Determinanty TFP w regionach

Prace, w których badane są róŜnice w rozwoju regionalnym we Włoszech, naleŜą w literaturze do licznych i często cytowanych. Wydaje się to wynikać ze znacznego rozwarstwienia między północnymi a południowymi regionami tego

kraju. PoniŜej przedstawione są szerzej dwa opracowania analizujące kształto-wanie się TFP w regionach Włoch.

G. A s c a r i i V. D i C o s m o [2004] zaprezentowali przykład zastosowania dynamicznego modelu panelowego do wyjaśnienia róŜnic łącznej produktywno-ści czynników produkcji (TFP) między regionami administracyjnymi Włoch. Autorzy podkreślają, Ŝe TFP oraz kapitał ludzki są najbardziej istotnymi czynnikami, wyjaśniającymi róŜnice w dochodach między krajami, regionami

etc. Wśród potencjalnych determinant TFP wymienia się: poziom działalności

badawczo-rozwojowej, kapitał ludzki, transfer technologii, rolę związków zawodowych, stabilność polityczną i poziom demokracji.

Poziom TFP wyznaczony został na podstawie funkcji Cobba–Douglasa z zaleŜności: (6.3) i i it it it it L K Y TFP = ₁−α α (6.4)

gdzie Yit – wartość dodana w regionie i, w roku t, Kit – miara kapitału, Lit – miara nakładu pracy. Wartość parametru αi oszacowano przyjmując załoŜenie doskonałych rynków czynników produkcji jako α_i =w_i⋅L_i/Y_i, gdzie wi jest przeciętnym wynagrodzeniem w cenach stałych, w regionie i. Parametr ten jest stały w czasie, gdyŜ jest, zdaniem autorów, parametrem technolo- gicznym, który nie powinien się zmienić w okresie 15 lat objętych próbą. Z drugiej strony, udział pracy w poszczególnych regionach wykazuje duŜą zmienność w czasie, co autorzy uzasadniają działaniem czynników innych niŜ technologiczne. Zatem wartość αi obliczono jako średnią po czasie dla i-tego regionu.

Na podstawie danych pochodzących z 20 regionów administracyjnych Włoch z lat 1985–2000 skonstruowano statyczny i dynamiczny model kształto-wania się TFP. Model statyczny ma postać:

it i it it it it it

it rd ricpop import edu socialk

TFP =β₀+β₁ +β₂ +β₃ +β₄ +β₅ +α +ε ln (6.5) a model dynamiczny: (6.6) it i it it it it it t i

it TFP rd ricpop import edu socialk

TFP ε α β β β β β γ + + + + + + + + = ln _{,−1 1 2 3 4 5} ln gdzie: TFP – łączna produktywność czynników produkcji, wyznaczona według wzoru (6.4); rd – stosunek nakładów na badania i rozwój do inwestycji w środki

trwałe ogółem; ricpop – stosunek liczby pracujących naukowców do liczby pracujących ogółem; import – stosunek importu do PKB; edu – przeciętna dla pracujących liczba lat nauki; socialk – kapitał społeczny, zmienna wyzna-czona metodą głównych składowych, jako pierwsza główna składowa trzech wybranych wskaźników przestępczości. Zmienną objaśnianą modelu jest lnTFP, gdyŜ zaleŜność między TFP a zmiennymi objaśniającymi nie ma charakteru liniowego.

Model (6.5) potraktowano jako model FE i oszacowano za pomocą estyma-tora wewnątrzgrupowego. Zmienne, opisujące działalność badawczo-rozwojową i kwalifikacje pracowników są statystycznie istotne, a oceny parametrów są dodatnie (0,65 dla rd, 2,49 dla ricpop i 0,099 dla edu). Wyciągnięto stąd wniosek, Ŝe postęp technologiczny jest istotną determinantą reszty Solowa oraz Ŝe kapitał ludzki i wykształcenie pracowników przekłada się na wzrost TFP. Wnioski takie są potwierdzeniem tez stawianych w publikacjach o charakterze teoretycznym na temat tego, Ŝe postęp technologiczny i kapitał ludzki są najbardziej istotnymi czynnikami, wpływającymi na wzrost TFP. Zmienne

import i socialk są nieistotne w modelu (6.5). MoŜe to, zdaniem autorów,

wynikać z braku danych, odzwierciedlających wpływ wymiany handlowej na TFP na poziomie regionalnym. Zmienna import nie uwzględnia tego, czy importowane dobra pozostają w regionie, czy są przesyłane dalej, np. z regio-nów przygranicznych. Ponadto brak jest danych regionalnych opisujących strukturę sprowadzanych dóbr, co uniemoŜliwia wyodrębnienie wpływu transferu technologii na TFP. G. Ascari i V. Di Cosmo stwierdzili teŜ, Ŝe wysokie wartości statystyk t-Studenta dla efektów grupowych (rzędu temp = –75) mogą wskazywać na problem pominiętych zmiennych. Wprowadzili zatem do modelu opóźnioną zmienną endogeniczną, modyfikując go do postaci (6.6). Model ten oszacowano dwiema metodami: za pomocą estymatora wewnątrzgru-powego (WG) z korektą Kivieta (patrz pkt 3.1.7) oraz FDGMM. Wyniki wskazują na wysoki stopień trwałości zmiennej objaśnianej – ocena parametru γ modelu (6.6) wynosi od 0,977 dla estymatora WG do 0,794 dla estymatora FDGMM. Jednocześnie, w przypadku estymatora WG wszystkie pozostałe zmienne są nieistotne, co moŜe, zdaniem autorów, wynikać ze zbyt małego wymiaru przekrojowego próby. W wyniku zastosowania FDGMM z macierzą instrumentów postaci (3.41), a więc z uwzględnieniem endogeniczności zmien-nych objaśniających, uzyskano wyniki zbliŜone do wyników modelu statyczne-go, w sensie istotności zmiennych objaśniających. Zmiennymi statystycznie istotnymi okazały się rd i ricpop, zaś pozostałe zmienne (import, edu, socialk) są nieistotne. Nieistotność zmiennej edu w modelu dynamicznym⁵ tłumaczona jest jako efekt jej skorelowania z opóźnioną wartością TFP; w modelu statycznym

Sytuacja ta jest podobna do opisanej w podrozdz. 6.3 próby włączenia współczynnika sola-ryzacji do modelu Bonda, Hoeffler i Temple’a.

zmienna edu odzwierciedlać mogła wpływ opóźnionej wartości TFP na bieŜącą wartość tej zmiennej. Jako alternatywne wyjaśnienie G. Ascari i V. Di Cosmo wskazują na problem regresji pozornej – obie zmienne: TFP i edu wykazują trend rosnący, nieobecny w pozostałych zmiennych modelu.

G. Ascari i V. Di Cosmo podjęli teŜ próbę opisu rozwarstwienia rozwoju ekonomicznego między uprzemysłowioną północą Włoch a słabo rozwiniętym południem poprzez oszacowanie oddzielnych modeli dla tych dwóch części kraju. Estymacja modelu dynamicznego nie powiodła się ze względu na zbyt małą liczbą obserwacji przestrzennych (odpowiednio 12 i 8 regionów). Model statyczny postaci (6.5) dla regionów północnych moŜna uznać za zadowalają-cy. Wszystkie zmienne objaśniające, łącznie z socialk są istotne, a oceny parametrów dodatnie. Jakość modelu dla regionów południowych jest gorsza: zmienne rd i ricpop są nieistotne, a ocena parametru przy socialk jest ujemna. Autorzy interpretują te wyniki jako odzwierciedlenie prawidłowo funkcjonują-cej gospodarki północnych Włoch i nieprawidłowości charakteryzujących południe, w szczególności skutków przestępczości zorganizowanej. Szczegól-nie podkreślany jest wpływ zmiennej socialk, który w przypadku północy oznacza pozytywny wpływ kapitału społecznego, traktowanego jako przybli-Ŝona miara poczucia bezpieczeństwa społecznego, na wzrost produktywności. W zakończeniu podkreślono nierównomierność rozwoju gospodarczego Włoch i uznano ją za główną przyczynę niedoskonałości modelu postaci (6.6) dla całego kraju.

Nieco inne podejście do badania konwergencji zastosowali J. B y r n e, G. F a z i o i D. P i a c e n t i n o [2005]. Podczas gdy większość badań empirycz-nych nad konwergencją koncentruje się na analizach PKB per capita lub produktywności pracy, autorzy badali proces konwergencji między regionami Włoch w odniesieniu do TFP w długim okresie. Uzasadnieniem takiego podej-ścia jest teoria neoklasyczna, zgodnie z którą róŜnice strukturalne między regionami wpływają na TFP i w konsekwencji na długookresowy wzrost. Ponadto wykazać moŜna, Ŝe zróŜnicowanie wydajności pracy zaleŜy w więk-szym stopniu od TFP niŜ od technicznego uzbrojenia pracy. TFP odzwierciedla zaś szerokie spektrum materialnych i niematerialnych czynników, które wpływa-ją na efektywność gospodarki. J. B y r n e, G. F a z i o i D. P i a c e n t i n o [2005] odeszli ponadto od tradycyjnych metod badania konwergencji typu β lub σ na rzecz zastosowania panelowych testów stacjonarności. Występowanie stacjonar-ności interpretują oni jako występowanie konwergencji. Wartości TFP dla regionów Włoch dla lat 1970–2001 oszacowano stosując metodologię rachunku wzrostu bazującą na funkcji Cobba–Douglasa z załoŜeniem postępu techniczne-go zwiększającetechniczne-go efektywność pracy (patrz podrozdz. 5.1). Ocenę parametru α

wyraŜającego elastyczność produkcji względem pracy oszacowano jako ,

/ _it

it it it =w ⋅L Y

α a więc podobnie jak w pracy: A s c a r i, D i C o s m o [2004]; dopuszczono jednakŜe zróŜnicowanie tego parametru zarówno po obiektach, jak

i w czasie. Taka konstrukcja odzwierciedla dynamikę regionalnych róŜnic w strukturach gospodarek. Następnie na podstawie funkcji Cobba–Douglasa wyznaczono wartości TFP specyficzne dla regionów i czasu. Zaobserwowano przy tym znaczne róŜnice w produktywności pracy: w regionach północno- -zachodnich przekracza ona średnią krajową o 11%, a w regionach południo-wych jest od niej niŜsza o 14%. Podobne dysproporcje zauwaŜono w odniesieniu do TFP; zróŜnicowanie kapitałochłonności jest zaś znacznie słabsze. Ponadto produktywność pracy jest silnie skorelowana z TFP (r = 0,8), a słabo (r = 0,26) z kapitałochłonnością. Wyciągnięto stąd wniosek, Ŝe dla wyjaśnienia róŜnic w produktywności pracy najbardziej istotna jest analiza TFP.

Jako ostatni etap badania autorzy zastosowali panelowe testy stacjonar-ności⁶ w celu zbadania konwergencji regionalnej w odniesieniu do TFP. Zasto-sowano dwie alternatywne miary odległości TFP między regionami. Dla całej próby i dla obu tych miar dwa testy: LLC L e v i n a, L i n a i C h u [2002] i IPS I m a, P e s a r a n a i S h i n a [2003], dały jednakowy wynik: brak podstaw do odrzucenia hipotezy zerowej o braku stacjonarności. Oznacza to niewystępowa-nie konwergencji między regionami. Test MADF S a r n o i T a y l o r a [1998] wskazał zaś na występowanie konwergencji. Ze względu na róŜnice konstrukcji testów, wyniki te zinterpretowano jako wskazanie na występowanie konwergen-cji klubowej. Dokładniej, po wyodrębnieniu odpowiednich podprób stwierdzono występowanie długookresowej tendencji zbieŜnej między regionami południo-wymi (do wartości poniŜej średniej krajowej). Regiony północne rozwijają się natomiast według własnych ścieŜek, przypuszczalnie ze względu na róŜne endogeniczne źródła wzrostu.