ŠIRA SLIKA BR. 3
U rubrici Šira slika objavljuju se Labove dubinske ekonomske analize.
Šira slika br. 1. Hrvatski turistički bum: dolazi li virus nizozemske bolesti?
Šira slika br. 2. Je li kuna stvarno precijenjena?
Vijest da je vlada novim Zakonom o državnoj potpori za istraživačko-razvojne projekte predvidjela značajne porezne olakšice za ulaganja u R&D svakako je pozitivna ako uzmemo u obzir tri važne činjenice.
Prvo, Hrvatska u usporedbi sa zemljama članicama EU uistinu ima nisku razinu ulaganja u istraživanje u razvoj (Slika 1). Drugo, Hrvatska je prema globalnom indeksu inovativnosti jedna od najmanje inovativnih zemalja u EU (Slika 2). Treće, upravo su slabo ulaganje u R&D i otežan pristup financiranju jedan od temeljnih uzroka loše pozicije na globalnoj ljestvici inovativnosti, što se vidi iz Tablice 1.
Slika 1: Ulaganje u R&D (% BDP-a)
Izvor: Eurostat
Slika 2: Indeks inovativnosti (0-100)
Izvor: GII
Tablica 1: Komponente Globalnog indeksa inovativnosti za Hrvatsku 2017.
Institucije | 69.3 | Sofisticiranost tržišta | 42.1 | |
Političko okruženje | 66.5 | Krediti | 26.9 | |
Regulatorno okruženje | 67.1 | Investicije | 38 | |
Poslovno okruženje | 74.3 | Konkurencija i tržište | 61.4 | |
Ljudski kapital i istraživanje | 37.4 | Sofisticiranost poslovanja | 35.1 | |
Obrazovanje | 62.3 | “Knowledge” radnici | 52 | |
Tercijarno
obrazovanje |
38.7 | Inovacijske veze | 21.6 | |
R&D | 11 | Apsorpcija znanja | 31.7 | |
Infrastruktura | 55.9 | Znanje i tehnološki rezultati | 25.4 | |
ICT | 72.4 | Stvaranje znanja | 19.3 | |
Opća infrastruktura | 32.9 | Utjecaj znanja | 31.5 | |
Ekološka održivost | 62.4 | Difuzija znanja | 25.4 |
Kreativni outputi | 37.9 | |
Nematerijalna imovina | 43.6 | |
Kreativna industrija | 36 | |
Online kreativnost | 28.3 |
Izvor: GII
Indeks globalne inovativnosti je kompleksan indikator koji se sastoji od sedam „stupova“. Slično kao u metodologiji Doing Business, stupovi obuhvaćaju niz indikatora koji (na temelju anketa s poduzetnicima i investitorima) odražavaju kvalitetu velikog broja važnih čimbenika koji oblikuju „inovativno okružje“.
U Tablici 1 su prikazani rezultati (od 0-100) za svaki od stupova i njihovih temeljnih pod-kategorija (svaka od njih se još dijeli, ali za detalje možete pogledati ovdje). Crvenom bojom je označeno pet najproblematičnijih područja koja ukupan rezultat za Hrvatsku drže na niskoj razini (39,8/100), a to su R&D, stvaranje znanja, inovacijske veze, difuzija znanja i krediti (dostupnost financiranja).
Ovako slabi rezultati upućuju da u Hrvatskoj postoji značajan prostor za poboljšanje. Zbog toga su pokušaji poticaja jačem ulaganju apsolutno opravdani – nositelji politike u Ministarstvu gospodarstva prepoznali su realističan problem i cilj.
Što je s efikasnošću?
Međutim, problem kvantitete ulaganja je često manji od problema kvalitete ulaganja, pri čemu se kvaliteta može aproksimirati efikasnošću.
Neka od istraživanja koja upućuju na neefikasnost javnih ulaganja u različitim područjima su: investicije i FDI (Lovrinčević; Mikulić i Marić; 2004; obrazovanje i zdravstvo (Jafarov i Gunnarson, 2008), obrazovanje (Sopek, 2012; Artistovnik i Obadić, 2014), javna uprava, obrana, obrazovanje, socijalna zaštita i zdravstvo (Slijepčević, 2009) te javne investicije i javna administracija (Bađun, Pribičević i Deskar-Škrbić, 2014). Stoga je važno analizirati efikasnost dosadašnjih ulaganja u R&D.
U nastavku teksta efikasnost dosadašnjih ulaganja u R&D u Hrvatskoj će se analizirati metodom omeđivanja podataka (engl. data envelopment analysis). Temeljna ideja ove metode je ilustrirana na Slici 3.
Slika 3: Koncept granice efikasnosti i DEA metoda
Pomoću slike 3 može se zamisliti da postoje tri zemlje (A,B,C) koje uz jedan input (os x) proizvode jedan output (os y).
Zemlja A uz isti input ostvaruje manji output od zemlje C, koja se nalazi na tzv. granici efikasnosti jer uz zadanu razinu inputa ostvaruje (uz postojeću tehnologiju, cijene i sl.) maksimalan output. S druge strane, zemlja B ostvaruje istu razinu outputa kao zemlja A, ali uz nižu razinu inputa te također uz nižu razinu inputa proizvodi maksimalan output. Dakle, zemlja A može postati efikasna na dva načina – ili da smanji input na danoj razini outputa (input metoda) ili da uz zadani input postigne veću razinu outputa (output metoda).
Metoda omeđivanja podataka (DEA – za detalje pogledati ovdje) određuje granicu efikasnosti i na temelju odnosa inputa i outputa pozicionira zemlje na granicu ili ispod nje te za njih određuje vrijednost parametara efikasnosti. Zemlje koje su na granici imaju vrijednost parametra 1, a one ispod između 0 i 1. DEA se može temeljiti na input metodi ili output metodi, kao što je prikazano na Slici 3.
Za analizu efikasnosti ulaganja u R&D s Eurostata su preuzeti podatci o ulaganju u R&D po stanovniku kao input varijabla te broj patenata na milijun stanovnika kao output varijabla, pri čemu inputi i outputi predstavljaju prosjek vrijednosti podataka u petogodišnjem razdoblju od 2010.-2014. (za 2014. su dostupni zadnji podatci o patentima). Broj patenata je odabran kao output budući da se vrlo često koristi u literaturi. Analiza obuhvaća nove zemlje članice EU, s kojima je Hrvatska usporediva. Podatci su prikazani na Slici 4.
Slika 4: Ulaganje u istraživanje i razvoj (input) i broj patenata (output)
Dijagram rasipanja omogućuje da se stvarni podatci „omeđe“ spajanjem krajnjih točaka kako bi se dobila granica efikasnosti. Tri zemlje određuju granicu efikasnosti među državama Nove Europe – Rumunjska, Latvija i Slovenija. Rumunjska i Latvija imaju niža ulaganja od Hrvatske, ali su one uz zadanu razinu inputa efikasnije od Hrvatske. Slovenija pak ima značajno veća ulaganja, i to efikasna.
Na temelju ovih podataka izračunati su parametri efikasnosti koji su, za input i output metodu, prikazani u Tablici 2.
Tablica 2: Parametri efikasnosti
Input metoda | Output metoda | ||||
Latvija | 1.0 | Latvija | 1.0 | ||
Rumunjska | 1.0 | Rumunjska | 1.0 | ||
Slovenija | 1.0 | Slovenija | 1.0 | ||
Bugarska | 0.9 | Bugarska | 0.7 | ||
Poljska | 0.5 | Mađarska | 0.5 | ||
Litva | 0.4 | Češka | 0.5 | ||
Hrvatska | 0.4 | Litva | 0.4 | ||
Mađarska | 0.4 | Poljska | 0.4 | ||
Slovačka | 0.3 | Estonija | 0.3 | ||
Cipar | 0.3 | Malta | 0.3 | ||
Malta | 0.3 | Cipar | 0.2 | ||
Češka | 0.2 | Slovačka | 0.2 | ||
Estonija | 0.2 | Hrvatska | 0.1 | ||
Iz tablice se može zaključiti kako ulaganja u istraživanje i razvoj prema rezultatima obje metode nisu efikasna. Prema input metodi, Hrvatska ima parametar efikasnosti 0,4, što ju smješta u sredinu ljestvice. S druge strane, prema output metodi, Hrvatska ima parametar 0,1 te se nalazi na samom dnu ljestvice.
Kako bi se shvatila razlika u ovim metodama treba podsjetiti da input metoda Hrvatsku „vuče“ prema lijevo, prema Rumunjskoj, kroz smanjenje inputa uz zadani output, dok output metoda „gura“ Hrvatsku gore, kroz povećanje outputa uz zadani input, prema Latviji.
DEA računa i optimalne inpute i outpute. Prema input metodi Hrvatska bi, da bi bila efikasna, za isti rezultat trebala smanjiti izdatke sa 79 eura na 30 eura po stanovniku. Prema output metodi, Hrvatska bi uz postojeću razinu inputa trebala registrirati 42 umjesto 3 patenta na milijun stanovnika.
Dakle, iako se radi o jednostavnoj analizi, s jednim inputom i jednim outputom, ona ipak sugerira kako dosadašnja ulaganja u R&D u Hrvatskoj nisu bila efikasna. To je važna poruka za nositelje politike, posebice jer se očekuje da će novi zakon dovesti do značajnog povećanja ulaganja. Od povećanja ulaganja mora biti važnija njihova efikasnost jer će se Hrvatska u suprotnom ponovno naći u situaciji „rasipanja resursa“ koje možemo definirati dvojako – kao prevelik input za danu razinu outputa, ili kao premali output za danu razinu inputa.
Zašto je ulaganje u R&D uopće važno?
Za kraj je potrebno objasniti zašto su ulaganja u R&D uopće važna za neku zemlju, posebno za Hrvatsku.
Davno je pokazano (Solow, 1956) da je dugoročna stopa rasta gospodarstava određena tehnološkim napretkom. Tehnološki napredak utječe na efikasnost korištenja tradicionalnih inputa proizvodnje, rada i kapitala (kasnije se u modele uključuje i ljudski kapital).
U tzv. neoklasičnim modelima rasta, tehnološki napredak nije bio objašnjavan, već se u modelima pojavljivao „s neba“. Kasnije, razvojem endogenih modela rasta (neki su već spominjani na Labu), počelo se istraživati kako zemlja može ubrzati tehnološki napredak i dostići tehnološki razvijenije zemlje te povećati dugoročnu tj. potencijalnu stopu rasta.
Jedan od temeljnih endogenih modela rasta je Romer-ov model (Romer je sada glavni ekonomist Svjetske banke) koji je prezentiran u radu Endogenous Technological Change 1990. Romer nije odbacio Solowljevo objašnjenje dugoročnog rasta već je razvio model u kojem je objašnjeno kako ulaganja u istraživanje i razvoj utječu na tehnološki napredak te što sve utječe na poticaje poduzetnicima da ulažu u R&D (troškovi financiranja imaju veliku ulogu). Romerov model je postao jedan od najkorištenijih teorijskih modela kojima se objašnjava važnost ulaganja u R&D. Njegova poruka ka i poruka i niza empirijskih istraživanja (pregled literature se može pronaći ovdje) je da ulaganja u R&D pozitivno utječu na gospodarski rast.
Za Hrvatsku je ova pouka važna zbog toga što je doprinos tehnološkog napretka rastu izrazito malen (o čemu je ranije bilo riječi na Labu), a podatci o potencijalnoj stopi rasta BDP-a Hrvatsku stavljaju uz dno ljestvice promatranih zemalja (vidi Sliku 5)
Slika 5: Potencijalna stopa rasta u novim zemljama članicama EU
Izvor: AMECO
Cilj je u ovome radu bio istaknuti kako su svi pokušaji poticanja snažnijeg ulaganja u istraživanje i razvoj u potpunosti opravdani, pogotovo ako se njihova uloga stavi u kontekst potencijalnog rasta i tehnološkog napretka. Međutim, važno je da se poticaji kreiraju na način da ne podrazumijevaju samo rast ulaganja već i njihovu efikasnost. Plastičnije rečeno, nije važno samo koliko će se uložiti u R&D, već prije svega kako.