谢彩霞 栾春娟 赵亮
摘要：探索斯坦福大学技术创新影响力及其创新优势，对提升我国高校科技创新水平具有重要的借鉴意义。基于INCOPAT全球知识产权数据平台获取的11547条数据，选取专利申请量和专利阶L度指标，结合技术创新影响力指数的数学模型和信息可视化技术，探究斯坦福大学技术创新的影响力及其创新优势。研究结果显示斯坦福大学技术创新的影响力远远高于世界总体水平，影响力指数随时间呈明显的周期性变动;技术创新的优势领域集中在C（化学、冶金）、A（人类生活必需）、G（物理）、H（电学）四个IPC部类的46个技术领域。
关键词：斯坦福大学;技术创新影响力;技术优势;专利计量
中图分类号：G306
文献标识码：A
D01：10.3969/j .issn.1003-8256.2019.03.002
0 引言
创新型国家是以技术创新为经济社会发展核心驱动力的国家。高校作为科技成果和专利产出的重要来源，是科技创新的重要基地。探索并测度世界高校科技创新的典范——斯坦福大学的技术创新影响力及其创新优势，对提升我国高校科技创新水平，加快一流大学和一流学科建设具有重要的理论意义和实践意义。斯坦福大学不仅是一所享誉世界的研究型大学，更是高科技产业的孵化器。然而在二十世纪上半叶，它还是一所名不见经传的地方性院校。第二次世界大战之后，斯坦福大学异军突起，迅速发展成为当今世界上最顶尖大学之一。斯坦福大学的崛起也因此成为学界研究的对象，学者们从不同角度多层面考察斯坦福大学的发展历史[1]、斯坦福与硅谷的双赢模式[2]、产学研合作以及协同创新经验[3-4]、科技管理机制[5]、科技成果转化机制及技术授权办公室（0mce ofTechnology Licensing，OTL）的中介作用[6]等，全方位发掘斯坦福大学的成功经验。在本项研究中我们以斯坦福大学申请的专利作为研究对象，对其创新能力进行量化测度，揭示斯坦福大学技术创新的世界影响力以及技术创新优势，以期为我国研究型大学科技创新能力的提升提供一些有价值的量化参考。
反映技术创新能力的一个重要方面就是专利的申请，一个机构申请专利的数量和质量在一定程度上是其技术创新能力的直接体现。专利作为科技发明和技术创新的直接产物，目前已成为测度技术创新的一个重要指标[7]。表1展示了一些典型文献的研究状况。
2002年，美国的Breitzman等提出运用专利引文分析方法研究产业和企业的技术创新能力以及并购活动的技术价值评估[8]。Nordensvard等以风能领域作为案例，运用专利引文网络分析方法对新兴经济体（中国、印度、巴西和南非）的科技创新能力进行研究，并与该领域创新核心国家（美国、德国和丹麦）进行比较[9]。Sorensen等通过半导体和生物技术领域的专利申请行为研究了组织老化与创新过程之间的关系[10]。Lacasa等运用专利指标和网络分析手段研究了中国太阳能光伏领域技术发展与创新能力的国际地位[11]。石秀等运用专利信息分析方法，构建了中国新能源汽车产业技术创新的概貌[12]。刘云等运用专利计量方法对全球碳纳米管领域技术创新特征进行分析，对中国碳纳米管领域重点技术发展方向提出建议[13]。
本研究拟解决的主要问题如下：第一，斯坦福大学技术创新能力怎样测度？全球影响力如何？第二，斯坦福大学技术创新的主要领域范围是怎样的？其技术优势显现在哪些领域？
1 数据来源与研究方法
1.1 数据来源
本项研究数据来源于北京合享智慧科技有限公司开发的INCOPAT科技创新情报平台[14]，这是中国首个拥有自主知识产权的专利数据库。在2017年由国家知识产权局举办的首届知识产权工具比赛中，INCOPAT获碍总冠军。INCOPAT的优势首先是数据量大，涵盖112个国家（地区）的1.2亿件专利数据;其次，更新速度快，48小时内数据实时动态更新，每24小时约有1.5万件专利数据进入系统平台;第三，数据加工更为全面和专业，INCOPAT系统里240個加工字段可供检索，输入中文就可以看到全球的专利布局情况。因此，我们选取该专利数据库作为数据检索源。
为获得精准全面的研究数据，我们对INCOPAT专利数据平台进行反复试验，并向平台专家进行咨询，制定出精准的检索公式。由于专利的授权与运营具有迟滞性，因此研究所用数据截至2015年，检索日期为2018年7月30日。在对检索出的初始数据进行去噪、过滤与规范化处理之后，共得到斯坦福大学申请的专利数据11547条。这11547条专利数据的年度分布极不均匀，1980年以前申请的专利总和只有410件。1980年拜杜法案实施后，联邦政府规定大学获资助所产生的发明专利，其所有权可以归大学所有。这一规定极大地促进了美国各大学技术转移体制的建立，也引发了斯坦福大学专利申请的热潮。1981年斯坦福大学的专利申请数便由1980年的21件上升到68件，1982年达到179件，之后斯坦福大学便进入专利申请的快车道。
1.2 主要研究方法
在对斯坦福大学技术创新能力进行研究时，我们首先对INCOPAT中的独特字段“专利价值度”进行描述性统计分析，并与世界总体专利的技术价值分布进行比较，测度斯坦福大学技术创新的技术价值。然后以CHI Research公司提出的机构技术影响力评价指标体系作为理论基础，构建测算斯坦福大学技术创新影响力指数的数学模型，揭示斯坦福大学技术创新影响度及其动态变化特征。以YTIIi（Year Technology Influence Index）表示斯坦福大学第i年技术创新年度影响力指数，Ni为第i年最具影响力专利数，Ni为第i年非零被引专利总数，Nh为研究时段内最具影响力专利数，Na为研究时段内非零被引专利总数，则
本文主要研究拜杜法案实施后斯坦福大学的技术创新影响力状况，这里限定i=1980，1981……2015。
受偶然性和周期性等因素的影响，依据公式（1）计算得到的各年度技术创新影响力指数随年份变动幅度较大且不规则。进而运用移动平均法消除这些因素的影响，凸显斯坦福大学技术创新影响力长期的发展方向与规律，并据此预测未来的发展趋势。因此在公式（1）的基础上构建移动平均数计算公式：其中j为周期数，Mj为第j个周期的移动平均数，C为周期项数。
国际上，专利所属的技术领域常通过专利分类号来表征，专利分类号能够反映专利的核心内容和技术主题。在研究斯坦福大学技术创新的优势领域时，以斯坦福大学申请专利所拥有的国际专利分类号（IPC）作为表征技术领域或技术主题的主要指标进行探讨。运用聚类方法借助专利技术图和共现网络的形式，凸显斯坦福大学技术创新的主要领域和技术优势。
2 斯坦福大学技术创新的影响力
2.1 技术创新价值分析
专利作为技术创新的重要产出成果，其本身的价值是技术创新能力和水平的重要体现。国内外有不少关于专利价值评估和测度的研究[15-16].INCOPAT数据库中更是有一个衡量专利价值的重要指标叫专利价值度，该指标的测算主要依赖于合享新创自主研发的专利价值模型实现，该专利价值模型基于AI技术平台，融合专利分析行业20多个技术指标，通过设定指标权重和计算参数，使得它能对每件专利进行专利价值强度自动评价。专利价值度指标的取值范围在1-10分之间，某专利的专利价值度分值越大，则表明该专利的技术价值越高，它所表征的技术创新能力就越强。与国内外其他专利价值评价指标相比，INCOPAT基于全球专利大数据和人工智能强大技术手段计算得出的专利价值度指标更具有便捷性、客观性和科学性，能够为用户快速遴选高质量专利提供参考，也为科研人员计量分析专利的技术价值提供重要的客观数据信息。图1展示了斯坦福大学专利价值度的分布状况，并与世界总体的专利价值度进行对比。
从专利价值度看，斯坦福大学11547件专利中，价值度分值在10分的专利有1929件，9分的有2491件，8分的有2175件。8分以上的专利占斯坦福大学总专利数的57.1%，价值度大于5分的专利占其专利总数的78.2%。研究表明，斯坦福大学专利的价值分布具有很大的偏度，25.8%的专利代表了专利总体价值的一半。
INCOPAT专利库收录的世界所有专利中，价值度为1分的专利最多，占世界专利总数的12.8%。五分以下的专利占比达到57.3%，价值度在8分以上的专利仅占专利总数的22.6%。价值度为10分的专利占比中，斯坦福大学是世界总量的3.3倍;9分专利占比中，斯坦福大学是世界总量的2.6倍;8分专利占比中，斯坦福大学是世界总量的2.1倍。由此可见斯坦福大学的技术创新能力远远高于世界总体水平。
2.2 技术创新的影响力指数测度
CHI Research公司致力于科技创新指标的研究与分析，创立一系列专利分析的指标系统，开辟了专利引证指标分析的先河[17]。CHI Research公司的专利评价系列指标主要是基于专利的被引用状况来衡量某研究机构的技术影响力[18]。这些指标主要有专利平均被引数（Cites Per Patent.CPP）、当前影响指数（Current Impact Index，CII）以及技术影响力指标（Technology Influence Index.TII），其中TII比CPP和CII更能体现一个机构技术接近前沿的程度，更能表征一个机构在技术领域的影响力。在运用TII指标测度某机构的技术影响力时，CHI Research公司规定被引用次数最高排名在前10%的专利为最具影响力的专利，并对TII做如下定义：某机构各年度专利位居被引用次数前10%的最具影响力专利件数占该机构该年度非零被引专利的比重，除以所有专利位居最具影响力专利区的专利比重，得到的比值即为该机构各年度的技术影响力指数TII。TII值越高，说明专利重要性程度越高，该机构的技术影响力越大。
在本项研究中，根据数据的具体特征，在CHIResearch公司提出的专利评价指标体系的理论基础上，构建斯坦福大学技术创新影响力指数的数学模型（公式1），考察拜杜法案实施后斯坦福大学的技术创新影响力状况，研究时段限定在1980-2015年间。首先计算出斯坦福大学1980-2015年间各年度专利总被引频次的前10%，此区域称为最具影响力专利区，统计该区域的最具影响力专利件数，将其除以该年度非零被引专利总件数，得出该年度斯坦福大学最具影响力专利比重。然后除以该研究时段内斯坦福大学所有专利中最具影响力专利的比重，所得比值即为斯坦福大学该年度技术创新影响力指数。为了消除因随机波动和周期变动等因素引起的较大起伏，更好地展示斯坦福大学技术创新影响力的长期变化趋势，运用移动平均数计算方法来提高这一动态数列的吻合度（公式2）。该方法的基本原理是根据某段时间的数据，从开始位置逐步向后移动指定期数并逐期平均。基于前文研究的论述，设计如下移动平均步骤：
Step 1选择一个适当的求平均值的周期项数。根据本文数据特征，采用以C=4为周期项数;
Step 2按照周期项数C=4将时间序列分期，第一期由排序1，2，3，4的数组成，第二期由排序2，3，4，5的数组成，以此类推，最后一期由排序最末尾的四個数组成;
Step 3按照公式（2）计算每一期的平均数;
Step 4以最近一期的平均数预测时间序列的下一个数据。
计算结果通过图2展示出来。
图2显示斯坦福大学的技术创新影响力指数分布随时间呈明显的周期性变动，但各个周期的持续时间和波动幅度均不相同。第一个周期峰值在1982年，第二个周期峰值在1996年，第三个周期峰值在2012年。每—个周期峰值过后都经历两年的急速下降，随后下降速度趋于平缓，接下来又经过两年的急速提升达到下一周期的峰值。经过移动平均之后，原有时间序列的上下波动幅度被削弱了，移动平均对原始数据有明显的修匀和平滑的作用。根据移动平均的最后一个周期的平均数，可以预测未来一年斯坦福大学技术创新影响力指数为0.19。实践表明，周期项数C越大，对原始数据的修匀作用越强，会使平滑波动效果更好，但会使预测值对原始数据实际变动的敏感度下降。
3 斯坦福大学技术创新优势分析
3.1 斯坦福大学技术创新的主要领域
对专利分类号进行分析，可以了解专利技术分布的具体领域和覆盖的范围[19]。全部技术内容按IPC部、大类、小类、大组、小组等逐级分类，一件专利往往涉及一个或多个不同的技术主题，这些技术主题通过相应的专利分类号表示出来，因此每件专利拥有一个或多个专利分类号，当拥有多个专利分类号时，最能充分代表发明信息的分类号则排在第一位，称为主分类号，在本项研究中精确到IPC小类。从主分类号分布情况来看，11547个主分类号共集中在246个IPC小类中，但各小类的频次分布极不均匀，20% （49个）的小类共占据总频次的90.8%（10480次），比帕累托法则描述的不均衡现象更甚。这49个IPC小类代表了斯坦福大学技术创新的主要领域。我们将频次排序前20位的IPC小类及其表征的技术领域列于表2中，方便相关人员查询。
将每个IPC小类出现频次最高的年份称为该IPC小类分布的主要年份，以此研究技术创新主要领域的时间演化特征。49个IPC小类分布的主要年份通过图3表示出来。图中横轴表示年份，纵轴表示IPC小类在主要年份出现的频次占该小类总频次的比值经过数学处理之后得到的相对频次。从图3展示的IPC小类分布的主要年份看，1980年之前，只有1939年的HOIJ（放电管或放电灯）、1941年的GOIS（无线电定向;无线电导航;采用无线电波测距或测速）和1972年的C07C（无环或碳环化合物）3个IPC小类;1980-1985年间有7个IPC小类，1986-1995年间是高频IPC小类分布的低谷，只有2个IPC小类分布在该时间段;1996-2005年出现一个小高峰，共有13个IPC小类，2010年之后则是IPC小类分布的集中区域，共有24个IPC小类分布于此。
在研究斯坦福大学主要技术主题分布的时间延续特征时我们也发现了一种“断层”现象，以A6IK小类举例说明。A6IK小类最早出现于1932年，该年昙花一现之后便销声匿迹，时隔38年之后，直到1970年才又再次出现，之后频次逐渐增多，2014年达到高峰153频次。这令人联想起科学中的“睡美人”现象。科学史上存在着这样一种现象，由于各种条件的限制，有一些重大的科学发现不能及时被当时科学共同体的其他成员所接受而被忽视，多年以后才被人们重新认识。Van Raan把这种现象称为“科学中的睡美人”现象[20]，承载这些科学成果的科学文献称为科学中的“睡美人”。很多学者对科学中的“睡美人”现象进行了深入研究[21-23]，探寻“睡美人”重要的科学价值、识别方法及唤醒机制。这些研究对于及早发现科学超前性研究、缩短科学认知周期、占领科学前沿高地具有重要意义。在技术研究领域，也存在类似本文研究中A61K小类表征的技术领域，这样的技术领域被偶尔涉猎之后便长期无人问津，若干年后仿佛被从沉寂中唤醒，科技创新成果连续高频出现。这似乎就是技术领域的“睡美人”。那么，如果技术研究领域也存在“睡美人”现象，如何及早识别技术“睡美人”？唤醒技术“睡美人”的“王子”应具有什么样的特质？怎样的机缘才能使“王子”和“睡美人”相遇？这些极具魅力的问题吸引着我们后续将进一步探索其中的奥秘，这对于分析某个机构或者某个技术领域的研究前沿、揭示科技创新规律无疑将具有重要意义。
3.2 斯坦福大学技术创新优势领域
从专利分类号看，斯坦福大学的专利分布于A（人类生活必需（农、轻、医））、B（作业、运输）、C（化学、冶金）、D（纺织、造纸）、E（固定建筑物：建筑、采矿）、F（机械工程）、G（物理）、H（电学）的所有部类，但重点领域在C（化学、冶金）、A（人类生活必需）、G（物理）、H（电学）四个部类。这四个部类的分类号总频次是56665次，占斯坦福大学专利分类号总数的96.5%。运用聚类方法进行分析，然后借助信息可视化技术以专利技术图和共现网络的形式将斯坦福大学技术创新主要领域的技术优势通过图4和图5展示卅来。图4中横轴表示IPC对应的专利价值度，纵轴表示IPC对应的专利被引用频次。坐标轴越向两端延伸，表明技术创新的质量和影响力优势越明显。四个象限分别分布着A、C、H、G部类的优势技术领域。进一步运用PAJAK软件从网络分析的角度将排序前50位的IPC共现状况进行可视化展示（图5）。
从聚类分析的结果看，斯坦福大学技术创新的优势领域以46个IPC小类来表征：A部类具有明显优势的技术领域主要有：A47B（家具及家具的一般零件）、A47F（商店、仓库、酒店、饭店等场所用的特种家具、配件或附件）、AOIH（新植物或获得新植物的方法）、A23L（食料或非酒精饮料;它们的制备或处理）、A6IM（将介质输入人体内或输到人体上的器械）、A6IJ（专用于医学或医药目的的容器;专用于把药品制成特殊的物理或服用形式的装置或方法;喂饲食物或口服药物的器具;婴儿橡皮奶头;收集唾液的器具）、A61H（理疗装置，例如用于寻找或刺激体内反射点的装置;人工呼吸;按摩;用于特殊治疗或保健目的或人体特殊部位的洗浴装置）以及A61K（医用、牙科用或梳妆用的配制品）。
C部类的优势领域主要有：C06B（炸药或热剂的组合物及其制造）、C25D（覆层的电解或电泳生产工艺方法;电铸;工件的电解法接合;所用的装置）、C06D（烟雾发生装置;毒氣攻击剂;爆炸或推进用气体的产生（化学部分））、C09C（纤维状填料以外的无机材料的处理以增强它们的着色或填充性能;炭黑的制备）、C25F（电解法除去物体上材料的方法及其所用的设备）、C09B（有机染料或用于制造染料的有关化合物;媒染剂;色淀）以及C08F（仅用碳一碳不饱和键反应得到的高分子化合物）。
H部类具有明显优势的技术领域主要有：H02H（紧急保护电路装置）、HOIH（电开关;继电器;选择器;紧急保护装置）、HOIK（白炽灯）、HOIP（波导;谐振器、传输线或其他波导型器件）、HOIQ（天线）、H03B（使用工作于非开关状态的有源元件电路，直接或经频率变换产生振荡;由这样的电路产生噪声）、H03D（由一个载频到另一载频对调制进行解调或变换）、H03F（放大器）、H03H（阻抗网络，例如谐振电路;谐振器）、H04W（无线通信网络）以及H05B（电热;其他类目不包含的电照明）。
G部类具有明显优势的技术领域主要有：G10H（电声乐器;由机电装置或电子发生器产生音调的乐器，或从数据存储器合成音调的乐器）、G03C（照相用的感光材料;照相过程，例如，电影、X射线、彩色或者立体照相过程;照相的辅助过程）、G09B（教育或演示用具;用于教学或与盲人、聋人或哑人通信的用具;模型;天象仪;地球仪;地图;图表）、G11B（基于记录载体和换能器之间的相对运动而实现的信息存储）、GOIQ（扫描探针技术或设备;扫描探针技术的应用，例如，扫描探针显微术）、G10L（语音分析或合成;语音识别;语音或声音处理;语音或音频编码或解码）以及G03B（摄影、放映或观看用的装置或设备;利用光波以外其他波的类似技术的装置或设备;以及有关的附件）。
4 结论与展望
本文选取INCOPAT科技创新情报平台收录的斯坦福大学11547条专利数据，运用计量分析方法和信息可视化技术手段，对斯坦福大学技术创新影响力及创新优势进行测度。研究结果显示，斯坦福大学高价值技术专利占其总专利数的78.2%，其创新技术价值远远高于世界总体水平。通过构建动态的技术创新年度影响力指数模型及其移动平均测定发现，斯坦福大学的技术创新影响力指数分布随时间呈明显的周期性变动，周期峰值分别在1982年、1996年和2012年;长期来看，斯坦福大学的技术创新影响力总体上稍有下降;从移动平均线的效果看，移动平均对原始时间序列具有明显的修匀和平滑的作用，且周期项数C越大，修匀作用越强，平滑波动效果越好，但预测值对数据实际变动的敏感度下降;根据移动平均的最后一个周期的平均数预测出未来一年斯坦福大学技术创新影响力指数为0.19。通过国际专利分类号研究结果显示，斯坦福大学技术创新的领域覆盖范围涉及A、B、C、D、E、F、G和H的所有部类，但主要领域集中在C（化学与冶金）、A（人类生活必需）、H（物理）及G（电学）四个部类下的49个小类。从时间分布来看，高频IPC小类分布的主要年份集中在2010年之后的最近几年，其次是在1995-2005年间。运用专利技术图和共现网络展示出斯坦福大学技术创新的优势领域，凸显出46个具有明显优势的技术领域。
在研究过程中，我们发现斯坦福大学技术创新领域中存在“睡美人”现象。对这一现象的探索将有助于及早识别技术“睡美人”，缩短重要技术创新的时滞，对于揭示科技创新规律、引领技术研究的前沿具有重要意义。
参考文献：
[1] AY Joseph Woo， BruceA. Reitz. One Hundred Years of History atStanford University： Thoracic and Cardiovascular Surgery[J].Seminars in Thoracic and Cardiovascular Surgery. 2015. 27（4）：388-397.
[2]Adams SB. Stanford and Silicon Valley： Lessons on Becoming aHigh -tech Region [J]. Califomia Management Review. 2005. 48（1）： 29-51.
[3] 王文禮.斯坦福大学协同创新的成功经验和启示[J].学术论坛，2015. 289（2）： 154-160.
[4]顾征，李文.创业型大学知识产权管理经典模式——斯坦福OTL四十年经验启示[J].高等工程教育研究，2011（6）： 54-67.
[5] 穆晓燕.美国研究型大学科研管理机制探析——以斯坦福大学为例[J].中国高校科技，2017（12）： 16-19.
[6]Emst H， Fabry B.Enhancing Market-oriented R&D Planning byIntegrated Market and Patent Portfolios [J]. Journal of BusinessChemistry， 2004. 138（1）： 2-13.
[7] Ahuja G. Collaboration Networks. Structural Holes. andInnovation：A Longitudinal Study [J]. Administrative ScienceQuarterly. 2001， 45（3）： 425-456.
[8]Breitzman A. Thomas P Using Patent Citation Analysis to ValueCandidates [J]. Research Technology Management. 2002. 15（5）： 28-37.
[9] Nordensvard J，Zhou Y，Zhang X. Innovation core. innovationsemi-periphery and technology transfer： The case of wind energypatents [J]. Energy Policy. 2018. 120（3）： 213-227.
[10] Sorensen J B，Strart T E Aging. Obsolescence， and OrganizationalInnovation [J]. Administrative Science Quarterly. 2000. 45（1）：81-112。
[11] Lacasa ID. Shubbak MH. Drifting towards innovation： The co-evolution of patent networks， policy， and institutions in China'ssolar photo voltaics industry [J]. Energy Research&SocialScience. 2018. 132（38）： 87-101.
[12]石秀，景睿，郑刚，等.基于专利数据的中国新能源汽车技术创新的区域分布特征分析[J].工业技术经济，2018. 298（8）： 60-67.
[13]刘云，刘璐，闫哲，等.基于专利计量的全球碳纳米管领域技术创新特征分析[J].科研管理，2016. 37（4）： 337-345.
[14] Incopat科技创新情报平台[EB/OL].https：//www.incopat. com/.
[15] Bakker J.The log-linear relation between patent citations andpatent value [J]. Scientometrics. 2017. 110（2）： 879-892.
[16]梁丽，李小娟，王双龙，等.基于专利价值分析指标体系的专利价值数据综合处理系统[J].高科技与产业化，2015（7）： 89-93.
[17] http：//www.chiresearch.com.
[18] Albert M. B.. Avery D.. Narin F.and Me Allister P.DirectValidation of Citation Counts as Indicators of Industriallyimportant Patents [J]. Research Policy. 1991. 20 （3）： 251 - 259.
[19] Lemer J.The importance of patent scope： an empirical analysis[J]. Rand Joumal of Economics. 1994， 25（2）： 319-333.
[20] Van Raan A_ Sleeping beauties in science [J]. Scientometrics.2004. 59（3）： 467-472.
[21]杜建，武夷山.一個用于识别睡美人文献的新的无参数指标——基于”Science”和”Nature”上睡美人文献的验证[J]情报理论与实践，2017. 40（2）： 19-25.
[22]宋维翔.”王子”对”睡美人文献”引用的动机分析——基于邮件访谈调查的实证研究[J].现代情报，2018， 38（5）： 32-36.
[23] Wang JC. Ma FC et al.. Why and How Can "Sleeping Beauties"Be Awakened [J]. The Electronic Library. 2012， 30（1）： 5-18.
