之前我给大家分享过工企专利的知识宽度计算结果：
×
计算过程也有专门的课程讲解：
×
根据这个课程讲解，专利知识宽度的计算方法有两种：
方法一：直接企业层面
下面称为主分类号方法。
一种是李宏、王云廷等（2021，世界经济研究）中介绍的方法：
在大组层面（使用主专利号提取）上定义企业专利知识宽度为:
其中，Zimt 为企业 i 截至 t 年在 m 大组下发明与实用新型申请专利的累计数目，Zit 为企业 i 截至 t 年在全部大组下申请专利的累计数目。Patentknowledge_it 的值越大，说明企业专利的知识宽度越大，专利质量越高。
这样直接就可以得到企业-年份层面的专利质量数据了。
方法二：专利层面 -> 企业层面
下面称为分类号方法。
另一种是张杰、郑文平（2020，经济研究）中介绍的方法：
采取大组层面（使用分类号提取）的赫芬达尔—赫希曼指数(HH)的逻辑思路对其进行加权，企业专利知识宽度的具体计算方法为:
其中，alpha 表示专利分类号中各大组分类所占比重。可以看出，patent_knowedge_nt,type越大，各个大组层面的专利分类号之间的差异越大，即表明企业创造专利所运用的知识宽度越大，其专利质量可能就表现为越高。
经过上面的计算可以得到专利层面的知识宽度信息，然后可以汇总到企业层面，具体来说又分为两种，均值法和中位数方法。
Stata 实现
在课程「使用 Stata 编程计算工企专利知识宽度」中讲解了如何使用 Stata 编程实现上面两种方法：
×
这里就不再赘述了，感兴趣的小伙伴可以结合讲义材料观看视频讲解学习。
数据计算结果
使用类似的方法就可以计算上市公司专利的知识宽度了。使用的上市公司专利数据是之前分享的：
×
附件中我也提供了计算代码供大家参考。
上市公司专利申请知识宽度.dta 就是计算结果了。
包含年份、股票名称、股票代码、公司名称、分类号方法专利知识宽度_均值法、分类号方法专利知识宽度_中位数法、主分类号方法专利知识宽度 几个变量。
下图展示了两种方法计算结果的分布（由于两种方法利用的信息是不同的，所以不具备可比性）：
点击这里跳转到 RStata 短书平台获取附件：旧版本｜上市公司专利知识宽度计算结果（1985～2019年）
评论