TÜRKİYE’DE BÖLGESEL İNOVASYON ETKİNLİĞİNİN DEĞERLENDİRİLMESİ: DÜZEY 2 BÖLGELERİNE YÖNELİK AMPİRİK BİR ANALİZ

Yıl 2022, , 329 - 352, 29.04.2022

İbrahim Dağlı

https://doi.org/10.18070/erciyesiibd.998090

Cited By: 1

Öz

Bu çalışmanın amacı, Türkiye’de bölgesel seviyede inovasyon etkinliğinin tespiti ve etkin bölgelerin performans sıralamasının ortaya konulmasıdır. Yöntem olarak veri zarflama analizinin çıktı odaklı BCC ve Süper Etkinlik Modeli kullanılmıştır. Analiz için bölgesel inovasyon ölçümüne yönelik üç girdi (Ar-Ge Harcaması, Ar-Ge İnsan Kaynağı, Yüksek Öğrenim Kaynağı) ve üç çıktı (İleri Teknoloji İhracatı, Patent, Marka) değişkeninden yararlanılmıştır. Araştırmanın zaman boyutu olarak tüm değişkenlerin verilerine ulaşılabilen en güncel yıl olan 2019 yılı esas alınmıştır. Analiz sonucunda 26 adet bölgeden oluşan TR Düzey 2 bölgelerinden 10 tanesi bölgesel inovasyon açısından etkin bölgeler olarak tespit edilmiştir. Etkin olan bu bölgelerin süper etkinlik skorlarına göre performans sıralaması TR10, TRC1, TR72, TR83, TR41, TR22, TR33, TR63, TRC2 ve TRC3 bölgeleri olarak tespit edilmiştir. Etkin olmayan bölgelerin etkinliğe ulaşabilmesi için referans birimler ve hedef değerlere çalışma içeriğinde yer verilmiştir. Bu çalışma, Türkiye için 26 bölge üzerinde (TR Düzey 2) bölgesel seviyede bir inovasyon etkinliği tespiti ve kıyaslaması yapması açısından literatürdeki diğer çalışmalardan farklıdır. Çalışmanın zaman boyutu olarak seçilen 2019 yılı ise literatüre oldukça güncel bir katkı sağlaması açısından önemlidir. Bölgeler arasında inovasyon etkinliğinin tespit edilmesinin yanı sıra süper etkinlik skorları ile bölgeler arasında bir performans sıralaması yapılması çalışmanın bir diğer önemli katkısıdır.

Anahtar Kelimeler

Veri Zarflama Analizi, Bölgesel İnovasyon, İnovasyon Etkinliği, Süper Etkinlik.

THE ASSESSMENT OF REGIONAL INNOVATION EFFICIENCY IN TURKEY: AN EMPIRICAL ANALYSIS OF NUTS 2 REGIONS

Öz

The aim of this study is to determine the innovation efficiency at the regional level in Turkey and to reveal the performance ranking of the efficient regions. Output-oriented BCC and Super Efficiency Model of data envelopment analysis were used as methods. For the analysis, three inputs (R&D Expenditure, R&D Human Resources, Higher Education Resource) and three outputs (High Technology Exports, Patent, Trademark) variables for regional innovation measurement were used. As the time dimension of the research, 2019, which is the most recent year in which the data of all variables can be accessed, was taken as basis. 10 of the 26 TR Nuts 2 regions have been identified as efficient regions in terms of regional innovation. The performance ranking of these efficient regions according to their super efficiency scores was determined as TR10, TRC1, TR72, TR83, TR41, TR22, TR33, TR63, TRC2 and TRC3 regions. Reference units and target values are included in the study, so that inefficient regions can reach efficiency. This study differs from other studies in the literature in that it detects and compares innovation efficiency at the regional level in 26 regions of Turkey (Nuts II). The year 2019, which was chosen as the time dimension of the study, is important in terms of providing a very up-to-date contribution to the literature. In addition to determining the innovation efficiency among regions, making a performance ranking among regions with super efficiency scores is another crucial contribution of the study.

Anahtar Kelimeler

Data Envelopment Analysis, Regional Innovation, Innovation Efficiency, Super Efficiency.

Kaynakça

• Aktop, V. S. (2021). Türkiye ve Avrupa Birliği üyesi ülkelerin göreli araştırma ve geliştirme (Ar-Ge) etkinliğinin analizi. Itobiad: Journal of the Human & Social Science Researches, 10(1), 231-246.
• Andersen, P. ve Petersen, N. C. (1993). A procedure for ranking efficient units in data envelopment analysis. Management science, 39(10), 1261-1264.
• Ayçin, E. ve Çakın, E. (2019). Ülkelerin inovasyon performanslarının ölçümünde Entropi ve Mabac çok kriterli karar verme yöntemlerinin bütünleşik olarak kullanılması. Akdeniz İİBF Dergisi, 19(2), 326-351.
• Bai, J. (2013). On regional innovation efficiency: Evidence from panel data of China's different provinces. Regional Studies, 47(5), 773-788.
• Bai, J. ve Li, J. (2011). Regional innovation efficiency in China: The role of local government. Innovation, 13(2), 142-153.
• Banker, R. D., Charnes, A. ve Cooper, W. W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management science, 30(9), 1078-1092.
• Barra, C. ve Zotti, R. (2018). The contribution of university, private and public sector resources to Italian regional innovation system (in) efficiency. The Journal of Technology Transfer, 43(2), 432-457.
• Belgin, O. (2019). Analysing R&D efficiency of Turkish regions using data envelopment analysis. Technology Analysis & Strategic Management, 31(11), 1341-1352.
• Belgin, Ö. ve Avşar, B. A. (2019). Türkiye’de bölgeler ve iller düzeyinde Ar-Ge ve yenilik performansının gri ilişkisel analiz yöntemi ile ölçülmesi. Verimlilik Dergisi, 2, 27-48.
• Broekel, T. (2012). Collaboration intensity and regional innovation efficiency in Germany- A conditional efficiency approach. Industry and Innovation, 19(2), 155-179.
• Charnes, A., Cooper, W. W. ve Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429-444.
• Charnes, A., Cooper, W. W., Golany, B., Seiford, L. ve Stutz, J. (1985). Foundations of data envelopment analysis for Pareto-Koopmans efficient empirical production functions. Journal of econometrics, 30(1-2), 91-107.
• Charnes, A., Cooper, W. W., Seiford, L. ve Stutz, J. (1982). A multiplicative model for efficiency analysis. Socio-Economic Planning Sciences, 16(5), 223-224.
• Chen, K. ve Guan, J. (2012). Measuring the efficiency of China's regional innovation systems: application of network data envelopment analysis (DEA). Regional Studies, 46(3), 355-377.
• Cheng, G., Qian, Z. ve Zervopoulos, P. (2011). Overcoming the infeasibility of super-efficiency DEA model: A model with generalized orientation. Munich Personal Repec Archive, 31991, 1-16.
• Cooper, W. W., Seiford, L. M. ve Tone, K. (2006). Introduction to data envelopment analysis and its uses: with DEA-solver software and references. Springer Science & Business Media.
• Çelik, E. ve Atan, M. (2020). Veri zarflama analizi (VZA): Örnek uygulamalarla çok kriterli karar verme yöntemleri. Ankara: Gazi Kitabevi.
• Dağlı İ. (2021). Türkiye düzey 3 bölgesinde inovasyon çıktı performanslarının değerlendirilmesi: Moora ve gri ilişkisel analiz yöntemleriyle karşılaştırmalı bir analiz. Kemal Vatansever (Ed.). İktisadi ve İdari Bilimlerde Araştırma ve Değerlendirmeler içinde (s. 203-218). Ankara: Gece Kitabevi.
• Demirbaş, M. ve Sezgin, H. F. (2010). Likidite krizi sürecinde Amerika Birleşik Devletleri, Avrupa Birliği’ne üye ülkeler ve Türkiye’deki bankacılık sektörünün karşılaştırmalı etkinlik analizi: 2006-2010 dönemi, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 12(3), 135-158.
• Demirci, A. (2018), Teori ve uygulamalarla veri zarflama analizi. Ankara: Gazi Kitabevi.
• Doğan, N. Ö. (2015). VZA süper etkinlik modelleri ile etkinlik ölçümü: Kapadokya da faaliyet gösteren balon işletmeleri üzerine bir uygulama. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 29(1), 187-204.
• Dosi, G. (1988). The nature of the innovative process: Technical change and economic theory. New York: Pinter Publishers.
• Düzakın, E. ve Kıran Bulgurcu, B. (2010). Kalkınmada Öncelikli illerin ekonomik etkinliklerinin değerlendirilmesi. Çukurova Üniversitesi İİBF Dergisi, 14(1), 1-18.
• Fan, F., Lian, H. ve Wang, S. (2020). Can regional collaborative innovation improve innovation efficiency? An empirical study of Chinese cities. Growth and Change, 51(1), 440-463.
• Farrell, M. J. (1957). The measurement of productive efficiency. Journal of the Royal Statistical Society: Series A (General), 120(3), 253-281.
• Freeman, C. ve Soete, L. (1997). Yenilik İktisadı (Çev. Ergün Türkcan). Ankara: TÜBİTAK Yayınları.
• Fu, L. ve Jiang, X. (2019). Does the multiple-participant innovation improve regional innovation efficiency? A study of China’s regional innovation systems. Sustainability, 11(4658), 1-16.
• Galindo-Rueda, F. ve Verger, F. (2016). OECD taxonomy of economic activities based on R&D intensity. OECD Science, Technology and Industry Working Papers, No. 2016/04, OECD Publishing.
• Gedik, M. (2011). Vergi rekabeti etkinlik değerlendirmesi: OECD üyesi ülkeler için veri zarflama analizi uygulaması. Maliye Dergisi, 160, 329-350.
• Hong, J., Feng, B., Wu, Y. ve Wang, L. (2016). Do government grants promote innovation efficiency in China's high-tech industries?. Technovation, 57, 4-13.
• İncekara, A., Demez, S. ve Akyol, M. (2014). Ar-Ge harcamalarına yapılan teşviklerin etkinliği: Türkiye BRICS ülkeleri karşılaştırmalı analizi. İktisat Politikası Araştırmaları Dergisi, 1(2), 1-30.
• İşbilen Yücel, L. (2017). Veri Zarflama Analizi, İstanbul: Der Yayınları.
• Li, Z., Li, J. ve He, B. (2018). Does foreign direct investment enhance or inhibit regional innovation efficiency? Evidence from China. Chinese Management Studies. 12(1), 35-55.
• Organisation for Economic Co-operation and Development ve Statistical Office of the European Communities. (2018). Oslo Manual 2018: Guidelines for collecting, reporting and using data on innovation. OECD publishing. Paris/Eurostat, Luxembourg.
• Özbek, A. (2021). Çok kriterli karar verme yöntemleri ve excel ile problem çözümü. Ankara: Seçkin Yayıncılık.
• Özden, Ü. (2008). Veri zarflama analizi (VZA) ile Türkiye’deki vakıf üniversitelerinin etkinliğinin ölçülmesi. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 37(2), 167-185.
• Özer, A., Öztürk, M. ve Kaya, A. (2010). İşletmelerde etkinlik ve performans ölçmede VZA, kümeleme ve TOPSİS analizlerinin kullanımı: İMKB işletmeleri üzerine bir uygulama, Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 14(1), 233-260.
• Sarıca, K. ve Or, I. (2007). Efficiency assessment of Turkish power plants using data envelopment analysis. Energy, 32(8), 1484-1499.
• Savaş, F. (2018). Veri zarflama analizi, operasyonel, yönetsel ve stratejik problemlerin çözümünde çok kriterli karar verme yöntemleri, Bursa: Dora Yayıncılık.
• Schumpeter, J. A. (1939). Business cycles: A theoretical, historical, and statistical analysis of the capitalist process, New York, London: McGraw-Hill.
• Schumpeter, J. A. (1943). Capitalism, socialism and democracy. New York: Harper Collins.
• Solow, R. M. (1957). Technical change and the aggregate production function. The review of Economics and Statistics,39(3) 312-320.
• Şengül, Ü., Eslemian, S. ve Eren, M. (2013). Türkiye’de istatistiki bölge birimleri sınıflamasına göre düzey 2 bölgelerinin ekonomik etkinliklerinin DEA yöntemi ile belirlenmesi ve Tobit Model uygulaması. Yönetim Bilimleri Dergisi, 11(21), 75-99.
• T.C. Cumhurbaşkanlığı Strateji ve Bütçe Başkanlığı (2019). On Birinci Kalkınma Planı (2019-2023).
• Wang, S., Fan, J., Zhao, D. ve Wang, S. (2016). Regional innovation environment and innovation efficiency: the Chinese case. Technology Analysis & Strategic Management, 28(4), 396-410.
• Zemtsov, S. ve Kotsemir, M. (2019). An assessment of regional innovation system efficiency in Russia: the application of the DEA approach. Scientometrics, 120(2), 375-404.