论文部分内容阅读
摘要：以产学研合作申请专利为研究对象，从合作主体、合作技术等方面对装备制造业的产学研合作特征进行分析，并利用网络表示学习算法node2vec进行合作预测研究。以辽宁、江苏、广东和北京的装备制造业为例进行对比分析，结果表明：各省市专利增长体量及申请人组成存在较大差异，发展缓慢省市的产学研合作局限在小团体内部，与其他区域相比校企合作较少；在技术特征中，不同省市的发展既各有侧重点，又有相同之处；最后通过合作预测发现最具有合作潜力的机构，为促进产学研合作提供决策支持。
关键词：产学研合作；专利分析；网络表示学习；合作预测
中图分类号：G350文献标識码： ADOI：10.3969/j.issn.1003-8256.2020.01.005
开放科学（资源服务）标识码（OSID）：
基金项目：国家自然科学基金青年项目（71704019）；辽宁省社科规划基金项目（L17CGL009）
企业、高校和科研机构是技术创新的主体，三者之间的合作能够有效促进技术创新，将高校和科研机构最新的技术与知识向企业进行转移，实现科技成果向实际生产力的转化，充分发挥各自优势、实现优势互补进而促进产业发展。
基于专利的产学研合作分析有助于发现目前专利合作网络中的优势和弊端，判断整个行业的发展趋势及发展方向，有利于促进专利技术的转移和专利科技的研发以及专利技术的交流。已有部分学者通过专利对我国不同区域及区域间的技术创新问题进行了探讨研究[1-4]。基于专利的产学研合作对于技术创新的推动作用也是研究热点[5-7]，以合作网络和共词网络作为工具进行分析能对研究内容进行更加直观的体现[8-12]。朱桂龙基于国家知识产权局的授权发明专利数据，运用网络图谱以及科学计量方法，结合产学研合作政策特点对我国产学研合作网络演化趋势及区域分布进行了比较研究[1]。刘凤朝等研究了“985高校”的产学研专利合作网络演化路径[10]。
装备制造业作为工业的核心和国民经济的生命线，被认为是衡量一个国家综合竞争能力的重要标志，能从宏观上反映一个国家的科技和工业实力。制造业是典型的技术密集型产业，技术创新的重要性在装备制造业的发展中日益凸显。装备制造业的技术创新问题一直受到学术界的关注，国内学者多从技术创新现状、能力评价、对策建议等方面进行研究。司林波从技术创新水平评价、技术创新的影响要素以及技术创新的实现途径等三个方面对国内外装备制造业技术创新研究进行了综述[13]。在创新能力评价方面，通过构建评价指标体系，对装备制造业技术创新能力的总体进行了评价[14-15]。在创新效率研究方面，区域装备制造业的创新效率是重点研究内容。李姝和姜春海通过综合运用横向比较法和纵向比较法对辽宁装备制造业技术创新现状加以系统分析，探究辽宁装备制造业技术创新中存在的问题[16]。娄岩从专利角度出发，从优势、劣势、威胁与机会四方面分析北京高端装备制造业发展现状[2]。
以上研究对装备制造业的技术创新问题的探讨大多利用面板数据中的多种指标进行评价，对于以专利为载体的技术创新具体技术内容层面以及合作预测方面还缺乏研究。本文将基于产学研合作专利视角，通过网络分析和专利技术特征分析等系统地探究装备制造业产学研合作特征，并利用网络表示学习算法发现潜在的合作关系。
1研究方法
1.1产学研合作主体分析
构建产学研合作网络，选用网络分析中衡量节点中心性的两个重要指标：度中心性和中介中心性，这两个指标能够反映节点在网络中所处的位置以及影响力。
度中心性是分析节点中心性最直接的度量指标，用于测量网络中一个节点与其他节点相联系的程度，度中心性越大，则该节点在网络中就越重要，在无向图中体现为直接与该点相连的节点的数量。其计算公式如下：
公式中Cj为第j种IPC类别的相对增长率，k表示IPC类别的数量，n为特定时间段的总长度，通常用年份作为单位，x’j表示在特定时间段结束时第j种IPC类别的专利申请数量，xj表示在特定时间段开始时第j种IPC类别的专利申请数量。
离散系数是测度数据离散程度的相对统计量，主要用于比较各个IPC类别不同年份专利申请数量的离散程度，是标准差与平均数的比值，反映IPC类别所代表的技术领域在时间维度上的稳定性，离散系数的值越高，该领域的成长就越不稳定；离散系数越小，就说明该领域越稳定。其计算公式如下：
公式中，Vj为第j种IPC类别的离散系数，n为用年份表示的特定时间段长度，xi为第i年该类别专利的申请数量，-x为特定时间段内每年的平均专利申请数量。
1.3基于node2vec模型的合作预测
通过分析产学研专利合作网络的网络特征，对可能产生合作的专利申请人进行预测。本文利用基于深度学习的网络表示学习（network embedding）学习合作者在所处网络的语境信息，形成每个合作者的稠密低维向量表示，通过向量相似度计算研究者间的语义相似度，实现产学研合作预测和推荐。
本文选用node2vec模型[21]作为网络表示学习的方法。该方法通过随机游走获得复杂网络中的节点序列数据，获得每个节点的上下文语境信息，实现节点的向量表示。将专利合作信息输入node2vec模型后，得到每个申请人在向量空间中的向量表示，然后利用欧式距离计算各个向量之间的相似度，欧式距离计算公式如下：
3产学研合作网络主体对比分析
图4为2008年各省市装备制造业产学研专利合作网络。2008年各省市度中心性排名前十的节点如表1所示，2008年各省市中介中心性排名前十的节点如表2所示。
图4中的辽宁省2008年装备制造业专利合作网络图显示，仅有小部分的申请人之间有密切的专利合作情况，其中最大的专利合作团体是以大连理工大学和东北大学为中心的团体，其次是以中国科学院大连化学物理研究所为中心的小团体。在表1中也能看出，辽宁2008年度中心性排名前三的申请人分别为以上三者，其中高校占据前两名，大连理工大学的中介中心性在当年所有申请人中是最高的，度中心性排名前十的申请人中有一半的申请人是企业，但排名均较为靠后。江苏省2008年的装备制造业产学研合作情况与辽宁省类似，以小团体内部的频繁合作为主，各个团体之间交流不多，其中以东南大学为中心的团体最大，度中心性排名前十的节点中没有研究机构类申请人，高校和企业则各占一半，而中介中心性排名前三的申请人都是高校，分别为江南大学、东南大学和南京理工大学，可见江苏省高校在该时期的产学研合作中起到重要的中介作用。广东省与北京市的2008年的装备制造业产学研合作情况较为类似，各个频繁合作的小团体不仅在内部有合作，团体与团体之间的合作也较为频繁，其中广东省最大的合作团体是以华为技术有限公司为中心，且度中心性与中介中心性在当年均为最高，而北京的产学研合作则是围绕着清华大学与北京大学展开，度中心性与中介中心性排名靠前的申请人也均为高校类申请人。
图5为2017年各省市装备制造业产学研专利合作网络。2017年各省市度中心性排名前十的节点如表3所示，2017年各省市中介中心性排名前十的节点如表4所示。
辽宁省与江苏省的2017年装备制造业产学研合作网络与2008年相比有较大的变化，由原先的小团体内部合作逐渐转变为各个团体之间频繁合作，以形成更大的合作团体，这与广东省和北京市在2008年的网络特征较为相似，其中辽宁省度中心性与中介中心性最大的节点由原先的大连理工大学变为了国家电网公司，但在度中心性排名前十的节点中，高校类申请人占据半数，中介中心性排名前十的申请人中，高校类申请人仅占两席。江苏省的度中心性排名前十节点中，高校仅占两位，而中介中心性排名前十的申请人中高校占据半数，这与辽宁省的情况恰好相反。广东省与北京市的2017年装备制造业产学研合作网络与2008年相比规模更大，团体内节点数量更多，产学研合作规模越来越大。
4產学研合作技术特征分析
图6是根据2008—2017年产学研合作专利IPC类别的专利数量和相对增长率制作而成的散点图。用专利数量和相对增长率的平均值将散点图划分为四个象限。其中第一象限的IPC类别的专利总量和相对增长率均较高，辽宁省和江苏省散点图的第一象限中的H02J3代表的供电或配电的电路装置或系统专利尤其突出，这说明该类专利是辽宁省和江苏省装备制造业产学研合作所研究的主导技术。广东省散点图的第一象限中的G06F17代表的电数字数据处理专利在象限的最右方，这说明该类专利是广东省装备制造业产学研合作的主要研究方向。
第二象限中IPC类别的特点为专利数量较低，但是具有较高的相对增长率，辽宁省目前处于第二象限的专利类别有G06F17（电数字数据处理专利），江苏省处于第二象限的专利类别有H01M4（电极），北京市处于第二象限的专利类别有C10G67（石油、煤气及炼焦工业）和C08F10（有机高分子化合物）等，说明这些类别的专利虽然专利数量较少，但是具有较大的产学研合作的发展空间。第三象限中的IPC类别的专利数量和相对增长率都较低，可能还处于起步阶段或者已成熟但是由于技术含量较低，在产学研合作方面表现出专利数量和相对增长率都较低的态势，如辽宁省在该象限中的专利类别C22C38（铁基合金）和G01N3（用机械应力测试固体材料的强度特性）均是与辽宁省早年重点发展方向相关的专利。第四象限中IPC类别的专利数量较高但是相对增长率很低，北京市在该象限中的专利比如B01J23（化学或物理方法）和G06F17（电数字数据处理）类专利，技术已经成熟，已有专利已经能够满足本领域的技术要求，因此产学研合作专利相对增长率很低。
图7是2008—2017年间产学研合作专利IPC类别的相对增长率和离散系数的散点图。用相对增长率和离散系数的平均值将散点图划分为四个象限。第一象限的产学研合作专利相对增长率较高，同时离散系数也高，但增长并不稳定，在该象限的专利如辽宁省G06F17（电数字数据处理）类专利，江苏省的H02J3（交流干线或交流配电网络的电路装置），广东省的H01Q15（用于对天线辐射波进行反射、折射、绕射或极化的装置），该类别的专利虽然发展势头良好且发展空间较大，但是发展并不稳定。第二象限中的专利发展速度较慢，并且离散系数较大，发展不稳定，比如辽宁省的H01M4（电极），江苏省的G01R31（电性能的测试装置）和北京市的G06F17（电数字数据处理）类专利。第三象限中的产学研合作专利，相对增长率较低，但是发展较为稳定，辽宁省的G05B19（程序控制系统），C22C38（铁基合金）类专利，广东省的H04L12（数据交换网络）均处于该象限，说明该类专利的产学研合作已经趋于成熟。第四象限中的IPC类别所代表的产学研合作专利处于快速增长且较为稳定的发展状态，属于应当重点关注的技术领域，辽宁省的G01R31（电性能的测试装置），江苏省和广东省的G06F17（电数字数据处理）以及北京的C10G67（烃油裂化）类专利均处于该象限，说明这些类别的专利目前是产学研合作的主要方向，且发展非常稳定，应当着重进行产学研合作。
预测排名前十的产学研合作專利申请人中，铁岭市光电研究与辽宁省电力有限公司铁岭供电公司合作申请专利的可能性最高。其他合作可能性也很高的专利申请人包括东北林业大学与辽宁省交通规划设计院有限责任公司，辽宁龙兴生物科技股份有限公司与鞍山师范学院，房屋土地开发公司与沈阳建筑工程学院，以及大连理工常熟研究院有限公司与大连盐化集团有限公司等，这些专利主体在未来合作申请专利的可能性很高。
6结论与建议
专利是技术创新的主要载体之一，通过研究专利能够很好地反映某一行业的发展历程以及技术演化特征和趋势。以辽宁装备制造业为研究对象，对装备制造业相关专利申请的现状、产学研合作的主体、技术演化特征等进行分析。
对比分析辽宁省、江苏省、广东省与北京市2008—2017年装备制造业的相关专利申请情况时，发现各省市历年的专利申请量不仅在数量上有较大差别，在专利申请人类别的组合上也有所区别。对产学研合作主体进行分析时，发现在合作网络中，辽宁省不同阶段的专利合作申请数量总体是逐渐增加的，但是高校与企业、科研院所与企业之间进行合作申请的专利数量较少，而在作为装备制造业大省的广东省和北京市的专利合作网络图中，其高校及科研院所与大中小企业进行专利合作申请的情形则非常普遍；对技术演化特征分析发现在不同类别的专利中，H02J3代表的供电或配电的电路装置或系统类专利的增长情况尤为突出，H02J3类专利在专利数量-相对增长率散点图的第一象限中表现最为突出，是总量最多、增长最快的一类专利，且在相对增长率-离散系数散点图中，该类专利的发展也是最为稳定的；最后对辽宁省专利主体未来的合作进行了预测，在一定程度上为促进产学研合作提供决策支持。在未来的发展中，辽宁省装备制造业应当利用现有的优势，同时借鉴其他装备制造业领先省市的发展经验，企业应当加强与高校及科研机构之间的合作，产学研三方有机结合，以共同促进产业发展。
参考文献：
[1]朱桂龙，杨东鹏.基于专利数据的产学研合作及政策演变研究[J].科技管理研究， 2017（23）： 181-185.
[2]娄岩，刘燕玲，黄鲁成.基于专利分析的北京高端装备制造业对策研究[J].科技管理研究， 2012（9）： 39-43.
[3]李文静.区域校企专利合作申请网络比较研究——基于广东的实证分析[J].现代情报， 2015（12）： 106-110， 118.
[4]陈伟，张永超，田世海.区域装备制造业产学研合作创新网络的实证研究——基于网络结构和网络聚类的视角[J].中国软科学， 2012（2）： 96-107.
[5]仲伟俊，梅姝娥，谢园园.产学研合作技术新模式分析[J].中国软科科学， 2009（8）： 174-181.
[6]赵爽.产学研合作网络时空演化研究——以中国装备制造业为例[J].现代管理科学， 2013（11）： 85-87.
[7]朱桂龙，张艺，陈凯华.产学研合作国际研究的演化[J].科学学研究， 2015（11）： 1669-1686.
[8]王朋等.校企科研合作复杂网络及其分析[J].情报理论与实践， 2010（6）： 89-93.
[9]孙冰，康敏，毛鸿影.基于共词聚类与可视化的开放式创新国外研究热点与主题分析[J].现代情报， 2018（9）： 122-131.
[10]刘凤朝，马荣康，姜楠.基于"985高校"的产学研专利合作网络演化路径研究[J].中国软科学， 2011（7）： 178-192.
[11]刘云等.基于专利计量的集成电路制造领域国际技术合作特征研究[J].科学学与科学技术管理， 2018（8）： 13-25.
[12]高霞，陈凯华.基于SIPO专利的产学研合作模式及其合作网络结构演化研究——以ICT产业为例[J].科学学与科学技术管理， 2016， 37（11）： 34-43.
[13]司林波.国内外装备制造业技术创新研究述评[J].经济问题探索， 2016（8）： 177-184.
[14]徐丰伟.基于协同的装备制造业技术创新能力评价指标体系研究[J] .科学管理研究， 2011（5）： 26-30. [15]吳丽波.中国装备制造业技术创新能力研究[D].武汉理工大学， 2005.
[16]李姝，姜春海.基于技术创新的辽宁装备制造业振兴途径研究[J].宏观经济研究， 2010（5）： 82-88.
[17]刘凤朝，傅瑶，孙玉涛.基于专利的美国技术创新领域分布结构演变[J].科学学研究， 2013， 31（7）： 1086-1092.
[18]张斌.共词网络的结构与演化：概念与理论进展[J].情报杂志， 2014（7）： 103-109.
[19]吕琳媛，复杂网络链路预测[J].电子科技大学学报， 2010（5）： 651-661.
[20]张金柱，于文倩，刘菁婕，等.基于网络表示学习的科研合作预测研究[J].情报学报， 2018（2）： 132-139.
[21] Grover A， Leskovec J. node2vec： Scalable feature learning for networks [C]. New York：：Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016： 855-864.
Research on Characteristics and Cooperation Prediction of IndustryUniversity-Research Institute Collaboration Based on Patents in Regional Equipment Manufacturing Industry
SUN Xiaoling，ZHUANG Weihua，LI Bing，CHEN Na（Institute of Science of Science and S
关键词：产学研合作；专利分析；网络表示学习；合作预测
中图分类号：G350文献标識码： ADOI：10.3969/j.issn.1003-8256.2020.01.005
开放科学（资源服务）标识码（OSID）：
基金项目：国家自然科学基金青年项目（71704019）；辽宁省社科规划基金项目（L17CGL009）
企业、高校和科研机构是技术创新的主体，三者之间的合作能够有效促进技术创新，将高校和科研机构最新的技术与知识向企业进行转移，实现科技成果向实际生产力的转化，充分发挥各自优势、实现优势互补进而促进产业发展。
基于专利的产学研合作分析有助于发现目前专利合作网络中的优势和弊端，判断整个行业的发展趋势及发展方向，有利于促进专利技术的转移和专利科技的研发以及专利技术的交流。已有部分学者通过专利对我国不同区域及区域间的技术创新问题进行了探讨研究[1-4]。基于专利的产学研合作对于技术创新的推动作用也是研究热点[5-7]，以合作网络和共词网络作为工具进行分析能对研究内容进行更加直观的体现[8-12]。朱桂龙基于国家知识产权局的授权发明专利数据，运用网络图谱以及科学计量方法，结合产学研合作政策特点对我国产学研合作网络演化趋势及区域分布进行了比较研究[1]。刘凤朝等研究了“985高校”的产学研专利合作网络演化路径[10]。
装备制造业作为工业的核心和国民经济的生命线，被认为是衡量一个国家综合竞争能力的重要标志，能从宏观上反映一个国家的科技和工业实力。制造业是典型的技术密集型产业，技术创新的重要性在装备制造业的发展中日益凸显。装备制造业的技术创新问题一直受到学术界的关注，国内学者多从技术创新现状、能力评价、对策建议等方面进行研究。司林波从技术创新水平评价、技术创新的影响要素以及技术创新的实现途径等三个方面对国内外装备制造业技术创新研究进行了综述[13]。在创新能力评价方面，通过构建评价指标体系，对装备制造业技术创新能力的总体进行了评价[14-15]。在创新效率研究方面，区域装备制造业的创新效率是重点研究内容。李姝和姜春海通过综合运用横向比较法和纵向比较法对辽宁装备制造业技术创新现状加以系统分析，探究辽宁装备制造业技术创新中存在的问题[16]。娄岩从专利角度出发，从优势、劣势、威胁与机会四方面分析北京高端装备制造业发展现状[2]。
以上研究对装备制造业的技术创新问题的探讨大多利用面板数据中的多种指标进行评价，对于以专利为载体的技术创新具体技术内容层面以及合作预测方面还缺乏研究。本文将基于产学研合作专利视角，通过网络分析和专利技术特征分析等系统地探究装备制造业产学研合作特征，并利用网络表示学习算法发现潜在的合作关系。
1研究方法
1.1产学研合作主体分析
构建产学研合作网络，选用网络分析中衡量节点中心性的两个重要指标：度中心性和中介中心性，这两个指标能够反映节点在网络中所处的位置以及影响力。
度中心性是分析节点中心性最直接的度量指标，用于测量网络中一个节点与其他节点相联系的程度，度中心性越大，则该节点在网络中就越重要，在无向图中体现为直接与该点相连的节点的数量。其计算公式如下：
公式中Cj为第j种IPC类别的相对增长率，k表示IPC类别的数量，n为特定时间段的总长度，通常用年份作为单位，x’j表示在特定时间段结束时第j种IPC类别的专利申请数量，xj表示在特定时间段开始时第j种IPC类别的专利申请数量。
离散系数是测度数据离散程度的相对统计量，主要用于比较各个IPC类别不同年份专利申请数量的离散程度，是标准差与平均数的比值，反映IPC类别所代表的技术领域在时间维度上的稳定性，离散系数的值越高，该领域的成长就越不稳定；离散系数越小，就说明该领域越稳定。其计算公式如下：
公式中，Vj为第j种IPC类别的离散系数，n为用年份表示的特定时间段长度，xi为第i年该类别专利的申请数量，-x为特定时间段内每年的平均专利申请数量。
1.3基于node2vec模型的合作预测
通过分析产学研专利合作网络的网络特征，对可能产生合作的专利申请人进行预测。本文利用基于深度学习的网络表示学习（network embedding）学习合作者在所处网络的语境信息，形成每个合作者的稠密低维向量表示，通过向量相似度计算研究者间的语义相似度，实现产学研合作预测和推荐。
本文选用node2vec模型[21]作为网络表示学习的方法。该方法通过随机游走获得复杂网络中的节点序列数据，获得每个节点的上下文语境信息，实现节点的向量表示。将专利合作信息输入node2vec模型后，得到每个申请人在向量空间中的向量表示，然后利用欧式距离计算各个向量之间的相似度，欧式距离计算公式如下：
3产学研合作网络主体对比分析
图4为2008年各省市装备制造业产学研专利合作网络。2008年各省市度中心性排名前十的节点如表1所示，2008年各省市中介中心性排名前十的节点如表2所示。
图4中的辽宁省2008年装备制造业专利合作网络图显示，仅有小部分的申请人之间有密切的专利合作情况，其中最大的专利合作团体是以大连理工大学和东北大学为中心的团体，其次是以中国科学院大连化学物理研究所为中心的小团体。在表1中也能看出，辽宁2008年度中心性排名前三的申请人分别为以上三者，其中高校占据前两名，大连理工大学的中介中心性在当年所有申请人中是最高的，度中心性排名前十的申请人中有一半的申请人是企业，但排名均较为靠后。江苏省2008年的装备制造业产学研合作情况与辽宁省类似，以小团体内部的频繁合作为主，各个团体之间交流不多，其中以东南大学为中心的团体最大，度中心性排名前十的节点中没有研究机构类申请人，高校和企业则各占一半，而中介中心性排名前三的申请人都是高校，分别为江南大学、东南大学和南京理工大学，可见江苏省高校在该时期的产学研合作中起到重要的中介作用。广东省与北京市的2008年的装备制造业产学研合作情况较为类似，各个频繁合作的小团体不仅在内部有合作，团体与团体之间的合作也较为频繁，其中广东省最大的合作团体是以华为技术有限公司为中心，且度中心性与中介中心性在当年均为最高，而北京的产学研合作则是围绕着清华大学与北京大学展开，度中心性与中介中心性排名靠前的申请人也均为高校类申请人。
图5为2017年各省市装备制造业产学研专利合作网络。2017年各省市度中心性排名前十的节点如表3所示，2017年各省市中介中心性排名前十的节点如表4所示。
辽宁省与江苏省的2017年装备制造业产学研合作网络与2008年相比有较大的变化，由原先的小团体内部合作逐渐转变为各个团体之间频繁合作，以形成更大的合作团体，这与广东省和北京市在2008年的网络特征较为相似，其中辽宁省度中心性与中介中心性最大的节点由原先的大连理工大学变为了国家电网公司，但在度中心性排名前十的节点中，高校类申请人占据半数，中介中心性排名前十的申请人中，高校类申请人仅占两席。江苏省的度中心性排名前十节点中，高校仅占两位，而中介中心性排名前十的申请人中高校占据半数，这与辽宁省的情况恰好相反。广东省与北京市的2017年装备制造业产学研合作网络与2008年相比规模更大，团体内节点数量更多，产学研合作规模越来越大。
4產学研合作技术特征分析
图6是根据2008—2017年产学研合作专利IPC类别的专利数量和相对增长率制作而成的散点图。用专利数量和相对增长率的平均值将散点图划分为四个象限。其中第一象限的IPC类别的专利总量和相对增长率均较高，辽宁省和江苏省散点图的第一象限中的H02J3代表的供电或配电的电路装置或系统专利尤其突出，这说明该类专利是辽宁省和江苏省装备制造业产学研合作所研究的主导技术。广东省散点图的第一象限中的G06F17代表的电数字数据处理专利在象限的最右方，这说明该类专利是广东省装备制造业产学研合作的主要研究方向。
第二象限中IPC类别的特点为专利数量较低，但是具有较高的相对增长率，辽宁省目前处于第二象限的专利类别有G06F17（电数字数据处理专利），江苏省处于第二象限的专利类别有H01M4（电极），北京市处于第二象限的专利类别有C10G67（石油、煤气及炼焦工业）和C08F10（有机高分子化合物）等，说明这些类别的专利虽然专利数量较少，但是具有较大的产学研合作的发展空间。第三象限中的IPC类别的专利数量和相对增长率都较低，可能还处于起步阶段或者已成熟但是由于技术含量较低，在产学研合作方面表现出专利数量和相对增长率都较低的态势，如辽宁省在该象限中的专利类别C22C38（铁基合金）和G01N3（用机械应力测试固体材料的强度特性）均是与辽宁省早年重点发展方向相关的专利。第四象限中IPC类别的专利数量较高但是相对增长率很低，北京市在该象限中的专利比如B01J23（化学或物理方法）和G06F17（电数字数据处理）类专利，技术已经成熟，已有专利已经能够满足本领域的技术要求，因此产学研合作专利相对增长率很低。
图7是2008—2017年间产学研合作专利IPC类别的相对增长率和离散系数的散点图。用相对增长率和离散系数的平均值将散点图划分为四个象限。第一象限的产学研合作专利相对增长率较高，同时离散系数也高，但增长并不稳定，在该象限的专利如辽宁省G06F17（电数字数据处理）类专利，江苏省的H02J3（交流干线或交流配电网络的电路装置），广东省的H01Q15（用于对天线辐射波进行反射、折射、绕射或极化的装置），该类别的专利虽然发展势头良好且发展空间较大，但是发展并不稳定。第二象限中的专利发展速度较慢，并且离散系数较大，发展不稳定，比如辽宁省的H01M4（电极），江苏省的G01R31（电性能的测试装置）和北京市的G06F17（电数字数据处理）类专利。第三象限中的产学研合作专利，相对增长率较低，但是发展较为稳定，辽宁省的G05B19（程序控制系统），C22C38（铁基合金）类专利，广东省的H04L12（数据交换网络）均处于该象限，说明该类专利的产学研合作已经趋于成熟。第四象限中的IPC类别所代表的产学研合作专利处于快速增长且较为稳定的发展状态，属于应当重点关注的技术领域，辽宁省的G01R31（电性能的测试装置），江苏省和广东省的G06F17（电数字数据处理）以及北京的C10G67（烃油裂化）类专利均处于该象限，说明这些类别的专利目前是产学研合作的主要方向，且发展非常稳定，应当着重进行产学研合作。
预测排名前十的产学研合作專利申请人中，铁岭市光电研究与辽宁省电力有限公司铁岭供电公司合作申请专利的可能性最高。其他合作可能性也很高的专利申请人包括东北林业大学与辽宁省交通规划设计院有限责任公司，辽宁龙兴生物科技股份有限公司与鞍山师范学院，房屋土地开发公司与沈阳建筑工程学院，以及大连理工常熟研究院有限公司与大连盐化集团有限公司等，这些专利主体在未来合作申请专利的可能性很高。
6结论与建议
专利是技术创新的主要载体之一，通过研究专利能够很好地反映某一行业的发展历程以及技术演化特征和趋势。以辽宁装备制造业为研究对象，对装备制造业相关专利申请的现状、产学研合作的主体、技术演化特征等进行分析。
对比分析辽宁省、江苏省、广东省与北京市2008—2017年装备制造业的相关专利申请情况时，发现各省市历年的专利申请量不仅在数量上有较大差别，在专利申请人类别的组合上也有所区别。对产学研合作主体进行分析时，发现在合作网络中，辽宁省不同阶段的专利合作申请数量总体是逐渐增加的，但是高校与企业、科研院所与企业之间进行合作申请的专利数量较少，而在作为装备制造业大省的广东省和北京市的专利合作网络图中，其高校及科研院所与大中小企业进行专利合作申请的情形则非常普遍；对技术演化特征分析发现在不同类别的专利中，H02J3代表的供电或配电的电路装置或系统类专利的增长情况尤为突出，H02J3类专利在专利数量-相对增长率散点图的第一象限中表现最为突出，是总量最多、增长最快的一类专利，且在相对增长率-离散系数散点图中，该类专利的发展也是最为稳定的；最后对辽宁省专利主体未来的合作进行了预测，在一定程度上为促进产学研合作提供决策支持。在未来的发展中，辽宁省装备制造业应当利用现有的优势，同时借鉴其他装备制造业领先省市的发展经验，企业应当加强与高校及科研机构之间的合作，产学研三方有机结合，以共同促进产业发展。
参考文献：
[1]朱桂龙，杨东鹏.基于专利数据的产学研合作及政策演变研究[J].科技管理研究， 2017（23）： 181-185.
[2]娄岩，刘燕玲，黄鲁成.基于专利分析的北京高端装备制造业对策研究[J].科技管理研究， 2012（9）： 39-43.
[3]李文静.区域校企专利合作申请网络比较研究——基于广东的实证分析[J].现代情报， 2015（12）： 106-110， 118.
[4]陈伟，张永超，田世海.区域装备制造业产学研合作创新网络的实证研究——基于网络结构和网络聚类的视角[J].中国软科学， 2012（2）： 96-107.
[5]仲伟俊，梅姝娥，谢园园.产学研合作技术新模式分析[J].中国软科科学， 2009（8）： 174-181.
[6]赵爽.产学研合作网络时空演化研究——以中国装备制造业为例[J].现代管理科学， 2013（11）： 85-87.
[7]朱桂龙，张艺，陈凯华.产学研合作国际研究的演化[J].科学学研究， 2015（11）： 1669-1686.
[8]王朋等.校企科研合作复杂网络及其分析[J].情报理论与实践， 2010（6）： 89-93.
[9]孙冰，康敏，毛鸿影.基于共词聚类与可视化的开放式创新国外研究热点与主题分析[J].现代情报， 2018（9）： 122-131.
[10]刘凤朝，马荣康，姜楠.基于"985高校"的产学研专利合作网络演化路径研究[J].中国软科学， 2011（7）： 178-192.
[11]刘云等.基于专利计量的集成电路制造领域国际技术合作特征研究[J].科学学与科学技术管理， 2018（8）： 13-25.
[12]高霞，陈凯华.基于SIPO专利的产学研合作模式及其合作网络结构演化研究——以ICT产业为例[J].科学学与科学技术管理， 2016， 37（11）： 34-43.
[13]司林波.国内外装备制造业技术创新研究述评[J].经济问题探索， 2016（8）： 177-184.
[14]徐丰伟.基于协同的装备制造业技术创新能力评价指标体系研究[J] .科学管理研究， 2011（5）： 26-30. [15]吳丽波.中国装备制造业技术创新能力研究[D].武汉理工大学， 2005.
[16]李姝，姜春海.基于技术创新的辽宁装备制造业振兴途径研究[J].宏观经济研究， 2010（5）： 82-88.
[17]刘凤朝，傅瑶，孙玉涛.基于专利的美国技术创新领域分布结构演变[J].科学学研究， 2013， 31（7）： 1086-1092.
[18]张斌.共词网络的结构与演化：概念与理论进展[J].情报杂志， 2014（7）： 103-109.
[19]吕琳媛，复杂网络链路预测[J].电子科技大学学报， 2010（5）： 651-661.
[20]张金柱，于文倩，刘菁婕，等.基于网络表示学习的科研合作预测研究[J].情报学报， 2018（2）： 132-139.
[21] Grover A， Leskovec J. node2vec： Scalable feature learning for networks [C]. New York：：Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016： 855-864.
Research on Characteristics and Cooperation Prediction of IndustryUniversity-Research Institute Collaboration Based on Patents in Regional Equipment Manufacturing Industry
SUN Xiaoling，ZHUANG Weihua，LI Bing，CHEN Na（Institute of Science of Science and S