专利申请驱动因素研究

发布时间：2020-04-18 00:39

【摘要】： 专利是一个区域科技资产的核心和最富经济价值的部分,专利的拥有量既能反映出该区域科技成果的原始创新能力,又能折射出这些成果的市场应用潜能,它是衡量区域创新能力和综合实力的重要标志之一。如何在区域创新的框架内对专利申请活动进行研究一直受到国内外学者的广泛关注,但是对专利申请驱动因素的研究并没有引起足够的重视。因此,文章选择专利申请的驱动因素作为研究对象,在理论上和实践上都具有重要的意义。文章在国家大力推进专利战略,加强知识产权战略,强化区域创新的大背景下,通过定性和定量相结合的方法深入研究了专利申请驱动因素。在研究的过程中,一方面运用支持向量机(SVM)方法对专利申请驱动因素进行建模,通过P-SVM和微分进化算法的混合模型选取非线性的关键驱动因素,并在负二项分布建模的基础上对关键驱动因素进行评价;另一方面运用实证分析的方法提出了中国专利申请驱动因素的相关假设,通过关系研究和验证性因素分析,研究了这些假设的存在性。文章主要研究内容和创新性成果如下: (1)文章通过对专利申请驱动的研究开发、经济增长、企业战略用途和专利保护程度等因素进行国际比较研究,分析了中国专利申请的驱动因素。文章以区域技术创新理论为核心,以专利申请活动为纽带,分析了中国区域专利技术创新体系的特征,提出了基于区域技术创新的中国专利申请的驱动体系,在专利申请驱动因素选取原则的基础上,分析了专利发展基础、专利发展环境、企业投入、政府投入、产学研联系和外商投资等中国专利申请的驱动因素及其变量。 (2)文章在机器学习和统计学习理论基础上,引入支持向量机回归模型对专利申请进行建模。在支持向量机回归建模过程中纳入了区域经费及人力投入、专利倾向、区域富裕程度和外商投资活动等驱动因素变量,并通过仿真方法对专利申请进行预测。预测的结果一方面显示支持向量机预测方法比人工神经网络和逻辑回归方法有更高的预测精度,另一方面还表明运用支持向量机的方法对中国专利申请驱动因素的建模是可行和有效的,从而文章为处理小样本非线性的回归预测问题提出了一个可行的解决办法。 (3)在通过支持向量机对专利申请建模成功的基础上,文章通过P-SVM和微分进化算法的混合建模对专利申请的关键驱动因素进行选取。在P-SVM建模的过程中对P-SVM的三个参数并行的进行了微分进化算法的优选,成功地选取了专利申请的关键驱动因素变量,如:区域GDP总量,每万人中大专以上学历人数,前期专利拥有总数,二产与三产从业人数之比,RD人员数,企业RD经费占销售收入之比,区域RD总经费支出占GDP比重,大学和科研院所获得企业研究开发经费和人均外商直接投资额等。文章利用选取的关键驱动因素变量进一步对中国区域的专利申请进行预测,数据仿真显示具有良好特征抽取功能的P-SVM方法比核主成分分析的最小二乘支持向量机和岭回归方法具有较高的预测精度和推广能力。试验的研究表明P-SVM建模方法对处理类似专利申请驱动因素非线性回归问题的特征选取是有效的。 (4)基于专利申请的泊松分布评价模型,文章结合中国专利申请数据样本的特征,提出专利申请的负二项分布的评价模型,并运用面板数据对中国东中西部地区专利申请驱动因素进行了评价、分析和讨论。分析结果表明:“区域GDP、前期专利拥有总数、企业RD经费占销售收入之比、RD总经费支出占GDP比重”这四个因素变量对东中西三个地区的专利申请都具有较强的驱动作用;“前期专利拥有总数、企业RD经费占销售收入之比、RD总经费支出占GDP比重”这三个因素变量对东中西三个地区的发明专利申请也具有较强的驱动作用,其他因素在不同地区针对不同的创新程度表现各异。 (5)作为对专利申请驱动因素定量研究的补充,文章对中国专利申请驱动因素进行了实证研究。文章提出了专利申请与驱动因素之间的相关假设,利用各区域的调研数据,对专利申请与驱动因素之间的关系进行验证性因素分析,分析结果表示东部地区支持假设体系,中西部地区部分支持假设体系。文章针对中西部地区实证结论进行讨论,从专利发展的意识、法律环境、专利技术市场、自主知识产权及专利生命周期过程等方面提出了中西部地区专利发展、区域创新能力提高的对策建议。文章研究成果在一定程度上解决了专利申请驱动因素的非线性建模、特征抽取及评价的问题,为处理类似专利申请驱动因素非线性回归问题提供了更加广阔的空间。
【图文】：

示意图,论文分析,专利申请,数据来源

....图2一1论文分析所需专利申请数据来源示意图2.2技术创新与专利西方学者在技术创新研究方面所做的工作基本上是围绕着两个方向进行:一是以索罗 (RobertSofow)为代表的新古典学派努力将技术进步纳入到新古典经济学的理论框架中，其结果就是经济增长理论以及新经济增长理论;二是以美国经济学家施穆克勒 (J.schmookie)、罗森伯格伽.Rosenberg)和英国经济学家Freeman为代表的新熊彼特学派，侧重研究科技进步与经济结合的方式、途径、机制以及影响因素等，其突出特点是经验研究和安全分析11531[，54][155]。他们秉承经济分析的熊彼特传统，强调技术创新和技术变革在经济增长中的核心作用，承认企业家是技术创新的主要推动力，承认经济结构对技术创新的促进作用，认为创新总是以一种演进的方式重新塑造由它所产生的市场结构。几十年来，国内外学者对技术创新的研究经历了从“部分”到“系统”的过程，对技术创新的理解也从狭义的解释趋于广义，先后提出了数十种技术创新定义。总体看来，国内外学者给出的众多技术创新定义主要从两个方面进行探讨:一是从过程的角度理解技术创新，不同阶段应包含哪几个环节;二是从要素组合的角度界定技术创新，视之为创新资源的组合。顺应技术创新与制度创新两支流分久欲合之势，对技术创新的理解也逐渐呈现出三个方面{l5611，”脚sl[

比较图,支持向量,支持向量机,比较图

选出的支持特征来确定最优分类器。这样，就使得支持向量机的训练过程与特征选取过程有机统一起来，被选为支持特征的变量自然就是分类中使用的特征，否则将作为与分类相关度不高的特征而被剔除，具体如图4一2(b)所示，特征3、6被选为支持特征，在分类过程中参与计算，而其他特征则不参与分类计算过程。另外，这样也使得多个样本以一个矩阵的形式参与训练，从而使得支持向量机模型可以处理以矩阵形式所表示的数据。样本l样本2样本3样本4样本5样本6样本7样本1样本2样本3样本4样本5样本6样本7特征l特征2特征3特征4特征5特征6特征7特征l特征2特征3特征4特征5特征6特征7 XXXllllXIJJJXIJJJXl才才 XIJJJXl‘‘ XI777 -----..............日 ......刀刀矛矛 .......工习习 X” ” ...目如如 .................... XXX刀刀刀刀 X翔翔 X乃乃乃乃支持特征l支持特征2支持向tl支持向tZ支持向量3(a)标准支持向量机支持向量选取伪)P一sVM支持特征选取图4一2标准支持向量机与P一SVM支持向量(特征)选取比较图4.2基于P一SVM的关键因素选取的建模对中国专利申请的关键驱动因素选取进行建模，首先需要对中国专利申请进行p一sVM回归建模，在回归建模的过程中同时进行关键因素的选取或特征选取。4.2.IP一SVM目标函数的选择在训练过程中，，保持分类间隔P恒定
【学位授予单位】：合肥工业大学
【学位级别】：博士
【学位授予年份】：2008
【分类号】：F204;F224

【引证文献】