CC BY
9
2011.03.020. БУЕСА М., ЭЙХС Х., БАУМЕРТ Т.
ДЕТЕРМИНАНТЫ РЕГИОНАЛЬНЫХ ИННОВАЦИЙ В ЕВРОПЕ: СОЧЕТАНИЕ ФАКТОРНОГО И РЕГРЕССИОННОГО ПОДХОДОВ К ПОСТРОЕНИЮ ПРОИЗВОДСТВЕННОЙ ФУНКЦИИ ЗНАНИЙ.
BUESA M., HEIJS J., BAUMERT T. The determinants of regional innovation in Europe: A combined factorial and regression knowledge production function approach // Research policy. - 2010. - Vol. 39. -P. 722-735. - D0I:10.1016/j.respol.2010.02.016.
Ключевые слова: детерминанты инноваций; региональные инновационные системы; Европа; ИР.
Авторы статьи - М. Буеса, Д. Эйхс (Мадридский университет Комплутенсе, Испания) и Т. Баумерт (Католический университет Валенсии, Испания) - исследуют детерминанты региональных инноваций в Европе с помощью производственной функции знаний, в основе построения которой лежит сочетание регрессионного и факторного анализа. В качестве зависимой переменной модели выступает производство знаний (количество патентов), а 21 объясняющая переменная группируются с помощью факторного анализа в пять ненаблюдаемых, «гипотетических» переменных, отражающих важные характеристики инновационных систем: национальную среду, региональную среду, инновирующие фирмы, университеты и ИР, осуществляемые за счет государственного сектора.
В качестве теоретической базы исследования выступают теории эндогенного роста и конкурентных преимуществ, основанных на кластерах, а также концепции национальных и региональных инновационных систем. Авторы используют идею П. Ромера о необходимости специфических инвестиций в ИР и важности человеческого капитала для производства знаний. Учитывая интерпретацию конкурентных преимуществ М. Портера, они также включают в свой анализ специфические аспекты регионального и национального контекстов инновационного процесса. Подход инновационных систем положен в основу анализа институциональной структуры. Такой комплексный подход вызвал необходимость использовать факторный анализ, который позволяет работать с большим количеством взаимоопределяющих и коррелирующих объясняющих переменных. Отметив взаимозависимость детерминант в рамках сис-
темного подхода, что поднимает проблему их распределения на причины и следствия, авторы предлагают новую процедуру исследования, сочетающую регрессионный анализ производственной функции знаний (Knowledge Production Function - KPF), первоначально разработанную Ц. Грилихесом, и факторный анализ, основанный на работах Н. Баниа.
Основная цель исследования - разработка нового более сложного подхода к анализу детерминант производства знаний, который позволит эмпирически продемонстрировать то, что инновационная система состоит из множества взаимосвязанных элементов, каждый из которых имеет определенное влияние на инновационные результаты региона.
В качестве зависимой переменной модели используется оценка инноваций в виде количества патентов, зарегистрированных в Европейском патентном ведомстве (European Patent Office -EPO). Авторы признают, что лучшим показателем инноваций явилось бы, например, количество коммерциализированных инноваций, однако получить такие данные на сегодняшний день невозможно (существует лишь статистика доходов от инноваций). В статье обсуждаются как преимущества (гарантия патентом минимального уровня новизны; тесная связь патентования и изобретательства, заключающаяся в том, что лишь немногие изобретения не были запатентованы; охват патентами всех технологических сфер и пр.), так и недостатки данного показателя (включая недиф-ференцированность новизны объекта патентования, невозможность патентования всех инноваций, различия в склонности к патентованию в разрезе стран, секторов, фирм и пр.).
Авторы используют модель Ц. Грилихеса1: Kr = f (Rr, Zr), в которой поток новых знаний (Kr) зависит, с одной стороны, от осуществленных инновационных усилий (Rr), а с другой стороны, от множества характеристик самого региона (Zr). Авторы предпринимают попытку определить состав вектора Zr и оценить его влияние на инновации. На основе обширной теоретической и эмпирической литературы с учетом доступности информации они выделяют следующие элементы указанного вектора: инновирующие фирмы,
1 Griliches Z. Patent statistics as economic indicators: a survey // Journal of economic literature. - 1990. - Vol. 28. - P. 1661-1707.
межфирменные взаимоотношения и рыночные структуры (EMP), действия государственных органов власти в отношении ИР (ADM), инфраструктуру поддержки инноваций и университеты (INF), региональную и национальную среду (ENT). Таким образом, модифицированная производственная функция знаний выглядит следующим образом: K = f (EMP, ADM, INF, ENT) (с. 725).
Факторный анализ - это статистический инструмент, который позволяет одновременно исследовать множество переменных. Его цель - определить скрытую структуру матрицы исходных данных, чтобы свести множество переменных к небольшому количеству факторов, рассматриваемых как гипотетические или ненаблюдаемые переменные и концентрирующих в себе объясняющий потенциал исходного множества. Из исходного множества в 60 переменных за период с 1995 по 2000 г. авторы отобрали 21 переменную и подвергли их факторному анализу, который сгенерировал пять факторов или ненаблюдаемых переменных, являющихся линейной комбинацией исходных. По мнению авторов, эти факторы лучшим образом отражают сущность инновационной системы, чем каждая переменная в отдельности, так как они не только объединяют в группы отдельные взаимосвязанные переменные, но и отражают взаимосвязи между факторами вследствие моделирования корреляции каждой переменной со всеми факторами, а не только с тем, в который она включена.
Факторный анализ выявил пять вполне интерпретируемых факторов или синтетических переменных: 1) региональную инновационную среду (измеряющую размер системы и производственный опыт в глобальном масштабе); 2) инновирующие фирмы (отражающие специфическую креативную деятельность технологического знания); 3) институты высшего образования; 4) государственный сектор (отражающий специфичность генерации научного знания); 5) национальную среду (множество переменных нерегионального уровня, относящихся к доступности источников финансирования инноваций и степени распространения новых коммуникационных технологий). В целом данные факторы согласуются с теоретическими предположениями, хотя и существуют некоторые расхождения, в частности, в плане разделения региональной и национальной среды. Таким образом, модифицированная производственная
функция знаний представлена авторами в следующем виде: K = f (ENT, UNI, EMP, ADM, NAC) (с. 727).
Оцениваются два типа производственной функции знаний: первая - для выявления детерминант абсолютного количества патентов и патентов в области высоких технологий, зарегистрированных в EPO; а вторая - с целью анализа детерминант среднедушевого общего количества патентов и патентов в области высоких технологий. На первом этапе производится оценка с помощью метода наименьших квадратов, который дает наибольшую надежность оценок. На втором этапе для реализации преимущества использования информации за шестилетний период применяются техники анализа панельных данных. Так, межгрупповая модель позволила не только определить детерминанты производства знаний, но и исследовать их различия в разрезе регионов; а внутри-групповая модель - выявить отклонения отдельного региона от среднего за исследуемый период. Кроме того, авторы использовали другие оценочные методы с целью получения максимальной информации на основе доступных данных, включая обобщенный метод наименьших квадратов и тобит-модель.
В результате оценки в обеих моделях (с абсолютным числом патентов и среднедушевым количеством патентов в качестве зависимой переменной) две переменные или два фактора - региональная среда и инновирующие фирмы - обладают наибольшей объясняющей силой. В моделях с абсолютными значениями преобладающей объясняющей переменной явилась региональная среда, которая среди прочего характеризует размер экономики и инновационной системы региона, поэтому естественным образом связана с количеством патентов. Вторым важным фактором, объясняющим количество патентов, стал относительный вес иннови-рующих фирм как основных агентов получения патентов в региональных инновационных системах. Кроме того, авторы подчеркивают важность абсолютного размера региональной среды для объяснения относительного количества патентов на одного жителя региона. Это может означать, что деятельность в области ИР демонстрирует значительный эффект масштаба, который, в свою очередь, лежит в основе эффекта ее концентрации. Важно отметить, что инновирующие фирмы являются центром инновационной системы. Этот фактор - вторая по важности объясняющая пере-
менная для абсолютного количества патентов и первая - для количества патентов на одного жителя. Именно фирмы выступают движущей силой роста и структурных изменений, в которых выражается процесс экономического развития. Они способны использовать преимущества различных источников знаний (в том числе научных) и постоянно обучаться. Третьим определяющим фактором в обеих моделях оказалась национальная среда - переменная, которая включила характеристики капитальных инвестиций и распространения новых коммуникационных технологий. Два игрока (университеты и государственный сектор) национальных инновационных систем, роль которых считается определяющей, оказались менее значимы для производства патентов. Государственный сектор (измеренный как процент инвестиций в ИР от ВВП) явился статистически значимым в двух из пяти моделей для всех патентов и патентов в области высоких технологий. Эта переменная также значима во внутригрупповых моделях. Переменная университетов оказалась значимой лишь в одной из десяти моделей. В связи с этим авторы заключают, что такая незначительная роль университетов объясняется их низкой склонностью к патентованию результатов своих исследований. Данная переменная незначима для абсолютного количества патентов, но значима для их относительного количества. Авторы также подчеркивают, что полученный ими результат о низкой значимости университетов и государственного сектора не должен трактоваться неправильно. Государственные ИР дополняют частные. Наука и (высшее) образование имеют большое значение для инноваций. Несмотря на то что они не могут быть использованы мгновенно в решении конкретных производственных задач, именно они создают запас знаний, который через некоторое время позволит решить эти задачи.
В заключение авторы формулируют ряд идей, на которые, по их мнению, может ориентироваться региональная технологическая политика ЕС. В частности, политика, ориентированная на продвижение инноваций, должна сконцентрировать свое внимание главным образом на инновирующих фирмах, создавая благоприятную среду для их инициатив и инвестиций, с одной стороны, и стимулируя их активность в области ИР, проектирования и инжиниринга -с другой. Учитывая слабую склонность государственного сектора и университетов к патентованию, следует отметить, что основная
финансовая помощь в направлении кооперации должна не заменять, а дополнять программы продвижения ИР и другой инновационной деятельности и быть ориентированной как на фирмы, так и на университеты и научные исследовательские институты. Например, роль университетов может заключаться не в создании новых знаний, а в подготовке квалифицированного человеческого капитала. Важность размера экономики и численности населения региона подчеркивает необходимость достижения критической массы, которая будет служить катализатором взаимодействия между различными агентами системы. Относительно важности национальной среды авторы указывают, что ее значимость подтверждает тот факт, что доступность финансовых ресурсов (как «посевного» капитала, так и инвестиций в последующее развитие) служит двигателем инноваций. Необходимо также активно продвигать новые информационные и коммуникационные технологии. Детерминантами региональных инноваций в ЕС являются главным образом (инновирующие) фирмы и среда, в которой они оперируют (региональная среда производственных инноваций и национальная). В инновационном процессе фирмы поддерживаются другими агентами ИР-системы - государственным сектором и университетами.
О. Т. Шипкова
