基于專利大數據的企業成長性“高維云”預測模型構建及實證研究

吳永清 羅賢春 文庭孝

摘?要：[目的/意義]采用企業專利大數據，構造高維云模型，預測企業成長性。[方法/過程]選取中國股票市場創業板公司為研究對象，依據企業專利聚類結果，用逆向云模型多步式算法生成專利的云模型改造神經網絡神經元，構造云模型;用因子分析計算企業的成長性并通過聚類分析分成4類;用云模型補充不平衡數據。[結果/結論]研究表明，高維云神經網絡能很好預測企業的成長性，準確性和穩定性得到提高，同時也表明企業專利對其成長性有重要作用。企業專利對成長性的影響是復雜的：專利同族數、發明專利占比、專利權利要求數對企業的成長性促進作用，而單純專利數量有負面的影響。

關鍵詞：專利大數據;高維云模型;RBF神經網絡;企業成長性;創業板上市公司

DOI：10.3969/j.issn.1008-0821.2020.03.004

〔中圖分類號〕G255.53?〔文獻標識碼〕A?〔文章編號〕1008-0821（2020）03-0038-09

Abstract：[Purpose/Significance]The enterprise patent big data is used to construct a high-dimensional cloud model to predict the enterprise growth.[Method/Process]In this study，listed companies on GEM in the Chinese stock market were selected as the research object.According to the enterprise patent clustering results，the reverse cloud model was used to generate the patented cloud model to transform the neural network neurons and construct the cloud model.The enterprise growth was calculated by factor analysis and divided into four categories by cluster analysis.Unbalanced data was supplemented through cloud models.[Result/Conclusion]The research showed that the high-dimensional cloud neural network can well predict the enterprise growth，with the accuracy and stability of the predict being improved，and also showed that the enterprise patent played an important role in its growth.The influence of enterprise patent on growth was complex：the number of patent homogeneity，the proportion of invention patent，and the number of patent rights can promote the enterprise growth while the sheer number of ?patents had a negative impact on the enterprise growth.

Key words：enterprise patent big data;high-dimensional cloud model;RBF neural network;enterprise growth;listed companies on GEM

對于提升國家和企業的科技水平和競爭力，專利的作用越來越重要。根據世界知識產權組織（World Intellectual Property Organization）統計，有效運用專利文獻，可縮短技術和產品研發時間60%，并可節省研發費用40%;專利說明書中含有90%～95%的技術和產品研發成果，而其它技術文獻（如論文、期刊等）中，則僅含有5%～10%的研發成果[1]。世界知識產權組織2016年11月發布報告指出，2015年中國專利申請量達110多萬件，幾乎占到全球總量的四成[2]。2012-2016年期間，國內專利受理數量以2位數的速度增長（除2014年為負增長外），2016年國內專利受理為3 305 225件，至此累計為19 802 035件[3]。企業專利占整個國內專利很大比重，1986年1月-2016年12月期間，企業占國內職務發明創造專利受理量82.4%，國內職務發明專利受理量72.2%，國內職務外觀設計專利受理量93.5%，國內職務實用新型專利受理量85.4%，在2016年企業上述專利分別占國內職務專利的82%，74.8%，84.9%和93.4%[4]。

企業的成長性受到技術創新和研發投入的影響。企業的技術效率和研發投入對企業成長是非常重要的[5]。通過對首批在創業板上市的28家公司的相關指標得出影響企業成長性的影響因素有企業財務狀況、技術創新及應用能力等[6]。技術創新能力對公司成長性的貢獻也值得關注[7]。企業的研發經費投入力度與技術創新績效產出均存在明顯的正相關關系[8]。R&D支出對企業成長性的正向促進作用非常明顯[9]。企業專利質量促進公司投資價值增加[10]。國外學者對于研發及技術創新對企業成長性影響的研究更廣泛。Piekkola H根據芬蘭雇主與雇員關聯數據研究科研投入所生產的生產率增長，得出研發支出對中小企業生產率的增長有積極作用[11]。Alex Coad通過向量自回歸模型分析認識增加研發投資將有利于銷售和就業率的增長[12]。Pelin Demirel等對1950-2008年期間小型和大型美國上市制藥公司創新如何影響公司增長的差異進行了探討，得出創新會促進擁有專利5年以上小公司的增長[13]。Jeffrey I Bernstein等分析日本和加拿大工業得出研發溢出效應促進工業全要素生產率增長[14]。Andrin Spescha分析瑞士企業1995-2012年面板數據顯示：相對較大或較年輕的公司，更小、更成熟的公司在研發支出和銷售增長之間的關系更為積極[15]。Mario I Kafouros根據1989年78家公司評估研發對英國制造業生產率增長的影響，研發的貢獻大約是0.04，而且高科技行業的研發彈性相當高，為0.11[16]。

企業專利是技術創新和研發投入形成的重要成果呈現，利用專利平臺提供的專利大數據，構建基于云神經網絡的企業專利對企業成長性判斷模型，提供企業成長性預警和判斷企業的成長性參考。

1?研究方法

云模型是由我國李德毅教授在20世紀90年代提出的定性定量間相互不確定性轉換的模型，它把隨機性和模糊性有機結合在一起，能描述不確定概念的模糊性和隨機性，并用計算機模擬表示定性概念，同時可以通過云模擬更好呈現隨機樣本所表示的特征。在打靶中，通過云發生器生成的云滴比原靶圖更能反映選手的水平[17]。云滴是根據原靶的數字特征生成的，它們組成的云團可以更加準確地反映選手的水平。云模型自提出來以后，得到很快的發展，并在很多領域得到廣泛應用，特別是一維云模型、二維云模型已大量應用于數據挖掘、網格資源分配、智能控制、數據預測等領域[18]。

1943年心理學家McCulloch和數學家Pitts發表了神經元模型MP，它是一個包含輸入、計算、輸出功能的模型，即可以使用這些神經元搭建神經網絡，奠定神經網絡的基礎。1988年Broomhead和Lowe將徑向基函數用于神經網絡，實現對非線性函數的一種逼近，使得低維空間不可分的問題在轉換到高維空間后實現可分，在圖形處理、時間序列分析、模式識別和非線性控制領域得到廣泛應用。

用云模型改造RBF神經網絡的神經元，克服RBF神經網絡隱含層神經元數量和徑向函數確定的不足，克服RBF神經網絡的硬分類缺陷[19]，融入云模型的神經網絡發揮神經網絡的學習功能的同時提高神經網絡的分類效果。

用因子分析法得出的特征值對企業的成長性指標進行權重分配，克服人為評價的主觀性，對企業成長性評價更加客觀。

2?模型構建

本文將云模型和神經網絡兩種方法結合在一起，形成正態云神經網絡模型，通過企業專利判斷企業的成長性。

2.1?高維云模型

云模型有3個數字特征，分別是期望Ex、熵En和超熵He，表達定性概念總體定量特征，表示為C（Ex，En，He），其圖形呈現為由若干云滴組成的云團，橫坐標為云滴值，縱標為云滴屬于定性概念的確定度。

期望Ex是最能代表定性概念的樣本點，也即典型的樣本點。熵En體現期望Ex的離散程度，同時反映定性概念的模糊性，即隸屬度。超熵He是熵的熵，反映熵的不確性，是En的離散程度。

單獨看每一個云滴，呈現隨機性，無規律可尋，而由許多云滴組成云圖則呈現云的規律性，反映模糊性和隨機性，云模型的數字特征是由許多云滴組成云團的統計特征。李德毅指出，云滴確定度的概率密度與云的3個數字特征無關，這反映人們認識的深層規律：不同的人會有不同的認識，不同的時期也會有不同的認識，但是云滴確定度的統計分布，總體上都是一個統一的形態。認識的不確定性仍然有著確定的規律性，提示了人們用不同語言值表示不同定性概念之間存在的認識上的共同性[20]。

云發生器實現定量數據和定性概念之間轉換，一個定性概念通過云發生器可生成許多定量數據，也即一個定性概念對應多個定量數據，盡管這些定量數據具有一定分散性，但它們整體聯合起來所表達的定性概念具有穩定性。從分布來看，雖然每一個云滴分散的雜亂，但不影響許多云滴組成云團的整體特征。

云發生器有正向發生器和逆向發生器，X條件云發生器和Y條件云發生器。正向發生器是從定性到定量的過程，根據反映定性概念的云模型的3個特征，生成定性概念的定量表達。逆向發生器則是從定量到定性的過程，根據云滴（x，μ）生成反映定性概念的3個特征數字期望Ex、熵En和超熵He，得到定性概念的云表達模型。

正態云模型是常見的云模型，其云滴組成的云團圖形為圖3[21]。

正態云模型C（Ex，En，He）的正向發生器生成云滴的方法如下：

至此，得一個云團中的一個云滴（x，μ），重復步驟（1）～（3），就可得到N個云滴[22]。

X條件云發生器和Y條件云發生器是正向發生器的特殊形式，在知道X的條件下確定云滴，這時計算確定度，或在知道Y的條件下確定云滴，這時要計算X。這里的Y就是確定度。用到第（3）步公式，對其進行變換，求出云滴。不需要用第（2）中生成隨機正態數據x。

逆向云算法分為2種類型：有確定度逆向云算法和無確定度逆向云算法。有確定度的云發生器則是根據云滴和其確定度，得到反映定性概念的云模型的3個數字特征。假設有m個云滴，其過程如下：

這種方法需要知道云滴的確定度，而我們從調查中采集到的數據，通常只有x參考值，沒有確定度，所以要計算定性概念的云模型參數難度大，這需要另外計算確定度。這種方法推廣使用受到很大的限制。

鑒于數據可獲得性，通常我們用無確定度的方法確定3個特征數字。這種算法又可以分為4種，即單步式一階中心距、單步式四階中心距、峰值法以及多步式算法。

峰值法、單步式一階中心距和單步式四階中心距有可能會出現第4步計算超熵時出現負值的現象，究其原因，是忽略云滴是由2次隨機過程產生的事實，提出刪除樣本點均值近的點的方法[23-24]。

多步式算法：

這種算法可以避免前幾種方法的出現超熵為負的現象[25]。

2.2?RBF神經網絡模型

RBF基本結構分為3層，分別為輸入層、隱含層和輸出層。其本質是選擇適當的基函數、隱含層單元數和連接權值[26]。

輸入層僅僅是傳遞信號的作用，將外來的信息傳遞到隱含層。

隱含層是將輸入的信息進行非線性變換，對基函數的參數進行調整?；瘮低ǔ２扇「咚购瘮?，其輸出一般可表示為：

輸出層的輸出為：

2.3?云RBF神經網絡模型

用云模型取代RBF神經網絡中隱含層的基函數，構造云神經元。每一屬性i經過云變換可得到ni個云模型，k個屬性的n1，n2，…，nk個云模型相互組合可得n=n1×n2×…×nk個神經元。輸入向量x經過神經元j，根據X條件發生器，得到隸屬度，從而得到一個云滴，重復k次，可得到k個云滴，取其期望值，作為隱含層神經元j的輸出。將n個隱含層神經元輸出組合得到輸出層的輸出，通常采取最小二乘回歸計算輸出層線性組合權重系數。程琳等[27]、于洋等[28]、李剛等[29]用云RBF取得比RBF較好的預測和分類效果。

3?指標選取

3.1?企業專利指標選取

經合組織在《2011年科學、技術與產業記分榜：知識經濟中的創新與增長》運用專利引用率、權利要求數量、專利維持年限和專利族數量等專利質量指標[30]。吳菲菲等在分析中外有關專利質量指標的基礎上，選出頻次前10的專利質量指標[31]。唐恒等從專利資助政策視角提出16項專利質量評價指標，并將其分為宏觀指標和微觀指標[32]。胡諜等列出19項專利質量指標，將其分為專利范圍、專利引證、專利維持和其他等4種類型，并對各個指標的優劣進行述評，對創業板塊企業的專利質量進行分析[33]。宋河發等在分析國內外專利質量測試指標后，提出應從創造質量、撰寫質量、審查質量和經濟質量來測試專利質量，并認為經濟質量是前面3個質量的綜合體現[34]。谷麗等對專利質量評價指標的研究文獻進行分析，概括專利質量評價18項指標，將其分成專利的技術性、法定性和商業性三大類別[35]。

企業的專利應從專利的數量和質量來衡量。參考上述研究結論，鑒于指標的可獲取性和從企業層面進行分析，我們選取了企業擁有的專利數量、專利IPC分類和外觀設計洛迦諾分類號數、專利被引次數、專利同族數、專利的權利要求數、發明專利占比、說明書和權利要求字數等7項指標分析企業專利。

專利數量。企業擁有的專利越多，說明專利投入經費越多，對企業的成長性有影響，一方面經費投入占用其他方面的資金;另一方面形成的專利有時發揮正向作用。專利數量有申請數量和授權數量，此次引用專利授權數量。

專利被引次數。是專利被后續引用的次數，被引次數高的專利通常是質量高的專利，被引次數反映專利質量信息可以從兩個角度予以解釋：一是作為基礎技術的影響力，即對本領域后續技術創新的貢獻;二是作為現有技術的法律功能，即對后續專利的權利限制[36]。黃寶金等還基于美國專利數據，將平均被引次數、相對被引指數（Relative Cita-tion Index，RCI）和高影響指數（High Impact Index，HII）作為專利質量指標評價國家納米技術實力[37]。在本次分析中，我們采取一個平均被引次數作為企業專利的一個指數。

權利要求數量（權利要求項數）。一般認為，一項專利權利要求數越多，表明專利的技術含量越高，覆蓋的技術越寬，專利投入的研究資源越多。一個機構或區域的專利（特別是授權專利）的平均權利要求數量越多，通常表明該機構或區域的技術創新能力越強，其專利的總體質量也就越高[38]。

發明專利比率。指發明專利占企業全部專利的比率，我國的專利分為發明專利、實用新型專利和外觀設計專利，通常認為一個企業發明專利比率越高，其專利質量越高，發明專利同其他兩種相比較，其投入研究資源通常較多，國家對此類專利的申請審查最為嚴格。

專利IPC分類號和外觀設計洛迦諾分類號數。反映專利技術覆蓋的范圍，IPC分類號數越多，覆蓋的范圍越大，專利質量越高。Lerner J提出用專利文件中的4位國際專利分類號（即IPC小類）的數量來表征其專利寬度[39]。外觀分類號數和IPC一樣的作用，我們將這兩個合并在一起。

專利族大小。即同族專利數量，同族專利是指在不同國家或地區，以及地區間多次申請、多次公布或批準的內容相同或基本相同的一組專利文獻。專利族越大，同一優先權的專利得到的認可就越多，專利質量就越高。

說明書和權利要求的字數?！秾＠ā芬笳f明書充分公開，專利說明書撰寫質量通常最能反映說明書充分公開的是實施例的多少和實施例的詳細程度[40]。說明書的字數多少在一定程度上反映專利說明書的質量，說明書字數越多，公開的內容也就越多。權利要求的字數和說明書的字數一樣，一定程度上起到衡量專利的作用。

3.2?企業成長性指標選取

企業財務狀況和經營成果是成長性的主要衡量因素，根據財務報表分析，可以得到一系列財務指標，通常將其歸類為盈利能力、償債能力、資本運營能力及發展能力。黎東升等選取總資產、流動比率、速動比率、資產負債率和存貨周轉率分析了農業類上市公司的成長性[41]。劉丹等選取流動比率、凈資產增長等12項指標對物流業上市公司的成長性進行分析[42]。王玉等選取年營業收入和年利潤分析中國100強企業的成長性[43]。

本次研究中，選取如下指標作為企業成長性的評價指標。

盈利能力指標：凈資產報酬率（%），總資產利潤率（%），凈資產收益率（%），主營業務利潤率（%），營業利潤率（%），三項費用比重（%）。

償債能力指標：流動比率（%），資產負債率（%），現金比率（%），利息支付倍數（%）。

資本運營能力指標：應收賬款周轉率（次），總資產周轉率（次），存貨周轉率（次），資產的經營現金流量回報率（%）。

發展能力指標：主營業務收入增長率（%），凈利潤增長率（%），凈資產增長率（%），總資產增長率（%）。

根據這些指標計算企業的成長性，三項費用比重和資產負債率選取倒數。它們和企業成長性是負相關。

度量企業成長性的指標有多種，從不同的角度反映企業的成長性，為較好地比較各個企業的成長性，有必要將這些指標綜合成一個反映企業成長性指標。因子分析方差貢獻率能克服主觀確定指標權重帶來的不良影響，客觀反映各指標在綜合指標中的權重。

4?實證分析

4.1?樣本選擇與數據來源

樣本選自我國上市公司創業板732家公司（2018年8月查詢）。專利技術相關數據來源國家專利局，通過在“申請（專利權）人”輸入公司名稱進行高級檢索，從中獲取每個公司專利數量等指標，檢索時間為2018年8月。在進行檢索時，有21家企業無法找到其專利數據，原因是其企業名稱為“集團”或“地名”加括號，與檢索生成的條件重復，專利網無法識別，另一個原因是申請專利時申請人不用集團公司的名稱，有57家專利為0條，5家專利數為1條，將上述3項去掉，分析創業板649家公司，擁有專利數分布在2到2196，共計86 626條專利，其中發明專利為49 266條。財務數據來源網易財經，“http：//money.163.com/”，輸入上市公司代碼進行查詢。

4.2?實證分析過程與結果

4.2.1?成長性數據預處理

對反映企業成長的財務數據進行因子分析，根據各因子對應的因子方差大小，將各因子得分合并成一個指標，綜合反映企業的成長性。分析工具選取SPSS19.0。對財務數據進行因子分析適用性檢驗，Bartlett球形度檢驗的χ2統計值為10 572.6，顯著性概率小于1%，說明指標之間具有相關性，適宜做因子分析;同時，KMO檢驗的KMO值為0.708，大于0.5，適宜做因子分析。用因子得分乘以相應的方差貢獻率，合計作為成長性的衡量數據，依據這個數據對各公司的成長進行相對比較。聚類結果呈現中間多兩頭少，接近正態分布。

4.2.2?專利數據的預處理

專利的7個指標中，除了發明專利占比外，其他都和企業擁有的專利數量正相關，專利數量越多，這些指標的值越高，它們和專利數之間存在相關和共線性，為了消除重復計算專利數量的影響，每個指標需要剔除專利數量的成分，并假設這5個指標和專利數量是乘積關系，即這些指標除以專利數量就可消除專利數量的影響。同理，說明書和權利要求字數和專利的權利要求數也存在相似的關系，用同樣方法進行處理。經過這樣處理后，指標間的相關性被消除。

4.2.3?云模型生成

對各屬性進行聚類分析，根據聚類的結果，用多步式算法，生成專利各屬性的云模型參數。發明專利比重聚成3類，各類的中心為云模型的期望值，案例數分別為199、232和218。聚成多少類，根據數據分析，盡量每一個類要有較多的案例，便于抽樣計算。同理可計算其他屬性。計算工具選擇Matlab（R2012a）。

4.2.4?不平衡數據處理

表1可以看出各種類別樣本分布不平衡，在使用前需要平衡處理。不平衡數據的處理方法有多種，這里采用云變換方法進行處理。根據成長性分類值對應的專利屬性所屬的云模型，生成數據進行補充。表1的聚類類別4有21個數據，與最多的433個相差412個，根據聚類類別4的20個數據每一個所對應的每個專利屬性要生成19個數據（每個數據由7個專利維度組成），最后一個生成32個。

4.2.5?仿真實現

1）隱含層實現。用云模型改造RBF徑向函數，構造云神經網絡，每一個神經元由7個屬性中各抽出1朵云共同組織，構造一個7維云模型，其參數為：

每一個案例經過云模型神經元后，其原來的7個維度屬性成288個維度屬性。每一個神經元按如下方法轉化成輸出的確定度。

j為案例，i為其7個屬性維度。將這k個確定度進行平均，就可以得到這個案例經過這個神經元后的確定度。

這樣的確定度具有不確定性，每一次進行計算不一樣，但具有穩定性，其值的范圍不變。

2）隱含層到輸出層的輸出。隱含層到輸出層的輸出是線性連接，一般可由最小二乘回歸求解連接權值，李剛等提出基于概率的權值確定[44]。神經網絡和基于概率連接的權值確定要各個案數基本相等才能得出較高的準確度。個案較少的成長類型在分析中會被忽略，神經網絡在訓練時偏向個案較多的類型。用概率法確定時，個數少的樣本同樣得不到體現，個數多的輸出類型占的比例會偏高。這里隱含層到輸出層的輸出采用隨機森林確定。

5?結論與建議

5.1?結?論

運用云模型改進RBF神經網絡的隱含層，并用來根據創業板公司的專利對公司成長性的預測，用云模型處理不平衡樣本，分析數據顯示公司專利對成長性有影響。

1）經過云模型改造后的模型準確性和穩定性得到提高。

測試樣本為20%，每次測試隨機選取，其他為訓練樣本。經過10次測試，改造前的準確率期望為87.12%，改造后的期望為94.61%，提高了8.60%。樣本方差分別為3.354016和2.287741，改造后波動性減少。但由于改造后成倍維度提高，運行時間變長。

2）云模型對不平衡數據的處理

云模型雖然在轉換時具隨機性和模糊性，但其具有穩定性，其生成的云滴具有這個云的共性，集體體現云的特征。一個云模型可以生成很多個不同的數據，體現了隨機性和個體差異性。用云模型對不平衡數據進行補充，可選擇其原來對應模型的云參數進行生成數據。

3）企業專利對成長性有重要影響

根據圖5，我們可以看出，根據企業的專利能對企業成長性做出很好地預測，準確率在90%～95%之間，這也說明專利對企業成長性有很大的影響。這點我們從表5相關性分析結論也獲得了很好的支持。正相關系數較大，在5%的水平上顯著，專利能促進企業的成長。負相關系數很小，在5%水平上不顯著。

4）專利各屬性對企業的成長性影響有差異

表4相關性顯示各種專利屬性對成長性的影響各一樣。進一步分析成長性的內部構成指標可以看出，各專利指標對增長率類指標（凈資產增長率、總資產增長率）是負相關且顯著，對收益類指標為正影響，對周轉率類指標在5%顯著性水平上基本沒有影響。專利對成長性有影響，有正的影響，也有負的影響，但總體上，正影響大于負影響。

5.2?建?議

1）云模型符合自然語言表的意識，是現實中的隨機性和穩定性的很好刻畫，只要云參數確定，生成的數據具有穩定性，可用于對不平衡數據的補充。

2）根據企業的專利可以較準確地判斷企業的成長性，所以從成長性的角度，各公司應重視專利的建設，建設中側重于增加發明專利，注重同族專利的建設，建設權利要求多的專利，不應單純追求專利的數量擴張。專利單純的數量擴張會對企業的成長性造成負面的影響。

參考文獻

[1]楊丹丹.基于數據挖掘的企業專利價值評估方法研究[J].科學學與科學技術管理，2006，（2）：42-44.

[2]盧青，趙澎碧.大數據環境下的專利分析模型研究[J].現代情報，2018，38（1）：37-44.

[3]中華人民共和國國家知識產權局專利統計年報2016.

[4]中華人民共和國國家知識產權局專利統計年報2016.

[5]張維迎，周黎安，顧全林.高新技術企業的成長及其影響因素：分位回歸模型的一個應用[J].管理世界，2005，（10）：94-101，112，172.

[6]王曄斐.創業板公司成長性研究[D].成都：西南財經大學，2011.

[7]徐維爽，張庭發，宋永鵬.創業板上市公司成長性及技術創新貢獻分析[J].現代財經（天津財經大學學報），2012，32（1）：63-68.

[8]胡義東，仲偉俊.高新技術企業技術創新績效影響因素的實證研究[J].中國科技論壇，2011，（4）：80-85.

[9]張信東，薛艷梅.R&D支出與公司成長性之關系及階段特征——基于分位數回歸技術的實證研究[J].科學學與科學技術管理，2010，31（6）：28-33.

[10]李仲飛，楊亭亭.專利質量對公司投資價值的作用及影響機制[J].管理學報，2015，12（8）：1230-1239.

[11]Piekkola H.Public Funding of R&D and Growth：Firm-Level Evidence from Finland[J].Economics of Innovation and New Technology，2007，（3）：195-210.

[12]Alex Coad，Nicola Grassano.Firm Growth and R&D Investment：SVAR Evidence from the Worlds Top R&D Investors[J].Industry and Innovation，2018，（5）.

[13]Pelin Demirel，Mariana Mazzucato.Innovation and Firm Growth：Is R&D Worth It？[J].Industry and Innovation，2012，（1）：45-62.

[14]Jeffrey I Bernstein，Xiaoyi Yan.Canadian-Japanese R&D Spillovers and Productivity Growth[J].Applied Economics Letters，1996，（12）：763-767.

[15]Andrin Spescha.R&D Expenditures and Firm Growth-is Small Beautiful？[J].Economics of Innovation and New Technology，2017，（11）.

[16]Mario I Kafouros.R&D and Productivity Growth：Evidence from the UK[J].Economics of Innovation and New Technology，2005，（6）：479：497.

[17]李德毅，劉常昱，杜鹢，等.不確定性人工智能[J].軟件學報，2004，（11）：1583-1594.

[18]李剛，萬幼川.基于高維云模型和RBF神經網絡的遙感影像不確定性分類方法[J].測繪科學，2012，37（1）：115-118.

[19]李剛，萬幼川.基于高維云模型和RBF神經網絡的遙感影像不確定性分類方法[J].測繪科學，2012，37（1）：115-118.

[20]李德毅，劉常昱.論正態云模型的普適性[J].中國工程科學，2004，（8）：28-34.

[21]于洋，孫成偉，張冰冰，等.云模型RBF神經網絡的數據中心溫度預測[J].沈陽理工大學學報，2013，32（4）：9-14.

[22]劉常昱，李德毅，杜鹢，等.正態云模型的統計分析[J].信息與控制，2005，（2）：236-239，248.

[23]楊潔，王國胤，劉群，等.正態云模型研究回顧與展望[J].計算機學報，2018，41（3）：724-744.

[24]陳昊，李兵，劉常昱.一種無確定度的逆向云算法[J].小型微型計算機系統，2015，36（3）：544-549.

[25]楊潔，王國胤，劉群，等.正態云模型研究回顧與展望[J].計算機學報，2018，41（3）：724-744.

[26]于洋，孫成偉，張冰冰，等.云模型RBF神經網絡的數據中心溫度預測[J].沈陽理工大學學報，2013，32（4）：9-14.

[27]程琳，徐波.基于云RBF神經網絡模型的大壩監測數據預報[J].水電能源科學，2010，28（6）：64-66，45.

[28]于洋，孫成偉，張冰冰，等.云模型RBF神經網絡的數據中心溫度預測[J].沈陽理工大學學報，2013，32（4）：9-14.

[29]李剛，萬幼川.基于高維云模型和RBF神經網絡的遙感影像不確定性分類方法[J].測繪科學，2012，37（1）：115-118.

[30]吳菲菲，張廣安，張輝，等.專利質量綜合評價指數——以我國生物醫藥行業為例[J].科技進步與對策，2014，31（13）：124-129.

[31]吳菲菲，張廣安，張輝，等.專利質量綜合評價指數——以我國生物醫藥行業為例[J].科技進步與對策，2014，31（13）：124-129.

[32]唐恒，李紹飛，赫英淇.專利資助政策下專利質量評價研究[J].情報雜志，2015，34（5）：23-28.

[33]胡諜，王元地.企業專利質量綜合指數研究——以創業板上市公司為例[J].情報雜志，2015，34（1）：77-82.

[34]宋河發，穆榮平，陳芳，等.基于中國發明專利數據的專利質量測度研究[J].科研管理，2014，35（11）：68-76.

[35]谷麗，郝濤，任立強，等.專利質量評價指標相關研究綜述[J].科研管理，2017，38（S1）：27-33.

[36]萬小麗.專利質量指標中“被引次數”的深度剖析[J].情報科學，2014，32（1）：68-73.

[37]Wong P K Ho Y P，Chan C K.Internationalization and Evolution of Application Areas of an Emerging Technology：The Case of Nanotechnology[J].Scientometrics，2007，70（3）：715-737.

[38]馬廷燦，李桂菊，姜山，等.專利質量評價指標及其在專利計量中的應用[J].圖書情報工作，2012，56（24）：89-95，59.

[39]Lerner J.The Importance of Patent Scope：An Empirical Analysis[J].The RAND Journal of Economics，1994，25（2）：319-333.

[40]宋河發，穆榮平，陳芳.專利質量及其測度方法與測度指標體系研究[J].科學學與科學技術管理，2010，31（4）：21-27.

[41]黎東升，秦志崗.基于因子分析的農業類上市公司競爭力突變綜合評價[J].農業技術經濟，2011，（2）：96-101.

[42]劉丹，印曼.我國物流業上市公司成長性評價[J].技術經濟，2012，31（11）：104-109.

[43]王玉，王丹.中國100強企業成長性分析[J].上海財經大學學報，2008，（2）：85-91.

[44]李剛，萬幼川.基于高維云模型和RBF神經網絡的遙感影像不確定性分類方法[J].測繪科學，2012，37（1）：115-118.

（責任編輯：孫國雷）