Опыт оценки влияния накопления человеческого капитала на экономический рост в регионах Европы

Окончание. Начало в «кэ» № 2/2008

Помимо влияния, вызываемого собственными НИОКР, на экономический рост, вторым важным источником технического прогресса для отстающих регионов, является заимствование (технологический перехват) достижений у технологических лидеров. Экономическое обоснование данного явления заключается в том, что большее технологическое отставание, при прочих равных условиях, ассоциируются с большими возможностями для заимствования технологий и, следовательно, с более высокими темпами роста А.

Поскольку уровень технологических достижений (А) не наблюдается непосредственно Г. Бадингер и Г. Тондл используют уровень производительности труда (Y^*) как переменную, характеризующую данный уровень [1]. Процесс перехвата технологий поэтому может быть специфицирован следующим образом:

, (5а)

где Y^* _{max, t} – уровень производительности труда технологического лидера, параметр η₁ характеризует скорость преодоления отставания от лидера.

Как показали Р. Нельсон и Е. Фелпс, для заимствования, приспособления и применения новых технологий, требуется человеческий капитал [2]. Они доказывали, что параметр перехвата (η₁) является не снижающейся функцией человеческого капитала. И. Бенхабиб и М. Шпигель использовали эту идею и специфицировали процесс перехвата следующим образом [3]:

(5b).

Данное уравнение показывает, что при постоянном человеческом капитале регионы с низкой начальной производительностью труда имеют более высокие темпы роста. И, соответственно, при данном уровне отставания от технологического лидера регионы с более высоким уровнем человеческого капитала имеют более высокие темпы ликвидации технологического отставания, т.е. более быстрый рост А.

Как отмечают Д. Бен-Давид и А. Кимхи, Р. Гриффит, Ст. Реддинг и И. Ван Реенен [4] международная торговля также считается важным фактором конвергенции разных стран и регионов,.

Г. Бадингер и Г. Тондл следующим образом модифицируют предыдущее уравнение, заменяя человеческий капитал (Н) показателем внешней торговли:

(5с)

Торговля в данной модели может быть представлена либо долей импорта (m), либо долей экспорта (x) в ВВП. Высокая доля импорта позволяет больше заимствовать технологий из-за границы, т.е. способствовать перехвату технологий у более передовых, в технологическом плане, стран. С другой стороны, высокая доля экспорта в валовом внутреннем продукте связана с эффектом конкуренции на внешних рынках, которая стимулирует активное заимствование технологий у мировых лидеров.

Наконец, активное развитие собственных НИОКР в странах и регионах может рассматриваться как важная предпосылка сокращения технологического отставания. Как показали Д. Куар, Р. Гриффит и другие, в экономике под влиянием собственных НИОКР возникают специфические знания, которые способствуют более легкой адаптации новых технологий, заимствованных за рубежом [5].

Данное логическое обоснование Г. Бадингер и Г. Тондл формализуют следующим образом:

(5d)

Результаты тестирования модели Бадингера-Тондл.

Г. Бадингер и Г. Тондл провели тестирование модели G на основе статистических данных по 128 регионам Европы за период 1993-2000 гг. Выбор определялся, главным образом, доступностью данных. При этом были исключены Австрия и Греция, а также специфические по своим характеристикам регионы, такие как Ирландия, Французские заморские департаменты и т.п. Авторы применили показатели в расчете на душу населения (табл. 1) [6].

Таблица 1

Определения и источники переменных.

Переменные	Определения	Единицы
ΔlnYi	Средний темп роста валовой добавленной стоимости на душу	% на душу
Δlnki	Средний темп роста физического капитала на душу	% на душу
hi	Средняя норма достижений - высшее образование (третичное)	%
h-mi	Средняя норма достижений – среднее образование (вторичное)	%
Hi	Среднее число человек с высшим образованием (третичное)	1000 человек
H-mi	Среднее число человек со средним образованием (вторичное)	1000 человек
Patt	Среднее число применений патентов на занятость	число на 1000 чел.
xi (m1)	Экспорт (импорт) квота в процентах от валовой добавленной стоимости	%
GAPi	В 1993 (начальный уровень)	-

Авторы выражают надежду, что структурный анализ регрессий может давать достаточно реалистичные результаты, поскольку в них используются данные довольно высокого уровня агрегирования, как, например, для регионов ЕС. В короткой модели с накапливаемыми факторами (табл. 2, колонка 1) статистически значимые оценки показывают, что рост доходов на душу населения положительно связан с накоплением как физического, так и человеческого капитала.

Таблица 2

Результаты для моделей с накоплением факторов и собственными усилиями в НИОКР.

Зависимая переменная ΔlnY
константа Δln k Δln h Δln h-m H	1	2	3	4	5	6
	09674 (5,94)*** 0,2301 (4,74*** 0,1063 (4,48***	1,5684 (11,58*** 0,1213 (2,41** -0,0280 (-0,70	1,0199 (5,98*** 0,2366 (4,83*** 0,1069 (4,53*** -0,0006 (-1,62	0,4860 (1,98** 0,1948 (4,08*** 0,1077 (4,66***	1,1182 (6,39*** 0,2477 (5,39*** 0,1144 (5,07***	0,5137 (1,47) 0,1973 (3,95*** 0,1083 (4,70***
h ln Pat Δln PART	0,3468 (4,26***	0,5109 (6,19***	0,3377 (4,18***	0,0397 (2,63*** 0,3521 (4,22***	0,1149 (2,29** 0,3826 (4,60***	0,0383 (1,91* 0,0081 (0,13 0,3545 (4,10***
R2ady F-test AIC No of obs.	0,498 43,010*** 2,036 128	0,422 31,870*** 2,177 128	0,501 32,831*** 2,038 128	0,545 39,091*** 1,944 128	0,521 35,495*** 1,997 128	0,542 31,023*** 1,960 128

t – values (в скобках) основаны на White – Heteroscedasitcity consistent standard errors (White, 1980). AIC – Akaike info criterion.

Данные оценки дают результаты, аналогичные полученным недавно на межстрановом уровне А. Бассанини, С. Скарпеттой и П. Хеммингом, а также А. де ла Фуэнте и Р. Доменехом [7].

Как отмечают авторы, экономический рост в регионах ЕС является чувствительным только к приобретению высшего уровня образования, изменения в среднем уровне образования статистически незначимы (колонка 2).

Величины коэффициентов регрессии в колонке 1 являются статистически значимыми, показывая эластичность выпуска по физическому капиталу на уровне 0,20, а по человеческому капиталу – 0,10. Следует отметить, что рост доли занятых приводит к более высокому темпу роста – эластичность выпуска около 0,34.

Затем авторы расширяют оцениваемую модель, включая в нее инновационную активность (колонка 3-6). При спецификации усилий числом лиц с высшим или средним образованием, занятых в НИОКР, положительного влияния на рост не обнаруживается (колонка 3). Если же используется уровень образовательных достижений населения, то обнаруживается статистически значимая положительная взаимосвязь (колонка 4). То есть регионы с более высоким уровнем образования населения являются претендентами на более высокие темпы роста.

В колонке 6 добавлены инновации, измеренные числом примененных патентов, причем коэффициент регрессии незначителен. Авторы отмечают, что если показатель высшего уровня образовательных достижений не включен в уравнение регрессии, а включено только применение патентов, то коэффициент регрессии последнего получается положительным и значимым [8].

Они нашли, что два этих показателя сильно коррелированы, что и объясняет данный эффект, т.е. оба показателя не могут быть одновременно включены в оценку. Авторы сделали вывод, что уровень инноваций в регионах ЕС оказывает значимое положительное влияние на экономический рост. Поэтому значительные усилия стран и регионов ЕС по повышению образовательного уровня, очевидно, способствуют экономическому росту.

По их мнению, высокая активность в региональных НИОКР не является предпосылкой, способствующей передаче технологий. Авторы считают, что нашли новые факты, подтверждающие международную передачу технологий посредством разных каналов, которые дополняют существующие свидетельства о международном переливе технологий, который либо является географически ограниченным (как у Р. Пачи и Ф. Пильяру), либо возникающим только между равноразвитыми регионами (как у П.Б. Маурсета) [9].

В целом, следует сказать, что базовые параметры модели Г. Бадингера и Г. Тондл, такие как рост физического и человеческого капитала, а также изменения доли трудового участия населения, дают устойчивые значения коэффициентов регрессии. Коэффициент у физического капитала оказался более высоким в инновационной спецификации с патентами и показывает эластичность выпуска около 0,20. Полный набор переменных модели становится вполне удовлетворительным в спецификации с технологическим перехватом и обеспечивает достижение R² более, чем 0,50.