知识产权保护对高技术产业创新效率的影响效应
——基于空间计量模型的实证分析

王桂梅，赵喜仓，程开明

(1.浙江工商大学统计与数学学院，浙江杭州 310018；2.江苏大学财经学院，江苏镇江 212013)

党的十九大报告指出，中国经济已从高速发展转向高质量发展阶段，在经济增速放缓、人口红利减弱的背景下，创新驱动作为国家和区域经济社会进步的重要动力而助推高质量发展。世界知识产权组织(WIPO)发布的2019 年全球创新指数(GII)显示中国居第14 位，较2018 年上升3 位；国家统计局发布的2018 年中国创新指数高达212，比2017 年增长8.6%。高技术产业是科技水平高的知识密集型产业，具有产品附加值高、节约资源、技术更新快等特点，是提升创新能力、抢占产业制高点的重要依托。近年来，我国高技术产业规模不断扩大，主营业务收入从2007 年的49 714.10 亿元增加到2018 年的157 000.97 亿元，R&D 人员全时当量由24.85 万人年增加到73.1 万人年，但高技术产业的核心竞争力不强，创新效应还有待提高。

影响创新效率的因素较多，知识产权保护作为一项重要的创新激励措施，通过影响创新投入、技术转移、创新收益等路径对创新效率产生显著影响，成为制约高技术产业创新能力的一个关键因素。目前有关知识产权保护对创新效率影响的研究多基于微观数据开展分析，尚未形成统一观点，对于我国知识产权保护与创新效率之间的关系也不明晰。基于此，本文在综合已有研究的基础上，利用空间计量模型解析知识产权保护对高技术产业创新效率的影响效应，对于强化知识产权保护、提高创新效应和推动经济高质量发展具有重要的现实意义。

1 文献综述

关于知识产权保护的测度方法主要包括指标表示法、多指标综合评价法和改进的GP 指数法三种。一些学者采用技术交易市场的营业额［1-3］、平均软件盗版率［4］、加入世界知识产权组织签署的条约数量等指标来表示知识产权保护［5］。少数学者采用多个指标来测度知识产权保护，郑长云［6］用每万人拥有的律师数和专利侵权纠纷案件结案率表示知识产权保护，Lai 等［7］选取胜诉率和专利解决率表示各省知识产权执法情况。随着研究的深入，只选取一个或少数几个指标来表示知识产权保护，显然不能全面反映知识产权保护状况，故需构建指标体系来综合评价知识产权保护。Bai 等［8］以保护协作创新项目的知识资产和创新成果的知识产权机制为中心，从对项目成员泄漏行为的严格控制、采用系列保护方法来防止竞争对手模仿等六个维度构建指标体系对知识产权保护进行测度。朱艳丽等［9］从民众知识产权保护意识、知识产权执法因子、司法保护水平等六个方面选择指标，采用主成分分析法合得到综合得分来反映知识产权保护。尽管构建的指标体系能够更全面反映知识产权保护状况，但实际意义往往难以解释，一些学者进而基于GP 指数来测度地区知识产权保护强度。Park［10］在专利法下增加“软件”这一指标，在国际条约下增加“布达佩斯条约”和“TRIPs 协议”来改进GP 指数；李静晶等［11］选用律师占比、立法实践、人均GDP 等指标测度地区知识产权保护综合得分，对GP指数进行修正；孙赫［12］从社会法制化程度、政府执法态度等方面构建指标体系来计算执法水平以修正GP 指数。

关于创新效率的测度，部分学者采用随机前沿分析(SFA)模型测度效率［13-16］，一些学者则以此为基础进行改进，采用Super-SBM 对创新效率进行测度［17-18］。虽然随机前沿分析将随机因素考虑在内，但只能对单一产出指标进行处理，不适合开展多投入多产出指标的效率评价，所以一些研究采用数据包括分析(DEA)模型来处理多投入多产出指标以测度创新效率［19-20］。还有学者为考察效率的动态变化，采用DEA-Malmquist 指数、超效率DEA 等方法来测算创新效率［21-24］。

部分学者对知识产权保护与创新效率之间关系的探讨发现，知识产权保护有利于促进创新效率。Liu 等［25］分析企业创新的影响因素发现知识产权保护在银行股权关系的作用下对创新产生积极影响；刘婧等［26］探索知识产权能力和知识产权保护外部性对创新效率的影响，发现知识产权的创造、运用、管理对创新效率产生积极影响，外部知识产权保护也对创新效率提升有一定推动作用；魏浩等［27］利用中国海关贸易与工业企业的数据，实证分析发现知识产权保护的改善对企业创新产生显著的积极影响。研究知识产权保护执法力度对企业技术创新的影响时，易倩等［28］发现知识产权保护执法力度加强能够促进区域技术创新，在经济发达地区更为明显。随着研究的不断深入，部分学者发现知识产权保护与创新效率之间存在非线性关系。Hudson 等［29］考虑了知识产权保护初始水平和经济发展状况，发现知识产权保护对创新存在非线性关系；Liu 等［30］发现知识产权保护不仅和企业价值之间存在倒U 关系，与技术创新之间呈现倒U 关系；赵娜等［31］认为知识产权保护先对技术创新起促进作用，但逐步抑制企业技术创新的提升；胡善成等［32］发现知识产权保护与创新效率之间存在显著的倒U 型关系，当前我国知识产权保护水平基本处在拐点的左侧。

综上所述，知识产权保护的测度方法主要包括指标表示法、多指标综合评价法和改进的GP 指数法三种，其中GP 指数法能够全面测度知识产权保护，且与国际数据接轨，但应用GP 指数时尚未形成基本一致的指标体系。创新效率测度主要包括随机前沿分析和数据包络分析两种方法，因随机前沿分析不能处理多投入多产出问题，故多数学者更倾向于选择数据包络分析法。在探究知识产权保护与创新效率的关系时，较少学者以高技术产业为研究对象，已有研究分析知识产权保护对创新效率的影响时也较少考虑空间因素。故而，在已有研究的基础上，本文主要进行以下拓展分析：(1)以GP 指数为基础，构建多指标综合评价体系以测度知识产权保护强度；(2)以高技术产业为研究对象，采用空间计量模型解析知识产权保护对创新效率的影响及空间溢出效应，并考察不同地区的效应差异性。

2 计量模型设定与变量说明

2.1 计量模型设定

根据空间计量经济学原理，利用空间自相关检验来确定研究对象是否具有空间相关性，空间自相关检验包括全局和局部自相关检验。常用的全局莫兰指数为：

2.2 变量说明

2.2.1 被解释变量

高技术产业是知识、技术密集型产业，投入方面需要大量的人力和资金支持，产出方面的专利授权数和新产品销售收入较能代表高技术产业的竞争力。数据包络分析(DEA)是以相似决策单元为对象，计算相对投入产出效率的方法，常用的DEA 模型有规模报酬不变模型和规模报酬可变模型两种，结合实际在此选用规模报酬可变模型来测度高技术产业创新效率。以第j个决策单元的效率值为目标，构建规模报酬可变的线性规划模型为：

其中，Xj为第j个决策单元的投入量；Yj为第j个决策单元的输出量；SA、SB 分别为松弛变量和剩余变量；θ为决策单元的效率值，若θ=1，则决策单元有效；若0<θ<1，则决策单元非有效。

遵循科学性、系统性、数据可获得性等原则，选取R&D 人员折合全时当量和R&D 经费内部支出作为创新投入指标，新产品销售收入和专利申请数量作为创新产出指标，具体指标见表1 所示。

表1 高技术产业创新效率指标体系

其中，以2006 年价格为基准的研发价格指数对R&D 经费内部支出进行平减，得到可比价的R&D经费内部支出；新产品销售收入则以2006 年价格为基准的工业品出厂价格指数进行平减。根据高晓光［33］的研究，研发价格指数=0.75×工业品出厂价格指数+0.25×居民消费价格指数。数据来源于《中国科技统计年鉴》，由于西藏数据缺失以及港澳台统计口径与大陆不同，故选取中国30 个省(自治区、直辖市)作为分析对象。此外，因高技术产业创新投入和产出存在一定的滞后性，选取创新产出变量滞后一期数据进行分析，即投入变量的时间跨度为2007—2017 年，产出变量时间期限为2008—2018 年。

采用DEA-Solver Pro5.0 软件对2008—2018 年中国30 个省(自治区、直辖市)的高技术产业创新效率进行测度，结果如图1 所示。可以发现，中国30个省份的高技术产业创新效率均值分布参差不齐，广东省高技术产业创新效率均值最高（0.88），江苏省和安徽省次之（0.84），黑龙江最低（0.23），与广东省差距较大。13 个省份的高技术产业创新效率均值在0.5 以上，表明大部分省份的高技术产业创新效率较低，提升空间较大。

图1 中国30 个省份高技术产业创新效率均值

2.2.2 核心解释变量

核心解释变量为知识产权保护强度(IPR)，目前学者多采用改进的GP 指数法测度知识产权保护强度，但在指标体系构建方面尚未形成统一意见。在曹薇等［34］等研究的基础上，本文从法制化程度、法律体系的完备程度、经济发展水平、国际社会的监督制衡机制、社会公众知识产权意识等五个方面构建指标体系，采用综合指数法得到知识产权保护执法强度综合得分，并将结果与GP指数相乘求得“知识产权保护强度”指标值。具体指标见表2 所示，数据来源于《中国统计年鉴》《中国律师统计年鉴》、各省份统计年鉴和国家知识产权局。

表2 知识产权保护指标体系

2.2.3 控制变量

模型中的控制变量主要包括：(1)技术进步(TA)。高技术产业是技术要求高的知识密集型产业，技术进步对产业创新具有明显影响，在此采用“专利授权数”来代表技术进步。(2)人力资本水平(HC)。人是技术创新的主体，根据内生增长理论，人力资本是影响技术创新效率的重要因素，在此采用“普通高等学校在校学生数占比”来代表人力资本水平。(3)产业结构(IS)。不断优化的产业结构对高技术产业产生重要影响，以“第三产业增加值占比”代表。(4)对外开放程度(OD)，对外开放有利于资本、人才和技术的流动，采用“实际利用外商直接投资额占GDP 比重”来表示。数据来源于国家知识产权局、国家统计局和各省份统计年鉴。

指标数据的时间跨度为2007—2018 年，变量的描述性统计量见表3。

表3 变量的描述性统计

3 实证分析结果

3.1 空间相关性检验

运用stata16.0 软件，采用地理距离空间权重矩阵对2008—2018 年中国30 个省(自治区、直辖市)高技术产业创新效率和知识产权保护强度分别进行Moran's I 指数检验，结果见表4 所示。

表4 2008—2018 年高技术产业创新效率和知识产权保护强度的空间相关性检验

除2009 年外，其余年份高技术产业创新效率的Moran's I 指数均显著为正，表明高技术产业创新效率存在空间正相关性，其中2010 年高技术产业创新效率的空间相关性最强。2008—2018 年知识产权保护强度的Moran's I 指数除2018 年外均在0.40 以上，且通过显著性检验，说明知识产权保护强度具有显著的空间自相关性。

对2018 年中国30 个省(自治区、直辖市)高技术产业创新效率和知识产权保护强度进行局部相关性检验，局部Moran's I 系数散点图见图2 所示。

图2 2018 年30 个省份的局部Moran's I 散点图

局部Moran's I 散点图中第一象限为高高集聚，第二象限为低高集聚，第三象限为低低集聚，第四象限为高低集聚。根据图2 知，2018 年各个省份的高技术产业创新效率分布较为分散，Moran's I 系数为0.106，省份在四个象限的分布较为均衡。各省份知识产权保护强度的分布较为集中，Moran's I 系数为0.332，大部分省份处于低低、高高集聚象限，占比高达76.67%；其中处于高高集聚象限的有北京、天津、上海等6 个省市。

3.2 模型参数估计解析

通过空间相关性检验发现高技术产业创新效率和知识产权保护强度都存在空间自相关性，因此采用空间计量模型来进行计量模型分析。开展面板模型分析，首先采用Hausman 检验对固定效应模型和随机效应模型进行选取，Hausman 统计量(55.03)在1%水平上显著，说明固定效应模型更为合适。然后采用LR 检验判断空间杜宾模型是否能简化为空间滞后模型和空间误差模型，结果发现LR 检验统计量分别为25.02 和20.92，在1%水平上通过显著性检验，表明空间杜宾模型不能简化为空间滞后模型或空间误差模型，以空间杜宾模型来开展分析较为合适。最后，对模型的空间效应、时间效应和双向效应进行LR 检验，检验统计量分别为72.10 和220.80，均在1%水平上通过显著性检验，表明双向效应比较合适。综上所述，最终选取双向固定效应的空间杜宾模型来开展估计结果分析。

为反映参数估计的稳健性，对地理距离空间权重矩阵下的空间杜宾模型、空间滞后模型和空间误差模型估计结果均报告出来，具体见表5 所示。从中可以发现，从对数似然比和AIC 值看，空间杜宾模型效果最好。

表5 空间计量模型的参数估计结果

从三种模型的参数估计结果可知，本地区和相邻地区知识产权保护强度对高技术产业创新效率具有显著正向影响，空间杜宾模型显示本地区和相邻地区知识产权保护强度提高有利于高技术产业创新效率的提升，原因可能是知识产权保护能够促进企业技术创新，优化资源的市场配置而减少资源错配，促进高技术产业创新效率的提升。具体来看，一方面知识产权保护通过激励机制、保护机制、配置机制对高技术产业创新效率产生直接影响。知识产权保护通过保护技术创新成果使创新者获得短时期的垄断权，在市场交易中获得超额收益，激发创新的主动性和积极性，从而增加创新市场的技术供给；知识产权保护制度的建立保障了企业创新成果的市场化、商业化，避免重复研究，加强对资源的有效利用，优化资源配置，提高创新效率。另一方面，知识产权保护还通过竞争效应、模仿效应、流动效应对高技术产业创新效率产生间接影响。国外企业因先进技术和优质产品对国内产品和技术带来巨大冲击，迫使国内企业消化、吸收国外先进技术，加大创新资金和人员投入，大力提高自身技术创新水平和创新效率。

表5 中的估计结果不能完全反映知识产权保护和各控制变量对高技术产业创新效率的边际影响，也无法说明知识产权保护对相近地区高技术产业创新效率的溢出效应。Elhorst 指出单纯使用空间计量模型的极大似然估计结果分析解释变量对被解释变量的影响可能存在偏误，采用偏微分法估计解释变量对被解释变量的溢出效应更有效［35］。进一步采用偏微分法估计空间杜宾模型的总效应，并分解为直接效应和间接效应，具体结果见表6 所示。总效应变量对被解释变量的影响，直接效应和间接效应为变量对本地区和相近地区被解释变量的平均影响。

表6 影响效应的分解

从表6 可知，知识产权保护强度对高技术产业创新效率的间接效应和总效应显著为正，直接效应为正但不显著。从控制变量来看，技术进步对本地区高技术产业创新效率具有显著促进作用，对相近地区的影响不显著。人力资本对本地区高技术产业创新效率具有显著正向促进影响，对相近地区的影响显著为负，表明人力资本增加有利于本地区高技术产业创新效率提高，但地区之间因人才竞争机制等导致人力资本的空间溢出效应为负。产业结构对本地区和相近地区高技术产业创新效率的系数显著为正，意味着第三产业占比上升有利于提升本地区和相近地区的高技术产业创新效应。开放程度对高技术产业创新效率的直接效应显著为负，间接效应却显著为正，原因可能是本地区经济发展落后，不能对外来引进的先进技术充分消化、吸收，进而阻碍了创新效率提高。

3.3 稳健性检验

为检验不同空间权重矩阵下知识产权保护对高技术产业创新效率影响效应的稳健性，在（0，1）空间权重矩阵和经济距离空间权重矩阵下对空间杜宾模型的总效应、直接效应和间接效应进行估计，结果见表7 所示。经济距离空间权重矩阵为:

表7 （0，1）空间权重矩阵和经济距离空间权重矩阵下的效应分解

从表7 可以发现，（0，1）空间权重矩阵和经济距离权重矩阵下知识产权保护影响高技术产业创新效率的间接效应和总效应均在5%水平上显著为正，变量系数的符号方向、显著性水平与地理距离空间权重矩阵的结果基本一致，表明空间杜宾模型的估计结果具有稳健性。

3.4 三大地区实证结果分析

为进一步了解不同地区知识产权保护强度对高技术产业创新效率影响效应的差异，接下来分地区开展空间计量模型分析，因东北地区仅包括3 个省份样本量太小，故将30 个省份按国家统计局标准划分为东部、中部及西部三大地区（东部地区包括：北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、广西、海南；中部地区包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南；西部地区包括重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆），分别构建空间杜宾模型进行参数估计，结果见表8 所示。

表8 三大地区的效应分解结果

东部、中部地区知识产权保护强度对高技术产业创新效率的直接效应显著为正，知识产权保护强度加强会带来高技术产业创新效率的提高。中部地区知识产权保护对高技术产业创新效率的间接效应显著为负，意味着本地区加强知识产权保护带来相近地区高技术产业创新效率的下降，而西部地区知识产权保护加强会带来相近地区高技术产业创新效率的提高，表明适度的知识产权保护有利于高技术产业创新效率的提高。从总效应看，东部、中部、西部地区对高技术产业创新效率的影响均为正，但东部地区影响不显著，表明中国知识产权保护强度正处于促进高技术产业创新效率的发展阶段。

控制变量方面，中部地区技术进步对本地区高技术产业创新效率影响具有积极影响，东部、西部地区的影响均不显著。东部地区人力资本对高技术产业创新效率的直接效应显著为正，而间接效应却显著为负，中部地区人力资本对本地区和邻近地区高技术产业创新效率的影响均不显著，西部地区的人力资本对邻近地区高技术产业创新效率产生抑制效应。东部和西部产业结构对本地区和邻近地区的创新效率均具有正向作用，而中部产业结构对邻近地区的创新效率产生消极影响。西部地区对外开放程度对邻近地区高技术产业创新效率的影响显著为正，其余地区的影响效应不显著。

4 结论与建议

以中国30 个省份为研究对象，运用数据包络分析法测度高技术产业创新效率，采用改进的GP 指数法量化知识产权保护强度，利用空间计量模型探析知识产权保护对高技术产业创新效率的影响效应。结论发现：高技术产业创新效率和知识产权保护强度均存在显著的空间自相关性；总体上知识产权保护对高技术产业创新效率产生积极影响，具有正向空间溢出效应；东部和中部地区知识产权保护对本地区高技术产业创新效率具有促进作用，中部地区知识产权保护显著抑制相近地区高技术产业创新效率，西部地区显著促进相近地区的高技术产业创新效率。

上述结论对于促进高技术产业发展、提升高技术产业创新效率，具有以下启示意义。（1）加强知识产权保护，促进创新效率提高。实证研究表明知识产权保护显著促进高技术产业创新效率，因此政府应强化知识产权保护，加强企业和高校的合作，从法制化程度、社会公众知识产权意识等方面提升知识产权保护意识和强度，并不断提高律师人数占比、专利申请量等。（2）加强区域合作，促进知识产权保护协调发展。知识产权保护在地区之间存在一定的溢出效应，故不同地区需突破基于地理界线，加强地区之间的知识产权保护合作，促使知识产权保护协调发展，以提升高技术产业的创新能力和创新效应。（3）优化产业结构，提高第三产业比重。全国及东部、西部地区的产业结构均对高技术产业创新效率产生促进效应，需进一步加强服务业特别是新兴生产性服务业的发展，以满足各界对技术、信息服务的需求，不断提高创新效率。