Patents have become a direct source of revenue, apart from providing legal protections for inventions. A patent generates revenue in its patented form through licensing or sell-out. Three challenges confront this shift in use of patents as direct revenue generators especially in the context of patent sale. First, the challenge of estimating the price a patent fetches in a sale (referred as ‗patent value‘) remains scarcely addressed owing to the intangible nature of patents and lack of patent sale data in public domain. Secondly, the variations in price and the method used to estimate the price while selling a patent individually (called as a singleton) or in a group along with other patents (called as portfolio) are little understood. Thirdly, literature focus so far has been on the static dimensions of patent value determinants leaving scope for researching the time varying dynamic nature of potential value determinants. This thesis aims to systematically address the above challenges and research gaps through five specific research objectives pertaining to the following four aspects of patent sale: (1) Successful sale aspect of patent lots in an auction (Research objective 1) Research objective 1: To explore the determinants of successful sale of singletons and portfolios. (2) Selling strategy aspect of the sold patents (Research objective 2) Research objective 2: To characterize the singleton and portfolio patent lots successfully sold in an auction. (3) Time dynamic aspect of factors influencing price (Research objectives 3 & 4) Research objective 3: To investigate the effect of time dynamic nature of patent age on the selling prices of singletons and portfolios. Research objective 4: To understand the effect of time dynamic trend of technological importance (TI) and patent class trend on selling prices of singletons and portfolios. (4) Valuation aspect (Research objective 5) Research objective 5: To identify the determinants of selling prices of singletons and portfolios. In this thesis, we use a combination of patent bibliometric and market based approach to study various aspects of singleton and portfolio patent sale incorporating the time dynamic aspect. A set of US patents auctioned by an US auction firm, called Ocean Tomo, is used as sample. The sample was dominated by patents from Computer & Communication field. The research findings showed significant differences in the characteristics of sold and unsold lots both in the case of singletons and portfolios. Amongst the sold lots, singletons were found to include more novel (lesser patent backward citations) and technology specific (higher C&C technology scope) patents than the portfolios sold. Further investigation on the variation in selling prices fetched by singletons and portfolios showed portfolios fetching significantly higher prices than singletons at the lot level. Interestingly, at a granular level, the equation reversed with singletons showing significantly higher price compared to the average price per individual US patent member within the portfolio. Along the time dynamic aspect, the existence of an optimal age to sell patents for higher prices is evidenced especially in the case of singletons from C&C technology field. The optimal age was found to be around 10 year 2 months of age from grant of singletons. No such optimal age was identified for portfolios. The growth trend analysis of the forward citations (technological importance of patent) and the patent applications filed within the specific patent class of a patent (attractiveness of patent class) illustrated the significance of the patent class trend in explaining variation in selling price of singletons. Finally, the valuation models of singletons and portfolios showed singletons being valued more on the patent related characteristics unlike portfolios which were valued based on the all three aspects – patent, seller and bundling. In summary, the novelty of the thesis resides in the (1) incorporation of new set of variables namely forward citation diversity, forward citations trend, patent class trend, technology scope and portfolio type in understanding patent price (2) treatment of time dynamic variables in understanding patent value and (3) focus on portfolio analysis through independent analysis of singleton and portfolio selling prices.

No description available.

No description available.

Für die Messung von Prozessabläufen wie der Beschaffung (Supply Chain), der Arbeitsvorbereitung und der Produktion werden spezifische Unternehmenskennzahlen genutzt. Diese Key Performance Indicator (kurz: KPI) bilden häufig jedoch ausschließlich finanzielle Aspekte für eine unternehmensinterne Überwachung ab und berücksichtigen nicht den Entwicklungsprozess. Alternative Ansätze verwenden aus dem Expertenwissen der Mitarbeiter zusammengetragene Informationen, die durch ihre Subjektivität die Reproduzierbarkeit erschweren. In Abgrenzung zu bestehenden Konzepten wird in diesem Beitrag die Effizienz-Bewertung von variantenreichen Produktportfolios auf Basis der Produktstrukturen sämtlicher realisierter Erzeugnisvarianten beschrieben. [... aus Punkt 2]

This cumulative dissertation is based on three distinct scientific papers which deal with various strategies of external knowledge sourcing. The first two papers investigate the impact of collaboration on innovation performance taking into consideration a portfolio of external partners (customers, suppliers and universities) at different stages (idea generation, R&D, design, testing and market launch) of the new product development (NPD) process. Both papers rely on representative data of German firms from a wide range of industries. It sticks out that performance effects of external collaborations are highly partner-specific. Moreover firms of different size and in different technological environments can reap the benefits of external collaborations at distinct stages of the NPD process. The third paper investigates the determinants of demand at marktes for technology (MfT). At MfT disembodied knowledge (i.e. especially patents and licences) is traded at a certain price. The paper uses data from 20 industries in 24 European countries and provides almost exclusive evidence for demand side factors that propel and contrain acquisitions at MfT.:I Acknowledgements II Tables III Figures IV Abbreviations 1. Introduction 1.1 Motivation and relevant strands of literature 1.2 Research questions and contribution of the dissertation 1.3 Abstracts of the research articles 1.3.1 Abstract chapter 2 1.3.2 Abstract chapter 3 1.3.3 Abstract chapter 4 1.4 Statement of co-authorship 2. Timing of external partnerships in low-tech and high-tech firms. When and with whom do collaborations pay off? 2.1 Introduction 2.2 Conceptual framework and hypothesis development 2.2.1 Customer collaboration 2.2.2 Supplier collaboration 2.2.3 University collaboration 2.3 Data and models 2.3.1 Database 2.3.2 Variables 2.3.3 Estimation model 2.4 Results 2.4.1 Descriptive statistics 2.4.2 Results from regression analysis 2.4.3 Robustness checks and extensions 2.5 Discussion and conclusion 2.5.1 General discussion 2.5.2 Managerial and policy implications 2.5.3 Limitations and concluding remarks References chapter 2 Appendices chapter 2 3. Alles F&E? Performanceeffekte phasenspezifischer externer Kooperation in KMU 3.1 Einleitung 3.2 Konzeptionelle Grundlagen 3.3 Theoretische Fundierung phasenspezifischer Effekte 3.3.1 Kooperation mit Kunden 3.3.2 Kooperation mit Lieferanten 3.3.3 Kooperation mit Universitäten 3.3.4 Zwischenfazit und Ableitung von Hypothesen 3.4 Daten und Operationalisierung 3.4.1 Datensatz 3.4.2 Abhängige Variable 3.4.3 Unabhängige Variablen 3.4.4 Kontrollvariablen 3.5 Empirische Strategie und Ergebnisse 3.5.1 Deskriptive Statistiken 3.5.2 Ergebnisse aus den Regressionsverfahren 3.5.3 Robustheitsprüfungen und Erweiterungen 3.6 Diskussion und Implikationen für Forschung und Praxis 3.6.1 Diskussion 3.6.2 Implikationen für die Praxis 3.6.3 Limitationen und zukünftige Forschungsfelder Literaturverzeichnis Kapitel 3 Anhang Kapitel 3 4. Markets for Technology in Europe – Mapping Demand and its Drivers 4.1 Introduction 4.2 Theoretical framework 4.2.1 The size of markets for technology 4.2.2 The nature of demand on markets for technology 4.3 Drivers of demand on markets for technology 4.3.1 Sectoral patterns of innovation 4.3.2 Technological leadership of industries 4.4 Data and Methods 4.4.1 Data 4.4.2 Variables 4.5 Results 4.5.1 Mapping markets for technology 4.5.2 Descriptive results 4.5.3 Regression results 4.5.4 Robustness checks 4.6 Discussion 4.7 Conclusion References chapter 4 5. Summary and concluding remarks 5.1 Contribution to empirical research 5.2 Limitations and future research directions 5.3 Implications for managers and policy makers 5.3.1 Implications for managers 5.3.2 Implications for policy makers Reference list Appendices / Die vorgelegte kumulative Dissertationsschrift umfasst drei unterschiedliche wissenschaftliche Aufsätze, welche sich mit unterschiedlichen Strategien der Beschaffung von unternehmensexternem Wissens befassen. Die beiden ersten Aufsätze untersuchen den Einfluss von Kooperationen mit verschiedenen externen Partnern (Kunden, Lieferanten und Universitäten) auf den Innovationserfolg von Unternehmen. Dazu wird die Kooperation mit den gewählten Partnergruppen in 5 Phasen des Neuproduktentwicklungsprozesses (NPD) (Ideenfindung, F&E, Design, Testen und Prüfen, Markteinführung) untersucht. Beide Aufsätze nutzen repräsentative Daten von deutschen Unternehmen, welche ein breites Spektrum an Branchen umfassen. Gemessene Performanceeffekte sind dabei hochgradig partnerspezifisch. Überdies profitieren Unternehmen je nach eigener Größe und technologischem Umfeld in unterschiedlichen Phasen des NPD-Prozesses von externen Kooperationen. Der dritte Aufsatz untersucht Determinanten der Nachfrage auf sogenannten Märkten für Technologie (MfT). Auf MfT wird unverkörpertes Wissen (insb. in Form von Patenten und Lizenzen) zu einem bestimmten Preis gehandelt. Die Studie beruht auf Daten aus 20 Branchen in 24 europäischen Ländern und liefert nahezu exklusive Evidenzen dafür, welche Faktoren die Nachfrage nach unverkörperter Technologie treiben und beschränken.:I Acknowledgements II Tables III Figures IV Abbreviations 1. Introduction 1.1 Motivation and relevant strands of literature 1.2 Research questions and contribution of the dissertation 1.3 Abstracts of the research articles 1.3.1 Abstract chapter 2 1.3.2 Abstract chapter 3 1.3.3 Abstract chapter 4 1.4 Statement of co-authorship 2. Timing of external partnerships in low-tech and high-tech firms. When and with whom do collaborations pay off? 2.1 Introduction 2.2 Conceptual framework and hypothesis development 2.2.1 Customer collaboration 2.2.2 Supplier collaboration 2.2.3 University collaboration 2.3 Data and models 2.3.1 Database 2.3.2 Variables 2.3.3 Estimation model 2.4 Results 2.4.1 Descriptive statistics 2.4.2 Results from regression analysis 2.4.3 Robustness checks and extensions 2.5 Discussion and conclusion 2.5.1 General discussion 2.5.2 Managerial and policy implications 2.5.3 Limitations and concluding remarks References chapter 2 Appendices chapter 2 3. Alles F&E? Performanceeffekte phasenspezifischer externer Kooperation in KMU 3.1 Einleitung 3.2 Konzeptionelle Grundlagen 3.3 Theoretische Fundierung phasenspezifischer Effekte 3.3.1 Kooperation mit Kunden 3.3.2 Kooperation mit Lieferanten 3.3.3 Kooperation mit Universitäten 3.3.4 Zwischenfazit und Ableitung von Hypothesen 3.4 Daten und Operationalisierung 3.4.1 Datensatz 3.4.2 Abhängige Variable 3.4.3 Unabhängige Variablen 3.4.4 Kontrollvariablen 3.5 Empirische Strategie und Ergebnisse 3.5.1 Deskriptive Statistiken 3.5.2 Ergebnisse aus den Regressionsverfahren 3.5.3 Robustheitsprüfungen und Erweiterungen 3.6 Diskussion und Implikationen für Forschung und Praxis 3.6.1 Diskussion 3.6.2 Implikationen für die Praxis 3.6.3 Limitationen und zukünftige Forschungsfelder Literaturverzeichnis Kapitel 3 Anhang Kapitel 3 4. Markets for Technology in Europe – Mapping Demand and its Drivers 4.1 Introduction 4.2 Theoretical framework 4.2.1 The size of markets for technology 4.2.2 The nature of demand on markets for technology 4.3 Drivers of demand on markets for technology 4.3.1 Sectoral patterns of innovation 4.3.2 Technological leadership of industries 4.4 Data and Methods 4.4.1 Data 4.4.2 Variables 4.5 Results 4.5.1 Mapping markets for technology 4.5.2 Descriptive results 4.5.3 Regression results 4.5.4 Robustness checks 4.6 Discussion 4.7 Conclusion References chapter 4 5. Summary and concluding remarks 5.1 Contribution to empirical research 5.2 Limitations and future research directions 5.3 Implications for managers and policy makers 5.3.1 Implications for managers 5.3.2 Implications for policy makers Reference list Appendices

Die Nachfrage der Kunden nach individualisierten Produkten, die Globalisierung, neue Konsummuster sowie kürzere Produktlebenszyklen führen dazu, dass Unternehmen immer mehr Varianten anbieten. Aufgrund der Arbeitsteilung und der unterschiedlichen Perspektiven können einzelne Entwickler die Komplexität des Produktportfolios nicht durchdringen. Dennoch sind die heutigen Verfahren im Produktportfolio- und Variantenmanagement geprägt durch manuelle und erfahrungsbasierte Aktivitäten. Eine systematische Analyse und Optimierung des Produktportfolios sind damit nicht möglich. Unternehmen benötigen stattdessen intelligente Lösungen, welche das gespeicherte Wissen in Daten nutzen und einsetzen, um Entscheidungen über Innovation, Differenzierung und Elimination von Produktvarianten zu unterstützen. Zielstellung dieses Forschungsvorhabens ist die Entwicklung eines Frameworks zur Analyse komplexer Produktportfolios mittels Machine Learning. Machine Learning ermöglicht es, Wissen aus Daten unterschiedlicher Lebenszyklusphasen einer Produktvariante automatisiert zu generieren und zur Unterstützung des Produktportfolio- und Variantenmanagements einzusetzen. Für die Unterstützung der Entscheidungen über Produktvarianten ist Wissen über deren Abhängigkeiten und Beziehungen sowie die Eigenschaften der einzelnen Elemente erforderlich. Dadurch soll ein Beitrag zur besseren Handhabung komplexer Produktportfolios geleistet werden. Das Framework zur Analyse komplexer Produktportfolios mittels Machine Learning besteht aus drei Bausteinen, die das zentrale Ergebnis dieser Arbeit darstellen. Zuerst wird in Baustein 1 auf die Wissensbedarfe bei der Analyse und Anpassung komplexer Produktportfolios eingegangen. Anschließend werden in Baustein 2 die Daten, welche für Entscheidungen und somit für die Wissensgenerierung im Produktportfolio- und Variantenmanagement erforderlich sind, beschrieben und charakterisiert. Abschließend findet in Baustein 3 die Datenvorbereitung und die Implementierung der Machine Learning Verfahren statt. Es wird auf unterschiedliche Verfahren eingegangen und eine Unterstützung bei der Auswahl und Evaluation der Algorithmen sowie die Möglichkeiten zum Einsatz des generierten Wissens für die Analyse komplexer Produktportfolios aufgezeigt. Das Framework wird in einer Fallstudie bei einem Industriepartner aus der Nutzfahrzeugbranche mit einem besonders komplexen Produktportfolio angewendet. Dabei werden die drei Anwendungsfälle Prognose von „marktspezifischen und technischen Eigenschaften der Produktvarianten“, Ermittlung von „Ähnlichkeiten von Produktvarianten“ und Identifikation von „Korrelationen zwischen Merkmalsausprägungen“ mit realen Daten des Industriepartners umgesetzt. Das Framework sowie die in der Fallstudie beim Industriepartner erzielten Ergebnisse werden anschließend Experten im Produktportfolio- und Variantenmanagement vorgestellt. Diese bewerten die Ergebnisse hinsichtlich der funktionalen Eigenschaften sowie dem Mehrwert aus Sicht der Forschung und industriellen Praxis anhand zuvor definierter Kriterien.:1 Einführung 1.1 Motivation 1.2 Komplexe Produktportfolios: Eine Industrieperspektive 1.3 Zielsetzung und Forschungsfragen 1.4 Aufbau der Arbeit 2 Grundlagen zur Analyse von Produktportfolios mittels Machine Learning 2.1 Komplexe Produktportfolios 2.1.1 Terminologie komplexer Produktportfolios 2.1.2 Strukturierung komplexer Produktportfolios 2.1.3 Analyse und Anpassung komplexer Produktportfolios 2.1.4 Zusammenfassung: Komplexe Produktportfolios 2.2 Machine Learning 2.2.1 Machine Learning als Teil der künstlichen Intelligenz 2.2.2 Terminologie Machine Learning 2.2.3 Wissensgenerierung mit Machine Learning 2.2.4 Datenanalyseprozess 2.2.5 Machine Learning Verfahren und Algorithmen 2.2.6 Zusammenfassung: Machine Learning 3 Ansätze zur Analyse von Produktportfolios mittels Machine Learning 3.1 Kriterien zur Bewertung bestehender Ansätze 3.2 Bestehende Ansätze aus der Literatur 3.2.1 Einsatz überwachter Lernverfahren 3.2.2 Einsatz unüberwachter Lernverfahren 3.2.3 Einsatz kombinierter Lernverfahren 3.3 Resultierender Forschungsbedarf 4 Forschungsvorgehen 4.1 Design Research Methodology (DRM) 4.2 Vorgehen und Methodeneinsatz 4.3 Kriterien für die Entwicklung des Frameworks 4.4 Schlussfolgerungen zum Forschungsvorgehen 5 Framework zur Analyse komplexer Produktportfolios 5.1 Übersicht über das Framework 5.2 Baustein 1: Wissensbedarfe zur Analyse komplexer Produktportfolios 5.2.1 Informationssuche 5.2.2 Formulierung von Alternativen 5.2.3 Prognose 5.2.4 Kriterien zur Auswahl der Wissensbedarfe 5.3 Baustein 2: Datenbasierte Beschreibung komplexer Produktportfolios 5.3.1 Produktdatenmodell 5.3.2 Vertriebsdaten 5.3.3 Nutzungsdaten 5.4 Baustein 3: Systematische Generierung und Einsatz von Wissen 5.4.1 Baustein 3.0: Vorbereitung von Produktportfoliodaten 5.4.2 Baustein 3.1: Regressionsanalyse 5.4.3 Baustein 3.2: Klassifikationsanalyse 5.4.4 Baustein 3.3: Clusteranalyse 5.4.5 Baustein 3.4: Assoziationsanalyse 5.5 Anwendung des Frameworks 5.6 Schlussfolgerung zum Framework 6 Validierung des Frameworks 6.1 Konzept der Validierung 6.2 Baustein 1: Wissensbedarfe zur Analyse komplexer Produktportfolios 6.3 Baustein 2: Datenbasierte Beschreibung komplexer Produktportfolios 6.4 Baustein 3: Systematische Generierung und Einsatz von Wissen 6.4.1 Marktspezifische und technische Produkteigenschaften 6.4.2 Ähnlichkeiten von Produktvarianten 6.4.3 Korrelationen zwischen Merkmalsausprägungen 6.5 Erfolgsvalidierung mit einer Expertenbefragung 6.6 Schlussfolgerung zur Validierung 7 Diskussion 7.1 Nutzen und Einschränkungen 7.2 Ergebnisbeitrag für die Forschung 7.3 Ergebnisbeitrag für die Industrie 8 Zusammenfassung und Ausblick 8.1 Zusammenfassung 8.2 Ausblick 9 Literaturverzeichnis 10 Abbildungsverzeichnis 11 Tabellenverzeichnis Anhang A-1

We develop a risk factor model based on data from a large number of portfolios spanning multiple asset classes. The risk factors are selected based on economic theory through an analysis of the asset holdings, as well as statistical tests. As many assets have limited historical data available, we implement and analyse the impact of regularisation to handle sparsity. Based on the factor model, two parametric methods for calculating Value-at-Risk (VaR) for a portfolio are developed: one with constant volatility and one with a CCC-GARCH volatility updating scheme. These methods are evaluated through backtesting on daily and weekly returns of a selected set of portfolios whose contents reflect the larger majority well. A historical data approach for calculating VaR serves as a benchmark model. We find that under daily returns, the historical data method outperforms the factor models in terms of VaR violation rates. None yield independent violations however. Under weekly returns, both factor models produce more accurate violation rates than the historical data model, with the CCC-GARCH model also yielding independent VaR violations for almost all portfolios due to its ability to adjust up VaR estimates in periods of increased market volatility. We conclude that if weekly VaR estimates are acceptable, tailored risk factor models provide accurate measures of portfolio risk. / Vi bygger en riskfaktormodell givet en stor mängd portföljer innehållande flera olika typer av tillgångar. Riskfaktorerna väljs ut baserat på ekonomisk teori genom en analys av portföljernas innehåll samt genom statistiska test. Eftersom många tillgångar har en liten mängd historisk data tillgänglig implementerar vi och analyserar effekterna av regularisering i faktorregressionen. Två parametriska metoder för att beräkna Value-at-Risk (VaR) utvecklas baserat på faktormodellen: en med konstant volatilitet och en med volatilitetsuppdatering genom CCC-GARCH. Metoderna utvärderas med bakåttestning på daglig och veckovis avkastning från utvalda portföljer vars innehåll reflekterar den större majoriteten. En historisk data-baserad metod för att beräkna VaR används som referensmodell. Under daglig avkastning överträffar historisk data-modellen faktormodellerna med avseende på frekvensen av VaR-överträdelser. Ingen modell resulterar dock i oberoende överträdelser. Under veckovis avkastning å andra sidan ger båda faktormodellerna mer exakta överträdelsefrekvenser än historisk data-modellen, där faktormodellen med CCC-GARCH också ger oberoende överträdelser för nästan alla portföljer, tack vare modellens förmåga att justera upp VaR-estimaten i perioder av högre volatilitet på marknaden. Sammanfattningsvis ger skräddarsydda riskfaktormodeller goda riskestimat, givet att det är acceptabelt med veckovisa beräkningar av VaR.

No description available.

No description available.

[pt] Os grandes agentes do mercado de energia dedicam muitos esforços na avaliação e decisão da alocação ótima de capital para a implementação de projetos, em decorrência do grande número de projetos candidatos em seus portfólios de investimentos. Essas decisões visam escolher o subconjunto de projetos a ser implementado, pois os recursos orçamentários são geralmente menores que o necessário para a implementação de todos eles. Muitos são os riscos apresentados, e quanto mais riscos e incertezas, maiores se tornam as dificuldades de avaliação e decisões de investimento de maneira otimizada. As metodologias clássicas para avaliação de portfólios de projetos de investimento são baseadas em maximizar os retornos (VPL, TIR, etc) e minimizar o risco (desvio-padrão do VPL, variância, etc). Muitas vezes, estes métodos tradicionais de avaliação podem não conseguir tratar adequadamente as flexibilidades gerenciais (Opções Reais) características dos projetos, assim como os riscos e incertezas, devido às possíveis dificuldades de solução e modelagem matemática (multi-variáveis) dos problemas. O desenvolvimento e aplicação de modelos alternativos, tais como os baseados na Teoria de Opções Reais, inclusive com a utilização de métodos de Inteligência Computacional, podem se mostrar mais adequados para estes problemas. Nesta tese é desenvolvida uma metodologia híbrida, apresentando um modelo de Opções Reais Fuzzy para a avaliação de projetos de Revamp por um agente do mercado de Geração Termelétrica de Energia, a partir de um Portfólio de Opções Reais em ambiente de incertezas. Para a seleção do subconjunto de projetos por faixa orçamentária, é aplicado um Algoritmo Genético para otimização multi-critério, através da utilização de um índice de ponderação retorno x risco (lâmbda). / [en] Large players in energy market dedicate many efforts in valuation and optimal capital allocation decision for their project implementation, due the large candidate projects number in their investment portfolios. These decisions aim to choose the projects subset to be implemented, because the monetary resources are generally smaller than necessary for all projects implementation. There are many risks, and with risks and uncertainties, greater become the difficulties in analysis and optimally investment decisions. The classical methods to investment portfolios are based on to maximize returns (NPV, IRR, among others) and to minimize risks (NPV standard deviation, variance, among others). Often, these traditional methods may not be able to handle properly the projects managerial flexibilities (Real Options), as well the risks and uncertainties, due to possible solution difficulties and mathematical modeling problems (multi variables). Alternative models development and implementation, such as those based on Real Options Theory, including the use of Computational Intelligence methods, may be more suitable for these problems. In this thesis, a hybrid methodology is developed, presenting a Fuzzy Real Options model for Revamp projects valuation by a Thermoelectric Power Generation market player, from a Real Options Portfolio in uncertainties environment. For selecting the projects subset by budget range, a multi-criteria Genetic Algorithm optimization is applied, using a weighting return x risk index (lambda).