1988到2025，整整跨越了37年。如果把这37年间的上市公司物联网技术专利数据摊开来看，它记录的不只是一堆专利申请号和法律状态，更是一部物联网从实验室概念走向千行百业的中文产业史。我自己在梳理这份数据时，最感慨的不是某个企业的专利数量有多惊人，而是那些在某一时段密集出现的IPC分类号，以及它们在不同行业之间的迁移路径——从最初集中在通信和传感器领域，到后来大量渗入农业、医疗、物流、家居，甚至触摸屏控制器这类工业现场设备。这种扩散趋势，远比重读任何行业报告都来得直观。
这篇内容想分享的正是围绕这份专利数据展开的分析方法、挖掘思路和实操经验。无论你是做产业研究的分析师、正在准备毕业设计的本科生或研究生，还是想从专利视角评估上市公司技术实力的投资人，这套基于公开数据做深度加工的方法，应该都能给你一些参考。
1. 这份专利数据的真实价值与应用人群
1.1 为什么“上市公司”这个筛选条件如此关键
先说一个很多人容易忽略的点：专利数据库中其实有大量申请人并非上市公司。高校、科研院所、非上市企业、甚至个人发明人，都是专利的主要申请主体。但把分析对象限定为上市公司，背后有非常明确的分析动机。
上市公司的财务数据、年报、研发投入、主营业务构成全部强制公开，这意味着专利数据可以被“接”到经营数据上。举个例子，你在专利数据库里找到某家公司过去五年在物联网传感器领域申请了80项专利，单看这个数字很难判断它的含金量。但如果把这家公司的年报翻出来，发现它同期研发费用增长了两倍，而且新增的业务线恰好围绕智能农业传感设备展开，专利与业务之间的对应关系就清晰了。这种“技术布局—研发投入—业务收入”的三维验证，只有上市公司数据才能实现。
此外，上市公司受到的监管披露要求使得数据造假成本极高，专利数据的准确性更有保障。即使存在为了撑估值而申请“垃圾专利”的情况，你也可以通过专利的法律状态、相同技术族在海外布局情况、专利被引证次数等维度做二次筛选，把水分挤掉一部分。
1.2 谁能从中挖掘到真正的价值
先聊高校学生这个群体。每年物联网工程、电子信息、管理科学与工程等专业的毕业设计选题中，“基于某某技术的物联网系统设计”占了很大比例，比如热搜词里反复出现的“食用菌栽培车间物联网环境智能监控系统设计”。这类选题大多停留在传感数据采集、无线传输和上位机监控的技术实现层面，你能做，别人也能做，很难形成差异化。
但如果你换一个角度，把毕业设计定位在“技术趋势分析与产业应用研究”上，用专利数据回答“食用菌栽培物联网技术目前集中在哪些传感器类型”“环境监测专利的IPC分类号分布特征是什么”“国内在该领域的专利申请人格局如何”，整个课题的层次立刻就不一样了。导师看到的不再是一个功能演示，而是一个有数据支撑、有方法体系、有产业洞察的研究，而且不需要你真的搭建一套传感器硬件系统，数据获取门槛也低得多。
再看产业研究人员和投资分析师。他们对这份数据的诉求更直接：技术生命周期判断、竞争格局分析、技术路线变迁。专利数据能反映企业的技术布局方向，但需要结构化提取和统计加工之后才能变成可用的情报。比如你想知道过去十年智慧物流领域的技术热点的转移趋势，直接阅读论文效率极低，但通过专利分类号在不同年份的数量分布，就能看到从RFID标签到视觉识别、再到路径规划算法的演进脉络。
1.3 数据背后的“时间跨度”本身就是故事
1988到2025这个时间窗口值得单独拿出来分析。中国专利制度起步较晚，上世纪80年代末期专利申请量整体很低，物联网概念更是要到1999年前后才由麻省理工学院的Auto-ID中心正式提出。所以这份数据的前十年，严格意义上并不存在“物联网专利”，更多是RFID、传感器网络、条码识别等可以提供基础技术支撑的早期专利。
到了2010年前后，随着移动通信网络普及和智能终端爆发，物联网相关专利申请量迎来第一个显著爬坡。2015年到2019年间，政策驱动叠加窄带物联网（NB-IoT）标准的商用化，专利数量进入爆发期。2020到2025年则表现出另一个特征：单纯的连接类专利增速放缓，应用层的专利占比明显提高，智慧城市、智能家居、工业互联网成为专利布局的密集区。这37年的时间跨度，恰好覆盖了一个完整的技术萌芽期、成长期和成熟期的周期样本，对做技术生命周期分析来说是极好的素材。
2. 把原始专利数据变成分析底表的清洗逻辑
2.1 专利检索式的构造：决定数据边界的起点
拿到任何一个专利分析任务，第一步都不是打开数据表，而是先问自己一个问题：我到底想把哪些专利算作物联网技术专利？这个问题定义不清晰，后面所有统计都会失真。
常见的做法是使用IPC（国际专利分类号）组合关键词进行联合检索。IPC分类号方面，物联网技术的核心类别大致集中在以下几组：
| IPC分类号 | 含义 | 在物联网分析中的意义 |
|---|---|---|
| H04W | 无线通信网络 | 体现物联网连接层技术 |
| H04L | 数字信息传输 | 涉及物联网通信协议、数据交换 |
| G06F | 电数字数据处理 | 覆盖物联网平台、边缘计算节点 |
| G16Y | 专门适用于IoT的技术 | 物联网专属分类，2018年后出现 |
| G01D | 非电变量的测量 | 对应各类传感器技术 |
| G05B | 一般控制系统 | 对应物联网控制执行层 |
| A01G | 园艺、林业、栽培 | 农业物联网应用类专利 |
| H04N | 图像通信 | 对应视觉传感器、视频监控类物联网方案 |
但只看IPC分类号是不够的，因为很多物联网应用专利并不会规规矩矩地落在“物联网专属分类”里。比如一个智能水表专利，它可能被分入G01F（容积、流量测量），再分入H04W。所以更稳妥的检索式是“IPC分类号 + 关键词”叠加。关键词方面建议覆盖以下组别：
- 感知层：传感器、探测器、换能器、MEMS、温湿度检测、气体传感
- 网络层：物联网、无线传感网、ZigBee、LoRa、NB-IoT、蓝牙组网、自组网
- 平台层：云平台、数据中台、设备管理平台、规则引擎
- 应用层：智能家居、智慧城市、车联网、智能抄表、环境监测、智慧农业、工业物联网
我个人的实际操作是：先按上述关键词构造一个检索式跑出初筛结果，再结合IPC分类号做二次过滤，最后人工抽样500条记录检查准确率。如果误检率超过15%，就要调整检索式，通常问题出在“物联网”这个泛化概念上——它会把大量云计算、大数据专利也带进来，因为它们摘要中确实提到了物联网字样。所以建议在标题和摘要字段中的“物联网”关键词，全部限定为“IPC分类号属于H04/H04W/G05B/G01D等类别”，或者要求同时出现连接技术和感知技术相关词，而不是仅仅出现“物联网”三个字。
2.2 字段级加工：从专利申请到标准化结构化数据
原始专利数据导出后，一般包含公开号、申请号、申请日、公开日、优先权日、申请人、发明人、IPC分类号、摘要、法律状态等字段。要做成分析底表，至少需要完成以下几层加工。
第一层是申请人名称的清洗和归一化。同一个集团在不同年份、不同子公司申请的专利，申请人名称可能写得完全不一样。比如“美的集团股份有限公司”“美的集团智能家居科技有限公司”“广东美的制冷设备有限公司”，它们实际上是同一个实控体系下的申请人。如果不做归并处理，统计出来的企业排名会被严重高估或碎片化。我的建议是优先按“集团口径”归并，以最终控制关系为准，而不要只看字面名称。
第二层是时间变量的标准化。专利申请日反映的是技术研发完成时点，公开日反映的是信息可获取时点，优先权日反映的是最早申请时间。做趋势分析时建议优先使用“申请日”作为时间基准，因为它最接近企业的实际研发决策时点。做竞品监测时则要以“公开日”为准，因为公开日才是公众真正能“看到”该技术的日期。
第三层是技术分类维度的再编码。原始IPC分类号通常非常细，比如G01D 21/02这种小组级别，能精确到具体测量对象，这可能细过头了。在产业层面做分析时，推荐把IPC分类号切到“部—大类”（即前4到5位）这个粒度，或者根据你需要讲的故事，自行定义一套技术域映射表，把G01D、G01K、G01N归入“感知技术”，把H04W、H04L归入“连接技术”，把G06Q、G06F归入“平台与应用技术”。
2.3 法律状态字段：区分技术实力与纸面繁荣的关键
不少初学者拿到专利数据后，直接按申请量就做排名了。这个做法非常危险，因为专利数据库中充斥着大量已经失效、被驳回、未缴费终止的申请。一份已经被驳回的专利，除了说明它曾经被提出过之外，对评估企业技术实力几乎没有任何正向意义。
正确的做法是根据法律状态字段把专利集拆成几个子集：授权有效、授权后失效（未缴费或放弃）、审中、驳回/撤回。分析企业“技术存量”时，只用授权有效部分；分析“技术活动强度”时，用申请量；分析“技术质量控制”时，可以计算“授权率=授权量/申请量”作为衡量指标。我见过一个很典型的案例：某公司在智能家居领域年申请量排全行业前五，但授权率只有30%，大量专利申请因为创造性不足被驳回。相比之下，另一家公司申请量只有它的一半，但授权率超过80%，实质的技术控制力反而更强。如果只看申请量排名，就会得到完全相反的结论。
3. 从专利数据中能挖掘出的分析维度
3.1 技术趋势的主线：从“连接”到“智能”的跃迁
真正把时间序列拉开做统计时，最震撼的发现是物联网专利的技术重心发生了彻底迁移。
1990到2005年，专利集中围绕RFID标签天线设计、条码识别算法、传感器信号调理电路。这些专利有趣但量少，IPC分类号分布高度集中于G06K（数据识别）、H04B（传输系统）等类别，且绝大多数属于基础感知与底层无线通信领域。这个阶段的专利持有者，后来很多成了元器件供应商。
2006到2013年，专利数量开始明显上升，方向聚焦于无线传感网络的自组织协议、节点路由算法、能耗优化策略。这对应着物联网从“点对点通信”走向“多节点组网”的阶段。像ZigBee自组网、低功耗MAC协议、WSN定位算法，这一时期都涌现出大量专利。对提供核心协议栈和通信芯片的公司来说，这是最关键的卡位期。
2014年之后，专利向平台层和应用层大规模迁移，边缘计算、设备管理平台、数字孪生、AI视觉质检等方向的专利占比迅速提升。到2020年以后，只做感知或连接层面的专利已经不是竞争焦点，真正的争夺发生在“物联网+行业”的解决方案层面，比如智慧医疗设备协同、智能工厂的预测性维护、车路协同的感知融合。用专利数据画出这个轨迹之后，一个清晰的产业结论就浮现出来了：物联网的底层红利已经被瓜分完毕，新增机会集中在垂直行业的深度应用。这条主线，比任何宏观行业白皮书都更有说服力，因为它背后是成千上万个真实专利申请人用脚投票的结果。
3.2 竞争格局的视角：技术集中度与卡位者分析
把申请人维度投射到时间维度上，能得到很有意思的竞争格局图景。
早年专利主要掌握在设备制造商手里，因为物联网技术栈中硬件属性很强，传感器、通信模组、控制器天然就是硬件厂商的领地。2015年之后，软件平台公司、互联网公司、运营商、系统集成商纷纷入局，专利申请人构成变得极为复杂。这时候有必要计算行业技术集中度指标——某计算方式为排名前4或前8位申请人的专利量占全行业总专利量的比重，并观察该权重逐年变化趋势。
实际数据显示，在通信连接层，技术集中度一直很高，少数头部通信公司握有大量核心标准必要专利；但在智慧城市App、行业应用软件层面，长尾现象非常显著，大量分散的中小型企业各自占领细分缺口。对于做投资分析的人来说，这个集中度指标是判断赛道壁垒和投资标的选择的有效参照。连接层既然高度集中，新进入者的机会就在于特定场景的应用层创新，而不是重造通信协议这一层。
另外，技术生命周期曲线的绘制也值得尝试。可以用“专利申请量变化率”作为技术增长指标，用“申请人数量变化率”作为参与者扩张指标。当申请量高速增长而申请人数量停滞，往往意味着技术已经集中到少数玩家手中，市场进入存量竞争阶段；当两个指标同向上升，说明技术正在扩散，新进入者大量涌入。
3.3 找到值得关注的“矿脉”：分类号组合与技术融合分析
单看某一个IPC分类号是看不出融合趋势的，真正有情报价值的是分类号之间的共存关系。一份专利可以同时拥有多个IPC分类号，当两个或多个分类号高频出现在同族专利中，说明它们之间存在技术融合。
例如，当A01G（农业栽培）与H04W（无线通信）频繁出现在同一份专利的分类号列表中，耐人寻味的信号出现了——智慧农业正在把种植管理与远程无线控制深度绑定。当G16H（医疗信息化）与G06T（图像处理）频繁共现，对应的则是医疗物联网中的视觉识别技术正在快速成熟。
我的建议是：挑出基础专利集合后，对所有专利的IPC分类号做共现统计，得到一张分类号共现矩阵，然后重点分析那些跨大类共现的高频组合。这种跨技术域融合信号，往往是判断行业技术瓶颈和突破方向的最有价值线索。单纯数某个分类号的数量，只能回答“多不多”，分类号共现分析才能回答“跟什么相关”，两者的信息量完全是两个量级。
4. 数据落地分析时的环境准备与工具链
4.1 数据库选型：公开库与付费库的取舍
做专利数据检索，最常见的公开渠道是中国专利公布公告系统（CNIPA官方渠道）和各类第三方专利检索平台。前者数据权威性高、更新及时，但批量导出能力较弱，交互方式也偏学术派；后者数据加工工更好，能直接导出Excel，适合批量处理。付费数据库在企业分析、专利诉讼、尽职调查中常用，能提供同族信息、法律状态变更记录、引证关系等深度数据，但如果只是做行业趋势研究，成本回报未必划算。
一个折中方案是先用公开库做初步检索和统计，确定研究范围和技术分类框架，需要精细分析时，再把关键申请人名单放到付费库里做专项下载。这能有效控制预算，也不影响分析质量。另外提醒一句，无论用什么库，自己一定要随机抽查原始著录项，因为专利公开数据库中偶尔会出现公告号重复、申请号格式不统一这类数据瑕疵，不抽查就拿着直接跑统计，很可能被个别脏数据干扰结论。
4.2 清洗与分析的操作路径参考
专利数据落地到本地之后，我通常用Python做清洗和特征加工。这里给出一个可参照的操作路径。
先用Pandas读入原始数据，做字段筛选和缺失值检查。需要特别注意的是“申请日”字段格式，不同来源导出时可能是“YYYYMMDD”“YYYY-MM-DD”“YYYY年MM月DD日”三种格式并存，直接用字符串处理容易出错，建议统一转换为datetime类型。
接着做申请人归一化。我习惯建一个集团对照表，把同一实控体系下的企业名称归并到同一个标准名。上市公司体系下尤其要关注“母公司名称”“母公司简称”“核心子公司名称”三种写法，因为同一家集团在不同年份会以不同法律主体申请专利。归一化这一步是纯手工工作，看起来不起眼，却决定了后面企业排名的准确性。
再做技术分类映射。把原始IPC分类号按“大类”和“技术域”两级映射，建立一张映射关系表。映射表建议做成配置文件的方式存一份，方便后续调整分类口径。比如你想把G16Y单独拉出来看，或者想把G05B并入控制技术类，只需要改映射表，不需要重新处理原始数据。
最后输出一张标准化底表：每一行是一份专利，关键字段包括标准申请人、申请年、公开号、技术域、大类、法律状态等，后面所有统计分析和可视化都在这张底表上操作。
4.3 可视化时最容易踩的坑
技术趋势图、气泡气泡矩阵、分类号共现热力图是专利分析中使用频率最高的三种可视化形式。做趋势图的时候，请务必区分申请年线和公开年线，两者形状完全不同。申请年线较早且平滑，公开年线滞后半年到一年且受审查周期影响明显。如果混用，会得出错误的技术爆发时间点。
做气泡图矩阵时，横轴放技术域或申请人类别、纵轴放年份，气泡大小代表专利数量，这种形式比较适合呈现多变量信息。热力图则适合展示分类号共现强度，让高共现对在视觉上一下子跳出来。工具上推荐Plotly做交互式图表，方便会议演示时拖动查看细分数据，比静态图的表达能力强不少。
5. 实操中的坑与排错经验
5.1 检索结果膨胀的根因排查
有一年在做农业物联网专利分析时，初筛结果里跑出了两三万件专利，直觉告诉我不太对。查询条件里包含“环境监测”这个关键词，结果把大量不是物联网方向的环保检测专利也带进来了——比如大气污染监测站的数据分析专利、水质化验仪器专利，它们本质上跟物联网没有关系，仅仅在摘要里提到了环境监测一词。
排查时我采用了一个简单有效的办法：从结果中随机抽取200件专利，人工检查每件是否真正涉及物联网技术要素。用“设备是否联网”“数据是否远程传输”“是否存在感知与控制闭环”三个条件逐一对照。最后这200件里只有不到六成算得上物联网专利，说明检索式出了问题。
调整思路是把“环境监测”从关键词改为“传感器+无线上传+环境监测”的组合条件，并加上了IPC分类号G16Y或H04W的限制。修改后，样本准确率提升到九成以上。这个排查过程值得分享的核心经验是：用抽样检查评估准确率，远比看“检出总量”可靠。检出总量大可能只是说明查准率太低，不代表你找得全面。
5.2 缺失申请日的灰色区域处理
专利数据中偶尔会出现申请日缺失或明显异常的情况，比如申请日在公开日之后这种时间倒挂。这通常源于著录项目变更，或申请阶段录入错误。直接删除这些样本是最常见的做法，但在做企业级分析时，如果某家目标公司在某一年恰好有多件这样“问题样本”，删除就会扭曲它的趋势线。
我个人的处理习惯是：先做一次全量扫描，统计问题样本的占比。占比较低时，直接删除并在底表中留删除标记；占比较高时，说明数据源本身质量有问题，就要换个数据源交叉验证或回头检查导出过程。无论如何，不建议用平均值填充或插值法补申请日，因为时间序列分析中对时间点做人为补造，风险远大于收益。
5.3 企业名称相似但实控不同的甄别
最坑人的情况是企业名称高度相似但实际并无隶属关系。例如“某某智能科技有限公司”和“某某智能装备股份有限公司”，字面上看像同一家集团，但工商注册中两者的控股股东完全不同。如果不小心归并错了，整个竞争格局分析都会被带偏。
我核实归属关系时，一般先去查上市公司的年报“主要控股参股公司”章节，再从国家企业信用信息公示系统核实股权关系。即使某工商主体名称里带有集团公司的名头，也不代表它一定被纳入上市公司并表范围。严谨的专利申请人归并，必须落到“受同一最终控制人控制”这一层，而不是看字面。
5.4 IPC分类号变化带来的口径冲击
2018年，WIPO引入了G16Y这个专门面向物联网的分类号，给物联网专利检索带来了便利，但同时也带来了统计口径的断裂。在2018年之前申请的物联网专利不可能含有G16Y分类号，如果某份研究统计了不同年份G16Y的数量并把它作为物联网技术活跃度的指标，那么2018年会是一个断崖式跳升，但这纯粹是分类体系变化导致的，不代表产业真有那么大跃进。
遇到这类口径变化，有两个常规应对思路。一是不单独用G16Y做统计口径，而是以“应用层+连接层”多分类组合来定义物联网技术范围；二是如果必须用G16Y，那就对前后两段历史数据分别分析，并且明确标注分类号的引入年份。无论采用哪种方式，目的都是避免把“分类规则变化”误读成“技术趋势变化”。
6. 一个能直接套用的数据挖掘框架
6.1 框架总览：从问题到结论的四步走
最后分享一个我自己反复使用的挖掘框架，别的领域不保证，但用在上市公司物联网专利数据上确实效率很高。
第一步是定义技术边界。明确哪些IPC分类号和关键词组合构成物联网技术域，输出一张可复用的检索式。第二步是构建分析底表。完成申请人归一化、时间标准化、技术域映射和法律状态标注，得到标准化的专利明细表。第三步是统计与指标计算，包括年度申请量、授权率、申请人集中度、分类号共现值、IPC分类号的行业渗透度等维度。第四步是产业解读。把统计结果关联到上市公司年报的研发投入、业务构成和战略表述，形成技术与经营的交叉验证。
这四步中，第四步是最容易被人忽略也最出彩的一步。比如你分析某家农业装备上市公司的专利组合，发现它近三年在设施农业环境监控方向的专利占比持续升高，同时年报里出现了“智慧农业整体解决方案”的战略表述，两者的互证关系就是有说服力的研究结论。
6.2 用专利数据回答一个具体问题：食用菌栽培车间物联网监控
拿热搜里反复被提到的“食用菌栽培车间物联网环境智能监控系统设计”来举一个具体用法。这个题目在本科毕业设计中属于烂大街级别，但如果改用专利数据来剖析，研究价值立刻不一样。
第一步提取这个细分领域的专利集，用“栽培/食用菌/菇房/设施农业”+“传感器/控制器/物联网/监控”做联合检索。第二步做维度拆解：专利集中在哪些IPC大类，温度控制与湿度控制哪个方向的专利密度更高，二氧化碳浓度调节这一细分方向是否存在专利空白。第三步分析申请人：是国内农业院校和科研机构主导，还是企业申请人的占比在不断上升。第四步对照技术生命周期：如果近五年该细分方向的专利增速明显加快，说明产业正在从实验室走向商业应用。
这套分析下来，论文题目可以升级为“基于专利视角的食用菌栽培物联网监控技术态势分析”，既有数据支撑，又有方法体系，还避开了纯硬件演示的同质化竞争。很多“烂大街”的本科生题目，换一个分析视角就可以变成有实际参考价值的行业情报。
6.3 向投资分析场景做扩展
如果把这套框架扩展到投资分析，核心不是数专利个数，而是回答三个问题：这家公司的专利组合和它的战略定位是否匹配，它的技术在产业链哪个环节构筑了壁垒，它的专利布局相对竞品处在什么位置。
回答第一个问题需要把专利的技术域结构与主营业务收入结构做对比。一家营收主要由智能硬件贡献的公司，如果专利集中在数据平台和应用软件，战略与技术的匹配度就偏低，存在技术引领不足的风险。回答第二个问题需要定位其核心专利的权利要求覆盖范围，做标准必要专利或高被引专利的识别。回答第三个问题则需要把申请人的专利组合投射到同一技术域下做数量与质量双维对比。这套分析不需要任何内部信息，全部基于公开数据就能完成，但产出的判断粒度却可以精细到“这家公司到底靠什么技术赚钱”的程度。
最后说点实践经验
把1988到2025这三十多年的上市公司物联网专利数据完整地梳理下来，前后耗时其实不长，真正花时间的反而是那些不起眼的环节：清理异构的申请人名称，抽查检索式误检率，手工核对某家企业的实控关系。这些工作不性感，但不做干净，后面所有的分析都可能建在沙地上。
我个人的体会是，专利数据真正的价值并不在于“数量多”，而在于它记录了企业在技术方向上最真实的投入轨迹。论文可能掺水，宣传稿可能注水，但专利申请背后是实打实的研发预算和工程师时间。将这段轨迹从原始数据里提炼出来，和研究问题对照着看，往往能获得比阅读几十份行业报告更可靠、也更具体的信息。如果你正准备做物联网相关的研究或分析，不妨从这个数据集开始，它确实比想象中更能说明问题。
