[論文レビュー] Innovation with and without patents

Josef Taalbi|arXiv (Cornell University)|Oct 8, 2022

Innovation Policy and R&D被引用数 5

ひとこと要約

本研究は、1970年から2015年までの4,460件のスウェーデン発のイノベーションと13,561件の特許を照合したデータセットを用いて、特許化された発明と実際の商業化されたイノベーションとの重複度を分析している。特許データがイノベーション情報のわずか17％しか捉えていないことが判明し、情報損失は83％に達する。これは、特許に依存してイノベーションをモニタリングする際の限界を示しており、品質調整を行ったとしても同様の課題が残ることを示している。

ABSTRACT

A long-standing discussion is to what extent patents can be used to monitor trends in innovation activity. This study quantifies the amount and quality of information about actual innovation contained in the patent system, based on 4,460 Swedish innovations (1970-2015) that have been matched to international patents. The results show that most innovations were not patented and that among those that were, 43.9% of all innovations, only a fraction can be identified with patent quality data. The best-performing models identify 17% of all information about innovations, equivalent to an information loss of at least 83%. Econometric tests also show that the fraction of innovations responding to strengthened patent laws during the period were on average 8% percent. The overlap between the patent and innovation systems is hence more modest than often assumed. This accentuates the need to, alongside patents, develop versatile approaches in order to induce and monitor various aspects of innovation.

研究の動機と目的

• 特許制度が実際の商業化されたイノベーションをどの程度捉えているかを定量化し、イノベーション測定における重要な空白を埋めること。
• 特に戦略的・非商業的性質を有する多くの特許を踏まえ、特許をイノベーション活動の代理指標として用いる際の情報損失を評価すること。
• 特許の質を示す指標（例：出願回数）が、特許制度内に真正のイノベーションを特定するのにどの程度有効であるかを評価すること。
• 政策立案や経済分析において特許がイノベーションの動向を信頼できる指標として機能すると仮定する考えを疑問視すること。
• 特許ベースの指標にとどまらず、多様な情報源を組み合わせたイノベーションモニタリングのあり方を提言すること。

提案手法

• Google パテントを用いたマニュアルおよび機械学習支援によるサーチを通じて、LBIOデータベースに登録された4,460件の商業化イノベーションと13,561件の国際特許を照合したマッチドデータセットを構築した。
• イノベーションと特許の関連付けを情報伝達のノイズ混じりチャネルとして定式化し、特許への傾向（ρ）、再現率（α）、適合率（β）という3つの要因を導入。情報の捉え込み率はρ × α × βで表される。
• 予測の精度を高めるために、3ラウンドにわたる反復的プロセスを経て、ランダムフォレストおよびマルチレイヤーパーセプトロンを用いた機械学習を実施。特徴量を段階的に最適化した。
• 特許のタイトル、要約、明細書から得られるテキスト特徴量（キーワード数、頻度、ベクトル表現）およびイノベーション記録から得られる固有名称特徴量（発明者、連絡先）を統合。
• 正解データを手動で検証したペアを用いて、正答率、F1スコア、誤検出率（偽陽性）および誤検出率（偽陰性）を用いてモデルの性能を補正・評価。
• 特許の特徴量（例：独創性、画期的さ、出願回数）を主成分分析により分析し、高インパactsな特許に共通する構造的パターンを同定した。

実験結果

リサーチクエスチョン

• RQ1 1970年から2015年までのスウェーデンにおける実際の商業化イノベーションのうち、特許制度がどの程度の割合で捉えているか。
• RQ2 特許の質を示す指標（例：出願回数、独創性）は、特許データ内に真正のイノベーションを特定するのにどの程度効果を発揮するか。
• RQ3 イノベーションと特許のシステムとの重複度は、業界、時間的期間、特許庁ごとにどのように変化するか。
• RQ4 特許をイノベーションの代理指標として用いる際の情報損失はどの程度であり、品質調整付きの選別手法によってその損失はどのように変化するか。
• RQ5 機械学習モデルは、真正のイノベーションと特許の関連付けをどの程度効果的に特定できるか。また、その予測性能を左右する主な特徴量は何か。

主な発見

• 商業化されたイノベーションに関する情報のうち、特許制度が捉えているのはわずか17％であり、最小限の情報損失は83％に達する。
• 全イノベーションのうち43.9％が特許化されたが、そのうちの一部しか質の高いデータ（例：出願回数）を含んでおらず、イノベーションの監視に役立つとは限らない。
• 最も優れた機械学習モデルはF1スコア0.795を達成し、11,694件の潜在的イノベーション・特許ペアを同定したが、依然として真の関連付けの多くを見逃していた。
• 特許への傾向（イノベーションのうち特許出願された割合）は米国特許商標局（USPTO）および欧州特許庁（EPO）で最も高く、1990年から2000年頃にピークを記録したが、全業界で50％未満にとどまった。
• イノベーションと関連する特許は、関連しない特許よりも著しく多くの出願回数（平均3.96）を記録しており、出願回数データが一部の予測的価値を持つ可能性を示唆している。
• 主成分分析により、独創性、画期的さ、刷新性が、高インパクトなイノベーションに関連する特許を特徴付ける主要な特徴であることが判明した。