專利形成全周期視角下的高價(jià)值專利識(shí)別體系研究

關(guān)鍵詞：高價(jià)值專利；機(jī)器學(xué)習(xí)；支持向量機(jī)；神經(jīng)網(wǎng)絡(luò)；自適應(yīng)增強(qiáng)

中圖分類號(hào)：G306；G255.53 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.3969/j.issn.1003-8256.2024.04.001

隨著科技革命和產(chǎn)業(yè)變革的深入發(fā)展，科技的重要性愈加突出。在逆全球化的浪潮下，面對(duì)外國技術(shù)封鎖，我國政府高度重視科技自主創(chuàng)新和知識(shí)產(chǎn)權(quán)保護(hù)，并積極構(gòu)建以自主創(chuàng)新為核心的創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略。自2008年《國家知識(shí)產(chǎn)權(quán)戰(zhàn)略綱要》①實(shí)施后，我國知識(shí)產(chǎn)權(quán)建設(shè)取得了飛躍的成就，近年來我國專利申請(qǐng)量和授權(quán)量都位居世界前列，但我國專利多而不強(qiáng)、大而不精［1］，因此識(shí)別具備高交易價(jià)值、高使用價(jià)值的高價(jià)值專利已經(jīng)成為了中國專利高質(zhì)量發(fā)展的重點(diǎn)方向。在此背景下，2014年提出的《深入實(shí)施國家知識(shí)產(chǎn)權(quán)戰(zhàn)略行動(dòng)計(jì)劃（2014—2020年）》，為科技創(chuàng)新提供了更有力的法律保障和政策支持，為專利高質(zhì)量發(fā)展解決了后顧之憂②。緊接著，2021年國務(wù)院印發(fā)的《知識(shí)產(chǎn)權(quán)強(qiáng)國建設(shè)綱要（2021—2035年）》明確了2025年高價(jià)值發(fā)明專利擁有量需達(dá)到12件/萬人③，這充分展現(xiàn)了我國實(shí)施創(chuàng)新驅(qū)動(dòng)發(fā)展的決心。黨的二十大報(bào)告也強(qiáng)調(diào)，“高質(zhì)量發(fā)展是全面建設(shè)社會(huì)主義現(xiàn)代化國家的首要任務(wù)”，標(biāo)志著專利價(jià)值成為了象征高質(zhì)量發(fā)展的重要一環(huán)④。由此可見，構(gòu)建科學(xué)、客觀的專利價(jià)值評(píng)估方法，對(duì)推動(dòng)我國經(jīng)濟(jì)轉(zhuǎn)型與科技發(fā)展具有重要意義。

綜上，為了更好地識(shí)別高價(jià)值專利，本文將基于專利形成全周期視角，運(yùn)用機(jī)器學(xué)習(xí)法構(gòu)建高價(jià)值專利識(shí)別模型，旨在幫助政府快速確定高價(jià)值專利并有針對(duì)性地開展高價(jià)值專利培育工作，也能使其有效識(shí)別優(yōu)勢(shì)企業(yè)，分析優(yōu)勢(shì)企業(yè)的影響力和地位。除此之外，還能支撐相關(guān)創(chuàng)新主體掌握行業(yè)技術(shù)發(fā)展水平，推斷專利未來的創(chuàng)新發(fā)展?jié)摿εc技術(shù)發(fā)展趨勢(shì)，助力其技術(shù)創(chuàng)新活動(dòng)的開展。

1 文獻(xiàn)綜述

現(xiàn)今學(xué)術(shù)界暫未建立起一個(gè)綜合、客觀的高價(jià)值專利識(shí)別指標(biāo)體系。早期研究聚焦于會(huì)計(jì)計(jì)量的視角對(duì)專利價(jià)值進(jìn)行評(píng)估，如貨幣計(jì)量法。貨幣計(jì)量法包括成本法、市場(chǎng)法、收益法等。Parr等［2］將所有類型的單一專利價(jià)值評(píng)估分為基于成本、市場(chǎng)和收入的方法。成本法著重關(guān)注專利研發(fā)階段的成本所產(chǎn)生的專利價(jià)值，這種方法難以準(zhǔn)確評(píng)估專利未來價(jià)值［3］。市場(chǎng)法通過比較專利技術(shù)銷售額或類似技術(shù)許可來進(jìn)行估值。市場(chǎng)法的使用需要滿足以下幾個(gè)條件，首先市場(chǎng)必須是開放的，其次需要有足夠數(shù)量的同類資產(chǎn)交易所，且同類資產(chǎn)交易所的價(jià)格信息必須向公眾公開，最后是交易的雙方必須是獨(dú)立的。若專利數(shù)量大，則該方法難以適用［4］。收益法廣泛運(yùn)用于評(píng)估金融工具和資產(chǎn)。該方法基于預(yù)期原則，通過預(yù)測(cè)專利未來前景計(jì)算預(yù)期經(jīng)濟(jì)收入。若專利數(shù)據(jù)可用性差、專利市場(chǎng)缺乏流動(dòng)性，使用該方法會(huì)導(dǎo)致預(yù)測(cè)結(jié)果存在偏差［5］。

目前有關(guān)高價(jià)值專利識(shí)別、評(píng)估的研究主要從以下三個(gè)角度切入：

（1）基于專利的外部屬性對(duì)專利價(jià)值進(jìn)行評(píng)估，即專利對(duì)技術(shù)識(shí)別的貢獻(xiàn)程度［6］，如專利地圖［7］。專利地圖主觀性較強(qiáng)，容易受到人為因素影響，同時(shí)專利地圖需要收集、整理并分析大量的專利信息，所以識(shí)別速度較慢，難以反映市場(chǎng)最新技術(shù)趨勢(shì)。馮立杰等［8］將專利地圖與LDA-SNA模型結(jié)合，收集相關(guān)領(lǐng)域?qū)＜乙庖姡⒁源藶榛鶞?zhǔn)構(gòu)建專利檢索式進(jìn)行專利樣本篩選，較為依賴專家的主觀判斷。

（2）基于專利的內(nèi)部屬性采用定性的研究方法，通過分析專利的屬性、狀態(tài)、特征對(duì)專利進(jìn)行評(píng)分。國內(nèi)外研究主要圍繞著專利的法律價(jià)值、市場(chǎng)價(jià)值、經(jīng)濟(jì)價(jià)值等層面篩選專利評(píng)估指標(biāo)，研究方法大多集中于實(shí)物期權(quán)法以及層次分析法（AHP）、模糊綜合評(píng)價(jià)法（FCE）、主成分分析法等（PCA）等綜合評(píng)價(jià)方法。萬小麗等［9］結(jié)合采用層次分析法和模糊綜合評(píng)價(jià)法對(duì)從技術(shù)價(jià)值、權(quán)利價(jià)值、市場(chǎng)價(jià)值三個(gè)維度選取的17個(gè)指標(biāo)進(jìn)行了專利價(jià)值評(píng)估。李娟等［10］采用AHP和熵權(quán)法，圍繞法律、技術(shù)、經(jīng)濟(jì)層面選取了8個(gè)指標(biāo)，以豐田開放專利為樣本深入分析發(fā)明專利的價(jià)值。安同良等［11］使用改進(jìn)的HITS算法與PageRank算法，以中國鋰電池行業(yè)為例，選取專利引用、被引用、施引三個(gè)指標(biāo)構(gòu)建專利與專利、專利與企業(yè)的復(fù)合有向網(wǎng)絡(luò)，進(jìn)而測(cè)度識(shí)別每個(gè)專利的價(jià)值。國外學(xué)者則是聚焦于專利經(jīng)濟(jì)價(jià)值、專利對(duì)行業(yè)及企業(yè)績效的影響［12］等方面。Ma等［13］基于價(jià)值捕獲理論，從法律、技術(shù)、市場(chǎng)、企業(yè)四個(gè)維度選取了21個(gè)指標(biāo)，將傳統(tǒng)評(píng)估方法中的成本法、收益法與三角模糊數(shù)法相結(jié)合，構(gòu)建了石油行業(yè)的專利評(píng)估模型。Ploskas等［14］提出了基于8個(gè)標(biāo)準(zhǔn)對(duì)22種化學(xué)品的專利進(jìn)行排名的方法。Song等［15］從專利數(shù)量、技術(shù)、法律三個(gè)維度構(gòu)建了專利組合估值體系，運(yùn)用熵權(quán)-雙基點(diǎn)法評(píng)價(jià)企業(yè)特定技術(shù)領(lǐng)域的專利價(jià)值，采用熵權(quán)對(duì)評(píng)估指標(biāo)進(jìn)行賦值，并采用雙基點(diǎn)法對(duì)評(píng)估對(duì)象進(jìn)行排序。Kim等［16］在數(shù)據(jù)包絡(luò)分析法的基礎(chǔ)上，基于專利的共被引關(guān)系構(gòu)建了技術(shù)關(guān)系矩陣，這將有助于企業(yè)較早識(shí)別專利價(jià)值，減少研發(fā)初期所產(chǎn)生的不確定性。

（3）隨著人工智能應(yīng)用的興起，傳統(tǒng)、常規(guī)的專利數(shù)據(jù)研究方法被打破。WIPO 等政策制定者開始關(guān)注知識(shí)產(chǎn)權(quán)與人工智能交叉的維度⑤。Aristodemou等［17］從知識(shí)管理、技術(shù)管理、經(jīng)濟(jì)價(jià)值、信息提取和管理的角度回顧機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)這類實(shí)踐性較強(qiáng)的知識(shí)產(chǎn)權(quán)數(shù)據(jù)分析方法。機(jī)器學(xué)習(xí)法具備大規(guī)模數(shù)據(jù)的處理能力，該方法可通過非線性模型（如支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等）來分析專利數(shù)據(jù)復(fù)雜的非線性關(guān)系，更好地揭示專利數(shù)據(jù)中的潛在規(guī)律和趨勢(shì)，同時(shí)能夠自動(dòng)從專利文本中提取關(guān)鍵信息，減輕研究人員的工作負(fù)擔(dān)。文中的經(jīng)濟(jì)價(jià)值部分是當(dāng)今學(xué)術(shù)界所探討的熱門主題，人工神經(jīng)網(wǎng)絡(luò)等方法常被用來預(yù)測(cè)經(jīng)濟(jì)發(fā)展、企業(yè)績效等。Lee等［18］運(yùn)用支持向量機(jī)（SVM）從財(cái)務(wù)和技術(shù)角度預(yù)測(cè)企業(yè)績效，SVM 在預(yù)測(cè)企業(yè)績效時(shí)能夠充分利用財(cái)務(wù)和技術(shù)數(shù)據(jù)的特點(diǎn)，具有較好的泛化能力和解釋性。Noh等［19］運(yùn)用引用滯后分布、Tobit回歸、多層神經(jīng)網(wǎng)絡(luò)分析電信領(lǐng)域?qū)＠源_定不同因素對(duì)專利價(jià)值的影響。Breitzman和Thomas［20］搭建了新興集群模型，使用蒙特卡洛法給模型評(píng)分，利用專利引用信息來識(shí)別新興技術(shù)。Lee等［21］運(yùn)用機(jī)器學(xué)習(xí)法分析美國專利數(shù)據(jù)，采用前饋多層神經(jīng)網(wǎng)絡(luò)識(shí)別專利指標(biāo)與引用次數(shù)之間的關(guān)系。Trappey 等［22］對(duì)比分析主成分分析法（PCA）和深度神經(jīng)網(wǎng)絡(luò)對(duì)專利價(jià)值的預(yù)測(cè)效果。人工智能分析方法在處理專利數(shù)據(jù)方面具有多種優(yōu)勢(shì)，相較于傳統(tǒng)方法，它們擁有更高的效率和準(zhǔn)確性，因此越來越多的學(xué)者選擇采用這類方法，這些優(yōu)勢(shì)包括大規(guī)模數(shù)據(jù)處理能力、自動(dòng)化特征提取、非線性關(guān)系建模等。通過利用機(jī)器學(xué)習(xí)法，研究人員能夠快速提取并分析專利數(shù)據(jù)中的關(guān)鍵特征和模式，揭示潛在的規(guī)律和趨勢(shì)。

由于高價(jià)值專利需具備高創(chuàng)新性和良好的市場(chǎng)應(yīng)用前景，所以高價(jià)值專利的形成周期比普通專利更長，通過上述分析可以發(fā)現(xiàn)，現(xiàn)有研究鮮有從專利形成全周期過程的視角探究高價(jià)值專利價(jià)值篩選指標(biāo)。基于此，本文以珠海市高新技術(shù)上市企業(yè)為研究對(duì)象，從專利技術(shù)研發(fā)、申請(qǐng)、轉(zhuǎn)化運(yùn)用3個(gè)維度構(gòu)建高價(jià)值專利識(shí)別指標(biāo)，運(yùn)用機(jī)器學(xué)習(xí)法構(gòu)建高價(jià)值專利識(shí)別模型，并以珠海高新上市企業(yè)的有效發(fā)明專利為例進(jìn)行實(shí)證研究，旨在為企業(yè)及決策機(jī)構(gòu)篩選高價(jià)值專利提供新的視角及模型，以便其盡早識(shí)別出高價(jià)值專利并培育。

2 專利生產(chǎn)全周期視角下的高價(jià)值專利識(shí)別指標(biāo)體系構(gòu)建

借鑒過往研究，在曹偉光等［23］的企業(yè)高價(jià)值專利識(shí)別指標(biāo)體系的基礎(chǔ)上，構(gòu)建基于機(jī)器學(xué)習(xí)法的高價(jià)值專利識(shí)別模型。高價(jià)值專利形成的過程可概括為技術(shù)創(chuàng)造、申請(qǐng)確權(quán)、技術(shù)轉(zhuǎn)化運(yùn)用三個(gè)階段，即高水平技術(shù)研發(fā)類指標(biāo)、高質(zhì)量申請(qǐng)確權(quán)類指標(biāo)、高回報(bào)轉(zhuǎn)化運(yùn)用類指標(biāo)，本研究從全周期視角選取識(shí)別指標(biāo)（見表1），以全面衡量高價(jià)值專利。輸入指標(biāo)共3個(gè)一級(jí)指標(biāo)和10個(gè)二級(jí)指標(biāo)，輸出指標(biāo)為專利被引數(shù)，當(dāng)一項(xiàng)專利被其他專利引用的次數(shù)越多，表示該專利在其技術(shù)領(lǐng)域中的關(guān)聯(lián)度和重要性越高，專利價(jià)值越高［24］。

2.1 高水平技術(shù)研發(fā)類指標(biāo)

高水平技術(shù)研發(fā)類指標(biāo)是從專利的技術(shù)研發(fā)水平角度出發(fā)衡量高價(jià)值專利的質(zhì)量。這一指標(biāo)通常用于衡量專利的創(chuàng)新程度、技術(shù)貢獻(xiàn)程度等方面。

（1）發(fā)明人數(shù)。當(dāng)一項(xiàng)專利的發(fā)明人數(shù)越多時(shí)，專利所涉及的知識(shí)基礎(chǔ)越廣，研發(fā)投入的人力成本越大，專利價(jià)值越高［25］。

（2）獨(dú)立權(quán)利要求數(shù)。獨(dú)立權(quán)利要求數(shù)為專利申請(qǐng)中的主要權(quán)利要求，獨(dú)立權(quán)利要求數(shù)越高，專利的保護(hù)力度和侵權(quán)判斷越強(qiáng)，專利價(jià)值越高［26］。

（3）技術(shù)廣泛性。技術(shù)廣泛性為主分類號(hào)的IPC數(shù)量，主分類號(hào)的IPC數(shù)量越多，專利技術(shù)多樣性越豐富，專利價(jià)值越高［27］。

2.2 高質(zhì)量申請(qǐng)確權(quán)類指標(biāo)

高質(zhì)量申請(qǐng)確權(quán)類指標(biāo)是指專利從審查到最終獲得專利權(quán)的過程，在這個(gè)過程中專利申請(qǐng)人需要確保所提供的專利權(quán)利內(nèi)容全面且規(guī)范。

（1）授權(quán)周期。授權(quán)周期為專利授權(quán)日減去申請(qǐng)日的時(shí)間長度。授權(quán)周期越長，說明專利復(fù)雜度越高，專利價(jià)值越高。

（2）權(quán)利要求數(shù)。專利的權(quán)利要求數(shù)越多，專利所受到的保護(hù)范圍越廣，專利價(jià)值越高［28］。

（3）同族數(shù)。同族數(shù)越多，說明該專利技術(shù)在全球范圍內(nèi)具有較大影響力和市場(chǎng)價(jià)值，專利的戰(zhàn)略價(jià)值就越高［29］。

（4）專利維持年限。專利維持的時(shí)間越長，說明該技術(shù)投資回報(bào)率高，對(duì)創(chuàng)新主體來說該專利具有重要意義［30］。

2.3 高回報(bào)轉(zhuǎn)化運(yùn)用類指標(biāo)

高回報(bào)轉(zhuǎn)化運(yùn)用類指標(biāo)是指專利在市場(chǎng)中具備高回報(bào)和高適應(yīng)性，未來能夠?yàn)槠髽I(yè)帶來經(jīng)濟(jì)回報(bào)和競(jìng)爭(zhēng)優(yōu)勢(shì)。

（1）許可數(shù)。專利許可數(shù)越多，意味著該技術(shù)具備一定的實(shí)用性和市場(chǎng)認(rèn)可度，專利價(jià)值就越高。

（2）質(zhì)押數(shù)。若專利具有較高的投資價(jià)值，企業(yè)或個(gè)人會(huì)選擇將其作為質(zhì)押物。專利質(zhì)押數(shù)越多可以反映出該專利的商業(yè)價(jià)值越高［31］。

（3）研發(fā)偏側(cè)重點(diǎn)幅度。研發(fā)偏側(cè)重點(diǎn)幅度是指主分類號(hào)的專利量占其總專利量的比值。研發(fā)偏側(cè)重點(diǎn)幅度越高，說明該企業(yè)越精進(jìn)這一領(lǐng)域，專利技術(shù)就越強(qiáng)。

3 基于機(jī)器學(xué)習(xí)的高價(jià)值專利識(shí)別模型構(gòu)建

根據(jù)專利被引次數(shù)構(gòu)建分類器，對(duì)專利的價(jià)值進(jìn)行分類評(píng)價(jià)。本文選擇了支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)、自適應(yīng)增強(qiáng)三種機(jī)器學(xué)習(xí)分類方法來構(gòu)建高價(jià)值專利識(shí)別模型（見圖1）。這些方法分別在區(qū)塊鏈技術(shù)專利價(jià)值評(píng)價(jià)［32］、訴訟專利價(jià)值評(píng)價(jià)［33］和人工智能專利價(jià)值分類［1］等領(lǐng)域已經(jīng)成功應(yīng)用。

3.1 分類器構(gòu)建

3.1.1 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）是一種強(qiáng)大的機(jī)器學(xué)習(xí)算法［34］。SVM的關(guān)鍵思想是找到一個(gè)最大邊界的超平面，使得兩個(gè)不同類別的數(shù)據(jù)點(diǎn)之間的距離最大化［35］。在高價(jià)值專利分類問題中，專利價(jià)值評(píng)價(jià)涉及多個(gè)屬性和特征，并存在異常或噪聲數(shù)據(jù)。面對(duì)這種情況，SVM具有處理高維數(shù)據(jù)，處理非線性問題的能力，并對(duì)異常值具有魯棒性，并能夠提供良好的泛化能力。本文使用one-against-one方法來進(jìn)行支持向量機(jī)的多分類，設(shè)訓(xùn)練集數(shù)據(jù)共I 個(gè)類，one-against-one方法是在每兩個(gè)類之間都構(gòu)造一個(gè)二分類SVM，對(duì)于第i 類數(shù)據(jù)和第j 類數(shù)據(jù)（i，j ∈ I），訓(xùn)練一個(gè)二分類SVM，即求解如下二次規(guī)劃問題：

4 實(shí)證分析

當(dāng)前局勢(shì)下，創(chuàng)新是引領(lǐng)發(fā)展的第一動(dòng)力，強(qiáng)國需先強(qiáng)市。珠海市位于珠三角的核心區(qū)域，毗鄰港澳，擁有便捷的交通方式和良好的商業(yè)環(huán)境。這種地理優(yōu)勢(shì)使得珠海成為中國改革開放的先行地之一，吸引了大量國內(nèi)外投資和創(chuàng)新人才涌入。為了充分發(fā)揮地區(qū)優(yōu)勢(shì)，珠海市不斷加強(qiáng)在重點(diǎn)技術(shù)領(lǐng)域的知識(shí)產(chǎn)權(quán)創(chuàng)造，并出臺(tái)了多項(xiàng)政策和規(guī)劃來促進(jìn)知識(shí)產(chǎn)權(quán)的高質(zhì)量發(fā)展。珠海市政府于2017 年發(fā)布《建設(shè)知識(shí)產(chǎn)權(quán)強(qiáng)市的意見》，提出要深化知識(shí)產(chǎn)權(quán)領(lǐng)域改革，加快知識(shí)產(chǎn)權(quán)強(qiáng)市建設(shè)。2021年，《珠海經(jīng)濟(jì)特區(qū)科技創(chuàng)新促進(jìn)條例》強(qiáng)調(diào)要深入推進(jìn)珠海市國際科技創(chuàng)新中心的建設(shè)。2022年，《珠海市知識(shí)產(chǎn)權(quán)事業(yè)發(fā)展“十四五”規(guī)劃》明確指出要打造“國內(nèi)領(lǐng)先、國際先進(jìn)”的知識(shí)產(chǎn)權(quán)強(qiáng)市。此外，2022年7月珠海成為首批國家知識(shí)產(chǎn)權(quán)強(qiáng)市建設(shè)試點(diǎn)城市。截至2023年5月，珠海市累計(jì)發(fā)明專利授權(quán)量達(dá)到33 688件，占全省總量的4.81%；發(fā)明專利擁有量達(dá)到130.67件/萬人，比廣東省平均水平高57.57件，連續(xù)12年位列廣東省第二。這些數(shù)據(jù)表明珠海市在知識(shí)產(chǎn)權(quán)領(lǐng)域取得了顯著的成績。高新技術(shù)上市企業(yè)則在珠海市的知識(shí)產(chǎn)權(quán)發(fā)展中起到了主力作用。多年來，珠海市80% 以上的已授權(quán)發(fā)明專利都屬于高新企業(yè)，其作為科技創(chuàng)新的領(lǐng)頭羊，在推動(dòng)核心技術(shù)進(jìn)步和產(chǎn)業(yè)升級(jí)方面具有重要影響力。鑒于珠海市在知識(shí)產(chǎn)權(quán)建設(shè)方面具有獨(dú)特的優(yōu)勢(shì)和成就，研究珠海市高價(jià)值專利更具代表性，故以珠海市高新技術(shù)上市企業(yè)為研究樣本。

4.1 數(shù)據(jù)來源與預(yù)處理

本研究以珠海市創(chuàng)新科技局于2022年公布的《珠海市高新技術(shù)企業(yè)名單》為基準(zhǔn)，選取了12家高新技術(shù)上市企業(yè)為研究對(duì)象（麗珠集團(tuán)、全志科技、納思達(dá)、健帆生物、遠(yuǎn)光軟件、英博爾、光庫科技、世紀(jì)鼎利、格力電器、潤都股份、寶萊特、航宇微），各項(xiàng)指標(biāo)數(shù)據(jù)均來源于IncoPat數(shù)據(jù)庫，共獲取80 406條發(fā)明專利數(shù)據(jù)，在清除無效專利后，最終得到2003—2022年38 931條有效發(fā)明專利數(shù)據(jù)。

4.2 高價(jià)值專利識(shí)別指標(biāo)提取

根據(jù)篩選出的高價(jià)值專利識(shí)別指標(biāo)，構(gòu)建基于機(jī)器學(xué)習(xí)的高價(jià)值專利識(shí)別模型。由于使用的機(jī)器學(xué)習(xí)模型為分類模型，需要進(jìn)行專利價(jià)值分類。本文根據(jù)輸出指標(biāo)（專利被引次數(shù)）對(duì)專利進(jìn)行分類，視專利3年內(nèi)被引證次數(shù)的Top2%為高被引專利［38］，即專利的被引證次數(shù)大于15次，就認(rèn)為該專利是高價(jià)值專利。參考李欣等［39］的專利數(shù)據(jù)分類標(biāo)準(zhǔn)，將專利分成A、B、C、D四類，其中A代表專利具有較高的技術(shù)價(jià)值，B級(jí)專利代表具有一定的技術(shù)價(jià)值，C級(jí)專利代表具有一般的技術(shù)價(jià)值，D級(jí)專利代表具有較低的技術(shù)價(jià)值。分類標(biāo)準(zhǔn)及結(jié)果如表2所示。

4.3 高價(jià)值專利識(shí)別模型構(gòu)建

使用3種機(jī)器學(xué)習(xí)方法構(gòu)建高價(jià)值專利識(shí)別模型。根據(jù)專利被引證數(shù)量將專利分成4類，共訓(xùn)練3種4分類機(jī)器學(xué)習(xí)模型。

4.3.1 基于SVM的高價(jià)值專利識(shí)別模型

在Python3.9.13 的環(huán)境下使用Sklearn 庫進(jìn)行基于SVM 的高價(jià)值專利識(shí)別模型構(gòu)建。首先，使用Standardization 進(jìn)行特征縮放，確保各個(gè)特征具有相似的尺度可以提高SVM算法的性能；其次，使用k 折分層抽樣交叉切分法進(jìn)行試驗(yàn)，以減少訓(xùn)練集和驗(yàn)證集之間的偏差，其中，k = 5 × k'，k' ∈ N，當(dāng)k 改變不會(huì)引起結(jié)果明顯變化時(shí)，k 不再增加；然后，使用多種核函數(shù)進(jìn)行性能對(duì)比，包括線性核函數(shù)（Linear Kernel，Linear），多項(xiàng)式核函數(shù)（Polynomial Kernel，Poly），高斯徑向基核函數(shù)（Gaussian RBF Kernel，Rbf），Sigmoid 核函數(shù)（Sigmoid）；最后選出最優(yōu)核函數(shù)及參數(shù)，作為基于SVM的專利價(jià)值評(píng)價(jià)模型。由表3可知，當(dāng)k=10，核函數(shù)選擇高斯徑向基核函數(shù)時(shí)，模型效果最好，因此，本文將該參數(shù)選擇下的模型作為基于SVM的高價(jià)值專利識(shí)別模型。

4.3.2 基于全連接神經(jīng)網(wǎng)絡(luò)的高價(jià)值專利識(shí)別模型

通過Python3.9.13 的環(huán)境下使用Sklearn 庫中的AdaBoostClassifier 類來實(shí)現(xiàn)基于AdaBoost 的高價(jià)值專利識(shí)別模型構(gòu)建。將單層決策樹設(shè)置為基本分類器；迭代次數(shù)為50次；然后對(duì)數(shù)據(jù)采用分層抽樣的k 折交叉驗(yàn)證方法進(jìn)行訓(xùn)練和驗(yàn)證，k 的定義與基于SVM的專利價(jià)值評(píng)價(jià)模型模型相同；使用one-against-one方法來訓(xùn)練I （ I ? 1）/2 個(gè)決策樹來實(shí)現(xiàn)AdaBoost的多分類任務(wù)；并計(jì)算評(píng)價(jià)指標(biāo)。由表5可知，當(dāng)k=15時(shí)，模型效果最好，因此，本文將該參數(shù)選擇下的模型作為基于AdaBoost的高價(jià)值專利識(shí)別模型。

4.3.4 高價(jià)值專利識(shí)別模型評(píng)估

為選出最適合珠海高新上市企業(yè)的有效發(fā)明專利的高價(jià)值專利識(shí)別模型，對(duì)基于SVM、全連接神經(jīng)網(wǎng)絡(luò)、AdaBoost三種方法的高價(jià)值專利識(shí)別模型進(jìn)行性能對(duì)比。選取準(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)作為評(píng)價(jià)指標(biāo)，性能結(jié)果對(duì)比如表6所示。

由表６可見，三種高價(jià)值專利識(shí)別模型都擁有很強(qiáng)的性能，所有性能指標(biāo)均大于0.85，其中，基于全連接神經(jīng)網(wǎng)絡(luò)的高價(jià)值專利識(shí)別模型在各個(gè)評(píng)價(jià)指標(biāo)的性能都優(yōu)于其他方法，因此，基于全連接神經(jīng)網(wǎng)絡(luò)的高價(jià)值專利識(shí)別模型為三種基于機(jī)器學(xué)習(xí)中的最優(yōu)模型，基于SVM的高價(jià)值專利識(shí)別模型次之。

4.4 基于高價(jià)值專利識(shí)別模型的珠海專利數(shù)據(jù)分析

以珠海炬芯科技股份有限公司為例，選用效果最好的全連接神經(jīng)網(wǎng)絡(luò)作為該案例的高價(jià)值專利識(shí)別模型，以此對(duì)專利價(jià)值進(jìn)行分類。首先對(duì)專利數(shù)據(jù)預(yù)處理，經(jīng)過處理后得到該企業(yè)2007—2023年10月共383條有效發(fā)明專利數(shù)據(jù)。隨后將各類輸入指標(biāo)放入前節(jié)已訓(xùn)練完成的全鏈接神經(jīng)網(wǎng)絡(luò)模型中，得到A、B、C、D 四類分類結(jié)果（表7），可見D 級(jí)專利數(shù)量最多，占比55.87%，A 級(jí)專利和B 級(jí)專利數(shù)量較少，占比分別為15.93% 和7.57%。這意味著大部分的專利都屬于較低的技術(shù)價(jià)值范疇，而相對(duì)較高價(jià)值的專利數(shù)量較少。

其次，為了探究炬芯科技技術(shù)創(chuàng)新發(fā)展的重點(diǎn)領(lǐng)域，對(duì)A類專利進(jìn)行分析，其IPC主分類號(hào)占比情況如圖2所示。其中計(jì)算機(jī)與信息技術(shù)領(lǐng)域（G06）專利的占比達(dá)到40%，發(fā)電、變電或配電領(lǐng)域（H02）的專利和電通信技術(shù)領(lǐng)域（H04）的專利占比緊隨其后，分別為17%和15%。

將主分類號(hào)裁剪出前三位，其中主分類號(hào)和領(lǐng)域的映射關(guān)系如表8所示。炬芯科技股份有限公司屬于計(jì)算機(jī)、通信和其他電子行業(yè)，其高價(jià)值專利產(chǎn)出涵蓋了計(jì)算、推算和計(jì)數(shù)、信息存儲(chǔ)、電通信技術(shù)等領(lǐng)域。國家投入了大量資源開展建設(shè)這幾類技術(shù)領(lǐng)域，并對(duì)這些領(lǐng)域的發(fā)展提出了目標(biāo)要求。2023年8月工業(yè)和信息化部、財(cái)政部發(fā)布的《電子信息制造業(yè)2023—2024 年穩(wěn)增長行動(dòng)方案》⑥提出了以下目標(biāo)：2023—2024年計(jì)算機(jī)、通信和其他電子設(shè)備制造業(yè)的增加值平均增速5%左右，電子信息制造業(yè)規(guī)模以上企業(yè)營業(yè)收入突破24萬億元。

通過上述分析可以發(fā)現(xiàn)，基于全連接神經(jīng)網(wǎng)絡(luò)的高價(jià)值專利識(shí)別模型具備優(yōu)秀的特征提取能力，能夠準(zhǔn)確識(shí)別企業(yè)高價(jià)值專利，便于企業(yè)及決策機(jī)構(gòu)進(jìn)行專利布局、戰(zhàn)略制定等活動(dòng)的開展。

5 結(jié)語

高價(jià)值專利是指具有較高商業(yè)價(jià)值、技術(shù)重要性和市場(chǎng)競(jìng)爭(zhēng)力的專利。對(duì)于政府和企業(yè)而言，識(shí)別高價(jià)值專利對(duì)于創(chuàng)新發(fā)展和提高競(jìng)爭(zhēng)力具有重要意義。本研究以2003—2022年珠海市高新技術(shù)上市企業(yè)數(shù)據(jù)為樣本，構(gòu)建了一種基于機(jī)器學(xué)習(xí)的高價(jià)值專利識(shí)別方法，采用支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、自適應(yīng)增強(qiáng)三種機(jī)器學(xué)習(xí)分類方法，根據(jù)輸入專利的多維特征對(duì)專利進(jìn)行分類，進(jìn)而識(shí)別高價(jià)值專利。并以珠海高新技術(shù)上市企業(yè)的有效發(fā)明專利為樣本進(jìn)行實(shí)證研究，對(duì)模型性能進(jìn)行了全面的比較和評(píng)估，最后以珠海炬芯科技股份有限公司為例，使用本文的識(shí)別模型分析其專利。結(jié)果表明，基于全連接神經(jīng)網(wǎng)絡(luò)的高價(jià)值專利識(shí)別方法相比于前人所使用的識(shí)別方法具有以下3類優(yōu)勢(shì)：一是對(duì)非線性模型的建模能力強(qiáng)，不同于SMV使用特定的和函數(shù)引入非線性關(guān)系，也不同與AdaBoost使用弱分類器進(jìn)行線性組合，全連接神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可以使其學(xué)習(xí)到復(fù)雜的非線性結(jié)構(gòu)，對(duì)涉及多維度指標(biāo)、數(shù)據(jù)維度大的模型分類效果尤其明顯；二是特征學(xué)習(xí)更深入，全連接神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)學(xué)習(xí)提取輸入數(shù)據(jù)中的特征，而SVM 和AdaBoost通常依賴手工設(shè)計(jì)的特征或基分類器，這意味著神經(jīng)網(wǎng)絡(luò)可以從數(shù)據(jù)中學(xué)習(xí)到更加抽象和高級(jí)的特征表示，有助于提高分類的準(zhǔn)確性；三是使用k 折交叉驗(yàn)證的模型具有更高的可靠性，由于k 折交叉驗(yàn)證對(duì)模型進(jìn)行多次重復(fù)評(píng)估，將k 次評(píng)估結(jié)果的平均值作為最終評(píng)估指標(biāo)，可以減少評(píng)估結(jié)果的方差，提高評(píng)估的可靠性；而固定次數(shù)折交叉驗(yàn)證只有一次評(píng)估結(jié)果，可能受到隨機(jī)性的影響。

除此之外，本研究采用的高價(jià)值專利識(shí)別指標(biāo)均可人工收集獲取，企業(yè)以及決策機(jī)構(gòu)后續(xù)可將未來年份的專利數(shù)據(jù)輸入模型中，對(duì)專利進(jìn)行分類識(shí)別。

現(xiàn)代社會(huì)中，知識(shí)產(chǎn)權(quán)的保護(hù)和科技創(chuàng)新已經(jīng)成為政府和企業(yè)共同關(guān)注的重要議題，本文所構(gòu)建的高價(jià)值專利識(shí)別模型為政府提供了一種更準(zhǔn)確、客觀的專利評(píng)估工具，為政府監(jiān)管和政策制定提供有力支持。同時(shí)，該模型通過分析高價(jià)值專利的趨勢(shì)和分布情況，幫助政府制定更有針對(duì)性的產(chǎn)業(yè)政策，鼓勵(lì)和支持相關(guān)領(lǐng)域的創(chuàng)新和發(fā)展，進(jìn)一步推動(dòng)經(jīng)濟(jì)轉(zhuǎn)型升級(jí)。此外，高價(jià)值專利的準(zhǔn)確定位和保護(hù)對(duì)于保護(hù)知識(shí)產(chǎn)權(quán)也至關(guān)重要。借助評(píng)估模型，政府能夠提供更精準(zhǔn)的知識(shí)產(chǎn)權(quán)保護(hù)方案，確保知識(shí)產(chǎn)權(quán)在市場(chǎng)中的合法權(quán)益得到有效保障。從企業(yè)層面而言，本方法能夠幫助企業(yè)優(yōu)化知識(shí)產(chǎn)權(quán)組合，識(shí)別核心專利和技術(shù)方向，指導(dǎo)研發(fā)投入和戰(zhàn)略規(guī)劃，從而提升創(chuàng)新能力和競(jìng)爭(zhēng)優(yōu)勢(shì)。通過對(duì)不同領(lǐng)域、不同類型專利的精準(zhǔn)評(píng)估，企業(yè)能夠獲得個(gè)性化的決策支持和指導(dǎo)，提升專利的價(jià)值和競(jìng)爭(zhēng)力，降低侵權(quán)風(fēng)險(xiǎn)。

需要注意的是，雖然本研究建立了一種基于機(jī)器學(xué)習(xí)的高價(jià)值專利識(shí)別方法，并取得了較好的預(yù)測(cè)效果，但高價(jià)值專利的識(shí)別和評(píng)估還需要考慮多個(gè)因素，如市場(chǎng)需求、技術(shù)前景、競(jìng)爭(zhēng)環(huán)境等。因此，政府、企業(yè)等在評(píng)估高價(jià)值專利時(shí)，需要結(jié)合多個(gè)角度和多種方法進(jìn)行綜合評(píng)估，未來可選擇更為全面的專利指標(biāo)以及使用更有創(chuàng)新性的模型進(jìn)行優(yōu)化并進(jìn)行更深度的探索。