基于改進(jìn)關(guān)聯(lián)規(guī)則的專利價(jià)值評(píng)估指標(biāo)體系構(gòu)建方法研究

中圖分類號(hào)：G306 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.3969/j.issn.1003-8256.2025.04.004

黨的二十大報(bào)告提出，加快實(shí)施創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略，加快實(shí)現(xiàn)高水平科技自立自強(qiáng)。2024年6月，習(xí)近平總書記在全國(guó)科技大會(huì)上的講話也指出：我們要建成的科技強(qiáng)國(guó)，應(yīng)當(dāng)具有居于世界前列的科技實(shí)力和創(chuàng)新能力，支撐經(jīng)濟(jì)實(shí)力、國(guó)防實(shí)力、綜合國(guó)力整體躍升，增進(jìn)人類福祉，推動(dòng)全球發(fā)展。現(xiàn)如今，科技創(chuàng)新水平已成為衡量一個(gè)國(guó)家綜合競(jìng)爭(zhēng)力的重要指標(biāo)。專利作為科技創(chuàng)新水平最直觀的體現(xiàn)，已受到世界各國(guó)的普遍重視。據(jù)國(guó)家知識(shí)產(chǎn)權(quán)局統(tǒng)計(jì)，截至2023年底，我國(guó)發(fā)明專利有效量為499.1萬(wàn)件，我國(guó)成為世界上首個(gè)國(guó)內(nèi)有效發(fā)明專利數(shù)量突破400萬(wàn)件的國(guó)家1，并且將持續(xù)新增巨大數(shù)量的有效專利。因此，面對(duì)海量的專利，如何對(duì)其各自的實(shí)際價(jià)值進(jìn)行評(píng)估和判斷，如何從中準(zhǔn)確識(shí)別出高價(jià)值專利，已成為一個(gè)重要的現(xiàn)實(shí)難題。

專利作為一種無(wú)形資產(chǎn)，雖可使用傳統(tǒng)無(wú)形資產(chǎn)評(píng)估中的成本法、市場(chǎng)法、收益法等進(jìn)行評(píng)估，但該類方法存在的信息不確定、操作困難、結(jié)果不可靠等劣勢(shì)同樣在專利價(jià)值評(píng)估中顯現(xiàn)出來(lái)[2]。此外，面對(duì)海量的專利價(jià)值評(píng)估需求，傳統(tǒng)評(píng)估方法對(duì)人力物力的巨大消耗，也促使學(xué)者們探索其他的專利評(píng)估方法。1984年，美國(guó)CHI-Resarch公司使用專利被引用數(shù)、當(dāng)前影響指數(shù)等7項(xiàng)特征指標(biāo)構(gòu)建了全球首個(gè)專利評(píng)估指標(biāo)體系[3];隨后國(guó)內(nèi)外學(xué)者開(kāi)始研究通過(guò)評(píng)估指標(biāo)體系構(gòu)建的方式對(duì)專利價(jià)值進(jìn)行評(píng)估。該方法主要基于專利的自身特征和文獻(xiàn)信息，提取專利價(jià)值的特征指標(biāo)，構(gòu)建評(píng)估指標(biāo)體系。使用評(píng)估指標(biāo)體系評(píng)估專利價(jià)值完成了由專利評(píng)估中主觀因素多、變化大、評(píng)估結(jié)果不可信到全面分析、給出直觀半定量標(biāo)準(zhǔn)化統(tǒng)一度量指標(biāo)的重大跨越[2]，是解決海量專利價(jià)值評(píng)估問(wèn)題的有效手段。近些年，隨著知識(shí)產(chǎn)權(quán)的重要性越發(fā)受到重視，我國(guó)圖書情報(bào)領(lǐng)域和科學(xué)學(xué)領(lǐng)域的學(xué)者也積極探索專利價(jià)值評(píng)估指標(biāo)體系的構(gòu)建（圖1，具體來(lái)源見(jiàn)2.1）。

在已有專利價(jià)值評(píng)估指標(biāo)體系構(gòu)建的研究中，主要涉及專利價(jià)值影響因素分析和指標(biāo)體系實(shí)證研究?jī)蓚€(gè)方面。Suzuki[4]、Chen等[5]、Li等[6]、蒙大斌等[7]和楊武等[8]從理論層面對(duì)專利價(jià)值評(píng)估指標(biāo)體系構(gòu)建中涉及到的專利技術(shù)、市場(chǎng)、利潤(rùn)、風(fēng)險(xiǎn)、學(xué)術(shù)等相關(guān)因素進(jìn)行了研究探討，對(duì)于構(gòu)建專利價(jià)值評(píng)估指標(biāo)的論證較為充分，分析較為透徹，但卻未能深入研究其指標(biāo)在專利價(jià)值評(píng)估實(shí)踐中的量化與應(yīng)用問(wèn)題;而Bass等[9]、Chang等[10]宋凱等[11]、趙雪峰等[12]、方曦等[13]和夏蕓等[14]則通過(guò)機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、社會(huì)網(wǎng)絡(luò)分析等方法對(duì)其各自所構(gòu)建的專利價(jià)值評(píng)估指標(biāo)體系進(jìn)行了實(shí)證分析，主要從相關(guān)視角或研究方法進(jìn)行創(chuàng)新，但對(duì)評(píng)估指標(biāo)體系的構(gòu)建問(wèn)題不夠重視，存在體系構(gòu)建中指標(biāo)選取過(guò)于主觀，部分指標(biāo)體系過(guò)于復(fù)雜、難以實(shí)操等問(wèn)題。

圖1關(guān)于專利價(jià)值評(píng)估的論文數(shù)量增長(zhǎng)趨勢(shì)和主要期刊分布

綜上，當(dāng)前學(xué)界在專利價(jià)值評(píng)估指標(biāo)體系的構(gòu)建方面思想尚未統(tǒng)一，指標(biāo)選用眾說(shuō)紛紜，不同指標(biāo)的影響機(jī)理仍不明確，所構(gòu)建評(píng)估指標(biāo)體系的可用性與易用性效果也較差，面對(duì)海量專利價(jià)值評(píng)估的實(shí)際需求仍無(wú)法得以有效滿足。因此，本文基于已有專利價(jià)值評(píng)估體系，克服過(guò)往研究中人工選用評(píng)估指標(biāo)存在的主觀性和不確定性等問(wèn)題，使用改進(jìn)關(guān)聯(lián)規(guī)則算法識(shí)別出同專利價(jià)值相關(guān)性較高的可量化評(píng)估指標(biāo)集，并構(gòu)建出具有較好可用性與易用性的評(píng)估指標(biāo)體系，以解決專利價(jià)值評(píng)估體系構(gòu)建過(guò)于主觀混亂的現(xiàn)實(shí)痛點(diǎn)，實(shí)現(xiàn)海量專利價(jià)值的有效評(píng)估。

1改進(jìn)關(guān)聯(lián)規(guī)則方法

關(guān)聯(lián)規(guī)則（associationrules）是數(shù)據(jù)挖掘的一個(gè)重要技術(shù)，可以從大量數(shù)據(jù)集中有效發(fā)現(xiàn)有意義的規(guī)則[15]，主要用于反映一個(gè)事物與其他事物之間的相互依存性和關(guān)聯(lián)性。作為一種有效分析方法，在具體分析中主要使用Apriori算法找出項(xiàng)集中的頻繁項(xiàng)集，并由頻繁項(xiàng)集產(chǎn)生關(guān)聯(lián)規(guī)則。目前，已廣泛應(yīng)用于AltmetricTop榜文獻(xiàn)特征分析[15]、web應(yīng)用統(tǒng)計(jì)[16]、專家推理規(guī)則研究[17]和數(shù)據(jù)挖掘分析[18]等領(lǐng)域。Apriori算法中主要涉及以下六個(gè)概念。

（1）項(xiàng)集（itemset）：為一些項(xiàng)的集合，項(xiàng)集中的項(xiàng)數(shù)稱為項(xiàng)集的長(zhǎng)度，包含 k 個(gè)項(xiàng)的項(xiàng)集稱為k-項(xiàng)集；

（2）支持?jǐn)?shù) （φ） ：對(duì)于 X?I，φ 為 D 中包含 X 的事務(wù)個(gè)數(shù)；

（3）支持度（support）：對(duì)于 X?I 若 D 中包含 X 的事務(wù)個(gè)數(shù)為 Φ_s，D 中事務(wù)總數(shù)為 n ，則 support（X）=s/n

（4）置信度（confidence）：為事務(wù)集中包含 X1 和 X2的項(xiàng)數(shù)與所有包含 X1 的項(xiàng)數(shù)之比，即confidence （χ1X2）=support（X1，X2）/support（X1）

（5）閾值：為最小支持度;

（6）頻繁項(xiàng)集：項(xiàng)集的出現(xiàn)頻率大于等于最小支持度，頻繁k-項(xiàng)集的集合通常記作Lk，頻繁2-項(xiàng)集記作L2。

為解決在評(píng)估專利價(jià)值過(guò)程中，構(gòu)建評(píng)估指標(biāo)體系所存在的過(guò)于低效、不夠客觀、難以量化等問(wèn)題，本文將關(guān)聯(lián)規(guī)則算法原理應(yīng)用到專利價(jià)值評(píng)估指標(biāo)體系構(gòu)建中，在考慮事務(wù)項(xiàng)集發(fā)生時(shí)間及項(xiàng)集強(qiáng)度的基礎(chǔ)上，使用關(guān)聯(lián)規(guī)則將具有相關(guān)關(guān)系的專利價(jià)值評(píng)估指標(biāo)事務(wù)項(xiàng)集在滿足支持度的基礎(chǔ)上識(shí)別出來(lái)。具體而言，一項(xiàng)專利價(jià)值評(píng)估指標(biāo)的有效性，或因?yàn)閷W(xué)術(shù)進(jìn)展的突破，或因?qū)＠贫鹊母淖儯锌赡茈S時(shí)間的變化而產(chǎn)生差異，因此相較于多年前刊發(fā)在文章中的專利評(píng)估指標(biāo)的實(shí)用性而言，近些年在論文中使用的專利評(píng)估指標(biāo)更具有科學(xué)性[19]。同時(shí)，基于科學(xué)計(jì)量的研究視角分析，一篇專利價(jià)值評(píng)估研究論文的年均被引量越高，該論文越具有影響力，其中所使用的專利價(jià)值評(píng)估指標(biāo)也越具有有效性。

綜上，考慮到關(guān)聯(lián)規(guī)則Apriori算法忽略數(shù)據(jù)發(fā)生時(shí)間以及數(shù)據(jù)自身強(qiáng)弱的缺陷，本研究引人論文發(fā)表的時(shí)間和被引頻次兩個(gè)維度對(duì)關(guān)聯(lián)規(guī)則算法進(jìn)行改進(jìn)，即選用“文章發(fā)表時(shí)間”和“文章被引量\"兩個(gè)指標(biāo)對(duì)關(guān)聯(lián)規(guī)則算法的事務(wù)數(shù)據(jù)集做加權(quán)處理，采用logistic算法對(duì)每篇論文的權(quán)重 ω 進(jìn)行計(jì)算[20]。

其中，logistic函數(shù)是單調(diào)遞增函數(shù)，加權(quán)值 ω 隨著系數(shù) n 的增加而增加，并始終保持在 （0，1） 的范圍內(nèi)。時(shí)間常數(shù) χ_t 值取最長(zhǎng)發(fā)表時(shí)長(zhǎng)與該篇文章發(fā)表時(shí)長(zhǎng)的差值； n 值隨文章年均被引量與發(fā)表時(shí)間常數(shù) χ_t 的乘積變化。

2基于改進(jìn)關(guān)聯(lián)規(guī)則的專利價(jià)值評(píng)估體系構(gòu)建

基于已有的專利價(jià)值評(píng)估指標(biāo)體系相關(guān)研究，結(jié)合改進(jìn)后的關(guān)聯(lián)規(guī)則算法，從中識(shí)別出與專利價(jià)值具有較高關(guān)聯(lián)性質(zhì)的評(píng)估指標(biāo)集，并構(gòu)建出綜合全面且易于操

作的評(píng)估指標(biāo)體系。具體流程如圖2所示。

2.1“體系-指標(biāo)\"矩陣構(gòu)建與精煉

基于CSSCI數(shù)據(jù)庫(kù)，通過(guò)題名及主題檢索，共獲得近20年間103篇有關(guān)“專利價(jià)值評(píng)估\"或“高價(jià)值專利識(shí)別\"的期刊論文，經(jīng)人工判讀，篩選出48篇使用可量化專利特征來(lái)評(píng)估或計(jì)算專利價(jià)值的論文，共涉及50個(gè)評(píng)估指標(biāo)體系（存在單篇論文設(shè)計(jì)多個(gè)體系的情況），單個(gè)指標(biāo)體系中最高涉及33項(xiàng)評(píng)估指標(biāo)，最低涉及2項(xiàng)指標(biāo)，共包括“發(fā)明人”“專利權(quán)人”“時(shí)間”“引用\"等多個(gè)維度的69項(xiàng)評(píng)估指標(biāo)，具體出現(xiàn)頻次如表1所示。

此時(shí)，事務(wù)項(xiàng)目集 I={i₁，i₂，i₃，…，i₅₀} ，每一個(gè)事務(wù)i為一個(gè)評(píng)估指標(biāo)體系，而 ik={x₁，x₂，x₃，…，x_k} ，即每一個(gè)體系 i 中含有 k 個(gè)評(píng)估指標(biāo)，稱 ik 為包含 k 個(gè)指標(biāo)的項(xiàng)集，記為 k- 項(xiàng)集。由每一個(gè)指標(biāo)體系的事務(wù) χ_in"與指標(biāo)x_k"共同組成“體系-指標(biāo)共現(xiàn)矩陣M”，見(jiàn)式3。

表1專利價(jià)值評(píng)估指標(biāo)體系中69項(xiàng)指標(biāo)使用頻次統(tǒng)計(jì)

鑒于矩陣過(guò)于松散，且部分指標(biāo)屬性存在重疊，因此對(duì)評(píng)估指標(biāo)進(jìn)行精煉，具體規(guī)則包括：將涉及第一專利發(fā)明人的職務(wù)、職稱、合作機(jī)構(gòu)、合作論文次數(shù)等5項(xiàng)指標(biāo)合并為“首位發(fā)明人特征”，已有“專利IPC數(shù)量”指標(biāo)，故剔除“專利涉及的非主分類號(hào)的IPC數(shù)”，剔除“專利交易平臺(tái)”相關(guān)指標(biāo)，將專利權(quán)人相關(guān)的平均合作量、平均維持時(shí)間等共10個(gè)指標(biāo)合并為“專利權(quán)人相關(guān)特征”，將表征專利質(zhì)量的“PCT國(guó)際申請(qǐng)”和“三方專利”進(jìn)行合并。精煉后得到一個(gè) 50×52 的矩陣指標(biāo)共現(xiàn)矩陣 M^′ ，具體如公式（4）所示，作為關(guān)聯(lián)規(guī)則算法的預(yù)處

理事務(wù)數(shù)據(jù)集。

2.2加權(quán)體系指標(biāo)矩陣構(gòu)建

依據(jù)公式（1）和（2），統(tǒng)計(jì)論文的發(fā)表時(shí)間和被引數(shù)量，計(jì)算每個(gè)項(xiàng)集的權(quán)值 ω ，計(jì)算結(jié)果如表2所示。依據(jù)每個(gè)體系的加權(quán)系數(shù)重新構(gòu)造共現(xiàn)矩陣 M^′（ω） ，具體示例見(jiàn)表3。

2.3 最優(yōu)關(guān)聯(lián)規(guī)則識(shí)別

將新構(gòu)建的加權(quán)矩陣 M^′（ω） 作為最終項(xiàng)目事務(wù)集導(dǎo)入到Apriori算法，且在每個(gè)項(xiàng)集中加入第0項(xiàng)事件“專利價(jià)值”。在最優(yōu)關(guān)聯(lián)規(guī)則計(jì)算中，將“專利價(jià)值”設(shè)定為前件，其余指標(biāo)設(shè)定為后件，支持度和置信度均為0.05。導(dǎo)出滿足支持度和置信度下的所有關(guān)聯(lián)規(guī)則 Lk 的頻繁項(xiàng)集，此時(shí) k 值最大為8項(xiàng)，具體結(jié)果見(jiàn)表4。

表2加權(quán)系數(shù)計(jì)算結(jié)果

表3專利價(jià)值評(píng)估體系-指標(biāo)共現(xiàn)矩陣 M^′（ω ）示例

表4滿足計(jì)算要求的所有關(guān)聯(lián)規(guī)則

2.4專利價(jià)值評(píng)估指標(biāo)體系確定

由表4可知，置信度值最高的關(guān)聯(lián)規(guī)則3為最優(yōu)關(guān)聯(lián)規(guī)則，使用該指標(biāo)集構(gòu)建評(píng)估指標(biāo)體系。依據(jù)中國(guó)技術(shù)交易所編寫的《專利價(jià)值分析與評(píng)估體系規(guī)范研究》，并結(jié)合已有研究和應(yīng)用基礎(chǔ)，對(duì)評(píng)價(jià)指標(biāo)進(jìn)行梳理。其中：

（1）專利壽命 （PL） ，或稱為專利剩余保護(hù)期，通常是指授權(quán)有效專利自評(píng)估日起剩余的專利權(quán)保護(hù)期限，剩余有效期越大，說(shuō)明專利的潛在壟斷時(shí)間越長(zhǎng)，其潛在專利價(jià)值越高。該指標(biāo)歸屬于專利法律價(jià)值維度；

（2）專利權(quán)利要求數(shù)量 （PCl） ，指專利文件中給出的專利說(shuō)明或技術(shù)方案的數(shù)量，通常一項(xiàng)專利所具有的權(quán)利要求數(shù)量越詳細(xì)，其技術(shù)保護(hù)越明晰，權(quán)利范圍越穩(wěn)定，反映專利的權(quán)利穩(wěn)定性和技術(shù)保護(hù)范圍。該指標(biāo)歸屬于專利法律價(jià)值維度；

（3）專利被引證次數(shù) （PR） ，或稱被引用次數(shù)，主要是指專利被其他專利引用的數(shù)量，其可以反映專利的技術(shù)重要程度，一項(xiàng)重要專利技術(shù)出現(xiàn)以后，會(huì)被相關(guān)技術(shù)改進(jìn)專利大量重復(fù)引用，居于較為基礎(chǔ)的技術(shù)地位，具有較高的技術(shù)價(jià)值。該指標(biāo)歸屬于專利技術(shù)價(jià)值維度；

（4）專利引用次數(shù) （PC） ，或稱專利引證次數(shù)，能夠反映待評(píng)估專利的技術(shù)基礎(chǔ)和技術(shù)發(fā)展延伸關(guān)系。如果專利申請(qǐng)引用的專利或?qū)彶閱T引用對(duì)比的文獻(xiàn)較多，則該專利通常為改進(jìn)型技術(shù)，居于較為次要的技術(shù)地位。該指標(biāo)歸屬于專利技術(shù)價(jià)值維度；

（5）專利的非專利引文量（NPC），主要是指待評(píng)專利引用的非專利文獻(xiàn)的數(shù)量，通常用來(lái)反映專利的技術(shù)理論描述深度。該指標(biāo)歸屬于專利技術(shù)價(jià)值維度；

（6）專利發(fā)明人數(shù)量 （PI） ，主要指一項(xiàng)專利所涉及到的發(fā)明人數(shù)量，通常反映出該專利技術(shù)投入與創(chuàng)新的程度，對(duì)技術(shù)研發(fā)的人力資源投人越多，耗費(fèi)的成本也越大，其越具有重要經(jīng)濟(jì)價(jià)值。該指標(biāo)歸屬于專利經(jīng)濟(jì)價(jià)值維度；

（7）專利分類號(hào)數(shù)量（PCN），主要是指專利文件中給出的分類號(hào)涉及的技術(shù)類別IPC的數(shù)量，通常一項(xiàng)專利所具有分類號(hào)越多，其涉及的領(lǐng)域越多，該專利適用范圍越廣，越具有較高的市場(chǎng)應(yīng)用價(jià)值。該指標(biāo)歸屬于專利經(jīng)濟(jì)價(jià)值維度；

（8）專利同族數(shù)量 （PF） ，指專利基于同一優(yōu)先權(quán)文件，在多個(gè)國(guó)家或地區(qū)申請(qǐng)的內(nèi)容相同或基本相同的專利數(shù)量，通常一項(xiàng)專利的同族數(shù)量規(guī)模越大，地域覆蓋范圍越廣，則其市場(chǎng)占有力越強(qiáng)，專利價(jià)值相應(yīng)也就越大。該指標(biāo)歸屬于專利經(jīng)濟(jì)價(jià)值維度。

綜上，基于改進(jìn)關(guān)聯(lián)規(guī)則所構(gòu)建的專利價(jià)值評(píng)估指標(biāo)體系如表5所示。

3實(shí)證研究：固體氧化物燃料電池領(lǐng)域的專利價(jià)值評(píng)估

選用固體氧化物燃料電池（SOFC）技術(shù)領(lǐng)域進(jìn)行實(shí)證研究，使用Incopat專利數(shù)據(jù)庫(kù)獲取數(shù)據(jù)。以“Solidoxideelectrolysiscell$”\"SOEC$\"\"solidoxide\"等字段為“標(biāo)題摘要\"內(nèi)容進(jìn)行檢索，共獲得29272項(xiàng)SOFC技術(shù)領(lǐng)域?qū)＠?/p>

對(duì)獲取到的專利數(shù)據(jù)進(jìn)行清洗和處理，依照“專利當(dāng)前法律狀態(tài)”作專利有效和失效類型劃分，并基于“專利申請(qǐng)日、專利失效日\(chéng)"字段進(jìn)行專利壽命的計(jì)算，并將“專利壽命\"\"專利分類號(hào)數(shù)量”\"發(fā)明人數(shù)量\"\"權(quán)利要求數(shù)量”四項(xiàng)題錄的缺失值以“平均值\"填充，“引用次數(shù)”“被引證次數(shù)\"\"非專利引文量\"的缺失值以\"0\"值填充。

隨后，將處理好的數(shù)據(jù)標(biāo)準(zhǔn)化后，導(dǎo)人機(jī)器學(xué)習(xí)算法中進(jìn)行實(shí)證分析。研究中，主要使用支持向量機(jī)（SVM）、邏輯回歸（logistic）、K近鄰（KNN）、隨機(jī)森林（RandomForest）和XGBoost五類機(jī)器學(xué)習(xí)算法，使用Incopat數(shù)據(jù)庫(kù)中的“合享價(jià)值度”指標(biāo)作為有監(jiān)督學(xué)習(xí)，將“合享價(jià)值度 =10^′ 的專利視為高價(jià)值專利[21]，其余專利視為“低價(jià)值專利”。鑒于部分指標(biāo)值存在統(tǒng)計(jì)時(shí)滯性，因此將數(shù)據(jù)集中“專利申請(qǐng)年=2010、2012、2014、2018和2020\"共5年的7628項(xiàng)專利作為預(yù)測(cè)集，將其余年份的21644項(xiàng)專利作為訓(xùn)練和測(cè)試集數(shù)據(jù)，以試驗(yàn)所構(gòu)建評(píng)估指標(biāo)體系的效度。

為將訓(xùn)練和測(cè)試數(shù)據(jù)優(yōu)化處理，從專利價(jià)值度較低的數(shù)據(jù)中隨機(jī)抽取7358項(xiàng)數(shù)據(jù)，與7358項(xiàng)高價(jià)值專利構(gòu)建成1：1的訓(xùn)練和測(cè)試數(shù)據(jù)集，并隨即從中抽取 80% 作為訓(xùn)練數(shù)據(jù)，余下 20% 作為測(cè)試數(shù)據(jù)。

表5基于改進(jìn)關(guān)聯(lián)規(guī)則的專利價(jià)值評(píng)估指標(biāo)體系

過(guò)程中對(duì)kernel ?ⁿ _estimators ?ⁿ _neighbors等參數(shù)進(jìn)行調(diào)優(yōu)，完成各模型的訓(xùn)練和測(cè)試。其主要測(cè)試結(jié)果如表6所示。

表6五類機(jī)器學(xué)習(xí)算法測(cè)試結(jié)果

由表6可知，本研究基于改進(jìn)關(guān)聯(lián)規(guī)則算法構(gòu)建出的專利價(jià)值評(píng)價(jià)指標(biāo)體系在5種機(jī)器學(xué)習(xí)算法效力測(cè)度中，4種評(píng)估值的有效率均在 70% 以上，效度最高的隨機(jī)森林算法4項(xiàng)測(cè)度指標(biāo)均在 85% 以上，充分證明了本研究所構(gòu)建指標(biāo)體系的有效性。

下面僅以效度最優(yōu)的隨機(jī)森林算法，使用預(yù)測(cè)集中的專利做進(jìn)一步效度檢驗(yàn)。檢驗(yàn)時(shí)，從低價(jià)值專利中隨機(jī)抽取2148項(xiàng)與2148項(xiàng)高價(jià)值專利構(gòu)成1：1的預(yù)測(cè)數(shù)據(jù)集4296項(xiàng)，對(duì)相關(guān)參數(shù)調(diào)優(yōu)，并將預(yù)測(cè)結(jié)果值導(dǎo)出，且保留1位小數(shù)。將預(yù)測(cè)結(jié)果與Incopat數(shù)據(jù)庫(kù)中的原值做比較分析，具體如圖3所示。

圖3 目標(biāo)值與預(yù)測(cè)值間的差值統(tǒng)計(jì)

由圖3可知，預(yù)測(cè)集4296項(xiàng)專利中，共有3027項(xiàng)（約 70.46% ）專利價(jià)值的目標(biāo)值與預(yù)測(cè)值之間差距在2之間，有631項(xiàng)（約 14.69% 的專利價(jià)值評(píng)估值較實(shí)際值低3～5個(gè)值，另有311項(xiàng)（ 7.24% 的專利價(jià)值評(píng)估較原值高3～5個(gè)測(cè)度值。由此，研究中構(gòu)建的專利價(jià)值評(píng)估指標(biāo)體系具有較好的可用性與易用性，整體專利評(píng)估有效性也較高，滿足海量專利價(jià)值評(píng)估的需要。

4結(jié)語(yǔ)

2024年6月，習(xí)近平總書記在全國(guó)科技大會(huì)上的講話指出：聚焦現(xiàn)代化產(chǎn)業(yè)體系建設(shè)的重點(diǎn)領(lǐng)域和薄弱環(huán)節(jié)，增加高質(zhì)量科技供給，培育發(fā)展新興產(chǎn)業(yè)和未來(lái)產(chǎn)業(yè)，積極運(yùn)用新技術(shù)改造提升傳統(tǒng)產(chǎn)業(yè)。專利價(jià)值評(píng)估指標(biāo)體系的合理構(gòu)建，作為實(shí)現(xiàn)專利價(jià)值有效評(píng)估的關(guān)鍵前提，是實(shí)現(xiàn)高質(zhì)量科技供給的重要手段之一，對(duì)于著重發(fā)揮技術(shù)創(chuàng)新在科技強(qiáng)國(guó)建設(shè)中的關(guān)鍵作用，推動(dòng)市場(chǎng)經(jīng)濟(jì)發(fā)展，助力發(fā)展新質(zhì)生產(chǎn)力具有重要意義。本文對(duì)專利價(jià)值評(píng)估指標(biāo)體系開(kāi)展研究，主要研究結(jié)論有以下三點(diǎn)：

（1）基于已有的專利價(jià)值評(píng)價(jià)指標(biāo)體系，運(yùn)用改進(jìn)后的關(guān)聯(lián)規(guī)則算法進(jìn)行專利價(jià)值評(píng)估指標(biāo)體系的構(gòu)建，探索出一種構(gòu)建評(píng)估指標(biāo)體系以實(shí)現(xiàn)專利價(jià)值評(píng)估的有效方法。

（2）研究中考慮關(guān)聯(lián)規(guī)則算法來(lái)源數(shù)據(jù)的強(qiáng)弱關(guān)系，使用文獻(xiàn)被引量和發(fā)文時(shí)間兩個(gè)指標(biāo)對(duì)關(guān)聯(lián)算法進(jìn)行改進(jìn)，提升了最優(yōu)關(guān)聯(lián)規(guī)則識(shí)別的準(zhǔn)確性，實(shí)現(xiàn)了關(guān)聯(lián)規(guī)則算法的有效改進(jìn)。

（3）研究中使用固體氧化物燃料電池技術(shù)領(lǐng)域?qū)＠麑?duì)指標(biāo)體系進(jìn)行實(shí)證分析，計(jì)算結(jié)果具有較高的信度和效度，證明了本文所提出專利價(jià)值評(píng)估指標(biāo)體系構(gòu)建方法的有效性，能夠?qū)崿F(xiàn)專利價(jià)值的準(zhǔn)確評(píng)估。

本文存在的不足之處有：為了滿足評(píng)估指標(biāo)體系的可驗(yàn)證性和易操作性，僅選用了易獲取、可量化的專利評(píng)估指標(biāo)構(gòu)建共現(xiàn)矩陣，整體指標(biāo)體系對(duì)專利價(jià)值的考察范圍有待進(jìn)一步驗(yàn)證。同時(shí)，僅選用固體氧化物燃料電池單個(gè)領(lǐng)域?qū)＠M(jìn)行實(shí)證，未來(lái)可嘗試將指標(biāo)體系擴(kuò)展到其他領(lǐng)域進(jìn)行研究和分析。

參考文獻(xiàn)：

[1］國(guó)務(wù)院新聞辦網(wǎng)站.國(guó)務(wù)院新聞辦發(fā)布會(huì)介紹2023年知識(shí)產(chǎn)權(quán)工作進(jìn)展情況[EB/OL].（2024-01-16）https：//www.gov.cn/lianbo/fabu/202401/content_6926362.htm.

[2] 中國(guó)技術(shù)交易所組織.專利價(jià)值分析與評(píng)估體系規(guī)范研究[M].北京：知識(shí)產(chǎn)權(quán)出版社，2015.

[3] NARINF.Patentsasindicators fortheevaluationofindustrialresearch output[J].Scientometrics，1995，34（3）：489-496.

[4] SUZUKI J.Structural modelingofthevalue of patent[J].ResearchPolicy，2011，40（7）：986-1000.

[5] CHENJ，YUANZM.Thestudyoninformation technologypatentvalueevaluation index based on real option theory[J].SpringerBerlinHeidelberg，2012（160）：309-315.

[6] LIYM，ZHAOJ，LEIWT.Research onevaluationindex systemofpatentvalue fortechnological innovationenterprises[J].International Conference on Social Scienceand Development，2015（1）：1-8.

[7] 蒙大斌，李欣怡.基于因子分析的人工智能產(chǎn)業(yè)專利價(jià)值評(píng)價(jià)[J/OL].科學(xué)與管理，1-10[2024-08-23].http：//kns.cnki.net/kcms/detail/37.1020.G3.20240524.1435.002.html.

[8] 楊武，孫世強(qiáng)，陳培.技術(shù)鎖定視角下的專利價(jià)值影響因素分析[J].科學(xué)學(xué)研究，2022，40（6）：1024-1033.

[9] BASSSD，KURGANL A.Discovery of factors influencingpatentvaluebased on machine learning in patents in the field ofnanotechnology[J].Scientometrics，2010，82（2）：217-241.

[10]CHANG K C，CHEN C，KIANG YJ，et al.A study of influencingfactorsofpatentvaluebasedonsocialnetworkanalysis[J].PortlandInternational Conference on Management of Engineeringamp;Technology，2016（1）：1470-1477.

[11］宋凱，冉從敬.基于指標(biāo)計(jì)算與內(nèi)容分析的高校專利價(jià)值評(píng)估方法研究[J].情報(bào)理論與實(shí)踐，2023，46（2）：136-144.

[12]趙雪峰，胡瑾瑾，吳德林，等.一種基于特征拼接、標(biāo)簽遷移及深度學(xué)習(xí)組合的專利價(jià)值評(píng)估方法[J]情報(bào)學(xué)報(bào)，2023，42（6）：663-680.

[13］方曦，李清瑞.高校專利申請(qǐng)前價(jià)值評(píng)估體系構(gòu)建及實(shí)證研究[J].科技管理研究，2024，44（8）：48-56.

[14］夏蕓，魏田苡薇，洪楷宣，等.專利形成全周期視角下的高價(jià)值專利識(shí)別體系研究[J].科學(xué)與管理，2024，44（4）：1-9，103.

[15]INTAN R.A proposal of fuzzy multidimensional association rules[J].JurnalInformatika，2006，7（2）：306-310.

[16]王玉奇，高建華.一種基于關(guān)聯(lián)規(guī)則的 Web 應(yīng)用統(tǒng)計(jì)測(cè)試方法[J].計(jì)算機(jī)工程，2020，46（3）：206-213.

[17]RAUCH J.Expert deduction rules in data mining with associationrules：acase study[J].Knowledgeamp; Information Systems，2018，59（1）：167-195.

[18］WARDANI D W.Measuring positive and negative association ofapriorialgorithm with cosine correlation analysis[J].BaghdadScienceJournal，2021，18（3）：554-564.

[19］王康，陳悅，蘇成，等.多維視角下科學(xué)主題演化分析框架[J].情報(bào)學(xué)報(bào)，2021，40（3）：297-307.

[20]鄒凌君，陳崎，李娟.時(shí)間加權(quán)的混合推薦算法[J].計(jì)算機(jī)科學(xué)，2016，43（增刊2）：451-454.

[21]欒春娟，梁樂(lè)言，竺申.中美產(chǎn)/學(xué)/研專利價(jià)值度比較及啟示[J].科學(xué)與管理，2020，40（3）：7-13.

Construction Method Research of Patent Value Evaluation Index System Based on Improved Association Rules

HANMeng1，CHENYue1，WANGYuqi1，CUILinwei2 （1.TheInstituteofScienceofSienceandSamp;TManagementamp;WISELab，DalianUniversityofTechnology，Dalian116O24，hina; 2.College of Information Resource Management，Liaoning University，Shenyang 110136，China）

Abstract：Effectively evaluating thevalueof patentsand increasingthesupplyof high-quality technology isof great practicalsignificance for implementing theconstructionof astrong intellctual propertycountry.This paper explores the useof improved association rulesalgorithmtoconstruct the patent value evaluation index system，overcomes theresearch defects of toocomplex dimensionsandstrong subjectivityintheselectionof indicators inprevious studies，optimizes the construction methodof patent value evaluation index system，and enriches theresearch methods of patentvalue evaluation. Firstly，this paper constructs the System Index co-occurrence matrix basedon the previous patent value evaluation research papers.Then，this paper introduces the document publishing timeand cited quantityto weighttheitemset，and thencalculates theoptimalassociationrule index set.Finall，this paperconstructs the patent value evaluationindex system acording to the optimal association rules and index atributes.This paper uses SOFC technology patents and five machinelearningalgorithmstoempiricall testthevalidityoftheconstructionresults，verifiestheavailabilityand practicabilityof the index system，and alsoconfirms theefectivenessofthe proposed index system construction method.

Keywords：patent value;evaluation index system;association rules;machine learning algorithm