TD NEREUS 10-2016
Milene Simone Tessarin, Paulo César Morceiro e André Luis Squarize Chagas
A inovação ocorre devido ao investimento direto da empresa, motivada por interesses econômicos, como lucro, parcela de mercado, economias de escopo, etc. Essas decisões podem ser influenciadas por choques indiretos que ocorrem nas indústrias mais próximas, como uma inovação na indústria automobilística que pode motivar mudanças em sua cadeia produtiva. O objetivo deste trabalho é avaliar os efeitos de pares sobre os indicadores de inovação na indústria de transformação brasileira. Para isso, foi proposto um novo modo de medir a proximidade das indústrias. Consideramos os produtos típicos produzidos por uma indústria no subsetor de origem e em outros subsetores. Estes subsetores são considerados vizinhos porque eles usam a mesma base produtiva e tecnológica. A proximidade setorial foi construída através de uma “matriz de diversificação setorial” detalhada de empresas produtoras de bens em um ou mais subsetores (de um total de 103 setores) em 2013. Os dados foram fornecidos pelo IBGE por meio de uma solicitação especial, os quais formaram uma matriz-W relacionando os setores um a um. Como uma proxy de inovação considerou-se uma razão entre o número de engenheiros empregados e o número total de trabalhadores em cada subsetor. Este indicador é uma proxy reconhecida sobre os esforços inovativos das empresas, pois inovação e intensidade tecnológica estão relacionadas com competências do pessoal técnico empregado. Para testar a hipótese de efeitos de pares consideramos o teste I de Moran e usamos os testes LM e LM robusto para escolher o melhor modelo econométrico que confirme a dependência espacial setorial. Os resultados sugerem a existência de fortes efeitos de pares setoriais entre os subsetores com o mesmo nível tecnológico (baixa/média-baixa e alta/média-alta tecnologia). Além disso, existe um efeito de vizinhança fraca entre ramos de diferentes níveis tecnológicos. Portanto, o nível tecnológico de um setor é um bom indicador das suas relações de vizinhança setorial. Estes resultados podem ser úteis para formuladores de políticas públicas focarem em setores que geram maiores efeitos de spillovers sobre a estrutura produtiva e inovativa do país. Entendemos que este trabalho faz uma contribuição para o uso da análise de econometria espacial para além da vizinhança geográfica. Ele também lança luz sobre uma agenda de pesquisa fértil atualmente inexistente na literatura de organização industrial.
The innovation in industry occurs due to direct investment of the firm, motivated by economic interests, as profit, market share, economies of scope, etc. However, same these decisions can be influenced by indirect shocks occurring in closest industry, as an innovation in automobile industry motivating changes in its chain production. The aim of this paper is to evaluate the peer effects on the innovation indicators in Brazilian manufacturing industry. For this, we proposed a new way to measure the proximity of the industries. We consider the typical goods produced by an industry in the main subsector and in other sub-sectors. These sub-sectors are considered neighbors because they use the same technological and production bases. The sectorial proximity was building through a detailed “sectorial diversification matrix” of firms producing goods in one or more subsector (of a total 103 subsectors of the Brazilian manufacturing) in 2013. Brazilian Institute of Geography and Statistics (IBGE) provided the data from a specific request, special to this work. The data composed a W-matrix relating one by one sector. As an innovation proxy, we considered the number of engineers employed divided by the total number of employees in each subsector. This indicator is a proxy recognized of the innovative efforts of companies, because innovation and technological intensity are related to technical staff' skills. To test the peer effects hypothesis we considered the Moran's I test, and we used the LM and the LM robust tests to choose a best econometric model that confirms the sectorial spatial dependence. The results suggest the existence of strong sectorial peer effects among subsectors with the same technological level (low and medium-low, and high and medium-high). Moreover, there is a weak neighborhood effect between subsectors of different technological levels. Therefore, the technological level of a sector is a good indicator of their relations of sectorial neighborhood. These results can be useful for policymakers assign public policies focused on subsectors generating greater spillovers effects on the production and innovation structure. We think this work is a contribution to the use of spatial econometric analysis beyond the geographical neighborhood. It also sheds light on a fertile research agenda, which is currently absent in the industrial organization literature.