Анализ детерминант процесса создания инноваций

Лебедев Виталий Александрович

Анализ детерминант процесса создания инноваций

Статья посвящена исследованию факторов, влияющих на процесс производства инноваций, на основе панельных данных 13 стран ЕС с временным периодом 1996-2011 года. В результате были оценены коэффициенты в функции производства инноваций.

Экономика и экономические науки

Статьи

Вуз: Санкт-Петербургский филиал Национального исследовательского университета "Высшая школа экономики" (НИУ ВШЭ СПб)

ID: 58b983ad5f1be748122b3c44

UUID: 3f2d7230-e24f-0134-5aeb-525400003e20

Язык: Русский

Опубликовано: около 7 лет назад

Просмотры: 15

10.3

Лебедев Виталий Александрович

Санкт-Петербургский филиал Национального исследовательского университета "Высшая школа экономики" (НИУ ВШЭ СПб)

Комментировать 0

Рецензировать 0

Скачать - 0 байт

Поделиться работой

Фамилия Имя Отчество: Лебедев Виталий Александрович Образование: бакалавр экономики, факультет Санкт-Петербургская Школа Экономики и Менеджмента, Научный Исследовательский Университет Высшая Школа Экономики Адрес электронной почты: vit8195@gmail.com Анализ детерминант процесса создания инноваций 1

Аннотация Статья посвящена исследованию факторов, влияющих на процесс производства инноваций, на основе панельных данных 13 стран ЕС с временным периодом 1996-2011 года. В результате были оценены коэффициенты в функции производства инноваций. Ключевые слова: инновации, панельные данные, функция производства инноваций 2

Содержание 1 Введение…………………………………………………………………………………..4 2 Методология……………………………………………………………………………...6 3 Данные…………………………………………………………………………………….8 4 Эмпирический анализ………………………………………………………………….. 9 5 Выводы……………………………………………………………………………………13 Список литературы………………………………………………………………………..14 3

1 Введение Новые знания, инновации всегда оказывли сильное вляние на жизнь отдельных людей и развитие общества и государств. Особенно актуальными явяляется создание новых знаний в наше время в связи с переходом в постиндустриальное общество, потому что в именно в постиндустриальном (информационном) обществе знания становятся основным ресурсом и ценностью. В связи со всем выше сказанным, получается, что особую актуальность приобретают проблемы, связанные с детерминантами инновационного процеса, поскольку государства и отдельные фирмы заинтересованы в увеличении количества новых знаний. В экономической литературе также уделялось внимание важной роли инноваций и появление новых знаний в различных экономических процессах. Знания и технологический прогресс являются важным двигателем экономической динамики в большинстве эндогенных моделях роста. Данная тематика является крайней популярной в Российской Федерации, где рукводство страны уделяет большое количество сил для инновационного развития страны. Проявлением такой деятельности может служить появление инновационного центра «Сколково» в Московской области. Кроме того, уделяется достаточное количество средств для развития университетов и научных центров по всей России. В данной статье был поставлен следующий исследовательский вопрос: анализ детерминант процесса проиводства новых знаний. По данной проблеме было написано уже дововольно большое количество статей и научных работ, несмотря на то, что она стала темой работ относительно недавно. В статье «Real effects of academic research» A.B. Jaffe рассматривает функцию производства знаний производственной, в которой выпуск новых знаний объясняется через затрыты на НИОКР фирм и затраты на исследования университетовх[2]. В статье «Econometric models for 4

count data with an application to the patents-R&D relationship» называется затраты фирм на НИОКР как основная детерминанта патентной активности фирмы[4]. Авторы статьи «Patents and R and D: is there a lag?» B. Hall, Z. Griliches и J. Hausman строили модель проивзодства новых знаний как функцию, зависящую от предыдущих лагов занчений затрат на НИОКР[1]. В работе «Spatial spillovers and innovation activity in European regions» рассматривалась затрат на НИОКР, а также плотность населения (агломерционный фактор) и ВВП на душу населния как детерминанты процесса проиводства инноваций. Кроме того, в данной статье уделялось влияние пространственным эффектам и был сделан вывод о том, что производсвто знаний зависит не только от затрат в этот процесс одного региона или страны, но и от запаса знаний в соседних с ним регионов или стран[3]. 5

2 Методология Перед тем как приступить к подробному описанию методологии работы, необходимо определиться, что принимать за инновационную активность в стране. Абсолютное большинство работ, исследующих данную и схожие проблемы, рассматривали патентные заявки, поданные резидентами, как апроксмацию переменной инновационной активности или количество новых знаний. В данной работе преполагается использовать функцию производства знаний в форме Кобба-Дугласа следующего вида: 𝛽𝛽 𝛾𝛾 𝛼𝛼 𝐼𝐼𝑡𝑡 = 𝑅𝑅𝑅𝑅𝑡𝑡−2 ∗ 𝑅𝑅𝑡𝑡 ∗ 𝑇𝑇𝑡𝑡 Где RD- инвестиции в НИОКР R- число исследователей T- число технического персонала I - число принятых патентов t- период времени 𝛼𝛼, 𝛽𝛽, 𝛾𝛾 – коэффициенты, которые необходимо оценить Из полученной функции производства знаний видно, что количество знаний, проиведённых в момент врмени t, зависит от количества исследователей и технического персонала в данный период времени, и от второго лага затрат на НИОКР. В данной работе рассматривается не только число исселдователей как фактор проиводства знаний, но и число технического персонала, т.к. технический персонал также вовлечен в исследования и выполняет исследовательскую задачу под руководством исследователя. Таким образом, в данной модели трудовые ресурсы сектора НИОКР состоят из исследователей и 6

технического персонала. В модели рассматривается второй лаг инвестиций в НИОКР, т.к. инвестици в НИОКР не могут сразу оказывать воздействие выпуск знаний, должно пройти какое то время. Для того, чтобы проводить эмпирический анализ, необходимо перейти к логарфимической форме функции проиводства знаний: ln(𝐼𝐼𝑡𝑡 ) = 𝛼𝛼 ∗ ln(𝑅𝑅𝑅𝑅𝑡𝑡−2 ) + 𝛽𝛽 ∗ ln(𝑅𝑅𝑡𝑡 ) + 𝛾𝛾 ∗ ln(𝑇𝑇𝑡𝑡 ) Влияние всех независимых переменных на зависимую ожидается положительным. 7

3 Данные В исследовании используюстя панельные данные по 13 стрнам Европейского Союза за временой промежуток с 1996 по 2011 года. Основные переменные представлены в таблице: Переменная Название Единицы измерения Число поданных патентов Patent_applications Число патенных заявок Затраты на НИОКР RD_expenditures В текущих ценах по ППС Число исследователей Researchers Число исследователей Число персонала технического Technicians Численность технического персонала Источниками используемых данных послужили офиицальные сайты Всемирного банка и ЮНЕСКО (Организация Объединённых Наций по вопросам образования, науки и культуры). 8

4 Эмпирический анализ Принимая во внимания, что данные имеют панельную струкутру, в данной статье будут построены объединеный (pooled) МНК модель, модель со случайными эффектами и модель с фиксированными эффектами. Для начала построим объединённый МНК регрессию, в которой в роли зависимой переменной будут выступать логарфмированные значения числа патентных заявок, а независмыми- логарифмированные значения числа исследователей, числа технического персонала и инвестиций в НИОКР: Linear regression Number of obs F( 3, 178) Prob > F R-squared Root MSE Robust Std. Err. = = = = = 182 164.74 0.0000 0.6484 .64457 ln_Patent_applic~s Coef. ln_Researchers ln_Technicians .2310604 .4959229 .12773 .1208058 1.81 4.11 0.072 0.000 -.0209996 .257527 .4831203 .7343188 ln_RD_expenditures L2. .152991 .0897358 1.70 0.090 -.0240919 .3300739 _cons -2.405074 .4536176 -5.30 0.000 -3.300234 -1.509914 Все коэффициенты перед t переменными P>|t| [95% Conf. Interval] оказались значимыми и ожидаемо положительными. В регрессиях с фиксированными эффектами исследуется связь между независимыми и зависимой переменными внутри группы- страны. Предполагается, что страны имеют индивидуальные характеристики, не изменяющиеся по времени, которые оказывают влияние на зависимую переменную. Необходимо построить регрессию с фиксированными эффектами: 9

Fixed-effects (within) regression Group vari able: Country Number of obs Number of groups = = 182 13 R-sq: Obs per group: min = avg = max = 14 14.0 14 within = 0.2801 between = 0.6633 overall = 0.6387 corr(u_i, Xb) F(3,166) Prob > F = 0.3972 = = 21.53 0.0000 ln_Patent_applic~s Coef. ln_Researchers ln_Technicians .288093 .1675489 .133794 .0903147 2.15 1.86 0.033 0.065 .0239359 -.0107645 .5522501 .3458624 ln_RD_expenditures L2. .1480232 .0636676 2.32 0.021 .0223206 .2737258 _cons -.1056006 .7901565 -0.13 0.894 -1.665652 1.454451 sigma_u sigma_e rho .69100523 .22539359 .90383648 (fraction of variance due to u_i) F test that all u_i=0: Std. Err. F(12, 166) = t 107.48 P>|t| [95% Conf. Interval] Prob > F = 0.0000 Коэффициенты перед переменными получились значимыми и ожидаемо положительными. Надо отметить, что согласно результатам F-теста отвергается нулевая гипотеза. Следовательно, pooled OLS регрессия не подходит и необходимо сделать выбор регрессии с фиксированными эффектами, если рассматривать между этой регрессией и объединённый МНК регрессии. В регрессии со случайными эффектами различие между группами- странамипредполагаются случайными. Необходимо построить регрессию со случайными эффектами: 10

R-sq: within = 0.2799 between = 0.6647 overall = 0.6402 corr(u_i, X) = = 182 13 Obs per group: min = avg = max = 14 14.0 14 = = 81.86 0.0000 Number of obs Number of groups Random-effects GLS regression Group variable: Country Wald chi2(3) Prob > chi2 = 0 (assumed) P>|z| [95% Conf. Interval] 2.28 2.19 0.023 0.029 .0414011 .0200433 .5494699 .3642945 .0623575 2.45 0.014 .030581 .2750179 -.4519417 .7644391 -0.59 0.554 -1.950215 1.046331 .71262312 .22539359 .90905983 (fraction of variance due to u_i) z Std. Err. ln_Patent_applic~s Coef. ln_Researchers ln_Technicians .2954355 .1921689 .1296118 .0878208 ln_RD_expenditures L2. .1527995 _cons sigma_u sigma_e rho Все коэффициенты получились значимыми и ожидаемо положительными. Необходимо привести LM тест, чтобы определить какая модель лучше: объединённый МНК регрессия или модель со случайными эффектами: Breusch and Pagan Lagrangian multiplier test for random effects ln_Patent_applications[Country,t] = Xb + u[Country] + e[Country,t] Estimated results: Var ln_Pate~s e u Test: sd = sqrt(Var) 1.162163 .0508023 .5078317 1.078036 .2253936 .7126231 Var(u) = 0 chibar2(01) = Prob > chibar2 = 882.68 0.0000 Отвергается нулевая гипотеза о том, что дисперсия среди всех объектов – стран - равна нулю. Следовательно, в нашем случае не подходит обычная OLS регрессия и выбор падает на регрессию со случайными эффектами. Поскольку необходимо понять какая модель лучше в нашем случае: модель с фиксированными эффектами или модель со случайными эффектами, необходимо 11

провести тест Хаусмана, по результатам которого уже можно будет ответить на этот вопрос: Coefficients (b) (B) fixed random ln_Researc~s ln_Technic~s L2.ln_RD_e~s .288093 .1675489 .1480232 .2954355 .1921689 .1527995 (b-B) Difference -.0073425 -.02462 -.0047763 sqrt(diag(V_b-V_B)) S.E. .0331905 .0210772 .0128493 b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test: Ho: difference in coefficients not systematic chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 1.83 Prob>chi2 = 0.6082 Принимается нулевая гипотеза о том, что индивидуального уровня эффекты отлично описываются моделью со случайными эффектами. В итоге получается, что лучшая модель в нашем случае- это модель со случайными эффектами. 12

5 Выводы Данная работа посвящена анализу детерминант процесса производства новых знаний в Европейском Союзе. Для исследования использованы панельные данные 13 стран ЕС в период с 1996 по 2011 год. Выбор логарифмической модели оказался продиктован тем, что функцию производства новых знаний имеет вид производственной функции КоббаДугласа, часто используемая в экономической теории. Все три модели, построенные в данной работе (объединенный МНК, регрессия с фиксированными эффектами и регрессия со случайными эффектами) получились со значимыми и положительными коэффициентами: рост затрат на НИОКР, числа исследователей или численности технического персонала ведёт к росту производства инноваций. Для стимулирования производства новых знаний правительство может увеличивать инвестиции в НИОКР или делать доступными и привлекательными профессии с связанные с сектором НИОКР (исследователи и технический персонал). Из проведённых тестов получилось, что наиболее предпочтительной модели для этого исследования является модель со случайными эффектами. Принимая во внимание, что отсутствовали данные для многих европейских стран, именно модель со случайными эффектами получилась наилучшей. При увеличении объема выборка и включение большего количества стран, модель с фиксированными эффектами будет становиться лучше. 13

Список литературы 1) Hall B. H., Griliches Z., Hausman J. A. Patents and R&D: Is there a lag?. – 1984. 2) Jaffe A. B. Real effects of academic research //The American Economic Review. – 1989. – С. 957-970. 3) Moreno R., Paci R., Usai S. Spatial spillovers and innovation activity in European regions //Environment and Planning A. – 2005. – Т. 37. – №. 10. – С. 1793-1812. 4) Hausman J. A., Hall B. H., Griliches Z. Econometric models for count data with an application to the patents-R&D relationship. – 1984. 5) David R. Advanced macroeconomics. – 2011. 6) World Bank Open Data [website]. URL.: http://data.worldbank.org/ 7) UIS Statistics [website] URL.: http://data.uis.unesco.org/ 14

Рецензии:

Авторизуйтесь, чтобы добавить рецензию

- у работы пока нет рецензий -

Отзывы:

Авторизуйтесь, чтобы оставить отзыв