The impact of research and development on the economies of countries of the world: A statistical analysis

全文:

ВВЕДЕНИЕ

Наука и инновации являются ключевым ресурсом развития человечества в последние два столетия, а в перспективе — основой для полномасштабного развертывания цифровой экономики будущего (Макаров, Бахтизин, Логинов, 2022) и преодоления глобальных вызовов и их проекций на уровне отдельных стран и даже регионов (Макаров и др. 2014, 2016). Целью настоящей работы является уточнение глобальных закономерностей влияния различных параметров научной сферы и изобретательства на рост экономики с использованием некоторых новых показателей развития науки.

Среди классических фундаментальных работ, предлагавших учитывать развитие науки при изучении экономического роста, следует отметить статью П. Ромера «Эндогенные технологические изменения» (Romer, 1990) об эндогенной природе технологического прогресса, а также результаты Ф. Агиона и П. Хоуитта, разработавших модель эндогенного роста, учитывавшую роль НИОКР в экономическом росте. Их подход, основанный на идее «созидательного разрушения», показал значительное влияние на экономический рост со стороны инноваций (даже какая-либо одна инновация потенциально способна в их модели трансформировать всю экономику в целом), наличия квалифицированной рабочей силы и продуктивности исследований (Aghion, Howitt, 1992). Целостное и детализированное описание теории эндогенного роста представлено в классической работе (Barro, Sala-i-Martin, 1995).

Практически одновременно можно отметить существенную активизацию исследовательского интереса к вопросу перетока знаний, генерируемых наукой (spillover effect), из ведущих в научном отношении субъектов к субъектам отстающим. Такой переток является одним из ключевых факторов экономического роста в эндогенной теории роста и может наблюдаться для разных типов субъектов на разных уровнях — к примеру, на локальном уровне было показано, что результаты инвестиций в НИОКР, осуществляемых частными корпорациями и университетами, перетекают к другим компаниям, которые могут пользоваться ими для повышения эффективности производства, оптимизации бизнес-процессов и т. д. (Jaffe, 1989; Acs, Audretsch, Feldman, 1994).

На межнациональном уровне Дж. Гроссман и Э. Хелпман показали, что подобный переток научных и технологических знаний между странами может являться одним из важных каналов, через которые осуществляется влияние уровня международной экономической открытости этих стран на их экономический рост (Grossman, Helpman, 1991). При этом было установлено, что кластеризация экономической деятельности активизируется там и тогда, где и когда генерируются новые знания за счет сочетания НИОКР с фундаментальной наукой, что становится возможным лишь при наличии квалифицированных кадров (Audretsch, Feldman, 1996).

Значительный массив научных знаний накоплен к настоящему времени по вопросу влияния развития науки на суммарную факторную производительность (СФП). По состоянию на начало 1990-х годов Д. Коу и Э. Хелпман, оценив влияние запасов НИОКР самой страны и ее торговых партнеров на суммарную факторную производительность в данной стране, пришли к выводу, что благодаря перетоку знаний в глобальном масштабе примерно четверть всех выгод от инвестиций в НИОКР в семи крупнейших экономиках мира получали не сами эти экономики, а их торговые партнеры (Coe, Helpman, 1995). В этом свете стоит отметить также работу Х.-Ю. Энгельбрехта, который перепроверил результаты Коу и Хелпмана, дополнив их модель общей переменной человеческого капитала, «которая учитывает инновации за пределами сектора НИОКР и другие аспекты человеческого капитала, не охваченного формальными НИОКР» (Engelbrecht, 1997, р. 1479). В результате оценки важности НИОКР несколько снизились по сравнению с оценками, полученными Коу и Хелпманом, но остались однозначно статистически значимыми. При этом переток научных и технологических знаний оказался значимым и для развивающихся, и для развитых стран (Keller, 2004). В конце 2000-х годов Коу и Хелпман перепроверили свои результаты, расширив набор используемых данных, и показали, что запасы капитала в области НИОКР оказывают измеримое влияние на СФП, даже после учета влияния человеческого капитала. Д. Францен подтверждает, что как НИОКР, так и человеческий капитал играют значительную роль в СФП. При этом СФП испытывает влияние как внутренних (особенно в развитых странах), так и зарубежных НИОКР (Frantzen, 2000).

Более того, было показано, что переток знаний напрямую зависит от расстояния и оказывается значительно более интенсивным между соседними странами (Bahar, Hausmann, Hidalgo, 2014). При этом расстояние (и соседство) может измеряться не только по географической близости, но и по иным параметрам сходства (близости) / различия (удаленности). Например, Э. Марроку с соавторами выделяют близость по институциональному, технологическому, социальному и организационному признакам и показывают, насколько генерация новых знаний в некотором регионе усиливается потоками знаний, поступающими из соседних регионов, зависит в первую очередь от технологической близости между этими регионами (этот вид близости оказывается даже более значимым, чем географическая) (Marrocu, Paci, Usai, 2013). Переток также зависит от интенсивности миграционных потоков между странами — распространение знаний, по мнению ряда ученых, требует прямого человеческого взаимодействия; соответственно, международное распространение знаний должно во многом следовать модели международной миграции (Bahar, Rapoport, 2018).

Было установлено, что влияние науки на экономическое развитие в целом и СФП в частности весьма неоднородно, поскольку страны, «в которых простота ведения бизнеса и качество систем высшего образования относительно высоки, как правило, больше выигрывают от собственных усилий в области НИОКР, от международных вторичных эффектов НИОКР и от формирования человеческого капитала» (Coe, Helpman, Hoffmaister, 2009, р. 723). Иными словами, нет оснований утверждать, что переток научных знаний однозначно оказывается полезнее, например, для развивающихся стран по сравнению с развитыми. Тем не менее именно развитие науки и интенсификация перетока научных знаний вкупе с ростом открытости могли существенно способствовать появлению экономической конвергенции начала XXI в., получившему в западной научной литературе название «the rise of the rest» («подъем остальных»).

Суть этого явления состоит в том, что вначале среднеразвитые, а затем и наименее развитые страны стали обгонять развитые страны по темпам экономического роста, что привело к сокращению экономического разрыва между ними, начиная примерно с 2000-х годов (Grinin, Korotayev, 2015; Korotayev, Zinkina, 2014). Разумеется, это обобщение скрывает за собой множество примеров отдельных стран с их специфическими особенностями. Однако было показано, что рост экономической открытости страны ведет к повышению конкуренции, что стимулирует генерацию инноваций на предприятиях этой страны (Shu, Steinwender, 2019; Aghion et al., 2001; Coelli, Moxnes, Ulltveit-Moe, 2022), для чего задействуются, в том числе, и полученные в результате перетока научные и технологические знания. Так, ряд ученых показывает, что подобные явления имели место, например в Китае, и внесли существенный вклад в темпы китайского экономического роста в XXI в. (Bloom, Draca, Reenen, 2016; Cai, Cui, Li, 2023).

К настоящему времени получено значительное число количественных оценок вклада развития науки в экономическое развитие. Например, в 2015 г. инвестиции в НИОКР в секторе информационно-коммуникационных технологий (ИКТ) в Европейском союзе составили около 30 млрд евро, что принесло европейской экономике около 581 млрд евро и обеспечило рабочими местами примерно 5,8 млн человек (Nair, Pradhan, Arvin, 2020). Уже довольно давно было показано, что в рамках Европы в отсталых регионах очень мало внимания уделяется НИОКР, а увеличение расходов на НИОКР имеет решающее значение для роста бедных европейских регионов (в том случае, если рост расходов на НИОКР поддерживается высоким качеством институтов) (Fagerberg, Verspagen, Caniels, 1997). Однако подобная трансформация скорее всего будет чрезвычайно медленной, поскольку большинству регионов необходимо развить для этого «способность местного населения усваивать любые исследования, проводимые на местном уровне или в соседних регионах, и превращать ее в инновационную и экономическую деятельность» (Rodríguez-Pose, Crescenzi, 2008, р. 63).

Имеется ряд исследований, сфокусированных на влиянии науки на экономическое развитие российских регионов и России в целом. В одном из таких исследований, в рамках которого рассматривалось 80 регионов России за период 2005–2013 гг., была показана значимость НИОКР и расходов на технологические инновации, а также установлено, что поглощающая способность отстающих в сфере инноваций регионов недостаточно высока для эффективной адаптации новых технологий из технологически инновационных регионов (Kaneva, Untura, 2019). Другое исследование того же авторского коллектива выявило для всех регионов, финансирующих НИОКР, рост не только ВРП на душу населения, но и изобретательской активности (Унтура, Канева, Заболотский, 2019). Еще одно исследование российских регионов выявило значительные затраты на НИОКР, соседство с более богатыми регионами и конкуренцию с «соседями» за человеческий капитал в качестве условий, необходимых для роста ВРП на душу населения (Голиченко, 2017). В то же время проведенный учеными Института проблем развития науки РАН сравнительный анализ изобретательской активности населения России показал, что она выше, чем можно было бы ожидать, исходя из кадрового научного потенциала России, а также уровня ВВП на душу населения и расходов на исследования и разработки (Заварухин, Чинаева, Чурилова, 2023).

Чаще всего в исследованиях, изучающих влияние науки на экономическое развитие, используется объем инвестиций в научную сферу (вложения в НИОКР). В работах (Заварухин и др., 2021а, 2021б; Черных и др., 2020; и др.) отмечается, что основными и наиболее информативными показателями развития науки являются внутренние затраты на исследования и разработки, ассигнования из средств государственного бюджета, а также удельный вес затрат на исследования и разработки в ВВП. Используется также показатель доли занятых в НИОКР во всем населении страны. Однако еще в 1995 г. Ч. Джоунс предостерегал от построения моделей, учитывающих эти показатели, на эффекте масштаба — удвоение численности занятых в НИОКР не приведет к удвоению производительности или темпов экономического роста на душу населения (Jones, 1995). Отдача от НИОКР также измеряется с использованием эконометрических моделей (подробное обсуждение вопросов измерения и эконометрических вопросов, возникающих при оценке моделей, представлено в работе Б. Холла и коллег (Hall, Mairesse, Mohnen, 2010)). Как было показано в систематическом обзоре исследований влияния инноваций на экономические показатели европейских регионов, такие исследования в основном использовали один из трех подходов: а) анализ связи между инвестициями в НИОКР, патентами и экономическим ростом; б) исследование существования и эффективности региональных инновационных систем; в) изучение географического распространения знаний между регионами. Однако эти взаимодополняющие подходы редко комбинировались (Rodríguez-Pose, Crescenzi, 2008).

В настоящей работе предлагается для статистического анализа влияния развития науки на развитие экономики использовать, наряду с традиционными показателями развития науки — такими как расходы на НИОКР в пересчете на душу населения и численность исследователей в пересчете на душу населения, — относительно новый показатель числа научных публикаций в пересчете на душу населения — как в целом, так и по отдельным дисциплинам.

ДАННЫЕ И МЕТОДЫ

На первом этапе исследования была сформирована выборка из 97 стран, по которым имелись данные по выбранному автором перечню показателей (по данным Всемирного банка, для других стран из данного перечня показателей недоставало):

• ВВП (ППС) на душу населения (долл.), 2022 г.;
• число научных публикаций на душу населения, 2022 г. (сведения по публикациям — данные наукометрического ресурса Scimago);
• число публикаций, индексируемых Scopus, в различных предметных областях на душу населения в 2022 г. (медицина, математика, компьютерные науки, экономика, эконометрика и финансы, гуманитарные науки, физика и астрономия, технические науки, сельскохозяйственные и биологические науки);
• заявки на патенты (резиденты) на душу населения в 2020 г. (ближайший год, для которого известно число заявок по максимальному числу стран в выборке);
• число исследователей, занимающихся НИОКР на душу населения в 2020 г. (или ближайший год, для которого данный показатель известен);
• расходы на исследования и разработки (долл.) на душу населения в 2020 г. (ближайший год, для которого известны показатели по большинству стран выборки).

Далее была построена и исследована множественная линейная регрессия взаимозависимости уровня экономики от данных показателей.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЯ

На первом этапе исследования для проверки модели на предмет мультиколлинеарности была построена корреляционная матрица исследуемых показателей (табл. 1).

Таблица 1. Корреляционная матрица исследуемых параметров

* На душу населения.

Источники: The World Bank: Data. GDP per capita, PPP (current international $) (https://data.worldbank.org/indicator/NY.GDP.PCAP.PP.CD), Scimago Journal & Country Rank: All subject areas (https://www.scimagojr.com/countryrank.php), The World Bank: Data. Patent applications, residents (https://data.worldbank.org/indicator/IP.PAT.RESD), The World Bank: Data. Researchers in R&D (per million people) (https://data.worldbank.org/indicator/SP.POP.SCIE.RD.P6); The World Bank: Data. Research and development expenditure (% GDP) (https://data.worldbank.org/indicator/GB.XPD.RSDV.GD.ZS), The World Bank: Data. Population, total (https://data.worldbank.org/indicator/SP.POP.TOTL).

Представленные в табл. 1 данные свидетельствует о весьма высоком уровне корреляции между уровнем публикационной активности стран мира и их подушевым ВВП по ППС. При этом патентная активность коррелирует с данным показателем довольно слабо (наибольшие ее показатели имеются у стран, не являющихся лидерами по формальному относительному уровню экономики, измеряемому в ВВП по ППС на душу населения). Публикационная активность в различных научных дисциплинах демонстрирует разную степень взаимосвязанности с уровнем развития экономики — больше всего с ним связана общая публикационная активность, а также уровень публикационной активности в области экономических наук. Наименее связаны с уровнем развития экономики показатели публикационной активности в физике и сельскохозяйственных науках. При этом уровни публикационной активности в различных научных дисциплинах хорошо коррелируют между собой, однако следует отметить, что именно для физики характерны наименьшие значения корреляции с другими дисциплинами.

Очевидно, публикационная активность является частью инновационного роста экономики, которая сама по себе является объектом научных исследований. Научные публикации сопровождают и являются следствием фундаментальных и прикладных исследований, процесса внедрения и его последствий. Кроме того, чем выше подушевой ВВП, тем больше возможности для большего числа людей заниматься наукой. Таким образом, подушевая публикационная активность стран оказывается наиболее значимым общим показателем научного развития, влияющим на экономический рост.

Для построения линейной регрессионной модели были использованы следующие входные данные (табл. 2–3). Результирующим показателем y является ВВП (ППС) (в долл. на душу населения) за 2022 г. по странам мира, а роль факторных переменных играют: 1) число индексируемых Scopus публикаций исследователей из данной страны по предметной области «экономика, эконометрика и финансы» (на душу населения) за 2022 г.; 2) расходы на исследования и разработки (в долл. на душу населения) за 2020 г. Показатель общего числа научных публикаций, индексируемых Scopus, на душу населения в 2022 г. не был включен в множественную регрессию из-за наличия сильной корреляции с показателем «Расходы на исследования и разработки в долларах, на душу населения, 2020 г.» (значение парной корреляции ).$\left|r\right|>0,7$

Таблица 2. Входные данные (на душу населения) для анализа

Источник: аналогично табл. 1. Число наблюдений — 97.

Таблица 3. Корреляционная матрица переменных модели

Рассмотрим основные результаты, представленные в табл. 4: t — критерий Стьюдента, использующийся для оценки статистической зависимости коэффициентов уравнения множественной регрессии. Так как наблюдаемые (фактические) значения в t-статистике выше (7,24; 8,13; 4,92), чем t-табличное (1,98), то коэффициент регрессии является значимым с данной доверительной вероятностью. Это свидетельствует о том, что расхождения между вычисленными средними значимы, существенны и имеют неслучайный характер, во временном ряду существует тенденция средней и имеет место тренд.

Таблица 4. Результаты регрессионного анализа (А — регрессионная статистика, Б — результаты дисперсионного анализа, В — переменные и коэффициенты формулы регрессии и их статистические параметры)

Примечание. t-критерий =1,98.

Фактическое значение F-статистики Фишера равно 101,63, что выше табличного значения 3,09 (при вероятности $\alpha =0,05$ и степенях свободы $v_1=2$, $v_2=94$), указывает на статистическую значимость полученной модели.

Таким образом, в результате расчетов было получено уравнение множественной регрессии:

$y=16728+354,5x_1+\left(1,64E-05\right)x_2$ (1)

Таким образом, расходы на науку и относительная публикационная активность оказываются наиболее значимыми среди других показателей научно-инновационной сферы для обеспечения экономического роста. Увеличение $x_1$ на 1 ед. изм. приводит к увеличению $y$ в среднем на 354.5 ед. изм.; увеличение $x_2$ на 1 ед. изм. приводит к увеличению $y$ в среднем на 1,64E-05 ед. изм. Статистическая значимость уравнения проверена с помощью коэффициента детерминации и критерия Фишера. Также установлено, что параметры модели статистически значимы. Полученное уравнение регрессии описывает 68,4% вариации величины ВВП (ППС) на душу населения.

Из графика на рисунке видно, что ряд точек, соответствующих реальным показателям стран, располагается выше, а ряд смоделированных значений — ниже. При этом для стран с относительно меньшим ВВП (ППС) на душу населения различие между наблюдаемыми и модельными значениями оказывается больше — можно отнести значительную часть этого явления на счет гипотезы о том, что на более низких уровнях экономического развития более значимыми оказываются иные факторы, чем развитие науки и инноваций. Однако эта гипотеза требует дополнительной верификации, выходящей за рамки настоящего исследования. Полученная формула регрессии демонстрирует общее и оптимальное сочетания влияния показателей сферы исследований и разработок на уровень экономического развития. В этой связи интересны значительные отклонения реальных значений данного уровня от смоделированных значений. Ниже смоделированных значений находится ряд нетфегазодобывающих стран: их ВВП по ППС на душу населения значительно выше, чем можно было бы ожидать, исходя из уровня их научно-инновационной активности, что естественно, поскольку их добывающая промышленность довольно слабо зависит от собственных научно-инновационных разработок. Важно, что смоделированные значения для крупных развитых экономик — США, Китая, Франции, Германии, Японии и Великобритании (отмечены на рисунке), как правило, демонстрируют небольшое отклонение от реальных значений. Очевидно также, что формула плохо работает для стран с низким подушевым ВВП. С одной стороны, это связано с тем, что линейная регрессия не совсем адекватна нелинейным процессам влияния науки на экономический рост, а с другой — развитие этих стран связано в основном с заимствованием внешних инноваций, а не с производством своих.

Рисунок. ВВП (ППС) стран мира на душу населения (в долл.) в 2022 г. и смоделированных (предсказанных) значений ВВП (ППС) на душу населения в 2022 г.

Примечание. По оси абсцисс: место страны в рейтинге рассматриваемых 97 стран по наблюдаемому в 2022 г. значению ВВП (ППС) на душу населения (в порядке по возрастанию); по оси ординат — ВВП (ППС) на душу населения в 2022 г.

Источник: данные Всемирного банка, расчетные результаты авторской модели.

ЗАКЛЮЧЕНИЕ

Из полученных в работе результатов наиболее важно, что продуктивность исследований ученых стран мира оказалась наиболее значимым в универсальном плане показателем, влияющим (взаимно) на экономический рост, более, например, важным фактором, чем численность проводящих их исследователей и патентная активность. Интересно, что проведенное исследование выявило: из всех научных дисциплин именно экономическая наука оказывается в наибольшей степени связанной с показателями развития национальных экономик. Современная экономическая наука — междисциплинарна, ее развитие отражает и развитие математики, и развитие науки и образования в целом. Исследования сопровождают инновационный процесс на всех его стадиях — от фундаментальных работ и поставки инновационных задач до внедрения разработок и его последствий. При этом очевидно, что речь здесь идет именно о взаимном влиянии — высокие показатели научной активности определяются и высоким уровнем развития экономики, позволяющим финансировать исследования. Полученная формула регрессии отражает значительную зависимость экономик мира (начиная от уровня подушевого ВВП Китая и выше) от интенсивности исследований и расходов на науку. Конечно, линейная регрессия не является идеальным инструментом, описывающим созависимость уровня развития научной сферы и национальных экономик, эта зависимость, очевидно, сложнее.

作者简介

M. Varenik

编辑信件的主要联系方式.
Email: msvarenik@anspa.ru

Advanced School of Public Administration

参考