Earticle

초록

영어

This study proposes a novel patent indicator based on association rule learning to compensate for limitations of existing patent indicators. Existing indicators inherently suffer from several drawbacks, including time-lag effects, industry-specific bias, and the failure to capture qualitative characteristics. To overcome these, the analysis targets 2,710 registered domestic patents in IPC Section G (excluding unpublished periods) over the past five years, utilizing the hierarchical structure of IPC codes and the Apriori algorithm to identify inter-technology associations. The analysis yields the top 15 significant association rules, from which major sets of technology convergence clusters are derived. In particular, the study confirms the convergence of AI, medical information, and diagnostic technologies, the convergence of measurement and analysis technologies, and the combination of energy and data-processing technologies. Building on these results, this study introduces three new patent indicators: Technology Convergence Index (TCI), Technology Association Index (TAI), and Trend Matching Index(TMI). These indicators enable immediate computation at the time of patent registration, grounded in the objectivity of the technology classification system, thereby minimizing influences from filing strategies or citation practices. Consequently, they facilitate rapid detection of innovativeness in novel and emerging technologies, enable fair cross-industry comparisons, and quantify intentional strategic technology combinations. The proposed indicator framework holds practical utility for corporate innovation patent strategies and technology field innovativeness assessments, with potential for further refinement through expanded analytical scopes and deeper qualitative evaluations.

한국어

본 연구는 기존 특허지표의 한계를 보완하기 위해 연관규칙 학습을 기반으로 한 새로운 특허지표를 제시한다. 기존의 특허지표들은 시간 지연 문제, 산업별 편향성, 질적 특성 미반영 등의 한계를 내포하고 있다. 이 를 보완하기 위해 본 연구는 최근 5년간(미공개 구간 제외) 등록된 국내 G Section 특허 2,710건을 분석 대상으로 하여 IPC Code의 계층적 구조 와 Apriori 알고리즘을 활용하여 기술 간 연관성을 규명하였다. 분석 결과, 상위 15개의 유의미한 연관규칙을 추출하였으며, 이를 통 해 주요 기술 융합 집합을 도출하였다. 특히, AI, 의료정보, 진단 기술의 융합, 측정·분석 기술의 융합, 에너지·데이터 처리 기술의 결합 등을 확인하였다. 본 연구는 분석 결과를 기반으로 3가지의 새로운 특허지표 기술 융합 도 지수(TCI), 기술 연관성 지수(TAI), 동향 부합 지수(TMI)를 제안한다. 이들 지표는 특허등록 시점에 즉시 계산이 가능하며, 기술 분류체계의 객관성을 기반으로 하여 출원 전략이나 인용 관행의 영향을 최소화한다. 결과적으로 신규 기술과 신흥 분야의 혁신성을 신속하게 포착할 수 있으 며, 산업 간 공정한 비교평가를 가능하게 하며, 기술 간의 강력한 개연성 을 보이는 결합을 정량화할 수 있다. 본 연구의 지표 체계는 기업의 혁신 특허 전략 수립, 기술 분야 혁신성 평가 등 다양한 실무적 용도로 활용될 수 있으며, 향후 분석 범위 확대 및 정성적 평가의 심층화를 통해 고도화될 수 있을 것으로 기대된다.

목차

Ⅰ. 서론
1. 연구의 배경 및 목적
2. 연구 범위 및 방법론
Ⅱ. 이론적 배경
1. 주요 특허지표의 개념 및 한계
2. 선행 연구 및 차별점
3. 연구 방법론의 이론적 기초
Ⅲ. 연구의 설계 및 분석
1. 분석의 대상 및 범위
2. IPC Code 표준화
3. Apriori 알고리즘 적용
4. 분석 결과 및 함의
Ⅳ. IPC Code 기반 특허지표
1. 지표 설계 원리 및 지표 정의
2. 기존 지표와 비교 및 우위
Ⅴ. 결론
【 참고문헌 】
<국문초록>

키워드

저자

• 성현준 [ Hyeonjun SEONG | 경상국립대학교 지식재산융합학과 석사과정 ] 제1저자
• 이헌희 [ Heonhui LEE | 경상국립대학교 대학원 지식재산융합학과 부교수 / 법학박사 ] 교신저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  산업재산권 [Journal of Industrial Property]

• 간기

  계간

• pISSN

  1598-6055

• eISSN

  2733-9483

• 수록기간

  1995~2025

• 등재여부

  KCI 등재

• 십진분류

  KDC 367 DDC 346