创新力预测.专利申请量预测方法研究

《创新力预测:专利申请量预测方法研究》：知识产权译丛。

本书汇总了欧洲专利局专家在创新力预测方面长期研究的成果。包括: 探讨专利形成内在过程的理论模型, 用时间序列方法进行申请量预测的实证模型, 以及欧专局预测工作的实践活动。研究成果在宏观、中观、微观层面上揭示了专利申请量的变化规律以及和其他经济因素的关系。

作者：(英国)彼得？欣利 (法国)马可？尼古拉斯 译者：马欢 蔡中华

第一章 背景

第二章 改进专利申请预测的研究项目
1 引言
2 动机与任务描述
3 专利申请预测方法
3.1 EPO所用的和专家咨询组报告中讨论的方法
3.2 咨询组所建议的方法
4 研究方案设计
4.1 研究项目的框架
4.2 模块A――调查法
4.3 模块B――企业层面的专利申请量
4.4 模块C――行业和国家层面的专利申请量
4.5 模块D――专利传递模型
4.6 模块E――申请数据集的时间序列模型
5 数据需求和模块关联
6 进一步的建议
6.1 研究竞赛
6.2 研究会议

第三章 从理论到时间序列
1 引言
2 理论模型
3 时间序列回归方法
4 结论

第四章 时间序列预测专利的相对准确度分析：时空分解法的优势
1 引言
2 数据描述
3 预测方法综述
4 预测方法的运用
4.1 一元ARIMA模型(年度数据)
4.2 一元ARIMA模型(月度数据)
4.3 多元ARIMA模型(年度数据)
4.4 多元ARIMA模型(月度数据)
4.5 一元DLM模型(年度数据)
4.6 一元DLM模型(月度数据)
4.7 多元DLM模型(年度数据)
4.8 多元DLM模型(月度数据)
5 相对准确度分析
6 更长时间轴范围内的预测准确度
7 结论

第五章 向欧专局申请专利的驱动力：产业途径
1 引言
2 专利和经济因素的关联
3 实证分析结果
3.1 总体模型
3.2 国家模型
3.3 产业模型
4 结论

第六章 预测专利申请的时间序列法
1 引言
2 数据描述
3 模型描述
4 应用方法和诊断的描述
5 分析的结果
5.1 平稳性
5.2 预白噪声化和交叉相关
5.3 自回归分布滞后(ADL)法的结果
5.4 向量自回归(VAR)法获得的结果
6 结论
7 附录

第七章 向欧专局申请的国际专利：总体、产业和同族申请
1 引言
2 文献综述
3 方法论和数据集
3.1 概念性框架和方法论
3.2 数据来源
4 实证分析
4.1 案例1――总体申请(按申请模式划分)
4.2 案例2――产业申请(联合集群)
4.3 案例3――同族专利申请
5 结论
附录：技术注释

第八章 微观数据实现宏观结果
1 引言
2 随机抽样调查
2.1 数据库及其性能特征
2.2 描述统计
2.3 持续与非持续申请人
2.4 讨论
3 DTl记分牌与专利数据结合
3.1 数据
3.2 描述统计
3.3 相关性
3.4 讨论
4 结论

第九章 欧洲专利局对预测方法的改进
1 引言
2 现有方法
2.1 趋势分析
2.2 传递模型
2.3 申请人调查
2.4 联合集群层面的规划
2.5 年度预测实践
2.6 讨论
3 推荐的研究方案
3.1 改进专利申请预测的研究项目(迪特马尔？哈霍夫，第二章 )
3.2 从理论到时间序列(彼得？欣利和沃尔特？帕克，第三章 )
3.3 时间序列预测专利的相对准确度分析：时空分解法的优势(奈杰尔？米德，第四章 )
3.4 向欧专局申请专利的驱动力：产业途径(克努特？布兰德，第五章 )
3.5 预测专利申请的时间序列法(格哈德？迪克塔，第六章 )
3.6 向欧专局申请的国际专利：总体，产业和同族申请(沃尔特？帕克，第七章 )
3.7 微观数据实现宏观结果(赖尔？费希，第八章 )
4 欧专局执行建议情况概述
5 预测的比较
6 欧专局预测的未来发展
7 结论
参考文献
译后记

    预测的方法对欧洲直接申请和欧洲PCT申请分别建模的确很重要。自上世纪80年代末欧洲PCT申请途径在美国申请人中间流行起来以后，其数量大量增加，而现在已经接近全部申请的70％。这本身产生了一种建模问题，因为欧洲直接申请已经稳定地被欧洲PCT申请方式替代。我们假定，大多数来源国在欧专局的申请中大约80％利用PCT途径可能优势地位偏高，尽管每一国家于不同时间达到这一比例。对于一段时间内所有申请中欧洲PCT申请比例的发展，使用饱和模型或反曲模型（sigmoidal model）可能更为适当。
    分析申请的来源国很重要，因为各国之间经济与法律环境及发展速度有很大的不同。在欧专局，我们通常将不同的模型拟合到主要的申请来源地区（EPC成员国、日本、美国和其他国家）。事实上，在预测准确性方面有些时候可以带来明显优点，而有时候则不能（如2003年申请人问卷调查和2006年的申请人问卷调查，EPO2006）。在传递建模方法中，地区分解也很有效。然而，我们在考虑区域划分的时候也许不够深入――Park在第七章里提出的模型是建立在大约30个国家的基础上，并且**成功。
    至于产业领域，特别需要针对欧专局14个联合集群层面的申请建模。这里我们没有考虑哪种方法*适合预测这种划分本身，因此只能说，通过分解的方法预测总量没有显然的特别优势。在这一结论上，我们与Meade不谋而合。
    在某些条件下，Meade支持月度数据的分析。但是我们认为要实际考虑数据的可用性。在现实的预测环境下，*近几个月的申请数据可能只是实验性的，尽管截至上个月的*新年度总量，或者年末统计的年度申请总量也是如此。但是，由不确定性产生的差异系数，*新的年度数据还是要小于*新的月度数据。