發佈日期:2016-01-15

專利涉訟指標研究

作者:林倞

專利資訊專利鑑價專利訴訟Patent ValuationPatent Litigation

▶【延伸閱讀 | STPI 電子書城】主要競爭國家專利動態觀測與優勢總體分析

文章圖片所有權:https://goo.gl/VXzvF0,Created by Brian Turner
版權適用聲明:允許再利用且可修改

一、前言

筆者在前一篇文章(林倞,2015)回顧了專利訴訟對企業發展的影響;對被告而言,官司費用、敗訴時的賠償金及後續的市場效應可能阻斷被告企業的發展;對原告而言,將專利作為興訟武器的專利權人(一篇專利的擁有者,可以是法人或個人)則能透過興訟鞏固既有市場,甚至透過興訟直接獲利。這帶出了一個重要議題:什麼樣的專利能夠用來興訟或透過轉讓、授權等其他手段為專利權人帶來利益?簡而言之,就是何種專利的價值較高?

專利是政府授予專利權人的一種用來排除他人製造、販賣、使用或進口其發明的權利;實務上,除非專利權人拿專利來提告或威脅提告,否則取得專利之後什麼事也不會發生。所以專利的最原始目的就是拿來興訟的,而專利的轉讓、授權只是同業用來避免被告的解決方案而已。由此可知,最根本的定義上,能用來興訟或避免被告的專利才有價值。

專利鑑價 已經過很長一段時間的發展(de Vries, 2011),可大略分為定性估價(qualitative valuation)與定量估價(quantitative valuation)。

有四種途逕可以用來進行專利的定性估價:成本法、市場法、收入法與選擇權法。成本法係透過估算複製或取代一有形資產(例如產品)或無形資產(例如技術)所需的專利成本來決定專利價值,其中該專利成本可為內部研發並申請專利的成本,或取得外部專利的成本;成本法的缺點在於,它只看既有成本而無法計入一專利所能帶來的潛在市場價值(Kamiyama et al., 2006)。市場法在估算一專利的價值時,看的是保護類似技術的其他專利目前在市場上的行情;市場法的缺點在於,通常公司之間交易專利的資訊是不公開的(Davies, 2004),即使好不容易取得某些類似技術的專利的交易資訊,數量卻不具有統計學上的代表性。收入法則是利用會計學上的「貼現金流(discounted cash flow)」估價法,將各種因子代入一公式,找出一件專利在未來能帶來的現金流的目前價值與該專利價值之間的關係(Smith & Parr, 2000);收入法的缺點在於,上述各種因子的選用與權重等是請所謂的專家透過人為的方式決定的,產生的誤差可能非常大。選擇權的定義為一特定期限之前買賣一標的資產的權利,其價格以某種形式(例如供需平衡)進行隨機變化,當以選擇權法對專利鑑價時,則將專利視為上述標的資產;選擇權法的缺點在於,還是需要依靠其他鑑價資訊才能形成最初的價格(Davies, 2004)。

專利的定量估價則透過評分的方式將專利進行分類與排名,包括專家意見定量估價與指標型定量估價等方法。專家意見定量估價法,係依照專家意見,將專利依照市場大小、保護範圍、技術生命週期進行排名(Davies, 2004);指標型定量估價法則假借專利書目資料 所形成的專利指標評估專利價值(Giuri et al., 2007)。

由上可知,成本法無法估計專利最重要的潛在價值,市場法、收入法、選擇權法或專家意見定量估價法則仰賴不易取得、不易統計或流於主觀的外部資訊。一方面,這些方法未直接反映「能用來興訟或避免被告的專利才有價值」的專利本質,另一方面,擁有大量專利買賣經驗的大企業才有足夠多的數據或專家來經由上述方法估算專利價值。所以學者持續在尋找「何種專利的價值較高?」這個問題的更佳解答。

Lai和Che(2009)在其研究中試圖找出美國專利訴訟判罰金額高低與專利指標間的關係;其利用專利訴訟相關資料的研究方法具有回到專利本質來探討專利價值的目的。該研究中首先以多個專利指標作為自變數,以專利訴訟判罰金額作為應變數,進行複迴歸分析(multiple regression),結果顯示其專利指標與專利訴訟判罰金額無明顯關係。其接著利用反向傳播類神經網絡(back-propagation neural network)來重新分析其專利指標與專利訴訟判罰金額,結果找到具有預測能力的專利鑑價模型。上述研究留下幾個議題:(1)該研究作者一共閱讀了超過四千件的專利訴訟文件,其中記載有專利訴訟判罰金額的有效樣本不到一百件,這相對於總數高達數百萬件的美國專利母體而言,分析結果可能不具有統計上的意義。(2)大多數的興訟專利權人從「和解」就達到獲利的目的,這在只觀察訴訟判罰金額時是看不到的。(3)專利訴訟判罰金額的高低又受訴訟期間律師、法官等非專利本身好壞的因素影響,也可能因此使得專利指標與專利訴訟判罰金額之間不存在統計學上的相關性。(4)類神經網絡分析牽涉多個經由試誤(trial and error)調整的參數,加上有效樣本過小,研究結果可能不具有代表性。

本研究同樣試圖以專利訴訟與多個專利指標間的關係來評估專利價值;與上述文獻不同的是,本研究僅利用「專利是否為系爭專利 」這個較上位的概念作為類別型(categorical)應變數進行統計分析;如此可以免除專利訴訟判罰金額所面臨非專利本身好壞的因素影響,同時簡化了判讀機制而能一次處理數萬筆資料,產生具有統計意義的結論。本研究並未將收集的「系爭專利」資料細分為提告方或被告方的專利;能用來在訴訟中進行攻擊(提告方)或防禦(被告方)的專利都有其一定價值,而筆者未來也會更深入研究攻擊與防禦性專利的不同。結果顯示選用的專利指標是可以用於評估專利價值的。

二、研究方法

統計學上,檢定類別型應變數與自變數關係的常用方法有兩種(Ross, 2014),當自變數也是類別型變數時使用卡方檢定(chi-square test),當自變數為連續變數時使用邏輯迴歸(logistic regression)。「專利『是否』為系爭專利」屬於類別型應變數,所以筆者利用卡方檢定與邏輯迴歸兩種途徑確認專利是否涉訟與專利指標間的關係。

為了避免時間對分析數據的影響,筆者特別選定單一年份公告的專利進行分析。本研究從Thomson Innovation資料庫中擷取以excel格式儲存的2010年當年核准的所有總共59,117件美國專利的資料,接著利用這些excel檔案統計三種專利指標:(1)請求項數、(2)引證專利數(backward citation count,每篇被分析專利所引用的先前專利數量)、(3)家族數,並以「專利是否為系爭專利」作為類別型應變數進行卡方檢定與邏輯迴歸;當進行卡方檢定時,需要將上述專利指標依數量進行分組形成類別型自變數。

三、結果與討論

此處卡方檢定的虛無假設(null hypothesis)為「專利是否為系爭專利與專利指標大小『無關』」;在顯著水準(level of significance)為0.05的條件之下,三個專利指標的檢定結果拒絕了虛無假設,表示專利是否為系爭專利與專利指標大小是相關的(表一~三)。

表一 專利是否為系爭專利與請求項數之卡方檢定列聯(contingency)表

請求項數顯著性(p)
0~2526~5051~7576~100>1000.000
系爭專利
(涉訟率)
363
(0.7%)
104
(1,5%)
22
(2.8%)
7
(4.5%)
8
(9.1%)
非系爭專利50826678277714880


表二 專利是否為系爭專利與引證專利數之卡方檢定列聯表

引證專利數顯著性(p)
0~2526~5051~7576~100>1000.000
系爭專利
(涉訟率)
228
(0.5%)
93
(1.0%)
50
(2.0%)
29
(2.2%)
106
(3.1%)
非系爭專利429538825249213193341


表三 專利是否為系爭專利與專利家族數之卡方檢定列聯表

家族數顯著性(p)
0~2526~50>500.000
系爭專利
(涉訟率)
441
(0.8%)
46
(3.2%)
19
(6.1%)
非系爭專利576881435313

涉訟率指的是系爭專利在同類別自變數的所有專利中所佔比率。為了符合卡方檢定「80%以上表格中的虛無假設期望值必須大於5」的前提(Meyers, Gamst, & Guarino, 2013),表一~三中自變數(專利指標)的分組數是透過試誤決定,以使得80%以上表格中的虛無假設期望值大於5,所以表一~三的自變數分組數量不同;然而原則上,從表一~三可看出專利涉訟率與本研究三個專利指標的大小是正相關的。

統計學強調「相關不蘊涵因果(correlation does not imply causation)」,是否有足夠的理由解釋專利指標與涉訟率之間所觀察到的現象是具有因果關係的?請求項數方面,各國專利法要求專利權人必須將要保護的技術內容確實地寫入一篇專利的請求項當中。所以請求項數量越大,代表專利權人利用了越多種大大小小的請求項來保護整個技術的上位概念,及下位的核心細節,使得這種申請專利範圍面面俱到的專利十分具有法律層面的攻擊性。

引證專利數方面,引證專利數是專利審查過程中作為判斷「可專利性」的證據。直觀上,(1)引證的專利越多,代表該領域是熱門的,相關技術被同業用到導致侵權的機會越高,使得涉訟率越高;(2)在這麼多相同領域專利存在的情況下,一件發明還能迴避掉其它發明內容而被核准為專利,足以見得具有獨到見解而具有高價值。

家族數方面,同一家族的專利,除了具有選擇發明關係的母子案,還包括同樣技術內容在不同國家申請的專利。同一技術內容在同一國家合法地重覆申請專利所費不貲,更不用說大費周章地排除語言隔閡到其它國家申請專利了。所以從專利家族數可看出一專利申請人對該技術的重視程度,越被重視的的技術直觀上價值越高,越不希望受他人侵權。

接著我們進一步利用邏輯迴歸分析專利涉訟率與選定專利指標間的關係。當涉訟率與專利指標間存在邏輯迴歸關係時,滿足下式:

p=(eβ01 x)/(1+eβ01x )

其中,p為涉訟率,x為專利指標數值,β0、β1為邏輯迴歸係數。

利用邏輯迴歸分析稀有事件(rare events)時會有無法通過統計檢定的情況(King & Zeng, 2001)。筆者發現涉訟率大約在2%以下時,「發生訴訟」為一稀有事件,使得各種專利指標都無法通過Hosmer-Lemeshow配適度檢定。當限制專利指標之最小值,使得整體平均涉訟率達到2%以上時,請求項數、引證專利數兩個專利指標通過檢定,且β0、β1都顯著(表四),所以專利的請求項數、引證專利數可用來預測專利涉訴率;家族數的β1值則不顯著,這代表高家族數的樣本過少,涉訟率與家族數的關係無法用邏輯迴歸描述。

表四、涉訟率與專利指標之邏輯迴歸分析結果

專利指標專利指標最小值β0 (顯著性)β1 (顯著性)Hosmer-Lemeshow顯著性
請求項數51-4.185 (0.000)0.012
(0.002)
0.583
引證專利數51-3.823
(0.000)
0.001
(0.002)
0.366
家族數51-2.459
(0.000)
-0.003
(0.509)
0.485

四、結論

本研究透過訴訟資訊建立一套專利價值排名方法,並以卡方檢定與邏輯迴歸分析了2010年核准的所有美國專利是否為系爭專利與三個專利指標(請求項數、引證專利數、家族數)之間的關係。卡方檢定的結果顯示,三個專利指標的分組數值區間越高,專利涉訟率越高。邏輯迴歸的結果顯示,專利涉訟率與請求項數或引證專利數的關係可用邏輯迴歸式來描述。由上可知,本研究所選用的三個專利指標的確可用來替專利進行價值排名,專利指標數值越高,專利價值越高。將來只要將不同的專利涉訟率與特定價格對應,透過專利涉訟率與請求項數或引證專利數之間的邏輯迴歸式,則可進一步為專利鑑價。筆者往後將深入分析專利涉訟率所能對應的合理價格區間,以實現快速專利鑑價的目標。

五、未來展望

在未來的研究中,筆者會進一步將提告方及被告方的系爭專利分別作為應變數,並以上述指標加上專利權人特性(是否為非專利實施個體?法人或個人?)及專利壽命…等其他自變數,以複回歸的方式深入分析,以設計出更完善的專利價值分析方法。

參考文獻

  1. Davies, I. (2004). Financing of Welsh SMEs: the commodification of IP rights (IP Wales Research Report). Swansea, UK: IP Wales.
  2. de Vries, D.(2011), Leveraging patents financially: A company perspective (Doctoral thesis, Hamburg University of Technology, Germany).
  3. Giuri, P., Mariani, M., Brusoni, S., Crespi, G., Francoz, D., Gambardella, A., ... Verspagen, B. (2007). Inventors and invention processes in Europe: Results from the PatVal-EU survey. Research policy, 36, 1107-1127.
  4. Kamiyama, S., Sheehan, J., & Martinez, C. (2006). Valuation and exploitation of intellectual property (STI Working Paper 2006/5). Paris, France: OECD.
  5. King, G. & Zeng, L. (2001). Logistic regression in rare events data. Political Analysis, 9, 137-163.
  6. Lai, Y. –H. & Che, H. –C. (2009). Evaluating patents using damage awards of infringement lawsuits: A case study. Journal of Engineering and Technology Management, 26, 167-180.
  7. Meyers, L. S., Gamst, G. C., & Guarino, A. J. (2013). Performing data analysis using IBM SPSS. New Jersey: John Wiley & Sons.
  8. Ross, S. M. (2014).Introduction to probability and statistics for engineers and scientists. New York: Elsevier.
  9. Smith, G. V. & Parr, R. L. (2000). Valuation of intellectual property and intangible assets. New York: John Wiley & Sons.
  10. 林倞(2015)。從威盛與hTC的興衰看技術追隨者的困境。Research Protal。上網日期:2015年10月21日,取自http://portal.stpi.narl.org.tw/index/article/10149