专利信息的复杂性研究

专利信息的复杂性研究

0纳米技术专利网络的新发展:基于sna方法的专利合作网络研究创新活动的网络化和全球化导致了创新活动组织形式的变化。越来越多的创新主题开始通过正式或非正式连接形成创新网络进行创新，知识产权合作是创新网络的重要组成部分。依托专利文献、专利权人、发明人等网络节点,借助合作、引用、共现、主题关联等关系构建专利网络分析方法,可以在网络结构和演进动力学的层面考察技术创新与知识转移。当前,越来越多的学者开始以网络结构为视角研究其对创新网络的形成及绩效的作用。社会网络分析法(SocialNetworkAnalysis,SNA)是在创新网络研究和专利网络分析领域应用的比较普遍的一种方法。利用社会网络分析方法可了解各节点间的关联,揭示关系结构,反映节点之间的量化关系,其直观灵活的可视化效果受到众多学者的青睐。然而随着研究的深入,研究者们发现有两个问题亟需解决:一是专利信息的复杂性决定了研究专利问题需要从多个关系层面共同进行观察。专利信息中存在着多重关系,源于专利数据的引用关系、共现关系、合作关系、共词关系、相似关系,但现有指标所涉及的视角仍较为单一,指标算法还是以单一层面为主,且缺乏结构关联度指标。二是SNA方法在分析网络演变动因及趋势方面具有局限性,在理解、认识复杂动态网络的多模态系统结构时具有明显的不足。因此,在今后的研究中需要引入新的理论与方法。本文通过整合的方法将多个视角、多种关系集合在一起,构造具有多重属性节点的专利网络,利用动态网络分析(Dynamicnetworkanalysis,DNA)方法对专利合作网络的演化与动态特征进行分析。选取纳米技术这一新兴科研领域为切入点,以1991-2013年间的专利合作活动为对象进行实证研究。本文组织如下:首先综述了在专利合作网络分析领域的相关研究,然后介绍了动态网络分析的基本概念及其与社会网络分析的联系和区别,以北京地区纳米技术领域专利为基础构建数据集进行动态网络分析,最后对分析结果进行解读。1相关研究1.1复杂网络研究合作网络是典型的社会网络,同时也是一类复杂网络,国内外学者在网络的构造、网络拓扑特性和演化模型等方面进行了初步研究,也取得了一些成果。一些文献基于复杂网络理论,研究了创新合作网络结构对于信息、知识增长及技术扩散的影响,研究了创新合作网络的形成演化机制。黄玮强运用复杂网络研究中的率方程法(incrementalequationmethod),推导出了网络度分布的演化方程。Ozman运用基于智能体的仿真方法研究了创新产品的知识要素是如何影响集群企业创新合作网络结构。刘秋皊对2001~2010年镁合金领域科研合作网络的网络特征、网络结构及其与科研产出的相关性进行了研究。刘凤朝运用社会网络分析方法,提炼网络结构演化的模式特征。通过合作“广度—强度”二维矩阵分析政策主体在网络中的角色演变,并识别网络中的核心节点。张素娟通过GN算法分析和挖掘了最大连通子网络的社团结构,用度值、介数值和PAGERANK值等指标评价了网络的中心节点,揭示了合作网络中合作水平较高的科研团队和具有影响力的科学家。上述研究主要是从整体网层面进行的“静态”研究,虽然可以揭示关系网络的结构,但在揭示现实数据的演变动因和演变趋势方面还有不足之处。1.2定类组合方法在多重数据整合方面,已经有相关研究可以借鉴。目前主要的数据整合方法可分为三类:a.随机模型方法。文献在随机模型的基础上提出了一种整合统计模型,用于对产品开发网络与在线社交网络中的多重关系数据进行了整合。该方法的优势在于能够较为全面地包容网络的异质性与多重性特征,缺点在于相关的理论还不完善。b.定量聚类方法。文献提出一种加权混合聚类方法,通过整合聚类组合和核融合聚类方法对无向直接引用网络(经强制对称处理)、二值无向直接引用网络、耦合网络、共引网络、无向直接引用的潜在语义索引网络进行整合。文献将节点间多达11种的关系进行了分析,他首先分析了每一层关系,然后通过加权的方法将各层网络组合在一起。定量聚类方法通过对多重网络的定量组合构成新的网络,以取得更加全面的分析效果。然而这种分析方法往往忽略了网络类型之间的差异性,限制了进一步对多重网络结构特征的观察。c.定类组合方法。文献在对直接引用网络和耦合网络进行整合的过程中,先利用耦合网络的共现强度阈值去除由于随机关联产生的联系,然后将耦合网络和直接引用两类网络进行合并构成一个非对称专利综合引用网络,用于识别遗失的专利引用关系。该方法的特点在于两类网络的关系特征被保留,有利于比较各种类型网络之间的差异,现有相关研究尚不多见。学者们普遍认为:由于多重网络无处不在,对多重关系的分析相关理论和算法的研究都是十分必要的。虽然大多数现存的方法能够很好地分析单层网络,但对多重网络的分析仍比较少见,相关的研究都还处在起步阶段。可见,对各种专利关系类型进行整合既是目前学术界的研究重点与难点,也是专利计量领域发展应用的需求所在。1.3动态网络分析传统SNA关注小的、有边界的网络,通常关心的节点是人,连接关系是亲缘关系、合作关系等,且在SNA中网络节点是静态的,SNA集中于对某一个横截面数据的静态分析,然而在实际中,当网络中的某一关键节点(主角)被隔离或移除后,整个网络并非就不稳定且不能做出反应了,而是马上又有新的“主角”产生(典型的如恐怖组织网络),这正是网络的动态性和演化过程的表现。在网络的动态性和演化过程的描述方面,SNA具有显著的局限性,原因有以下三点:第一,SNA主要研究关系的形式而不是关系的性质;第二,演变动因分析不足,离开行动者的动因,不仅无法理解网络对行动的意义,而且也无法解释某些网络现象;第三,演变趋势分析不足。研究者们已经认识到不能把网络结构看成是既定的,而必须能够说明网络结构变化的起源和演变的趋势,需要强调社会网络的权变、动态思想,需要注意网络关系的易变性和主观性。另外,SNA在分析指标方面也缺少对网络动态情况的描述。对于与日俱增的实证演化网络数据,用经典的分析指标如Centrality(中心性)、权威中心性(AuthorityCentrality)、簇数量(CliqueCount)、匹配模式(assortativecoefficient)等网络指标虽然会宏观上从海量的网络数据中梳理出一些有规律性的信息,但是这些信息对于理解、认识复杂动态网络的系统结构,深入了解网络系统的运行规律都太有限了。可见,SNA在应对网络的复杂性和动态性的研究上有明显不足。正是由于以上原因,动态网络分析引起了研究者的关注。DNA是一个新兴的领域,包含了传统社会网络分析、关联分析(linkanalysis,LA)和多智能体系统(multi-agentsystems,MAS)的理论与方法。目前主要集中在两个方面的研究:一是DNA数据的统计分析,二是对网络动态仿真结果的利用。也可以认为DNA是SNA理论和方法的延伸,是社会网络、认知科学、多智能体系统三者的结合。动态网络中的节点在用元矩阵(meta-matrix)进行构造后,不只是拥有“人”这一种元素,还可包括情景、知识、位置、组织、专业、资源、任务等组织中的任何元素,如表1所示。所有的网络定义和测度指标都可以和表中每个单元的网络类型相对应,并且在网络动态演化过程中,一个网络变化可能导致其他网络的变化,一个网络中的关系暗示了另一个网络中的关系,这些都符合复杂系统的自然属性,其本质就是多重关系网络。传统的SNA方法可以处理1-模数据,如人际关系网络,2-模数据也比较常见,如人与事件,但对于3-模及以上数据运算量呈指数级增加、逻辑关系复杂的情形,就需要采用一种能够处理大规模、动态、异质以及多种关联数据特征的网络分析方法。DNA能够处理具有不确定性的大规模动态多模、多链接网络,能够从任意维度上开展灵活的分析。DNA中的一个研究重点是提出和验证合适的指标来描述和对比动态网络,如描述网络的大小(节点数目)、稠密度、连结分布性的同质性、节点改变的比率等。传统的SNA方法没有把节点看成一个能自主行动、学习和影响网络的主体,而在DNA模型中节点有学习的能力,节点的属性随着时间而改变,且节点在不断自适应调整。DNA考虑了网络演化的各种要素,以及在哪种环境中可能发生哪些变化。DNA中对节点的研究是通过其过程而不是其位置来进行,这就意味着节点能通信、能储存信息、能够学习,且网络随节点的改变而动态地变化。DNA中的关系是一种概率,各种因素影响着概率的变化,包括观测者对关系的确定性等,如贝叶斯方法、认知推理技术、社会和认知变化过程模型都能应用到概率的评价方面,研究者能够藉此快速探测变化的发生并对实时的变化做出一些推理。2基于dns的专利申请网络结构分析2.1数据来源与处理纳米技术是一种跨领域的科学技术,分布在23个学科之中,涉及IT技术、环境科学、生命科学、材料科学等,近年来还在不断涌现出新的领域和分类,纳米科技可以集成到现有生产工艺中,提升技术水平,提高产品的性能和竞争力,是目前全球最受关注的科学技术领域之一,也是我国重点发展的科技领域之一。正是由于纳米技术跨学科的特性,在该领域的科研合作非常普遍。本文将专利权人为两个及其以上的条目视为有合作研发行为(不包括个人与个人、个人与一个职务人联合申请的情况)。本文关键词的制定与检索策略的制定采用AlanL.Porter于2008年报道的方案,即首先从文献中提取关键词,然后通过向领域内的专家征求意见,对关键词进行修正,确定检索式,并通过检索结果对检索式不断优化调整。专利数据来源于中科院专利在线分析系统,检索式为:申请日:({1991TO2013})AND摘要:(纳米)AND来源省:(北京)。经数据清洗,共获得自1991年1月1日到2013年12月31日间授权的有效专利合作数据1046条。按照授权时间本文将专利合作数据分为3个时间段进行分析:2006年以前、2006-2009年、2010-2013年。DNA网络由不同类型的节点类(nodeclasses)及节点间的多种关系组成,在DNA中,节点类包括主体(agent)、情景(event)、知识(knowledge)、位置(location)、组织(organization)、资源(resource)、任务(task)等。本文以专利权人作为主体、以IPC分类作为专业(knowledge),根据专利人之间的合作关系和专利人与专业的对应关系分别建立有向多值矩阵AgentxA-gent与AgentxKnowledge,继而构建AgentxAgent网络(以下简称AA网络)与AgentxKnowledge网络(以下简称AK网络)叠加的多重网络。本文对多重网络的动态分析采用了ORA软件。ORA是由美国卡内基梅隆大学开发的一款动态社会网络的分析软件,可用于描述复杂网络的本质、特征、变化、决定因素等。目前已经在组织设计、风险管理等领域得到了广泛的应用。ORA可通过多种颜色、多种形状直观地表达节点的多重属性,以及节点之间、节点各属性之间的连接,并进行2D、3D展示,具有良好的可视化效果。2.2两个创新主体合作的稳定性图1所示3个阶段专利合作网络的核心网络图(深色圆点表示Agent节点,浅色圆点表示Knowledge节点)。3个阶段专利合作网络的对比分析如表2所示。通过对网络整体演化情况的分析,可以发现该领域具有如下特点:a.网络整体松散,局部紧密,以技术单一性和相近性合作为主。网络的规模不断扩大,各时间段的A-gent节点数和Knowledge节点数都在不断上升,表示参与专利合作的单位数在不断增加,所产出专利涉及的领域也不断增多。整体来看,纳米专利合作网络具有较小的平均沟通速度和较低的网络密度,且度值高者为清华大学、鸿富锦、北京化工大学、中国石油化工集团等少数节点。无论在哪个阶段,均出现整体松散,局部紧密的现象,网络中仅有两个创新主体的合作现象频繁,在一定程度上反映了这两个创新主体的技术单一性和相近性,经过后续的研究本文发现其主要原因是纳米科研的研究领域存在很大差异,从而导致不同的研究领域间合作关系建立比较困难。AA网络密度由2006年以前的0.005变为2006~2009年期间的0.014,到2010-2013年期间的0.021。网络密度的增长显示了各专利权人合作关系的增加。由此可以推测通过合作研发进行技术创新是很多企业普遍采取的方法。b.桥接点等重要控制节点逐渐增多。对比三个阶段的图形可以看出,在2006-2009年期间多个小聚类通过某关键节点与大的网络聚类相连,到2010-2013年期间这一情况持续出现,网络中分散聚类和孤立结点继续减少,大的网络聚类继续增大,作为网络控制主体的桥接点逐渐增多。例如以北京化工大学为核心的网络聚类,从2006年以前联系的3个专利权人、4个领域逐渐发展为2010~2013年期间的9个专利权人、10个领域,而与其联系的其他节点通过该节点作为桥节点与中国石油化工集团联系。c.研究领域在快速扩展。进一步对AK网络进行分析,可以计算得出AK网络的中心势(NetworkCentralization)从2006年以前的0.069,到2006~2009年期间下降为0.013,到2010~2013年期间下降到0.003,这说明网络的集中程度下降。下降的原因是产出专利领域的快速扩展,由最初的38个领域上升为2013年的77个领域。通过对知识冗余度(redundancy)和知识负载(knowledgeload)的分析也证实了这一点。知识冗余度是通过连接某一知识(资源、任务)的节点数计算得到,当满足条件的节点数高于1个时即产生冗余。知识负载则表示每个知识对应的专利权人节点的平均数。知识冗余度从2006年以前的0.202,到2006-2009年期间下降为0.097,到2010-2013年期间下降到0.074,知识负载从2006年以前的3.051,到2006-2009年期间下降为1.594,到2010-2013年期间下降到1.16,说明专利权人对应的研究领域更加分散。2.2.2企业研发实力a.主导性知识领域(dominantknowledge)。通过在AK网络中对知识节点集中各节点总度数中心度的计算,可以得到涉及研究机构最多的主导性领域如表3所示。从各时间段的排序情况看,涉及研究机构最多(同时也是合作专利产出最多)的技术领域变化不大,主要集中在H01L、C01B、H01J、B01J、G06F五类,涉及碳纳米管的相关构造研究、碳纳米管器件的制备方法、发射场相关元件以及复合材料、与纳米技术相关的催化作用、胶体化学等化学或物理方法及其有关设备、与纳米技术相关的电子元器件、纳米压印等纳米加工工艺等。b.主导性研究机构。通过在AK网络中计算每个节点的行度中心性并进行归一化处理,可以得到涉及研发领域最多的研究机构排序。从各时间段的排序情况看,清华大学、鸿富锦公司及中国石油化工集团及其下属的科研院涉及的研发领域最多,这也说明上述单位具有较强的研发实力。c.知识垄断性。如果某一节点(如个人或研究机构)具有很高的知识垄断性(knowledgeexclusivity),则说明其具有很高的专业性,或者连接有其他节点连接不到的知识领域。通过在AK网络中计算每个节点连接知识领域的情况,可得到每个阶段知识垄断性如表5所示。由表5可知,清华大学、鸿富锦公司、北京化工大学、中国石油化工集团等具有较高的知识垄断性。d.涌现型领导(emergentleader)。涌现型领导实质是得到大多数成员支持且能够对整个团队施加重要影响的团队成员。通过在AA网络中对每个节点的认知需求(cognitivedemand)的计算可以识别,认知需求高的个体即为涌现型领导,如表6所示。作为涌现型领导的节点不仅仅是与其他节点广泛连接,而且能够在为完成某种复杂任务而又不完全具备相应资源的时候能够与其他节点相互合作。从表6可见,清华大学、鸿富锦、北京化工大学、中国石油化工集团、钢铁研究总院等具有较高知识垄断性和很高的认知需求,是涌现型领导。相应地,对这类节点的移除会对网络整体有显著影响。e.潜在的有影响连接(potentiallyinfluentialLinks)。边介数中心度(edgebetweennesscentrality)是指网络中所有的最短路径中经过某一条边的数量比例,比例越高,说明该边的影响力越大。通过在2010年至2013年间的AA网络中计算每一个节点对的边介数中心度,可以得到潜在的有影响连接,如表7所示。该连接实际上是很多节点进行沟通时最直接的通路,具有很高的中介性,因此连接两端的节点需要更重视和加强彼此之间的联系。f.直接影响分析(immediateimpact)。从待测网络中移除1个或多个节点对原网络所造成的冲击,可以通过指标的对比反映移除前后的变化。从对专利数据集的统计情况来看,清华大学在专利数量产出上名列前茅,且与多家企业存在合作关系,其中与鸿富锦公司的合作占有绝对性优势。通过认知需求分析、总度数中心性分析、介度中心性分析,如表8所示,可以对比假定从2010~2013年的网络中移除了清华大学产生的影响。由表8可知,移除后涌现型领导排序没有受到太大的影响,依次顺位,而总度数中心性排序变化巨大,如表9所示,受影响最大的是鸿富锦公司,排名由第2位下降到111位。度数中心性是节点在网络中地位的表现,在多模网络中是由该节点所处的位置、所连接的资源等因素共同决定的。这说明维持与清华合作的稳定性是保证鸿富锦公司科研合作网络正常发展的关键,同时该公司也应该重点发展与其他科研机构的合作伙伴关系。3合作网络的稳定性问题本