就确定的年份而言，线性回归表明，无论两个“异常值”是否被删除，在10%的置信度水平上都存在显著的正相关关系，但在5%的置信度水平上则不存在显著的正相关关系。使用对数线性模型，我们发现去除两个异常值后，显著系数为0.004。就第一项专利的年份而言，线性模型表明没有显著的关系，但对数线性模型提供了非常显著的负系数-0.005（只有在去除两个异常值后，该系数才在10%的水平上减半并变得显著）；在所有8种情况下（两个不同的年龄变量和两个不同的模型，是否去除异常值），RWA介于0.001和0.029之间。我们的结论是，这些关系充其量是非常脆弱的，在一个“错误”符号的情况下（近年来建立的类平均更大）。无论它们是否重要，我们这里的观点是，它们的大小和优度远低于Simon（1955）等纯增长模型的预期，或其使用统一格式的修改（以匹配指数大小分布）。我们稍后将回到对模型的讨论，但首先，我们想展示另一个经过大量重组的复合类，如第3.2节“经验模式”中所述，并解释为什么我们认为重新分类和分类系统的变化是技术变革的有趣指标。6重新分类活动作为技术变革的一个指标，如果说激进主义创新出现时很难分类，这似乎是一种重复。如果一项创新真的是“激进的”，那么它应该深刻地改变我们对一项技术、一个技术领域或一组由技术执行的功能的看法。如果是这种情况，与激进创新相关的专利最初很难分类。

未来，当一套更合适的概念被开发出来并制度化时（也就是说，当技术专家社区对激进主义创新有了新的理解时），很可能需要对其重新分类。人们也普遍认为，激进主义创新可能会产生新一波的额外创新，这些创新可能会或不会及时集聚（Silverberg&Verspagen 2003），但当它们是通用的时，我们确实预计创新活动会上升（Bresnahan&Trajtenberg 1995）。通用技术（GPT）的出现和传播带来的一个不太为人所知的后果是，由于该技术专利数量的急剧增加，以及该技术对其他技术的影响，我们应该预计会有更高的类别波动性。预计分类波动性尤其与GPT相关，因为定义GPT与现有技术相互作用，并创建或重组现有技术之间的相互作用。从分类的角度来看，对象及其边界的定义发生了变化。简而言之，一些类别变得太大，需要拆分；一些定义已经过时，需要更改；而“最佳”技术分组受功能、起源或应用行业和技术结构特征之间的概念关系的生与死的影响。在本节中，我们将进行初步研究。首先，我们确定这一指标确实存在（重新分类率可能相当高，如果我们过去看得足够远，可以达到100%）。其次，我们表明重新分类的专利被引用的次数更多。第三，我们表明，重新分类可以跨相当遥远的技术领域进行，这是由1位数的NBER类别衡量的。

第四，我们讨论了三个小说类的例子。6.1重新分类率显示许多专利已经重新分类？首先，由于1829年之前不存在分类，因此在此之前发布的所有专利都已“重新”分类，因为它们的类别在授予后的几年甚至可能多年内就已确定。这同样适用于1899年之前，在完全不同的分类体系盛行的情况下授予的所有专利。在现代，分类有所发展，但如第3节所述，世纪之交建立的整体分类框架或多或少保持不变。1976年之后，我们知道每项专利的原始分类，因为我们可以在原始论文的数字化版本上阅读（见第3.3节）。在对数据进行大量分析和一些手动更正后，我们在主分类文件mcfpat1506中找到了1976年后99.45%的专利的原始类别。在这5615525项专利中，412724项（7.35%）已被重新分类。有789项不同的原始类别，其中109项只有1项专利（除了数据错误外，这可能来自没有1976年后专利分类的原始类别）。除“001”外，所有当前类别均被用作原始类别，而“001”仅被用作其他类别，在这些类别中，它们被重新分类。图5显示了重新分类率的演变，定义为t年授予的专利份额，其在2015年的分类与t年不同。与首次出现时相比，1976年多达40%的专利属于不同的类别。这一再分类率此后急剧下降，在20世纪90年代达到约10%，此后几乎为零。

这是一个预期的结果，因为授予专利的时间越长，分类系统发生变化的可能性就越大。6.2是否引用了更多重新分类的专利？由于专利价值与收到的引文数量之间存在既定关系（Hall等人，2005年），因此有必要检查重新分类的专利是否被更多引用。当然，我们只是在观察相关性，引用和重新分类之间的关系可以在我们删除了6481014之后发挥作用。●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●1980年1990年2000年20100.00.10.20.30.4重新分类专利份额图5：与授予时相比，2015年在给定年份授予的不同类别的专利份额。多种方式。一个合理的假设是，越活跃的是一个技术领域（就新专利和新引用而言），就越有可能需要重新分类，即使只是为了使类别保持在可管理的规模。另一种假设是，高度创新的专利在其首次出现时，就其现有的分类系统而言，本质上是含糊不清的。无论如何，由于我们只有出生时的班级人数和2015年的班级人数，我们无法对不同的机制进行细微的区分。然而，我们可以检查重新分类的专利是否平均引用率更高，我们可以在控制授予年份和出生时的类别后进行检查。表1显示了基本统计数据。重新分类专利占样本的7.35%，平均收到超过24次引文，是非重新分类专利的两倍多。我们预计，这一结果在很大程度上是由以下事实驱动的：旧专利有更高的机会被重新分类，也有更高的机会积累了许多引用。

为了更详细地调查重新分类和引用之间的关系，我们回归了TotalRelated的日志，正如一位裁判所指出的那样，如果专利审查员也负责重新分类，那么他们之前的艺术搜索可能面向他们重新分类的专利，因为他们的记忆更生动。我们统计了从2015年6月之前授予的专利到我们有重新分类数据的专利的引用。我们删除了重复引文共享平均值s.d.All 100.00 11.30 4.00 26.64未重新分类92.65 10.27 4.00 23.94重新分类7.35 24.29 11.00 47.40表1：专利引文汇总统计。1980 1990 2000 2010-0.20.00.20.40.60.8β^原始类别无控制图6：重新分类摘要上收到的引文日志的年度特定回归系数（包括原始类别或非原始类别的假人）。2015年收到的关于重新分类摘要和出生时类别假人的引文，每年分别（仅保留至少收到一次引文的专利，76.6%）：log（ci）=αt+βtRi+Jt-1Xj=1γj，tDi，j其中ci是专利i在其诞生（时间t）和2015年（6月）之间收到的引文数量，Ri是一个虚拟值，如果专利ti在2015年的主要类别代码不同于其出现时（即在t年）的主要类别代码，则取1，j是指在t年出生的专利在出生时被分类的不同类别的数量，以及di，jisa假人，如果专利i在出生时被划分为j类，则其值为1。请注意，我们为每个拨款年度分别估计了该等式。我们在birthdummies中加入了这一类，因为这允许我们考虑在同一年出生在同一类中的“同卵双胞胎”专利。然后，系数β显示了重新分类的专利是否平均获得了更多的引用。结果如图所示。

6，有充分证据表明重新分类与收到的引文更多相关。预计，最近几年并不重要，因为没有足够的时间进行重新分类并积累引文（这些波段代表大约95%的标准置信区间）。我们还注意到，在出生时对班级进行控制通常会减弱这种影响（与黑色实线相比，红色实线）。6.3重新分类流量为了可视化重新分类流量，我们只考虑已重新分类的专利。正如inWang等人（2016）所述，我们希望构建一个二部图，在一侧显示原始类别，在另一侧显示当前类别。由于通过代码编号来识别类，如果对类进行重新编号，可能会出现潜在的严重问题，尽管我们认为这在1976年至2015年的有限时间内往往很少见。这方面的一个例子是“蜜蜂文化”，它是第6类，但自1988年以来，第449类已不复存在，第6类已不复存在。然而，即使在这种情况下，即使这两个类别的名称相同，我们也不知道它们是否意味着包含相同的技术领域，并且刚刚被“重新编号”，或者是否存在其他考虑因素，重新编号与更实质性的重组相一致。我们工作的一个有趣的扩展将是在类定义上使用自然语言处理技术，以更精确地确定重新分类距离的度量，并排除仅仅重新编号。为了使流量图可读且易于理解，我们使用NBER类别进行汇总。为了将每个类别划分为一个NBER类别，我们使用了2006年版的NBER分类，对其进行了轻微修改，将设计类别分别分类，并将USPCS850（扫描探针技术和仪器）分类为4号（电气）和USPCS PLT（工厂）分类为6号（其他）。无花果

7显示结果。类别份额是指主要类别属于特定NBER类别的重新分类专利的比例。原始类别i和当前类别j之间的线的宽度是成比例的，2015年被排除在外，因为没有专利被重新分类。有关NBER类别的更多详细信息，请参阅历史参考（Hall et al.2001）和Marco et al.（2015）最近将NBER（子）类别归为专利申请。在线版本请参见http://danielykim.me/visualizations/PatentReclassificationHJTcategory/19%30%10%9%10%4%2%15%19%30%11%18%10%10%2%Category名称共享化学计算机与通信药物与医学电气与电子机械零件设计分类图7：重新分类流程。重新分类的专利数量，其原始类别为i类，当前类别为j类。线条颜色表示原始类别。我们可以看到，最初归入化学品类别的专利往往会重新归入化学品类别的其他类别。对于这类药物，观察到了相同的模式。相比之下，计算机与通信以及电气与电子类别显示了更多的交叉重新分类，这与Wang等人（2016）在受限数据集上的发现一致。这可能表明，与计算机和电子相关的NBER类别没有与化学和药物相关的类别定义得那么明确，这可能暗示了计算机的通用性。这也可能表明这些领域在这段时间内经历了很多动荡。

虽然在解释这些模式时存在一些含糊不清的地方，但它们并不是一个显而易见的现象，并且指向与引用和重新分类之间的相关性相同的现象：动态的、影响全面的、真正新颖的、通用领域与更大的分类波动性相关。6.4三个新类别的例子我们现在通过提供三个新类别的例子来补充研究，这些新类别是从最近创建的类别中选择的（不包括仅交叉引用的类别）。我们继续研究在创建新类时重新分类的专利的起源。我们通过查看在班级出生年份前一年授予的专利，以及现在重新分类的专利，来近似这一点。请注意，我们只能确定1976年之后授予的专利的原产地类别。我们还以我们能找到的最古老的重新分类（实用）专利为例。我们分别讨论每个类（请参见表2了解三个示例类中每个类的基本统计信息，以及表3了解每种情况下的源类（“Date”是建立“origin”类的日期）ClassNumberDateestablishedSize post442 1997 6240 2654506 2007 1090 1089706 1998 1270 1217表2：正文中描述的三个新类别的基本信息。Size是现在在一个类中分类但在创建类之前已合并的专利数。1976年后的规模相同，但不包括1976年前的所有专利，与表3中的原产地类别规模进行比较。出于埃尔迪等人（2013）的研究表明，引用聚类可以预测新类别（442）的出现，我们研究了442类，“织物（机织物、针织物、或非织造织物或布等）”。

类别定义表明，它是“用于声称为织物的机织物、针织物、非织造物或毛毡制品，其结构完整性源于纤维、片材或股线的强制相互关联，以及由编织、针织、针刺水缠绕、化学涂层或浸渍、自粘合等工艺产生的强制相互关联（……）或毡，但不包括纸张、纤维增强塑料基材料（PPR）或其他纤维增强材料（……）等物品。”。该类是“428类不可分割的一部分[因此它]包含了428类主题的所有定义和规则。”其中重新分类的最古老的专利是查尔斯·古德伊尔（CharlesGoodyear）的一项专利，该专利描述了如何将橡胶应用于机织布，从而获得具有“特殊弹性”的材料（US40991845，纸张上没有分类）。第一点是，这个阶层在出生时相对较大。其次，绝大多数专利来自“母公司”class428。我们的解释是，这是一个古老的纺织知识分支的例子，由于持续的发展，需要对其进行更细致的定义，以便更好地分类和检索。请注意，442的定义不仅是关于技术是什么，而且是关于它们不是什么（纸张和PPR）。我们的第二个例子来自Kang（2012）对IPC课程创作过程的定性研究，USPTO参与了该研究。Kang（2012）描述说，创建类别的过程之所以启动，是因为在主题上有大量的新专利。她主要的出身班级为442Size Title Num。

日期2615库存材料或杂项物品428 197516成分252 19405化学仪器和工艺消毒、除臭、保存或材料422 1978类别来源类别506579化学：分子生物学和微生物学435 1979127化学：分析和免疫测试436 198269化学仪器和工艺消毒、除臭、保存，ORSTERIL421978706966类【NA】信息处理系统组织的原产地类别395 1991195【NA】电子计算机和数据处理系统364 197741电气传输或互连系统307 1952表3：按原产地类别划分的在创建类别之前预定日期并重新分类的专利数量；仅显示了三个最大的原产地类别，并确定了它们的类别号和日期。结论是，在某些定义下，通过评估新创建类别的大小，解决了有关类别划分的争议。506类，“组合化学技术：方法、库、装置”尤其包括“专门用于识别特定库成员的确切性质（如化学结构等）的方法”和“筛选库或其子集以获得所需活性或性质（如结合能力等）的方法”。旧的ESTREClassid专利是US3814732（1974），“固相合成的改性固体载体”。它要求通过引入其他化合物来改性的聚合物碳氢树脂。它从260类“碳化合物化学”中重新分类。与下文回顾的442项或706项相比，重新分类的专利从几个类别中相对统一地提取。

我们的解释是，这是中年技术（化学）的一个例子，由于它与其他技术（计算机）的相互作用，发展出了一个新的分支，这在很大程度上是跨领域的，但具体到足以保证创建一个新的类。最后一个例子是706，“数据处理-人工智能”，这是“人工智能型计算机和数字数据处理系统以及相应的数据处理方法和产品的通用类，用于模拟智能（…）；包括不确定性推理系统（…），自适应系统、机器学习系统和人工神经网络。”。我们选择它是因为我们至少拥有一些领域知识。最古老的重新分类专利是US3103648（1963年），这是一种“具有改进输出的自适应神经元”，很好地呼应了最近对机器学习（深度学习）神经网络的兴趣激增。其最初分类为340类，“通信：电气”。与其他两个例子相比，我们发现两个最大的来源是自废除以来的分类（我们从“1996年美国专利分类索引”中恢复了395和364的名称；它们的建立日期可从第3.3节中记录的“建立日期”文件中获得）。在此期间，还创建了其他以“数据处理”为首的课程，这表明美国专利局必须在千年之交完全重新组织其与计算机相关的课程。我们的解释是，这是在第三次甚至可能是第四次工业革命的大背景下出现的highlynovel技术的一个例子。

由于计算机相对较新且通用，因此很难创建具有稳定边界的分类法。这三个例子显示了技术发展的显著不同模式及其相关的分类波动性。一个正在深化的旧知识分支（纺织），一个发展与他人新互动的中年知识分支（化学），以及一个新的知识分支（计算机），对人员进行分类，努力找到有用的组织方案。我们承认，这些仅仅是示例，新类的一些其他示例可能会遵循类似的模式，但可能存在其他模式。我们发现，大约三分之二的1976年后新类别中，90%以上的出生前（和1976年后）重新分类专利来自单一来源（先存类别），这表明一种形式的“分支”或“类别拆分”相当常见，至少在只看类别时是如此。我们不想对这些早期结果给予太多的重视，这些结果必须通过使用子类和多重分类进行系统化、进一步发展，更重要的是，与使用IPC/CPC获得的结果进行比较。我们确实认为，对分类再组织进行如此系统的研究将讲述一个关于技术演变的相当详细的故事，但与其在这里进行如此详细的研究，我们建议将我们迄今为止学到的大部分知识总结成一个简单的理论模型。7简单模型在本节中，我们提出了一个非常简单的模型，该模型再现了上述几个事实。与创新系统中规模分布和堆定律的其他最新模型（Tria et al.2014，Marengo&Zeppini 2016，Lafond2014）相比，我们将引入的关键假设是，有时会划分类别，并对其项目进行分类。

我们提供基本的直觉，而不是严格的讨论。让我们从著名的西蒙（1955）模型开始。每个时期都会有一项新的专利。专利创建一个概率为α的新类别，否则它将转到一个概率与其大小成比例的现有类别。前一种假设是有意义的，因为实际上，类别的数量随着时间的推移而增长。第二个假设也很有意义，因为“优先依附”/“累积优势”与吉卜拉特定律有关：类别的增长速度与其大小无关，因此它们获得下一项专利的概率与其大小成比例。这个模型有三个主要问题。首先给出了类的大小分布的Yule-Simon分布。这基本上是一个幂律，所以它的尾巴比我们观察到的指数律要粗得多。换言之，itover预测了非常大类别的数量。第二，由于较老的类别有更多的时间积累专利，它预测了年龄和规模之间的强烈相关性。第三，由于每一次步骤类别都是以概率α创建的，而专利是以概率1创建的，因此实例数量之间的关系，我们并不声称该模型通常会产生某种类型的模式，例如缺乏年龄大小关系。