专利数据的使用和滥用：金融及其他领域

来自哈佛大学的Josh Lerner和斯坦福大学的Amit Seru两位学者于2022年在The Review of Financial Studies上发表了文章《专利数据的使用和滥用：金融及其他领域》（The Use and Misuse of Patent Data: Issues for Finance and Beyond），探讨了专利数据使用的相关问题。

[ 想要获得此文章的PDF文档请在公众号后台回复关键词 “ 专利数据的使用和滥用 ”。]

作者提到，在过去几年中，越来越多的金融和会计领域的研究使用了专利数据。基于此，作者首先讨论了专利级数据的一个可能导致推断偏误的特征——问题源于（a）专利数据的截断和（b）某一地区或部门发明人构成的变化之间的相互作用。

进而，作者在公司层面的分析中，探讨了这种相互作用引致的后果并定义了两个概念。其一是“专利偏误”（patent bias），即与早期数据中记录的专利相比，实际授予专利的差异；其二是“引用偏误”（citation bias），即早期数据中专利引用与相同专利在较长时间内获得的引用之间的差异。作者强调“专利偏误”（patent bias）和（特别是）“引用偏误”（citation bias）与企业层面的关键特征相关联。

接下来，作者给出截断问题所造成偏差的实证分析：对未经调整和调整的专利偏差进行回归，并分别从不同角度（行业、区域、技术）对这种偏差进行图解分析。同时，作者提出，这种偏差无法通过专利级调整方法消除，也无法通过回归估计来消除（时间和固定效应来解释），并给出相关实证结果，结果说明企业层面的偏差在时间、技术级别、地区和行业的复杂方式上各不相同，这与企业特征（规模、研发强度、杠杆等）和地域特征有关。

针对这一问题带来的推断偏误，作者提出了2种补救措施：

第一，建议使用稳健性检查表（robustness checklist），作者基于文中所讨论的原则，列出了8项基于专利的公司金融分析清单；

第二，建议将机器学习（machine learning）作为解决这类问题的潜在新方法。作者指出，使用机器学习来生成并调整的一套可行分析方法，比现有文献中使用的传统方法要好得多。这主要是由于传统的方法无法系统地解决公司层面的“专利偏误”（patent bias）和“引用偏误”（citation bias）。

总之，作者对专利数据偏误来源、类型、及补救措施进行了探究分析。同时，作者指出。特别是考虑到传统方法的局限性和更好地解决系统性偏误时，机器学习的应用潜力是巨大的！评估哪些其他公司级别的信息可用于有效预测公司一级的专利和引用仍然是一个富有成效的研究领域。

Josh Lerner, Amit Seru. 2022. “The Use and Misuse of Patent Data: Issues for Finance and Beyond” The Review of Financial Studies, 35(6): 2667–2704.

转自：“社科学术汇”微信公众号

如有侵权，请联系本站删除！