許可經歷對企業專利質量的影響
——基于專利引用的分析

謝 芳，陳 勁

(1.浙江大學管理學院，浙江 杭州 310058；2.浙江省委黨校科學發展觀與浙江發展研究中心，浙江 杭州 311121；3.清華大學經濟管理學院，北京 100084)

許可經歷對企業專利質量的影響
——基于專利引用的分析

謝 芳1，2，陳 勁3

(1.浙江大學管理學院，浙江 杭州 310058；2.浙江省委黨校科學發展觀與浙江發展研究中心，浙江 杭州 311121；3.清華大學經濟管理學院，北京 100084)

專利許可引進是企業重要的技術學習途徑和技術競爭力來源。本文基于專利家族全生命周期的專利質量測度方法，利用中國專利許可備案數據、德溫特創新索引數據庫中的專利申請、引證數據，采用零膨脹負二項回歸模型分析了許可經歷與企業專利質量的關系。結果顯示：專利許可經歷會對受讓企業的專利質量產生正向影響。

專利許可；專利質量；專利引用；知識流動

1 引言

近年來中國專利數量快速增長，與2000年相比年專利數目已增長了16倍。截至2016 年9月，中國國內發明專利受理量累計為569.5萬件，同比增長37.7%，授權量累計為142.3萬件，同比增長44.3%。蘭德智庫(Rand)通過測算全要素生產率(TFP)發現了中國創新的悖論，專利數量增加并沒有帶來專利質量的提高。如何從專利的數量大國邁向質量強國，提升中國的專利質量，成為當前政府和企業關注的焦點。

企業的技術創新活動在完善的專利體制下表現為專利競賽，在專利競賽中專利質量的高低比專利數量的多少更為重要。國內外學者對專利質量進行了一系列的理論與實證研究，早期研究多為解釋專利質量的概念及構成，后期研究的重點轉向如何對專利質量進行合理的評估和測度。學者們對專利質量的各種測度指標進行了深入研究，例如可以通過IPC 分類號個數[1]、同族專利的個數[2]、權利要求數量[3]來評價專利技術的覆蓋范圍。發明專利比例、專利授權率[4]、專利維持率[5]、專利維持時間[6]因為數據的易得性成為國內學者在實證研究中經常使用的指標。在眾多專利質量的度量指標中，專利引證數據是認可程度最高的指標。專利的引證數據可分為兩類，即后向引用及前向引用。后向引用反映了該專利相關創新活動的知識來源，被學者們普遍用于國家[7-8]、產業[9-10]、企業[11-12]層面的知識流動分析。前向引用反映了該專利的技術影響力，它屬于偏態分布，正好契合專利質量的分布[13],如果一項專利大量被引用則表示該項專利有更高的質量[14]。Iwan等[15]認為可通過引證鏈來獲取更多的前向引用信息。與此類似，Atallah和Rodriguez[16]在2006年提出了“累積引證”概念。其他和引證數據相關的衍生指標主要有即時影響指數、技術強度、科學關聯度、技術循環周期[17-19]。

雖然專利前向引用次數被認為是最客觀有效的專利質量評估指標，但國內學者使用前向引用進行專利質量的實證研究較為少見。其中一個原因是前向引用數據存在時間截面、引證膨脹、技術領域差異三大難題，如果不加修正直接使用會導致錯誤的結論。另一方面，目前尚未有比較權威的中國專利引文數據庫，數據來源存在局限性。德溫特創新索引數據庫(DII)是目前世界上最全面的國際專利信息數據庫，涵蓋了世界上五大專利機構授予專利的申請信息及引用信息。數據庫的每一條記錄是一個專利家族，包含一個或多個專利號，記錄了同一個發明在世界各地的申請情況。但是使用該數據庫分析中國專利存在兩個難點：一是中英文信息轉換過程中的匹配問題；二是以往對專利前向引用分析的研究都是基于單個專利的分析，缺少對專利家族前向引用的系統分析。并且在現有的前向引用修正模型中，只能對引用次數不為零的專利進行全生命周期引用次數的估計。

另一方面，學術界和實業界對專利許可與企業自主創新能力成長的關系一直存在爭論。例如Lowe 和Taylo[20]認為許可引進能使企業形成更加多元化的知識結構；技術許可是中國企業建立研發投入的良性運行機制，技術學習在許可引進和技術創新能力成長之間發揮了橋梁和紐帶作用[21]。但也有一些學者認為，外部技術引進可能產生“擠出”效應，導致企業本身技術創新能力的減弱[22]。雖然專利許可與企業創新能力關系的研究已經取得了諸多成果，但專利質量作為企業創新能力的一個重要表征，尚未有論文對專利許可與專利質量之間的關系做過深入研究。

綜上所述，針對前人研究存在的不足和空缺，本文研究的問題是專利許可經歷是否會對專利受讓公司后續的專利質量產生影響？本研究將構建專利家族全生命周期前向引用次數的測度方法，基于專利家族中已被引用專利的前向引用次數預估當前未被引用的專利未來的累計引用概率值。在此基礎上，通過專利的前向和后向引用數據探索許可經歷與專利受讓公司后續專利質量之間的關系。

2 研究設計

2.1 被解釋變量——專利質量

由于“專利質量”本身的數據難以直接獲取，在Hall等人[23]的研究基礎上，本文使用“專利家族全生命周期前向引用次數”Ck(L)作為專利質量的代理變量，具體公式如下：

(1)

2.2 全生命周期的前向引用估計值AFCk(L)

AFCk(L)=FCk(L)×[αk(L)]-1

(2)

FCk(L)是專利家族原始的前向引用次數，由專利家族中已被引用的專利其前向引用次數累加而得。如果直接采用原始的前向引用次數作為模型的變量會存在時間截面、引證膨脹、技術領域差異等問題。為了修正這三個問題所引起的偏差，Hall等學者在2001年提出了準結構修正法，他們假設專利引用分布符合雙指數函數:

fk(L)=exp(-β1kL)(1-exp(-β2k))

(3)

圖1 專利引用滯后分布圖(假設滯后期最長為35年)

2.3 專利將來被引用的累積概率值Pk(L)

(4)

Pk(L)指的是當滯后期為L時尚未被引用的專利在將來被引用的累積概率值。如前文所述，Hall等學者估算的相關參數是建立在專利引用滯后期最長為35年的前提下。但實際上專利的引用是一個長期過程，一項專利被授權以后任何時候都可能被引用，不受保護期限的限制。引用的峰值一般在專利授權后的第五年出現。雖然五年之后被引用的概率越來越小，但一些有影響力的高質量專利在授權50年以后仍然會被引用。

我們將Pk(L)設計成一個分段函數，當L小于35年時，根據條件概率公式及Hall等學者估算的αk(L)數值，可得到Pk(L)的計算公式。其中系數ξ指的是滯后期為35年時的累積引用率占整個生命周期的百分比。根據以往研究結果，這一比例大約為90%。當L大于等于35年時，由于專利被引用的概率比較小，我們將Pk(L)簡單估算成0.05。

2.4 解釋變量——專利的后向引用類型

本文的研究問題是“許可經歷是否會對專利受讓公司后續的專利質量產生影響”。專利的后向引用是創新中知識流動的重要測度指標，反映該專利相關創新活動的知識來源，也因此成為我們觀測專利與許可交易關聯的一個窗口。假設在觀測期內專利許可出讓公司和受讓公司有n條交易專利，那么專利許可受讓公司后續專利的后向引文可分為六種類型：直接引用n條交易專利中的一條或多條；間接引用交易專利中的一條或多條；和n條交易專利中的一條或多條存在共引；后向引用出讓公司的專利，但不屬于前三種情況；后向引用出讓公司以外其他公司或機構的專利；該專利沒有任何后向引用信息。在這六種分類中，前四類前向引用都和專利許可出讓公司有關，而且在對數據的初步分析中，我們發現前三類的數量非常少，不適合進行單獨的數據分析，因此把前四類合并成一個大類，即“后向引用了專利許可出讓公司的專利”。為了考察許可經歷與專利質量之間的統計關系，我們根據專利申請時的后向引用信息設計了分類變量type，變量值1代表專利許可受讓公司在申請專利時后向引用了專利許可出讓公司的專利；變量值2代表后向引用了除專利許可出讓公司之外的其他公司或機構的專利；變量值3則代表沒有任何后向引用信息。并相應設計了type1、type2、type3三個虛擬變量作為回歸模型的自變量，相關假設如下：

假設H1：后向引用的不同類型會對專利質量產生影響。

假設H2：后向引用了專利許可出讓公司的專利質量顯著優于其他兩類的專利質量。

假設H2a:后向引用了專利許可出讓公司(type1)的專利質量顯著優于引用了其他公司或機構(type2)的專利質量；假設H2b:后向引用了其他公司(type2)的專利質量顯著優于沒有任何后向引用(type3)的專利質量。

同時參考前人的研究成果，使用專利技術通用性、專利文獻標題字數、專利授權年份作為模型的控制變量。本論文研究主要涉及的變量名稱及含義見表1。

表1 模型變量說明

2.5 數據來源和樣本選擇

本論文的研究數據主要由三部分構成：專利許可交易信息、專利申請信息、專利前向引用信息。企業在進行了專利許可交易后，需要足夠的時間進行消化、學習和再創新。根據國際經驗數據，企業研發投入與創新產出的滯后時間為3～6年。而對專利前向引用的觀測也需要一定的時間長度，五年的觀測期是研究中經常使用的。依據這三部分信息的時間滯后性，本研究將專利許可交易信息的樣本觀察期定為2002—2005年，專利申請信息的觀察期為2006—2010年，專利前向引用信息的觀察期為2007—2015年。至于專利前向引用信息存在的時間截面問題，我們在模型因變量的設計中已經進行了修正。依據前文所述研究變量與邏輯，本論文的研究思路如圖2所示。

圖2 論文研究思路

專利許可信息來自中國企業專利許可登記備案庫，選擇數據庫中2002—2005年專利受讓方為中國本土企業的作為樣本企業(剔除了合資、外商獨資和合作企業以及個人之間、個人到企業的許可)，然后在中國國家知識產權局專利信息數據庫(SIPO)中搜到共有72家企業在許可交易后有專利申請行為。由于SIPO數據庫缺乏專利的引用信息，我們選擇德溫特創新索引數據庫DII(Derwent Innovation Index)對這72家企業的專利申請信息和引用信息進行搜索。

DII數據庫是英文數據庫，存在專利權人名稱中英文轉換問題，同一個中國企業在DII里可能擁有多個英文名稱。對于這一問題，DII近年來已做了改進，一些大型的科研機構和企業都被賦予唯一的標識碼。由于DII數據庫中早期專利申請量較小的一些中國企業存在數據缺失，最終我們在DII數據庫中能夠找到完整專利申請信息的企業樣本數為46家。對這46家企業的專利申請信息進行初步分析，我們發現其中一半的專利申請量來自比亞迪公司。比亞迪擁有IT、汽車及新能源三大產業，是非常具有代表性的一家中國本土創新企業，并且它在DII數據庫中擁有唯一的企業標識碼(BYDB-C)，便于我們后續對其專利引用信息的搜索。基于以上因素，我們最終選擇了比亞迪公司作為本研究的樣本企業。

在DII數據庫中搜索到2006—2010年比亞迪公司共有4716條專利申請記錄，其中97條后向引用了專利許可出讓公司的專利，在其余的4619條記錄中隨機抽樣500條記錄，得到專利分析樣本共597條記錄。接著在數據庫中搜集了2007—2015年比亞迪公司的前向引用記錄共7778條，并將597條專利分析樣本和7778條前向引用記錄導入到Stata作為后續分析的基礎數據。

3 實證分析

3.1 描述性統計分析和模型回歸方法

表2是樣本的描述性統計信息，因變量專利質量為非負的離散型整數變量，采用一般的線性回歸會產生無效和有偏的系數,計數模型則提供了一種更好的解決方法。計數數據的概率分布主要有泊松分布和負二項分布兩種，泊松分布的一個基本假定是數據的均值等于其標準差。由表2可知，專利質量的標準差大于均值，呈超離散分布，符合負二項分布。而且通過初步的樣本數據分析發現專利質量的零值較多，因此我們采用零膨脹負二項回歸模型作為本文的研究模型。為了控制異方差現象，自變量和控制變量在運行模型時除了虛擬變量外都采用原變量的對數形式。

表2 樣本的描述性統計分析

3.2 實證結果

回歸模型的具體檢驗結果如表3所示。模型1為只包含控制變量的基礎模型，模型2為加入自變量后的零膨脹負二項回歸結果。模型3和模型4分別為泊松和普通負二項回歸模型結果，作為本論文研究模型的對照組一起列出。

表3 專利質量CKL回歸模型分析結果

注：括號內為標準誤,***p<0.01，**p<0.05，*p<0.1。

模型2中自變量type1和type2的系數分別為0.492和0.423，p值均小于0.01，證明它們對因變量專利質量都具有非常顯著的正向影響，假設H1得到支持。控制變量中專利技術通用性對專利質量也顯示出非常顯著的正相關性，這和前人的研究結論是一致的。作為對照組的兩個模型在變量的顯著性和方向性上都和研究模型體現出了高度的一致性。

為了進一步檢驗假設H2，我們將后向引用的三種類型進行基于Scheffe統計量的對比檢驗，結果見表4、表5。

通過表4和圖3，可以很直觀地看到類別1的專利質量均值明顯高于類別2和類別3。但是在Scheffe檢驗結果表中(見表5)，類別2的專利質量均值雖然比類別1低2.33，p值卻為0.466，說明兩者在統計意義上不具有顯著差異，本文的研究假設H2a只得到了部分支持。類別3的專利質量均值均低于類別1和類別2，且在統計意義上具有顯著差異(p=0.000)，因此本文的研究假設H2b得到完全支持。

表4 專利質量CKL均值的分類統計

表5 基于scheffe檢驗的專利質量CKL均值分類對比

注：括號內為p值。

圖3 不同類型后向引用的專利質量CKL均值圖

3.3 去除自引專利后的穩健性檢驗

“專利自引”是專利引證中的常見現象，指在先專利被該專利權利人的在后專利所引用。原始前向引用次數FC是因變量CKL的關鍵過程變量，我們在統計FC的變量值時，其實包含了專利許可受讓企業的一些自引專利。為了去除這部分自引專利對模型因變量的影響，我們對數據進行了進一步清理，在統計原始前向引用次數時剔除了自引專利，并命名為新變量FCX，然后按照原來CKL的計算公式重新計算了因變量專利質量(變量命名為CKLX)。將自變量、控制變量、模型回歸方法保持不變，采用更為客觀的CKLX值作為因變量再次對本文的研究假設進行檢驗。回歸模型的具體結果如表6所示。

各個模型的含義和表3的介紹相同，此處不再重復解釋。表6中各個結果和表3中的結果基本一致，自變量type1、type2和控制變量專利技術通用性對因變量專利質量都具有非常顯著的正向影響，證明了假設H1成立的穩健性。

類似地，我們也對后向引用的三種類型進行基于Scheffe統計量的對比檢驗，結果見表7、表8。

將表7、圖4、表8和表4、圖3、表5進行比較，我們發現除了專利質量的均值普遍變小了以外，研究結論和前文是一致的，即假設H2a只得到了部分支持，假設H2b得到了完全支持，進一步證明了之前研究結論的穩健性。

表6 專利質量CKLX回歸模型分析結果

注：括號內為標準誤,***p<0.01，**p<0.05，*p<0.1。

表7 專利質量CKLX均值的分類統計

表8 基于scheffe檢驗的專利質量CKLX均值分類對比

注：括號內為p值。

圖4 不同類型后向引用的專利質量CKLX均值圖

3.4 高引用和低引用專利的分組回歸穩健性檢驗

考慮到高引用和低引用的專利可能呈現出不同的特征，我們運用分組回歸對本文的研究假設做進一步檢驗。通過初步樣本數據分析，我們觀察到大約90%的專利其原始前向引用次數(FCX)都低于4次。因此將FCX值大于4作為高引用組的標準，將樣本分為高引用和低引用專利兩組進行零膨脹負二項回歸分析，具體結果見表9。

表9 專利質量CKLX分組回歸模型分析結果

分組回歸顯示低引用和高引用專利除了在影響系數上有細微差異外，其余研究結論和前文是一致的，也再次驗證了本文實證結果的穩健性。

4 研究結論及啟示

本文基于中國專利許可備案數據、專利申請、引證數據，采用零膨脹負二項回歸模型分析了許可經歷與企業專利質量的關系。在基準回歸模型的基礎上，我們還進行了去除自引專利后的穩健性檢驗、高引用和低引用專利的分組回歸穩健性檢驗。統計結果表明，自變量對因變量專利質量自始至終(表3、表6、表9)都具有非常顯著的正向作用，說明專利后向引用的不同類型確實會影響專利質量。就后向引用三種類型之間的比較來看，雖然類別1和類別2在統計學意義上不具有顯著差異，但是后向引用專利許可出讓公司的專利在專利質量均值上高于其他兩類，說明專利許可經歷在一定程度上改進了專利受讓企業后續的專利質量。

上述研究結論對企業的創新管理具有啟示作用，企業除了通過加強內部研發這一傳統途徑來提高專利質量、提升創新能力以外，還需要進一步拓展外部的技術學習機制，本文證明了專利許可是其中一種可行的途徑。當然，專利許可與企業創新能力之間并不是簡單的線性關系，而是一種高度復雜的非線性關系。專利許可對企業知識吸收能力和知識結構異質性的提高只有通過一定學習和積累才能實現，從而形成專利許可與創新之間的良性互動。

本文的研究價值和創新性主要體現在：①首次從專利引用的微觀層面實證探討了專利許可引進與企業專利質量的內在關系，既增強了現有理論研究的系統性，又對進一步提升企業的專利質量具有實踐指導意義；②從專利計量學的角度，對原有專利的前向引用統計公式進行了修正和改進，從單個專利擴展到對專利家族專利質量的測度，并實現了對當前引用次數為零的專利進行全生命周期引用次數的預估，為以后相關的數據分析提供了一定的啟示；③從企業專利質量這一分析視角為長久以來專利許可與企業自主創新能力成長關系存在的爭論提供了新的佐證資料，擴展了我們對專利許可與企業創新聯系的理解。

本論文也存在一定的局限性，研究將比亞迪公司作為樣本企業，從專利層面探索了專利許可與企業專利質量的關系，單個企業樣本影響了研究的外在效度，也使我們的研究忽略了企業層面的一些影響因素。未來可以擴展樣本企業數量，運用多層次分析法綜合企業和專利兩個層面，更加系統深入地分析專利許可與企業專利質量之間的關系。

[1]LERNER J.The importance of patent scope:an empirical analysis[J].The R&D journal of economics，1994,25(2):319-333.

[2]LANJOUW J O，SCHANKERMAN M.Patent quality and research productivity:measuring innovation with multiple indicators[J].The economic journal,2004,495(114):441-465.

[3]NAGAOKA S.Assessing the R&D management of a firm in terms of speed and science linkage:evidence from the Us patents[J].Journal of economics & management strategy，2007,16(1):129-156.

[4]萬小麗.知識產權戰略實施績效評估中的專利質量指標及其作用研究[J].科學學與科學技術管理，2009(11):69-74.

[5]宋河發，穆榮平，陳芳.專利質量及其測度方法與測度指標體系研究[J].科學學與科學技術管理，2010(4):21-27.

[6]朱雪忠，喬永忠，萬小麗.基于維持時間的發明專利質量實證研究——以中國國家知識產權局1994 年授權的發明專利為例[J].管理世界，2009(1):174-175.

[7]JAFFE A B，TRAJTENBERG M.International knowledge flows:evidence from patent citations[J].Economics of innovation and new technology，1999(8):105-136.

[8]HU A，JAFFE A B.Patent citations and international knowledge flow:the cases of Korea and Taiwan[J].International journal of industrial organization,2003,21(6):849-880.

[9]RNSENKOPF L，ALMEIDA P.Overcoming local search through alliance and mobility[J].Management science,2003，49(6):751-766.

[10]WU Y，LEE P.The use of patent analysis in assessing ITS innovations：US，European and Japan[J].Transportation research part A,2006,41：568-586.

[11]HE Z，LIRA K，WONG P.Snakes and ladders：a patent analysis of Ericsson，Motorola and Nokia in the wireless communications industry，1980—2000[A].Proceedings of the 2004 IEEE International Engineering Management Conference：Innovation and Entrepreneurship for Sustainable Development[C],2004.22-26.

[12]LEE Y G，LEE J D，et al.An indepth empirical analysis of patent citation counts using zero—inflated count data model：the case of KIST[J].Seientometries，2007，70(1)：27-39.

[13]萬小麗.專利質量指標中“被引次數”的深度剖析[J].情報科學,2014,32(1):68-73.

[14]TRAJTENBERG M.A penny for your quotes:patent citations and the value of innovations[J].Rand journal of economics,1990，21(1):172-181.

[15]IWAN V W，THORSTEN T，KATJA R.Inventive progress measured by multi-stage patent citation analysis[J].Research policy，2005，34(10):1591-1607.

[16]ATALLAH G，RODRIGUEZ G.Indirect patent citations[J].Scientometrics，2006，67(3):437-465.

[17]NARIN F，CARPENTER M P，WOOLF P.Technological performance assessment based on patents and patent citations[J].IEEE transactions on engineering management，1984,31(4):172-183.

[18]ALBERT M B，AVERY D，NARIN F，et al.Direct validation of citation counts as indicators of industrially important patents[J].Research policy，1991，20(3):251-259.

[19]HIRSCHEY M，RICHARDSON V J.Valuation effects of patent quality:a comparison for Japanese and U.S.firms[J].Pacific-basin finance journal，2001，9(1):65-82.

[20]LOWE J，TAYLOR P.R&D and technology purchase through license agreements:complementary strategies and complementary assets[J].R&D management，1998,28(4):263-278.

[21]王元地,等.專利許可、技術學習與企業創新能力成長[J].研究與發展管理,2012,24(5):55-63.

[22]PILLAI P M.Technology transfer，adaptation and assimilation[J].Economic and political weekly，1979，14(47):121-126.

[23]HALL B H，JAFFE A B，TRAJTENBERG M.The NBER patent citations data file:lessons，insights and methodological tools[R].NBER Working，2001.

[24]CABALLERO R，JAFFE A.How high are the Giants’ shoulders:an empirical assessment of knowledge spillovers and creative destruction in a model of economic growth.blanchard O.and fischer S.National Bureau of Economic Research Macroeconomics Annual[C].MIT Press，1993.

(責任編輯 沈蓉)

TheInfluenceofLicensingExperienceontheFirm’sPatentQuality:BasedonPatentCitationData

Xie Fang1，2，Chen Jin3

(1.School of Management，Zhejiang University，Hangzhou 310058，China；2.Research Center for the Scientific development outlook and Zhejiang Development of Zhejiang Party School，Hangzhou 311121，China；3.School of Economics and Management，Tsinghua University，Beijing 100084，China)

Patent licensing is an important way of firm’s technological learning and the source of technological competitiveness.Based on the measurement of the patent family quality over the life span，the study examines the relationship between the licensing experience and firm’s patent quality using negative binomial regression model.Various data sources are used in the study:the registered records of patent licensing agreements by the State Intellectual Property Office of PRC；Patent application and citation data from the Derwent Innovation Index database.The results indicate that the licensing experience positively impact licensee firm’s subsequent patent quality.

Patent licensing；Patent quality；Patent citation；Knowledge flow

浙江省軟科學研究計劃項目(2017C35032)。

2017-03-30

謝芳(1977-)，女，浙江嘉興人，副教授，博士研究生；研究方向：技術經濟管理、知識產權。

F204

A