我國高校專利分類變化的評價模型及其回歸分析*

謝雨飛，朱周力，翟曉亮，馬 琳，李靜玉，朱 平

(1.江南大學物聯網工程學院，江蘇無錫214122;2.江南大學理學院，江蘇無錫214122)

隨著我國高校專利申請數量的不斷增長，發明專利，實用新型專利以及外觀設計專利在專利申請總量上所占的比重有明顯的變化。因此我們需要找到影響專利申請數量的關鍵因素，并據此建立一個科學、合理、有效的數學模型，該模型能夠很好的擬合歷年的專利申請數據，并且可以較準確地預測未來專利申請數量的變化趨勢，從而能夠通過改變某一影響因素實現在特定時期內控制專利申請的總量以及不同種類專利申請量之間的比例關系。

在信息技術高速發展的今天，集成化的專利文獻信息資源以網絡化為依托，實現了專利文獻的數字化、網絡化，從而拓寬了專利文獻信息的渠道，加強了專利文獻信息的傳播和利用。將這些專利信息進行收集、整理、分析所制成的專利地圖以及專利數量回歸模型將在我國高校專利分析中扮演重要的角色。

1 研究方法和數據

專利申請量與專利授權量均能在一定程度上說明我國高校的專利產出水平，但是由于專利授權量受到政府專利機構等人為因素的影響較大，使得專利授權量由于不確定因素增大而容易出現異常變動，所以本文選擇專利申請量作為分析與預測的研究對象[1]。目前能夠影響高校專利申請量的因素有很多，涉及到國家宏觀政策、科技人力、科技經費、科技機構、科技項目、科技成果及技術轉讓等眾多方面。

1.1 樣本的選擇和數據的采集

我國《專利法》明確規定，專利有發明、實用新型和外觀設計三種類型[2]。發明，是指對產品、方法或者其改進所提出的新的技術方案;實用新型，是指對產品的形狀、構造或者其結合所提出的適于實用的新的技術方案;外觀設計，是指對產品的形狀、圖案或者其結合以及色彩與形狀、圖案的結合所做出的富有美感并適于工業應用的新設計。因此，從專利的定義和種類來看，中國高校人文社科類專業的研究與專利的相關度不大，本文在研究的過程中只考慮理、工、農、醫類專業的相關研究。

專利法》經過第二次修正(2000年)之后，不僅加大了專利保護力度，完善司法和行政執法，還簡化、完善了專利審批和維權程序，維護當事人的合法權益。這些因素都將影響我國高校專利申請量的變化，因此本文主要選取了2001—2011年全國設有理、工、農、醫類教學專業的高等學校及其附屬醫院在基礎研究、應用研究、試驗發展、以及R＆D(科學研究與發展)成果應用、其他科技服務、科技成果轉讓等各個層面開展研究的總體數據。選取的數據時間跨度為11年，主要涉及科技人力、科技經費、科技機構、科技項目、科技成果及技術轉讓等情況，共有143組數據。

本文研究的數據主要來源于《2002—2012年高等學校科技統計資料匯編》[3]。《匯編》是教育部科學技術司根據國家的統一部署和高等學校科技工作的具體情況，在組織各省、自治區、直轄市教育廳實施“全國普通高等學校科技統計年報(理、工、農、醫)”的基礎上，經過綜合加工、整理而成的全面反映高等學校科技活動總體狀況的數據資料匯集。此外，其他數據取自《2002—2012年中國統計年鑒》[4]和《2002—2012 年中國科技統計年鑒》[5]。最終2001—2011年我國高等院校專利申請量及其影響因素的統計結果見表1。

表1 2001—2011年我國高等院校專利申請量及其影響因素

1.2 研究思路和方法

文章研究思路和方法主要包括:

1)利用Multi-Agent技術繪制出專利地圖，分析我國各地區高校專利申請量的情況;

2)將2001—2010年的數據作為訓練樣本，利用逐步回歸的分析方法從中篩選出影響程度較高的因素，構建多元線性回歸分析與預測模型，最后根據2011年影響因素的值對該年的研究對象的值進行預測，并與2011年研究對象的實際值進行比較，計算出預測相對誤差并進行修正，使模型具有相對準確的預測性能。

2 專利地圖、Multi-Agent系統以及多元線性回歸的概念

2.1 專利地圖

專利地圖(Patent Map)[6]是將各種與專利相關的資訊信息，以統計分析的方法，加以縝密及精細剖析整理制成各種可分析解讀的圖表信息，使其具有類似地圖指向功能的形象稱呼。采用計算機技術之后，專利地圖可以重新概括定義為專利信息圖形化處理和專利數據的系統管理方法。

專利地圖一般可以分為專利管理地圖和專利技術地圖。專利管理地圖主要包括:歷年專利件數動向圖、申請人分布圖、所屬國專利數量比例圖、企業發明陣容比較圖、專利研發經費比較圖等。在專利管理地圖的基礎上，找出主要的專利文獻，并且對這些主要文獻進一步地解讀，得到這些專利文獻的技術目的，采用的技術手段及所要達到的技術功效，就可以開始專利技術地圖的繪制。專利技術地圖主要包括專利引證關系技術族譜圖、專利技術/功效矩陣圖、專利技術發展圖等。專利技術地圖一旦完成，我們可以清楚地看出特定技術的動向，并進一步預測技術的未來趨勢。

2.2 Multi-Agent系統

Agent技術[8]屬于人工智能的范疇，具有以下特征的軟件實體:①自治性(Autonomy):即Agent能根據外界環境的變化，而自動地對自己的行為和狀態進行調整，而不是僅僅被動地接受外界的刺激，具有自我管理自我調節的能力。②反應性(Reactive):Agent能對外界的刺激做出反應的能力。③主動性(Proactive):對于外界環境的改變，Agent能主動采取活動的能力。④社會性(Social):Agent具有與其它Agent或人進行合作的能力，不同的Agent可根據各自的意圖與其它Agent進行交互，以達到解決問題的目的。⑤進化性(Evolutionary):Agent能積累或學習經驗和知識，并修改自己的行為以適應新環境。

Multi-Agent系統[9]是多個 Agent組成的集合，其多個Agent成員之間相互協調，相互服務，共同完成一個任務。它的目標是將大而復雜的系統建設成小的、彼此互相通信和協調的，易于管理的系統。基于DAI技術的Multi-Agent系統，就是通過分布式的智能Agent之間的交互、協調和溝通來處理分布式問題，從而克服傳統的人工智能所建立的單一的、獨立的系統所不可避免的缺陷。

Multi-Agent系統之所以可以應用到專利地圖中，就在于該系統的特點能夠適應專利地圖的要求。專利地圖的本質就是專利信息的集合，因此制作專利地圖的關鍵就是收集和處理信息，從而為我國高校調控專利申請的數量與分類比例提供決策支持。單個的Agent就相當于一個信息處理器。因此，當出現一種新的信息處理方法，就可以簡單地創建一個新的Agent，然后把它部署到原系統中，從而使得系統具有很好的擴展性。

專利文獻是專利地圖信息的主要來源，通過有關專利檢索數據庫就可以獲得信息資源。最初的檢索結果和獲得的文獻量可能非常大，這些文獻必須依靠人工來進行瀏覽和篩選，剔除與制作專利地圖需求無關的部分，得到與研究內容相關的專利文獻，利用篩選后的專利文獻進行專利管理圖的制作。在專利管理圖的基礎上，找出主要專利文獻，并對這些主要專利文獻進一步解讀，得到這些專利文獻的技術目的、采用的技術手段及所要達到的技術功效，就可以開始專利技術圖的制作。也就是說，制作專利地圖所使用的信息資源結構通常比較復雜，包含結構化信息和非結構化信息。Multi-Agent System則通過人類Agent和機器Agent的設計理念，成為最能實現人機合作的系統模型。

2.3 多元線性回歸

多元線性回歸分析[11]是一種用于研究一個隨機變量或因變量Y與一個或多個自變量(X1～Xn)之間的相互依存關系，并利用統計分析方法和函數對這種關系的實質、特點、變化規律等進行分析解讀和形式化描述的方法。具有方法簡單，對變量之間關系解釋能力強的優點，在社會、經濟、技術以及眾多自然科學領域有著廣泛的應用。

多元線性回歸分析模型的形式化描述如公式(1)所示:

其中β0是常數項，表示當所有自變量為0時因變量Y的總體平均估計值;β1～βn表示回歸系數，主要有兩種:標準化回歸系數和非標準化回歸系數[12]。β1表示除X1之外的其它自變量固定不變的情況下，X1每改變一個測量單位時所引起的因變量Y的平均改變量，β2n表示意義與β1一樣。ε是被稱為誤差項的隨機變量，它說明了包含在Y里面但不能被n個自變量的線性關系所解釋的變異性。

多元線性回歸分析模型的構建主要通過各種回歸分析方式將一些有效的，對因變量影響顯著的自變量加入到回歸模型中，然后對模型進行各種檢驗，主要包括判定系數檢驗(R檢驗)、回歸系數顯著性檢驗(T檢驗)、回歸方程顯著性檢驗(F檢驗)[13]。檢驗通過，該分析模型構建完成。

3 基于Multi-Agent系統的專利地圖的制作

3.1 基于Multi-Agent系統的專利地圖設計

如圖1所示的Multi-Agent系統中，人類專家可以通過智能界面Agent與機器Agent進行信息交換和溝通，實現人機合作的關鍵是智能人機界面A-gent的存在[14]。

圖1 基于Multi-Agent的專利地圖示意圖

1)Internet Agent模型:Internet Agent就是網絡中的任一網站，無需本系統的干預;

2)數據采集Agent模型:通過網絡在有償或無償提供的專利數據庫中檢索我國高校專利情報，同時將搜集到的專利情況進行標準化處理，做代碼化的技術分類，使其數據庫化。該模塊能夠對特定的網站進行實時監控，當有關鍵數據發生變動時，能夠自動地執行相關操作;

3)機器Agent模塊:這類模塊主要是對數據庫中的專利信息進行專利分析，分析是基于專利分析理論及數理統計分析理論的基礎之上的。鑒于前文提到的專利地圖的分類，我們可以建立起歷年專利動向分析Agent、高校專利占有比例 Agent、歷年專利分類分析 Agent、專利引用族譜分析 Agent、專利研發人員分析Agent、專利科研經費分析 Agent、專利成果轉讓分析Agent、專利研究機構分析Agent等;

4)管理 Agent模塊[15]:它是系統的核心，是一個功能完整的獨立模塊，負責多個Agent之間的協調控制及各個Agent的路徑信息的存儲和查詢。本系統由于協作任務量不大，整個系統采用集中式的控制方式;

5)界面Agent模塊:這類模塊主要是對機器A-gent的分析結果進行可視化，鑒于專利地圖分析的復雜性，界面Agent綜合考慮了機器Agent的分析結果和專家分析的結果。界面Agent的存在綜合了非結構化決策和結構化決策模型的優點，提高了決策的準確性。

3.2 專利地圖實例

根據上述的系統分析過程，設計了多個基于Multi-Agent專利地圖原型系統。此處以江南大學的專利申請量和全國所有高校的專利申請量為例，即選取江南大學2011年專利申請數量和全國高校2011年專利申請數量為研究對象，研究各個種類的專利占有比例，經數據收集Agent和高校專利比例分析Agent處理后得到的關鍵數據見表2，表3。

表2 2011年江南大學各種專利申請數量

表3 2011年全國高校各種專利申請數量

界面Agent從表2獲得數據，然后可視化表示如圖2所示。

界面Agent從表3獲得數據，然后可視化表示如圖3所示。

從圖中我們可以明顯地看出江南大學外觀設計專利所占比重較大，遠遠超過全國高校外觀設計專利所占的比重，而發明專利所占的比重則幾乎只有全國高校發明專利所占比重的一半，由此我們可以看到:江南大學在專利方面存在申請總量大，創新性不強，分類比例極端不合理等問題，因此，建議首先可采取政策調控等手段加大對發明專利和實用新型專利的獎勵力度，設立專利維持基金。其次可以通過科學論證的方法有選擇性地保護一些重點核心專利。此外，還可以加強產學研合作，讓高校專利在市場中應用并加以實施，真正發揮其價值。當然我們也可以推廣到其他學校也可能存在著各種專利所占比例不盡相同，與全國高校總體情況存在較大差異的現象。

圖2 2011年江南大學專利申請種類分布圖

圖3 2011年全國高校專利申請種類分布圖

此外我們以全國各地區高校專利申請量為例，即選取全國各地區高校2011年專利申請數量為研究對象，經數據收集Agent和各省專利比較分析A-gent處理后得到的關鍵數據見表4。

表4 2011年全國各地區高校專利申請數量

界面Agent從表4獲得數據，然后可視化表示如圖4所示。圖中顏色的深淺反映出全國各地區高校的專利申請數量的多少，從圖中我們可以直觀地看出我國東南沿海一帶地區高校專利申請量較多，中西部地區高校專利申請量較少，東西差距十分明顯。

那么影響我國高校專利申請量以及分類變化的主要因素究竟是什么以及我們如何得出高校專利申請量的預測模型，本文在此基礎上進行進一步的研究。

4 基于多元線性回歸分析的我國高校專利申請量的預測模型

圖4 2011年全國各地區高校專利申請地圖

本文將發明專利申請量，實用新型專利申請量，外觀設計專利申請量作為因變量即分析與預測的目標變量，標記為Y1、Y2和Y3。將各影響因素作為自變量，具體標記情況見表5，標記之后，我們利用多元線性回歸分析方法通過SAS軟件[16]分別對三個因變量與其自變量的關系進行回歸分析，回歸分析的結果見表6～表12所示(僅以發明專利為例)。

表5 各主要影響因素的具體標記情況

表6 所有因素在內的方差分析表

表7 所有因素在內的參數估計表

表8 逐步回歸第一步后的方差分析表

表9 逐步回歸第一步后的參數估計表

表10 逐步回歸結束后的方差分析表

表11 逐步回歸結束后的參數估計表

表12 逐步回歸法剔除變量結果摘要

表6表示所有因素在內的回歸模型的方差分析結果，其中F是檢驗方程顯著性的統計量，是回歸均方與剩余均方之比，其值越大越好[17]。Pr＞F稱作P值，表示顯著性水平，其值要求小于0.05或0.01，小于0.01 表示回歸差異極顯著，處于 0.01 和0.05之間表示回歸差異顯著。本次回歸的P值為0.002 7，小于 0.01，表明回歸差異極顯著。

表7表示所有因素在內的參數估計表即回歸分析的各項系數，其中P值均大于0.05，表明各影響因素之間可能存在較強的相關性，需要剔除其中顯著性水平較弱的因素。由于基礎研究經費(X3)的P值最大，故決定首先剔除基礎研究經費(X3)因素。

表8表示剔除掉基礎研究經費(X3)因素后的回歸模型的方差分析結果，可以看出，F統計量的值變大，表明方程的顯著性增強。P值小于0.000 1，表明回歸差異極顯著。

表9表示剔除掉基礎研究經費(X3)因素后的參數估計表即回歸分析的各項系數，可以看出，剩余各影響因素的P值均有所減小，顯著性增強。其中應用研究經費(X4)的P值減小的最多，表明應用研究經費(X4)與基礎研究經費(X3)之間有較強的相關性，并且應用研究經費(X4)對發明專利申請量的影響程度更大。

表10表示逐步回歸結束之后的回歸模型的方差分析結果，可以看出，F統計量的值再次變大，表明方程的顯著性增強。P值小于0.000 1，表明回歸差異是極其顯著的。

表11表示逐步回歸結束之后的剩余因素的參數估計表，所有因素中只有X1(教學與科研人員)，X4(應用研究經費)和X8(發表學術論文數)三個因素被選入到回歸模型中。在多元回歸分析中，能夠選入回歸模型的自變量都是對因變量即研究對象影響程度較大的變量，可以明顯地看出最終留下的三個變量的P值均遠遠小于0.05，表明回歸差異極顯著。通過將表11中的回歸系數帶入構建的回歸預測模型中，得到如下的發明專利申請量的回歸分析預測方程:

表12表示逐步回歸法剔除變量結果的摘要，其中R的平方稱為判定系數，主要用于衡量回歸模型的擬合優度或用來說明自變量解釋因變量變異的程度。R方越大越好，一般地，大于0.8，說明方程對樣本點的擬合效果很好。本次回歸一共經過5步完成，最終模型的R2為0.998 1，表明最終方程對樣本點的擬合效果很好。

通過MatLab編程[18]，我們可以得到發明專利樣本點與回歸方程的擬合圖像，如圖5所示(其中實線代表樣本點的連線，虛線代表回歸方程的圖像)。

圖5 發明專利樣本點與回歸方程的擬合圖

同理我們可以得到實用新型專利與主要影響因素的線性回歸方程:

通過MatLab編程我們可以得到實用新型專利樣本點與回歸方程的擬合圖像，如圖6所示:(其中實線代表樣本點的連線，虛線代表回歸方程的圖像)

同樣可以得到外觀設計專利與主要影響因素的線性回歸方程:

通過MatLab編程，我們可以得到外觀設計專利樣本點與回歸方程的擬合圖像，如圖7所示:(其中實線代表樣本點的連線，虛線代表回歸方程的圖像)

圖6 實用新型專利樣本點與回歸方程的擬合圖

圖7 外觀設計專利樣本點與回歸方程的擬合

從以上三個圖中可以看出多元線性回歸方程對樣本點的擬合結果還是比較準確的，我們將2011年的數據帶入以上三個預測方程中，從而能預測出三種不同專利類型的申請數量。預測結果與實際值的誤差見表13。可以看出，除了發明專利以外，實用新型專利與外觀設計專利預測相對誤差較大。

表13 2011年各種專利申請量的預測值及其與實際值的誤差

5 結語

鑒于目前我國高校專利申請量影響因素分析與預測研究方面，不夠系統全面，定性研究多，定量研究少，分析研究多，預測研究少的現狀，融合Multi-Agent技術、多元線性回歸分析預測方法，并用2011年的數據進行預測驗證研究。研究結果表明:

1)對發明專利申請量影響較大的是教學與科研人員(X1)，應用研究經費(X4)，發表學術論文數(X8);對實用新型專利影響較大的是教學與科研人員(X1)，應用研究經費(X4)，R＆D成果應用經費(X6);對外觀設計專利影響較大的是教學與科研人員(X1)，應用研究經費(X4)，R＆D成果應用經費(X6)，R＆D成果應用項目數(X7);

2)多元線性回歸分析預測模型可以很好地擬合樣本數據，具有很高的有效性。

針對以上研究結果，我們可以對國家專利發展戰略提出如下建議:

①加大對教學與科研人員的培養，為國家源源不斷的注入新鮮的血液;

②建立科學細致的經費管理體制，從根本上解決經費管理問題，讓經費真正的應用到科研開發中，使其能夠最大比例的轉化為專利成果;

③建立關于科研工作科學性與嚴謹性要求的科技政策與法規，用以制約、監督檢查和管理那些錯誤很多的科研課題、科研成果。同時加大對高校論文的重視，大學生具有豐富的創造力和想象力，加大大學生對科研興趣的培養力度很重要，這將極大的提高學術論文的發表數量與質量。

由于影響專利申請的因素大概有20多種，而本文僅僅選擇了其中的八個因素進行多元線性回歸分析，所以得到的分析結果存在一定的不完全性。又由于2001年之前各因素的數據缺失比較大，2011年之后的各因素的數據也不全，因此在本文分析中僅選用了2001—2011年間的數據做分析與預測實證研究，數據的規模和歷時性可能會對分析與預測的結果造成一定的影響。因此還需要進一步針對回歸預測模型深入研究，給國家專利發展找略提供更為有效的建議和方案。

[1]翟東升，周 娟，王明吉.基于多Agent的專利地圖研究[J].情報雜志，2006(7):2－4.

[2]雷 迪.專利地圖在我國高校專利技術研發中的應用[J].科技管理研究，2011(6):175 －178.

[3]教育部科學技術司.高等學校科技統計資料匯編(2002－2012)[M].北京:高等教育出版社，2002－2012.

[4]國家統計局.中國統計年鑒(2002－2012)[M].北京:中國統計出版社，2002－2012.

[5]國家統計局，國家科技部.中國科技統計年鑒(2002－2012)[M].北京:中國統計出版社，2002－2012.

[6]王興旺，湯琰潔.基于專利地圖的技術預測體系構建及其實證研究[J].情報理論與實踐，2013(3):51－55.

[7]曹麗江 孫 帥 基于專利地圖的我國太陽能光伏建筑一體化專利信息分析[J].情報雜志，2013(5):84－86.

[8]梁 瑩，徐福緣.基于多Agent的專利資源協同獲取模型研究[J].情報理論與實踐，2009(8):118－120.

[9]王 偉.專利發展趨勢預測模型的選擇[J].科技情報開發與經濟，2003(2):147－148.

[10]關 旭，劉 豹.基于Multi-Agent系統的預測支持系統的結構[J].系統工程與電子技術，2001(8):4－11.

[11]許 良，畢開順.多元線性回歸分析法在蒙藥森登－4湯譜效關系解析中的應用[J].計算機與應用化學，2008(10):1 189－1192.

[12]胡澤文，武夷山.科技產出影響因素分析與預測研究——基于多元回歸和BP神經網絡的途徑[J].科學學研究，2012(7):992－1 004.

[13]葉春明，齊 靜.基于多元線性回歸模型的專利技術產業化評價研究 科技管理研究58.

[14]李 江，雷曉剛.基于Multi-Agent技術的大型航天研發項目風險分析方法[J].國防科技大學學報，2012(34):6－10.

[15]毛新軍，陳火旺，劉鳳岐.Multi-Agent系統中 Agent知識獲取的合作模型[J].軟件學報，2001(2):256－262.

[16]張 嫻，謝錦春.正交信號校正應用于多元線性回歸建模的研究[J].光譜學與光譜分析，2011(12):3 228－3 231.

[17]張龍軍，劉立芳，張向上.應用多元線性回歸法測定黃河口不同粒徑懸浮物中的有機碳含量[J].分析化學，2008(5):567－571.

[18]石劍平，姜 麟，徐潤林.Matlab數據庫工具箱在數學建模中的應用[J].信息系統工程，2010(9):82－85.