특허는 과학기술 활동의 결과를 가장 잘 나타내는 요소이며 기업 및 국가는 특허를 소유함으로서 경제적 이익을 확보할 수 있다. 이에 따라 기업 가치에서 무형자산이 차지하는 비중은 지난 수십 년 간 꾸준히 증가하여 왔다. 또한 기술이전을 통해 학계, 연구소, 기업에서 개발된 기술을 산업 전반으로 확산하여 기술을 상용화 하고 경제의 발전에 이바지 하려는 시도들도 존재한다. 이러한 기술 이전을 장려하기 위해서는 객관적인 관점에서 기술 및 특허를 측정하는 방법이 필요하다. 한편, 금융권에서는 특허를 담보로 하여 대출을 가능케 하거나 특허에 대한 투자를 하는 등 IP금융에 대한 관심도도 높아지고 있는 추세이다. 특허 담보 대출 및 특허 투자는 중소기업이나 스타트업들의 초기 자금난에 도움이 될 것으로 보아 경제적인 의미 또한 크며, IP금융 또한 객관적인 특허 품질 측정을 필요로 한다. 따라서 본 연구에서는 등록 초기 특허에서 산출할 수 있는 변수들과 머신러닝을 활용하여 특허 품질을 예측하는 모형을 개발하고 성능을 평가하였다. 본 연구는 미국특허청(USPTO)과 구글 특허(Google patents)에서 약 140만개의 데이터를 사용하여 16개의 독립변수와 1개의 ...
특허는 과학기술 활동의 결과를 가장 잘 나타내는 요소이며 기업 및 국가는 특허를 소유함으로서 경제적 이익을 확보할 수 있다. 이에 따라 기업 가치에서 무형자산이 차지하는 비중은 지난 수십 년 간 꾸준히 증가하여 왔다. 또한 기술이전을 통해 학계, 연구소, 기업에서 개발된 기술을 산업 전반으로 확산하여 기술을 상용화 하고 경제의 발전에 이바지 하려는 시도들도 존재한다. 이러한 기술 이전을 장려하기 위해서는 객관적인 관점에서 기술 및 특허를 측정하는 방법이 필요하다. 한편, 금융권에서는 특허를 담보로 하여 대출을 가능케 하거나 특허에 대한 투자를 하는 등 IP금융에 대한 관심도도 높아지고 있는 추세이다. 특허 담보 대출 및 특허 투자는 중소기업이나 스타트업들의 초기 자금난에 도움이 될 것으로 보아 경제적인 의미 또한 크며, IP금융 또한 객관적인 특허 품질 측정을 필요로 한다. 따라서 본 연구에서는 등록 초기 특허에서 산출할 수 있는 변수들과 머신러닝을 활용하여 특허 품질을 예측하는 모형을 개발하고 성능을 평가하였다. 본 연구는 미국특허청(USPTO)과 구글 특허(Google patents)에서 약 140만개의 데이터를 사용하여 16개의 독립변수와 1개의 종속변수를 산출하였다. 종속변수로는 문헌 연구를 통해 피인용 수가 특허의 시장적 가치와 기술적 가치를 대표한다는 것을 파악하고 특허 품질의 지표로 사용하였다. 그 과정에서 각 특허들이 특허 등록 시기에 상관없이 10년 동안 받는 피인용 수로 통일하기 위해 기대 피인용 수로 보정하였다. 이후, 전체 특허들의 기대 피인용 수 상위 10%, 5%, 1%를 고품질 특허로 정의하였다. 상위 10%, 5%, 1% 특허를 예측 한다는 것은 불균형 데이터 문제가 있으므로, 세 가지 불균형 데이터 처리 방법들과 불균형 문제에서 강점을 가지는 그래디언트 부스팅을 조합하여 성능을 비교하였다. 성능은 AUC(Area Under Curve)를 사용해 평가하였으며 가장 높은 성능은 상위 1% 특허를 가중치 조정 방법을 적용하여 예측할 때 AUC 81%로 나타났다. 이후 정보 획득(Information Gain) 기준으로 변수 중요도 파악하여 인용 특허의 평균 피인용 수가 가장 중요한 요인이었다는 것을 파악하였다. 본 연구를 통해 개발된 모형은 특허 품질에 대한 객관적인 측정을 가능케 하여 기술이전 및 IP금융 분야 등 기술 및 특허 가치 평가가 필요한 분야에서 활용될 수 있을 것으로 기대된다.
특허는 과학기술 활동의 결과를 가장 잘 나타내는 요소이며 기업 및 국가는 특허를 소유함으로서 경제적 이익을 확보할 수 있다. 이에 따라 기업 가치에서 무형자산이 차지하는 비중은 지난 수십 년 간 꾸준히 증가하여 왔다. 또한 기술이전을 통해 학계, 연구소, 기업에서 개발된 기술을 산업 전반으로 확산하여 기술을 상용화 하고 경제의 발전에 이바지 하려는 시도들도 존재한다. 이러한 기술 이전을 장려하기 위해서는 객관적인 관점에서 기술 및 특허를 측정하는 방법이 필요하다. 한편, 금융권에서는 특허를 담보로 하여 대출을 가능케 하거나 특허에 대한 투자를 하는 등 IP금융에 대한 관심도도 높아지고 있는 추세이다. 특허 담보 대출 및 특허 투자는 중소기업이나 스타트업들의 초기 자금난에 도움이 될 것으로 보아 경제적인 의미 또한 크며, IP금융 또한 객관적인 특허 품질 측정을 필요로 한다. 따라서 본 연구에서는 등록 초기 특허에서 산출할 수 있는 변수들과 머신러닝을 활용하여 특허 품질을 예측하는 모형을 개발하고 성능을 평가하였다. 본 연구는 미국특허청(USPTO)과 구글 특허(Google patents)에서 약 140만개의 데이터를 사용하여 16개의 독립변수와 1개의 종속변수를 산출하였다. 종속변수로는 문헌 연구를 통해 피인용 수가 특허의 시장적 가치와 기술적 가치를 대표한다는 것을 파악하고 특허 품질의 지표로 사용하였다. 그 과정에서 각 특허들이 특허 등록 시기에 상관없이 10년 동안 받는 피인용 수로 통일하기 위해 기대 피인용 수로 보정하였다. 이후, 전체 특허들의 기대 피인용 수 상위 10%, 5%, 1%를 고품질 특허로 정의하였다. 상위 10%, 5%, 1% 특허를 예측 한다는 것은 불균형 데이터 문제가 있으므로, 세 가지 불균형 데이터 처리 방법들과 불균형 문제에서 강점을 가지는 그래디언트 부스팅을 조합하여 성능을 비교하였다. 성능은 AUC(Area Under Curve)를 사용해 평가하였으며 가장 높은 성능은 상위 1% 특허를 가중치 조정 방법을 적용하여 예측할 때 AUC 81%로 나타났다. 이후 정보 획득(Information Gain) 기준으로 변수 중요도 파악하여 인용 특허의 평균 피인용 수가 가장 중요한 요인이었다는 것을 파악하였다. 본 연구를 통해 개발된 모형은 특허 품질에 대한 객관적인 측정을 가능케 하여 기술이전 및 IP금융 분야 등 기술 및 특허 가치 평가가 필요한 분야에서 활용될 수 있을 것으로 기대된다.
Patents are the best factor of the results of scientific and technological activities, and companies and countries can obtain economic benefits by owning patents. As a result, the share of intangible assets in corporate value has steadily increased over the past several decades. There are also attem...
Patents are the best factor of the results of scientific and technological activities, and companies and countries can obtain economic benefits by owning patents. As a result, the share of intangible assets in corporate value has steadily increased over the past several decades. There are also attempts to disseminate technologies developed in academia, research institutes, and corporations through technology transfer to commercialize technologies and contribute to economic development. To encourage this technology transfer, there is a need to measure technology and patents from an objective point of view. In the meantime, interest in IP financing is also increasing in the financial sector, such as making loans with patents secured or investing in patents. Patent-related loans and patent investments will contribute to the initial financial difficulties of small businesses and start-ups, which is also economically significant, and IP financing also requires objective patent quality measurement. Therefore, in this study, we developed a model that predicts patent quality by using variables that can be calculated when the patent is initially registered and machine learning. After this, we evaluated the performance. In this study, we calculated 16 independent variables and 1 dependent variable using about 1.4 million data sets using USPTO and Google patents’ raw data. As a dependent variable, we used a literature review to find out that the number of citations represented the market value and technical value of a patent and used it as an indicator of patent quality. In the process, each patent was revised to the ESPN(Estimated Patent Citation Number) to unify the forward citations received for 10 years regardless of patent registration time. High-quality patents were defined as patents that belong to top 10%, 5%, and 1% of ESPN among the all patents. Because there is an imbalanced data problem in predicting the top 10%, 5%, and 1% patents, we compared the performance of three models that combined with three imbalanced data processing methods and the gradient boosting machine learning algorithm. Performance was assessed using Area Under Curve (AUC) and the highest performance was AUC 81% when predicting the top 1% patent using weight adjustment method. We then found that the‘average forward citation of citing patents’was the most important factor by determining the importance of the variables in terms of information gain. The model developed through this study is expected to be able to be used in fields requiring technological and patent valuation such as technology transfer and IP finance by enabling objective measurement of patent quality.
Patents are the best factor of the results of scientific and technological activities, and companies and countries can obtain economic benefits by owning patents. As a result, the share of intangible assets in corporate value has steadily increased over the past several decades. There are also attempts to disseminate technologies developed in academia, research institutes, and corporations through technology transfer to commercialize technologies and contribute to economic development. To encourage this technology transfer, there is a need to measure technology and patents from an objective point of view. In the meantime, interest in IP financing is also increasing in the financial sector, such as making loans with patents secured or investing in patents. Patent-related loans and patent investments will contribute to the initial financial difficulties of small businesses and start-ups, which is also economically significant, and IP financing also requires objective patent quality measurement. Therefore, in this study, we developed a model that predicts patent quality by using variables that can be calculated when the patent is initially registered and machine learning. After this, we evaluated the performance. In this study, we calculated 16 independent variables and 1 dependent variable using about 1.4 million data sets using USPTO and Google patents’ raw data. As a dependent variable, we used a literature review to find out that the number of citations represented the market value and technical value of a patent and used it as an indicator of patent quality. In the process, each patent was revised to the ESPN(Estimated Patent Citation Number) to unify the forward citations received for 10 years regardless of patent registration time. High-quality patents were defined as patents that belong to top 10%, 5%, and 1% of ESPN among the all patents. Because there is an imbalanced data problem in predicting the top 10%, 5%, and 1% patents, we compared the performance of three models that combined with three imbalanced data processing methods and the gradient boosting machine learning algorithm. Performance was assessed using Area Under Curve (AUC) and the highest performance was AUC 81% when predicting the top 1% patent using weight adjustment method. We then found that the‘average forward citation of citing patents’was the most important factor by determining the importance of the variables in terms of information gain. The model developed through this study is expected to be able to be used in fields requiring technological and patent valuation such as technology transfer and IP finance by enabling objective measurement of patent quality.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.