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., 1998. Research, Innovation, and Productivity: An Econometric Analysis at the Firm Level, Economics of Innovation and New Technology, 7(3): 115-156.
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.
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
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 2010. 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 2010. Krisen, som framförallt påverkade exportefterfrågan har troligen påverkat resultaten i första hand för 2008, men också 2010. 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.
Tabell 2. Skattningsresultat med export 2004 2006 2008 2010 Deltagare totalt CIS 3309 3269 4624 4552 Observationer analysen i 3124 3095 4415 4171 Skattningar: Ekvation: lngplp 3 0.740 (<.0001) 0.517 (<.0001) 0.718 (<.0001) 0.587 (<.0001) P_ininp 3 0.043 (0.0252) 0.045 (0.0075) 0.037 (0.0421) 0.042 (0.0294) Inout 4 0.300 (<.0001) 0.345 (<.0001) 0.137 (0.0506) 0.117 (0.0847) Export 1 0.009 (0.0875) 0.014 (0.0013) -0.003 (0.0654) -0.296 (0.0347) Export 2 0.012 (0.0327) 0.016 (0.0088) Icke Icke Export 3 0.003 (0.0964) 0.007 (0.0004) 0.007 (<.0001) Icke Export 4 Icke Icke 0.004 (0.0013) 0.471 (<.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.
Tabell 3. Skattningsresultat med IT 2004 2006 2008 2010 Svarande i CIS totalt Gemensamma observationer totalt CIS, ITA 3309 3269 4624 4552 462 462 726 1601 Observationer analysen i 419 405 679 1431 Skattningar: Ekvation lngplp 3 1.038 (<.0001) 0.927 (0.0009) 1.190 (<.0001) 0.634 (<.0001) P_ininp 3 Icke 0.324 (<.0001) 0.0725 (0.0682) 0.072 (0.0309) Inout 4 0.268 (0.0003) IT-index 1 1.061 (0.0357) 0.641 (<.0001) 2.030 (0.0001) 0.4064 (<.0001) 0.201 (0.0008) 0.640 (0.0446) 0.527 (0.0067) IT-index 2 5.562 (0.0002) 10.0878 (<.0001) IT-index 3 Icke -4.264 (<.0001) 3.935 (<.0001) Icke 2.378 (0.0006) Icke IT-index 4 Icke -1.087 (0.0084) Export 1 Icke 0.0144 (0.0013) Icke 0.294 (0.0201) Icke -0.003 (0.0341) Export 2 0.010 (0.0481) 0.016 (0.0088) Export 3 Icke Icke Icke Icke Icke Icke Export 4 Icke -0.00354 (0.0412) Icke 0.004240 (<.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-
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 2006. 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 2010. Som tidigare nämnts saknas också oväntat samband mellan input och output år 2004. 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
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 2010. 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.
Tabell 4. Skattningsresultatet när FoU inkluderas 2008 2010 Deltagare i CIS totalt 4624 4552 Observationer I analysen 347 362 Skattningar: Ekvation: IT-index 1 0.837 (0.0603) 0.764 (0.0454) IT-index 2 3.675 (0.0003) 2.267 (0.0081) personar_fou 2 4.586 (0.0169) Icke personal_forskarutb 2-22.034323 (0.0003) Icke IT-index 3 Icke personar_fou 3 Icke personal_forskarutb 3 Icke andel_fou_utg 3 Icke Icke 2.312 (0.0017) Icke Icke P_ininp 3 0.142 (0.0053) Icke lngplp 3 0.997 (<.0001) 0.997 (<.0001) IT-index 4 Icke personar_fou 4 Icke Icke -0.54535 (0.0560) personal_forskarutb 4-2.715 (0.0998) Icke inout 4 0.333 (0.0002) 0.215 (<.0001) Export 1 Icke Export 2 Icke Export 3 Icke Export 4 Icke -0.005533 (0.0052) Icke Icke 0.005 (<.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 2010. 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 -
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.
Appendix CDM-modellen baserad på CIS 2004: Summary Statistics of Continuous Responses N Mean Type Lower Upper N Obs Lower N Obs Upper ininp 1123 10.56137 1.803261 Regular Discrete Response Profile of innov Index Value 1 0 2020 2 1 1123 Total Frequency Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 3143 Missing Values 9 Log Likelihood -4414 Maximum Absolute Gradient 0.01829 Number of Iterations 166 Optimization Method Quasi-Newton AIC 8900 Schwarz Criterion 9118 Algorithm converged.
s t Value Approx Pr > t ininp.size 1-0.013469 0.014832-0.91 0.3638 ininp.hcap_2 1 6.751724 0.526169 12.83 <.0001 ininp.cogroup 1-0.183466 0.212100-0.86 0.3870 ininp.cosupl 1 0.959909 0.216052 4.44 <.0001 ininp.cocust 1 0.695968 0.221028 3.15 0.0016 ininp.cocomp 1 0.404617 0.236919 1.71 0.0877 ininp.cocons 1 0.093799 0.206924 0.45 0.6503 ininp.coprivrod 1 0.013821 0.218735 0.06 0.9496 ininp.cogov 1-0.294541 0.247401-1.19 0.2338 ininp.marloc 1 0.437915 0.228135 1.92 0.0549 ininp.marnat 1 1.718931 0.239513 7.18 <.0001 ininp.mareur 1 2.131763 0.262379 8.12 <.0001 ininp.maroth 1 0.869838 0.253131 3.44 0.0006 ininp.capintgood 1 1.391170 0.681666 2.04 0.0413 ininp.capintmanu 1 0.938103 0.341752 2.74 0.0061 ininp.labintmanu 1 1.132642 0.265196 4.27 <.0001 ininp.trade 1 1.177724 0.413856 2.85 0.0044 ininp.capintserv 1-1.235721 0.476687-2.59 0.0095 ininp.knowintserv 1-0.542652 0.367495-1.48 0.1398 ininp.export 1 0.012350 0.005784 2.14 0.0327 _Sigma.ininp 1 4.133097 0.116229 35.56 <.0001 innov.size 1 0.001669 0.002692 0.62 0.5353 innov.hcap_2 1 0.406286 0.124534 3.26 0.0011 innov.group 1-0.078742 0.041282-1.91 0.0565 innov.marloc 1-0.639098 0.050634-12.62 <.0001 innov.marnat 1 0.099462 0.056006 1.78 0.0757 innov.mareur 1 0.308633 0.061810 4.99 <.0001 innov.maroth 1 0.322087 0.061069 5.27 <.0001 innov.capintgood 1-0.423742 0.147842-2.87 0.0042 innov.capintmanu 1-0.274462 0.083529-3.29 0.0010 innov.labintmanu 1-0.307369 0.062271-4.94 <.0001 innov.trade 1-0.181424 0.098972-1.83 0.0668 innov.capintserv 1-0.914050 0.094887-9.63 <.0001 innov.knowintserv 1-0.157846 0.088114-1.79 0.0732 innov.export 1 0.008835 0.005171 1.71 0.0875 _Rho 1 0.945839 0.008424 112.28 <.0001
Three-Stage Least Squares Estimation System Weighted MSE 1.8410 Degrees of freedom 2193 System Weighted R-Square 0.2322 Model Dependent INNOV_OUTPUT inout innovation output s t Value Pr > t Intercept 1 2.570890 1.853516 1.39 0.1657 Intercept size 1-0.01365 0.005145-2.65 0.0081 employed Mean_AdjWIndex04 1-2.60875 1.639993-1.59 0.1120 newprocess_prod 1 0.035708 0.067972 0.53 0.5995 Improved production methods newprocess_logis 1 0.312349 0.083862 3.72 0.0002 Improved distribution methods newprocess_supp 1 0.028002 0.068291 0.41 0.6819 Improved support cogroup 1 0.062244 0.090018 0.69 0.4894 cosupl 1 0.128646 0.088260 1.46 0.1452 cocust 1-0.06248 0.090857-0.69 0.4918 cocomp 1 0.068242 0.100744 0.68 0.4983 cocons 1-0.13765 0.087975-1.56 0.1180 coprivrod 1-0.01319 0.091121-0.14 0.8849 cogov 1 0.055582 0.102499 0.54 0.5877 capintgood 1-0.11717 0.347753-0.34 0.7362 capintmanu 1-0.32099 0.122764-2.61 0.0091 labintmanu 1-0.24202 0.100564-2.41 0.0163 trade 1-0.19029 0.170264-1.12 0.2640 capintserv 1 0.135725 0.207701 0.65 0.5136 knowintserv 1-0.02738 0.111148-0.25 0.8055 export 1 0.002929 0.001760 1.66 0.0964 P_ininp 1 0.043064 0.019208 2.24 0.0252 Predicted value of ininp lngplp_04 1 0.740171 0.130221 5.68 <.0001 mills 1-0.29411 0.156634-1.88 0.0607 Model Dependent PRODUCTIVITY lngplp_04
s t Value Pr > t Intercept 1 3.887271 0.958230 4.06 <.0001 Intercept size 1 0.008301 0.002762 3.01 0.0027 employed lncapitalintensity 1 0.076887 0.013157 5.84 <.0001 group 1 0.155105 0.041320 3.75 0.0002 Part of a Group Mean_AdjWIndex04 1 1.262949 0.892936 1.41 0.1575 inputshare 1-0.00955 0.001435-6.66 <.0001 capintgood 1 1.147125 0.146176 7.85 <.0001 capintmanu 1 0.215745 0.065686 3.28 0.0011 labintmanu 1 0.047354 0.054820 0.86 0.3879 trade 1 0.630474 0.078942 7.99 <.0001 capintserv 1 0.174045 0.098613 1.76 0.0779 knowintserv 1-0.19665 0.055527-3.54 0.0004 export 1-0.00043 0.001003-0.43 0.6680 inout 1 0.300295 0.060102 5.00 <.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 1056 10.77044 1.655455 Regular Discrete Response Profile of innov Index Value 1 0 2046 2 1 1056 Total Frequency
Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 3102 Missing Values 7 Log Likelihood -4166 Maximum Absolute Gradient 0.12642 Number of Iterations 164 Optimization Method Quasi-Newton AIC 8408 Schwarz Criterion 8637 Algorithm converged. s t Value Approx Pr > t ininp.size 1-0.029958 0.017466-1.72 0.0863 ininp.hcap_2 1 6.497578 0.515055 12.62 <.0001 ininp.cogroup 1-0.159238 0.210400-0.76 0.4491 ininp.cosupl 1 0.789775 0.199564 3.96 <.0001 ininp.cocust 1 0.052889 0.207940 0.25 0.7992 ininp.cocomp 1 0.061447 0.248570 0.25 0.8048 ininp.cocons 1 0.446465 0.209058 2.14 0.0327 ininp.coprivrod 1 0.339034 0.220031 1.54 0.1234 ininp.cogov 1-0.680302 0.306870-2.22 0.0266 ininp.marloc 1 1.522455 0.232017 6.56 <.0001 ininp.marnat 1 1.441999 0.246035 5.86 <.0001 ininp.mareur 1 1.583543 0.274225 5.77 <.0001 ininp.maroth 1 1.401853 0.256286 5.47 <.0001 ininp.capintgood 1 0.727169 0.675299 1.08 0.2816 ininp.capintmanu 1 0.534694 0.345405 1.55 0.1216 ininp.labintmanu 1 1.158132 0.265930 4.36 <.0001 ininp.trade 1-0.590206 0.477209-1.24 0.2162 ininp.capintserv 1-0.318185 0.436502-0.73 0.4660 ininp.knowintserv 1-1.083858 0.377589-2.87 0.0041 ininp.finance 1 0.853409 0.646596 1.32 0.1869 ininp.export 1 0.016004 0.006107 2.62 0.0088 _Sigma.ininp 1 4.020564 0.115695 34.75 <.0001 innov.size 1 0.002130 0.003115 0.68 0.4941
s t Value Approx Pr > t innov.hcap_2 1 0.454635 0.124923 3.64 0.0003 innov.group 1-0.154954 0.040801-3.80 0.0001 innov.marloc 1-0.568991 0.053727-10.59 <.0001 innov.marnat 1 0.161260 0.058291 2.77 0.0057 innov.mareur 1 0.239706 0.064487 3.72 0.0002 innov.maroth 1 0.408163 0.061821 6.60 <.0001 innov.capintgood 1-0.525240 0.149504-3.51 0.0004 innov.capintmanu 1-0.504095 0.084932-5.94 <.0001 innov.labintmanu 1-0.359846 0.064305-5.60 <.0001 innov.trade 1-0.639137 0.109995-5.81 <.0001 innov.capintserv 1-0.810412 0.092322-8.78 <.0001 innov.knowintserv 1-0.394663 0.094372-4.18 <.0001 innov.finance 1-0.266595 0.154143-1.73 0.0837 innov.export 1 0.014403 0.004469 3.22 0.0013 _Rho 1 0.947636 0.007931 119.49 <.0001 Three-Stage Least Squares Estimation System Weighted MSE 2.1374 Degrees of freedom 2059 System Weighted R-Square 0.2716 Model Dependent INNOV_OUTPUT inout innovation output
s t Value Pr > t Intercept 1-1.34100 1.993875-0.67 0.5014 Intercept size 1-0.01733 0.005696-3.04 0.0024 employed Mean_AdjWIndex06 1 3.175376 1.869919 1.70 0.0898 newprocess_prod 1-0.00223 0.062879-0.04 0.9717 Improved production methods newprocess_logis 1 0.200865 0.075196 2.67 0.0077 Improved distribution methods newprocess_supp 1-0.02243 0.061651-0.36 0.7160 Improved support cogroup 1 0.239590 0.088118 2.72 0.0067 cosupl 1 0.039045 0.078591 0.50 0.6194 cocust 1-0.02814 0.078445-0.36 0.7198 cocomp 1-0.26876 0.101021-2.66 0.0079 cocons 1 0.056433 0.080141 0.70 0.4815 coprivrod 1-0.03526 0.082096-0.43 0.6676 cogov 1-0.06639 0.115823-0.57 0.5666 capintgood 1-0.41235 0.293210-1.41 0.1599 capintmanu 1 0.132536 0.131488 1.01 0.3137 labintmanu 1-0.07780 0.098808-0.79 0.4312 trade 1 0.595443 0.207994 2.86 0.0043 capintserv 1 0.530386 0.183324 2.89 0.0039 knowintserv 1 0.069615 0.109112 0.64 0.5236 finance 1-0.00883 0.267463-0.03 0.9737 export 1 0.006681 0.001879 3.56 0.0004 P_ininp 1 0.044872 0.016742 2.68 0.0075 Predicted value of ininp lngplp_06 1 0.516536 0.123426 4.18 <.0001 mills 1-0.65066 0.138083-4.71 <.0001 Model Dependent PRODUCTIVITY lngplp_06
s t Value Pr > t Intercept 1 5.358089 1.028896 5.21 <.0001 Intercept size 1-0.00080 0.003325-0.24 0.8110 employed lncapitalintensity 1 0.083496 0.013561 6.16 <.0001 group 1 0.219618 0.041055 5.35 <.0001 Part of a Group Mean_AdjWIndex06 1-0.42145 1.112767-0.38 0.7050 inputshare 1-0.04894 0.006373-7.68 <.0001 capintgood 1 0.812719 0.153160 5.31 <.0001 capintmanu 1 0.244045 0.063265 3.86 0.0001 labintmanu 1 0.122961 0.052545 2.34 0.0195 trade 1 0.574290 0.096998 5.92 <.0001 capintserv 1 0.122013 0.084395 1.45 0.1486 knowintserv 1-0.19553 0.057699-3.39 0.0007 finance 1 1.134093 0.115944 9.78 <.0001 export 1 0.001100 0.001171 0.94 0.3480 inout 1 0.344877 0.064020 5.39 <.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 1344 10.68858 1.774070 Regular Discrete Response Profile of innov Index Value 1 0 3080 2 1 1344 Total Frequency
Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 4424 Missing Values 9 Log Likelihood -5527 Maximum Absolute Gradient 0.05100 Number of Iterations 164 Optimization Method Quasi-Newton AIC 11129 Schwarz Criterion 11372 Algorithm converged. s t Value Approx Pr > t ininp.size 1 0.019550 0.010624 1.84 0.0657 ininp.hcap_2 1 4.856461 0.458179 10.60 <.0001 ininp.cogroup 1-0.202090 0.202663-1.00 0.3187 ininp.cosupl 1 0.494280 0.222069 2.23 0.0260 ininp.cocust 1 0.465959 0.208348 2.24 0.0253 ininp.cocomp 1 0.057476 0.205547 0.28 0.7798 ininp.cocons 1 0.270763 0.202350 1.34 0.1809 ininp.coprivrod 1 0.111053 0.206951 0.54 0.5915 ininp.cogov 1-0.060175 0.233588-0.26 0.7967 ininp.marloc 1 1.355104 0.227817 5.95 <.0001 ininp.marnat 1 1.898277 0.248425 7.64 <.0001 ininp.mareur 1 1.906920 0.242143 7.88 <.0001 ininp.maroth 1 0.836893 0.214149 3.91 <.0001 ininp.capintgood 1-0.651898 0.565154-1.15 0.2487 ininp.capintmanu 1-0.101127 0.316393-0.32 0.7493 ininp.labintmanu 1-0.010179 0.257853-0.04 0.9685 ininp.trade 1 0.085740 0.389542 0.22 0.8258 ininp.capintserv 1-2.677451 0.446011-6.00 <.0001 ininp.knowintserv 1-0.240343 0.329871-0.73 0.4662 ininp.finance 1 0.738185 0.501115 1.47 0.1407 ininp.export 1 0.004861 0.005581 0.87 0.3838 _Sigma.ininp 1 4.019796 0.107193 37.50 <.0001 innov.size 1 0.028733 0.005117 5.62 <.0001
s t Value Approx Pr > t innov.hcap_2 1 0.470610 0.107693 4.37 <.0001 innov.group 1-0.133587 0.035980-3.71 0.0002 innov.marloc 1-0.477976 0.048233-9.91 <.0001 innov.marnat 1 0.129162 0.053385 2.42 0.0155 innov.mareur 1 0.167372 0.054693 3.06 0.0022 innov.maroth 1 0.275600 0.050333 5.48 <.0001 innov.capintgood 1-0.891746 0.114268-7.80 <.0001 innov.capintmanu 1-0.529634 0.073038-7.25 <.0001 innov.labintmanu 1-0.568269 0.056126-10.12 <.0001 innov.trade 1-0.565268 0.088132-6.41 <.0001 innov.capintserv 1-1.132464 0.086857-13.04 <.0001 innov.knowintserv 1-0.406214 0.081016-5.01 <.0001 innov.finance 1-0.375618 0.117447-3.20 0.0014 innov.export 1-0.003448 0.001872-1.84 0.0654 _Rho 1 0.930212 0.008348 111.43 <.0001 System Weighted MSE 1.3516 Degrees of freedom 2623 System Weighted R-Square 0.2559 Model Dependent INNOV_OUTPUT inout innovation output s t Value Pr > t Intercept 1-0.05452 0.706188-0.08 0.9385 Intercept size 1-0.01515 0.003220-4.71 <.0001 employed Mean_AdjWIndex08 1-0.09690 0.096525-1.00 0.3156 newmkt_dec 1-0.04738 0.070877-0.67 0.5039 newmkt_meth 1 0.109190 0.069155 1.58 0.1146 newmkt_price 1-0.01466 0.076025-0.19 0.8471 Orgbup 1 0.017486 0.071950 0.24 0.8080 New business practices for organising work or procedures (OrgBup)
s t Value Pr > t OrgWkp 1-0.05243 0.074161-0.71 0.4797 New methods of workplace organisation (OrgWkp) OrgExr 1-0.00125 0.076403-0.02 0.9869 New methods of organising external relations (OrgExr) newprocess_prod 1 0.196987 0.064442 3.06 0.0023 Improved production methods newprocess_logis 1 0.142000 0.074544 1.90 0.0570 Improved distribution methods newprocess_supp 1 0.088378 0.065120 1.36 0.1750 Improved support cogroup 1 0.107061 0.088915 1.20 0.2288 cosupl 1 0.058369 0.095792 0.61 0.5424 cocust 1 0.203330 0.091391 2.22 0.0263 cocomp 1-0.11985 0.091627-1.31 0.1911 cocons 1-0.19893 0.088332-2.25 0.0245 coprivrod 1 0.000768 0.088078 0.01 0.9930 cogov 1-0.26186 0.100000-2.62 0.0089 capintgood 1-0.44995 0.250531-1.80 0.0727 capintmanu 1-0.25894 0.125368-2.07 0.0391 labintmanu 1-0.21879 0.114806-1.91 0.0569 trade 1 0.176901 0.163371 1.08 0.2791 capintserv 1 0.218248 0.230273 0.95 0.3434 knowintserv 1 0.088789 0.105504 0.84 0.4002 finance 1-0.51293 0.201023-2.55 0.0108 export 1 0.007481 0.001674 4.47 <.0001 P_ininp 1 0.036625 0.018003 2.03 0.0421 Predicted value of ininp lngplp_08 1 0.718450 0.086204 8.33 <.0001 mills 1-0.02550 0.174792-0.15 0.8840 Model Dependent PRODUCTIVITY lngplp_08
s t Value Pr > t Intercept 1 6.159728 0.380483 16.19 <.0001 Intercept size 1-0.00352 0.002121-1.66 0.0969 employed lncapitalintensity 1 0.104226 0.013418 7.77 <.0001 group 1 0.283447 0.042277 6.70 <.0001 Part of a Group Mean_AdjWIndex08 1-0.09239 0.060326-1.53 0.1259 inputshare 1-0.02675 0.002665-10.04 <.0001 capintgood 1 0.117291 0.133107 0.88 0.3784 capintmanu 1 0.193300 0.066513 2.91 0.0037 labintmanu 1-0.03547 0.056619-0.63 0.5311 trade 1 0.477231 0.088356 5.40 <.0001 capintserv 1 0.446143 0.099743 4.47 <.0001 knowintserv 1-0.29782 0.052545-5.67 <.0001 finance 1 1.260386 0.104933 12.01 <.0001 export 1 0.003999 0.001240 3.22 0.0013 inout 1 0.136832 0.069922 1.96 0.0506 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 1357 10.57823 1.896653 Regular Discrete Response Profile of innov Index Value 1 0 2819 2 1 1357 Total Frequency Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 4176 Missing Values 5 Log Likelihood -5423 Maximum Absolute Gradient 0.0003989 Number of Iterations 144
Model Fit Summary Optimization Method Quasi-Newton AIC 10919 Schwarz Criterion 11147 Algorithm converged. s t Value Approx Pr > t ininp.size 1 2.820517 1.105021 2.55 0.0107 ininp.hcap_2 1 5.222633 0.424465 12.30 <.0001 ininp.cogroup 1 0.423139 0.187061 2.26 0.0237 ininp.cosupl 1 0.582951 0.218223 2.67 0.0076 ininp.cocust 1 0.009659 0.205496 0.05 0.9625 ininp.cocomp 1 0.200318 0.186688 1.07 0.2833 ininp.cocons 1-0.034963 0.196387-0.18 0.8587 ininp.coprivrod 1-0.108496 0.197003-0.55 0.5818 ininp.cogov 1-0.070320 0.211536-0.33 0.7396 ininp.marloc 1 2.558991 0.241138 10.61 <.0001 ininp.marnat 1 1.656251 0.258836 6.40 <.0001 ininp.mareur 1 0.990038 0.245668 4.03 <.0001 ininp.maroth 1 1.049929 0.207232 5.07 <.0001 ininp.capintgood 1-0.888654 0.464687-1.91 0.0558 ininp.capintmanu 1-0.462425 0.291152-1.59 0.1122 ininp.labintmanu 1-0.232280 0.240979-0.96 0.3351 ininp.trade 1-1.363251 0.350975-3.88 0.0001 ininp.capintserv 1-2.057140 0.393735-5.22 <.0001 ininp.knowintserv 1-0.761255 0.308075-2.47 0.0135 ininp.export 1-0.415285 0.469248-0.89 0.3762 _Sigma.ininp 1 3.709564 0.102147 36.32 <.0001 innov.size 1 4.388773 0.606274 7.24 <.0001 innov.hcap_2 1 0.635124 0.108184 5.87 <.0001 innov.group 1-0.080447 0.037585-2.14 0.0323 innov.marloc 1-0.659997 0.056708-11.64 <.0001 innov.marnat 1 0.168649 0.059798 2.82 0.0048 innov.mareur 1 0.128270 0.059519 2.16 0.0312 innov.maroth 1 0.240067 0.052433 4.58 <.0001 innov.capintgood 1-0.668694 0.104805-6.38 <.0001 innov.capintmanu 1-0.410789 0.072904-5.63 <.0001 innov.labintmanu 1-0.356247 0.059247-6.01 <.0001
s t Value Approx Pr > t innov.trade 1-0.481880 0.085420-5.64 <.0001 innov.capintserv 1-0.877733 0.082211-10.68 <.0001 innov.knowintserv 1-0.290016 0.081769-3.55 0.0004 innov.export 1-0.295586 0.139944-2.11 0.0347 _Rho 1 0.920497 0.009630 95.58 <.0001 Three-Stage Least Squares Estimation System Weighted MSE 1.2334 Degrees of freedom 2651 System Weighted R-Square 0.2318 Model Dependent INNOV_OUTPUT inout innovation output s t Value Pr > t Intercept 1 2.097900 2.044891 1.03 0.3051 Intercept size 1-0.25742 0.380994-0.68 0.4994 employed Mean_AdjWIndex1 0 1-1.30319 2.117134-0.62 0.5383 newmkt_dec 1 0.038030 0.072025 0.53 0.5976 newmkt_meth 1-0.02000 0.070617-0.28 0.7770 newmkt_price 1 0.158873 0.076517 2.08 0.0381 Orgbup 1 0.101199 0.082335 1.23 0.2192 New business practices for organising work or procedures (OrgBup) OrgWkp 1-0.11796 0.079399-1.49 0.1376 New methods of workplace organisation (OrgWkp) OrgExr 1 0.019179 0.086914 0.22 0.8254 New methods of organising external relations (OrgExr) newprocess_prod 1 0.188654 0.070556 2.67 0.0076 Improved production methods
s t Value Pr > t newprocess_logis 1 0.088014 0.087296 1.01 0.3135 Improved distribution methods newprocess_supp 1 0.152045 0.075503 2.01 0.0442 Improved support cogroup 1-0.10263 0.091722-1.12 0.2634 cosupl 1 0.058337 0.105159 0.55 0.5792 cocust 1 0.069366 0.097955 0.71 0.4790 cocomp 1 0.097682 0.090637 1.08 0.2814 cocons 1-0.19315 0.096704-2.00 0.0460 coprivrod 1-0.05448 0.096007-0.57 0.5705 cogov 1 0.172647 0.103057 1.68 0.0941 capintgood 1-0.62843 0.232103-2.71 0.0069 capintmanu 1-0.29944 0.126721-2.36 0.0183 labintmanu 1-0.22975 0.102024-2.25 0.0245 trade 1 0.305031 0.164382 1.86 0.0637 capintserv 1-0.12011 0.191831-0.63 0.5313 knowintserv 1-0.08385 0.099797-0.84 0.4010 export 1-0.04889 0.166001-0.29 0.7684 P_ininp 1 0.041807 0.019176 2.18 0.0294 Predicted value of ininp lngplp 1 0.587330 0.110070 5.34 <.0001 mills 1-0.03636 0.156369-0.23 0.8162 Model Dependent PRODUCTIVITY lngplp s t Value Pr > t Intercept 1 1.364544 1.096317 1.24 0.2135 Intercept size 1-0.42861 0.183890-2.33 0.0199 employed lncapitalintensity 1 0.121330 0.012413 9.77 <.0001 group 1 0.289909 0.038435 7.54 <.0001 Part of a Group Mean_AdjWIndex10 1 4.541408 1.079613 4.21 <.0001 inputshare 1 0.168458 0.029888 5.64 <.0001 capintgood 1 0.434412 0.104433 4.16 <.0001 capintmanu 1 0.254143 0.059758 4.25 <.0001 labintmanu 1 0.032597 0.051310 0.64 0.5253 trade 1 0.583603 0.080424 7.26 <.0001
s t Value Pr > t capintserv 1 0.033435 0.080576 0.41 0.6782 knowintserv 1-0.18258 0.047489-3.84 0.0001 export 1 0.471043 0.083280 5.66 <.0001 inout 1 0.116865 0.067730 1.73 0.0847 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 187 10.44985 1.963841 Regular Discrete Response Profile of innov Index Value 1 0 232 2 1 187 Total Frequency Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 419 Log Likelihood -636.65203 Maximum Absolute Gradient 0.03048 Number of Iterations 237 Optimization Method Quasi-Newton AIC 1353 Schwarz Criterion 1515 Algorithm converged.
s t Value Approx Pr > t ininp.size 1-0.028489 0.015363-1.85 0.0637 ininp.hcap_2 1 8.131014 1.266147 6.42 <.0001 ininp.cogroup 1 0.007206 0.395194 0.02 0.9855 ininp.cosupl 1 1.031195 0.459437 2.24 0.0248 ininp.cocust 1 0.358622 0.457477 0.78 0.4331 ininp.cocomp 1 0.994810 0.427483 2.33 0.0200 ininp.cocons 1-0.595868 0.415045-1.44 0.1511 ininp.coprivrod 1 0.607965 0.412502 1.47 0.1405 ininp.cogov 1-0.682998 0.413524-1.65 0.0986 ininp.marloc 1 0.357579 0.446822 0.80 0.4236 ininp.marnat 1 1.462962 0.522916 2.80 0.0051 ininp.mareur 1 1.342051 0.599862 2.24 0.0253 ininp.maroth 1 1.108214 0.561066 1.98 0.0482 ininp.capintgood 1 0.425037 1.078731 0.39 0.6936 ininp.capintmanu 1 1.067753 0.550404 1.94 0.0524 ininp.labintmanu 1 1.222153 0.575916 2.12 0.0338 ininp.trade 1-0.877737 0.960651-0.91 0.3609 ininp.capintserv 1 0.237342 0.825062 0.29 0.7736 ininp.knowintserv 1-2.487966 0.864088-2.88 0.0040 ininp.finance 1-2.682369 1.502498-1.79 0.0742 ininp.it_comp_index 1 5.561691 1.480575 3.76 0.0002 ininp.export 1 0.010570 0.005348 1.98 0.0481 _Sigma.ininp 1 3.035054 0.229815 13.21 <.0001 innov.size 1-0.004306 0.003627-1.19 0.2351 innov.hcap_2 1 1.242728 0.421324 2.95 0.0032 innov.group 1-0.336207 0.184712-1.82 0.0687 innov.marloc 1-0.232526 0.147971-1.57 0.1161 innov.marnat 1-0.170292 0.182517-0.93 0.3508 innov.mareur 1 0.157594 0.197219 0.80 0.4242 innov.maroth 1 0.284847 0.191092 1.49 0.1361 innov.capintgood 1-1.222391 0.305785-4.00 <.0001 innov.capintmanu 1-0.176739 0.203280-0.87 0.3846 innov.labintmanu 1-0.155133 0.207681-0.75 0.4551 innov.trade 1-0.261277 0.331838-0.79 0.4311 innov.capintserv 1-0.991674 0.237762-4.17 <.0001 innov.knowintserv 1-0.677744 0.269809-2.51 0.0120 innov.finance 1-1.499104 0.396701-3.78 0.0002 innov.it_comp_index 1 1.061308 0.505235 2.10 0.0357
s t Value Approx Pr > t innov.export 1 0.003271 0.005744 0.57 0.5690 _Rho 1 0.942937 0.030702 30.71 <.0001 Three-Stage Least Squares Estimation s t Value Pr > t Intercept 1 7.521877 8.279871 0.91 0.3650 Intercept size 1-0.00182 0.007584-0.24 0.8110 employed Mean_AdjWInde x04 1-8.94715 7.824351-1.14 0.2545 newprocess_prod 1-0.14792 0.183527-0.81 0.4214 Improved production methods newprocess_logis 1 0.177081 0.177881 1.00 0.3210 Improved distribution methods newprocess_supp 1 0.101211 0.162373 0.62 0.5339 Improved support cogroup 1 0.474264 0.209504 2.26 0.0249 cosupl 1 0.072073 0.218716 0.33 0.7422 cocust 1-0.40410 0.233620-1.73 0.0856 cocomp 1 0.162861 0.211196 0.77 0.4417 cocons 1 0.133503 0.204891 0.65 0.5156 coprivrod 1 0.092454 0.218994 0.42 0.6735 cogov 1 0.014724 0.194586 0.08 0.9398 capintgood 1 0.398736 0.833714 0.48 0.6331 capintmanu 1-0.45568 0.287028-1.59 0.1143 labintmanu 1-0.45083 0.292511-1.54 0.1252 trade 1-0.39178 0.520625-0.75 0.4528 capintserv 1 0.981702 0.589580 1.67 0.0978 knowintserv 1 0.451384 0.355456 1.27 0.2060 finance 1-1.16362 0.947101-1.23 0.2210 it_comp_index 1-1.07492 0.863283-1.25 0.2149 export 1 0.000605 0.002524 0.24 0.8109 P_ininp 1 0.001681 0.062326 0.03 0.9785 Predicted value of ininp lngplp_04 1 1.037838 0.252797 4.11 <.0001 mills 1-1.08592 0.650279-1.67 0.0969
Model Dependent PRODUCTIVITY lngplp_04 s t Value Pr > t Intercept 1 1.840329 2.622525 0.70 0.4838 Intercept size 1-0.00131 0.002866-0.46 0.6476 employed lncapitalintensity 1 0.059511 0.020709 2.87 0.0046 group 1-0.03776 0.117185-0.32 0.7477 Part of a Group Mean_AdjWIndex04 1 3.008283 2.631185 1.14 0.2545 inputshare 1 1.296278 0.234532 5.53 <.0001 capintgood 1 0.897216 0.203908 4.40 <.0001 capintmanu 1 0.221420 0.109138 2.03 0.0440 labintmanu 1 0.144526 0.113586 1.27 0.2050 trade 1 0.685368 0.163098 4.20 <.0001 capintserv 1 0.077181 0.155219 0.50 0.6197 knowintserv 1 0.034312 0.116911 0.29 0.7695 finance 1 1.212265 0.306120 3.96 0.0001 it_comp_index 1 0.060967 0.299470 0.20 0.8389 export 1 0.001157 0.000973 1.19 0.2360 inout 1 0.268084 0.073467 3.65 0.0003 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 1056 10.77044 1.655455 Regular Discrete Response Profile of innov Index Value Total Frequency 1 0 2046 2 1 1056
Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 3102 Missing Values 7 Log Likelihood -4166 Maximum Absolute Gradient 0.12642 Number of Iterations 164 Optimization Method Quasi-Newton AIC 8408 Schwarz Criterion 8637 Algorithm converged. s t Value Approx Pr > t ininp.size 1-0.029958 0.017466-1.72 0.0863 ininp.hcap_2 1 6.497578 0.515055 12.62 <.0001 ininp.cogroup 1-0.159238 0.210400-0.76 0.4491 ininp.cosupl 1 0.789775 0.199564 3.96 <.0001 ininp.cocust 1 0.052889 0.207940 0.25 0.7992 ininp.cocomp 1 0.061447 0.248570 0.25 0.8048 ininp.cocons 1 0.446465 0.209058 2.14 0.0327 ininp.coprivrod 1 0.339034 0.220031 1.54 0.1234 ininp.cogov 1-0.680302 0.306870-2.22 0.0266 ininp.marloc 1 1.522455 0.232017 6.56 <.0001 ininp.marnat 1 1.441999 0.246035 5.86 <.0001 ininp.mareur 1 1.583543 0.274225 5.77 <.0001 ininp.maroth 1 1.401853 0.256286 5.47 <.0001 ininp.capintgood 1 0.727169 0.675299 1.08 0.2816 ininp.capintmanu 1 0.534694 0.345405 1.55 0.1216 ininp.labintmanu 1 1.158132 0.265930 4.36 <.0001 ininp.trade 1-0.590206 0.477209-1.24 0.2162 ininp.capintserv 1-0.318185 0.436502-0.73 0.4660 ininp.knowintserv 1-1.083858 0.377589-2.87 0.0041 ininp.finance 1 0.853409 0.646596 1.32 0.1869 ininp.export 1 0.016004 0.006107 2.62 0.0088 _Sigma.ininp 1 4.020564 0.115695 34.75 <.0001 innov.size 1 0.002130 0.003115 0.68 0.4941
s t Value Approx Pr > t innov.hcap_2 1 0.454635 0.124923 3.64 0.0003 innov.group 1-0.154954 0.040801-3.80 0.0001 innov.marloc 1-0.568991 0.053727-10.59 <.0001 innov.marnat 1 0.161260 0.058291 2.77 0.0057 innov.mareur 1 0.239706 0.064487 3.72 0.0002 innov.maroth 1 0.408163 0.061821 6.60 <.0001 innov.capintgood 1-0.525240 0.149504-3.51 0.0004 innov.capintmanu 1-0.504095 0.084932-5.94 <.0001 innov.labintmanu 1-0.359846 0.064305-5.60 <.0001 innov.trade 1-0.639137 0.109995-5.81 <.0001 innov.capintserv 1-0.810412 0.092322-8.78 <.0001 innov.knowintserv 1-0.394663 0.094372-4.18 <.0001 innov.finance 1-0.266595 0.154143-1.73 0.0837 innov.export 1 0.014403 0.004469 3.22 0.0013 _Rho 1 0.947636 0.007931 119.49 <.0001 Three-Stage Least Squares Estimation System Weighted MSE 3.5235 Degrees of freedom 333 System Weighted R-Square 0.3982 Model Dependent INNOV_OUTPUT inout innovation output
s t Value Pr > t Intercept 1 20.76427 7.882488 2.63 0.0093 Intercept size 1-0.01082 0.008756-1.24 0.2184 employed Mean_AdjWInde x06 1-22.5072 7.947634-2.83 0.0052 newprocess_prod 1-0.04460 0.111883-0.40 0.6907 Improved production methods newprocess_logis 1 0.140972 0.131129 1.08 0.2839 Improved distribution methods newprocess_supp 1-0.03072 0.113306-0.27 0.7866 Improved support cogroup 1 0.435826 0.175469 2.48 0.0140 cosupl 1-0.18576 0.150963-1.23 0.2203 cocust 1 0.087628 0.162119 0.54 0.5896 cocomp 1-0.50075 0.175628-2.85 0.0049 cocons 1-0.24932 0.172496-1.45 0.1503 coprivrod 1-0.21236 0.150411-1.41 0.1599 cogov 1 0.442797 0.202678 2.18 0.0303 capintgood 1-0.30986 0.487587-0.64 0.5260 capintmanu 1-0.01943 0.261371-0.07 0.9408 labintmanu 1-0.61246 0.249173-2.46 0.0150 trade 1 0.885875 0.450367 1.97 0.0509 capintserv 1 2.297442 0.583136 3.94 0.0001 knowintserv 1 0.391195 0.381289 1.03 0.3064 it_comp_index 1-4.26396 0.971318-4.39 <.0001 export 1 0.004482 0.002762 1.62 0.1066 P_ininp 1 0.323527 0.047784 6.77 <.0001 Predicted value of ininp lngplp_06 1 0.927034 0.274676 3.38 0.0009 mills 1-1.34571 0.376949-3.57 0.0005 Model Dependent PRODUCTIVITY lngplp_06
s t Value Pr > t Intercept 1 5.303580 4.387827 1.21 0.2284 Intercept size 1 0.007650 0.005052 1.51 0.1318 employed lncapitalintensity 1 0.003384 0.028671 0.12 0.9062 group 1-0.10309 0.129614-0.80 0.4275 Part of a Group Mean_AdjWIndex06 1-1.20965 4.487557-0.27 0.7878 inputshare 1 0.760698 0.277920 2.74 0.0069 capintgood 1 0.726244 0.260867 2.78 0.0060 capintmanu 1 0.108531 0.150647 0.72 0.4722 labintmanu 1-0.01707 0.147502-0.12 0.9080 trade 1 0.546134 0.217494 2.51 0.0130 capintserv 1-0.01965 0.268079-0.07 0.9417 knowintserv 1 0.120916 0.222837 0.54 0.5881 it_comp_index 1-1.08683 0.407628-2.67 0.0084 export 1-0.00354 0.001720-2.06 0.0412 inout 1 0.640601 0.118715 5.40 <.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 334 10.63664 1.857837 Regular Discrete Response Profile of innov Index Value 1 0 346 2 1 334 Total Frequency
Model Fit Summary Number of Endogenous s 2 Endogenous innov ininp Number of Observations 680 Missing Values 1 Log Likelihood -1133 Maximum Absolute Gradient 0.09009 Number of Iterations 195 Optimization Method Quasi-Newton AIC 2347 Schwarz Criterion 2528 Algorithm converged. s t Value Approx Pr > t ininp.size 1-0.003470 0.008946-0.39 0.6981 ininp.hcap_2 1 4.914058 0.865068 5.68 <.0001 ininp.cogroup 1-0.401955 0.439740-0.91 0.3607 ininp.cosupl 1 1.201104 0.439943 2.73 0.0063 ininp.cocust 1 0.151868 0.404666 0.38 0.7074 ininp.cocomp 1-0.078058 0.377840-0.21 0.8363 ininp.cocons 1-0.393587 0.366384-1.07 0.2827 ininp.coprivrod 1 0.368672 0.375580 0.98 0.3263 ininp.cogov 1 0.448545 0.392825 1.14 0.2535 ininp.marloc 1 1.270625 0.381691 3.33 0.0009 ininp.marnat 1 2.202730 0.479571 4.59 <.0001 ininp.mareur 1 1.937169 0.460857 4.20 <.0001 ininp.maroth 1 0.935001 0.387846 2.41 0.0159 ininp.capintgood 1 0.310702 0.903977 0.34 0.7311 ininp.capintmanu 1 0.340722 0.440041 0.77 0.4388 ininp.labintmanu 1-0.072643 0.473867-0.15 0.8782 ininp.trade 1 0.568733 0.796768 0.71 0.4754 ininp.capintserv 1-1.707220 0.808247-2.11 0.0347 ininp.knowintserv 1-0.067488 0.603667-0.11 0.9110 ininp.finance 1 1.750548 0.696271 2.51 0.0119 ininp.it_comp_index 1 3.934490 0.899545 4.37 <.0001 ininp.export 1 0.004706 0.004530 1.04 0.2988 _Sigma.ininp 1 2.935445 0.160883 18.25 <.0001