Langtidseffekter av Innovasjon Norges støtte til bedrifter i perioden Oxford Research AS i samarbeid med Møreforsking Molde AS

Transkript

1 Langtidseffekter av Innovasjon Norges støtte til bedrifter i perioden Oxford Research AS i samarbeid med Møreforsking Molde AS

2 Oxford Research er et nordisk analyseselskap. Vi dokumenterer og utvikler kunnskap gjennom analyser, evalueringer og utredninger slik at politiske og strategiske aktører kan få et bedre grunnlag for sine beslutninger. Vi kombinerer vitenskapelige arbeidsmetoder med kreativ idéutvikling for å tilføre våre kunder ny kunnskap. Vårt spesialfelt er analyser og evalueringer innen nærings- og regionalutvikling, forskning og utdanning samt velferdsog utdanningspolitikk. Oxford Research har kontorer i Kristiansand, Stockholm, København, Kotka og Brussel og retter sitt arbeid mot det nordiske og det europeiske markedet. Se for mer informasjon om selskapet Møreforsking Molde er en forskningsinstitusjon som eies av Møreforsking AS (51 %) og Høgskolen i Molde (49 %). Forskningsarbeidet i Møreforsking Molde AS er organisert i fire faggrupper: Helse, utdanning og samfunn (HUS-gruppen), Logistikk, transportøkonomi og næringsøkonomi. Gruppen for næringsøkonomi har lange tradisjoner med evalueringer, utredninger og analyser av næringspolitiske virkemidler, effektmålinger, herunder kundeundersøkelser og effektstudier av prosjektporteføljene til Innovasjon Norge (tidligere SND) og brukerstyrt forskning i Norges Forskningsråd. Hovedtyngden av fagkompetansen til de ansatte i gruppen for næringsøkonomi faller innunder fagfeltene samfunnsøkonomi og finansieringsøkonomi. Se for mer informasjon om instituttet. Forside- og baksidebilde: Fra flickr.com under Creative Common lisens. Foto av: R. Fernandez. Oxford Research: SVERIGE Oxford Research AB Box 7578 Norrlandsgatan Stockholm Telefon: (+46) office@oxfordresearch.se DANMARK Oxford Research A/S Falkoner Allé 20, 4. sal 2000 Frederiksberg C Danmark Telefon: (+45) Fax: (+45) office@oxfordresearch.dk NORGE Oxford Research AS Østre Strandgate Kristiansand Norge Telefon: (+47) post@oxford.no FINLAND Oxford Research OY Heikinkatu 7, 48100, Kotka, Finland GSM: jouni.eho@oxfordresearch.fi BELGIA Oxford Research c/o ENSR 5, Rue Archimède, Box Brussels Phone Fax secretariat@ensr.eu Oxford Research AS

3 Tittel: Langtidseffekter av Innovasjon Norges støtte til bedrifter i perioden Undertittel: Oppdragsgiver: Oxford Research AS i samarbeid med Møreforsking Molde Innovasjon Norge Prosjektperiode: Juni 2012 juni 2014 Prosjektleder: Forfattere: Kort sammendrag: Tor Borgar Hansen Helge Bremnes, Tor Borgar Hansen, Bjørn Brastad og Marthe Rosenvinge Ervik For å kunne si noe om effekten av støtten fra Innovasjon Norge, har vi tatt i bruk ulike avanserte statistiske og økonometriske og teknikker. Vi har både sett på i hvilken grad støtten har en betydning for overlevelse og verdiskaping. Å få støtte fra Innovasjon Norge har en sterk og signifikant negativ sammenheng med sjansen for at en virksomhet blir inaktiv eller faller fra. Sammenhengen er statistisk signifikant, selv også når en kontrollerer for en rekke karakteristika ved bedriftene som bedriftens størrelse, distriktspolitisk virkeområde, bedriftens alder, bedriftens omsetning og kompetanseintensiteten til næringen bedriften tilhører. Analysene viser at Innovasjon Norge-støttede bedrifter har 0,62 ganger lavere sjanse for å oppleve frafall enn bedrifter som ikke har mottatt støtte. Innovasjon Norge-støttede bedrifter har også langt lavere risiko for oppløsning enn andre bedrifter, med 0,71 ganger lavere sjanse for å oppleve inaktivitet etter oppløsning enn andre bedrifter. Vi har sammenlignet verdiskapingen hos bedrifter fem år etter de mottok Distriktsutviklingstilskudd og Etablererstipend opp mot konstruerte kontrollgrupper av matchende bedrifter for årgangene Disse analysene viser at det ikke er noen signifikante forskjeller mellom gruppene. Dette betyr at vi ikke med tilstrekkelig grad av sikkerhet kan si at Distriktsutviklingstilskudd og Etablererstipend har en effekt på bedriftenes verdiskaping. Samtidig kan analysene heller ikke utelukke at det finnes en effekt. En medvirkende årsak til at vi ikke er i stand til å påvise noen effekter på verdiskapingsutviklingen kan være knyttet til datakvaliteten. Dersom det hadde eksistert flere variabler både innenfor støtte- og kontrollgruppen, ville kvaliteten på analysene blitt hevet ytterligere. Oxford Research AS 3

4 Forord Gjennom det foreliggende arbeidet har Oxford Research og Møreforskning hatt som mål å komme et skritt videre når det gjelder å kunne si noe om langsiktige effekter av Innovasjon Norges støtte. Vi har tatt i bruk ulike avanserte statistiske og økonometriske teknikker for å oppnå dette samt bygget på tidligere studier av bla. Møreforskning og SSB om etablering av kontrollgrupper for Innovasjon Norge-støttede bedrifter. I hvilken grad finnes det forskjeller mellom bedrifter som har fått Innovasjon Norge-støtte og de som ikke har fått det, og kan forskjellene eventuelt tilskrives Innovasjon Norge? Oppdraget er fra Oxford Researchs side gjennomført av senioranalytiker Tor Borgar Hansen (prosjektleder), senioranalytiker Bjørn Brastad og analytiker Marthe Rosenvinge Ervik. Fra samarbeidspartner Møreforskning har gruppeleder for næringsøkonomi, Helge Bremnes, bidratt. Vi har i løpet av arbeidsperioden hatt tett dialog med spesialrådgiverne Gry Elisabeth Monsen, Pål Aslak Hungnes og Knut Senneseth i Innovasjon Norge. Vi takker for et godt samarbeid og gode konstruktive innspill underveis i prosessen! Kristiansand, juni 2014 Harald Furre Adm. dir. Oxford Research AS Oxford Research AS

5 Innhold Kapittel 1. Sammendrag Overlevelse sammenlignet med bedriftspopulasjonen Økonomisk utvikling sammenlignet med bedriftspopulasjonen Påviste effekter av støtte Overlevelse Verdiskaping...10 Kapittel 2. Bakgrunn, formål og innhold Bakgrunn Formål og fokus Rapportens fokus Videre innhold Kapittel 3. Datakilder, analysekriterier og mulige metoder Datagrunnlag og databearbeiding Datakilder Bearbeiding av data Kriteriene som ligger til grunn for de deskriptive analysene Tilsagn fra Innovasjon Norge Den resterende bedriftspopulasjonen Hovedgrupper av bedrifter Samlet oversikt over bedrifter som inngår i beregningene Ulike teknikker for effektmåling Forløpsanalyse OLS med felles effekter Instrumentvariabler, to-stegs OLS og Heckmans seleksjonsmodell Ikke parametriske tester, matching metoder Regresjons diskontinuitet Oppsummering...19 Kapittel 4. Deskriptiv analyse av virksomhetenes overlevelse Overlevelsesrater Gründerbedrifter Etablerte bedrifter Årsaker til frafall Bedriftsfusjoner Oppløsninger Konkurser...26 Oxford Research AS 5

6 Kapittel 5. Deskriptiv analyse av virksomhetenes økonomiske utvikling Omsetningsutvikling Gründerbedriftene De etablerte bedriftene Utviklingen i driftsresultat Gründerbedriftene De etablerte bedriftene Utvikling i verdiskaping Gründerbedriftene De etablerte bedriftene Utvikling i antall ansatte Gründerbedriftene De etablerte bedriftene Kapittel 6. Langsiktige effekter av Innovasjon Norges støtte Har Innovasjon Norge-støtten effekt på bedriftenes overlevelse? Forutsetninger for forløpsanalysene Resultater fra analysene Forløpsanalyse for oppløsning og konkurs Har Innovasjon Norge-støtten effekt på bedriftenes økonomiske utvikling? Hvordan er analysene gjort? Resultater fra analysene Kommentarer til analysen Kapittel 7. Referanser Kapittel 8. Tabellvedlegg Oxford Research AS

7 Tabeller Tabell 1: Antall tilsagn og bedrifter per årgang Tabell 2 Oversikt over næringer som er inkludert i analysen Tabell 3: Bedrifter i beregningene fordelt etter tilsagn fra Innovasjon Norge og den resterende bedriftspopulasjonen Tabell 4: Overlevelsesrater for gründerbedrifter, etter etableringsperiode, støtte fra Innovasjon Norge og overlevelsesår Tabell 5: Overlevelsesrater etter etableringsperiode, støtte fra Innovasjon Norge og overlevelsesår Tabell 6: Andel gründerbedrifter som har blitt slettet etter fusjon per år, etter etableringsperiode og støtte fra Innovasjon Norge Tabell 7: Andel etablerte bedrifter som har blitt slettet etter fusjon per år, etter etableringsperiode og støtte fra Innovasjon Norge Tabell 8: Andel gründerbedrifter som har blitt slettet etter oppløsning per år, etter etableringsperiode og støtte fra Innovasjon Norge Tabell 9: Andel etablerte bedrifter som har blitt slettet etter oppløsning per år, etter etableringsperiode og støtte fra Innovasjon Norge Tabell 10: Andel gründerbedrifter som har blitt slettet etter konkurs per år, etter etableringsperiode og støtte fra Innovasjon Norge Tabell 11: Andel etablerte bedrifter som har blitt slettet etter konkurs per år, etter etableringsperiode og støtte fra Innovasjon Norge Tabell 12: Omsetning i MRD NOK for gründerbedrifter i perioden , etter årgang og Innovasjon Norge-støtte Tabell 13: Omsetningsendring (%) i gründerbedrifter i perioden , etter årgang og Innovasjon Norge-støtte Tabell 14: Omsetning i MRD NOK for etablerte bedrifter i perioden , etter årgang og Innovasjon Norge-støtte Tabell 15: Omsetningsendring i etablerte bedrifter (%) i perioden , etter årgang og Innovasjon Norge-støtte Tabell 16: Andel gründerbedrifter med positivt driftsresultat, etter årgang og Innovasjon Norge-støtte Tabell 17: Andel etablerte bedrifter med positivt driftsresultat, etter årgang og Innovasjon Norge-støtte Tabell 18: Verdiskaping i MRD NOK for gründerbedrifter i perioden , etter årgang og Innovasjon Norge-støtte Tabell 19: Endring i verdiskaping (%) for gründerbedrifter i perioden , etter årgang og Innovasjon Norge-støtte Tabell 20: Verdiskaping i MRD NOK for etablerte bedrifter i perioden , etter årgang og Innovasjon Norge-støtte Tabell 21: Endring i verdiskaping (%) for etablerte bedrifter i perioden , etter årgang og Innovasjon Norge-støtte Tabell 22: Antall ansatte i gründerbedrifter i perioden , etter årgang og Innovasjon Norge-støtte Tabell 23: Utvikling i antall ansatte (%) i gründerbedrifter i perioden , etter årgang og Innovasjon Norge-støtte Tabell 24: Antall ansatte i etablerte bedrifter i perioden , etter årgang og Innovasjon Norge-støtte Tabell 25: Utvikling i antall ansatte (%) i etablerte bedrifter i perioden , etter årgang, IN-støtte og regnskapsår Tabell 26: Hovedkategorier og -kriterier for avgrensing av kompetanseintensive næringer/tjenester Tabell 27: Forløpsanalyse av effekten av IN-støtte på risiko for inaktivitet. Tidsperiode 2003 til (N= ) Tabell 28: Forløpsanalyse av effekten av IN-støtte på risiko for inaktivitet. Tidsperiode 2004 til (N= ) Tabell 29: Forløpsanalyse av effekten av IN-støtte på risiko for inaktivitet. Tidsperiode 2005 til (N= ) Tabell 30: Forløpsanalyse av effekten av IN-støtte på risiko for inaktivitet. Tidsperiode 2006 til (N= ) Tabell 31: Forløpsanalyse av effekten av IN-støtte på risiko for oppløsning. Tidsperiode 2003 til (N= ) Tabell 32: Logit modell. Estimering av sannsynligheten for å få Distriktsutviklingstilskudd, år 2003* Tabell 33: Logit modell. Estimering av sannsynligheten for å få Etablererstipend, år Tabell 34: Difference in difference. Estimering av forskjeller i verdiskaping mellom bedrifter med støtte og konstruerte kontrollgrupper, for årgangene Effekter ett til fem år etter støtte* Tabell 35: Forløpsanalyse av effekten av IN-støtte på risiko for oppløsning (2004 til 2012), N= Tabell 36: Forløpsanalyse av effekten av IN-støtte på risiko for oppløsning (2005 til 2012), N= Tabell 37: Forløpsanalyse av effekten av IN-støtte på risiko for oppløsning (2006 til 2012), N= Tabell 38: Logit modell. Estimering av sannsynligheten for å få distriktsutviklingstilskudd, år Tabell 39: Logit modell. Estimering av sannsynligheten for å få distriktsutviklingstilskudd, år Tabell 40: Logit modell. Estimering av sannsynligheten for å få distriktsutviklingstilskudd, år Tabell 41: Logit modell. Estimering av sannsynligheten for å få distriktsutviklingstilskudd, år Figurer Figur 1: Six Steps to Heaven: Methods for Assessing the Impact of SME Policy Figur 2: Fire-års overlevelsesrater for gründerbedrifter, etter etableringsperiode, støtte fra Innovasjon Norge og overlevelsesår Oxford Research AS 7

8 Oxford Research AS

9 Kapittel 1. Sammendrag Formålet med denne rapporten er å ved hjelp av ulike statistiske og økonometriske teknikker komme lenger i forhold til å kunne si noe om langsiktige effekter av Innovasjon Norges støtte. Analysearbeidet som er gjort representerer et nybrottsarbeid, og bygger på tidligere studier av bl.a. Møreforskning og SSB om etablering av kontrollgrupper. I rapporten ser vi nærmere på om det er forskjeller mellom bedrifter som har fått Innovasjon Norge-støtte og de som ikke har fått det. Hvilke forskjeller er det i så fall snakk om, og i hvilken grad kan utviklingen eventuelt tilskrives Innovasjon Norge? Rapporten er bygget opp av tre deler. Den første og andre delen er deskriptiv, og analyserer og sammenligner Innovasjon Norge-støttede bedrifter med bedriftspopulasjonen når det gjelder overlevelse og økonomisk utvikling (kapittel 4 og 5). Hvilke forskjeller finnes? Den tredje delen er en effektfokusert del, som har som intensjon å belyse effekter av Innovasjon Norge-støtte ved hjelp av ulike statistiske og økonometriske og teknikker (kapittel 6). I det videre oppsummerer vi funnene fra hver av disse analysene. 1.1 Overlevelse sammenlignet med bedriftspopulasjonen Vi har sammenlignet overlevelsesratene for bedriftene som har fått støtte fra Innovasjon Norge med bedrifter i den øvrige bedriftspopulasjonen som er stiftet i samme periode. Analysene viser at: Gründerbedrifter som har mottatt støtte fra Innovasjon Norge har høyere overlevelsesrater enn øvrige gründerbedrifter. Støtten har særlig betydning i bedriftenes tidlige utviklingsfase. Overlevelsesratene for Innovasjon Norge-støttede etablerte bedrifter er høyere enn overlevelsesraten for øvrige etablerte bedrifter for samtlige årganger og samtlige år. Sjansen for at bedriften blir slettet etter oppløsning er høyere blant bedrifter som ikke har mottatt støtte fra Innovasjon Norge. Dette er tilfelle både blant gründer- og etablerte bedrifter, og indikerer at Innovasjon Norge har selektert gründere som har gode forretningsideer og ambisjoner. Andelen bedrifter som går konkurs er høyere blant Innovasjon Norge-støttede bedrifter, både blant gründer- og etablerte bedrifter. Dette indikerer at Innovasjon Norge tar en viss risiko i sine tildelinger. 1.2 Økonomisk utvikling sammenlignet med bedriftspopulasjonen Som en del av rapporten har vi også tatt for oss de Innovasjon Norge-støttede virksomheters økonomiske utvikling sammenlignet med bedriftspopulasjonen. Vi har både sett nærmere på parameterne omsetningsutvikling, driftsresultat, verdiskaping og utvikling i antall ansatte. Analysene viste følgende hovedbilde: De Innovasjon Norge-støttede gründerbedriftene i de to første (2003 og 2004) og de to siste årgangene (2009 og 2010) har en høyere vekstrate i sin omsetningsutvikling enn bedriftene som ikke har blitt støttet. Omsetningsutviklingen for Innovasjon Norge-støttede etablerte bedrifter er mer ujevn, også når man ser bort fra finanskrisen. De gründerbedriftene som ikke har mottatt Innovasjon Norge-støtte har oftere positivt driftsresultat enn andre bedrifter. De Innovasjon Norge-støttede etablerte bedriftene har en noe høyere andel med positive driftsresultat. Dette gir signaler om et risikovillig Innovasjon Norge når det gjelder gründerbedrifter. Innovasjon Norge-støttede gründerbedrifter har en høyere vekst i verdiskapingen enn de øvrige gründerbedriftene, bortsett fra 2006-, og 2008-årgangene. Verdiskapingsutviklingen til de Innovasjon Norge-støttede etablerte bedriftene er noe mindre positiv enn for den øvrige bedriftspopulasjonen. De Innovasjon Norge-støttede gründerbedriftene kan i de fleste årgangene vise til bedre utvikling i antall ansatte enn gründerbedriftene som ikke har fått støtte. Økningen i antall ansatte er høyest i de første årene etter etablering før den avtar noe. De etablerte virksomhe- Oxford Research AS 9

10 tene har ikke noen videre høy sysselsettingsvekst, med unntak av de IN-støttede bedriftene i enkelte årganger. også langt lavere risiko for oppløsning enn andre bedrifter, med 0,71 ganger lavere sjanse for å oppleve inaktivitet etter oppløsning enn andre bedrifter. 1.3 Påviste effekter av støtte For å kunne si noe om effekten av støtten fra Innovasjon Norge, har vi tatt i bruk ulike avanserte statistiske og økonometriske teknikker. Vi har sett på i hvilken grad støtten har en betydning både for overlevelse og verdiskaping Overlevelse Å få støtte fra Innovasjon Norge har en sterk og signifikant negativ sammenheng med sjansen for at en virksomhet blir inaktiv eller faller fra. Sammenhengen er statistisk signifikant, selv også når en kontrollerer for en rekke karakteristika ved bedriftene som bedriftens størrelse, distriktspolitisk virkeområde, bedriftens alder, bedriftens omsetning og kompetanseintensiteten til næringen bedriften tilhører. Analysene viser at Innovasjon Norge-støttede bedrifter har 0,62 ganger lavere sjanse for å oppleve frafall enn bedrifter som ikke har mottatt støtte. Innovasjon Norge-støttede bedrifter har Verdiskaping Vi har sammenlignet verdiskapingen hos bedrifter fem år etter de mottok Distriktsutviklingstilskudd og Etablererstipend opp mot konstruerte kontrollgrupper av matchende bedrifter for årgangene Disse analysene viser at det ikke er noen signifikante forskjeller mellom gruppene. Dette betyr at vi ikke med tilstrekkelig grad av sikkerhet kan si at Distriktsutviklingstilskudd og Etablererstipend har en effekt på bedriftenes verdiskaping. Samtidig kan analysene heller ikke utelukke at det finnes en effekt. En medvirkende årsak til at vi ikke er i stand til å påvise noen effekter på verdiskapingsutviklingen kan være knyttet til datakvaliteten. Dersom det hadde eksistert flere variabler både innenfor støtte- og kontrollgruppen, ville kvaliteten på analysene blitt hevet ytterligere. Det ville ha gitt en større mulighet for å finne eventuelle effekter av Innovasjon Norgestøtten. Dette er mer inngående diskutert i kapittel 6. Oxford Research AS

11 Kapittel 2. Bakgrunn, formål og innhold 2.1 Bakgrunn Fra Nærings- og fiskeridepartementet (NFD) har det over tid blitt stilt sterkere krav til Innovasjon Norge om å dokumentere effekten av deres innsats. Dette er både noe Innovasjon Norge må forholde seg til i rollen som faglig rådgiver, ved evalueringer av deres tjenester og programmer samt i organisasjonens mål- og resultatstyringssystem Formål og fokus Dersom Innovasjon Norge skal være i stand til å følge opp signalene fra NFD, blir effektvurderinger og effektmålinger svært sentralt. Effektmålinger av bedriftsrettede virkemidler er i utgangspunktet svært komplekst. Effektmålingene må forholde seg til en rekke teoretiske og metodiske utfordringer, blant annet er det slik at: En innsats/aktivitet forventes å generere enkelte resultater på kort sikt og effekter på litt lengre sikt. Mulighetene til å måle reduseres imidlertid jo lengre ut i kjeden en kommer. De tiltakene det blir gitt midler til, gir ikke nødvendigvis målbare resultater eller effekter med det samme. Det kan ta la tid før de fulle effektene realiseres. Det er ikke mulig å gjennomføre kontrollerte eksperimenter. Det er også en rekke andre forhold enn tiltaket som påvirker utviklingen. Disse forholdene må det kontrolleres for dersom en skal si noe om tiltakets effekter. Disse utfordringene er ikke løst raskt, men krever et langsiktig utviklingsarbeid der en bygger stein på stein. Innovasjon Norge har tidligere finansiert flere ulike arbeider som har sett på effekten av støtten. Disse har både sett på forskjellige virkemidler og anvendt ulike tilnærminger. Dette er mellom annet: Hervik, A., B.G. Bergem og L. Bræin, Langtidseffekter av Innovasjon Norges finansielle virkemidler for årgangene Rapport 0611, Møreforskning, Molde. Kvitastein, O. A., Three papers on evaluations: the «what if» in the evaluation of public programmes. Ph.D. thesis no. 2010/09, Norwegian School of Economics, Bergen. Oxford Research, Mer av det gode. Evaluering av Forsknings- og utviklingskontrakter IFU/OFU-programmet. Grünfeld, L.A., G. Grimsby, K. Høyseth-Gilje, H. Hvide, K.O. Lian og E. Vinogradov, En statlig bro i kapitalmarkedet: evaluering av Innovasjon Norges låne- og garantiordninger. Menonpublikasjon nr. 42, Menon Business Economics, Oslo. Kvitastein, O. A., Dokumentasjonsnotat. Mål- og resultatstyringssystem i Innovasjon Norge. Om beregninger av effekter og resultater for indikatorer. Høgskolen i Bergen. I tillegg til disse arbeidene er det også gjort arbeider for Norges Forskningsråd som har vært metodeutviklende. Særlig relevant i vår sammenheng er følgende evalueringer: Cappelen, Å., E. Fjærli, F. Foyn, T. Hægeland, J. Møen, A. Raknerud og M. Rybalka, Evaluering av SkatteFUNN sluttrapport. Statistisk Sentralbyrå, rapport 2008/2, Oslo. Rasmussen, R., S.R. Borlaug, O. Bulanova, T. Clausen, O.R. Spilling og T. Sveen, Verdiskaping i forskningsbaserte selskaper og lisenser støttet av FORNY-programmet. Senter for innovasjon og bedriftsøkonomi, Bodø. Både de arbeidene som Innovasjon Norge selv har fått uført og de andre arbeidene er med på å komplettere hverandre, men de løser kun deler av de metodiske utfordringene og ser kun på elementer av Innovasjon Norges virksomhet. 2.3 Rapportens fokus For å komme lenger i forhold til å kunne si noe om effekter av Innovasjon Norges virkemidler, bruker vi i denne rapporten ulike kontrollgrupper og statis- 1 Se f.eks. stortingsmeldingen om Innovasjon Norge og SIVA (Meld. St. 22, ) Oxford Research AS 11

12 tiske/økonometriske metoder for å belyse langtidseffekten av Innovasjon Norges støtte. Dette er en videreføring av Møreforsknings prosjekt fra 2006 (Hervik, Bergem og Bræin, 2006) samt et bidrag til metodeutvikling for å kunne måle effekter på en mer solid og stringent måte. David Storey (1998) har utviklet et hierarki for evaluering og påvisning av effekter som består av seks ulike trinn. Dette vises i figuren under. Figur 1: Six Steps to Heaven: Methods for Assessing the Impact of SME Policy Kilde: OECD (2004) I følge denne klassifiseringen er metoder som benytter mottakernes egne vurderinger av f.eks. addisjonalitet å regne som steg 3, altså kun monitorering og ikke evaluering. Det er først når man tar i bruk ulike former for kontrollgrupper at man kan snakke om evaluering. I denne rapporten benytter vi metoder som kan sies å være på steg 4 (overlevelsesanalysene) og steg 6 (verdiskapingsanalysene). Dette innebærer at vi særlig for verdiskapingsanalysene benytter oss av «state of the art» -metoder for effektmåling av bedriftsstøtte. 2.4 Videre innhold De ulike delene i denne rapporten henger tett sammen og bygger på hverandre. Innholdet er tredelt: I kapittel 4 presenterer vi en deskriptiv analyse av overlevelsesratene til de bedriftene som har mottatt støtte fra Innovasjon Norge i perioden og sammenligner denne med bedrifter som ikke har fått støtte. I hvilken grad er det slik at bedriftene som har fått støtte fra Innovasjon Norge overlever i større grad og hva er årsaken til at bedriftene ikke overlever? Blant de bedriftene som overlever, beskriver vi i kapittel 5 den økonomiske utviklingen i bedrifter som har mottatt støtte fra Innovasjon Norge i perioden og sammenligner resultatene med bedrifter som ikke har fått støtte. Gjennom dette får en et innblikk i hvordan det går med bedriftene som Innovasjon Norge har gitt støtte på sikt. Denne deskriptive analysen utgjør grunnlaget for den påfølgende analysen av langtidseffektene. Den observerte utviklingen blant bedriftene som har fått støtte fra Innovasjon Norge skyldes ikke nødvendigvis støtten. I rapportens kapittel 6 del diskuterer vi i hvilken grad utviklingen i bedriftene skyldes at de har fått støtte fra Innovasjon Norge. Dette er en diskusjon og analyse av effekter. For å analysere om støtten har en effekt, benytter vi av oss av ulike avanserte statistiske og økonometriske metoder. Vi gjør både analyser der den avhengige variabelen er overlevelse og verdiskaping. Før vi går inn på rapportens tre hovedbolker, presenterer vi i kapittel 3 først datakildene for analysen, analysekriterier og mulige metoder for effektmåling. Oxford Research AS

13 Datakilder, analysekriterier og mulige meto- Kapittel 3. der Gjennomføring av effektanalyser krever omfattende datasett med høy kvalitet. I dette kapittelet gis det en grundig beskrivelse av datakilder, analysekriterier og mulige metoder for effektmåling. Mer spesifikt inneholder kapittelet en beskrivelse av: Datagrunnlaget for analysene og databearbeiding Kriterier og forutsetninger for analysene Mulige statistiske/økonometriske metoder som kan brukes for å måle effekter 3.1 Datagrunnlag og databearbeiding I dette delkapittelet gir vi en nærmere oversikt over hvilke datakilder vi har benyttet samt hvordan vi har bearbeidet og koblet sammen dataene for å få et etablere et felles datasett for de deskriptive og økonometriske analysene. sysselsettingsutviklingen på en bedre måte enn tidligere. Regnskapsinformasjon for samtlige regnskapspliktige bedrifter i Norge for perioden Denne omfattende databasen inneholder opplysninger om samtlige poster i resultatog balanseregnskapet. Konkurs- og kunngjøringsregisteret i Brønnøysund. Informasjon herfra benyttes til å oppdatere bedriftenes status i forhold til om de fortsatt er aktive eller om de er inaktive grunnet for eksempel konkurs, oppløsning eller fusjoner. Dette er den viktigste kilden vi har for å kunne beregne overlevelsesrater. For at dette meget omfattende datamaterialet skal kunne utnyttes til analyseformål, er en avhengig av å bearbeide det og koble de ulike datakildene sammen. Dette beskrives mer inngående i det neste delkapittelet Datakilder Det er benyttet fire ulike datakilder for å gjøre analyser av den økonomiske utviklingen i bedrifter som har mottatt støtte fra Innovasjon Norge i perioden : Tilsagnsinformasjon for alle prosjekter støttet av Innovasjon Norge i perioden 2003 til Foretaksregisteret. Sammen med foretaksinformasjon stilt til rådighet av Innovasjon Norge gir disse registrene tilgang til viktige bakgrunnsopplysninger om bedriftene. I forhold til denne analysen har Oxford Research fått tilgang til en tidsserie fra for ansatte-tall for bedriftene, noe som gjør oss i stand til å analysere Bearbeiding av data Tilsagnsinformasjonen fra Innovasjon Norge foreligger i utgangspunktet i filer som er organisert etter tilsagn per år. Ved å slå sammen disse datasettene, finner man ofte at en bedrift har mottatt tilsagn i flere ulike år. Dette betyr at slike filer må bearbeides slik at bedriftene er analyseenhetene og ikke tilsagnene og på en slik måte at flere tilsagn i ulike år fremkommer på en hensiktsmessig måte. Denne bearbeidingen har resultert i et datasett som omfatter til sammen tilsagn gitt til bedrifter i perioden 2003 til Dette er ytterligere spesifisert per årgang i tabell 1 under. Tabell 1: Antall tilsagn og bedrifter per årgang Årgang Antall tilsagn Antall bedrifter Antall bedrifter som mottar sitt første tilsagn basert på informasjon fra Innovasjon Norge Oxford Research AS 13

14 Tilsagninformasjonen fra Innovasjon Norge ble deretter koblet sammen med foretaks- og regnskapsinformasjonen. Gjennom dette blir vi i stand til å se nærmere på den faktiske økonomiske utviklingen til de av Innovasjon Norge sine bedrifter som er regnskapspliktige samt å sammenligne resultatene med den resterende bedriftspopulasjonen. Dette er en nødvendig, men ikke tilstrekkelig premiss for at det skal kunne være mulig å utføre effektanalyser. Vi har benyttet informasjon fra Konkurs- og kunngjøringsregisteret i Brønnøysund i overlevelsesanalyser. Basert på disse registrene har vi konstruert en dataserie fra slutten av 1999 frem til utgangen av Dette datasettet inneholder informasjon om endringer som skjer i bedrifter, som for eksempel at de blir kjøpt opp (fusjoner), at de deles opp (fisjoner), at de blir oppløst, at de går konkurs (gjennom ulike steg) eller at de omdannes (i hovedsak aktuelt for stiftelser). De fleste av disse endringene har som konsekvens at bedriften slettes fra registrene. I våre analyser har vi forsøkt å gå bak det faktum at en bedrift har blitt slettet og sett nærmere på de ulike årsakene til sletting. Det er i løpet av de siste årene blitt enklere å benytte informasjon fra registrene i slike analyser da slike statuser er blitt innført i løpet av 2011 (sletting etter fisjon) og 2012 (sletting etter fusjon). For slettinger etter konkurser og oppløsninger, derimot, finnes ikke slike statuser. Det har derfor vært nødvendig å konstruere slike statuser manuelt i forbindelse med overlevelsesanalysene. Dette er gjort ved å identifisere hvilken status en bedrift hadde rett i forkant av slettingen og benytte denne som sletteårsak. Kun på denne måten er det mulig å identifisere sletteårsak, og vårt datasett er i så måte unikt. 3.2 Kriteriene som ligger til grunn for de deskriptive analysene For at vi skal kunne vise utviklingen i bedriftene, må virksomhetene som har fått tilsagn, oppfylle et sett av kriterier. Disse er noe forskjellige når det gjelder de som har fått tilsagn fra Innovasjon Norge og den resterende bedriftspopulasjonen. Vi starter med å se på Innovasjon Norge Tilsagn fra Innovasjon Norge Bedrifter som har fått tilsagn fra Innovasjon Norge må oppfylle følgende kriterier: De må ha regnskapsinformasjon for alle årene fra og med det året de mottok sitt første tilsagn De må ikke ha «hull» i regnskapsserien, det vil si de må ha data fra alle årene i perioden. De er ikke morselskaper i konsern. Vi ser kun på regnskapsinformasjon for bedrifter, ikke foretak. Det er kun næringer som Innovasjon Norge gir støtte i et visst omfang som er med. De avgrensningene som er gjort her, omtales nærmere i kapittel Den resterende bedriftspopulasjonen De bedriftene som befinner seg i den resterende bedriftspopulasjonen, må tilfredsstille følgende kriterier: Vi ser kun på bedrifter som ble etablert i samme år som det tilsvarende Innovasjon Norge tilsagnet eller tidligere. Bedriftene må ha regnskapsinformasjon for alle årene og ikke ha «hull» i regnskapsserien. Det er kun næringer som Innovasjon Norge gir støtte i et visst omfang som er med. I tabell 2 under gis det en nærmere oversikt over de næringene som er med i analysen og de som ikke er det. De næringene som ekskluderes fra den videre analysen er markert med blått i tabell 2. Oxford Research AS

15 Tabell 2 Oversikt over næringer som er inkludert i analysen Næringshovedområde Andel i populasjonen som har fått IN-støtte i perioden C Industri 13,63 % A Jordbruk, skogbruk og fiske 12,14 % D Elektrisitets-, gass-, damp- og varmtvannsforsyning 12,10 % B Bergverksdrift og utvinning 6,97 % J Informasjon og kommunikasjon 5,63 % I Overnattings- og serveringsvirksomhet 4,83 % M Faglig, vitenskapelig og teknisk tjenesteyting 3,82 % N Forretningsmessig tjenesteyting 3,28 % E Vannforsyning, avløps- og renovasjonsvirksomhet 3,24 % R Kulturell virksomhet, underholdning og fritidsaktiviteter 3,01 % G Varehandel, reparasjon av motorvogner, herunder: 1,45 % G_1 Agentur og engroshandel 3,20 % G_2 Postordre-/Internetthandel 3,12 % G_3 Vedlikehold 1,05 % G_4 Butikk- og detaljhandel 0,99 % P Undervisning 1,33 % L Omsetning og drift av fast eiendom 1,22 % H Transport og lagring 1,00 % F Bygge- og anleggsvirksomhet 0,88 % S Annen tjenesteyting 0,68 % Q Helse- og sosialtjenester 0,57 % K Finansierings- og forsikringsvirksomhet 0,30 % O Offentlig administrasjon og forsvar, trygdeordninger underlagt offentlig forvaltning 0,05 % T Lønnet arbeid i private husholdninger 0,00 % Total 4,17 % Ekskludering av influerende case I alle større datasett vil det være enkelte bedrifter, eller innflytelsesrike caser, som har verdier langt i fra gjennomsnitt og median på den enkelte variabel. Et godt eksempel på dette er antall ansatte. 99,5 prosent av de norske bedriftene har under 100 ansatte, og regnes som små- og mellomstore bedrifter. En svært liten andel har flere ansatte enn dette, som Statoil AS, Norsk Hydro, Telenor og Nortura. Disse bedriftene kan ikke sies å være eksempler på normalen i den norske økonomien, heller det unormale. Analyser av langtidseffekter er svært sårbare for ekstreme verdier ettersom estimatene ofte beregnes med utgangspunkt i parametere som standardfeil og sentraltendens. Ekstreme verdier på enkelt-variabler kan da gi analysene ustabile beta-koeffisienter, p- verdi med mer. Det er derfor nødvendig, som vist blant annet av Hamilton (1992), Field (2009) og Ringdal 2009), å ekskludere enkelte bedrifter med ekstreme verdier. Gjennom dette forhindrer en at de forringer analysenes validitet og reliabilitet. I dette tilfellet er det tatt utgangspunkt i ustandardiserte beta-verdier og analysert bedriftenes fordeling på de mest sentrale variablene ved hjelp av boks-diagram. I analysene er det, som anbefalt av blant annet Hamilton (1992), anvendt skjønn for å vurdere cutoff-verdien på den enkelte variabel. Dersom det er observert et større gap mellom verdien til hovedvekten av bedriftene og andre ytterliggående case, har bedriften blitt vurdert som nødvendig å ekskludere i analysene av den konkrete variabelen. Det er etterstrebet å følge en tolerant cut-off, for å unngå å ekskludere flere bedrifter enn høyst nødvendig. På variabelen verdiskaping ekskluderes 30 foretak fra analysene, på variabelen antall ansatte 23 foretak, på variabelen driftsmargin 15 foretak, på variabelen omsetning 16 foretak, og på variabelen driftsresultatet 23 foretak Hovedgrupper av bedrifter Både for de bedriftene som har fått tilsagn fra Innovasjon Norge og den resterende bedriftspopulasjonen vil det i analysene bli skilt mellom det vi kaller gründerbedrifter og etablerte bedrifter. Gründerbedrifter er definert som bedrifter som er yngre eller lik tre år på det tidspunktet de fikk innvilget støtte fra In- Oxford Research AS 15

16 novasjon Norge for første gang (årgangen). Tilsvarende er de etablerte bedriftene fire år eller eldre på det tidspunktet de fikk innvilget støtte fra Innovasjon Norge for første gang (årgangen). Den samme aldersgrupperingen brukes også for den resterende bedriftspopulasjonen Samlet oversikt over bedrifter som inngår i beregningene I tabellen under gis det en samlet oversikt over hvor mange bedrifter som inngår i beregningene basert på de kriteriene som gjelder både for de bedriftene som har fått tilsagn fra Innovasjon Norge og for den resterende bedriftspopulasjonen. Som tabell 3 viser, er andelen bedrifter som vi har tilgjengelig regnskapstall for og som tilfredsstiller utvalgskriteriene, økende over tid. Dette gjelder både for de som har fått tilsagn fra Innovasjon Norge og for den resterende bedriftspopulasjonen. Fra 2006 og framover, er andelen bedrifter som tilfredsstiller kriteriene lavere blant den resterende bedriftspopulasjonen enn den er blant de som har fått tilsagn fra Innovasjon Norge. Dette skyldes først og fremst at det er et stort antall bedrifter i den resterende bedriftspopulasjonen som befinner seg i næringer som Innovasjon Norge støtter i liten grad. Disse er som påpekt i kapittel ekskludert for å få et godt sammenligningsgrunnlag med de bedriftene som har fått tilsagn fra Innovasjon Norge. Tabell 3: Bedrifter i beregningene fordelt etter tilsagn fra Innovasjon Norge og den resterende bedriftspopulasjonen. Kull/ år Tilsagn fra Innovasjon Norge Den resterende bedriftspopulasjonen Antall bedrifter Antall bedrifter det foreligger Andel Antall bedrifter Antall bedrifter det foreligger Andel som mottar sitt første tilsagn regnskapsinformasjon for og som tilfredsstiller kriteriene regnskapsinformasjon for og som tilfredsstiller kriteriene % % % % % % % % % % % % % % % % 3.3 Ulike teknikker for effektmåling I motsetning til kontrollerte eksperimenter så er det nesten aldri mulig å observere det kontrafaktiske innenfor samfunnsvitenskapelige disipliner. Det er derfor nødvendig å konstruere en hypotetisk kontra-faktisk situasjon for å kontrollere for observert heterogenitet når en skal estimere effekter som følge av virkemiddelbruk. I de senere år er det fremkommet en økende mengde litteratur, som er basert på det kontrafaktisk rammeverket som ble utviklet av Rubin (1974). I dette delkapittelet ser vi nærmere på forskjellige statistiske/økonometriske metoder som kan brukes for å måle effekter. Den første av disse, forløpsanalyse, er en mer generell statistisk teknikk, mens de resterende som beskrives befinner seg innen den økonometriske tradisjonen Forløpsanalyse Forløpsanalyser kalles også gjerne overlevelsesanalyser, da de med stor sikkerhet kan si noe om årsak til at en bedrift har blitt inaktiv. Forløpsanalyse er anerkjent i samfunnsvitenskapelige, økonomiske og særlig medisinske kretser ettersom analyseformen, som den eneste metodiske tilnærmingen utover den naturvitenskaplige og eksperimentelle, gir rom for å fastsette kausalitet (Hox 2010). Metoden er også å foretrekke fremfor vanlig eller logistisk regresjon ettersom den tar høyde for at enkelte av bedriftene ikke opplever en hendelse i løpet av tidsperioden som undersøkes. Metoden er imidlertid svært datakrevende og kapasitetskrevende, og det finnes i dag få samfunnsvitenskapelige datasett som inneholder mengden informasjon som er nødvendig for å få valide og reliable tall. Som datagrunnlag har Oxford Research benyttet materialet som er utførlig beskrevet tidligere i kapittelet. Analysene som gjennomføres i kapittel 6.1 baserer seg på Cox proporsjonale hazards-regresjoner, og sier Oxford Research AS

17 noe om hvilke variabler som påvirker når noe skjer. 2 Tidslengde er den avhengige variabelen, her i antall år en bedrift har overlevd før denne enten fjernes fra registeret eller tidsperioden er ferdig. En betingelse for analysene er at alle bedriftene må være i den såkalte risikogruppen, i vårt tilfelle å kunne oppleve konkurs/eller andre årsaker til fjerning. En sentral parameter i Cox-regresjoner er Hazardfunksjonen. Hazard-funksjonen er prosentandelen sjanse for å oppleve en terminal hendelse, her at bedriften blir inaktiv, for den gruppen bedrifter som fremdeles er aktive ved starten av det aktuelle tidsintervallet. Hazard-funksjonen må ikke forveksles med kumulativ prosentandel. Hazard-ratioen viser derimot sjansen for at hendelsen skjedde i en gitt tidsperiode, og viser når risikoen for konkurs er størst. I Coxregresjoner kalles avhengige variabler for kovariater. I regresjonene oppgis videre Exp (B), som dersom kovariaten er dikotom står for hazard-ratioen mellom hver enhet på kovariaten dersom alle andre kovariater holdes konstant og, dersom kovariaten er kontinuerlig, står for endring i logen av hazard-funksjonen for hver enhet kovariaten endres OLS med felles effekter Frem til rundt 1980-tallet var lineære regresjoner med bruk av tverrsnittsdata, der en kontrollerte for observerbare forskjeller mellom den som fikk støtte og dem som ikke fikk støtte, den mest benyttede metoden når en skulle estimere effekter av virkemiddelbruk. En slik lineær modell kan uttrykkes som: (1) Yi=βXi +δdi+εi, der Di er en dummy variabel som indikerer hvorvidt bedrift i har fått støtte eller ei, og er den variabelen som er av hovedinteresse i denne fremstillingen. I denne grunnleggende «referansemodellen» uttrykker koeffisienten δ den gjennomsnittlige effekten av virkemiddelet som analyserer for dem som har fått støtte. I denne modellen er denne effekten konstant for hele utvalget som er med i analysen. Om de uavhengige variablene Xi kan perfekt kontrollere for alle andre forhold som kan påvirke utfallsvariabelen som analyseres så vil OLS estimatene i ligning (1) gi et forventningsrett estimat for den gjennomsnittlige effekten som virkemiddelet har for de bedrif- ter som har fått støtte. Det ligger en implisitt antagelse om at det er tilsagn på støtte avhengig av de prosessbestemmende utfallene (dvs. at Di og εi er ukorrelert). Siden 1980 har litteraturen gjentatte ganger understreket at OLS tilnærmingen som er beskrevet over innehar noen svakheter. Og ofte er den betingede korrelasjonen et lite troverdig estimat på den kausale sammenhengen mellom Di og Yi. Det er i hovedsak tre grunner til dette. For det første kan det være at Yi påvirker Di, for eksempel ved at de bedriftene som er har høyest sannsynlighet for suksess (i en av målvariablene) er overrepresentert i blant dem som søker støtte. For det andre kan det være en utelatt variabel som påvirker både Di og Yi, det vil si at vi har uobserverbar heterogenitet, også kjent som utelatt-variabelproblemet. Dersom en for eksempel ikke har observert og kontrollert for forhold som kan påvirke seleksjonsprosessen så vil ikke den betingede korrelasjonen representere den kausale effekten. Vi vil heller ikke vite retningen på skjevheten, altså om den estimerte effekten er for stor eller for liten sammenlignet med den virkelige kausale effekten. For det tredje kan det være at kontrollvariabler er delvis påvirket av Di slik at man kontrollerer bort deler av den effekten av Di på Yi som man ønsker å avdekke. Angrist og Pischke (2009) omtaler denne typen kontrollvariabler som bad controls og påpeker at dette er variabler som like gjerne kan være en avhengig variabel i studien. Teknisk sett innebærer dette at OLS estimatoren δ, gitt i ligning (1), representerer en blanding av de effekter støtte har på målvariabelen, samt de effekter som fremkommer som følge av den nevnte selekteringsproblematikken. Tilnærminger som er benyttet for å kontrollere for seleksjonsskjevhet finner en blant annet i instrumentvariabel metoden (IV) og Heckmans seleksjonsestimator Instrumentvariabler, to-stegs OLS og Heckmans seleksjonsmodell Det som gjør IV-metoden veldig nyttig, er at den kan fjerne korrelasjon mellom feilleddet i regresjonen og den sentrale uavhengige variabelen. Som nevnt over, gir en slik korrelasjon skjeve koeffisientestimat. Konsekvensen av en slik korrelasjon er at koeffisienten 2 Cox-modellen kan defineres slik: h(t) = h0(t) exp (b1x1 + b2x bpxp), hvor h(t) er den forventede hazard på tidspunktet t, h0(t) er baseline hazard og representerer hazarden når alle andre kovariater (eller uavhengige) X1, X2, Xp er lik null. Oxford Research AS 17

18 ikke representerer en kausaleffekt. Formålet med IVregresjonen er å fjerne denne korrelasjonen. La oss anta at man er interessert i hvorvidt Di påvirker Yi, men at det er grunn til å tro at Yi også påvirker Di (omvendt kausalitet). IV metoden kan løse dette problemet dersom du har en variabel Ii, den såkalte instrumentvariabelen, som er sterkt korrelert med Di, men samtidig ikke påvirker Yi via andre kanaler enn Di. Dersom man har en god instrumentvariabel kan man estimere en kausal effekt av Di på Yi ved hjelp av en to-stegs regresjonsmodell; (1) D i = γx i + δi i + μ i, (2) Y i = βx i + δd i + ε i, I det første steget er Di en avhengig variabel som forklares av Ii og de andre forklaringsvariablene i modellen. I det andre steget brukes de predikerte Di -verdiene fra det første steget som en uavhengig forklaringsvariabel for Yi i en identisk modell som i det første steget, men uten Ii -variabelen. Intuisjonen i det siste steget er at de predikerte Di -verdiene representerer en uavhengig variasjon i Di som kun skyldes Ii. Det er to krav til denne estimeringsteknikken som ofte er vanskelig å få oppfylt i praksis, henholdsvis relevanskriteriet (a) og ekskluderingskriteriet (b). Dersom disse kravene ikke er oppfylt, er det ingen grunn til å tro at IV vil gi bedre estimat på kausale effekter enn en standard OLS regresjonsanalyse. Det er relativt uproblematisk å teste om relevanskriteriet er oppfylt. Relevanskriteriet sier at instrumentet Ii skal være korrelert med Di noe man kan teste ved å se om koeffisienten for Ii er statistisk signifikant i det første steget i to-stegs-modellen. Hvis instrumentet ikke er relevant, kan det ikke brukes til å identifisere en årsakssammenheng. Det er som regel vesentlig mer problematisk å teste at ekskluderingskriteriet er oppfylt. En grunn til dette er at oppfyllelse av ekskluderingskriteriet ikke utelukkende er et teknisk, statistisk spørsmål, og ekskluderingskriteriet er ikke nødvendigvis oppfylt selv om variabelverdiene på instrumentvariabelen er randomisert, fordi instrumentet kan påvirke gjennom flere kanaler. Det finnes heller ingen statistisk test som avgjør hvorvidt ekskluderingskriteriet er troverdig. Heckmans seleksjons estimator er den andre metoden som er mye brukt for å kontrollere for seleksjonsproblemer ved uobserverbare variabler. Metoden er bygger på forutsetningen om det eksisterer en spesifikk fordeling i forhold de uobserverbare egenskapene som påvirker målvariabelen Yi. Ved å eksplisitt modellere sannsynligheten for offentlig støtte (på lignende måte som estimering av (2) over) er det mulig å utlede en variabel som kan brukes til å kontrollere for den potensielle korrelasjonen mellom målvariabelen og behandlingsvariabelen Di. Ved å inkludere denne nye variabelen kan Heckman 1 generere forventningsrett estimat for gjennomsnittlig effekt av støtten. I likhet med IV tilnærming kreves det imidlertid en troverdig implementering av seleksjonsligningen (2), samt at en klarer å identifisere egnede instrumenter (Goldberger, 1983; Puhani, 2000) Ikke parametriske tester, matching metoder Ideen bak matchende metoder er å fjerne forskjeller mellom bedrifter som deltar og ikke-deltakende bedrifter ved at man leter opp såkalte «tvillingbedrifter» som innehar like observerbare karakteristiske trekk blant de ikke-deltakende bedriftene som er lik til dem som får støtte. Det et ikke nødvendig å fjerne alle observerbare forskjeller mellom deltakende og ikke-deltakende bedrifter, siden en i tillegg kan benytte seg av parametriske regresjoner på de bedriftene som er matchet. Disse regresjonene kan i prinsippet kontrollere for både bedriftsspesifikke faste effekter, så vel som tidstrender (Heckman et al, 1998). Det er to grunnleggende typer matching teknikker, covariate-matching og propensity-matching. Begge metoder søker å redusere avstanden mellom de observerte karakteristikkene for de to gruppene basert på noen avstandsmål. Hovedforskjellen på teknikkene er at for propensity matching så etableres det en endimensjonal scoring som benyttes når en etablerer kontrollgrupper, mens for covariate matching er denne score mekanismen flerdimensjonal. I den økonometriske litteraturen er det propensity matching som er mest benyttet ved evaluering av ulike virkemidler, noe som ofte argumenteres utfra at en fort får problemer med flerdimensjonaliteten i de tilfeller der en har kontinuerlige kontrollvariabler. Matching har noen potensielle gevinster sammenlignet med multippel regresjoner, blant annet kan det gjøre modellen mindre sårbar for antagelser om linearitet, men matching er ikke mindre sårbar enn standard regresjonsteknikker for seleksjon på uobserverte variabler. Oxford Research AS

19 3.3.5 Regresjons diskontinuitet I løpet av det siste tiåret har en sett en positiv utvikling i antallet artikler som benytter seg av såkalte Regression Discontinuity-design (RD). Selve designet går tilbake til Thistlethwaite og Campbell (1960) som søkte å måle kausaleffekten av å motta et stipend på senere prestasjoner. Stipendet ble gitt på bakgrunn av en prøve, hvor de studentene som fikk en score over et visst nivå på prøven fikk stipendet. Problemet med å estimere effekten av stipendet ligger i å skille effekten av å motta selve stipendet fra blant annet effekten av andre ferdigheter, som er korrelert med både testscore og senere prestasjoner. De som mottok stipendet er sannsynligvis smartere enn de som ikke fikk stipendet, men Thistlethwaite og Campbell (1960) er interessert i motivasjonseffekten av å motta stipendet. En effektiv kontroll for andre ferdigheter er imidlertid som regel umulig. I forhold til måling av effekter fra ulike offentlige virkemidler som skal fremme innovasjon og FoU foreslår Jaffe (2002) RD-design som en anvendbar metode. Denne løsningen krever imidlertid at behandlingsvariabelen som beskriver hvorvidt en bedrift har fått tilsagn er rangert etter stigende rekkefølge. Dette innebærer at evalueringene må være transparent på en slik måte at en kan skille prosjektene entydig fra hverandre. Det er spesielt viktig at denne indeksen kan skille i de tilfeller som er i grenseland til å få støtte (eller bli avvist). Slike data har vanligvis ikke vært tilgjengelig for forskere i Norge, og verken Forskningsrådet eller Innovasjon Norge har et slikt transparent indikatorsett. Jaffe (2002) foreslår imidlertid at et evalueringsregime må bygge på prinsipper som sørger for en entydig og transparent utforming evalueringsprosessen. Det er relativt få eksempler på bruk av denne metoden innen samfunnsvitenskapelige disipliner på grunn av mangel på gode data som har entydige rangering av populasjonen virkemiddelet er rettet mot. Ideen bak RD-design tilnærmingen er å utnytte den informasjon som kan ligge i selve rangeringen av prosjekter som har søkt støtte. Dersom en entydig rangering eksisterer så har man også en indikator som presist definerer terskel som skiller de prosjektene som får støtte fra dem som ikke får. For de prosjekter som har en rangering som tilsier at de er nær terskelverdien for støtte, så er det langt mer tilfeldig om disse bedriftene fikk støtte eller ikke. Denne tilfeldigheten kan være en kilde for identifikasjon som kan gi verdifull informasjon i forhold til seleksjonsproblematikken. En slik terskel basert på for eksempel prosjektkvalitet gjør at man kan danne kontrollgrupper fra den populasjonen som har søkt støtte, men som fikk avslag Oppsummering Bruk av empiriske analyser for å evaluere eventuelle effekter av et gitt virkemiddel reiser en rekke metodiske problemstillinger. Det kontrafaktiske (hva ville skjedd med prosjektet/bedriften dersom virkemiddelet ikke hadde vært tatt i bruk) lar seg ikke måle, samt at det i samfunnsvitenskapelige disipliner også ofte er forbundet med å danne "ekte" kontrollgrupper som en kan sammenligne med for å estimere hvorvidt et virkemiddel har effekt. Ved evaluering av INs virkemidler, kan det også oppstå et metodisk problem ved at de bedrifter som velger å søke støtte hos IN innehar visse karakteristika som er overrepresentert, sammenlignet med den øvrige populasjonen. Endogenitets-problematikken er også velkjent fra faglitteraturen og stiller krav til det metodiske verktøyet som blir benyttet. Ved bruk av ordinære regresjonsmodeller (OLS) ligger det en implisitt antagelse om at de ikke-deltakende bedriftene har samme karakteristiske trekk som de bedrifter som mottar støtte i tolkningen av resultatene. OLS som metode er således ansett som uegnet for å løse de ovennevnte problemene. Ved bruk av instrumentvariabelmetoden kan man i prinsippet utelukke forskjeller som forklarer selve avgjørelsen for hvorvidt man søker støtte, samt ta hensyn til andre kjennetegn som påvirker målvariabelens utvikling. Et potensielt problem med IV-metoden er imidlertid knyttet til lavere presisjon på estimatene, samt at antagelsen som ligger til grunn for å løse seleksjonsproblemet strengt tatt ikke lar seg teste. Regresjons-diskontinuitet som metodisk tilnærming krever at det finnes en indikator som gir en monoton rangering av alle bedrifter som har søkt støtte, i forhold til støtteverdighet, samt en entydig cut-off verdi som skiller dem som fikk støtte fra dem som ikke fikk støtte. Dette er en indikator som i dag ikke finnes hos verken IN eller Forskningsrådet, og i så måte ikke lar seg anvende. I våre analyser av langtidseffekter har vi valgt å benytte såkalte matching teknikker. Denne metoden søker å konstruere en kvasi-kontrollgruppe ved bruk at tilgjengelige data, og er således velegnet til å adressere de problemstillinger som er nevnt innledningsvis. Denne tilnærmingen er også i de siste tiårene blitt brukt i økende grad i faglitteraturen for å analysere effekter av virkemidler. Oxford Research AS 19

20 Oxford Research AS