Page 15 - IDEA Studie 11 2019 Navratnost vydaju na vyzkum

NÁVRATNOST SOUKROMÝCH A VEŘEJNÝCH VÝDAJŮ NA PODNIKATELSKÝ VÝZKUM A VÝVOJ V ČESKÉ REPUBLICE 2019
VaV kapitálu, která je odhadnuta na 0,112, se neliší od předchozích výsledků (Keller, 2002; Lucking et al., 2018). Ugur et al. (2016) v meta-analytické studii potvrzují, že soukromý VaV kapitál má pozitivní a statisticky průkaznější dopady na přidanou hodnotu než veřejný VaV kapitál, takže naše odhady pro Českou republiku vychází i v tomto ohledu plně podle předpokladů.
Doporučení pro politiku VaV
Naše poznatky by měly být vzaty v potaz při budoucím hodnocení veřejné podpory VaV. Pokud by se sledoval pouze přímých prospěch příjemců podpory, odhady hovoří v neprospěch veřejné podpory VaV v soukromém sektoru. Takové hodnocení je ale neúplné, protože postihuje jen část jejich dopadů. Součástí hodnocení by tedy měl být i dopad VaV podpory na subjekty, které jsou na příjemce navázány, a mohou tak mít z jejich VaV nepřímý prospěch. Větší přesnost a vypovídající hodnota takového hodnocení bude odměnou za jeho komplexitu.
Pro vyhodnocení dopadů jednotlivých dotačních programů jako například IMPULS, TIP na MPO anebo ALFA na TA ČR by bylo bezesporu vhodnější použít data na úrovni firem. Ta by umožnila například odhady heterogenity dopadů jednotlivých projektů (Sidorkin & Srholec, 2017). Přístup k potřebným firemním datům, a to nejen za výdaje na VaV, ale zejména jejich propojení s finančními ukazateli a databázemi o poskytnutých vládních dotacích, však dosud nebyl pro výzkumné ani evaluační účely v České republice, opět na rozdíl od řady vyspělejších zemí, systematicky a uspokojivě vyřešen.
Nicméně pro zodpovězení některých otázek ohledně podnikatelského VaV nejsou firemní data nezbytně nutná. Například otázky efektů přelévání znalostí a dopady na systém jako celek je možné zkoumat právě velmi dobře i na odvětvových datech. Při hodnocení jednotlivých dotačních programů se navíc moc nezmiňuje, že tyto „přelévací“ efekty jsou zpravidla zcela opomíjeny, i když mohou být významné (a v podstatě jsou – anebo by měly být – v principu hlavním ospravedlněním pro vládní intervence). Zvyšovat jen soukromou návratnost pomocí dotací nedává z celospolečenského pohledu smysl, a bez přelévání tak nemají tyto programy kýžené dopady.
Tabulka 3: Doporučení na podporu politiky VaV založené na informacích a znalostech
1. Sledovat i nepřímé dopady veřejné podpory
2. Umožňovat propojování dat z více zdrojů
3. Zajistit pro analýzy a výzkum přístup
k datům na firemní úrovni
4. Sbírat vhodně strukturovaná data
V současnosti se v Česku nesledují ani přímé dopady, natož nepřímé. Pro vyhodnocení programů finanční i nefinanční podpory VaV je nutno sledovat jak jejich přímé dopady, tak nepřímé. Veřejná podpora VaV totiž dopadá nejen na její recipienty, ale ovlivňuje i zbytek ekonomiky díky přelévání znalostí.
Propojování dat v Česku dnes zbytečně brání technické, metodické a právní překážky. Pro identifikaci dopadů politik VaV je třeba propojovat data z různých administrativních a statistických zdrojů, jako údaje o poskytnutých a neposkytnutých dotacích, šetření ČSÚ a databáze finančních ukazatelů.
Omezený přístup k firemním datům v Česku výrazně omezuje možnosti analýz a výzkumu. Firemní data umožňují lépe vyhodnocovat různorodost dopadů politik podpory VaV, finančně nákladných programů a využívat analytické metody, které mají kapacitu identifikovat kauzální dopady.
Sbírat data pouze pro administrativně účetní účely nestačí. Pracovat
i s kontrolním vzorkem nepodpořených subjektů, které se jinak co nejvíce podobají těm podpořeným, a znát vývoj v čase, a to jak před, tak po implementaci dané politiky.
13