数字经济、知识产权保护与高技术产业创新效率

杨弼君

（厦门大学 法学院，福建 厦门 361005）

一、引言

适逢百年未有之大变局，中国社会经济发展内外部环境发生深刻变化。高技术产业作为国民经济的重要组成部分，是提高中国经济实力、增强国际竞争力的重要依托。党的二十大报告指出：“完善科技创新体系，坚持创新在我国现代化建设全局中的核心地位，健全新型举国体制，强化国家战略科技力量，提升国家创新体系整体效能，形成具有全球竞争力的开放创新生态。”据2022 年11 月世界知识产权组织发布的《实际知识产权指标》报告指出，2021 年中国提交专利申请量159 万件，连续11 年位居世界第一。世界知识产权组织发布的《2022 年全球创新指数》数据显示，中国科技创新实力仅位于全球第11 位。究其根源，自主创新能力不足等问题是主要原因。当前，如何提升其创新效率已成为各界关注的重点课题。

近年来，伴随5G、人工智能、大数据等新兴数字技术的全域渗透，数字经济逐渐演变为推动经济发展与社会进步的主引擎之一。中国信息通信研究院发布的《全球数字经济白皮书（2022 年）》统计数据显示，2021 年中国数字经济规模为45.5万亿元，同比增长16.2%，占GDP 比重高达39.8%。对于高技术产业而言，数字经济所依托的数字技术及工具能够进一步压缩创新成本，优化创新流程，推动创新效率提升。那么，数字经济是否能够促进高技术产业创新效率提升？作为创新的重要保护手段，知识产权保护是否有助于消除已然开始显露的“专利泡沫”问题？对于以上问题的解答，有助于为推动高技术产业创新效率提升、落实创新驱动战略提供经验借鉴。

二、文献综述

伴随近年来数字经济的飞速发展，大量学者对数字经济与创新之间的关系展开研究。宏观层面，李颖、贺俊(2022)指出，数字经济发展背景下，价值创造与分配逻辑发生变革，为制造业创新提供驱动力[1]。陈治、张少华(2023)利用2011—2019 年中国274 座城市面板数据研究指出，数字经济可显著促进区域创新能力提升，而创业活跃度与产业结构升级是数字经济推动区域创新的重要渠道[2]。李莹、程广斌(2023)研究指出，数字经济与制造业融合发展可长期提升制造业创新效率，且这一作用在东部—中部—西部地区呈现依次递减格局[3]。微观层面，毛建辉等(2022)研究发现，数字经济可以有效促进企业技术创新，且这一效应受财政分权水平影响[4]。张敬文、童锦瑶(2023)研究发现，与数字经济相关的政府补助与税收优惠政策可显著提高数字企业创新质量[5]。

围绕知识产权保护与高技术产业创新的关系，部分学者已经展开探讨，但尚未形成一致结论。部分学者认为二者之间存在正相关关系。如王桂梅等(2021)研究指出，知识产权保护能够促进高技术产业创新效率提升[6]。党国英、秦开强(2015)同样指出，知识产权保护水平对高技术产业创新效率有显著正向影响[7]。还有部分学者则认为知识产权保护与高技术产业创新效率之间的关系并不固定。例如顾群、翟淑萍(2013)研究指出，知识产权保护与高技术产业技术创新效率之间存在非线性的倒“U”型关系[8]。

数字经济与知识产权保护之间的关联，学者们主要从理论方面展开了一定研究。王华等(2022)指出，数字经济背景下知识产权保护面临严峻挑战，表现为在版权领域，数字化技术引致版权滥用及垄断、维权困难、共享精神与保护冲突等问题。在专利领域，数字经济在一定程度上诱发低价值专利产出、专利丛林等问题[9]。郑鲁英(2022)研究认为，中国数字经济与知识产权治理能够协同推进中国式现代化，并从创新、协调、绿色、开放、共享五个方面指出数字经济知识产权治理的中国式现代化进路[10]。

梳理上述文献可知，尽管现有文献已经关注到数字经济对创新的影响，但更多是评估数字经济对区域、产业抑或是企业层面创新能力的作用，鲜有研究对创新效率进行探讨。关于数字经济与高技术产业创新效率的关系并未引起学界足够重视，仅袁徽文、高波(2022)[11]进行了初步探讨，指出二者之间存在正向作用。此外，部分学者已经明确提出，数字经济下的知识产权保护面临挑战。那么，在知识产权保护制度下，数字经济对高技术产业创新效率的作用效应是否会受到影响，这一问题同样有待进一步解答。基于此，文章尝试在以下几个方面进行扩展。其一，在既有文献基础上，梳理和分析数字经济与高技术产业创新效率之间的内在逻辑机理，丰富相关理论。其二，借助系统GMM 模型，实证考察数字经济对高技术产业创新效率的影响效应，检验二者关系及区域异质性。其三，以知识产权为门槛变量，探讨在不同强度的知识产权保护下，数字经济赋能高技术产业创新效率提升的异质性。

三、研究假设

1.数字经济与高技术产业创新效率

第一，数字经济可降低产业创新成本，提升高技术创新效率。通常而言，创新成本越低，越有助于提升创新效率。对于高技术产业中的企业而言，其技术创新活动成本巨大，需要投入人力、资金、技术等一系列创新要素。而数字经济发展过程缩短了创新信息传递的时空距离，在优化创新环节的同时提高产业链上下游协同创新效率[12]，压缩整体创新成本，促进高技术产业创新效率提高。

第二，数字经济可降低创新风险，提高创新效率。高技术产业创新活动具有复杂度高、投入大、难度高等特征，无形中会加大企业所承担的风险。数字经济发展利于企业掌握市场消费偏好与消费动态，提高创新方向精准性与匹配性，推动高技术产业创新效率提升。不仅如此，数字经济高速发展，促使企业创新网络得以重构，推动高技术产业创新由“孤立态”逐步转向“联合态”。创新活动逐渐演变为多元创新主体与环境相互联系、互相作用的过程。在此过程中，企业创新风险被大幅弱化，创新积极性与创新意愿逐步提升，进而提高产业整体创新效率。

第三，数字经济可激活创新要素资源，赋能高技术产业创新效率提升。数字经济快速渗透，突破了传统经济形态下资源配置时空限制，有助于实现创新要素资源供需精准对接，提高要素供需匹配效率，纠正要素错配现象，助力高技术产业创新效率提升[13]。与此同时，数字经济的快速发展大幅拓宽了高技术企业之间的创新合作通道，使得不同企业之间的优质创新资源得以共享，赋能高技术产业创新效率提升。与此同时，数字经济可依托数据要素提升其他创新要素资源应用效率，赋能高技术产业创新效率提升。数据要素依托非竞争、无限增长等特性，对劳动力、资本等其他创新要素资源形成乘数效应，放大其在生产流转中的实际价值[14]，以此提升高技术产业创新效率。综上，提出假设如下：

假设H1：数字经济与高技术产业创新效率具有正相关关系。

2.知识产权保护门槛作用分析

高技术产业获得市场优势的重要途径之一便是持续进行技术创新，以技术优势换取市场优势[15]。要想保证这一内在机制成立，前提之一便是企业能够拥有技术创新成果的知识产权。市场经济中，高技术产品与服务的本质是知识产权交易。知识产权交易在一定程度上直接体现经济利益交换及分配。数字经济的飞速发展为知识、技术快速传播开辟了更为高效便捷的通道。但值得注意的是，网络空间中的知识产权表现形式为数字信息。数字信息的不确定性、无形性使得知识产权保护难度急剧提升。由此，引致的结果是网络知识产权侵权行为频发，知识产权所有者合法权益受到侵害。对于高技术产业创新主体而言，其创新活动应用数字技术时会面临较大侵权风险。特别是涉及到商业应用价值较大的知识产权时，企业往往会更加谨慎应用数字技术进行交流合作创新。当知识产权保护力度过低时，会引发大量“模仿行为”，大幅降低创新收益，抑制创新主体创新活力的同时降低创新效率。而在较为完善的知识产权保护制度下，高技术企业无需过多顾虑技术创新成本被盗用。与此同时，数字经济还会加速技术成果扩散速度与范围，推动技术商业化、市场化进程，进而提升高技术产业创新效率。此外，知识产权保护需结合产业发展实际情况。过度的知识产权保护虽然能避免创新成果流失，但也会导致行业内部形成技术垄断，抑制其他创新主体创新活动，降低产业整体创新效率[16]。综上，提出如下假设：

假设H2：在知识产权保护的不同程度下，数字经济影响高技术产业创新效率的效果不同。

四、研究设计

1.模型构建

鉴于高技术产业创新效率可能存在“惯性”，将高技术产业创新效率滞后一期纳入解释变量，建立如下动态面板模型：

其中，i、t 分别代表省份及年份；Invit为核心被解释变量高技术产业创新效率；Digit是核心解释变量数字经济；Xit代表控制变量合集；α0为截距项；α1、β0、β1代表变量回归估计系数；μi为地区虚拟变量；λt为时间虚拟变量；εit为随机扰动项。

为检验数字经济不同维度对高技术产业创新效率的影响差异，将Digit分别替换为Dflit、Dilit、Idlit、Dinlit，构建如下模型：

基于文章假设H2，检验知识产权保护的门槛效应，构建如下门槛效应回归模型：

式中，θ1～θn表示门槛值；I(·)代表指示函数，当括号内条件满足时取值为1，否则取值为0；Iprit为知识产权保护，其余变量含义与模型(1)相同。

为防止模型固有的内生性问题，采用系统广义矩估计法对上述模型(1)～(6)进行参数估计。

2.变量说明

（1） 被解释变量：高技术产业创新效率

遵循数据可得性、科学性、系统性原则，从投入、产出两个维度构建高技术产业创新效率评价指标体系。在产出指标选取方面，选取专利申请数与新产品销售额进行衡量。在投入指标选取方面，选取研发资金与人力资本作为主要指标。其中，研发资金属于流量数据，需借助永续盘存法转化成存量指标，对应公式如下：

式中，i、t 分别表示省份及年份，Kit代表当期资本存量，Kit-1代表上期资本存量，Iit代表当期研究资金，δ 代表折旧率，采取学术界常用做法，设定折旧率为15%。

当前，投入产出效率的主流测算方式可分为两种：第一种是参数估计法，代表为随机前沿模型；第二种为非参数估计法，代表为数据包络法。相对于后者，随机前沿模型能够综合考虑环境变化与随机因素，在实证分析中应用广泛。由此，借鉴袁徽文、高波(2022)[11]的研究，采用随机前沿模型测度高技术产业创新效率，具体公式如下：

式中，Yit为专利申请量；Kit为R&D 资本存量；Lit为R&D人员；T 为时间趋势变量，可反映技术进步变动；Vit为随机误差项；Uit为技术非效率项。

（2） 核心解释变量：数字经济

现阶段，数字经济衡量方式并未形成固定范式，多数学者采用构建指标体系的方式进行衡量。文章在结合既有研究基础上[17，18]，从数字基础化水平、数字产业化水平、产业数字化水平、数字创新水平四个维度综合衡量数字经济发展水平。所构建评价指标体系如表1 所示。在具体测度方法选择上，选取熵权法进行研究。

表1 数字经济发展水平评价指标体系

（3） 门槛变量：知识产权保护

涉及知识产权的合法交易往往通过技术市场来完成，故技术市场转让规模能够在一定程度上反映当地知识产权保护水平。选用技术市场成交额占当地GDP 比重衡量知识产权保护水平。

（4） 控制变量

为保证所得结果准确性，参考既有文献[19，20]，对如下变量进行控制：一是人力资本水平(Hum)。内生增长理论指出，人力资本水平是影响技术创新效率的重要因素，采用普通高等学校在校学生数占比进行表征。二是对外开放程度(Open)。对外开放有助于人力、资金、技术等要素资源的流动，进而提高高科技产业创新效率，采用实际利用外商直接投资额占GDP 比重衡量。三是经济发展水平(Eco)。通常情况下，经济发展水平越高，越能为高技术产业创新活动提供良好环境，采用该地区人均GDP 反映。四是产业结构(Str)。相较于一、二产业，第三产业发展更有利于高技术产业创新效率提升，采用服务业增加值与GDP 之比表示。

3.数据来源

考虑到数据的完整性与可得性，文章选取2010—2021 年30 个省份数据为样本（西藏及港澳台地区由于数据缺失，不纳入研究），数据主要来源于历年《中国科技统计年鉴》 《中国统计年鉴》 《中国高技术产业统计年鉴》 以及各省份统计年鉴。对于缺失数据，采用线性插值法补齐。

五、实证分析

1.基础回归结果

采用系统GMM 模型的前提是工具变量为外生变量，扰动项不存在自相关关系，差分处理后的扰动项不存在二阶自相关关系。分别进行Hansen 及Sargan 工具变量有效性检验以及Arellano Bond 序列相关检验。AR(1)与AR(2)检验结果显示，差分方程残差序列虽不能拒绝一阶序列相关，但拒绝二阶序列相关。Hansen 检验结果显示，无法拒绝工具变量有效原假设，表明选取工具变量有效。综上，模型(1)适用于系统GMM 估计，故文章以此结果作为基准回归结果进行分析。

借助系统GMM对模型(1)进行回归估计，结果见表2 列(1)。为便于比较，表2 同时给出了采用混合最小二乘法(POLS)、随机效应模型(RE)和固定效应模型(FE)估计后的回归结果，结果分别见列(2)、列(3)与列(4)。

表2 数字经济对高技术产业创新效率的影响

核心解释变量数字经济Dig 系数为0.389，且在1%统计水平上显著，说明数字经济发展能够提升高技术产业创新效率，假设H1 通过检验。可能的解释是，数字经济能够加速创新资源要素流动，且与之相伴的数字技术使得高技术产业创新模式得以优化升级，进而提高自身创新效率。此外，被解释变量滞后一期系数为0.552，且在1%统计水平上显著，说明中国高技术产业创新效率在时间维度上确实存在惯性和“路径依赖”现象。

就控制变量角度而言，表2 列(1)其他控制变量的回归结果显示，人力资本水平估计系数为0.166，且在1%统计水平上显著，表明高水平人力资本能够充分利用创新要素资源，从而提升高技术产业创新效率。对外开放程度估计系数为0.425，在1%统计水平上显著，即对外开放有助于提升高技术产业创新效率。可能的解释是，对外开放有助于将国外先进技术引入高技术企业，推动企业运营与生产流程创新优化，继而提升高技术产业创新效率。经济发展水平估计系数为0.557，在5%统计水平上显著，表明经济发展能够有效促进高技术产业创新效率提升。产业结构估计系数为0.093，在1%统计水平上显著，说明产业结构优化能够为提升高技术产业创新效率赋能。对比可以发现，产业结构的驱动效应明显低于经济发展水平与对外开放程度。未来有必要持续优化相关服务产业，以更好提升高技术产业创新效率。

2.数字经济子维度的影响

分别从数字基础化水平、产业数字化水平、数字创新水平以及数字产业化水平四个维度探讨数字经济子维度对高技术产业创新效率的异质性影响，结果如表3 所示。

表3 数字经济子维度对高技术产业创新效率的影响

观察表3 可知，数字经济不同维度对高技术产业创新效率均存在显著正向影响。其中，数字基础化水平的回归估计系数为0.612，在1%统计水平下显著。原因在于，不断完善的数字基础设施建设快速提升了行业间高技术企业技术交流的共享水平，改善了产业创新生态，提升了创新效率。数字产业化水平对应回归估计系数为0.385，且在5%统计水平上显著。原因在于，数字产业发展能够推动人工智能、区块链、类脑计算芯片等技术取得突破式进展，从而对高技术产业创新活动进行技术赋能，提高其创新效率。数字创新水平对应回归估计系数为0.703，且在1%统计水平下显著，在所有子维度中影响最强。可能的解释是，数字创新能够扩展创新网络，将传统创新活动由线下实体空间为主转变为线上与线下、实体与虚体相结合的复合式创新，提升高技术产业创新效率。产业数字化水平对高技术产业创新效率的回归估计系数为0.097，在所有子维度中影响最小，说明产业数字化更多是在各产业内部进行变革，对高技术产业的带动效应有限，无法在短期内驱动高技术产业创新效率提升

3.稳健性检验

为验证以上结论的稳健性，采用以下两种方式进行检验：第一，变更研究时期。考虑到2020 年的新冠肺炎疫情可能导致数字经济对高技术产业创新效率影响出现波动，文章选取2010—2019 年数据重新进行回归。第二，变更研究样本。就数字经济发展现状来看，广东、江苏、上海、北京、浙江5 个省份发展水平明显高于其他地区，将其纳入样本分析可能影响结果的普适性，故剔除以上5 个省份重新进行回归，检验结果表明，无论是数字经济整体层面，还是数字经济子维度，其对高技术产业创新效率的回归估计系数符号方向并未发生改变。这一结果表明，上述结论整体较为稳健。

4.门槛效应分析

（1） 门槛效应检验

为检验文章假设H2，以知识产权为门槛变量，验证其在数字经济影响高技术产业创新效率的过程中是否存在门槛效应。

根据检验结果可知，在单一门槛检验中，知识产权保护在1%水平上显著；在双重门槛检验中，知识产权保护在5%水平上显著；在三重门槛检验中，知识产权保护并未通过显著性检验。由此，利用双重门槛检验分析知识产权保护的门槛效应，门槛值分别为1.499 与3.238。

（2） 门槛效应回归结果

借助模型(6)，对知识产权保护的门槛效应进行检验（见表4）。结果表明，知识产权保护力度不同，数字经济的作用效果亦存在差异。在门槛变量处于第一门槛值之下时，数字经济对应估计系数为0.148，且在1%统计水平下显著。当知识产权保护水平高于第一门槛值，低于第二门槛值时，数字经济估计系数为0.621，在1%统计水平下显著。当知识产权保护水平高于第二门槛值时，数字经济回归估计系数为0.326，在1%统计水平下显著。可见，知识产权保护力度的变化会影响数字经济对高技术产业创新效率的作用。知识产权保护力度过大或过小时，均会在一定程度上限制数字经济对高技术产业创新效率的提振作用。只有当其处于最优区间时，数字经济对高技术产业创新效率的赋能作用才能达到最强。假设H2 通过验证。

表4 门槛效应回归结果

5.地区异质性分析

（1） 数字经济对高技术产业创新效率影响的地区异质性检验

为检验数字经济对不同地区高技术产业创新效率的影响是否存在异质性，依据国家统计局划分标准，将30 个省份分为东部、中部、西部三大地区，并进行分样本回归，具体检验结果如表5 所示。

表5 地区异质性检验结果

由表5 可知，数字经济对东部地区高技术产业创新效率的回归估计系数为0.515，且在1%统计水平下显著；对中部、西部地区高技术产业创新绩效的回归估计系数分别为0.402、0.371，且均通过1%统计水平下的显著性检验。对比而言，数字经济对东部地区高技术产业创新效率的提振作用明显更强。可能的原因是，数字经济是基于数字技术的经济活动，其发展需要庞大数据规模以及充足的信息技术人才做支撑。与中部、西部地区相比，东部地区不仅拥有地理、人口等先天优势，还具备政策试点等后天制度优势。加之东部地区高技术产业发展本身较为成熟，对于数字经济的融合应用能力明显更强，故数字经济对高技术产业创新效率的影响相对更强。

（2） 门槛效应地区异质性检验

进一步考察知识产权保护的门槛效应在不同地区表现情况，结果如表6 所示。观察可知，知识产权保护在东部、中部地区表现出双重门槛效应，在西部地区则表现为单一门槛效应，门槛值为1.438。代入门槛模型进行回归分析如表7 所示。分析可知，对于东部地区而言，当知识产权保护低于第一门槛值时，数字经济回归估计系数为-0.012，通过1%统计水平的显著性检验。当知识产权保护在两个门槛值之间时，上述影响由负转正。当知识产权保护超过第二门槛值后，数字经济对高技术产业创新效率的正向影响随之降低。对于中部地区而言，其与全国趋势一致，即随着知识产权保护水平的不断提升，数字经济对高技术产业创新效率的影响呈先增强后减弱的发展态势。对于西部地区而言，数字经济对高技术产业创新效率的影响始终为正。当知识产权保护水平越过门槛值后，这一正向影响将得到强化。进一步分析产生上述结果的潜在原因在于，东部地区高技术产业发展水平较高，技术成果转化较快，知识产权保护力度过低则会大幅削弱创新收益，降低创新主体积极性，进而抑制高技术产业创新效率提升。只有当知识产权保护水平到达一定程度后，数字经济对高技术产业创新效率的赋能作用才能得到进一步激发。对于西部地区而言，其高技术产业创新效率偏低，数字经济的赋能效应受知识产权保护影响较小，始终呈正向影响。

表6 门槛效应地区异质性检验结果

六、结论与建议

1.结论

文章选取2010—2021 年中国30 个省份面板数据，借助GMM模型实证分析数字经济及其四个子维度对高技术产业创新效率的影响效应，并进一步考察知识产权的门槛效应，得出以下研究结论：

第一，从全国层面看，数字经济及其四个子维度对高技术产业创新效率均具有显著正向影响，充分说明数字经济有助于提升高技术产业创新效率。该结论在变更研究时期和变更研究样本后依然成立。分地区看，数字经济对东部地区高技术产业创新效率的影响效应最强，中部地区次之，西部地区最不显著。

第二，知识产权保护在数字经济对高技术产业创新效率的影响中存在双重门槛效应，且数字经济对高技术产业创新效率的影响始终为正。当知识产权保护位于两个门槛值之间时，数字经济对高技术产业创新效率的正向影响最强。

第三，知识产权保护的门槛效应存在显著地区差异。在东部地区，知识产权保护存在双重门槛效应，当知识产权保护低于第一门槛值时，数字经济负向影响高技术产业创新效率；当知识产权保护位于两个门槛值之间时，数字经济对高技术产业创新效率的影响由负转正；当知识产权保护越过第二门槛值后，这一正向影响随之降低。对于中部地区而言，其影响结果与全国趋势一致。对于西部地区而言，知识产权保护存在单门槛效应。知识产权保护越过门槛值后，数字经济的促进作用随之增强。

2.建议

第一，适度超前部署数字新基建，夯实数字经济发展基础。一方面，持续完善信息基础设施建设，推动光纤网络的提速扩容，并加快部署5G 网络的规模化应用。与此同时，政府应依据各地数据、算力等实际情况，统筹建设数据中心集群，形成一体化大数据中心体系。另一方面，建立存算一体基础设施，实现数字要素资源多元供给。政府可以城市为中心，构建涵盖云计算、边缘计算、超算协同的多层次计算体系，打造存储多元、算力开放的存算一体化基础设施，为数字经济提供完善的网络与平台支撑。政府部门需着力搭建数据共享交换平台，实现跨部门、跨业务、跨地区的数据协同管理与服务，推动高技术产业领域的数据要素市场流通交易，助力高技术产业创新效率提升。

第二，优化知识产权保护体系，打造数字经济推动高技术产业创新效率提升的外部软环境。首先，明确相关领域知识产权保护边界。相关政府部门应明确权力边界，并提供确切的保护范围与侵权对比方案，为高技术产业领域知识产权司法实践提供明确指引。其次，完善知识产权司法保护制度。对于知识产权案件“举证难”“周期长”等客观问题，合理减轻权利人举证负担，并探索“先行判决+临时禁令”等裁决方式，及时制止侵权行为。最后，依据产业特征实施差异化保护策略。高技术产业不同行业对知识产权保护敏感性并不相同。相关部门应联合行业协会、头部企业等主体，结合技术发展现状，不断优化行业规范形式，缓解知识产权保护的创新抑制效应，更好释放数字经济对高技术产业创新效率的推动效应。

第三，实施数字经济均衡化发展战略。一方面，多举措落实“东数西算”建设布局。加大国家算力网络的顶层设计，在内蒙古、甘肃、宁夏、贵州等数字经济发展相对滞后地区布局全国算力网络枢纽节点，推进这些地区与东部地区数字经济发展较好省份之间的云网协同，进而激发其自身数字经济发展。另一方面，强化中部、西部地区的数字人才供给。数字经济发展落后地区应积极推进数字人才队伍建设，通过打造数字经济人才市场、强化数字人才待遇等方式吸纳数字人才，助力当地数字经济发展，推动高技术产业创新效率稳步提升。