CC BY
116
МАКРОЭКОНОМИЧЕСКИЙ АНАЛИЗ: МЕТОДЫ И РЕЗУЛЬТАТЫ
УДК 332.14 + 330.42 + 330.43 1БЬ 031, 033, 038
Б01 10.25205/2542-0429-2018-18-1-5-17
М. А. Канева 1 2, Г. А. Унтура 1 3
1 Институт экономики и организации промышленного производства СО РАН пр. Академика Лаврентьева, 17, Новосибирск, 630090, Россия
2 Институт экономической политики им. Е. Т. Гайдара Газетный переулок, 3-5, Москва, 125993, Россия
3 Новосибирский национальный исследовательский государственный университет ул. Пирогова, 1, Новосибирск, 630090, Россия
[email protected], [email protected]
ЭВОЛЮЦИЯ ТЕОРИЙ И ЭМПИРИЧЕСКИХ МОДЕЛЕЙ ВЗАИМОСВЯЗИ ЭКОНОМИЧЕСКОГО РОСТА, НАУКИ И ИННОВАЦИЙ
(ЧАСТЬ 2) *
Настоящее исследование является второй частью аналитического обзора теоретических моделей взаимосвязи экономического роста / ВРП и показателей развития науки и инновационной деятельности, а также эмпирических работ по проверке выдвигаемых теоретических положений. Целью работы является систематизация существующих подходов к моделированию экономического роста, стимулируемого наукой и инновациями. Новизной настоящего обзора является использование критерия взаимосвязанности теоретических и прикладных работ в авторской систематизации достаточного широкого круга публикаций, которая представлена авторами в итоговой таблице-схеме. В первой части работы была показана эволюция теоретических подходов, а во второй части авторами выявляется временной разрыв между теориями и их эмпирической проверкой, обусловленный степенью развития количественного инструментария, в первую очередь эконометрических методов. Результаты работы могут использоваться исследователями, аспирантами для ознакомления с существующими научными направлениями, в которых прослеживается движение от теории к эмпирической проверке взаимосвязи «экономический рост - инновации» для совершенствования разного типа моделей пространственной эконометрики. В целях прикладного использования моделей в практике управления представленный обзор может быть дополнен новыми критериями классификации производственных функций знаний и других теорий о влиянии науки и инноваций на экономический рост.
Ключевые слова: экономический рост, регион, инновационная деятельность, ВРП, перетоки знаний, экономическая теория.
Эмпирическое моделирование экономического роста,
основанного на инновациях
Развитие теоретических моделей взаимосвязи между экономическим ростом и инновационной деятельностью дополняется по прошествии времени широким набором эмпирических подходов к тестированию и проверке теоретических гипотез. Коротко опишем и проанализируем эти эмпирические исследования в настоящем разделе. В части 1 исследования описаны
* Статья выполнена в рамках гранта РФФИ № 17-02-00060 «Оценка влияния факторов инновационного развития на экономический рост регионов России».
Канева М. А., Унтура Г. А. Эволюция теорий и эмпирических моделей взаимосвязи экономического роста, науки и инноваций (часть 2) // Мир экономики и управления. 2018. Т. 18, № 1. С. 5-17.
ISSN 2542-0429. Мир экономики и управления. 2018. Том 18, № 1 © М. А. Канева, Г. А. Унтура, 2018
основные известные модели и представлены примеры эмпирических подходов, но их список отнюдь не является исчерпывающим (см. [1. С. 14, таблица]).
Эмпирическое тестирование неоклассических моделей роста. Экономисты Р. Барро и Х. Сала-и-Мартин были первыми, кто предложили эконометрическую модель, тестировавшую модель Солоу и его утверждение о конвергенции темпов роста различных стран и впоследствии регионов. Эконометрическая модель записывалась следующим образом:
yT .
ln—- = a+plnУ0. +8,, (1)
Уо,.
где зависимая переменная ln —T— обозначает темп роста региона i за T лет; y0. - ВРП регио-
Уо,
на i в момент времени 0; yT t - ВРП региона i в момент времени T, то есть на конец периода
[2]. Коэффициент в измеряет абсолютную в-сходимость темпов роста регионов. Предполагается, что в эконометрической модели в < 0 и статистически значима. Данная модель является кросс-секционной, т. е. рассчитывается для одного периода времени T, который сравнивается с нулевым (0) моментом времени.
Модель может быть расширена путем включения переменных, описывающих факторы развития региона. В случае инновационной деятельности это могут быть индикаторы вложений в НИОКР или уровня образования и квалификации населения, которые входят в матрицу Z, а модель приобретает следующий вид:
ln ^ = a + pin Уо, +yZ + 8,, Уо,..
где Z - матрица специфических характеристик региона. В случае включения дополнительных переменных коэффициент в измеряет условную, а не абсолютную, как в формуле (1), сходимость. При этом коэффициент в регрессии должен быть, как и ранее, статистически значимым и отрицательным.
Помимо в-сходимости и более широкого понятия в-конвергенции, когда регионы с более низким ВРП на душу населения растут более высокими темпами, чем регионы с более высоким ВРП на душу населения, существует также понятие о-конвергенция, которая наблюдается, когда дисперсия индикаторов развития (в случае регионов - ВРП) имеет тенденцию к сокращению [3], но уравнение Барро и Сала-и-Мартина не позволяет измерить ее. Теория конвергенции также известна как теория догоняющего роста (catch-up growth theory).
Относительно обоих видов конвергенции в экономической литературе идет активная дискуссия на основе исследований в различных странах. В частности, в работе Сала-и-Мартина [4] утверждается, что темп условной конвергенции регионов в ряде развитых стран постоянен и составляет 2 % в год j. Б. Миланович подтверждает существование в настоящее время условной в-конвергенции между странами, но отвергает тезисы о существовании в развитии стран безусловной в-конвергенции и о-конвергенции [5]. Также существует точка зрения, что темпы конвергенций могут зависеть от ресурсов, в том числе природных, в каждой стране [6].
Модель Барро и Сала-и-Мартина имеет ряд недостатков, одним из которых является то, что в модели никак не учитываются перетоки ресурсов и знаний между регионами, а также пространственный аспект, т. е. географическое расположение регионов [7]. Данный недостаток преодолевается в работах экономистов-географов Лондонской школы экономики А. Род-ригеса-Позе и Р. Крешенци [8; 9]. В работе [8] с помощью матриц расстояний W и индексов доступности были учтены и перетоки знаний и расстояния между регионами для кросс-секционной модели, а в статье [9] данная модель применялась к анализу панельных данных.
Панельная модель имеет вид
growth, t =a+P logO. t_) + Р2Я & Dit + ^3SocFilteri t + %Spilli t + p5ExtSocFilterl t + P6ExtGDPpci t +8it. (2)
1 Данное утверждение справедливо при выполнении большого числа предположений о траекториях темпов роста стран.
Зависимой переменной (growth) модели является темп прироста валового регионального продукта на душу населения (в %). Независимыми переменными являются:
log(y,,t-i) - натуральный логарифм ВРП на душу населения с лагом 1 год. Лаг для этой переменной позволяет проверить гипотезу об условной конвергенции, согласно которой отстающие регионы растут более высокими темпами;
R&DU - затраты НИОКР как доля (в %) от ВРП;
Socfilterit- индекс социально-экономических условий в каждом регионе;
Spillit - переток затрат на технологические инновации между регионами РФ;
ExtSocfilterit - влияние социально-экономических условий всех остальных регионов на данный регион, или «переток социально-экономических условий»;
ExtGDPpcit - влияние ВРП в соседних регионах на экономический рост данного региона, или «переток ВРП на душу населения»;
eit - случайная ошибка модели.
Механизм учета перетока основан на индексе доступности, предложенном в работе [10]. Индекс доступности (accessibility index) записывается следующим образом:
A = I g (Wj) f (cp),
j
где g (Wj) - это функция деятельности (activity function), а f (cp) - функция сопротивления (impedance function). В качестве функции деятельности g(Wj) в функции Spill используется доля (в %) НИОКР (технологических инноваций) в ВРП. Функция f (c{j) рассчитывается по следующей формуле:
J_ dj
f c) =
I-
где - это расстояние между регионами i и / [9]. Более подробно о формуле перетоков
можно прочитать в [11]. Модель в формуле (2) использовалась для оценки темпов экономического развития 31 штата в Мексике в период 2000-2010 гг. [9] и России в 2005-2013 гг. [11]. Была также доказана значимость положительного влияния инновационной деятельности в форме НИОКР на экономической рост регионов в этих странах.
Эмпирические проверки системного подхода: национальные и региональные инновационные системы. В силу того что системный подход, определяющий национальные и региональные инновационные системы, является более описательным, нежели макроэкономические модели эндогенного роста, в экономической литературе не так много работ, тестирующих предпосылки системного подхода с помощью аппарата математического моделирования.
Одной из таких работ является статья Я. Фагерберга и М. Шролека [12], в которой авторы для тестирования теоретических предпосылок теории национальных инновационных систем используют факторный и регрессионный анализ с целью определения основных преимуществ или возможностей 2 стран-лидеров в инновационном развитии. Они определяют 25 индикаторов, относящихся к 9 основным группам: технологические или инновационные преимущества; степень открытости экономики страны; производственные возможности; инфраструктура ИКТ; навыки и человеческий капитал; финансы; качество управления; социальные ценности; тип политической системы. С использованием инструментария факторного анализа индикаторы были сгруппированы в 4 фактора: инновационная система, управление, политическая система и открытость экономики. Было показано, что инновационная система напрямую связана с такими индикаторами, как число патентов, доля населения с высшим образованием, число научных статей на душу населения, число пользователей Интернета,
2 В оригинале capabilities (англ.) [12].
т. е. национальную инновационную систему определяли затраты на НИОКР и научные результаты, качество человеческого капитала и перетоки знаний через Интернет. Данная работа является одной из немногих работ, представляющихся количественные оценки детерминант национальной инновационной системы.
Работа О. Г. Голиченко [13] представляет методологию оценки национальных инновационных систем (НИС) с помощью функционального анализа. Функциональный анализ подразделяет анализ НИС на 4 составляющие:
1) идентификация объекта и его экономической среды;
2) оценка эффективности деятельности объекта;
3) поиск и анализ факторов, определяющих эффективность объекта;
4) рассмотрение условий среды и институциональных условий.
Принципиальной особенностью данного подхода является учет таких инновационно-стимулирующих процессов, как трансфер знаний, включающий каналы передачи открытого знания и каналы передачи коммерциализированного знания, в том числе овеществленные и неовеществленные технологии.
Развитие НИС проходит три стадии: стадию, основанную на ресурсах (resource-based); основанную на инвестициях (investment driven), или догоняющую (catch-up); и основанную на инновациях (innovation based). Для каждого периода и любой экономики в рамках предложенного подхода можно определить приоритеты и цели развития. Преимуществом функционального подхода является возможность оценки эффективности деятельности НИС любой страны и сравнение оценок между собой. Автор работы [13] использует функциональный подход для анализа инновационного развития России, Польши и Японии.
Модели перетока знаний А. Джаффе и Д. Аудреша, М. Фелдман. Среди эмпирических работ в рамках теории перетоков знаний наиболее известны две модели: модель А. Джаффе [14] и модель Д. Аудреша и М. Фелдман [15].
А. Джаффе интерпретировал перетоки знаний как перетоки НИОКР. Используя функцию производства знаний, разработанную Ц. Грилихесом [16], и число патентов как индикатор запаса знаний, на примере базы данных компаний США Джаффе показал, что увеличение НИОКР на 10 % всеми фирмами приводит к росту количества патентов на 20 %, подтверждая, таким образом, положительные эффекты перетока знания. В качестве близости в работе рассматривалась технологическая близость, а не географическая, и экстерналии, связанные с ней [14].
Основной гипотезой исследования Д. Аудреша и М. Фелдман был тезис о том, что в экономике происходит кластеризация экономической деятельности в тех отраслях промышленности и в тех регионах, в которых происходят активные процессы генерации знания. Авторы рассматривали три источника знаний: НИОКР, высококвалифицированная рабочая сила и фундаментальные исследования [15]. Основная гипотеза исследования была подтверждена с помощью базы данных о 8 тыс. инноваций (в виде патентов) в США в 1982 г. и регрессионной модели. Зависимой переменной в регрессии выступал коэффициент Джини, рассчитанный для измерения концентрации отраслей промышленности по штатам США, а независимые переменные включали затраты на НИОКР, долю квалифицированной рабочей силы и затраты на исследования в вузах по отраслям промышленности, поскольку коэффициенты при этих переменных были значимыми и положительными.
Эмпирические исследования на основе производственной функции знаний. Первые эмпирические ПФЗ были проведены Ц. Грилихесом [16] и его коллегой А. Пейксом в работе [17].
А. Пейкс и Ц. Грилихес в работе [17] разрабатывают систему уравнений, позволяющую оценить производственную функцию знаний фирмы:
Ж = R + u (3)
P = adK + v = aR + au + v (4)
Z = bdK + cX + e = bR + bu + cX + e (5)
Изменение во времени запаса знаний K обусловлено расходами на НИОКР R и вызывает изменение в патентной активности компании P (числе патентов), а также напрямую оказывает влияние на производительность фирмы Z (наряду с другими факторами, объединенными в переменную X). В уравнениях (3)-(5) u, v, e - ошибки оценивания. Уравнение (4) является записью производственной функции знаний и связывает вложения в инновационную дея-
тельность с результатом. В уравнении (4) Пейкс и Грилихес предлагают использовать в качестве запаса (или капитала) знаний P число патентных заявок. Такой подход позволяет разделить инновационный процесс на две части: 1) создание нового знания через инвестиции в НИОКР; 2) трансформацию нового накопленного знания (в виде патентов) в экономическую выгоду компании.
На базе уравнений (3)-(5) Пейкс и Грилихес проводят расчеты и оценивают, является ли число патентных заявок качественным индикатором запаса знаний компании. Согласно их результатам, число патентных заявок является достаточно хорошим прокси запаса знаний, при этом наилучшая функциональная форма связи НИОКР и патентов в производственной функции знаний - логарифмическая, а влияние прошлых НИОКР можно учитывать пятым лагом [18].
Одной из интересных работ по оценке ПФЗ является статья Л. Анселина и соавторов [19] о влиянии университетских НИОКР на инновационную деятельность регионов США. При этом модифицировалась традиционная функция производства знаний: в ее правую часть были добавлены расходы на НИОКР в университетах (U), а запас знаний оценивался не количеством патентов, а числом продуктовых инноваций в штатах и графствах внутри штатов. Кроме того, в ПФЗ была включена мера географической близости (geographic coincidence index) в четырех вариантах. Один из индексов стал широко использоваться в более поздних работах на тему перетоков знаний. Индекс перетока
^U, GRAV: =I-j,
1 ^ d
J иа
где Uj - затраты на НИОКР в университете в округе J; dij - расстояние между округом J, в котором находится университет, и округом i, в котором осуществляются расходы на НИОКР. Индекс для штата есть сумма всех индексов по округам [19]. Исследование показало, что университетские НИОКР являются статистически значимым фактором, положительно влияющим на число инноваций в штатах США.
Начиная с 2000-х гг. в качестве значимого фактора в ПФЗ также рассматривался уровень человеческого капитала (см., например, [20-22]), и сейчас человеческий капитал в обязательном порядке включается в факторы, определяющие уровень запаса знаний. Также в набор факторов включаются перетоки знаний с учетом матрицы расстояний W. Так, например, С. Шарлот и соавторы [20] определяют региональную производственную функцию знаний, измеряющую запас знаний в регионе следующим образом:
Kr,t = f(RDrJ + HKrJ + WRDrJ + WHKrt + Ur,t), (6)
где r - регион; t - год; RD - затраты на НИОКР как доля (в %) от ВРП региона; HK - запас человеческого капитала, рассчитанный как доля (в %) населения с высшим образованием в регионе; WRD и WHK - переменные, отражающие перетоки НИОКР и человеческого капитала; U - набор ненаблюдаемых факторов, влияющих на запас знаний; f - функция Кобба - Дугласа.
WRD для региона r в момент времени t рассчитывается как
WRDrJ =I w„. * RDj ^,
где
wj =
1 if r = J, J_
r if r Ф j.
I-1
Аналогичным образом определяется ШИК.
Запись ПФЗ в уравнении (6) позволяет провести панельную оценку ПФЗ по модели панельной регрессии с фиксированными эффектами.
Наконец, Э. Марокку, Р. Пачи и С. Усаи [21] дополнили производственную функцию знаний новыми факторами близости (помимо географической), а именно технологической, ин-
ституциональной и организационной. Технологическая (когнитивная) близость показывает, насколько в регионах совпадают базы знаний. Данная близость измеряется индексом, в основе которого лежат доли определенного сектора промышленности k в регионе r. Индекс варьируется от 0 до 1. Институциональная близость определяется для регионов различных стран ЕС. Он представляет собой матрицу размерностью гХг, элементы которой равны 1, если два региона принадлежат одной стране (и имеют одинаковую институциональную среду за счет этого) и 0 в противном случае. Организационная близость имеет место в том случае, если податель патента из региона i и изобретатель из региона j принадлежат к одной организации. Подробности составления матрицы можно найти в [21]. Согласно результатам расчетов ПФЗ, в которой в качестве запасов знаний используется число патентов в 276 регионах в 29 странах EC в 2005-2007 гг. с учетом различных видов близости, технологическая близость оказывает на производство знаний в виде патентов более сильное, статистически значимое влияние, чем географическая близость. Результаты данной работы побудили экономистов-географов выдвинуть тезис о том, что рассмотрение лишь географической близости и связанных с ней перетоков знаний в теориях взаимосвязи экономического роста и инновационной активности без изучения новых видов близости является в настоящее время устаревшей научной парадигмой в экономической географии [23].
Пространственная эконометрика инноваций. Сам подход пространственной эконометрики инноваций лежит на стыке теории и практики, поскольку основан на принципах регрессионного анализа. Среди множества работ в данном направлении авторы хотели бы выделить работу О. Лободиной и Ю. Шмидта [24] как один из немногих примеров изучения пространственной взаимосвязи интенсивности инновационных процессов в России. Это исследование также связывает пространственную эконометрику инноваций и теорию производственной функции знаний, поскольку модель SAR в качестве зависимой переменной использует показатель «инновационная активность организаций» (число фирм (в %), осуществляющих инновации, к общему числу фирм в регионе). В этой работе для изучения влияния пространственных факторов на инновационную деятельность Российская Федерация была разделена на регионы востока и запада по федеральным округам: к западу были отнесены Центральный, Северо-Западный, Южный, Северо-Кавказский, Приволжский федеральные округа, к востоку - Уральский, Сибирский, Дальневосточный.
Исследование подтвердило значимость и положительный эффект пространственного коэффициента, т. е. увеличение инновационной активности в одном регионе приводило к росту доли инновационно активных предприятий в других регионах. При этом значение коэффициента «Запад - Восток» было незначимым, а вот значение коэффициента «Восток - Запад» значимым и положительным, т. е. активность предприятий восточных регионов способствовала повышению инновационной активности западных регионов [24].
Другие эмпирические исследования. В данном разделе упомянем еще две работы российских авторов, представляющих собственную методологию изучения взаимосвязи «рост - инновации».
Работа С. Айвязана и соавторов из ЦЭМИ РАН [25] посвящена авторской методологии построения статистических и динамических эконометрических моделей производственного потенциала регионов РФ. Эконометрические модели авторов, зависимой переменной в которых является ВРП, показали, что параметры модели производственного потенциала за период 2002-2011 гг. для регионов РФ статистически не отличаются от параметров моделей, построенных по группам регионов-лидеров или отстающих регионов, а потому разделение совокупности регионов на кластеры при изучении динамики роста, основанного на инновациях, нецелесообразно. Помимо этого, в работе продемонстрировано, что статистически значимый положительный эффект на ВРП оказывает оснащенность населения персональными компьютерами с доступом в Интернет, что подтверждает тезис об ИКТ как одном из столпов экономики знаний [26]. В этой же работе упомянуто, что человеческий капитал существенно влияет на рост доходов населения, а значит, и в целом на экономический рост.
В исследовании О. Романовой и соавторов из Уральского отделения РАН [27] предложен синергетический подход к изучению влияния инновационной динамики на развитие региональной экономической системы с учетом нелинейных взаимосвязей неравновесных процессов обновления капитала и технологических изменений. Модель основана на совокупности
дифференциальных уравнений трех групп (уравнения с зависимой переменной ВРП; с зависимой переменной «объем инновационной продукции»; с зависимой переменной «затраты на НИОКР») и построении совокупности нелинейных уравнений динамики поведения нестационарных систем. Авторы используют кусочно-полиномиальные функции (сплайны) для анализа инновационной динамики Свердловской и Новосибирской областей с 1995 по 2008 г. Согласно полученным выводам, для развития областей в регионах должен существовать замкнутый цикл «идеи - инновации - технологии - финансы - производство» и активно развиваться внутренний рынок инноваций.
Хронология созданных теорий и эмпирических подтверждений
Авторами была составлена таблица, позволяющая наглядно представить хронологию развития теорий и эмпирических подтверждений взаимосвязи экономического (и регионального) роста и инновационной деятельности:
Период Теория Эмпирика
1940-е гг. 1945 - линейная модель взаимосвязи экономического роста и инноваций Буша [28] Эмпирических проверок теорий взаимосвязи экономического роста и инноваций в этот период не было
1950-е гг. Модели экзогенного роста 1957 - модель экзогенного роста Солоу в 1957 г. [29]
1960-е гг. 1962 - теория диффузии инноваций [30] 1965 - модель Узавы [31] 1969 - теория перетоков знаний [32]
1970-е гг. 1979 - концепция производственной функции знаний [16]
1980-е гг. 1985- Системный подход: национальные и региональные инновационные системы [33] Модели эндогенного роста: 1986 - модель Ромера [34] 1988 - модель Узавы - Лукаса [35] 1988 - пространственная эконометрика инноваций, модели SAR и SEM [36] 1986 - модель перетока знаний Джаффе [14] 1986 - модель Аудреша и Фелдмана [15]
1990-е гг. 1991 - модель Гроссмана и Хелпмана [37] 1992 - модель Агийона и Хоувитта [38] 1995 - модель Барро и Сала-и-Мартина [2] 1997 - эконометрические модели ПФЗ [19]
2000-е гг. 2008 - эмпирическая проверка системного подхода - национальная инновационная система [12]
2010-е гг. 2012 - динамическая пространственная модель [39] 2013 - модифицированная пространственно-авторегрессионная модель [24] 2011 - прочие эмпирические подходы - синергетический подход [27] 2013 - эмпирическая проверка системного подхода - национальная инновационная система [13] 2013 - эконометрические модели ПФЗ [21] 2014 - прочие эмпирические подходы - модель производственного потенциала [25] 2015 - новые эконометрические модели ПФЗ [20] 2017 - прочие эмпирические модели - модель Сала-и-Мартина с добавлением перетока знаний [9]
Примечание: в таблице в части теорий указаны только исходные работы в рамках каждого из направлений, чтобы определить хронологию их развития. Источник: составлено авторами.
Теории экономического роста и влияния инноваций развивались в основном в 1940-е -1990-е гг. (см. таблицу), при этом наиболее активная работа над теориями проходила в 1980-е гг. Таблица дает наглядное представление о временном разрыве между созданием теорий и работами по их эмпирической проверке. Из приведенных нами примеров эмпирических исследований первые работы такого плана относятся к 1980-м гг., а модель Барро и Са-ла-и-Мартина по эмпирической проверке модели Солоу - к 1990-м, что означает более чем тридцатилетний разрыв между теорией и практикой. Существование временного разрыва объясняется тем, что для реализации эмпирических исследований сначала должны были получить развитие количественные методы, в первую очередь эконометрические. Активное развитие эконометрики в 1980-х и 1990-х гг. обусловило появление большого числа эмпирических работ, тестирующих взаимосвязь «рост - инновации». Как свидетельствует таблица, тестирование методов продолжается по настоящее время.
Заключение
Настоящая статья завершает авторский аналитической обзор теоретических моделей и эмпирических исследований, подтверждающих теоретические гипотезы о взаимосвязи экономического роста и инновационной деятельности, начиная с 40-х гг. прошлого века.
Рассмотрев модели экономического роста на макро-, мезо- и микроуровне, мы выявили, что некоторые модели, особенно пространственной эконометрики, имеют множество различных спецификаций на мезоуровне. Среди эмпирических исследований наиболее широко развиваются направления по эконометрической оценке производственной функции знаний и оценке различных видов моделей роста на базе модели Барро и Сала-и-Мартина (например,
[9; 11]).
Показаны два основных подхода, использующих модели производственных функций для оценки влияния науки и инноваций на экономический рост. Они значительно отличаются друг от друга по набору управляющих параметров, в том числе используемых зависимых и независимых переменных. Так, согласно методологии Всемирного Банка, которая при оценке экономических последствий проектов и программ использует «вход - выход - результаты - последствия» [40] для оценки ПФЗ. Независимые переменные являются индикаторами входа (как правило, это ресурсные показатели, например расходы на науку), а зависимая переменная - результат приращения знаний. Например, количество патентов или число созданных инноваций являются индикаторами выхода. В случае моделей роста независимые переменные могут учитывать одновременно индикаторы входа, выхода и результатов, а зависимая переменная (ВРП, ВРП на душу) является индикатором последствий 3. В этом смысле модели роста включают более широкий набор управляющих параметров по сравнению с моделями ПФЗ, а интерпретация таких моделей более наглядна, что является немаловажным для органов, принимающих решения, включая региональные и федеральные органы власти.
Описанная типология моделей, возможно, окажется полезна тем экономистам, которые продолжают развивать теоретические и эмпирические модели связи показателей экономического роста с развитием науки и инноваций при определенных ресурсных и институциональных ограничениях.
Здесь мы не приводим многие другие интересные недавно опубликованные направления моделирования в области пространственной эконометрики в регионах России [42], а также в эндогенного роста (например, исследование В. М. Полтеровича [43]) и динамических трендов экономического развития (А. А. Акаев, В. А. Садовничий [44]). Статьи содержат развернутый математический аппарат, что позволяет читателю самостоятельно изучить связи между моделями шумпетерианской динамики и стохастическими дифференциальными уравнениями. Кроме того, в них приведена библиография, показывающая эволюцию развития данных направлений.
3 Пример построения подобной модели с включением индикаторов входа, выхода и результатов в качестве зависимых переменных является работа [41].
Авторы не претендуют на всеохватывающий обзор теории и эмпирики эндогенного роста на основе инноваций и будут признательны за критические замечания с позиций дальнейшей систематизации зарубежных и российских публикаций в названной области для пополнения разделов: теория - эмпирика - хронология спецификаций на региональном уровне.
Список литературы
1. Канева М. А., Унтура Г. А. Эволюция теорий и эмпирических моделей взаимосвязи экономического роста, науки и инноваций (часть 1) // Мир экономики и управления. 2017. Т. 17, № 4. С. 5-21.
2. Barro R. J., Sala-i-MartinX. Economic Growth. New York: McGraw-Hill, 1995. 539 p.
3. Коломак Е. А. Модели региональной политики: конвергенция или дивергенция // Вестн. НГУ. Серия: Социально-экономические науки. 2009. Т. 9, № 1. С. 113-120.
4. Sala-i-Martin X. Regional cohesion: evidence and theories of regional growth and convergence // European Economic Review. 1996. Vol. 40. P. 1325-1352.
5. Milanovic B. Worlds apart: inter-national and world inequality 1950-2000. Washington: World Bank Publication, 2002.
6. Sokoloff K., Engerman S. Institutions, factor endowment, and paths of development in the New World // Journal of Economic Perspectives. 2000. Vol. 14 (3). P. 217-232.
7. Harris R. Models of regional growth: past, present and future // Journal of Economic Surveys. 2011. Vol. 25 (5). P. 913-951.
8. Rodriguez-Pose A., Crescenzi R. Research and development, spillovers, innovation systems, and the genesis of regional growth in Europe // Regional Studies. 2008. Vol. 42 (1). P. 51-67.
9. Rodgriguez-Pose A., VillarealPeralta E.M. Innovation and regional growth in Mexico: 20002010 // Growth and Change. 2015. Vol. 46 (2). P. 172-195.
10. Schurmann C., Talaat A. Towards a European peripherally index. Report for General Directorate XVI Regional Policy of the European Commission. November: 1-48. Dortmund: IRPUD, 2000.
11. Канева М. А., Унтура Г. А. Взаимосвязь НИОКР, перетоков знаний и динамики экономического роста регионов России // Регион: экономика и социология. 2017. № 1. С. 78-100.
12. Fagerberg J., Schrolec M. National innovation systems, capabilities and economic development // Research Policy. 2008. Vol. 37. P. 1417-1435.
13. Golichenko O. The methodology of national innovation system analysis, In Quality Innovation: knowledge, theory and practices. Eds. C. Jin, L. Al-Hakim. Hershey, PA: IGI Publ., 2013. P.94-123.
14. Jaffe A. B. Technological opportunity and spillovers of R&D: Evidence from firms' patents, profit and market share // American Economic Review. 1986. Vol. 76. P. 984-1001.
15. Audretsch D. B., Feldman M. P. R&D spillovers and the geography of innovation and production // American Economic Review. 1996. Vol. 86 (4). P. 253-273.
16. Griliches Z. Issues in assessing the contribution of research and development to productivity growth // The Bell Journal of Economics. 1979. Vol. 10 (1). P. 92-116.
17. Pakes A., Griliches Z. Patents and R&D at the firm level: A first look // R&D, Patents, and Productivity. Chicago: University of Chicago Press, 1984. P. 55-72.
18. Теплых Г. В. Производственная функция знаний фирмы: обзор эмпирических исследований // Экономическая наука современной России. 2016. Т. 1, № 72. С. 28-38.
19. Anselin L., Varga A., Acs Z. Local spillovers between university research and high technology innovations // Journal of Urban Economics. 1997. Vol. 42. P. 422-448.
20. Charlot S., Crescenzi R., Musolesi A. Econometric modelling of the regional knowledge production function in Europe // Journal of Economic Geography. 2015. Vol. 15 (6). P. 1227-1259.
21. Marrocu E., Paci R., Usai S. Proximity, networking and knowledge production in Europe: what lessons for innovation policy? // Technological Forecasting and Social Change. 2013. Vol. 80. P.1484-1498.
22. Бабурин В. Л., Земцов С. П. Факторы патентной активности в регионах России // Мир экономики и управления. 2016. Т. 16, № 1. С. 86-100.
23. Changes in economic geography theory and dynamics of technological change. Handbook of Regional Science. Eds. R. Crescenzi, M. M. Fischer, P. Nijkamp. Berlin: Springer-Verlag, 2013. P.649-666.
24. Лободина О. Н., Шмидт Ю. Д. Оценка влияния пространственных факторов на интенсивность инновационных процессов // Вестн. ТГЭУ. 2013. № 3. С. 20-30.
25. Айвазян С. А., Афанасьев М. Ю., Руденко В. А. Оценка эффективности регионов РФ на основе модели производственного потенциала с характеристиками готовности к инновациям // Экономика и математические методы. 2014. Т. 50, № 4. С. 34-70.
26. Chen D., Dahlman K. The knowledge economy, the KAM methodology and World Bank operations // Word Bank Institute working paper. 2005. No. 37256.
27. Романова О. А., Гребенкин А. В., Акбердина В. В. Влияние инновационной динамики на развитие региональной экономической системы // Регион: экономика и социология. 2011. № 1. С. 15-32.
28. Bush V. Science The Endless Frontier. Washington: The US Government Printing Office, 1945.220 p.
29. Solow R. Contribution to the theory of economic growth // Quarterly Journal of Economics. 1957. Vol. 70 (1). P. 65-94.
30. Rogers E. M. Diffusion of innovations. N. Y.: Free Press of Glencoe, 1962. 367 p.
31. Uzawa H. Optimal technical change in an aggregate model of economic growth // International Economic Review. 1965. Vol. 6 (1). P. 18-31.
32. Jacobs J. The economy of cities. New York: Random House, 1969. 288 p.
33. Lundvall B.-A. Product innovation and user-producer interaction. Industrial development. Research Series 31. Aalborg: Aalborg University Press, 1985.
34. Romer P. M. Increasing returns and long-run growth // Journal of Political Economy. 1986. Vol. 94 (5). P. 1002-1037.
35. Lucas R. On the mechanics of economic development // Journal of Monetary Economics. 1988. Vol. 22. P. 3-42.
36. Anselin L. Spatial Econometrics: Methods and Models. Dordrecht: Kluwer Academic, 1988.284 p.
37. Grossman G. M., Helpman E. Innovation and Growth in the Global Economy. Cambridge: MIT Press, 1991. 384 p.
38. Aghion P. , Howitt P. A model of growth through creative destruction // Econometrica. 1992. Vol. 60 (2). P. 323-351.
39. Autant-Bernard C. Spatial econometrics of innovation: recent contributions and research prospective // Spatial Economic Analysis. 2012. Vol. 7 (4). P. 403-419.
40. Logical framework methodology. Washington, DC: The World Bank, 2010, 112 p.
41. Kaneva M., Untura G. Innovation indicators and regional growth // Economic Change and Restructuring. 2017. Vol. 50 (2). P. 133-159.
42. Aldieri L., Kotsemir M. N, Vinci C. P. Knowledge spillover effects: empirical evidence from Russian regions // Quality and Quantity. 2017. DOI 10.1007/s11135-017-0624-2.
43. Полтерович В. М. Теория эндогенного экономического роста и уравнения математической физики // Журнал новой экономической ассоциации. 2017. № 2. С. 193-201.
44. Акаев А. А., Садовничий В. А. Замкнутая динамическая модель для описания и расчета длинной волны экономического развития Кондратьева // Н. Д. Кондратьев: кризисы и прогнозы в свете теории длинных волн. Взгляд из современности. М.: Учитель, 2017. С. 155-176.
Материал поступил в редколлегию 21.06.2017
М. ^ Kaneva 1 2, G. A. Untura 1 3
1 Institute of Economics and Industrial Engineering SB RAS 17 Academician Lavrentiev Ave., Novosibirsk, 630090, Russian Federation
2 Gaidar Insitute for Economic Policy 3-5 Gazetny Pereulok, Moscow, 125993, Russian Federation
3 Novosibirsk National Research State University 1 Pirogov St., Novosibirsk, 630090, Russian Federation
[email protected], [email protected]
EVOLUTION OF THEORIES AND EMPIRICAL MODELS OF A RELATIONSHIP BETWEEN ECONOMIC GROWTH, SCIENCE AND INNOVATIONS
(PART 2)
This article is a second chapter of the analytical review of existing theoretical models of a relationship between economic growth / GDP and indicators of science and innovation activities and empirical approaches to testing this relationship. Aim of the paper is a systematization of existing approaches to modeling of economic growth geared by science and innovations. The novelty of the current review lies in the authors' criteria of interconnectedness of theoretical and empirical studies in the systematization of a wide range of publications presented in a final table-scheme. In the first chapter of the article, the authors discuss evolution of theoretical approaches while in the second chapter they present a time gap between theories and their empirical verification caused by the level of development of quantitative instruments such as econometric models. Results of the current study can be used by researchers and graduate students for familiarization with current scientific approaches that manifest a progress from theory to the empirical verification of the relationship «economic growth-innovations» for improvement of different types of models in spatial econometrics. To apply these models to management practices the presented review could be supplemented with new criteria for classification of knowledge production functions and other theories about the effect of science on the economic growth.
Keywords: economic growth, region, innovation activities, GRP, knowledge spillovers, economic theory.
References
1. Kaneva M. A., Untura G. A. Evolution of Theories and Empirical Models of a Relationship between Economic Growth, Science and Innovations (Part 1). World of Economics and Management, 2017, vol. 17, no. 4, p. 5-21. (In Russ.)
2. Barro R. J., Sala-i-Martin X. Economic Growth. New York, McGraw-Hill, 1995, 539 p.
3. Kolomak E. A. Modeli regional'noj politiki: konvergentsiya ili divergentsiya [Models of Regional Policy: Convergence and Divergence]. Vestnik NGU. Seriya: Sotsial'no-ekonomicheskie nauki [Vestnik NSU. Series: Social and Economic Sciences], 2009, vol. 9, no. 1, p. 113-120. (In Russ.)
4. Sala-i-Martin X. Regional cohesion: evidence and theories of regional growth and convergence. European Economic Review, 1996, vol. 40, p. 1325-1352.
5. Milanovic B. Worlds apart: inter-national and world inequality 1950-2000. Washington, World Bank Publication, 2002.
6. Sokoloff K., Engerman S. Institutions, factor endowment, and paths of development in the New World. Journal of Economic Perspectives, 2000, vol. 14 (3), p. 217-232.
7. Harris R. Models of regional growth: past, present and future. Journal of Economic Surveys, 2011, vol. 25 (5), p. 913-951.
8. Rodriguez-Pose A., Crescenzi R. Research and development, spillovers, innovation systems, and the genesis of regional growth in Europe. Regional Studies, 2008, vol. 42 (1), p. 51-67.
9. Rodgriguez-Pose A., Villareal Peralta E. M. Innovation and regional growth in Mexico: 2000-2010. Growth and Change, 2015, vol. 46 (2), p. 172-195.
10. Schurmann C., Talaat A. Towards a European peripherally index. Report for General Directorate XVI Regional Policy of the European Commission. November: 1-48. Dortmund, IRPUD, 2000.
11. Kaneva M. A., Untura G. A. Vzaimosvyaz' NIOKR, peretokov znaniy i dinamiki ekonomicheskogo rosta regionov Rossii [Relationship Between R&D, Knowledge Spillovers and Dynamics of Economic Growth for Regions of Russia]. Region: ekonomika i sotsiologiya [Region: Economics and Sociology], 2017, vol. 1, p. 78-100. (In Russ.)
12. Fagerberg J., Schrolec M. National innovation systems, capabilities and economic development. Research Policy, 2008, vol. 37, p. 1417-1435.
13. Golichenko O. The methodology of national innovation system analysis, In Quality Innovation: knowledge, theory and practices. Eds. C. Jin, L. Al-Hakim. Hershey, PA, IGI Publishing, 2013,p.94-123.
14. Jaffe A. B. Technological opportunity and spillovers of R&D: Evidence from firms' patents, profit and market share. American Economic Review, 1986, vol. 76. p. 984-1001.
15. Audretsch D. B., Feldman M.P. R&D spillovers and the geography of innovation and production. American Economic Review, 1996, vol. 86 (4), p. 253-273.
16. Griliches Z. Issues in assessing the contribution of research and development to productivity growth. The Bell Journal of Economics, 1979, vol. 10 (1), p. 92-116.
17. Pakes A., Griliches Z. Patents and R&D at the firm level: A first look. R&D, Patents, and Productivity. Chicago, University of Chicago Press, 1984, p. 55-72.
18. Teplykh G. V. Proizvodstvennaya funktsiya znaniy firmy: obzor empiricheskikh issledovaniy [Knowledge Production Function: a Review of Empirical Research]. Ekonomicheskaya nauka sovremennoy Rossii [Economic Science of Modern Russia], 2016, vol. 1, no. 72, p. 28-38. (In Russ.)
19. Anselin L., Varga A., Acs Z. Local spillovers between university research and high technology innovations. Journal of Urban Economics, 1997, vol. 42, p. 422-448.
20. Charlot S., Crescenzi R., Musolesi A. Econometric modelling of the regional knowledge production function in Europe. Journal of Economic Geography, 2015, vol. 15 (6), p. 1227-1259.
21. Marrocu E., Paci R., Usai S. Proximity, networking and knowledge production in Europe: what lessons for innovation policy? Technological Forecasting and Social Change, 2013, vol. 80, p.1484-1498.
22. Baburin V. L., Zemtsov S. P. Faktory patentnoj aktivnosti v regionakh Rossii [Factors of Patent Activity in Regions of Russia]. Mir ekonomiki i upravleniya [World of Economics and Management], 2016, vol. 16, no. 1, p. 86-100. (In Russ.)
23. Crescenzi R. Fischer M. M., Nijkamp P. (Eds.). Changes in economic geography theory and dynamics of technological change. Handbook of Regional Science. Berlin, Springer-Verlag, 2013, p. 649-666.
24. Lobodina O. N., SHmidt Yu. D. Otsenka vliyaniya prostranstvennykh faktorov na intensiv-nost' innovatsionnykh protsessov [Estimation of the Effect of Spatial Factors on Intensity of Innovation Processes]. Vestnik TGEU [PSUE Bulletin], 2013, vol. 3, p. 20-30. (In Russ.)
25. Aivazyan S. A., Afanas'ev M. Yu., Rudenko V. A. Otsenka ehffektivnosti regionov RF na osnove modeli proizvodstvennogo potentsiala s kharakteristikami gotovnosti k innovatsiyam [Estimation of Efficiency of the Russian Regions Based on a Model of Production Potential with Characteristics of Readiness to Innovations]. Ekonomika i matematicheskie metody [Economics and the Mathematical Methods], 2014, vol. 50, no. 4, p. 34-70. (In Russ.)
26. Chen D., Dahlman K. The knowledge economy, the KAM methodology and World Bank operations. Word Bank Institute working paper, 2005, no. 37256.
27. Romanova O. A., Grebenkin A. V., Akberdina V. V. Vliyanie innovatsionnoy dinamiki na razvitie regional'noy ekonomicheskoy sistemy [Influence of Innovation Dynamics on Regional
Economic System Development]. Region: ekonomika i sotsiologiya [Region: Economics and Sociology], 2011, vol. 1, p. 15-32. (In Russ.)
28. Bush V. Science The Endless Frontier. Washington, The US Government Printing Office, 1945, 220 p.
29. Solow R. Contribution to the theory of economic growth. Quarterly Journal of Economics, 1957, vol. 70 (1), p. 65-94.
30. Rogers E. M. Diffusion of innovations. New York, Free Press of Glencoe, 1992, 367 p.
31. Uzawa H. Optimal technical change in an aggregate model of economic growth. International Economic Review, 1965, vol. 6 (1), p. 18-31.
32. Jacobs J. The economy of cities. New York, Random House, 1969, 288 p.
33. Lündvall B.-Ä. Product innovation and user-producer interaction. Industrial development. Research Series 31. Aalborg, Aalborg University Press, 1985.
34. Romer P. M. Increasing returns and long-run growth. Journal of Political Economy, 1986, vol. 94 (5), p. 1002-1037.
35. Lucas R. On the mechanics of economic development. Journal of Monetary Economics, 1988, vol. 22, p. 3-42.
36. Anselin L. Spatial Econometrics: Methods and Models. Dordrecht, Kluwer Academic, 1988, 284 p.
37. Grossman G. M., Helpman E. Innovation and Growth in the Global Economy. Cambridge, MIT Press, 1991, 384 p.
38. Aghion P., Howitt P. A model of growth through creative destruction. Econometrica, 1992, vol. 60 (2), p. 323-351.
39. Autant-Bernard C. Spatial econometrics of innovation: recent contributions and research prospective. Spatial Economic Analysis, 2012, vol. 7 (4), p. 403-419.
40. Logical framework methodology. Washington, DC, The World Bank, 2010, 112 p.
41. Kaneva M., Untura G. Innovation indicators and regional growth. Economic Change and Restructuring, 2017, vol. 50 (2), p. 133-159.
42. Aldieri L., Kotsemir M. N., Vinci C. P. Knowledge spillover effects: empirical evidence from Russian regions. Quality and Quantity, 2017. DOI 10.1007/s11135-017-0624-2.
43. Polterovich V. M. Teoriya endogennogo ekonomicheskogo rosta i uravneniya matemati-cheskoy fiziki [Theory of endogeneous growth and mathematical physics equations]. Zhurnal novoy ekonomicheskoy assotsiatsii. [The Journal of the New Economic Association], 2017, vol. 2, p. 193201 (In Russ.)
44. Akaev A. A. Sadovnichij V. A. Zamknutaya dinamicheskaya model' dlya opisaniya i rascheta dlinnoy volny ekonomicheskogo razvitiya Kondrat'eva [Closed dynamic model of calculation of a long Kondratiev wave of the economic growth]. D. Kondrat'ev: krizisy iprognozy v svete teorii dlinnykh voln. Vzglyad iz sovremennosti [D. Kondratiev: crises and prognosis in light of long waves theory. View from modern times]. Moscow, Uchitel Publishers, 2017, p. 155-176 (In Russ.)
For citation:
Kaneva M. A., Untura G. A. Evolution of Theories and Empirical Models of a Relationship between Economic Growth, Science and Innovations (Part 2). World of Economics and Management, 2018, vol. 18, no. 1, p. 5-17. (In Russ.)
DOI 10.25205/2542-0429-2018-18-1-5-17
