DE RELATIE TUSSEN PATENTEN EN R&D
Een analyse in de tijd
Dennis Knol
10791728
22 december 2017
Bachelorscriptie
Faculteit: Economie en Bedrijfskunde
Opleiding: Econometrie en Operationele Research Universiteit: Universiteit van Amsterdam
Studiejaar: 2017/2018
Verklaring van originaliteit
Hierbij verklaar ik, Dennis Knol, dat ik deze scriptie zelf geschreven heb en dat ik de volledige verantwoordelijkheid op me neem voor de inhoud ervan. Ik bevestig dat de tekst en het werk dat in deze scriptie gepresenteerd wordt origineel is en dat ik geen gebruik heb gemaakt van andere bronnen dan welke in de tekst en in de referenties worden genoemd. De Faculteit Economie en Bedrijfskunde is alleen verantwoordelijk voor de begeleiding tot het inleveren van de scriptie, niet voor de inhoud.
Inhoudsopgave 1. Inleiding 1 2. Theoretisch kader 3 3. Onderzoeksmethoden 8 3.1 Empirisch model 8 3.2 Data 10 3.3 Variabelen 11 3.3 Beschrijvende statistiek 11 4. Resultaten 12 5. Conclusie 17 Bibliografie 18
1
1 Inleiding
Naar de relatie tussen Research and Development (R&D) en patentaanvragen is al veel empirisch onderzoek gedaan. Begin jaren ’80 kwamen Pakes en Griliches (1980) tot de conclusie dat patenten systematisch gerelateerd zijn aan R&D-investeringen. De relatie blijkt positief. Een vervolg aan dit onderzoek werd gegeven door Hausman, Hall en Griliches (1984). Voor het analyseren van de relatie hebben zij modellen geschat die geschikter zijn voor de analyse van een countvariabele op basis van paneldata. Ook hielden zij rekening met factoren die invloed hebben op deze relatie, zoals verschillen tussen bedrijfstakken. De invloed van deze verschillen is verder onderzocht door Meliciani (2000). Uit haar analyse is gebleken dat het effect van R&D op patentaanvragen per sector varieert. Een andere factor, waar in het onderzoek van Hausman et al. (1984) rekening mee werd gehouden, is de omvang van een bedrijf. De effectiviteit van R&D blijkt hiervan afhankelijk.
Bij de analyse van de relatie tussen R&D-investeringen en patenten kwam het onderzoek van Hausman et al. (1984) ook tot een andere ontdekking: bedrijven ontwikkelen relatief minder patenten uit recentere R&D-uitgaven. De negatieve trend impliceert, volgens Hausman et al. (1984), dat de effectiviteit van R&D-uitgaven afneemt. De relatie in de tijd wordt in dit onderzoek verder geanalyseerd.
Meer recent onderzoek relateerde patenten en R&D aan de conjunctuur. Uit de analyse van Fabrizio en Tsolmon (2014) blijkt onder bepaalde omstandigheden procycliciteit. Wanneer het zo is dat innovaties sneller gedateerd raken, volgen R&D-uitgaven een meer procyclisch patroon. Voor patenten is dit het geval wanneer de patentbeschermingen minder effectief zijn.
Dit onderzoek voegt toe aan de bestaande literatuur door de relatie tussen R&D-investeringen en patentaanvragen te analyseren in de tijd en door antwoord te geven op de vraag in hoeverre de relatie constant is in de tijd. Het door Fabrizio en Tsolmon (2014) opgestelde model vormt de basis voor de analyse en er wordt gebruikgemaakt van paneldata over een relatief lange periode. Binnen deze periode worden kleinere tijdsperioden onderscheiden.
2
De opbouw van dit onderzoek is als volgt: in hoofdstuk 2 wordt relevante literatuur besproken en worden de methoden om de relatie tussen R&D en patenten te analyseren uiteengezet. In het derde hoofdstuk worden de stappen die dit onderzoek doorloopt behandeld en wordt uitgelegd hoe de methoden uit hoofdstuk 2 worden toegepast in deze stappen. In hoofdstuk 4 worden de gevonden resultaten in tabellen uiteengezet en worden deze geanalyseerd. In het laatste hoofdstuk wordt aan de hand van de resultaten een conclusie getrokken over de relatie tussen R&D-investeringen en patentaanvragen.
3
2 Theoretisch kader
In het theoretisch kader wordt relevante literatuur beschreven. Deze literatuur vormt de basis voor het onderzoek en geeft inzichten in de relatie tussen R&D en patenten.
Een van de eerste onderzoeken naar de relatie tussen R&D en patenten die werd gedaan was dat van Pakes en Griliches (1980). Gebruikmakend van data van 121 bedrijven over een periode van acht jaar is er een lineair model geschat wat innovaties, gemeten in het aantal patenten (Pit), verklaart uit huidige en eerdere R&D-investeringen
(Rit):
ln !!"= !!ln !!"!! + !!"
!
!!!
De analyse is uitgevoerd met een betweenschatter en met een withinschatter. De betweenschatter analyseert de relatie op cross-sectieniveau door gebruik te maken van de gemiddelden over een bepaalde tijdsperiode. Het betweenmodel is als volgt gedefinieerd:
y!= α!+ !′!β + ε!, ! = 1, … , !
met y!= !!! !!!", ε!= !!! !!!", x!= !!! !!!", en α!= !!! !!! =!!.
De withinschatter, ook wel de fixed effects schatter, schat de relatie longitudinaal door gebruik te maken van de variatie van de data in de tijd. In het withinmodel wordt aan de hand van afwijkingen van de gemiddelden een relatie geanalyseerd:
!!"− y!= (α!− α!) + !!"− !! !β + !!"− ε! , ! = 1, … , !, ! = 1, … , !
Pakes en Griliches (1980) concludeerden dat patenten systematisch gerelateerd zijn aan R&D-investeringen. Vooral op cross-sectieniveau blijkt deze relatie sterk. Minder sterk, maar wel nog significant, blijkt de longitudinale relatie.
4
In een meer recent onderzoek, door Hausman, Hall en Griliches (1984), zijn voor de analyse modellen geschat die geschikter zijn voor het gebruik van paneldata. Aan de hand van zowel Poisson als negatief binomiale modellen is de relatie tussen patenten en R&D-uitgaven geschat. Hierbij is gebruikgemaakt van paneldata van 346 bedrijven over een periode van vijf jaar.
Gegeven het feit dat de afhankelijke variabele een count is, is in dit onderzoek het Poissonmodel gebruikt. De kansdichtheidsfunctie van de Poissonverdeling kan als volgt worden gedefinieerd:
! !!" !!" = exp (−!!")(!!")!!"
!!"!
waarbij pit het aantal aangevraagde patenten is van bedrijf i in periode t, !!" = !!!"! en
Xit een vector is van de regressoren.
Anders dan bij het onderzoek van Pakes en Griliches (1980) verwijderen Hausman et al. (1984) de vertraagde R&D-variabelen en introduceerden zij een dummyvariabele voor onderzoek intensieve bedrijfstakken, bestaande uit de farmaceutische, computer, chemische en elektronische bedrijfstakken. Ook de variabele ‘book value’ is geïntroduceerd om te kunnen onderzoeken wat de invloed is van de omvang van een bedrijf. Beide variabelen blijken een sterk positieve invloed te hebben op het verwachte aantal patenten.
Een bijkomstige ontdekking van het onderzoek van Hausman et al. (1984) was die van een negatieve trend in de relatie tussen R&D-investeringen en patenten. Bedrijven ontwikkelen relatief minder patenten uit recentere R&D-uitgaven, wat volgens Hausman et al. (1984) impliceert dat effectiviteit van R&D afneemt.
Bound, Cummins, Griliches, Hall en Jaffe (1984) onderzochten of de relatie tussen R&D-investeringen en patenten anders is in twee subgroepen: kleine en grote bedrijven. Uit de analyse blijkt dat kleinere bedrijven per uitgegeven R&D-dollar meer patenteren dan grotere bedrijven én dat bedrijven met R&D-uitgaven van meer dan 1 miljoen dollar een bijna constante verhouding hebben tussen patenten en R&D, met uitzondering van de bedrijven met de allergrootste R&D-investeringen. Met de
5
uitkomsten van het onderzoek door Bound et al. (1984) wordt ook rekening gehouden met het analyseren van de relatie in de tijd. De analyse wordt uitgevoerd in drie verschillende subgroepen: een groep voor kleine bedrijven, een groep voor grote bedrijven en een groep voor bedrijven met R&D-uitgaven hoger dan een miljoen dollar.
Meliciani (2000) heeft een vervolg gegeven aan de onderzoeken van Hausman et al. (1984) en van Bound et al. (1984) door de effectiviteit van R&D-uitgaven op patenten te onderzoeken in verschillende sectoren. Zij onderzocht of de effectiviteit varieert per sector. Aan de hand van een negatief binomiaal model, wat het aantal verleende patenten verklaart uit R&D-uitgaven, investeringen en een tijdtrendvariabele, is voor elke sector apart de relatie geanalyseerd. Uit deze empirische analyse blijkt dat R&D-uitgaven in bijna elke sector een positief effect hebben op het aantal aangevraagde patenten. Het effect was in de wetenschappelijke sector het grootst. Iets anders wat blijkt uit de resultaten is dat de tijdtrendvariabele in meer dan de helft van de sectoren significant is. Afhankelijk van de sector is de invloed van deze variabele positief of negatief.
Schumpeter (1939) voorspelde dat R&D-investeringen tegen de conjunctuurcyclus in gaan. Hij stelt dat investeringen worden gedaan in perioden waarin de vraag lager is omdat de opportunity costs dan lager zijn. Uit latere empirische analyses blijkt echter het tegenovergestelde: R&D-uitgaven lijken procyclisch. Een verklaring die hiervoor wordt gegeven is dat bedrijven R&D-investeringen (Barlevy, 2007) en innovaties (François, & Lloyd-Ellis, 2003) strategisch uitstellen tot perioden van economische bloei om zo hun winst te maximaliseren. Fabrizio en Tsolmon (2014) onderzochten de procycliciteit van R&D-investeringen verder. Zij analyseren de relatie tussen R&D-uitgaven en de conjunctuur op twee manieren: via de analyse van het aantal patenten dat een bedrijf aanvraagt en via de analyse van de R&D-investeringen zelf. Zij voorspellen dat niet alleen de marktvraag, maar ook patentbeschermingen en veroudering van een innovatie de timing van een beslissing beïnvloeden. De theorie hierachter is dat bij minder sterke bescherming van patenten bedrijven moeten anticiperen op snellere imitaties, die de monopolie winsten wegconcurreren. Bedrijven
6
zullen introducties doorschuiven naar perioden van economische bloei om de opbrengst zo hoog mogelijk te laten zijn. De verwachting is dat het procyclische patroon van innovatie duidelijker is wanneer de bescherming van patenten zwakker is. De theorie achter de invloed van veroudering is als volgt: veroudering wordt gedreven door technologische ontwikkelingen en gaat door, ook als een bepaalde ontwikkeling niet wordt geïntroduceerd (Fabrizio, & Tsolmon, 2014). Snellere veroudering maakt een innovatie minder winstgevend in de toekomst. Fabrizio en Tsolmon (2014) voorspellen dat de productie van gepatenteerde innovaties minder gevoelig is voor de marktvraag in industrieën waarin producten sneller verouderen. Van investeringen in R&D wordt juist verwacht dat deze meebewegen met de conjunctuurcyclus.
Fabrizio en Tsolmon (2014) maken voor de analyse gebruik van paneldata over een relatief lange periode en stelden modellen op om het effect van veranderingen in de marktvraag op innovatieve output te kunnen onderzoeken. De opgestelde patentproductiefunctie is relevant voor dit onderzoek en de conditionele verwachting wordt toegelicht:
! !!" !!", !!"!! = exp[!!!"!"!!+ !!!!"+ !!!!"!!
+ !!!!" × !"# + !!!!" × !"#$%% + !!+ !!]
Dit model is gebaseerd op een model wat door Hall, Griliches en Hausman (1986) is gebruikt en schat de relatie tussen het aantal patenten (Pkt) en R&D-investeringen in het
voorgaande jaar (RDkt-1). De variabele !!" is de natuurlijke logaritme van de industry
output en de variabele !!"!! is een set bedrijfsspecifieke factor met betrekking tot de
omvang van een bedrijf. !! en !! zijn de bedrijfseffecten en de jaarlijkse effecten.
Omdat de afhankelijke variabele een count is, is er gebruikgemaakt van een Fixed
Effects Poissonmodel. Voor de schatting van dit model is gebruikgemaakt van de
maximumlikelihoodschatter (Wooldridge, 1999).
Uit de empirische analyse van Fabrizio en Tsolmon (2014) is gebleken dat de timing van R&D-investeringen wordt beïnvloed door de snelheid waarmee innovaties
7
verouderen. R&D-uitgaven volgen een meer procyclisch patroon wanneer het zo is dat innovaties snel gedateerd raken. Ook is gebleken dat patenten een minder procyclisch patroon volgen wanneer de patentbeschermingen effectiever zijn.
Op basis van de literatuur wordt verwacht dat de relatie tussen patenten en R&D-uitgaven niet constant is in de tijd. Hausman et al. (1984) ontdekten een negatieve trend en uit het onderzoek van Meliciani (2000) blijkt dat in meerdere sectoren de trendvariabele significant verschilt van nul. Afhankelijk van de sector is de geschatte coëfficiënt van deze trendvariabele positief, dan wel negatief. In het volgende hoofdstuk wordt uitgelegd hoe in dit onderzoek de relatie tussen patenten en R&D-uitgaven wordt geanalyseerd om uiteindelijk antwoord te kunnen geven op de vraag in hoeverre de relatie tussen patenten en R&D constant is in de tijd.
8
3 Onderzoeksmethoden
In dit hoofdstuk worden de stappen, die dit onderzoek doorloopt, besproken. Eerst wordt op basis van de besproken theorie een model opgesteld om te kunnen onderzoeken of de relatie tussen R&D-uitgaven en het aantal patentaanvragen constant is in de tijd. Hierop volgt een toelichting van de data en de gebruikte variabelen.
3.1 Empirisch model
Bij het opstellen van een model om de relatie tussen R&D-investeringen en het aantal aangevraagde patenten te kunnen analyseren moet rekeningen worden gehouden met een aantal factoren.
Net als in het onderzoek van Fabrizio en Tsolmon (2014) is de afhankelijke variabele, !!", gedefinieerd als het aantal verleende patenten gedurende een jaar. Deze
variabele is dus een niet negatief geheel getal, ook wel een count. Voor het schatten van modellen met een countvariabele als afhankelijke variabele presenteerden Hausman et al. (1984) fixed en random effects modellen voor het Poisson regressiemodel. Het door Fabrizio en Tsolmon (2014) gebruikte model is het fixed effects Poissonmodel en ook in dit onderzoek zal een specificatie van dit model worden toegepast. Om te onderzoeken of een random effects countmodel ook volstaat is er een Hausman toets uitgevoerd. De nulhypothese dat de bedrijfsspecifieke effecten ongecorreleerd zijn met de regressoren, een noodzakelijke eigenschap voor het gebruik van een random effects model, wordt verworpen. Het random effects model volstaat dus niet. Enkel het fixed effects Poisson wordt voor dit onderzoek gebruikt. 1
Bij de nadere specificatie van het model wordt rekening gehouden met de in hoofdstuk 2 behandelde literatuur. Uit de paper van Bound et al. (1984) blijkt dat ook de omvang van een bedrijf invloed heeft op de onderzochte relatie. Twee verschillende variabelen, met betrekking tot de omvang van een bedrijf, worden in het model meegenomen: een variabele voor het aantal werknemers en een variabele voor de waarde van materiële vaste activa. Ook wordt de dataset verdeeld in twee subgroepen
9
om te kunnen onderzoeken of de relatie tussen patenten en R&D-investeringen anders is voor de groep voor kleine bedrijven dan voor de groep voor grote bedrijven. De scheidingslijn tussen de groep kleine en de groep grote bedrijven ligt, net als bij het onderzoek van Bound et al. (1984), bij 10 miljoen dollar. Een bijkomstige ontdekking van dit onderzoek was dat bedrijven met R&D-uitgaven van meer dan 1 miljoen dollar een bijna constante verhouding hebben tussen patenten en R&D. Om te kunnen onderzoeken of dit ook het geval is in de dataset die voor dit onderzoek wordt gebruikt, is er een derde subgroep gedefinieerd voor bedrijven met R&D-uitgaven van meer dan 1 miljoen dollar.
De volgende modellen zijn geschat om te kunnen analyseren of de relatie tussen R&D-uitgaven en het aantal patentaanvragen constant is in de tijd:
! !!" !"!"!!, !!", !!"!! = exp[!!!"!"!!+ !!!!"+ !!!!"!!+ !!+ !!]
! !!" !"!"!!, !!", !!"!! = exp[!!!"!"!!+ !!!"!"!!+ !!!!"+ !!!!!!!+ !!+ !!]
waar !!" het aantal patenten is wat bedrijf k in industrie i aanvraagt in jaar t en !"!"!!
de natuurlijke logaritme van de R&D-investeringen in het voorgaande jaar van bedrijf k. Verder wordt de natuurlijke logaritme van een set bedrijfsspecifieke variabelen van het voorgaande jaar genoteerd als !!"!! en is !!" de natuurlijke logaritme van de industry
output. !! en !! zijn de bedrijfseffecten en de jaarlijkse effecten. Overeenkomend met
de paper van Fabrizio en Tsolmon (2014) wordt voor de schatting gebruikgemaakt van de Poisson maximumlikelihoodschatter. Dit model heeft de quasi-maximumlikelihood eigenschap (Wooldridge, 1999).
Beide modellen zijn in 4 perioden geschat, namelijk 1975-1981, 1982-1988, 1989-1995 en 1996-2002. De uitkomsten van elke periode worden met elkaar vergeleken om te kunnen onderzoeken in hoeverre de relatie tussen Patentaanvragen en R&D-investeringen constant is in de tijd.
10 3.2 Data
In deze sectie worden de data en de variabelen beschreven. Eerst worden de verschillende bronnen genoemd, uit welke de dataset is samengesteld. Een beschrijving van de gebruikte variabelen volgt.
De data die voor dit onderzoek zijn gebruikt zijn afkomstig van The Review of
Economics and Statistics en zijn beschikbaar gesteld door Fabrizio en Tsolmon (2014).
Voor het samenstellen van de dataset is gebruikgemaakt van vier verschillende bronnen. De eerste twee bronnen zijn databases van het National Bureau of Economic Research, NBER. Er is gebruikgemaakt van patentdata en van data met betrekking tot de marktvraag. Een andere bron is de Carnegie Mellon survey (CMS) of R&D managers. Van deze bron afkomstig zijn de data met betrekking tot veroudering en patentbescherming. De drie bronnen zijn door Fabrizio en Tsolmon (2014) gecombineerd met data afkomstig van Compustat. Deze database bevat de benodigde bedrijfsspecifieke gegevens, namelijk de waarde van de materiële vaste activa en het aantal werknemers per bedrijf.
3.3 Variabelen
Aantal patenten. De afhankelijke variabele !!" is een count van het aantal patenten dat
wordt aangevraagd door bedrijf k in jaar t. De data zijn afkomstig van de NBER database en aangepast door Fabrizio en Tsolmon (2014): bij ontbrekende waarnemingen zijn nullen ingevoerd.
R&D-uitgaven. Natuurlijke logaritme van de R&D-uitgaven van bedrijf k in jaar t. In
de analyse wordt gebruikgemaakt van de vertraagde variabele van periode t - 1. Ook is er een model geschat met de vertraagde variabele van periode t - 2.
Omvang bedrijf. Voor het meenemen van de omvang van een bedrijf zijn twee
verschillende variabelen meegenomen in de analyse, namelijk de natuurlijke logaritme van het aantal werknemers en de natuurlijke logaritme van de waarde van materiële vaste activa. In het vervolg worden deze variabelen ln Emp en ln PPE genoemd.
11
Industry output. Natuurlijke logaritme van de industry output voor industrie i in jaar t.
Gebruikmakend van data die afkomstig zijn uit de NBER database is de variabele door Fabrizio en Tsolmon (2014) samengesteld.
Jaarlijkse dummy’s. De dummy-variabelen nemen algemene tijdtrends, zoals
technologische veranderingen en veranderingen in octrooibeleid, voor hun rekening in de periode 1975 tot 2002. Zonder de jaarlijkse dummy’s kan het zo zijn dat tijdreeksregressies algemene trends opnemen die niets te maken hebben met het causale verband.
3.4 Beschrijvende statistiek
Tabel 3.1 is een samenvatting van de data die gebruikt is voor de schatting van de patentvergelijking. De dataset bevat 48.477 observaties van in totaal 4.029 bedrijven en bestrijkt een relatief lange periode: 1975 - 2002.
De afhankelijke variabele van dit onderzoek, het aantal aangevraagde patenten, varieert tussen 0 en 2.655. Het gemiddelde aantal patenten dat per jaar wordt aangevraagd is veertien en de mediaan is gelijk aan één. Een oorzaak hiervan kan zijn dat veel bedrijven niet elk jaar patenteren (Fabrizio, & Tsolmon, 2014). Fluctuaties in R&D-uitgaven variëren. Gemiddeld gezien verandert er van jaar tot jaar weinig. Als wordt gekeken naar fluctuaties per bedrijf kan het verschil van R&D-uitgaven van jaar tot jaar groot zijn. Significant variërend binnen de steekproef is de omvang van bedrijven. De mediaan van het aantal werknemers is 881 en het grootst waargenomen aantal werknemers is 877.000.
Tabel 3.1 – Beschrijvende statistiek
N N(bedrijven) Gemiddelde Mediaan SD Minimum Maximum
NumPats 48.477 4.029 14,65 1 76,54 0 2.655
ln Output 48.477 4.029 8.99 8.81 1.09 5.79 12.37
ln R&D 48.477 4.029 4,84 5,46 3,29 0 13,76
ln Emp 48.477 4.029 1,07 0,61 1,20 0 6,78
12
4 Resultaten
In dit hoofdstuk worden de alle verkregen resultaten uiteengezet en geanalyseerd. Met behulp van Stata zijn de modellen, besproken in hoofdstuk 3, geschat.
In tabel 4.1 worden de resultaten van de fixed effects schatting van het patentmodel voor de hele steekproef weergegeven. Vier verschillende varianten van het model zijn geschat. In de eerste twee kolommen van de tabel staan de resultaten van het model met een enkele vertraagde variabele voor R&D-uitgaven. In de laatste twee kolommen zijn de resultaten van het model met twee vertraagde variabelen voor R&D-uitgaven uiteengezet. Beide modellen zijn geschat met en zonder jaarlijkse dummy’s. De toevoeging van jaarlijkse dummy’s wordt gedaan om rekening te kunnen houden met algemene effecten van de conjunctuur in verschillende sectoren. De dummy’s absorberen variatie in de tijd, die niet wordt toegeschreven aan de andere verklarende variabelen. Te zien is dat de geschatte coëfficiënten van de R&D-variabelen na toevoeging van jaarlijkse dummy’s weinig verschillen van die van de regressie zonder deze dummy’s. Dit kleine verschil suggereert dat gemeenschappelijke tijdtrends een kleine impact hebben op de relatie tussen patentaanvragen en R&D-investeringen. Dit betekent nog niet dat de relatie constant is.
Verder is de tabel ingedeeld in vier delen. Elk deel geeft de resultaten weer van een bepaalde periode. In het eerste gedeelte staan de resultaten van de schattingen in de periode van 1975 tot 1981. In de delen daaronder worden de resultaten weergegeven van de daaropvolgende perioden: 1982-1988, 1989-1995 en 1996-2002. Voor het analyseren van de relatie tussen patentaanvragen en R&D-investeringen in de tijd worden de geschatte coëfficiënten van de verschillende perioden vergeleken.
Allereerst het model met een enkele vertraagde variabele voor R&D-uitgaven. De daarbij behorende geschatte coëfficiënten zijn in elk van de perioden significant van invloed en veranderen slechts een klein beetje na toevoeging van jaarlijkse dummy’s. Bij het vergelijken van deze coëfficiënten over de vier perioden vallen de verschillen op. Het grootst is het verschil tussen de uitkomsten van periode drie en periode vier. De
13
geschatte patenten-R&D elasticiteit in periode drie is gelijk aan 0.105 en die in periode vier 0.0232. Minder groot is het verschil tussen de uitkomsten van de eerste twee
perioden. De elasticiteiten in deze perioden zijn gelijk aan 0.036 en aan 0.041.Verder is er een toename te zien van de geschatte coëfficiënt van eerste periode tot en met de derde periode. Deze toename wordt gevolgd door een sterke afname.
In de kolommen drie en vier staan de resultaten voor het model met twee vertraagde R&D-variabelen. De coëfficiënten van deze variabelen zijn niet in elke periode significant. In eerste en laatste periode is de met één jaar vertraagde R&D-variabele significant. De elasticiteiten zijn gelijk aan 0.030 en 0.021, respectievelijk. De met twee jaar vertraagde variabele is significant in de eerste en laatste periode. De geschatte coëfficiënten zijn gelijk aan 0.014 en 0.058.
Op basis van de tot nu toe besproken resultaten kan worden geconcludeerd dat, over de hele steekproef gezien, de relatie tussen patenten en R&D-investeringen niet constant is in de tijd. De geschatte coëfficiënten stijgen in de eerste drie perioden. De laagste waarden worden waargenomen in periode vier. In het vervolg worden de resultaten besproken van de analyses in de drie verschillende subgroepen. Voor het analyseren is gebruikgemaakt van het model met een enkele vertraagde R&D-variabele. Ook hier is het model zowel met als zonder jaarlijkse dummy’s geschat. De resultaten worden in tabel 4.2 uiteengezet.
De eerste twee kolommen van de tabel geven de resultaten weer van de analyse van de groep kleine bedrijven. Dit zijn de bedrijven met minder dan 10 miljoen dollar aan sales. De coëfficiënten van de R&D-variabele zijn enkel in de laatste twee perioden significant van invloed. In periode drie is de patent-R&D elasticiteit gelijk aan 0.087 en in periode vier is deze gelijk aan 0.113. De resultaten van de groep grote bedrijven worden weergegeven in de kolommen drie en vier. De R&D-coëfficiënten zijn in de eerste drie perioden significant en net als in tabel 4.1 is een stijgende lijn waarneembaar. Het verschil tussen de uitkomsten van periode één en twee is klein: de geschatte coëfficiënten zijn gelijk aan 0.035 en 0.040. In de derde periode is geschatte
2 Voor het vergelijken van de coëfficiënten wordt gebruikgemaakt van de modellen waarin de jaarlijkse
14
elasticiteit het grootst met een waarde van 0.097. Niet significant, maar wel heel klein is de elasticiteit in periode vier. Als de uitkomsten van de eerste twee subgroepen worden vergeleken, valt op dat de patent-R&D elasticiteit niet in elke periode groter is voor de groep kleinere bedrijven. Dit is wel wat op basis van het onderzoek van Bound et al. (1984) werd verwacht. Het verschil in de uitkomsten kan worden verklaard door de gebruikte data te vergelijken met de in dit onderzoek gebruikte data. Bound et al. (1984) maakten voor hun onderzoek namelijk gebruik van data uit een andere periode: 1972-1978. Deze periode overlapt met de eerste periode van dit onderzoek, waarin de geschatte elasticiteit voor de kleine bedrijven wel groter is dan die voor grote bedrijven.
Op basis van de analyse in de subgroepen voor grote en kleine bedrijven wordt geconcludeerd dat niet alleen de relatie tussen patenten en R&D fluctueert in de tijd, maar ook dat de fluctuaties verschillend zijn voor kleine en grote bedrijven.
Tot slot is het patentmodel geschat voor de groep bedrijven met R&D-uitgaven van meer dan 1 miljoen dollar. Uit het onderzoek van Bound et al. (1984) blijkt dat de relatie tussen patentaanvragen en R&D-investeringen vrijwel constant is voor deze groep. De resultaten van de analyse in dit onderzoek staan in de laatste twee kolommen van tabel 4.2. Ook deze resultaten zijn niet zoals verwacht werd op basis van het onderzoek van Bound et al. (1984). In de eerste twee perioden verschillen de geschatte coëfficiënten weinig van elkaar, maar in de daaropvolgende perioden zijn de verschillen groot. In periode drie is een R&D-elasticiteit gevonden van 0.206. Deze is significant op 5%. Dit de hoogste geschatte waarde in elk van de perioden. De in periode vier geschatte elasticiteit is de kleinste.
Afsluitend worden de uitkomsten van de analyses in de subgroepen vergeleken met die van de analyse over de hele steekproef. Opvallend is dat de geschatte patent-R&D elasticiteiten niet veel verschillen als enkel de eerste twee perioden worden vergeleken. Wat verder opvalt is dat de elasticiteiten, met uitzondering van de groep kleine bedrijven, stijgen tot en met periode drie en na deze periode een sterke daling vertonen.
15 Tabel 4.1 – Conditionele Fixed-Effects Poisson schattingen van het patentmodel, per periode (1) (2) (3) (4) Periode 1: 1975-1981 ln Output -0.111 -0.002 -0.131 -0.020 (0.106) (0.131) (0.105) (0.130) ln R&D (lag) 0.035** 0.036*** 0.029* 0.030** (0.010) (0.010) (0.012) (0.011) ln R&D (lag 2) 0.015* 0.014* (0.006) (0.006) ln Emp (lag) 0.035 0.034 0.030 0.030 (0.022) (0.022) (0.021) (0.020) ln PPE (lag) 0.152** 0.189*** 0.152** 0.193*** (0.049) (0.049) (0.050) (0.050)
Year fixed effects No Yes No Yes
N (observaties) 9074 9074 8670 8670 N (bedrijven) 1459 1459 1423 1423 Periode 2: 1982-1988 ln Output 0.428*** 0.185 0.414*** 0.169 (0.081) (0.081) (0.081) (0.102) ln R&D (lag) 0.050** 0.041* 0.033 0.030 (0.019) (0.018) (0.017) (0.018) ln R&D (lag 2) 0.023 0.008 (0.015) (0.014) ln Emp (lag) 0.134* 0.159* 0.214* 0.263* (0.067) (0.079) (0.097) (0.115) ln PPE (lag) 0.149*** 0.121** 0.145** 0.108* (0.041) (0.038) (0.049) (0.047)
Year fixed effects No Yes No Yes
N (observaties) 9073 9073 8527 8527 N (bedrijven) 1556 1556 1477 1477 Periode 3: 1989-1995 ln Output 0.600*** 0.411** 0.595*** 0.437*** (0.099) (0.118) (0.101) (0.120) ln R&D (lag) 0.109** 0.105** 0.044 0.045 (0.034) (0.033) (0.023) (0.024) ln R&D (lag 2) 0.063*** 0.058*** (0.014) (0.015) ln Emp (lag) 0.165* 0.174* 0.141 0.153 (0.076) (0.079) (0.085) (0.089) ln PPE (lag) 0.053 0.049 0.083 0.076 (0.049) (0.046) (0.048) (0.048)
Year fixed effects No Yes No Yes
N (observaties) 10939 10939 10246 10246 N (bedrijven) 1855 1855 1774 1774 Periode 4: 1996-2002 ln Output 0.219** 0.199** 0.202** 0.192** (0.065) (0.070) (0.067) (0.070) ln R&D (lag) 0.022* 0.023* 0.021* 0.021* (0.009) (0.009) (0.010) (0.010) ln R&D (lag 2) 0.009 0.011 (0.011) (0.011) ln Emp (lag) 0.094* 0.099* 0.147* 0.154* (0.042) (0.045) (0.059) (0.062) ln PPE (lag) 0.087** 0.087** 0.064* 0.064* (0.031) (0.032) (0.028) (0.029)
Year fixed effects No Yes No Yes
N (observaties) 13805 13805 13008 13008
N (bedrijven) 2455 2455 2374 2374
*** p<0.001, ** p<0.01, * p<0.05
16
Tabel 4.2 – Conditionele Fixed-Effects Poisson schattingen van het patentmodel, per periode
Kleine bedrijven Grote bedrijven R&D > 1.000.000
(1) (2) (1) (2) (1) (2) Periode 1: 1975-1981 ln Output -0.234 0.118 -0.102 0.002 -0.131 -0.024 (0.252) (0.268) (0.112) (0.136) (0.116) (0.137) ln R&D (lag) 0.066 0.067 0.035** 0.035*** 0.041** 0.042*** (0.038) (0.038) (0.011) (0.010) (0.012) (0.011) ln Emp (lag) 0.444 0.588 0.036 0.034 0.034 0.032 (0.427) (0.422) (0.023) (0.021) (0.022) (0.020) ln PPE (lag) 0.010 0.080 0.133 0.184* 0.180* 0.254** (0.064) (0.064) (0.070) (0.074) (0.088) (0.085)
Year fixed effects No Yes No Yes No Yes
N (observaties) 3188 3188 5685 5685 2179 2179 N (bedrijven) 570 570 935 935 381 381 Periode 2: 1982-1988 ln Output -0.110 -0.583 0.452*** 0.211* 0.410*** 0.188 (0.240) (0.412) (0.090) (0.108) (0.102) (0.115) ln R&D (lag) 0.047 0.038 0.049* 0.040* 0.072 0.048 (0.036) (0.037) (0.021) (0.020) (0.044) (0.037) ln Emp (lag) 1.018* 0.884 0.135 0.168* 0.114 0.151 (0.480) (0.489) (0.070) (0.083) (0.073) (0.087) ln PPE (lag) 0.096* 0.087* 0.120 0.078 0.162 0.120 (0.041) 0.043 (0.071) (0.060) (0.098) (0.087)
Year fixed effects No Yes No Yes No Yes
N (observaties) 3627 3627 5148 5148 2597 2597 N (bedrijven) 700 700 874 874 488 488 Periode 3: 1989-1995 ln Output 1.258*** -0.278 0.605*** 0.460*** 0.573*** 0.399** (0.194) (0.167) (0.098) (0.119) (0.104) (0.123) ln R&D (lag) 0.135*** 0.087* 0.100** 0.097** 0.224** 0.206* (0.037) (0.035) (0.029) (0.029) (0.085) (0.082) ln Emp (lag) -0.395** -0.210* 0.140* 0.145** 0.087 0.135 (0.121) (0.095) (0.055) (0.056) (0.146) (0.149) ln PPE (lag) 0.081 0.041 0.024 0.021 0.016 0.011 (0.044) (0.039) (0.040) (0.036) (0.047) (0.028)
Year fixed effects No Yes No Yes No Yes
N (observaties) 4816 4816 5785 5785 3514 3514 N (bedrijven) 938 938 992 992 649 649 Periode 4: 1996-2002 ln Output 0.170 0.201 0.223** 0.201** 0.221** 0.195** (0.100) (0.125) (0.065) (0.072) (0.066) (0.073) ln R&D (lag) 0.105*** 0.113*** 0.014 0.015 0.012 0.015 (0.027) (0.028) (0.010) (0.010) (0.015) (0.015) ln Emp (lag) 0.182 0.407 0.112* 0.116* 0.112* 0.116* (0.267) (0.289) (0.043) (0.045) (0.044) (0.047) ln PPE (lag) 0.024 0.023 0.045 0.043 0.065* 0.063* (0.032) (0.036) (0.035) (0.035) (0.034) (0.034)
Year fixed effects No Yes No Yes No Yes
N (observaties) 6475 6475 6954 6954 5742 5742
N (bedrijven) 1261 1261 1299 1299 1160 1160
*** p<0.001, ** p<0.01, * p<0.05
17
5 Conclusie
Dit onderzoek voegt toe aan bestaande literatuur door de relatie tussen patentaanvragen en R&D-investeringen te analyseren in de tijd en geeft een vervolg aan eerder gedaan onderzoek. Het eerste onderzoek dat werd gedaan naar de relatie tussen R&D en patenten concludeert dat patentaanvragen en R&D positief en systematisch gerelateerd zijn. Om deze relatie verder te kunnen onderzoeken zijn in meer recente literatuur modellen gespecificeerd die beter geschikt zijn voor de analyse van paneldata. Met behulp van deze modellen, en op basis van paneldata, is de relatie geanalyseerd voor bedrijven van verschillende omvang en in verschillende bedrijfstakken. Uit deze onderzoeken blijkt dat de omvang van een bedrijf de relatie tussen patenten en R&D beïnvloed en dat de effectiviteit van R&D-uitgaven verschillend per sector. Recenter onderzoek relateerde patenten en R&D-uitgaven aan de conjunctuur. Onder bepaalde omstandigheden blijkt procycliciteit. Op basis van de literatuur is een model opgesteld en met behulp van dit model is de relatie in vier verschillende perioden geanalyseerd.
De uitkomst van dit onderzoek is consistent met de verwachting op basis van de literatuur: de relatie tussen patenten en R&D-uitgaven in de tijd is niet constant. De verschillen zijn niet groot tussen de perioden 1975-1981 en 1982-1988. Wel groot zijn de verschillen met de daaropvolgende perioden. Wat opvalt is een stijging van de patent-R&D elasticiteit in de eerste drie perioden, die gevolgd wordt door een sterke daling in periode vier. Ook opvallend is dat de geschatte coëfficiënten het grootst zijn in de derde periode, met uitzondering van de kleine bedrijven. Deze uitkomst suggereert dat de effectiviteit in van R&D-uitgaven in deze periode het hoogst is.
Verder blijkt uit de resultaten dat niet alleen de relatie tussen patenten en R&D fluctueert in de tijd, maar ook dat de fluctuaties verschillend zijn voor kleine en grote bedrijven. Een gevolg hiervan is dat de uitkomst van het onderzoek van Bound et al. (1984), waarin de relatie tussen R&D en patenten voor kleine en grote bedrijven apart is geanalyseerd, niet toepasbaar is in verschillende perioden. De resultaten zijn enkel geldig voor de periode 1972 tot 1978.
18
Bibliografie
Barlevy, G. (2007). On the cyclicality of research and development. The American
Economic Review 97(4), 1131-1164.
Bound, J., Cummins, C., Griliches, Z., Hall, B., Jaffe, A. (1984). Who does R&D and who patents? Chicago: University of Chicago Press, 21-54.
Fabrizio, K., Tsolmon, U. (2014). An empirical examination of the procyclicality of R&D investment and innovation. The Review of Economics and Statistics 96(4), 662-675.
Francois, P., Lloyd-Ellis, H. (2003). Animal spirits through creative destruction. The
American Economic review 93, 530-550.
Hall, B., Griliches, Z., Hausman, J. (1986). Patents and R and D: Is there a lag?
Economic Review 27(2), 265-283.
Hausman, J., Hall, B. H., Griliches, Z. (1984). Econometric models for count data with an application to the patents-R&D relationship. Econometrica 52(4), 909-938 Meliciani, V. (2000). The relationship between R&D, investment and patents: a panel
data analysis. Applied Economics 32(11), 1429-1437. Pakes, A., Griliches, Z. (1980). Patents and R&D at firm level: A first report. Economics Letters 5, 377-381. Schumpeter, J. (1939). Business Cycles: a Theoretical, Historical and Statistical Analysis of the Capitalist Process. New York: McGraw-Hill. Winkelmann, R. (2008). Econometric Analysis of Count Data. Fifth edition. Springer Wooldridge, J. (1999). Distribution-free estimation of some non-linear panel data models. Journal of Econometrics 90, 77-97.
