Розширена анотація українською мовою

У статті розглянуто актуальну проблему податкового стимулювання інновацій, науково-дослідних і дослідно-конструкторських робіт, а також його вплив на рівень інноваційного розвитку та макроекономічну стабільність. Дослідження базується на аналізі причинно-наслідкових зв’язків, оцінці сили часових лагів та напрямків взаємного впливу податкових стимулів науково-дослідних і дослідно-конструкторських робіт та макропоказників. Систематизація літературних джерел та підходів до вирішення означеної проблематики вказує на те, що податкові стимули науково-дослідних і дослідно-конструкторських робіт вивчаються фрагментарно в контексті макроекономічної стабільності. Основною метою дослідження є вдосконалення методологічних основ обґрунтування вибору відповідних інструментів стимулювання інновацій з урахуванням причинно-наслідкових зв’язків податкових стимулів науково-дослідних і дослідно-конструкторських робіт та макропоказників. У статті представлені результати динамічного аналізу податкових пільг на науково-дослідні та дослідно-конструкторські роботи. Емпіричне дослідження проведено на основі панельних даних, сформованих для вибірки з 13 європейських країн за 2007-2017 роки. За отриманими результатами визначено значущість, силу та характер взаємозв’язку між досліджуваними показниками та наступними макропоказниками: рівень інноваційного розвитку країни, частка інвестицій у валовому внутрішньому продукті (загалом та в корпоративному секторі, зокрема), чиста міжнародна інвестиційна позиція, частка бізнес-сектору в структурі витрат на науково-дослідні та дослідно-конструкторські роботи. Коефіцієнти кореляції Пірсона та Спірмена було розраховувано залежно від підпорядкування змінних закону нормального розподілу (перевіреного тестом Шапіро-Вілка) на допустимому інтервалі обчислення з урахуванням часових лагів від 0 до 3 років. Причинність досліджуваних показників встановлена за допомогою тесту Грейнджера. Ці розрахунки важливі для розстановки пріоритетів у використанні інструментів реалізації інноваційної підтримки. Автори надали найвищий пріоритет встановленню податкових стимулів науково-дослідних і дослідно-конструкторських робіт, оскільки вплив цього інструменту на всі вивчені макропоказники в більшості країн був прямим, і його ефект мав місце в найкоротші терміни (з часовим лагом 0–3 роки). Другий пріоритет надано встановленню прихованих ставок субсидій на оподаткування науково-дослідних і дослідно-конструкторських робіт бізнесу, оскільки вплив цього показника на більшість досліджуваних показників був статистично значущим та прямим із часовим лагом 0–3 роки. У статті обґрунтовано неефективність прямої державної фінансової підтримки інновацій, оскільки вплив цього показника на більшість аналізованих макропоказників був зворотним із часовим лагом 0–2 роки. Таким чином, державі доцільніше допомагати підприємцям шляхом надання податкових пільг для забезпечення інноваційного розвитку та макростабільності загалом, ніж шляхом прямого відшкодування витрат. У статті представлено побудовані лагові регресійні моделі для тих країн, де встановлені причинно-наслідкові зв’язки виявилися найбільш статистично значущими (Бельгія, Данія, Нідерланди та Чехія). Вони враховують темпи інфляції та процентні ставки за довгостроковими зобов’язаннями, а також кількість трудових ресурсів у країні як контрольні змінні.

Ключові слова: інвестиційна позиція, інновації, макроекономічна стабільність, макропоказники, НДДКР, податкові витрати на НДДКР, податкові стимули, податкові субсидії, причинно-наслідкові зв’язки, тест Грейнджера.

Класифікація JEL: O11, O3, H2, E6, E63.

Цитувати як: Samoilikova, A., Lieonov, S., & Huseynova, A. . (2021). Tax incentives for innovation in the context of macroeconomic stability: an analysis of causality Marketing and Management of Innovations, 1, 135-157. https://doi.org/10.21272/mmi.2021.1-11

Ця стаття публікуються за ліцензією Creative Commons Attribution International License

Список використаних джерел

1. Baranovskyi, O. I. (2020). Regulation of functional and structural transformational processes in the financial sector. Financial and credit activity: problems of theory and practice, 1(32), 292-306. [Google Scholar] [CrossRef]
2. Bloom, N., Griffith, R., & Van Reenen, J. (2002). Do R&D tax credits work? Evidence from a panel of countries 1979–1997. Journal of Public Economics, 85(1), 1-31. [Google Scholar] [CrossRef]
3. Cappelen, Å., Fjærli, E., Foyn, F., Hægeland, T., Møen, J., Raknerud, A., & Rybalka, M. (2010). Evaluation of the Norwegian R&D tax credit scheme. Journal of technology management & innovation, 5(3), 96-109. [GoogleScholar] [CrossRef]
4. Corchuelo, M. B., & Martínez-Ros, E. (2010). Who benefits from R&D tax policy?. Cuadernos de Economía y Dirección de la Empresa, 13(45), 145-170. [Google Scholar] [CrossRef]
5. Czyżewski, B., Matuszczak, A., & Miśkiewicz, R. (2019). Public goods versus the farm price-cost squeeze: shaping the sustainability of the EU’s common agricultural policy. Technological and Economic Development of Economy, 25(1), 82-102. [CrossRef]
6. Fazio, C., Guzman, J., & Stern, S. (2020). The impact of state-level research and development tax credits on the quantity and quality of entrepreneurship. Economic Development Quarterly, 34(2), 188-208. [Google Scholar] [CrossRef]
7. Granger, C. W. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica: journal of the Econometric Society, 424-438. [Google Scholar] [CrossRef]
8. Guceri, I. (2016). Tax incentives for R&D. University of Oxford, Centre for Business Taxation. [Google Scholar]
9. Guceri, I., & Liu, L. (2015). Effectiveness of fiscal incentives for R&D: quasi-experimental evidence WP15/12. [Google Scholar]
10. Hall, B., & Van Reenen, J. (2000). How effective are fiscal incentives for R&D? A review of the evidence. Research policy, 29(4-5), 449-469. [Google Scholar] [CrossRef]
11. Hodzic, S., & Becic, E. (2016). Tax Incentives For R&D of Large Companies: Empirical Analysis on Croatia. Actual Problems of Economics, 8 (182), 172-179. [GoogleScholar]
12. Hrytsenko, L. L., Roienko, V., & Boiarko, I. M. (2018). Institutional background of the role of state in investment processes activation. Financial and credit activities: problems of theory and practice, 1(24), 338-344. [CrossRef]
13. Inflation, GDP deflator (annual %). World Bank Data. Retrieved from [Link]
14. Intramural R&D expenditure (GERD) by source of funds. EU Statistical Office. Retrieved from [Link]
15. Investment by Corporate sector, % of GFCF. OECD Data. Retrieved from [Link]
16. Investment share of GDP by institutional sectors – % of GDP. EU Statistical Office. Retrieved from [Link]
17. James, S. (2013). Tax and non-tax incentives and investments: evidence and policy implications. FIAS, The World Bank Group. [Google Scholar]
18. Jones, C. I., & Williams, J. C. (1998). Measuring the social return to R&D. The Quarterly Journal of Economics, 113(4), 1119-1135. [Google Scholar] [CrossRef]
19. Kashintseva, V., Strielkowski, W., Streimikis, J., & Veynbender, T. (2018). Consumer attitudes towards industrial CO2 capture and storage products and technologies. Energies, 11(10), 2787. [CrossRef]
20. Klemm, A. (2009). Causes, benefits, and risks of business tax incentives. IMF Working Papers, 1-27. [GoogleScholar]
21. Koga, T. (2003). Firm size and R&D tax incentives. Technovation, 23(7), 643-648. [Google Scholar] [CrossRef]
22. Kuznetsova, A., Pohorelenko, N. (2020). Mechanism of providing financial stability of the banking system of Ukraine. Financial and credit activity-problems of theory and practice, 4. P. 37-47. [CrossRef]
23. Labor force participation rate, total (% of total population ages 15-64) (modeled ILO estimate). World Bank Data. Retrieved from [Link]
24. Lee, C. Y. (2011). The differential effects of public R&D support on firm R&D: Theory and evidence from multi-country data. Technovation, 31(5-6), 256-269. [Google Scholar] [CrossRef]
25. Li, W., & Du, J. (2016). Tax incentives, adjustment costs, and R&D investment in China. China Journal of Accounting Studies, 4(4), 433-455. [Google Scholar] [CrossRef]
26. Lopez, L., & Weber, S. (2017). Testing for Granger causality in panel data. The Stata Journal, 17(4), 972-984. [Google Scholar] [CrossRef]
27. Maastricht criterion interest rates. EU Statistical Office. Retrieved from [Link]
28. Miśkiewicz, R, & Wolniak, R. (2020). Practical Application of the Industry 4.0 Concept in a Steel Company. Sustainability, 12(14), 5776. [CrossRef]
29. Net international investment position – annual data. EU Statistical Office. Retrieved from [Link]
30. OECD R&D Tax Incentive Database. General and country-specific notes. Retrieved from [Link].
31. Pearson, K. (1896). VII. Mathematical contributions to the theory of evolution.—III. Regression, heredity, and panmixia. Philosophical Transactions of the Royal Society of London. Series A, containing papers of a mathematical or physical character, (187), 253-318. [Google Scholar] [CrossRef]
32. R&D tax expenditure and direct government funding of BERD. OECD Science, Technology and R&D Statistics. Retrieved from [Link]
33. R&D tax expenditure and direct government funding of BERD. Retrieved from [Link]
34. Savchenko, T., Basiurkina, N., Rodina, O., & Kwilinski, A. (2019). Improvement of the assessment methods of product competitiveness of the specialized poultry enterprises. Management Theory and Studies for Rural Business and Infrastructure Development, 41(1), 43-61. [CrossRef]
35. Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591-611. [Google Scholar] [CrossRef]
36. Simionescu, M., Strielkowski, W., & Kalyugina, S. (2017). The impact of Brexit on labour migration and labour markets in the United Kingdom and the EU. Terra Economicus, 15(1), 148-156. [CrossRef]
37. Spearman, C. (1987). The proof and measurement of association between two things. The American journal of psychology, 100(3/4), 441-471. [Google Scholar] [CrossRef]
38. Strielkowski, W., & Höschle, F. (2016). Evidence for economic convergence in the EU: The analysis of past EU enlargements. Technological and Economic Development of Economy, 22(4), 617-630. [CrossRef]
39. Tassey, G. (1996). Choosing government R&D policies: Tax incentives vs. direct funding. Review of Industrial Organization, 11(5), 579-600. [GoogleScholar] [CrossRef]
40. Tastan, H. (2015). Testing for spectral Granger causality. The Stata Journal, 15(4), 1157-1166. [GoogleScholar]
41. Tiutiunyk, I., Kobushko, I., Ivaniy, O., & Flaumer, A. (2019). Innovations in the Management of Tax Gaps in the Economy: Foreign Economic Component. Marketing and Management of Innovations, 3, 112-125. [GoogleScholar] [CrossRef]
42. Tkachenko, V., Kwilinski, A., Klymchuk, M., & Tkachenko, I. (2019). The economic-mathematical development of buildings construction model optimization on the basis of digital economy. Management Systems in Production Engineering, 27(2), 119-123. [CrossRef]
43. Vovchak O. D., Rudevska V. I., Pohorila O. V. (2018). Challenges of inflation targeting in Ukraine: establishing the mega-regulator. Financial and credit activities: problems of theory and practice, 1(24), P. 305-311. [CrossRef]
44. Warda, J. (2001). Measuring the Value of R&D Tax Treatment in OECD Countries, Special Issue on New Science and Technology Indicators, STI Review No. 27. [GoogleScholar]
45. Іmplied tax subsidy rates on R&D expenditures. OECD Science, Technology and R&D Statistics. Retrieved from [Link]