高校專利價(jià)值評(píng)估模型構(gòu)建
——以云計(jì)算領(lǐng)域?yàn)槔?

冉從敬，宋 凱

0 引言

在經(jīng)濟(jì)全球化時(shí)代，企業(yè)競(jìng)爭(zhēng)愈加激烈，隨著新興技術(shù)復(fù)雜度的提高，單一企業(yè)完成技術(shù)創(chuàng)新的難度愈發(fā)增加。因此，通過(guò)專利權(quán)利轉(zhuǎn)移獲取外部技術(shù)支持，成為企業(yè)提升技術(shù)創(chuàng)造力的重要形式。高校在技術(shù)研發(fā)、人才資源、實(shí)驗(yàn)條件方面具有天然優(yōu)勢(shì)，截止到2018年12月，國(guó)內(nèi)大專院校發(fā)明專利有效量為537，953件[1]。面對(duì)海量的高校專利資源，部分企業(yè)通過(guò)專利權(quán)利轉(zhuǎn)移方式，實(shí)現(xiàn)了高校專利成果的技術(shù)價(jià)值轉(zhuǎn)化為產(chǎn)業(yè)價(jià)值。但是，《2019年中國(guó)專利調(diào)查報(bào)告》顯示，我國(guó)高校專利權(quán)人科技成果轉(zhuǎn)化率在10%以下的占到80.1%，高校有效專利產(chǎn)業(yè)化率僅僅只有3.7%[2]，這說(shuō)明我國(guó)高校大量專利成果束之高閣，高校專利應(yīng)用比例偏低，導(dǎo)致大量科技成果嚴(yán)重閑置。企業(yè)是技術(shù)創(chuàng)新的主體，高校是科學(xué)研究的殿堂，高校應(yīng)該更多從事技術(shù)轉(zhuǎn)移工作，將科技成果申請(qǐng)專利后，以專利權(quán)利轉(zhuǎn)移方式與企業(yè)合作，由企業(yè)去進(jìn)行工程化試驗(yàn)和量產(chǎn)，最終實(shí)現(xiàn)成果轉(zhuǎn)化[3]。因此，探索提升高校專利權(quán)利轉(zhuǎn)移效率的實(shí)踐路徑，對(duì)實(shí)現(xiàn)高校專利技術(shù)價(jià)值，推動(dòng)區(qū)域和國(guó)家科技創(chuàng)新水平，實(shí)現(xiàn)校企聯(lián)動(dòng)發(fā)展具有重要意義。通過(guò)對(duì)高校專利進(jìn)行有效評(píng)估，一方面可以發(fā)掘高價(jià)值度專利，通過(guò)規(guī)范化的專利運(yùn)營(yíng)模式，以權(quán)利轉(zhuǎn)移方式，實(shí)現(xiàn)專利技術(shù)的產(chǎn)業(yè)化應(yīng)用；另一方面，可以剔除低價(jià)值度專利，通過(guò)斷繳年費(fèi)、聲明放棄等形式宣告專利失效，以節(jié)省科研成本，加大對(duì)前沿技術(shù)的投入。因此，如何構(gòu)建一套具有較強(qiáng)科學(xué)性和可操作性的專利價(jià)值評(píng)估方法，成為高?？萍汲晒芾硇侍嵘约捌髽I(yè)尋求高校核心技術(shù)所應(yīng)重點(diǎn)關(guān)注的問(wèn)題。

對(duì)專利價(jià)值評(píng)估的研究，學(xué)者從多方面展開探索。首先，通過(guò)構(gòu)建評(píng)價(jià)指標(biāo)體系，采取定量分析進(jìn)行專利評(píng)估。Hiller等將綜合市場(chǎng)數(shù)據(jù)與BLP模型結(jié)合，提出實(shí)踐性較強(qiáng)的專利價(jià)值評(píng)估方法[4]。Cerqueti等將實(shí)物期權(quán)方法應(yīng)用到專利評(píng)估中，通過(guò)指標(biāo)體系構(gòu)建對(duì)已有專利評(píng)估方法進(jìn)行有效改進(jìn)[5]。Kabore等將國(guó)家市場(chǎng)規(guī)模賦權(quán)到專利族數(shù)量上預(yù)測(cè)專利價(jià)值，評(píng)估效果優(yōu)于基于專利引文的評(píng)估方法[6]。謝萍等利用德溫特世界專利索引，從企業(yè)專利權(quán)人實(shí)力和專利技術(shù)兩個(gè)角度構(gòu)建企業(yè)專利價(jià)值評(píng)價(jià)體系[7]。資智洪等比較國(guó)內(nèi)外專利價(jià)值評(píng)估的關(guān)鍵指標(biāo)和專利價(jià)值的影響因素，構(gòu)建用于評(píng)估專利價(jià)值的二元分類方法[8]。楊思思等參考《專利價(jià)值分析指標(biāo)體系》操作手冊(cè)的經(jīng)濟(jì)價(jià)值度評(píng)估方法，選取7個(gè)指標(biāo)，總結(jié)了一套專利經(jīng)濟(jì)價(jià)值度的通用評(píng)估方法[9]。相關(guān)學(xué)者也借助機(jī)器學(xué)習(xí)算法進(jìn)行專利價(jià)值度評(píng)估。Ercan等提出將支持向量機(jī)算法應(yīng)用于專利申請(qǐng)，依據(jù)評(píng)估結(jié)果對(duì)專利是否授權(quán)或駁回進(jìn)行判斷[10]。Trappey等收集特定技術(shù)領(lǐng)域的專利數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)對(duì)專利潛在價(jià)值進(jìn)行評(píng)估[11]。王子焉等構(gòu)建包含網(wǎng)絡(luò)平臺(tái)特性的專利價(jià)值評(píng)估指標(biāo)體系，提出基于灰色關(guān)聯(lián)分析—隨機(jī)森林回歸的專利價(jià)值評(píng)估模型[12]。周成等根據(jù)專利的價(jià)值指標(biāo)，設(shè)計(jì)基于自組織映射—支持向量機(jī)的專利價(jià)值評(píng)估及分類模型[13]。邱一卉等提出基于分類回歸樹模型的屬性選擇方法，用于構(gòu)建專利價(jià)值評(píng)估的指標(biāo)體系[14]。

已有研究集中探討構(gòu)建專利評(píng)價(jià)指標(biāo)體系，通過(guò)定量分析對(duì)專利價(jià)值進(jìn)行評(píng)估，以及采取機(jī)器學(xué)習(xí)算法進(jìn)行二元分類，以獲取高價(jià)值度專利列表。通過(guò)構(gòu)建專利評(píng)價(jià)指標(biāo)體系的方式，一方面需要對(duì)專利進(jìn)行逐件評(píng)估，效率較低；而采取機(jī)器學(xué)習(xí)算法進(jìn)行專利價(jià)值評(píng)估，往往是粗粒度的標(biāo)記標(biāo)簽，不能從更加細(xì)粒度的層面計(jì)算專利實(shí)現(xiàn)權(quán)利轉(zhuǎn)移以及存在失效風(fēng)險(xiǎn)的概率。因此，本研究在借鑒與吸收已有研究成果的基礎(chǔ)上，從科學(xué)性、適應(yīng)性和可操作性角度出發(fā)，提出一種高校專利價(jià)值評(píng)估模型，以新一代信息技術(shù)產(chǎn)業(yè)領(lǐng)域——“云計(jì)算”為例，搜集專利基本指標(biāo)構(gòu)建數(shù)據(jù)庫(kù)，利用評(píng)估模型對(duì)技術(shù)領(lǐng)域內(nèi)的高校專利進(jìn)行預(yù)測(cè)，篩選具備權(quán)利轉(zhuǎn)移潛力的專利，以及具有失效風(fēng)險(xiǎn)的專利，旨在為高校科技成果管理人員在進(jìn)行專利運(yùn)營(yíng)時(shí)提供實(shí)踐路徑，也為企業(yè)在尋求高校高價(jià)值度專利時(shí)提供決策參考。

1 評(píng)估指標(biāo)與研究方法

1.1 評(píng)估指標(biāo)選取

依據(jù)國(guó)家知識(shí)產(chǎn)權(quán)局《專利價(jià)值分析指標(biāo)體系操作手冊(cè)》，結(jié)合已有研究應(yīng)用的評(píng)價(jià)指標(biāo)，本研究選取11個(gè)指標(biāo)對(duì)專利權(quán)利轉(zhuǎn)移概率進(jìn)行預(yù)測(cè)，見表1。在選取過(guò)程中，一方面關(guān)注指標(biāo)數(shù)據(jù)是否易于尋找和統(tǒng)計(jì)；另一方面考量所選取的指標(biāo)是否能綜合體現(xiàn)專利價(jià)值。例如，發(fā)明人數(shù)量反映了技術(shù)研發(fā)過(guò)程中的合作關(guān)系以及核心研究團(tuán)隊(duì)規(guī)模，權(quán)利要求字符數(shù)反映了專利技術(shù)的保護(hù)全面程度，被引用次數(shù)反映了專利的技術(shù)價(jià)值。

表1 專利指標(biāo)匯總表

1.2 研究方法概述

為驗(yàn)證指標(biāo)選取的有效性，提升模型的評(píng)估性能，在構(gòu)建識(shí)別模型前，首先利用主成分分析法對(duì)指標(biāo)進(jìn)行分析。主成分分析法是一種分析、簡(jiǎn)化數(shù)據(jù)集的技術(shù)，經(jīng)常用于減少數(shù)據(jù)集的維數(shù)，同時(shí)保留數(shù)據(jù)集對(duì)方差貢獻(xiàn)最大的特征，能夠展現(xiàn)數(shù)據(jù)最重要的方面[15]。在分析過(guò)程中，使用KMO和Bartlett檢驗(yàn)評(píng)估變量是否能夠使用主成分分析法來(lái)進(jìn)行研究，KMO 值的范圍為0-1，其值越接近1，且Bartlett球形度檢驗(yàn)的顯著性概率均為0，代表各個(gè)變量間相關(guān)性顯著，表示適合作主成分分析。

本研究在識(shí)別模型構(gòu)建過(guò)程中，采用機(jī)器學(xué)習(xí)中的二元分類算法實(shí)現(xiàn)。常用的分類算法有邏輯回歸、K近鄰、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、決策樹、隨機(jī)森林、Adaboost等。為選取適用于識(shí)別模型的分類算法，本研究采取K折交叉驗(yàn)證，選取最優(yōu)算法，進(jìn)而通過(guò)參數(shù)調(diào)優(yōu)訓(xùn)練識(shí)別模型，并繪制ROC曲線。ROC曲線所覆蓋的區(qū)域面積為AUC值，AUC值越大，表明分類器效果越好，通常AUC的值大于0.7時(shí)，表明模型具備預(yù)測(cè)價(jià)值。為從更細(xì)粒度的層面區(qū)分高校具備權(quán)利轉(zhuǎn)移價(jià)值的專利和存在失效風(fēng)險(xiǎn)的專利，避免簡(jiǎn)單地對(duì)專利進(jìn)行二元分類，在對(duì)專利進(jìn)行評(píng)估時(shí)，獲取專利能夠?qū)崿F(xiàn)權(quán)利轉(zhuǎn)移的概率值，借鑒標(biāo)準(zhǔn)十分的分級(jí)方式，設(shè)置從AAA→D共十級(jí)得分，根據(jù)專利的權(quán)利轉(zhuǎn)移概率值進(jìn)行劃分，最終實(shí)現(xiàn)識(shí)別權(quán)利轉(zhuǎn)移專利和存在失效風(fēng)險(xiǎn)專利的目標(biāo)。

2 高校專利價(jià)值評(píng)估模型構(gòu)建

通過(guò)選取專利評(píng)估指標(biāo)，在多元統(tǒng)計(jì)以及機(jī)器學(xué)習(xí)的支持下，構(gòu)建高校專利價(jià)值評(píng)估模型(見圖1)，幫助高?？萍汲晒芾砣藛T快速定位具有權(quán)利轉(zhuǎn)移價(jià)值的專利以及存在失效風(fēng)險(xiǎn)的專利，為制定專利運(yùn)營(yíng)策略提供決策支持。同時(shí)，為企業(yè)在尋求高校核心技術(shù)時(shí)，通過(guò)模型評(píng)估，篩選存在權(quán)利轉(zhuǎn)移價(jià)值的專利，為選擇合適高校進(jìn)行知識(shí)產(chǎn)權(quán)合作提供決策參考。

圖1 高校專利價(jià)值評(píng)估模型圖

由圖1 可見，模型共分為3 大部分，涵蓋“數(shù)據(jù)采集與存儲(chǔ)→指標(biāo)選取及算法評(píng)估→模型構(gòu)建及專利識(shí)別”的全過(guò)程。

(1)數(shù)據(jù)采集與存儲(chǔ)。構(gòu)建的模型要具備較好的識(shí)別性，必須依賴大規(guī)模專利數(shù)據(jù)的訓(xùn)練。在評(píng)估指標(biāo)選取階段，選取的指標(biāo)都是易于統(tǒng)計(jì)且能綜合反映專利價(jià)值度，因此，需要通過(guò)專業(yè)化的專利數(shù)據(jù)庫(kù)進(jìn)行專利指標(biāo)數(shù)據(jù)的采集。在采集數(shù)據(jù)過(guò)程中，從3個(gè)方面出發(fā)：一是獲取國(guó)內(nèi)發(fā)明授權(quán)專利中發(fā)生權(quán)利轉(zhuǎn)移且法律狀態(tài)有效的專利指標(biāo)數(shù)據(jù)；二是獲取國(guó)內(nèi)發(fā)明授權(quán)專利中未發(fā)生權(quán)利轉(zhuǎn)移但法律狀態(tài)已失效的專利指標(biāo)數(shù)據(jù)；三是獲取國(guó)內(nèi)高校發(fā)明授權(quán)專利中未發(fā)生權(quán)利轉(zhuǎn)移且法律狀態(tài)有效的專利指標(biāo)數(shù)據(jù)。最終形成專利指標(biāo)數(shù)據(jù)庫(kù)，用于評(píng)估模型的構(gòu)建。

(2)指標(biāo)選取及算法評(píng)估。為提高模型訓(xùn)練性能，借助于主成分分析對(duì)評(píng)估指標(biāo)進(jìn)行分析。在分析過(guò)程中，以KMO和Bartlett檢驗(yàn)評(píng)估指標(biāo)之間的相關(guān)性，保留重要評(píng)估指標(biāo)。其中，以“權(quán)利轉(zhuǎn)移次數(shù)”作為評(píng)判專利是否實(shí)現(xiàn)權(quán)利轉(zhuǎn)移的標(biāo)準(zhǔn)，構(gòu)建模型訓(xùn)練集、驗(yàn)證集和預(yù)測(cè)集。訓(xùn)練集和驗(yàn)證集均包含國(guó)內(nèi)授權(quán)專利中已發(fā)生權(quán)利轉(zhuǎn)移且法律狀態(tài)有效的專利指標(biāo)數(shù)據(jù)以及國(guó)內(nèi)授權(quán)專利中未發(fā)生權(quán)利轉(zhuǎn)移且法律狀態(tài)已失效的專利指標(biāo)數(shù)據(jù)。為得到適用于識(shí)別模型的分類算法，采用十折交叉驗(yàn)證對(duì)7 種分類算法進(jìn)行初步評(píng)估，通過(guò)性能比較獲取最優(yōu)算法。

(3)模型構(gòu)建及專利識(shí)別。獲取最優(yōu)分類算法后，使用訓(xùn)練集對(duì)算法進(jìn)行參數(shù)調(diào)優(yōu)，構(gòu)建評(píng)估模型，并使用驗(yàn)證集對(duì)模型性能進(jìn)行檢驗(yàn)，繪制ROC 曲線，以AUC 值評(píng)估當(dāng)前模型的有效性，當(dāng)AUC值高于0.7以上，表明評(píng)估模型具有預(yù)測(cè)價(jià)值。最后，使用評(píng)估模型對(duì)預(yù)測(cè)集中高校未發(fā)生權(quán)利轉(zhuǎn)移且法律狀態(tài)有效的專利進(jìn)行預(yù)測(cè)，借鑒標(biāo)準(zhǔn)十分的評(píng)估標(biāo)準(zhǔn)，依據(jù)概率值不同進(jìn)行十級(jí)劃分，最終識(shí)別出具有權(quán)利轉(zhuǎn)移價(jià)值的專利以及存在失效風(fēng)險(xiǎn)的專利。

3 高校專利價(jià)值評(píng)估模型實(shí)證

3.1 數(shù)據(jù)采集與處理

本文數(shù)據(jù)從Patsnap專利數(shù)據(jù)庫(kù)進(jìn)行采集，技術(shù)領(lǐng)域限定為“云計(jì)算”，檢索式為：“云計(jì)算”or“云平臺(tái)”or“云存儲(chǔ)”or“云數(shù)據(jù)中心”or“數(shù)據(jù)云”or“醫(yī)療云”or“云計(jì)算中心”or“云計(jì)算系統(tǒng)”or“大數(shù)據(jù)云”or“云計(jì)算技術(shù)”；時(shí)間不限。首先以“中國(guó)發(fā)明授權(quán)專利&法律狀態(tài)→有權(quán)&法律事件→權(quán)利轉(zhuǎn)移”，檢索到1，971件專利；以“中國(guó)發(fā)明授權(quán)專利&法律狀態(tài)→無(wú)權(quán)&法律事件→未繳年費(fèi)|放棄權(quán)利”，檢索到1，663件專利；以“中國(guó)發(fā)明授權(quán)專利&專利權(quán)人→大學(xué)&法律狀態(tài)→有權(quán)&法律事件→未發(fā)生權(quán)利轉(zhuǎn)移”，檢索到1，948 件專利，依據(jù)選取的專利評(píng)估指標(biāo)，獲取每件專利的基本數(shù)據(jù)，構(gòu)建專利指標(biāo)數(shù)據(jù)庫(kù)。

在專利指標(biāo)數(shù)據(jù)庫(kù)構(gòu)建完成后，劃分訓(xùn)練集、驗(yàn)證集和預(yù)測(cè)集。其中將“有權(quán)&權(quán)利轉(zhuǎn)移”中的1，500條數(shù)據(jù)與“無(wú)權(quán)&(未繳年費(fèi)|放棄權(quán)利)”中的1，500條數(shù)據(jù)合并成訓(xùn)練集；將“有權(quán)&權(quán)利轉(zhuǎn)移”中的471條數(shù)據(jù)與“無(wú)權(quán)&(未繳年費(fèi)|放棄權(quán)利)”中的163 條數(shù)據(jù)合并成驗(yàn)證集；將“大學(xué)&有權(quán)&未發(fā)生權(quán)利轉(zhuǎn)移”中的1，948條數(shù)據(jù)作為預(yù)測(cè)集，分別用于之后的模型訓(xùn)練和專利識(shí)別。

3.2 指標(biāo)篩選及算法評(píng)估

在進(jìn)行算法評(píng)估前，首先將訓(xùn)練集和驗(yàn)證集合并進(jìn)行主成分分析，確定評(píng)估指標(biāo)之間的相關(guān)性，以確定評(píng)估指標(biāo)選取的有效性。利用SPSS進(jìn)行主成分分析，通過(guò)多輪指標(biāo)數(shù)據(jù)迭代，結(jié)合相關(guān)矩陣數(shù)值和KMO數(shù)值，確定保留11個(gè)評(píng)估指標(biāo)，以獲取較好的主成分分析結(jié)果。對(duì)結(jié)果進(jìn)行分析，發(fā)現(xiàn)相關(guān)矩陣表中，大部分非對(duì)角線元素都大于0.3，小于0.85，且對(duì)應(yīng)的Sig值較小，說(shuō)明變量之間具有相關(guān)性，能夠進(jìn)行主成分分析。KMO度量值為0.698，Bartlett球形度檢驗(yàn)顯著，進(jìn)一步體現(xiàn)各個(gè)變量間相關(guān)性顯著，適合作主成分分析。依據(jù)主成分解釋的總方差表和碎石圖，當(dāng)保留5個(gè)主成分時(shí)，累計(jì)方差貢獻(xiàn)率為71.4%，說(shuō)明這5個(gè)主成分能夠解釋絕大部分的原始變量信息。結(jié)合成分載荷矩陣中各個(gè)影響因素相對(duì)應(yīng)的載荷量與主成分之間的緊密關(guān)系進(jìn)行劃分，對(duì)主成分進(jìn)行重新命名，見表2。

表2 專利評(píng)估指標(biāo)重要成分表

由表2可以發(fā)現(xiàn)，根據(jù)各個(gè)成分下的影響因素進(jìn)行歸納，11個(gè)指標(biāo)涵蓋專利的經(jīng)濟(jì)特征、技術(shù)特征、法律特征、應(yīng)用特征和戰(zhàn)略特征，能夠較為全面地反映專利的價(jià)值度，所以以這11個(gè)指標(biāo)進(jìn)行專利價(jià)值評(píng)估是合理的。利用包含11個(gè)指標(biāo)的訓(xùn)練數(shù)據(jù)集，分別對(duì)“0→邏輯回歸”“1→K近鄰”“2→人工神經(jīng)網(wǎng)絡(luò)”“3→支持向量機(jī)”“4→決 策 樹”“5→隨 機(jī) 森 林”“6→Adaboost”等7種算法進(jìn)行性能評(píng)估，采取十折交叉驗(yàn)證計(jì)算分類準(zhǔn)確度平均值，并繪制折線圖，見圖2。從圖2可發(fā)現(xiàn)，在沒(méi)有進(jìn)行參數(shù)調(diào)優(yōu)的情況下，人工神經(jīng)網(wǎng)絡(luò)的分類性能最優(yōu)，因此，在識(shí)別模型的構(gòu)建過(guò)程中采用人工神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)。

圖2 分類算法性能評(píng)估圖

3.3 模型構(gòu)建及專利識(shí)別

通過(guò)算法評(píng)估選取人工神經(jīng)網(wǎng)絡(luò)構(gòu)建模型，首先利用包含3，000條數(shù)據(jù)的訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，采用十折交叉驗(yàn)證對(duì)模型進(jìn)行調(diào)優(yōu)，當(dāng)激活函數(shù)使用relu、優(yōu)化算法采用Adam、包含3層隱含層、每層20個(gè)神經(jīng)元，最大迭代次數(shù)設(shè)置為1，000 時(shí)，分類準(zhǔn)確度約0.76，損失度約0.26。使用包含634條數(shù)據(jù)的驗(yàn)證集，測(cè)試模型對(duì)未知數(shù)據(jù)的分類性能，繪制ROC曲線，見圖3。由圖3可見AUC的值約為0.77，表明模型具備較高的預(yù)測(cè)價(jià)值，能夠應(yīng)用到高校權(quán)利轉(zhuǎn)移專利及存在失效風(fēng)險(xiǎn)專利的識(shí)別。

圖3 驗(yàn)證集ROC曲線圖

在驗(yàn)證模型有效性的基礎(chǔ)上，利用模型對(duì)預(yù)測(cè)集中的高校專利進(jìn)行識(shí)別，獲取每件專利能夠?qū)崿F(xiàn)權(quán)利轉(zhuǎn)移的概率及存在失效風(fēng)險(xiǎn)的概率，借鑒標(biāo)準(zhǔn)十分評(píng)估方法，設(shè)置專利實(shí)現(xiàn)權(quán)利轉(zhuǎn)移概率的十級(jí)閾值，形成評(píng)估表3。從表3 發(fā)現(xiàn)，在“云計(jì)算”領(lǐng)域，處于AAA 級(jí)的專利比重為10.68%，而CCC 級(jí)→D級(jí)的專利比重約22.64%，反映出高校具備權(quán)利轉(zhuǎn)移價(jià)值的專利比例較少，近四分之一專利存在失效風(fēng)險(xiǎn)。

表3 高校專利權(quán)利轉(zhuǎn)移概率統(tǒng)計(jì)表

在十級(jí)評(píng)分的基礎(chǔ)上，依據(jù)每件專利的權(quán)利轉(zhuǎn)移概率繪制柱狀圖，并添加趨勢(shì)線，見圖4。分析圖4發(fā)現(xiàn)，高校專利權(quán)利轉(zhuǎn)移概率呈二次多項(xiàng)式分布，R2=0.99，方程擬合程度較好，體現(xiàn)了高校在“云計(jì)算”領(lǐng)域中，少部分專利具備高價(jià)值度，大部分專利價(jià)值度較低。這種狀況產(chǎn)生的原因，一方面是部分高校專利的申請(qǐng)是由研究課題驅(qū)動(dòng)產(chǎn)生的，與已發(fā)生權(quán)利轉(zhuǎn)移的專利相比，在技術(shù)深入度、經(jīng)濟(jì)產(chǎn)業(yè)化、法律完備性方面存在差距；另一方面，為了保護(hù)核心技術(shù)，高校在專利申請(qǐng)時(shí)往往會(huì)進(jìn)行專利布局，產(chǎn)生了大量不具備權(quán)利轉(zhuǎn)移價(jià)值的專利。因此，結(jié)合以上情況，在“云計(jì)算”領(lǐng)域，通過(guò)專利識(shí)別模型確定出10.68%具有權(quán)利轉(zhuǎn)移價(jià)值的專利，并不是處于一個(gè)較低水平，這部分專利應(yīng)該得到高?？萍汲晒芾聿块T的重視，圍繞高價(jià)值度專利，構(gòu)建專利技術(shù)包，并制定專利運(yùn)營(yíng)策略，尋求技術(shù)轉(zhuǎn)移。同時(shí)，對(duì)其他存在失效風(fēng)險(xiǎn)的專利，應(yīng)展開遴選，放棄專利權(quán)，節(jié)約高?？蒲谐杀荆瑢⑵渫度氲窖芯繄F(tuán)隊(duì)的研發(fā)中，進(jìn)一步提高發(fā)明專利的核心競(jìng)爭(zhēng)力，提升產(chǎn)業(yè)應(yīng)用價(jià)值。

圖4 高校專利權(quán)利轉(zhuǎn)移概率分布趨勢(shì)圖

3.4 分析與討論

通過(guò)構(gòu)建專利價(jià)值評(píng)估模型對(duì)高?！霸朴?jì)算”領(lǐng)域存在權(quán)利轉(zhuǎn)移價(jià)值和失效風(fēng)險(xiǎn)的專利進(jìn)行識(shí)別，并依據(jù)權(quán)利轉(zhuǎn)移概率，借鑒標(biāo)準(zhǔn)十分評(píng)估法對(duì)專利進(jìn)行打分，其中AAA級(jí)的權(quán)利轉(zhuǎn)移概率最高，D級(jí)存在失效風(fēng)險(xiǎn)的概率最高，對(duì)這兩個(gè)級(jí)別下的專利指標(biāo)數(shù)據(jù)進(jìn)行重點(diǎn)分析，首先基于熵權(quán)法計(jì)算已發(fā)生權(quán)利轉(zhuǎn)移專利中各個(gè)指標(biāo)的權(quán)重，探析哪些指標(biāo)是影響專利權(quán)利轉(zhuǎn)移的重要因素，進(jìn)而對(duì)AAA級(jí)和D級(jí)中的高校專利進(jìn)行指標(biāo)平均值計(jì)算，統(tǒng)計(jì)結(jié)果見表4。

表4 高校專利權(quán)利轉(zhuǎn)移概率(AAA、D)基本指標(biāo)平均值統(tǒng)計(jì)表

分析表4發(fā)現(xiàn)，采用熵權(quán)法計(jì)算的11個(gè)指標(biāo)權(quán)重，其中引用專利數(shù)量的權(quán)重最高，引用專利數(shù)量體現(xiàn)的是專利技術(shù)吸收復(fù)雜度，引用專利數(shù)量越多，表明專利基于的前沿技術(shù)越多元，技術(shù)基礎(chǔ)越扎實(shí)，是專利技術(shù)價(jià)值的重要體現(xiàn)。3年內(nèi)被引用次數(shù)和5年內(nèi)被引用次數(shù)的權(quán)重大小也位居前列，這兩項(xiàng)指標(biāo)體現(xiàn)了領(lǐng)域內(nèi)研發(fā)人員對(duì)該專利技術(shù)的認(rèn)可，被引用次數(shù)越多，表明該專利對(duì)領(lǐng)域內(nèi)其他專利的技術(shù)創(chuàng)新具有重要的指引作用，是專利經(jīng)濟(jì)價(jià)值和應(yīng)用價(jià)值的重要體現(xiàn)。權(quán)利要求字?jǐn)?shù)這一指標(biāo)也具備較高權(quán)重；權(quán)利要求限定了專利的保護(hù)范圍，是判定侵權(quán)的主要依據(jù)，直接影響了專利的技術(shù)創(chuàng)新能力，是專利法律價(jià)值的重要體現(xiàn)。以上四個(gè)指標(biāo)對(duì)高校專利權(quán)利轉(zhuǎn)移概率具有較大的影響作用，在高校進(jìn)行專利申請(qǐng)和專利運(yùn)營(yíng)時(shí)應(yīng)該得到重視。

進(jìn)一步對(duì)表4中AAA級(jí)和D級(jí)的專利指標(biāo)平均值進(jìn)行對(duì)比分析，發(fā)現(xiàn)除“X1→IPC分類號(hào)數(shù)量”和“X10→摘要字?jǐn)?shù)”兩個(gè)指標(biāo)之外，在其他9個(gè)指標(biāo)中，AAA級(jí)專利的指標(biāo)平均值明顯高于D級(jí)。結(jié)合上述對(duì)占據(jù)重要權(quán)重指標(biāo)的分析，對(duì)高校和科研團(tuán)隊(duì)進(jìn)行技術(shù)研發(fā)和專利申請(qǐng)?zhí)岢隽烁咭?，?yīng)該重視高權(quán)重指標(biāo)對(duì)高校專利權(quán)利轉(zhuǎn)移的影響作用。因此，在高校層面，高校知識(shí)產(chǎn)權(quán)信息服務(wù)中心要為科研團(tuán)隊(duì)的專利創(chuàng)造、管理和運(yùn)營(yíng)提供全方位支持，對(duì)科研團(tuán)隊(duì)提出的研究?jī)?nèi)容進(jìn)行廣泛深入的科技查新，保證研究?jī)?nèi)容的前沿性和尖端性；在技術(shù)交底書的撰寫過(guò)程中，專利引證數(shù)量、權(quán)利要求數(shù)量、權(quán)利要求字?jǐn)?shù)等方面要做到全面扎實(shí)，保證專利的質(zhì)量和保護(hù)范圍；針對(duì)核心技術(shù)，要做好專利布局工作，通過(guò)申請(qǐng)同族專利，形成技術(shù)競(jìng)爭(zhēng)優(yōu)勢(shì)，這也為提高專利的被引證次數(shù)奠定基礎(chǔ)。在科研團(tuán)隊(duì)層面，專利技術(shù)的提出要建立在對(duì)前沿技術(shù)進(jìn)行全面整合的基礎(chǔ)上，保證技術(shù)的復(fù)雜度和創(chuàng)新性；在科研團(tuán)隊(duì)組建方面，要保證足夠數(shù)量的技術(shù)人員實(shí)現(xiàn)專利技術(shù)的產(chǎn)業(yè)化應(yīng)用。綜合以上分析，本文所提的專利價(jià)值評(píng)估模型不僅能夠識(shí)別高校中某一技術(shù)領(lǐng)域存在權(quán)利轉(zhuǎn)移價(jià)值和失效風(fēng)險(xiǎn)的專利，推動(dòng)高校專利技術(shù)向產(chǎn)業(yè)界轉(zhuǎn)移，還能在此基礎(chǔ)上對(duì)識(shí)別結(jié)果進(jìn)行深入剖析，發(fā)掘核心專利指標(biāo)對(duì)專利權(quán)利轉(zhuǎn)移的影響，對(duì)于強(qiáng)化高校專利質(zhì)量，提升高?？萍汲晒芾聿块T、高校知識(shí)產(chǎn)權(quán)信息服務(wù)中心的專利管理和專利服務(wù)效率具有重要的參考價(jià)值。

4 結(jié)語(yǔ)

本文從科學(xué)性和易操作性角度出發(fā)，選取高校專利價(jià)值評(píng)估指標(biāo)，將主成分分析法與分類算法結(jié)合，為高?？萍汲晒芾砣藛T提供了行之有效的方式，快速識(shí)別已有的授權(quán)專利中，具備權(quán)利轉(zhuǎn)移價(jià)值和失效風(fēng)險(xiǎn)的專利，為高校制定專利運(yùn)營(yíng)策略以及企業(yè)快速定位高校核心技術(shù)提供參考支持。本文存在的不足之處有：所構(gòu)建的評(píng)估模型僅使用“云計(jì)算”領(lǐng)域的專利數(shù)據(jù)，數(shù)據(jù)樣本較少；另外在指標(biāo)選取過(guò)程中，為了指標(biāo)的易獲取性，僅選取11個(gè)指標(biāo)形成評(píng)估體系，科學(xué)性有待進(jìn)一步驗(yàn)證。因此，在后續(xù)研究中，將探索構(gòu)建全領(lǐng)域的專利數(shù)據(jù)樣本，擴(kuò)充專利評(píng)估指標(biāo)體系，實(shí)現(xiàn)對(duì)高校不同技術(shù)領(lǐng)域中具備權(quán)利轉(zhuǎn)移價(jià)值專利的識(shí)別。