Forecasting innovations:methods for predicting numbers of patent filings

　　第一章 背景
　　
　　第二章 改进专利申请预测的研究项目
　　 1 引言
　　 2 动机与任务描述
　　 3 专利申请预测方法
　　 3.1 EPO所用的和专家咨询组报告中讨论的方法
　　 3.2 咨询组所建议的方法
　　 4 研究方案设计
　　 4.1 研究项目的框架
　　 4.2 模块A——调查法
　　 4.3 模块B——企业层面的专利申请量
　　 4.4 模块C——行业和国家层面的专利申请量
　　 4.5 模块D——专利传递模型
　　 4.6 模块E——申请数据集的时间序列模型
　　 5 数据需求和模块关联
　　 6 进一步的建议
　　 6.1 研究竞赛
　　 6.2 研究会议
　　
　　第三章 从理论到时间序列
　　 1 引言
　　 2 理论模型
　　 3 时间序列回归方法
　　 4 结论
　　
　　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
　　 1 引言
　　 2 数据描述
　　 3 预测方法综述
　　 4 预测方法的运用
　　 4.1 一元ARIMA模型(年度数据)
　　 4.2 一元ARIMA模型(月度数据)
　　 4.3 多元ARIMA模型(年度数据)
　　 4.4 多元ARIMA模型(月度数据)
　　 4.5 一元DLM模型(年度数据)
　　 4.6 一元DLM模型(月度数据)
　　 4.7 多元DLM模型(年度数据)
　　 4.8 多元DLM模型(月度数据)
　　 5 相对精确度分析
　　 6 更长时间轴范围内的预测精确度
　　 7 结论
　　
　　第五章 向欧专局申请专利的驱动力：产业途径
　　 1 引言
　　 2 专利和经济因素的关联
　　 3 实证分析结果
　　 3.1 总体模型
　　 3.2 国家模型
　　 3.3 产业模型
　　 4 结论
　　
　　第六章 预测专利申请的时间序列法
　　 1 引言
　　 2 数据描述
　　 3 模型描述
　　 4 应用方法和诊断的描述
　　 5 分析的结果
　　 5.1 平稳性
　　 5.2 预白噪声化和交叉相关
　　 5.3 自回归分布滞后(ADL)法的结果
　　 5.4 向量自回归(VAR)法获得的结果
　　 6 结论
　　 7 附录
　　
　　第七章 向欧专局申请的国际专利：总体、产业和同族申请
　　 1 引言
　　 2 文献综述
　　 3 方法论和数据集
　　 3.1 概念性框架和方法论
　　 3.2 数据来源
　　 4 实证分析
　　 4.1 案例1——总体申请(按申请模式划分)
　　 4.2 案例2——产业申请(联合集群)
　　 4.3 案例3——同族专利申请
　　 5 结论
　　 附录：技术注释
　　
　　第八章 微观数据实现宏观结果
　　 1 引言
　　 2 随机抽样调查
　　 2.1 数据库及其性能特征
　　 2.2 描述统计
　　 2.3 持续与非持续申请人
　　 2.4 讨论
　　 3 DTl记分牌与专利数据结合
　　 3.1 数据
　　 3.2 描述统计
　　 3.3 相关性
　　 3.4 讨论
　　 4 结论
　　
　　第九章 欧洲专利局对预测方法的改进
　　 1 引言
　　 2 现有方法
　　 2.1 趋势分析
　　 2.2 传递模型
　　 2.3 申请人调查
　　 2.4 联合集群层面的规划
　　 2.5 年度预测实践
　　 2.6 讨论
　　 3 推荐的研究方案
　　 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)
　　 3.2 从理论到时间序列(彼得·欣利和沃尔特·帕克，第三章)
　　 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)
　　 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)
　　 3.5 预测专利申请的时间序列法(格哈德·迪克塔，第六章)
　　 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)
　　 3.7 微观数据实现宏观结果(赖尔·费希，第八章)
　　 4 欧专局执行建议情况概述
　　 5 预测的比较
　　 6 欧专局预测的未来发展
　　 7 结论
　　
　　参考文献
　　译后记