机器学习技术发展现状与国际竞争分析

黄鲁成 薛爽

摘 要：[目的/意义]机器学习作为人工智能的关键核心技术，受到了前所未有的重视和快速发展。深入研究其发展现状和竞争格局，有助于为企业战略和相关产业政策制定提供科学决策依据。[方法/过程]基于DII数据库和WOS数据库，从发展阶段、热点与核心领域识别、竞争国家对比三方面，对该技术领域发展现状、竞争格局进行了分析。[结果/结论]机器学习技术处于快速成长期，我国目前也处于快速发展期;我国在技术结构布局上存在短板;美国的专利活动最强，我国也属于技术活跃者;美国的专利质量最高，我国与其相差较大;互联网企业是重要推动力量;热点领域有智能诊断、自动驾驶仪、教育辅助、语音识别、计算机视觉等;核心领域有排序、学习、知识处理、搜索、模糊逻辑系统、专家系统等。

关键词：机器學习;专利分析;文献计量;国际竞争

Abstract：[Purpose/Significance]As the key technology and basic industry for the Artificial Intelligence，Machine Learning receives unprecedented attention and rapid development.Thorough research on its technology trend and competitive posture will provide a scientific basis for the decision making of both relevant industry policies and business strategies.[Methods/Processes]Based on Derwent innovations index and Web of science database，this paper used patent statistical analysis，bibliometric analysis and social network analysis methods to analyze development status of this technology field from three aspects：the technology development stage，the core and hot technology field identification and the comparative analysis of major competitive countries，in order to clarify the strengths and weaknesses of China，and explore future development opportunities.Finally，based on the comprehensive analysis，this paper proposed corresponding countermeasures and suggestions for technological research and development，market layout and industrial development in the field of machine learning in China.[Results/Conclusion]Machine learning technology was in a rapid growth period，and China was also in a period of rapid development;there were shortcomings in the layout of technology structure in China;the United States had the strongest patent activity，and China was also a technology activist;the United States had the highest patent quality，and China was quite different from it;Internet companies were an important driving forces;the hotspots included intelligent diagnosis，autopilot，education aid，speech recognition，computer vision，and so on;the core areas included sequencing，learning，knowledge processing，search，fuzzy logic systems，and expert systems，and so on.

Key words：machine learning;patent analysis;bibliometrics;international competition

中共中央总书记习近平在2018年10月31日主持人工智能发展现状和趋势第九次集体学习时强调：人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题[1]。近年来，人工智能技术对人类社会的影响越来越深远与广泛，它正在为农业、医疗、教育、能源、国防等诸多领域提供了大量新的发展机遇[2]。机器学习技术是人工智能的一个核心研究领域[2-4]，对机器学习技术进行竞争国家对比分析，识别机器学习技术热点和核心领域，理清机器学习技术领域的竞争态势及我国的地位，对于完善机器学习技术发展的政策，落实好国家人工智能发展战略，辅助企业战略决策具有重要意义。

专利信息对技术创新的时效性分析和发展态势分析具有国家战略性价值[5]。目前，运用专利和文献分析机器学习技术现状的文献极少，仅发现科睿唯安印度工商业联合会在《科学观察》上发表了名为“人工智能，下一代数字转型的创新力与颠覆力”的文章，该文涉及机器学习技术自身的现状与发展方向，但缺乏对机器学习应用情况的竞争态势分析。基于此，本文确定了如下的研究内容：一是从专利和文献的相互关系上阐述机器学习技术的发展阶段，以及各阶段的特征;二是应用专利数据分析机器学习技术的核心和热点领域;三是从专利活跃程度、专利质量、市场布局、技术领域等进行了部分国家竞争对比分析。在此基础上，为我国发展机器学习技术应用提出了相关对策。

1 研究方法

1.1 分析方法

根据上述研究内容，确立如下研究框架（如图1所示）：

技术发展阶段分析：使用专利和科技文献两种数据源，确定机器学习技术所处的生命周期阶段，分析机器学习基础科学研究和技术应用的情况，以期得出机器学习技术的发展脉络。

技术核心与热点领域分析：识别机器学习技术的热点领域，把握整个机器学习研发动向，为合理布局研究重心、提高科研效率提供有价值参考和决策支持;识别核心技术领域，为国家和企业直击核心技术，降低投资风险和成本，形成持续的竞争优势提供一定的决策支持。

技术竞争国家对比分析：从专利活跃程度、专利质量、市场布局、技术领域等进行了部分国家竞争对比分析，有助于识别我国在机器学习技术领域所处的竞争地位，找准市场，更好发力。

1.2 数据获取

采用德温特专利数据库（Derwent Innovation Index）和Web of Science文献数据库进行机器学习领域专利和文献数据收集。对于机器学习技术（“Machine Learning”，简称”ML”），我们查阅了相关文献，也尝试用其他关键词合并进行检索，但最终检索出来的数据会生成大量冗余信息，对后续的分析会造成很大影响。所以，本文以TS=（Machine Learning）为检索表达式，分别在以上两个数据库中进行检索，检索日期为2018年10月10日，检索时间范围为所有年份，检索获取专利（族）8 524件，文献35 400篇，以下研究将以这些数据为基础展开。

2 技术发展阶段分析

本文使用专利数据和文献数据相结合的方法来识别机器学习技术发展阶段，一般而言：当科技文献数量大于专利数量时，该技术处于理论探索阶段，主要科学原理需要进一步完善，一些重要的科学问题尚未完全解决;反过来，当专利数量与科技文献数量相差较小时，该技术的科学问题基本得到解决，主导技术趋于稳定[6]。机器学习技术发展的基本过程如图2所示（因为专利有18个月左右的滞后期，2017年和2018年的专利可能不够完整，所以暂不做研究）。由图2可知，机器学习技术整个发展过程呈现3个阶段：萌芽期、平稳成长期和快速成长期。

萌芽期（2001年以前），该阶段的主要特征是：专利申请数比较少，年申请量少于15件;科技文献年发表数少于300篇，科技文献数量远大于专利数量;专利数量和科技文献数量基数都比较小，且增长率波动幅度大。根据文献[6]，这表明机器学习在很多科学问题和学习及算法方面处于初期探索阶段。

平稳成长期（2001-2010年），该阶段的主要特征是：专利申请量在百件左右;科技文献数在千篇左右，科技文献数量远大于专利数量;专利年均增长率为26.10%，科技文献年均增长率为20.92%，专利申请量和科技文献数出现了较快的增长，根据文献[6]，表明这一阶段机器学习开始走向应用，但仍有一些科学问题没有完全解决。

快速成长期（2011-2018年），该阶段的主要特征是：专利申请量首次突破2 000件;科技文献数突破5 000篇，科技文献数大于专利数;专利申请年均增长率达52.72%，科技文献年均增长率达24.63%，专利数和科技文献数增速较前一时期加快。根据文献[6]，表明这一阶段机器学习开始走向大规模多领域的应用，但相关的一些学习方法和算法需要进一步完善。

总体上，机器学习技术专利数和科技文献数呈逐年上升趋势，文献数量一直高于专利的申请数量，说明目前机器学习领域的很多问题仍未完全得到解决，许多算法还在创新与完善过程当中，机器学习应用研发势头强劲。

3 技术热点与核心领域分析

3.1 技术热点领域识别

热点领域是指在某一段时间内，有内在联系的、投入研究资源较多的领域。识别机器学习技术领域的研发热点，有助于把握整個机器学习研发动向，使该领域相关研究人员与决策者迅速、准确地把握机器学习研究态势，为合理布局研究重心、提高科研效率提供有价值参考和决策支持。

国际专利分类（IPC）是目前国际通用的比较完善的专利技术分类体系。本文对IPC大组进行共现网络分析及聚类分析以识别出机器学习热点技术领域。具体步骤是：将检索出的8 471项专利中的IPC字段导入Excel中，将其保留至大组级别，使用Python编程选取频次大于或等于30的IPC大组生成IPC共现矩阵。将共现矩阵导入到Ucinet中生成共现网络。其中，节点代表机器学习技术领域，节点大小表示度中心度，节点之间的连线宽度表示不同技术领域共同出现的次数。

在社会网络中，某些节点之间关系特别紧密，以至于形成一个次级团体，这样的团体称为凝聚子群[7]。凝聚子群中的节点之间具有相对较强、直接、紧密的关系。k核是基于点度基础上的凝聚子群分析方法，要求任何节点至少与k个节点相连，进行k核分析有利于发现一些有意义的凝聚子群[8]。

按照k核算法进行网络布局，根据IPC分类号所对应的技术领域，形成明显的14个凝聚子群，选择最大的前5个k核作为5个热点技术领域群，如图3所示，这5个子群中的技术节点之间关联相对紧密，每个节点都连接了相对较多的邻居节点：

热点群Ⅰ：属于24核子群，包括车辆控制自动驾驶仪等控制调节系统;行政金融管理预测系统;基于知识模式、生物学、数学系统等特定计算模型的计算机系统;放射治疗仪器等医学诊断;语音识别;图像处理;电视电报无线网络通信及其安全装置;报警器等信号装置。

热点群Ⅱ：属于23核子群，包括无线通信网络的监控系统;语音识别合成;报警器。

热点群Ⅲ：属于22核子群，包括教育辅助设备;叩诊器械、超声波诊断。

热点群Ⅳ：属于21核子群，包括定位系统;电测试装置;反射或再辐射系统如雷达系统。

热点群Ⅴ：属于20核子群，包括时间指示装置、预报警及报警系统等控制系统或安全系统;使用无线电波的系统。

3.2 技术核心领域识别

德温特手工代码（Derwent Manual Codes）（以下简称手工代码）由标引人员分配给专利，用于表示专利的具体技术创新点及其应用的专有代码，它们能够反映出专利的核心内容和主题[9]，本文采用德温特手工代码进行核心技术领域分析。

国内学者韩志华[10]给出核心专利的定义，即在某一技术领域中处于关键地位，对技术发展具有突出贡献的，对其他专利或者技术具有重大影响的，并且具有重要经济价值的专利。由于核心专利承载着核心技术，通过对核心专利的分析，能够为国家和企业筛选优质专利，直击核心技术，降低成本，从而形成持续的竞争优势。Narin F和Schettion F等[11-12]认为，一项专利被后来的许多专利所引用，则表明该专利是一项比较核心的专利。根据普赖斯定律，以被引次数界定核心专利[13-14]，全球机器学习专利中最高被引频次为273次，定义M=0.749*273=12.3755，故被引频次不少于13次的专利为核心专利。相对于总被引频次，年均被引频次可以校正由时间引起的误差。因此，本文以年均被引频次为统计量，选出年均被引频次大于13的专利，列于表1中。

专利年均被引频次最高的是美国NARUS公司在2014年申请的一项主题为计算机网络（如广域网）中僵尸网络的识别方法，包括使用机器学习算法分析网络数据和数据集，生成表示标签的模型作为特征值的函数的专利。年均被引频次第二位和第四位的专利主题也是关于僵尸网络，由此可见，僵尸网络是机器学习核心技术应用领域，机器学习应用于网络安全已成为近年来安全领域的研究热点，具体涉及的核心技术领域有：排序（T01-E01A）;模糊逻辑系统（T01-J16B）;学习，概念学习算法（T01-J16C2）。

此外，通过分析其他核心专利的手工代码，识别出核心技术领域：1）专家系统（T01-J16A）、知识处理（T01-J16）、教育辅助工具（T01-J05B3、T01-N01B3）;2）选择，特殊字符检测（T01-E01B）;3）搜索和检索（T01-J05B3）、信息存储（T01-J05B2）;4）多媒体数据传输（T01-N01D1）;5）数据加密和解密（T01-D01）、测试网络漏洞（T01-N02B3）、伪代码（T01-S01C）等。

4 机器学习技术主要竞争国家对比分析

4.1 基于专利的量化对比分析

4.1.1 主要竞争国家专利申请总量对比分析

专利优先权国家是指专利申请人就其发明创造第一次在某国提出的专利申请，反映了技术输出地信息，反映该国家的技术创新能力和活跃程度[15]。本文选取机器学习专利申请数量前5名的国家作为主要竞争国家。根据最早优先权国家/地区统计（图4），在机器学习技术领域中，美国、中国、日本是主力军，其次为韩国和加拿大。这5个主要竞争国家在机器学习技术领域中申请的专利数占据了总专利数的86%，其中，美国是最大的技术输出国，美国优先权专利数量4 894个专利族，达到全球申请总量的53%，处于绝对领军地位。众所周知，美国一直走在先进科技的前列，非常重视科学技术的发展，其专利申请数量全球第一也恰恰说明了美国是机器学习技术产出大国。尽管我国的专利申请数量排在全球第二位，但专利数量不及美国的1/2，说明我国研发活跃度及研发实力有待进一步提升。此外，韩国和加拿大的专利申请量与美国、我国的差距较大，两国的专利申请量相加还不及全球申请总量的10%。

4.1.2 主要竞争国家专利申请增长分析

主要竞争国家机器学习技术专利申请年度变化如图5所示。从发展趋势来看，五国的专利申请都经历了较长的酝酿期，快速的增长期。其中，美国的专利申请量从2000年开始就有所发展，2011年之后快速增长，目前发展势头依然很好，遥遥领先于其他国家;我国在机器学习领域的专利申请数量尽管名列第二，但从2011年开始，对机器学习技术才有了一定的重视和发展，比美国晚了10个年头，2014年之后专利申请数量開始急剧增长，尤其是最近两年，几乎呈现直线上升的趋势，可见，机器学习的技术研发在我国达到了空前的热度;日本虽然专利总量不及我国，但起步早于我国，目前的发展势头也不容小觑;韩国和加拿大在该领域起步较晚，发展速度也跟不上，从图中可以看出韩国近几年在该领域的发展步伐也在加快。

4.2 基于市场与技术领域的对比分析

4.2.1 主要竞争国家专利申请市场布局

本文选取技术受理国家或组织作为横轴，以主要竞争国家作为纵轴，绘制出如图6所示的主要竞争国家专利市场布局气泡图。可以看出，美、中、日、韩4个主要竞争国家在本国申请的专利是最多的，唯独加拿大在美国申请的专利数量大于在本国申请的数量，说明了目前加拿大机器学习技术创新能力和知识产权保护意识整体比较薄弱。在美国受理的专利中，有93%是本国人申请的。我国的机器学习技术99%的专利都是本国人申请的，目前我国该技术领域创新能力和知识产权保护意识整体不算太弱;另一方面也说明了国外巨头在我国的专利布局尚未完成，我国企业在国内市场仍旧有大量机会。我国的海外技术市场主要有美国、世界知识产权组织、日本和欧洲专利局，专利国际化程度不够高，没有进行大规模的海外专利布局，市场还有待进一步扩大。整体来看，美国不仅是全球重视的市场大国，也是技术产出大国，在各个国家基本都有专利布局，我国与其仍有很大差距。

4.2.2 主要竞争国家专利申请技术领域对比分析

通过分析专利的IPC分类号，可以清楚主要竞争国家的技术关注焦点，识别技术市场，抢占技术制高点。为了了解5个主要竞争国家的技术关注焦点情况，全球及美、中、日、韩和加拿大专利申请数量前十IPC小类示于图7中。

从总体来看，全球关注的机器学习技术领域依次是G06F（电数字数据处理）、G06N（基于特定计算模型的计算机系统）、G06K（数据识别）、G06Q（用于行政、金融监督或预测目的的数据处理系统）、H04L（数字信息的传输）、G06T（一般的图像数据处理）、A61B（诊断;外科;鉴定）、G05B（一般的控制或调节系统）、H04N（图像通信）、G01N（借助于测定材料的化学或物理性质来测试或分析材料）。

美国最关注的技术领域依次是：G06F、G06N、G06Q、H04L、G06K、G06T、A61B、H04W（无线通信网络）、H04N、G01N;我国最关注的技术领域依次是：G06F、G06K、G06N、G06Q、H04L、G06T、G09B（教育或演示用具）、G05B、H04N、A61B;日本最关注的技术领域依次是：G06F、G06N、G06T、G05B、G06Q、G06K、A61B、B25J

（机械手;装有操纵装置的容器）、B23Q（机床的零部件）、G10L;韩国最关注的技术领域是：G06F、G06N、G06Q、G06K、G06T、A61B、H04L、H04N、G10L、G01N;加拿大最关注的技术领域是：G06F、G06N、G06Q、G01N、A61B、C12Q（包含酶或微生物的测定或检验方法）、H04L、G06K、G06T、G05B。有括号说明的技术领域是各国独有的关注焦点。除G05B日本专利数量最多，其余9个领域均是美国排名第一。

总体排名前5的技术领域的专利申请数量均过千件，以下分析这5个领域的国家竞争态势。G06F领域专利数量全球最多，五国都把其作为关注焦点，美国和我国的研发尤其活跃，美国明显领先于我国，两国的专利数量远远高于日、韩和加拿大;全球第二受关注的技术领域是G06N，美国的研发实力具有明显的优势，美、韩、日和加拿大都将其作为第二关注焦点，唯独我国是比较薄弱的;对于G06K技术领域，美国实力最强，但我国与美国差别不大，说明我国在此领域技术基础好，比较有优势，两国的专利数量领先于其他国家;在G06Q和H04L领域中，美国和我国的专利数量明显多于韩国和加拿大，但美国实力更胜一筹。

4.3 基于研发主体的对比分析

专利H指数可判断专利权人的竞争实力[16]。本文采用H指数判断专利权人的研发实力，计算方法为专利权人的至多H项专利分别被引用了至少H次。机器学习领域专利申请量前十专利权人的H指数如图8所示。

整体来看，全球机器学习领域专利申请量排名前十的研发主体中，有8家企业属于美国，日本、德国企业各占1个，我国的研发主体不在其中，说明美国的研发主体在机器学习技术领域的竞争实力远高于其他国家。有8个研发主体属于互联网企业，分别是国际商业机器公司、微软公司、谷歌公司、Facebook公司、英特尔公司、思科公司、亚马逊公司和雅虎公司，可见互联网企业是机器学习技术的重要推动力量;另外两个主要研发主体中，发那科株式会社属于数控系统类企业，西门子公司属于电气工程类企业。

根据专利申请量和H指数两个指标对10个研发主体进行分类，如图8，其中，国际商业机器公司和微软公司在机器学习领域不管是专利申请数量还是H指数都遥遥领先于其他研发主体，属于技术领导者和技术活跃者;西门子公司、雅虎公司、谷歌公司专利申请数量及其H指数相对来说不低，竞争实力较强，属于技术突破者;发那科株式会社、思科公司、英特尔公司、Facebook公司和亚马逊公司虽跻身前十，但H指数在10个机构里面较

低，处于技术劣势地位，属于技术潜在竞争者。另外，全球专利申请量排名前20的研发主体中，我国企业阿里巴巴集团、珠海格力电器、国家电网、百度，分别位列第15名、第16名、第18名、第20名，5家机构H指数都较低，都在3以下，其中珠海格力电器公司虽然专利数量排名前20，但其H指数为0，机器学习研发实力有待提高，应加大机器学习研发投入，捉住核心技术研发，加强研发创新力度，进入全球前十，提高我国企业的国际竞争力和影响力。

4.4 基于专利活动与专利质量的对比分析

4.4.1 主要竞争国家专利活动对比分析

专利活动指标使用传统的衡量指标，包括RSI指数（相对专业化指数，反映某个国家对某技术领域的重视程度和投入力度[17]）、专利占有率和专利成长率。各个专利活动指标列于表2中。

4.4.2 主要竞争国家专利质量对比分析

针对以往研究的不足，对专利质量指标进行优化，增加专利权人合作指标，用此指标来衡量各主要竞争国家相关研发机构的活跃程度，活跃程度一定程度上影响着国家竞争实力，计算方法是各国家在机器学习领域申请专利中有1个以上的专利权人的专利数量。专利质量指标包括技术范围（反映某个国家在某个领域的技术覆盖范围[18]，技术范围越大，包含的技术应用领域越多，技术范围越小，包含的技术应用领域越少）、国际范围（指在哪些国家申请专利，专利经济性和技术性重要性越高，就会在越多的国家申请专利，反之，就会在较少的国家申请专利）、核心专利数量和专利权人合作。各个专利质量指标列于表4中。对计算后的指标进行标准化（见表5），也同样进行了可视化（见图10）。

于5个国家最大值;专利质量排名第二位的是加拿大，其“国际范围”指标值远高于其他国家，核心专利数仅次于美国，但与美国差距较大;排名第三位的是我国，其“国家范围”指标值是5个国家中最少的，核心专利数也缺乏竞争力，“技术范围”和“合作”指標值仅次于美国;排名第四位的是日本，其核心专利数5个国家最少，其他3项指标处于中间水平;排名第五位的是韩国，其“技术范围”和“合作”指标处于5个国家最小值，其“国际范围”指标值仅次于加拿大，核心专利数和我国相平。通过上述对比可以发现，我国专利质量水平在5个国家中排第三，其主要原因是核心专利数量少和国际范围小。

4.5 基于综合竞争力的对比分析

本文从专利质量和专利活动两个维度分析美、中、日、韩和加拿大5个主要竞争国家的技术综合竞争力。基于4.4部分计算出的数值做出主要竞争国家综合竞争力图（见图11）。

从图11可以看出，美国属于机器学习领域的技术领导者，无论是专利活动还是专利质量，都处于绝对的领先地位;其次，我国属于技术活跃者，

机器学习领域技术实力较弱，缺乏专利对外输出能力，因此我国应注重向美国等国家学习先进技术，加强对强国技术领域的监测，努力做到量与质兼顾，才能实现技术突破;日本和韩国两个国家属于技术落后者，两国相比之下不太重视机器学习技术的发展，同时专利质量也不高;而加拿大处于技术活跃者和潜在竞争者的边缘，正朝着技术活跃者方向迈进，实力不容小觑。

5 结论与建议

1）通过技术发展阶段分析可知，机器学习技术处于快速成长期，还有非常广阔的发展空间。我国目前也处于快速发展期，国家或企业应该加强该领域的研发资助和应用研究，努力把握研究前沿，实现并跑到领跑的转变。

2）通过技术热点与核心领域分析可知，机器学习技术热点领域有：医学诊断、自动驾驶仪、教育辅助、无线通讯网络、特定计算模型的计算机系统、定位系统、语音识别、计算机视觉等。机器学习核心技术领域有：排序、选择、学习、知识处理、搜索和检索、模糊逻辑系统、专家系统、安全等。中国应直击以上热点和核心技术领域的研发，加大研发投入，降低技术投资风险，提高国际竞争力。

3）在申请海外专利方面，美国和日本海外市场布局全面，我国的海外申请专利主要集中在美国和世界知识产权组织，这不利于我国在全球机器学习中技术的扩散和占领市场，因此我国应该结合自身技术特点以及海外市场特点，扩大专利申请范围，加大对欧洲专利局、德国、日本等国家的布局。

4）从机器学习专利申请总量来看，美国专利申请量排第一，中国排第二，日本排第三;从机器学习技术结构上来看，美国的机器学习技术结构布局与全球重点关注的机器学习技术结构基本吻合，但是我国在技术结构布局上存在短板，突出反映在GO6N技术领域（基于特定计算模型的计算机系统）具有较大差距。因此，为避免“卡脖子”，企业应该加大该领域的研发投入。

5）在专利活动方面，美国的专利活动最强，日本最弱，我国属于技术活跃者，但是RSI指数比较差，说明我国对机器学习技术领域的重视程度和投入力度不足，应该引起重视，各个相关研发机构，尤其是互联网企业应该想方设法把机器学习技术应用到自己的研发过程中，实现技术突破;国家也应该健全相关法律法规制度，给予相关企业一定的支持和资助。

6）在专利质量方面，美国的专利质量最高，韩国的专利质量最弱，中国的专利质量水平有待提高，主要提升路径是提升核心专利数量和扩大国际申请范围，应积极开拓和布局海外市场，提高技术影响力。

参考文献

[1]新华社.抓住新一代人工智能发展的重大机遇[EB/OL].http：//www.gov.cn/xinwen/2018-11/02/content_5336686.htm，2018-11-20.

[2]闫志明，唐夏夏，秦旋，等.教育人工智能（EAI）的内涵、关键技术与应用趋势——美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J].远程教育杂志，2017，35（1）：26-35.

[3]陈康，向勇，喻超.大数据时代机器学习的新趋势[J].电信科学，2012，28（12）：88-95.

[4]科睿唯安印度工商业联合会.人工智能，下一代数字转型的创新力与颠覆力[J].科学观察，2017，（5）：45-55.

[5]中国专利保护协会.人工智能技术专利深度分析报告[EB/OL].http：//www.ppac.org.cn/news/detail-38.html，2018-11-20.

[6]黃鲁成，吴菲菲，李欣，等.新兴技术未来分析理论方法与产业创新研究[M].北京：科学出版社，2018.

[7]车尧，李雪梦，璐羽.社会网络视角下战略性新兴产业的专利情报研究[J].情报科学，2015，（7）：138-144.

[8]刘军.整体网分析讲义：UCINET软件实用指南[M].上海：格致出版社，2009.

[9]杜宏巍.基于德温特数据库的关键共性技术分析[J].中国市场，2016，（31）：273-273.

[10]韩志华.核心专利判别的综合指标体系研究[J].中国外资，2010，（4）：193-196.

[11]Narin F.Patent Bibliometrics[J].Scientometrics，1994，30（1）：147-155.

[12]Schettino F，Sterlacchini A，Venturini F.Inventive Productivity and Patent Quality：Evidence from Italian Inventors[J].Journal of Policy Modeling，2013，35（6）：1043-1056.

[13]刘云，刘璐，闫哲，等.基于专利计量的全球碳纳米管领域技术创新特征分析[J].科研管理，2016，（s1）：337-345.

[14]杨曦，余翔，刘鑫.基于专利情报的石墨烯产业技术竞争态势研究[J].情报杂志，2017，（12）：75-81.

[15]李婧，古翔，蔡静，等.燃气轮机技术全球专利态势分析[J].世界科技研究与发展，2017，（6）：483-490.

[16]官建成，高霞，徐念龙.运用h-指数评价专利质量与国际比较[J].科学学研究，2008，26（5）：932-937.

[17]黄鲁成，常兰兰，苗红，等.基于ESTP-Chain四维分析法的老年福祉技术竞争态势分析[J].科技管理研究，2016，36（12）：213-219.

[18]Lerner J.The Importance of Patent Scope：An Empirical Analysis[J].Veterinary Record，1994，25（2）：319-333.

[19]孙涛涛，唐小利，李越.核心专利的识别方法及其实证研究[J].图书情报工作，2012，56（4）：80-84.

（责任编辑：陈 媛）