Changes, height and Plasticity

A formulação inicial da Função de Produção de Conhecimento (FPC) foi realizada por Griliches (1979) em um trabalho teórico sobre estudos econométricos para o campo da mudança tecnológica. Neste artigo, Griliches (1979) estudou a atividade de P&D e propôs a FPC para estudos de inovação no nível da firma. A Função de Produção de Conhecimento recebeu esse nome por ser uma adaptação da função de produção. Segundo a especificação do autor, os resultados da inovação eram determinados por insumos inovativos, como os dispêndios em P&D. A implementação da Função de Produção de Conhecimento se deu em trabalhos posteriores como o de Pakes e Griliches (1984) que estudaram as patentes de 121 grandes empresas norte-americanas e seus esforços de P&D e encontraram uma associação clara e positiva entre os dispêndios em P&D e a inovação.

Além da formulação econométrica geral, Griliches (1979) apresentou um elemento importante que seria utilizado em muitas das versões da FPC aplicada ao nível regional: a necessidade de incluir uma defasagem temporal entre os esforços de P&D e seus resultados. Esse lag temporal da variável que mede a capacidade ou esforço de P&D se deve ao fato de que os esforços inovativos desenvolvidos demoram um “tempo de

maturação” para que possam gerar resultado. Além disso, quando a medida do resultado

99

uma inovação e a sua a necessária formalização desse avanço para que se possa realizar um pedido de patente.

Posteriormente, o modelo de Griliches (1979) foi aplicado a unidades espaciais por Jaffe (1989) que buscou avaliar o impacto da pesquisa universitária na atividade de patenteamento das empresas. Para isso, fez a transposição da Função de Produção de Conhecimento para o estudo de áreas geográficas utilizando como unidades observacionais 29 dos Estados norte-americanos. A variável dependente no modelo aplicado era o número de patentes de cada Estado e os insumos inovativos eram os esforços de P&D industrial e a pesquisa acadêmica das localidades. O modelo também incluiu um termo de coincidência geográfica desses dois elementos. Os resultados do modelo estimado indicaram que tanto o dispêndio industrial em P&D, como em pesquisa acadêmica das universidades implicam em um maior número de patentes concedidas às empresas dos Estados.

Além disso, Jaffe (1989) apontou para a evidência da existência de transbordamentos de conhecimento nas localidades em que havia maiores dispêndios em pesquisa universitária, proporcionando benefícios para a inovação na região. Dessa forma, o trabalho de Jaffe (1989) foi um dos primeiros a dar respaldo quantitativo aos transbordamentos locais de conhecimento, atraindo grande atenção da literatura. O mesmo modelo, com algumas alterações, como a adoção de uma contagem de inovações, foi adotado por trabalhos sucessivos como Acs, Audretsch e Feldman (1992 e 1994).

Um ponto de destaque na formulação de Jaffe (1989) é a inclusão de um termo para os esforços locais da pesquisa universitária. Essa variável permite à FPC avaliar a contribuição da pesquisa acadêmica local para os resultados da inovação. Devido à relevância da pesquisa acadêmica para a inovação, muitos trabalhos posteriores que utilizaram a FPC seguiram a opção de incluir um termo para o P&D privado e outro termo para a pesquisa universitária. Como exemplo, pode-se citar os trabalhos de Anselin, Varga e Acs (1997 e 2000a) e Fischer e Varga (2003).

Com o artigo de Jaffe (1989), a Função de Produção de Conhecimento ganhou tal repercussão que se tornou uma referência para os estudos do contexto geográfico ou espacial da inovação. A linha definida pelo autor foi seguida por inúmeros outros estudos, entre os quais é possível citar Varga (2000), Acs, Anselin e Varga (2002), Fritsch (2002) e Fritsch e Slavtchev (2007) e também trabalhos aplicados ao Brasil

100

como os de Gonçalves e Almeida (2009), Gonçalves e Fajardo (2011) e Mascarini (2012).

A Função de Produção de Conhecimento aplicada a regiões ou unidades geográficas tem por base um princípio bastante intuitivo: regiões geram novo conhecimento, ou inovações, a partir de um conjunto de insumos de conhecimento. Os resultados da inovação (ou outputs) de cada região observada dependem diretamente dos insumos de inovação (inputs). A Função de Produção de Conhecimento pode ser representada por:

_(5.1) Em que Iit são os resultados da inovação da região i no tempo t (número de patentes

concedidas a empresa da região, p.ex.); PDit-1, são os insumos de conhecimento da

região no período precedente e Zit outros determinantes relevantes, como características

da qualificação dos trabalhadores, infraestrutura de CI&T e diferenças sócio- econômicas.

No que diz respeito à medida de resultado da inovação, grande parte dos trabalhos que adotam a Função de Produção de Conhecimento, e inclusive o trabalho pioneiro de Jaffe (1989), utiliza as patentes depositadas ou concedidas às firmas da região observada. Por sua vez, os insumos de conhecimento são medidos de diferentes formas, mas geralmente pelos gastos em Pesquisa e Desenvolvimento (P&D) do setor privado e, em alguns casos, também o do setor público. Quando há falta de dados de gastos de P&D utilizam-se proxies, como o capital humano da localidade. A esses insumos, adicionam- se controles das diferenças socioeconômicas das regiões, assim como os efeitos de proximidades entre as regiões de acordo com o modelo econométrico adotado como, por exemplo, a defasagem espacial das variáveis.

Assim como proposto no trabalho original de Griliches (1979), grande parte dos trabalhos utiliza um lag temporal entre os insumos de inovação e os resultados. Em geral, ele é relativamente curto, de apenas um ano, como os trabalhos de Fischer e Varga (2003), Cabrer-Borrás e Serrano-Domingo (2007) e Montenegro, Gonçalves e Almeida (2011).

Dentre os trabalhos que seguiram a linha pioneira de Jaffe (1989) é possível destacar alguns mais expressivos do ponto de vista de melhorias metodológicas ou de relevância de seus resultados.

101

Entre os trabalhos que realizaram melhorias na abordagem de Jaffe (1989) encontra-se o de Anselin, Varga e Acs (1997). Esse trabalho gerou duas contribuições importantes: (i) aplicou o modelo da FPC a um nível geográfico menos agregado e (ii) estendeu o modelo introduzindo elementos de econometria espacial. No que diz respeito ao nível geográfico, Anselin, Varga e Acs (1997) aplicaram a FPC às regiões metropolitanas norte-americanas (MSA), uma unidade de observação mais adequada ao estudo do que áreas tão agregadas como os estados que eram utilizados na grande maioria dos trabalhos precedentes. Essa necessidade já era apontada no trabalho original Jaffe (1989) que sugeria a aplicação de seu modelo em unidades geográficas menores. Essas áreas seriam “unidades econômicas mais compreensíveis” e permitiriam a melhor interpretação dos resultados, especialmente na interpretação dos spillovers locais de conhecimento.

Outro ponto de especial interesse no trabalho de Anselin, Varga e Acs (1997) foi a extensão do modelo da FPC que substituiu o termo de coincidência geográfica de Jaffe (1989) por variáveis defasadas espacialmente. As variáveis defasadas espacialmente eram medidas de círculos concêntricos em torno da MSA, com raios de 50 ou 75 milhas. Como resultado desse trabalho, os autores encontraram evidências de que os esforços de P&D universitário, num entorno de 50 milhas tinham um impacto positivo no resultado da inovação nas regiões. Em trabalhos posteriores Anselin, Varga e Acs (2000a e 2000b), os autores executaram uma estratégia similar, no entanto separando quatro setores econômicos para avaliar especificidades do padrão de inovação de cada setor.

Seguindo essas principais contribuições, diversos trabalhos foram desenvolvidos como os de Varga (2000), Acs, Anselin e Varga (2002) e Fischer e Varga (2003). A partir da referência dos modelos anteriores, esses estudos buscaram ampliar a compreensão da dinâmica inovativa das regiões, adotando novos níveis regionais de estudo, com dados de países ainda não estudados, ampliando o horizonte temporal das regressões ou testando diferentes formas de mensurar variáveis ou adicionar controles. É possível citar, entre esses trabalhos os de Greunz (2003), Cabrer-Borrás & Serrano-Domingo (2007) e Crescenzi, Rodríguez-Pose e Storper (2007).

Utilizando como referência a FPC, Greunz (2003) analisou a inovação na Europa de 153 sub-regiões europeias entre os anos de 1989 e 1996. Os resultados do modelo apontaram que tanto as atividades de P&D das empresas como a pesquisa universitária

102

estão positivamente relacionadas ao número de patentes locais. Além disso, a autora encontrou efeitos positivos dos transbordamentos de conhecimento dos esforços inovativos de vizinhos, porém apontou evidências que as fronteiras nacionais limitam de forma significativa os efeitos destes transbordamentos.

O trabalho de Cabrer-Borrás e Serrano-Domingo (2007), por sua vez, busca avaliar com uma FPC os determinantes da inovação local das regiões espanholas e seus efeitos de

spillover inter-regionais. Porém, em vez de utilizar os dados em cross section como os

trabalhos anteriores, adotou uma abordagem em painel que permitiu explorar melhor as dimensões espaciais e temporais dos dados. Os autores analisaram o número de patentes relativo das 17 regiões espanholas no período de 1989 a 2000. Os resultados obtidos reforçaram a percepção de que tanto os esforços locais de P&D, como as inovações dos vizinhos auxiliam o nível médio da inovação regional.

Já o trabalho de Crescenzi, Rodríguez-Pose e Storper (2007) avaliou as diferenças dos níveis de inovação dos Estados Unidos e Europa. Para isso, os autores estimaram uma FPC com dados norte-americanos e europeus separadamente e compararam os resultados obtidos em cada uma. Este trabalho confirmou que elementos como o nível local de P&D e a aglomeração apresentam benefícios para a inovação nos dois continentes. Porém, Crescenzi, Rodríguez-Pose e Storper (2007) encontraram evidências distintas em um campo importante: o nível de especialização, medido pelo índice de Krugman. Enquanto nos Estados Unidos os resultados do modelo apontaram para as vantagens da especialização e da diversificação, na Europa só há uma relação positiva para regiões diversificadas. Os autores creditaram isso aos distintos níveis de integração regional e mobilidade de trabalhadores nos Estados Unidos e na Europa. Dos trabalhos mais recentes é interessante destacar o de Autant-Bernard e LeSage (2011). Os autores analisaram os efeitos do P&D público e privado sobre a inovação de 94 regiões francesas, utilizando dados de patentes e despesas em P&D entre os anos de 1992 e 2000. A modelagem da FPC realizada pelos autores permitiu avaliar os efeitos dos dispêndios em P&D privado e público sobre o nível de patentes, separando seus os efeitos em intra e inter-regionais e intra e intersetoriais.

Do ponto de vista local, os principais resultados do trabalho de Autant-Bernard e LeSage (2011) são que tanto a pesquisa total (privada e pública) têm efeitos positivos sobre o número de patentes do setor analisado na região. O mesmo ocorre com seus efeitos de transbordamento intra e intersetoriais Nesse sentido, os autores conseguem

103

evidências claras de que a atividade de P&D transborda os limites setoriais, o dá que mais suporte empírico as externalidade jacobianas. Do ponto de vista dos efeitos geográficos, Autant-Bernard e LeSage (2011) indicaram que há impactos positivos dos esforços inovativos sobre os vizinhos, mas esses efeitos tem dinâmicas espaciais diferentes para as vantagens inter ou intrassetoriais. Os autores indicaram que, por um lado as vantagens jacobianas (intersetoriais) possuem efeitos relativos mais altos sob os vizinhos imediatos do que as vantagens marshallianas (intrassetoriais). Porém, os transbordamentos geográficos jacobianos atingem apenas os vizinhos mais diretos, enquanto os transbordamentos marshallianos tem um maior alcance geográfico, atingindo setores em regiões mais distantes.

Do ponto de vista metodológico, é interessante apontar que o trabalho de Autant- Bernard e LeSage (2011) faz uso de um Tobit Espacial para estimar o número de patentes. Como já apontando anteriormente, essa opção é uma forma de lidar com um número expressivo de observações sem patentes (zero patente) e que, para os autores, pode ser bem modelado por um Tobit Espacial, no caso particular, expressa por uma variável censurada em zero.

Por fim, outro acréscimo à Função de Produção de Conhecimento habitualmente utilizada que pode ser citado é a tentativa de abranger os diferentes tipos de proximidade não espaciais, como as estudadas por Boschma (2005). Um desses casos é o artigo de Ponds, Van Oort e Frenken (2010) que incluem, além da tradicional matriz de pesos espaciais , uma matriz de pesos de colaboração acadêmica ( ) associada ao dispêndio de P&D acadêmico. Essa matriz é construída pelo peso do número de colaborações universidade-empresa entre firmas de uma região e universidades de outras. Dessa maneira, buscam contabilizar em seu modelo os vínculos associados às frequentes interações entre universidades e empresas para a transferência do conhecimento entre as regiões. Os autores consideram ser esta uma medida da proximidade institucional. Os resultados levaram os autores à conclusão de que a proximidade geográfica e proximidade institucional, medida pelas interações universidade-empresa, são importantes para a transmissão de conhecimento e tem impacto positivo nas atividades inovativas das regiões.

Porém, o fato de ser amplamente adotada não significa que a Função de Produção de Conhecimento não apresente limitações e algumas de suas características metodológicas precisam ser pontuadas. Assim como proposta por Jaffe (1989), a Função de Produção

104

de Conhecimento trata de unidades espaciais de observação, o que implica em que os dados analisados precisam ser agregados em unidades espaciais, somando suas observações como o número de patentes de todas as empresas de uma microrregião, ou o total de professores de um Estado.

Uma consequência dessa característica, apontada por Autant-Bernard, Mairesse e Massard (2007), é que as medidas agregadas regionalmente podem mascarar mecanismos importantes de inovação e difusão de conhecimento. Para evitar esses problemas, esses autores defendem a adoção mais frequente de modelos que apliquem diretamente os microdados disponíveis sobre empresas e pesquisadores. Por esse motivo, o nível de agregação espacial escolhido para a pesquisa (estados, meso ou microrregiões, por exemplo) pode impactar de forma diferente na estimação das variáveis, como apontam Beaudry e Schiffaureova (2009). Além disso, Moreno, Paci e Usai (2005a) apontaram que a modelagem da FPC permite mensurar os transbordamentos inter-regionais, mas não permite distinguir quais mecanismos estão associados a esses efeitos.

Porém, por outro lado, a Função de Produção de Conhecimento apresenta uma grande vantagem: a sua capacidade de comparação e compreensão dos fenômenos inovativos. Nos dizeres de Crescenzi, Rodríguez-Pose e Storper (2007) “as deficiências da

abordagem da Função de Produção de Conhecimento — baseada na representação simplificada da geração da inovação e se apoiando em proxies gerais para insumos e resultados – são compensadas aqui pela sua capacidade de fornecer uma compreensão nítida do ponto de vista comparativo” (IBID., p. 680, tradução própria).

Essa capacidade de comparação mostra-se especialmente importante ao lidar com um país com dimensões continentais como o Brasil e que possui diferentes perfis econômicos regionais, que incluem tanto áreas agrárias como robustos parques industriais diversificados. Nesses casos a capacidade de comparação pode ser um elemento especialmente importante.