*本文系国家自然科学基金面上项目“多源大数据融合驱动的产业管理模型设计及领域实证研究”（项目编号：71774123）和教育部人文社科重点研究基地重大项目“大数据资源的制度规制和国家治理研究”（项目编号：17JJD870001）研究成果。
摘要探索高校专利价值评估模型，快速锁定存在权利转移价值和失效风险的专利，有利于提升高校科技成果管理效率，加快高校科技成果向产业界转移，进一步激发高校科研人员的创新潜力。文章结合已有研究中的专利评估指标，从指标易获取性角度出发，选取11个指标形成专利评估体系；以云计算为技术领域，创建专利分析资源库；进而结合主成分分析与分类算法，构建专利价值评估模型；基于评估模型，对云计算领域中的高校专利进行识别，借鉴标准十分评估方法，对专利的权利转移概率进行划分，明确高校中具有权利转移价值和失效风险的专利。研究表明，结合主成分分析法，确定评估指标的有效性，使用十折交叉验证选取人工神经网络算法构建评估模型，分析发现高校存在权利转移价值的专利呈二次多项式分布，10.68%专利具有较高的权利转移价值，22.64%专利存在失效风险。文章构建的专利价值评估模型能够为高校科技成果管理人员进行专利运营，以及企业探寻高校核心技术提供决策支持。
关键词专利价值评估模型专利技术专利权利权利转移云计算高校
引用本文格式冉从敬，宋凯.高校专利价值评估模型构建——以云计算领域为例[J].图书馆论坛，2021，4
1（1）：91-98.
An Evaluation Model for University Patents ：A Ca Analysis of Cloud Computing
RAN Congjing ，SONG Kai
Abstract
The construction of an evaluation model for university patents could help to quickly find out tho
patents either with technology transfer values or with failure risks ，and subquently help to improve the management of university scientific and technological achievements ，accelerate the transfer of such achievements to the industry ，and further stimulate the innovation potentials of university rearchers.Bad on current patent evaluation indicators ，and in view of the accessibility of such indicators ，a patent evaluation framework with eleven indicators is constructed ，and patents in the field of cloud computing are ud to establish a patent analysis repository.Then ，the validity of the evaluation indicators is determined through principal component analysis ，and artificial neural network algorithm is adopted to construct a patent evaluation model through the ten-fold cross verification.Finally ，the patent evaluation model is ud to identify university patents in th
e field of cloud computing ，and divide the technology transfer probability of such patents into different levels ，so that the patents
with technology transfer values and tho with failure risks could be sorted out.The result shows that the number of 高校专利价值评估模型构建
——以云计算领域为例*
冉从敬，宋凯
0引言
在经济全球化时代，企业竞争愈加激烈，随着新兴技术复杂度的提高，单一企业完成技术创新的难度愈发增加。因此，通过专利权利转移获取外部技术支持，成为企业提升技术创造力的重要形式。高校
在技术研发、人才资源、实验条件方面具有天然优势，截止到2018年12月，国内大专院校发明专利有效量为537，953件[1]。面对海量的高校专利资源，部分企业通过专利权利转移方式，实现了高校专利成果的技术价值转化为产业价值。但是，《2019年中国专利调查报告》显示，我国高校专利权人科技成果转化率在10%以下的占到80.1%，高校有效专利产业化率仅仅只有3.7%[2]，这说明我国高校大量专利成果束之高阁，高校专利应用比例偏低，导致大量科技成果严重闲置。企业是技术创新的主体，高校是科学研究的殿堂，高校应该更多从事技术转移工作，将科技成果申请专利后，以专利权利转移方式与企业合作，由企业去进行工程化试验和量产，最终实现成果转化[3]。因此，探索提升高校专利权利转移效率的实践路径，对实现高校专利技术价值，推动区域和国家科技创新水平，实现校企联动发展具有重要意义。通过对高校专利进行有效评估，一方面可以发掘高价值度专利，通过规范化的专利运营模式，以权利转移方式，实现专利技术的产业化应用；另一方面，可以剔除低价值度专利，通过断缴年费、声明放弃等形式宣告专利失效，以节省科研成本，加大对前沿技术的投入。因此，如何构建一套具有较强科学性和可操作性的专利价值评估方法，成为高校科技成果管理效率提升以及企业寻求高校核心技术所应重点关注的问题。
对专利价值评估的研究，学者从多方面展开探索。首先，通过构建评价指标体系，采取定量分析进行专利评估。Hiller等将综合市场数据与BLP模型结合，提出实践性较强的专利价值评估方法[4]。Cerqueti等将实物期权方法应用到专利评估中，通过指标体系构建对已有专利评估方法进行有效改进[
5]。Kabore等将国家市场规模赋权到专利族数量上预测专利价值，评估效果优于基于专利引文的评估方法[6]。谢萍等利用德温特世界专利索引，从企业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[7]。资智洪等比较国内外专利价值评估的关键指标和专利价值的影响因素，构建用于评估专利价值的二元分类方法[8]。杨思思等参考《专利价值分析指标体系》操作手册的经济价值度评估方法，选取7个指标，总结了一套专利经济价值度的通用评估方法[9]。相关学者也借助机器学习算法进行专利价值度评估。Ercan等提出将支持向量机算法应用于专利申请，依据评估结果对专利是否授权或驳回进行判断[10]。Trappey等收集特定技术领域的专利数据，采用BP神经网络对专利潜在价值进行评估[11]。王子焉等构建包含网络平台特性的专利价值评估指标体系，提出基于灰色关联分析—随机森林回归的专利价值评估模型[12]。周成等根据专利的价值指标，设计基于自组织映射—支持向量机的专利价值评估及分类模型[13]。邱一卉等提出基于分类回归树模型的属性选择方法，用于构建专利价值评估的指标体系[14]。
已有研究集中探讨构建专利评价指标体系，
university patents with technology transfer values prents a quadratic polynomial distribution.In detail，10.68% of university patents have high technology transfer values，and22.64%of them have the risk of invalidation.Thus，the patent evaluation model constructed in this paper can provide decision-making support for the management of university scientific and technological achievements，
and could help enterpris to ek for university scientific and technological achievements with high technology transfer values.
什么叫同等学力
Keywords the patent evaluation model；patented technology；patent right；technology transfer；cloud computing；university
通过定量分析对专利价值进行评估，以及采取机器学习算法进行二元分类，以获取高价值度专利列表。通过构建专利评价指标体系的方式，一方面需要对专利进行逐件评估，效率较低；而采取机器学习算法进行专利价值评估，往往是粗粒度的标记标签，不能从更加细粒度的层面计算专利实现权利转移以及存在失效风险的概率。因此，本研究在借鉴与吸收已有研究成果的基础上，从科学性、适应性和可操作性角度出发，提出一种高校专利价值评估模型，以新一代信息技术产业领域——“云计算”为例，搜集专利基本指标构建数据库，利用评估模型对技术领域内的高校专利进行预测，筛选具备权利
转移潜力的专利，以及具有失效风险的专利，旨在为高校科技成果管理人员在进行专利运营时提供实践路径，也为企业在寻求高校高价值度专利时提供决策参考。
1评估指标与研究方法
1.1评估指标选取
依据国家知识产权局《专利价值分析指标体系操作手册》，结合已有研究应用的评价指标，本研究选取11个指标对专利权利转移概率进行预测，见表1。在选取过程中，一方面关注指标数据是否易于寻找和统计；另一方面考量所选取的指标是否能综合体现专利价值。例如，发明人数量反映了技术研发过程中的合作关系以及核心研究团队规模，权利要求字符数反映了专利技术的保护全面程度，被引用次数反映了专利的技术价值。
表1专利指标汇总表
指标X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
名称
技术分类数量(IPC)
简单同族专利数量
被引用专利数量
引用专利数量
发明人数量
3年内被引用次数
5年内被引用次数
扩展同族成员数量
非专利引用文献数量
摘要字数品味经典
权利要求字符数
解释
反映专利横跨技术领域规模
反映专利技术保护全面程度
反映专利的应用价值
反映专利创新程度
反映核心研究团队规模
反映专利的技术价值
反映专利的技术价值
反映专利技术保护全面程度
反映专利的技术理论描述深度
反映专利技术细节的描述程度
反映专利技术保护细节的描述程度
1.2研究方法概述
为验证指标选取的有效性，提升模型的评估
性能，在构建识别模型前，首先利用主成分分析
法对指标进行分析。主成分分析法是一种分析、
简化数据集的技术，经常用于减少数据集的维
数，同时保留数据集对方差贡献最大的特征，能
够展现数据最重要的方面[15]。在分析过程中，使
用KMO和Bartlett检验评估变量是否能够使用主
成分分析法来进行研究，KMO值的范围为0-
1，其值越接近1，且Bartlett球形度检验的显著
性概率均为0，代表各个变量间相关性显著，表
示适合作主成分分析。
本研究在识别模型构建过程中，采用机器学
习中的二元分类算法实现。常用的分类算法有逻
辑回归、K近邻、支持向量机、人工神经网络、
决策树、随机森林、Adaboost等。为选取适用
于识别模型的分类算法，本研究采取K折交叉验
证，选取最优算法，进而通过参数调优训练识别
模型，并绘制ROC曲线。ROC曲线所覆盖的区
域面积为AUC值，AUC值越大，表明分类器效
房屋合同果越好，通常AUC的值大于0.7时，表明模型具
备预测价值。为从更细粒度的层面区分高校具备
权利转移价值的专利和存在失效风险的专利，避
免简单地对专利进行二元分类，在对专利进行评
估时，获取专利能够实现权利转移的概率值，借
鉴标准十分的分级方式，设置从AAA→D共十级
得分，根据专利的权利转移概率值进行划分，最
终实现识别权利转移专利和存在失效风险专利的
西游记的精彩片段目标。
2高校专利价值评估模型构建
通过选取专利评估指标，在多元统计以及机
器学习的支持下，构建高校专利价值评估模型(见
图1)，帮助高校科技成果管理人员快速定位具有
权利转移价值的专利以及存在失效风险的专利，
为制定专利运营策略提供决策支持。同时，为企
业在寻求高校核心技术时，通过模型评估，筛选
存在权利转移价值的专利，为选择合适高校进行
知识产权合作提供决策参考。
由图1可见，模型共分为3大部分，涵盖“数据采集与存储→指标选取及算法评估→模型构建及专利识别”的全过程。
(1)数据采集与存储。构建的模型要具备较好的识别性，必须依赖大规模专利数据的训练。在评估指标
选取阶段，选取的指标都是易于统计且能综合反映专利价值度，因此，需要通过专业化的专利数据库进行专利指标数据的采集。在采集数据过程中，从3个方面出发：一是获取国内发明授权专利中发生权利转移且法律状态有效的专利指标数据；二是获取国内发明授权专利中未发生权利转移但法律状态已失效的专利指标数据；三是获取国内高校发明授权专利中未发生权利转移且法律状态有效的专利指标数据。最终形成专利指标数据库，用于评估模型的构建。
(2)指标选取及算法评估。为提高模型训练性能，借助于主成分分析对评估指标进行分析。在分析过程中，以KMO和Bartlett检验评估指标之间的相关性，保留重要评估指标。其中，以“权利转移次数”作为评判专利是否实现权利转移的标准，构建模型训练集、验证集和预测集。训练集和验证集均包含国内授权专利中已发生权利转移且法律状态有效的专利指标数据以及国内授权专利中未发生权利转移且法律状态已失效的专利指标数据。为得到适用于识别模型的分类算法，采用十折交叉验证对7种分类算法进行初步评估，通过性能比较获取最优算法。
(3)模型构建及专利识别。获取最优分类算法后，使用训练集对算法进行参数调优，构建评估模型，并使用验证集对模型性能进行检验，绘制ROC 曲线，以AUC 值评估当前模型的有效性，当AUC值高于0.7以上，表明评估模型具有预测价值。最后，使用评估模型对预测集中高校未发生权利转移且法律状态有效的专利进行预测，借鉴标准十分的评估标准，依据概率值不同进行十级划分，最终识别出具有权利转移价值的专利以及存在失效风险的专利。
3高校专利价值评估模型实证
3.1数据采集与处理
本文数据从Patsnap 专利数据库进行采集，技术领域限定为“云计算”，检索式为：“云计
图1
高校专利价值评估模型图
算”or“云平台”or“云存储”or“云数据中心”or“数据云”or“医疗云”or“云计算中心”or“云计算系统”or“大数据云”or“云计算技术”；时间不限。首先以“中国发明授权专利&法律状态→有权&法律事件→权利转移”，检索到1，971件专利；以“中国发明授权专利&法律状态→无权&法律事件→未缴年费|放弃权利”，检索到1，663件专利；以“中国发明授权专利&专利权人→大学&法律状态→有权&法律事件→未发生权利转移”，检索到1，948件专利，依据选取的专利评估指标，获取每件专利的基本数据，构建专利指标数据库。
在专利指标数据库构建完成后，划分训练集、验证集和预测集。其中将“有权&权利转移”中的1，500条数据与“无权&(未缴年费|放弃权利)”中的1，500条数据合并成训练集；将“有权&权利转移”中的471条数据与“无权&(未缴年费|放弃权利)”中的163条数据合并成验证集；将“大学&有权&未发生权利转移”中的1，948条数据作为预测集，分别用于之后的模型训练和专利识别。
3.2指标筛选及算法评估
在进行算法评估前，首先将训练集和验证集合并进行主成分分析，确定评估指标之间的相关性，以确定评估指标选取的有效性。利用SPSS 进行主成分分析，通过多轮指标数据迭代，结合相关矩阵数值和KMO数值，确定保留11个评估指标，以获取较好的主成分分析结果。对结果进行分析，发现相关矩阵表中，大部分非对角线元素都大于0.3，小于0.85，且对应的Sig值较小，说明变量之间具有相关性，能够进行主成分分析。KMO度量值为0.698，Bartlett球形度检验显著，进一步体现各个变量间相关性显著，适合作主成分分析。依据主成分解释的总方差表和碎石图，当保留5个主成分时，累计方差贡献率为71.4%，说明这5个主成分能够解释绝大部分的原始变量信息。结合成分载荷矩阵中各个影响因素相对应的载荷量与主成分之间的紧密关系进行划分，对主成分进行重新命名，见表2。
表2专利评估指标重要成分表
序号
1
2
3
绿竹别其三分景
4
5
主成分
经济成分
技术成分
法律成分
应用成分
战略成分
影响因素
X3→被引用专利数量、X6→3年内被引用次
数、X7→5年内被引用次数
X2→简单同族专利数量、X4→引用专利数量
X9→非专利引用文献数量、X11→权利要求字
符数
X1→技术分类数量
X5→发明人数量、X8→扩展同族成员数量、
X10→摘要字数
由表2可以发现，根据各个成分下的影响因素进行归纳，11个指标涵盖专利的经济特征、技术特征、法律特征、应用特征和战略特征，能够较为全面地反映专利的价值度，所以以这11个指标进行专利价值评估是合理的。利用包含11个指标的训练数据集，分别对“0→逻辑回归”“1→K近邻”“2→人工神经网络”“3→支持向量机”“4→决策树”“5→随机森林”“6→Adaboost”等7种算法进行性能评估，采取十折交叉验证计算分类准确度平均值，并绘制折线图，见图2。从图2可发现，在没有进行参数调优的情况下，人工神经网络的分类性能最优，因此，在识别模型的构建过程中采用人工神经网络算法实现。季节变化
0.76
0.74
0.72
0.70
0.68
卷心菜的做法大全0.66
0123456
图2分类算法性能评估图
3.3模型构建及专利识别
通过算法评估选取人工神经网络构建模型，首先利用包含3，000条数据的训练集对模型进行训练，采用十折交叉验证对模型进行调优，当激活函数使用relu、优化算法采用Adam、包含3层隐含层、每层20个神经元，最大迭代次数设置为1，000时，分类准确度约0.76，损失度约0.26。使用包含634条数据的验证集，测试模型
>游戏符号名字
