Inovare şi performanţă economică
Yüklə 120,12 Kb.
|
- Bu səhifədəki naviqasiya:
- Key words
- Cuvinte cheie
- Bibliografie
- The measurement of productive efficiency
- An analysis of production as an efficient combination of activities
|
Innovation and economic performance Author: Monica Mihaela MATEI, PhD Student, The Bucharest Academy of Economic Studies, matei.monicamihaela@gmail.com Abstract This paper investigates the innovation effects on the economic performance and the correlation between innovation efficiency and economic efficiency. This implies analyzing and measuring the innovation process. This study estimates the efficiency of this process through nonparametric techniques , using the innovation indicators. These results are based on the indicators measuring the economic performance of the countries in the sample, which are countries included in the EIS (European Innovation Scoreboard). Key words: innovation, economic performance, EIS JEL Classification: C61, E60, O11 Inovare şi performanţă economică Autor: Prep. Univ. Drd. Monica Mihaela MATEI, Academia de Studii Economice, Bucureşti, matei.monicamihaela@gmail.com Rezumat Această lucrare îşi propune să determine implicaţiile inovării asupra performanţei economice şi în ce măsură eficienţă în inovare explică eficienţa economică. . În acest scop, se va analiza şi măsura procesul complex al inovării. Folosind indicatorii inovării, se va estima prin tehnici neparametrice eficienţa acestui proces. Dintre indicatorii inovării i-am ales pe cei care măsoară performanţa economică a tărilor din eşantion. Studiul este realizat pe un eşantion de ţări incluse în EIS (European Innovation Scoreboard). Cuvinte cheie: inovare, performanţă economică, EIS Clasificare JEL: C61, E60, O11 1. Introducere Măsurarea procesului inovării şi estimarea eficienţei acestuia la nivel macroeconomic a reprezentat o preocupare majoră în ultimii ani. Inovarea joacă un rol important în îndeplinirea obiectivelor Strategiei Lisabona care subliniază importanţa unei strategii de inovare În contextul unei economii bazate pe cunoaştere, inovarea reprezintă un factor esenţial al creşterii economice. De aceea, politicile şi strategia inovării trebuie să constituie o prioritate pentru fiecare ţară. Coerenţa acestora se poate asigura doar dacă ele sunt fundamentate pe măsurarea procesului inovării şi a eficienţei inovării. Inovarea reprezintă un proces complex şi dinamic, greu de măsurat, acesta fiind motivul pentru care nu există încă un model care să-l explice, să explice inputurile şi outputurile sale şi modul în care acestea interacţionează. Un instrument foarte important, însă, pentru măsurarea inovării este dat de Scorul Europen al Inovării (European Innovation Scoreboard, EIS), realizat la iniţiativa Uniunii Europene. EIS încearcă să surprindă dimensiunile procesului complex al inovării prin cei 25 de indicatori grupaţi pe trei dimeniuni input şi două dimensiuni output. EIS a fost introdus în anul 2000 şi măsoară performanţa inovării pentru ţările Uniunii Europene şi pentru alte câteva state cu performanţe deosebite în acest domeniu, tocmai pentru a putea permite o comparaţie obiectivă riguroasă. Deşi este un instrument util pentru cuantificarea inovării, EIS este criticat pentru că încă nu surprinde toate dimensiunile relevante ale procesului. De aceea în prezent se încearcă îmbunătăţirea EIS prin introducerea unei noi metodologii şi a unor noi indicatori. Astfel, după workshop-ul pe perfecţionarea metodologiei EIS (Improving the European Innovation Scoreboard methodology) ce s-a ţinut la Brussels în iunie 2008 s-a adoptat o nouă metodolgie care va include 29 de indicatori grupaţi pe 7 dimensiuni ale inovării. La rândul lor acestea sunt grupate în trei dimensiuni majore ale inovării[5]:
Prin noua metodologie se urmăreşte crearea unui model al inovării pe baza căruia să se poată justifica alegerea dimensiunilor şi indicatorilor care definesc acest proces. Totodată, se doreşte eliminarea multicoliniarităţii prezente în cadrul acestor indicatori şi rezolvarea problemei lipsei datelor pentru anumite ţări. 2. Metodologie Acest studiu îşi propune măsurarea eficienţei inovării pe baza indicatorilor incluşi în EIS 2008 pentru un eşantion de ţări, folosind tehnici neparametrice. Din clasa acestor tehnici am utilizat tehnica DEA (Data Envelopment analysis). Considerând că unităţile de decizie pentru care se urmăreşte măsurarea performanţei utilizează N inputuri notate x (x  se poate produce din x} (1.1)
Întrucât în acest studiu am utlizat un model DEA orientat output, în continuare considerăm mulţimea posibilităţilor ca fiind dată de o secţiune a mulţimii 
Aceasta reprezintă de fapt mulţimea tuturor vectorilor output y ce se pot obţine din vectorul fixat x. În măsurarea eficienţei ne sunt de folos două tipuri de submulţimi ale acestora : izocuantele sau frontierele şi submulţimile eficiente. Frontierele pentru cele două mulţimi se notează de regulă cu  
Submulţimile eficiente sunt definite astfel [2]: Cu aceste notaţii introduse, definiţia eficienţei tehnice pentru cazul orientării output dată de Koopmans [6] are următoarea formă: unitatea ce utilizează vectorul input x este eficientă dacă y Tot pentru cazul orientării output măsura eficienţei tehnice dată de Debreu-Farrell este următoarea:
şi este de fapt inversul distanţei Shepard1: Tehnica de anvelopare DEA dezvoltă ideea lui Farrell [3] de definire a eficienţei pe baza distanţelor radiale şi presupune rezolvarea unor probleme de programare liniară, câte una pentru fiecare unitate de producţie din eşantion. Ea presupune ca esenţială ipoteza de convexitate a mulţimii posibilităţilor de producţie. În tehnica DEA, o unitate de producţie ce apare ca ineficientă este comparată cu o unitate etalon ale cărei inputuri şi outputuri se obţin ca nişte combinaţii liniare (convexe atunci când se consideră randament variabil la scală) ale acelor unităţi găsite eficiente Charnes, Cooper şi Rhodes [1], inspiraţi de tehnica elaborată de Farrell, au fost cei care au iniţiat metodologia de măsurare a eficienţei utilizând programarea matematică. Tehnicile neparametrice de estimare a frontierei, dintre care face parte şi DEA, măsoară eficienţa unei unităţi de producţie relativ la o frontieră de producţie estimată neparametric, adică nefăcând nici o ipoteză asupra formei analitice a funcţiei de producţie, cu ajutorul unui eşantion de unităţi de producţie O măsură a eficienţei output pentru unitatea notată simbolic (x,y) este [7]:
care reprezintă factorul de creştere proporţională a outputurilor unităţii ( Nivelul eficient de output va fi dat în acest caz de: În majoritatea aplicaţiilor, mulţimile anterior prezentate şi descrise prin ansamblul În acest context, singura informaţie de care dispunem, este eşantionul unităţilor de decizie pentru care s-au observat inputurile şi outputurile pe baza căruia va trebui să facem inferenţe. Astfel, cel mai general estimator DEA al mulţimii posibilităţilor de producţie 
Estimatorii DEA ai scorurilor de eficienţă, notaţi cu În cazul orientării output vom obţine estimatorul: care se obtine rezolvând programul liniar [7]:  ,  .
Pentru a obţine pe lângă aceste estimaţii punctuale şi estimaţii sub formă de intervale de încredere vom aplica tehnica bootstrap, mai exact algoritmul bootstrap omogen propus de Simar şi Wilson [7]. În lumea reală tot ce se cunoaşte este un eşantion Pentru obtinerea de selecţii bootstrap se utlizează tehnicile de netezire [7]. Acestea presupun faptul că cele B pseudo selecţii pot fi extrase dintr-o densitate de repartiţie necunoscută, dar presupusă a fi netedă. Aceasta este asociată scorurilor de eficienţă obţinute prin procedura neparametrică DEA, bazându-ne pe densitatea de probabilitate f(x, y) a vectorului inputurilor şi a outputurilor, în general necunoscută. Problema este complicată datorita faptului că suportul acestei densităţi Ideea de bază în această abordare statistică a modelului DEA constă în obţinerea unui eşantion bootstrap prin proiecţia fiecarei observaţii ( Abordarea acestora în determinarea scorurilor de eficienţă nu ţine cont de faptul că scorurile de eficienţă sunt nişte estimaţii, ele fiind obţinute pe baza unor selecţii finite, frontiera reală fiind necunoscută. De aceea am încercat să completez analiza prin aplicarea metodei bootstrap pentru a estima scorurile de eficienţa DEA prin intervale de încredere bootstrap. Pentru aceasta am utilizat pachetul R, mai exact o bibliotecă care poate fi folosită în cadrul pachetului R. Aceasta bibliotecă FEAR 1.0 (Frontier Efficiency Analysis with R) conţine funcţii ce permit estimarea scorurilor de eficienţa DEA[9]. În această aplicaţie am analizat un eşantion format din 31 de ţări printr-un model DEA orientat output, în care am considerat randamente variabile la scară (VRS). Inputurile modelului sunt date de indicatorii ce alcătuiesc dimesiunea inovării denumită “Resurse Umane”. Aceasta reflectă oferta de forţă de muncă superior calificată şi educată, considerată un element cheie al inovării. Indicatorii care compun această dimensiune sunt:
Outputurile modelului sunt indicatorii ce descriu dimensiunea “Efecte economice”:
Analizând matricea corelaţiilor pentru indicatorii dimensiunii Resurse Umane, am redus dimensionalitatea prin eliminarea indicatorului I4, Participare le formare continuă întrucât este corelat cu indicatorii I2, Doctori S&E şi SSH şi I3, Persoane cu studii superioare. Matricea corelaţiilor pentru indicatorii dimensiunii Efecte Economice arată faptul că indicatorul O3 este corelat cu indicatorii O1 şi O5. De aceea din analiză va fi eliminat şi indicatorul O3, exporturi de produse ale industriei prelucrătoare care utilizează tehnologia de vîrf. Întrucât pentru trei dintre ţările incluse în EIS nu se cunosc valorile indicatorului O4, exporturi de servicii ale activităţilor bazate preponderent pe cunoaştere, pentru a nu reduce numărul de unităţi de decizie vom recurge la eliminarea acestuia din analiză. În final, modelul pe baza căruia se estimează scorurile de eficienţă, este un model DEA, orientat output, VRS, cu 4 inputuri şi 4 outputuri. Rezultatele prezentate în continuare au fost obţinute cu ajutorul unei funcţii ce implementează algoritmul bootstrap omogen. Această funcţie returnează un vector al deplasărilor, un vector al varianţelor, intervalele de încredere dar şi valorile scorurilor de eficienţă pentru fiecare dintre cele B replici (re-eşntioane). În cele ce urmează am considerat B= 2000 replici, un rezumat al outputului oferit de FEAR 1.0 fiind prezentat în tabelul următor:
Tabel1 : Rezultatele modelului DEA orientat output, pentru 2000 replici bootstrap În a doua coloană a tabelului se află scorurile de eficienţă iniţiale (deplasate). În a cincea coloană acestea sunt corectate cu deplasarea din coloana a doua a tabelului. În coloanele şase şi şapte apar capetele intervalelor de încredere cu un nivel de încredere de 95%. În coloana a patra este prezentată varianţa. Se observă faptul că intervalele de încredere sunt în general mai mici pentru unităţile cu scoruri de eficienţă mai mari. Sunt evidenţiate deosebirile dintre scorurile de eficienţă originale şi cele obţinute prin corectarea deplasării cu tehnica bootstrap. După aplicarea corecţiei, toate scorurile de eficienţă sunt mai mari decât unu. Media scorurilor de eficienţă bootstrap a fost de 1,1600 în timp ce media scorurilor originale a fost de 1,0976. Datorită faptului că deplasarea estimată este mare relativ la varianţă, pentru fiecare caz în parte, estimările corectate cu deplasarea sunt preferate estimărilor iniţiale. Pe baza analizei scorurilor de eficienţă corectate cu deplasarea şi a intervalelor de încredere 95% se pot distinge trei categorii de ţări. O primă categorie, grupează ţările eficiente în procesul inovării: Elveţia, Ungaria, Olanda, Austria, Suedia, Norvegia, UK. Caracteristicile comune acestor ţări, care au determinat încadrarea lor ca ţări eficiente sunt: scoruri de eficienţă corectate cu deplasarea foarte aproape de unu şi intervale de încredere mici. Aceste ţări incluse în categoria ţărilor foarte inovatoare nu sunt singurele ce au obţinut un scor de eficienţă original egal cu unu. Dacă analiza s-ar fi limitat la tehnica DEA, fără aplicarea tehnicii bootstrap atunci nu am fi făcut distincţie între ele şi le-am fi declarat pe toate eficiente. Deoarece pentru celelalte ţări scorurile corectate sunt mai mari şi intervalele de încredere de asemenea, este evident că gradul de incertitudine privind valoarea reală a scorului de eficienţă este mai mare deci riscul de a fi ineficiente este mai mare. Un scor de eficienţă egal cu unu al unei unităţi de decizie nu reprezintă o condiţie suficientă pentru a afirma ca respectiva unitate este 100% eficientă. În această situaţie sunt ţări precum: Turcia, Cehia, Malta, Germania, Cipru, Islanda, România, Grecia, Slovacia, Italia . În Figura 1 se pot observa grafic diferenţele dintre scorurile celor două categorii de ţări.
În a treia categorie intră ţările ineficiente (cu scor original mai mare decât 1): Danemarca, Croaţia, Estonia, Slovenia, Portugalia, Polonia, Bulgaria, Lituania, Letonia. 
Figura 2 Ţările ineficiente După cum se poate observa şi în Figura2, Bulgaria, Letonia şi Lituania sunt ţările cu cel mai ridicat grad de ineficienţă. Acest rezultat este confirmat şi de Raportul EIS 2008 care include aceste ţări în categoria ţărilor cu performanţe reduse în inovare, denumită “catching-up countries”. 4. Concluzii Utilizarea unui model statistic ce presupune aplicarea tehnicii bootstrap în vederea estimării scorurilor de eficienţă prin intervale de încredere a adus un plus de informaţie în problematica inovării, ce a permis o nouă clasificare a ţărilor analizate Pe baza indicatorilor din EIS 2008 am determinat care sunt cele mai performante ţări în transformarea “Resurselor Umane” în “Performanţă economică”. Pe baza acestor rezultate, am putea sugera o analiză a cauzelor ineficienţei unor ţări precum Bulgaria, Lituania, Letonia şi în acelaşi timp am putea învăţa din strategia de inovare a unor ţări precum Suedia sau UK. Bineînţeles că rezultatele acestea sunt preliminare întrucât se bazează doar pe două dimensiuni ale inovării.Cercetarea ar trebui completată cu studiul celorlalte dimensiuni, mai ales acum când se încearcă perfecţionarea metodologiei EIS. Bibliografie [1] Charnes Abraham, Cooper William W., Seiford Lawrence M. - Data envelopment analysis: theory, methodology, and application, Edition: 5, illustrated, Springer, 1994, ISBN 0792394801, 9780792394808 [2] Daraio Cinzia, Simar Léopold - Advanced robust and nonparametric methods in efficiency analysis: methodology and applications, Springer, 2007, ISBN 0387351558, 9780387351551 [3] Harold O. Fried, C.A. Knox Lovell, Shelton s. Schmidt- The measurement of productive efficiency, Oxford University Press, 1993, ISBN 0195072189, 9780195072181 [4] Hollanders, H. and Esser, F. “Measuring innovation efficiency”, INNO Metrics (2007), Thematic paper [5] Hugo HOLLANDERS, Adriana CRUYSEN- Rethinking the European Innovation Scoreboard: A new methodology for 2008-2010, 2008, PRO INNO METRICS [6]Koopmans, T.C. – An analysis of production as an efficient combination of activities, de Cowles Commission for Research in Economics, Tjalling Charles Koopmans, 404 pagini Publicată de Wiley, 1951 [7] Simar, L; Wilson, PW- Statistical inference in nonparametric frontier models: The state of the art Journal of productivity analysis ,Vol. 13 , Issue: 1 , Pages: 49-78 ,2000, ISSN 0895-562X (Print) 1573-0441 (Online) [8]European Innovation scoreboard 2008. Comparative Analysis of innovation performance, Ianuarie 2009, Inno Metrics [9] http://www.clemson.edu/economics/faculty/wilson/courses/bcn/papers/fear.pdf 1 Funcţia distanţă output Shepard este:  . Evident  , întrucât 
Yüklə 120,12 Kb. Dostları ilə paylaş:
|
) pentru a produce M 
). Se cunoaşte că mulţimea posibilităţilor reprezintă mulţimea tuturor combinaţiilor de input şi output care sunt fezabile şi este descrisă prin mulţimea:
descrisă astfel:
respectiv 
şi sunt definite astfel [2]:
.
,
) pentru ca aceasta să devină eficientă. El are semnificaţia de scor asociat unităţii de producţie. Evident, unitatea (
=1 (adică scorul său este 1).
.
, sunt necunoscute. În consecinţă, scorurile de eficienţă 
.
,
dintr-o populaţie a cărei distribuţie este necunoscută. Pentru acest eşantion se calculează statistica 
şi se doreşte cunoaşterea „comportamentului” său. În lumea bootstrap, generăm eşantioanele (selecţiile) bootstrap 
pentru care se calculează din nou statistica s(
. Procedeul se repetă de B ori alegând câte un eşantion 
şi obţinând un scor estimat 
pentru unitatea de producţie (b=1,2,…,B). Pentru toate cele B eşantioane generate obţinem o repartiţie empirică a acestor scoruri.
pe frontiera estimată şi apoi reproiectarea acestor puncte aleator (nu pe frontieră) în punctele 
, unde 
este extras folosind densitatea f(
obţinută prin estimaţiile 
.
