Firstly, the study selects the research data from the valid invention patents published from 2000 to 2015 in Shanghai Jiao Tong University without patent transformation; then the sleeping patents are further screened by manual screening and index definition; finally, the index weights of the sample data are calculated by the entropy weight method and the coefficient of variation method. Moreover, the median of the composite score of the transferred patents is set as the threshold to obtain samples of sleeping patents with awakening potential. The random forest model is used to compare the calculation results of the entropy weight method and the coefficient of variation method. This study also compares the differences in patent value evaluation established by different industries and unified industries. The electrical industry is taken as an example to show the comparison results. The results show that the difference in index weights is small regardless of whether the industry patent value evaluation model is divided, and the difference interval is within the acceptable range; the degree of industry-university-research cooperation is the most important indicator in both index systems. Although there are differences in patent characteristics among different industries, it does not have a great impact on the value evaluation system of sleeping patents in universities and research institutes designed in this paper. It is more convenient to formulate a unified value evaluation system for all industries to calculate the value of sleeping patents.
The results show that sleeping patents in universities and research institutes are not completely worthless patents, and some patents have awakening potential. The degree of industry-university-research cooperation accounts for more than 35% of the weight in the sleepy patent value evaluation system of universities and scientific research institutes. It reflects the important role of school-enterprise cooperation in the transformation of scientific and technological achievements in universities and research institutes. The sleeping patent value evaluation system can help universities and research institutes shorten the technological innovation cycle, reduce the waste of scientific research funds, improve the efficiency of scientific research, and provide direction for the transformation of scientific and technological achievements in the future. At the same time, it also provides ideas for enriching research on sleeping patents and the patent value evaluation system.
开放科学(资源服务)标识码(OSID)：
自国家知识产权战略实施以来,我国知识产权工作取得显著成效,知识产权保护水平不断提升[1]。高校和科研院所作为我国知识产权发展的重要力量,在知识产权强国建设中发挥不可或缺的作用。截至2023年12月,全国高校及科研机构有效发明专利拥有量达102.3万件,占国内有效专利总数的1/4。然而,与专利授权量的快速增长相比,专利转化率却一直偏低。《2022年中国专利调查报告》数据显示,2022年我国发明专利产业化率为36.7%,与企业48.1%的高转化率相比,科研院所与高校的转化率分别仅为13.3%和3.9%[2]。相比于企业专利,高校和科研院所专利因技术超前,同时受市场需求与利益分配、人才评价机制等主客观因素约束,两者专利有大量陷入“沉睡期”而无法被利用,这不仅导致研发投入与公共资源浪费、技术创新积极性下降,还制约我国高校与科研院所创新能力提升(靳瑞杰等,2019)。相比美国高校50%的专利转化率,我国高校与科研院所的专利转化率明显偏低,这无疑会降低我国在国际上的科技创新影响力。目前,高校与科研院所沉睡专利已引起国家和社会的广泛关注,但高校与科研院所专利转化率偏低的问题始终未得到有效改善。
沉睡专利并非是因为无价值而“休眠”,其科技成果往往具有较大潜在价值[3]。例如,聂力兵等[4]提出,唤醒沉睡专利能够促进关键核心技术创新。沉睡专利价值主要体现在以下三方面:第一,其蕴含的前沿技术为技术创新提供研发新思路和创新资源;第二,当市场配套资源充足时,“沉睡”的成熟知识便可被唤醒、转化并发挥出巨大的市场价值;第三,沉睡专利通过专利权保护,形成垄断优势。由于沉睡专利具备重要的技术价值和经济价值,因此有必要探究如何衡量其价值以识别出高价值沉睡专利,促进其转化。虽然当前学术界针对沉睡专利内涵、成因、识别方法和唤醒机制进行了诸多探索[5-6],并构建了活跃状态的专利价值评估体系[7-8],但是缺乏沉睡专利价值评估研究。高校与科研院所重视技术理论研究,其专利技术水平超前,拥有繁多、分布于不同行业的沉睡专利,但是缺少具有普适性的沉睡专利价值评估体系。作为技术水平超前的科研成果,沉睡专利具有潜在的商业价值,与活跃期专利相比,其价值影响因素复杂,不能简单套用活跃期专利价值评估体系[9]。因此,有必要构建高校与科研院所沉睡专利价值评估体系。这不仅有助于丰富沉睡专利价值评估理论研究,而且能够为合理分配科研资源、提高高校与科研院所科研投入效率、促进科技成果转化提供科学指导。
综上,本文基于高校、科研院所专利授权量与科技成果转化水平不匹配现况,结合高校、科研院所沉睡专利特征,从专利数据库中获得沉睡专利数据,构建涵盖专利基础性价值、专利技术唤醒潜力、专利商业唤醒潜力3个一级指标的价值评估体系,以综合衡量沉睡专利潜在唤醒价值,为构建沉睡专利价值评估体系提供新工具。为克服专利价值计量过程中指标难以量化、专家打分存在主观性等问题,将所有指标转化为定量指标。
沉睡专利会消耗、浪费大量社会资源,降低创新积极性,在一定程度上阻碍我国自主创新和产业升级。目前,学者们针对专利沉睡概念已形成诸多研究成果,且大都是基于专利转化和被引情况进行界定。例如,唐要家[10]通过研究中国专利申请与授权量增长趋势提出,沉睡专利即为未得到转化的专利;考虑到研究情景,李贺等[6]拓宽了沉睡专利范畴,从产业角度提出沉睡专利更多是指没有被应用于实际生产和商业发展的专利。
导致专利沉睡的原因可归纳为以下四方面:①专利自身特征[3],即专利因自身技术落后或技术超前,目前不被认可;②发明人动机,为职业晋升与职称评定,发明人盲目追求专利数量而忽略专利质量;③评价制度不完善,如高校与科研院所为了完成科研任务、企业盲目追求创新与市场化,都会导致研发专利价值偏低、转化效果不佳等专利沉睡现象;④知识产权保护制度和政府干预,如唐要家[10]利用专利转化期权模型分析专利沉睡原因并发现,我国知识产权保护制度、专利转化机制、投融资制度不完善导致专利转化水平低,进而形成专利沉睡。
目前学术界针对沉睡专利的识别方法缺乏系统研究,而沉睡专利与“睡美人文献”又存在相似之处,所以大部分学者借鉴睡美人文献识别方法展开研究。睡美人文献是指在沉寂较长时间后突然被高频引用的文献[11]。其识别方法可以归结为以下4种:一是人为参数法,即根据研究内容设置适当阈值以划分边界。二是曲线拟合法,即选择恰当的曲线类型以拟合数据,并利用拟合方程分析变量关系。三是客观指标法,即利用客观指标消除阈值设定的主观随意性,主要包括被引速率、参考线和权重3种思路。四是数据变换法,即通过平滑、聚集、属性构造等方式将数据转换为适合处理与分析的形式。在参考上述睡美人文献识别方法后,Torrisi等[3]依据同族规模、范围、权利要求、技术领域、申请人类型等专利文献著录项识别沉睡专利。此后,Hou等[12]细化了识别角度,从专利引文、转让、许可三方面辨别睡美人(突然觉醒)专利。
虽然相关学者借鉴睡美人文献引文分析思路对沉睡专利识别进行了一定探索,但是专利不同于一般文献,其价值不仅体现在专利引用等技术传播方面,而且包含应用转化等市场价值,单纯凭借被引频次与专利文献识别沉睡专利具有一定局限性,忽视了沉睡专利因休眠而存在的时滞性以及觉醒方式的多样性,如逐渐觉醒和突然觉醒。为解决上述问题,本文将张米尔[11]的专利引用时序特征分析方法与专利转化活动相结合,将沉睡专利定义为自申请公开以来在较长时间内没有进行各类型专利转化活动并保持较低被引频次或零被引的专利。进行数据下载时,以是否发生专利转化(许可或权利转移)为筛选条件,对初步筛选出的专利数据按照专利被引频次排序,将被引频次显著高于其它专利的剔除,对余下专利绘制专利引文时序图,观察其被引情况是否符合沉睡特征。该方法有助于提高数据准确性,并为构建沉睡专利价值评估指标体系打下坚实基础。
当前的专利价值评估方法主要包括市场基准法、期权法和综合评价法。 市场基准法属于早期专利价值评估的常用方法,主要包括成本法、市场法、收益法。成本法是将重复专利技术开发过程所需的费用作为重置成本,随后扣除其折旧、贬值等费用,进而评估专利价值的方法。成本法涉及参数较多,相比市场法和收益法,其应用更耗时费力。此外,成本法关注投入,经常忽略专利收益性,从而影响评估结果。市场法以专利交易市场上与被评估专利相似、已交易的专利作为参照物,通过比较两者差异,在参照物成交价格基础上对相关指标进行调整,从而计算被评估专利价值。因较少在国内专利交易市场使用,可比性案例不易获取,市场法应用有限。收益法是指预测被评估专利在剩余有效期内的收益并将其折现加总,以作为被评估专利价值[13]。由于专利价值评估需要计算各类参数,专利存续期内的收益一般通过净现值法等计算,而折现率确定存在困难,不同折现率对专利价值的影响也不同,因此收益法也较难使用。由于市场基准法难以实现,且有学者发现专利权具备期权的部分特性,故将期权法引入专利价值评估[14]。如Ernst等[14]借鉴实物期权理论构建专利价值评估模型,并采用蒙特卡洛模拟法验证模型可靠性。之后相关学者将期权与模糊思想相结合,进一步优化专利价值评估。如Agliardi等[15]将实物期权与模糊思想进一步扩展,探讨专利价值。由于模型参数对专利价值评估结果有较大影响,部分学者开始关注参数设置的合理性。有学者利用因子分析法构建专家打分表,确定知识产权质押价值评估收益分成率影响因素及其权重(苑泽明等,2012)。但由于市场信息不完备和数据不易获取,市场基准法和实物期权模型逐渐被综合评价法取代。
综合评价法通过构建层级化专利价值影响指标体系以综合衡量专利价值,并成为专利价值评估的常用方法之一。部分学者通过分析专利价值影响因素,探究不同因素与专利价值关系,从多个角度构建价值评估模型。如李振亚等[16]认为,专利技术质量、市场价值、技术可替代性和专利保护强度是影响专利价值的四大要素,并综合上述要素设计专利价值评估体系;谢萍等[17]从专利权人实力和专利技术两个角度构建企业专利价值评价体系。可见,现有专利价值评估体系主要从技术、市场和法律角度出发,挖掘专利文献中的专利被引数、同族项数等指标,进而建立综合性评价体系。根据构建模型的不同,采用的评估方法大多为统计分析法和机器学习。其中,统计分析法主要为层次分析法和主成分分析法。如有学者利用层次分析法和模糊综合评价法构建专利价值评估模型。随着技术的不断发展,相关学者利用机器学习构建专利价值评估模型(万小丽等,2008)。如赵蕴华[18]利用决策树、支持向量机和神经网络筛选专利价值评估指标。
虽然关于专利价值评估已形成诸多研究成果,但是仍然缺少对长期处于“休眠期”的沉睡专利价值评估研究。目前的沉睡专利研究只涉及沉睡原因、唤醒政策等,同时,专利价值评估体系缺乏针对性。高校、科研院所的沉睡专利因涉及行业技术多元化、存在市场转化困难等,导致其价值难以衡量,因此需构建针对性强、专业性高的评估模型,以提高价值评估准确性。本文在充分挖掘高校、科研院所专利数据的基础上,构建高校与科研院所沉睡专利价值评估模型,进而采用熵权法和变异系数法确定指标权重,使用机器学习检验该评估方法。
高校与科研院所作为促进社会技术进步的重要力量和科技创新的知识供给源头,为企业等社会主体发展提供方向指引。高校与科研院所的独有特征使得其沉睡专利与以企业为申请人的沉睡专利存在较多不同,具体表现为:
(1)专利多为技术理论研究成果。这是因为高校与科研院所更偏重理论创新,其沉睡专利技术往往处于技术生命周期萌芽阶段,部分技术甚至过于超前,距离实践较远。由于高校与科研院所的专利技术较前沿,使得成果转化难度较大,不易被市场吸收与消化,导致专利市场价值被埋没。相比之下,企业沉睡专利技术更偏向于实际运用,更易于被市场接受与唤醒,转化率较高。这些不同使得两者在技术生命周期、科学关联度、转化率等指标方面均存在明显差异。
(2)专利授权率与转化率不成正比。相比企业沉睡专利,高校与科研院所沉睡专利在知识成果评选中通常能取得较高名次,且发明专利申请量和授权量较大,这代表高校与科研院所的专利技术质量更高、更具创新性。然而,高校与科研院所沉睡专利的转化率却比企业低很多,说明高校与科研院所的科技成果转化能力相比创新能力较为不足。专利授权率与转化率之间的不对等也反映出高校、科研院所作为技术创新的产出源头,与专利价值变现主体之间存在较大差距,即市场转化能力不及专利技术研发能力。
(3)转化困难。首先,相较于企业沉睡专利的自行转化,高校与科研院所的成果转化更依赖于专业机构或企业。数据显示,我国仅有 6.4%的高校与科研院所设置专门的技术转移机构,并且存在人员紧缺、专业化程度不够、程序不正规等问题。其次,与企业相比,科研成果在高校、科研院所评价机制中占有重要地位,但科研项目结题考核标准单一且不强调科研成果转化。受高校、科研院所绩效考核机制以及个人影响力提升等利益导向驱动,高校与科研院所专利发明人将精力与工作重心集中在专利技术研发上,而忽略专利市场价值实现和转化。由于专利转化渠道少、运营机制不健全以及发明人不重视转化工作,极大影响了专利转化及产业化,进而形成沉睡专利。
现有指标体系大多以企业专利为评价对象,直接使用无法揭示高校与科研院所沉睡专利特点,导致评估结果不够准确。因此,本文在设计高校与科研院所沉睡专利价值评估模型时不仅考虑到沉睡专利属性,而且结合了高校与科研院所作为专利技术开发主体的特点。
高校与科研院所重视前沿技术探索,技术领先性较强,这是高校与科研院所沉睡专利的优势,也是识别和构建高校与科研院所沉睡专利价值评估体系的关键:一是高校与科研院所沉睡专利技术的新颖性和创造性较强,多为发明授权专利,因此本文在识别沉睡专利时也以发明授权专利为主。二是高校与科研院所沉睡专利往往处于理论构思和起步阶段,知识成熟度较低,所以挖掘沉睡专利的知识发展成熟度是识别其价值的重要途径。三是如果沉睡专利未获得专利权保护,则其不存在转化价值,因此沉睡专利的法律状态需为有效。四是由于沉睡专利的技术领先性无法轻易被他人知悉,因此发明人对沉睡专利的保护是外界评判沉睡专利价值的一个重要基础。
由于专利具有技术实用性与先进性,所以技术唤醒是促进沉睡专利苏醒的途径之一[19],而技术价值是影响技术唤醒的重要因素。沉睡专利与无法被引或转化的低价值专利存在明显区别,其中,最重要的是其蕴含的高技术价值。随“沉睡”时间变化和技术发展,沉睡专利的技术价值会不断提升[4],但低价值专利因技术陈旧或存在虚假技术,其价值不会随着时间推移而增值。尽管高校与科研院所沉睡专利因涉及前沿技术而无法被当前市场所接纳,但当其技术价值随时间推移而逐步与市场需求匹配时,沉睡专利就会得到唤醒。因此,深度挖掘沉睡专利所含技术潜力并判断其是否具备技术唤醒条件,是构建沉睡专利价值评估体系的重点。
沉睡专利的另一大唤醒途径是专利商业价值转化,主要包括专利许可和专利转让。产学研合作、专利作价入股以及专利技术孵化是高校科研院所专利转化的重要渠道。有研究证实,产学研合作将高校强大的科研能力与企业敏锐的市场运营能力相结合,使得专利的技术含量与市场需求更适配[20],可以在一定程度上促进高校与科研院所专利转化。同时,研究团队与企业合作也是专利转化的重要模式之一[21]。发明人与企业合作不仅可以拓宽专利转化渠道,而且有助于增强发明人与企业之间信任度,减少合作不确定性,提升专利转化率。综上所述,沉睡专利转化不仅需依靠专利自身的商业化渠道,还有赖于研发团队合作网络。
在借鉴前人研究成果基础上,结合高校科研院所沉睡专利优势与特点、沉睡专利唤醒途径以及评估指标选择原则,同时,满足数据获得性和完整性,充分体现指标代表性,本文从专利基础潜力价值、专利技术唤醒潜力价值和专利商业唤醒潜力价值三方面,共选取 9 个二级评估指标构建高校科研院所沉睡专利价值评估体系。
3.1.1 专利基础性潜力指标
在充分考虑评估主体优势与特点基础上,提出适用于高校科研院所沉睡专利价值评估的定量化、基础性指标。
(1)权利要求数。作为专利文献的关键内容,权利要求决定了专利权保护范围。权利要求越多,表明权利人对技术的保护越全面,专利稳定性越强。同时,也说明该项技术越重要、保护程度越大,权利人愿意支付的维护成本也越高[22]。
(2)知识成熟度,是指知识从产生到使用者纳入创新的时间[23]。知识成熟度越高,沉睡专利技术与市场需求的适配度越高,沉睡专利也越容易被转化。本文借鉴 Capaldo 等[23]和Petruzzelli等[24]提出的知识成熟度计算方法,使用焦点专利与后向引用专利的时间间隔作为代理变量,然后汇总焦点专利与所有后向引用专利的时间间隔,计算其均值以代表专利后向引用成熟度。
(3)专利维持年限。如果专利权人对沉睡专利进行持续性投入或延长其年限,表明该专利可能具有特殊性,会产生较高价值。换而言之,专利保护年限越长,其价值越高,未来唤醒的可能性越大。
3.1.2 专利技术唤醒潜力指标
专利技术唤醒潜力指标主要从技术质量和范围角度选择,本文使用4个指标衡量沉睡专利技术价值。
(1)技术积累程度,即专利引用数量,是指被评估专利引用的专利文献数量。技术积累程度反映被评估专利与引用专利之间的技术关系,一项专利技术在研发过程中引用的专利数量越多,说明该专利技术基础越扎实,技术贡献越大。
(2)技术创新潜力,即沉睡专利的科技含量,其值越高,说明专利成果与技术研究之间的知识传递越顺畅,被技术唤醒的概率也越大。本文使用科学关联度衡量技术创新潜力,即科技文献引用数量,具体是指非专利文献引用数量。
(3)技术关注度潜力。专利价值在唤醒过程中还可以通过关注度予以体现,即专利被关注的人数越多,其被引用、唤醒的可能性就越大。专利申请国数量在一定程度上体现专利地域范围、可观收益或良好预期。专利的同族数越高,表明其越易于受到关注,进而被唤醒[21]。
(4)技术覆盖范围。专利IPC分类号是国际公认的全面分类以及专利文献检索工具,其包含专利的所有相关技术 [25]。一项专利的IPC分类号越多,代表该专利涉及的技术领域越广。
3.1.3 专利商业唤醒潜力指标
本文选择两个指标衡量沉睡专利的商业唤醒潜力。
(1)产学研合作程度,即申请人中企业数量与总申请人数量之比,产学研合作程度可以在一定程度反映沉睡专利产业合作情况。
(2)第一发明人与企业合作经验。研发团队与企业之间的合作关系显著正向影响沉睡专利转化水平[21,26]。而在专利发明人中,第一发明人不仅对专利产生的贡献最大,而且对专利转化的影响最大[26]。因此,本文选用第一发明人的企业合作次数衡量第一发明人的企业合作经验,合作经验越丰富,表明沉睡专利被唤醒的概率越大。
综上所述,最终确定我国高校与科研院所沉睡专利价值评估指标体系如表1所示。
表1 沉睡专利价值评估指标体系
Table 1 Value evaluation index system of sleeping patents
一级指标二级指标释义专利基础性指标权利要求数衡量专利权人对专利的保护程度知识成熟度焦点专利与所有后向引用专利的时间间隔并计算均值专利维持年限专利自申请至失效的年寿命专利技术唤醒潜力技术积累程度引用专利数量技术创新潜力专利的科学关联度,即专利引用科学文献的数量技术关注潜力专利的简单同族规模,以专利权人对被评估专利的地域保护范围衡量技术覆盖范围与国际专利分类号密切相关,特指专利IPC分类号数量专利商业唤醒潜力产学研合作程度申请人中来自企业的数量/总申请人数量第一发明人与企业合作经验第一发明人与企业合作次数
3.2.1 评价方法
(1)熵权法是通过计算各指标信息熵来确定权重的方法。熵权法计算过程如下:首先,构建矩阵Z=(zij)mn,zij是第i个被评估专利在第j个评估指标下的值。其次,对数据进行归一化处理,得到S=(sij)mn。而后,计算第j项评估指标的熵为
其中
最后计算指标权重
(2)变异系数法是通过计算各指标变异程度确定权重的客观赋权方法。变异系数法计算过程如下:假设矩阵U=(uij)mn,uij是指第i个评估对象在第j个评估指标下的值。首先,计算第j个指标的平均值
和标准差σj;其次,计算第j个评估指标的变异系数
最后,计算第j个评估指标权重
3.2.2 随机森林
随机森林是融合装袋采样和决策树模型的集成学习方法。其原理是:首先,从原始样本D中进行K次随机抽取,得到K个训练子集,每个训练子集包含n个不同样本。其次,采用CART分类回归构建单棵决策树,在单棵决策树的节点分裂处,从特征总数M中随机选取Y个特征作为当前决策树的分裂特征集,其中,Y 图1 随机森林算法流程 选择上海交通大学的沉睡专利作为评估样本。具体原因如下:①上海交通大学人才储备充足,技术基础扎实;②学科门类齐全,综合性强,其专利IPC分类丰富,知识成果涉及行业广泛;③专利转化经验丰富;④具备完善的专利转化体系;⑤具有较大的专利产出规模,样本数量充足,专利信息公开,专利数据容易获得。数据检索与清洗过程如下: (1)数据收集。专利类型分为3种:发明专利、实用新型专利和外观设计专利。其中,发明专利强调创造性,突出实用性,转化应用率较高。因此,对发明专利中有价值的沉睡专利进行价值评估对于高校与科研院所未来发展具有重大意义[2]。基于上述原因,本文选取发明专利中的沉睡专利作为研究对象,并构建与之适配的价值评估模型。 本文以上海交通大学的专利数据作为研究对象,在CreatMart专利数据平台以“上海交通大学”为主要专利权人进行专利检索。同时,结合李贺等[7]研究得出的沉睡专利内涵与特点(睡眠时间长达6～20年的睡美人专利文献占比最大),筛选出2000-2015年公开且未发生专利转化的有效发明专利,如图2所示。 图2 2000-2015年上海交通大学未转化专利变化趋势 (2)沉睡专利筛选。首先,以“是否发生转化”作为识别沉睡专利的第一条件,并在Patlab平台对数据进行清洗,去除重复专利并对专利权人消歧[27]。将初选数据按照被引专利数量进行排序,去除高被引专利数据,如表2所示。 表2 高被引专利 公开(公告)号公开(公告)年被引用专利数量CN101977104B201391CN102509781B201183CN102813998B201569CN101225499B201060CN103401072B201530CN100493195C200920 余下的非高被引专利并不能一概归为沉睡专利,这是因为专利与文献不同,其被引数量整体低于文献且不具备显著变化趋势,故不能直接采用睡美人文献的传统识别方式。本文采用张米尔等的识别方法,针对无法直接判断被引趋势的专利绘制专利引文曲线。 图3为部分初选专利引文曲线,其并不符合沉睡专利的被引趋势,故予以排除。将以上过程适用于余下专利,通过数据清理,共筛选出上海交通大学沉睡专利837条。 图3 部分未转化专利引文曲线 4.2.1 评估指标独立性检验 为了避免评估指标之间存在共线性,本文采用方差膨胀因子(VIF)测算,发现研究变量的VIF值远小于10,条件数远小于上限30,表明各变量之间不存在严重的多重共线性。同时,本文对技术覆盖范围、产学研合作程度、专利维持年限、权利要求数等指标进行相关性分析,如表3所示。检验结果显示,指标之间不存在明显的相关性。 表3 沉睡专利价值评估指标相关性分析结果 指标权利要求数专利维持寿命技术关注潜力技术积累程度产学研合作程度技术创新程度技术覆盖范围知识成熟度第一发明人企业合作经验权利要求数1专利维持寿命0.0141技术关注潜力0.0640.0041技术积累程度0.0360.042-0.1701产学研合作程度-0.021-0.100-0.0390.0241技术创新程度0.013-0.0730.137-0.247-0.1081技术覆盖范围-0.1160.1540.085-0.0110.1940.0411知识成熟度-0.0150.1180.1660.240-0.053-0.0810.0261第一发明人企业合作经验-0.048-0.125-0.056-0.0350.1550.0710.0980.0611 4.2.2 评估指标权重计算 (1)数据标准化处理。本文使用Stata软件对数据进行标准化处理和分析。同时,对已标准化数据进行筛选,避免异常数据对计算结果的影响,设Yij=Yij+b,令b=0.01。 (2)指标权重确定。使用熵权法计算各项指标权重,计算结果见表4。 表4 基于熵值法的权重计算结果 指标信息熵值信息效用值权重(%)技术积累程度0.972 30.027 73.79权利要求数0.965 30.034 74.74专利维持寿命0.987 70.012 31.68技术关注潜力0.892 80.107 214.64技术创新潜力0.904 60.095 413.02技术覆盖范围0.919 90.080 110.93知识成熟度0.972 60.027 43.74第一发明人企业合作经验0.921 30.078 710.75产学研合作程度0.730 90.269 136.72 利用变异系数法再次计算指标权重,得出结果如表5所示。 表5 基于变异系数法的权重计算结果 指标平均值标准差CV系数权重(%)技术积累程度3.9382.4570.623 81 6.63权利要求数5.8393.4820.596 40 6.34专利维持寿命12.0041.7480.145 58 1.55技术关注潜力1.0730.6480.603 56 6.42技术创新潜力2.1292.7631.297 97 13.80技术覆盖范围2.1961.5860.722 07 7.68知识成熟度8.0755.4160.670 70 7.13第一发明人企业合作经验4.1895.8431.395 03 14.83产学研合作程度0.0420.1393.349 99 35.62 对比两种方法的权重结果发现,具体数值有所差异。其中,产学研合作程度、技术创新潜力和第一发明人企业合作经验对高校与科研院所沉睡专利价值评估结果的影响显著,体现出沉睡专利的两大唤醒途径,即技术唤醒与商业唤醒。 为进一步确定沉睡专利是否具备唤醒潜质,筛选并清洗出上海交通大学的高被引和已转化专利共476条,利用熵权法和变异系数法计算各指标权重以及综合得分。计算结果显示,变异系数法的专利综合得分最高值为0.401,最低值为0.015,中位数为0.085 2。熵权法的专利综合得分最高值为0.412,最低分为0.014,中位数为0.066。分别使用两个模型的中位数0.085 2和0.066作为判断沉睡专利是否具备唤醒潜质的阈值,观察沉睡专利价值。 将沉睡专利数据集引入熵权法与变异系数法指标体系中,计算沉睡专利价值得分。其中,熵权法中沉睡专利价值的最高分为0.488,最低分为0.012;变异系数法中沉睡专利价值的最高分为0.278,最低分为0.012。以中位数0.066与0.085为阈值对沉睡专利样本数据进行筛选,分别获得315和333个具备唤醒潜质的沉睡专利样本。由数据可知,沉睡专利中并不完全为无价值专利,仍具有唤醒潜力。 为更好地检验熵权法与变异系数法准确性以精准预测沉睡专利价值,同时,上文已按照阈值将高校科研院所沉睡专利划分为高价值具备唤醒潜力和价值低无法转化两类,为验证该分类是否准确,本文选用随机森林进行仿真模拟。变异系数法使用70%即586条样本作为训练集,节点分裂评价准则为Gini,决策树数量为80,内部节点分裂的最小样本数为3,叶子节点的最小样本数为7,树的最大深度为15,叶子节点的最大数量为40,达到较低的误差值,耗时0.194秒,具体模型评估结果见表6。熵权法使用70%即586条样本作为训练集,节点分裂评价准则为Gini,决策树数量为50,内部节点分裂的最小样本数为3,叶子节点的最小样本数为5,树的最大深度为15,叶子节点的最大数量为40,达到较低的误差值,耗时0.181秒,具体模型评估结果见表7。由上可知,相比熵权法,变异系数法的精确率、召回率以及F1值更大,表明评估结果更准确。同时,这也说明本文构建的高校科研院所沉睡专利价值评估体系准确合理,能够有效衡量沉睡专利潜在价值。 表6 变异系数法评估结果 对比项准确率召回率精确率F1训练集0.9470.9470.9480.957测试集0.9370.9370.9430.94 表7 熵权法评估结果 对比项准确率召回率精确率F1训练集0.9590.9590.9590.959测试集0.8970.8970.8970.896 本文参考以往沉睡专利与专利价值评估理论,结合高校和科研院所主体特点,构建高校科研院所沉睡专利价值评估体系。考虑到各行业差异性导致沉睡专利识别与指标计算有所不同,本文根据沉睡专利的IPC主分类号划分专利所属行业,并计算不同行业沉睡专利价值指标权重。以电学行业为例,区分和不区分行业的指标权重如下:技术积累程度权重值分别为6.59%与6.63%,技术关注潜力权重值分别为2.06%与6.42%,权利要求数权重值分别为6.40%与6.34%,技术覆盖范围权重值分别为5.91%与7.68%,技术创新潜力权重值分别为14.59%与13.80%,产学研合作程度权重值分别为38.14%与35.62%,专利维持寿命权重值分别为1.51%与1.55%,知识成熟度权重值分别为6.68%与7.13%,第一发明人企业合作经验权重值分别为18.11%与14.83%。由此可见,区分和不区分行业的权重差异较小,其中,产学研合作程度是最重要的指标。同时,本文利用随机森林模型,对电气行业权重进行评估,结果见表8。可以发现,相比于不区分行业,区分行业的召回率和精确率较低。综上所述,区分和不区分行业得出的高校与科研院所沉睡专利价值评估结果相差较小,差别值在可接受范围内,说明即使不同行业在专利特征等方面存在差异,也不会对高校与科研院所沉睡专利价值评估产生较大影响。 表8 电气行业变异系数法评估结果 对比项准确率召回率精确率F1训练集0.9770.9770.9770.977测试集0.8420.8420.8590.841 沉睡专利并不都是毫无价值的专利,相反,部分沉睡专利在唤醒时将产生巨大技术价值或经济价值。我国高校与科研院所应将转化重点放在具备唤醒潜质的沉睡专利上。因此,构建沉睡专利价值评估指标体系,对于高校与科研院所提高研究质量、合理利用科研资源、提高专利成果转化率具有重要意义。 基于以往研究,本文结合高校科研院所沉睡专利特点,将沉睡专利价值评估影响因素划分为专利基础性指标、专利技术唤醒潜力、专利商业唤醒潜力三大维度,遴选出技术积累程度、权利要求数、专利维持寿命、技术关注潜力、技术创新潜力、技术覆盖范围、知识成熟度、第一发明人与企业合作经验、产学研合作程度共9项指标,构建高校科研院所沉睡专利价值评估体系。 本文构建的沉睡专利价值评估体系囊括各行业,更具普适性。由于无需区分具体行业,降低了专利价值评估成本,更利于确认沉睡专利是否具备唤醒潜力。此外,现有研究重点关注活跃期专利价值评估,忽略了沉睡专利评估特点。本文构建的高校科研院所沉睡专利价值评估体系有助于高校科研院所精准识别沉睡专利,科学评估其潜在价值。此外,不同于现有研究聚焦于分析专利沉睡原因,本文侧重于构建沉睡专利价值评估体系,不仅进一步完善了沉睡专利理论研究,而且有助于提高高校科研院所对高质量沉睡专利的识别能力,帮助其提高科技成果转化率,促进科技成果从象牙塔走向市场、从实验样品变成量产的商业化产品,转变成真实的科技生产力,避免科研成果 “沉睡”与资源浪费。 虽然本文构建了高校与科研院所沉睡专利价值评估体系,但是仍存在以下不足:首先,研究仅以上海交通大学沉睡专利为例,并未测算其它高校沉睡专利价值。因此,未来研究可以扩大研究对象数量,测算不同高校与科研院所沉睡专利价值,通过对比计算结果,验证模型结果是否存在较大差异。其次,本文通过构建沉睡专利价值评估体系以帮助高校科研院所识别高价值沉睡专利,但是并未提出如何增值沉睡专利价值。未来可以研究如何通过重组沉睡专利或是申请同族专利等提升沉睡专利价值,加速沉睡专利转化。最后,本文未能找到沉睡专利初始价值的准确计算方法,以此确定沉睡专利实际价值。未来研究可以通过专家打分等方式,预估专利初始价值,借此测算专利实际价值,进一步验证模型准确性。 [1] 2023年中国知识产权发展状况评价报告 [R].北京: 国家知识产权局知识产权发展研究中心, 2024. [2] 2022年中国专利调查报告 [R].北京: 国家知识产权局,2023. [3] TORRISI S,GAMBARDELLAA,GIURI P,et al. Used,blocking and sleeping patents:empirical evidence from a large-scale inventor survey[J].Research Policy,2016,45(7):1374-1385. [4] 聂力兵,龚红,赖秀萍.唤醒“沉睡专利”:知识重组时滞、重组频率与关键核心技术创新[J].南开管理评论,2024,27(8):86-97. [5] 叶建木,张洋,潘肖瑶,等.“休眠态”科技成果影响因素及形成机制研究[J].科技进步与对策,2021,38(6):1-10. [6] 李贺,袁翠敏,解梦凡.专利文献中的睡美人现象分析与研究[J].图书情报工作,2019,63(6):64-74. [7] 李黎明.专利价值研究的文献综述与未来展望[J].情报杂志,2023,42(2):166-174. [8] 吕晓蓉.专利价值评估指标体系与专利技术质量评价实证研究[J].科技进步与对策,2014,31(20):113-116. [9] HARHOFF D, SCHERER F M, VOPEL K. Citations, family size, opposition &the value of patent rights[J].Research Policy, 2003, 32(8): 1343-1363. [10] 唐要家, 孙路. 专利转化中的“专利沉睡”及其治理分析[J].中国软科学,2006,21(8):73-78. [11] 张米尔,刘喜美,李海鹏.基于引用时序特征的唤醒专利识别研究[J].科研管理, 2021, 42(10): 140-147. [12] HOU J, YANG X . Patent sleeping beauties: evolutionary trajectories and identification methods[J].Scientometrics, 2019, 120(1): 187-215. [13] KABORE F P,PARK W G.Can patent family size and composition signal patent value[J].Applied Economics, 2019,51(60):6476-6496. [14] ERNST H, LEGLER S, LICHTENTHALER U. Determinants of patent value:insights from a simulation analysis[J].Technological Forecasting and Social Change, 2010, 77(1): 1-19. [15] AGLIARDI E, AGLIARDI R. An application of fuzzy methods to evaluate a patent under the chance of litigation[J].Expert Systems with Applications, 2011, 38(10): 13143-13148. [16] 李振亚,孟凡生,曹霞.基于四要素的专利价值评估方法研究[J].情报杂志,2010,29(8):87-90. [17] 谢萍,王秀红,卢章平.企业专利价值评估方法及实证分析[J].情报杂志,2015,34(2):93-98. [18] 赵蕴华,张静,李岩,等.基于机器学习的专利价值评估方法研究[J].情报科学,2013,31(12):15-18. [19] 彭华涛, 陆珑文, 汪子路. 休眠专利价值评估文献综述[J].科技进步与对策, 2021, 38(37): 152-160. [20] GRONQVIST C. The private value of patents by patent characteristics: evidence from Finland[J].The Journal of Technology Transfer, 2009,34(2):159-168. [21] 张杨勋,周浩.战略性新兴产业政策对企业合作创新影响的实证检验[J].统计与决策,2023,39(24):58-63. [22] 朱月仙,张娴,李姝影,等.国内外专利产业化潜力评价指标研究[J].图书情报工作, 2015, 59 (1):127- 133. [23] CAPALDO A, LAVIE D, MESSENI PETRUZZELLI A. Knowledge maturity and the scientific value of innovations: the roles of knowledge distance and adoption[J].Journal of Management, 2017, 43(2): 503-533. [24] PETRUZZELLI A M, ARDITO L, SAVINO T.Maturity of knowledge inputs and innovation value: the moderating effect of firm age and size[J].Journal of Business Research,2018, 86: 190-201. [25] 严孟春.学术规范与知识传递:科研论文引用称谓的乱象及治理[J].河南师范大学学报(哲学社会科学版),2023,50(3):151-156. [26] 窦志强,马佰莲,许红.基于发明人特征的高校专利可转化性研究[J].情报志,2023,42(5):169-174. [27] 孙笑明,马钰,王雅兰,等.专利数据在创新管理研究中的应用综述与展望[J].科技进步与对策,2022,39(7):150-160.
Fig.1 Flow of random forest algorithm4 应用实例
4.1 数据收集与清洗
Fig.2 Trend of unconverted patent applications in Shanghai Jiao Tong University, 2000-2015
Table 2 Highly-cited patents
Fig.3 Citation curves of some unconverted patents4.2 独立性检验与权重计算
Table 3 Correlation of value evaluation index of sleeping patents
Table 4 Weight calculation results based on entropy method 
Table 5 Weight calculation results based on coefficient of variation method
4.3 价值评估与检验
Table 6 Evaluation results of coefficients of variation method
Table 7 Evaluation results of entropy weight method
4.4 结果分析与讨论
Table 8 Evaluation results of coefficients by variation method for the electric power industry
5 结论与展望
5.1 结论
5.2 不足与展望