企業潛在技術合作伙伴及競爭者預測研究
——以燃料電池技術為例

李 冰，丁 堃，孫曉玲

（大連理工大學科學學與科技管理研究所，大連 116024）

1 引 言

企業關注的轉移轉化工作主要包括技術引進、技術輸出以及技術合作。為了使得企業進行更優質的轉移轉化，在各項工作的展開中需要進行對自身專利的盤點，包括與對標企業技術比較分析自身的優劣勢、調整企業專利組合等。同時，更加需要對行業內專利技術評估以及技術持有者的評價，以便在專利技術轉移轉化中尋求到最佳的合作伙伴，在專利布局中防范可能的競爭對手。然而，外部專利數量的迅速增長，意味著大量新技術的不斷產生與更替，對于企業進行后項工作而言，會造成時間成本和資金成本的大量消耗。如何在大的行業范圍內幫助企業縮小尋找范圍，快速定位潛在關系對象是本文想要解決的主要問題。

對于這項工作的開展，若采取行業范圍內專利及專利持有者的逐一篩選和評估無疑不是最明智的選擇，本文的研究思想是將企業在這一環節的工作聚焦在圍繞自身的發展狀況，牢牢把握現有的專利情報信息。這要求企業在對自身專利的盤點過程中，不僅需要關注已有的專利，對于已有專利的引用專利更加需要關注，這部分專利蘊含的信息是企業技術發展的知識基礎，也是挖掘企業關注技術的信息依托。已有研究表明，技術相似性是企業挖掘技術競爭對手與合作伙伴的重要依據，可以給企業在全球范圍內尋求技術競合對象提供有效的決策信息支持[1]。對于專利引用信息的有效利用，可以挖掘企業關注的技術內容，而關注相似技術的企業則可能成為合作伙伴或是競爭對手，在實際中需結合具體情況而定，但可以達到縮小查找范圍、精準定位的研究目的。

目前，采用專利信息挖掘企業合作伙伴的研究主題可以概括為兩部分內容。其一是產學研合作研究。例如，王菲菲等[2]基于論文合作和專利合作網絡對產學研潛在合作機會進行預測；許海云等[3]和王超等[4]基于基礎研究、應用研究、轉移轉化、商品化和產業化五個環節組成的創新鏈對潛在產學研合作對象進行識別；周超強[5]通過構建科技領域詞典，結合技術需求以及基于潛在語義的文本相似度計算，實現了專家推薦系統，并對產學研合作進行專家推薦；付鑫金等[6]利用科技查新識別產學研潛在合作對象；冉從敬等[7]從企業視角出發，構建了校企合作選擇模型，為校企合作提供了便捷路徑；Kang 等[8]將LDA （latent Dirichlet allocation） 主題模型和聚類算法相結合，對特定技術領域的子技術類別進行分類，并在每個類別中為企業確定最佳大學合作伙伴。其二是方法性研究，即對于尋找企業潛在合作伙伴的方法研究。例如，溫芳芳[9]通過構建專利分類號的耦合網絡分析企業間的潛在合作關系；楊梓[10]在其學位論文中利用專利數據，采用文本挖掘等方法，對技術關聯的企業間潛在創新合作的可能性進行了探討；傅俊英等[11]通過測度專利之間的相似性，來度量專利權人之間的技術相似性，進而對中小企業的潛在合作伙伴進行識別；溫亮等[12]通過構建基于SAO （subject-action-object） 語義分析的技術合作伙伴識別體系，對網絡內企業重點子技術領域進行相似度分析，從而識別企業潛在的技術合作伙伴；Angue 等[13]提出了一種基于專利組合的對偶分析方法，幫助企業識別潛在合作伙伴。

不同于上述研究，本文指明異質性網絡建模的理論基礎，利用企業引用專利的直接互動給關系，構建企業-專利的異質性網絡。在研究方法上，新興的機器學習和深度學習的方法在分類和預測問題上均達到了理想的效果，然而，已有的研究對于這類方法的利用依然不盡完善，對于算法的選擇和研究的理論并沒有做到十分的匹配。本文在二部圖理論的基礎上，選取基于SimRank 鏈路預測算法為實驗方法，對企業潛在的技術合作伙伴和競爭對手進行預測挖掘，并基于text2vec 的表示學習對專利文本進行向量化表示，對潛在競合對象和目標企業的專利文本進行相似度計算，衡量兩個企業的技術差異度，進而判斷競合關系。本文進一步完善了以專利信息為依據對企業合作伙伴挖掘的主題研究，豐富了該主題的研究框架，更為實際企業發展中尋找潛在關系對象提供新的思路，縮小查找范圍，節約企業發展成本。

2 研究設計

2.1 異質網絡構建的理論模型

二部圖是圖論中一種特殊的模型。其定義為：若G= (V,E) 的頂點集V的一個劃分是V=V1∪V2,V1∩V2= ?，使得G中的任何一條邊的兩個端點分別在V1和V2中，如圖1a 所示。在二部圖的基礎上延伸出完全二部圖和有向二部圖等概念。實踐中，已有關于二部圖利用的相關研究，如利用二部圖可以求出網頁的最大匹配與完全匹配，挖掘出隱含的知識社群，以及最常用的將V1作為用戶集，V2作為商品集，進行產品的推薦[14-16]。

圖1 企業-專利二部圖設計

本文借鑒二部圖的理論思想，將企業看作用戶，專利看作商品，企業對于專利的引用可以看作用戶對商品的選擇，以此構建企業-專利的異質性網絡，可以充分體現企業與專利的直接互動關系。在這里，企業之間的合作以及專利之間的引用關系暫時不考慮，由此得到的數據集的鏈接關系符合二部圖理論。

2.2 研究方法

2.2.1 鏈路預測

在二部圖理論的基礎上，本文選用的研究方法是基于SimRank 指標的鏈路預測算法。近年來，鏈路預測方法由于其廣泛的應用性已經得到了普遍的認可，并且在學術研究中已經與專利信息挖掘進行了較好的結合[17-19]，其內涵的算法有很多，其中比較經典的如優先連接（preferential attachment，PA）、共同鄰居（common neighbor，CN）、 Salton 指標（也叫余弦相似性）、Jaccard 指標、Sorenson 指標、大度節點有利指標（hub promoted index）、大度節點不 利指 標（hub depressed index） 和LHN-I 指標等，對于鏈路預測算法有不同計算方式的不同分類[20]。已有研究表明[21]，SimRank 算法在預測效果方面顯得較為穩定，受到網絡結構擾動的影響相對較小，這是本文選擇SimRank 的原因之一；另外，該算法的計算思想與二部圖模型更加契合，體現了研究理論與研究方法相結合的研究設計，故本文選取SimRank 算法。

SimRank 算法的思想是，若同一類型的兩個對象與第二類型的相似對象相關，則兩者是相似的。這種思想與本研究的目的相契合，映射到本研究中就是：如果圖1 中的專利1 和專利5 相似，那么企業1 和企業2 就具有更多鏈接的可能性，引用相似專利的企業更可能成為潛在的合作者或競爭者。對于算法的計算，本文采用Antonellis 等[22]計算公式

其中，s(a,b) 是節點a和b的相似度，當a=b時，s(a,b) = 1；Ii(a) 表示節點a的第i個in-neighbor 或out-neighbor；當I(a) = ?或I(b) = ?時，s(a,b)=0；參數C為阻尼系數，本研究中設為0.8。對于Sim‐Rank 算法有效性的驗證，本文采用預測值與實際鏈接情況進行比較。

2.2.2 表示學習

通過鏈路預測可以挖掘出潛在競合對象，而對于競爭對手的確認，本文從技術威脅角度考慮，技術威脅衡量的是技術差距、技術差異等實際因素，可能給企業自身利益與安危帶來的影響。本文以專利數量衡量技術差距，以專利文本內容相似性衡量技術差異進行潛在競爭對手的確認。

在技術差異度量中，將專利技術進行文本向量化表示，深度學習中的表示學習可以將研究對象，如詞匯、短語、句子等的語義信息，表示為稠密低維的實值向量，目前已有較為成熟的運用[23-24]，由于篇幅限制本文不再詳細介紹。從技術特征和功效特征兩個角度，本文對專利文本的技術標簽進行抽取，然后采用text2vec 將抽取的技術功效句進行語義向量表示。 text2vec 包是由Dmitriy Selivanov 于2016 年10 月所寫的R 包①http://text2vec.org/index.html，此包主要是為文本分析和自然語言處理提供了一個簡單高效的API （appli‐cation programming interface） 框架，可以進行詞向量化操作、word2vec 的升級版GloVe 詞嵌入表達、主題模型分析以及相似性度量四大方面。在專利向量表示之后，通過計算向量之間的相似度來度量兩個企業間的技術差異性，余弦相似度的計算公式為

其中，A、B分別表示兩家企業專利文本的表示向量；Ai表示向量A的第i維度值，Bi表示向量B的第i維度值，這里A、B均為128 維度的向量；n為128。由此計算可得cos(A,B)在(-1,1)區間，該值越接近1，表示兩個向量相似度越大，專利表示向量之間的相似度越大，技術差異越小。

綜上所述，將本文的研究設計梳理成圖，如圖2 和圖3 所示。首先，在數據獲取和預處理之后，基于專利引用信息，構建企業-專利有向二部圖，網絡邊的權重以引用頻次進行計量。其次，對算法在本研究中的有效性進行檢驗，將企業與企業之間的實際合作次數作為實體鏈接的實際值，與鏈路預測的預測值進行比較，進而檢驗算法是否合格，若合格則進行下一步的實際預測應用。在實際預測中，本文制定隨機抽取數據集構成的網絡圖中10%的節點作為測試集，剩余90% 的節點作為訓練集。最后，在隨機生成的節點中選取目標企業，通過目標企業的預測鏈接對象類型將預測關系進行劃分，高校和科研院所視為目標企業潛在轉移轉化對象，企業視為潛在競合對象。在競合關系的判別上，本研究以技術差距作為參考，以技術差異為主要標準，即在同技術領域內，技術越相似的企業越可能成為競爭對手。

圖2 企業合作/競爭關系預測流程圖

3 實證分析

3.1 數據獲取與處理

燃料電池是一種等溫進行、直接將儲存在燃料和氧化劑中的化學能高效、無污染地轉化為電能的發電裝置。從節約能源和保護生態環境的角度來看，燃料電池是極具應用價值的發電技術，因此成為新興技術之一，目前被廣泛應用在各個領域，包括航空航天、潛艇、電動汽車等。

本文將實證研究限定在燃料電池領域，地區限定為中國，選用IncoPat 專利數據庫作為本文的數據來源，該數據庫收錄了120 個國家/地區/組織超過一億件的專利著錄數據和部分PDF 格式的說明書全文，其數據來源于官方和商業數據提供商，并且更新速度快。本文對2018 年至今的發明和授權專利數據進行獲取，中文檢索以 “燃料電池” 為主題詞，英文檢索以“fuel cell OR fuel batter*” 為主題詞。數據下載時間為2020 年8 月，共6083 條，合并同族后獲得5784 個專利族作為本文的源數據，由于本文主要研究主體為企業，故過濾掉申請人類型為 “個人” 的專利數據，剩余5561 個族。

獲取數據之后對數據進行處理，去除沒有引用數據的專利，提取每項專利的專利權人信息和引用的專利信息。將專利P1 對專利P2、P3 的引用視為P1 的專利權人對P2、P3 的引用，專利權人對每項專利引用的頻次視為專利權人和專利鏈接的權重，由此可以獲得企業與專利的鏈接關系，去除重復的引用對，最后，生成由5200 個節點組成的5423 對節點鏈接關系。同時，將專利權人中的合作關系提取出來，合作次數作為權利人之間的鏈接權重，記為對比數據，以便后續模型有效性的檢驗使用。

3.2 實證結果

3.2.1 模型測試

在實證之前，本文對模型進行有效性檢驗，檢驗方式采用預測鏈接權重與實際鏈接權重進行對比。首先，對全部數據進行預測，將預測結果與第3.1 節中數據處理的對比數據進行權利人合作關系匹配，得到不同權利人合作以及對應的兩組數據值，分別是預測鏈接值和實際鏈接值，選取其中排名前200 對合作關系進行相關性檢驗，檢驗結果如圖4 和表1 所示，圖4 是預測鏈接值和實際鏈接值的散點圖，表1 是回歸分析結果。

圖4 預測值與實際值散點圖

表1 回歸分析結果

從回歸分析結果來看，MultipleR為0.75，表明預測值和實際值之間具有一定的相關性，該模型是可行的。

3.2.2 結果分析

1） 目標企業確定

對于隨機生成的10% 的預測主體，本文將預測鏈接值排名前20 位的鏈接組合顯示如表2 所示。其中，預測對象1 和預測對象2 均來自隨機生成的主體之中，并且在實際中還未有鏈接關系，預測鏈接權重是各個主體對在未來鏈接的可能性。

由表2 可知，預測結果中，排名第1 位的是安徽江淮汽車集團股份有限公司和大連理工大學，預測鏈接為1.117。為了更加清晰地顯示預測對象的活躍度，將預測值排名前1000 位的節點對中各個節點出現的頻次進行統計并可視化（圖5）。其中，連線代表存在潛在的合作或競爭關系，節點的大小代表出現頻次。由圖5 可以明顯看到，安徽江淮汽車集團股份有限公司在所有主體中相對比較活躍，通過檢查本研究的原數據發現，其與燃料電池技術相關的專利申請均為獨立發明，下文將其作為目標企業進行分析。

圖5 隨機節點出現頻次

表2 隨機節點中預測分數排名Top20

安徽江淮汽車集團股份有限公司是一家集全系列商用車、乘用車及動力總成等集研、產、銷和服務于一體的先進節能汽車與新能源汽車并舉的綜合型汽車企業集團。該企業擁有上萬件專利，其中，燃料電池相關專利共107 條，專利申請信息如圖6所示。

圖6 安徽江淮汽車集團股份有限公司燃料電池專利申請情況

安徽江淮汽車集團股份有限公司對于燃料電池的關注從2008 年開始；2009—2011 年的專利申請量為0，表明此時期企業對于燃料電池技術的利用還處于摸索階段；2015—2018 年是企業對燃料電池專利申請量極具上升的階段時期，意味著已經將燃料電池技術與企業的產品進行有效結合，如燃料電池汽車及其配套設施等。

2） 潛在關系預測與競合關系判別

本研究將以安徽江淮汽車集團股份有限公司作為研究的目標對象，對其潛在轉移轉化對象和競爭者進行預測，即將其與實驗數據的全部主體進行鏈接預測，得到預測值排名前10 位的結果，如表3 所示。

從表3 可以看出，安徽江淮汽車集團股份有限公司的潛在轉移轉化對象包含四所高校，分別是清華大學、西安交通大學、大連理工大學以及湘潭大學，從預測鏈接權重可以看出，其與清華大學的合作最為可能。通過中英文主題詞檢索加專利權人限定，檢索出清華大學擁有的燃料電池相關專利共813 件；之后可能合作的是西安交通大學，擁有燃料電池專利261 件；最后可能合作的是大連理工大學和湘潭大學，分別擁有專利399 件和34 件。在預測排名前10 位的主體中含有6 家企業，分別是濰柴動力股份有限公司、中通客車控股股份有限公司、上海楞次新能源汽車科技有限公司、小飛象汽車技術（蘇州） 有限公司、珠海格力電器股份有限公司以及湖北雷迪特冷卻系統股份有限公司。對于鏈接關系，在實際中可能是合作也可能是競爭關系，需要結合企業的實際技術產品和發展戰略而定，本研究只進行初步的關系確認。

表3 與安徽江淮汽車集團股份有限公司有潛在鏈接關系對象Top10

由于篇幅限制，在競合關系對象中，本文以中通客車控股股份有限公司為例進行競合關系確認，對于其他企業的分析同理。在技術差距上，統計目標企業和中通客運的發明和授權專利數量，兩家企業分別為73 條和26 條，可以看出，在技術差距上，目標企業處于優勢地位。本研究抽取每項專利的功效句作為專利的技術內容表征，將專利內容進行語義向量表示，通過計算向量之間的相似度來度量技術差異性，得到73×26 的專利矩陣。相似性分值排序前10 名和后10 名如表4 所示。

表4 安徽江淮和中通客運的燃料電池技術相似性

從相似性的分值可以將中通客運基本確定為競爭對手，將其主要技術與目標企業進行對比，主要技術以IPC 分類號進行表示，如圖7 所示。其中，B60L 代表電動車輛動力裝置，B60K 代表車輛動力裝置或傳動裝置的布置或安裝，B60J 代表車輛的窗、擋風玻璃、非固定車頂、門或類似裝置。研究發現，除了在B60L 和B60K 兩項技術上兩家企業的專利數量持平，以及在B60J 技術上中通客運略領先之外，其余安徽江淮的專利數量均在中通客運之上。雖然目標企業在整體技術差距上位于優勢地位，但若進行布局或預警的防范考慮，上述三個技術均存在技術差距專利風險，需要企業及時調整專利布局。

圖7 安徽江淮和中通客車的主要技術分布

對于其他企業，譬如，上海楞次新能源汽車科技有限公司，其主營業務范圍包括新能源汽車技術、船舶動力系統技術、燃料電池技術領域內的技術開發，與本研究的目標企業安徽江淮汽車集團股份有限公司有重合的產品，即新能源汽車，所以在該項業務中更有可能成為目標企業的潛在競爭對手；而其另一項主營業務，燃料電池技術的開發以及汽車零部件的生產經營也有可能為兩家企業帶來合作，所以企業之間既有競爭關系又有合作關系，不能簡單憑預測權重數值判斷，需要結合實際的生產發展來分析。本研究的現階段結果只是為企業發展戰略提供參考。

4 結論與不足

本文的創新之處在于指明了異質性網絡構建的理論基礎，構建企業-專利有向異質性網絡，并在理論基礎之上選擇基于SimRank 指標的鏈路預測算法作為本文的研究方法。本文的研究思想是將企業持有專利的引用專利視為企業對引用專利所蘊含的技術知識的關注和需要，本文的研究目的是挖掘企業的相似技術需要，以幫助企業在尋找潛在轉移轉化對象和防范競爭者的工作縮小范圍，快速、準確地定位關系對象。在實證中，為符合二部圖理論的標準，本文忽略企業之間的合作以及專利之間的引用，建立了企業與專利的直接互動關系，并將企業之間的實際合作作為對算法有效性的檢驗。最后，本文以燃料電池技術為例進行實證，將實驗隨機產生的10% 的測試節點中出現頻次最大的節點作為本研究的目標對象，預測目標企業的潛在技術轉移轉化對象，并利用深度學習的表示學習方法對目標企業的競合對象進行技術差異度度量，對競合關系做進一步判別。

在實際生活中，專利技術轉移轉化以及研發合作多發生在具有親緣、地緣、業緣等關系的企業之間，如母公司和子公司之間、隸屬于同一母公司的多個子公司之間、在商業領域存在戰略合作關系的公司之間等[9]。因此，本文的研究思路應用到實際中還需結合企業的實際發展規劃以及潛在關系對象的發展情況。若實際中企業的業務或產品相同或相似，則為直接競爭者；若業務存在上下游關系或產品以及產品零部件存在互補關系，則更可能成為合作聯盟。同時，競爭與合作是相互轉化、相互依存的，由企業發展的不同時期和市場環境等多種因素而定。本文現階段的研究是在大的行業范圍內幫助企業縮小尋找最佳的轉移轉化對象范圍，定位潛在關系對象，提供方法的參考，節約企業發展成本并對企業戰略規劃起到一定的輔助作用。

本研究的不足之處在于，對潛在轉移轉化關系的預測是基于圖的拓撲結構信息進行隨機游走來衡量任意對象之間的相似性程度，進而達到預測的目的，缺少對專利文本內容的深入挖掘。下一步工作將對文本內容的研究進行補充完善。