吳永清 羅賢春 文庭孝

摘?要：[目的/意義]采用企業(yè)專利大數(shù)據(jù)，構(gòu)造高維云模型，預(yù)測(cè)企業(yè)成長性。[方法/過程]選取中國股票市場創(chuàng)業(yè)板公司為研究對(duì)象，依據(jù)企業(yè)專利聚類結(jié)果，用逆向云模型多步式算法生成專利的云模型改造神經(jīng)網(wǎng)絡(luò)神經(jīng)元，構(gòu)造云模型;用因子分析計(jì)算企業(yè)的成長性并通過聚類分析分成4類;用云模型補(bǔ)充不平衡數(shù)據(jù)。[結(jié)果/結(jié)論]研究表明，高維云神經(jīng)網(wǎng)絡(luò)能很好預(yù)測(cè)企業(yè)的成長性，準(zhǔn)確性和穩(wěn)定性得到提高，同時(shí)也表明企業(yè)專利對(duì)其成長性有重要作用。企業(yè)專利對(duì)成長性的影響是復(fù)雜的：專利同族數(shù)、發(fā)明專利占比、專利權(quán)利要求數(shù)對(duì)企業(yè)的成長性促進(jìn)作用，而單純專利數(shù)量有負(fù)面的影響。

關(guān)鍵詞：專利大數(shù)據(jù);高維云模型;RBF神經(jīng)網(wǎng)絡(luò);企業(yè)成長性;創(chuàng)業(yè)板上市公司

DOI：10.3969/j.issn.1008-0821.2020.03.004

〔中圖分類號(hào)〕G255.53?〔文獻(xiàn)標(biāo)識(shí)碼〕A?〔文章編號(hào)〕1008-0821（2020）03-0038-09

Abstract：[Purpose/Significance]The enterprise patent big data is used to construct a high-dimensional cloud model to predict the enterprise growth.[Method/Process]In this study，listed companies on GEM in the Chinese stock market were selected as the research object.According to the enterprise patent clustering results，the reverse cloud model was used to generate the patented cloud model to transform the neural network neurons and construct the cloud model.The enterprise growth was calculated by factor analysis and divided into four categories by cluster analysis.Unbalanced data was supplemented through cloud models.[Result/Conclusion]The research showed that the high-dimensional cloud neural network can well predict the enterprise growth，with the accuracy and stability of the predict being improved，and also showed that the enterprise patent played an important role in its growth.The influence of enterprise patent on growth was complex：the number of patent homogeneity，the proportion of invention patent，and the number of patent rights can promote the enterprise growth while the sheer number of ?patents had a negative impact on the enterprise growth.

Key words：enterprise patent big data;high-dimensional cloud model;RBF neural network;enterprise growth;listed companies on GEM

對(duì)于提升國家和企業(yè)的科技水平和競爭力，專利的作用越來越重要。根據(jù)世界知識(shí)產(chǎn)權(quán)組織（World Intellectual Property Organization）統(tǒng)計(jì)，有效運(yùn)用專利文獻(xiàn)，可縮短技術(shù)和產(chǎn)品研發(fā)時(shí)間60%，并可節(jié)省研發(fā)費(fèi)用40%;專利說明書中含有90%～95%的技術(shù)和產(chǎn)品研發(fā)成果，而其它技術(shù)文獻(xiàn)（如論文、期刊等）中，則僅含有5%～10%的研發(fā)成果[1]。世界知識(shí)產(chǎn)權(quán)組織2016年11月發(fā)布報(bào)告指出，2015年中國專利申請(qǐng)量達(dá)110多萬件，幾乎占到全球總量的四成[2]。2012-2016年期間，國內(nèi)專利受理數(shù)量以2位數(shù)的速度增長（除2014年為負(fù)增長外），2016年國內(nèi)專利受理為3 305 225件，至此累計(jì)為19 802 035件[3]。企業(yè)專利占整個(gè)國內(nèi)專利很大比重，1986年1月-2016年12月期間，企業(yè)占國內(nèi)職務(wù)發(fā)明創(chuàng)造專利受理量82.4%，國內(nèi)職務(wù)發(fā)明專利受理量72.2%，國內(nèi)職務(wù)外觀設(shè)計(jì)專利受理量93.5%，國內(nèi)職務(wù)實(shí)用新型專利受理量85.4%，在2016年企業(yè)上述專利分別占國內(nèi)職務(wù)專利的82%，74.8%，84.9%和93.4%[4]。

企業(yè)的成長性受到技術(shù)創(chuàng)新和研發(fā)投入的影響。企業(yè)的技術(shù)效率和研發(fā)投入對(duì)企業(yè)成長是非常重要的[5]。通過對(duì)首批在創(chuàng)業(yè)板上市的28家公司的相關(guān)指標(biāo)得出影響企業(yè)成長性的影響因素有企業(yè)財(cái)務(wù)狀況、技術(shù)創(chuàng)新及應(yīng)用能力等[6]。技術(shù)創(chuàng)新能力對(duì)公司成長性的貢獻(xiàn)也值得關(guān)注[7]。企業(yè)的研發(fā)經(jīng)費(fèi)投入力度與技術(shù)創(chuàng)新績效產(chǎn)出均存在明顯的正相關(guān)關(guān)系[8]。R&D支出對(duì)企業(yè)成長性的正向促進(jìn)作用非常明顯[9]。企業(yè)專利質(zhì)量促進(jìn)公司投資價(jià)值增加[10]。國外學(xué)者對(duì)于研發(fā)及技術(shù)創(chuàng)新對(duì)企業(yè)成長性影響的研究更廣泛。Piekkola H根據(jù)芬蘭雇主與雇員關(guān)聯(lián)數(shù)據(jù)研究科研投入所生產(chǎn)的生產(chǎn)率增長，得出研發(fā)支出對(duì)中小企業(yè)生產(chǎn)率的增長有積極作用[11]。Alex Coad通過向量自回歸模型分析認(rèn)識(shí)增加研發(fā)投資將有利于銷售和就業(yè)率的增長[12]。Pelin Demirel等對(duì)1950-2008年期間小型和大型美國上市制藥公司創(chuàng)新如何影響公司增長的差異進(jìn)行了探討，得出創(chuàng)新會(huì)促進(jìn)擁有專利5年以上小公司的增長[13]。Jeffrey I Bernstein等分析日本和加拿大工業(yè)得出研發(fā)溢出效應(yīng)促進(jìn)工業(yè)全要素生產(chǎn)率增長[14]。Andrin Spescha分析瑞士企業(yè)1995-2012年面板數(shù)據(jù)顯示：相對(duì)較大或較年輕的公司，更小、更成熟的公司在研發(fā)支出和銷售增長之間的關(guān)系更為積極[15]。Mario I Kafouros根據(jù)1989年78家公司評(píng)估研發(fā)對(duì)英國制造業(yè)生產(chǎn)率增長的影響，研發(fā)的貢獻(xiàn)大約是0.04，而且高科技行業(yè)的研發(fā)彈性相當(dāng)高，為0.11[16]。

企業(yè)專利是技術(shù)創(chuàng)新和研發(fā)投入形成的重要成果呈現(xiàn)，利用專利平臺(tái)提供的專利大數(shù)據(jù)，構(gòu)建基于云神經(jīng)網(wǎng)絡(luò)的企業(yè)專利對(duì)企業(yè)成長性判斷模型，提供企業(yè)成長性預(yù)警和判斷企業(yè)的成長性參考。

1?研究方法

云模型是由我國李德毅教授在20世紀(jì)90年代提出的定性定量間相互不確定性轉(zhuǎn)換的模型，它把隨機(jī)性和模糊性有機(jī)結(jié)合在一起，能描述不確定概念的模糊性和隨機(jī)性，并用計(jì)算機(jī)模擬表示定性概念，同時(shí)可以通過云模擬更好呈現(xiàn)隨機(jī)樣本所表示的特征。在打靶中，通過云發(fā)生器生成的云滴比原靶圖更能反映選手的水平[17]。云滴是根據(jù)原靶的數(shù)字特征生成的，它們組成的云團(tuán)可以更加準(zhǔn)確地反映選手的水平。云模型自提出來以后，得到很快的發(fā)展，并在很多領(lǐng)域得到廣泛應(yīng)用，特別是一維云模型、二維云模型已大量應(yīng)用于數(shù)據(jù)挖掘、網(wǎng)格資源分配、智能控制、數(shù)據(jù)預(yù)測(cè)等領(lǐng)域[18]。

1943年心理學(xué)家McCulloch和數(shù)學(xué)家Pitts發(fā)表了神經(jīng)元模型MP，它是一個(gè)包含輸入、計(jì)算、輸出功能的模型，即可以使用這些神經(jīng)元搭建神經(jīng)網(wǎng)絡(luò)，奠定神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。1988年Broomhead和Lowe將徑向基函數(shù)用于神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)非線性函數(shù)的一種逼近，使得低維空間不可分的問題在轉(zhuǎn)換到高維空間后實(shí)現(xiàn)可分，在圖形處理、時(shí)間序列分析、模式識(shí)別和非線性控制領(lǐng)域得到廣泛應(yīng)用。

用云模型改造RBF神經(jīng)網(wǎng)絡(luò)的神經(jīng)元，克服RBF神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)量和徑向函數(shù)確定的不足，克服RBF神經(jīng)網(wǎng)絡(luò)的硬分類缺陷[19]，融入云模型的神經(jīng)網(wǎng)絡(luò)發(fā)揮神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能的同時(shí)提高神經(jīng)網(wǎng)絡(luò)的分類效果。

用因子分析法得出的特征值對(duì)企業(yè)的成長性指標(biāo)進(jìn)行權(quán)重分配，克服人為評(píng)價(jià)的主觀性，對(duì)企業(yè)成長性評(píng)價(jià)更加客觀。

2?模型構(gòu)建

本文將云模型和神經(jīng)網(wǎng)絡(luò)兩種方法結(jié)合在一起，形成正態(tài)云神經(jīng)網(wǎng)絡(luò)模型，通過企業(yè)專利判斷企業(yè)的成長性。

2.1?高維云模型

云模型有3個(gè)數(shù)字特征，分別是期望Ex、熵En和超熵He，表達(dá)定性概念總體定量特征，表示為C（Ex，En，He），其圖形呈現(xiàn)為由若干云滴組成的云團(tuán)，橫坐標(biāo)為云滴值，縱標(biāo)為云滴屬于定性概念的確定度。

期望Ex是最能代表定性概念的樣本點(diǎn)，也即典型的樣本點(diǎn)。熵En體現(xiàn)期望Ex的離散程度，同時(shí)反映定性概念的模糊性，即隸屬度。超熵He是熵的熵，反映熵的不確性，是En的離散程度。

單獨(dú)看每一個(gè)云滴，呈現(xiàn)隨機(jī)性，無規(guī)律可尋，而由許多云滴組成云圖則呈現(xiàn)云的規(guī)律性，反映模糊性和隨機(jī)性，云模型的數(shù)字特征是由許多云滴組成云團(tuán)的統(tǒng)計(jì)特征。李德毅指出，云滴確定度的概率密度與云的3個(gè)數(shù)字特征無關(guān)，這反映人們認(rèn)識(shí)的深層規(guī)律：不同的人會(huì)有不同的認(rèn)識(shí)，不同的時(shí)期也會(huì)有不同的認(rèn)識(shí)，但是云滴確定度的統(tǒng)計(jì)分布，總體上都是一個(gè)統(tǒng)一的形態(tài)。認(rèn)識(shí)的不確定性仍然有著確定的規(guī)律性，提示了人們用不同語言值表示不同定性概念之間存在的認(rèn)識(shí)上的共同性[20]。

云發(fā)生器實(shí)現(xiàn)定量數(shù)據(jù)和定性概念之間轉(zhuǎn)換，一個(gè)定性概念通過云發(fā)生器可生成許多定量數(shù)據(jù)，也即一個(gè)定性概念對(duì)應(yīng)多個(gè)定量數(shù)據(jù)，盡管這些定量數(shù)據(jù)具有一定分散性，但它們整體聯(lián)合起來所表達(dá)的定性概念具有穩(wěn)定性。從分布來看，雖然每一個(gè)云滴分散的雜亂，但不影響許多云滴組成云團(tuán)的整體特征。

云發(fā)生器有正向發(fā)生器和逆向發(fā)生器，X條件云發(fā)生器和Y條件云發(fā)生器。正向發(fā)生器是從定性到定量的過程，根據(jù)反映定性概念的云模型的3個(gè)特征，生成定性概念的定量表達(dá)。逆向發(fā)生器則是從定量到定性的過程，根據(jù)云滴（x，μ）生成反映定性概念的3個(gè)特征數(shù)字期望Ex、熵En和超熵He，得到定性概念的云表達(dá)模型。

正態(tài)云模型是常見的云模型，其云滴組成的云團(tuán)圖形為圖3[21]。

正態(tài)云模型C（Ex，En，He）的正向發(fā)生器生成云滴的方法如下：

至此，得一個(gè)云團(tuán)中的一個(gè)云滴（x，μ），重復(fù)步驟（1）～（3），就可得到N個(gè)云滴[22]。

X條件云發(fā)生器和Y條件云發(fā)生器是正向發(fā)生器的特殊形式，在知道X的條件下確定云滴，這時(shí)計(jì)算確定度，或在知道Y的條件下確定云滴，這時(shí)要計(jì)算X。這里的Y就是確定度。用到第（3）步公式，對(duì)其進(jìn)行變換，求出云滴。不需要用第（2）中生成隨機(jī)正態(tài)數(shù)據(jù)x。

逆向云算法分為2種類型：有確定度逆向云算法和無確定度逆向云算法。有確定度的云發(fā)生器則是根據(jù)云滴和其確定度，得到反映定性概念的云模型的3個(gè)數(shù)字特征。假設(shè)有m個(gè)云滴，其過程如下：

這種方法需要知道云滴的確定度，而我們從調(diào)查中采集到的數(shù)據(jù)，通常只有x參考值，沒有確定度，所以要計(jì)算定性概念的云模型參數(shù)難度大，這需要另外計(jì)算確定度。這種方法推廣使用受到很大的限制。

鑒于數(shù)據(jù)可獲得性，通常我們用無確定度的方法確定3個(gè)特征數(shù)字。這種算法又可以分為4種，即單步式一階中心距、單步式四階中心距、峰值法以及多步式算法。

峰值法、單步式一階中心距和單步式四階中心距有可能會(huì)出現(xiàn)第4步計(jì)算超熵時(shí)出現(xiàn)負(fù)值的現(xiàn)象，究其原因，是忽略云滴是由2次隨機(jī)過程產(chǎn)生的事實(shí)，提出刪除樣本點(diǎn)均值近的點(diǎn)的方法[23-24]。

多步式算法：

這種算法可以避免前幾種方法的出現(xiàn)超熵為負(fù)的現(xiàn)象[25]。

2.2?RBF神經(jīng)網(wǎng)絡(luò)模型

RBF基本結(jié)構(gòu)分為3層，分別為輸入層、隱含層和輸出層。其本質(zhì)是選擇適當(dāng)?shù)幕瘮?shù)、隱含層單元數(shù)和連接權(quán)值[26]。

輸入層僅僅是傳遞信號(hào)的作用，將外來的信息傳遞到隱含層。

隱含層是將輸入的信息進(jìn)行非線性變換，對(duì)基函數(shù)的參數(shù)進(jìn)行調(diào)整?；瘮?shù)通常采取高斯函數(shù)，其輸出一般可表示為：

輸出層的輸出為：

2.3?云RBF神經(jīng)網(wǎng)絡(luò)模型

用云模型取代RBF神經(jīng)網(wǎng)絡(luò)中隱含層的基函數(shù)，構(gòu)造云神經(jīng)元。每一屬性i經(jīng)過云變換可得到ni個(gè)云模型，k個(gè)屬性的n1，n2，…，nk個(gè)云模型相互組合可得n=n1×n2×…×nk個(gè)神經(jīng)元。輸入向量x經(jīng)過神經(jīng)元j，根據(jù)X條件發(fā)生器，得到隸屬度，從而得到一個(gè)云滴，重復(fù)k次，可得到k個(gè)云滴，取其期望值，作為隱含層神經(jīng)元j的輸出。將n個(gè)隱含層神經(jīng)元輸出組合得到輸出層的輸出，通常采取最小二乘回歸計(jì)算輸出層線性組合權(quán)重系數(shù)。程琳等[27]、于洋等[28]、李剛等[29]用云RBF取得比RBF較好的預(yù)測(cè)和分類效果。

3?指標(biāo)選取

3.1?企業(yè)專利指標(biāo)選取

經(jīng)合組織在《2011年科學(xué)、技術(shù)與產(chǎn)業(yè)記分榜：知識(shí)經(jīng)濟(jì)中的創(chuàng)新與增長》運(yùn)用專利引用率、權(quán)利要求數(shù)量、專利維持年限和專利族數(shù)量等專利質(zhì)量指標(biāo)[30]。吳菲菲等在分析中外有關(guān)專利質(zhì)量指標(biāo)的基礎(chǔ)上，選出頻次前10的專利質(zhì)量指標(biāo)[31]。唐恒等從專利資助政策視角提出16項(xiàng)專利質(zhì)量評(píng)價(jià)指標(biāo)，并將其分為宏觀指標(biāo)和微觀指標(biāo)[32]。胡諜等列出19項(xiàng)專利質(zhì)量指標(biāo)，將其分為專利范圍、專利引證、專利維持和其他等4種類型，并對(duì)各個(gè)指標(biāo)的優(yōu)劣進(jìn)行述評(píng)，對(duì)創(chuàng)業(yè)板塊企業(yè)的專利質(zhì)量進(jìn)行分析[33]。宋河發(fā)等在分析國內(nèi)外專利質(zhì)量測(cè)試指標(biāo)后，提出應(yīng)從創(chuàng)造質(zhì)量、撰寫質(zhì)量、審查質(zhì)量和經(jīng)濟(jì)質(zhì)量來測(cè)試專利質(zhì)量，并認(rèn)為經(jīng)濟(jì)質(zhì)量是前面3個(gè)質(zhì)量的綜合體現(xiàn)[34]。谷麗等對(duì)專利質(zhì)量評(píng)價(jià)指標(biāo)的研究文獻(xiàn)進(jìn)行分析，概括專利質(zhì)量評(píng)價(jià)18項(xiàng)指標(biāo)，將其分成專利的技術(shù)性、法定性和商業(yè)性三大類別[35]。

企業(yè)的專利應(yīng)從專利的數(shù)量和質(zhì)量來衡量。參考上述研究結(jié)論，鑒于指標(biāo)的可獲取性和從企業(yè)層面進(jìn)行分析，我們選取了企業(yè)擁有的專利數(shù)量、專利IPC分類和外觀設(shè)計(jì)洛迦諾分類號(hào)數(shù)、專利被引次數(shù)、專利同族數(shù)、專利的權(quán)利要求數(shù)、發(fā)明專利占比、說明書和權(quán)利要求字?jǐn)?shù)等7項(xiàng)指標(biāo)分析企業(yè)專利。

專利數(shù)量。企業(yè)擁有的專利越多，說明專利投入經(jīng)費(fèi)越多，對(duì)企業(yè)的成長性有影響，一方面經(jīng)費(fèi)投入占用其他方面的資金;另一方面形成的專利有時(shí)發(fā)揮正向作用。專利數(shù)量有申請(qǐng)數(shù)量和授權(quán)數(shù)量，此次引用專利授權(quán)數(shù)量。

專利被引次數(shù)。是專利被后續(xù)引用的次數(shù)，被引次數(shù)高的專利通常是質(zhì)量高的專利，被引次數(shù)反映專利質(zhì)量信息可以從兩個(gè)角度予以解釋：一是作為基礎(chǔ)技術(shù)的影響力，即對(duì)本領(lǐng)域后續(xù)技術(shù)創(chuàng)新的貢獻(xiàn);二是作為現(xiàn)有技術(shù)的法律功能，即對(duì)后續(xù)專利的權(quán)利限制[36]。黃寶金等還基于美國專利數(shù)據(jù)，將平均被引次數(shù)、相對(duì)被引指數(shù)（Relative Cita-tion Index，RCI）和高影響指數(shù)（High Impact Index，HII）作為專利質(zhì)量指標(biāo)評(píng)價(jià)國家納米技術(shù)實(shí)力[37]。在本次分析中，我們采取一個(gè)平均被引次數(shù)作為企業(yè)專利的一個(gè)指數(shù)。

權(quán)利要求數(shù)量（權(quán)利要求項(xiàng)數(shù)）。一般認(rèn)為，一項(xiàng)專利權(quán)利要求數(shù)越多，表明專利的技術(shù)含量越高，覆蓋的技術(shù)越寬，專利投入的研究資源越多。一個(gè)機(jī)構(gòu)或區(qū)域的專利（特別是授權(quán)專利）的平均權(quán)利要求數(shù)量越多，通常表明該機(jī)構(gòu)或區(qū)域的技術(shù)創(chuàng)新能力越強(qiáng)，其專利的總體質(zhì)量也就越高[38]。

發(fā)明專利比率。指發(fā)明專利占企業(yè)全部專利的比率，我國的專利分為發(fā)明專利、實(shí)用新型專利和外觀設(shè)計(jì)專利，通常認(rèn)為一個(gè)企業(yè)發(fā)明專利比率越高，其專利質(zhì)量越高，發(fā)明專利同其他兩種相比較，其投入研究資源通常較多，國家對(duì)此類專利的申請(qǐng)審查最為嚴(yán)格。

專利IPC分類號(hào)和外觀設(shè)計(jì)洛迦諾分類號(hào)數(shù)。反映專利技術(shù)覆蓋的范圍，IPC分類號(hào)數(shù)越多，覆蓋的范圍越大，專利質(zhì)量越高。Lerner J提出用專利文件中的4位國際專利分類號(hào)（即IPC小類）的數(shù)量來表征其專利寬度[39]。外觀分類號(hào)數(shù)和IPC一樣的作用，我們將這兩個(gè)合并在一起。

專利族大小。即同族專利數(shù)量，同族專利是指在不同國家或地區(qū)，以及地區(qū)間多次申請(qǐng)、多次公布或批準(zhǔn)的內(nèi)容相同或基本相同的一組專利文獻(xiàn)。專利族越大，同一優(yōu)先權(quán)的專利得到的認(rèn)可就越多，專利質(zhì)量就越高。

說明書和權(quán)利要求的字?jǐn)?shù)。《專利法》要求說明書充分公開，專利說明書撰寫質(zhì)量通常最能反映說明書充分公開的是實(shí)施例的多少和實(shí)施例的詳細(xì)程度[40]。說明書的字?jǐn)?shù)多少在一定程度上反映專利說明書的質(zhì)量，說明書字?jǐn)?shù)越多，公開的內(nèi)容也就越多。權(quán)利要求的字?jǐn)?shù)和說明書的字?jǐn)?shù)一樣，一定程度上起到衡量專利的作用。

3.2?企業(yè)成長性指標(biāo)選取

企業(yè)財(cái)務(wù)狀況和經(jīng)營成果是成長性的主要衡量因素，根據(jù)財(cái)務(wù)報(bào)表分析，可以得到一系列財(cái)務(wù)指標(biāo)，通常將其歸類為盈利能力、償債能力、資本運(yùn)營能力及發(fā)展能力。黎東升等選取總資產(chǎn)、流動(dòng)比率、速動(dòng)比率、資產(chǎn)負(fù)債率和存貨周轉(zhuǎn)率分析了農(nóng)業(yè)類上市公司的成長性[41]。劉丹等選取流動(dòng)比率、凈資產(chǎn)增長等12項(xiàng)指標(biāo)對(duì)物流業(yè)上市公司的成長性進(jìn)行分析[42]。王玉等選取年?duì)I業(yè)收入和年利潤分析中國100強(qiáng)企業(yè)的成長性[43]。

本次研究中，選取如下指標(biāo)作為企業(yè)成長性的評(píng)價(jià)指標(biāo)。

盈利能力指標(biāo)：凈資產(chǎn)報(bào)酬率（%），總資產(chǎn)利潤率（%），凈資產(chǎn)收益率（%），主營業(yè)務(wù)利潤率（%），營業(yè)利潤率（%），三項(xiàng)費(fèi)用比重（%）。

償債能力指標(biāo)：流動(dòng)比率（%），資產(chǎn)負(fù)債率（%），現(xiàn)金比率（%），利息支付倍數(shù)（%）。

資本運(yùn)營能力指標(biāo)：應(yīng)收賬款周轉(zhuǎn)率（次），總資產(chǎn)周轉(zhuǎn)率（次），存貨周轉(zhuǎn)率（次），資產(chǎn)的經(jīng)營現(xiàn)金流量回報(bào)率（%）。

發(fā)展能力指標(biāo)：主營業(yè)務(wù)收入增長率（%），凈利潤增長率（%），凈資產(chǎn)增長率（%），總資產(chǎn)增長率（%）。

根據(jù)這些指標(biāo)計(jì)算企業(yè)的成長性，三項(xiàng)費(fèi)用比重和資產(chǎn)負(fù)債率選取倒數(shù)。它們和企業(yè)成長性是負(fù)相關(guān)。

度量企業(yè)成長性的指標(biāo)有多種，從不同的角度反映企業(yè)的成長性，為較好地比較各個(gè)企業(yè)的成長性，有必要將這些指標(biāo)綜合成一個(gè)反映企業(yè)成長性指標(biāo)。因子分析方差貢獻(xiàn)率能克服主觀確定指標(biāo)權(quán)重帶來的不良影響，客觀反映各指標(biāo)在綜合指標(biāo)中的權(quán)重。

4?實(shí)證分析

4.1?樣本選擇與數(shù)據(jù)來源

樣本選自我國上市公司創(chuàng)業(yè)板732家公司（2018年8月查詢）。專利技術(shù)相關(guān)數(shù)據(jù)來源國家專利局，通過在“申請(qǐng)（專利權(quán)）人”輸入公司名稱進(jìn)行高級(jí)檢索，從中獲取每個(gè)公司專利數(shù)量等指標(biāo)，檢索時(shí)間為2018年8月。在進(jìn)行檢索時(shí)，有21家企業(yè)無法找到其專利數(shù)據(jù)，原因是其企業(yè)名稱為“集團(tuán)”或“地名”加括號(hào)，與檢索生成的條件重復(fù)，專利網(wǎng)無法識(shí)別，另一個(gè)原因是申請(qǐng)專利時(shí)申請(qǐng)人不用集團(tuán)公司的名稱，有57家專利為0條，5家專利數(shù)為1條，將上述3項(xiàng)去掉，分析創(chuàng)業(yè)板649家公司，擁有專利數(shù)分布在2到2196，共計(jì)86 626條專利，其中發(fā)明專利為49 266條。財(cái)務(wù)數(shù)據(jù)來源網(wǎng)易財(cái)經(jīng)，“http：//money.163.com/”，輸入上市公司代碼進(jìn)行查詢。

4.2?實(shí)證分析過程與結(jié)果

4.2.1?成長性數(shù)據(jù)預(yù)處理

對(duì)反映企業(yè)成長的財(cái)務(wù)數(shù)據(jù)進(jìn)行因子分析，根據(jù)各因子對(duì)應(yīng)的因子方差大小，將各因子得分合并成一個(gè)指標(biāo)，綜合反映企業(yè)的成長性。分析工具選取SPSS19.0。對(duì)財(cái)務(wù)數(shù)據(jù)進(jìn)行因子分析適用性檢驗(yàn)，Bartlett球形度檢驗(yàn)的χ2統(tǒng)計(jì)值為10 572.6，顯著性概率小于1%，說明指標(biāo)之間具有相關(guān)性，適宜做因子分析;同時(shí)，KMO檢驗(yàn)的KMO值為0.708，大于0.5，適宜做因子分析。用因子得分乘以相應(yīng)的方差貢獻(xiàn)率，合計(jì)作為成長性的衡量數(shù)據(jù)，依據(jù)這個(gè)數(shù)據(jù)對(duì)各公司的成長進(jìn)行相對(duì)比較。聚類結(jié)果呈現(xiàn)中間多兩頭少，接近正態(tài)分布。

4.2.2?專利數(shù)據(jù)的預(yù)處理

專利的7個(gè)指標(biāo)中，除了發(fā)明專利占比外，其他都和企業(yè)擁有的專利數(shù)量正相關(guān)，專利數(shù)量越多，這些指標(biāo)的值越高，它們和專利數(shù)之間存在相關(guān)和共線性，為了消除重復(fù)計(jì)算專利數(shù)量的影響，每個(gè)指標(biāo)需要剔除專利數(shù)量的成分，并假設(shè)這5個(gè)指標(biāo)和專利數(shù)量是乘積關(guān)系，即這些指標(biāo)除以專利數(shù)量就可消除專利數(shù)量的影響。同理，說明書和權(quán)利要求字?jǐn)?shù)和專利的權(quán)利要求數(shù)也存在相似的關(guān)系，用同樣方法進(jìn)行處理。經(jīng)過這樣處理后，指標(biāo)間的相關(guān)性被消除。

4.2.3?云模型生成

對(duì)各屬性進(jìn)行聚類分析，根據(jù)聚類的結(jié)果，用多步式算法，生成專利各屬性的云模型參數(shù)。發(fā)明專利比重聚成3類，各類的中心為云模型的期望值，案例數(shù)分別為199、232和218。聚成多少類，根據(jù)數(shù)據(jù)分析，盡量每一個(gè)類要有較多的案例，便于抽樣計(jì)算。同理可計(jì)算其他屬性。計(jì)算工具選擇Matlab（R2012a）。

4.2.4?不平衡數(shù)據(jù)處理

表1可以看出各種類別樣本分布不平衡，在使用前需要平衡處理。不平衡數(shù)據(jù)的處理方法有多種，這里采用云變換方法進(jìn)行處理。根據(jù)成長性分類值對(duì)應(yīng)的專利屬性所屬的云模型，生成數(shù)據(jù)進(jìn)行補(bǔ)充。表1的聚類類別4有21個(gè)數(shù)據(jù)，與最多的433個(gè)相差412個(gè)，根據(jù)聚類類別4的20個(gè)數(shù)據(jù)每一個(gè)所對(duì)應(yīng)的每個(gè)專利屬性要生成19個(gè)數(shù)據(jù)（每個(gè)數(shù)據(jù)由7個(gè)專利維度組成），最后一個(gè)生成32個(gè)。

4.2.5?仿真實(shí)現(xiàn)

1）隱含層實(shí)現(xiàn)。用云模型改造RBF徑向函數(shù)，構(gòu)造云神經(jīng)網(wǎng)絡(luò)，每一個(gè)神經(jīng)元由7個(gè)屬性中各抽出1朵云共同組織，構(gòu)造一個(gè)7維云模型，其參數(shù)為：

每一個(gè)案例經(jīng)過云模型神經(jīng)元后，其原來的7個(gè)維度屬性成288個(gè)維度屬性。每一個(gè)神經(jīng)元按如下方法轉(zhuǎn)化成輸出的確定度。

j為案例，i為其7個(gè)屬性維度。將這k個(gè)確定度進(jìn)行平均，就可以得到這個(gè)案例經(jīng)過這個(gè)神經(jīng)元后的確定度。

這樣的確定度具有不確定性，每一次進(jìn)行計(jì)算不一樣，但具有穩(wěn)定性，其值的范圍不變。

2）隱含層到輸出層的輸出。隱含層到輸出層的輸出是線性連接，一般可由最小二乘回歸求解連接權(quán)值，李剛等提出基于概率的權(quán)值確定[44]。神經(jīng)網(wǎng)絡(luò)和基于概率連接的權(quán)值確定要各個(gè)案數(shù)基本相等才能得出較高的準(zhǔn)確度。個(gè)案較少的成長類型在分析中會(huì)被忽略，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)偏向個(gè)案較多的類型。用概率法確定時(shí)，個(gè)數(shù)少的樣本同樣得不到體現(xiàn)，個(gè)數(shù)多的輸出類型占的比例會(huì)偏高。這里隱含層到輸出層的輸出采用隨機(jī)森林確定。

5?結(jié)論與建議

5.1?結(jié)?論

運(yùn)用云模型改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的隱含層，并用來根據(jù)創(chuàng)業(yè)板公司的專利對(duì)公司成長性的預(yù)測(cè)，用云模型處理不平衡樣本，分析數(shù)據(jù)顯示公司專利對(duì)成長性有影響。

1）經(jīng)過云模型改造后的模型準(zhǔn)確性和穩(wěn)定性得到提高。

測(cè)試樣本為20%，每次測(cè)試隨機(jī)選取，其他為訓(xùn)練樣本。經(jīng)過10次測(cè)試，改造前的準(zhǔn)確率期望為87.12%，改造后的期望為94.61%，提高了8.60%。樣本方差分別為3.354016和2.287741，改造后波動(dòng)性減少。但由于改造后成倍維度提高，運(yùn)行時(shí)間變長。

2）云模型對(duì)不平衡數(shù)據(jù)的處理

云模型雖然在轉(zhuǎn)換時(shí)具隨機(jī)性和模糊性，但其具有穩(wěn)定性，其生成的云滴具有這個(gè)云的共性，集體體現(xiàn)云的特征。一個(gè)云模型可以生成很多個(gè)不同的數(shù)據(jù)，體現(xiàn)了隨機(jī)性和個(gè)體差異性。用云模型對(duì)不平衡數(shù)據(jù)進(jìn)行補(bǔ)充，可選擇其原來對(duì)應(yīng)模型的云參數(shù)進(jìn)行生成數(shù)據(jù)。

3）企業(yè)專利對(duì)成長性有重要影響

根據(jù)圖5，我們可以看出，根據(jù)企業(yè)的專利能對(duì)企業(yè)成長性做出很好地預(yù)測(cè)，準(zhǔn)確率在90%～95%之間，這也說明專利對(duì)企業(yè)成長性有很大的影響。這點(diǎn)我們從表5相關(guān)性分析結(jié)論也獲得了很好的支持。正相關(guān)系數(shù)較大，在5%的水平上顯著，專利能促進(jìn)企業(yè)的成長。負(fù)相關(guān)系數(shù)很小，在5%水平上不顯著。

4）專利各屬性對(duì)企業(yè)的成長性影響有差異

表4相關(guān)性顯示各種專利屬性對(duì)成長性的影響各一樣。進(jìn)一步分析成長性的內(nèi)部構(gòu)成指標(biāo)可以看出，各專利指標(biāo)對(duì)增長率類指標(biāo)（凈資產(chǎn)增長率、總資產(chǎn)增長率）是負(fù)相關(guān)且顯著，對(duì)收益類指標(biāo)為正影響，對(duì)周轉(zhuǎn)率類指標(biāo)在5%顯著性水平上基本沒有影響。專利對(duì)成長性有影響，有正的影響，也有負(fù)的影響，但總體上，正影響大于負(fù)影響。

5.2?建?議

1）云模型符合自然語言表的意識(shí)，是現(xiàn)實(shí)中的隨機(jī)性和穩(wěn)定性的很好刻畫，只要云參數(shù)確定，生成的數(shù)據(jù)具有穩(wěn)定性，可用于對(duì)不平衡數(shù)據(jù)的補(bǔ)充。

2）根據(jù)企業(yè)的專利可以較準(zhǔn)確地判斷企業(yè)的成長性，所以從成長性的角度，各公司應(yīng)重視專利的建設(shè)，建設(shè)中側(cè)重于增加發(fā)明專利，注重同族專利的建設(shè)，建設(shè)權(quán)利要求多的專利，不應(yīng)單純追求專利的數(shù)量擴(kuò)張。專利單純的數(shù)量擴(kuò)張會(huì)對(duì)企業(yè)的成長性造成負(fù)面的影響。

參考文獻(xiàn)

[1]楊丹丹.基于數(shù)據(jù)挖掘的企業(yè)專利價(jià)值評(píng)估方法研究[J].科學(xué)學(xué)與科學(xué)技術(shù)管理，2006，（2）：42-44.

[2]盧青，趙澎碧.大數(shù)據(jù)環(huán)境下的專利分析模型研究[J].現(xiàn)代情報(bào)，2018，38（1）：37-44.

[3]中華人民共和國國家知識(shí)產(chǎn)權(quán)局專利統(tǒng)計(jì)年報(bào)2016.

[4]中華人民共和國國家知識(shí)產(chǎn)權(quán)局專利統(tǒng)計(jì)年報(bào)2016.

[5]張維迎，周黎安，顧全林.高新技術(shù)企業(yè)的成長及其影響因素：分位回歸模型的一個(gè)應(yīng)用[J].管理世界，2005，（10）：94-101，112，172.

[6]王曄斐.創(chuàng)業(yè)板公司成長性研究[D].成都：西南財(cái)經(jīng)大學(xué)，2011.

[7]徐維爽，張庭發(fā)，宋永鵬.創(chuàng)業(yè)板上市公司成長性及技術(shù)創(chuàng)新貢獻(xiàn)分析[J].現(xiàn)代財(cái)經(jīng)（天津財(cái)經(jīng)大學(xué)學(xué)報(bào)），2012，32（1）：63-68.

[8]胡義東，仲偉俊.高新技術(shù)企業(yè)技術(shù)創(chuàng)新績效影響因素的實(shí)證研究[J].中國科技論壇，2011，（4）：80-85.

[9]張信東，薛艷梅.R&D支出與公司成長性之關(guān)系及階段特征——基于分位數(shù)回歸技術(shù)的實(shí)證研究[J].科學(xué)學(xué)與科學(xué)技術(shù)管理，2010，31（6）：28-33.

[10]李仲飛，楊亭亭.專利質(zhì)量對(duì)公司投資價(jià)值的作用及影響機(jī)制[J].管理學(xué)報(bào)，2015，12（8）：1230-1239.

[11]Piekkola H.Public Funding of R&D and Growth：Firm-Level Evidence from Finland[J].Economics of Innovation and New Technology，2007，（3）：195-210.

[12]Alex Coad，Nicola Grassano.Firm Growth and R&D Investment：SVAR Evidence from the Worlds Top R&D Investors[J].Industry and Innovation，2018，（5）.

[13]Pelin Demirel，Mariana Mazzucato.Innovation and Firm Growth：Is R&D Worth It？[J].Industry and Innovation，2012，（1）：45-62.

[14]Jeffrey I Bernstein，Xiaoyi Yan.Canadian-Japanese R&D Spillovers and Productivity Growth[J].Applied Economics Letters，1996，（12）：763-767.

[15]Andrin Spescha.R&D Expenditures and Firm Growth-is Small Beautiful？[J].Economics of Innovation and New Technology，2017，（11）.

[16]Mario I Kafouros.R&D and Productivity Growth：Evidence from the UK[J].Economics of Innovation and New Technology，2005，（6）：479：497.

[17]李德毅，劉常昱，杜鹢，等.不確定性人工智能[J].軟件學(xué)報(bào)，2004，（11）：1583-1594.

[18]李剛，萬幼川.基于高維云模型和RBF神經(jīng)網(wǎng)絡(luò)的遙感影像不確定性分類方法[J].測(cè)繪科學(xué)，2012，37（1）：115-118.

[19]李剛，萬幼川.基于高維云模型和RBF神經(jīng)網(wǎng)絡(luò)的遙感影像不確定性分類方法[J].測(cè)繪科學(xué)，2012，37（1）：115-118.

[20]李德毅，劉常昱.論正態(tài)云模型的普適性[J].中國工程科學(xué)，2004，（8）：28-34.

[21]于洋，孫成偉，張冰冰，等.云模型RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)中心溫度預(yù)測(cè)[J].沈陽理工大學(xué)學(xué)報(bào)，2013，32（4）：9-14.

[22]劉常昱，李德毅，杜鹢，等.正態(tài)云模型的統(tǒng)計(jì)分析[J].信息與控制，2005，（2）：236-239，248.

[23]楊潔，王國胤，劉群，等.正態(tài)云模型研究回顧與展望[J].計(jì)算機(jī)學(xué)報(bào)，2018，41（3）：724-744.

[24]陳昊，李兵，劉常昱.一種無確定度的逆向云算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2015，36（3）：544-549.

[25]楊潔，王國胤，劉群，等.正態(tài)云模型研究回顧與展望[J].計(jì)算機(jī)學(xué)報(bào)，2018，41（3）：724-744.

[26]于洋，孫成偉，張冰冰，等.云模型RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)中心溫度預(yù)測(cè)[J].沈陽理工大學(xué)學(xué)報(bào)，2013，32（4）：9-14.

[27]程琳，徐波.基于云RBF神經(jīng)網(wǎng)絡(luò)模型的大壩監(jiān)測(cè)數(shù)據(jù)預(yù)報(bào)[J].水電能源科學(xué)，2010，28（6）：64-66，45.

[28]于洋，孫成偉，張冰冰，等.云模型RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)中心溫度預(yù)測(cè)[J].沈陽理工大學(xué)學(xué)報(bào)，2013，32（4）：9-14.

[29]李剛，萬幼川.基于高維云模型和RBF神經(jīng)網(wǎng)絡(luò)的遙感影像不確定性分類方法[J].測(cè)繪科學(xué)，2012，37（1）：115-118.

[30]吳菲菲，張廣安，張輝，等.專利質(zhì)量綜合評(píng)價(jià)指數(shù)——以我國生物醫(yī)藥行業(yè)為例[J].科技進(jìn)步與對(duì)策，2014，31（13）：124-129.

[31]吳菲菲，張廣安，張輝，等.專利質(zhì)量綜合評(píng)價(jià)指數(shù)——以我國生物醫(yī)藥行業(yè)為例[J].科技進(jìn)步與對(duì)策，2014，31（13）：124-129.

[32]唐恒，李紹飛，赫英淇.專利資助政策下專利質(zhì)量評(píng)價(jià)研究[J].情報(bào)雜志，2015，34（5）：23-28.

[33]胡諜，王元地.企業(yè)專利質(zhì)量綜合指數(shù)研究——以創(chuàng)業(yè)板上市公司為例[J].情報(bào)雜志，2015，34（1）：77-82.

[34]宋河發(fā)，穆榮平，陳芳，等.基于中國發(fā)明專利數(shù)據(jù)的專利質(zhì)量測(cè)度研究[J].科研管理，2014，35（11）：68-76.

[35]谷麗，郝濤，任立強(qiáng)，等.專利質(zhì)量評(píng)價(jià)指標(biāo)相關(guān)研究綜述[J].科研管理，2017，38（S1）：27-33.

[36]萬小麗.專利質(zhì)量指標(biāo)中“被引次數(shù)”的深度剖析[J].情報(bào)科學(xué)，2014，32（1）：68-73.

[37]Wong P K Ho Y P，Chan C K.Internationalization and Evolution of Application Areas of an Emerging Technology：The Case of Nanotechnology[J].Scientometrics，2007，70（3）：715-737.

[38]馬廷燦，李桂菊，姜山，等.專利質(zhì)量評(píng)價(jià)指標(biāo)及其在專利計(jì)量中的應(yīng)用[J].圖書情報(bào)工作，2012，56（24）：89-95，59.

[39]Lerner J.The Importance of Patent Scope：An Empirical Analysis[J].The RAND Journal of Economics，1994，25（2）：319-333.

[40]宋河發(fā)，穆榮平，陳芳.專利質(zhì)量及其測(cè)度方法與測(cè)度指標(biāo)體系研究[J].科學(xué)學(xué)與科學(xué)技術(shù)管理，2010，31（4）：21-27.

[41]黎東升，秦志崗.基于因子分析的農(nóng)業(yè)類上市公司競爭力突變綜合評(píng)價(jià)[J].農(nóng)業(yè)技術(shù)經(jīng)濟(jì)，2011，（2）：96-101.

[42]劉丹，印曼.我國物流業(yè)上市公司成長性評(píng)價(jià)[J].技術(shù)經(jīng)濟(jì)，2012，31（11）：104-109.

[43]王玉，王丹.中國100強(qiáng)企業(yè)成長性分析[J].上海財(cái)經(jīng)大學(xué)學(xué)報(bào)，2008，（2）：85-91.

[44]李剛，萬幼川.基于高維云模型和RBF神經(jīng)網(wǎng)絡(luò)的遙感影像不確定性分類方法[J].測(cè)繪科學(xué)，2012，37（1）：115-118.

（責(zé)任編輯：孫國雷）