人工智能专利是企业技术研发与知识积累的重要载体。相比于基于年报文本关键词构建的 AI 指标，专利信息更直接地反映了企业已经形成的研发成果，能够在一定程度上降低“战略表述偏差”，因此被广泛用于企业人工智能创新、数字化转型、技术进步及人工智能经济效应等研究。

2023年9月，国家知识产权局办公室印发《关键数字技术专利分类体系（2023）》，为人工智能、高端芯片、量子信息、物联网、区块链、工业互联网和元宇宙七类关键数字技术的专利统计与监测提供了统一依据。本文介绍的数据库正是基于该分类体系，识别上市公司及其关联企业的人工智能专利，形成了可追溯到1985年的明细级面板数据。

一、数据库概况

二、识别方法与匹配逻辑

该数据库参考乔刚（2025）的整理思路，首先依据《关键数字技术专利分类体系（2023）》中的人工智能专利国际分类号（IPC）识别 AI 专利；随后将专利申请人/权利人与上市公司及其子公司、联营公司、合营公司进行匹配，从而把微观专利数据嵌入到上市公司研究框架中。

这种处理方式的优势在于：既保留了专利层面的技术细节（如 IPC 分类、摘要、主权项、发明人等），又能够通过关联股票代码、上市板块、企业注册地等字段，与企业财务、治理、创新投入等数据进行多维度匹配。

三、核心字段说明

数据库包含约30项指标，可分为四类：

• 技术分类信息：人工智能编号、人工智能技术大类、人工智能分支。

• 企业关联信息：关联股票代码、code、企业名称、企业注册地、与上市公司关系、股票简称、上市公司行业、上市板块。

• 专利基本信息：专利名称、专利类型、申请人、申请人类型、申请人地址/地区/城市/区县、申请号、申请日、申请年份、公开公告号/日/年份、授权公告号/日/年份、IPC分类号、IPC主分类号、发明人。

• 专利文本信息：摘要文本、主权项内容。

这些字段不仅可以支持宏观趋势统计，也适用于技术分支演化、企业创新网络、知识溢出等微观实证研究。

图1 历年上市公司集团人工智能专利申请与公开数量（1985—2026.5）；近2年申请量偏少主要受18个月专利审查公开滞后的影响

图1 历年上市公司集团人工智能专利申请与公开数量（1985—2026.5）；近2年申请量偏少主要受18个月专利审查公开滞后的影响

四、时间趋势解读

从整体趋势看，上市公司人工智能专利申请在2010年之前保持较低水平，2010年后进入快速增长期，2017—2022年间年均申请量突破10万件，2022年达到阶段性峰值。公开数量则因审查周期原因滞后于申请数量，2023—2024年公开量持续走高。需要说明的是，2025—2026年申请量下降并不意味着企业创新放缓，而是由于专利自申请日至公开日通常存在约18个月的审查空窗期，大量近期申请尚未进入公开阶段。

图2 上市公司人工智能专利明细数据样例（含技术分支、企业关联、专利类型、申请人、IPC分类等字段）

图2 上市公司人工智能专利明细数据样例（含技术分支、企业关联、专利类型、申请人、IPC分类等字段）

五、潜在研究方向

• 企业 AI 创新测度：利用专利申请量、授权量或技术分支多样性，构建企业层面的人工智能创新指标。

• 人工智能经济效应：将 AI 专利与企业生产率、全要素生产率、市场价值、融资成本等匹配，评估 AI 技术对经营绩效的影响。

• 技术演化与知识网络：基于 IPC 分类号和引用关系，分析人工智能技术分支的演进路径与知识溢出效应。

• 数字化转型：结合上市公司数字化转型文本指标，比较“技术成果”与“战略表述”之间的差异。

• 区域与产业创新：利用申请人地区/城市、上市公司行业与上市板块字段，刻画 AI 创新的空间分布与产业差异。

顶部专栏分享更多内容

经管社科数据整理与分析_Paper数据分析的博客-CSDN博客

来源：Paper数据分析