企业专利原创性(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 [授权年份] — 企业发明专利首次获得授权所属的日历年度；无授权的公司年亦保留以标示研究面板时间
• 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)
• MeanBackwardTextSimilarity [专利后向文本相似度] — 参考李涛等（2026）和Kelly等（2021）的文本相似度方法，计算企业本体在该授权年度全部首次授权发明专利与各自授权前1825日全国可观测企业名称线索发明专利的余弦相似度之和，再取企业年度算术平均。文本采用标题摘要重建，双方使用较早授权日前历史文档频数的BIDF权重，不截断相似度。无量纲，越低表示文本更独特、原创性越高；无授权、目标缺文或向量无效、完整历史不足时缺失。均值及名称筛选为透明操作化，不是作者全文同值；受历史池规模、源覆盖和现行快照影响，不宜直接跨年比较。

常见问题

「企业专利原创性(TFBIDF法)」是什么数据集？

企业专利原创性(TFBIDF法)，隶属创新与知识产权。企业专利原创性反映企业技术成果相对于既有技术的独特程度。

该数据集的时间范围是？

覆盖 1986-2025 年。

包含哪些变量/指标？

共 12 个变量。核心指标包括：专利后向文本相似度。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 专利原创性反映技术成果相对于既有知识的独特程度。参考李涛等（2026）以及Kelly等（2021）的专利文本相似度方法，本数据集比较企业发明专利与此前技术文本的接近程度，再汇总为企业年度指标。与历史专利越相似，后向文本相似度越高，表示原创性越低。 1. 确定授权专利及技术文本 以全国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。公司口径仅计入上市公司本体，不将子公司、联营及合营主体自动并入；同一公司同一申请号只计一次，真实共同参与的上市公司分别归集。 参考池从全国首次授权发明中识别企业名称线索，包括中文企业组织称谓、英文公司称谓以及日文等境外企业称谓。同一首次授权日的记录合并中文及英文企业线索，境外补充称谓依据选定版本识别。名称规则用于近似企业参与身份，不等于严格法人分类；目标公司专利本身不必命中这组名称规则。 将标题与摘要合并，英文转小写，使用jieba分词及冻结的自然科学增补词库、停用词表。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、下划线与连字符。全部过滤后词项的并集构成特征空间，普通词频记为TF。参考文档缺摘要或分词后无词项时从可观测参考池排除，不将未知文本的相似度当作零。 2. 按历史信息计算词项权重 令d为一对专利中较早的授权日，Nd为d日之前全部可观测参考文档数，DFd(w)为其中包含词项w的文档数。后向逆文档频率为： $$ \operatorname{BIDF}d(w)=\ln\left(\frac{Nd}{1+\operatorname{DF}d(w)}\right). $$ 历史文档频数只使用严格早于d的文档，同日文档统一在当日计算结束后加入历史。它使用全部可观测历史，不仅使用后向五年窗口。对专利p和权重日期d，构造加权向量并归一化： $$ v{p,d}(w)=\operatorname{TF}p(w)\operatorname{BIDF}d(w),\qquad u{p,d}=\frac{v{p,d}}{\lVert v{p,d}\rVert2}. $$ 词频若先除以文档词数，该共同缩放在L2归一化时抵消。双方必须使用同一个较早日的BIDF；目标专利不能只计算一次静态向量后用于所有历史比较。无历史文档或任一所需向量范数为零时，相应目标不形成有效指标。 3. 计算专利后向文本相似度 设目标专利n的首次授权日为dn，历史专利m的首次授权日为dm。二者的余弦相似度以及目标专利的后向文本相似度定义为： $$ \rho{nm}=u{n,dm}^{\mathsf T}u{m,dm},\qquad BSn=\sum{m:\ dn-1825\le dm\lt dn}\rho{nm}. $$ 窗口为授权日前1825个自然日，包含左端点，排除目标当日的全部专利；不施加0.05等相似度截断。按历史授权日先将归一化参考向量求和，再与目标当日重新归一化的向量相乘，与逐对余弦求和严格等价。BS为无量纲相似度之和，不是取值限定在0到1的平均相似度。 4. 汇总企业年度指标 令Pit为企业i在授权年度t的全部首次授权发明集合，则唯一研究字段“专利后向文本相似度”为： $$ M{it}=\frac{1}{|P{it}|}\sum{n\in P{it}}BSn. $$ M越低表示技术文本相对于既有企业发明更独特，原创性越高。年度内任一目标缺少标题或摘要、必要向量无效、完整五年历史不足，或已知发明授权无法定位，则该公司年保留缺失；没有本体授权发明时也保留缺失，不解释为最高原创性。样本保留全部行业、板块和可得年度，专利年度上限随当前年减一更新。 补充说明 李涛等（2026）使用发明专利全文及其技术词典，公开材料未提供完整词典和文本构建程序。本数据集采用标题摘要、替代词库与词项并集重建，不声称作者逐件同值。公司年度BS算术均值是对专利层方法的扩展，并非该文直接规定的企业年指标；这里没有加入原文突破式专利识别所用的前向信息或阈值。 名称线索可能漏识企业或误纳其他主体；BIDF及相似度均基于可观测文本池，完整五年条件不代表历史语料总体完整。公司关系标签、现行专利文本快照不能保证还原全部历史法律主体及授权当时文本，早年归属缺源和近期公开滞后均会影响结果。BS总和还受历史参考池规模影响，不宜将跨年水平变化直接解释为原创性变化。 普通分发结果另提供剔除ST/PT及金融业的样本，并仅对该样本中的唯一研究字段按年作1%和99%缩尾；生产原始面板不作上述筛选或缩尾。 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。