利用神经风险模型预测专利交易周期：来自韩国企业间技术交易的证据

技术交易已成为企业适应跨行业技术融合及市场环境快速变化的重要策略。预测技术交易时机对于企业的技术战略以及实现其知识产权（IP）价值最大化至关重要。然而，由于数据可获取性问题和建模复杂性，关于专利交易时机的研究仍然有限。在本研究中，我们利用来自韩国技术金融保证基金（KOTEC）的专利交易数据以及基于神经网络的生存分析方法 DeepSurv，开发了一种专利交易时机预测模型。结果表明，与随机生存森林（RSF）（Concordance Index：0.8842，Integrated Brier Score：0.0621）和 Cox Proportional Hazards model（CPH）（Concordance Index：0.8655，Integrated Brier Score：0.0836）相比，DeepSurv 表现出更优越的性能（Concordance Index：0.8946，Integrated Brier Score：0.0547），这证明了其捕捉专利数据中复杂非线性关系的能力。此外，利用 Shapley Additive Explanations（SHAP），我们发现国际专利分类（IPC）、技术生命周期（TCT）和权利要求数量被确定为预测交易时机的关键预测特征。本研究在以下几个方面对现有文献做出了贡献：(1) 这是首个应用基于神经网络的生存分析来预测专利交易周期的研究；(2) 它利用了真实的交易数据，而非依赖专利权转让记录；(3) 它为优化企业 IP 战略和制定激活技术市场的政策提供了可行的见解。这些结果可以帮助企业优化其 IP 组合管理，并有助于政策制定者培育更高效的技术市场。