技術轉移的相關特征，指出技術關聯度、新穎性、參考文獻數量、被引用頻次對技術轉移均具有一定的影響；J. Ilyong等[4]以K研究院的轉讓專利為驗證樣本研究專利引用在技術轉化中的應用，結果表明通過專利引用分析可以識別技術的潛在用戶以達成專利轉化，但由于技術特點和企業規模效應，研究結果僅適用于B01J（化學或物理方法）和C07C（無環或碳環化合物）分類領域，無法證實可適用于其他領域；陳靜等[5]以42所一流高校為樣本，用二元邏輯回歸對影響高校專利技術轉移的特征進行實證分析，結果表明權利要求數控制在一定范圍、與其他專利界限明確、提早公開并盡快獲得授權的高校專利更容易被轉移；李睿、范九江[6]以S大學16 491項專利為研究樣本，通過差異分析和相關分析研究高校專利可轉化性與其文獻計量特征之間的相關性，發現高校專利可轉化性與其文獻計量特征之間具有一系列相關關系；吳紅等[7]以燃料電池和抗腫瘤藥物領域專利為對象，實證分析了專利文獻特征指標與專利轉移的相關性，結果表明高校專利的可轉移性特征表現為市場價值、能為企業帶來競爭力以及足夠的企業信任度；朱月仙等[8]從技術、權利、市場3個方面遴選專利產業化潛力評價指標，實證研究確定了一部分可用于評價國內外專利產業化潛力的指標。

（2）研究通過構建模型、數據處理分析以實現對可轉化性專利的識別與預測。H. Park等[9]采用TRIZ演化趨勢作為評估專利技術的標準，通過基于主題—動作—對象的文本挖掘技術來處理和自動分析專利大數據，以實現可轉化性專利的識別，并將該方法應用于漂浮式風力渦輪機相關技術，驗證了該方法的適用性；韓盟等[10]通過貝葉斯理論對高校可轉化性專利先進行初步篩選，再使用復相關系數—變異系數組合賦權法計算各識別指標權重，以計算專利的轉化概率，并根據概率值識別高校可轉化性專利；肖國華等[11]基于科技中介服務、專利技術產出、專利技術轉讓、轉移效果4個層面的21個指標構建了專利技術轉移評價指標體系，采用層次分析法和客觀賦權法相結合的方式確定指標權重，通過綜合指數評價法計算獲得專利技術轉移綜合評價值；冉從敬、宋凱[12]以人工智能領域為例，將LDA（Latent Dirichlet Allocation，隱含狄利克雷分布）模型與K-means算法結合，根據確定的專利技術主題與專利評估指標融合構建專利特征矩陣，利用AdaBoost算法構建識別模型用以識別高校可轉化性專利。

（3）聚焦專利轉化金額影響因素的分析。此類研究大多以能獲取專利交易、拍賣價格的專利為研究樣本，分析專利轉化金額影響因素。T. Fischer等[13]通過對Ocean Tomo平臺拍賣的專利特征進行分析發現，被引次數和同族數對專利拍賣金額有積極促進作用，IPC（international patent classification，國際專利分類表）分類數則有阻礙作用；魏太琛等[14]以11所一流高校已公示的專利轉化數據為分析對象，從法律、技術、市場、轉化方式4個層面設計解釋變量，通過多元線性回歸分析高校專利轉化金額的影響因素，結果表明，相比技術、市場和法律因素，轉化方式對轉化金額有更強的影響程度；李曦[15]分析了北京知識產權局登記的技術轉讓專利轉讓金額與專利文獻特征之間的相關性，結果顯示專利被引次數、權利要求數、同族專利數跟轉讓金額之間均具有顯著相關性；周雷[16]基于發明人知識水平及專利產出過程建立了專利價值影響因素模型，并以中國科學院2018年3月掛牌拍賣的專利為驗證樣本，研究發現專利拍賣金額與發明人位次及知識水平存在顯著相關性；錢坤等[17]在對江蘇省技術交易合同的研究中發現，權利要求數對企業專利交易金額有正向影響，而專利維持時間、IPC分類數、支付條款對高校專利交易金額有正向影響，其中IPC分類數對交易金額的影響與T. Fischer等[13]的研究截然不同，這也表明不同情境下專利交易金額的影響因素也可能不同，因此在專利轉化金額影響因素研究中，非高校專利樣本的分析結論不一定適用于高校專利。

總體來看，目前對高校專利可轉化性特性與轉化金額相關的研究仍處于相對割裂的現狀，研究出發點要么聚焦高校專利是否易于轉化，要么聚焦轉化金額，鮮有將二者結合起來，缺乏對二者的系統性研究和差異性分析。在目前的研究現狀下，高校對專利建立起來的評價體系大多是單個維度的，評價目標一般是專利價值（轉化金額）或專利轉化概率的一種，若以此指導高校專利轉化和分級管理工作，將不可避免地造成一定的片面性。因此，筆者將以含有實際成交金額信息的高校轉化專利樣本和匹配的非轉化樣本為研究數據，基于同一套指標體系，對比分析高校專利可轉化性與轉化金額影響因素的差異，并以此為啟示，探索以專利可轉化性與轉化金額預測值為維度的高校專利四象限分級管理思路。

2? 指標選取與實證研究

2.1? 指標選取

研究高校專利是否易于轉化、轉化金額大小的影響因素，關鍵在于構建科學、合理、公正的指標體系。在指標選取過程中主要考慮3個原則：首先，要保證指標數據易于獲取，實際指標值能夠直接通過數據平臺獲得或經過一定的數據處理得到；其次，指標對專利特征的體現應有明顯的指向意義，如權利要求數在一定程度上反映技術發明的保護程度，申請人數代表著專利合作創新的廣度；再次，由于本研究要對比高校專利可轉化性與轉化金額影響因素之間的異同，因此指標選取時應考慮到一致性，即兩個研究樣本的指標應一致，非轉化專利樣本無法獲取的指標不納入本指標體系。基于上述原則，通過廣泛調研以及對比分析國內外對專利評估指標的理論研究和應用實踐，從涵蓋專利本質特征的專利文獻出發，篩選出9項指標，包括權利要求數、同族專利數、首權字數、文獻頁數、專利引證數、專利被引次數、IPC分類數、申請人數、發明人數，如表1所示。

筆者分別通過兩個模型分析高校專利可轉化性與轉化金額的影響因素。在分析高校專利可轉化性影響因素時將專利是否轉化設為因變量，已轉化值為1，未轉化值為0。在分析高校專利轉化金額影響因素時將轉化金額設為因變量。對于組合專利（專利包）交易的專利，每件專利的轉化金額按均值計算，即：

其中，PSIG為組合專利中每件專利的轉化金額，PALL為整個專利包的總轉化金額，N表示專利包中專利個數。

2.2? 實證研究

2.2.1? 數據來源

2015年修訂通過的《中華人民共和國促進科技成果轉化法》提出：“國家設立的研究開發機構、高等院校對其持有的科技成果，可以自主決定轉讓、許可或者作價投資，但應當通過協議定價、在技術交易市場掛牌交易、拍賣等方式確定價格。通過協議定價的，應當在本單位公示科技成果名稱和擬交易價格。”國內高校科技成果轉化部門紛紛建立起相應的信息公開機制，及時公示科技成果轉化情況。本研究中高校轉化專利樣本來自對國內一流高校在其科技成果轉化公示平臺上公開數據的手工收集與整理。具體地，通過公開途徑逐一訪問國內一流高校科技成果轉化公示平臺，逐條獲取轉化專利申請號、轉化金額數據，并在incoPat（合享全球專利數據庫）獲取相應的專利文獻特征指標。樣本專利僅含可通過公開途徑獲取的數據，由于一部分一流高校未公開專利技術成果轉移情況，一部分高校的公示平臺僅校園內網可見，外網無法訪問，均無法獲得數據，最終共獲得來自11所一流高校共2 564件轉化專利數據（見表2）。上述數據構成了轉化金額影響因素研究樣本（以下簡稱“轉化金額樣本”）。為了研究高校專利可轉化性影響因素，本研究匹配了相應的非轉化樣本，由于前述11所一流高校在2013年之前授權的專利占比不足10%，兼顧到專利轉移的時滯問題，同時考慮到已轉化的專利中發明專利占比超90%，因此本研究將2014—2018年間前述11所一流高校未轉化的授權發明專利作為相匹配的非轉化專利樣本，共計19 644件非轉化專利。轉化金額樣本和相匹配的非轉化專利樣本共同構成了高校專利可轉化性影響因素研究樣本（以下簡稱“可轉化性樣本”）。

樣本數據來自復旦大學、華中科技大學、華東師范大學、華南理工大學等11所一流高校（見表2），高校類型覆蓋較為完整，樣本量大，涉及的技術領域廣，具有一定的代表性。

2.2.2? 描述性統計

轉化金額樣本、未轉化樣本、可轉化性樣本下各指標描述性統計結果見表3。轉化金額樣本描述性統計結果顯示，研究樣本高校每件專利平均轉化金額為60.66萬元，而中位數僅10萬元，不同高校不同專利之間轉化金額“貧富差異”較大。為對比轉化金額樣本與未轉化樣本指標特征差異，筆者計算了各自變量均值并進行獨立樣本T檢驗（見表3）。檢驗結果表明，除了專利引證數，其余8項指標在轉化金額樣本與未轉化樣本間均存在顯著差異。

2.2.3? 相關性檢驗

為進一步檢驗各項指標之間的相互作用以及是否存在多重共線性問題，分別對轉化金額樣本和可轉化性樣本進行變量相關分析及多重共線性檢驗，結果見表4和表5。兩個樣本自變量之間的皮爾遜相關系數均不超過0.4，容差均大于0.7，且方差膨脹因子（variance inflation factor， VIF）均小于3，說明模型設計得當，兩個樣本各變量之間不存在嚴重多重共線性問題，可進一步進行回歸分析。

2.2.4? ?回歸分析

在研究專利轉化金額影響因素時，因變量是連續變量（轉化金額），而在研究專利可轉化性影響因素時，因變量為二分類變量（專利是否轉化）。因此，筆者采用多元線性回歸模型分析各變量對高校專利轉化金額的影響程度，用二元logistical回歸模型分析各變量對高校專利可轉化性的影響程度，回歸結果見表6。多元線性回歸模型顯著性水平（Prob>F）為0.000<0.05，通過顯著性水平檢驗（F檢驗），說明該回歸模型自變量與因變量之間存在顯著線性相關。二元logistic回歸模型中Omnibus檢驗P值為0.000，模型系數檢驗通過，Hosmer-Lemeshow檢驗卡方統計值小于卡方臨界值，顯著性大于0.05，顯示模型能較好地擬合整體。回歸結果表明，僅文獻頁數、專利引證數2項指標對高校專利是否轉化與轉化金額的影響關系一致，權利要求數、同族專利數、首權字數、專利被引次數、IPC分類數、申請人數、發明人數7項指標影響關系不一致。下面將對結果進行進一步探討。

（1）權利要求數對高校專利可轉化性有顯著正向影響，但對轉化金額無顯著影響。專利文獻中獨立權利要求和從屬權利要求所構成的權利要求數，是確定專利權保護范圍的核心依據[27]。目前，大部分高校專利只有一個獨立權利要求，因此，本文權利要求數主要體現從屬權利要求的數量。權利要求數越多，意味著專利權人對專利技術進行層層保護，對技術保護考慮越周到和縝密，防止他人改進技術發明或進行規避設計，可以有效地抵御專利無效攻擊，專利的穩定性越強，對專利轉化越有促進作用。

更多的權利要求數雖然增強了專利穩定性，但同時也犧牲了一定的專利保護范圍，根據本文分析結果綜合來看，其對專利轉化金額大小并沒有明顯的預見性。更多的權利要求數可以讓高校專利更易轉化，但與是否能提高專利轉化金額，并沒有必然的聯系。

（2）首權字數對高校專利可轉化性沒有顯著影響，但對轉化金額有顯著負向影響。首項權利要求記載了解決技術問題的必要技術特征，反映專利的整體技術方案，篇幅越長，主要技術方案越復雜，已有研究表明首權字數將首先顯著影響到專利的授權[19]。大多數的高校轉化專利都為已授權專利，對于專利受讓者來講專利能否授權自然不在其考慮范疇之內，因此首權字數與高校專利是否易于轉化不存在直接關聯。但對于被擺上談判桌的高校專利，首權字數越多，意味著權利要求保護范圍越小，越容易被規避，相似的技術發明越容易被創造出來分割市場蛋糕，專利的經濟效益會直接受到影響。因此，首權字數對高校專利轉化金額有一定的抑制作用。

（3）文獻頁數對高校專利可轉化性和轉化金額均有顯著正向影響。說明書是對專利結構、技術要點、實施方法做出詳細、清晰介紹的文獻或出版物。已有的實證研究表明，文獻頁數越多，專利生存風險越低，越有利于專利的維持[28]。文獻頁數越多，表明申請人對專利技術方案的公開越詳細，對技術實施路徑的描述越完整，越容易被高校專利轉化的受讓主體（企業）接受。因此，文獻頁數不但能夠促進高校專利轉化，同時也能對高校專利轉化金額起到正向影響。

（4）專利引證數對高校專利可轉化性和轉化金額均無顯著影響。專利引證主要體現在申請人申請時引用的背景技術以及審查員在審查過程中引用的文獻，體現了技術的發展脈絡，是技術轉移和知識流動的展示。一件專利獲得授權，表明其引用的在先創造均沒能破壞其專利性，專利引證數越多，說明其專利性越經得起考驗，K. Cremers等[29]的研究也支持上述專利引證數對法律穩定性起到正向作用的說法。但從專利侵權判定“全面覆蓋”原則的角度考慮，專利引證數是專利排他性力度的負面指標，引證數多將會影響到專利的排他性，進而影響其價值。綜合來看專利引證數對專利價值的影響無明確的概率關系，本文分析結果也表明專利引證數與高校專利是否易于轉化、轉化金額高低之間并不存在必然的聯系。

（5）專利被引次數對高校專利可轉化性有顯著正向影響，但對轉化金額無顯著影響。專利被引用意味著知識的溢出，反映了對后續技術創新的影響力，在法律層面體現為對后續專利的限制作用。本文分析結果表明，被引次數對高校專利可轉化性有正向促進作用，且回歸系數較大，影響顯著，從表6中logistic回歸的Exp（B）值可以看出，被引次數增加1次，專利轉化概率就增加1.75倍。雖然被引次數在高校專利轉化時有積極影響，但它與轉化金額之間不存在統計意義上的關系，這也支持了T. Fisher等[13]關于專利被引次數指標對專利價值解釋程度較低的研究結論。

（6）同族專利數對高校專利可轉化性有顯著負向影響，對轉化金額卻呈現顯著正向影響。同族專利是專利權人在不同國家（地區）申請的具有共同優先權的一組專利，是讓發明在全球范圍獲得保護的主要手段，需要申請人付出更多的時間、資金和人力成本，專利權人對這些專利轉化的期望值較高。而對于承接高校轉化專利的主體（企業）來講，如果沒有走出國門的市場計劃，更多的地域保護對它意味著更多的溢價。因此，同族專利數高的高校專利，專利權人的期望和企業所能提供的需求報價之間匹配難度大，成果轉化也意味著更為艱辛的找尋與談判，“買家”難尋。所以，正如本文分析結果，同族專利數對高校專利可轉化性有顯著的抑制作用。當同族專利數高的專利一旦找到合適的“買家”，其技術投入、國際市場的價值優勢就自然呈現出來，其對轉化金額的影響就表現為顯著的促進作用，其回歸系數值大大高于其他指標（見表6）。

（7）申請人數對高校專利可轉化性有顯著負向影響，對轉化金額卻無顯著影響。高校專利申請人數代表著高校與高校、科研機構、企業之間的合作創新的廣度。與單一專利權人的高校專利相比：一方面，多專利權人專利在轉化過程中處置權更分散，轉化收益的分配更加復雜；另一方面，很多高校合作申請專利都已由所合作的企業來實施，進一步轉化給其他實施主體的意愿可能不強。從表6分析結果可以看出，申請人數對高校專利可轉化性呈顯著負向影響，且回歸系數較大，與其他指標相比，負向影響更為強烈。但對于專利受讓方而言，更關注的是專利的技術、法律和市場價值，而非申請人數的多少，申請人數與高校專利轉化金額并沒有必然的聯系。

（8）發明人數對高校專利可轉化性有顯著負向影響，對轉化金額卻呈現顯著正向影響。專利創造是發明人之間進行資源共享、優勢互補、思想碰撞的過程。發明人數量越多意味著更廣的資源共享互補、更強的思想碰撞，產生的專利技術復雜程度也越高[25]。專利的知識深度和技術復雜度直接關系到其技術價值，進而影響到專利價值。因此，發明人數對高校專利轉化金額有著明顯的促進作用。但在高校專利轉化的實踐操作中，發明人數對專利可轉化性卻呈現出與轉化金額截然相反的影響，它對轉化金額有著顯著的負面影響。這可能有多方面原因，如是否是由于發明人數的增多讓推動專利轉化的發明人力量更加分散、合力不足，還有待進一步研究。

（9）IPC分類數對高校專利可轉化性有顯著正向影響，但對轉化金額無顯著影響。國際專利分類（IPC）是根據專利文獻技術主題以功能性分類為主、應用性分類為輔的分類系統，IPC分類數可以用以反映專利的通用性（專利應用范圍）和技術復雜性（技術擴散和技術融合）[30]。對于高校專利而言，更多的IPC分類數代表著技術更復雜，這對專利受讓方可能有著更強的吸引力，更容易促進轉化。但專利轉化一旦進入合同金額談判階段，IPC分類數與轉化金額之間并沒有顯著關聯。

3? 研究啟示

3.1? 高校專利四象限分級管理模型構建

由前文分析可知，高校專利可轉化性與轉化金額之間的影響因素差異較大，9個專利文獻特征指標中僅有2個影響關系一致，其余均不一致，同族專利數、發明人數對高校專利可轉化性與轉化金額更是呈現出截然不同的影響。容易轉化的高校專利不一定“賣得貴”（轉化金額高），能夠“賣的貴”的高校專利不一定“好賣”（易于轉化）。基于此，筆者從專利可轉化性與轉化金額預測值兩個維度出發，提出了高校專利四象限分級管理模型。

分別構建可轉化性模型Y和轉化金額預測值模型P，具體如下：

Y=f（w1，w2，w3，……，wm，q1，q2，q3，……，qn）

P=F（w1，w2，w3，……，ws，q1，q2，q3，……，qt）

其中，w1，w2，w3，……，wm （ws）表示專利文獻特征指標，q1，q2，q3，……，qn （qt）表示非專利文獻特征指標。由于高校專利可轉化性與轉化金額影響因素的差異性，模型Y和模型P在指標選取和相應權重系數設置時均會存在不同。分別設置可轉化性閾值Y'0、轉化金額閾值P0'，各高校可根據自身情況參照已有實際轉化數據（轉化專利占比、轉化金額大小）按百分位數計算相應的閾值Y'0、P0'。計算高校待分級管理專利可轉化性Y和轉化金額預測值P，以Y'0、P0'為界建立四象限圖，區域劃分為：第Ⅰ象限（Y≧Y'0且P≧P0'）、第Ⅱ象限（Y≧Y'0且P

3.2? 高校專利四象限分級管理策略

波士頓矩陣（BCG Matrix）又叫四象限分析法，是由美國管理咨詢公司波士頓咨詢集團于20世紀70年代提出的一種企業產品評價工具，它最初采用市場增長率和市場占有率兩個維度將產品劃分為不同前景的類型：高增長高占有的明星類產品、低增長高占有的金牛類產品、高增長低占有的問題類產品、低增長低占有的瘦狗類產品。筆者借鑒波士頓矩陣的產品定位及管理思路，根據前述四象限分級管理模型，將高校專利分為明星專利（第Ⅰ象限）、金牛專利（第Ⅱ象限）、瘦狗專利（第Ⅲ象限）和問題專利（第Ⅳ象限），見圖1。分別計算高校專利可轉化性Y和轉化金額預測值P，根據（Y，P）所在象限，不同處置策略如下：

（1）第Ⅰ象限。該象限的專利為明星專利，具有較高的可轉化性和轉化金額預測值，轉化前景良好，轉化收益預期可觀，技術和市場影響力大，代表著一所高校的專利核心競爭力。高校應將對此類專利的轉化工作列為科技成果轉化的第一優先級別，集中各方資源積極推動其轉化，成立由經驗豐富的成果轉化人員和專利發明團隊主要成員組成的專項小組，必要時委托第三方機構共同參與，確保轉化收益在合理的區間。同時，應增強此類專利轉化談判中的話語權，對有較高市場預期的專利，可考慮采取作價入股的轉化方式來實現資產收益最大化。此外，應重視對其中一些重要基礎專利的培育和布局工作，圍繞其申請一系列外圍專利，從寬度和高度兩方面構建專利網，進一步增強其產業化價值。

（2）第Ⅱ象限。該象限的專利為金牛專利，具有較高的可轉化性和較低的轉化金額預測值。該類專利易于轉化但轉化金額預期不高，根據帕累托法則可推斷其數量在高校轉化專利中占比較高，可為高校更多發明人帶來回報，而這些轉化所得是支持這些科研人員繼續發明創新的重要資金。因此對于金牛類專利，首先，高校可以制定更為靈活的科技成果轉化政策，給予發明人更大的自由度，激發發明人的積極性，讓高校的創新之水源源不斷。其次，根據可轉化性概率高和轉化金額預測值低的特點，對于此類專利可采用廣泛許可的戰略以最大化資產收益。

（3）第Ⅲ象限。該象限的專利為瘦狗專利，可轉化性和轉化金額預測值均比較低。這部分專利大多無法為高校帶來轉化收益，可采取逐步篩選的管理策略。首先，可考慮與其他相似專利或系列專利一起組合打包交易。其次，可考慮通過進一步完善技術布局以形成更有競爭力的專利包。如果上述兩種途徑都具有較大障礙，則可放棄專利權以減輕維持專利年費的負擔。

（4）第Ⅳ象限。該象限的專利為問題專利，具有較低的可轉化性和較高的轉化金額預測值。問題專利說明該專利雖然不易于轉化，但一旦轉化卻能產生較高的收益，高校對此類專利需要有前瞻性的管理眼光。對此類專利要注重創造各種有利條件，讓“酒香”飄出“巷子”。要積極拓寬專利轉化運營途徑，不要局限于一種轉化方式。積極借助各種成果交流平臺展示發明創新，打通與企業的對接渠道。主動出擊，廣泛調研企業技術需求，根據需求加強對待轉化專利的包裝和技術說明，以增強企業需求指向性，進一步促進專利轉化。

4? 結論與討論

筆者將廣泛搜集獲取的高校大量真實、含有實際成交金額信息的轉化專利作為轉化金額樣本，同時匹配以科學合理的非轉化樣本，從涵蓋專利本質特征的專利文獻出發，篩選出權利要求數、同族專利數等9項指標，分別采用多元線性回歸和二元logistic回歸模型對比分析各指標對高校專利可轉化性與轉化金額影響因素的差異。根據對比分析結果得到的啟示，從可轉化性與轉化金額預測值兩個維度出發，構建了高校專利四象限分級管理模型。本文的研究得到了具有一定參考價值的結論和啟示，具體如下：

（1）高校專利可轉化性與轉化金額之間的影響因素差異較大，9個專利文獻特征指標中僅文獻頁數、專利引證數2項指標影響關系一致，其余均不一致。同族專利數、發明人數對高校專利可轉化性與轉化金額更是呈現出截然不同的影響。這提醒我們，用一套指標評價體系對高校專利所做的評價結果不能同時代表專利的可轉化性與轉化金額預期。

（2）高校專利是否易于轉化，法律穩定性是首要因素。體現專利法律穩定性的指標（專利被引次數、權利要求數）對高校專利可轉化性具有更加顯著的促進作用。而高校專利轉化能否獲得更高的收益，其申請時的投入起著更為重要的作用，分析結果表明體現專利申請時人力、物力、財力投入的指標（同族專利數、發明人數）對提高高校專利轉化金額的促進作用更強。

（3）借鑒波士頓矩陣的產品定位及管理思路，從可轉化性與轉化金額預測值兩個維度出發，把高校專利劃分到四個象限。明星專利在高校科技成果轉化中應被列為第一優先級別，并重視圍繞這些專利開展布局和培育工作；對金牛專利應制定更為靈活的科技成果轉化政策，并采取廣泛許可的戰略以最大化資產收益；對瘦狗專利可采取逐步篩選撤退的管理策略；對問題專利應拓寬專利轉化運營途徑，廣泛開展企業需求調研和對接，創造各種有利條件，讓“酒香”飄出“巷子”。

本文首次嘗試基于高校實際專利轉化數據對比研究同一套專利文獻特征指標對高校專利可轉化性與轉化金額的影響差異，證實了高校專利“好不好賣”和“賣得貴不貴”之間并沒有必然的線性關聯，為高校科技管理人員和成果轉化人員系統、客觀地識別高校專利的轉化潛力提供了有參考價值的依據。筆者提出的四象限分級管理模型為高校專利分級管理開拓了新的視野，對不同象限專利采用不同管理策略讓高校專利分級管理工作更具針對性，更貼合實際。

當然，本文的研究也存在著局限：高校專利四象限分級管理模型的構建還僅限于概念提出階段，并未建立起具體可計算的高校專利可轉化性與轉化金額預測模型，因此缺乏實際驗證過程。這種局限性的原因在于高校專利可轉化性與轉化金額除了受專利文獻特征指標影響之外，非專利文獻特征指標的影響同樣巨大，而這些指標體系的建立是更加系統的工程，需要從多個視角開展研究，這也是筆者下一步努力的方向。

參考文獻：

[1] 國家知識產權局知識產權發展研究中心.2020年中國專利調查報告[EB/OL]. [2022-10-24]. https：//www.cnipa.gov.cn/art/2021/4/28/art_88_158969.

[2] 吳紅， 馬永新， 董坤， 等.高校專利分級管理實現的障礙及對策研究[J]. 圖書情報工作， 2016， 60（2）： 59-63.

[3] CHOI J H， JANG D S， JUN S H. A predictive model of technology transfer using patent analysis[J]. Sustainability， 2015， 7（12）： 16175-16195.

[4] ILYONG J， HYUNG J L， TAEYOUNG P. Exploring potential users of patents for technology transfer： Utilizing patent citation data[J]. Procedia computer science， 2016， 91（6）： 211-220.

[5] 陳靜， 張更平， 慎金花.專利技術特征與高校專利轉移間關系的實證研究——基于42所一流高校的樣本分析[J]. 中國高校科技， 2021（6）： 80-83.

[6] 李睿， 范九江.高校專利可轉化性與其文獻計量特征相關性研究[J]. 科技進步與對策， 2021， 38（17）： 43-50.

[7] 吳紅， 李劍飛， 崔哲， 等.基于專利文獻的高校專利可轉移性特征研究[J]. 情報雜志， 2021， 40（9）： 187-194.

[8] 朱月仙， 張嫻， 李姝影， 等.國內外專利產業化潛力評價指標研究[J]. 圖書情報工作， 2015， 59（1）： 127-133.

[9] PARK H， REE J J， KIM K. Identification of promising patents for technology transfers using TRIZ evolution trends[J]. Expert systems with applications， 2013， 40（2）： 736-743.

[10] 韓盟， 吳紅， 李昌， 等.高校可轉移專利識別研究——基于貝葉斯理論和組合賦權法[J]. 圖書情報工作， 2021， 65（5）： 118-125.

[11] 肖國華， 王江琦， 魏劍.我國專利技術轉移評價指標設計及應用研究[J]. 情報科學， 2013， 31（3）： 107-112.

[12] 冉從敬， 宋凱.高校可轉化性專利識別模型構建——以人工智能領域為例[J]. 情報理論與實踐， 2020， 43（11）： 79-85.

[13] FISCHER T， LEIDINGER J. Testing patent value indicators on directly observed patent value—an empirical analysis of ocean tomo patent auctions[J]. Research policy， 2014， 43（3）： 519-529.

[14] 魏太琛， 劉敏榕， 陳振標.高校專利技術轉移轉化價值影響因素實證分析——基于11所一流高校專利轉移轉化數據[J]. 圖書情報工作， 2022， 66（9）： 103-116.

[15] 李曦.專利技術轉讓合同中專利技術交易金額與專利要素之間的相關性研究[J]. 中國發明與專利， 2021， 18（5）： 38-45.

[16] 周雷.專利發明人對專利價值的影響研究——以中國科學院2018年3月專利拍賣為例[J]. 文獻與數據學報， 2020， 2（4）： 70-83.

[17] 錢坤， 張曉， 黃忠全.交易情景下專利價值影響因素分析[J]. 科學學研究， 2020， 38（9）： 1608-1620.

[18] SAPSALIS E， RAN N. Academic versus industry patenting： an in-depth analysis of what determines patent value[J]. Research policy， 2006， 35（10）： 1631-1645.

[19] MARCO A C， SARNOFF J D， CHARLES A W. Patent claims and patent scope[J]. Research policy， 2019， 48（9）： 103790-103799.

[20] 施晴， 王蕓， 徐宏， 等.基于專利轉化的高校生物醫藥專利質量評價研究[J]. 科技管理研究， 2019， 39（11）： 139-145.

[21] 孫玉濤， 欒倩.專利質量測度“三階段—兩維度”模型及實證研究——以C9聯盟高校為例[J]. 科學學與科學技術管理， 2016， 37（6）： 23-32.

[22] 李黎明， 張敏， 李小娟.引證網絡專利質量對專利拍賣經濟價值的影響效應研究[J]. 情報雜志， 2021， 40（10）： 115-121.

[23] OG J Y A， PAWELEC K B， KIM B， et al. Measuring patent value indicators with patent renewal information（Article）[J]. Journal of open innovation： technology， market， and complexity， 2020， 6（1）： 16-27.

[24] 張俊艷， 趙薇， 雷玲.合作創新能否提升專利質量？——基于PSM與回歸分析的實證研究[J]. 天津大學學報（社會科學版）， 2020， 22（3）： 246-253.

[25] ZEEBROECK N， POTTELSBERGHE B， DOMINIQUE G. Claiming more： the increased voluminosity of patent applications and its determinants[J]. Research policy， 2009， 38（6）： 1006-1020.

[26] IVAN D N， LUIGI O， FIORENZA B. The role of collaborative networks in supporting the innovation performances of lagging-behind European regions[J]. Research policy， 2018， 47（1）： 1-13.

[27] HIKKEROVA L， KAMMOUN N， LANTZ J S. Patent life cycle： new evidence[J]. Technological forecasting and social change， 2014， 88（4）： 313-324.

[28] 蔡中華， 侯翱宇， 馬歡.專利維持時間影響因素的實證研究[J]. 科技管理研究， 2015， 35（21）： 160-163.

[29] CREMERS K.Settlement during patent litigation trials-an empirical analysis for Germany[J]. Journal of technology transfer， 2009， 34（2）： 182-195.

[30] CAVIGGIOLI F. Technology fusion： identification and analysis of the drivers of technology convergence using patent data[J]. Technovation， 2016， 55（6）： 22-32.

作者貢獻說明：

魏太琛：提出研究思路，進行方案設計、數據分析，撰寫論文；

劉敏榕：指導論文選題，提出論文修改建議；

陳振標：調研研究內容，設計研究框架。

Abstract： [Purpose/Significance] Comparing and studying the difference between the factors affecting university patent transformation and amount of transformation is the premise of correctly understanding the transformation potential of university patents， predicting the transformation prospects of patents， and conducting scientific classification management in universities， which can improve the efficiency and accuracy of university patent transformation. [Method/Process] Based on the same set of index system， multiple linear regression and binary logistical regression models are built to study the influencing factors between university patent transformation and amount of transformation， using transformation patent sample as research data， which contained actual transaction amount information. [Result/Conclusion] The influencing factors between university patent transformation and amount of transformation are quite different. Only the document pages and the number of patent citations have the same influence relationship， and the other seven indicators are inconsistent. The indicators reflecting the legal stability of the patent have a more significant role in promoting the transformation of university patents， while the indicators reflecting the input of man-power， material resources， financial resources have a stronger role in increasing the amount of patent transformation in universities. The four-quadrant classification management model constructed from the two dimensions of patent transformation probability and transformation amount forecast value make the patent classification management work in universities more targeted.

Keywords： university patent transformation? ? amount of transformation? ? four-quadrant? ? classification management