专利分阶评价初选体系和应用研究领军人才挖掘——以中科院先进院专利筛选为例

张雪晨

(广州产权交易所有限公司，广东广州 510010)

科技服务业是现代服务业的重要组成部分，2020 年科技部重点加大先进计算、新型健康业、科技服务业等领域的支持［1］，加大技术信息管理与研究对科技服务业具有前瞻意义。技术信息的重要载体是专利，衡量创新能力的重要指标看专利。《2020中国区域创新能力评价报告》表明，北京、广东、上海、江苏的基础研究经费占全国基础研究投入的比例超过50%［2］。广东专利申请量、授权量稳居全国第一，2013 年至2019 年广东专利申请量及授权量高速增长,专利申请量由26.4 万件攀升至80.8 万件,专利授权量则由17 万件增长至52.7 万件。两项占比保持在17%～20%,显著高于其他省（区、市）［3］。2019 年05 月，中国科学院深圳先进技术研究院（以下简称“先研院”）为面向应用的知识产权代理及综合服务采购项目进行公开招标，为提高委托主体科技成果转化能力和知识产权运营水平。本研究基于广州产权交易所对先研院2007—2019 年的国内公开发明专利，运用维度方法提取客观数据进行筛选。

在国外，20 世纪80 年代美国CHI Research 公司已开始文献计量学方法的研究［4］，谢萍等［5］根据有限个评价对象与理想化目标的接近程度提出TOPSIS 排序方法，Reitzig［6］提出从专利文献的全文中采用概率回归法分析了独立权利请求数、现有技术描述字数。Park 等［7］假设专利被引数量与专利的价值成正比并进行了验证。Chiu 等［8］运用层次分析法(AHP)计算各指标的权重，并实际测量了具体专利的价值。可见，国外较早地将独立权利请求数作为对象考察，并借助层次分析法测度专利价值。国内学术界主要在指标选取和相关体系构建上形成一系列观点，杨武［9］以专利指标作为研究主题，用专利申请量和专利授权量评价国内高校专利情况，该类量化指标从上世纪末至今仍在沿用。邵勇［10］提出投入指标、产出指标、运营指标、保护指标和效益指标，并强调审查员引文重要性和指标搭建上的科学性，但在细分指标上人为判定因素居多，国家知识产权局知识产权发展研究中心和国家知识产权局专利局黄庆等［11］在专利数量、质量、价值三个方面构建了专利评价指标体系，运用加权评分方法得到综合评价值，但其价值维度客观统计值偏少，在专利评判上很难具有普适性。万小丽等［12］建立了以技术、市场和权利三维度为主的专利价值评估指标体系,并用层次分析法计算指标的权重，李振亚等［13］援引Harhoff 等［14］于2003 年提出的技术创新度与独立专利权要求数量相关，但独权作用并没有引起国内研究者的重视。王兴旺［15］分析了专利审查员引文与专利发明人引文之间的差别及其对专利引文分析结果的影响，但是对发明人自引的分析并没有涉及。原国家知识产权局专利管理司和中国技术交易所共同编写了以法律、技术、经济价值度为核心维度的专利价值分析指标体系［16］，在业内具有广泛影响。肖冬梅［17］挖掘了申请人引文和审查员引文的区别特征，列举了审查文件的类型，强调了审查引文的重要性，但在审查文件类型对专利价值方面没有给出判定的优先级，田瑞强等［18］提供了一种基于专利数据的科技人才识别方法，从被引频次、专利家族、保护范围，先识别核心专利再定位发明人，其思路值得借鉴。张黎等［19］基于直觉模糊层次分析法的专利质量模糊综合评价，相较于传统层次分析，新方法更加客观与精确，邱洪华等［20］基于权利要求数量、专利存活期及被引次数等分析，建立中美VOCs 治理技术专利质量比较，同时用到了Innography 专利分析指标的专利强度。以上研究结果涉及的客观指标多数采用被引次数、权利要求数量和发明人数量以及专利寿命等，在指标选取上人为判定因素较多，部分体系的释义中涉及含糊不清的描述词，比如比较难于判定、较难规避，以及在技术价值度指标含义中的比较依赖其他技术、非常先进等［16］，诸如此类难以量化的用词来打分，一定程度上造成了评估结果的不确定性。

综上所述，国外学者提出的被引数、PCT 专利数与专利族大小、权利要求数、IPC 分类数及专利寿命等基础指标长期影响着国内学者的分析判断。作为综合性评价体系中的组成要素，基于专利寿命和权利要求数等指标形成的分析结果与实际情况并不十分吻合，原有基础数据形成的指标体系已很难满足现实需要，专利文本及对比文件的信息挖掘还很欠缺，测度指标体系未见有更富逻辑、更深入和更全面的研究。主要问题表现在机构间要素不统一、代表性数据不多、指标成分长期变化、主观判定因素较多，客观的文本分析指标提取较难等，这些情况导致体系架构、分析方法再具科学性，其经验、结论和数据均在后续研究中较难继承和发展；另一方面，具有明确表征意义的指标没有被足够重视，比如：专利自引数、独立权利要求数量、专利文本的特征度及专利审查数据中影响新颖性判定的文件类别等；同时，需要重视引入第三方工具实现专利分级与分类的判定，弥补客观导出数据短缺的弊端。因此，在理顺逻辑的前提下，需要重视知识产权在创造、运用、保护和管理维度的客观指标挖掘，才能为服务维度提供可靠的数据资源。

本篇研究对客观数据逻辑内涵以及量化数据采集、分析和提取做出相关解释，基于层次分析法并确定各项指标的权重，建立分阶评价指标体系。

1 专利分阶评价初选体系的层级建立

1.1 分阶初选体系构建基础

构建专利分阶评价初选体系是以发明专利文献为主要依据，目的是挖掘专利数据背后应用研究领军人才。首要工作是明确构建基础和概念,本研究通过客观数据的提炼和科技管理相关分析方法的运用，利用数据的采集、清洗、标识、整理，通过分级筛选和聚类分析对数据进行挖掘，遴选相关领域应用研究的领军人才。

1.2 分阶初选体系构建流程

2020 年9 月，广东省政府出台《关于培育发展战略性支柱产业集群和战略性新兴产业集群的意见》，并逐一制定了20 个战略性产业集群行动计划（2021—2025 年）［21］。本研究通过对专利权人、研究组织、竞争对手和专利保护四个维度的分级筛选，再通过技术应用维度分类梳理，实现对应用研究领域人才的挖掘，依据科研渐进性和成果阶段性特点，通过人才集聚筑牢产业集群的根基。

1978 年，钱学森［22］在全国力学规划会议上谈到，以宇观、宏观、细观、微观来区分客观世界的数量级水平。本研究通过专利大数据下客观数据的提炼，总结构建了分阶初选体系的总计包含四个分级维度和一个分类维度，具体包括：专利权人创新阶段、研究组织开发阶段、市场竞争阶段、专利保护阶段以及技术应用分类，其中分类维度可以参照国民经济分类、新兴产业分类、DWPI 用途分类和IPC 等分类指标（如图1 所示）。

图1 专利分阶评价初选体系和应用研究人才挖掘的构建流程

1.2.1 体系指标层级

把所要解决问题的不同侧面进行分类，将每个类别建立不同维度，维度再用指标进行解释和测度。具体内容见表1。

表1 专利分阶评价初选体系构建指标体系

1.2.2 体系层级解释

（1）自主创新阶段。自主创新是实现我国创新驱动发展的重要举措，创新的根本在人才。自主创新其实质就是自主技术创新。张云［23］对自主技术创新能力的重要因素及其相互间的作用程度进行了分析，为提升战略新兴产业自主创新能力提供了对策和建议。随着我国科技成果转化法律法规的修订和相关配套改革措施的出台，并通过条例和措施充分赋予单位管理科技成果自主权、建立尽职免责机制。自引可大致分为学科自引、机构自引、期刊自引和作者自引等多种形式，本研究针对专利的自引，视其作为技术应用创新的内在重要体现，自引数量的统计即将自身产出的前期知识资源在后续加以自我引用的客观考察。对自身产出的前期专利的补充说明、延伸扩展、修正引错［24］；同时，发明人主观是否自愿做出同族布局的保护申请，是作为自主创新广度的明显表现。

（2）研究开发阶段。科研组织是国家创新体系的重要组成部分，也是创新成果产出的重要源头。研究开发离不开研究组织间的观点借鉴和相互引用；这需要充分发挥知识产权激励科技创新、保障成果权益、支撑治理体系的制度性作用，推动科研组织高质量发展。通过创新引领带动研究组织能力的提升促进市场创新需求。该阶段是研究组织的科研能力向现实生产力过渡中最为关键的一环。

（3）市场竞争阶段。市场竞争力是以企业为主体的指标。与企业相比高校与科研机构的专利产出相对较少，参与市场竞争的专利作用较小。与市场追求盈利的环境相比，高校科研机构的原始创新不够，解决重大问题能力不足［25］；如果专利权人提交材料本身缺乏新颖性和创造性，那么专利代理师只能靠检索借鉴、嗅探对比、挖掘扩充获得新的特征点来撰写申请文件，而这些专利在审查环节虽然被通过，但是，由于缺乏原始创新，即便获得授权也很难在真正意义上实现市场竞争的权利保护；而有原始创新的专利虽然被审查员提出异议甚至驳回，但是通过答辩或者复审，专利也可能获得授权。因此，经过审查员引用、对比或复审、维权等获得授权专利文件更值得关注，在专利审查对比过程中所标注的影响文件新颖性、创造性的类别也应该引起重视，可以考虑作为判定专利价值、市场竞争力和权利保护强度中的重要参考。

（4）专利保护阶段。保护知识产权就是保护创新。人民法院确定专利权的保护范围时，独立权利要求的前序部分、特征部分以及从属权利要求的引用部分、限定部分记载的技术特征均有限定作用［26］。专利的信息也是专利权利的信息。其撰写质量决定科研团队成果保护的强弱，影响权利要求保护的稳定，关系到市场竞争中诉求利益的多寡。对专利保护范围的文本信息进行深度挖掘与分析，通过聚类不仅可以得到相关技术领域内关键术语的变化情况，还能发现相关技术领域的研究热点，提供技术竞争情报资源的同时，又能提高科技成果转化的效率、增强科技资源管理服务的效能。

（5）应用研究阶段。应用研究的集聚就是人才的集聚。为响应广东省“10+10”产业集群发展［21］，从专利的数据信息分维度、分层次、分阶段梳理应用研究领域人才团队的状况，就要搭建起专利信息、人才数据与应用研究之间的映射关系，推断出应用研究人才培养、引进与储备情况。做好专利、人才和研究的有效映射是技术转移和情报分析工作中不可或缺的步骤。

2 分阶初选体系的指标构建

专利信息既是关于专利保护客体的内容信息，又是有关专利权利的信息，同时集技术信息、法律信息、经济信息、战略信息、市场信息于一体，是一种数据量巨大、内容广博的重要信息资源。本研究运用信息学、科研评价方法结合提取专利题录数据，形成四个分级维度和一个分类维度对应用研究人才进行挖掘。根据每个维度的所具备的客观要素形成二级维度指标，设定二级维度的细分指标共计7项：指标的选取侧重专利权人的原始创新、保护意愿、自引用和被引用专利文献数量、审查员的对比文件和独立权利要求数量及其专利文本所获取的特征数，分类维度包括：国民经济分类、新兴产业分类、DWPI 用途分类以及第三方数据库的分类数据等。

2.1 评价指标构建的基础

2.1.1 客观现实数据为基础

专利登记信息具有一定的统一性和规范性，但处理原始专利文献的数据量和信息量均比较庞大，必须用科学的方法进行分级、分类、标引、挖掘和整理，由此得到信息可以作为后续分析的有效依据。

2.1.2 行为动机分析是依据

以专利发明人的行为动机作为分析的起始步骤，能够判定专利权人的主观能动性，专利的自引信息可以表现出成果的来源，同族数据则直接关系到专利成果的保护广度，对相关领域的研究组织的分阶数据进行横向对比，在技术应用维度形成具有参照性的数据，为研究组织间协作提供依据，为互补性研发提供参考。

2.2 评价指标构建的种类

2.2.1 专利权人

专利权人指标主要包括2个二级客观统计指标。此指标着重考察专利权人自引用的动机和同族布局的意识。

（1）自引数。在20 世纪80 年代，学者王崇德就证实了自引是研究学科、期刊、科学论文作者、科学合作等问题的重要入口。从自引出发，可以定量考察科学社会中的著述动态和征兆，并以此来剖明一些科学社会的趋势和规律［27］；自引的行为机制中既包含知识基因片段的复制和重组，主要表现在发明人的自主技术创新和融合，也包含知识基因片段的舍弃和修改，主要来自专利审查过程中的判定或质疑，它是知识个体引用自身产出的前期知识资源的行为。同时，随着对专利引文研究的不断深入，自引与技术行为、技术特征之间的对应关系逐渐明晰。因此，自引数据可以彰显发明人对技术研究的深入度，对技术关注的持续度，以及技术研发路线的特征度。

（2）同族申请数。专利权人可以通过同族专利布局，拓展海外市场，规避出口贸易和技术侵权风险。同族专利（patent family）是指同一专利在多个不同的国家申请并获准的发明内容基本相同的一组等同专利（equivalent patent）［28］，依据巴黎公约中一项专利文献与其优先权的联系，存在多种定义专利族的方式。由于专利申请可能会引用不同的优先权，因此，一项发明在不同国家申请会有不同，同时每个国家专利审查环节不同，导致专利权利要求及获得的保护范围也存在差异。即便如此，实证研究表明技术发展不同阶段专利家族规模对专利价值的影响存在显著差异［29］。通过对美、欧、中、日、韩、德等PCT 的人工改写，本研究借助德文特数据库DWPI 分类字段，清理专利权人和发明人并添加文本信息；PatSnap 数据库也将PCT 申请、分案以及接续案也作为同族归集的基础，大多数专利数据库都为采集同族申请数的题录信息提供了下载的接口，这为该项数据的提取提供了便利。

2.2.2 研究组织

研究组织指标主要从一个方面进行客观统计，包括被引用数1 个二级指标。该指标可以理解为专利层面的知识继承对象，并可有效串联知识共享的群体。

专利引证存在两个方向，即引用（citing）和被引用（cited）。如果一份专利多次被后继专利引用,这就表明该专利技术在其领域的质量比较高或者属于比较基础性的研究成果；同样的,如果一份专利引用了这样的专利,也可以说该专利是建立在比较高的基础之上的［30］。知识的继承很大程度依靠引用与借鉴，正确认识创新和继承的关系,有助于研究活动的持续开展。专利引用关系就像技术与专利集合之间的纽带。以目标专利为起点，一项专利技术如果被大量的专利技术引用，很大程度上说明该专利包含有重要的技术进步或开创性。通过引文的相互关系能够揭示科技研究过程中内部的协作和外在的联系，探索技术发展路线的规律，发现研究组织之间潜在的合作关系。专利引用量一定程度上反映某项技术的在相关领域的创新程度。因此，统计被引专利数量一直是领域内数据分析的重要参考。

2.2.3 竞争对手

竞争对手指标主要从专利的审查对比方面进行客观数据统计，包括高相关度1 个二级指标。本节提出的指标要依靠专利审查员是否列举过此类对比文件。同时，又要辅以审查文件类别加以判定。

一篇专利文献通常会引用其他文献或现有技术，可分为两类，一类是申请人在说明书的背景技术部分提及的专利文献，另一类是专利审查员在评估专利是否具备专利性时使用的专利文献［31］。专利的高相关文献在审查过程主要由审查员主导收集形成。它属于一种易于查看，不易批量导出和分析处理的结构化信息。在此维度上所提取高相关数的过程，是在专利审查阶段必须经历的关键步骤，决定着专利的权力要求数量和实际授权的保护范围。审查员作为本领域的技术人员，在专利审查过程中需要从现有技术中尽可能检索出与该专利申请相关的文件以及判断新颖性的抵触性文件，比较专利新颖性、创造性和实用性（以下简称“三性”），用作不授予专利权、限制专利保护范围或者支持专利合法地位的根据。因此，审查员判定专利三性是形成专利的重要环节。也体现了高相关度这一指标对专利分析挖掘的潜在价值，不同标识的对比文件其相关性也各异，详见表2 所示。

表2 不同技术相关性程度所对应的参数符号与含义

2.2.4 专利保护

竞争对手指标主要从两个方面进行客观统计，共包括特征度和独权度2 个二级指标。此指标着重考察代理机构对专利特征度上位提取的意识和独立权利要求浓缩提炼的能力。

（1）特征度。正如我国《专利法》第二条第三款所述的技术方案，是指对要解决的技术问题所采取的利用了自然规律的技术手段的集合。技术手段通常是由技术特征来体现的［32］。特征在语义构造和设计中是指属不同词类的词的特殊点，早在上世纪90 年代姚天顺教授和张月杰就曾提出汉语文本自动分类模型，基于特征相关性的分类算法为核心。其自动分类算法是以规范化特征向量的构造、n重加权处理及相关性评价为基础，在实现过程中,可将输入分类文本转换为多维特征向量,进行各项处理,为之后的相关性评价做准备［33］。在已有的研究成果中，针对专利文本的特征提取方法有很多，如：基于特征频度，文本频度，特征熵，互信息，信息增益，Chi-square，相关系数等［34］。在专利分析工具层面，索意互动提出了一种文献价值获取方法，通过检索结果数据集利用引用逻辑或者被引用逻辑获取目标文献，利用在前和在后公开的文献与目标文献之间的相关度能够客观地计算出目标文献的价值［35］。因此，如果专利的区别特征较多，那么专利保护范围将相对较窄。专利代理师理应提炼出相对较少的特征度，确保能够撰写出对发明点保护范围最大的权利要求。获得保护强度高和不可规避性强的权利保护，提高专利的撰写质量［36］。由此可见，特征度的提炼体现了专利撰写的现实要求。

（2）独权度。独立权利要求数量能够体现专利代理师挖掘专利特征的水平和能力。如果说明书是发明人定义其发明的技术词典，是权利要求之母［37］。那么独立权利要求就是权利要求之首。独立权利要求是对说明书内容的高度概括，也是对每个重要的从属权利要求的关键核心点的提炼；同时，说明书又是叙述发明技术方案实质的载体。其与权利要求的关系又受复杂法律规则的制约。这些因素均决定了确定专利保护范围的难度［38］。采用从技术问题出发，挖掘必要技术特征的思维模式，能够从说明书内容中提取较多项的独立权利要求的能力，能客观地反映出专利代理师能力和水平，也同时决定着专利的保护强度。

2.2.5 应用分类

应用分类指标主要从分类数方面进行客观数据统计，此维度不同于以专利IPC 分类号为基础的传统的分析方式，本步骤需要结合前期的分级数据为条件，根据相关系数，进行统计和价制度测算，通过前面提到的四个分级维度，筛选得出专利相应分类维度下具体特征和内在联系，从而挖掘出一批具有研发共性的专利组合以及背后的发明团队。

相比国外学者Lerner［39］认为专利的IPC 号数量越多，说明专利的创新程度越高，则专利越有价值；胡成等［40］提出专利的IPC 号数量可以反映其技术领域覆盖范围，覆盖范围越广，则该专利的市场应用范围越大;业内的美国Dialog 公司于2009 年推出知识产权信息分析平台Innography，该专利分析系统的文本聚类系统功能为专利的文本聚类可视化，而德温特分类体系从应用性角度编制，已采用了Innography 中为文本聚类提供支持所使用的相同技术。新技术允许更多的交互式功能，如旭日图和多个聚类分段的选择。德温特分类体系的这些做法将所有的技术领域分为3 个大类:化学(Chemical)、工程(Engineering)、电子电气(electronic and electrical)；大类之下又分为部(Section)，共计33 个部，其中A-M归属于化学大类，P1-Q7 归属于工程大类，S-X 归属于电子电气大类;部又进一步分为小类(Classes)，共计288 个小类［41］。整体结构延续至今，当今科研领域的交叉渗透性研究已经成为科研取得重要进展的必要条件。通过分类技术寻找应用研究的特征度，将同类型的研发路线重组和归并，形成领域共性的集聚，从而实现对相关技术领域内企业的技术赋能。

3 权重确定及指标解释

完成专利分阶评价初选体系模型的构建后,需要对各级指标确定指标权重。其重要程度通过设置指标权重的多少来反映。再对指标模型附以指标权重即构成专利分阶评价初选体系，该体系能够直观地反映出各个评价指标的数据特征。

3.1 权重确定步骤

层次分析法（Analytic Hierarchy Process，AHP）是美国学者托马斯·塞蒂于20 世纪70 年代提出的一种多目标评价决策方法。而与其相近的网络层次分析法（analytic hierarchy process，ANP）是塞蒂于20 世纪90 年代提出的一种适用于复杂结构的决策方法。层次分析法构建的是递阶式层次结构，而网络分析法构建的是既存在递阶式层次又存在内部循环和相互支配的网络结构［42］。本文采用层次分析法（AHP）对指标进行权重的确定。其基本思想是首先把一个复杂问题分解为不同的组成因素，然后就不同维度的因素通过与最低层次进行两两对比，从而得出各因素之间相对重要程度，相对于上层指标来说，需要判断其下层各元素对其直接的影响程度,最后通过矩阵运算得到权重。

3.2 专利分阶评价初选体系模型

四维分阶初选总值=a1×专利权人+a2×研发组织+a3×竞争对手+a4×专利保护其中，a1、a2、a3、a4为权重，且a1+a2+a3+a4=1。

指标权重确定过程：

第一步：采用层次分析法确定上述权重a1、a2、a3、a4，通过6 个数值描述指标间的相互重要程度，如表3 所示。

表3 指标标度

第二步：制定判断矩阵，各指标之间进行两两对比，按照1-9 份评价指标间的相对重要程度，如表4 所示。

表4 指标判断矩阵

第三步：按照层次分析法的规则，对角线的数值为1（自己与自己比较），以aij表示第i个指标与第j个指标的对比（i行、j列），那么aij×aji=1。

以方根法计算权重，如表3 所示。

表5 指标权重测算

第四步：将指标权重代入模型中，得到：专利分阶评价初选总值=0.392 5×专利权人+0.149 1×研发组织+0.298 2×竞争对手+0.160 2×专利保护，得出公开发明的分级数据。

第五步：因为每件专利可能划归到不同产业，按照产业分类的数据总量大于所分析的专利总量。根据新兴产业分类和国民经济分类，得出2007 年至2019 年先研院排名前8 的相关产业统计如表6 和表7 所示。

表6 2007—2019 年先研院发明专利的新兴产业分类统计

表6（续）

表7 2007—2019 年先研院发明专利的国民经济分类统计

表7（续）

通过前四步分阶筛选数据，依照第五步专利所属产业进行分类统计，以生物医药、新材料和智能消费设备制造领域进行实证分析。

4 实证结果分析

通过知网的文献被引和下载量找出人才,可以通过被引专利的多少发现人才，在知网检索先研院数据中，对高被引文献进行排序，可以得出人才及技术领域，结果如表8 所示，所有高被引的论文文献中，全部基于人工智能领域的研究，可见，从单一的被引用维度查询到的结果具有局限性。

表8 对论文进行被引数统计得到的人才信息

运用同样的方法再对先研院2007—2019 年的国内公开发明专利，同样从单一的施引记录数来统计，结果如表9 所示，先研院入选前十名数据中高被引专利全部集中在人工智能技术领域。并且从原始分析数据中，均存在影响其新颖性的对比文件，尽管通过被引数维度可以获得相关的专利排名，但是结果显示该批专利同族布局较少、独权度较低，特征度较高意味着专利保护范围较小,其中自引数较低。

表9 对施引数进行排序统计得到的人才信息

再从专利的第一发明人或者发明人等单一维度也可以识别相应的人才，结果如表10 所示。从论文引用数据和专利引用数据以及简单通过专利的数量进行统计，可以发现不同的学术带头人在不同列表中的出现几率或出现的次序存在较大差异。技术领域不同人才的挖掘手段也不同，查询到的结果也不尽一致。

表10 排名前十位的第一发明人及发明数量统计

本研究通过德温特的DI 数据库、PatSnap 数据库、索意互动（北京）信息技术有限公司开发的Patentics 系统和ISPatent 数据库，借助Orbit 数据库和律商联讯数据库中专利审查员的参考引文数据进行对比，对影响专利新颖性判定的类别进行标引，比较专利被其他发明专利或者相关文献引用数据。因此，本文整理2007 年至2019 年先研院近六千项已公开发明专利数据，以专利审查员引文加发明人引文、被引文数据。通过德温特DI 以及DDA 工具获得DPCI 被引用数据进行分析判断。由索意互动Patentic 工具对专利文本特征值和独立权利要求数进行提取，最后按照国民经济分类、新兴产业分类以及德温特分类代码(DC)聚类对相关专利的用途进行分类，得出先研院排名靠前的专利组合，最终获得“双十”战略性产业集群中应用研究相关部分专利组合。获得先研院发明团队的相关研究方向，定位得出生物医药与健康应用研究领域人才，如表11 所示。

表11 生物医药与健康应用研究领军人才专利信息

智能机器人应用研究结果如表12 所示。

表12 智能机器人应用研究领军人才专利信息

前沿新材料应用研究人才结果如表13 所示。

表13 前沿新材料应用研究领军人才专利信息

从上述数据总结得出，论文引文数据主要反应撰写人的学术影响力，专利总量主要体现发明人参与项目的多少，第一发明人的数据能够揭示学术带头人对研究成果付出的程度，但是，发明专利量的多少并不能准确反应发明专利质的高低，定量的统计要结合定性的分析作出总结和判断。本研究带来的管理启示意义在于，能够通过自引数据表征应用研究者的专注程度，找出被引数据存在技术启示专利，挖掘专利背后贡献率较高的发明人，筛选出在撰写和布局有保护意识的专利组合。经与先研院沟通，分阶初选的方法所得到的数据与院方开展的应用研究实际情况相吻合，印证了数据的筛选与实际领军人才发展情况相接近；同时也挖掘出前期对先研院作出较多付出的应用研究人才（如：朱定局、黄惠等），反映出研发过程中的价值产出，由此也引起后续的人才流动。由此，可以得出分阶初选较好地解决了知识产权定性定量相结合的研究手段，以客观信息为判定理由，向科技管理研究者提供参考，为知识产权量变到质变提供数据服务和支撑。

5 结论

2020 年科技部、国家知识产权局、教育部三部门多措并举以专利为突破口，促进科技成果转化，强化人才队伍建设，建立知识产权全流程管理。科技部对科技活动在选题、研发、评估等环节提出明确的知识产权要求，建立科研活动知识产权清单制度，中国科学院也在探索实施专利集中管理运营，围绕重要行业需求培育高价值专利群，本文主要从知识产权创造、运用、保护、管理和服务全链条上的相关特征指标入手，建立了一种基于层次分析法的专利分阶评价方法，以四个分级维度和一个分类维度，将分级指标进行分类量化，令人才资源在国民经济分类、新兴产业分类及用途分类上进行呈现。相较于此前的洛特卡、h 指数和技术前沿识别等［34］，虽然也属于先核心专利再找相应人才做法，但其主要集中在引文数据的直观判断，以及通过IPC 分类号直接确认核心技术，从专利文献著者角度确定核心专利发明人，从而认为本领域的资深学者就是核心专利的考察对象。然而，本研究模型所涉及的人才识别方法不仅将分级与分类相结合，定性分析和定量分析相结合，使基于发明专利的分阶评价指标体系在量化筛选、分级呈现、分阶评价上具有客观性、逻辑性和普适性。此分阶模型可以服务于专利体量较大的国内外高校、研究所和企业。另外，不同数据库对专利申请的年度统计信息不尽一致，在此情形下只能略去不确定的专利，这为筛选结果带来一定影响。并且分阶初选的指标梳理与评价结论尚未做到广泛研讨，后续分阶评估模型将提高其精准性和实效性，进行理论扩充与合作应用，在实践中验证数据价值。同时，为健全重大项目知识产权管理流程，加大高质量专利转化应用绩效的评价权重提供参考，将专利量化筛选、专利分级、分类分析和应用领域人才挖掘串接成链，用数据形式汇聚应用研究领域高端人才，促进基于专利文献的科技管理水平提高，服务相关战略产业集群稳步发展。