4. Analyse

Dit hoofdstuk zal uit twee delen bestaan. Allereerst zal een dataexploratie worden uitgevoerd om een visuele indruk te krijgen van de Nederlandse Inward R&D, Inward R&D-financieringsstromen en Outward R&D-financieringsstromen. Ook zal hier een onderscheid worden gemaakt tussen verschillende bedrijfstakken en grootteklassen, om eventuele verschillen tussen bedrijfstakken en bedrijfsgrootten te belichten. In het tweede deel zal een regressieanalyse worden uitgevoerd op de genoemde variabelen. Hiermee zal antwoord worden gegeven op de drie vragen uit het vorige hoofdstuk, samen met een indicatie over de zekerheid van deze antwoorden.

4.1 Dataexploratie

4.1.1 Algemene trends

Op verzoek van EZ zullen tijdens de analyse de Inward R&D, Inward R&D-financieringsstromen en Outward R&D-financieringsstromen voornamelijk worden uitgedrukt in procenten van het totale Nederlandse bruto binnenlands product (werkelijke prijzen). Daarnaast kan er ook worden vergeleken met de percentages uitgedrukt in verhouding tot de totale Nederlandse R&D-activiteiten (GERD); een figuur met deze alternatieve methode is opgenomen in de appendix (B.1). Om ten eerste een gevoel te krijgen van zowel de orde van grootte als de trend over tijd van de absolute waarden van deze variabelen, zijn de absolute waarden in miljoenen weergegeven in onderstaande figuur 4.1.

Voor alle drie de variabelen geldt dat ze in absolute waarde zijn gestegen tussen 2013 en 2020. Echter, Outward R&D-financieringsstromen zijn in absolute waarden langzaam gedaald sinds 2016, met een wat scherpere daling in 2019. In verhouding tot de totale GERD (zie appendix) blijft Inward R&D rond de 20 procent schommelen, maar tussen 2018 en 2020 is dit percentage gedaald van 20 naar 18. Tussen 2013 en 2020 is in feite ongeveer een vijfde van de totale R&D afkomstig van bedrijven waarvan de uiteindelijke zeggenschap in het buitenland ligt. Dit aandeel is dus vrij stabiel gebleven.

Als bij één of meer variabelen te zien is dat er sprake is van een daling als percentage van het Nederlandse bbp, dan kan dit veroorzaakt worden doordat het bbp in verhouding sterker is toegenomen dan de Inward R&D, Inward R&D-financieringsstromen of Outward R&D-financieringsstromen. Kijkende naar figuur 4.2, dan valt inderdaad op dat Inward R&D niet op dezelfde manier stijgt zoals de absolute waarden, en dat Outward R&D-financieringsstromen ook uitgedrukt in percentage van het bbp een daling vertonen sinds 2016.

Over het algemeen valt er geen heel duidelijke trend te zien voor de drie variabelen over alle jaren heen. De Inward R&D en Inward R&D-financieringsstromen kunnen vrij stabiel tot lichtelijk dalend genoemd worden, terwijl de Outward R&D-financiering sterk omhoog en dan weer sterk omlaag gaat tussen 2013 en 2020.

4.1.2 Inward R&D

Naast de Inward R&D op totaalniveau, kan de opsplitsing van de Nederlandse Inward R&D naar bedrijfstakken en grootteklasse interessant zijn. Figuur 4.3 geeft de Inward R&D van verscheidene bedrijfstakken weer. 

In deze figuur is duidelijk te zien dat de ‘Nijverheid (geen bouw) en energie’ bedrijfstak de grootste speler is binnen de Inward R&D (rond 0,15% van het bbp). Dit is niet verrassend, aangezien deze bedrijfstak de bedrijfstak is met de meeste R&D-activiteiten. Andere bedrijfstakken lijken stabieler te zijn en niet of nauwelijks te zijn gedaald tussen 2013 en 2020. 

Wanneer de Inward R&D wordt opgedeeld naar grootteklassen, dan is in figuur 4.4 duidelijk te zien dat het grootste deel van Inward R&D voorkomt bij de bedrijven met 250 of meer werkzame personen. Daarnaast is de Inward R&D bij deze grootteklassen bedrijven sterk gedaald van 2013 t/m 2015, terwijl het in de jaren daarna juist lichtelijk is gestegen en vervolgens in 2020 nog verder stijgt. De overige grootteklassen lijken relatief stabiel te zijn.

4.1.3 Inward R&D-financieringsstromen

De Inward R&D-financieringsstromen kunnen ook verder worden uitgesplitst naar bedrijfstakken en grootteklassen. De uitsplitsing naar bedrijfstakken is in figuur 4.5 te zien. 

Hier zorgt de bedrijfstak ‘nijverheid (geen bouw) en energie’ weer voor een groot deel van de Inward R&D-financieringsstromen. Opvallend is echter wel dat de bedrijfstak ‘zakelijke dienstverlening’ hier een significant grotere rol speelt dan bij de Inward R&D. In absolute waarden betreft het in 2020 bijvoorbeeld meer dan 800 miljoen euro, hiervan is 775 miljoen afkomstig van een kleine 600 bedrijven uit SBI 72, speur- en ontwikkelingswerk (oftewel research en development). De bijdrage van andere bedrijfstakken binnen de zakelijke dienstverlening is dus relatief gezien een stuk lager voor de Inward R&D financieringsstromen. De bedrijfstak lijkt licht te stijgen over tijd, terwijl de ‘nijverheid (geen bouw) en energie’ bedrijfstak juist daalt over tijd. 

Uitgesplitst naar grootteklassen wordt in figuur 4.6 zichtbaar dat de grootteklasse ‘250 of meer werkzame personen’ weer het grootste deel inneemt van de Inward R&D-financieringsstromen. Bij deze grootteklasse, net als bij de bedrijven met 10 tot 50 werkzame personen, zijn de Inward R&D-financieringsstromen licht gedaald, terwijl deze bij de grootteklasse ‘50-250 werkzame personen’ zijn gestegen. Verder lijken de cijfers redelijk stabiel te zijn.

4.1.4 Outward R&D-financieringsstromen

Als laatste kan er nog dieper in worden gegaan op de Outward R&D-financieringsstromen. Figuur 4.7 geeft een uitsplitsing van deze financieringsstromen naar bedrijfstak. 

Net zoals bij de andere variabelen speelt de bedrijfstak ‘Nijverheid (geen bouw) en energie’ hier weer een grote rol. Een andere bedrijfstak die bij de Outward R&D-financieringsstromen een groot aandeel heeft is de ‘Handel, vervoer en horeca’ bedrijfstak. Echter, dit aandeel is voor het overgrote deel geconcentreerd bij een specifieke bedrijfstak en specifieke bedrijven¹⁾. Wat opvalt is dat dit aandeel sterk is gedaald van 2018 op 2019, en niet herstelt in 2020. Dit komt door ontwikkelingen van de hiervoor genoemde specifieke bedrijven. Dat de Outward R&D-financieringsstromen sterk beïnvloed worden door de ontwikkelingen van specifieke bedrijven is niet ongewoon: deze bedrijven zijn vaak grote multinationals waarbij dergelijke grote geldstromen tussen vestigingen in verschillende landen kunnen plaatsvinden, en deze geldstromen kunnen van het ene op het andere jaar ook via vestigingen uit andere landen lopen. De overige bedrijfstakken lijken stabiel en relatief insignificant te zijn. 

De opsplitsing naar grootteklassen in figuur 4.8 laat verder niets verrassends zien. Het overgrote deel van de Outward R&D-financieringsstromen vinden over het algemeen weer plaats bij de bedrijven met 250 of meer werknemers. Wel treedt er een schommeling op in de jaren 2016-2018. Deze schommeling wordt voornamelijk veroorzaakt door een verschuiving naar grootteklasse ‘50-250 werkzame personen’ in 2016 en ‘250 of meer werkzame personen’ in 2018.

Het in detail bekijken van de ontwikkelingen (absoluut en relatief) op het niveau SBI tweede digit en grootteklasse combinatie kan nuttig zijn, maar in veel gevallen zijn de ontwikkelingen op dit niveau volatiel waardoor de ontwikkelingen vaak niet te onderscheiden zijn van steekproefeffecten in de groepen met lagere waarden voor de relevante variabelen. Het kan echter wel van belang zijn om opvallende ontwikkelingen in de groepen met hoge waarden voor de relevante variabelen te benoemen. Dit zijn hoofdzakelijk de bedrijven met 250 of meer werkzame personen. De gegevens komen uit de microdata en zijn voor de overzichtelijkheid niet opgenomen in dit rapport; in de appendix is een samenvatting weergegeven van de belangrijkste ontwikkelingen.

4.2 Regressieanalyse

Om met meer zekerheid te kunnen zeggen of er daadwerkelijke trends aanwezig zijn in Inward R&D, Inward R&D-financieringsstromen en Outward R&D-financieringsstromen en het niet slechts visuele toevalligheden zijn, worden de trends binnen deze variabelen statistisch gemodelleerd door middel van regressies. In deze regressies zijn zogeheten ‘fixed effects’ toegepast. Een fixed effects regressie is een statistische methode die wordt gebruikt om het effect van veranderingen in onafhankelijke variabelen op een afhankelijke variabele te analyseren, terwijl rekening wordt gehouden met verschillen tussen individuen die constant blijven in de tijd (de ‘vaste effecten’).

4.2.1 De methode

Bij een fixed effects regressie worden individuele kenmerken van de onderzoekseenheden (zoals personen, bedrijven of regio's) opgenomen in het model als dummy’s of indicatorvariabelen. Dit houdt in dat elke onderzoekseenheid een eigen set van dummyvariabelen heeft, die aangeven of deze een bepaald kenmerk wel of niet heeft. Het gebruik van fixed effects in een regressieanalyse is vooral handig als er sprake is van heterogeniteit tussen onderzoekseenheden die niet direct geobserveerd kan worden.

In dit onderzoek wordt de microdata voor Nederlandse Inward R&D, Inward R&D- financieringsstromen en Outward R&D-financieringsstromen geaggregeerd naar een combinatie van sectorcode (SBI2) en grootteklasse van bedrijven (10 tot 50 werkzame personen, 50-250 werkzame personen en 250 of meer werkzame personen). De fixed effects worden vastgesteld op deze groepen van SBI tweede digit en grootteklasse combinaties. De reden dat hiervoor is gekozen, is omdat de onderliggende cijfers op dit niveau geanalyseerd en gepubliceerd worden en dus de meest betrouwbare tijdreeks vormen op een zo uitgesplitst mogelijk niveau²⁾. 

De afhankelijke variabelen in de regressies zijn Nederlandse Inward R&D, Inward R&D- financieringsstromen en Outward R&D-financieringsstromen uitgedrukt als aandeel (in perunages) van de Nederlandse GERD. Deze data is namelijk beschikbaar op hetzelfde geaggregeerde niveau van SBI tweede digit en grootteklasse combinatie. De variabelen uitgedrukt in bbp, zoals in de vorige hoofdstukken gebruikt, zijn niet beschikbaar op dit niveau. Als onafhankelijke variabelen wordt ten eerste gekeken naar de jaarlijkse trend, oftewel het jaartal tussen 2013 en 2020. De coëfficiënt van deze variabele zal aantonen of gemiddeld genomen tussen alle fixed effects groepen er sprake is van een negatief of positief trendeffect  in de afhankelijke variabele. Als tweede onafhankelijke variabele wordt het aandeel bedrijven toegevoegd binnen een SBI2 grootteklasse combinatie waarvan de uiteindelijke zeggenschap in het buitenland ligt. Als dit aandeel toeneemt betekent dit dat er een hoger aandeel bedrijven binnen de betreffende groep is waarvan de uiteindelijke zeggenschap buiten Nederland ligt. Een oorzaak hiervan kan buitenlandse overnames zijn, maar dit hoeft niet zo te zijn. Een andere oorzaak kan bijvoorbeeld een steekproefeffect zijn of een verplaatsing van een hoofdkantoor. Hiermee dient rekening te worden gehouden bij het interpreteren van de resultaten.

De fixed effects regressievergelijking voor de relatie tussen relatieve Inward R&D(-financieringsstromen) of Outward R&D-financieringsstromen, buitenlandse zeggenschap en jaarlijkse trend met fixed effects voor bedrijfsgrootte en economische activiteit kan als volgt worden geschreven:

\begin{equation}
X_{it}^{rel} = \beta_1 (\text{aandeel btl.zeggenschap}_{it}) + \beta_2 \text{Jaar}_t + \sum_i \beta_i (\text{SBI2} \cdot \text{grootteklasse})_i + \varepsilon_{it}
\tag{1}
\end{equation}

Waar:

• X staat voor Inward R&D(-financieringsstromen) of Outward R&D-financieringsstromen relatief aan totale R&D uitgaven (GERD) voor groep i in jaar t.
• Aandeel buitenlandse zeggenschap staat voor aandeel bedrijven binnen groep i in jaar t waarvan de uiteindelijke zeggenschap in het buitenland ligt. Voor Inward R&D wordt deze variabele in eerste instantie weggelaten, omdat Inward R&D wordt bepaald door dezelfde Ultimate Controlling Institute (UCI) als het aandeel buitenlandse zeggenschap, waardoor er sprake is van een zeer hoge correlatie in de data. Met andere woorden kan gesteld worden dat hier sprake is van (structurele) multicollinearity in het model (tussen de jaartrend en het aandeel buitenlandse zeggenschap), in welk geval de trendvariabele veel minder zegt omdat de doelvariabele per definitie hiervan is afgeleid. In de appendix is een aparte tabel opgenomen waar deze variabele wel wordt meegenomen voor Inward R&D, zodat de invloed van het weglaten van deze variabele duidelijker wordt (B.2).
• ‘Jaar’ vertegenwoordigt de jaarlijkse trend. Hierbij krijgt het eerste jaar 2013 een waarde van 0, het tweede jaar 2014 een waarde van 1, enzovoorts. 
• SBI2 is de tweede digit sectorcode en grootteklasse staat voor 10-50 werkzame personen, 50-250 werkzame personen of 250 of meer werkzame personen. De combinatie van deze variabelen vormt een groep i, waarvan er 126 zijn. De coëfficiënten βi die voor deze groepen afzonderlijk worden gevonden zijn de fixed effects van het model. De totale lijst van fixed effect constanten is in de appendix opgenomen (B.4 t/m B.6). 
• εit vertegenwoordigt de foutterm of de ongeobserveerde factoren die van invloed zijn op de afhankelijke variabele, maar niet worden vastgelegd door het model.

De gehanteerde schattingsmethode in R is een LSDV (‘Least Squares Dummy Variable’) regressie, oftewel een lineair model met indicatoren (dummy’s) per groep i. Met dit model kunnen aparte dummy-effecten voor elke groep i worden verkregen. De fixed effects hebben betrekking op de combinatie-groepen SBI grootteklasse, oftewel het tijdinvariante gedeelte van het model. Het gebruik van fixed effects voor bedrijfsgrootte en sector helpt bij het controleren voor ongeobserveerde heterogeniteit tussen bedrijven binnen elke categorie die de relatie tussen de afhankelijke variabele en buitenlandse zeggenschap zouden kunnen beïnvloeden. 

Door het toevoegen van jaarlijkse dummyvariabelen (met basisjaar 2013) in plaats van een trendvariabele wordt het mogelijk om rekening te houden met eventuele over de tijd variërende factoren die de afhankelijke variabele in de loop van de tijd zouden kunnen beïnvloeden (maar constant zijn tussen de verschillende groepen). Een voorbeeld hiervan zijn (macro)economische trends. Het model ziet er dan als volgt uit:

\begin{equation}
X_{it}^{rel} = \beta_1 (\text{aandeel btl.zeggenschap}_{it}) + \sum_t \beta_t \text{Jaar}_t + \sum_i \beta_i (\text{SBI2} \cdot \text{grootteklasse})_i + \varepsilon_{it}
\tag{2}
\end{equation}

βtJaar vertegenwoordigt de respectievelijke jaardummy’s. Tabellen B.4 t/m B.6 in de appendix geven ter referentie de fixed effects per groep (SBI en grootteklasse combinatie) weer, welke betrekking hebben op model 1.

Naast het fixed effects model wordt er een tweede regressiemethode gehanteerd welke mogelijk beter past bij het soort dataset in dit onderzoek, namelijk een brede panel dataset met relatief weinig jaartallen. Deze methode wordt de Generalized Method of Moments (GMM) regressie genoemd. ‘Moment conditions’ zijn een essentieel onderdeel van de GMM regressie. Deze techniek maakt namelijk gebruik van deze moment conditions om de coëfficiënten van een model te schatten. In een GMM regressie zijn de moment conditions afgeleid van de populatieverdeling van de gegevens. Het gebruik van een GMM-regressievergelijking kan verschillende voordelen hebben ten opzichte van een gewone lineaire regressie. Ten eerste is een GMM-regressie in staat om te gaan met problemen zoals endogeniteit en selectiebias. Endogeniteit verwijst naar het feit dat sommige onafhankelijke variabelen mogelijk beïnvloed worden door andere variabelen in het model, wat kan leiden tot een vertekening van de resultaten. Selectiebias ontstaat wanneer de steekproef niet willekeurig is samengesteld, wat kan leiden tot vertekeningen in de resultaten. GMM kan deze problemen helpen oplossen door gebruik te maken van instrumentele variabelen (‘moment conditions’) die deze problemen corrigeren. Ten slotte kan GMM nuttig zijn bij het oplossen van problemen met ontbrekende data. Dit komt omdat de moment conditions die worden gebruikt in GMM-regressie robuust zijn voor ontbrekende waarden, wat betekent dat de schattingen van de coëfficiënten nog steeds betrouwbaar zijn, zelfs als sommige waarden ontbreken. Dit is in het bijzonder relevant omdat sommige groepen binnen de dataset voor enkele jaartallen ontbrekende waarden hebben.

De algemene vorm van de GMM-regressievergelijking is:

\begin{equation}
\begin{aligned}
X_{it}^{rel} = \beta_1 X_{it-1}^{rel} + \beta_2 (\text{aandeel btl.zeggenschap}_{it}) \\
\quad + \beta_3 (\text{aandeel btl.zeggenschap}_{it-1}) + \beta_4 (\text{aandeel btl.zeggenschap}_{it-2}) \\
\quad + \beta_5 \text{Jaar}_t + \sum_t \beta_t \text{Jaar}_t + \sum_i \beta_i (\text{SBI2} \cdot \text{grootteklasse})_i + \varepsilon_{it}
\end{aligned}
\tag{3}
\end{equation}

Hierbij is β1 de coëfficiënt van de eerste vertraging (‘lag’) van de afhankelijke variabele. β2, β3 en β4 zijn de coëfficiënten van het aandeel buitenlandse zeggenschap en hun respectieve vertragingen. Er is gekozen voor twee vertragingen in het aandeel buitenlands zeggenschap om veranderingen van enkele jaren geleden door te laten werken op de afhankelijke variabele.

4.2.2 De resultaten

Aan het begin van hoofdstuk 3 werd aangegeven welke drie vragen onderzocht zouden worden in dit onderzoek. Als we vergelijking 1 en 2 gaan modelleren, dan is het stellen van deze drie vragen hetzelfde als het testen van de hypothese, samen met twee verwachtingen die volgens het model zouden moeten kloppen:

• Hypothese: β_2>0 , waarbij er een opwaartse trend geconstateerd kan worden in X_it^rel, oftewel voor Inward R&D, Inward R&D-financieringsstromen en Outward R&D- financieringsstromen, gemiddeld per SBI2 en grootteklasse combinatie (dus als de kenmerken tussen de groepen constant worden gehouden).

Naast de hypothese wordt het volgende verwacht:

• Verwachting 1: β_1>0 , waarbij een toename in het aandeel buitenlandse zeggenschap per SBI2 en grootteklasse combinatie gemiddeld geassocieerd wordt met een toename in X_it^rel, in dit geval enkel de financieringsstromen. Vanwege de datastructuur is het niet mogelijk om deze hypothese te testen voor Inward R&D, zie de vorige paragraaf.
• Verwachting 2: De ‘fixed effects’ tonen aan dat er significante verschillen zijn in de niveaus van X_it^rel tussen de verschillende SBI2 en grootteklasse combinaties.

Zoals gebruikelijk is een t-test gebruikt om vast te stellen met hoeveel zekerheid deze vragen beantwoord kunnen worden. In tabel 4.2.2.1 hieronder worden de resultaten weergegeven van de fixed effects regressies (model 1 en 2) en de bijbehorende t-test, evenals de R2 en F-test voor algehele significantie van de geschatte modellen. De ‘kleine n’ heeft een waarde van 126: dit wil zeggen dat er 126 ‘fixed effects’ groepen in het model zijn bestaande uit een SBI tweede digit en grootteklasse-combinatie. De ‘grote N’ bedraagt 1008 omdat er 8 jaren in de data aanwezig zijn, oftwel 8 maal 126. In totaal kent het model dus 1008 unieke observaties op SBI tweede digit en grootteklasse-niveau. 

De hypothese kan duidelijk niet met zekerheid worden bevestigd. Ten eerste toont de F-test aan dat de specificatie van het model voor Inward R&D zwak is. In model 1 en 2 zien we geen significante coëfficiënten voor Inward R&D en Inward R&D-financieringsstromen voor de tijdstrend, en de individuele dummy variabelen voor de jaartallen zijn ook niet significant. Echter, voor Outward R&D- financieringsstromen zien we dat er een zwak significante trend kan worden aangetoond: gemiddeld genomen tussen alle SBI2 en grootteklasse combinaties nemen per jaar tussen 2013 en 2020 de Outward R&D-financieringsstromen af met 0,2%-punt per jaar. Ook de F-test voor deze schatting is zwak significant. Kijken we echter naar de individuele jaardummy’s, dan zien we dat deze trend niet noodzakelijk robuust is. Opvallend is dat het hier gaat om een negatieve trend; hoewel dit niet in de lijn der verwachtingen is, tonen de figuren uit hoofdstuk 4.1 wel aan dat deze financieringsstroom over het algemeen dalend is (in verhouding tot het bbp) sinds 2016. Specifiek voor deze variabele is er dus licht bewijs dat het tegengestelde van de hypothese waar is. De fixed effects zijn zichtbaar gemaakt per variabele in de tabellen in de appendix (tabel B.4 tot en met B.6, waarbij de waardes betrekking hebben op het basisjaar 2013 en de constante waarde per groep vertegenwoordigen). Te zien is dat de fixed effects voor het grootste deel significant zijn.

Tabel 4.2.2.2 toont de regressieresultaten van het GMM-model uit vergelijking (3). Voor Inward R&D en Inward R&D-financieringsstromen zien we hier geen significante resultaten, ook niet op de lags van de variabelen. De J-test van overidentificatie toont voor deze modelspecificaties ook aan dat er sprake is van teveel instrumenten: het model zou beter gespecificeerd zijn met instrumenten gebaseerd op andere onafhankelijke variabelen die de ontwikkeling in Inward R&D en Inward R&D-financieringsstromen beter kunnen verklaren. Dit vormt echter een beperking op de huidige datamogelijkheden en is momenteel dus niet mogelijk. Op basis van de GMM-schatting kan voor Inward R&D en Inward R&D-financieringsstromen dus verder niks gezegd worden over de hypothese. Echter, de GMM-schatting voor Outward R&D financieringsstromen toont wel relevante resultaten. Volgens de J-test is het model niet overgeïdentificeerd en de F-test voor alle coëfficienten is ook hoog significant. De negatieve trend, in dit model van 0,5%-punt per jaar, is zwak significant en lijkt dus robuust te zijn met de resultaten uit de fixed effects regressie. Daarnaast ziet het ernaar uit dat Outward R&D-financieringsstromen sterk bepaald worden door de waarde van Outward R&D- financieringsstromen uit het vorige jaar (de coëfficiënt op de lag). Dit duidt erop dat er sterke seriecorrelatie aanwezig is in het model wat de Outward R&D financieringsstromen betreft.

Als conclusie kan alleen gesteld worden dat er een licht negatieve trend zichtbaar is in Outward R&D-financieringsstromen tussen 2013 en 2020, en dat deze trend een sterke seriecorrelatie bevat. Dit is het tegenovergestelde van de hypothese, maar uit de analyse van de figuren en algemene trends eerder in dit rapport bleek ook al dat er SBI en grootteklasse combinaties zijn waarin Outward R&D-financieringsstromen flink kunnen dalen in deze periode (mede als gevolg van invloedrijke bedrijven/multinationals). Uitgedrukt in percentage van het bbp daalt deze variabele vanaf 2016 immers ook. In de appendix zijn extra tabellen (B.2 en B.3) opgenomen met regressieresultaten voor Inward R&D waarbij de variabele buitenlandse zeggenschap wel is opgenomen in tegenstelling tot tabel 4.2.2.1 en 4.2.2.2: hier is te zien dat het aandeel buitenlandse zeggenschap inderdaad sterk gecorreleerd is met Inward R&D, omdat de Inward R&D per definitie afkomstig is van bedrijven waarbij de uiteindelijke zeggenschap in het buitenland ligt. Gemiddeld genomen tussen alle SBI2 en grootteklasse combinaties geeft in dit model een stijging in het aandeel buitenlandse zeggenschap van 1%-punt een stijging van 0,36%-punt in het aandeel van Inward R&D van de totale R&D uitgaven. In de GMM-specificatie is dit 0,34%-punt.