Większość opracowań dotyczących pomiaru gospodarek opartych na wiedzy dotyczy szczebla krajowego, na którym poszczególne państwa są porównywane w ujęciu międzynarodowym i globalnym. Analizy regionalne są prowadzone znacznie rzadziej. Jest to spowodowane trudnością w gromadzeniu i porównywalności danych. Ten problem pojawia się już podczas badań krajowych, a w przypadku analiz regionalnych w ujęciu międzynarodowym jest jeszcze bardziej nasilony.
Komisja Europejska prezentuje w tym zakresie tablicę wyników innowacyjności regionów (Regional Innovation Scoreboard – RIS). Analizy te są kontynuacją badań zamieszczonych w tablicy badań Unii i innowacji (omówionych w poprzednim podrozdziale), która stanowi punkt odniesienia dla innowacyjności na poziomie państw członkowskich. Najbardziej aktualne zestawienie w regionalnej tablicy innowacyjności zostało opublikowane w roku 2014. Stanowi ono ocenę porównawczą osiągnięć w zakresie innowacji w 190 regionach. Analizie poddano wszystkie regiony państw UE, ale także dwóch państw spoza Unii, tj. Norwegii oraz Szwajcarii. Wyliczenie regionalnego sumarycznego wskaźnika innowacyjności (SII) odbywało się w oparciu o 11 wskaźników innowacyjności. Przy analizach krajowych tych wskaźników było znacznie więcej, bo aż 25.84
Analogicznie jak w przypadku tablicy zawierającej wyniki badań Unii i innowacji, regiony Europy podzielono na cztery grupy: regionalni liderzy innowacyjności (grupę tę tworzyły 34 regiony), regiony doganiające liderów (57 regionów), regionalni umiarkowani innowatorzy (jest to najliczniejsza grupa i tworzyło ją 68 regionów), regionalni innowatorzy o skromnych wynikach (była to najmniej liczna grupa – 31 regionów).
Regiony, które osiągnęły najwyższe wskaźniki innowacyjności pokrywały się z wysokimi wynikami dla poszczególnych krajów. Większość regionalnych liderów innowacyjności oraz regionów doganiających liderów znajdowało się w krajach sklasyfikowanych, jako liderzy innowacyjności oraz krajach doganiających liderów. W niektórych państwach można było zaobserwować różnicę między poziomem wskaźników wyliczonych dla poszczególnych regionów. Wizualizacja wyników została zaprezentowana na mapie (zob. rysunek 2.7).
84 European Commission, 2014, Regional Innovation Scoreboard 2014, Enterprise and Industry, Belgia, s. 4-5.
Rysunek 2.7. Mapa innowacyjności regionów w Europie według RIS
Źródło: opracowanie własne na podstawie: European Commission, 2014, Regional Innovation …, s. 4.
Spośród analizowanych państw, w 14 wyznaczono regiony należące do dwóch różnych grup innowacyjności, a w czterech, tj. we Francji, w Portugalii, Słowacji i Hiszpanii regiony zostały przypisane aż do trzech różnych grup innowacyjności. Można zatem stwierdzić, że te 4 kraje posiadały największe międzyregionalne dysproporcje rozwojowe, dotyczące aspektów innowacyjności. Wśród najbardziej podobnych państw znalazły się: Austria, Belgia, Bułgaria, Czechy, Grecja i Szwajcaria. Wszystkie regiony
w tych krajach sklasyfikowano do tej samej grupy pod względem wszystkich wyników. Dwadzieścia siedem regionów UE, które zostały sklasyfikowane, jako liderzy znajdują się w obrębie 8 państw członkowskich, tj. Danii, Finlandii, Francji, Irlandii, Holandii, Niemczech, Szwecji i Wielkiej Brytanii. Świadczy to o tym, że doskonałość w zakresie innowacji była skupiona w stosunkowo niewielu obszarach w Europie.
Rysunek 2.8. Tempo zmian indeksu SII wśród regionów w Europie według RIS
Powyższa mapa (rysunek 2.8) odnosi się do okresu od 2004 do 2010 roku. Analizując tempo zmian należy podkreślić, że na przestrzeni tych lat w większości regionów z upływem czasu poziom innowacyjności wzrastał. W przypadku ponad połowy badanych obszarów (dokładnie 106) poziom innowacyjności wzrósł powyżej średniej dla Unii Europejskiej. W 35 regionach, które leżą w obrębie 15 państw zanotowano spadki wartości analizowanych wskaźników. Sytuacja Polski odróżnia się od pozostałych państw. W trzech województwach zanotowano niewielkie wzrosty i w trzech wzrosty te były większe niż 2,5%. Aż w 10 województwach zanotowano spadki wartości indeksów. Niestety w żadnym z krajów objętych badaniem nie zanotowano tak negatywnych wyników, nawet w innych państwach Europy Wschodniej.
Aspekty regionalne gospodarki opartej na wiedzy w Polsce
Bardzo interesujące wyniki badań, przeprowadzonych przez Z. Chojnicki i T. Czyż, prezentowane są w pracy: Aspekty regionalne gospodarki opartej na wiedzy w Polsce. Badając główne czynniki rozwoju GOW w układzie regionalnym kraju, autorzy zwrócili szczególną uwagę na kapitał ludzki oraz działalność innowacyjną. Przy czym działalność innowacyjna rozpatrywana była w dwóch aspektach (jako dwa odrębne czynniki), tj. działalność badawczo rozwojowa (B+R) oraz działalność innowacyjna w przemyśle.85
Odzwierciedlenie kapitału ludzkiego następowało poprzez ujęcie społeczno-demograficzne, a nie wartościowo-finansowe. Mówiąc precyzyjnie kapitał ludzki pokrywał tę część zasobów ludzi, którzy uczestniczyli w kreowaniu GOW poprzez posiadaną, nabywaną lub wykorzystywaną wiedzę, która przyczyniała się do modernizacji gospodarki. W tej kwestii uwzględniono działalność edukacyjną oraz działalność badawczą. Ostatecznie wskazano cztery populacje stanowiące kapitał ludzki: ludność z wyższym wykształceniem, studenci, nauczyciele akademiccy oraz pracownicy naukowo-badawczy.86
Na podstawie zmiennych dotyczących wyżej omówionych populacji wyodrębniono składową V1, którą należy interpretować, jako syntetyczny wskaźnik kapitału ludzkiego. Zakres czasowy badania obejmował lata 1990–2004. Na podstawie V1 wyodrębniono pięć klas typologicznych regionów (zob. tabela 2.4).87
85 Z. Chojnicki, T. Czyż, 2006, Aspekty regionalne gospodarki opartej na wiedzy w Polsce, Bogucki Wydawnictwo Naukowe, Poznań, s. 85.
86 Tamże, s. 85-86. 87 Tamże, s. 86-95.
Tabela 2.4. Klasyfikacja województw według składowej V1
KLASY WARTOŚĆ SKŁADOWEJ V1 WOJEWÓDZTWA
1 6,04 mazowieckie 2 2,52 śląskie 2,16 małopolskie 3 1,23 wielkopolskie 1,02 dolnośląskie 0,26 łódzkie 4 -0,25 lubelskie -0,29 pomorskie -0,84 kujawsko-pomorskie 5 -1,09 podkarpackie -1,11 zachodniopomorskie -1,70 warmińsko-mazurskie -1,81 podlaskie -1,83 świętokrzyskie -2,10 opolskie -2,21 lubuskie
Źródło: Z. Chojnicki, T. Czyż, 2006, Aspekty regionalne…, s. 95.
Najwyższym kapitałem ludzkim charakteryzował się region mazowiecki. Drugą klasę o wysokim kapitale ludzkim stanowiły województwa śląskie i małopolskie. Ponadprzeciętny poziom tego kapitału posiadały regiony: lubelski, dolnośląski i łódzki. Pozostałe województwa zanotowały wartość tego czynnika poniżej średniej. Rozkład przestrzenny tego czynnika zaprezentowano na poniższej mapie (zob. rysunek 2.9).
Rysunek 2.9. Rozkład przestrzenny wartości składowej V1
Drugim czynnikiem rozwoju gospodarki opartej na wiedzy była działalność badawczo-rozwojowa. Do wyliczenia składowej S1 posłużyło 13 wskaźników dotyczących nakładów na sektor B+R (uwzględniając dynamikę nakładów, udział środków budżetowych w nakładach, nakłady przedsiębiorstw, nakłady zagraniczne i inne), stopień zużycia aparatury badawczej, zatrudnienie w jednostkach badawczo-rozwojowych. Zmienne analizowane były w latach 2003–2004. Klasyfikacja województw według wartości opisywanej składowej doprowadziła do podziału regionów na 5 klas (zob. tabela 2.5).88
Tabela 2.5. Klasyfikacja województw według składowej S1
KLASY WARTOŚĆ SKŁADOWEJ S1 WOJEWÓDZTWA
1 7,81 mazowieckie 2 2,78 małopolskie 3 0,64 wielkopolskie 0,56 lubelskie 0,52 pomorskie 0,44 łódzkie 0,41 dolnośląskie 0,21 śląskie 4 -0,83 kujawsko-pomorskie 5 -1,09 podlaskie -1,43 zachodniopomorskie -1,52 opolskie -1,55 warmińsko-mazurskie -1,84 podkarpackie -2,32 świętokrzyskie -2,71 lubuskie
Źródło: Z. Chojnicki, T. Czyż, 2006, Aspekty regionalne gospodarki opartej na wiedzy…, s. 108.
Analizując działalność badawczo rozwojową w Polsce można było zauważyć ogromną rozpiętość między dwoma skrajnymi regionami, tj. województwami mazowieckim i lubuskim. Dwie pierwsze klasy były jednoelementowe. Do pierwszej przynależało województwo mazowiecki, do drugiej małopolskie. W trzeciej ponadprzeciętnej klasie znalazło się 6 województw, tj. wielkopolskie, lubelskie, pomorskie, łódzkie, dolnośląskie i śląskie. Najsłabsza klasa zawierała 7 województw. Najgorzej w tej grupie wypadły województwa świętokrzyskie i lubuskie. Rozkład przestrzenny tego czynnika zaprezentowano na mapie (zob. rysunek 2.10).
Rysunek 2.10. Rozkład przestrzenny wartości składowej S1
Źródło: opracowanie własne na podstawie: Z. Chojnicki, T. Czyż, 2006, Aspekty regionalne…, s. 108.
Trzecim czynnikiem rozwoju gospodarki opartej na wiedzy była działalność innowacyjna w przemyśle. Analogicznie jak do poprzednich dwóch czynników wyznaczono składową Z1, na podstawie której sklasyfikowano województwa w Polsce (zob. tabela 2.6).
Tabela 2.6. Klasyfikacja województw według składowej Z1
KLASY WARTOŚĆ SKŁADOWEJ Z1 WOJEWÓDZTWA
1 3,40 śląskie 2 2,97 dolnośląskie 2,86 mazowieckie 2,78 wielkopolskie 2,21 pomorskie 3 0,66 małopolskie 4 -0,39 podkarpackie -0,44 lubelskie -0,85 zachodniopomorskie -0,96 warmińsko-mazurskie 5 -1,74 kujawsko-pomorskie -1,74 opolskie -1,80 lubuskie -1,81 łódzkie -2,15 świętokrzyskie -3,01 podlaskie
Do wyznaczenia Z1 uwzględniono 9 wskaźników, m. in.: poziom uprzemysłowienia, nakłady na działalność innowacyjną w przemyśle, aktywność innowacyjną, produkcję wyrobów nowych i zmodernizowanych, przemysłową produkcję nowych wyrobów (zarówno na eksport, jak i w sektorze prywatny oraz w sektorze własności zagranicznej), licencje czynne zagraniczne.89
Podobnie jak przy pozostałych czynnikach wyznaczono 5 klas województw. Największą działalnością innowacyjną w przemyśle wykazywało się województwo śląskie. Liderujące w dwóch pierwszych czynnikach województwo mazowieckie zanotowało tym razem trzecie miejsce w rankingu województw. Dwie najsłabsze grupy (poniżej średniej) skupiały aż 10 województw. Najgorzej wypadły świętokrzyskie i podlaskie. Rozkład przestrzenny czynnika działalności innowacyjnej w przemyśle zaprezentowano na poniższej mapie (zob. rysunek 2.11).
Rysunek 2.11. Rozkład przestrzenny wartości składowej Z1
Źródło: opracowanie własne na podstawie: Z. Chojnicki, T. Czyż, 2006, Aspekty regionalne…, s. 126.
Analizując wszystkie czynniki gospodarki opartej na wiedzy można było zauważyć duże zróżnicowanie między regionami. Wyróżniono regiony wyraźnie dominujące we wszystkich czynnikach, jak również te, które wykazały najniższe wskaźniki GOW.
2.6. Podsumowanie
W dotychczasowych pozycjach literaturowych można doszukać się pomiaru gospodarki opartej na wiedzy głównie na szczeblu krajowym i międzynarodowym. Biorąc pod uwagę znaczną różnorodność definicyjną terminu GOW badania te charakteryzują się wykorzystywaniem różnych zmiennych i czynników ją opisujących. Analizy regionalne dotyczące gospodarki opartej na wiedzy stanowią tylko nieliczne próby, które często są nieaktualne i powierzchowne. A to właśnie badania w ujęciu regionalnym mają kluczowe znaczenie dla opisania i wyjaśnienia rozwoju społeczno-gospodarczego, którego zasadniczą kwestią jest dysproporcja rozwojowa między regionami. Jest ona spowodowana uwarunkowaniem kulturowym, geograficznym, ale również wpływającymi na nią procesami koncentracji przestrzennej – urbanizacji i aglomeracji miejskich, stanowiących główne źródło aktywności gospodarczej.
Wielkim problemem pomiaru gospodarki opartej na wiedzy jest nie tylko wypracowanie konsensusu odnośnie szacowania poziomu jej rozwoju i ustalenia jednej konkretnej definicji. Jeszcze większym problemem praktycznym jest nieporównywalność lub brak danych statystycznych. O ile dla analiz regionalnych dotyczących jednego państwa ten problem nie jest aż tak znaczący, to już w analizach międzynarodowych staje się wielkim utrudnieniem, a często całkowicie wyklucza możliwość oszacowania GOW na pewnych obszarach. W związku z tym pojawiają się kolejne utrudnienia w opisaniu gospodarki opartej na wiedzy. Analizując w obrębie tylko jednego kraju trudno stwierdzić, czy takie państwo wykazuje postęp na drodze unowocześnienia swojej gospodarki. Natomiast porównując różne kraje należy zdawać sobie sprawę, że między poszczególnymi wskaźnikami mogą występować znaczne rozbieżności zakłócające etap wnioskowania. Ponadto uwzględnienie produkcji pewnych dóbr technologicznych Hi-Tech, jako elementów składowych, tworzących indeksy zagregowane jest bardzo trudne. Często odnosi się ono do intuicyjnego podejścia badacza. Związane jest to z cyklem życia takich produktów. Po pierwsze jest on bardzo trudny do oszacowania, a po drugie w różnych krajach ten sam produkt może być różnie postrzegany. Pojawia się więc konieczność rozwijania teorii koncepcji pomiaru gospodarki opartej na wiedzy i przenoszenia jej na grunt praktyczny, poprzez uzupełnianie i aktualizowanie już istniejących i funkcjonujących metodologii.
ROZDZIAŁ 3
Charakterystyka wybranych metod badawczych
3.1. Wprowadzenie
Metody ilościowe, poprzez wyznaczenie konkretnych wartości liczbowych, dają rzetelny obraz analizowanych zjawisk. Pozwalają na zweryfikowanie postawionych hipotez badawczych oraz wyciągnięcie trafnych wniosków z badania. Wielką zaletą metod ilościowych jest możliwość ich czytelnej prezentacji, przykładowo przy pomocy map, wszelkiego rodzaju wykresów klasycznych (np. słupkowych, kołowych lub radarowych), wykresów powierzchniowych, wykresów obrazkowych, diagramów, czy też trellisów (graficzna prezentacja wielowymiarowych banków danych). Rozwój tych metod stwarza ogromne możliwości analiz, nawet bardzo złożonych procesów. Często występują jednak ograniczone możliwości użycia narzędzi ilościowych. Największym problemem jest dostępność odpowiednich danych. Często również występują liczne braki w przygotowywanych zestawieniach lub dane gromadzone są w zbyt krótkich szeregach czasowych lub na niskim poziomie agregacji. Niebagatelnym problemem jest również wyliczanie tych samych wskaźników w inny sposób na różnych obszarach (regionach lub państwach). W takim wypadku analiza porównawcza jest bardzo utrudniona, gdyż wartości tych samych wskaźników w niejednakowy sposób odzwierciedlają poziom badanego zjawiska.
Wśród zaawansowanych metod ilościowych opisujących zależności przestrzenno-geograficzne można wyróżnić narzędzia ekonometrii przestrzennej. Dziedzina ta pojawiła się w Europie w latach 70-tych XX w. Jej prekursorem był J. H. P. Paelinck, który wprowadził definicje ekonometrii przestrzennej w roku 1974 na posiedzeniu Holenderskiego Towarzystwa Statystycznego. W roku 1979 Paelinck i Klaasen90 wydali pozycję literaturową w całości dotyczącą zagadnień ekonometrii przestrzennej, opisując przestrzenne modelowanie zmiennych ekonomicznych. Autorzy
90 Zob. J. H. P. Paelinck, L. L. H. Klaassen, 1979, Spatial Econometrics, Saxon House, Uniwersytet Michigan.
zwrócili szczególną uwagę na jednostki terytorialne, tj. województwa, regiony i państwa, które podlegają wpływom innych obszarów i zależą od zachodzących w nich zmian.
Propozycje pierwszych testów i metod ekonometrycznych, które uwzględniają aspekt przestrzenny pojawiły się w latach 70-tych XX w. Przysłużyli się temu, m. in.: H. Blommestein, A.D. Cliff, L. P. Hansen, L. Hordijk, L. L. H. Klaassen, P. Nijkamp, J. K. Ord oraz wspomniany już Paelinck. Wtedy też, po raz pierwszy użyto pojęcia interakcji przestrzennych, efektów przestrzennych, autokorelacji i heterogeniczności przestrzennej, czy też opóźnień przestrzennych. Pod koniec lat 80-tych XX w. termin ekonometria przestrzenna91 interpretowano jako naukę, której celem jest wyjaśnienie oraz opis zjawisk i procesów gospodarczych posiadających aspekt przestrzenny. Do modeli ekonometrycznych wprowadzono efekty przestrzenne. Dzięki temu techniki te umożliwiły badanie interakcji i zależności zachodzących w przestrzeni, wyodrębnianie efektów grupowych oraz efektów sąsiedztwa, czy też analizowanie wpływu konkretnych jednostek terytorialnych na ogólny poziom badanej cechy.
W kolejnych latach nastąpił bardzo szybki rozwój metodologii dotyczącej ekonometrii przestrzennej. Pojawiły się fachowe pozycje literaturowe przedmiotu, w tym publikacje książkowe w całości poświęcone zagadnieniom z zakresu ekonometrii przestrzennej, np. L. Anselin, R. Florax (1995)92, D. Griffith, C. Amrhein, J. Huriot (1998)93, A. Getis, J. Mur, H. Zoller (2003)94, L. Anselin, R. Florax, S. Rey (2004)95. Obecnie zakres badań ekonometrii przestrzennej wyraźnie się poszerzył. Badacze zajmują się analizowaniem zarówno danych przestrzennych, jak i tych uwzględniających dynamikę zjawisk, tj. danych przestrzenno-czasowych oraz panelowych96.
W niniejszym rozdziale opisano metodologię, którą użyto w części empirycznej pracy (rozdział 4 i 5). Prezentowane metody umożliwiają przedstawienie klasyfikacji gospodarek opartych na wiedzy w regionach, wskazanie zależności przestrzennych oraz ocenę wpływu efektywnego wykorzystania wiedzy na poziom egzystencji społeczeństwa w polskich województwach.
91 Zob. L. Anselin, 1988, Spatial Econometrics: Methods and Models, Kluwer Academic, Dordrecht. 92 Zob. L. Anselin (red.), R. Florax (red.), 1995, New Directions in Spatial Econometrics, Springer-Verlag, Berlin.
93 Zob. D. Griffith (red.), C. Amrhein (red.), J. M. Huriot (red.), 1998, Advances in Spatial Modelling and Methodology: Essays in Honor of Jean Paelinck, Kluwer Academic, Dordrecht.
94 Zob. A. Getis (red.), J. Mur (red.), H. Zoller (red.), 2004, Spatial Econometrics and Spatial Statistics, Palgrave Macmillan, New York.
95 Zob. L. Anselin (red.), R. Florax (red.), S. Rey (red.), 2004, Advanced in Spatial Econometrics. Methodology. Tools and applications. Springer-Verlag, Berlin.
Opisano następujące narzędzia statystyki wielowymiarowej i ekonometrii przestrzennej: - miary koncentracji przestrzennej – iloraz lokacyjny, który posłuży do opisu danych
surowych,
- metody grupowania i klasyfikacji obiektów – taksonomiczny miernik rozwoju, który jest podstawą stworzenia rankingu regionalnych gospodarek opartych na wiedzy oraz analiza skupień (zarówno w ujęciu hierarchicznym, jak i niehierarchicznym), na podstawie której dokonuje się pogrupowania województw w najbardziej podobne do siebie skupienia,
- eksploracyjna analiza danych uwzględniająca zależności i interakcje przestrzenne – statystyka Morana I (zarówno w ujęciu lokalnym, jak i w ujęciu globalnym), wskazując relacje dotyczące GOW zachodzące między polskimi województwami, - modele panelowe z dekompozycją wyrazu wolnego (Fixed Effects Model – FEM)
i dekompozycją składnika losowego (Random Effects Model – REM) oraz dobór zmiennych egzogenicznych do modeli ekonometrycznych metodą Hellwiga. Wyniki estymacji prezentują wpływ wiedzy i innowacji na jakość egzystencji mieszkańców poszczególnych obszarów.
Na potrzeby badań dotyczących pomiaru regionalnych GOW można wskazać kilka kluczowych celów wykorzystania wyżej wymienionych metod:
1. Pomiar jakości i stanu gospodarki opartej na wiedzy w szesnastu polskich województwach.
2. Rankingowanie regionalnych GOW, od obszarów najgorzej do najlepiej rozwiniętych.
3. Grupowanie obszarów o podobnym zaawansowaniu gospodarki opartej na wiedzy w Polsce, co umożliwia wskazywanie odrębnych rozwiązań dla poszczególnych skupień.
4. Dokonywanie porównań międzyregionalnych, zarówno dla pojedynczych obszarów oraz dla wyznaczonych grup.
5. Wskazanie interakcji przestrzennych zachodzących między badanymi województwami.
6. Prognoza efektów proinnowacyjnych sprzyjających rozwojowi GOW w poszczególnych regionach.
7. Promocja i wspomaganie działalności proinnowacyjnej, przyczyniającej się do budowania regionalnych gospodarek opartych na wiedzy.