企业专利突破性创新(TFBIDF法)

字段字典

• Symbol [股票代码] — 六位数字字符串股票代码
• StkName [证券简称] — 按年度匹配的证券简称；当年缺少记录时沿用共享资料的最新可得简称
• Year [年份] — 企业突破式创新专利累计存量的观察年度；按年末已首次授权的本体专利累计，专利质量使用必要前向信息，并非实时可得量
• Province [省份] — 公司注册地所在省份
• City [城市] — 公司注册地所在城市
• County [区县] — 公司注册地所在区县
• ProvinceCode [省份代码] — 公司注册地省份行政区划代码
• CityCode [城市代码] — 公司注册地城市行政区划代码(6位)
• CountyCode [区县代码] — 公司注册地区县行政区划代码(6位)
• IndustryName [行业名称] — 中上协行业分类名称(按年度动态匹配公司当年所属行业)
• IndustryCode [行业代码] — 中上协行业分类代码(如C26、J66,按年度动态匹配公司当年所属行业)
• BreakthroughPatentStock20 [累计突破式创新专利存量] — 参考李涛等（2026）和Kelly等（2021），以授权发明标题摘要重建文本，前向365日余弦和除以后向1825日余弦和得到质量比值，按授权年去均值后，在上市公司本体唯一申请的全时期残差分布中取前20%，含边界同分。逐年累计企业本体已首次授权的突破式创新专利件数，不扣失效；单位为件。无历史授权观察、累计专利任一评分无效或前向窗口不完整时缺失。标题摘要、替代词库和企业名称线索池不是作者全文同值；现行快照、早年缺源、共同归属及事后全时期阈值会影响解释。
• LnBreakthroughPatentStock20 [累计突破式创新专利存量对数] — 累计突破式创新专利存量加1后取自然对数，无量纲；源内可判存量为0时取0，存量缺失时仍缺失。参考李涛等（2026）的企业创新质量变换，基础存量按标题摘要重建、上市公司本体专利质量去年效应后全时期前20%识别；不是作者全文同值，受前向观察、历史源覆盖和阈值年度重建修订影响。

常见问题

「企业专利突破性创新(TFBIDF法)」是什么数据集？

企业专利突破性创新(TFBIDF法)，隶属创新与知识产权。企业突破式创新反映企业累积形成的独特且被后续技术广泛借鉴的技术成果。

该数据集的时间范围是？

覆盖 1986-2025 年。

包含哪些变量/指标？

共 13 个变量。核心指标包括：累计突破式创新专利存量、累计突破式创新专利存量对数。完整字段清单（变量名·中文名·说明）见页面「字段字典」。

数据频率和层级是怎样的？

频率为年度，上市公司层级。

样本量有多大？

约 96,487 条观测。

数据是如何测算/获取的？

测算方法 突破式创新体现技术成果相对于既有知识的独特性，以及其被后续技术借鉴的程度。参考李涛等（2026）和Kelly等（2021），本数据集以授权发明的前后向文本相似度衡量专利质量，消除授权年份对评分的平均影响，再识别质量分布靠前的专利，逐年累计为企业突破式创新存量。 1. 授权专利及技术文本 以全国原始发明授权文献为基础，按申请号合并同一发明，以B类或旧制C类文献的最早有效授权日确定首次授权日。企业口径仅计入上市公司本体，不自动并入子公司、联营及合营主体。相似度参考池通过中文、英文及境外企业组织称谓识别企业参与线索；名称规则是可观测企业池的近似，不等于严格法律主体分类。目标公司专利不必同时命中名称规则。 合并标题和摘要，英文转小写，使用jieba及冻结的自然科学增补词库、停用词表分词。保留至少两个字符的中文词或以字母开头的英文词，英文词可含数字、下划线及连字符；过滤后词项并集构成特征空间。参考文档缺摘要或无有效词项时排除，不将未知相似度记0。普通词频记为TF。 2. 成对历史权重及文本相似度 令d为一对专利中较早的首次授权日，Nd为严格早于d的全部可观测参考文档数，DFd(w)为其中包含词项w的文档数。两件专利共用同一日期的后向逆文档频率： $$ \operatorname{BIDF}d(w)=\ln\left(\frac{Nd}{1+\operatorname{DF}d(w)}\right). $$ 同日文档统一在当日评分完成后加入历史。历史频率使用全部此前可观测文档，并非仅使用后向五年。专利p的加权向量及L2归一向量为： $$ v{p,d}(w)=\operatorname{TF}p(w)\operatorname{BIDF}d(w),\qquad u{p,d}=v{p,d}/\lVert v{p,d}\rVert2. $$ 专利p和r的余弦相似度为： $$ \rho{pr}=u{p,d}^{\mathsf T}u{r,d},\qquad d=\min(dp,dr). $$ 双方必须使用成对较早授权日的共同权重，并各自重新归一化。每件专利按自身时点计算一次向量再做静态余弦不等价。普通词数先除以文档总词数的共同缩放在L2归一化时抵消；不使用次线性TF或相似度截断。 3. 专利质量比值与年度调整 以目标专利n的首次授权日dn为界，后向1825日和前向365日相似度总和分别为： $$ BSn=\sum{m:\ dn-1825\le dm\lt dn}\rho{nm},\qquad FSn=\sum{h:\ dn\lt dh\le dn+365}\rho{nh}. $$ 后向窗包含左端点，前向窗包含365日端点，同日授权全部排除。将同一权重日期下的归一参考向量先求和，再与目标归一向量点乘，与逐件余弦求和严格等价；求和向量不再次归一。质量评分为： $$ qn=\frac{FSn}{BSn}. $$ 完整后向历史、完整前向观察且BS大于0才形成有效比值。完整观察下FS为0时，q为0且参与排名；零向量或BS为0时不加任意平滑常数，而保留缺失。 李涛等（2026）先将专利评分对授权年固定效应回归，按残差排序。在仅包含授权年虚拟变量的模型中，这等价于减去同授权年度有效评分的算术平均： $$ en=qn-\overline q{t(n)}. $$ 估计与排名池均为上市公司本体可评分的唯一申请号集合。共同拥有的一件专利只在排名池出现一次，对实际关联的各上市公司分别归集。不是每个年份固定选取20%，也不在全国参考专利中直接取20%。 4. 突破识别及企业累计存量 将全部可评分授权年度的残差合并，采用线性插值80%分位数为阈值c，包含阈值边界同分： $$ Bn=\mathbf{1}\{en\ge c\},\qquad c=P{0.8}(e). $$ 含边界同分可能使实际入选比例高于20%；这是对未公开同分细节的明确操作化。令Pit为企业i截至年度t末已首次授权的本体专利集合，正式研究量为： $$ S{it}=\sum{n\in P{it}}Bn,\qquad L{it}=\ln(1+S{it}). $$ S为累计突破式创新专利存量，单位为件；L为其自然对数变换。主量按累计存量解释，不按专利到期扣减，不额外构造有效存续版本。没有当年新授权可以承接可判历史存量；源内可判专利均未入选时存量为0。没有观察到任何历史本体授权的公司年暂不补0，避免将早期缺源解释为真实零创新；任一累计专利评分未知或已知授权未定位时，该年度及后续必要年度保留缺失。 补充说明 李涛等（2026）使用发明授权全文及其技术词典，公开材料未提供完整词典和文本评分程序。本数据集采用标题摘要、替代词库及企业名称线索池重建，不能视为作者逐件同值复现。原文“保有”和“存量”、有效存续稳健性及作者面板趋势共同支持累计解释；但正文亦有未获授权年份赋0的表述，对已有历史存量但当年无新增的情形存在措辞歧义。附件未提供底层累计构造代码，本实现明确采用累计、不将历史存量清零，且无历史观察暂不补0。严格同日排除、线性分位数及边界同分均为公开不足处的冻结规则。 全行业、全板块及全部可得年度保留，生产保留ST/PT和金融业。年度上限随当前年减一更新，必要前向窗口例外另行处理：窗口尚未完整的新授权专利不参与排名，也不能作为零创新填入累计结果。未观察到新授权不等于真实从未授权；没有足够历史源的公司年保持缺失。 名称识别误漏、历史公司关系、现行文本快照及早年缺源影响可测范围。完整时间窗只表示观察长度满足条件，不证明全国语料完整。前向文本和全时期阈值均含事后信息，结果不宜解释为授权当时实时已知；新增年份或输入会修订全时期阈值及过去年度累计存量。普通分发另提供剔除ST/PT和金融业版本，以及该样本研究量按年1%/99%缩尾的版本；原始生产面板不筛选、不缩尾。 参考文献 [1]李涛,宋鸽,金星晔,王海军.专精特新政策与创新质量：基于发明专利文本的经验证据[J].世界经济,2026,49(4):36-67.DOI:10.19985/j.cnki.cassjwe.2026.04.005. [2]Kelly B,Papanikolaou D,Seru A,Taddy M.Measuring technological innovation over the long run[J].American Economic Review: Insights,2021,3(3):303-320.DOI:10.1257/aeri.20190499.

如何获取该数据集？

通过站内对应淘宝链接下单后，客服发放兑换码；在站内"兑换"页输入兑换码即可获得下载权益并下载。