基于专利大数据的企业成长性“高维云”预测模型构建及实证研究

来源:用户上传      作者:

　　摘 要：[目的/意义]采用企业专利大数据，构造高维云模型，预测企业成长性。[方法/过程]选取中国股票市场创业板公司为研究对象，依据企业专利聚类结果，用逆向云模型多步式算法生成专利的云模型改造神经网络神经元，构造云模型;用因子分析计算企业的成长性并通过聚类分析分成4类;用云模型补充不平衡数据。[结果/结论]研究表明，高维云神经网络能很好预测企业的成长性，准确性和稳定性得到提高，同时也表明企业专利对其成长性有重要作用。企业专利对成长性的影响是复杂的：专利同族数、发明专利占比、专利权利要求数对企业的成长性促进作用，而单纯专利数量有负面的影响。
　　关键词：专利大数据;高维云模型;RBF神经网络;企业成长性;创业板上市公司
　　DOI：10.3969/j.issn.1008-0821.2020.03.004
　　〔中图分类号〕G255.53 〔文献标识码〕A 〔文章编号〕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
　　对于提升国家和企业的科技水平和竞争力，专利的作用越来越重要。根据世界知识产权组织（World Intellectual Property Organization）统计，有效运用专利文献，可缩短技术和产品研发时间60%，并可节省研发费用40%;专利说明书中含有90%～95%的技术和产品研发成果，而其它技术文献（如论文、期刊等）中，则仅含有5%～10%的研发成果[1]。世界知识产权组织2016年11月发布报告指出，2015年中国专利申请量达110多万件，几乎占到全球总量的四成[2]。2012-2016年期间，国内专利受理数量以2位数的速度增长（除2014年为负增长外），2016年国内专利受理为3 305 225件，至此累计为19 802 035件[3]。企业专利占整个国内专利很大比重，1986年1月-2016年12月期间，企业占国内职务发明创造专利受理量82.4%，国内职务发明专利受理量72.2%，国内职务外观设计专利受理量93.5%，国内职务实用新型专利受理量85.4%，在2016年企业上述专利分别占国内职务专利的82%，74.8%，84.9%和93.4%[4]。
　　企业的成长性受到技术创新和研发投入的影响。企业的技术效率和研发投入对企业成长是非常重要的[5]。通过对首批在创业板上市的28家公司的相关指标得出影响企业成长性的影响因素有企业财务状况、技术创新及应用能力等[6]。技术创新能力对公司成长性的贡献也值得关注[7]。企业的研发经费投入力度与技术创新绩效产出均存在明显的正相关关系[8]。R&D支出对企业成长性的正向促进作用非常明显[9]。企业专利质量促进公司投资价值增加[10]。国外学者对于研发及技术创新对企业成长性影响的研究更广泛。Piekkola H根据芬兰雇主与雇员关联数据研究科研投入所生产的生产率增长，得出研发支出对中小企业生产率的增长有积极作用[11]。Alex Coad通过向量自回归模型分析认识增加研发投资将有利于销售和就业率的增长[12]。Pelin Demirel等对1950-2008年期间小型和大型美国上市制药公司创新如何影响公司增长的差异进行了探讨，得出创新会促进拥有专利5年以上小公司的增長[13]。Jeffrey I Bernstein等分析日本和加拿大工业得出研发溢出效应促进工业全要素生产率增长[14]。Andrin Spescha分析瑞士企业1995-2012年面板数据显示：相对较大或较年轻的公司，更小、更成熟的公司在研发支出和销售增长之间的关系更为积极[15]。Mario I Kafouros根据1989年78家公司评估研发对英国制造业生产率增长的影响，研发的贡献大约是0.04，而且高科技行业的研发弹性相当高，为0.11[16]。 　　企业专利是技术创新和研发投入形成的重要成果呈现，利用专利平台提供的专利大数据，构建基于云神经网络的企业专利对企业成长性判断模型，提供企业成长性预警和判断企业的成长性参考。
　　1 研究方法
　　云模型是由我国李德毅教授在20世纪90年代提出的定性定量间相互不确定性转换的模型，它把随机性和模糊性有机结合在一起，能描述不确定概念的模糊性和随机性，并用计算机模拟表示定性概念，同時可以通过云模拟更好呈现随机样本所表示的特征。在打靶中，通过云发生器生成的云滴比原靶图更能反映选手的水平[17]。云滴是根据原靶的数字特征生成的，它们组成的云团可以更加准确地反映选手的水平。云模型自提出来以后，得到很快的发展，并在很多领域得到广泛应用，特别是一维云模型、二维云模型已大量应用于数据挖掘、网格资源分配、智能控制、数据预测等领域[18]。
　　1943年心理学家McCulloch和数学家Pitts发表了神经元模型MP，它是一个包含输入、计算、输出功能的模型，即可以使用这些神经元搭建神经网络，奠定神经网络的基础。1988年Broomhead和Lowe将径向基函数用于神经网络，实现对非线性函数的一种逼近，使得低维空间不可分的问题在转换到高维空间后实现可分，在图形处理、时间序列分析、模式识别和非线性控制领域得到广泛应用。
　　用云模型改造RBF神经网络的神经元，克服RBF神经网络隐含层神经元数量和径向函数确定的不足，克服RBF神经网络的硬分类缺陷[19]，融入云模型的神经网络发挥神经网络的学习功能的同时提高神经网络的分类效果。
　　用因子分析法得出的特征值对企业的成长性指标进行权重分配，克服人为评价的主观性，对企业成长性评价更加客观。
　　2 模型构建
　　本文将云模型和神经网络两种方法结合在一起，形成正态云神经网络模型，通过企业专利判断企业的成长性。
　　2.1 高维云模型
　　云模型有3个数字特征，分别是期望Ex、熵En和超熵He，表达定性概念总体定量特征，表示为C（Ex，En，He），其图形呈现为由若干云滴组成的云团，横坐标为云滴值，纵标为云滴属于定性概念的确定度。
　　期望Ex是最能代表定性概念的样本点，也即典型的样本点。熵En体现期望Ex的离散程度，同时反映定性概念的模糊性，即隶属度。超熵He是熵的熵，反映熵的不确性，是En的离散程度。
　　单独看每一个云滴，呈现随机性，无规律可寻，而由许多云滴组成云图则呈现云的规律性，反映模糊性和随机性，云模型的数字特征是由许多云滴组成云团的统计特征。李德毅指出，云滴确定度的概率密度与云的3个数字特征无关，这反映人们认识的深层规律：不同的人会有不同的认识，不同的时期也会有不同的认识，但是云滴确定度的统计分布，总体上都是一个统一的形态。认识的不确定性仍然有着确定的规律性，提示了人们用不同语言值表示不同定性概念之间存在的认识上的共同性[20]。
　　云发生器实现定量数据和定性概念之间转换，一个定性概念通过云发生器可生成许多定量数据，也即一个定性概念对应多个定量数据，尽管这些定量数据具有一定分散性，但它们整体联合起来所表达的定性概念具有稳定性。从分布来看，虽然每一个云滴分散的杂乱，但不影响许多云滴组成云团的整体特征。
　　云发生器有正向发生器和逆向发生器，X条件云发生器和Y条件云发生器。正向发生器是从定性到定量的过程，根据反映定性概念的云模型的3个特征，生成定性概念的定量表达。逆向发生器则是从定量到定性的过程，根据云滴（x，μ）生成反映定性概念的3个特征数字期望Ex、熵En和超熵He，得到定性概念的云表达模型。
　　正态云模型是常见的云模型，其云滴组成的云团图形为图3[21]。
　　正态云模型C（Ex，En，He）的正向发生器生成云滴的方法如下：
　　至此，得一个云团中的一个云滴（x，μ），重复步骤（1）～（3），就可得到N个云滴[22]。
　　X条件云发生器和Y条件云发生器是正向发生器的特殊形式，在知道X的条件下确定云滴，这时计算确定度，或在知道Y的条件下确定云滴，这时要计算X。这里的Y就是确定度。用到第（3）步公式，对其进行变换，求出云滴。不需要用第（2）中生成随机正态数据x。
　　逆向云算法分为2种类型：有确定度逆向云算法和无确定度逆向云算法。有确定度的云发生器则是根据云滴和其确定度，得到反映定性概念的云模型的3个数字特征。假设有m个云滴，其过程如下：
　　这种方法需要知道云滴的确定度，而我们从调查中采集到的数据，通常只有x参考值，没有确定度，所以要计算定性概念的云模型参数难度大，这需要另外计算确定度。这种方法推广使用受到很大的限制。
　　鉴于数据可获得性，通常我们用无确定度的方法确定3个特征数字。这种算法又可以分为4种，即单步式一阶中心距、单步式四阶中心距、峰值法以及多步式算法。
　　峰值法、单步式一阶中心距和单步式四阶中心距有可能会出现第4步计算超熵时出现负值的现象，究其原因，是忽略云滴是由2次随机过程产生的事实，提出删除样本点均值近的点的方法[23-24]。
　　多步式算法：
　　这种算法可以避免前几种方法的出现超熵为负的现象[25]。
　　2.2 RBF神经网络模型
　　RBF基本结构分为3层，分别为输入层、隐含层和输出层。其本质是选择适当的基函数、隐含层单元数和连接权值[26]。
　　输入层仅仅是传递信号的作用，将外来的信息传递到隐含层。
　　隐含层是将输入的信息进行非线性变换，对基函数的参数进行调整。基函数通常采取高斯函数，其输出一般可表示为：
　　输出层的输出为：
　　2.3 云RBF神经网络模型 　　用云模型取代RBF神经网络中隐含层的基函数，构造云神经元。每一属性i经过云变换可得到ni个云模型，k个属性的n1，n2，…，nk个云模型相互组合可得n=n1×n2×…×nk个神经元。输入向量x经过神经元j，根据X条件发生器，得到隶属度，从而得到一个云滴，重复k次，可得到k个云滴，取其期望值，作为隐含层神经元j的输出。将n个隐含层神经元输出组合得到输出层的输出，通常采取最小二乘回归计算输出层线性组合权重系数。程琳等[27]、于洋等[28]、李刚等[29]用云RBF取得比RBF较好的预测和分类效果。
　　3 指标选取
　　3.1 企业专利指标选取
　　经合组织在《2011年科学、技术与产业记分榜：知识经济中的创新与增长》运用专利引用率、权利要求数量、专利维持年限和专利族数量等专利质量指标[30]。吴菲菲等在分析中外有关专利质量指标的基础上，选出频次前10的专利质量指标[31]。唐恒等从专利资助政策视角提出16项专利质量评价指标，并将其分为宏观指标和微观指标[32]。胡谍等列出19项专利质量指标，将其分为专利范围、专利引证、专利维持和其他等4种类型，并对各个指标的优劣进行述评，对创业板块企业的专利质量进行分析[33]。宋河发等在分析国内外专利质量测试指标后，提出应从创造质量、撰写质量、审查质量和经济质量来测试专利质量，并认为经济质量是前面3个质量的综合体现[34]。谷丽等对专利质量评价指标的研究文献进行分析，概括专利质量评价18项指标，将其分成专利的技术性、法定性和商业性三大类别[35]。
　　企业的专利应从专利的数量和质量来衡量。参考上述研究结论，鉴于指标的可获取性和从企业层面进行分析，我们选取了企业拥有的专利数量、专利IPC分类和外观设计洛迦诺分类号数、专利被引次数、专利同族数、专利的权利要求数、发明专利占比、说明书和权利要求字数等7项指标分析企业专利。
　　专利数量。企业拥有的专利越多，说明专利投入经费越多，对企业的成长性有影响，一方面经费投入占用其他方面的资金;另一方面形成的专利有时发挥正向作用。专利数量有申请数量和授权数量，此次引用专利授权数量。
　　专利被引次数。是专利被后续引用的次数，被引次数高的专利通常是质量高的专利，被引次数反映专利质量信息可以从两个角度予以解释：一是作为基础技术的影响力，即对本领域后续技术创新的贡献;二是作为现有技术的法律功能，即对后续专利的权利限制[36]。黄宝金等还基于美国专利数据，将平均被引次数、相对被引指数（Relative Cita-tion Index，RCI）和高影响指数（High Impact Index，HII）作为专利质量指标评价国家纳米技术实力[37]。在本次分析中，我们采取一个平均被引次数作为企业专利的一个指数。
　　权利要求数量（权利要求项数）。一般认为，一项专利权利要求数越多，表明专利的技术含量越高，覆盖的技术越宽，专利投入的研究资源越多。一个机构或区域的专利（特别是授权专利）的平均权利要求数量越多，通常表明该机构或区域的技术创新能力越强，其专利的总体质量也就越高[38]。
　　发明专利比率。指发明专利占企业全部专利的比率，我国的专利分为发明专利、实用新型专利和外观设计专利，通常认为一个企业发明专利比率越高，其专利质量越高，发明专利同其他两种相比较，其投入研究资源通常较多，国家对此类专利的申请审查最为严格。
　　专利IPC分类号和外观设计洛迦诺分类号数。反映专利技术覆盖的范围，IPC分类号数越多，覆盖的范围越大，专利质量越高。Lerner J提出用专利文件中的4位国际专利分类号（即IPC小类）的数量来表征其专利宽度[39]。外观分类号数和IPC一样的作用，我们将这两个合并在一起。
　　专利族大小。即同族专利数量，同族专利是指在不同国家或地区，以及地区间多次申请、多次公布或批准的内容相同或基本相同的一组专利文献。专利族越大，同一优先权的专利得到的认可就越多，专利质量就越高。
　　说明书和权利要求的字数。《专利法》要求说明书充分公开，专利说明书撰写质量通常最能反映说明书充分公开的是实施例的多少和实施例的详细程度[40]。说明书的字数多少在一定程度上反映专利说明书的质量，说明书字数越多，公开的内容也就越多。权利要求的字数和说明书的字数一样，一定程度上起到衡量專利的作用。
　　3.2 企业成长性指标选取
　　企业财务状况和经营成果是成长性的主要衡量因素，根据财务报表分析，可以得到一系列财务指标，通常将其归类为盈利能力、偿债能力、资本运营能力及发展能力。黎东升等选取总资产、流动比率、速动比率、资产负债率和存货周转率分析了农业类上市公司的成长性[41]。刘丹等选取流动比率、净资产增长等12项指标对物流业上市公司的成长性进行分析[42]。王玉等选取年营业收入和年利润分析中国100强企业的成长性[43]。
　　本次研究中，选取如下指标作为企业成长性的评价指标。
　　盈利能力指标：净资产报酬率（%），总资产利润率（%），净资产收益率（%），主营业务利润率（%），营业利润率（%），三项费用比重（%）。
　　偿债能力指标：流动比率（%），资产负债率（%），现金比率（%），利息支付倍数（%）。
　　资本运营能力指标：应收账款周转率（次），总资产周转率（次），存货周转率（次），资产的经营现金流量回报率（%）。
　　发展能力指标：主营业务收入增长率（%），净利润增长率（%），净资产增长率（%），总资产增长率（%）。
　　根据这些指标计算企业的成长性，三项费用比重和资产负债率选取倒数。它们和企业成长性是负相关。
　　度量企业成长性的指标有多种，从不同的角度反映企业的成长性，为较好地比较各个企业的成长性，有必要将这些指标综合成一个反映企业成长性指标。因子分析方差贡献率能克服主观确定指标权重带来的不良影响，客观反映各指标在综合指标中的权重。 　　4 实证分析
　　4.1 样本选择与数据来源
　　样本选自我国上市公司创业板732家公司（2018年8月查询）。专利技术相关数据来源国家专利局，通过在“申请（专利权）人”输入公司名称进行高级检索，从中获取每个公司专利数量等指标，检索时间为2018年8月。在进行检索时，有21家企业无法找到其专利数据，原因是其企业名称为“集团”或“地名”加括号，与检索生成的条件重复，专利网无法识别，另一个原因是申请专利时申请人不用集团公司的名称，有57家专利为0条，5家专利数为1条，将上述3项去掉，分析创业板649家公司，拥有专利数分布在2到2196，共计86 626条专利，其中发明专利为49 266条。财务数据来源网易财经，“http：//money.163.com/”，输入上市公司代码进行查询。
　　4.2 实证分析过程与结果
　　4.2.1 成长性数据预处理
　　对反映企业成长的财务数据进行因子分析，根据各因子对应的因子方差大小，将各因子得分合并成一个指标，综合反映企业的成长性。分析工具选取SPSS19.0。对财务数据进行因子分析适用性检验，Bartlett球形度检验的χ2统计值为10 572.6，显著性概率小于1%，说明指标之间具有相关性，适宜做因子分析;同时，KMO检验的KMO值为0.708，大于0.5，适宜做因子分析。用因子得分乘以相应的方差贡献率，合计作为成长性的衡量数据，依据这个数据对各公司的成长进行相对比较。聚类结果呈现中间多两头少，接近正态分布。
　　4.2.2 专利数据的预处理
　　专利的7个指标中，除了发明专利占比外，其他都和企业拥有的专利数量正相关，专利数量越多，这些指标的值越高，它们和专利数之间存在相关和共线性，为了消除重复计算专利数量的影响，每个指标需要剔除专利数量的成分，并假设这5个指标和专利数量是乘积关系，即这些指标除以专利数量就可消除专利数量的影响。同理，说明书和权利要求字数和专利的权利要求数也存在相似的关系，用同样方法进行处理。经过这样处理后，指标间的相关性被消除。
　　4.2.3 云模型生成
　　对各属性进行聚类分析，根据聚类的结果，用多步式算法，生成专利各属性的云模型参数。发明专利比重聚成3类，各类的中心为云模型的期望值，案例数分别为199、232和218。聚成多少类，根据数据分析，尽量每一个类要有较多的案例，便于抽样计算。同理可计算其他属性。计算工具选择Matlab（R2012a）。
　　4.2.4 不平衡数据处理
　　表1可以看出各种类别样本分布不平衡，在使用前需要平衡处理。不平衡数据的处理方法有多种，这里采用云变换方法进行处理。根据成长性分类值对应的专利属性所属的云模型，生成数据进行补充。表1的聚类类别4有21个数据，与最多的433个相差412个，根据聚类类别4的20个数据每一个所对应的每个专利属性要生成19个数据（每个数据由7个专利维度组成），最后一个生成32个。
　　4.2.5 仿真实现
　　1）隐含层实现。用云模型改造RBF径向函数，构造云神经网络，每一个神经元由7个属性中各抽出1朵云共同组织，构造一个7维云模型，其参数为：
　　每一个案例经过云模型神经元后，其原来的7个维度属性成288个维度属性。每一个神经元按如下方法转化成输出的确定度。
　　j为案例，i为其7个属性维度。将这k个确定度进行平均，就可以得到这个案例经过这个神经元后的确定度。
　　这样的确定度具有不确定性，每一次进行计算不一样，但具有稳定性，其值的范围不变。
　　2）隐含层到输出层的输出。隐含层到输出层的输出是线性连接，一般可由最小二乘回归求解连接权值，李刚等提出基于概率的权值确定[44]。神经网络和基于概率连接的权值确定要各个案数基本相等才能得出较高的准确度。个案较少的成长类型在分析中会被忽略，神经网络在训练时偏向个案较多的类型。用概率法确定时，个数少的样本同样得不到体现，个数多的输出类型占的比例会偏高。这里隐含层到输出层的输出采用随机森林确定。
　　5 结论与建议
　　5.1 结 论
　　运用云模型改进RBF神经网络的隐含层，并用来根据创业板公司的专利对公司成长性的预测，用云模型处理不平衡样本，分析数据显示公司专利对成长性有影响。
　　1）经过云模型改造后的模型准确性和稳定性得到提高。
　　测试样本为20%，每次测试随机选取，其他为训练样本。经过10次测试，改造前的准确率期望为87.12%，改造后的期望为94.61%，提高了8.60%。样本方差分别为3.354016和2.287741，改造后波动性减少。但由于改造后成倍维度提高，运行时间变长。
　　2）云模型对不平衡数据的处理
　　云模型虽然在转换时具随机性和模糊性，但其具有稳定性，其生成的云滴具有这个云的共性，集体体现云的特征。一个云模型可以生成很多个不同的数据，体现了随机性和个体差异性。用云模型对不平衡数据进行补充，可选择其原来对应模型的云参数进行生成数据。
　　3）企业专利对成长性有重要影响
　　根据图5，我们可以看出，根据企业的专利能对企业成长性做出很好地预测，準确率在90%～95%之间，这也说明专利对企业成长性有很大的影响。这点我们从表5相关性分析结论也获得了很好的支持。正相关系数较大，在5%的水平上显著，专利能促进企业的成长。负相关系数很小，在5%水平上不显著。
　　4）专利各属性对企业的成长性影响有差异
　　表4相关性显示各种专利属性对成长性的影响各一样。进一步分析成长性的内部构成指标可以看出，各专利指标对增长率类指标（净资产增长率、总资产增长率）是负相关且显著，对收益类指标为正影响，对周转率类指标在5%显著性水平上基本没有影响。专利对成长性有影响，有正的影响，也有负的影响，但总体上，正影响大于负影响。 　　5.2 建 议
　　1）云模型符合自然语言表的意识，是现实中的随机性和稳定性的很好刻画，只要云参数确定，生成的数据具有稳定性，可用于对不平衡数据的补充。
　　2）根据企业的专利可以较准确地判断企业的成长性，所以从成长性的角度，各公司应重视专利的建设，建设中侧重于增加发明专利，注重同族专利的建设，建设权利要求多的专利，不应单纯追求专利的数量扩张。专利单纯的数量扩张会对企业的成长性造成负面的影响。
　　参考文献
　　[1]杨丹丹.基于数据挖掘的企业专利价值评估方法研究[J].科学学与科学技术管理，2006，（2）：42-44.
　　[2]卢青，赵澎碧.大数据环境下的专利分析模型研究[J].现代情报，2018，38（1）：37-44.
　　[3]中华人民共和国国家知识产权局专利统计年报2016.
　　[4]中华人民共和国国家知识产权局专利统计年报2016.
　　[5]张维迎，周黎安，顾全林.高新技术企业的成长及其影响因素：分位回归模型的一个应用[J].管理世界，2005，（10）：94-101，112，172.
　　[6]王晔斐.创业板公司成长性研究[D].成都：西南财经大学，2011.
　　[7]徐维爽，张庭发，宋永鹏.创业板上市公司成长性及技术创新贡献分析[J].现代财经（天津财经大学学报），2012，32（1）：63-68.
　　[8]胡义东，仲伟俊.高新技术企业技术创新绩效影响因素的实证研究[J].中国科技论坛，2011，（4）：80-85.
　　[9]张信东，薛艳梅.R&D支出与公司成长性之关系及阶段特征——基于分位数回归技术的实证研究[J].科学学与科学技术管理，2010，31（6）：28-33.
　　[10]李仲飞，杨亭亭.专利质量对公司投资价值的作用及影响机制[J].管理学报，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.不确定性人工智能[J].软件学报，2004，（11）：1583-1594.
　　[18]李刚，万幼川.基于高维云模型和RBF神经网络的遥感影像不确定性分类方法[J].测绘科学，2012，37（1）：115-118.
　　[19]李刚，万幼川.基于高维云模型和RBF神经网络的遥感影像不确定性分类方法[J].测绘科学，2012，37（1）：115-118.
　　[20]李德毅，刘常昱.论正态云模型的普适性[J].中国工程科学，2004，（8）：28-34.
　　[21]于洋，孙成伟，张冰冰，等.云模型RBF神经网络的数据中心温度预测[J].沈阳理工大学学报，2013，32（4）：9-14.
　　[22]刘常昱，李德毅，杜鹢，等.正态云模型的统计分析[J].信息与控制，2005，（2）：236-239，248.
　　[23]杨洁，王国胤，刘群，等.正态云模型研究回顾与展望[J].计算机学报，2018，41（3）：724-744.
　　[24]陈昊，李兵，刘常昱.一种无确定度的逆向云算法[J].小型微型计算机系统，2015，36（3）：544-549.
　　[25]杨洁，王国胤，刘群，等.正态云模型研究回顾与展望[J].计算机学报，2018，41（3）：724-744.
　　[26]于洋，孙成伟，张冰冰，等.云模型RBF神经网络的数据中心温度预测[J].沈阳理工大学学报，2013，32（4）：9-14.
　　[27]程琳，徐波.基于云RBF神经网络模型的大坝监测数据预报[J].水电能源科学，2010，28（6）：64-66，45. 　　[28]于洋，孙成伟，张冰冰，等.云模型RBF神经网络的数据中心温度预测[J].沈阳理工大学学报，2013，32（4）：9-14.
　　[29]李刚，万幼川.基于高维云模型和RBF神经网络的遥感影像不确定性分类方法[J].测绘科学，2012，37（1）：115-118.
　　[30]吴菲菲，张广安，张辉，等.专利质量综合评价指数——以我国生物医药行业为例[J].科技进步与对策，2014，31（13）：124-129.
　　[31]吴菲菲，张广安，张辉，等.专利质量综合评价指数——以我国生物医药行业为例[J].科技进步与对策，2014，31（13）：124-129.
　　[32]唐恒，李绍飞，赫英淇.专利资助政策下专利质量评价研究[J].情报杂志，2015，34（5）：23-28.
　　[33]胡谍，王元地.企业专利质量综合指数研究——以创业板上市公司为例[J].情报杂志，2015，34（1）：77-82.
　　[34]宋河发，穆荣平，陈芳，等.基于中国发明专利数据的专利质量测度研究[J].科研管理，2014，35（11）：68-76.
　　[35]谷丽，郝涛，任立强，等.专利质量评价指标相关研究综述[J].科研管理，2017，38（S1）：27-33.
　　[36]万小丽.专利质量指标中“被引次数”的深度剖析[J].情报科学，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]馬廷灿，李桂菊，姜山，等.专利质量评价指标及其在专利计量中的应用[J].图书情报工作，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]宋河发，穆荣平，陈芳.专利质量及其测度方法与测度指标体系研究[J].科学学与科学技术管理，2010，31（4）：21-27.
　　[41]黎东升，秦志岗.基于因子分析的农业类上市公司竞争力突变综合评价[J].农业技术经济，2011，（2）：96-101.
　　[42]刘丹，印曼.我国物流业上市公司成长性评价[J].技术经济，2012，31（11）：104-109.
　　[43]王玉，王丹.中国100强企业成长性分析[J].上海财经大学学报，2008，（2）：85-91.
　　[44]李刚，万幼川.基于高维云模型和RBF神经网络的遥感影像不确定性分类方法[J].测绘科学，2012，37（1）：115-118.
　　（责任编辑：孙国雷）
转载注明来源:https://www.xzbu.com/4/view-15122428.htm