DOI: https://doi.org/10.1007/s40821-025-00295-w
تاريخ النشر: 2025-02-25
المؤلف: Jacques Mairesse وآخرون
الموضوع الرئيسي: ابتكار الشركات والنمو
نظرة عامة
تقدم هذه الورقة مراجعة شاملة للبحوث التجريبية التي أجريت بين عامي 2013 و2023 بشأن العلاقة بين الابتكار والإنتاجية. تتضمن تمثيلاً بصرياً للمجالات الرئيسية للتحقيق، مع تسليط الضوء على الموضوعات السائدة في الأدبيات. تم تنظيم المراجعة بشكل منهجي لفحص المنهجيات المستخدمة في تحليل العلاقة بين الابتكار والإنتاجية، ومجموعات البيانات المستخدمة، والنتائج المستخلصة من الدراسات.
في الختام، تقدم الورقة توصيات لتوجيهات البحث المستقبلية، بهدف توضيح تعقيدات كيفية تأثير الابتكار على الإنتاجية عبر سياقات مختلفة.
مقدمة
تستعرض مقدمة هذه الورقة التقدمات في مجال الابتكار والإنتاجية من 2013 إلى 2023، معتمدة على الأدبيات السابقة مع التركيز حصرياً على الدراسات التجريبية التي تستخدم البيانات الدقيقة. يحدد المؤلفون نطاقهم من خلال استبعاد الأوراق النظرية، والدراسات المتعلقة بتقنيات معينة، وتلك التي لا تربط مباشرة بين الابتكار والإنتاجية. تم استخدام نهج منهجي لجمع أكثر من ألف ورقة مراجعة من الأقران ذات الصلة، مع التأكيد على أهمية مخرجات الابتكار بدلاً من المدخلات، وتسليط الضوء على التحديات في قياس الإنتاجية، مثل قيود البيانات والاعتمادية الداخلية للمدخلات.
تحدد الورقة طرقاً مختلفة لقياس الإنتاجية، بما في ذلك إنتاجية العامل الواحد وإنتاجية العوامل الكلية، بينما تناقش أيضاً التعقيدات المرتبطة بتقدير الإنتاجيات الحدية. تشير إلى انتشار بيانات الاستطلاع الجديدة التي تعزز فهم الابتكار عبر سياقات مختلفة، بما في ذلك استخدام البيانات المستندة إلى الويب لمقاييس الابتكار في الوقت المناسب. يبرز المؤلفون نموذج CDM كإطار أساسي في الأدبيات، معالجين الاعتمادية الداخلية والسببية بين البحث والتطوير، والابتكار، والإنتاجية. تختتم المقدمة بتحديد تنظيم مراجعة الأدبيات، والتي ستستكشف امتدادات نموذج CDM، والعناصر العشوائية، وطرق بديلة لتقدير تأثيرات الابتكار على الإنتاجية، بهدف تحديد توجيهات البحث المستقبلية.
الطرق
تناقش هذه القسم طرق التقدير المختلفة المستخدمة في نموذج CDM (Crepon-Duguet-Mairesse)، الذي يفحص العلاقة بين البحث والتطوير، ومخرجات الابتكار، والإنتاجية. في البداية، استخدم النموذج هيكلًا تكراريًا يتكون من نموذج اختيار من نوع توبيط II أو نموذج اختيار هيكمان للبحث والتطوير، ومعادلة مخرجات الابتكار المتأثرة بالبحث والتطوير، ومعادلة الإنتاجية المحددة بمخرجات الابتكار. تم إجراء التقدير باستخدام طريقة المربعات الصغرى غير المنحازة أو مقدرات المسافة الدنيا، معتمداً على قيود الاستبعاد لتحديد المعلمات. استكشفت الدراسات اللاحقة تقنيات تقدير بديلة، بما في ذلك الاحتمالية القصوى، ونمذجة المعادلات الهيكلية العامة، وأشكال مختلفة من المربعات الصغرى ذات المرحلتين (2SLS) والمربعات الصغرى ذات الثلاث مراحل (3SLS)، كل منها له مزاياه وتحدياته فيما يتعلق بالكفاءة وأخطاء التحديد.
تسلط هذه القسم الضوء على التحديات الحرجة في نمذجة المعادلات الهيكلية، مثل تحديد قيود الاستبعاد المناسبة والعثور على متغيرات أدوات صالحة. تؤكد على أهمية اختبار جودة الأدوات والاحتمالية المحتملة للتزامن بين الابتكار والإنتاجية. من الجدير بالذكر أنه بينما كان نموذج CDM الأصلي تكرارياً، سمحت بعض الدراسات بتأثيرات التغذية الراجعة، مما يشير إلى أن الإنتاجية المتأخرة قد تؤثر على الابتكار. بالإضافة إلى ذلك، تتناول هذه القسم مسألة أخطاء القياس في البحث والتطوير والابتكار، مشيرة إلى أن هذه الأخطاء يمكن أن تؤثر بشكل كبير على النتائج. تقدم ماريز و روبن (2017) أدلة على أخطاء القياس في كل من البحث والتطوير والابتكار، لا سيما في سياق بيانات استطلاع الابتكار الفرنسية، مما يشير إلى أن هذه الأخطاء أكثر وضوحاً في مقاييس الابتكار ومستقلة عن أخطاء رأس المال.
المناقشة
تتناول قسم المناقشة في ورقة البحث تطور وتعميم نموذج CDM (Crepon، Duguet، وMairesse)، الذي كان يهدف في الأصل إلى تقدير العائد على البحث والتطوير من خلال إطار تكراري يربط البحث والتطوير بمخرجات الابتكار ومن ثم بالإنتاجية. على مدار العقد الماضي، تم توسيع النموذج ليشمل مجموعة أوسع من البلدان وبيانات اللوحات، وطرق تقدير بديلة، ومتغيرات داخلية إضافية مثل نفقات الابتكار، وتكنولوجيا المعلومات والاتصالات، وممارسات الإدارة. من الجدير بالذكر أن العلاقة الإيجابية بين الابتكار والإنتاجية قد تم تأكيدها، على الرغم من أن إثبات السببية لا يزال تحدياً، لا سيما في الدراسات المقطعية. قدمت بعض الدراسات، مثل تلك التي أجراها ريموند وآخرون (2015) وديميل وآخرون (2017)، أدلة على سببية غرانجر من الابتكار إلى الإنتاجية، مع تسليط الضوء أيضاً على دور الاختيار الذاتي بناءً على الإنتاجية السابقة.
تتناول القسم أيضاً إدخال أنواع مختلفة من مخرجات الابتكار، بما في ذلك الابتكارات التكنولوجية وغير التكنولوجية، وتأثيراتها المختلفة على الإنتاجية. على سبيل المثال، تميل الابتكارات العملية إلى تعزيز الإنتاجية بشكل أكبر من الابتكارات المتعلقة بالمنتجات، لا سيما في بعض القطاعات. تشير الورقة أيضاً إلى تعقيد التفاعلات بين أنواع الابتكار المختلفة وتأثيراتها على الإنتاجية، مما يبرز الحاجة إلى مجموعات بيانات أكبر لفهم هذه العلاقات بشكل أفضل. بالإضافة إلى ذلك، تسلط المناقشة الضوء على التباين في العلاقة بين الابتكار والإنتاجية عبر أحجام الشركات المختلفة، والقطاعات، والبلدان، مما يشير إلى أن عوامل مثل السياق المؤسسي ومستوى التنمية تؤثر بشكل كبير على هذه الديناميات. بشكل عام، تؤكد النتائج على الطبيعة متعددة الأبعاد للابتكار ودوره الحاسم في دفع الإنتاجية، بينما تدعو أيضاً إلى نماذج أكثر دقة تأخذ في الاعتبار التأثيرات المتنوعة المعنية.
DOI: https://doi.org/10.1007/s40821-025-00295-w
Publication Date: 2025-02-25
Author(s): Jacques Mairesse et al.
Primary Topic: Firm Innovation and Growth
Overview
This paper provides a comprehensive review of empirical research conducted between 2013 and 2023 regarding the relationship between innovation and productivity. It includes a visual representation of key areas of investigation, highlighting the predominant themes within the literature. The review is systematically organized to examine the methodologies employed in analyzing the innovation-productivity link, the datasets utilized, and the findings derived from the studies.
In conclusion, the paper offers recommendations for future research directions, aiming to further elucidate the complexities of how innovation influences productivity across various contexts.
Introduction
The introduction of this paper reviews the advancements in the field of innovation and productivity from 2013 to 2023, building on previous literature while focusing exclusively on empirical studies utilizing microdata. The authors delineate their scope by excluding theoretical papers, studies on specific technologies, and those that do not directly link innovation to productivity. A systematic approach was employed to collect over a thousand relevant peer-reviewed papers, emphasizing the importance of innovation outputs rather than inputs, and highlighting the challenges in measuring productivity, such as data limitations and the endogeneity of inputs.
The paper identifies various methods for measuring productivity, including single factor productivity and total factor productivity, while also discussing the complexities involved in estimating marginal productivities. It notes the proliferation of new survey data that enhance the understanding of innovation across different contexts, including the use of web-based data for timely innovation metrics. The authors highlight the CDM model as a foundational framework in the literature, addressing endogeneity and causality between R&D, innovation, and productivity. The introduction concludes by outlining the organization of the literature review, which will explore extensions of the CDM model, stochastic elements, and alternative methods for estimating the effects of innovation on productivity, ultimately aiming to identify future research directions.
Methods
The section discusses various estimation methods employed in the CDM (Crepon-Duguet-Mairesse) model, which examines the relationship between R&D, innovation output, and productivity. Initially, the model utilized a recursive structure comprising a Tobit type II or Heckman selection model for R&D, an innovation output equation influenced by R&D, and a productivity equation determined by innovation output. The estimation was performed using asymptotic least squares or minimum distance estimators, relying on exclusion restrictions for parameter identification. Subsequent studies have explored alternative estimation techniques, including maximum likelihood, generalized structural equation modeling, and various forms of two-stage least squares (2SLS) and three-stage least squares (3SLS), each with its advantages and challenges regarding efficiency and specification errors.
The section highlights critical challenges in structural equation modeling, such as determining appropriate exclusion restrictions and finding valid instrumental variables. It emphasizes the importance of testing the quality of instruments and the potential simultaneity between innovation and productivity. Notably, while the original CDM model was recursive, some studies have allowed for feedback effects, suggesting that lagged productivity may influence innovation. Additionally, the section addresses the issue of measurement errors in R&D and innovation, noting that these errors can significantly affect the results. Mairesse and Robin (2017) provide evidence of measurement errors in both R&D and innovation, particularly in the context of French innovation survey data, indicating that these errors are more pronounced in innovation metrics and are independent of capital stock errors.
Discussion
The discussion section of the research paper elaborates on the evolution and generalization of the CDM (Crepon, Duguet, and Mairesse) model, which originally aimed to estimate the return on R&D through a recursive framework linking R&D to innovation output and subsequently to productivity. Over the past decade, the model has been extended to include a broader range of countries and panel data, alternative estimation methods, and additional endogenous variables such as innovation expenditures, ICT, and management practices. Notably, the positive correlation between innovation and productivity has been reaffirmed, although causality remains challenging to establish, particularly in cross-sectional studies. Some studies, such as those by Raymond et al. (2015) and Demmel et al. (2017), have provided evidence for Granger causality from innovation to productivity, while also highlighting the role of self-selection based on past productivity.
The section further discusses the introduction of various types of innovation outputs, including technological and non-technological innovations, and their differential impacts on productivity. For instance, process innovations tend to enhance productivity more significantly than product innovations, particularly in certain sectors. The paper also notes the complexity of interactions between different types of innovation and their effects on productivity, emphasizing the need for larger datasets to better understand these relationships. Additionally, the discussion highlights the heterogeneity in the innovation-productivity link across different firm sizes, sectors, and countries, suggesting that factors such as institutional context and development level significantly influence these dynamics. Overall, the findings underscore the multifaceted nature of innovation and its critical role in driving productivity, while also calling for more nuanced models that account for the diverse influences at play.