Preliminary and incomplete 

 
 
Why Are Developing Countries so Slow in 
Adopting New Technologies?* 
 
 
Raphael Bergoeing  Norman V. Loayza  Facundo Piguillem 
University of Chile  The World Bank  University of Minnesota 
 
January 2009 
 
 
Abstract 
 
We analyze the process of technological innovation from the perspective of developing 
countries.  Specifically,  we  explore  how  developmental  and  regulatory  impediments  to 
the  process  of  resource  reallocation  and  firm  renewal  limit  the  ability  of  developing 
countries  to  adopt  new  technologies.  First,  we  study  how  the  availability  of  personal 
computers  and  incidence  of  internet  usage  ‐‐as  proxies  for  technological  progress‐‐  are 
related  to  regulatory  freedom,  governance,  and  schooling  in  a  large  cross‐section  of 
countries.    We  find  that  these  characteristics  not  only  exert  an  independent  effect  on 
technological innovation but also complement each other in this regard. We then build a 
stochastic general equilibrium model with heterogeneous firms subject to idiosyncratic 
shocks.  Technological  innovation  is  modeled  as  adoption  of  exogenous  productivity 
shocks  requiring  firm  renewal.  Then,  we  analyze  the  independent  impact  of 
developmental and regulatory barriers and the complementarities of their effects on firm 
dynamics and the process of technological adoption. As expected, when the process of 
firm dynamics is undistorted, firms quickly incorporate the advances from shocks to the 
technological  frontier.  However,  when  government‐imposed  regulations  deter  the 
ongoing process of firm destruction and creation, then technological adoption becomes 
sluggish  and  the  economy  fails  to  generate  enough  growth  to  close  the  developed‐
developing gap.  

* We are thankful to Naotaka Sugawara and Rei Odawara for excellent research assistance.  We 
gratefully recognize the financial support of the World Bank’s Knowledge for Change Program.  The 
findings  expressed  in  this  paper  are  entirely  those  of  the  authors.    They  do  not  necessarily 
represent the views of the institutions to which they are affiliated. 

1
 
I. Introduction 
 
One of the most important developments in the world economy in the last three decades 
has been the process of globalization.  From the poorest to the most advanced regions, 
countries are opening up not only to external trade and finance, but also to the flow of 
new  people,  new  policies,  new  ideas,  and  new  technologies.    Few  countries,  however, 
are taking full advantage of the opportunities brought about by globalization.  Indeed, 
there  is  large  diversity  regarding  the  rate  of  adoption  and  adaptation  of  even 
inexpensive  technologies  generated  elsewhere  in  the  world.    This  leads  to  the  central 
question of  this paper: why are some countries so slow in adopting new technologies?  
The answer we propose here focuses on the Schumpeterian process of firm renewal and 
the potential restrictions to its optimal functioning.        
 
Starting  with  the  work  of  Hopenhayn  and  Rogerson  (1993),  Caballero  and  Hammour 
(1994), and Davis, Haltiwanger, and Schuh  (1996), a large body of literature shows the 
key role of firm dynamics in increasing microeconomic productivity and, consequently, 
macroeconomic  growth.    The  entry  and  exit  of  firms,  involving  the  reallocation  of 
resources  from  less  to  more  efficient  firms,  explain  a  substantial  share  of  productivity 
improvements  in  the  economy.    Resource  reallocation,  however,  implies  costly 
adjustment:  It  requires  the  adoption  of  new  technologies  and  the  assimilation  of 
production  inputs  by  expanding  firms,  and  the  shredding  of  labor  and  capital  by 
declining  firms.    Without  this  costly  process,  economies  would  be  unable  to  both  reap 
the  benefits  of  an  expanding  production  possibilities  frontier  ‐‐the  source  of  long‐run 
growth‐‐  and  absorb  and  accommodate  negative  shocks  ‐‐the  antidote  to  protracted 
recessions. 
 
This  paper  studies  how  firm  dynamics  can  serve  as  the  mechanism  through  which 
technological innovation occurs.  If firm renewal is not restrained, domestic enterprises 
are  able  to  incorporate  the  advances  of  a  rising  technological  frontier  made  available 
through, for instance, trade and financial liberalization.  In contrast, if there are obstacles 
to the process of resource reallocation, a countries’ ability to adopt new technologies can 
be  severely  handicapped.    Some  of  these  impediments  are  related  to  the  development 
status of the economy such as lack of human capital and poor governance, both of which 
exacerbate  the  contractual,  financial,  and  adaptation  costs  of  new  technologies  (see 
Caballero and Hammour, 1998; and Acemoglu and Zilibotti, 2001).   
 
Other  impediments,  however,  result  from  government’s  distorting  interventions  in 
private markets, such as excessive labor regulations, subsidies to inefficient sectors and 
firms,  barriers  to  the  establishment  of  new  plants,  and  burdensome  bankruptcy  laws.  
These distortions, and their corresponding misallocation of resources, have been blamed 
for the observed differences in growth experiences across countries.  In their influential 
book,  Parente  and  Prescott  (2000)  argue  that  gaps  in  total  factor  productivity  between 

2
countries are produced as they enact regulatory barriers to the efficient use of available 
technologies.  Bernanke (2005) points out to heavy regulatory burden as the reason why 
Europe  lags  behind  the  U.S.  regarding  productivity  growth.    Likewise,  Nicoletti  and 
Scarpetta (2003) conclude that the presence of government‐owned firms with a degree of 
monopoly  power,  together  with  restrictions  on  the  entry  of  new  firms,  diminishes 
competitive  pressures  that  foster  innovation  and  greater  efficiency  in  the  OECD.    Also 
focusing  on  industrial  countries,  Gust  and  Marquez  (2004)  present  empirical  evidence 
that economies with highly regulated labor and product markets face greater difficulty 
in adopting information technologies and suffer from lower productivity growth. 
 
Our  contribution  in  this  paper  consists  of  analyzing  the  process  of  technological 
innovation from the perspective of developing countries.  For this purpose, we explore 
how  impediments  to  the  process  of  resource  reallocation  and  firm  renewal  limit  the 
ability  of  developing  countries  to  adopt  new  technologies.    In  contrast  to  the  papers 
focused  on  rich  nations,  we  not  only  take  into  account  the  policy‐induced  regulatory 
obstacles  to  firm  dynamics  but  also  the  shortcomings  inherent  to  underdevelopment, 
such  as  poor  education  and  faulty  governance,  which  also  exacerbate  the  costs  of  firm 
renewal.  Moreover, we analyze how these two types of impediments ‐‐developmental 
and  regulatory‐‐  interact  with  each  other  to  affect  firm  dynamics  and,  consequently, 
technological adoption.    
 
The  paper  is  organized  as  follows.    We  first  present  some  motivating  evidence  on  the 
importance  of  developmental  and  regulatory  characteristics  for  the  purpose  of 
technological innovation.  Using the availability of personal computers and incidence of 
internet users as proxies of technological progress in a country, we study how they are 
related  to  regulatory  freedom,  governance,  and  schooling  in  a  large  cross‐section  of 
countries.    We  find  that  these  characteristics  not  only  exert  an  independent  effect  on 
technological innovation but also complement each other in this regard.   
 
To  understand  these  relationships,  we  then  construct  a  stochastic  general  equilibrium 
model with heterogeneous firms.  Firms differ with respect to their level of productivity, 
which is determined by their initial technology and history of idiosyncratic shocks.  Old 
firms tend to become less productive and eventually leave the market.  In doing so, they 
release resources that are then used to form new firms, which acquire the leading‐edge 
technology  and  enter  the  market.    The  technological  frontier  expands  according  to  a 
stochastic and exogenous process.  This intends to capture the way developing countries 
relate  to  technological  advances,  that  is,  as  takers  and  users  rather  than  developers  of 
new  technologies.    Developmental  barriers  ‐‐such  as  poor  education  and  governance‐‐ 
are modeled as a parameter that affects the adjustment cost of investment.  Regulatory 
barriers  are,  in  turn,  modeled  as  either  subsidies  to  inefficient  firms  or  taxes  to  labor.  
Using this framework, we conduct simulation exercises to analyze, first, the independent 
impact  of  each  developmental  and  regulatory  barrier  and,  second,  the 
complementarities  between  the  two.    We  are  particularly  interested  in  their  effect  on 

3
firm  dynamics  and  the  process  of  technological  adoption.    Finally,  we  offer  some 
concluding remarks and policy implications.  
 
 
II. Some Motivating Facts 
 
The  differences  across  countries  regarding  technological  adoption  are  quite  large.  
Studying 115 technologies in 150 countries, Comin, Hobijn, and Rovito (2006) conclude 
that “within a typical technology, the dispersion in the adoption levels across countries 
is  about  5  times  larger  than  the  cross‐country  dispersion  in  income  per  capita.”    What 
explains  these  technological  gaps?  Most  technologies  have  quite  long  gestation  and 
adaptation processes, which makes it hard to identify the causes underlying their cross‐
country  variation.    The  technologies  related  to  the  information  revolution,  however, 
offer an interesting exception:  Only two decades ago, they were practically nonexistent 
almost everywhere; since then, they have been adopted at different rates throughout the 
world.    This  may  allow  us  to  identify  the  effect  of  certain  initial  conditions  on  recent 
adoption levels of these technologies.  
 
Before proceeding to this econometric exercise, let’s consider some stylized facts about 
these  technologies.    To  maximize  data  quality  and  coverage  across  countries,  we  work 
with two indicators:  The number of personal computers per 1,000 people as proxy for 
technological  progress  in  production  and  management  processes;  and  the  number  of 
internet  users  per  1,000  people  as  proxy  for  the  advance  in  telecommunications  and 
information  gathering.    Figure  1  presents  some  regional  comparisons  on  these 
technologies, both in levels as of 2003‐04 and in changes between 2003‐04 and 1994‐96.   
Since these technologies are rather recent, the comparisons based on levels and changes 
are  quite  similar.    The  OECD  far  surpasses  any  developing  region.    The  typical  OECD 
country  has  5  times  more  personal  computers  per  capita  than  the  typical  East  Asian 
developing  country,  10  times  more  than  the  typical  Latin  American  or  Middle  Eastern 
countries,  and  about  50  times  more  than  the  typical  Sub‐Saharan  African  country.  
Regarding internet usage, the gaps are smaller but still considerable.  The typical OECD 
country leads the typical East Asian developing country by 25%, while the other regions 
‐‐Latin  America,  the  Middle  East,  and  specially  Sub‐Saharan  Africa‐‐  lag  much  farther 
behind. 
 
These regional differences are clearly related to income levels, providing some evidence 
on  the  importance  of  the  developmental  barriers  mentioned  above.    What  about 
regulatory  barriers?    Figure  2  shows  some  evidence  that  they  are  also  potentially 
important.  Using the Fraser index, we divide countries in three groups on the basis of 
regulatory  freedom.    For  each  of  them,  we  plot  the  group  average  of  both  personal 
computers  and  internet  users  per  population  for  each  year  in  the  period  1990‐2004.  
Countries in the top quartile of regulatory freedom have much higher levels and speeds 
of adoption of both technology indicators.  Countries in the middle (inter‐quartile) range 

4
of regulatory freedom also experience an increase over time but, having started their rise 
much later, show levels of technology adoption in the mid 2000s that are between one‐
third and one‐half of those in the top quartile.  Finally, countries in the bottom quartile 
of regulatory freedom start the adoption process much later and slowly than the others, 
resulting in enormous technology gaps with respect to the leaders.  
 
The  evidence  presented  above  is  suggestive  that  both  developmental  and  regulatory 
barriers  play  a  role  in  explaining  technological  differences  across  countries.    For  more 
rigorous empirical support, we now turn to cross‐country regression analysis.  This will 
allow  us  to  ascertain  whether  each  proposed  determinant  of  technological  adoption 
exerts  a  statistically  significant  effect,  even  after  controlling  for  the  effects  of  the  other 
determinants.    Moreover,  this  analysis  will  help  us  understand  to  what  extent  the 
proposed  determinants  complement  each  other  regarding  their  effect  on  technological 
adoption.   
 
Table  1  presents  information  and  results  of  the  cross‐country  regression  analysis.    The 
dependent variables are the two indicators of technological innovation, that is, personal 
computers  and  internet  users,  both  normalized  by  population.    The  explanatory 
variables  are  intended  to  capture  the  most  relevant  developmental  and  regulatory 
characteristics ‐‐the first represented by governance and schooling, and the last one, by 
regulatory freedom.1  Specifically, for the quality of public institutions and governance, 
we  use  an  index  based  on  International  Country  Risk  Guide  indicators  on  the  rule  of 
law, bureaucratic quality, and absence of official corruption.  For education and human 
capital, we use the Barro and Lee (2001) measure of average schooling years of the adult 
population.  For  regulatory  stance,  we  use  the  Fraser  Institute  Index  of  Regulatory 
Freedom.  Appendix 1 provides additional information on definitions and sources of the 
three explanatory variables.   
 
The explanatory variables are all measured at the period 1994‐96, while the dependent 
variables  are  measured  at  2003‐04.    We  lag  the  explanatory  variables  sufficiently  to  be 
able to consider them exogenous while still connected to the dependent variables.  The 
resulting  samples  consist  of  83  and  90  countries  for  the  regressions  on  personal 
computers and internet users, respectively.   
 
For  each  dependent  variable,  we  run  three  analogous  regressions.    The  first  estimates 
only linear effects, while the second and third allow for multiplicative interactions.  The 
linear  regression  results  show  that  all  explanatory  variables  carry  positive  and 
statistically  significant  coefficients,  indicating  that  each  of  them  independently  is  a 
relevant  determinant  of  technological  innovation.    More  regulatory  freedom,  better 

1
We make this selection based on the received literature on growth and technological innovation --see De
Soto (1989) and Parente and Prescott (2000) on regulatory freedom; Olson (1982) and Acemoglu, Johnson,
and Robinson (2005) on institutions and governance; and Lucas (1988) and Glaeser et al. (2004) on human
capital and schooling.

5
governance,  and  higher  schooling  all  lead  to  faster  technological  adoption.    Moreover, 
the  results  suggest  that  both  developmental  and  regulatory  barriers  should  be 
considered  in  any  attempt  to  explain  cross‐country  differences  of  technological 
innovation and, in particular, the backwardness suffering some developing countries. 
 
Since  we  are  interested  in  assessing  not  only  the  direct  effects  of  developmental  and 
regulatory  characteristics  but  also  whether  they  complement  each  other,  we  now 
consider  the  regressions  where  the  regulatory  freedom  variable  is  interacted  with,  in 
turn, the governance and schooling variables.  These regressions show a clear and robust 
pattern:    the  coefficients  on  all  the  multiplicative  interactions  for  both  dependent 
variables  are  positive  and  statistically  significant.    That  is,  governance  and  schooling 
complement regulatory freedom, compounding each other’s effect on the availability of 
personal computers and internet usage. 
 
We can use the estimated coefficients to evaluate the effect of an increase in regulatory 
freedom  on  technological  innovation.    For  this  purpose,  we  need  to  consider  the 
coefficients on both the interaction term and regulatory freedom itself.2  Given that the 
total  impact  depends  on  the  values  of  the  variables  with  which  regulatory  freedom  is 
interacted, it is not really informative to provide a single summary measure of the effect.  
Instead, it is best to show how this effect varies with governance and schooling.  We do 
so  in  Figure  3.    Specifically,  the  figure  presents  the  total  effect  on  both  personal 
computers  and  internet  users  of  a  one‐standard‐deviation  change  in  the  regulatory 
freedom  index  for  the  range  of  sample  values  of  either  governance  or  schooling.    In 
addition  to  the  point  estimates,  the  figure  shows  the  corresponding  90%  confidence 
bands (constructed from the estimated variance‐covariance matrix of the corresponding 
parameters).    
 
Figure 3 shows that if governance and schooling are very low, an increase in regulatory 
freedom may be counterproductive, leading to lower levels of technological innovation.  

2
 The regression with interaction terms implies the following formula for the point estimate of the 
total effect of a change of regulatory freedom on either proxy of technological innovation,  
ΔTech = (βREGFREE + βINT DEV) ΔREGFREE 
Where  Tech  represents  either  personal  computers  or  internet  users,  DEV  represents  either 
governance or schooling, REGFREE indicates regulatory freedom, the symbol Δ denotes change, 
and  the  parameters  βREGFREE  and  βINT  are  the  estimated  regression  coefficients  on,  respectively, 
regulatory  freedom  and  the  interaction  between  regulatory  freedom  and  governance  or 
schooling.   
Note that ΔREGFREE is an arbitrary constant, which we set to equal one sample standard 
deviation of the regulatory freedom index, and DEV corresponds to any point in the set of values 
given by the sample range of either governance or schooling.  ΔREGFREE and DEV can thus be 
treated  as  constants.    Then,  variance  of  the  point  estimates  (of  the  effect  of  a  given  change  of 
regulatory freedom on personal computers or internet users) can be obtained as follows,  
Var[ΔTech] = {Var(βREGFREE) + DEV 2 Var(βINT) + 2 DEV  Cov (βREGFREE, βINT)} {ΔREGFREE}2 
Using this variance, we construct the confidence intervals shown in Figure 3.

6
Only countries that are sufficiently advanced in governance, institutions, schooling and 
human capital can take advantage of larger regulatory freedom to speed up the process 
of technological adoption.  Considering the samples in our study, between 60% and 95% 
of  countries  in  the  world  are  in  a  position  to  benefit  from  regulatory  freedom  (the 
percentages  depending  on  the  proxies  for  technological  adoption  and  developmental 
characteristics  under  consideration).    The  rest  would  require  improving  their 
government  institutions  and  population  education  as  they  encourage  larger  regulatory 
freedom.    What  explains  this  pattern  of  complementarity  between  regulatory  and 
developmental characteristics to achieve technological innovation?  The mechanism we 
propose in this paper is based on the incentives and costs of firm renewal.  We develop 
this mechanism in our model, to which we turn now.  
 
 
III. A model 
 
We  use  a  general  equilibrium  model  with  heterogeneous  plants,  vintage  capital,  and 
idiosyncratic  shocks,  as  in  Bergoeing,  Loayza  and  Repetto  (2004),  and  based  on 
Hopenhayn  (1992)  and  Campbell  (1998).  We  assume  that  there  exists  a  distribution  of 
plants characterized by different levels of productivity. In each period, plant managers 
decide whether to exit or to stay in business. If a plant stays, the manager has to decide 
how much labor to hire. If the plant exits, it is worth a sell‐off value. New technologies 
are  developed  every  period.  Plants  face  two  types  of  shocks:  an  idiosyncratic  shock  to 
productivity and a shock to the leading edge production process. 
 
In  this  context,  the  economy  is  characterized  by  an  ongoing  process  of  firm  entry  and 
exit, and job creation and destruction. Plants may decide whether to exit in order to gain 
access  to  the  leading  edge  technology  ‐Schumpeter’s  process  of  creative  destruction‐, 
although  at  the  cost  of  receiving  a  scrap  value  for  its  capital.  These  investment 
irreversibilities,  as  modeled  by  Caballero  and  Engel  (1999),  together  with  idiosyncratic 
uncertainty, generate an equilibrium with plants rationally delaying exit decisions. Also, 
plants may decide whether to exit forever if the economic prospects loom negative. 
 
Within  this  setting,  firms  can  become  more  productive  over  time  for  two  reasons: 
because they are exposed to better methods of production or because they thrive while 
others disappear. 
 
Finally,  we  allow  for  government  policies  and  other  general  distortions.  In  particular, 
output  and  investment  taxes,  labor  market  policies,  and  entry  costs  can  be  studied.  In 
what follows we consider a specific policy, a subsidy to incumbent firms, to illustrate the 
role of distortions in our model economy. 
 
A. Consumer´s problem 
 

7
There  is  a  representative  consumer  that  lives  forever  and  orders  consumption  and 
leisure  in  every  period  according  to  log ( Ct ) + κ (1 − N t ) .  At  the  beginning  of  the  period 
the consumer sells her portfolio of plants (at the price  q t0 (θ t ) ) and supplies labor to the 
firm. At the end of the period she consumes, buys productive plants (at the price  q t1 (θ t ) ) 
and  new  plants  (at  the  price  q t1i ).  Between  periods  both,  productive  and  new  plants 
receive an idiosyncratic shock. That is, the consumer solves 
 
⎡∞ ⎤
max E 0 ⎢∑ β t [log (C t ) + κ (1 − N t )]⎥  
⎣ t =0 ⎦
subject to 
 
∞ ∞
C t + I tc q t1i + ∫ q t1 (θ t )k t1 (θ t )dθ t = ω t N t + ∫ q t0 (θ t )k t0 (θ t )dθ t  
−∞ −∞

 
1 ⎛ θ t +1 − θ t ⎞ 1 1 ⎛ θ t +1 − z t
∞
⎞
k t0+1 (θ t +1 ) = ∫ σ φ ⎜⎝ ⎟k t (θ t )dθ t + I tc φ⎜ ⎟⎟  
−∞
σ ⎠ σ z ⎜⎝ σ z ⎠
 
B. Firm´s problem 
 
At the beginning of the period the firm buys plants from the consumer ( k t0 (θ t ) ), hires 
labor  ( N t )  and  allocates  labor  among  plants  ( n t (θ t ) ).  During  the  period  the  firm 
produces, and capital depreciation takes place. At the end of the period the firm decides 
which plants to scrap ( θ t ) and which plants to keep operational. If a plant is scraped, a 
proportion  s  <  1  of  capital  goods  is  lost.  On  the  other  hand,  if  the  plan  is  kept 
operational,  it  is  sold  to  the  consumer  at  the  price  ( q t1 (θ t ) ).  Finally,  the  firm  sells  the 
final output and the goods recovered from scraped plants to the consumer,  C t , and to 
the investment firm,  I t . Thus, the firm solves 
 
⎧⎪ ∞ θt ∞
Max ⎨∫ t t
k 0
(θ ) e θ t 1−α α
n (θ ) d θ + ( 1 − δ ) s k 0
(
∫−∞ t t t
θ ) d θ + (1 − δ ) ∫θ qt (θt ) kt (θt ) dθt
1 0

{nt (θt ),kt (θt ),θt } ⎪⎩ −∞

0 t t t
t  
∞ ∞
⎫
− ∫ qt0 (θ t ) kt0 (θ t ) dθ t − wt ∫ nt (θ t ) kt0 (θ t ) dθ t ⎬
−∞ −∞ ⎭
∞
where  k t0 (θ t )e ntα (θ t )dθ t = C t + I t  
θ t 1−α
∫
−∞
is the total output in the economy. 
 
 
Technology updating 

8
 
Suppose now that the firm can update each plant’s technology after buying it and before 
the  labor  allocation  and  selling  decisions  are  made.  Let  the  function  γ (θ t )   be  the 
increase in productivity over  θ t  that the firm chooses for each plant with technology  θ t   
and  let  c(θ , γ (θ ), z )   be  the  cost  function  of  technology  investment.  Assume  that 
c(θ , γ (θ ), z )   is  strictly  increasing,  differentiable,  strictly  convex  and  that  c(θ ,0, z ) = 0 . 
Now the firm solves 
 
θt + γ (θ t )
⎧⎪ ∞ ⎡θ +γ (θ )⎤
⎨∫ t ( t)
θ t t ( t)
θ θ ( ) ∫ kt0 (θt ) dθ t +
δ
t ⎦1−α α
Max0 e ⎣ t
n − w n d + 1 − s
{ t t t t t t } ⎪⎩ −∞
t
γ (θ ) , n (θ ) , k (θ ) ,θ
−∞

∞ ∞ ∞
⎫
(1 − δ ) ∫ qt1 (θ t + γ (θ t ) ) kt0 (θ t ) dθ t − ∫ c (θ , γ (θ ) , zt ) kt0 (θ t ) dθ t − ∫ q (θ ) k (θ ) dθ ⎬⎭
0
t t t
0
t t
θ t + γ (θt ) −∞ −∞

 
 
C. Investment sector and market clearing 
 
In addition to the final output firm there exists an investment firm that transforms the 
aggregate  good  into  productive  plants  at  zero  cost.  To  construct  a  new  plant  an 
investment firm requires one unit of aggregate good; that once constructed, it is sold to 
the  consumer  at  the  price  q t1i .  Since  the  transformation  technology  exhibits  constant 
returns to scale, the zero profit conditions implies  q t1i = 1 . 
Finally, market clearing implies that the amount or resources devoted to investment by 
the investment firm,  I t , has to be equal to the investment undertaken by the consumer, 
I tc . 
 
In addition, consumption and investment exhaust the total resources in the economy, 
total output and scraped capital. That is 
 
 
∞ θt

∫ k (θ )e n t (θ t )dθ t + (1 − δ ) ∫ k t0 (θ t )dθ t = K t N tα + S t  
θ t 1−α α 1−α
Ct + I t
C
= t
0
t
−∞ −∞
∞

∫ k (θ )e dθ
θ
where K t = t
0
t
t
t  
−∞
 
and 
 
θt

S t = (1 − δ ) ∫ k t0 (θ t )dθ t  
−∞
 

9
If we allow for technology updating there is an additional investment that must be 
consider in the aggregate market clearing condition.  
 
∞
Let  I tT = ∫ c(θ , γ (θ ), z )k (θ )dθ
0
t t t t t , 
−∞
  
then the new market clearing condition is 
 
1−α
C t + I tC + I tT = K t N tα + S t = Yt + S t  
 
 
Definition of the equilibrium: For any fiscal policy  {Tt ,τ te ,τ tw ,τ ts } , a Competitive 
∞

t =0

Equilibrium  is  a  set  of  contingent  plans  {ct , I , I , St , Yt , N t , K t } ,  and  contingent 

c u ∞

t =0 t t

{ }∞
prices  ωt, qt1, qt0, qt1i t =0  of labor, plants at the beginning of the period, plants at 
the  end  of  the  period,  and  construction  projects,  and  a  vector  {θ t }t∞=0   such  that, 
given contingent prices, production and government stochastic processes {zt, θt, τ 
t}, at each period t: 

1) The representative consumer solves 
⎧ ⎡∞ ⎤⎫
max0 ⎨ E0 ⎢ ∑ log ( ct ) + κ (1 − nt ) ⎥ ⎬  
{ct , nt , kt (θ ), kt (θ ), Itc }
⎩ ⎣ t =0 ⎦⎭
1

 
∞ ∞
ct + I tc qt1i + (1 − τ te ) ∫ qt1 (θt )kt1 (θt ) dθ = (1 − τ tw )ωt nt + ∫ q (θ )k (θ ) dθ − T  
0
t t t
0
t t
−∞ −∞

 
∞ 1 ⎛ θt +1 − θt ⎞ 1 ⎛θ − z ⎞ c
kt0+1(θt +1 ) = ∫ φ ⎜⎜ ⎟⎟kt (θt )dθt + φ ⎜ t +1 t ⎟I  
⎜ σ ⎟ t
−∞ σθ ⎝ σθ ⎠ ⎝ ⎠
 
2) The producer of the consumption good satisfies 
nt (θ ) = N tα eθt / K t  
 
1−α
⎛ Kt ⎞
ωt = α A ⎜ ⎟  
⎜ Nt ⎟
⎝ ⎠
 
( )
q θ t + γ (θ t ) = s (1 − τ ts )  
1
t

10
  
−α
⎛ Kt ⎞
qt0 (θ t ) = (1 − α ) ⎜
⎜ Nt
⎟
⎟ { } { }
eθt + (1 − δ ) ⎡1 θ t < θ t s (1 − τ ts ) + 1 θ t > θ t qt1 (θ t ) ⎤ − c(θ t , γ (θ t ), zt )  
⎣ ⎦
⎝ ⎠
 
−α
⎛ Kt ⎞ ⎡ ∂qt1 (θ t + γ (θ t ) ) ⎤ ∂c(θt , γ (θ t ), zt )
(1 − α ) ⎜⎜
N
⎟
⎟ { }
eθt +γ (θt ) + (1 − δ ) ⎢1 θ t < θ t 0 + 1 θ t > θ t { ∂γ (θt )
} ⎥=
∂γ (θ t )
 
⎝ t ⎠ ⎣ ⎦
 
∞
I tu = ∫ c(θ , γ (θ ), z )k (θ ) dθ  
0
t t t t t
−∞

3) The intermediary satisfies 
 
I ti = q1t i I tc  
4) The government satisfies 
 
∞ θt
τ te ∫ qt1 (θt )kt1 (θt ) dθ + τ twωt Nt + τ ts ∫ skt1 (θ ) dθ = Tt  
−∞ −∞

5) The market clearing restriction is satisfied 
 
ct + I t + I t = Yt + St  
c u

 
Calibration 
 
Most  parameter  values  used  in  the simulations  are  standard  for  the  literature.  In what 
follows  time  will  be  measure  in  years,  therefore  we  will  use  a  discount  factor  of  0.95, 
consistent  with  a  net  real  interest  rate  of  5%  yearly.  Depreciation  rate  is  set  at  δ=0.06. 
Most  estimations  on  the  literature  fluctuate  around  this  value.  The  share  of  labor 
incomes  to  GDP,  α,  used  in  the  following  simulations  is  0.7.  There  has  been  certain 
disagreement  about  the  right  value  for  this  parameter,  especially  when  analyzing 
developing  countries,  where  National  Accounts  Calculations  seem  to  be  lower.  
However,  this  problem  we  follow  Gollin  (2002)  and  assign  this  differences  to 
measurement problems. 
 
To solve for the numerical equilibria we use a three‐step strategy. First, we compute the 
non‐stochastic  steady  state  values  for  the  model  variables.  Second,  we  linearize  the 
system  of  equations  that  characterize  the  solution  around  the  long‐run  values  of  the 
variables.  Third,  we  apply  the  method  of  undetermined  coefficients  described  in 
Christiano (1998). To solve the model we scale the variables by the long‐run growth rate 
such that they converge to a steady state. Then, a mapping takes the solution from the 
scaled objects solved for in the computations to the unscaled objects of interest.  
 

11
Simulations 
 
Figure 1. 
5.0

4.5

4.0
% deviation respect to old SS

3.5

3.0

Entry tax
2.5
Eficient
2.0
Labor Subsidy
1.5 Exit tax

New steady state

1.0
Entry and Exit tax
0.5

0.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Years
 
Figure  1  shows  the  impulse  response  of  output  to  a  shock  of  10%  to  the  leading 
technology  under  different  policies.  All  changes  are  detrended,  thus  each  curve  shows 
the transition from the original steady state (which is different for each kind of policy) to 
the new one. Therefore, we are measuring the rate of technology absorption as the time 
that  it  takes  to  the  economy  to  reach  a  new  steady  state.  Notice  that  the  magnitude 
(proportional to the original steady state) of the final jump in each economy is the same; 
the main differences are in the time that it takes to reach the new steady state and the 
speed at which this happens. 
 
 
Since  Figure  1  can  be  misleading  as  to  the  extent  in  which  the  distortions  affect  the 
economy because in any case sooner or later the permanent (proportional) increase is the 
same.  In  order  to  shed  light  on  this  issue  we  perform  a  different  exercise.  Instead  of 
considering different initial steady states (due to different initial distortions), we perturb 
the  efficient  economy  (i.e.,  without  distortions)  not  only  with  the  leading  technology 
shock but also with a simultaneous shock on each of the policies consider on Figure 1. 
The  magnitudes  of  the  shocks  are  half  of  the  assumed  above.  Now  since  the  original 
steady  state  is  the  same  in  every  case  the  comparisons  regarding  steady  states  are 
meaningful. 
 
 

12
 Figure 2. (change figure to make red line positive!!) 

5.0
Eficient
Entry tax
4.0
Labor tax
Exit Tax
% deviation respect to initial SS

3.0

2.0

1.0

0.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

-1.0

-2.0
Years
 
Figure 3 attacks the complementarities issue. Now, each line is the impulse response (the 
same  as  in  figure  1)  to  a  shock  of  10%  to  the  leading  edge  technology  with  the  same 
entry tax (set at 10%) but with different scrap values of capital. 
 

13
 Figure 3 

Fix te=10%, adoption for diferent S

4.0
% deviation respec to original SS

3.0

2.0
S=0.9
S=0.86
S=0.91
1.0
S=0.77

0.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

-1.0
years
 
 

14
Figure  4  is  similar  to  Figure  3.  Now,  each  line  is  the  impulse  response  (the  same  as  in 
figure  1)  to  a  shock  of  10%  to  the  leading  edge  technology  with  the  same  exit  tax 
(development barriers, set at 10%) but with different entry taxes. 
 
Figure 4 

Fix S=0.81, adoption for diferent Te

4.5

3.5
% deviation respec to original SS

Te=0.0
2.5 Te=0.05
Te=0.10

1.5 Te=0.15
Te=0.17

0.5

-0.5 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

-1.5

-2.5
years

15
 Figure 5 

Fix te=15%, GDP for different S

12.0

10.0
% deviation respec to original SS

8.0
S=0.90
S=0.86
6.0
S=0.81
S=0.79

4.0

2.0

0.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
years
 
 
Figure 5 is simulation 4 proposed by Norman, each line assumes a different steady state 
value  of  S  and  the  same  entry  tax  set  at  15%.  Then,  the  economy  is  perturbed  with  a 
leading  edge  technology  shock  of  10%  and  simultaneously  the  entry  tax  is  reduced  to 
10%. 

16
  
Exercise: shock of 10% on leading edge technology. Then compare different economies
with different steady state distortions. Efficient economy has no taxes. Other economies
have no taxes except by one. All taxes are 10%. Example, Entry tax means all taxes zeros
except by entry tax that is 10%.

Interpretation: each number is the percentage of the total jump that happens in that year.
For example, is after a shock the steady state of the economy jumps 5% and in the first
year the GDP jumps only 0.5%. Then 10% of the jump happens in period 1. Going
further, if for the second year the economy is already 2.5% above the pre-shock situation,
then 50% of the jump happens in the first two years, and so on. Those are the numbers is
the table bellow

Percentage of total gain in output by year t

Year Efficient Entry tax Exit tax Entry and Exit
1 11.50 11.42 11.42 11.35
2 65.68 39.64 55.58 19.59
3 86.01 68.27 79.07 54.70
4 94.22 81.68 89.29 72.12
5 97.30 88.21 93.72 81.29
6 98.73 92.08 96.10 87.02
7 99.49 94.59 97.55 90.87
8 99.87 96.25 98.44 93.51
9 100.04 97.37 98.98 95.34
10 100.10 98.11 99.31 96.60

Next table is like the one above (shock on z of 10% and the same interpretation) but now
there are two distortions at the same time. The entry tax is set at 10%, then we see what
happens when there are different development barriers (s).

Percentage of total gain in output by year t

Year S=0.9 S=0.86 S=0.81 S=0.77
1 27.26 16.10 2.37 -14.97
2 70.26 63.05 54.22 43.16
3 81.47 76.30 69.98 62.07
4 86.95 83.14 78.50 72.71
5 90.79 87.98 84.56 80.29
6 93.51 91.43 88.90 85.75
7 95.39 93.85 91.97 89.64
8 96.69 95.54 94.15 92.41
9 97.58 96.73 95.69 94.40
10 98.21 97.57 96.80 95.83

17
Same as the last (shock on z of 10% and the same interpretation) but now we set s=0.81
(10% below the efficient) and we see what happens when there are different entry taxes.

Percentage of the jump in year t

year 0% 5.00% 10% 15%
1 45.49 28.14 2.37 -40.01
2 82.00 70.77 54.22 27.37
3 89.92 81.83 69.98 50.85
4 93.16 87.21 78.50 64.51
5 95.38 90.98 84.56 74.27
6 96.90 93.65 88.90 81.31
7 97.91 95.49 91.97 86.35
8 98.56 96.76 94.15 89.97
9 98.98 97.64 95.69 92.58
10 99.25 98.25 96.80 94.47

The last exercise is explained in figure 5 that I sent before. Simulation 4 proposed by
Norman, each case assumes a different steady state value of S and the same entry tax set
at 15%. Then, the economy is perturbed with a leading edge technology shock of 10%
and simultaneously the entry tax is reduced to 10%.

Percentage of the jump in year t

year S=0.9 S=0.86 S=0.81 S=0.79
1 32.99 26.84 20.24 17.45
2 71.66 66.81 61.72 59.60
3 83.58 79.96 76.18 74.63
4 88.94 86.27 83.49 82.36
5 92.18 90.21 88.17 87.33
6 94.33 92.87 91.36 90.74
7 95.80 94.72 93.60 93.14
8 96.85 96.04 95.22 94.88
9 97.61 97.01 96.40 96.15
10 98.19 97.74 97.28 97.10

18
 
Table 1. Technological innovation 
Method of estimation: Ordinary Least Squares with Robust Standard Errors 

Personal Computers Internet Users

(per 1,000 people) (per 1,000 people)

Regulatory Freedom 25.48* -132.01** -67.26** 26.44** -77.05** -12.42

(index of Credit, Labor and Business [1.97] [3.09] [2.25] [2.06] [2.66] [0.51]
Regulation, by The Fraser Institute: higher,
less regulated; country average)

Governance 110.07** -138.22* 102.11** 83.02** -73.24 81.66**

(simple average of ICRG Law and Order, [7.39] [1.74] [6.86] [5.04] [1.59] [5.02]
Bureaucracy Quality and Corruption indices:
higher, better governance; country average)

Schooling 28.96** 33.94** -41.49 26.08** 28.53** -4.41

(average schooling years in the population aged [3.66] [4.70] [1.42] [3.07] [3.61] [0.21]
15 and over, from Barro and Lee (2001);
country average)

Regulatory Freedom * Governance 39.85** 26.20**

[3.27] [3.44]

Regulatory Freedom * Schooling 12.67** 5.41*

[2.56] [1.68]

No. of observations 83 83 83 90 90 90
R-squared 0.78 0.82 0.81 0.75 0.77 0.75
 
Notes: 
1.  t‐statistics are presented below the corresponding coefficients. * and ** denote significance at 
the 10 percent and 5 percent levels, respectively. Constant terms are included but not reported. 
2. Dependent variables are measured as average of the period 2003‐04. Explanatory variables are 
measured as of mid 1990s. 
3. Data on dependent variables are from World Development Indicators and on explanatory 
variables, as indicated below each variable. 
 
 
 
 
 
 
 
 
 
 
 

19
 
 
Figure 1. Technological Innovation per World Region 
 
 
Personal Computers (per 1,000 people)  Internet Users (per 1,000 people) 
500

500
Level Change Level Change

300

400
400

400

300
200
300

300

200
200

200
100

100
100

100
0

0
LAC SSA MNA EA OEC LAC SSA MNA EA OEC LAC SSA MNA EA OEC LAC SSA MNA EA OEC

 
Notes: 
1. LAC: Latin America and the Caribbean; SSA: Sub‐Saharan Africa; MNA: Middle East and 
North Africa; EA: ASEAN+2 (South Korea and China) excluding LICs; OEC: OECD. 
2. Median value of each country group.   
3. Level indicates an average of 2003‐2004 by country, and change means the difference 
between the periods 2003‐2004 and 1994‐1996.   
4. Data on Personal Computers and Internet Users are from World Development Indicators. 
 

20
 
Figure 2.  Technological Innovation and Regulatory Freedom 
Personal Computers by Level of Regulatory Freedom 
450
400
350
Personal Computers
(per 1,000 people)

300
250
200
150
100
50
0
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004

>75pc 25-75pc <25pc

 
 
Internet Users by Level of Regulatory Freedom 
450

400

350

300
(per 1,000 people)
Internet Users

250

200

150

100

50

0
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004

>75pc 25-75pc <25pc

 
 
Notes:  
1. Lines shown represent average per group (top quarter, inter‐quartile range, bottom quarter) 
according to Regulatory Freedom as of mid 1990s. 
2. Data on Personal Computers and Internet Users are from World Development Indicators. Data 
on Regulatory Freedom are from the Fraser Institute. 

21
 
 
Figure 3: Innovation Effect of an Increase in Regulatory Freedom as Function 
of Governance and Schooling 
 
 
Personal Computers 
120 90
Change in Pers. Computers

Change in Pers. Computers

80 60
(per 1,000 people)

(per 1,000 people)

40 30

0 0
2 2.5 3 3.5 4 4.5 5 5.5 2.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5 10.5 11.5
-40 -30

-80 -60
Governance (ICRG index) Schooling (average years)

 
Internet Users 
120 90
Change in Internet Users

80 60
Change in Internet users
(per 1,000 people)

(per 1,000 people)

40 30

0 0
2 2.5 3 3.5 4 4.5 5 5.5 2.3 3.3 4.3 5.3 6.3 7.3 8.3 9.3 10.3
-40 -30

-80 -60
Governance (ICRG index) Schooling (average years)

 
Notes: 
1. The solid lines show the effect of a one‐standard‐deviation increase in the index of regulatory 
freedom on personal computers and internet users, respectively. 
2. The x axis represents the .05‐.95 percentile range of, respectively, governance and schooling in 
the sample. 
3. Dotted lines are 90% confidence bands. 
 

22
References 
 
Acemoglu, D. and F. Zilibotti (2001). “Productivity Differences.” The Quarterly Journal of 
Economics, 116(2): 563‐606. 
 
Acemoglu, Daron, S. Johnson, and J. Robinson (2005). “Institutions as the Fundamental 
Cause of Long‐Run Growth.” In Handbook of Economic Growth, ed. Philippe Aghion and 
Stephen Durlauf, 385‐472. Amsterdam: North Holland. 
 
Barro,  R.,  and  J.‐W.  Lee  (2001).  “International  data  on  educational  attainment:  updates 
and implications.” Oxford Economic Papers, 3: 541‐63. 
 
Bergoeing,  R.,  N.  Loayza  and  A.  Repetto  (2004).    “Slow  Recoveries.”    Journal  of 
Development Economics, 75, 473‐506. 
 
Bernanke,  B.  (2005).  “Productivity.”  Remarks  at  the  C.  Peter  McColough  Roundtable 
Series on International Economics.  
 
Caballero,  R.  and  E.  Engel  (1999).  “Explaining  Investment  Dynamics  in  U.S. 
Manufacturing: A Generalized (S, s) Approach.”  Econometrica, 67, 783‐826. 
 
Caballero, R. and M. Hammour (1994).  “The Cleansing Effect of Recessions.”  American 
Economic Review, 84(5), 1350‐1368. 
 
Caballero, R. and M. Hammour (1998).  “The Macroeconomics of Specificity.” Journal of 
Political Economy, 106(4), 724‐767. 
 
Campbell, J. (1998). “Entry, Exit, Embodied Technology, and Business Cycles.” Review of 
Economic Dynamics, 1, 371‐408.  
 
Comin, Diego, Bart Hobijn, and Emilie Rovito  (2006).  “Five Facts You Need to Know 
About Technology Diffusion.”  NBER Working Paper No. W11928. 
 
Davis,  S.  J.  and  J.  Haltiwanger  (1992).  “Gross  Job  Creation,  Gross  Job  Destruction,  and 
Employment Reallocation.”  Quarterly Journal of Economics, 107, 819‐863  
 
Davis, S. J., J. Haltiwanger, and S. Schuh (1996).  Job Creation and Destruction. Cambridge, 
MA: The MIT Press. 
 
De Soto, H. (1989). The Other Path: The Invisible Revolution in the Third World. New York: 
HarperCollins. 
 
Easterly, W. (2001).  The Elusive Quest for Growth, MIT Press. 

23
 
Glaeser,  E.,  R.  La  Porta,  F.  Lopez‐de‐Silanes,  and  A.  Shleifer  (2004).  “Do  Institutions 
Cause Growth?” Journal of Economic Growth, 9(3): 271‐303. 
 
Gollin (2002), JPE. 
 
Gust,  C.,  and  J.  Marquez  (2004).  “International  Comparisons  of  Productivity  Growth: 
The Role of Information Technology and Regulatory Practices.”  Labour Economics, 5, 33‐
58. 
 
Gwartney, J., and R. Lawson (2006). Economic Freedom of the World: 2006 Annual Report. 
Vancouver: The Fraser Institute. www.freetheworld.com. 
 
Hopenhayn,  H.  (1992).  “Entry,  Exit,  and  Firm  Dynamics  in  Long  Run  Equilibrium,” 
Econometrica, 60, 1127‐1150. 
 
Hopenhayn, Hugo, and Richard Rogerson (1993). “Job Turnover and Policy Evaluation: 
A General Equilibrium Analysis,” Journal of Political Economy, 101(5), 915‐38. 
 
Jovanovic, B. (1982). “Selection and the Evolution of Industry,” Econometrica, 50, 649‐670. 
 
Lucas,  R.  (1988).  “On  the  Mechanics  of  Economic  Development.”  Journal  of  Monetary 
Economics, 22(1): 3‐42. 
 
Nicoletti,  G.,  and  S.  Scarpetta  (2003).  “Regulation,  Productivity,  and  Growth:  OECD 
Evidence,’” OECD Economics Department Working Paper No. 347. 
 
Olson, M. (1982).  The Rise and Decline of Nations. New Haven: Yale University Press. 
 
Parente, S., and E. Prescott (2000).  Barriers to Riches. Cambridge: MIT Press. 

24
  
Appendix 1. Definitions and sources of explanatory variables 
 
Variable Definition and Construction Source

Regulatory Freedom An index ranging 0 to 10 with higher values indicating less regulated. It is  Gwartney and Lawson 

a comprehensive index that captures three areas of regulatory restraints:  (2006), The Fraser 
(i) Domestic credit market; (ii) Labor market; and (iii) Business activities.  Institute. Data retrieved 
Each area also has five sub‐components. The area of credit market is  from 
composed of (a) Ownership of banks; (b) Competition; (c) Extension of  www.freetheworld.com.
credit; (d) Avoidance of interest rate controls and regulations that lead to 
negative real interest rates; and (e) Interest rate controls. The measure of 
labor market regulations is based on (a) Impact of minimum wages; (b) 
Hiring and firing practices; (c) Share of labor force whose wages are set 
by centralized collective bargaining; (d) Unemployment Benefits; and (e) 
Use of conscripts to obtain military personnel. Regulation of business 
activities is composed of following indicators: (a) Price controls; (b) 
Administrative Conditions/Entry of New Business; (c) Time with 
government bureaucracy; (d) Starting a new business; and (e) Irregular 
payments. A score of 1995 by country is used.

Governance An index ranging 0 to 5.5 with higher values indicating better  ICRG. Data retrieved from 

governance. It is a simple average of Law and Order (6 points),  www.icrgonline.com.
Bureaucracy Quality (4 points) and Corruption (6 points) indices. Law 
and Order are assessed separately, with each sub‐component comprising 
0 to 3 points. Assessment of Law focuses on the legal system, while Order 
is rated by popular observance of the law. The rating of Bureaucracy 
Quality is based on the strength and established mechanism of the 
bureaucracy to govern without drastic changes in policy and to be 
autonomous from political pressure. Corruption covers a wide range of 
forms of corruption in the political system, from bribes to excessive 
patronage, nepotism and secret party funding. An average of 1994‐1996 
by country is used.

Schooling Average schooling years in the population aged 15 and over. A score of  Barro and Lee (2001).

1995 by country is used.

25