专利丛林量化指南：从IPC分类到上市公司技术重叠度指标构建

如果你做企业创新研究或者平时需要评估竞争对手的技术布局大概率遇到过这种尴尬上市公司年报里的研发费用写得清清楚楚但问到这些专利究竟挤在哪几条技术赛道上、彼此之间有没有互相“挡路”手头却很难找到一个现成的、能直接用起来的量化口径。专利丛林这个词在文献里反复出现真正把它做成一套可以逐年、逐公司、逐行业查询的数据又是另一回事。这篇内容不是纯理论科普而是我整理“2015-2024年上市公司专利丛林数据”这套数据集时的完整记录。包括“专利丛林”到底怎么定义、样本怎么圈定、专利怎么匹配到上市公司、丛林程度用什么指标量化、数据里能看出什么规律以及我在清洗过程中踩过的坑。适合正在做创新研究、专利分析、企业技术战略或者实证论文的同学参考也可以当成一个可复现的建库思路。1. 从专利数量到专利丛林这个数据集到底想测什么1.1 密林不是形容词是市场结构“专利丛林”最早是创新经济学里用来形容专利权利高度重叠、边界模糊、相互依赖的一种状态。可以想象一片竹林每一根竹子都是合法、独立存在的但它们密密麻麻长在一起任何人想在中间开一条路都得惊动周围一大片竹子。放到技术竞争里就是一家公司想推出一款新产品绕不开别人已经布下的多件专利于是要么交授权费要么陷入无效宣告或侵权诉讼。这和单纯看“专利数量多不多”完全是两回事。一个公司专利数量少但如果全部集中在某个窄领域并且和该领域的其他申请人在技术分类上高度重合它对市场的约束力反而可能比一个“专利多而分散”的公司更强。反过来一个公司申请量很大但分布领域非常宽每个领域的密度都不高那它的丛林效应反而有限。所以做这套数据的关键不是统计“有多少件专利”而是回答三个问题这些专利挤在哪些技术领域每个技术领域里有多少公司在挤给定两家公司它们的技术布局重合度有多高这三个问题回答清楚了“专利丛林”就从一个模糊的隐喻变成了可比较、可回归、可画趋势线的结构化数据。1.2 为什么坚持做十年窗口而不是逐年快照很多人做类似数据时会直接取最近一年或某一个时间截面的数据一劳永逸。我最后选择把2015到2024这十年全部拉通主要是三个原因。第一专利有申请日和公开日还有授权日三个日期的含义完全不同。只做某一年截面会陷入“到底以哪天为准”的混乱比如2022年申请的专利2024年才公开2024年截面数据天然少了一批真实存在的研究活动。拉长到十年可以用滚动窗口缓解这个问题。第二丛林是动态概念。技术赛道在变公司在变竞争关系也在变做面板数据比截面数据更有价值。用十年窗口能看出一个行业是先持续拥挤、后分散还是先分散、后骤然扎堆这个动态过程比某一年绝对值重要得多。第三数据实际质量也支持十年窗口。2015年之后专利数据电子化程度和分类准确性已经比较稳定上市公司披露合并范围也相对规范如果往前推到2010年以前很多公司名字、子公司关联关系、技术分类的噪声会成倍增加。2015-2024这个区间算是信噪比比较好的十年。2. 数据构建的三大工序样本框、专利检索、主体映射2.1 样本框选择中的两个现实妥协第一步是圈定“上市公司”到底包含谁。理论上最好包含所有上市主体及其控股子公司因为研发活动常常发生在子公司层面专利申请人往往是“某科技有限公司”而不是上市母公司本身。但实际操作中要做到“完全合并范围一致”很难每条年报披露的合并范围都在变化子公司有新增、有剥离、有注销。我最后采用的样本框是在国内主要证券市场挂牌、且披露过完整研发投入数据的公司。同时把“该公司当年合并范围内的重要子公司”作为专利申请人纳入检索少数子公司无法确认归属年份的统一按母公司的上市日期作为加入时点。这样有两个妥协没有纳入未上市母公司体系内的其他关联方比如合营、联营企业因为它们的专利归属在法律上不等于上市公司也没有把境外全部子公司都拉进来因为境外子公司名称翻译、语种、实体匹配工作量会急剧上升。这个妥协的代价是丛林程度可能被低估但换来的是面板数据的可比性。做研究的时候口径稳定的低估比忽高忽低的“精确”更有用。2.2 检索式关键词、IPC与时间片的三层限定专利申请量很大直接全量拉下来既没有意义也会把“丛林”这个概念稀释掉。我用的是三层限定检索。第一层是申请人限定。先把样本公司的规范名称、曾用名、英文名以及能确认归属的主要子公司名称整理成名单在专利申请人字段里精确匹配。这里不能用模糊匹配一把梭否则同名公司会混进来比如两个不同城市都可能存在“某创新科技公司”必须靠工商注册信息里的地域和组织机构特征再做一轮消歧。第二层是IPC分类限定。IPC是国际专利分类号相当于给每个技术领域贴的标签。我保留了拥有明确IPC主分类号的发明专利公开文本同时在结果里拆出“主分类号”和“副分类号”因为丛林效应更取决于技术的“多重归属”一家公司专利横跨A类和B类和全部挤在A61K下面含义完全不同。第三层是时间片限定。我按“申请日—公开日—授权日”三个字段分别存储但在计算年度丛林指标时优先使用“申请日公开日”组合口径用申请日反映真实的研发意图用公开日确保数据当年可见。实际建模时我建议优先用申请日做时间基准因为公开日和授权日都有滞后问题。2.3 公司主体归一化一个容易被低估的工作量这项任务最耗时间的不是指标的数学推导而是把一堆“看起来是一家公司但不是一个名字”的申请人归到统一实体之下。常见的情形包括上市母公司本身有专利比如“某股份有限公司”同一个集团下的“某科技开发有限公司”“某精密工业有限公司”“某研究院”分别申请公司换过名字旧名称下的专利仍然存在公司英文名称和中文名称并存。我建了一张“实体映射表”字段包括实体唯一标识、母公司代码、曾用名、子公司名称、归属起始年、归属结束年。凡是能确认在同一控制体系下的申请主体全部归并到一个实体ID之下。这个表需要反复更新因为每年都有公司更名、资产重组。经验是不要直接用专利数据库自带的标准申请人名称因为数据库层面的标准化通常只处理了大小写和标点没有处理母子公司关系。没有这张映射表后面算出来的所有丛林指标都会被“子公司分散申请”这个动作严重扭曲。3. 丛林量化指标体系密度、重叠度与技术多样性3.1 技术领域密度单个主体对赛道空间的挤压第一个核心指标是“技术领域密度”衡量一个公司在某个技术赛道里的相对拥挤程度。计算方式很简单对每家公司、每一年、每一个IPC小类统计该公司在该小类中的公开专利数量再除以同一年所有样本公司在该小类的公开专利总量得到一个占比。占比越高说明这家公司在该赛道的存在感越强。举个例子假设某公司D在IPC小类H04L通信传输相关技术某年有120件公开专利而当年样本公司在这个小类里总共有1800件那占比就是6.7%。这个数字单独看没问题但如果再把它放到当年所有公司的占比分布里看中位数和分位点就能识别出哪些公司属于“赛道挤压者”。我在数据集里同时保留了绝对占比和占比的标准化分数按同年同行业的中位数和标准差做Z标准化方便做回归时直接使用。需要注意密度指标只看单个公司和赛道的关系看不出两家公司之间是否真的针锋相对所以还需要第二个指标。3.2 两两技术重叠度用集合相似度衡量挡路第二个指标是两两公司之间的技术重叠度。思路是把每一家公司当年申请的专利所涉及到的IPC小类形成集合然后计算A公司集合与B公司集合之间的Jaccard相似度也就是“交集大小除以并集大小”。如果两家公司在同一年的技术分类高度一致说明它们在干同一件事丛林效应突出。也可以换成另一种口径用IPC小类下的专利数量形成向量计算余弦相似度。余弦相似度比Jaccard更能体现“数量结构”的重叠比如A和B都覆盖H01M和H02J两类但A在H01M上大量申请而B在H02J上大量申请两者的余弦相似度会低于Jaccard因为它考虑了权重分布。真正做面板数据时并不会把所有公司两两组合都算一遍那样复杂度太高。我采用的方法是只计算“同在某个行业分类下”的公司两两组合再取每年每个公司的非零重叠度均值。这个操作既控制了计算量也符合丛林研究的本意——跨行业公司之间的专利重叠更多是偶然不是竞争性丛林。3.3 技术多样性反向看待丛林程度第三个指标用作反向验证叫技术多样性用专利在不同IPC大组之间的分布熵来衡量。熵的计算逻辑是某公司某年有100件专利分布在3个大组里分别是60件、30件、10件那分布熵就是-0.6ln0.60.3ln0.30.1ln0.1。熵值越低说明公司技术布局越集中越容易在某个狭窄领域形成丛林熵值越高说明技术组合越分散单一领域的密集重叠反而不明显。技术多样性不能直接等同“反丛林”因为一家公司高熵但每个领域都和别人挤在一起丛林程度依然可能很高。所以我把它作为调节变量用在检验“密度和重叠度对绩效的影响”时看熵的高低是否改变影响方向。至少从我的数据结果看高熵公司对丛林压力的敏感度确实更低。3.4 三种口径的汇总与可比性为了让数据能被不同需求的人使用最终表结构做了三层汇总表1公司—年度层面的丛林密度、重叠度、多样性指标覆盖所有样本。 表2行业—年度层面的丛林指数用行业内公司密度和重叠度的加权平均值计算。 表3公司两两之间的技术重叠矩阵只在同行业内部生成作为进阶研究底表。在数据说明里特意强调了“可比性”不同年份的专利总量整体在增长所以密度指标放在同一年内比较才有意义跨年份比较时要用标准化分数而不用原始占比。这条规则如果没提前定好后面做趋势分析很容易得出“丛林程度年年在涨”的错误结论——其实可能只是总申请量涨了。4. 数据结果里的三个结构性模式4.1 十年总体路径并非直线把2015-2024年的行业平均丛林指数整理成趋势线之后第一个感受是它并不是一条一路上扬的直线。几个时间节点比较有意思。2015到2017年很多行业的密度指标在上升属于技术储备期大家看到一些新赛道的机会申请数量增多技术分类也开始向少数热点集中。2018到2019年部分行业出现高位震荡专利申请总量还在涨但分类分布变得更分散丛林指数反而微降。2020年则是一个明显的高峰可能是多重因素叠加导致的集中申报效应。之后2021到2022年有明显回落2023到2024年又重新回升。这个变化提醒我专利丛林不是只增不减的单向过程。如果把时间窗缩短只看头尾两年很容易得出“加剧”的线性叙事只有放进完整时间序列里才能看到起落节奏。做政策或研发策略判断时这种非线性非常重要。4.2 行业形态分化明显不同行业呈现出的“丛林形态”完全不一样。电子设备与通信设备类公司的密度和重叠度指标普遍偏高且头部公司之间技术重叠度很稳定说明这类行业天然存在“位点密集”的特征一家新产品绕不过整个通信标准相关的专利群是常态丛林更像是行业门槛。医药和生物技术类公司的绝对专利量没有电子行业那么大但IPC分布窄单个公司在细分治疗领域的密度非常高而且呈现“围墙型”分布——某个公司围绕一个靶点或一个化合物布局一系列外围专利别人很难插进去。这种丛林不是大范围拥挤而是小块块各自紧锁。化工和新材料行业则介于两者之间技术分类相对宽但少数基础材料类别里的申请人极其集中容易形成上下游客供体系里的“隐性挡路”。这些差异说明做行业间比较时不能只用同一个绝对阈值。电子行业0.6的密度可能只是普通医药行业0.3的密度已经是高度扎堆。因此数据里特别增加了“行业标准化版指标”建议所有跨行业研究都优先使用它。4.3 大企业不等于高丛林第三个发现有点反直觉专利总量最大的公司丛林密度指标并不总是最高。原因也很简单大公司通常技术布局极宽专利数量分散到几十个IPC小类之后单一领域的相对占比被稀释了它们的“存在感”是面状的而不是点状挤压。反倒是中等规模公司专利总量不多但集中在少数几个核心赛道上几乎每件专利都挤在别人已经饱和的领域里。它们对技术空间的感知更敏感也更依赖突破性创新来打破约束。有意思的是这类中等规模公司如果有比较高的技术多样性丛林压力带来的负面影响会明显减弱。这个交互现象后来成了我研究里最常被引用的部分。5. 质量控制与踩坑记录真正耗时的地方5.1 重复专利族的合并问题第一个大坑是重复计数。同一项技术发明可能同时存在发明专利公开文本、授权公告文本甚至同一专利在不同阶段有不同公开号如果不做合并会被当成两件专利。解决办法是按“优先权号”构建专利族。同一优先权号下所有公开文本只算一个“发明族”在计算丛林指标时用“族数”而不是“件数”。如果专利数据源没有现成的专利族标识就得自己按申请人、优先权日期、优先权号组合去重。这一步不能省否则密度指标至少虚高一成到两成。我还建议在最终表里同时保留“族数”和“件数”两个字段方便别人复现不同口径的稳健性检验。5.2 母子公司申请主体需要先聚合成经营实体第二个坑就是前面说的主体归一化它在质量控制阶段仍然需要反复修正。有一类样本特别典型某上市公司旗下一家做核心零部件的控股子公司专利申请人长期使用子公司自己的名称如果不合并这家公司看起来专利数不多技术分类也不突出但一旦合并回上市主体立刻把后者在某个IPC小类里的密度从0.2拉到0.7。我用了四步来检查这种问题按申请人名称聚类抽取出所有高频名称用工商变更信息匹配“变更前名称”和“变更后名称”对带“研究院”“研发中心”“分公司”等标识的申请人逐一核对按年度增量做异常值扫描比如某公司突然在某年新增大量来自一个陌生申请人的专利就会触发人工复核。这个方法不能做到100%完美但能把实体映射的准确率控制在可接受范围内。5.3 分类号变更与存量-流量混合第三个问题是IPC分类号并非一成不变。分类体系每隔一段时间会调整旧的分类号可能被拆分或者合并。十年窗口内如果直接用当年的分类号会出现同一技术在不同年份对应不同代码的问题导致时间趋势被人为切断。我的处理方式比较简单使用数据源里的“当前主分类号”作为统一口径同时在字段里保留当年原始分类号备查。这样牺牲了一部分历史精确性但保证了整个面板数据的跨年一致性。如果未来要和国际视角做对比再单独用统一分类映射表做一轮转换。存量与流量的问题也需要强调。存量指公司截至某年累计拥有的有效专利流量指该公司当年申请的专利。丛林是一个偏存量的概念因为挡路的障碍是已经存在的权利但技术进步和竞争更偏流量。所以数据表里存量型指标和流量型指标都做了使用时不能混为一谈。5.4 数据验证方式数据清洗完之后我做了三层验证。第一层是对比总量把数据集中各年各行业的专利总数和技术报告里的总量趋势做比较偏差不能超过合理范围如果某年明显多出很多通常就是重复计数没清干净。第二层是指标逻辑校验计算两两重叠度时随机抽了几十对公司人工翻看它们当年在相应IPC下的专利标题和摘要确认相似度高的公司确实在做相近技术。第三层是内部一致性同一公司连续年份的密度指标不应该忽高忽低得离谱如果出现一年0.1、下一年0.8这种情况绝大多数不是真实改变而是数据问题常见原因就是有子公司专利在某一年才被合并进来。6. 给后续使用者的三点实际建议6.1 至少同时看两个维度的指标研究设计里如果只使用一个丛林指标很容易被单一技术假设带偏。密度高不代表和对手正面冲突可能只是这家公司在一个领域里深耕重叠度高也不代表整体市场拥挤可能只有局部几个技术点撞车。建议至少同时放“技术领域密度”和“两两重叠度”两个指标一个管垂直集中一个管水平碰撞再加技术多样性做调节结论会稳很多。6.2 指标口径要固定越早越好做这种长周期面板最怕中途改口径。我开始时对“专利申请主体归属于母公司”的时点界定不够严格做到一半发现不同年份的合并范围不一致只能重新回退清洗。后来把规则固定在“以专利所在年份的申请人为准不管这家子公司是什么时候被收购的”看起来是偷懒实际上保证了指标的时间一致性。6.3 别忽略申请与授权的间隔最后提醒一点申请数据和授权数据反映的完全是两个阶段。申请公开代表技术意图授权公告代表权利实际落地。如果一个公司的申请大量集中在最近一两年授权数量还没跟上丛林指标会被高估反过来如果只看有效授权存量又会低估新进入者的冲击。我这套数据里对两个口径都做了字段存储但默认分析推荐以“申请日”为准。原因也很简单在专利丛林的研究语境里真正的问题是技术空间挤不挤而不是这家公司最终拷没拷到证书申请行为本身就已经反映了对技术空间的争夺。数据整理到后期越来越觉得“专利丛林”不是一个可以一锤定音测完就交差的静态表格。它需要和产品定位、研发投入、市场结构放在一起看才有意义。我后续的计划是把这套丛林指标和财务绩效、研发效率的匹配数据联合起来做成一个能支撑实证研究的公共底表。这次先把构建过程和量化逻辑完整写出来也希望能给正在做类似数据清理工作的同行一些参考少走一点我走过的弯路。