专利价格评估指标体系与预测模型构建

曾凯霖，唐 婷，吴泽斌

（江西理工大学经济与管理学院，江西赣州 341000）

在知识产权交易市场中，专利交易服务是重要内容，专利交易产生的收益主要为专利许可收到的许可费用、技术转让所收到的支付成本。根据国家知识产权局［1］公布的《2022 年中国专利调查报告》，2022 年我国专利转移转化指数（PTI 指数）为52.7，较上年提高0.5，PTI 指数突破50 表示专利转移转化活动活跃；在知识产权资本化运作中，2022年我国专利质押融资金额快速增长，总额达4 868.8亿元，同比增长57.1%；在知识产权运用效益上，知识产权使用费进出口总额为3 872.5 亿元，其中出口额同比增长17%；发明专利许可率为12.1%，发明专利产业化平均收益金额达到799.2 万元/件。面对专利交易需求量的增加，我国专利网络交易平台也在不断完善，2020 年11 月，为了搭建统一的知识产权交易平台，全国首个知识产权交易场所联盟正式成立，全国12 家知识产权交易场所参与，这有利于构建知识产权交易的标准化市场，同时进一步缓解知识产权跨区域维权难现象。整体而言，我国知识产权交易市场正处于不断成长的阶段，面对专利交易数量的增多，对专利价格的精准估值十分有必要。若基于专利交易价格，并通过挖掘专利数据的评价指标，使目标专利与实际交易专利具有相似可比性，确定的专利价格是否具有可靠性？这正是本研究拟回答的问题。

1 相关研究文献评述

专利价格是专利价值的外在体现，由于每个专利都具有独特性，直接以专利的历史价格来评估其他专利价格存在不合理性，因此，本研究通过挖掘专利价值以匹配相似专利的专利价格来表示预测价格。为此，首先对国内外专利价值评估方法进行梳理，发现专利价值评估方法的研究大致包括传统评估法、多指标综合评价法和其他运用交叉学科的方法。如，李娟等［2］、金泳锋等［3］都利用层次分析法方法构建专利价值评价指标体系，分别从技术指标、经济指标与法律指标3 个层面计算专利综合价值度以识别高价值专利；但通过层次分析法确认的权重主观性强，因此杨登才等［4］强调专利法律指标层面中的侵权数量指标与经济指标层面中的作价入股专利与公司数量指标，将其纳入高校专利质量评价体系中，并利用熵权法进行评价，克服了主观评价的随机性；刘勤等［5］将获得中国专利奖的专利定义为高价值专利，并从不同的专利指标权重挖掘它们的共性。对于专利价格预测而言，Hiller 等［6］首次在均衡框架下根据市场交易来衡量专利价值，运用静态寡头垄断模型对专利法律案件的损害赔偿费进行计算；刘子辰［7］基于循环神经网络，在考虑专利市场因素情况下预测专利价格；孙玉艳［8］通过修正收益法、市场法等方法设计专利自动评估系统，对专利价值进行量化；来音［9］纳入非理性因素行为，即考虑人们对初始信息的依赖所产生的锚定效应情况下，利用深度学习模型对高校专利价值进行评估与预测。

可以发现，上述文献对于高价值专利的甄别仍大多停留在有关评价指标权重的计算上，关于如何运用专利价值进行专利定价的实证研究很少。而且，目前大多专利价值评估体系都只能计算专利综合价值度，其实质体现的是专利综合价值的概率分布情况，并不能精准表达专利的市场价格或实际运营价值。对于专利价格预测来说，又较少考虑到专利的经济、技术与法律价值。为此，本研究提出基于熵权法构建专利指标评价体系，并以市场价格为基础，实现对专利价格的预测。

2 专利价值评估体系与模型的构建

2.1 专利价值评估指标体系构建

通过对相关文献研究的梳理发现，学术界尚未对专利价值内涵的界定形成定论，但基本认为专利价值的内涵主要包括了技术价值、法律价值和经济价值3 个方面。其中，技术价值是高价值专利的核心基础；法律价值是实现专利市场化、资本化的重要保障；经济价值是专利价值的外在表现，是可预见的现金流。这3 个方面相辅相成，共同构成了专利价值。为了确定不同类型的专利是否具有可匹配性，进而确定相似的专利价格，分别从技术价值、法律价值和经济价值角度选取了8 个二级评估指标（见表1），通过各指标权重来反映专利间的可匹配性。对于技术价值及其影响，Aristodemou 等［10］认为高被引专利往往包含重要的技术进步；郭状等［11］基于我国人工智能专利数据研究发现，专利引证与被引证数和专利家族数对专利价值具有显著的正向影响；Fisch 等［12］、冯仁涛等［13］构建基于专利IPC分类号的范围指标发现，技术范围对专利技术价值具有显著正向影响。在法律价值层面，如杨思思等［14］以市场转化潜力为筛选目标，列举了涉及权利要求项数、专利说明书页数等11 项指标评估专利法律价值。在经济价值层面，如杨铁军［15］认为发明人数量越多代表专利的创造能力越强；马天旗［16］提出市场规模和市场占有率可以通过衡量市场当前应用情况来反映专利的市场价值，其中市场占有率是专利持有者的专利拥有量占该技术范围内专利总量的比值。

表1 专利价值评估指标体系

2.2 数据来源与选取

根据全国产权行业信息化综合服务平台、全国知识产权交易场所联盟的专利成交量来看，目前我国专利交易市场正处于成长期，公开披露的专利交易信息较少，且部分专利由于与其他专利存在技术强关联，单件专利不能单独实施，这种专利的交易大都是捆绑交易，难以衡量其中单件专利的价格。因此，基于全国知识产权交易场所联盟从2005 年至2021 年公布数据进行样本数据的收集。

样本筛选思路如下：（1）2005 年我国正式启动知识产权战略制定工作，专利交易市场开始被重视与运用，且 2005 年我国互联网产业在历经坎坷征程之后再次迎来发展的高潮，专利交易信息在网上开始披露，因此，选择2005 年为样本考察始点；（2）由于外观设计专利在专利特征上与发明专利和实用新型专利有明显区别，因此不将外观设计专利纳入样本；（3）要求专利权在发生权利转移时法律状态为有效；（4）部分企业为了满足国家高新技术企业认定标准中专利数量的要求，存在频繁收购价格便宜而实际实施率低的专利行为，该类专利的实际价值与其价格不相符，不具有研究意义，因此，为了避免这类专利对研究结论的影响，剔除了专利价格在1 万元以下的专利。最终，共收集320 件单件专利的交易价格，其中293 件为发明专利，27 件为实用新型专利。专利价值评估指标均从智慧芽（PatSnap）专利数据库进行采集。随机选取220 组专利数据作为样本组，对模型的有效性进行检验；同时，随机选取以100 组专利数据作为预测组，判断预测价格与实际交易价格的拟合程度。

2.3 专利价值评估指标权重

由于本研究内容涉及多维指标的综合评价，因此选用熵权法计算指标权重。具体步骤如下：

假定共有m件专利，每个样本有n个评估指标，构建原始矩阵如下：

进行标准化处理。

式（2）中：Yij为标准化后第i件专利的第j个指标的数值；max(xj)和min(xj)分别取列数据的列最大值和列最小值。

（3）计算第j项指标下第i件专利占该指标的比重（pij）。

（4）计算第j个指标的熵值ej。

式（4）中：ej>0。

（5）计算各项指标的权重ωj与第i件专利的综合得分δi。

3 专利价格评估模型

3.1 模型有效性检验

计算出样本组专利价格评价各指标权重，结果见表2。其中，被引用专利数的权重最高。被引用专利数体现的是专利技术的先进性，如果一件专利被后续专利频繁引用，说明该专利对后续技术的参考价值大、影响力强，能够引领行业未来发展方向且属于面向未来的颠覆性创新或开拓性发明创造，对后续技术的影响深远，因而是专利价值的重要体现。

表2 基于熵权法的样本组专利价格评价指标权重

综上，对样本专利价值度进行综合评价排名，并与其实际成交价格排名分布情况进行对比，如图1 所示，虚线表示实际成交价格排名的理想拟合线，可以看出，综合评价排名大致落在理想拟合线附近，拟合情况较好。

图1 样本专利价值综合评价排名与实际成交价格排名的拟合曲线

另外，从表3 可以看出，基于熵权法的专利综合评价排名与其实际成交价格排名呈现显著的正相关关系；调整后的R2系数为0.899，模型拟合较好，说明通过熵权法衡量的专利价值具有一定的可靠性。

表3 样本专利价值综合评价回归分析结果

3.2 专利价值与专利价格对比分析

将样本中价值综合评价排名前三的专利与其实际交易价格进行对比（见表4）。从技术价值角度看，有3 件专利的被引次数分别达到了9 次、4 次和13次，高于样本专利的平均被引次数（1.582 次）。被引次数越多，表明专利对后续专利技术的影响程度越高，所含的技术价值越先进，反映出的专利价值度越高。从法律价值角度看，专利价值排名第一的专利的权利要求数为10 个，由于权利要求数量超过10 个将被要求收取附加费，所以专利权利要求数量越接近10 个，表明专利受保护的技术方案数量越多、保护强度越大，反映出专利价值度越高。从经济价值角度看，有3 件专利的市场占有率分别为6.044%、8.880%和0.014%，其中超过100 万元成交价格的前2 件专利的市场占有率高于样本平均值（1.800%）。市场占有率越高，表明目标专利在其技术领域的市场当前应用情况越广，反映出专利价值度越高。总体来看，综合评价排名前三的专利与其成交价格排名基本相符，说明本研究构建的专利价值评价指标体系能够较为全面地反映专利价值，选用的熵权法能够较有效地衡量专利的价值权重，基于此进行专利价格预测具有合理性和准确性。

表4 基于熵权法的样本专利价值度排序

3.3 稳健性检验

由于各项专利指标的权重会随选取样本的不同发生变化，如果指标权重随样本的变化而出现显著差异，将会给专利价值评估带来不确定性，从而降低专利价值评估的稳定性和可信度，因此，对320组样本数据进行不重复随机抽样，每次抽取220 组不同样本数据，并按照上述方法进行各指标权重的计算。共计重复随机抽取1 000 次，并记录每次抽样下的指标权重，具体统计结果如表5 所示，可见各指标权重的平均值与其中位数值非常接近，且25%分位数和75%分位数均未显著偏离平均值和中位数，标准差也显著低于平均值，说明样本选取对各指标权重的影响可忽略不计，不会对专利价值评估产生显著的影响。

表5 样本评价指标权重描述性统计结果

4 价格预测模型

4.1 模型构建

为了精确预测专利价格，将样本专利按照其综合指标值排名依次分成20 等份，并依据样本专利市场成交真实价格计算各等分区间专利真实交易价格平均值。以上文确定的指标权重计算预测组专利的综合指标值，然后根据该综合指标值在样本组中进行匹配，将匹配等份的平均真实成交价格作为该预测组专利的评估价格，并检验其拟合程度。若预测组专利的综合指标值超出样本组所有专利的综合指标值，则该预测组专利被匹配为第20 等份；若预测组专利的综合指标值低于样本组所有专利的综合指标值，则该预测组专利被匹配为第1 等份。

4.2 预测结果与分析

对预测组的100 组专利进行模型构建并进行价格评估预测，将专利预测价格与专利的实际成交价格进行线性拟合，回归结果见表6。从F检验的结果分析可以得到，显著性P值在1%的水平下显著，模型存在显著正向线性关系，模型表示为y=-6 889.604+0.913x，因而预测价格对实际价格的关联度达到91.3%。

表6 预测组样本的线性回归分析结果

如图2 所示，预测组样本专利的预测价格与实际成交价格基本相符，说明运用专利评估指标综合权重匹配法预测目标专利交易价格有效。但是可以从表6 看出，模型R2系数不高，这是因为目前市场上专利交易公布信息量虽有所增长，但高价格成交的专利信息披露量较少，而成交价格在1 万元至10万元的专利的成交信息披露相对较多，因此模型在成交信息公布相对较多的样本区间定价越准确，而在信息公布较少的样本区间由于样本量不足，预测效果有所下降，从而导致模型的拟合程度有待加强。

图2 预测组样本专利的预测价格和实际成交价格拟合效果

4.3 价格预测模型的稳健性检验

在专利价格预测中，样本的选取具有随机性，不同的样本会导致样本组和预测组专利发生变化，指标权重和每个综合指标值对应的专利价格平均值也将发生变化，这将对专利价值预测的稳定性产生影响；同时，专利价格还受专利被引跨度、专利维持时间比率、审批时间、是否共同合作、申请人类型与技术领域等变量的影响，如傅强等［17］、钱坤等［18］、刘雪凤等［19］、李燕萍等［20］、姚清晨［21］和冯仁涛［22］的研究中分别对上述有关变量进行了分析。为了检验模型在不同样本下价格预测的稳定性，同时缓解由于遗漏变量偏差所导致的内生性问题，在此重新执行上述稳定性检验方法步骤，再次计算指标权重和专利综合指标值，并对专利价格进行预测。针对每个预测组专利，首先计算其综合指标值，然后根据该综合指标值在样本组中进行匹配，将匹配等份的平均真实成交价格作为该预测组专利的评估价格，并在加入控制变量后进行回归，结果如表7 所示。

表7 专利成交价格影响因素变量定义和计算方法

每次回归分析的系数和拟合度结果如表8所示。在改变样本数据与加入控制变量后，预测价格对实际成交价格的平均回归系数为0.78，在1%水平下显著，且回归系数的25%分位数和75%分位数均未大幅偏离中位数。其中，仅考虑控制变量对专利成交价格的影响时，模型的拟合程度平均为31.3%，解释力度较弱；但在加入考虑专利实际成交价所计算的价格后，模型拟合程度达到67.7%，解释力度得到了明显提升。这说明在考虑到专利价格受其他变量影响的条件下，模型相对未考虑控制变量时相关系数虽有所降低，但仍然高度有效，且预测价格影响因素的加入对于成交价格的解释力度显著提升，再次证明了预测专利价格与实际交易价格情况基本相符，表明本研究构建的专利价格预测模型具有较高的准确率和稳定性。

表8 样本专利重新抽样回归分析的系数和拟合度统计结果

5 结论与展望

本研究通过从技术层面、法律层面、经济层面选取8 个二级指标构建专利价值评估体系，以专利交易市场上存在真实交易的我国专利为样本，利用熵权法对专利进行综合权重评价，并与其真实交易情况进行匹配。结果表明，利用熵权法所计算的专利综合价值与真实交易情况基本相符，说明基于熵权法构建的专利价值评估指标体系具有客观性，消除了权重的主观评价对估值的影响，增强了专利的可比性，使得专利交易成交价格数据在专利价值评估中的应用成为可能，同时也消除了专利无法匹配、专利不可比的情形对市场化应用的不利影响；而且，基于稀疏交易的专利价格预测在小样本范围内基本准确，当样本不断扩大时，预测方法具有延展性，精确度会越来越高，能为专利交易市场价格定价提供一定的信息参考价值。

然而，本研究存在以下两点不足需要改进：一是尚未考虑组合内专利的相关性对组合型专利交易价格的影响。由于专利价值体现具有关联性，单件专利在很多情况下必须与其他技术搭配，往往无法单独实施，且部分专利需与技术秘密捆绑实施，因此专利组合的价格不再是组合内单个专利价格的简单相加。二是指标考虑不够周全，例如侵权诉讼也会影响专利价值，经历过诉讼并胜诉的专利往往更经得起考验、价值更高，但由于专利诉讼信息公开披露较少，本研究选取的样本中经历过侵权诉讼的专利很少，为排除异常值影响则未考虑专利诉讼方面的指标。