發佈日期:2016-04-25

探討以企業為中心的經濟計量方法於科技計畫的績效評估

作者:李宜憲

科研投入科技計畫經濟計量方法生產力就業成長STI programsEconometric methodsProductivityEmployment growth

▶【延伸閱讀 | STPI 電子書城】科技計畫之經濟效益測量與評估方法

文章圖片所有權:https://flic.kr/p/d672zw,Created by Chris Potter
版權適用聲明:姓名標示

一、緒論

政府科技計畫對企業的效益影響一直是被關心的議題,對政府而言可以透過計畫提升產業整體的競爭力而帶動國家的經濟能量,對企業而言可以利用計畫的補助解決研發上的瓶頸,進而加速技術商品化以帶動更多就業人數,因此有效地評量計畫對企業的效益便是很重要的一環。透過以企業為中心的經濟計量方法不僅可以了解在補助前後企業績效的改變,更是可作為政府持續推動科技政策的重要參考依據。

以企業為中心的經濟計量方法其概念為使用統計理論來評估計畫對企業所產生的效益,在方法的建構過程需要考慮解釋變數與因變數之間的因果關係,因此在選擇指標的考量及所對應要測量的效益指標會因不同的計畫屬性及研究目的而不一。例如,研發補助業界計畫所探討的計畫內容通常為補助業界進行技術商品化(Link and Scott, 2012;2013),因此在選擇解釋變數及因變數(效益指標)可能會朝向專利或商業化協議類變數會影響員工就業數的表現來探究。對於推廣服務類型計畫,也就是計畫內容為推廣技術新知給企業以提升企業生產力(Oldsman, 1996),在選擇解釋變數及因變數會朝向企業接受服務後(例如企業接受全面品質管理此項技術新知)影響企業績效表現(例如降低員工的作業時間及節省成本)來探究。此外,在決定解釋變數不僅需考量企業特徵及計畫特徵,更可加入企業競爭及決策因子以更符合真實情境 (Jarmin and Jesen, 2011)。

透過此方法來評估計畫對企業所產生的效益會因樣本數的選取而造成不一的解讀,因此為了能讓分析合理化,在樣本處理必須注意以下兩點:(1)選擇被補助企業的考量:計畫一開始選擇欲補助的企業通常會依其過去的表現或有無被其他計畫所補助來進行篩選 (Arvanitis et al., 2002),由此可知通常被補助的企業自然表現較佳,若不妥善處理樣本可能會高估計畫的執行績效。(2)選擇進入統計分析樣本數的考量:透過此方法進行計畫對有無參與計畫企業數的抽樣時,雖然目前沒有指出實驗組(有參與計畫企業)與對照組(無參與計畫企業)的數目比例多寡,然而如果比例相差太過懸殊則會影響評估結果。文獻上也指出為了解決上述引起的篩選偏誤問題,已有相關方法來解決,例如廻歸中斷設計方法、隨機實驗設計方法、配對方法等 (Colombo et al., 2011)。

二、個案探討

在本節中主要探討此方法應用至不同計畫類型下的案例分析,因計畫類型繁多,本研究只針對研發補助業界計畫及推廣服務計畫來探討。在研發補助業界計畫下,Link and Scott (2012;2013) 為了要評量 U.S. Small Business Innovation Research (SBIR) 計畫對企業提升就業數的效益影響,採用的解釋變數包含與計畫相關的指標(例如透過 SBIR 補助所產生的專利數)、企業特徵(例如企業成立至計畫補助前的時間)、企業商業化行為變數(例如企業與其他企業簽訂合作協議)等,透過這些解釋變數估計企業就業率(因變數)並與實際企業就業率相減以測量計畫對企業所產生的效益。從他們的研究可發現某些解釋變數會顯著影響企業績效,例如企業成立至計畫補助前的時間。在推廣服務類型計畫下,Oldsman (1996) 為了要評量 Industrial Technology Extension Service (ITES) 計畫對製造業的效益,此計畫的內容為推廣新知及技術給企業進而提升企業的生產力,透過此方法分別量測企業改變行為的效益、採用技術後提升員工作業上的效益、企業因技術及思維的改變而讓企業成本降低的效益、長期而言提升員工就業率的效益。Oldsman利用此方法在測量不同的效益會採取不同的解釋變數,不過可以發現當企業與部會署的互動愈頻繁則會影響企業的績效。此外,其在評量計畫對企業提升員工就業率有考量企業在補助前的因素,因此可以從分析結果看出企業在計畫補助前與補助後的差異。

三、此方法在應用上的限制及挑戰

應用此方法在評估計畫的效益雖然可透過明確的線性廻歸公式來估計,然而在實際應用上仍有以下幾點需要注意的。第一,採用此方法有其統計上的假設,例如變數之間的關係要是線性的,樣本的母體分配是大樣本下的常態分配等,然而在實際上所蒐集的資料並非如此理想。例如,從 Oldsman (1996) 的研究中可看出此方法在某些效益面向的解釋力過低,可能原因為未納入其它可能影響的指標或樣本數過低,此方法若因樣本數過低可能會影響估計的穩定度 (Fahrenkrog et al., 2002)。第二,如何決定分析的樣本,當應用此方法在評估計畫對有無參與計畫企業的效益影響時,如何挑選有效的對照組將會影響計畫績效的解讀,若選取的對照組其企業表現與實驗組差異過大則會使估計的結果不客觀。雖然相關文獻 (Colombo et al., 2011) 指出應挑選與實驗組類似特徵的企業當作對照組(例如挑選企業規模與實驗組類似的企業)及提出去除篩選偏誤的方法(利用實驗設計方法來選取有效的對照組以降低估計誤差),以作為計畫對企業績效的合理評估,然而在實際操作上仍有其挑戰(例如難以取得類似樣本)。第三,此方法屬於因果關係模型,也就是解釋變數與因變數有其學理或文獻相關的依據,然而有時因種種限制須使用替代性指標,不全然能直接量化,在實際應用上須透過許多其他相關觀察變數加權計算後得到此替代性指標。例如,Arvanitis et al. (2002) 決定哪些解釋變數會影響到計畫對企業的支持(效益指標)時,其中企業在財政上的困難此項解釋變數便是從眾多變數中轉換而來。若替代性指標在計算的可信度與效益指標愈有關聯,則此方法在估計的解釋力也才會提高。

四、結論及建議

本研究透過探討以企業為中心的經濟計量方法在計畫評估的應用,可以了解該方法在不同計畫類型下的執行情況及所遇到的限制和挑戰,除了可以對我國科技計畫績效評估作為參考外,更重要的是可以回饋在研究架構設計的探究。此外,此方法極度仰賴資料的取得,相對於國外在資料蒐集上的表現(例如計畫辦公室有系統性地建立資料庫來蒐集企業在行為改變或研發表現上的資料、透過縱向研究資料庫來獲取企業特徵資料、高回卷率等),我國在針對企業績效表現的蒐集遇到諸多挑戰(例如低回卷率、企業對研發等機密的問題多半不願透漏等),這會使得在進行相關績效評估的研究設計上遇到問題(例如指標的設計需要考量企業是否願意提供?若採用少量的指標來估計是否能反應該計畫真正的績效?)。因此,若能夠在計畫執行前合理地評估資料可得性及建立完善的資料庫將能使後續科技計畫的評估執行時可節省很多人力及成本。同時,學者 (Fahrenkrog et al., 2002; Arvanitis et al., 2002) 也提出為了能有效進行計畫對企業所產生的效益,執行機構有義務要求參與計畫的企業提供相關的資料,方能協助績效評估的執行與提升可信度。

最後,計畫的效益不僅影響參與計畫的企業,也會影響其它未參與計畫的企業及產業的發展。例如,其他企業引進了參與計畫企業的成果(例如,論文或專利)而改變現有的商業模式進而促進產業的學習帶來更大的經濟效益,這些也都是政府所關心計畫的效益能否極大化,而為了能夠掌握計畫對產業或社會的影響,在評估方法上可以搭配其它方式,例如個案分析或者問卷訪談來追蹤計畫在其它面向所帶來的效益。

參考文獻

  1. Link, A.N., Scott, J.T. (2012). Employment Growth from Public Support of Innovation in Small Firms. Economics of Innovation and New Technology, 21:655-678.
  2. Link, A.N., Scott, J.T. (2013). Public R&D Subsidies, Outside Private Support, and Employment. Growth Economics of Innovation and New Technology, 22:537-550.
  3. Oldsman, E. (1996). Does manufacturing extension matter ? An evaluation of the Industrial Technology Extension Service in New York. Research Policy, 25:215-232.
  4. Jarmin, R.S., Jesen, J.B. (2011). Evaluating Government Technology Programmes: The Case of Manufacturing Extension. Retrieved from: http://www.researchgate.net/profile/J_Jensen/publication/254155472_EVALUATING_GOVERNMENT_TECHNOLOGY_PROGRAMMES_THE_CASE_OF_MANUFACTURING_EXTENSION/links/542335270cf26120b7a6bdfe.pdf
  5. Arvanitis, S., Hollenstein, H., Lenz, S. (2002). The Effectiveness of Government Promotion of Advanced Manufacturing Technologies (AMT): An Economic Analysis Based on Swiss Micro Data. Small Business Economics, 19:321-340.
  6. Colombo, M.G., Grilli, L., Piscitello, L., Rossi-Lamastra, C. (2011). Science and Innovation Policy for the New Knowledge Economy. Edward Elgar, Cheltenham, UK. Northampton, MA, USA.
  7. Fahrenkrog, G., Polt, W., Rojo, J., Tubke, A., Zinocker, K. (2002). RTD Evaluation Toolbox-Assessing the Socio-Economic Impact of RTD-Policies-Strata Project HPV 1 CT 1999-00005. Retrieved from: https://ec.europa.eu/research/evaluations/pdf/archive/other_reports_studies_and_documents/assessing_the_socio_economic_impact_of_rtd_policies_2002.pdf