基于专利共被引的世界500强企业技术竞争的专利地图分析

引言

在科学文献的引用行为中，引用动机大多是出于正面因素，例如向开拓者致敬（credit topioneer），对有关著作给予荣誉（honor to literature）等等，因此科学文献的引用体现出了一种知识的继承关系。与科学文献的引用动机不同的是，专利文献的引用动机则大多旨在指出所引用技术的问题、不足或缺陷，表达着对所引用技术的否定态度[1]，所以专利的引用表达的更多的是技术的竞争关系。

技术竞争情报(Competitive Technical Intelligence)是指能给组织的竞争地位带来重大影响的外部科学或技术的威胁、机会或发展的信息，以及这些信息的获取、监控、分析、前瞻和预警过程[2]。专利计量方法已经成为企业技术竞争情报研究的一种主要手段[3, 4]。

在此前的研究中，作者通过建立大型专利共被引矩阵，对世界500 强中的工业企业的专利发表强度、被引情况、专利共被引网络进行了研究[5]。本文在以往研究的基础上，基于企业专利前向引用构建企业专利共被引矩阵，结合科学计量学领域近年来迅猛发展的信息可视化技术，对世界500 强企业进行技术竞争地图分析。

1 国内外研究现状

1.1 专利计量方法 关于专利的研究主要集中在如下几个方面：

（1）专利统计分析专利统计分析是最常见的专利研究方法。包括专利的发明人统计、专利权人统计、专利分类号统计、专利的时序分析等等。

（2）专利引用分析早在1949年，Seildel就首次系统地提出专利引用分析的概念[6]。到了1966年，Seidel的设想被Garfield实现。Garfield仿照他创立的科学引文索引（即SCI数据库）的理念，利用美国专利商标局（USPTO）建立专利引文索引（patent citation indexing）[7]。1994年，Narin正式提出基于专利引用分析的专利计量学的概念[8]。近年来，国内关于专利引用分析的研究也日渐兴盛，例如杨中楷、梁永霞等对专利引用过程中知识活动的研究[9, 10]，向希尧、蔡虹基于专利引用对技术溢出的分析[11]。

（3）专利共被引分析目前关于专利共被引的研究并不多见。主要有：Mogee等对礼来大药厂的专利进行共被引聚类分析来识别礼来药厂的主要技术前沿[12]；Kuei-Kuei Lai利用专利共被引分析试图建立新的专利分类系统[13]；国内方面，邱均平等对有机电激发光技术领域的69项高被引专利的共被引分析[14]、以及基于专利权人共被引分析对皮肤洗护类专利进行了研究[4]；王贤文基于专利共被引方法对世界500强中的工业企业的大型专利共被引网络分析[5]。

（4） 专利内容图分析上述的统计、引用、共被引分析主要来自于科学计量学领域，而专利内容图分析主要是利用信息科学中的数据挖掘技术，深入到专利内容的文本内部。这方面包括Thomson Reuters公司Aureka 的专利地图功能、Derwent Analytics 的文本聚类分析功能、亚利桑那大学Hsinchun Chen 开发的基于SOM 算法的专利内容地图分析[15]，以及通过对文献关键词聚类建立语义网络来探测新兴技术[16]。

整体看来，目前专利计量学在研究方法上以数量统计分析为主，关于引用、共被引的分析方法仍不多见，少数有关专利共被引的研究也只是涉及到某一领域的企业和专利。从未来的发展趋势来看，专利计量研究将更多地融入科学计量学中的引用分析、共被引分析，信息科学中的可视化技术、文本/数据挖掘方法，从而使得研究者们更多地深入专利数据的内部实质，更好地把握技术竞争结构，开展技术竞争情报研究。

专利计量方法是技术竞争情报研究的一种主要手段。例如Breitzman等基于专利引用分析对企业的合并、收购进行技术竞争情报分析[3]；王贤文基于专利共被引方法对世界500强中的工业企业的技术竞争分析[5]；邱均平、罗力等基于专利权人共被引对皮肤洗护类企业技术竞争情报进行了实证研究[4]；孙涛涛、金碧辉基于专利文献耦合和专利引用关系挖掘DVD激光头技术中的关键技术，研究企业技术竞争情报[17]；王兴旺、孙济庆研究了专利地图与技术竞争分析之间的深层次联系，提出基于专利地图的技术竞争三维分析法[18]。

这些文献对企业技术竞争情报分析具有重要价值，有些还具有开创性的意义。然而，这些研究在研究对象的选择上都是侧重于分析某个企业、领域、行业，很少从宏观整体的角度来研究众多企业所形成的技术竞争结构。这其中的一个关键原因就是这些研究均是从专利的后向引用角度来进行分析。如果要对不同技术领域之间的专利进行共被引分析，例如本文选择的500强企业涉及到51个行业，从后向引用的角度则无法实现为数众多的企业共被引网络的构建。

2 数据与方法

2.1 数据

2.1.1 专利数据库 2.1.2 样本选择世界 通过从德温特创新专利引文索引数据库中分别检索这些企业的专利发表数量，最后选择专利发表数量大于100 的前232 家企业，作为本文的研究样本。这些企业的行业分布如表1所示。

2.1.3 基于专利前向引用的全域共被引矩阵构造方法

根据 Web of Science 的解释，前向引用（forward citation）关系为某篇文献被哪些新的文献所引用，后向引用关系则为某篇文献引用哪些更早时期的文献。

以往的共被引分析都是针对后向引用关系来构建共被引矩阵。这种方法类似于社会网络分析中的雪球方法（Snowball Methods），从一个或者一组顶点开始，搜寻其他与之关联的顶点，然后构造出一个网络[20]。例如检索甲骨文公司，得到2542 条专利，通过对这些专利的1 万余条引用专利进行分析，构建出共被引矩阵。这种共被引关系可以称为局域共被引关系（Local Co-citation）。但是由于从原始数据中获得初始顶点的有限性，通过这种后向引文关系得到的共被引矩阵存在局限性。如果我们要研究汽车企业和电子、化工企业之间的专利共被引关系，利用后向引用关系则很难实现。 如所示，a0 为企业a 的发表专利集合，a1 为a0 的引用专利集合（后向引用），a2为引用a0 的专利集合（前向引用）；b2 为b0 的前向引用专利集合。通过对a2 和b2 取交集运算，得到企业a、b 的专利共被引次数。同理，对任意两家企业的前向引用专利集合进行交集运算，最终构造出全部232 家企业的专利共被引矩阵。

2.2 方法 2.2.2 专利地图构造类似于多维尺度分析（multidimensional scaling），在这一步骤中，将企业按照相似性矩阵中的相似性距离关系反映到二维平面中。企业i和企业j在地图中的距离是根据二者之间的相似度sij来计算的。两家企业的相似度越大，在地图中的距离则越小。

3 结果

进而选择 Resolution 等于2.0，得到24 个聚类，比较图4 与图3 可以发现，最明显的差异有两处：

（1）图3 中右上方较大的节点都被划分成独立的聚类。例如三菱电机与日立、东芝、松下本来都属于电子电器行业，但是在图4 中它们被划分成许多分散的聚类。

（2）图3 左下角的大聚类被重新划分为3 个小聚类，分别是最下边的杜邦、拜耳、默克、雅培等组成的化工制药聚类；化工制药聚类右上方由联合技术、波音、通用电气、霍尼韦尔等组成的航空国防聚类；以及其他零散企业组成的综合聚类。

如果进一步提高Resolution 值，会对被引次数较小的那些企业进行更为准确的聚类。传统的聚类分析都是通过树状图和龙骨图对样本进行聚类，如果样本过多的话（例如本文中的232 个样本），则需要很大的构图空间。而VOSviewer 创造性地将多维尺度分析与聚类分析结合起来，既大大节省了构图空间，又可以更加清晰直观地对聚类与聚类之间、样本与样本之间的关系进行判断。

从对 232 家世界500 强企业的聚类分布结果来看，电子电器、汽车、化工制药、航空国防、信息技术是最为突出的技术群。从聚类之间的位置来看，航空国防对电子电器技术和汽车技术都起了很重要的桥接作用。

3.2 基于 Kernel 密度插值分布

的技术竞争整体结构分析在图 4 的聚类分布的基础上，进一步对232 家企业进行Kernel 密度函数插值分析，从而更好地了解企业技术竞争的整体结构。

图为对232 家企业的专利共被引矩阵的Kernel 插值分布结果。图中红色区域代表企业分布密度最大，蓝色区域则代表企业分布稀疏。图4 中的企业的位置分布与图

2、图3 完全一致，但是根据图4 的Kernel 密度函数插值分布，可以看到这223 家企业形成的技术竞争结构，其中以东芝、日立、NEC、富士通、IBM 等企业为代表的电子电器、信息技术是分布密度最大的区域。其次以丰田为代表的汽车技术领域，杜邦为代表的化工技术领域也比较显著。按照Nees Jan van Eck 与 Ludo Waltman 对VOSviewer 软件的解释，分布在这些红色区域中的企业整体上的专利被引次数也是相对最高的。

3.3 基于共被引网络的关键企业分析 设定阈值为0.03，网络中一共保留有132 个节点和1230 条连线，节点的大小是根据节点在网络中的中介中心性（betweenness centrality）大小计算出来的，节点连接不同聚类的连线越多，其中介中心性越大，因此中介中心性很好地体现了节点连接不同技术群聚类的关键性作用。图5 的共被引网络也呈现出清晰的技术聚类结构，例如由默克、辉瑞、百时美施贵宝、诺华、葛兰素史克、礼来等形成的制药产业技术群；由杜邦、陶氏、巴斯夫、拜耳形成的化工产业技术群；由福特、通用、大众、马自达等形成的汽车产业技术群；以及最中心的由索尼、东芝、西门子、日立、三星电子等形成的电子电器产业技术群等等。

然而，最关键的是，通过图5 的共被引网络，可以挖掘出使不同技术群产生联系的关键企业。例如，汽车产业技术群与电子电器产业技术群、化工产业技术群与电子电器产业技术群都是通过通用电气公司产生联系；而数据库巨擘甲骨文公司则使银行产业技术群与中央的主网络产生联系。我们在图6 中用虚线环标记了若干关键性企业，包括通用电气公司、杜邦化学、IBM、甲骨文、亚马逊网站等等。

4 结论

[参考文献] [2] 李艳，赵新力，齐中英. 技术竞争情报的现状分析[J]. 情报学报, 2006,25

(2): 242-253.

[3] Breitzman A, Thomas P, Cheney M. Technological powerhouse or diluted competence: techniques forassessing mergers via patent analysis[J]. R & D Management, 2002,32

(1): 1-10. [5] 王贤文，刘则渊，侯海燕. 基于专利共被引的企业技术发展与技术竞争分析：以世界500 强中的工业企业为例[J]. 科研管理, 2012,31

(4): 127-138.

[6] Seidel A. Citation system for patent office[J]. Journal of the Patent Office Society, 1949,31: 554-567. [8] Narin F. Patent bibliometrics[J]. Scientometrics, 1994,30

(1): 147-155. [10] 杨中楷，梁永霞，刘倩楠. 专利引用过程中的知识活动探析[J]. 科研管理, 2012,(0

2): 171-177. [12] Mogee ME. Patent co-citation analysis of Eli Lilly & Co. patents[J]. Research-Technology Management,1991,34

(4): 43-49. [14] 邱均平，马瑞敏，徐蓓, 等. 专利计量的概念、指标及实证——以全球有机电激发光技术相关专利为例[J]. 情报学报, 2012,27

(4): 556-565. [16] Kim Y, Suh J, Park S. Visualization of patent analysis for emerging technology[J]. Expert Systems withApplications, 2012,34

(3): 1804-1812. [18] 王兴旺，孙济庆. 专利地图在技术竞争分析中的应用研究[J]. 图书情报工作, 2012,53

(1

2): 79-82.

[19] Hanneman R, Riddle M. Introduction to social network methods[EB/OL]. [21] Leydesdorff L. On the normalization and visualization of author co-citation data: Salton's cosine versus theJaccard index[J]. Journal of the American Society for Information Science and Technology. 2012, 59

(1):77-85.