本发明涉及一种关于专利的技术溢出效应(technicalspillovereffect)的分析方法，尤其地，涉及一种能够利用专利技术分类来对专利的技术溢出效应进行评价的方法。
背景技术：
：：通常，在不同的
技术领域：
：之间，通过持续的技术知识的交流所派生出的技术融合，是能克服断断续续的技术开发的局限性、且能提出可以导出创新技术和产品的方向性的一种手段。基于这种技术知识的交流会引起技术溢出效应。此时，技术溢出效应是指在特定
技术领域：
：中获得的技术可以影响其他领域的技术开发的效应。由此，技术溢出效应被认为是以新产品开发及提高生产活动的效率性等方式诱发其他领域激活的效应。因此，考察
技术领域：
：之间的技术知识流的水平，并由此，以综合性的观点分析技术溢出效应成为能够通过技术融合来确保研究开发的方向性的重要基础。另一方面，专利作为技术可靠度高的发明的产物，被认为可以代表技术创新及技术开发的趋势。这种专利在专利局以规定的方法进行技术分类，并且这种技术分类被认为具有相当高的可靠性。因此，通过对专利的技术分类信息的分析，可以掌握在各种技术分类单元中产生的技术知识的流动，进而，可以基于技术知识网络的构建来推定技术溢出效应水平。因此，很多用于分析技术溢出效应的研究大多采用通过专利信息构建技术知识网络，并对此进行分析的方法。然而，现有的技术溢出效应分析方法需要过多的进行定性评价的时间及精力，并且，利用专利技术分类分析的溢出效应分析方法存在个别专利具有的多个技术分类之间的关系模糊的问题。另外，利用专利申请信息和工业关联表(interindustryrelationstable)的溢出效应分析方法，由于不使用技术单元(technicalunit)而使用工业单元(industrialunit)上的接近法(approachmethod)，因此存在技术单元上的分析困难的问题。[现有技术文献][专利文献](专利文献1)kr1414502b技术实现要素：本发明要解决的技术问题为了解决如上所述的现有技术的问题，本发明提供了一种技术溢出效应分析方法，其能够更为准确地阐明个别专利所被赋予的多个技术分类之间的关系，并可以由此分析对于多个技术分类的技术溢出效应。另外，本发明提供一种技术溢出效应分析方法，其不仅考虑技术单元，还考虑工业单元。技术方案在包括中央处理装置、储存装置及储存器的常规个人计算机中，被处理的技术溢出效应分析方法，其包括：步骤a)：从由分类为预先设定的技术分类的多个专利组成的专利数据中，将包括两个以上的技术分类的专利作为对象来提取出共同技术分类信息；步骤b)：计算关于所获得的技术共同分类信息的各个技术分类的直接溢出度；步骤c)：利用上述直接溢出度来计算综合溢出度；步骤d)：将最小支持度设定为0.1％及0.05％，将最小可靠度设定为0.1％及0.05％，并将最小支持度0.1％及最小可靠度0.1％作为基准来设定第1专利组，将最小支持度0.05％及最小可靠度0.1％作为基准来设定第2专利组，将最小支持度0.1％及最小可靠度0.05％作为基准来设定第3专利组，将最小支持度0.05％及最小可靠度0.05％作为基准来设定第4专利组，从而给包括在各个专利组的专利数量进行分级(graded)；步骤e)：对各个上述第1专利组至第4专利组，适用分析影响度的第1模型、分析影响度及被影响度的第2模型、求得影响度与感应度系数的乘积的第3模型、影响度与感应度系数的乘积加上被影响度与影响力系数的乘积的第4模型、对上述第2模型的影响度及被影响度分别进行标准化并求和的第5模型、已标准化的影响度与感应度系数的乘积加上已标准化的被影响度与影响力系数的乘积的第6模型，从而分析上述最小支持度及最小可靠度对溢出力所产生的影响。上述步骤b)的直接溢出度是由通过如下数学式1计算的可靠度及通过如下数学式2计算的支持度来构成。数学式1数学式2上述步骤c)包括：使用如下数学式3，将上述直接溢出度变换成响应矩阵的过程；对于上述响应矩阵(responsematrix)；使用如下数学式4来求出原始数据矩阵(rawdatamatrix)的过程；将上述原始数据矩阵通过如下数学式5进行标准化的过程；及将已标准化的上述原始数据矩阵通过如下数学式6来处理，并求得综合溢出度矩阵(comprehensivespilloverextentmatrix)的过程。数学式3(其中，x：技术分类间响应矩阵；x：技术分类间响应矩阵的元素(element)；k：专利编号(patentnumber)；xij：技术分类i对技术分类j的影响大小)数学式4(其中，a：影响力比较矩阵；aij：技术分类i对技术分类j的影响大小；h：分析对象专利数量)数学式5(其中，a：原始数据矩阵；d：已标准化的原始数据矩阵)数学式6t＝[fij]＝(d+d2+d3+…+dm)＝d(i-d)-1(其中，i：单位矩阵；d：已标准化的原始数据矩阵；t：综合溢出度矩阵)上述影响度可以是上述综合溢出度矩阵的行的总和，上述被影响度可以是上述综合溢出度矩阵的列的总和。上述感应度系数及上述影响力系数可以由如下数学式7表示。数学式7(其中，rij为构成生产诱发系数表的元素；n为全部工业部门数)有益效果本发明的技术溢出效应分析方法通过利用多个专利技术分类之间的关系，可以准确地分析关于专利技术的技术溢出效应。另外，根据本发明的技术溢出效应分析方法，可以对技术分类进行技术溢出效应的等级化。另外，本发明的技术溢出效应分析方法不仅包括技术单元，还包括工业单元，并由此分析技术溢出效应。另外，本发明的技术溢出效应分析方法，去除几乎没有溢出效应的技术分类，故可迅速准确地分析出技术溢出效应。附图说明图1为示意性地表示获得本发明的技术溢出效应分析方法的步骤的图。图2为表示本发明的技术溢出效应分析方法中的共同技术分类的一例的图。图3为表示共同技术分类之间的技术知识流(technicalknowledgeflow)的一例的图。图4为表示在根据本发明的一实施例的技术溢出效应分析方法中获得直接溢出度的步骤的图。图5至图10分别为示意性地表示本发明的技术溢出效应分析方法的第1至第6模型的图。具体实施方式以下，将参考附图详细说明本发明的实施例，以使得本发明所属
技术领域：
：的技术人员能够容易地实现本发明的实施例。本发明可以以许多不同的方式来实现，而不限于这里所描述的实施例。为了清楚地描述本发明，在附图中省略了与描述无关的部分，并且在全部说明书中，将相同或相似的结构要素赋予了相同的参照标记。如图1中示意性地图示，本发明的技术溢出效应分析方法取得关于技术溢出效应分析对象专利的专利共同技术分类信息，从这些专利共同技术分类信息确认技术分类之间的直接溢出度(directspilloverextent)，并利用如此确认的技术分类间的直接溢出度，计算关于每个技术分类的技术溢出效应。此时，本发明的技术溢出效应分析方法能够基于从技术分类间的直接溢出度导出的间接溢出度，除了考虑包括直接溢出度和间接溢出度的技术溢出效应以外，还附加地考虑工业领域的溢出效应来计算技术溢出效应。以下，参照图2至图10详细说明关于导出直接溢出度的方法。为了导出直接溢出度，首先从专利数据中提取共同技术分类信息。在本发明中，包括多个专利的一个专利池(patentpool)被用作用于提取共同技术分类信息的专利数据。此时，包括在专利数据的多个专利优选为授权专利。并且，在本发明中，“共同技术分类”是指同时包括在一个专利的两个以上的技术分类。本发明的一实施例中，将2010年至2013年的韩国授权专利用作专利池。在图2及图3，利用包括专利p1至p5的任意专利数据来说明共同技术分类。此时，图2及图3中的技术分类由a至m表示。参照图2，专利p1至p5均包括多个技术分类，因此专利数据内的所有专利被解释为具有共同技术分类。并且，如图3所示，每个共同技术分类能够通过各个专利而具有相互关联性。在本发明中，技术分类间的关联性是指一个技术分类能够对其他技术分类产生溢出效应。如此，共同技术分类为包括在专利的两个以上的技术分类，因此，为了获得共同技术分类信息，需要收集包括在专利数据的专利所具有的关于技术分类的信息。另一方面，在本发明的一实施例中获得技术分类信息，该技术分类信息包括由技术分类信息中的部(section)-大类(maincategory)-小类(subcategory)分类方式表示的三层次的技术分类。即，本发明的一实施例，在常用的总共5个层次的技术分类中，只使用上位的三个层次。但是，对于本发明，所获得的技术分类信息不会只限定于3层次的技术分类信息，根据需求，可以利用更多或更少的层次的技术分类信息。如此，通过本发明的一实施例获得的技术分类信息作为一例，可由a01b、h01l、a61k等表示。为便于说明，下面将包括所有上述的3层次的技术分类的技术分类表示为小类分类表示方法。并且，本发明的一实施例将国际专利分类(internationalpatentclassification，ipc)用作这种技术分类。然而，对于本发明，所利用的技术分类不会只限定于国际专利分类，根据需求，可以利用通用产品代码(universalproductcode，upc)、f-term等各种技术分类。另一方面，当分析从包括在专利数据中的专利获得的共同技术分类信息的结果，一个专利至少赋予了两个技术分类时，则判断分配给专利的技术分类是否一致。本发明的一实施例中，技术分类是否一致是通过小类是否一致来判断。此时，当包括在一个专利的小类间存在相同的小类时，则可以将相同的小类整合为一个小类中。更确切地说，a01k、a01k、a01k及b03m作为专利p的小类存在时，小类a01k存在3个相同的小类，因此，本发明的一实施例中，专利p的小类判断为只存在a01k及b03m这两个小类。另外，本发明的一实施例中，将包括在一专利中的小类间的相同的小类进行整合后，将只剩一个小类的专利从专利数据中排除。这是因为只具有一个小类的专利是很难与其他技术分类具有关联性。其次，当完成提取共同技术分类信息时，导出所提取的共同技术分类信息之间的直接溢出度。直接溢出度是指技术分类间的直接溢出效应水平的程度。即，当技术分类间的直接溢出度高时，该技术分类相互具有高直接溢出效应，当技术分类间的直接溢出度低时，该技术分类具有低直接溢出效应。此时，本发明的一实施例中，直接溢出度包括支持度(supportlevel)和可靠度(confidencelevel)。在本发明中，支持度表示包括在专利中的技术分类是否还包括在其他专利中。此时，支持度表示该技术分类的实用性。即，该技术分类的支持度很低时，则可判断该技术分类包括在其他专利的几率很低，该技术分类的支持度高时，则可判断该技术分类包括在其他专利的几率很高。这种支持度是通过包括特定技术分类的专利数量与全部专利数据的专利数量的比率来计算的。由此，对于根据本发明的一实施例的特定技术分类的支持度，可以通过以下数学式1来获得。数学式1本发明的一实施例通过设定最小支持度(minsupport)的值，且只包括具有该值以上的支持度的技术分类。可靠度表示特定技术分类的对于其他技术分类的技术溢出度的程度。即，可靠度是指特定技术分类(例如a)与其他技术分类(例如b)的两个技术分类(例如a与b)之间的技术溢出度的确信性(confidence)。换句话说，两个技术分类之间的可靠度较高表示两个技术分类之间技术溢出度存在的确信程度很高。在本发明的一实施例中，这种可靠是通过包括相当于特定条件的技术分类的专利数量与同时包括关于特定条件的技术分类的专利数量的比率来计算的。在本发明的一实施例中，a技术对b技术的技术溢出度的可靠度是可以通过以下数学式2来获得。数学式2通过这种数学式2，可以评估a技术对b技术的技术溢出度的可靠性。并且，在本发明的一实施例中，通过设定最小可靠度(minconfidence)的值，可以仅利用具有该值以上的可靠度的技术分类来执行技术溢出效应分析。另一方面，关于技术溢出度的一例在以下表1所图示。表1此时，在表1中，条件技术分类是作为评估对象的技术分类，即相当于上述例中的a，结果技术分类是与条件技术分类形成共同技术分类的技术分类，即作为与条件技术分类进行关联度评估的技术分类，其相当于上述例中的b。即，表1中的条件技术分类a61q被评估为对结果技术分类a61k的技术溢出度相当于0.861。参考表1，支持度只表示各技术分类的出现频率，可靠度表示条件技术分类对结果技术分类的技术溢出度。因此，直接溢出度可以由如表1中所获得可靠度表示。接下来，将对综合溢出度的导出方法进行详细说明。直接溢出度为一对一的溢出度，其只表示两个
技术领域：
：之间的直接溢出度。然而，为了分析技术溢出效应，不仅要获得在两个
技术领域：
：之间存在的直接溢出度，还需要附加地获得通过其他领域受影响的溢出度。因此，基于从直接溢出度导出的间接溢出度，通过利用包括直接溢出度及间接溢出度的综合溢出度，能够更加准确地分析技术溢出效应。在本发明的一实施例中，综合溢出度是从直接溢出度派生出的。获得的直接溢出度可以由如上所述的可靠度来表示。首先，为了获得综合溢出度，将直接溢出度由以下数学式3表示并获得响应矩阵(responsematrix)。数学式3(其中，x：技术分类间响应矩阵；x：技术分类间响应矩阵的元素；k：专利编号；xij：技术分类i对技术分类j的影响大小)此时，专利编号(patentnumber)k为当需要分析的专利为许多个时，按照规定的标准赋予每个专利的序列。因此，可以从本发明中使用的包括多个专利的一个池中获得的分析对象专利中，获得所有响应矩阵。即，当分析对象专利为n个时，可以从上述的数学式1获得n个响应矩阵。接下来，通过以下数学式4，使用从全部分析对象专利中获得的全部n个响应矩阵来构建原始数据矩阵(rawdatamatrix，drm)。数学式4(其中，a：影响力比较矩阵；aij：技术分类i对技术分类j的影响大小；h：分析对象专利数量)此时，以下表2示出了原始数据矩阵的一例。表2在上述表2中，a12表示a01b对a01c的影响力的大小为0.1905。另一方面，a21表示a01c对a01b的影响力的大小为0.1683。此时，两个值之间存在差异的原因是因为由上述的数学式2表示的可靠度的分母值不同。并且，如上述表2所示，原始数据矩阵只具有直接溢出度信息，因此与自身的直接溢出度对应的对角线元素表示为0。接下来，将所获得的原始数据矩阵(drm)进行标准化(normalization)。具体而言，上述表2为例，a01b技术分类行表示a01b对其他技术分类a01b至a23b产生影响的直接溢出度。因此，对所有的a01b技术分类行进行合计时，可以获得a01b技术分类影响表2所示的技术分类全部(a01b至a23b)的直接溢出度。因此，对于所有技术分类行获得各自的影响技术分类全部的直接溢出度，并取得最大值，并且，以同样的方法，对于所有技术分类列获得各自的根据技术分类全部的直接溢出度，并获得最大值后，从两个值之中获得更大的值。此时，通过将全部矩阵除以两个值中的较大值，从而对原始数据矩阵进行标准化。即，可以通过以下数学式5，使原始数据矩阵标准化。数学式5(其中，a：原始数据矩阵；d：已标准化的原始数据矩阵)最后，使用已标准化的原始数据矩阵获得综合溢出度矩阵。原始数据矩阵为将两个技术分类之间的直接溢出度适用于从专利数据的分析对象专利中提取的全部技术分类的矩阵，因此，已标准化的原始数据矩阵只图示直接溢出度。因此，为了获得综合溢出度，有必要使用数学式6获得还包括间接关系的综合溢出度矩阵。数学式6t＝[tij]＝(d+d2+d3+…+dm)＝d(i-d)-1(其中，i：单位矩阵(unitmatrix)；d：已标准化的原始数据矩阵；t：综合溢出度矩阵)通过上述数学式6获得的综合溢出度矩阵反映了包括直接溢出度的综合性的技术的溢出度。即，综合溢出度矩阵的技术分类行的总和表示该技术分类影响全部技术分类的综合溢出度，综合溢出度矩阵的技术分类列的总和表示全部技术分类影响该技术分类的综合溢出度。总之，直接溢出度可以通过由数学式2表示的两个技术分类之间的可靠度来获得，本发明一实施例中分析的专利数据中存在的所有技术分类的直接溢出度可以通过原始数据矩阵反应。并且，综合溢出度可以通过由数学式6表示的综合溢出度矩阵来获得，其可以从直接溢出度通过数学计算而获得。本发明的技术溢出效应分析方法可以在上述的综合溢出度进一步附加工业分类等其他要素来进行考虑。由此，本发明的技术溢出效应分析方法可根据是否考虑这些要素而被区分为6种技术溢出效应分析模型。以下，对本发明的技术溢出效应分析方法分别进行详细说明。使用上述数学式6获得的综合溢出度矩阵的行的总和r与列的总和c可以通过数学式7来获得。此时，行的总和可以显示为一个技术分类对全部技术分类产生影响的影响度，列的总和可以表示为一个技术分类受到全部技术分类的影响的被影响度。数学式7(其中，tij为构成综合溢出度矩阵的元素)此时，影响度及被影响度为构成本发明的技术溢出效应分析方法的最为重要的要素。另一方面，为了获得直接关联度而提取的技术分类的支持度，也包括在本发明的技术溢出效应分析方法中。支持度及可靠度分别表示分析对象专利池中的技术分类的出现频率及两个技术分类的直接溢出度。当支持度及可靠度都较高时，可判断为技术分类的出现频率及直接溢出度都较高，当支持度及可靠度都较低时，可判断为技术分类的出现频率及直接溢出度都较低。因此，可以利用最小支持度及最小可靠度排除出现频率低或直接溢出度低的技术分类后，提取技术溢出效应。为此，在本发明的一实施例中，将最小支持度设定为0.1％及0.05％，将最小可靠度设定为0.1％及0.05％。此时，由0.1％的最小支持度、0.1％的最小可靠度构成的专利池定义为第1专利组；由0.05％的最小支持度、0.1％的最小可靠度构成的专利池定义为第2专利组；由0.1％的最小支持度、0.05％的最小可靠度构成的专利池定义为第3专利组；由0.05％的最小支持度、0.05％的最小可靠度构成的专利池定义为第4专利组来使用。首先，在本发明的技术溢出效应分析方法的6种模型中，对作为第1模型的只使用影响度的模型进行说明。综合溢出度中的影响度，如图5所示，其表示一个技术分类影响全部技术分类的溢出度。因此，通过获得对全部技术分类的每一个的影响度，确定每个技术分类影响全部技术分类的溢出度。通过上述数学式7获得的综合溢出度矩阵的行的总和r表示每个技术分类影响全部技术分类的溢出度，即影响度。以下，通过一例说明对于影响度的获得方法。首先，对于第1专利组的技术分类表示综合溢出度矩阵的一部分时，则如下表3所示。此时，表3表示根据本发明的一实施例，通过使用2010年至2013年的韩国授权专利作为专利池，并通过进行至上述数学式6为止的计算所获得的技术分类的综合溢出度矩阵的一部分。表3上述表3显示了综合溢出度矩阵中的a01b至a21d的10个技术分类的综合溢出度。此时，在表3中，每个数字表示行的技术分类影响列的技术分类的综合溢出度，由此，在表3中，a01b的影响度为行的总和，即由a01b至a21d的综合溢出度值的总和1.1588来表示。同样，上述的获得a01b技术分类行的总和的方法也可以适用于其他的a01c至a21d技术分类行，从而计算出a01c至a21d的技术分类的各自的影响度。然而，如下述表4所图示，第1及第4专利组的全部技术分类的数量分别为387、461、387、461个，因此，第1专利组中的行的总和是387个的技术分类的行的总和，而不是如上述表3所示的10个技术分类的行的总和。表4表4列出了对于每个专利组的影响度矩阵的信息。其中，影响度意味着由第1模型的分析结果表示的技术分类的溢出力(spilloverinfluence)。此时，在第1专利组的情况下，具有溢出力的技术分类的数量为387个，具有最低溢出力的技术分类的溢出力的值为10.77，具有最大溢出力的技术分类的溢出力的值为24.21。另外，各个技术分类的溢出力的平均值为19.38，标准偏差为1.80。在第2专利组的情况下，具有溢出力的技术分类的数量为461个，具有最低溢出力的技术分类的溢出力的值为8.93，具有最大溢出力的技术分类的溢出力的值为29.81。另外，各个技术分类的溢出力的平均值为26.06，标准偏差为1.95。在第3专利组的情况下，具有溢出力的技术分类的数量为387个，具有最低溢出力的技术分类的溢出力的值为16.00，具有最大溢出力的技术分类的溢出力的值为34.76。另外，各个技术分类的溢出力的平均值为29.26，标准偏差为2.69。在第4专利组的情况下，具有溢出力的技术分类的数量为461个，具有最低溢出力的技术分类的溢出力的值为16.14，具有最大溢出力的技术分类的溢出力的值为52.58。另外，各个技术分类的溢出力的平均值为48.45，标准偏差为3.46。参考表4，第1专利组及第3专利组包括相同的技术分类数量，第2专利组及第4专利组包括相同的技术分类数量。因此，可以判断出在作为专利组标准的最小支持度及最小可靠度中，最小支持度为用于设定技术分类的数量的标准。表5-1表5-2表5-3表5-4另一方面，表5-1至表5-4中，显示从将第1模型适用于每个专利组的结果中提取的10个相同技术分类，并列出结果值。此时，尽管每个专利组使用了相同的模型，但是可以确定，在相同的技术分类中出现相互不同的溢出力。因此，可以确定，作为分类专利组标准的最小支持度及最小可靠度均对技术溢出效应产生影响。接下来，说明本发明的技术溢出效应分析方法的第2模型，即使用影响度与被影响度之和的模型。综合溢出度中的被影响度，如图6所示，其表示一个技术分类从全部技术分类中获得的溢出度。因此，通过获得对全部技术分类的每一个的被影响度，可以确定各个技术分类从全部技术分类中获得的溢出度。另一方面，获得的被影响度矩阵与上述第1模型中获得的影响度矩阵的总和，表示技术分类与其他技术分类之间进行交换的溢出度的重要度(impact)。以下，通过一例说明重要度的获得方法。表6上述表6显示了综合溢出度矩阵中的a01b至a21d的10个技术分类的综合溢出度。此时，在表6中，每个数字表示行的技术分类对列的技术分类所产生影响的综合溢出度，由此，在表6中，a01b的被影响度为列的总和，即由a01b至a21d的综合溢出度值的总和的0.774来显示。相同地，对a01c至a21d的技术分类列，也使用上述的获得a01b技术分类列的总和的方法，则可以获得表3中的被影响度矩阵。因此，在上述的第1模型中获得的a01b的影响度1.1588与a01b的被影响度0.774的总和1.9328，成为a01b的重要度。然而，如下述表7图示，第1及第4专利组的全部技术分类的数量分别为387、461、387、461个，因此，第1专利组中的行的总和及列的总和是387个技术分类的行的总和及列的总和，而不是如上述表3所示的10个技术分类的行的总和及列的总和。表7表7列出了对于每个专利组的重要度矩阵的信息。其中，重要度意味着由第2模型的分析结果显示的技术分类的溢出力。此时，在第1专利组的情况下，具有溢出力的技术分类的数量为387个，具有最低溢出力的技术分类的溢出力的值为12.18，具有最大溢出力的技术分类的溢出力的值为249.00。另外，各个技术分类的溢出力的平均值为38.75，标准偏差为29.13。在第2专利组的情况下，具有溢出力的技术分类的数量为461个，具有最低溢出力的技术分类的溢出力的值为9.63，具有最大溢出力的技术分类的溢出力的值为380.10。另外，各个技术分类的溢出力的平均值为52.12，标准偏差为42.17。在第3专利组的情况下，具有溢出力的技术分类的数量为387个，具有最低溢出力的技术分类的溢出力的值为18.18，具有最大溢出力的技术分类的溢出力的值为374.01。另外，各个技术分类的溢出力的平均值为58.52，标准偏差为43.54。在第4专利组的情况下，具有溢出力的技术分类的数量为461个，具有最低溢出力的技术分类的溢出力的值为17.50，具有最大溢出力的技术分类的溢出力的值为704.60。另外，各个技术分类的溢出力的平均值为96.91，标准偏差为77.78。参考表7，第1专利组及第3专利组包括相同的技术分类数量，第2专利组及第4专利组包括相同的技术分类数量。因此，可以判断为在作为专利组标准的最小支持度及最小可靠度中，最小支持度为用于设定技术分类的数量的标准。表8-1表8-2表8-3表8-4另一方面，表8-1至表8-4中，显示从将第2模型适用于每个专利组的结果中提取的10个相同技术分类，并列出结果值。此时，尽管每个专利组使用了相同的模型，但是可以确定，在相同的技术分类中出现相互不同的溢出力。因此，可以确定，作为分类专利组标准的最小支持度及最小可靠度均对技术溢出效应产生影响。另一方面，不仅考虑
技术领域：
：，还考虑工业领域而获得的综合溢出度更为准确且有用。因此，通过工业关联分析获得能够确认工业溢出度(industrialspilloverextent)的参数，并将其用于分析综合溢出度时，则可以获得更准确、且更有用的技术溢出领域(technicalspilloverfield)分析模型。工业关联分析(interindustryanalysis)是基于工业关联表定量分析工业间相关联关系的方法。工业关联表为将一定期间内的工业间交易关系按照一定规则以矩阵的方式记录的统计表，其用作经济分析的实证工具(empiricaltool)。通过工业关联分析可以获得的两个参数分别由感应度系数及影响力系数来显示。感应度系数为当对所有工业部门的产品的最终需求产生一个单位时，表示作为某个工业所受到的影响的前向连锁效应(forwardlinkageeffect)程度的系数，其被定义为将生产诱发系数表的行的总和除于全部生产诱发系数的平均。另外，影响力系数为当对某个工业部门的产品的最终需求产生一个单位时，表示作为对所有工业部门所起的影响的后向连锁效应(backwardlinkageeffect)程度的系数，其被定义为将生产诱发系数表的列的总和除以全部生产诱发系数的平均。此时，感应度系数及影响力系数分别由以下数学式8来显示。数学式8(其中，rij为构成生产诱发系数表的元素；n为全部工业部门数量)此时，在本发明的一实施例中，将利用韩国银行提供的技术分类-403工业分类关联标准的工业关联表之一的生产诱发系数表，作为为了进行工业关联分析而使用的工业关联表。接下来，说明本发明的技术溢出效应分析方法的第3模型，即使用影响度与感应度系数的乘积的模型。如图7图示，影响度与感应度系数的乘积为，从图5获得的一个技术分类影响全部技术分类的溢出度乘以表示工业溢出度的感应度系数，从而同时包括技术溢出度与工业溢出度。以下，通过一例说明影响度与感应度系数的乘积的获得方法。首先，下述表9中，列出了用于获得关于第1专利组的技术分类的综合溢出度的因素的值的矩阵的一部分。表9技术分类影响度(r)感应度系数影响度x感应度系数g06q20.26455.2705106.8034c10c19.26073.417165.8164g08g20.77862.885459.9550c10l18.80072.255942.4123f17d20.40172.052341.8695b21b19.24901.902936.6292a23k21.93071.633935.8328h04m21.50301.337128.7523h04b20.00561.372527.4584a01k19.07281.402626.7516上述表9显示了根据第1专利组的技术分类中影响度与感应度系数的乘积大小获得的上位前10个技术分类的影响度、感应度系数、及影响度与感应度系数的乘积的大小。其中，影响度是在上述的第1模型中获得的，因此省略了对其的说明。另一方面，感应度系数可以使用上述数学式8来获得。总之，在表9中，技术分类g06q获得20.2645的影响度、5.2705的感应度系数。因此，在表9中，包括g06q的
技术领域：
：及工业领域的、影响度与感应度系数的乘积为106.8034。同样，对其他9个技术分类也适用求得上述的技术分类g06q的影响度与感应度系数的乘积的方法，则可以对每个技术分类获得影响度与感应度系数的乘积。然而，如下述表10图示，第1及第4专利组的全部技术分类的数量分别为387、461、387、461个，因此在第1专利组中可以获得总共387个影响度与感应度系数的乘积。表10分类技术分类数量最小值最大值平均标准偏差第1专利组3870.08106.804.809.09第2专利组4610.13135.476.0011.04第3专利组3870.12163.237.2513.78第4专利组4610.24256.1511.1720.66表10列出了关于每个专利组的影响度乘以感应度系数的数据的信息。其中，影响度与感应度系数的乘积意味着由第3模型的分析结果显示的技术分类的溢出力。此时，在第1专利组的情况下，具有溢出力的技术分类的数量为387个，具有最低溢出力的技术分类的溢出力的值为0.08，具有最大溢出力的技术分类的溢出力的值为106.80。另外，各个技术分类的溢出力的平均值为4.80，标准偏差为9.09。在第2专利组的情况下，具有溢出力的技术分类的数量为461个，具有最低溢出力的技术分类的溢出力的值为0.13，具有最大溢出力的技术分类的溢出力的值为135.47。另外，各个技术分类的溢出力的平均值为6.00，标准偏差为11.04。在第3专利组的情况下，具有溢出力的技术分类的数量为387个，具有最低溢出力的技术分类的溢出力的值为0.12，具有最大溢出力的技术分类的溢出力的值为165.23。另外，各个技术分类的溢出力的平均值为7.25，标准偏差为13.78。在第4专利组的情况下，具有溢出力的技术分类的数量为461个，具有最低溢出力的技术分类的溢出力的值为0.24，具有最大溢出力的技术分类的溢出力的值为256.15。另外，各个技术分类的溢出力的平均值为11.17，标准偏差为20.66。参考表10，第1专利组及第3专利组包括相同的技术分类数量，第2专利组及第4专利组包括相同的技术分类数量。因此，可以判断为在作为专利组标准的最小支持度及最小可靠度中，最小支持度为用于设定技术分类的数量的标准。表11-1表11-2表11-3表11-4另一方面，表11-1至表11-4从将第3模型适用于每个专利组的结果中提取10个相同技术分类，列出结果值。此时，尽管每个专利组使用了相同的模型，但是可以确定，在相同的技术分类中出现相互不同的影响度。因此，可以确定，作为分类专利组标准的最小支持度及最小可靠度均对技术溢出效应产生影响。接下来，使用本发明的技术溢出效应分析方法的第4模型来说明关于使用影响度与感应度系数的乘积和被影响度与影响力系数的乘积的总和的模型。如图8图示，影响度乘以感应度系数，被影响度乘以影响力系数，并由其之和来显示技术溢出效应。此时，第4模型可以成为同时利用技术溢出度与工业溢出度的分析模型。以下，通过一例来说明关于获得影响度乘以感应度系数的值与被影响度乘以影响力系数的值的总和的方法。首先，表12中，表示了用于获得关于第1专利组的技术分类的综合溢出度的因素的值的矩阵的一部分。表12上述表12显示了根据综合溢出度的大小获得的上位前10个技术分类的影响度、被影响度、感应度系数、影响力系数、影响度与感应度系数的乘积、被影响度与影响力系数的乘积，及影响度与感应度系数的乘积和被影响度与影响力系数的乘积的总和。其中，影响度从上述的第1模型中获得，被影响度从上述的第2模型中获得，并且感应度系数从上述的第3模型中获得，因此省略了对其的说明。另一方面，影响力系数可以使用上述数学式8来获得。此时，在表12中，技术分类g06q具有20.2645的影响度、63.4670的被影响度、5.2705的感应度系数、及2.8448的影响力系数。因此，在表12中，g06q的影响度与感应度系数的乘积为106.8034，被影响度与影响力系数的乘积为180.5510。利用其来导出影响力与感应度系数的乘积和被影响度与影响力系数的乘积的总和，则其值为287.3544。同样，对其他9个技术分类也适用上述技术分类g06q的求得影响度与感应度系数的乘积和被影响度与影响力系数的乘积的总和的方法，则可以对每个技术分类获得影响度与感应度系数的乘积和被影响度与影响力系数的乘积的总和。然而，如下述表13图示，第1及第4专利组的全部技术分类的数量分别为387、461、387、461个，因此在第1专利组中可以获得总共387个影响度与感应度系数的乘积和被影响度与影响力系数的乘积的总和。表13表13列出了关于每个专利组的影响度与感应度系数的乘积和被影响度与影响力系数的乘积的总和的矩阵的信息。其中，影响度与感应度系数的乘积和被影响度与影响力系数的乘积的总和意味着由第4模型的分析结果来显示的技术分类的溢出力。此时，在第1专利组的情况下，具有溢出力的技术分类的数量为387个，具有最低溢出力的技术分类的溢出力的值为0.09，具有最大溢出力的技术分类的溢出力的值为287.35。另外，各个技术分类的溢出力的平均值为10.05，标准偏差为21.21。在第2专利组的情况下，具有溢出力的技术分类的数量为461个，具有最低溢出力的技术分类的溢出力的值为0.14，具有最大溢出力的技术分类的溢出力的值为419.43。另外，各个技术分类的溢出力的平均值为13.03，标准偏差为28.86。在第3专利组的情况下，具有溢出力的技术分类的数量为387个，具有最低溢出力的技术分类的溢出力的值为0.13，具有最大溢出力的技术分类的溢出力的值为436.46。另外，各个技术分类的溢出力的平均值为15.16，标准偏差为32.00。在第4专利组的情况下，具有溢出力的技术分类的数量为461个，具有最低溢出力的技术分类的溢出力的值为0.26，具有最大溢出力的技术分类的溢出力的值为785.76。另外，各个技术分类的溢出力的平均值为24.20，标准偏差为53.64。参考表13，第1专利组及第3专利组包括相同的技术分类数量，第2专利组及第4专利组包括相同的技术分类数量。因此，可以判断为在作为专利组标准的最小支持度及最小可靠度中，最小支持度为用于设定技术分类的数量的标准。表14-1表14-2表14-3表14-4另一方面，表14-1至表14-4从将第4模型适用于每个专利组的结果中依次提取10个溢出力大的技术分类，列出结果值。此时，尽管每个专利组使用了相同的模型，但是可以确定，在相同的技术分类中出现相互不同的影响度，并且技术分类的顺序也相互不同。因此，可以确定，作为分类专利组标准的最小支持度及最小可靠度均对技术溢出效应产生影响。接下来，说明本发明的技术溢出效应分析方法的第5模型，即，利用分别进行了标准化的第2模型的影响度与被影响度的总和的值的模型。如图9图示，对构成图6中所获得的溢出度的重要度的影响度及被影响度分别进行标准化，并通过求和来获得第5模型。这是由于比较表4与表7的结果可知，被影响度的偏差相比于影响度的偏差非常大，因此会出现以相同权值(weights)进合算时，主要反映被影响度效应的问题。因此，为了解决上述问题，在计算重要度的过程中，将影响度及被影响度进行标准化后进行合算。此时，当使用最普通的标准化即z标准化时，影响度或被影响度可能获得负值。影响度或被影响度获得负值时，存在会判断为其溢出度低于溢出效应表示为0(零)的技术分类的问题。因此，本发明的一实施例由以下方式获得第5模型：即该方式为代替普通的标准化即z标准化，而是使用以下数学式9所显示的最小-最大标准化(minimum-maximumnormalization)方案来去除影响度和被影响度的偏差后，进行合算。数学式9此时，最小-最大标准化是以将最小值判断为0，最大值判断为1，其他值按照该比率来调整的形态来进行标准化。因此，存在不具有溢出力的技术分类及具有最小值的技术分类相同地被判断为0的可能性。因此，在本发明的一实施例中，具有最小值的技术分类被确定且实施标准化后，将具有最小值的技术分类的值被任意地设定为0.000001。以下，通过一例说明对于已标准化的重要度的获得方法。首先，表15中，列出了用于获得关于第1专利组的技术分类的综合溢出度的因素的值的矩阵的一部分。表15上述表15显示了根据综合溢出度的大小获得的上位前10个技术分类的影响度、被影响度、已标准化的影响度、已标准化的被影响度及已标准化的重要度。其中，影响度是从上述的第1模型中获得，被影响度是从上述的第2模型中获得，因此省略了对其的说明。另一方面，已标准化的影响度及已标准化的被影响度可以利用上述的数学式9来获得。此时，在表15中，技术分类a61k获得23.7872的影响度及200.4227的被影响度。当将其利用上述的数学式9进行标准化时，已标准化的影响度具有0.9689的值，已标准化的被影响度具有0.8736的值。因此，已标准化的影响度及已标准化的被影响度的总和，即已标准化的重要度具有1.8425的值。同样，对其他9个技术分类也适用求得上述的技术分类a61k的已标准化的重要度的方法，则可以获得对每个技术分类的已标准化的重要度。然而，如下述表16图示，第1及第4专利组的全部技术分类的数量分别为387、461、387、461个，因此在第1专利组中可以获得总共387个已标准化的重要度。表16表16列出了关于每个专利组的已标准化的影响度与已标准化的被影响度的总和，即已标准化的重要度矩阵的信息。其中，已标准化的影响度与已标准化的被影响度的总和，即已标准化的重要度意味着由第5模型的分析结果显示的技术分类的溢出力。此时，在第1专利组的情况下，具有溢出力的技术分类的数量为387个，具有最低溢出力的技术分类的溢出力的值为0.00，具有最大溢出力的技术分类的溢出力的值为1.84。另外，各个技术分类的溢出力的平均值为0.72，标准偏差为0.21。在第2专利组的情况下，具有溢出力的技术分类的数量为461个，具有最低溢出力的技术分类的溢出力的值为0.00，具有最大溢出力的技术分类的溢出力的值为1.85。另外，各个技术分类的溢出力的平均值为0.79，标准偏差为0.15。在第3专利组的情况下，具有溢出力的技术分类的数量为387个，具有最低溢出力的技术分类的溢出力的值为0.00，具有最大溢出力的技术分类的溢出力的值为1.83。另外，各个技术分类的溢出力的平均值为0.79，标准偏差为0.22。在第4专利组的情况下，具有溢出力的技术分类的数量为461个，具有最低溢出力的技术分类的溢出力的值为0.00，具有最大溢出力的技术分类的溢出力的值为1.88。另外，各个技术分类的溢出力的平均值为0.96，标准偏差为0.16。参考表16，第1专利组及第3专利组包括相同的技术分类数量，第2专利组及第4专利组包括相同的技术分类数量。因此，可以判断为在作为专利组标准的最小支持度及最小可靠度中，最小支持度为用于设定技术分类的数量的标准。表17-1表17-2表17-3表17-4另一方面，表17-1至表17-4从将第5模型适用于每个专利组的结果中依次提取10个溢出力大的技术分类，列出结果值。此时，尽管每个专利组使用了相同的模型，但是可以确定，在相同的技术分类中出现相互不同的影响度，并且技术分类的顺序也相互不同。因此，可以确定，作为分类专利组标准的最小支持度及最小可靠度均对技术溢出效应产生影响。最后，对本发明的技术溢出效应分析方法的第6模型，即使用已标准化的影响度与感应度系数的乘积和已标准化的被影响度与影响力系数的乘积的总和的模型进行说明。如图10图示，通过使用在图9中获得的已标准化的影响度与感应度系数的乘积和已标准化的被影响度与影响力系数的乘积的总和，可以成为同时适用技术溢出度及工业溢出度的分析模型。以下，通过一例来说明获得已标准化的影响度与感应度系数的乘积和已标准化的被影响度与影响力系数的乘积的总和的方法。首先，表18中，列出了用于获得关于第1专利组的技术分类的综合溢出度的因素的值的矩阵的一部分。表18上述表18显示了根据综合溢出度的大小获得的上位前10个技术分类的已标准化的影响度、已标准化的被影响度、感应度系数、影响力系数、及已标准化的影响度与感应度系数的乘积和已标准化的被影响度与影响力系数的乘积的总和。其中，感应度系数及影响力系数是从上述的第4模型获得，已标准化的影响度及已标准化的被影响度是从上述的第5模型中获得，因此省略对其的说明。此时，在表18中，技术分类g06q获得0.7068的已标准化的影响度及0.2729的已标准化的被影响度。并且，感应度系数为5.2705，影响力系数具有2.8448。因此，已标准化的影响度与感应度系数的乘积为3.7250，已标准化的被影响度与影响力系数的乘积为0.7764。因此，已标准化的影响度与感应度系数的乘积和已标准化的被影响度与影响力系数的乘积的总和显示为4.5015的值。同样，对其他9个技术分类也适用求得上述的技术分类a61k的已标准化的重要度的方法，则可以对每个技术分类获得已标准化的影响度与感应度系数的乘积和已标准化的被影响度与影响力系数的乘积的总和。然而，如下述表19图示，第1及第4专利组的全部技术分类的数量分别为387、461、387、461个，因此在第1专利组中可以获得总共387个已标准化的影响度与感应度系数的乘积和已标准化的被影响度与影响力系数的乘积的总和。表19表19列出了关于每个专利组的已标准化的影响度与感应度系数的乘积和已标准化的被影响度与影响力系数的乘积的总和的矩阵的信息。其中，已标准化的影响度与感应度系数的乘积和已标准化的被影响度与影响力系数的乘积的总和意味着以第6模型的分析结果显示的技术分类的溢出力。此时，在第1专利组的情况下，具有溢出力的技术分类的数量为387个，具有最低溢出力的技术分类的溢出力的值为0.00，具有最大溢出力的技术分类的溢出力的值为4.50。另外，各个技术分类的溢出力的平均值为0.18，标准偏差为0.36。在第2专利组的情况下，具有溢出力的技术分类的数量为461个，具有最低溢出力的技术分类的溢出力的值为0.00，具有最大溢出力的技术分类的溢出力的值为5.03。另外，各个技术分类的溢出力的平均值为0.21，标准偏差为0.39。在第3专利组的情况下，具有溢出力的技术分类的数量为387个，具有最低溢出力的技术分类的溢出力的值为0.00，具有最大溢出力的技术分类的溢出力的值为4.99。另外，各个技术分类的溢出力的平均值为0.20，标准偏差为0.39。在第4专利组的情况下，具有溢出力的技术分类的数量为461个，具有最低溢出力的技术分类的溢出力的值为0.00，具有最大溢出力的技术分类的溢出力的值为5.50。另外，各个技术分类的溢出力的平均值为0.22，标准偏差为0.42。参考表19，第1专利组及第3专利组包括相同的技术分类数量，第2专利组及第4专利组包括相同的技术分类数量。因此，可以判断为在作为专利组标准的最小支持度及最小可靠度中，最小支持度为用于设定技术分类的数量的标准。表20-1表20-2表20-3表20-4另一方面，表20-1至表20-4从将第6模型适用于每个专利组的结果中依次提取10个溢出力大的技术分类，列出结果值。此时，尽管每个专利组使用了相同的模型，但是可以确定，在相同的技术分类中出现相互不同的影响度，并且技术分类的顺序也相互不同。因此，可以确定，作为分类专利组标准的最小支持度及最小可靠度均对技术溢出效应产生影响。另一方面，根据本发明的一实施例的技术溢出效应分析方法中，参考表3至表20，在总共646个分析对象技术分类中，通过共同技术分类的提取，632个技术分类被考虑为分析对象，并且，在第1及第3专利组的情况下，只有387个技术分类显示为产生了溢出效应。另外，在第2及第4专利组的情况下，只有461个技术分类显示为产生了溢出效应。此时，被判断为没有产生溢出效应的259个及185个技术分类，被判断为未达到最小支持度的标准。即，上述的技术分类意味着：在第1及第3专利组的情况下，最小支持度小于0.1％，在第2及第4专利组的情况下，最小支持度小于0.05％。更加详细地，以第1及第3专利组为标准，在个别技术分类观点中，632个小类总共出现了520498次，其中被显示为没有具有溢出效应的259个小类出现了14072次，仅占全部的2.7％。因此，259个小类分别平均以0.01％出现，所以其可被判断为可忽略的数值。以上，关于本发明的技术溢出效应分析方法进行了说明。综上所述，本发明的技术溢出效应分析方法，首先提取共同技术分类，并利用共同技术分类获得直接溢出度。获得的直接溢出度可以用来表示该技术分类与特定技术分类之间的技术溢出效应。接着，利用获得的直接溢出度获得综合溢出度。此时，利用获得的综合溢出度的因素获得第1至第6模型。另一方面，本发明的技术溢出效应分析方法可以通过计算(computing)来实现。此时，技术溢出效应分析方法基于预先分析的数据分析由使用者输入的信息来输出技术溢出效应的等级。此时，由使用者输入的信息可以是专利数据，优选地，通过计算实现的技术溢出效应分析方法可以从专利数据获得技术分类，并通过与预先计算的技术分类的比较来获得等级。以上，对本发明的一实施例进行了说明，但是，本发明的思想不限于本说明书中提出的实施例。并且，在相同的思想范围内，理解本发明思想的技术人员可以通过结构要素的添加、修改、删除、补充等，容易地提出其他实施例，但其也属于本发明的思想范围内。工业实用性本发明是通过使用常规的个人计算机(personalcomputer)并利用多个专利技术分类之间的关系，轻易地确认关于专利技术的技术溢出效应，其具有工业实用性。当前第1页12当前第1页12