Традиционный подход

Производственная функция знаний

Так называемая производственная функция знаний реализует концепцию производственной функции - обычно Кобба-Дугласа - для описания связи между входами и выходами знаний. Идея впервые была предложена Griliches (1979), а затем стала применяться в различных контекстах для многих регионов и стран. Тем не менее, в большинстве подходов наблюдается только одна входная величина, дифференцирующая патенты по региональной или секторной принадлежности. Не имея более подходящих данных, патенты априори являются показателем выходов знаний.

В следующих двух разделах вначале представлен традиционный подход, затем измененный, и обсуждаются его отличия и преимущества по сравнению с традиционным подходом. Однако, в следующей главе показана лишь расширенная версия традиционного подхода.

Традиционный подход

По аналогии с традиционными производственными функциями, которые описывают связь между входными и выходными факторами, производственная функция знаний (ПФЗ) описывает связь между входом знаний, с одной стороны и выходом знаний, с другой. Таким образом, если K¹ – входные знания и K⁰ – выход знаний, то производственная функция знаний- это функция K⁰ (K¹) - как правило, рассчитывается математическим способом.

В контексте национальной или региональной инновационной системы ПФЗ могут быть использованы в качестве базовой модели системы и для учета ее эффективности.

ПФЗ может принимать различные формы. Как входы знания могут субсидироваться в определенной степени - например, исследователи могут субсидироваться за счет дополнительных расходов на R & D при покупке внешнего знания – то ПФЗ можно рассматривать как замещающую производственной функции.

Кроме того, ПФЗ не имеет теоретического максимума, так как генерирование знаний ограничено лишь количеством входных факторов.

Учитывая все это, можно предложить формулу производственной функции типа Кобба-Дугласа при моделировании ПФЗ:

K⁰ = (5.1)

Эта линия аргументации приводит к основному виду ПФЗ как обсуждалось и использовалось Griliches (1979) в его введении ПФЗ.

В контексте традиционной производственной функции, типичные входные факторы включают рабочую силу и капитал как основные факторы; любая расширенная модель просто добавляет к этой формуле базовые переменные.

В контексте производства знания или выхода знания, рабочая сила представлена ​​людьми, которые на самом деле генерируют знания, – т.е. исследователями или в более общем плане людьми, занятыми исследованиями и разработками. В настоящем исследовании рабочая сила будет представлена количеством исследователей.

Акционерный капитал может интерпретироваться двояко. С одной стороны, капитальные вложения могут быть расходами на R & D и капитал будет суммой всех расходов на R & D. Как и капитальные вложения, затраты на R & D, которые частично включают капитальные вложения, подлежат амортизации, несмотря на то, что рабочие процессы могут по своей сути отличаться от капитальных вложений. Если есть расходы на R & D, то необходимо реализовать достойную схему амортизации.

В этом исследовании рассматривается только первый подход, с некоторыми ограничениями из-за доступности данных. При рассмотрении данных многомерного временного ряда, учитываются только расходы на R & D как близкие к капиталу знаний.

Второй подход заключается в рассмотрении доступных выходов знаний, куда необходимо включать соответствующие расходы на амортизацию.

Так как его можно вывести в любое время, то фонд патентов представляет собой подходящее приближение к капиталу знаний, даже когда выход знания не аппроксимируется количеством выданных или применяемых патентов. Этот подход используется для расчета расширенного ПФЗ за год и может показать, что запас доступных патентов не способен выступать как объясняющая переменная, так как запас капитала будет в типичном контексте производственной функции. Таким образом, концепция использования патентов в качестве капитала знаний не учитывается.

Обратите внимание, что в контексте поиска заместителя для запаса капитала знаний, использование переменной, которая содержит информацию о наличии кодифицированного знания - например, патенты - и неявных знаний не представляется возможным. Считается, что акционерный капитал содержит только те капитальные вложения, которые могут использоваться в процессе производства новых знаний. Так как неявное знание неразрывно связано с людьми, оно не может рассматриваться как часть капитала знаний; это запас знаний людей, участвующих в процессе генерации знаний, но их мы уже обозначили переменной исследователей.

Обсуждение наиболее подходящего способа приблизить выход знаний так же стара, как идея самого ПФЗ. Griliches сам утверждал, что идея использования патентных грантов или приложений является ущербной, так как патенты представляют собой лишь часть кодифицированного знания. Если учитывать только патенты, то опускаются следующие аспекты: генерирование неявных знаний; кодифицированное знание, которое не было запатентовано еще или было признано пригодным для патентования; знание, которое может быть кодифицировано, и поэтому на самом деле оно не является неявным, но и не должно быть кодифицировано.

При отсутствии более подходящего индикатора, это исследование использует ряд патентов в качестве приближения к запасу знаний. Однако есть аргументы и замечания, представленные в разделе «Незапатентованные Кодифицированные Знания», которые выступают против использования патентов как выходной переменной, особенно в контексте Российской Федерации.

Основная формула ПФЗ, которая будет использоваться в данном исследовании, имеет следующий вид:

PatentsGranted_t = (5.2)

Правда, патенты не выдаются мгновенно. Есть период, когда входные факторы должны быть использованы до создания запатентованного знания. Здесь мы учитываем временные рамки 1 года к знаниям, которые могут быть запатентованы.

Если, наконец, появляется новое знание, это знание необходимо утвердить в соответствующем патентном бюро, где оно будет оценено и будет принято решение о том, описывает ли приложение вновь открытое знание, что также дает основания для выдачи патента.

Это исследование предполагает, что данный процесс занимает около 1-2 лет. Хотя процесс патентования в Российской Федерации может реально занять гораздо больше времени, официально он должен длиться от 6 месяцев до 2 лет.Для патентных заявок в Европейское патентное ведомство (ЕПВ) 1-2 года можно рассматривать как разумный срок.

Итак, нужно учитывать временной отрезок 2 или 3 года, что можно представить в виде следующей формулы:

PatentsGranted_t = *( (5.3)

Чтобы сделать оценку уравнения проще, используется его логарифм в последующем исследовании:

Log(PatentsGranted_t)= (5.4)

Тем не менее, версия ПФЗ, рассмотренная в этом исследовании является лишь базовой. Учитывая все вышесказанное, подчеркивается актуальность конкретной модели региона. Это исследование подходит к этой проблеме с двух сторон.

Во-первых, при рассмотрении многомерных временных данных, модель с фиксированными результатами приближена к модели с нефиксированными. Во-вторых, региональные модели городов федерального значения Москвы и Санкт-Петербурга, а также Московской области, используются как выполняющие центральную роль в процессе накопления знаний, а также остаточных знаний научно-исследовательского сектора РФ, унаследованных от своего предшественника Советского Союза, который частично располагался в этих регионах. Так как оцениваются фиксированные результаты, то нет необходимости в дополнительном включении региональных переменных; однако,в случае одного года перечисленные переменные реализованы в регрессии.

Дополнительная переменная управления – экономический размер области, измеряемый действительной переменной ВРП.

Так как РФ считается одной из самых коррумпированных стран в мире, модель должна учитывать и коррупцию, тем более, что расходы на R & D могут быть использованы по различным каналам. Проблема в этом контексте в том, что ни один индикатор коррупции не доступен на региональном уровне. Поэтому мы используем государственные табельные номера, которые по результатам исследований Аналитического центра Юрия Левады (2012) и Российского центра изучения общественного мнения / ВЦИОМ (2012 г.) показывают, что уровень коррупции воспринимается в основном в связи с российскими чиновниками и, следовательно, большое количество чиновников можно рассматривать как предпосылку более высокого уровня коррупции. Этому способствует, в частности, оценка важности теневой экономики, хотя и она и не имеет прямого отношения к коррупции, но также является допустимым показателем неэффективности государственного регулирования. Для расчета влияния теневой экономики Кауфман и Калиберда (1996) предложили использовать стратегию Джонсона и др. (1997), которые заменили долю теневой экономики использованием электроэнергии. Здесь, однако, производство электроэнергии используется как не убедительные долгосрочные данные о потреблении энергии, доступном на региональном уровне. Отметим, что важность теневой экономики не дает никакой информации об уровне коррупции в настоящее время, но это подходящий вариант замены.

Кроме того, для учета высокой зависимости Российской Федерации от ее эксплуатации запасов нефти и газа, включена переменная для всех тех регионов, которые находятся в одном из этих двух секторов.

Дополнительные переменные подробно обсуждаются в разд. 6.2.2 в контексте фактической реализации. Набор показателей, используемых для описания поглощающей способности, уже были представлены в разд. 3.6.1. Одна часть абсорбционной способности задается степенью специализации, измеряемой, например, так называемым индексом специализации Кругмана.

Среди исследований, которые тестировали ПФЗ для конкретных регионов или секторов, Roud (2007) и Савин и Winker (2012) являются немногими, которые рассматривали территорию Российской Федерации. Другие исследования можно условно разделить на четыре категории.

Первая категория – исследования, которые рассматривали определенную группу стран: Madsen (2008) (ОЭСР) или Buesca др. (2010) (Европа / ЕС). Вторая категория исследований учитывали только одну страну: Роуд(2007) и SavinandWinker (2012) – Россию, Ponds и др. (2010) – Нидерланды, Buesca и д. (2006) – Испания, Андерссон и Ejermo (2003) – Швеция, Ranga и др. (2004) – Бельгия, Conteand Vivarelli (2005) – Италия, FritschandFranke (2004)–Германия, Wagner(2006) – Германия, FischerandVarga (2003) – Австрия, MassoandVahter (2008) – Эстония, Ву (2009) – Китай, Varga – США (2000 г.), AudretschandStephan(1999a), OhUallachainandLeslie(2007) и Branstetter (2001) – США и Япония.

Третья категория состоит из исследований по отдельным секторам: Zuckeret и др. (2007) – нанотехнологии, Stephan и др. (2000) – биотехнологии, Раманы и др.. (2008) – биотехнологии и еда и Pardey (1989) – сельское хозяйство.

Наконец, в четвертую группу входят исследования, которые имеют более общий фокус, не связанный с сектором или регионом. Сюда входят Abdih и Joutz (2005) – совокупная производительность факторов производства, MassoandVahter(2008) – общий коэффициент производства, Anselin и др. (1997) – государственный уровень в сравнении с городским, а также более теоретические исследования GrilichesandMairesse(1998) и Acs и др. (2009).