Рисунок 6. «Ящичковая диаграмма» для данных за все годы. Источник: Stata, расчеты автора

После изъятия данной сферы из исследования выявлены следующие данные описательной статистики:

Во-первых, стоит отметить отсутствие выброса в анализе данных за весь временной период.

Рисунок 7. «Ящичковая диаграмма» для данных за все годы, после исключения из анализа наблюдения «Оптовая и комиссионная торговля, транспорт и телекоммуникации». Источник: Stata, расчеты автора

А также отсутствие выбросов при анализе данных за 1995 год.

Рисунок 8. «Ящичковая диаграмма» для данных за 1995 год. Источник: Stata, расчеты автора

Во-вторых, полученные данные также изменились. Средний уровень внутренних затрат НИОКР в Норвегии в 1995 году составил 298 млн. норв. крон. Медианное значение осталось практически без изменений, если брать округленный результат, 250 млн. норв. крон. И размах значений также остался прежним.

Рисунок 9. Описательные статистики зависимой переменной за 1995 год, после исключения из анализа наблюдения «Оптовая и комиссионная торговля, транспорт и телекоммуникации». Источник: Stata, расчеты автора

На рисунке ниже можно отметить, что распределение внутренних затрат на НИОКР в 1995 году несимметричное.

Рисунок 10. Распределение зависимой переменной между наблюдениями за 1995 год. Источник: Stata, расчеты автора

Асимметрия составила 1,09, что больше нуля, следовательно, распределение сильно вытянуто вправо. Эксцесс равен 3,17, превышая значение 3, что говорит об остром пике в сравнении с нормальным распределением. Теперь приведем такие же данные для 2016 года. Данные о сегменте «Оптовая и комиссионная торговля, транспорт и телекоммуникации» заранее исключены из анализа.

Рисунок 11. Описательные статистики зависимой переменной за 2016 год, после исключения из анализа наблюдения «Оптовая и комиссионная торговля, транспорт и телекоммуникации». Источник: Stata, расчеты автора

Рисунок 12. Распределение зависимой переменной между наблюдениями за 2016 год. Источник: Stata, расчеты автора

Сравнивая гистограммы двух лет, 1995 года и 2016 года, можно отметить значительный рост внутренних затрат на НИОКР в Норвегии. Все статистические данные также значительно возросли. В 2016 году среднее значение внутренних затрат на НИОКР возросло до 1047,4 млн норв. крон., что говорит об увеличении данного показателя в 3,5 раза. Что касается распределения, то оно также неравномерно. Но стоит отметить его восходящий характер, большее количество сфер могут позволить себе большие внутренние затраты на НИОКР.

Рисунок 13. Плотность распределения зависимой переменной в сравнении с нормальным распределением. Источник: Stata, расчеты автора

На рисунке выше можно отметить ненормальное распределение объясняемой переменной так как график эмпирической плотности отличается от графика теоретической плотности нормального распределения.

3.2 Анализ корреляции между факторами

Далее необходимо провести анализ на корреляцию независимых переменных. Проведение корреляционного анализа позволит выявить взаимосвязь между факторами. Данный анализ необходим чтобы предотвратить получение неверных коэффициентов в регрессии. Корреляционный анализ проводится посредствам расчета коэффициентов корреляции между различными факторами, и на их основе выносится решение об исключении факторов имеющих слишком сильную взаимосвязь.

Рисунок 14. Корреляционный анализ между факторами. Источник: Stata, расчеты автора

Как видно из представленной матрицы корреляций сильная взаимосвязь выявлена между фактором «RDpers» (R&D Personnel) - количество сотрудников, задействованных в осуществлении НИОКР и фактором «RDmy» (R&D man-years) - производительность труда персонала со степенями Магистр и выше, задействованных в НИОКР на конец года. Связь между данными показателями безусловно имеется, т.к. при изменении количества сотрудников в НИОКР произойдут изменения в производительности их работы. В целях дальнейшего исследования будет изъят фактор «RDmy», так как он имеет наибольший коэффициент корреляции.

После исключения из анализа фактора «RDmy» получаем результаты анализа на корреляцию между факторами, представленные на рисунке 15.

Рисунок 15. Корреляционный анализ между факторами после исключения из анализа фактора «RDmy». Источник: Stata, расчеты автора

Таким образом, устранение фактора «RDmy» позволило избежать смещения коэффициентов и теперь можно приступить к построению общей модели регрессии.

3.3 Базовая модель регрессии

Необходимо построить базовую регрессионную модель для внутренних затрат компаний на НИОКР в Норвегии за 1995-2016 года. Первоначально необходимо применить линейную спецификацию для построения базовой модели регрессии, так как это позволить наилучшим образом оценить влияние факторов на зависимую переменную. Для этого строится первичная модель регрессии, содержащая все переменные, кроме тех, что были исключены в ходе анализа на корреляцию.



Рисунок 16. Базовая регрессионная модель. Источник: Stata, расчеты автора

Как можно видеть из представленной таблицы, модель в целом значима, что следует из того факта, что p-value (p-значение) < 0,05 на 5% уровне значимости, т.е. нулевая гипотеза о незначимости модели в целом отвергается. Коэффициент детерминации R² приближен к 1, что говорит о высокой степени качества подгонки регрессионной модели к наблюдаемым значениям объясняемой переменной.

Скорректированный коэффициент детерминации R²-adjusted, отражающий качество регрессионной модели вне зависимости от изменения количества регрессоров, также находится на высоком уровне, приближенном к 1.

Из таблицы выше также видно, что в модели выявлен незначимый коэффициент, у которого p>0,05, относящийся к фактору «ExtrFun» (External private norwegian funding of intramural R&D) - финансирование внутренних НИОКР со стороны норвежского частного бизнеса. Данный факт может быть объяснен многими причинами. Во-первых, с развитием нефтегазового сектора в Норвегии финансирование многих отраслей в большей степени осуществлялось со стороны заинтересованных зарубежных компаний, о чем говорилось в первой главе, кроме того поддержку оказывало правительство Норвегии и, безусловно, сами компании более всего были заинтересованы в финансировании своих НИОКР. Поэтому не было сильной необходимости в оказании дополнительной финансовой поддержки со стороны норвежских компаний. Основная доля такого финансирования приходится лишь на широконаправленные отрасли, которые затрагивают практически все остальные сферы. Так, согласно Статистическим ежегодникам Норвегии (Statistical Yearbook of Norway) за разные периоды времени мы можем отметить значительное финансирование НИОКР со стороны норвежского бизнеса в таких сегментах как транспортная промышленность, машины и оборудование, а также развитие научных и исследовательских разработок (что выражается в поддержании науки во всех ее областях). Но поскольку эти три наблюдения составляют лишь малую часть от общего числа наблюдений, то программа оценила данный фактор как незначительный. Но стоит отметить, что его отклонение не слишком велико.

Исключив из анализа фактор «ExtrFun» была построена новая регрессионная модель.

Рисунок 17. Базовая регрессионная модель после исключения из анализа фактора «ExtrFun». Источник: Stata, расчеты автора

Данные в таблице говорят о том, что согласно показателю F-статистика качество модели немного улучшилась, так как этот показатель вырос, демонстрируя, что вероятность нулевой гипотезы о незначимости модели в целом снизилась. Однако коэффициент детерминации R² и скорректированный коэффициент детерминации R²-adjusted немного снизились, это говорит о том, что качество модели немного ухудшилась. Ввиду того, что отклонение коэффициента при факторе «ExtrFun» от нормы незначительно, а также по причине вышеизложенных особенностей статистических данных было решено оставить данный фактор для дальнейшего анализа.

Т.к. в ходе анализа описательных статистик была выявлена асимметрия эконометрической величины, необходимо попытаться уменьшить ее, приблизить распределение остатков имеющейся регрессии к нормальному распределению. Для этих целей все переменные будут переведены в логарифмы этих величин. В дальнейшем анализе будут использоваться величины: lnIntrRD, lnExtrRD, ln RDpers, lnOwnFun, lnExtrFun, lnAbrFun, lnPublFun, lnTaxRed.

Модель регрессии, построенная на основе новых переменных представлена на рисунке 18.

Рисунок 18. Новая базовая регрессионная модель после перевода переменных в логарифмы их величин. Источник: Stata, расчеты автора

Как видно из представленного рисунка, качество модели немного улучшилось (коэффициент детерминации R² и скорректированный коэффициент детерминации R²-adjusted увеличились с 0,96 до 0,98). Кроме того, стоит отметить значительное снижение показателя Root MSE (среднеквадратической ошибки регрессии), который также отражает качество модели, чем данный показатель ниже, тем качественнее модель.

В новой регрессионной модели можно отметить, что еще один фактор был оценен как незначимый, а именно “TaxRed” (Tax reduction system (SkatteFUNN)) - налоговый вычет по программе SkatteFUNN для норвежских компаний (млн. норв. крон). Однако исключение данного фактора из модели было бы крайне нежелательно по двум причинам. Во-первых, с точки зрения целей исследования, эффективность программы SkatteFUNN представляет высокий интерес, т.к. она используется с 2001 года и по словам представителей норвежского бизнеса и представителей власти имеет огромный успех и спрос. Именно поэтому необходимо математическим и статистическим путем оценить реальный эффект от этой программы. Во-вторых, при исключении данного фактора из модели, ее качество немного снизилось, поэтому данная переменная будет сохранена для дальнейшего анализа.

3.4 Эконометрические тесты построенной регрессионной модели

Необходимо провести тест на спецификацию модели. Для этого будет проведен Ramsey RESET тест. В рамках данного теста осуществляется сравнение первоначальной регрессии с регрессионной моделью, в которую добавили предсказанные значения объясняемой переменной.

Так как р-значение, соответствующее F-статистике больше 0,01 на 1% уровне значимости, то принимается нулевая гипотеза о том, что в модели нет ошибки спецификации.



Рисунок 19. Тест Ramsey RESET. Источник: Stata, расчеты автора

Гетероскедастичность

Наличие гетероскедастичности говорит о неоднородности данных, которая проявляется в непостоянстве дисперсий отклонений. Наличие гетероскедастичности приводит к неэффективности оценок модели. Для выявления наличия гетероскедастичности будут проведены два теста: Тест Вайта (White test) и тест Бреуша-Пагана (Breusch-Pagan test).

Тест Вайта направлен лишь на выявление гетероскедастичности, однако не показывает структуру гетероскедастичности. А тест Бреуша-Пагана применяется в тех ситуациях, когда заранее можно предположить зависимость дисперсии от некоторых дополнительных переменных.

Тест Вайта

Рисунок 20. Тест Вайта (White test) на гетероскедастичность. Источник: Stata, расчеты автора

Т.к. значение p>0,01 на 1% уровне значимости, то нулевая гипотеза H0 о гомоскедастичности не отвергается. Следовательно, гетероскедастичность отсутствует.

Тест Бреуша-Пагана



Рисунок 21. Тест Бреуша-Пагана (Breusch-Pagan test) на гетероскедастичность. Источник: Stata, расчеты автора

Тест на гетероскедастичность Бреуша-Пагана также не выявил наличие гетероскедастичности.

Мультиколлинеарность

Тест на мультиколлинеарность должен выявить регрессоры, между которыми наблюдается сильная корреляция. Корреляционные матрицы в начале анализа уже позволили избавиться от явно коррелирующих факторов, но поскольку было выполнено преобразование регрессионной модели, стоит сделать эту проверку снова.

Рисунок 22. Тест на мультиколлинеарность. Источник: Stata, расчеты автора

Можно увидеть довольно высокие значения мультиколлинеарности для факторов “lnOwnFun” и “lnRDpers”, однако до сих пор между учеными существуют споры по поводу порогового значения данного показателя. Кроме того, существует целое направление ученых, которые считают, что нет необходимости избавляться от мультиколлинеарности (Kennedy, 1992) Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика: начальный курс. - М., 2004. С. 111. . Как правило, показатель VIF>10 свидетельствует о высоком уровне коллинеарности показателей. В нашей модели показатели VIF для всех факторов находятся в этом пределе, следовательно, можно заключить что уровень мультиколлинеарности находится в пределах нормы.

3.5 Модели панельных данных с фиксированными и случайными эффектами

Панельные данные являются двумерными массивами, т.к. содержат два измерения: первое - «пространственное», отражающее экономические единицы, второе - «временное», отражающее принадлежность определенному временному периоду. Для учета индивидуальных особенностей в панельных данных выделяют ненаблюдаемые факторы, связанные с экономическими и временными единицами. В зависимости от индивидуальных особенностей ненаблюдаемых факторов используют два типа регрессионных моделей панельных данных:

1) Модель с фиксированными эффектами, предполагающая, что индивидуальные эффекты являются определенным числом неизвестных фиксированных параметров модели Там же, С. 362..

2) Модель со случайными эффектами, предполагающая, что индивидуальные эффекты, представляют собой случайные величины и все они не коррелируют с остатками Там же, С. 362..

Модель регрессии с фиксированными эффектами (within).

В связи с тем, что панельные данные могут содержать большое количество экономических единиц, для оценки модели с фиксированными эффектами используют регрессию, построенную в отклонениях от средних индивидуальных эффектов.

Данное преобразование в пространстве наблюдений называют внутригрупповым преобразованием (within transformation). В рамках модели с фиксированными эффектами предполагается выполнение двух условий:

1) Ошибки не коррелируют друг с другом по i и t, E()=0, V()=.

2) Ошибки не коррелируют с регрессорами при любых i, j, t, s.

Проведем оценку регрессионной модели c фиксированными эффектами для объясняемой переменной lnIntrRD и объясняющий переменных lnExtrRD, lnRDPers, lnOwnFun, lnExtrFun, lnAbrFun, lnPublFun, lnTaxRed.

Рисунок 23. Модель регрессии с фиксированными эффектами (within). Источник: Stata, расчеты автора

Значимость коэффициентов проявляется практически у всех факторов, кроме “lnExtrFun” и “lnTaxRed”. Коэффициент детерминации «R² within» показывает, что качество подгонки модели очень хорошее. Однако, сравнение коэффициентов детерминации «R² within» и «R² between» показывает, что второй больше. Это говорит о том, что изменение средних по времени показателей для каждой отрасли оказывает более существенное влияние на каждую переменную, нежели временные колебания этих показателей относительно средних.

Модель регрессии со случайными эффектами (random effect).

Модель со случайными эффектами основана на идее, что индивидуальные различия объектов исследования имеют случайный характер. Уравнение данной модели в общем виде выглядит следующим образом:

В данной модели вводится ряд предположений:

1. X_js не зависят от е_it при всех j, s, i, t;

2. Ошибки е_it - независимые, одинаково распределенные случайные величины;

3. Е(е_it) = 0, Е для всех i;

4. X_js независимы от всех f_i при всех i, j, s;

5. Ошибки f_i - независимые, одинаково распределенные случайные величины;

6. Е(f_it) = 0, Е для всех i;

7. Ошибки е_it и f_i взаимно независимы при всех i, t.

Модель регрессии со случайными эффектами для представленных в работе данных выглядит следующим образом:

Качество подгонки в этой модели отражается показателем статистики Вальда Wald chi2(7), так как этот показатель высокий, то модель в целом значима.

Кроме того, на рисунке видно, что оценки модели состоятельны ввиду отсутствия корреляции регрессоров и ненаблюдаемых случайных эффектов, corr (u_i, X) = 0 (assumed).

Рисунок 24. Модель регрессии со случайными эффектами (random effect). Источник: Stata, расчеты автора

Оценка модели “between” (межгрупповая оценка)

Модель регрессии “between” образуется из модификации уравнения регрессии со случайными эффектами, путем замены всех компонентов исходного уравнения на среднее значение по времени для каждой экономической единицы:

Данная модель оценивается обычным МНК (метод наименьших квадратов).

Как видно из представленной таблицы, практически все коэффициенты незначимы, единственный значимый коэффициент при факторе “lnOwnFun”. Судя по коэффициентам детерминации «R² within» и «R² between» данная модель проявляет сильные межотраслевые различия нежели временные.

Рисунок 25. Модель регрессии “between” (межгрупповая оценка). Источник: Stata, расчеты автора

Однако в связи с низкими показателями значимости практически для всех факторов, скорее всего связанными с наличием небольшой мультиколлинеарности, данная модель с малой вероятностью представит достоверные результаты. С первого взгляда на модель сомнения вызывает влияние фактора “lnRDpers” на объясняемую переменную “lnIntrRD”. Регрессия показывает, что при увеличении количества персонала, задействованного в НИОКР в норвежских компаниях, внутренние затраты фирм на НИОКР сокращаются. С точки зрения логики данная взаимосвязь маловероятна.

3.6 Выбор наиболее адекватной модели

Нами были оценены 3 регрессии: сквозная регрессия, регрессия с фиксированными индивидуальными эффектами и регрессия со случайными эффектами. Теперь при помощи тестов необходимо выбрать наилучшую из них. Для этого будут проделаны следующие тесты:

1) Тест Вальда - сравнение сквозной регрессии с регрессией с фиксированными эффектами;

2) Тест Бреуша-Пагана - сравнение сквозной регрессии с регрессией со случайными эффектами;

3) Тест Хаусмана - сравнение регрессионной модели с фиксированными эффектами с регрессионной моделью со случайными эффектами.

Согласно тесту Вальда, проверяющему базовую гипотезу о том, что индивидуальные эффекты не оказывают влияния, использование модели с фиксированными эффектами лучше, чем применение модели сквозной регрессии, что вытекает из неравенства p-value < 0,05 при уровне значимости 5%. Данная информация отражается при построении модели с фиксированными эффектами.

Рисунок 26. Тест Вальда (сравнение сквозной регрессии с регрессией с фиксированными эффектами). Источник: Stata, расчеты автора

Тест Бреуша-Пагана показал, что отвергается нулевая гипотеза о том, что отсутствует панельная структура данных, и регрессионная модель со случайными эффектами лучше описывает имеющиеся данные, нежели регрессионная сквозная модель. Все это следует из неравенства p-value < 0,05 при уровне значимости 5%.

И наконец последний тест, тест Хаусмана, позволяющий определить использовать ли модель с фиксированными эффектами или со случайными эффектами.



Рисунок 27. Тест Бреуша-Пагана (сравнение сквозной регрессии с регрессией со случайными эффектами). Источник: Stata, расчеты автора

Рисунок 28. Тест Хаусмана (сравнение регрессионной модели с фиксированными эффектами с регрессионной моделью со случайными эффектами). Источник: Stata, расчеты автора

Т.к. p-value <0,05 при уровне значимости 5%, то нулевая гипотеза о наличие корреляции случайного эффекта с регрессорами отвергается, и предпочтительнее является модель с фиксированными индивидуальными эффектами.

Наиболее важным выводом для нас в рамках данного анализа является тот факт, что модель оценки влияния факторов на внутренние затраты норвежских компаний на НИОКР значима при использовании моделей панельных данных, учитывающих индивидуальные временные и экономические эффекты. Немаловажным фактом является и то, что тест определил наилучшей для оценки данных модель, учитывающую отклонение регрессоров от средних значений для каждой отрасли в каждом временном периоде. Это подчеркивает необходимость изучения данных, связанных с НТП Норвегии в рамках длительного временного периода, а не за один год.

Поскольку регрессионная модель с фиксированными эффектами является наилучшей для анализа влияния выбранных факторов на объясняемую переменную, проинтерпретируем полученные в ней результаты.

Рисунок 29. Модель регрессии с фиксированными эффектами (within). Источник: Stata, расчеты автора

Итак, как можно увидеть все показатели оказываю положительный эффект на увеличение вклада норвежских компаний во внутренние затраты на НИОКР. При отсутствии какой-либо дополнительной финансовой поддержки внутренние затраты фирм на НИОКР в Норвегии составляют 1,09 млн. норв. крон. Наибольший вклад в развитие внутренних НИОКР оказывают собственные средства компании, выделенные на данное направление. С увеличением количества собственных выделенных средств на НИОКР на 1 млн. норв. крон, внутренние затраты норвежских фирм на НИОКР возрастают на 0,52 млн. норв. крон. Найм дополнительного персонала для деятельности в НИОКР также увеличивает внутренние затраты фирмы на НИОКР на 0,21 млн. норв. крон на 1 человека. Кроме того, подтвердились выдвинутые ранее гипотезы, о том, что поддержка государства оказывает существенный вклад в развитие НИОКР фирм. Так при увеличении государственного финансирования на 1 млн. норв. крон внутренние затраты фирм на НИОКР увеличиваются на 0,073 млн. норв. крон., что практически в два раза эффективнее, чем отдача от средств, поступающий из заграницы. Программа SkatteFun также оказывает положительный эффект по стимулированию НИОКР. Действие данной программы можно рассматривать как замкнутый круг - при увеличении суммы налогового вычета из затрат фирм на НИОКР, возвратившиеся средства поступают на развитие НИОКР внутри фирмы, тем самым совершая вклад в формирование будущего налогового вычета по данным затратам. Таким образом, каждый раз увеличивая затраты на НИОКР фирмы не только увеличивают возврат с налога на данные средства, но также совершают вклад в разработку своих технологий, позволяющих им сокращать свои затраты и становиться конкурентоспособными на рынке.

К сожалению, в данном исследовании не проводилось разграничение на проекты какого типа направлена поддержка (“close to the market” или “far from the market”), но учитывая результаты работы T. Clausen, можно сделать вывод, что при увеличении налогового вычета на 1 млн. норв. крон, 0,03 млн. норв. крон фирмы направляют на проекты типа “far from the market”, т.е. исследовательские проекты, имеющие крайне рискованный характер, но, как правило, связанные с получением технологий, имеющих ключевое и долгосрочное значение для фирм. Стоит отметить, что наименьший вклад в развитие внутренних НИОКР вносят средства, поступающие от частных норвежских компаний, направленные на НИОКР в норвежских компаниях. Возможно доля этих средств действительно мала, но она также вносит свой вклад в совокупный результат.

Итак, в рамках данной главы был проведен эконометрический анализ панельных данных, содержащих информацию о внутренних затратах на НИОКР норвежских компаний по отраслям, а также факторов, предположительно оказывающих на это влияние, за 19-летний период. Предварительный анализ данных выявил необходимость применения межгрупповых оценок коэффициентов, что говорит о том, что изменение средних по времени показателей для каждой отрасли оказывает более существенное влияние на каждую переменную, нежели временные колебания этих показателей относительно средних. Но в связи с тем, что этот вывод был построен на основе сопоставления коэффициентов детерминации, что нецелесообразно делать в случае с панельными данными, для установления наилучшей модели были проведены дополнительные тесты, выявляющие лучший метод оценивания данных. Проведенные тесты показали, что для оценки представленных данных необходимо использовать модель регрессии с фиксированными эффектами, учитывающую индивидуальные различия между отраслями. Кроме того, выбранная модель для оценки данных производит анализ на основе отклонений переменных от средних значений по отрасли в каждый временной период. Данный факт подтверждает необходимость анализа данных, касающихся НТП Норвегии, в длительном промежутке времени, а не за один год.

Касаемо интерпретации полученной модели оценки данных, стоит отметить, что все оцениваемые факторы способствуют стимулированию развития НИОКР в норвежских фирмах. Наибольший вклад в стимулирование внутренних затрат норвежских фирм на НИОКР оказывают собственные выделенные средства этих фирм в данное направление. Второе место занимает государственная поддержка в виде прямого субсидирования норвежских фирм. Программа SkatteFun также оказывает положительный эффект по стимулированию НИОКР. Действие данной программы во многом зависит от самих фирм, а точнее от тех затрат, которые они готовы понести на НИОКР. Также основываясь на опыте работы T. Clausen, можно сделать вывод, что при увеличении налогового вычета в рамках программы SkatteFun на 1 млн. норв. крон, фирмы направляют 0,03 млн. норв. крон на проекты типа “far from the market”, т.е. исследовательские проекты, имеющие крайне рискованный характер, но, как правило, связанные с получением технологий, имеющих ключевое и долгосрочное значение для фирм. Следовательно, можно говорить о бесспорной эффективности государственной научно-технологической политики Норвегии в долгосрочном периоде во всех отраслях, включая нефтегазовый сектор.



Заключение

Успешный опыт Норвегии по развитию нефтегазовой отрасли в суровых условиях Арктики и подводного залегания месторождений всегда привлекал повышенное внимание представителей и участников данной сферы. Начав промышленную добычу нефти лишь в 1970 году, уже через пять лет можно отметить значительное увеличение темпов добычи, а через десять лет первые результаты проводимых государством стимулирующих мер развития отрасли. И на протяжении всего пути становления отрасли, в основе всех процессов, послуживших ее процветанию, лежит технологическое развитие. Во многом благодаря усилиям норвежского государства, постепенно формировавшему благоприятную для отрасли инфраструктуру для создания и внедрения нового технологического опыта, удалось создать передовую нефтегазовую сферу, конкурентоспособную на международном рынке. Для постижения этого невероятного опыта необходимо исследовать полную историю становления отрасли, т.к. каждый шаг, предпринимаемый государством или компаниями, был ответом на возникающие перед отраслью вызовами.

Так, в ходе исследования эволюции развития нефтегазовой отрасли Норвегии можно выделить ряд ключевых моментов. Во-первых, государство всегда стремилось привлечь зарубежных игроков в свою нефтегазовую отрасль, с тем чтобы перенять их многолетний технологический опыт. Во-вторых, оказывалась всесторонняя поддержка национальным компаниям, только входящим или уже действующим в секторе НГС (далее - нефтегазовый сектор), помимо этого привлекая к участию другие отрасли: судостроение, подводные технологии, строительство архитектурных конструкций и т.д. В-третьих, была налажена тесная связь с компаниями по выявлению их потребностей через создание специальных институтов, тесно сотрудничавших как с промышленностью, так и с научно-исследовательскими центрами. Последние так же активно привлекались в отрасль при наступлении сложных условий нефтегазового рынка посредством исполнения проектов по созданию экономически эффективных технологий, позволяющих достичь конкурентоспособного уровня. И на сегодняшний день также можно отметить множество целенаправленных программ по технологическому развитию нефтегазового сектора, способствующих увеличению финансирования НИОКР в нефтегазовой отрасли со стороны государства и бизнеса.

Таким образом, с теоретической точки зрения, используемые государством инструменты научно-технологической политики по развитию нефтегазового сектора выглядят эффективными. Увеличение финансирования в НИОКР, как правило, должно сигнализировать о том, что отмечена какая-то отдача от них. Но можно ли доказать и измерить эффективность инструментов математическим путем?

Анализ множества научных работ, посвященных оценке эффективности инструментов НТП, проведенный в рамках данной диссертации, выявил множество способов данной оценки. Кроме того, рассмотренные труды показали, что количество вложенных средств не всегда отражает качество их использования. Данную идею T. Clausen развил в своей работе “Do subsidies have positive impacts on R&D and innovation activities at the firm level?” (Стимулируют ли субсидии деятельность фирм по развитию НИОКР и инноваций). В основе анализа были использованы данные по норвежским фирмам. Основная гипотеза состоит в проверке заключения, что субсидии, направленные на исследовательские проекты (far from the market) и конструкторские проекты (close to the market) оказывают стимулирующий эффект на частные затраты на НИОКР. В результате исследования было выявлено, что субсидии, направленные на исследовательские проекты, дополняли и стимулировали уже выделенные на эти проекты средства фирм, в то время как субсидии, выделенные на конструкторские проекты, замещали часть средств фирм на эти проекты. Полученные выводы были построены на основе данных норвежских фирм за 2001 год. Однако, сам автор отмечает в своей работе, что эти результаты являются отражением краткосрочного действия инструментов НТП. Но поскольку для полноценного воплощения введенного решения требуется несколько лет, что было отражено в анализе эволюции развития нефтегазового сектора Норвегии, особый интерес представляет проверка долгосрочности воплощаемых государством шагов.

Для осуществления этой проверки были проанализированы внутренние затраты норвежских компаний на НИОКР в динамике и построена эконометрическая модель с целью оценки влияния различных инструментов НТП Норвегии и других источников финансирования в долгосрочной перспективе на внутренние затраты норвежских фирм на НИОКР.

Во-первых, анализ подтвердил ранее выдвинутую гипотезу о необходимости оценки эффективности инструментов НТП Норвегии в нефтегазовом секторе в рамках длительного временного периода. Об этом свидетельствует выбор программой Stata модели регрессии с фиксированными эффектами, учитывающую индивидуальные экономические и временные эффекты наблюдений, как наиболее качественной для оценки. Кроме того, модель с фиксированными эффектами построенная в отклонениях от средних индивидуальных эффектов (модель с внутригрупповыми оценками коэффициентов) позволяет учитывать отклонение регрессоров от средних значений для каждой отрасли в каждом временном периоде. Данный факт подчеркивает необходимость учета временного фактора.

Во-вторых, анализ подтвердил, что все используемые в модели факторы, в том числе государственная финансовая поддержка, оказывает стимулирующий, а не замещающий эффект для внутренних затрат норвежских компаний на НИОКР. Это говорит об эффективности выделенных государственных средств для технологического развития компаний и отрасли в целом.

В-третьих, основываясь на выводах работы T. Clausen (2009), о том, что средства, поступившие в компании в рамках программы налогового вычета SkatteFUN оказывают стимулирующий эффект на финансирование проектов “far from the market” (исследовательских проектов, с высокой степенью риска и долгосрочной отдачей), можно заключить, что при увеличении размера налогового вычета на 1 млн. норв. крон норвежские компании выделяют дополнительные 0,03 млн. норв. крон на внутренние затраты по исследовательским проектам.

Таким образом, в рамках данной работы была доказана необходимость оценки влияния научно-технологической политики Норвегии на нефтегазовый сектор в динамике. И была построена соответствующая модель, которая может быть использована и для отечественного нефтегазового сектора. Дальнейшее направление исследования в рамках выбранной темы может содержать анализ эффективности различного набора инструментов НТП Норвегии в нефтегазовом секторе присущих определенной фазе эволюции развития нефтегазового сектора Норвегии. Данный шаг позволит создать систему моделей оценки эффективности НТП в нефтегазовом секторе для любой страны для каждого этапа развития сектора нефти и газа. Выбор каждой для конкретного случая модели будет определяться набором уже применяемых инструментов НТП, и позволит выявить необходимость устранения или введения дополнительных инструментов.



Список используемой литературы

1. Воробьев А.А. Роль концессионной системы Норвегии в освоении шельфа. // Вестник МГИМО Университета, 2011, 6 c.;

2. Гончаренко И.А. Правовое регулирование налогообложения разработки месторождений нефти и газа в Российской Федерации и зарубежных странах. Учебное пособие / МГИМО (Университет) МИД России. - М.: Статут, 2009. 208 c.;

3. Крюков В.А., Вебер Ш., Время «шаблонных» решений исчерпано // Всероссийский экономический журнал (ЭКО). Выпуск 2 / Под ред. В.А. Крюкова. М.: АНО "Редакция журнала "ЭКО", 2016. С. 32-55;

4. Лунден Л. Российская налоговая и лицензионная политика в отношении шельфовых проектов // Всероссийский экономический журнал (ЭКО). Выпуск 3 / Под ред. В.А. Крюкова. М.: АНО "Редакция журнала "ЭКО", 2014. С. 30-54.;

5. Лунден Л., Фьортов Д., Двадцать лет освоения, а нефти до сих пор нет: Приразломное - первый мучительный арктический шельфовый проект России // Всероссийский экономический журнал (ЭКО). Выпуск 4 / Под ред. В.А. Крюкова. М.: АНО "Редакция журнала "ЭКО", 2013. С. 56-77;

6. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика: начальный курс. - М., 2004. 576 с.;

7. Норвегия - Россия: Научные исследования и сотрудничество в северных регионах // The Research Council of Norway, Oslo. 2012. 20 p.;

8. Ратникова T.A. Анализ панельных данных в пакете «Stata». Методические указания к компьютерному практикуму по курсу “Эконометрический анализ панельных данных” / Государственный университет ВШЭ. - М.:2004. 40 с.;

9. Штокмановское месторождение: Подробные сведения о сложном и интересном проекте // ROGTEC. 2014. №13. С.69-80.;

10. The Petroleum Taxation Act No. 35 relating to the Taxation of Subsea Petroleum Deposits // Ministry of Finance of Norway - 13.06.1975

11. OG21 - Oil and Gas in the 21st Century Norwayґs Technology Strategy for the 21st Century // Norwegian Ministry of Petroleum and Energy, Norwegian Petroleum Directorate, 2017. 100 p.;

12. Norsok analysis project // Norsk olje&gass, Norsk Industry. 2016. 157 p.;

13. Report on Science & Technology: Indicators for Norway // Norwegian Institute for Studies in Research and Higher Education (NIFU), Oslo. 2002. 67 p.;

14. RUTH research program is completed - new methods improve oil recovery // Seminar at the Norwegian Petroleum Directorate. 2002. 2 p.;

15. Statistical Yearbook of Norway // Statistics Norway, Oslo, Kongsvinger. 1995-2013

16. Work programme for the DEMO 2000 Programme 2013-2018 // The Research Council of Norway, Oslo. 2013. 10 p.;

17. Innovation in Energy Technology: Comparing National Innovation Systems at the Sectoral Level // OECD, 2006. 318 p.;

18. Norwegian Petroleum Technology: A success story // Norwegian Academy of Technological Sciences, Offshore Media Group / Ed. by H. Keilen. 2005. 89 p.;

19. Oil and Gas Fields in Norway (Industrial Heritage Plan) // Norsk Oljemuseum. Oslo, 2011. 25 p.;

20. Beck М., Junge M., Kaiser U. On the effects of research and development: A literature review // DEA, 2017. 95 p.;

21. Beck M., Junge M., Kaiser U. Public Funding and Corporate Innovation // Discussion Paper Series, Bonn: IZA - Institute of Labor Economics, 2017. 49 p.;

22. Clausen T. Do subsidies have positive impacts on R&D and innovation activities at the firm level? // Structural Change and Economic Dynamics. 2009. № 20(4). P.239-254.;

23. Clausen T., Pohjola M., Sappraserty K., Verspagenz B. Innovation strategies as a source of persistent innovation // Industrial and Corporate Change. 2011. №21 (3). P. 553-585;

24. Engen O.A. The development of the Norwegian Petroleum Innovation System: A historical overview. Stavanger, 2007. 46 p.;

25. Fagerberg J. Innovation - a New Guide // University of Oslo, 2013. 54 p.;

26. Fagerberg J., Mowery D., Nightingaley P. Introduction: The heterogeneity of innovation--evidence from the Community Innovation Surveys // Industrial and Corporate Change. 2012. №21 (5). P. 1175-1180;

27. Fagerberg J., Mowery D., Verspagen B. Innovation, Path Dependency, and Policy: The Norwegian Case // Oxford Scholarship Online, 2009. 406 p.;

28. Fagerberg J., Mowery D., Verspagen B. The evolution of Norway's national innovation system // Science and Public Policy. 2009. №36 (6). P.431-444.;

29. Ilbeigi A., Innovation Policy Evaluation Using a Structural Model // University of Trento - Italy, 2013. 30 p.;

30. Jansen J., Bjerke J. Norwegian Petroleum Taxation: An Introduction. Oslo, 2012. 72 p.;

31. Kvendseth S. Giant discovery: A history of Ekofisk through the first 20 years// Phillips Petroleum Company Norway, 1988. 224 p.;

32. Mikkelsen A., Jшsendal K., Moxnes Steineke J., Rapmund A. TIP Focus Group on Energy Innovation System Country Report Upstream Oil and Gas in Norway. // OECD. 2004. P.39;

33. Sapprasert K., Clausen T. Organizational innovation and its effects // Industrial and Corporate Change. 2012. №21 (5). P. 1283-1305;

34. Thurber M., Hults D., Heller P. Exporting the “Norwegian Model”: The effect of administrative design on oil sector performance // Energy Policy, 2001. P. 1-13;

35. Vorobyov A. Research and technology agreements in the Norwegian concession system of the 1970s - 1990s. Baltic Region, 2012. 9 p.;

36. Zhovtobryukh Y., Nordkvelde M., Reve T. The Innovation Performance of the Norwegian Offshore Industry: a Report for the Norwegian Oil and Gas Association. Oslo: Allkopi, 2014. 39 p.

Приложение 1

Научные работы, посвященные оценке эффективности влияния инструментов НТП на развитие НИОКР, международный опыт

№	Исследование	Данные	Период	Методология	Основные результаты
Налоговые льготы
1	Elschner et al. (2011)	Страны-Члены ЕС	2006-2007	Имитационная модель	Важен формат налоговых льгот, например, налоговые льготы в зависимости от объемов производства или налоговые льготы, предусматривающие субсидирование переустройства проектов, инфраструктуры и т.д.
2	Castellacci and Lie (2015)	Множество стран	1991-2013	Анализ множественной регрессии	В работе представлено исследование о влиянии налоговых льгот для НИОКР на инновационную деятельность фирм. Вывод анализа: принадлежность к сектору имеет большое значение; сильный дополняющий эффект оказывают налоговые льготы, выделенные на малое и среднее предпринимательство (далее - МСП), на фирмы в секторе услуг.
3	Lokshin and Mohnen (2012)	Голландское Community Innovation Survey (Объединенное инновационное исследование, CIS), статистика	1996-2004	Метод инструментальных переменных, имитационная модель	Влияние голландской схемы налогового стимулирования НИОКР на зарплаты работников в секторе НИОКР. Коэффициент эластичности з/п в НИОКР при участии схемы налогового стимулирования в краткосрочном периоде составляет 0,2 в долгосрочном 0,24.
Субсидирование и сотрудничество в НИОКР
4	Busom and Fernбndez-Ribas (2008)	Испанская база данных	1990-1996	Различные регрессионные модели	Исследование показало, что при предоставлении субсидии повышается вероятность сотрудничества частной фирмы с государственными исследовательскими институтами или другой частной фирмой.
5	Czarnitzki et al. (2007)	Финское и немецкое CIS	1994-2000	Сравнительный подход, Пробит модель	Субсидии, предоставляемые при сотрудничестве, увеличивают количество патентов и продаж НИОКР.
6	Hottenrott and Lopes-Bento (2014)	Бельгийское CIS	2002-2008	Сравнительный подход, Анализ эффектов воздействия	Подтверждение результатов предыдущих исследований в том, что сотрудничество в области НИОКР положительно влияет на инновационную деятельность. Однако, если фирма имеет более 2/3 проектов НИОКР в сотрудничестве с компаниями, то ее затраты превышают получаемые выгоды.
Субсидирование малого бизнеса
7	Lach (2002)	База данных Израиля	1990-1995	Объединенная модель регрессии, Метод «разность разностей»	Анализ промышленных израильских фирм за период 1990-х годов показал, что субсидии на НИОКР, предоставленные Министерством промышленности и торговли оказали значительное влияние на увеличение финансирования затрат на НИОКР небольших компаний, что нельзя сказать о более крупных компаниях.
8	Kaiser and Kuhn (2012)	База данных Дании	1990-2007	Сравнительных подход, Метод «разность разностей»	Анализируется эффективность схемы субсидирования совместных исследовательских предприятий, на основе сотрудничества государственных исследовательских институтов и промышленности. Основные полученные результаты: эффекты от участия в программе постоянны начиная с первого года участия и длятся 3 года; эффекты от программы отражаются на занятости лишь через год; не наблюдается статистически значимого влияния на добавленную стоимость или на производительность труда.
9	Hall et al. (2009)	База данных Италии	1995-2003	Регрессионная модель	Субсидии стимулируют деятельность малого бизнеса в отношении развития НИОКР.
10	Czarnitzki and Lopes-Bento (2012)	Данные Бельгии, Германии, Люксембурга, Испании	2002-2004	Сравнительный подход, Регрессионные модели	Эффекты от коммерческих программ стимулирования инновационной деятельности, финансируемые государством, стабильны с течением времени. Дополнительное финансирование из других источников, а также постоянное поучение грантов, не снижает результативность существующих эффектов от программы.
Структура НИОКР: Финансирование исследований и финансирование разработок
11	Clausen (2009)	Норвежское СIS	1998-2001	Построение регрессии с инструментальными переменными (IV)	Государственное субсидирование исследований стимулирует частное финансирование НИОКР; гранты, предоставляемые на разработки преимущественно заменяют частное финансирование НИОКР; субсидирование исследовательских проектов, дополняют частное финансирование этих проектов.
12	Hottenrott et al. (2015)	Данные анкетирования (опросов) в Бельгии	2000-2009	Сравнительный подход	Наличие перекрестного эффекта от субсидий: граны на конструкторскую деятельность могут также стимулировать активность компаний в исследовательской деятельности.

Источник: Beck М., Junge M., Kaiser U., On the effects of research and development: A literature review, DEA, 2017, P.32-34.



Приложение 2

Регрессия-1. Зависимость размера субсидий на НИОКР от характеристик фирм

Фактор (характеристика фирмы)	Сумма субсидии, предоставляемая на исследовательский проект (far from the market)	Сумма субсидии, предоставляемая на конструкторский проект (close to the market)
	Коэффициент b при факторе	Коэффициент b при факторе
Размер фирмы (определяется по количеству сотрудников)	0,4920	0,0608
Количество лет с момента основания фирмы	- 0,0474	0,0152
Группа (принадлежность фирмы к определенной группе, бинарная переменная)	- 0,1804	0,0222
Иностранная собственность (является ли фирма иностранной или отечественной собственностью, бинарная переменная)	- 0,0577	- 0,4233
Диверсифицированная деятельность (бинарная переменная)	- 0,1687	- 0,2727
Количество патентов	0,6861	0,0397
Количество экспорта (в 1999 году)	0,0780	0,1934
Рост (процентное увеличение числа сотрудников за период 1999-2001 года)	0,0003	- 0,0009
Расстояние от фирмы до центра SND - State Industrial and Development Fund (Государственный фонд промышленности и развития)	0,1622	0,1038
Расстояние от фирмы до NRC - Norwegian Research Council (Норвежский исследовательский совет)	- 0,0072	0,0617
Государственное финансирование (far from the market) на уровне отрасли (финансирование, предоставляемое NRC, EU, FUNN)	0,00003	7,99е-06
Государственное финансирование (close to the market) на уровне отрасли (финансирование, предоставляемое SND, Министерствами)	- 0,00009	1,24е-06
Константа	- 1,1082	0,1366
Коэффициент детерминации R2	0,12	0,04
Количество фирм	1019	1019

Источник: Clausen T.H., Do subsidies have positive impacts on R&D and innovation activities at the firm level?, Oslo, 2007, P.54.



Приложение 3

Регрессия - 2. Зависимость развития сектора НИОКР фирм от предоставляемых субсидий

Фактор	Внутренние затраты фирмы на НИОКР	Затраты фирмы на конструктор-ские проекты	Затраты фирмы на исследователь-ские проекты	Производительность труда сотрудников со степенью Магистр и выше, задействованных в НИОКР	Производительность труда сотрудников со степенью Доктор наук, задействованных в НИОКР	Инвестиции фирмы в НИОКР	Затраты фирмы на инновационную деятельность	Затраты фирмы на НИОКР извне
	Коэффициент b при факторе	Коэффициент b при факторе	Коэффициент b при факторе	Коэффициент b при факторе	Коэффициент b при факторе	Коэффициент b при факторе	Коэффициент b при факторе	Коэффициент b при факторе
Субсидии, направленные на конструкторские проекты (close to the market)	- 0,6625	- 0,6677	- 0,2460	- 0,4298	- 0,0307	- 0,2444	- 0,5540	- 0,7901
Субсидии, направленные на исследовательские проекты (far from the market the market)	0,3647	0,1457	1,3468	0,5071	0,2597	0,4531	0,5164	0,3792
Размер фирмы	0,4219	0,5003	0,0318	0,1289	0,0072	0,5374	0,0164	0,2253
Количество лет функционирования фирмы	- 0,0521	- 0,0168	- 0,0892	- 0,0536	- 0,0246	- 0,0768	- 0,1649	- 0,0640
Принадлежность к группе	0,2914	0,2783	0,2349	0,1134	- 0,0295	0,1952	0,3551	0,8102
Иностранная собственность	- 0,2014	- 0,4529	0,1421	- 0,1397	0,0308	- 0,0543	- 0,5746	0,3224
Диверсификация деятельности	- 0,1885	- 0,1574	0,0284	- 0,0128	0,0517	- 0,1458	0,3331	0,0981
Количество патентов	0,5387	0,7002	0,0848	0,1051	0,0392	0,4321	0,5097	0,1762
Экспортная деятельность	0,8936	0,9846	0,5571	0,5914	0,1523	1,2241	0,3013	1,2991
Рост числа сотрудников	0,0082	0,0087	- 0,0012	0,0055	0,0003	- 0,0032	0,0041	0,0127
Константа	5,9697	5,5221	0,9702	0,8151	0,0093	4,2056	3,5948	1,2361
Количество фирм в анализе	1019	1019	1019	1019	1019	1019	1019	1019

Источник: Clausen T.H. Op. cit. P. 55.

Размещено на Allbest.ru

...