摘要：使用2007—2016年这10年的数据，运用随机前沿分析模型分析我国知识产权政策对投入效率的影响状况；采用柯布-道格拉斯生产函数测算我国知识产权投入效率水平与相关生产要素的关系模型；通过技术无效率方程考察知识产权投入效率的政策影响因素。研究结果表明，对于知识产权投入效率，创造和运用政策工具有显著的正向影响，而保护和管理政策工具有负向影响。

关键词：知识产权，政策工具，随机前沿模型，投入效率

1 研究背景

自《国家知识产权战略纲要》颁布以来，我国知识产权事业历经十年风雨兼程、砥砺前行，取得了长足进步，进入知识产权大国行列。截至2017年年底，我国发明专利拥有量为138.2万件，每万人口发明专利拥有量为9.8件，专利质押融资总金额、专利行政执法办案总量、专利纠纷办案量、专利代理机构数目等都取得大幅度增长，我国高技术企业海外专利布局能力也不断增强。但是，我国仍面临着知识产权大而不强、多而不优、制度不健全、管理不到位等诸多问题。因此，71号文件明确提出“到2020年基本实现知识产权治理体系和治理能力现代化”的目标。在此背景下，国家知识产权局开展了《纲要》实施十周年评估项目，本文也在此对我国知识产权投入效率及相关政策影响因素进行评估。

学者们对知识产权政策的评估主要是利用评价模型或者构建评价指标体系所进行的量化分析，如赵嘉茜等人^[1]采用DEA模型对我国29个省市的知识产权运营绩效进行了运营效率评价。杜晓君等^[2]通过建立高技术知识产权管理绩效评价指标，并运用层次分析模糊综合评价法对企业知识产权管理绩效做出判断。郭俊华等^[3]通过专家访谈、问卷调查、实证检验等方法构建知识产权政策评估指标体系。Diane Zorich^[4]则将知识产权政策的评估包含创新政策评估中并对创新政策的管理和制定进行了研究。Petra Moser^[5]通过对不同国别的比较研究了知识产权保护水平对于企业创新和技术变革的影响。可以看出现有对知识产权评估的研究都是从产出的结果所进行的分析并没有从知识产权投入产出结构角度来审视我国知识产权投入效率，同时还把知识产权政策直接作为投入变量进行分析。实际上，在知识产权活动中人力、资金等资源的投入才是最重要的，知识产权政策在知识产权活动中更多的是作为扰动变量，优化知识产权的资源配置，协调知识产权投入要素之间的关系，调节知识产权的投入产出结构。因此，本文利用随机前沿生产函数模型（SFA）对我国近十年的知识产权投入效率及其相关政策影响因素进行实证探索，并全面分析各个投入变量及政策影响因素。

SFA模型是由Battese等^[6]率先提出的，具有稳健性好^[7]且避免数据严格限制^[6]的优点，所以在分析和估计文化产业^[8]、科技资源市场配置^[9]、疾病管理^[10]以及食品加工产业^[11]等方面的效率测算得了广泛的应用。通过知识产权政策投入产出的相关指标来构建随机前沿分析模型，对我国近十年的知识产权投入效率与相关政策影响因素进行测算。明确了知识产权战略实施以来我国所采取的知识产权政策措施的实施效果，并进一步分析了知识产权事业投入效率的政策影响因素。从而丰富和深化现有文献对于知识产权政策的研究，为我国知识产权战略布局提供决策参考。

2 研究设计

目前，学者们对于技术效率的研究主要采取两种前沿面方法：非参数法和参数法，DEA和SFA分别为其代表。这两种方法比较来看，DEA方法一方面没有考虑随机误差和相关影响因素对于结果的影响，这就导致由于奇异值的影响使得不同研究结果之间存在较大差异，另一方面它对数据处理和指标设计要求较高；而SFA方法则有效避免了这两种限制，它将实际产出分为生产函数、随机因素和技术无效率，考虑了随机因素对于产出的影响，且在计算过程中有效利用了每个样本的信息，使得计算结果更具有稳健性^[12]。考虑到本文所要解决的两个问题：一是测度我国知识产权投入效率，不同年份的投入效率存在随机误差；二是分析知识产权投入效率的政策影响因素。政策作为知识产权资源配置、调整投入产出结构的有效手段，单纯作为投入变量是片面的，因此在测定投入产出效率中将政策作为影响因素。SFA恰好符合本文的研究需要，可以有效解决上述问题。

2.1 SFA方法简介及函数选择

Battese等^[6]在前人研究的基础上提出了引入时间概念的随机前沿分析法（stochastic frontier analysis，SFA），使得SFA模型可以对面板数据进行效率评价，其具体模型如下：

其中，式（1）中Y_it表示第i个决策单元的t时期的产出，x_it是第i个决策单元的t时期的全部投入，β为模型参数。随机扰动项ε_it分为两部分：一部分为随机误差项，用v_it来表示，其中v_it～N（0，σ_v²）；另一部分表示技术的无效率，用μ_it=μ_iexp（-η（t-T））来表示，且μ_it服从截断正太分布，即化μ_it～N⁺（0，σ_v²）；v_it与μ_it相互独立，且与x_it也相互独立。

在SFA模型中需要指定生产函数形式，常用的生产函数主要有柯布-道格拉斯（Cobb-Douglas）生产函数和超越对数（Translog）生产函数。柯布-道格拉斯生产函数具有结构简单、经济含义直观的优点，同时其他生产函数得出的结果差异并不大^[13]；超越对数生产函数的优点是对于技术中性和产出弹性固定的假设要求比较宽松，但对于产出不便进行分解，且往往会产生多重共线性的问题^[14]。综合比较而言，尽管超越对数生产函数具有理论上的优势，但是柯布-道格拉斯生产函数的有效性仍可以接受^[15]。因此，本文选取对数型柯布-道格拉斯生产函数的随机前沿模型进行实证分析。柯布-道格拉斯生产函数具体形式如下：

其中，式（2）中Y_i，K_i，L_i分别表示产出，以及资本投入和劳动投入，v_i服从正太分布，μ_i服从半正太分布。

2.2 指标选取

2.2.1 投入与产出变量

在投入要素方面，根据国务院发布的《国家知识产权战略纲要》（以下简称《纲要》）中所提出的十六字方针“激励创造、有效运用、依法保护、科学管理”，将知识产权划分为创造、运用、保护和管理四个方面。其中选取执业专利代理人数目代表知识产权创造方面的投入；选取运营平台和试点项目数的总和代表知识产权运用方面的投入；选取行政执法和司法案件数目的总和代表知识产权保护方面的投入；选取知识产权服务机构数目代表知识产权管理方面的投入。这些数据均选自《国家知识产权局年报》《知识产权保护状况》以及《中国知识产权发展状况评价报告》等。

在产出要素方面，为了能够更全面普遍、客观准确的反映我国知识产权综合发展水平，在综合考虑已有相关指标的情况下，本文选取了《中国知识产权发展状况评价报告》中所给出的知识产权综合发展指数，为了使统计口径一致，文中所用到的知识产权综合发展指数是对《报告》中31个省的知识产权综合发展指数进行求平均值得到的。该指数一方面能够综合反映出知识产权综合发展水平，另一方面，其内部创造、运用、保护和管理四个要素指数不仅反映这四个要素本身的发展状况，还能够反映知识产权发展状况的结构。表1为我国2007—2016知识产权政策主要变量的基本描述性统计。

2.2.2 知识产权政策

本文选取的知识产权政策数据均来源于政府公开发布的政策文本，包括全国人大、国务院、国家知识产权局以及其他国务院直属部委颁布的，与知识产权直接相关的各类政策文件，文件类型包括法律法规、指导意见、管理办法、实施条例以及政府指令等。最终收集得到自2007年至2016年的国家知识产权政策文本，共计78件。

然后，将知识产权政策作为知识产权投入产出的影响因素，主要从知识产权的创造、运用、保护和管理这四个方面进行分析。因此，将知识产权政策看成是涉及知识产权创造、知运用、保护、管理的政策体系。其中每个政策维度又包含若干政策工具，根据宋河发等人^[16]的划分方法，可以将知识产权政策工具按表2所示的方法进行分类。

依据以上政策工具划分方法，将78份政策文件的政策工具析出，并进行统计，得到图1所示的政策工具分布图。

2.3 模型设定

基于对数型柯布-道格拉斯生产函数的随机前沿模型对我国知识产权投入效率进行分析，在该模型中，生产函数与非效率模型可以同时估算出来，确保了被测效率的一致性。本文在所选取的知识产权投入产出指标框架下构建的SFA具体模型如下：

式（3）中IP_t表示第t年我国知识产权综合发展指数；C_t、A_t、P_t、M_t分别表示第t年我国知识产权在创造、运用、保护、管理四个方面的投入；v_t为误差干扰项，u_t为独立分布的非负随机变量，表示知识产权政策中无效率项，v_t与u_t相互独立。分布式（4）中的m_its为知识产权无效率项分布函数的值；Z_1t、Z_2t、Z_3t、Z_4t分别表示知识产权创造政策工具、运用政策工具、保护政策工具和管理政策工具数目。式（5）中TE_t表示第t时期的知识产权投入效率水平。式（6）中γ为最大似然法估计的参数，0≤γ≤1，如果γ=0原假设被接受，则无需使用SFA方法来分析，直接用OLS方法即可，γ能够反映技术无效率项对实际产出偏离的相对重要程度，γ越大说明无效率项在生产单元与前沿面的偏差中占主要成分，此时采用SFA模型是合适的。