表1 假设表
H1：诉讼结果对原告企业后续专利申请量没有显著影响 |
H1.1：原告小企业胜诉，对其后续的专利申请量没有显著影响 |
H1.2：原告小企业胜诉，对其后续的发明专利申请量没有显著影响 |
H1.3：原告大企业胜诉，对其后续的专利申请量没有显著影响 |
H1.4：原告大企业胜诉，对其后续的发明专利申请量没有显著影响 |
H2：胜诉原告获得赔偿额度与后续专利申请量之间没有显著关系 |
H2.1：赔偿额对胜诉小企业后续专利申请量没有显著影响 |
H2.2：赔偿额对胜诉大企业后续专利申请量没有显著影响 |
H2.3：赔偿额对胜诉小企业后续发明专利申请量没有显著影响 |
H2.4：赔偿额对胜诉大企业后续发明专利申请量没有显著影响 |
H3：诉讼地位对企业后续专利决策行为没有显著影响 |
H3.1：作为原告对企业后续专利申请量没有显著影响 |
H3.2：作为原告对企业后续发明专利申请量没有显著影响 |
H4：诉讼次数对企业后续专利申请量没有显著影响 |
H4.1：作为原告的次数对企业后续专利申请量没有显著影响 |
H4.2：作为被告的次数对企业后续专利申请量没有显著影响 |
以结案日期为标准保证了每一个诉讼案件在该期间内都能够观测到判决结果。另外，由于不同规模的企业对赔偿额的敏感度、企业专利研发投入占比等因素都有所不同（袁健红和刘晶晶，2014），所以研究将企业规模进行划分，将企业规模数据依据国家统计局发布的《统计上大中小微型企业划分办法（2017）》，分为大企业与小中微企业。
第一，以官方渠道“中国知识产权裁判文书网”（wenshu.court.gov.cn）获取2006—2009年专利诉讼案件，获取诸如案号、日期、案由、诉讼双方主体等基本信息，通过人工检索并与北大法宝等数据库进行比对，核实发现两者收录诉讼案件一致。第二，阅读搜集到的每一份裁判文书，提取相关信息，包括诉讼结果、诉讼赔偿额度等，整理形成变量。第三，剔除部分样本，具体包括：非判决案件、重复样本（系统误差）、非侵权诉讼案件、不能确定诉讼双方唯一身份的案件（比如，文书中使用“某某企业”字眼）等。第四，将关于企业后续专利决策行为涉及的“专利申请”“专利类型”，以及企业的信息，尤其是企业规模等变量，在国家知识产权局检索数据库和企查查（qichacha.com）、天眼查（tianyancha.com）等数据库中对企业申请人和企业的相关信息进行逐一检索，整理形成变量，共搜集到有效数据203组。
（二）变量与模型设计
为了对假设进行检验，建立回归模型，设定变量（表2），研究诉讼结果、赔偿额、诉讼地位和诉讼次数等对企业后续专利申请量的影响，构建以下回归模型：
yi=β0+β1X+β2capital+β3respon+μ（i=1，2，3，…，8） （1）
表2 变量描述表
变量名称 |
变量描述 |
因变量 |
|
yi （后续专利申请量） |
企业参与诉讼后，后续第i年的专利（或发明专利）申请量 |
自变量 |
|
win （诉讼结果） |
原告企业首次参与诉讼时的诉讼结果，胜诉为1，败诉为0 |
Damage （赔偿额） |
|
plantiff （诉讼地位） |
诉讼时当事人的诉讼地位，原告为1，被告为0 |
Number （后续诉讼次数） |
企业首次参与诉讼后，后续专利诉讼次数 |
控制变量 |
|
capital （实缴资本） |
企业实际缴纳的资本额 |
respon （企业所有权性质） |
企业所有权性质，当企业为股份制上市公司时赋值为1，否则为0 |
其中，β0代表截距项，β1代表自变量对因变量的影响系数，μ代表不可控因素导致的随机误差。
其中，因变量yi为企业（原告或被告）参与诉讼后，后续第i年的专利（或发明专利）申请量，i=1，2，3，…，8。
其中，自变量x在不同的分析中代表着不同的含义。假设H1中，自变量x为win，即原告是否胜诉，变量为虚拟变量：胜诉为1，败诉为0；假设H2中，自变量x为damage，即判决赔偿额，变量为连续变量：数额为实际赔偿额，单位万元；假设H3中，自变量x为plantiff，即诉讼地位，变量为虚拟变量：原告为1，被告为0；假设H4中，自变量x为number，即后续专利诉讼次数，变量为连续变量：数量为实际后续专利诉讼次数。
此外，考虑到企业的专利决策行为还可能受企业财力、所有权性质等因素的影响，企业所有权性质使得不同企业可能在很多特殊领域存在着先天垄断，在其他领域也更容易得到更多的社会资源的支持。因此，在回归模型中加入反映企业财力水平、所有权性质等的控制变量，分别为：控制变量capital，即企业实际缴纳的资本数额，变量为连续变量；控制变量respon，即企业的所有权性质，将样本中企业进行划分，主要可以分为四类，股份制上市公司、股份制非上市公司、有限责任公司、个人独资企业，变量为虚拟变量：当企业为股份制上市公司时赋值为1，否则为0。
四、数据分析与假设检验
（一）诉讼结果与原告企业后续专利申请量
对模型进行回归检验，其方差膨胀因子均不超过4，可以忽略其多重共线性，检验结果有效。具体检验结果如表3所示。实证结果显示：仅有小企业胜诉2年内，拒绝原假设H1，拒绝原假设H1.1，即原告小企业胜诉，会对后续专利申请量有显著影响，但该影响的延续性不强；而大企业胜诉对其后续专利申请量无显著影响；另外，无论是大企业还是小企业，胜诉对其后续发明专利申请量都没有显著的影响（即无法拒绝原假设H1.2、H.1.3、H1.4）。
表3 诉讼结果对原告企业后续专利申请量的影响
|
小企业是否胜诉（win） |
大企业是否胜诉（win） |
后续专利申请量第1年 |
6.269** |
41.913 |
后续专利申请量第2年 |
4.738** |
51.976 |
后续专利申请量第3年 |
2.486 |
76.849 |
后续专利申请量第4年 |
-4.143 |
84.486 |
后续专利申请量第5年 |
-3.107 |
70.075 |
后续专利申请量第6年 |
3.083 |
58.411 |
后续专利申请量第7年 |
0.5 |
48.007 |
后续专利申请量第8年 |
0.031 |
36.924 |
|
|
|
后续发明专利申请量第1年 |
0.517 |
20.544 |
后续发明专利申请量第2年 |
0.857 |
28.609 |
后续发明专利申请量第3年 |
0.81 |
40.556 |
后续发明专利申请量第4年 |
0.504 |
37.624 |
后续发明专利申请量第5年 |
0.674 |
40.785 |
后续发明专利申请量第6年 |
-0.78 |
36.844 |
后续发明专利申请量第7年 |
-0.165 |
35.562 |
后续发明专利申请量第8年 |
0.052 |
22.131 |
注：“*”、“**”、“***”分别表示在10%、5%、1%的水平下拒绝原假设，表4～表9同
初步判断，大企业由于其企业规模较大，经营战略较为完善且体系化，专利战略不会因为一次的专利诉讼成败而受到很大影响和波动，所以其后续专利申请量不易受到一次专利诉讼胜败的影响。而小企业则相反，专利诉讼的胜诉让其“吃到了甜头”，获取了专利申请的红利，所以后续短期内会促使其提高专利的申请量，但是这种因红利导致的“过度申请”并不会持久，当其后续没有再遭遇较多专利诉讼时，可能会使小企业又忘却了专利的重要性，所以专利的申请量又会适度降低，趋于正常。
另外，对于小企业来说，发明专利研发成本高、耗费时间久，不会是其最优选择，可能更多地选择申请实用新型与外观设计专利，这可能是其是否胜诉对后续发明专利的申请量影响并不显著的原因。
（二）赔偿额与胜诉原告企业后续专利申请量
对赔偿额与专利申请的假设回归结果如表4、表5所示。实证结果显示：专利赔偿额对胜诉的小企业，后续三年的专利申请量有着显著影响，拒绝原假设H2.1；赔偿额度对胜诉大企业的后续专利申请量无显著影响，无法拒绝原假设H2.2；另外，无论是大企业还是小企业，胜诉的赔偿额对其发明专利的申请量都无显著影响，因此，无法拒绝原假设H2.3、H2.4。
