專利形成全周期視角下的高價值專利識別體系研究

關鍵詞：高價值專利；機器學習；支持向量機；神經(jīng)網(wǎng)絡；自適應增強

中圖分類號：G306；G255.53 文獻標識碼：A DOI：10.3969/j.issn.1003-8256.2024.04.001

隨著科技革命和產(chǎn)業(yè)變革的深入發(fā)展，科技的重要性愈加突出。在逆全球化的浪潮下，面對外國技術封鎖，我國政府高度重視科技自主創(chuàng)新和知識產(chǎn)權保護，并積極構建以自主創(chuàng)新為核心的創(chuàng)新驅動發(fā)展戰(zhàn)略。自2008年《國家知識產(chǎn)權戰(zhàn)略綱要》①實施后，我國知識產(chǎn)權建設取得了飛躍的成就，近年來我國專利申請量和授權量都位居世界前列，但我國專利多而不強、大而不精［1］，因此識別具備高交易價值、高使用價值的高價值專利已經(jīng)成為了中國專利高質量發(fā)展的重點方向。在此背景下，2014年提出的《深入實施國家知識產(chǎn)權戰(zhàn)略行動計劃（2014—2020年）》，為科技創(chuàng)新提供了更有力的法律保障和政策支持，為專利高質量發(fā)展解決了后顧之憂②。緊接著，2021年國務院印發(fā)的《知識產(chǎn)權強國建設綱要（2021—2035年）》明確了2025年高價值發(fā)明專利擁有量需達到12件/萬人③，這充分展現(xiàn)了我國實施創(chuàng)新驅動發(fā)展的決心。黨的二十大報告也強調，“高質量發(fā)展是全面建設社會主義現(xiàn)代化國家的首要任務”，標志著專利價值成為了象征高質量發(fā)展的重要一環(huán)④。由此可見，構建科學、客觀的專利價值評估方法，對推動我國經(jīng)濟轉型與科技發(fā)展具有重要意義。

綜上，為了更好地識別高價值專利，本文將基于專利形成全周期視角，運用機器學習法構建高價值專利識別模型，旨在幫助政府快速確定高價值專利并有針對性地開展高價值專利培育工作，也能使其有效識別優(yōu)勢企業(yè)，分析優(yōu)勢企業(yè)的影響力和地位。除此之外，還能支撐相關創(chuàng)新主體掌握行業(yè)技術發(fā)展水平，推斷專利未來的創(chuàng)新發(fā)展?jié)摿εc技術發(fā)展趨勢，助力其技術創(chuàng)新活動的開展。

1 文獻綜述

現(xiàn)今學術界暫未建立起一個綜合、客觀的高價值專利識別指標體系。早期研究聚焦于會計計量的視角對專利價值進行評估，如貨幣計量法。貨幣計量法包括成本法、市場法、收益法等。Parr等［2］將所有類型的單一專利價值評估分為基于成本、市場和收入的方法。成本法著重關注專利研發(fā)階段的成本所產(chǎn)生的專利價值，這種方法難以準確評估專利未來價值［3］。市場法通過比較專利技術銷售額或類似技術許可來進行估值。市場法的使用需要滿足以下幾個條件，首先市場必須是開放的，其次需要有足夠數(shù)量的同類資產(chǎn)交易所，且同類資產(chǎn)交易所的價格信息必須向公眾公開，最后是交易的雙方必須是獨立的。若專利數(shù)量大，則該方法難以適用［4］。收益法廣泛運用于評估金融工具和資產(chǎn)。該方法基于預期原則，通過預測專利未來前景計算預期經(jīng)濟收入。若專利數(shù)據(jù)可用性差、專利市場缺乏流動性，使用該方法會導致預測結果存在偏差［5］。

目前有關高價值專利識別、評估的研究主要從以下三個角度切入：

（1）基于專利的外部屬性對專利價值進行評估，即專利對技術識別的貢獻程度［6］，如專利地圖［7］。專利地圖主觀性較強，容易受到人為因素影響，同時專利地圖需要收集、整理并分析大量的專利信息，所以識別速度較慢，難以反映市場最新技術趨勢。馮立杰等［8］將專利地圖與LDA-SNA模型結合，收集相關領域專家意見，并以此為基準構建專利檢索式進行專利樣本篩選，較為依賴專家的主觀判斷。

（2）基于專利的內部屬性采用定性的研究方法，通過分析專利的屬性、狀態(tài)、特征對專利進行評分。國內外研究主要圍繞著專利的法律價值、市場價值、經(jīng)濟價值等層面篩選專利評估指標，研究方法大多集中于實物期權法以及層次分析法（AHP）、模糊綜合評價法（FCE）、主成分分析法等（PCA）等綜合評價方法。萬小麗等［9］結合采用層次分析法和模糊綜合評價法對從技術價值、權利價值、市場價值三個維度選取的17個指標進行了專利價值評估。李娟等［10］采用AHP和熵權法，圍繞法律、技術、經(jīng)濟層面選取了8個指標，以豐田開放專利為樣本深入分析發(fā)明專利的價值。安同良等［11］使用改進的HITS算法與PageRank算法，以中國鋰電池行業(yè)為例，選取專利引用、被引用、施引三個指標構建專利與專利、專利與企業(yè)的復合有向網(wǎng)絡，進而測度識別每個專利的價值。國外學者則是聚焦于專利經(jīng)濟價值、專利對行業(yè)及企業(yè)績效的影響［12］等方面。Ma等［13］基于價值捕獲理論，從法律、技術、市場、企業(yè)四個維度選取了21個指標，將傳統(tǒng)評估方法中的成本法、收益法與三角模糊數(shù)法相結合，構建了石油行業(yè)的專利評估模型。Ploskas等［14］提出了基于8個標準對22種化學品的專利進行排名的方法。Song等［15］從專利數(shù)量、技術、法律三個維度構建了專利組合估值體系，運用熵權-雙基點法評價企業(yè)特定技術領域的專利價值，采用熵權對評估指標進行賦值，并采用雙基點法對評估對象進行排序。Kim等［16］在數(shù)據(jù)包絡分析法的基礎上，基于專利的共被引關系構建了技術關系矩陣，這將有助于企業(yè)較早識別專利價值，減少研發(fā)初期所產(chǎn)生的不確定性。

（3）隨著人工智能應用的興起，傳統(tǒng)、常規(guī)的專利數(shù)據(jù)研究方法被打破。WIPO 等政策制定者開始關注知識產(chǎn)權與人工智能交叉的維度⑤。Aristodemou等［17］從知識管理、技術管理、經(jīng)濟價值、信息提取和管理的角度回顧機器學習、深度學習和人工神經(jīng)網(wǎng)絡這類實踐性較強的知識產(chǎn)權數(shù)據(jù)分析方法。機器學習法具備大規(guī)模數(shù)據(jù)的處理能力，該方法可通過非線性模型（如支持向量機、神經(jīng)網(wǎng)絡等）來分析專利數(shù)據(jù)復雜的非線性關系，更好地揭示專利數(shù)據(jù)中的潛在規(guī)律和趨勢，同時能夠自動從專利文本中提取關鍵信息，減輕研究人員的工作負擔。文中的經(jīng)濟價值部分是當今學術界所探討的熱門主題，人工神經(jīng)網(wǎng)絡等方法常被用來預測經(jīng)濟發(fā)展、企業(yè)績效等。Lee等［18］運用支持向量機（SVM）從財務和技術角度預測企業(yè)績效，SVM 在預測企業(yè)績效時能夠充分利用財務和技術數(shù)據(jù)的特點，具有較好的泛化能力和解釋性。Noh等［19］運用引用滯后分布、Tobit回歸、多層神經(jīng)網(wǎng)絡分析電信領域專利，以確定不同因素對專利價值的影響。Breitzman和Thomas［20］搭建了新興集群模型，使用蒙特卡洛法給模型評分，利用專利引用信息來識別新興技術。Lee等［21］運用機器學習法分析美國專利數(shù)據(jù)，采用前饋多層神經(jīng)網(wǎng)絡識別專利指標與引用次數(shù)之間的關系。Trappey 等［22］對比分析主成分分析法（PCA）和深度神經(jīng)網(wǎng)絡對專利價值的預測效果。人工智能分析方法在處理專利數(shù)據(jù)方面具有多種優(yōu)勢，相較于傳統(tǒng)方法，它們擁有更高的效率和準確性，因此越來越多的學者選擇采用這類方法，這些優(yōu)勢包括大規(guī)模數(shù)據(jù)處理能力、自動化特征提取、非線性關系建模等。通過利用機器學習法，研究人員能夠快速提取并分析專利數(shù)據(jù)中的關鍵特征和模式，揭示潛在的規(guī)律和趨勢。

由于高價值專利需具備高創(chuàng)新性和良好的市場應用前景，所以高價值專利的形成周期比普通專利更長，通過上述分析可以發(fā)現(xiàn)，現(xiàn)有研究鮮有從專利形成全周期過程的視角探究高價值專利價值篩選指標。基于此，本文以珠海市高新技術上市企業(yè)為研究對象，從專利技術研發(fā)、申請、轉化運用3個維度構建高價值專利識別指標，運用機器學習法構建高價值專利識別模型，并以珠海高新上市企業(yè)的有效發(fā)明專利為例進行實證研究，旨在為企業(yè)及決策機構篩選高價值專利提供新的視角及模型，以便其盡早識別出高價值專利并培育。

2 專利生產(chǎn)全周期視角下的高價值專利識別指標體系構建

借鑒過往研究，在曹偉光等［23］的企業(yè)高價值專利識別指標體系的基礎上，構建基于機器學習法的高價值專利識別模型。高價值專利形成的過程可概括為技術創(chuàng)造、申請確權、技術轉化運用三個階段，即高水平技術研發(fā)類指標、高質量申請確權類指標、高回報轉化運用類指標，本研究從全周期視角選取識別指標（見表1），以全面衡量高價值專利。輸入指標共3個一級指標和10個二級指標，輸出指標為專利被引數(shù)，當一項專利被其他專利引用的次數(shù)越多，表示該專利在其技術領域中的關聯(lián)度和重要性越高，專利價值越高［24］。

2.1 高水平技術研發(fā)類指標

高水平技術研發(fā)類指標是從專利的技術研發(fā)水平角度出發(fā)衡量高價值專利的質量。這一指標通常用于衡量專利的創(chuàng)新程度、技術貢獻程度等方面。

（1）發(fā)明人數(shù)。當一項專利的發(fā)明人數(shù)越多時，專利所涉及的知識基礎越廣，研發(fā)投入的人力成本越大，專利價值越高［25］。

（2）獨立權利要求數(shù)。獨立權利要求數(shù)為專利申請中的主要權利要求，獨立權利要求數(shù)越高，專利的保護力度和侵權判斷越強，專利價值越高［26］。

（3）技術廣泛性。技術廣泛性為主分類號的IPC數(shù)量，主分類號的IPC數(shù)量越多，專利技術多樣性越豐富，專利價值越高［27］。

2.2 高質量申請確權類指標

高質量申請確權類指標是指專利從審查到最終獲得專利權的過程，在這個過程中專利申請人需要確保所提供的專利權利內容全面且規(guī)范。

（1）授權周期。授權周期為專利授權日減去申請日的時間長度。授權周期越長，說明專利復雜度越高，專利價值越高。

（2）權利要求數(shù)。專利的權利要求數(shù)越多，專利所受到的保護范圍越廣，專利價值越高［28］。

（3）同族數(shù)。同族數(shù)越多，說明該專利技術在全球范圍內具有較大影響力和市場價值，專利的戰(zhàn)略價值就越高［29］。

（4）專利維持年限。專利維持的時間越長，說明該技術投資回報率高，對創(chuàng)新主體來說該專利具有重要意義［30］。

2.3 高回報轉化運用類指標

高回報轉化運用類指標是指專利在市場中具備高回報和高適應性，未來能夠為企業(yè)帶來經(jīng)濟回報和競爭優(yōu)勢。

（1）許可數(shù)。專利許可數(shù)越多，意味著該技術具備一定的實用性和市場認可度，專利價值就越高。

（2）質押數(shù)。若專利具有較高的投資價值，企業(yè)或個人會選擇將其作為質押物。專利質押數(shù)越多可以反映出該專利的商業(yè)價值越高［31］。

（3）研發(fā)偏側重點幅度。研發(fā)偏側重點幅度是指主分類號的專利量占其總專利量的比值。研發(fā)偏側重點幅度越高，說明該企業(yè)越精進這一領域，專利技術就越強。

3 基于機器學習的高價值專利識別模型構建

根據(jù)專利被引次數(shù)構建分類器，對專利的價值進行分類評價。本文選擇了支持向量機（SVM）、神經(jīng)網(wǎng)絡、自適應增強三種機器學習分類方法來構建高價值專利識別模型（見圖1）。這些方法分別在區(qū)塊鏈技術專利價值評價［32］、訴訟專利價值評價［33］和人工智能專利價值分類［1］等領域已經(jīng)成功應用。

3.1 分類器構建

3.1.1 支持向量機

支持向量機（Support Vector Machine，SVM）是一種強大的機器學習算法［34］。SVM的關鍵思想是找到一個最大邊界的超平面，使得兩個不同類別的數(shù)據(jù)點之間的距離最大化［35］。在高價值專利分類問題中，專利價值評價涉及多個屬性和特征，并存在異常或噪聲數(shù)據(jù)。面對這種情況，SVM具有處理高維數(shù)據(jù)，處理非線性問題的能力，并對異常值具有魯棒性，并能夠提供良好的泛化能力。本文使用one-against-one方法來進行支持向量機的多分類，設訓練集數(shù)據(jù)共I 個類，one-against-one方法是在每兩個類之間都構造一個二分類SVM，對于第i 類數(shù)據(jù)和第j 類數(shù)據(jù)（i，j ∈ I），訓練一個二分類SVM，即求解如下二次規(guī)劃問題：

4 實證分析

當前局勢下，創(chuàng)新是引領發(fā)展的第一動力，強國需先強市。珠海市位于珠三角的核心區(qū)域，毗鄰港澳，擁有便捷的交通方式和良好的商業(yè)環(huán)境。這種地理優(yōu)勢使得珠海成為中國改革開放的先行地之一，吸引了大量國內外投資和創(chuàng)新人才涌入。為了充分發(fā)揮地區(qū)優(yōu)勢，珠海市不斷加強在重點技術領域的知識產(chǎn)權創(chuàng)造，并出臺了多項政策和規(guī)劃來促進知識產(chǎn)權的高質量發(fā)展。珠海市政府于2017 年發(fā)布《建設知識產(chǎn)權強市的意見》，提出要深化知識產(chǎn)權領域改革，加快知識產(chǎn)權強市建設。2021年，《珠海經(jīng)濟特區(qū)科技創(chuàng)新促進條例》強調要深入推進珠海市國際科技創(chuàng)新中心的建設。2022年，《珠海市知識產(chǎn)權事業(yè)發(fā)展“十四五”規(guī)劃》明確指出要打造“國內領先、國際先進”的知識產(chǎn)權強市。此外，2022年7月珠海成為首批國家知識產(chǎn)權強市建設試點城市。截至2023年5月，珠海市累計發(fā)明專利授權量達到33 688件，占全省總量的4.81%；發(fā)明專利擁有量達到130.67件/萬人，比廣東省平均水平高57.57件，連續(xù)12年位列廣東省第二。這些數(shù)據(jù)表明珠海市在知識產(chǎn)權領域取得了顯著的成績。高新技術上市企業(yè)則在珠海市的知識產(chǎn)權發(fā)展中起到了主力作用。多年來，珠海市80% 以上的已授權發(fā)明專利都屬于高新企業(yè)，其作為科技創(chuàng)新的領頭羊，在推動核心技術進步和產(chǎn)業(yè)升級方面具有重要影響力。鑒于珠海市在知識產(chǎn)權建設方面具有獨特的優(yōu)勢和成就，研究珠海市高價值專利更具代表性，故以珠海市高新技術上市企業(yè)為研究樣本。

4.1 數(shù)據(jù)來源與預處理

本研究以珠海市創(chuàng)新科技局于2022年公布的《珠海市高新技術企業(yè)名單》為基準，選取了12家高新技術上市企業(yè)為研究對象（麗珠集團、全志科技、納思達、健帆生物、遠光軟件、英博爾、光庫科技、世紀鼎利、格力電器、潤都股份、寶萊特、航宇微），各項指標數(shù)據(jù)均來源于IncoPat數(shù)據(jù)庫，共獲取80 406條發(fā)明專利數(shù)據(jù)，在清除無效專利后，最終得到2003—2022年38 931條有效發(fā)明專利數(shù)據(jù)。

4.2 高價值專利識別指標提取

根據(jù)篩選出的高價值專利識別指標，構建基于機器學習的高價值專利識別模型。由于使用的機器學習模型為分類模型，需要進行專利價值分類。本文根據(jù)輸出指標（專利被引次數(shù)）對專利進行分類，視專利3年內被引證次數(shù)的Top2%為高被引專利［38］，即專利的被引證次數(shù)大于15次，就認為該專利是高價值專利。參考李欣等［39］的專利數(shù)據(jù)分類標準，將專利分成A、B、C、D四類，其中A代表專利具有較高的技術價值，B級專利代表具有一定的技術價值，C級專利代表具有一般的技術價值，D級專利代表具有較低的技術價值。分類標準及結果如表2所示。

4.3 高價值專利識別模型構建

使用3種機器學習方法構建高價值專利識別模型。根據(jù)專利被引證數(shù)量將專利分成4類，共訓練3種4分類機器學習模型。

4.3.1 基于SVM的高價值專利識別模型

在Python3.9.13 的環(huán)境下使用Sklearn 庫進行基于SVM 的高價值專利識別模型構建。首先，使用Standardization 進行特征縮放，確保各個特征具有相似的尺度可以提高SVM算法的性能；其次，使用k 折分層抽樣交叉切分法進行試驗，以減少訓練集和驗證集之間的偏差，其中，k = 5 × k'，k' ∈ N，當k 改變不會引起結果明顯變化時，k 不再增加；然后，使用多種核函數(shù)進行性能對比，包括線性核函數(shù)（Linear Kernel，Linear），多項式核函數(shù)（Polynomial Kernel，Poly），高斯徑向基核函數(shù)（Gaussian RBF Kernel，Rbf），Sigmoid 核函數(shù)（Sigmoid）；最后選出最優(yōu)核函數(shù)及參數(shù)，作為基于SVM的專利價值評價模型。由表3可知，當k=10，核函數(shù)選擇高斯徑向基核函數(shù)時，模型效果最好，因此，本文將該參數(shù)選擇下的模型作為基于SVM的高價值專利識別模型。

4.3.2 基于全連接神經(jīng)網(wǎng)絡的高價值專利識別模型

通過Python3.9.13 的環(huán)境下使用Sklearn 庫中的AdaBoostClassifier 類來實現(xiàn)基于AdaBoost 的高價值專利識別模型構建。將單層決策樹設置為基本分類器；迭代次數(shù)為50次；然后對數(shù)據(jù)采用分層抽樣的k 折交叉驗證方法進行訓練和驗證，k 的定義與基于SVM的專利價值評價模型模型相同；使用one-against-one方法來訓練I （ I ? 1）/2 個決策樹來實現(xiàn)AdaBoost的多分類任務；并計算評價指標。由表5可知，當k=15時，模型效果最好，因此，本文將該參數(shù)選擇下的模型作為基于AdaBoost的高價值專利識別模型。

4.3.4 高價值專利識別模型評估

為選出最適合珠海高新上市企業(yè)的有效發(fā)明專利的高價值專利識別模型，對基于SVM、全連接神經(jīng)網(wǎng)絡、AdaBoost三種方法的高價值專利識別模型進行性能對比。選取準確率、精確率、召回率和F1分數(shù)作為評價指標，性能結果對比如表6所示。

由表６可見，三種高價值專利識別模型都擁有很強的性能，所有性能指標均大于0.85，其中，基于全連接神經(jīng)網(wǎng)絡的高價值專利識別模型在各個評價指標的性能都優(yōu)于其他方法，因此，基于全連接神經(jīng)網(wǎng)絡的高價值專利識別模型為三種基于機器學習中的最優(yōu)模型，基于SVM的高價值專利識別模型次之。

4.4 基于高價值專利識別模型的珠海專利數(shù)據(jù)分析

以珠海炬芯科技股份有限公司為例，選用效果最好的全連接神經(jīng)網(wǎng)絡作為該案例的高價值專利識別模型，以此對專利價值進行分類。首先對專利數(shù)據(jù)預處理，經(jīng)過處理后得到該企業(yè)2007—2023年10月共383條有效發(fā)明專利數(shù)據(jù)。隨后將各類輸入指標放入前節(jié)已訓練完成的全鏈接神經(jīng)網(wǎng)絡模型中，得到A、B、C、D 四類分類結果（表7），可見D 級專利數(shù)量最多，占比55.87%，A 級專利和B 級專利數(shù)量較少，占比分別為15.93% 和7.57%。這意味著大部分的專利都屬于較低的技術價值范疇，而相對較高價值的專利數(shù)量較少。

其次，為了探究炬芯科技技術創(chuàng)新發(fā)展的重點領域，對A類專利進行分析，其IPC主分類號占比情況如圖2所示。其中計算機與信息技術領域（G06）專利的占比達到40%，發(fā)電、變電或配電領域（H02）的專利和電通信技術領域（H04）的專利占比緊隨其后，分別為17%和15%。

將主分類號裁剪出前三位，其中主分類號和領域的映射關系如表8所示。炬芯科技股份有限公司屬于計算機、通信和其他電子行業(yè)，其高價值專利產(chǎn)出涵蓋了計算、推算和計數(shù)、信息存儲、電通信技術等領域。國家投入了大量資源開展建設這幾類技術領域，并對這些領域的發(fā)展提出了目標要求。2023年8月工業(yè)和信息化部、財政部發(fā)布的《電子信息制造業(yè)2023—2024 年穩(wěn)增長行動方案》⑥提出了以下目標：2023—2024年計算機、通信和其他電子設備制造業(yè)的增加值平均增速5%左右，電子信息制造業(yè)規(guī)模以上企業(yè)營業(yè)收入突破24萬億元。

通過上述分析可以發(fā)現(xiàn)，基于全連接神經(jīng)網(wǎng)絡的高價值專利識別模型具備優(yōu)秀的特征提取能力，能夠準確識別企業(yè)高價值專利，便于企業(yè)及決策機構進行專利布局、戰(zhàn)略制定等活動的開展。

5 結語

高價值專利是指具有較高商業(yè)價值、技術重要性和市場競爭力的專利。對于政府和企業(yè)而言，識別高價值專利對于創(chuàng)新發(fā)展和提高競爭力具有重要意義。本研究以2003—2022年珠海市高新技術上市企業(yè)數(shù)據(jù)為樣本，構建了一種基于機器學習的高價值專利識別方法，采用支持向量機、神經(jīng)網(wǎng)絡、自適應增強三種機器學習分類方法，根據(jù)輸入專利的多維特征對專利進行分類，進而識別高價值專利。并以珠海高新技術上市企業(yè)的有效發(fā)明專利為樣本進行實證研究，對模型性能進行了全面的比較和評估，最后以珠海炬芯科技股份有限公司為例，使用本文的識別模型分析其專利。結果表明，基于全連接神經(jīng)網(wǎng)絡的高價值專利識別方法相比于前人所使用的識別方法具有以下3類優(yōu)勢：一是對非線性模型的建模能力強，不同于SMV使用特定的和函數(shù)引入非線性關系，也不同與AdaBoost使用弱分類器進行線性組合，全連接神經(jīng)網(wǎng)絡的結構可以使其學習到復雜的非線性結構，對涉及多維度指標、數(shù)據(jù)維度大的模型分類效果尤其明顯；二是特征學習更深入，全連接神經(jīng)網(wǎng)絡能夠自動學習提取輸入數(shù)據(jù)中的特征，而SVM 和AdaBoost通常依賴手工設計的特征或基分類器，這意味著神經(jīng)網(wǎng)絡可以從數(shù)據(jù)中學習到更加抽象和高級的特征表示，有助于提高分類的準確性；三是使用k 折交叉驗證的模型具有更高的可靠性，由于k 折交叉驗證對模型進行多次重復評估，將k 次評估結果的平均值作為最終評估指標，可以減少評估結果的方差，提高評估的可靠性；而固定次數(shù)折交叉驗證只有一次評估結果，可能受到隨機性的影響。

除此之外，本研究采用的高價值專利識別指標均可人工收集獲取，企業(yè)以及決策機構后續(xù)可將未來年份的專利數(shù)據(jù)輸入模型中，對專利進行分類識別。

現(xiàn)代社會中，知識產(chǎn)權的保護和科技創(chuàng)新已經(jīng)成為政府和企業(yè)共同關注的重要議題，本文所構建的高價值專利識別模型為政府提供了一種更準確、客觀的專利評估工具，為政府監(jiān)管和政策制定提供有力支持。同時，該模型通過分析高價值專利的趨勢和分布情況，幫助政府制定更有針對性的產(chǎn)業(yè)政策，鼓勵和支持相關領域的創(chuàng)新和發(fā)展，進一步推動經(jīng)濟轉型升級。此外，高價值專利的準確定位和保護對于保護知識產(chǎn)權也至關重要。借助評估模型，政府能夠提供更精準的知識產(chǎn)權保護方案，確保知識產(chǎn)權在市場中的合法權益得到有效保障。從企業(yè)層面而言，本方法能夠幫助企業(yè)優(yōu)化知識產(chǎn)權組合，識別核心專利和技術方向，指導研發(fā)投入和戰(zhàn)略規(guī)劃，從而提升創(chuàng)新能力和競爭優(yōu)勢。通過對不同領域、不同類型專利的精準評估，企業(yè)能夠獲得個性化的決策支持和指導，提升專利的價值和競爭力，降低侵權風險。

需要注意的是，雖然本研究建立了一種基于機器學習的高價值專利識別方法，并取得了較好的預測效果，但高價值專利的識別和評估還需要考慮多個因素，如市場需求、技術前景、競爭環(huán)境等。因此，政府、企業(yè)等在評估高價值專利時，需要結合多個角度和多種方法進行綜合評估，未來可選擇更為全面的專利指標以及使用更有創(chuàng)新性的模型進行優(yōu)化并進行更深度的探索。