Расширенная функция производства знаний

Подход ПФЗ, как показано в предыдущем разделе, имеет два главных недостатка.

С одной стороны, не ясно могут ли патенты, независимо от того, является ли патент грантом или приложением, выступать заменителем выхода знаний. Этот аспект уже обсуждался в предыдущем разделе и упоминается почти в каждом анализе концепции ПФЗ. Тем не менее, до сих пор небыло предложено достаточных альтернатив. Основная проблема в этом контексте заключается в том, что нет альтернативы заменителя, который бы в идеале содержал информацию о наличии кодифицированного или неявного знания.

Входные факторы вторая проблема. Например, в случае R & D, расходы и исследователи, как правило, сопоставляются и тем самым приводят к возможной проблеме мультиколлинеарности. Корреляции между этими двумя факторами можно ожидать, в связи с тем, что расходы на исследователей в виде заработной платы являются частью общих расходов на R & D. Если нет крайнего разброса уровня заработной платы, то существует линейная зависимость между заработной платой и количеством исследователей, что на втором этапе будет мотивировать соотношение между количеством исследователей и расходами на R & D.

Чтобы исправить обе эти проблемы в этом разделе предлагается двухступенчатая методика, которая использует анализ факторов или анализ главных компонентов. Кроме того, этот метод может быть применен для расчета комплексного показателя знаний, как утверждается в разд. 3.2.1.1, хотя это и не является целью данного исследования.

На первом этапе проводится анализ всех входных факторов. В этом контексте не важно находятся ли входные факторы на высоких уровнях корреляции друг с другом, хотя, кажется разумным, что по крайней мере некоторые из них измеряют аналогичные контексты и поэтому имеют высокую корреляцию. В случае двух базовых факторов - количество исследователей и расходы на R & D - можно предположить сильную корреляцию, из-за аргументов, представленных в предыдущих пунктах.

Первый эконометрический выход факторного анализа – собственные значения вариантности – ковариантности / корреляции матрицы. Сумма всех собственных равна числу переменных, используемых в факторном анализе.

Ожидаемый результат заключается в том, что существует только одна доминирующая, объясняющая большую часть соответствующей дисперсии. Продолжая анализ, рассчитывается коэффициент нагрузок, которые можно интерпретировать как имеющие вес. Чтобы вычислить комплексный показатель, эти нагрузки должны быть нормализованы, так чтобы можно было вычислить составной показатель, который соединял бы в себе все входные факторы в один. Этот фактор может быть назван входом комплексных знаний.

Таким образом, уравнение ПФЗ может быть вычислено правильно.

Последним шагом у полученного показателя можно соответствующим образом вычислить коэффициент регрессии по числу патентов и тем самым предоставить информацию по трем важным аспектам.

Во-первых, результаты регрессии показывают, возможно ли взять количество патентов в качестве заменителя выхода знания. Если это так, то константа должна быть незначительной, а коэффициент комбинированного показателя должен быть положительным; стандартизованный коэффициент должен быть равен единице. Также статистика R² должна быть близка к единице.

Во-вторых, если входы знаний включают в себя все аспекты знаний, то общий вход знания является индикатором знаний и регрессия по патентам показывает,сколько реальных знаний представлено ​​патентами. Если этот комментарий и вышеперечисленные аргументы по патентам учитываются, то можно сказать, что если патенты регрессируют на выходе знаний, то коэффициент патентов показывает процент кодифицированного знания в генерированном знании; при условии, что оно положительно и что постоянная существенно не отличается от нуля.

В-третьих, если постоянная незначительна и R², также как и F- статистика показывает низкие значения, то существует вероятность, что некоторые существенные аспекты, возможно, отсутствует в анализе. Если выход знания регрессивно по отношению к количеству патентов, то отсутствующая информация о кодифицированном знании может быть проблемой, в то время как в обратном случае может быть проблемой отсутствующее неявное знание.

Аргументы выше акцентируют предположение, что только один фактор является доминирующим при рассмотрении собственных значений. Однако, если рассматривается больше входных факторов, то некоторые из них могут быть не коррелированы. В этом случае, когда существуют две доминирующие собственные, было бы разумно предположить, что один фактор описывает кодифицированное знание, тогда как другой описывает неявное знание.

Обратите внимание, что если число доминирующих факторов больше двух, математически возможно, то в контексте выхода знаний их трудно интерпретировать.

В связи с ограниченным потенциалом этого подхода и разумных результатов регрессии, представленных в гл.6, этот подход не демонстрирует дополнительную ценность в контексте исследования. Тем не менее, утверждается, что он обеспечивает решение целого ряда проблем, которые могут возникнуть в контексте ПФЗ.