知識產權保護對高技術產業創新效率的影響效應
——基于空間計量模型的實證分析

王桂梅，趙喜倉，程開明

(1.浙江工商大學統計與數學學院，浙江杭州 310018；2.江蘇大學財經學院，江蘇鎮江 212013)

黨的十九大報告指出，中國經濟已從高速發展轉向高質量發展階段，在經濟增速放緩、人口紅利減弱的背景下，創新驅動作為國家和區域經濟社會進步的重要動力而助推高質量發展。世界知識產權組織(WIPO)發布的2019 年全球創新指數(GII)顯示中國居第14 位，較2018 年上升3 位；國家統計局發布的2018 年中國創新指數高達212，比2017 年增長8.6%。高技術產業是科技水平高的知識密集型產業，具有產品附加值高、節約資源、技術更新快等特點，是提升創新能力、搶占產業制高點的重要依托。近年來，我國高技術產業規模不斷擴大，主營業務收入從2007 年的49 714.10 億元增加到2018 年的157 000.97 億元，R&D 人員全時當量由24.85 萬人年增加到73.1 萬人年，但高技術產業的核心競爭力不強，創新效應還有待提高。

影響創新效率的因素較多，知識產權保護作為一項重要的創新激勵措施，通過影響創新投入、技術轉移、創新收益等路徑對創新效率產生顯著影響，成為制約高技術產業創新能力的一個關鍵因素。目前有關知識產權保護對創新效率影響的研究多基于微觀數據開展分析，尚未形成統一觀點，對于我國知識產權保護與創新效率之間的關系也不明晰。基于此，本文在綜合已有研究的基礎上，利用空間計量模型解析知識產權保護對高技術產業創新效率的影響效應，對于強化知識產權保護、提高創新效應和推動經濟高質量發展具有重要的現實意義。

1 文獻綜述

關于知識產權保護的測度方法主要包括指標表示法、多指標綜合評價法和改進的GP 指數法三種。一些學者采用技術交易市場的營業額［1-3］、平均軟件盜版率［4］、加入世界知識產權組織簽署的條約數量等指標來表示知識產權保護［5］。少數學者采用多個指標來測度知識產權保護，鄭長云［6］用每萬人擁有的律師數和專利侵權糾紛案件結案率表示知識產權保護，Lai 等［7］選取勝訴率和專利解決率表示各省知識產權執法情況。隨著研究的深入，只選取一個或少數幾個指標來表示知識產權保護，顯然不能全面反映知識產權保護狀況，故需構建指標體系來綜合評價知識產權保護。Bai 等［8］以保護協作創新項目的知識資產和創新成果的知識產權機制為中心，從對項目成員泄漏行為的嚴格控制、采用系列保護方法來防止競爭對手模仿等六個維度構建指標體系對知識產權保護進行測度。朱艷麗等［9］從民眾知識產權保護意識、知識產權執法因子、司法保護水平等六個方面選擇指標，采用主成分分析法合得到綜合得分來反映知識產權保護。盡管構建的指標體系能夠更全面反映知識產權保護狀況，但實際意義往往難以解釋，一些學者進而基于GP 指數來測度地區知識產權保護強度。Park［10］在專利法下增加“軟件”這一指標，在國際條約下增加“布達佩斯條約”和“TRIPs 協議”來改進GP 指數；李靜晶等［11］選用律師占比、立法實踐、人均GDP 等指標測度地區知識產權保護綜合得分，對GP指數進行修正；孫赫［12］從社會法制化程度、政府執法態度等方面構建指標體系來計算執法水平以修正GP 指數。

關于創新效率的測度，部分學者采用隨機前沿分析(SFA)模型測度效率［13-16］，一些學者則以此為基礎進行改進，采用Super-SBM 對創新效率進行測度［17-18］。雖然隨機前沿分析將隨機因素考慮在內，但只能對單一產出指標進行處理，不適合開展多投入多產出指標的效率評價，所以一些研究采用數據包括分析(DEA)模型來處理多投入多產出指標以測度創新效率［19-20］。還有學者為考察效率的動態變化，采用DEA-Malmquist 指數、超效率DEA 等方法來測算創新效率［21-24］。

部分學者對知識產權保護與創新效率之間關系的探討發現，知識產權保護有利于促進創新效率。Liu 等［25］分析企業創新的影響因素發現知識產權保護在銀行股權關系的作用下對創新產生積極影響；劉婧等［26］探索知識產權能力和知識產權保護外部性對創新效率的影響，發現知識產權的創造、運用、管理對創新效率產生積極影響，外部知識產權保護也對創新效率提升有一定推動作用；魏浩等［27］利用中國海關貿易與工業企業的數據，實證分析發現知識產權保護的改善對企業創新產生顯著的積極影響。研究知識產權保護執法力度對企業技術創新的影響時，易倩等［28］發現知識產權保護執法力度加強能夠促進區域技術創新，在經濟發達地區更為明顯。隨著研究的不斷深入，部分學者發現知識產權保護與創新效率之間存在非線性關系。Hudson 等［29］考慮了知識產權保護初始水平和經濟發展狀況，發現知識產權保護對創新存在非線性關系；Liu 等［30］發現知識產權保護不僅和企業價值之間存在倒U 關系，與技術創新之間呈現倒U 關系；趙娜等［31］認為知識產權保護先對技術創新起促進作用，但逐步抑制企業技術創新的提升；胡善成等［32］發現知識產權保護與創新效率之間存在顯著的倒U 型關系，當前我國知識產權保護水平基本處在拐點的左側。

綜上所述，知識產權保護的測度方法主要包括指標表示法、多指標綜合評價法和改進的GP 指數法三種，其中GP 指數法能夠全面測度知識產權保護，且與國際數據接軌，但應用GP 指數時尚未形成基本一致的指標體系。創新效率測度主要包括隨機前沿分析和數據包絡分析兩種方法，因隨機前沿分析不能處理多投入多產出問題，故多數學者更傾向于選擇數據包絡分析法。在探究知識產權保護與創新效率的關系時，較少學者以高技術產業為研究對象，已有研究分析知識產權保護對創新效率的影響時也較少考慮空間因素。故而，在已有研究的基礎上，本文主要進行以下拓展分析：(1)以GP 指數為基礎，構建多指標綜合評價體系以測度知識產權保護強度；(2)以高技術產業為研究對象，采用空間計量模型解析知識產權保護對創新效率的影響及空間溢出效應，并考察不同地區的效應差異性。

2 計量模型設定與變量說明

2.1 計量模型設定

根據空間計量經濟學原理，利用空間自相關檢驗來確定研究對象是否具有空間相關性，空間自相關檢驗包括全局和局部自相關檢驗。常用的全局莫蘭指數為：

2.2 變量說明

2.2.1 被解釋變量

高技術產業是知識、技術密集型產業，投入方面需要大量的人力和資金支持，產出方面的專利授權數和新產品銷售收入較能代表高技術產業的競爭力。數據包絡分析(DEA)是以相似決策單元為對象，計算相對投入產出效率的方法，常用的DEA 模型有規模報酬不變模型和規模報酬可變模型兩種，結合實際在此選用規模報酬可變模型來測度高技術產業創新效率。以第j個決策單元的效率值為目標，構建規模報酬可變的線性規劃模型為：

其中，Xj為第j個決策單元的投入量；Yj為第j個決策單元的輸出量；SA、SB 分別為松弛變量和剩余變量；θ為決策單元的效率值，若θ=1，則決策單元有效；若0<θ<1，則決策單元非有效。

遵循科學性、系統性、數據可獲得性等原則，選取R&D 人員折合全時當量和R&D 經費內部支出作為創新投入指標，新產品銷售收入和專利申請數量作為創新產出指標，具體指標見表1 所示。

表1 高技術產業創新效率指標體系

其中，以2006 年價格為基準的研發價格指數對R&D 經費內部支出進行平減，得到可比價的R&D經費內部支出；新產品銷售收入則以2006 年價格為基準的工業品出廠價格指數進行平減。根據高曉光［33］的研究，研發價格指數=0.75×工業品出廠價格指數+0.25×居民消費價格指數。數據來源于《中國科技統計年鑒》，由于西藏數據缺失以及港澳臺統計口徑與大陸不同，故選取中國30 個省(自治區、直轄市)作為分析對象。此外，因高技術產業創新投入和產出存在一定的滯后性，選取創新產出變量滯后一期數據進行分析，即投入變量的時間跨度為2007—2017 年，產出變量時間期限為2008—2018 年。

采用DEA-Solver Pro5.0 軟件對2008—2018 年中國30 個省(自治區、直轄市)的高技術產業創新效率進行測度，結果如圖1 所示。可以發現，中國30個省份的高技術產業創新效率均值分布參差不齊，廣東省高技術產業創新效率均值最高（0.88），江蘇省和安徽省次之（0.84），黑龍江最低（0.23），與廣東省差距較大。13 個省份的高技術產業創新效率均值在0.5 以上，表明大部分省份的高技術產業創新效率較低，提升空間較大。

圖1 中國30 個省份高技術產業創新效率均值

2.2.2 核心解釋變量

核心解釋變量為知識產權保護強度(IPR)，目前學者多采用改進的GP 指數法測度知識產權保護強度，但在指標體系構建方面尚未形成統一意見。在曹薇等［34］等研究的基礎上，本文從法制化程度、法律體系的完備程度、經濟發展水平、國際社會的監督制衡機制、社會公眾知識產權意識等五個方面構建指標體系，采用綜合指數法得到知識產權保護執法強度綜合得分，并將結果與GP指數相乘求得“知識產權保護強度”指標值。具體指標見表2 所示，數據來源于《中國統計年鑒》《中國律師統計年鑒》、各省份統計年鑒和國家知識產權局。

表2 知識產權保護指標體系

2.2.3 控制變量

模型中的控制變量主要包括：(1)技術進步(TA)。高技術產業是技術要求高的知識密集型產業，技術進步對產業創新具有明顯影響，在此采用“專利授權數”來代表技術進步。(2)人力資本水平(HC)。人是技術創新的主體，根據內生增長理論，人力資本是影響技術創新效率的重要因素，在此采用“普通高等學校在校學生數占比”來代表人力資本水平。(3)產業結構(IS)。不斷優化的產業結構對高技術產業產生重要影響，以“第三產業增加值占比”代表。(4)對外開放程度(OD)，對外開放有利于資本、人才和技術的流動，采用“實際利用外商直接投資額占GDP 比重”來表示。數據來源于國家知識產權局、國家統計局和各省份統計年鑒。

指標數據的時間跨度為2007—2018 年，變量的描述性統計量見表3。

表3 變量的描述性統計

3 實證分析結果

3.1 空間相關性檢驗

運用stata16.0 軟件，采用地理距離空間權重矩陣對2008—2018 年中國30 個省(自治區、直轄市)高技術產業創新效率和知識產權保護強度分別進行Moran's I 指數檢驗，結果見表4 所示。

表4 2008—2018 年高技術產業創新效率和知識產權保護強度的空間相關性檢驗

除2009 年外，其余年份高技術產業創新效率的Moran's I 指數均顯著為正，表明高技術產業創新效率存在空間正相關性，其中2010 年高技術產業創新效率的空間相關性最強。2008—2018 年知識產權保護強度的Moran's I 指數除2018 年外均在0.40 以上，且通過顯著性檢驗，說明知識產權保護強度具有顯著的空間自相關性。

對2018 年中國30 個省(自治區、直轄市)高技術產業創新效率和知識產權保護強度進行局部相關性檢驗，局部Moran's I 系數散點圖見圖2 所示。

圖2 2018 年30 個省份的局部Moran's I 散點圖

局部Moran's I 散點圖中第一象限為高高集聚，第二象限為低高集聚，第三象限為低低集聚，第四象限為高低集聚。根據圖2 知，2018 年各個省份的高技術產業創新效率分布較為分散，Moran's I 系數為0.106，省份在四個象限的分布較為均衡。各省份知識產權保護強度的分布較為集中，Moran's I 系數為0.332，大部分省份處于低低、高高集聚象限，占比高達76.67%；其中處于高高集聚象限的有北京、天津、上海等6 個省市。

3.2 模型參數估計解析

通過空間相關性檢驗發現高技術產業創新效率和知識產權保護強度都存在空間自相關性，因此采用空間計量模型來進行計量模型分析。開展面板模型分析，首先采用Hausman 檢驗對固定效應模型和隨機效應模型進行選取，Hausman 統計量(55.03)在1%水平上顯著，說明固定效應模型更為合適。然后采用LR 檢驗判斷空間杜賓模型是否能簡化為空間滯后模型和空間誤差模型，結果發現LR 檢驗統計量分別為25.02 和20.92，在1%水平上通過顯著性檢驗，表明空間杜賓模型不能簡化為空間滯后模型或空間誤差模型，以空間杜賓模型來開展分析較為合適。最后，對模型的空間效應、時間效應和雙向效應進行LR 檢驗，檢驗統計量分別為72.10 和220.80，均在1%水平上通過顯著性檢驗，表明雙向效應比較合適。綜上所述，最終選取雙向固定效應的空間杜賓模型來開展估計結果分析。

為反映參數估計的穩健性，對地理距離空間權重矩陣下的空間杜賓模型、空間滯后模型和空間誤差模型估計結果均報告出來，具體見表5 所示。從中可以發現，從對數似然比和AIC 值看，空間杜賓模型效果最好。

表5 空間計量模型的參數估計結果

從三種模型的參數估計結果可知，本地區和相鄰地區知識產權保護強度對高技術產業創新效率具有顯著正向影響，空間杜賓模型顯示本地區和相鄰地區知識產權保護強度提高有利于高技術產業創新效率的提升，原因可能是知識產權保護能夠促進企業技術創新，優化資源的市場配置而減少資源錯配，促進高技術產業創新效率的提升。具體來看，一方面知識產權保護通過激勵機制、保護機制、配置機制對高技術產業創新效率產生直接影響。知識產權保護通過保護技術創新成果使創新者獲得短時期的壟斷權，在市場交易中獲得超額收益，激發創新的主動性和積極性，從而增加創新市場的技術供給；知識產權保護制度的建立保障了企業創新成果的市場化、商業化，避免重復研究，加強對資源的有效利用，優化資源配置，提高創新效率。另一方面，知識產權保護還通過競爭效應、模仿效應、流動效應對高技術產業創新效率產生間接影響。國外企業因先進技術和優質產品對國內產品和技術帶來巨大沖擊，迫使國內企業消化、吸收國外先進技術，加大創新資金和人員投入，大力提高自身技術創新水平和創新效率。

表5 中的估計結果不能完全反映知識產權保護和各控制變量對高技術產業創新效率的邊際影響，也無法說明知識產權保護對相近地區高技術產業創新效率的溢出效應。Elhorst 指出單純使用空間計量模型的極大似然估計結果分析解釋變量對被解釋變量的影響可能存在偏誤，采用偏微分法估計解釋變量對被解釋變量的溢出效應更有效［35］。進一步采用偏微分法估計空間杜賓模型的總效應，并分解為直接效應和間接效應，具體結果見表6 所示。總效應變量對被解釋變量的影響，直接效應和間接效應為變量對本地區和相近地區被解釋變量的平均影響。

表6 影響效應的分解

從表6 可知，知識產權保護強度對高技術產業創新效率的間接效應和總效應顯著為正，直接效應為正但不顯著。從控制變量來看，技術進步對本地區高技術產業創新效率具有顯著促進作用，對相近地區的影響不顯著。人力資本對本地區高技術產業創新效率具有顯著正向促進影響，對相近地區的影響顯著為負，表明人力資本增加有利于本地區高技術產業創新效率提高，但地區之間因人才競爭機制等導致人力資本的空間溢出效應為負。產業結構對本地區和相近地區高技術產業創新效率的系數顯著為正，意味著第三產業占比上升有利于提升本地區和相近地區的高技術產業創新效應。開放程度對高技術產業創新效率的直接效應顯著為負，間接效應卻顯著為正，原因可能是本地區經濟發展落后，不能對外來引進的先進技術充分消化、吸收，進而阻礙了創新效率提高。

3.3 穩健性檢驗

為檢驗不同空間權重矩陣下知識產權保護對高技術產業創新效率影響效應的穩健性，在（0，1）空間權重矩陣和經濟距離空間權重矩陣下對空間杜賓模型的總效應、直接效應和間接效應進行估計，結果見表7 所示。經濟距離空間權重矩陣為:

表7 （0，1）空間權重矩陣和經濟距離空間權重矩陣下的效應分解

從表7 可以發現，（0，1）空間權重矩陣和經濟距離權重矩陣下知識產權保護影響高技術產業創新效率的間接效應和總效應均在5%水平上顯著為正，變量系數的符號方向、顯著性水平與地理距離空間權重矩陣的結果基本一致，表明空間杜賓模型的估計結果具有穩健性。

3.4 三大地區實證結果分析

為進一步了解不同地區知識產權保護強度對高技術產業創新效率影響效應的差異，接下來分地區開展空間計量模型分析，因東北地區僅包括3 個省份樣本量太小，故將30 個省份按國家統計局標準劃分為東部、中部及西部三大地區（東部地區包括：北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、廣西、海南；中部地區包括山西、內蒙古、吉林、黑龍江、安徽、江西、河南、湖北、湖南；西部地區包括重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆），分別構建空間杜賓模型進行參數估計，結果見表8 所示。

表8 三大地區的效應分解結果

東部、中部地區知識產權保護強度對高技術產業創新效率的直接效應顯著為正，知識產權保護強度加強會帶來高技術產業創新效率的提高。中部地區知識產權保護對高技術產業創新效率的間接效應顯著為負，意味著本地區加強知識產權保護帶來相近地區高技術產業創新效率的下降，而西部地區知識產權保護加強會帶來相近地區高技術產業創新效率的提高，表明適度的知識產權保護有利于高技術產業創新效率的提高。從總效應看，東部、中部、西部地區對高技術產業創新效率的影響均為正，但東部地區影響不顯著，表明中國知識產權保護強度正處于促進高技術產業創新效率的發展階段。

控制變量方面，中部地區技術進步對本地區高技術產業創新效率影響具有積極影響，東部、西部地區的影響均不顯著。東部地區人力資本對高技術產業創新效率的直接效應顯著為正，而間接效應卻顯著為負，中部地區人力資本對本地區和鄰近地區高技術產業創新效率的影響均不顯著，西部地區的人力資本對鄰近地區高技術產業創新效率產生抑制效應。東部和西部產業結構對本地區和鄰近地區的創新效率均具有正向作用，而中部產業結構對鄰近地區的創新效率產生消極影響。西部地區對外開放程度對鄰近地區高技術產業創新效率的影響顯著為正，其余地區的影響效應不顯著。

4 結論與建議

以中國30 個省份為研究對象，運用數據包絡分析法測度高技術產業創新效率，采用改進的GP 指數法量化知識產權保護強度，利用空間計量模型探析知識產權保護對高技術產業創新效率的影響效應。結論發現：高技術產業創新效率和知識產權保護強度均存在顯著的空間自相關性；總體上知識產權保護對高技術產業創新效率產生積極影響，具有正向空間溢出效應；東部和中部地區知識產權保護對本地區高技術產業創新效率具有促進作用，中部地區知識產權保護顯著抑制相近地區高技術產業創新效率，西部地區顯著促進相近地區的高技術產業創新效率。

上述結論對于促進高技術產業發展、提升高技術產業創新效率，具有以下啟示意義。（1）加強知識產權保護，促進創新效率提高。實證研究表明知識產權保護顯著促進高技術產業創新效率，因此政府應強化知識產權保護，加強企業和高校的合作，從法制化程度、社會公眾知識產權意識等方面提升知識產權保護意識和強度，并不斷提高律師人數占比、專利申請量等。（2）加強區域合作，促進知識產權保護協調發展。知識產權保護在地區之間存在一定的溢出效應，故不同地區需突破基于地理界線，加強地區之間的知識產權保護合作，促使知識產權保護協調發展，以提升高技術產業的創新能力和創新效應。（3）優化產業結構，提高第三產業比重。全國及東部、西部地區的產業結構均對高技術產業創新效率產生促進效應，需進一步加強服務業特別是新興生產性服務業的發展，以滿足各界對技術、信息服務的需求，不斷提高創新效率。