寇宗来教授发表主旨演讲

非常荣幸再次到大会做主题分享。我今天汇报的是与方汉明教授、刘学悦副教授以及赵文天博士合作的一篇工作论文。此项研究最重要的创新之处是基于大语言模型方法和裁判文书网数据训练了一个比较公正的AI法院，由此可以识别知识产权诉讼案件判决中的本地保护偏误。进一步，借助于双差分方法，发现二审司法体制改革显著降低了知识产权诉讼案件判决中的本地偏向和随意性，并显著促进了创新活动。所以，就大会主题而言，我今天汇报的内容可以理解为数字化如何影响经济学研究范式的一个应用实例，即通过大语言模型构造反事实来进行经济学研究中的因果识别。

在现实生活中，大家或多或少都听过一些与知识产权相关的诉讼案件，如著名的3Q大战、头腾大战等等，以及南山必胜客、龙岗无敌手、海淀不倒翁等等略带调侃的民间说法。诉讼案件不光对原告和被告，也可能对经济社会发展产生重大影响，因而社会普遍关注司法判决的公正性和准确性。特别地，人们担心，在各种诉讼案件中是否会或多或少地存在有利于本地企业的偏向性，以及“葫芦僧乱判葫芦案”的随意性。但如后面所述，因为诉讼案件的发生具有显著的选择效应，常规的计量分析方法很难构造合理的对照组或者“反事实”，其结果是在既有文献中，几乎很难看到关于本地保护偏误在微观诉讼案件层面上的经验证据。

在这篇文章里，我们按照法院-原告-被告的关系，将知识产权诉讼案件分为四种类型。具体来说，以法院所在地为依据，如果某个案件是本地原告起诉本地被告，则该案件对应于“本本”；类似地，本地原告起诉外地被告对应于“本外”，外地原告起诉本地被告对应于“外本”，外地原告起诉外地被告对应于“外外”。

我们先从理论层面考察四类诉讼案件可能存在的多种判决偏误。首先是本地保护。按照传统的属地管理体制，从直观上不难理解，法院有可能做出有利于本地企业的司法判决。由此逻辑，“本外”案件中的原告胜诉率会向上扭曲，而“外本”案件中的原告胜诉率会向下扭曲。

其次是垄断扭曲。按照属地管理体制的逻辑，法院的偏好在一定程度上反映了地方政府的偏好。根据李宏彬教授和周黎安教授的著名论文，地方政府之间存在着以GDP锦标赛为特征的地方竞争，由此地方政府特别关心它们的财政收入，因为有了丰裕的财政收入，才能通过改善地方基础设施等方式来招商引资，进而改善所在辖区的相对GDP表现。以这个基本逻辑为前提，我们不妨做个简化假设，即每个地区都对本地企业所得利润按比例征税。由此不难推演，在“本本”情况下，尽管法院在司法判决中没有本地偏向，但依然会有积极性向上扭曲原告胜诉率：如果原告获胜，则被告成为垄断者；如果被告获胜，则被告和原告成为双寡头竞争者；但按照经济学的基本原理，竞争导致租金耗散，即垄断利润大于双寡头利润之后，进而按照比例征税原则，在垄断情形下，地方政府的税收更高。这就是“本本”情形下，法院有积极性向上扭曲原告胜诉率的微观机制。

类似地不难理解，在“本外”情形下，法院会在本地偏误的基础上，进一步向上扭曲原告胜诉率；而在“外本”情形下，法院会在本地偏误的基础上，进一步向下扭曲原告胜诉率；最后，在“外外”情形下，法院在进行司法判决时，上述两种偏误都是没有的。

综上所述，从理论直觉上我们预期，就原告胜诉率而言，四类案件的排序依次是：“本外”“本本”“外外”“外本”。

接下来介绍我们的经验工作。首先，我们参考既有文献，借助于文本分析，提取裁判文书网所公布案件的有效信息，并以诉讼费用的承担比例来测度每个案件的原告胜诉率。由此我们发现了一个与上述理论预期相悖的“反直觉”结果：就原告胜诉率而言，四类案件事实上的排序是：“外本”，“本外”，“外外”，“本本”。

对于这个“反直觉”结果，我们给出的解释是，诉讼案件的发生本身具有非常强的选择偏误或者“栅栏效应”。以“外本”案件为例进行说明，给定存在本地保护偏误，故在所有的潜在案件中，只有当外地原告认为具有很大的胜诉把握，他才会提起法律诉讼。当这种选择效应很强时，在我们所真实观察的“外本”案件中，外地原告就会具有很高的原告胜诉率。但同样由于选择效应，在传统的研究方法下，我们无法得到“外本”案件的“公正”的原告胜诉率，因而无法将选择效应与诉讼偏误分离开来。这就是既有文献对诉讼偏误缺乏案件层面微观证据的本质原因。

为了解决这个识别问题，我们以“外外”样本作为样本，训练了一个相对公正即没有本地偏向的AI法院。重申一下，按照前面的理论分析，“外外”案件既没有本地保护偏误，也没有垄断租金偏误，因而作为公正的AI法院的训练样本是比较合适的。有了公正的AI法院，我们就可以得到每一个案件关于原告胜诉率的“公正胜率”。进一步，将“公正胜率”作为反事实，与事实上的原告胜诉率相比，我们就可以得到司法判决的偏误。

AI法院的方法可以非常好地解释前面提到的反直觉结果。依然是以“外本”案例进行说明。由于选择效应或者栅栏效应，这些案件本来的公正胜率很高，所以，即便存在本地保护偏误，其最终得到的事实胜率依然高于其他案件类别。打个比方，外地原告的公正胜率是90%，因为本地保护偏向，扣去5%，最终是85%。相比而言，在“本外”案件中，本地原告的公正胜率是75%，因为本地保护偏向，加上5%，最终是80%，这依然小于85%。因为时间关系，我们无法逐一阐释每种案件的情况，但总的来说，用AI法院的方法，可以近乎完美地解释前面观察到的反直觉结果。

下面简单介绍一下我们如何利用大语言模型训练公正的AI法院。按照刚才的理论分析，我们无法仅仅用真实胜率研究选择偏误；换言之，只有知道了作为反事实的公正胜率，我们才能计算司法判决偏误的大小。具体地，我们以阿里的通义千问作为基座，在裁判文书网公布的所有案件中，以最没有偏误的“外外”样本作为训练样本集进行训练。为尽可能提高训练的公正性，我们将每个案件里面具体原告和被告的信息替换成“原告”和“被告”。诸如此类，有很多技术细节，这里不再详细展开。总的来说，从80%的训练集到20%的测试集，我们的AI法院在预测准确性上还是相当不错的。

给定通过AI法院知道了每个案件的判决偏误，我们进一步考察了2019年二审管辖权司法改革的影响。此项改革的基本精神，简单来说就是，如果原告或被告对知识产权案件的司法判决的结果有异议，本来只能到省高院提起二审诉讼，现在则可以直接到最高法院提起二审诉讼。从直观上讲，地方法院很难甚至无法干预最高法院的判决结果，而一旦最高法院认为一审判决有瑕疵，则地方法院会因此遭受一定的惩罚。由此我们预期，此项改革会降低地方法院进行司法判决的本地保护偏误以及随意性。

我们知道，中国的专利分三种类型，即发明专利、实用新型和外观设计。2019年的管辖权改革，只是针对发明专利和实用新型，而与外观设计无关。由此，我们可以构建标准的双差分模型（DID）进行识别检验。检验的结果是，此项改革导致司法判决的偏误（公正胜率与事实胜率差值的绝对值）以及随意性（公正胜率与事实胜率差值的方差）显著下降，说明“告御状”对于地方法院的司法判决具有巨大的威慑力。

更进一步，我们考察了司法改革对于创新活动的影响。创新活动以专利申请数量来度量。检验结果还是挺有意思的。首先，本地保护偏误的降低对于创新的影响并不明显。从直观上，这是因为本地保护对于创新激励有两种相反的影响：一方面，这会通过提高企业在本地市场的利润水平而提高企业的创新激励；但另一方面这会降低企业在外地市场的利润水平而降低企业的创新激励。

其次，司法判决随意性的降低能够显著促进创新活动。直观上，创新可以理解为一种有风险的投资活动，对企业来说，其创新收益与专利等知识产权是否会受到侵权密切相关。知识产权司法判决的随意性越高，意味着创新收益的不确定性越高，进而会降低企业的创新激励。由此，二审管辖权体制改革因为显著降低了司法判决的随意性，也就显著促进了企业的创新活动。

整个的结果大致就是这样。谢谢大家！