高校專利許可/轉讓價值評估模型構建
——從價值識別到價格預估*

宋 凱，冉從敬

0 引言

知識經濟時代下，具備技術、經濟、法律屬性的專利在區域產業和企業發展中發揮著重要作用，發展知識產權是贏得新一輪生產力布局調整主動權的重要路徑。高校集聚大批具有重要應用價值的專利資源，能夠為國家科技發展和企業技術創新提供重要支持。因此，企業通過與高校開展專利許可或專利轉讓，將極大提升技術創造效率。近年我國高校院所產學研合作助力創新驅動發展的能力持續提升，2018年3，200家高校院所簽訂技術轉讓(包括轉讓、許可、作價入股)、技術開發、技術咨詢、技術服務合同總金額達930.8億元[1]。與此同時，高校專利產業化率3.7%、許可率2.9%、轉讓率3.2%[2]，說明仍有大量專利成果束之高閣，專利應用比例偏低，導致大量科技浪費與閑置。科技成果評價體系缺位、缺少科技成果評價標準是當前高校專利技術轉移面臨的關鍵問題之一。2020年11月習近平總書記在中央政治局第25次集體學習會議中指出要健全知識產權評估體系，研究制定防止知識產權濫用相關制度[3]。探索高校專利價值評估方法，一方面能夠幫助企業快速鎖定高校高價值度專利，另一方面也幫助高校提升專利價值評估效率。專利評估的本質是對專利隱含的技術、法律、經濟價值進行評估[4]，國內外學者也從多個角度對專利價值評估方法展開了研究。

首先，從定量分析視角出發，通過構建評估指標體系進行專利價值評估。國外學者如Grimaldi等從專利的內在屬性和外在屬性兩個方面，對專利價值指標進行了系統整合[5]。Martinez-Ruiz等提出了一個結構方程模型，將決定專利價值的技術范圍、保護范圍、技術可用性等專利指標進行了系統關聯[6]。Chai等以LED領域為例，從網絡特征的角度探索了影響專利價值的指標因素[7]。國內學者如劉勤等從專利特征、發明人特征以及權利人特征3個維度，形成了專利價值評估模型[8]。胡小君等引入專利結構指標，形成了基于專利結構化數據的專利價值評估指標體系[9]。李小童等選取已被市場檢驗的代表性高價值專利，提取并歸納其主要特征，形成了高價值專利的判定方法[10]。

其次，從機器學習視角出發，借助機器智能實現自動化的專利價值評估。國外學者如Woo等從技術性、權利性和可用性3個角度出發對專利價值進行了劃分，并進一步采用貝葉斯結構方程模型對專利價值進行了評估[11]。Choi等提出了一種評估單個專利商業潛力的方法，通過應用機器學習算法預測專利存活到保護期限截止的概率[12]。Chung等提出了一個基于深度學習的專利等級評估模型，并對半導體領域的專利進行了價值識別[13]。國內學者如韓盟等基于貝葉斯理論和組合賦權法，提出了高?？赊D移專利識別方法[14]。資智洪等提出了用于專利價值的二元分類評估方法[15]。王思培等構建了基于隨機森林算法的潛在高價值專利預測模型[16]。

此外，也存在多種實踐方法對專利交易價格進行預估。一是為市場法，在評估過程中尋找市場上相近專利的成交價格，通過對比確定待評估專利的價格。但此方法對知識產權交易市場的完善程度要求較高，需要較為全面的知識產權交易數據。二是收益法，涵蓋貼現現金流量法(DCF)、內部收益率法(IRR)、CAPM模型和EVA估價法等，通過對專利的預期收益進行預測來估計專利價格，更加注重專利的實施效果。第三種為成本法，即根據專利的投入成本估計專利市場價格，但投入成本與專利自身價值存在弱對應性，研發專利的成本有時并不能真實反映專利市場價值，尤其是技術尚處于早期研發階段，其結果具有強烈的不確定因素，如疫苗研制、藥物研發。

已有研究主要從定量分析視角和機器學習視角，通過專利價值評估指標體系構建或應用機器學習算法進行專利價值評估，但存在評估效率低，缺乏人工干預等不足。此外，已有實踐中應用的專利價格評估方法，操作復雜度較高，對參考數據依賴性較強，實用性較差。因此，本文結合已有研究，構建了一個高校專利價值評估模型，該模型具有兩大核心功能：其一是價值識別，采用人工評價與機器學習相結合的混合方法，識別高校專利的許可/轉讓價值和失效風險；其二是價格預估，通過構建高校專利市場價格預估方法，對存在許可/轉讓價值的專利進行市場價格預估。此模型能夠較為全面地展現高校專利價值，提升高校專利向企業的技術轉移效率，推動校企之間的協同創新發展。

1 高校專利價值評估模型應用方法

(1)熵權TOPSIS模型。對高校中未發生許可/轉讓的專利進行價值評估，識別出具有許可/轉讓價值和存在失效風險的專利，選用熵權TOPSIS模型進行計算。Hw ang等人在1981年提出TOPSIS法，又將其稱為逼近理想解的排序方法[17]。TOPSIS法是通過計算各個指標的正、負理想解，建立評估指標與正、負理想解相對距離的二維數據空間，在此基礎上確定最優方案[18]。但TOPSIS法不能反映變量之間的相關重要程度，因此，通常將熵權法與TOPSIS法結合，形成熵權TOPSIS模型，在客觀確定指標相對權重的基礎上，實現對多屬性問題的排序選擇，保證結果的科學性和合理性[19]。

(2)梯度提升樹算法。在人工評估的基礎上，本文采用機器學習中的梯度提升樹算法對高校專利的許可/轉讓價值進行識別。提升Boosting法是一種應用廣泛且有效的集成學習方法，它基于PAC框架下強可學習和弱可學習的關系，根據分類誤差率改變數據集的權值分布來學習多個基分類器，通過基分類器的線性組合構建最終分類器。提升樹是以決策樹為基函數的提升方法，為解決提升樹在一般損失函數上的性能問題，Freidman進一步提出了梯度提升樹，保證了梯度提升樹算法具備強大的處理混合類型數據和模擬復雜功能的能力[20]。本文在使用梯度提升樹算法進行高校專利價值評估時，需要進行超參數優化以獲取最優模型，參數組合中涉及的重要參數有：①學習率learning_rate，表示每個弱學習器的學習率，防止模型過擬合，取值在0→1之間；②子采樣比例subsample，取值在0→1之間，取值小于1有利于減少方差，防止過擬合；③最大深度max_depth，控制每棵樹對數據集處理的專門化程度，具體取值需要根據數據的分布情況；④最大迭代次數n_estimators，表示弱學習器的最大迭代次數，取值太小或太大都容易過擬合[21]。在模型評估方面，采用AUC值衡量模型預測性能，AUC值越大，表示模型性能越好[22]。

(3)曲線擬合方法。識別出高校中具有許可/轉讓價值的專利后，需要進一步對專利的市場價格進行預估，在此過程中需要確定專利綜合價值度與專利訴訟判賠額度之間的關系，此處采用曲線擬合的方法實現。在科學實驗過程中，通過實驗或觀測得到一組數據對(xi，yi)，往往希望用一條連續曲線近似地刻畫離散點組所表示的坐標之間的函數關系，常用的擬合函數有指數函數、對數函數、冪函數等。此外，衡量擬合優度的標準有很多，通常采用的是決定系數R2，它表征了方程對觀測值的擬合程度，R2的值越接近1，說明擬合曲線對觀測值的擬合程度越好[23]。

2 高校專利價值評估模型構建

高校專利價值評估模型具體分析流程見圖1。

圖1 高校專利價值評估模型

2.1 高校專利價值評估指標選取

評估指標選取是高校專利價值識別的基礎。本文在參考前人研究成果的基礎上[24-27]，結合佰騰專利價值評估體系，從3個維度出發，選取了13個指標，見表1。分析表1發現，技術維度涵蓋專利頁數、IPC分類數、發明人數量、引證次數、家族引證次數、被引證次數、家族被引證次數、合享價值度8個指標，其中專利頁數反映專利撰寫質量，IPC分類數反映專利覆蓋的技術領域，發明人數量反映研究團隊規模，引證次數和家族引證次數反映技術基礎扎實程度，而被引證次數、家族被引證次數、合享價值度反映技術影響力。經濟維度涵蓋申請人數量、簡單同族個數、擴展同族個數3個指標，申請人數量反映技術合作程度，簡單同族個數和擴展同族個數反映了申請人對專利技術的市場前景、產品競爭、戰略布局的重視程度。法律維度涵蓋權利要求數量、首權字數2個指標，均反映對技術的保護范圍。需要說明的是，在已有評價方法中，法律維度會將專利審查時間融入，通過網絡調研以及與業內專家進行交流，專利審查時間受多種因素影響，與專利法律價值度相關性較弱，因此本文并沒有將其納入評估指標體系。綜上分析，這13個評估指標能夠較為全面反映專利特征，將在后續應用于對高校專利許可/轉讓價值進行評估以及對市場價格進行預估。

表1 專利評估指標匯總表

2.2 基于人工方式的專利價值識別

依據選取的評估指標展開檢索形成專利數據集合，首先對專利數據集合進行劃分，其中對比集包含高校中已發生許可/轉讓的專利和權利已失效的專利，評估集包含高校權利有效但未發生許可/轉讓的專利；然后，參考熵權TOPSIS模型的計算流程[28]，計算每件專利的相對接近度Di；在此基礎上，計算對比集中已發生許可/轉讓專利和權利已失效專利的平均相對接近度Di_avg_transfer和Di_avg_invalid；最后，對評估集重復上述過程，將相對接近度大于Di_avg_transfer的作為具備許可/轉讓價值的專利，將相對接近度小于Di_avg_invalid的作為存在失效風險的專利。

2.3 基于機器學習的專利價值識別

在人工評估基礎上，應用機器學習中的梯度提升樹算法對高校專利的許可/轉讓價值進行識別。首先將高校中已許可/轉讓專利和權利已失效專利進行融合，通過比例分割，形成訓練集和驗證集；然后，采用訓練集對梯度提升樹算法進行訓練，通過調整關鍵參數，以準確率作為判別模型性能優劣的標準；進而采用驗證集對模型性能進行檢驗，結合AUC值對模型預測性能進行評估；最后，將高校未發生許可/轉讓的專利形成預測集，并采用評估模型對其進行價值識別。

2.4 基于混合方法的專利價值識別

通過上述兩種方法，分別以人工評估和機器學習評估獲得高校未發生許可/轉讓專利中存在許可/轉讓價值和失效風險的專利集合。對二者進行取交集操作，最終得到基于混合方法的高校專利許可/轉讓價值評估結果。此方法既充分發揮機器學習的優勢，又通過人工評估對結果進行了進一步篩選，保證了評估結果的科學合理性。

2.5 存在許可/轉讓價值專利市場價格預估

通過基于混合方法的專利價值識別過程，能夠獲得存在許可/轉讓價值的高校專利，需要進一步對高校專利的市場價格進行預估，為校企之間的技術交易提供決策參考。具體過程如下：

(1)對基于混合方法識別的存在許可/轉讓價值的專利進行匯總，形成高校存在許可/轉讓價值專利數據集。

(2)依據流程一的專利指標維度劃分，對專利數據集進行拆分，分別從技術維度、經濟維度、法律維度計算技術價值度、經濟價值度和法律價值度。計算公式如下：

Vi為第i個維度的專利價值計算，i=1→3，涵蓋技術價值度、經濟價值度和法律價值度；m表示該維度中指標的數量；xk為第k個指標的log函數標準化后數值，為了避免指標數值為0的情況，在具體計算過程中，對指標數據作加1處理；wk表示xk對應的權重，此處指標的權重繼續沿用流程二中通過熵權法計算得到的評估指標權重。

(3)計算專利綜合價值度。在專利價值評估過程中，三個維度的單項價值被視為同等重要，因此每個單項維度價值就不另外賦予權重，專利綜合價值度計算公式如下：

V1表示專利技術價值度，V2表示專利經濟價值度，V3表示專利法律價值度。

(4)檢索技術領域內發生訴訟且權利有效的專利，尋找出訴訟內容里明確劃定判賠額度且額度較大的專利數據，將判賠額度作為對應專利市場價格的映射。采取該策略的原因：當企業提起專利訴訟時，其索賠的金額是綜合專利所涵蓋的技術價值、經濟價值和法律價值，而法院的最終判決也是在綜合上述因素的基礎上作出的裁決結果，所以將專利訴訟的判賠金額作為專利的市場價格具備一定的科學性和合理性[29]。因此，對相關數據重復(2)(3)的步驟，計算專利綜合價值度，并基于專利綜合價值度和判賠額度進行曲線擬合，根據R2值判斷擬合效果，形成擬合計算公式。

(5)依據擬合計算公式，對存在許可/轉讓價值的專利進行市場價格預估，為企業和高校之間的技術交易提供決策參考。

3 實驗評估

3.1 數據檢索與處理

本文數據來源于incoPat專利數據庫，選擇特定高校對評估模型進行驗證，為其他高校提供案例參考。評估高校選擇“青島大學”，檢索范圍為“中國發明授權專利”，申請人設置為“青島大學”，時間不限，檢索到權利有效的專利1，809件，其中權利有效且發生許可/轉讓的專利151件，權利失效的專利582件，權利有效但未發生許可/轉讓的專利1，076件。檢索時間為2021年5月12日。

3.2 基于人工方式的專利價值識別

按照熵權TOPSIS模型計算過程，首先構建包含733件專利的對比集；然后計算13個指標的權重，結果為：w={0.016，0.035，0.020，0.083，0.038，0.556，0.126，0.012，0.005，0.002，0.003，0.046，0.059}；進一步，通過對比集獲得每件專利的相對接近度，并進一步獲得許可/轉讓專利和權利已失效專利的平均相對接近度分別為0.077、0.072。在此基礎上，對包含1，076件專利的評估集進行計算，統計專利相對接近度大于0.077的專利有58件，相對接近度小于0.072的專利有1，001件。

3.3 基于機器學習的專利價值識別

按照梯度提升樹算法的實驗過程，首先依托Python的Scikit-learn庫，按照標準比例構建模型訓練集和驗證集，通過劃分得到訓練集包含專利數據586條，驗證集包含專利數據147條，當專利發生許可/轉讓，則標簽設置為1，權利失效專利的標簽設置為0。然后采用訓練集對梯度提升樹模型進行訓練，通過參數調優，當n_estimators=500，max_depth=7，learning_rate=0.1，subsample=0.7時，模型的識別準確度約為0.979。在此基礎上，應用驗證集對模型進行檢驗，通過繪制ROC曲線，獲得AUC值約為0.998，與已有研究相比[30-31]，基于梯度提升樹的識別模型預測效果更優。最后應用基于梯度提升樹的高校專利許可/轉讓價值識別模型，對預測集中的1，076件專利進行價值識別，得到291件專利具備許可/轉讓價值，785件專利存在失效風險。

3.4 基于混合方法的專利價值識別

綜合上述的實驗過程，對青島大學未發生許可/轉讓的專利進行評估。將兩種方法計算得到的具備許可/轉讓價值的專利集合和存在失效風險的專利集合取交集，分別獲得專利16件和729件。統計兩個專利集合中的評估指標數據平均值，結果見表2。分析表2發現，具備許可/轉讓價值專利的指標平均值均高于存在失效風險的專利，這為企業判斷高校專利是否具備許可/轉讓價值提供了參考依據，更為重要的是，給高校和科研團隊在進行技術研發和專利申請時提供了參考。在研究團隊層面，新技術的研發要建立在廣泛深入的科技查新基礎上，并組建專業的技術團隊，以有效支撐技術的開發應用；在高校知識產權信息服務中心層面，為科研團隊撰寫專利申請書時要做到全面扎實，保證技術的創新性和保護性；在高?？萍汲晒芾聿块T層面，要形成科學完備的專利運營規劃，圍繞高價值度專利，及時做好專利布局工作，并采取多元化方式推廣專利，實現專利的技術價值轉化為產業應用。

表2 具備許可/轉讓價值和存在失效風險專利的指標統計表

3.5 高校存在許可/轉讓價值專利的市場價格預估

通過專利許可/轉讓價值的識別過程，得到青島大學存在許可/轉讓價值的專利16件，分析16件專利的IPC主分類發現，存在3件專利的IPC主分類皆為D01(見表3)，因此重點對這3件專利進行市場價格預估。在incoPat數據庫中，限定IPC分類號為D01，對權利有效且發生訴訟事件的專利進行篩選，查詢閱讀每件專利的訴訟書，對其中明確劃定判賠額度的專利數據進行統計，共檢索到6件專利。依據專利綜合價值度的計算流程，對6件專利的技術價值度、經濟價值度、法律價值度及綜合價值度進行計算，見表4。根據表4的計算結果，選擇專利綜合價值度和判賠額度進行曲線擬合，見圖2。其中X軸為專利綜合價值度，Y軸為專利判賠額度，剔除專利5和6后，其余4件專利的曲線擬合符合指數函數分布，公式為y=27204.70e52.70x，其中R2=0.89，表明曲線擬合效果較好，適用于高校存在許可/轉讓價值專利的價格預估。

表3 高校存在許可/轉讓價值專利統計表（部分)

表4 發生訴訟專利的價值度及判賠金額

圖2 專利綜合價值度與訴訟判賠額度擬合曲線

為驗證價格預估擬合公式的有效性和可用性，查詢高校已發生許可/轉讓專利的價格。由于選擇預估價格的專利，屬于紡紗和紡絲技術領域，因此，重點查詢“武漢紡織大學”的專利轉讓/許可公示，獲得IPC屬于D部的許可/轉讓專利6件，使用價格預估擬合公式對6件專利進行計算，并與實際金額進行比對，計算結果見表5。分析表5發現，“Method and apparatus for pneumatic guiding and capturing strand fibers on ring frame”“一種塵籠摩擦包纏式高光潔增強紗線的后加工方法”“一種梯度包纏紗線毛羽的裝置”“一種定向伸展式精確測試紗線毛羽的裝置”4件專利為打包轉讓，實際轉讓金額為120萬元，依據專利市場價格預估流程，計算得到4件專利的綜合價值度分別為0.066、0.050、0.048、0.039，通過擬合公式預估市場價格共計155.67萬元?！耙环N液膜紡紗方法”實際轉讓價格為10萬元，專利綜合價值度為0.052，預估市場價格為36.917萬元?！耙环N雙向拉伸的聚乳酸纖維多孔膜的制備方法”實際轉讓價格為50萬元，專利綜合價值度為0.056，預估市場價格為44.138萬元。采用RMSE(均方根誤差)衡量預估市場價格同實際交易價格之間的偏差，通過計算可得RMSE=26.021，即預估市場價格與實際交易價格的偏差約為26萬?？紤]到高校專利估價的多重因素影響及復雜度，預估的市場價格是接近于實際許可/轉讓金額，驗證了本文所提方法具有實用性，能夠快速高效的預估專利參考價格，為企業和高校進行專利交易提供決策支持。因此，在驗證價格預估擬合公式可用性的基礎上，首先根據專利綜合價值度的計算公式，對青島大學識別出的3件D01領域的專利進行價值度計算，進而采用擬合公式進行市場價格預估，見表6。通過以上過程，實現了對特定高校專利的價值識別和價格預估，對本文提出的高校專利價值評估模型進行了驗證。

表5 價格預估擬合公式計算驗證表

表6 高校專利市場價格預估

4 結語

本文按照“研究背景→方法概述→模型構建→實驗評估”研究思路，對高校專利價值評估模型進行研究，解決了高校和企業開展專利交易過程中存在的“評估什么價值”問題。當前我國高校和企業的專利交易呈增長趨勢，但缺少科學高效的科技成果評估方法，導致高校專利轉讓率偏低局面沒有得到改善。因此，本文從價值識別和價格預估兩個視角出發，構建高校專利價值評估模型，首先從技術、經濟、法律3個維度選取了13個指標；然后結合熵權TOPSIS模型的人工方式和梯度提升樹的機器學習方式實現了對高校專利價值的識別；最后，采用曲線擬合方法對專利綜合價值度與專利訴訟判賠額度進行擬合，形成計算公式，并對存在許可/轉讓價值的高校專利進行市場價格預估。本文提出的評估模型，解決了當前已有方法操作復雜度高、分析角度單一等不足，對各個高校具有普適性，為提升高校專利的價值評估效率提供了創新方案和實踐路徑。需要說明的是，本文的專利特征維度還需要進一步拓展，評估指標數量有待進一步擴充；此外，預估專利市場價格的方法有待進一步深化，以降低與實際交易價格的偏差。因此，在今后的研究中，將進一步深化高校專利價值評估研究，切實為推動高校專利轉移轉化效率助力獻策。