關鍵詞： 機器學習； 成本法； 價格預估； 專利價值

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．０５．０１１

〔中圖分類號〕Ｇ２５０.２ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２４） ０５－０００１－０２

伴隨新一輪科技革命和產(chǎn)業(yè)變革深入發(fā)展， 國與國之間綜合國力的競爭日益體現(xiàn)為科技實力的較量， 為技術發(fā)明保駕護航的知識產(chǎn)權事業(yè)也逐漸被提升到國家戰(zhàn)略高度。與之相對應， 近年來我國聚力發(fā)展知識產(chǎn)權事業(yè)， 積極對標發(fā)達國家（地區(qū)）行業(yè)標準， 多舉措鼓勵知識產(chǎn)權創(chuàng)造與轉移轉化，取得了一定成效， 知識產(chǎn)權的申請量、授權量與轉化量逐年增加。據(jù)統(tǒng)計， 截至２０２３ 年２ 月， 我國發(fā)明專利有效量為４２６ 萬余件， 實用新型專利有效量為１ １００萬余件， 外觀設計有效量為２８７ 萬余件［１］ 。依據(jù)《２０２２ 年中國專利調(diào)查報告》， 我國發(fā)明專利產(chǎn)業(yè)化率為３６７％， 許可率為１２１％， 轉讓率為１１５％［２］ ，這體現(xiàn)了我國專利市場整體上活躍度較低， 大多數(shù)專利依舊處于沉睡狀態(tài)， 較低的應用比例造成了科技浪費和閑置現(xiàn)象。２０２１ 年１ 月， 習近平總書記指出， “要健全知識產(chǎn)權評估體系， 改進知識產(chǎn)權歸屬制度， 研究制定防止知識產(chǎn)權濫用相關制度”［３］ ，由此， 構建一套有效的科技成果評價標準已經(jīng)迫在眉睫。

對專利價值進行科學評估， 一方面可以提升知識產(chǎn)權轉移轉化效率， 發(fā)揮其在無形資產(chǎn)交易中的核心推動作用； 另一方面還可以實現(xiàn)專利技術向產(chǎn)業(yè)化發(fā)展， 提高產(chǎn)學研合作效率， 加速知識產(chǎn)權市場化進程。因此， 通過構建一種操作性強、普適性較好的方法， 對專利進行高效且精準的價值評估，篩選出聚集經(jīng)濟價值的專利， 并采取相關措施推動高價值專利的轉移轉化， 不僅能激發(fā)科研工作者的研究熱情， 提高高校產(chǎn)學研轉移轉化效率， 還可以將理論研究內(nèi)化到實踐應用， 推動我國科技水平實現(xiàn)質(zhì)的飛躍， 這也是本研究的意義所在。

１ 文獻綜述

１.１ 專利價值評估指標選取方面

專利價值評估指標的選取是有效組織專利信息的關鍵步驟， 相關研究呈現(xiàn)出由單一指標到復合指標再到指標體系的發(fā)展完善過程。納林研究創(chuàng)立了專利文獻計量學， 發(fā)現(xiàn)專利的被引頻次能很好地說明其重要性和影響力［４］ 。此后， Ｌａｎｊｏｕｗ Ｊ Ｏ［５］ 最早將權利要求數(shù)量、專利族大小、施引頻次以及被引頻次４ 個指標并列為專利質(zhì)量的影響因子， 據(jù)其組合構建了綜合專利價值指數(shù)， 多個單一指標的復合被證明能夠有效提升專利價值評估效果。經(jīng)大量理論探索和實證研究， 更多相互交叉的因素被納為專利價值評估指標， 建立專利價值評估指標體系成為主流趨勢， 國內(nèi)外學者廣泛構建能夠有效降低數(shù)據(jù)獲取難度、提升指標可解釋性、優(yōu)化價值評估效果的專利價值評估指標體系。如Ｐａｒｋ Ｙ 等［６］ 考慮專利技術因素與市場因素的相互依存關系， 構建技術、市場二維專利價值評估體系。中國國家知識產(chǎn)權局和中國技術交易所聯(lián)合構建法律、技術、經(jīng)濟三維下含１８ 個二級指標的專利價值分析指標體系，成為專利價值評估工作開展的重要標準。整體形成從專利內(nèi)在法律、技術維度和外在市場、經(jīng)濟、戰(zhàn)略維度五維的不同組合， 歸納專利價值影響因素、構建專利價值評估指標體系的研究范式［７］ 。

１.２ 高校高價值專利評估方面

科學的方法能夠提高專利價值評估的穩(wěn)定性和可信度， 學者們一般通過單一方法或多種方法結合的方式進行專利價值評估。當前主流的價值評估方法大概可以歸為４ 類， 分別為經(jīng)濟學方法、統(tǒng)計分析法、技術類方法與綜合評估法［８］ ， 其中經(jīng)濟學方法和統(tǒng)計分析法出現(xiàn)時間較長， 體系相對成熟， 但是其仍存在結果相對粗略、隨機性較大等問題［９］ ；而隨著技術與算法的飛速發(fā)展， 機器智能以其高效學習與精準預測的優(yōu)勢， 逐漸被相關研究者所青睞，使得ＢＰ 神經(jīng)網(wǎng)絡［１０］ 、隨機森林［１１］ 、擴展神經(jīng)網(wǎng)絡［１２］ 、圖卷積網(wǎng)絡模型［１３］ 等相關技術在專利價值評估中被廣泛應用； 綜合評估法出現(xiàn)時間較短， 但是具有集成性強、精準度高與協(xié)同性好等優(yōu)點， 勢必會成為未來研究的一大熱門， 如果在綜合評估法層面進行深度挖掘， 那么專利價值評估的精準度與評估效率將會獲得進一步的提升。

綜上所述， 當前專利價值評估的已有研究多通過指標體系構建、經(jīng)濟學方法與機器學習算法等方面進行了多角度探索， 為提高科技成果管理部門的專利運營效率及企業(yè)快速鎖定高價值專利提供了實踐參考。但現(xiàn)有研究仍存在以下缺憾有待進一步完善： 一方面， 研究視角較為單一， 相關研究多數(shù)從經(jīng)濟學視角、算法視角等單獨切入， 雖然各有優(yōu)點，但是經(jīng)濟學視角對數(shù)據(jù)數(shù)量、數(shù)據(jù)精度要求較高，且相關流程均需要人工測算， 而算法視角雖然操作簡單， 數(shù)量龐大， 但是其結果往往存在誤差。如果引入從機器學習算法識別到經(jīng)濟學方法評估的多維度計算方法， 通過經(jīng)濟學的精度彌補算法的誤差，通過算法的大規(guī)模數(shù)據(jù)與操作自動化彌補經(jīng)濟學的人工計算與數(shù)據(jù)量較小的劣勢， 由此可以進一步提升計算精度； 另一方面， 相關研究多是通過指標體系構建并且融合相關定量評估方法來對專利進行評估， 或是利用機器學習的方法來評價專利的價值，其獲得的結果多為是否為高價值專利的二維結果，較少的嵌入經(jīng)濟學方法來對專利進行價格測算； 而部分研究雖然得出了專利的實際價格， 但是其所依據(jù)數(shù)據(jù)支撐有限， 信度效度仍需商榷。

當前， 有相當一部分學者在文獻中闡述了成本法在專利價值評估中的應用［１４－１６］ ， 探討其科學性，但由于數(shù)據(jù)限制、研究方法局限性以及成本法與其他方法的綜合運用不足， 導致成本法在專利價值評估中的綜合性研究與應用較少?；诖?， 本研究嘗試從專利成本入手， 依托Ｉｎｎｏｇｒａｐｈｙ 數(shù)據(jù)庫獲取的海量專利成本數(shù)據(jù)， 運用ＡｕｔｏＧｌｕｏｎ 機器學習分類算法對存在成本的專利數(shù)據(jù)進行模型訓練獲取最優(yōu)參數(shù)模型， 而后將Ｉｎｃｏｐａｔ 數(shù)據(jù)庫獲取的相同領域數(shù)據(jù)導入訓練好的模型進行預測， 獲取專利成本，最后使用本研究提出的專利價值指數(shù)并結合成本法對預測出成本的專利數(shù)據(jù)進行運算， 從而獲得專利市場價格。將該方法應用于預估新能源汽車領域?qū)＠袌鰞r值區(qū)間， 獲得了較好的評估結果， 在驗證方法的實用性與有效性的同時， 也為技術需求方快速鎖定領域高價值專利、提升領域?qū)＠D移轉化效率提供實踐參考。

２ 研究步驟與研究方法

本研究遵循“專利成本影響因素選取→專利成本分類模型構建→專利價值指數(shù)體系構建與計算→專利價值預估” 的邏輯流程， 通過整合跨庫數(shù)據(jù)來源特征指標， 科學選取反映專利成本價值的指標體系， 基于ＡｕｔｏＧｌｕｏｎ 機器學習框架構建分類算法對存在成本數(shù)據(jù)的專利進行分類預測， 最后運用成本法計算專利市場價值， 具體研究框架如圖１ 所示。

在成本影響因素選取層面， 學界對專利價值影響因素的研究較為成熟， 多數(shù)研究均以指標可量化為標準， 從市場、技術與法律３ 個維度剖析影響專利價值的因素所在， 基于成本消耗與價值創(chuàng)造在理論上的關聯(lián)關系， 本研究從專利成本視角切入， 對既有研究中的專利價值影響因素去粗取精， 綜合Ｉｎｎｏｇｒａｐｈｙ 專利數(shù)據(jù)庫與Ｉｎｃｏｐａｔ 專利數(shù)據(jù)庫數(shù)據(jù)跨庫獲取情況， 選取影響專利成本的計量指標構建本研究的指標體系。在專利成本分類模型構建層面，首先， 針對實驗專利數(shù)據(jù)集數(shù)據(jù)缺失、數(shù)據(jù)重復等問題進行失效數(shù)據(jù)剔除與去重等操作， 避免無效數(shù)據(jù)對實驗結果產(chǎn)生不利影響； 其次， 由于指標體系中如首權字數(shù)、文獻頁數(shù)等指標的事實數(shù)據(jù)數(shù)值范圍相對較大， 而專利壽命、被引次數(shù)指標事實數(shù)據(jù)數(shù)值范圍相對較小， 為避免指標單位不同數(shù)值差距過大對評估結果造成影響， 本研究在價值評估前對實驗專利數(shù)據(jù)進行了無量綱化處理。由于Ｉｎｎｏｇｒａ?ｐｈｙ 數(shù)據(jù)庫中包含專利成本數(shù)據(jù)， 所以將Ｉｎｎｏｇｒａ?ｐｈｙ 數(shù)據(jù)庫下載的數(shù)據(jù)劃分為專利數(shù)據(jù)訓練集， 將Ｉｎｃｏｐａｔ 數(shù)據(jù)庫下載的數(shù)據(jù)劃分為專利數(shù)據(jù)預測集，而后通過ＡｕｔｏＧｌｕｏｎ 機器學習框架構建分類算法，將專利數(shù)據(jù)訓練集導入模型進行訓練， 獲取最優(yōu)參數(shù)模型， 最后將專利數(shù)據(jù)預測集導入模型進行預測，獲取專利成本預測結果數(shù)據(jù)。在專利價值指數(shù)指標體系構建與計算層面， 本研究聚焦于專利的法律價值、技術價值與經(jīng)濟價值三大維度構建專利價值指數(shù)指標體系， 而后運用熵權Ｔｏｐｓｉｓ 結合專利數(shù)據(jù)計算專利價值指數(shù)。在價格預估層面， 本研究基于成本預測結果與專利價值指數(shù)計算結果， 將成本預測結果與指數(shù)計算結果導入成本法中進行計算， 最終獲得了專利價格區(qū)間， 從而完成了本研究的實驗過程。

２.１ 流程一： 專利成本影響因素選取

專利成本影響因素選取合理與否直接影響著評估模型的精度與信度。既有研究中， 多領域?qū)W者圍繞知識產(chǎn)權價值評估因素選取進行了深入研究， 總結較為普適的影響因素指標體系［１７－２１］ ， 為研究提供了重要參考。由于本研究的數(shù)據(jù)來源涉及跨庫獲取， 所以在影響因素選取時既要考量指標體系的科學性與可獲取性， 又要考慮數(shù)據(jù)跨庫指標體系間的關聯(lián)性與一致性?；诖耍?本研究對兩大數(shù)據(jù)庫指標體系進行深度對比， 篩選二者高度一致的指標體系， 而后結合相關研究對指標體系去粗取精， 并參考《專利價值分析指標體系操作手冊》對指標體系進行優(yōu)化和提煉， 構建了一個由１０ 個影響因素組成的專利成本影響因素體系。在體系的選取過程中， 既要注意影響因素的可量化性， 又要注意該因素是否可以在一定程度上體現(xiàn)專利成本特點， 結果如表１ 所示。

２.２ 流程二： 專利成本分類模型構建

機器學習是人工智能的一部分， 它由算法組成， 并隨著時間的推移自動改進［２２］ 。在使用機器學習算法進行預測、回歸與分類的過程中， 需要單獨調(diào)用算法并且嘗試多種算法來獲取一個精度最高、誤差最小的算法， 這一過程枯燥且效率不高。ＡｕｔｏＧｌｕｏｎ 是一個開源的Ｐｙｔｈｏｎ 庫， 它可以自動化機器學習的整個過程， 并幫助用戶獲取高精度結果。ＡｕｔｏＧｌｕｏｎ 支持易使用和易擴展的ＡｕｔｏＭＬ， 并專注于涵蓋圖像、文本或表格數(shù)據(jù)的深度學習和實際應用。在研究過程中， 本研究調(diào)用的是ＡｕｔｏＧｌｕｏｎ 的表格預測功能， 只需通過調(diào)用ｆｉｔ（）， 就可以在標準監(jiān)督學習任務（分類和回歸）中實現(xiàn)高精度， 而無需處理數(shù)據(jù)清理、特征工程、超參數(shù)優(yōu)化、模型選擇等繁瑣問題， 從而大幅度提升研究效率［２３］ 。

２.３ 流程三： 專利價值指數(shù)指標體系構建

本研究所提出的專利價值指數(shù)是專利價值評估中專利價值度的體現(xiàn)方式之一， 該指數(shù)基于專利價值評估指標體系， 并運用熵權Ｔｏｐｓｉｓ 結合專利價值評估指標體系進行系列運算獲取， 本研究將其融入成本法計算中從而衡量專利的市場價值。隨著國家知識產(chǎn)權局會同中國人民銀行、國家金融監(jiān)督管理總局組織編制的推薦性國家標準《專利評估指引》（國家標準編號ＧＢ／ Ｔ４２７４８－２０２３， 以下簡稱《指引》）于２０２３ 年９ 月１ 日起實施［２４］ ， 《指引》提供了專利評估的基礎性方法工具， 有利于引導各方把握專利的制度特點和運用規(guī)律， 實現(xiàn)評估指標更全面、評估方法更科學?！吨敢吩谇捌陂_展試點和廣泛征求意見的基礎上， 構建了一套可擴展、可操作的專利價值分析評估指標體系， 包括一級指標３項， 二級指標１４ 項， 三級指標２７ 項及若干項擴展指標， 促成專利的市場定價和價值實現(xiàn)［２５］ 。其中，一級指標包括法律價值、技術價值、經(jīng)濟價值３ 個層面， 其中法律價值包含４ 個二級指標， 技術價值包含６ 個二級指標， 經(jīng)濟價值包含４ 個二級指標，三級指標是二級指標的拓展， 其包括２７ 項核心指標， 以及若干項擴展指標。核心指標是對專利價值有重要影響的必要性指標； 擴展指標為可選指標，根據(jù)被評專利所屬技術領域、應用場景等選擇使用。核心指標包括１９ 項定量指標和８ 項定性指標， 定量指標通過專利相關的量化指標進行測算， 定性指標通過專家經(jīng)驗進行評價。結合《指引》指標確定規(guī)則與本文數(shù)據(jù)可量化研究范式， 同時結合當前專利數(shù)據(jù)庫數(shù)據(jù)指標特征， 本研究僅對１９ 項定量指標進行分析， 并結合數(shù)據(jù)可得性與可量化要求，構建了包含法律價值、技術價值、經(jīng)濟價值３ 個維度， １６ 個指標的專利價值評估指標體系。專利價值評估指標具體解釋如表２ 所示。

２.４ 流程四： 專利價格預估

成本法又稱重置成本法， 是以當前市場價格為基礎， 評估重新開發(fā)或者購買類似專利技術所需投入的成本， 從而確定被評估專利價值的一種評估方法［３５］ 。成本法的基本思路是重置原則， 以重復專利技術開發(fā)過程中的投入作為重置成本， 然后扣除其貶值因素來確定專利價值。然而， 根據(jù)專利價值的定義， 專利價值是指專利預期可以給其所有者或使用者帶來的利益在現(xiàn)實市場條件下的表現(xiàn)［３６］ ， 那么僅由專利成本與成新率來測算專利價值無法實現(xiàn)“給其所有者或使用者帶來利益” 的特征， 所以本研究引入“專利價值指數(shù)” 對成本法下的專利價值計算公式進行優(yōu)化， 從而在基于專利研發(fā)成本下，表征專利的市場價值。計算公式如式（１） 所示：

專利價值＝重置成本×成新率×（１＋專利價值指數(shù)） （１）

重置成本確定。專利技術重置成本是指在現(xiàn)時市場條件下重新創(chuàng)造或購置一項全新的并與原專利技術功能相同的專利技術所耗費的全部貨幣總額。以重新創(chuàng)造一個與原來專利技術功效相同的專利來說， 其重置成本計算公式如式

所示：專利技術重置成本＝ 專利技術原始成本×評估時物價指數(shù)/購買時物價指數(shù) 購買時物價指數(shù)（２）

觀察２０２３ 年中國居民消費價格指數(shù)（ＣＰＩ）可知［３７］ ， ２０２３ 年１—５ 月的物價指數(shù)分別為［１０２.１，１０１，１００.７，１００.１，１００.２］， 整體波動幅度不大， 而在計算過程中， 本文將“評估時物價指數(shù)” 假定為２０２３ 年１ 月， 則其指數(shù)為“１０２.１”； 將“購買時物價指數(shù)” 假定為專利的申請日期， 并結合中國居民消費價格指數(shù)（ＣＰＩ）依次賦值， 從而完成后續(xù)計算。由于Ｉｎｎｏｇｒａｐｈｙ 數(shù)據(jù)庫中的專利成本均為美元， 在價值預估后需要對其進行轉換， 根據(jù)新浪財經(jīng)統(tǒng)計數(shù)據(jù)可知［３８］ ， ２０２２ 年１ 月１ 日—２０２３ 年６ 月１ 日， 美元對人民幣匯率從６.３６ 上漲到６. ９１，呈現(xiàn)持續(xù)增長態(tài)勢， 基于文章實證分析時間， 本研究選?。玻埃玻?年６ 月１ 日的美元對人民幣匯率６.９１價格預估的美元與人民幣轉換的匯率， 以此來確定專利在國內(nèi)的最終價格。

成新率確定。成新率是反映專利技術先進性和適用性的指標， 它是由專利技術的貶值決定的。在實際評估業(yè)務中， 采用經(jīng)濟壽命損耗計算法綜合得出專利技術尚可使用年限， 然后與專利技術實際使用年限相比較來獲得， 計算公式如式（３） 所示：成新率＝ 尚可使用年限實際使用年限＋尚可使用年限×１００％（３）專利價值指數(shù)確定?；谇拔臉嫿ǖ膶＠麅r值指數(shù)指標體系， 將專利指標數(shù)據(jù)導入到指標體系中，而后運用熵權Ｔｏｐｓｉｓ 對指標體系進行運算， 計算出專利相對接近度， 而后將相對接近度逆向化處理，從而獲取專利價值指數(shù)。具體計算過程如式（４）所示：

成新率＝ 尚可使用年限/實際使用年限＋尚可使用年限×１００％ （３）

專利價值指數(shù)確定?；谇拔臉嫿ǖ膶＠麅r值指數(shù)指標體系， 將專利指標數(shù)據(jù)導入到指標體系中，而后運用熵權Ｔｏｐｓｉｓ 對指標體系進行運算， 計算出專利相對接近度， 而后將相對接近度逆向化處理，從而獲取專利價值指數(shù)。具體計算過程如式（４）

３ 實證分析

３.１ 數(shù)據(jù)來源與處理

隨著運能緊缺與環(huán)境污染情況日益嚴重， 尋找替代能源成為各國（地區(qū)）面臨的主要問題之一， 新能源汽車作為當前解決能源替換與新能源研發(fā)的主要突破口， 逐漸成為未來汽車產(chǎn)業(yè)的重要發(fā)展方向。鼓勵發(fā)展新能源汽車企業(yè)， 加大力度攻克卡脖子技術難關， 不僅可以使我國在未來擺脫對石油的依賴，保障國家能源安全的戰(zhàn)略順利實施， 還可以在“電動化＋智能化” 背景下實現(xiàn)技術彎道超車， 所以說，發(fā)展新能源汽車領域相關技術， 是國家需要， 也是政策支持?；诖耍?為了促進相關領域尤其是新能源汽車領域技術創(chuàng)新度的提升， 加快產(chǎn)學研轉移轉化效率， 從而通過需求導向與利益導向激發(fā)科研人員研究熱情， 本研究將以新能源汽車領域?qū)＠麨檠芯繉ο螅?數(shù)據(jù)來源為Ｉｎｎｏｇｒａｐｈｙ 與Ｉｎｃｏｐａｔ 專利數(shù)據(jù)庫， 檢索式為“ｎｅｗ ｅｎｅｒｇｙ ａｕｔｏｍｏｂｉｌｅ” ＯＲ “ｐｕｒｅ ｅ?ｌｅｃｔｒｉｃ ｖｅｈｉｃｌｅ” ＯＲ “ ｅｌｅｃｔｒｉｃ ｖｅｈｉｃｌｅ” ＯＲ “ ｐｏｗｅｒｂａｔｔｅｒｙ ｏｆ ｅｌｅｃｔｒｉｃ ａｕｔｏｍｏｂｉｌｅ” ＯＲ “ｅｌｅｃｔｒｉｃ ｃａｒ” ＯＲ“ｖｅｈｉｃｌｅ ｂａｔｔｅｒｙ”， 專利法律狀態(tài)為“有效”， 專利類型為中國發(fā)明授權專利和實用新型專利， 公開公告日時間跨度為“２０２２.０１.０１—２０２２.１２.３１”。其中，Ｉｎｎｏｇｒａｐｈｙ 專利數(shù)據(jù)庫下載數(shù)據(jù)總量為２０ ６９１條，刪除影響因素為空值的數(shù)據(jù)， 最終得到６５１０條有效數(shù)據(jù)， 將其劃分為“數(shù)據(jù)訓練集”， 同時根據(jù)８∶２原則， 將“數(shù)據(jù)訓練集” 再次劃分為“模型訓練集” 與“模型測試集”； Ｉｎｃｏｐａｔ 專利數(shù)據(jù)庫下載數(shù)據(jù)總量為１８４３７條， 刪除影響因素為空值的數(shù)據(jù)，最終得到１８ ３１８條有效數(shù)據(jù)， 將其劃分為“數(shù)據(jù)預測集”。

３.２ ＡｕｔｏＧｌｕｏｎ 機器學習分類算法訓練及預測

基于前文構建的ＡｕｔｏＧｌｕｏｎ 機器學習分類算法，本研究將專利數(shù)據(jù)劃分為數(shù)據(jù)訓練集（６ ５１０條）與數(shù)據(jù)預測集（１８ ３１８條）， 在模型訓練的過程中， 將數(shù)據(jù)訓練集的６ ５１０ 條數(shù)據(jù)拆分為數(shù)據(jù)訓練集（５ ２０８條）與數(shù)據(jù)驗證集（１ ３０２條）， 其中訓練集用來構建分類模型， 驗證集用來檢驗模型對未知數(shù)據(jù)的分類能力。需要說明的是， 由于Ｉｎｎｏｇｒａｐｈｙ 專利數(shù)據(jù)庫中導出的專利成本數(shù)據(jù)在相同成本區(qū)間內(nèi)其成本數(shù)據(jù)基本一致， 其最小值為５ ７４６美元， 最大值為２４ ４５０美元， 在１ ０００美元的成本區(qū)間內(nèi)其成本基本上是相同數(shù)值， 如果使用回歸算法進行計算則會存在指標數(shù)值差異過大但成本數(shù)據(jù)相同的狀況， 導致回歸分析誤差過大， 無法進行準確預測。針對這一問題， 本研究將同一價格的專利進行區(qū)間劃分， 具體劃分為［５０００－６０００，６００１－７０００，７００１－８０００，８００１ －９０００，９００１ －１００００，…，２１００１ －２２０００，２２００１－２３０００，２３００１－２４０００，２４００１－２５０００］２０ 類，并將這２０ 類標記成［５０００，６００１，７００１，８００１，…，２１００１，２２００１，２３００１，２４００１］２０ 個標簽， 而后將標簽化處理后的專利數(shù)據(jù)訓練集導入算法進行訓練，ＡｕｔｏＧｌｕｏｎ 集成的單個模型訓練結果如表３ 所示。

由于ＡｕｔｏＧｌｕｏｎ 依賴融合多個無需超參數(shù)搜索的模型， 所以在多個模型集成訓練后其最終準確率（Ａｃｃｕｒａｃｙ）為０ ７３６， 模型預測結果較好， 可以在一定程度對專利成本進行預測。而后將數(shù)據(jù)預測集（１８ ３１８條）導入訓練好的模型中進行預測， 不同價格區(qū)間內(nèi)預測結果如表４ 所示。

３.３ 成本法計算

首先， 根據(jù)成本法的基本計算流程， 計算專利數(shù)據(jù)集每條專利的重置成本。其中專利技術的原始成本已經(jīng)通過ＡｕｔｏＧｌｕｏｎ 機器學習模型預測得出，基于前文的定義， 將“評估時物價指數(shù)” 假定為２０２３ 年１ 月， 則其指數(shù)為“１０２.１”； 將“購買時物價指數(shù)” 假定為專利的申請日期， 并結合中國居民消費價格指數(shù)（ＣＰＩ）依次賦值， 如某一專利的申請日期為２０２２ 年９ 月， 則其物價指數(shù)為“１０２.８”， 而后將數(shù)字帶入公式， 從而完成重置成本的計算。

其次， 計算專利數(shù)據(jù)集中每條專利的成新率。根據(jù)專利法第４２ 條規(guī)定： 發(fā)明專利權的期限為２０年， 實用新型專利權和外觀設計專利權的期限為１０ 年， 均自申請日起計算［３９］ ， 基于該規(guī)定， 本研究分別將采集的發(fā)明授權專利與實用新型專利進行期限賦值， 而后通過申請日與使用期限計算專利的到期日， 通過到期日與公開公告日的差值計算“尚可使用年限”， 通過文獻實證研究日期與公開公告日的差值計算“實際使用年限”， 而后將“尚可使用年限” 與“實際使用年限” 帶入公式， 從而完成成新率的計算。

第三， 計算專利數(shù)據(jù)集中每條專利的專利價值指數(shù)?；谇拔臉嫿ǖ膶＠麅r值指數(shù)指標體系， 并將下載的多指標專利數(shù)據(jù)導入指標體系中， 并基于流程四中的專利價值指數(shù)確定計算流程對專利數(shù)據(jù)集運用熵權Ｔｏｐｓｉｓ 進行計算。根據(jù)熵權Ｔｏｐｓｉｓ 的定義， 最后求得的相對接近度越小， 則說明離最優(yōu)點越近， 所代表的專利價值越大。而本研究需要借助熵權Ｔｏｐｓｉｓ 計算專利的價值指數(shù)， 該指數(shù)需要與專利價值呈現(xiàn)正向相關關系。由此， 本研究結合熵權Ｔｏｐｓｉｓ 相對接近度越小所代表的專利價值越大的性質(zhì)， 對相對接近度進行逆向化處理， 用單位１ 減去相對接近度， 那么得出結果為逆向化相對接近度，且逆向化相對接近度越大， 專利價值越高， 由此完成專利價值指數(shù)的計算。

最后， 將計算獲得的重置成本、成新率與專利價值指數(shù)帶入到專利價值計算公式中， 計算得出專利的價值區(qū)間， 由于訓練數(shù)據(jù)集的來源為Ｉｎｎｏｇｒａ?ｐｈｙ， 其成本數(shù)據(jù)為美元， 所以對結算結果利用美元對人民幣的匯率進行處理， 最終獲取專利的實際價值區(qū)間， 計算結果如表５、表６ 所示。

分析表４ 與表５ 可知， 通過成本法對“新能源汽車” 領域?qū)＠M行價格預測， 預測結果顯示， 這些新興專利雖然面世時間較短， 但是相當一部分專利價格擁有相對較高的市場價格， 該部分專利應該引起利益相關者的高度重視。需要說明的是， 由于前文根據(jù)專利成本數(shù)據(jù)的特點進行了區(qū)間劃分和分類， 所以最終預測的結果也是一個價格區(qū)間。由于專利本身的特殊性， 目前已有的方法還是無法對專利進行準確的定價， 即使有部分研究給出了確定的價格， 但都是通過個別專利價格生成價格擬合曲線進行預測， 其準確性還是有待商榷， 所以說對專利價格進行區(qū)間預測的結果相對比較合理。

３.４ 結果驗證

近年來， 新能源汽車領域發(fā)展持續(xù)迎來重大利好， 國家政策層面依舊延續(xù)免征新能源汽車購置稅政策， 對我國新能源汽車產(chǎn)業(yè)發(fā)展給出了明確的支持信號， 盤活“供需杠桿”， 深度促進新能源汽車領域技術快速發(fā)展， 同時也帶動了一大批“新能源汽車” 領域?qū)＠纳陥笈c授權， 為了提高領域技術轉移轉化效率， 促進領域技術深度發(fā)展， 開展對新能源汽車領域?qū)＠麅r值評估迫在眉睫。為了驗證本研究的科學性與準確性， 擬運用本研究提出的價值評估方法對存在交易價格的專利進行預測， 通過將預測結果與實際交易價格作對比的方式來進行驗證［４０］ 。由于當前國內(nèi)專利交易與專利質(zhì)押融資的實際交易價格數(shù)據(jù)相對較少， 獲取難度較大， 而在某些專利訴訟過程中會產(chǎn)生專利的判賠額度， 判賠額度在一定程度上也可以反映出專利的市場價值?；诖?， 本研究通過Ｉｎｃｏｐａｔ 數(shù)據(jù)庫， 運用數(shù)據(jù)采集階段使用的檢索式進行檢索， 找出存在訴訟事件且法律文書中標明判賠額度的專利數(shù)據(jù)， 而后運用本研究提出的方法對其進行價格預估， 將預估結果與判賠額度作對比， 結果如表７ 所示。

分析表６ 可知， 除了專利“Ｆｕｅｌ ｃｅｌｌ ａｉｒ ｓｕｐｐｌｙｄｅｖｉｃｅ” “Ｌｉｔｈｉｕｍ ｉｏｎ ｂａｔｔｅｒｙ ｐｒｅｓｓｕｒｅ ｄｅｖｉｃｅ” 與“Ｅ?ｌｅｃｔｒｏｄｙｎａｍｉｃ ｂａｌａｎｃｅ ｃａｒ”， 其余專利的判賠額度均在本方法所預估的價格區(qū)間內(nèi)， 觀察專利“Ｆｕｅｌ ｃｅｌｌａｉｒ ｓｕｐｐｌｙ ｄｅｖｉｃｅ” 與“Ｅｌｅｃｔｒｏｄｙｎａｍｉｃ ｂａｌａｎｃｅ ｃａｒ”的預估價值區(qū)間雖然與其判賠額度沒有交集， 但是已經(jīng)相當接近其判賠額度， 進一步驗證了該方法對專利進行價值評估的準確性。但是觀察專利“Ｌｉｔｈｉ?ｕｍ ｉｏｎ ｂａｔｔｅｒｙ ｐｒｅｓｓｕｒｅ ｄｅｖｉｃｅ” 可知， 該方法在預測價格極高專利層面存在一定不足， 這也是后續(xù)研究需要突破的技術難點。

與此同時， 為了更深層次地探討本方法的科學性與合理性， 本研究選取了學界被引次數(shù)較多的專利價值預估相關方法進行對比分析， 分析結果如表８ 所示。

通過對比分析可知， 在指標體系構建層面， 當前專利價值評估的指標體系構建模式多數(shù)為借鑒相關學者研究成果， 并依據(jù)國家知識產(chǎn)權局的《專利價值分析指標體系操作手冊》進行擴展和延伸，在科學性、合理性與適用性層面可能存在欠缺。而本研究所構建的專利價值指數(shù)指標體系則依據(jù)國家知識產(chǎn)權局、中國人民銀行、國家金融監(jiān)督管理總局編制的推薦性國家標準《專利評估指引》構建而成， 每項指標均依據(jù)政策說明形成量化指標， 且所使用的量化指標均在前人研究成果中有所體現(xiàn)，從而使得該指標體系的科學性、合理性與適用性得到進一步提升； 在預估方法層面， 當前多數(shù)專利價值評估的評估方法均采用單一指標計算方法、機器學習深度學習方法或者經(jīng)濟學方法進行計算， 或采用機器學習與指標計算等混合方法進行計算， 對經(jīng)濟學方法尤其是成本法進行混合計算的方法探索較少。而本研究則從該視角入手， 探討機器學習、指標計算、經(jīng)濟學方法與專利價值評估之間的關系，且取得了較好的計算結果； 在預估效果層面， 當前專利價值評估相關研究更多的是針對專利是否為高價值專利進行挖掘， 所獲得的結果均為是否為高價值專利的二維結果， 而部分研究雖然得出了專利的實際價格， 但是一方面其所依據(jù)數(shù)據(jù)支撐有限； 另一方面計算結果存在的誤差較大， 信度效度仍需商榷。而本研究將成本法嵌入到專利價值評估的計算過程中， 并且從Ｉｎｎｏｇｒａｐｈｙ 權威專利數(shù)據(jù)庫獲取成本數(shù)據(jù)， 通過機器學習、指標計算與成本法對專利價值進行測算， 最后得出專利價值區(qū)間， 一方面減少了計算誤差； 另一方面也可以為專利定價給予價值區(qū)間參考， 從而為提升領域?qū)＠D移轉化效率提供實踐參考。

綜上所述， 本研究通過將ＡｕｔｏＧｌｕｏｎ 機器學習算法與成本法相結合并融入專利價值系數(shù)的方式對“新能源汽車” 領域?qū)＠M行了價格預估， 通過預估結果可以看出， 當前新能源汽車領域新興專利的市場價值總體上處于一個較低的水平， 為了提高相關技術的轉移轉化效率， 提升專利市場價值， 相關技術研發(fā)部門應該對上述專利進行全方位的管理與運營。在技術研發(fā)機構層面， 機構知識產(chǎn)權管理部門應構建完備的專利管理體系與運營體系， 力求為科研團隊提供全流程無縫式的專利服務， 從而提升科技團隊的研發(fā)實力， 提升產(chǎn)學研轉化效率。在撰寫技術交底書時， 針對各項指標文本數(shù)據(jù)做到全面扎實， 在增加授權概率的同時保障專利的質(zhì)量與權利保護范圍。對于領域內(nèi)的核心專利， 專利主體的知識產(chǎn)權管理部門應積極擬定專利布局戰(zhàn)略， 通過構建專利保護網(wǎng)等方式來保證技術的獨創(chuàng)性。同時，領域相關部門也應提升科研人員的相關待遇， 從而避免核心人才流失， 導致專利技術被泄露或喪失創(chuàng)新動力； 在領域科研團隊層面， 科研團隊在技術研究時應積極對標領域前沿， 從而保障技術的復雜度與創(chuàng)新性。同時， 科研團隊也應注重團隊構建， 通過積極吸納領域內(nèi)新鮮血液來促進團隊實力的提升，力求研究開發(fā)出更有競爭力且價值更高的產(chǎn)品。由此， 本研究所構建的基于機器學習的成本法專利價值評估方法可以很好地對專利進行市場價格預估，在提升產(chǎn)學研轉化的同時， 可以為轉化價格提供參考， 并有望對領域發(fā)展產(chǎn)生一定的促進作用。

４ 結語

本研究從機器學習與專利成本視角切入， 通過Ｉｎｎｏｇｒａｐｈｙ 數(shù)據(jù)庫與Ｉｎｃｏｐａｔ 數(shù)據(jù)庫下載“新能源汽車” 領域多指標專利數(shù)據(jù)， 提取專利成本影響因素， 并形成專利數(shù)據(jù)訓練集與專利數(shù)據(jù)預測集；構建ＡｕｔｏＧｌｕｏｎ 機器學習分類算法， 將包含成本數(shù)據(jù)的Ｉｎｎｏｇｒａｐｈｙ 專利數(shù)據(jù)訓練集導入模型進行訓練，并將訓練好的模型對Ｉｎｃｏｐａｔ 專利數(shù)據(jù)預測集進行成本預測； 最后使用成本法并結合本研究提出的專利價值指數(shù)對預測結果進行計算， 估算其價格區(qū)間。通過實證分析與結果驗證可知， 本研究所構建的基于機器學習的成本法專利價值評估方法在預測專利價值區(qū)間中具備一定有效性， 能為促進專利價值評估研究和專利轉移轉化定價時間提供參考。

需要說明的是， 本研究在模型構建與訓練時，單一地使用了“新能源汽車” 相關領域?qū)＠麛?shù)據(jù)，數(shù)據(jù)樣本特征不明顯； 在影響因素指標選取與價值系數(shù)評估體系中， 僅構建了包含１０ 個指標的專利成本影響因素體系與構建了包含１６ 個指標的專利價值指數(shù)指標體系， 科學性有待提高； 在分類模型構建與訓練時， 模型精準度尚未達到８０％以上，且在結果驗證時驗證集數(shù)據(jù)量較少， 價格預估的準確性仍需進一步商榷； 同時， 本研究所使用的成本法以攤銷為目的的專利技術評估方法， 這種方法多用在收益額無法預測和市場無法比較情況下的技術轉讓， 準確性較高， 但其起始點是對一種專利技術商品重置成本的估計， 所得結果主要是考察歷史成本及趨勢， 并折成現(xiàn)值表示出來， 它沒有考慮市場需求， 尚未考慮與專利技術相關的產(chǎn)品的市場及經(jīng)濟效益的信息， 因此缺乏對影響專利技術商品價值的市場因素及效益因素的綜合考量。在后續(xù)研究中，將通過擴充專利數(shù)據(jù)樣本， 構建更加科學的價值評估體系與構建更加精準的機器學習分類模型， 并使用更加科學的價值評估手段， 實現(xiàn)對全領域?qū)＠麅r值的精準評估。

（責任編輯： 郭沫含）