宋 凱

0 引言

技術創(chuàng)新是社會生產(chǎn)力發(fā)展的源泉，是企業(yè)保證可持續(xù)競爭優(yōu)勢的內(nèi)在動力。約翰·洛克菲勒提出：“企業(yè)想要成功，應該朝新的道路前進，不要跟隨被踩爛了的成功之路。”2018年美國制裁中興事件、2020年美國斷供華為芯片事件對我國企業(yè)的技術創(chuàng)新意識引發(fā)強烈震動，凸顯了技術創(chuàng)新對國家發(fā)展、科學進步、企業(yè)競爭意義重大。2020年習近平總書記主持召開科學家座談會，指出：“要把原始創(chuàng)新能力提升擺在更加突出的位置，努力實現(xiàn)更多從0到1的突破?！盵1]技術創(chuàng)新是一個國家興旺發(fā)達的不竭動力，但對企業(yè)而言，技術創(chuàng)新具有高智力、高投入和高風險的特征，當前我國企業(yè)面臨復雜的國際動蕩格局和國內(nèi)競爭態(tài)勢，單純依靠自身研發(fā)能力進行技術創(chuàng)新的難度愈發(fā)增大，所以，通過吸納外部力量提升技術創(chuàng)新效率成為眾多企業(yè)的選擇。高校在人才資源、技術設備、基礎研究方面具有天然優(yōu)勢，企業(yè)通過與高校開展產(chǎn)學研合作，對節(jié)約研發(fā)成本，發(fā)揮高校在促進區(qū)域經(jīng)濟發(fā)展和產(chǎn)業(yè)升級、建立企業(yè)可持續(xù)競爭優(yōu)勢方面具有重要的推動作用。Estrada等[2]認為，校企合作優(yōu)勢的發(fā)揮取決于合作伙伴的選擇；Howells等[3]指出，企業(yè)在如何選擇合適的高校開展合作時存在挑戰(zhàn)。因此，探索校企合作伙伴的選擇方法，對提升校企合作效率、推動企業(yè)技術創(chuàng)新具有重要意義。

本文的研究目標主要有3個：一是以Z分數(shù)表示技術主題創(chuàng)新度，以Sen’s斜率表示技術主題授權趨勢，將兩個指標映射到二維空間，實現(xiàn)對技術主題的劃分，在此基礎上，依據(jù)特定企業(yè)在不同技術主題中的專利布局情況，明確與高校的合作方向，解決企業(yè)“合作什么”的問題。二是對各個技術主題下的高?？萍紕?chuàng)新能力進行評估，在融合高校專利授權量、專利被引用次數(shù)、專利許可/轉(zhuǎn)讓次數(shù)以及高校與特定企業(yè)競爭對手的專利文本相似度，為了進一步提升評價的科學性和合理性，將離散度指標Gini系數(shù)引入到計算中，并采用熵權法區(qū)分不同指標的重要程度，最終形成高校技術競爭度指標。三是利用本文所提的校企合作伙伴選擇方法，以人工智能領域為例，選擇特定企業(yè)進行實證研究，為企業(yè)選擇合適的高校合作伙伴提供方法參考。

1 相關研究

(1)關于校企合作影響因素的研究。國外學者如Kyung等認為在校企研發(fā)合作過程中，政府資助因素發(fā)揮著重要的調(diào)節(jié)作用[4]。Wong等發(fā)現(xiàn)審查機制、法律政策、獎勵機制是影響校企合作成功的關鍵因素[5]。Sjoo等明確了影響校企合作協(xié)同創(chuàng)新的7個關鍵因素，包括資源、高校組織、跨界效應、合作經(jīng)驗、文化、地位以及環(huán)境[6]。李正衛(wèi)等以浙江省為研究對象，通過對高校、企業(yè)和高?？蒲腥藛T進行問卷調(diào)查，分析了浙江省校企合作現(xiàn)狀與影響因素[7]。潘海生等對中國高職教育校企合作現(xiàn)狀及影響因素進行了分析，并對如何加強校企合作給出了實踐路徑[8]。路平基于利益相關者理論，對企業(yè)參與校企合作的影響因素和對策進行了探討[9]。

(2)關于校企合作推動作用的研究。Shutenko等分析了高校學生在校企合作項目中的自我價值實現(xiàn)，發(fā)現(xiàn)其對強化學生心理健康具有重要的影響作用[10]。Guerrero等對新興經(jīng)濟體中高校對企業(yè)技術創(chuàng)新能力的推動作用進行了分析[11]。徐盈之等構建了多個分析模型，對高校官產(chǎn)學合作創(chuàng)新對區(qū)域經(jīng)濟增長的影響進行了探索[12]。陳豐等構建了校企研發(fā)合作、R&D投入與高?？蒲挟a(chǎn)出間的關系概念模型，運用回歸模型進行實證分析，探索了校企研發(fā)合作與高?？蒲挟a(chǎn)出的關系[13]。

(3)關于校企合作網(wǎng)絡演進發(fā)展的研究。Csizmadia借助社會合作網(wǎng)絡分析(SNA)對匈牙利校企技術合作網(wǎng)絡的特征、空間分布、發(fā)展態(tài)勢進行了分析[14]。Lyu等基于SNA探索了中國中關村企業(yè)、高校和科研機構的合作創(chuàng)新發(fā)展趨勢[15]。洪偉構建了4個歷史時期的校企知識流動網(wǎng)絡，討論了中國區(qū)域創(chuàng)新系統(tǒng)的演變[16]。溫芳芳采用SNA方法、多維尺度分析、可視化分析，對我國高校和企業(yè)之間以專利為載體的科研合作現(xiàn)象進行了計量分析[17]。李雨濃等構建了“985高?！钡男Ｆ髮＠献骶W(wǎng)絡，分析發(fā)現(xiàn)能源型企業(yè)在校企合作網(wǎng)絡中處于重要地位[18]。

本文構建高校技術競爭度指標，對高?？萍紕?chuàng)新能力進行評價。部分學者也對此展開過研究，如胡成等從技術創(chuàng)新活躍度、技術創(chuàng)新優(yōu)勢度、技術創(chuàng)新擴散能力、技術創(chuàng)新影響力4個維度，選擇了13個專利指標，對高校技術創(chuàng)新能力進行了比較研究[19]。陳振英等從專利的數(shù)量、有效維持情況、專利保護范圍、被引用情況等多個角度揭示了高校專利的核心競爭力表現(xiàn)[20]。陳運平等建立了高?？萍紕?chuàng)新能力評價指標體系，并采用主成分分析法對2000-2004年我國中部6省的高校科技創(chuàng)新能力發(fā)展態(tài)勢進行了分析[21]。李紅等從8個層面對浙江大學的技術創(chuàng)新特征進行了全面細致的闡釋，從多個角度揭示了浙江大學的技術創(chuàng)新能力[22]。李文靜從專利授權、有效專利及技術領域等方面對廣東省企業(yè)和高校的技術創(chuàng)新能力進行了對比分析[23]。

針對校企知識產(chǎn)權合作的相關研究，主要集中在校企合作影響因素、校企合作推動作用以及校企合作網(wǎng)絡演進發(fā)展3個方面，但較少從校企合作伙伴選擇的角度出發(fā)，為企業(yè)提供最佳合作高校的選擇策略；而涉及高?？萍紕?chuàng)新能力評價的相關研究以專利基本指標統(tǒng)計分析為主，缺乏對專利指標的有機融合，形成更加科學有效的評價方式。因此，本文從企業(yè)視角出發(fā)，提出一種基于專利計量的校企合作伙伴選擇方法，采用LDA模型對技術領域涵蓋的技術主題進行提取，對技術主題的創(chuàng)新度和授權趨勢進行計算，參考波士頓矩陣對技術領域涵蓋的主題類型進行劃分；在此基礎上，針對特定企業(yè)在不同類型主題上的專利布局，確定合作的技術方向；構建高校技術競爭度指標，實現(xiàn)對各個技術主題下高?？萍紕?chuàng)新能力的排名，幫助企業(yè)明確高校合作伙伴，最終解決企業(yè)在校企合作過程中面臨的“合作什么”和“與誰合作”困境，為提升校企合作效率提供創(chuàng)新方案。

2 研究步驟與研究方法

如圖1所示，校企合作伙伴的分析流程共涵蓋三大步驟：技術主題提取、技術領域主題類型劃分以及高?？萍紕?chuàng)新能力評價。

圖1 校企合作伙伴選擇方法流程

2.1 技術主題提取

技術主題提取即通過技術手段探析一個技術領域涵蓋的多個技術主題。由于專利摘要高度概括了專利的技術功能和科學效應，因此被普遍作為實驗數(shù)據(jù)進行分析。主題提取的方法通常包括基于文獻計量學的詞頻分析和共詞聚類法、基于機器學習的LDA模型等。由于LDA模型具有良好的文本潛在主題挖掘能力[24]，因此本文確定采用LDA模型，從專利摘要中提取技術領域涵蓋的技術主題。在具體實驗過程中，首先，采用R語言的jiebaR包對專利摘要數(shù)據(jù)集進行分詞、去停用詞、TF*IDF算法等自然語言處理；然后，應用R語言的lda包進行主題提取，并結合R語言的LDAvis模型進行最優(yōu)主題數(shù)目確定和主題內(nèi)容的可視化展示；最后，將LDA模型和Kmeans算法融合實現(xiàn)專利文本聚類[25]。

2.2 技術領域主題類型劃分

技術主題的被引用次數(shù)反映專利技術的重要程度，可以認為被引用次數(shù)越高，則該技術主題在所屬技術領域的創(chuàng)新度越高。而通過分析技術主題的專利逐年授權量，在一定程度上能反映技術發(fā)展態(tài)勢和科學研究趨勢。因此，本文分別采用Z分數(shù)和Sen’s斜率估計法計算每個技術主題的創(chuàng)新度和授權趨勢(值)[26]。為了實現(xiàn)對技術領域主題類型的劃分，將技術主題創(chuàng)新度和技術主題授權趨勢映射到二維空間，通過閾值設置，并借鑒波士頓矩陣的命名方式，將技術主題類型劃分為明星類技術主題、金牛類技術主題、瘦狗類技術主題和問題類技術主題。在技術領域主題類型劃分的基礎上，企業(yè)可依據(jù)在不同類型主題中的專利布局以及最大技術競爭者，審視自身的技術研發(fā)優(yōu)勢和劣勢，明確校企合作技術方向，合理規(guī)劃企業(yè)發(fā)展戰(zhàn)略。

2.3 高?？萍紕?chuàng)新能力評價

企業(yè)在解決了“合作什么”問題后，需要進一步明確“與誰合作”。因此，高?？萍紕?chuàng)新能力評價包含3個部分：一是對技術主題下的高校進行匯總，分別計算高校專利被引用次數(shù)和專利許可/轉(zhuǎn)讓次數(shù)的離散度；二是將離散度與高校專利授權量、專利被引用次數(shù)、專利許可/轉(zhuǎn)讓次數(shù)、高校與特定企業(yè)技術競爭者的專利相似度進行融合，并采用熵權法計算指標權重，區(qū)分指標在評價過程中的不同重要程度；三是計算結果作為高校技術競爭度指標(University Technical Competition Index，UTCI)，對技術主題下的高校科技創(chuàng)新能力進行排名，為企業(yè)選擇高校開展產(chǎn)學研合作提供決策支持。

2.3.1 離散度指標——Gini系數(shù)

對高?？萍紕?chuàng)新能力進行評價，通常按照“數(shù)量為王”的原則，以專利授權量作為評價的重要指標。高校存在部分專利是以科研項目驅(qū)動產(chǎn)生的，在技術含量、市場前景等方面略顯不足。相對于專利授權量，專利被引用次數(shù)和許可/轉(zhuǎn)讓次數(shù)更具有說服力，其中專利被引用次數(shù)體現(xiàn)了高校專利的技術價值，而專利許可/轉(zhuǎn)讓次數(shù)表明了高校專利的市場價值。所以，相比于專利授權量，高校專利平均被引用次數(shù)和高校專利平均許可/轉(zhuǎn)讓次數(shù)的評價結果更為合理。雖然平均被引用次數(shù)和平均許可/轉(zhuǎn)讓次數(shù)在一定程度上提高了高?？萍紕?chuàng)新能力的評價效果，但均忽視了指標離散度問題。

高校專利被引用次數(shù)和許可/轉(zhuǎn)讓次數(shù)的平均值反映的是高校專利技術價值和市場價值的平均程度，而離散度反映的是高校專利技術價值和市場價值的差異化程度。以W和H兩所高校為例，假設W高校有10件授權專利，其中僅有1件專利被引用10次，1件專利被許可2次，而H高校也擁有10件授權專利，其中存在5件專利被引用次數(shù)共為10次，2件專利被許可各1次，如果按照平均值進行計算，兩所高校的專利平均引用次數(shù)和平均許可/轉(zhuǎn)讓次數(shù)皆為1和0.2，兩所高?？萍紕?chuàng)新能力相同。但透過數(shù)據(jù)，發(fā)現(xiàn)H高校的專利在被引用次數(shù)和許可/轉(zhuǎn)讓上呈現(xiàn)的結果更為均衡，其內(nèi)部專利的技術價值和市場價值差異化程度更小，可以認為在等數(shù)量、等引用、等許可/轉(zhuǎn)讓的基礎下，高校專利被引用次數(shù)和許可/轉(zhuǎn)讓次數(shù)越均衡，則高?？萍紕?chuàng)新能力越高。因此，本文選用經(jīng)濟學中常用的Gini系數(shù)(Gini Coefficient，GC)來衡量高校專利被引用次數(shù)和許可/轉(zhuǎn)讓次數(shù)的均衡程度。Gini系數(shù)是經(jīng)濟學家A.OHirschman基于洛倫茨曲線提出的一種度量收入分配平均程度的指標。具體計算公式如下：

其中，Pi、Pj分別表示某個高校第i件、第j件專利的被引用次數(shù)，N表示高校的專利授權量。GC的取值范圍為0-1，GC值越接近于0，表示高校內(nèi)所有授權專利的被引用次數(shù)越接近，即高校專利被引分布越均衡；GC越接近1，表示高校專利被引用頻次差異性越大。

2.3.2 高校技術競爭度指標

通過上述分析，僅使用專利授權量、專利被引用次數(shù)、專利許可/轉(zhuǎn)讓次數(shù)進行高?？萍紕?chuàng)新能力的評價均存在不足。本文在參考已有研究的基礎上，為保證高?？萍紕?chuàng)新能力評價的科學性和合理性，將這3個指標融合形成高校技術競爭度指標，并綜合考慮專利平均被引用次數(shù)和專利平均許可/轉(zhuǎn)讓次數(shù)的離散度，進一步將企業(yè)畫像中的技術競爭者因素融入競爭度的計算中，計算高校與特定企業(yè)最大技術競爭者專利相似度，為特定企業(yè)在頭部競爭中贏得優(yōu)勢提供決策支持，凸顯個性化匹配原則。高校技術競爭度的計算公式見下：

其中，W 1、W 2、W 3是采用熵權法計算得到的各個指標的權重，以區(qū)分指標在評價中的不同重要程度；U grant_radio表示在某個技術主題下，高校W的專利授權量占全部高校專利授權量的比例；Uavg_cited表示W(wǎng)的專利平均被引用次數(shù)；Uavg_transfer表示W(wǎng)的專利平均許可/轉(zhuǎn)讓次數(shù)；GCcited和GCtransfer表示W(wǎng)的專利被引用次數(shù)和許可/轉(zhuǎn)讓次數(shù)的離散度。被引用次數(shù)和許可/轉(zhuǎn)讓次數(shù)是正向指標，數(shù)值越大越好，而GC是反向指標，數(shù)值越小越好。為保證指標構建的一致性，基于GC取值范圍在0~1之間，本文借鑒高英蓮等[27]以及高丹等[28]的處理方法，使用(1-GC)反映兩個指標的均衡性。Sim top_competitor表示W(wǎng)與特定企業(yè)最大技術競爭者的專利文本相似度，此處選擇余弦相似度進行度量。

3 實驗過程及分析

3.1 數(shù)據(jù)來源與處理

本文數(shù)據(jù)來源于Incopat專利數(shù)據(jù)庫，選擇分析的技術領域為“人工智能”?！?020年國務院政府工作報告》提出要重點支持“兩新一重”(新型基礎設施，新型城鎮(zhèn)化，交通、水利等重大工程)建設，而“人工智能”作為新型基礎設施建設(新基建)的重要領域之一，對實現(xiàn)產(chǎn)業(yè)數(shù)字轉(zhuǎn)型、智能升級、融合創(chuàng)新具有重要意義。本文選擇研究的企業(yè)為小米科技有限責任公司(以下簡稱“小米科技”)，目前在人工智能領域申請專利47件。

在數(shù)據(jù)檢索過程中，專利來源設置為中國發(fā)明授權/實用新型專利，檢索式為標題/摘要=(“人工智能”or“智能系統(tǒng)”or“物聯(lián)網(wǎng)”or“人機交互”or“智能技術”or“智能機器人”or“深度學習”or“語義網(wǎng)絡”or“圖像識別”or“圖像檢測”or“神經(jīng)網(wǎng)絡”or“機器視覺”or“專家系統(tǒng)”or“智能搜索”or“智能控制”or“智能問答”or“機器學習”)，時間不限，對權利有效的專利進行篩選，共檢索到59，311件專利，其中企業(yè)專利47，888件，高校專利11，423件，去除合作專利，剩余54，115件用于實驗分析。

3.2 技術主題提取

根據(jù)技術主題的提取流程，當主題數(shù)目設置為12，alpha=0.01，beta=0.02時，基于LDAvis模型呈現(xiàn)的主題可視化結果，各個主題之間相互獨立，互不交叉，表明主題數(shù)目最優(yōu)。在確定最優(yōu)模型的基礎上，結合每個技術主題下的相關詞對主題進行概括，通過文本聚類將每一件專利劃歸到一個技術主題下，并對“小米科技”在各個技術主題下的專利布局、專利授權量排名，統(tǒng)計最大技術競爭對手，結果見表1。

表1 小米科技專利授權量排名及競爭對手統(tǒng)計

3.3 “合作什么”——技術領域主題類型劃分

依據(jù)給出的技術領域主題類型劃分流程，通過技術主題創(chuàng)新度與授權量趨勢估算對每個技術主題進行計算。在技術主題創(chuàng)新度計算過程中，利用人工智能領域?qū)＠骄灰么螖?shù)與技術主題平均被引用率計算Z分數(shù)來表征技術主題創(chuàng)新度；在趨勢分析中，利用Sen’s斜率估算技術主題的專利授權量趨勢，得到每個技術主題的γ值，結果統(tǒng)計見表2。

表2 技術主題創(chuàng)新度和授權趨勢統(tǒng)計

分析表2發(fā)現(xiàn)，人工智能領域涵蓋的12個主題，其γ值均大于0，表明人工智能領域各個技術主題的專利授權量均呈上升趨勢，體現(xiàn)了學術界和產(chǎn)業(yè)界對人工智能領域的持續(xù)關注。將Z分數(shù)與γ值映射到二維空間進行可視化展示，并參考波士頓矩陣的命名方式對技術主題類型進行劃分，結果見圖2。分析圖2發(fā)現(xiàn)，將γ值的閾值設置為80，Z分數(shù)的閾值設置為0，各個技術主題之間的劃分界限明顯。依據(jù)設置的閾值，主題類型的維度劃分為：

圖2 人工智能領域技術主題空間分布圖

第一維度：明星類技術主題。Z分數(shù)>0，γ值>80，特指創(chuàng)新度和授權量趨勢“雙高”的主題群，需要企業(yè)加大研發(fā)投資，支持其迅速發(fā)展。

第二維度：金牛類技術主題。Z分數(shù)<0，γ值>80，特指授權趨勢高但創(chuàng)新度較低的主題群，表明技術主題進入成熟期，企業(yè)無需增加研發(fā)投資。

第三維度：瘦狗類技術主題。Z分數(shù)<0，γ值<80，特指創(chuàng)新度和授權趨勢“雙低”的主題群，企業(yè)應采取撤退戰(zhàn)略。

第四維度：問題類技術主題。Z分數(shù)>0，γ值<80，特指創(chuàng)新度高但授權趨勢較低的主題群，表明技術發(fā)展前景好，但需要大量研發(fā)投入，企業(yè)可采取選擇性研發(fā)投資戰(zhàn)略。

通過技術主題類型劃分，能夠為小米科技清晰展現(xiàn)人工智能領域的技術主題發(fā)展趨勢，結合小米科技在不同技術主題下的專利布局，為其規(guī)劃企業(yè)戰(zhàn)略提供重要的決策支持。技術領域中的明星類技術主題是企業(yè)能否占據(jù)市場競爭優(yōu)勢的重要賽車道，因此，在明星類技術主題上加大研發(fā)投資和技術創(chuàng)新，對提升企業(yè)競爭力具有重要意義。當前人工智能領域的明星類技術主題有“主題3→智能物聯(lián)”“主題8→智能設備”，“小米科技”在主題3中有一定的專利布局；在主題8中專利授權較少；“小米科技”在這兩個主題中均沒有占據(jù)優(yōu)勢地位，可以作為“小米科技”在校企合作過程中的核心技術方向，借助高校已有科技成果和人才資源，降低企業(yè)的創(chuàng)新成本，快速提升在弱勢領域的競爭力，也進一步解決企業(yè)在校企合作過程中“合作什么”的問題。

3.4 “與誰合作”——高校技術競爭度計算

依據(jù)技術領域主題類型劃分，以及“小米科技”在不同類型主題中的專利布局，以明星類技術主題中的主題8為例，借助于公式(2)計算各個高校的技術競爭度。

首先，計算主題8下各個高校專利授權量在其專利總量的占比；進而計算每個高校融合離散度后的專利平均被引用次數(shù)以及專利平均許可/轉(zhuǎn)讓次數(shù)。

然后，對計算后的指標數(shù)據(jù)進行歸一化處理，采取熵權法計算3個指標的權重，結果為W={0.01、0.24、0.75}，可見專利平均許可/轉(zhuǎn)讓次數(shù)占的權重最大，專利平均被引用次數(shù)次之。

最后，計算每所高校與“小米科技”在主題8中最大技術競爭對手——“蘇州路之遙科技股份有限公司”的專利文本相似度，并根據(jù)公式(2)計算每所高校的UTCI，并據(jù)此進行排名。需要說明的是，此處是采用歸一化后的指標數(shù)據(jù)進行計算。

為了對不同指標的排名結果進行比較，將基于UTCI的高校排名與基于專利授權量、專利平均被引用次數(shù)、專利平均許可/轉(zhuǎn)讓次數(shù)的排名進行對比，結果見表3。為了抵消小數(shù)數(shù)值的縮減作用，對高校技術競爭度做擴大100倍處理。

針對表3的排名結果，首先對高校技術競爭度與其他3個指標進行Spearman相關性分析。在0.01水平(雙側(cè))上，高校技術競爭度與高校專利授權量占比的相關系數(shù)為-0.532，呈負相關，這表明高校技術競爭度指標消除了“數(shù)量取勝”的影響因素。高校技術競爭度與平均許可/轉(zhuǎn)讓次數(shù)的相關系數(shù)為-0.365，呈負相關；與專利被引用次數(shù)的相關系數(shù)為0.928，呈顯著相關性，這表明高校技術競爭度指標更強調(diào)高校在技術轉(zhuǎn)移方面取得的成績。2020年2月3日，教育部、國家知識產(chǎn)權局、科技部聯(lián)合印發(fā)《關于提升高等學校專利質(zhì)量促進轉(zhuǎn)化運用的若干意見》，明確指出高校要以質(zhì)量和轉(zhuǎn)化績效為導向，更加重視專利質(zhì)量和轉(zhuǎn)化運用等指標，堅決杜絕簡單以專利申請量、授權量為考核內(nèi)容，加大專利轉(zhuǎn)化運用績效的權重[29]。由此可見，高校技術競爭度的評價原則與此文件傳達的精神具有高度一致性，能實現(xiàn)對高校科技創(chuàng)新能力進行公正合理的評價。

表3 “主題8”4種指標的高校科技創(chuàng)新能力排名對比

通過表3的排名結果可見，排名前三位的西南交通大學、西安工程大學、中國農(nóng)業(yè)大學的專利授權數(shù)量為6件、6件、7件，授權量排名較為靠后；但西南交通大學、西安工程大學的專利平均許可/轉(zhuǎn)讓次數(shù)排名前兩位；中國農(nóng)業(yè)大學的專利平均被引用次數(shù)排名第一位。而華南理工大學專利授權量為11件，授權量排名第一。由于本文在高校技術競爭度計算中融入了被引用次數(shù)和許可/轉(zhuǎn)讓次數(shù)的離散度，并且采用熵權法賦予指標不同的權重，特別凸顯了專利平均許可/轉(zhuǎn)讓次數(shù)的重要性，華南理工大學在這兩個指標中的離散度較大，專利之間的被引用次數(shù)和許可/轉(zhuǎn)讓次數(shù)不均衡，且專利平均許可/轉(zhuǎn)讓次數(shù)排名靠后，拉低了其技術競爭度。技術競爭度的計算考慮了高校與企業(yè)最大技術競爭者的專利相似度，“小米科技”在主題8中的最大技術競爭者是“蘇州路之遙科技股份有限公司”，華南理工大學與該公司的專利文本相似度低于排名前三位的高校，這也導致了其技術競爭度的下降。

綜合以上分析，高校技術競爭度融合了多個指標數(shù)據(jù)，避免了依賴單個指標進行評價存在的不足，解決了使用單個指標進行評價過程中出現(xiàn)排名相同的情況，使得排名界限更加清晰。其次，高校技術競爭度考慮了指標的離散度問題，將專利技術價值和經(jīng)濟價值更為均衡的高校凸顯出來，這有利于企業(yè)選擇的高校內(nèi)部科研團隊具備普遍較高的專業(yè)能力。再者，借助于熵權法區(qū)分了指標在評價過程中的不同重要程度，更加凸顯高校在技術轉(zhuǎn)移方面取得的成績。最后，高校技術競爭度也加入了企業(yè)的個性化特征，通過篩選技術主題下的競爭對手，融入專利文本相似度計算，以精準匹配符合其技術需求的高校開展合作。本文以“小米科技”在主題8中的最大技術競爭者為例，計算得出以西南交通大學為首的高校名單，解決了“小米科技”在校企合作過程中面臨的“與誰合作”問題。

4 結語

本文從企業(yè)視角出發(fā)，提出了一種基于專利計量的校企合作伙伴選擇方法，重點解決企業(yè)在選擇高校開展產(chǎn)學研合作過程中面臨的“合作什么”和“與誰合作”困境，為提升校企合作效率，實現(xiàn)校企聯(lián)動發(fā)展提供了實踐方法。需要說明的是，本文重點以專利數(shù)據(jù)作為判斷校企合作方向和合作伙伴的數(shù)據(jù)來源，但在當前多源大數(shù)據(jù)分析的情境下，數(shù)據(jù)來源的豐富性尚待進一步擴充。此外，在主題解讀的專業(yè)度上存在欠缺，需要探索更為有效的主題識別方法。這些都會對研究結論產(chǎn)生影響，后續(xù)的研究將加以改進。