姜 南，李逸凡，劉 謙，劉 星

(1.同濟(jì)大學(xué) 上海國(guó)際知識(shí)產(chǎn)權(quán)學(xué)院，上海 200092；2.河海大學(xué) 商學(xué)院，江蘇 南京 210024)

0 引言

我國(guó)專(zhuān)利申請(qǐng)量近年來(lái)呈爆發(fā)式增長(zhǎng)趨勢(shì)，從2011年開(kāi)始一直位居世界首位。世界知識(shí)產(chǎn)權(quán)組織(WIPO)發(fā)布的《2021年世界知識(shí)產(chǎn)權(quán)指標(biāo)》顯示，2020年中國(guó)國(guó)家知識(shí)產(chǎn)權(quán)局受理專(zhuān)利申請(qǐng)149.7萬(wàn)件，增速高達(dá)6.9%，占全球總量的45.7%，數(shù)量相當(dāng)于排名第二位至第十一位主管局受理量之和。然而，中國(guó)創(chuàng)新體系激勵(lì)政策雖然大幅提升了專(zhuān)利申請(qǐng)量，但并沒(méi)有帶來(lái)商業(yè)化收益的顯著增長(zhǎng)[1]。2012年《世界銀行報(bào)告》指出，盡管2003-2009年中國(guó)專(zhuān)利申請(qǐng)量上升26%，遠(yuǎn)高于美國(guó)(6%)、韓國(guó)(5%)、歐洲(4%)和日本(1%)的增幅，但是中國(guó)專(zhuān)利收益率卻遠(yuǎn)低于這些國(guó)家[2]。專(zhuān)利商業(yè)化價(jià)值一方面受專(zhuān)利法保護(hù)，另一方面也與專(zhuān)利質(zhì)量息息相關(guān)，如專(zhuān)利前向引用情況、權(quán)利要求數(shù)、IPC技術(shù)范圍、專(zhuān)利維持時(shí)間及應(yīng)用領(lǐng)域等都是影響專(zhuān)利價(jià)值的重要因素。

2015年8月，全國(guó)人大常委會(huì)修訂了《中華人民共和國(guó)促進(jìn)科技成果轉(zhuǎn)化法》；2016年3月，國(guó)務(wù)院印發(fā)《實(shí)施<中華人民共和國(guó)促進(jìn)科技成果轉(zhuǎn)化法>若干規(guī)定》；2016年5月，國(guó)務(wù)院辦公廳印發(fā)《促進(jìn)科技成果轉(zhuǎn)移轉(zhuǎn)化行動(dòng)方案》，這一系列政策被稱(chēng)為我國(guó)科技成果轉(zhuǎn)移轉(zhuǎn)化的“三部曲”。除國(guó)家政策外，上海、廣東、四川、山東等十余個(gè)省市也相繼出臺(tái)“地方版”細(xì)則方案。中央和地方政府正著力從科技成果轉(zhuǎn)化產(chǎn)業(yè)、服務(wù)和人才等方面疏通科技成果轉(zhuǎn)化的“難點(diǎn)、痛點(diǎn)和堵點(diǎn)”，全面促進(jìn)科技成果轉(zhuǎn)化。但我國(guó)科技成果轉(zhuǎn)化率依然較低，以2021年6月發(fā)布的《2020年高等學(xué)校科技統(tǒng)計(jì)資料匯編》為例，各類(lèi)高等學(xué)校年度專(zhuān)利申請(qǐng)量330 375件，專(zhuān)利授權(quán)數(shù)206 036件，年度專(zhuān)利出售合同數(shù)9 229件，專(zhuān)利出售數(shù)占當(dāng)年專(zhuān)利授權(quán)量的3%，大部分科技成果并未真正轉(zhuǎn)化為現(xiàn)實(shí)生產(chǎn)力。

在當(dāng)前政府政策主導(dǎo)下，研究新興前沿領(lǐng)域?qū)＠夹g(shù)轉(zhuǎn)化識(shí)別因素并對(duì)專(zhuān)利成果轉(zhuǎn)化進(jìn)行預(yù)測(cè)，對(duì)于申請(qǐng)高質(zhì)量專(zhuān)利、加強(qiáng)專(zhuān)利商業(yè)化運(yùn)營(yíng)、提升我國(guó)科技成果轉(zhuǎn)化效率和精準(zhǔn)度具有重要意義。人工智能芯片作為數(shù)字經(jīng)濟(jì)時(shí)代最為核心的技術(shù)需求與發(fā)展方向，對(duì)于加速推進(jìn)我國(guó)智能計(jì)算革命、實(shí)現(xiàn)科技自立自強(qiáng)以及攻克“卡脖子”技術(shù)難題具有重要意義。本研究利用機(jī)器學(xué)習(xí)算法聚焦人工智能芯片專(zhuān)利領(lǐng)域，研究專(zhuān)利成功轉(zhuǎn)化的特征并尋找最優(yōu)預(yù)測(cè)方案，探討主要國(guó)家或地區(qū)技術(shù)成功轉(zhuǎn)化影響因素，以及企業(yè)/高校、國(guó)內(nèi)/國(guó)際等不同層面專(zhuān)利成功轉(zhuǎn)化的主要特征，可為我國(guó)科技成果有效轉(zhuǎn)化提供針對(duì)性政策建議。

1 文獻(xiàn)綜述

專(zhuān)利轉(zhuǎn)化作為學(xué)術(shù)界、產(chǎn)業(yè)界持續(xù)關(guān)注的重要研究領(lǐng)域，目前已取得豐碩研究成果。就轉(zhuǎn)化階段而言，專(zhuān)利技術(shù)轉(zhuǎn)化包括從研發(fā)到商業(yè)化的所有階段[3]。從法律法規(guī)看，Zhu 等[4]通過(guò)對(duì)比美國(guó)拜杜法案和中國(guó)版“拜杜法案”，認(rèn)為中國(guó)版“拜杜法案”實(shí)施效果沒(méi)有達(dá)到預(yù)期；何文韜等[5]認(rèn)為新能源汽車(chē)推廣政策雖然有助于激發(fā)汽車(chē)行業(yè)專(zhuān)利轉(zhuǎn)化積極性，但也容易造成其在未了解市場(chǎng)需求情況下推動(dòng)新產(chǎn)品快速入市的盲目性；Soares 等[6]研究高校規(guī)章制度對(duì)專(zhuān)利申請(qǐng)和許可行為的影響，指出高校規(guī)章制度雖然促進(jìn)專(zhuān)利申請(qǐng)和許可數(shù)量增加，但對(duì)二者經(jīng)濟(jì)收益未產(chǎn)生太大影響。從轉(zhuǎn)化主體看，高等院校和科研機(jī)構(gòu)是專(zhuān)利轉(zhuǎn)化的重要載體，許多學(xué)者研究了高校專(zhuān)利轉(zhuǎn)化和技術(shù)轉(zhuǎn)移。冉從敬等[7]選取與專(zhuān)利價(jià)值相關(guān)的16個(gè)指標(biāo)，采用AdaBoost算法提升了高校專(zhuān)利轉(zhuǎn)化的可識(shí)別性；Ye 等[8]通過(guò)對(duì)中國(guó)雙一流高校知識(shí)(專(zhuān)利)轉(zhuǎn)移網(wǎng)絡(luò)進(jìn)行分析，指出關(guān)鍵高校在知識(shí)擴(kuò)散網(wǎng)絡(luò)中居于核心地位，同時(shí)高校之間穩(wěn)定的知識(shí)交流與轉(zhuǎn)移是帶動(dòng)落后地區(qū)發(fā)展的關(guān)鍵；張曉月等[9]探討高校專(zhuān)利轉(zhuǎn)化與專(zhuān)利價(jià)值之間的關(guān)系，認(rèn)為專(zhuān)利轉(zhuǎn)化及專(zhuān)利部分技術(shù)特征可以提升專(zhuān)利價(jià)值；金玉成[10]研究高校專(zhuān)利成果轉(zhuǎn)化模式發(fā)現(xiàn)，專(zhuān)利技術(shù)特征影響高校專(zhuān)利轉(zhuǎn)化模式，專(zhuān)利成熟度和技術(shù)質(zhì)量不同，專(zhuān)利轉(zhuǎn)化模式也不同；袁傳思等[11]指出，影響高校新型研發(fā)機(jī)構(gòu)專(zhuān)利成果轉(zhuǎn)化的原因有建設(shè)主體文化水平較低、知識(shí)產(chǎn)權(quán)投入不足、科技成果轉(zhuǎn)化專(zhuān)業(yè)人員較少等。還有一些學(xué)者進(jìn)一步構(gòu)建高校專(zhuān)利轉(zhuǎn)化評(píng)價(jià)指標(biāo)體系，并從專(zhuān)利申請(qǐng)量、專(zhuān)利授權(quán)量、技術(shù)轉(zhuǎn)移收入、專(zhuān)利涵蓋領(lǐng)域等視角展開(kāi)研究[12-14]。

綜上所述，專(zhuān)利技術(shù)轉(zhuǎn)化研究雖然已經(jīng)取得豐碩成果，但依然存在如下問(wèn)題：研究對(duì)象多為發(fā)達(dá)國(guó)家，聚焦中國(guó)現(xiàn)實(shí)情境探討專(zhuān)利轉(zhuǎn)化的理論和實(shí)證研究較少，僅分析高校與科研機(jī)構(gòu)等單一主體而未涵蓋全部創(chuàng)新主體，尤其是針對(duì)特定前沿技術(shù)領(lǐng)域的研究更少。鑒于此，本研究從人工智能芯片領(lǐng)域出發(fā)，通過(guò)機(jī)器學(xué)習(xí)算法精準(zhǔn)識(shí)別專(zhuān)利轉(zhuǎn)化特征并測(cè)度最優(yōu)轉(zhuǎn)化預(yù)測(cè)方案，分析主要國(guó)家或地區(qū)專(zhuān)利成功轉(zhuǎn)化影響因素，從企業(yè)/高校、國(guó)內(nèi)/國(guó)際等不同主體或?qū)用婵偨Y(jié)專(zhuān)利成功轉(zhuǎn)化的主要特征，可為我國(guó)破解“卡脖子”技術(shù)難題及專(zhuān)利轉(zhuǎn)化相關(guān)研究提供有益借鑒。

2 數(shù)據(jù)獲取與處理

2.1 數(shù)據(jù)來(lái)源

本文以人工智能芯片領(lǐng)域?yàn)檠芯繉?duì)象，人工智能芯片作為人工智能時(shí)代的硬件載體，其重要性不言而喻。由于人工智能技術(shù)應(yīng)用場(chǎng)景的復(fù)雜性，很難有一種單一且適用于各種環(huán)境的人工智能芯片設(shè)計(jì)方法。因此，工業(yè)界和學(xué)術(shù)界涌現(xiàn)出許多新的人工智能芯片設(shè)計(jì)方法，涵蓋材料、器件、電路、半導(dǎo)體等各個(gè)層面。人工智能芯片處于整個(gè)人工智能產(chǎn)業(yè)鏈的中間層，向上為應(yīng)用和算法提供有效支撐，向下對(duì)器件和電路、工藝和材料提出新要求。一方面，應(yīng)用和算法的快速發(fā)展，特別是深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展對(duì)人工智能芯片提出高性能要求，為近年來(lái)人工智能芯片研發(fā)熱潮帶來(lái)新動(dòng)力[15]；另一方面，新材料、新工藝和新器件的迅速發(fā)展，如3D芯片堆疊存儲(chǔ)器和工藝進(jìn)化為人工智能芯片大幅提高性能和降低功耗提供了可行性。總體來(lái)說(shuō)，這兩種力量共同推動(dòng)人工智能芯片技術(shù)迅速發(fā)展[16]。

人工智能芯片包括通用芯片(圖形處理單元，GPU)、半定制芯片(現(xiàn)場(chǎng)可編程門(mén)陣列，F(xiàn)PGA)、完全定制芯片(專(zhuān)用集成電路，ASIC)和類(lèi)腦芯片4種類(lèi)型。各自特性如下：GPU常用于開(kāi)發(fā)和改進(jìn)人工智能算法。與傳統(tǒng)CPU相比，改進(jìn)的GPU具有更高的并行結(jié)構(gòu)，在處理圖形數(shù)據(jù)和復(fù)雜算法等方面更加高效，同時(shí)程序運(yùn)行速度也提高了數(shù)千倍甚至數(shù)萬(wàn)倍。與CPU和GPU相比，F(xiàn)PGA將經(jīng)過(guò)訓(xùn)練的AI算法應(yīng)用于實(shí)際數(shù)據(jù)輸入，可同時(shí)進(jìn)行數(shù)據(jù)并行和任務(wù)并行計(jì)算，具有明顯的性能和能耗優(yōu)勢(shì)；除功耗以外，F(xiàn)GPA在架構(gòu)上也存在顯著優(yōu)勢(shì)。ASIC是為學(xué)習(xí)具有計(jì)算性能的功能而設(shè)計(jì)的一種芯片，根據(jù)特定應(yīng)用需求定制。類(lèi)腦芯片可以模擬人腦神經(jīng)網(wǎng)絡(luò)與人腦結(jié)構(gòu)進(jìn)行功能感知。

在人工智能芯片專(zhuān)利檢索過(guò)程中，本文以Derwent Innovation專(zhuān)利數(shù)據(jù)庫(kù)為檢索對(duì)象，來(lái)源國(guó)/地區(qū)主要選取中國(guó)、美國(guó)、歐盟、日本和韓國(guó)等。由于專(zhuān)利信息披露的滯后性，將專(zhuān)利檢索時(shí)間限定為2009年1月1日至2018年12月31日。通過(guò)查閱相關(guān)文獻(xiàn)資料、與專(zhuān)家多次溝通、多輪檢索最終確定專(zhuān)利檢索策略，并對(duì)數(shù)據(jù)進(jìn)行降噪、降雜處理從而得到本文專(zhuān)利樣本數(shù)據(jù)，如表1所示。其中，人工智能芯片專(zhuān)利申請(qǐng)數(shù)量22 389件，已授權(quán)專(zhuān)利數(shù)12 741件。專(zhuān)利檢索條目包括申請(qǐng)日期、申請(qǐng)國(guó)別、名稱(chēng)、專(zhuān)利摘要、發(fā)明人、專(zhuān)利權(quán)人、IPC分類(lèi)號(hào)、法律狀態(tài)、引用專(zhuān)利/文獻(xiàn)數(shù)量等著錄信息。

2.2 指標(biāo)選取

廣泛意義上的專(zhuān)利轉(zhuǎn)化主要是指將專(zhuān)利技術(shù)產(chǎn)業(yè)化，諸如專(zhuān)利轉(zhuǎn)讓[17]、專(zhuān)利許可、專(zhuān)利質(zhì)押融資[18]等均可視為專(zhuān)利成功轉(zhuǎn)化。專(zhuān)利指標(biāo)通常涉及技術(shù)、法律和經(jīng)濟(jì)3個(gè)維度，本研究結(jié)合國(guó)家知識(shí)產(chǎn)權(quán)局發(fā)布的《專(zhuān)利價(jià)值分析指標(biāo)體系操作手冊(cè)》，遵循數(shù)據(jù)可得性原則，基于技術(shù)、法律、經(jīng)濟(jì)三大維度對(duì)專(zhuān)利評(píng)價(jià)指標(biāo)體系進(jìn)行細(xì)分，最終選取如表2所示的專(zhuān)利指標(biāo)衡量專(zhuān)利特征。

表1 人工智能芯片專(zhuān)利檢索策略Tab.1 Patent retrieval strategy of artificial intelligence chip

表2 指標(biāo)選取及含義Tab.2 Index selection and brief meaning

(1)技術(shù)指標(biāo)：申請(qǐng)人數(shù)量、代理人數(shù)量、發(fā)明人數(shù)量、技術(shù)分類(lèi)數(shù)量(IPC跨度)、維持時(shí)間、引用專(zhuān)利數(shù)、引用參考文獻(xiàn)數(shù)、當(dāng)前是否有效。其中，申請(qǐng)人數(shù)量是指企業(yè)與其它組織合作申請(qǐng)的專(zhuān)利，一定程度上反映企業(yè)之間的技術(shù)合作關(guān)系，是衡量企業(yè)技術(shù)合作關(guān)系和合作度的重要指標(biāo)[19]。代理人數(shù)量反映專(zhuān)利技術(shù)在申請(qǐng)專(zhuān)利保護(hù)過(guò)程中與專(zhuān)利代理人的關(guān)系，專(zhuān)利代理人服務(wù)涉及專(zhuān)利發(fā)明、專(zhuān)利申請(qǐng)、專(zhuān)利審查及專(zhuān)利保護(hù)運(yùn)用的各個(gè)階段[20]，能夠從另一維度反映技術(shù)申請(qǐng)專(zhuān)利保護(hù)過(guò)程中的合作關(guān)系。發(fā)明人數(shù)量體現(xiàn)了技術(shù)復(fù)雜度，發(fā)明人是指對(duì)專(zhuān)利創(chuàng)造起實(shí)質(zhì)性作用的人，反映完成發(fā)明創(chuàng)造所需投入的人力資本[21]，發(fā)明人數(shù)量與專(zhuān)利技術(shù)復(fù)雜度存在一定相關(guān)性。技術(shù)分類(lèi)數(shù)量通常指專(zhuān)利IPC分類(lèi)號(hào)跨度情況，用以表征技術(shù)多元性與技術(shù)跨度[22]，本研究選取國(guó)際專(zhuān)利分類(lèi)號(hào)小類(lèi)(IPC四位編碼)數(shù)量表征技術(shù)多元性。維持時(shí)間和當(dāng)前是否有效存在相似功能，專(zhuān)利維持時(shí)間體現(xiàn)了專(zhuān)利的重要性，專(zhuān)利維持時(shí)間越長(zhǎng)，專(zhuān)利市場(chǎng)價(jià)值、經(jīng)濟(jì)效益也就越高[23]。引用專(zhuān)利數(shù)與參考文獻(xiàn)數(shù)反映科學(xué)與技術(shù)的繼承性，用以表征專(zhuān)利吸取外部信息的能力，代表專(zhuān)利質(zhì)量水平，即技術(shù)可能處于的技術(shù)生命周期與市場(chǎng)應(yīng)用價(jià)值，體現(xiàn)技術(shù)創(chuàng)新性及對(duì)其它知識(shí)的借鑒程度[24]。

(2)法律指標(biāo)：權(quán)利要求數(shù)、獨(dú)立權(quán)利要求數(shù)、從屬權(quán)利要求數(shù)、權(quán)利要求字符數(shù)。其中，權(quán)利要求數(shù)指專(zhuān)利申請(qǐng)人對(duì)專(zhuān)利技術(shù)的保護(hù)是否全面[25]，單個(gè)專(zhuān)利權(quán)利要求數(shù)量越多，說(shuō)明專(zhuān)利保護(hù)越全面，因此本文采用權(quán)利要求數(shù)衡量專(zhuān)利技術(shù)保護(hù)全面程度。獨(dú)立權(quán)利要求數(shù)指專(zhuān)利的必要技術(shù)特征，能夠從整體上反映專(zhuān)利的主要技術(shù)內(nèi)容，用以表征專(zhuān)利主要保護(hù)的技術(shù)內(nèi)容[26]。從屬權(quán)利要求數(shù)越多，越能對(duì)抗他人申請(qǐng)同樣或類(lèi)似的改進(jìn)專(zhuān)利(宋河發(fā)等，2014)。權(quán)利要求字符數(shù)能夠從側(cè)面反映專(zhuān)利權(quán)法律效力，體現(xiàn)專(zhuān)利權(quán)人在專(zhuān)利起草和申請(qǐng)過(guò)程中投入資源的大小(張杰等，2015)。

(3)經(jīng)濟(jì)指標(biāo)：同族專(zhuān)利、同族專(zhuān)利成員國(guó)數(shù)、權(quán)利人是否為企業(yè)以及是否來(lái)自中國(guó)、專(zhuān)利被引用次數(shù)。其中，同族專(zhuān)利和同族專(zhuān)利成員國(guó)數(shù)反映專(zhuān)利權(quán)人技術(shù)全球保護(hù)策略(劉紅光等，2013)，用以表征專(zhuān)利技術(shù)在全球的布局情況以及專(zhuān)利技術(shù)在全球市場(chǎng)的應(yīng)用價(jià)值。權(quán)利人是否為企業(yè)以及是否來(lái)自中國(guó)反映不同創(chuàng)新主體與國(guó)家的專(zhuān)利技術(shù)轉(zhuǎn)讓情況[27]。專(zhuān)利被引用次數(shù)代表專(zhuān)利被認(rèn)可度，專(zhuān)利被引用次數(shù)越多，說(shuō)明專(zhuān)利價(jià)值越高[28]。

(4)目標(biāo)指標(biāo)：專(zhuān)利轉(zhuǎn)讓、許可和質(zhì)押，表征專(zhuān)利轉(zhuǎn)化情況。專(zhuān)利所有權(quán)轉(zhuǎn)讓、許可貿(mào)易與專(zhuān)利權(quán)質(zhì)押融資都是科技創(chuàng)新轉(zhuǎn)化的重要表現(xiàn)形式。專(zhuān)利只有通過(guò)市場(chǎng)轉(zhuǎn)化才能有效推動(dòng)經(jīng)濟(jì)發(fā)展，故本文選取專(zhuān)利轉(zhuǎn)讓、許可或質(zhì)押評(píng)價(jià)專(zhuān)利技術(shù)成功轉(zhuǎn)化情況。

3 模型構(gòu)建與分析

3.1 數(shù)據(jù)歸一化處理

為保證數(shù)據(jù)研究效果和均衡性，收集上文專(zhuān)利數(shù)據(jù)中成功轉(zhuǎn)化的專(zhuān)利技術(shù)，共獲得2 228條專(zhuān)利數(shù)據(jù)，統(tǒng)計(jì)其是否存在專(zhuān)利技術(shù)成功轉(zhuǎn)化的情況，若有則標(biāo)為1，無(wú)則標(biāo)為0；同時(shí)，對(duì)已授權(quán)但未成功轉(zhuǎn)化的專(zhuān)利數(shù)據(jù)進(jìn)行收集，按1∶1的比例隨機(jī)匹配，共獲得2 228條數(shù)據(jù)，合并形成4 456條數(shù)據(jù)，對(duì)其進(jìn)行Z-score歸一化處理，形成訓(xùn)練集。由于本文目標(biāo)數(shù)據(jù)(專(zhuān)利轉(zhuǎn)讓、許可和質(zhì)押)為二項(xiàng)分類(lèi)變量(0、1變量)，本身離散不連續(xù)，故構(gòu)建二分類(lèi)模型，采用Python軟件對(duì)專(zhuān)利轉(zhuǎn)化進(jìn)行預(yù)測(cè)。

3.2 特征篩選

本文使用隨機(jī)森林算法選取相互獨(dú)立的弱分類(lèi)器組成隨機(jī)森林分類(lèi)器結(jié)構(gòu)，對(duì)每個(gè)決策樹(shù)的輸出結(jié)果進(jìn)行平均化處理，從而得到最終的分類(lèi)結(jié)果。相較于神經(jīng)網(wǎng)絡(luò)等經(jīng)典分類(lèi)模型，隨機(jī)森林算法能夠輸出每個(gè)子分類(lèi)器的影響結(jié)果，方便對(duì)特征篩選、分類(lèi)器進(jìn)行改進(jìn)。

利用隨機(jī)森林算法[29]計(jì)算每個(gè)特征指標(biāo)的重要性，結(jié)果如表3所示。設(shè)定隨機(jī)森林決策樹(shù)數(shù)量為1 000，由于其它參數(shù)特征量不大，因此選擇默認(rèn)值。對(duì)Python 中的相關(guān)函數(shù)進(jìn)行處理可以得到各特征的相對(duì)重要性，并隨機(jī)給各特征變量加入噪聲干擾，以改變特征值，并觀察模型效果下降程度。如果改變某個(gè)特征能使模型效果明顯變差，說(shuō)明這一特征比較重要。由表3可知，對(duì)于專(zhuān)利轉(zhuǎn)化而言，維持時(shí)間重要性最高，重要度為0.157。其次為權(quán)利要求字符數(shù)、發(fā)明人數(shù)量和權(quán)利要求數(shù)，重要度分別為0.145、0.092和0.076。這說(shuō)明，代表專(zhuān)利存活時(shí)間的維持時(shí)間特征最能反映專(zhuān)利能否成功轉(zhuǎn)化，說(shuō)明專(zhuān)利維持時(shí)間不僅可以表征專(zhuān)利技術(shù)存活時(shí)間，而且能從側(cè)面反映專(zhuān)利質(zhì)量及專(zhuān)利權(quán)人重視程度，對(duì)于專(zhuān)利是否可以轉(zhuǎn)化起較為重要的作用。權(quán)利要求字符數(shù)和權(quán)利要求數(shù)重要性排第2位和第4位，說(shuō)明專(zhuān)利文本中權(quán)利要求詳細(xì)程度對(duì)專(zhuān)利成功轉(zhuǎn)化起重要作用。發(fā)明人數(shù)量排第3位，說(shuō)明專(zhuān)利技術(shù)復(fù)雜度對(duì)于專(zhuān)利轉(zhuǎn)化具有積極影響。

表3 指標(biāo)重要度排序Tab.3 Index importance rankings

前4個(gè)特征重要性合計(jì)占比47%，其它13個(gè)特征重要性合計(jì)只占53%，說(shuō)明各特征在隨機(jī)森林算法中的重要性區(qū)別較小，可進(jìn)一步進(jìn)行特征篩選和數(shù)據(jù)降維。然而，由于所有特征的重要性均大于0.01，直接刪除其它變量將會(huì)導(dǎo)致研究精度下降，故進(jìn)一步采取主成分分析法，以相關(guān)性矩陣和熱力圖對(duì)特征進(jìn)行篩選，特征相關(guān)性矩陣如圖1所示。從中可見(jiàn)，權(quán)利要求數(shù)和從屬權(quán)利要求數(shù)、同族專(zhuān)利數(shù)和同族專(zhuān)利成員國(guó)數(shù)、引用專(zhuān)利數(shù)和引用參考文獻(xiàn)數(shù)存在較高的相關(guān)性。

結(jié)合KMO檢驗(yàn)值，將申請(qǐng)人數(shù)量、代理人數(shù)量、從屬權(quán)利要求數(shù)、權(quán)利人是否為企業(yè)和引用參考文獻(xiàn)數(shù)5個(gè)特征予以剔除，以獲取較好的主成分分析結(jié)果。值得注意的是，雖然同族專(zhuān)利數(shù)和同族專(zhuān)利成員國(guó)數(shù)相關(guān)性較高，但是在實(shí)驗(yàn)中刪去其中任何一個(gè)特征后KMO值并未得到優(yōu)化，故予以保留。其中，剔除申請(qǐng)人數(shù)量、代理人數(shù)量是由于在多數(shù)專(zhuān)利中其數(shù)值多為“1”，導(dǎo)致這兩個(gè)特征不具備顯著性。從屬權(quán)利要求數(shù)量也被剔除，是因?yàn)闄?quán)利要求數(shù)與獨(dú)立權(quán)利要求數(shù)已經(jīng)存在，而三者存在“權(quán)利要求數(shù)=獨(dú)立權(quán)利要求數(shù)+從屬權(quán)利要求數(shù)”的數(shù)量關(guān)系，故保留從屬權(quán)利要求數(shù)有可能產(chǎn)生嚴(yán)重的共線(xiàn)性問(wèn)題(相關(guān)性大于0.8)。引用參考文獻(xiàn)數(shù)與引用專(zhuān)利數(shù)也存在較強(qiáng)的共線(xiàn)性，其值會(huì)隨著引用專(zhuān)利數(shù)的變化而發(fā)生改變。剔除權(quán)利人是否為企業(yè)是因?yàn)樵撎卣髋c其它特征弱相關(guān)(值小于0.3)，說(shuō)明該指標(biāo)信息保護(hù)較少。在剔除如上5個(gè)特征后，KMO度量值由0.590上升到0.754，結(jié)果如表4所示。這說(shuō)明，利用上述12個(gè)特征進(jìn)行專(zhuān)利可轉(zhuǎn)化預(yù)測(cè)是合理的，處理后模型特征數(shù)量實(shí)現(xiàn)降維。

圖1 特征指標(biāo)相關(guān)性矩陣熱力圖Fig.1 Feature index correlation matrix heatmap

表4 特征數(shù)量KMO值Tab.4 KMO value of characteristic quantity

3.3 模型構(gòu)建

為選取一個(gè)性能更好的算法構(gòu)建預(yù)測(cè)模型，本文分別利用邏輯回歸算法、支持向量機(jī)算法、隨機(jī)森林算法和AdaBoost算法進(jìn)行對(duì)比實(shí)驗(yàn)。對(duì)專(zhuān)利數(shù)據(jù)分配0/1變量的分類(lèi)預(yù)測(cè)任務(wù)，以解決不同算法預(yù)測(cè)可能產(chǎn)生的過(guò)擬合問(wèn)題。對(duì)剔除特征變量后的數(shù)據(jù)集以8∶2的比例隨機(jī)抽取訓(xùn)練集和預(yù)測(cè)集，用4種分類(lèi)算法采取十折交叉驗(yàn)證進(jìn)行訓(xùn)練預(yù)測(cè)，以Accuracy值作為評(píng)估特征，具體分析如下：

(1)邏輯回歸算法。邏輯回歸算法作為一種二分類(lèi)算法，預(yù)測(cè)結(jié)果有true(1)和false(0)兩種，使用的擬合函數(shù)為sigmoid函數(shù)，通過(guò)擬合解釋變量與事件發(fā)生或否(二分類(lèi)因變量)之間的非線(xiàn)性關(guān)系，建立二分類(lèi)因變量發(fā)生概率與解釋變量關(guān)系模型。

(1)

在識(shí)別模型構(gòu)建過(guò)程中，采用Python 所包含的邏輯回歸算法進(jìn)行模型訓(xùn)練與分類(lèi)擬合，并構(gòu)建預(yù)測(cè)模型。由于訓(xùn)練集是小樣本數(shù)據(jù)，所以采取十折交叉驗(yàn)證進(jìn)行模型訓(xùn)練，以Accuracy 值作為模型性能評(píng)估指標(biāo)。通過(guò)多次參數(shù)調(diào)優(yōu)，使用邏輯回歸算法構(gòu)建的識(shí)別模型Accuracy值為0.720。

(2)支持向量機(jī)算法。支持向量機(jī)是在高位特征空間使用線(xiàn)性函數(shù)假設(shè)空間的學(xué)習(xí)系統(tǒng)，由于其具有良好的分類(lèi)性能，近年來(lái)在自然語(yǔ)言處理等研究領(lǐng)域得到廣泛應(yīng)用。本文使用構(gòu)造核函數(shù)的支持向量機(jī)算法解決非線(xiàn)性分類(lèi)任務(wù)。在識(shí)別模型構(gòu)建過(guò)程中，采用Python 所包含的支持向量機(jī)算法構(gòu)造核函數(shù)進(jìn)行模型訓(xùn)練與分類(lèi)擬合，構(gòu)建預(yù)測(cè)模型。通過(guò)多次參數(shù)調(diào)優(yōu)，使用支持向量機(jī)算法構(gòu)建的識(shí)別模型Accuracy值為0.716。

(3)隨機(jī)森林算法。隨機(jī)森林算法屬于機(jī)器學(xué)習(xí)算法的一種，主要通過(guò)決策優(yōu)化或覆蓋優(yōu)化兩種手段將多種不同分類(lèi)器進(jìn)行綜合，最后輸出一個(gè)最優(yōu)解以達(dá)到優(yōu)化總體性能的目的，流程如圖2所示。

圖2 隨機(jī)森林算法Fig.2 Random forest algorithm

在隨機(jī)森林算法分類(lèi)中，隨機(jī)森林算法中的每棵決策樹(shù)都是一個(gè)分類(lèi)器，對(duì)于一個(gè)輸入樣本，N棵樹(shù)會(huì)呈現(xiàn)N個(gè)分類(lèi)結(jié)果，因此將投票次數(shù)最多的類(lèi)別指定為最終輸出。在識(shí)別模型構(gòu)建過(guò)程中，采用Python 所包含的隨機(jī)森林算法進(jìn)行模型訓(xùn)練與分類(lèi)擬合，通過(guò)二分類(lèi)預(yù)測(cè)任務(wù)解決隨機(jī)森林算法中出現(xiàn)的非連續(xù)性預(yù)測(cè)問(wèn)題，以避免出現(xiàn)對(duì)訓(xùn)練數(shù)據(jù)外對(duì)象分類(lèi)正確率較低的問(wèn)題。通過(guò)多次參數(shù)調(diào)優(yōu)，當(dāng)參數(shù)設(shè)置為使用1 000個(gè)弱分類(lèi)器時(shí)，模型Accuracy值為0.737。

(4)AdaBoost算法。AdaBoost算法屬于集成學(xué)習(xí)方法的一種，旨在使用一個(gè)訓(xùn)練集訓(xùn)練，如SVM、BP網(wǎng)絡(luò)等弱分類(lèi)器，將不同訓(xùn)練集結(jié)合起來(lái)構(gòu)成一個(gè)更強(qiáng)的分類(lèi)器，通過(guò)改變數(shù)據(jù)分布實(shí)現(xiàn)分類(lèi)器選擇，根據(jù)訓(xùn)練集樣本分類(lèi)修正分類(lèi)器，并以整體分類(lèi)精度為依據(jù)確定每個(gè)樣本權(quán)重，然后對(duì)新權(quán)重值進(jìn)行下一層訓(xùn)練，最后將每個(gè)分類(lèi)器融合在一起。在識(shí)別模型構(gòu)建過(guò)程中，采用Python 所包含的AdaBoost分類(lèi)算法進(jìn)行模型訓(xùn)練與分類(lèi)擬合，構(gòu)建預(yù)測(cè)模型。通過(guò)多次參數(shù)調(diào)優(yōu)，使用AdaBoost分類(lèi)算法構(gòu)建的識(shí)別模型Accuracy值為0.728。

分別運(yùn)行上述4種算法，結(jié)果如表5和圖3所示。從中可見(jiàn)，在4種算法中，基于隨機(jī)森林算法的預(yù)測(cè)模型性能最優(yōu)，體現(xiàn)了隨機(jī)森林算法在專(zhuān)利轉(zhuǎn)化特征識(shí)別與預(yù)測(cè)中的應(yīng)用價(jià)值。

表5 4種分類(lèi)算法性能分值Tab.5 Performance scores of four classification algorithms

圖3 4種分類(lèi)算法性能對(duì)比Fig.3 Performance comparison of four classification algorithms

3.4 專(zhuān)利成功轉(zhuǎn)化識(shí)別分析

在驗(yàn)證模型有效性的基礎(chǔ)上，進(jìn)一步利用模型對(duì)人工智能芯片專(zhuān)利進(jìn)行識(shí)別，輸出每件專(zhuān)利的分類(lèi)結(jié)果及轉(zhuǎn)化概率。根據(jù)專(zhuān)利轉(zhuǎn)化概率，仿照10分標(biāo)準(zhǔn)評(píng)估法，設(shè)置10層專(zhuān)利可轉(zhuǎn)化概率閾值，形成評(píng)估表，如表6所示。從中可見(jiàn)，在人工智能芯片領(lǐng)域，轉(zhuǎn)化概率在90%～100%之間的專(zhuān)利比重僅為1%，可認(rèn)為這部分專(zhuān)利最具轉(zhuǎn)化價(jià)值和商業(yè)效益，共包含327件專(zhuān)利?？傮w來(lái)看，轉(zhuǎn)化概率在70%以上的專(zhuān)利占比僅為17%(1%+5%+11%=17%)，可見(jiàn)全球范圍內(nèi)人工智能芯片具有較高專(zhuān)利轉(zhuǎn)化價(jià)值的數(shù)量偏少。同時(shí)，轉(zhuǎn)化概率介于40%～70%之間的專(zhuān)利比重占44%，介于0～40%之間的專(zhuān)利比重占38%，反映出人工智能芯片領(lǐng)域大部分專(zhuān)利都具備一定的轉(zhuǎn)化價(jià)值，但仍有近1/3的專(zhuān)利存在失效風(fēng)險(xiǎn)，轉(zhuǎn)化概率較低。

在專(zhuān)利轉(zhuǎn)化概率的基礎(chǔ)上，繪制專(zhuān)利可轉(zhuǎn)化性柱狀圖，并對(duì)其進(jìn)行線(xiàn)性擬合。由圖4可知，人工智能芯片領(lǐng)域?qū)＠赊D(zhuǎn)化概率呈對(duì)數(shù)曲線(xiàn)分布態(tài)勢(shì)，擬合對(duì)數(shù)函數(shù)方程為y=-0.203 6lnx+2.307 3，R2=0.761 78。已有研究指出，專(zhuān)利價(jià)值通常呈對(duì)數(shù)常態(tài)曲線(xiàn)分布趨勢(shì)[30]，即在一個(gè)領(lǐng)域中，僅有少數(shù)專(zhuān)利為高價(jià)值專(zhuān)利，大部分專(zhuān)利價(jià)值都較低，本文模型與一般的經(jīng)驗(yàn)感知相符。但與文獻(xiàn)[9]對(duì)人工智能領(lǐng)域可轉(zhuǎn)化專(zhuān)利研究相比，轉(zhuǎn)化概率中閾值為10(轉(zhuǎn)化概率介于90%～100%)的專(zhuān)利比例較小，說(shuō)明人工智能芯片領(lǐng)域?qū)＠赊D(zhuǎn)化概率較小，可能與人工智能芯片研發(fā)難度大、對(duì)轉(zhuǎn)化過(guò)程情境要求較高等因素有關(guān)。

表6 人工智能芯片領(lǐng)域?qū)＠晒D(zhuǎn)化概率評(píng)估Tab.6 Evaluation of successful patent conversion probability in the field of artificial intelligence chip

圖4 人工智能芯片領(lǐng)域?qū)＠赊D(zhuǎn)化概率分布趨勢(shì)Fig.4 Trend of patent convertible probability distribution in artificial intelligence chip field

3.5 多維視角分析

3.5.1 創(chuàng)新主體層面

本文從高校/科研機(jī)構(gòu)、企業(yè)等不同主題層面對(duì)專(zhuān)利轉(zhuǎn)化影響因素進(jìn)行對(duì)比分析。通過(guò)收集5 958條學(xué)校專(zhuān)利和17 848條企業(yè)專(zhuān)利數(shù)據(jù)集，對(duì)專(zhuān)利特征重要性與可轉(zhuǎn)化概率進(jìn)行比較，結(jié)果如表7和表8所示。從中可以看出，影響高校/科研機(jī)構(gòu)、企業(yè)專(zhuān)利成功轉(zhuǎn)化的因素大致相同，但重要性略有不同。具體而言，對(duì)高校/科研機(jī)構(gòu)影響最大的前3個(gè)因素分別是維持時(shí)間、權(quán)利要求字符數(shù)和發(fā)明人數(shù)量，對(duì)企業(yè)影響最大的前3個(gè)因素分別是權(quán)利要求字符數(shù)、維持時(shí)間和權(quán)利要求數(shù)。導(dǎo)致這一差異的原因在于，高校教師和科研人員通常是為完成科研任務(wù)或?qū)W科評(píng)估指標(biāo)而非基于市場(chǎng)需求申請(qǐng)專(zhuān)利，因而不太關(guān)注高價(jià)值專(zhuān)利維持時(shí)間，導(dǎo)致專(zhuān)利維持時(shí)間指標(biāo)表征專(zhuān)利質(zhì)量的自然度更高。發(fā)明人數(shù)量說(shuō)明高校/科研機(jī)構(gòu)在人工智能芯片領(lǐng)域更側(cè)重于專(zhuān)利團(tuán)隊(duì)合作。同時(shí)，高校和企業(yè)在人工智能芯片領(lǐng)域均應(yīng)注重專(zhuān)利本身的技術(shù)質(zhì)量和撰寫(xiě)質(zhì)量。由圖5可知，企業(yè)高質(zhì)量專(zhuān)利和低質(zhì)量專(zhuān)利比例均高于學(xué)校，學(xué)校專(zhuān)利可轉(zhuǎn)化概率在中間段數(shù)量集聚較多，更符合正態(tài)曲線(xiàn)分布。

表7 高校/科研機(jī)構(gòu)、企業(yè)專(zhuān)利成功轉(zhuǎn)化影響因素對(duì)比Tab.7 Comparison of influencing factors of successful patent transformation between universities / scientific research institutions and enterprises

表8 企業(yè)與高校專(zhuān)利轉(zhuǎn)化概率對(duì)比Tab.8 Statistical table of patent transformation probability of enterprises and schools

圖5 企業(yè)與高校/科研機(jī)構(gòu)專(zhuān)利轉(zhuǎn)化概率對(duì)比Fig.5 Comparative statistical chart of patent conversion probability of enterprises and universities / scientific research institutions

3.5.2 國(guó)際與國(guó)內(nèi)層面

本文進(jìn)一步分析影響國(guó)際和國(guó)內(nèi)專(zhuān)利轉(zhuǎn)化的不同因素，通過(guò)構(gòu)建專(zhuān)利數(shù)據(jù)模型得到如表9所示的國(guó)際和國(guó)內(nèi)專(zhuān)利成功轉(zhuǎn)化影響因素對(duì)比結(jié)果。從中可見(jiàn)，影響國(guó)外和國(guó)內(nèi)專(zhuān)利成功轉(zhuǎn)化的影響因素有所不同。其中，影響我國(guó)專(zhuān)利成功轉(zhuǎn)化的前5個(gè)因素分別為權(quán)利要求字符數(shù)、維持時(shí)間、權(quán)利要求數(shù)、發(fā)明人數(shù)量和引用專(zhuān)利數(shù)，前3項(xiàng)權(quán)利要求字符數(shù)、維持時(shí)間和權(quán)利要求數(shù)重要性合計(jì)超過(guò)56%，說(shuō)明影響我國(guó)專(zhuān)利成功轉(zhuǎn)化的因素主要為專(zhuān)利質(zhì)量。影響國(guó)外專(zhuān)利成功轉(zhuǎn)化的前5個(gè)因素分別為發(fā)明人數(shù)量、權(quán)利要求字符數(shù)、同族專(zhuān)利數(shù)、權(quán)利要求數(shù)和當(dāng)前是否有效。其中，發(fā)明人數(shù)量、權(quán)利要求字符數(shù)和同族專(zhuān)利數(shù)重要性合計(jì)超過(guò)47%，可見(jiàn)在影響國(guó)外專(zhuān)利成功轉(zhuǎn)化的因素中，技術(shù)復(fù)雜性、專(zhuān)利質(zhì)量和全球?qū)＠季智闆r發(fā)揮重要作用，這可能與美、日、韓、歐州等主要發(fā)達(dá)國(guó)家或地區(qū)專(zhuān)利質(zhì)量較高有關(guān)，技術(shù)復(fù)雜性和海外市場(chǎng)布局等因素變得尤為重要。

表9 國(guó)際與國(guó)內(nèi)專(zhuān)利成功轉(zhuǎn)化影響因素對(duì)比Tab.9 Comparison of influencing factors of successful transformation of international and domestic patents

4 結(jié)論與建議

4.1 研究結(jié)論

本研究基于多維視角，采用多種算法對(duì)人工智能芯片領(lǐng)域主要國(guó)家/地區(qū)的專(zhuān)利轉(zhuǎn)化特征進(jìn)行分析，并對(duì)該領(lǐng)域?qū)＠夹g(shù)的成功轉(zhuǎn)化進(jìn)行預(yù)測(cè)，得出如下結(jié)論：①采用降維處理和主成分分析法進(jìn)一步聚焦專(zhuān)利技術(shù)轉(zhuǎn)化影響因素，在選取的邏輯回歸算法、支持向量機(jī)算法、隨機(jī)森林算法和AdaBoost 4種算法中，隨機(jī)森林算法預(yù)測(cè)效果最好；②人工智能芯片領(lǐng)域?qū)＠D(zhuǎn)化概率呈對(duì)數(shù)曲線(xiàn)分布態(tài)勢(shì)，與通常所說(shuō)的專(zhuān)利價(jià)值分布曲線(xiàn)相吻合；對(duì)高校/科研機(jī)構(gòu)專(zhuān)利轉(zhuǎn)化影響最大的前3個(gè)因素分別是維持時(shí)間、權(quán)利要求字符數(shù)和發(fā)明人數(shù)量，對(duì)企業(yè)專(zhuān)利轉(zhuǎn)化影響最大的前3個(gè)因素分別是權(quán)利要求字符數(shù)、維持時(shí)間和權(quán)利要求數(shù)；③影響國(guó)外和國(guó)內(nèi)專(zhuān)利成功轉(zhuǎn)化的因素有所不同。影響中國(guó)專(zhuān)利成功轉(zhuǎn)化的因素主要是專(zhuān)利質(zhì)量，影響國(guó)外主要國(guó)家或地區(qū)專(zhuān)利成功轉(zhuǎn)化的因素主要是專(zhuān)利技術(shù)復(fù)雜性及海外市場(chǎng)布局等。

4.2 研究貢獻(xiàn)

本文理論貢獻(xiàn)如下：

(1)從專(zhuān)利質(zhì)量分析[31]、價(jià)值評(píng)估、核心技術(shù)識(shí)別等應(yīng)用場(chǎng)景對(duì)機(jī)器學(xué)習(xí)算法進(jìn)行拓展，詳細(xì)定義專(zhuān)利的三大特征，將其劃分為技術(shù)指標(biāo)、法律指標(biāo)、經(jīng)濟(jì)指標(biāo)，并對(duì)每個(gè)層面指標(biāo)進(jìn)行詳細(xì)論述。采用定量方法構(gòu)建相關(guān)評(píng)價(jià)指標(biāo)體系，最終將其綜合為專(zhuān)利特征指標(biāo)，將專(zhuān)利質(zhì)量指標(biāo)與專(zhuān)利轉(zhuǎn)化指標(biāo)相結(jié)合，并將其應(yīng)用到特定前沿技術(shù)專(zhuān)利轉(zhuǎn)化領(lǐng)域。

(2)綜合使用邏輯回歸算法、支持向量機(jī)算法、隨機(jī)森林算法以及AdaBoost算法進(jìn)行對(duì)比實(shí)驗(yàn)，通過(guò)對(duì)每個(gè)決策樹(shù)的輸出結(jié)果進(jìn)行平均化處理，從而得到最終分類(lèi)結(jié)果，并對(duì)專(zhuān)利數(shù)據(jù)進(jìn)行離散0/1變量分類(lèi)預(yù)測(cè)任務(wù)，以解決不同算法預(yù)測(cè)可能產(chǎn)生的過(guò)擬合問(wèn)題。將剔除特征變量后的數(shù)據(jù)集以8∶2的比例隨機(jī)抽取訓(xùn)練集與預(yù)測(cè)集，并從技術(shù)、法律和經(jīng)濟(jì)等維度對(duì)專(zhuān)利質(zhì)量指標(biāo)進(jìn)行分析，豐富了相關(guān)研究成果[22]。

(3)在現(xiàn)有研究的[7，9]基礎(chǔ)上，從實(shí)施主體層面分析專(zhuān)利轉(zhuǎn)化影響因素，從多維視角進(jìn)行論證，通過(guò)構(gòu)建專(zhuān)利數(shù)據(jù)集對(duì)專(zhuān)利特征重要性與可轉(zhuǎn)化概率進(jìn)行比較，針對(duì)企業(yè)、高校/科研機(jī)構(gòu)等創(chuàng)新主體及國(guó)內(nèi)、國(guó)外層面進(jìn)行對(duì)比分析。結(jié)果發(fā)現(xiàn)，影響高校/科研機(jī)構(gòu)和企業(yè)專(zhuān)利成功轉(zhuǎn)化的影響因素大致相同，但重要性略有不同，影響國(guó)外和我國(guó)專(zhuān)利成功轉(zhuǎn)化的影響因素有所不同，拓展了實(shí)施主體研究范圍。

4.3 對(duì)策建議

針對(duì)本文研究結(jié)論，為更好地促進(jìn)前沿技術(shù)專(zhuān)利成功轉(zhuǎn)化，提出如下對(duì)策建議：

(1)在不同前沿技術(shù)領(lǐng)域均可通過(guò)隨機(jī)森林算法等多種機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測(cè)，從而尋找特定技術(shù)領(lǐng)域中影響科技成果(包含但不限于專(zhuān)利)轉(zhuǎn)化的因素，有針對(duì)性地對(duì)成功進(jìn)行科技成果轉(zhuǎn)化的專(zhuān)利特征進(jìn)行識(shí)別與預(yù)測(cè)。

(2)高校/科研機(jī)構(gòu)應(yīng)注重高價(jià)值專(zhuān)利維持時(shí)間和團(tuán)隊(duì)合作。高校/科研機(jī)構(gòu)應(yīng)發(fā)揮特定學(xué)科優(yōu)勢(shì)，加強(qiáng)與重點(diǎn)企業(yè)之間的合作，通過(guò)技術(shù)聯(lián)合攻關(guān)形成高價(jià)值專(zhuān)利組合，實(shí)施高價(jià)值專(zhuān)利挖掘與培育工程，強(qiáng)化專(zhuān)利全過(guò)程管理，從而更好地實(shí)現(xiàn)專(zhuān)利轉(zhuǎn)化。同時(shí)，還應(yīng)從制度、機(jī)構(gòu)、人才等方面形成合力，通過(guò)成立科技成果轉(zhuǎn)化中心/知識(shí)產(chǎn)權(quán)中心、制定或修訂學(xué)校專(zhuān)利轉(zhuǎn)化實(shí)施辦法與細(xì)則、引入專(zhuān)業(yè)知識(shí)產(chǎn)權(quán)服務(wù)機(jī)構(gòu)或團(tuán)隊(duì)、與第三方切實(shí)加強(qiáng)合作開(kāi)展專(zhuān)利價(jià)值評(píng)估等措施，從專(zhuān)利申請(qǐng)、保護(hù)、運(yùn)用與管理等各個(gè)環(huán)節(jié)為專(zhuān)利成功轉(zhuǎn)化提供保障。

(3)企業(yè)應(yīng)提升專(zhuān)利技術(shù)質(zhì)量和撰寫(xiě)質(zhì)量。從政府層面看，企業(yè)應(yīng)充分利用政府的相關(guān)政策，如專(zhuān)利申請(qǐng)優(yōu)先審查、快速審查、各省市高價(jià)值專(zhuān)利培育項(xiàng)目、專(zhuān)利導(dǎo)航項(xiàng)目等，結(jié)合自身優(yōu)勢(shì)和特點(diǎn)，支撐企業(yè)創(chuàng)新發(fā)展。從企業(yè)內(nèi)部看，應(yīng)制定“知識(shí)產(chǎn)權(quán)先行”戰(zhàn)略，在研發(fā)初期利用專(zhuān)利分析優(yōu)化核心技術(shù)布局，在撰寫(xiě)階段重視權(quán)利要求對(duì)技術(shù)特征組合與保護(hù)層級(jí)的遞進(jìn)，在申請(qǐng)階段加強(qiáng)與專(zhuān)利代理人之間的溝通。從外部合作看，應(yīng)積極組建行業(yè)協(xié)會(huì)、知識(shí)產(chǎn)權(quán)聯(lián)盟，加強(qiáng)產(chǎn)學(xué)研協(xié)作，共同培育高價(jià)值專(zhuān)利。

4.4 不足與展望

本研究存在如下不足：①受限于數(shù)據(jù)可得性，只選取與專(zhuān)利價(jià)值相關(guān)指標(biāo)對(duì)人工智能芯片領(lǐng)域?qū)＠D(zhuǎn)化預(yù)測(cè)和影響因素進(jìn)行研究，未對(duì)制度設(shè)計(jì)、審查程序等其它影響因素進(jìn)行分析，未來(lái)可進(jìn)一步挖掘上述影響因素，提高模型可靠性，同時(shí)從專(zhuān)利視角出發(fā)，在更加細(xì)分的技術(shù)主題層面對(duì)專(zhuān)利成功轉(zhuǎn)化進(jìn)行研究，為推動(dòng)技術(shù)創(chuàng)新、實(shí)現(xiàn)專(zhuān)利成功轉(zhuǎn)化提供參考依據(jù)；②綜合使用邏輯回歸算法、支持向量機(jī)算法、隨機(jī)森林算法及AdaBoost算法，僅從客觀指標(biāo)出發(fā)對(duì)評(píng)價(jià)模型進(jìn)行計(jì)算，在實(shí)際專(zhuān)利成果管理中，還可結(jié)合管理人員其它信息，加入主觀評(píng)價(jià)指標(biāo)，提升研究結(jié)論準(zhǔn)確性和指導(dǎo)力；③企業(yè)、高校/科研機(jī)構(gòu)等創(chuàng)新主體的科研能力及產(chǎn)生的大量科技成果未被有效闡釋?zhuān)茨苌钊胙芯扛鲃?chuàng)新主體科技成果轉(zhuǎn)化鏈條。未來(lái)可通過(guò)高?？萍汲晒畔⑴稒C(jī)制、企業(yè)知識(shí)產(chǎn)權(quán)管理標(biāo)準(zhǔn)化流程等途徑，研究科研人員研發(fā)合作模式，賦能技術(shù)開(kāi)發(fā)效率，為價(jià)值評(píng)估管理提供方向。