WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 34 | 35 || 37 | 38 |   ...   | 42 |

Человеческий капитал Распространение знаний как агломерационная экстерналия Р. Миниахметова Введение Одной из самых интересных агломерационных экстерналий, как отмечают экономисты, является распространение знаний (Knowledge Spillovers) в агломерациях, так как оно затрагивает много областей экономики, включая географическую экономику, теорию экономического роста, экономику труда и образования, объединяет в себе микро- и макроэкономику.

Цель данной работы – обзор основных экономических моделей, с помощью которых можно обнаружить распространение знаний в агломерациях.

В первой части рассматриваются основные агломерационные экстерналии, различные теоретические направления в географической экономике и их отношение к распространению знаний как внешнему эффекту. Во второй части анализируются экономические модели и их эмпирические обоснования. В заключение делаются выводы и выделяются некоторые направления для будущих исследований.

1. Основные агломерационные экстерналии и их отношение к распространению знаний как внешнему эффекту 1. 1. Географическая экономика и ее взгляды на распространение знаний Одним из первых среди экономистов, кто затронул тему кластеров, был Альфред Маршалл (Marshall, 1920). Он считал, что скопление компаний одной отрасли в некотором месте происходит благодаря трем механизмам:

1) кластеры работают как магниты, которые притягивают производителей, торгующих на крупном рынке. Таким образом достигается эффект от масштаба;

Российская экономика: взгляд молодых исследователей 2) внутри кластера образуется база высококвалифицированных рабочих, что сокращает издержки работодателям на наем новых сотрудников;

3) кластер способствует быстрому и эффективному распространению знаний и навыков среди специалистов.

Первые два механизма, сокращающие издержки производителей, называются статическими экстерналиями. Третий механизм повышает производительность фирм и считается динамической экстерналией.

1. 2. Теория агломерационных экстерналий Разберем подробнее, какие агломерационные экстерналии выделяются экономистами (Rosenthal, Strange, 2004).

1) широкая база рынка труда (Labor-market Poling) Одной из причин стремления фирм располагаться в ареалах с высокой концентрацией компаний является размер рынка труда. Во-первых, широкий рынок труда выгоден для тех фирм, которые имеют какиелибо разногласия с работниками или работников не устраивает их работа. В такой ситуации фирмы в среднем производительнее там, где больше фирм предлагает работу и больше работников ее ищет. Вовторых, широкий рынок труда сокращает для работников издержки поиска нового места работы, а для фирм, в свою очередь, – издержки поиска нового работника.

2) транспортные издержки (Transportation Costs) Сокращение транспортных издержек также является причиной для создания агломераций.

3) местные условия (Local Amenity) Существуют предположения, что не фирмы локализуются, чтобы сократить издержки, а работники концентрируются в тех местах, где выше уровень комфорта и удобств.

4) природные преимущества (Natural Advantages) Географическая концентрация некоторых отраслей может быть объяснена наличием природных преимуществ, проще говоря, природными ресурсами, необходимыми для производства.

5) распространение знаний (Knowledge Spillovers) Главная тема данной работы – распространение знаний как агломерационная экстерналия. Распространение знаний следует понимать как повышение производительности вследствие обмена знаниями и навыками между специалистами в процессе формального и неформального общения, приводящего к позитивной экстерналии между работниками, Раздел 4. Человеческий капитал что особенно актуально для фирм, ведущих инновационную деятельность. В рамках теории географической экономики распространение знаний – основная причина образования агломераций.

2. Экономические модели и их эмпирические обоснования 2. 1. Методы измерения распространения знаний Можно выделить два метода измерения распространения знаний в географической экономике: прямой и косвенный.

Прямой метод заключается в использовании патентного цитирования. Используя информацию о патенте, можно отследить обмен знаниями между патентовладельцами, идентифицировать индустрию и географию.

Косвенный метод представляет собой измерение распространения знаний с помощью данных о совокупной производительности факторов (Total Factor Productivity – TFP), а именно как изменяется TFP в присутствии других предприятий, поэтому назовем его TFP-метод.

2. 2. Общая модель. Производственная функция знаний Рассмотрим общую модель (Crespi, Criscuolo, Haskel, Slaughter, 2008), на основе которой проводятся измерения распространения знаний. В рамках этой модели строится так называемая производственная функция знаний (Knowledge Production Function). Возьмем фирму i, обозначим изменения запасов знаний этой фирмы Ai. Эти изменения происходят за счет поступления новых знаний (в ходе проведения исследований) и потоков уже существующих знаний как внутри (i), так и вне фирмы (j). Таким образом, производственная функция знаний в общем виде будет выглядеть следующим образом:

A = f (Ri, Ai’, A_j’ ei), (1) где Ai’, A_j’ – изменения запасов знаний или потоки знаний внутри и вне фирмы соответственно, а ei – величина, характеризующая другие факторы.

Российская экономика: взгляд молодых исследователей 2. 3. Метод патентного цитирования Рассмотрим применение метода патентного цитирования на примере нескольких работ.

1. Geographic Localization of Knowledge Spillovers as Evidenced by Patenting Citations (Jaffe, Trajtenberg, Henderson, 1992) В этой работе экономисты эмпирическими подтвердили следующую гипотезу: если на некотором ареале имеет место высокая концентрация индустрии, то распространение знаний как внешний эффект приведет к увеличению количества инновационного продукта, тем самым вырастет число зарегистрированных патентов на данной территории.

В рассмотрение берутся 1975 и 1980 гг. и три источника патентов в США: университеты, наиболее преуспевшие фирмы (Top Corporate) и другие фирмы (Other Corporate), к тому же все патенты классифицируются по технологическим отраслям. Следует заметить, что в данном методе есть ряд недостатков. Во-первых, возможны перепродажи права на патент. Во-вторых, патент может иметь не одного автора, а группу, участники которой живут в разных местах, что усложняет отслеживание географии информационных потоков. Для решения последней проблемы было решено разбить рассматриваемую территорию на страны, штаты и SMSA (Standard Metropolitan Statistical Area).

Производственную функцию знаний, отражающую связь между университетами и фирмами, представим следующим образом:

Log(Pik) = 1k log(Iik) + 2k log(Uik) + 3k [log(Uik)*log(Cik)] + eik, (2) где P – количество запатентованных изобретений, I – затраты фирмы на научно-исследовательские работы, U – аналогичные затраты в университетах, C – мера географического совпадения исследований в университетах и фирмах, e – стохастическая ошибка, i – индекс штата, k – индекс технологической отрасли.

Итогом работы является подтверждение гипотезы об образовании кластеров, в пределах которых распространяются знания. То есть благодаря локализации такого рода имеет место возрастающая отдача от потока информации, что увеличивает число патентных цитирований, а значит, и число новых патентов увеличивается. Как следствие происходит рост числа инноваций на данной территории.

Раздел 4. Человеческий капитал 2. Agglomeration Economies, Knowledge Spillovers, Technological Diversity and Spatial Clustering Of Innovations (Breschi, 1998) Метод патентного цитирования в этой работе используется на примере Италии. С помощью него авторы хотят доказать гипотезу о том, что технологическое разнообразие и относительная диверсификация регионов ведут к повышению уровня распространения знаний, т.е. в экономике появляются дополнительные источники новых идей. Рассматривается период с 1987 по 1994 г. Подобно предыдущей работе (Jaffe, Trajtenberg, Henderson, 1992), вся территория (в данном случае страна) разбита на регионы – провинции.

Для подтверждения данной гипотезы использовалась следующая модель:

Pij=f(RELTECij, OTHTECij, HERFij, OWNEMPij, OTHEMPij, RDEXPij, KGEXPij, CONGij, VADDEDij) (3) где Pij – количество патентов, i – индекс региона (i = 1…93), j – индекс индустрии (j = 1…25); переменные, отражающие степень агломерационной экономики: OWNEMP – количество работников в одной и той же отрасли в пределах одного региона, OTHEMP – количество работников в других производственных секторах в пределах одной провинции; переменные, отражающие вклад распространения знаний: RDEXP – затраты на научно-исследовательскую работу, KGEXP – инвестиции в инновационные продукты; переменные, отражающие вклад разнообразия научной базы: RELTEC – количество патентов, зарегистрированных в родственных отраслях (для того чтобы отразить степень использования общей научной базы одним регионом в пределах одной индустрии), OTHTEC – количество патентов, зарегистрированных в других (неродственных) отраслях (для того чтобы оценить инновационную силу данного региона); HERF – индекс Херфиндаля отражает степень пространственной концентрации; переменная CONG (Congestion) отражает издержки от скопления, а именно количество машин и грузовиков на километр внегородских дорог в пределах провинции; переменная VADDED отражает издержки на душу населения.

С помощью регрессии экономисты пришли к следующим выводам.

Как и ожидалось, сильная агломерационная экономика, большие инвестиции в инновации, наличие конкурентов ведут к увеличению числа патентов, а значит, к распространению знаний. Надо заметить, что издержки несут отрицательный вклад и мешают распространению знаний.

Российская экономика: взгляд молодых исследователей 3. Knowledge Spillovers in Europe: A Patent Citations Analysis (Maurseth, Varspagen, 2002) В этой работе метод патентного цитирования используется для подтверждения гипотезы о том, что в странах Европы есть серьезные барьеры для информационных потоков, для обмена знаниями. Для подтверждения своей гипотезы экономисты пользовались данными о патентах, зарегистрированных на территории Европы с 1979 по 1996 г., как мерой потоков знаний. Так как внимание авторов привлекал именно географический фактор, рассматривались те патенты, которые отражали бы связи между странами Евросоюза и обмен знаниями внутри одного региона, т.е. страны.

Приведем эконометрическую модель, которая использовалась в данной работе. Строится так называемая матрица регионального цитирования (Regional Citation Matrix), состоящая из 112 строк и столбцов для 112 рассматриваемых регионов Европы. Пусть переменная Cij – это количество цитирований между регионами (i и j – регионы, и ij), dij – расстояние между регионами или центрами регионов, к тому же вводится такая величина, как индекс совместимости (Sij) между регионами, отражающий связь отраслей, на которых специализируются эти регионы.

Индекс совместимости несимметричен и находится в диапазоне от 0 до 1. Переменная LANG показывает, совпадают ли языки в рассматриваемых регионах; переменная COUNT показывает, сколько регионов входит в рассматриваемую страну.

Таким образом, переменная Xij – вектор, включающий набор используемых данных:

Xij= {1, ln(Pi*Pj), lnSij, lndij, LANG, IntaCountryk, COUNT, (4) Citingregion, Citedregion }.

Тогда переменная Cij представляет собой функцию Cij=f( Xij). (5) Результаты оценки данных выражений с помощью регрессии Тобита и отрицательной биномиальной регрессии подтверждают гипотезу о том, что для распространения знаний среди регионов имеют значение лингвистический и географический барьеры, а именно:

Раздел 4. Человеческий капитал 1) для обеих регрессий характерно отрицательное влияние расстояния между регионами;

2) влияние лингвистического и географического факторов оказалось положительным;

3) вычисления показали, что регионы, специализирующиеся на «сочетаемых» областях, цитируют в среднем друг друга в два раза больше.

Таким образом, обмен знаниями происходит не хаотично, а по определенным траекториям.

Авторы анализируемой работы показали: несмотря на то что для Европы характерно большое скопление научных лабораторий по всей территории, именно языковые барьеры и технологические несовместимости мешают эффекту распространения знаний.

2. 4. TFP-метод 1. Bounding the Effects of R&D: An Investigation Using Matched Establishment-Firm Data (Adams, Jaffe, 1996) В этой работе TFP-метод применяется к данным по химической промышленности в США за 1974–1988 гг. Для измерения распространения знаний и отражения вклада научно-исследовательской работы в производительности фирмы авторы ввели переменную эффективного потока знаний Kit для завода i в момент времени t.

, (6) где Ritc – исследования фирмы, расположенной достаточно близко к i-му заводу, Ritd – аналогичная переменная для фирмы, расположенной на большом расстоянии от i-го завода, nitc, nitd – количество заводов «близких» и «далеких» соответственно, Sit – другие исследования фирм, Nit – полное количество заводов всех отраслей в данном ареале.

Все эти переменные связаны с совокупной производительностью факторов соотношением Российская экономика: взгляд молодых исследователей, (7) где Zit, it описывают другие эффекты, воздействующие на совокупную факторную производительность.

Вычисления показали, что эффективность «близких» заводов выше по сравнению с «дальними». Таким образом, налицо географическая локализация эффектов от научно-исследовательских работ.

2. International R&D Spillovers and Institutions (Coe, Helpman, Hoffmaister, 2008) В этой работе был использован TFP-метод для изучения распространения знаний в долгосрочном периоде на примере 24 стран. Авторы рассмотрели данные за 1971–2004 гг. и построили следующую функцию:

logFi = ai0 + aid log Sid + aif log Sif + ei, (8) где F – совокупная производительность факторов, Sd – запас внутреннего R&D капитала1, Sf – запас иностранного R&D капитала2, индекс i – порядковый номер страны.

После построения регрессии было обнаружено, что действительно и внутренний, и иностранный R&D капиталы находятся в функциональной зависимости от уровня совокупной производительности факторов.

Интересно, что если построить подобную регрессию для 7 наиболее экономически развитых стран из 24, то эта зависимость снижается.

К тому же авторы работы исследовали, как изменяется показатель TFP в зависимости от уровня R&D капитала по отношению к уровню развития социальных институтов. Вычисления показали, что в странах с относительно высоким уровнем системы высшего образования зависимость показателя TFP от внутреннего R&D капитала сильнее, нежели от иностранного.

Pages:     | 1 |   ...   | 34 | 35 || 37 | 38 |   ...   | 42 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.