Jak vyhodnotit dopady investic vložených do výzkumu, vývoje a výzkumných infrastruktur na společnost? Na tuto otázku se u výzkumných infrastruktur či u institucionální podpory ptá Rada pro výzkum, vývoj a inovace (RVVI). Na přidanou hodnotu grantů, které udělují, se ptají Technologická agentura ČR i Grantová agentura ČR. Tuto otázku řeší poskytovatelé účelové podpory či zřizovatelé rezortních výzkumných organizací.
Jak měřit dopady výzkumu na společnost se nedávno ptala i konference SCI-PO 2021, kde příspěvek Michala Pazoura diskutoval několik přístupů a metod používaných k hodnocení dopadů výzkumu na společnost a ekonomiku. Také poukázal na dimenze dopadů podpory vědy, které lze jen těžko postihnout a které mohou společnosti pomáhat v dlouhodobém horizontu – například znalostní základna společnosti či sociální kapitál, které souvisí s kvalitou vědy, ale je u nich obtížné kvantifikovat jejich systémový dopad. I specificky zaměřené (a tedy omezené) otázky ohledně dopadů podpory výzkumu a vývoje jsou netriviální a zároveň důležité pro efektivitu alokace podpory. Těmto otázkám se věnuje obor ekonomie vědy.
Ekonomie studuje nejen finanční trhy či trhy práce, věnuje se i vědě samotné – ostatně to platí i o sociologii, filosofii či historii, i když tyto obory se neptají na dopady veřejných investic. V oblasti ekonomie vědy pracují výzkumníci z nejlepších světových univerzit a publikují analýzy, které odpovídají na otázku kladenou v tomto článku, v časopisech, jako je Science či PNAS, stejně jako v předních ekonomických časopisech. Na ekonomické analýzy ekonomických dopadů se odkazuje i veřejná debata u nás, například na tomto fóru nedávno Petr Horák z TAČR. V mém příspěvku bych rád pomocí několika příkladů analýz představil čtyři typy výzkumných přístupů ve vědecké praxi ekonomie vědy. Při vyhodnocování dopadů veřejné podpory výzkumu a vývoje u nás je přirozené tyto v oboru standardní metodické postupy aplikovat.
Popis dopadových cest
Prvním krokem, který je v rámci cesty za poznáním vždy dobré udělat, je popisná analýza, tj. sledování indikátorů, které ukazují, zda byla naplněna intervenční logika dané podpory. To samozřejmě vyžaduje, aby intervenční logika či předpokládaná dopadová trajektorie dané podpory byla předem popsaná, což je odpovědnost poskytovatele podpory v daném kontextu výzkumu a vývoje. Například pokud nějaký obor či výzkumná organizace dostane vyšší veřejnou (například institucionální) podporu, je přirozené očekávat, že dojde k navýšení počtu nebo očekávané kvality výzkumníků, že bude navýšena kvantita či kvalita výstupů v daném oboru, ať již badatelských či aplikovaných, a tyto výsledky pak mohou mít měřitelné dopady. Podobně u podpory aplikovaného výzkumu, například spolupráce firem s akademickou sférou, je vhodné prokázat, že došlo v podpořených projektech či centrech k vytvoření užitečných výstupů v prioritních oborech na základě spoluautorství obou sfér. Tyto postupy sledování „dopadové cesty“ detailněji rozebírá například studie Fryirs, Brierley a Dixon (2019, Nature Communications).
Pokud nejsou naplněny tyto základní monitorovací indikátory, je obtížné argumentovat, že daná podpora měla velké společenské či ekonomické dopady. Naplnění „dopadových cest“ je tak nutnou podmínkou přítomnosti pozitivního dopadu podpory. Ale popisné monitorovací studie neodpovídají na otázku kauzálního (příčinného) dopadu podpory. Je pravděpodobné, že firmy, které obdrží veřejnou podporu aplikovaného výzkumu jsou v oblasti výzkumu mezi předními firmami v daném oboru. Podobně držitelé grantů jsou nepochybně mezi předními vědci ve svém oboru, není pravděpodobné, že jde o podprůměrné vědce. A špičkové firmy či špičkoví vědci by měli lepší výstupy než průměr oboru i bez veřejné podpory. Je možné, že vědci, kteří dostali granty, by měli významně lepší výsledky než ne-příjemci grantů i bez grantové podpory. Jaká část výstupů v podpořených projektech firem či výzkumných organizací je dána touto selekcí a jaká část se dá přičíst kauzálnímu dopadu navýšené podpory? Je samozřejmé, že bez základu institucionální podpory je nemožné úspěšně získávat podporu účelovou, zde se ptáme na efekt dodatečné podpory, například grantu.
Pro srovnání: V lékařských oborech se provádějí jak tzv. observační popisné studie, tak randomizované klinické studie kauzálních dopadů zdravotních intervencí. Představme si například, že z mnoha lidí s diabetem jsou někteří hospitalizováni a vybrané, více nemocí postižené podskupině hospitalizovaných, je poskytnuta nějaká nová experimentální léčba. Dávalo by smysl odhadovat dopad této nové léčby srovnáním zdravotního stavu pacientů s novým typem léčby se zdravotním stavem každé jiné osoby s diabetem? Samozřejmě ne. Analogicky když například GAČR srovnává publikační výstup příjemců grantu s publikačním výstupem všech ostatních v daném oboru v zemi, neříká to mnoho o dopadu příjmu grantové podpory. V tomto srovnání hrají roli hospitalizovaných s novou léčbou vědci, kteří požádali o grant a dostali ho, zatímco „kontrolní“ skupinu tvoří ti, kteří požádali o grant neúspěšně spolu s těmi, kteří ani o grant nepožádali.
V druhém kroku výzkumné cesty za dopady veřejné podpory výzkumu a vývoje je tak třeba se zeptat, zda navýšení podpory výzkumu vedlo k navýšení výsledků a jejich dopadům díky příčinné souvislosti. Na rozdíl od lékařských oborů se v podpoře výzkumu a vývoje zatím neprovádějí kontrolované experimenty. Jak lze tedy měřit kauzální dopady politiky výzkumu a vývoje? Například jak lze zjistit, jaký by byl výkon pečlivě vybraného vědce, kterému GAČR udělila grantovou podporu, v případě, že by tuto podporu nedostal? Jak lze zjistit, jaká by byla vědecká výkonnost či ekonomická situace v daném regionu, kdyby nedošlo k výstavbě dané velké výzkumné infrastruktury?
Níže uvedu příklady dvou typů metod, které ekonomové (ze špičkových zahraničních univerzit) využívají, aby se přiblížili odhadům kauzálních efektů intervencí výzkumu a vývoje. Podobné metody se ostatně používají k hodnocení přidané hodnoty mnoha typů hospodářských, vzdělávacích či sociálních intervencí a politik.
Srovnání srovnatelných – metoda bramborové medaile
Jedním z často využívaných postupů je tzv. metoda regresní diskontinuity (anglicky regression discontinuity design, RDD), která porovnává vysoce srovnatelné vědce (firmy) s podporou a bez podpory. Typicky se díváme na ty žadatele podpory, kteří byli po zhodnocení svých žádostí těsně pod a těsně nad konečnou čarou, která oddělila příjemce od ne-příjemců, například těsně nad/pod čarou pro udělení grantu v seřazeném seznamu vyhodnocených žádostí o grant. Takoví žadatelé jsou si obvykle velmi podobní, někdy se dá argumentovat, že je oddělovalo pouze trochu štěstí, náhoda, že jde o tzv. přirozený experiment.
Například Jacob a Lefgren (2011, Journal of Public Economics) ukazují pomocí této metody pozitivní účinek udělení grantů NIH na vědecké publikace. Podobným postupem Bol a Rijt (2018, PNAS) ukazují přítomnost tzv. Matoušova efektu grantové podpory – být těsně nad čarou v první žádosti o grant vede k lepší dlouhodobé kariéře ve srovnání s někým, kdo byl jen kvazi-náhodným malým rozdílem níže v žebříčku žadatelů a v první soutěži podporu nedostal. Jako příklad aplikace těchto metod je možné odkázat také na studie IDEA, například studii o přidané hodnotě grantů GAUK.
Na podobné myšlence využít jako kontrolní skupiny ty, kteří skončili s „bramborovou medailí“, tj. těsně pod stupni vítězů, je založeno několik analýz, které využívají tzv. „runner-up“ srovnání. Například Helmers a Overman (2017, Economic Journal) se ptají, jaký dopad mělo umístění velké výzkumné infrastruktury (synchrotronu Diamond Light Source) na geografické rozložení vědeckých výstupů. Pro srovnání využívají lokaci, která se také ucházela o tento urychlovač, byla v úzkém výběru, ale nakonec tuto infrastrukturu nedostala. Jde o lokaci, která je tak v mnoha ohledech srovnatelná s lokací konečného umístění urychlovače. Studie ukazuje pozitivní efekt na publikační výstupy díky dodatečným vstupům, ne nutně díky vyšší produktivitě vědců.
Podobně studie Andrews (2021, conditionally accepted in American Economic Journal: Policy) porovnává lokace, kde byla v USA v 19. století zbudována univerzita (například University of North Dakota) s „runner-up“ lokacemi v daném státě, které byly také zvažovány pro výstavbu dané univerzity, ale nakonec nebyly vybrány. V tomto srovnání vysoká škola zvyšuje počet patentů o skoro 50 %, přičemž většina patentů není přímo spojena se zaměstnanci vysoké školy.
Konečně zatím nepublikovaná, ale zajímavá studie Schnitzer, Treber a Watzinger (2018, Working Paper) se dívá na soutěže o místo stálého profesora na německých univerzitách. Po přijetí nového profesora na německou univerzitu začnou patenty místních společností citovat jeho či její vědecké články relativně více než u kandidátů na místo profesora, kteří byli těsně „pod čarou“. Nový profesor tak ovlivňuje zaměření místního výzkumu a vyvolává firemní vědecké inovace v hodnotě až půl milionu dolarů ročně. Změna struktury a rozsahu místních inovací je dána především absolventy doktorského studia pracujícími v soukromém sektoru.
Metoda kvazi-náhodných rozdílů ve velikosti veřejné podpory napříč obory nebo regiony
Tento přístup je typicky založen na nějaké variantě metody tzv. instrumentálních proměnných a nebudu ho tu rozebírat detailněji. Jádrem je využití kvazi-náhodných rozdílů ve velikosti podpory. Několik příkladů: Azoulay a kol. (2019 Review of Economic Studies) pomocí tohoto přístupu odhadují, že 10 milionů dolarů navíc ve financování National Institute of Health (NIH) vede k třem dodatečným patentům (a odhadují také jejich ekonomický přínos). Tartari a Stern (2021 NBER WP no. 28846) měří pozitivní vliv univerzit a národních laboratoří v USA (pomocí kvazi-náhodných rozdílů ve federálním financování výzkumu) na místní podnikání. Studie Hausman (v tisku v Review of Economics and Statistics) pomocí ex ante dané variace v rozsahu šokového nárůstu financování výzkumu ukazuje vliv znalostí pocházejících z amerických univerzit, které pohánějí aglomeraci průmyslu: růst zaměstnanosti, mezd a podnikových inovací v oblastech vědecky silných stránek geograficky blízkých univerzit.
Víme tedy, že americké granty vedou k větší produkci publikací a patentů a že německé a americké univerzity a laboratoře (profesoři) ovlivňují místní ekonomiku. To ale není vše, na co se je třeba ptát. Výzkumný oblouk začíná popisnými monitorovacími studiemi o cestách intervenční logiky (1) a pokračuje kauzálními důkazy dopadů konkrétních politik a intervencí (2). V dalším kroku (3) se musíme vypořádat s přeléváním kauzálních účinků (nepřímými dopady, spillovers) a nakonec tyto mikro-odhady použijeme pro kalibraci modelů makroekonomické rovnováhy, které pomohou pochopit celkové výnosy podpory výzkumu a vývoje.
Nepřímé dopady na úrovni odvětví či regionů
Pokud nějaké firmy díky veřejné podpoře výzkumu navýší svou technologickou úroveň, může to mít v daném odvětví jak pozitivní, tak negativní dopady. Pozitivní dopady se mohou odehrávat například tak, že konkurenti v daném odvětví „okoukají“ nové postupy či se sami snaží navýšit svou technologickou úroveň a celé odvětví je pak více konkurenceschopné. Negativní dopady, například ve formě dočasného snížení zaměstnanosti, mohou naopak být výsledkem konkurence, kdy firma s podporou je tak efektivní, že vytlačí své konkurenty z trhu. Studie Bloom, Schankerman a Van Reenen (2013 Econometrica) ukazuje na amerických datech, že pozitivní efekty přelévání technologického pokroku v oblasti výzkumu a vývoje (můj konkurent se učí z mého technologického pokroku) dominují přelévání negativních efektů (vytlačuji svého konkurenta z trhu), takže sociální výnosy do výzkumu a vývoje jsou nejméně dvakrát vyšší než soukromé výnosy (výnosy společnosti s veřejně podpořenou výzkumnou aktivitou). Autoři identifikují kauzální účinek přelévání efektů pomocí změn federálních a státních daňových pobídek pro výzkum a vývoj v USA (viz výše).
Makroekonomické úvahy
Konečně příkladem makroekonomické úvahy je studie Jones a Summers (NBER WP no. 14422), která je kalibrována na dvou mikroekonomických studiích zmíněných výše (Azoulay et al., 2019, a Bloom et al. 2013), a která naznačuje, že celospolečenské výnosy podpory výzkumu a vývoje jsou násobně větší, než ty, které nalézáme v mikroekonomických studiích jednotlivých firem či regionů. Model Jones-Summers by mohl lépe rozlišovat mezi průměrnými a mezními výnosy a „nové technologie“ v něm je pravděpodobně možné vykládat široce – včetně investic do lidského kapitálu. Nabízí ale důležité argumenty o mechanismech dopadů podpory, kterými ekonomické modelování přispívá k veřejné diskusi o podpoře výzkumu a vývoje v ČR. Je výborné, když se u nás tato diskuse odehrává v kontaktu se špičkovou vědou v oboru, viz nedávný příspěvek Petra Horáka z TAČR. Makroekonomický pohled upozorňuje na společenské mechanismy, které by v mikroekonomickém pohledu mohly uniknout. Je méně kvantitativně spolehlivý než specificky definované mikro odhady, které byly diskutovány výše, ale je důležité na něj nezapomínat.
Autor: Štěpán Jurajda
Foto: CERGE
Štěpán Jurajda
je empiricky zaměřený ekonom práce. Po doktorátu na University of Pittsburgh a post-docu na Princeton University ve Spojených státech se stal kmenovým pracovníkem Národohospodářského ústavu Akademie Věd ČR a Centra pro ekonomický výzkum a doktorské studium Univerzity Karlovy, kde také v letech 2009–2013 působil jako ředitel. Je členem Rady vlády pro výzkum, vývoj a inovace a předseda její Komise pro hodnocení výsledků, členem Akademického sněmu AV ČR, Vědecké rady UK, MU a Grantové agentury ČR.
