第一章 背景 1
第二章 改进专利申请预测的研究项目 9
1 引言 9
2 动机与任务描述 10
3 专利申请预测方法 11
3.1 EPO所用的和专家咨询组报告中讨论的方法 11
3.2 咨询组所建议的方法 13
4 研究方案设计 14
4.1 研究项目的框架 14
4.2 模块A——调查法 16
4.3 模块B——企业层面的专利申请量 17
4.4 模块C——行业和国家层面的专利申请量 18
4.5 模块D——专利传递模型 19
4.6 模块E——申请数据集的时间序列模型 20
5 数据需求和模块关联 20
6 进一步的建议 22
6.1 研究竞赛 22
6.2 研究会议 22
第三章 从理论到时间序列 23
1 引言 23
2 理论模型 23
3 时间序列回归方法 28
4 结论 33
第四章 时间序列预测专利的相对精确度分析：时空分解法的优势 34
1 引言 34
2 数据描述 36
3 预测方法综述 40
4 预测方法的运用 45
4.1 一元ARIMA模型（年度数据） 47
4.2 一元ARIMA模型（月度数据） 50
4.3 多元ARIMA模型（年度数据） 50
4.4 多元ARIMA模型（月度数据） 51
4.5 一元DLM模型（年度数据） 52
4.6 一元DLM模型（月度数据） 52
4.7 多元DLM模型（年度数据） 52
4.8 多元DLM模型（月度数据） 52
5 相对精确度分析 54
6 更长时间轴范围内的预测精确度 57
7 结论 60
第五章 向欧专局申请专利的驱动力：产业途径 62
1 引言 62
2 专利和经济因素的关联 63
3 实证分析结果 69
3.1 总体模型 71
3.2 国家模型 72
3.3 产业模型 77
4 结论 81
第六章 预测专利申请的时间序列法 83
1 引言 83
2 数据描述 85
3 模型描述 86
4 应用方法和诊断的描述 92
5 分析的结果 94
5.1 平稳性 94
5.2 预白噪声化和交叉相关 96
5.3 自回归分布滞后（ADL）法的结果 99
5.4 向量自回归（VAR）法获得的结果 104
6 结论 109
7 附录 111
第七章 向欧专局申请的国际专利：总体、产业和同族申请 113
1 引言 113
2 文献综述 115
3 方法论和数据集 118
3.1 概念性框架和方法论 118
3.2 数据来源 121
4 实证分析 122
4.1 案例1——总体申请（按申请模式划分） 122
4.2 案例2——产业申请（联合集群） 128
4.3 案例3——同族专利申请 133
5 结论 139
附录：技术注释 141
第八章 微观数据实现宏观结果 143
1 引言 143
2 随机抽样调查 145
2.1 数据库及其性能特征 146
2.2 描述统计 151
2.3 持续与非持续申请人 154
2.4 讨论 157
3 DTI记分牌与专利数据结合 159
3.1 数据 159
3.2 描述统计 162
3.3 相关性 165
3.4 讨论 167
4 结论 169
第九章 欧洲专利局对预测方法的改进 171
1 引言 171
2 现有方法 171
2.1 趋势分析 171
2.2 传递模型 172
2.3 申请人调查 174
2.4 联合集群层面的规划 175
2.5 年度预测实践 177
2.6 讨论 179
3 推荐的研究方案 181
3.1 改进专利申请预测的研究项目（迪特马尔·哈霍夫，第二章） 181
3.2 从理论到时间序列（彼得·欣利和沃尔特·帕克，第三章） 182
3.3 时间序列预测专利的相对精确度分析：时空分解法的优势（奈杰尔·米德，第四章） 182
3.4 向欧专局申请专利的驱动力：产业途径（克努特·布兰德，第五章） 185
3.5 预测专利申请的时间序列法（格哈德·迪克塔，第六章） 188
3.6 向欧专局申请的国际专利：总体，产业和同族申请（沃尔特·帕克，第七章） 191
3.7 微观数据实现宏观结果（赖尔·费希，第八章） 194
4 欧专局执行建议情况概述 199
5 预测的比较 206
6 欧专局预测的未来发展 209
7 结论 214
参考文献 218
译后记 229