Onderzoek
De transitie naar een kenniseconomie vergt politieke keuzes
Nederland moet meer in R&D investeren als het zich wil profileren als kenniseconomie. De kennisintensiteit van de economische structuur van een land is niet statisch maar kan op termijn veranderen. Beleidskeuzes spelen hierbij een belangrijke rol.
In het kort
Productiviteitsgroei onder druk
Sinds de financiële crisis is de Nederlandse arbeidsproductiviteitsgroei gehalveerd en het beeld wordt er door de coronacrisis niet bepaald rooskleuriger op (zie figuur 1). Door toegenomen onzekerheid en cashflowproblemen zullen veel bedrijven hun plannen om te investeren in kapitaalgoederen, Research & Development (R&D) en innovatie in de ijskast zetten. Ook het risico op een stijging van het aandeel zombiebedrijven dreigt de productiviteitsgroei verder te beknotten. Hierdoor is de kans groot dat de productiviteitsgroei de komende periode nog een extra klap te verduren krijgt.
R&D-investeringen als katalysator
Een manier om de productiviteitsgroei weer aan te zwengelen, is het stimuleren van investeringen in R&D. Hogere R&D-uitgaven door bedrijven en publieke kennisinstellingen hebben namelijk een positief effect op de arbeidsproductiviteitsontwikkeling van een land (voor een literatuuroverzicht zie Erken, Van Es en Groenewegen, 2019). Een belangrijke studie van Bloom, Shankerman en Van Reenen (2013) toont bijvoorbeeld aan dat de sociale baten van bedrijfs-R&D minimaal twee keer zo hoog zijn als de private baten. Daarnaast laat deze studie ook zien dat er een duidelijk causaal verband loopt van R&D naar productiviteitsgroei in plaats van andersom. Door de huidige lage rente kan bovendien een gunstig economisch rendement op deze investeringen worden gehaald, wat het herstel uit de coronacrisis kan bespoedigen (zie Erken, Van Es en Van Harn, 2021a).
Kennisextensieve sectorstructuur
Het verhogen van de R&D-uitgaven is echter gemakkelijker gezegd dan gedaan. Waar de overheid direct grip heeft op de hoogte van de investeringen door universiteiten en publieke researchinstellingen, ligt dit voor R&D-uitgaven door bedrijven lastiger. Nederland heeft namelijk een relatief kennisextensieve sectorstructuur, wat een hogere R&D-intensiteit[1] van het bedrijfsleven compliceert.Sectoren waarin relatief weinig in R&D wordt geïnvesteerd, zoals handel en zakelijke dienstverlening, zijn namelijk relatief groot in Nederland[2] (sectoren links in figuur 2). Tegelijkertijd is de omvang van veel hightechsectoren, zoals computers, elektronica en automotive, waarin veel in R&D wordt geïnvesteerd, juist relatief klein (sectoren rechts in figuur 2). Ongeveer 70 procent van de Nederlandse R&D-achterstand ten opzichte van de wereldwijde koplopers[3] (gemakshalve noemen we deze de benchmark) kan worden verklaard door de kennisextensieve sectorstructuur van de Nederlandse economie (zie Erken, Van Es en Van Harn, 2021b).
[1] R&D-intensiteit is gedefinieerd als de R&D-investeringen als percentage van het bruto binnenlands product (bbp).
[2] Het is niet per se een gegeven dat kennisextensieve sectoren met een lage R&D-intensiteit weinig innoverend of productief zijn. De correlatie tussen R&D-uitgaven op innovatie en productiviteitsgroei is echter wel hoog (zie Bauman en Kritikos, 2016, en Guloglu en Tekin, 2012).
[3] De meest kennisintensieve landen zijn landen waar de R&D-intensiteit hoger ligt dan het OESO-gemiddelde en waarvoor voldoende data beschikbaar zijn. Deze landen zijn: België, Finland, Denemarken, Duitsland, Japan, Oostenrijk, Zweden, Zuid-Korea en de Verenigde Staten.
Een kennisintensieve sectorstructuur zou een R&D-impuls voor de Nederlandse economie aanzienlijk vergemakkelijken, waardoor de productiviteit uiteindelijk toeneemt. De sectorstructuur van een land is echter niet iets dat van de een op de andere dag is aan te passen. Op de middellange termijn ligt dat gelukkig anders. In dit artikel laten we zien dat zelfs de kennisintensiteit van de sectorstructuur niet statisch is, maar afhangt van de keuzes van politici en beleidsmakers.
De kennisintensiteit van de sectorstructuur
Wat bepaalt nou of een land relatief veel of weinig kennisintensieve sectoren heeft? De sectorstructuur is deels een afspiegeling van comparatieve sterktes die moeilijk tot niet veranderbaar zijn, zoals geografische ligging, klimaat, instituties en cultuur. Zo heeft Nederland zijn omvangrijke handels- en logistieke sectoren deels te danken aan de geografische ligging in Europa.
Research & Development
Maar er zijn ook comparatieve sterktes die een land wél kan veranderen. De sectorstructuur is bijvoorbeeld ook het resultaat van een gewonnen concurrentieslag tussen bedrijven (zie bijvoorbeeld Reinganum, 1985; Porter, 1990). Investeringen in bedrijfs- en publieke R&D zorgen voor innovaties bij bedrijven, waarmee een plaats op de (internationale) markt kan worden veroverd of de bestaande marktpositie kan worden versterkt. Uiteindelijk leidt dit tot een hoger aandeel van kennisintensieve sectoren in een economie en zorgt het daarmee voor een positieve impuls voor de kennisintensiteit van de sectorstructuur.
Openheid
We verwachten ook dat een grotere openheid van de economie een positief effect heeft op de kennisintensiteit van de sectorstructuur. Er zijn verschillende studies die laten zien dat handel een belangrijk kanaal is van internationale kennisspillovers (zie bijvoorbeeld Coe en Helpman (1995), Lee (2005) en Cameron et al. (2005)). Door toegang tot buitenlandse technologische kennis kunnen binnenlandse bedrijven hun productiviteit verhogen, waardoor ook het aandeel van de sectoren waarin deze bedrijven opereren toeneemt. Een open economie zorgt daarnaast voor meer marktconcurrentie, die bedrijven prikkelt om inefficiënties in hun productieproces te verlagen en meer te investeren in innovatie. Dit resulteert in een hoger marktaandeel van kennisintensieve bedrijven en een hogere kennisintensiteit van de economische structuur van een land.
Arbeidskosten per eenheid product
Hoge arbeidskosten per eenheid product (p.e.p.) zorgen naar verwachting voor een lagere kennisintensiteit van de sectorstructuur, en vice versa. De arbeidskosten p.e.p. is een maatstaf voor de internationale concurrentiekracht. Een stijging van deze kosten zorgt voor een daling van het internationale marktaandeel (Carlin, Glyn en Van Reenen, 2001), een lagere toegevoegde waarde en vervolgens een lager aandeel van kennisintensieve sectoren, die vaak op concurrerende internationale markten actief zijn.
Menselijk kapitaal
We verwachten dat menselijk kapitaal een positief effect heeft op de kennisintensiteit van de sectorstructuur. Ten eerste is menselijk kapitaal een voorwaarde om R&D uit te voeren (R&D is mensenwerk). Maar daarnaast zijn menselijk kapitaal en R&D ook strategische complementen (zie Redding, 1998). Menselijk kapitaal is ook een vereiste[4] om R&D om te zetten naar een hogere productiviteit.
[4] Naast menselijk kapitaal is ook organisatorisch kapitaal een belangrijke factor voor het verwezenlijken van een hogere productiviteit (zie Dieteren et al., 2018) en om te innoveren (Groenewegen en Hardeman, 2019). De factor is echter modelmatig lastig te vangen.
Kunnen extra investeringen de kennisintensiteit van de sectorstructuur verhogen?
Zoals we hierboven hebben beargumenteerd, verwachten we dat door deze R&D-investeringen niet alleen de omvang van de economie, maar ook de structuur van economie zal veranderen. Daarom hebben wij drie scenario’s doorgerekend (box 1), waarin we de R&D-uitgaven van Nederland naar een hoger niveau tillen.[5] De technische toelichting op de methodologie, definities, data, modellen en schattingsresultaten staan in de bijlage.
Resultaten
In figuur 3 laten we zien wat de impact is van de drie R&D-investeringsscenario’s op de kennisintensiteit van de Nederlandse economische structuur. In het eerste scenario verbetert de kennisintensiteit van de sectorstructuur met maximaal 0,1 procentpunt van het bbp ten opzichte van de benchmark, terwijl deze verbetering in het tweede en derde scenario zo’n 0,15 en 0,25 procentpunt bedraagt. Dit is respectievelijk ongeveer 20, 30 en 50 procent van de huidige totale achterstand in bedrijfs-R&D.
[5] In deze scenario’s focussen we niet op veranderingen in de andere drie genoemde factoren (openheid, arbeidskosten p.e.p. en menselijk kapitaal). Er is echter ook beleid mogelijk om op deze factoren te sturen, zoals investeringen in onderwijs en verlaging van werkgeverslasten.
Daarnaast zien we dat de kennisintensiteit in het eerste en tweede scenario slechts tijdelijk verbetert. Dit komt doordat dat in deze scenario’s sprake is van een tijdelijke investeringsimpuls. Zodra de extra R&D-investeringen stoppen, neemt de kennisintensiteit weer langzaam af, omdat de afschrijvingen op R&D-kapitaal relatief hoog zijn. In het derde scenario, waar we de extra investeringen niet afbouwen, blijft de kennisintensiteit op een permanent hoger niveau.[6] Kortom, structurele hogere R&D-investeringen zijn nodig om de kennisintensiteit van de economie structureel te verhogen.
[6] Het valt op dat de kennisintensiteit van de Nederlandse economie vanaf 2026 weer wat afneemt. Dit komt door een geleidelijk ingroeipad van extra R&D-uitgaven, die we in latere jaren compenseren door hoger dan gemiddelde investeringen in R&D. De uiteindelijke vlakke lijn na 2030 is het pad op basis van de gemiddelde R&D-impuls over de gehele periode.
Box 1: Drie R&D-investeringsscenario’s voor de Nederlandse economie
In ons basisscenario hebben we de onderliggende determinanten van de endogene sectorstructuur geëxtrapoleerd met behulp van ARIMA-schattingen. De scenario’s in deze studie zijn gebaseerd op Erken, Van Es en Van Harn (2021b).
Scenario 1: Tijdelijke extra investering in private R&D
In dit scenario wordt de intrinsieke R&D-achterstand ten opzichte van de meest kennisintensieve landen over vijf jaar gedicht (zie voetnoot 3). Dit betekent dat er in de periode van 2021-2025 een jaarlijkse extra private R&D-investering wordt gedaan van 0,3 procent van het bbp, ofwel gemiddeld 2,5 miljard euro extra per jaar.
Scenario 2: Tijdelijke extra investering in private en publieke R&D
Naast een verhoging van de R&D investeringen in de private sector kiezen we er in dit scenario ook voor om de publieke R&D tijdelijk te verhogen (met 0,15 procent van het bbp). Publieke kennisinstellingen in Nederland investeren namelijk minder dan de benchmark. Uiteindelijk wordt over een periode van vijf jaar (2021-2025) jaarlijks 4,1 miljard extra geïnvesteerd in R&D (zowel publiek als privaat).
Scenario 3: Permanente extra investering in private en publieke R&D
In het derde en laatste scenario worden de R&D-investeringen door bedrijven en publieke kennisinstellingen permanent naar een hoger niveau getild. Hierbij gaat het gemiddeld om 4,5 miljard euro extra per jaar. In dit derde scenario lopen de extra investeringen voor onbepaalde tijd door.
Conclusie
Een op kennis en innovatie gerichte economie is de beste route naar toekomstige productiviteitsgroei. Dat is niet alleen nodig om toekomstige economische groei te realiseren, maar ook om maatschappelijke uitdagingen het hoofd te bieden, zoals de oplopende kosten van de vergrijzing en de transitie naar een klimaatneutrale samenleving. Nederland heeft in vergelijking met de meest kennisintensieve landen een groot aandeel dienstensectoren die minder R&D-intensief zijn dan bijvoorbeeld segmenten in de hightechindustrie. Hierdoor is het lastiger om de R&D-achterstand ten opzichte van andere landen in te lopen. Onze berekeningen laten zien dat het mogelijk is om hier iets aan te doen. Het nieuwe kabinet en het bedrijfsleven zullen daarom de handen ineen moeten slaan en een brede investeringsagenda uit moeten rollen. De transitie moet nu worden ingezet.
Literatuur
Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277–297.
Bassanini, A., Scarpetta, S., & Hemmings, P. (2001). Economic growth: the role of policies and institutions. Panel data evidence from OECD countries.
Baumann, J., Kritikos, A. (2016). The link between R&D, Innovation and Productivity, Are Micro Firms Different? Research Policy, 45(6), 1113-1322.
Bloom, N., Schankerman, M., & Van Reenen, J. (2013). Identifying technology spillovers and product market rivalry. Econometrica, 81(4), 1347-1393.
Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics: Methods and applications. Cambridge: Cambridge University Press.
Cameron, G., Proudman, J., & Redding, S. (2005). Technological convergence, R&D, trade and productivity growth. European Economic Review, 49(3), 775-807.
Carlin, W., Glyn, A., & Van Reenen, J. (2001). Export market performance of OECD countries: an empirical examination of the role of cost competitiveness. The Economic Journal, 111(468), 128-162.
Coe, D. T., & Helpman, E. (1995). International R&D spillovers. European economic review, 39(5), 859-887.
Dieteren, J., Groenewegen, J. Hardeman, S., Garretsen, H., de Haan, L., en Stoker, J. (2018). Managementkwaliteit in Nederland gemeten. ESB, 103 (4765): 414-417.
Donselaar, P. (2011). Innovatie en productiviteit: het Solow-residu ontrafeld. Rotterdam: Erasmus Universiteit Rotterdam.
Erken, H.P.G., F. van Es en H.J.D. van Harn (2021a). Overheid: investeer ons nu uit de crisis. Rabobank, Utrecht.
Erken, H.P.G., F. van Es en H.J.D. van Harn (2021b). De lage R&D-investeringen in Nederland kosten groei. ESB, 106(4795S), 40-44.
Erken, H.P.G., F. Van Es en J. Groenewegen (2019). Het groeipotentieel van de Nederlandse economie tot 2030. Rabobank, Utrecht.
Guloglu, B., & Tekin, B. (2012). A panel causality analysis of the relationship among research and development, innovation, and economic growth in high-income OECD countries. Eurasian Economic review (2), 32-47.
Granger, C.W.J., & Newbold, P. (1974). Spurious regressions in econometrics. Journal of Econometrics, 2(2), 111–120.
Greene, W. H. (2018). Econometric analysis. 8e editie, Pearson.
Groenewegen, J. en S. Hardeman (2019), Adoptie data-gedreven besluitvorming belemmerd door matig personeelsmanagement, MeJudice.
Kao, C. (1999). Spurious regression and residual-based tests for cointegration in panel data. Journal of econometrics, 90(1), 1-44.
Kao, C. and Chiang, M.-H. (2001), On the estimation and inference of a cointegrated regression in panel data, in: Baltagi, B.H., Fomby, T.B. and Carter Hill, R. (Ed.). Nonstationary Panels, Panel Cointegration, and Dynamic Panels (Advances in Econometrics, Vol. 15), Emerald Group Publishing Limited, Bingley, pp. 179-222.
Lee, G. (2005). International R&D spillovers revisited. Open Economies Review, 16(3), 249-262.
Nickell, S. (1981). Biases in dynamic models with fixed effects. Econometrica, 1417-1426.
OECD (2016). Irish GDP up by 26.3% in 2015?. Parijs: OECD.
Porter, M. E. (1990). The competitive advantage of nations. Harvard Business Review.
Redding, S. (1996). The low-skill, low-quality trap: Strategic complementarities between human capital and R & D. The Economic Journal, 106(435), 458-470.
Reinganum, J. F. (1985). Innovation and industry evolution. Quarterly Journal of Economics, 100(1), 81-99.
Stock, J. H., & Watson, M. W. (1993). A simple estimator of cointegrating vectors in higher order integrated systems. Econometrica, 783-820.
Appendix: technische toelichting
Modelspecificatie
Om te onderzoeken welke factoren invloed hebben op de kennisintensiteit van de sectorstructuur gebruiken we het volgende algemene model:
Hierin is S het sectorstructuureffect voor land i en jaar t, j is een vector die de vertraging van de variabelen aangeeft, α is een constante, x is een vector van onafhankelijke variabelen, β is een vector van coëfficiënten, D staat voor land- en tijdspecifieke effecten (fixed effects) en ε is een foutterm.
Bij het schatten van dit eenvoudige model doen zich echter twee econometrische problemen voor. Ten eerste zijn onze variabelen in niveaus niet-stationair en is er een reëel risico op het schatten van zogenoemde nonsens-correlaties (Granger en Newbold, 1974). Een tweede econometrisch probleem is dat de coëfficiënten van een panelmodel met fixed effects en een vertraagde endogene variabele vertekend zijn (zie Nickell, 1981).
Dynamic OLS
Een manier om te corrigeren voor non-stationariteit van variabelen is om het model te schatten in eerste verschillen, maar dan verliezen we ook informatie over de langetermijnrelatie tussen de variabelen. Wanneer echter sprake is van zogenoemde co-integratie kunnen niet-stationaire variabelen wel in niveaus worden geschat. Co-integratie betekent dat de residuen van een combinatie van niet-stationaire variabelen wel stationair zijn over tijd. Om dit te testen maken we gebruik van de co-integratietest voor paneldata ontwikkeld door Kao (1999). Uit deze test blijkt dat sprake is van co-integratie van onze variabelen. Kao en Chiang (2001) laten zien dat de Dynamic Ordinary Least Squares (DOLS) schatter bij geco-integreerde panelmodellen een veel nauwkeurigere schatter is dan OLS of fully-modified OLS (FMOLS). Het DOLS model heeft de volgende specificatie:
Het grote verschil van het DOLS model ten opzichte van vergelijking (1) is het opnemen van vertragingen en versnellingen (lags en leads) van de onafhankelijke variabelen in eerste verschillen (Δ). Hiermee wordt gecorrigeerd voor autocorrelatie in de residuen (Stock and Watson, 1993). In dit geval hoeven we dus geen gebruik te maken van landen- en jaardummy’s die normaal hiervoor corrigeren.
Robuustheidsanalyses: ECM en GMM
De DOLS-schatting heeft onze voorkeur, omdat we hiermee de langetermijnrelatie tussen het sectorstructuureffect van landen en andere variabelen kunnen vaststellen. Maar als robuustheidsanalyse voeren we ook schattingen uit met twee dynamische panelmodellen. In beide dynamische modellen maken we gebruik van white errors om te corrigeren voor heteroskedasticiteit in de residuen. Het eerste model is een foutencorrectiemodel (error-correction model: ECM), waarmee zowel het kortetermijn- als langetermijnverband integraal kan worden geschat. Er wordt ook een error-correctieparameter geschat (λ), die corrigeert voor kortetermijnafwijkingen van variabelen van hun langetermijnevenwichtswaarde. Als er een positieve (negatieve) afwijking van het langetermijnevenwicht is, wordt deze term dus negatief (positief), om zo de afwijking te verminderen. Het ECM-model wordt als volgt gespecificeerd:
In ons ECM-model nemen we ook een vertraagde endogene variabele mee om rekening te houden met autoregressieve processen. De sectorstructuur van een economie verandert immers weinig op korte termijn. Mogelijk is hierbij echter sprake van endogeniteit (Cameron en Trivedi, 2005), omdat de autoregressieve term gecorreleerd is met de foutterm. Als tweede robuustheidsanalyse schatten we daarom een eerste-verschillen Generalised Method of Moments (GMM) model gebaseerd op Arellano en Bond (1991). Gebaseerd op dezelfde bron gebruiken we de vertraagde niveaus van onze afhankelijke en onafhankelijke variabelen als instrumenten voor de autoregressieve term ΔSi,t-1 en de onafhankelijke variabelen. Het GMM-model heeft de volgende vorm:
Waarbij x* de vector van geïnstrumenteerde onafhankelijke variabelen is.
Data
We schatten bovenstaande drie modellen (vergelijking (2), (3) en (4)) voor een panel van zestien OESO-landen: België, Canada, Denemarken, Duitsland, Frankrijk, Griekenland, Italië, Japan, Noorwegen, Nederland, Oostenrijk, Portugal, Spanje, het Verenigd Koninkrijk, de Verenigde Staten en Zweden over een periode van drie decennia (1987-2017). Het sectorstructuureffect en intrinsieke effect is berekend met data uit drie OESO-databases: de STAN-database, ANBERD-database en Main Science and Technology Indicators. Publieke R&D is ook berekend door gebruik te maken van data uit laatstgenoemde OESO-database. De arbeidskosten per eenheid product zijn berekend met data uit de OESO Economic Outlook, AMECO-database van de Europese Commissie, OESO Annual National Accounts, IMF World Outlook database en tot slot de Total Economy Database van de Conference Board. Voor de openheidsvariabele is data gebruikt uit de OESO Economic Outlook database.
Ierland en Finland
Landen waarvoor de data niet compleet zijn of waarvan veel sectoren ontbreken, nemen we niet mee in onze analyse. Daarnaast kiezen we ervoor om Ierland en Finland niet mee te nemen in de panelschattingen, vanwege aanzienlijke vertekeningen in de data.
In Ierland is door het aantrekkelijke belastingregime een flink aantal grote buitenlandse bedrijven gevestigd. Dit heeft een verstorende werking op de data uit de nationale rekeningen die wij gebruiken. Zo dragen opbrengsten op basis van het gebruik van bedrijfsspecifiek intellectueel eigendom bij aan het Ierse bbp in plaats van dat van andere landen (zie OECD, 2016). Om een voorbeeld te geven: in Ierland is een aantal grote internationale farmaceutische bedrijven actief, zoals Pfizer, Johnson & Johnson en Roche, een sector waar traditioneel sprake is van een omvangrijke opbrengst uit licenties en patenten. Dit verklaart waarom de toegevoegde waarde van de Ierse farmaceutische industrie in sommige jaren met 30 procent is gegroeid. Doordat de farmaceutische sector ook nog erg R&D-intensief is, wordt de kennisintensiteit van de Ierse sectorstructuur in de nationale rekeningen flink overschat.
In Finland wordt de sectorstructuur historisch gedomineerd door de R&D-uitgaven van slechts één bedrijf: Nokia. Vroeger was Nokia een wereldwijde koploper op het gebied van mobiele technologie, maar met de opkomst van de smartphone in 2007 is de dominante positie van Nokia verdwenen. Tussen 2012 en 2014 daalden de R&D-uitgaven van Nokia van vijf miljard euro naar twee miljard euro. Ten opzichte van het totaal van R&D-uitgaven in Finland van ongeveer 7 miljard euro in 2012 is dit een grote daling en is er dus sprake van een trendbreuk.
Variabelen
Voordat we de schattingsresultaten van onze modellen bespreken, staan we stil bij de berekening van de variabelen in onze modellen. Het sectorstructuureffect (S) wordt voor zestien landen als volgt berekend:
waarin RD staat voor de nominale R&D-uitgaven, Y voor de toegevoegde waarde en i voor het land en m voor de sector. De index F staat voor de buitenlandse benchmark. Het sectorstructuureffect wordt dus berekend door de R&D-intensiteit (R&D-uitgaven als percentage van de toegevoegde waarde) van een bepaalde sector in de benchmark te vermenigvuldigen met het aandeel van die sector in de totale toegevoegde waarde van het land zelf, relatief ten opzichte van de benchmark.
Het intrinsieke effect (I) wordt berekend door:
Bij het intrinsieke effect wordt dus louter gekeken naar de R&D-uitgaven van bedrijven in een sector ten opzichte van dezelfde sector in de benchmark. Zoals de term al zegt, wordt er gekeken of bedrijven intrinsiek minder of meer uitgaven aan R&D vergeleken met hun buitenlandse concurrenten.
De publieke R&D-variabele wordt berekend door:
Waarbij G de R&D-investeringen zijn van publieke onderzoeksinstellingen en H die van universiteiten. Deze variabele geeft dus weer in hoeverre een land meer investeert in publieke R&D dan de buitenlandse benchmark.
Voor het bepalen van de openheid van de economie gebruiken we de definitie van Bassanini, Scarpetta en Hemmings (2001):
Waarin EX staat voor de export van land i en IM voor de import van land i. De openheid van een economie wordt dus bepaald door de exportintensiteit van een economie (eerste term na gelijkteken) en de importpenetratie van de binnenlandse vraag (term tussen rechte haken). Omdat kleine landen per definitie meer blootstaan aan buitenlandse handel dan grote landen met een grote interne afzetmarkt, corrigeren we voor de omvang van de economie (Donselaar,2011).
De arbeidskosten per eenheid product (ULC) worden bepaald door:
Waarbij LC staat voor de reële arbeidskosten en HE voor het totaal aantal gewerkte uren door werknemers. De totale arbeidskosten omvatten niet alleen de loonkosten, maar ook de indirecte belastingen en premies en subsidies. In de noemer staat de reële arbeidsproductiviteit per gewerkt uur, gemeten als bbp (Y) gedeeld door het totaal aantal gewerkte uren van alle werkenden (H).
Schattingsresultaten
In tabel 1 zijn de schattingsresultaten van onze drie modellen weergegeven. In de DOLS-schatting hebben alle onafhankelijke variabelen een statistisch significant effect op de kennisintensiteit van de sectorstructuur en laten het verwachte teken zien. Het intrinsieke effect en de publieke R&D hebben beide een positief effect. Een verbetering van het intrinsieke effect met 1 procentpunt leidt tot een verbetering van het sectorstructuureffect met 0,3 procentpunt. Een verbetering van de publieke R&D-intensiteit ten opzichte de benchmark verbetert het sectorstructuureffect met 0,5 procentpunt. Het error-correctiemodel laat in niveaus vergelijkbare coëfficiënten zien als de DOLS-schatting, met uitzondering van publieke R&D. Bovendien zijn de effecten van publieke R&D en arbeidskosten statistisch niet-significant. De foutencorrectieterm (λ) vertoont een statistisch significant negatief teken, wat betekent dat de kortetermijnafwijking van variabelen van het langetermijnevenwicht teniet wordt gedaan in plaats van verder versterkt. De Durbin-Watson statistiek geeft aan dat er geen sprake is van autocorrelatie in de residuen in ons ECM-model, terwijl de J-statistiek bij ons GMM-model een indicatie is dat er geen sprake is van een overschot aan restricties. Ook in dynamische sfeer zijn de effecten van alle onafhankelijke variabelen, behalve de arbeidskosten per eenheid product, statistisch significant. Dat beeld wordt bevestigd door schattingen met het GMM-model.
Ter controle hebben we in onze analyse ook menselijk kapitaal meegenomen als aparte verklarende variabele en als interactieterm met het intrinsieke effect en de publieke R&D. Hoewel deze variabelen in onze schattingen wel statistisch significant zijn, is de impact op onze scenarioanalyse beperkt. Daarom geven wij de voorkeur aan een simpeler model en nemen we menselijk kapitaal niet mee in het model dat we gebruiken voor onze scenarioanalyse.