摘要：校企合作代表的是知识系统和产业系统间的合作，其实质是企业与高校科研人员之间的技术流动，这也使得企业在寻求合作时，会面临“与谁合作”的问题。通过高校技术创新人才的探测，能够帮助企业解决高校科研人员的合作选择问题，对提升企业技术创新水平、促进校企联动发展具有重要意义。文章提出一种高校技术创新人才探测方法，形成了研发起始年和技术创新度两个指标，以此为基础构建“研发起始年—技术创新度”矩阵图；进一步，通过设定指标阈值，对高校科研人员进行细粒度划分，以探测“老成谋国型”和“年轻有为型”技术创新人才。文章以“人工智能”领域为例，选择“平安科技”进行了实证研究，在识别“平安科技”在“人工智能”领域技术研发重点主题和技术研发薄弱主题的基础上，分别探测到了两种不同类型的技术创新人才，验证了方法的有效性，为企业进行校企合作伙伴选择提供了行之有效的实践方案。
关键词：校企合作，科研人员，高校，技术主题，人工智能
一、引言
技术创新是社会生产力发展的源泉，是企业保证可持续竞争优势的内在动力，但对企业而言，技术创新又是一种高投入、高风险的复杂性社会劳动[1]。当前我国企业面临复杂的国际动荡格局和国内竞争态势，单纯依靠自身研发能力进行技术创新的难度愈发增大，所以，通过吸纳外部力量提升技术创新效率成为众多企业的选择[2]。高校在人才资源、技术设备、基础研究方面具有天然优势，企业通过与高校开展技术合作，对节约研发成本、实现企业可持续竞争优势具有重要的推动作用。校企合作本质上是高校科研人员为企业技术创新提供智力支持，其最终落脚地在于企业与高校科研人员开展合作研发[3]。而高校合作伙伴的选择要与企业发展战略、技术研发路径相契合，才能发挥校企合作的优势[4]。在此过程中，企业面对的首要问题是如何选择合适的合作伙伴[5]。由于专利是衡量技术创新能力和水平的重要指标，因此，依托专利计量方法，从高校科研人员中发掘技术创新人才，对提升校企合作效率，推动企业创新发展具有重要意义。高校技术创新人才探测的关键在于对高校科研人员的有效评价，相关学者从专利视角，就科研人员评价方法问题展开了大量的研究工作，概括起来主要有以下三个方面：
第一，在科研人员评价指标体系构建方面，Wang等（2021）提出了一套科学的农村科技人才评价指标体系，并融合熵权法和TODIM法，以保证指标赋权的科学性和评价的客观性[6]。王萍（2009）从经济环境、生活环境、创新投入和创新产出四大维度出发，构建了区域技术创新人才集聚力评价指标体系，并以浙江省为例进行了实证分析[7]。赵宁等（2020）构建了基于专利信息的技术创新人才评价指标体系，并借助机器学习进行了创新人才挖掘[8]。杨忠等（2018）结合文献计量和社会网络分析方法，提出一种发明人影响力综合评价模型，并进行了实证研究[9]。
第二，在科研人员创新能力识别方法方面，George等（2021）提出了一个基于最小链接语义的发明人合作推荐模型，并以无线电通讯的相关专利为例，对模型有效性进行了验证[10]。冯岭等（2019）以专利数据为基础，提出一种基于多层感知机模型的技术创新人才发现方法[11]。赵宁等（2019）以智能机器人领域的专利为例，依托主成分分析法对技术创新人才进行了深入分析[12]。田瑞强等（2018）以专利文献为基础，提出了一种三路径法对创新科技人才进行识别[13]。常缪缪等（2017）提出一种基于调和H指数的技术创新人才识别方法，并结合专利数据进行了验证[14]。冉从敬等（2020）以区块链领域的专利为例，构建了高校前沿科研团队探测模型[15]。
第三，在科研人员创新影响内容方面，Breitzman等（2015）探索了发明人团队数量应用于专利未来被引证次数的预测，并提出发明人团队规模能够反映创新资源的投入[16]。Drivas等（2020）分析了技术创新人才流动对区域创新活动的影响，提出技术人才的流入对流入区域的技术更新具有显著正向影响[17]。穆林等（2014）认为创新人才对企业自主创新具有重要影响，并提出了改进河北省制药产业创新人才支撑体系问题的对策[18]。石金涛等（2007）提出技术创新人才对创新型企业的建设具有关键影响，并进一步探索了技术创新人才与组织学习、知识管理的深层次影响机制[19]。孙玉涛等（2021）以石墨烯技术领域为例，探索了明星发明人对团队创新产出的双面效应[20]。蒋仁爱等（2020）基于1975—2017年中国及其他7个经济体在USPTO授权的专利数据，探析了专利发明人合作对中国专利质量的影响[21]。
分析发现，针对科研人员评价方法的相关研究主要集中在评价指标体系构建、创新能力识别方法、创新影响内容三个方面，为发掘技术创新人才、助力企业或区域经济发展提供了重要的理论与实践参考。但已有研究在以下两个方面需要进一步深化：一是需要从校企合作伙伴选择的角度出发，通过对高校技术创新人才进行发掘，为企业提供最佳合作伙伴的选择策略；其次，已有研究较少对高校科研人员的“研发经验”这一指标进行定量计算，对高校技术创新人才实现更为细粒度的划分，为企业选择合作伙伴提供多维视角。因此，本文提出了一种高校技术创新人才探测方法，形成了对高校研发人员的研发经验和技术创新能力的度量指标，实现对高校科研人员中技术创新人才的识别，为企业选择高校科研人员开展合作研发提供决策参考。
二、高校技术创新人才探测模型构建
为了实现高校技术创新人才探测的目标，本文以专利数据为基础，结合专利计量、主题模型等相关方法和工具，构建高校技术创新人才探测模型，见图1。遵循数据挖掘过程中通用的收集、处理、分析和展示步骤，本文将所提模型划分为四个流程：①数据检索与预处理，②技术主题提取，③高校科研人员核心指标计算，④高校技术创新人才探测。其中，流程一是数据处理的过程，流程二和流程三是数据处理和分析的过程，流程四是数据展示的过程。
（一）流程一：数据检索与预处理
首先，选取特定企业，依据企业战略研发方向，确定寻求校企合作的技术领域；然后，围绕技术领域形成组配词，在数据库中进行专利检索，获取技术领域下特定企业专利数据和高校专利；进一步，对检索到的专利数据进行预处理，筛选特定企业和高校独立申请的专利，抽取专利申请人、专利发明人、专利标题和专利摘要，通过构建领域专业词典，应用R语言的jiebaR包进行分词、去停用词、TF*IDF的自然语言处理过程，最终获得实验语料集。
（二）流程二：技术主题提取
应用R语言中的LDA包对实验语料集进行技术主题提取，通过调整主题数目以及α和β两个隐含参数，借助LDAvis包的可视化结果实现最优主题数量的确定；确定最优主题数量后，LDA模型会输出每个技术主题下的相关技术语义词以及“专利—主题”概率矩阵，分别用于对技术主题内容进行总结凝练和后续核心指标的计算。需要说明的是，在概率矩阵中，每一列表示特定主题对专利的支持度，支持度越大，则表示专利与相应主题关联度越大。
（三）流程三：高校科研人员核心指标计算
技术创新人才探测的目的是解决企业在校企合作过程中遇到的“与谁合作”问题，因此，在探测过程中需要从内外两个角度进行考虑。对内是聚焦企业技术研发现状，根据企业在技术领域不同技术主题内的专利布局，划分技术研发重点主题和技术研发薄弱主题，从而制定校企合作策略，明确探测哪个技术方向中的高校科研人员。针对技术研发重点主题，企业可以通过与高校科研人员开展合作，实现“强上加强”，深化相关技术主题中的科技攻关，超前部署前沿技术研究，进一步强化企业的竞争优势；而针对技术薄弱主题，企业可以借助高校科研人员的智力支持，快速提升技术实力，节约研发成本，实现弯道超车。
在对内明确自身研发优势和劣势后，对外则需要对高校科研人员进行科学评价，探测高校科研人员中的技术创新人才。在对科研人员进行评价的过程中，技术创新能力能够反映科研人员具有开发自主知识产权、新技术、新产品能力，该指标已被应用于技术创新人才的识别中[22]。同时，技术团队的研发经验对企业绩效的正向显著性影响已得到有效验证[23]，所以，研发经验也应成为高校科研人员评价的重要指标。因此，本文在参考已有研究基础上，从“技术创新能力”和“研发经验”两个维度实现对技术创新人才的探测。其中技术创新能力的计算过程如下：
（1）高校科研人员所属技术领域识别。受技术复杂度、创新难度及自身科研精力的影响，高校科研人员较少能在一个技术领域的各个技术主题中同时发力，从而形成“一强多平”的技术研发能力圈。基于此，可以对高校科研人员进行技术方向的划分，将每一位科研人员划分到其专注的某个特定技术主题中，在技术主题的维度上，进行技术创新能力的评价。在具体实现过程中，由于一件专利可能会存在多个发明人，依据LDA模型提取的“专利—主题”概率矩阵，将其转换为“申请人—发明人—主题”概率矩阵，通过申请人的标识，避免发明人之间可能存在的同名现象。进一步，通过自编Java程序，对一个发明人多件专利中的各个主题支持度进行累加，依据发明人在不同技术主题中的支持度大小，选择主题支持度最大的技术主题，确定为高校科研人员所属技术主题。
（2）高校科研人员技术创新能力评价。在确定高校科研人员所属技术主题后，在技术主题维度层面对高校科研人员技术创新能力进行评价。其中，专利授权数量和专利被引证次数被广泛应用于科研人员技术创新能力评价过程中。但如果仅考虑专利授权数量和专利被引证次数，使用单一指标进行评价，在科学性和合理性方面都存在不足。2005年美国物理学家Hirsch提出评价科研人员科研成就的H指数[24]，兼顾了科研人员的成果数量和质量，被广泛应用于学科评估、人才评价等。但H指数对发文数量少而被引频次高的学者的评价结果缺乏科学性，如果直接应用到专利文献领域对科研人员进行评价也存在一定不足。因此，本文既考虑专利授权数量和质量，也考虑时间因素，融合专利授权数据和被引证次数两个指标，形成技术创新度（Technology Innovation Degree，TID）指标，能够探测到专利授权数量较少，但具备技术创新能力的科研人员。
（3）高校科研人员研发经验定量化描述。通过对研发经验进行定量化计算，使得企业在确定高校合作伙伴时，可以据此选择不同类型的科研人员。以科研人员的年龄作为研发经验的衡量指标固然可行，但是检索耗费时间成本较高。因此，本文提出“研发起始年”指标，以科研人员在技术领域内首次申请专利的时间进行表征，此种方式的优势在于：其一，指标易于量化统计，对高校科研人员在所属技术主题中的专利进行统计，进而对申请专利时间进行排序，从而确定首次专利申请年；其二，确定“研发起始年”，可以体现科研人员进入该技术领域的先后时间，从侧面反映科研人员在技术领域中的工作经历和研发经验。
（四）流程四：高校技术创新人才探测
通过对高校科研人员进行技术创新能力和研发经验的计算，可以形成“技术创新度”和“研发起始年”两个指标，据此构建“研发起始年—技术创新度”矩阵图，并依次计算技术主题下，所有高校科研人员技术创新度和研发起始年的第三四分位数，对高校科研人员类型进行细粒度划分。依据技术创新度的计算，将高于技术创新度第三四分位数的高校科研人员视为技术创新人才。进一步，对技术创新人才的研发起始年进行统计，低于研发起始年第三四分位数的，划分为“老成谋国型”技术创新人才，该类型技术创新人才的特征在于：较早在技术领域展开研发，积累丰硕成果，拥有较为广泛的资源，但通常身居要职或具有较高学术地位，合作成本较高，研发动力不足。而高于研发起始年第三四分位数的，划分为“年轻有为型”技术创新人才，该类型技术创新人才的特征在于：近期在技术领域开展研发，成果产出较少，但创新水平较高，通常为高校青年学者或新晋教授，合作成本较低，研发精力充沛，知识更新及时。通过上述分析，企业可结合自身技术研发战略、合作成本、技术复杂度等选择相应高校科研人员开展合作研究。
三、结果分析
（一）数据来源与处理
本文以Incopat数据库作为数据来源，当前，新型基础设施建设（新基建）是重点发展方向，而“人工智能”作为新型基础设施建设的重要领域之一，对推动我国产业数字转型、智能升级、融合创新具有重要意义，也成为当前我国企业技术研发的重点。因此，帮助企业探测高校技术创新人才，助力技术创新研发，对推动我国人工智能高质量发展具有重要意义。
本文将“人工智能”作为重点分析的技术领域，在数据检索过程中，专利来源选择为中国发明授权/实用新型专利，检索式设置为标题/摘要＝（“人工智能”or“智能系统”or“智能技术”or“智能机器人”or“深度学习”or“图像识别”or“机器视觉”or“专家系统”or“智能搜索”or“智能问答”or“机器学习”or“自然语言处理”or“智能推荐”or“智能推理”or“数据挖掘”or“人脸识别”），起止时间不限，申请人限定为“大学”，共检索到专利6448件，对权利有效的专利进行筛选，共获得4766件专利，其中发明授权专利3786件，实用新型专利980件，数据收集时间为2022年1月26日。
本文的模型实证场景为：平安科技（深圳）有限公司（以下简称“平安科技”）成立于2008年，是平安集团旗下科技解决方案专家，专注于金融服务、医疗健康、汽车服务、智慧城市的方案解决与技术支持，目前在“人工智能”领域授权专利81件。“平安科技”拟在“人工智能”领域与高校开展研发合作，针对人工智能基础理论、关键核心技术攻关等，结合高校技术创新人才的智力支持，提升为企业、政府等用户的服务能力。因此，本文将以“平安科技”为例，应用高校技术创新人才探测模型，为其选择高校合作伙伴开展研发合作提供指引支持。
（二）技术主题提取
将“平安科技”与高校专利数据进行合并，根据技术主题提取流程，当主题数目设置为10个，α＝0.1，β＝0.01时，基于LDAvis包的主题空间分布可视化结果，各个主题之间相对独立，交叉较小，表明主题数量最优。依据最优主题模型的输出结果，首先根据每个技术主题下的主题词分布，对技术主题内容进行总结凝练；进一步，依据主题支持度对“平安科技”的81件专利进行主题划分，实现对“平安科技”的专利布局进行统计，见表1。
通过对“平安科技”在“人工智能”领域的专利布局分析，可以识别出“平安科技”的技术研发重点主题和技术研发薄弱主题。针对技术研发重点主题，企业应该“强上加强”，通过构建严密高效的技术保护网，保持技术优势。通常，企业的技术研发重点主题，往往进入到技术研究的“深水区”，一方面需要从技术理论基础层面进行重构和创新，企业可以选择“老成谋国型”技术创新人才，依托其深厚的知识储备，实现学术界和产业界的智力融合，从而推动在科学基础理论中的创新研究；另一方面，企业也可以选择“年轻有为型”技术创新人才，充分发挥其技术创新潜力，针对技术主题前沿进行预判并开展深入探索，为企业技术边界的拓展提供动力支持。而针对企业的技术研发薄弱主题，则需要快速提升技术实力，防止被竞争对手遏制，在后续发展过程中被提起专利诉讼。因此，企业一方面可以选择与“老成谋国型”技术创新人才合作，通过直接转化相关科研人员已有的专利成果，快速实现专利布局积累；另一方面也可以选择“年轻有为型”技术创新人才，通过项目委托、联合研发的方式实现技术突破，帮助企业在技术研发薄弱主题中实现弯道超车，节约研发成本。分析表1发现，在主题1、主题2和主题10中，“平安科技”的专利授权量均超过10件，可视为“平安科技”的技术研发重点主题，其余7个技术主题中，“平安科技”的专利授权量均低于10件，可视为“平安科技”的技术研发薄弱主题。
四、高校技术创新人才探测模型评估
根据上述分析，在明晰“平安科技”技术研发重点主题和技术研发薄弱主题的基础上，本文通过构建“研发起始年—技术创新度”矩阵图，结合阈值划分，能够探测到高校科研人员中的“老成谋国型”和“年轻有为型”两种不同类型的技术创新人才，为“平安科技”选择高校科研人员开展合作研发提供了参考支持。为了进一步评估本文所提方法的科学性和合理性，通过构建“研发起始年—H指数”矩阵图，与相同主题的“研发起始年—技术创新度”矩阵图进行对比，综合考量两种方法在技术创新人才探测过程中的效果，见图2。
分析图2发现，通过研发起始年和H指数第三四分位数（2019，0）的划分，并没有探测到“年轻有为型”技术创新人才，而在“老成谋国型”技术创新人才的探测中，结合研发起始年和H指数，可探测到“华中科技大学—周洋”，其研发起始年为2007年，目前已授权专利2件，主要结合机器视觉进行实时检测的研发。
通过上述分析发现，与应用“研发起始年—H指数”矩阵图相比，应用“研发起始年—技术创新度”矩阵图进行高校技术创新人才探测具有以下优势：
（1）高校技术创新人才类型划分更为清晰。通过“研发起始年—H指数”矩阵图的分析，不能有效探测到“年轻有为型”技术创新人才，而应用“研发起始年—技术创新度”矩阵图，则能探测到一定数量的“年轻有为型”和“老成谋国型”技术创新人才。这是由于H指数对专利授权量少、无被引证次数的科研人员评价效果较差，而技术创新度则兼顾了专利授权量、专利被引证次数和专利申请时间，能够将新进的科研人员展示出来。而通过分析结果也能够发现，“年轻有为型”技术创新人才多为年轻教授，而“老成谋国型”技术创新人才多已身居学院要职，体现了应用“研发起始年—技术创新度”矩阵图，科研人员类型划分更为清晰，揭示内容更为全面，可以为企业提供更多元的高校科研人员选择结果。
（2）高校技术创新人才衡量指标更为科学。例如在主题2中，通过“研发起始年—H指数”矩阵图探测到的“老成谋国型”技术创新人才是“华中科技大学—周洋”，其授权专利是2件，而通过“研发起始年—技术创新度”矩阵图，则探测到的“老成谋国型”技术创新人才为“重庆邮电大学—王进”和“重庆邮电大学—胡峰”，分别授权专利10件和11件。因此，在统一使用研发起始年这一指标度量科研人员研发经验的前提下，应用技术创新度对高校科研人员进行评价，能进一步将技术创新人才区分出来，比应用H指数更为有效。
五、结语
本文提出了一种高校技术创新人才探测方法，提出了技术创新度和研发起始年两个指标，通过构建“研发起始年—技术创新度”矩阵图，探测了高校科研人员中的“老成谋国型”和“年轻有为型”技术创新人才，为企业选择高校科研人员开展合作研发提供了全景化的展示结果。此外，本文对以往技术创新人才识别研究进行了进一步创新性探索，对高校科研人员的研发经验进行了定量化描述，以首次专利申请年作为研发起始年，反映高校科研人员进入技术领域的先后时间，并进一步结合技术创新度指标，从授权量、被引证次数、申请时间三个维度度量科研人员的技术创新能力。最后，本文以“平安科技”为例进行了实证研究，结果表明，依托“研发起始年—技术创新度”矩阵图能清晰探测到“平安科技”在技术重点主题和技术薄弱主题中的技术创新人才，帮助“平安科技”解决了“与谁合作”的问题，为同类企业在“人工智能”领域寻求高校科研人员合作提供了参考指引。
需要说明的是，本文虽然提供了高校科研人员研发经验的定量化计算指标，用来展现科研人员进入该技术领域开展研发的时间，但对科研人员的年龄描述会存在失真的情况，会存在将部分年龄较大的科研人员划分为“年轻有为型”技术创新人才的可能。因此，进一步探索表征高校科研人员研发经验、实际年龄的定量化指标，真正实现年轻学者和年长教授的划分，保证高校图书馆知识产权服务的精准性，是我们下一步研究的重点。
参考文献：
[1]胡杨，李存，孙健，等.产学研合作创新的多维邻近性与科技人才培养——基于产学研合作优秀案例的分析[J].中国高校科技，2022（Z1）：104-108.
[2]苏林，胡涵清，庄启昕，等.基于LDA和SNA的我国科技创新政策文本计量分析——以科技成果转化政策为例[J].中国高校科技，2022（3）：37-43.
[3]冉从敬，宋凯，赵倩蓉，等.合作什么，去哪合作，与谁合作？——专利视角下的校企合作对象选择系统构建[J].图书馆坛，2020，40（8）：113-121.
[4]Estrada I，Faems D，Martin Cruz N，et al. The role of interpartner dissimilarities in industry university alliances：insights from a comparative case study[J].Research Policy，2016，45（10）：2008-2022.
[5]Howells J，Ramlogan R，Cheng S L. Innovation and university collaboration：paradox and complexity within the knowledge economy[J].Cambridge Journal of Economics，2012，36（3）：703-721.
[6]Wang F B，Liu P D，Wang P. An evaluation study of rural scientific and technological talents based on TODIM method with hybrid indicator[J1.Journal of intelligent & Fuzzy Systems，2021，40（6）：11717-11730.
[7]王萍.浙江省技术创新人才集聚力评价指标体系研究[J].宏观经济研究，2009（6）：45-49.
[8]赵宁，赵翀，翟凤勇，等.基于K-means聚类挖掘智能机器人领域技术创新人才[J].新世纪图书馆，2020（3）：49-56.
[9]杨忠，文庭孝.专利发明人影响力评价模型构建及实证研究——基于文献计量与社会网络分析双重视角[J].情报理论与实践，2018，41（9）：69-76＋62.
[10]George S，Lathabai H H，Prabhakaran T，et al. A framework for inventor collaboration recommendation system based on network approach[J].Expert Systems with Applications，2021，176：114833.
[11]冯岭，谢世博，刘斌.基于多层感知机的技术创新人才发现方法[J].计算机应用与软件，2019，36（7）：26-31＋42.
[12]赵宁，石磊，翟凤勇，等.基于专利信息评价和挖掘智能机器人领域技术创新人才——主成分分析法（PCA）的视角[J].科技管理研究，2019，39（17）：160-165.
[13]田瑞强，刘洢颖，姚长青，等.基于专利文献的创新科技人才识别研究[J].情报杂志，2018，37（8）：71-77.
[14]常缪缪，高继平，师丽娟.调和H指数视角下的技术创新人才识别方法与实证研究[J].中国科技论坛，2021（11）：104-112.
[15]冉从敬，宋凯，何梦婷，等.校企合作背景下高校前沿科研团队探测模型构建——以区块链技术领域为例[J].现代情报，2020，40（6）：46-54.
[16]Breitzman A，Thomas P. Inventor team size as a predictor of the future citation impact of patents[J].Scientometrics，2015，103（2）：631-647.
[17]Drivas K，Economidou C，Karamanis D，et al. Mobility of highly skilled individuals and local innovation activity[J].Technological Forecasting & Social Change，2020，158：120-144.
[18]穆林，许爱萍，俞会新.制药产业技术创新人才支撑体系问题及对策——以河北省为例[J].河北学刊，2014，34（2）：209-212.
[19]石金涛，吴治国.组织学习、知识管理与技术创新人才内生机制的关系研究[J].中国人力资源开发，2007（7）：11-16.
[20]孙玉涛，崔媛媛.明星发明人对团队创新产出的双面效应——一个石墨烯技术领域的实证分析[J].科学学与科学技术管理，2021，42（8）：167-180.
[21]蒋仁爱，张路路，石皓月.专利发明人合作对中国专利质量的影响研究[J].科学学研究，2020，38（7）：1215-1226.
[22]赵宁，石磊，翟凤勇，等.基于专利信息评价和挖掘智能机器人领域技术创新人才——主成分分析法（PCA）的视角[J].科技管理研究，2019，39（17）：160-165.
[23]谢佩洪，方鑫.创业团队经验对创业企业绩效的影响研究[J].技术经济与管理研究，2021（7）：20-24.
[24]Hirsch J E. An index to quantify an individual’s scientific research output[J].Proceedings of the National Academy of Sciences of the USA CPNAS，2005，102（46）：16569-16572.
作者简介：雷天锋，河南中医药大学图书馆，副研究馆员，硕士，主要研究方向为智慧图书馆。
