我国智能网联汽车产业专利合作网络结构及演化研究

何培育 刘艳文

（重庆理工大学重庆知识产权学院，重庆 400054）

随着人工智能和通信技术的发展，汽车行业正在经历深层次的科技革命和产业变革，发展智能网联汽车（Intelligent Connected Vehicle，ICV）是我国从汽车大国成为汽车强国的重要路径，具有重要的战略意义［1］。以美国、欧盟、日本等为代表的全球主要国家和地区相继出台政策助推智能网联汽车技术和市场的发展，试图在这轮科技革命和产业变革中占据一席之地。2013年美国发布《对自动驾驶车辆管制政策的初步意见》，支持自动驾驶技术的发展和推广，2015年发布《美国智能交通系统（ITS）战略规划（2015—2019年）》，将智能网联汽车作为发展智能交通系统的重点；2010年欧盟委员会制定《ITS发展行动计划》来推动欧洲道路交通系统的发展；日本则在2013年发布的《世界领先IT国家创造宣言》中将智能网联汽车设置为发展核心之一［2］。与国外相比，我国智能网联汽车产业发展起步较晚，2015年首次提出将自动驾驶汽车列为智能制造产业重点发展对象之一。同年汽车工程学会首次提出了智能网联汽车的定义：搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车与X（人、车、路、后台）智能信息交换共享，具备信息共享、复杂环境感知、智能化决策、自动化协同等控制功能，与智能公路和辅助设施组成的智能出行系统，可实现高效、安全、舒适、节能行驶的新一代汽车［3］。随后我国陆续出台《智能网联汽车公共道路适应性验证规范》《智能网联汽车道路测试管理规范》《国家综合立体交通网规划纲要》等相关政策规划，为智能网联汽车产业发展营造良好环境。到目前为止，我国智能网联汽车产业的发展取得了明显的成效，这些成效一方面得益于中国汽车市场广阔、信息通信技术成熟，具有良好的发展基础，另一方面也得益于我国各个创新主体的不懈努力。但是在发展的同时，相关整车及部分关键零部件产品核心技术仍被国外供应商垄断，因此突破核心技术、提升智能网联汽车产业发展水平需要我国创新主体共同努力。专利文献是体现创新主体之间进行技术合作研发的主要形式之一，创新主体之间通过建立专利联盟、共同申请专利，或进行技术交易来促进知识流转或资源整合，在降低研发费用和研发风险的同时也能获取其他异质性资源来弥补内部缺少的创新的资源，从而促进创新［4，5］，因此从专利合作的角度来探讨智能网联汽车产业专利合作网络特征和演化情况，对于促进产业发展具有重要意义。

国内外“专利合作网络”的研究方向主要为地域或国家合作网络情况［6］、网络结构演化分析［7］、专利合作模式分析。具体包括三类，一是研究区域间专利合作情况及发展态势，如，刘乃全［8］采用长三角地区间的专利合作数据，分析长三角地区间的科技协同创新的时空演变特征；张亚峰［9］选择瑞典的优势产业技术领域，对中国与瑞典的专利技术合作情况进行分析，为中国更好地开展对外技术合作提供参考；二是对某产业领域进行演化分析，如，张端阳［10］以太阳能空调行业的专利数据为例进行实证分析，验证了社会网络分析方法在企业专利情报的研究价值；祝建辉［11］对我国航空装备制造产业专利合作的网络结构进行了分析；闫娟娟［12］、刘艳秋［13］、陈瑾宇［14］等分别对我国医药产业、人工智能技术以及芯片产业的专利合作网络结构特征进行分析，为我国相关产业的发展提供了有效的建议。三是从专利合作模式及影响因素上进行实证研究，如，温芳芳等［15］利用专利权人合作关系对专利合作模式进行研究，发现亲缘型、地缘型、业缘型三种专利合作模式，提出在专利合作网络形成初期，合作规模偏低的情况下，应积极借助于亲缘和地缘来发展和巩固合作关系；Cantner等［16］将德国耶拿地区企业间的合作创新关系划分基于技术重叠的潜在合作关系网络、基于联合申请专利的现实合作关系网络和基于拥有共同技术研发者的人际关系网络三种，进行实证分析发现技术重叠和科学家流动关系对于专利合作后期具有正面影响。

在智能网联汽车产业方面，研究主要包括相关政策调研、关键技术研究及专利情报分析等。李方生［17］对中国和德国智能网联汽车战略选择及特征进行分析；崔明阳［18］介绍了智能网联汽车的架构与应用关键技术；陈轶嵩［19］、王健美［20］通过关键技术专利分析，对智能网联汽车的技术与经济评价体系、全球技术竞争态势进行了研究；姜慧敏［21］综合应用多种专利检索平台和分析工具，从申请趋势、技术生命周期、技术领域等视角对智能网联汽车专利进行宏观分析，对日本、中国、美国、韩国、德国等主要国家／地区专利进行比较研究；王军雷［22］则从宏观、微观角度对近20年国内外智能决策技术中的信息融合技术、路径轨迹规划技术及危险态势分析技术的专利进行了分析。在智能网联汽车产业专利分析方面，学者们进行了大量的研究，但在专利合作方面研究较少，仅刘颖琦等［23］学者从国际专利的视角对我国智能网联汽车产业的专利权人合作进行了研究。

综上所述，在专利合作网络方面研究成果丰硕，利用社会网络分析方法对产业领域专利合作进行研究已相对成熟，但是已有研究涉及智能网联汽车产业较少。另外从智能网联汽车产业，学者们从专利的视角对产业的专利状况进行了宏观描述分析，缺乏专利合作方面的微观分析。在此背景下，本文选取1985—2021年的智能网联汽车产业专利合作数据，采用社会网络分析方法，从专利合作层面，对该产业的合作网络结构、发展情况以及合作技术进行分析，研究我国智能网联汽车产业专利合作网络现状，从政府、创新主体等层面对现有的专利合作网络及合作技术发展提出优化意见，以充分发挥智能网联汽车专利合作网络的创新效应。

1 数据收集与研究方法

1.1 数据收集与整理

通过中国汽车工程学会组织编制的《智能网联汽车技术路线图2.0》确定智能网联汽车关键技术和产品信息［24］。选择“中国知网”为中文数据来源了解产业发展情况，制作技术分解表，挑选出关键词编写检索式。在数据收录较完整的“incoPat”专利检索平台检索出专利数据。为确保得到全面的数据，检索式选择题目摘要内的关键词进行检索，检索时间限定到中国智能网联汽车产业专利的最早申请时间至检索当日，即“1985年1月1日～2021年9月14日”；为保证专利的稳定性与价值，检索专利类型设定为发明和实用新型；检索式：TI＝（（智能W汽车）OR自动驾驶OR无人驾驶OR智能网联）AND TIAB＝（交通OR感知OR定位OR导航OR采集OR识别OR控制OR执行OR架构OR域OR报警OR场景OR跟踪OR测试）AND（ad＝［19850101 to 20210914］）NOT TIAB＝（无人机OR船OR飞行OR飞机OR手机OR卡车OR火车）。最后共检索出8084条专利信息。

通过EXCEL对全部专利数据进行清洗整理，筛选出有2位以上专利申请人的合作专利数据，并剔除掉不属于智能网联汽车领域内的专利，最后获得655条合作专利数据。在专利合作数据中一项发明专利可能有多个申请主体，如个人、企业、科研单位、高校等。为方便进行分析，删除属于同一主体的专利数据，例如申请人属于同一家公司，如浙江吉利汽车研究院有限公司和浙江吉利控股集团有限公司，前者是吉利汽车有限公司的研发中心，两者原则上属于同一公司来源，故删除该数据，最后得出478条符合条件的合作专利数据。

1.2 研究方法

社会网络分析法综合运用图论、数学模型来研究社会行动者之间的关系［25］，以更清晰地了解专利合作状况。因此，本文通过社会网络分析法中网络密度、平均路径长度、中心性等指标对智能网联汽车专利合作网络进行深入分析，网络指标及定义如下：

1）网络密度。用于反映网络中节点之间的联系程度，其公式为其中D为网络密度；R为实际存在的关系数量；n为节点数；dij为节点i，j之间的关系量，网络密度值越大，表明合作关系越紧密，网络密度值越小，说明专利合作越松散［26］。

2）网络平均聚集系数。是用来描述一个图中的顶点之间结集成团的程度的系数，其公式为：其中，CB（vi）为所有发明人中最大的中间中心度，N为网络中所有发明人总数。

3）平均最短路径长度。即网络中任意两节点之间的最短路径所含边的数目。

4）中心度。指一个节点与所有节点相联系的程度。其公式为：为与这个发明人产生直接合作关系的其他发明人个数。

2 智能网联汽车产业专利合作网络结构总体状况分析

通过对样本数据的分析（图1）可见，合作专利申请从2002年开始出现，整个发展过程大致可以分为三个阶段：

图1 中国智能网联汽车专利合作申请趋势Fig．1 Trend of Patent Cooperation Application for Intelligent Connected Vehicles in China

起步期（2002—2012年），我国智能网联汽车处于初步发展时期，自主开发能力弱，相关专利申请数量较少，仅有1件专利合作申请，为四位个人申请人合作申请的一项无人驾驶车执行装置，是一项简单的无人驾驶装置。

平稳发展期（2013—2016年），受国外智能网联汽车发展的推动以及通信技术的发展，我国智能网联汽车产业稍有发展，汽车产业、科技企业也开始进军智能网联汽车领域，创新主体逐渐增多。2015年在工信部的引导下，整车企业、高校、科研院所以及通信企业成立技术创新战略联盟，推动智能网联汽车产业的技术交流和研发，从国家层面上支持汽车产业、科研院所等创新主体之间开展合作，促进创新。自此，专利合作申请开始缓慢增长，整体上呈上升趋势。

快速发展期（2017年及之后），2016年我国工信部加紧制定智能网联汽车的发展战略、技术路线图及标准体系以指导产业发展。之后陆续在上海、北京、天津、深圳、济南等地开放道路测试号牌，加快推进智能网联汽车产业的发展和应用。在国家政策支持下，我国智能网联汽车产业蓬勃发展，专利合作数量也明显快速增长，于2020年达到135件（2021年由于数据不完整在此不做分析）。

2.1 网络整体特性分析

随着新一轮汽车革命浪潮的来临，智能网联汽车技术的研究日益深入与复杂，越来越多的人认识到技术研发的重要性。对此，针对1985—2021年样本专利数据，通过Gephi软件进行可视化分析。从图2中可以看出：我国智能网联汽车产业专利合作网络整体是非联通的，节点连接比较分散，多数申请人的合作对象仅只有一个；小部分节点在网络中占据核心地位，形成了一个小型子网，如清华大学、北京理工大学，它们在作为中间方构成传递信息、联系其他节点的纽带；部分节点合作次数多，存在长期的合作关系。

图2 2002—2021年我国智能网联汽车产业专利合作网络结构Fig．2 Patent Cooperation Network Structure of ICV Industry in China（2002-2021）

通过Gephi软件计算出网络密度为0.004，平均度为1.125，表明288个申请人之间的网络合作关系较为稀疏。这是因为智能网联汽车产业中大部分申请人只有一两位合作对象，其他创新主体之间也不存在直接联系，合作程度较为低下，进而导致网络整体密度不高。整体网的聚类系数为0，说明网络中度大于2的节点的邻居节点不相连，大部分都为单个节点，由此可见创新主体在网络中联系较少，整体网络没有发挥聚集效应［24］。网络的平均路径长度为1.575，表明两个申请人之间的测地线距离为1.575，间隔不是很大。从聚集系数和平均路径长度可以看出，我国智能网联汽车产业不存在“小世界”效应。

2.2 中心性分析

创新主体在网络中所处位置的重要程度可以用中心性来衡量，在专利合作网络中，每个节点都有各自的网络特性，有的申请人相较于他人受到的限制更小，机会更多，反映出其网络位置好，表明其占据优势地位，相反则处于劣势地位。中心性一般包括度数中心性、接近中心性、中介中心性等指标，分别用了不同的测度方法，所以一位创新主体可能在某些方面居优势位置，却在其他方面处于劣势位置。

本文通过社会网络分析软件进行智能网联汽车产业专利合作关系网络中心性分析。由表1可知，我国相对点中心度排名前20的主要为高校。其中，清华大学的相对点中心度最高，其次是丰田自动车株式会社，说明其自身连接的创新网络规模较大，可以获取较为丰富知识资源，相比其他节点拥有较大的影响力。从中介中心度来看，清华大学、清华大学苏州汽车研究院（吴江）、山东省科学院自动化研究所、重庆交通大学所具有相对较大的中介中心性，表明他们在合作关系网络中占据信息流通的关键位置。相对于其他位于网络结构边缘的创新主体们，能更快速地掌握网络中正在流通的信息与资源。同时在专利合作网络中，这些高校和企业也拥有更高的权利和知名度，有以他们为中介而流通的资源和相关节点实施控制的能力。相较而言，网络中中介中心性低于0.013的节点控制力较弱。

表1 相对点中心度排名前20的专利申请人及其中介中心性排名Tab．1 Top 20 Patent Applicants with Relative Point Centrality and Their Intermediary Centrality Ranking

2.3 凝聚子群分析

成分分析是凝聚子群分析中最简单的形式，主要研究网络图中各个部分内部成员。如表2所示，智能网联汽车产业共有14个成分，其中同属一个成分的成员之间具有直接、紧密的关系。由表可看出，我国部分企业与高校合作较为紧密，每一个成分里面都包含至少一个高校，只有少部分团体里全部为企业，如第11个。可见，我国智能网联汽车产业专利合作过程中，产学研合作模式较为明显。

表2 智能网联汽车产业凝聚子群成分列表Tab．2 Composition List of Aggregation Subgroups of Intelligent Networked Vehicles

3 智能网联汽车产业专利合作网络结构演化分析

3.1 智能网联汽车产业专利合作网络演化分析

利用Ucinet软件绘制智能网联汽车产业的发展的3个阶段的专利合作网络图。从图3可以看出，我国智能网联汽车产业专利合作网络规模不断扩大，图中的节点数目以及节点之间的连线数逐渐增加，越来越多的创新主体开始建立专利合作关系，2012年之前仅有4位申请人进行专利合作，2013—2016年专利申请人增加，以合肥工业大学、中国铁道科学研究院为中心形成了较小的创新团体；2016年后网络规模快速扩大，创新主体数量迅速增多，形成了以清华大学、北京理工大学等为中心的少数创新团体，但是总体来看相互之间的交流并不频繁，各个创新主体较为分散，没有较大的核心团体。

图3 2002—2021年智能网联汽车各阶段专利合作网络图Fig．3 Patent Cooperation Network Map of Intelligent Connected Vehicles in Statistical Years（2002-2021）

从表3可以看出，整体上智能网联汽车产业专利合作网络边数逐渐增多，这表明我国智能网联合作更加频繁，但是网络密度不断降低，其中，2002—2012年网络密度为1，网络边数11，此阶段内四位申请人申请的是同一件专利，导致网络密度较高，在此不做分析。之后，我国智能网联专利合作网络密度均不超过0.5，可见该网络中各个节点间联系相对松散，合作紧密度不高，专利合作网络内部还有着很大成长空间，各节点可以进一步发挥自身的地理、资源、人才等优势，与其他节点间开展更加频繁、密切的创新合作。

表3 智能网联汽车产业专利合作网络密度Tab．3 Network Density of Patent Cooperation in ICV Industry

3.2 智能网联汽车产业专利合作网络中心性演化分析

为了进一步研究智能网联汽车产业专利合作中创新个体的演化进程，本文利用Ucinet软件进行数据处理，通过相对点度中心性和相对中介中心度前五的行动者，可探究该网络核心节点的变化（表4）。

表4 2002—2021年智能网联汽车专利合作网络核心节点中心度（前5）Tab．4 2002-2021 The Centrality of the Core Nodes of the Patent Cooperation Network of Intelligent Networked Vehicles（Top 5）

从相对点度中心性来看，2012年之前仅倪世和、倪军、童道林、陆启文四人共同申请一件专利，其他申请均由企业各自独立申请，未形成明显的合作网络。2013年后随着专利申请量的增多，合作申请增加，2013—2016年的创新主体主要为外企和高校，其中合肥工业大学拥有最高的相对中心度，表明其在这个阶段最具影响力。2017—2021年，我国高校占据研发主导地位，丰田自动株式会社跻身前五位，但其合作对象为日本企业。由此可知，目前我国智能网联汽车研发模式主要以高校牵头，与企业合作进行研发，而企业之间合作较少，尤其是大型车企和科技公司均靠自身独立研发，合作较为松散，合作创新能力弱。

从相对中介中心度来看，2012年之前四人合作申请一项专利，计算出中间中心度为0，在此不做分析。2013—2016年，黄华和合肥工业大学位居前二，相对中介中心度一样，说明二者在该阶段群体中差别不大。2017—2021年，清华大学、重庆大学位居前二，华南理工大学从第七位上升到第三位，桂林电子科技大学从第五位降到第八位。相对于其他申请人而言，目前清华大学、重庆大学交流对象数量多，处于合作网络中的优势位置。

与中心度相比较而言，各个创新主体的相对点度中心性变化较大，相对中介中心度高的行动者在整体网络中的创新影响较大。因此，各个创新主体在研发过程中应积极主动与相对中介中心度高的创新主体进行合作，充分利用资源优势。

3.3 智能网联汽车产业专利合作的主要技术演化分析

为了进一步研究智能网联汽车产业专利合作三个阶段的主要技术发展情况。通过对专利文献进行技术判断，结合IPC分类号对文献进行聚类分析，统计出智能网联汽车产业专利合作中主要申请的技术领域，利用雷达视图将数据表现出来（图4）。由于2013年之前专利申请量较少，在此不做分析。

图4 2002—2021年智能网联汽车各阶段专利合作的主要技术Fig．4 Main Technologies of Patent Cooperation in Various Stages of Intelligent Networked Vehicles（2002-2021）

从技术发展来看，2013—2016年申请的技术主要集中在路况识别、红绿灯识别以及避障系统，智能网联汽车产业处于辅助驾驶阶段，智能汽车的研发主要集中在语音识别、图像识别上。到2017—2021年，智能网联汽车技术研发方向增多，技术申请主要集中在激光雷达、安全检测方法、转向系统、障碍物检测以及远程控制方法上，此外还有路径规划、仿真测试等。在2016年之后，我国智能网联汽车基本实现部分自动驾驶，在物流等场景中的应用取得了初步成效，汽车企业研发投入不断增加。但是自动驾驶在技术层面主要存在以下两个问题需要解决，一是算法测试问题，需要在最短时间内完成自动驾驶算法有效性的验证以保证交通安全；二是成本问题，大部分上游元器件以及芯片主要依靠进口，成本高［27］。如高精激光雷达传感器，相比较于普通传感器对目标物的探测具有较高的准确性，对于静态或动态物体都可捕捉到，是智能网联汽车上不可或缺的传感器，但是该类传感器产量少、价格昂贵，因此我国目前申请激光雷达相关专利技术较多。但在仿真测试、云平台重点技术领域上研发仍然不够。

4 主要结论及建议

目前，我国智能网联汽车正处于探索发展阶段。本文基于社会网络分析法，从整体网络结构、中心度、成分分析等指标对智能网联汽车产业的专利合作结构特征和演化规律进行研究，得出以下结论并给出建议。

4.1 主要结论

1）从专利合作网络的整体结构特征来看，我国智能网联汽车产业专利合作网络是非连通的，节点之间的连接比较分散，大多数申请人的合作对象仅有一个，且合作次数不多，网络的密度较小、凝聚力较弱，聚集程度不明显，整体上较为松散，聚集效应未发挥出来。创新主体之间大多数为两两联合申请专利，三个以上的小团体较少。大多数企业只与自己的子公司或母公司合作申请专利，或是自己设立研究院进行独立研发，部分企业会采取产学研合作模式，与高校、科研院所合作申请专利，但是合作频次较低、合作范围较窄。

2）从专利合作网络核心节点来看，清华大学、清华大学苏州汽车研究院（吴江）、山东省科学院自动化研究所、重庆交通大学以及丰田自动车株式会所具有相对较高的中介中心性，表明他们处在网络中的重要节点，在合作关系网络中占据着重要资源和信息流通的关键位置。清华大学、重庆交通大学等几所高校的合作对象虽然较多，但是专利合作次数相对来说较少。

3）从专利合作网络动态演化特征来看，随着国家对智能网联汽车研发的重视以及技术的发展，我国越来越多的创新主体参与到智能网联汽车研发中，专利合作网络规模不断扩大，且逐渐趋于复杂，但是网络密度较低。围绕清华大学进行研发的网络“小团体”较为突出，但是影响力依然较小，总体网络的聚集程度不明显，整体上较为松散，从侧面反映出我国智能网联汽车的发展还存在很大的空间。

4）从专利技术发展来看，产业专利布局主要集中在激光雷达、安全检测方法、转向系统、障碍物检测以及远程控制方法等技术上。但是智能网联汽车技术的研究中，最需要解决的关键问题有安全问题和成本问题，因此高性能的感知技术、数据采集技术显得尤为重要，应当在驾驶场景、高精度器件、信息安全等方面进行深入研究。但是目前我国产业的专利布局大多数为环境感知技术，云平台大数据技术等关键技术布局较少。

4.2 建议

总体上来讲，当前我国智能网联汽车产业的发展处于探索发展阶段，专利合作网络处于初级阶段，需要进一步优化。基于以上对智能网联汽车领域专利合作现状的分析，为中国智能网联汽车领域产学研专利合作以及智能网联汽车的进一步发展提出以下优化建议：

在政府层面，政府应在支持智能网联汽车产业发展中持续性发挥重要作用。美国自动驾驶技术最先发展，初步建立了连续性的产业发展战略，每五年发布一次智能交通战略，在创新支持方面，设置自动驾驶技术研发应用的专项资金，法律法规方面推进新技术车辆豁免程序、运输安全条例等既有法规解释、修订；日本制定国家级创新项目《SIP（战略性创新创造项目）自动驾驶系统研究开发计划》，并根据此项目成立自动驾驶推进委员会，形成产学官一体的自动驾驶研发机制［28］。目前我国政府聚焦于产业指导以及测试示范管理方面的政策，对此应不断完善相关配套措施，并借鉴国外经验，从资金、平台以及法律法规上对智能网联汽车产业进行政策支持。

在创新主体层面，各个创新主体应关注专利合作网络企业、高校和科研院所中的核心节点，比如国家电网、重庆理工大学、上汽通用汽车有限公司、山东省科学院自动化研究所和重庆交通大学。百度、阿里、大众、吉利、华为等大型车企以及互联网公司研发水平较高，在定位导航、数据挖掘等技术上具有明显的优势，但主要是独立研发或子母公司之间合作研发，对外专利合作数量较少，处于专利合作网络的边缘位置。我国拥有完备的工业体系以及强大互联网公司，应积极推动汽车产业与信息产业的融合，打破行业壁垒，鼓励汽车企业、信息通信企业之间进行强强联合，使资源得到有效整合，共同促进汽车智能化与网联化关键技术突破。

在研发模式层面，应发挥产学研合作优势，促进技术创新。企业应积极寻求与高校、科研院所或政府开展长期、稳定的战略合作，获得更多高质量的专利成果产出。清华大学、北京理工大学、重庆大学、同济大学以及北京航空航天大学处于专利合作的重要位置，在智能网联汽车研发方面有一定的合作经验、技术研发经验以及人才。面对智能网联汽车的发展，通信企业与整车企业可与以上高校建立合作关系，一方面可以在技术研发上降低成本，另一方面也优化了高校的教育模式，为公司储备相应的人才，促进双方实现共赢。

在研发技术层面，应该加强云平台大数据、V2X通信等重点技术领域的布局，结合国外宝马、特斯拉等大型企业的专利布局以及智能网联汽车发展存在的问题，除在环境感知技术方面进行布局外，还可以着重关注DSRC通信技术、移动自组织网络、网络融合技术、云平台的构建、云存储技术、信息安全与隐私保护技术等。

数据可用性声明

支撑本研究的科学数据已在中国科学院科学数据银行（Science Data Bank）ScienceDB平台公开发布，访问地址为http：／／www.scidb.cn／cstr／31253.11.sciencedb.j00053.00017或http：／／www.scidb.cn／doi／10.11922／sciencedb.j00053.00017。