名师讲堂｜使用 R 语言测算上市公司技术专业化与技术多样化

指标背景与文献来源

技术专业化（Technological Specialization, TSP）和技术多样化（Technological Diversification, TDI）是刻画企业技术布局的两个重要维度。

王慧扬等（2025）在《知识搜索与科技领军企业关键核心技术突破》（《科学学研究》2025）中系统使用了这两个指标来研究科技领军企业的关键核心技术突破。

• 技术专业化（TSP）：衡量企业专利技术是否集中于少数技术类别。TSP 越高，说明企业的专利越集中在少数技术小类上，专业化程度越高。
• 技术多样化（TDI）：衡量企业专利在技术大类上的分布广度。TDI 越高，说明企业的专利分布越分散，多样化程度越高。

这两个指标均基于企业专利的 IPC（国际专利分类） 分类号进行计算。

数据说明

本文使用的数据为 1985~2024 年上市公司与专利数据匹配结果（含引用与被引用信息），原始数据约 271 万行、70 列，10GB+。

为了便于演示和加快计算速度，计算时以 2020 年 为例进行。如果你需要处理其他年份或全量数据，只需修改读取数据部分的代码即可。

数据字段主要包括：

变量名	说明
股票代码	上市公司股票代码
年份	专利申请年份
申请号	专利申请号
公开公告号	专利公开/公告号
IPC主分类	IPC 主分类号（如 G06F）

IPC 分类简介

IPC（International Patent Classification，国际专利分类）是世界知识产权组织（WIPO）制定的专利分类标准，将专利技术领域分为五个层级：

层级	说明	示例
部（Section）	8 个大部，用 A~H 表示	A、G、H
大类（Class）	部 + 2 位数字，共 3 位	G06、H04
小类（Subclass）	大类 + 1 位字母，共 4 位	G06F、H04L
大组（Main Group）	小类 + 1~3 位数字	G06F 1
小组（Subgroup）	大组 + “/“ + 数字	G06F 1/00

本文计算中使用：

• 技术多样化（TDI） → 基于 IPC 大类（前 3 位，如 G06）
• 技术专业化（TSP） → 基于 IPC 小类（前 4 位，如 G06F）

为什么这样区分？ 根据王慧扬等（2025）的研究设计，技术专业化关注企业在更细分的技术小类上是否集中（用变异系数衡量集中度），而技术多样化关注企业在更宏观的技术大类上的分布广度（用熵指数衡量多样性）。

计算方法

为什么用熵指数？ Shannon 熵是信息论中衡量不确定性的指标，值越大说明分布越均匀。用在技术多样化上，熵越大说明企业技术布局越分散、越多样化。

R 语言完整实现

下面我们对 计算技术专业化与多样化.R 脚本进行逐行解读，完整展示使用 R 语言计算 TSP 和 TDI 的流程。

第一部分：加载所需 R 包

# ============================================================
# 计算上市公司技术专业化(TSP)与技术多样化(TDI)
# ============================================================
# 参考：王慧扬, 刘建华, 赵玉冰.《知识搜索与科技领军企业关键核心技术突破》
#       科学学研究, 2025
# 数据：1985~2024年上市公司与专利数据匹配结果_含引用与被引用信息.csv
# ============================================================

# 加载所需包
library(tidyverse)
library(data.table)

代码解读：

1. tidyverse 是一个 R 语言包集合，包含了 dplyr（数据操作）、readr（数据读取）、stringr（字符串处理）等常用包，我们使用它来进行数据清洗和变换。
2. data.table 提供了 fread() 函数，可以快速读取大型 CSV 文件（支持 10GB+ 数据），比基础 R 的 read.csv() 快很多。

注意：如果你处理的是全量数据（1985~2024 年），建议使用 data.table::fread() 读取，并配合 dplyr 进行数据操作。

第二部分：读取数据

# 读取数据（2020年样本）
df_2020 <- read_csv("2020年上市公司与专利数据匹配结果.csv")

代码解读：

这里我们使用 readr::read_csv() 读取已经预处理好的 2020 年数据。

如果你需要处理全量数据，可以使用以下代码（取消注释即可）：

# 使用 data.table 的 fread 快速读取大数据
# df_raw <- fread("1985~2024年上市公司与专利数据匹配结果_含引用与被引用信息.csv",
#                 encoding = "UTF-8")

# 筛选 2020 年数据并选择所需变量
# df_2020 <- df_raw[年份 == 2020, .(股票代码, 年份, 申请号, 公开公告号, IPC主分类)]

# 保存为 CSV，方便后续使用
# df_2020 %>% write_csv("2020年上市公司与专利数据匹配结果.csv")

读取数据后，我们查看一下数据的维度：

# 查看数据维度
cat(sprintf("2020年数据维度: %d 行, %d 列\n", nrow(df_2020), ncol(df_2020)))

# 查看前几行
head(df_2020)

第三部分：数据去重

专利数据中存在同一专利被多次记录的情况（例如同一专利有多个公开公告号），需要按一定规则去重。去重分三步：

3.1 清洗公开公告号

# Step 1: 清洗公开公告号（去掉末尾字母）
# 公开公告号末尾常带有一位字母（如 CN1234567A），需将其去掉
df_2020 <- df_2020 %>%
  mutate(公开公告号_clean = str_remove(公开公告号, "[A-Z]$"))

# 查看清洗效果
table(str_sub(df_2020$公开公告号, -1), useNA = "ifany")[1:10]

代码解读：

• 公开公告号的格式通常为 CN1234567A 或 CN1234567B，末尾的字母表示专利公告的不同阶段
• 使用 stringr::str_remove(公开公告号, “[A-Z]$”) 去掉末尾的大写字母
• [A-Z]$ 是正则表达式，表示”末尾的一个大写字母”

3.2 按公开公告号去重

# Step 2: 按 股票代码 + 年份 + 公开公告号_clean 去重
df_2020 <- df_2020 %>%
  distinct(股票代码, 年份, 公开公告号_clean, .keep_all = TRUE)

cat(sprintf("按公开公告号去重后：%d 行\n", nrow(df_2020)))

代码解读：

• distinct(股票代码, 年份, 公开公告号_clean, .keep_all = TRUE) 会保留每个（股票代码、年份、公开公告号_clean）组合的第一行，并保留所有变量
• 这样可以去除同一专利的多个公开公告记录

3.3 按申请号去重

# Step 3: 按 股票代码 + 年份 + 申请号 去重
df_2020 <- df_2020 %>%
  distinct(股票代码, 年份, 申请号, .keep_all = TRUE)

cat(sprintf("按申请号去重后：%d 行\n", nrow(df_2020)))

代码解读：

• 进一步按「股票代码 + 年份 + 申请号」去重，确保同一专利申请只计算一次
• 经过这两步去重，我们获得了干净的企业-专利匹配数据

第四部分：提取 IPC 分类信息

此处代码需下载讲义材料查看～

代码解读：

• stringr::str_sub(IPC主分类, 1, 3) 提取 IPC主分类 的前 3 位字符，作为 IPC 大类
• stringr::str_sub(IPC主分类, 1, 4) 提取前 4 位字符，作为 IPC 小类
• 例如：IPC主分类 = “G06F 1/00” → IPC大类 = “G06”，IPC小类 = “G06F”

接下来，我们检查并处理 IPC 分类为 NA 的观测值：

# 检查 IPC主分类的 NA 值
na_count <- sum(is.na(df_2020$IPC主分类))
cat(sprintf("IPC主分类的NA值数量: %d (占比%.2f%%)\n",
            na_count, na_count/nrow(df_2020)*100))

# 移除 IPC 分类为 NA 的观测值（无法归入任何技术类别）
df_2020 <- df_2020 %>%
  filter(!is.na(IPC大类) & !is.na(IPC小类))

cat(sprintf("移除IPC为NA后的数据维度: %d 行, %d 列\n",
            nrow(df_2020), ncol(df_2020)))

代码解读：

• IPC 主分类为 NA 的专利无法归入任何技术类别，需要移除
• 根据我们的统计，这部分约占 10.46%

第五部分：计算技术专业化（TSP）

技术专业化的计算分为四个步骤：

5.1 计算每个企业在各技术小类的专利数量

此处代码需下载讲义材料查看～

代码解读：

• 按「股票代码 + IPC小类」分组，统计每家企业每个技术小类的专利数量
• 例如：企业 000001 在 G06F 小类有 10 件专利，在 H04L 小类有 5 件专利

5.2 计算每个企业的专利总数

# 计算每个企业的专利总数
firm_total_patents <- df_2020 %>%
  group_by(股票代码) %>%
  summarise(总专利数 = n(), .groups = "drop")

head(firm_total_patents)

代码解读：

• 按「股票代码」分组，统计每家企业 2020 年的专利总数
• 这个总数将用于计算各技术小类的专利占比

5.3 计算各技术小类专利占比

# 计算各技术小类专利占比
tech_small_ratio <- tech_small_class %>%
  inner_join(firm_total_patents, by = "股票代码") %>%
  mutate(专利占比 = 专利数 / 总专利数)

head(tech_small_ratio)

代码解读：

• 将 tech_small_class 和 firm_total_patents 按「股票代码」内连接
• 计算每个技术小类的专利占比：pij=NiNij
• 例如：企业总专利 100 件，其中 G06F 小类 30 件，则 G06F 的专利占比 = 0.3

5.4 计算变异系数（TSP）

此处代码需下载讲义材料查看～

代码解读：

1. 技术小类数量 = n()：统计每家企业有多少个技术小类
2. 技术小类占比均值 = mean(专利占比)：计算专利占比的均值
3. 技术小类占比标准差 = sd(专利占比)：计算专利占比的标准差
4. TSP = sd / mean：变异系数 = 标准差 / 均值
5. 边界情况处理：

第六部分：计算技术多样化（TDI）

技术多样化的计算分为三个步骤：

6.1 计算每个企业在各技术大类的专利数量

# 计算每个企业在各技术大类的专利数量
tech_large_class <- df_2020 %>%
  group_by(股票代码, IPC大类) %>%
  summarise(专利数 = n(), .groups = "drop")

head(tech_large_class)

代码解读：

• 按「股票代码 + IPC大类」分组，统计每家企业每个技术大类的专利数量
• 注意：这里用的是 IPC 大类（前 3 位），而不是小类

6.2 计算各技术大类专利占比

# 计算各技术大类专利占比
tech_large_ratio <- tech_large_class %>%
  inner_join(firm_total_patents, by = "股票代码") %>%
  mutate(专利占比 = 专利数 / 总专利数)

head(tech_large_ratio)

代码解读：

• 与计算 TSP 时类似，这里计算的是各技术大类的专利占比
• 例如：企业总专利 100 件，其中 G06 大类 40 件，H04 大类 30 件，则 G06 的专利占比 = 0.4

6.3 计算 Shannon 熵指数（TDI）

此处代码需下载讲义材料查看～

代码解读：

1. 技术大类数量 = n()：统计每家企业有多少个技术大类
2. TDI = -sum(专利占比 * log(专利占比))：计算 Shannon 熵指数
3. Shannon 熵的性质：

第七部分：合并结果并保存

# 合并 TSP 和 TDI 结果
result <- TSP %>%
  select(股票代码, 技术小类数量, TSP) %>%
  inner_join(select(TDI, 股票代码, 技术大类数量, TDI), by = "股票代码") %>%
  inner_join(firm_total_patents, by = "股票代码") %>%
  arrange(股票代码)

# 查看最终结果
cat("=== 最终结果概览 ===\n")
cat(sprintf("结果维度: %d 行, %d 列\n", nrow(result), ncol(result)))
head(result, 20)

代码解读：

1. 将 TSP 和 TDI 两个结果按「股票代码」内连接
2. 同时保留每家企业的总专利数
3. 按股票代码排序，便于查看

第八部分：结果分析与描述性统计

此处代码需下载讲义材料查看～

计算结果解读（基于 2020 年数据）：

变量	最小值	25% 分位数	中位数	均值	75% 分位数	最大值
TSP（技术专业化）	0.0000	0.4283	0.7071	0.8015	1.0700	2.8284
TDI（技术多样化）	0.0000	0.5623	1.1342	1.1234	1.5276	2.0794
总专利数	1	3	8	47.1	28	5,832

• TSP 中位数为 0.707，均值为 0.802，说明多数企业的技术布局有一定专业化倾向。
• TDI 中位数为 1.134，均值为 1.123，说明多数企业的技术多样化程度处于中等水平。

第九部分：保存结果

# 保存结果
output_file <- "技术专业化与多样化_2020年.csv"
fwrite(result, output_file, encoding = "UTF-8")
cat(sprintf("\n结果已保存至: %s\n", output_file))

代码解读：

• 使用 data.table::fwrite() 快速写入 CSV 文件
• 指定 encoding = “UTF-8”，确保中文字符正确保存

点击这里跳转到 RStata 短书平台获取附件：名师讲堂｜使用 R 语言测算上市公司技术专业化与技术多样化