ВЛИЯНИЕ ПАНДЕМИИ КОРОНАВИРУСА НА ИННОВАЦИОННУЮ АКТИВНОСТЬ ИТ-КОМПАНИЙ В США Текст научной статьи по специальности «Экономика и бизнес»

ВЕСТН. МОСК. УН-ТА. СЕР. 6. ЭКОНОМИКА. 2023. Том 58. № 5

ФИНАНСОВАЯ ЭКОНОМИКА М. С. Евдокимова1

НИУ «Высшая школа экономики» (Москва, Россия) Е. И. Губина2

СПАО «Ингосстрах» (Москва, Россия) УДК: 336.63, 336.645, 336.67 М: 10.55959^Ш130-0105-6-58-5-11

ВЛИЯНИЕ ПАНДЕМИИ КОРОНАВИРУСА НА ИННОВАЦИОННУЮ АКТИВНОСТЬ ИТ-КОМПАНИЙ В США

Целью работы является анализ влияния пандемии СОУШ-19 на такие показатели инновационной активности американских ИТ-компаний, как расходы на НИОКР и количество патентов. Выборка включает в себя данные о количестве патентов и финансовых показателях 130 компаний из США за период с 2010 по 2021 г. Данные были проанализированы с помощью моделей с фиксированными индивидуальными эффектами и робастными ошибками, Тобита и Хекмана. Согласно полученным результатам, доля расходов на НИОКР к выручке в пандемию не изменилась. Однако расходы на НИОКР у высокоинновационных фирм в период пандемии увеличились, а у компаний из сектора технологического оборудования вырос аналог капитализированных затрат на НИОКР. Также фирмы, имеющие международные патенты, подали больше патентов на регистрацию в период пандемии коронавируса. Был выявлен лаг в один год между инвестициями в НИОКР и отдачей от них в форме поданных международных патентов. Таким образом, по результатам исследования мы делаем вывод о том, что СОУ1Б-19 оказал положительное влияние только на высокоинновационные компании в США.

Ключевые слова: СОУГО-19, пандемия коронавируса, инновации, расходы на НИОКР, патенты, ИТ-компании США.

Цитировать статью: Евдокимова, М. С., & Губина, Е. И. (2023). Влияние пандемии коронавируса на инновационную активность ИТ-компаний в США. Вестник Московского универ -ситета. Серия 6. Экономика, 58(5), 234-261. https://doi.org/10.55959/MSU0130-0105-6-58-5-11.

1 Евдокимова Мария Сергеевна — преподаватель Школы финансов факультета экономических наук, НИУ «Высшая школа экономики»; e-mail: evdokimovamary@mail.ru, OR-CID: 0000-0002-7915-4736.

2 Губина Екатерина Игоревна — бизнес-аналитик, СПАО «Ингосстрах»; e-mail: gub. ekaterina2015@yandex.ru, ORCID: 0000-0002-8487-4033.

© Евдокимова Мария Сергеевна, 2023 [МШЗ^И © Губина Екатерина Игоревна, 2023 [МШЗ^И

LOMONOSOV ECON. JOUR. 2023. VOL. 58. No. 5

M. S. Evdokimova

HSE University (Moscow, Russia)

E. I. Gubina

Pochta Bank (Moscow, Russia)

JEL: G32, 030, О51

THE IMPACT OF COVID-19 PANDEMIC ON IT COMPANIES' INNOVATION ACTIVITY IN THE USA

The study analyzes the impact of COVID-19 pandemic on such innovative activity indicators as R&D spending and the number of international patents of American IT companies. The sample includes 130 US companies from 2010 to 2021. The data are analyzed using the models with fixed individual effects and robust errors, Tobit and Heckman models. According to the findings R&D/Sales ratio has not changed during the pandemic. However, R&D expenditures increased during the pandemic for highly innovative firms and companies from the technology equipment sector increased analogue capitalized R&D. Besides, firms that had international patents before the pandemic granted more patents for registration during the pandemic. A one-year lag was found between innovations' input in the form of R&D investment and innovations' output in the form of international patents. These findings allow us to conclude that COVID-19 has a positive impact only on highly innovative companies in the United States.

Keywords: COVID-19, coronavirus pandemic, innovations, R&D expenditures, patents, US IT companies.

To cite this document: Evdokimova, M. S., & Gubina, E. I. (2023). The impact of COVID-19 pandemic on IT companies' innovation activity in the USA. Lomonosov Economics Journal, 58(5), 234-261. https://doi.org/10.55959/MSU0130-0105-6-58-5-11.

Введение

Пандемия COVID-19 изменила социально-экономическую жизнь людей, оказав большое влияние на пространственные перемещения и покупательную способность. Сильнейшие изменения претерпела мировая экономика (Thottoli, 2021). Некоторые компании не пережили корона-кризис и были вынуждены закрыться или значительно сократить свою деятельность.

Кризис, вызванный пандемией COVID-19, отличается от других кризисов, потому что сочетает социально-экономический кризис и кризис здравоохранения и, кроме того, сложно прогнозируем (Кизилов, 2021). Предприниматели столкнулись с такими проблемами, как внеопераци-онные перерывы, сбои в цепочке поставок, нехватка внутреннего капитала для покрытия текущих расходов, недостаток государственной под-

держки в период ограничения передвижения (Hossain et al., 2022). В то же время диджитализация всех бизнес-процессов создала новую реальность, где в выигрышной позиции оказались компании, которые специализируются на цифровых технологиях и которые иначе можно назвать инновационными компаниями. К ним относятся, например, такие компании, как Amazon, Moderna, Novavax, Netflix, Walmart, Zoom (Куликов, 2020; Clark et al., 2021). Предприятия, сумевшие наилучшим образом внедрить и использовать цифровые платформы, цифровой маркетинг и инновации, обеспечили себе успех и прибыльность, так как цифровые технологии играют ключевую роль в повышении внутренней эффективности и производительности, позволяют фирмам преодолевать кризис (Hossain et al., 2022).

Главный вопрос исследования заключается в том, стала ли для инновационных компаний пандемия COVID-19 пусковым механизмом, позволившим раскрыть их потенциал в период тотальной цифровиза-ции процессов и стремительного развития информационных технологий или, наоборот, оказалась барьером, затормозившим внедрение новых технологий. Целью работы является исследование влияния пандемии COVID-19 на такие показатели инновационной активности технологических компаний США, как расходы на НИОКР и количество патентов.

Однозначного ответа на вопрос, как повлияла пандемия на показатели инновационных компаний, в научной литературе нет. В работе представлены различные точки зрения на данную проблему. Основной гипотезой данного исследования является предположение, что влияние пандемии было благотворным для ИТ-компаний, так как в этот период произошла глобальная деформация почти всех технологических процессов, требующая внедрения новых технологий и механизмов. Компании, которые и до этого в своих стратегиях придерживались развития наукоемких направлений, инноваций, легче смогли подстроиться к новым реалиям, оказались более устойчивыми ко всем изменениям и смогли увеличить свои доходы. (Szczygielski et al., 2022; Abdullah et al., 2020).

Тема исследования актуальна, так как пандемия еще не завершилась и продолжает влиять на работу и развитие компаний по всему миру, а новая реальность, которую она создала, еще надолго останется определяющим фактором в экономике.

Новизна исследования заключается в том, что, во-первых, оно объединяет два блока показателей инновационной деятельности компаний, подверженных влиянию пандемии: расходы на НИОКР и количество патентов. Во-вторых, исследование проводится на выборке, включающей компании только из инновационных отраслей, в первую очередь связанных с цифровыми технологиями, спрос на которые значительно возрос в пандемию. В-третьих, было выявлено отсутствие влияние пандемии

COVID-19 на интенсивность на НИОКР на полной выборке, но подтверждено для высокоинновационных компаний за период с 2012 по 2021 г. В-четвертых, использование лагов позволило определить период, необходимый для того, чтобы расходы на НИОКР принесли отдачу в форме международных поданных патентов — один год. В-пятых, был определен сектор, который получил преимущества от пандемии коронавируса в виде роста аналога капитализированных затрат на НИОКР, — сектор технологического оборудования.

В качестве страны исследования были выбраны США как один из ведущих экономических лидеров планеты. К ним относятся также Сингапур, Германия, Швейцария и Япония. Но США были признаны одной из самых конкурентоспособных и инновационных стран согласно The Global Competitiveness Report of the World Economic Forum 2018 (Liubkina et al., 2019). Америка занимает в данном рейтинге 1-е место. Согласно Институту статистических исследований и экономики знаний НИУ ВШЭ в 2020 г. США заняли 3-е место в результате сопоставительного анализа инновационных систем 131 страны в рамках доклада «Глобальный инновационный индекс» (ГИИ, Global Innovation Index) (Гершман и др., 2020).

Обзор литературы и формирование гипотез

Данное исследование посвящено влиянию пандемии коронавируса на инновационную активность американских ИТ-компаний. В опубликованных статьях приходят к разным выводам по этому вопросу. Стоит отметить, что данная тема является малоизученной в силу своей новизны, и существует не так много литературы в этой области. Неоднозначность в данном вопросе возникает из-за двух противоположно направленных эффектов пандемии коронавируса. С одной стороны, в периоды кризисов инновационная деятельность, которая является высокорискованной, сокращается (Cincera et al., 2010). С другой стороны, в силу специфики пандемии коронавируса спрос на товары и услуги американских ИТ-компаний возрос (Юстратова, Юстратов, 2020).

(Serbulova et al., 2020) исследуют отрасли, продемонстрировавшие рост во время пандемии COVID-19, например, такие как электронная коммерция, индустрия развлечений и здравоохранение. Этот рост, по их мнению, произошел не только за счет повышения спроса на определенные виды товаров и услуг, но и благодаря готовности компаний к быстрой адаптации ключевых процессов к новым реалиям: достаточному уровню циф-ровизации для перевода бизнеса в онлайн, способности адаптировать товары или услуги к изменяющимся потребностям пользователей. Инновационные компании, как утверждают авторы, значительно превосходят не-новаторов с точки зрения доходов и являются более конкурентоспособными (Макаров и др., 2021) к выигравшим от пандемии компаниям

относят фирмы из сфер фармацевтики, интернет-торговли и телекоммуникаций.

О том, что ряд компаний «выиграли» от пандемии, говорится и в работе (Kotsopoulos et al., 2022), в которой исследуется влияние профиля предприятия, определяемого, в числе прочего, его инновационными способностями, на фактический и потенциальный рост наукоемких предприятий. В этом исследовании также рассматривается влияние периода высокой неопределенности COVID-19 на развитие наукоемких предприятий. Результаты исследования показали, что в наукоемких отраслях уровень беспокойства о влиянии пандемии на компанию был низким, а сами компании продемонстрировали более интенсивный рост, чем в предыдущие годы.

Работа (Hossain et al., 2022) посвящена влиянию COVID-19 на предприятия малого и среднего бизнеса, составляющие, по мнению авторов, основу мировой экономики. В результате анализа они пришли к выводу, что ключевую роль в повышении внутренней эффективности и производительности фирм, а также в преодолении кризисов играют цифровые технологии. Предприятия, обеспечившие себе лучшее использование цифровых платформ за счет их внедрения, добились увеличения прибыльности в период пандемии.

В работе (Clampit et al., 2021) изучается рост продаж американских производителей во время COVID-19 по сравнению с их базовыми показателями до COVID-19. Авторы предполагают, что рискованные фирмы, интенсивно занимающиеся исследованиями и разработками, работали лучше во время COVID-19, чем более консервативные, менее наукоемкие фирмы. В результате исследования было обнаружено, что фирмы с более высоким уровнем операционного риска (включающего более высокий уровень инвестиций в НИОКР и большее количество патентов) продемонстрировали на 60% больший рост продаж, чем фирмы, избегающие риска.

В статье (Cincera et al., 2010) ставится вопрос, увеличивают или уменьшают компании расходы на НИОКР и интенсивность инновационной деятельности в период кризисов. Результаты исследования показали, что в среднем фирмы склонны сокращать данные инвестиции в начальный период кризиса, но — после первого шока — увеличивать. Кроме того, была выявлена U-образная зависимость между инновациями и размером фирмы, так как и большие, и малые компании увеличили расходы на НИОКР во время кризиса. Более того, был сделан вывод, что те фирмы, которые работают в индустриях со средненизкой интенсивностью НИОКР, систематически увеличивают свои НИОКР меньше, чем отрасли с высокой интенсивностью НИОКР. Наконец, фирмы с высоким значением рентабельности, как правило, больше инвестируют в НИОКР, чем фирмы с низким значением ROA, которые за счет этого

имеют меньше ресурсов на повышение или сохранение уровня инвестиций в НИОКР в кризис.

Поскольку мы исследуем ИТ-компании, у которых в период корона-кризиса резко возрос спрос на товары и услуги, мы предполагаем положительное влияние пандемии на их инвестиции в исследования и разработки, так как инновационные продукты — их основной источник дохода.

H1: ИТ-компании увеличили расходы на НИОКР в период пандемии COVID-19.

В современной научной литературе присутствует большое количество работ, связанных с эмпирическим анализом взаимосвязи расходов на НИОКР с результатами научно-исследовательской деятельности компании. Так, (Griliches et al., 1986) одними из первых обнаружили, что расходы на НИОКР положительно коррелируют с изобретательской деятельностью фирмы, а немного ранее (Pakes, Griliches, 1984) установили, что расходы на НИОКР и количество патентов, зарегистрированных фирмой, имеют сильную зависимость.

Некоторые научные работы показывают отрицательное влияние пандемии COVID-19 на инновационные показатели фирм. Одной из таких работ является статья (Jin et al., 2021). В ней исследуется влияние коро-навируса на инновации фирм в Китае. Для этого используются данные о 633 китайских компаниях, а также данные о патентах и развитии эпидемии за период с января по октябрь 2020 г. В результате анализа был сделан вывод, что пандемия негативно повлияла на количество инноваций и патентных классификаций в Китае. Кроме того, было выявлено, что влияние коронавируса сильнее сказалось на инновационной деятельности крупных компаний.

Так как в отличие от (Jin et al., 2021) в нашем исследовании анализируются только американские ИТ-компании, спрос на товары и услуги которых возрос во время пандемии, мы предполагаем, что число поданных международных патентов у них увеличилось.

H2: ИТ-компании увеличили количество патентов в период COVID-19.

Методология

Исследовательская часть в данной работе представлена в виде регрессионного анализа в Stata. Для проверки гипотез составлены несколько спецификаций модели. Данные будут проанализированы в форме регрессии панельных данных, так как регрессия панельных данных снижает погрешность оценки и мультиколлинеарность, контролирует индивидуальную неоднородность изменяющихся во времени отношений между зависимыми и независимыми переменными (Baltagi, Baltagi, 2008; Hsiao, 2014). Обоснование выбора контрольных переменных представлено в табл. 1.

Таблица 1

Контрольные переменные, использованные в статьях

Контрольная переменная Авторы

Размер компании Schubert, 2010; Leung, Sharma, 2021; Rubera, Kirca, 2012; Szczygielski et al., 2022; Thottoli, 2021

Уровень долга Leung, Sharma, 2021; Clark et al., 2021

ROA Leung, Sharma, 2021; Clark et al., 2021; Rubera, Kirca, 2012; Cho, Pucik, 2005; Jiang et al., 2021; Clampit et al., 2021

Темп роста Leung, Sharma, 2021; Clark et al., 2021; Szczygielski et al., 2022; Rubera, Kirca, 2012; Cho, Pucik, 2005

Отрасль (бинарная переменная) Schubert, 2010; Leung, Sharma, 2021; Clark et al., 2021

Источник: анализ авторов.

Кроме того, будут протестированы внутренние связи между показателями компаний, а именно влияние расходов на исследования и разработки на количество патентов. Будет проверено также влияние отрасли на показатели компании. Таким образом, для проверки гипотез составлена следующая модель.

Модель

Модель составлена на основе исследований (Clark et al., 2021; Jiang al., 2021; Leung, Sharma, 2021; Hunady, Pisar, 2020).

Yu = а о + p, • COVID19, + • Z t + ee, (1)

где Yt — вектор зависимых переменные, описание которых представлено в табл. 2; COVID19, — тестируемая переменная: дамми-переменная, равная 1 в 2020 и 2021 гг. и равная 0 в более ранние периоды. Данная переменная покажет влияние пандемии коронавируса на показатели инновационных компаний; Zit — вектор контрольных переменных, описание которых представлено в табл. 3.

Таблица 2

Зависимые переменные

Y Описание

RD/Sales u Отношение расходов на НИОКР к величине выручки на конец года

ln(1+AD), Натуральный логарифм расходов на НИОКР, понесенных компанией в течение периода и скорректированных на разовые расходы, такие как реструктуризация, слияние и поглощение, прибыль от продажи дочерних компаний и другие единовременные операции плюс один

Окончание табл. 2

Y Описание

ln(1 + RDC)U Натуральный логарифм RD capital плюс один, RD capital рассчшывается по формуле: RDC,,, = RD,,, + 0,8 • RD,J_1 + 0,6 • RD,,_2 + 0,4 • RD,,,_3 + 0,2 • RD,,_4 Источник: (Hirshleifer et al., 2013).

ln(1 + Patents) it Натуральный логарифм международный патентов, поданных на регистрацию в году t, плюс один

Источник: описание авторов.

Таблица 3

Контрольные переменные

Zit Описание

Size,, Размер компании, рассчитан как натуральный логарифм величины общих активов компании на конец каждого года

D / Eit Финансовый рыгааг, рассчитан как отношение долгосрочных обязательств к собственному капиталу на конец года

ROE,,, / ROA,,, Рентабельность собственного капитала / общих активов, рассчитан как чистая прибыть на конец года, деленная на среднюю величину собственного капитала / общих активов компании

Sales growtht _ , Sales, — Sales, , Темп роста выручки, рассчитан по формуле:-Stales-

Источник: описание авторов.

Выборка

Поскольку в работе основное внимание уделяется влиянию цифрови-зации на финансовые показатели компаний, при составлении выборки были выделены фирмы из инновационных секторов, к которым были отнесены индустрии, связанные с информационными технологиями, интернет-сервисами, коммуникационными услугами, электронными устройствами, и т.д., так как согласно (Hunady, Pisar, 2020) и (Szczygielski et al., 2022) инновации рассматриваются в качестве основных драйверов роста в высокотехнологичных отраслях: аэрокосмической промышленности, компьютерных технологиях, фармацевтике, биотехнологиях, электронике и телекоммуникациях.

Была составлена диаграмма доли каждого сектора в выборке (см. приложение). Лидерами являются программное обеспечение (51%) и технологическое оборудование (25%).

Для составления выборки были выгружены данные о количестве патентов компаний США за период с 2010 по 2021 г. из коллекции патентов

ORBIT. Кроме того, из базы данных Bloomberg были выгружены данные о 140 компаниях США за период с 2010 по 2021 г. Из выборки были исключены компании, переставшие работать до 2020 г. (начала пандемии коронавируса), так как исследование этих компаний не имеет смысла в рамках изучения влияния COVID-19. В результате исключения конечная выборка содержит 130 компаний. Полные описательные статистики переменных представлены в табл. 4.

Таблица 4

Описательные статистики

Variable Obs Mean Std. Dev. Min Max

RD/Sales 1,334 0.1047 0.1232 0 0.7103

Ln(1+RD) 1,340 4.0294 2.9234 0 10.934

Ln(1+RDC) 1,169 4.7838 3.3076 0 11.7587

Ln(1 +patents) 1,379 0.2398 0.5932 0 3.5264

Size 1,366 8.447 2.079 -3.5755 12.9493

D/E 1,290 1.045 1.8572 0 10.0247

ROA 1,332 4.1776 12.9122 -40.9443 98.9694

ROE 1,189 2.9513 21.6893 -117.598 107.1337

Sales growth 1,343 0.1883 0.2852 -0.3324 1.2642

Источник: расчеты авторов.

Были введены бинарные переменные для компаний, имеющих патенты, и компаний с ненулевыми расходами на НИОКР. Компании были разделены на четыре группы: 1) компании без расходов на НИОКР и патентов; 2) компании без расходов на НИОКР, но имеющие патенты; 3) компании без патентов, но с расходами на НИОКР; 4) компании с расходами на НИОКР и патентами. Средние значения показателей и стандартные отклонения представлены в табл. 5.

Что касается компаний, имеющих патенты, но не осуществляющих расходы на НИОКР (таких 7), следует отметить, что, вероятно, они несли затраты на НИОКР до 2010 г., и большинство патентов эти компании зарегистрировали в начале исследуемого периода. Возможность наличия патентов при нулевых расходах на НИОКР можно объяснить следующим образом:

1) лаг в регистрации патентов: исследователи отмечают наличие лага в два года, необходимого для оформления бумаг (Hirshleifer et al., 2013);

2) общепринятая практика по стандартам GAAP в отношении расходов на НИОКР заключается в том, чтобы списывать их в расходы текущего периода, однако стандарты предусматривают возмож-

ность капитализации расходов на разработку программного обеспечения, веб-сайтов и облачные технологии (Mohd, 2005).

Таблица 5

Описательные статистики в зависимости от наличия у фирмы расходов на НИОКР и патентов

RD No No Yes Yes

Patents No Yes No Yes

N observations 288 81 421 618

N firms 24 7 38 61

Average RD per firm-year, долл. 0 0 267,3 2098,8

Average patents per firm-year 0 0,6 0 1,5

Dependent variables

RD/Sales 0 0 0.1488 0.16

s.d. 0 0 0.3689 0.3618

Ln(1+RD) 0 0 4.2656 6.0652

s.d. 0 0 1.8517 1.9838

Ln(1 + RDC) 0 0 5.1901 7.2228

s.d. 0 0 1.9435 1.9021

Ln(1+Patents) 0 0.2971 0 0.518

s.d. 0 0.5803 0 0.7927

Источник: расчеты авторов.

Для наглядности мы привели средние значения НИОКР и патентов. Можно отметить, что компании без НИОКР, но с патентами регистрируют менее одного патента в год (0.6), в то время как компании, несущие затраты на НИОКР, — более одного (1.5). Средняя величина затрат на НИОКР в год компаний с патентами (2098 млн долл.) превышает затраты на НИОКР компаний без патентов (267 млн долл.) почти в 8 раз.

По результатам сравнения используемых переменных в периоды коро-накризиса и до него, был выявлен рост средних значений всех переменных в период пандемии.

Результаты тестирования гипотез

Перед тестированием гипотез выборка были протестированы на муль-тиколлинеарность, гетероскедастичность и выбор наиболее адекватной модели. По результатам тестов модель с фиксированными эффектами ^К) и поправкой на гетероскедастичность была определена как наиболее предпочтительная (Ратникова, 2004).

Н1. Влияние пандемии COVID-19 на расходы на НИОКР

Для проверки влияния пандемии на расходы на НИОКР были оценены уравнения с тремя зависимыми переменными: RD/Sales, Ln(1+RD), и Ln(1+RDC).

Мы посчитали некорректным использовать коэффициенты рентабельности (ROA/ROE) в качестве объясняющей переменной для RD, хотя в исследованиях существует такая практика (Hirshleifer et al., 2013), так как коэффициенты рентабельности рассчитываются как отношение чистой прибыли компании к величине общих активов собственного капитала. Но чистая прибыль компании рассчитывается за вычетом расходов на НИОКР, так что ROA/ROE текущего года не могут быть объясняющей переменной для RD текущего года, поскольку причинно-следственная связь показателей обратная, что порождает проблему эндогенности. Включение в модели лага и первой разности ROA/ROE, как и использование метода инструментальных переменных, не решило эту проблему, поэтому коэффициенты рентабельности не были включены в спецификации 1—2. Отметим также, что цель использования ROA/ROE в модели — контроль различий в прибыльности компаний; для этих целей также подойдет показатель «темпы роста выручки», хотя он, безусловно, хуже, так как не учитывает темпы роста расходов.

H1. Спецификация 1. Зависимая переменная — RD/Sales

В ходе анализа было выявлено значимое двойственное влияние отношения заемных средств к собственным, что соответствует компромиссной (trade-off) теории: чем больше долга у компании, тем больше она может инвестировать в НИОКР (D/E), однако при достижении некоторого критического значения величины долга расходы на его обслуживание (проценты) и возросшие риски финансовой неустойчивости компании начинают оказывать отрицательное влияние на отношение расходов НИОКР к выручке (D / E2), которые сами по себе являются достаточно высоко рискованными инвестициями (Cao et al., 2023; Wu et al., 2016).

Оценивание проводилось с помощью двух методов: модели с фиксированными индивидуальными эффектами и робастными ошибками и панельной тобит-регрессии. Модель с фиксированными эффектами была выбрана согласно тесту Хаусмана. Тобит-регрессия используется для случаев, когда зависимая переменная равна 0 в части наблюдений. Так как часть компаний инвестируют в НИОКР не каждый год, мы использовали модель тобита с цензурированными «слева» 0 наблюдениями (Xia, Liu, 2021). Тобит-регрессия позволяет учесть то, что не все расходы отражаются в отчетности как расходы на НИКОР, поскольку:

• они могут не соответствовать этим критериям;

• расходы на разработку программного обеспечения, веб-сайтов и облачные технологии могут капитализироваться согласно стандартам GAAP (Mohd, 2005).

Число цензурированных наблюдений для каждой подвыборки приведено в табл. 6. Минусом тобит-модели для панельных данных можно считать отсутствие БЕ-оценки, поэтому для всех случаев, когда значимость коэффициентов не меняется из-за метода оценивания, мы приводим две оценки: БЕ и тобит, что является проверкой устойчивости результатов.

Для полной выборки гипотеза не была подтверждена: переменная СОУГО оказалась незначима (табл. 6). Таким образом, в данном случае нельзя сделать заключения ни о положительном, ни об отрицательном влиянии СОУГО на отношение расходов на НИОКР к выручке. Данный результат мог возникнуть по нескольким причинам:

• из-за относительно небольшого объема выборки;

• неоднородного распределения компаний в каждом секторе;

• использования нескольких секторов в одной выборке.

Таблица 6

Результаты оценивания влияние коронавируса на КБ/Яа^.

Модель с фиксированными эффектами и поправкой

на гетероскедастичность и тобит-модель со случайными эффектами, цензурированная «слева» 0

Variables (1) (2)

RD/Sales

Estimation FE Tobit

COVID-19 -0.00313 -0.00138

(0.00410) (0.00429)

Size 0.00124 -0.00109

(0.00369) (0.00234)

D / E 0.00426* 0.00498***

(0.00220) (0.00139)

D / E2 -4.94e-05 -5.86e-05***

(3.42e-05) (9.53e-06)

Sales growth 0.000227 0.00180

(0.0211) (0.00702)

Constant 0.0866*** 0.0661***

(0.0293) (0.0240)

sigma_u 0 171***

(0.0132)

sigmae 0.0436***

(0.00108)

Окончание табл. 6

Variables (1) (2)

RD/Sales

Observations 1,242 1,242

Censored observations 346

R-squared 0.041

Wald chi2 39.79

Number of Firms 128 128

Robust standard errors in parentheses: *** p < 0.01; ** p < 0.05; * p < 0.1. Источник: расчеты авторов.

Положительное влияние темпов роста выручки на расходы на НИОКР, деленные на выручку, может объясняться теорией, предполагающей, что компании предпочитают поддерживать определенный уровень интенсивности НИОКР (Chen, 2018).

Однако анализ был проведен для переменной отношения расходов на НИОКР к выручке, следовательно, на его основании нельзя сделать вывод об изменениях в инновационной политике компаний. Неясно, как интерпретировать положительное влияние коронавируса на отношение расходов на НИОКР к выручке — как рост расходов на НИОКР или как сокращение выручки. Для этого мы переходим к спецификации 2, в которой зависимой переменной выступит натуральный логарифм расходов на НИОКР плюс один.

H1. Спецификация 2. Зависимая переменная — Ln(1+RD)

Результаты оценивания модели с зависимой переменной Ln(1+RD) представлены в табл. 7. В первой колонке приведены значения для парной регрессии COVID и Ln(1+RD). COVID положительно значим, что подтверждает и корреляционная матрица (см. приложение). Это говорит о том, что в целом в пандемию сумма расходов на НИОКР увеличилась. Однако включение контрольных переменных в модель делает влияние COVID незначимым, что может быть вызвано несколькими причинами.

1. Малое количество лет пандемии.

2. Нулевые значения R&D.

3. Пропорциональный рост всех переменных (естественный рост со временем), который был выявлен ранее при анализе данных.

Для борьбы со второй причиной незначимости COVID мы оцениваем тобит-модель (колонка 3) и модель с фиксированными индивидуальными ошибками для компаний с ненулевыми расходами на НИОКР (колонки 4—6). По результатам анализа было выявлено, что включение контроля на размер лишает COVID значимого влияния на полной выборке, что подтверждает наше третье из приведенных выше предположений: в пандемию выросли не только расходы на НИОКР, но и сами компании.

В данной спецификации не представлен Б / Е2, так как двойственное влияние финансового рычага пропадает в этой спецификации, т.е. знаки Б/Е и Б / Е2 не отличаются для всех колонок.

Таблица 7

Результаты оценивания влияния ТОУГО на Ln(1+ЛD). Модели с фиксированными эффектами и поправкой на гетероскедастичность и тобит-модель со случайными эффектами, цензурированная «слева» 0

Variables (1) (2) (3) (4) (5) (6)

Ln (1+RD)

Overall Firms with VRDitl > 0

Period 2010-2021 after 2011

Estimation FE FE Tobit FE FE FE

COVID-19 0.530**** -0.0414 0.0187 0.0623+ 0.0607+ 0.0716**

(0.0849) (0.0683) (0.0640) (0.0425) (0.0432) (0.0347)

Size 0.634**** 0.710*** 0.741*** 0 727*** 0 712***

(0.0613) (0.0356) (0.0587) (0.0608) (0.0487)

D / E 0.0115 0.00948 -0.00645 -0.00212 -0.0161

(0.0299) (0.0184) (0.0204) (0.00538) (0.0254)

Sales growth _0 328**** -0.305*** -0.324** -0.307** -0.241**

(0.103) (0.105) (0.150) (0.147) (0.116)

Post 2008 crisis -0.0854*

(0.0487)

Constant 3 928**** -1 382**** -2 770*** -0.575 -0.458 -0.317

(0.0163) (0.519) (0.410) (0.511) (0.533) (0.415)

sigma_u 3.968***

(0.297)

sigmae 0.654***

(0.0164)

Observations 1,34 1,227 1,242 808 808 641

Censored observations 346

R-squared 0.078 0.379 0.785 0.787 0.736

Wald chi2 604.49

Number of Firms 130 128 128 84 84 84

Robust standard errors in parentheses: *** p < 0.01; ** p < 0.05; * p < 0.1; +p < 0.15. Источник: расчеты авторов.

Однако на 15%-м уровне значимости мы можем сделать вывод о том, что расходы на НИОКР все же увеличились в пандемию, но не у всех фирм, а только у фирм, которые несли эти расходы регулярно. Такие фирмы можно рассматривать как высокоинновационные (табл. 7, колонки 4—6). COVID также становится значимым для высокоинновационных компаний на 5%-м уровне значимости на сокращенном временном интервале — с 2012 г., а не с 2010 г. (табл. 7, колонка 6). Это может быть связано с тем, что американский рынок все еще переживал последствия кризиса 2008 г. Дамми-переменная для посткризисных лет (2010—2011) оказывается отрицательно значима для высокоинновационных компаний (табл. 7, колонка 5) и не значима для полной выборки.

Тобит-оценка не приведена для подвыборки, состоящей из компаний с ненулевыми расходами на НИОКР, так как она в данном случае не несет дополнительной информации и не отличается от RE (random effects) оценки, а согласно тесту Хаусмана, FE-оценка является более предпочтительной. Отраслевой анализ значимости не выявил.

Представляет интерес, что в данной спецификации модели темпы роста продаж отрицательно влияют на расходы на НИОКР, возможных объяснений этому факту может быть несколько:

• для того чтобы больше продавать и обеспечивать высокие темпы роста, нужно больше производить, т.е. нести операционные расходы, а не инвестировать в исследования;

• возможно, фирмы с высоким уровнем темпов роста продаж уже удовлетворены своим уровнем инновационности.

Отметим, что отрицательное влияние темпов роста продаж на расходы на НИОКР обнаруживалось и в других исследованиях (например, Block, 2012), а также сам по себе вопрос о взаимосвязи между темпами роста продаж и расходами на НИКОР является отдельным исследовательским вопросом, так как есть авторы, обнаруживающие положительную взаимосвязь (García-Manjón, Romero-Merino, 2012). Один из вариантов решения этой дилеммы был предложен (Coad et al., 2016), который заключается в неучтенной роли возраста. Согласно исследованиям авторов более зрелые компании имеют отрицательную связь между темпами роста продаж и расходами на НИОКР, что может быть объяснено через политику избегания рисков. Средний возраст анализируемых в нашей выборке компаний составляет 31 год, поэтому к ним применимы выводы, полученные (Coad et al., 2016).

Размер по-прежнему положительно значим, соответственно, большие компании больше инвестируют в НИОКР.

H1. Спецификация 3. Зависимая переменная — Ln(1+ RD Capital)

Поскольку, как уже было выявлено ранее, нулевые расходы на НИОКР в конкретный год могут быть естественным откликом компаний на внешние условия, мы понимаем, что необходимо оценивать не просто вели-

чину инвестиций в НИОКР в год, а долгосрочную политику компании в отношении инноваций.

Для того чтобы учесть долгосрочность инновационной политики компаний, на основе исследования (Hirshleifer et al., 2013) была введена переменная RD Capital (RDC), которая представляет собой аналог капитализированных расходов на НИОКР (формула приведена в табл. 2). Результаты оценивания спецификации 3 представлены в табл. 8.

Таблица 8

Результаты оценивания влияния коронавируса на Ln(1+.ftD Capital).

Модели с фиксированными эффектами и поправкой на гетероскедастичность и тобит-модели со случайными эффектами, цензурированная «слева» 0

Variables (1) (2) (3) (4) (5)

Ln (1+RDC)

Sample Overall Firms with УЩ,, > 0

Period 2014-2021

Estimation FE Tobit FE Tobit FE

COVID-19 0.00725 0.0621 0.00393 0.0412 0.0515+

(0.0716) (0.0544) (0.0702) (0.0504) (0.0349)

Size 0.578*** 0.667*** 0.577*** 0.694*** 0.775***

(0.0796) (0.0624) (0.0796) (0.0453) (0.0627)

D / E 0.0173 0.000879 0.0184 0.00350 0.000566

(0.0218) (0.0221) (0.0217) (0.0217) (0.0199)

D / E2 -0.000404 -5.93e-05 -0.000604 -0.000277 -0.000232

(0.000439) (0.000484) (0.000456) (0.000487) (0.000431)

ROE 0.00895*** 0.00835* 0.00781***

(0.00309) (0.00433) (0.000924)

Sales growth -0.573*** -0.535*** -0.579*** -0.552*** -0.477***

(0.109) (0.112) (0.112) (0.111) (0.0847)

Constant -0.178 -1.452*** -0.157 _1 937*** 0.114

(0.701) (0.327) (0.701) (0.421) (0.546)

sigma_u 4.448*** 4.477***

(0.343) (0.350)

sigma_e 0.450*** 0.448***

(0.0145) (0.0144)

Окончание табл. 8

Variables (1) (2) (3) (4) (5)

Ln (1+RDC)

Sample Overall Firms with \/RDit > 0

Period 2014-2021

Estimation FE Tobit FE Tobit FE

Observations 783 783 783 783 509

Censored observations 212 212

R-squared 0.309 0.315 0.741

Wald chi2 215.40 355.30

Number of Firms 120 120 120 120 78

Robust standard errors in parentheses: *** p < 0.01; ** p < 0.05; * p < 0.1; +p < 0.15. Источник: расчеты авторов.

Период оценивания и число наблюдений сократились из-за лагиро-ванной специфики RD capital (лаг в четыре года).

По результатам анализа сохраняются положительное влияние размера и отрицательное — темпов роста продаж на аналог капитализированных расходов на НИОКР. В данной спецификации стало возможным включение ROE в качестве контрольной переменной, так как RDC обладает накопительным эффектом (эффектом памяти), что сглаживает отрицательное влияние расходов на НИОКР текущего года на чистую прибыль. ROE положительно значим в моделях с фиксированными эффектами (табл. 8, колонки 3—5), что означает, что более прибыльные компании имеют больший RDC. Это выглядит логично, учитывая, что выборка состоит из инновационных компаний.

Таким образом, результаты устойчивы к включению дополнительной контрольной переменной на прибыльность (ROE) и к методам оценивания.

Сектор технологического оборудования

Хотя гипотеза о влиянии пандемии COVID-19 на расходы на НИОКР была отвергнута для полной выборки, мы не отвергаем ее в модели, примененной к сектору «технологического оборудования» (табл. 9), что согласуется с (Макаров и др., 2021). К сектору «технологического оборудования» относятся такие компании, как Apple, Dell Technologies, Cisco Equipment, Motorola Solutions, Benchmark Electricity и др.

Таблица 9

Результаты оценивания влияния коронавируса на Ln(1+RD Capital) в секторе технологического оборудования. Модели с фиксированными эффектами и поправкой на гетероскедастичность и тобит-модели со случайными эффектами, цензурированная «слева» 0

Variables (1) (2) (3) (4)

Ln(1+ÄDC)

Sample Technology Hardware Equipment

Period 2014-2021

Estimation FE Tobit FE Tobit

COVID-19 0.199+ 0.304*** 0.187 0.290***

(0.137) (0.0906) (0.134) (0.0918)

Size 0.724*** 0.925*** 0.713*** 0.932***

(0.140) (0.0736) (0.142) (0.0799)

DE 0.0183 0.0300 0.0200 0.0315

(0.0344) (0.0272) (0.0351) (0.0272)

D / E2 -0.000113 -0.000178 -0.000239 -0.000260

(0.000180) (0.000180) (0.000194) (0.000208)

ROE 0.00598** 0.00349

(0.00220) (0.00439)

Sales growth -0.730*** -0.810*** -0.739*** -0.817***

(0.211) (0.177) (0.209) (0.178)

Constant -1.523 -3.337*** -1.430 -3 992***

(1.241) (0.571) (1.265) (0.769)

sigma_u 3 999*** 4.056***

(0.596) (0.608)

sigma_e 0.462*** 0.462***

(0.0227) (0.0227)

Observations 326 326 326 326

Censored observations 93 93

R-squared 0.436 0.440

Wald chi2 299.71 269.61

Number of Firms 32 32 32 32

Standard errors in parentheses:

*** p < 0.01; ** p < 0.05; * p < 0.1, +p < 0.15.

Источник: расчеты авторов.

Таким образом, мы видим, что пандемия оказывает значимое положительное влияние на аналог капитализированных расходы на НИОКР в секторе технологического оборудования в моделях со случайными эффектами Тобита, цензурированных «слева» 0, и слабое влияние на 15%-м и 20%-м уровнях значимости в моделях с фиксированными эффектами. Среди контрольных переменных значимое положительное влияние оказывают размер и ROE, отрицательное — темпы роста продаж.

Для всех остальных секторов ни положительная, ни отрицательная значимость COVID-19 не была подтверждена либо мы не имели возможности проверить это влияние в силу малого количества наблюдений.

По результатам нашего анализа мы понимаем, что еще рано делать финальные выводы о влиянии COVID-19 на долгосрочную инновационную политику компаний, используя годовые наблюдения, так как прошло всего два года. По этой же причине было решено не оценивать модель в первых разностях.

Вывод по H1

Некоторые заключения все же могут быть сделаны: COVID-19 не оказал значимого влияния на расходы на НИОКР и аналог капитализированных расходов на НИОКР для компаний по полной выборке, но высокоинновационные компании (R&D > 0 каждый год) увеличили свои инвестиции в НИОКР и RD Capital. Результаты схематично представлены в табл. 10.

Таблица 10

Влияние пандемии коронавируса на инвестиции в инновации американских ИТ-компаний

Компании Все Высокоинновационные

Переменная R&D R&D Capital R&D R&D Capital

Влияние COVID-19 незначимое Незначимое положительное, слабо значимое положительное, слабо значимое

Источник: анализ авторов.

Объяснить полученные результаты можно рискованностью инвестиций в НИОКР. В условиях внешнего шока, вызванного пандемией, многие компании стали инвестировать осторожнее. Исключением стали высокоинновационные компании. Отметим также, что (Jin et al., 2022) обнаружили отрицательное влияние пандемии на инновационную политику компаний в Китае, однако в их анализе использовались компании из разных отраслей, а не только инновационные. Следовательно, мы считаем, что наши результаты согласуются с (Jin et al., 2022), так как если мы не выявили значимого влияния коронакризиса на американские ИТ-компании

(кроме высокоинновационных), характеризующиеся возросшим спросом на услуги и товары, логично предположить, что инновации компаний из других отраслей сократились.

Н2. Влияние пандемии COVID-19 на количество патентов

Для оценки влияния пандемии COVID-19 на количество патентов результаты инновационной деятельности использовались два метода оценки: модель с фиксированными эффектами и модель Хекмана.

При анализе патентов затраты на НИОКР, которые мы анализировали при проверке гипотезы 1, становятся объясняющей переменной. Проблема преобразования расходов на НИОКР в результаты инновационной деятельности рассматривается в статье (Hunady, Pisar, 2020). Расходы на НИОКР, по мнению авторов, вносят ключевой вклад в создание инноваций. Они утверждают, что инновации рассматриваются как основные драйверы роста в высокотехнологичных отраслях (аэрокосмическая промышленность, компьютерные технологии, фармацевтика или электроника и телекоммуникации). Результаты исследования свидетельствуют о положительном долгосрочном влиянии расходов на НИОКР на изобретения. Авторы (Aristei et al., 2017) и (Hirshleifer et al., 2013) утверждают, что патентование — длительный и сложный процесс, который характеризуется временным лагом между началом инновационной деятельности и достижением результатов, а затем между появлением изобретений и направлением результатов на процедуру патентования. Таким образом, при анализе патентов мы будем учитывать, что инвестиции в НИОКР приводят к увеличению патентов с временным лагом.

H2. Модель с фиксированными эффектами

В модели с фиксированными эффектами значимого влияния COVID-19 для полной выборки не было выявлено, однако было обнаружено положительное влияние коронакризиса на патенты компаний, регистрирующих их регулярно. Результаты оценивания представлены в табл. 11.

Таблица 11

Модель с фиксированными эффектами и поправкой на гетероскедастичность с включением лага расходов на НИОКР (RD) по наблюдениям с ненулевыми патентами

Variables Ln_patents

COVID-19 0.208**

(0.0947)

Size -0.0256

(0.0859)

L.Ln(1+ÄD) 0.142**

(0.0655)

Окончание табл. 11

Variables Ln_patents

ROA -0.0151***

(0.00367)

D/E 0.000843

(0.0292)

Sales growth 0.182

(0.340)

Constant 0.829

(0.728)

Observations 203

Number of Firms 51

R-squared 0.102

Robust standard errors in parentheses: *** p < 0.01; ** p < 0.05; * p < 0.1. Источник: расчеты авторов.

COVID положительно значим на 5%-м уровне значимости по подвы-борке из наблюдений с ненулевыми патентами, что частично подтверждает гипотезу 2. Расходы на НИОКР текущего года не оказывают значимого влияния на количество патентов, в отличие от расходов на НИОКР прошлого года. Включение более глубоких лагов не дает значимого эффекта. Это может быть объяснено тем, что мы работаем с количеством поданных, а не выданных патентов, так как на регистрацию выданных международных патентов требуется больше времени.

В модели также отрицательно значим ROA. Это можно объяснить тем, что для зарабатывания чистой прибыли компании должны инвестировать в активы и/или операционную деятельность, а не в инновационную, поэтому чем выше ROA, тем меньше остается средств на НИОКР и ресурсов для создания патентов. Отметим, что отрицательное влияние ROA согласуется с (Hirshleifer et al., 2012; Cao et al., 2023).

H2. Модель Хекмана

Так как поданные патенты больше 0 не в каждый год, мы применили модель Хекмана, оценивающую на первом шаге уравнение отбора, а на втором — регрессию для цензурированной выборки. На первом шаге мы оценили пробит-модель для вероятности наличия патентов по полной выборке. Обоснование использования дамми на патенты в качестве зависимой переменной в уравнении отбора заключается в использовании базы данных Орбит, содержащей поданные международные патенты. Так мы контролируем решение фирмы подаваться или нет на международные патенты в силу ряда причин. Поскольку минусом модели Хекмана является

то, что она не учитывает панельную структуру данных, в уравнении отбора оценивалось влияние на вероятность подачи патентов в год.

Наиболее интересный результат был получен в следующей спецификации, представленной в табл. 12.

Таблица 12

Результаты оценивания двухшаговой модели Хекмана с уравнением отбора на вероятность наличия патентов

(1) (2) (3)

Variables Ln_patents DPatents mills

COVID-19 0.185* -0.136

(0.0950) (0.122)

Size 0.0813** 0.243***

(0.0392) (0.0333)

D/E 0.00365 0.00776

(0.00545) (0.00771)

ROA 0.00149

(0.00420)

Sales growth 0.00443** -0.00134

(0.00205) (0.00203)

Ln(1+RD) 0.173***

(0.0192)

lambda -0.237*

(0.130)

Constant 0.782 -3.988***

(0.524) (0.306)

Wald chi2 (5) 13.89

Censored observations 1,035

Uncensored observations 207

Observations 1,242

Standard errors in parentheses: *** p < 0.01; ** p < 0.05; * p < 0.1. Источник: расчеты авторов.

По результатам оценивания мы обнаружили, что положительное влияние на вероятность наличия поданных международных патентов у компании оказывают размер и величина инвестиций в НИОКР (табл. 12, ко-

лонка 2). Величина патентов положительно зависит от размера, темпов роста продаж и СОУГО, что еще раз подтверждает вторую гипотезу (табл. 12, колонка 1). Колонка 3 содержит «лямбду Хекмана», значимость которой говорит об уместности применения оценки Хекмана и связи между двумя уравнениями.

Включение лага расходов на НИОКР в уравнение делает модель Хекмана незначимой. Во всех остальных спецификациях влияние СОУГО-19 также оказалось незначимым.

Таким образом, гипотеза 2 о положительном влиянии пандемии на патенты американских ИТ-компаний частично подтверждается; обнаружено лаговое влияние инвестиций в НИОКР на патенты.

Заключение

Данное исследование проводилось с целью оценить влияние пандемии коронавируса на инновационную деятельность американских ИТ-компаний, так как оно показалось нам неоднозначным. С одной стороны, в периоды кризисов инновационная деятельность, которую можно рассматривать, как высокорискованную, сокращается (Стеега е! а1., 2010). С другой стороны, из-за всеобщей диджитализации спрос на услуги и товары американских ИТ-компаний возрос в период пандемии коронавируса. Таким образом, для нас было неочевидно, какое влияние пандемии окажется сильнее: положительное или отрицательное.

Мы рассматриваем наше исследование как предварительную, первую попытку оценить влияние пандемии на инновации, так как инновационная деятельность — результат долгосрочной политики компаний, и за два года коронакризиса, которые анализируются в нашей выборке (2020— 2021), мы не сможем этого увидеть.

Исследование, проведенное на выборке из 130 американских ИТ-компаний, показало, что в целом для ИТ-отрасли в США СОУГО-19 не оказал ни положительного, ни отрицательного значимого влияния. Однако было выявлено, что компании, инвестирующие в НИОКР регулярно (каждый год), т.е. высокоинновационные компании, увеличили свои расходы на НИОКР и аналог капитализированных расходов на НИОКР. Кроме того, компании из сектора технологического оборудования увеличили аналог капитализированных расходов на исследования и разработки в период пандемии.

По результатам анализа патентной активности компаний также были обнаружены положительное влияние СОУГО-19 и лаговое влияние расходов на НИОКР на патенты для неполной выборки, на полной выборке с использованием тобит-модели влияния СОУГО-19 на патенты не выявлено. По результатам применения модели Хекмана для полной выборки мы делаем вывод о том, что количество патентов в период пандемии ко-

ронавируса возросло у компаний, которые ранее уже имели опыт регистрации международных патентов.

Практическая значимость данного исследования заключается в выявлении секторов и фирм, выигравших от пандемии. Менеджеры компаний могут использовать данную работу для пересмотра направлений расходов фирм в пользу наукоемких.

Ограничения исследования заключаются в том, что, во-первых, в выборку вошли только американские ИТ-компании, что связано с трудностью сопоставления данных по патентам и финансовых показателей. Такие инновационные отрасли, как биотехнологии и медицинские технологии, практически не были включены в анализ, что может быть полем для будущих исследований. Во-вторых, в анализе не учитывалась величина нематериальных активов компании, которые отчасти являются результатом инновационной деятельности, а также цитирование патентов (innovations quality). В-третьих, как уже говорилось ранее, инновационная политика компаний долгосрочная, поэтому представленные в работе результаты стоит рассматривать как предварительные. В-четвертых, набор контрольных переменных для оценки инновационной активности компаний сам по себе является обсуждаемой в науке темой, например, в статье уже было обсуждено неоднозначное влияние ROA и темпов роста выручки. Некоторые исследователи также включают контроль на рыночную стоимость компании (Hirshleifer et al., 2012) или структуру собственности (Aghion et al., 2013), исследуют роли генерального директора (Hirshleifer et al., 2012) и совета директоров (AlHares et al., 2020).

В продолжении исследования представляют интерес воздействие пандемии на инвестиции компаний в собственные (CapEx), рыночные активы (Investments) в краткосрочной перспективе и такие показатели долгосрочной эффективности компаний, как Q Тобина.

Список литературы

Гершман, М. А., Гохберг, Л. М., Рудь В. А., & Стрельцова Е. А. (2020). Глобальный инновационный индекс — 2020. Институт статистических исследований и экономики знаний НИУ ВШЭ. https://issek.hse.ru/news/396120793.html

Кизилов, В. В. (2021). Некоторые макроэкономические последствия COVID-19: специфика мирового кризиса 2020 года. Финансовый журнал, 13(1), 9-27. https://doi. org/10.31107/2075-1990-2021-1-9-27

Куликов, O. A. (2020). Пандемия коронавируса как фактор интенсификации развития и внедрения цифровых технологий. Известия Саратовского университета. Серия Экономика. Управление. Право, 20(4), 400-404. https://doi.org/10.18500/1994-2540-2020-20-4-400-404

Макаров, В. В., Блатова, Т. А., & Ворошилова, Е. Ю. (2021). Ускоренное развитие информационных технологий в период пандемии. Экономика и качество систем связи, 2 (20), 12-19.

Ратникова, Т. А. (2004). Анализ панельных данных в пакете STATA. Методические указания к компьютерному практикуму по курсу «Эконометрический анализ панельных данных». М.: ГУ-ВШЭ.

Юстратова, И. Л., & Юстратов, Д. В. (2020). Экономический рост компаний в условиях пандемии. Материалы Всероссийской научно-практической конференции «Наука и социум» (No. XV, p. 138—144). Автономная некоммерческая организация дополнительного профессионального образования «Сибирский институт практической психологии, педагогики и социальной работы».

Abdullah, M., Al-Awadhib, M., Alsaifi, K., Al-Awadhi, A., & Alhammadi, S. (2020). Death and contagious infectious diseases: Impact of the COVID-19 virus on stock market returns. Journal of Behavioral and Experimental Finance, 27, 100326. https://doi.org/10.1016/j. jbef.2020.100326

Aghion, P., Van Reenen, J., & Zingales, L. (2013). Innovation and institutional ownership. American economic review, 103(1), 277-304. DOI: 10.1257/aer.103.1.277

AlHares, A., Elamer, A. A., Alshbili, I., & Moustafa, M. W. (2020). Board structure and corporate R&D intensity: evidence from Forbes global 2000. International Journal of Accounting & Information Management, 28(3), 445-463. https://doi.org/10.1108/ IJAIM-11-2019-0127

Aristei, D., Sterlacchini, A., & Venturini, F. (2017). Effectiveness of R&D subsidies during the crisis: firm-level evidence across EU countries. Economics of Innovation and new Technology, 26(6), 554-573. https://doi.org/10.1080/10438599.2016.1249543

Baltagi, B. H., & Baltagi, B. H. (2008). Econometric analysis of panel data (Vol. 4). Chichester: John Wiley & Sons. https://doi.org/10.1007/978-3-030-53953-5

Block, J. H. (2012). R&D investments in family and founder firms: An agency perspective. Journal of business venturing, 27(2), 248-265. https://doi.org/10.1016Zj.jbusvent.2010.09.003 Cao, W., Gao, J., & Zeng, L. (2023). Exchange Rate Changes, Leverage Ratio, and Corporate Innovation: Evidence from China. Leverage Ratio, and Corporate Innovation: Evidence from China. Available at SSRN: https://ssrn.com/abstract=4398191 or http:// dx.doi.org/10.2139/ssrn.4398191

Chen, Y. (2018). Partial adjustment toward target R&D intensity. R&D Management, 48(5), 591-602. https://doi.org/10.1111/radm.12320

Cho, H. J., & Pucik, V. (2005). Relationship between innovativeness, quality, growth, profitability, and market value. Strategic management journal, 26(6), 555-575. https://doi. org/10.1002/smj.461

Cincera, M., Cozza, C., Tflbke, A., & Voigt, P. (2010). Doing R&D or not, that is the question (in a crisis...). JRC: IPTS working paper on corporate R&D and innovation, 12. DOI: 10.2791/52931

Clampit, J., Hasija, D., Dugan, M., & Gamble, J. (2021). The Effect of Risk, R&D Intensity, Liquidity, and Inventory on Firm Performance during COVID-19: Evidence from US Manufacturing Industry. Journal of risk and financial Management, 14(10), 499. https://doi.org/10.3390/jrfm14100499

Clark, J., Mauck, N., & Pruitt, S. W. (2021). The financial impact of COVID-19: Evidence from an event study of global hospitality firms. Research in International Business and Finance, 58, 101452. https://doi.org/10.1016/j.ribaf.2021.101452

Coad, A., Segarra, A., & Teruel, M. (2016). Innovation and firm growth: does firm age play a role? Research policy, 45(2), 387-400. https://doi.org/10.1016/j.respol.2015.10.015 Garcia-Manj6n, J. V., & Romero-Merino, M. E. (2012). Research, development, and firm growth. Empirical evidence from European top R&D spending firms. Research Policy, 41(6), 1084-1092. https://doi.org/10.1016/j.respol.2012.03.017

Griliches, Z., Pakes, A., & Hall, B. H. (1986). The value of patents as indicators of inventive activity. DOI: 10.3386/w2083

Hirshleifer, D., Hsu, P. H., & Li, D. (2013). Innovative efficiency and stock returns. Journal of Financial Economics, 107(3), 632-654. https://doi.org/10.1016/jjfineco.2012.09.011

Hirshleifer, D., Low, A., & Teoh, S. H. (2012). Are overconfident CEOs better innovators? The journal offinance, 67(4), 1457-1498. https://doi.org/10.1111/j.1540-6261.2012.01753.x Hossain, M. H., Akhter, F., & Sultana, M. M. (2022). SMEs in Covid-19 Crisis and Combating Strategies: A Systematic Literature Review (SLR) and A Case from Emerging Economy. Operations Research Perspectives, 9, 100222. https://doi.org/10.1016Zj. orp.2022.100222

Hsiao, C. (2014). Analysis of Panel Data. Cambridge University Press. Hunady, J., & Pisar, P. (2020). Business Spending on Research and Development and its Relationship to Invention and Innovation. Society for Advancing Innovation and Research in Economy, 6, 542-552. https://hrcak.srce.hr/ojs/index.php/entrenova/ article/view/13507

Jiang, J., Hou, J., Wang, C., & Liu, H. (2021). COVID-19 impact on firm investment — Evidence from Chinese publicly listed firms. Journal of Asian Economics, 75, 101320. https:// doi.org/10.1016/j.asieco.2021.101320

Jin, X., Zhang, M., Sun, G., Cui, L. (2021). The Impact of COVID-19 on Firm Innovation: Evidence from Chinese Listed Companies. Finance Research Letters. https://doi. org/10.1016/j.frl.2021.102133

Kotsopoulos, D., Karagianaki, A., & Baloutsos, S. (2022). The effect of human capital, innovation capacity, and COVID-19 crisis on Knowledge-Intensive Enterprises' growth within a VC-driven innovation ecosystem. Journal of Business Research, 139, 1177-1191. https://doi.org/10.1016/jjbusres.2021.10.055

Leung, T. Y., & Sharma, P. (2021). Differences in the impact of R&D intensity and R&D internationalization on firm performance-Mediating role ofinnovation performance. Journal of Business Research, 131, 81-91. https://doi.org/10.1016/jjbusres.2021.03.060

Liubkina, O., Murovana, T., Magomedova, A., Siskos, E., & Akimova, L. (2019). Financial Instruments Of Stimulating Innovative Activities Of Enterprises And Its Improvements. Marketing and Management of Innovations, 4.

Mohd, E. (2005). Accounting for software development costs and information asymmetry. The Accounting Review, 80(4), 1211-1231. https://doi.org/10.2308/accr.2005.80.4.1211

Pakes, A., & Griliches, Z. (1984). Estimating distributed lags in short panels with an application to the specification of depreciation patterns and capital stock constructs. The Review of Economic Studies, 51(2), 243-262. https://doi.org/10.2307/2297690

Rubera, G., & Kirca, A. H. (2012). Firm Innovativeness and Its Performance Outcomes: A Meta-Analytic Review and Theoretical Integration. Journal of Marketing, 76(3), 130-147. https://doi.org/10.1509/jm.10.0494

Schubert, T. (2010). Marketing and Organisational Innovations in Entrepreneurial Innovation Processes and their Relation to Market Structure and Firm Characteristics. Review of Industrial Organization , 36(2), 189-212. https://doi.org/10.1007/s11151-010-9243-y

Serbulova, N., Morgunova, T., & Persiyanova, G. (2020). Innovations during COVID-19 pandemic: trends, technologies, prospects. Web of Conferences, 210, 02005. https://doi. org/10.1051/e3sconf/202021002005

Szczygielski, J. J., Charteris, A., Bwanya, P. R., & Brzeszczynski, J. (2022). The impact and role of COVID-19 uncertainty: A global industry analysis. International Review of Financial Analysis, 80, 101837. https://doi.org/10.1016Xj.irfa.2021.101837

Thottoli, M. M. (2021). Pandemic (COVID-19) effect on financial statements: The role of government and organizations for future prevention. Strategic Decisions and Risk Management, 12(2), 107-194. https://doi.org/10.17747/2618-947X-2021-2-138-149

Xia, Y., & Liu, P. (2021). The effects of bank competition on firm R&D investment: an inverted-U relationship. Chinese Management Studies, 15(3), 641-666. https://doi. org/10.1108/CMS-04-2020-0126

Wu, J., Si, S., & Wu, X. (2016). Entrepreneurial finance and innovation: Informal debt as an empirical case. Strategic Entrepreneurship Journal, 10(3), 257-273. https://doi. org/10.1002/sej.1214

References

Gershman, M. A., Gokhberg, L. M., Rud, V. A., & Streltsova, E. A. (2020). Global Innovation Index 2020. HSE Institute for Statistical Research and Economics of Knowledge. https://issek.hse.ru/news/396120793.html

Kizilov, V. V. (2021). Some macroeconomic consequences of COVID-19: the specifics of the 2020 global crisis. Financial magazine, 1. https://doi.org/10.31107/2075-1990-2021-1-9-27

Kulikov, O. A. (2020). The coronavirus pandemic as a factor in intensifying the development and implementation of digital technologies. News of university of Saratov. Series "Economy. Control. Right", 20(4). https://doi.org/10.31107/2075-1990-2021-1-9-27

Makarov, V. V., Bonch-Bruevich, M. A., Blatov, T. A., Bonch-Bruevich, M. A., & Voroshilov, E. Yu. (2021). Accelerated development of information technology during the pandemic. Economics and quality of communication systems, 2.

Ratnikova, T. A. (2004). Analysis of panel data in the "Stata" package. Guidelines for a computer workshop on the course "Econometric Analysis of Panel Data". HSE.

Yustratova, I. L., & Yustratov, D. V. (2020). Economic growth of companies due to COVID-19 pandemic. In Materials ofthe All-Russian scientific and practical conference "Science and Society" (No. XV, p. 138-144).

Приложение

Таблица 1

Распределение компаний в выборке по секторам

Information Technologies 101 Software&Services 67

Technology Hardware&Equipmenet 32

Semiconductors&Semiconductor Equipment 2

Communication Services 9 Media&Entertainment 3

Telecommunication Services 6

Consumer Discretionary 11 Retailing 5

Consumer Durables&Apparel 6

Industrial 6 Capital Goods 6

Other industries 3 Health Care 3

Источник: расчеты авторов.

Таблица 2

Корреляционная матрица

RD/ Sales Ln(ÄD) Ln (RDC) Ln(patents) Size D/E ROA ROE Growth COVID-19

RD/Sales 1.0000

Ln (RD) 0.1607* 1.0000

Ln (RDQ 0.2231* 0.9855* 1.0000

Ln(patents) -0.0010 0.3993* 0.4028* 1.0000

Size -0.1769* 0.3313* 0.3396* 0.3621* 1.0000

D/E -0.0219 0.0016 0.0107 0.0517* 0.1214* 1.0000

ROA -0.3048* 0.0127 0.0291 0.1006* 0.3415* -0.0468* 1.0000

ROE -0.2103* -0.0547* -0.0464 0.0415 0.1665* 0.1289* 0.4522* 1.0000

Growth 0.2748* 0.0225 -0.0103 -0.0946* -0.2904* -0.0257 -0.2739* -0.2360* 1.0000

COVID-19 0.0751* 0.0661* 0.0559* 0.0457* 0.1267* 0.1136* -0.0053 -0.0282 0.0147 1.0000

* p-value <0.1.

Источник: расчеты авторов.