A PROXIMIDADE GEOGRÁFICA E A PRODUTIVIDADE
Transcrição
A PROXIMIDADE GEOGRÁFICA E A PRODUTIVIDADE
A Proximidade geográfica e a productividad A PROXIMIDADE GEOGRÁFICA E A PRODUTIVIDADE Orlando Petiz Pereira e Isabel M. Correia Universidade do Minho RESUMEN O conhecimento assume um papel estratégico no desempenho das empresas, a ponto do conhecimento tácito ser valorizado e as habilidades e competências das pessoas serem consideradas como factores de excelência para o incremento da produtividade. Contudo, o conhecimento, com especial incidência para o codificado, apresenta elementos comuns aos bens públicos. Por tal facto, o papel dos spillovers do conhecimento, intra e inter empresas e entre as empresas e Universidades, pode assumir-se como um canal de transmissão do conhecimento e constituirá a estrutura para os processos da inovação. Recentemente, questiona-se o papel das Universidades neste processo, e admitese que a dimensão dos spillovers possa ser ainda mais importante. Como a estrutura da indústria transformadora portuguesa é caracterizada pelo predomínio de empresas de pequena e média dimensão, ganha sentido explorar e quantificar o papel que as Universidades podem desempenhar no processo de produção e disseminação do conhecimento. A existirem os spillovers do conhecimento da Universidade para a empresa e para o espaço local, a proximidade geográfica das diferentes unidades económicas é um factor relevante para o desempenho das empresas. XIII Jornadas de ASEPUMA 1 Petiz e Correia 1.INTRODUÇÃO Foi nosso propósito averiguar a influência das universidades sobre o desempenho empresarial. Para tal usámos a produtividade como indicador, medida pelo valor acrescentado bruto (VAB) por trabalhador. Utilizámos uma amostra de 362 empresas da indústria transformadora a partir de dados não publicados e disponibilizados pelo IF4 (Processamento de informações, Ldª), relativas às maiores 1500 PME´S de 2003 em Portugal. A base de dados relativa às empresas foi complementada com informação relativa à distância entre as empresas e a universidade mais próxima. Nesta análise apenas foram consideradas as 11 universidades do ensino superior público localizadas no continente. Além da variável distância, foram contempladas também a dinâmica de investigação de cada uma das universidades, avaliadas a partir da informação da FCT relativas ao número de núcleos de investigação financiada. A diferença entre conhecimento tácito (normalmente associada às ciências sociais) e conhecimento codificado (normalmente associado às ciências naturais), foram também consideradas, tendo-se construído uma ordenação entre as diferentes universidades, relativamente a cada um dos domínios de conhecimento. Neste caso, o número mais alto está associado a um melhor desempenho da universidade. 2.A PROXIMIDADE GEOGRÁFICA E A PRODUTIVIDADE Assume-se, em termos tradicionais, que a proximidade física entre os agentes económicos aumenta, de forma considerável, a probabilidade de se implementarem formas de colaboração. Estas podem passar pela partilha de recursos informáticos ou bases de dados, pela interacção entre colegas, pela troca de estudantes e licenciados, entre outras. Também pode ser entendida como um importante mecanismo para a transmissão de conhecimentos (ver Audretsch e Lehmann, 2005: 2; Moomaw, 1983; Gerking, 1994. Enquanto alguns autores têm encontrado evidência de uma relação positiva e significativa entre as economias de urbanização e a produtividade do trabalho (por exemplo, Louri, 1988; Nakamura, 1985; Sveikauskas et al., 1988), outros enfatizam o papel das externalidades associadas à localização (Calem e Carlino, 1991; Hanson, 1996; Henderson et al., 1995). 2 XIII Jornadas de ASEPUMA A Proximidade geográfica e a productividad Vários trabalhos empíricos têm apontado para um enfraquecimento das economias de aglomeração para a indústria transformadora, principalmente as que resultam da dimensão da cidade (Astrakianaki, 1995; Beeson, 1990; Carlino, 1990). Outros autores preferem explicar esta mesma tendência para a dispersão da indústria como o resultado da sua alteração na organização espacial, a qual permite a exploração das economias de aglomeração, evitando os custos associados a uma localização urbana (Hansen, 1990; Hanson, 1996b). Esta interpretação levanta a questão de saber se as economias de aglomeração e, em especial, os efeitos da urbanização, podem ser explorados à distância. A literatura parece ser inconclusiva relativamente à questão. De facto, parece evidente que os seus resultados também dependem da sua natureza, força e existência (Graham, 2000), pelo que podem diferir, radicalmente, em função dos contextos das análises. A importância da proximidade geográfica depende do tipo de conhecimento (Audretsch e Lehmann, 2005). Os trabalhos empíricos têm revelado que a proximidade geográfica é mais relevante no caso do conhecimento tácito e menos importante no caso do conhecimento codificado. Os trabalhos empíricos que versam o efeito da proximidade geográfica e os spillovers das universidades, é mais escassa e evidencia os efeitos dos spillovers do conhecimento sobre a performance das empresas. Várias são as formas de medir essa performance. Assim, Harloff (2000) considera a redução dos custos de I&D para as empresas; Grilliches (1979) usou funções hedónicas de preços para analisar se a qualidade dos produtos aumenta em resultado dos spillovers; Nadiri (1997) analisou o efeito dos spillovers na produtividade das empresas. No entanto, se a proximidade geográfica e o acesso a spillovers tecnológicos possibilitam um melhor desempenho às empresas, outras questões continuam a permanecer em aberto e que influenciam o desempenho empresarial. Apesar do desenvolvimento das tecnologias de comunicação, aparentemente, tornar cada vez menos relevante as questões da localização – ou o factor proximidade – a verdade é que a observação empírica demonstra que as actividades intensivas em informação continuam a estar concentradas em termos espaciais (Guillain, 2001). Neste sentido, a localidade geográfica poderá ser uma variável com poder explicativo sobre os níveis de output, a par do conhecimento. Outra variável com poder explicativo do output é a especificidade do conhecimento, já que o codificado se difunde com maior velocidade do que o tácito (ver Keep et al: 2002; Jaffe, 1981), motivo pelo qual XIII Jornadas de ASEPUMA 3 Petiz e Correia Audretsch e Lehmann (2005) e Audretsch e Thurik (2001) consideram que o conhecimento tácito necessita de oralidade e de comunicação. Nesta perspectiva, o conhecimento tácito é um elemento pivô na dinamização do desempenho económico e influencia a produtividade por duas vias: influencia directamente o output por hora de trabalho e, por outro lado, influencia a taxa de inovação através da absorção no desenvolvimento das novas tecnologias. 3. ANÁLISE EMPÍRICA 3.1. Variáveis e metodologia Para testar a hipótese de que a produtividade empresarial é influenciada pela sua proximidade geográfica às universidades, usámos a base de dados da IF4, relativa às 1500 maiores PME´S, considerando apenas o sector transformador. Tomámos como variável dependente a produtividade, designada por PROD, medida pelo quociente entre o valor acrescentado bruto (VAB) e o número de trabalhadores. Como variáveis independentes considerámos as seguintes: • DIST (distância entre a empresa e a Universidade mais próxima, medida em quilómetros); • SIZE (que representa o número de trabalhadores da empresa); • AGE (que representa a idade das empresas); • K (dummy: representa o tipo de capital social. Assumirá o valor 0 se o capital social for nacional, e o valor 1 se aquele tiver a participação de capital não nacional). • SCI (representa o ranking das universidades de acordo com a dinâmica de investigação no domínio das ciências naturais) • SSCI (representa o ranking das universidades de acordo com a dinâmica de investigação no domínio das ciências sociais); • CAE (representa as diferentes classificações económicas das empresas) Seguindo a metodologia utilizada por Audretsch e Lehmann (2005), foram estimados três modelos. O Modelo I para testar a hipótese de que o desempenho das empresas é influenciado pela proximidade à universidade. PROD = const. + β1AGE + β2SIZE + β3DIST + β4Kdummies + + β5-58 CAEdummies + ε 4 XIII Jornadas de ASEPUMA A Proximidade geográfica e a productividad O Modelo II para testar a hipótese de que através do factor proximidade, o desempenho possa ser afectado pela dinâmica de investigação exibida pelas universidades. Este modelo inclui as variáveis SCI e SSCI que pretendem explorar a diferença entre conhecimento tácito e conhecimento codificado. PROD = const. + β1AGE + β2SIZE + β3DIST + β4Kdummies + B5SCI +β6 SSCI + β7-60 CAE dummies + ε Finalmente, O Modelo III tem como objectivo testar a hipótese de que os factores proximidade e excelência da universidade, por si só, não influenciam significativamente o desempenho das empresas. Este efeito depende dos efeitos considerados destes 2 factores, que pretendem ser captados pelas variáveis DRANKSCI (que é igual a DIST*SCI) e DRANKSSCI (que é igual a DIST*SSCI). PROD = const. + β1AGE + β2SIZE + β3DIST + β4Kdummies + B5SCI +β6SSCI + β7-60CAE dummies + β61DIST*SCI + β62DIST*SSCI + ε 3.2. Estatísticas e resultados A correlação entre as variáveis é fraca, pelo que o grau de associação entre as variáveis contempladas é pobre (ver anexo A) Os coeficientes da variável AGE têm sinal negativo, pelo que a produtividade da empresa aparenta ser influenciada negativamente pela sua longevidade. O valor estatístico t é inferior a dois, em valor absoluto, o quer o torna num estimador impreciso e o seu nível de significância é superior a 0,01. Assim, esta variável não exerce influência significativa na explicação da produtividade, ou seja, a AGE não explica o comportamento da PROD com os dados de que dispomos. Quanto à variável SIZE, o coeficiente é, igualmente, de sinal negativo, o que significa que o tamanho da empresa influencia negativamente a produtividade. Contudo, o valor estatístico t, é superior a dois, em valor absoluto. Logo trata-se de um estimador preciso. Como o seu nível de significância é 0,00, a probabilidade de que o estimador de SIZE seja zero é nula. Assim, SIZE é uma variável que exerce influência significativa na hora de explicar o comportamento da produtividade (PROD), ou seja, a produtividade depende do número de trabalhadores da empresa. A variável DIS, através das duas primeiras regressões, causa-nos alguma estranheza, devido aos seus coeficientes positivos e significativos. O seu valor estatístico t situa-se à direita de dois, mas está na sua vizinhança, o que deixa transparecer alguma precisão do estimador. Contudo, o seu nível de significância, para XIII Jornadas de ASEPUMA 5 Petiz e Correia as últimas regressões, é significativo. Assim, DIS é uma variável que exerce alguma influência significativa para explicar a produtividade. O coeficiente da variável K (capital) é alto e positivo, o que quererá dizer que as empresas cujo capital social tem participação de capitais estrangeiros são mais produtivas do que as de capitais totalmente nacionais. Contudo, o valor do t estatístico e o seu nível de significância dizem-nos que se trata de uma variável pouco significativa na explicação da produtividade. Ao introduzirmos a classificação económica das empresas, verificamos que elas também têm impacto positivo na produtividade, o que nos parece razoável, porque uma grande parte das empresas é mais de mão-de-obra intensiva, e não de capital intensivo. Contudo, à semelhança do que acontecer com a variável K, o valor do t estatístico e o seu nível de significância dizem-nos que se trata de uma variável pouco significativa na explicação da produtividade. Ao incluir o ranking das universidades, divididas em ciências naturais e em ciências sociais, para analisar o tipo de efeito sobre a produtividade, verificámos, através dos coeficientes, que as ciências naturais apresentam uma influência negativa e que as ciências sociais apresentam uma influência positiva. Contudo, ao analisarmos o valor do t estatístico e o seu nível de significância, os valores dizem-nos que estas variáveis não exercem influência significativa na explicação da produtividade, dentro dos dados disponíveis. 4.CONCLUSÃO De uma forma global, somos conduzidos a pensar que o esforço da investigação não está a dar frutos no seu mercado a jusante. Contudo, os resultados terão que ser lidos com cautela e prudência, evitando-se algumas leituras que poderão ser precipitadas. Ficamos com a sensação de que a proximidade da universidade à empresa não produz os resultados que seriam de esperar. Parece-nos que o tipo de investigação nas universidades não está a ser decisivo no dinamismo das empresas, medido através dos efeitos sobre a sua produtividade. Isto faz-nos reflectir sobre os objectivos da investigação universitária e sobre as políticas de orientação, motivação, regulação, entre outras, dos empresários e da capacidade empreendedora, nomeadamente local. 6 XIII Jornadas de ASEPUMA A Proximidade geográfica e a productividad REFERENCIAS BIBLIOGRÁFICAS • Astrakianaki, M. (1995). “Intra-metropolitan variation of selected manufacturing and business service sectors: what can we learn from Los Angels?”, Urban Studies, 32, pp. 1081-1096. • Audretsch, D. ( 2002). Entrepreneurship: A Survey of the Literature. Centre for Economic Policy Research. Paper prepared for the European Commission, Enterprise Directorate General, pp. 1-70. • Audretsch, D. e Keilbach, M. (2004). Entrepreneurship Capital and Economic Growth. CEPR- Centre for Economic Policy Research and ZEW- Centre for European Economic Research, Mannheim. • Audretsch, D. e Lehmann, E. (2005). Do Locational Spillovers Pay? Empirical Evidence from German IPO Data. Discussion Paper Series No. 4949, March, Centre for Economic Policy Research, pp. 1-22. • Audretsch, D e Thurik, R. (2001), Linking Entrepreneurship to Growth. STI Working Paper DSTI/DOC(2001)2. • Barnes, P. e Kennard, S. (2002). Skill and Australia´s Productivity Surge. Productivity Commission Staff Research Paper, Canberra • Beeson, P. E. (1990). Sources of the decline in manufacturing in large metropolitan areas, Journal of Urban Economics, 28, pp. 71-86. • Broadberry, S. e Ghosal, S. (2002). Technology, organisation and productivity performance in services: Lessons from Britain and the United States, 1870-1990. • Carlino, G. A. (1990). Declining city productivity and the growth of rural regions: a test of alternative explanations, Journal of Urban Economics, 18, pp. 11-27. • David, P. e Lopez, J. (2001). Knowledge, Capabilities and Human Capital Formation in Economic Growth. Working Paper 01/13, June/2001, New Zealand Treasury. • de la Fuente, A. e Ciccone, A. (2002). Human Capital in a global and knowledgebased economy. Final Report, May 2002, Instituto de Análisis Económico (CSIC). • Dixon, Sylvia (2000). Pay Inequality between Men and Women in New Zealand. Occasional Paper 2000/1, September, Labour Market Policy Group, Department of Labour. • Durbin, S. (2004), Workplace Skills, Technology Adoption and Firm Productivity: A Review. Working Paper 04/16, New Zealand Treasury. XIII Jornadas de ASEPUMA 7 Petiz e Correia • Forth, J. e Mason, G (2004). Information and Communication Technology (ICT) Adoption and Utilisation, Skill Constraints and Firm-Level Performance: Evidence from UK Benchmarking Surveys. National Institute of Economic and Social Research. London: NIESR Discussion Paper nº 234, March. • Gerking, S. (1994). Measuring Productivity Growth in US Regions: a survey, International Regional Science Review, 16, 155-186. • Graham, D. (2000). “Spatial variation in Labour Productivity in British Manufacturing”, International Review of Applied Economics, 14 (3), pp. 323-341. • Griliches, Z. (1979). “Issues in Assessing the Contribution of R&D to Productivity Growth”, Bell Journal of Economics, 10, pp. 92-116. • Guillain, Rachel (2001). “The Local Dimension of Information Spillovers: A Critical Review of Empirical Evidence in the Case of Innovation”, vol. XXIV:1 • Hansen, E. R. (1990). “Agglomeration economies and industrial decentralization: the wage-productivity trade-off”, Journal of Urban Economics, 28, pp. 140-159 • Hanson, G. H. (1996a). “Localization economies, vertical organization and trade”, American Economic Review, 86, pp. 1266-1278. • Hanson, G. H. (1996b). “Agglomeration, dispersion and the pioneer firm”, Journal of Urban Economics, 39, pp. 255-281. • Harloff, D. (2000). “R&D Spillovers, Technological Proximity, and Productivity Growth – Evidence from German Panel Data”, Schmalenbach Business Review 52, pp. 238260. • Hebert, D. e Link, A. (1989). “In Search of the Meaning of Entrepreneurship.” Small Business Economics, 1 (1), pp. 39-49. • Henderson, J. V., Kuncoro, A. and Turner, M. (1995). “Industrial development in cities”, Journal of Political Economy, 103. • Keep, E., Mayhew, K., SKOPE and Mark Corney MC Consulting (2002). Review of the evidence on the rate of return to employers of investment in training and employer training measures. SKOPE Research Paper nº 34, Summer 2002. • Louri, H. (1988). “Urban growth and productivity: the case of Greece”, Urban Studies, 25, pp. 433-438. • Moomaw, R.L. (1983). “Spatial Productivity Variations in Manufacturing: a critical survey of cross sectional analysis”, International Regional Science Review, 8, pp. 1-22. 8 XIII Jornadas de ASEPUMA A Proximidade geográfica e a productividad ANEXO A Correlations SIZ E AGE SSC I SCI K DIS T SIZ E AG E SSC I SCI K DIS T Pearson Correlatio n 1 ,110 ,009 ,01 6 ,00 1 -,143 Sig. (2tailed) , ,036 ,858 ,76 6 ,99 1 ,007 N 362 362 362 362 362 362 Pearson Correlatio n ,110 1 ,025 ,02 9 ,01 4 -,016 Sig. (2tailed) ,036 , ,641 ,58 5 ,79 0 ,758 N 362 362 362 362 362 362 Pearson Correlatio n ,009 ,025 1 ,75 2 ,16 7 -,201 Sig. (2tailed) ,858 ,641 , ,00 0 ,00 1 ,000 N 362 362 362 362 362 362 Pearson Correlatio n ,016 ,029 ,752 1 ,20 6 ,048 Sig. (2tailed) ,766 ,585 ,000 , ,00 0 ,358 N 362 362 362 362 362 362 Pearson Correlatio n ,001 ,014 ,167 ,20 6 1 ,025 Sig. (2tailed) ,991 ,790 ,001 ,00 0 , ,631 N 362 362 362 362 362 362 Pearson Correlatio n ,143 ,016 ,201 ,04 8 ,02 5 1 Sig. (2tailed) ,007 ,758 ,000 ,35 8 ,63 1 , N 362 362 362 362 362 362 * Correlation is significant at the 0.05 level (2-tailed). ** Correlation is significant at the 0.01 level (2-tailed). ANEXO B1 Coefficients (Regressão I) XIII Jornadas de ASEPUMA 9 Petiz e Correia Standardize d Coefficient s Unstandardize d Coefficients Sig . 8,87 5 ,00 0 B Std. Erro r (Constan t) 26,992 3,04 1 AGE -6,255E-02 ,043 -,072 1,44 8 ,14 8 SIZE -6,774E-02 ,012 -,273 5,44 0 ,00 0 DIST 8,368E-02 ,031 ,135 2,69 6 ,00 7 K 6,157 3,23 6 ,094 1,90 2 ,05 8 NTILES of CAE ,128 ,064 ,099 1,99 4 ,04 7 Standardize d Coefficient s t Sig . 7,58 0 ,00 0 Mod el 1 t Beta a Dependent Variable: PROD ANEXO B2 Coefficients (Regressão II) Unstandardize d Coefficients B Std. Erro r (Constan t) 28,908 3,81 3 AGE -6,047E-02 ,043 -,070 1,39 8 ,16 3 SIZE -6,778E-02 ,012 -,273 5,43 9 ,00 0 DIST 9,645E-02 ,033 ,155 2,89 0 ,00 4 K 6,619 3,29 9 ,102 2,00 6 ,04 6 NTILES of CAE ,144 ,066 ,111 2,19 3 ,02 9 SCI -,670 ,515 -,105 1,30 2 ,19 4 SSCI ,488 ,519 ,076 ,941 ,34 Mod el 1 10 Beta XIII Jornadas de ASEPUMA A Proximidade geográfica e a productividad 8 a Dependent Variable: PROD ANEXO B3 Coefficients (Regressão III) Standardiz ed Coefficient s Unstandardiz ed Coefficients Sig . 8,39 2 ,00 0 B Std. Erro r (Constant) 25,905 3,08 7 AGE -6,427E-02 ,043 -,074 1,48 9 ,13 7 SIZE -6,835E-02 ,012 -,276 5,49 7 ,00 0 DIST ,136 ,065 ,218 2,09 3 ,03 7 K 5,915 3,26 3 ,091 1,81 3 ,07 1 NTILES of CAE ,143 ,065 ,111 2,21 0 ,02 8 DRANKS CI -1,503E-02 ,008 -,241 1,86 0 ,06 4 DSSCI 1,997E-02 ,009 ,186 2,16 4 ,03 1 Mod el 1 t Beta a Dependent Variable: PROD ANEXO B4 Descriptive Statistics N Minimum Maximum Mean Std. Deviation DIST 362 1 150 35,17 32,161 SCI 362 1 12 8,38 3,130 SSCI 362 1 9 5,56 3,110 SIZE 362 4 660 109,07 80,672 AGE 362 3 155 31,16 23,092 Valid N (listwise) 362 XIII Jornadas de ASEPUMA 11