Bilaga 5. CDM som illustration av betydelsen av samordning av urvalet för olika enkäter

Transkript

1 Bilaga 5 Hans Olof Hagén CDM som illustration av betydelsen av samordning av urvalet för olika enkäter Inledning Produktivitetsutvecklingen är central för de ekonomiska resurserna i vårt samhälle och därmed för vår välfärd. Dess betydelse har framhållits av många, bland annat av nobelprisvinnaren Paul Krugman som myntade det numera klassiska citatet - Productivity is not everything, but in the long run it is almost everything. De flesta produktivitetsanalyserna görs på makro- eller branschnivå. Men om man skall kunna fånga sambanden mellan olika faktorer blir det nödvändigt att analysera mikronivån, det vill säga på företagsnivå. Då behövs tillgång till olika typer av data för ett och samma företag. Syftet med denna rapport är att skapa ett illustrativt exempel över betydelsen av tillgången till relevanta data för att kunna analysera olika aktiviter inom ett företag som kan tänkas påverka deras produktivitet. De data som används i denna analys är de gemensamma observationer från de fyra undersökningarna CIS (Innovationsverksamhet), ITA (IT-användning i företag), FoU (Forskning och utveckling) och exportdata från åren 2004 till 2010 som kompletterats med registerdata om företagens ekonomi och personalstruktur. Inom analysen av produktivitet på mikronivå har de ovanstående undersökningarna en central roll. Vårt exempel illusterar väl hur analyserna begränsas när urvalsramarna hos undersökningarna skiljer sig åt. Att mäta produktivitet CDM-modellen Analysen av företagens produktivitet utgår från CDM-modellen 1, ursprungligen utvecklad av Crépon, Duguet och Mairesse för cirka 20 år sedan, från vilka den fått sitt namn. Modellen består av ett system med fyra ekvationer, där var och en har som syfte att analysera en del av innovationsprocessen. I tabell 1 sammanfattas vad som studeras i respektive ekvation. Den första ekvationen försöker beskriva vad som skiljer sig åt mellan företag som har valt att satsa resurser på att utveckla sina produkter och processer och de som avstått från att göra det. Den förstnämnda gruppen betraktas här som de innovativa företagen. Den andra ekvationen försöker testa vilka faktorer som bestämmer hur stora resurser som de innovativa företagen satsar på innovationsverksamhet. Resultatet av dessa satsningar eller output av innovationsaktiviteten beskrivs i den tredje ekvationen där den centrala 1 Crépon, B., Duguet, E., Mairesse, J., Research, Innovation, and Productivity: An Econometric Analysis at the Firm Level, Economics of Innovation and New Technology, 7(3):

2 förklarande variabeln är just de ovan beskrivn a satsningarna. Output mäts i form av försäljningen av nya varor- och tjänster per anställd. Slutligen har analysen lett fram till produktivitetsekvationen där skillnader i produktivitet förklaras av inte den faktiska innovationsoutputten utan den beräknade. Alla ekvationerna i detta system utgör ett försök till att skatta effekten av innovationsaktiviteterna när man tagit hänsyn till andra faktorer som också kan tänkas påverka produktiviteten. Där ingår också effekter i den andra riktningen, det vill säga man tar hänsyn till att en högre produktivitetsnivå ökar möjligheterna till innovationssatsningar. Målet för den här beskrivna analysen är att undersöka vad som påverkar respektive analysområde i de olika ekvationerna utöver de traditionella faktorer som kan skapas utifrån CIS-enkäten. Frågor som avses besvaras är exempelvis huruvida det finns ett samband mellan avancerad IT-användning och satsning på innovationsverksam het och om satsningar på forsk - ning och utveckling leder till ökade intäkter som kan härröras till innovationsverksamheten på företaget Tabell 1. Stegen i innovationsprocessen enligt CDM-modellen Ekvationsnummer Analyserar Variabelnamn (i tabeller och appendix) Källa variabeln till 1 Att satsa eller inte satsa resurser (oavsett nivån) på innovationer 2 Innovationsutgifter totalt i företaget per anställd (innovationsinput) 3 Försäljning som kan härröras till produktinnovationer (innovationsoutput) per anställd 4 Produktivitet mätt i nettoomsättning per anställd aktuellt år Innov CIS + företagsdata Ininp CIS + företagsdata Inout CIS + företagsdata lngplp_år CIS + Företagsd ata I den första ekvationen undersöks vad som karaktäriserar innovativa företag. I CIS får företagen svara på om de har investerat i innovationsverksamhet eller inte. Utifrån dessa svar delas sedan företagen in i två grupper; innovativa och icke-innovativa företag. Företagens investeringsvilja i innovationsverksamhet påverkas av bland annat vilken bransch företaget är verksamt i, företagets storlek och vilken marknad det verkar på. Därför måste hänsyn tas till dessa och andra karaktäristika 2 hos företaget för att i så stor mån som 2 Storlek, humankapital (mätt i andel med eftergymnasial utbildning), marknader där företaget är verksamt, huruvida det ingår i en koncern och bransch.

3 möjligt komma åt den del av beslutet som beror på företagets eget val att satsa på innovationer. Den första ekvationen skattas i första hand av statistiska skäl för att det i övriga ekvationer ska kunna korrigeras för att tillhör ighet till gruppen innovativa företag är något som företagen valt själva och beror på hur dessa ser ut och på vilken marknad de verkar. Det faktum att det är ett eget val kan leda till missvisande resultat och behöver korrigeras för. Resultatet av skattningen i sig är också av intresse eftersom det kan ge information om hur innovationsbenägenheten skiljer sig åt mellan olika branscher och huruvida större företag är mer innovativa än mindre. I den andra ekvationen (och de två följande ekvationerna) undersöks de företag som definierades som innovativa i den första ekvationen, vilket är omkring en tredjedel av de svarande företagen i CIS. Syftet m ed ekvationen är att belysa vad som påverkar storleken på innovationsutgifterna per anställd. Samma förklarande variabler som användes i den första ekvationen använd s även i d en and ra. Dessutom använd s variabler om sam - arbete, tex om samarbete skett med andra företag, universitet eller offentliga institutioner. Även vilken typ av relation som förekommit har undersökts. Hypotesen som testas är om förekomsten av sam - arbete har ett sam band m ed företagens investeringar i innovationsverksamhet. Målet med den tredje ekvationen är att studera vad som påverkar hur mycket av företagets försäljning som kan härröras till nya innovationer (innovationsoutputen), och framförallt sambandet mellan innovationssatsningar (input) och innovationsintäkter (output). I detta fall används ett utifrån modellen skattat mått på innovationssatsningarna. Återigen kontrolleras d et för en uppsättning egen - skaper hos företaget som är kända för att ha inverkan på detta led i innovationsprocessen. Även om huvudsyftet med dessa kontroller är att göra en rättvis skattning av sambandet mellan satsningar (input) och resultatet (outputen), är det också intressant att studera några av de övriga förklarande variablernas inverkan på detta led i processen. Ekvation fyra har till uppgift att undersöka sambandet mellan innovationsoutput och produktivitet. Även här kontrolleras tidigare nämnda egenskaper, men också för kapitalintensitet (kapital per anställd) och insatsandel (inköp av tjänster och varor som del av försäljningen), som är produktionsfaktorer som höjer produktiviteten när den definieras som omsättning per anställd. Syftet med detta är att i så hög grad som möjligt fånga upp effekten av just innovationsoutput och inte låta denna skattning påverkas av förväntade naturliga skillnader i produktivitet mellan exempelvis olika branscher. Hela ekvationssystemet kan sägas ha detta som syfte, nämligen att

4 analysera om innovationer förbättrar företagens ekonomiska resultat på ett statistiskt säkert sätt så at t inte ovidkommande faktorer stör denna analys. Resultat Till att börja med genomförs skattningar med utgångspunkt från CIS och företagsdata utifrån ovan beskrivna modell. Dessutom läggs årets export till som en förklarande variabel i respektive ekvation för varje företag. Eftersom samtliga företag som exporterade varor över en minsta nivå ingår i registret över svensk export och övriga företag följaktligen exporterade försumbart lite leder det inte till något bortfall att inkludera denna variabel. I förhoppning att få en bild av generella samband görs analysen för vart och ett av åren 2004, 2006, 2008 och Fokus i analyserna i denna rapport läggs på särskilt intressanta delar av modellen, som i detta fall redovisas i Tabell 2, medan fullständiga skattn ingar av hela modellen, så kallade statistikor och modelldiagnostik återfinns i appendix. Innovation stärker produktiviteten Ur Tabell 2 framgår att ungefär 5-10 procent av företagen som deltog i CIS inte ingår i analysen. Det beror på att nödvändig information om företagen saknas och endast observationer med en fullständig uppsättning av de i modellen ingående variablerna kan analyseras. Bortfallet beror i första hand på att det saknas information om företagets ekonomiska förhållanden i företagsregistret, men också till viss (mindre betydande) del på partiellt bortfall i undersökningen. Resultaten av skattningarna (Tabell 2) för de olika åren är huvudsakligen klara och entydiga. Vi kan konstatera att det d irekta sambandet är starkt. Företagets satsningar på innovationer ger hög ekonomisk utdelning som gör företaget mer produktivt. Sambandet i den andra riktningen är också starkt. Tid igare års prod uktivitet ger resursers som via större innovations - satsningar ger en större skattad försäljning av innovativa varor och tjänster. Dock har hänsyn tagits till detta i den direkta satsningen. Det kan alltså konstateras att ju större satsningarna är på innovationsverksamhet, desto högre blir intäkterna från nya innovationer, vilket är ett förväntat och önskat resultat. Exportnivån Exportens inverkan på innovationsprocessen är utifrån dessa resultat mer oklar. Det finns en tendens till att hög export också innebär hög innova - tionsoutput, även om ett sådant samband inte kan konstateras för år Krisen, som framförallt påverkade exportefterfrågan har troligen påverkat resultaten i första hand för 2008, men också Eftersom krisen för svensk del verkade främst via ett stort fall i varuexporten så är det inte förvånande att de förtetag som exportart mycket drabbats mest. För två av åren hittas ett positivt samband mellan export och innovationsinput, och för de två andra åren finns motsvarande samband istället med produktiviteten. Därem ot är resultaten m otstridiga i analysen av företagens benägen - het att vara innovativa (ekvation 1) och därför kan inga slutsatser dras om exportens inverkan på d enna. Dessa resultat m åste också ses m ot bak - grund av att det i skattningarna redan tagits hänsyn till om företagen över - huvudtaget är verksamma på exportmarknaden, och om de är det utanför Europa. Exportvariabeln ger bara en kvantitativ precisering av hur bety - delsefull varuexporten är för företaget.

5 Tabell 2. Skattningsresultat med export Deltagare totalt CIS Observationer analysen i Skattningar: Ekvation: lngplp (<.0001) (<.0001) (<.0001) (<.0001) P_ininp (0.0252) (0.0075) (0.0421) (0.0294) Inout (<.0001) (<.0001) (0.0506) (0.0847) Export (0.0875) (0.0013) (0.0654) (0.0347) Export (0.0327) (0.0088) Icke Icke Export (0.0964) (0.0004) (<.0001) Icke Export 4 Icke Icke (0.0013) (<.0001) IT-effekter Nästa steg är att inkludera data från ITA för att undersöka om IT-användningen i företaget har inverkan på något av modellens analysområden (Tabell 1). Ett index baserat på ett tiotal frågor från IT-undersökningen byggs upp för att fånga den allmänna nivån av IT-användning i företaget. Höga indexvärden innebär avanserad IT-användning och låga värden innebär därmed låg IT-användning. Ja/ nej-frågor i undersökningen behandlas enligt följande; allt som inte är ett ja -svar betraktas som nej, även om det formellt handlar om partiellt bortfall eller ett vet ej -svar. Tanken bakom detta är att vi tror att osäkerhet om vad en viss företeelse är med största sannolikhet innebär att den aktuella egenskapen inte innehas av företaget. Fördelen med detta tillvägagångssätt är att inga observationer förloras på grund av partiellt bortfall, utan alla företag som deltog i undersökningen kan användas. Samtidigt är det viktigt att minnas att det finns åtminstone någon grad av extra osäkerhet i indexet. Modellen byggs där - efter upp på motsvarande sätt som ovan, med skillnaden att denna nya variabel är tillagd som ytterligare en förklarande variabel i respektive ekvation i modellen. Resultatet redovisas i Tabell 3.

6 Tabell 3. Skattningsresultat med IT Svarande i CIS totalt Gemensamma observationer totalt CIS, ITA Observationer analysen i Skattningar: Ekvation lngplp (<.0001) (0.0009) (<.0001) (<.0001) P_ininp 3 Icke (<.0001) (0.0682) (0.0309) Inout (0.0003) IT-index (0.0357) (<.0001) (0.0001) (<.0001) (0.0008) (0.0446) (0.0067) IT-index (0.0002) (<.0001) IT-index 3 Icke (<.0001) (<.0001) Icke (0.0006) Icke IT-index 4 Icke (0.0084) Export 1 Icke (0.0013) Icke (0.0201) Icke (0.0341) Export (0.0481) (0.0088) Export 3 Icke Icke Icke Icke Icke Icke Export 4 Icke (0.0412) Icke (<.0001) Antalet observationer är drastiskt färre jämfört med analysen i Tabell 2. Det beror på att urvalsramarna är olika i de båda undersökningarna fram till 2008, vilket gör att nästan alla utom de medelstora och större företagen i respektive undersökning endast deltar i en undersökning. Jämförelse av tabellens andra och tredje rad visar att några företag som deltog i båda undersökningarna uteslöts från modellen. Det är främst på grund av att företagsdata saknas men på partiellt bortfall i CIS. Skattningarna av produktiviteten visar på sam m a tend ens som skattningarna i Tabell 2, det vill säga att ju högre produktivitet desto högre innovationsoutput. Värt att notera är dock att sambandet i detta fall är något starkare. Med undantag från 2004, där inget samband kan konstateras utifrån modellen, är det även här tydligt att större satsningar på inno-

7 vationer (input) också leder till högre intäkter till följd av innovationer (output). Också i detta fall är sambandet starkare, eller med andra ord skattningarna högre, jämfört med den tidigare modellen. Även sambandet mellan innovationsoutput och produktivitet är positivt och i allmänhet något större än resultatet i Tabell 2. Återigen kan inga generella slutsatser dras om exportens inverkan på benägenheten att vara innovativt för ett företag, medan det tycks höja investeringarna som innovativa företag gör i innovationsverksamhet. Också i detta fall är resultaten för exporten i ekvation fyra otydliga och motstridiga. I motsats till resultatet i Tabell 2 kan export inte konstateras ha någon påverkan på innovationsoutputen något av åren. Rubrik Slutsats Kommentar Sammanfattning? Sammanfattningsvis kan slutsatsen dras att samtliga variabler analyserat i allmänhet har större betydelse i den senare modellen än i den tidigare. Orsakerna till detta kan vara flera. Den mest uppenbara är a tt genom att lägga till kravet att företagen som analyseras utöver att ha deltagit i CIS också ska ha deltagit i IT-undersökningen minskar den analyserade gruppen drastiskt i storlek. På grund av upplägget av urvalsramarna, där större och medelstora företag alltid ingår i urvalet, finns det anledning att tro att gruppen företag som ingår i den sen are analysen generellt sett skiljer sig något från företag i den första analysen, vilket kan leda till andra resultat. En annan trolig orsak är att denna modell in nehåller ytterligare en variabel IT-användningen och att denna fångar upp en del av variationen hos övriga variabler vilket förändrar skattningarna av dessa variabler. En kombination av båda förklaringarna är mest trolig. Ur Tabell 3 framgår att hög IT-användning ökar sannolikheten för ett företag att vara innovativt. På samma sätt kan ett positivt samband mellan hög IT-användning och mängden pengar innovativa företag satsar på innovationer konstateras. I allmänhet visar modellen inte på något samband mellan IT-användning och innovationsoutput, med undantag för Det innebär inte att innovationsresultatet inte ökar m ed en ökad ITanvändning, eftersom innovationsinsatsen ökar och då företagen i medeltal får ut lika mycket resultat givet insatsen oberoende av IT-användningen. Det säger bara att effektiviteten i själva innovationsprocessen inte påverkas av IT-användningen. Det är också svårt att dra en entydig slutsats om IT-användningens inverkan på prod uktiviteten förutom d ess inverkan via en ökad innovationsverksamhet eftersom resultaten är motstridiga de olika åren. År 2004 och 2008 kan inget samband konstateras, m ed an resultaten säger att IT-användning är negativt för produktiviteten år 2006 och positivt år Som tidigare nämnts saknas också oväntat samband mellan input och output år Det kan inte uteslutas att dessa otydliga och oväntade resultat är en effekt av att datamaterialen är av mer begränsad storlek än i föregående analyser. Ju mindre data att basera skattningarn a på, desto större betydelse får slumpmässiga skillnader, vilket leder till osäkrare resultat. Det är viktigt att minnas att det redovisade antalet observationer i Tabell 2 och 3 endast anger antalet företag som analyseras i den första ekvationen, det vill säga antalet observationer som ingår i modellen totalt sett, medan som tidigare nämnts, antalet observationer minskar till omkring en tredjedel generellt

8 sett inför övriga tre ekvationer eftersom dessa endast analyserar den grupp företag som definierats som innovativa. Andelen är dock klart högre för dessa medelstora och större företag, likafullt är bortfallet betydande. FoU I syfte att undersöka betydelsen av vissa delar av forskning och utveckling i innovationsprocessen läggs ett antal variabler från FoU-undersökningen in i modellen. De utvalda variablerna beskriver: antalet personår som läggs på forskning och utveckling i företaget (personar_fou) andel personal med forskarutbildning (personal_forskarutb) andelen av de totala utgifterna för innovationsverksamhet som lagts på forskning och utveckling (andel_fou_utg). Resultaten för år 2008 och 2010 redovisas i Tabell 4. Jämförelse av antalet observationer i dessa två modeller och deras motsvarigheter i Tabell 2 och 3 visar på en tydlig reduktion, särskilt år Resultaten av skattningarna i Tabell 4 visar i flera fall på likartade tendenser de båda åren, men samtidigt ett relativt stort antal oväntade resultat som sannolikt har att göra med det låga antalet observationer, framförallt i modellens tre senare ekvationer. I detta fall ingår dock drygt hälften av de studerade företagen i den senare delen av modellen. Med detta i åtanke utesluts motsvarande analyser för år 2006 och 2004 eftersom datamaterialen som dessa baseras på är mindre än för de två senare åren, vilket gör att analys av dessa förmodligen inte skulle leda till några meningsfulla resultat. Det framgår ur Tabell 4 att det åtminstone 2008 finns en tendens till att ju fler personår som satsas på forskning och utveckling, d esto större investeringar i innovationsverksamhet. Å andra sidan säger modellen samma år att en stor andel forskarutbildad personal innebär mindre satsningar på innovationsverksamhet, vilket var ett oväntat resultat. Inte heller kan det något av åren anses vara vare sig positivt eller negativt för intäkterna från innovationsverksamhet (innovationsoutputen) att ha forskarutbildad personal eller att en stor del av satsningarna på innovationsverksamhet läggs på forskning och utveckling. En slutsats som kan dras utifrån resultatet är däremot, åtminstone år 2010, att ju mer tid som läggs på forskning och utveckling, desto större innova - tionsoutput. En möjlig förklaring till att denna men inte övriga FoU -variabler har inverkan kan vara att de är likartade och i viss mån beskriver samma sak. Det är inte orimligt att tro att en hög andel forskarutbildad personal också innebär ett förhållandevis stort antal personår läggs på forskning och utveckling och därmed också att en stor andel av utgifterna för innovationer läggs på detta. Om variablerna är tillräckligt likartade kan variationen helt fångas upp av en av dem, i detta fall antalet personår. Analysen av hur företagets satsningar på forskning och utveckling påver - kar produktiviteten bör tolkas med stor försiktighet eftersom resultaten är såväl oväntade som olika för de båda åren, och kommenteras därför inte ytterligare i denna rapport. Inte heller bör några slutsatser om exportens inverkan på innovationsprocessen dras i detta fall.

9 Tabell 4. Skattningsresultatet när FoU inkluderas Deltagare i CIS totalt Observationer I analysen Skattningar: Ekvation: IT-index (0.0603) (0.0454) IT-index (0.0003) (0.0081) personar_fou (0.0169) Icke personal_forskarutb (0.0003) Icke IT-index 3 Icke personar_fou 3 Icke personal_forskarutb 3 Icke andel_fou_utg 3 Icke Icke (0.0017) Icke Icke P_ininp (0.0053) Icke lngplp (<.0001) (<.0001) IT-index 4 Icke personar_fou 4 Icke Icke (0.0560) personal_forskarutb (0.0998) Icke inout (0.0002) (<.0001) Export 1 Icke Export 2 Icke Export 3 Icke Export 4 Icke (0.0052) Icke Icke (<.0001) Det framgår att företag med hög IT-användning är mer benägna att satsa på innovationsverksamhet och att det bland innovativa företag råder ett positivt samband mellan hög IT-användning och innovationsinput. Precis som väntat och som i tidigare analyserade modeller finns ett positivt sam - band mellan innovationsoutput och produktivitet. Enligt modellen saknas oväntat dock samband mellan innovationsinput och output år Sammanfattningsvis kan det konstateras att när urvalsramarna för de tre undersökningarna skiljer sig åt ser möjligheterna till tillförlitliga analyser mycket begränsade eftersom de resulterande datamaterialen vid samman -

10 slagning av undersökningarna blir storleksmässigt högst begränsade. Detta gäller i synnerhet vid analys av alla tre undersökningarna samtidigt. De generella slutsatser som kan dras utifrån analyserna är att det som väntat finns ett samband mellan innovationsinput och innovationsoutput liksom mellan innovationsoutput och produktivitet och att IT-användning är positivt för såväl att satsa på innovationsverksamhet som mängden pengar innovativa företag satsar på detta.

11 Appendix CDM-modellen baserad på CIS 2004: Summary Statistics of Continuous Responses N Mean Type Lower Upper N Obs Lower N Obs Upper ininp Regular Discrete Response Profile of innov Index Value Total Frequency Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 3143 Missing Values 9 Log Likelihood Maximum Absolute Gradient Number of Iterations 166 Optimization Method Quasi-Newton AIC 8900 Schwarz Criterion 9118 Algorithm converged.

12 s t Value Approx Pr > t ininp.size ininp.hcap_ <.0001 ininp.cogroup ininp.cosupl <.0001 ininp.cocust ininp.cocomp ininp.cocons ininp.coprivrod ininp.cogov ininp.marloc ininp.marnat <.0001 ininp.mareur <.0001 ininp.maroth ininp.capintgood ininp.capintmanu ininp.labintmanu <.0001 ininp.trade ininp.capintserv ininp.knowintserv ininp.export _Sigma.ininp <.0001 innov.size innov.hcap_ innov.group innov.marloc <.0001 innov.marnat innov.mareur <.0001 innov.maroth <.0001 innov.capintgood innov.capintmanu innov.labintmanu <.0001 innov.trade innov.capintserv <.0001 innov.knowintserv innov.export _Rho <.0001

13 Three-Stage Least Squares Estimation System Weighted MSE Degrees of freedom 2193 System Weighted R-Square Model Dependent INNOV_OUTPUT inout innovation output s t Value Pr > t Intercept Intercept size employed Mean_AdjWIndex newprocess_prod Improved production methods newprocess_logis Improved distribution methods newprocess_supp Improved support cogroup cosupl cocust cocomp cocons coprivrod cogov capintgood capintmanu labintmanu trade capintserv knowintserv export P_ininp Predicted value of ininp lngplp_ <.0001 mills Model Dependent PRODUCTIVITY lngplp_04

14 s t Value Pr > t Intercept <.0001 Intercept size employed lncapitalintensity <.0001 group Part of a Group Mean_AdjWIndex inputshare <.0001 capintgood <.0001 capintmanu labintmanu trade <.0001 capintserv knowintserv export inout <.0001 innovation output CDM-modellen baserad på CIS 2006: Summary Statistics of Continuous Responses N Mean Type Lower Upper N Obs Lower N Obs Upper ininp Regular Discrete Response Profile of innov Index Value Total Frequency

15 Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 3102 Missing Values 7 Log Likelihood Maximum Absolute Gradient Number of Iterations 164 Optimization Method Quasi-Newton AIC 8408 Schwarz Criterion 8637 Algorithm converged. s t Value Approx Pr > t ininp.size ininp.hcap_ <.0001 ininp.cogroup ininp.cosupl <.0001 ininp.cocust ininp.cocomp ininp.cocons ininp.coprivrod ininp.cogov ininp.marloc <.0001 ininp.marnat <.0001 ininp.mareur <.0001 ininp.maroth <.0001 ininp.capintgood ininp.capintmanu ininp.labintmanu <.0001 ininp.trade ininp.capintserv ininp.knowintserv ininp.finance ininp.export _Sigma.ininp <.0001 innov.size

16 s t Value Approx Pr > t innov.hcap_ innov.group innov.marloc <.0001 innov.marnat innov.mareur innov.maroth <.0001 innov.capintgood innov.capintmanu <.0001 innov.labintmanu <.0001 innov.trade <.0001 innov.capintserv <.0001 innov.knowintserv <.0001 innov.finance innov.export _Rho <.0001 Three-Stage Least Squares Estimation System Weighted MSE Degrees of freedom 2059 System Weighted R-Square Model Dependent INNOV_OUTPUT inout innovation output

17 s t Value Pr > t Intercept Intercept size employed Mean_AdjWIndex newprocess_prod Improved production methods newprocess_logis Improved distribution methods newprocess_supp Improved support cogroup cosupl cocust cocomp cocons coprivrod cogov capintgood capintmanu labintmanu trade capintserv knowintserv finance export P_ininp Predicted value of ininp lngplp_ <.0001 mills <.0001 Model Dependent PRODUCTIVITY lngplp_06

18 s t Value Pr > t Intercept <.0001 Intercept size employed lncapitalintensity <.0001 group <.0001 Part of a Group Mean_AdjWIndex inputshare <.0001 capintgood <.0001 capintmanu labintmanu trade <.0001 capintserv knowintserv finance <.0001 export inout <.0001 innovation output CDM-modellen baserad på CIS 2008: Summary Statistics of Continuous Responses N Mean Type Lower Upper N Obs Lower N Obs Upper ininp Regular Discrete Response Profile of innov Index Value Total Frequency

19 Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 4424 Missing Values 9 Log Likelihood Maximum Absolute Gradient Number of Iterations 164 Optimization Method Quasi-Newton AIC Schwarz Criterion Algorithm converged. s t Value Approx Pr > t ininp.size ininp.hcap_ <.0001 ininp.cogroup ininp.cosupl ininp.cocust ininp.cocomp ininp.cocons ininp.coprivrod ininp.cogov ininp.marloc <.0001 ininp.marnat <.0001 ininp.mareur <.0001 ininp.maroth <.0001 ininp.capintgood ininp.capintmanu ininp.labintmanu ininp.trade ininp.capintserv <.0001 ininp.knowintserv ininp.finance ininp.export _Sigma.ininp <.0001 innov.size <.0001

20 s t Value Approx Pr > t innov.hcap_ <.0001 innov.group innov.marloc <.0001 innov.marnat innov.mareur innov.maroth <.0001 innov.capintgood <.0001 innov.capintmanu <.0001 innov.labintmanu <.0001 innov.trade <.0001 innov.capintserv <.0001 innov.knowintserv <.0001 innov.finance innov.export _Rho <.0001 System Weighted MSE Degrees of freedom 2623 System Weighted R-Square Model Dependent INNOV_OUTPUT inout innovation output s t Value Pr > t Intercept Intercept size <.0001 employed Mean_AdjWIndex newmkt_dec newmkt_meth newmkt_price Orgbup New business practices for organising work or procedures (OrgBup)

21 s t Value Pr > t OrgWkp New methods of workplace organisation (OrgWkp) OrgExr New methods of organising external relations (OrgExr) newprocess_prod Improved production methods newprocess_logis Improved distribution methods newprocess_supp Improved support cogroup cosupl cocust cocomp cocons coprivrod cogov capintgood capintmanu labintmanu trade capintserv knowintserv finance export <.0001 P_ininp Predicted value of ininp lngplp_ <.0001 mills Model Dependent PRODUCTIVITY lngplp_08

22 s t Value Pr > t Intercept <.0001 Intercept size employed lncapitalintensity <.0001 group <.0001 Part of a Group Mean_AdjWIndex inputshare <.0001 capintgood capintmanu labintmanu trade <.0001 capintserv <.0001 knowintserv <.0001 finance <.0001 export inout innovation output CDM-modellen baserad på CIS 2010: Summary Statistics of Continuous Responses N Mean Type Lower Upper N Obs Lower N Obs Upper ininp Regular Discrete Response Profile of innov Index Value Total Frequency Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 4176 Missing Values 5 Log Likelihood Maximum Absolute Gradient Number of Iterations 144

23 Model Fit Summary Optimization Method Quasi-Newton AIC Schwarz Criterion Algorithm converged. s t Value Approx Pr > t ininp.size ininp.hcap_ <.0001 ininp.cogroup ininp.cosupl ininp.cocust ininp.cocomp ininp.cocons ininp.coprivrod ininp.cogov ininp.marloc <.0001 ininp.marnat <.0001 ininp.mareur <.0001 ininp.maroth <.0001 ininp.capintgood ininp.capintmanu ininp.labintmanu ininp.trade ininp.capintserv <.0001 ininp.knowintserv ininp.export _Sigma.ininp <.0001 innov.size <.0001 innov.hcap_ <.0001 innov.group innov.marloc <.0001 innov.marnat innov.mareur innov.maroth <.0001 innov.capintgood <.0001 innov.capintmanu <.0001 innov.labintmanu <.0001

24 s t Value Approx Pr > t innov.trade <.0001 innov.capintserv <.0001 innov.knowintserv innov.export _Rho <.0001 Three-Stage Least Squares Estimation System Weighted MSE Degrees of freedom 2651 System Weighted R-Square Model Dependent INNOV_OUTPUT inout innovation output s t Value Pr > t Intercept Intercept size employed Mean_AdjWIndex newmkt_dec newmkt_meth newmkt_price Orgbup New business practices for organising work or procedures (OrgBup) OrgWkp New methods of workplace organisation (OrgWkp) OrgExr New methods of organising external relations (OrgExr) newprocess_prod Improved production methods

25 s t Value Pr > t newprocess_logis Improved distribution methods newprocess_supp Improved support cogroup cosupl cocust cocomp cocons coprivrod cogov capintgood capintmanu labintmanu trade capintserv knowintserv export P_ininp Predicted value of ininp lngplp <.0001 mills Model Dependent PRODUCTIVITY lngplp s t Value Pr > t Intercept Intercept size employed lncapitalintensity <.0001 group <.0001 Part of a Group Mean_AdjWIndex <.0001 inputshare <.0001 capintgood <.0001 capintmanu <.0001 labintmanu trade <.0001

26 s t Value Pr > t capintserv knowintserv export <.0001 inout innovation output CDM baserad på CIS 2004 och ITA 2004: Summary Statistics of Continuous Responses N Mean Type Lower Upper N Obs Lower N Obs Upper ininp Regular Discrete Response Profile of innov Index Value Total Frequency Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 419 Log Likelihood Maximum Absolute Gradient Number of Iterations 237 Optimization Method Quasi-Newton AIC 1353 Schwarz Criterion 1515 Algorithm converged.

27 s t Value Approx Pr > t ininp.size ininp.hcap_ <.0001 ininp.cogroup ininp.cosupl ininp.cocust ininp.cocomp ininp.cocons ininp.coprivrod ininp.cogov ininp.marloc ininp.marnat ininp.mareur ininp.maroth ininp.capintgood ininp.capintmanu ininp.labintmanu ininp.trade ininp.capintserv ininp.knowintserv ininp.finance ininp.it_comp_index ininp.export _Sigma.ininp <.0001 innov.size innov.hcap_ innov.group innov.marloc innov.marnat innov.mareur innov.maroth innov.capintgood <.0001 innov.capintmanu innov.labintmanu innov.trade innov.capintserv <.0001 innov.knowintserv innov.finance innov.it_comp_index

28 s t Value Approx Pr > t innov.export _Rho <.0001 Three-Stage Least Squares Estimation s t Value Pr > t Intercept Intercept size employed Mean_AdjWInde x newprocess_prod Improved production methods newprocess_logis Improved distribution methods newprocess_supp Improved support cogroup cosupl cocust cocomp cocons coprivrod cogov capintgood capintmanu labintmanu trade capintserv knowintserv finance it_comp_index export P_ininp Predicted value of ininp lngplp_ <.0001 mills

29 Model Dependent PRODUCTIVITY lngplp_04 s t Value Pr > t Intercept Intercept size employed lncapitalintensity group Part of a Group Mean_AdjWIndex inputshare <.0001 capintgood <.0001 capintmanu labintmanu trade <.0001 capintserv knowintserv finance it_comp_index export inout innovation output CDM baserad på CIS 2006 och ITA 2006: Summary Statistics of Continuous Responses N Mean Type Lower Upper N Obs Lower N Obs Upper ininp Regular Discrete Response Profile of innov Index Value Total Frequency

30 Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 3102 Missing Values 7 Log Likelihood Maximum Absolute Gradient Number of Iterations 164 Optimization Method Quasi-Newton AIC 8408 Schwarz Criterion 8637 Algorithm converged. s t Value Approx Pr > t ininp.size ininp.hcap_ <.0001 ininp.cogroup ininp.cosupl <.0001 ininp.cocust ininp.cocomp ininp.cocons ininp.coprivrod ininp.cogov ininp.marloc <.0001 ininp.marnat <.0001 ininp.mareur <.0001 ininp.maroth <.0001 ininp.capintgood ininp.capintmanu ininp.labintmanu <.0001 ininp.trade ininp.capintserv ininp.knowintserv ininp.finance ininp.export _Sigma.ininp <.0001 innov.size

31 s t Value Approx Pr > t innov.hcap_ innov.group innov.marloc <.0001 innov.marnat innov.mareur innov.maroth <.0001 innov.capintgood innov.capintmanu <.0001 innov.labintmanu <.0001 innov.trade <.0001 innov.capintserv <.0001 innov.knowintserv <.0001 innov.finance innov.export _Rho <.0001 Three-Stage Least Squares Estimation System Weighted MSE Degrees of freedom 333 System Weighted R-Square Model Dependent INNOV_OUTPUT inout innovation output

32 s t Value Pr > t Intercept Intercept size employed Mean_AdjWInde x newprocess_prod Improved production methods newprocess_logis Improved distribution methods newprocess_supp Improved support cogroup cosupl cocust cocomp cocons coprivrod cogov capintgood capintmanu labintmanu trade capintserv knowintserv it_comp_index <.0001 export P_ininp <.0001 Predicted value of ininp lngplp_ mills Model Dependent PRODUCTIVITY lngplp_06

33 s t Value Pr > t Intercept Intercept size employed lncapitalintensity group Part of a Group Mean_AdjWIndex inputshare capintgood capintmanu labintmanu trade capintserv knowintserv it_comp_index export inout <.0001 innovation output CDM baserad på CIS 2008 och ITA 2008: Summary Statistics of Continuous Responses N Mean Type Lower Upper N Obs Lower N Obs Upper ininp Regular Discrete Response Profile of innov Index Value Total Frequency

34 Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 680 Missing Values 1 Log Likelihood Maximum Absolute Gradient Number of Iterations 195 Optimization Method Quasi-Newton AIC 2347 Schwarz Criterion 2528 Algorithm converged. s t Value Approx Pr > t ininp.size ininp.hcap_ <.0001 ininp.cogroup ininp.cosupl ininp.cocust ininp.cocomp ininp.cocons ininp.coprivrod ininp.cogov ininp.marloc ininp.marnat <.0001 ininp.mareur <.0001 ininp.maroth ininp.capintgood ininp.capintmanu ininp.labintmanu ininp.trade ininp.capintserv ininp.knowintserv ininp.finance ininp.it_comp_index <.0001 ininp.export _Sigma.ininp <.0001