Выявление технологической взаимодополняемости предприятий на основе анализа патентного массива

Технологическая взаимодополняемость (комплементарность) играет все более важную роль в принятии стратегических решений о том, с какими партнерами вести бизнес, а также для расширения разнообразия инновационной деятельности путем создания альянсов или слияний. Современные количественные измерения взаимодополняемости технологий в значительной степени основаны на исследованиях, основанных на патентных классификационных кодах. Однако этот подход игнорирует конкретные технологии в той или иной области и, следовательно, полученные результаты являются лишь общими указателями. Предлагается разработать подход к количественному измерению комплементарности технологий предприятий на основе статистического машинного анализа патентного массива. Целью исследования является разработка технологии кластеризации документов патетного ведомства США USPTO (United States Patent and Trademark Office) и выявления технологической взаимодополняемости предприятий на основе сравнения кластерной информации. Теоретическая ценность заключается в разработанных алгоритмах парсинга патентов; кластеризации патентного массива на основе метода hLDA (Hierarchical Latent Dirichlet Allocation, иерархическое латентное размещение Дирихле); формирования матрицы «Предприятия – Кластеры (Темы)»; визуализации связей предприятий в кластеризованном патентном пространстве. Практическая значимость работы заключается в разработанном программном приложении выявления технологической взаимодополняемости предприятий, эффективность работы которого была проверена на ряде тестовых примеров.

1. 1. Guo Y. Research on the Risk Prevention of Overseas M & A of Chinese Enterprises. Proc. of the 2022 7th International Conference on Financial Innovation and Economic Development. 2022. DOI: 10.2991/aebmr.k.220307.085.

2. 2. Purba N. S., Nooraeni R. Using LDA for Innovation Topic of Technology : Quantum Dots Patent Analysis. Proc. of the 1st International Conference on Statistics and Analytics. 2020;1. DOI: 10.4108/eai.2-8-2019.2290336.

3. 3. Li H., Tan R., Xu В., Huo J. Patent design around method based on AFD for umbrella-type patent strategy. Journal of Mechanical Engineering. 2016;52(5):1–11. DOI: 10.3901/JME.2016.05.001.

4. 4. Wang M.-Y. Exploring potential R&D collaborators with complementary technologies: the case of biosensors. Technological Forecasting and Social Change. 2012;79(5):862–874. DOI: 10.1016/j.techfore.2011.11.002.

5. 5. Wang X., Li R., Liu Y., Lei M. A Morphology-Driven Method for Measuring Technology Complementarity: Empirical Study Involving Alzheimer's Disease. Journal of Data and Information Science. 2022;7(3):20–48. DOI: 10.2478/jdis-2022-001.

6. 6. Borodin N., Korobkin D., Bezruchenko A., Fomenkov S. The search for R&D partners based on patent data. Journal of Physics Conference Series. 2021;2060(1):012022. DOI: 10.1088/1742-6596/2060/1/012022.

7. 7. Sun L., Xu W. Enterprise Complementarity Based on Patent Information. Wireless Communications and Mobile Computing. 2022;2022(6):1–7. DOI: 10.1155/2022/5797285.

8. 8. Wang Х., Qiao Y., Hou Y., Zhang S., Han X. Measuring Technology Complementarity Between Enterprises With an hLDA Topic Model. IEEE Transactions on Engineering Management. 2021;68(5):1309–1320. DOI: 10.1109/TEM.2019.2958113.

9. 9. Patents USPTO. United States Patent and Trademark Office. Доступно по: https://www.uspto.gov/patents (дата обращения: 07.11.2022).

10. 10. Korobkin D., Fomenkov S., Fomenkova M., Vayngolts I., Kravets A. The Software for Computation the Criteria-Based Assessments of the Morphological Features of Technical Systems. Cyber-Physical Systems. 2021;350:161–172. DOI: 10.1007/978-3-030-67892-0_14.

11. 11. Gibbs sampler for the Hierarchical Latent Dirichlet Allocation topic model. GitHub. Доступно по: https://github.com/joewandy/hlda (дата обращения: 07.11.2022).

12. 12. Natural Language Toolkit documentation. NLTK Project. Доступно по: https://www.nltk.org (дата обращения: 07.11.2022).