基于ERGM的科技主體間專利技術(shù)交易機會實證研究

何喜軍，董艷波，武玉英，蔣國瑞

(北京工業(yè)大學(xué)　經(jīng)濟與管理學(xué)院，北京　100124)

一、引言

十九大報告提出創(chuàng)新是引領(lǐng)發(fā)展的第一動力，并強調(diào)要深化科技體制改革，促進科技成果轉(zhuǎn)化。而加快建設(shè)創(chuàng)新型國家戰(zhàn)略的進程中，創(chuàng)新能力不足已成為我國經(jīng)濟增長的主要掣肘[1]，一方面關(guān)鍵核心技術(shù)依然未擺脫進口依賴，另一方面產(chǎn)業(yè)轉(zhuǎn)型及產(chǎn)品提質(zhì)增效的關(guān)鍵技術(shù)需求得不到有效滿足。究其原因為科技創(chuàng)新供給不足，包括科技創(chuàng)新主體的有效技術(shù)供給不足，以及有效技術(shù)供給轉(zhuǎn)化應(yīng)用不足。目前我國科技成果轉(zhuǎn)化率25%左右，與發(fā)達國家的50%-70%、美國的80%相比，科技進步對經(jīng)濟貢獻率相對較低[2]。2017年，國務(wù)院印發(fā)《國家技術(shù)轉(zhuǎn)移體系建設(shè)方案》提出，要推動形成緊密互動的技術(shù)轉(zhuǎn)移網(wǎng)絡(luò)，到2020年初步形成互聯(lián)互通的技術(shù)市場。

專利技術(shù)是反映產(chǎn)業(yè)技術(shù)創(chuàng)新能力的重要指標[3]。2016年世界知識產(chǎn)權(quán)組織(WIPO)發(fā)布《世界知識產(chǎn)權(quán)指標》顯示：2015年，中國發(fā)明專利申請數(shù)量超過美國(58.94萬件)和日本(31.87萬件)之和，高達110萬件，專利大國的格局基本形成。但2015年全球提交的PCT專利申請21.72萬件，其中中國PCT專利申請量僅為2.98萬件，美日兩國分別為5.69萬件和4.41萬件。同時，中技所《2015年中國專利申請及交易情況分析報告》顯示：230萬的專利申請中，交易總量僅16萬，比例不足7%。眾多研究得出影響專利技術(shù)轉(zhuǎn)化的因素主要包括：質(zhì)量不高[4]、缺乏專利估值機構(gòu)[5]、專利技術(shù)供給與實際產(chǎn)業(yè)需求存在錯配[6-7]、專利市場中供需信息不對稱[8]等。為應(yīng)對專利技術(shù)供需不對稱、不匹配等問題，本文將大數(shù)據(jù)分析、文本挖掘與復(fù)雜網(wǎng)絡(luò)方法相結(jié)合，采集專利交易數(shù)據(jù)，構(gòu)建科技主體間專利技術(shù)交易網(wǎng)絡(luò)，預(yù)測主體間技術(shù)交易機會，并以新能源領(lǐng)域為例開展實證研究，對提高領(lǐng)域技術(shù)供需對接，加速專利成果擴散與應(yīng)用，具有重要的實踐價值。

二、文獻綜述

(一)科技主體間專利技術(shù)交易的動因及預(yù)測研究

已有研究主要聚焦于科技主體間合作動因及預(yù)測，第一，研究個體屬性如：企業(yè)吸收能力、企業(yè)規(guī)模、企業(yè)研發(fā)戰(zhàn)略開放度[9]，企業(yè)社會資本[10]對科技合作的影響；第二，研究關(guān)系屬性如：合作伙伴知識共享、地理鄰近性[11]，企業(yè)間信任[12]等對研發(fā)協(xié)同的影響；第三，研究結(jié)構(gòu)屬性如：網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)效應(yīng)[13]對網(wǎng)絡(luò)合作關(guān)系形成的影響。上述研究均從單一視角研究影響主體間合作的動因，預(yù)測精度較低[14]，因此，融合節(jié)點屬性與網(wǎng)絡(luò)結(jié)構(gòu)的鏈接預(yù)測快速發(fā)展[15-16]，例如基于概率模型的鏈接預(yù)測，綜合考慮了網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點屬性信息，預(yù)測精度較高，但計算復(fù)雜度及非普適性的參數(shù)使其應(yīng)用范圍受到限制。

(二)基于ERGM的鏈接預(yù)測研究

由Pattison D P 等[17]提出的指數(shù)隨機圖模型(ERGM，exponential random graph model)可以綜合考慮網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)和網(wǎng)絡(luò)中行動者關(guān)系等外生因素，不需要概率模型所必須的完整訓(xùn)練集，多用于研究網(wǎng)絡(luò)形成與演化動因[18]，同時綜合考慮多因素建模的方法與基于決策樹[19]、支持向量機[20]等相比，能夠較好地預(yù)測未來鏈接的概率。目前國內(nèi)應(yīng)用ERGM進行網(wǎng)絡(luò)關(guān)系預(yù)測的研究主要集中于：基于微博的關(guān)系推薦[21]，基于情感相似度的社會化推薦[22]。國外應(yīng)用ERGM開展鏈接預(yù)測的成果包括：Robbins[23]借助泊松回歸及ERGM預(yù)測競爭合作網(wǎng)絡(luò)中權(quán)利產(chǎn)生對網(wǎng)絡(luò)結(jié)構(gòu)與地域流動性的依賴。Relun等[24]利用ERGM，考慮地理及人口統(tǒng)計等外生變量及內(nèi)生網(wǎng)絡(luò)結(jié)構(gòu)變量預(yù)測歐洲不同生產(chǎn)系統(tǒng)中的豬交易。Chrobot[25]基于ERGM預(yù)測公司與團隊中重要的領(lǐng)導(dǎo)關(guān)系存在與否。

綜上，本文構(gòu)建新能源領(lǐng)域科技主體間專利技術(shù)交易網(wǎng)絡(luò)，從網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)、科技主體間關(guān)系屬性、個體屬性等多維度提出影響專利技術(shù)交易的假設(shè)變量，建立ERGM模型，預(yù)測科技主體間專利技術(shù)交易機會。其優(yōu)勢在于：第一，綜合考慮交易網(wǎng)絡(luò)中節(jié)點屬性、關(guān)系屬性及結(jié)構(gòu)特征對交易形成的影響；第二，將傳統(tǒng)鏈接預(yù)測指標融入ERGM；第三，將已有鏈接預(yù)測中難以融合的節(jié)點內(nèi)容相似性引入ERGM。

三、ERGM鏈接預(yù)測模型

(一)ERGM構(gòu)建及擬合

首先提出影響技術(shù)交易形成的假設(shè)變量并構(gòu)建ERGM模型；然后運用蒙特卡洛-馬爾可夫最大似然估計方法對ERGM進行擬合和變量參數(shù)估計，通過對比赤池信息準則(AIC)與貝葉斯信息準則(BIC)評估模型與真實網(wǎng)絡(luò)的擬合度，選擇最優(yōu)模型，兩值越小說明模型綜合程度上越貼近觀測網(wǎng)絡(luò)[26]。采用最優(yōu)擬合優(yōu)度(goodness of fit，縮寫Gof)對比基于最優(yōu)模型生成的網(wǎng)絡(luò)與觀測網(wǎng)絡(luò)的匹配性。采用R語言的Statnet[27]進行模型處理。ERGM的一般表達形式如下：

(1)

(二)基于ERGM擬合的鏈接概率預(yù)測

(2)

就推導(dǎo)出基于θA和構(gòu)造變化統(tǒng)計量Δ(y)ij，yij發(fā)生變化時的條件概率。

(三)ERGM鏈接預(yù)測精度評價

采用ARC與AUC評估預(yù)測精度。針對稀疏網(wǎng)絡(luò)，本文采取leave-one-out法進行模型訓(xùn)練[28]。即每次從觀測網(wǎng)絡(luò)中選取一條邊作為測試集，設(shè)置為未鏈接，并預(yù)測其出現(xiàn)的可能性。用Ranking Score對其預(yù)測效果進行評價，公式為：

RankSkl=rkl/H

(3)

H表示觀測網(wǎng)絡(luò)中未鏈接邊的總數(shù)(含測試邊)，rkl表示測試邊對應(yīng)的主體k與主體l之間產(chǎn)生鏈接的概率在H中所有邊的概率的排名。RankSkl值越小表示測試邊被成功預(yù)測的概率越大；對網(wǎng)絡(luò)中的M條邊重復(fù)上述操作，得到M個RankS的值；將M個RankS值按式(4)求其平均值作為預(yù)測精度，值越小，代表模型的預(yù)測精度越高。

ARC=(∑RankSkl)/M

(4)

AUC的值：從觀測網(wǎng)絡(luò)的測試集中隨機選取一條邊，預(yù)測其鏈接概率為Pkl,再從不存在鏈接的邊中隨機選取一條，預(yù)測其鏈接概率為Pij，若Pkl大于Pij，則加1分；若相等，則加0.5分，則：

(5)

其中n′為測試集中邊的鏈接概率大于不存在邊的鏈接概率的次數(shù)，n＂為兩者概率相等的次數(shù)，n為比較的總次數(shù)。

四、基于ERGM的科技主體間專利技術(shù)交易機會實證研究

(一)數(shù)據(jù)獲取與網(wǎng)絡(luò)構(gòu)建

以新能源領(lǐng)域為例，通過查閱文獻并閱讀1500余篇領(lǐng)域?qū)＠麡?gòu)建檢索表達式。從Incopat專利數(shù)據(jù)庫檢索2012-2016年專利技術(shù)交易信息，利用Python獲取交易記錄。剔除交易主體含個人及主體重復(fù)的記錄，并針對同一交易中多主體進行拆分(見表1)。共得到6437個主體，交易頻次9591；為縮小網(wǎng)絡(luò)規(guī)模提高研究價值，論文篩選了5年中交易次數(shù)大于等于10次的243個主體構(gòu)建交易網(wǎng)絡(luò)，交易頻次為2955。

表1　多主體間專利交易拆分規(guī)則

注：A、B、C分別為交易主體。

243個主體中企業(yè)183家，占比75%，高校和科研院所60家，占比25%；2955次交易中，企業(yè)間的交易頻次約占總頻次的62%，企業(yè)與高校和科研院所間的交易頻次約占32%，說明企業(yè)間更易發(fā)生專利交易。此外243個主體共分布在中國24個省市，按照經(jīng)濟圈劃分長三角、珠三角、環(huán)渤海、其他區(qū)域，各區(qū)域主體數(shù)占比依次為：珠三角：19.75%；長三角：31.69%；環(huán)渤海：32.10%；其他：16.46%，說明在新能源技術(shù)領(lǐng)域，環(huán)渤海和長三角區(qū)域的技術(shù)供需主體較多，技術(shù)優(yōu)勢和產(chǎn)業(yè)優(yōu)勢較明顯。

用向量V=[vi](i=1,2,...n)表示網(wǎng)絡(luò)中交易主體集合，用鄰接矩陣E=[ai,j]表示主體間專利技術(shù)交易關(guān)系，如果主體vi和vj間發(fā)生交易行為，則ai,j=1，否則ai,j=0。用權(quán)重矩陣W=[wi,j]表示vi與vj之間2012-2016年進行專利交易的頻次，從而由V,E,W共同組成科技主體間專利技術(shù)交易網(wǎng)絡(luò)(無向加權(quán)網(wǎng))。

(二)網(wǎng)絡(luò)結(jié)構(gòu)特征分析

1.集聚性：利用Gephi計算出網(wǎng)絡(luò)平均聚類系數(shù)為0.755，平均路徑長度2.308，說明網(wǎng)絡(luò)具有集聚性和小世界性特征。

3.社團性：利用Gephi進行模塊劃分得出模塊度為0.734，說明網(wǎng)絡(luò)具有較強的社團性。

(三)ERGM假設(shè)變量選取

鏈接預(yù)測的基本假設(shè)即主體間相似度越高，越容易發(fā)生鏈接。本文在已有研究基礎(chǔ)上將假設(shè)變量分為三部分：一是網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)屬性，包括網(wǎng)絡(luò)的邊和幾何權(quán)重維度。二是網(wǎng)絡(luò)節(jié)點屬性，包括節(jié)點參與技術(shù)交易的開放度(用與該節(jié)點發(fā)生交易行為的主體數(shù)量度量)、節(jié)點區(qū)域性(節(jié)點所在省份)。三是節(jié)點關(guān)系協(xié)變量，包括節(jié)點間專利內(nèi)容相似度(分別以各主體間IPC相似度與專利內(nèi)容語義相似度度量)、基于結(jié)構(gòu)的節(jié)點相似度(選取傳統(tǒng)鏈接預(yù)測中的JC、RA、CN、AA4個指標)。部分指標測算及含義如表2所示。ERGM中各變量說明及表達式如表3所示。

表2　假設(shè)變量說明

表3　ERGM變量及表達式

(四)ERGM擬合

ERGM擬合是鏈接預(yù)測的前提，為得到最佳參數(shù)估計值，采用逐步添加變量的方式進行模型優(yōu)化，分別探討不同變量組合的ERGM擬合參數(shù)估計值及擬合效果(見表4)。

表4　技術(shù)交易網(wǎng)絡(luò)ERGM擬合過程

通過表4發(fā)現(xiàn)Model5的AIC與BIC最小，擬合效果較好。再采用Gof檢驗對比生成網(wǎng)絡(luò)與觀測網(wǎng)絡(luò)參數(shù)的具體擬合結(jié)果，選取edge-wise shared partners與degree的擬合分布進行匹配性檢驗，如圖1所示。圖1中實線為觀測網(wǎng)絡(luò)的統(tǒng)計值，小方形圖為ERGM生成網(wǎng)絡(luò)統(tǒng)計值，包含最大值、最小值及均值，實線若位于小方形均值附近，表明模型與觀測網(wǎng)絡(luò)的擬合效果良好。后續(xù)將基于Model5進行模型預(yù)測精度評價及未知邊的概率預(yù)測。

圖1　Model5中edge-wise shared partners 和degree的Gof擬合檢驗

(五)ERGM預(yù)測精度評價

根據(jù)3.2節(jié)公式及步驟，每次選取觀測網(wǎng)絡(luò)中已存在鏈接的404條邊中的403條作為訓(xùn)練集，1條作為測試集，并與實際未鏈接的28999條邊的鏈接概率進行比較，計算AUC與ARC。將所得結(jié)果與傳統(tǒng)鏈接預(yù)測中CN、AA、RA、JC指標的預(yù)測結(jié)果對比，如表5所示。

表5　ERGM鏈接預(yù)測精度及對比

由表5可得：相比傳統(tǒng)鏈接預(yù)測的4個模型，ERGM的ARC最小，AUC最大，反映出融合節(jié)點內(nèi)容相似屬性、結(jié)構(gòu)相似屬性、網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)及節(jié)點屬性后的ERGM之預(yù)測結(jié)果明顯提高。

(六)科技主體間專利技術(shù)交易機會

依據(jù)Model5中各變量的最大參數(shù)估計值(見表4)，根據(jù)公式(2)計算觀測網(wǎng)絡(luò)中28999條未知鏈接的鏈接概率，依據(jù)概率排名選取前30位的可能發(fā)生專利技術(shù)交易的主體對，并進一步對主體對間的關(guān)系進行分析(見表6)。

結(jié)合表6發(fā)現(xiàn)：在新能源領(lǐng)域?qū)＠夹g(shù)交易網(wǎng)絡(luò)中，可以挖掘出多對主體，其發(fā)生專利交易的可能性較高。其中1/3的主體對之間屬于集團公司與子公司的緊密關(guān)系，但近5年此類主體間專利交易行為不活躍，其原因為：第一，雙方專利交易出于公司戰(zhàn)略需求，或者交易中涉及了兼并、收購等行為，不主動披露交易信息，導(dǎo)致現(xiàn)有交易數(shù)據(jù)無法全面反映集團公司與子公司間的專利交易行為，而給出較高的交易機會預(yù)測；第二，基于企業(yè)集團專利管理模式，企業(yè)集團內(nèi)部可能存在不同法人之間的專利轉(zhuǎn)讓，但可能會存在法律風險，因此針對此類主體對，需要深入分析其專利交易現(xiàn)狀及方式，完善專利技術(shù)交易原始數(shù)據(jù)，提高機會預(yù)測的準確性；另外2/3的主體對中65%的交易機會都是圍繞國家電網(wǎng)公司及其直屬科研單位中國電力科學(xué)研究院而形成，兩個單位在專利交易網(wǎng)絡(luò)中的節(jié)點強度排名前2位，說明其處于該領(lǐng)域?qū)＠夹g(shù)的集聚中心；該結(jié)果將為技術(shù)供需主體間的交易及合作提供決策支持。

表6　未來鏈接預(yù)測結(jié)果(TOP30)

五、結(jié)論與管理啟示

本文建立科技主體間專利技術(shù)交易網(wǎng)絡(luò)，綜合考慮網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)、節(jié)點間內(nèi)容相似度與結(jié)構(gòu)相似度以及節(jié)點屬性對交易形成的影響。構(gòu)建ERGM模型，對科技主體間交易機會進行預(yù)測。通過新能源領(lǐng)域?qū)嵶C分析，并與傳統(tǒng)鏈接預(yù)測結(jié)果對比，得出ERGM預(yù)測精度明顯提高；預(yù)測結(jié)果為新能源領(lǐng)域?qū)＠夹g(shù)交易推薦及主體對接提供決策支撐。

新能源領(lǐng)域?qū)＠夹g(shù)交易網(wǎng)絡(luò)是技術(shù)鏈、供需鏈、產(chǎn)業(yè)鏈、企業(yè)鏈融合的有效組織模式，以此為載體，開展供需主體間交易機會預(yù)測，對能源領(lǐng)域技術(shù)研發(fā)、供需對接具有引導(dǎo)作用。那么，如何在政策鏈上進行創(chuàng)新以推動技術(shù)交易機會實現(xiàn)，提出如下思考：

(1)整合技術(shù)交易大數(shù)據(jù)，推動互聯(lián)互通的技術(shù)轉(zhuǎn)移平臺建設(shè)，規(guī)范供需信息發(fā)布標準，提高信息共享。目前在技術(shù)交易管理部門登記的線下技術(shù)交易合同信息數(shù)量達百萬級，且基于互聯(lián)網(wǎng)的線上技術(shù)交易快速發(fā)展，2016年，全國技術(shù)合同成交額首次突破1萬億元，其中“科易寶”線上技術(shù)成果交易量達2126萬項，交易額達93084萬元，同比增長377.84%。但技術(shù)交易線上線下信息未實現(xiàn)共享，分散建設(shè)的基于互聯(lián)網(wǎng)的技術(shù)交易平臺未進行有效對接，在一定程度上阻礙了技術(shù)供需信息共享和科技主體有效對接。因此，采用大數(shù)據(jù)分析方法，整合技術(shù)交易多源異構(gòu)數(shù)據(jù)，規(guī)范技術(shù)供需信息發(fā)布標準，對實現(xiàn)技術(shù)供需信息共享、準確匹配，加速互聯(lián)互通的技術(shù)市場平臺建設(shè)具有重要推動作用。

(2)加快產(chǎn)業(yè)聯(lián)盟建設(shè)，提高關(guān)鍵技術(shù)創(chuàng)新能力并促進技術(shù)成果輻射共享。技術(shù)創(chuàng)新與關(guān)鍵技術(shù)突破不僅需要金融資本支撐，還具有較大風險，單獨一家企業(yè)很難擁有關(guān)鍵技術(shù)突破所必須的全部資源和能力，因此，加快產(chǎn)業(yè)聯(lián)盟建設(shè)，對技術(shù)攻關(guān)與成果輻射共享具有重要作用，例如：國電和神華兩大集團的重組，首先能夠解決電力產(chǎn)業(yè)鏈上下游之間的供需矛盾；其次能夠充分發(fā)揮二者之間的協(xié)同效應(yīng)，實現(xiàn)優(yōu)勢互補、資源共享；第三，對產(chǎn)業(yè)鏈上關(guān)鍵核心技術(shù)的聯(lián)合研發(fā)，以及雙方現(xiàn)有核心技術(shù)的共享與交易許可等提供更多機會。目前中國新能源產(chǎn)業(yè)聯(lián)盟的實踐還處于起步階段[29]。

(3)依托創(chuàng)新創(chuàng)業(yè)行動計劃，鼓勵高校、科研院所以及大型企業(yè)搭建開放性創(chuàng)新平臺，促進技術(shù)轉(zhuǎn)移?！笆濉币?guī)劃提出要實施“雙創(chuàng)”行動計劃，依托此計劃，一方面要加強各科研機構(gòu)技術(shù)信息資源整合，向企業(yè)開放專利及技術(shù)資源和科研基地；另一方面鼓勵大型企業(yè)建立技術(shù)轉(zhuǎn)移服務(wù)平臺，推動大中小企業(yè)跨界融合，服務(wù)中小微企業(yè)技術(shù)創(chuàng)新需求。目前，海爾集團就建立了全球資源和用戶參與的創(chuàng)新生態(tài)系統(tǒng)，讓技術(shù)供需雙方零距離對接，為技術(shù)持有者尋找合適的客戶、為技術(shù)需求者嫁接技術(shù)解決方案。第三，依托互聯(lián)網(wǎng)拓寬技術(shù)市場資源、社會需求與創(chuàng)業(yè)創(chuàng)新對接通道。

(4)加快設(shè)立社會化技術(shù)轉(zhuǎn)移機構(gòu)，引導(dǎo)專業(yè)人員從事技術(shù)轉(zhuǎn)移轉(zhuǎn)化服務(wù)。一方面，鼓勵高校和科研院所建設(shè)技術(shù)轉(zhuǎn)移機構(gòu)，加快技術(shù)成果轉(zhuǎn)移轉(zhuǎn)化；鼓勵各類中介機構(gòu)為技術(shù)轉(zhuǎn)移提供專業(yè)服務(wù)，例如：技術(shù)資產(chǎn)評估、供需匹配評估、應(yīng)用轉(zhuǎn)化風險評估等。另一方面引導(dǎo)專業(yè)人員從事技術(shù)轉(zhuǎn)移轉(zhuǎn)化服務(wù)，尤其鼓勵高校和科研院所的研究人員，要密切關(guān)注社會經(jīng)濟發(fā)展中的重大技術(shù)需求以及企業(yè)轉(zhuǎn)型升級中的技術(shù)難題，避免技術(shù)成果束之高閣。

(5)深化產(chǎn)學(xué)研合作，加快PCT專利國際化戰(zhàn)略布局，提升專利技術(shù)質(zhì)量及產(chǎn)業(yè)化水平。要充分借鑒美國、日本的經(jīng)驗，深化產(chǎn)學(xué)研合作，如針對高校和科研院所，發(fā)展其衍生企業(yè)，尋找戰(zhàn)略合作伙伴。例如：清華大學(xué)通過實施與企業(yè)尤其是鴻海精密工業(yè)股份有限公司的深度科研合作和共贏的專利戰(zhàn)略，在美國進行布局并取得成效[30]。從而使得專利技術(shù)在研發(fā)的初期就具有產(chǎn)業(yè)化的基礎(chǔ)。另一方面，要圍繞優(yōu)勢產(chǎn)業(yè)和關(guān)鍵特色技術(shù)領(lǐng)域，加快PCT專利申請，提高知識產(chǎn)權(quán)領(lǐng)域的國際話語權(quán)。切實將高校、企業(yè)等科技主體的研發(fā)活動與市場的需求緊密結(jié)合，將科技主體的研發(fā)能力提升與國際競爭力拓展相結(jié)合。

(6)不斷完善法律制度，充分調(diào)動中小企業(yè)參與技術(shù)轉(zhuǎn)移的積極性。中國企業(yè)中90%以上是中小企業(yè)，是未來產(chǎn)業(yè)創(chuàng)新發(fā)展的重要主體，因此要不斷完善并優(yōu)化法律制度，逐步健全對中小企業(yè)技術(shù)創(chuàng)新的政策和制度保障。在此方面要充分借鑒國外經(jīng)驗，例如：美國《小型企業(yè)法案》規(guī)定：研發(fā)預(yù)算超過1億美元的聯(lián)邦機構(gòu)必須參與小企業(yè)創(chuàng)新研究計劃，并將不低于研發(fā)預(yù)算的3.2%(2017年最新數(shù)據(jù))授予參與研發(fā)的小企業(yè)。此外聯(lián)邦政府每年投入約10億美元專門用于支持中小企業(yè)創(chuàng)新研究與技術(shù)轉(zhuǎn)移[31]，通過立法明確聯(lián)邦政府有關(guān)部門和機構(gòu)的技術(shù)轉(zhuǎn)移職能，并提高中小企業(yè)參與技術(shù)創(chuàng)新和技術(shù)轉(zhuǎn)移的積極性。

參考文獻：

[1]趙志耘. 以科技創(chuàng)新引領(lǐng)供給側(cè)結(jié)構(gòu)性改革[J].中國軟科學(xué), 2016(9): 1-6.

[2]吳衛(wèi)紅, 董誠, 彭潔, 等. 美國促進科技成果轉(zhuǎn)化的制度體系解析[J]. 科技管理研究, 2015(14): 16-20.

[3]余紹山, 賀正楚, 張蜜, 等. 再生有色金屬產(chǎn)業(yè)技術(shù)專利狀況及發(fā)展對策研究[J].中國軟科學(xué), 2015(3): 41-55.

[4]孫玉濤, 欒倩. 專利質(zhì)量測度“三階段-兩維度”模型及實證研究—以C9聯(lián)盟高校為例[J]. 科學(xué)學(xué)與科學(xué)技術(shù)管理, 2016, 37(6): 23-32.

[5]張宇青. 我國“專利沉睡”之困與治理研究[J]. 科學(xué)管理研究, 2013, 31(4): 50-53.

[6]薛偉賢, 田鵬, 孫姝羽. 戰(zhàn)略性新興產(chǎn)業(yè)技術(shù)供需協(xié)同研究: 以陜西為例[J]. 科研管理, 2016, 37(4): 507-516.

[7]王瑞敏, 騰青, 盧斐斐. 影響高校專利轉(zhuǎn)化的因素分析和對策研究[J]. 科研管理, 2013, 34(3): 137-144.

[8]唐要家, 孫路. 專利轉(zhuǎn)化中“專利沉睡”及其治理分析[J]. 中國軟科學(xué), 2006(8): 73-78.

[9]樊霞, 趙丹萍, 何悅. 企業(yè)產(chǎn)學(xué)研合作的創(chuàng)新效率及其影響因素研究[J]. 科研管理, 2012, 33(2): 33-39.

[10]熊捷, 孫道銀. 企業(yè)社會資本、技術(shù)知識獲取與產(chǎn)品創(chuàng)新績效關(guān)系研究[J]. 管理評論, 2017, 29(5): 23-39.

[11]楊穎, 李宇嘯. 研發(fā)協(xié)同的影響因素和績效評價: 文獻綜述[J]. 科研管理, 2017, 38(S1): 543-549.

[12]陳曉峰. 關(guān)系資源對集群企業(yè)間合作績效的影響研究[J]. 科研管理, 2017, 38(6): 59-66.

[13]葉春霞. 企業(yè)專利合作網(wǎng)絡(luò)演化的形成影響因素研究[D]. 武漢: 華中科技大學(xué), 2014.

[14]吳夢蝶, 唐雁. 基于主題模型的有向社交網(wǎng)絡(luò)鏈接預(yù)測方法[J]. 西南大學(xué)學(xué)報, 2014, 36(1): 152-158.

[15]HE Yu Lin, LIU J N K, HU Yan Xing, et al. OWA operator based link prediction ensemble for social network [J].Expert Systems with Applications, 2015, 42(1): 21-50.

[16]BLISS C A, FRANK M R, DANFORTH C M, et al. An evolutionary algorithm approach to link prediction in dynamic social networks [J].Journal of Computational Science, 2014, 5(5): 750-764.

[17]PATTISON D P, WASSERMAN S. Logit models and logistic regressions for social networks: II. Multivariate relations [J].British Journal of Mathematical and Statistical Psychology, 1999, 61(2): 401-425.

[18]LUSHER D, KOSKINEN J, ROBINS G. Exponential random graph models for social networks: Theory, methods and applications [M]. Cambridge: Cambridge University Press, 2012.

[19]李玉華, 肖海嶺, 李棟才, 等. 基于鏈接重要性的動態(tài)鏈接預(yù)測方法研究[J]. 計算機研究與發(fā)展, 2011, 48(S3): 40-46.

[20]SHIBATA N, KAJIKAWA Y, SAKATA I. Link prediction in citation networks [J]. Journal of the American Society for Information Science and Technology, 2012, 63(1): 78-85.

[21]ZHANG Chuang, ZHAI Bing Yu, WU Ming. Link prediction of community in Microblog based on exponential random graph model [C].//16th International Symposium on Wireless Personal Multimedia Communications (WPMC). Atlantic: IEEE PRESS, 2013, 6983(6): 1-6.

[22]楊東輝. 基于情感相似度的社會化推薦系統(tǒng)研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué)，2014.

[23]ROBBINS B, WELSER H T, GRIGORYEVA M, et al. Power-use in cooperative competition: A power-dependence model and an empirical test of network structure and geographic mobility [J]. Social Science Research, 2014, 45: 131-151.

[24]RELUN A, GROSBOIS V, ALEXANDROV T, et al. Prediction of pig trade movements in different European production systems using exponential random graph models [J]. Frontiers in Veterinary Science, 2017, 4: 1-12.

[25]CHROBOT-MASON D, GERBASI A, CULLEN-LESTER K L. Predicting leadership relationships: The importance of collective identity [J]. Leadership Quarterly, 2016, 27(2): 298-311.

[26]SCOTT T A. Analyzing policy networks using valued exponential random graph models: Do government-sponsored collaborative groups enhance organizational networks? [J]. Policy Studies Journal, 2015, 44(2): 215-244.

[27]HUNTER D R, GOODREAU S M, HANDCOCK M S. ERGM.userterms：A template package for extending statnet [J]. Journal of Statistical Software, 2013, 52(2): 1-25.

[28]劉宏鯤, 呂琳媛, 周濤. 利用鏈路預(yù)測推斷網(wǎng)絡(luò)演化機制[J]. 中國科學(xué): 物理學(xué) 力學(xué) 天文學(xué), 2011, 41(7): 816-823.

[29]劉穎琦, 王靜宇,ARI K. 產(chǎn)業(yè)聯(lián)盟中知識轉(zhuǎn)移、技術(shù)創(chuàng)新對中國新能源汽車產(chǎn)業(yè)發(fā)展的影響[J]. 中國軟科學(xué), 2016(5): 1-11.

[30]顧志恒. 清華大學(xué)美國專利分析與高校海外專利推進策略[J]. 科研管理, 2017, 38(1): 137-143.

[31]楊尚洪, 李斌, 王然, 等. 美國國防領(lǐng)域知識產(chǎn)權(quán)管理與技術(shù)轉(zhuǎn)移的做法與啟示[J]. 中國科技論壇, 2017(4): 186-192.