高校专利四象限分级实证研究——以转化概率和转化金额预期为维度

[目的/意义]对高校专利进行分级评估并采取有针对性的处置策略可以优化资源配置、避免无差别管理带来的资源浪费,提高专利转化效率。[方法/过程]以16所高校真实的专利转化数据为研究对象,通过4种机器学习算法对比选优,分别建立专利转化概率分类预测模型和转化金额分类预测模型,再以这两个模型为维度,构建高校专利四象限分级模型,并进行实证对比分析。[结果/结论]在对高校专利可转化性和转化金额进行分类评估时,基于随机森林算法的机器学习模型有效性更好;高校问题专利占比普遍较高;对不同象限的专利可采取不同的、有针对性的分级处置策略。

高校专利可转化性与转化金额影响因素对比研究及其对高校专利分级管理的启示

[目的/意义]对比研究高校专利可转化性与转化金额影响因素差异,是正确认识高校专利转化潜力、对专利进行转化前景进行预测和科学分级管理的前提,同时可以提升高校专利转化效率和精准度。[方法/过程]以含有实际成交金额信息的高校转化专利样本和匹配的非转化样本为研究数据,基于同一套指标体系,分别采用多元线性回归和二元logistic回归模型对比研究高校专利可转化性与转化金额之间影响因素的差异。[结果/结论]高校专利可转化性与转化金额的影响因素差异较大,仅文献页数、专利引证数影响关系一致,其余7个指标均不一致;体现专利法律稳定性的指标对高校专利可转化性具有更加显著的促进作用,而体现专利申请时人力、物力、财力投入的指标对提高高校专利转化金额的促进作用更强;从专利可转化性与转化金额预测值两个维度构建的专利四象限分级管理模型可以让高校专利分级管理工作更具针对性。