基于機(jī)器學(xué)習(xí)的成本法在專利價(jià)值評(píng)估中的應(yīng)用研究

關(guān)鍵詞： 機(jī)器學(xué)習(xí)； 成本法； 價(jià)格預(yù)估； 專利價(jià)值

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

〔中圖分類號(hào)〕Ｇ２５０.２ 〔文獻(xiàn)標(biāo)識(shí)碼〕Ａ 〔文章編號(hào)〕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(guó)與國(guó)之間綜合國(guó)力的競(jìng)爭(zhēng)日益體現(xiàn)為科技實(shí)力的較量， 為技術(shù)發(fā)明保駕護(hù)航的知識(shí)產(chǎn)權(quán)事業(yè)也逐漸被提升到國(guó)家戰(zhàn)略高度。與之相對(duì)應(yīng)， 近年來我國(guó)聚力發(fā)展知識(shí)產(chǎn)權(quán)事業(yè)， 積極對(duì)標(biāo)發(fā)達(dá)國(guó)家（地區(qū)）行業(yè)標(biāo)準(zhǔn)， 多舉措鼓勵(lì)知識(shí)產(chǎn)權(quán)創(chuàng)造與轉(zhuǎn)移轉(zhuǎn)化，取得了一定成效， 知識(shí)產(chǎn)權(quán)的申請(qǐng)量、授權(quán)量與轉(zhuǎn)化量逐年增加。據(jù)統(tǒng)計(jì)， 截至２０２３ 年２ 月， 我國(guó)發(fā)明專利有效量為４２６ 萬余件， 實(shí)用新型專利有效量為１ １００萬余件， 外觀設(shè)計(jì)有效量為２８７ 萬余件［１］ 。依據(jù)《２０２２ 年中國(guó)專利調(diào)查報(bào)告》， 我國(guó)發(fā)明專利產(chǎn)業(yè)化率為３６７％， 許可率為１２１％， 轉(zhuǎn)讓率為１１５％［２］ ，這體現(xiàn)了我國(guó)專利市場(chǎng)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(yīng)用比例造成了科技浪費(fèi)和閑置現(xiàn)象。２０２１ 年１ 月， 習(xí)近平總書記指出， “要健全知識(shí)產(chǎn)權(quán)評(píng)估體系， 改進(jìn)知識(shí)產(chǎn)權(quán)歸屬制度， 研究制定防止知識(shí)產(chǎn)權(quán)濫用相關(guān)制度”［３］ ，由此， 構(gòu)建一套有效的科技成果評(píng)價(jià)標(biāo)準(zhǔn)已經(jīng)迫在眉睫。

對(duì)專利價(jià)值進(jìn)行科學(xué)評(píng)估， 一方面可以提升知識(shí)產(chǎn)權(quán)轉(zhuǎn)移轉(zhuǎn)化效率， 發(fā)揮其在無形資產(chǎn)交易中的核心推動(dòng)作用； 另一方面還可以實(shí)現(xiàn)專利技術(shù)向產(chǎn)業(yè)化發(fā)展， 提高產(chǎn)學(xué)研合作效率， 加速知識(shí)產(chǎn)權(quán)市場(chǎng)化進(jìn)程。因此， 通過構(gòu)建一種操作性強(qiáng)、普適性較好的方法， 對(duì)專利進(jìn)行高效且精準(zhǔn)的價(jià)值評(píng)估，篩選出聚集經(jīng)濟(jì)價(jià)值的專利， 并采取相關(guān)措施推動(dòng)高價(jià)值專利的轉(zhuǎn)移轉(zhuǎn)化， 不僅能激發(fā)科研工作者的研究熱情， 提高高校產(chǎn)學(xué)研轉(zhuǎn)移轉(zhuǎn)化效率， 還可以將理論研究?jī)?nèi)化到實(shí)踐應(yīng)用， 推動(dòng)我國(guó)科技水平實(shí)現(xiàn)質(zhì)的飛躍， 這也是本研究的意義所在。

１ 文獻(xiàn)綜述

１.１ 專利價(jià)值評(píng)估指標(biāo)選取方面

專利價(jià)值評(píng)估指標(biāo)的選取是有效組織專利信息的關(guān)鍵步驟， 相關(guān)研究呈現(xiàn)出由單一指標(biāo)到復(fù)合指標(biāo)再到指標(biāo)體系的發(fā)展完善過程。納林研究創(chuàng)立了專利文獻(xiàn)計(jì)量學(xué)， 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(quán)利要求數(shù)量、專利族大小、施引頻次以及被引頻次４ 個(gè)指標(biāo)并列為專利質(zhì)量的影響因子， 據(jù)其組合構(gòu)建了綜合專利價(jià)值指數(shù)， 多個(gè)單一指標(biāo)的復(fù)合被證明能夠有效提升專利價(jià)值評(píng)估效果。經(jīng)大量理論探索和實(shí)證研究， 更多相互交叉的因素被納為專利價(jià)值評(píng)估指標(biāo)， 建立專利價(jià)值評(píng)估指標(biāo)體系成為主流趨勢(shì)， 國(guó)內(nèi)外學(xué)者廣泛構(gòu)建能夠有效降低數(shù)據(jù)獲取難度、提升指標(biāo)可解釋性、優(yōu)化價(jià)值評(píng)估效果的專利價(jià)值評(píng)估指標(biāo)體系。如Ｐａｒｋ Ｙ 等［６］ 考慮專利技術(shù)因素與市場(chǎng)因素的相互依存關(guān)系， 構(gòu)建技術(shù)、市場(chǎng)二維專利價(jià)值評(píng)估體系。中國(guó)國(guó)家知識(shí)產(chǎn)權(quán)局和中國(guó)技術(shù)交易所聯(lián)合構(gòu)建法律、技術(shù)、經(jīng)濟(jì)三維下含１８ 個(gè)二級(jí)指標(biāo)的專利價(jià)值分析指標(biāo)體系，成為專利價(jià)值評(píng)估工作開展的重要標(biāo)準(zhǔn)。整體形成從專利內(nèi)在法律、技術(shù)維度和外在市場(chǎng)、經(jīng)濟(jì)、戰(zhàn)略維度五維的不同組合， 歸納專利價(jià)值影響因素、構(gòu)建專利價(jià)值評(píng)估指標(biāo)體系的研究范式［７］ 。

１.２ 高校高價(jià)值專利評(píng)估方面

科學(xué)的方法能夠提高專利價(jià)值評(píng)估的穩(wěn)定性和可信度， 學(xué)者們一般通過單一方法或多種方法結(jié)合的方式進(jìn)行專利價(jià)值評(píng)估。當(dāng)前主流的價(jià)值評(píng)估方法大概可以歸為４ 類， 分別為經(jīng)濟(jì)學(xué)方法、統(tǒng)計(jì)分析法、技術(shù)類方法與綜合評(píng)估法［８］ ， 其中經(jīng)濟(jì)學(xué)方法和統(tǒng)計(jì)分析法出現(xiàn)時(shí)間較長(zhǎng)， 體系相對(duì)成熟， 但是其仍存在結(jié)果相對(duì)粗略、隨機(jī)性較大等問題［９］ ；而隨著技術(shù)與算法的飛速發(fā)展， 機(jī)器智能以其高效學(xué)習(xí)與精準(zhǔn)預(yù)測(cè)的優(yōu)勢(shì)， 逐漸被相關(guān)研究者所青睞，使得ＢＰ 神經(jīng)網(wǎng)絡(luò)［１０］ 、隨機(jī)森林［１１］ 、擴(kuò)展神經(jīng)網(wǎng)絡(luò)［１２］ 、圖卷積網(wǎng)絡(luò)模型［１３］ 等相關(guān)技術(shù)在專利價(jià)值評(píng)估中被廣泛應(yīng)用； 綜合評(píng)估法出現(xiàn)時(shí)間較短， 但是具有集成性強(qiáng)、精準(zhǔn)度高與協(xié)同性好等優(yōu)點(diǎn)， 勢(shì)必會(huì)成為未來研究的一大熱門， 如果在綜合評(píng)估法層面進(jìn)行深度挖掘， 那么專利價(jià)值評(píng)估的精準(zhǔn)度與評(píng)估效率將會(huì)獲得進(jìn)一步的提升。

綜上所述， 當(dāng)前專利價(jià)值評(píng)估的已有研究多通過指標(biāo)體系構(gòu)建、經(jīng)濟(jì)學(xué)方法與機(jī)器學(xué)習(xí)算法等方面進(jìn)行了多角度探索， 為提高科技成果管理部門的專利運(yùn)營(yíng)效率及企業(yè)快速鎖定高價(jià)值專利提供了實(shí)踐參考。但現(xiàn)有研究仍存在以下缺憾有待進(jìn)一步完善： 一方面， 研究視角較為單一， 相關(guān)研究多數(shù)從經(jīng)濟(jì)學(xué)視角、算法視角等單獨(dú)切入， 雖然各有優(yōu)點(diǎn)，但是經(jīng)濟(jì)學(xué)視角對(duì)數(shù)據(jù)數(shù)量、數(shù)據(jù)精度要求較高，且相關(guān)流程均需要人工測(cè)算， 而算法視角雖然操作簡(jiǎn)單， 數(shù)量龐大， 但是其結(jié)果往往存在誤差。如果引入從機(jī)器學(xué)習(xí)算法識(shí)別到經(jīng)濟(jì)學(xué)方法評(píng)估的多維度計(jì)算方法， 通過經(jīng)濟(jì)學(xué)的精度彌補(bǔ)算法的誤差，通過算法的大規(guī)模數(shù)據(jù)與操作自動(dòng)化彌補(bǔ)經(jīng)濟(jì)學(xué)的人工計(jì)算與數(shù)據(jù)量較小的劣勢(shì)， 由此可以進(jìn)一步提升計(jì)算精度； 另一方面， 相關(guān)研究多是通過指標(biāo)體系構(gòu)建并且融合相關(guān)定量評(píng)估方法來對(duì)專利進(jìn)行評(píng)估， 或是利用機(jī)器學(xué)習(xí)的方法來評(píng)價(jià)專利的價(jià)值，其獲得的結(jié)果多為是否為高價(jià)值專利的二維結(jié)果，較少的嵌入經(jīng)濟(jì)學(xué)方法來對(duì)專利進(jìn)行價(jià)格測(cè)算； 而部分研究雖然得出了專利的實(shí)際價(jià)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(dāng)前， 有相當(dāng)一部分學(xué)者在文獻(xiàn)中闡述了成本法在專利價(jià)值評(píng)估中的應(yīng)用［１４－１６］ ， 探討其科學(xué)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(yùn)用不足， 導(dǎo)致成本法在專利價(jià)值評(píng)估中的綜合性研究與應(yīng)用較少?；诖?， 本研究嘗試從專利成本入手， 依托Ｉｎｎｏｇｒａｐｈｙ 數(shù)據(jù)庫(kù)獲取的海量專利成本數(shù)據(jù)， 運(yùn)用ＡｕｔｏＧｌｕｏｎ 機(jī)器學(xué)習(xí)分類算法對(duì)存在成本的專利數(shù)據(jù)進(jìn)行模型訓(xùn)練獲取最優(yōu)參數(shù)模型， 而后將Ｉｎｃｏｐａｔ 數(shù)據(jù)庫(kù)獲取的相同領(lǐng)域數(shù)據(jù)導(dǎo)入訓(xùn)練好的模型進(jìn)行預(yù)測(cè)， 獲取專利成本，最后使用本研究提出的專利價(jià)值指數(shù)并結(jié)合成本法對(duì)預(yù)測(cè)出成本的專利數(shù)據(jù)進(jìn)行運(yùn)算， 從而獲得專利市場(chǎng)價(jià)格。將該方法應(yīng)用于預(yù)估新能源汽車領(lǐng)域?qū)＠袌?chǎng)價(jià)值區(qū)間， 獲得了較好的評(píng)估結(jié)果， 在驗(yàn)證方法的實(shí)用性與有效性的同時(shí)， 也為技術(shù)需求方快速鎖定領(lǐng)域高價(jià)值專利、提升領(lǐng)域?qū)＠D(zhuǎn)移轉(zhuǎn)化效率提供實(shí)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(gòu)建→專利價(jià)值指數(shù)體系構(gòu)建與計(jì)算→專利價(jià)值預(yù)估” 的邏輯流程， 通過整合跨庫(kù)數(shù)據(jù)來源特征指標(biāo)， 科學(xué)選取反映專利成本價(jià)值的指標(biāo)體系， 基于ＡｕｔｏＧｌｕｏｎ 機(jī)器學(xué)習(xí)框架構(gòu)建分類算法對(duì)存在成本數(shù)據(jù)的專利進(jìn)行分類預(yù)測(cè)， 最后運(yùn)用成本法計(jì)算專利市場(chǎng)價(jià)值， 具體研究框架如圖１ 所示。

在成本影響因素選取層面， 學(xué)界對(duì)專利價(jià)值影響因素的研究較為成熟， 多數(shù)研究均以指標(biāo)可量化為標(biāo)準(zhǔn)， 從市場(chǎng)、技術(shù)與法律３ 個(gè)維度剖析影響專利價(jià)值的因素所在， 基于成本消耗與價(jià)值創(chuàng)造在理論上的關(guān)聯(lián)關(guān)系， 本研究從專利成本視角切入， 對(duì)既有研究中的專利價(jià)值影響因素去粗取精， 綜合Ｉｎｎｏｇｒａｐｈｙ 專利數(shù)據(jù)庫(kù)與Ｉｎｃｏｐａｔ 專利數(shù)據(jù)庫(kù)數(shù)據(jù)跨庫(kù)獲取情況， 選取影響專利成本的計(jì)量指標(biāo)構(gòu)建本研究的指標(biāo)體系。在專利成本分類模型構(gòu)建層面，首先， 針對(duì)實(shí)驗(yàn)專利數(shù)據(jù)集數(shù)據(jù)缺失、數(shù)據(jù)重復(fù)等問題進(jìn)行失效數(shù)據(jù)剔除與去重等操作， 避免無效數(shù)據(jù)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生不利影響； 其次， 由于指標(biāo)體系中如首權(quán)字?jǐn)?shù)、文獻(xiàn)頁數(shù)等指標(biāo)的事實(shí)數(shù)據(jù)數(shù)值范圍相對(duì)較大， 而專利壽命、被引次數(shù)指標(biāo)事實(shí)數(shù)據(jù)數(shù)值范圍相對(duì)較小， 為避免指標(biāo)單位不同數(shù)值差距過大對(duì)評(píng)估結(jié)果造成影響， 本研究在價(jià)值評(píng)估前對(duì)實(shí)驗(yàn)專利數(shù)據(jù)進(jìn)行了無量綱化處理。由于Ｉｎｎｏｇｒａ?ｐｈｙ 數(shù)據(jù)庫(kù)中包含專利成本數(shù)據(jù)， 所以將Ｉｎｎｏｇｒａ?ｐｈｙ 數(shù)據(jù)庫(kù)下載的數(shù)據(jù)劃分為專利數(shù)據(jù)訓(xùn)練集， 將Ｉｎｃｏｐａｔ 數(shù)據(jù)庫(kù)下載的數(shù)據(jù)劃分為專利數(shù)據(jù)預(yù)測(cè)集，而后通過ＡｕｔｏＧｌｕｏｎ 機(jī)器學(xué)習(xí)框架構(gòu)建分類算法，將專利數(shù)據(jù)訓(xùn)練集導(dǎo)入模型進(jìn)行訓(xùn)練， 獲取最優(yōu)參數(shù)模型， 最后將專利數(shù)據(jù)預(yù)測(cè)集導(dǎo)入模型進(jìn)行預(yù)測(cè)，獲取專利成本預(yù)測(cè)結(jié)果數(shù)據(jù)。在專利價(jià)值指數(shù)指標(biāo)體系構(gòu)建與計(jì)算層面， 本研究聚焦于專利的法律價(jià)值、技術(shù)價(jià)值與經(jīng)濟(jì)價(jià)值三大維度構(gòu)建專利價(jià)值指數(shù)指標(biāo)體系， 而后運(yùn)用熵權(quán)Ｔｏｐｓｉｓ 結(jié)合專利數(shù)據(jù)計(jì)算專利價(jià)值指數(shù)。在價(jià)格預(yù)估層面， 本研究基于成本預(yù)測(cè)結(jié)果與專利價(jià)值指數(shù)計(jì)算結(jié)果， 將成本預(yù)測(cè)結(jié)果與指數(shù)計(jì)算結(jié)果導(dǎo)入成本法中進(jìn)行計(jì)算， 最終獲得了專利價(jià)格區(qū)間， 從而完成了本研究的實(shí)驗(yàn)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(píng)估模型的精度與信度。既有研究中， 多領(lǐng)域?qū)W者圍繞知識(shí)產(chǎn)權(quán)價(jià)值評(píng)估因素選取進(jìn)行了深入研究， 總結(jié)較為普適的影響因素指標(biāo)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(kù)獲取， 所以在影響因素選取時(shí)既要考量指標(biāo)體系的科學(xué)性與可獲取性， 又要考慮數(shù)據(jù)跨庫(kù)指標(biāo)體系間的關(guān)聯(lián)性與一致性。基于此， 本研究對(duì)兩大數(shù)據(jù)庫(kù)指標(biāo)體系進(jìn)行深度對(duì)比， 篩選二者高度一致的指標(biāo)體系， 而后結(jié)合相關(guān)研究對(duì)指標(biāo)體系去粗取精， 并參考《專利價(jià)值分析指標(biāo)體系操作手冊(cè)》對(duì)指標(biāo)體系進(jìn)行優(yōu)化和提煉， 構(gòu)建了一個(gè)由１０ 個(gè)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(diǎn)， 結(jié)果如表１ 所示。

２.２ 流程二： 專利成本分類模型構(gòu)建

機(jī)器學(xué)習(xí)是人工智能的一部分， 它由算法組成， 并隨著時(shí)間的推移自動(dòng)改進(jìn)［２２］ 。在使用機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測(cè)、回歸與分類的過程中， 需要單獨(dú)調(diào)用算法并且嘗試多種算法來獲取一個(gè)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(gè)開源的Ｐｙｔｈｏｎ 庫(kù)， 它可以自動(dòng)化機(jī)器學(xué)習(xí)的整個(gè)過程， 并幫助用戶獲取高精度結(jié)果。ＡｕｔｏＧｌｕｏｎ 支持易使用和易擴(kuò)展的ＡｕｔｏＭＬ， 并專注于涵蓋圖像、文本或表格數(shù)據(jù)的深度學(xué)習(xí)和實(shí)際應(yīng)用。在研究過程中， 本研究調(diào)用的是ＡｕｔｏＧｌｕｏｎ 的表格預(yù)測(cè)功能， 只需通過調(diào)用ｆｉｔ（）， 就可以在標(biāo)準(zhǔn)監(jiān)督學(xué)習(xí)任務(wù)（分類和回歸）中實(shí)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(jià)值指數(shù)指標(biāo)體系構(gòu)建

本研究所提出的專利價(jià)值指數(shù)是專利價(jià)值評(píng)估中專利價(jià)值度的體現(xiàn)方式之一， 該指數(shù)基于專利價(jià)值評(píng)估指標(biāo)體系， 并運(yùn)用熵權(quán)Ｔｏｐｓｉｓ 結(jié)合專利價(jià)值評(píng)估指標(biāo)體系進(jìn)行系列運(yùn)算獲取， 本研究將其融入成本法計(jì)算中從而衡量專利的市場(chǎng)價(jià)值。隨著國(guó)家知識(shí)產(chǎn)權(quán)局會(huì)同中國(guó)人民銀行、國(guó)家金融監(jiān)督管理總局組織編制的推薦性國(guó)家標(biāo)準(zhǔn)《專利評(píng)估指引》（國(guó)家標(biāo)準(zhǔn)編號(hào)ＧＢ／ Ｔ４２７４８－２０２３， 以下簡(jiǎn)稱《指引》）于２０２３ 年９ 月１ 日起實(shí)施［２４］ ， 《指引》提供了專利評(píng)估的基礎(chǔ)性方法工具， 有利于引導(dǎo)各方把握專利的制度特點(diǎn)和運(yùn)用規(guī)律， 實(shí)現(xiàn)評(píng)估指標(biāo)更全面、評(píng)估方法更科學(xué)?！吨敢吩谇捌陂_展試點(diǎn)和廣泛征求意見的基礎(chǔ)上， 構(gòu)建了一套可擴(kuò)展、可操作的專利價(jià)值分析評(píng)估指標(biāo)體系， 包括一級(jí)指標(biāo)３項(xiàng)， 二級(jí)指標(biāo)１４ 項(xiàng)， 三級(jí)指標(biāo)２７ 項(xiàng)及若干項(xiàng)擴(kuò)展指標(biāo)， 促成專利的市場(chǎng)定價(jià)和價(jià)值實(shí)現(xiàn)［２５］ 。其中，一級(jí)指標(biāo)包括法律價(jià)值、技術(shù)價(jià)值、經(jīng)濟(jì)價(jià)值３ 個(gè)層面， 其中法律價(jià)值包含４ 個(gè)二級(jí)指標(biāo)， 技術(shù)價(jià)值包含６ 個(gè)二級(jí)指標(biāo)， 經(jīng)濟(jì)價(jià)值包含４ 個(gè)二級(jí)指標(biāo)，三級(jí)指標(biāo)是二級(jí)指標(biāo)的拓展， 其包括２７ 項(xiàng)核心指標(biāo)， 以及若干項(xiàng)擴(kuò)展指標(biāo)。核心指標(biāo)是對(duì)專利價(jià)值有重要影響的必要性指標(biāo)； 擴(kuò)展指標(biāo)為可選指標(biāo)，根據(jù)被評(píng)專利所屬技術(shù)領(lǐng)域、應(yīng)用場(chǎng)景等選擇使用。核心指標(biāo)包括１９ 項(xiàng)定量指標(biāo)和８ 項(xiàng)定性指標(biāo)， 定量指標(biāo)通過專利相關(guān)的量化指標(biāo)進(jìn)行測(cè)算， 定性指標(biāo)通過專家經(jīng)驗(yàn)進(jìn)行評(píng)價(jià)。結(jié)合《指引》指標(biāo)確定規(guī)則與本文數(shù)據(jù)可量化研究范式， 同時(shí)結(jié)合當(dāng)前專利數(shù)據(jù)庫(kù)數(shù)據(jù)指標(biāo)特征， 本研究?jī)H對(duì)１９ 項(xiàng)定量指標(biāo)進(jìn)行分析， 并結(jié)合數(shù)據(jù)可得性與可量化要求，構(gòu)建了包含法律價(jià)值、技術(shù)價(jià)值、經(jīng)濟(jì)價(jià)值３ 個(gè)維度， １６ 個(gè)指標(biāo)的專利價(jià)值評(píng)估指標(biāo)體系。專利價(jià)值評(píng)估指標(biāo)具體解釋如表２ 所示。

２.４ 流程四： 專利價(jià)格預(yù)估

成本法又稱重置成本法， 是以當(dāng)前市場(chǎng)價(jià)格為基礎(chǔ)， 評(píng)估重新開發(fā)或者購(gòu)買類似專利技術(shù)所需投入的成本， 從而確定被評(píng)估專利價(jià)值的一種評(píng)估方法［３５］ 。成本法的基本思路是重置原則， 以重復(fù)專利技術(shù)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(jià)值。然而， 根據(jù)專利價(jià)值的定義， 專利價(jià)值是指專利預(yù)期可以給其所有者或使用者帶來的利益在現(xiàn)實(shí)市場(chǎng)條件下的表現(xiàn)［３６］ ， 那么僅由專利成本與成新率來測(cè)算專利價(jià)值無法實(shí)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(jià)值指數(shù)” 對(duì)成本法下的專利價(jià)值計(jì)算公式進(jìn)行優(yōu)化， 從而在基于專利研發(fā)成本下，表征專利的市場(chǎng)價(jià)值。計(jì)算公式如式（１） 所示：

專利價(jià)值＝重置成本×成新率×（１＋專利價(jià)值指數(shù)） （１）

重置成本確定。專利技術(shù)重置成本是指在現(xiàn)時(shí)市場(chǎng)條件下重新創(chuàng)造或購(gòu)置一項(xiàng)全新的并與原專利技術(shù)功能相同的專利技術(shù)所耗費(fèi)的全部貨幣總額。以重新創(chuàng)造一個(gè)與原來專利技術(shù)功效相同的專利來說， 其重置成本計(jì)算公式如式

所示：專利技術(shù)重置成本＝ 專利技術(shù)原始成本×評(píng)估時(shí)物價(jià)指數(shù)/購(gòu)買時(shí)物價(jià)指數(shù) 購(gòu)買時(shí)物價(jià)指數(shù)（２）

觀察２０２３ 年中國(guó)居民消費(fèi)價(jià)格指數(shù)（ＣＰＩ）可知［３７］ ， ２０２３ 年１—５ 月的物價(jià)指數(shù)分別為［１０２.１，１０１，１００.７，１００.１，１００.２］， 整體波動(dòng)幅度不大， 而在計(jì)算過程中， 本文將“評(píng)估時(shí)物價(jià)指數(shù)” 假定為２０２３ 年１ 月， 則其指數(shù)為“１０２.１”； 將“購(gòu)買時(shí)物價(jià)指數(shù)” 假定為專利的申請(qǐng)日期， 并結(jié)合中國(guó)居民消費(fèi)價(jià)格指數(shù)（ＣＰＩ）依次賦值， 從而完成后續(xù)計(jì)算。由于Ｉｎｎｏｇｒａｐｈｙ 數(shù)據(jù)庫(kù)中的專利成本均為美元， 在價(jià)值預(yù)估后需要對(duì)其進(jìn)行轉(zhuǎn)換， 根據(jù)新浪財(cái)經(jīng)統(tǒng)計(jì)數(shù)據(jù)可知［３８］ ， ２０２２ 年１ 月１ 日—２０２３ 年６ 月１ 日， 美元對(duì)人民幣匯率從６.３６ 上漲到６. ９１，呈現(xiàn)持續(xù)增長(zhǎng)態(tài)勢(shì)， 基于文章實(shí)證分析時(shí)間， 本研究選取２０２３ 年６ 月１ 日的美元對(duì)人民幣匯率６.９１價(jià)格預(yù)估的美元與人民幣轉(zhuǎn)換的匯率， 以此來確定專利在國(guó)內(nèi)的最終價(jià)格。

成新率確定。成新率是反映專利技術(shù)先進(jìn)性和適用性的指標(biāo)， 它是由專利技術(shù)的貶值決定的。在實(shí)際評(píng)估業(yè)務(wù)中， 采用經(jīng)濟(jì)壽命損耗計(jì)算法綜合得出專利技術(shù)尚可使用年限， 然后與專利技術(shù)實(shí)際使用年限相比較來獲得， 計(jì)算公式如式（３） 所示：成新率＝ 尚可使用年限實(shí)際使用年限＋尚可使用年限×１００％（３）專利價(jià)值指數(shù)確定?；谇拔臉?gòu)建的專利價(jià)值指數(shù)指標(biāo)體系， 將專利指標(biāo)數(shù)據(jù)導(dǎo)入到指標(biāo)體系中，而后運(yùn)用熵權(quán)Ｔｏｐｓｉｓ 對(duì)指標(biāo)體系進(jìn)行運(yùn)算， 計(jì)算出專利相對(duì)接近度， 而后將相對(duì)接近度逆向化處理，從而獲取專利價(jià)值指數(shù)。具體計(jì)算過程如式（４）所示：

成新率＝ 尚可使用年限/實(shí)際使用年限＋尚可使用年限×１００％ （３）

專利價(jià)值指數(shù)確定。基于前文構(gòu)建的專利價(jià)值指數(shù)指標(biāo)體系， 將專利指標(biāo)數(shù)據(jù)導(dǎo)入到指標(biāo)體系中，而后運(yùn)用熵權(quán)Ｔｏｐｓｉｓ 對(duì)指標(biāo)體系進(jìn)行運(yùn)算， 計(jì)算出專利相對(duì)接近度， 而后將相對(duì)接近度逆向化處理，從而獲取專利價(jià)值指數(shù)。具體計(jì)算過程如式（４）

３ 實(shí)證分析

３.１ 數(shù)據(jù)來源與處理

隨著運(yùn)能緊缺與環(huán)境污染情況日益嚴(yán)重， 尋找替代能源成為各國(guó)（地區(qū)）面臨的主要問題之一， 新能源汽車作為當(dāng)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(lì)發(fā)展新能源汽車企業(yè)， 加大力度攻克卡脖子技術(shù)難關(guān)， 不僅可以使我國(guó)在未來擺脫對(duì)石油的依賴，保障國(guó)家能源安全的戰(zhàn)略順利實(shí)施， 還可以在“電動(dòng)化＋智能化” 背景下實(shí)現(xiàn)技術(shù)彎道超車， 所以說，發(fā)展新能源汽車領(lǐng)域相關(guān)技術(shù)， 是國(guó)家需要， 也是政策支持?；诖耍?為了促進(jìn)相關(guān)領(lǐng)域尤其是新能源汽車領(lǐng)域技術(shù)創(chuàng)新度的提升， 加快產(chǎn)學(xué)研轉(zhuǎn)移轉(zhuǎn)化效率， 從而通過需求導(dǎo)向與利益導(dǎo)向激發(fā)科研人員研究熱情， 本研究將以新能源汽車領(lǐng)域?qū)＠麨檠芯繉?duì)象， 數(shù)據(jù)來源為Ｉｎｎｏｇｒａｐｈｙ 與Ｉｎｃｏｐａｔ 專利數(shù)據(jù)庫(kù)， 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(guó)發(fā)明授權(quán)專利和實(shí)用新型專利， 公開公告日時(shí)間跨度為“２０２２.０１.０１—２０２２.１２.３１”。其中，Ｉｎｎｏｇｒａｐｈｙ 專利數(shù)據(jù)庫(kù)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(xùn)練集”， 同時(shí)根據(jù)８∶２原則， 將“數(shù)據(jù)訓(xùn)練集” 再次劃分為“模型訓(xùn)練集” 與“模型測(cè)試集”； Ｉｎｃｏｐａｔ 專利數(shù)據(jù)庫(kù)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(yù)測(cè)集”。

３.２ ＡｕｔｏＧｌｕｏｎ 機(jī)器學(xué)習(xí)分類算法訓(xùn)練及預(yù)測(cè)

基于前文構(gòu)建的ＡｕｔｏＧｌｕｏｎ 機(jī)器學(xué)習(xí)分類算法，本研究將專利數(shù)據(jù)劃分為數(shù)據(jù)訓(xùn)練集（６ ５１０條）與數(shù)據(jù)預(yù)測(cè)集（１８ ３１８條）， 在模型訓(xùn)練的過程中， 將數(shù)據(jù)訓(xùn)練集的６ ５１０ 條數(shù)據(jù)拆分為數(shù)據(jù)訓(xùn)練集（５ ２０８條）與數(shù)據(jù)驗(yàn)證集（１ ３０２條）， 其中訓(xùn)練集用來構(gòu)建分類模型， 驗(yàn)證集用來檢驗(yàn)?zāi)Ｐ蛯?duì)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(kù)中導(dǎo)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(jìn)行計(jì)算則會(huì)存在指標(biāo)數(shù)值差異過大但成本數(shù)據(jù)相同的狀況， 導(dǎo)致回歸分析誤差過大， 無法進(jìn)行準(zhǔn)確預(yù)測(cè)。針對(duì)這一問題， 本研究將同一價(jià)格的專利進(jìn)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(biāo)記成［５０００，６００１，７００１，８００１，…，２１００１，２２００１，２３００１，２４００１］２０ 個(gè)標(biāo)簽， 而后將標(biāo)簽化處理后的專利數(shù)據(jù)訓(xùn)練集導(dǎo)入算法進(jìn)行訓(xùn)練，ＡｕｔｏＧｌｕｏｎ 集成的單個(gè)模型訓(xùn)練結(jié)果如表３ 所示。

由于ＡｕｔｏＧｌｕｏｎ 依賴融合多個(gè)無需超參數(shù)搜索的模型， 所以在多個(gè)模型集成訓(xùn)練后其最終準(zhǔn)確率（Ａｃｃｕｒａｃｙ）為０ ７３６， 模型預(yù)測(cè)結(jié)果較好， 可以在一定程度對(duì)專利成本進(jìn)行預(yù)測(cè)。而后將數(shù)據(jù)預(yù)測(cè)集（１８ ３１８條）導(dǎo)入訓(xùn)練好的模型中進(jìn)行預(yù)測(cè)， 不同價(jià)格區(qū)間內(nèi)預(yù)測(cè)結(jié)果如表４ 所示。

３.３ 成本法計(jì)算

首先， 根據(jù)成本法的基本計(jì)算流程， 計(jì)算專利數(shù)據(jù)集每條專利的重置成本。其中專利技術(shù)的原始成本已經(jīng)通過ＡｕｔｏＧｌｕｏｎ 機(jī)器學(xué)習(xí)模型預(yù)測(cè)得出，基于前文的定義， 將“評(píng)估時(shí)物價(jià)指數(shù)” 假定為２０２３ 年１ 月， 則其指數(shù)為“１０２.１”； 將“購(gòu)買時(shí)物價(jià)指數(shù)” 假定為專利的申請(qǐng)日期， 并結(jié)合中國(guó)居民消費(fèi)價(jià)格指數(shù)（ＣＰＩ）依次賦值， 如某一專利的申請(qǐng)日期為２０２２ 年９ 月， 則其物價(jià)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(jì)算。

其次， 計(jì)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(quán)的期限為２０年， 實(shí)用新型專利權(quán)和外觀設(shè)計(jì)專利權(quán)的期限為１０ 年， 均自申請(qǐng)日起計(jì)算［３９］ ， 基于該規(guī)定， 本研究分別將采集的發(fā)明授權(quán)專利與實(shí)用新型專利進(jìn)行期限賦值， 而后通過申請(qǐng)日與使用期限計(jì)算專利的到期日， 通過到期日與公開公告日的差值計(jì)算“尚可使用年限”， 通過文獻(xiàn)實(shí)證研究日期與公開公告日的差值計(jì)算“實(shí)際使用年限”， 而后將“尚可使用年限” 與“實(shí)際使用年限” 帶入公式， 從而完成成新率的計(jì)算。

第三， 計(jì)算專利數(shù)據(jù)集中每條專利的專利價(jià)值指數(shù)。基于前文構(gòu)建的專利價(jià)值指數(shù)指標(biāo)體系， 并將下載的多指標(biāo)專利數(shù)據(jù)導(dǎo)入指標(biāo)體系中， 并基于流程四中的專利價(jià)值指數(shù)確定計(jì)算流程對(duì)專利數(shù)據(jù)集運(yùn)用熵權(quán)Ｔｏｐｓｉｓ 進(jìn)行計(jì)算。根據(jù)熵權(quán)Ｔｏｐｓｉｓ 的定義， 最后求得的相對(duì)接近度越小， 則說明離最優(yōu)點(diǎn)越近， 所代表的專利價(jià)值越大。而本研究需要借助熵權(quán)Ｔｏｐｓｉｓ 計(jì)算專利的價(jià)值指數(shù)， 該指數(shù)需要與專利價(jià)值呈現(xiàn)正向相關(guān)關(guān)系。由此， 本研究結(jié)合熵權(quán)Ｔｏｐｓｉｓ 相對(duì)接近度越小所代表的專利價(jià)值越大的性質(zhì)， 對(duì)相對(duì)接近度進(jìn)行逆向化處理， 用單位１ 減去相對(duì)接近度， 那么得出結(jié)果為逆向化相對(duì)接近度，且逆向化相對(duì)接近度越大， 專利價(jià)值越高， 由此完成專利價(jià)值指數(shù)的計(jì)算。

最后， 將計(jì)算獲得的重置成本、成新率與專利價(jià)值指數(shù)帶入到專利價(jià)值計(jì)算公式中， 計(jì)算得出專利的價(jià)值區(qū)間， 由于訓(xùn)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(duì)結(jié)算結(jié)果利用美元對(duì)人民幣的匯率進(jìn)行處理， 最終獲取專利的實(shí)際價(jià)值區(qū)間， 計(jì)算結(jié)果如表５、表６ 所示。

分析表４ 與表５ 可知， 通過成本法對(duì)“新能源汽車” 領(lǐng)域?qū)＠M(jìn)行價(jià)格預(yù)測(cè)， 預(yù)測(cè)結(jié)果顯示， 這些新興專利雖然面世時(shí)間較短， 但是相當(dāng)一部分專利價(jià)格擁有相對(duì)較高的市場(chǎng)價(jià)格， 該部分專利應(yīng)該引起利益相關(guān)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(diǎn)進(jìn)行了區(qū)間劃分和分類， 所以最終預(yù)測(cè)的結(jié)果也是一個(gè)價(jià)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(duì)專利進(jìn)行準(zhǔn)確的定價(jià)， 即使有部分研究給出了確定的價(jià)格， 但都是通過個(gè)別專利價(jià)格生成價(jià)格擬合曲線進(jìn)行預(yù)測(cè)， 其準(zhǔn)確性還是有待商榷， 所以說對(duì)專利價(jià)格進(jìn)行區(qū)間預(yù)測(cè)的結(jié)果相對(duì)比較合理。

３.４ 結(jié)果驗(yàn)證

近年來， 新能源汽車領(lǐng)域發(fā)展持續(xù)迎來重大利好， 國(guó)家政策層面依舊延續(xù)免征新能源汽車購(gòu)置稅政策， 對(duì)我國(guó)新能源汽車產(chǎn)業(yè)發(fā)展給出了明確的支持信號(hào)， 盤活“供需杠桿”， 深度促進(jìn)新能源汽車領(lǐng)域技術(shù)快速發(fā)展， 同時(shí)也帶動(dòng)了一大批“新能源汽車” 領(lǐng)域?qū)＠纳陥?bào)與授權(quán)， 為了提高領(lǐng)域技術(shù)轉(zhuǎn)移轉(zhuǎn)化效率， 促進(jìn)領(lǐng)域技術(shù)深度發(fā)展， 開展對(duì)新能源汽車領(lǐng)域?qū)＠麅r(jià)值評(píng)估迫在眉睫。為了驗(yàn)證本研究的科學(xué)性與準(zhǔn)確性， 擬運(yùn)用本研究提出的價(jià)值評(píng)估方法對(duì)存在交易價(jià)格的專利進(jìn)行預(yù)測(cè)， 通過將預(yù)測(cè)結(jié)果與實(shí)際交易價(jià)格作對(duì)比的方式來進(jìn)行驗(yàn)證［４０］ 。由于當(dāng)前國(guó)內(nèi)專利交易與專利質(zhì)押融資的實(shí)際交易價(jià)格數(shù)據(jù)相對(duì)較少， 獲取難度較大， 而在某些專利訴訟過程中會(huì)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(chǎng)價(jià)值?；诖?， 本研究通過Ｉｎｃｏｐａｔ 數(shù)據(jù)庫(kù)， 運(yùn)用數(shù)據(jù)采集階段使用的檢索式進(jìn)行檢索， 找出存在訴訟事件且法律文書中標(biāo)明判賠額度的專利數(shù)據(jù)， 而后運(yùn)用本研究提出的方法對(duì)其進(jìn)行價(jià)格預(yù)估， 將預(yù)估結(jié)果與判賠額度作對(duì)比， 結(jié)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(yù)估的價(jià)格區(qū)間內(nèi)， 觀察專利“Ｆｕｅｌ ｃｅｌｌａｉｒ ｓｕｐｐｌｙ ｄｅｖｉｃｅ” 與“Ｅｌｅｃｔｒｏｄｙｎａｍｉｃ ｂａｌａｎｃｅ ｃａｒ”的預(yù)估價(jià)值區(qū)間雖然與其判賠額度沒有交集， 但是已經(jīng)相當(dāng)接近其判賠額度， 進(jìn)一步驗(yàn)證了該方法對(duì)專利進(jìn)行價(jià)值評(píng)估的準(zhǔn)確性。但是觀察專利“Ｌｉｔｈｉ?ｕｍ ｉｏｎ ｂａｔｔｅｒｙ ｐｒｅｓｓｕｒｅ ｄｅｖｉｃｅ” 可知， 該方法在預(yù)測(cè)價(jià)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(shù)難點(diǎn)。

與此同時(shí)， 為了更深層次地探討本方法的科學(xué)性與合理性， 本研究選取了學(xué)界被引次數(shù)較多的專利價(jià)值預(yù)估相關(guān)方法進(jìn)行對(duì)比分析， 分析結(jié)果如表８ 所示。

通過對(duì)比分析可知， 在指標(biāo)體系構(gòu)建層面， 當(dāng)前專利價(jià)值評(píng)估的指標(biāo)體系構(gòu)建模式多數(shù)為借鑒相關(guān)學(xué)者研究成果， 并依據(jù)國(guó)家知識(shí)產(chǎn)權(quán)局的《專利價(jià)值分析指標(biāo)體系操作手冊(cè)》進(jìn)行擴(kuò)展和延伸，在科學(xué)性、合理性與適用性層面可能存在欠缺。而本研究所構(gòu)建的專利價(jià)值指數(shù)指標(biāo)體系則依據(jù)國(guó)家知識(shí)產(chǎn)權(quán)局、中國(guó)人民銀行、國(guó)家金融監(jiān)督管理總局編制的推薦性國(guó)家標(biāo)準(zhǔn)《專利評(píng)估指引》構(gòu)建而成， 每項(xiàng)指標(biāo)均依據(jù)政策說明形成量化指標(biāo)， 且所使用的量化指標(biāo)均在前人研究成果中有所體現(xiàn)，從而使得該指標(biāo)體系的科學(xué)性、合理性與適用性得到進(jìn)一步提升； 在預(yù)估方法層面， 當(dāng)前多數(shù)專利價(jià)值評(píng)估的評(píng)估方法均采用單一指標(biāo)計(jì)算方法、機(jī)器學(xué)習(xí)深度學(xué)習(xí)方法或者經(jīng)濟(jì)學(xué)方法進(jìn)行計(jì)算， 或采用機(jī)器學(xué)習(xí)與指標(biāo)計(jì)算等混合方法進(jìn)行計(jì)算， 對(duì)經(jīng)濟(jì)學(xué)方法尤其是成本法進(jìn)行混合計(jì)算的方法探索較少。而本研究則從該視角入手， 探討機(jī)器學(xué)習(xí)、指標(biāo)計(jì)算、經(jīng)濟(jì)學(xué)方法與專利價(jià)值評(píng)估之間的關(guān)系，且取得了較好的計(jì)算結(jié)果； 在預(yù)估效果層面， 當(dāng)前專利價(jià)值評(píng)估相關(guān)研究更多的是針對(duì)專利是否為高價(jià)值專利進(jìn)行挖掘， 所獲得的結(jié)果均為是否為高價(jià)值專利的二維結(jié)果， 而部分研究雖然得出了專利的實(shí)際價(jià)格， 但是一方面其所依據(jù)數(shù)據(jù)支撐有限； 另一方面計(jì)算結(jié)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(jià)值評(píng)估的計(jì)算過程中， 并且從Ｉｎｎｏｇｒａｐｈｙ 權(quán)威專利數(shù)據(jù)庫(kù)獲取成本數(shù)據(jù)， 通過機(jī)器學(xué)習(xí)、指標(biāo)計(jì)算與成本法對(duì)專利價(jià)值進(jìn)行測(cè)算， 最后得出專利價(jià)值區(qū)間， 一方面減少了計(jì)算誤差； 另一方面也可以為專利定價(jià)給予價(jià)值區(qū)間參考， 從而為提升領(lǐng)域?qū)＠D(zhuǎn)移轉(zhuǎn)化效率提供實(shí)踐參考。

綜上所述， 本研究通過將ＡｕｔｏＧｌｕｏｎ 機(jī)器學(xué)習(xí)算法與成本法相結(jié)合并融入專利價(jià)值系數(shù)的方式對(duì)“新能源汽車” 領(lǐng)域?qū)＠M(jìn)行了價(jià)格預(yù)估， 通過預(yù)估結(jié)果可以看出， 當(dāng)前新能源汽車領(lǐng)域新興專利的市場(chǎng)價(jià)值總體上處于一個(gè)較低的水平， 為了提高相關(guān)技術(shù)的轉(zhuǎn)移轉(zhuǎn)化效率， 提升專利市場(chǎng)價(jià)值， 相關(guān)技術(shù)研發(fā)部門應(yīng)該對(duì)上述專利進(jìn)行全方位的管理與運(yùn)營(yíng)。在技術(shù)研發(fā)機(jī)構(gòu)層面， 機(jī)構(gòu)知識(shí)產(chǎn)權(quán)管理部門應(yīng)構(gòu)建完備的專利管理體系與運(yùn)營(yíng)體系， 力求為科研團(tuán)隊(duì)提供全流程無縫式的專利服務(wù)， 從而提升科技團(tuán)隊(duì)的研發(fā)實(shí)力， 提升產(chǎn)學(xué)研轉(zhuǎn)化效率。在撰寫技術(shù)交底書時(shí)， 針對(duì)各項(xiàng)指標(biāo)文本數(shù)據(jù)做到全面扎實(shí)， 在增加授權(quán)概率的同時(shí)保障專利的質(zhì)量與權(quán)利保護(hù)范圍。對(duì)于領(lǐng)域內(nèi)的核心專利， 專利主體的知識(shí)產(chǎn)權(quán)管理部門應(yīng)積極擬定專利布局戰(zhàn)略， 通過構(gòu)建專利保護(hù)網(wǎng)等方式來保證技術(shù)的獨(dú)創(chuàng)性。同時(shí)，領(lǐng)域相關(guān)部門也應(yīng)提升科研人員的相關(guān)待遇， 從而避免核心人才流失， 導(dǎo)致專利技術(shù)被泄露或喪失創(chuàng)新動(dòng)力； 在領(lǐng)域科研團(tuán)隊(duì)層面， 科研團(tuán)隊(duì)在技術(shù)研究時(shí)應(yīng)積極對(duì)標(biāo)領(lǐng)域前沿， 從而保障技術(shù)的復(fù)雜度與創(chuàng)新性。同時(shí)， 科研團(tuán)隊(duì)也應(yīng)注重團(tuán)隊(duì)構(gòu)建， 通過積極吸納領(lǐng)域內(nèi)新鮮血液來促進(jìn)團(tuán)隊(duì)實(shí)力的提升，力求研究開發(fā)出更有競(jìng)爭(zhēng)力且價(jià)值更高的產(chǎn)品。由此， 本研究所構(gòu)建的基于機(jī)器學(xué)習(xí)的成本法專利價(jià)值評(píng)估方法可以很好地對(duì)專利進(jìn)行市場(chǎng)價(jià)格預(yù)估，在提升產(chǎn)學(xué)研轉(zhuǎn)化的同時(shí)， 可以為轉(zhuǎn)化價(jià)格提供參考， 并有望對(duì)領(lǐng)域發(fā)展產(chǎn)生一定的促進(jìn)作用。

４ 結(jié)語

本研究從機(jī)器學(xué)習(xí)與專利成本視角切入， 通過Ｉｎｎｏｇｒａｐｈｙ 數(shù)據(jù)庫(kù)與Ｉｎｃｏｐａｔ 數(shù)據(jù)庫(kù)下載“新能源汽車” 領(lǐng)域多指標(biāo)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(xùn)練集與專利數(shù)據(jù)預(yù)測(cè)集；構(gòu)建ＡｕｔｏＧｌｕｏｎ 機(jī)器學(xué)習(xí)分類算法， 將包含成本數(shù)據(jù)的Ｉｎｎｏｇｒａｐｈｙ 專利數(shù)據(jù)訓(xùn)練集導(dǎo)入模型進(jìn)行訓(xùn)練，并將訓(xùn)練好的模型對(duì)Ｉｎｃｏｐａｔ 專利數(shù)據(jù)預(yù)測(cè)集進(jìn)行成本預(yù)測(cè)； 最后使用成本法并結(jié)合本研究提出的專利價(jià)值指數(shù)對(duì)預(yù)測(cè)結(jié)果進(jìn)行計(jì)算， 估算其價(jià)格區(qū)間。通過實(shí)證分析與結(jié)果驗(yàn)證可知， 本研究所構(gòu)建的基于機(jī)器學(xué)習(xí)的成本法專利價(jià)值評(píng)估方法在預(yù)測(cè)專利價(jià)值區(qū)間中具備一定有效性， 能為促進(jìn)專利價(jià)值評(píng)估研究和專利轉(zhuǎn)移轉(zhuǎn)化定價(jià)時(shí)間提供參考。

需要說明的是， 本研究在模型構(gòu)建與訓(xùn)練時(shí)，單一地使用了“新能源汽車” 相關(guān)領(lǐng)域?qū)＠麛?shù)據(jù)，數(shù)據(jù)樣本特征不明顯； 在影響因素指標(biāo)選取與價(jià)值系數(shù)評(píng)估體系中， 僅構(gòu)建了包含１０ 個(gè)指標(biāo)的專利成本影響因素體系與構(gòu)建了包含１６ 個(gè)指標(biāo)的專利價(jià)值指數(shù)指標(biāo)體系， 科學(xué)性有待提高； 在分類模型構(gòu)建與訓(xùn)練時(shí)， 模型精準(zhǔn)度尚未達(dá)到８０％以上，且在結(jié)果驗(yàn)證時(shí)驗(yàn)證集數(shù)據(jù)量較少， 價(jià)格預(yù)估的準(zhǔn)確性仍需進(jìn)一步商榷； 同時(shí)， 本研究所使用的成本法以攤銷為目的的專利技術(shù)評(píng)估方法， 這種方法多用在收益額無法預(yù)測(cè)和市場(chǎng)無法比較情況下的技術(shù)轉(zhuǎn)讓， 準(zhǔn)確性較高， 但其起始點(diǎn)是對(duì)一種專利技術(shù)商品重置成本的估計(jì)， 所得結(jié)果主要是考察歷史成本及趨勢(shì)， 并折成現(xiàn)值表示出來， 它沒有考慮市場(chǎng)需求， 尚未考慮與專利技術(shù)相關(guān)的產(chǎn)品的市場(chǎng)及經(jīng)濟(jì)效益的信息， 因此缺乏對(duì)影響專利技術(shù)商品價(jià)值的市場(chǎng)因素及效益因素的綜合考量。在后續(xù)研究中，將通過擴(kuò)充專利數(shù)據(jù)樣本， 構(gòu)建更加科學(xué)的價(jià)值評(píng)估體系與構(gòu)建更加精準(zhǔn)的機(jī)器學(xué)習(xí)分類模型， 并使用更加科學(xué)的價(jià)值評(píng)估手段， 實(shí)現(xiàn)對(duì)全領(lǐng)域?qū)＠麅r(jià)值的精準(zhǔn)評(píng)估。

（責(zé)任編輯： 郭沫含）