[天津大学 天津 300072]

近年来，国际上兴起了新一轮科技革命和产业变革的新浪潮，智能制造是此次变革最核心的部分，已经成为21世纪全球制造业的发展方向。加快智能制造的发展，对于推进制造业供给侧结构性改革，构建新型制造体系，抢占智能制造制高点具有重要意义。但由于智能制造有丰富而复杂的内涵，有关智能制造发展现状、热点和趋势的研究十分匮乏。国内学者对智能制造的发展研究多集中于一个领域，如对智能制造装备、智能制造技术、工业机器人、物联网等单一领域发展趋势进行研究[1～3]；也有一部分学者通过对各国政策的解读来研究智能制造的发展趋势[4]，近年来还有一部分学者尝试通过文献计量学的方式进行定量分析，但多从论文角度进行分析，大都是以CNKI或web of science数据库为数据源，对国内外智能制造领域的研究现状、主题及热点进行分析[5～6]。

从工业革命以来，任何一次产业的进步，其背后主要的动力来源是技术，智能制造的提出是技术创新累积到一定程度的必然结果。因此研究智能制造的现状和发展趋势是不够全面的。专利文献是技术创新成果的表现形式，它是具有经济和技术价值的战略性情报，代表了新技术的特征和起源，是研究技术创新和变革的丰富数据资源[7]。专利信息作为企业层面对当前某一技术领域的解读有很好的参考性。资料显示，北京、深圳和上海三个城市是智能制造领航城市，天津是我国制造业最为发达的区域之一，工业基础雄厚，在京津冀协同发展背景下，将以优化发展高端装备、电子信息等先进制造业为主。由此，本文开发专利信息库，从专利时间趋势、专利申请人合作情况、技术热点等方面，对北京、上海、深圳、天津四个城市智能制造关键领域的发展进行比较分析。研究结果不仅对智能制造领域的定量研究提供有力的理论依据，同时对提升我国各个城市智能制造的发展水平具有重要的指导意义。

一、智能制造核心技术领域的界定与数据获取

本文专利数据采用incoPat科技创新平台进行检索。由于智能制造包罗万象，这里采用专利分类号分析法界定企业视角下的智能制造，技术范围检索式为“FULL=（智能制造）OR FULL=（Intelligent Manufacturing）”，检索范围为“全文”，检索时间设定为：1997～2016年，检索得到与智能制造相关度较高的专利111134个。根据IPC分类号频次进行排序，得到G06F、G05B、H04L、G06Q、H01L、G06K、G01N、H04N、A61K、H02J、G01R、G01R、H04W、A61B、H04B、H05K、G11C、A61P、H04M、H05B、G08B等20个高频IPC分类号，共占总频次的77%，初步界定这20个高频IPC分类号代表智能制造的核心领域。

利用上述20个IPC分类号进行重新检索，检索时间设定为：1997～2016年，检索国家选择“中国”。根据地市专利申请数进行排名，结果显示北京、深圳和上海三个城市专利数量遥遥领先于其他地市，共占比高达我国专利总数的26.4%。将北京、上海、深圳和天津的专利申请经过筛选后建立专利申请数据集合，作为后续进行比较分析研究的对象。

二、智能制造关键领域专利申请的统计和分析

常常被用以表征专利的数据有两类，专利申请数据和授权数据。申请专利未必会得到授权，得到授权的专利权人有权追诉从申请到授权期间的曾经被侵犯的权利。因此，申请专利和授权专利数量的使用都有道理，为了尽可能宽泛地透视智能制造的相关技术的可能进步与创新，本研究采用专利申请数据。

（一）申请量分度分布

图1显示的是incoPat科技创新情报平台1997～2016年检索到的智能制造核心领域各年份的专利数量。从整体来看，2002年之前，四个城市在智能制造关键领域的专利申请数相差不大，增长缓慢；2003年以后，专利数量以不同幅度快速增长，各地逐渐拉开差距，深圳的发展速度超过其他三个城市，2011年后，北京增势迅猛，反超深圳。近年来，从专利申请数量来看，北京、深圳、上海、天津的排序已经维持了6年。深圳和北京在全国占据领先地位，天津不管从数量规模上还是增长趋势上与其他三个城市都存在不小的差距。

图1 申请量年度分布

（二）专利质量分析

专利通常分为发明专利、实用新型专利和外观设计专利三种类型，其中只有发明专利是经过实质审查的，审查程序比较严格，因此技术创新程度较高、质量最有保证、覆盖范围较广[8]，故用发明专利指标作为衡量专利质量的重要表征。

发明专利率=发明专利数量/所有专利数量

据统计，按照发明专利的审查流程，一件发明专利自申请提出至授权需要2～3年的时间，因此本文统计了四个城市的1997年～2012年的发明专利率如图2所示。从整体来看，2007年之前，深圳的发明专利率高于其他3个城市，2008之后，北京反超，2009年～2012年，四个城市的发明专利率都呈现下降状态，一定程度上表明我国这段时间内智能制造关键领域的技术创新程度有所下降。天津的发明专利率基本处于4个城市中的最低水平，且与其他城市相差较大，表明天津在智能制造关键领域技术创新程度较低。

图2 发明专利率年度分布

三、专利申请人的特征比较

（一）专利申请人类型分析

专利申请人的属性及其拥有的专利数量，代表一个地区或行业的技术实力分布和研究基础。按照专利申请人的类型，本文将智能制造关键领域的专利申请人分为企业、高校及科研院所、机关团体和个人四种。作为技术产业化的核心，一个地区企业持有专利技术的多少体现了该地区先进新技术产业化的基础[9]。从表1中可以看出：四个城市中的企业都是专利申请主力，深圳企业的专利申请量达90.3%，因而反映出深圳在智能制造核心领域具有较好的产业基础；高校及科研院所的申请比例，北京居首位，表明北京拥有数量众多的高校以及科研院所，为该地区的技术创新提供了强有力的基础保障，天津的院校贡献居第二位，上海居第三。值得注意的是，从深圳20年专利占比数据来看，如图3所示，深圳的院校的专利贡献明显的少，这与深圳高校数量少有关，但随着北大、清华、南开等高校和中科院、社科院等科研院所在在深圳成立研究院，深圳的院校贡献率已由1997年的0.68%上升到2013年的5.83%。从个人申请专利所占比例看出两个层级，天津、北京接近，且高于上海和深圳。

表1 专利申请人类型分布以及比例

图3 深圳院校专利占比年度分布

（二）专利申请人高产机构竞争分析

国际上大部分企业都是通过专利申请来保证自己的竞争优势，抢占市场，专利俨然成为一个机构对市场实现合法垄断、对技术实现控制的一种重要的手段。选取前10位专利申请人，如表2所示，占申请总机构数的0.24%，而前10个机构的专利数之和占研究样本总专利数的25.3%。可见在智能制造关键领域专利集中度很高，这些机构在智能制造关键技术领域有着较强的技术竞争力，已经形成了一定程度上的技术垄断。

表2 专利申请机构排名

从高产机构类型分布来看，前10名机构中有8家企业，占80%，表明在智能制造关键领域的技术具有很高的产业价值，企业是该领域中技术最主要的研发应用者；从高产机构地域分布来看，深圳有5个，北京有3个，上海有2个，其中深圳有4个机构排名前五，深圳的企业在智能制造关键领域的技术研发上明显具有雄厚的实力和强大的竞争力。

将前10名机构的专利数据按照时间顺序展开，如图4所示。从整体来看，华为、中兴和国家电网这3个机构专利数以及增长趋势相比其他机构有较大波动，清华大学和上海交大这两所高校增长趋势一致，剩余5家公司的增长趋势一致；从各机构的增长趋势来看，2001年后，华为专利数增速迅猛，迅速成为智能制造关键领域的领头军；中兴从2003年逐渐发力，呈不断增长趋势，国家电网从2012年开始发力，发展时间相对滞后，但增长势头较猛，其他7个机构，增速相对平缓；从出现峰值的时间来看，华为是2006年，中兴是2009年，国家电网是2014年，其他7个机构集中在2010年～2014年。说明华为率先成为智能制造关键领域的巨头企业，中兴次之，国家电网虽发展较慢，但也迅速在这一领域占有一席之地。

图4 前10名高产机构专利数量年度分布

（三）专利申请人合作网络

联合申请专利是一种常见的合作创新形式，根据专利信息中的申请人和发明人信息，识别出不同组织之间合作创新的轨迹[10]。申请人之间形成一种合作网络，是传递信息、知识和资源的一个渠道，可以实现知识流转和资源整合。因此对某个领域专利的申请人进行合作网络分析，有助于掌握不同机构的协同创新规律。本文选取4个城市专利申请各排名前50的专利申请人，运用gephi软件对专利申请人进行合作网络分析，得到他们合作关系网络的基本布局，如图5所示。本文对合作关系网络进行网络密度、模块化和连线厚度分析。网络密度反映的是网络的完整性，越接近于1，网络的可达性越好；模块化反映的是网络的群体数量以及其连接的紧密程度，模块化系数越高说明合作群体的组内连接越紧密，但不同合作群体之间的连线越少；连线厚度取决于两节点的合作频次，连线越厚，合作越频繁。

从网络密度来看，四个城市的网络完整度排序依次为上海0.104，北京为0.097，深圳为0.054，天津为0.010。分析网络模块化可知，北京的模块度系数为0.772，社区数量为5；深圳模块度系数为0.866，社区数量为9；上海模块度系数为0.695，社区数量为4；天津模块度系数为0.447，社区数量为6。可见，上海和北京跨单位或者跨机构合作较多，表明北京和上海在智能制造的关键领域技术限制程度低；而深圳和天津跨单位或者跨机构的合作比较少，主要是在相似性强的技术领域内形成合作网，表明技术领域存在孤立性。从连线厚度来看，衍生机构合作最为频繁，以国家电网、电力研究院、电力公司为代表的电力系统合作较为频繁，深圳的精密制造业合作也很频繁，其他机构虽有合作，但相比这三类机构来说，还比较梳离。

此外，通过关键连接点专利申请人的类型可以看出，除了与衍生机构之间的合作网络外，各个城市关键连接点都是以高校科研院为主，这也充分说明了高校科研院的技术辐射能力强，在技术网络中占据举足轻重的地位，反映出产学合作的必要性。

四、专利热点技术领域分析

智能制造包含多个技术领域，每个技术领域又有多个更小的技术子领域，不同技术的研发目标和重点各不相同。IPC分类号侧重功能分类，这为了解产业技术热点和不同技术竞争对象的研发方向提供了有效的途径[11]。统计4个城市前10位专利申请数量的IPC分类代码，得知前十位IPC分类代码专利申请数均占各城市专利总数的90%以上，说明这10个技术领域是我国智能制造关键领域的热点技术领域。但由于研发重点存在地域差异，因此不能简单地用专利数量进行横向和纵向的技术领域优势分析。本文利用各地区的专利雷达图来横向分析各地在不同技术领域的相对水平，如图6所示，采用技术领域优势指标[12]来纵向分析一城市相对于其他城市的优势技术领域，如表3所示。技术领域优势指标定义如下：

其中，Pij表示j个城市在i个技术领域的专利申请数。RTA可以反映一个地区在某一个特定技术领域的技术强度。如果RTA大于1，则代表该地区在这一技术领域的技术强度高，若小于1则代表技术强度相对疲软。

图5 专利数量排名前50的申请人合作网络

图6 前10个技术领域的雷达图

从图6可知，北京在G06F（电数字数据处理）、H04L（数字信息的传输）、G01N（分析材料）三个技术领域水平相对较高；深圳在H04L（数字信息的传输）、G06F（电数字数据处理）、H04W（无线通信网络）三个技术领域水平相对较高；上海在H01L（半导体器件）、G06F（电数字数据处理）、G01N（分析材料）、A61K（医用配制品）四个技术领域水平相对较高；而天津则在A61K（医用配制品）、A61P（化合物或药物制剂的特定治疗活性）、G01N（分析材料）三个技术领域水平相对较高。根据表3可知，相比其他城市，北京在G06F（电数字数据处理）、G01N（分析材料）、A61K（医用配制品）、A61P（化合物或药物制剂的特定治疗活性）四个领域具有技术优势，但数值不高，优势不明显；深圳有6个技术领域RTA值均高于1，说明深圳在多个领域具有技术优势；上海除了H01L（半导体器件）之外，各项RTA值差异不大，在1左右浮动，体现出上海在各个技术领域均衡发展，上海在半导体领域的技术优势最为明显；而天津在A61K（医用配制品）、A61P（化合物或药物制剂的特定治疗活性）两个领域RTA值达表中最高值，这说明天津的医药工业领域的智能制造具有一定的影响力，但在其他领域，尤其是无线通信网络领域与其他城市存在较明显的差别。

表3 前10个技术领域的RTA值

五、结论与建议

本文以我国四个城市1997年～2016年的专利信息为数据源，挖掘了四个城市智能制造关键领域的发展现状和差异，结果表明：

首先，在智能制造的关键领域，我国各城市的技术创新能力存在一定差别，北京、上海和深圳的专利数量和专利质量代表我国的较高水平，天津的技术创新能力还需要提升，才可能与前者比肩。

其次，北京和上海合作网络紧密程度高，深圳和天津合作网络紧密程度较低，表明深圳和天津存在技术领域存在孤立性，未突破技术领域的限制。四个城市的合作网络均以高校和科研院所为中心，表明了在技术合作中基础研究的重要地位，同时体现出产学研合作的重要性。

再次，大数据领域和无线通信领域是我国智能制造的两大关键领域，各城市都重视这两个领域的发展；与此同时，四个城市均有各自的优势技术领域，在特定的领域内具有一定的影响力。

根据上述结论，本文提出加快智能制造发展的三点建议：

第一，重视数量增长的同时，追求有质量的专利发展之路。专利数量的累积是支持企业灵活制定专利策略的筹码，但专利数量的累积对企业来说只是专利经营的第一步，专利质量更攸关企业专利权主张及商品化利益。应该完善专利政策体系，通过法律保护创新和研发的积极性，同时应当及时调整专利资助导向，进一步优化专利资助投入结构，资助重心向较高质量的发明专利和授权专利倾斜，在提高专利数量的同时追求有质量的专利发展之路。

第二，促进优势产业和区域创新发展。为弥补在其他领域的弱势，应重点发展区域内的优势产业，培育龙头企业，对相关技术进行整合并带动整个产业的发展，争取抢占更多的市场份额，同时也加强高校及科研院所相关实验室和研发基地建设，加强学科建设，为技术的创新发展提供基础保障。对于较为弱势的领域，应当避开弱势技术，选择尚未成熟但具有前景的技术领域进行突破，争取改变技术劣势。

第三，深化产学研合作，促进产业化发展。高校是我国智能制造领域发展的重要力量，为技术创新提供了有力的支撑。应建立政府引导、企业主导、高校配合、政产学研金一体化专利运作模式，实现区域内科研资源的流通和共享，加快科研成果转化，促进科技成果产业化发展。

[1] 傅建中. 智能制造装备的发展现状与趋势[J]. 机电工程, 2014(8): 959-962.

[2] 孙英飞, 罗爱华. 我国工业机器人发展研究[J]. 科学技术与工程, 2012(12): 2912-2918+3031.

[3] 胡向东. 物联网研究与发展综述[J]. 数字通信,2010(2): 17-21.

[4] 吕铁, 韩娜. 智能制造: 全球趋势与中国战略[J]. 人民论坛•学术前沿, 2015(11): 6-17.

[5] 王友发, 周献中. 国内外智能制造研究热点与发展趋势[J]. 中国科技论坛, 2016(4): 154-160.

[6] 赵程程, 杨萌. 国际智能制造演化路径及热点领域研究[J]. 现代情报, 2015(11): 101-105+113.

[7] CHOI C, PARK Y. Monitoring the organic structure of technology based on the patent development paths[J]. Technological Forecasting & Social Change, 2009, 76(6): 754-768.

[8] 李春燕, 石荣. 专利质量指标评价探索[J]. 现代情报,2008(2): 146-149.

[9] GOH B W, LI D. Internal Controls and Conditional Conservatism[J]. Social Science Electronic Publishing, 2011,86(3): 975-1005.

[10] 向希尧, 蔡虹, 裴云龙. 跨国专利合作网络中3种接近性的作用[J]. 管理科学, 2010(5): 43-52.

[11] LEE S, YOON B, PARK Y. An approach to discovering new technology opportunities: Keyword-based patent map approach[J]. Technovation, 2009, 29(6-7): 481-497.

[12] 官建成, 王刚波. 技术领域优势的国际比较研究[J].科学学研究, 2008(1): 90-97.