专利数据分析能否支撑专利管理？——基于USPTO、KIPO、EPO与JPO 2001—2021年全样本的实证检验

《Heliyon》：The myth of data analysis: can patent data analysis really support patent management?

　　

专利数据被公司、政府和研究机构等主体广泛用于呈现技术战略与政策。尽管已有大量文献讨论专利数据不可或缺性、意义及约束，但多数研究仅考察专利记录的选定子集。相比之下，本研究分析了2001—2021年间在美国专利商标局（USPTO）、韩国知识产权局（KIPO）、欧洲专利局（EPO）和日本专利局（JPO）提交并授权的完整专利语料库。本研究通过文献回顾提出并验证了六项与专利数据分析性利用相关的假设。本研究目标是通过对多样专利来源的统计检验，推断专利信息的重要性与专利分析的价值。研究发现，研发（R&D）投资、研发活动与专利注册之间存在时间滞后，使专利数据在考察当前技术状态时可能过时。此外，专利引用数量与专利续展费（patent renewal fees）之间存在强相关。再者，鉴于专利分类（patent classification）中人为错误（human errors）不频繁，专利数据可被视为专利分析的可靠来源。有证据表明，专利在不同行业间的分布存在偏倚，且某些部门（如“农业”“采矿和采石”）在保护技术活动方面显著依赖技术秘密（trade secrets）。主要专利局（main patent offices）数据库中各行业的专利分布也观察到类似模式。本研究结果有助于研究人员和实践者通过使用专利数据开展相关技术分析。

研究背景与问题：专利数据（patent data）长期被视为分析技术特征、演化与技术预测的重要资源，企业、政府和研究机构广泛用于呈现技术战略与政策。然而，专利数据库并非为学术统计分析设计；专利不能覆盖全部发明活动，行业间专利活动特征不同；部分申请人策略性提交低质量专利；申请到公开或授权常超过18个月，技术机会分析所需近期信号可能滞后；既有有效性研究多基于单一专利局、单一行业或高被引专利等狭窄样本，较少同时跨多个审查制度不同的专利局对引用、续展、分类和语义邻近等指标进行基准检验，也缺乏这些指标对市场采用、研发（R&D）投入和竞争定位等技术与商业价值维度解释力的证据。为此，Sunhye Kim与Byungun Yoon利用2001—2021年美国专利商标局（USPTO）、韩国知识产权局（KIPO）、欧洲专利局（EPO）、日本专利局（JPO）提交和授权专利的完整语料库，结合文献提出并检验六项假设，旨在判断专利信息价值与专利分析（patent analysis）在专利管理中的适用性。其意义在于为研究人员和实践者审慎使用专利数据提供统计依据。

方法上，样本队列来源包括：四局2001—2021年专利全样本，经WISDOMAIN平台检索并与USPTO BDSS/PatentsView、EPO OPS、KIPO OAKS、JPO批量文件交叉核对；欧盟社区创新调查（CIS）2016与2018年27国数据中的PAT_APP与TRADE_SECRET；经济合作与发展组织（OECD）2008—2018年研发支出数据GERD_BUS、GERD_GOV、GERD_HES。统计方法包括Pearson相关、线性回归、自然语言处理（NLP）与Doc2Vec文本相似度及t检验、单因素/双因素方差分析（ANOVA）和事后检验；删除无内容虚拟数据。

H₁：专利信息用于考察技术发展趋势时是过时数据。研究人员将美国行业研发支出与USPTO申请量按T、T+2、T+4、T+6、T+8做相关分析，发现T至T+6显著，T+6相关系数最高0.550，T+8不显著；说明研发投入与专利产出存在约2—6年滞后，专利数据可能过时。

H₂：专利引用可反映专利真实价值。通过USPTO全样本引用数与续展费相关及回归分析，r=0.293、R²=0.086，回归显著但解释力有限；引用与续费显著相关，但仅捕获有限价值，需结合权利要求宽度（claim breadth）、同族规模（family size）或市场数据。

H₃：专利信息中的人为错误对专利分析可靠性有显著负面影响。研究人员用NLP与Doc2Vec比较已分配与未分配合作专利分类（CPC）的文本相似度，组1均值0.112高于组2的0.051，t=2159.840、p<0.001、Cohen's d=1.14；分类通常与文本相关，人为分类错误不显著削弱可靠性。

H₄：专利分析的数据完整性不受专利信息覆盖范围影响。H4-1定性NACE-国际专利分类（IPC）匹配显示，96个NACE子类中34个匹配，62个未匹配中35个与已匹配子类技术重叠，27个无IPC对应，涉及金融保险、专业科技、公共管理国防、强制社会保障、公共管理等；H4-2单因素ANOVA显示各IPC类申请量均值不同（p<0.001，方差不齐采用Welch/Brown-Forsythe，Games-Howell后验除(A,B)(A,C)(B,F)(G,H)外多数组差异）；说明行业覆盖偏倚，数据完整性受覆盖影响。

H₅：尽管存在技术秘密（trade secret），专利分析仍是有效工具。研究人员用CIS 2016—2018按NACE行业比较专利注册与技术秘密比例，单因素ANOVA p<0.001，Levene检验>0.05，Welch B-F<0.05；农业0.956、采矿0.991低于1，偏好技术秘密；制造等高于1；专利分析总体有效但某些行业受限。

H₆：USPTO专利数据库对所有技术领域专利分析均适用。研究人员用USPTO、KIPO、EPO、JPO按CPC与专利局专利份额做双因素ANOVA，OFFICE主效应不显著（p=0.320），CPC显著（p<0.001），CPC×OFFICE交互显著（p<0.001），R²=0.824；总体局间专利量可比，USPTO适合广域分析，但技术类在不同局分布不均，领域特定研究需归一化或合并多局。

讨论部分归纳：专利分析需考虑2—6年滞后并补充论文、技术报告；引用可评估质量但存在截断问题；分类经申请人或代理人初分与审查员修正两阶段，错误少，可发展自动分类推荐；专利类别分布偏倚，公共服务等行业不宜用于技术活动分析；专利与技术秘密比例行业差异大，专利不能保护全部技术活动；专利局总体差异不显著但CPC×OFFICE交互显著，USPTO可代表广域分析，细分需校正；并对研发管理者、政策制定者和技术分析者提出相应启示。

结论翻译：本研究通过文献回顾建立并检验六项假设，以推导专利信息价值与专利分析重要性的启示。结果显示：研发投资与研发活动间存在时滞，专利数据在考察最新技术时可能过时；专利引用数与续展费强相关，可用于分析专利质量；专利分类中人为错误少见，使用分类时数据可视为可靠；行业间专利数量偏倚明显，部分行业专利与技术秘密比例较低；国防、强制社会保障和法律活动等行业在专利分类中无具体子类；尽管许多研究人员认为专利在各行业活跃，但“农业”“采矿和采石”等部门更依赖技术秘密，解释这些行业结果需谨慎；主要专利局数据库行业分布相似，任何数据库均可用于技术趋势研究，USPTO因规模和商业机会可作代表，但公开延迟、驳回率差异、分类与引用实践异质及翻译质量仍可能扭曲计数和文本特征，外推需谨慎，尤其时间敏感分析或特定局技术。研究局限是仅验证引用、续费频率、专利类别等元数据，未验证专利文本和附图；专利文本不同于一般自然语言，不宜直接套用现有文本分析方法，建议进一步评估文本与视觉表示；未来可整合大语言模型挖掘全文权利要求中的新兴功能与跨域类比，并用深度学习时序模型融合专利、资助与市场数据，与已验证指标结合以缓解引用滞后、校正类别偏斜，为管理者、政策制定者和分析者提供更丰富、近实时洞见。