Dynamiczna taksonomia innowacyjności regionów

Małgorzata Markowska www.ue.wroc.pl Zamówienia na opublikowane prace przyjmuje Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu tel./fax 71 36-80-602; e-mail: [email protected] www.ksiegarnia.ue.wroc.pl Dynamiczna taksonomia innowacyjności regionów Dynamiczna taksonomia innowacyjności regionów UNIWERSYTET EKONOMICZNY WE WROCŁAWIU 53-345 Wrocław, ul. Komandorska 118/120 WYDAWNICTWO Małgorzata Markowska Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu Dynamiczna taksonomia innowacyjności regionów Seria: Monografie i Opracowania nr 221 Małgorzata Markowska Dynamiczna taksonomia innowacyjności regionów Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu Wrocław 2012 Senacka Komisja Wydawnicza Krzysztof Jajuga – przewodniczący (Wydział Zarządzania, Informatyki i Finansów) Andrzej Bąk (Wydział Ekonomii, Zarządzania i Turystyki), Marek Biernacki (Wydział Zarządzania, Informatyki i Finansów), Paweł Dittmann (Wydział Nauk Ekonomicznych), Małgorzata Gableta (Wydział Inżynieryjno-Ekonomiczny), Elżbieta Kociołek-Balawejder (Wydział Inżynieryjno-Ekonomiczny), Kazimierz Perechuda (Wydział Zarządzania, Informatyki i Finansów), Paweł Waniowski, Zbigniew Golarz, Paula Biernacik Recenzenci Wanda Gaczek, Andrzej Sokołowski Redaktor Wydawnictwa Agnieszka Flasińska Redaktor techniczny Barbara Łopusiewicz Korektor Barbara Cibis Skład i łamanie Małgorzata Czupryńska Projekt okładki Beata Dębska Na okładce wykorzystano zdjęcie z zasobów 123 Royalty Free Praca doinansowana ze środków grantu MNiSW 7131/B/H03/2011/40 Kopiowanie i powielanie w jakiejkolwiek formie wymaga pisemnej zgody Wydawcy © Copyright by Uniwersytet Ekonomiczny we Wrocławiu Wrocław 2012 ISSN 2084-6193 ISBN 978-83-7695-294-9 Druk: Drukarnia TOTEM Spis treści Wstęp ................................................................................................................ 7 Rozdział 1 Innowacje w teorii ekonomii .......................................................................... 1.1. Innowacje jako kategoria ekonomiczna ............................................... 1.2. Deinicje i typologie innowacji............................................................. 1.3. Innowacyjność w wybranych teoriach rozwoju regionalnego ............. 17 17 39 58 Rozdział 2 Metody pomiaru innowacyjności................................................................... 2.1. Uwagi wstępne ..................................................................................... 2.2. Pomiar innowacyjności w dorobku Eurostatu ...................................... 2.2.1. Mierniki innowacyjności – ewolucja ujęć ............................................ 2.2.2. Innowacyjność input i output gospodarki na poziomie kraju ............... 2.2.3. Mierniki innowacyjności sektora i mierniki innowacyjności irmy ..... 2.2.4. Pomiar innowacyjności regionalnej...................................................... 2.3. Tablica wyników w zakresie innowacyjności i inne podejścia amerykańskie .................................................................................................. 2.4. Pozostałe wybrane podejścia do pomiaru innowacyjności................... Rozdział 3 Koncepcja pomiaru innowacyjności z wykorzystaniem metod taksonomicznych .......................................................................................................... 3.1. Taksonomia i jej znaczenie w badaniach regionalnych ........................ 3.2. Dynamiczne analizy innowacyjności ................................................... 3.3. Taksonomia dynamiczna w ocenie poziomu innowacyjności .............. 3.4. Zintegrowane, wielokryterialne podejście do pomiaru i oceny poziomu innowacyjności regionów ............................................................... Rozdział 4 Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności ................................................................................................ 4.1. Wybór charakterystyk do oceny innowacyjności i ich zróżnicowanie . 4.2. Charakterystyki innowacyjności unijnych regionów ........................... 4.3. Klasyikacja europejskich regionów ze względu na innowacyjność input ...................................................................................................... 4.4. Klasyikacja europejskich regionów ze względu na innowacyjność output .................................................................................................... 4.5. Ocena zmian poziomu innowacyjności regionów europejskiej przestrzeni z wykorzystaniem macierzy przejścia ...................................... 69 69 72 72 76 87 94 106 117 134 134 140 143 148 155 155 168 194 206 216 6 Spis treści Rozdział 5 Tablice wyników w zakresie innowacyjności regionów – wykorzystanie podejścia amerykańskiego do oceny innowacyjności europejskiej przestrzeni regionalnej ........................................................................................... 5.1. Tablice wyników w zakresie innowacyjności europejskich regionów – aspekt metodologiczny ......................................................................... 5.2. Tablice wyników w zakresie innowacyjności europejskich regionów – wyniki badań......................................................................................... 5.3. Miejsce polskich regionów w innowacyjnej przestrzeni Unii Europejskiej....................................................................................................... 5.4. Poziom innowacyjności regionów Unii Europejskiej .......................... 5.5. Podsumowanie ...................................................................................... Rozdział 6 Przestrzenno-czasowa analiza skupień w ocenie innowacyjności .............. 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej ........................ 6.2. Ocena stabilności grup i zmian w czasie .............................................. 6.3. Metoda szacowania centrum grupy z danych dynamicznych .............. 6.4. Miara dynamicznej stabilności grup w przestrzenno-czasowej analizie skupień .................................................................................................. 6.5. Miara dynamicznej atrakcyjności grup w przestrzenno-czasowej analizie skupień .......................................................................................... 6.6. Dynamika zmian w rozmieszczeniu regionów na podstawie wyników klasyikacji metodą k-średnich ............................................................. 228 228 232 269 291 301 308 308 336 367 376 378 380 Rozdział 7 Analiza porównawcza wyników wykorzystanych podejść badawczych oceny poziomu innowacyjności europejskiej przestrzeni regionalnej ....... 385 Zakończenie ...................................................................................................... 409 Literatura ........................................................................................................... Spis rysunków ................................................................................................... Spis tabel ........................................................................................................... Summary ........................................................................................................... 425 457 460 464 Wstęp Zróżnicowanie przestrzenne rozwoju gospodarczego staje się jednym z ważnych problemów współczesnej gospodarki, a wyrównywanie dysproporcji rozwoju regionalnego stanowi główny cel polityki regionalnej – w zakresie zarówno redystrybucji środków finansowych, jak i stymulowania rozwoju regionów opóźnionych gospodarczo, regionów peryferyjnych, nawet kosztem wolniejszego tempa rozwoju regionów wysoko rozwiniętych. W praktyce podejmowane działania nie zawsze dają pozytywne efekty, co wymusza stałe poszukiwania nowego paradygmatu rozwoju gospodarczego. Badania porównawcze stanowią potężne narzędzie zarządzania służące poprawie wyników działania organizacji. Oprócz ustalenia pozycji w odniesieniu do konkurencji są pomocne w wytyczaniu przyszłych tendencji, w ocenie potrzeby dokonania zmian, a także dobrych praktyk, które można wykorzystać w funkcjonowaniu organizacji. Są źródłem analizy strategicznych danych przydatnych w regionalnej polityce z zakresu innowacji, gdyż wychwytują tendencje zmian sytuacji gospodarczej regionu, zapewniając przy tym porównanie z innymi regionami. Zrozumienie procesów objętych systemem innowacji może okazać się pomocne, podobnie jak ocena skutków wsparcia publicznego kierowanego na poprawę innowacyjności oraz określenia nowych potrzeb w tym zakresie, zwłaszcza tych wymagających interwencji. Badania porównawcze są także pomocne w identyfikowaniu praktyk stosowanych przez regiony o najlepszych wynikach. Jak dotąd doświadczenia w zakresie stosowania badań porównawczych przez regionalnych decydentów politycznych są bardzo ograniczone. Problemem jest brak wiedzy, szczególnie w odniesieniu do możliwości, jakie badania porównawcze stwarzają regionom, a także sposobów ich wykorzystywania. Reakcja na te wyzwania polegająca na konkurowaniu w obrębie takich komponentów, jak jakość lokalizacji i jakość życia czy też zakres innowacji podejmowanych w celu zapobieżenia polaryzacji społecznej i przestrzennym podziałom oraz na radzeniu sobie z różnorodnością etniczną i pluralizmem kulturowym, wymaga wspólnych działań na wszystkich poziomach władzy, począwszy od samorządów lokalnych po rząd państwowy. Układ miasto-region stanowi szczególnie ważną skalę dla sformułowania powyższych strategii. A zidentyfikowane cechy społeczne oraz wzrostowa dynamika relacji miasto–region stanowią jeden z elementów sukcesu gospodarczego w ekonomii globalnej. Globalny charakter współczesnej gospodarki stanowi bodaj najbardziej oczywistą cechę kapitalizmu. Jednocześnie teoretycy ekonomii głoszą, że najważniejszymi cechami definiującymi są elementy dużo bardziej fundamentalne, a mianowicie centralne znaczenie wiedzy i uczenia się w kreowaniu wartości ekonomicznej oraz determinacja w osiągnięciu sukcesu w konkurencyjnej rzeczywistości gospodarczej. 8 Wstęp Jeśli wiedza stanowi najcenniejszy zasób we współczesnej gospodarce, to proces zdobywania jej, czyli uczenie się, odpowiada za najistotniejszy rozwój społeczny, co potwierdził B.-Å. Lundvall w swoich pracach nad systemami innowacji [Lundvall (red.) 1992]. Uczenie się oznacza tu tworzenie nowych kompetencji i zdobywanie nowych umiejętności, a nie tylko zdobywanie dostępu do informacji. W świecie, w którym wiedza i informacje stają się coraz cenniejsze, a ich przyrost następuje w gwałtownym tempie, największą groźbą, przed którą stoją aktorzy na polu gospodarki, jest stała i nieprzerwana dewaluacja posiadanych już przez nich zasobów wiedzy, co wymaga podejmowania nieprzerwanych wysiłków związanych z jej uaktualnianiem [Lundvall 1998]. Zdolność do przyswajania nowej wiedzy jest tym samym elementem kluczowym, skutkującym koniecznością utrzymywania ciągłego dostępu do wiedzy, jej kontroli w obliczu gwałtownie rozszerzających się zasobów, w dobie świadomości, że dotychczasowa wiedza nie pozwala na utrzymanie przewagi konkurencyjnej. To właśnie zdolność jednostek, firm, regionów i narodów do uczenia się i przystosowywania do zmieniających się okoliczności gospodarczych determinują sukces gospodarczy w globalnej ekonomii [Lundvall, Borrás 1998]. Jednakże, jak podkreśla B.-Å. Lundvall, uczenie się, które nie stanowi wyłącznie zjawiska indywidualnego, jest procesem fundamentalnie interaktywnym, który zawsze wymaga obecności sieci [Lundvall (red.) 1992]. W istocie, zarówno Ch. Freeman [1987b], jak i B.-Å. Lundvall [1992] podkreślają relatywne znaczenie wzorców interakcji pomiędzy firmami, będących częścią grupowego procesu uczenia się, przyswajania i wykorzystania nowej wiedzy technicznej. Wynika to z ich wiary, że innowacje są coraz bardziej powiązane z procesem interaktywnego uczenia się i kolektywnej przedsiębiorczości, zwłaszcza w kategoriach powiązań pomiędzy producentami i użytkownikami nowych technologii. Przechodzenie do gospodarki opartej na wiedzy i uczeniu się jest procesem wieloaspektowym. Po pierwsze, konkurencja między firmami polega przede wszystkim na zapewnianiu wysokiej jakości oferowanych towarów i usług oraz umiejętności wprowadzania na rynek nowych lub udoskonalonych produktów. Innowacje w procesie produkcyjnym stanowią często tak samo ważny komponent jak innowacje w odniesieniu do samego produktu, gdyż umożliwiają zarówno błyskawiczne przejście do produkcji nowych towarów, jak i utrzymanie wysokich jakościowo standardów, których oczekują współcześni konsumenci. Firmy, które konkurują na rynku w sposób najbardziej skuteczny, nie są już firmami, które po prostu oferują swój produkt po najniższej cenie, lecz raczej firmami mającymi zdolność generowania nowego, innowacyjnego procesu i produktu w sposób efektywny i szybki. Po drugie, chociaż znaczące instytucje badawcze, takie jak uniwersytety, publiczne ośrodki naukowe oraz działy badawczo-rozwojowe w firmach, odgrywają kluczową rolę w produkcji i rozprzestrzenianiu wiedzy, to na przełomie XX i XXI w. powszechne stało się, iż dla aktorów rynku gospodarczego społeczne procesy uczenia się są dużo ważniejsze niż kiedyś. Obserwacja ta opiera się na uznaniu, że znaczna ilość innowacji wynika z procesów interakcyjnych pomiędzy graczami ekono- Wstęp 9 micznymi, czyli pomiędzy użytkownikami technologii/klientami a producentami technologii lub pomiędzy producentami technologii będącymi partnerami w wzajemnej współpracy. Aktorzy zaangażowani w te procesy to zarówno duże, jak i małe, prywatne firmy, uniwersytety, samodzielne ośrodki naukowe, organizacje zajmujące się transferem technologii, stowarzyszenia producentów, związki, towarzystwa i inne formy instytucjonalne. W literaturze analizującej regionalne i krajowe systemy innowacji punktem wyjścia jest założenie, że innowacje są społecznie zorganizowane i uzależnione od interaktywnego, społecznego procesu uczenia się zachodzącego pomiędzy jednostkami gospodarczymi [Morgan 1997; Maskell, Malmberg 1999; Feldman 2000; Gertler 2003; Cooke 2004; Asheim, Gertler 2007]. Region zaczyna odgrywać rolę istotną dla działań innowacyjnych i procesów uczenia się, ponieważ przestrzenna bliskość aktorów gospodarczych oraz wspólny społeczno-instytucjonalny kontekst umożliwiają swobodną cyrkulację wiedzy odpowiadającej za innowacje [Christopherson 2002; Grabher 2002; Gaczek 2009; Nowakowska 2011]. Rozwój takich lokalnych, wzajemnych relacji znacząco wpływa na kształtowanie zdolności innowacyjnych firm [Storper 1997]. Relacje te są wzmacniane przez obecność lokalnej infrastruktury niezbędnej do generowania wiedzy i jej obiegu, co wpływa na kreatywność i innowacje. W miastach-regionach występują specjalistyczne instytucje edukacyjne i badawcze, usługi ukierunkowane na wspieranie przemysłu oraz instytucje budujące i wzmacniające relacje w sieci pomiędzy firmami oraz innymi kluczowymi aktorami, wspierającymi przepływ wiedzy [Scott 2004]. Jednocześnie sieci regionalne odgrywają ważną rolę we włączaniu się do globalnego przepływu wiedzy i interpretujących ją społeczności [Bathelt i in. 2004]. Mogą one również stymulować uczenie się poprzez tendencję do pobudzania silnej, lokalnej dynamiki konkurencyjności [Malmberg, Maskell 2002; Rantisi 2002]. Tym samym miasta-regiony stanowią podstawową przestrzeń gospodarczą i społeczną dla działań innowacyjnych w obrębie gospodarki zarówno krajowej, jak i globalnej. Każda z omówionych cech uczącej się gospodarki ma korzystny wpływ na miasta, jako podstawowe lokalizacje dla innowacji i produkcji towarów i usług opartych na wiedzy [Glaeser 2000]. Zważywszy interakcyjny i społeczny charakter innowacji, miasta-regiony dostarczają przestrzeni, w której procesy społecznego uczenia się mają duże możliwości rozwoju. Samo zagęszczenie i koncentracja aktorów gospodarczych w dużych miastach oferuje wielorakie możliwości kontaktów, interakcji i przepływu informacji w czasie. Sytuację taką wspomaga ponadto duża koncentracja dostawców specjalistycznych towarów i usług, funkcjonujących w obrębie dobrze zdefiniowanego, społecznego podziału pracy w mieście [Porter 2000b]. Ponadto, podczas gdy zwykła koncentracja geograficzna aktorów gospodarczych ułatwia produktywne interakcje, to tworzenie klastrów dostarcza kolejnego komponentu niezbędnego w procesach innowacyjnych. W wielu sektorach gospodarki innowacje uzależnione są od wystąpienia dzielenia wiedzy jawnej, skodyfikowanej oraz ukrytej. Ta ostatnia forma wiedzy nie jest 10 Wstęp automatycznie przekazywana podmiotom zaangażowanym, chyba że podzielą się one ze sobą kodem wzajemnej komunikacji, a także normami i wyjaśnieniami rządzącymi praktykami obowiązującymi w poszczególnych firmach. Najnowsze prace z zakresu geografii innowacji potwierdziły, że cechy wspólne są najczęściej zauważalne, gdy strony zainteresowane są zlokalizowane w tym samym regionie. Instytucje regionalne odgrywają kluczową rolę w produkcji i reprodukcji tych wspólnie dzielonych kodów i norm (uważanych przez niektórych badaczy za elementy wskazujące na unikatową kulturę regionalną), bez względu na to, czy dzieje się to w Dolinie Krzemowej w Kalifornii, na najbardziej uprzemysłowionych obszarach Europy i Azji, czy też w kanadyjskich ośrodkach realizujących produkcję opartą na wiedzy [Saxenian 1994; Cooke, Morgan 1998; Wolfe, Gertler 2004]. Stanowiące wiedzę wspólną kody komunikacji i normy zachowań stanowią same w sobie ważne, specyficzne dla regionu dobro niematerialne, które umożliwia i wspiera implementację oraz podtrzymanie więzi wspólnego, społecznego uczenia się poprzez zminimalizowanie niepewności, budowanie zaufania i zachęcanie do dzielenia się wiedzą ukrytą wśród lokalnych aktorów na rynku gospodarczym. Powyższe interakcje określane są także mianem kapitału społecznego, który cechuje ta sama idea aktywów niematerialnych wspierających społecznie produktywne interakcje. Dlatego miasta-regiony stanowią miejsca, w których kapitał społeczny jest generowany przy najmniejszym wysiłku [Putnam 1993]. W wyniku tego stały się one ośrodkami, z których wywodzi się społecznie zorganizowany proces uczenia się i tam też kwitnie. Niektórzy nawet określają takie lokalizacje mianem „uczących się regionów” [Morgan 1997]. Jeśli spojrzeć łącznie na powyższe procesy i ich dynamikę, można uzyskać odpowiedź na jeden z wielkich paradoksów współczesnych czasów: dlaczego, pomimo nastania globalnie zorganizowanej działalności gospodarczej oraz coraz powszechniejszego wykorzystania Internetu i innych form ICT, zarówno innowacje, jak i produkcja oparta na wiedzy stały się bardziej, a nie mniej skoncentrowane geograficznie, zwłaszcza w miastach-regionach. Mówiąc krótko, miasta-regiony przejęły rolę elementów węzłowych w kreowaniu i przepływie pomysłów. Identyfikacja czynników oraz pomiar i określenie poziomu innowacyjności na szczeblu regionalnym były dotychczas w niewielkim stopniu przedmiotem badań i analiz w literaturze światowej. W Polsce zagadnienia te były jak dotąd słabo rozpoznane i opisane w literaturze. O ile bowiem zagadnienia innowacyjności kraju czy przedsiębiorstwa zajmowały ekonomistów od wielu lat, o tyle w naukach regionalnych tematyka innowacyjności odnoszonej do terytorium (regionu) poruszana była znacznie rzadziej. Jednak w ostatnich latach problem ten zyskuje znaczenie. Badania innowacyjności gospodarki w ujęciu przestrzennym są dynamicznie rozwijającym się nurtem badawczym. Jednocześnie ze względu na złożoność tego problemu stanowią duże wyzwanie metodologiczne. Badania związane z innowacyjnością prowadzone są w dwóch, często wzajemnie przenikających się nurtach: teoretyczno-metodologicznym (definicje, typologia Wstęp 11 i pomiar) oraz empirycznym (ocena poziomu innowacyjności). Nurt teoretyczny sięga końca XIX w., ponieważ pierwszym przedstawicielem nauk społecznych zajmującym się problemem innowacyjności, był prawdopodobnie G. Tarde, francuski socjolog i filozof, który, zainspirowany poglądami K. Marksa, postanowił dociec, jakie są mechanizmy tworzenia nowości. G. Tarde uznawany jest za pierwszego myśliciela, który zrozumiał istotę innowacji i wyjaśnił mechanizmy procesów innowacyjnych. Natomiast geneza badań nad miernikami innowacyjności sięga lat sześćdziesiątych XX w. W 1963 r. powstała pierwsza wersja Proposed Standard Practice for Surveys of Research and Development, znana jako Frascati Manual. Ponad 40-letnie doświadczenie nad opracowywaniem wskaźników zaowocowało serią podręczników metodologicznych, zwanych Frascati Family. Seria ta obejmuje podręczniki dotyczące: metodologii badań nad działalnością B + R (Frascati Manual), metodologii badań nad innowacjami (Oslo Manual), innowacji w krajach rozwijających się (Bogota Manual), zasobów ludzkich (Canberra Manual), bilansu płatniczego w dziedzinie techniki (TBP Manual), statystyki patentowej (Patent Manual). Regionalny kontekst procesów innowacyjnych to obecnie istotna problematyka i ważny nurt badań europejskich i światowych. W ostatnich latach ranga i znaczenie tych zagadnień wzrastają. W Polsce badania w tym zakresie prowadzi wiele ośrodków naukowych. Ale pomimo prac i bogatego dorobku wielu zespołów badawczych zajmujących się tą tematyką jest to problem wciąż słabo rozpoznany w warstwie zarówno teoretycznej, jak i empirycznej. Istnieje fragmentaryzacja badań, a wiele proponowanych ujęć opiera się w dużej mierze na prostych i jednowymiarowych analizach statystycznych słabo opisujących i weryfikujących omawiane zagadnienie badawcze. Badania relacji terytorium–innowacje, szczególnie w kontekście europejskim, nie były do tej pory prowadzone na dużą skalę, ani w czasie, ani w przestrzeni. W niniejszym opracowaniu podjęto próbę odpowiedzi na pytania: – w jakim stopniu wybrane teorie rozwoju regionalnego wyjaśniają zachodzące w przestrzeni procesy innowacyjne, – czy i jak zmieniał się układ czynników i efektów innowacyjności w systemie regionalnym europejskiej gospodarki? Dla tak postawionych pytań, będących głównymi problemami badawczymi, można sformułować następujące hipotezy. 1. Możliwa jest identyfikacja teoretycznych koncepcji rozwoju regionalnego, takich jak m.in. teoria biegunów wzrostu, gron Portera, regionu uczącego się, lokalizacji, nowa teoria wzrostu, uwzględniających w swych założeniach innowacje jako istotny czynnik rozwoju społeczno-gospodarczego regionów. 2. Złożony charakter procesów innowacyjnych wymaga zintegrowanego wielokryterialnego podejścia do pomiaru innowacyjności regionów, które umożliwi właściwą ocenę innowacyjności regionów 3. Typologia dynamiczna innowacyjności regionów w ujęciu profilowym pozwoli na ocenę procesów innowacyjności zachodzących w europejskiej przestrzeni regionalnej. 12 Wstęp 4. Amerykańska idea pomiaru i pozycjonowania terytorium pod względem innowacyjności może być stosowana do oceny innowacyjności regionów europejskich. 5. Metody i narzędzia współczesnej ekonometrii i analizy skupień stanowią przydatne instrumentarium analityczne do identyfikacji czynników, oceny zmian poziomu i grupowania regionów ze względu na poziom innowacyjności. 6. Wykorzystanie zaproponowanej dynamicznej miary stabilności klasyfikacji i miary oceny atrakcyjności dynamicznej grup pozwala na nową i rozszerzoną interpretację otrzymanych wyników klasyfikacji oraz umożliwia zidentyfikowanie przesunięć regionów między klasami. 7. W europejskiej przestrzeni regionalnej zachodzą równocześnie koncentracja i dekoncentracja przestrzenna procesów innowacyjności. Cel pracy obejmuje warstwę metodologiczną i poznawczą. W ramach teoretycznej podbudowy określono miejsce innowacji w teorii ekonomii, opisano także metody pomiaru innowacyjności na szczeblu makro, mezo i firmy. Cel metodologiczny stanowi opracowanie koncepcji badawczej proponującej zintegrowane podejście do oceny poziomu i zmian w poziomie innowacyjności na szczeblu regionalnym w oparciu o metody wielowymiarowej analizy danych w ujęciu dynamicznym. Przedstawiono m.in. oryginalne propozycje: dynamicznej miary stabilności klasyfikacji i miary oceny atrakcyjności dynamicznej grup. Cel poznawczy to ocena procesów innowacyjności regionów szczebla NUTS 2 państw UE z zastosowaniem narzędzi współczesnej ekonometrii. Chodzi tu o wykorzystanie zaproponowanej metodologii oceny procesów innowacyjności na szczeblu regionalnym w następujących obszarach: profilowym (input i output) oraz globalnym. Jedną z płaszczyzn oceny postępujących procesów rozwojowych jest analiza przemian w zakresie innowacyjności w regionach, a wybór grup regionów będących przedmiotem analizy wiąże się przede wszystkim z ich usytuowaniem w chronologii procesów integracji. W przypadku polskich regionów chodzi o odpowiedź na pytanie o aktualne i przyszłe ich miejsce wśród regionów UE. Jednym z celów jest zatem ocena pozycji regionów Polski na tle innych regionów europejskich szczebla NUTS 2, zwłaszcza na tle tych o podobnej historii i uwarunkowaniach gospodarczych. Ponadto, intuicyjnie wyczuwalny, odmienny charakter procesów innowacyjnych potwierdzić powinna analiza w układzie regionów stołecznych i tych zawierających stolicę, co stwarza kolejny interesujący cel i pole badawcze. Realizacji przyjętych założeń i celów podporządkowana została konstrukcja monografii. Praca składa się z trzech zasadniczych części: teoretycznej, metodologicznej i empirycznej. W ramach teoretycznej podbudowy wyodrębniono dwa logicznie powiązane ze sobą bloki rozważań. Pierwszy z nich poświęcony jest innowacyjności w teorii ekonomii, a drugi metodom pomiaru innowacyjności. W części metodologicznej zaproponowano koncepcję pomiaru innowacyjności z wykorzystaniem wielowymiarowej analizy danych w ujęciu dynamicznym – zintegrowane, wielokryterialne podejście do pomiaru innowacyjności. W części empirycznej pracy uwagę skupiono na wykorzystaniu podejścia amerykańskiego do oceny innowacyjności, profilowym podejściu do pomiaru innowacyjności europejskiej przestrzeni regional- Wstęp 13 nej i klasyfikacji europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności w ujęciu dynamicznym. Obliczenia numeryczne przedstawione w tabelach i na rysunkach zamieszczonych w pracy przeprowadzono z wykorzystaniem pakietu statystycznego Statistica 10.0 oraz arkusza kalkulacyjnego Excel, a mapy przygotowano za pomocą programu MapInfo Professional 10.5. Publikacja składa się z siedmiu rozdziałów i ma charakter teoretyczno-metodologiczno-empiryczny. Dwa pierwsze rozdziały to prolegomena do prowadzonych badań. W rozdziale pierwszym przedstawiono historyczną ewolucję postrzegania innowacji jako kategorii ekonomicznej. Przeprowadzono analizę pojmowania innowacji w poglądach ekonomistów, w tym wydzielając m.in. nurt klasyczny, inspirowany dorobkiem A. Smitha i K. Marksa, oparty na pracach J.A. Schumpetera, opierający się na poglądach K.J. Arrowa oraz dorobku A. Marshalla i rozwijający je, ostatecznie sformułowany w podejściach ewolucyjnych. Dokonano przeglądu definicji i typologii innowacji wraz z próbą spojrzenia integrującego na wielość podejść definicyjnych i ujęć typologicznych. Dokonano także systematyzacji w zakresie trzech pojęć najczęściej używanych zarówno w teorii, jak i w praktyce: innowacji, innowacyjności i innowacyjnego, przyjmując, iż innowacyjność to nazwa pewnego zjawiska, a zwłaszcza procesu zmian, innowacyjny – to cecha tego procesu, a innowacja – to efekt zmian innowacyjnych. Wskazano także, przedstawiając wybrane teorie, na rosnące znaczenie innowacji dla rozwoju regionalnego. Przegląd dorobku wybranych instytucji statystycznych i ośrodków badawczych w zakresie identyfikacji czynników i charakterystyk innowacyjności oraz pomiaru tego zjawiska w skali kraju, regionu i firmy stanowi rozdział drugi. Szczególną uwagę skupiono na charakterystyce koncepcji pomiaru innowacyjności w dorobku Eurostatu (European Innovation Scoreboard, Union Innovation Scoreboard i Regional Innovation Scoreboard) i prezentacji proponowanych mierników innowacyjności. Przedstawiono opis ewolucji ujęć, dokonano krytyki podejścia do identyfikacji innowacyjności regionalnej oraz opisano stosowane na świecie metody pomiaru innowacyjności w ujęciu input i output. Wskazano na rozmaitość podejść do pomiaru innowacyjności gospodarki na poziomie kraju, zaprezentowano krótką charakterystykę mierników innowacyjności sektora i mierników innowacyjności firmy. Rozdział uzupełnia prezentacja koncepcji pomiaru innowacyjności regionalnej proponowana przez badaczy amerykańskich. Moduł metodologiczny stanowi rozdział trzeci, w którym na tle charakterystyki taksonomii i jej znaczenia w badaniach regionalnych przedstawiono zagadnienie dynamicznych analiz innowacyjności i zaprezentowano koncepcję pomiaru innowacyjności z wykorzystaniem wielowymiarowej analizy danych oraz metod klasyfikacji. Propozycja wielokryterialnego podejścia do pomiaru innowacyjności stanowi integrację ujęcia profilowego na bazie klasyfikacji ze statystykami pozycyjnymi, amerykańskiej, zmodyfikowanej tablicy wyników w zakresie innowacyjności i prze- 14 Wstęp strzenno-czasowej analizy skupień, co pozwoliło na ocenę poziomu i zmian w poziomie innowacyjności europejskich regionów w ujęciu dynamicznym. Moduł empiryczny pracy składa się z czterech części. W czwartym rozdziale przedstawiono sekwencję kroków zmierzających do wyboru charakterystyk innowacyjności. Dokonano także ewaluacji zróżnicowania wybranych charakterystyk, a rozważania kończy wizualizacja graficzna obrazująca rozmieszczenie w przestrzeni unijnych regionów ze względu na wartości charakterystyk innowacyjności. Następnie, na podstawie klasyfikacji pozycyjnej, dokonano grupowania unijnych regionów. Profilowe podejście do innowacyjności pozwoliło m.in. na ocenę, czy w europejskiej przestrzeni regionalnej występują „bieguny innowacyjności” – regiony o wysokim poziomie innowacyjności w zakresie charakterystyk zarówno input, jak i output. Przedstawiono także efekty budowy macierzy przejścia, pozwalającej na ocenę zmian zachodzących w otrzymanych przyporządkowaniach w ujęciu dynamicznym. Rozdział piąty stanowi empiryczną weryfikację możliwości adaptacji propozycji amerykańskiej do oceny innowacyjności, pozycjonowania i analiz dynamicznych w tym zakresie. Zawarto w nim także ilustrację graficzną rozmieszczenia unijnych regionów, ze względu na ich punktację w zmodyfikowanej tablicy wyników w zakresie innowacyjności, w wybranych latach. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności jest tematem rozdziału szóstego. Wykorzystano tu metody wielowymiarowej analizy danych i miar agregatowych do typologii dynamicznej poziomu innowacyjności regionów UE. Przeprowadzono także periodyzację otrzymanych klasyfikacji, również w aspekcie prognostycznym, co jest zdecydowanym novum w prowadzonych w tym zakresie analizach. Do oceny otrzymanych wyników opracowano i zastosowano dynamiczną miarę stabilności klasyfikacji i miarę oceny atrakcyjności dynamicznej grup. Te trzy rozdziały zawierają kompleksową ocenę przemian w regionalnej przestrzenni Europy w zakresie charakterystyk i poziomu innowacyjności w ujęciu dynamicznym. Rozdział siódmy to analiza porównawcza wyników zaproponowanych do oceny poziomu innowacyjności europejskiej przestrzeni regionalnej. O doborze przekrojów czasowych i cech zdecydowała przede wszystkim dostępność danych statystycznych oferowanych w bazach Eurostatu. Podstawą podmiotową rozważań jest układ terytorialny UE. Określenie zbioru badawczego – regiony UE szczebla NUTS 2 (265 z 271 europejskich regionów – bez zamorskich regionów francuskich i portugalskich) – wynikało z kompletności danych dla zidentyfikowanych i wybranych do analiz charakterystyk innowacyjności. Przeprowadzone w pracy badania, uporządkowania i klasyfikacje regionów wykonano z wykorzystaniem danych empirycznych obejmujących dane statystyczne (lata 1999–2008) i dane prognozowane (2009–2011). Wyniki otrzymanych podziałów i uporządkowań analizowano w następujących grupach: regiony „starej” Unii (UE 15), regiony UE ostatnich rozszerzeń (UE 12), regiony stołeczne i zawierające stolice UE 15, regiony stołecz- Wstęp 15 ne i zawierające stolice UE 12. Oceniano także innowacyjność polskich regionów, szczególnie w kontekście ich pozycji w innowacyjnej przestrzeni Europy. Efekty badawcze pracy to m.in.: – opracowanie metodologii pozwalającej na identyfikację i ocenę procesów innowacyjności regionalnej, uwzględniającej m.in. narzędzia wielowymiarowej analizy danych, klasyfikacje i metody prognozowania, – identyfikacja procesów innowacyjności w europejskiej przestrzeni regionalnej w ujęciu globalnym i profilowym, – ocena zróżnicowania w zakresie innowacyjności w europejskiej przestrzeni regionalnej i w wydzielonych grupach regionów, – wskazanie miejsca polskich regionów w innowacyjnej przestrzeni Europy, – stwierdzenie, iż założenia teoretyczne koncepcji rozwoju regionalnego uwzględniających innowacyjność są identyfikowane w badaniach empirycznych na szczeblu regionalnym. Wkład naukowy i znaczenie pracy w dorobku nauk ekonomicznych mają charakter zarówno poznawczy, jak i metodologiczny. Realizacja badań przyczyniła się do uporządkowania i pogłębienia wiedzy z zakresu omawianej problematyki. Znaczenie poznawcze polega na pełniejszym rozpoznaniu mechanizmów zmian i odsłanianiu nowych właściwości procesów innowacyjnych zachodzących w układzie regionalnym europejskiej gospodarki. Realizowane badania mają także wymiar aplikacyjny, dostarczając oceny stanu innowacyjności europejskiej przestrzeni regionalnej, miejsca polskich regionów w innowacyjnej przestrzeni Europy w ujęciu statycznym i dynamicznym z wykorzystaniem wyspecyfikowanych mierników i zaproponowanej procedury. Praktyczne znaczenie wyników badań przejawia się także w pełniejszej wiedzy o ciągle mało zbadanym fenomenie creative destruction, jak o innowacjach mawiał J.A. Schumpeter, i procesach zmian poziomu regionalnej innowacyjności w ujęciu dynamicznym. Umożliwia ulepszenie polityki gospodarczej poprzez wykorzystanie w niej otrzymanych wyników, zwłaszcza do analiz porównawczych w zakresie osiągów regionów. Wartość dodaną pracy stanowią również oryginalne miary: dynamicznej identyfikacji stabilności grupy i dynamicznej atrakcyjności grup. Pragnę wyrazić głęboką wdzięczność mojej bezpośredniej przełożonej Pani Profesor Danucie Strahl, kierownikowi Katedry Gospodarki Regionalnej Uniwersytetu Ekonomicznego we Wrocławiu, za wieloletnią opiekę naukową, cenne sugestie oraz życzliwą pomoc, okazywaną w trakcie przygotowywania pracy. Serdeczne podziękowania kieruję również do Recenzentów, Pani Profesor Wandy Marii Gaczek i Profesora UEK, dra hab. Andrzeja Sokołowskiego, za wnikliwą ocenę i istotne uwagi, które pozwoliły nadać pracy lepszy kształt. ROZDZIAŁ 1 Innowacje w teorii ekonomii Od innowacji odwrotu nie ma, jesteśmy na nie zdani, gdyż inwencja się nie wyczerpie, a innowacje się nie skończą. L.J. Sitnik 1.1. Innowacje jako kategoria ekonomiczna Klasycy nauk ekonomicznych zajmowali się w XVIII i XIX w. wpływem nauki i technologii na rozwój oraz społeczny dobrobyt narodów [Smith 1776, s. 8]. Pomimo aktywności prekursorów tych badań, początki analiz w zakresie innowacji przypadają na lata początek XIX w. Są one nierozłącznie związane z nazwiskiem J.A. Schumpetera [1911, s. 100]. Wcześniej, choć innowacje powstawały, opisywano także fundamentalne procesy innowacyjne, to brakowało konstatacji na temat korzyści, którymi skutkowała dana innowacja [Pfetsch 1975, s. 9–27]. Charakter i przyczyny rozwoju technologicznego stanowią istotną kwestię w ekonomii. Wskazać można wiele uznanych szkół ekonomii, w których w wyjaśnianiu m.in. rozwoju gospodarczego istotne miejsce zajmował rozwój techniczny. Oferowane przez szkoły ekonomii różne podejścia do postępu technicznego są komplementarne, stanowiąc istotny wkład w zrozumieniu procesów i determinant wzrostu produktywności zasobów [Saviotti 1996, s. 18]. Określenie „ekonomia innowacji” sformułowane przez D. Hounshella [2000] jest nadal niespójnie definiowane. Proponowane jest podejście, w którym „ekonomia innowacji” jest postrzegana jako stosowana ekonometria postępu (applied econometrics of progress), stanowiąca dyscyplinę podrzędną ekonomiki przemysłu, której przypisuje się neoklasyczne i inne teorie innowacji. Dominujące znaczenie w teorii innowacji przypisuje się szkole neoklasycznej, którą we współczesnej ekonomii wyróżnia szczególne podejście do rozwoju technologicznego i innowacji (rys. 1.1). W esejach na temat badań w zakresie innowacji publikowane są stwierdzenia na temat modelowania, które powinno mieć podstawy albo „neoklasyczne” [Stadler 1993, s. 160], albo „ewolucyjne” [Schwitalla 1993, s. 69; Saviotti 1996, s. 29]. Mogłoby to wskazywać, że są to podejścia różne (jeśli nie przeciwstawne) w rozumieniu zjawiska innowacji. Schumpeter teoria systemów teoria konsumenta teoria innowacji systemowa teoria wzrostu neoklasyczna neoschumpeteriańska technologiczno-socjologiczna technologiczno-historyczna funkcjonalna Hughes Blume Bernal Rosenberg Saviotti Grupp instytucjonalna Freeman Dosi ewolucyjna oparta na teoriach konkurencyjności oparta na teoriach decyzji Arrow v. Hayek Kamien Schwartz Nelson Winter mikroekonomia innowacji badania w zakresie innowacji Rys. 1.1. Przegląd formalnych teorii i podejść do badań w zakresie innowacji oraz ekonomii innowacji Źródło: opracowanie na podstawie [Grupp 1998, s. 50]. oparta na teorii gier Dasgupta Stiglitz Levin Reiss oparta na nowych teoriach wzrostu Lucas Romer 1.1. Innowacje jako kategoria ekonomiczna 19 Obecnie brak jednoznacznych ujęć w zakresie nauki o innowacjach, które dobrze współgrałyby z kategoriami „neoklasycznymi”, „ewolucyjnymi” lub „instytucjonalnymi” czy też „funkcjonalnymi”, łącznie tworzącymi dorobek oparty na pracach J.A. Schumpetera (rys. 1.1). Można spotkać różne podejścia, które H. Grupp [1998, s. 65] dzieli na trzy konfrontacyjne pary: – zmiany techniczne w modelu ekonomicznym są egzogeniczne lub endogeniczne, – system ekonomiczny opisany jest poprzez stany równowagi lub procesy rozwojowe, – interakcje aktorów ekonomicznych są rozumiane w kategoriach teorii decyzji racjonalnych lub jako samoregulujący się empiryczny proces uczenia się [Clark, Juma 1988, s. 198; Witt 1992b, s. 44]. Już w 1776 r., w książce zatytułowanej An Inquiry into the Nature and Causes of the Wealth of Nations A. Smith wyraźnie podkreślił, że „każdy człowiek z osobna staje się tym większym ekspertem w swej dziedzinie, im więcej pracy w nią zainwestuje, to zaś znacznie podnosi jakość wiedzy jako całości” [Smith 1776, s. 8], zwracając uwagę na czynnik naukowy, jako dający podstawy rozwoju i dobrobytu. A. Smith posługiwał się takimi koncepcjami, jak „równowaga”, „prawa ruchu” oraz „obiektywizm naukowy”, zaczerpniętymi z fizyki I. Newtona. W 1998 r. ukazała się książka D. Landesa [1998], jednego ze współczesnych historyków gospodarki, pod tytułem The Wealth and Poverty of the Nations. D. Landes śladem A. Smitha i M. Webera przypomina, że to kultura, czy też raczej ukształtowana przez religijną tradycję mentalność, w dużym stopniu decyduje o zdolności przezwyciężenia pojawiających się problemów lub pozostawania w błędnym kole ubóstwa, obrażonej dumy (honoru), nieudanych powstań i rewolucji oraz dyktatur. Zdaniem D. Landesa to, co wypchnęło Europę na czoło peletonu, to było „wynalezienie wynalazku”. I tu znów odwołuje się on do poglądów A. Smitha, podkreślając, że warunkami pojawienia się zapotrzebowania na innowacje były przejście do gospodarki towarowej i systematyczne rozszerzanie się rynku. Można zaobserwować, że pod koniec średniowiecza, wraz z wycofywaniem się z poddaństwa i stopniowym przechodzeniem na gospodarkę czynszową, w Europie Zachodniej nastąpiła eksplozja technologiczna [Landes 1998]. Zdaniem K. Marksa kapitalizm prowadzi do ekspansji nowych zjawisk ekonomicznych, gdyż tworzy bodźce i buduje instytucje przyspieszające zmiany techniczne i akumulację kapitału. Akumulacja kapitału i podział pracy stymulują produktywność techniczną i zwrot nakładów kapitałowych. K. Marks zwracał uwagę na zmiany techniczne, podkreślał, że to nauka stanowi niezbędny warunek dla rozwoju nowoczesnych maszyn, metod produkcyjnych lub nowej technologii, a tym samym sprzyja wzrostowi gospodarczemu i dobrobytowi społecznemu [Holland 1988, s. 137; Rosenberg 1974, 1976b, s. 6]. Wskazywał, że istotą kapitalizmu jest nie równowaga, lecz ciągła destrukcja istniejących sposobów wytwarzania, a tym samym, w konsekwencji, nieunikniona destrukcja więzi międzyludzkich i zastępowanie ich nowymi formami organizacji społecznej. Chociaż K. Marks reprezentował podejście 20 1. Innowacje w teorii ekonomii klasyczne, skorzystał z definicji koncepcyjnych wczesnych teoretyków ewolucyjnych, w tym K. Darwina [Rosenberg 1974, s. 715]. Prace K. Marksa zainspirowały pół wieku później J.A. Schumpetera, jednego z najwybitniejszych ekonomistów XX stulecia, który potwierdził, że cechą wyróżniającą kapitalizmu jest twórcza destrukcja, czyli nieustanna innowacyjność. Kluczowa u J.A. Schumpetera jest postać przedsiębiorcy, który nie jest proletariuszem, najczęściej nie jest kapitalistą i rzadko bywa wynalazcą. Kieruje nim pragnienie zmieniania rzeczywistości i ma umiejętność mobilizowania i organizowania potrzebnych do tego celu zasobów: wiedzy, ludzkiej pracy i kapitału [Schumpeter 1911, 1942, 1961]. Rozwój kapitalizmu zdaniem J.A. Schumpetera stał się możliwy w wyniku innowacyjności, czyli zmian w rozwoju kultury oraz infrastruktury ryzyka. Zmiana, innowacja, niesie z sobą niepewność, stwarza zagrożenie dla istniejącego ładu. Dlatego, jak zauważa amerykański antropolog G. Urban, ludzkość przez tysiąclecia wypracowała kulturowe mechanizmy chroniące przed zmianą. W czasach przedkapitalistycznych innowacje były wyjątkami, w epoce kapitalistycznej innowacyjność stała się częścią, jakkolwiek paradoksalnie to brzmi, codziennej rutyny [Sitnik 2009]. Strategicznymi problemami ekonomii nie są zdaniem J.A. Schumpetera rynek i konkurencja, ale przedsiębiorca i związana z nim innowacyjność. I jeśli tak, to istnieje konieczność uwzględnienia, w planowaniu rozwoju, właściwej ludziom nieprzewidywalności. J.A. Schumpeter uważany jest za pierwszego ekonomistę badającego zagadnienia innowacyjności i przedsiębiorczości. Wbrew powszechnemu mniemaniu nie był jednak pierwszym przedstawicielem nauk społecznych, który zajął się tym problemem. Pierwszym przedstawicielem nauk społecznych zajmującym się problemem innowacyjności był prawdopodobnie G. Tarde, francuski socjolog i filozof, który pod koniec XIX w. zainspirował się teorią kapitalizmu K. Marksa i postanowił dociec, jakie są mechanizmy tworzenia nowości. G. Tarde uznawany jest za pierwszego myśliciela, który zrozumiał istotę innowacji i wyjaśnił mechanizmy procesów innowacyjnych [Latour, Lepinay 2009]. Francuski myśliciel wykłada w swym dziele Psychologie économique1 odmienną od klasycznej i marksowskiej teorię ekonomiczną, zwracając uwagę na produktywną rolę innowacji i rozmowy w kreowaniu wartości. Odrzuca założenia metafizyczne tkwiące u podstaw liberalnych koncepcji rynku i odwołujące się do pojęcia równowagi, do jakiej rzekomo ma prowadzić gra interesów zawiadywana „niewidzialną ręką”. Uważa, że równowaga jest nieosiągalna, za sprawą podstawowych własności rzeczywistości: kreatywności i innowacyjności. Koncepcje G. Tarde’a, które zdumiewać mogły w epoce dominacji produkcji fabrycznej, współcześnie, gdy dominują niematerialne formy kreowania wartości, nabierają nowego wymiaru. G. Tarde 1 Dostępna legalnie, w pełnej wersji w sieci wraz z wieloma innymi pracami G. Tarde’a pod adresem: http://classiques.uqac.ca/ classiques/tarde_gabriel/tarde_gabriel.html. 1.1. Innowacje jako kategoria ekonomiczna 21 nie zajmował się de facto ekonomią, refleksja ekonomiczna jest u niego rezultatem badań socjologicznych i antropologicznych. Jednakże wnioski, do jakich dochodzi, analizując pojęcia opinii publicznej, władzy, wartości i innowacji są tak aktualne, jakby nie powstały ponad 100 lat temu. G. Tarde, inaczej niż J.A. Schumpeter, twierdził, iż to nie konkurencja stanowi warunek innowacyjności, ale współpraca, i to szczególny jej rodzaj: cooperation de rencontre inter-cerebrale, tj. kooperacja wynikająca ze spotkania mózgów. Wskazywał, że „międzymózgowe” relacje międzyludzkie kreują nową wiedzę, stanowią także podstawę komunikacji społecznej, bez której niemożliwa byłaby kolejna faza – kopiowania innowacji. Uważany za twórcę teorii naśladownictwa G. Tarde w 1890 r. analizował różnice między społeczeństwem tradycyjnym a nowoczesnym. Zauważył, że w pierwszym nie zdarza się nic nowego i wszystko obraca się w kręgu rutyny. W drugim zaś, dzięki wprowadzanym „wynalazkom”, dokonują się różnorodne „modyfikacje”, które prowadzą do rozwoju gospodarczego [Męczyński 2007, s. 18, 19]. Ch. Babbage [1963] i J. Rae [1834b] opracowali równie ciekawe koncepcje, które obecnie uległy zapomnieniu. Ch. Babbage już w 1832 r. dokonał próby rozróżnienia między wynalazkiem a jego zastosowaniem, a J. Rae w 1834 r. wskazywał, że istotną funkcją rządu powinno być aktywne popieranie badań i zastosowania ich wyników, co po latach potwierdzili współcześni badacze [Mikosik 1993]. J.A. Schumpeter znajdował się także pod wpływem innych (zwłaszcza niemieckich) ekonomistów. Przykładowo F. List [1904] nakreślił w swych pracach ramy społeczne oraz instytucjonalne „systemu narodowego” i skrytykował klasyków ekonomii za brak poświęcania należytej uwagi roli nauki, technologii i kapitału ludzkiego w wyjaśnianiu zróżnicowania tempa wzrostu narodowego. W podręczniku W. Roschera [1886, s. 519], tworzącym wówczas standardy ekonomii, pojęcia takie jak „przewaga uzyskiwana dzięki produktywności”, „odkrycia i wynalazki” oraz „zasada głównych graczy rynku” mają zasłużone miejsce w naukach ekonomicznych. J.A. Schumpeter przyjmował, iż przedsiębiorcy to podmioty gospodarcze, które charakteryzuje względnie zdeterminowany sposób zachowań, będące w środowisku ekonomicznym istotnymi graczami. Taki przedsiębiorca jest zawsze gotowy na podjęcie ryzyka i wykazuje się dużą odwagą wdrażania działań innowacyjnych. Innowacje są dziełem pionierów – twierdził J.A. Schumpeter. Za ich plecami gromadzą się tłumy naśladowców, ale ci też są potrzebni, gdyż udoskonalenia rozpowszechniają się na cały przemysł. Na wprowadzenie innowacji zaciągają kredyty, a wydatki inwestycyjne powodują ożywienie gospodarcze. Poglądy J.A. Schumpetera miały ogromne znaczenie dla kolejnych teorii innowacji XX w., a zwłaszcza dla teorii rozwoju. Jego neoklasyczne podejście do wyjaśnienia i uszczegółowienia zachowań innowacyjnych zostało rozbudowane, dając pierwszeństwo zachowaniom korporacyjnym, skupiającym się na maksymalizacji zysku. System teoretyczny stworzony przez J.A. Schumpetera stanowi łącznik między makroekonomiczną teorią rozwoju a leżącą u jej podstaw mikroekonomiczną kon- 22 1. Innowacje w teorii ekonomii cepcją indywidualnego przedsiębiorcy. To innowacje i przedsiębiorczość stanowią główne czynniki dynamizujące od wewnątrz gospodarkę. Innowacje realizowane przez przedsiębiorców „spiętrzają się” i wywołują zmiany oddziałujące na całą gospodarkę. Siłą napędową rozwoju jest oddziaływanie pewnych elementów układu pod wpływem impulsu początkowego. Proces ma charakter endogeniczny i samonapędzający, jego dynamika płynie z samego układu [Męczyński 2007, s. 23]. Pozostająca pod wpływem myśli J.A. Schumpetera neoklasyczna teoria innowacji miała znaczenie na poziomie badań zarówno mikro-, jak i makroekonomicznych. W założeniach teorii neoklasycznej producenci kierują się dostosowaniem ilości produktu do potrzeb rynku, a popyt determinuje rachunek zysków i strat, kalkulowany przez gospodarstwa domowe. Konsumenci starają się tak zorganizować działania na rynku, by zoptymalizować swe korzyści. Mikroekonomiczne i neoklasyczne podejście do wyjaśniania innowacji ma odzwierciedlenie w literaturze od lat sześćdziesiątych XX w. Innowacje są zazwyczaj oparte na działaniach racjonalnego i maksymalizującego zysk przedsiębiorcy. Działania „proinnowacyjne” odnoszą się nie tylko do cen i rozmiarów produkcji, lecz także do działalności naukowo-badawczej, jako elementów wpływających na optymalizację zasobów. Późniejsza praca J.A. Schumpetera [1942, s. 215] może być rozpatrywana z punktu widzenia teorii konkurencyjności. Na podstawie obserwacji zachowań korporacyjnych w dziedzinie innowacji, podobnie jak w przypadku teorii konkurencji monopolistycznej, doszedł do wniosku, iż pomimo wykorzystywania tzw. praktyk monopolistycznych produkcja globalna może ulec zwiększeniu. Rozważania na temat wielkości korporacji i struktury rynku, jako zmiennych wyjaśniających zjawisko innowacji, są często przedstawiane pod wspólnym określeniem tzw. hipotezy schumpeteriańskiej. R.R. Nelson i S.G. Winter [1982a, s. 114] określają to następująco: „Struktura rynkowa tworzona przez duże firmy o znaczącym stopniu władzy rynkowej to cena, jaką społeczeństwo musi zapłacić za gwałtowny postęp technologiczny”. W tradycji schumpeteriańskiej noblista K.J. Arrow postrzegany jest jako jeden z pierwszych neoklasycznych badaczy wnoszących wkład do nowoczesnej teorii innowacji w nawiązaniu do teorii konkurencyjności. K.J. Arrow wskazuje, że struktura rynku jest istotnym elementem innowacyjności, a rezultaty analiz J.A. Schumpetera wykazują, że pełna konkurencja w przeciwieństwie do pozycji monopolistycznej stanowi większy bodziec stymulujący innowacje [Arrow 1962a, b]. Modelowe podejście K.J. Arrowa prezentuje relacje pomiędzy strukturą rynku i bodźcami w zakresie innowacji w sposób precyzyjny, a jego poglądy uważane są często za obalające twierdzenia J.A. Schumpetera. Jednak porównanie przeprowadzone przez B. Schwitallę [1993, s. 20] wykazuje, że K.J. Arrow nie postrzega bezpośrednio konkurencji jako zjawiska mającego formę nowych lub znanych produktów, przyjmujących nowe cechy dzięki działalności innowacyjnej, co w przypadku J.A. Schumpetera stanowiło istotny element. W tradycji neoklasycznej model jest ograniczony do ele- 1.1. Innowacje jako kategoria ekonomiczna 23 mentów ilościowego i cenowego – parametrów konkurencyjności, stąd obalenie tzw. hipotezy J.A. Schumpetera za pomocą modelu K. Arrowa jest mocno dyskusyjne. Inna koncepcja teorii konkurencyjności została zaprezentowana przez laureata Nagrody Banku Szwecji F. von Hayka [1978], który analizował znaczenie wiedzy w gospodarce. Konkurencja jest procesem odkrywania, a firmy przygotowane do podejmowania działań innowacyjnych poszukują niewykorzystanych możliwości, w ramach „procesu eksploracji”, odgrywającego znaczącą rolę w rozwoju wiedzy technicznej. F. von Hayek przedstawia powiązania między rozwojem technicznym i rozwojem gospodarczym, wskazując, że „możliwości rozwojowe będą, z dużym prawdopodobieństwem, tym większe, im obszerniejsze są ciągle jeszcze niewykorzystane możliwości danego kraju” [von Hayek 1978, s. 189]. Podejście do konkurencyjności prezentowane przez H. Grossekettlera [1985] pozwala na diagnozowanie porażki w koordynacji procesów rynkowych, daje się zastosować empirycznie do wynajdowania rynków dysfunkcyjnych. Istotne są powiązania pomiędzy pozycją monopolistyczną i innymi wariantami strukturalnymi (zwłaszcza wejście firm na rynek częściowy dzięki procesom innowacyjnym) wraz z samą innowacją (w odniesieniu do produktów lub procesów). W poglądach H. Grossekettlera jakość nowych produktów może zostać zweryfikowana poprzez włączenie czynnika rozwoju produktu do analizy funkcjonalności polityki konkurencyjności – w przeciwieństwie do modelu K.J. Arrowa [Grossekettler 1985, s. 243]. Rozważania w zakresie teorii decyzji stanowią rozszerzenie wcześniejszych podejść neoklasycznych do teorii innowacji – opisując zachowania innowacyjne w sposób bardziej realistyczny niż model K.J. Arrowa. Uwzględniają takie zjawiska, jak niepewność, dynamika, czynniki zewnętrzne i inne aspekty typowe dla zagadnienia innowacji [Schwitalla 1993, s. 24]. Do reprezentantów tego podejścia należą m.in. M.I. Kamien i N.L. Schwartz [1982, s. 112], którzy opracowali model optymalizacji okresu rozwoju substytutu produktu innowacyjnego przez firmę. W zależności od wyboru parametrów modelu decyzyjnego, działania innowacyjne albo powoli zmniejszają się wraz ze wzrostem konkurencyjności, albo w momencie, gdy wzrost osiągnie maksimum, zaczynają tracić intensywność – w drugim przypadku uzyskuje się maksimum dla działań innowacyjnych na opisanym rynku. Wariant pierwszy potwierdza w tym przypadku oryginalną hipotezę J.A. Schumpetera. Z punktu widzenia teorii gier możliwe jest modelowanie pewnych interakcji pomiędzy decyzjami naukowo-badawczymi firmy, co może być uważane za przedłużenie podejścia odnoszącego się do teorii decyzji. Wczesny model teorii gier opracowany przez F.M. Scherera [1967], zakłada, że uczestnicy rynku optymalizują czasokres rozwoju innowacji, pozwalając na reakcję konkurentów. Według neoklasycznej teorii rozwoju postęp techniczny, przejawiający się wzrostem stymulujących go czynników, jest dla gospodarki tak samo istotny jak w przypadku modelowania mikroekonomicznego [Krelle 1985]. W 1957 r. R.M. Solow dowodził, że głównym czynnikiem rozwoju gospodarki w dłuższym okresie nie jest ani kapitał, ani wzrost zasobów siły roboczej, lecz postęp techniczny [Solow 1957, 24 1. Innowacje w teorii ekonomii s. 320, 321], przy czym uwagę skupił na skutkach zmian technicznych, a nie ich związku ze źródłami rozwoju gospodarki. R.M. Solow definiuje rozwój techniczny w kategoriach wpływu na „przesunięcie funkcji produkcji” [Solow 1957, s. 321], włączając obok kapitału i pracy – jako trzeci czynnik makroekonomicznej funkcji produkcji – tempo rozwoju technologicznego. Stopa wzrostu poziomu technicznego pojawia się jako reszta, stanowiąca różnicę między stopą wzrostu produktu społecznego a zasobami kapitału i pracy jako czynników produkcji [Kendrick 1991; Bollmann 1990, s. 19]. Niewyjaśnione pozostaje to, jak ostatecznie wytwarzany jest postęp techniczny oraz jakie korporacyjne aspiracje czy też kalkulacje go stymulują. W nowej teorii rozwoju, w odróżnieniu od hipotezy R.M. Solowa, zakłada się, że należy wykorzystać niezbędne zasoby gospodarki w celu wygenerowania wiedzy technologicznej. Tym samym działania innowacyjne stanowią specyficzną formę inwestycji realizowanych przez bystrych i racjonalnych przedsiębiorców. W latach siedemdziesiątych XX w., w ramach teorii racjonalnych oczekiwań, podjęto rozważania, według których wszystkie podmioty gospodarcze, przewidując przyszłe trendy w kategoriach zmiennych, wykorzystują efektywnie i w pełni wszelkie dostępne informacje, eliminując w ten sposób błędy systematyczne [Lucas 1972]. Założenie R.M. Solowa stwierdzające, iż stopa zaawansowania technicznego postrzegana jest jako parametr egzogeniczny, wymaga przedefiniowania, ponieważ jednostki gospodarcze dążą do rozwoju poprzez zmiany techniczne. W konsekwencji teoria racjonalnych oczekiwań obecna jest w teorii nowego rozwoju, gdzie postępowi technicznemu przypisuje się cechę endogeniczności2. Przykładowo R.E. Lucas zakłada, że produktywność kapitału ludzkiego w przyszłości zależy od alokacji poczynionych w dniu dzisiejszym [Lucas 1988, s. 17]. Endogenizacja postępu technicznego – podporządkowanie procesów alokacji bodźcom rynkowym – zakłada, iż nowa wiedza techniczna personelu w korporacji jest częściowo generowana wewnętrznie, a tym samym może się rozwijać poprzez możliwy do uzyskania wzrost produktywności kapitału ludzkiego, przy ponadprzeciętnej stopie wzrostu [Romer 1990, s. 83]. Tym samym wyniki działań naukowo-badawczych nie są już uważane za dobro publiczne, do którego wszystkie firmy mają równy dostęp, lecz za towar, na który firma musi wydać swe własne zasoby. Jest to widoczny, makroekonomiczny paralelizm, który zawsze zmusza firmy do wkalkulowywania wydatków na B + R. To właśnie R.E. Lucas [1988, 1990] oraz P.M. Romer [1986, 1990] byli pionierami w tej dziedzinie. R.E. Lucas opublikował te artykuły również w specjalistycznych czasopismach finansowych i niezmiennie interesował się racjonalnymi oczekiwaniami co do przepływu kapitału pomiędzy gospodarkami narodowymi. Za swe odkrycia na tym polu został nagrodzony w 1995 r. Nagrodą Nobla w dziedzinie ekonomii. W powiązaniu z teorią nowego rozwoju, jego zainteresowania skupiają się głównie na zróżnicowaniu i zmianach kapitału ludzkiego. W modelach późniejszych R.M. Solow [1991] opisał endogenizację wzrostu jako postęp intelektualny. 2 1.1. Innowacje jako kategoria ekonomiczna 25 P.M. Romer wykazał, że większa produktywność kapitału ludzkiego skutkuje w gospodarce wzrostem egzogenicznym. Model ten jest interesujący zwłaszcza w kontekście egzogenicznie wymodelowanej zmiany technicznej w neoklasycznej teorii innowacji. Aby podejście innowacyjne było uważane za ewolucyjne lub instytucjonalne, konieczne jest spełnienie trzech podstawowych założeń3: – racjonalni, ograniczeni uwarunkowaniami gracze negocjują na poziomie mikroekonomicznym, – transakcje nie są ukierunkowane na uzyskanie równowagi [Tichy 1985], – rynki i inne udogodnienia definiują wybór mechanizmów pomiędzy instytucjami i udogodnieniami technicznymi4. Bez względu na to, jak zróżnicowane są prowadzone badania, mają wspólne obszary w zakresie zmian technicznych i ich przyczyn, w odniesieniu do procesów generujących zmiany oraz ich konsekwencji [Witt (red.) 1992b, s. 13]. Do połowy lat osiemdziesiątych ubiegłego wieku wydawało się, że zwolennicy ekonomii instytucjonalnej, w wąskim rozumieniu, przyczynią się w największym zakresie do ewolucyjnych badań innowacyjnych [Witt 1992a]. Behawioralna teoria innowacji (lub ewolucyjna teoria innowacji w sensie zawężonym) wyjaśnia zjawiska ekonomiczne i społeczne w kategoriach jednostki, stanowiącej podmiot gospodarczy, czyli organizacji, a nawet „instytucji”5. To przedłużenie teorii J.A. Schumpetera, dzielącej podmioty gospodarcze według mocnych stron ich osobowości, w przypadku przedsiębiorców oraz różnych zachowań innowacyjnych będących ich wynikiem. Przykładem behawioralnych modeli innowacji jest podejście R.R. Nelsona i S.G. Wintera [1982b]. Instytucjonaliści i historycy zachowują się odmiennie od postawy prezentowanej przez R.R. Nelsona i S.G. Wintera, zarzucając modelowanie symulacyjne i rozwijając badania innowacyjne, z wykorzystaniem teorii instytucjonalnej i statystyki. Szkoła ta wywodzi swą typologię i klasyfikację z podejścia do zmiany technologicznej. Wprowadza technologiczny i społeczno-ekonomiczny rozwój strukturalny z historycznego punktu widzenia oraz wykorzystuje dane statystyczne w celu ustalenia powiązań techniczno-ekonomicznych [Cohen, Levin 1989; Cohen 1995; Schwitalla 1993]. Ch. Freeman i inni badacze z Science Policy Research Unit (SPRU) Uniwersytetu w Sussex stanowią głównych przedstawicieli tej szkoły. Pierwszy rozdział swego kluczowego dzieła The Economics of Industrial Innovation Ch. Freeman zatytułował The rise of science-related technology i tym samym ożywił wcześniejsze idee K. Marksa i J. Bernala [Freeman 1982, s. 8]. Skupiając się na najintensywniej rozwiZob. przegląd zaprezentowany przez R.R. Nelsona [1995]. Jak w pracy [Dosi, Freeman 1992, s. 3]. 5 Np. J. Mokyr [1990a, b] analizuje powiązania pomiędzy kreatywnością technologiczną, a postępem ekonomicznym. 3 4 26 1. Innowacje w teorii ekonomii jających się sektorach gospodarki XX w., Ch. Freeman podkreśla, że przemysłowa działalność innowacyjna jest zawsze profesjonalnie zarządzana, a rozwój technologiczny coraz bardziej zależy od wiedzy naukowej. Profesjonalizm systemu B + R, według Ch. Freemana [1982 s. 10], to nie jedyny komponent wpływający na coraz bardziej naukowy charakter technologii. Inne czynniki to: rosnąca kompleksowość, wysoce zaawansowany system innowacyjny, techniki powiązań sieci oraz kierunek podziału pracy i specjalizacji. Tym samym ekonomia nie może już dłużej ignorować kompleksowości rozwoju technicznego, jako obszaru wiedzy, czy też uważać go za egzogeniczny. K.M. Pavitt rozszerza idee Ch. Freemana, przedstawiając typologię wzorców innowacji. Identyfikuje cztery grupy sektorów gospodarki: sektory zdominowane przez podaż, sektory intensywne pod względem skali, specjalnych dostawców oraz sektor oparty na nauce, w którym innowacje są bezpośrednio związane z rozwojem nauki, podczas gdy w teorii nowego rozwoju kapitał ludzki stanowi kryterium ograniczające [Pavitt 1984, s. 354]. Koncepcję paradygmatu technologicznego wprowadził do ekonomii instytucjonalnej G. Dosi [1982, 1988a, b]. Określał innowacje jako elementy umożliwiające rozwiązywanie problemów. Możliwości te są wypadkową możliwości technologicznych oraz kosztów innowacji, ponoszonych przez korporacje. Głównym zagadnieniem odnoszącym się do mikropodstaw teorii innowacji są strategie [Dosi 1994], według których podmioty gospodarcze zdobywają wiedzę i kompetencje w celu rozwiązania swych problemów technologicznych i organizacyjnych. Ze względu na to, że wiedza techniczna składa się z ogólnie dostępnej wiedzy naukowej, ale ponadto charakteryzuje się też specyficzną dla danej firmy (instytucji, sektora) naturą, co sprawia, że postrzegają one siebie jako podlegające różnym wpływom technologicznym. Teoria innowacji według G. Dosiego może zostać podzielona na dwa główne poziomy rozważań: między- i wewnątrzsektorowy. Możliwości technologiczne i adekwatność zastosowań różnią się zasadniczo w odniesieniu do problemu ochrony patentów, utrzymania tajemnicy informacji poufnych, technicznej adekwatności, wsparcia przez publiczny system badawczy itp., w zależności od technologii i sektora przemysłu. Mechanizmy skupiające się na wprowadzeniu na rynek, np. wzrost popytu, odwołanie się do przepisów prawa, elastyczność aspektów dochodu i ceny, również prowadzą do zróżnicowanych zachowań sektorowych w odniesieniu do innowacji. W obrębie sektora, z uwzględnieniem typowych dla sektora wzorców innowacji, istnieje nadal pewna doza niewyjaśnionych zachowań innowacyjnych, specyficznych dla instytucji, które wywodzą się ze struktur korporacyjnych, relacji parametrów oraz strategii innowacji nietypowych dla sektora. Firmy w obrębie sektora różnią się w kategoriach już posiadanego naukowego i technicznego know-how. Część strategii innowacyjnych firm to praktycznie ich możliwości przyswojenia wiedzy relatywnej do indywidualnie osiągalnego, przyszłościowego statusu wiedzy, a także do aktywacji i adaptacji wiedzy już posiadanej. Wprowadzając podział na determinanty wewnątrz- i międzysektorowe, G. Dosi odrzuca zwyczajowo przyjmowane założenie firmy reprezentacyjnej w neoklasycz- 1.1. Innowacje jako kategoria ekonomiczna 27 nej teorii innowacji, a tym samym przyjmuje stanowisko typowe dla nowej ekonomii instytucjonalnej. G. Dosi cytuje wzmiankowaną wcześniej klasyfikację przemysłową K.M. Pavitta jako przykład typologii sektorowych zachowań innowacyjnych. W przeciwieństwie do R.R. Nelsona i S.G. Wintera G. Dosi postrzega wielkość firmy, a także strukturę przemysłu, jako parametry endogeniczne dla procesów innowacji i konkurencyjności. Z porównań innych istniejących teorii innowacji wynika, że podejścia ewolucyjno-instytucjonalne są w dużej mierze „nadrzędne” wobec podejścia neoklasycznego, głównie w zakresie przeprowadzania ewaluacji mechanizmów konkurencyjnych. Z punktu widzenia instytucjonalnych i ewolucyjnych teorii innowacji, podejścia instytucjonalno-historyczne wydają się najodpowiedniejsze dla angażowania wzmiankowanych powyżej aspektów innowacji, gdyż włączenie jednostek ekonomicznych, innych niż gospodarstwa domowe i firmy, ma znaczenie nadrzędne (zwłaszcza w odniesieniu do publicznej infrastruktury badawczo-rozwojowej oraz instytucji prawodawczych). Instytucjonalne i ewolucyjne teorie innowacji dążą do ewaluacji form rynkowych inaczej niż w przypadku neoklasycznej teorii równowagi. „Pełna konkurencja” nie stanowi ideału, gdyż nie łączy się z konkurencją w zakresie innowacji. Konkurencyjne zachowania firm, które nie są bezpośrednimi rywalami, nie są więc jednoznacznie zdefiniowane z teoretycznego punktu widzenia, ale stanowią proces otwarty, w związku z czym sekwencja ekonomiczna, na podstawie której określa się koszty innowacji, nie może być dokładnie przewidziana. Skłonność do interdyscyplinarności charakteryzująca większość prac naukowych na temat innowacyjności jest odzwierciedlona przez to, że żadna pojedyncza dyscyplina nie zajmuje się wszystkimi aspektami innowacji. Dlatego też, aby uzyskać kompleksowy obraz, należy połączyć spojrzenia kilku dyscyplin. Tradycyjnie np. ekonomia zajmowała się przede wszystkim przydziałem zasobów na innowacje (w konkurencji z innymi celami) oraz ich skutkami ekonomicznymi, podczas gdy sam proces innowacji był traktowany mniej lub bardziej jako „czarna skrzynka”. To, co działo się wewnątrz tej „skrzynki”, pozostawiano naukowcom z innych dziedzin. Wiele z tego, co się działo, miało w oczywisty sposób do czynienia z uczeniem się – zasadniczą kwestią w naukach poznawczych. Tego rodzaju uczenie się występuje w zorganizowanych strukturach (np. grupach, zespołach, firmach i sieciach), których praca jest badana przez takie dziedziny nauki, jak: socjologia, nauka o organizacji, zarządzanie i badania handlowe. Co więcej, jak podkreślają geografowie gospodarczy, proces uczenia się dąży do powiązania ze specyficznymi kontekstami lub lokalizacjami. Sposób, w jaki innowacja jest zorganizowana, oraz jej lokalizacja także podlegają istotnym zmianom w miarę upływu czasu, co podkreślają prace w dziedzinie historii gospodarczej. Istnieje do tego także, co wykazali historycy techniki, specyficzny wymiar technologiczny; sposób organizacji innowacji, a także jej skutki ekonomiczne i społeczne, zależą zasadniczo od specyficznego charakteru rozpatrywanej technologii [Fagerberg i in. (red.) 2007, s. 3, 4]. Inny podział i podejścia do teorii innowacji przedstawił C. Antonelli [2008b], który zebrał i przedyskutował 78 najważniejszych, w jego opinii, opracowań teore- 28 1. Innowacje w teorii ekonomii tycznych i badań empirycznych z lat 1945–2007 na temat innowacji. Autor wskazuje, że w podejściach do innowacji można zidentyfikować cztery nurty: – klasyczny, inspirowany dorobkiem A. Smitha i K. Marksa, – oparty na pracach J.A. Schumpetera, – oparty na poglądach K.J. Arrowa i rozwijający je, – dorobek A. Marshalla, ostatecznie sformułowany w podejściach ewolucyjnych. Podejścia klasyczne są szczególnie użyteczne w rozumieniu znaczenia innowacji i zmiany technologicznej dla rozwoju gospodarczego. Wkładem tej linii analizy są m.in. indukowane podejście do zmiany technologicznej oraz rola uczenia. Dorobek J.A. Schumpetera dostarcza podstaw do dociekań w dziedzinie relacji między innowacją a konkurencją na rynku, z ważnymi implikacjami dla teorii firmy oraz teorii rynków. Podejście J.A. Schumpetera koncentrowało się na roli innowacji jako narzędzia konkurencji, a także na korporacji i przedsiębiorczości jako czynnikach napędowych gospodarki. Spuścizna arrowiańska umożliwiła odkrycie ekonomii wiedzy z jej implikacjami dla teorii organizacji i ekonomii regionalnej. Biologiczne odniesienia oparte na pracach A. Marshalla oraz podejściu ewolucyjnym i wspólne założenia zgodne z ekonomią złożoności wskazały drogę do zrozumienia dynamiki rozwoju w powiązaniu z zależnościami systemowymi, charakterystycznymi dla zmian technologicznych i strukturalnych. W drugiej połowie XX w. podejścia ewoluowały równolegle z procesem specjalizacji właściwych im obszarów. Prowadzone w świecie badania sprzyjały procesom rosnącej konwergencji i integracji nurtów. Wyjaśnienie pochodzenia i ewolucji podejść do innowacji powinno ułatwić zestawienie matrycy pojęć i koncepcji właściwe wskazanym podejściom do innowacji (tab. 1.1). Klasyczne podejścia J.A. Schumpetera, K.J. Arrowa i A. Marshalla różnią się w odniesieniu do standardów w ekonomii, jeśli chodzi o przypisywanie podmiotom gospodarczym zdolności do zmiany ich funkcji produkcyjnych i użytkowych. A wspólne motywy to: 1) coraz większą uwagę skupia podstawowe pojęcie uczenia się, ostatecznie formułowane w kategoriach reakcji kreatywnej, 2) heterogeniczność uczenia się i warunki interakcji, 3) uznanie wpływów historycznych (na poziomie systemu i podmiotów gospodarczych). Granice między ujęciami zacierają się, w miarę nakładania się obszarów analiz i tradycyjnych nurtów badawczych. Ekonomia innowacji staje się oddzielnym polem dociekań naukowych, z dużym wachlarzem uzupełniających się koncepcji, w obrębie zbieżnych i zgodnych dziedzin specjalizacji. W ekonomii neoklasycznej zmiana technologiczna jest egzogeniczna. Czasami szok technologiczny zakłóca warunki równowagi systemu: firmy raczej nie są zdolne do zmiany swoich technologii6. Jednak badania empiryczne R.M. Solowa [1957] oraz M. Abramovitza [1956b] pokazały, że ponad 50% wzrostu produkcji w gospodarce Stanów Zjednoczonych, pod koniec XIX w. nie może być przypisanych wzrostowi nakładów – to właśnie odkrycie reszty zbiega się w czasie z narodzinami ekonomii innowacji. 6 Wyszczególnienie Innowacja i rozwój Innowacja i konkurencja Innowacja w ewoluujących systemach Innowacja i wiedza Podejście klasyczne – podział pracy – presja popytu – bodziec Podejście J.A. Schumpetera – kreatywna destrukcja – – – – odpowiedź kreatywna hipoteza Schumpetera przedsiębiorczość konkurencja monopolistyczna – wydajność zależna od struktury – dominujący projekt – sieciowe efekty zewnętrzne – – – – fala innowacji badania i rozwój parcie technologiczne okazje technologiczne – – – – Podejście K.J. Arrowa – reszta – uczenie się przez wykonywanie – uczenie się przez użytkowanie – nowa teoria rozwoju – wiedza jako czynnik produkcji – quasi-dzierżawa wiedzy – przemieszczenie – – – – – wiedza jako towar ekonomiczny przemieszczenie wiedzy okręgi przemysłowe asymetria wiedzy zarządzanie wiedzą – technologie ogólnoużytkowe – systemy technologiczne Podejście A. Marshalla: ewolucja i złożoność – trajektorie technologiczne – szlaki technologiczne – cykl życia – epidemiczne rozprzestrzenianie się – dynamika replikacji – zlokalizowana wiedza technologiczna – wiedza rozdzielona – sieci innowacyjne – wiedza jako materiał wejściowy i wyjściowy – kompetencje – uczenie się – wiedza zbiorowa dynamiczna wydajność wzorce sektorowe reżimy technologiczne kreatywne dostosowanie – zlokalizowana zmiana technologiczna – zależność wsteczna – pozytywne informacje zwrotne – uzależnienie od procedur – relacje twórcze 29 Źródło: opracowanie na podstawie [Antonelli 2008b, s. 2]. – specjalizacja przemysłowa 1.1. Innowacje jako kategoria ekonomiczna Tabela 1.1. Główne założenia koncepcji innowacji 30 1. Innowacje w teorii ekonomii Kluczowymi pytaniami są: jak innowacje wchodzą na rynek, jak nowość zyskuje pozycję w grze ekonomicznej i technologicznej, jak i dlaczego rośnie całkowity wskaźnik wydajności pracy, jak firmy w ogóle generują nowości i reagują na wprowadzenie ich na rynek? Narodziny ekonomii innowacji jako szczególnej dziedziny badań i dociekań naukowych i – w szerszym kontekście – rosnącej specjalizacji w ekonomii, mogą zostać uznane za ostateczny efekt w analizie wzrostu produkcji i wydajności pracy, ceteris paribus poziomu nakładów, gdy i jeżeli nie występuje wzrost dochodów. W pracach A. Smitha [Rosenberg 1965] i K. Marksa [Marx 1976] znajdujemy istotne elementy analizy zmiany technicznej i wyjaśnienie, dlaczego nie można rozdzielić ekonomii innowacji i nowej technologii, a także wskazanie na potrzebę opracowania narzędzi do ekonomicznego zrozumienia ciągłych transformacji, charakteryzujących rozwój i zmianę. Jak podkreślają przedstawiciele szkoły klasycznej, zmiana technologiczna jest nieodzownym aspektem rozwoju ekonomicznego. W dążeniu do zrozumienia czynników determinujących wczesne etapy pierwszej rewolucji przemysłowej A. Smith opracował podstawowe elementy podejścia opartego na wpływie popytu na gospodarkę. Podział pracy jest determinowany przez wielkość rynku, jakikolwiek wzrost wielkości rynku może prowadzić do wzrostu podziału pracy, a przez to do specjalizacji. Specjalizacja jest podstawą ukierunkowanego uczenia się i w konsekwencji wprowadzenia innowacji. Innowacje zwiększają wydajność pracy i przez to rozmiar rynku. Jak zauważa N. Rosenberg [1965], A. Smith stworzył podwaliny pod analizę zmiany technologicznej jako procesu endogennego i samozasilającego się. A.A. Young [1928] i N. Kaldor [1972] rozwinęli to podejście i wykazali nieadekwatność ekonomii równowagi w rozumieniu dynamiki zmiany technologicznej. Prace A. Smitha dostarczyły uzasadnienia roli wiedzy i zmiany technologicznej jako czynników endogennych w wyjaśnianiu dynamicznego charakteru procesu ekonomicznego. Podział pracy pełni funkcję przyczyny w analizie pochodzenia akumulacji kompetencji i wiedzy – podział pracy jest przyczyną wzrostu kompetencji pracowników7, co generuje nową wiedzę i w konsekwencji innowacje technologiczne. A. Smith przedstawił teorię jednokierunkowego rozwoju wiedzy technologicznej. Uczenie się przez wykonywanie oraz uczenie się przez wykorzystywanie w praktyce leżą u podstaw wynalazków, które w konsekwencji umożliwiają wprowadzenie nowych i ulepszonych maszyn. Kompetencje zawodowe pracowników nabywane i wdrażane są za pomocą procesów uczenia się, które ostatecznie, w wyniku podziału pracy, są przyczyną zdobywania umiejętności. Procesy uczenia się wewnętrzne dla każdej firmy nie są jedynymi czynnikami akumulacji nowej wiedzy. Ważną rolę odgrywają także producenci maszyn i naukowcy. W wyniku tego podział pracy włąPierwsze cztery księgi An Enquiry into the Nature and Causes of the Wealth of Nations [Smith 1776], poświęcono odkrywaniu procesu ekonomicznego i jego determinant, część wstępna zaś dotyczy relacji: produktywność–podział pracy. 7 1.1. Innowacje jako kategoria ekonomiczna 31 czany jest do opracowań naukowych i staje się istotnym czynnikiem organizacji i skuteczności postępu naukowego. Interpretacja A. Smitha potwierdza kluczową rolę ekonomii wiedzy w rozumieniu procesu ekonomicznego, kształtowanego przez ciągły rozwój oparty na wprowadzaniu nowych technologii. U A. Smitha można znaleźć wczesne podstawy ekonomicznego zrozumienia mechanizmów działających przy generowaniu wiedzy technologicznej – podaje dogłębną analizę, w której wiedza technologiczna uważana jest za ostateczny wynik co najmniej trzech procesów: a) procesu jednokierunkowego rozwoju poprzez uczenie się przez wykonywanie i uczenia się przez używanie, b) wyspecjalizowanej działalności „filozofów” w procesie odgórnym, c) interakcji z dostawcami maszyn oraz półfabrykatów. Powstaje w ten sposób dynamiczny mechanizm napędowy, w którym podział pracy jest konsekwencją wielkości rynku oraz przyczyną wzrostu wiedzy technologicznej, a przez to wynalazków i w końcu innowacji technologicznych, prowadzących do wzrostu produktywności. Wzrost produktywności daje w konsekwencji wzrost popytu, a przez to prowadzi do ekspansji rynkowej8. A. Marshall śledził kierunek badań A. Smitha i odkrył podwójny związek między podziałem pracy a wprowadzeniem nowych technologii [Marshall 1890, 1911]. Zmiana technologiczna i specjalizacja to dwie strony tego samego procesu. A.A. Young [1928], rozwijając myśl A. Marshalla, przyczynił się do skupienia uwagi na kluczowej roli dynamiki endogennej w pracy A. Smitha i stwierdził, że interakcja między zmianą technologiczną a strukturalną jest wzmacniana przez dynamikę podziału pracy. Specjalizacja, akumulacja umiejętności, wprowadzanie nowych technologii oraz wzrost wielkości rynku to kroki w kierunku zmiany technologicznej, która pełni zasadniczą funkcję w rozwoju ekonomicznym, będąc wynikiem i przyczyną rosnącego zróżnicowania technologicznego i jego komplementarności w obrębie systemu ekonomicznego. Ustanawia tym samym pierwsze elementy dynamicznego podejścia systemowego do zrozumienia rozwoju ekonomicznego9. N. Kaldor [1972] uznał zasadniczy wkład A. Smitha w budowanie dynamicznej teorii procesu ekonomicznego, gdzie kluczowe miejsce zajmują zmiana technologiczna i wiedza technologiczna indukowane przez wzajemne oddziaływanie skutków podziału pracy oraz rozmiarów rynku. Zmiany technologiczne realizują się w warunkach braku równowagi w systemie ekonomicznym, a firmy są postrzegane nie jako pasywni użytkownicy danych technologii, wybierające techniki odpowiednie dla danego zestawu względnych cen, ale jako podmioty zdolne do zmiany i tworzenia własnych technologii. W ten sposób analiza A. Smitha zatacza pełen krąg. Systemy ekonomiczne postrzegane są przez A.A. Younga jako złożone i dynamiczne organizacje adaptacyjne, stworzone przez autonomiczne, a jednak wzajemnie powiązane i zależne od siebie jednostki, które zmieniają się w czasie. 8 9 32 1. Innowacje w teorii ekonomii Empirycznych dowodów dla hipotezy, że wzrost popytu wymusza wzrost wiedzy technologicznej, a przez to rozwój wynalazków i ostatecznie innowacji technologicznych, dostarcza J. Schmookler [1954], potwierdzenia roli wpływu popytu w podejściu postkeynesowskim dokonali D. Mowery i N. Rosenberg [1979]. J. Schmookler określa współczesną ekonomię jako naukę tworzącą obraz gospodarki, w której rozwój polega jedynie na powtarzaniu (replicating) znanych wzorów naukowych i technologicznych. Dodaje przy tym: „Podczas gdy analiza jedynie replicating (powtarzającej stare metody technologiczne) gospodarki jest pożyteczna dla zrozumienia wielu zjawisk ekonomicznych, jej przydatność dla studiowania rozwoju gospodarczego jest ograniczona” [Schmookler 1966, s. 3]. Neoklasyczna ekonomia jest lepiej przygotowana do analizowania „powtarzania” (replication), przeto postęp naukowo-technologiczny stanowi w dużym stopniu terra incognita nowoczesnej ekonomii [Fiedor 1979a, s. 41]. K. Marks wprowadził – w oparciu o znajomość procesów historycznych, charakteryzujących pierwszą rewolucję przemysłową – wstępne elementy teorii endogennej zmiany technologicznej, jako wyniku zamierzonego procesu substytucji siły roboczej: wraz ze wzrostem płac kapitaliści są skłaniani do wprowadzania nowych, kapitałochłonnych technologii, które pomagają zmniejszyć presję związków zawodowych i zwiększają wydajność pracy10. Opisuje on, w jaki sposób zmiana technologiczna stanowi narzędzie, za pomocą którego kapitaliści z jednej strony zwiększają zyski, a z drugiej uzyskują wzrost wartości dodatkowej z procesu produkcji [Rosenberg 1974]. Podkreśla, iż zmiana technologiczna umożliwia zmniejszenie ceny towarów na rynku, a jednocześnie umożliwia wzrost wartości dodanej. Pierwsza z opisanych ról napędza proces konkurencji pomiędzy kapitalistami, wynikiem drugiej zaś jest wyzysk siły roboczej jako klasy przez kapitalistów [Rosenberg 1976a]. W analizie innowacji konieczne jest rozróżnienie między modelami indukowanej zmiany technologicznej, skupionymi na zmianach cen czynników produkcji, a modelami indukowanej zmiany technologicznej, podkreślającymi statyczne warunki rynków odnoszących się do czynników produkcji. W pierwszym podejściu firmy są stymulowane do zmiany technologii wówczas, gdy wzrasta cena czynników produkcji. Zmiana cen czynników produkcji działa jak mechanizm pobudzający, który wyjaśnia zarówno tempo, jak i kierunek wprowadzania nowych technologii [Hicks 1932]. Zmiana cen czynników produkcji skłania firmy do wprowadzenia nowych technologii w celu zmniejszenia kosztów tego czynnika produkcji, który stał się bardziej kosztowny. Wprowadzenie nowych technologii uzupełnia proces substytucji, tj. zmianę techniczną reprezentowaną przez wybór nowych technik, określonych w kategoriach natężenia czynników produkcji. W tym przypadku, jak wyjaśnia W. Fellner [1961], zmiana technologiczna jest uważana za rozszerzoną formę substytucji: zmiana technologiczna uzupełnia zmianę techniczną. 10 Analiza zmiany technologicznej odgrywa kluczową rolę w głównej pracy K. Marksa Capital: A Critique of Political Economy [1976]. 1.1. Innowacje jako kategoria ekonomiczna 33 Pierwszą próbą zmierzenia się z zagadnieniem reszty w ramach neoklasycznych były badania K.J. Arrowa, który stworzył podstawy teorii rozwoju ekonomicznego, opartego na procesie uczenia się, umożliwiającego tworzenie nowej wiedzy i wprowadzanie nowych technologii [1962a,b]. Podmiotom gospodarczym przypisuje zdolność uczenia się, uczenie się jest wynikiem powtarzających się w czasie działań i refleksyjnego myślenia. Uczenie się ma silne cechy kumulacyjne i jako takie prowadzi do dynamicznie rosnących zysków, gdzie redukcja kosztów jest raczej powiązana z czasem niż ze zwykłym rozmiarem produkcji. Zgadza się to z konserwatywnym poglądem tylko tak długo, jak długo stosuje się do podmiotu wzorcowego: uczenie się powinno być powszechne i symetryczne we wszystkich podmiotach w systemie. Badania pokazują zróżnicowanie tego procesu w regionach, gałęziach przemysłu, firmach i fazach historycznych. Mimo to powtórne odkrycie pojęcia uczenia się, pierwotnie wprowadzonego przez A. Smitha, jest przydatne w wielu różnych aspektach. A.B. Atkinson i J.E. Stiglitz [1969] przeprowadzili analizę uczenia się i roli ograniczeń technicznych w kształtowaniu procesu technologicznego: uczenie się jest możliwe wyłącznie w ograniczonym zakresie technik, w których firmy miały praktykę. Przez to, jak uważa C. Antonelli [1995] zmiana technologiczna jest zlokalizowana (w sensie przynależności przestrzennej i czasowej). Teoria uczenia się dostarcza podstaw do integracji analizy zmiany technologicznej w kontekście równowagi z nową teorią rozwoju, która jest oparta na trzech ważnych elementach ekonomii wiedzy: a) rozróżnieniu między wiedzą ogólną a wiedzą ukrytą oraz powiązanym pojęciu wiedzy technologicznej, jako dobra quasi-publicznego z powodu quasi-przyswajalności; b) zrozumienia technologicznych czynników zewnętrznych i dynamiki przemieszczenia; c) pojęciu monopolistycznej konkurencji, jako wyniku wprowadzenia nowych produktów. Zgodnie z analizą P.M. Romera [1994] rozwój ekonomiczny jest stymulowany przez zbiorowy dostęp do wiedzy ogólnej, która przepływa swobodnie. P.M. Romer wprowadza rozróżnienie między ogólną wiedzą technologiczną, związaną z różnymi zastosowaniami, a specyficzną wiedzą technologiczną, zawartą w produktach, mającą silne cechy indywidualne11. Innowatorzy tworzą wiedzę ogólną, angażując się we wprowadzenie nowej wiedzy specyficznej zawartej w nowych produktach i procesach. Tworzenie wiedzy specyficznej wykorzystuje zbiorową dostępność wiedzy ogólnej. Przemieszczenie wiedzy ogólnej pomaga w tworzeniu nowej wiedzy specyficznej przez strony trzecie, nie zmniejszając bodźców do tworzenia nowej wiedzy przez przywłaszczanie sobie specyficznych zastosowań. Nowa teoria rozwoju 11 Wiedza specyficzna może zostać przywłaszczona; natomiast wiedza ogólna zachowuje typowe cechy arrowiańskiego dobra publicznego. 34 1. Innowacje w teorii ekonomii została wzbogacona przejęciem schumpeteriańskiego pojęcia kreatywnej destrukcji wprowadzonego P. Aghiona i P. Howitta [1992]. Nie są rozważane interakcje między wprowadzeniem nowych technologii oraz ich zmiany wywołane tymi w systemie ekonomicznym. Innowacja jest jedynie częścią procesu oddziaływań między skutkami a determinantami zmian technologicznych i strukturalnych, który ma miejsce w warunkach nierównowagi [Day 1983]. Pojęcie technologii ogólnego przeznaczenia, wprowadzone przez T.F. Bresnahana i M. Trajtenberga [1995] oraz rozwinięte przez R.G. Lipseya, C. Bekara i K. Carlawa [1998], podkreśla systemową naturę zmiany technologicznej. Nowe technologie ogólnego przeznaczenia są wynikiem komplementarności i wzajemnej zależności różnych innowacji technologicznych, które są kolejno wprowadzane oraz które charakteryzują się wysokim poziomem zmienności, ponieważ mogą być stosowane do dużego zakresu procesów produkcyjnych. Dorobek J.A. Schumpetera12 tworzy trwałe podłoże teorii innowacji, jego prace dają podstawy ekonomii innowacji: – definicję innowacji, – rozróżnienie między wynalazkiem, innowacją, naśladownictwem i dyfuzją, – zrozumienie zjawiska koncentracji innowacji w czasie i przestrzeni wraz z pojęciem „powiewu” innowacji, – analizę kluczowej roli korporacji jako właściwej instytucji dla utrzymywania tempa wprowadzania innowacji, – zrozumienie zasadniczej roli kredytu zarówno dla tworzenia, jak i dla wprowadzania nowych technologii. Każdy naukowiec zajmujący się zagadnieniami związanymi z innowacjami jest świadomy przełomowego wkładu J.A. Schumpetera do teorii innowacji i zmiany technologicznej. Był on jednak nie tylko ojcem – założycielem teorii i ekonomii innowacji, lecz także, i przede wszystkim, jednym z głównych badaczy ekonomii złożoności, gdzie określonym podmiotom gospodarującym przypisuje się zdolność do tworzenia nowej wiedzy i wprowadzania zmian technologicznych. Dla J.A. Schumpetera innowacja, w przeciwieństwie do wynalazku, jest cechą charakterystyczną procesu konkurencji, a kreatywna destrukcja jest procesem nieskończonym. J.A. Schumpeter wskazał podstawowe wytyczne działalności w gospodarce: zmiana i nowość są zasadniczymi cechami procesu endogenicznego [Antonelli 1999]. W analizie roli reakcji kreatywnej w historii ekonomii J.A. Schumpeter rozwija pogląd, że podmioty gospodarcze są skłaniane do reagowania na zmieniające się warunki zarówno rynku produktu, jak i czynników produkcji w sposób twórczy wraz z wprowadzeniem innowacji technologicznych i organizacyjnych oraz zmieniając swoje produkty i procesy. Począwszy od jego pierwszej książki The Theory of Economic Development [1911], aż do kluczowego artykułu The instability of capitalism [1928] oraz od Business Cycles [1939] i Capitalism, Socialism and Democracy [1942] do ważnej pracy The creative response in economic history [1947]. 12 1.1. Innowacje jako kategoria ekonomiczna 35 Analiza przeprowadzona w Business Cycles [Schumpeter 1939], gdzie podkreślone są zbiorczy charakter procesu innowacyjnego, wzajemna zależność między innowatorami oraz komplementarność nowych technologii w obrębie fal innowacji, w porównaniu do równoległej ewolucji procesu innowacyjnego oraz instytucji gospodarczych, struktur przemysłowych, ekonomicznych powiązań i relacji, a także preferencji konsumenckich, została historycznie udowodniona, wytyczając drogę do lepszego zrozumienia systemowego i złożonego charakteru dynamiki procesów innowacyjnych [Antonelli 2001]. Teorii i wyników empirycznych w zakresie zastosowania ram schumpeteriańskich dostarczają raczej badania procesów opóźnionego przyjmowania innowacji, tj. rozprzestrzeniania się innowacji, niż badanie ich wczesnego wdrażania. Wzorce czasowe wejścia firm na rynek i wynikające stąd ewolucja struktury przemysłowej, koncentracja, dochodowość i tempo rozwoju zarówno firm, jak i gałęzi przemysłu są analizowane w ramach schumpeteriańskiej sekwencji wczesnej potęgi monopolistycznej, po której następuje wejście na rynek stanowiące działania naśladujące i powielające, na koniec zaś postępująca konkurencja między firmami. Rozpowszechnianie ma znaczenie po stronie zarówno popytu, jak i podaży. Jak pokazują P. Stoneman i N.J. Ireland [1983], nowe technologie są adaptowane tylko wtedy, gdy pasują do specyficznych warunków rynków produktów i czynników produkcji. Pewne podmioty nigdy nie zaakceptują nowej technologii, istotna staje się identyfikacja determinantów tego rodzaju braku adaptacji. Adaptatorzy nie są już postrzegani jako pasywni i perspektywicznie niechętni użytkownicy, lecz raczej jako pomysłowi „przesiewacze” oceniający zakres komplementarności i kumulatywności każdej nowej technologii w stosunku do swoich własnych specyficznych potrzeb i kontekstów działania. Technologia rozprzestrzenia się wtedy, gdy jest stosowana w różnych warunkach użycia. Wewnętrzna heterogeniczność podmiotów gospodarujących stosuje się w rzeczywistości nie tylko do bazy technologicznej, lecz także do rynków produktów i czynników produkcji, na których funkcjonują. Zmieniające się warunki życia odgrywają istotną rolę w rozprzestrzenianiu się innowacji [Katz, Shapiro 1986]. Zmiany w dochodowości adaptacji mogą wystąpić po stronie popytu z powodu wpływu sieciowych czynników zewnętrznych – na preferencje konsumenckie wobec nowego towaru wpływa liczba adaptatorów. Ekonomia wiedzy wiele zawdzięcza klasycznej spuściźnie K. Marksa, o czym przypomina N. Rosenberg [1974]. Zmiana technologiczna jest endogeniczna dla systemu ekonomicznego – K. Marks dowodzi, że poziomy endogeniczności zmiany technologicznej są same w sobie wskaźnikiem postępu, a wiedza jako endogeniczna siła produkcyjna jest przez niego wyraźnie identyfikowana. K.J. Arrow [1962a] skupił się na analizie wiedzy jako dobra ekonomicznego w dosłownym tego słowa znaczeniu, już nie umiejscowionego w produktach kapitałowych lub organizacjach. Analiza wiedzy jako dobra ekonomicznego umożliwia uchwycenie przyczyn niepowodzenia rynku w spełnianiu tradycyjnych funkcji i wynikających stąd zagrożeń niedostatecznej produkcji wiedzy w systemach rynkowych. 36 1. Innowacje w teorii ekonomii Wiedza jest podstawowym, pośrednim wkładem do wzrostu wydajności, a bodziec w kategoriach społecznej atrakcyjności tworzenia wiedzy jest olbrzymi, ponieważ każdy system ekonomiczny poświęciłby większość swych zasobów na tworzenie nowej wiedzy jako źródła wzrostu efektywności produkcji wszystkich innych dóbr. Według Z. Grilichesa [1992] możliwa jest ocena udziału przemieszczeń wiedzy w procesie jej tworzenia. Istotny jest też dorobek w zakresie geografii przemieszczania się wiedzy, co prowadzi, jak wskazuje M.P. Feldman [1999], do odrodzenia marshalliańskiej analizy czynników zewnętrznych. Z arrowiańskim postrzeganiem wiedzy jako dobra quasi-publicznego kontrastuje zmiana perspektywy, podkreślająca rolę uczenia się jako podstawowej siły napędowej akumulacji wiedzy. Nowa wiedza technologiczna wywodzi się z procesów uczenia się, zwłaszcza z wysiłków zmierzających do przekształcenia wiedzy ukrytej w nowe procedury, które mogą być częściowo udostępniane i przekazywane [Stiglitz 1987]. Nowe rozumienie procesu odkrywania kontrastuje z tradycyjnym podejściem „z góry na dół” pochodzenia innowacji technologicznych. W tym kontekście kluczową rolę odgrywa analiza akumulacji wiedzy technologicznej. F. Malerba [1992] podkreśla znaczenie ukrytej wiedzy, zawartej w organizacji innowatorów, a szczególnie w ich procedurach uczenia się, dla zmniejszania zdolności potencjalnych naśladowców do przyswajania nowej wiedzy i do faworyzowania wyższych poziomów użyteczności. Rozróżnienie, które wprowadził K.J. Arrow [1969] między ekonomią informacji a ekonomią wiedzy, stanowi podstawową przesłankę do rozwoju ekonomii wiedzy. Zestaw narzędzi stworzonych przez ekonomię informacji, takich jak teoria pośrednictwa, analiza kosztów transakcji, teoria sygnalizacji i ekonomika kontraktów, jest z powodzeniem stosowany do zrozumienia tworzenia, rozpowszechniania i wykorzystywania wiedzy. Wiedza jest postrzegana jako produkt specyficznego procesu badań, uczenia się i jako podstawa działań prowadzących do wytworzenia nowej wiedzy. Stworzenie platform technologicznych skupionych na nowych kluczowych technologiach za pomocą współpracy rywalizujących innowatorów sprzyja, na wcześniejszych etapach, konwergencji technologii. Na kolejnych zwiększa zakres rozprzestrzeniania się zastosowań i wprowadzanie ulepszeń. Ten typ systemowego podejścia do innowacji ocenia współdziałanie między usługami a wytwarzaniem jako działania komplementarne. A. Marshall był pierwszym, który zauważył, że biologia jest nieustającym źródłem inspiracji dla ekonomii, to biologia dostarczyła wczesnej ekonomii innowacji ważnych sugestii i stymulacji. W ujęciu, które zmierza do rozumienia innowacji jako powstającej właściwości złożonego ewoluującego systemu, innowacja jest wynikiem zbiorczego procesu, zależnego od procedur, odbywającego się w zlokalizowanym kontekście, jeżeli i gdy zostanie wywołana, w sposób spójny, komplementarny i zgodny, wystąpi wystarczająca liczba twórczych reakcji. To podejście jest wynikiem integracji trzech wątków analizy nowo powstającego paradygmatu ekonomii złożoności: 1.1. Innowacje jako kategoria ekonomiczna 37 a) wczesnego przeszczepiania biologicznego, b) nowej epistemologii opartej na pojęciach ukrytej wiedzy, ograniczonej i proceduralnej racjonalności, c) ujęcia ewolucyjnego. W Principles of Economics [1890] A. Marshall łączy dorobek A. Smitha z podejściem neoklasycznym, ujmując dynamiczną złożoność zmiany strukturalnej, wyrażonej w interakcji między specjalizacją a zmianą technologiczną, prowadzącej do rosnącej heterogeniczności firm w kontekście charakteryzowanym przez różnorodność i komplementarność. Istotnym pakietem badań opartych na przeszczepianiu koncepcji biologicznych jest analiza opóźnień w adaptacji innowacji technologicznych oraz metafory cyklu życiowego. Dowód, przedstawiony przez historyków ekonomii i historyków technologii, wyjaśnia kluczową rolę kumulatywności i nieodwracalności technologicznej, zlokalizowanego uczenia się i lokalnych czynników zewnętrznych [Dosi 1988a, b; Freeman 1994]. Ekonomia złożoności powstaje jako nowa teoria dla zrozumienia endogennej zmiany i przekształcenia w różnych dziedzinach. Sprzyja systemowemu podejściu, w którym wynik zachowania się każdego podmiotu oraz systemu, w którym każdy z nich jest osadzony, można rozumieć jako efekt interakcji między makro- i mikrodynamiką. Teoria ekonomii złożoności jest oparta na kilku podstawowych założeniach: heterogenicznych podmiotach, lokalizacji wiedzy oraz lokalnym kontekście interakcji, wzajemnej zależności systemowej. Wprowadzenie innowacji odbywa się, jak wskazuje D.C. North [1997], jako wynik warunków nierównowagi w systemie i odtwarza nowe warunki nierównowagi. Zmiana technologiczna jest teraz endogennym wynikiem warunków nierównowagi, który ma małą szansę przekształcenia w stronę nowej równowagi. W rzeczywistości, równowaga i zmiana technologiczna pojawiają się jako dwa wzajemne przeciwieństwa: równowaga jest możliwa wtedy, gdy nie ma zmian technologicznych, i odwrotnie. Można wyrazić pogląd, że zmiana technologiczna jest formą systemowych, dynamicznych, stochastycznych i skończonych rosnących wpływów prowadzących do przerywanego rozwoju [Mokyr 1990a]. Zmiana technologiczna w rzeczywistości zachodzi, gdy zaistnieje kilka warunków. Udane wprowadzenie zmiany technologicznej jest wynikiem złożonego zestawu niezbędnych i komplementarnych warunków, w których firmy przystosowują się stale do zmieniającego się otoczenia [Metcalfe i in. 2006]. Zgodnie z tym, co pisze P. Krugman [1994], krajobrazy w przestrzeni geograficznej, technologicznej, informacyjnej, rynkowej i produktowej są konsekwencją i determinantami złożonej dynamiki. Zależna od procedur dynamika umożliwia zwrócenie uwagi na strukturalną charakterystykę systemu w kategoriach rozmieszczenia podmiotów w różnych wymiarach przestrzennych oraz ocenę struktury stosunków komunikacyjnych, interakcji i konkurencji odbywających się między podmiotami w oszacowaniu tempa i kierunku zmiany technologicznej [Domański 2006, 2012]. 38 1. Innowacje w teorii ekonomii Struktura społecznych, nierynkowych interakcji jest endogeniczna dla samego systemu: układ sieci wiedzy pozostaje pod wpływem strategii firm poszukujących poprawy swojego położenia wewnątrz systemów interakcji. Badanie endogennego tworzenia koalicji wewnątrz wspólnot naukowych dostarcza obserwacji użytecznych zarówno do poprawy efektywności przedsięwzięć naukowych, jak i do wprowadzania narzędzi właściwych dla polityki naukowej i innowacyjnej [D’Ignazio, Giovannetti 2006]. W tym kontekście pojęcie relacji twórczych, które wprowadzili D. Lane i R. Maxfield [1997], jest bardzo ważne. Relacje twórcze prowadzą do innowacji, a innowacje zasilają zmianę strukturalną. Proces odbywa się poprzez dynamikę „samodzielną”, gdzie nowe relacje twórcze powodują zmiany kompetencyjne prowadzące do działań, które z kolei tworzą możliwości dla nowych relacji. Charakterystyka strukturalna systemu w kategoriach rozmieszczenia podmiotów w przestrzeniach wielowymiarowych, ich sieciach komunikacji, relacji i interakcji kwalifikowanych przez oddziaływania, heterogeniczność, przyzwolenia i okazje do działania, są kluczowymi elementami trwałości procesu. Udana akumulacja nowej wiedzy technologicznej, ostateczne wprowadzenie nowych i bardziej produktywnych technologii oraz ich szybkie rozprzestrzenianie się są najbardziej prawdopodobne w samonapędzających się spiralnych procesach, a jeszcze szybciej wewnątrz systemów ekonomicznych charakteryzujących się szybkim tempem rozwoju, gdzie interakcje, informacje zwrotne i komunikacja są szybsze. W takich szczególnych okolicznościach system może podlegać przemianie fazowej prowadzącej do wprowadzenia nowego, radykalnego systemu technologicznego. Relacje polegające na cyrkulacji pomiędzy strukturą systemu a innowacją oraz postępowanie i wydajność firm pozostają pod wpływem tej struktury, istniejącej w czasie t, ale z kolei wywierają one duży wpływ na charakterystykę struktury w czasie t + 1, za pomocą wprowadzenia innowacji. Ustalana jest nowa struktura i w celu dostosowania się do niej firmy opracowują nowe strategie obejmujące wprowadzenie kolejnych innowacji. Zrozumienie tych relacji wskazuje drogę do uchwycenia podstawowych elementów ciągłego i dynamicznego systemu sprzężenia zwrotnego między postępowaniem i wydajnością firm, tempem i kierunkiem zmiany technologicznej i zmiany strukturalnej z rosnącą świadomością jej ewoluującej i historycznej charakterystyki. Jak sugeruje K.J. Arrow [2000], w tych okolicznościach tworzenie nowej wiedzy technologicznej i wprowadzanie nowych technologii mogą być postrzegane jako przyczyna i skutek przerywanego rozwoju gospodarczego i dynamicznie rosnących wpływów innowacji. Ekonomia innowacji jest wyróżniającą się specjalizacją wewnątrz ekonomii, z dobrze określonym zakresem kompetencji odnośnie do pochodzenia, przyczyn, charakterystyki i skutków wprowadzenia zmian technologicznych i organizacyjnych w systemie ekonomicznym. Jest to wynik procesu, w którym punktem wyjścia było odkrycie niewyjaśnionych czynników rozwoju gospodarczego, wśród których za decydujący uznaje się zmianę technologiczną. Próba wyjaśnienia zmiany tech- 1.2. Deinicje i typologie innowacji 39 nologicznej doprowadziła do powrotu kilku zapomnianych, dynamicznych nurtów historii myśli ekonomicznej. Czterema zidentyfikowanymi są wspomniane wcześniej: klasyczna (inspirowana dorobkiem A. Smitha i K. Marksa), oparta na pracach J.A. Schumpetera, oparta na poglądach K.J. Arrowa i rozwijająca je oraz stanowiąca dorobek A. Marshalla. Identyfikacja nurtów jest wynikiem dostosowań dorobku historii myśli ekonomicznej i obszaru rozważanego w historii analizy ekonomicznej. Spuścizna klasyczna dostarczyła podstaw do opracowania teorii rozwoju ekonomicznego, opartego na zamierzonym wprowadzaniu innowacji technologicznych. Badania w nurcie prac J.A. Schumpetera, przydatne w analizie roli innowacji w ramach rywalizacji oligopolistycznej, umożliwiły ocenę roli przedsiębiorczości jako podstawowej siły napędowej dla ciągłego wprowadzania nowych technologii. Nurt arrowiański wzbogacił poprzednie elementy i ostatecznie ukształtował charakterystyki wiedzy z ekonomicznego punktu widzenia. I na koniec, prace oparte na dorobku A. Marshalla doprowadziły do powstania ujęcia ewolucyjnego, ostatecznie wyrażonego w nowej teorii złożoności, umożliwiającej zrozumienie procesu specjalizacji i zmiany strukturalnej, opartej na stosunkach wzajemnych między heterogenicznością, komplementarnością i konkurencją, które charakteryzują proces innowacji. Każde z tych czterech ujęć ma wyraźny cel i wyodrębnione pole badawcze. Ewoluowały one równolegle z procesem specjalizacji i konsolidacji pojawiających się obszarów badań. W wyniku tego, z konwergencji ujęć z postępującą integracją różnych dziedzin badawczych powstał bogaty zestaw narzędzi analitycznych do badań innowacji. Systemy ekonomiczne są uważane za złożone dynamiczne mechanizmy, zdolne do rozwoju, o zróżnicowanych poziomach efektywności dynamicznej, będących wynikiem zachowania się podmiotów oraz struktury ich relacji, o zróżnicowanej zdolności do zmiany zasad i sieci interakcji. Przez to są one zdolne do tworzenia nowej wiedzy technologicznej i wprowadzania nowych technologii. 1.2. Definicje i typologie innowacji Termin „innowacje”, jeśli jest rozumiany szeroko, odnoszony jest do wszystkich sfer życia, począwszy od nowych rozwiązań dotyczących zarówno gospodarki, jak i funkcjonowania społeczeństw, skończywszy na nowych nurtach myślowych i kulturowych [Janasz, Kozioł 2007]. W potocznym rozumieniu „innowacja” oznacza coś nowego i innego od dotychczasowych rozwiązań. Kojarzy się z potrzebną zmianą na lepsze. I tak „innowacja to wprowadzenie czegoś nowego, rzecz nowo wprowadzona, nowość, reforma” [Tokarski (red.) 1980, s. 307]. Również zagranicą innowacja jest definiowana jako coś nowo wprowadzonego (np. nowa metoda czy urządzenie) [Collins Paperback… 1995, s. 407]. Jest to zgodne z potocznym rozumieniem tego słowa, a pochodzi ono od łacińskiego innovatio, czyli odnowienie. 40 1. Innowacje w teorii ekonomii Pierwszy raz pojęcie innowacji do nauk ekonomicznych wprowadził J.A. Schumpeter i jego ujęcie traktowane jest jako klasyczne – odnosi się do następujących przypadków: 1) wprowadzenia nowego towaru, z jakim konsumenci nie mieli jeszcze do czynienia, lub nowego gatunku jakiegoś towaru, a także doskonalenia produktów już istniejących, 2) wprowadzenia nowej metody produkcji jeszcze praktycznie niewypróbowanej w danej dziedzinie przemysłu lub doskonalenia istniejącego procesu produkcyjnego, 3) otwarcia nowego rynku, czyli takiego, na którym dany rodzaj krajowego przemysłu uprzednio nie działał i to bez względu na to, czy rynek ten istniał wcześniej, czy też nie, 4) zdobycia nowego źródła surowców lub półfabrykatów i to niezależnie od tego, czy źródło to już istniało, czy też musiało być dopiero stworzone, 5) wprowadzenia nowej organizacji jakiegoś przemysłu, np. stworzenia monopolu bądź jego złamania, 6) zastosowania nowego sposobu sprzedaży lub zakupów [Schumpeter 1960, s. 104]. Innowacja rozumiana jest przez J.A. Schumpetera bardzo szeroko i obejmuje sześć przypadków pojawiania się nowych kombinacji różnych materiałów i produkcyjnej siły człowieka. Innowacje to „każde robienie rzeczy inaczej w dziedzinie życia ekonomicznego – wszystko to są przykłady tego, co powinniśmy odnieść do terminu innowacja” [Schumpeter 1939, s. 84]. Innowacja oznacza dla J.A. Schumpetera wprowadzenie do praktyki nowego rozwiązania, przy czym skupiał się on przede wszystkim na innowacjach technicznych i ich oddziaływaniu na gospodarkę. Wszelkie upowszechnianie innowacji jest odrębnym rodzajem zmian, określanym mianem imitacji. J.A. Schumpeter jest autorem koncepcji tzw. twórczej destrukcji, która polega na ciągłym niszczeniu starych struktur i nieustannym tworzeniu nowych coraz efektywniejszych. Działalność innowacyjna ma właśnie zapewnić powstawanie takich coraz bardziej efektywnych struktur gospodarczych. Jak podkreśla B. Fiedor [1979a s. 24, 25], zakres przedmiotowy schumpeterowskiej innowacji jest niezwykle duży i obejmuje w zasadzie wszelkie zmiany o charakterze technicznym i ekonomicznym, które składają się na postęp techniczny13. J.A. Schumpeter wyróżnia trzy podstawowe wewnętrzne czynniki rozwoju (zmiany, postępu): zmiany w gustach, wzrost – rozumiany jako wzrost zasobów produkcyjnych i ludności oraz innowacje [Schumpeter 1939]. Zdając sobie sprawę z tego, że czynniki te wzajemnie na siebie oddziałują, podkreśla jednak, że elementem, który odgrywa rolę najistotniejszą w procesie gospodarowania, są innowacje. Innowacje są tym elementem, który w razie braku wszelkich impulsów zewnętrznych jest w stanie wytrącić każdorazowo gospodarkę ze stanu równowagi, wyzwolić procesy reakcji „To, co nienaukowo nazywamy postępem ekonomicznym, oznacza w zasadzie zastosowanie zasobów produkcyjnych w sposób dotychczas nie sprawdzony w praktyce i odciągnięcie ich z zastosowań, którym służyły dotąd. To jest to, co nazywamy «innowacją»” [Schumpeter 1971, s. 31]. 13 1.2. Deinicje i typologie innowacji 41 i procesy dostosowywania się. Innowacje są w teorii J.A. Schumpetera synonimem rozwoju. Rozwój bez innowacji, a więc bez zmian o charakterze jakościowym, jest tylko zwykłym wzrostem, powtarzaniem starych metod ekonomicznego działania [Fiedor 1979a, s. 24, 25]. Zakres czasowy nadawany innowacji przez J.A. Schumpetera – w odróżnieniu od zakresu przedmiotowego – jest wąski. Innowacja to tylko pierwotna, ekonomiczna realizacja (pierwotne wdrożenie do praktyki gospodarczej) wynalazku tkwiącego u jej podstaw. Daje to klasyczny już trójpodział ,,zmiany technicznej”, który można nazwać „triadą J.A. Schumpetera”: wynalazek (invention), innowacja (innovation) i imitacja (imitation). Klasyczna definicja J.A. Schumpetera stanowi punkt wyjścia do określenia pojęć z zakresu działalności innowacyjnej i postępu naukowo-technicznego [Mikosik 1993]. Chociaż określenie J.A. Schumpetera ukazuje aspekty występowania innowacji, to pomija kilka ważnych elementów związanych z momentem zaistnienia innowacji i inicjatorem jej powstania [Męczyński 2007]. Kwestia, czy za innowację należy uznać tylko pierwsze zastosowanie wynalazku, czy też wynalazek raz zastosowany w produkcji, a będący przedmiotem zastosowań przez inne organizacje, nadal uważany będzie za innowację, podzieliła badaczy. W trakcie dyskusji nad tym problemem powstały dwa podejścia w definiowaniu innowacji. Pierwsze, traktujące jako innowację tylko pierwsze zastosowanie wynalazku, oraz drugie, przyjmujące za innowację każde kolejne zastosowanie wynalazku [Pomykalski 2001] – oparte na podejściu J.A. Schumpetera, który w swoich rozważaniach posługiwał się parą pojęć – „innowacja” i „imitacja”. Schumpeterowskie rozumienie innowacji zostało wcześniej omówione, a imitacja oznacza dalsze zastosowanie wynalazku w praktyce. Tylko pierwsze zastosowanie wynalazku zawiera pierwiastek oryginalności, wymaga zaangażowania sił szczególnie utalentowanych jednostek i poniesienia dużego ryzyka. Imitacje zaś są zwykłym kopiowaniem [Pomykalski 2001]. Wśród popierających taki sposób ujmowania można wymienić przykładowo następujących autorów: – Ch. Freemana, który pojęcie innowacji stosuje w odniesieniu do nowego produktu, procesu, systemu lub urządzenia wtedy, kiedy nastąpi ich pierwsze handlowe wprowadzenie lub zastosowanie [Freeman 1982]; – S. Kuznetsa, który definiował innowacje jako nowe zastosowanie starej lub nowej wiedzy do procesu produkcji inicjujące zastosowanie wynalazku [Kuznets 1959, s. 30]; – E. Mansfielda, nazywającego innowacją pierwsze zastosowanie wynalazku [Mansfield 1968b, s. 1]; – K. Wandelt, określającego innowacje jako zużytkowanie w konkretnych celach produkcyjnych odkrycia lub wynalazku, będących wyrazem inwencji, która jest poszukiwaniem i badaniem ukierunkowanym na rozwój i zweryfikowanie poznania. Inwencja jest świadomym, zaplanowanym wysiłkiem skierowanym na rozwiązywanie problemów techniczno-organizacyjnych i ekonomiczno-finansowych [Wandelt 1972]; 42 1. Innowacje w teorii ekonomii J. Czupiała, uznającego, że innowacja polega na wytworzeniu i wprowadzeniu do sprzedaży, a tym samym do użytku, nowego produktu albo na gospodarczym zastosowaniu nowego procesu otrzymywania znanych już wcześniej produktów. Innowacja jest więc pierwszym gospodarczym wykorzystaniem wynalazku lub pomysłu. Określenie „pierwszy” nie oznacza pierwszego egzemplarza czy serii nowych wyrobów, ale odnosi się do całej produkcji zaplanowanej w ramach danego przedsięwzięcia [Czupiał 1988, s. 50; Czupiał (red.) 1994, s. 10]; – L. Białonia, który za innowację uważa efekt pierwszego wdrożenia w różnych sferach działalności ludzkiej, a także w sferze nauki i techniki. Innowacje w sferze techniki to wprowadzenie do produkcji nowych wyrobów, uruchomienie nowych procesów technologicznych i systemów organizacyjnych w celu osiągnięcia wyższej efektywności gospodarowania [Białoń 1976]; – W. Sprucha, który odnosił innowacje do sfery technicznej działalności ludzkiej utożsamiając nowość z czymś nowatorskim na skalę światową. Nowość taka była cechą rozwiązań technicznych, których ludzkość dotychczas nie znała14; – J. Parkera, dla którego innowacją jest proces obejmujący wszelkie działania doprowadzające nowy produkt lub metodę wytwarzania do praktycznego zastosowania [Parker 1974]. Drugie podejście, w którym autorzy nie ograniczają innowacji do „pierwszego” wdrożenia, ale ujmują w definicji także każde kolejne wdrożenie wprowadzonej nowości (inna firma, organizacja, rynek), reprezentowane jest przez liczniejszą grupę badaczy. I tak np.: – R. Johnston [1966] uważał, że pojęcie innowacji stosuje się nie tylko do pierwszej aplikacji wyrobu czy metody wytwarzania, ale również do kolejnych, gdy zmiany przyswajane są przez inne firmy, sektory przemysłu czy kraje; – Ph. Kotler [1994], który podszedł do istoty innowacji z pozycji marketingu, odniósł innowację do jakiegokolwiek dobra, usługi i pomysłu, postrzeganego przez kogoś jako nowy; – P. Drucker [1992] proponuje traktowanie jako innowacji każdej nowości, będącej nowością dla jej nowego użytkownika; – M.E. Porter [1990, s. 45] włącza do pojęcia innowacji ulepszenia technologiczne, lepsze metody czy sposoby wykonywania danej rzeczy, co może się ujawniać w zmianach produktu albo procesu, nowych podejściach do marketingu, nowych formach dystrybucji; – Z. Pajestka [1975, s. 179, 180] nie zawężał pojęcia innowacji tylko do nowości absolutnych, tj. na skalę światową, twierdził bowiem, że produkty i technologie znane gdzie indziej, ale nieznane danemu społeczeństwu, są dla tego społeczeństwa bez wątpienia innowacjami; – 14 Innowacją techniczną nazywał przedsięwzięcie techniczne zastosowane w praktyce przemysłowej i etapy prac bezpośrednio związane z jego wdrożeniem (por. [Spruch 1976, s. 37, 38]). 1.2. Deinicje i typologie innowacji 43 R.W. Griffin [1996, s. 646] za innowacje uważa kierowany wysiłek organizacji na rzecz opanowania nowych produktów i usług lub nowych zastosowań już istniejących produktów i usług; – w metodologii Oslo Manual [2005, s. 46] innowacja to wdrożenie nowego lub znacząco udoskonalonego produktu (wyrobu lub usługi), lub procesu, nowej metody marketingowej lub nowej metody organizacyjnej w praktyce gospodarczej, organizacji miejsca pracy lub stosunkach z otoczeniem. Ta definicja obejmuje duży zakres możliwych innowacji. Przyjęto, że minimalnym wymogiem zaistnienia innowacji jest, aby produkt, proces, metoda marketingowa lub metoda organizacyjna były nowe (lub znacząco udoskonalone) dla firmy; – M. Aitken i J. Hage [1971], J. Hage i R. Dewar [1973], E. Rogers [1995] oraz S. Gomułka [1998, s. 19] przyjmują, że innowacja to coś nowego i nowatorskiego dla adaptującej ją jednostki, a nie po prostu ogólnie rozumiana „nowość”, i tym samym innowacja jest zjawiskiem subiektywnym; – podobnie S.M. Kot i in. [1993, s. 27] definiują innowacje jako stosunkowo nowe produkcyjne zastosowanie informacji naukowych lub technicznych. Wydaje się, że dobrze podsumowuje te dwie grupy definicji stwierdzenie K. Brockhoffa [1985], dla którego innowacja jest procesem oferowania rynkowi produktów mieszczących się na nieskończonej skali nowości. Na jednym końcu skali jest imitacja, na drugim zaś – innowacja właściwa. Wielu autorów skłania się ku utożsamianiu innowacji z właściwymi procesem produkcji i efektami jego organizacji. W ten sposób określał innowacje A.J. Harman, według którego innowacje to wprowadzanie nowych albo istotnie ulepszonych produktów lub procesów produkcji do gospodarki [1971]. Przedmiot innowacji został tu ograniczony do produktu lub procesu. W tym samym „duchu” D. Beg i in. [2007] stwierdzają, że innowacja to wykorzystanie nowej wiedzy do uzyskania nowych metod produkcji. Również B. Fiedor [1979a, s. 31] uważa za innowację każdą zmianę we właściwościach funkcji produkcji. Posiłkując się pojęciem abstrakcyjnej technologii, B. Fiedor określa innowację jako pewnego rodzaju zmiany w każdej lub dowolnej liczbie charakterystyk funkcji produkcji składających się na tę „abstrakcyjną technologię”. Wskazuje, że rozpatrując innowację z punktu widzenia neoklasycznej teorii produkcji, bierze się pod uwagę głównie innowacje-procesy. Podobnie widział problem E. Hagen [1962]. Dla niego innowacje polegają na organizowaniu produkcji opartej na nowych pomysłach służących celom innowatorów lepiej niż stare. Składają się one z dwóch etapów: – odkrycia nowej wiedzy, umożliwiającej wzrost podaży dóbr na jednostkę pracy, kapitałów i materiałów użytych do produkcji, – wdrożenia tej wiedzy do procesów produkcji. W tym podejściu silnie akcentowane jest praktyczne zastosowanie innowacji. Bardzo szeroko i na wysokim poziomie ogólności innowacje ujmują m.in.: – P.R. Whitfield, który określa innowację jako ciąg skomplikowanych działań polegających na rozwiązywaniu problemów, w rezultacie powstaje kompleksowa i całkowicie opracowana nowość [Whitfield 1979, s. 26]; – 44 1. Innowacje w teorii ekonomii L. Pasieczny i J. Więckowski, definiujący innowacje jako odkrycia będące wynikiem inwencji ludzi i powodujące postępowe zmiany w określonych stanach rzeczy [Pasieczny, Więckowski 1981, s. 136]; – S. Kasprzyk, za innowację uważający nowy, nieznany dotychczas sposób zaspokojenia nowych potrzeb bądź jakikolwiek sposób zaspokajania nowych potrzeb. Innowacje jako synonim nowych sposobów realizowania określonych potrzeb odnosić można do wszystkich aspektów działalności ludzkiej, wyróżnić można więc innowacje techniczne i ekonomiczne [Kasprzyk 1980, s. 26]; – Z. Pietrasiński, uważający, że innowacje to zmiany celowo wprowadzane przez człowieka lub zaprojektowane przez układy cybernetyczne, polegające na zastępowaniu dotychczasowych stanów rzeczy innymi, ocenianymi dodatnio w świetle określonych kryteriów składających się w sumie na postęp [Pietrasiński 1971, s. 9]; – J. Black [2008], skłaniający się do stwierdzenia, że innowacja to ekonomiczne wykorzystanie nowego pomysłu, podobnie jak J.A. Schumpeter, który wskazywał, że innowacja powinna być pojmowana przede wszystkim jako pomysł ekonomiczny15; rozszerzając definicję, B. Fiedor za innowacje przyjmuje wszelkie zmiany dotyczące technologicznych i organizacyjnych metod wytwarzania produktów; mogą to być również zmiany o charakterze technologiczno-ekonomicznym, które ani bezpośrednio, ani pośrednio nie mieszczą się w rozważaniach „spod znaku” neoklasycznej teorii produkcji, jak np. to, co J.A. Schumpeter określa jako nowe handlowe metody postępowania z jakimś towarem [Fiedor 1979a, s. 54]; – E. Rogers [1995] oraz J.R. Kimberly i M.J. Evanisko [1981], wskazujący, że innowacja to koncepcja złożona, to proces, za pomocą którego nowe pomysły, przedmioty i praktyki są kreowane, rozwijane lub podlegają reinwencji; – N. King [1992], uważający, że innowacja polega na wprowadzeniu i zastosowaniu pomysłów w grupie lub organizacji; – A. Francik [2003], proponujący rozbudowaną definicję innowacji, która ujmuje imitacje produktów, usług, technologii, organizacji i zarządzania, przyrostowe udoskonalenia stanowiące poprawę względem rzeczy istniejących, w tym przypadki zmian, które wynikają z manipulacji liczbowych części składających się na jakąś całość oraz oryginalne produkty, usługi, procesy, struktury itd. (w tym wynalazki). Są to ujęcia, które nie ograniczają innowacji li tylko do zmian wyłącznie w metodach wytwarzania i produktach. – 15 Dla J.A. Schumpetera innowacje są kombinacjami produkcyjnymi środków, przedmiotów i metod, które obniżają koszty produkcji i pozwalają osiągnąć nadzwyczajny zysk [Schumpeter 1960, s. 107]. Tak ujętej innowacji O. Lange postawił zarzut zbyt szerokiego ujęcia. Jego zdaniem, innowacja występuje tylko wtedy, „gdy zachodzi możliwość zmiany, która zwiększa maksymalny, efektywny zysk” [Lange 1961, s. 160]. 1.2. Deinicje i typologie innowacji 45 Obserwując istniejącą różnorodność rozumienia innowacji, można wyodrębnić (za W. Janaszem [1999, s. 70–72]) ujęcia akcentujące rzeczowy charakter innowacji i podkreślające ich znaczenie czynnościowe: – pierwsze, stosowane do wyrobów lub świadczonych usług, organizacji procesu produkcji opartych na nowej bądź niewykorzystanej dotychczas wiedzy, akceptowanej i wdrożonej przez podmiot – ten rodzaj funkcjonalnej nowości pozytywnej i postępowej W. Janasz nazywa innowacją w znaczeniu rzeczowym, – drugie, obejmujące cały proces od tworzenia i projektowania aż do realizacji i adaptacji innowacji; w najszerszym rozumieniu jest to proces innowacyjny obejmujący całą działalność badawczo-rozwojową, rozwijanie idei nowego produktu czy metody, kończący się wraz z pierwszym wdrożeniem innowacji. Wielu autorów konstatuje, iż nie każda zmiana zasługuje na miano innowacji. Zdaniem K. Szatkowskiego [2001, s. 18–21] jest nią tylko zmiana przyczyniająca się do tworzenia postępu w danej dziedzinie aktywności ludzkiej. Mianem postępu technicznego można określić tylko korzystne dla człowieka zmiany w technice, tj. podnoszące wydajność pracy, zwiększające bezpieczeństwo, niepowodujące negatywnych zmian w środowisku naturalnym. Postęp techniczny ma więc wymiar nie tylko techniczny, ale i społeczno-ekonomiczny. Inaczej podszedł do tego zjawiska Z. Madej [1970, s. 13], który za innowacje przyjmuje coś nowego, czyli zmiany w stosunku do istniejącego stanu, ale mogą być to zmiany o charakterze postępowym, neutralnym lub regresowym. A zatem, choć innowacja jest zaprojektowana z zamiarem przyniesienia zysku jednostce, grupie, organizacji lub szerszemu społeczeństwu [Hosking, Anderson (red.) 1992; Hosking, Morley 1991; Anderson, King 1991, s. 17–21], to może też przynosić negatywne i nieprzewidziane skutki [Osborne 1998]. Wreszcie, co najistotniejsze, jest kojarzona ze zmianami, które nie zachodzą nieprzerwanie [Tushman, Anderson 1986; Tushman, Nadler 1986; Osborne 1998] oraz z procesem destrukcji. Podsumowując przegląd definicji, należy zwrócić uwagę, że chociaż oczywiście firmy i organizacje, w których realizowany jest proces innowacyjny czy zaobserwowano innowacje, nie funkcjonują w oderwaniu od miejsca, to w żadnej z zestawionych definicji nie padły określenia odnoszące się do ich lokalizacji. A przecież, jak wskazują E. Milbergs i N. Vonortas [2006, s. 2], innowacja jest procesem, poprzez który kraj tworzy i przekształca nową wiedzę oraz technologie na użyteczne produkty, usługi i procesy na rzecz regionalnych, krajowych i globalnych rynków, prowadząc zarówno do stworzenia wartości dla interesariuszy, jak i do osiągnięcia podwyższonego standardu życia. C. Antonelli [2008a] stwierdza, że innowacja jest procesem, który odbywa się w zlokalizowanym kontekście, jeżeli wystarczająca liczba kreatywnych reakcji zostanie zrealizowana w sposób zbieżny, komplementarny i zgodny. Jako taka, innowacja jest jedną z kluczowych, pojawiających się właściwości systemu ekonomicznego, postrzeganego jako system dynamiczny i złożony. Z pojęciem innowacji ściśle związane są dwa inne pojęcia funkcjonujące zarówno w teorii, jak i w praktyce życia gospodarczego oraz społecznego, a mianowicie 46 1. Innowacje w teorii ekonomii „innowacyjność” i „innowacyjny”. Pomimo ogromnego dorobku teorii innowacji, definicji podstawowych kategorii tej teorii jest nadal wiele. Nie zawsze są one formułowane w jednakowej konwencji terminologicznej. Dotyczy to także trzech pojęć najczęściej używanych zarówno w teorii, jak i w praktyce: innowacji, innowacyjności i innowacyjnego [Borys, Markowska 2008]. Z pewnością pojęcia te związane są z ogólnym sensem rozwoju, rozumianego jako proces zmian, który oceniany jest pozytywnie z punktu widzenia określonego kryterium [Borys (red.) 2005]. Ich istotę stanowi zmiana pozytywna, zwłaszcza w sensie aksjologicznym odnosząca się do różnych obiektów – produktów, procesów itp. Sens aksjologiczny służy odpowiedzi na pytanie: po co, w jakim celu, zmiana jest dokonywana? Na obecnym etapie dyskusji terminologicznych trudno jednoznacznie stwierdzić, czym różnią się trzy wymienione terminy. Można przyjąć, że innowacyjność to nazwa pewnego zjawiska, a zwłaszcza procesu zmian, innowacyjny – to cecha tego procesu, a innowacja – to efekt tych zmian innowacyjnych. Z pewnością najbliższe innowacyjności są pojęcia reformatorstwa i nowatorstwa, nowator bowiem to człowiek wprowadzający nowe idee, pojęcia, zwyczaje, normy do jakiejś dziedziny16. Wszystkie te kategorie (innowacyjność, reformatorstwo i nowatorstwo) są przejawem twórczości jako istoty życia z jawnym i pozytywnym systemem wartości generującym czynienie dobra, gdzie ludzka pomysłowość łączy się z powodzeniem w wykonawstwie. Jednak obecna praktyka, kiedy innowacja rozumiana jest w sensie zarówno czynnościowym, jak i przedmiotowym, przeczy temu. W teorii i praktyce społeczno-gospodarczej, a także w badaniach statystycznych używane jest rozumienie zarówno czynnościowe, jak i przedmiotowe. Przykładami pierwszej grupy są m.in. określenia: – używane w OECD i Eurostacie, gdzie innowacje to naukowe, technologiczne, organizacyjne, finansowe i handlowe działania niezbędne do stworzenia, wdrożenia i komercjalizacji nowego lub udoskonalonego produktu lub procesu [Oslo Manual… 2005]; – proponowane w komunikatach Komisji Europejskiej, zgodne z rozumieniem innowacji w Strategii lizbońskiej (innowacja to „odnowienie i poszerzenie zakresu produktów i usług oraz ich rynków; ustanowienie nowych metod produkcji, podaży i dystrybucji; wprowadzenie zmian w zarządzaniu, organizacji pracy, oraz warunkach pracy i umiejętnościach siły roboczej”) [Proposal for a Decision… 2006]; – przyjęte w polskich wydawnictwach statystycznych, gdzie działalność innowacyjna to „szereg działań o charakterze naukowym (badawczym), technicznym, organizacyjnym, finansowym i handlowym (komercyjnym), których celem jest opracowanie i wdrożenie nowych lub istotnie ulepszonych wyrobów i procesów, przy czym wyroby te i procesy są nowe przynajmniej z punktu widzenia wprowadzającego je przedsiębiorstwa” [Działalność innowacyjna… 2006, s. 12]. 16 Etymologicznie od łac. novator – odnowiciel, od novus – nowy [Kopaliński 1994, s. 357]. 1.2. Deinicje i typologie innowacji 47 Ujęcie przedmiotowe innowacji jest wyraźne w samej typologii efektów działalności innowacyjnej. J.A. Schumpeter [1960, s. 104] sformułował tezę, że motywacja oraz zdolność do kreowania, wchłaniania i imitacji innowacji decydują o rozwoju przedsiębiorstwa, stanowiąc o jego innowacyjności. Kreatywny i otwarty zespół stanowi potencjał, dzięki któremu inicjując, stosując i wdrażając innowacje, determinuje innowacyjność. To innowacje stanowią o innowacyjności, a innowacyjność wiąże się ze zdolnością do generowania innowacji. W literaturze spotyka się często w definicjach dotyczących zagadnień z teorii i praktyki innowacyjności zapis: „innowacje/innowacyjność”, a w badaniach statystycznych zamiennie stosuje się określenia „statystyka innowacji” lub „statystyka innowacyjności”. P. Drucker postrzegał innowacyjność jako dyscyplinę, umiejętność, której można się nauczyć jak gry na fortepianie [Endersheim 2010]. Innowacyjność wiąże się z wprowadzeniem czegoś nowego, nowatorstwem, reformą, ulepszeniem. Może ona dotyczyć wszelkich dziedzin i sfer oddziaływań w różnych kierunkach. Można przyjąć, że jeśli innowacje są działaniami, które powodują wysoki poziom nowości lub zmian w skali organizacji czy gospodarki, to innowacyjność jest zdolnością organizacji (gospodarki) do kreowania lub wdrażania nowości. Zarówno pojedyncze innowacje, jak i innowacyjność są procesami złożonymi, wymagającymi zaangażowania zarówno intelektu (badania, studia, rozważania), jak i umiejętności wdrożeniowych. Przy efektywnie funkcjonującym procesie innowacyjnym te dwa rodzaje aktywności mogą, a wręcz powinny się pokrywać [Włosiński 2007, s. 46]. Można mówić o innowacyjności jako właściwości przypisanej danemu produktowi lub usłudze, w tym ujęciu będzie to miernik tego, jak bardzo dany produkt lub usługa są innowacyjne. W tym znaczeniu możemy wymienić różne cechy określające stopień innowacyjności produktu/usługi. Mogą to być np. nowość w skali światowej, nowość w przedsiębiorstwie, nowość w przemyśle, nowość dla klienta itd. Innowacyjność gospodarki to zdolność i chęć podmiotów gospodarczych do ciągłego poszukiwania i wykorzystywania w praktyce gospodarczej wyników badań naukowych, prac badawczo-rozwojowych, nowych koncepcji, pomysłów i wynalazków, do doskonalenia i rozwoju wykorzystywanych technologii produkcji materialnej i niematerialnej, do wprowadzania nowych metod i technik w organizacji i zarządzaniu, doskonalenia i rozwijania infrastruktury oraz powiększania zasobów wiedzy [Dominik 2007, s. 67]. Innowacyjność gospodarki dotyczyć może zarówno sektora produkcji, jak i sektora usług i obejmować wszelkie czynniki prowadzące do powstania nowej jakości [Oslo Manual… 1997]. Na zagadnienie innowacyjności można spojrzeć z różnych perspektyw. Może to być ujęcie mikroekonomiczne – spojrzenie na innowacje i innowacyjność przez pryzmat decyzji poszczególnych osób (poziom indywidualny), przedsiębiorstw (poziom organizacyjny), decydentów publicznych lokalnych i ogólnonarodowych (poziom lokalny, regionalny i narodowy). 48 1. Innowacje w teorii ekonomii Efektem działań innowacyjnych może być jedna lub więcej takich zmian, jak: rozwój nowych metod, narzędzi, nowego podejścia i udoskonalenie już istniejących (jest to innowacyjność ukierunkowana na proces), – sformułowanie nowych celów, identyfikacja nowych i obiecujących podejść, otwarcie nowych dróg do zatrudnienia (innowacyjność ukierunkowana na cel), – rozwój systemu odpowiadającego na potrzeby i problemy rynku pracy w ramach politycznych i instytucjonalnych struktur (innowacyjność ukierunkowana na kontekst). A. Kukliński [2001] wskazuje, że innowacyjność to zdolność do tworzenia i absorbowania innowacji. W ostatnim okresie zmieniło się pojęcie innowacji, która przekształciła się z pojedynczego wydarzenia w kompleks zjawisk i procesów tworzących nowe wzorce technologii produkcji. W terminologii OECD wskazuje się, że na działalność innowacyjną składa się wiele działań o charakterze naukowym (badawczym), technicznym, organizacyjnym, finansowym i handlowym (komercyjnym), których celem jest opracowanie i wdrożenie nowych lub istotnie ulepszonych produktów i procesów. Część tych działań jest innowacyjna sama z siebie, a pozostałe mogą nie zawierać w sobie nowości, ale są niezbędne do opracowania i wdrożenia innowacji, są to: prace badawcze i rozwojowe, zakup licencji, zakup oraz montaż maszyn i urządzeń, modernizacja i rozbudowa budynków służących wdrażaniu innowacji, szkolenia personelu [Enhancing SME… 2001, s. 14]. Innowacyjność to cecha, która, jak wskazuje A. Francik [2003, s. 69], może określać całe społeczeństwa, społeczności lokalne, organizacje czy jej części, a w końcu – pojedynczych ludzi. Za innowacyjne są uznawane gospodarki (organizacje), które umieją tworzyć, absorbować i zbywać nowe produkty (usługi), mają także wykształconą zdolność adaptacji do zmian zachodzących w otoczeniu [Janasz, Leśkiewicz 1995]. Zdolność firm zarówno do tworzenia nowych produktów i technologii, metod organizacji, jak i do absorpcji oraz zastosowania wiedzy wytworzonej poza firmą to innowacyjność firm według E. Stawasza [1999, s. 6]. Innowacyjność organizacji to gotowość do reakcji na zmiany w otoczeniu i zdolność inicjowania oryginalnych, a także imitujących (nowych dla organizacji) zachowań, często w związku z sygnałami środowiska, ale również bez względu na nie, w oparciu o jawną i ukrytą wiedzę organizacji. Organizację innowacyjną charakteryzuje umiejętność gromadzenia i wykorzystania zasobów wiedzy do tworzenia innowacji, wydobywanie z zasobów wiedzy tego, co istotne. Innowacyjność to zdolność i skłonność do: – poszukiwania nowych wyrobów, technologii, usług, rynków, metod zarządzania itp., – inicjowania, kreowania i wdrażania nowych wyrobów, technologii, usług, rynków, metod zarządzania itp., – podejmowania działań w sytuacji niepewności i ryzyka, – obserwacji rynku i konkurencji, przewidywania rozwoju sytuacji rynkowej, – 1.2. Deinicje i typologie innowacji 49 natychmiastowej reakcji na pojawiające się zmiany, przełamywania rutyny, przyzwyczajeń, zmiany sposobów komunikowania się, nowych metod organizacji pracy itp. [Francik 2003, s. 69]. Stawianie czoła tym zadaniom (części lub całości) nadaje organizacji charakter innowacyjny. Innowacje i innowacyjność są uznawane za jeden z najbardziej progresywnych czynników rozwoju i wzrostu społeczno-gospodarczego, w wymiarze terytorialnym, w tym również regionalnym i lokalnym [Niedzielski, Jaźwiński 2002]. Zagadnienia innowacji i innowacyjności w rozwoju społeczno-gospodarczym regionów mogą być rozpatrywane w aspektach interregionalnym (międzyregionalnym) i intraregionalnym (wewnątrzregionalnym), a także ze względu na innowacyjność podmiotów i przedsiębiorstw zlokalizowanych w danym układzie regionalnym oraz innowacyjność samych układów regionalnych. Jednocześnie na procesy rozwoju regionów wpływa sposób prowadzenia polityki społeczno-gospodarczej i regionalnej. Innowacyjność regionu to zdolność i motywacje gospodarki/przedsiębiorstw funkcjonujących w regionie do ustawicznego poszukiwania i wykorzystywania w praktyce wyników badań naukowych, nowych koncepcji, pomysłów i wynalazków. Zatem za innowacyjne uważa się te regiony, w których firmy i instytucje umieją tworzyć, absorbować i zbywać nowe produkty (usługi) oraz te, które charakteryzują się zdolnością ciągłego adaptowania się do zmian zachodzących w otoczeniu [Stawasz 1997]. Tak jak definicji innowacji, również i kryteriów podziałów innowacji jest wiele, ponieważ, skoro nie istnieje zgoda co do jednej definicji innowacji, nie może być również jednej typologii. Wydzielanie rodzajów innowacji i ich klasyfikacje dokonywane są w zależności od celów, którym mają służyć. Wiele wydzielonych typów innowacji jest ze sobą powiązanych, w wielu przypadkach te same innowacje należeć mogą do kilku grup typologicznych [Janasz, Kozioł 2007, s. 19]. Poniżej przedstawiono przegląd wybranych klasyfikacji innowacji, w celu ukazania wielkości spektrum zagadnienia. Pierwsze historycznie klasyfikacje innowacji wywodzące się z neoklasycznych definicji innowacji są dziełem J.R. Hicksa i J. Robinson oraz R.F. Harroda, którzy dzielą innowacje na proacooszczędne, kapitałooszczędne i neutralne. Przy czym J.R. Hicks [1932, s. 217] dzieli innowacje według kryterium marginalnej stopy elastyczności substytucji kapitału i pracy17, klasyfikacja J. Robinson [1938] obejmuje innowacje, które tworzą tzw. czysty postęp techniczny, a R.F. Harrod [1956, s. 23] wyróżnia wymienione rodzaje innowacji w zależności od tego, czy przy stałym współczynniku kapitałochłonności odpowiednio zmniejsza się, zwiększa lub – – – B. Fiedor zwraca uwagę, że klasyfikacja ta nie uwzględnia czynników cenowych, pomijając możliwości substytucji między czynnikami produkcji. Ułatwia jednocześnie wyodrębnienie tej części zmian technicznych, która może być przypisana wyłącznie technice, por. [Fiedor 1979a, s. 31]. 17 50 1. Innowacje w teorii ekonomii pozostaje stała nie krańcowa stopa substytucji między czynnikami produkcji, ale krańcowa produktywność kapitału. W ten sposób klasyfikacja innowacji R.F. Harroda obejmuje zarówno innowacje tworzące postęp techniczny niezależny (czysty), jak i innowacje, które składają się na postęp techniczny substytucyjny w sensie wzrostu stosunku kapitału do zatrudnienia. Wykazując niedostatki tych klasyfikacji, B. Fiedor18 zwraca uwagę, iż istotne znaczenie tej „tylko” taksonomicznej analizy polega jednak może na tym, że zapoczątkowała ona całą serię podobnego typu badań [Fiedor 1979a, s. 33]. O. Lange [1961] ujmuje wpływ innowacji w zależności od sposobu oddziaływania na krańcową wydajność nakładu czynnika produkcji oraz na krańcowy koszt produktu, co w efekcie pozwala na klasyfikacje innowacji w zależności od ich wpływu na podaż produktów przez przedsiębiorstwo z jednej strony (innowacje neutralne, zwiększające lub zmniejszające produkcję), a jego popyt na czynniki produkcji – z drugiej (innowacje pochłaniające lub oszczędzające czynniki produkcji). Teoretycznie zatem możliwa jest znaczna liczba różnego typu innowacji znajdujących się między dwoma przypadkami skrajnymi [Fiedor 1979a, s. 35]. Idąc tym tokiem rozumowania, można otrzymać wiele typów innowacji również dlatego, że liczba możliwych kombinacji zmian w pewnych charakterystykach funkcji produkcji będzie zależeć tylko od liczby wyróżnionych charakterystyk. I tak np. M.J. Beckman i R. Sato [1969] rozróżniają 14 typów innowacji neutralnych względem relacji kapitał/zatrudnienie. Jak wskazuje B. Fiedor [1979a, s. 35, 36], typy innowacji proponowane przez J.R. Hicksa, J. Robinson, R.F. Harroda czy O. Langego mogą być wyjaśnione przez zmiany w tych właściwościach funkcji produkcji19, które stanowią odpowiednie kryterium klasyfikacyjne. Przykładowo łatwość substytucji pracy przez kapitał w koncepcji J.R. Hicksa i J. Robinson czy technicznie zdeterminowane korzyści skali w analizie O. Langego itd. Pojęcie innowacji definiowane przez J.A. Schumpetera ulegało sprecyzowaniu w dalszych jego pracach, na co zwraca uwagę S. Mikosik [1993]. Jednak schumpeterowski podział innowacji na produktowe, procesowe i organizacyjne powraca u wielu autorów (por. [Gomułka 1998, s. 17–20; Jasiński 1997, s. 14–18; Osęka, Wipijewski 1985, s. 22, 23; Moszczyński 1994]). Próbą określenia zasięgu lub skali zmian, jakie pociągają za sobą wprowadzone innowacje technologiczne, jest klasyfikacja Ch. Freemana i C. Pereza [1988]. Jak Z perspektywy historycznej stosunkowo łatwo zarzucić niedostatki koncepcji J.R. Hicksa i J. Robinson, i to nawet z punktu widzenia samej neoklasycznej teorii produkcji, podając w wątpliwość ograniczenie się do homogenicznej funkcji produkcji ze stałymi korzyściami skali, niebranie pod uwagę substytucji towarów i czynników produkcji itp. 19 Cztery podstawowe właściwości funkcji produkcji, właściwości tworzące w sumie tzw. abstrakcyjną technologię to: wydajność technologii, techniczne zdeterminowane korzyści skali, stopień intensywności kapitałowej technologii, łatwość, z jaką kapitał jest zastępowany przez pracę, por. [Brown 1966]. 18 1.2. Deinicje i typologie innowacji 51 zauważa P. Dicken [1998], technologie jako takie nie powodują szczególnych rodzajów zmian. Technologia jest czynnikiem umożliwiającym (enabling) lub ułatwiającym (facilitating) zmiany. Sprzyja lokalizacji działalności gospodarczej, powstawaniu nowych struktur organizacyjnych, nowych produktów i procesów. Ch. Freeman i C. Perez zauważają, że z punktu widzenia zmian technologicznych innowacje produktów oraz procesów można sklasyfikować jako: – innowacje drobne – zmiany na małą skalę i modyfikacje istniejących produktów lub procesów w zależności od popytu, uwarunkowań społeczno-kulturowych i możliwości technologicznych bez istotnego wpływu na rozwój gospodarczy, są rezultatem prowadzonych badań i działalności rozwojowej oraz sugestii inżynierów i propozycji użytkowników (learning by doing, learning by using); – innowacje radykalne – wiele pojedynczych wydarzeń będących rezultatem działalności badawczo-rozwojowej w przedsiębiorstwach, rządowych laboratoriach badawczych i na uniwersytetach; występują nierównomiernie w czasie i w sektorach gospodarki, a ich pojawienie się stanowi często „trampolinę” dla rozwoju nowych rynków i boomu inwestycyjnego, co w dłuższych okresach może wywoływać zmiany strukturalne (ich znaczenie gospodarcze jest małe i związane z określonym miejscem); – zmiany systemu technologicznego – zmiany technologiczne wpływające na kilka gałęzi gospodarki lub dające początek powstaniu nowych gałęzi gospodarki, są kombinacją innowacji radykalnych i drobnych oraz zmian w organizacji i zarządzaniu; – zmiany paradygmatu technologiczno-ekonomicznego – „rewolucje technologiczne”, zmiany technologiczne na znaczną skalę oddziałujące na cały system gospodarczy; skupiska radykalnych i drobnych innowacji, a także licznych, nowych systemów technologicznych; prowadzą do wystąpienia wszechobecnego efektu dotykającego bezpośrednio lub pośrednio prawie każdą gałąź gospodarki, często definiowane jako zmiana „meta paradygmatu”20. Ujęcia podobne, choć mniej rozbudowane, proponują m.in: – W. Bierfelder [1981, s. 35, 36], dla którego według kryterium wyodrębnienia, jakim jest zakres rozwiązań nowatorskich, można wyodrębnić innowacje podstawowe (dokonują przełomu technologiczno-organizacyjnego, przyczyniają się do radykalnych zmian gospodarczo-społecznych) i usprawniające (powodują tylko usprawnienie innowacji podstawowych); – J. Bessant [1982], C. Littler [1988] i K. Urabe [1988, s. 3] oraz A. Nowak-Far [2000, s. 25-26] według kryterium czasu i zakresu oddziaływania innowacji dzielą innowacje na rewolucyjne (zakres zmiany technologicznej i organizacyj20 Stosowanie ogólniejszego określenia: „paradygmat techno-ekonomiczny” (por. np. [Perez 1983]), a nie tylko „paradygmat technologiczny” (por. [Dosi 1982]), wskazuje na zmiany nieograniczające się tylko do cech konstrukcyjnych i projektowych określonego produktu czy procesu technologicznego, ale także do wpływu na strukturę kosztów oraz warunki produkcji i dystrybucji w systemie (jak np. [Freeman, Perez 1988; Olechnicka 2004]). 52 1. Innowacje w teorii ekonomii nej jest bardzo duży i wyznacza nowy paradygmat dla firm działających w danej branży w krótkim okresie) i ewolucyjne (w dłuższym okresie oddziałują na pozycję firmy); – J.A. Schumpeter21 dzielił innowacje na radykalne i przyrostowe, a Ch. Freeman [1986, s. 103–105] na radykalne (rewolucjonizujące produkcję, związane z wysokim ryzykiem i występujące rzadko) oraz usprawniające produkcję, dominujące ilościowo w strumieniu innowacji; – C.M. Christensen rozróżnia innowacje podtrzymujące (ewolucyjne – dotyczące produktów już istniejących, dążące do poprawy wykonania, zwiększenia wydajności, obniżenia kosztów, przedłużenia cyklu życia, zwiększenia bezpieczeństwa itp., które A. Robinson i S. Stern [Innovation and industry… 1999, s. 15] nazywają „kreatywnością z użyciem wstecznego lusterka”) i obalające (tworzą zupełnie nową kategorię rynkową, to całkowicie nowe procedury, zmiana kwalifikacji ludzi zaangażowanych w ich wdrożenie, nowa organizacja pracy i zaskakujący produkt). Nawiązujący do określeń „nowe” i „imitacja” podział innowacji według kryterium oryginalności zmian proponują W. Spruch [1976, s. 37, 38] i Z. Madej [1970, s 13], wyróżniając innowacje: – kreatywne (pionierskie), które odnoszą się do odkryć i wynalazków będących samodzielnymi wytworami danej grupy i mają doniosłe znaczenie; Z. Madej jako innowacje kreatywne (twórcze) określa zdobywanie terra incognita (ziemi nieznanej), torowanie głównych szlaków cywilizacji technicznej oraz wciskanie się w luki rozwoju, czyli opanowywanie dziedzin nieodkrytych, – imitujące (adaptowane), które powstają w wyniku naśladownictwa i rozpowszechnienia oryginalnych osiągnięć, dotyczą strategii „podążania utartymi już szlakami”. Według kryterium stopnia nowości J. Gordon [1978] proponuje rozróżnienie innowacji, które stanowią nowość w skali światowej, kraju bądź całego działu przemysłu, przedsiębiorstwa. Natomiast według kryterium zasięgu oddziaływania proponuje on podział na innowacje zachodzące poza przedsiębiorstwem i wewnątrz przedsiębiorstwa. W zależności od intensywności technologicznej i kapitałowej Z. Fengler [1991] wskazuje na innowacje: „lekkie” o zaawansowanej technologii, „ciężkie” o zaawansowanej technologii, „lekkie” o prostej technologii, „ciężkie” o prostej technologii. Innowacje mogą być tworzone i realizowane przez jednego człowieka lub grupę ludzi czy instytucji i W. Spruch [1976, s. 37, 38] oraz Z. Pietrasiński [1971, s. 9] dla takich sytuacji proponują na podstawie kryterium stopnia złożoności podział innowacji na: – sprzężone – wynik wysiłku pewnej liczby osób czy organizacji, będący efektem współpracy i uzgodnień współpracujących, 21 Za [Oslo Manual… 2005]. 1.2. Deinicje i typologie innowacji 53 niesprzężone – wytwór pracy jednej osoby, wynik działalności zarówno pionierskiej, jak i naśladowczej; innowacje te to przede wszystkim działalność racjonalizatorska. Innowacje są zwykle odpowiedzią na pojawiające się potrzeby, powstają niejako na zamówienie, choć w historii jest wiele przykładów odkryć przełomowych, które powstały w sposób spontaniczny. J. Czupiał [(red.) 1994, s. 14–16] dzieli innowacje ze względu na mechanizm pobudzania na trzy typy: – innowacje podażowe – mechanizm pobudzania ma charakter zewnętrzny w stosunku do gospodarki, jest następstwem odkryć, wynalazków i pomysłów stymulowanych przez rozwój nauki i techniki; – innowacje popytowe – określane jako innowacje „ciągnione”, „ssane” lub stymulowane przez popyt – jednostki gospodarcze, dążąc do maksymalizacji zysku za pomocą zaopatrzenia rynku w dobra, których produkcja dotychczas nie była znana albo nie odpowiadała w pełni potrzebom lub była zbyt droga, starają się usunąć te przeszkody w zaspokajaniu potrzeb nabywców dzięki odpowiedniej innowacji (np. dokonaniu wynalazku odpowiadającego zamówieniu społecznemu, wyszukaniu gotowego wynalazku, którego rozwinięcie i wdrożenie będzie prowadzić do innowacji, na które dostrzeżono popyt, dyfuzji innowacji); – innowacje stymulowane bezpośrednio przez potrzeby – „ciągnione” albo stymulowane – potrzeby ludzkie nie są rejestrowane przez rynek, nie manifestują się w popycie, oceniane są według preferencji, określane przez ośrodki decyzyjne danej organizacji, ich rozwój wynika z istnienia takich dóbr i usług, których podział dokonuje się z całkowitym albo częściowym pominięciem rynku, wskutek czego potrzeby ludzkie nie mogą ani całkowicie, ani częściowo wyrażać się poprzez rynek, lub gdy istnieje pozarynkowy mechanizm regulacyjny działający wewnątrz różnych organizacji22. Podział według kryterium warunków psychospołecznych osób realizujących innowacje przedstawia F. Krzykała [1975, s. 27], wskazując na innowacje: – refleksyjne – uświadomione, zachodzące wtedy, gdy członkowie grupy społecznej świadomie realizują zmiany przez nich wprowadzone w celu przeobrażeń w społeczno-technologicznym procesie produkcji, – bezrefleksyjne, zachodzące wówczas, gdy wprowadzane innowacje wydają się oczywiste i wynikają z doświadczenia społeczno-zawodowego pracowników, – zamierzone, powstające w wyniku planowania przedsięwzięć, – niezamierzone, wprowadzone spontanicznie pod wpływem zasłyszanych opinii i dyfuzji. – Jak wskazuje J. Czupiał, może nią być państwo, firma lub inna struktura posiadająca centralny ośrodek decyzyjny, wewnątrz której istnieją sfery regulowane. Do typowych innowacji stymulowanych bezpośrednio przez potrzeby należą niektóre rozwiązania w dziedzinach ochrony środowiska, zdrowia, obronności kraju itp. [Czupiał (red.) 1994]. 22 54 1. Innowacje w teorii ekonomii Kolejny podział prezentuje innowacje z punktu widzenia sposobu, w jaki są one wprowadzane, dzieląc je na: innowacje systemowe (oparte na pewnym wzorcu tworzenia rozwiązań wypracowanym przez organizację; powstają w wyniku funkcjonowania procedur tworzenia nowych produktów czy procesów, a polegają na systematycznym uczeniu się całej organizacji i uczestniczeniu w nich relatywnie wielu pracowników) i jednostkowe (sporadyczne – jedynie „zdarzają” się w organizacji, nie są tworem istniejącego systemu, są odpowiedzią na pojawiające się szanse i zagrożenia) [Dąbrowski, Koładkiewicz 1998, s. 139, 140]. Zakres powodowanych przez innowacje skutków pozwala wyróżnić innowacje strategiczne (dotyczące przedsięwzięć innowacyjnych o charakterze długofalowym, o dużym znaczeniu społeczno-ekonomicznym, służące osiąganiu strategicznych celów społeczeństwa) i taktyczne (dotyczące bieżących zmian w wyrobach, technologii produkcji, organizacji pracy; mają one na celu podniesienie efektywności gospodarowania w krótszym okresie) [Kalisiak 1975, s. 113]. Zaproponowana przez R.A. Goodmana i M.W. Lawlessa [1994, s. 238–245] klasyfikacja innowacji pokazuje zakres zmian powodowanych przez innowacje w przedsiębiorstwie i w relacjach przedsiębiorstwo–otoczenie. Według kryterium zmiany w przedsiębiorstwie dzielą innowacje na jednostkowe (wywołują zmiany tylko w jednej sferze działalności przedsiębiorstwa) oraz synergiczne (dotyczą wielu dziedzin funkcjonowania firmy, a zakres ich oddziaływania jest większy). Ze względu na zakres zmian w relacjach przedsiębiorstwo–otoczenie autorzy podzielili innowacje na autonomiczne, czyli realizowane wyłącznie w ramach przedsiębiorstwa, oraz systemowe, których realizacja wymaga poważnych zmian w otoczeniu firmy. Bardziej rozbudowany podział innowacji, odnoszący się do kryterium zmian wywoływanych przez innowacje, stosują J. Dąbrowski i I. Koładkiewicz [1998, s. 140–143], wyróżniając innowacje radykalne, rekombinacyjne i modyfikacyjne. Z. Madej [1970, s. 14] proponuje kryterium podziału innowacji uwzględniające rodzaj wiedzy posiadanej przez pracownika oraz dziedzinę wiedzy lub życia społeczno-gospodarczego, którego dotyczą, i zgodnie z nim dzieli innowacje na: – techniczne i technologiczne – środkami tworzącymi innowacje są technika i technologia, wpływające na opracowywanie i wdrażanie nowych procesów, produktów i usług; dotyczą zmian zachodzących w procesach produkcji, obejmujących np. narzędzia, urządzenia, maszyny, technologie, – ekonomiczno-organizacyjne – tworzy je organizacja, – społeczne i socjalno-bytowe – przeprowadzane w dziedzinie pozaprodukcyjnej działalności przedsiębiorstwa. A. Nowak-Far [2000, s. 25–33] przyjmuje, że z punktu widzenia zarządzania strategicznego najważniejsze znaczenie ma podział innowacji na technologiczne i organizacyjne, a rozwijając ten podział, proponuje wydzielenie innowacji w zakresie tworzenia i technologicznego zastosowania produktu, procesu lub usługi, w zakresie tworzenia lub zastosowania rynku, w zakresie tworzenia lub zastosowania struktur organizacyjnych lub procedur. Uznając dwie pierwsze kategorie za powią- 55 1.2. Deinicje i typologie innowacji zane, można podział ten ograniczyć do dwóch kategorii innowacji: technologicznych i organizacyjnych. W pracach OECD i Eurostatu od wielu lat na potrzeby statystyki proponowano klasyfikacje innowacji. Początkowo były to klasyfikacje uwzględniające jedynie innowacje produktu i procesu, natomiast w opublikowanym w 2005 r. trzecim wydaniu Oslo Manual [2005, s. 46–52] – przewodniku do zbierania i interpretowania danych dotyczących innowacyjności, w ślad za szeroką definicją zaproponowano także rozbudowany podział innowacji (rys. 1.2). Do celów statystycznych wyróżnia się zatem cztery typy innowacji: w obrębie produktów, w zakresie procesów, marketingowe oraz organizacyjne. Innowacja produktu (product innovation) to wprowadzenie wyrobu lub usługi, które są nowe lub znacząco udoskonalone w zakresie swoich cech lub zastosowań. Zalicza się tu istotne udoskonalenia pod względem specyfikacji technicznych, komponentów i materiałów, wbudowanego oprogramowania, łatwości obsługi lub innych cech funkcjonalnych. Innowacja procesu (process innovation), czyli innowacja w obrębie procesu, to wdrożenie nowej lub znacząco udoskonalonej metody produkcji lub dostawy. Do tej kategorii zalicza się istotne zmiany w zakresie technologii, urządzeń oraz/lub oprogramowania. Innowacja marketingowa (marketing innovation) to wdrożenie nowej metody marketingowej wiążącej się ze znaczącymi zmianami w projekcie/konstrukcji produktu lub w opakowaniu, dystrybucji, promocji lub strategii cenowej. Innowacja organizacyjna (organisational innovation) to wdrożenie nowej metody organizacyjnej w przyjętych przez firmę zasadach działania, w organizacji miejsca pracy lub w stosunkach z otoczeniem [Oslo Manual… 2005, s. 46–52]. Każdy z przedstawionych typów jest bardzo szczegółowo opisany, dla dobrego efektu klasyfikacji i badań statystycznych. innowacje technologiczne procesu nietechnologiczne produktu nowe marketingowe organizacyjne ulepszone Rys. 1.2. Podział innowacji do celów statystyki publicznej Źródło: opracowanie na podstawie [Oslo Manual… 2005, s. 46–52; Działalność innowacyjna…2008, s. 120–122, 133–134]. Klasyfikacja ta w największym stopniu zachowuje ciągłość w stosunku do poprzedniej definicji „innowacji technologicznych w obrębie produktów i procesów” 56 1. Innowacje w teorii ekonomii stosowanej w drugim wydaniu podręcznika Oslo [Oslo Manual… 1997, s. 31–33] i wydaje się najcelniejsza także ze względu na prowadzenie badań statystycznych i ich metodologię na szczeblu krajowym, regionu i firmy właśnie w tym nurcie. Jest ona uniwersalna również z punktu widzenia dalszego procesu badawczego, który przeprowadzono w oparciu o zasoby statystyczne Eurostatu i unijną statystykę w zakresie innowacyjności (mierniki w bazach danych są konsekwencja podanych uprzednio poddziałów). C. Slappendel [1996] i A. Wolfe [1994] podkreślają, że każda klasyfikacja innowacji ułatwia pomiar i zrozumienie jej znaczenia. Piszą, że potencjalny zakres i rozmiar różnych rodzajów innowacji i badań innowacyjnych wskazuje, że mogą one mieć wiele różnorodnych atrybutów oraz, że ich pomiar nastręcza wielu problemów. Dlatego też A. Wolfe [1994, s. 419] twierdzi, że dla badaczy istotne jest wyspecyfikowanie tychże atrybutów przynależnych danej innowacji jako elementu początkowego dla zrozumienia zjawiska innowacji. Jego przegląd badań nad innowacjami identyfikuje 17 cech, które można byłoby wykorzystać w procesie klasyfikowania i rozumienia innowacji. Sześć spośród tych cech zostało zdefiniowanych jako wpływające na innowacje. Są nimi: możliwość przystosowania się, centralny charakter, odniesienie do i skupienie na danej organizacji, możliwość przenikania, radykalność i niepewność. W nurcie serwicyzacji gospodarki zmieniają się także ujęcia klasyfikacyjne innowacyjności, a badacze coraz częściej skłaniają się do uwzględnienia w klasyfikacjach szeroko pojętych usług. W kontekście usług publicznych S.P. Osborne [1998] opracował dwuwymiarową typologię innowacji, jako reakcję na tradycyjne oddzielenie innowacji w formie produktu i procesu. Separacja produktu od procesu w literaturze na temat innowacji odnosi się do cyklów życia organizacji. Nowe organizacje są postrzegane jako te, które tworzą innowacje produktowe, a starsze, dojrzalsze firmy skupiają się na procesach innowacyjnych w celu pobudzenia efektywności technicznej poprzednich innowacji produktowych. Jednakże taka perspektywa spojrzenia na problem stanowi zaprzeczenie możliwości przeprowadzenia „reinwencji” w różnych rodzajach organizacji lub sektorach czy też możliwości uniknięcia wpływu braku ciągłości procesu. Możliwe jest, by firmy „odmłodziły się” i odeszły od wzorca dojrzałości produkcyjnej, przekładającej się na efektywność, a skupiły się na rozwoju produktu i różnorodności, co zakłada stymulowanie przez rząd do działań innowacyjnych w obszarze usług publicznych. Typologia S.P. Osborne’a [1998] łączy oddzielony produkt i proces, pozwalając na zaistnienie innowacji w obrębie produktu lub procesu na dowolnym etapie cyklu życia, tym samym podkreślając brak ciągłości innowacji i ciągłości w odniesieniu do rozwoju organizacji wraz z wymiarami usług i użytkowników, podobnie jak uczynili to E. Ferlie i in. [1984], opisując innowacje. Dwuwymiarowa typologia prowadzi do wyodrębnienia czterech rodzajów innowacji (rys. 1.3). Pierwszym z nich jest innowacja totalna, polegająca na ciągłych zmianach nowych dla firmy i służących nowej grupie użytkowników. Drugim jest innowacja 57 1.2. Deinicje i typologie innowacji użytkownicy nowi istniejący nowe totalna ewolucyjna istniejące ekspansywna rozwojowa usługi Rys. 1.3. Typologia innowacji w usługach publicznych Źródło: opracowanie na podstawie [Osborne 1998]. ekspansywna, w której zmiana polega na ofercie istniejącej usługi firmy dla nowej grupy użytkowników. Trzecim jest innowacja ewolucyjna, w której zmiana polega na zapewnieniu nowej usługi dla istniejącej grupy użytkowników tejże organizacji. Wreszcie istnieje innowacja rozwojowa lub przyrostowa [Bessant 1998], dotycząca usług firmy oferowanych istniejącej grupie użytkowników, które zostały zmodyfikowane lub udoskonalone. Taka typologia innowacji stanowi użyteczny mechanizm klasyfikacyjny, pozwalający na oddzielenie organizacyjnej zmiany i rozwoju od innowacji, bez względu na to, czy jest ona całkowita, ekspansywna, czy też ewolucyjna. Podejście takie zostało zastosowane do klasyfikacji innowacji w trakcie testowania LBIOI (Literature-Based Innovation Output Indicator) i możliwości jego zastosowania wobec organizacji pełniących usługi publiczne [Walker i in. 2002]. Istotne elementy procesów innowacyjnych stanowią absorpcja (wchłanianie, przyjmowanie innowacji) i dyfuzja (rozprzestrzenianie, rozpowszechnianie innowacji), co pozwala na wydzielenie, w kontekście badań przestrzennych, trzech rodzajów układów terytorialnych [Kudłacz 1999, s. 15]: – zdolnych do generowania innowacji, – niezdolnych do generowania innowacji, ale zdolnych do ich absorpcji i dyfuzji, – niezdolnych ani do jednego, ani też do drugiego. Ze względu na rozwój układów terytorialnych wydziela się dwa rodzaje absorpcji innowacji [Witkowski 2002, s. 166, 167]: – bierną, czyli zdolność regionu lub obszaru do przyjęcia pozytywnej odpowiedzi rynków docelowych, w tym inwestorów, na podejmowane działania, – czynną, polegającą na zdolności do kreowania i rozwoju następstw tych działań poprzez wykorzystanie i wzmacnianie efektu synergicznego. Taksonomia, jak przypomina B. Fiedor [1979b], nie może zastąpić analizy historycznej ani porównawczej, ani też analizy mechanizmów rządzących przebiegiem rzeczywistych procesów innowacyjnych, które przechodzą przez graniczące ze sobą obszary nauki, technologii i gospodarki. Poza tym wszelka taksonomia ma w zasa- 58 1. Innowacje w teorii ekonomii dzie charakter statyczny, dlatego nie można przez nią opisać i wyjaśnić dynamicznego charakteru procesów innowacyjnych23. 1.3. Innowacyjność w wybranych teoriach rozwoju regionalnego We współczesnej gospodarce szczególnego znaczenia nabiera innowacyjność państw i regionów, bo szybki rozwój gospodarczy danego obszaru jest możliwy tylko w oparciu o wiedzę, badania naukowe i nowe technologie. Rozwój innowacji w gospodarce jest obecnie jednym z kluczowych wyzwań, jakie stoją przed zarządzającymi regionami. Trudno też przeceniać role odgrywane przez innowacje w długookresowych zmianach ekonomiczno-społecznych oraz wiele ich konsekwencji, jak chociażby następujące [Fagerberg 2007, s. 19, 20]: – funkcją innowacji jest, jak wskazuje J.S. Metcalfe [1998], wprowadzenie nowości (zmiany) do sfery ekonomicznej. Jeśli strumień nowości (innowacji) ustanie, gospodarka przejdzie w „stan stacjonarny” o małym wzroście lub jego braku – dlatego innowacja jest sprawą zasadniczą dla długookresowego rozwoju ekonomicznego; – innowacje mają tendencję do gromadzenia się w pewnych gałęziach przemysłu/ sektorach, które z tego powodu rozwijają się szybciej, implikując zmiany strukturalne w produkcji i popycie oraz, ostatecznie, zmiany organizacyjne i instytucjonalne. Zdolność do dokonywania zmian instytucjonalnych jest istotna dla zdolności do tworzenia i odnoszenia korzyści z innowacji; – innowacja jest potężnym czynnikiem wyjaśniającym podłoże różnic w osiągnięciach między firmami, regionami i krajami: firmy, którym udają się innowacje, prosperują na koszt swych mniej zdolnych konkurentów, innowacyjne kraje i regiony mają wyższą produktywność i dochód niż mniej innowacyjne, a kraje lub regiony, które chcą nadrobić zaległości w stosunku do liderów innowacji, stają w obliczu wyzwania polegającego na zwiększeniu swej własnej działalności innowacyjnej (i „zdolności przyswajania”) do poziomu liderów [Fagerberg, Godinho 2007]. W wyniku ewolucji przemysłu zapoczątkowanej pod koniec XVIII w. w rozwoju gospodarczym można zaobserwować rosnące znaczenie zmian technologicznych wywołanych wprowadzanymi innowacjami. W ostatnim czasie rola innowacji stała się szczególnie ważna z powodu wyzwań, jakie niesie globalizacja. Możliwość ich kreowania oraz wykorzystywania będzie miała istotny wpływ na kształtowanie przewagi konkurencyjnej firm, regionów i krajów w globalnej wiosce, jaką stał się świat. Syntetycznie ujmuje ten problem M. Blaug: „Niedostatki dostępnych schematów (dotyczących procesów i produktów innowacyjnych nie są zawarte w ich logice. Główna trudność tkwi w niemożności równowagi statycznej przy analizowaniu procesów o charakterze ciągłym” [Blaug 1963, s. 20]. 23 1.3. Innowacyjność w wybranych teoriach rozwoju regionalnego 59 Podstawy teoretyczne problematyki innowacji w kontekście przestrzeni, a zwłaszcza ich przestrzennej dyfuzji, związane są z „rewitalizacją” i modyfikacjami niektórych dawnych koncepcji, ostatnio nieco zapomnianych w badaniach przestrzenno-ekonomicznych, w tym m.in. [Męczyński 2007, s. 18]: 1) obejmujących teorie dotyczące roli innowacji w rozwoju gospodarczym, 2) teorii związanych z cyklicznością rozwoju gospodarczego, pojawianiem się przełomowych innowacji oraz ich przestrzennymi konsekwencjami, 3) dotyczących przestrzennej dyfuzji innowacji. Dotychczas zagadnienie innowacji podejmowane było na gruncie wielu nauk, a zwłaszcza ekonomii. Szczególne miejsce zajmuje tu teoria J.A. Schumpetera, podkreślająca rolę innowacji w rozwoju gospodarczym. Poglądy innych ekonomistów na temat wpływu innowacji na gospodarkę omówiono w rozdz. 1.1. Koncepcja schumpeterowska, która powstała na gruncie nauk ekonomicznych, nie zawiera elementów przestrzennych, ale prawa w niej określone stanowią punkt wyjścia do badań dotyczących znaczenia innowacji w rozwoju gospodarczym, tworząc płaszczyznę dla dalszych rozważań teoretycznych o charakterze przestrzennym. Przykładowo, rozwinięcie teorii J.A. Schumpetera w zakresie cykliczności rozwoju gospodarczego to koncepcja długich fal i cykli ewolucji przemysłu z początku XX w. rosyjskiego ekonomisty N.D. Kondratieva [1935], który przedstawił postępującą ewolucję przemysłu w postaci czterech długich fal wiążących się ze zmianą paradygmatu techno-ekonomicznego. W koncepcji tej zmiany zachodzące w systemie gospodarczym od końca XVIII w. zostały wywołane wprowadzeniem przełomowych innowacji. Wielu badaczy powraca obecnie do tej koncepcji, a jej rewitalizacja wiąże się z zawarciem, obok elementów o charakterze ekonomicznym, również elementów przestrzennych. Zainteresowanie grupy badaczy koncepcją długich fal N.D. Kondratieva, w tym m.in. takich jak: N. Rosenberg i C. Frischtak [1984], Ch. Freeman i C. Perez [1988], A. Grübler i H. Nowotny [1990], R. Hayter [1997], P. Dicken [1998], T. Stryjakiewicz [1999], P. Haggett [2001], wynika z opisywanych przez nią prawidłowości mających także charakter przestrzenny, co przejawia się głównie w postaci lokalizacji miejsca, w którym pojawiła się przełomowa innowacja [Męczyński 2007, s. 26]. Kolejną koncepcją, będącą rozszerzeniem rozważań J.A. Schumpetera związaną z cyklicznością rozwoju gospodarczego, jest teoria G. Menscha [1979, s. 72, 73], który zajmował się „metamorficznym” modelem cykli zmian strukturalnych, zakładając, że gospodarka rozwijała się w postaci serii przerywanych impulsów innowacyjnych mających postać następujących po sobie S-kształtnych cykli. G. Mensch zwrócił również uwagę na rojowe, grupowe występowanie przełomowych innowacji (basic innovations), a jego koncepcja stanowi istotny wkład o charakterze teoretycznym do badań nad zagadnieniem innowacyjności. Model rozwoju gospodarczego przedstawiony przez J.A. Schumpetera [1960, s. 228–230] pozwala na wyodrębnienie własności innowacji. Wskazuje, że inno- 60 1. Innowacje w teorii ekonomii wacje nie powstają w izolacji, mają charakter komplementarny i tworzą łańcuch sekwencji przekształceń strukturalnych. Nie pojawiają się w sposób regularny, ale są realizowane w sposób skokowy, falowy i stopniowo opanowują gospodarkę. Warunki zbliżone do stanu równowagi gospodarczej sprzyjają innowacjom, a w miarę jak innowacje się rozprzestrzeniają, gospodarka wchodzi w stan nierównowagi i następuje „twórcza destrukcja” systemu, w wyniku której eliminowane są z rynku przedsiębiorstwa stosujące stare technologie. Zjawisko nagromadzenia się innowacji ma charakter cykliczny, wiąże się z zakłócaniem równowagi systemu, który dąży do jej odzyskania, co następuje na wyższym poziomie rozwoju gospodarczego po wcześniejszej fazie depresji. W ten sposób widoczny jest związek między pojawianiem się innowacji a występującymi cyklami koniunkturalnymi [Van Duijn 1983]. Związek między innowacjami i wahaniami cyklicznymi został zaadaptowany w wielu rodzajach cykli, również w koncepcji długich fal ewolucji przemysłu N.D. Kondratieva. Analizy nowych paradygmatów techno-ekonomicznych w aspekcie przestrzennym przejawią się w szczególności w odniesieniu do zmian przestrzennej organizacji przedsiębiorstw oraz identyfikacji miejsc i obszarów związanych z pierwszym pojawieniem się innowacji i jej dyfuzją. Szczególnie drugi z przestrzennych aspektów koncepcji ewolucji przemysłu N.D. Kondratieva wiąże się z miejscem pojawienia się innowacji powstałych dzięki zmianie paradygmatu oraz z ich dyfuzją. Analizując fale ewolucji przemysłu, R. Boschma [1997] zauważa, że przełomowe innowacje są kojarzone ze szczególnie istotnymi gałęziami przemysłu, które wiążą się z określonym cyklem długiej fali, a między tymi gałęziami istnieją silne więzi o charakterze technologiczno-ekonomicznym, dzięki czemu możliwa jest identyfikacja miejsca, w którym tworzą się skupienia (klastry) innowacyjnych gałęzi przemysłu. Tworzenie i adaptacja przełomowych innowacji zależne są od struktur i uwarunkowań społeczno-gospodarczych występujących w regionie. Przełomowe innowacje wiąże się z nową, niestandardową wiedzą i przede wszystkim z różnymi rodzajami wymaganych informacji. Jednocześnie należy pamiętać o zmiennej i nieprzewidywalnej naturze przełomowych innowacji, którą to własność można określić jako „przypadkową i cechującą się pewną obojętnością” [Boschma 1997] ze względu na cechy społeczno-ekonomiczne przestrzeni. Dlatego nie zawsze dotychczasowe miejsca związane z pierwszym pojawianiem się i przyswajaniem innowacji pozostają liderami pod względem potencjału innowacyjnego. Wspomniane własności przełomowych innowacji nie ograniczają całkowicie możliwości wskazania określonych cech występujących w przestrzeni, które mają wpływ na pojawienie się tychże innowacji oraz wiążących się z nimi nowych gałęzi przemysłu. Do cech przestrzeni implikujących pojawienie się innowacji należą według R. Boschmy [1997]: przedsiębiorcy inicjujący innowacje, warunki naturalne mogące sprostać nowym wymaganiom związanym z wprowadzeniem przełomowych innowacji (zasoby środowiska naturalnego), środowisko społeczno-go- 1.3. Innowacyjność w wybranych teoriach rozwoju regionalnego 61 spodarcze regionu. Przemiany struktur przestrzennych, a także nieprzewidywalny charakter przełomowych innowacji stymulują zarówno innowacyjne przywództwo (leadership) jednych obszarów w pewnym okresie, jak i opóźnienie w przyswajaniu przełomowych innowacji w innym. Opisane koncepcje prezentowały podejście wyrosłe na gruncie nauk ekonomicznych, a ich celem była próba wykazania związku między innowacyjnością a rozwojem gospodarczym w wymiarze czasowym (w toku badań empirycznych). Koncepcją prezentującą najpełniej aspekty czasowe i przestrzenne innowacyjności jest teoria dyfuzji przestrzennej, która wyjaśnia mechanizm rozprzestrzeniania się innowacji. Analizując proces przestrzennej dyfuzji innowacji, należy zwrócić uwagę na elementy tego procesu przedstawione przez J. Łobodę [1975, s. 8, 9]: obszar (otoczenie, w którym proces zachodzi, jednorodne lub zróżnicowane), czas dyfuzji (okres wyrażany w sposób ciągły lub podzielony na fazy), innowację lub wiadomość (przedmioty podlegające dyfuzji to ludzie, idee, wzory itp. przedmioty natury materialnej i niematerialnej), miejsce pochodzenia nowości lub wiadomości, związane z przestrzennym układem jej rozpowszechniania się w czasie, miejsce przeznaczenia nowości w następnym interwale czasowym, drogę ruchu i interakcji (przebytą przez innowację między punktem początkowym i docelowym). Jak stwierdza J. Łoboda [1975, s. 91], „dyfuzję rozpatruje się w różnych skalach, których stosowanie może prowadzić do zrozumienia i pełniejszego wyjaśnienia istoty procesów dyfuzji przestrzennej”. Według P.R. Goulda [1969] może to być skala mikro, makro lub regionalna. Ze względu na typ rozmieszczenia zjawiska dyfuzji wyróżnia się: dyfuzję ekspansywną i relokacyjną. Dyfuzja ekspansywna [Gould 1969; Łoboda 1983; Haggett 2001] to proces, w którym informacja rozprzestrzenia się z jednego miejsca do drugiego, dzięki przekazaniu innowacji przez osobę lub grupę o niej wiedzącą innej osobie lub grupie, która dotąd o niej nie wiedziała, co sprawia, że liczba wiedzących zwiększa się ekspansywnie wraz z upływem czasu. Jeśli pierwsi wiedzący o innowacji (lub grupa inicjalna) przenoszą się w inne miejsce, to droga innowacji w przestrzeni i czasie tworzy nowe lokalizacje – mamy wówczas do czynienia z relokacyjnym typem dyfuzji przestrzennej [Łoboda 1969]. Istnieją dwie paradoksalne cechy charakterystyczne dla współczesnej gospodarki światowej. Po pierwsze, działalność innowacyjna nie jest rozmieszczona na świecie równomiernie czy też przypadkowo. W istocie rzeczy, im bardziej działalność gospodarcza jest uzależniona od wiedzy, tym bardziej dąży do skupiania się. Najlepszymi przykładami są takie gałęzie przemysłu, jak biotechnologia czy usługi finansowe, które skupiły się najgęściej w niewielu głównych centrach, pomimo prób wielu innych miejsc, aby je przyciągnąć lub stworzyć swoją własną działalność w tych sektorach. Po drugie, ta tendencja do koncentracji przestrzennej w miarę upływu czasu staje się coraz bardziej widoczna [Leyshon, Thrift 1997; Feldman 2001; Cortright, Mayer 2002]. Taka rzeczywistość przeczy długotrwałym przepowiedniom, że rosnące wykorzystanie technologii informatycznych i komunikacyjnych doprowadzi, 62 1. Innowacje w teorii ekonomii w miarę upływu czasu, do rozproszenia działalności innowacyjnej. Zważywszy to, wydawałoby się, że proces tworzenia wiedzy ma bardzo charakterystyczną geografię. B.T. Asheim i M.S. Gertler [2007] podkreślają, że dla samego procesu innowacyjnego powyższa geografia jest sprawą zasadniczą, a nie przypadkową. Inaczej mówiąc, nie da się we właściwy sposób zrozumieć innowacji, jeżeli w tym procesie nie docenia się centralnej roli przestrzennej bliskości i koncentracji. Działalność ludzka jest przestrzennie zlokalizowana. Różne czynniki sprawiają, iż działalność gospodarcza prowadzona w danym miejscu przestrzeni ma zupełnie inne natężenie, w porównaniu z działalnością w innym miejscu. Może też dawać różne efekty, co wraz z upływem czasu powoduje zróżnicowanie poziomu rozwoju społeczno-gospodarczego danego obszaru. U podstaw przestrzennego zróżnicowania efektów gospodarowania leżą głównie pierwotne czynniki lokalizacji, sprzyjające rozwojowi miast i koncentracji przemysłu. Obecnie to właśnie innowacje oraz zdolności ich wykorzystania tkwiące w kapitale ludzkim i kapitale społecznym stanowią – wraz z występowaniem niezbędnych zasobów materialnych (zasobów naturalnych, kapitałowych i ludzkich) – główne impulsy rozwojowe. Ponadto zdolność do absorpcji innowacji oraz umiejętne kierowanie i zarządzanie procesami rozwojowymi dają podstawy dla rozwoju regionu. Współczesne nurty w teorii lokalizacji stanowią rozwinięcie klasycznej i neoklasycznej teorii lokalizacji. Uwzględniają przesłanki ekonomiczne oraz zagadnienia z zakresu socjologii i psychologii. Do nowych nurtów teorii lokalizacji należą m.in.: podejście behawioralne, cykl życia produktu, teoria biegunów wzrostu, teoria gron Portera czy teoria środowiska innowacyjnego. Przyczyną tego, iż rozwój społeczno-gospodarczy nie zachodzi równomiernie na terytorium kraju czy regionu, są centra, ośrodki czy obszary rozwojowe, które przyciągają ludność możliwościami lepszego zaspokajania potrzeb, stwarzając tym impulsy do przyspieszania rozwoju. Szczególnie istotna, ze względu na aspekt innowacyjności, wydaje się opracowana przez F. Perroux [1955] teoria biegunów wzrostu. Teoria jest oparta na założeniu, iż powstanie i funkcjonowanie tzw. biegunów wzrostu (miejsc o natężonych impulsach rozwojowych dla regionu) wpływają na atrakcyjność lokalizacyjną regionu. Główną rolę w procesie wzrostu gospodarczego przypisuje się kapitałowi innowacyjnemu. Innowacje, za pomocą sprzężeń, uruchamiają procesy rozwoju w regionie. Sektor innowacyjny staje się sektorem stymulującym, w którym wzrost jest szybszy niż w pozostałych obszarach funkcjonowania gospodarki. Sektorowy biegun wzrostu, uzależniając branże, skupia zasoby z innych branż, co zmniejsza ich możliwości rozwoju (efekt wypłukiwania). Po pewnym czasie pojawiają się efekty rozprzestrzeniania, tj. pobudzanie wzrostu innych branż poprzez powiązania popytowe i podażowe [Godlewska 2001]. Z analizy teorii biegunów wzrostu wynika wniosek, iż lokalizacje przedsiębiorstw są niekorzystne poza sferą oddziaływania bieguna wzrostu. Rozmieszczenie innowacji w całym systemie ekonomicznym nie odbywa się regularnie. Zawsze mają one tendencję do koncentrowania się w pewnych sektorach 1.3. Innowacyjność w wybranych teoriach rozwoju regionalnego 63 i gałęziach. Innowacje wykazują tendencję do spiętrzania się i „gromadnego występowania”. Dlatego J.A. Schumpeter, kontynuując rozważania nad skupionym24 (clustered) występowaniem działalności innowacyjnej przedsiębiorców, zauważa, że pojawienie się jednego lub kilku wprowadzających innowacje ułatwia pojawienie się innych, co prowadzi do pojawienia się następnych w większej liczbie [Męczyński 2007, s. 25]. Inny nurt stanowi nawiązująca do spostrzeżeń J.A. Schumpetera teoria gron M.E. Portera. Gronem nazwana jest „znajdująca się w geograficznym sąsiedztwie grupa przedsiębiorstw i powiązanych z nimi instytucji zajmujących się określoną dziedziną, połączona podobieństwami i wzajemnie się uzupełniająca” [Porter 2001]. Zasięg geograficzny grona nie jest jednoznacznie określony. Może obejmować jedno miasto, region, kraj lub grupę sąsiednich państw. Grona, poprzez oferowanie inwestorom wielu korzyści, mogą liczyć na działanie synergii. Innowacyjność w teorii lokalizacji można także rozpatrywać w kontekście koncepcji przestrzennej samoorganizacji25, która jest „narzędziem wyjaśniania przestrzennego układu gospodarki” [Budner 2003]. W teorii tej przedstawiany jest sposób przechodzenia złożonych systemów od jednego porządku do innego, jeśli spełnione jest założenie, że badane systemy są otwarte, nieliniowe i dalekie od równowagi. Z teorii fizyki do ekonomii przeniesiono opis sposobu przejścia z jednego porządku do drugiego [Domański, Wierzbicki 1983; Domański 1997; Budner 2003]: – nierównowaga w fizyce to zróżnicowanie w ekonomii, które prowadzi do różnic w funkcjonowaniu obszarów (miast, regionów), np. do odmiennej struktury zatrudnienia czy nakładów inwestycyjnych, – nieliniowość sprowadzić można do korzyści skali (efekt skali), – perturbacje porównuje się np. do skutków wprowadzenia nowych technologii, czego efektem są innowacje, impulsy rozwojowe, – z fluktuacjami mamy do czynienia, gdy w wyniku zaistnienia impulsów zachodzą zmiany w zachowaniach ludzi, przedsiębiorstw i instytucji (mogą być przeobrażeniem relacji między produkcją a infrastrukturą, centrum a otoczeniem), obserwuje się wzajemne oddziaływanie między elementami systemów gospodarczych w przestrzeni – zmiany relacji. Pozostawanie w różnych związkach z otoczeniem (przepływ materiałów, towarów, informacji, osób) stanowi o otwartości systemów społeczno-gospodarczych. Obserwując przestrzenną samoorganizację miast i regionów o zróżnicowanym wzroście gospodarczym, na podstawie efektów skali, można wyobrazić sobie jednostkę terytorialną, która wdraża strategię innowacji integrującą region, co sprzyja transformacji organizacji obecnej w strukturę udoskonaloną, tj. na wyższym szczeblu organizacji. System, w którym obserwujemy elastyczność struktury, gdy następuje W rozumieniu skoncentrowanym. Prekursorem teorii samoorganizacji jest I. Prigogine, belgijski fizyk i fizykochemik (za prace nad powstaniem i rozwojem teorii samoorganizacji otrzymał Nagrodę Nobla w 1977 r.). 24 25 64 1. Innowacje w teorii ekonomii ewolucja struktury w doskonalszą, określany jest mianem samoorganizacji [Domański, Wierzbicki 1983; Domański 1997; Budner 2003]. Ze względu na globalną rewolucję naukowo-techniczną coraz większe znaczenie przypisuje się w teorii lokalizacji otoczeniu innowacyjnemu. To innowacje stanowią jeden z najbardziej znaczących czynników determinujących wybór lokalizacji [Zacher (red.) 1998]. Rosnąca absorpcja nowych technologii w regionach, technologii, które są wdrażane w lokujących się firmach (opierających działalność na rozwoju techniczno-technologicznym), powoduje, że innowacyjna firma ma możliwość działania w sprzyjającym środowisku lokalnym. Środowisko innowacyjne można określić jako „wyodrębniony terytorialnie zespół, w którym sieci innowacyjne rozwijają się przez praktykę tych aktorów drogą wzajemnej wymiany generującej specyficzne efekty zewnętrzne dla innowacji dokonujących się dzięki zbieżności praktyki i coraz większych osiągnięć w tworzeniu technologii” [Benko 1993, s. 25], a środowisko współczesnej firmy to środowisko kreujące rozwój otoczenia. W najnowszych teoriach rozwoju regionalnego zwraca się uwagę na elementy związane z gospodarką opartą na wiedzy, szeroko pojętym procesem innowacyjnym oraz rozwojem endogenicznym. W nowej teorii wzrostu P.M. Romer [1986, 1990] wskazuje, iż kumulowanie się czynników wzrostu umożliwia trwały rozwój o charakterze endogenicznym. Jako czynniki generowania tego rozwoju wymieniane są kapitał fizyczny i ludzki oraz technologiczna innowacyjność. Podstawowe założenie stanowi tu twierdzenie, że wiedza jest produktem ubocznym inwestycji. Rozwój może być stymulowany poprzez inwestycje publiczne. Inwestycje kreują przyrost nakładów i produktywności w sektorze prywatnym, zwłaszcza przez wspieranie edukacji, rozwoju zasobów ludzkich, badań i rozwoju technologicznego oraz małej i średniej przedsiębiorczości. V. Vanberg w teorii cyklu produkcyjnego [Korenik, Korenik 2006] wskazuje na powiązanie rozwoju regionu z procesem tworzenia nowych towarów oraz z ich doskonaleniem i standaryzacją produkcji. Innowacyjność technologiczna albo powstanie nowatorskiej grupy usług i produktów są podstawami rozwoju gospodarczego. Jednocześnie w regionach rozwiniętych, charakteryzujących się rynkiem z wymagającymi konsumentami, dochodzi do pozytywnej stymulacji tych zjawisk. Głównym założeniem tej teorii jest utrzymywanie się nierównowagi między regionami rozwiniętymi a zapóźnionymi gospodarczo. Taka sytuacja prowadzi do uzależnienia regionów peryferyjnych od obszarów centralnych. Zarządzający zatem powinni wspierać działalność innowacyjną oraz eksport, a także przenoszenie produkcji wyrobów standardowych na obszary słabiej rozwinięte. Coraz większa liczba badaczy jest dowodem na to, że w erze konkurencji, w której sukces zależy coraz bardziej od zdolności do tworzenia nowych lub ulepszonych produktów, tzw. wiedza ukryta stanowi najważniejszą podstawę tworzenia wartości opartej na innowacji [Pavitt 2002]. W okresie, gdy każdy ma stosunkowo łatwy dostęp do sprecyzowanej/skodyfikowanej wiedzy, tworzenie unikalnych możliwości i produktów zależy od tworzenia i wykorzystywania cichej wiedzy [Maskell, Malm- 1.3. Innowacyjność w wybranych teoriach rozwoju regionalnego 65 berg 1999]. Wiedza ukryta jest kluczowym czynnikiem determinującym geografię działalności innowacyjnej i wynika to z dwóch faktów. Po pierwsze, jak wskazuje M. Polanyi [1966], wymyka się ona łatwemu formułowaniu czy kodyfikacji, ponieważ trudno ją wymieniać na dalsze odległości, jest silnie przesycona znaczeniami wynikającymi z kontekstu społecznego i instytucjonalnego, w którym została stworzona. Ten specyficzny dla kontekstu charakter czyni ją przywiązaną do lokalizacji geograficznej [Gertler 2003]. Po drugie, zmienia się charakter samego procesu innowacyjnego, a w szczególności rośnie znaczenie społecznie organizowanego procesu uczenia się. Innowacja coraz bardziej opiera się na interakcjach i przepływie wiedzy pomiędzy podmiotami gospodarczymi, takimi jak firmy (klienci, dostawcy, spółki konkurencyjne), organizacjami badawczymi (uniwersytetami, innymi publicznymi i prywatnymi instytucjami badawczymi) oraz agencjami publicznymi (ośrodkami transferu technologii, agencjami rozwoju). Jest to istotne dla zaproponowanej przez B.-Å. Lundvalla i B. Johnsona [1994] tezy, według której funkcjonuje gospodarka oparta na wiedzy, co jest szczególnie dobrze odzwierciedlone w ich koncepcji „uczenia się przez interakcje”. Jeżeli połączymy te dwie cechy procesu innowacyjnego – centralną pozycję „przywiązanej”, kontekstowej cichej wiedzy oraz rosnące znaczenie interakcji społecznych – staje się oczywiste, dlaczego obecnie geografia „znaczy” tak wiele. Najnowsza literatura o „uczących się regionach” w większym stopniu wykorzystuje charakter i konsekwencje geograficzne cichej wiedzy (por. np. [Lundvall, Johnson 1994; Florida 1995; Asheim 1996, 2001; Morgan 1997; Cooke, Morgan 1998; Lundvall, Maskell 2000]. Udowadnia się tam, że cicha wiedza nie „podróżuje” łatwo, ponieważ najlepszą metodą jej przekazywania jest interakcja twarzą w twarz między partnerami, którzy mają już ze sobą coś wspólnego: taki sam język, wspólne „kody” komunikacyjne oraz wspólne konwencje i normy, które są pielęgnowane przez wspólne środowisko instytucjonalne, oraz osobistą wiedzę każdego z nich, opartą na historii udanej współpracy lub związkach nieformalnych. Mówi się, że te wspólne elementy służą żywotnym celom budowy zaufania między partnerami, które z kolei ułatwia lokalny przepływ cichej (i skodyfikowanej) wiedzy. Bliskość przestrzenna jest kluczowa dla efektywnego tworzenia i przekazywania/dzielenia się wiedzą, dlatego zwiększa to znaczenie innowacyjnych grup, okręgów i regionów26. Co więcej, jak wskazali P. Maskell i A. Malmberg [1999], regiony te także odnoszą korzyść z obecności zlokalizowanych zdolności i wartości niematerialnych, które z kolei wzmacniają ich dążenia dośrodkowe [Dosi 1988a, b; Storper 1997], a jako aktywa społeczne istnieją raczej pomiędzy firmami niż wewnątrz firm. I chociaż nie są w pełni własnością poszczególnych firm, to tylko lokalne firmy mogą z nich korzystać. Te aktywa obejmują swoiste dla regionu możliwości insty26 Na znaczenie bliskości zwraca także uwagę W.M. Gaczek w rozdziale Znaczenie bliskości dla przepływów wiedzy, procesów uczenia się i innowacji swej książki [Gaczek 2009]. 66 1. Innowacje w teorii ekonomii tucjonalne, które mogą działać dla wsparcia i wzmocnienie lokalnego postępu. Tego rodzaju aktywa wolno ewoluują w miarę upływu czasu, wykazując silne tendencje do rozwoju uzależnionego od wzorców [David 1994; Zysman 1994], więc ich adaptacja może okazać się bardzo trudna dla potencjalnych naśladowców w innych regionach, chroniąc w ten sposób początkową przewagę regionów „prekursorów”. P. Maskell i A. Malmberg [1999] dowodzą, iż: „To właśnie specyficzne dla regionu możliwości instytucjonalne zakorzeniają wiedzę i pozwalają na tworzenie wiedzy, która – poprzez interakcje z dostępnymi zasobami fizycznymi i ludzkimi – stanowi o jego innowacyjnych zdolnościach i rozszerza lub ogranicza konkurencyjność firm w regionie. Uzależniony od uwarunkowań charakter tego rodzaju zlokalizowanych możliwości czyni je trudnymi do naśladowania i przez to stanowi podstawę utrzymującej się przewagi konkurencyjnej”. Wydaje się, że scenariusz „uczenia się przez interakcje”, będący jądrem tezy uczącej się gospodarki i uczących się regionów, jest wyraźnie oparty na działaniach, dla których zasadnicze są syntetyczne formy wiedzy. Wiele oryginalnych przykładów przedstawionych przez B.-Å. Lundvalla [1988], pochodzi z dziedziny inżynierii mechanicznej i wyspecjalizowanych maszyn przemysłowych, gdzie nieliniowa, powtarzająca się interakcja między użytkownikami a producentami stanowi główny sposób wprowadzania innowacji. Dla tego typu działań naukowych koncentracja przestrzenna kontaktujących się ze sobą nawzajem firm, dzielących wspólny kontekst społeczny i instytucjonalny, jest oczywistym warunkiem wstępnym dla organizowanego społecznie, interaktywnego procesu uczenia się [Gertler 2004]. W teorii regionu uczącego się (the learning region) R. Florida [2000] i B.T. Asheim [1995] podkreślają, iż podstawą rozwoju regionu jest kreowana przez zasoby niematerialne permanentna innowacja. Władze publiczne powinny wspierać czynniki stymulujące rozwój nauki, badania i doskonalenie kadr oraz stosowanie w przedsiębiorstwach wysokiej techniki. Powiązania firm, regionalnych liderów oraz instytucji usługowych z otoczenia biznesu są stymulatorem wzrostu elastyczności i stabilności gospodarki regionu. Pod koniec XX w. pojawił się termin „gospodarka oparta na wiedzy” (GOW) – w odniesieniu do firm wykorzystujących zaawansowanie technologie, zwłaszcza techniki informacyjne. Rozwinięcie stanowi koncepcja teoretyczna systemu gospodarki opartej na wiedzy, w której kluczowym elementem jest kapitał intelektualny, ludzki i społeczny [Knowledge Management… 2000; Gaczek 2009]. Zdaniem twórców tego podejścia proces innowacji może być zainicjowany wtedy, gdy wiedza teoretyczna skodyfikowana jest skonfrontowana z wiedzą niewyrażalną lub praktyczną. W podejściu ewolucyjnym do działalności innowacyjnej oznacza to, że wiedza przenika do produkcji, a zdobywanie użytecznej wiedzy w oderwaniu od produkcji nie jest możliwe. Innowator nie jest teoretykiem, który tworzy innowacje w zamkniętym środowisku naukowym, ponieważ tworzenie użytecznej wiedzy wymaga „terminowania” i nawiązywania osobistych relacji z producentem [Galar 2001]. Innowacyjność pojawia się w układach bez zidentyfikowanych hierarchicznych powiązań, 1.3. Innowacyjność w wybranych teoriach rozwoju regionalnego 67 natomiast relacje międzyludzkie są podobne do występujących w społecznościach lokalnych. Na tym gruncie pojawił się regionalny aspekt innowacyjności. W wielu krajach funkcjonują rozwinięte gospodarczo regiony, co sprzyja powstawaniu „wysp innowacji”. Jednak bez należytego wsparcia instytucjonalnego nie wystąpi proces dyfuzji postępu technicznego do regionów peryferyjnych [Kot i in. 1993]. Do transferu i stymulowania innowacji na obszarach słabiej rozwiniętych niezbędna jest sieć współpracy na poziomie zarówno regionalnym, jak i globalnym. Kluczowe role odgrywają w sieci otoczenie instytucjonalne oraz polityka: przemysłowa, regionalna i strukturalna państwa, wspierająca działalność innowacyjną MŚP [Nowakowska 2011]. Współcześnie ekonomiści regionalni mniej skupiają się na tworzeniu nowych teorii rozwoju regionalnego, koncentrując się optymalizowaniu polityki regionalnej w oparciu o znane koncepcje ekonomiczne (zmieniane i przystosowane do zmieniających się społeczno-gospodarczych uwarunkowań) [Domański 2005a, b, 2012]. Działania te mają na celu tworzenie opartych na teoretycznych podstawach ekonomii rozwoju i zapewniających optymalny rozwój regionalny strategii [Churski 2005]. Najlepsze przykłady stanowią: nowa teoria wzrostu oraz nowa geografia ekonomiczna, oparte na doświadczeniach modeli neoklasycznych i modeli popytowych, będących fundamentem endogenicznej koncepcji polityki rozwoju regionalnego [Molle, Cappellin 1988; Amin, Thrift 1992]. Rozwój nowej teorii wzrostu i nowej geografii ekonomicznej jest głównie efektem nieuwzględniania postępu technicznego – jako endogenicznego czynnika rozwoju – przez dotychczasowe neoklasyczne modele [Gawlikowska-Hueckel 2003; Nowińska-Łaźniewska 2004]. Drugim elementem jest pojawienie się, w wyniku postępującej globalizacji, klastrów rozwoju. W nowej teorii wzrostu zapoczątkowanej pracami P.M. Romera [1990] i R.E. Lucasa [1988] wskazuje się, że nowa wiedza może być budowana na bazie istniejących w danym czasie zasobów, a jej wartość rośnie wraz z rozwojem zasobów. Wiedza (knowledge), efekt uczenia się przez działanie (learning-by-doing), proces rozprzestrzeniania się wiedzy i umiejętności (knowledge spillovers) stanowią czynniki sprzyjające rozwojowi [Tondl 2001]. W modelu wzrostu endogenicznego istotne są także dla procesu rozwoju regionalnego przepływy zewnętrzne (handel i przemieszczanie się kapitału). Handel kojarzony jest z wymianą innowacji, co często prowadzi do adaptacji nowych technologii. Natomiast rozprzestrzenianiu się wiedzy i umiejętności sprzyjają przepływy kapitału fizycznego i ludzkiego. W literaturze z zakresu nowej geografii ekonomicznej zapoczątkowanej przez artykuły P. Krugmana [1991, 1995] i jego współpracowników [Krugman, Venables 1995; Fujita i in. 1999] idea aglomeracji ekonomicznej przedstawiona przez A. Marshalla i kumulatywnej przyczynowości początkowo przedstawiona przez G. Myrdala [1957] uległy modyfikacjom. Meritum tych teorii jest założenie o łącznym traktowaniu czynników wpływających na rozwój regionalny (korzyści skali, w tym związanych z rozprzestrzenianiem się nowej wiedzy (efekt spillover), efekt popytu kreowanego przez rynek wewnętrzny oraz koszty handlu) [Churski 2004]. 68 1. Innowacje w teorii ekonomii Przedstawiona wcześniej liczba kryteriów podziałów innowacji wskazuje na bogaty zestaw pomysłów twórczych. Przy tym bezprecedensowa jest zwłaszcza potrzeba inicjowania działań proinnowacyjnych, wpływających pozytywnie na konkurencyjność zarówno podmiotów gospodarczych, jak i regionów, zwłaszcza z punktu widzenia podwyższania jakości zasobów endogenicznych. Choć innowacja jest zjawiskiem globalnym, to rola regionów jako decydującego ogniwa dla rozwoju gospodarczego opartego na innowacji znacznie wzrosła. Polityka stworzyła płaszczyznę dla innowacji, ale jednak realizacja działań innowacyjnych odbywa się na poziomie regionalnym lub w obrębie obszarów wielkomiejskich, gdzie pracownicy, przedsiębiorstwa, uniwersytety i rząd wchodzą w bezpośrednie relacje. Regiony stanowią konstruktywne filary krajowej zdolności do innowacji, ponieważ oferują bezpośredniość zapewniającą specjalistyczne wkłady kapitałowe, które wspomagają zróżnicowanie na poziomie przedsiębiorstw [Measuring Regional… 2005; Nowakowska 2011]. Pomimo faktycznej bliskości umożliwionej przez postęp technologii informacyjnej, innowacja pozostaje „sportem kontaktowym”, który uprawia się najlepiej poprzez personalne interakcje na każdym etapie rozgrywek. W tworzeniu współpracy opartej na wiedzy i pracach badawczo-rozwojowych szczególnie działania wielodyscyplinarne stają się łatwiejsze, gdy można współdziałać z partnerami osobiście. Zastosowanie wiedzy realizowane jest szybciej, gdy przemysł i uczelnie wyższe podtrzymują bliskie więzi współpracy. Bliski kontakt z dostawcami i klientami przyczynia się do szybszych odpowiedzi na zmiany zachodzące w podaży rynkowej. Względna bliskość instytucji w skali regionu pozwala na bliską i stałą interakcję (chociaż jej nie gwarantuje) i wspiera rozwój silnie powiązanych skupień przemysłowych [Measuring Regional… 2005, s. 9]. Sukces w gospodarce globalnej potrzebuje zarówno różnorodności, jak i zróżnicowania. Na poziomie makroekonomicznym gospodarka powinna wspierać różnorodny zbiór firm w celu zapewnienia ochrony przed specyficznymi dla sektorów wstrząsami gospodarczymi. Na poziomie mikroekonomicznym przedsiębiorstwa potrzebują zróżnicowania oferty, aby uzyskać przewagę nad konkurentami. Regionalna strategia gospodarcza wspiera oba te wymagania. Regiony, w przeciwieństwie do pojedynczych miast, oferują różnorodność ludzi, typów gruntów i rodzajów usług w celu wspierania różnorodności firm. Regiony zapewniają środowisko, w którym przedsiębiorstwa mogą mieć łatwy dostęp i wpływ na rozwój wyspecjalizowanej infrastruktury, instytucji edukacyjnych i siły roboczej wspierającej zróżnicowanie [Nowakowska 2011]. Każdy region jest zdolny do uzyskania miana centrum innowacji, przynajmniej jeżeli chodzi o niektóre sektory przemysłu. Jednak niewiele obszarów rozwinęło płaszczyznę poparcia dla rozwoju opartego na innowacji. W tych regionach, które nie stworzyły silnego środowiska innowacji, istotne jest dla ich liderów, aby precyzyjnie ocenić słabe i mocne strony regionalnego „ekosystemu” innowacji i zrozumieć potencjalne czynniki stymulujące przyszły rozwój regionalny oparty na innowacjach. Co więcej, liderzy muszą postępować zgodnie z tą informacją w celu udoskonalenia swojej regionalnej płaszczyzny innowacji. ROZDZIAŁ 2 Metody pomiaru innowacyjności Nogi to koła kreatywności. Albert Einstein 2.1. Uwagi wstępne Metodologia statystyki nauki i techniki, stanowiąca ogólnie przyjęty, międzynarodowy standard, jest opracowywana od czterdziestu lat pod egidą OECD (grupa robocza Komitetu ds. Polityki Naukowo-Technicznej – CSTP, zwana National Experts on Science and Technology Indicators – NESTI, przy współudziale ekspertów z Sekretariatu OECD oraz innych instytucji i organizacji, w tym przede wszystkim Eurostatu). Opublikowano ją w serii międzynarodowych podręczników metodologicznych zwanych Frascati Family Manuals1. Pierwsza wersja Podręcznika Frascati powstała w 1963 r. [Podręcznik Frascati… 2009]. Prace te są oparte na doświadczeniach amerykańskich, gdzie gromadzono dane od 1953 r. oraz na studium brytyjskiego National Institute for Economic and Social Research – studium to stanowiło asumpt dla standaryzacji zastosowanej w statystyce ekonomicznej [Godin 2005]. Działalność OECD, Eurostatu oraz ośrodków skandynawskich (m.in. Nordic Innovation Centre) stała się inspiracją dla Iberoamerykańskiej Sieci ds. Wskaźników N + T (Red Iberoamericana de Indicadores de Ciencia y Tecnología – RICYT, powołanej w 1994 r.). Oprócz wymienionych ośrodków do najbardziej znanych centrów rozwoju statystyki ujmowanej m.in. przez J. Kozłowskiego [2010] i R. Barrégo i P. Papona [1993] szeroko w triadę N + T + I zaliczono, obok krajowych urzędów statystycznych: UNESCO, ONZ-towski UNU-Merit w Maastricht, unijny IPTS2, brytyjskie SPRU oraz Manchester Institute of Innovation Research, irlandzki Forfas, norweski Institute for Studies in Innovation, Research and Education (NIFU STEP), duński Dansk Center for Forskningsanalyse Aarhus Universitet, szwedzki Research Policy Institute (Uniwersytet w Lund), fiński TaSTI Unit for Science, Technology 1 Grupa podręczników Frascati Family Manuals, dla których oficjalna nazwa serii brzmi: The Measurement of Scientific and Technological Activities, obejmuje m.in.: [Proposed Standard Method… 1990; Main Definitions… 1993; Proposed Standard Practice… 2002; OECD Proposed… 1997; The Measurement of Human… 1995; The Measurement of Scientific… 1994]. 2 Zajmujący się statystyką B + R, a szczególności trendami w biznesie, specjalizacją i inwestycjami w aspekcie regionalnym. 70 2. Metody pomiaru innowacyjności and Innovation Studies (Uniwersytet w Tampere), niemiecki Fraunhofer Institute of Systems and Innovation Research (Fraunhofer ISI) w Karlsruhe, flamandzki Steunpunt O & O Indicatoren (Katholieke Universiteit Leuven), francuskie Observatoire des Sciences et des Techniques oraz L’Institut Francilien Recherche, Innovation et Société, portugalski Centre for Innovation, Technology and Policy Research (Uniwersytet Techniczny w Lizbonie), kanadyjskie Statistics Canada oraz L’Observatoire des Sciences et des Technologies, japoński National Institute of Science and Technology Policy, amerykańska School of Public Policy w Georgia Institute of Technology oraz firmy konsultingowe, takie jak Technopolis i Wise Guys, a także sieci: PRIME Network of Excellence i DIME Dynamics of Institutions and Markets in Europe3, czy programy badawcze (amerykański NSF Science of Science and Innovation Policy Initiative). Ostatnie lata to systematyczny wzrost zainteresowania wskaźnikami tej grupy i zapotrzebowania na nie, co obserwuje się w krajach zarówno rozwiniętych, jak i rozwijających się, a wynika to głównie z rosnącego ich znaczenia dla obserwacji oraz oceny rozwoju gospodarki i społeczeństwa. Wskaźniki nauki i techniki stały się ważnym elementem prowadzonej przez rządy polityki i przedmiotem zainteresowania oraz analiz ze strony organizacji międzynarodowych, takich jak OECD, ONZ (UNESCO) czy Unia Europejska. Zwiększa się stale liczba działów wchodzących w zakres tej dziedziny statystyki, które ze względu na stopień rozwoju metodologii i sposoby zbierania oraz analizy danych dzieli się na dwie grupy zagadnień. Pierwsza grupa obejmuje działy mające dobrze rozwiniętą i ugruntowaną metodologię, a dane wchodzące w zakres tych działów są zbierane i analizowane w większości krajów w oparciu o powszechnie przyjęte międzynarodowe zalecenia metodologiczne. Wśród wskaźników wyróżnić można dwie podstawowe kategorie, określane jako input statistics oraz output and impact statistics. Do pierwszej kategorii wskaźników określanych mianem statystyki „wkładu” zalicza się zasoby przeznaczane na działalność B + R, do drugiej zaś wskaźniki mające na celu pomiar efektów uzyskiwanych w wyniku tej działalności (output indicators), jak również ocenę wpływu działalności naukowo-technicznej na funkcjonowanie gospodarki (impact indicators). Nie przedstawiono dotychczas bezpośrednich mierników efektów i wpływu działalności naukowo-technicznej, dlatego funkcjonują tzw. wskaźniki zastępcze (proxy indicators), których konstrukcja opiera się na danych zbieranych w innych celach niż statystyka nauki i techniki4. PRIME Network of Excellence finansowany w ramach VI Programu Ramowego, utworzył europejską sieć projektantów wskaźników (European Network of Indicator Designers) oraz przeprowadził badania dotyczące wskaźników finansowania działalności badawczej ze źródeł publicznych, finansowania badań w krajach Środkowej i Wschodniej Europy (por. [Dinges i in. 2007; Lepori i in. 2007; Potì, Reale 2007; Slipersaeter i in. 2007; Thèves i in. 2007] oraz szkolnictwa wyższego. 4 Jako przykłady output indicators podawane są zwykle wskaźniki z zakresu statystyki patentów oraz bilansu płatniczego kraju w dziedzinie techniki, a jako przykłady impact indicators podaje się przede wszystkim wskaźniki dotyczące handlu zagranicznego w zakresie tzw. wysokiej techniki. 3 2.1. Uwagi wstępne 71 Druga grupa zawiera działy, których metodologia jest wciąż w stadium rozwoju, a wskaźniki i dane, o ile są dostępne, nie są w pełni porównywalne, ani w czasie, ani w przestrzeni, ponieważ zbierane są w oparciu o różniącą się i w dodatku stale zmienianą metodykę. Do działów grupy pierwszej należą [Nauka i technika… 2010, s. 27]: statystyka działalności badawczej i rozwojowej (B + R), statystyka patentów, statystyka innowacji (w szczególności tzw. metoda podmiotowa oparta na metodologii Oslo), bilans płatniczy w dziedzinie techniki (TBP), wyroby i dziedziny wysokiej techniki (HT), usługi oparte na wiedzy (Knowledge intensive services, KIS), wskaźniki dotyczące zasobów ludzkich dla nauki i techniki (HRST) oraz bibliometria (naukometria). Do działów grupy drugiej zalicza się na ogół następujące zagadnienia [Nauka i technika… 2010, s. 28]: zastosowanie zaawansowanych technologii produkcyjnych (AMT), technologie informacyjne (IT – Information Technologies, lub ICT – Information and Communication Technologies), wskaźniki oparte na informacjach pochodzących z pism technicznych (dotyczące w szczególności „pomiaru” innowacji, np. wskaźniki LBIO jako przykład tzw. przedmiotowej metody „pomiaru” innowacji), inwestycje niematerialne, „pomiary” zmian organizacyjnych i innowacji nietechnologicznych w przedsiębiorstwach, prognozy dotyczące rozwoju technologii (technology foresight), badanie postaw społeczeństwa wobec nauki i techniki, tj. nastawienia i rozumienia zagadnień związanych z nauką i techniką (public attitudes and public understanding of science and technology). Statystyka nauki i techniki w Polsce, inaczej niż w niektórych innych krajach, jest scentralizowana, skoncentrowana prawie wyłącznie w Głównym Urzędzie Statystycznym (Wydział Nauki i Techniki w Departamencie Statystyki Gospodarczej). Ponadto Ministerstwo Nauki i Szkolnictwa Wyższego, w oparciu o specjalistyczne bazy danych Instytutu Informacji Naukowej (ISI) w Filadelfii, zajmuje się opracowywaniem, rozwijaniem i analizą wskaźników bibliometrycznych oraz badaniem środków asygnowanych przez rząd na działalność B + R (tzw. GBAORD – Government Budget Appropriations or Outlays for R&D) według celów społeczno-ekonomicznych. Podstawowe informacje w zakresie nauki i techniki dla krajów członkowskich OECD prezentowane są w ukazującej się dwa razy do roku publikacji (MSTI), tj. Main Science and Technology Indicators, większy zakres zawiera ukazująca się co dwa lata publikacja Basic Science and Technology Statistics – obie pozycje wydaje Dyrektoriat Nauki, Techniki i Przemysłu (DSTI) w Sekretariacie OECD. Główne źródło danych z zakresu statystyki nauki i techniki w skali międzynarodowej stanowią: bazy danych i publikacje OECD i Eurostatu (dla krajów rozwiniętych) oraz bazy danych i publikacje UNESCO (dla pozostałych krajów). I chociaż panuje przekonanie, że o ile do każdej z wymienionych grup wskaźników „efektów i wpływu” podchodzić trzeba ostrożnie, o tyle potraktowane razem dają wiarygodny obraz „efektywności technologicznej” kraju. 72 2. Metody pomiaru innowacyjności Podstawową bazą UE na temat innowacji są bazy tematyczne INNOVAT (Survey on innovation in EU enterprises), zawierające dane pochodzące z kolejnych badań Community Innovation Surveys, oraz New Cronos, a także zasoby Eurostatu np. dotyczące patentów, HRST czy wykształcenia pracujących oraz wydatków na B + R. Od 1998 r. ukazywał się corocznie do 2008 r. European Innovation Scoreboard [2009], a od 2009 r. Innovation Union Scoreboard [2011, 2012]. 2.2. Pomiar innowacyjności w dorobku Eurostatu 2.2.1. Mierniki innowacyjności – ewolucja ujęć Badanie wszelkiej aktywności innowacyjnej jest niezwykle ważne dla dokładnego poznania istoty zjawisk innowacyjnych, a tym samym kluczowe dla zaprogramowania określonego wsparcia w zakresie innowacyjności. Zgodnie z aktualnymi wytycznymi dotyczącymi pomiaru innowacyjności (metodologia OECD) [Oslo Manual… 2005], w badaniu procesów innowacyjnych ważny staje się nie tylko sam pomiar aktywności innowacyjnej przedsiębiorstw, ale również relacje z otoczeniem, zwłaszcza z innymi firmami oraz instytucjami otoczenia biznesu w kontekście stymulowania działań innowacyjnych [Oslo Manual… 1992, 1997, 2005]. Promowanie i wspieranie działalności innowacyjnej stanowi obecnie jeden z głównych celów polityki gospodarczej w krajach UE, a także w pozostałych krajach OECD [Decision No 1608/2003/EC…; Commision Regulation No 1450/2004…; Oslo Manual… 1997]. Ramy prawne regulujące badania statystyczne z zakresu nauki i techniki w krajach Europejskiego Obszaru Gospodarczego (EEA), tzn. w krajach członkowskich UE i EFTA, zostały określone m.in. decyzją Parlamentu Europejskiego i Rady Unii Europejskiej dotyczącą zbierania danych statystycznych i rozwoju statystyki Wspólnoty z zakresu nauki i techniki [Decision No 1608/2003/EC…] oraz rozporządzeniami Komisji Europejskiej w sprawie statystyki nauki i techniki [Commission Regulation No 753/2004…] i w sprawie sporządzania i rozwoju statystyk Wspólnoty z zakresu innowacji [Commission Regulation No 1450/2004…]. Opis statystyki innowacji GUS, zarówno w przemyśle, jak i w usługach, znaleźć można w corocznym Programie Badań Statystycznych Statystyki Publicznej [Rozporządzenie Rady Ministrów… 2010]. Sam J.A. Schumpeter, pomimo swego nieukrywanego hołdowania formułom matematycznym, prawie nie korzystał z technik pomiaru ilościowego i był to jeden z powodów jego porażki, której konsekwencją była niemożność wychowania grupy następców, kontynuujących rozpoczęte przez niego dociekania. Z przeglądu literatury na temat koncepcji procesów innowacyjnych w obrębie nauk społecznych i ekonomicznych, na plan pierwszy wysuwa się zadanie wytyczenia niezawodnych, z punktu widzenia pomiaru, wskaźników według poniższych założeń: 2.2. Pomiar innowacyjności w dorobku Eurostatu 73 etapy innowacji charakteryzują się sprzężeniem zwrotnym, działania naukowo-badawcze nie stanowią jednolitej całości, lecz podzielone są na różne procesy, które są specyficznie identyfikowalne, – zależności pomiędzy badaniami i rozwojem a procesami innowacji powinny mieć charakter funkcjonalny5, – wymiar czasowy stanowi klucz do zrozumienia progresji, w której można wskazać różne etapy (wykorzystywane tu koncepcje uwzgledniają paradygmaty, cykle, fazy). R. Barré i P. Papon [1993, s. 135], którzy wskaźniki innowacyjności ujmują w większej grupie wskaźników nauki, techniki i innowacji (N + T + I), wskazują, iż mają one następujące własności: 1) przedmiot pomiaru: – ludzie (np. badacze i inżynierowie, personel pomocniczy; gdy istnieje taka potrzeba – w podziale na stopnie i tytuły naukowe, wiek, płeć i specjalizację), – zasoby finansowe (np. w rozbiciu według źródeł finansowania i w podziale na wydatki wewnętrzne i zewnętrzne, bieżące i inwestycyjne), – wiedza skodyfikowana (publikacje, patenty, kwalifikacje), – wiedza ucieleśniona (urządzenia, komponenty lub dobra trwałego użytku o wkładzie myśli technicznej – nabyte lub sprzedane, importowane lub eksportowane); 2) przestrzeń, wewnątrz której dokonuje się pomiaru: – instytucja (laboratorium, przedsiębiorstwo, instytut państwowy, uniwersytet), – terytorium (miasto, region kraju, kraj, region kontynentu); 3) typ działalności, jaką mierzą, tj.: dyscyplina lub pole badawcze, dziedzina technologii, branża przemysłu, cel społeczno-gospodarczy, typ badań (badania podstawowe, badania stosowane, prace rozwojowe); 4) skala pomiaru: – mikro – instytucja naukowa, przedsiębiorstwo, uniwersytet, – mezo – dyscyplina, pole badawcze, branża, gospodarka regionu, – makro – gospodarka kraju, większe terytorium; 5) typ pomiaru, w tym m.in. parametr zasobu, który mierzy rozmiary (lub poziom) albo też parametr relacji (przepływu lub zależności pomiędzy dwoma jednostkami). Funkcje statystyki innowacji, jak podają B. Godin i J. van Steen [Godin 2002, 2004; Van Steen 1995] można podzielić na teoretyczne, tj. rozumienie obszaru po– – Pojęcie funkcjonalności obejmuje wyjaśnienie zjawisk społecznych i ekonomicznych na podstawie pożytku wynikającego z ich wkładu w system. Funkcjonalizm często podlegał krytyce (por. przegląd G. Inghama [1996, s. 251, 252]), lecz wydaje się, że rozwija się intensywniej w oparciu o nowe standardy badawcze w ekonomii. 5 74 2. Metody pomiaru innowacyjności miaru, porównywanie krajów i regionów oraz przewidywanie trendów), praktyczne, w tym: zarządzanie, czyli planowanie i podział zasobów, ustalanie priorytetów, monitoring, ocena (uzasadnienie sposobu podziału budżetu, sprawozdanie z jego wykonania, ocena wyników osiągniętych przez organizację w odniesieniu do jej misji i celów itd.) oraz symboliczne i ideologiczne, a mianowicie perswazja, promocja, retoryka, ostrzeganie, mobilizacja, lobbowanie. Tabela 2.1. Podstawowe wskaźniki statystyki N + T + I – rozwój w kolejnych dekadach Lata 50.–60. – wskaźniki wkładu Lata 70. wskaźniki wyników Wydatki na działalność B + R, personel naukowy i techniczny, kapitał, zawansowane technologie Wydatki na działalność B + R, statystyka patentów, bilans płatniczy w dziedzinie techniki Liniowy model innowacji Lata 80. wskaźniki wyników Lata 90. wskaźniki innowacji Wydatki na działalność B + R, statystyka patentów, bilans płatniczy w dziedzinie techniki, produkty wysokiej techniki, bibliometria, statystyka w zakresie zasobów ludzkich, badania ankietowe działalności innowacyjnej, zmiany w jakości Wydatki na działalność B + R, statystyka patentów, bilans płatniczy w dziedzinie techniki, produkty wysokiej techniki, bibliometria, statystyka w zakresie zasobów ludzkich, badania ankietowe działalności innowacyjnej w sektorze wytwórczym, przegląd technologii produkcyjnych, innowacje opisane w literaturze technicznej, wsparcie budżetowe działalności innowacyjnej, inwestycje w wartości niematerialne, wskaźniki z zakresu technologii ICT, produktywność, kapitał wysokiego ryzyka, badania sondażowe, benchmarking zdolności do innowacji I dekada XXI w. wskaźniki procesu innowacyjnego Wydatki na działalność B + R, statystyka patentów, bilans płatniczy w dziedzinie techniki, produkty wysokiej techniki, bibliometria, statystyka w zakresie zasobów ludzkich, badania ankietowe działalności innowacyjnej we wszystkich sektorach, innowacje technologiczne, organizacyjne, marketingowe, wsparcie budżetowe działalności innowacyjnej, inwestycje w wartości niematerialne, wskaźniki z zakresu technologii ICT, produktywność, kapitał wysokiego ryzyka, zachęty podatkowe, statystyki: biotechnologii i nanotechnologii; komercjalizacji badań naukowych; umiędzynarodowienia i globalizacji; gospodarki opartej na wiedzy, kapitału intelektualnego; dezagregacje GBAORD, analiza sieci, badania popytu, wartości prawne, badania klastrów Łańcuchowy model Systemowy model innowacji innowacji Źródło: opracowanie na podstawie [Archibugi, Sirilli 2001; Milbergs, Vonortas 2004, 2006; Donofrio 2004]. 2.2. Pomiar innowacyjności w dorobku Eurostatu 75 Rozwój historyczny statystyki N + T + I następował równolegle z rozwojem różnych rodzajów polityki (sektorowej, strukturalnej i regionalnej) i ich ram koncepcyjnych oraz narzędzi (takich jak np. definiowanie problemów, ustalanie priorytetów, ewaluacja instrumentów) oraz faz (generacji) rozwoju systemów innowacji – przedstawiono je w pracach [Ahmed 2000, s. 112–114; Martensen, Dahlgaard 1999, s. 878–891; Baruk 2006, s. 120–122]. Zmiany w podejściach do pomiaru innowacyjności i podstawowe wskaźniki statystyki N + T + I w sposób syntetyczny przedstawiono w tab. 2.1. Uporządkowanie wskaźników ilustrujących cechy charakterystyczne innowacji zaproponował H. Grupp [1998, s. 127], który rozpatrywał wskaźniki umożliwiające: – pomiar nietechniczny [Ayres 1985; Trajtenberg 1990a, b; Gronau (red.) 1993; Esposito 1993; Payson 1994]; – obiektywny pomiar techniczny: • na skalach metrycznych: bez osi czasu [Schaldach 1985; Roslanowska-Plichcinska 1988], współczesne, z rozróżnieniem produktu [Saviotti 1985; Saviotti i in. 1982; Alexander, Mitchel 1985; Grupp 1998], bez wariantów produktu [Gordon, Munson 1981; Hutzler i in. 1985; Majer 1985; Barbiroli 1989a, b, 1992] oraz historyczne [Dodson 1985; Knight 1985; Martino 1985; Sahal 1977, 1985a, b], • na skalach porządkowych [Raz i in. 1983; Lienhard 1985]; – pomiar subiektywny [Souder, Shrivastava 1985; Takei 1985; Lenz 1985]. Inne podejście do podziału wskaźników ujmujących ilościowo innowacyjność proponuje T. Geodecki [2008], wskazując na: wskaźniki zastępcze, oparte na pomiarze nakładów oraz efektów działaności B + R, bezpośrednie wskaźniki innowacyjności, wskaźniki wydajności czynników wytwórczych lub też jednego z nich – wydajności pracy, a jako czwartą, osobną grupę proponuje wskaźniki złożone, oparte na jednej lub kilku z powyższych grup wskaźników. Wskaźniki to w pewnym sensie narzędzia, za pomocą których monitorujemy różne aspekty złożonego zjawiska. Teoretyczna znajomość problemu sprawia, że pomiar okazuje się łatwiejszy, gdyż pomaga zrozumieć to, co faktycznie mierzymy. Wiedza teoretyczna może dostarczyć informacji o strukturze zaobserwowanych wydarzeń. Zakładając znajomość struktury, powinniśmy mieć większe możliwości znalezienia sposobu na zmierzenie powyższych zjawisk. Z biegiem lat „filtry” te zostały znacznie udoskonalone i lepiej dopasowane do potrzeb użytkowników. W miarę zwracania się ku nowym dziedzinom trzeba korzystać z nowych modeli pomiarowych. Wskaźniki innowacji są opracowywane w celu pomiaru różnych aspektów działalności innowacyjnej. Składają się na pewien system, wzajemnie się uzupełniając. Należą do szerszej grupy wskaźników. Opracowywane są na różnych poziomach (np. na poziomie firmy, regionu, kraju, globalnym). Na podstawowy system wskaźników innowacji w Unii Europejskiej składają się dwa zasadnicze narzędzia [Giannakopoulou 2003]: Ankiety Innowacji Wspólnotowych6 wdrożone przez 6 The Community Innovation Surveys – CIS. 76 2. Metody pomiaru innowacyjności Eurostat na podstawie Oslo Manual [1992, 1995, 2005] oraz Europejska Tablica Wyników w dziedzinie innowacji (Innovation Scoreboard – EIS) do 2009 r. [European Innovation Scoreboard 2008… 2009, European Innovation Scoreboard Report 2009] i Innovation Union Scoreboard (IUS) od 2010 r. [Innovation Union… 2011, 2012]. Mając na uwadze doświadczenia z przeszłości i świadomość kompleksowości pomiaru innowacji, konieczne jest koncentrowanie wysiłków na poszukiwaniu takich miar, które oddadzą charakter zmian, ich dynamizm i przemieszczanie w obrębie gospodarki (sektory, firmy), terytorium (kraje, regiony) i społeczeństwa. 2.2.2. Innowacyjność input i output gospodarki na poziomie kraju Promowanie i wspieranie działalności innowacyjnej w każdej dziedzinie gospodarki jest jednym z głównych celów polityki gospodarczej nie tylko w krajach UE, ale także w pozostałych krajach OECD. Właściwa realizacja tego celu nie byłaby jednak możliwa bez regularnych badań statystycznych, dostarczających wiarygodnych danych obrazujących zakres oraz charakter działalności innowacyjnej na różnych poziomach (mikro, mezo i makro) i w sektorach gospodarki. Prace i analizy w ramach European Innovation Scoreboard można podzielić na następujące etapy [Hollanders 2009]. I. Lata 2000–2003: w ramach prac MERIT7 i SPRU8, pierwsza wersja pilotażowa powstała w 2000 r., a wersje pełne w podobnym układzie w latach 2001, 2002 i 2003. Analizy prowadzono początkowo dla 16 wskaźników, których liczba rosła z 18 w latach 2001 i 2002 do 22 w 2003 r., połączonych w 4 grupy tematyczne. Oprócz wzrastającej liczby wskaźników powiększał się też corocznie obszar prowadzonych badań (lata 2000 i 2001 – UE 15 oraz Japonia i USA (17 krajów), lata 2002 i 2003 – UE 27 oraz Japonia, USA, Islandia, Norwegia, Szwajcaria i Turcja (33). W ramach analiz powstało 15 opracowań tematycznych, w tym m.in. na temat biotechnologii, ustawicznego kształcenia, krajowych systemów innowacji. II. Lata 2004–2007: w wyniku współpracy MERIT i umocowanego przy Komisji Europejskiej DG JRC (Directorate General Joint Research Centre) powstawały coroczne pełne raporty na temat innowacyjności oraz 20 opracowań tematycznych (w tym m.in. na temat innowacyjności w usługach, efektywności innowacji, innowacji powstających nie w sektorze B + R, globalnego indeksu innowacyjności. Liczba wskaźników zmieniała się od 22, poprzez 26 do 25 w dwóch ostatnich latach. Początkowo wskaźniki (2004 r.) połączono w cztery grupy tematyczne, a w następnych trzech latach [European Innovation Progress… 2006; European Innovation Scoreboard… 2006] w pięć grup tematycznych. Liczba krajów, których dotyczył raport była, w dwóch pierwszych latach, taka sama jak dla 2003 r., a w kolejnych zwiększyła się (w 2006 r. o Chorwację, a w 2007 r. o Australię, Kanadę i Izrael – 37 krajów). 7 8 Maastricht Economic and Social Research and Training Institute of Innovation and Technology. Science and Technology Policy Research działający przy University of Sussex. 2.2. Pomiar innowacyjności w dorobku Eurostatu 77 III. Lata 2008–2010 [Hollanders, van Cruysen 2008]: współpraca m.in. MERIT, SPRU, DG JRC G3 i CNR (Italian National Research Council) przyniosła krytykę poprzednich podejść i rewizję dotychczasowych ujęć i zestawów. W 2008 r. analizą [Hollanders, van Cruysen 2008; European Innovation Scoreboard 2008…; European Innovation Scoreboard… 2009] objęto 34 kraje, w tym: UE 27 oraz Japonię, USA, Islandię, Norwegię, Szwajcarię, Turcję i Chorwację, w 2009 r. zaś [European Innovation Scoreboard 2008…; European Innovation Scoreboard… 2009] rozszerzono zasięg terytorialny badań, włączając Brazylię, Serbię, Indie, Chiny i Rosję, co oznacza, że raport obejmował 39 krajów. Liczba wskaźników zgrupowanych w 7 grupach tematycznych i trzech blokach wynosiła 29. W 2010 r. do zestawu krajów objętych badaniem dołączono Macedonię, a listę wskaźników zgrupowanych w 8 grupach tematycznych i trzech blokach skrócono do 25 [Innovation Union… 2011]. Zmiany na kolejnych listach wskaźników uczestniczących w obliczaniu Summary Innovation Index czy też Regional Innovation Index wynikały w szczególności z krytycznych uwag wobec EIS [Hollanders, van Cruysen 2008]. Opublikowano wiele artykułów zawierających krytykę EIS [Frietsch 2005; Grupp 2006; Grupp, Mogee 2004; Cherchye i in. 2004; Peters i in. 2007; Rammer 2005; Sajeva i in. 2005; Schibany i in. 2007; Schibany, Streicher 2008; Schubert 2006]. Odnoszą się one do wielu wyzwań, które można podsumować następująco. 1. Brak modelu innowacji oraz błędne, lub brakujące kryteria selekcji. European Innovation Scoreboard nie zawierał modelu innowacji, który uzasadniłby wybór wymiarów innowacji i jej wskaźników, w celu odzwierciedlenia związków przyczynowo-skutkowych i efektów realizowanej polityki. Ch. Rammer stwierdza, że „nowe wskaźniki powinny być zidentyfikowane i wybrane na podstawie analizy koncepcyjnej, a nie w oparciu o prostą analizę korelacji statystycznej” [Rammer 2005]. Ponadto „przyjęcie EIS powinno również angażować kwestię jakości danych (z włączeniem ich rzetelności i dostępności dla dużej liczby krajów) oraz powiązania między wskaźnikami i polityką (rozróżniając pomiędzy wskaźnikami odnoszącymi się do funkcjonowania i wskaźnikami dotyczącymi polityki, z których te ostatnie mogą być bezpośrednio związane z polityką działania)” [Rammer 2005]. A. Schibany, G. Streicher, H. Gassler [2007] podkreślają, że „jakiekolwiek zwięzłe i spójne wnioskowanie dotyczące wyboru wskaźników i ich wzajemnych interakcji jest najczęściej ignorowane”. Skierowana pod adresem EIS krytyka skupiała się na braku jednoznacznego uzasadnienia dla włączenia pewnych wskaźników, a także włączenia takich, które nie mierzą innowacji [Frietsch 2005; Grupp, Mogee 2004; Rammer 2005; Sajeva i in. 2005; Schibany, Streicher 2008; Schubert 2006]: – brak jednoznaczności w definicjach, szczególnie podział sektorów na niskie, średnie i wysoko zawansowane technologicznie nie jest przekonywający, – brak klarownego powiązania z innowacjami, zwłaszcza w przypadku wskaźnika MŚP współpracujących z innymi firmami, który jest trudny do wykorzystania, gdyż pozbawiony jest jednoznacznego zdefiniowania, czy taka współpraca jest zawsze lepsza dla innowacji, 78 2. Metody pomiaru innowacyjności znaki handlowe i projekty przemysłowe nie mają tej samej jakości jako wskaźniki innowacji, którą charakteryzują się patenty, – wskaźniki EIS pozostają pod wpływem innych zmiennych, charakteryzujących się odmiennym, okresowym zachowaniem, – wskaźniki EIS zostały sklasyfikowane jako wskaźniki typu input i output, a niektóre z nich można sklasyfikować inaczej (np. [Schibany, Streicher 2008]). 2. Wskaźnik złożony – wykorzystanie pojedynczego wskaźnika złożonego i tabeli rankingowej prowadzi do „nazewnictwa pozorowanego” [Grupp 2006], bez jednoczesnego uwzględninienia kompleksowości procesu, który odzwierciedlony jest tylko jedną liczbą (np. [Cherchye i in. 2004]). Błędem jest stosowanie wskaźnika złożonego do oceny zdolności innowacyjnych krajów. Nowoczesne teorie dotyczące innowacyjności podkreślają systemowy charakter procesu innowacji, wskazując, że wiele podmiotów i ich działań wpływa na osiągane przez system wyniki. W konsekwencji sukces może być rezultatem różnych sposobów i podejść. Ogólny, całościowy indeks nie ma zastosowania w odniesieniu do polityki innowacji. Za jego pomocą można jedynie zidentyfikować te obszary, w których istnieje potrzeba interwencji polityki innowacyjnej. W efekcie poprawa jest w krótkim okresie mało realna. 3. Krytyka faworyzowania wskaźników z zakresu zaawansowanych technologii – zbyt wielu wskaźników używa się do pomiaru innowacji w sektorach przemysłowych stosujących zaawansowane technologie, co powoduje zafałszowanie wyników innowacji na rzecz tych krajów, w których sektory przemysłu w znacznej większości specjalizują się w zaawansowanych technologiach, zwłaszcza w zakresie produkcji [Frietsch 2005; Schibany, Streicher 2008]. Współwystępują tu także problemy współliniowości i skorelowania. 4. Współliniowość statystyczna – wiele spośród wskaźników to wskaźniki (wysoce) skorelowane, tym samym mogą mierzyć i odzwierciedlić ten sam aspekt procesu innowacji. Odniósł się do tego raport na temat metodologii EIS z 2005 r. [Sajeva i in. 2005]. 5. Brakujące dane i możliwy do uzyskania zakres czasowy – dla wielu wskaźników i krajów dane pozostają niedostępne, co wpływa na rzetelność porównań wyników poszczególnych krajów. Różnice w zakresach czasowych pozyskiwanych danych na temat identycznego wskaźnika również powodują podobne problemy. Ta dostępność danych jest szczególnie istotna dla wskaźników opartych na danych CIS, które mogą być obarczone trudnościami związanymi z porównywalnością. W przypadku niektórych krajów pewne wskaźniki opierają się na nowszych danych niż dla pozostałych krajów. Innym problemem, szczególnie dotkliwym w porównaniach na skalę światową, jest to, że w przypadku kilku wskaźników brak dostępnych danych dla większości krajów spoza UE, zwłaszcza dla wskaźników CIS i LFS (Labor Force Survey). 6. Więcej nie zawsze oznacza lepiej – złożeniem interpretacji EIS jest to, że wyższy wynik wskaźnika sugeruje lepsze wyniki innowacyjne. Jednakże w przypadku kilku wskaźników, takich jak np. udział przedsiębiorstw otrzymujących pu– 2.2. Pomiar innowacyjności w dorobku Eurostatu 79 bliczne fundusze na działalność innowacyjną, sytuacja może być odmienna. Podobnym problemem jest określenie wartości, którą wskaźniki osiągnęłyby na poziomie optimum (optymalna zdolność innowacyjna). Zmienne mogą mieć „optymalną” wartość, która może być różna w zależności od kraju. Ch. Rammer [2005], krytykował wskaźniki EIS 2005 (takie jak wydatki firm na B + R finansowane przez rząd oraz wydatki uczelni wyższych na B + R finansowane przez sektor biznesowy), gdyż „ani w pełni finansowany przez państwo system B + R sektora biznesu, ani w pełni finansowany przez firmy sektor uczelni wyższych nie mogą być uważane za optymalny sposób finansowania B + R”. Można również twierdzić, że odnosi się to do wskaźników: B + R w firmach, udział średnich i wysokich technologii w B + R, wydatki na innowacje, podobnie wysokie wydatki kapitału wysokiego ryzyka na etapie początkowym i ICT „również mogłyby się okazać marnotrawstwem deficytowych zasobów” oraz w odniesieniu do „wskaźników-współczynników”, gdzie w przypadku wielu wskaźników relacja na poziomie 100% nie może być poziomem optymalnym [Schibany, Streicher 2008]. Logika „więcej oznacza lepiej” nie dotyczy, w sposób bezpośredni, wskaźników związanych z wydatkami. Dla tych wskaźników wysokie wartości mogą także oznaczać niższą od optymalnej alokację deficytowych zasobów. Podobna sytuacja występuje dla „wskaźników ułamkowych”, takich jak udział ludności z wykształceniem wyższym. 7. Wskaźniki jako narzędzia oceny realizacji określonej polityki – wśród wskaźników wiele zostało zidentyfikowanych jako takie, które nie stanowią narzędzi oceny określonej polityki (np. [Frietsch 2005; Grupp, Mogee 2004; Rammer 2005; Schibany, Streicher 2008; Schibany i in. 2007]). Autorzy zwracają uwagę, iż krajowe systemy innowacji różnią się, a w konsekwencji inna jest realizacja określonej polityki działań. Wskaźniki złożone nie oddają struktury krajów. Większość wskaźników stosowanych w EIS nie może ulec poprawie w krótkim czasie, a jedynie w skali długookresowej, co wpływa np. na wskaźniki dotyczące edukacji i struktur gospodarczych. Niewiele wskaźników reaguje bezpośrednio na realizowaną politykę. Inne są np. wskaźniki, które pokazują rezultaty przemian w strukturach, i choć mogą pozostawać pod wpływem systemów bodźcujących, to jednak nadal są poza zasięgiem bezpośredniej interwencji, wynikającej z realizowanej polityki. Ani SII, ani wskaźniki pojedyncze nie są związane z typowymi obszarami interwencyjnymi polityki. Ogólnie rzecz biorąc, polityka innowacji musi brać pod uwagę środowisko rynkowe, rozwój technologii oraz specyficzne bariery dla innowacji w odniesieniu do różnych rodzajów przedsiębiorstw (MŚP, rozpoczynające działalność, duże firmy, przedsiębiorstwa eksportujące a działające na rynku krajowym itp.), aby mogła zostać opracowana stosowna polityka interwencyjna. Polityka innowacji musi brać pod uwagę specyficzne środowisko instytucjonalne i gospodarcze charakterystyczne dla danego kraju. Istnieje potrzeba powiązania wskaźników z polityką i rozróżnienia pomiędzy wskaźnikami odnoszącymi się do wyników działań oraz polityki działań. Zastosowanie zagregowanej, pojedynczej liczby stanowi mało satysfakcjonujące rozwiązanie dla celów praktycznych realizo- 80 2. Metody pomiaru innowacyjności wanej polityki, gdyż ani nie jest jednoznaczne, ani nie wskazuje, że należy podjąć konkretne działania. Konieczne wydaje się uzupełnienie publikacji wyników szczegółowymi informacjami podstawowymi na temat cech charakterystycznych dla krajowych systemów innowacji, które mogłyby wpływać na wyniki EIS, np. oprócz wskaźników złożonych, wykorzystać zróżnicowane analizy systemów innowacji, za pomocą szeregu wskaźników reprezentujących kilka obszarów wyników działań innowacyjnych. Grupowanie wskaźników (trzy typu input i dwa typu output) lub wszelkie inne kombinacje tej agregacji powinny pozostawać w bliskim związku z kategoriami i podkategoriami, co pozwoli na różnorodne działania w zakresie polityki oraz stosowne doradztwo. Warte rozważenia wydaje się także wydłużenie odległości pomiędzy latami kolejnych publikacji. 8. Problemy statystyczne – występowanie wartości oddalonych (wystających bardziej niż dwa odchylenia standardowe od średniej), co jest szczególnie ważne dla wskaźników strukturalnych, w przypadku których małe kraje mają tendencje do wykazywania wartości oddalonych ze względu na np. specyficzne uwarunkowania historyczne. Ponadto wskaźniki obarczone są innymi wpływami: zmiany na przestrzeni czasu będą pozostawały pod wpływem relatywnych zmian cen towarów oraz zmian kursów walut, które są częściowo związane z innowacjami (choć w krótkich okresach taka zależność nie występuje), np. eksport wysoko zaawansowanych technologii jako udział w eksporcie ogółem. Innym problemem pozostaje poprawa wskaźników, które są charakteryzowane przez udziały lub relacje, ponieważ ich konstrukcja może dawać mylące wyniki. Ich wartość wynika z rozmiarów zarówno licznika, jak i mianownika. Stosunek daje niewielką wartość, jeśli licznik ma niską wartość, a mianownik wysoką. Wskaźnik reprezentujący stosunek dwóch wartości może zostać, teoretycznie, poprawiony przez dowolny komponent. W konsekwencji stosowanie EIS w celu poprawy wskaźników w krótkim okresie czasu skutkuje „zamieszaniem pomiarowym”. Dyskusyjna jest także porównywalność, w skali międzynarodowej, wskaźników wykorzystujących wyniki badań CIS, reprezentujących około jednej czwartej wskaźników EIS. Wyniki kolejnych rund CIS są nieporównywalne w pewnym zakresie, a ponadto wskaźniki CIS mają tendencję do wykazywania najwyższej, krótkookresowej zmienności. Wskaźniki mogą również wykazywać znaczące różnice w zależności od kraju. Różnice te mogą być skutkiem artefaktów wynikających z wątpliwej jakości danych statystycznych lub też mogą wynikać z faktycznego stanu rzeczy. Tak czy inaczej, nie oddają one prawdziwej zmienności pomiędzy krajami w zakresie typowych wymiarów i różnic kulturowych. Ponadto różnice np. we wskaźnikach projektów przemysłowych mogą być rezultatem różnic prawnych, gdyż projekty przemysłowe mają odmienne definicje w różnych krajach. W konsekwencji brakuje wymiaru wspólnego. Brak danych lub ograniczona ich dostępność w niektórych krajach, a w konsekwencji zabiegi zmierzające do imputacji mają wpływ na błędy. Pomiar wskaźników w różnych skalach wymaga normalizacji, a w wielu przypadkach ich asymetria i procesy przekształceń (pierwiastkowanie różnego stopnia) powodują dodatkowy problem, który można określić mianem „zama- 81 2.2. Pomiar innowacyjności w dorobku Eurostatu zywania skali”. Równe wagi dla 25 wskaźników, które są agregowane, dają wynik w postaci pojedynczej liczby. W procesie tym wszystkie wskaźniki uzyskują tę samą wagę (1/25 = 0,04). Oznacza to, że wszystkie wskaźniki są „równie ważne”, chociaż obejmują różne zakresy. Tak wiele głosów krytycznych wobec pomiaru innowacyjności w ramach prac Eurostatu spowodowało kolejne zmiany i tak metodologia obliczania Summary Innovation Index, stosowana w 2010 r., obejmuje 24 z listy 25 wskaźników zawartych w grupach podzielonych na 8 wymiarów i 3 bloki tematyczne (rys. 2.1, tab. 2.2). Wskazano także zmiany, jakie zaszły na liście wskaźników w stosunku do obowiązującej w 2009 r. oraz źródła danych9. Wymiary innowacyjności (25 wskaźników) Bloki innowacyjności Zasoby ludzkie (3) (DCII) Otwarty i atrakcyjny system badań (3) (DCII) Sumaryczny wskaźnik innowacyjności (SII) Motory innowacji (BCII) Finansowanie i wsparcie dla innowacji (2) (DCII) Aktywa intelektualne (4) (DCII) Powiązania i przedsiębiorczość (3) (DCII) Aktywność firm (BCII) Nakłady inwestycyjne firm (2) (DCII) Innowatorzy (3) (DCII) Output (efekty działalności innowacyjnej) (BCII) Efekty ekonomiczne (5) (DCII) Rys. 2.1. Wymiary i bloki tematyczne IUS Źródło: opracowanie własne. W latach 2008 i 2009 45% wskaźników rekomendowanych do oceny innowacyjności pozostało niezmienionych, natomiast niewielkie zmiany (często w nomenklaturze), wprowadzono dla 9 wskaźników (31%). Ponadto na liście znalazło się Eurostat – the Statistical Office of the European Communities, CIS – Community Innovation Survey, OHIM – Office of Harmonization for the Internal Market, UN Comtrade – United Nations Commodity Trade Statistics Database, UN – United Nations, Science Metrix – Science and Technology Evaluation and Measurement, Scopus (Elsevier) – SciVerse Scopus (baza danych streszczeń i cytowań artykułów naukowych), CWTS – Centre for Science and Technology Studies, Thomson Reuters – międzynarodowa multimedialna agencja informacyjna, OECD – Organisation for Economic Cooperation and Development. 9 82 2. Metody pomiaru innowacyjności Tabela 2.2. Wskaźniki Innovation Union Scoreboard 201010 Blok I. Motory innowacyjności Zmiany Źródła Wymiar 1: Zasoby ludzkie 1.1.1. Liczba osób, które uzyskały tytuł doktora w danym roku na 1000 mieszkańców w grupie wiekowej 25–34 lata zmieniony Eurostat 1.1.2. Odsetek ludności z wykształceniem wyższym w grupie wiekowej 30–34 lata zmieniony 1.1.3. Udział % osób w grupie wiekowej 20–24 lata, które ukończyły edukację bez zmian co najmniej na poziomie szkoły średniej 1.2.1. Międzynarodowa współpraca naukowa w zakresie publikacji (liczba publikacji naukowych z udziałem autorów zagranicznych na mln ludności) nowy 1.2.2. Publikacje naukowe wśród 10% najczęściej cytowanych publikacjach na całym świecie, jako % ogółu publikacji naukowych w kraju nowy Science Metrix/ Scopus (Elsevier) 1.2.3. Doktoranci spoza UE jako% całkowitej liczby doktorantów w kraju nowy Eurostat Wymiar 2: Otwarty, wspaniały i atrakcyjny system badań Wymiar 3: Finanse i wsparcie dla innowacji 1.3.1 Udział wydatków publicznych na B + R w PKB (w %) bez zmian Eurostat 1.3.2 Udział venture capital w PKB (w %) bez zmian Blok II. Aktywność firm Wymiar 4: Nakłady inwestycyjne firm 2.1.1. Udział wydatków przedsiębiorstw na B + R w PKB (w %) bez zmian Eurostat 2.1.2. Udział wydatków firm na innowacje inne niż B + R w wydatkach ogółem bez zmian Eurostat (CIS) 2.2.1. Udział MŚP wprowadzających własne innowacje w ogólnej liczbie MŚP bez zmian Eurostat Udział MŚP kooperujących w zakresie innowacji w ogólnej liczbie MŚP bez zmian (CIS) Wymiar 5: Powiązania i przedsiębiorczość 2.2.2. 2.2.3. Liczba publikacji naukowych w współautorstwie (publiczno-prywatnych) na milion mieszkańców bez zmian CWTS/ Thomson Reuters 2.3.1. Liczba wniosków patentowych w trybie PCT10 (Patent Cooperation Treaty) na miliard PKB (w PPS €) nowy 2.3.2. Liczba wniosków patentowych PCT z wyzwań społecznych (łagodzenie skutków zmian klimatycznych, zdrowie) na miliard PKB (w PPS €) nowy 2.3.3. Liczba nowych wspólnotowych znaków towarowych na miliard PKB (w PPS €) zmieniony OHIM/ Eurostat 2.3.4. Liczba nowych wspólnotowych wzorów przemysłowych na miliard PKB zmieniony (w PPS €) Wymiar 6: Aktywa intelektualne OECD/ Eurostat Układ umożliwia uzyskiwanie patentów w państwach-stronach, obejmuje 134 kraje i zapewnia uproszczony system oparty na jednym zgłoszeniu patentowym (zgłoszenie międzynarodowe PCT – Patent Cooperation Treaty). 10 83 2.2. Pomiar innowacyjności w dorobku Eurostatu Blok III. Wyniki (outputs) Wymiar 7: Innowatorzy 3.1.1. Innowatorzy technologiczni (innowacje w obrębie produktu, procesu) jako % ogółu MŚP 3.1.2. Innowatorzy nietechnologiczni (innowacje marketingowe, organizacyjne) jako % ogółu MŚP 3.1.3. Szybko rozwijające się firmy innowacyjne 3.2.1. bez zmian Eurostat bez zmian (CIS) nowy b.d. Zatrudnienie w działalności opartej na wiedzy jako % całkowitego zatrudnienia nowy Eurostat 3.2.2. Udział eksportu wyrobów średniej i wysokiej techniki w eksporcie ogółem bez zmian UN Comtrade 3.2.3. Udział eksportu usług wymagających specjalistycznej wiedzy w eksporcie usług ogółem bez zmian UN/ Eurotstat 3.2.4. Udział sprzedaży wyrobów nowych lub zmodernizowanych dla rynku i nowych lub zmodernizowanych dla przedsiębiorstw w sprzedaży ogółem zmieniony Eurostat (CIS) 3.2.5. Udział dochodów z licencji i patentów (otrzymanych z zagranicy) jako % PKB Wymiar 8: Efekty ekonomiczne Eurostat Źródło: opracowanie na podstawie [Innovation Union… 2011]. 7 wskaźników (24%) zupełnie nowych. Źródło danych dla niemal 80% wskaźników stanowiły głównie bazy Eurostatu, a informacje dotyczące 5 wskaźników zasilane były z baz danych innych instytucji. Lista z 2009 r., która zawierała 29 wskaźników, została w zestawie IUS 2010 zastąpiona nową listą 25 wskaźników, które w świetle przedstawionej krytyki mają lepiej uchwycić wyniki krajowych systemów badań i innowacji jako całości. Z poprzedniej listy pozostało niemal niezmienionych 19 wskaźników11. Biorąc pod uwagę wskaźnik połączony z dwóch, 18 wskaźników IUS 2010 jest równoważnych z EIS 2009 (72%), a dodatkowo zostało wprowadzonych 7 nowych wskaźników (28%). Dane w IUS 2010 odnoszą się do rzeczywistych wyników w 2007 r. (4 wskaźniki, 16%), 2008 r. (10 wskaźników – 40%) i 2009 r. (10 wskaźników). W konsekwencji IUS 2010 nie może uchwycić ewentualnego wpływu kryzysu gospodarczego i finansowego na działalność innowacyjną. Dane dla wskaźnika 3.1.3 nie są dostępne, a zatem tylko 24 z 25 wskaźników zostało wykorzystanych do ustalenia Summary Innovation Index. Źródło danych dla 60% wskaźników stanowiły bazy Eurostatu (w tym 24% CIS), łączone dane (Eurostat i inna instytucja) budują kolejne 4, a informacje dotyczące 5 wskaźników zasilane były z baz danych innych instytucji. 11 W tym 12 wskaźników się nie zmieniło, 2 wskaźniki zostały połączone, a 5 wskaźników zostało częściowo zmienionych za pomocą szerszych lub węższych definicji lub zmienionych mianowników 84 2. Metody pomiaru innowacyjności Badane państwa w IUS zostały podzielone na cztery grupy: liderów innowacji, naśladowców, umiarkowanych innowatorów, nadrabiających zaległości. Przeprowadzono także analizę profili innowacji dla krajów UE 27 [Innovation Union… 2011, 2012] wraz z charakterystyką tych państw. Dla każdego z ośmiu wymiarów innowacji podsumowanie średnich wyników odbywa się poprzez obliczenie złożonego indeksu innowacji (Dimension Composite Innovation Index – DCII). W przypadku każdego z trzech bloków średnie wyniki podsumowano na podstawie indeksu złożonego przy użyciu indeksów innowacji ustalonych dla wymiarów należących do danego bloku (Block Compositie Innovation Index – BCII). Wyniki innowacji dla wszystkich wskaźników łącznie podsumowano w SII (Summary Innovation Index). Metodologia obliczania złożonych indeksów innowacji przedstawia się następująco [Innovation Union… 2011, 2012]. Transformacja danych. Większość wskaźników IUS zawiera dane o wartościach pomiędzy 0 a 100%, ale niektóre są nieograniczone, tj. ich wartości nie mają limitu progu górnego, co powoduje, iż charakteryzują się znaczną asymetrią rozkładu (gdzie większość krajów wykazuje niskie poziomy wskaźników a jedynie dla krajów uzyskano wyjątkowo wysokie ich poziomy). W przypadku tych wskaźników (asymetria powyżej jedności) dane zostały przekształcone za pomocą pierwiastkowania (doktoranci spoza UE jako procent całkowitej liczby doktorantów w kraju, udział venture capital w PKB (w %), liczba wniosków patentowych PCT z wyzwań społecznych na miliard PKB (w PPS €) (łagodzenie skutków zmian klimatycznych, zdrowie), udział dochodów z licencji i patentów (otrzymanych z zagranicy) jako procent PKB). Identyfikacja wartości oddalonych. Wartości oddalone to takie, które są wyższe/niższe od średniej EU27 o plus/minus dwukrotne odchylenie standardowe, i ze względu na założenia metodologiczne nie biorą udziału w ustalaniu wartości maksimum i minimum w procesie normalizacji. Ustalanie lat referencyjnych. Dla każdego ze wskaźników rok referencyjny jest identyfikowany w oparciu o dostępność danych dla wszystkich „kluczowych” krajów, tj. tych, dla których dostępność danych wynosi przynajmniej 75%. W przypadku większości wskaźników rok referencyjny jest opóźniony o rok lub 2 lata w stosunku do roku, do którego odnosi się indeks. Ekstrapolacja danych. Dla wszystkich wskaźników i krajów przeprowadzono ekstrapolację danych dla lat 2009 i 2010, zakładając ten sam wzrost procentowy co pomiędzy latami 2008 i 2007. Uzasadnienie tej ekstrapolacji wiąże się z koniecznością uwzględnienia dalszych wzrostów w wartościach wskaźników poza maksimum lub poniżej wartości minimum dla analizowanego 5-letniego okresu. W ten sposób ustalono wynik maksimum i minimum, co ma zapewnić pełną porównywalność wyników SII pomiędzy raportem obecnym i przyszłymi raportami na temat innowacyjności. Określanie wyników maksimum i minimum. Wynik maksimum to najwyższy uzyskany rezultat dla całego okresu (łącznie z dwoma latami podlegającymi eks- 2.2. Pomiar innowacyjności w dorobku Eurostatu 85 trapolacji) w grupie „kluczowych” krajów, wyłączając dodatnie wyniki poza limitem i kraje, w których liczba ludności wynosi milion lub mniej (np. Cypr, Islandia, Luksemburg i Malta), gdyż to te kraje są 1) odpowiedzialne za niektóre z odnotowanych wyników poza limitem oraz 2) ze względu na ich wielkość nie powinny być uwzględniane jako reprezentatywne dla większości innych (większych) krajów. Podobnie wynik minimum to najniższy uzyskany wynik dla całego okresu w grupie kluczowych krajów EIS z wyłączeniem ujemnych wyników poza limitem i krajów „małych”. Obliczanie przeskalowanych wyników – normalizacja. Wyniki poddano unitaryzacji zerowanej, przy czym punkty odniesienia są właściwe dla poszczególnych lat. Znormalizowany wynik maksimum jest tym samym równy 1, zaś wynik minimum jest równy 0, także w przypadku wskaźników poza limitem wynik przeskalowany jest tym samym równy odpowiednio 1 (powyżej limitu) lub 0 (poniżej limitu). Obliczanie złożonych indeksów innowacji. Dla każdego roku i dla każdego wymiaru innowacji (takich jak zasoby ludzkie, otwarty i atrakcyjny system badań, finanse i wsparcie dla innowacji, nakłady inwestycyjne firm, powiązania i przedsiębiorczość, aktywa intelektualne, innowatorzy i efekty ekonomiczne) złożony indeks innowacji dla danego wymiaru (DCII) obliczany jest jako średnia znormalizowanych wyników dla wszystkich wskaźników w obrębie danego wymiaru. Dla każdego roku i dla każdego bloku wymiarów (takich jak motory innowacyjności, aktywność firm, wyniki) obliczany jest złożony indeks innowacji (BCII) jako średnia znormalizowanych wyników dla wszystkich wskaźników wewnątrz odpowiedniego bloku. Dla każdego roku Summary Innovation Index (SII) obliczany jest jako średnia znormalizowanych wyników dla wszystkich wskaźników. Innowacyjność gospodarki to zdolność i motywacja podmiotów gospodarczych do działalności polegającej na nieustannym prowadzeniu i poszukiwaniu nowych wyników badań naukowych, prac badawczo-rozwojowych, koncepcji i pomysłów, na przygotowywaniu i uruchomieniu wytwarzania nowych lub udoskonalonych matariałów, wyrobów, urządzeń, usług, procesów lub metod przeznaczonych na rynek lub innego zastosowania w praktyce [Okoń-Horodyńska 2004]. Porównanie wyników w dziedzinie innowacyjności krajów jak i wspólnoty UE 27 do pozostałych głównych „wydających na świecie na B + R” (Argentyny, Australii, Brazylii, Kanady, Chin, Hongkongu, Indii, Izraela, Japonii, Nowej Zelandii, Republiki Korei, Meksyku, Rosji, Singapuru, RPA i USA) miał na celu GIS – Global Innovation Scoreboard 2008 [Archibugi i in. 2009]. Metodologia GIS 2008 obejmowała 9 wskaźników innowacji i możliwości technologicznych (por. tab. 2.3) pogrupowanych w trzy główne wymiary (filary): aktywność firm i wyniki, zasoby ludzkie oraz infrastruktura i zdolności absorpcyjne. Global Innovation Scoreboard 2008 stanowił narzędzie uzupełniające w stosunku do European Innovation Scoreboard, koncentruje się na dynamice średniookresowej i miał na celu przegląd głównych trendów, wyników i uwarunkowań innowacyjności krajów na świecie. 86 2. Metody pomiaru innowacyjności Tabela 2.3. Wskaźniki Global Innovation Scoreboard (GIS) Filar (waga w GIS) Aktywność firm i wyniki (40%) Zasoby ludzkie (30%) Infrastruktura i zdolności absorpcji (30%) Wskaźnik patenty triadyczne (zgłoszone do ochrony jednocześnie w EPO, JPO i UPSTO, tj. europejskim, japońskim i amerykańskim biurze patentowym) per capita (średnia z trzech lat) Wagi wskaźnika w GIS (%) 20 wydatki firm na B + R (jako % PKB) 20 odsetek ludności z wyższym wykształceniem jako % siły roboczej 7,5 pracujący w B + R na liczbę ludności 7,5 artykuły naukowe per capita 7,5 odsetek studentów studiów inżynierskich i nauk ścisłych, w ogólnej liczbie studentów 7,5 wydatki na ICT (Information and Communication Technologies) per capita 10 odsetek gospodarstw domowych korzystających z szerokopasmowego dostępu do Internetu 10 wydatki rządowe i szkół wyższych na B + R jako % PKB 10 Źródło: opracowanie własne na podstawie [Archibugi i in. 2009]. Dla każdego wymiaru wartość wskaźnika złożonego obliczano jako średnią znormalizowanych (unitaryzacja zerowana) wskaźników. Na poziom GIS składają się wartości wskaźnika złożonego ustalonego dla każdego wymiaru. Przy tym, dla podkreślenia znaczenia działalności przedsiębiorstw dla filaru „aktywność firm i wyniki” waga tego komponentu stanowi 40% całkowitej liczby punktów GIS, natomiast pozostałe dwa filary mają wagi po 30%. Global Innovation Scoreboard 2008 obliczono dla dwóch lat (1995 i 2005), aby umożliwić ocenę zmian w poziomie innowacyjności. Należy zauważyć, że zestaw wskaźników dla GIS jest ograniczony (np. w stosunku do EIS czy IUS), inny jest też zakres czasowy. Dlatego wyniki różnią się od tych z EIS i IUS, szczególnie dla państw, które zwiększyły swoje osiągi, i dla krajów, które są stosunkowo mocne pod względem wartości wskaźników stosowanych w GIS. Liczba analiz porównawczych znacznie wzrosła w ciągu ostatniej dekady i już pierwszy ich ogląd może wywołać wrażenie, że kilka z nich podejmuje, jeśli przytoczyć tu znane wyrażenie T.C. Koopmansa [1947], „pomiar bez teorii”. Przede wszystkim warto przypomnieć, że ocena innowacyjności odzwierciedla zjawisko niejednorodne, składając się z wielu elementów. Gdyby nie to, konstrukcja złożonych wskaźników nie byłaby konieczna. Konieczność korzystania z różnych źródeł wynika ze świadomości, że pojedyncze źródła statystyczne (np. środki przeznaczone na badania i rozwój, liczba zgłoszeń patentowych, dane dotyczące handlu high-tech) mogą rzucić światło na specyficzne aspekty dotyczące kompetencji technologicz- 2.2. Pomiar innowacyjności w dorobku Eurostatu 87 nych, ale są niekompletne (m.in. brak danych dla wielu krajów, krótkie szeregi). Dane te zwykle nie odzwierciedlają także innych aspektów wiedzy lub pierwotnych form innowacji, jak to podkreśla N. Rosenberg [1976b]. Innowacje powinny być rozpatrywane w szerszym znaczeniu, w tym także pod względem tworzenia nowej wiedzy oraz ich zastosowania w ocenie rzeczywistych problemów gospodarczych i społecznych [Freeman, Soete 2007b]. Innowacja może być rozumiana jako proces generowania nowych pomysłów, projektowania, rozwoju, uprzemysłowienia, komercjalizacji, przekazywania i rozpowszechniania. Wbrew temu, co zakładano w linearnym modelu innowacji, fazy tego procesu nie są sekwencjami, lecz są ze sobą powiązane. Jednak doświadczenia i kwalifikacje na różnych etapach tego procesu nie są równomiernie rozłożone w przestrzeni gospodarczej, stąd niektóre kraje wykazują większą zdolność do generowania nowych pomysłów, np. dlatego, że posiadają cenione ośrodki badawcze, dobre uniwersytety i skuteczne laboratoria przemysłowe, podczas gdy inne są bardziej zdolne wykorzystać je na rynku, a jeszcze inne bardziej skłonne do przyjmowania wiedzy zdobytej na zewnątrz i rozproszenia jej wewnętrznie, mimo że większość procesów dyfuzji powoduje wytwarzanie adaptacyjnych innowacji pierwotnych. Ograniczenie wskaźników GIS do możliwości technicznych sprawia, że obejmują one jedynie część sfery szeroko pojętych innowacji. Nie uwzględniono elementów innowacji wynikających z ich podziału m.in. na bezpośrednie i pośrednie ze względu na efekty różnych działań, takich jak badania podstawowe prowadzone w uczelniach, badania naukowe w firmach, laboratoriach B + R, w sferze produkcji, a ponadto ich rozmaitego charakteru, w tym: nietechnologicznego i technicznego, materialnego i niematerialnego. Na usprawiedliwienie D. Archibugi, M. Denni i A. Filippetti [2009] podają, iż trudno jest zebrać dane o wszystkich aspektach innowacyjności, a szczególnie uzyskać je w porównywalnym standardzie dla tak wielu krajów. Jednym z uzasadnień korzystania w GIS ze wskaźników skupionych na możliwościach technologicznych jest to, że stanowią one warunek sine qua non tworzenia, absorpcji i rozproszenia innowacji technologicznych w systemie gospodarczym. Ograniczeniem tego podejścia jest to, że nie pozwala na ocenę innych form innowacji, takich jak innowacje nietechnologiczne, organizacyjne, marketingowe i inne. I to do tych form innowacji, które są coraz ważniejsze w budowaniu konkurencyjności krajów, budowany w przyszłości złożony wskaźnik powinien się również odwoływać. 2.2.3. Mierniki innowacyjności sektora i mierniki innowacyjności firmy Pomiar działalności innowacyjnej firm prowadzony jest dwiema metodami: – przedmiotową, polegającą na pomiarze liczby i charakteru rzeczywiście istniejących innowacji; w podejściu przedmiotowym (ostatnio rzadko stosowanym) dane gromadzone są na podstawie specjalnych badań statystycznych, w oparciu 88 2. Metody pomiaru innowacyjności o prasę techniczną i raporty przedsiębiorstw; dostarcza więcej informacji o poszczególnych innowacjach niż metoda podmiotowa oraz badania patentowe, ale informuje o mniejszej liczbie innowacji, a poprzez arbitralny dobór próby mała jest porównywalność międzynarodowa zebranych informacji; – podmiotową, opartą na badaniach przedsiębiorstw, które wprowadziły innowacje; polega na ankietowaniu firm na temat różnych aspektów procesu innowacyjnego w przemyśle i usługach oraz wielkości środków przeznaczonych na działalność innowacyjną, a także czynników wzmacniających lub też powstrzymujących innowacje, efektów innowacji, źródeł informacji dla innowacji, działalności przedsiębiorstwa oraz dyfuzji innowacji; ułatwia rozpatrywanie innowacji w powiązaniu z innymi zmiennymi ekonomicznymi, takimi jak wielkość produkcji, wartość dodana, zatrudnienie zarówno na szczeblu przedsiębiorstwa, jak i i branży [Ratanawaraha, Polenske 2007, s. 39]; metoda zalecana i opisana przez Podręcznik Oslo [Oslo Manual… 2005]. Community Innovation Survey (CIS) to zainicjowany przez Komisję Europejską na początku lat dziewięćdziesiątych międzynarodowy program badań statystycznych innowacji. Tworzenie metodologii innowacji zostało poprzedzone badaniami firm innowacji, prowadzonymi od lat trzydziestych XX w., m.in. w Yale Innovation Survey [Feldman 1994, s. 84]. Jako pierwszy zbiór porównywalnych danych wskazuje się [Oslo Manual… 2005, s. 193] tworzony w ramach prac Nordic Industrial Fund, ponadto niezaprzeczalne jest znaczenie dorobku OECD, szczególnie przez wkład w konstrukcję listy pytań proponowanych w zharmonizowanych ankietach badawczych wykorzystywanych do pierwszego badania Community Innovation Survey (CIS). Badania te pozwoliły na wykorzystanie doświadczeń w pracach nad przygotowaniem kolejnych edycji podręcznika Oslo, stanowiącego zalecenia metodyczne dla następnych rund CIS. Program CIS stanowi główne źródło informacji dotyczących działalności innowacyjnej europejskich przedsiębiorstw. Badanie innowacji w krajach UE realizowane jest na podstawie Rozporządzenia Komisji Europejskiej [Commission Regulation No 1450/2004…]. Zgodnie z tym aktem prawnym dotyczącym statystyki innowacji badania CIS prowadzone są co dwa lata. CIS to przykład harmonizacji ex ante, gdzie dane są zbierane na poziomie krajowym za pomocą ankiet od firm przemysłowych i przygotowywane w oparciu o wspólne metodologie i definicje. Wskaźniki, które wynikają z powyższej procedury, służą do pomiaru aspektów innowacji przemysłowych oraz strumieni finansowych przeznaczonych na działania innowacyjne. Dostarczają informacji dotyczących czynników stymulujących lub przeciwdziałających innowacjom, wpływu wywieranego przez innowacje na funkcjonowanie przedsiębiorstwa oraz na proces rozprzestrzeniania się innowacji. W ramach CIS przeprowadzono już kilka rund badań, zwanych CIS-1, CIS-2, CIS-3, CIS-4, CIS 2006, CIS 2008, CIS 2010. Pierwsza, pilotażowa, dotyczyła innowacji technologicznych w przedsiębiorstwach przemysłowych (w sekcji „Przetwórstwo przemysłowe”). Przeprowadzono ją w latach 1990–1992, obejmowała 13 kra- 2.2. Pomiar innowacyjności w dorobku Eurostatu 89 jów należących do tzw. Europejskiego Obszaru Gospodarczego, czyli UE i EFTA. Prowadzono ją w oparciu o wspólny kwestionariusz, tzw. zharmonizowany kwestionariusz OECD/UE, opracowany na podstawie zaleceń metodycznych, zawartych w pierwszym wydaniu Oslo Manual [1992]. W kolejnych rundach programu CIS badaniem objęto również przedsiębiorstwa należące do sektora usług rynkowych. Wyniki uzyskane na danych statystycznych pochodzących z ponad 30 tys. przedsiębiorstw stanowią obecnie ważne źródło informacji na temat wielu aspektów działalności innowacyjnej przedsiębiorstw w różnych działach gospodarki. W latach 2001 i 2002 przeprowadzono badania trzeciej rundy programu Community Innovation Survey, dotyczące okresu 1998–2000 (zbierano informacje na temat działalności innowacyjnej przedsiębiorstw, a także różnych aspektów procesu innowacji, takich jak wpływ innowacji, źródła wykorzystywanych informacji, kosztów), czwarta, zakończona w 2005 r. runda badań (CIS 4) objęła okres 2002–2004, a badania objęły także innowacje organizacyjne i marketingowe oraz działania innowacyjne i wydatki. CIS 2006 to badanie obejmujące lata 2004–2006 i ankietujące przedsiębiorstwa w przemyśle i w sektorze usług liczące powyżej 9 pracujących (nie są prowadzone w mikroprzedsiębiorstwach). Dotyczyły wszystkich państw UE, państw kandydujących i Norwegii oraz Islandii. CIS 2008 [Proposal for a Decision… 2006] to pierwsze badanie, oparte na trzeciej wersji Oslo Manual [2005], prowadzone są prace w ramach CIS 2010 [Europe 2020… 2010]. W trakcie realizacji programu Community Innovation Survey rozwijana i doskonalona jest metodologia badań innowacji oraz ustalane są obowiązujące rozwiązania i standardy z tego zakresu. Realizowane rundy programu adaptują i realizują wytyczne wynikające z kolejnych wersji Oslo Manual. Ze względu na różnice w zakresie przedmiotowym zastosowanych formularzy wyniki następnych rund programu CIS nie są w pełni porównywalne. Działalność innowacyjna firmy definiowana jest jako „całokształt działań naukowych, technicznych, organizacyjnych, finansowych i komercyjnych, które rzeczywiście prowadzą lub mają w zamierzeniu prowadzić do wdrażania innowacji. Niektóre z tych działań same z siebie mają charakter innowacyjny, natomiast inne nie są nowością, lecz są konieczne do wdrażania innowacji. Działalność innowacyjna obejmuje także działalność badawczo-rozwojową (B + R), która nie jest bezpośrednio związana z tworzeniem konkretnej innowacji” [Podręcznik Oslo… 2008, s. 50]. Firma innowacyjna to taka, która wdrożyła innowację w badanym okresie. Badania działalności innowacyjnej prowadzone w oparciu o metodologię trzeciej edycji podręcznika [Oslo Manual… 2005] dotyczą w związku z rozszerzeniem definicji całokształtu rozmaitych działań mających na celu opracowanie i wdrożenie innowacji, tzn. nowych lub istotnie ulepszonych produktów i procesów oraz nowych metod organizacyjnych i marketingowych. W badaniach uwzględniane są wszystkie możliwe stopnie nowości opracowywanych i wdrażanych innowacji, tzn. nie tylko produkty, procesy i metody nowe dla rynku, na którym działa przedsiębiorstwo: w kraju i/lub za granicą, ale także produk- 90 2. Metody pomiaru innowacyjności ty, procesy i metody nowe tylko dla wprowadzającego je przedsiębiorstwa. Podkreśla się, że chociaż działalność badawczo-rozwojowa jest bardzo ważnym i niekwestionowanym źródłem innowacji oraz wynalazków, to jednak działalność innowacyjna jest pojęciem znacznie szerszym. Obejmuje wiele działań, które nie wchodzą w zakres działalności B + R, takich jak późne etapy działalności rozwojowej na potrzeby fazy przedprodukcyjnej, produkcji i dystrybucji, a także prace rozwojowe o mniejszym stopniu nowości, prace wspomagające, takie jak szkolenia i przygotowanie rynku, a także działania rozwojowo-wdrożeniowe dotyczące innowacji, takie jak nowe metody marketingowe czy nowe metody organizacyjne, których nie zalicza się do innowacji produktowych czy procesowych. Działalność innowacyjna może również obejmować nabycie wiedzy zewnętrznej lub dóbr inwestycyjnych poza działalnością B + R. Działalność innowacyjna przedsiębiorstwa w danym okresie może mieć trojaki charakter [Nauka i technika… 2010, s. 138–144]: – działalność pomyślnie zakończona wdrożeniem innowacji, – działalność bieżąca w trakcie realizacji (niezakończona), która nie doprowadziła dotychczas do wdrożenia innowacji, – działalność przerwana lub zaniechana przed wdrożeniem innowacji. Do najważniejszych stosowanych obecnie wskaźników innowacji dla firm należą [Podręcznik Oslo… 2008; Innovation Indicators 2008; Arundel 2007]: – innowacje technologiczne: udział w badanej populacji firm, które wprowadziły w ostatnich latach: innowację produktową, innowację procesową, jakąkolwiek innowację technologiczną – produktową lub procesową (firma technologiczna), które rozwinęły wewnętrznie (in-house) innowacje technologiczne, które wprowadziły innowację produktową nową na rynku; – innowacje nietechnologiczne: udział firm, które wprowadziły innowacje marketingowe, innowacje organizacyjne, jakiekolwiek innowacje – marketingowe lub organizacyjne; – wkład: ogólne wydatki na innowacje, udział firm wykonywających B + R, udział firm wykonujących B + R w sposób systematyczny; – efekt (output): np. wpływ innowacji produktowych na wysokość sprzedaży, wpływ innowacji procesowych na koszty i zatrudnienie oraz wpływ innowacji na wydajność; – cele i przeszkody innowacji (w tym czynniki kosztowe, rynkowe i instytucjonalne); – a ponadto: udział firm aktywnych na rynkach międzynarodowych, współpracujących w działalności innowacyjnej, współpracujących z instytucjami publicznego systemu nauki, które otrzymały publiczne wsparcie na działalność innowacyjną, które zgłosiły wniosek (lub wnioski) patentowe. Poza wymienionymi stosowane są bardziej szczegółowe, dotyczące np. nowych zasad zarządzania wiedzą, nowych struktur organizacyjnych, nowych metod dystrybucji, wydatków na szkolenia [NESTI Roadmap… 2008; NESTI-WPIA… 2008], współpracy w B + R i działalności innowacyjnej pomiędzy firmami [Wojnicka 2004, s. 46, 47]. 2.2. Pomiar innowacyjności w dorobku Eurostatu 91 Badania CIS realizowane są metodą podmiotową (działalność innowacyjna i zachowania innowacyjne firmy jako całości) w przedsiębiorstwach w przemyśle i w sektorze usług, obejmując następujące zagadnienia [Juchniewicz, Grzybowska 2010, s. 32–37]: – rodzaje i stopień nowości innowacji, – nakłady na działalność innowacyjną w ujęciu według rodzajów tej działalności, – wpływ innowacji na wyniki działalności przedsiębiorstw, czyli efekty innowacji, – źródła informacji dla innowacji, – cele działalności innowacyjnej, – przeszkody utrudniające lub uniemożliwiające wprowadzanie innowacji, – powiązania w procesie innowacyjnym, – nabywanie praw własności do innowacji. Ponadto oprócz statystyki innowacji opartej na badaniach ankietowych – dobrowolnych lub obowiązkowych, przeprowadzanych online, poprzez pocztę lub wywiad – postuluje się rozwój statystyki innowacji w szerszym znaczeniu, jako metody łączenia i analizy różnorodnych danych, w tym dotyczących również zasobów ludzkich, publicznego wsparcia innowacji, komercjalizacji (patenty, znaki towarowe, licencje, firmy spin-off [Trademarks as an Indicator… 2009] itp. oraz pochodzących z wielu różnych źródeł – obecnych i zmodyfikowanych badań CIS, rejestrów firm, informacji o współpracy pomiędzy firmami, danych bibliometrycznych, odrębnych badań ankietowych itd. [Arundel, Hollanders 2006b; Arundel, Bordoy, Kanerva 2007]. Kolejne zmiany w podejściach do badań CIS, ewoluujące kwetionariusze ankiet, rozszerzany obszar objęty sondażem i masowe wykorzystywanie wskaźników CIS w obliczeniach EIS, IUS oraz w ocenach regionalnych spowodowały krytykę CIS i wskazanie, że wyniki badań CIS bywają mylące, ponieważ [Colecchia 2007; Measuring Innovation… 2010]: – nie informuje, w jaki sposób firmy przeprowadzają innowacje, – kwestionariusze badań innowacji oparte są z reguły na skali binarnej lub porządkowej, co utrudnia uchwycenie swoistości badanego zjawiska, – większy nacisk kładziony jest na cechy firm innowacyjnych oraz na działalność innowacyjną, a mniejszy na produkty oraz wpływ innowacji, – eksponowane jest znaczenie B + R, które nie zawsze jest najważniejszym, a często tylko jednym ze źródeł innowacji, – nie obserwuje firm nieprowadzących działalności innowacyjnej, a przecież poznanie ich jest istotne dla lepszego zrozumienia zjawiska innowacji, – niewspółmiernie eksponuje przemysł przetwórczy, pomijając inne sektory, np. energetyczny, budownictwo, rolnictwo, – ogniskuje się na procesach technicznych, nie uwzględniając znaczenia fazy komercjalizacji, – nazbyt koncentruje się na innowacjach firm, pomijając innowacje w sektorze publicznym, 92 2. Metody pomiaru innowacyjności odmienna metodologia i kwestionariusze nie sprzyjają porównaniom międzynarodowym. Ponadto w ocenie statystyki innowacji dokonanej w ramach projektu NIND (Policy Relevant Nordic Innovation Indicators) wskazuje się, że wskaźniki innowacji, a przede wszystkim CIS, mają stosunkowo ograniczone znaczenie w procesach decyzji politycznych w porównaniu z tradycyjnymi wskaźnikami, ponieważ panuje przekonanie, iż mają one mniejszą wartość i są mniej znane [Innovation Indicators 2008], a także dlatego, iż, jak wskazuje A. Arundel [2007], rządowe nakłady na programy innowacji niewspierające działalności B + R wśród ogółu nakładów na B + R i innowacje są bardzo niskie – poniżej 5%. W celu wyjaśnienia zmian w charakterze innowacji rozwinięto wiele badań i analiz, a źródło istotnych propozycji metodologicznych stanowią prace realizowane przez OECD w ramach „The NESTI-WPIA Innovation Microdata Project” [NESTI-WPIA… 2008], opartego na danych pochodzących m.in. z CIS. Podstawową taksonomię firm opisywanych z punktu widzenia działalności innowacyjnej można przedstawić następująco [Community Innovation… 2009]: – firmy prowadzące działalność innowacyjną, w tym: • innowatorzy produktowi i/lub procesowi, w podziale na innowatorów: (1) tylko procesowych, (2) tylko produktowych oraz (3) innowatorów procesowych i produktowych, • innowatorzy z aktualną oraz porzuconą działalnością innowacyjną, w rozbiciu na: (1) innowatorów z aktualną działalnością innowacyjną, (2) innowatorów z porzuconą działalnością innowacyjną, (3) innowatorów z zarówno aktualną, jak i porzuconą działalnością innowacyjną, • firmy z innowacjami marketingowymi i organizacyjnymi, w delimitacji na: (1) firmy tylko z innowacjami marketingowymi, (2) firmy tylko z innowacjami organizacyjnymi, (3) firmy z zarówno marketingowymi, jak i organizacyjnymi innowacjami; – firmy nieprowadzące działalności innowacyjnej. Ponadto niezależnie od CIS w Europie i w krajach OECD przeprowadza się badania ankietowe działalności innowacyjnej przedsiębiorstw oparte na próbach i na odmiennych od CIS założeniach metodologicznych, takich jak badania Innobarometer [Innobarometer on cluster’s… 2008], oraz badania Flash Barometer [Arundel, Bordoy, Kanerva 2007], a także analizy ekonometryczne innowacji opierające się na materiałach CIS, takie jak np. ocena efektywności innowacji [Hollanders, Esser 2007], innowacji oraz produktywności [The Link… 2009], zatrudnienia, kanałów międzynarodowego transferu technologii, innowacji nietechnologicznych czy praw własności intelektualnej. UNU-MERIT utrzymuje bazę danych drukowanych analiz opartych na CIS, która liczy prawie 200 pozycji z lat 1994–2009 [Towards CIS… 2007; Final Issues… 2007]. Badania nad innowacjami odzwierciedliły się w inicjatywach służących przygotowaniu planowanej przez OECD strategii innowacji [The OECD Innovation … – 2.2. Pomiar innowacyjności w dorobku Eurostatu 93 2008a, b; An Agenda for Policy … 2009; NESTI Roadmap… 2008; NESTI-WPIA… 2008]. W dokumentach unijnych uznaje sie, że „w szczególności sektor usług wymaga rozwoju nowych wzorców, metod i narzędzi przedsiębiorczości w sferze innowacji. Praktyki innowacyjne w sektorze usług wydają się różnić od wypracowanych w pozostałych sektorach. Częściej opierają sie na przykład na wiedzy zawodowej lub kreatywności i nowatorstwie organizacyjnym. Jak się sądzi, liczne przedsięwzięcia usługowe łożą poważne środki na działalność innowacyjną, zjawisko to pozostaje bez odzwierciedlenia w krajowych danych statystycznych, badaniach czy sprawozdaniach księgowych” [Komunikat Komisji Europejskiej 2005, s. 21]. W ramach badań Eurostatu dotyczących innowacyjności w zakresie sektorów został opracowany na początku dekady w ramach EIS Innovation Sector Index (ISI), który składał się z 12 wskaźników. Analiza zespołu H. Hollandersa i A. Arundela [Hollanders, Arundel 2005, s. 9; European Innovation Scoreboard 2005… 2005, s. 17] w kolejnych latach dotyczyła 25 sektorów i 15 unijnych krajów (UE 15). Wartości (ISI) odrębnie dla każdego sektora ustalono na podstawie średniej arytmetycznej wskaźników znormalizowanych z wykorzystaniem unitaryzacji zerowanej, a badaniom poddano także wskaźniki w ujęciu input i output. W kolejnych latach tworzono także na podstawie podobnych wskaźników i w oparciu o metodologię skoncentrowany na sektorze usług Service Sector Summary Index, a następnie kolejny wskaźnik, nazwany Service Sector Innovation Index (SSII) [Arundel, Kanerva, van Cruysen, Hollanders 2007; Van Cruysen, Hollanders 2008; Hollanders, Kanerva 2009; Kanerva, Hollanders, Arundel 2006]. Wybrano wskaźniki, które po zidentyfikowaniu (na podstawie analizy głównych składowych) oceniono także ze względu na ich dostępność dla krajów UE, wyłączając te, o których danych brakuje dla wielu państw. SSII ustalono dla sektora produkcji, usług, KIBS (Knowledge Intensive Business Services) i usług z wyłączeniem KIBS. Do wskaźników wykorzystanych do oceny innowacyjności w sektorze przemysłu i usług zaliczono: – wydatki firm na działalność B + R (procent PKB), – udział wydatków na innowacje inne niż B + R (procent obrotów) – udział procentowy MŚP wprowadzających własne innowacje w ogólnej liczbie MŚP, – udział procentowy MŚP kooperujących w zakresie innowacji w ogólnej liczbie MŚP, – procent firm tworzonych i zamykanych w ogólnej liczbie MŚP, – innowatorów technologicznych (innowacje w obrębie produktu, usługi, procesu) – procent MŚP, – innowatorów nietechnologicznych (innowacje marketingowe, organizacyjne) – procent MŚP, – innowatorów w zakresie wydajności zasobów firmy (jako średnia z udziału firm innowacyjnych, w których innowacje znacznie obniżyły koszty pracy (procent firm) oraz udziału firm, w których innowacje znacznie zmniejszyły zużycie materiałów i energii (procent firm)), 94 2. Metody pomiaru innowacyjności udział sprzedaży nowych lub zmodernizowanych wyrobów dla rynku w sprzedaży przedsiębiorstw ogółem, – udział sprzedaży nowych lub zmodernizowanych wyrobów dla przedsiębiorstw w sprzedaży przedsiębiorstw ogółem; dodatkowo dla usług: – zatrudnienie w usługach opartych na wiedzy (procent siły roboczej), – udział eksportu usług wymagających specjalistycznej wiedzy w eksporcie usług ogółem; dodatkowo dla przemysłu: – zatrudnienie w przemyśle średniowysokiej i wysokiej technologii (procent siły roboczej), – eksport produkcji średniej i wysokiej technologii (procent całości eksportu). Ocena innowacyjności gospodarki kraju na arenie międzynarodowej, szczególnie w kontekście rosnącej konkurencyjności i globalizacji, stanowi ważne źródło informacji w zakresie pozycji, miejsca w grupie, odległości od lidera, analiz komparatystycznych, jak i mocnych stron, które należy wykorzystać, oraz słabych, które należy rozwijać i stymulować. – 2.2.4. Pomiar innowacyjności regionalnej Już kilkanaście lat temu M. Porter [2000a, b] zauważył, że nie da się zrozumieć rozwoju gospodarki amerykańskiej bez analizy tego, co dzieje się na poziomie gospodarek regionalnych. A jednymi z najistotniejszych czynników rozwoju są konkurencyjność i innowacyjność. To kategorie złożone z wielu cech, a ich pomiar, ocena poziomu i analiza dynamiki zmian nie są proste. Firmy, jednostki badawczo-rozwojowe, kapitał ludzki, inne zasoby i ich wzajemne powiązania to elementy umiejscowione na konkretnym terytorium, stanowiące o potencjale regionów. Układy gospodarcze funkcjonują w zmieniającym się otoczeniu, a w wyniku ciągłej ekspansji następuje wzrost ich złożoności i ujawnienie regionalnych zróżnicowań. Regiony, tak odmienne pod wieloma względami, różnią się również potencjałem innowacyjnym, co powoduje większą konkurencyjność i dynamiczny rozwój jednych, a stagnację lub recesję w innych. Badania regionalnej innowacyjności są coraz częściej przedmiotem analiz, ale podnoszone są też głosy [Szuster 2003], że uzyskane wyniki nie powinny być podstawą do budowy teoretycznych konstrukcji, a to ze względu na trudności z porównywalnością wyników. Poszukiwania systemu uniwersalnych mierników jednak trwają, a badania innowacyjności regionów i miast zyskują coraz większe grono badaczy. Jest szczególnie istotne, by działania innowacyjne funkcjonowały jako katalizator i narzędzie eksperymentalne w badaniach dotyczących przyszłego ukierunkowania strategii działań regionalnych, w obszarach o znaczeniu strategicznym dla najmniej rozwiniętych regionów Unii Europejskiej [Grossman, Helpman 1991]. Na- 2.2. Pomiar innowacyjności w dorobku Eurostatu 95 cisk kładziony jest na rozwój gospodarki regionalnej opartej na wiedzy i innowacje technologiczne, tożsamość regionalną oraz zrównoważony rozwój. W naukach regionalnych podkreśla się, że innowacja jest zlokalizowanym i osadzonym terytorialnie procesem. Region jest miejscem interakcji potrzebnych do zaistnienia procesów innowacji, inaczej mówiąc, innowacja jest procesem geograficznie zakorzenionym. Szczególną rolę w wyjaśnianiu terytorialnego kontekstu procesów innowacji odgrywają koncepcje środowiska innowacji, regionu uczącego się, regionalnego systemu innowacji oraz klastra innowacyjnego [Nowakowska 2010, 2011]. Jak zauważa J. Kozłowski [2010, s. 116], od połowy lat dziewięćdziesiątych ubiegłego wieku coraz szerzej rozwijany jest regionalny wymiar statystyki N + T + I [Johnson 1996; Podręcznik Frascati… 2009, s. 111]. Eurostat opracował odpowiedni podręcznik [The Regional Dimension… 1996], a OECD rozwija bazę danych (patentów w ujęciu regionalnym) [Maraut i in. 2008, s. 112]. UNU-MERIT (wspólny instytut ONZ i uniwersytetu w Maastricht) przygotował Regional Innovation Scoreboard12. Podejmuje się badanie firm innowacyjnych w regionach (zwłaszcza na podstawie CIS) [Mortensen 2007]. Analizy potencjału B + R i innowacji przeprowadza IPTS (Institute for Prospective Technological Studies) [Cuntz 2011], a dane o B + R w ujęciu regionalnym podaje baza Eurostatu New Cronos13. Rozwija się metodologię statystyki patentów regionów [Patent Statistics… 2009]. Wzorem ujęć regionalnych są dane i analizy publikowane przez Observatoire des Sciences et des Techniques w raportach Science et Technologie Indicateurs. W Polsce regionalny wymiar statystyki N + T + I rozwija się na potrzeby ewaluacji regionalnych strategii innowacji (por. też m.in. [Weresa (red.) 2007; Wójtowicz 2007]). Statystyka dostarcza danych do problematyki geografii B + R i innowacji, badanej dzięki użyciu różnych technik, m.in. analizy cytowań patentów oraz cytowań artykułów naukowych [Polenske (red.) 2007; Verspagen, Schoenmakers 2000; Keller 2001; Are ICT… 2009; Olechnicka, Płoszaj 2008]. Komisja Europejska uznaje podejście regionalne jako główny mechanizm wspierania innowacji, dlatego rozpoczęto realizację projektów, których celem było tworzenie strategicznego podejścia do innowacji. Zainicjowano opracowanie regionalnych strategii innowacji (Regional Innovation Strategy – RIS). Obecnie większość regionów UE takie strategie już ma, w tym wszystkie regiony polskie [Markowska 2005]. Tworzona przez kilka lat lista wskaźników służących do ustalania RRSII została po analizach zweryfikowana i skrócona z 52 wskaźników w 2002 r. do 26 w zestawieniu z 2004 r., przy czym 23 wskaźniki z listy wstępnej nadal korespondowały ze wskaźnikami z pierwszej listy, 18 wskaźników były to wskaźniki identyczne z tymi, które były proponowane w 2004 r., a osiem to wskaźniki nowe. Wskaźniki podzie12 13 Doc.Eurostat/F4/STI/CIS/2009/8. http://www.esds.ac.uk/international/support/user_guides/Eurostat/NewCronos.pdf. 96 2. Metody pomiaru innowacyjności lono na dwie części i pięć grup tematycznych. W pierwszej części (input) są to: czynniki stymulujące innowacje, kreowanie wiedzy, innowacje i przedsiębiorczość, w drugiej zaś (output) zastosowania oraz własność intelektualna. Pierwsza ocena innowacyjności w regionach nastąpiła w 2002 r., kolejna w 2003 r., a następna w 2006 r., w 2009 r. dokonano dalszych zmian w podejściach, a każde z nich opisano poniżej. European Innovation Scoreboard dla regionów – rok 2002 W 2002 r. w pracach Eurostatu zaproponowano [European Innovation Scoreboard 2002] pomiar regionalnej innowacyjności z wykorzystaniem indeksu RRSII (Revealed Regional Summary Innovation Index), którego konstrukcja zmierzała do uwzględnienia zarówno względnych, regionalnych osiągnięć innowacyjnych w stosunku do średniej unijnej, jak i względnych osiągnięć regionu w obrębie kraju. W tym celu zaproponowano dwa indeksy, z których wartość średnia jest uznawana jako RRSII [European Innovation Scoreboard 2002]. Po raz pierwszy w ramach prac European Trend Chart on Innovation [European Innovation Scoreboard 2002] w 2002 r. zaproponowano pomiar regionalnej innowacyjności z wykorzystaniem indeksu RRSII. Konstrukcja regionalnego sumarycznego wskaźnika innowacyjności uwzględniała zarówno względne regionalne osiągnięcia innowacyjne w odniesieniu do unijnej średniej (REUSII – Regional European Summary Innovation Index), jak i względne osiągnięcia regionu w danym kraju (RNSII – Regional National Summary Innovation Index). W tym celu zaproponowano dwa indeksy, z których wartość średnia jest uznawana jako RRSII – por. rys. 2.2. W konstrukcji RIS z 2002 r. stosowano najprostszą metodologię – dane nie były przekształcane czy też przeliczane w skali, a komponenty (krajowy i europejski) otrzymywały równą wagę. Zestaw wymienionych poniżej siedmiu zmiennych wskazanych do pomiaru innowacyjności na poziomie regionalnym był efektem konsensu między teorią [The Regions… 2000, 2001] a możliwościami statystyki publicznej, wynikał także bezpośrednio ze wskazań zawartych w programach badań statystycznych: 1) udział ludności z wykształceniem wyższym (jako procent ludności ogółem w wieku 25–64), 2) uczestniczący w kształceniu ustawicznym na 100 osób w wieku 25–64 lata, 3) zatrudnienie w przemyśle produkcyjnym wykorzystującym średnio i wysoko zaawansowane technologie (w % zatrudnionych ogółem), 4) zatrudnienie w usługach wykorzystujących zaawansowane technologie (w % zatrudnionych ogółem), 5) wydatki publiczne na badania i rozwój (B + R) jako procent PKB, 6) wydatki przedsiębiorstw na badania i rozwój jako procent PKB, 7) patenty wysokiej techniki zgłoszone w Europejskim Biurze Patentowym na milion ludności. 97 2.2. Pomiar innowacyjności w dorobku Eurostatu 2002 RRSII – Revealed Regional Summary Innovation Index przekształcenie danych brak przeskalowanie danych brak wagi wskaźników komponenty równe krajowy – Regional National Summary Innovation Index europejski – Regional European Summary Innovation Index  100  m xijk RNSII = jk  ∗∑  m  i x ik konstrukcja waga  100  m xij REUSII = jk  ∗∑  m  i EU i 1 2 1 2 RRSII jk = 1 RNSII jk + 1 REUSII jk 2 2 wskaźnik – konstrukcja liczba zmiennych 7 liczba badanych regionów 148 (UE 15) źródła danych Labour Force Survey, R&D statistics, Patent statistics gdzie: xijk – wartość i-tego wskaźnika dla j-tego regionu w k-tym kraju, xik – średnia wartość i-tego wskaźnika dla k-tego kraju, xij – wartość i-tego wskaźnika w j-tym regionie, EUi – średnia wartość i-tego wskaźnika dla UE, m – liczba wskaźników, dla których dostępne są dane regionalne. Rys. 2.2. RRSII 2002 – podstawowe informacje Źródło: [European Innovation Scoreboard 2002]. European Innovation Scoreboard dla regionów – rok 2003 W kolejnym roku prac nad wskaźnikami [Euroepan Innovation Scoreboard… 2003a, b] przyjęto, że RRSII to łączny (złożony) wskaźnik, według którego można zlokalizować lokalnych liderów, wziąwszy pod uwagę zarówno względne osiągnięcia regionalne w obrębie Unii Europejskiej, jak i względne osiągnięcia regionalne w skali kraju14. Oblicza się dwa indeksy, których uśredniona wartość wyznacza RRSII: – RNSII ustalany jako średnia wartość przeskalowanego wskaźnika, z wykorzystaniem wyłącznie danych regionalnych dla każdego, określonego kraju (gdzie wskaźniki otrzymują wagi): RNSII jk = ∑ i =1 xijkn , gdzie xijkn = m – xijk − min( xijk ) max( xijk ) − min( xijk ) ; (2.1) RSII – średnia wartość przeskalowengo wskaźnika, z wykorzystaniem danych dla wszystkich regionów, we wszystkich krajach (gdzie wskaźniki otrzymują wagi): RRSII został opracowany w celu wskazania „liderów lokalnych”. Regiony w krajach charakteryzujących się dużymi osiągnięciami zawsze będą prezentowały się lepiej w porównaniu z regionami z krajów o mniejszych osiągnięciach. 14 98 2. Metody pomiaru innowacyjności eu eu RSII jk = ∑ i =1 xijk , gdzie xijk = m xijk − min( xijk ) max( xijk ) − min( xijk ) (2.2) , gdzie: Xijk – wartość i-tego wskaźnika dla j-tego regionu w k-tym kraju, m – liczba wskaźników z ogólnej ich liczby n, dla których dostępne są dane regionalne. Wobec tego RRSII obliczany jest jako nieważona średnia znormalizowanych wartości dla RNSII i RSII (por. rys. 2.3). 2003 RRSII – Revealed Regional Summary Innovation Index przekształcenie danych brak przeskalowanie danych min 0,5 dla wskaźników CIS, 1 dla pozostałych wagi wskaźników komponenty konstrukcja krajowy – Regional National Summary Innovation Index RNSII jk = gdzie: xijkeu = waga wskaźnik – konstrukcja max europejski – Regional European Summary Innovation Index 1 m n ∑ xijk m i =1 REUSIIjk xijk − min ( xij ) max ( xij ) − min ( xij ) 1 2 gdzie: xijkeu = 13 liczba badanych regionów 173 (UE 15) źródła danych 1 m eu ∑ xijk m i =1 xijk − min ( xij ) max ( xij ) − min ( xij ) RRSII jk = 1 RNSII jk + 1 REUSII jk 2 2 liczba zmiennych = 1 2 Labour Force Survey, R&D statistics, Patent statistics, CIS 2 – 2nd Community Innovation Survey gdzie: Xijk – wartość i-tego wskaźnika dla j-tego regionu w k-tym kraju, Xij – wartość i-tego wskaźnika w j-tym regionie, m – liczba wskaźników, dla których dostępne są dane regionalne. Rys. 2.3. RRSII 2003 – podstawowe informacje Źródło: [European Innovation Scoreboard… 2003a, b]. W kolejnym roku prac nad wskaźnikami [European Innovation Scoreboard… 2003a, b] przyjęto, że RRSII to wskaźnik złożony, według którego można zlokalizować lokalnych liderów, wziąwszy pod uwagę zarówno względne osiągnięcia regionalne w obrębie Unii Europejskiej, jak i względne osiągnięcia regionalne w skali kraju. Obliczano dwa indeksy, których uśredniona wartość wyznacza RRSII: RNSII 2.2. Pomiar innowacyjności w dorobku Eurostatu 99 ustalany jako średnia wartość unormowanego wskaźnika, z wykorzystaniem wyłącznie danych regionalnych dla każdego, określonego kraju (wskaźniki otrzymują wagi) i RSII – średnia wartość unormowanego wskaźnika, z wykorzystaniem danych dla wszystkich regionów, we wszystkich krajach (wagi dla wskaźników). Identyfikowanie liderów lokalnych redukuje wpływ wskaźników, dla których kraj osiąga wyniki ponadprzeciętne. Wartości maksymalne, w odniesieniu do których kraj wykazuje duże osiągnięcia, wyraźnie powyżej średniej unijnej, są tym samym wyrównywane w dół, a wartości najwyższe wskaźników, w odniesieniu do których kraj wykazuje wyniki wyraźnie poniżej średniej Unii Europejskiej, są w ten sposób równane do góry. W rezultacie RRSII podniesie łączną wartość wskaźnika dla wyróżniających się regionów w krajach o słabszych osiągnięciach i tym samym możliwa będzie identyfikacja liderów lokalnych. W 2003 r. wprowadzono do RIS przeskalowanie wskaźników (por. rys. 2.4), a także dołączono do poprzedniej listy jeszcze jeden wskaźnik dotyczący patentów oraz pięć wskaźników z drugiego Community Innovation Surveys (CIS): 8) patenty zgłoszone w Europejskim Biurze Patentowym na milion ludności, 9) udział firm innowacyjnych (jako procent firm przemysłowych), 10) udział firm innowacyjnych (jako procent firm usługowych), 11) wydatki na innowacje (procent obrotu w przemyśle), 12) wydatki na innowacje (procent obrotu w usługach), 13) sprzedaż produktów nowych dla firmy, ale nie nowych na rynku (procent obrotu w przemyśle). European Innovation Scoreboard dla regionów – rok 2006 RIS z 2006 r. [Hollanders 2006a] stosował wskaźnik złożony – RRSII (w celu zidentyfikowania liderów lokalnych), biorąc pod uwagę zarówno relatywne funkcjonowanie regionu w obrębie Unii Europejskiej, jak i to samo kryterium w odniesieniu do danego kraju. W oparciu o metodologię wykorzystaną w RIS 2003 oblicza się dwa wskaźniki, z których średnia ważona wykorzystywana jest do ustalenia RRSII: średnia wartości zmiennych przeskalowanych w stosunku do średnich krajowych (RNSII) i średnia wartości zmiennych przeskalowanych w stosunku do średniej UE 25 (REUSII) – rys. 2.4. W procesie przekształcania stosuje się pierwiastkowanie w celu złagodzenia problemów wartości odstających oraz asymetrii rozkładów [Nardo i in. 2005]. Dla danych dotyczących kadry badawczej, publicznych instytucji naukowo-badawczych, firm typu B + R, zatrudnienia w sektorach wykorzystujących średnio i wysoko zaawansowane technologie zastosowano pierwiastkowanie (przy p równym 2 we wzorach). W przypadku kształcenia ustawicznego i patentów zarejestrowanych w Europejskim Urzędzie Patentowym (EPO) wykorzystano podwójne pierwiastkowanie (przy wykładniku p równym 4 w poniższych wzorach). Wówczas RRSII obliczany jest jako średnia ważona wartości przeskalowanych dla RNSII i REUSII. Zbiór wskaźników RNSII oraz REUSII może być wykorzystany do wyznaczenia wskaźnika agregatowego Revealed Regional Summary Innovation Index (RRSII). 100 2. Metody pomiaru innowacyjności 2006 RRSII – Revealed Regional Summary Innovation Index przekształcenie danych pierwiastkowanie pięciu i podwójne pierwiastkowanie dwóch wskaźników przeskalowanie danych min max wagi wskaźników komponenty równe krajowy – Regional National Summary Innovation Index RNSII jk = konstrukcja p n ijk x , waga  xijk   x ik europejski – Regional European Summary Innovation Index 1 m n ∑ xijk , gdzie: m i =1   xijk  − p min  ∀k  x   ik  xijk p max  ∀k  x  ik      xijk  − p min  ∀k  x   ik REUSII jk = p    eu xijk , p 1 m eu ∑ xijk , gdzie: m i =1  xijk   xijk    − p min   ∀k  X  x i , EU 25   i , EU 25   X ijk   x  max  − p min  ijk    ∀k  x ∀k  x i EU i EU , 25 , 25     1 4 3 4 + 1 RNSII jk + 3 REUSII jk RRSII jk = 4 4 wskaźnik – konstrukcja liczba zmiennych 7 liczba badanych regionów 208 (UE 25) źródła danych Labour Force Survey, R&D statistics, Patent statistics, gdzie: xijk – wartość i-tego wskaźnika dla j-tego regionu w k-tym kraju, xik – średnia wartość i-tego wskaźnika dla k-tego kraju, x i , EU 25 – średnia wartość i-tego wskaźnika dla EU 25, m – liczba wskaźników, dla których dostępne są dane regionalne, p – stopień pierwiastka korygującego wskaźnik i. Rys. 2.4. RRSII 2006 – podstawowe informacje Źródło: [Hollanders 2006a]. W tym celu dokonuje się normalizacji obu wskaźników według następujących formuł: ���������� = RNSII �RNSII�� − min (RNSII�� ) � ∀k � max (RNSII�� ) − min (RNSII�� ) � ∀k ∀k , 101 2.2. Pomiar innowacyjności w dorobku Eurostatu ��������� REUSII�� = �REUSII�� − min (REUSII�� ) � ∀k � max (REUSII�� ) − min (REUSII�� ) � ∀k . ∀k Podobnie jak w 2003 r. identyfikowanie liderów lokalnych redukuje wpływ tych wskaźników, w odniesieniu do których dany kraj ma ponadprzeciętne wartości. Wysokie wartości zmiennych, dla których dany kraj plasuje się wyraźnie ponad średnią unijną, są korygowane w dół, a maksymalne wartości w tych wskaźnikach, w których kraj jest słaby, są korygowane w górę. Tym samym RRSII zawyża wartość wskaźnika złożonego w przypadku regionów będących liderami w państwach plasujących się nisko w rankingu, ale dzięki temu lokalni liderzy będą bardziej widoczni. RIS z 2006 r. wykorzystuje zasadę przypisywania mniejszej wagi komponentowi krajowemu, która wynosi tylko ¼. Kolejną zmianą jest podział według średniej krajowej średniej EU 25 w obliczaniu komponentu krajowego w stosunku do europejskiego. Na liście zmiennych charakteryzujących innowacyjność regionalną nie umieszczono danych z CIS. Wynika to z opóźnień w zbieraniu i publikowaniu tych danych, a także rozszerzenia UE i niesatysfakcjonującego pokrycia badaniem obszaru nowych krajów. W zestawie znajdowały się następujące cechy: 1) kapitał ludzki w nauce i technologii – liczba osób, które ukończyły wyższą uczelnię na wydziale naukowo-technicznym i pracujących w zawodzie na 1000 ludności, 2) uczestniczący w kształceniu ustawicznym na 100 osób w wieku 25–64 lata, 3) zatrudnienie w przemyśle produkcyjnym wykorzystującym średnio i wysoko zaawansowane technologie (w procentach zatrudnionych ogółem), 4) zatrudnienie w usługach wykorzystujących zaawansowane technologie (w procentach zatrudnionych ogółem), 5) wydatki publiczne na badania i rozwój (B + R) jako procent PKB, 6) wydatki przedsiębiorstw na badania i rozwój jako procent PKB, 7) patenty zgłoszone w EPO na milion ludności. Opisane zmiany w metodologii ustalania poziomu innowacyjności w regionach UE nasuwają kilka uwag. Konieczne są dalsze badania mające na celu udoskonalenie przyszłej metodologii RIS, które powinny skupić się na następujących problemach badawczych: 1) lepszej dostępności danych, która pozwoli powielić wymiary innowacji wyrażone w EIS, 2) obliczeniu wskaźnika złożonego dla każdego wymiaru innowacji, 3) ważeniu wskaźników (bezpośrednio lub pośrednio poprzez wykorzystanie wskaźników złożonych dla każdego wymiaru innowacji), 4) przekształceniach danych, gdy rozkład jest asymetryczny (problem transformacji), 102 2. Metody pomiaru innowacyjności 5) technikach normalizacyjnych, 6) odrębnej analizie wyników porządkowania regionów ze względu na ich miejsce w europejskiej przestrzeni regionalnej (REUSII) i ze względu na ich ważone miejsce w kraju (RNSII) oraz w Europie razem (RRSII), 7) mniejszym nacisku na wynik wskaźnika złożonego (RRSII) i przesunięciu uwagi na ewaluację grup regionów i przesunięcia w czasie regionów pomiędzy grupami. European Innovation Scoreboard dla regionów – rok 2009 Utrudnienia w stosowaniu CIS i niektórych innych wskaźników na poziomie regionalnym wynikają m.in. z tego, że istnieje ograniczona ilość dostępnych danych CIS dla szczebla NUTS 2, a kluczowe problemy są następujące [Arundel 2007; Cherchye i in. 2004; Colecchia 2007; Final Issues… 2007; Frietsch 2005; Grupp 2006; Grupp, Mogee 2004; Rammer 2005; Sajeva i in. 2005; Schibany i in. 2007; Schibany, Streicher 2008]. I. Niewłaściwa sprawozdawczość działań regionalnych w CIS w odniesieniu do przedsiębiorstw posiadających wiele oddziałów/przedstawicielstw. W przypadku większości krajów członkowskich próba na potrzeby przeglądu jest określana na poziomie przedsiębiorstwa, a nie według miejsca pracy lub danego oddziału przedsiębiorstwa. Porównanie regionalnych osiągnięć innowacyjnych może skutkować przypisaniem wszystkich działań innowacyjnych danego przedsiębiorstwa do regionu, gdzie znajduje się siedziba główna przedsiębiorstwa, podczas gdy znaczna część działań innowacyjnych mogłaby być faktycznie realizowana w innych regionach. W ramach przyjętego częściowego rozwiązania wszystkie wskaźniki CIS odnoszą się wyłącznie do średnich i małych przedsiębiorstw. W wypadku MŚP problem przedsiębiorstwo/miejsce pracy jest zminimalizowany, choć nie całkowicie rozwiązany. II. Brak warstwy regionalnej w projekcie próby CIS. W celu dostosowania danych z CIS do potrzeb analiz RIS próba odnosząca się do przedsiębiorstw na poziomie regionalnym powinna odzwierciedlać rozmiar i sektorową strukturę przedsiębiorstw w regionie, a nie wszystkie państwa członkowskie wzięły pod uwagę NUTS 1 lub NUTS 2 w doborze próby ankietowej, a tym samym nie mogą przedstawić rzetelnych i reprezentatywnych danych regionalnych. Jako rozwiązanie częściowe przyjęto minimalny rozmiar próby regionalnej (mniejsze regiony zostały połączone z regionami sąsiadującymi), co w sposób oczywisty fałszuje rzeczywistość. III. Mała próba firm badanych w ramach CIS. W niektórych krajach członkowskich rozmiar próby ankietowanych w CIS jest zbyt mały, by umożliwić jakiekolwiek dalsze, rzetelne podziały na poziomie regionalnym. Regional Innovation Scoreboard łączy dane pozyskane z CIS z innymi danymi w celu analizy wyników regionalnych działań innowacyjnych w całej Unii Europejskiej oraz w Norwegii. To stwarza dodatkowe ograniczenia odnoszące się do regionalnych danych CIS. 2.2. Pomiar innowacyjności w dorobku Eurostatu 103 IV. Zbyt duża reprezentacja wskaźników CIS na poziomie regionalnym w RIS, na którym dane CIS odpowiadają za 50% wskaźników (8 z 16), niemalże dwa razy tyle, ile na poziomie krajowym. Taka nadreprezentacja może skutkować brakiem rzetelności danych i faworyzowaniem niektórych regionów. Jako rozwiązanie zaproponowano wagi dla wskaźników CIS w benchmarkingu regionalnym adekwatnie do wagi wskaźników CIS w EIS. V. Braki danych. W przypadku bardzo wielu regionów nie są dostępne dane dla proponowanych wskaźników, a reprezentatywne porównania wyników innowacyjnych w regionach, z wykorzystaniem wskaźników złożonych, wymagają dysponowania 100-procentowym zestawem danych, podczas gdy przeciętna, regionalna dostępność danych z CIS dla regionów w RIS wynosi 77%. Brakujące dane zostały szacunkowo uzupełnione z użyciem metod statystycznych, co może powodować m.in. niedoszacowanie, przeszacowanie i inne błędy. I tak łącznie w RIS 2009 brakowało 1377 wartości z ogólnej liczby 6032 danych, co oznacza, że we wstępnej macierzy danych 28,8% komórek było pustych. Procedurę imputacji zrealizowano z wykorzystaniem m.in. regresji liniowej, korelacji, uśredniania, ustalania relacji z wykorzystaniem mediany i procedur hierarchicznych (brak nie tylko danych regionalnych, lecz także tych na poziomie krajowym wymagał, w związku z tym, że wszystkie wartości dla EU 27 były dostępne, ich wykorzystania). Metodologię wykorzystaną do celów ustalenia Regional Innovation Scoreboard 2009 można w skrócie przedstawić następująco [Hollanders i in. 2009a, b]. I. Jako wskaźniki wybrane do oceny innowacyjności regionalnej (201 regionów UE 27 i norweskich) w ramach prac zespołu skupionego wokół Pro Inno Europe InnoMetrics [Hollanders, Tarantola, Loschky 2009a, 2009b] wskazano: 1) w grupie motory innowacyjności (4 wskaźniki): – zasoby ludzkie: 1.1) odsetek ludności z wykształceniem wyższym w grupie wiekowej 25–64 lata, 1.2) udział w kształceniu ustawicznym na 100 osób w wieku 25–64 lata, – finansowanie i wsparcie dla innowacyjności: 1.3) udział wydatków publicznych na B + R w PKB (w %), 1.4) szerokopasmowy dostęp do Internetu (jako procent gospodarstw domowych ogółem), 2) w grupie działalność przedsiębiorstw (5 wskaźników): – inwestycje: 2.1) udział wydatków przedsiębiorstw na B + R w PKB (w %), 2.2) udział wydatków firm na innowacje inne niż B + R w wydatkach ogółem, – powiązania zewnętrzne i przedsiębiorczość: 2.3) udział MŚP wprowadzających własne innowacje w ogólnej liczbie MŚP, 104 2. Metody pomiaru innowacyjności 2.4) udział MŚP kooperujących w zakresie innowacji w ogólnej liczbie MŚP, – efekty pośrednie: 2.5) liczba patentów udzielonych przez EPO na milion mieszkańców, 3) w grupie efekty działalności przedsiębiorstw (7 wskaźników): – innowatorzy: 3.1) innowatorzy technologiczni (innowacje w obrębie produktu, usługi, procesu) jako procent ogółu MŚP, 3.2) innowatorzy nietechnologiczni (innowacje marketingowe, organizacyjne) jako procent ogółu MŚP, 3.3) innowatorzy z zakresie wydajności zasobów firmy (średnia z dwóch wskaźników): 3.3.1) liczba firm innowacyjnych, z odpowiedzią, że ich produkt lub proces innowacji miał bardzo istotny wpływ na obniżenie kosztów pracy na jednostkę produkcji jako procent wszystkich przedsiębiorstw, 3.3.2) liczba firm innowacyjnych, z odpowiedzią, że ich produkt lub proces innowacji miał bardzo ważny wpływ na zmniejszenie zużycia materiałów i energii na jednostkę produkcji jako procent wszystkich przedsiębiorstw, – gospodarcze efekty innowacji – wyniki: 3.4) udział zatrudnionych w sektorach przemysłu średniowysokiej i wysokiej techniki w liczbie osób zatrudnionych w przemyśle i usługach, 3.5) udział zatrudnionych w usługach wymagających specjalistycznej wiedzy jako procent siły roboczej, 3.6) udział sprzedaży wyrobów nowych lub zmodernizowanych (dla rynku) w sprzedaży ogółem, 3.7) udział sprzedaży wyrobów nowych lub zmodernizowanych (dla przedsiębiorstw) w sprzedaży ogółem. II. Obliczenie wskaźników złożonych, które w ramach RIS zostały ustalone jako średnia ważona wyników dla każdego bloku tematycznego tj.: – motory innowacyjności (Blok I (BI)): średnia arytmetyczna znormalizowanych wyników dla czterech wskaźników: edukacja w instytucjach szkolnictwa wyższego, kształcenie ustawiczne, publiczne wydatki na badania i rozwój oraz dostęp do szerokopasmowego Internetu, – aktywność firm (Blok II (BII)): 8/11* średniej znormalizowanych wyników dla wskaźników: wydatki na B + R w firmach i patenty EPO + 3/11* średniej znormalizowanych wyników dla wydatków innowacji niebędących rezultatem działalności naukowo-badawczej, MŚP prowadzących wewnętrzną działalności innowacyjną oraz innowacyjnych firm współpracujących z innymi (gdzie wagi 8/11 i 3/11 reprezentują udział wskaźników nie odnoszących się i odnoszących się do CIS zawartych w indeksie EIS 2009), 2.2. Pomiar innowacyjności w dorobku Eurostatu 105 wyniki (output) (Blok III (BIII)): 4/9* średniej znormalizowanych wyników dla zatrudnienia w wysoko i średnio zaawansowanej technicznie produkcji przemysłowej oraz wskaźnika zatrudnienia w usługach opartych na wiedzy + 5/9* średniej znormalizowanych wyników przekształceń dla innowacyjnego produktu i/lub procesu, innowacyjnego marketingu i/lub innowacji organizacyjnych, innowacji w zakresie efektywności wykorzystania zasobów, sprzedaży produktu nowego na rynku i sprzedaży produktu nowego dla firmy (wagi 4/9 i 5/9 reprezentują odpowiednio udział wskaźników nieodnoszących się i odnoszących się do CIS zawartych w EIS 2009). III. Zaproponowano następujący sposób budowy wskaźnika innowacyjności regionalnej: Regional Innovation Index (RII) = 9/29* BI + 11/29* BII + 9/29* BIII, gdzie wagi reprezentują udział wskaźników uzyskanych w obrębie poszczególnych bloków tematycznych w ogólnej liczbie 29 wskaźników wykorzystanych w EIS 2009, a wybór wagi wynika z procentowego udziału każdego wskaźnika w indeksie złożonym RIS. Większość wskaźników to wartości w przedziale od 0 do 100%. Niektóre wskaźniki nie mają wartości granicznych progu górnego i mogą charakteryzować się skośnym rozkładem (gdzie dla większości regionów odnotowano niskie poziomy wskaźników, a dla kilku regionów zarejestrowano wyjątkowo wysoki ich poziom). Dla wszystkich wskaźników dane przekształcono, stosując potęgowanie, z wykorzystaniem różnych wykładników potęgi p w zależności od tego, w jakim stopniu skośność surowych danych przekracza 0,5 i dobranych tak, że skośność przekształconych danych wyniesie poniżej 0,5. Dane znormalizowano korzystając z procedury unitaryzacji zerowanej, co powoduje, że otrzymano wartości z przedziału [0, 1]. Źródła danych stanowiły zasoby i bazy: Labour Force Survey, R&D statistics, Patent statistics, Eurostat (CIS). Dane dla oszacowań regionalnych w Raporcie za 2009 r. [Hollanders i in. 2009b] pochodziły: – z 2006 r. dla 13 wskaźników (1.1, 1.2, 1.4, 2.2, 2.3, 2.4, 3.1, 3.2, 3.3, 3.4, 3.5, 3.6, 3.7), – z 2005 r. dla 2 wskaźników (1.3, 2.1), – z 2003 r. dla jednego (dotyczącego patentów) (2.5). Jednocześnie w raporcie metodologicznym dotyczącym RIS 2009 [Hollanders i in. 2009a] wskazano, iż w konstrukcji RIS występuje nadreprezentacja wskaźników CIS, co może spowodować obciążenia i nieprawidłowości, których źródłem jest duża ilość danych CIS w regionalnym benchmarkingu, w porównaniu do benchmarkingu krajowego. W EIS 2009 wykorzystano 29 wskaźników, z których 8 zastosowano dla danych CIS (tj. 28% wszystkich wskaźników). RIS wykorzystuje 16 wskaźników, z których 8 znalazło zastosowanie w CIS (tj. 50% wszystkich wskaźników).Wybór wskaźników do celów EIS 2009 był podyktowany potrzebą zachowania równowagi pomiędzy różnymi rodzajami wskaźników, które służą do pomiaru odmiennych aspektów innowacji. Aby zachować podobną równowagę różnych aspektów innowacji w Regional Innovation Scoreboard należałoby raczej dostosować wagi wskaź– 106 2. Metody pomiaru innowacyjności ników CIS w następujący sposób: 21/29* średnich, znormalizowanych wskaźników niewłączonych do CIS + 8/29* średnich, znormalizowanych wskaźników włączonych do CIS – do celów estymacji całkowitych wyników innowacji zaleca się dostosowanie wagi wskaźników CIS w benchmarkingu regionalnym zgodnie z wagami wskaźników CIS. Dla grupy regionów i wskaźników brakowało znacznej liczby danych (w szczególności dla regionów Niemiec, Irlandii, Niderlandów i Szwecji, dla których brak m.in. dostępnych danych regionalnych CIS). Do celów analizy przedstawionej w raporcie RIS możliwe były dwie opcje: – wyłączyć wszystkie regiony, dla których brak zbyt dużej liczby danych (m.in. wszystkie regiony z Niemiec, Irlandii, Niderlandów i Szwecji), – przypisać brakujące dane w oparciu o statystyczną imputację tych brakujących danych korzystając z danych dostępnych. Jednak wybór opcji pierwszej wpływa na istotną redukcję wartości RIS, gdyż nie wszystkie regiony europejskie będą tu odzwierciedlone, łącznie z regionami pochodzącymi z czterech bardziej aktywnych innowacyjnie krajów. Dlatego też wybrano opcję drugą. Wartości uzyskane wskutek szacowania obarczone są błędami, co często nie jest brane pod uwagę (w wielu opracowaniach podaje się uszeregowania ze względu na wartość poszczególnych wskaźników dla regionów). Wskazane jest w tym przypadku ustalanie raczej przedziałów w klasyfikacji zamiast uszeregowania. Wykorzystanie danych CIS, choć uzupełnia wskaźniki innowacyjności regionów i umożliwia uzyskanie szerszego obrazu wyników innowacji, sprzyja sytuacji, w której regiony o gorszych wynikach, mierzonych wskaźnikami spoza CIS (w większości są to wskaźniki oparte na technologiach, takie jak B + R czy patenty), mają tendencje do wypadania lepiej w rankingu, gdy włączone są wskaźniki oparte na CIS. Ograniczenia danych regionalnych CIS wraz z niedostępnością innych danych na poziomie regionalnym oznaczają, że do tak przygotowanych wyników Regional Innovation Scoreboard należy podchodzić z dużą ostrożnością. Tak często zmieniające się zestawy wskaźników, zasilających je baz danych oraz ujęcia metodologiczne pomiaru i zbiory regionow ocenianych w danym badaniu nie sprzyjają analizom dynamicznym i ocenom porównawczym, nie mogą być także dobrym wzorcem dla chcących je wykorzystać badaczy. 2.3. Tablica wyników w zakresie innowacyjności i inne podejścia amerykańskie M.E. Porter oraz S. Stern w początkowych badaniach wskazali trzy obszary oceny innowacyjności: infrastrukturę innowacji, uwarunkowania funkcjonowania klastrów oraz powiązania między nimi, a jako mierniki m.in.: personel w B + R, nakłady na B + R, udział nakładów na B + R finansowanych przez sektor prywatny (przemysł), 2.3. Tablica wyników w zakresie innowacyjności 107 udział nakładów na B + R realizowanych przez sektor szkół wyższych, wydatki na szkolnictwo wyższe, ochronę własności intelektualnej, otwartość na międzynarodową konkurencję, PKB per capita [Porter, Stern 1999]. Do ustalenia czynników innowacji wykorzystano analizy regresji szeregów przekrojowo-czasowych, co pozwoliło ocenić wagi związane z wpływem każdego z nich. Analizy prowadzono w oparciu o bazy danych OECD na poziomie krajów, oceniano pozycje USA i innych gospodarek, budowano scenariusze i prognozy, pomocne w prowadzeniu polityki i planowaniu. W amerykańskich badaniach i analizach dostrzeżono również możliwości pomiaru innowacyjności regionalnej. Realizowany jest m.in. projekt Tri-Cities [Tri-Cities Innovation… 2004], a jedno z ujęć – projekt Regional Innovation Index™15 opracowany wspólnie przez pracowników takich instytucji, jak Akademia Nauk, uniwersytety, Izba Reprezentantów, banki pomysłów, organizacje naukowo-badawcze, firmy oraz we współpracy ze Wspólnotą Europejską, nawiązuje do opisanego wcześniej podejścia opartego na input-output stosowanego przez Eurostat. Indeks Innowacji w oparciu o budowaną tablicę wyników w zakresie innowacyjności (w przykładzie dla stanu Missisipi) ma na celu zaprezentowanie priorytetów innowacji w całym stanie oraz prześledzenie wyników rocznych w kluczowych obszarach, w odniesieniu do założonego celu oraz wstępnego poziomu bazowego. Taki format został przyjęty na podstawie prac G.H. Felixa i J.L. Riggsa [1983], realizowanych w celu ustalenia metod pomiaru produktywności korporacji. Wskaźniki określają ilościowo pożądany wynik w następujących takich dziedzinach, jak: tworzenie dóbr, zdolności badawcze stanu, B + R na uniwersytetach, B + R w biznesie, rozwój firm wysokiej technologii, produktywność w przemyśle, rozwój siły roboczej w firmach high-tech, kapitał inwestycyjny. Wskazane cele zostały wybrane dla podsumowania etapów cyklu życia technologii oraz dostarczenia informacji na temat wyników sygnalizujących rozwój. Wskaźnik Innowacji Stanu Missisipi ustalony po raz pierwszy w 2003 r. stanowił początek procesu corocznego pomiaru, dostarczając informacji o tym, na ile dobrze stan, jako całość, funkcjonuje w kluczowych obszarach gospodarki. Pomiarowi, monitorowaniu i promowaniu innowacji w cyklu życia technologii poddaje się osiem wymienionych obszarów. Cele kluczowe stanowią punkt odniesienia do podwyższania progów dla efektów działań związanych z innowacjami w gospodarce. Cele indywidualne podlegają stałym interakcjom. Fluktuacje w jednym obszarze wpływają na poziom działań w innym. Przykładowo zainwestowanie kapitału wysokiego ryzyka może okazać się niezbędnym warunkiem przeniesienia uniwersyteckiego działu naukowo-badawczego na płaszczyznę rynkową, zaś firmy stosujące wysokie technologie umożliwiają kariery zawodowe, przyciągają naukowców i inżynierów, włączając ich w szeregi pracowników. Dotychczas wykonano niewiele badań w celu zbadania zależności przyczynowo-skutkowych w tym zakresie. 15 http://www.innovationecolegies.com/summary_report1.htm. 108 2. Metody pomiaru innowacyjności Jednakże związki takie są do przewidzenia w oparciu o teorie ekonomiczne, doświadczenie zaś potwierdza, że regiony prowadzące działania na tym polu stanowią obszary, na których gospodarka rozwija się dynamicznie. Po wskazaniu rzetelnego i spójnego źródła danych zbierane są aktualne informacje statystyczne, których wielkości (uśrednione z ostatnich trzech lat) są wykorzystywane do określenia wartości bazowej. Ustalone cele stanowią wytyczne do stymulowania działań ukierunkowanych na innowacje w gospodarce. Rokrocznie wyniki (w formie punktów przyznanych za osiągnięcie danego poziomu – celu w zakresie określonej dziedziny) mnożone są przez przypisaną dziedzinom wagę, wskazując tym samym na dziedziny priorytetowe. Wyniki są sumowane w celu utworzenia indeksu innowacji w analizowanym roku. Pierwszych siedem kolumn tablicy wyników innowacyjności zawiera, zestawione w porządku rosnącym od dołu do góry, wskaźniki dla każdej z analizowanych dziedzin. Ostatnia kolumna zawiera kolejne poziomy celów możliwe do osiągnięcia, przy czym poziom trzeci jest jednocześnie wzorcem. Najwyższy, docelowy poziom, to poziom 10. Za osiągnięcie danego poziomu przyznawane są punkty stanowiące podstawę do mnożenia przez wagi. Pierwszy wiersz z danymi stanowi punkt odniesienia do ustalenia poziomu wskaźnika, bowiem jego składowe są odnoszone do odpowiadających im kolumn, gdzie szukane są najbliższe im wartości (zacienione pola). Daje to możliwość ustalenia obecnego poziomu realizacji celu. Osiągnięty poziom realizacji celu (odpowiadające mu punkty) stanowi jednocześnie element składowy do wymnożenia przez wagę dla danej dziedziny. Wyższe wagi przypisano następującym dziedzinom: tworzenie dóbr, B + R na uniwersytetach, produktywność w przemyśle i rozwój siły roboczej w firmach high-tech. Zsumowane wyniki budują indeks. Stan bazowy – graniczny (realizacja celów na trzecim poziomie) to 300 punktów, a przy ustalonych wagach realizacja wszystkich celów na najwyższym poziomie daje indeks równy 1000.W tabeli oznaczono także poziom, jaki notowano dla stanu Missisipi (wartości w ramkach). W 2008 r. dla indeksu innowacji dla stanu Missisipi wystąpiły znaczne wzrosty poziomu składowych indeksu w dwóch dziedzinach innowacji (B + R na uniwersytetach, produktywność przemysłu), poziom realizacji celu pozostał taki sam dla tworzenia dóbr i zdolności badawczych i choć w pozostałych czterech dziedzinach wskaźniki obniżyły się, w relacji do poprzedniej oceny, to i tak indeks innowacji wyniósł 460 punktów (tab. 2.4). W ramach prac zespołu Michigan Department of Labor & Economics Growth, Bureau of Labor Market Information and Strategic Initiatives [Innovation Indicators. Report… 2007] opracowano wytyczne, które powinny spełniać wskaźniki, aby mogły stanowić dobry miernik innowacyjności dla stanów: – umożliwiają pomiar zdolności do innowacji technologicznej i struktury siły roboczej dla poszczególnych stanów, – regularnie publikowane informacje (przynajmniej raz do roku dla wszystkich stanów), – informacje publikowane przez wiarygodne źródło ze spójną metodologią. 109 2.3. Tablica wyników w zakresie innowacyjności Wynik Waga Wartość Indeks 2 1 0 Poziom bazowy 3 10 9 8 7 6 5 4 Cele Wyniki 2008 Punkty 1 10 10 460 0,20 0,10 0,00 0,31 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,07 Kapitał podwyższonego ryzyka zainwestowany w stanie $ Produkt Stanowy Brutto w $1000 8. Kapitał inwestycyjny 0 15 0 0,277 0,274 0,271 0,280 0,300 0,299 0,294 0,291 0,288 0,286 0,283 0,27 Naukowcy i inżynierowie wśród siły roboczej % Siła robocza w stanie ogółem 10 15 150 74,746 73,589 72,432 75,903 $ Wartość dodana w produkcji 129,323 Zatrudnienie w produkcji 84,002 82,545 81,688 80,531 79,374 78,212 77,060 7. Rozwój siły roboczej w high-tech 4. B + R w biznesie 10 15 150 0,81 0,60 0,39 1,02 2,50 2,28 2,07 1,86 1,65 1,44 1,23 $ Honoraria za patenty na uniwersytetach 5,70 Wydatki na badania i rozwój w $1000 3. B + R na uniwersytetach $ 9,10 17,00 15,43 13,86 12,29 10,72 9,15 7,58 6,01 4,44 2,87 1,30 5 10 50 7,90 7,32 6,75 6,18 5,61 5,04 4,47 3,90 3,33 2,76 2,19 3 15 60 Wydatki na B + R 4,3 Produkt Stanowy Brutto w $1000 2. Zdolności badawcze stanu Zatrudnienie ogółem Zatrudnienie w high-tech 1. Tworzenie dóbr Źródło: opracowanie własne na podstawie http://www.innovationindex.ms/. 0 10 0 4 10 40 21,6 20,2 18,8 0,130 0,006 0,000 33,0 31,4 30,0 28,6 27,2 25,8 24,4 23,0 0,020 $ Nagrody SBIRa 0,03 Produkt Stanowy Brutto w $1000 0,10 0,080 0,070 0,060 0,050 0,040 0,030 5. Rozwój firm wysokiej technologii Wyniki dla celów 1–10 % Powstawanie i zamykanie firm high-tech 14,0 Nowo powstałe firmy technologiczne % Tabela 2.4. Tablica wyników innowacyjności – indeksu innowacji Missisipi 2008 6. Produktywność przemysłu 110 2. Metody pomiaru innowacyjności W opinii badaczy warunki te najlepiej spełniały następujące mierniki: procent pracujących z wyższym wykształceniem, procent naukowców i inżynierów w sile roboczej ogółem, liczba przyznanych patentów w przeliczeniu na mieszkańca, wartość nakładów inwestycyjnych na prace B + R w sektorze przemysłu jako procent PKB, – kapitał wysokiego ryzyka w USD/tys. mieszkańców. Jest to dość skromna lista, jednak w opinii proponujących umożliwiająca analizy porówawcze. Podejście ujmujące elementy wejścia (zasoby), zachodzące w gospodarce procesy innowacyjne, w tym m.in. generowanie pomysłów, komercjalizacja technologii, przedsiębiorczość i w ich konsekwencji efekty (wyniki) wykorzystywane jest w ocenie innowacyjności stanu Massachusetts. Zestaw wskaźników stanowi wielokrotnie zmieniana lista, która ewoluowała od 1997 r., kiedy to w John Adams Innovation Institute w ramach prac Massachusetts Technology Collaborative stworzono podstawy opracowania Index of the Massachusetts Innovation Economy [Index… 1997]. W roku 1997 były to 33 złożone wskaźniki, w latach 1998–2002 [Index… 1998, 1999, 2000, 2001, 2002] na liście było 30 grup wskaźników, podczas gdy w 2003 r. [Executive Index… 2003] skrócono ją do 15 wskaźników wielowymiarowych. Kolejne lata przynosiły stopniowy wzrost liczby grup wskaźników z 17 w roku 2004 [Index… 2004], poprzez 20 w latach 2005–2008 [Index… 2005, 2007, 2008; 10 years 2006], aż do listy 25 wskaźników z roku 2009 [Index… 2009]. Zaproponowane grupy wskaźników to ilościowe odzwierciedlenie skuteczności funkcjonowania danego stanu oceniane poprzez wartość Indeksu w grupie LTS (Leading Technology States – stany wiodące technologicznie). Dla zaproponowanych mierników zastosowano podobnie jak w omawianym wyżej ujęciu rygorystyczne kryteria, tj. wskaźniki: pochodzą z obiektywnych i rzetelnych źródeł danych, nadają się do ustawicznego pomiaru statystycznego, odzwierciedlają fundamenty aktywności gospodarczej, są zrozumiałe i akceptowane przez społeczeństwo. Istotny element prowadzonych badań stanowi analiza porównawcza, szczególnie w kontekście LTS. Ocena gospodarki stanu Massachusetts pod kątem innowacyjności polega, zwłaszcza w ujęciu dynamicznym, na ustawicznej ewaluacji zarówno mocnych stron, jak i odporności na innowacje. Stąd konstrukcja wzorca, który zapewnia istotny kontekst dla zrozumienia wyników stanu w tym obszarze. Możliwe staje się porównywanie także z innymi stanami wiodącymi technologicznie oraz ze średnią dla wszystkich stanów lub z miarą agregatową pozostałych dziewięciu LTS, które stanowią: Kalifornia, Connecticut, Illinois, Minnesota, New Jersey, Nowy Jork, Północna Karolina, Pensylwania i Wirginia. Poziom innowacyjności gospodarki stanu Massachusetts w 2009 r. analizowano w oparciu o 25 wskaźników zebranych w kategorie i bloki tematyczne. Zestawienie umożliwia zapoznanie się z kierunkiem procesów i przeobrażeń zachodzących w relacji do poprzedniego roku (▲ wzrost, ▼ spadek). Prezentowane w sprawozdaniu – – – – 2.3. Tablica wyników w zakresie innowacyjności 111 [Index… 2009] zestawienie ilustruje również wyniki w odniesieniu do rezultatów osiągniętych przez pozostałe LTS. Przedstawione w zestawieniu wyniki dla stanu Massachusetts oceniane są także w relacji do wyników średnich dla całych Stanów Zjednoczonych (wszystkich porównań dokonano per capita, chyba że operowano wskaźnikami). Wskazano, że choć Massachusetts osiąga jedne z najlepszych w USA wyników w zakresie danego wskaźnika LTS, to w skali badanego roku dane charakteryzują się tendencją spadkową. Poniżej przedstawiono wskaźniki wykorzystywane do oceny poziomu innowacyjności gospodarki stanu Massachusetts. I. Wpływ gospodarczy 1. Zatrudnienie i uposażenia w przemyśle: ▲ procent zatrudnionych w kluczowych klastrach, ▲ wysokość średniej pensji w klastrze. 2. Zawody i pensje: ▲ procent zatrudnionych w sektorach nauk przyrodniczych i społecznych, ▲ procent zatrudnionych w sektorze technologii informacyjnej, ▲ procent zatrudnionych w sektorze edukacji, ▲ procent zatrudnionych fachowców i ekspertów z danej profesji oraz personelu technicznego. 3. Dochód gospodarstwa domowego: ▼ mediana dochodu gospodarstwa domowego, ▼ pensje pracowników fizycznych i umysłowych z podziałem na pracownika. 4. Produktywność: ▲ PKB na pracownika, ▲ wartość dodana na pracownika zatrudnionego w sektorze produkcyjnym. 5. Sprzedaż korporacyjna i wartość dodana w produkcji: ▲ sprzedaż korporacyjna, ▲ wartość dodana w produkcji. 6. Produkcja eksportowa: ▲ produkcja eksportowa jako procent PKB. II. Działania innowacyjne IIA. Badania naukowe 7. Wyniki w zakresie badań naukowych i rozwoju: ▲ działalność badawczo-rozwojowa zrealizowana w szpitalach, na uniwersytetach i przez organizacje typu non-profit, ▲ intensywność działalności badawczo-rozwojowej w prywatnym sektorze przemysłowym. 8. Wydatki korporacyjne na badania i rozwój, działalność handlowa firm prywatnych: ▲ intensywność korporacyjnych działań badawczo-rozwojowych. 9. Liczba opublikowanych artykułów naukowych: ▲ liczba opublikowanych artykułów naukowych. 10. Patenty: ▲ liczba patentów. IIB. Rozwój technologii 11. Uniwersyteckie licencje technologiczne: ▲licencje i opcje zrealizowane przez szpitale, uniwersytety i organizacje typu non-profit. 12. Nagrody dla małych firm za badania naukowe w zakresie innowacji: ▲ liczba nagród. 13. Urządzenia medyczne i produkty farmaceutyczne zatwierdzone przez instytucje regulacyjne: ▼ urządzenia medyczne zgłoszone przed ich wprowadzeniem na rynek, ▲ urządzenia medyczne zatwierdzone do użycia przed ich wprowadzeniem na rynek, ▲ produkty farmaceutyczne w trakcie opracowywania. 112 2. Metody pomiaru innowacyjności IIC. Rozwój biznesu 14. Tworzenie firm i kreowanie miejsc pracy: ▲ tworzenie firm realizujących zaawansowane technologie netto, ▲ tworzenie firm wywodzących się z kręgów akademickich. 15. Wstępne oferty publiczne oraz fuzje i nabycia: ▲ wstępne oferty publiczne, ▼ fuzje i nabycia. III. Zdolności innowacyjne IIIA. Kapitał 16. Pozyskiwanie funduszy federalnych dla ośrodków B + R przy uniwersytetach, organizacjach typu non-profit oraz w instytucjach ochrony zdrowia: ▲ ośrodki B + R na uniwersytetach oraz przy organizacjach typu non-profit finansowane z funduszy federalnych. 17. Badania akademickie finansowane przez sektor przemysłu: ▲ badania akademickie finansowane przez sektor przemysłu. 18. Kapitał wysokiego ryzyka: ▼ inwestycje kapitału wysokiego ryzyka per capita. IIIB. Talenty 19. Poziom wykształcenia siły roboczej: ▲ % populacji pracującej i posiadającej tytuł licencjata, lub wyżej. 20. Edukacja K-16 (studenci studiów licencjackich i magisterskich): ▲ procent osób, które ukończyły szkołę średniej w grupie wiekowej 19–24. 21. Inwestycje publiczne w edukację K-16: ▲ inwestycje w edukację publiczną realizowaną przez uczniów K-12 (szkół średnich) na ucznia, ▼ inwestycje w publiczne szkoły wyższe z podziałem na studenta. 22. Wybór kariery zawodowej z podziałem na nauki ścisłe, technologię i inżynierię oraz uzyskane stopnie wykształcenia: ▼absolwenci szkół średnich zainteresowani uzyskaniem wykształcenia politechnicznego lub w zakresie nauk ścisłych, ▼ tytuły licencjata lub wyższe uzyskane w naukach politechnicznych i ścisłych, ▼ absolwenci szkół średnich zainteresowani wykształceniem w zakresie ochrony zdrowia lub nauk biologicznych, ▲ tytuły licencjata lub wyższe uzyskane w dziedzinie ochrony zdrowia, lub w naukach biologicznych, ▲ procent wyników na poziomie 3 lub wyższym uzyskany w naukach ścisłych, przyrodniczych lub matematyce na teście określającym poziom zaawansowania zdolności zdającego (AP test = Advanced Placement test). 23. Fachowcy w zakresie technologii informacyjnych wśród siły roboczej: ▲ procent siły roboczej zatrudnionej w IT. 24. Talenty i atrakcyjność: ▲ atrakcyjność na rynku pracy absolwentów szkół wyższych. 25. Zdolności finansowe w zakresie mieszkalnictwa: ▲zdolności finansowe do pokrycia czynszu za wynajem mieszkania, ▲zdolności finansowe do uzyskania kredytu hipotecznego na zakup mieszkania. 2.3. Tablica wyników w zakresie innowacyjności 113 W ramach Indeksu sklasyfikowano wskaźniki w trzech kategoriach: wpływy gospodarcze, działania innowacyjne i zdolności innowacyjne, w ramach których wydzielono sześć bloków tematycznych. Kolejność uszeregowania oraz logika wskaźników sugerują, jak wyniki funkcjonowania w jednym obszarze mogą oddziaływać na wyniki w innych oraz na łączne rezultaty końcowe. Wśród wskaźników wskazanych do oceny w ramach programu Tri-Cities [Index… 2004; Application for an Innovation… 2006] zebranych w grupy: innowacje, konkurencyjność, rozwój, zasoby finansowe i jakość życia do mierników innowacyjności są takie jak: wydatki na B + R, generowanie patentów, pracownicy techniczni w ogóle siły roboczej, wykształcenie siły roboczej, udział zawodów wysokiej techniki i kadra w zawodach twórczych jako procent siły roboczej. Natomiast do konstrukcji Washington State Index of Innovation and Technology [Washington State… 2006] w grupie „innowacje” wykorzystano takie wskaźniki, jak: kreowanie nowych firm (nowo otwarte firmy na tysiąc pracujących), zamykanie firm (odsetek firm zamykanych w ogólnej liczbie firm), liczba patentów oraz patentów technologicznych i inne zgrupowane bloki „konkurencyjność”, „rozwój”, „perspektywy regionalne” oraz „zasoby finansowe i jakość życia”. Rozpatrując innowację jako proces, który przekształca wiedzę w wartość, twórcy Indeksu Innowacji Stanu Oregon16 podkreślają, że na proces ten składają się trzy główne etapy, takie jak: inwencja – kreowanie nowej wiedzy, translacja – transformacja nowej wiedzy w nowe produkty, procesy, systemy lub usługi oraz komercjalizacja – kreowanie wartości ekonomicznej poprzez nowe produkty, procesy, systemy lub usługi. Podstawą dla skutecznie realizowanej innowacji jest środowisko innowacji, a pozostałe kluczowe elementy to edukacja, infrastruktura oraz zdolności konsumentów i podmiotów gospodarczych do adaptowania nowych technologii oraz sprzyjająca koniunktura gospodarcza, stanowiąca miernik tego, na ile Oregon radzi sobie z translacją innowacji, czyli transformacją jej w podwyższone zarobki i lepszą jakość życia mieszkańców. Indeks Innowacji Stanu Oregon został opracowany w celu pomiaru innowacyjności gospodarki stanowej oraz zidentyfikowania możliwości pobudzenia konkurencyjności. Pierwszy raport został opublikowany w 2004 r. i zawierał ewaluację dziewięciu wskaźników, których celem było określenie postępu w zakresie innowacji. W 2005 r. władze stanowe i prawodawcze utworzyły Radę Innowacji Stanu Oregon (Oregon InC), powierzając jej zadanie opracowania strategii opartej na innowacjach, aby pobudzić gospodarkę. W ramach prac Oregon InC zidentyfikowano kluczowe czynniki niezbędne do rozwoju opartej na innowacjach gospodarki, wśród których znajdowały się: partnerstwo publiczno-prywatne w zakresie działań badawczo-rozwojowych, szybki dostęp do kapitału i do stanowych sieci przedsiębiorczości oraz ukierunkowanie inwestycji na nowo powstające sektory przemysłowe, w których Oregon ma globalną przewa16 Grupa zrzeszona wokół: Oregon InC Metrics, Oregon Economic and Community Development Department oraz Business Oregon. 114 2. Metody pomiaru innowacyjności gę konkurencyjną. Podkreślano również znaczenie stałego monitoringu i pomiaru progresji, by śledzić sposoby realizacji inicjatyw innowacyjnych, a także sytuację w pojmowanej globalnie gospodarce innowacyjnej Oregonu. Uaktualniono oraz rozszerzono Indeks Innowacji Stanu Oregon 2007 [Oregon Innovation… 2008], włączając dodatkowe elementy pomiaru, w celu uzyskania lepszego wglądu w gospodarkę innowacyjną. Wskaźniki zebrano w pięciu grupach, takich jak: inwencja, translacja, komercjalizacja, koniunktura gospodarcza i innowacyjne środowisko, obejmujących łącznie 20 wskaźników. Uzupełnienie stanowi „stopień innowacji”, jako łączny wynik wszystkich wskaźników w indeksie. W kolejnej edycji badania Indeks Innowacji 2009 [Oregon Innovation… 2010] nie wprowadzono zmian. Stwierdzono, że układ, w którym możliwe jest przyporządkowanie odpowiedniego stopnia działaniom innowacyjnym, pozwala na przypisanie ich do określonego poziomu referencyjnego i pomaga w pomiarze relatywnego potencjału innowacyjnego, tkwiącego w gospodarce w badanym roku, a także w ustalaniu wzorca przewidywanego dalszego rozwoju w najbliższych latach. Uzyskany w latach 2007 i 2009 stopień „B” oznacza, że stan Oregon z powodzeniem realizuje kapitalizację dostępnych aktywów innowacyjnych – lecz jednocześnie wskazuje na fakt istnienia znacznego potencjału, który należy wykorzystać na poprawę, w celu zapewnienia w przyszłości lepszej konkurencyjności jego gospodarki. Stopień innowacji oparto na skali, w której jednostką pomiaru jest kwantyl, przyjmując, że skala ma następujące zakresy: 0–20 (niedostateczny), 21–40 (dopuszczający), 41–60 (dostateczny), 61–80 (dobry), 81–100 (bardzo dobry). Na wynik łączny składa się ważona suma oceny zrealizowanych działań w skali kraju, dla każdego ze wskaźników, w okresie rocznym i 5-letnim. Metodologia polega na obliczeniu średniej ważonej najintensywniejszych trendów (50%) w okresie 5-letnim, z uwzględnieniem rankingu krajowego (33%) i trendów w skali roku (17%). Wskaźniki włączone do Indeksu śledzą dane związane z określonymi trendami, a także umożliwiają porównanie z innymi stanami oraz ze średnią krajową. Do porównań międzystanowych włączono osiem stanów: Washington, California, Minnesota, Colorado, Idaho, Utah, Arizona, New York, z którymi (według rekomendacji Metrics Committee of Oregon InC) Oregon najczęściej konkuruje w zakresie rozwoju gospodarczego, opartego na technologiach innowacyjnych. Wyniki uzyskane przez stan Oregon w badaniach z lat 2007 i 2009 zestawiono w tab. 2.5. W pracach National Innovation Initiative [Innovate America… 2005; Measuring Regional… 2005] do bloku input w regionalnym środowisku dla innowacji wskazano 7 komponentów: kapitał ludzki (10 zmiennych), badania i rozwój (2), finansowe wskaźniki kapitału (2), metryki bazy przemysłowej (2), infrastrukturę (2), prawne regulatory środowiska (4), jakość życia (3), a w ramach bloku output: generowanie pomysłów (1), rozwój idei (4), komercjalizację (2), produktywność (1), dobrobyt (6). 115 2.3. Tablica wyników w zakresie innowacyjności Tabela 2.5. Wyniki uzyskane przez stan Oregon w badaniach InC z lat 2007 i 2009 Wskaźnik Trend roczny Relacja do stanów konkurencyjnych lub całego USA Trend 5-letni Pozycja w najnowszym rankingu krajowym 2007 2009 2007 2009 2007 2009 2007 2009 Ujawnione inwencje ↑ ↑ ↑ ↑ ↓ ↓ 25 (2005) 23 (2007) Patenty ↑ ↓ ↑ ↑ ↑ ↑ 4 (2006) 6 (2008) Cytowania patentów ↑ ↓ ↑ ↑ ↑ ↑ 12 (2006) 12 (2008) ↑ ↑ ↑ ↑ ↑ ↑ 9 (2004) 9 (2008) Granty na SBIR/STTR ↑ ↓ ↑ ↓ ↑ ↓ 13 (2005) 17 (2008) Licencje uniwersyteckie/opcje ↓ ↑ ↑ ↑ ↑ ↑ 19 (2005) 16 (2008) Dochód z licencji uniwersyteckich ↑ ↑ ↑ ↑ ↓ ↔ 28 (2005) 24 (2008) Inwestycje z udziałem venture capital ↓ ↓ ↓ ↓ ↓ ↑ 19 (2005) 18 (2008) Indeks przedsiębiorczości Kauffmana** ↑ ↑ bd ↑ ↑ ↔ 8 (2006) 13 (2008) Zakładane nowe firmy ↑ ↓ ↑ ↔ ↔ ↓ 10 (2005) 14 (2008) Nowe firmy badawcze na uniwersytetach ↑ ↑ ↑ ↑ ↔ ↑ 19 (2005) 6 (2007) I. Inwencje II. Translacje Inwestycje w B + R * III. Komercjalizacja IV. Koniunktura gospodarcza Przeciętna płaca ↔ ↔ ↔ ↔ ↓ ↓ 25 (2005) 27 (2008) Zatrudnienie w sektorze technologicznym ↑ ↓ ↓ ↑ ↑ ↔ 20 (2005) 12 (2008) Eksport ↑ ↑ ↑ ↑ ↑ ↔ 10 (2005) 7 (2008) Osiągnięcia w zakresie edukacji ↔ ↑ ↑ ↑ ↑ ↔ 19 (2005) 19 (2007) Zatrudnieni pracownicy nauki i inżynierowie ↑ ↑ ↑ ↑ ↓ ↔ 17 (2003) 19 (2007) Szybkie łącza internetowe ↑ ↑ ↑ ↑ ↑ ↓ 13 (2005) 21 (2008) Wykorzystanie energii odnawialnej ↑ ↓ ↓ ↓ ↑ ↔ 2 (2005) 2 (2007) Emisja gazów cieplarnianych ↑ ↑ ↑ ↑ ↑ ↔ 6 (2002) 7 (2008) Intensywność energetyczna ↑ ↑ ↑ ↑ ↑ ↓ 22 (2003) 21 (2008) V. Innowacyjne środowisko Tablica wyników innowacji (w skali do 100) 2007 75 2009 71 Stopień innowacyjności 2007 B 2009 B ↓ ↑ – poprawa w stosunku do okresu poprzedniego, ↓ – pogorszenie w stosunku do okresu poprzedniego; ↔ – brak zmian; * SBIR – Small Business Innovation Research; STTR – Small Business Technology Transfer; ** opis indeksu w: [Fairlie 2011]. Źródło: opracowanie własne na podstawie [Oregon Innovation… 2008, 2010]. 116 2. Metody pomiaru innowacyjności Literatura omawiająca zagadnienia innowacji skupia się w większości na działaniach związanych z patentami, ich opracowywaniem, rejestracją i zastosowaniem [Audretsch, Feldman 2006; Barkley, Henry, Lee 2006; Barkley, Henry, Nair 2006; Jaffe i in. 1993] oraz podziałem na różne dziedziny zawodowe [Henderson, Abraham 2004; Koo 2005]. Badacze zajmujący się problemem innowacji postrzegają ją w kategoriach poszczególnych elementów jej definicji lub zbliżonych jej treści, rzadko odnosząc to zagadnienie do jej pierwszorzędnego celu – wzrostu gospodarczego [Crossing the Next… 2009]. Wysiłki ukierunkowane na porównanie działań innowacyjnych na poziomie okręgu administracyjnego, jako analizowanej jednostki, w ostatnich latach podejmowano w Stanach Zjednoczonych jedynie sporadycznie. Większość z nich koncentrowała się na poziomie regionalnym lub krajowym, w związku z lepszą dostępnością danych. Najbardziej wyczerpujące badania dotyczące małej jednostki administracyjnej kraju zostały przeprowadzone przez D. Lee [2006], który skupił się na wybranych okręgach (counties, tj. hrabstwach liczących do 50 tys. mieszkańców) na południu USA. Portfolio Innovation Index (PII) [Crossing the Next… 2009] zawiera elementy typu zarówno input, jak i output przedstawione razem jako łączny wskaźnik zdolności innowacyjnych i zawartego w nich potencjału oraz kładzie większy nacisk na produktywność w kategoriach ekonomicznych. Połączenie wielu czynników w złożony indeks umożliwia praktykom zajmującym się rozwojem zarówno lokalnym, jak i regionalnym wykorzystanie wysokiego pułapu złożoności w celu oceny zdolności innowacyjnych, wyników działań innowacyjnych oraz będącej tego skutkiem rozwoju gospodarczego. Podejście to jest podobne do tego, jakie prezentuje European Innovation Scoreboard [European Innovation Scoreboard 2005; European Innovation Scoreboard: Comparative… 2005; European Innovation Progress… 2006; European Innovation Scoreboard 2006]. Ponadto, gdy większość indeksów innowacji jest opracowywana dla okresów rocznych, to indeks PII obejmuje okres 10 lat. Przewagą podejścia długoterminowego w odniesieniu do indeksu innowacji jest to, że wpływ na ogólny wynik zmienności krótkookresowej, wynikającej z czynników egzogenicznych, takich jak np. kataklizmy i żywioły naturalne, jest zminimalizowany. Indeks jest mniej podatny na manipulacje polityczne, dzielące poszczególne regiony na zwycięzców i przegranych, w oparciu o zmiany krótkookresowe w rankingach. Portfolio Innovation Index oparto na przeprowadzonych w przeszłości badaniach i analizach, które wykorzystywały większe jednostki geograficzne, takie jak stany, lub kraje [European Innovation Scoreboard 2005; European Innovation Scoreboard: Comparative… 2005; European Innovation Progress… 2006; European Innovation Scoreboard 2006; Porter, Stern 1999; Atkinson, Correa 2007], wychodząc z założenia, że zdolności innowacyjne, lub czynniki typu Input mogą być powiązane z czynnikami typu Output. Każdy z subindeksów wyrażających kapitał ludzki, dynamikę gospodarczą, produktywność i zatrudnienie oraz dobrobyt ekonomiczny jest obliczany przez zsumo- 2.4. Pozostałe wybrane podejścia do pomiaru innowacyjności 117 wanie ważonych relacji miar z poziomu okręgu do miar poziomu w całych Stanach Zjednoczonych. Portfolio Innovation Index łączy cztery subindeksy, a każdy z komponentów jest ważony. Jako że dobrobyt ekonomiczny prezentuje według twórców mniej bezpośrednią relację do działań innowacyjnych, to uzyskuje jedną trzecią wagi pozostałych trzech subindeksów: wagi po 0,3 przypisano dla indeksów „kapitał ludzki”, „dynamika gospodarcza” oraz „produktywność i zatrudnienie”, a 0,1 dla indeksu „dobrobyt ekonomiczny”. Podobne podejście do ważenia stosowane było w kilku innych indeksach innowacji [Atkinson, Correa 2007; European Innovation Progress… 2006; European Innovation Scoreboard 2006]. Podejściem alternatywnym byłby schemat ważenia oparty na tych czynnikach (lub zmiennych), które mają największą moc wyjaśniającą zmiany w zakresie innowacji. W USA trwa boom na pomysły odnoszące się do pomiaru innowacji. Wiele stanów opracowało dla oceny innowacyjności odrębne podejścia, w których analizowana jest pozycja, ocena w czasie, porównania do stanów sąsiednich lub wiodących technologicznie. Ujęcia te ewoluują, bo, jak zauważa B. Gates [2007], „od wieków ludzie wychodzili z założenia, że wzrost gospodarczy wynika z wzajemnych zależności pomiędzy kapitałem a pracą. Dziś wiemy już, że elementy te mają dużo mniejsze znaczenie niż jeden krytyczny czynnik, którym jest innowacja”. 2.4. Pozostałe wybrane podejścia do pomiaru innowacyjności Jak podkreślają R. Barré i P. Papon [1993], każdy wskaźnik ujmuje tylko jeden aspekt badanego zjawiska. Wskaźniki wkładu nie określą wyników, wskaźniki publikacji nie dadzą informacji o pracach badawczych, których owocem są ekspertyzy, wskaźniki patentowe zaś nie wskażą informacji na temat innowacji w dziedzinach, w których wynalazki nie są patentowane. Pomiary stanowią podstawę nauki, ale jak można zmierzyć to, co subiektywne lub twórczą destrukcję – jak o innowacjach mówił J.A. Schumpeter [1942]? Nauka próbuje, ponieważ nowe wyzwania stawiane przed naukowcami (ekonomistami, statystykami i in.), to zbadanie obszarów wzajemnego oddziaływania różnych dyscyplin i ludzkiego doświadczenia. Mierzenie niezmierzonego następuje gdzieś pomiędzy stale tworzoną teorią a dynamicznie zmieniającą się rzeczywistością. Innowacyjność gospodarek w skali globalnej oceniono w kompleksowy sposób w 2007 r. w ramach prac The Business School for the World INSEAD, we współpracy z Confederation of Indian Industry [Global Innovation Index 2007, 2007]. W kolejnym roku przedstawiono drugi z serii, Global Innovation Index 2008–2009 [2009]. Następny rok przyniósł nowe spojrzenie i zmiany w ustalaniu GII. Global Innovation Index 2009–10 [2010] stanowił ocenę innowacji 132 gospodarek, odpowiedzialnych za 96% globalnego PKB i obejmujących 91% ludności świata. Ewo- 118 2. Metody pomiaru innowacyjności lucji w porównaniu z poprzednimi badaniami uległo zarówno podejście do analizy, jak i metodologia. Wprowadzono nowe zmienne, zmieniono układ i zakres komponentów, szczególnie w zakresie dobrobytu społecznego (nowe komponenty output, tj. wyniki kreatywności i dobrobyt). Zasady i sposób obliczania wskaźnika pozostały niezmienione (normalizacja, uśrednione wartości komponentów, które tworzą ilościowe oceny filarów input i output, a z nich obliczany jest wskaźnik globalny). Ustalono także efektywność innowacji jako relację otrzymanych wskaźników input i output, konstatując, iż wyższa wartość tak otrzymanego wskaźnika wskazuje, że dany system gospodarczy generuje bardziej efektywny wynik na jednostkę wkładu i tym samym wykazuje wyższą produktywność. GII 2009–10 inspirowany był m.in. modelem doskonałości European Foundation for Quality Management (EFQM) oraz wynikami Global Competitiveness Report (GCR) przygotowanego przez World Economic Forum. W ramach filaru input wykorzystano komponenty takie jak instytucje, zdolności kapitału ludzkiego infrastruktura ogólna i ICT, zaawansowanie rynku oraz zaawansowana działalność biznesowa. Komponent „instytucje” odzwierciedla stabilność makroekonomiczną oraz ramy instytucjonalne kraju. Stworzenie ram regulacyjnych przyciągających firmy i wspieranie ich rozwoju poprzez zaoferowanie adekwatnego pomiaru bodźców i zapewnienie ochrony stanowi bazowe środowisko dla kraju, który planuje realizować innowacje. Komponent ten obejmuje trzy składowe, a w ich ramach dziewięć zmiennych [Global Innovation Index 2009–10, 2010]: – środowisko polityczne: stabilność polityczna, skuteczność rządu, efektywność prawodawstwa, – środowisko regulacyjne: jakość regulacji, obciążenia wynikające z regulacji rządowych, siła tkwiąca w standardach kontroli i sprawozdawczości, – warunki do rozwoju biznesu stworzone przez instytucje publiczne: liczba dni potrzebnych na załatwienie formalności związanych z rozpoczęciem działalności gospodarczej, indeks wolności słowa w prasie, ochrona własności intelektualnej. I chociaż elementy te nie są jedynymi napędzającymi innowacje, stanowią priorytetowe czynniki wpływające na środowisko innowacyjne. Odgrywają istotną rolę w oddziaływaniu na sposób, w jaki czynniki gospodarcze współdziałają między sobą, a także w ramach struktur politycznych, regulacyjnych i społecznych. Środowisko instytucjonalne jest zdeterminowane ramami prawnymi i administracyjnymi, w obrębie których podmioty fizyczne, firmy i rządy wchodzą w interakcje w celu generowania dochodu i bogactwa w gospodarce. Znaczenie solidnych podstaw instytucjonalnych stało się jeszcze bardziej widoczne podczas aktualnego kryzysu w związku z rolą odgrywaną przez państwo w gospodarkach wielu krajów. Regulacje rządowe, prawodawstwo, standardy polityki audytowej oraz zakres wolności słowa w prasie w znacznym stopniu wpływają na trendy innowacyjne w dłuższej perspektywie. Kraj politycznie stabilny, z właściwie funkcjonującymi organami regulacyjnymi, jawi się jako bardziej atrakcyjne miejsce prowadzenia biznesu dla firm 2.4. Pozostałe wybrane podejścia do pomiaru innowacyjności 119 zagranicznych niż państwo niestabilne. Stabilność makroekonomiczna jest podstawowym warunkiem dla równomiernego wzrostu gospodarczego. Niestabilne ceny, inflacja, rosnące stopy procentowe, stanowią ważne przeszkody dla środowiska biznesowego. Komponent „zdolności kapitału ludzkiego” wskazuje, że poziom i standardy edukacyjne oraz działalność naukowo-badawcza w kraju stanowią priorytetowe determinanty zdolności innowacyjnych, tkwiących w narodzie. Kapitał ludzki oraz stopa innowacji są niezależne i wzajemnie się uzupełniają. Komponent ten ma trzy składowe i osiem zmiennych [Global Innovation Index 2009–10, 2010]: – inwestycje w edukację: wydatki na edukację, zakres szkoleń dla personelu, – jakość instytucji edukacyjnych: jakość systemu edukacji, jakość badań naukowych, jakość szkolnictwa kształcącego kadrę menedżerską, – potencjał innowacyjny: badacze w ośrodkach B + R na milion ludności, dostępność naukowców i inżynierów, studenci szkół wyższych. Komponent „infrastruktura ogólna i ICT” jest kluczowy we wspieraniu innowacji poprzez zasilanie systemu innowacji, ponieważ nie tylko stymuluje wzrost działalności biznesowej, lecz także wpływa na poprawę standardów gospodarowania, podwyższając tym samym poziomy produktywności, a w konsekwencji efektywność. Rozległa sieć infrastruktury tworzy szkielet gospodarki, wspomagając przeprowadzane transakcje, transport i dopływ kapitału, co zmniejsza koszty, a jednocześnie podwyższa dostępność rynku. Komponent ten tworza trzy składowe i dziewięć zmiennych [Global Innovation Index 2009–10, 2010]: – infrastruktura ICT: abonenci Internetu szerokopasmowego na 100 mieszkańców, abonenci telefonów komórkowych (na 100 osób), linie telefoniczne (stałe) na 100 osób, – infrastruktura: całościowa jakość infrastruktury, produkcja elektryczności per capita, – absorpcja i wykorzystanie infrastruktury: użytkownicy Internetu (na 100 osób), komputery osobiste (na 100 osób), produktywność ICT i rządu, zakres wykorzystania Internetu w biznesie. „Zaawansowanie rynku” to komponent mający za zadanie odzwierciedlić sytuację pod względem dostępności kredytów, a także stabilności kredytodawców oraz inwestorów w gospodarce. Ma 2 składowe i obejmuje 9 zmiennych [Global Innovation Index 2009–10, 2010]: – sytuację inwestora i wierzyciela: ubieganie się o kredyt – indeks możliwości prawnych i indeks informacji kredytowych, ochronę inwestorów: indeks ochrony inwestora, zaawansowanie rynku finansowego, – dostęp do kredytów: dostępność kapitału wysokiego ryzyka, instytucje mikrofinansowania (Microfinance Institutions – MFIs), średnie saldo kredytowe na kredytobiorcę/indeks GNI (Gross National Income) per capita, finansowanie poprzez krajowy rynek akcji, kredyty krajowe dla sektora prywatnego (procent PKB), bezpośrednie inwestycje kapitału zagranicznego (wpływy netto). 120 2. Metody pomiaru innowacyjności Są tu brane pod uwagę aspekty ekonomiczne i rynkowe, takie jak skuteczność zabezpieczenia inwestorów, zakres ujawnianych informacji, charakter odpowiedzialności kadry kierowniczej, łatwość realizowania inwestycji przez udziałowców, a nawet kwestie makroekonomiczne, np. wpływy netto z inwestycji w celu zapewnienia trwałych interesów w zakresie zarządzania. Ostatni komponent ze wszystkich czynników rozwijających umiejętności stanowi „zaawansowana działalność biznesowa” i ma za zadanie oddać charakter środowiska biznesowego i jego możliwości inspirowania działań innowacyjnych w gospodarce. Odzwierciedla trzy aspekty gospodarki, z podziałem na poniższe składowe i zmienne [Global Innovation Index 2009–10, 2010]: – środowisko innowacyjne w firmach: wydatki firm na B + R, publiczne wydatki na B + R jako procent PKB, FDI (Foreign Direct Investment – bezpośrednie inwestycje zagraniczne) i transfer technologii, – ekosystemy innowacji: stan rozwoju klastrów, współpraca ośrodków akademickich z przemysłem, kultura innowacyjna, – otwartość na konkurencyjność krajową i zagraniczną: miara barier handlowych (średnia ważona taryfa celna), intensywność lokalnej konkurencyjności. Pierwszy komponent odnoszący się do filaru output stanowią „wyniki działalności naukowej”, obejmujące: liczbę patentów, liczbę publikacji naukowych, stopę wzrostu produktywności pracy, współczynniki przedsiębiorczości i zatrudnienia w sektorach gospodarki opartych na wiedzy. Analizowana jest również wielkość eksportu wysokich technologii w takich dziedzinach, jak technologie kosmiczne, sprzęt komputerowy, produkty farmaceutyczne, instrumenty i urządzenia do badań naukowych oraz sprzęt elektryczny. Wyróżniono 3 składowe oraz 11 opisujących je zmiennych [Global Innovation Index 2009–10, 2010]: – wykorzystanie wiedzy: stopę wzrostu produktywności pracy, przemysłową wartość dodaną, zaawansowanie procesu produkcyjnego, zatrudnienie w usługach opartych na wiedzy (procent siły roboczej), – kreowanie wiedzy, liczbę patentów, publikacje, lokalną dostępność wyspecjalizowanej kadry naukowo-badawczej i usługi szkoleniowe, zdolności do działań innowacyjnych, – eksport i zatrudnienie: eksport wysokich technologii jako procentowy udział towarów wyeksportowanych w produktach ogółem, przedsiębiorczość (Total Business Density – zagęszczenie biznesu ogółem), współczynnik własności nowo otwieranych firm. Uwzględniono tu zmienne, o których tradycyjnie mówi się jako o „owocach” innowacji. Celem zasadniczym podejmowanych działań, prócz stymulowania innowacji, jest podwyższenie dobrobytu i ogólnego poziomu życia ludności. Dobrobyt ekonomiczny i społeczny uzupełniają się wzajemnie, a komponenty output odzwierciedlają te parametry, które są skutkiem działań innowacyjnych, czynniki te zaś pomagają w podwyższaniu dochodu narodowego i wynikającego z tego dobrobytu. 2.4. Pozostałe wybrane podejścia do pomiaru innowacyjności 121 Komponent siódmy stanowi miarę tego, jak innowacje przekładają się na rezultaty w sektorach przemysłu kreatywnego oraz podwyższają standard życia. To najważniejszy czynnik, który odróżnia analizowany tu indeks od innych. Odzwierciedla najistotniejsze zmiany, które zostały wprowadzone w relacji do indeksu z roku poprzedniego. Ma 2 składowe i 6 zmiennych [Global Innovation Index 2009–10, 2010]: – wyniki kreatywności: kreatywne produkty i usługi, znaki handlowe, dochód z eksportu i kreatywne sektory przemysłu, zaawansowanie rynku finansowego, – korzyści dla dobrobytu społecznego: dostępność kapitału wysokiego ryzyka, PKB per capita. Inne raporty na temat innowacyjności gospodarki nie skupiają się na wzroście i wartości dodanej w sektorze wyników twórczych lub dowolnym innym wskaźniku dobrobytu społecznego. Obecnie sektor przemysłu kreatywnego odpowiada za 10% światowego PKB, co powinno wystarczyć, aby mieć świadomość, iż należy rozpatrywać całościowy rozwój i wartość dodaną generowane w tej dziedzinie. Filary, składowe i zmienne włączone do ustalenia Global Innovation Index 2009–2010 przedstawiono na rys. 2.5. Chociaż, jak widać, zmienne wybrane do pomiaru innowacyjności w skali globalnej określone są w raporcie dość hasłowo i na dużym poziomie ogólności, to dla każdej ze zmiennych podany jest rok, z którego pochodzą dane, źródło danych oraz definicja. Należy także zwrócić uwagę, że wiele z tych zmiennych ma charakter miar agregatowych. Oprócz opisanego wyżej podejścia, oceny gospodarki w wielu aspektach, w tym także innowacyjności, dokonuje się m.in. w ramach opracowania następujących raportów. 1. W ramach prac World Economic Forum (Światowego Forum Gospodarczego) publikowany jest Global Competitiveness Report (GCR) [Global Innovation Index 2009–10, 2010]. Zakres ramowy GCR obejmuje 12 elementów: instytucje, infrastrukturę, stabilność makroekonomiczną, zdrowie i szkolnictwo podstawowe, szkolnictwo średnie i wyższe oraz szkolenia, efektywność rynku towarowego, efektywność rynku pracy, zaawansowanie rynku finansowego, gotowość technologiczną, wielkość rynku, zaawansowanie działalności biznesowej i innowacje. 2. Raport Economist Intelligence Unit (EIU) [A New Ranking… 2009] definiuje innowację jako „zastosowanie wiedzy w nowatorski sposób, głównie w celu uzyskania korzyści ekonomicznych”. Brytyjski ośrodek badawczy (EIU) przeprowadził ankietę wśród 485 przedstawicieli kadry kierowniczej firm o zasięgu globalnym na całym świecie, której celem było zrozumienie podstawowych sił napędowych dla innowacji oraz ich znaczenia. EIU przedstawiła ranking 82 krajów pod względem innowacyjności. Obliczono dwa indeksy: indeks innowacyjności w działaniu (Innovation Performance Index) i agregatowy indeks możliwości innowacyjnych (Aggregate Innovation Enablers Index). Do ustalenia indeksu działań innowacyjnych wybrano liczbę patentów na milion ludności, a indeks wkładu innowacyjnego (In- 122 Globalny Indeks Innowacji (GII) Input) Instytucje (9) Środowisko polityczne (3) Środowisko regulacyjne (3) Inwestycje w edukację (2) Jakość instytucji edukacyjnych (3) Potencjał innowacyjny (3) ITC i orientacja na infrastrukturę (9) ICT i infrastruktura (3) Infrastruktura ogólna (2) Orientacja na infrastrukturę i jej wykorzystanie (4) Zaawansowanie rynku (9) Zaawansowana działalność biznesowa (8) Wyniki działalności naukowej (11) Wyniki kreatywności i dobrobyt (6) Warunki dla inwestorów i kredytodawców (4) Środowisko innowacyjne w firmach (3) Kreowanie wiedzy (4) Wyniki kreatywności (4) Aplikacja wiedzy (4) Korzyści dla dobrobytu społecznego (2) Dostęp do kredytu (5) W nawiasach podano liczbę zmiennych. Rys. 2.5. Konstrukcja Global Innovation Index 2009–2010 Źródło: opracowanie własne na podstawie [Global Innovation Index 2009–10, 2010]. Innowacyjne ekosystemy (3) Otwartość na konkurencję zagraniczną i krajową (2) Eksport i zatrudnienie (3) 2. Metody pomiaru innowacyjności Warunki dla biznesu stworzone przez instytucje publiczne (3) Zdolności kapitału ludzkiego (8) Indeks Wyników Innowacji (Output) 2.4. Pozostałe wybrane podejścia do pomiaru innowacyjności 123 novation Input Index) stanowi średnią ważoną dwóch innych wskaźników, którymi są Bezpośredni Wkład Innowacyjny (Direct Innovation Input) oraz Indeks Środowiska Innowacyjnego (Innovation Environment Index), o wagach odpowiednio 0,7 i 0,3. Wagi zostały określone za pomocą regresji pomiędzy indeksem innowacyjności w działaniu i agregatowym indeksem możliwości innowacyjnych. Klasyfikuje on kraje oddzielnie, wyłącznie na podstawie tych dwóch filarów, a pierwszy filar innowacyjności w działaniu wykorzystano do pomiaru zdolności innowacyjnych. Agregatowy indeks możliwości innowacyjnych pozwala ocenić raczej efektywność gospodarek w kategoriach innowacji, a nie osiągów innowacyjnych. Przeprowadzono także analizę regresji w odniesieniu do działań innowacyjnych jako zmiennej zależnej i dwóch subindeksów wkładu innowacyjnego jako zmiennych niezależnych. Tak ustalone równania regresji wykorzystywane są do prognozowania wyników kraju w tym zakresie w kolejnych latach. 3. Atlantic Century Report ocenia 36 krajów i cztery globalne regiony: NAFTA, EU 15, EU 10 i EU 25 [The Atlantic Century… 2009]. Aby ocenić kraje pod kątem funkcjonowania w zakresie globalnej konkurencyjności i innowacji, wykorzystano 16 zmiennych w sześciu kategoriach: kapitał ludzki, zdolności innowacyjne, przedsiębiorczość, infrastruktura IT, polityka gospodarcza oraz wyniki gospodarcze. Zmiennym przypisano różne wagi, w zależności od ich relatywnego znaczenia, po czym uśredniono, aby uzyskać indeksy. Raport oparto wyłącznie na danych statystycznych, pomijając wszelkie badania ankietowe, chociaż to właśnie ankiety pomagają w wychwyceniu różnych, trudnych do kwantyfikacji aspektów. Wskazano przy tym, gwoli wyjaśnienia, iż respondenci mogą nie mieć uaktualnionej wiedzy, a ich percepcja i ocena mogą wynikać z indywidualnych uprzedzeń. 4. BCG Report: The Innovation Imperative in Manufacturing… analizuje bieżący status innowacji w firmach amerykańskich oraz pozycje kraju na światowej mapie innowacji [The Innovation Imperative… 2009]. Prezentuje ranking 110 krajów i 50 amerykańskich stanów, na podstawie analizy opartej na dwóch filarach innowacji – wkładzie i działaniach innowacyjnych. Każdy z filarów obejmuje trzy komponenty. Raport wymienia ponadto i omawia niektóre skuteczne narzędzia do promowania innowacji na podstawie opinii respondentów przedstawionych w odpowiedziach na ankietę na temat oceny innowacji. Podane są zalecenia na poziomie mikro dla kadry kierowniczej firm oraz na poziomie makro dla autorów polityk mających na celu stymulowanie działań innowacyjnych w gospodarce. Raport podkreśla kilka obszarów, takich jak np.: generowanie pomysłów, procesy strukturalne, pozycja lidera, wykwalifikowana siła robocza, promowanie klastrów przemysłowych, doskonalenie środowiska dla innowacji oraz wspieranie opłacalności innowacji w firmach – to kluczowe obszary, które należy rozwijać, wspierać i monitorować, aby stworzyć warunki dla rozwoju innowacji. Wskaźniki innowacyjności rozwijane są na poziomie zarówno mikro- jak i makroekonomicznym: gromadzenie danych i analizy są systematycznie tworzone dla firm, branż, dziedzin technologii i na poziomie kraju [Sirilli 1997; Smith 2005]. Co- 124 2. Metody pomiaru innowacyjności raz większa uwaga skupiona jest na porównaniach innowacyjności narodów. Wyspecjalizowane agencje Narodów Zjednoczonych, w tym UNDP, UNIDO i UNCTAD, Bank Światowy, stowarzyszenia biznesowe, takie jak Światowe Forum Ekonomiczne, i indywidualni badacze zbierają dane na temat innowacyjności na poziomie krajowym. Badania prowadzi również Komisja Europejska, z wykorzystaniem odpowiednich narzędzi, takich jak European Innovation Scoreboard, Innovation Union Scoreboard oraz Global Innovation Scoreboard, w szczególności w celu oceny postępu realizacji Strategii lizbońskiej [European Innovation Scoreboard 2006: Strengths... 2007; European Innovation Scoreboard Report 2006, 2007; European Innovation Progress Report 2008, 2008; European Innovation Scoreboard Report 2007, 2008; European Innovation Scoreboard 2008… 2009; European Innovation Scoreboard Report 2009, 2009; Innovation Union Scoreboard 2010, 2011, Innovation Union Scoreboard 2011, 2012; Global Innovation Scoreboard 2007]. Poniżej dokonano krótkiej charakterystyki wybranych, stosowanych w badaniach globalnych wskaźników innowacyjności. The Technology Index (World Economic Forum) to kompleksowa próba oceny rangi krajów na podstawie wskaźników ekonomicznych i technologicznych. Głównym wskaźnikiem opracowanym przez WEF jest Growth Competitiveness Index (GroCI), który został opracowany w celu analizy średniookresowego potencjału wzrostu gospodarczego poprzez ocenę czynników konkurencyjności makroekonomicznej [Lall 2001]. GroCI składa się z trzech filarów, z których każdy odzwierciedla istotny element procesu wzrostu krajowego systemu gospodarczego; są to: 1) jakość uwarunkowań makroekonomicznych, 2) solidność instytucji publicznych, 3) możliwości innowacji technologicznych. Do każdego z nich odnosi się inny podwskaźnik, obliczony z wykorzystaniem danych pochodzących zarówno z baz danych należących do jednostek instytucjonalnych (twarde dane), jak i z wyników WEF’s Executive Opinion Survey (EOS) (dane miękkie)17. Trzeci z filarów ilustruje Technology Index (Tech), obejmujący trzy zasadnicze kategorie technologii: innowacyjność, transfer technologii oraz rozpowszechnianie nowych technologii informacyjnych i komunikacyjnych. Tech został obliczony po raz pierwszy w latach 2001 i 2002 dla 75 krajów. W latach 2006 i 2007 obliczeniami Tech objęto 125 krajów, ocenianych w dwóch grupach: gospodarki kluczowe (core economies) i pozostałe (non-core economies), w zależności od liczby udzielonych patentów18. Dla najbardziej zaawansowanych gospodarek Tech ustalany jest jako średnia arytmetyczna z dwóch podwskaźników (zdolności innowacyjne i rozpowszechnianie ICT). Dla Executive Opinion Survey jest komisją złożoną z menedżerów i ekspertów, którzy przypisują oceny (w skali od 0 – poziom najniższy – do 7 – najwyższy poziom) w zakresie ogólnych aspektów dotyczących otoczenia konkurencyjnego systemu gospodarczego, dla którego oficjalne dane (twarde dane) nie są dostępne. 18 Gospodarki o ponad 15 patentach na milion mieszkańców, udzielonych w USPTO zostały sklasyfikowane w grupie pierwszej, a te o mniejszej niż 15 liczbie patentów na milion mieszkańców w drugiej. 17 2.4. Pozostałe wybrane podejścia do pomiaru innowacyjności 125 pozostałych Tech oblicza się z wykorzystaniem wskaźników transferu technologii i wskaźnika zdolności innowacyjnych z przypisaną niższą wagą. The Technological Readiness Index oraz Technological Innovation Index (World Economic Forum). The Global Competitiveness Index (GloCI) został opublikowany po raz pierwszy dla lat 2004 i 2005 w Global Competitiveness Report (GCR) [The Global Competitiveness Report 2004, 2005, 2006, 2007]. GloCI to złożony wskaźnik opracowany przez WEF, oceniający zdolność konkurencyjną systemów gospodarczych dla krajów zarówno zaawansowanych, jak i rozwijających się. Głównym celem GloCI jest agregacja w postaci jednego wskaźnika składowych opisujących zarówno ekonomiczne siły napędowe wydajności, jak i mikroekonomiczne elementy możliwości wzrostu. Do 2004 r. były analizowane dwa różne indeksy syntetyczne zawarte w GCR: GloCI (opisane wyżej) i Business Competitiveness Index (BCI, obliczany od 1998 r. do oceny aspektów mikroekonomicznych w zakresie zdolności konkurencyjnych krajów). W wydaniu GCR z lat 2006 i 2007, GloCI został obliczony dla 125 krajów, podzielonych na 5 grup w zależności od etapu rozwoju mierzonego PKB per capita. GloCI składa się z dziewięciu kategorii19, podzielonych na grupy: podstawowe wymagania, zwiększające wydajność, czynniki innowacyjności i złożoności, które mają różne znaczenie dla krajów na różnym etapie rozwoju20. Wśród dziewięciu kategorii, elementy charakteryzujące możliwości innowacyjne stanowią: – filar siódmy (Technological Readiness Index – Indeks Gotowości Technologicznej), który mierzy zdolność firm do absorpcji nowych technologii, niezawodność systemu sądownictwa dotyczącą technologii informacyjno-komunikacyjnych, kwoty bezpośrednich inwestycji zagranicznych, i rozpowszechnianie ICT, – filar dziewiąty (Technological Innovation Index – Indeks Innowacji Technologicznych), ilustrowany przez zmienne związane z B + R, w tym inwestycje w B + R ze środków zarówno publicznych, jak i biznesowych, kapitał ludzki, ochrona prawna własności intelektualnej i patentów. The Knowledge Index (World Bank). Bank Światowy stworzył kompleksową bazę danych wskaźników gospodarczych i społecznych porównywalnych w skali międzynarodowej. Dane można znaleźć i pobrać ze strony internetowej, co daje możliwość analiz online własnych zestawień. Dzięki ICT możliwa jest budowa dostosowanych do potrzeb użytkowników wskaźników syntetycznych. Oprócz dostarczania baz danych przyjaznych dla użytkownika, Bank Światowy opracował także własne zestawy syntetycznych wskaźników, w szczególności Knowledge Index (KI), tj. wskaźnik opracowany w ramach Knowledge Assesment Methodology [2006], która powstała w 2006 r. do pomiaru zdolności konkurencyjnych krajów w gospodarce Wagi przypisane każdej kategorii są równe 0,5; 0,4 i 0,1; 0,4; 0,5 i 0,1 oraz 0,3; 0,4 i 0,3. W szczególności istnieją trzy różne systemy agregacji krajów ze względu na etap rozwoju (wstępne, pośrednie lub zaawansowane), mierzony poziomem PKB per capita. 19 20 126 2. Metody pomiaru innowacyjności opartej na wiedzy. KAM zawiera informacje o 132 krajach w zakresie 81 zmiennych o charakterze zarówno jakościowym, jak i strukturalnym, które wybrano w celu prezentacji czterech głównych kategorii związanych z konkurencyjnością: odpowiedzialności systemu gospodarczego i instytucjonalnego, poziomu wykształcenia ludności, możliwości innowacyjnych systemu gospodarczego i rozpowszechniania ICT. Wśród modułów tworzących KI, do tych obrazujących aspekty innowacyjności zaliczyć można m.in. kapitał ludzki, system innowacji oraz technologie ICT. The Technological-Advance Index (UNIDO) (Tech-ADV) jest jednym z dwóch podwskaźników wchodzących w skład Industrial-cum-Technological-Advance Index (ITA). ITA został zawarty w wydawanym przez UNIDO (United Nations Industrial Development Office) Industrial Development Report… [2005]. Obliczono go dla 161 krajów dla lat 1990 i 2002. Wskaźnik ten, zainspirowany m.in. przez S. Lalla i współpracowników [Lall, Pietrobelli 2002; Lall 2001], jest sumą dwóch podwskaźników: Industrial-advance indicator (Ind-Adv) oraz Tech-Adv. Tech-Adv określa się jako średnią arytmetyczną ze znormalizowanych wartości udziału wartości dodanej wytworzonej w średnio i wysoko zaawansowanym przemyśle w stosunku do całkowitej wartości dodanej oraz wartości eksportu przemysłu (miary struktur produkcyjnych krajów w przemyśle średnio i wysoko zaawansowanym technologicznie i miara określająca możliwości krajowego systemu gospodarczego do konkurowania na rynkach międzynarodowych w sektorach zaawansowanych). The Technological Activity Index (UNCTAD) (TAI) jest jednym z podwskaźników innowacji Capability Index (UNICI), opracowanych przez UNCTAD (Konferencja Narodów Zjednoczonych ds. Handlu i Rozwoju) i zawartych w 2005 r. w World Investment Report… [2005]. UNICI został obliczony w stosunku do lat 1995 i 2001 z wykorzystaniem danych społeczno-gospodarczych dla 117 krajów. Zbudowany jako średnia arytmetyczna z TAI i Human Capital Index (HCI). Każdy z dwóch subindeksów, z kolei, stanowi średnią arytmetyczną trzech znormalizowanych zmiennych. HCl syntetyzuje dostępność umiejętności związanych z działalnością innowacyjnej, a TAI określa środki technologicznej aktywności (wykorzystując elementy zarówno input jak i output reprezentowane m.in. przez udział siły roboczej zatrudnionej w B + R, liczbę patentów i publikacje naukowe. High-Tech Indicators. Należy zwrócić szczególną uwagę na High-Tech Indicators (HTI) opracowane w Georgia Tech Technology Policy and Assessment Center, a wymieniane przez National Science Foundation jako Wskaźniki Nauki i Inżynierii (Science & Engineering Indicators) [Roessner i in. 1996; Porter i in. 2001]. Wskaźniki stworzono nie tylko po to, aby zmierzyć aktualne zdolności technologiczne, lecz by móc przewidzieć, w jaki sposób bieżące możliwości mogą zapewnić wielkość planowanego eksportu w zakresie wysoko zaawansowanych technologii. HTI składa się z czterech wskaźników typu input, odzwierciedlających krajowe zdolności na rzecz przyszłej konkurencyjności opartej na osiągnięciach technologii, oraz trzech wskaźników typu output. Wskaźniki konstruowane są w oparciu o połączenie eksperckiej ankiety opiniotwórczej oraz danych ilościowych. 2.4. Pozostałe wybrane podejścia do pomiaru innowacyjności 127 Cztery wskaźniki typu input w ramach HTI to: a) infrastruktura technologiczna – instytucje społeczne i ekonomiczne, wspomagające rozwój kraju, jego sektor produkcyjny i wprowadzanie na rynek nowych technologii; b) infrastruktura społeczno-ekonomiczna – instytucje społeczne i ekonomiczne niezbędne do podtrzymania i stymulowania opartego na zaawansowanych technologiach rozwoju; c) zdolności produkcyjne – zasoby fizyczne i ludzkie skupione na działalności produkcyjnej oraz efektywności, z jaką zasoby te są wykorzystywane; d) orientacja na kraj – polityka realizowana w kraju, instytucje i opinia publicznej, które wspomagają konkurencyjność technologiczną kraju. Wskaźniki są tak zaprojektowane, aby były użyteczne w prognozowaniu zmian w długim okresie w zakresie krajowej konkurencyjności pod względem zaawansowania technologicznego i pod kątem przyszłego potencjału eksportowego w odniesieniu do wysoko zaawansowanych technologii. Wskaźniki typu output to: a) pozycja gospodarki w zakresie technologii (pod względem zdolności produkcyjnych i eksportowych w odniesieniu do produktów zaawansowanych technologicznie); b) zaawansowane technologie w asortymencie eksportowym; c) stopa przyrostu w zakresie techniki. Wskaźniki stanowią miarę aktualnej konkurencyjności. Wskaźniki HTI typu input są stosowane przez National Science Foundation [Science and Engineering… 2008] do porównania perspektyw krajowej konkurencyjności w zakresie handlu opartego na wysoko zaawansowanych technologiach. HTI nie jest całkowicie porównywalne z innymi badaniami, ponieważ: a) obejmuje mniejszą liczbę krajów (ok. 30); b) jest skupione na prognozowaniu. ArCo nazwany tak od początkowych liter nazwisk twórców [Archibugi, Coco 2004] jest podejściem, w którym zestaw zmiennych obejmuje trzy różne wymiary zmian technologicznych dla 162 krajów, w dwóch latach (1990 i 2000). Pierwsza kategoria jest reprezentowana przez działalność innowacyjną systemu ekonomicznego w danym kraju (mierzoną liczbą patentów i publikacji naukowych). Drugi wymiar dotyczy rozpowszechniania technologii (Internet, telefony stacjonarne i komórkowe), a trzeci – jakości kapitału ludzkiego. System agregacji ArCo polega na obliczeniu średniej arytmetycznej z subwskaźników, ustalonych jako średnie arytmetyczne znormalizowanych zmiennych. W odpowiedzi na światowy i, szczególnie dotkliwy, krajowy kryzys, w ramach prac irlandzkiej grupy Innovation Taskforce, w 2010 r. powstał raport [Innovation Ireland… 2010], w którym przedstawiono strategię działań na rzecz innowacyjnej gospodarki, stwierdzając, że rozwijanie i „ujarzmianie” innowacyjności stawia określone wyzwania: opracowanie innowacji nie stanowi prostej podróży z punktu A 128 2. Metody pomiaru innowacyjności do B, lecz taką drogę, która zatacza pętle w czasie i przestrzeni. Aby innowacja przysparzała korzyści, konieczny jest system, w którym każdy komponent oraz to, w jakie interakcje wchodzi on z innymi elementami systemu, wspiera daną innowację w obrębie całej gospodarki i społeczeństwa. Komponenty, które tworzą powyższy system, to: przedsiębiorcy i przedsiębiorstwa (rodzime i zagraniczne), inwestycje w B + R, system edukacji, a zwłaszcza instytucje szkolnictwa wyższego, finanse, szczególnie kapitał ryzyka, środowisko podatkowe i legislacyjne oraz polityka publiczna i jej instytucje. Dla tak określonych komponentów stworzono zestaw mierników. Na podstawie badań prowadzonych w ramach EIS (European Innovation Scoreboard) M. Fraas [2004] dokonał oceny innowacyjności Oslo (na tle regionów UE 15), z wykorzystaniem takich grup wskaźników, jak: zasoby ludzkie, patentowanie, kreowanie wiedzy, transmisja i dyfuzja wiedzy, finansowanie innowacji output i rynkowych. Podobnie, mając na uwadze listę wskaźników European Innovation Scoreboard z 2007 r., w celu stworzenia przez The West Midlands Regional Observatory21 wskaźnika innowacji oparto się na analizie porównawczej oceny innowacji podjętej w regionie East of England. Stworzono tablicę umożliwiającą analizy biznesowe, poprzez przedstawianie danych w obrębie zakresu ramowego o określonej strukturze. Daje to użytkownikowi możliwość zdefiniowania, podążania śladem i monitorowania specyficznych wskaźników w celu zdeterminowania statusu interwencji strategicznych. Zdefiniowanie struktury tablicy, wybór adekwatnych wskaźników oraz ich wizualizacja stanowią elementy kluczowe tego podejścia. Tablica umożliwia użytkownikom identyfikowanie trendów i dotarcie do zestawów danych w celu usprawnienia procesu podejmowania decyzji. Tablica innowacji umożliwia porównanie wyników regionu West Midlands z innymi obszarami geograficznymi, a także ze średnią z całego kraju, pokazuje pozycję regionu w rankingu, pozwala na podsumowanie wyników regionu, wskazuje region o najlepszych wynikach umożliwiając regionowi West Midlands uczenie się od najlepszych. Wskaźniki zostały podzielone na kategorie: input, powiązania i output. Innowacyjny wkład uważany jest za działania podjęte przez region, które przyczyniają się do praktyk innowacyjnych, oraz które stwarzają klimat dla innowacji i przedsiębiorczości. Powiązania dotyczą wskaźników mierzących wszystkie te czynniki, które zbliżają ludzi lub podmioty gospodarcze zaangażowane w innowacje, łącznie z ich współpracą i aspektami infrastruktury wspierającej. Wyniki to takie wskaźniki, które odzwierciedlają, na ile praktyki innowacyjne odniosły sukces, bez względu na to, czy są to zastosowania patentowe, formy wprowadzające nowe produkty i procesy, nowatorską wiedzę czy też długoterminowa zmiana w GVA (Gross Value Added) per capita. W ramach prac zaproponowano następujące grupy wskaźników22: 21 22 http://wmro.wordpress.com/category/west-midlands-regional-observatory/. http://wmro.wordpress.com/category/west-midlands-regional-observatory/. 2.4. Pozostałe wybrane podejścia do pomiaru innowacyjności 129 input: – system edukacyjny: kwalifikacje edukacyjne na 1000 ludności, wskaźnik skolaryzacji (szkoły średnie) w relacji do średniej krajowej, – kapitał ludzki: migracje osób w wieku produkcyjnym netto w obrębie Wielkiej Brytanii, indeks kapitału ludzkiego (średnia ważona NVQ – National Vocational Qualifications), odsetek zatrudnionych z NVQ na poziomie 4 i powyżej, szkolenia siły roboczej, szkolenia organizacyjne, – inwestycje publiczne: wartość prac B + R prowadzonych przez instytucje rządowe (jako odsetek GVA), udział prac B + R prowadzonych przez placówki szkolnictwa wyższego (jako odsetek GVA), udział badań prowadzonych przez uczelnie wyższe stanowiących czołówkę światową lub uznanych za celujące w skali międzynarodowej, – inwestycje prywatne: inwestycje kapitału prywatnego we wczesne stadium i w rozwój biznesu per capita, działalność B + R realizowana w firmach (jako odsetek GVA), udział firm inwestujących w działania innowacyjne, udział firm inwestujących w majątek rzeczowy, udział pracowników zatrudnionych w działach B + R w firmach w ogólnej liczne pracujących w tych firmach; powiązania: – komunikowanie się: dostęp gospodarstw domowych do szerokopasmowego Internetu, dostęp MŚP do szerokopasmowego Internetu, – transport: liczba pasażerów regionalnych i międzynarodowych lotnisk, efektywna, przeciętna szybkość podróży po drogach, poza godzinami szczytu, do Londynu, efektywna, przeciętna szybkość podróży najszybszym pociągiem, w godzinach szczytu, do terminali lotniczych w Londynie, – interakcje: odsetek firm, które podpisały umowy o współpracy, finansowanie (ogółem) działalności konsultingowej i badań prowadzonych wspólnie przez firmy i ośrodki uniwersyteckie (w relacji do personelu akademickiego), współautorstwo publikacji pomiędzy pracownikami z regionów Wielkiej Brytanii oraz instytucjami partnerskimi spoza kraju; output: – firmy innowacyjne: udział firm ukierunkowanych na wiedzę, przedsiębiorstwa aktywne na polu innowacji, – nowatorskie innowacje: odsetek firm wprowadzających nowe produkty, – poszerzanie innowacji: odsetek firm wprowadzających istniejące produkty, odsetek firm wprowadzających istniejące procesy, – własność intelektualna: liczba nowych znaków handlowych per capita, udane wdrożenia projektów udzielone per capita, licencje na oprogramowanie komputerowe i niekomputerowe przypadające na 1000 pracowników akademickich, – wyniki ekonomiczne: regionalna GVA per capita w relacji do miejsca pracy, regionalna GVA per capita w odniesieniu do miejsca zamieszkania, krótkookresowe zmiany w regionalnej GVA per capita, długookresowe zmiany w regionalnej GVA per capita. 130 2. Metody pomiaru innowacyjności Również w badaniach innowacyjności regionów prowadzonych przez H. Krolla i T. Stahleckera [2009] zastosowano ujęcie input i output. Wyniki badań nad innowacyjnością i zebrane dane, służą w Polsce do formułowania i oceny realizacji specjalnych programów i strategii mających na celu wzrost innowacyjności i konkurencyjności polskiej gospodarki23 [Narodowa Strategia… 2007; Kierunki zwiększania… 2006]. Na poziomie regionalnym są elementem regionalnych strategii innowacyjnych – RIS [Strahl (red.) 2010]. Ocena innowacyjności prowadzona jest z uwzględnieniem pozycji Polski i polskich regionów w europejskiej przestrzeni oraz pozycji polskich regionów w rankingach krajowych: – pierwszy nurt badań reprezentują m.in. prace M.A. Weresy [2003], M. Markowskiej [2007, 2008a, b, 2009a, b], M. Markowskiej i D. Strahl [2007a, b, 2008, 2009], A. Olechnickiej [2007b]; – drugi to m.in. oceny potencjału innowacyjnego polskich regionów proponowane przez M. Feltynowskiego i A. Nowakowską [2009], G. Gorzelaka i A. Olechnicką [2003], A. Olechnicką [2007a], M. Markowską [2008a, b] i R. Guzika [2004], analizy wpływu poziomu technologii na skłonność regionów do innowacyjności prowadzone przez A. Świadka [2007], R. Guzika [2004], badanie poziomu innowacyjności województwa małopolskiego na tle innych regionów w kraju, ze szczególnym uwzględnieniem wielkości organizacji, formy prawnej, rodzaju działalności, lokalizacji, otwartości na rynki zagraniczne, które prowadzili A. Francik i A. Sokołowski [2006], analiza czynników innowacyjności regionów dokonana przez W. Gaczek [2005], badania uwarunkowań innowacyjności J.W. Komorowskiego [2005]. Z innych badań wspomnieć można stanowisko do diagnozowania innowacyjności, które przedstawił zespół pod kierownictwem J. Simmiego [2001], na przykładzie pięciu europejskich miast (Stuttgartu, Mediolanu, Amsterdamu, Paryża i Londynu) w ramach projektu ESRC, czy ocenę rozwoju technologiczno-organizacyjnego Poznania oraz sześciu innych polskich miast zaproponowaną przez R. Domańskiego [2001], podobnie analizę potencjału innowacyjnego wybranych polskich miast przeprowadził P. Siłka [2010]. Oprócz pomiarów innowacyjności pojawiają się także oceny pozwalające na ustalenie regionalnych wzorców specjalizacji. Badania te zmierzają do oceny, czy wzorce regionalne różnią się od krajowych, a jeśli tak, to w jaki sposób? Dotychczasowe badania sugerują, że nawet w regionach krajów różnią się często znacznie. Jednak przemysłowo silne regiony i ich profile specjalizacji technologicznych w dużej mierze mają wpływ na identyfikację krajowych profili. Podczas analizy profili na poziomie krajów, które są geograficzną sumą swoich części, obliczana średnia ukrywa na poziomie kraju silne regionalne różnice. Zrozumienie tych różnic, a także czynników, które je wywołują, stanowić powinny centrum regionalnego podejścia do badań naukowych. 23 Takich jak np.: Narodowa Strategia Spójności [2007] czy Kierunki zwiększania innowacyjności gospodarki na lata 2007–2013 [2006]. 2.4. Pozostałe wybrane podejścia do pomiaru innowacyjności 131 W ramach badań innowacyjności prowadzonych przez V. Peter i R. Frietscha [2009] na danych regionalnych wskazano dwie grupy mierników pozwalających na określenie specjalizacji naukowej i technologicznej. W badaniach firm prowadzonych przez GUS przestrzegane są standardy metodologiczne OECD24. Badania oparte na CIS są dostosowane do wymagań Eurostatu i aktualizowane zgodnie z kolejnymi jego rundami. Wyniki badań są publikowane corocznie w raportach Nauka i Technika (wersja skrócona), a w oparciu o rozszerzone badania oparte na CIS w publikacjach GUS25. Oprócz badań GUS w Polsce przeprowadza się wiele badań empirycznych (ankietowych) na temat działalności innowacyjnej przedsiębiorstw [Boni (red.) 2009; Żołnierski (red.) 2006; Procesy innowacyjne… 2005]. Istotne źródło informacji stanowią także inne opracowania dotyczące działalności badawczo-rozwojowej (B + R) i innowacji na rozwój społeczno-gospodarczy (np. [Pieńkowska 2005; Czyżewska 2005; Przedpełski 2005], a zwłaszcza ogłaszany od 2005 r. Raport o innowacyjności gospodarki Polski [Baczko (red.) 2009]. W kolejnej edycji inicjowanych przez PARP badań innowacyjności mikroprzedsiębiorstw [Juchniewicz, Grzybowska 2010, s. 26, 27] w ramach badania desk research mającego na celu uszczegółowienie zakresu badań przeprowadzono weryfikację dokumentów źródłowych (polskiej i zagranicznej literatury odnoszącej się do zagadnień innowacyjności przedsiębiorstw), proponując następujący ich podział i wskazując na znaczące pozycje w tym zakresie: – informacje oraz opracowania statystyczne i metodologiczne [Działalność innowacyjna… 2008; European Innovation Scoreboard 2008… 2009; European Innovation Scoreboard: Comparative… 2009; Innobarometer Innovation… 2004; Nauka i technika… 2009; Oslo Manual 2005; Wykorzystanie technologii… 2008]; – dokumenty rządowe i akty prawne [Kierunki zwiększania… 2006; Program Operacyjny… 2007; Proponowane kierunki… 2004; Strategia rozwoju… 2007], Ustawa o szkolnictwie wyższym [Ustawa z dnia 27 lipca 2005…], Ustawa o partnerstwie publiczno-prywatnym [Ustawa z dnia 28 lipca 2005…], Ustawa o niektórych formach wspierania działalności innowacyjnej [Ustawa z dnia 29 lipca 2005…], Ustawa o Krajowym Funduszu Kapitałowym [Ustawa z dnia 4 marca 2005…], Ustawa o zasadach finansowania nauki [Ustawa z dnia 30 kwietnia 2010…]; – raporty i opracowania z badań [Gomułka 2006; Klincewicz 2008; Mazurek-Kucharska i in. 2008; Pyciński, Żołnierski (red.) 2007; Starczewska-Krzysztoszek Stosowany jest kwestionariusz sprawozdania o innowacjach w przemyśle PNT-02 oraz PNT-02u dla sektora usług. 25 Działalność innowacyjna przedsiębiorstw przemysłowych oraz Działalność innowacyjna przedsiębiorstw w sektorze usług (wersja pełna). 24 132 2. Metody pomiaru innowacyjności 2007; Wpływ realizacji… 2008; Żołnierski 2005; Żołnierski (red.) 2005, 2006, 2009; Żołnierski, Zadura-Lichota (red.) 2008]; – pozostałe źródła [Chmielewski i in. 2001; Dzierżanowski i in. 2007; Gagacka 2007; Goldberg 2004; Grudzewski, Hejduk 2002; Matusiak, Stawasz 2001; Okręglicka 2007; Stryjakiewicz 2002], Innowacje, z punktu widzenia firmy [Prahalad, Krishnan 2010] postrzegane są jako kształtowanie oczekiwań konsumentów, a także jako ciągłe reagowanie na ich zmieniające się wymagania, zachowania i doświadczenia, z pomocą najlepszych talentów i zasobów dostępnych gdziekolwiek w świecie. Konieczne jest zespolenie tych dwóch idei w jedno: zasoby wielu dla zaspokojenia potrzeb jednostki, co jest możliwe, gdy zwraca się uwagę na spoiwo umożliwiające przekształcenie tych idei w konkretne działania. Takim spoiwem są procesy biznesowe w powiązaniu z permanentną analizą danych. Co można spuentować twierdzeniem M. Castellsa, iż przedsiębiorstwo przekształca sygnały w towary i usługi za pomocą przetwarzania wiedzy [Castells 1998]. Wśród innych badań dotyczących innowacyjności firm i/lub sektora wymienić można przykładowo: – propozycję M. Gomułki [2006] oceny innowacyjności branż w przemyśle i w usługach, – badania zmierzające do oceny innowacyjności branż (informatycznej i biotechnologii) w Polsce i w układzie porównań międzynarodowych [Klincewicz 2008], – kryteria kwalifikacyjne i mierniki innowacyjności firmy [Sosnowska (red.) 2000], – badania empiryczne dotyczące innowacyjności i potrzeb proinnowacyjnych krajowych przedsiębiorstw realizowane w 16 województwach m.in. na potrzeby przygotowania regionalnych strategii innowacji [Strahl (red.) 2010], – model organizacji procesu innowacyjności identyfikujący czynniki wspierające innowacyjność (wejście do procesu innowacyjności) w kilku obszarach na potrzeby badania innowacyjności wśród polskich spółek giełdowych [Innowacyjność polskich spółek… 2008], – dynamiczny wskaźnik innowacyjności firmy stanowiący efekt porównania zmian produktywności czynników wytwórczych i zmian rozmiarów kapitału intelektualnego zaproponowany przez W.K. Szalkiewicza i A. Skonieczka [2009]. Jak podkreśla A. Mettler [2009] początek nowej dekady i nowej strategii EU 2020 [Europe 2020… 2009] stwarzają doskonałą okazję do wprowadzenia nowych wskaźników, które mogłyby wspierać zrozumienie i świadomość kluczowych wyzwań strategicznych, a są nimi obok grup wskaźników takich jak: zrównoważenie środowiskowe, zmiany klimatyczne, zrównoważenie fiskalne, spójność społeczna, edukacja i możliwości wskaźniki z grupy „Innowacje i dynamizm”. Wskaźniki to pojęcia neutralne. Są one opracowywane w określonych okolicznościach, mają na nie wpływ interakcje i konflikty pomiędzy elementami systemu, który je wygenerował. Jednocześnie wpływają na rozwój strategii i badań nauko- 2.4. Pozostałe wybrane podejścia do pomiaru innowacyjności 133 wych. Mogą odgrywać ważną rolę w kształtowaniu opinii lub pełnić funkcję informacyjną. Podejście systemowe prowadzi do nowego modelu pomiarowego, który mógłby wychwycić dużo więcej aspektów skomplikowanego procesu innowacji. Poza problemami z uzyskaniem jak największej liczby kwantyfikowalnych wskaźników, dobrze opisujących na poziomie krajowym, regionalnym czy sektora bądź firmy innowacyjność, pojawiają się także trudności wynikające z interpretacji wskaźników: – wnioski formułowane na temat zależności na poziomie grupowym (np. krajowym), nie mogą zostać rozszerzone (bez znacznych modyfikacji) na poziom jednostkowy (np. firmy czy regionu) i odwrotnie, – istotne czynniki wpływające na działania innowacyjne są zależne od poziomu analizy, – zmiana skali geograficznej prowadzi do zastosowania innych ram koncepcyjnych. Zagadnienia związane z pomiarem innowacyjności stanowią wyzwanie dla statystyków i regionalistów. Ale statystyka poradziła sobie z tym zadaniem, prezentując, w wyniku prac zespołów badaczy, opracowania metodologiczne, a także prowadząc zakrojone na szeroką skalę badania statystyczne. W pracach tych ważne miejsce zajmują wskaźniki i składowe mierników innowacyjności odnoszące się do poziomu regionalnego. ROZDZIAŁ 3 Koncepcja pomiaru innowacyjności z wykorzystaniem metod taksonomicznych Duch innowacji wywodzi się zwykle z samolubnego usposobienia i ciasnoty umysłu. Ludzie, którzy nigdy nie oglądali się na przodków, nie będą myśleć o potomnych. Edmund Burke 3.1. Taksonomia i jej znaczenie w badaniach regionalnych „Taksonomia” to połączenie dwóch greckich słów, taxis – oznaczającego „układ, porządek”, oraz nomos – oznaczającego „prawo, zasadę”. Taksonomia jest nauką o zasadach i metodach klasyfikowania, w szczególności o tworzeniu o opisywaniu jednostek systematycznych i włączeniu ich w układ kategorii taksonomicznych. E. Nowak [1990] przyjmuje, że „Taksonomia jest […] tą dziedziną statystycznej analizy danych wielowymiarowej, która zajmuje się teoretycznymi zasadami i regułami klasyfikacji obiektów wielocechowych”. E. Mayr [1969] zdefiniował taksonomię jako teorię i praktykę klasyfikacji. Wraz z klasyczną nazwą występują też inne terminy, np. w celu podkreślenia, iż do klasyfikacji obiektów w wielowymiarowej przestrzeni cech wykorzystywane są metody ilościowe, wprowadzono termin „taksonomia numeryczna”, W literaturze anglojęzycznej używany początkowo termin numerical taxonomy [Sneath, Sokal 1973; Cole 1969] został całkowicie wyparty przez cluster analysis [Bijnen 1973; Everitt 1974]. Dosłowne tłumaczenie tego terminu jako „analiza skupień” występuje również w literaturze polskiej [Walesiak 1985]. Początki taksonomii jako nauki sięgają XVIII w. Za najważniejszego jej przedstawiciela w ujęciu jakościowym uważa się K. Linneusza, twórcę systematyki roślin i zwierząt. Dalszy rozwój metod ilościowych w drugiej połowie XIX w. zainspirowany został teorią ewolucji K. Darwina, a kolejny bodziec stanowiły badania antropologiczne i eugenika, zapoczątkowana przez F. Galtona. Tradycyjnie taksonomia i jej metody rozpatrywane były w ujęciu opisowym, deterministycznym, a jej zadaniem był podział skończonego zbioru obiektów na z góry ustaloną, lub nie, liczbę klas (grup), z zasadą zupełności i rozłączności klasyfikacji. Jednak z czasem zagadnienie klasyfikacji przedstawiono w ujęciu stochastycznym, 3.1. Taksonomia i jej znaczenie w badaniach regionalnych 135 traktując zbiór obserwacji jako próbę losową pochodzącą z różnych podpopulacji o danych rozkładach, a zadanie klasyfikacji stanowi taki podział, by w każdej klasie znalazły się obserwacje pochodzące z jednej podpopulacji. Obecnie w szerokim ujęciu chodzi nie tylko o klasyfikację danych, lecz także o ich statystyczną analizę. Przykładowo R. Decker i H.J. Lenz [(red.) 2007] wskazali na takie obszary badawcze, jak: grupowanie, klasyfikacja, analiza szeregów czasowych, metody wizualizacji danych, metody skalowania danych, pozyskiwanie informacji, data mining, web mining. Współcześnie metody analizy danych utożsamiane są bowiem z teorią i zastosowaniami w szerokim ujęciu metod statystycznych [Brandt 1999]. Osiągnięcia polskich naukowców w dziedzinie taksonomii przedstawił w referacie na konferencji w ramach obchodów 90-lecia GUS J. Pociecha [2007]. Wśród dokonań polskich naukowców wskazał J. Czekanowskiego, który zaproponował miarę podobieństwa pomiędzy obiektami w przestrzeni wielowymiarowej, a także metody porządkowania macierzy odległości metodą diagraficzną. Przypomniał też taksonomię wrocławską (metoda dendrytowa), polegającą na konstrukcji linii łamanej rozgałęziającej się, lecz niezawierającej łamanych zamkniętych, łączącej wszystkie obiekty należące do klasyfikowanego zbioru (dendrytu). Długości wiązadeł dendrytu są wyznaczane przez odległości pomiędzy odpowiednimi parami obiektów. Dendryt umożliwia nieliniowe uporządkowanie obiektów na płaszczyźnie. Za najlepsze uporządkowanie nieliniowe danego zbioru obiektów uznaje się takie uporządkowanie, dla którego dendryt ma najmniejszą długość. Podkreślił dokonania Z. Hellwiga, który zaproponował metodę porządkowania liniowego obiektów, pozwalającą na ustalenie rankingu, poprzez rzutowanie obiektów z wielowymiarowej przestrzeni cech na pewną prostą, z uwzględnieniem adekwatnych kryteriów porządkowania. Z. Hellwig [1968] zdefiniował przy tym konieczne pojęcia: „stymulanty” i „destymulanty”, oraz zaproponował dwa warianty metody: porządkowanie bezwzorcowe i wzorcowe, a metodę porządkowania liniowego obiektów w wielowymiarowej przestrzeni cech nazwał wielowymiarową analizą porównawczą. Podkreślić należy, że pierwsze zastosowanie porządkowania liniowego to właśnie statystyka regionalna. Z. Hellwig [1968] za pomocą wymienionych narzędzi analizował zróżnicowanie krajów pod względem poziomu ich rozwoju i zasobów ludzkich. Dalsze propozycje w tym zakresie zawarte są m.in. w pracy D. Strahl [1978]. Inną istotną dla dorobku polskiej nauki koncepcją jest taksonomia struktur [Chomątowski, Sokołowski 1978]. Nawiązaniem do metody taksonomii struktur jest praca [Strahl 1987], stanowiąca wzbogacenie i uogólnienie dotychczas stosowanych metod taksonomii struktur oraz zastosowania w badaniach regionalnych [Strahl (red.) 1998]. Nową ideą była dynamizacja metod taksonomicznych, nowa była też propozycja taksonomicznych metod periodyzacji zmian obiektów wielocechowych w przestrzeni czasu T. Grabińskiego [1975, 1984]. Tego zakresu dotyczyła m.in. praca T. Gra- 136 3. Koncepcja pomiaru innowacyjności z wykorzystaniem metod taksonomicznych bińskiego i współpracowników [1990]. Uogólnienie tego podejścia zaowocowało publikacjami z zakresu ekonometrii przestrzennej [Grabiński i in. 1991; Kopczewska 2007; Suchecki (red.) 2010]. Istotnym krokiem w rozwoju metod taksonomicznych była propozycja metody taksonomicznej nazwanej „metodą kul” [Bukietyński i in. 1969], a jej rozwinięcie metodologiczne w kierunku ujęcia stochastycznego przedstawione zostało w pracy U. Siedleckiej [1976]. Problem podziału taksonomicznego stanowi znalezienie obiektywnych kryteriów wyodrębniania grup [Szmigiel 1976]. Na potrzebę uwzględniania zasad i skal pomiaru w badaniach taksonomicznych zwraca uwagę m.in. M. Walesiak [1989], a na problem charakterystyki klas w taksonomii także E. Gatnar [2002]. Stochastyczne podejście wpisujące się w implementację metod rachunku prawdopodobieństwa w badaniach taksonomicznych przedstawił G. Trybuś [1981], a rozszerzone ujęcie metod taksonomicznych jako metod klasyfikacji rozmytej zaproponował K. Jajuga [1984]. Warto także wspomnieć rozmaite badania pokrewne związane bezpośrednio lub pośrednio z tą dziedziną, np. zastosowanie teorii zbiorów rozmytych czy testowania hipotez w taksonomii [Sokołowski 1992]. Wspomnijmy też o analizie z uwzględnieniem podziału cech na podgrupy dziedzinowe – tzw. taksonomii wielokryterialnej [Śmiłowska 1997; Malina 2002] oraz o skalowaniu wielowymiarowym [Borg, Groenen 1997], metodach dyskryminacji obiektów [Strahl 1981], tzw. analizie unfolding (analiza pełnego profilu produktu) i conjoint (analiza rozkładu oddziaływania), stosowanej do modelowania pomiaru preferencji konsumentów względem produktu scharakteryzowanego za pomocą wielu cech [Walesiak 2002b; Zaborski 2002]. Propozycją badawczą w dziedzinie taksonomii A. Młodaka [2006] jest wykorzystanie elementów analizy decyzyjnej w hierarchizowaniu obiektów, tzn. użycie ich jako narzędzi do ustalenia udziału danego obiektu w rozwoju całej zbiorowości, a tym samym jego znaczenia. Może to mieć praktyczne znaczenie z regionalnego punktu widzenia – jako pomocne w dokonywaniu rozdziału różnorodnych dóbr, np. lokalnych subwencji ze strony funduszy Unii Europejskiej. Ten krótki przegląd pokazuje, jak istotną rolę mogą odgrywać metody taksonomiczne – zarówno służebną, jak i decyzyjną. Jest to znaczny potencjał badawczy i warto z niego korzystać również w badaniach regionalnych. Do podstawowych współczesnych problemów klasyfikacji i analizy danych należą: ogólne problemy grupowania, własności procedur taksonomicznych, taksonomia struktur, taksonomia szeregów czasowych, teoria rozkładów wielowymiarowych i ich mieszanek, optymalizacja podziałów, klasyfikacja i regresja, teoria grafów, data mining, zastosowania metod taksonomicznych. W analizie taksonomicznej można wyróżnić dwa zasadnicze podejścia, które wyłoniły się z wielu prac naukowych ostatniego półwiecza, a ich główne zadania badawcze to: – zadanie grupowania operacyjnych jednostek taksonomicznych, – zadanie liniowego porządkowania obiektów. 3.1. Taksonomia i jej znaczenie w badaniach regionalnych 137 Pierwsze z nich pokrywa się ideowo z pojęciem cluster analysis. Opiera się na konstrukcji miary odległości pomiędzy obiektami wielocechowymi. Oprócz cytowanej już taksonomii wrocławskiej, do tej kategorii zaliczyć można prace m.in. J.H. Warda [1963], S. Chomątowskiego i A. Sokołowskiego [1978], E. Nowaka [1981], J. Rutkowskiego [1981] czy najnowsze prace M. Walesiaka [2002a] oraz M. Walesiaka i in. [2002]. Zestawienie i omówienie istniejących miar odległości zaprezentowano w Dictionary of Distances oraz Encyclopedia of Distances [Deza, Deza 2006, 2009]. W dorobku światowym zwrócić należy uwagę m.in. na pozycje krótko scharakteryzowane poniżej. Wiele algorytmów analizy skupień opisał w swojej książce1 J.A. Hartigan [1975]. B. Mirkin [2005], nawiązując do swego opracowania wcześniejszego [1966], potwierdza, że najpopularniejszymi metodami analizy skupień są metoda k-średnich oraz metoda Warda i poświęca im specjalne rozdziały (odpowiednio 3 i 4). Stwierdza – pomijając w rozważaniach J. Czekanowskiego – że rozwój metod taksonomicznych był związany z trzema obszarami zastosowań: analizą czynnikową w psychologii [Holzinger, Harman 1941], taksonomią numeryczną w biologii [Sneath, Sokal 1973] oraz metodami uczenia nienadzorowanego w rozpoznawaniu obrazów [Duda, Hart 1973]. Stwierdza także, iż obecnie występują dwa nurty literatury z zakresu analizy skupień. Pierwszy stara się dostarczyć ogólnej wiedzy na temat tych metod. Praca A.D. Gordona [1999] skierowana jest do czytelników z przygotowaniem matematycznym, natomiast książka B.S. Everitta i in. [2011] nie wymaga takiego przygotowania. Druga grupa prac prezentuje metody i skupia się na szczegółowym przedstawianiu algorytmów (np. [Kaufman, Rousseeuw 1990; Dunham 2003]). W artykule A review of classification R.M. Cormack [1971] zawarł obejmujący ponad 200 pozycji kompletny (na tamten moment) przegląd literatury. Wprowadził też rozróżnienie pojęciowe: przyporządkowywanie, identyfikacja – to przyporządkowanie obserwacji do znanych klas, klasyfikacja – to tworzenie klas. Obecnie w dziedzinie tych pojęć panuje chaos, szczególnie różnie rozumiany jest termin „klasyfikacja”. W rozdziale ósmym pracy zespołu J.F. Hair Jr, W.C. Black, B.J. Babin, R.E. Anderson i R.L. Tatham [2006] szczególną uwagę poświęcono analizie skupień. Przy tym w całym rozdziale jest jeden(!) wzór – na odległość euklidesową, i to tylko na płaszczyźnie. Jest to pozycja zdecydowanie dla „matematycznie opornych”, za to zawiera dużo informacji praktycznych, słowniczek pojęć i schematy typowego postępowania. M.S. Aldenderfer i R.K. Blashfield [1984] zawarli w swej pracy zestaw algorytmów, przegląd programów komputerowych do analizy skupień, przegląd literatury. Podkreślili także dorobek J. Czekanowskiego [1911] w tej dziedzinie. Ponadto, co wówczas było bardzo pomocne – podał wydruki podprogramów w języku FORTRAN (wtedy, gdy pisał tę książkę, istniały tylko trzy inne na temat analizy skupień wydane w języku angielskim). 1 138 3. Koncepcja pomiaru innowacyjności z wykorzystaniem metod taksonomicznych Trzeba także zwrócić uwagę na kolejne rozszerzenie klasycznej pracy B.S. Everitta, którą przygotował z zespołem2 [2001]. Zawartość książki to dziewięć rozdziałów: wstęp do klasyfikacji i analizy skupień, graficzne metody wykrywania skupień, mierzenie podobieństwa (tu też o ważeniu i standaryzacji), hierarchiczna analiza skupień (w tym o metodzie Warda), optymalizacyjne techniki analizy skupień (tu o metodzie k-średnich), mieszanki rozkładów jako modele populacji do analizy skupień (w tym opis metody EM), podejście modelowe w analizie skupień, różne metody analizy skupień (w tym o metodach rozmytych i o sieciach neuronowych, gdzie m.in. omówiono popularne samoorganizujące się mapy Kohonena), a w ostatnim: m.in. punkt 9.4 o porównywaniu dendrogramów, podziałów i miar podobieństwa. Książka B.S. Everita i in. [2011] zawiera także obszerną bibliografię zawierającą prawie 500 pozycji literaturowych3. Do innych pozycji literaturowych, równie interesujących i ważnych dla poruszonych zagadnień zaliczyć należy m.in. prace [Anderberg 1973; Jardine, Sibson 1975; Romesburg 1984; Murtagh 1985; Jain, Dubes 1988; McLachlan, Basford 1988; Bailey 1994; Arabie i in. (red.) 1996; Hastie i in. 2001]. Dla drugiego zadania badawczego, czyli porządkowania liniowego, w pracach krajowych zaproponowano, jak wspomniano wcześniej, termin wielowymiarowa analiza porównawcza (WAP). T. Grabiński [1984] stwierdza, że „najogólniej biorąc WAP zajmuje się metodami i technikami porównywania obiektów wielocechowych” (por. też: [Hellwig 1968; Gorzelak 1981; Borys 1982]). W ramach WAP rozpatrywane jest zagadnienie hierarchizacji liniowej (porządkowania liniowego) zbioru obiektów w wielowymiarowych przestrzeniach cech, z punktu widzenia pewnej charakterystyki, której nie można zmierzyć w sposób bezpośredni. To tworzenie miar opartych głównie na określeniu tzw. taksonomicznego wzorca rozwoju, czyli swoistego „obiektu idealnego” dla danej dziedziny, a następnie wyznaczeniu odległości poszczególnych obiektów od ustalonego wielocechowego optimum. Kolejnym krokiem na tej ścieżce jest konstrukcja miernika syntetycznego. Klasyfikacja otaczającej nas rzeczywistości jest pierwszym z podstawowych celów nauki [Pociecha 2007]. Klasyfikacja jest jednocześnie narzędziem i celem poznania [Pociecha i in. 1988, s. 9], ma także wiele innych znaczeń, a najważniejsze to [Grabiński i in. 1989, s. 9]: – dział metodologii ogólnej, który oprócz gromadzenia informacji i modelowania zjawisk jest jednym z podstawowych narzędzi badania rzeczywistości, – czynność podziału zbioru (jednostek, obiektów) na podzbiory (skupiska, klasy, grupy) z punktu widzenia określonego kryterium opartego na określonych cechach klasyfikowanych elementów zbioru, B.S. Everitt, S. Landau, M. Leese i D. Stahl. Wśród nich np. artykuł zespołu Uniwersytetu Ekonomicznego we Wrocławiu: K. Jajugi, M. Walesiaka i A. Bąka z 2003 r. (On the generalized distance measure, [w:] M. Schweiger, O. Opitz (red.), Exploratory Data Analysis in Empirical Research, Springer-Verlag, Heidelberg) [2003]. 2 3 3.1. Taksonomia i jej znaczenie w badaniach regionalnych 139 zespół zasad, na których podstawie dokonywany jest podział, efekt procesu klasyfikacji. Taksonomia jako nauka, której główną ideę stanowią agregacyjna analiza i porządkowanie obiektów opisanych za pomocą licznych zmiennych statystycznych, odgrywa istotną rolę w badaniu efektywności rezultatów osiąganych przez politykę regionalną oraz w kompleksowej ocenie zróżnicowania jednostek terytorialnych w świetle różnorodnych zjawisk społeczno-gospodarczych [Młodak 2006]. Jak podkreśla A. Młodak [2006], istotny rozwój metod badania przestrzennego zróżnicowania obiektów wielocechowych w zakresie zjawisk społeczno-gospodarczych notuje się dopiero w drugiej połowie XX w. Stosowanie metod analizy taksonomicznej zawężano wcześniej do nauk biologicznych, a zwłaszcza badania systematyki organizmów – szczególnie w botanice, entomologii i antropologii. Punkt wyjścia do nowoczesnej analizy taksonomicznej stanowi zbiorowość obiektów będących podmiotami badania, scharakteryzowanych za pomocą zestawu cech statystycznych. Cechy te zawierają opis przedmiotu analizy, tj. konkretnego fragmentu rzeczywistości społeczno-gospodarczej. Cel badawczy stanowi wyodrębnienie skupisk obiektów o podobnym poziomie rozwojowym w rozpatrywanym obszarze oraz określenie zróżnicowania obiektów i ich skupisk. Punktem wyjścia w badaniach taksonomicznych jest ustalenie przedmiotu klasyfikacji i przestrzeni klasyfikacji. Przedmiot klasyfikacji (Ω) definiuje się jako przeliczalny zbiór elementów dowolnej natury. Przestrzeń klasyfikacji (Θ) to zbiór własności, które charakteryzują elementy zbioru stanowiącego przedmiot klasyfikacji. W interpretacji geometrycznej Ω jest zbiorem punktów w wielowymiarowej przestrzeni klasyfikacji Θ. W konkretnych zastosowaniach tzw. kostka danych tworzona jest przez zbiór obiektów, zbiór cech oraz zbiór jednostek czasu. Przedmiotem klasyfikacji może być każdy z tych zbiorów lub ich iloczyny kartezjańskie (wszystkie możliwości w tej mierze omawia A. Sokołowski [1982]). Niekiedy elementy poddawane analizie określane są mianem operacyjnych jednostek taksonomicznych (OTU – operational taxonomic unit). Dokładniej rzecz biorąc, taksonomiczny „obiekt” stanowi pewne ogólne pojęcie i może być rozmaicie interpretowany. Pozostając w obrębie statystyki regionalnej, jako obiekty przyjmuje się przede wszystkim jednostki podziału administracyjnego, a w niektórych przypadkach (zwłaszcza, gdy bada się zmienność struktur w czasie) – poszczególne lata. Myślenie kategoriami przestrzennymi oraz czasowo-przestrzennymi w teorii i praktyce staje się zjawiskiem powszechnym, oznaczając wszechstronne i nowoczesne podejście do analiz teoretycznych i empirycznych złożonych, wzajemnie powiązanych zjawisk [Suchecki (red.) 2010]. – – 140 3.2. 3. Koncepcja pomiaru innowacyjności z wykorzystaniem metod taksonomicznych Dynamiczne analizy innowacyjności Regiony jako systemy ekonomiczne są uważane za złożone, dynamiczne mechanizmy, zdolne do rozwoju, o różnych poziomach efektywności dynamicznej, będących wynikiem zachowania się podmiotów oraz struktury ich relacji, o zróżnicowanej zdolności do zmiany zasad i sieci interakcji. Przez to są one zorientowane na tworzenie nowej wiedzy technologicznej i wprowadzanie nowych technologii. W badaniach regionalnych, w tym także w ocenie innowacji, coraz więcej miejsca poświęca się analizom dynamicznym, na których istotę już wcześniej zwracali uwagę ekonomiści. J.A. Schumpeter doszedł do wniosku, że funkcjonowanie całej gospodarki oddziałuje na zmiany zachodzące w produkcji, poprzez nowe maszyny i procesy techniczne (gospodarka rozwija się w efekcie dynamiki zmian technicznych). Postrzeganie ekonomii jako dynamicznego procesu nierozerwalnie związanego z polityką społeczną i instytucjonalną jest obecne w całym dorobku J.A. Schumpetera [1911, 1939, 1942, 1961]. A. Smith [1776] dostarczył uzasadnienia roli wiedzy i zmiany technologicznej jako czynników endogennych w wyjaśnianiu dynamicznego charakteru procesu ekonomicznego. A. Marshall [1890] śledził kierunek badań A. Smitha i odkrył związek między podziałem pracy a wprowadzeniem nowych technologii. Zmiana technologiczna i specjalizacja to dwie strony tego samego procesu. A.A. Young [1928], rozwijając myśl A. Marshalla, przyczynił się do skupienia uwagi na kluczowej roli dynamiki endogennej w pracy A. Smitha. Według A.A. Younga interakcja między zmianą technologiczną a strukturalną jest wzmacniana przez dynamikę podziału pracy. Specjalizacja, akumulacja umiejętności, wprowadzanie nowych technologii oraz wzrost wielkości rynku, to kroki w kierunku progresywnej i skumulowanej zmiany. A.A. Young podkreśla zasadniczą rolę zmiany technologicznej w rozwoju ekonomicznym, jako wyniku i przyczyny rosnącego zróżnicowania technologicznego i jego komplementarności w obrębie systemu ekonomicznego. Ustanawia tym samym pierwsze elementy dynamicznego podejścia systemowego do zrozumienia rozwoju ekonomicznego4. N. Kaldor [1972] uznał zasadniczy wkład A. Smitha w budowanie dynamicznej teorii procesu ekonomicznego, gdzie kluczowe miejsce zajmują zmiana technologiczna i wiedza technologiczna indukowane przez wzajemne oddziaływanie skutków podziału pracy oraz rozmiarów rynku. Z. Griliches [1957], wprowadzając epidemiologię do ekonomii innowacji, dostarcza nowego narzędzia analitycznego i kontekstu dla analizy empirycznej, gdzie choroba zakaźna jest porównywana do rozprzestrzeniania się, przyjmując, że podmioty gospodarcze są heterogeniczne, a siła napędowa dynamiki opiera się na rozprzestrzenianiu się informacji. G. Dosi [1982] wprowadza pojęcie trajektorii i stosuje je do zrozumienia dynamiki innowacji w odniesieniu do sekwencji dobrze określonych Systemy ekonomiczne są postrzegane jako złożone i dynamiczne organizacje adaptacyjne, stworzone przez autonomiczne, a jednak wzajemnie powiązane i zależne od siebie jednostki, które zmieniają się w czasie. 4 3.2. Dynamiczne analizy innowacyjności 141 technologii oraz do sekwencji innowacji wprowadzonych przez wyodrębnione firmy i, ostatecznie, systemy ekonomiczne, takie jak regiony, gałęzie przemysłu, a nawet kraje. C. Antonelli [1997, 2007] podkreśla, że firmy wprowadzają innowacje, gdy staną w obliczu zmian oczekiwanego stanu świata, spowodowanych przez zmiany na rynkach produktów i zmiany czynników produkcji. Wskazując na dynamiczny charakter procesów innowacyjnych, B. Fiedor [1979a, b] przypomina, że nic nie może zastąpić analizy historycznej ani porównawczej, ani też analizy mechanizmów rządzących przebiegiem rzeczywistych procesów innowacyjnych, które przechodzą głównie przez graniczące ze sobą obszary nauki, technologii i gospodarki. Innowacja jest powodowana przez niedopasowanie nieoczekiwanych wydarzeń, których wystąpienia nie można w pełni przewidzieć. Tempo zmiany technologicznej pozostaje pod wpływem względnej wydajności poszukiwania nowych technologii. Ta dynamika prowadzi firmy do pozostania w obrębie technik zbliżonych do obecnie funkcjonujących i do kontynuacji ulepszania używanej technologii. Struktura systemu regionu, w którym zlokalizowane są firmy, odgrywa istotną rolę w kształtowaniu dynamiki, na poziomie zarówno zbiorowym, jak i indywidualnym. Interakcje, sieci współpracy i komunikacji, przepływ technologicznych czynników zewnętrznych, struktura rynków dla produktów i procesów oraz formy konkurencji przeważające na każdym z nich, rozmieszczenie geograficzne firm, ich zagęszczenie w przestrzeni regionalnej i technologicznej, formy organizacji wewnątrz i między firmami, kontekst instytucjonalny są mezoekonomicznymi nośnikami historii i, jako takie, zawierają pamięć systemu. Zmieniają się one w czasie, choć w wolnym tempie, w wyniku dynamiki podmiotów oraz zbiorowości. Mezoekonomiczna charakterystyka systemu działa jako filtr pomiędzy dynamiką na poziomie indywidualnym i zbiorowym [Antonelli 2008a]. Funkcjonowanie każdej jednostki gospodarującej kształtowane jest w warunkach oddziaływania na nią przeszłości – podmioty gospodarujące mają zdolność do zmiany trajektorii swych działań, poprzez generowanie nowej wiedzy technologicznej i wprowadzanie innowacji technologicznych. Dynamika sprzężenia zwrotnego uwzględniana jest w różnych kontekstach. Wprowadzenie innowacji zmienia strukturę systemu, a to z kolei wpływa na działanie firm, łącznie z wprowadzeniem innych innowacji. Analizowanie zjawisk w ujęciu dynamicznym wymaga nowego podejścia do kwestii wskaźników, a jak podkreśla A. Mettler [2009], początek dekady i obecna strategia EU 2020 [Europe 2020… 2009], stwarzają doskonałą okazję do wprowadzenia wskaźników, które mogłyby wspierać zrozumienie i świadomość kluczowych wyzwań strategicznych, a są nimi, oprócz grup wskaźników takich jak: zrównoważenie środowiskowe, zmiany klimatyczne, zrównoważenie fiskalne, spójność społeczna, edukacja i możliwości, wskaźniki z grupy „Innowacje i dynamizm”, tj.: wzrost produktywności, liczba osób zmieniających pracę, liczba wysoko wykwalifikowanych emigrantów, współczynnik otwierania/zamykania nowych firm. W tym 142 3. Koncepcja pomiaru innowacyjności z wykorzystaniem metod taksonomicznych miejscu należy zwrócić uwagę na to, iż wymienione wskaźniki oceniają zmiany, są wskaźnikami dynamiki. Oprócz pomiarów innowacyjności pojawiają się także oceny polegające na ustaleniu regionalnych wzorców specjalizacji. W ramach badań prowadzonych przez V. Petera i R. Frietscha [2009], a zmierzających do określenia specjalizacji naukowej i technologicznej regionu, wskazano następujące mierniki: – specjalizację naukową: pomiar tzw. mocy akademickiej, systemu badań, wydajności na podstawie: publikacji naukowych w 11 dziedzinach, w tym liczba publikacji, liczba publikacji na tysiąc mieszkańców, udział publikacji z danego regionu w publikacjach kraju, nakłady na B + R ogółem, nakłady firm na B + R, dynamika nakładów na B + R ogółem, dynamika nakładów firm na B + R, udział nakładów B + R w PKB, udział pracujących w B + R, udział pracujących w przemyśle wysoko i średnio zaawansowanym technologicznie, udział pracujących w usługach opartych na wiedzy, dynamika udziału pracujących w B + R, dynamika udziału pracujących w przemyśle wysoko i średnio zaawansowanym technologicznie, dynamika udziału pracujących w usługach opartych na wiedzy; – specjalizację technologiczną: patenty, głównie z sektora produkcyjnego (11 dziedzin, w tym m.in. telekomunikacja, optyka, biotechnologia, transport), w oparciu o dane Europejskiego Urzędu Patentowego, patenty na milion ludności, patenty wysokiej techniki, patenty wysokiej techniki na milion ludności, dynamika tych wielkości. Poza wskaźnikami, również w modelach obejmujących zagadnienia związane z innowacyjnością obecne jest ujęcie dynamiczne, a jako przykład można wskazać model innowacji typu Triple Helix, który zaproponowali L. Leydesdorff i M. Fritsch [2005], gdzie w systemie trójwymiarowym wymiar geograficzny umiejscawia zaangażowane jednostki, pokazuje relacje wymiany gospodarczej oraz ilustruje dynamikę innowacji opartej na wiedzy (rys. 3.1). Wszelkie innowacje zaburzają tendencje do osiągnięcia równowagi dominującej w systemach rynkowych [Schumpeter 1939; Nelson, Winter 1982a], a gospodarka, wiedza i przestrzeń wchodzą we wzajemne interakcje. Można zadać pytanie, czy istnieje możliwość operacjonalizacji tak ulotnego porządku [Skolnikoff 1993], a tym bardziej przeprowadzenia jego pomiaru [David, Foray 2002]. L. Leydesdorff i M. Fritsch [2005] twierdzą, że interakcje zachodzą pomiędzy dynamicznymi komponentami: wymianą gospodarczą, innowacjami technologicznymi oraz kontrolą instytucjonalną. Model innowacji Triple Helix odzwierciedla relacje zachodzące pomiędzy uniwersytetami, sektorami przemysłu a organami rządowymi zlokalizowanymi w regionie. Wzajemne oddziaływania pomiędzy strukturą systemu a innowacją, a także działalność i wydajność firm zlokalizowanych w regionie pozostają oczywiście pod wpływem struktury systemu, istniejącej w czasie t, ale z kolei wywierają one silny wpływ na charakterystykę tej struktury w czasie t + 1, za pomocą wprowadzenia innowacji. Ustalana jest nowa struktura i, w celu dostosowania się do niej, firmy 143 3.3. Taksonomia dynamiczna w ocenie poziomu innowacyjności wiedza innowacje infrastruktura wiedzy gospodarka oparta na wiedzy gospodarka geografia polityka gospodarcza Rys. 3.1. Wzajemne interakcje w modelu Triple Helix Źródło: opracowanie na podstawie [Leydesdorff, Fritsch 2005]. opracowują nowe strategie obejmujące wprowadzenie kolejnych innowacji. Zrozumienie relacji wskazuje drogę do uchwycenia podstawowych elementów ciągłego i dynamicznego układu sprzężeń zwrotnych między postępowaniem i wydajnością firm, tempem i kierunkiem zmian: technologicznej i strukturalnej. Wzrasta też świadomość ich ewoluującej i historycznej charakterystyki. W badaniach innowacyjności regionalnej z powodzeniem wykorzystywana jest także trójwymiarowa „kostka danych”, w której wektorami są: obiekty badawcze (regiony), cechy diagnostyczne (indykatory innowacyjności) oraz jednostki czasu. Podejście takie jest bowiem szczególnie przydatne w opisie zjawisk złożonych. 3.3. Taksonomia dynamiczna w ocenie poziomu innowacyjności Jak wskazano wcześniej, analiza taksonomiczna prowadzi do podziału badanego zbioru na bardziej jednorodne podzbiory. Jeśli oznaczymy podzbiór, który należy podzielić, przez Ω, to operacyjne jednostki taksonomiczne stanowią elementy tego zbioru (ω). Na zbiorze Ω można ustalić macierz połączeń P, macierz binarną, w której jedynka oznacza, iż elementy o odpowiednich numerach (wiersza i kolumny) przyporządkowano do tej samej podgrupy. Kontynuując, klasyfikacją δ (Ω) zbioru Ω określono uporządkowaną dwójkę 〈Ω, PΩ〉, a rodzina klasyfikacji to Λ, przy czym Λ {δi, (Ω)}, i = 1, 2, ..., s. Za pracą T. Grabińskiego [1975], który jako pierwszy zajmował się zagadnieniami dynamicznymi w analizach wielowymiarowych, przyjęto następujące oznaczenia: 144 3. Koncepcja pomiaru innowacyjności z wykorzystaniem metod taksonomicznych Y = {y1, y2, …, ym} – zbiór obiektów, Z = {z1, z2, …, zw} – zbiór cech, T = {t1, t2, …, tn} – zbiór jednostek czasu (momentów lub okresów). Dla zbiorów jednoelementowych zastosowano oznaczenia małymi literami bez subskryptów (odpowiednio y, z, t). W proponowanym przez A. Sokołowskiego [1982] podziale zagadnień taksonomicznych ustalono dwupozycyjny zapis modelu, gdzie przed przecinkiem podany jest przedmiot klasyfikacji5, a po przecinku elementy przyjęte jako stałe w danym zagadnieniu, generujące przestrzeń klasyfikacji. Przestrzeń klasyfikacji tworzona jest przez zbiory Y, Z, T, a także przez ich iloczyny kartezjańskie lub iloczyny kartezjańskie ich podzbiorów. Po uproszczeniu zapisu skrócone oznaczenia tych iloczynów to np.: ZY = Z × Y = {z1y1, z2y1, …, zwy1, z1y2, z2y2, …, zwy2, …, zwym}, Yt = Y × t = {y1t, y2t, ymt}. Badania prowadzone być mogą z wykorzystaniem następujących podejść: – prostego, obejmujące grupowanie obiektów, periodyzację, wybór cech diagnostycznych, – złożonego, w skład którego wchodzą: klasyfikacja w przestrzeni cech, klasyfikacja w przestrzeni obiektów i klasyfikacja w przestrzeni czasu, – wobec zagadnień kompleksowych – łączne porządkowanie obiektów, cech oraz jednostek czasu. Przyjmując, że analiza taksonomiczna ma na celu ocenę zjawiska złożonego, jakim jest innowacyjność, a obiektami badania są regiony UE, to adaptację tego podejścia można poprowadzić w sposób następujący. We wstępnej ocenie innowacyjności przydatne jest proste zagadnienie taksonomiczne proponujące grupowanie, periodyzację i wybór cech diagnostycznych. I tak w grupowaniu możliwe jest np.: – grupowanie regionów opisanych wybraną charakterystyką innowacyjności w ustalonej jednostce czasu: [Y, zt], – klasyfikacja regionów opisanych wieloma charakterystykami innowacyjności w jednej jednostce czasu (klasyczne zagadnienie taksonomii): [Y, Zt], – (3.2) grupowanie regionów opisanych wybraną charakterystyką innowacyjności na podstawie informacji obejmujących odcinek czasowy T: [Y, zT], – (3.1) (3.3) grupowanie regionów opisanych charakterystykami innowacyjności w czasie: [Y, ZT]. (3.4) 5 Podejście taksonomiczne wymaga, aby na pozycji tej występował zbiór o mocy większej od jedności. 3.3. Taksonomia dynamiczna w ocenie poziomu innowacyjności 145 W zagadnieniu periodyzacji przedmiotem klasyfikacji są jednostki czasu, dla których w regionach obserwowane są charakterystyki innowacyjności. Periodyzacja w takim przypadku może polegać na wyodrębnieniu podzbiorów okresów (lub momentów), w których regiony były podobne w sensie wartości charakterystyk innowacyjności lub też na wyodrębnieniu faz rozwojowych, czyli podokresów, w których w regionach zachodzą względnie trwałe, ukierunkowane przeobrażenia, co implikuje następujące techniki periodyzacji: – periodyzację rozwoju regionu opisanego wybraną charakterystyką innowacyjności: [T, zy], – periodyzację rozwoju regionu opisanego wieloma charakterystykami innowacyjności: [T, Zy], – (3.6) periodyzację zbioru regionów opisanych wybraną charakterystyką innowacyjności: [T, zY], – (3.5) (3.7) periodyzację zbioru regionów opisanych wieloma charakterystykami innowacyjności: [T, ZY]. (3.8) Wybór cech diagnostycznych stanowi problem dualny wobec zagadnień grupowania obiektów oraz periodyzacji. Zebranie wstępnej listy charakterystyk innowacyjności w podzbiory podobnych (skorelowanych) umożliwia ustalenie wektora nośników informacji o możliwie niewielkiej liczbie składowych, a jednocześnie wyjaśniających w jak największym stopniu zmienność obiektów. Dobrze przeprowadzony wybór implikuje poprawność końcowych wyników grupowania regionów lub periodyzacji, zwłaszcza w sytuacji, gdy każda charakterystyka innowacyjności w procesie delimitacji ma tę samą wagę. Przebieg wyboru cech może być następujący: – klasyfikacja charakterystyk innowacyjności dla wybranego regionu w jednej jednostce czasu, przy czym, choć teoretycznie możliwe, jednak jest to zagadnienie praktycznie niemożliwe do poprawnego rozwiązania, ponieważ do dyspozycji mamy tylko po jednej realizacji każdej, różnie mianowanej cechy, co nie pozwala przeprowadzić standaryzacji i sensownego porównania: [Z, yt], – (3.9) zagadnienie dualne wobec (3.2), rozważane przy tzw. redukcji przestrzeni klasyfikacji przed podziałem regionów opisanych wieloma charakterystykami innowacyjności: 146 3. Koncepcja pomiaru innowacyjności z wykorzystaniem metod taksonomicznych [Z, Yt], – wybór charakterystyk innowacyjności do zagadnienia periodyzacji rozwoju jednego regionu: [Z, yT], – (3.10) (3.11) wybór charakterystyk innowacyjności do periodyzacji zbioru regionów: [Z, YT] . (3.12) W realizacji złożonych zagadnień taksonomicznych przedmiot klasyfikacji stanowią zbiory generowane przez iloczyny kartezjańskie Y, Z, T, łączące po dwa problemy proste, a kryterium podziału zagadnień złożonych jest przestrzeń klasyfikacji (charakterystyki, regiony, czas). W ramach klasyfikacji w przestrzeni cech możliwe są: – periodyzacja i grupowanie regionów opisanych wybraną charakterystyką innowacyjności: [YT, z], – (3.13) periodyzacja i grupowanie regionów opisanych wieloma charakterystykami innowacyjności: [YT, Z]. (3.14) Periodyzacja i grupowanie regionów z wykorzystaniem wybranej lub wielu charakterystyk innowacyjności wydają się najbardziej przydatne w grupie modeli złożonych. Stanowią one, poprzez dodanie czynnika czasu, rozszerzenie klasycznego zadania taksonomii. Do ogólnych zasad rozwiązywania zagadnień złożonych zalicza się dwa podejścia [Sokołowski 1982]: a) rozwiązanie bez priorytetu, w którym każdy z „czasoobiektów” (region w jednostce czasu) traktowany jest jako pojedyncza operacyjna jednostka taksonomiczna (OJT), a grupowanie przeprowadza się bez względu na merytoryczną treść, jaką te OJT reprezentują. Jednak otrzymane podzbiory ze względu na możliwy brak spójności czasowej i przestrzennej mogą być trudne do sensownej interpretacji, b) rozwiązanie z priorytetem, wymagające wstępnych ustaleń: czy realizowane będzie grupowanie regionów z uwzględnieniem czynnika czasu (priorytet przestrzenny), czy też periodyzacja z uwzględnieniem grupowania regionów (priorytet czasowy). Wybór priorytetu przestrzennego przede wszystkim determinuje grupowanie regionów dla każdej jednostki czasu, czyli rozwiązanie n-elementowego ciągu zagadnień [Y, Zt], t ∈ T, co w efekcie daje n uporządkowanych klasyfikacji zbioru Y, czyli: ΛY: {δt (Y)}, t ∈ T. Następnie należy dokonać podziału zbioru jednostek czasu (periodyzacji), przy czym przestrzeń klasyfikacji generowana jest przez ΛY. Rozwiązujemy zagadnienie 3.3. Taksonomia dynamiczna w ocenie poziomu innowacyjności 147 typu [T, ΛY], otrzymując fazy rozwojowe uporządkowanego (pogrupowanego) zbioru regionów. Wybór priorytetu przestrzennego w rozwiązywaniu zagadnienia (3.14) wyznacza postępowanie według następującego modelu: [YT, Z] ⇒ [T, ΛY], δt (Y): [Y, Zt]. (3.15) Przyjęcie priorytetu czasowego implikuje postępowanie, którego efektem są podzbiory regionów, gdzie rozwój przebiegał podobnie w rozważanym czasie T: [YT, Z] ⇒ [Y, ΛT], δy (T): [T, Zy]. (3.16) Dobrze jest także ustalić tzw. klasyfikacje uśrednione, polegające przy priorytecie czasowym na wyznaczeniu typowej klasyfikacji regionów dla każdej fazy rozwojowej, a przy priorytecie przestrzennym – typowej periodyzacji dla każdej podgrupy regionów. W ramach klasyfikacji w przestrzeni regionów w obu poniższych modelach operacyjnymi jednostkami taksonomicznymi są „czasocechy”, a więc np. „pierwsza z charakterystyk innowacyjności w pierwszej jednostce czasu”, „pierwsza z charakterystyk innowacyjności w drugiej jednostce czasu” itd. Badanie zagadnień tej grupy pozwala odpowiedzieć na pytanie, które charakterystyki innowacyjności i kiedy przybierają podobne wartości w jednoelementowym (3.17) lub wieloelementowym (3.18) zbiorze regionów: [ZT, y], (3.17) [ZT, Y]. (3.18) Należy podkreślić, iż w zagadnieniu (3.17) standaryzacji dokonuje się „po czasie” (w dziedzinie czasu), a nie na zbiorze regionów. W rozwiązywaniu zagadnienia (3.18) zaś można przyjąć priorytet charakterystyk innowacyjności, na podstawie (3.19): [ZT, Y] ⇒ [T, Λz]; δt(Z): [Z, tY], t ∈ T, (3.19) lub priorytet czasu na podstawie (3.20): [ZT, Y] ⇒ [Z, ΛT]; δz(T): [T, zY], z ∈ Z. (3.20) Realizacja reguły (3.19) pozwala ustalić, czy grupy podobnych charakterystyk innowacyjności opisujących zbiór regionów Y zmieniają się wraz z upływem czasu, czy też nie, umożliwiając tym samym ocenę stabilność zredukowanego wektora charakterystyk innowacyjności. W postępowaniu zmierzającym do klasyfikacji w przestrzeni czasu zagadnienia przedstawione niżej stanowią bezpośrednie rozwinięcie klasycznego zadania taksonomii oraz zadania dualnego: [YZ, t], (3.21) 148 3. Koncepcja pomiaru innowacyjności z wykorzystaniem metod taksonomicznych [YZ, T]. (3.22) Ustalając priorytet przestrzenny, wypełnia się następujący schemat: [YZ, T] ⇒ [Z, Λy]; δz(Y): [Y, zT], z ∈ Z. (3.23) Można zatem dokonywać wyboru charakterystyk innowacyjności w wyniku bezpośredniej oceny ich „zdolności delimitacyjnej” zbioru regionów Y w czasie T. Rozważając przypadek z priorytetem charakterystyk innowacyjności, mamy: [YZ,T] => [Y, Λz]; δy (Z): [Z, yT], y ∈Y. (3.24) W tym ujęciu, w drugim etapie postępowania wartości charakterystyk innowacyjności zastępowane są ich klasyfikacją przeprowadzaną osobno dla każdego regionu. W zagadnieniu kompleksowym przeprowadzamy łączne porządkowanie regionów, charakterystyk innowacyjności oraz jednostek czasu. Podobnie jak w zagadnieniach złożonych można rozpatrywać je w ujęciu „bez priorytetu”. Wówczas OJT stanowią „czaso-cecho-obiekty”, jednakże efekt grupowania takich jednostek będzie przeważnie niemożliwy do sensownej interpretacji. Lepiej więc przyjąć podejście z priorytetem, rozważając priorytet główny i pośredni. Uzasadniony wydaje się wybór priorytetu cech jako pośredniego, wówczas jako główny pozostaje priorytet czasowy lub przestrzenny: [YZT, .], 3.(25) W ogólnym schemacie postępowania przy priorytecie głównym przestrzennym mamy: [YZT, .] ⇒ [T, ΛY]; δt(Y): [Y, ΛZt]; δ(Z): [Z, YT], (3.26) natomiast przy priorytecie czasu: [YZT, .] ⇒ [Y, ΛT]; δy(T): [T, ΛZy]; δ(Z): [Z, YT]. (3.27) Wybór omówionych podejść i ich wariantów implikuje realizowany cel badawczy. A tak wieloaspektowe ujęcie daje niemal nieograniczone możliwości analiz innowacyjności. 3.4. Zintegrowane, wielokryterialne podejście do pomiaru i oceny poziomu innowacyjności regionów W badaniach regionalnych coraz częściej, poza oceną poziomu i zmian w czasie, prowadzone są analizy porównawcze, w tym szczególnie w zakresie: oceny regionów na tle grupy regionów o podobnych parametrach (o zbliżonym profilu), wyznaczania lidera w grupie, obecne jest podejście benchmarkowe, profilowanie i ocena rodzaju i poziomu regionalnej specjalizacji. Istotne z punktu widzenia pracy podejście profilowe obecne jest w wielu badaniach. Poniżej wskazano niektóre z podejść. 3.4. Zintegrowane, wielokryterialne podejście do pomiaru innowacyjności 149 1. Łańcuchowy model innowacyjności i typowaniu regionalnych profili input i output zaproponowane przez H. Krolla i T. Stahleckera [2009], którzy w typologii wykorzystali miary pozycyjne (średnią UE i zakresy zmienności). 2. Badanie innowacyjności z uwzględnieniem regionalnych profili w ramach projektu STRINNOP6, gdzie identyfikowano profile, porównując wybrane charakterystyki do wartości średniej, maksimum i ustalonych wzorców, wskazując, iż profil innowacji regionalnej jest „wizerunkiem” systemu innowacji regionalnej. 3. Profile strukturalne ze względu na udziały pracujących oraz w drugim ujęciu ze względu na strukturę nakładów inwestycyjnych oraz ocenę specjalizacji naukowej i technologicznej regionu proponują V. Peter i R. Frietsch [2009]. 4. Identyfikacja profili regionów ze względu na filary gospodarki opartej na wiedzy (GOW) [Markowska, Strahl 2007a, b] oraz profile innowacyjności [Markowska, Strahl 2009]. 5. W ramach współpracy grup badaczy7 [Crossing the Next… 2009] w kontekście podobieństw i różnic między regionami wskazano na elementy kształtujące profile, w tym m.in. poziom urbanizacji/ruralizacji, ludność, osiągnięcia edukacyjne, przychody ludności, pozycję w rankingach konkurencyjności, klastry przemysłowe i orientacje zawodowe, klastry wiedzy i zdolności w zakresie generowania popytu, typ infrastruktury. 6. Raport za lata 2008 i 2009 [Global Innovation Index 2008–2009] zawiera ranking krajów i ich profile, podzielone na cztery grupy: liderów innowacji, naśladowców, umiarkowanych innowatorów, nadrabiających zaległości – opublikowany przez The Business School for the World INSEAD, we współpracy z Confederation of Indian Industry. 7. Analiza profili innowacji dla krajów UE27 w projekcie Pro Inno Europe [European Innovation Progress… 2008; European Innovation Scoreboard Report 2007, 2008] wraz z charakterystyką tych państw. 8. Queensland Regional Profiles8 stanowią element projektu australijskiego biura statystycznego National Regional Profile9, podobnie podejście profilowe obecne jest w pracach The Regional Profiles Working Group10 i Technopolis Group prowadzącej Regional Innovation Monitor [Walendowski 2011]. 9. Przedstawienie głównych faktów i danych liczbowych o regionach, strategiach regionalnych, strukturach edukacyjnych, głównych gałęziach przemysłu i transgra6 Guide book STRINNOP. How to Strengthen the Regional Innovation Profile – A Pragmatic Approach, www.strinnop.net. 7 Z takich instytucji, jak Center for Regional Development (Purdue University), Indiana Business Research Center (Kelley School of Business, Indiana University), Center for Regional Competitiveness (Rural Policy Research Institute, Truman School of Public Affairs, University of Missouri), Strategic Development Group, Economic Modeling Specialist). 8 http://statistics.oesr.qld.gov.au/qld-regional-profiles. 9 http://www.abs.gov.au/ausstats/. 10 http://www.rim-europa.eu/index.cfm?q=p.baseline&r=DEC. 150 3. Koncepcja pomiaru innowacyjności z wykorzystaniem metod taksonomicznych nicznej współpracy jest celem NEEBOR11 (The Network of Eastern External Border Regions). 10. Regionalne profile identyfikowane przez R. Boschmę i K. Frenkena [2011a, b]. Oprócz pomiarów i profilowania innowacyjności pojawiają się także oceny polegające na ustaleniu regionalnych wzorców specjalizacji. Trwają badania mające na celu stwierdzenie, czy wzorce regionalne różnią się od krajowych, a jeśli tak, to w jaki sposób? Dotychczasowe wyniki sugerują, że nawet regiony w ramach krajów często znacznie się różnią. Jednak przemysłowo silne regiony i ich profile specjalizacji technologicznych w dużej mierze mają wpływ na zidentyfikowanie krajowych profili. Podczas analizy profili na poziomie krajów obliczana średnia ukrywa ewentualne silne regionalne różnice. Zrozumienie tych różnic, a także czynników, które je wywołują, powinno być w centrum regionalnego podejścia do badań naukowych. Konieczna staje się także ocena możliwego związku między specyficznymi zmiennymi, które definiują wzorce działań innowacyjnych i osiągnięcia technologiczne. Był to temat obszernie dyskutowany w odniesieniu do ekonomii zmiany technologicznej. Wcześniejsze wyniki [Pavitt, Patel 1991] pokazały, że może nie istnieć wykrywalny związek między „tradycyjnymi” schumpeteriańskimi zmiennymi (takimi jak koncentracja działań innowacyjnych i wielkość firm innowacyjnych) a różnymi miernikami osiągnięć. Dwie przyczyny mogą wyjaśniać taki brak istotnego związku. Po pierwsze, może się okazać, że tego rodzaju brak korelacji jest spowodowany tym, iż zmienne mogące mieć wpływ na międzynarodowe osiągnięcia technologiczne nie są „tradycyjnymi” schumpeteriańskimi zmiennymi, związanymi z koncentracją czy rozmiarem. Po drugie, związek taki może być różny w grupach klas technologicznych. Celem prowadzonych w pracy badań jest identyfikacja charakterystyk innowacyjności, ocena innowacyjności i procesów zmian zachodzących w poziomie innowacyjności regionów UE na szczeblu NUTS 2 z wykorzystaniem metod klasyfikacji i wielowymiarowej analizy danych. Innowacyjność będzie rozważana w takich wymiarach, jak: – innowacyjność profilowo-regionalna z wyszczególnieniem innowacyjności typu input i output, – innowacyjność regionalna w skali globalnej (wszystkie regiony UE szczebla NUTS 2), – innowacyjność regionów w krajach UE. Wymienione trzy ujęcia badawcze zostaną wykorzystane w dwóch przekrojach: – dywersyfikacyjnym – w wyodrębnionych grupach regionów, – globalnym – w skali całej europejskiej przestrzeni regionalnej. Etapy niezbędne do realizacji każdego z wariantów badań empirycznych obejmują: 11 http://neebor.eu/index.php?page=regionalprofiles&lg=gb. 3.4. Zintegrowane, wielokryterialne podejście do pomiaru innowacyjności 151 wybór charakterystyk innowacyjności na szczeblu regionalnym, na podstawie literatury przedmiotu i badań prowadzonych przez Eurostat oraz oceny dostępności i możliwości uzupełnienia ewentualnych braków w danych, – zebranie danych i konstrukcję prognoz dla charakterystyk innowacyjności dla każdego regionu UE, – klasyfikację i porządkowanie regionów UE szczebla NUTS 2 (obiekty) w różnych ujęciach na podstawie danych historycznych i prognoz (okresy); w tym dla lat brzegowych z danych rzeczywistych, dla wszystkich lat analizy łącznie oraz dla wybranych okresów, – ocenę dynamiki zmian umiejscowienia regionów w otrzymanych klasach i uporządkowaniach, w poszczególnych latach, ze szczególnym uwzględnieniem miejsca regionów polskich z wykorzystaniem oceny zmian w klasyfikacji pozycyjnej na podstawie macierzy przejścia, oceny zmian pozycji regionów w macierzy innowacyjności, a także m.in. oceny stabilności grup w czasie i ich atrakcyjności w przestrzenno-czasowej analizie skupień. Do badań zastosowano zintegrowane, wielokryterialne podejście, obejmujące trzy ścieżki. I. Ocena poziomu i zmian w poziomie innowacyjności europejskich regionów z uwzględnieniem podejścia profilowego. II. Ocena poziomu i zmian w poziomie innowacyjności europejskich regionów na podstawie zmodyfikowanej amerykańskiej tablicy wyników w zakresie innowacyjności. III. Ocena poziomu i zmian w poziomie innowacyjności europejskich regionów na podstawie przestrzenno-czasowej analizy skupień. – I. Ocena poziomu i zmian w poziomie innowacyjności europejskich regionów z uwzględnieniem podejścia profilowego Badania innowacyjności odnoszone do terytorium prowadzone są w różnych ujęciach, w tym także w ujęciu input i output. W klasyfikacji regionów UE ze względu na innowacyjność w ujęciu input i output zostały wykorzystane metody klasyfikacji oraz narzędzia WAD. Z ogromnego zbioru metod klasyfikacji w tej części pracy wybrana została zaproponowana przez D. Strahl [2002] metoda klasyfikacji pozycyjnej. Metoda ta, ze względu na możliwość bezpośrednich porównań wyników klasyfikacji w określonych momentach analizy, a także ze względu na własności wartościujące w zakresie uzyskanych klas obiektów, wydaje się wskazana w prowadzonych badaniach. Umożliwia ponadto wcześniejsze zdefiniowanie klas poprzez określenie ich własności. Na podkreślenie zasługuje również, iż podejście to jest szczególnie przydatne w analizach dynamicznych. Procedura badawcza obejmuje następujące etapy. Etap I. Określenie podstaw formalnych realizowanych badań Zbiorem obiektów hierarchicznych wyższego rzędu są państwa Unii Europejskiej, podzielone w ramach nomenklatury NUTS na regiony, obiekty badania 152 3. Koncepcja pomiaru innowacyjności z wykorzystaniem metod taksonomicznych Y = {y1, y2, …, ym}, których innowacyjność zostanie opisana zbiorem charakterystyk Z = {z1, z2, …, zw}. Obserwacja państw UE w kolejnych momentach czasowych T = {t1, t2, …, tn} da ich opis liczbowy w postaci macierzy zawierającej wartości charakterystyk innowacyjności w regionach. Etap II. Klasyfikacja europejskich regionów ze względu na innowacyjność w ujęciu dynamicznym Dla każdego momentu obserwacji dokonana zostanie klasyfikacja europejskich regionów według następujących kroków. 1. Identyfikacja charakteru cech, czyli ich podział na: stymulanty, destymulanty i nominanty. 2. Wyznaczenie mediany dla każdej zmiennej w każdym okresie t. 3. Klasyfikacja regionów w kolejnych okresach analizy. Proponowana procedura klasyfikacji ze statystykami pozycyjnymi uwzględnia dwa przypadki: – w pierwszym algorytm klasyfikacji prowadzi do budowy dla każdego momentu T = {t1, t2, …, tn} w + 1 klas, – w drugim zaś algorytm klasyfikacji prowadzi do budowy 2w klas możliwych kombinacji z w zmiennych dla każdego momentu T = {t1, t2, …, tn}12. Przypadek pierwszy Do klasy pierwszej należą regiony z analizowanego zbioru, dla których wartości wszystkich charakterystyk innowacyjności są korzystniejsze od zadanej statystyki pozycyjnej (w proponowanej procedurze statystyką tą będzie mediana (Me)). Do klasy drugiej należą regiony, dla których wartości tylko w – 1 zmiennych spełniają warunek wartości korzystniejszych od mediany. Kolejne klasy tworzone są przez włączanie doń regionów, dla których o jedną zmniejsza się liczba charakterystyk korzystniejszych od mediany. Do przedostatniej klasy zaliczane są regiony, dla których wartość tylko jednej ze zbioru charakterystyk innowacyjności jest większa od mediany. Ostatnią klasę utworzą regiony, dla których nie odnotowano żadnej wartości charakterystyk innowacyjności korzystniejszej od mediany. Procedurę klasyfikacji powtarzamy dla każdego momentu T = {t1, t2, …, tn}. Etap III. Budowa macierzy przejścia Zestawienie otrzymanych wyników klasyfikacji w formie tablic kontyngencji, ilustrujących przemiany w obrazie klasyfikacji regionów poziomu NUTS 2 europejskiej przestrzeni regionalnej w poszczególnych momentach badania i analizowanych zakresach innowacyjności. Przypadek drugi analizy zostanie pominięty, gdyż (ze względu na rozmiary pracy) nie został wykorzystany w przeprowadzonych badaniach, chociaż uzyskane wyniki mogłyby stanowić tło dla pogłębionych analiz zróżnicowania innowacyjności w regionach UE. 12 3.4. Zintegrowane, wielokryterialne podejście do pomiaru innowacyjności 153 Etap IV. Ocena zmian w klasyfikacjach Ocena zmian w klasyfikacji (poprawa, pogorszenie, brak zmiany) zarówno w kolejnych latach, jak i między latami oddalonymi o wybraną liczbę momentów T. II. Ocena poziomu i zmian w poziomie innowacyjności europejskich regionów na podstawie zmodyfikowanej amerykańskiej tablicy wyników w zakresie innowacyjności Zastosowanie zmodyfikowanej amerykańskiej tablicy wyników w zakresie innowacyjności13 będzie przebiegać następująco. 1. Ustalenie zestawu charakterystyk innowacyjności i wartości skrajnych, w tym wskazanie ewentualnego zestawu wag umożliwiającego wyeksponowanie czynników najważniejszych, istotnych z punktu widzenia prowadzonej oceny. 2. Wskazanie zakresu czasowego i odległości między kolejnymi momentami analizy, jeśli ocena ma dotyczyć kilku lat. 3. Wybór zbioru obiektów stanowiących pole analiz porównawczych (jeden region w latach, region w kontekście pozycji innych obiektów porównania, ścieżka regionu na tle innych regionów w latach, statystyki pozycyjne stanowiące punkt odniesienia). 4. Ustalenie charakterystyk innowacyjności dla regionów UE dla każdego analizowanego okresu, na podstawie wartości granicznych rozstępu (różnicy). Wybór liczby przedziałów (wobec różnicy między wartościami skrajnymi, tj. max – min), dla których ustalona będzie pozycja regionu. 5. Przypisanie przedziałom punktacji, w ten sposób, że najniższym wartościom realizacji cechy odpowiada zero punktów, a najwyższym, w zależności od ustalonej liczby przedziałów – najwyższa liczba punktów. W ten sposób region o względnie wysokich pozycjach dla wybranych charakterystyk uzyska wysoką wartość miary innowacyjności. 6. Wskazanie zakresu unormowania przedziału, w którym wystąpić mogą wartości miary (miar) innowacyjności. 7. Ocena pozycji (pogorszenie/poprawa/stabilizacja) regionu w analizowanym okresie ze względu na: wartości każdej charakterystyki innowacyjności, wartość indeksów innowacyjności, pozycja regionów w relacji do europejskiej średniej czy też mediany. III. Ocena poziomu i zmian w poziomie innowacyjności europejskich regionów na podstawie przestrzenno-czasowej analizy skupień Wykorzystanie do oceny innowacyjności przestrzenno-czasowej analizy skupień wymaga sekwencji kilku kroków. 1. Wstępna analiza zestawu charakterystyk innowacyjności. 2. Ustalenie wartości globalnego wskaźnika agregatowego (miary syntetycznej) wykorzystywanych następnie do porządkowania liniowego regionów oraz oceny uzyskiwanych skupień. 13 Przedstawiono w rozdziale drugim. 154 3. Koncepcja pomiaru innowacyjności z wykorzystaniem metod taksonomicznych 3. Wykorzystanie metody Warda do ustalenia liczby skupień. 4. Zastosowanie metody k-średnich do klasyfikacji regionów UE ze względu na innowacyjność. 5. Wykorzystanie ścieżki wskazanej w zagadnieniu taksonomicznym [YT, Z], gdzie operacyjnymi jednostkami taksonomicznymi są obiektookresy, tj. każdy region w każdej jednostce czasu traktowany jest osobno. Ocenie podlega ich konfiguracja w przestrzeni definiowanej przez charakterystyki innowacyjności. 6. Ocena stabilności grup i zmian w czasie na podstawie macierzy odległości w oparciu o miarę niezgodności procentowej (relacji liczby obiektów, które w danym roku zmieniły klasę do łącznej liczby obiektów w klasie) oraz periodyzacja macierzy odległości z wykorzystaniem metody Warda i ustalenie średniej „przynależności” do skupienia. „Miara przynależności” określa stopień przynależności regionu do klasy w danym podokresie. 7. Szacowanie środka grupy z danych dynamicznych, czyli typowanie regionów najbardziej typowych dla poszczególnych skupień. 8. Ocena dynamicznej stabilności i atrakcyjności grup w przestrzenno-czasowej analizie skupień. Współcześnie podkreśla się, że innowacyjność to zjawisko wielowymiarowe, którego nie należy analizować przez pryzmat podejścia linearnego. Konieczne jest ujęcie pozwalające spojrzeć na proces innowacji zarówno ze strony potencjalnych determinant, jak i ze strony uzyskiwanych rezultatów. ROZDZIAŁ 4 Klasyfikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Bardziej niż analizować występowanie popytu rynkowego lub potencjału tkwiącego w technologii, które to obydwa czynniki stanowią wystarczający warunek dla zaistnienia innowacji, należy postrzegać każdy z nich jako konieczny, lecz niewystarczający, by innowacje przyniosły określony skutek; obydwa muszą zaistnieć jednocześnie. Nathan Rosenberg 4.1. Wybór charakterystyk do oceny innowacyjności i ich zróżnicowanie Rozwój w erze globalizacji jest ściśle powiązany z innowacyjnością gospodarki na każdym szczeblu, co wymaga oparcia gospodarki na wiedzy, badań naukowych i nowych technologii. Dla rozwoju innowacje stają się priorytetem i jednym z kluczowych wyzwań, które stoją przed zarządzającymi i decydentami w regionach. Natura innowacji jest jednak trudno uchwytna, a władze regionalne coraz częściej oczekują widocznych rezultatów wdrażania regionalnych strategii innowacji. Dlatego istotne staje się wypracowanie metodologii umożliwiającej określenie poziomu i zmian innowacyjności regionu oraz dającej możliwość porównania go z innymi regionami. Rozwój dziedzin, które wykorzystują innowacje, wymaga oceny w dłuższym horyzoncie czasowym, ze względu zarówno na bariery pozyskania wszystkich nakładów pozwalających na realizację zamierzeń produkcyjnych i procesowych, jak i na dystans dzielący efekty od nakładów, a także ze względu na determinację aktorów zdecydowanych na wytworzenie innowacyjnego środowiska [Welfe (red.) 2007; Piech (red.) 2007; Jewtuchowicz (red.) 2007]. Dlatego szczególnego znaczenia nabierają te metody identyfikacji i pomiaru poziomu innowacyjności, dzięki którym można ocenić wszystkie jej aspekty w ujęciu dynamicznym. Spotykane w literaturze przedmiotu ujęcia innowacyjności pozwalają wyróżnić innowacyjność typu input, a więc innowacyjność w wymiarze nakładów, oraz typu output, w wymiarze uzyskiwanych efektów. Również zasoby statystyczne Eurostatu 156 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności i metodologia pomiaru innowacyjności na szczeblu regionów NUTS 2 proponują ujęcia cech w podziale na innowacyjność typu input i output. Ocena zróżnicowania poziomu innowacyjności przestrzeni regionalnej może obejmować wiele płaszczyzn, np. dynamikę zmian wartości poszczególnych cech będących identyfikatorami procesów innowacyjności regionalnej, przeobrażenia o charakterze typologicznym układów regionalnych, zmiany w tworzeniu biegunów innowacyjności, a także relacje wartości charakterystyk innowacyjności realizowanych w regionach w odniesieniu do wartości wskazanych przez badacza (maksimum, minimum, średnia i in.) czy też analizę zmian podstawowych charakterystyk w czasie. Innowacje i możliwości kreatywnego działania stanowią zasadniczy czynnik determinujący prosperity gospodarczą w globalnej gospodarce opartej na wiedzy. Najnowsze prace w zakresie systemów innowacyjnych wskazują, że region stanowi kluczowy poziom, na którym kształtowane są zdolności innowacyjne. W przypadku każdego kraju o zróżnicowanych i silnie odmiennych gospodarkach regionalnych, relacje pomiędzy aktorami na polu gospodarki oraz organizacjami i instytucjami na poziomie lokalnym i regionalnym stanowią podstawowe czynniki wpływające na wzrost gospodarczy kraju. Ostatnie badania kreatywności w gospodarce bezsprzecznie wykazały szczególne znaczenie miasta-regionu jako podstawowego miejsca determinującego dynamikę gospodarczą. Opisane w pracy badania dotyczą regionów UE szczebla NUTS 2 [Regions in the European… 2007] w ujęciu dynamicznym i chociaż, jak opisano wcześniej, w ramach analiz innowacyjności prowadzonych przez Eurostat dla regionów szczebla NUTS 2 podano 16 cech, to należy wspomnieć, że część z nich stanowią wyniki badań ankietowych w ramach CIS (dla wymienionych w rozdz. 2.2.4 wskaźników 2.2, 2.3, 2.4, 3.1, 3.2, 3.3, 3.6, 3.7, tj. 50% wszystkich), co ogranicza ich dostępność dla wielu krajów oraz czyni wątpliwym ich stosowanie na szczeblu regionów, ze względu na konieczność rozszacowania (wątpliwości budzi kwestia, według jakiego kryterium). Ponadto wiele zaproponowanych danych dostępnych jest jedynie na szczeblu krajowym lub NUTS 1, a także, jeśli nawet są dostępne, to nie dla większości regionów szczebla NUTS 2. Podobnie wypowiada się np. S.A. McDaniel [2000, 2006], omawiając niebezpieczeństwa opierania polityki działań na rezultatach przekrojowych ankiet, a nie na wynikach badań długookresowych. Te dwa podejścia mogą przedstawić całkowicie inny obraz, a co za tym idzie, sugerować różną politykę interwencyjną. Nie oznacza to bynajmniej, że wyniki badań przekrojowych są bezużyteczne. Wręcz przeciwnie, można wynieść wiele nauki z European Innovation Scoreboard oraz podobnych badań, realizowanych poza Europą. Jednakże należy zastanowić się nad kwestiami strategicznymi w zakresie polityki działań, na które przeprowadzane ankiety powinny udzielić odpowiedzi i upewnić się, że są one właściwym sposobem na dostarczenie potrzebnej wiedzy. 4.1. Wybór charakterystyk do oceny innowacyjności i ich zróżnicowanie 157 Istnieją też inne niebezpieczeństwa związane z opracowywaniem i wykorzystywaniem wskaźników. Elementem wspólnym takich obserwacji, w odniesieniu do wszystkich przypadków, jest to, że należy wykorzystać więcej niż jeden wskaźnik, jeśli chcemy podjąć działania, a problem należy analizować z wielu perspektyw, nie z jednej, a dodatkowo najlepiej w odniesieniu do kilku skal porównawczych. L. Soete [2006] uważa, że jednym z głównych osiągnięć Ch. Freemana w zakresie ekonomii innowacji w przemyśle był jego wkład w rozwój statystyk porównywalnych międzynarodowo na polu badań naukowych i rozwoju. Pierwszy Podręcznik Frascati OECD [Proposed Standard… 1963] został opublikowany w 1963 r. i stanowił odzew na potrzebę twórców polityki działań, w celu wyjaśnienia, jakie zasoby są niezbędne do sfinansowania i realizacji działań badawczo-rozwojowych w krajach uprzemysłowionych. Jak podkreśla L. Soete [2006], wskazując na znaczenie wykształcenia, ustawicznego kształcenia i kapitału ludzkiego w nauce i technologii, to ludzie stanowią część procesów technologicznych, a kwestią kluczową dla zjawiska innowacji i związanej z tym polityki działań jest dostępność wysoko wykwalifikowanego personelu, niezbędnego do generowania i wykorzystania wiedzy w celu wytworzenia wartości dodanej. Ten i podobne głosy sprawiły, że organizacja OECD, Europejski Urząd Statystyczny Eurostat oraz Instytut Statystyczny UNESCO (UIS) zainicjowały np. program mający na celu analizę ścieżki kariery naukowców z tytułem doktora, czyli wysoce wykwalifikowanej kadry. Amerykańska Narodowa Fundacja Wiedzy zbierała powyższe informacje przez lata, opierając się na przeglądach uzyskanych tytułów doktora nauk. W Kanadzie podobne badania podjęli T. Gluszynski i V. Peters [2005]. Naukowcy wykorzystali również spisy ludności, przeglądy zasobów siły roboczej oraz przeglądy absolwentów uczelni wyższych, w celu zebrania informacji na temat zasobów i przepływów ludności wysoko wykwalifikowanej. Wraz z problemem starzejącej się populacji w krajach uprzemysłowionych, mobilnością wykwalifikowanej kadry zawodowej, jej przyciąganiem i zatrzymywaniem, dostrzeżono wyzwania na polu polityki edukacyjnej, emigracyjnej i szkoleniowej, a także w zakresie opracowywania adekwatnych wskaźników. Jak zauważył J.H. Marburger III, dyrektor Biura Polityki Naukowej i Technologicznej (Office of Science and Technology Policy) działającego z ramienia prezydenta USA: „Kadra techniczna w różnych krajach jest coraz bardziej współzależna, w sposób, który czyni dane pochodzące z pojedynczego kraju nierzetelnymi dla celów prognostycznych. Globalizacja i zmieniające się podejścia do wiedzy, które zacierają różnice i granice pomiędzy dyscyplinami wiedzy, sprawiły, że kwestionowana jest dziś wartość danych tradycyjnej nauki i inżynierii oraz ich konwencjonalnej interpretacji” [Marburger 2005, s. 1087]. Wskazuje to na znaczenie projektów podejmowanych przez OECD, Eurostat i UIS, gdyż do zrozumienia kreowania i przepływu zasobów ludzkich oraz ich roli w systemie innowacji niezbędne okazują się specjalistyczne dane międzynarodowe. 158 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Doceniając znaczenie edukacji, wysoko kwalifikowanej kadry i stałego podnoszenia kwalifikacji oraz wyzwania stojące przed zjednoczoną Europą związane z osiąganiem celów strategii Europa 2020 [A strategy for Smart… 2010], a także uwzględniając przedstawione wątpliwości i trudności oraz możliwość pozyskania porównywalnych i kompletnych danych dla jak największej liczby obiektów (regionów), do analizy charakterystyk innowacyjności z propozycji Eurostatu wybrano te, które w bazach danych są dostępne (lub możliwe do uzupełnienia) przynajmniej dla 80% z 271 regionów UE szczebla NUTS 2. Uzupełnianie brakujących danych przeprowadzono z wykorzystaniem metod interpolacji, ustalania średnich dla brakujących informacji w szeregach danych, analogii przestrzenno-czasowych i analizy struktur oraz ekstrapolacji. W konsekwencji przeprowadzonych obliczeń otrzymano kompletne szeregi danych dla takich charakterystyk innowacyjności, jak: – WYKSZ – procentowy udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, – LLL – procentowy udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – KIS – pracujący w usługach opartych na wiedzy (knowledge-intensive services) jako procent siły roboczej, – KIS 2 – pracujący w usługach opartych na wiedzy jako procentowy udział pracujących w usługach, – HRST – zasoby ludzkie dla nauki i techniki (Human Resources for Science and Technology), tj. ogół osób faktycznie zatrudnionych w zawodach N + T1 w relacji do aktywnych zawodowo, – HIT – pracujący w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej), – EPO – liczba patentów zarejestrowanych w danym roku w European Patent Office (EPO) na milion siły roboczej, – HIT 2 – procentowy udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle. Na podstawie danych statystycznych przeprowadzono grupowanie charakterystyk innowacyjności z wykorzystaniem analizy czynnikowej. Jak wiadomo, analiza czynnikowa to zespół metod pomocnych w sprowadzeniu dużej liczby zmiennych pierwotnych do mniejszej liczby wzajemnie niezależnych czynników głównych. Czynniki główne poprzez dostarczenie znacznej części informacji zawartych w badanych zmiennych pierwotnych, zawierają jednocześnie nowe treści merytoryczne. Oprócz redukcji liczby zmiennych opisujących badane zjawisko, metoda ta umożliwia analizę badanych zjawisk widzenia uwzględnieniem nowych kategorii, którymi stają się wyodrębnione czynniki. 1 Praca związana z tworzeniem, rozwojem, rozpowszechnianiem i zastosowaniem wiedzy naukowo-technicznej. 4.1. Wybór charakterystyk do oceny innowacyjności i ich zróżnicowanie 159 Celem rotacji stosowanej w analizie czynnikowej jest wybór takiego położenia osi układu, by odpowiadająca mu macierz ładunków pozwoliła na łatwą interpretację czynników. Do rotacji najczęściej wykorzystywane są procedury Varimax i Quartimax. Celem rotacji jest uzyskanie przejrzystego układu ładunków, to znaczy takich czynników, które wyróżniają się wysokimi ładunkami przy niektórych zmiennych i niskimi ładunkami przy innych. Procedurę Varimax zaproponował H.F. Kaiser [1958], który, wykorzystując prostotę macierzy czynników, przedstawił metodę rotacji. Zaproponował mierzenie prostoty czynnika za pomocą wariancji kwadratów jego ładunków, a prostoty macierzy czynników jako sumy tych wariancji dla wszystkich czynników. Według surowego kryterium Varimax każdej przypisuje się zmiennej wagę proporcjonalną do kwadratu jej zasobu zmienności wspólnej. W praktyce ten system ważenia zmiennych nie przynosił zadowalających rezultatów, więc H.F. Kaiser zaproponował „normalne” kryterium Varimax. Przed rotacją wszystkie czynniki zostają znormalizowane. Wszystkie zasoby zmienności wspólnej są równe 1, a wektory mają jednakową długość i wszystkim zmiennym zostają przypisane jednakowe wagi. Celem rotacji Varimax jest maksymalizacja wariancji znormalizowanych ładunków czynnikowych zmiennych dla każdego czynnika. Jest to równoznaczne z maksymalizacją wariancji w macierzy znormalizowanych ładunków czynnikowych. Jako metodę wyodrębniania czynników wykorzystano metodę głównych składowych, a w ustalaniu liczby czynników zastosowano kryterium Kaisera (wartość własna większa od jedności) (tab. 4.1). Tabela 4.1. Wyniki analizy czynnikowej Zmienna Czynnik 1 Czynnik 2 LLL 0,806 0,038 HRST 0,839 0,301 WYKSZ 0,848 0,009 HIT –0,095 0,953 KIS 0,938 0,144 EPO 0,326 0,728 KIS 2 0,857 0,293 HIT 2 0,227 0,923 Wartości wyjściowe 3,851 2,487 Udział 0,481 0,311 Źródło: opracowanie własne. Pierwsza główna składowa wyjaśnia 55,1% całkowitej zmienności, a druga 24,2%. Wydaje się, że uzyskane wyniki analizy czynnikowej są dość przekonujące. Dwa wyodrębnione czynniki wyjaśniają w niemal 80% zmienność badanego zjawi- 160 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności ska. Wykorzystana rotacja Varimax minimalizuje lub maksymalizuje ładunki czynnikowe tak, aby ich struktura była czytelna do interpretacji, a uzyskane wartości ładunków pozwalają jednoznacznie przyporządkować cechy do uzyskanych czynników. Podobnie diagram cech w przestrzeni czynników pokazuje dwie – wyraźnie odseparowane – grupy cech (rys. 4.1). Rys. 4.1. Diagram cech w przestrzeni czynników Źródło: opracowanie własne. W jednej grupie czynników innowacyjności można wyróżnić: procentowy udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie (WYKSZ), procentowy udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie (LLL), pracujących w usługach opartych na wiedzy jako procent siły roboczej (KIS), pracujących w usługach opartych na wiedzy jako procentowy udział pracujących w usługach (KIS 2) i kapitał ludzki w nauce i technologii (HRST) jako odsetek aktywnych zawodowo (HRST) – rys. 4.1. Są to charakterystyki wymieniane jako decydujące o nakładach, wsadzie na rzecz innowacyjności gospodarki (input). Do drugiej grupy włączone zostały: udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent 4.1. Wybór charakterystyk do oceny innowacyjności i ich zróżnicowanie 161 siły roboczej) (HIT), liczba patentów zarejestrowanych w danym roku w European Patent Office na milion siły roboczej (EPO) oraz procentowy udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle (HIT 2). Charakterystyki te zaliczane są do liczbowych ilustracji efektów innowacyjności (output). Zaproponowany podział na dwie grupy czynników ma również swoje podstawy teoretyczne w prowadzonych na świecie badaniach. Do podejść uwzględniających ujęcie input i output należą m.in.: – Global Innovation Index (GII) [Global Innovation Index 2009–10] w ramach prac The Business School for the World INSEAD, – analizy w Raporcie Economist Intelligence Unit [Innovation: Transforming… 2007] (indeks działań innowacyjnych oraz indeks wkładu innowacyjnego), – zestawy Eurostatu EIS (European Innovation Scoreboard) [European Innovation Scoreboard 2006: Strengths… 2007; European Innovation Scoreboard Report 2006 2007; European Innovation Progress Report 2008 2008; European Innovation Scoreboard Report 2007 2008] i UIS (Union Innovation Scoreboard) [Innovation Union Scoreboard 2011, 2012], – wskaźniki wybrane do oceny innowacyjności regionalnej w ramach prac zespołu skupionego wokół Pro Inno Europe InnoMetrics [Hollanders i in. 2009a, b], – studia organizacji NESTA (National Endowment for Science Technology and the Arts) [First Steps… 2010], – opracowania National Innovation Initiative [Innovate America… 2005], – projekt Tri-Cities [Tri-Cities Innovation… 2004], – badania innowacyjności regionów prowadzone przez H. Krolla i T. Stahleckera [2009], – podobnie w grupie wskaźników nauki, techniki i innowacji w unijnej statystyce wyróżniane są zazwyczaj dwie podstawowe kategorie, określane jako input statistics (wskaźniki z zakresu statystyki patentów oraz bilansu płatniczego kraju w dziedzinie techniki) oraz output and impact statistics (wskaźniki dotyczące handlu zagranicznego w zakresie tzw. wysokiej techniki) [Nauka i technika… 2010], – Atlantic Century Report [The Atlantic Century… 2009] i BCG Report [The Innovation Imperative…2009], – The West Midlands Regional Observatory w pracach prowadzonych w regionie East of England, – High-Tech Indicators (HTI) opracowane w Georgia Technology Policy and Assessment Center, a wymienione przez National Science Foundation jako wskaźniki nauki i inżynierii (Science & Engineering Indicators) [Roessner i in. 1996; Porter i in. 2001], – Technological Activity Index (TAI) jako podwskaźnik innowacji Capability Index (UNICI), opracowanych przez UNCTAD (Konferencja Narodów Zjednoczonych ds. Handlu i Rozwoju) i zawartych w 2005 r. w World Investment Report [2005]. 162 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Wydaje się, że o ile do każdej z wymienionych grup wskaźników input i output podchodzić trzeba ostrożnie, to potraktowane łącznie wydają się dawać wiarygodny obraz innowacyjności regionu. Zbiór będący podstawą prowadzonych badań stanowią unijne regiony szczebla NUTS 2, których jest 271 [Regions in the European… 2007], ale ze względu na brak kompletnych danych dotyczących wybranych charakterystyk na temat francuskich regionów zamorskich (Guadeloupe, Martinique, Guyane, Réunion) i dwóch hiszpańskich (Ciudad Autónoma de Ceuta, Ciudad Autónoma de Melilla) dalsza analiza dotyczy 265 z 271 regionów UE. Oznacza to, że ocenie poddano 265 regionów UE szczebla NUTS 2 (97,8%). Dane na temat wymienionych charakterystyk innowacyjności dotyczą 10 lat, od 1999 do 2008 r. Regiony państw UE szczebla NUTS 2 poddane zostaną analizie ze względu na wartości charakterystyk innowacyjności w ujęciu dynamicznym, w następujących grupach: – globalnie – UE 27 – wszystkich 265 regionów, dla których uzyskano dane, – regiony UE 15 – 209 regionów „starej” Unii, – regiony UE 12 – 56 regionów dwóch ostatnich rozszerzeń, – regiony UE 27(S) – zawierające stolice i stołeczne regiony UE – 28 regionów (więcej o jeden ze względu na podział w klasyfikacji NUTS 2 brytyjskiej stolicy na Inner London i Outer London), – regiony UE 15(S) – zawierające stolice i stołeczne regiony UE 15 – 16 regionów, – regiony UE 12(S) – zawierające stolice i stołeczne regiony UE 10 + 2 – 12 regionów, – regiony polskie (16 województw). Prognozy zbudowano z wykorzystaniem trendów liniowych i wykładniczych, a także za pomocą mieszanych prognoz liniowo-wykładniczych tych trendów. Prognoza ostateczna to średnia prognoz liniowych i wykładniczych ważona średnim błędem dopasowania. Zastosowano ważenie niestandardowe, gdzie średni błąd dopasowania trendu liniowego jest wagą dla prognozy z trendu wykładniczego i na odwrót. W ten sposób prognoza z trendu o mniejszym błędzie dopasowania ma stosunkowo większą wagę. W dalszych opisach regiony stołeczne i zawierające stolicę oznaczano czcionką pogrubioną. Największe wzrosty w badanym okresie (ponad 22-krotne) odnotowano w regionie Bratislavský kraj dla LLL (z 0,45 do 10% udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie), o 121% dla HRST w portugalskim regionie Região Autónoma da Madeira, a o 610% dla WYKSZ we włoskim Provincia Autonoma Trento, dla KIS o 67% w rumuńskim regionie Sud-Muntenia, a dla KIS 2 o 34,3% we włoskim regionie Provincia Autonoma Trento. Dla EPO największe wzrosty (ponad 17-krotne) odnotowano w regionie małopolskim (przy czym jest to wzrost z 0,4 do 6,7 patentów na milion siły roboczej), o 275% dla HIT w rumuńskim regionie Vest, o 143% zaś dla HIT 2 na Łotwie. 4.1. Wybór charakterystyk do oceny innowacyjności i ich zróżnicowanie 163 Z danych wynika, że obniżenie wartości analizowanych charakterystyk innowacyjności input w 2008 r. w relacji do 1999 r. odnotowano dla: – 43 unijnych regionów (16,2% z 265 badanych), z krajów takich jak Belgia (6), Bułgaria (4), Grecja (1), Węgry (4), Łotwa, Polska (7), Rumunia (1), Szwecja (8) i Wielka Brytania (11), ze względu na ustawiczne kształcenie, – 12 regionów – tj. 4,5% ogółu (w tym trzech bułgarskich, sześciu niemieckich, Litwy, portugalskiego i brytyjskiego), gdzie odnotowano zmniejszenie udziału kapitału ludzkiego w nauce i technologii (HRST) jako odsetka aktywnych zawodowo w analizowanym przedziale czasowym, – 14 regionów (5,7% wszystkich analizowanych), w tym dla bułgarskich (4), niemieckich (8), regionu szwedzkiego i czeskiego, jeśli idzie o udział pracujących z wyższym wykształceniem, – 23 regionów ze względu na udział pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących w regionie, w tym w 6 regionach francuskich, 4 regionach bułgarskich, 2 słowackich, niemieckich, brytyjskich i szwedzkich, – 59 regionów ze względu na udział pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących w usługach w regionie, przy czym 12 francuskich, 7 brytyjskich, 6 szwedzkich, 5 rumuńskich, po 3 austriackie, bułgarskie, niemieckie, duńskie i węgierskie, po 2 belgijskie, fińskie, greckie i słowackie, przy czym do poziomu 67,7% dla LLL (bułgarski Severoiztochen), do 86,7% dla HRST (niemiecki Lüneburg), a do 85,6% dla WYKSZ (bułgarski Severozapaden), do 83,4% w duńskim Nordjylland ze względu na wartość cechy KIS i do 73,% we francuskim regionie Corse dla cechy KIS 2. W przypadku analizowanych charakterystyk innowacyjności output obniżenie wartości dynamiki w 2008 r. w relacji do 1999 r. odnotowano dla: – 163 regionów UE szczebla NUTS 2 ze względu na wartości cechy HIT, – 184 regionów w przypadku wartości charakterystyki EPO, – 131 regionów w analizach wartości HIT 2, przy czym do poziomu 35,8% w stosunku do poziomu z 1999 r. dla HIT (rumuński Bucureşti-Ilfov), do 10% dla EPO (bułgarski Severen tsentralen), a do 50% dla HIT 2 (rumuński Bucureşti-Ilfov). Charakterystyki liczbowe wskaźników innowacyjności input w europejskich regionach szczebla NUTS 2 w latach 1999–2008 zestawiono w tab. 4.2. Analizując udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie w latach 1999 i 2008, można stwierdzić, że w pierwszej dziesiątce regionów uporządkowanych ze względu na wartość tej cechy jest pięć tych samych (Inner London, Région de Bruxelles, Prov. Brabant Wallon, Prov. Vlaams Brabant, Hovedstaden), a w ostatniej jedynie Provincia Autonoma Bolzano-Bozen pozostaje w ostatniej dziesiątce uporządkowania. Pod względem udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie w pierwszej i ostatniej dziesiątce są po trzy te same regiony. W pierwszej Sydsverige, Hovedstaden i Inner London, a w ostatniej Voreio Aigaio, Notio Aigaio i Severozapaden. 164 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Tabela 4.2. Charakterystyki liczbowe wskaźników LLL, HRST, KIS i WYKSZ oraz KIS 2 w europejskich regionach szczebla NUTS 2 Wyszczególnienie WYKSZ 1999 2000 2001 2002 2003 2004 2005 2006 2007 Max 49,5 49,0 49,3 49,2 50,4 50,9 52,6 54,3 Min 2,1 5,6 6,1 6,4 8,1 8,4 9,2 9,8 Średnia 21,2 22,3 22,9 23,2 24,2 25,6 26,1 26,6 27,0 27,7 Mediana 22,2 22,7 23,3 23,5 24,4 26,1 26,0 26,7 27,4 27,9 9,3 8,8 8,3 8,3 8,6 8,5 8,6 8,7 Współczynnik zmienności 44,1 39,6 36,0 35,7 35,3 33,3 33,1 32,5 Max/min 23,5 8,7 8,1 7,6 6,2 6,1 5,7 5,5 Max – min 47,4 43,4 43,2 42,8 42,2 42,5 43,4 44,5 Odchylenie standardowe Wyszczególnienie 2008 55,3 56,4 8,7 8,8 8,3 8,7 32,5 31,5 6,3 6,8 46,5 48,1 LLL 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 Max 26,3 24,0 25,1 24,9 28,5 31,0 31,3 33,1 Min 0,3 0,3 0,1 0,2 0,7 0,3 0,5 0,4 0,3 Średnia 7,0 7,3 7,4 7,5 9,0 9,0 9,9 9,6 9,8 10,0 Mediana 4,3 4,4 4,7 4,7 6,0 6,9 7,5 7,5 7,7 7,9 Odchylenie standardowe 6,7 6,4 6,6 6,6 7,2 6,5 6,9 6,6 6,6 6,8 Współczynnik zmienności 96,0 88,4 89,7 87,9 80,4 72,0 69,6 68,8 Max/min 86,7 73,9 190,4 136,7 42,2 101,8 67,7 88,5 112,9 67,1 Max – min 26,0 23,7 27,8 30,9 32,8 Wyszczególnienie 25,0 24,7 30,7 33,2 34,3 0,5 67,9 68,4 32,9 33,8 KIS 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 Max 58,2 57,8 61,1 59,4 57,3 60,5 57,4 56,8 60,3 60,6 Min 7,8 7,5 8,0 9,4 9,9 10,7 10,3 11,1 11,1 11,2 Średnia 28,9 29,3 29,8 30,2 30,9 31,5 31,7 32,1 32,3 32,4 Mediana 28,5 28,5 28,8 29,4 30,4 30,6 31,3 31,4 32,0 32,1 8,9 8,9 9,1 9,1 9,2 9,0 8,9 8,9 30,8 30,3 30,3 30,0 29,9 28,5 28,1 27,8 7,9 7,7 7,7 6,3 5,8 5,7 5,6 5,1 50,9 50,2 53,1 50,1 47,4 49,8 47,2 45,7 Odchylenie standardowe Współczynnik zmienności Max/min Max – min 9,0 8,9 28,0 27,4 5,4 5,4 49,2 49,3 165 4.1. Wybór charakterystyk do oceny innowacyjności i ich zróżnicowanie Wyszczególnienie KIS 2 1999 2000 2001 2002 2003 2004 2005 2006 2007 Max 76,4 74,6 75,5 81,9 Min 21,8 23,8 24,9 Średnia 45,4 45,9 46,2 Mediana 45,0 45,5 8,3 Odchylenie standardowe Współczynnik zmienności Max/min Max – min Wyszczególnienie Max Min 2008 80,8 80,0 72,4 73,6 71,6 73,5 24,9 23, 26,8 24,3 26,6 26,6 25,2 46,5 46,9 47,4 47,5 47,9 48,0 48,0 45,3 46,0 46,7 47,0 47,4 47,3 48,2 48,1 8,1 8,3 8,2 8,3 7,7 7,8 7,8 18,2 17,6 17,9 17,7 17,6 16,4 16,5 16,4 3,5 3,1 3,0 3,3 3,5 3,0 3,0 2,76 54,6 50,7 50,6 57,0 57,9 53,2 48,1 46,8 8,0 7,6 16,7 15,9 2,7 2,9 45,0 48,3 HRST 1999 55,8 2000 2001 55,4 55,0 2002 2003 2004 2005 2006 2007 54,1 55,8 56,9 57,9 2008 58,9 60,1 63,1 8,6 8,5 9,7 11,3 12,9 13,6 14,1 14,5 14,2 12,8 Średnia 30,1 30,8 31,3 31,6 32,5 33,9 34,4 35,1 35,7 36,1 Mediana 30,1 30,3 31,1 31,9 32,8 34,7 35,0 34,9 36,0 36,2 8,5 8,6 8,6 8,5 8,5 8,4 8,4 8,4 28,1 28,0 27,4 26,7 26,1 24,7 24,3 23,9 6,5 6,5 5,7 4,8 4,3 4,2 4,1 4,1 47,2 46,9 45,3 42,8 42,9 43,3 43,8 44,4 Odchylenie standardowe Współczynnik zmienności Max/min Max – min 8,3 8,5 23,4 23,5 4,2 4,9 45,9 50,3 Źródło: opracowanie własne na postawie danych Eurostatu. Ze względu na kapitał ludzki w nauce i technologii w aktywnych zawodowo w analizowanych latach w pierwszej i ostatniej dziesiątce powtarza się aż 7 regionów, co potwierdza silną stabilizację na pozycjach regionów o skrajnych wartościach tej cechy. W pierwszej dziesiątce to regiony: Stockholm, Prov. Brabant Wallon, Inner London, Utrecht, Praha, Prov. Vlaams Brabant, Hovedstaden, a w ostatniej: Algarve, Região Autónoma dos Açores, Norte, Centro, Sud-Muntenia, Sud-Vest Oltenia, Nord-Est. Ze względu na udział pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących w regionie w pierwszej dziesiątce w badanych 10 latach występuje 8 tych samych regionów (Inner London, Stockholm, Hovedstaden, Åland, Utrecht, Outer London, Surrey, East and West Sussex, Övre Norrland), a w ostatniej dziesiątce 9 tych samych, tj.: Ionia Nisia, Sterea Ellada, Nord-Vest, Vest, Centru, Sud-Est, Sud-Muntenia, Nord-Est, Sud-Vest Oltenia. 166 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności W przypadku udziału pracujących w usługach „opartych na wiedzy” (knowledge-intensive services) w ogólnej liczbie pracujących w usługach w regionie w pierwszej dziesiątce jest 9 tych samych regionów (Åland, Stockholm, Östra Mellansverige, Småland med öarna, Sydsverige, Norra Mellansverige, Mellersta Norrland, Övre Norrland, Inner London), na końcu uporządkowania zaś pięć regionów (Canarias, Ionia Nisia, Sterea Ellada, Notio Aigaio, Algarve). Utrzymywanie się wielu regionów na początkowych pozycjach ze względu na wartości analizowanych charakterystyk innowacyjności input oznacza utrwalenie ich pozycji liderów. Jednocześnie wiele tych samych regionów odnotowano na miejscach ostatnich, co ilustruje negatywne umocnienie niskich wartości charakterystyk innowacyjności w wymienionych jednostkach szczebla NUTS 2. Wartość rozstępu obliczona dla każdej charakterystyki innowacyjności input jako stosunek wartości maksymalnej do minimalnej pokazuje, iż największe zróżnicowanie występuje w zakresie udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie – tu po 10 latach obserwujemy wyraźne złagodzenie dysproporcji, ale i tak jest ono znaczące – wartość rozstępu w pierwszym okresie wyniosła 86,7 (między pierwszym w uporządkowaniu szwedzkim Övre Norrland a ostatnim regionem na liście słowackim Východné Slovensko), w ostatnim wyraźnie mniej, bo 67,1 (między duńskim Hovedstaden a bułgarskim Severozapaden). Dla cechy WYKSZ relacja ta zmniejszyła się z 23,5 do 6,8 (pomiędzy Inner London a włoskim regionem Provincia Autonoma Bolzano-Bozen w 1999 r. i czeskim Severozápad w 2008 r.), a dla HRST z 6,5 (między regionem Stockholm a portugalskim Região Autónoma da Madeira) do 4,9 (między Inner London a portugalskim Região Autónoma dos Açores). Natomiast dla cechy KIS zakres relacji maksimum do minimum zmniejszył się z 7,9 (dla Inner London i rumuńskiego Sud-Muntenia) do 5,4 (pomiędzy Inner London a rumuńskim Sud-Vest Oltenia), a dla KIS 2 z 3,5 do 2,9 (między fińskim Åland a greckimi regionami Ionia Nisia w 1999 r. i Notio Aigaio w 2008 r.). Charakterystyczne jest, że dla analizowanych cech, wybranych do opisu innowacyjności input w skali regionalnej, wzrosły wartości minimum, maksimum (poza KIS 2) i średniej. Zmniejszyła się jednocześnie wartość współczynnika zmienności. Odnotowano także wzrastające wartości mediany analizowanych charakterystyk innowacyjności input odpowiednio dla LLL z 4,3 do 7,9%, HRST z 30,1 do 36,2%, KIS z 28,5 do 32,1% i WYKSZ z 22,2% w 1999 r. do 27,9% w 2008 r. oraz KIS 2 z 45 do 48,1%. Charakterystyki liczbowe wskaźników innowacyjności output w europejskich regionach szczebla NUTS 2 w latach 1999–2008 zestawiono w tab. 4.3. Jeśli chodzi o udział pracujących w przemyśle wysoko i średnio zaawansowanym technologicznie w ogólnej liczbie pracujących w regionie w latach 1999 i 2008, w pierwszej i ostatniej dziesiątce uporządkowanych ze względu na wartość tej cechy jest po 6 tych samych regionów. W pierwszej regiony: Stuttgart, Braunschweig, Tübingen, Rheinhessen-Pfalz, Karlsruhe, Freiburg, a w ostatniej: Extremadura, Canarias, Dytiki Ellada, Notio Aigaio, Kriti, Voreio Aigaio. 167 4.1. Wybór charakterystyk do oceny innowacyjności i ich zróżnicowanie Tabela 4.3. Charakterystyki liczbowe wskaźników HIT i EPO oraz HIT 2 w europejskich regionach Wyszczególnienie HIT 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 Max 20,5 21,1 21,0 21,3 20,6 22,3 20,1 20,9 21,2 21,4 Min 0,6 0,6 0,7 0,7 0,4 0,8 0,7 0,6 0,7 0,6 Średnia 6,8 6,8 6,7 6,7 6,4 6,4 6,3 6,3 6,4 6,4 Mediana 6,6 6,6 6,5 6,3 5,9 5,9 5,9 5,7 5,9 5,6 Odchylenie standardowe 3,6 3,6 3,6 3,6 3,5 3,5 3,3 3,5 3,6 3,7 Współczynnik zmienności 52,5 52,7 53,3 54,1 53,8 54,6 53,2 55,6 56,0 57,9 Max/min 37,3 33,0 30,0 28,6 46,9 29,3 30,0 32,6 31,7 34,0 Max – min 20,0 20,5 20,3 20,5 20,2 21,5 19,4 20,2 20,6 20,8 Wyszczególnienie EPO 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 Max 1241,8 1494,6 1942,5 1507,4 1479,4 1437,3 1320,2 902,5 1093,3 1063,2 Min 0,07 0,03 0,08 0,09 0,04 0,33 0,14 0,09 0,33 0,10 Średnia 189,7 199,7 190,9 189,3 189,5 201,2 198,3 134,6 166,0 162,5 Mediana 117,0 131,6 116,4 119,6 110,8 124,8 122,5 79,6 102,4 97,5 Odchylenie standardowe 231,4 244,8 247,7 233,3 229,3 242,4 238,6 163,1 200,2 196,9 Współczynnik zmienności 122,0 122,6 129,8 123,3 121,0 120,4 120,3 121,2 120,6 120,9 17739,9 49820,7 25227,8 16035,9 37932,4 4355,5 9430,0 10028,0 3272,9 10631,6 1437,0 1320,1 902,4 1093,0 1063,0 2005 2006 2007 2008 Max/min Max – min Wyszczególnienie 1241,7 1494,6 1942,5 1507,3 1479,3 1999 2000 2001 2002 2003 HIT 2 2004 Max 55,9 56,7 50,1 51,2 52,8 53,4 55,4 52,7 57,6 Min 1,95 2,34 2,91 2,95 2,12 3,50 3,20 3,49 3,02 59,0 3,9 Średnia 23,2 23,1 23,3 23,0 22,7 22,8 22,6 22,7 22,7 22,9 Mediana 22,7 22,8 23,3 23,0 22,5 22,9 22,9 22,0 22,5 22,5 Odchylenie standardowe 10,2 9,8 9,9 9,6 9,5 9,4 9,3 9,9 9,6 10,0 Współczynnik zmienności 43,8 42,7 42,3 41,9 42,0 41,4 41,3 43,5 42,2 43,5 Max/min 28,7 24,2 17,2 17,4 24,9 15,2 17,3 15,1 19,1 15,2 Max – min 54,0 54,4 47,2 48,3 50,7 49,9 52,2 49,2 54,6 55,1 Źródło: opracowanie własne na postawie danych Eurostatu. Ze względu na liczbę patentów zarejestrowanych w EPO ma milion siły roboczej w analizowanych latach w pierwszej i ostatniej dziesiątce powtarza się odpowiednio 168 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności 6 i 7 regionów. W pierwszej dziesiątce to regiony: Noord-Brabant, Oberbayern, Stuttgart, Tübingen, Mittelfranken, Freiburg, a w ostatniej: Nord-Est, Vest, Sud-Muntenia, Nord-Vest, Sud-Est, Centru, Sud-Vest Oltenia. Pod względem udziału pracujących w przemyśle wysoko i średnio zaawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle regionie w latach 1999 i 2008 w pierwszej i ostatniej dziesiątce uporządkowanych ze względu na wartość tej cechy jest również po kilka tych samych regionów. W pierwszej dziesiątce pięć: Stuttgart, Braunschweig, Rheinhessen-Pfalz, Karlsruhe i Oberbayern, a w ostatniej siedem: Extremadura, Canarias, Cypr, Ipeiros, Notio Aigaio, Kriti, Voreio Aigaio. W przypadku charakterystyk output, podobnie jak wcześniej opisano dla charakterystyk input, obserwowano utrwalenie się pozycji wielu tych samych regionów w pierwszej i ostatniej dziesiątce, co potwierdza umacnianie się europejskich regionów na pozycjach zarówno liderów, jak i outsiderów. Dla charakterystyk innowacyjności output odnotowano spadek wartości mediany dla HIT z 6,6 do 5,6%, dla EPO ze 117 do 97,5 patentów na milion siły roboczej, a dla HIT 2 z 22,7 do 22,51% w 2008 r. w porównaniu z 1999 r. Wartość rozstępu obliczona dla każdej charakterystyki innowacyjności output regionów UE szczebla NUTS 2 jako stosunek wartości maksymalnej do minimalnej pokazuje, iż zdecydowanie największe zróżnicowanie występuje w zakresie EPO, a następnie dla cechy HIT. Przy tym dla cechy HIT rozstęp w pierwszym okresie wynosił 37,3 (między niemieckim regionem Stuttgart a greckim Voreio Aigaio), poprzez 46,9 w 2003 r. (ponownie między Stuttgartem a hiszpańskim regionem Canarias), do 34 w ostatnim roku analizy (między niemieckim regionem Braunschweig i odnotowanym powtórnie na końcu listy greckim Voreio Aigaio). Dla cechy HIT 2 relacja ta zmniejszyła się z 26,7 (między włoskim Valle d’Aosta a greckim Voreio Aigaio) do 15,2 (dla niemieckiego regionu Braunschweig i ostatniego na liście Cypru). Charakterystyczne jest, że dla analizowanych cech, wybranych do opisu innowacyjności output w skali regionalnej, wzrosła wartość minimum oraz wartości maksimum dla cechy HIT i HIT 2. Wartość współczynnika zmienności dla cechy EPO oscylowała wokół 120%, a dla HIT wokół 55%, dla HIT 2 zaś zmienność wynosiła nieco ponad 43% w obu badanych momentach analizy. 4.2. Charakterystyki innowacyjności unijnych regionów Cechą charakterystyczną współczesnej gospodarki światowej jest to, że działalność innowacyjna nie jest rozmieszczona na świecie równomiernie czy też przypadkowo. W istocie rzeczy, im bardziej gospodarka uzależniona jest od wiedzy, tym bardziej dąży do skupiania się. Jako przykład można wskazać takie gałęzie przemysłu, jak biotechnologia czy usługi finansowe, które skupiły się w niewielu głównych ośrodkach, pomimo prób wielu innych miejsc, aby je przyciągnąć lub stworzyć własną 4.2. Charakterystyki innowacyjności unijnych regionów 169 działalność w tych sektorach. Ponadto z badań wielu autorów wynika, że narasta tendencja do koncentracji przestrzennej [Leyshon, Thrift 1997; Feldman 2001; Cortright, Mayer 2002]. Przeczy to sądom, że rosnące wykorzystanie technologii informatycznych i komunikacyjnych doprowadzi, w miarę upływu czasu, do rozproszenia działalności innowacyjnej. Wynika z tego, iż proces tworzenia wiedzy ma bardzo charakterystyczną geografię. Rys. 4.2. Zróżnicowanie regionów UE ze względu na procentowy udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w 1999 r. (WYKSZ_1999) Źródło: opracowanie własne. Graficzną prezentację położenia unijnych regionów pod względem wartości charakterystyk innowacyjności w ujęciu input, a więc LLL, WYKSZ, KIS, HRST 170 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności i KIS 2, przedstawiono na rys. 4.2–4.16. (dla lat 1999, 2008 oraz na podstawie prognoz dla 2011 r.). I tak procentowy udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie był szczególnie niski w 1999 r. w niemal całych Włoszech (w 20 z 21 regionów notowano poziom cechy WYKSZ w granicach 2,1 do 6,5%). W kolejnej grupie regionów (poziom WYKSZ od 6,5 do 10,9%) dominowały w 1999 r. regiony czeskie (4), portugalskie (5) i rumuńskie (6). Wynika z tego, że najmniejsze udziały pracujących z wykształceniem wyższym charakteryzują zwłaszcza zachodnie, południowe i wschodnie krańce zjednoczonej Europy. Rys. 4.3. Zróżnicowanie regionów UE ze względu na procentowy udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w 2008 r. (WYKSZ_2008) Źródło: opracowanie własne. 4.2. Charakterystyki innowacyjności unijnych regionów 171 Wśród regionów, dla których w 1999 r. notowano zdecydowanie najwyższy odsetek pracujących z wyższym wykształceniem (dwa przedziały: od 37,3 do 41,7% oraz od 41,7 do 48,8%) znalazło się pięć regionów stołecznych lub obejmujących stolicę: Berlin, Inner London, Région de Bruxelles, Hovedstaden i Stockholm oraz po dwa niemieckie (Dresden, Leipzig) i belgijskie (Prov. Brabant Wallon i Prov. Vlaams Brabant). Rys. 4.4. Zróżnicowanie regionów UE ze względu na procentowy udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w 2011 r. (na podstawie prognoz) (WYKSZ_2011) Źródło: opracowanie własne. Po 10 latach można stwierdzić znaczne zmiany w granicach przedziałów, w zakresie poziomu charakterystyki innowacyjności WYKSZ, co ma związek ze 172 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności wzrostem wartości minimalnej oraz maksymalnej. Chociaż dolny próg najniższego udziału pracujących z wyższym wykształceniem po 10 latach jest na poziomie połowy drugiego przedziału w 1999 r., to i tak w grupie regionów w tym przedziale znalazło się zaledwie siedem regionów, podczas gdy w 1999 r. było ich w dwóch najniższych przedziałach ponad 40. Rys. 4.5. Zróżnicowanie regionów UE ze względu na procentowy udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w roku 1999 (LLL_1999) Źródło: opracowanie własne. Zmieniła się także sytuacja w regionach włoskich, które w poprzednim momencie analizy dominowały na ostatnich pozycjach uporządkowania, podczas gdy 4.2. Charakterystyki innowacyjności unijnych regionów 173 obecnie w grupach regionów o wyższych wartościach WYKSZ odnotowano takie regiony, jak Liguria, Lombardia, Abruzzo, Calabria, a zwłaszcza zawierający stolicę Lazio. Każdorazowo na pozycji pierwszej w uporządkowaniu regionów ze względu na wartości cechy WYKSZ notowano Inner London, a na dwóch kolejnych zamiennie belgijskie regiony Prov. Brabant Wallon i Région de Bruxelles. Nieodmiennie również na końcu tworzonych uporządkowań znajdowały się regiony rumuńskie, portugalskie i czeskie. Rys. 4.6. Zróżnicowanie regionów UE ze względu na procentowy udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w roku 2008 (LLL_2008) Źródło: opracowanie własne. 174 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Przodująca pozycja regionów stołecznych i stolic jest, w zakresie charakterystyki WYKSZ, szczególnie na przedstawionych mapach widoczna – regiony te tworzą na terytorium danego kraju wyspę o wyższym niż otoczenie udziale dobrze wykształconej kadry (efekt stolicy). Zwraca także uwagę, że stałemu wzrostowi w analizowanych latach wartości minimalnej i górnego poziomu przedziału, do którego zaliczono regiony o najniższym udziale pracujących z wyższym wykształceniem w regionie, liczebność tego przedziału zdecydowanie się zmniejszyła, podobnie jak w przypadku uczestnictwa w ustawicznym kształceniu. Rys. 4.7. Zróżnicowanie regionów UE ze względu na procentowy udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w 2011 r. (na podstawie prognoz) (LLL_2011) Źródło: opracowanie własne. 4.2. Charakterystyki innowacyjności unijnych regionów 175 W zakresie udziału ludności uczestniczącej w ustawicznym kształceniu w dwóch pierwszych opisywanych latach (1999 i 2008) zwraca uwagę zdecydowana dominacja krajów Beneluksu i skandynawskich oraz Wielkiej Brytanii. Znamienny jest też obserwowany w 1999 r., zwłaszcza w krajach takich jak Francja, Polska, Czechy i Niemcy, efekt stolicy. Szczególnie widoczna jest w przypadku charakterystyki LLL w każdym z analizowanych w tej części pracy momentów asymetria rozkładu regionów w utworzonych przedziałach przejawiająca się znaczącą reprezentacją regionów w trzech ostatnich grupach. Skupiają one regiony o wartości LLL do 8,1% (1999 r.), 10,7% Rys. 4.8. Zróżnicowanie regionów UE ze względu na poziom pracujących w usługach opartych na wiedzy (knowledge-intensive services) jako procent siły roboczej w 1999 r. (KIS_1999) Źródło: opracowanie własne. 176 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności (2008 r.) i 12,3% (prognozy dla 2011 r.), a grupy te stanowią łącznie odpowiednio 195 (74% ogółu badanych regionów), 176 (66%) i 153 (58%) regiony UE szczebla NUTS 2. Wynika z tego, że tradycja „uczenia się przez całe życie” nie jest w większości unijnych regionów silnie zakorzeniona. Na trwałe w pierwszej grupie regionów notowano duński Hovedstaden, gdzie w 1999 r. wartość charakterystyki LLL wynosiła 23,7%, a w 2008 r. 34,3%, natomiast na podstawie prognoz w 2011 r. miała wynosić 40,2%. W 1999 r. wyższe od wskazanego regionu Danii wartości LLL cechowały jedynie regiony Szwecji. Rys. 4.9. Zróżnicowanie regionów UE ze względu na poziom pracujących w usługach opartych na wiedzy (knowledge-intensive services) jako procent siły roboczej w 2008 r. (KIS_2008) Źródło: opracowanie własne. 4.2. Charakterystyki innowacyjności unijnych regionów 177 Pod względem udziału pracujących w sektorze usług opartych na wiedzy w ogólnej liczbie pracujących w regionie zmiany w grupach regionów znajdujących się zarówno w najwyższym, jak i w najniższym przedziale wartości tej charakterystyki są niewielkie. Przy tym zarówno w 1999 r., jak i w kolejnych momentach zdecydowane jest odstawanie pod tym względem regionów rumuńskich (z wyłączeniem regionu stołecznego). Efekt stolicy w przypadku wartości charakterystyki KIS w regionach jest w każdym z omawianych w tej części pracy lat szczególnie widoczny. Wystarczy popatrzeć na rysunki 4.8–4.10 i zilustrowane w układzie regionalnym Francję, Polskę, Hiszpanię, Włochy, Grecję czy Bułgarię, Słowenię lub Portugalię. Rys. 4.10. Zróżnicowanie regionów UE ze względu na poziom pracujących w usługach opartych na wiedzy (knowledge-intensive services) jako procent siły roboczej w 2011 r. (na podstawie prognoz) (KIS_2011) Źródło: opracowanie własne. 178 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Znamienne jest także, że w grupach regionów o wyższych udziałach pracujących w sektorze usług opartych na wiedzy w ogólnej liczbie pracujących w regionie przeważają regiony krajów UE z początków jej tworzenia, tj. państw założycielskich (EWG) i krajów pierwszego rozszerzenia z 1973 r. (Danii, Wielkiej Brytanii i Irlandii) oraz czwartego z 1995 r. (Szwecji, Finlandii i Austrii). Rys. 4.11. Zróżnicowanie regionów UE ze względu na poziom pracujących w usługach opartych na wiedzy jako odsetek pracujących w przemyśle w 1999 r. (KIS 2_1999) Źródło: opracowanie własne. Wysoka specjalizacja usług oceniana poprzez udział pracujących w sektorze usług opartych na wiedzy w ogólnej liczbie pracujących w usługach w regionie jest 4.2. Charakterystyki innowacyjności unijnych regionów 179 szczególnie widoczna w kilku regionach skandynawskich, brytyjskich, duńskich i regionach krajów Beneluksu. Rys. 4.12. Zróżnicowanie regionów UE ze względu na poziom pracujących w usługach opartych na wiedzy jako odsetek pracujących w przemyśle w 2008 r. (KIS 2_2008) Źródło: opracowanie własne. Należy zwrócić uwagę, że do grupy regionów o zbliżonym do 60% i wyższym poziomie charakterystyki KIS 2 w 1999 r. należało 11, w 2008 r. już 19, natomiast na podstawie prognoz w 2011 r. grupę tę miało stanowić 27 regionów, z takich krajów, jak Belgia (1), Niemcy (6), Dania (2), wszystkie regiony Finlandii i Szwecji, Niderlandy (2) i Wielka Brytania (8 regionów). 180 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności W analizowanym okresie obniża się górny próg najwyższego z utworzonych przedziałów, co ma związek ze stale wzrastającym znaczeniem sektora usług w gospodarce, któremu towarzyszy mniejsze tempo ich wysokiej specjalizacji. Rys. 4.13. Zróżnicowanie regionów UE ze względu na poziom pracujących w usługach opartych na wiedzy jako odsetek pracujących w przemyśle w 2011 r. (na podstawie prognoz) (KIS 2_2011) Źródło: opracowanie własne. Niezagrożona była w zakresie wartości KIS 2 pozycja finlandzkiego regionu Åland, który w każdym z trzech analizowanych momentów notowano na pozycji pierwszej. Natomiast efekt stolicy widoczny jest m.in. we Francji, Portugalii, Rumunii, Czechach czy Austrii. 4.2. Charakterystyki innowacyjności unijnych regionów 181 W Wielkiej Brytanii zauważalne jest oddziaływanie stolicy, gdzie wyspecjalizowane, oparte na wiedzy usługi są na bardzo wysokim poziomie, na regiony okalające stolicę (Bedfordshire, Hertfordshire, Berkshire, Bucks and Oxfordshire, Essex, Surrey, East and West Sussex oraz Kent). Rys. 4.14. Zróżnicowanie regionów UE ze względu na kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo w 1999 r. (HRST_1999) Źródło: opracowanie własne. Rosnącym w kolejnych latach maksymalnym udziałom kapitału ludzkiego w nauce i technologii w grupie aktywnych zawodowo towarzyszyło zmniejszanie się dolnego progu wartości tej charakterystyki oraz liczby regionów w grupie o najniższych wartościach HRST. 182 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Rys. 4.15. Zróżnicowanie regionów UE ze względu na kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo w 2008 r. (HRST_2008) Źródło: opracowanie własne. Wśród regionów zaliczanych, ze względu na wysokie wartości charakterystyki HRST, niezmiennie do trzech najlepszych przedziałów znalazło się 12 stolic i regionów stołecznych. Z UE 15 Inner London i Outer London, Hovedstaden, Île de France, Stockholm, Région de Bruxelles, Noord-Holland, Berlin, Comunidad de Madrid oraz Etelä-Suomi, z UE 12 zaś Praha i Bratislavský kraj. Szczególnie widoczny w regionach stołecznych i zawierających stolice jest także wysoki na tle innych regionów krajów UE poziom charakterystyki innowacyjności input, jaką jest HRST (rys. 4.14–4.16). 4.2. Charakterystyki innowacyjności unijnych regionów 183 Rys. 4.16. Zróżnicowanie regionów UE ze względu na kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo w 2011 r. (na podstawie prognoz) (HRST_2011) Źródło: opracowanie własne. Pod względem najniższych wartości HRST zauważyć trzeba nieodmiennie w każdym z trzech analizowanych momentów regiony z takich krajów, jak Bułgaria, Grecja, Portugalia i Rumunia. Utrzymujący się na względnie stałym poziomie zakres wartości skrajnych charakteryzuje udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej). Jednocześnie wzrastała liczba regionów w grupach zaliczonych ze względu na HIT do przedziałów o ich najniższych wartościach (rys. 4.17–4.19). W trzech ostatnich grupach były odpowiednio: 129, 174 184 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności i 173 regiony, co stanowiło 49% ogółu analizowanych regionów w 1999 r. oraz ponad 65% w kolejnych dwóch momentach badania (2008 r. i prognozy na 2011 r.). Rys. 4.17. Zróżnicowanie regionów UE ze względu na pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej) w 1999 r. (HIT_1999) Źródło: opracowanie własne. Należy zwrócić uwagę, że o ile regiony zaliczone do grup o niskich wartościach HIT rozproszone są niemal równomiernie po całym terytorium zjednoczonej Europy, to do trzech pierwszych grup regionów pod względem wysokich wartości HIT: – w 1999 r. należały pojedyncze regiony z Włoch (Piemonte), Hiszpanii (Comunidad Foral de Navarra), Węgier (Közép-Dunántúl) i Wielkiej Brytanii (West 4.2. Charakterystyki innowacyjności unijnych regionów – – 185 Midlands) oraz regiony francuskie (Alsace i Franche-Comté) i niemieckie (Stuttgart, Karlsruhe, Freiburg, Tübingen, Schwaben, Oberbayern, Niederbayern, Oberpfalz, Mittelfranken, Unterfranken, Darmstadt, Braunschweig, Rheinhessen-Pfalz), w 2008 r. należały rumuński (Vest), słoweński (Západné Slovensko), francuski (Franche-Comté), wegierskie (Közép-Dunántúl, Nyugat-Dunántúl), czeskie (Střední Čechy, Jihozápad i Severovýchod) i niemal te same niemieckie (11), w 2011 r. (na podstawie prognoz) były to niemal te same regiony, co w 2009 r. Rys. 4.18. Zróżnicowanie regionów UE ze względu na pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej) w 2008 r. (HIT_2008) Źródło: opracowanie własne. 186 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Rys. 4.19. Zróżnicowanie regionów UE ze względu na pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej) w 2011 r. (na podstawie prognoz) (HIT_2011) Źródło: opracowanie własne. Pod względem liczby patentów zarejestrowanych w danym roku w European Patent Office na milion siły roboczej przodują w każdym z analizowanych lat zwłaszcza regiony północnych Niemiec (rys. 4.20–4.22). W ostatniej pod względem najniższych wartości EPO grupie znalazła się w każdym z analizowanych lat ponad połowa unijnych regionów (137 w 1999 r., 140 w 2008 r., 142 na podstawie prognoz w 2011 r.). To regiony położone na wschodzie, południu i zachodnich krańcach UE. 4.2. Charakterystyki innowacyjności unijnych regionów 187 Rys. 4.20. Zróżnicowanie regionów UE ze względu na liczbę patentów zarejestrowanych w danym roku w European Patent Office na milion siły roboczej w 1999 r. (EPO_1999) Źródło: opracowanie własne. Łącznie z ostatnią i w następnych dwóch grupach ocenianych w kolejności pod względem rosnących wartości EPO znalazło się razem ponad 85% wszystkich unijnych regionów. 188 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Rys. 4.21. Zróżnicowanie regionów UE ze względu na liczbę patentów zarejestrowanych w danym roku w European Patent Office na milion siły roboczej w 2008 r. (EPO_2008) Źródło: opracowanie własne. 4.2. Charakterystyki innowacyjności unijnych regionów 189 Rys. 4.22. Zróżnicowanie regionów UE ze względu na liczbę patentów zarejestrowanych w danym roku w European Patent Office na milion siły roboczej w roku 2011 (na podstawie prognoz) (EPO_2011) Źródło: opracowanie własne. 190 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Rys. 4.23. Zróżnicowanie regionów UE ze względu na procentowy udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle w 1999 r. (HIT 2_1999) Źródło: opracowanie własne. Wysoki (powyżej 39%) udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle odnosi się w 1999 r. do 16 regionów, szczególnie z północnych Niemiec (7) i Wielkiej Brytanii (4), dwóch szwedzkich (Stockholm i Västsverige), niderlandzkiego (Zeeland), francuskiego (Franche-Comté) i włoskiego (Valle d’Aosta) – por. rys. 4.23–4.25. 4.2. Charakterystyki innowacyjności unijnych regionów 191 Rys. 4.24. Zróżnicowanie regionów UE ze względu na procentowy udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle w 2008 r. (HIT 2_2008) Źródło: opracowanie własne. Podobnie w latach 2008 oraz 2011 pod względem wysokich wartości HIT 2 dominowały północne Niemcy oraz pojedyncze regiony z takich krajów, jak Węgry i Francja. Natomiast południowe regiony Hiszpanii i Grecji w każdym z trzech badanych momentów cechowały najniższe wartości HIT 2. 192 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Rys. 4.25. Zróżnicowanie regionów UE ze względu na procentowy udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle w 2011 r. (na podstawie prognoz) (HIT 2_2011) Źródło: opracowanie własne. Dla większości charakterystyk innowacyjności input rozkłady są względnie podobne do rozkładu normalnego, szczególnie prawostronnie asymetryczny jest rozkład regionów pod względem EPO, następnie dla HIT oraz nierównomierny pod względem LLL (rys. 4.26). 4.2. Charakterystyki innowacyjności unijnych regionów Rys. 4.26. Rozkłady cech – liczebność regionów w poszczególnych przedziałach w latach 1999, 2008 i 2011 Źródło: opracowanie własne. 193 194 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności 4.3. Klasyfikacja europejskich regionów ze względu na innowacyjność input Chociaż rośnie skala nakładów finansowych, jakie są ponoszone w słabiej rozwiniętych regionach na innowacje dzięki wsparciu z funduszy unijnych, to na ich efekty trzeba poczekać. Wzrost nakładów ciągle jeszcze nie doprowadził do zmniejszenia dystansu innowacyjnego w europejskiej przestrzeni regionalnej. Występuje zróżnicowanie nakładów w regionach przy stosunkowo stałym rozkładzie geograficznym. Pojawiają się także w Europie przykłady regionów, w których nakłady przedsiębiorstw na badania i rozwój dominują nad ich inwestycjami w środki trwałe. Utrzymuje się zróżnicowanie nakładów na B + R w układzie sektorowym i regionalnym. To, że wiedza i systemy innowacji poszczególnych regionów wykazują znaczne różnice, wynikające z ich indywidualnych kierunków specjalizacji w zakresie produkcji, ma oczywiste implikacje strategiczne. Interwencja może okazać się pożądana, a nawet niezbędna, lecz musi współgrać z istniejącymi lokalnie uwarunkowaniami oraz opierać się na analizie nie tylko procesów innowacyjnych, lecz także organizacji i instytucji, w zakresie zachodzących pomiędzy nimi relacji, w dłuższych okresach. Niezwykle ważne jest zidentyfikowanie elementów systemu innowacyjnego, które są przedmiotem inercji, tak aby móc uporać się z ewentualnymi niedociągnięciami i brakami. Dlatego też wielu autorów opisujących systemy innowacji, wśród których są Ch. Freeman [1987a], B.-Å. Lundvall [(red.) 1992], R.R. Nelson [1993] i C. Edquist [2005], porusza kwestę dynamicznej, współtowarzyszącej ewolucji na polu wiedzy, innowacji oraz realizujących to organizacji i instytucji. Z punktu widzenia perspektywy systemowej stanowi to najczęściej najsłabsze ogniwo, o kluczowym znaczeniu dla rozwoju i wzrostu gospodarczego, a tym samym również dla interwencji strategicznej. W momencie ustalenia różnolicznych zbiorów charakterystyk input i output zniknęła przyjemna iluzja metodologiczna, którą było oczekiwanie, iż otrzymamy taką samą liczbę klas i w konsekwencji elegancką kwadratową macierz obejmującą ujęcia input i output w jednej macierzy. Opisana wcześniej w rozdz. 3.4 procedura badawcza klasyfikacji ze statystykami pozycyjnymi została wykorzystana do klasyfikacji europejskiej przestrzeni regionalnej, ze względu na poziom innowacyjności input oraz output, w ujęciu dynamicznym. Poniżej zaprezentowano poszczególne etapy procedury. Etap I Klasyfikacji regionów państw UE ze względu na innowacyjności dokonano w dwóch ujęciach: innowacyjności input oraz innowacyjności output. W wyniku wykorzystania klasyfikacji pozycyjnej z medianą otrzymano następujące klasy regionów: 1 – klasa regionów, dla których wartości wszystkich charakterystyk innowacyjności input są korzystniejsze od ich median ustalonych dla wszystkich regionów UE szczebla NUTS 2 w danym momencie, 4.3. Klasyikacja europejskich regionów ze względu na innowacyjność input 195 2 – klasa regionów, dla których wartość tylko jednej z pięciu wybranych charakterystyk innowacyjności input jest niższa od mediany, a dla pozostałych charakterystyk odnotowano wartości wyższe do zadanej statystyki pozycyjnej, 3 – klasa regionów, dla których wartości dwóch z pięciu analizowanych charakterystyk innowacyjności input są niższe od mediany, 4 – klasa regionów, dla których wartości trzech charakterystyk innowacyjności input są niższe od mediany, 5 – klasa regionów, dla których wartości czterech charakterystyk innowacyjności input są niższe od mediany, 6 – klasa regionów, dla których wartości wszystkich charakterystyk innowacyjności są niższe od mediany. Uzyskane wyniki klasyfikacji europejskiej przestrzeni regionalnej pozwalają zauważyć, iż w obu granicznych momentach analizy najbardziej liczne są grupy regionów klas skrajnych, a więc 1 i 6, przy czym w 1999 r. obie te grupy zawierały odpowiednio po 75 i 74 regiony, a w 2008 r. po 68 i 75 regionów. Może to wskazywać, że w ok. 54–56% ogółu regionów europejskich występuje zjawisko współwystępowania (koincydencji) w zakresie wartości cech ilustrujących innowacyjność. Oznacza to, iż regiony w tych klasach charakteryzują się wyższymi od mediany (klasa 1), albo niższymi od mediany (klasa 6) wartościami wszystkich pięciu przyjętych do badania cech. Ogólnie można przyjąć, iż struktura europejskiej przestrzeni regionalnej ze względu na wartości cech, przy wzięciu pod uwagę jako kryterium podziału regionów wartości mediany, wykazuje umiarkowaną stabilność w ujęciu globalnej oceny poziomu wartości cech ilustrujących innowacyjność. Stabilizacja ta jednak nie odnosi się do poszczególnych regionów, które wykazują znaczące zmiany w wartościach analizowanych cech, co w konsekwencji powodowało zmiany w przyporządkowaniu do klas. I tak w klasie pierwszej 54 regiony zachowały w 2008 r. swoją przynależność do tej klasy, co stanowi 72% regionów z 1999 r. W przypadku klasy szóstej należy zauważyć, że 55 regionów, a więc ¾ spośród 74 regionów pozostało w niej nadal. Może to oznaczać zatem, iż trwałe tendencje w zakresie wartości charakterystyk innowacyjności input występują zarówno w regionach o wysokich, jak i niskich wartościach cech ilustrujących innowacyjność typu input. W środkowych grupach otrzymanych klasyfikacji odnotowano: – w drugiej klasie 34 regiony w 1999 r. i 40 regionów w 2008 r. (16 tych samych), – w trzeciej klasie 22 i 31 regionów (9 to te same regiony), – w klasie czwartej w 1999 r. było 28, a w 2008 r. 21 regionów (8 tych samych), – w piątej klasie 32 regiony w 1999 r. i 30 regionów w 2008 r. (z czego 9 należało do tej klasy w obu momentach analizy). Etap II Wyniki klasyfikacji regionów europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności input dla momentu t = 1 (1999 r.) oraz t = 10 (2008 r.) podano w tab. 4.4–4.6. 196 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Tabela 4.4. Klasyfikacja europejskiej przestrzeni regionalnej ze względu na innowacyjność input dla t = 1 i t = 10 Liczba regionów w klasie Kraj (oznaczenie) (liczba regionów) 1 2 3 4 Belgia (BE) (11) 9 6 1 2 4 1 Czechy (CZ) (8) 1 Dania (DK) (5) 4 1 3 4 1 4 2 1 1 1 2 1 Estonia (EE) (1) 7 1 6 9 4 3 1 1 12 8 1 Irlandia (IE) (2) 6 7 5 Grecja (GR) (13) 1 1 1 3 1 12 6 Malta (MT) (1) 7 Francja (FR) (22) 4 3 1 1 8 6 4 1 7 1 1 1 Włochy (IT) (21) 1 4 16 Cypr (CY) (1) 1 1 Polska (PL) (16) 1 Portugalia (PT) (7) Rumunia (RO) (8) 1 7 7 8 9 2 1 3 6 4 3 3 3 3 1 3 14 1 8 1 6 1 1 Słowacja (SK) (4) 11 2 1 1 Słowenia (SI) (2) 1 1 12 Austria (AT) (9) 5 1 1 Niderlandy (NL) (12) 2 1 1 Hiszpania (ES) (17) 5 1 1 15 5 1 1 Węgry (HU) (7) 6 7 1 Luksemburg (LU) (1) 5 5 Łotwa (LV) (1) Litwa (LT) (1) 4 t = 10 (2008 r.) 2 Bułgaria (BG) (6) Niemcy (DE) (39) 5 t = 1 (1999 r.) 7 1 1 5 5 Szwecja (SE) (8) 8 6 25 6 4 1 1 Ogółem (265) 75 34 22 28 32 74 1 6 7 1 1 Finlandia (FI) (5) Wielka Brytania (UK) (37) 10 1 1 3 5 3 2 18 15 2 1 1 68 40 31 21 30 75 Źródło: opracowanie własne. Analiza otrzymanych wyników klasyfikacji regionów z poszczególnych państw UE pozwala zauważyć, iż do pierwszej klasy, a więc klasy grupującej regiony o wyższym od mediany poziomie wszystkich cech ilustrujących innowacyjność 4.3. Klasyikacja europejskich regionów ze względu na innowacyjność input 197 Tabela 4.5. Regiony państw UE wypełniające klasy wydzielone ze względu na innowacyjność input dla t = 1 (1999 r.) Liczba regionów w grupie Klasa Kraj (liczba regionów) Regiony 1 2 3 1 75 BE (9), CZ (1), DK (4), DE (15), EE, NL (7), FI (5), SE (8), UK (25) BE (Région de Bruxelles-Capitale, Prov. Antwerpen, Prov. Limburg, Prov. Oost-Vlaanderen, Prov. Vlaams Brabant, Prov. West-Vlaanderen, Prov. Brabant Wallon, Prov. Liège, Prov. Luxembourg), CZ (Praha), DK (Hovedstaden, Sjælland, Syddanmark, Midtjylland), DE (Karlsruhe, Oberbayern, Mittelfranken, Berlin, Brandenburg – Südwest, Hamburg, Darmstadt, Gießen, Braunschweig, Düsseldorf, Köln, Trier, Dresden, Leipzig, Schleswig-Holstein), EE (Estonia), NL (Groningen, Gelderland, Utrecht, Noord-Holland, Zuid-Holland, Noord-Brabant, Limburg), FI (Itä-Suomi, Etelä-Suomi, Länsi-Suomi, Pohjois-Suomi, Åland), SE (Stockholm, Östra Mellansverige, Småland med öarna, Sydsverige, Västsverige, Norra Mellansverige, Mellersta Norrland, Övre Norrland), UK (Cheshire, Greater Manchester, Lancashire, North Yorkshire, West Yorkshire, Derbyshire and Nottinghamshire, Herefordshire, Worcestershire and Warks, East Anglia, Bedfordshire, Hertfordshire, Inner London, Outer London, Berkshire, Bucks and Oxfordshire, Surrey, East and West Sussex, Hampshire and Isle of Wight, Kent, Gloucestershire, Wiltshire and Bristol, Dorset and Somerset, Devon, West Wales and The Valleys, East Wales, Eastern Scotland, South Western Scotland, North Eastern Scotland, Highlands and Islands, Northern Ireland 2 34 BE (2), DK (1), LU, HU (1), DE (7), IE (1), ES (1), NL (4), FR (7), AT (1), SI (1), SK (1), UK (6) BE (Prov. Hainaut, Prov. Namur), DK (Nordjylland), LU (Luxembourg), HU (Közép-Magyarország), DE (Stuttgart, Freiburg, Tübingen, Kassel, Hannover, Münster, Rheinhessen-Pfalz), IE (Southern and Eastern), ES (Comunidad de Madrid), NL (Friesland, Drenthe, Overijssel, Flevoland), FR (Île de France, Bretagne, Aquitaine, Midi-Pyrénées, RhôneAlpes, Auvergne, Provence-Alpes-Côte d’Azur), AT (Wien), SI (Zahodna Slovenija), SK (Bratislavský kraj), UK (Tees Valley and Durham, Northumberland, Tyne and Wear, Merseyside, Leicestershire, Rutland and Northants, Shropshire and Staffordshire, Essex) 3 22 CZ (1), LT, DE (9), GR (1), ES (1), NL (1), FR (1), PL (1), UK (4) CZ (Jihovýchod), LT (Lithuania), DE (Unterfranken, Schwaben, Brandenburg – Nordost, Bremen, Mecklenburg-Vorpommern, Lüneburg, Detmold, Saarland, Chemnitz), GR (Attiki), ES (Pais Vasco, Comunidad Foral de Navarra, Castilla y León), NL (Zeeland), FR (Languedoc-Roussillon), PL (mazowiecki), UK (East Yorkshire and Northern Lincolnshire, South Yorkshire, West Midlands, Cornwall and Isles of Scilly) 4 28 BG (1), DE (4), ES (6), FR (12), IT (1), CY, PT (1), RO (1), UK (1) BG (Yugozapaden), DE (Arnsberg, Koblenz, Sachsen-Anhalt, Thüringen), ES (Aragón, Principado de Asturias, Cataluña, Comunidad Valenciana, Región de Murcia, Canarias), FR (Champagne-Ardenne, Haute-Normandie, Centre, Basse-Normandie, Corse, Picardie, Bourgogne, Nord-Pas-de-Calais, Lorraine, Pays de la Loire, Poitou-Charentes, Limousin), IT (Lazio), CY (Cyprus), PT (Lisboa), RO (Bucureşti-Ilfov), UK (Lincolnshire) 198 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Tabela 4.5, cd. 1 2 3 5 32 BG (4), CZ (4), LV, DE (3), ES (4), MT, FR (1), IT (4), AT (1), PL (7), SI (1), UK (1) BG (Severozapaden, Severen tsentralen, Severoiztochen, Yugoiztochen), CZ (Střední Čechy, Severozápad, Střední Morava, Moravskoslezsko), LV (Latvia), DE (Oberpfalz, Oberfranken, Weser-Ems), ES (Cantabria, La Rioja, Castilla-la Mancha, Andalucia), MT (Malta), FR (Franche-Comté), IT (Liguria, Lombardia, Calabria, Sicilia), AT (Vorarlberg), PL (śląski, lubelski, podlaski, zachodniopomorski, dolnośląski, kujawsko-pomorski, pomorski), SI (Vzhodna Slovenija), UK (Cumbria) 6 74 BG (1), CZ (2), HU (6), DE (1), IE (1), GR (12), ES (3), FR (1), IT (16), AT (7), PL (8), PT (6), RO (7), SK (3) BG (Yuzhen tsentralen), CZ (Jihozápad, Severovýchod), HU (KözépDunántúl, Dél-Alföld, Nyugat-Dunántúl, Dél-Dunántúl, Észak-Magyarország, Észak-Alföld,), DE (Niederbayern), IE Border, Midlands and Western), GR (Anatoliki Makedonia, Thraki, Kentriki Makedonia, Dytiki Makedonia, Thessalia, Ipeiros, Ionia Nisia, Dytiki Ellada, Sterea Ellada, Peloponnisos, Voreio Aigaio, Notio Aigaio, Kriti), ES (Galicia, Extremadura, Islas Baleares), FR (Alsace), IT (Piemonte, Valle d’Aosta, Provincia Autonoma BolzanoBozen, Provincia Autonoma Trento, Veneto, Friuli-Venezia Giulia, EmiliaRomagna, Toscana, Umbria, Marche, Abruzzo, Molise, Campania, Puglia, Basilicata, Sardegna), AT (Burgenland, Tirol Niederösterreich, Kärnten, Steiermark, Oberösterreich, Salzburg), PL (łódzki, opolski, małopolski, lubuski, podkarpacki, świętokrzyski, wielkopolski, warmińsko-mazurski), PT (Norte, Algarve, Centro, Alentejo, Região Autónoma dos Açores, Região Autónoma da Madeira), RO (Nord-Vest, Centru, Nord-Est, Sud-Est, Sud-Muntenia, Sud-Vest Oltenia, Vest), SK (Západné Slovensko, Stredné Slovensko, Východné Slovensko) Czcionką półgrubą oznaczono regiony stołeczne i zawierające stolicę. Źródło: opracowanie własne. w 1999 r., w znacznej części lub w całości, należały regiony takich państw, jak: Finlandia i Szwecja (100% regionów), składająca się z jednego regionu szczebla NUTS 2 Estonia, Belgia (82% regionów tego kraju), Dania (80%). Równie znacząco przedstawia się w pierwszej klasie udział regionów takich państw, jak Wielka Brytania (67,6% spośród 37 regionów tego kraju), Niderlandy (58,3% z 12 regionów ogółem), Niemcy (38,5% ogółu regionów). Do klasy tej zaliczono także jeszcze jeden region z UE 12 – czeską Pragę. Łącznie w klasie tej odnotowano 35% wszystkich regionów UE 15 i 3,6% regionów z państw dwóch ostatnich rozszerzeń (UE 12). Ostatnią klasę w 1999 r. (klasę zawierającą regiony, dla których wartości wszystkich cech są niższe od mediany) wypełniają w dominującej części regiony takich państw, jak: Grecja 92,3% (12 na 13 regionów ogółem), Węgry 85,7% (6 z 7 regionów), Austria 77,8% (7 na 9 regionów ogółem tego kraju), Włochy 76,2% (16 z 21 regionów), Portugalia 85,7% (6 z 7 regionów), Rumunia 87,5% (7 z 8 regionów), Słowacja 75% (3 regiony spośród czterech). W klasie drugiej w 1999 r. znaczący był udział regionów UE 15, było ich aż 31 z 34 (w tym po 7 z Niemiec i Francji, 6 z Wielkiej Brytanii, 4 z Niderlandów i 2 belgijskie). Warto zauważyć, rozpatrując pozostałe klasy, że: 4.3. Klasyikacja europejskich regionów ze względu na innowacyjność input 199 w klasie trzeciej na 22 regiony było 9 niemieckich, 4 brytyjskie i 3 hiszpańskie, w klasie czwartej na 28 regionów było 12 francuskich, 6 hiszpańskich i 4 niemieckie, do klasy piątej należało 7 regionów polskich, po 4 regiony bułgarskie, czeskie, hiszpańskie, włoskie i 3 niemieckie na 32 regiony w tej klasie. – – – Tabela 4.6. Regiony państw UE wypełniające klasy wydzielone ze względu na innowacyjność input dla t = 10 (2008 r.) Klasa Liczba regionów w grupie Kraj (liczba regionów) Regiony 1 2 3 1 68 BE (4), CZ (1), DK (5), LU, DE (12), ES (1), NL (9), FR (3), AT (1), SI (1), SK (1), FI (5), SE (6), UK (18) BE (Région de Bruxelles-Capitale, Prov. Limburg, Prov. Oost-Vlaanderen, Prov. Vlaams Brabant), CZ (Praha), DK (Hovedstaden, Sjælland, Syddanmark, Midtjylland, Nordjylland), LU (Luxembourg), DE (Karlsruhe, Oberbayern, Mittelfranken, Berlin, Bremen, Hamburg, Darmstadt, Gießen, Köln, Rheinhessen-Pfalz, Dresden, Leipzig), ES (Comunidad de Madrid), NL (Groningen, Overijssel, Gelderland, Flevoland, Utrecht, Noord-Holland, Zuid-Holland, Noord-Brabant, Limburg), FR (Alsace, Bretagne, Auvergne), AT (Wien), SI (Zahodna Slovenija), SK (Bratislavský kraj), FI (Itä-Suomi, Etelä-Suomi, Länsi-Suomi, Pohjois-Suomi, Åland), SE (Stockholm, Östra Mellansverige, Sydsverige, Västsverige, Mellersta Norrland, Övre Norrland), UK (Cheshire, North Yorkshire, Leicestershire, Rutland and Northants, Herefordshire, Worcestershire and Warks, Bedfordshire, Hertfordshire, Inner London, Outer London, Berkshire, Bucks and Oxfordshire, Surrey, East and West Sussex, Hampshire and Isle of Wight, Gloucestershire, Wiltshire and Bristol, Devon, East Wales, Eastern Scotland, South Western Scotland, North Eastern Scotland, Highlands and Islands, Northern Ireland) 2 40 BE (7), HU (1), DE (8), IE (1), NL (2), FR (6), UK (15) BE (Prov. Antwerpen, Prov. West-Vlaanderen, Prov. Brabant Wallon, Prov. Hainaut, Prov. Liège, Prov. Luxembourg, Prov. Namur), HU (Közép-Magyarország), DE (Stuttgart, Freiburg, Tübingen, Unterfranken, Brandenburg – Südwest, Braunschweig, Chemnitz, Thüringen), IE (Southern and Eastern), NL (Friesland, Drenthe, FR (Île de France, Basse-Normandie, Nord-Pas-de-Calais, Aquitaine, Midi-Pyrénées, Rhône-Alpes, UK (Northumberland, Tyne and Wear, Greater Manchester, Lancashire, Merseyside, East Yorkshire and Northern Lincolnshire, South Yorkshire, West Yorkshire, Derbyshire and Nottinghamshire, Shropshire and Staffordshire, West Midlands, East Anglia, Kent, Dorset and Somerset, Cornwall and Isles of Scilly, West Wales and The Valleys) 3 31 DE (7), EE, GR (1), ES (8), NL (1), FR (4), IT (3), CY, PL (1), SE (2), UK (2) DE (Brandenburg – Nordost, Mecklenburg-Vorpommern, Hannover, Düsseldorf, Münster, Arnsberg, Schleswig-Holstein), EE (Estonia), GR (Attiki), ES (Galicia, Principado de Asturias, Cantabria, Pais Vasco, Comunidad Foral de Navarra, Aragón, Castilla y León, Cataluña), NL (Zeeland), FR (Pays de la Loire, Limousin, Languedoc-Roussillon, Provence-Alpes-Côte d’Azur), IT (Lombardia, Provincia Autonoma Trento, Lazio), CY (Cyprus), PL (mazowiecki), SE (Småland med öarna, Norra Mellansverige), UK (Tees Valley and Durham, Essex) 200 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Tabela 4.6, cd. 1 2 3 4 21 BG (1), LV, LT, DE (5), IE (1), ES (6), FR (2), IT (1), RO (1), UK (1) BG (Yugozapaden), LV (Latvia), LT (Lithuania), DE (Oberfranken, Trier, Kassel, Detmold, Saarland), IE (Border, Midlands and Western), ES (La Rioja, Extremadura, Comunidad Valenciana, Andalucia, Región de Murcia, Canarias), FR (Centre, Lorraine, Poitou-Charentes), IT (Liguria), RO (Bucureşti-Ilfov), UK (Cumbria) 5 30 CZ (2), DE (2), GR (1), ES (2), MT, FR (3), IT (3), AT (8), PL (5), PT (1), SI (1), UK (1) CZ (Jihovýchod, Střední Morava), DE (Schwaben, Koblenz), GR (Kentriki Makedonia), ES (Castilla-la Mancha, Islas Baleares), MT (Malta), FR (Champagne-Ardenne, Picardie, Franche-Comté), IT (Piemonte, Valle d’Aosta, Sardegna), AT (Burgenland, Niederösterreich, Kärnten, Steiermark, Oberösterreich, Salzburg, Tirol, Vorarlberg), PL (małopolski, lubelski, dolnośląski, opolski, pomorski), PT (Lisboa), SI (Vzhodna Slovenija), UK (Lincolnshire) 6 75 BG (5), CZ (5), HU (6), DE (5), GR (11), FR (3), IT (14), PL (10), PT (6), PT ( 6), RO (7), SK (3) BG (Severozapaden, Severen tsentralen, Severoiztochen, Yugoiztochen, Yuzhen tsentralen), CZ (Střední Čechy, Jihozápad, Severozápad, Severovýchod, Moravskoslezsko), HU (Közép-Dunántúl, Nyugat-Dunántúl, Dél-Dunántúl, Észak-Magyarország, Észak-Alföld, Dél-Alföld), DE (Niederbayern, Oberpfalz, Lüneburg, Weser-Ems, Sachsen-Anhalt), GR (Anatoliki Makedonia, Thraki, Dytiki Makedonia, Thessalia, Ipeiros, Ionia Nisia, Dytiki Ellada, Sterea Ellada, Peloponnisos, Voreio Aigaio, Notio Aigaio, Kriti), FR (Haute-Normandie, Bourgogne, Corse), IT (Provincia Autonoma Bolzano-Bozen, Veneto, Friuli-Venezia Giulia, Emilia-Romagna, Toscana, Umbria, Marche, Abruzzo, Molise, Campania, Puglia, Basilicata, Calabria, Sicilia), PL (łódzki, śląski, podkarpacki, świętokrzyski, podlaski, wielkopolski, zachodniopomorski, lubuski, kujawsko-pomorski, warmińsko-mazurski), PT (Norte, Algarve, Centro, Alentejo Região Autónoma dos Açores, Região Autónoma da Madeira), RO (Nord-Vest, Centru, Nord-Est, Sud-Est, Sud-Muntenia, Sud-Vest Oltenia, Vest), SK (Západné Slovensko, Stredné Slovensko, Východné Slovensko) Czcionką półgrubą oznaczono regiony stołeczne i zawierające stolicę. Źródło: opracowanie własne. Obraz klasyfikacji w 2008 r. zmienia się zasadniczo. Bo o ile dominujący udział swoich regionów w klasie pierwszej zachowała Finlandia, poprawiły Niderlandy (75%) i Dania (100%), o tyle osłabiły swój udział w pierwszej klasie takie kraje, jak Niemcy (do 31% regionów) i Wielka Brytania (z 67,6 do 48,6% regionów). W kolejnych klasach, zawierających regiony o zwiększającej się liczbie cech mniej korzystnych od mediany, znalazły się w większości regiony z takich krajów, jak: – Wielka Brytania (15), Niemcy (8), Belgia (7) i Francja (6) w klasie drugiej (36 na 40 regionów), – Hiszpania (8), Niemcy (7), Francja (4), Włochy (3) w klasie trzeciej (22 na 31 regionów w tej klasie), 4.3. Klasyikacja europejskich regionów ze względu na innowacyjność input 201 Hiszpania (6), Niemcy (5) i Francja (3) w zawierającej 21 regionów klasie czwartej, – Austria (8), Polska (5), Francja, Włochy (po 3) i Czechy, Niemcy i Hiszpania (po 2 regiony) w obejmującej 30 regionów klasie piątej. W klasie szóstej w 2008 r. w dalszym ciągu dominują regiony takich państw, jak: Grecja (84,6% – 11 na 13 regionów tego kraju ogółem), Węgry (85,7% – 6 z 7 regionów), Włochy (66,7% – 14 z 21 regionów), Portugalia (85,7% – 6 z 7 regionów), Rumunia (87,5% – 7 z 8 regionów), Słowacja (75% – 3 regiony spośród czterech) oraz Bułgaria (83,3% – 5 z 6 regionów), Polska (62,5% – 10 z 16 regionów), Czechy (62,5% – 5 z 8 regionów). Oceniając strukturę klasyfikacyjną poszczególnych państw, można podkreślić, iż poprawiły po 10 latach swoją strukturę (odnotowano przesunięcia regionów z klas o niższych wartościach cech w stosunku do mediany do klas o wyższych wartościach analizowanych cech) takie kraje, jak: Słowenia i Słowacja, Hiszpania, Luksemburg i Włochy, pogorszyły zaś Belgia, Niemcy, Polska, Czechy i Wielka Brytania. Stabilizacja strukturalna wystąpiła w takich krajach, jak Finlandia, Rumunia, Malta, Cypr i Węgry oraz (nieznacznie) Grecja, Portugalia i Austria. Wstępną ocenę wyników klasyfikacji regionów (ze względu na poziom charakterystyk innowacyjności input) przeprowadzono z wykorzystaniem testu niezależności chi-kwadrat). W tabeli 4.7 podano wartości p z tego testu. Łatwo zauważyć, że wszystkie one są większe od poziomu istotności 0,05 – zatem nie ma podstaw do odrzucenia hipotezy o podobieństwie rozkładów regionów na klasy w dwóch porównywanych latach (1999 i 2008). Należy jednak zwrócić przy tym uwagę, że porównujemy zaobserwowane w klasach liczebności, a nie to, które regiony gdzie się znalazły. – Tabela 4.7. Wyniki zastosowania testu niezależności chi-kwadrat do porównań rezultatów klasyfikacji regionów ze względu na charakterystyki input Grupy regionów Wartość p dla klasyfikacji ze względu na charakterystyki input UE 27 0,6342 UE 15 0,2384 UE 12 0,3441 UE 27 (S) 0,4703 UE 15 (S) 0,2779 UE 12 (S) 0,7586 Źródło: obliczenia własne. Istotnym kryterium oceny możliwości rozwoju innowacyjności regionalnej jest jej aspekt dynamiczny. Zatem należy spojrzeć na zmiany pozycji poszczególnych regionów europejskiej przestrzeni w obu momentach klasyfikacji. Zmiany te przybliżą ocenę możliwości wpływu poszczególnych regionów i państw na dynamizację 202 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności procesów rozwojowych, dla których impulsem jest postęp techniczny, a więc innowacyjność w zakresie zarówno input, jak i output. Łącznie 151 regionów nie zmieniło klasy w 2008 r., w porównaniu z klasyfikacją według danych z 1999 r., co stanowi 57% wszystkich analizowanych regionów UE. W podziale na klasy stabilizacja przyporządkowania wyglądała następująco: – 54 regiony z następujących państw były w klasie 1 (wszystkie pięć charakterystyk innowacyjności input powyżej mediany) w 1999 r. i są w tej samej klasie w 2008 r.: Belgia (4), Czechy (1), Niemcy (10), Dania (4), Finlandia (5), Niderlandy (7), Szwecja (6), Wielka Brytania (17), – w klasie 2 (wartość jednej z analizowanych charakterystyk input niższa od mediany) w obu latach odnotowano 16 tych samych regionów, w tym 4 francuskie, po 3 niemieckie i brytyjskie, po 2 belgijskie i z Niderlandów oraz region węgierski i irlandzki, – w klasie 3 (wartości dwóch charakterystyk są niższe od mediany) w obu latach odnotowano 9 tych samych regionów, w tym trzy hiszpańskie, dwa niemieckie oraz niderlandzki, grecki, francuski i mazowiecki, – w klasie 4 (wartości trzech charakterystyk są niższe od median cech ustalonych dla wszystkich regionów UE) w obu analizowanych latach odnotowano 8 tych samych regionów z takich krajów, jak: Hiszpania i Francja (po 3), Rumunia i Bułgaria (po 1), – w klasie 5 (wartość tylko jednej charakterystyki korzystniejsza od mediany) w obu analizowanych latach odnotowano 9 regionów z takich krajów jak: Czechy, Francja, Austria, Słowenia i Hiszpania (po 1), Malta oraz Polska (3), – w klasie 6 (żadna z charakterystyk innowacyjności input nie jest korzystniejsza od mediany tej cechy ustalonej dla wszystkich regionów UE) w obu analizowanych latach odnotowano 55 regionów z takich krajów, jak: Bułgaria (1), Czechy (2), Niemcy (1), Grecja (11), Węgry (6), Włochy (12), Polska (6), Portugalia (6), Rumunia (7), Słowacja (3). Zmiany w przyporządkowaniu odnotowano w 43% regionów, przy czym dla pozostałych 114 w jednej połowie odnotowano poprawę, a w drugiej pogorszenie. Największy skok in plus w klasyfikacji odnotowano dla francuskiego regionu Alsace (z klasy 6 w 1999 r. do 1 w 2008 r.). Do innych regionów, w których odnotowano pozytywne zmiany w klasyfikacji, tj. do klasy wyższej w 2008 r. w stosunku do 1999 r. należały przechodzące: – z szóstej do trzeciej hiszpański region Galicia i włoski Provincia Autonoma Trento, – z szóstej do czwartej irlandzki region Border, Midlands and Western i hiszpański Extremadura, – z szóstej do piątej grecki Kentriki Makedonia, hiszpański Islas Baleares, włoskie: Piemonte, Valle d’Aosta i Sardegna, austriackie: Burgenland, Niederösterreich, Kärnten, Steiermark, Oberösterreich, Salzburg i Tirol, polskie: małopolski i opolski, 4.3. Klasyikacja europejskich regionów ze względu na innowacyjność input 203 z piątej do czwartej Łotwa, niemiecki region Oberfranken, hiszpańskie La Rioja i Andalucia, włoski Liguria i brytyjski Cumbria, – z piątej do trzeciej hiszpański region Cantabria i włoska Lombardia, – z czwartej do trzeciej niemiecki Arnsberg, hiszpańskie regiony Principado de Asturias, Aragón i Cataluña, francuskie regiony Pays de la Loire i Limousin, włoskie Lazio oraz Cypr, – z czwartej do drugiej niemiecki region Thüringen i francuskie Basse-Normandie oraz Nord-Pas-de-Calais, – z trzeciej do drugiej niemieckie regiony Unterfranken i Chemnitz oraz brytyjskie East Yorkshire and Northern Lincolnshire, South Yorkshire, West Midlands i Cornwall and Isles of Scilly, – z trzeciej do pierwszej niemiecki region Bremen, – z drugiej do pierwszej: duński region Nordjylland, niemiecki Rheinhessen-Pfalz, hiszpański Comunidad de Madrid, niderlandzkie regiony Overijssel i Flevoland, francuskie Bretagne i Auvergne, austriacki Wien, słoweńska Zahodna Slovenija i słowacki Bratislavský kraj, brytyjski Leicestershire, Rutland and Northants oraz Luxembourg. Najbardziej spektakularne zmiany w przyporządkowaniu ale in minus dotyczyły takich regionów, jak niemieckie regiony: Trier (z pierwszej do trzeciej), Kassel (z drugiej do czwartej), Lüneburg (z trzeciej do szóstej). Wśród innych regionów, w których odnotowano negatywne zmiany w klasyfikacji (do klasy niższej) w 2008 r. w stosunku do 1999 r., należały regiony, które zmieniły klasę: – z piątej na szóstą: bułgarskie Severozapaden, Severen tsentralen, Severoiztochen i Yugoiztochen, czeskie Střední Čechy, Severozápad i Moravskoslezsko, niemieckie Oberpfalz, Weser-Ems, włoskie Calabria, Sicilia oraz śląski, podlaski, zachodniopomorski i kujawsko-pomorski, – z czwartej na szóstą: niemiecki Sachsen-Anhalt, francuskie Haute-Normandie, Bourgogne i Corse, – z czwartej na piątą: niemiecki Koblenz, francuskie Champagne-Ardenne i Picardie, portugalski Lisboa i brytyjski Lincolnshire, – z trzeciej na piątą: czeski Jihovýchod i niemiecki Schwaben, – z trzeciej na czwartą: Litwa, niemiecki Detmold i Saarland, – z drugiej na trzecią: niemieckie Hannover i Münster, francuski Provence-Alpes-Côte d’Azur, brytyjskie Tees Valley and Durham oraz Essex, – z pierwszej na trzecią: niemieckie Düsseldorf i Schleswig-Holstein, szwedzkie Småland med öarna i Norra Mellansverige oraz Estonia, – z pierwszej na drugą: belgijskie Prov. Antwerpen, Prov. West-Vlaanderen, Prov. Brabant Wallon, Prov. Liège i Prov. Luxembourg, niemieckie Brandenburg – Südwest oraz Braunschweig, brytyjskie Greater Manchester, Lancashire, West Yorkshire, Derbyshire and Nottinghamshire, East Anglia, Kent oraz Dorset and Somerset i West Wales and The Valleys. – 204 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Jak widać, zmiany w klasyfikacji regionów państw Unii Europejskiej oceniane indywidualnie dla poszczególnych regionów ze względu na innowacyjność input na przestrzeni analizowanych lat są znaczące. Jednym z głównych czynników procesów rozwojowych, których podstawę stanowi postęp techniczny mający źródła w innowacyjności, jest metropolizacja przestrzeni. Dlatego warto spojrzeć na tendencje występujące w regionach stołecznych państw Unii Europejskiej. W tabeli 4.8 zestawiono wyniki klasyfikacji regionów UE pod względem wartości charakterystyk input z uwzględnieniem regionów stołecznych i zawierających stolice. Tabela 4.8. Wyniki klasyfikacji z uwzględnieniem regionów stołecznych i zawierających stolice w latach 1999 i 2008 – charakterystyki input Liczba regionów z danej zbiorowości w klasie Klasa UE 27 UE 15 UE 12 UE 27 (S) UE 15 (S) UE 12 (S) 1999 2008 1999 2008 1999 2008 1999 2008 1999 2008 1999 2008 1 75 68 73 65 2 3 10 14 8 11 2 3 2 34 40 31 39 3 1 8 3 5 2 3 1 3 22 31 19 28 3 3 3 5 1 2 2 3 4 28 21 25 17 3 4 5 4 2 – 3 4 5 32 30 14 21 18 9 2 2 – 1 2 1 6 74 75 47 39 27 36 – – – – – – Źródło: opracowanie własne na podstawie danych Eurostatu. Istnieje wiele aspektów zmian gospodarczych zachodzących w czasach współczesnych, które powodują, że miasta i regiony stają się bardziej, a nie mniej znaczącymi lokalizacjami dla prowadzenia działalności produkcyjnej, dystrybucji i kreowania innowacji. Głównym paradoksem naszego wieku jest to, że w miarę przesuwania się procesów gospodarczych w kierunku globalnej skali operacyjnej, aspekt centralnie umiejscowionej działalności lokalnej jest stymulowany, a nie ograniczany. Niemniej jednak, to właśnie społeczny charakter miast odpowiedzialny jest za odnawiające się znaczenie gospodarki lokalnej w obrębie tej globalnej. Inaczej mówiąc, podstawą sukcesu gospodarczego w coraz bardziej konkurencyjnym świecie są wartości i cechy społeczne ośrodków zurbanizowanych. Oznacza to, że decyzje, które kształtują społeczny charakter naszych miast będą również miały bezpośrednie konsekwencje w dobrobycie gospodarczym. Na 28 regionów stołecznych do klasy pierwszej zakwalifikowało się 10 regionów w 1999 r. i co drugi region, czyli 14 regionów w 2008 r. Widać zatem, że wzrost wartości cech w tych regionach był dynamiczny. W grupie regionów stołecznych UE 15 udział ten w 2008 r. był jeszcze wyższy i wynosił 68,75% (11 z 16). W klasie 5 (wartość tylko jednej zmiennej jest wyższa od mediany) odnotowano w 2008 r. jeden region stołeczny – Lisboa. 4.3. Klasyikacja europejskich regionów ze względu na innowacyjność input 205 W krajach ostatnich rozszerzeń tylko trzy regiony na 12 znalazły się w 2008 r. w klasie pierwszej (Praha, Zahodna Slovenija i Bratislavský kraj), w drugiej (wartość jednej z pięciu charakterystyk input niższa od mediany) jest węgierski region Közép-Magyarország, w trzeciej (wartość dwóch z pięciu charakterystyk input niższa od mediany) jest region mazowiecki oraz jednonutsowe kraje Cypr i Estonia, w klasie czwartej (wartości trzech charakterystyk input są niższe od mediany) znalazły się regiony Yugozapaden i Bucureşti-Ilfov oraz jednonutsowe kraje Litwa i Łotwa, w klasie piątej zaś tylko jeden region (Malta). Taka struktura klasyfikacji i miejsce regionów stołecznych potwierdza ich znaczący udział w rozwoju innowacyjności regionów. Zarówno globalizacja, jak i rozwijająca się prężnie gospodarka oparta na wiedzy nakładają na miasta-regiony wiele wyzwań, dając im jednocześnie bogactwo możliwości. Wraz ze wzrastającą skalą przepływów kapitałowych również przepływ zasobów ludzkich związany jest z globalizacją, co powoduje napływ emigrantów do dużych aglomeracji miejskich. W miarę pogłębiania się różnic, również etnicznych, w obrębie ludności zamieszkującej miasta-regiony, wzrastają kompleksowe wyzwania społeczne wobec zarządzania takimi aglomeracjami w sposób ograniczający dyskryminację i promujący postawę akceptacji dla różnorodności. Przedstawione obserwacje sugerują, że regiony zurbanizowane, które odnoszą największe sukcesy w promowaniu postaw tolerancji i akceptacji dla dywersyfikacji społecznej, mają największe szanse na przyciągnięcie i zatrzymanie wysoko wykwalifikowanych kadr profesjonalnych. Sukces regionu zurbanizowanego w generowaniu i utrzymaniu na swym obszarze działań kreatywnych uzależniony jest także od jakości danego miejsca oraz od cech charakterystycznych społeczności promującej integrację. Silne, pełne energii i witalności, aktywne lokalizacje, pozostające stosunkowo wolnymi od deprawacji społecznej, oraz dostęp do miejsc pracy i usług społecznych stanowią podstawowe komponenty składające się na jakość danego miejsca. Przeprowadzona klasyfikacja pozwala na ocenę miejsca regionów Polski w europejskiej przestrzeni regionalnej ze względu na wartości pięciu cech ilustrujących innowacyjność typu input. W latach 1999 i 2008 regiony polskie znalazły się w niemal identycznych proporcjach w trzech klasach (tab. 4.9): – w klasie trzeciej – jest to klasa regionów, dla których trzy charakterystyki input są wyższe od mediany – mazowiecki, – w klasie piątej – z jedną cechą korzystniejszą od mediany odnotowano 7 i 5 regionów, – w klasie szóstej, a więc w klasie regionów, dla których wartości wszystkich cech są niższe od mediany, odpowiednio 8 i 10 regionów. Polskie regiony znacznie, a niektóre nawet drastycznie pogorszyły swoją pozycję względem mediany cechy LLL w 2008 r. w stosunku do 1999 r. przy wzroście wartości mediany, co pokazuje, iż powiększa się dystans do regionów europejskich w tym zakresie. 206 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Wzajemne relacje między rozwojem kraju a rozwojem regionalnym są istotnym elementem analiz. Na konieczność oceny gospodarki kraju z perspektywy poziomu gospodarek regionalnych wskazywał m.in. M.E. Porter [2000a, b; Porter i in. 2000], podkreślając jednocześnie fundamentalne znaczenie takich czynników rozwoju, jak konkurencyjność i innowacyjność. Analiza przeprowadzona na szczeblu regionalnym wyostrza obraz państw UE ze względu na innowacyjność, która jako kategoria złożona jest z wielu cech wyróżniających, co sprawia, że ich pomiar, ocena poziomu, jak i analiza dynamiki zmian nie są proste. Tabela 4.9. Regiony Polski w klasyfikacji, w latach 1999 i 2008 – charakterystyki input Regiony polskie Klasa 1999 2008 1 – – 2 – – 3 4 mazowiecki mazowiecki – – 5 śląski, lubelski, podlaski, zachodniopomorski, dolnośląski, pomorski, kujawsko-pomorski małopolski, lubelski, opolski, pomorski, dolnośląski 6 łódzki, małopolski, opolski, podkarpacki, wielkopolski, lubuski, świętokrzyski, warmińsko-mazurski śląski, podlaski, łódzki, zachodniopomorski, kujawsko-pomorski, podkarpacki, świętokrzyski, wielkopolski, lubuski, warmińsko-mazurski Źródło: opracowanie własne na podstawie danych Eurostatu. W ocenie innowacyjności, oprócz starannego doboru mierników ilustrujących złożoność tej kategorii ekonomicznej, szczególną uwagę należy zwrócić na tempo rozwoju badanych charakterystyk. Może ono bowiem przesądzać o rozwoju regionalnym, dla którego innowacyjność jest zasadniczym impulsem. Unia Europejska, stawiając sobie strategiczne cele w zakresie rozwoju i budowania wysokiej pozycji w gospodarce globalnej, musi ze szczególną uwagą monitorować dynamiczne aspekty sektorowych i przestrzennych zmian na szczeblu zarówno państw, jak i regionów. 4.4. Klasyfikacja europejskich regionów ze względu na innowacyjność output Efekty działalności innowacyjnej w regionach i firmach od dłuższego czasu stanowią istotny przedmiot badań w kraju i za granicą [Stankiewicz, Moczulska 2010; Janasz, Kozioł 2007; Prahalad, Krishnan 2010]. Firmy i regiony nastawione na opracowanie i wdrażanie innowacji określić można jako te, które mają kulturę proinnowacyjną lub realizują strategie innowacyjne [Wyciślak 2009, s. 107]. 4.4. Klasyikacja europejskich regionów ze względu na innowacyjność output 207 Innowacja, sama w sobie, nie stanowi zjawiska ważnego. To wyniki działań innowacyjnych oraz gospodarcze i społeczne efekty poprawiające jakość życia, poziom edukacji, które interweniują w politykę działań, mają znaczenie zasadnicze. Zarówno wyniki, ewidentne w krótkim okresie, jak i skutki, widoczne w dłuższym okresie, stanowią efekt powiązań między działaniami innowacyjnymi i ludźmi, bez względu na to, czy są to pojedyncze jednostki, czy też stanowią one część większych organizacji. Te powiązania i relacje są częścią procesów zachodzących w systemie, a system innowacyjny funkcjonuje w granicach terytorium. Tym terytorium objętym niniejszymi badaniami jest europejska przestrzeń szczebla NUTS 2, dla której w konsekwencji wykorzystania klasyfikacji pozycyjnej z medianą dla charakterystyk output otrzymano następujące klasy regionów: – 1, w której dla należących do niej regionów wartości wszystkich charakterystyk innowacyjności output są korzystniejsze od ich median ustalonych dla wszystkich regionów UE szczebla NUTS 2 w danym momencie, – 2, w której dla należących do niej regionów wartość jednej z wybranych charakterystyk innowacyjności output jest niższa od mediany, – 3, w której dla należących do niej regionów wartości dwóch z trzech analizowanych charakterystyk innowacyjności output są niższe od mediany, – 4, w której dla należących do niej regionów wartości wszystkich charakterystyk innowacyjności są niższe od mediany. Wyniki klasyfikacji ze względu na wartości charakterystyk output w regionach UE w relacji do median tych cech wskazują, że w skrajnych momentach analizy najbardziej liczne są grupy regionów klas pierwszej i czwartej. W 1999 r. obie te grupy zawierały po 85 regionów, a w 2008 r. odpowiednio po 84 i 78 regionów, przy czym w klasie pierwszej 65, a w czwartej klasie 63 te same regiony (tab. 4.10–4.12). W środkowych grupach (2 i 3) otrzymanych klasyfikacji znalazło się: – w klasie drugiej 50 regionów w 1999 r. i 44 regiony w 2008 r. (18 tych samych), – w klasie trzeciej 45 regionów w 1999 r. i 59 regionów w 2008 r. (z czego 29 należało do tej klasy w obu momentach analizy). Do pierwszej klasy, a więc klasy grupującej regiony o wyższym od mediany poziomie wszystkich cech ilustrujących innowacyjność output w 1999 r., w znacznej części należały regiony takich państw, jak: Finlandia (4 z 5 regionów), Niemcy (29 z 39 regionów) i Szwecja (5 z 8 regionów). Znacząco przedstawia się w tej klasie udział regionów takich państw, jak Francja (50% ogółu regionów), Irlandia (jeden z dwóch), Wielka Brytania (16 z 37) i Belgia (5 z 11). W klasie tej nie odnotowano żadnego regionu z państw ostatnich rozszerzeń (UE 12). Łącznie w klasie tej odnotowano 40,7% wszystkich regionów UE 15. Klasę zawierającą regiony, dla których wartości wszystkich cech są niższe od mediany w 1999 r., wypełniają głównie regiony takich państw, jak: Grecja (wszystkie 13 regionów), Polska (12 z 16), Hiszpania (11 z 17), Bułgaria 83,3% (5 na 6 regionów ogółem tego kraju), Włochy (9 z 21 regionów), Portugalia (wszystkie 7 regionów), Rumunia i Słowacja (połowa regionów) oraz kraje jednonutsowe: Li- 208 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności twa, Łotwa, Estonia i Cypr. W klasie tej uplasowało się 57% wszystkich regionów UE 12 i co czwarty region UE 15. W klasie drugiej w 1999 r. znaczący był udział regionów UE 15 (38 z 50), w tym 13 z Wielkiej Brytanii, 5 z Hiszpanii, po 4 z Francji i Węgier, a po 3 z Belgii oraz z krajów ostatnich dwóch rozszerzeń, tj. Rumunii i Czech. Tabela 4.10. Klasyfikacja europejskiej przestrzeni regionalnej ze względu na innowacyjność output dla t = 1 i t = 10 Liczba regionów w klasie Kraj (liczba regionów) Belgia (11) Bułgaria (6) Czechy (8) Dania (5) Łotwa (1) Litwa (1) Luksemburg (1) Węgry (7) Niemcy (39) Estonia (1) Irlandia (2) Grecja (13) Hiszpania (17) Malta (1) Niderlandy (12) Francja (22) Włochy (21) Cypr (1) Austria (9) Polska (16) Portugalia (7) Rumunia (8) Słowenia (2) Słowacja (4) Finlandia (5) Szwecja (8) Wielka Brytania (37) Ogółem (265) Źródło: opracowanie własne. 1 2 3 4 1 t = 1 (rok 1999) 5 2 3 3 2 3 1 2 1 2 3 t = 10 (rok 2008) 6 1 3 7 1 5 3 4 2 1 1 1 1 1 1 5 29 4 2 1 1 1 3 11 6 5 1 1 4 2 2 1 4 3 3 1 3 4 5 16 85 3 13 50 2 3 1 13 11 2 3 9 1 34 6 1 1 1 3 1 2 2 10 8 5 3 7 5 3 1 3 5 4 3 1 4 1 2 1 2 6 44 2 2 2 12 59 11 78 12 7 4 2 3 45 5 85 1 1 1 13 11 1 3 2 7 1 3 3 2 2 1 4 1 1 1 6 4 4 4 1 2 4 8 84 9 7 4.4. Klasyikacja europejskich regionów ze względu na innowacyjność output 209 Tabela 4.11. Regiony szczebla NUTS 2 państw UE wypełniające klasy wydzielone ze względu na innowacyjność output dla t = 1 (1999 r.) Liczba regionów w grupie Klasa kraj (liczba regionów) 1 2 85 1 BE (5), DK (2), DE (29), IE (1), NL (3), FR (11), IT (6), AT (3), FI (4), SE (5), UK (16) 2 3 Regiony 3 BE (Prov. Antwerpen, Prov. Limburg, Prov. Oost-Vlaanderen, Prov. Vlaams Brabant, Prov. Brabant Wallon), DK (Syddanmark, Midtjylland), DE (Stuttgart, Karlsruhe, Freiburg, Tübingen, Oberbayern, Niederbayern, Oberpfalz, Oberfranken, Mittelfranken, Unterfranken, Schwaben, Hamburg, Darmstadt, Gießen, Kassel, Braunschweig, Bremen, Hannover, Lüneburg, Weser-Ems, Düsseldorf, Münster, Detmold, Arnsberg, Koblenz, Köln, Rheinhessen-Pfalz, Saarland, Schleswig-Holstein), IE (Southern and Eastern), NL (Zeeland, Noord-Brabant, Limburg), FR (Île de France, Picardie, Haute-Normandie, Centre, Bourgogne, Lorraine, Alsace, Franche-Comté, Pays de la Loire, Bretagne, Rhône-Alpes), IT (Piemonte, Liguria, Lombardia, Veneto, Friuli-Venezia Giulia, Emilia-Romagna), AT (Wien, Kärnten, Oberösterreich) FI (Etelä-Suomi, Länsi-Suomi, Pohjois-Suomi, Åland) SE (Östra Mellansverige, Småland med öarna, Sydsverige, Västsverige, Norra Mellansverige), UK (Northumberland, Tyne and Wear, Cheshire, Derbyshire and Nottinghamshire, Leicestershire, Rutland and Northants, Herefordshire, Worcestershire and Warks, Shropshire and Staffordshire, West Midlands, East Anglia, Bedfordshire, Hertfordshire, Essex, Berkshire, Bucks and Oxfordshire, Hampshire and Isle of Wight, Kent, Gloucestershire, Wiltshire and Bristol, Dorset and Somerset, East Wales) 50 BE (Région de Bruxelles-Capitale, Prov. West-Vlaanderen, Prov. Hainaut), BE (3), CZ (3), CZ (Střední Čechy, Severovýchod, Střední Morava), DK (Hovedstaden, DK (2), HU (4), Sjælland), HU (Közép-Magyarország, Közép-Dunántúl, Nyugat-Dunántúl, DE (2), IE (1), Észak-Magyarország), DE (Berlin, Dresden), IE (Border, Midlands and ES (5), MT, NL (1), Western), ES (Pais Vasco, Comunidad Foral de Navarra, Aragón, Comunidad FR (4), IT (2), de Madrid, Cataluña), MT (Malta), NL (Flevoland), FR (Basse-Normandie, AT (2), Nord-Pas-de-Calais, Midi-Pyrénées, Provence-Alpes-Côte d’Azur), IT (Valle PL (1), RO (3), d’Aosta, Molise), AT (Steiermark, Vorarlberg), PL (pomorski), RO (Centru, SE (3), UK (13) Sud-Muntenia, Bucureşti-Ilfov), SE (Stockholm, Mellersta Norrland, Övre Norrland), UK (Tees Valley and Durham, Cumbria, Greater Manchester, Lancashire, Merseyside, Lincolnshire, Outer London, Surrey, East and West Sussex, Cornwall and Isles of Scilly, Devon, West Wales and The Valleys, Eastern Scotland, South Western Scotland) 45 BE (Prov. Liège, Prov. Luxembourg, Prov. Namur), BG (Severen tsentralen), BE (3), BG (1), CZ (Jihozápad, Jihovýchod), DK (Nordjylland), LU (Luxembourg), CZ (2), DK (1), HU (Észak-Alföld), DE (Brandenburg – Nordost, Brandenburg – Südwest, LU, HU (1), DE (5), Trier, Chemnitz, Thüringen), ES (Cantabria), NL (Friesland, Overijssel, ES (1), NL (6), Gelderland, Utrecht, Noord-Holland, Zuid-Holland), FR (ChampagneFR (4), IT (4), -Ardenne, Aquitaine, Auvergne, Languedoc-Roussillon), IT (Toscana, AT (4), Marche, Lazio, Basilicata), AT (Burgenland, Niederösterreich, Salzburg, PL (3), RO (1), Tirol), PL (śląski, dolnośląski, opolski), RO (Sud-Vest Oltenia), SI (Vzhodna SI (2), Slovenija, Zahodna Slovenija), SK (Západné Slovensko, Východné SK (2), FI (1), Slovensko), FI (Itä-Suomi), UK (North Yorkshire, West Yorkshire, Inner UK (3) London) 210 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Tabela 4.11, cd. 1 2 85 BG (5), CZ (3), LV, LT, HU (2), DE (3), EE, GR (13), ES (11), NL (2), FR (3), IT (9), CY, PL (12), PT (7), RO (4), SK (2), UK (5) 4 3 BG (Severozapaden, Severoiztochen, Yugoiztochen, Yugozapaden, Yuzhen tsentralen), CZ (Praha, Severozápad, Moravskoslezsko), LT (Lithuania), LV (Latvia), HU (Dél-Dunántúl, Dél-Alföld), DE (MecklenburgVorpommern, Leipzig, Sachsen-Anhalt), EE (Estonia), GR (Anatoliki Makedonia, Thraki, Kentriki Makedonia, Dytiki Makedonia, Thessalia, Ipeiros, Ionia Nisia, Dytiki Ellada, Sterea Ellada, Peloponnisos, Attiki, Voreio Aigaio, Notio Aigaio, Kriti), ES (Galicia, Principado de Asturias, La Rioja, Castilla y León, Castilla-la Mancha, Extremadura, Comunidad Valenciana, Islas Baleares, Andalucia, Región de Murcia, Canarias), NL (Groningen, Drenthe), FR (Poitou-Charentes, Limousin, Corse), IT (Provincia Autonoma Bolzano-Bozen, Provincia Autonoma Trento, Umbria, Abruzzo, Campania, Puglia, Calabria, Sicilia, Sardegna), CY (Cyprus), PL (łódzki, mazowiecki, małopolski, lubelski, podkarpacki, świętokrzyski, podlaski, wielkopolski, zachodniopomorski, lubuski, kujawsko-pomorski, warmińsko-mazurski), PT (Norte, Algarve, Centro, Lisboa, Alentejo, Região Autónoma dos Açores, Região Autónoma da Madeira), RO (Nord-Vest, Nord-Est, Sud-Est, Vest), SK (Bratislavský kraj, Stredné Slovensko), UK (East Yorkshire and Northern Lincolnshire, South Yorkshire, North Eastern Scotland, Highlands and Islands, Northern Ireland) Czcionką półgrubą oznaczono regiony stołeczne i zawierające stolicę. Źródło: opracowanie własne. Tabela 4.12. Regiony szczebla NUTS 2 państw UE wypełniające klasy wydzielone ze względu na innowacyjność output dla t = 10 (2008 r.) Klasa 1 1 Liczba regionów w grupie kraj (liczba regionów) 2 84 BE (6), DK (3), DE (34), ES (3), NL (2), FR (10), IT (8), AT (3), SI (1), FI (2), SE (4), UK (8) Regiony 3 BE (Prov. Antwerpen, Prov. Limburg, Prov. Oost-Vlaanderen, Prov. Vlaams Brabant, Prov. Brabant Wallon, Prov. Hainaut), DK (Sjælland, Syddanmark, Midtjylland), DE (Stuttgart, Karlsruhe, Freiburg, Tübingen, Oberbayern, Niederbayern, Oberpfalz, Oberfranken, Mittelfranken, Unterfranken, Schwaben, Berlin, Brandenburg – Südwest, Bremen, Hamburg, Darmstadt, Gießen, Kassel, Braunschweig, Hannover, Lüneburg, Weser-Ems, Düsseldorf, Köln, Münster, Detmold, Arnsberg, Koblenz, Rheinhessen-Pfalz, Saarland, Chemnitz, Dresden, Schleswig-Holstein, Thüringen), ES (Pais Vasco, Comunidad Foral de Navarra, Cataluña), NL (Noord-Brabant, Limburg), FR (Picardie, Haute-Normandie, Centre, Basse-Normandie, Lorraine, Alsace, Franche-Comté, Pays de la Loire, Poitou-Charentes, Midi-Pyrénées), IT (Piemonte, Valle d’Aosta, Liguria, Lombardia, Veneto, Friuli-Venezia Giulia, Emilia-Romagna, Marche), AT (Kärnten, Steiermark, Oberösterreich, SI (Vzhodna Slovenija), FI (Etelä-Suomi, Länsi-Suomi), SE (Östra Mellansverige, Småland med öarna, Sydsverige, Västsverige), UK (Tees Valley and Durham, Cheshire, East Yorkshire and Northern Lincolnshire, Derbyshire and Nottinghamshire, Herefordshire, Worcestershire and Warks, Bedfordshire, Hertfordshire, Berkshire, Bucks and Oxfordshire, Hampshire and Isle of Wight) 4.4. Klasyikacja europejskich regionów ze względu na innowacyjność output 1 2 211 3 2 44 BE (1), CZ (7), DK (1), HU (6), DE (1), ES (1), FR (5), IT (3), AT (1), PL (3), RO (3), SI (1), SK (2), FI (1), SE (2), UK (6) BE (Prov. West-Vlaanderen), CZ (Střední Čechy, Jihozápad, Severozápad, Severovýchod, Jihovýchod, Střední Morava, Moravskoslezsko), DK (Hovedstaden), HU (Közép-Magyarország, Közép-Dunántúl, Nyugat-Dunántúl, Dél-Dunántúl, Észak-Magyarország, Észak-Alföld), DE (Sachsen-Anhalt), ES (Aragón), FR (Île de France, Nord-Pas-de-Calais, Bretagne, Rhône-Alpes, Provence-Alpes-Côte d’Azur), IT (Umbria, Abruzzo, Molise), AT (Vorarlberg), PL (śląski, zachodniopomorski, pomorski), RO (Sud-Muntenia, Sud-Vest Oltenia, Vest), SI (Zahodna Slovenija), SK (Bratislavský kraj, Západné Slovensko), FI (Åland), SE (Stockholm, Norra Mellansverige), UK (Northumberland, Tyne and Wear, Leicestershire, Rutland and Northants, Shropshire and Staffordshire, East Anglia, Surrey, East and West Sussex, Gloucestershire, Wiltshire and Bristol) 3 59 BE (4), BG (2), CZ (1), DK (1), LU, HU (1), DE (3), IE (1), ES (2), NL (7), FR (5), IT (3), AT (5), PL (4), RO (1), SK (2), FI (2), SE (2), UK (12) BE (Région de Bruxelles-Capitale, Prov. Liège, Prov. Luxembourg, Prov. Namur), BG (Severen tsentralen, Yugoiztochen), CZ (Praha), DK (Nordjylland), LU (Luxembourg), HU (Dél-Alföld), DE (Brandenburg – Nordost, Trier, Leipzig), IE (Border, Midlands and Western), ES (Cantabria, Comunidad de Madrid), NL (Groningen, Drenthe, Overijssel, Gelderland, Utrecht, Noord-Holland, Zuid-Holland), FR (Champagne-Ardenne, Bourgogne, Limousin, Auvergne, LanguedocRoussillon), IT (Provincia Autonoma Bolzano-Bozen, Toscana, Basilicata), AT (Burgenland, Niederösterreich, Wien, Salzburg, Tirol), PL (podkarpacki, wielkopolski, dolnośląski, opolski), RO (Centru), SK (Stredné Slovensko, Východné Slovensko), FI (Itä-Suomi, Pohjois-Suomi), SE (Mellersta Norrland, Övre Norrland), UK (Lancashire, Merseyside, North Yorkshire, West Midlands, Essex, Inner London, Outer London, Dorset and Somerset, Cornwall and Isles of Scilly, Devon, East Wales, Eastern Scotland) 4 78 BG (4), LV, LT, DE (1), EE, IE (1), GR (13), ES (11), MT, NL (3), FR (2), IT (6), CY, PL (9), PT (7), RO (4), UK (11) BG (Severozapaden, Severoiztochen, Yugozapaden, Yuzhen tsentralen), LV (Latvia), LT (Lithuania), DE (Mecklenburg-Vorpommern), EE (Estonia), IE (Southern and Eastern), GR (Anatoliki Makedonia, Thraki, Kentriki Makedonia, Dytiki Makedonia, Thessalia, Ipeiros, Ionia Nisia, Dytiki Ellada, Sterea Ellada, Peloponnisos, Attiki, Voreio Aigaio, Notio Aigaio, Kriti), ES (Galicia, Principado de Asturias, La Rioja, Castilla y León, Castilla-la Mancha, Extremadura, Comunidad Valenciana, Islas Baleares, Andalucia, Región de Murcia, Canarias), MT (Malta), NL (Friesland, Flevoland, Zeeland), FR (Aquitaine, Corse), IT (Provincia Autonoma Trento, Lazio, Campania, Puglia, Calabria, Sicilia, Sardegna), CY (Cyprus), PL (łódzki, mazowiecki, małopolski, lubelski, świętokrzyski, podlaski, lubuski, kujawsko-pomorski, warmińsko-mazurski), PT (Norte, Algarve, Centro, Lisboa, Alentejo, Região Autónoma dos Açores, Região Autónoma da Madeira), RO (Nord-Vest, Nord-Est, Sud-Est, Bucureşti-Ilfov), UK (Cumbria, Greater Manchester, South Yorkshire, West Yorkshire, Lincolnshire, Kent, West Wales and The Valleys, South Western Scotland, North Eastern Scotland, Highlands and Islands, Northern Ireland) Czcionką półgrubą oznaczono regiony stołeczne i zawierające stolicę. Źródło: opracowanie własne. W klasie trzeciej na 45 regionów 33 było z UE 15, przy czym 6 z Niderlandów, 5 niemieckich, po 4 austriackie, włoskie, francuskie, a po 3 brytyjskie, belgijskie oraz z krajów ostatnich rozszerzeń 3 polskie. 212 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Obraz klasyfikacji w 2008 r. wskazuje, że w klasie pierwszej wzrosła liczebność regionów Belgii, Danii, Niemiec, Hiszpanii i Włoch, ale obniżeniu uległy udziały w pierwszej klasie regionów takich krajów, jak Niderlandy, Francja, Finlandia, Szwecja i Irlandia oraz Wielka Brytania z 43,2 do 21,6% regionów. W kolejnych klasach, obejmujących regiony o zmniejszającej się liczbie cech poniżej mediany, odnotowano głównie takie regiony, jak: – 7 czeskich (87,5% z 8), po 6 węgierskich (85,7% z 7) i brytyjskich (16,2% z 37), 5 francuskich (22,7% z 22) i po 3 rumuńskie (37,5% z 8), polskie (18,8% z 16) i włoskie (14,3% z 21) w klasie drugiej (na 44 regiony), – 12 brytyjskich, 7 niderlandzkich, 5 francuskich i austriackich, 4 z Belgii i z Polski, po 3 niemieckie i włoskie w klasie trzeciej (na 59 regionów w tej klasie). W klasie czwartej w 2008 r. podobnie jak w 1999 r. dominują regiony takich państw, jak: Grecja (wszystkich 13 regionów) i Portugalia (wszystkich 7 regionów), Hiszpania (11 z 17), Włochy (7 z 21 regionów), Rumunia (4 z 8 regionów), Wielka Brytania (11 z 37 regionów) oraz Bułgaria (4 z 6 regionów), Polska (9 z 16 regionów), Czechy (4 z 8 regionów) oraz Luksemburg, Malta, Cypr, Litwa i Łotwa. W klasie tej znalazło się łącznie 39,3% wszystkich regionów UE 12 i co czwarty region UE 15. Z oceny wyników klasyfikacji regionów (pod względem wartości charakterystyk innowacyjności output) na podstawie testu niezależności chi-kwadrat (tab. 4.13) wynika, że liczność klas w dwóch porównywanych latach (1999 i 2008) jest podobna. Przy tym jest to ocena rozkładu, natomiast analizę struktury klasyfikacyjnej przedstawiono poniżej. Tabela 4.13. Wyniki zastosowania testu niezależności chi-kwadrat do porównania rezultatów klasyfikacji regionów ze względu na charakterystyki output Grupy regionów Wartość p dla klasyfikacji ze względu na charakterystyki output UE 27 0,4621 UE 15 0,0672 UE 12 0,1198 UE 27 (S) 0,5437 UE 15 (S) 0,3688 UE 12 (S) 1,0000 Źródło: obliczenia własne. W analizie struktury klasyfikacyjnej państw UE należy wskazać, iż po 10 latach poprawła się struktura (oceniana jako przesunięcia regionów z klas o niższych wartościach cech w stosunku do mediany do klas o wyższych wartościach analizowanych cech) w takich krajach, jak: Słowenia i Słowacja, Polska, Dania, Czechy, Bułgaria, Niemcy, Węgry i Włochy, pogorszyła się zaś w Irlandii, Hiszpanii i Wielkiej Brytanii oraz na Malcie. Stabilizacja strukturalna wystąpiła w takich krajach, 4.4. Klasyikacja europejskich regionów ze względu na innowacyjność output 213 jak Luksemburg, Litwa, Łotwa, Cypr, Estonia, Rumunia, Portugalia (przy czym w przypadku wielu państw stanowi to „trwanie” w klasie najsłabszej). Na 265 analizowanych regionów UE szczebla NUTS 2 nie zmieniło klasy w 2008 r., w porównaniu z klasyfikacją według danych z 1999 r. 175 regionów, co stanowi 66% wszystkich. Stabilizacja otrzymanych przyporządkowań przedstawiała się w podziale na klasy jak opisano poniżej: – w klasie pierwszej (trzy charakterystyki innowacyjności output powyżej mediany) w 1999 r. było i jest w tej samej klasie w 2008 r. 65 regionów z Niemiec (29), Francji (7), Włoch i Wielkiej Brytanii (po 6), Belgii (5), Szwecji (4), Austrii, Danii, Finlandii, Niderlandów (po 2), – w klasie drugiej (wartość jednej z analizowanych charakterystyk output niższa od mediany) w obu latach odnotowano 18 tych samych regionów, w tym 4 węgierskie, 3 czeskie, 2 francuskie, a także po jednym belgijskim, duńskim, hiszpańskim, włoskim, austriackim, polskim (pomorski) i rumuńskim oraz szwedzkim i brytyjskim, – do klasy trzeciej (wartości dwóch charakterystyk są niższe od mediany) w latach 1999 i 2008 zaliczono 29 tych samych regionów, w tym 5 z Niderlandów, 4 austriackie, 3 belgijskie, francuskie, 2 niemieckie, włoskie oraz brytyjskie, a także po jednym bułgarskim, duńskim, hiszpańskim, słoweńskim i fińskim oraz, Luxembourg, – w klasie czwartej, charakteryzującej się tym, że obejmuje regiony, dla których żadna z charakterystyk innowacyjności output nie jest korzystniejsza od mediany tej cechy ustalonej dla wszystkich regionów UE, w obu analizowanych latach odnotowano 63 te same regiony z takich krajów, jak: Grecja (13), Hiszpania (11), Polska (9), Portugalia i Wielka Brytania (po 7), Bułgaria (4), Rumunia (3), region niemiecki, francuski, Litwa, Łotwa, Estonia i Cypr. Z analizy wynika, że zmiany w przyporządkowaniu odnotowano w 34% regionów, przy czym w wypadku 44 obserwowano pogorszenie, a 46 – poprawę. Pozytywne zmiany w wartościach cech charakteryzujących innowacyjności output, co przełożyło się także na znaczące zmiany w uplasowaniu w klasyfikacji między momentem t = 1 a t = 10 odnotowano w takich regionach, jak: francuski Poitou-Charentes i brytyjski East Yorkshire and Northern Lincolnshire (z klasy czwartej w 1999 r. do pierwszej w 2008 r.). Wśród pozostałych regionów, dla których obserwowano zmiany in plus w klasyfikacji, tj. do klasy „wyższej” w 2008 r. w stosunku do 1999 r., należały „przechodzące”: – z czwartej do drugiej: czeskie (Severozápad, Moravskoslezsko), włoskie (Umbria, Abruzzo), węgierski Dél-Dunántúl, niemiecki Sachsen-Anhalt, rumuński Vest, słowacki Bratislavský kraj oraz zachodniopomorski, – z czwartej do trzeciej: niderlandzkie (Groningen, Drenthe), bułgarskie Yugoiztochen, czeska Praha, węgierski Dél-Alföld, niemiecki Leipzig, francuski Limousin, włoski Provincia Autonoma Bolzano-Bozen, słowackie Stredné Slovensko oraz podkarpacki i wielkopolski, 214 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności z trzeciej do pierwszej: niemieckie Brandenburg – Südwest, Chemnitz i Thüringen, włoski Marche oraz słoweński Vzhodna Slovenija, – z trzeciej do drugiej czeskie Jihozápad i Jihovýchod, węgierski Észak-Alföld, rumuński Sud-Vest Oltenia, słoweński Zahodna Slovenija, słowacki Západné Slovensko i Śląskie, – z drugiej do pierwszej hiszpańskie Pais Vasco, Cataluña i Comunidad Foral de Navarra, niemieckie Berlin i Dresden, francuskie Basse-Normandie i Midi-Pyrénées, belgijski Prov. Hainaut, duński Sjælland, włoski Valle d’Aosta, austriacki Steiermark i brytyjski Tees Valley and Durham. Do najbardziej istotnych zmian w przyporządkowaniu, ale dotyczących przemieszeń do niższych klas, należą transpozycje takich regionów, jak irlandzki Southern and Eastern, niderlandzki Zeeland i brytyjski Kent (z pierwszej do czwartej). W grupie regionów, w których odnotowano negatywne zmiany w klasyfikacji (do klasy „niższej”) w 2008 r. w stosunku do 1999 r. należały regiony, które zmieniły klasę: – z pierwszej na trzecią: brytyjskie (West Midlands, Essex, Dorset and Somerset oraz East Wales) francuski Bourgogne, austriacki Wien oraz z Finlandii Pohjois-Suomi, – z pierwszej na drugą: francuskie (Île de France, Bretagne, Rhône-Alpes), brytyjskie (Northumberland, Tyne and Wear, Leicestershire, Rutland and Northants, Shropshire and Staffordshire oraz East Anglia i Gloucestershire, Wiltshire and Bristol), szwedzki Norra Mellansverige i finlandzki Åland, – z drugiej na trzecią: brytyjskie (Lancashire, Merseyside, Outer London, Cornwall and Isles of Scilly, Devon, Eastern Scotland), szwedzkie (Mellersta Norrland, Övre Norrland), belgijski Région de Bruxelles oraz irlandzki Border, Midlands and Western, hiszpański Comunidad de Madrid i rumuński Centru, – z drugiej na czwartą: brytyjskie (Cumbria, Greater Manchester, Lincolnshire, West Wales and The Valleys oraz South Western Scotland), niderlandzki Flevoland, rumuński Bucureşti-Ilfov oraz Malta, – z trzeciej na czwartą: niderlandzki Friesland, francuski Aquitaine, włoski Lazio i brytyjski West Yorkshire. Zgodnie z ideą pracy w kolejnym etapie zestawiono wyniki klasyfikacji regionów UE pod względem wartości charakterystyk output z uwzględnieniem regionów stołecznych i zawierających stolice (tab. 4.14). W klasie pierwszej wydzielonej ze względu na wartości trzech charakterystyk innowacyjności output wyższe od mediany w 1999 r. znalazły się 4 regiony zawierające stolice (Etelä-Suomi, Île de France, Wien i Southern and Eastern) i dwa w 2008 r. (Berlin oraz Etelä-Suomi). Może to oznaczać naturalny wzrost funkcji usługowych kosztem przemysłowych w stołecznych regionach UE. Większość regionów stołecznych UE 12 znalazła się klasie czwartej (8 z 12), w klasie trzeciej znalazł się w 1999 r. region Zahodna Slovenija, a w 2008 r. region Praha, w klasie drugiej po trzy regiony w obu analizowanych latach (w 1999 r. – 215 4.4. Klasyikacja europejskich regionów ze względu na innowacyjność output Közép-Magyarország Bucureşti-Ilfov i Malta, a w 2008 r. Zahodna Slovenija, Közép-Magyarország i Bratislavský kraj). Natomiast w klasie pierwszej nie odnotowano stołecznych regionów UE 12. Tabela 4.14. Wyniki klasyfikacji z uwzględnieniem regionów stołecznych i zawierających stolice w latach 1999 i 2008 – charakterystyki output Liczba regionów z danej zbiorowości w klasie Klasa UE 27 UE 15 UE 12 1999 UE 27 (S) 1999 2008 1999 2008 2008 1999 1 85 84 85 83 – 1 4 2 50 44 38 22 12 22 9 3 45 59 33 48 12 11 4 85 78 53 56 32 22 2008 UE 15 (S) UE 12 (S) 1999 2008 1999 2008 2 4 2 – – 6 6 3 3 3 5 8 4 7 1 1 10 12 2 4 8 8 Źródło: opracowanie własne. Przeprowadzona klasyfikacja pozwala na ocenę miejsca regionów Polski w europejskiej przestrzeni regionalnej ze względu na wartości cech ilustrujących innowacyjność typu output. W latach 1999 i 2008 regiony polskie znalazły się w większości w ostatniej, tj. w klasie czwartej, a więc w klasie regionów, dla których wartości wszystkich cech są niższe od mediany, było to odpowiednio 14 i 9 regionów (tab. 4.15). Tabela 4.15. Regiony Polski – charakterystyki output Regiony polskie Klasa 1 1999 2008 – – 2 pomorski pomorski, zachodniopomorski, śląski 3 śląski, dolnośląski, opolski opolski, podkarpacki, dolnośląski, wielkopolski 4 małopolski, lubelski, podlaski, podkarpacki, lubuski, wielkopolski, mazowiecki, świętokrzyski, warmińsko-mazurski, zachodniopomorski, kujawsko-pomorski, łódzki podlaski, łódzki, lubelski, kujawskopomorski, świętokrzyski, warmińsko-mazurski, mazowiecki, małopolski, lubuski Źródło: opracowanie własne. W klasie drugiej w 1999 r. był region pomorski, a w 2008 r. poza nim również zachodniopomorski i śląski, a w trzeciej w 1999 r. śląski, dolnośląski i opolski, w 2008 r. zaś opolski, podkarpacki, dolnośląski i wielkopolski. Polska jest krajem o umiarkowanym zróżnicowaniu poziomu rozwoju innowacyjności, ale nierówności – podobnie jak w niemal całej Europie – mają tenden- 216 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności cję do powiększania się. Dynamicznie rośnie zwłaszcza przewaga metropolii nad regionami peryferyjnymi Oprócz tradycyjnych osi zróżnicowania poziomu życia, przebiegających między miastami a obszarami wiejskimi oraz między wschodem a zachodem kraju, znaczenia nabierają nowe wymiary nierówności, w tym te odnoszone do poziomu innowacyjności [Boni (red.) 2009, s. 239]. 4.5. Ocena zmian poziomu innowacyjności regionów europejskiej przestrzeni z wykorzystaniem macierzy przejścia Ocenę przemian w poziomie innowacyjności europejskiej przestrzeni regionalnej przeprowadzono, realizując sygnalizowane wcześniej, a opisane poniżej etapy. Etap III. Budowa macierzy przejścia (tab. 4.16 i 4.17). Macierze zbudowane zostały w następujący sposób. 1. Na głównej przekątnej macierzy znajdują się podmacierze, w których zestawiono liczbę regionów w zadanych klasach w danym roku analizy (na głównej przekątnej tych podmacierzy). 2. Na głównych przekątnych podmacierzy w górnym trójkącie macierzy przejścia wskazano liczbę regionów, które w „krzyżujących” się w tej podmacierzy momentach badania nie zmieniły klasy. 3. Prawy górny jej trójkąt zawiera podmacierze, w których przedstawiono liczbę regionów w klasach utworzonych zgodnie procedurą z opisaną w Etapie II w kolejnych latach – ze względu na wartości charakterystyk innowacyjności korzystniejszych od mediany. 4. Ponad główną przekątną podmacierzy, w górnych ich trójkątach zebrano informacje o liczbie regionów, które znalazły się w niższej klasie ze względu na liczbę cech mniej korzystnych od mediany, natomiast poniżej głównych przekątnych podmacierzy wykazano liczbę regionów, które zaklasyfikowano do wyższej klasy ze względu na liczbę cech korzystniejszych od mediany w kolejnych latach. I tak przykładowo pierwszy wiersz podmacierzy ilustruje zmiany w klasyfikacji między pierwszym a kolejnymi momentami badania, a pierwsza z podmacierzy zawiera informacje na temat zmian w klasyfikacji między pierwszym a drugim momentem badania. Na głównej przekątnej podmacierzy wykazano liczbę regionów, które w obu momentach badania znalazły się w tej samej klasie, liczby na zacienionych polach wskazują, ile regionów w kolejnym momencie badania znalazło się w klasie o mniejszej liczbie cech korzystniejszych od mediany, tj. w klasie gorszej, a liczby na polach poniżej głównej przekątnej (pola jasne) informują o liczbie regionów, które w kolejnych momentach badania poprawiły swoją pozycję w klasyfikacji regionów ze względu na poziom innowacyjności. Wyniki obliczeń zawarte w macierzach przejścia pokazują ogromne zadanie badawcze, które ze względu na rozmiary pracy nie zostanie tu podjęte, ogląd zaś 4.5. Zmiany poziomu innowacyjności regionów UE – macierz przejścia 217 przygotowanego zestawienia pozwala na zasygnalizowanie niektórych wniosków o charakterze analitycznym. Wzrostowi większości median charakterystyk innowacyjności między pierwszym i ostatnim momentem obserwacji dla całej badanej zbiorowości regionów UE szczebla NUTS 2 nie zawsze towarzyszył trend wzrostowy innowacyjności w poszczególnych regionach, co w klasyfikacji skutkowało przesunięciami do klas o mniejszej liczbie cech korzystniejszych od mediany. Przeprowadzone badania pozwalają stwierdzić, iż europejska przestrzeń regionalna szczebla NUTS 2 wykazuje bardzo istotne zróżnicowanie ze względu na poziom innowacyjności w zakresie zarówno input jak i output. Wśród 265 analizowanych regionów są takie, które zawsze (w każdym z lat 1999–2008) były, ze względu na relacje do mediany (pomimo jej wzrostu) charakterystyk input, w tej samej klasie. Łącznie było ich 84, z czego: – w klasie pierwszej 42 regiony z 8 krajów, w tym belgijskie, duńskie, niemieckie, niderlandzkie, finlandzkie, szwedzkie, brytyjskie i czeski, – w klasie drugiej trzy regiony, w tym dwa belgijskie (Prov. Hainaut, Prov. Namur) i brytyjski Northumberland, Tyne and Wear, – w klasie trzeciej – nie powtarzał się przez dziesięć momentów analizy żaden region, – w klasie czwartej dwa regiony zawierające stolice: bułgarski Yugozapaden i rumuński Bucureşti-Ilfov, – w klasie piątej tylko słoweński region Vzhodna Slovenija, – w klasie szóstej 37 regionów, w tym greckie, włoskie, portugalskie, węgierskie, bułgarski, polskie, rumuńskie i słowackie. W grupie badanych regionów UE szczebla NUTS 2 obserwowano takie, dla których w analizowanej dekadzie relacje wartości cech output do mediany implikowały przypisanie do tych samych klas – razem zanotowano 134 regiony, przy czym: – w klasie pierwszej 55 regionów: belgijskie, duńskie, niemieckie, francuskie, włoskie, finlandzkie, szwedzkie, brytyjskie, austriacki, żadnego regionu z UE 12, a wśród regionów zaliczonych do tej grupy jest tylko jeden stołeczny (Etelä-Suomi), – w klasie drugiej 9 regionów: czeskie (Střední Čechy i Severovýchod), węgierskie (Közép-Dunántúl, Nyugat-Dunántúl i Észak-Magyarország), duński region Hovedstaden, austriacki Vorarlberg, rumuński Sud-Muntenia i szwedzki region Stockholm, – w klasie trzeciej 11 regionów: belgijskie (Prov. Liège, Prov. Luxembourg), niderlandzkie (Overijssel, Gelderland, Utrecht, Noord-Holland i Zuid-Holland), duński Nordjylland, Luxembourg, niemiecki Trier i austriacki Tirol, – w klasie czwartej 58 regionów: bułgarskie, greckie, hiszpańskie, włoskie, polskie, portugalskie, rumuńskie, francuski, brytyjski i niemiecki, Litwa, Łotwa i Estonia, Cypr. Czas t=2 t=3 t=4 t=5 1 75 2 t=1 3 4 5 6 34 22 28 32 74 1 67 8 0 0 0 0 75 2 7 22 5 1 0 0 t=2 3 4 1 0 3 1 12 4 2 22 1 4 0 0 5 0 0 1 2 18 10 6 0 0 0 1 9 64 35 19 31 31 74 1 63 4 0 0 0 0 63 4 0 0 0 0 67 2 9 24 6 2 1 0 11 22 5 3 1 0 t=3 3 4 3 0 5 0 11 4 3 19 0 7 0 2 1 0 8 1 10 2 3 22 0 5 0 2 5 0 1 1 3 14 13 0 0 1 2 20 9 6 0 0 0 1 10 59 0 0 1 1 5 63 42 22 32 32 70 1 56 7 1 0 0 0 55 7 2 0 0 0 54 8 2 0 0 0 64 2 19 22 7 2 0 0 20 21 7 2 0 0 13 31 5 1 0 0 t=4 3 4 0 0 3 2 9 3 4 18 0 6 0 3 0 0 4 3 7 0 5 21 0 6 0 2 0 0 1 1 11 3 4 22 0 6 0 0 5 0 0 2 1 14 16 0 0 2 0 17 14 0 0 1 3 21 8 6 0 0 0 3 12 55 0 0 1 3 8 58 0 1 0 2 5 62 50 16 32 33 70 1 58 14 2 1 0 0 59 13 2 1 0 0 55 17 2 1 0 0 56 18 1 0 0 0 75 2 13 16 5 2 2 0 14 14 5 2 2 1 12 21 3 1 0 1 7 25 3 1 1 1 t=5 3 4 3 1 3 0 8 5 7 12 0 4 1 1 1 1 7 1 8 1 5 16 0 3 1 1 0 0 3 0 12 4 6 18 1 1 0 0 1 0 6 1 9 3 6 18 0 1 0 0 5 0 1 1 5 9 10 0 0 1 5 11 9 0 0 1 4 12 9 0 0 0 6 10 10 6 0 0 1 1 17 62 0 0 2 2 15 62 0 1 0 2 18 60 0 0 0 1 21 59 38 22 23 26 81 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności t =1 Klasa 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 218 Tabela 4.16a. Macierz „przejścia” między klasami innowacyjności input unijnych regionów szczebla NUTS 2 w momentach t = 1, …, 10, cz. I t=7 t=8 t=9 t = 10 4.5. Zmiany poziomu innowacyjności regionów UE – macierz przejścia t=6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 Źródło: opracowanie własne. 219 2 12 15 7 2 1 2 12 18 4 2 2 1 10 20 7 1 1 0 6 25 4 3 1 0 10 23 3 2 0 1 t=6 3 4 3 2 4 0 7 5 4 11 0 7 1 6 1 1 6 1 6 4 5 12 0 6 1 7 1 0 2 3 9 5 6 11 0 5 1 7 2 2 4 2 8 3 4 13 0 4 1 7 2 2 2 2 11 5 3 11 0 10 1 1 5 0 2 2 8 9 9 0 0 3 9 10 8 0 2 1 11 10 6 0 2 0 11 9 8 0 2 1 6 12 9 6 0 0 1 2 15 56 0 0 2 2 13 57 0 0 0 2 16 56 0 0 0 1 19 54 0 0 0 1 4 69 1 57 13 1 0 0 1 58 13 0 0 0 1 56 14 1 1 0 0 52 19 0 1 0 0 61 10 1 0 0 0 2 13 17 4 2 1 0 15 16 4 1 1 0 10 19 8 0 0 0 10 20 4 3 0 0 10 19 6 2 0 0 t=7 3 4 4 1 3 0 9 5 5 15 2 3 2 3 2 0 3 2 10 2 8 16 1 5 1 2 1 0 6 2 9 3 8 17 1 2 0 3 0 2 9 1 8 3 7 14 0 4 1 3 1 3 6 3 9 3 7 11 2 7 0 0 5 0 0 2 4 11 11 0 1 1 4 9 13 0 0 1 5 9 13 0 1 1 5 8 13 0 0 3 3 12 10 6 0 1 1 2 15 57 0 0 2 2 15 57 0 1 0 1 20 54 0 0 0 2 21 53 0 0 0 0 5 71 1 53 15 1 0 0 1 55 14 0 0 0 1 53 15 1 1 0 0 52 17 0 1 0 0 60 9 1 0 0 0 2 17 13 3 2 1 0 18 11 4 2 1 0 14 18 3 1 0 0 9 22 2 2 0 1 11 20 3 1 0 1 t=8 3 4 3 1 5 0 11 3 8 11 4 4 2 4 2 0 4 3 9 3 13 10 3 5 2 2 0 0 6 1 11 4 12 11 3 3 1 4 1 1 8 0 10 2 10 12 2 4 2 4 3 1 7 0 9 4 10 7 4 7 0 4 5 1 1 3 5 4 12 0 3 0 6 5 12 0 2 3 5 4 12 1 2 2 5 6 10 0 2 4 5 8 7 6 0 0 1 2 19 55 0 0 3 0 17 57 0 0 0 2 22 53 0 1 0 2 21 53 0 0 1 0 7 69 1 56 14 1 0 0 1 58 12 1 0 0 1 56 13 2 1 0 0 56 15 0 1 0 0 62 9 1 0 0 0 2 13 16 5 1 0 1 14 16 3 2 1 0 9 20 4 2 1 0 5 24 4 2 0 1 10 18 4 2 2 0 t=9 3 4 4 2 3 1 9 5 6 14 3 4 1 2 2 1 4 3 10 3 8 15 1 6 1 0 1 1 5 4 10 6 8 12 2 4 0 1 1 2 9 2 7 5 8 13 1 4 0 2 1 2 5 4 11 5 9 6 2 6 1 2 5 0 0 1 5 8 13 0 0 1 4 8 14 0 0 0 6 5 16 0 0 0 6 6 15 0 2 1 4 11 9 6 0 0 1 2 17 56 0 0 1 2 15 58 0 0 0 3 20 53 0 0 0 2 22 52 0 0 0 2 5 69 1 54 12 1 0 0 1 56 10 0 1 0 1 52 12 2 1 1 0 54 11 0 3 0 0 55 8 3 1 1 0 2 15 16 6 3 0 0 16 15 5 4 0 0 13 20 4 3 0 0 8 27 4 1 0 0 18 16 4 2 0 0 t = 10 3 4 5 1 5 1 9 3 8 8 2 6 2 2 2 1 6 2 11 1 9 10 2 6 1 1 1 1 7 1 11 3 10 10 2 4 0 2 2 0 9 2 11 0 7 15 1 3 1 1 2 0 9 3 10 2 9 7 3 6 0 1 Czas 5 0 0 2 5 9 14 0 2 2 4 8 14 0 0 2 4 8 16 0 0 1 3 9 17 0 1 3 1 11 14 6 Klasa 0 1 0 2 1 3 4 4 15 5 55 6 0 1 0 2 0 3 3 4 15 5 57 6 0 1 2 2 0 3 4 4 17 5 52 6 0 1 1 2 0 3 3 4 20 5 51 6 0 1 1 2 0 3 3 4 5 5 66 6 t=1 t=2 t=3 t=4 t=5 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności 1 58 13 0 1 0 0 61 10 0 1 0 0 56 15 0 1 0 0 54 17 1 0 0 0 61 9 2 0 0 0 220 Tabela 4.16b. Macierz „przejścia” między klasami innowacyjności input unijnych regionów szczebla NUTS 2 w momentach t = 1, …, 10, cz. II 39 19 31 30 74 64 8 0 0 0 0 72 6 26 3 2 0 0 1 4 9 7 4 0 1 0 5 11 7 3 0 0 1 9 14 4 0 1 1 2 5 67 37 25 27 28 76 59 11 0 0 0 0 64 6 0 0 0 0 70 11 20 3 1 1 0 8 23 3 1 0 1 1 5 8 12 7 0 0 6 18 6 2 1 0 1 4 7 7 4 0 1 2 15 5 0 1 1 3 8 9 4 0 1 2 5 16 2 0 1 1 3 6 66 0 0 0 0 5 72 36 33 23 26 77 62 9 0 1 0 0 64 7 0 1 0 0 63 8 1 0 0 0 72 7 21 5 1 2 0 7 23 4 1 0 1 7 21 6 1 1 0 1 5 10 6 4 0 0 5 16 3 2 0 0 3 17 5 1 0 2 3 2 11 8 2 1 2 5 14 4 2 0 4 6 13 3 2 0 0 1 10 10 6 0 0 0 6 18 3 0 0 3 4 17 3 0 1 1 2 6 66 0 0 0 2 4 70 0 0 0 0 4 72 36 26 28 27 76 58 8 1 0 1 0 58 9 0 0 0 1 59 7 1 0 1 0 59 9 0 0 0 0 68 12 18 6 3 1 0 14 17 6 3 0 0 11 20 8 1 0 0 13 20 4 3 0 0 1 10 7 9 4 0 0 9 16 3 3 0 0 6 20 3 1 1 0 7 16 7 1 0 1 1 2 8 8 1 0 1 3 14 3 0 0 2 3 13 2 1 0 0 5 12 4 0 0 1 2 6 7 14 0 1 0 5 15 9 0 0 1 5 15 9 0 0 1 2 18 9 0 1 1 5 9 59 0 0 0 2 7 66 0 1 0 1 7 66 0 0 0 4 4 67 40 31 21 30 75 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 t=6 t=7 t=8 t=9 4.5. Zmiany poziomu innowacyjności regionów UE – macierz przejścia 72 t = 10 Źródło: opracowanie własne. 221 222 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Tabela 4.17. Macierz „przejścia” między klasami innowacyjności output unijnych regionów szczebla NUTS 2 w momentach t = 1, …, 10 Czas t=1 Klasa 1 2 3 4 t=2 1 2 3 4 t=3 1 2 3 4 t=4 1 2 3 4 t=5 1 2 3 4 t=6 1 2 3 4 t=7 1 2 3 4 t=8 1 2 3 4 t=9 1 2 3 4 t = 10 1 2 3 4 1 85 t=1 2 3 t=3 t=4 t=5 4 1 2 3 4 1 2 3 4 1 2 3 4 0 75 8 1 1 71 13 1 0 74 9 2 0 50 4 3 8 31 10 1 7 30 12 1 6 29 9 6 45 1 4 0 11 27 7 1 9 31 4 2 8 32 3 85 0 2 11 72 0 3 6 76 0 2 10 73 1 2 11 71 82 75 6 1 0 74 7 1 0 74 6 2 0 49 8 36 4 1 5 36 7 1 8 31 8 2 55 0 11 35 9 0 10 39 6 1 11 36 7 79 0 0 4 75 0 1 7 71 0 0 8 71 83 74 9 0 0 74 6 3 0 53 5 39 8 1 8 36 8 1 44 0 5 37 2 1 5 31 7 85 0 1 9 75 0 1 12 72 Źródło: opracowanie własne. 4 1 77 t=2 2 3 7 1 35 8 5 35 79 74 54 4 1 0 8 38 6 2 54 1 6 38 9 78 0 0 9 69 83 48 54 80 223 4.5. Zmiany poziomu innowacyjności regionów UE – macierz przejścia 1 73 7 2 1 72 9 2 0 71 9 3 0 72 9 2 0 75 6 2 0 83 t=6 2 3 7 5 29 7 9 30 t=7 t=8 t=9 4 1 2 3 4 1 2 3 4 1 2 3 0 66 12 7 0 67 11 5 2 67 9 7 7 10 26 7 7 9 23 12 6 8 24 12 4 3 9 28 5 5 9 26 5 4 9 28 3 12 69 2 4 12 67 0 7 13 65 0 11 9 5 5 0 67 10 5 0 66 10 6 0 70 6 5 28 8 4 11 25 8 5 13 23 9 4 8 24 14 13 30 10 2 12 34 7 2 12 32 9 1 17 30 2 11 66 1 4 7 67 0 5 9 65 0 6 7 7 5 0 66 14 4 1 67 9 6 1 69 5 7 32 9 3 8 28 6 2 11 26 13 3 8 29 14 7 23 11 4 7 33 9 3 7 26 8 2 11 22 2 17 66 1 5 8 69 0 8 11 66 0 8 13 4 3 0 70 7 2 0 66 9 4 0 69 4 5 32 10 3 9 32 9 4 14 25 11 4 9 29 13 10 31 11 1 9 35 9 1 9 34 10 1 12 33 2 10 66 1 3 8 66 0 7 7 64 0 8 5 6 2 0 73 7 3 0 72 5 6 0 69 7 6 31 10 1 6 30 9 3 7 26 12 3 8 28 10 10 36 6 2 11 34 7 2 13 31 8 2 12 33 1 6 73 0 3 8 69 0 6 7 67 0 6 7 71 8 4 0 71 6 5 1 70 5 7 48 8 31 8 1 8 29 9 2 6 33 8 54 2 11 34 7 2 10 34 8 3 10 35 80 0 1 8 71 0 5 8 67 0 5 6 81 73 5 3 0 74 5 2 51 7 36 7 1 7 28 12 54 1 8 39 6 3 9 37 79 0 1 7 71 0 2 8 81 72 8 1 50 5 35 10 56 2 9 41 78 0 1 4 79 53 56 t = 10 4 1 2 3 4 2 65 10 7 3 6 12 18 12 8 4 5 7 29 4 65 2 9 11 63 1 67 7 7 1 3 14 17 11 7 7 66 2 2 9 64 1 3 8 65 1 2 7 67 1 1 6 69 0 4 5 69 0 0 4 73 77 3 15 31 6 0 5 10 64 70 5 6 2 11 23 13 6 2 9 27 6 1 7 13 64 68 6 5 0 13 22 12 7 3 10 34 7 0 6 8 64 73 5 5 0 8 24 12 4 2 11 32 9 1 4 10 65 70 7 5 1 10 27 7 4 3 7 37 7 1 3 10 66 74 5 2 0 7 28 12 4 3 9 37 5 0 2 8 69 74 5 2 0 6 30 11 3 3 7 41 5 1 2 5 70 72 5 2 0 6 34 9 4 6 4 42 4 0 1 6 70 84 44 59 78 Czas Klasa 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 t=1 t=2 t=3 t=4 t=5 t=6 t=7 t=8 t=9 t = 10 224 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Do państw, które posiadają regiony silne ze względu na poziom charakterystyk zarówno input jak i output na przestrzeni 10 analizowanych lat należą: Belgia, Dania, Niemcy, Finlandia, Szwecja i Wielka Brytania, przy czym do regionów, które obserwowano w klasie pierwszej, ze względu zarówno na input jak i na output w każdym roku zaliczono ich 14. Wśród regionów o niższych od mediany wartościach wszystkich charakterystyk innowacyjności input i output w każdym momencie analizy znalazły się regiony Grecji, Polski, Portugalii, Włoch i Rumunii, przy czym enumeratywnie jest to 25 regionów. Struktura klasyfikacyjna europejskiej przestrzeni regionalnej ze względu na wartości analizowanych charakterystyk input i output przy zadanym kryterium medianowym podlega w badanej dekadzie zauważalnym, choć nie zasadniczym zmianom. Przeprowadzona klasyfikacja potwierdza wysoką pozycję w zakresie innowacyjności regionów stołecznych, w tym w szczególności regionów stołecznych krajów UE 15. Regiony polskie, mimo korzystnych zmian wartości niektórych cech, nie zdołały poprawić swojej pozycji w europejskiej przestrzeni regionalnej ocenianej z punktu widzenia wyników przeprowadzonej klasyfikacji. Najmniejsze efekty w zmianie klasy notowano każdorazowo, jeśli rozważać zarówno poprawę, jak i pogorszenie pozycji w klasyfikacji ze względu na liczbę cech korzystniejszych od mediany i to zarazem dla indykatorów input (tab. 4.18) i output (tab. 4.20) między dwoma najbliższymi latami (w macierzach są to wypełnione pola obok zacienionego). Jednocześnie nie było tak, że największe zmiany dotyczyły lat skrajnych, tj. 1999 i 2008, ponieważ np. większa liczba regionów pogorszyła swoją pozycję w klasyfikacji, jeśli porównać wyniki między latami 2006 i 1999, niż kiedy porównujemy lata 2008 i1999 (dla charakterystyk input). Podobnie większa liczba regionów pogorszyła swoją pozycję między rokiem 2006 i 1999, a także 2001 i 2006, niż między latami 2008 i 1999 (dla charakterystyk output). Tabela 4.18. Liczba regionów, które poprawiły (macierz lewa) lub pogorszyły (macierz prawa) pozycję w klasyfikacji w zakresie charakterystyk input Rok `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `99 31 38 46 46 53 48 57 52 57 29 37 45 51 58 51 61 54 57 `00 32 45 45 47 50 57 50 54 33 41 50 54 49 61 50 54 `01 34 42 50 51 56 54 57 30 45 53 50 59 55 55 `02 42 50 55 55 53 49 46 52 55 55 54 49 `03 41 45 47 44 50 37 37 45 41 48 `04 38 50 44 56 36 46 41 52 `05 27 28 37 30 32 42 `06 31 35 31 37 `07 37 36 `08 Źródło: opracowanie własne. 225 4.5. Zmiany poziomu innowacyjności regionów UE – macierz przejścia Opóźnione efekty rozszerzenia i napływu funduszy z okresu programowania finansowego 2007–2013 mogą, jak się zdaje, wyjaśnić sytuację dotyczącą chwilowej stabilizacji (większa niż w poprzednim okresie porównania liczba regionów, które nie zmieniły klasy) liczby regionów w klasach na podstawie macierzy (tab. 4.19) można skonstatować, iż w analizowanej dekadzie postępowały zmiany w klasyfikacji: – w 2000 r. w tych samych klasach co w 1999 r. było 205 regionów, w 2008 r. zaś w porównaniu z 1999 r. pozostało w tych samych klasach 151 regionów (w klasyfikacji ze względu na charakterystyki input), – w 2000 r. w tych samych klasach co w 1999 r. było 219 regionów, a w tych samych klasach w 2008 r. w porównaniu z 1999 r. pozostało 175 regionów (w klasyfikacji ze względu na charakterystyki output). Ponadto należy zwrócić uwagę, iż szybciej w nakładach (input) niż w efektach (output) widoczne są zmiany w klasyfikacjach – o ile bowiem co roku w klasyfikacji ze względu na charakterystyki input liczba regionów na stałe w klasie zmniejszała się (w macierzach są to wypełnione pola obok zacienionego) z 205 do 192 regionów, o tyle w klasyfikacji ze względu na charakterystyki output liczba regionów na stałe w klasie (z małym odstępstwem w 2005 r. w porównaniu z 2004 r.) pozostaje na niemal tym samym poziomie (tab. 4.19). Postrzeganie charakteru działań innowacyjnych wyraźnie się poprawiło w ciągu ostatnich 10 lat. Mówiąc ogólnie, zdolności innowacyjne są odbierane mniej w kategoriach zdolności do odkrywania nowych procesów technologicznych, a bardziej w charakterze umiejętności systematycznego wykorzystywania efektów kreowanych przez nowe kombinacje oraz użycia fragmentów wiedzy z istniejącego jej magazynu. Tabela 4.19. Liczba regionów, dla których nie odnotowano zmian w przyporządkowaniu do klas w zakresie charakterystyk innowacyjności input (macierz lewa) i output (macierz prawa) Rok `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `99 205 190 174 168 154 166 147 159 151 219 209 205 206 201 187 181 184 175 `00 200 179 170 164 166 147 165 157 221 220 212 196 193 186 190 179 `01 201 178 162 164 150 156 153 225 213 192 196 186 184 184 `02 177 163 155 155 158 167 219 201 203 189 196 188 `03 187 183 173 180 167 215 206 196 197 194 `04 191 169 180 157 207 201 207 200 `05 208 205 186 219 208 208 `06 203 193 221 215 `07 192 218 `08 Źródło: opracowanie własne. 226 4. Klasyikacja europejskiej przestrzeni regionalnej ze względu na poziom innowacyjności Tabela 4.20. Liczba regionów, które poprawiły (macierz lewa) lub pogorszyły (macierz prawa) pozycję w klasyfikacji w zakresie charakterystyk output Rok `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `99 `00 `01 `02 23 28 29 30 34 40 43 41 46 23 23 28 37 37 41 39 47 20 27 38 33 40 42 43 24 33 31 38 35 40 25 30 35 35 36 30 33 30 34 24 29 29 21 24 `03 `04 `05 `06 `07 23 23 28 31 29 30 38 41 40 44 21 22 25 32 35 38 36 39 20 25 35 36 40 39 38 22 31 31 38 34 37 25 29 34 33 35 28 31 28 31 22 28 28 23 26 24 `08 Źródło: opracowanie własne. Taki nowy model zakłada, w pewnym stopniu, bardziej rutynowe wykorzystanie bazy technologicznej i pozwala na kreowanie innowacji bez konieczności nagłych zwrotów i „przeskoków” w technologii. Wymaga on systematycznego dostępu do najdoskonalszych technologii; każdy z sektorów przemysłowych musi wprowadzić procedury umożliwiające rozpowszechnianie informacji na temat dostępnych zapasów technologicznych, tak aby indywidualni wynalazcy mogli korzystać z pracy innych osób zaangażowanych w działania innowacyjne. W celu stymulowania takiego trendu klastry innowacji mogą okazać się przydatne w wykorzystywaniu istniejącej wiedzy i łączeniu jej z nowymi produktami oraz standardami i umiejętnościami technologicznymi, w celu zapewnienia rozwoju gospodarczego w przyszłości. Ten rodzaj generowania wiedzy – oparty na ponownym powiązaniu i wykorzystaniu znanych praktyk – również nastręcza dodatkowych problemów w zakresie poszukiwania informacji. Konieczne jest wkalkulowanie problemów związanych z przeszkodami w dostępie do istniejących zasobów informacji, wynikające z praw własności intelektualnej. Niektóre z tych problemów to wzrastające koszty przechowywania, odzyskiwania, ewaluacji i wykorzystania wiedzy. Działania innowacyjne są najczęściej silnie skoncentrowane w kilku regionach geograficznych, w każdym z krajów rozwiniętych, a firmy funkcjonujące w obrębie tego samego sektora przemysłowego mają tendencję do tworzenia skupień geograficznych, tendencję zidentyfikowaną przez A. Marshalla na początku XX w., którą od tego czasu potwierdziło i zilustrowało wielu autorów [Swann i in. 1998]. Ponadto firmy skupiające się w klastrach wykazują się zdecydowanie bardziej intensywną działalnością innowacyjną [Baptista, Swann 1998]. Przedstawiono różne wytłumaczenia dla zjawiska aglomeracji geograficznej firm podejmujących działalność innowacyjną. Niektórzy z autorów podkreślali, że 4.5. Zmiany poziomu innowacyjności regionów UE – macierz przejścia 227 wiedza zewnętrzna napływa głównie na poziomie regionalnym, a pewien zakres wiedzy kluczowej, generowanej przez firmy podejmujące wynalazczość, jest wiedzą „milczącą” i z łatwością przenika do funkcjonujących w sąsiedztwie firm, na zasadzie komunikacji personalnej [Audretsch, Feldman 1996]. Inni autorzy przedstawiają argumenty, że poczynania innowacyjne w jednej firmie wymuszają na firmach sąsiednich działania innowacyjne w celu utrzymania się na konkurencyjnym rynku pod groźbą wyeliminowania z niego przez konkurenta skuteczniejszego w zakresie wynalazczości [Porter 1990]. Aglomeracja geograficzna zwiększa prawdopodobieństwo ubiegania się o patenty firm zgrupowanych w klastrach. Zaobserwowano, że wiedza podąża z jednej firmy do drugiej, w obrębie regionu, wraz z mobilnością personelu naukowego i technicznego, tym samym ochrona patentowa redukuje ryzyko utraty wiedzy kluczowej dla firmy wskutek odchodzenia personelu naukowo-badawczego do firm konkurencyjnych w obrębie klastra [Almeida, Kogut 1999]. Charakter innowacji jest coraz bardziej złożony, co wymaga aktywnej współpracy między naukowcami i inżynierami, a także twórcami i użytkownikami. Kiedyś innowacje były domeną działów B + R, obecnie znacznie więcej podmiotów angażuje się w proces innowacji. Innowacje to zjawisko o zasięgu globalnym. Wykraczają poza odkrycie naukowe czy pomysł. To proces, który integruje wiedzę na temat regionu, aktywa i sieci w celu przekształcenia idei, poglądów i wynalazków w nowe procesy, wyroby i usługi, zdobywające udział w globalnym rynku. Podkreśla się, że nie wszystkie regiony muszą inwestować w badania naukowe, w celu poprawy innowacyjności i konkurencyjności. Przewaga regionalna bowiem powinna opierać się na rzeczywistych przewagach regionu. Polityka powinna koncentrować się na ustaleniu i zatrzymaniu, a także przyciągnięciu liderów, pełniących rolę agentów działających na rzecz innowacji. Przyjmując nierównomierność tempa rozwoju za naturalny element procesów gospodarczych i mając świadomość zagrożeń, jakie wynikają z choćby czasowego wzrostu dysproporcji między regionami, grupami społecznymi czy sektorami gospodarki – kształtujący politykę gospodarczą muszą się odnaleźć wobec jednoczesnych wyzwań w zakresie likwidacji zapóźnień i wspierania kreacji nowych przewag konkurencyjnych. Dlatego oprócz wspierania biegunów wzrostów (czyli procesów polaryzacyjnych), trzeba przede wszystkim stworzyć warunki dla dyfuzji – tego wszystkiego, co będzie sprzyjało wyrównywaniu poziomu innowacyjności [Boni (red.) 2009, s. 3]. W wielu krajach funkcjonują skupiska regionów rozwiniętych gospodarczo, co sprzyja powstawaniu „wysp innowacji”. Ale bez wsparcia instytucjonalnego nie wystąpi proces dyfuzji postępu technicznego do regionów peryferyjnych. Transfer i pobudzanie innowacji na tych obszarach wymagają kreowania sieci współpracy na poziomie zarówno regionalnym, jak i globalnym. ROZDZIAŁ 5 Tablice wyników w zakresie innowacyjności regionów – wykorzystanie podejścia amerykańskiego do oceny innowacyjności europejskiej przestrzeni regionalnej Wyobraźnia jest o wiele ważniejsza niż wiedza. Albert Einstein 5.1. Tablice wyników w zakresie innowacyjności europejskich regionów – aspekt metodologiczny Działalność ludzka ma charakter przestrzenny, a rozmaite uwarunkowania i czynniki powodują, iż koncentracja działalności gospodarczej na określonej przestrzeni różni się od koncentracji w innych miejscach i ma różne skutki. Z biegiem czasu wyniki tych działań kumulują się i różnicują poziom rozwoju społeczno-gospodarczego danego terytorium. Zjawiska rozwoju społeczno-gospodarczego nie zachodzą równomiernie na całej przestrzeni. Centra, ośrodki czy też obszary rozwojowe przyciągają ludność możliwościami lepszego zaspokajania potrzeb, stwarzając dalsze impulsy sprzyjające przyspieszaniu rozwoju. Podstawy zróżnicowań przestrzennych efektów działalności gospodarczej stanowią głównie pierwotne czynniki lokalizacji, prowadzące do rozwoju miast i regionów oraz koncentracji działalności gospodarczej. Obecnie, oprócz koniecznych zasobów materialnych, główne impulsy rozwojowe stanowią innowacje, a zdolności do ich wykorzystania tkwią w kapitale ludzkim i kapitale społecznym. Możliwości rozwoju regionów peryferyjnych w znacznym stopniu uzależnione są od zdolności absorpcji innowacji i umiejętnego kierowania oraz zarządzania procesami rozwojowymi [Adamowicz 2005, s. 581]. Monitorowanie pozycji regionów szczebla NUTS 2 ze względu na tak ważną kategorię ekonomiczną, jak innowacyjność powinno należeć do podstawowych i trwałych zadań polityki regionalnej, ponieważ ocena poziomu innowacyjności ma istotne znaczenie w dobie rozwoju technologii i konkurencji [Markowska, Strahl 2006]. 5.1. Tablice wyników w zakresie innowacyjności – aspekt metodologiczny 229 Jednym z możliwych podejść do oceny i monitorowania jest adaptacja amerykańskiej tablicy wyników w zakresie innowacyjności. Schemat budowy tablicy wyników innowacyjności dla europejskich danych regionalnych jest następujący: – w każdym roku dla analizowanych regionów europejskiej przestrzeni wyznaczono wartości skrajne, tj. maksimum, minimum i rozstęp; – ustalono przedziały określające punktację przyznaną regionowi w danym roku ze względu na wartość charakterystyki innowacyjności, w ten sposób, że: • rozstęp podzielono na 10 równych przedziałów, • do pierwszego przedziału zaliczono regiony, w których w danym roku wartość charakterystyki innowacyjności była minimalna – regionowi takiemu przypisano zero punktów, • drugi przedział (1 punkt) odnosi się do regionów, dla których w danym roku wartość odpowiedniej charakterystyki innowacyjności jest wyższa od minimum dla tej charakterystyki, ale niższa od wartości minimum powiększonej o 1/10 ustalonego dla tej cechy rozstępu, • trzeci przedział (2 punkty) odnosi się do regionów, dla których w danym roku wartość odpowiedniej charakterystyki innowacyjności jest wyższa od górnej granicy poprzedniego przedziału, ale niższa od wartości minimum powiększonej o 2/10 ustalonego dla tej cechy rozstępu, • kolejne przedziały ustalono analogicznie, • do ostatniego, jedenastego przedziału (10 punktów) zaliczono regiony, dla których wartość adekwatnej charakterystyki innowacyjności w analizowanym roku jest wyższa od 9/10 rozstępu, aż do wartości maksymalnej tej cechy (w tym również ta wartość); – w wierszu bezpośrednio pod nazwami zmiennych wprowadzono dane dotyczące wartości zmiennych, które notowano dla regionu w analizowanym roku (podano je czcionką pogrubioną); – pole zacienione w tablicy oznacza miejsce regionu w ustalonej przestrzeni; – „0” punktów w tablicy innowacyjności to wartość minimalna uzyskana przez region UE szczebla NUTS 2 dla danej charakterystyki innowacyjności w analizowanym roku; – znakiem ● oznaczono w tablicy innowacyjności przedział, w którym odnotowano w danym roku wartość średnią charakterystyki ustaloną dla wszystkich analizowanych regionów UE; – znakiem ■ oznaczono w tablicy przedział, w którym znajduje się wartość mediany charakterystyki ustalona dla badanych regionów UE w danym roku; – skierowanym w górę grotem strzałki (▲) oznaczono poprawę w analizowanym okresie: wzrost punktacji regionu pod względem analizowanej charakterystyki lub wzrost wartości indeksu innowacyjności; – skierowany w dół grot strzałki (▼) wskazuje pogorszenie punktacji regionu w analizowanym okresie (spadek punktacji regionu ze względu na wartość charakterystyki innowacyjności lub wartości indeksu innowacyjności); 230 5. Tablice wyników innowacyjności regionów – podejście amerykańskie indeks innowacyjności stanowi sumę punktacji regionu, ze względu na wartości charakterystyk innowacyjności i jest unormowany w przedziale [0; 80], to sumaryczna miara innowacyjności (I); – wartość 0 odpowiada każdorazowemu uzyskaniu przez region najniższych punktacji w rankingach – same wartości minimalne; – wartość 80 odpowiada sytuacji, w której dla każdej z ośmiu charakterystyk innowacyjności zanotowano dla regionu wartość w najwyższym przedziale realizacji cechy; – dla charakterystyk z grupy input (WYKSZ, LLL, KIS, HRST, KIS 2) – indeks innowacyjności input (II) stanowi sumę punktacji regionu w rankingach, ze względu na wartości charakterystyk innowacyjności i jest unormowany w przedziale [0; 50]; – wartość 0 odpowiada każdorazowemu uzyskaniu przez region najniższej punktacji w rankingach – same wartości minimalne; – wartość 50 odpowiada sytuacji, w której w regionie dla każdej z pięciu charakterystyk innowacyjności input zanotowano wartość w najwyższym przedziale realizacji cechy; – dla charakterystyk z grupy output (HIT, EPO, HIT 2) – indeks innowacyjności output (IO) stanowi sumę punktacji regionu w rankingach, ze względu na wartości charakterystyk innowacyjności output i jest unormowany w przedziale [0; 30]; – wartość 0 odpowiada każdorazowemu uzyskaniu przez region najniższej punktacji w rankingach – same wartości minimalne; – wartość 30 odpowiada sytuacji, w której w regionie dla każdej z trzech charakterystyk innowacyjności output zanotowano wartość w najwyższym przedziale realizacji cechy. Schemat, dla regionów UE w latach 1999 i 2009 oraz skróconą wersję dla prognoz w 2011 r., z oznaczeniami wartości mediany (linia przerywana) i średniej (linia kropkowana), jak również oddzieleniem charakterystyk input i output przedstawiono w tab. 5.1. W wierszu pierwszym tablicy wyników w zakresie innowacyjności podano nazwy charakterystyk. W drugim wierszu jest miejsce na wpisanie danych dla analizowanego regionu (wartości liczbowe charakterystyk innowacyjności odnotowane dla regionu w badanym roku). Kolejne wiersze stanowią zakresy wartości pozwalające na ustalenie liczby punktów osiągniętych przez region. Progi pozwalające ustalić punktację regionu w przypadku europejskiej przestrzeni regionalnej wyznaczono na podstawie wartości skrajnych, tj. maksimum i minimum oraz obliczonego na ich podstawie rozstępu (dla danych z badanego roku). W wierszu „punktacja” jest miejsce na podanie punktów, które przydzielono regionowi ze względu na przypisanie do ustalonych przedziałów wartości charakterystyk innowacyjności – liczbę punktów dla danego przedziału (dla regionu odnotowano wartość charakterystyki wyższą od liczby w komórce, ale niższą od wartości w komórce powyżej) odczytywana jest w kolumnie pierwszej. – 231 5.1. Tablice wyników w zakresie innowacyjności – aspekt metodologiczny Tabela 5.1. Przykładowy szablon tablicy innowacyjności gotowy do wypełnienia 1999 WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 10,5 55,9 5 23,9●■ 13,3 32,8●■ 49,1●■ 32,2●■ 620,9 28,9 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 22,6 38,2 22,8 6,5 372,6 18,1 8,1● 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 Punktacja INDEKS: 2008 INPUT: WYKSZ LLL KIS OUTPUT: KIS2 HRST HIT EPO HIT2 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 35,9●■ 49,4●■ 38,0●■ 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 Punktacja INDEKS: INPUT: OUTPUT: INPUT: OUTPUT: Prognoza – 2011 r. Punktacja INDEKS: Źródło: opracowanie własne. Następny wiersz jest miejscem na ustalenie sumy punktów, które przyznano regionowi w celu obliczenia indeksu innowacyjności input (będącego sumą punktów dla charakterystyk input) oraz output (suma punktów dla charakterystyk output). 232 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Przedstawiona propozycja nie uwzględnia wag, które niektórym wskaźnikom przypisano w amerykańskiej tablicy wyników innowacyjności, ponieważ propozycja oceny pozycji regionów (poprzez przyznanie punktów) ma charakter ogólny, a zakres stosowanych wskaźników wynika z dostępności danych dla regionów UE. Można sobie wyobrazić, iż w procesie poszukiwania punktu odniesienia np. dla polskich regionów, w zależności od osiągania celów strategicznych nastawionych na rozwój regionu czy też celów zawartych w regionalnych strategiach innowacji można np. nadać wagi tym indykatorom, na których wartości w strategiach położono szczególny nacisk, zwłaszcza w kontekście oceny osiągania celów strategicznych. Zestaw wskaźników, jeśli celem jest analiza poziomu innowacyjności w ramach kraju, może ulegać znacznym modyfikacjom w zależności od zasobów statystycznych baz danych czy innych źródeł informacji (np. badania ankietowe, wywiady). 5.2. Tablice wyników w zakresie innowacyjności europejskich regionów – wyniki badań Europa rozpatrywana z poziomu zarówno krajów (NUTS 0), jak i regionów (NUTS 2) jest silnie zróżnicowana, a struktury przestrzeni unijnych terytoriów ukształtowane zostały w procesach, których korzenie tkwią niekiedy w bardzo odległej historycznie przeszłości. Różnice międzyregionalne są, w oczywisty sposób, zależne od różnic w regionalnych strukturach gospodarczych. Wśród 11 belgijskich regionów najniższą wartość indeksu innowacyjności w 1999 r. odnotowano dla regionu Prov. Luxembourg (34), a w 2008 r. poza Prov. Luxembourg, także dla Prov. Namur (32), według prognozy zaś dla 2011 r. dla Prov. Hainaut (34). Najwyższą wartość indeksu innowacyjności w każdym z analizowanych momentów zanotowano w Prov. Brabant Wallon (58 w 1999 r., 51 w 2008 r. i 50 według prognozy dla 2011 r.). W 2008 r. obniżenie w porównaniu do wartości indeksów w 1999 r. odnotowano dla 9 regionów belgijskich, a dla 2 stabilizację wartości indeksu (Prov. Oost-Vlaanderen i Prov. West-Vlaanderen). Analizując punktację dla regionów belgijskich według prognoz należy wskazać wzrost wartości indeksu dla 7, spadek dla jednego i stabilizację (w relacji do 2008 r.) dla 3 regionów. Ze względu na wartości charakterystyk innowacyjności w analizowanych momentach skrajne przypisania punktów dla belgijskich regionów były następujące (tab. 5.2): – od 6 do 10 – udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, – od 1 do 4 – udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – od 5 do 8 – udział pracujących w usługach opartych na wiedzy jako procent siły roboczej i udział pracujących w usługach opartych na wiedzy jako procent pracujących w usługach, 233 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań Tabela 5.2. Punktacja belgijskich regionów w tablicy wyników innowacyjności Region Rok Prov. Limburg Prov. Oost-Vlaanderen I 5 35 10 45 2 4 33 8 41 10 3 8 6 8 2 3 9 3 7 6 8 2 prognoza Prov. Antwerpen IO LLL Région 1999 de Bruxelles 2008 KIS KIS2 HRST HIT II WYKSZ EPO HIT2 10 4 8 7 8 1 2 3 37 6 43 1999 8 2 6 6 7 6 3 7 29 16 45 2008 7 2 6 6 7 4 4 5 28 13 41 prognoza 7 3 6 6 7 4 4 5 29 13 42 1999 6 3 5 6 6 6 2 6 26 14 40 2008 6 3 5 6 6 4 2 5 26 11 37 prognoza 6 3 6 6 7 4 3 4 28 11 39 1999 7 3 6 5 7 4 3 4 28 11 39 2008 6 3 6 6 7 4 3 4 28 11 39 prognoza 7 3 6 7 7 4 3 5 30 12 42 9 3 7 6 9 4 5 7 34 16 50 Prov. Vlaams 1999 Brabant 2008 8 3 8 7 9 3 4 6 35 13 48 prognoza 9 3 8 7 9 3 3 6 36 12 48 Prov. West-Vlaanderen 1999 6 3 5 5 6 4 2 4 25 10 35 2008 6 2 5 6 7 3 3 3 26 9 35 6 2 5 6 7 3 3 3 26 9 35 Prov. Brabant Wallon 1999 10 3 8 7 10 4 9 7 38 20 58 2008 10 2 7 7 10 4 4 7 36 15 51 prognoza 10 2 8 8 10 3 3 6 38 12 50 Prov. Hainaut 1999 7 2 6 5 6 3 2 5 26 10 36 2008 6 1 6 6 6 3 2 4 25 9 34 prognoza 6 1 6 6 6 3 2 4 25 9 34 Prov. Liège prognoza 1999 7 3 6 6 7 3 2 3 29 8 37 2008 6 2 6 6 6 2 2 3 26 7 33 prognoza 7 2 6 6 7 2 2 3 28 7 35 7 2 6 5 6 2 3 3 26 8 34 6 2 6 6 6 1 3 2 26 6 32 7 2 6 7 7 1 3 2 29 6 35 Prov. Namur 1999 7 2 6 5 7 2 2 4 27 8 35 2008 6 1 6 6 6 2 2 3 25 7 32 prognoza 7 2 6 6 7 2 2 3 28 7 35 Prov. 1999 Luxembourg 2008 prognoza Źródło: opracowanie własne. 234 5. Tablice wyników innowacyjności regionów – podejście amerykańskie od 6 do 10 – kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo, – od 1 do 6 – udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej), – od 2 do 9 – liczba patentów zarejestrowanych w European Patent Office na milion siły roboczej, – od 2 do 7 – udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent pracujących w przemyśle). W Danii, w której wydzielono 5 regionów, wartość indeksu innowacyjności (I) w każdym z nich, w trzech analizowanych momentach wynosiła ponad 40, przy czym najwyższą w zawierającym stolicę regionie Hovedstaden (wartość indeksu od 56 w 1999 r., poprzez 55 w 2008 r. i 58 według prognoz dla 2011 r.), a najniższą (43) w 1999 r. w regionie Syddanmark, w latach 2008 i 2011 (41 i 43) w regionie Nordjylland (tab. 5.3). – Tabela 5.3. Punktacja duńskich regionów w tablicy wyników innowacyjności Region Hovedstaden Sjælland Syddanmark Midtjylland Nordjylland HRST HIT EPO HIT2 II IO I 9 3 3 6 44 12 56 8 9 2 4 5 44 11 55 9 10 2 4 5 47 11 58 7 7 6 3 3 5 33 11 44 9 7 7 7 3 3 5 36 11 47 9 7 7 7 3 3 4 36 10 46 7 6 7 5 4 3 5 31 12 43 WYKSZ LLL 1999 9 10 9 7 2008 8 10 9 prognoza 9 10 9 1999 6 7 2008 6 prognoza 6 1999 6 Rok KIS KIS2 2008 5 9 6 7 6 3 3 4 33 10 43 prognoza 6 9 6 7 6 3 3 4 34 10 44 1999 6 8 7 7 6 4 3 5 34 12 46 2008 6 9 7 7 6 3 3 4 35 10 45 prognoza 7 9 7 8 7 3 3 4 38 10 48 1999 6 7 8 10 5 3 3 4 36 10 46 2008 5 8 6 7 5 3 3 4 31 10 41 prognoza 6 9 6 7 6 3 3 3 34 9 43 Źródło: opracowanie własne. Punktacje duńskich regionów w tablicy innowacyjności ze względu na wartości charakterystyk wybranych do analizy zjawiska wynosiły: – od 2 do 4 – udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej), – od 3 do 4 – liczba patentów zarejestrowanych w EPO na milion siły roboczej, – od 3 do 6 – udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent pracujących w przemyśle), 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań 235 od 5 do 9 – udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, – od 5 do 10 – kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo, – od 6 do 9 – udział pracujących w usługach opartych na wiedzy jako procent siły roboczej, – od 7 do 10 – udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie i relacji pracujących w usługach opartych na wiedzy do ogółu pracujących w usługach. Niemcy jako kraj podzielone są na 39 regionów szczebla NUTS 2, a wśród nich najwyższe wartości indeksu innowacyjności (I) na podstawie tablicy uzyskano dla takich regionów jak (tab. 5.4): – Rheinhessen-Pfalz (wartość indeksu innowacyjności I – 51), Karlsruhe (52), Darmstadt (53), Stuttgart (55) i Oberbayern (56) w 1999 r., – Freiburg (50), Tübingen (50), Mittelfranken (50), Stuttgart (54), Karlsruhe (55), Oberbayern (57) w 2008 r., – Tübingen (51), Stuttgart (55), Karlsruhe (56), Oberbayern (57) na podstawie prognozowanych wartości charakterystyk innowacyjności. Najniższe wartości indeksów odnotowano w 1999 r. dla regionu Mecklenburg-Vorpommern (28), w 2008 r. w regionach Sachsen-Anhalt (28), Mecklenburg-Vorpommern (29), Weser-Ems (29), Trier (29), a dla 2011 r. ze względu na wartości prognozowane w regionach Sachsen-Anhalt (27), Weser-Ems (28), Koblenz (29). Liczba patentów zarejestrowanych w European Patent Office na milion siły roboczej jest charakterystyką, która najbardziej różnicuje niemieckie regiony, są bowiem takie, dla których odnotowano tylko 1 punkt (Brandenburg-Nordost, Mecklenburg-Vorpommern, Chemnitz, Leipzig, Sachsen-Anhalt i Braunschweig), a także takie, dla których było to 10 punktów (Stuttgart, Oberbayern, Karlsruhe i Tübingen). Ze względu na udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej), odnotowano w regionach niemieckich Mecklenburg-Vorpommern, Brandenburg-Nordost i Trier po 2 punkty, a także po 10 punktów dla regionów Stuttgart i Braunschweig. Podobnie pod względem udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent pracujących w przemyśle), dwa punkty zarejestrowano w regionie Mecklenburg-Vorpommern, a punktów 10 w regionach Rheinhessen-Pfalz, Braunschweig. Ze względu na wartości pozostałych charakterystyk liczba punktów dla regionów niemieckich wynosiła między: – 3 a 9 dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie oraz odsetek pracujących w usługach opartych na wiedzy jako procent siły roboczej, – 2 a 4 dla udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – 236 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.4. Punktacja niemieckich regionów w tablicy wyników innowacyjności Region Rok WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 II IO I 1 2 3 4 5 6 7 8 9 10 11 12 13 Stuttgart 1999 6 3 4 6 7 10 10 9 26 29 55 2008 5 3 4 6 7 10 10 9 25 29 54 prognoza 5 3 5 6 7 10 10 9 26 29 55 1999 7 3 5 6 8 8 7 8 29 23 52 2008 5 3 6 7 7 8 10 9 28 27 55 prognoza 5 3 6 8 6 9 10 9 28 28 56 Karlsruhe Freiburg Tübingen Oberbayern Niederbayern Oberpfalz Oberfranken Mittelfranken Unterfranken Schwaben Berlin 1999 6 2 5 5 7 8 7 7 25 22 47 2008 5 3 5 6 6 8 9 8 25 25 50 prognoza 5 3 5 6 6 8 9 7 25 24 49 1999 6 3 4 5 7 9 7 8 25 24 49 2008 5 3 4 6 6 8 10 8 24 26 50 prognoza 5 3 5 7 6 8 10 7 26 25 51 1999 7 3 6 6 8 7 10 9 30 26 56 2008 6 3 7 7 8 7 9 10 31 26 57 prognoza 6 3 7 8 9 7 8 9 33 24 57 1999 4 2 4 5 5 7 3 6 20 16 36 2008 4 2 3 5 5 7 3 7 19 17 36 prognoza 4 2 4 5 5 8 3 7 20 18 38 1999 4 2 4 5 5 7 5 6 20 18 38 2008 4 2 3 4 4 6 7 6 17 19 36 prognoza 4 2 4 6 4 7 7 6 20 20 40 1999 5 2 4 5 6 5 4 5 22 14 36 2008 4 2 4 6 6 7 5 7 22 19 41 prognoza 4 3 4 6 5 7 5 6 22 18 40 1999 5 3 5 6 7 7 7 7 26 21 47 2008 5 3 6 7 7 6 9 7 28 22 50 prognoza 5 3 6 6 7 6 9 7 27 22 49 1999 5 2 4 5 6 8 6 7 22 21 43 2008 5 3 5 6 6 6 7 6 25 19 44 prognoza 5 4 5 6 6 6 8 7 26 21 47 1999 5 2 4 5 6 7 5 7 22 19 41 2008 4 2 4 5 6 7 6 7 21 20 41 prognoza 4 2 4 6 6 6 6 6 22 18 40 1999 9 4 7 6 9 4 3 6 35 13 48 2008 7 3 8 8 8 3 4 6 34 13 47 prognoza 7 3 9 8 8 3 4 7 35 14 49 237 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań 1 Brandenburg – Nordost Brandenburg – Südwest Bremen Hamburg Darmstadt Gießen Kassel Mecklenburg-Vorpommern Braunschweig Hannover Lüneburg Weser-Ems Düsseldorf 2 3 4 5 6 7 8 9 10 11 12 13 1999 8 2 4 4 7 2 1 3 25 6 31 2008 6 3 4 4 6 3 2 3 23 8 31 prognoza 5 3 5 5 5 3 2 4 23 9 32 1999 8 2 5 5 6 3 2 3 26 8 34 2008 6 3 6 7 6 3 2 4 28 9 37 prognoza 6 3 6 6 6 4 2 5 27 11 38 1999 5 3 5 4 7 4 2 6 24 12 36 2008 5 3 6 6 7 5 2 8 27 15 42 44 prognoza 5 3 7 7 7 5 3 7 29 15 1999 6 3 7 6 8 4 3 6 30 13 43 2008 5 3 8 7 8 4 4 7 31 15 46 prognoza 6 3 8 7 7 3 4 7 31 14 45 1999 7 3 6 6 8 7 7 9 30 23 53 2008 5 3 7 7 8 5 6 7 30 18 48 prognoza 5 3 8 8 7 5 5 7 31 17 48 1999 6 3 5 5 7 6 5 7 26 18 44 2008 5 3 6 7 6 7 4 7 27 18 45 prognoza 5 4 6 8 6 5 4 6 29 15 44 1999 5 2 4 5 6 6 3 6 22 15 37 2008 4 3 5 5 6 5 3 6 23 14 37 prognoza 5 3 5 5 6 5 3 7 24 15 39 1999 7 2 4 4 6 2 1 2 23 5 28 2008 5 3 5 4 5 2 1 4 22 7 29 prognoza 5 3 6 5 5 2 1 4 24 7 31 1999 5 3 5 5 6 9 7 9 24 25 49 2008 4 3 5 6 6 10 3 10 24 23 47 prognoza 4 3 5 7 6 10 1 10 25 21 46 1999 5 2 5 4 7 5 4 6 23 15 38 2008 4 3 6 6 7 5 4 7 26 16 42 prognoza 4 3 6 7 6 5 4 7 26 16 42 1999 5 2 5 4 7 4 3 5 23 12 35 2008 3 2 4 4 4 5 3 6 17 14 31 prognoza 3 3 4 4 5 6 3 7 19 16 35 1999 5 2 4 4 6 4 2 5 21 11 32 2008 3 2 4 5 5 3 3 4 19 10 29 prognoza 3 2 4 5 4 3 3 4 18 10 28 1999 5 2 5 5 7 5 6 6 24 17 41 2008 4 2 6 6 6 4 5 5 24 14 38 prognoza 4 2 6 7 6 4 4 5 25 13 38 238 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.4, cd. 1 Köln Münster Detmold Arnsberg Koblenz Trier Rheinhessen-Pfalz Saarland Chemnitz Dresden Leipzig SachsenAnhalt Schleswig-Holstein Thüringen 2 1999 2008 prognoza 1999 2008 prognoza 1999 2008 prognoza 1999 2008 prognoza 1999 2008 prognoza 1999 2008 prognoza 1999 2008 prognoza 1999 2008 prognoza 1999 2008 prognoza 1999 2008 prognoza 1999 2008 prognoza 1999 2008 prognoza 1999 2008 prognoza 1999 2008 prognoza Źródło: opracowanie własne. 3 6 5 5 5 4 4 5 4 3 5 3 3 5 3 3 5 4 4 6 5 5 5 3 3 8 6 6 9 7 6 9 7 7 7 5 4 6 4 4 8 5 5 4 3 3 3 2 3 3 2 2 2 2 3 3 2 2 2 3 3 3 2 3 3 2 3 3 2 2 2 3 3 3 3 3 3 2 2 3 2 3 3 2 3 3 5 5 6 7 5 5 6 4 5 6 4 5 5 4 4 4 5 4 5 5 5 5 5 5 5 4 5 5 5 6 6 5 6 7 4 4 4 5 6 6 4 5 5 6 5 7 7 5 6 6 5 6 7 5 6 7 4 5 5 5 4 5 5 5 7 5 4 5 5 7 6 5 6 7 5 6 8 4 4 4 5 5 6 4 6 6 7 8 7 8 6 6 6 6 5 5 6 6 5 7 5 5 6 6 6 7 7 6 6 5 5 6 6 6 7 6 6 7 6 6 6 5 4 7 6 6 7 6 6 8 6 5 4 4 4 5 5 6 5 5 5 4 5 5 3 2 3 3 9 8 7 5 4 4 4 5 6 4 4 4 3 3 4 3 3 3 4 3 4 3 5 6 9 6 5 5 4 4 3 4 5 5 4 4 3 4 3 3 2 2 2 7 6 5 3 3 3 1 2 2 3 2 2 1 1 1 1 1 1 3 3 3 2 3 3 10 7 6 6 5 5 5 5 6 5 6 5 5 5 5 4 3 3 3 10 9 8 5 7 7 4 5 6 4 5 6 4 4 6 3 4 4 5 6 6 3 6 6 11 27 28 30 23 24 25 22 22 23 22 23 23 22 19 19 24 21 23 25 25 26 23 20 21 25 26 25 29 28 28 29 28 31 23 20 19 25 24 25 25 25 25 12 19 16 15 13 13 13 14 17 15 15 14 12 14 13 10 7 8 8 26 23 20 13 14 14 9 12 14 11 11 12 8 8 11 7 8 8 12 12 13 8 14 15 13 46 44 45 36 37 38 36 39 38 37 37 35 36 32 29 31 29 31 51 48 46 36 34 35 34 38 39 40 39 40 37 36 42 30 28 27 37 36 38 33 39 40 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań 239 4 a 8 dla udziału pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących w usługach, – 4 a 9 dla kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo. Wśród regionów niemieckich największą stabilność, jeśli chodzi o liczbę punktów w tablicy innowacyjności, otrzymano dla regionu Stuttgart, dla którego w przypadku 6 na 8 charakterystyk innowacyjności w każdym z analizowanych momentów punktacja się nie zmieniała. Ponadto w 3 innych niemieckich regionach (Niederbayern, Mittelfranken i Sachsen-Anhalt) obserwowana jest stabilizacja punktacji dla połowy charakterystyk. Można też wskazać, że sytuacja taka, tj. utrwalenie punktacji, występuje: – w 5 regionach dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie i dla udziału pracujących w usługach opartych na wiedzy jako procenta pracujących w usługach, – aż dla 19 regionów ze względu na udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – w 9 regionach ze względu na udział pracujących w usługach opartych na wiedzy jako procent siły roboczej, – dla 12 regionów pod względem kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, – pod względem udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej) w 7 regionach, – w 10 regionach dla patentów zarejestrowanych w EPO na milion siły roboczej, – najmniej, bo tylko w 3, jeśli chodzi o udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent pracujących w przemyśle). Dla zawierającego stolicę irlandzkiego regionu Southern and Eastern uzyskano indeks innowacyjności 36 (w latach 1999 i 2008) i 37 na podstawie prognoz dla 2011 r., a dla Border, Midlands and Western indeks innowacyjności wynosił 27 w 1999 r., 31 w 2008 r. i 33 z uwzględnieniem wartości prognozowanych charakterystyk innowacyjności dla 2011 r. (tab. 5.5). Punktacja ze względu na wartości charakterystyk innowacyjności w regionach Irlandii wynosiła: – od 4 do 8 dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, – od 2 do 3 dla udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – od 4 do 6 dla udziału pracujących w usługach opartych na wiedzy jako procenta siły roboczej, – od 4 do 7 dla udziału pracujących w usługach opartych na wiedzy jako procenta pracujących w usługach, – od 3 do 7 dla kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, – 240 – – – 5. Tablice wyników innowacyjności regionów – podejście amerykańskie od 2 do 4 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta siły roboczej), od 1 do 2 dla liczby patentów zarejestrowanych w EPO na milion siły roboczej, od 3 do 5 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta pracujących w przemyśle). Tabela 5.5. Punktacja irlandzkich regionów w tablicy wyników innowacyjności Region Border, Midlands and Western Southern and Eastern Rok 1999 2008 prognoza 1999 2008 prognoza WYKSZ 4 6 7 6 7 8 LLL 2 2 2 2 3 3 KIS KIS2 4 4 5 5 5 6 6 6 6 6 6 7 HRST 3 5 6 5 6 7 HIT 4 3 2 4 3 2 EPO 1 2 2 2 1 1 HIT2 5 3 3 5 4 3 II 17 23 26 25 28 31 IO 10 8 7 11 8 6 I 27 31 33 36 36 37 Źródło: opracowanie własne. W Grecji, poza zawierającym stolicę regionem Attiki, dla którego wartość indeksu I wzrosła w badanym okresie z 27 do 29, nie odnotowano w tablicy innowacyjności indeksu wyższego niż 20. Przy tym najniższe wartości indeksu obserwowano dla regionów Ionia Nisia i Notio Aigaio (12 w 1999 r. i po 10 w dwóch kolejnych momentach). Wynikające ze zmiany punktacji wahania w tablicy innowacyjności europejskiej przestrzeni dla greckich regionów przedstawiono w tab. 5.6. Wahania były następujące: – od 2 do 6 pod względem udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, – 1 i 2, jeśli chodzi o udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – od 2 do 5 dla udziału pracujących w usługach opartych na wiedzy jako procenta siły roboczej, – od 0 do 4 dla udziału pracujących w usługach opartych na wiedzy jako procenta pracujących w usługach, – od 1 do 6 pod względem kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, – od 0 do 2 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta siły roboczej), – od 0 do 1 pod względem liczby patentów zarejestrowanych w EPO na milion siły roboczej, – od 0 do 3 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta pracujących w przemyśle). Tak często występujące w punktacji greckich regionów zero świadczy o wielokrotnym odnotowaniu wartości minimalnych (ze względu na wartości czterech charakterystyk innowacyjności). 241 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań Tabela 5.6. Punktacja greckich regionów w tablicy wyników innowacyjności Region Anatoliki Makedonia, Thraki Kentriki Makedonia Dytiki Makedonia Thessalia Ipeiros Ionia Nisia Dytiki Ellada Sterea Ellada Peloponnisos Attiki Rok WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 II IO I 3 1 2 3 2 1 1 2 11 4 15 1999 2008 3 1 2 3 3 1 1 1 12 3 15 prognoza 4 1 2 3 3 1 1 1 13 3 16 1999 5 1 3 3 4 1 1 2 16 4 20 2008 5 1 3 3 4 1 1 1 16 3 19 prognoza 5 1 3 3 5 1 1 1 17 3 20 1999 4 1 2 3 3 1 1 1 13 3 16 2008 3 1 2 3 3 1 1 1 12 3 15 prognoza 4 1 2 4 3 1 1 1 14 3 17 1999 4 1 3 3 3 1 1 1 14 3 17 2008 4 1 3 3 4 1 1 1 15 3 18 prognoza 5 1 3 3 4 1 1 1 16 3 19 1999 5 1 3 3 3 1 1 1 15 3 18 2008 4 1 3 3 3 1 1 1 14 3 17 prognoza 4 1 3 4 3 1 1 1 15 3 18 1999 3 1 2 0 2 1 1 2 8 4 12 2008 2 1 2 1 1 1 1 1 7 3 10 prognoza 2 1 2 1 1 1 1 1 7 3 10 1999 4 1 3 3 2 1 1 1 13 3 16 2008 3 1 3 3 3 1 1 1 13 3 16 prognoza 4 1 3 3 4 1 1 1 15 3 18 1999 3 1 2 1 1 2 1 2 8 5 13 2008 2 1 2 2 2 1 0 1 9 2 11 prognoza 3 1 2 2 2 1 0 1 10 2 12 1999 3 1 2 3 2 1 1 1 11 3 14 2008 3 1 2 2 2 1 1 1 10 3 13 prognoza 3 1 2 2 2 1 1 1 10 3 13 1999 6 1 5 4 5 2 1 3 21 6 27 2008 6 1 5 4 6 2 1 3 22 6 28 6 2 5 4 6 2 1 3 23 6 29 Voreio Aigaio 1999 prognoza 4 1 3 4 2 0 1 0 14 1 15 2008 4 1 3 2 4 0 1 1 14 2 16 Notio Aigaio Kriti prognoza 5 1 2 1 4 0 1 1 13 2 15 1999 3 1 2 1 2 1 1 1 9 3 12 2008 2 1 2 0 2 1 1 1 7 3 10 prognoza 2 1 2 0 2 1 1 1 7 3 10 1999 4 1 2 2 2 1 1 1 11 3 14 2008 4 1 3 3 3 1 1 1 14 3 17 prognoza 4 1 3 3 4 1 1 0 15 2 17 Źródło: opracowanie własne. 242 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.7. Punktacja hiszpańskich regionów w tablicy wyników innowacyjności Region Rok WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 II IO I 1 2 3 4 5 6 7 8 9 10 11 12 13 Galicia 1999 5 2 3 3 4 3 1 3 17 7 24 2008 6 4 3 4 6 2 1 2 23 5 28 prognoza 7 5 4 4 7 2 1 3 27 6 33 1999 7 2 3 3 5 1 1 2 20 4 24 2008 7 3 4 4 6 2 1 2 24 5 29 prognoza 7 4 4 4 7 1 1 1 26 3 29 1999 6 2 3 2 5 4 1 4 18 9 27 2008 7 3 3 3 6 3 1 3 22 7 29 prognoza 8 4 4 4 7 2 1 3 27 6 33 1999 8 2 4 4 7 5 1 5 25 11 36 2008 9 4 5 5 9 5 2 5 32 12 44 prognoza 10 5 5 6 10 5 2 5 36 12 48 1999 8 3 4 4 7 7 1 6 26 14 40 2008 7 4 4 5 6 5 2 4 26 11 37 prognoza 8 4 4 4 7 4 3 4 27 11 38 Principado de Asturias Cantabria Pais Vasco Comunidad Foral de Navarra La Rioja Aragón 1999 6 1 3 4 4 3 1 2 18 6 24 2008 6 3 3 3 5 2 1 2 20 5 25 prognoza 7 5 3 4 6 2 2 2 25 6 31 1999 6 2 4 4 6 5 1 5 22 11 33 2008 6 4 4 4 6 4 1 5 24 10 34 prognoza 7 5 4 4 7 3 1 4 27 8 35 8 2 6 5 8 4 1 5 29 10 39 8 4 6 6 8 2 1 4 32 7 39 prognoza 8 5 6 6 8 2 1 2 33 5 38 1999 6 3 3 4 5 3 1 3 21 7 28 2008 6 4 4 4 5 2 1 3 23 6 29 prognoza 7 4 3 4 6 2 1 2 24 5 29 1999 4 2 3 3 3 1 1 1 15 3 18 2008 4 3 3 3 4 1 1 1 17 3 20 prognoza 5 3 3 4 4 2 1 1 19 4 23 Extremadura 1999 5 1 3 3 3 1 1 1 15 3 18 2008 5 4 4 4 4 1 1 1 21 3 24 prognoza 5 5 4 4 5 1 1 1 23 3 26 1999 6 1 4 4 5 5 1 5 20 11 31 Comunidad 1999 de Madrid 2008 Castilla y León Castilla-la Mancha Cataluña 2008 6 3 4 5 5 4 2 5 23 11 34 prognoza 6 4 4 5 6 4 2 4 25 10 35 243 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań 1 Comunidad Valenciana Islas Baleares Andalucia Región de Murcia Canarias 2 3 4 5 6 7 8 9 10 11 12 13 1999 5 3 3 3 4 2 1 2 18 5 23 2008 5 4 3 3 5 2 1 2 20 5 25 prognoza 6 4 3 3 5 2 1 2 21 5 26 1999 4 1 3 2 4 1 1 1 14 3 17 2008 4 3 4 3 3 1 1 2 17 4 21 prognoza 4 5 4 3 4 1 1 1 20 3 23 1999 6 2 4 3 4 1 1 2 19 4 23 2008 5 3 4 3 4 1 1 1 19 3 22 prognoza 5 4 4 3 5 1 1 1 21 3 24 1999 6 2 3 3 4 2 1 2 18 5 23 2008 5 3 3 4 4 2 1 2 19 5 24 prognoza 5 4 3 3 4 2 1 2 19 5 24 1999 5 2 3 2 4 1 1 1 16 3 19 2008 5 4 4 2 4 1 1 1 19 3 22 prognoza 5 4 4 3 5 1 1 1 21 3 24 Źródło: opracowanie własne. Jak już wspomniano, nie zdołano uzupełnić braków w danych dla Ciudad Autónoma de Ceuta i Ciudad Autónoma de Melilla, dlatego analizy innowacyjności przestrzeni Hiszpanii dotyczą 17 z 19 regionów. W każdym momencie analizy dla 5 regionów odnotowano wartość indeksu wyższą niż 30 (Comunidad Foral de Navarra, Aragón, Comunidad de Madrid oraz Cataluña), sięgającą nawet 48 w regionie Pais Vasco. Również w regionach Galicia, Cantabria i La Rioja wartość indeksu na podstawie prognoz charakterystyk innowacyjności dla 2011 r. wyniosła ponad 30 (tab. 5.7). Najniższą wartość indeksu innowacyjności na podstawie tablicy otrzymano dla regionu Islas Baleares (17), a następnie dla regionów Extremadura i Castilla-la Mancha (18) oraz Canarias (19). W punktacji hiszpańskich regionów w tablicach innowacyjności z lat 1999, 2008 i 2011 wahania były następujące: – od 4 do 10 punktów dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, – od 1 do 5 ze względu na udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – od 3 do 6 pod względem udziału pracujących w usługach opartych na wiedzy jako procenta siły roboczej, – od 2 do 6, jeśli chodzi o pracujących w usługach opartych na wiedzy jako udział pracujących w usługach, – od 3 do 10 dla kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, 244 5. Tablice wyników innowacyjności regionów – podejście amerykańskie od 1 do 7 dla pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej), – od 1 do 3 dla patentów zarejestrowanych w EPO na milion siły roboczej, – od 1 do 6 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle. W związku z tym, że nie zdołano uzupełnić braków w danych dla zamorskich regionów francuskich (Guadeloupe, Martinique, Guyane, Réunion), analizy innowacyjności przestrzeni tego kraju dotyczą 22 z 26 regionów Francji. W grupie regionów Francji dla czterech odnotowano wartości indeksu wyższe niż 40, w tym najwyższe dla zawierającego stolicę Île de France (49, 50), a ponadto dla Alsace, Franche-Comté i Rhône-Alpes. Najniższą wartość indeksu innowacyjności I na podstawie tablicy otrzymano dla śródziemnomorskiej wyspy Corse: 20 i 24 (tab. 5.8). Znamienne, że w wielu francuskich regionach dla kilku charakterystyk odnotowano stabilizację punktacji: w 5 regionach (Île de France, Picardie, Lorraine, Auvergne, Provence-Alpes-Côte d’Azur) aż dla czterech zmiennych, dla czterech innych charakterystyk (odsetka pracujących w usługach opartych na wiedzy w ogóle siły roboczej, udziału pracujących w usługach opartych na wiedzy jako udziału pracujących w usługach, procenta pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogóle siły roboczej oraz udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogóle pracujących w przemyśle) w ośmiu regionach, a dla patentów odnoszonych do zasobów siły roboczej w dziesięciu. Przy tym, o ile dla niektórych regionów jest to utrwalenie wysokiej punktacji, o tyle dla np. Corse jest to stabilizacja na jednym czy dwóch punktach. Skrajne liczby punktów ze względu na wartości charakterystyk innowacyjności w regionach Francji wyglądały następująco: – od 2 do 8 dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie i pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta pracujących w przemyśle), – od 1 do 5 dla udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – od 4 do 8 dla pracujących w usługach opartych na wiedzy jako procenta siły roboczej, – od 3 do 7 dla pracujących w usługach opartych na wiedzy jako procenta pracujących w usługach, – od 3 do 9 dla kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, – od 1 do 8 dla pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta siły roboczej), – od 1 do 5 dla liczby patentów zarejestrowanych w EPO na milion siły roboczej. Wśród 21 włoskich regionów dla 4 odnotowano wartości indeksu I niższe od 20 (Provincia Autonoma Bolzano-Bozen (16), Calabria (17), Sardegna (18) i Pu– 245 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań Tabela 5.8. Punktacja francuskich regionów w tablicy wyników innowacyjności Region II IO I 10 11 12 13 7 33 16 49 5 6 35 14 49 3 5 6 36 14 50 3 2 3 19 8 27 Rok WYKSZ LLL KIS KIS2 HRST HIT 1 2 3 4 5 6 7 8 9 Île de France 1999 8 2 8 7 8 4 5 2008 8 3 8 7 9 3 prognoza 8 4 8 7 9 4 1 5 5 4 Champagne- 1999 -Ardenne 2008 Picardie Haute-Normandie Centre Basse-Normandie Bourgogne Nord-Pas-de-Calais Lorraine Alsace Franche-Comté Pays de la Loire EPO HIT2 4 3 4 5 4 3 1 3 20 7 27 prognoza 5 4 5 5 5 2 1 3 24 6 30 30 1999 4 1 5 5 4 4 2 5 19 11 2008 4 2 4 4 5 4 2 5 19 11 30 prognoza 4 4 5 4 5 4 2 5 22 11 33 1999 4 1 5 5 4 6 2 6 19 14 33 2008 4 2 4 5 4 5 3 6 19 14 33 prognoza 4 4 4 5 5 5 3 5 22 13 35 1999 5 1 5 5 5 5 2 5 21 12 33 2008 4 2 5 5 6 4 2 6 22 12 34 prognoza 4 4 6 5 6 4 2 6 25 12 37 1999 4 1 5 6 4 4 1 5 20 10 30 2008 5 2 6 7 6 3 2 4 26 9 35 prognoza 5 3 6 7 6 3 2 4 27 9 36 1999 5 1 5 5 4 4 2 5 20 11 31 2008 4 3 5 5 5 3 2 3 22 8 30 prognoza 4 4 5 5 5 2 1 3 23 6 29 1999 5 1 5 5 4 4 1 4 20 9 29 2008 5 2 6 6 5 3 1 4 24 8 32 prognoza 5 4 6 6 6 2 1 4 27 7 34 1999 5 1 5 6 5 4 2 5 22 11 33 2008 4 2 5 5 5 4 2 5 21 11 32 prognoza 4 3 5 6 5 4 1 5 23 10 33 1999 5 1 4 5 5 7 3 7 20 17 37 2008 6 3 5 5 6 6 4 7 25 17 42 prognoza 6 5 6 6 7 6 4 7 30 17 47 1999 5 1 4 5 5 8 3 8 20 19 39 2008 4 2 4 5 6 7 3 8 21 18 39 prognoza 4 4 5 6 6 6 3 6 25 15 40 1999 5 1 5 6 4 4 1 5 21 10 31 2008 4 3 5 6 5 4 2 5 23 11 34 prognoza 5 4 5 5 5 3 2 4 24 9 33 246 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.8, cd. 1 Bretagne Poitou-Charentes Aquitaine Midi-Pyrénées Limousin 2 3 4 5 6 7 8 9 10 11 12 13 1999 5 1 5 6 5 4 2 5 22 11 33 6 6 5 3 3 4 25 10 35 2008 5 3 prognoza 6 5 6 6 7 2 4 3 30 9 39 1999 4 1 5 5 4 3 1 4 19 8 27 2008 4 2 5 6 5 3 2 5 22 10 32 prognoza 4 3 5 6 5 3 2 4 23 9 32 1999 6 1 5 5 5 3 1 5 22 9 31 2008 5 2 5 6 6 2 1 3 24 6 30 prognoza 5 3 6 6 6 2 1 3 26 6 32 1999 6 2 6 6 6 3 2 4 26 9 35 2008 6 3 6 6 7 3 3 5 28 11 39 prognoza 6 4 6 5 7 3 3 5 28 11 39 1999 4 1 5 5 4 2 1 3 19 6 25 2008 5 3 5 5 5 2 2 2 23 6 29 prognoza 5 4 5 5 6 2 2 3 25 7 32 Rhône-Alpes 1999 6 1 6 6 6 5 4 6 25 15 40 2008 6 3 5 5 6 3 4 4 25 11 36 prognoza 5 4 5 5 6 3 4 4 25 11 36 1999 5 1 5 5 5 3 2 3 21 8 29 Auvergne Languedoc-Roussillon Provence-Alpes-Côte d’Azur Corse 2008 5 3 5 6 6 2 2 3 25 7 32 prognoza 5 4 5 6 6 3 2 3 26 8 34 1999 5 1 6 5 5 1 2 2 22 5 27 2008 6 2 5 4 6 1 1 2 23 4 27 prognoza 6 3 6 5 7 1 1 2 27 4 31 1999 6 1 6 5 5 2 2 4 23 8 31 2008 5 2 5 5 5 2 2 4 22 8 30 prognoza 5 3 6 5 6 2 2 4 25 8 33 1999 3 1 5 7 3 2 1 2 19 5 24 2008 2 1 4 4 4 2 1 2 15 5 20 prognoza 3 1 5 3 6 2 1 3 18 6 24 Źródło: opracowanie własne. glia (19)), najwyższą zaś wartość indeksu innowacyjności w tablicy otrzymano (na podstawie wartości prognozowanych) dla regionu Emilia-Romagna (40). Ponadto indeksy innowacyjności I powyżej 30 uzyskano w każdym z trzech momentów badania dla regionów: Piemonte, Valle d’Aosta i Lombardia (tab. 5.9). 247 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań Tabela 5.9. Punktacja włoskich regionów w tablicy wyników innowacyjności Region 1 Piemonte Valle d’Aosta Liguria Lombardia Provincia Autonoma Bolzano-Bozen Provincia Autonoma Trento Veneto Friuli-Venezia Giulia Emilia-Romagna Toscana Umbria Marche Rok WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 II IO I 2 3 4 5 6 7 8 9 10 11 12 13 1999 1 1 4 4 4 7 3 7 14 17 31 2008 2 2 4 5 5 6 3 6 18 15 33 prognoza 4 2 5 6 5 5 4 5 22 14 36 1999 2 2 4 3 4 6 1 10 15 17 32 2008 2 2 5 4 4 5 1 7 17 13 30 prognoza 2 2 5 6 4 5 1 6 19 12 31 1999 1 1 5 4 4 4 2 6 15 12 27 2008 3 2 5 5 6 3 2 5 21 10 31 prognoza 6 4 6 5 7 3 2 5 28 10 38 1999 1 1 4 5 4 6 3 6 15 15 30 2008 3 2 5 6 5 5 3 5 21 13 34 prognoza 5 3 5 7 6 5 3 5 26 13 39 1999 0 1 4 3 4 1 1 2 12 4 16 2008 1 2 4 4 4 2 2 2 15 6 21 prognoza 3 3 5 5 5 2 2 3 21 7 28 1999 1 1 4 3 4 3 1 4 13 8 21 2008 2 3 5 6 5 2 1 3 21 6 27 prognoza 5 5 6 7 6 2 1 3 29 6 35 1999 1 1 3 4 4 5 2 5 13 12 25 2008 2 2 4 5 4 5 3 5 17 13 30 prognoza 4 3 4 5 5 6 3 5 21 14 35 1999 1 1 4 3 4 5 2 5 13 12 25 2008 2 3 4 5 5 5 3 5 19 13 32 prognoza 4 3 5 7 6 5 3 5 25 13 38 1999 1 1 4 4 4 5 3 5 14 13 27 2008 2 2 4 5 5 5 4 5 18 14 32 prognoza 5 3 4 6 6 6 4 6 24 16 40 1999 1 1 4 4 4 3 2 3 14 8 22 2008 2 2 4 4 5 3 2 3 17 8 25 prognoza 5 3 5 5 6 3 2 3 24 8 32 1999 1 1 4 4 5 3 1 3 15 7 22 2008 2 3 4 5 4 3 1 3 18 7 25 prognoza 5 4 5 6 5 4 2 4 25 10 35 1999 1 1 4 5 4 3 1 3 15 7 22 2008 2 2 3 4 4 5 2 4 15 11 26 prognoza 4 3 3 4 4 5 2 5 18 12 30 248 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.9, cd. 1 Lazio Abruzzo Molise Campania Puglia Basilicata Calabria Sicilia Sardegna 2 3 4 5 6 7 8 9 10 11 12 13 1999 1 1 6 4 5 2 1 4 17 7 24 2008 4 3 6 5 6 2 1 4 24 7 31 prognoza 7 4 6 6 6 2 1 4 29 7 36 1999 1 1 4 3 4 3 1 3 13 7 20 2008 3 2 4 5 5 4 1 4 19 9 28 prognoza 5 3 5 5 5 4 1 5 23 10 33 1999 1 1 4 4 3 4 1 5 13 10 23 2008 2 3 4 4 4 3 1 4 17 8 25 prognoza 5 4 4 4 4 4 1 4 21 9 30 1999 1 1 5 4 3 3 1 4 14 8 22 2008 2 2 4 4 4 3 1 4 16 8 24 prognoza 4 3 4 4 4 3 1 3 19 7 26 1999 1 1 4 4 3 2 1 3 13 6 19 2008 2 2 4 4 4 2 1 2 16 5 21 prognoza 4 2 4 5 4 2 1 2 19 5 24 1999 1 1 3 3 3 4 1 4 11 9 20 2008 2 2 4 5 4 3 1 4 17 8 25 prognoza 5 3 5 6 5 2 1 3 24 6 30 1999 1 1 5 4 3 1 1 1 14 3 17 2008 3 2 5 4 4 1 1 1 18 3 21 prognoza 5 3 5 5 5 1 1 2 23 4 27 1999 1 1 5 4 4 1 1 3 15 5 20 2008 2 2 5 4 4 1 1 2 17 4 21 prognoza 4 3 5 5 4 1 1 2 21 4 25 1999 1 1 4 4 3 2 1 2 13 5 18 2008 2 3 5 4 3 1 1 1 17 3 20 prognoza 4 3 5 4 4 1 1 1 20 3 23 Źródło: opracowanie własne. Analiza punktacji włoskich regionów w tablicy ze względu na wartości charakterystyk innowacyjności pozwala stwierdzić, iż wahania są następujące: – od 0 do 7 dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, – od 1 do 5 dla udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – od 2 do 6 dla udziału pracujących w usługach opartych na wiedzy jako odsetka siły roboczej, 249 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań od 3 do 7 dla udziału pracujących w usługach opartych na wiedzy jako procenta pracujących w usługach oraz dla kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, – od 1 do 7 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta siły roboczej), – od 1 do 4 dla liczby patentów zarejestrowanych w EPO na milion siły roboczej, – od 1 do 10 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta pracujących w przemyśle). Ponadto warto zwrócić uwagę, że w trzech regionach: Valle d’Aosta, Lazio i Sicilia, w przypadku czterech zmiennych ich punktacja w każdym momencie analizy była taka sama. Dla ⅔ włoskich regionów ustabilizowanie punktacji odnotowano dla liczby patentów w relacji do populacji mieszkańców, a dla 11 z 14 regionów w tej grupie był to 1 punkt. Wśród krajów UE 15 jest tylko jeden region, w którym poziomy NUTS 0, 1 i 2 są tożsame – Luxembourg, dla którego indeks innowacyjności I wynosił 33 w 1999 r., 37 w 2008 r. i 39 według prognoz w 2011 r., jak wskazano w tab. 5.10. – Tabela 5.10. Punktacja Luksemburga w tablicy wyników innowacyjności Region Rok WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 II IO I Luxembourg 1999 5 2 7 6 7 1 3 2 27 6 33 2008 6 3 7 7 7 1 5 1 30 7 37 prognoza 6 3 8 7 7 1 6 1 31 8 39 Źródło: opracowanie własne. Punktacja Luksemburga w tablicy innowacyjności ze względu na wartości charakterystyk innowacyjności w trzech analizowanych momentach była następująca: – udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie – 5 i 6 punktów, – udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie – 2 i 3 punkty, – pracujący w usługach opartych na wiedzy jako procent siły roboczej – 7 i 8 punktów, – pracujący w usługach opartych na wiedzy jako procent pracujących w usługach – 6 i 7 punktów, – kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo – w każdym momencie 7 punktów, – pracujący w przemyśle wysoko i średnio zawansowanym technologicznie jako procent siły roboczej – 1 punkt, – patenty zarejestrowane w EPO na milion siły roboczej – 3, 5 i 6 punktów, – pracujący w przemyśle wysoko i średnio zawansowanym technologicznie jako procent pracujących w przemyśle – 1 i 2 punkty. 250 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.11. Punktacja niderlandzkich regionów w tablicy wyników innowacyjności Region Groningen Friesland Drenthe Overijssel Gelderland Flevoland Utrecht Noord-Holland Zuid-Holland Zeeland Noord-Brabant Limburg Rok WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 II IO I 1999 6 6 7 6 7 2 1 4 32 7 39 2008 6 6 7 7 6 1 2 2 32 5 37 prognoza 7 5 8 8 7 1 2 2 35 5 40 1999 5 5 6 5 6 3 2 4 27 9 36 2008 4 5 6 6 6 2 1 3 27 6 33 prognoza 5 4 7 8 6 1 1 2 30 4 34 1999 5 5 6 6 6 3 1 4 28 8 36 2008 4 5 6 6 5 2 2 4 26 8 34 prognoza 6 5 7 7 6 2 2 3 31 7 38 1999 5 5 6 5 6 3 2 4 27 9 36 2008 5 5 6 6 6 2 2 3 28 7 35 prognoza 6 4 7 7 7 2 2 2 31 6 37 1999 6 5 7 6 7 2 2 3 31 7 38 2008 6 5 7 6 7 1 3 2 31 6 37 prognoza 6 5 7 7 7 1 3 2 32 6 38 1999 5 6 8 7 6 3 2 6 32 11 43 2008 5 6 7 6 6 1 1 3 30 5 35 prognoza 6 5 7 6 6 1 1 2 30 4 34 1999 8 7 8 6 9 2 3 4 38 9 47 2008 8 6 8 7 9 1 3 3 38 7 45 prognoza 9 5 8 8 9 1 3 2 39 6 45 1999 7 7 8 6 8 2 2 3 36 7 43 2008 7 6 8 7 8 1 2 2 36 5 41 prognoza 8 5 8 8 8 1 2 1 37 4 41 1999 7 6 7 6 8 2 2 4 34 8 42 2008 6 6 7 6 7 1 2 3 32 6 38 prognoza 7 5 8 7 7 1 2 2 34 5 39 1999 4 5 5 4 5 5 2 8 23 15 38 2008 4 5 5 5 5 3 1 4 24 8 32 prognoza 5 4 5 6 6 2 1 3 26 6 32 1999 6 5 5 5 7 4 10 5 28 19 47 2008 6 5 6 6 7 3 9 4 30 16 46 prognoza 7 5 7 7 7 2 7 3 33 12 45 1999 5 5 6 5 6 5 3 7 27 15 42 2008 5 5 6 6 6 3 4 5 28 12 40 prognoza 5 4 6 6 6 2 4 3 27 9 36 Źródło: opracowanie własne. 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań 251 Regiony niderlandzkie charakteryzuje wysoki indeks innowacyjności I – od 32 w regionie Zeeland po 47 w regionach Utrecht i Noord-Brabant. W przypadku regionu Gelderland dla czterech zmiennych obserwowana jest stabilizacja punktacji, dla trzech zmiennych sytuacja taka wystąpiła w trzech regionach (Utrechcie, zawierającym stolicę Noord-Holland i Limburg). Jeśli chodzi o kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo, to charakterystyczna jest stabilizacja wysokich punktacji (od 6 do 9) aż dla 7 regionów (tab. 5.11). Ze względu na wartości charakterystyk innowacyjności w analizowanych momentach punktacje skrajne niderlandzkich regionów przedstawiały się następująco: – od 4 do 9 punktów – udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, – od 4 do 7 – udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – od 5 do 8 – udział pracujących w usługach opartych na wiedzy jako procent siły roboczej, – od 4 do 8 punktów – udział pracujących w usługach opartych na wiedzy jako procent pracujących w usługach, – od 5 do 9 punktów – kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo, – od 1 do 5 punktów – udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących, – od 1 do 10 punktów – liczba patentów zarejestrowanych w EPO na milion siły roboczej, – od 1 do 8 punktów – udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent pracujących w przemyśle). W Austrii wartości indeksu innowacyjności wahały się od 20 (Burgenland) do 47 (Wien), a punktację regionów ze względu na wartości charakterystyk innowacyjności w analizowanych momentach była następująca (tab. 5.12): – od 2 do 5 punktów dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie oraz dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta siły roboczej), – od 1 do 10 dla udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – od 3 do 8 dla udziału pracujących w usługach opartych na wiedzy jako procenta siły roboczej, – od 3 do 7 dla udziału pracujących w usługach opartych na wiedzy jako procenta pracujących w usługach oraz dla kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, – od 1 do 8 dla liczby patentów zarejestrowanych w EPO na milion siły roboczej, – od 3 do 6 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent pracujących w przemyśle). 252 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.12. Punktacja austriackich regionów w tablicy wyników innowacyjności Region Burgenland Niederösterreich Wien Kärnten Steiermark Oberösterreich Salzburg Tirol Vorarlberg Rok WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 II IO I 1999 3 1 3 3 3 3 1 3 13 7 20 2008 2 3 4 3 5 2 2 3 17 7 24 prognoza 3 7 4 4 5 3 2 3 23 8 31 1999 4 1 4 4 5 3 2 4 18 9 27 2008 3 4 4 5 5 3 3 3 21 9 30 prognoza 3 8 5 5 6 3 4 4 27 11 38 1999 5 1 7 6 6 4 3 6 25 13 38 2008 5 5 7 6 6 2 4 4 29 10 39 47 prognoza 5 10 8 7 7 2 5 3 37 10 1999 3 1 4 4 4 4 3 4 16 11 27 2008 3 4 4 4 4 3 2 4 19 9 28 prognoza 3 8 4 4 5 3 2 4 24 9 33 1999 3 1 4 4 4 4 3 4 16 11 27 2008 3 4 4 4 4 4 4 4 19 12 31 prognoza 3 8 4 5 5 4 4 5 25 13 38 1999 4 1 4 4 4 4 3 4 17 11 28 2008 3 4 4 4 5 4 5 5 20 14 34 prognoza 3 8 3 4 5 5 5 5 23 15 38 1999 4 1 5 4 5 2 2 3 19 7 26 2008 3 4 5 4 5 2 4 3 21 9 30 prognoza 3 8 4 4 5 3 4 4 24 11 35 1999 3 1 4 3 4 3 3 4 15 10 25 2008 3 4 4 4 5 2 3 3 20 8 28 prognoza 3 8 4 4 5 3 3 3 24 9 33 1999 3 2 4 5 4 4 6 3 18 13 31 2008 3 4 4 4 5 4 8 4 20 16 36 prognoza 3 7 3 4 5 4 8 4 22 16 38 Źródło: opracowanie własne. W Portugalii wartości indeksu innowacyjności I wahały się od 11 (Região Autónoma da Madeira) do 29 (Lisboa), natomiast wahania punktów ze względu na wartości charakterystyk innowacyjności w roku 1999, 2008 i 2011 kształtowały się w regionach następująco (tab. 5.13): – od 2 do 5 punktów dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie oraz dla udziału pracujących w usługach opartych na wiedzy (jako procenta pracujących w usługach), – 1 i 2 punkty dla udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, 253 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań – – – – – od 2 do 6 punktów dla udziału pracujących w usługach opartych na wiedzy jako procenta siły roboczej, od 0 do 5 dla kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, od 1 do 3 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta pracujących), 1 punkt dla liczby patentów zarejestrowanych w EPO na milion siły roboczej, od 2 do 4 punktów dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta pracujących w przemyśle). Tabela 5.13. Punktacja portugalskich regionów w tablicy wyników innowacyjności Region Norte Algarve Centro Lisboa Alentejo Região Autónoma dos Açores Região Autónoma da Madeira Rok WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 II IO I 1999 2 1 2 3 1 2 1 2 9 5 14 2008 2 2 2 3 1 2 1 2 10 5 15 prognoza 2 2 2 3 1 2 1 2 10 5 15 1999 2 2 3 2 2 2 1 3 11 6 17 2008 2 2 3 1 2 2 1 3 10 6 16 prognoza 3 2 3 2 3 2 1 2 13 5 18 1999 2 2 2 3 1 2 1 2 10 5 15 2008 1 2 2 3 1 2 1 2 9 5 14 prognoza 2 2 2 3 1 2 1 2 10 5 15 1999 4 2 5 4 4 3 1 4 19 8 27 2008 4 2 5 4 4 2 1 3 19 6 25 prognoza 5 2 6 5 5 2 1 3 23 6 29 1999 2 2 2 2 1 1 1 2 9 4 13 2008 2 2 3 3 2 2 1 2 12 5 17 prognoza 2 1 3 4 2 2 1 3 12 6 18 1999 2 1 3 2 1 2 1 3 9 6 15 2008 1 1 2 3 0 2 1 2 7 5 12 prognoza 1 1 3 2 0 2 1 2 7 5 12 1999 1 1 2 2 0 2 1 2 6 5 11 2008 2 1 3 3 2 2 1 2 11 5 16 prognoza 3 1 4 3 3 2 1 2 14 5 19 Źródło: opracowanie własne. W regionach Finlandii wartość indeksu innowacyjności I nie była mniejsza niż 37 (Itä-Suomi), a najwyższy zanotowano w zawierającym stolicę regionie Etelä-Suomi (51 i 52), w pozostałych wynosił od 41 do 49 (tab. 5.14). 254 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.14. Punktacja finlandzkich regionów w tablicy wyników innowacyjności Region Itä-Suomi II IO I 3 30 7 37 2 3 30 7 37 WYKSZ LLL KIS KIS2 HRST HIT 1999 6 5 6 7 6 2 2 2008 6 6 6 7 5 2 Rok EPO HIT2 prognoza 7 6 7 8 5 2 2 3 33 7 40 1999 7 6 7 7 9 4 6 6 36 16 52 2008 8 8 7 7 8 4 4 5 38 13 51 prognoza 9 8 7 8 8 3 4 5 40 12 52 1999 6 5 6 7 7 4 5 5 31 14 45 2008 7 7 6 8 6 5 4 5 34 14 48 prognoza 7 7 6 8 6 5 3 5 34 13 47 Pohjois-Suomi 1999 6 5 6 6 6 4 5 4 29 13 42 2008 7 7 6 8 6 2 2 3 34 7 41 prognoza 8 8 7 9 6 2 2 3 38 7 45 Åland 1999 5 4 9 10 8 4 2 5 36 11 47 2008 5 8 9 10 7 3 1 4 39 8 47 prognoza 6 8 9 10 7 3 1 5 40 9 49 Etelä-Suomi Länsi-Suomi Źródło: opracowanie własne. Wartości charakterystyk innowacyjności w analizowanych momentach pozwoliły przypisać regionom Finlandii punkty, które przedstawiały się następująco: – od 5 do 9 – udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie i kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo, – od 4 do 8 – udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – od 6 do 9 – udział pracujących w usługach opartych na wiedzy jako procent siły roboczej, – od 6 do 10 – udział pracujących w usługach opartych na wiedzy jako udział pracujących w usługach, – od 2 do 5 – udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej), – od 1 do 6 – liczba patentów zarejestrowanych w EPO na milion siły roboczej, – od 3 do 6 – udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle. Najniższe, ale jednocześnie stosunkowo bardzo wysokie wartości indeksu innowacyjności I wynosiły w Szwecji, dla prognoz, 37 (Norra Mellansverige) i 39 (Övre Norrland), a najwyższe to 65 (Stockholm), 57 (Västsverige), 56 (Sydsverige) oraz 55 (Östra Mellansverige) – zob. tab. 5.15. 255 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań Tabela 5.15. Punktacja szwedzkich regionów w tablicy wyników innowacyjności Region Stockholm Östra Mellansverige Småland med öarna Sydsverige Västsverige Norra Mellansverige Rok WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 II IO I 64 1999 9 9 10 8 10 3 7 8 46 18 2008 8 7 10 9 9 2 4 5 43 11 54 prognoza 7 6 10 9 9 1 3 4 41 8 49 1999 7 10 7 8 7 5 4 7 39 16 55 2008 6 7 8 8 7 3 5 5 36 13 49 prognoza 5 6 8 9 6 3 4 5 34 12 46 1999 5 8 7 8 5 5 2 5 33 12 45 2008 5 7 6 8 5 4 2 5 31 11 42 prognoza 5 6 7 8 5 4 2 5 31 11 42 1999 7 10 8 8 7 4 6 6 40 16 56 2008 6 7 8 8 7 3 5 5 36 13 49 prognoza 6 6 8 8 7 3 4 5 35 12 47 1999 7 10 7 8 7 6 4 8 39 18 57 2008 6 8 7 8 7 4 4 6 36 14 50 prognoza 6 6 8 8 6 4 4 6 34 14 48 1999 6 9 8 8 6 4 3 5 37 12 49 2008 4 6 7 8 5 3 2 4 30 9 39 prognoza 4 5 7 8 5 3 2 3 29 8 37 1999 5 10 8 8 5 3 2 5 36 10 46 2008 5 7 8 8 6 2 1 4 34 7 41 prognoza 5 5 8 9 6 2 1 3 33 6 39 Övre Norrland 1999 7 10 9 9 6 3 3 5 41 11 52 2008 5 7 8 9 6 2 1 4 35 7 42 prognoza 5 5 8 9 6 2 1 3 33 6 39 Mellersta Norrland Źródło: opracowanie własne. Wahania punktacji szwedzkich regionów ze względu na wartości charakterystyk innowacyjności w tablicy wynosiły: – od 4 do 9 punktów dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, – od 5 do 10 dla udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie i kapitał ludzki w nauce i technologii jako odsetka aktywnych zawodowo, – od 6 do 10 dla udziału pracujących w usługach opartych na wiedzy jako procenta siły roboczej, – 8 i 9 dla udziału pracujących w usługach opartych na wiedzy jako odsetka pracujących w usługach, – od 1 do 6 dla pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta siły roboczej), 256 5. Tablice wyników innowacyjności regionów – podejście amerykańskie od 1 do 7 dla liczby patentów zarejestrowanych w EPO na milion siły roboczej, od 3 do 8 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta pracujących w przemyśle). W Wielkiej Brytanii wydzielono 37 regionów szczebla NUTS 2, dzieląc stolicę Londyn na dwie części – Outer London i Inner London, w którym odnotowano indeks innowacyjności I powyżej 50, podobnie jak w sześciu innych regionach: Cheshire; Bedfordshire i Hertfordshire; Berkshire, Bucks and Oxfordshire; Surrey, East and West Sussex; Hampshire and Isle of Wight; a także Gloucestershire, Wiltshire and Bristol/Bath area. Najniższy (27) zanotowano w regionie Lincolnshire (na podstawie prognozowanych wartości charakterystyk innowacyjności dla 2011 r.) – zob. tab. 5.16. – – Tabela 5.16. Punktacja brytyjskich regionów w tablicy wyników innowacyjności Region 1 Tees Valley and Durham Rok Cheshire Greater Manchester Lancashire Merseyside East Yorkshire and Northern Lincolnshire LLL KIS KIS2 HRST HIT EPO HIT2 II IO I 2 3 4 5 6 7 8 9 10 11 12 13 1999 5 7 5 5 5 5 1 6 27 12 39 2008 5 6 6 6 4 3 2 4 27 9 36 prognoza 5 5 7 7 5 2 2 3 29 7 36 5 7 6 6 5 4 2 6 29 12 41 5 6 7 7 4 3 1 4 29 8 37 prognoza 6 6 7 7 5 2 1 4 31 7 38 Northumberland, 1999 Tyne and Wear 2008 Cumbria WYKSZ 1999 5 7 4 5 4 4 2 4 25 10 35 2008 5 5 5 5 4 3 1 3 24 7 31 prognoza 6 5 5 6 5 2 1 3 27 6 33 1999 8 7 6 6 7 6 3 7 34 16 50 2008 7 6 7 7 6 4 2 6 33 12 45 prognoza 7 5 7 7 6 4 2 6 32 12 44 1999 6 7 6 6 5 4 1 6 30 11 41 2008 5 6 6 6 5 2 1 3 28 6 34 prognoza 6 5 7 7 6 2 1 3 31 6 37 1999 5 7 5 5 5 5 1 5 27 11 38 2008 5 6 6 6 5 3 1 4 28 8 36 prognoza 6 5 7 7 5 3 1 4 30 8 38 1999 6 6 7 6 5 3 2 5 30 10 40 2008 6 6 7 6 5 3 1 5 30 9 39 prognoza 5 5 7 7 5 3 1 4 29 8 37 1999 5 8 5 5 4 3 1 4 27 8 35 2008 5 6 6 6 4 4 1 5 27 10 37 prognoza 5 4 6 7 4 3 1 3 26 7 33 257 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań 1 North Yorkshire South Yorkshire West Yorkshire Derbyshire and Nottinghamshire 2 3 4 5 6 8 9 10 11 12 13 1999 6 8 6 6 7 5 3 3 4 31 10 41 2008 7 6 7 7 6 2 1 5 33 8 41 prognoza 7 5 7 7 7 2 1 4 33 7 40 1999 5 7 6 6 4 3 1 3 28 7 35 2008 5 6 6 6 5 2 1 3 28 6 34 prognoza 5 5 7 7 5 2 1 2 29 5 34 1999 6 8 7 7 5 3 2 4 33 9 42 2008 5 5 6 6 5 3 1 4 27 8 35 prognoza 5 5 7 7 5 2 1 3 29 6 35 1999 6 7 6 6 5 5 2 6 30 13 43 2008 5 6 6 6 5 3 2 5 28 10 38 prognoza 6 6 6 6 5 3 2 4 29 9 38 Leicestershire, Rutland and Northants 1999 5 8 6 6 5 4 2 5 30 11 41 2008 5 6 6 7 5 3 1 4 29 8 37 prognoza 6 6 7 7 6 3 1 5 32 9 41 Lincolnshire 1999 5 6 5 4 4 4 1 5 24 10 34 2008 4 6 4 4 3 2 1 3 21 6 27 prognoza 5 5 5 5 4 2 1 3 24 6 30 1999 6 8 6 6 6 6 3 8 32 17 49 2008 6 6 6 7 6 4 2 5 31 11 42 prognoza 6 5 6 7 6 4 1 5 30 10 40 5 7 5 5 5 6 1 6 27 13 40 5 6 6 6 5 3 1 4 28 8 36 prognoza 6 5 7 8 5 3 1 4 31 8 39 1999 5 7 6 7 5 7 2 7 30 16 46 2008 5 6 7 7 4 3 1 4 29 8 37 Herefordshire, Worcestershire and Warks Shropshire 1999 and Staffordshire 2008 West Midlands East Anglia prognoza 6 5 7 7 5 2 1 4 30 7 37 1999 6 7 6 6 5 4 4 5 30 13 43 2008 5 6 6 6 5 3 3 4 28 10 38 40 prognoza 6 6 7 7 5 3 2 4 31 9 Bedfordshire, Hertfordshire 1999 7 8 7 7 6 5 3 7 35 15 50 2008 6 6 7 7 6 4 2 6 32 12 44 prognoza 7 5 7 8 7 3 2 5 34 10 44 Essex 1999 5 7 7 7 5 4 3 6 31 13 44 2008 4 6 7 8 5 2 2 4 30 8 38 prognoza 5 5 7 7 5 2 1 3 29 6 35 1999 10 9 10 9 9 1 4 2 47 7 54 2008 10 8 10 9 10 1 3 2 47 6 53 prognoza 10 7 10 9 10 1 3 2 46 6 52 Inner London 258 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.16, cd. 1 Outer London 2 3 4 5 6 7 8 9 10 11 12 13 1999 7 8 9 7 7 2 2 5 38 9 47 2008 8 6 8 7 8 1 2 3 37 6 43 prognoza 8 6 8 8 8 1 2 2 38 5 43 8 8 8 7 7 5 4 8 38 17 55 Berkshire, Bucks 1999 and Oxfordshire 2008 7 7 8 8 7 3 3 6 37 12 49 prognoza 7 6 8 8 7 3 2 5 36 10 46 1999 8 9 8 7 7 3 2 6 39 11 50 2008 7 7 8 8 7 2 3 4 37 9 46 prognoza 8 6 9 8 7 2 3 4 38 9 47 7 9 7 6 6 6 3 9 35 18 53 6 7 6 6 6 4 2 6 31 12 43 prognoza 6 6 6 6 6 3 2 6 30 11 41 1999 5 8 7 7 5 4 2 5 32 11 43 2008 5 6 7 7 5 2 1 4 30 7 37 prognoza 6 5 7 7 6 2 1 3 31 6 37 Gloucestershire, 1999 Wiltshire and 2008 Bristol/Bath area prognoza 7 8 7 6 6 5 4 7 34 16 50 6 7 7 7 6 3 2 4 33 9 42 7 6 8 8 7 3 1 4 36 8 44 Dorset and Somerset 1999 6 9 7 6 6 4 2 6 34 12 46 2008 5 7 7 7 5 3 1 5 31 9 40 prognoza 6 5 7 7 6 3 1 4 31 8 39 Cornwall and Isles of Scilly 1999 5 7 6 6 5 4 1 5 29 10 39 2008 5 6 6 6 4 3 1 5 27 9 36 prognoza 6 5 6 6 5 2 1 4 28 7 35 Devon 1999 6 8 6 6 5 4 1 6 31 11 42 2008 6 7 7 6 5 3 1 4 31 8 39 prognoza 6 5 7 6 5 2 1 3 29 6 35 1999 6 6 6 6 5 5 1 6 29 12 41 2008 5 6 6 6 4 2 1 4 27 7 34 prognoza 5 5 6 6 4 2 1 4 26 7 33 1999 7 7 7 6 6 5 2 6 33 13 46 2008 7 7 7 7 6 3 1 4 34 8 42 prognoza 7 6 7 7 6 2 1 3 33 6 39 1999 7 8 7 6 6 3 2 5 34 10 44 2008 8 7 8 8 7 2 2 3 38 7 45 prognoza 8 6 8 8 7 2 2 3 37 7 44 1999 7 7 7 6 6 4 1 6 33 11 44 2008 7 6 7 7 6 2 1 4 33 7 40 prognoza 8 6 8 7 6 2 1 3 35 6 41 Surrey, East and West Sussex Hampshire 1999 and Isle of Wight 2008 Kent West Wales and The Valleys East Wales Eastern Scotland South Western Scotland 259 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań 1 North Eastern Scotland Highlands and Islands Northern Ireland 2 3 4 5 6 7 8 9 10 11 12 13 1999 7 7 6 7 6 2 1 4 33 7 40 2008 7 7 5 7 7 2 1 4 33 7 40 prognoza 8 6 5 6 8 2 1 4 33 7 40 1999 6 7 6 5 6 3 1 4 30 8 38 2008 7 7 6 6 6 2 1 4 32 7 39 prognoza 7 6 7 7 6 2 1 3 33 6 39 1999 6 5 6 6 5 3 1 4 28 8 36 2008 6 4 6 5 5 2 1 3 26 6 32 prognoza 7 3 6 5 5 2 1 3 26 6 32 Źródło: opracowanie własne. Punkty dla brytyjskich regionów pod względem wartości charakterystyk innowacyjności w tablicy to: – od 4 do 10 dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie i udziału pracujących w usługach opartych na wiedzy jako procent siły roboczej, – od 3 do 9 dla udziały ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – od 4 do 9 dla pracujących w usługach opartych na wiedzy jako udziału pracujących w usługach, – od 3 do 10 dla kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, – od 1 do 7 dla pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenat siły roboczej), – od 1 do 4 dla liczby patentów zarejestrowanych w EPO na milion siły roboczej, – od 2 do 9 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta pracujących w przemyśle). Wśród sześciu regionów szczebla NUTS 2 wydzielonych w Bułgarii wartość indeksu innowacyjności I w tablicy waha się w 1999 r. od 24 (Yugoiztochen i Yuzhen tsentralen) do 30 (zawierający stalicę Yugozapaden), w 2008 r. od 16 (Yuzhen tsentralen) do 26 (Yugozapaden), a według otrzymanych prognoz od 13 (Yuzhen tsentralen) do 26 dla Yugozapaden (tab. 5.3). W 2008 r., w porównaniu z 1999 r., dla wszystkich bułgarskich regionów odnotowano obniżenie wartości indeksów, a według wartości prognoz dla dwóch regionów obserwuje się stabilizację indeksu (Yugoiztochen i Yugozapaden), podczas gdy dla pozostałych dalsze spadki (tab. 5.17). Pod względem wartości charakterystyk innowacyjności skrajne liczby punktów dla regionów Bułgarii w analizowanych momentach wyglądały następująco: – od 3 do 8 – udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, 260 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.17. Punktacja bułgarskich regionów w tablicy wyników innowacyjności Region Severozapaden Severen tsentralen Severoiztochen Yugoiztochen Yugozapaden Yuzhen tsentralen Rok WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 II IO I 1999 6 1 4 4 4 2 1 3 19 6 25 2008 3 0 3 4 3 3 1 3 13 7 20 prognoza 3 0 2 3 3 2 1 2 11 5 16 1999 6 1 3 4 5 4 1 4 19 9 28 2008 4 1 2 3 3 4 1 4 13 9 22 prognoza 4 1 2 3 3 3 1 3 13 7 20 1999 6 1 3 4 4 3 1 3 18 7 25 2008 4 1 3 3 3 3 1 3 14 7 21 18 prognoza 4 1 2 2 3 3 1 2 12 6 1999 5 1 3 3 4 3 1 4 16 8 24 2008 3 1 2 3 3 3 1 3 12 7 19 prognoza 3 1 2 2 3 4 1 3 11 8 19 1999 8 1 4 4 7 2 1 3 24 6 30 2008 6 1 4 4 6 2 1 2 21 5 26 prognoza 6 1 4 4 6 2 1 2 21 5 26 1999 5 1 3 4 4 3 1 3 17 7 24 2008 3 1 2 2 2 3 1 2 10 6 16 prognoza 3 1 1 1 2 2 1 2 8 5 13 Źródło: opracowanie własne. od 0 do 1 – udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – od 1 do 4 – udział pracujących w usługach opartych na wiedzy jako procent siły roboczej i udział pracujących w usługach opartych na wiedzy jako procent pracujących w usługach, – od 2 do 7 – kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo, –– –od 2 do 4 – udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej) i udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent pracujących w przemyśle), – niezmiennie 1 punkt – liczba patentów zarejestrowanych w EPO na milion siły roboczej. W Czechach wśród 8 regionów najwyższą wartość indeksu innowacyjności I w każdym z analizowanych okresów odnotowano dla regionu Praha (odpowiednio 39, 41 i 39), a najniższą dla regionu Severozápad (21, 21 i 23). Dla 6 regionów w 2008 r. odnotowano wzrost wartości indeksów, w porównaniu z 1999 r., a dla 2 ustabilizowanie wartości (Severozápad i Jihovýchod). Natomiast według wartości prognoz dla 2 regionów obserwuje się stabilizację indeksu (Střední Čechy i Jiho– 261 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań západ), podczas gdy dla trzech spadki (Praha, Jihovýchod i Střední Morava), a dla trzech wzrosty (Severozápad, Severovýchod i Moravskoslezsko) – zob. tab. 5.18. Tabela 5.18. Punktacja czeskich regionów w tablicy wyników innowacyjności Region Praha Střední Čechy Jihozápad Severozápad Severovýchod Jihovýchod Střední Morava Moravskoslezsko II IO I 5 9 3 1 4 31 8 39 7 7 10 2 1 4 34 7 41 8 7 10 2 1 3 33 6 39 2 3 4 4 6 1 5 15 12 27 2 2 3 4 5 7 1 6 16 14 30 2 2 3 4 5 7 1 6 16 14 30 1999 3 2 3 4 5 5 1 4 17 10 27 2008 2 3 3 4 5 7 1 6 17 14 31 prognoza 2 2 3 4 5 8 1 6 16 15 31 WYKSZ LLL 1999 6 5 6 2008 6 4 prognoza 5 3 1999 2 2008 prognoza Rok KIS KIS2 HRST HIT EPO HIT2 1999 2 2 3 3 4 3 1 3 14 7 21 2008 0 2 3 3 3 5 1 4 11 10 21 prognoza 0 2 3 4 3 5 1 5 12 11 23 1999 2 2 3 3 4 6 1 5 14 12 26 2008 1 2 3 5 4 8 1 6 15 15 30 prognoza 2 2 3 5 5 8 1 6 17 15 32 1999 3 3 4 5 5 5 1 4 20 10 30 2008 2 3 3 5 5 6 1 5 18 12 30 prognoza 2 2 3 5 5 6 1 5 17 12 29 1999 2 2 3 4 4 6 1 5 15 12 27 2008 2 3 3 4 4 6 1 5 16 12 28 prognoza 2 2 2 4 4 6 1 5 14 12 26 1999 3 2 3 4 4 3 1 3 16 7 23 2008 2 2 3 5 4 5 1 4 16 10 26 prognoza 2 2 3 6 4 5 1 4 17 10 27 Źródło: opracowanie własne. Skrajne liczby punktów ze względu na wartości charakterystyk innowacyjności w czeskich regionach to: – od 0 do 6 dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, – od 2 do 5 dla udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – od 2 do 8 dla pracujących w usługach opartych na wiedzy jako procenta siły roboczej i pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta siły roboczej), 262 5. Tablice wyników innowacyjności regionów – podejście amerykańskie od 3 do 7 dla pracujących w usługach opartych na wiedzy jako procenta pracujących w usługach, – od 3 do 10 dla kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, – od 3 do 6 dla pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta pracujących w przemyśle), – 1 punkt dla liczby patentów zarejestrowanych w EPO na milion siły roboczej. Wśród krajów unijnych są takie jak Estonia, Malta, Litwa, Łotwa, Cypr i Luksemburg, w których poziomy NUTS 0, NUTS 1 i NUTS 2 są tożsame. W Estonii indeks innowacyjności wahał się od 33 w 1999 r. do 30 w 2008 r. i według prognoz w 2011 r. Na Cyprze ustalony na podstawie wartości charakterystyk innowacyjności indeks wahał się od 23 w 1999 r. do 26 w 2008 r. i 29 na podstawie prognoz w 2011 r., podczas gdy na Łotwie w każdym momencie analizy wynosił 24. Indeks innowacyjności na Litwie zmniejsza się od 32 w 1999 r. przez 27 w 2008 r. po 21 z uwzględnieniem prognoz dla 2011 r. Dla Malty wartość indeksu innowacyjności wynosiła odpowiednio: 28, 27 i 26. Punktacja dla tych krajów w tablicy innowacyjności ze względu na wartości charakterystyk innowacyjności w trzech analizowanych momentach była następująca (tab. 5.19): – udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie: Estonia od 6 do 8 punktów, Malta od 2 do 4, Litwa od 4 do 7, Łotwa 4 i 5, Cypr 6 i 7, – udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie: Estonia i Łotwa 2 i 3 punkty, Malta i Litwa każdorazowo 2, Cypr od 1 do 4, – pracujący w usługach opartych na wiedzy jako procent siły roboczej: Estonia 4 i 5 punktów, Malta 5 punktów, Litwa i Łotwa 3 i 4, Cypr każdorazowo 4, – pracujący w usługach opartych na wiedzy jako procent pracujących w usługach: Estonia 5 punktów, Malta oraz Litwa 4 i 5, Łotwa w każdym momencie 4, Cypr 3 i 4, – kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo: Estonia 6 i 7 punktów, Malta 4, Litwa od 5 do 8, Łotwa od 5 do 7 a Cypr 6 i 7, – pracujący w przemyśle wysoko i średnio zawansowanym technologicznie jako procent siły roboczej: Estonia 2 i 3 punkty, Malta 3 i 4, Litwa 2, Łotwa i Cypr jeden punkt, – patenty zarejestrowane w EPO na milion siły roboczej zawsze 1 punkt, – pracujący w przemyśle wysoko i średnio zawansowanym technologicznie jako procent pracujących w przemyśle: Estonia 2, Malta 5, 4 i 3, Litwa 1 i 3, Łotwa oraz Cypr 0 i 1. W dwóch regionach węgierskich (zawierającym stolicę Közép-Magyarország i Közép-Dunántúl) odnotowano wartości indeksu innowacyjności I wyższe niż 30, – 263 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań Tabela 5.19. Punktacja krajów z jednym regionem NUTS 2 w tablicy wyników innowacyjności Region Estonia Cypr Łotwa Litwa Malta WYKSZ Rok LLL KIS KIS2 HRST HIT EPO II HIT2 IO I 1999 8 3 5 5 7 2 1 2 28 5 33 2008 6 3 4 5 6 3 1 2 24 6 30 prognoza 7 2 4 5 7 2 1 2 25 5 30 1999 6 1 4 3 6 1 1 1 20 3 23 2008 7 3 4 4 6 1 1 0 24 2 26 prognoza 7 4 4 4 7 1 1 1 26 3 29 1999 5 3 4 4 5 1 1 1 21 3 24 2008 5 2 4 4 6 1 1 1 21 3 24 24 prognoza 4 2 3 4 6 2 1 2 19 5 1999 7 2 4 5 8 2 1 3 26 6 32 2008 6 2 4 4 6 2 1 2 22 5 27 prognoza 4 2 3 4 5 1 1 1 18 3 21 1999 2 2 5 5 4 4 1 5 18 10 28 2008 3 2 5 5 4 3 1 4 19 8 27 prognoza 4 2 5 4 4 3 1 3 19 7 26 Źródło: opracowanie własne. najniższa zaś wartość indeksu (20 w pierwszym momencie analizy) charakteryzowała region Dél-Alföld – zob. tab. 5.20. Tabela 5.20. Punktacja węgierskich regionów w tablicy wyników innowacyjności II IO I 10 11 12 13 1 5 26 10 36 3 1 5 27 9 36 7 3 1 4 27 8 35 4 7 1 7 17 15 32 4 3 8 1 7 14 16 30 2 4 3 7 1 6 12 14 26 1 3 4 4 6 1 6 16 13 29 2 1 2 3 3 7 1 6 11 14 25 prognoza 2 1 2 3 3 7 1 6 11 14 25 1999 3 1 3 4 4 3 1 3 15 7 22 2008 3 1 4 4 3 4 1 4 15 9 24 prognoza 3 1 4 5 3 4 1 5 16 10 26 Region Rok WYKSZ LLL 1 2 3 4 5 6 7 8 9 Közép1999 -Magyarország 2008 6 2 6 5 7 4 6 2 6 6 7 prognoza 6 2 6 6 1999 4 2 3 4 2008 3 1 3 prognoza 2 1 1999 4 2008 Közép-Dunántúl Nyugat-Dunántúl Dél-Dunántúl KIS KIS2 HRST HIT EPO HIT2 264 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.20, cd. 1 Észak-Magyarország Észak-Alföld Dél-Alföld 2 3 4 5 6 7 8 9 10 11 12 13 1999 4 1 4 5 4 5 1 5 18 11 29 2008 3 1 3 4 3 6 1 5 14 12 26 prognoza 3 1 3 4 3 6 1 6 14 13 27 1999 4 1 4 4 4 4 1 4 17 9 26 2008 3 1 4 4 3 4 1 4 15 9 24 prognoza 3 1 3 4 4 4 1 4 15 9 24 1999 3 1 3 3 3 3 1 3 13 7 20 2008 3 1 3 4 4 3 1 3 15 7 22 prognoza 4 1 4 5 4 3 1 3 18 7 25 Źródło: opracowanie własne Punktacja węgierskich regionów szczebla NUTS 2 ze względu na wartości charakterystyk innowacyjności w tablicy przedstawia się następująco: – do 2 do 6 punktów – udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie i udział pracujących w usługach opartych na wiedzy jako procent siły roboczej, – od 1 do 2 punktów – udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, – od 3 do 6 punktów – udział pracujących w usługach opartych na wiedzy w liczbie pracujących w usługach, – od 3 do 7 punktów – kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo oraz pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent pracujących w przemyśle), – od 3 do 8 punktów – udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej), – tylko 1 punkt pod względem liczby patentów zarejestrowanych w EPO na milion siły roboczej. W Rumunii wartość indeksu innowacyjności I przekroczyła 20 jedynie dla 3 regionów (Centru, Vest i zawierającego stolicę Bucureşti-Ilfov), natomiast ze względu na wartości charakterystyk innowacyjności punktacja rumuńskich regionów wahała się (tab. 5.21): – od 1 do 7 dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo oraz udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej), – dla udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie był to tylko 1 punkt, 265 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań od 0 do 5 dla pracujących w usługach opartych na wiedzy jako procent siły roboczej, od 1 do 5 dla udziału pracujących w usługach opartych na wiedzy jako udziału pracujących w usługach, od 0 do 1 dla patentów zarejestrowanych w EPO na milion siły roboczej, od 1 do 8 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent pracujących w przemyśle). – – – – Tabela 5.21. Punktacja rumuńskich regionów w tablicy wyników innowacyjności Region Nord-Vest Centru Nord-Est Sud-Est Sud-Muntenia Bucureşti-Ilfov Sud-Vest Oltenia Vest WYKSZ LLL HIT EPO HIT2 IO I 1999 2 1 2 4 2 2 1 2 11 5 16 2008 2 1 1 3 2 2 1 2 9 5 14 prognoza 2 1 1 2 2 2 1 2 8 5 13 1999 2 1 1 3 2 6 1 6 9 13 22 2008 2 1 1 2 2 4 1 3 8 8 16 prognoza 2 1 1 2 3 3 1 2 9 6 15 1999 2 1 1 4 1 2 1 4 9 7 16 2008 2 1 1 3 1 1 1 2 8 4 12 prognoza 2 1 0 3 2 1 1 1 8 3 11 1999 2 1 2 5 2 2 1 3 12 6 18 2008 1 1 1 2 2 2 1 2 7 5 12 Rok KIS KIS2 HRST II prognoza 1 1 1 1 2 2 1 2 6 5 11 1999 2 1 0 2 1 4 1 7 6 12 18 2008 1 1 1 3 1 4 1 4 7 9 16 prognoza 1 1 1 4 1 4 1 3 8 8 16 1999 5 1 3 3 5 5 1 5 17 11 28 2008 6 1 4 4 6 2 1 2 21 5 26 prognoza 7 1 5 4 7 1 1 2 24 4 28 1999 2 1 1 4 1 3 0 6 9 9 18 2008 2 1 0 3 2 3 1 5 8 9 17 prognoza 2 1 1 2 2 3 1 4 8 8 16 1999 3 1 1 3 2 2 1 3 10 6 16 2008 2 1 1 3 2 7 1 6 9 14 23 prognoza 2 1 1 2 2 7 1 8 8 16 24 Źródło: opracowanie własne. Dla zawierającego stolicę słoweńskiego regionu Zahodna Slovenija uzyskano indeks innowacyjności 34 w 1999 r., 38 w 2008 r. i 40 na podstawie prognoz dla 2011 r., a dla regionu Vzhodna Slovenija indeks innowacyjności wynosił 27 w 1999 r., 29 w 2008 r. i 33 z uwzględnieniem wartości prognozowanych charakterystyk innowacyjności dla 2011 r. (tab. 5.22). 266 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Punktacje regionów ze względu na wartości charakterystyk innowacyjności w regionach Słowenii wynosiły: – od 3 do 6 dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, – od 2 do 5 dla udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie – zawsze 3 dla regionu Vzhodna Slovenija i zawsze 5 w regionie Zahodna Slovenija dla udziału pracujących w usługach opartych na wiedzy jako procenta siły roboczej, – zawsze 5 dla regionu Vzhodna Slovenija i 5 oraz 6 w regionie Zahodna Slovenija dla udziału pracujących w usługach opartych na wiedzy jako procenta pracujących w usługach, – od 4 do 7 dla kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, – 5 dla regionu Vzhodna Slovenija i 4 w regionie Zahodna Slovenija dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta siły roboczej), – od 1 do 2 dla liczby patentów zarejestrowanych w EPO na milion siły roboczej, – 4 i 5 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta pracujących w przemyśle). Tabela 5.22. Punktacja słoweńskich regionów w tablicy wyników innowacyjności Region Vzhodna Slovenija Zahodna Slovenija WYKSZ LLL HIT EPO HIT2 II IO I 1999 3 2 3 5 4 5 1 4 17 10 27 2008 3 4 3 5 4 5 1 4 19 10 29 prognoza 4 4 3 5 5 5 2 5 21 12 33 1999 5 4 5 5 6 4 1 4 25 9 34 2008 5 5 5 6 7 4 1 5 28 10 38 prognoza 6 5 5 6 7 4 2 5 29 11 40 Rok KIS KIS2 HRST Źródło: opracowanie własne. Dynamiczne wzrosty indeksu innowacyjności odnotowano w zawierającym stolicę regionie Bratislavský kraj (34, 37 do 40) oraz w regionie Západné Slovensko (od 21 poprzez 28 do 32). W dwóch następnych regionach Słowacji, dla dwóch pierwszych momentów analizy obserwowano stabilizację indeksu, po 24 w regionie Stredné Slovensko i 22 w regionie Východné Slovensko (tab. 5.23). Pod względem wartości charakterystyk innowacyjności w analizowanych momentach punktacja regionów Słowacji wyglądała następująco: – od 2 do 6 dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, – od 0 do 4 dla udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, 267 5.2. Tablice wyników w zakresie innowacyjności – wyniki badań Tabela 5.23. Punktacja słowackich regionów w tablicy wyników innowacyjności Region II IO I 3 28 6 34 5 28 9 37 1 6 29 11 40 4 1 4 12 9 21 7 1 6 14 14 28 4 9 1 7 15 17 32 5 4 3 1 3 17 7 24 4 4 5 1 4 14 10 24 3 4 4 5 1 4 16 10 26 4 4 3 4 1 4 13 9 22 1 3 4 3 4 1 4 13 9 22 1 3 4 3 5 1 4 14 10 24 WYKSZ LLL 1999 6 1 7 2008 5 3 6 prognoza 5 4 1999 2 2008 2 prognoza Stredné Slovensko Východné Slovensko Bratislavský kraj Západné Slovensko HRST HIT 6 8 2 1 6 8 3 1 6 6 8 4 1 3 3 3 1 3 4 4 2 2 3 4 1999 3 1 4 2008 2 1 3 prognoza 3 2 1999 2 0 2008 2 prognoza 3 Rok KIS KIS2 EPO HIT2 Źródło: opracowanie własne. od 3 do 7 dla udziału pracujących w usługach opartych na wiedzy jako procenta siły roboczej oraz dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta pracujących w przemyśle), – od 4 do 6 dla udziału pracujących w usługach opartych na wiedzy jako procenta pracujących w usługach, – od 3 do 8 dla kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, – od 2 do 9 dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących, – niezmiennie jeden punkt dla liczby patentów zarejestrowanych w EPO na milion siły roboczej. Zróżnicowanie punktacji, jakie odnotowano dla regionów UE 15, UE 12 oraz stołecznych i zawierających stolice ze względu na wartości poszczególnych charakterystyk innowacyjności w analizowanych latach przedstawiono w tab. 5.24. W UE są takie kraje, w regionach których najniższa wartość indeksu innowacyjności I jest i tak wyższa od najwyższej w regionach innych krajów. Jako przykład można podać Bułgarię, w której regionach nie odnotowano indeksu wyższego niż 30, i Danię, gdzie indeks innowacyjności I był w każdym z badanych momentów dla wszystkich regionów wyższy niż 40, a także Belgię, gdzie najniższe wartości indeksu były wyższe niż 32, i Grecję, w której regionach poziom indeksu nie przekroczył 29. Przykładów takich dysproporcji jest znacznie więcej. Wahania indeksu innowacyjności I w regionach UE 15 wynosiły w 1999 r. od 11 (Região Autónoma da Madeira) do 64 (Stockholm), w 2008 r. od 10 (greckie Ionia Nisia i Notio Aigaio) do 57 (Oberbayern), a według prognoz od 10 (Ionia Nisia i Notio Aigaio) do 58 (duńskie Hovedstaden), natomiast w regionach UE 12 indeks – 268 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.24. Zróżnicowanie punktacji w grupach regionów Charakterystyka I WYKSZ LLL KIS HRST KIS 2 HIT EPO HIT 2 Rok UE 15 UE 12 UE 15 S UE 12 S min max min max min max min max 1999 11 64 16 39 24 64 23 39 2008 10 57 12 41 25 55 24 41 2011 10 58 11 35 29 58 21 41 1999 0 10 2 8 1 10 2 8 2008 1 10 0 7 4 10 3 7 2011 1 10 0 6 5 10 4 7 1999 1 10 0 5 1 10 1 5 2008 1 10 0 5 1 10 1 5 2011 1 10 0 6 2 10 1 6 1999 2 10 0 7 5 10 3 7 2008 2 10 0 7 5 10 4 7 2011 2 10 0 4 5 10 3 8 1999 0 10 1 9 4 10 4 9 2008 0 10 1 10 4 10 4 10 2011 0 10 1 5 5 10 4 10 1999 0 10 2 6 4 9 3 6 2008 0 10 2 7 4 9 4 7 2011 0 10 1 7 1 7 4 7 1999 0 10 1 7 1 4 1 5 2008 0 10 1 8 1 4 1 4 2011 0 10 1 9 1 3 1 4 1999 1 10 0 1 1 7 1 1 2008 0 10 1 1 1 5 1 1 2011 0 10 1 2 1 6 1 2 1999 0 10 1 7 2 8 1 5 2008 1 10 0 7 1 6 0 5 2011 0 10 1 8 1 7 1 6 Źródło: opracowanie własne. innowacyjności wynosił w 1999 r. od 16 (rumuńskie regiony Nord-Vest, Nord-Est i Vest) do 39 (Praha), w 2008 r. od 12 (Nord-Est i Sud-Est) do 41 (Praha), a w 2011 r. na podstawie prognoz od 11 (Nord-Est i Sud-Est) do 35 (Vzhodna Slovenija). W regionach stołecznych UE 15 indeks innowacyjności I przybierał w 1999 r. wartości od 24 (Lazio) do 64 (Stockholm), w 2008 r. od 25 (Lisboa) do 55 (Hovedstaden), w 2011 r. zaś według prognoz od 29 (Attiki i Lisboa) do 58 (Hovedstaden). 5.3. Miejsce polskich regionów w innowacyjnej przestrzeni UE 269 Regiony stołeczne UE 12 charakteryzowała w 1999 r. rozpiętość indeksu innowacyjności I od 23 (Cypr) do 39 (Praha), w 2008 r. od 24 (Łotwa) do 41 (Praha), a na podstawie prognoz od 21 (Litwa) do 41 (Zahodna Slovenija). Na przewagę obszarów metropolitalnych składa się wiele czynników o charakterze egzogenicznym i endogenicznym. Są one źródłem różnorodności gospodarczej, społecznej i kulturowej w postaci rozwoju zróżnicowanej działalności usługowej i produkcyjnej, funkcjonowania licznych podmiotów gospodarczych różnej wielkości, obecności ośrodków podejmowania decyzji, bogactwa kultury, edukacji i nauki, działania różnego typu organizacji, stowarzyszeń i instytucji oraz zamieszkania ludzi o odmiennych aspiracjach i pochodzeniu. Ta wyjątkowa różnorodność i związane z nią bogactwo powiązań w różnych skalach geograficznych leżą u podstaw kumulacyjnych efektów aglomeracji, stanowiąc trzon samonapędzającego wzrostu gospodarczego obszarów metropolitalnych, zdolności kreowania i akumulacji wiedzy oraz elastyczności w dostosowywaniu się do zmieniających się warunków w dobie globalizacji [Korenik, Szołek (red.) 2004; Markowski, Marszał 2006, 2007; Domański 2007]. Obszary metropolitalne są głównymi beneficjentami szybkiego rozwoju gospodarczego i, jak widać, wzrastającego znaczenia innowacyjności. 5.3. Miejsce polskich regionów w innowacyjnej przestrzeni Unii Europejskiej Polska przestrzeń podzielona jest na 6 makroregionów szczebla NUTS 1 i 16 regionów szczebla NUTS 2. Najniższą wartość wskaźnika I wynikającą z przyporządkowania w tablicy innowacyjności odnotowano w 1999 r. dla regionów świętokrzyskiego i podlaskiego (19), a w 2008 r. dla regionu warmińsko-mazurskiego (20), najwyższą zaś w 1999 r. w regionach mazowieckim i dolnośląskim (28). Region mazowiecki utrzymał pozycję lidera również w 2008 r., uzyskując 31 punktów oraz 33 dla wartości prognozowanych w 2011 r. Regionem o najsłabszych osiągach w 2011 r. okazał się warmińsko-mazurski (19 punktów). W regionie łódzkim obserwowane jest powolne zwiększanie potencjału innowacyjnego. Odnotowano indeks innowacyjności na poziomie 20 w 1999 r., 22 w 2008 r. oraz 24 na podstawie prognoz w 2011 r., a wzrost indeksu jest wypadkową poprawy punktacji w zakresie charakterystyk input. Natomiast wartości charakterystyk output w każdym z trzech analizowanych momentów dawały odpowiednio w kolejności 2, 1 i 2 punkty (tab. 5.25). Poprawę punktacji o jeden w każdym kolejnym momencie obserwuje się dla dwóch charakterystyk, tj.: udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie oraz pracujących w usługach opartych na wiedzy jako udziału pracujących w usługach – uzyskane dla tej charakterystyki 6 punktów, to najwięcej z odnotowanych dla łódzkiego. Stabilizacja punktacji cechuje region ze 270 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.25. Tablica wyników innowacyjności regionu łódzkiego 1999 10 WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 12,1 4,1 20,2 40,0 20,8 3,9 4,4 12,5 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 32,8●■ 49,1●■ 32,2●■ 10,5 620,9 28,9 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 3 2 3 4 3 2 1 2 Punktacja INDEKS: 20 2008 INPUT: 15 OUTPUT: 5 WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 24,3 3,1 23,9 46,8 30,4 4,3 3,7 13,8 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 35,9●■ 49,4●■ 38,0●■ 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 4 1 3 5 4 2 1 2 Punktacja INDEKS: 22▲ INPUT: 17▲ OUTPUT: 5 Prognoza – 2011 r. Punktacja 5 INDEKS: 24▲ Źródło: opracowanie własne. 1 3 INPUT: 19▲ 6 4 2 1 OUTPUT: 5 2 5.3. Miejsce polskich regionów w innowacyjnej przestrzeni UE 271 względu na udział pracujących w usługach opartych na wiedzy w ogóle siły roboczej, spadek na pozycję pierwszą ze względu na udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym, a poprawa ze względu na kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo (tab. 5.25). Region mazowiecki cechuje wzrost indeksu innowacyjności z 28 w 1999 r., poprzez 31 w 2008 r. do 33 według prognoz w 2011 r., a poprawa wartości indeksu wynika z poprawy punktacji w zakresie charakterystyk input, gdyż dla charakterystyk output otrzymano identyczną punktację w każdym z badanych momentów (tj. 2 punkty dla charakterystyki HIT 2, dla EPO 1 punkt, a 3 punkty dla HIT2). Ustabilizowanie punktacji zanotowano także dla charakterystyki KIS (5 punktów). Najwięcej punktów w tablicy innowacyjności obserwuje się dla mazowieckiego ze względu na kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo oraz udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie (7 punktów w 2011 r.). Wartości obu charakterystyk powodowały poprawę punktacji mazowieckiego w każdym kolejnym momencie analizy, pogorszenie punktacji zaś, pomimo wzrostu samej charakterystyki (z 6,3% w 1999 r., poprzez 7,2% w 2008 r. do 7,3% na podstawie prognoz w 2011 r.) cechuje region jedynie ze względu na udział ludności w ustawicznym kształceniu (tab. 5.26). W regionie małopolskim obserwuje się zdecydowaną stagnację punktacji, ze względu na wartości charakterystyk innowacyjności, których efektem jest indeks innowacyjności. Na 8 charakterystyk tylko dla jednej, tj. udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle, zmieniła się punktacja w trzech obserwowanych momentach (z 3 na 2 i powtórnie 3). Indeks innowacyjności wynosił 24 w 1999 r., 23 w 2008 r. i 24 w 2011 r. (prognoza) – tab. 5. 27. Taką samą punktację odnotowano dla regionu śląskiego ze względu na wartości pięciu charakterystyk innowacyjności (LLL, KIS oraz trzy charakterystyki output). Indeks innowacyjności dla regionu zwiększa się o 2 punkty w każdym kolejnym momencie analizy, za sprawą poprawy punktacji pod względem: udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, odsetka pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących w usługach i kapitału ludzkiego w nauce i technologii (tab. 5.28). Największa liczba punktów, jaką zanotowano w tablicy dla regionu lubelskiego ze względu na wartości charakterystyk innowacyjności, to 4 w 1999 r., 5 w 2008 r., a na podstawie prognoz 6 ze względu na udział pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących w usługach. Indeks innowacyjności wynosił 21 w dwóch pierwszych momentach badania (nie zmienił się na przestrzeni 10 lat) oraz 23 w 2011 r. (tab. 5.29). W 2008 r. w porównaniu z 1999 r. zanotowano w lubelskim spadek wartości dla trzech charakterystyk innowacyjności (LLL, HIT i HIT2), natomiast w kolejnym momencie analizy (prognozy dla 2011 r.) spadek wartości obserwuje się już tylko dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w relacji do ogółu siły roboczej. 272 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.26. Tablica wyników innowacyjności regionu mazowieckiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 17,8 6,3 29,0 46,3 28,5 4,1 3,5 17,2 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 10,5 620,9 28,9 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 4 3 5 5 5 2 1 3 1999 Punktacja INDEKS: 28 2008 32,8●■ 49,1●■ 32,2●■ INPUT: 22 WYKSZ OUTPUT: 6 LLL KIS KIS2 HRST HIT EPO HIT2 32,5 7,2 31,0 50,5 40,4 4,1 12,5 16,4 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 6 2 5 6 6 2 1 3 Punktacja 35,9●■ 49,4●■ 38,0●■ INPUT: 25▲ INDEKS: 31▲ OUTPUT: 6 Prognoza – 2011 r. Punktacja 7 INDEKS: 33▲ Źródło: opracowanie własne. 2 5 INPUT: 27▲ 6 7 2 1 OUTPUT: 6 3 273 5.3. Miejsce polskich regionów w innowacyjnej przestrzeni UE Tabela 5.27. Tablica wyników innowacyjności regionu małopolskiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 18,4 4,2 22,0 44,3 25,5 3,9 0,4 13,6 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 10,5 620,9 28,9 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 4 2 3 5 4 2 1 3 EPO HIT2 1999 Punktacja INDEKS: 24 2008 32,8●■ 49,1●■ 32,2●■ INPUT: 18 WYKSZ OUTPUT: 6 LLL KIS KIS2 HRST HIT 24,5 4,4 24,3 48,8 31,3 4,2 17,0 14,7 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 4 2 3 5 4 2 1 2 Punktacja 35,9●■ 49,4●■ 38,0●■ INPUT: 18 INDEKS: 23▼ OUTPUT: 5▼ Prognoza – 2011 r. Punktacja 4 INDEKS: 24▲ Źródło: opracowanie własne. 2 3 INPUT: 18 5 4 2 1 OUTPUT: 6▲ 3 274 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.28. Tablica wyników innowacyjności regionu śląskiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 14,2 4,6 23,3 42,0 25,3 6,7 1,6 20,9 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 10,5 620,9 28,9 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 3 2 4 4 4 4 1 4 1999 Punktacja INDEKS: 26 2008 32,8●■ 49,1●■ 32,2●■ INPUT: 17 WYKSZ LLL KIS OUTPUT: 9 KIS2 HRST HIT EPO HIT2 23,4 4,3 26,1 46,1 32,3 7,1 6,9 22,9 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 35,9●■ 49,4●■ 38,0●■ 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 4 2 4 5 4 4 1 4 Punktacja INDEKS: 28▲ INPUT: 19▲ OUTPUT: 9 Prognoza – 2011 r. Punktacja 5 INDEKS: 30▲ Źródło: opracowanie własne. 2 4 INPUT: 21▲ 5 5 4 1 OUTPUT: 9 4 275 5.3. Miejsce polskich regionów w innowacyjnej przestrzeni UE Tabela 5.29. Tablica wyników innowacyjności regionu lubelskiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 13,7 5,2 18,0 41,7 21,5 2,9 1,0 14,0 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 10,5 620,9 28,9 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 3 2 3 4 3 2 1 3 1999 Punktacja INDEKS: 21 2008 32,8●■ 49,1●■ 32,2●■ INPUT: 15 WYKSZ OUTPUT: 6 LLL KIS KIS2 HRST HIT EPO HIT2 23,3 4,8 20,9 48,1 29,3 2,7 1,3 12,8 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 4 2 2 5 4 1 1 2 Punktacja INDEKS: 21 35,9●■ 49,4●■ 38,0●■ INPUT: 17▲ OUTPUT: 4▼ Prognoza – 2011 r. Punktacja 4 INDEKS: 23▲ Źródło: opracowanie własne. 2 3 INPUT: 19▲ 6 4 1 1 OUTPUT: 4 2 276 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.30. Tablica wyników innowacyjności regionu podkarpackiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 14,5 3,2 17,3 38,4 22,7 5,5 1,1 18,9 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 32,8●■ 10,5 620,9 28,9 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 3 2 2 4 3 3 1 4 1999 Punktacja INDEKS: 22 2008 49,1●■ 32,2●■ INPUT: 14 WYKSZ LLL KIS OUTPUT: 8 KIS2 HRST HIT EPO HIT2 22,8 2,9 20,0 43,6 29,4 6,1 13,3 21,6 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 35,9●■ 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 4 1 2 4 4 3 1 4 Punktacja INDEKS:23▲ 49,4●■ 38,0●■ INPUT: 15▲ OUTPUT: 8 Prognoza – 2011 r. Punktacja 4 INDEKS: 24▲ Źródło: opracowanie własne. 1 2 INPUT: 16▲ 5 4 3 1 OUTPUT: 8 4 5.3. Miejsce polskich regionów w innowacyjnej przestrzeni UE 277 W regionie podkarpackim dla KIS oraz trzech ostatnich charakterystyk (HIT, EPO i HIT2) zanotowano, pomimo wzrostu ich wartości, stabilizację punktacji, a dla pozostałych w trzech przypadkach poprawę (WYKSZ, KIS2 i HRST), a w jednym pogorszenie (LLL) – dla udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie zanotowano w 2008 r. spadek wartości (tab. 5.30). Ustalona na podstawie tablicy wartość indeksu innowacyjności zwiększa się w regionie podkarpackim o 1 pomiędzy kolejnymi momentami badania (z 22 w 1999 r. do 24 według prognoz w 2011 r.). Jeden z najniższych indeksów innowacyjności charakteryzuje region świętokrzyski, w którym zanotowano w 2008 r. w porównaniu z 1999 r. nieznaczny spadek udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta pracujących w przemyśle), dla pozostałych charakterystyk była to stabilizacja (HIT także dla wartości prognozowanych) lub wzrost wartości charakterystyk innowacyjności. Najwyższa liczba punktów obserwowana dla świętokrzyskiego to 4 w 1999 r. i 5 w dwóch kolejnych momentach dla udziału pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących w usługach (tab. 5.31). Indeks innowacyjności wynosił w 1999 r. zaledwie 19, w kolejnych momentach 21, co plasuje świętokrzyskie w ostatniej trzydziestce 267 europejskich regionów szczebla NUTS 2 uporządkowanych pod względem wartości indeksu innowacyjności. W regionie podlaskim dla 7 charakterystyk odnotowano w 2008 r. wzrost wartości w stosunku do ich poziomów w 1999 r., a także w 2011 r. (prognozy) w porównaniu z 2008 r. Jedynie pod względem liczby patentów zarejestrowanych w European Patent Office na milion siły roboczej zanotowano w podlaskim obniżenie wartości charakterystyki. Chociaż indeks innowacyjności w 1999 r. był dla podlaskiego bardzo niski (19), co plasowało region w ostatniej trzydziestce regionów UE, to po 10 latach wzrósł do 23, a według prognoz w 2011 r. będzie wynosić 25 (tab. 5.32). Region podlaski miał niską punktację w tablicy innowacyjności w 1999 r. Najwyższą zaś – 3 punkty pod względem udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, udziału pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących w usługach oraz kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, a także udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie jako procenta pracujących w przemyśle. W 2008 r. największą liczbę punktów – 5, a w 2011 r. – 6 dla odsetka pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących w usługach. Region wielkopolski charakteryzuje wzrost wartości siedmiu charakterystyk innowacyjności, a jedynie w przypadku liczby patentów zarejestrowanych w EPO na milion siły roboczej spadek. Wartość indeksu innowacyjności wynosiła dla wielkopolskiego 23 w latach 1999 i 2008 oraz 25 w 2011 r. (prognoza) – tab. 5.33. 278 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.31. Tablica wyników innowacyjności regionu świętokrzyskiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 13,3 3,5 16,8 41,0 19,6 3,0 1,9 11,5 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 32,8●■ 49,1●■ 32,2●■ 10,5 620,9 28,9 1999 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 3 2 2 4 3 2 1 2 Punktacja INDEKS: 19 2008 INPUT: 14 WYKSZ OUTPUT: 5 KIS2 KIS LLL HRST HIT EPO HIT2 23,2 3,9 18,4 46,3 27,5 3,0 2,7 11,0 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 35,9●■ 49,4●■ 38,0●■ 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 4 2 2 5 3 2 1 2 Punktacja INDEKS: 21▲ INPUT: 16▲ OUTPUT: 5 Prognoza – 2011 r. Punktacja 4 INDEKS: 21 Źródło: opracowanie własne. 1 2 INPUT: 16 5 4 2 1 OUTPUT: 5 2 279 5.3. Miejsce polskich regionów w innowacyjnej przestrzeni UE Tabela 5.32. Tablica wyników innowacyjności regionu podlaskiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 14,6 4,3 16,8 36,8 22,3 3,1 3,5 13,5 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 10,5 620,9 28,9 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 3 2 2 3 3 2 1 3 1999 Punktacja INDEKS: 19 2008 32,8●■ 49,1●■ 32,2●■ INPUT: 13 WYKSZ OUTPUT: 6 LLL KIS KIS2 HRST HIT EPO HIT2 23,7 4,7 22,0 47,9 29,3 3,3 0,8 14,4 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 Punktacja 4 2 3 5 4 2 1 2 INDEKS:23▲ 35,9●■ 49,4●■ 38,0●■ INPUT: 18▲ OUTPUT: 5▼ Prognoza – 2011 r. Punktacja 5 INDEKS: 25▲ Źródło: opracowanie własne. 2 3 INPUT: 20▲ 6 4 2 1 OUTPUT: 5 2 280 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.33. Tablica wyników innowacyjności regionu wielkopolskiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 12,8 3,8 19,0 40,1 23,0 6,1 4,8 17,2 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 32,8●■ 49,1●■ 32,2●■ 10,5 620,9 28,9 1999 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 3 2 3 4 4 3 1 3 Punktacja INDEKS: 23 2008 INPUT: 16 WYKSZ OUTPUT: 7 KIS2 KIS LLL HRST HIT EPO HIT2 21,5 4,1 22,1 46,4 27,3 6,3 4,1 17,9 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 35,9●■ 49,4●■ 38,0●■ 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 3 2 3 5 3 3 1 3 Punktacja INDEKS: 23 INPUT: 16 OUTPUT: 7 Prognoza – 2011 r. Punktacja 4 INDEKS: 25▲ Źródło: opracowanie własne. 2 3 INPUT: 18▲ 5 4 3 1 OUTPUT: 7 3 5.3. Miejsce polskich regionów w innowacyjnej przestrzeni UE 281 Wartości charakterystyk output w każdym z trzech analizowanych momentów dawały dla regionu wielkopolskiego tę samą liczbę punktów (odpowiednio w kolejności 3, 1, 3). Podobnie było w przypadku udziału pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących (3 punkty) oraz udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie (2 punkty). W zachodniopomorskim indeks innowacyjności wynosił w 1999 r. 23, w 2008 r. już 28, w 2011 r. (prognoza) 30, a wartości każdej charakterystyki wzrastały w analizowanych momentach. Jednak dla połowy z nich nie wpłynęło to na zmianę punktacji w tablicy innowacyjności (LLL – 2 punkty, KIS i KIS2 – 4 punkty i EPO – 1 punkt). W przypadku pozostałych zmiennych odnotowano poprawę punktacji w tablicy innowacyjności, a najwyższą liczbę punktów w 1999 r. (4 punkty) dla pracujących w usługach opartych na wiedzy jako procenta siły roboczej i udziału pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących w usługach, w 2008 r. (5 punktów) dla kapitału ludzkiego w nauce i technologii jako odsetka aktywnych zawodowo, a w 2011 r. (6 punktów) dla udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie (tab. 5.34). W regionie lubuskim należy odnotować brak zmiany wartości indeksu innowacyjności pomiędzy latami 1999 i 2008 (22) i jego obniżenie do 21 (na podstawie prognoz dla 2011 r.). Choć wartości większości charakterystyk innowacyjności wzrastały w kolejnych okresach analizy, to dla lubuskiego zanotowano stałą liczbę punktów w tablicy innowacyjności ze względu na udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo, udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej) i liczbę patentów zarejestrowanych w EPO na milion siły roboczej (tab. 5.35). Wzrost indeksu innowacyjności dla regionu dolnośląskiego wynosił z 28 w 1999 r. (najwyższy razem z mazowieckim wśród polskich regionów), przez 29 w 2008 r. (drugi pod względem wartości wynik w Polsce, razem z pomorskim) do 31 w 2011 r. (prognoza), co jest drugim pod względem wysokości wynikiem indeksu w polskich regionach. A z analizy wartości charakterystyk innowacyjności wynika, że ich spadek jest notowany jedynie dla LLL. Stabilizację punktacji regionu dolnośląskiego w każdym z opisywanych momentów odnotowano ze względu na pięć charakterystyk (LLL i KIS oraz trzy charakterystyki output). Największą liczbę punktów w tablicy innowacyjności w 1999 r. w dolnośląskim zanotowano dla udziału pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących w usługach – 5, podobnie w latach 2008 i 2011 (na podstawie prognoz) – 6 punktów (tab. 5.36). Indeks innowacyjności dla regionu opolskiego wynosił w 1999 r. 23, a w dwóch kolejnych momentach analizy 25. Można mówić o wyhamowaniu tempa z powodu utrzymywania się dla regionu takiej samej punktacji w tablicy innowacyjności pod 282 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.34. Tablica wyników innowacyjności regionu zachodniopomorskiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 11,9 4,6 24,6 40,1 21,0 5,3 4,5 18,0 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 10,5 620,9 28,9 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 3 2 4 4 3 3 1 3 1999 Punktacja INDEKS: 23 2008 32,8●■ 49,1●■ 32,2●■ INPUT: 16 WYKSZ OUTPUT: 7 LLL KIS KIS2 HRST HIT EPO HIT2 26,7 5,5 26,6 43,5 34,3 7,0 4,9 23,5 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 4 2 4 4 5 4 1 4 Punktacja INDEKS: 28▲ 35,9●■ 49,4●■ 38,0●■ INPUT: 19▲ OUTPUT: 9▲ Prognoza – 2011 r. Punktacja 6 INDEKS: 30▲ Źródło: opracowanie własne. 2 4 INPUT: 21▲ 4 5 4 1 OUTPUT: 9 4 283 5.3. Miejsce polskich regionów w innowacyjnej przestrzeni UE Tabela 5.35. Tablica wyników innowacyjności regionu lubuskiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 12,2 3,7 21,1 38,0 25,3 5,1 2,7 15,1 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 32,2●■ 10,5 620,9 28,9 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 3 2 3 3 4 3 1 3 1999 Punktacja INDEKS: 22 2008 32,8●■ 49,1●■ INPUT: 15 WYKSZ LLL KIS OUTPUT: 7 KIS2 HRST HIT EPO HIT2 20,3 4,0 21,9 40,8 29,6 5,0 21,6 14,1 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 38,0●■ 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 35,9●■ 49,4●■ 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 3 2 3 4 4 3 1 2 Punktacja INDEKS: 22 INPUT: 16▲ OUTPUT: 6▼ Prognoza – 2011 r. Punktacja 4 INDEKS:21▼ Źródło: opracowanie własne. 2 2 INPUT: 15▼ 3 4 3 1 OUTPUT: 6 2 284 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.36. Tablica wyników innowacyjności regionu dolnośląskiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 16,6 5,3 24,5 43,7 24,4 6,9 1,5 20,6 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 10,5 620,9 28,9 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 4 2 4 5 4 4 1 4 1999 Punktacja INDEKS: 28 2008 32,8●■ 49,1●■ 32,2●■ INPUT: 19 WYKSZ LLL KIS OUTPUT: 9 KIS2 HRST HIT EPO HIT2 23,7 5,0 26,8 49,9 31,7 8,0 9,0 22,4 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 35,9●■ 49,4●■ 38,0●■ 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 4 2 4 6 4 4 1 4 Punktacja INDEKS: 29▲ INPUT: 20▲ OUTPUT: 9 Prognoza – 2011 r. Punktacja 5 INDEKS: 31▲ Źródło: opracowanie własne. 2 4 INPUT: 22▲ 6 5 4 1 OUTPUT: 9 4 285 5.3. Miejsce polskich regionów w innowacyjnej przestrzeni UE Tabela 5.37. Tablica wyników innowacyjności regionu opolskiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 9,9 3,9 19,5 39,9 18,2 7,1 2,7 21,2 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 10,5 620,9 28,9 1999 32,8●■ 49,1●■ 32,2●■ 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 2 2 3 4 3 4 1 4 Punktacja INDEKS: 23 2008 INPUT: 14 WYKSZ LLL KIS OUTPUT: 9 KIS2 HRST HIT EPO HIT2 23,1 5,1 22,5 48,1 30,2 6,3 5,2 17,7 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 35,9●■ 49,4●■ 38,0●■ 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 4 2 3 5 4 3 1 3 Punktacja INDEKS: 25▲ INPUT: 18▲ OUTPUT: 7▼ Prognoza – 2011 r. Punktacja 4 INDEKS: 25 Źródło: opracowanie własne. 2 3 INPUT: 18 5 4 3 1 OUTPUT: 7 3 286 5. Tablice wyników innowacyjności regionów – podejście amerykańskie względem wartości wszystkich charakterystyk w 2011 r. w porównaniu z 2008 r. – pomimo wzrostów siedmiu z ośmiu charakterystyk (tylko dla udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących zanotowano zmniejszenie się odsetka) – tab. 5.37. Region kujawsko-pomorski jest jedynym polskim regionem z obniżającą się wartością indeksu w każdym z analizowanych momentów (z 22 do 21 i 19), co w 2011 r. plasuje go w ostatniej trzydziestce regionów UE uporządkowanych ze względu na wartość indeksu innowacyjności. Obniżenie wartości indeksu w 2008 r. wynikało z pogorszenia punktacji kujawsko-pomorskiego pod względem udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta pracujących w przemyśle), a w 2011 r. (prognoza) pod względem udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie i udziału pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących w regionie (tab. 5.38). Stała wartość indeksu w każdym z analizowanych momentów (20) charakteryzuje region warmińsko-mazurski, który jest jedynym polskim regionem w takiej sytuacji. Co prawda, wewnątrz tablicy zanotowano przetasowania w punktacji: w 2008 r. poprawę dla HRST, a pogorszenie dla HIT2, w 2001 r. zaś w porównaniu z 2008 r. poprawę dla WYKSZ, a pogorszenie dla LLL. Analizując zmiany w wartościach charakterystyk innowacyjności, należy odnotować nieznaczne obniżenie wartości dla EPO i HIT2 w 2008 r. oraz według prognoz w 2011 r. dla LLL, KIS2 (tab. 5.39). Region pomorski w 1999 r. z indeksem innowacyjności na poziomie 26 był wraz z regionem śląskim ex aequo na drugim miejscu (za mazowieckim i dolnośląskim, dla których wartość indeksu wynosiła wówczas 28) wśród polskich regionów, w 2008 r. z indeksem na poziomie 29 był, także ex aequo, z dolnośląskim, na drugim miejscu (za mazowieckim, dla którego indeks innowacyjności wynosił 31), na podstawie zaś prognoz w 2011 r., z indeksem równym 31 miała to być również pozycja druga ex aequo, ponownie z dolnośląskim (za mazowieckim, dla którego indeks innowacyjności to 33). W 1999 r. region pomorski dla pięciu charakterystyk miał po 4 punkty (WYKSZ, KIS2, HRST, HIT i HIT2), w 2008 r. punktów 5 dla dwóch charakterystyk (KIS2 i HRST) i cztery dla takich jak WYKSZ, KIS, HIT i HIT2, a na podstawie prognoz w 2011 r. dla KIS2, na 5 dla HRST i HIT to 6 punktów (tab. 5.40). Analizując punktację regionów ze względu na wartości poszczególnych charakterystyk innowacyjności, należy wskazać, iż w 1999 r.: – najniższe wartości, a co za tym idzie, i punktację w tablicy ze względu na wartości charakterystyki WYKSZ odnotowano dla opolskiego (2), a najwyższe dla mazowieckiego, małopolskiego i dolnośląskiego (4 punkty), – poza mazowieckim, które znalazło się, ze względu na wartości charakterystyki LLL, na poziomie 3, pozostałe polskie regiony odnotowały po 2 punkty, – 5 punktów pod względem wartości charakterystyki KIS zanotowano dla mazowieckiego, a najmniej (2) dla podkarpackiego, świętokrzyskiego i podlaskiego, 287 5.3. Miejsce polskich regionów w innowacyjnej przestrzeni UE Tabela 5.38. Tablica wyników innowacyjności regionu kujawsko-pomorskiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 12,3 4,4 20,9 42,8 21,7 5,2 3,2 15,5 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 10,5 620,9 28,9 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 3 2 3 4 3 3 1 3 1999 Punktacja INDEKS: 22 2008 32,8●■ 49,1●■ 32,2●■ INPUT: 15 WYKSZ OUTPUT: 7 LLL KIS KIS2 HRST HIT EPO HIT2 19,5 4,3 21,5 44,1 25,8 4,8 3,4 14,2 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 3 2 3 4 3 3 1 2 Punktacja INDEKS: 21▼ 35,9●■ 49,4●■ 38,0●■ INPUT: 15 OUTPUT: 6▼ Prognoza – 2011 r. Punktacja 3 INDEKS: 19▼ Źródło: opracowanie własne. 1 2 INPUT: 13▼ 4 3 3 1 OUTPUT: 6 2 288 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.39. Tablica wyników innowacyjności regionu warmińsko-mazurskiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 12,2 3,6 21,7 40,6 21,2 2,7 2,0 8,6 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 10,5 620,9 28,9 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 3 2 3 4 3 2 1 2 1999 Punktacja INDEKS: 20 2008 32,8●■ 49,1●■ 32,2●■ INPUT: 15 WYKSZ OUTPUT: 5 LLL KIS KIS2 HRST HIT EPO HIT2 21,1 4,4 23,2 44,4 28,2 2,8 1,7 8,5 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 35,9●■ 49,4●■ 38,0●■ 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 3 2 3 4 4 2 1 1 Punktacja INDEKS: 20 INPUT: 16▲ OUTPUT: 4▼ Prognoza – 2011 r. Punktacja 4 INDEKS: 20 Źródło: opracowanie własne. 1 3 INPUT: 16 4 4 2 1 OUTPUT: 4 1 289 5.3. Miejsce polskich regionów w innowacyjnej przestrzeni UE Tabela 5.40. Tablica wyników innowacyjności regionu pomorskiego WYKSZ LLL KIS KIS2 HRST HIT EPO HIT2 16,2 4,7 21,4 38,3 25,5 7,7 3,1 23,1 10 45,8 26,3 58,2 76,4 55,8 20,5 1241,8 55,9 9 41,4 23,7 53,2 70,9 51,1 18,5 1117,6 50,5 8 37,1 21,1 48,1 65,5 46,4 16,5 993,4 45,1 7 32,7 18,5 43,0 60,0 41,6 14,5 869,3 39,7 6 28,3 15,9 37,9 54,6 36,9 12,5 745,1 34,3 5 23,9●■ 13,3 10,5 620,9 28,9 1999 32,8●■ 49,1●■ 32,2●■ 4 19,6 10,7 27,7 43,6 27,5 8,5●■ 496,8 23,5●■ 3 15,2 8,1● 22,6 38,2 22,8 6,5 372,6 18,1 2 10,8 5,5■ 17,5 32,7 18,0 4,5 248,4● 12,7 1 6,5 2,9 12,5 27,3 13,3 2,5 124,2■ 7,3 0 2,1 0,3 7,4 21,8 8,6 0,6 0,1 1,9 4 2 3 4 4 4 1 4 Punktacja INDEKS: 26 2008 INPUT: 17 WYKSZ LLL KIS OUTPUT: 9 KIS2 HRST HIT EPO HIT2 25,1 4,5 27,1 48,9 34,6 8,6 1,9 25,5 10 56,4 34,3 60,6 73,5 63,1 21,4 1063,2 59,0 9 51,6 30,9 55,6 68,7 58,1 19,4 956,9 53,5 8 46,8 27,6 50,7 63,9 53,0 17,3 850,6 47,9 7 42,0 24,2 45,8 59,0 48,0 15,2 744,2 42,4 6 37,2 20,8 40,8 54,2 43,0 13,1 637,9 36,9 5 32,4●■ 17,4 11,0 531,6 31,4 4 27,6 14,0 31,0 44,5 32,9 9,0 425,3 25,9●■ 3 22,8 10,7●■ 26,0 39,7 27,9 6,9●■ 319,0 20,4 35,9●■ 49,4●■ 38,0●■ 2 18,0 7,3 21,1 34,9 22,9 4,8 212,7● 14,9 1 13,2 3,9 16,2 30,0 17,8 2,7 106,4■ 9,4 0 8,3 0,5 11,2 25,2 12,8 0,6 0,1 3,9 4 2 4 5 5 4 1 4 Punktacja INPUT: 20▲ INDEKS: 29▲ OUTPUT: 9 Prognoza – 2011 r. Punktacja 4 INDEKS: 31▲ Źródło: opracowanie własne. 2 4 INPUT: 21▲ 6 5 5 1 OUTPUT: 10▲ 4 290 5. Tablice wyników innowacyjności regionów – podejście amerykańskie wartości charakterystyki KIS2 dały trzem regionom po 5 punktów (mazowieckie, małopolskie i dolnośląskie), a lubuskiemu i podlaskiemu po 3 punkty, – mazowieckie również pod względem wartości charakterystyki HRST, ilustrującej stopień wyspecjalizowania usług, uzyskało w tablicy innowacyjności 5 punktów, po 3 punkty zaś zanotowano dla dziewięciu polskich regionów (łódzkiego, lubelskiego, podkarpackiego, świętokrzyskiego, podlaskiego, zachodniopomorskiego, opolskiego, kujawsko-pomorskiego i warmińsko-mazurskiego), – udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie jako procent siły roboczej najwyższy był w śląskim, dolnośląskim, opolskim i pomorskim (4 punkty), a najniższy (2 punkty) w łódzkim, mazowieckim, małopolskim, lubelskim oraz świętokrzyskim, podlaskim i warmińsko-mazurskim, – specjalizacja przemysłu (HIT2) była wyższa w śląskim, dolnośląskim, opolskim i podkarpackim oraz pomorskim (4 punkty), a mniejsza (2 punkty) w łódzkim, świętokrzyskim i warmińsko-mazurskim. Znamienne, że zarówno w 1999 r. jak i w 2008 r. oraz według wartości prognoz dla 2011 r., ze względu na poziomy charakterystyki EPO wszystkie polskie regiony uplasowały się na pozycji pierwszej – co daje im po jednym punkcie. W 2008 r. punktacja regionów ze względu na wartości poszczególnych charakterystyk innowacyjności była następująca: – najniższą punktację w tablicy pod względem wartości charakterystyki WYKSZ odnotowano dla wielkopolskiego, lubuskiego, kujawsko-pomorskiego i warmińsko-mazurskiego (3), a najwyższą dla mazowieckiego (6 punktów), – poza łódzkim i podkarpackim, dla których, ze względu na wartości charakterystyki LLL, odnotowano 1 punkt, dla pozostałych polskich regionów odnotowano po 2 punkty, – 5 punktów pod względem udziału pracujących w KIS, w ogólnej liczbie pracujących zanotowano dla mazowieckiego, a najmniej (2) dla lubuskiego, podkarpackiego i świętokrzyskiego, – pod względem stopnia wyspecjalizowania usług dwa regiony miały po 6 punktów (mazowieckie i dolnośląskie), a dla podkarpackiego, zachodniopomorskiego, lubuskiego i kujawsko-pomorskiego oraz warmińsko-mazurskiego zanotowano po 4 punkty, – pod względem kapitału ludzkiego w nauce i technologii mazowieckie uzyskało w tablicy innowacyjności 6 punktów, 3 punkty zaś zanotowano dla świętokrzyskiego, wielkopolskiego i kujawsko-pomorskiego, – najwyższy udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie jako procent siły roboczej był w śląskim, zachodniopomorskim, dolnośląskim i pomorskim (4 punkty), a najniższy (1 punkt) w lubelskim, – punktacja za specjalizację przemysłu (HIT2) była wyższa w śląskim, dolnośląskim i podkarpackim oraz pomorskim i zachodniopomorskim (4 punkty), a niższa (1 punkt) w warmińsko-mazurskim. – 5.4. Poziom innowacyjności regionów Unii Europejskiej 291 Według wartości prognoz dla 2011 r. punktacja polskich regionów ze względu na charakterystyki innowacyjności była następująca: – pod względem wartości charakterystyki WYKSZ najniższą punktację w tablicy odnotowano dla kujawsko-pomorskiego (3), a najwyższą dla mazowieckiego (7 punktów), – łódzkie, podkarpackie, świętokrzyskie, kujawsko-pomorskie i warmińsko-mazurskie pod względem wartości charakterystyki LLL miały po 1 punkcie, pozostałe polskie regiony odnotowały po 2 punkty, – udział kapitału ludzkiego w nauce i technologii daje dla mazowieckiego 7 punktów, a najmniej zanotowano dla kujawsko-pomorskiego (3), – wartości charakterystyki KIS plasują mazowieckie z pięcioma punktami na pierwszym miejscu, a najmniejsza liczba punktów (po 2) charakteryzuje podkarpackie, świętokrzyskie, lubuskie i kujawsko-pomorskie, – 6 punktów ze względu na stopień wyspecjalizowania usług obserwowano dla łódzkiego i mazowieckiego oraz lubelskiego, podlaskiego, dolnośląskiego i pomorskiego, a 3 punkty, najmniej wśród polskich regionów zanotowano dla lubuskiego, – najwyższy udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie jako procent siły roboczej charakteryzował pomorskie (5 punktów), a najniższy (1 punkt) lubelskie, – najbardziej wyspecjalizowany przemysł charakteryzował śląskie, dolnośląskie i podkarpackie oraz pomorskie i zachodniopomorskie (4 punkty), a najmniejsza specjalizacja ze względu na tę charakterystykę ponownie przypadła regionowi warmińsko-mazurskiemu (1 punkt). 5.4. Poziom innowacyjności regionów Unii Europejskiej Regiony Europy oceniono w pracy, analizując, na podstawie zmodyfikowanej tablicy innowacyjności, ich punktację w przedziałach utworzonych ze względu na wartości wybranych do badania charakterystyk innowacyjności. Obliczono trzy indeksy: innowacyjności input (II), innowacyjności output (IO) i stanowiący sumę ich obu indeks innowacyjności (I). Indeks innowacyjności input jest wypadkową sumy punktów, jakie przypisano danemu regionowi wśród regionów szczebla NUTS 2 zjednoczonej Europy pod względem wartości następujących charakterystyk: procentowego udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, procentowego udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, udziału pracujących w usługach opartych na wiedzy jako procenta siły roboczej, udziału pracujących w usługach opartych na wiedzy w ogólnej liczbie pracujących w usługach oraz kapitału ludzkiego w nauce i technologii (HRST) jako odsetka aktywnych zawodowo. Jego unormowanie stanowi przedział [0; 50]. 292 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Z powodu bardzo wysokiego poziomu indeksu innowacyjności input w każdym zilustrowanym roku przodują regiony stołeczne UE 15 Inner London, Stockholm i duński Hovedstaden, w których analizowany indeks był zawsze wyższy od 40. Ponadto zauważalny jest zdecydowanie wyższy poziom analizowanego indeksu w regionach krajów skandynawskich, Beneluksu oraz Niemiec i Wielkiej Brytanii (rys. 5.1–5.3). Rys. 5.1. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności input w 1999 r. Źródło: opracowanie własne. Jedynym regionem UE 12 wśród niemal 50 regionów UE, w których indeks innowacyjności input był w każdym z analizowanych lat równy co najmniej 30, jest 5.4. Poziom innowacyjności regionów Unii Europejskiej 293 czeska Praha. Pozostałe regiony ostatnich rozszerzeń były w klasach o wartościach indeksu input niższych od 30. Zdecydowane zaś utrwalenie najniższych ocen pod względem indeksu innowacyjności input cechuje regiony Rumunii. Rys. 5.2. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności input w 2008 r. Źródło: opracowanie własne. Indeks innowacyjności output stanowi sumę punktów, które odnotowano dla analizowanego regionu w grupie europejskich regionów szczebla NUTS 2 ze względu na wartości następujących charakterystyk: udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta siły roboczej), liczby patentów zarejestrowanych w danym roku w European Patent Office na milion siły 294 5. Tablice wyników innowacyjności regionów – podejście amerykańskie roboczej oraz procentowego udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle. Indeks output jest unormowany w przedziale [0; 30]. Rys. 5.3. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności input w 2011 r. (na podstawie prognoz) Źródło: opracowanie własne. Z map ilustrujących zróżnicowanie regionów UE pod względem wartości indeksu innowacyjności output wynika, że południe zjednoczonej Europy to regiony o zdecydowanie niskich jego wartościach (południowe Włochy, Grecja, Malta, Cypr), podobnie jak krańce zachodnie (regiony hiszpańskie i portugalskie) oraz 5.4. Poziom innowacyjności regionów Unii Europejskiej 295 wschodnie, w tym Litwa, Łotwa, Estonia, a także wschodnia Polska, Rumunia i Bułgaria (rys. 5.4–5.6). Rys. 5.4. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności output w 1999 r. Źródło: opracowanie własne. Epicentrum innowacyjności w zakresie output stanowiły w 1999 r. regiony południowych Niemiec, południowej Skandynawii i Wielkiej Brytanii oraz Belgii – indeks innowacyjności output od 16 do 32. W 2008 r. natomiast najwyższe wartości indeksu notowano w południowych Niemczech, w regionie NUTS 1 Baden-Württemberg zawierającym Freiburg, Tübingen, Karlsruhe i Stuttgart oraz regionie NUTS 1 Bayern (Bawaria), w tym Oberbay- 296 5. Tablice wyników innowacyjności regionów – podejście amerykańskie ern – indeks powyżej 27 oraz Oberfranken, Oberpfalz, Unterfranken, Schwaben, Mittelfranken, a także w regionach Gießen, Darmstadt, Braunschweig, Rheinhessen-Pfalz – indeks w zakresie od 18 do 27. Rys. 5.5. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności output w 2008 r. Źródło: opracowanie własne. Podobnie wysokie indeksy innowacyjności output notowano w tych regionach w 2011 r. (na podstawie prognoz). Znamienne jest pojawianie się przestrzennych skupień regionów o bardzo wysokim indeksie innowacyjności output. Jednocześnie należy wskazać, że widoczne na zaprezentowanych mapach przesunięcia dotyczące obniżania indeksu innowacyjności output obejmują zwłaszcza Skandynawię i Wiel- 5.4. Poziom innowacyjności regionów Unii Europejskiej 297 ką Brytanię oraz kilka regionów francuskich (Île de France, Alsace i Franche-Comté), a także Irlandię. Rys. 5.6. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności output w 2011 r. (na podstawie prognoz) Źródło: opracowanie własne. Indeks innowacyjności stanowi w opracowanej tablicy innowacyjności sumę obu opisanych wcześniej indeksów input i output, jest zatem efektem przydzielenia regionu do odpowiedniego miejsca na skali utworzonej ze względu na wartości ośmiu charakterystyk innowacyjności dla całej europejskiej przestrzeni regionalnej. Jego wartości są unormowane w przedziale [0; 80]. Ilustrację graficzną zróż- 298 5. Tablice wyników innowacyjności regionów – podejście amerykańskie nicowania regionów UE ze względu na wartości indeksu innowacyjności stanowią rys. 5.7–5.9. Rys. 5.7. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności w 1999 r. Źródło: opracowanie własne. Jedynym regionem, dla którego – i to tylko w pierwszym roku analizy – odnotowano wartość indeksu innowacyjności wyższą od 60 (64), była stolica Szwecji. Wśród 20 regionów o wartości indeksu w przedziale 50–59 są regiony północnych Niemiec, Wielkiej Brytanii, skandynawskie, pojedyncze z Belgii i Danii. W kolejnych latach liczba regionów, dla których indeks innowacyjności był nie mniejszy niż 50, zmniejszyła się z 12 do 9. Są to regiony północnych Niemiec (Obe- 5.4. Poziom innowacyjności regionów Unii Europejskiej 299 rbayern, Karlsruhe, Stuttgart i Tübingen), belgijski Prov. Brabant Wallon oraz regiony stołeczne i zawierające stolicę, tj. Inner London, Hovedstaden i Etelä-Suomi. Wskazuje to na pojawianie się przestrzennych skupień regionów o bardzo wysokim indeksie innowacyjności opisanej miernikiem syntetycznym. Rys. 5.8. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności w 2008 r. Źródło: opracowanie własne. Jeśli rozpatrywać regiony o wartościach indeksu innowacyjności z kolejnego przedziału (40–49), to należy wskazać, iż w klasie tej znajdowało się stale 26 regionów z krajów Beneluksu (belgijskie Région de Bruxelles, Prov. Antwerpen, duńskie Sjælland, Syddanmark, Midtjylland i Nordjylland oraz niderlandzkie Utrecht, 300 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Noord-Holland i Noord-Brabant), Niemiec (Schwaben, Berlin, Hamburg, Gießen, Braunschweig, Köln i Unterfranken) oraz skandynawskie (szwedzkie Småland med öarn oraz finlandzkie Länsi-Suomi, Pohjois-Suomi i Åland) i brytyjskie (North Yorkshire, Herefordshire, Worcestershire and Warks, Outer London, Eastern Scotland, South Western Scotland, North Eastern Scotland). Rys. 5.9. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności w 2011 r. (na podstawie prognoz) Źródło: opracowanie własne. Przez grupę regionów o wartości indeksu innowacyjności poniżej 20 przewinęło się w analizowanych latach łącznie 40 regionów, z tym że w 1999 r. były to 5.5. Podsumowanie 301 33 regiony, w 2008 r. – 26, a na podstawie prognoz w 2011 r. miało być tych regionów 28. Wśród regionów o najniższych wartościach indeksu innowacyjności zwraca zwłaszcza uwagę 22 z nich, trwale notowanych w tej grupie. Są to regiony greckie (11 z 13), portugalskie (6 z 7) i rumuńskie (5 z 8). Miarę innowacyjności input zawsze powyżej 40 zanotowano w trzech prezentowanych momentach (1999, 2008, 2011) dla trzech regionów stołecznych i zawierających stolicę: duńskim Hovedstaden, brytyjskim Inner London i szwedzkim Stockholm. A zawsze poniżej 10 w regionach rumuńskich Nord-Est i Sud-Vest Oltenia oraz greckich Sud-Muntenia, Notio Aigaio i Ionia Nisia, a także portugalskim Região Autónoma dos Açores. Jedynie w trzech niemieckich regionach obserwowano w każdym z trzech zilustrowanych na mapach momentach miarę innowacyjności output równą co najmniej 24: Stuttgart, Tübingen i Oberbayern. Natomiast, choć liczba regionów UE z miarą poniżej 8 w kolejnych momentach wynosiła 85 w 1999 r., 135 w 2008 r. i 121 na podstawie prognoz w 2011 r. to w grupie regionów, dla których miara ta każdorazowo była nie wyższa od 5, powtarzają się 33 regiony, w tym: 12 greckich, 8 hiszpańskich, po 3 włoskie, portugalskie i polskie, Latvia i Cyprus oraz regiony francuski i rumuński. Miara innowacyjności powyżej 50 w każdym z trzech opisywanych momentów charakteryzuje 6 regionów: trzy niemieckie (Oberbayern, Karlsruhe, Stuttgart) oraz trzy stołeczne i zawierające stolicę: Hovedstaden, Inner London i Etelä-Suomi, a na 22 regiony z miarą innowacyjności poniżej 20 zanotowano 11 regionów greckich, 6 portugalskich i 5 rumuńskich. 5.5. Podsumowanie W 1999 r. dla regionów UE 27 ze względu na wartości charakterystyk innowacyjności najczęściej notowano po: 4 i 5 punktów (16,5 i 16%), 1 i 3 punkty (14,1 i 14,7%) oraz 2 i 6 punktów (12,1%), a łącznie punktację od 1 do 5 notowano dla niemal 75% analizowanych regionów (tab. 5.41). Natomiast w przypadku regionów UE 15 widoczne jest przesunięcie udziałów, ponieważ w sumie dla 47% regionów notowano 4, 5 lub 6 punktów (w tym 5 punktów dla 17,8% regionów, 4 punkty dla 15% regionów i 6 punktów dla 14,1% regionów). Od 1 do 4 punktów notowano dla niemal 92% regionów z UE 12 (z czego 1 punkt dla 19,4%, 2 punkty dla 16,1%, 3 dla 24,1%, a 4 dla 22,1%). W 2008 r. regiony UE 27 pod względem poziomu identyfikatorów innowacyjności najczęściej miały: 4 punkty (17,1% regionów), 3 punkty (16%), 2, 5 i 6 punktów (odpowiednio 14, 14,1 i 14,2% regionów), 1 punkt zaś charakteryzował 12,1% regionów, a 1–6 punktów obserwowano łącznie dla 87,5% analizowanych regionów (tab. 5.42). W tym roku podobnie jak uprzednio dla regionów UE 15 od 3 do 6 punktów notowano dla 62,3% regionów (w tym 4 i 6 punktów dla nieco ponad 302 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.41. Zestawienie zbiorcze punktacji regionów UE w tablicach wyników innowacyjności w 1999 r. Kraj Liczba regionów Liczba regionów (obiektocech) z liczbą punktów w 1999 r. 10 9 8 7 6 5 4 3 2 12 1 Belgia 11 3 3 4 14 20 10 7 15 Dania 5 2 3 2 9 8 5 3 8 Niemcy 39 4 11 14 42 47 78 47 31 33 5 Irlandia 2 3 3 5 1 3 1 Grecja 13 1 4 8 21 21 46 Hiszpania 17 4 4 10 16 23 28 20 31 Francja 22 5 5 19 59 30 12 18 28 Włochy 21 2 5 15 47 29 11 57 2 1 1 1 2 1 12 22 22 9 8 12 2 1 4 5 29 20 4 9 1 4 7 27 16 Luksemburg 1 Niderlandy 12 1 1 1 7 Austria 9 Portugalia 7 Finlandia 5 1 2 1 6 12 8 6 1 3 Szwecja 8 7 5 13 12 6 10 4 5 2 Wielka Brytania 37 2 8 19 54 77 60 29 16 16 15 Bułgaria 6 1 1 3 3 14 12 2 12 Czechy 8 5 10 13 17 10 8 Estonia 1 1 2 1 Cypr 1 Łotwa 1 2 1 2 1 1 1 Litwa 1 2 1 1 1 2 1 Węgry 7 3 4 5 18 12 2 12 Malta 1 3 2 2 1 Polska 16 5 33 45 29 16 3 5 5 8 18 22 1 5 5 2 1 2 2 1 8 8 3 7 Rumunia 8 Słowenia 2 Słowacja 4 Źródło: opracowanie własne. 1 1 1 2 2 1 1 1 1 1 0 3 1 1 4 2 1 303 5.5. Podsumowanie Tabela 5.42. Zestawienie zbiorcze punktacji regionów UE w tablicach wyników innowacyjności w 2008 r. Liczba regionów (obiektocech) z liczbą punktów w roku 2008 Liczba regionów 10 9 8 7 6 5 4 3 2 1 Belgia 11 2 2 3 9 28 4 10 13 14 3 Dania 5 1 5 3 7 6 5 4 8 1 Niemcy 39 7 6 14 37 65 61 47 54 18 3 Irlandia 2 1 4 3 1 4 2 1 Grecja 13 2 2 8 23 16 50 Hiszpania 17 2 2 3 12 18 35 24 17 23 Francja 22 1 3 5 27 45 31 27 30 7 Włochy 21 1 7 34 42 25 41 18 Luksemburg 1 3 1 1 Niderlandy 12 4 11 27 15 7 10 11 1 1 2 12 32 17 7 1 3 10 27 14 Kraj 2 1 0 3 2 9 Austria 9 Portugalia 7 Finlandia 5 1 1 6 8 7 5 4 3 4 1 Szwecja 8 1 3 12 10 9 10 10 2 5 2 Wielka Brytania 37 3 1 12 49 74 44 35 29 24 25 Bułgaria 6 7 19 8 11 1 Czechy 8 1 Estonia 1 Cypr 1 Łotwa 1 1 Litwa 1 2 Węgry 7 Malta 1 Polska 16 2 1 1 4 1 1 3 6 10 10 12 10 9 2 1 1 2 1 1 2 1 1 5 1 2 1 3 2 3 1 2 12 17 3 13 3 2 1 1 1 4 12 39 23 30 20 19 27 Rumunia 8 1 3 1 5 7 Słowenia 2 1 1 6 4 2 Słowacja 4 1 3 3 8 6 Źródło: opracowanie własne. 1 2 2 3 7 1 1 1 304 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Tabela 5.43. Zestawienie zbiorcze punktacji regionów UE w tablicach wyników innowacyjności na podstawie prognoz dla 2011 r. Kraj Liczba regionów Liczba regionów (obiektocech) z liczbą punktów na podstawie prognoz dla roku 2011 10 9 8 7 6 5 4 3 2 1 3 Belgia 11 3 2 5 16 19 3 7 18 12 Dania 5 2 7 1 8 7 1 4 9 1 Niemcy 39 6 8 16 40 64 62 44 54 14 4 Irlandia 2 1 3 3 1 3 4 1 Grecja 13 2 5 12 16 16 49 Hiszpania 17 Francja 22 Włochy 21 Luksemburg 1 Niderlandy 12 2 1 2 10 8 20 37 15 16 24 2 7 36 45 34 25 17 9 5 20 49 36 26 17 15 1 2 2 10 20 13 12 5 6 17 8 4 1 16 20 19 3 1 3 2 12 24 13 1 4 2 11 Austria 9 Portugalia 7 Finlandia 5 1 3 8 7 5 5 1 5 4 1 Szwecja 8 1 5 9 4 12 12 7 7 4 3 Wielka Brytania 37 3 2 19 55 55 52 20 29 33 28 Bułgaria 6 5 13 14 13 1 Czechy 8 9 15 8 1 Estonia 1 3 1 Cypr 1 Łotwa 1 Litwa 1 Węgry 7 Malta 1 Polska 16 Rumunia 8 Słowenia 2 Słowacja 4 Źródło: opracowanie własne. 1 4 0 2 1 3 2 6 12 7 2 1 1 2 3 1 3 2 1 1 1 7 7 3 1 3 2 1 3 1 1 2 1 1 3 3 12 13 5 13 1 3 2 1 1 16 34 19 27 23 1 4 5 20 29 1 4 6 2 1 2 1 3 3 9 6 3 5 1 305 5.5. Podsumowanie 16%, odpowiednio po 3 i 5 dla 15 i 15,6% regionów), jednocześnie z grupy regionów UE 12 od 1 do 4 punktów zanotowano dla ponad 80% regionów (w tym 1 dla 21,7% regionów, 4 dla 21%, 2 dla 20,1%, a 3 punkty dla 17,6% regionów). Na podstawie prognoz dla 2011 r. można wskazać, iż w regionach UE 27 punktacje w zakresie 1–6 zanotowano łącznie dla 82,4% regionów (w tym 2, 5 i 6 punktów dla ponad 14,8%, a 3 i 4 punkty odpowiednio dla 13,2 i 13% regionów). Jednocześnie dla ponad 60% regionów w grupie UE 15 notowano od 3 do 6 punktów (5 dla 17,1%, po 3 i 6 punktów odpowiednio dla 14,7% i 14,8% regionów, 4 punkty dla 13,7% regionów). Natomiast po 1, 2, 3 i 4 punkty zanotowano odpowiednio dla 22,3, 21, 18,8 i 15,6% regionów UE 12, co stanowi 77,7% regionów z tej grupy (zob. tab. 5.43). Z oceny rozkładu regionów z taką samą liczbą punktów na podstawie testu niezależności chi-kwadrat wynika (tab. 5.44), że liczność klas w porównywanych parach lat jest różna, jeśli chodzi o regiony UE 15 oceniane pod względem liczby punktów w 2008 r. w porównaniu z 1999 r. (wartość p niższa od 0,05), a nieistotnie różna w pozostałych przypadkach (wartość p wyższa od 0,05), przy czym można zauważyć, że w kilku przypadkach jest to wartość niewiele przekraczająca poziom 0,05 (UE 27 dla par lat 1999 i 2008 oraz 2008 i 2011, UE 15 dla par lat 2008 i 2011). Tabela 5.44. Ocena rozkładu regionów z taką samą liczbą punktów na podstawie testu chi-kwadrat (wartości p) Porównanie liczby regionów z ta samą liczbą punktów w dwóch latach Regiony z grupy UE 27 UE 15 UE 12 1999 i 2008 0,0528 0,005 0,8052 2008 i 2011 0,0521 0,053 0,7463 1999 i 2011 0,5053 0,159 0,0762 Źródło: opracowanie własne. Jeśli przeanalizować kolejność regionów z grup UE 27, UE 15 i UE 12 w uporządkowaniach w latach 1999 i 2008 oraz na podstawie prognoz w 2011 r. pod kątem struktury analizowanej ze względu na punktację wartości charakterystyk innowacyjności, to można stwierdzić, że: – regiony UE 12 były zawsze na miejscu pierwszym pod względem wysokiego ich udziału w grupie o najmniejszej punktów (od 1 do 4), podczas gdy regiony UE 15 były w tym uporządkowaniu na pozycji trzeciej, – odwrotnie jest, jeśli chodzi o udział w punktacji powyżej 5 punktów, ponieważ najwyższy w tych przedziałach był udział regionów z UE 15, a najniższy w regionach z UE 12 (zob. tab. 5.45). Procesy rozwoju gospodarczego dokonują się zawsze w ściśle określonej przestrzeni. Przy tym dotyczy to fragmentu przestrzeni geograficznej zwanego przestrzenią ekonomiczną i to czynnik przestrzeni odgrywa istotną rolę w kształtowaniu 306 Tabela 5.45. Zestawienie zbiorcze punktacji regionów UE w tablicach wyników innowacyjności w latach 1999 i 2008 oraz na podstawie prognoz dla 2011 r. – struktury i kolejność 1999 2011 1999 2008 2011 UE 27 UE 15 UE 12 UE 27 UE 15 UE 12 UE 27 UE 15 UE 12 UE 27 UE 15 UE 12 UE 27 UE 15 UE 12 UE 27 UE 15 UE 12 % kolejność 0 0,38 0,30 0,67 0,38 0,24 0,89 0,38 0,30 0,67 2 3 1 2 3 1 2 3 1 1 14,06 12,62 19,42 12,03 9,45 21,65 12,41 9,75 22,32 2 3 1 2 3 1 2 3 1 2 12,08 11,00 16,07 13,96 12,98 17,63 13,02 10,89 20,98 2 3 1 2 3 1 2 3 1 3 14,67 12,14 24,11 16,04 14,95 20,09 14,86 14,65 15,63 2 3 1 2 3 1 2 3 1 4 16,51 15,01 22,10 17,12 16,09 20,98 14,76 13,70 18,75 2 3 1 2 3 1 2 3 1 5 15,99 17,76 9,38 14,10 15,55 8,71 15,57 17,11 9,82 2 1 3 2 1 3 2 1 3 6 12,12 14,06 4,91 14,20 16,21 6,70 13,21 14,83 7,14 2 1 3 2 1 3 2 1 3 7 8,21 9,75 2,46 7,36 8,67 2,46 9,20 10,83 3,13 2 1 3 2 1 3 2 1 3 8 3,40 4,13 0,67 2,97 3,59 0,67 4,20 5,02 1,12 2 1 3 2 1 3 2 1 3 9 1,60 1,97 0,22 1,08 1,38 0,00 1,46 1,79 0,22 2 1 3 2 1 3 2 1 3 10 0,99 1,26 0,00 0,75 0,90 0,22 0,94 1,14 0,22 2 1 3 2 1 3 2 1 3 Źródło: opracowanie własne. 5. Tablice wyników innowacyjności regionów – podejście amerykańskie Punkty 2008 5.5. Podsumowanie 307 charakteru i dynamiki procesów rozwoju gospodarczego. Zdaniem A. Löscha [1961, s. 380] „jeżeliby wszystko działo się w tym samym czasie, wówczas nie byłoby w ogóle rozwoju. Jeżeliby wszystko znajdowało się w tym samym miejscu, wówczas nie byłoby w ogóle odrębności. Tylko przestrzeń umożliwia istnienie odrębności, które następnie rozwijają się w czasie”. Zróżnicowania przestrzenne poziomu rozwoju gospodarczego i społecznego poszczególnych obszarów mają charakter obiektywny i wynikają m.in. z odmienności samego układu geograficznego i są immanentną cechą procesów rozwojowych. Badania porównawcze regionów stanowią potężne narzędzie polityki strategicznej, przyczyniające się do rozwoju regionalnego poprzez skuteczne spełnianie wielu kluczowych funkcji, m.in. stanowią instrument sprzyjający podnoszeniu świadomości interesariuszy regionalnych pozycji regionu na tle innych regionów, a głównym powodem prowadzenia badań porównawczych jest zdobycie wiedzy o sposobach oddziaływania polityki na systemy regionalne (np. na innowacje). ROZDZIAŁ 6 Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Gratyfikacja chęci lub potrzeby stanowi wyłącznie krok ku jakiemuś nowemu celowi. Na każdym etapie takiej progresji jego przeznaczeniem wydaje się wymyślanie nowości i wynalazków, angażowanie się w nowe przedsięwzięcia; kiedy zaś zostaną one zrealizowane, całą swoją zregenerowaną energię należy skierować na inne, podobne wyzwania. Alfred Marshall 6.1. Dynamiczna klasyfikacja regionów Unii Europejskiej Tendencje zmian w europejskich regionach pokazują, że jedynie budowanie przewagi konkurencyjnej opartej na wiedzy i innowacjach może zagwarantować im trwały rozwój gospodarczy. Innowacje w gospodarce stanowią obecnie jedno z głównych wyzwań podejmowanych przez regiony. Natura innowacji jest jednak trudno uchwytna, a często oczekuje się, szczególnie na szczeblach zarządczych, widocznych rezultatów np. wdrażanych przez unijne regiony strategii innowacji. Dlatego tak ważne jest wypracowanie metodologii umożliwiającej: określenie poziomu innowacyjności regionu, opisanie i wyjaśnienie ich zmian w czasie oraz analizę pozwalającą na porównania z innymi regionami. Taksonomia dynamiczna pozwala na określenie kierunku zmian struktury klasy i ocenę dynamiki jej zmian w analizowanym okresie. W klasycznym (statystycznym) podejściu obiektem klasyfikacji byłby region. Wówczas dane muszą dotyczyć jednego okresu czasu. W podejściu dynamicznym przedmiotem klasyfikacji są tzw. obiektookresy, każdy region w każdym z analizowanych lat stanowi odrębną operacyjną jednostkę taksonomiczną. W taksonomii dynamicznej warto przeprowadzać normalizację lub standaryzację globalną polegającą na tym, że średnią arytmetyczną oraz odchylenie standardowe liczy się z obserwacji danej cechy we wszystkich regionach i we wszystkich latach jednocześnie. Podobnie jest ze znajdowaniem minimum i maksimum cech, czyli wartości wykorzystywanych w normalizacji zmien- 309 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej nych. Takie podejście umożliwia przeprowadzenie badania zmian w czasie zarówno pojedynczych regionów, jak i charakterystyk dla całej Unii. Dwa zasadnicze zadania taksonomiczne to porządkowanie obiektów oraz ich grupowanie. Porządkowanie sprowadza się na ogół do wyliczenia pewnej miary syntetycznej i uporządkowania obiektookresów według wartości tej miary. Miara agregatowa różnicuje badane obiekty tylko pod względem poziomu cech. Grupowanie natomiast pozwala na wyodrębnienie względnie jednorodnych grup obiektookresów, które zawierają jednostki podobne pod względem zarówno poziomu, jak i struktury. W przedstawianej w tym rozdziale analizie najpierw obliczono miarę agregatową, a jej średni poziom wykorzystywano w interpretacji grup otrzymywanych w wyniku zastosowania analizy skupień. Wskaźnik agregatowy W wyznaczono według popularnej metodologii, której korzenie sięgają w Polsce lat sześćdziesiątych, a która została zaakceptowana w tworzeniu wielu różnych miar (np. Human Development Index [Handbook on Constructing… 2008]). Wskaźnik agregatowy obliczono według procedury opisanej poniżej. 1. Dla każdej zmiennej (analizowanej w 10 latach z danych rzeczywistych i 3 latach prognoz) ustalono globalne, tj. jedno dla 13 lat, minimum i maksimum, przy czym minimum pomniejszono, a maksimum powiększono o 0,01 (tab. 6.1). Tabela 6.1. Standaryzacja globalna – punkty odniesienia1 Zmienna Minimum Maksimum Minimum przesunięte (–0,01) Maksimum przesunięte (+0,01) WYKSZ 0,13 40,61 0,12 40,62 LLL 8,50 64,79 8,49 64,80 KIS 2,11 58,80 2,10 58,81 KIS 2 0,44 22,27 0,43 22,28 HRST 7,37 61,09 7,36 61,10 HIT 0,03 1942,54 0,02 1942,55 EPO 1,95 60,39 1,94 60,40 HIT 2 21,80 81,85 21,79 81,86 Źródło: opracowanie własne. 1 WYKSZ – procentowy udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie, LLL – procentowy udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie, KIS – pracujący w usługach opartych na wiedzy jako procent siły roboczej, KIS 2 – pracujący w usługach opartych na wiedzy jako procentowy udział pracujących w usługach, HRST – zasoby ludzkie dla nauki i techniki, HIT – pracujący w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej), EPO – liczba patentów zarejestrowanych w danym roku w European Patent Office na milion siły roboczej, HIT 2 – procentowy udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle. 310 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności 2. Wartość każdej charakterystyki innowacyjności znormalizowano z wykorzystaniem unitaryzacji zerowanej [Kukuła 2000]. Wszystkie zmienne to stymulanty. 3. Dla każdego regionu obliczono średnią arytmetyczną wartości znormalizowanych. Wskaźnik agregatowy W ustalono, mnożąc średnie arytmetyczne znormalizowanych charakterystyk innowacyjności przez 100, co sprawia, że wyniki będą unormowane w przedziale [0; 100]. Wartości średnie i odchylenia standardowe wskaźnika agregatowego w regionach UE w analizowanych latach zestawiono w tab. 6.2 i na rys. 6.1. Przedstawione dane stanowią przekonujący dowód na skuteczność polityki spójności w zakresie innowacyjności, gdyż poziom innowacyjności mierzony średnią wskaźnika agregatowego rośnie, a zróżnicowanie mierzone odchyleniem standardowym w analizowanych latach maleje. Rys. 6.1. Trend liniowy wartości średnich wskaźnika agregatowego W Źródło: opracowanie własne. Poza zmienną HRST, dla której skośność wyniosła niemal 0, pozostałe charakterystyki innowacyjności mają umiarkowaną asymetrię prawostronną. Przy tym największa asymetria znamionuje w regionach liczbę patentów zarejestrowanych 311 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej Tabela 6.2. Wartości średnie i odchylenia standardowe wskaźnika agregatowego w regionach UE Rok W średnie Odchylenie standardowe W 1999 30,48 11,54 2000 31,15 11,40 2001 31,62 11,32 2002 31,81 11,14 2003 32,73 11,43 2004 33,65 10,99 2005 34,08 10,97 2006 34,08 10,56 2007 34,66 10,64 2008 35,03 10,64 2009 36,01 10.51 2010 36,68 10,49 2011 37,38 10,50 Źródło: opracowanie własne. w EPO na milion siły roboczej. Charakterystykę tę wyróżnia także największa zmienność oraz odchylenie standardowe (tab. 6.3). Tabela 6.3. Charakterystyki cech oryginalnych (globalnie) Średnia Mediana Dolny kwartyl Górny kwartyl 25,87 25,74 19,32 32,03 9,16 35,39 0,203 LLL 9,33 6,95 3,98 14,69 7,07 75,78 0,938 KIS 31,54 31,21 24,74 38,21 9,11 28,88 0,165 KIS 2 47,44 47,20 42,02 52,91 8,03 16,93 0,111 HRST 34,26 34,70 28,40 40,00 8,88 25,91 –0,001 HIT 6,43 5,89 3,92 8,28 3,58 55,67 1,031 EPO 175,99 106,34 15,80 258,97 217,59 123,64 2,263 HIT 2 22,84 22,57 16,22 28,58 9,77 42,79 0,380 Zmienna WYKSZ Odchylenie standardowe Współczynnik Skośność zmienności Źródło: opracowanie własne. W pierwszym etapie grupowania zastosowano metodę Warda, aby poprzez ocenę dendrogramu zdecydować o liczbie podgrup, a następnie dokonać ostatecznego podziału za pomocą metody k-średnich. Istnieje wiele metod wskazujących wybór 312 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności właściwej liczby grup, a ich przegląd można znaleźć w pracy A. Sokołowskiego [1992]. Jedną z nich jest kierowanie się pierwszym wyraźnym przyrostem odległości aglomeracyjnej [Basiura 2007]. Otrzymane wyniki sugerują, iż mamy praktycznie do wyboru podział na 8 (po nim jest skok 53,2, co oznaczono w tabeli) oraz na 5 grup (tab. 6.4 i rys. 6.2). Tabela 6.4. Zmiany odległości aglomeracyjnej – metoda Warda Liczba grup 20 Odległość wiązania Poprzednia Przyrost Przyrost procentowy 70,5 19 81,0 70,5 10,5 14,9 18 82,3 81,0 1,3 1,7 17 89,2 82,3 6,9 8,3 16 105,2 89,2 16 17,9 15 111,9 105,2 6,7 6,4 14 113,4 111,9 1,5 1,4 13 132,1 113,4 18,7 16,5 12 133,4 132,1 1,3 1,0 11 135,6 133,4 2,2 1,7 10 166,3 135,6 30,7 22,6 9 178,7 166,3 12,4 7,5 8 201,0 178,7 22,3 12,5 7 254,2 201,0 53,2 26,5 6 279,7 254,2 25,5 10,0 5 304,3 279,7 24,6 8,8 4 566,6 304,3 262,3 86,2 3 697,3 566,6 130,7 23,1 2 907,1 697,3 209,8 30,1 1 2425,2 907,1 1518,2 167,4 Źródło: opracowanie własne. Można jeszcze w celu rozszerzenia analiz wybrać podział na dwie grupy, który prawdopodobnie wskazałby Europę dwóch prędkości w zakresie innowacyjności. Oceniając jednorodność grup w podziale na 5 i 8, wybrano podział bardziej jednorodny, tj. na 8 skupień. Ponadto przy 5 skupieniach istniało podejrzenie (jeszcze przed ostatecznym grupowaniem metodą k-średnich), iż podział na 5 uwzględni przede wszystkim poziom, a na 8 również strukturę. W celu uzyskania ostatecznego podziału regionów w czasie zastosowano metodę k-średnich z liczbą 8 klas. Do interpretacji otrzymanych klas wykorzystano wcześniej obliczony agregatowy wskaźnik innowacyjności W. Na podstawie jego 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej 313 średnich wartości w grupach można określić 5 poziomów innowacyjności: A (bardzo wysoki), B (wysoki), C (średni), D (niski) i E (regiony peryferyjne). Na tych poziomach można rozmieścić 8 otrzymanych klas, które mogą się różnić poziomem cech lub strukturą ich wartości. Rys. 6.2. Dendrogram z metody Warda – wskazanie optymalnego podziału na klasy Źródło: opracowanie własne. Analiza wariancji wskazuje, że wszystkie zmienne „biorą udział” w grupowaniu. W analizie wariancji hipoteza zerowa stawiana dla każdej zmiennej brzmiała, że wartość przeciętna we wszystkich grupach jest taka sama. Jej odrzucenie oznacza, że dana cecha pozwala wyodrębnić przynajmniej jedną grupę. Brak podstaw do odrzucenia hipotezy zerowej oznacza, że nie mamy prawa sądzić, iż jakaś grupa różni się od innej z punktu widzenia średniego poziomu tej cechy – czyli cecha nie jest różnicująca. Wartości p dla wszystkich cech są bardzo małe (0,0000), więc wyniki pozostają w mocy nawet po ewentualnym zastosowaniu poprawki na testowanie wielokrotne. Na podstawie średnich wartości cech w grupach można podjąć próbę bardziej ogólnego scharakteryzowania poszczególnych klas (tab. 6.5 i rys. 6.3). Klasa A1 – klasę tę charakteryzuje najwyższa przeciętna wartość trzech charakterystyk, tj. HIT, EPO i HIT 2 oraz trzecia co do wartości średnia wartość LLL 314 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Rys. 6.3. Średnie charakterystyk innowacyjności ustalone na podstawie wartości standaryzowanych Źródło: opracowanie własne. Tabela 6.5. Wartości średnie charakterystyk innowacyjności w klasach nazwa A1 A2 Klasa liczebność 160 348 WYKSZ 27,6 39,7 LLL 7,6 19,6 KIS 32,3 46,5 KIS2 51,3 59,4 Średnia HRST 14,1 47,5 HIT 14,9 4,9 EPO 841,7 293,1 HIT2 43,2 25,2 W 49,6 49,3 B1 B2 358 557 29,0 29,4 9,3 18,6 35,1 39,4 51,0 54,4 40,3 35,8 9,0 5,9 341,9 145,7 31,8 24,2 41,8 40,8 C1 C2 666 370 30,3 17,8 7,6 5,3 31,8 26,2 46,4 44,2 37,6 30,9 4,7 10,9 103,9 177,8 18,2 30,6 32,4 32,4 D 515 17,1 4,0 24,2 42,4 26,4 6,2 50,0 19,9 24,1 E 471 18,1 2,9 20,2 36,0 22,2 2,5 11,4 9,4 16,2 Źródło: opracowanie własne. 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej 315 i, zgodnie wcześniej poczynionymi podziałami, jest to klasa regionów, które można ewidentnie określić jako regiony wyspecjalizowane w innowacyjności output, bieguny innowacyjności output. Klasa A2 – główną cechą tej grupy są najwyższe przeciętne wartości aż pięciu charakterystyk: WYKSZ, LLL, KIS, HRST i KIS 2, które wcześniej w analizie czynnikowej utworzyły jedną grupę – jest to klasa regionów innowacyjności input (bieguny innowacyjności input), należy podkreślić, że obie klasy A mają bardzo zbliżone wartości średniej miary agregatowej (niemal 50). Klasa B1 ma drugą co do wielkości średnią wartość takich charakterystyk innowacyjności, jak HRST, EPO i HIT 2, a trzecią co do wartości średnią charakterystyk LLL i KIS i HIT. Jest to klasa regionów z wyspecjalizowaną kadrą w przemyśle, kapitałem ludzkim w nauce i technice oraz kadrą podnoszącą kwalifikacje (wysokie LLL), co przynosi efekty w postaci stosunkowo wysokiej średniej liczby patentów na mln pracujących. Klasa B2 – druga co do wielkości wartość średnia LLL i KIS oraz KIS 2 i trzecia co do wielkości wartość średnia WYKSZ. Jest to klasa regionów o wyspecjalizowanych usługach, wykształconej i stale uczącej się kadrze, ponadto obie klasy B charakteryzują porównywalne poziomy średniej miary agregatowej (powyżej 40). Klasa C1 – w klasie tej zanotowano drugą co do wielkości wartość średnią WYKSZ, a trzecią w kolejności przeciętną wartość HRST i jednocześnie bardzo niskie (drugie w uporządkowaniu rosnącym) wartości przeciętne HIT i HIT 2. Klasa C2, w klasie tej zanotowano drugą co do wielkości wartość średnią HIT, a trzecią w kolejności przeciętną wartość HIT 2 i równocześnie zdecydowanie niską, drugą w uporządkowaniu rosnącym średnią wartość WYKSZ, regiony w grupach C1 i C2 charakteryzuje przeciętna wartość miary agregatowej na poziomie 32,4. Klasa D – grupa ta wyróżnia się negatywnie przede wszystkim drugą w kolejności, ale w uporządkowaniu od najmniejszych, wartością średnią pięciu charakterystyk innowacyjności, tj. LLL, KIS, HRST, KIS 2, i EPO, dla klasy tej średnia wartość miary agregatowej jest dwukrotnie niższa od najwyższej. Klasa E – poza WYKSZ (której wartość średnia w klasie i tak jest tylko o 1 punkt procentowy wyższa od najniższej w otrzymanych klasach) wszystkie wartości średnie analizowanych charakterystyk innowacyjności są najniższe, a wartość średnia miary agregatowej wynosi w tej klasie jedynie 16,2 – to regiony peryferyjne w zakresie innowacyjności. Odnosząc wartości wskaźnika agregatowego do wyników podziału, należy stwierdzić, że grupy różnią się również pod względem wskaźnika agregatowego, który nie był wykorzystywany w grupowaniu. W zagadnieniu taksonomicznym [YT, Z] operacyjnymi jednostkami taksonomicznymi są obiektookresy. Każdy region w każdej jednostce czasu traktowany jest osobno. Badamy ich konfigurację w przestrzeni definiowanej przez ustaloną liczbę charakterystyk innowacyjności. Jeśli przyjmiemy podane wcześniej oznaczenia, że: 316 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Y = {y1, y2, …, ym} – zbiór regionów, Z = {z1, z2, …, zw} – zbiór cech opisujących innowacyjność w regionach, T = {t1, t2, …, tn} – zbiór jednostek czasu, to wyniki analizy skupień można przedstawić w postaci macierzy binarnej o m wierszach i n kolumnach. Jedynka oznacza, że dany region w danej jednostce czasu należy do grupy, którą opisuje macierz. Otrzymana tablica przynależności to tablica wynikowa klasyfikacji regionów UE, w której przyjęto następujące oznaczenia: 0 = „nie należy”, 1 = „należy” do danej klasy (przykładową ilustrację dla klasy A1 zamieszczono w tab. 6.6). Tabela 6.6. Tablica wynikowa klasyfikacji – klasa A1 Klasa A1 Prov. Brabant Wallon (BE) Razem „1” `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 w regionie Rok 1 0 0 0 0 0 0 0 0 0 0 0 0 1 Stuttgart (DE) 1 1 1 1 1 1 1 1 1 1 1 1 1 13 Karlsruhe (DE) 1 1 1 1 1 1 1 1 1 1 1 1 1 13 Freiburg (DE) 1 1 1 1 1 1 1 1 1 1 1 1 1 13 Tübingen (DE) 1 1 1 1 1 1 1 1 1 1 1 1 1 13 Oberbayern (DE) 1 1 1 1 1 1 1 1 1 1 1 1 1 13 Oberpfalz (DE) 0 1 1 1 1 1 1 1 1 1 1 1 1 12 Mittelfranken (DE) 1 1 1 1 1 1 1 1 1 1 1 1 1 13 Unterfranken (DE) 1 1 1 1 1 1 1 1 1 1 1 1 1 13 Schwaben (DE) 1 1 1 1 1 1 1 0 1 1 0 0 0 9 Darmstadt (DE) 1 1 1 1 1 1 1 0 1 0 0 0 0 8 Braunschweig (DE) 1 1 1 1 1 1 1 1 1 1 1 1 1 13 Köln (DE) 1 1 1 1 1 1 0 0 0 0 0 0 0 6 Rheinhessen-Pfalz (DE) 1 1 1 1 1 1 1 1 1 1 1 1 1 13 Noord-Brabant (DE) 1 1 1 1 1 1 1 0 0 0 0 0 0 7 Razem „1” w roku 14 14 14 14 14 14 13 10 12 11 10 10 10 Źródło: opracowanie własne. W klasie A1 występują regiony, które są w niej niemal w każdym roku objętym badaniem (i, jak wynika z prognoz, będą nadal). Trzon tej grupy to niemieckie regiony: Stuttgart, Karlsruhe, Freiburg, Tübingen, Oberbayern, Oberpfalz, Mittelfranken, Unterfranken, Braunschweig, Rheinhessen-Pfalz. Z biegiem czasu niektóre regiony 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej 317 opuściły tę grupę (belgijski Prov. Brabant Wallon i niderlandzki Noord-Brabant, niemieckie Schwaben, Darmstadt oraz Köln). Pozostało 10 wymienionych regionów. Łącznie przez klasę A1 w latach 1999–2011 „przewinęło się” 15 regionów z 3 krajów: Niemiec (13 regionów), Belgii i Niderlandów (po 1 regionie). Średnia liczba „przebywania” regionów w grupie to 10,7 roku i jest to najwyższa średnia ze wszystkich analizowanych grup, co świadczyć może o jej względnej stabilności. Ze względu na rozmiar pracy, dla pozostałych grup nie zamieszczono tabel ilustrujących tak jak dla grupy A1 wyników klasyfikacji. Poniżej zaprezentowano jedynie skrócony opis dla klas A2, B1 i B2, C1 i C2, D i E. Klasa A2 to grupa przyszłości, która na stałe krystalizuje się w latach 2009–2011 (dane prognozowane). Regiony, które są niemal w każdym roku analizy w tej klasie co najmniej od 2000 r., to: brytyjskie Inner London, Outer London, Berkshire, Bucks and Oxfordshire, Surrey, East and West Sussex, belgijskie Région de Bruxelles-Capitale i Prov. Brabant Wallon, niderlandzkie Utrecht i Noord-Holland, szwedzkie Stockholm i Sydsverige, duński Hovedstaden, finlandzki Etelä-Suomi. Przyłączały się do klasy i były w niej: – przez 10–11 lat finlandzki Åland, belgijski Prov. Vlaams Brabant, brytyjski Bedfordshire, Hertfordshire i Berlin, – przez 8–9 lat francuski region Île de France, niderlandzki Zuid-Holland, szwedzkie Västsverige i Övre Norrland oraz Östra Mellansverige, finlandzkie regiony Länsi-Suomi i Pohjois-Suomi oraz brytyjski Eastern Scotland, – od 5 do 7 lat niderlandzki region Groningen, duńskie Sjælland i Midtjylland, brytyjski Gloucestershire, Wiltshire and Bristol oraz Praha, Pozostałe regiony były w klasie przez 4 z ostatnich analizowanych lat (w tym 3 prognozowane). W klasie tej odnotowano 51 regionów z 14 krajów: Wielkiej Brytanii (13), Niderlandów (7), Szwecji (6), Danii (5), Belgii i Finlandii (po 4 regiony), Niemiec (3), Hiszpanii i Francji (po 2), Austrii i Irlandii (po 1), a także Luksemburga oraz po jednym z UE 12 z Czech i Słowacji. Skład klasy B1 był zmienny. Jest w niej stosunkowo wiele takich regionów, które były w niej tylko rok lub dwa. Trwałe jądro klasy tworzy 13 regionów: 3 z Belgii (Prov. Antwerpen, Prov. Limburg, Prov. Oost-Vlaanderen), 9 z Niemiec (Bremen, Hamburg, Gießen, Hannover, Düsseldorf, Münster, Detmold, Dresden, Schleswig-Holstein) i 1 z Francji (Rhône-Alpes); wymienione regiony były w klasie co najmniej przez 10 lat. Inne regiony były w tej klasie: – przez 8–9 lat niemieckie Chemnitz, Arnsberg, Thüringen, francuski Alsace i austriacki Vorarlberg, – 6–7 lat niemieckie Oberfranken, Kassel, Köln, Saarland, francuskie Centre, Midi-Pyrénées, hiszpański Comunidad Foral de Navarra, niderlandzki Limburg i brytyjski Herefordshire, Worcestershire and Warks. W sumie w klasie B1 występują 64 regiony z 10 krajów: Niemiec (24), Francji (12) i Wielkiej Brytanii (6), Belgii, Austrii oraz Włoch (po 4), Hiszpanii i Finlandii 318 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności (po 3), Niderlandów i Szwecji (po 2). Średni czas przebywania regionów w tej grupie to 5,6 roku, i jest to najniższa średnia ze wszystkich analizowanych grup. Klasa B2 stanowi układ względnie spójny z powodu występujących w niej regionów. Przez co najmniej 10 lat były w tej grupie: – 24 regiony brytyjskie (Tees Valley and Durham, Northumberland, Tyne and Wear, Cumbria, Greater Manchester, Lancashire, Merseyside, East Yorkshire and Northern Lincolnshire, South Yorkshire, West Yorkshire, Derbyshire and Nottinghamshire, Leicestershire, Rutland and Northants, Lincolnshire, Shropshire and Staffordshire, West Midlands, East Anglia, Essex, Kent, Dorset and Somerset, Cornwall and Isles of Scilly, Devon, West Wales and The Valleys, East Wales, South Western Scotland, Highlands and Islands), – po 3 niderlandzkie (Friesland, Drenthe, Flevoland), – po 3 szwedzkie (Småland med öarna, Norra Mellansverige, Mellersta Norrland), – duński (Syddanmark) i finlandzki (Itä-Suomi). Ponadto w klasie tej były takie regiony, jak: – przez 8–9 lat kolejne brytyjskie (North Yorkshire, Hampshire and Isle of Wight, North Eastern Scotland), niderlandzkie (Overijssel, Zeeland) oraz duński Nordjylland i słoweński Zahodna Slovenija, – przez 6–7 lat następne brytyjskie (Herefordshire, Worcestershire and Warks, Gloucestershire, Wiltshire and Bristol), niderlandzkie (Groningen, Gelderland, Limburg) i duńskie (Sjælland, Midtjylland). W klasie B2 występuje 71 regionów z 11 krajów: Wielkiej Brytanii (34), Niderlandów (10), Austrii (6), Szwecji (5), Danii i Finlandii (po 4 regiony), Francji Włoch i Słowenii (po 2) oraz po jednym z Niemiec i Słowacji. Jest to trzecia grupa pod względem liczności przewijających się przez nią regionów UE. W klasie C1 jest najwięcej, bo 108 regionów z 24 krajów UE: Hiszpanii i Francji (po 17), Włoch (14), Niemiec (12), Polski (10), Belgii (6), Niderlandów, Wielkiej Brytanii i Austrii (po 5 regionów), Irlandii i Grecji (po 2) i po jednym z Czech, Estonii, Cypru, Litwy, Łotwy, Malty, Luksemburga i Bułgarii oraz Węgier, Portugalii, Rumunii, Słowenii, Słowacji. Średnia „obecności” regionów w tej grupie wynosi 6 lat. Natomiast 10 lat i więcej w grupie tej pozostawały regiony: belgijskie (Prov. West-Vlaanderen, Prov. Hainaut, Prov. Liège, Prov. Luxembourg, Prov. Namur), niemieckie (Brandenburg-Nordost, Mecklenburg-Vorpommern, Trier, Sachsen-Anhalt), hiszpańskie (Principado de Asturias, Castilla y León), francuskie (Aquitaine, Auvergne, Languedoc-Roussillon, Provence-Alpes-Côte d’Azur), grecki region Attiki, węgierski Közép-Magyarország, irlandzki Southern and Eastern, rumuński Bucureşti-Ilfov, brytyjski Northern Ireland, Litwa, bułgarski Yugozapaden, Cypr i Estonia. Do klasy C2 zaklasyfikowano 64 regiony, które były w niej przeciętnie 6 lat. Wśród krajów, których regiony wystąpiły w tej grupie, są: Niemcy (12), Francja (11), Włochy (10), Czechy (7), Austria (5), Węgry (4), Hiszpania i Wielka Brytania (po 3), Polska, Rumunia, Słowenia i Słowacja (po 2) i Niderlandy (1 region). Przez 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej 319 10 lat i więcej w klasie C2 notowano następujące regiony: czeskie (Střední Čechy, Jihozápad, Severovýchod, Střední Morava), niemieckie (Niederbayern, Lüneburg), węgierskie (Közép-Dunántúl, Nyugat-Dunántúl), włoskie (Piemonte, Valle d’Aosta, Veneto, Friuli-Venezia Giulia, Emilia-Romagna), austriacki Oberösterreich i słoweński region Západné Slovensko. W grupie tej były także: – przez 8–9 lat regiony francuskie (Picardie, Haute-Normandie, Franche-Comté), czeski region Jihovýchod, niemiecki Weser-Ems, węgierski Észak-Magyarország, słoweński Vzhodna Slovenija, – przez 6–7 lat niemieckie (Oberfranken, Kassel, Saarland), francuskie (Centre, Bourgogne, Lorraine) i włoski region Marche. W klasie D zawierającej 83 regiony mają reprezentację takie kraje, jak: Polska (15), Włochy (14), Francja (12), Austria (7), Bułgaria, Rumunia i Czechy (po 5 regionów), Hiszpania i Węgry (po 4), Portugalia i Słowacja (po 3 regiony), Słowenia i Wielka Brytania (po 2 regiony), Irlandia (1) i Malta. Przy tym co najmniej przez 10 lat (z 13 możliwych) były w tej grupie regiony: polskie (śląski, podkarpacki, wielkopolski, lubuski, opolski i kujawsko-pomorski), bułgarskie (Severen tsentralen, Yugoiztochen), czeskie (Severozápad, Moravskoslezsko), węgierskie (Dél-Dunántúl, Észak-Alföld), włoskie (Toscana, Molise, Campania), rumuńskie (Sud-Muntenia i Sud-Vest Oltenia), słoweńskie (Stredné Slovensko i Východné Slovensko) oraz Malta. Grupa ta charakteryzuje się również tym, że raczej „gubi” regiony (szczególnie w okresie prognozowanym), a dotyczy to regionów: włoskich (Umbrii, Abruzza, Basilicaty), polskich (małopolskiego, dolnośląskiego, zachodniopomorskiego i pomorskiego), austriackich (Burgenlandu, Tirolu) i bułgarskiego Severoiztochen). Wśród 53 regionów stanowiących klasę E znalazło się 12 greckich, 10 hiszpańskich, po 6 polskich i portugalskich oraz po 5 włoskich i rumuńskich, a także 4 bułgarskie, Cypr, Łotwa i po 1 regionie francuskim, węgierskim i austriackim, tj. regiony z 12 państw UE. Znamienne jest, że wygląda na to, iż ponad połowa z przyporządkowanych do tej klasy regionów była w niej, jest i będzie – liczba okresów, w których zaliczono je do klasy E, wynosi 10 i więcej. Do regionów trwających w klasie o najniższym poziomie innowacyjności w europejskiej przestrzeni zaliczają się głównie regiony: – Grecji (12): Anatoliki Makedonia, Thraki, Dytiki Makedonia, Thessalia, Ipeiros, Ionia Nisia, Dytiki Ellada, Sterea Ellada, Peloponnisos, Voreio Aigaio, Notio Aigaio, Kriti, Kentriki Makedonia, – Portugalii (6): Norte, Algarve, Centro, Alentejo, Região Autónoma dos Açores, Região Autónoma da Madeira, – Bułgarii (2): Severozapaden, Yuzhen tsentralen, – Polski (2): świętokrzyski i warmińsko-mazurski, – Rumunii (3): Nord-Vest, Nord-Est, Sud-Est, – hiszpański region Islas Baleares i włoski Sardegna. Na podstawie prognoz można wskazać, iż grupę tę opuszczą hiszpańskie Castilla-la Mancha, Canarias, Extremadura i Región de Murcia oraz włoski region Cala- 320 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności bria. W 2005 r. zidentyfikowano tylko jeden region „dołączający” do tej grupy na dłużej – rumuński Centru, a od 2006 r. bułgarski Severoiztochen. Zgodnie z przyjętym tokiem analizy poniżej przedstawione są regiony w klasach i ich przyporządkowania w krajach UE. Belgia podzielona jest na 11 regionów szczebla NUTS 2, z których pięć było przez cały analizowany okres (tj. 10 lat danych rzeczywistych i 3 lata prognoz) w klasie C1 (Prov. West-Vlaanderen, Prov. Hainaut, Prov. Liège, Prov. Luxembourg, Prov. Namur), dwa, w tym zawierający stolicę (Région de Bruxelles), w klasie A2, a następny był w tej klasie przez 10 lat (Prov. Vlaams Brabant), kolejne 3 regiony zaś (Prov. Antwerpen, Prov. Limburg, Prov. Oost-Vlaanderen) były w klasie B1, przy czym ostatni z wymienionych w pierwszym i ostatnim momencie był w innych klasach (tab. 6.7). Tabela 6.7. Przyporządkowanie belgijskich regionów do klas Regiony Région de Bruxelles `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 Prov. Antwerpen B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 Prov. Limburg B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 Prov. Oost-Vlaanderen C1 B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 A2 Prov. Vlaams Brabant B1 B1 A2 B1 A2 A2 A2 A2 A2 A2 A2 A2 A2 Prov. West-Vlaanderen C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 Prov. Brabant Wallon A1 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 Prov. Hainaut C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 Prov. Liège C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 Prov. Luxembourg C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 Prov. Namur C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 Źródło: opracowanie własne. Wśród duńskich regionów zawierający stolicę Hovedstaden zaliczono do klasy A2, a Syddanmark do klasy B2, natomiast reszta regionów tego kraju była zamiennie w klasach A2 i B2 (tab. 6.8). Tabela 6.8. Przyporządkowanie duńskich regionów do klas Regiony Hovedstaden Sjælland Syddanmark Midtjylland Nordjylland `99 A2 B2 B2 B2 B2 `00 A2 B2 B2 B2 B2 Źródło: opracowanie własne. `01 A2 B2 B2 B2 B2 `02 A2 B2 B2 B2 B2 `03 A2 B2 B2 B2 A2 `04 A2 B2 B2 B2 A2 `05 A2 A2 B2 A2 A2 `06 A2 A2 B2 A2 A2 `07 A2 B2 B2 B2 B2 `08 A2 A2 B2 A2 B2 `09 A2 A2 B2 A2 B2 `10 A2 A2 B2 A2 B2 `11 A2 A2 A2 A2 B2 321 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej Tabela 6.9. Przyporządkowanie niemieckich regionów do klas Regiony Stuttgart Karlsruhe Freiburg Tübingen Oberbayern Niederbayern Oberpfalz Oberfranken Mittelfranken Unterfranken Schwaben Berlin Brandenburg-Nordost Brandenburg-Südwest Bremen Hamburg Darmstadt Gießen Kassel Mecklenburg-Vorpommern Braunschweig Hannover Lüneburg Weser-Ems Düsseldorf Köln Münster Detmold Arnsberg Koblenz Trier Rheinhessen-Pfalz Saarland Chemnitz Dresden Leipzig Sachsen-Anhalt Schleswig-Holstein Thüringen Źródło: opracowanie własne. `99 A1 A1 A1 A1 A1 C2 C2 C2 A1 A1 A1 B1 C1 C1 C2 B1 A1 B1 C2 C1 A1 B1 C2 C2 B1 A1 C2 C2 C2 C2 C1 A1 C2 C1 C1 C1 C1 B1 C1 `00 A1 A1 A1 A1 A1 C2 A1 C2 A1 A1 A1 B1 C1 C1 C2 B1 A1 B1 C2 C1 A1 B1 C2 C2 B1 A1 C2 C2 C2 C2 C1 A1 C2 C1 B1 C1 C1 B1 C1 `01 A1 A1 A1 A1 A1 C2 A1 C2 A1 A1 A1 B1 C1 C1 B1 B1 A1 B1 C2 C1 A1 B1 C2 C2 B1 A1 C2 B1 C2 C2 C1 A1 C2 C1 B1 C1 C1 B1 C1 `02 A1 A1 A1 A1 A1 C2 A1 C2 A1 A1 A1 A2 C1 C1 C2 B1 A1 B1 C2 C1 A1 B1 C2 C2 B1 A1 B1 C2 C2 C2 C1 A1 C2 C1 B1 C1 C1 B1 C1 `03 A1 A1 A1 A1 A1 C2 A1 C2 A1 A1 A1 A2 C1 C1 B1 B1 A1 B1 C2 C1 A1 B1 C2 C2 B1 A1 B1 B1 B1 B1 C1 A1 C2 B1 B1 C1 C1 B1 C1 `04 A1 A1 A1 A1 A1 C2 A1 C2 A1 A1 A1 A2 C1 C1 B1 B1 A1 B1 B1 C1 A1 B1 B1 B1 B1 A1 B1 B1 B1 B1 C1 A1 B1 B1 B1 C1 C1 B1 B1 `05 A1 A1 A1 A1 A1 C2 A1 B1 A1 A1 A1 A2 C1 C1 B1 B1 A1 B1 B1 C1 A1 B1 C2 C2 B1 B1 B1 B1 B1 B1 C1 A1 B1 B1 B1 B1 C1 B1 B1 `06 A1 A1 A1 A1 A1 C2 A1 C2 A1 A1 B1 A2 C1 C1 B1 B1 B1 B1 C2 C1 A1 B1 C2 C2 B1 B1 B1 B1 C2 C1 C1 A1 C1 B1 B1 B1 C1 B1 B1 `07 A1 A1 A1 A1 A1 C2 A1 B1 A1 A1 A1 A2 C1 B1 B1 B1 A1 B1 B1 C1 A1 B1 C2 C2 B1 B1 B1 B1 B1 C1 C1 A1 B1 B1 B1 B2 C1 B1 B1 `08 A1 A1 A1 A1 A1 C2 A1 B1 A1 A1 A1 A2 C1 C1 B1 B1 B1 B1 B1 C1 A1 B1 C2 C1 B1 B1 B1 B1 B1 C2 C1 A1 C2 B1 B1 C1 C1 B1 B1 `09 A1 A1 A1 A1 A1 C2 A1 B1 A1 A1 B1 A2 C1 B1 B1 B1 B1 B1 B1 C1 A1 B1 C2 C1 B1 B1 B1 B1 B1 C1 C1 A1 B1 B1 B1 B2 C1 B1 B1 `10 A1 A1 A1 A1 A1 C2 A1 B1 A1 A1 B1 A2 C1 B1 B1 A2 B1 B1 B1 C1 A1 B1 C2 C1 B1 B1 B1 B1 B1 C1 C1 A1 B1 B1 B1 B2 C1 B1 B1 `11 A1 A1 A1 A1 A1 C2 A1 B1 A1 A1 B1 A2 C1 B1 B1 A2 B1 B1 B1 C1 A1 B1 C2 C1 B1 B1 B1 B1 B1 C1 C1 A1 B1 B1 B1 A2 C1 B1 B1 322 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Najliczniejsze pod względem liczby regionów szczebla NUTS 2 są Niemcy. Na podkreślenie zasługuje duży ich udział w klasie A1, ponieważ w klasie tej na 160 obiektookresów 152 to regiony niemieckie. Przy tym wiele z nich było w tej klasie przez każdy rok z 13 badanych lat (Stuttgart, Karlsruhe, Freiburg, Tübingen, Oberbayern, Mittelfranken, Unterfranken, Braunschweig, Rheinhessen-Pfalz), a inne przez wiele z analizowanych lat (Köln, Darmstadt, Schwaben, Oberpfalz). Pierwsza, co do częstości występowania w niej niemieckich regionów, jest klasa B1, w której obserwowano (przez różne liczby lat) 20 regionów, a najdłużej, bo przez 13 lat, Hamburg, Gießen, Hannover i Düsseldorf. Znamienne jest także i to, że niemieckie regiony nie występowały w klasyfikacji w klasie D i E (tab. 6.9). Regiony Irlandii przez większość badanego okresu występowały w klasie C1, tylko na początku (lata 1999–2002) region Border, Midlands and Western był w klasie D, a w ostatnim roku (prognozowany 2011) region zawierający stolicę Southern and Eastern odnotowano w klasie A2 (tab. 6.10). Tabela 6.10. Przyporządkowanie irlandzkich regionów do klas Regiony Border, Midlands and Western Southern and Eastern `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 D D D D C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 A2 Źródło: opracowanie własne. Tabela 6.11. Przyporządkowanie greckich regionów do klas Regiony `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 Anatoliki Makedonia, Thraki E E E E E E E E E E E E E Kentriki Makedonia E E E E E E E E E E E E C1 Dytiki Makedonia E E E E E E E E E E E E E Thessalia E E E E E E E E E E E E E Ipeiros E E E E E E E E E E E E E Ionia Nisia E E E E E E E E E E E E E Dytiki Ellada E E E E E E E E E E E E E Sterea Ellada E E E E E E E E E E E E E Peloponnisos E E E E E E E E E E E E E Attiki C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 Voreio Aigaio E E E E E E E E E E E E E Notio Aigaio E E E E E E E E E E E E E Kriti E E E E E E E E E E E E E Źródło: opracowanie własne. Z 13 greckich regionów tylko jeden – stołeczne Attiki – był w innej klasie niż pozostałe. Ale choć jest to grupa o nieco wyższym poziomie innowacyjności, to nie jest to poziom wysoki, ponieważ klasę C1 charakteryzuje jedynie druga co do wiel- 323 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej kości wartość średnia WYKSZ, trzecia w kolejności średnia HRST, a jednocześnie bardzo niskie (drugie w uporządkowaniu rosnącym) średnie HIT i HIT 2. Reszta, tj. 12 greckich regionów, była niemal zawsze w grupie E, o najniższych osiągach w zakresie innowacyjności pod względem większości charakterystyk (tab. 6.11). Hiszpańskie regiony szczebla NUTS 2 występowały w niemal wszystkich klasach (poza A1 i B2), przy czym największą poprawę w zaklasyfikowaniu zanotowano dla regionu Pais Vasco oraz zawierającego stolicę Comunidad de Madrid. Dla pozostałych regionów przesunięcia w klasyfikacji wyglądały następująco (tab. 6.12): – najwięcej, bo aż 10, regionów zmieniło klasę E na klasę C1, – z klasy C2 do C1 zmieniły pozycję trzy regiony: Aragón i Cataluña oraz Comunidad Foral de Navarra, – z klasy D do C1 przeszły dwa hiszpańskie regiony – Cantabria i Castilla y León. Tabela 6.12. Przyporządkowanie hiszpańskich regionów do klas Regiony Galicia Principado de Asturias Cantabria Pais Vasco Comunidad Foral de Navarra La Rioja Aragón Comunidad de Madrid Castilla y León Castilla-la Mancha Extremadura Cataluña Comunidad Valenciana Illes Balears Andalucia Región de Murcia Canarias `99 `00 `01 `02 `03 E E E D D E E E C1 C1 D D D D C1 C1 C1 C1 C1 C1 `04 C1 C1 C1 B1 `05 C1 C1 C1 B1 `06 C1 C1 C1 B1 `07 C1 C1 C1 B1 `08 C1 C1 C1 B1 `09 C1 C1 C1 A2 `10 C1 C1 C1 A2 `11 C1 C1 C1 A2 C2 C2 B1 B1 B1 B1 B1 B1 C1 B1 C1 C1 C1 E C2 C1 D E E C2 E E E E E D C2 C1 D E E C2 E E E E E E C2 C1 C1 E E C2 E E E E E E C2 C1 C1 E E C2 E E E E E C1 C1 C1 C1 E E C2 E E E E E E C1 C1 C1 E E C1 E E E E E C1 C1 C1 C1 E E C1 C1 E E E E C1 C1 C1 C1 E E C1 C1 E C1 E E C1 C1 C1 C1 E E C1 C1 E C1 E E C1 C1 A2 C1 E C1 B1 C1 E C1 C1 E C1 C1 A2 C1 C1 C1 C1 C1 E C1 C1 C1 C1 C1 A2 C1 C1 C1 C1 C1 E C1 C1 C1 C1 C1 A2 C1 C1 C1 C1 C1 C1 C1 C1 C1 Źródło: opracowanie własne. Francuskie regiony obserwowano poza klasą A1, we wszystkich pozostałych utworzonych w wyniku klasyfikacji, przy czym na stałe w klasie B1 był region Rhône-Alpes i w klasie C1region Languedoc-Roussillon. W klasie tej były, poza jednym momentem, również regiony Provence-Alpes-Côte d’Azur (oprócz 2004 r.) i Aquitaine (oprócz 2000 r.). Inne francuskie regiony przemieszczały się między klasami (tab. 6.13): 324 – – – – – – – – 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności z klasy C2 do A2 region Bretagne, z klasy C2 do B1 regiony Haute-Normandie, Centre, Alsace i Franche-Comté, z klasy C2 do C1 regiony Picardie i Bourgogne oraz Pays de la Loire, z klasy C1 do B1 region Midi-Pyrénées, z klasy B1 do A2 zawierający stolicę kraju Île de France, z klasy D do B2 regiony Basse-Normandie i Nord-Pas-de-Calais, z klasy D do B1 region Lorraine, z klasy D do C1 regiony Champagne-Ardenne, Poitou-Charentes, Limousin, Auvergne i Corse. Tabela 6.13. Przyporządkowanie francuskich regionów do klas Regiony `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 Île de France B1 B1 B1 B1 A2 A2 A2 A2 A2 A2 A2 A2 A2 Champagne-Ardenne D D D D D Picardie C2 C2 C2 D Haute-Normandie C2 C2 C2 C2 Centre C2 C2 C2 Basse-Normandie D C2 C2 Bourgogne C2 C2 Nord-Pas-de-Calais D D D C1 C1 C1 C1 C1 C1 C1 C2 D C2 C2 C2 C1 C2 C1 C1 C2 C2 C2 C2 B1 C2 B1 B1 B1 C2 C1 C2 B1 B1 C2 B1 B1 B1 B1 C2 C2 D C1 C1 B1 C1 C1 B2 B2 C2 C2 C2 C2 D D C1 C1 C1 C1 C1 D C1 C1 C1 C1 C1 C1 C1 C1 C1 B2 Lorraine D C2 C2 C2 C2 C2 C1 C1 C1 C2 B1 B1 B1 Alsace C2 C2 C2 C2 B1 B1 B1 B1 B1 B1 B1 B1 B1 Franche-Comté C2 C2 C2 C2 C2 C2 C2 B1 C2 B1 B1 B1 B1 Pays de la Loire C2 C2 D C1 C1 C1 C1 C1 C1 B1 C1 C1 C1 Bretagne C2 C2 B1 C1 C1 B1 C1 C1 C1 C1 C1 C1 A2 Poitou-Charentes D D D D C2 C2 C1 C1 C1 C1 C1 C1 C1 Aquitaine C1 D C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 Midi-Pyrénées C1 C1 B1 C1 C1 C1 B1 C1 B1 B1 B1 B1 B1 Limousin D D D D C1 D C1 C1 C1 C1 C1 C1 C1 Rhône-Alpes B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 B1 Auvergne D D C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 Languedoc-Roussillon C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 Provence-Alpes-Côte d’Azur C1 C1 C1 C1 C1 B1 C1 C1 C1 C1 C1 C1 C1 Corse C1 C1 D D D E C1 C1 D C1 C1 C1 D Źródło: opracowanie własne. Dziesięć z 21 włoskich regionów w pierwszym roku analizy zaliczono do klasy D, 5 do klasy E, a 6 do klasy C1, natomiast w ostatnim z badanych lat 3 regiony do klasy C2, 12 regionów do klasy C1, a 4 regiony do B1 oraz 2 do B2 – przy czym na stałe w grupie C2 były regiony Valle d’Aosta i Veneto (tab. 6.14). 325 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej Luksemburg, jako jedyny kraj w UE 15 o jednym regionie na szczeblu NUTS 2, przypisano przez 9 pierwszych analizowanych lat do klasy C1, natomiast przez cztery ostatnie (2008–2011) do klasy A2. Tabela 6.14. Przyporządkowanie włoskich regionów do klas Regiony `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 Piemonte C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 B1 B1 Valle d’Aosta C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 Liguria D C2 C2 D D C1 D C1 C1 C1 C1 C1 C1 Lombardia C2 C2 C2 C2 C2 C2 C2 C2 C2 B1 B1 B1 B1 Provincia Autonoma Bolzano-Bozen E E E E E D D D D D D C1 C1 Provincia Autonoma Trento D D D D D D D C1 C1 C1 C1 B2 B2 Veneto C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 Friuli-Venezia Giulia C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 B1 B1 B1 Emilia-Romagna C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 B1 B1 B1 Toscana D D D D D D D D D D C1 C1 C1 Umbria D D D D D C1 D D D D C1 C1 C1 Marche D D D D D D D C2 C2 C2 C2 C2 C2 Lazio D D D D D C1 C1 C1 C1 C1 C1 B2 B2 Abruzzo D D D D D C2 D D D D C1 C1 C1 Molise D D D D D D D D D D D C1 C1 Campania D D D D D D D D D D D D C1 Puglia E D E E E D D D D D D D C1 Basilicata D D C2 D D D D D D D C1 C1 C1 Calabria E E E E E C1 D E E E C1 C1 C1 Sicilia E E E E E D D D D D C1 C1 C1 Sardegna E E E E E E E E E E E C1 C1 Źródło: opracowanie własne. Najniższa klasa, w jakiej zanotowano region niderlandzki, to klasa C2 (Zeeland), i to tylko raz, w 1999 r. Najczęściej regiony z Niderlandów były w klasach B2 i A2, a sporadycznie (Limburg i Noord-Brabant) w klasie B1. W pierwszym roku analizy niderlandzkie regiony były głównie w klasach B2 (5 regionów), C1 (3 regiony), B1, A1 i C2 (po jednym), a w ostatnim roku (2011) 7 regionów było w klasie A2, a 5 w klasie B2 (tab. 6.15). 326 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tabela 6.15. Przyporządkowanie niderlandzkich regionów do klas Regiony `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 Groningen B2 B2 B2 B2 B2 A2 B2 A2 A2 A2 A2 A2 A2 Friesland C1 B2 B2 C1 B2 B2 C1 B2 B2 B2 B2 B2 B2 Drenthe B2 C1 B2 C1 B2 B2 B2 B2 B2 B2 B2 B2 B2 Overijssel C1 C1 B2 C1 B2 B2 B2 B2 B2 B2 B2 B2 A2 Gelderland C1 C1 B2 B2 B2 B2 B2 C1 B2 A2 A2 A2 A2 Flevoland B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 Utrecht A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 Noord-Holland B2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 Zuid-Holland B2 B2 B2 B2 A2 A2 A2 A2 A2 A2 A2 A2 A2 Zeeland C2 C1 C1 B2 B2 B2 B2 C1 B2 C1 B2 B2 B2 Noord-Brabant A1 A1 A1 A1 A1 A1 A1 B1 A2 B1 A2 A2 A2 Limburg B1 B1 B1 B1 B1 B1 B2 B2 B2 B1 B2 B2 B2 Źródło: opracowanie własne. Austriackie regiony obserwowano niemal we wszystkich klasach (poza klasą A1). Charakterystyczne jest, że każdy z austriackich regionów zaczynał notowania w klasyfikacji od klas niższych, a przesunął się do wyższych. Wskazuje to na pozytywne trendy w zakresie innowacyjności w regionach Austrii. Przykładem jest przesunięcie z klasy E, poprzez klasę D do klasy C1 regionu Burgenland (tab. 6.16). Tabela 6.16. Przyporządkowanie austriackich regionów do klas `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 Burgenland Regiony E D D D D D D D D D C1 C1 C1 Niederösterreich D D D D D C1 C1 C2 D C1 B2 B2 B2 Wien B1 B1 B1 B1 B1 A2 B2 B2 B2 B2 A2 A2 A2 Kärnten D C2 C2 D D C2 D D C2 D C1 B2 B2 Steiermark D D D D D C2 C2 C2 C2 C2 B1 B1 B2 Oberösterreich C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 B1 B1 B1 Salzburg D D D D D C1 C1 C1 C1 C1 B2 B2 B2 Tirol D D D D D C1 D D D C1 C1 B2 B2 Vorarlberg C2 C2 C2 D C2 B1 B1 B1 B1 B1 B1 B1 B1 Źródło: opracowanie własne. Większość portugalskich regionów przyporządkowano do najsłabszej w ocenie innowacyjności klasy E (6 z 7 regionów). Jedynie stołeczny region Lisboa w latach 1999–2003 należał do klasy D, a w 2004 r. przesunął się do klasy C1 (tab. 6.17). 327 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej Tabela 6.17. Przyporządkowanie portugalskich regionów do klas Regiony `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 Norte E E E E E E E E E E E E E Algarve E E E E E E E E E E E E E Centro (PT) E E E E E E E E E E E E E Lisboa D D D D D C1 C1 C1 C1 C1 C1 C1 C1 Alentejo E E E E E E E E E E E D D Região Autónoma dos Açores E E E E E E E E E E E E E Região Autónoma da Madeira E E E E E E E E E E E E D Źródło: opracowanie własne. Wśród regionów Finlandii Itä-Suomi zawsze znajdował się w klasie B2, a pozostałe albo zawsze lub przez większość analizowanych lat były w klasie A2, tj. klasie regionów innowacyjności input (tab. 6.18). Tabela 6.18. Przyporządkowanie finlandzkich regionów do klas Regiony `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 Itä-Suomi B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 Etelä-Suomi B1 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 Länsi-Suomi B1 B1 B1 B1 B2 A2 A2 A2 A2 A2 A2 A2 A2 Pohjois-Suomi B1 A2 B2 B2 B2 B2 A2 A2 A2 A2 A2 A2 A2 Åland A2 B2 A2 B2 A2 A2 A2 A2 A2 A2 A2 A2 A2 Źródło: opracowanie własne. Szwedzkie regiony, tak jak regiony Finlandii, sklasyfikowano w trzech klasach (tab. 6.19): – sporadycznie w B1, przez 3 lata (2000–2003) Östra Mellansverige, a przez cztery lata (1999–2003) Västsverige, – w A2: zawsze Övre Norrland, Sydsverige i Stockholm, często: od 2003 r. Västsverige, a od 2004 r. region Östra Mellansverige – to bieguny innowacyjności input, – w B2 zawsze regiony Småland med öarna, Norra Mellansverige, Mellersta Norrland. Większość regionów brytyjskich zaliczono do klasy B2: przez co najmniej 10 lat 24 regiony, przez 8–9 lat kolejne 3, a następne 2 przez 6–7 lat, oraz do klasy A2 – w tej grupie, co najmniej od 2000 r. występowały 4 regiony brytyjskie, a po jednym przez okres 10–11 lat, 8–9 lat, od 5 do 7 lat. Region Northern Ireland był w każdym 328 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności z 13 lat w klasie C1, w klasie tej sporadycznie (przez rok) zarejestrowano także kilka innych regionów. Epizodycznie regiony brytyjskie notowano w klasie C2 i D (tab. 6.20). Tabela 6.19. Przyporządkowanie szwedzkich regionów do klas Regiony `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 Stockholm A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 Östra Mellansverige B2 B1 B1 B1 B2 A2 A2 A2 A2 A2 A2 A2 A2 Småland med öarna B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 Sydsverige A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 Västsverige B1 B1 B1 B1 A2 A2 A2 A2 A2 A2 A2 A2 A2 Norra Mellansverige B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 Mellersta Norrland B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 A2 A2 Övre Norrland A2 A2 B2 B2 B2 B2 A2 A2 A2 A2 A2 A2 A2 Źródło: opracowanie własne. Tabela 6.20. Przyporządkowanie brytyjskich regionów do klas Regiony 1 Tees Valley and Durham `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 2 3 4 5 6 7 8 9 10 11 12 13 14 C2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 Northumberland, Tyne and Wear B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 Cumbria D C1 B2 B2 B2 B2 B2 B2 B2 Cheshire B1 B1 B1 B2 B2 B1 B2 B1 B2 Greater Manchester B2 B2 B2 B2 B2 B2 B2 B2 Lancashire B2 B2 B2 B2 B2 B2 B2 B2 Merseyside B2 B2 B2 B2 B2 B2 B2 East Yorkshire and Northern Lincolnshire B2 C2 B2 B2 B2 B2 North Yorkshire B2 B2 B2 B2 B2 South Yorkshire B2 B2 B2 B2 B2 West Yorkshire B2 B2 B2 B2 Derbyshire and Nottinghamshire B1 B2 B2 Leicestershire, Rutland and Northants B2 B2 Lincolnshire D Herefordshire, Worcestershire and Warks Shropshire and Staffordshire B2 B2 B2 C1 B2 B2 B2 B2 A2 A2 A2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 A2 A2 A2 A2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 C1 B2 B2 B2 B1 B1 B1 B1 B1 B1 B2 B2 B2 B2 B2 B2 B2 C2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 329 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej 1 2 3 4 5 6 7 8 9 10 11 12 13 14 West Midlands B1 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 East Anglia B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 Bedfordshire, Hertfordshire B2 B2 A2 B2 A2 A2 A2 A2 A2 A2 A2 A2 A2 Essex B2 B2 B2 B2 B2 Inner London A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 Outer London B2 Berkshire, Bucks and Oxfordshire A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 B2 B2 B2 B2 B2 B2 B2 B2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 Surrey, East and West Sussex A2 B2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 A2 Hampshire and Isle of Wight B1 B1 B2 B1 B1 B2 B2 B2 B2 B2 B2 B2 B2 Kent B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 Gloucestershire, Wiltshire and Bristol B1 B2 B2 B2 B2 B2 A2 A2 A2 B2 A2 A2 A2 Dorset and Somerset B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 Cornwall and Isles of Scilly B2 B2 B2 B2 B2 C1 B2 B2 B2 B2 B2 B2 B2 Devon B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 West Wales and The Valleys B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 East Wales B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 A2 A2 A2 Eastern Scotland B2 B2 B2 B2 B2 A2 A2 A2 A2 A2 A2 A2 A2 South Western Scotland B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 North Eastern Scotland B2 B2 B2 B2 B2 C1 B2 B2 B2 A2 A2 A2 A2 A2 A2 A2 Highlands and Islands B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 B2 A2 A2 Northern Ireland C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 Źródło: opracowanie własne. W Bułgarii na 6 regionów tylko zawierający stolicę Yugozapaden był w klasie C1, pozostałe zaś albo cały czas w klasie D, jak region Severen tsentralen, albo przewijały się przez klasy D i E (tab. 6.21). Tabela 6.21. Przyporządkowanie bułgarskich regionów do klas `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 Severozapaden Regiony E D E D E E E E E D E E E Severen tsentralen D D D D D D D D D D D D D Severoiztochen D D D D D D D E E D E E E Yugoiztochen D E E E D D D D D D D D D Yugozapaden C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 Yuzhen tsentralen E D D D E E E E E E E E E Źródło: opracowanie własne. 330 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tylko 2 regiony z krajów UE 12 zaklasyfikowano do klasy A2 – jednym z nich była czeska stolica, a drugim zawierający stolicę słowacki Bratislavský kraj, przy czym Praha znalazła się w tej klasie w latach 2007–2011, wcześniej natomiast była w klasie C1. Pozostałe czeskie regiony były w klasach C2 (Střední Čechy i Severovýchod) lub w C2 i D przemiennie (tab. 6.22). Tabela 6.22. Przyporządkowanie czeskich regionów do klas Regiony Praha Střední Čechy Jihozápad Severozápad Severovýchod Jihovýchod Střední Morava Moravskoslezsko `99 C1 C2 D D C2 D C2 D `00 C1 C2 D D C2 D C2 D `01 C1 C2 D D C2 C2 D D `02 C1 C2 C2 D C2 C2 D D `03 C1 C2 C2 D C2 D C2 D `04 C1 C2 C2 D C2 D C2 D `05 C1 C2 C2 D C2 C2 C2 D `06 C1 C2 C2 D C2 C2 C2 D `07 A2 C2 C2 C2 C2 C2 C2 D `08 A2 C2 C2 D C2 C2 C2 D `09 A2 C2 C2 D C2 C2 C2 D `10 A2 C2 C2 C2 C2 C2 C2 C2 `11 A2 C2 C2 C2 C2 C2 C2 C2 Źródło: opracowanie własne. Wśród krajów o jednym regionie szczebla NUTS 2 w UE 12 Litwa i Estonia w każdym z 13 lat należały do grupy C1, natomiast Cypr i Łotwa, chociaż zaczynały w klasie E, a Malta w klasie D, to w ostatnich latach wszystkie były w klasie C1 (tab. 6.23), tj. w klasie charakteryzującej się drugą co do wielkości wartością średnią WYKSZ, a trzecią w kolejności średnią HRST i jednocześnie bardzo niskimi (drugimi w uporządkowaniu rosnącym) wartościami średnich HIT i HIT 2. Tabela 6.23. Przyporządkowanie do klas Estonii, Cypru, Łotwy, Litwy i Malty Regiony Estonia Cyprus Latvia Lithuania Malta `99 C1 E E C1 D `00 C1 E E C1 D `01 C1 C1 E C1 D `02 C1 C1 E C1 D `03 C1 C1 E C1 D `04 C1 C1 E C1 D `05 C1 C1 E C1 D `06 C1 C1 E C1 D `07 C1 C1 C1 C1 D `08 C1 C1 C1 C1 D `09 C1 C1 C1 C1 D `10 C1 C1 C1 C1 C1 `11 C1 C1 C1 C1 C1 Źródło: opracowanie własne. Zawierający stolicę węgierski region Közép-Magyarország był zaklasyfikowany zawsze w klasie C1, a dwa kolejne regiony (Közép-Dunántúl, Nyugat-Dunántúl) w klasie C2, w której to klasie był także (poza latami 2000–2003) region Észak-Magyarország. Region Észak-Alföld przez 13 lat był obecny w klasie D, a przez 12 lat w klasie tej był także kolejny region, tj. Dél-Dunántúl, region Dél-Alföld natomiast przez pierwsze 4 lata był w klasie E, a potem przez następne 9 w klasie D (tab. 6.24). 331 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej Tabela 6.24. Przyporządkowanie węgierskich regionów do klas Regiony `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 Közép-Magyarország C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 Közép-Dunántúl C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 Nyugat-Dunántúl C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 C2 Dél-Dunántúl D D D D D D D D D D D D C2 Észak-Magyarország C2 D D D D C2 C2 C2 C2 C2 C2 C2 C2 Észak-Alföld D D D D D D D D D D D D D Dél-Alföld E E E E D D D D D D D D D Źródło: opracowanie własne. Regiony polskie, podobnie jak rumuńskie i węgierskie, obecne są w obu klasach C i w dwóch kolejnych tj. D i E – czyli w klasach o najniższym poziomie innowacyjności (tab. 6.25). I tak: – zawsze w klasie D były województwa: podkarpackie, wielkopolskie i kujawsko-pomorskie, a niemal zawsze lubuskie, Tabela 6.25. Przyporządkowanie regionów polskich do klas Regiony `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 Łódzki E E E E D E D D D D C1 C1 C1 Mazowiecki D D D D C1 C1 C1 C1 C1 C1 C1 C1 C1 Małopolski D D D D D D D D D C1 C1 C1 C1 Śląski D D D D D D D D D D C1 C1 C1 Lubelski E E E E E D D D E D D C1 C1 Podkarpacki D D D D D D D D D D D D D Świętokrzyski E E E E E E E E E E E E D Podlaski E E E E E E D D D D C1 C1 C1 Wielkopolski D D D D D D D D D D D D D Zachodniopomorski D D D D D D D D C1 C1 C1 C1 C1 Lubuski D D D D D D D E D D D D D Dolnośląski D D D D D D D D C2 D C1 C1 C1 Opolski D D D D D D D D D D D D C1 Kujawsko-pomorski D D D D D D D D D D D D D Warmińsko-mazurski E E E E E E E E E E E E E Pomorski D D D D D D D D C2 C2 C1 C1 C1 Źródło: opracowanie własne. 332 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności początkowo w klasie D, a w kilku ostatnich latach w klasie C1 były województwa: pomorskie, opolskie, dolnośląskie, zachodniopomorskie, śląskie, małopolskie i mazowieckie, z tym że to województwo najwcześniej przesunęło się do klasy C1, – w każdym z 13 lat w klasie E było województwo warmińsko-mazurskie, niemal zawsze (tylko w 2011 r. w klasie D) było województwo świętokrzyskie, – łódzkie, lubelskie i podlaskie zaczynały w klasie E, a potem przez kilka lat były w klasie D, żeby w końcowych latach analizy przesunąć się do klasy C1. Trzy z 8 rumuńskich regionów znalazły się w każdym z analizowanych lat w najsłabszej pod względem innowacyjności klasie E, 2 w klasie D, a region Centru, choć na początku analizy był w klasie C2, to w ostatnich latach sklasyfikowany został w klasie E, odwrotne przesunięcia między klasami zanotowano dla regionu Vest (tab. 6.26). – Tabela 6.26. Przyporządkowanie rumuńskich regionów do klas Regiony `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 Nord-Vest E E E E E E E E E E E E E Centru C2 D D D D D E D E E E E E Nord-Est E E E E E E E E E E E E E Sud-Est E E E E E E E E E E E E E Sud-Muntenia D D D D D D D D D D D D D Bucureşti-Ilfov D D D C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 Sud-Vest Oltenia D D D D D D D D D D D D D Vest E E E D D D D D C2 C2 C2 C2 C2 Źródło: opracowanie własne. Regiony Słowenii początkowo występowały w klasie D (Vzhodna Slovenija) i C1 (Zahodna Slovenija), a oba w końcowym okresie przesunęły się do grupy B2 (tab. 6.27). Tabela 6.27. Przyporządkowanie do klas słoweńskich regionów `99 `00 `01 `02 `03 `04 `05 `06 `07 `08 `09 `10 `11 Vzhodna Slovenija Regiony D D D D C2 C2 C2 C2 C2 C2 C2 C2 B2 Zahodna Slovenija C1 C1 D C2 C1 B2 B2 B2 B2 B2 B2 B2 B2 Źródło: opracowanie własne. Zawsze lub prawie zawsze w klasie D występowały dwa regiony słowackie, przez 10 lat w klasie C2 jeden, a zawierający stolicę kraju region Bratislavský kraj, 333 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej zaczynając od klasy C1, poprzez B2 w ostatnich dwóch latach (prognozy) zaklasyfikowany został do klasy A2 – regiony innowacyjne input (tab. 6.28). Tabela 6.28. Przyporządkowanie słowackich regionów do klas Regiony `99 `00 `01 `02 `03 `04 `05 `06 `07 Bratislavský kraj C1 C1 C1 C1 C1 C1 B2 B2 B2 Západné Slovensko D D D C2 C2 C2 C2 C2 C2 `08 `09 `10 `11 C1 B2 A2 A2 C2 C2 C2 C2 Stredné Slovensko D D D D D D D D D D D D C2 Východné Slovensko D D D D D D D D D D D D D Źródło: opracowanie własne. Stołeczne i zawierające stolice regiony UE 12 i UE 15 w zestawieniu przyporządkowania do utworzonych klas wyglądają jak w przysłowiowym „krzywym zwierciadle”, o ile bowiem niemal 58% regionów tej grupy z UE 15 zaliczono do klasy A2 (bieguny innowacyjności input), o tyle prawie 70% regionów stołecznych i zawierających stolice z UE 12 zaklasyfikowano do grupy C1 (tab. 6.29). Zawierający stolicę kraju region mazowiecki był w pierwszych czterech analizowanych latach w klasie D, a w następnych dziewięciu w klasie C1. Unijne regiony przyporządkowano w przeprowadzonej klasyfikacji do następujących klas: C1 – 19,6% regionów (obiektookresów), 16,2% do klasy B2, 14,9% do klasy D, 13,7% do klasy E, a po 10% do klas C2, B1 i A2. Najmniejszy jest udział regionów w klasie A1 – 4,6% (tab. 6.30). W grupie 209 regionów krajów UE 15 ok. 20% należało do klasy B2, a 19,6% do klasy C1, po ponad 12% do klas A2 i E, a 9% do klasy C2. Ponadto 7,4% do klasy D i 5,9% do klasy A1. Natomiast regionów UE 12 nie odnotowano w klasach A1 i B1, a w klasie A2 był zaledwie 1% analizowanych obiektookresów, w klasie B2 było 2%, w klasie C2 17,3%, po ponad 18% w klasach C1 i E, najwięcej zaś, bo 43,3%, zaliczonych zostało do klasy D. Łącznie do dwóch klas o najniższym poziomie innowacyjności zaliczono niestety ponad 60% obiektookresów UE 12. Jeśli oceniać udziały obiektookresów (liczba regionów zwielokrotniona przez lata obserwacji) z krajów UE w poszczególnych klasach, to należy wskazać, że zawsze w jednej i tej samej klasie były Estonia i Litwa (klasa C1), a następnie regiony Grecji (91,7% obiektookresów w klasie E), regiony Irlandii i Cypr (81% i 84,6% w klasie C1), regiony Portugalii (82,4% w klasie E), Malta (84,6% w klasie D), regiony Wielkiej Brytanii (72,1% w klasie B2). Udziały pozostałych obiektookresów w klasach kształtowały się: – od 60 do 70% Luksemburg w klasie C1, Finlandia w klasie A2, Łotwa w klasie E, Polska w klasie D, – od 50 do 59% Dania w klasie B2, Szwecja (A2), Czechy (C2) i Słowacja (D), – od 40 do 49% Dania (w klasie A2), Niderlandy i Szwecja (w klasie B2), Belgia, Hiszpania i Francja (w klasie C1), w klasie D zaś Bułgaria i Węgry, a w klasie E Rumunia, 334 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tabela 6.29. Stolice i regiony stołeczne w przyporządkowaniu do klas Regiony Kraj A1 A2 B1 B2 C1 C2 Région de Bruxelles-Capitale BE 13 Hovedstaden DK 13 Berlin DE 10 Southern and Eastern IE 1 Attiki GR Comunidad de Madrid ES 4 Île de France FR 9 Lazio IT Luxembourg LU 4 Noord-Holland NL 12 Wien AT 4 5 Lisboa PT Etelä-Suomi FI 12 1 Stockholm SE 13 Inner London UK 13 Outer London UK 12 Yugozapaden BG Praha CZ Estonia EE 13 Cyprus CY 11 2 Łotwa LV 5 8 Litwa LT 13 D E 3 12 13 9 4 2 6 5 9 1 4 8 5 1 13 5 8 Közép-Magyarország HU 2 Malta MT 13 Mazowieckie PL 9 Bucureşti-Ilfov RO Zahodna Slovenija SI Bratislavský kraj SK 11 4 10 2 8 3 4 7 3 1 1 % ze wszystkich obiektookresów stołecznych 34,9 3,6 5,5 45,1 0,3 8,0 2,7 Regiony stołeczne UE 27 127 13 1 29 10 Regiony stołeczne UE 15 120 13 Regiony stołeczne UE 12 7 1 19 20 164 8 57 12 107 % stołecznych w grupie ze stołecznych w UE 15 57,7 6,3 3,8 27,4 % stołecznych w grupie ze stołecznych w UE 12 4,5 Źródło: opracowanie własne. 10 10 4,8 7,7 68,6 0,6 12,2 6,4 335 6.1. Dynamiczna klasyikacja regionów Unii Europejskiej Tabela 6.30. Przyporządkowanie do klas – zestawienie zbiorcze Regiony Obiektookresy A1 A2 B1 Belgia (BE) 11 143 1 36 40 Dania (DK) 5 65 Niemcy (DE) 39 507 Irlandia (IE) 2 26 Grecja (GR) 13 169 Hiszpania (ES) 17 221 7 13 Francja (FR) 22 286 10 56 Włochy (IT) 21 273 12 Luksemburg (LU) 1 13 Niderlandy (NL) 12 156 Austria (AT) 9 117 Portugalia (PT) 7 91 Finlandia (FI) 5 65 39 6 20 Szwecja (SE) 8 104 54 7 43 Wielka Brytania (UK) 37 481 93 18 347 Bułgaria (BG) 6 78 Czechy (CZ) 8 104 Estonia (EE) 1 13 13 Cypr (CY) 1 13 11 2 Łotwa (LV) 1 13 5 8 Litwa (LT) 1 13 13 Węgry (HU) 7 91 13 Kraje 30 152 13 B2 C1 C2 D 66 35 179 3 1 88 72 21 4 14 155 108 11 3 125 57 34 1 4 45 76 103 33 4 7 E 9 73 9 50 9 74 15 1 4 18 15 15 24 8 18 3 13 5 8 40 1 8 75 2 37 61 28 30 36 38 4 Malta (MT) 1 13 2 Polska (PL) 16 208 36 3 126 43 Rumunia (RO) 8 104 10 6 40 48 Słowenia (SI) 2 26 3 9 5 Słowacja (SK) RAZEM 9 2 11 4 52 265 3445 160 348 100% 4,6 10,1 10,4 16,2 19,3 10,7 14,9 13,7 2717 160 341 UE 15 209 UE 12 56 728 UE 15 % 100% UE 12 % 100% 0,0 Źródło: opracowanie własne. 358 4 7 11 28 557 666 370 515 471 358 544 532 244 200 0 13 134 126 315 133 5,9 12,6 13,2 20,0 19,6 9,0 7,4 12,4 0 7 1,0 0,0 1,8 338 18,4 17,3 43,3 18,3 336 – – 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności od 30 do 40% Niderlandy w klasie A2, Niemcy w klasie B1, Finlandia w klasie B2, Łotwa w klasie C1, Węgry w klasie C2 i Słowenia w klasach B2 i C2, w klasie D Rumunia, Austria i Włochy, Hiszpania i Bułgaria w klasie E, powyżej 20%, ale mniej niż 30% w klasie A1 Niemcy, w klasach A2 i B1 Belgia, Włochy, Austria i Słowacja klasie C2, Czechy w klasie D i Polska w klasie E. 6.2. Ocena stabilności grup i zmian w czasie Ocena stabilności grup w czasie, poza wskazaniem udziałów obiektookresów w klasach, została także dokonana z wykorzystaniem macierzy odległości. Analizę przeprowadzono dla każdej grupy osobno z wykorzystaniem miary niezgodności procentowej, która powstała po ustaleniu relacji liczby obiektów, które w danym roku zmieniły klasę, do łącznej liczby obiektów w klasie (zob. tab. 6.31, 6.33, 6.35, 6.37, 6.39 i 6.41, 6.43 oraz 6.45). W dalszej kolejności, w celu uzyskania periodyzacji, na każdej macierzy zastosowano metodę Warda i dla wydzielonych w klasach podokresów obliczono średnią „przynależność” do danej grupy, tj. średnią dla odpowiednich kolumn z tablicy przynależności. Trzeba podkreślić, że pewnym novum jest w przedstawionej poniżej analizie to, iż periodyzacja ma również aspekt prognostyczny, czego dotychczas w podobnych podejściach nie praktykowano. Miara przynależności jest miarą stopnia przynależności regionów do klasy w danym podokresie, jest to stosunek liczby regionów, które w danym roku zmieniły klasę, do łącznej liczby regionów w klasie. Macierz odległości dla klasy A1 przedstawiono w tab. 6.31, uzyskane periodyzacje (dendrogram Warda) na rys. 6.4, a ocenę przynależności zestawiono w tab. 6.32. Tabela 6.31. Macierz odległości na podstawie miary niezgodności procentowej w klasie A1 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 0,00 0,13 0,13 0,13 0,13 0,13 0,20 0,40 0,27 0,33 0,40 0,40 0,40 0,13 0,00 0,00 0,00 0,00 0,00 0,07 0,27 0,13 0,20 0,27 0,27 0,27 0,13 0,00 0,00 0,00 0,00 0,00 0,07 0,27 0,13 0,20 0,27 0,27 0,27 0,13 0,00 0,00 0,00 0,00 0,00 0,07 0,27 0,13 0,20 0,27 0,27 0,27 0,13 0,00 0,00 0,00 0,00 0,00 0,07 0,27 0,13 0,20 0,27 0,27 0,27 0,13 0,00 0,00 0,00 0,00 0,00 0,07 0,27 0,13 0,20 0,27 0,27 0,27 0,20 0,07 0,07 0,07 0,07 0,07 0,00 0,20 0,07 0,13 0,20 0,20 0,20 0,40 0,27 0,27 0,27 0,27 0,27 0,20 0,00 0,13 0,07 0,00 0,00 0,00 0,27 0,13 0,13 0,13 0,13 0,13 0,07 0,13 0,00 0,07 0,13 0,13 0,13 0,33 0,20 0,20 0,20 0,20 0,20 0,13 0,07 0,07 0,00 0,07 0,07 0,07 0,40 0,27 0,27 0,27 0,27 0,27 0,20 0,00 0,13 0,07 0,00 0,00 0,00 0,40 0,27 0,27 0,27 0,27 0,27 0,20 0,00 0,13 0,07 0,00 0,00 0,00 0,40 0,27 0,27 0,27 0,27 0,27 0,20 0,00 0,13 0,07 0,00 0,00 0,00 Źródło: opracowanie własne. 6.2. Ocena stabilności grup i zmian w czasie 337 Macierz odległości (tab. 6.31) obrazuje sytuację, w której w klasie A1 dla łączonych lat 2000, 2001, 2002, 2003 i 2004 oraz drugiej grupy lat 2006, 2009, 2010 i 2011 podobieństwo jest idealne (miara równa zeru) – i jest to jedyny taki przypadek wśród wszystkich ośmiu klas. Najciekawsze w tab. 6.31 i następnych przedstawiających macierze odległości w klasach wydają się wielkości bezpośrednio pod (lub nad) główną przekątną, informują bowiem, w jakim procencie zmieniał się skład grupy z roku na rok. Rys. 6.4. Periodyzacje dla klasy A1 Źródło: opracowanie własne. Otrzymany wynik jest trudny do interpretacji, ponieważ 2006 r. „upodobnił” się do okresu od 2009 r. W tej sytuacji przyjęto więc podział na dwa okresy: 1999–2005 i 2006–2011. Regiony, dla których wyniki w tab. 6.32 zacieniono, stanowią trzon grupy (były w niej w obydwu podokresach), ponadto należy wskazać, że w drugim okresie zdecydowanie dołączył do tej grupy region Oberpfalz, zniknęły regiony: Prov. Brabant Wallon, Köln i Noord-Brabant, a oddaliły się od grupy niemieckie regiony Schwaben i Darmstadt. Jest to grupa stabilna, co wskazuje, że w zakresie innowacyjności output obserwuje się względną stagnację. 338 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tabela 6.32. Ocena przynależności regionów do klasy A1 w ramach otrzymanych podokresów Podokresy Region 1999–2005 2006–2011 0,14 0,00 Prov. Brabant Wallon (BE) Stuttgart (DE) 1,00 1,00 Karlsruhe (DE) 1,00 1,00 Freiburg (DE) 1,00 1,00 Tübingen (DE) 1,00 1,00 Oberbayern (DE) 1,00 1,00 Oberpfalz (DE) 0,86 1,00 Mittelfranken (DE) 1,00 1,00 Unterfranken (DE) 1,00 1,00 Schwaben (DE) 1,00 0,33 Darmstadt (DE) 1,00 0,17 Braunschweig (DE) 1,00 1,00 Köln (DE) 0,86 0,00 Rheinhessen-Pfalz (DE) 1,00 1,00 Noord-Brabant (NL) 1,00 0,00 Źródło: opracowanie własne. Tabela 6.33. Macierz odległości na podstawie miary niezgodności procentowej w klasie A2 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 1999 0,00 0,14 0,14 0,14 0,24 0,33 0,35 0,37 0,35 0,45 0,59 0,67 0,78 2000 0,14 0,00 0,12 0,08 0,22 0,31 0,29 0,31 0,29 0,38 0,53 0,61 0,73 2001 0,14 0,12 0,00 0,08 0,10 0,20 0,25 0,27 0,25 0,35 0,49 0,57 0,69 2002 0,14 0,08 0,08 0,00 0,14 0,24 0,29 0,31 0,29 0,39 0,53 0,61 0,73 2003 0,24 0,22 0,10 0,14 0,00 0,10 0,16 0,18 0,20 0,29 0,43 0,51 0,63 2004 0,33 0,31 0,20 0,24 0,10 0,00 0,14 0,12 0,14 0,24 0,33 0,41 0,53 2005 0,35 0,29 0,25 0,29 0,16 0,14 0,00 0,02 0,12 0,18 0,27 0,35 0,47 2006 0,37 0,31 0,27 0,31 0,18 0,12 0,02 0,00 0,10 0,16 0,25 0,33 0,45 2007 0,35 0,29 0,25 0,29 0,20 0,14 0,12 0,10 0,00 0,18 0,24 0,31 0,43 2008 0,45 0,38 0,35 0,39 0,29 0,24 0,18 0,16 0,18 0,00 0,14 0,22 0,33 2009 0,59 0,53 0,49 0,53 0,43 0,33 0,27 0,25 0,24 0,14 0,00 0,08 0,20 2010 0,67 0,61 0,57 0,61 0,51 0,41 0,35 0,33 0,31 0,22 0,08 0,00 0,12 2011 0,78 0,73 0,69 0,73 0,63 0,53 0,47 0,45 0,43 0,33 0,20 0,12 0,00 Źródło: opracowanie własne. 6.2. Ocena stabilności grup i zmian w czasie 339 Wyniki dla klasy A2 zestawiono w tab. 6.33, dendrogram Warda na rys. 6.5, a w tab. 6.34 przedstawiono ocenę przynależności. W przypadku macierzy odległości zbudowanej dla klasy A2 (tab. 6.33) nie otrzymano dwóch identycznych wyników przypisań regionów do grupy (w macierzy odległości nie uzyskano żadnego zera), a największy stopień podobieństwa (0,02) uzyskano między latami 2005 a 2006, natomiast najmniejszą zgodność otrzymanych podziałów odnotowano w tej grupie między latami skrajnymi, tj. 1999 i 2011 (miara równa 0,78), a następnie w parach lat 2000 i 20011 oraz 2002 i 2011 (miara 0,73). Rys. 6.5. Periodyzacje dla klasy A2 Źródło: opracowanie własne. Na podstawie rys. 6.5 można wskazać trzy podokresy w kształtowaniu się „członkostwa” tej grupy: 1999–2003, 2004–2008, 2009–2011. Analizując wyniki w tabeli 6.34 można podzielić regiony w tej grupie na następujące typy: – regiony na stałe w grupie: Région de Bruxelles-Capitale (BE), Hovedstaden (DK), Utrecht (NL), Stockholm, Sydsverige (SE), Inner London, Berkshire, Bucks and Oxfordshire (UK), 340 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tabela 6.34. Ocena przynależności regionów do klasy A2 w ramach otrzymanych podokresów Regiony 1 Podokresy 1999–2003 2004–2008 2009–2011 2 3 4 Région de Bruxelles (BE) 1,00 1,00 1,00 Prov. Oost-Vlaanderen (BE) 0,00 0,00 0,33 Prov. Vlaams Brabant (BE) 0,40 1,00 1,00 Prov. Brabant Wallon (BE) 0,80 1,00 1,00 Praha (CZ) 0,00 0,40 1,00 Hovedstaden (DK) 1,00 1,00 1,00 Sjælland (DK) 0,00 0,60 1,00 Syddanmark (DK) 0,00 0,00 0,33 Midtjylland (DK) 0,00 0,60 1,00 Nordjylland (DK) 0,20 0,60 0,00 Berlin (DE) 0,40 1,00 1,00 Hamburg (DE) 0,00 0,00 0,67 Leipzig (DE) 0,00 0,00 0,33 Southern and Eastern (IE) 0,00 0,00 0,33 Pais Vasco (ES) 0,00 0,00 1,00 Comunidad de Madrid (ES) 0,00 0,20 1,00 Île de France (FR) 0,20 1,00 1,00 Bretagne (FR) 0,00 0,00 0,33 Luxembourg (LU) 0,00 0,20 0,00 Groningen (NL) 0,00 0,80 1,00 Overijssel (NL) 0,00 0,00 0,33 Gelderland (NL) 0,00 0,20 1,00 Utrecht (NL) 1,00 1,00 1,00 Noord-Holland (NL) 0,80 1,00 1,00 Zuid-Holland (NL) 0,20 1,00 1,00 Noord-Brabant (NL) 0,00 0,20 1,00 Wien (AT) 0,00 0,20 1,00 Bratislavský kraj (SK) 0,00 0,00 0,67 Etelä-Suomi (FI) 0,80 1,00 1,00 Länsi-Suomi (FI) 0,00 1,00 1,00 Pohjois-Suomi (FI) 0,20 0,80 1,00 Åland (FI) 0,60 1,00 1,00 Stockholm (SE) 1,00 1,00 1,00 Östra Mellansverige (SE) 0,00 1,00 1,00 341 6.2. Ocena stabilności grup i zmian w czasie 1 2 3 4 Sydsverige (SE) 1,00 1,00 1,00 Västsverige (SE) 0,20 1,00 1,00 Mellersta Norrland (SE) 0,00 0,00 0,67 Övre Norrland (SE) 0,40 0,80 1,00 Cheshire (UK) 0,00 0,00 1,00 North Yorkshire 0,00 0,20 1,00 Bedfordshire, Hertfordshire (UK) 0,40 1,00 1,00 Inner London (UK) 1,00 1,00 1,00 Outer London (UK) 0,80 1,00 1,00 Berkshire, Bucks and Oxfordshire (UK) 1,00 1,00 1,00 Surrey, East and West Sussex (UK) 0,80 1,00 1,00 Gloucestershire, Wiltshire and Bristol (UK) 0,00 0,60 1,00 East Wales (UK) 0,00 0,00 1,00 Eastern Scotland (UK) 0,00 1,00 1,00 South Western Scotland (UK) 0,00 0,00 1,00 North Eastern Scotland (UK) 0,00 0,20 1,00 Highlands and Islands (UK) 0,00 0,00 0,67 Źródło: opracowanie własne. regiony, które doszły do grupy – Prov. Vlaams Brabant, Prov. Brabant Wallon (BE), Sjælland i Midtjylland (DK), Berlin (DE), Île de France (FR), Groningen, Noord-Holland, Zuid-Holland (NL), Etelä-Suomi, Länsi-Suomi, Pohjois-Suomi, Åland (FI), Östra Mellansverige, Västsverigese, Övre Norrland (SE), Bedfordshire, Hertfordshire, Outer London, Surrey, East and West Sussex, Gloucestershire, Wiltshire and Bristol, Eastern Scotland (UK), to regiony, dla których w drugiej kolumnie odnotowano średnią przynależność większą niż w pierwszej i większą niż 0,5; – regiony, które dojdą do grupy – Prov. Oost-Vlaanderen (BE), Praha (CZ), Syddanmark (DK), Hamburg, Leipzig (DE), Southern and Eastern (IE), Pais Vasco, Comunidad de Madrid (ES), Bretagne (FR), Luxembourg (LU), Overijssel, Gelderland, Noord-Brabant (NL), Wien (AT), Bratislavský kraj (SK), Mellersta Norrland (SE), Cheshire, North Yorkshire, East Wales, South Western Scotland, North Eastern Scotland, Highlands and Islands (UK) – średnia przynależność w kolejnych kolumnach rośnie, przy czym jej poziom w drugiej kolumnie jest mniejszy od 0,5; – regiony jak wahadła – duński region Nordjylland (wartości ustalonych średnich przynależności w kolejnych kolumnach tabeli: 0,2-0,6-0,0). Grupa A2 to skupienie regionów charakteryzujących się najwyższą średnią aż pięciu charakterystyk innowacyjności: WYKSZ, LLL, KIS, HRST i KIS 2, to klasa – 342 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tabela 6.35. Macierz odległości na podstawie miary niezgodności procentowej w klasie B1 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 1999 0,00 0,13 0,23 0,19 0,33 0,48 0,55 0,50 0,53 0,58 0,66 0,69 0,66 2000 0,13 0,00 0,11 0,06 0,23 0,39 0,45 0,41 0,44 0,48 0,56 0,59 0,59 2001 0,23 0,11 0,00 0,14 0,22 0,31 0,38 0,36 0,39 0,41 0,52 0,55 0,55 2002 0,19 0,06 0,14 0,00 0,17 0,36 0,39 0,38 0,41 0,42 0,53 0,56 0,56 2003 0,33 0,23 0,22 0,17 0,00 0,19 0,22 0,27 0,27 0,28 0,39 0,42 0,42 2004 0,48 0,39 0,31 0,36 0,19 0,00 0,19 0,27 0,23 0,28 0,39 0,42 0,42 2005 0,55 0,45 0,38 0,39 0,22 0,19 0,00 0,17 0,11 0,16 0,23 0,27 0,27 2006 0,50 0,41 0,36 0,38 0,27 0,27 0,17 0,00 0,25 0,17 0,28 0,31 0,31 2007 0,53 0,44 0,39 0,41 0,27 0,23 0,11 0,25 0,00 0,20 0,19 0,22 0,22 2008 0,58 0,48 0,41 0,42 0,28 0,28 0,16 0,17 0,20 0,00 0,23 0,27 0,27 2009 0,66 0,56 0,52 0,53 0,39 0,39 0,23 0,28 0,19 0,23 0,00 0,03 0,06 2010 0,69 0,59 0,55 0,56 0,42 0,42 0,27 0,31 0,22 0,27 0,03 0,00 0,03 2011 0,59 0,55 0,56 0,42 0,42 0,27 0,31 0,22 0,27 0,06 0,03 0,00 0,66 Źródło: opracowanie własne. Rys. 6.6. Periodyzacje dla klasy B1 Źródło: opracowanie własne. 343 6.2. Ocena stabilności grup i zmian w czasie regionów innowacyjności input (bieguny innowacyjności input) i jej powiększanie wskazuje na pozytywne kierunki zmian w zakresie innowacyjności input. Ogólnie grupę A2 można określić jako przyciągającą. W tabeli 6.35 zamieszczono macierz odległości, na rys. 6.6 dendrogram Warda, a w tab. 6.36 ocenę przynależności regionów do klasy B1. Najbardziej podobne są w klasie B1 wyniki klasyfikacji dla lat 2009, 2010 i 2011 (miary na poziomie 0,03 i 0,06), a najmniej podobne (miary 0,66 i 0,69) dla par lat: 1999 i 2009, 1999 i 2010 oraz 1999 i 2011. Na podstawie obserwacji rys. 6.6 wskazano trzy podokresy, które ilustrują wewnętrzne podziały grupy B1: 1999–2002, 2003–2008 i 2009–2011. Tabela 6.36. Ocena przynależności regionów do klasy B1 w ramach otrzymanych podokresów Regiony 1 Prov. Antwerpen (BE) Prov. Limburg (BE) Prov. Oost-Vlaanderen (BE) Prov. Vlaams Brabant (BE) Oberfranken (DE) Schwaben (DE) Berlin (DE) Brandenburg–Südwest (DE) Bremen (DE) Hamburg (DE) Darmstadt (DE) Gießen (DE) Kassel (DE) Hannover (DE) Lüneburg (DE) Weser-Ems (DE) Düsseldorf (DE) Köln (DE) Münster (DE) Detmold (DE) Arnsberg (DE) Koblenz (DE) Saarland (DE) Chemnitz (DE) Dresden (DE) Leipzig (DE) 1999–2002 2 1,00 1,00 0,75 0,75 0,00 0,00 0,75 0,00 0,25 1,00 0,00 1,00 0,00 1,00 0,00 0,00 1,00 0,00 0,25 0,25 0,00 0,00 0,00 0,00 0,75 0,00 Podokresy 2003–2008 3 1,00 1,00 1,00 0,00 0,50 0,17 0,00 0,17 1,00 1,00 0,33 1,00 0,67 1,00 0,17 0,17 1,00 0,67 1,00 1,00 0,83 0,50 0,50 1,00 1,00 0,33 2009–2011 4 1,00 1,00 0,67 0,00 1,00 1,00 0,00 1,00 1,00 0,33 1,00 1,00 1,00 1,00 0,00 0,00 1,00 1,00 1,00 1,00 1,00 0,00 1,00 1,00 1,00 0,00 344 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tabela 6.36, cd. 1 Schleswig-Holstein (DE) Thüringen (DE) Pais Vasco (ES) Comunidad Foral de Navarra (ES) Cataluña (ES) Île de France (FR) Haute-Normandie (FR) Centre (FR) Basse-Normandie (FR) Lorraine (FR) Alsace (FR) Franche-Comté (FR) Pays de la Loire (FR) Bretagne (FR) Midi-Pyrénées (FR) Rhône-Alpes (FR) Provence-Alpes-Côte d’Azur (FR) Piemonte (IT) Lombardia (IT) Friuli-Venezia Giulia (IT) Emilia-Romagna (IT) Noord-Brabant (NL) Limburg (NL) Wien (AT) Steiermark (AT) Oberösterreich (AT) Vorarlberg (AT) Etelä-Suomi (FI) Länsi-Suomi (FI) Pohjois-Suomi (FI) Östra Mellansverige (SE) Västsverige (SE) Cheshire (UK) Derbyshire and Nottinghamshire (UK) Herefordshire, Worcestershire and Warks (UK) West Midlands (UK) Hampshire and Isle of Wight (UK) Gloucestershire, Wiltshire and Bristol (UK) Źródło: opracowanie własne. 2 1,00 0,00 0,00 0,50 0,00 1,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,25 0,25 1,00 0,00 0,00 0,00 0,00 0,00 0,00 1,00 1,00 0,00 0,00 0,00 0,25 1,00 0,25 0,75 1,00 0,75 0,25 1,00 0,25 0,75 0,25 3 1,00 0,83 0,83 0,83 0,17 0,00 0,17 0,50 0,17 0,00 1,00 0,33 0,17 0,17 0,50 1,00 0,17 0,00 0,17 0,00 0,00 0,33 0,50 0,17 0,00 0,00 0,83 0,00 0,00 0,00 0,00 0,00 0,33 0,00 0,33 0,00 0,17 0,00 4 1,00 1,00 0,00 0,00 0,00 0,00 1,00 1,00 0,00 1,00 1,00 1,00 0,00 0,00 1,00 1,00 0,00 0,67 1,00 1,00 1,00 0,00 0,00 0,00 0,67 1,00 1,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 6.2. Ocena stabilności grup i zmian w czasie 345 Na podstawie obserwacji wyników przedstawionych w tab. 6.36 grupę B1 można określić jako „grupę w ruchu”, ponieważ jedynie 7 regionów było w niej we wszystkich momentach analizy (Prov. Antwerpen, Prov. Limburg (BE), Gießen, Hannover, Düsseldorf, Schleswig-Holstein (DE), Rhône-Alpes (FR)). Kolejne zespoły regionów w ramach klasy to: – regiony, które doszły do grupy – Oberfranken, Bremen, Kassel, Köln, Münster, Detmold, Arnsberg, Saarland, Chemnitz, Thüringen (DE), Centre, Alsace, MidiPyrénées (FR) i Vorarlberg (AT), – regiony, które dojdą do grupy – Schwaben, Brandenburg-Südwest, Darmstadt (DE), Haute-Normandie, Lorraine, Franche-Comté (FR), Piemonte, Lombardia, Friuli-Venezia Giulia, Emilia-Romagna (IT), Oberösterreich, Steiermark (AT), – regiony, które opuściły grupę – Prov. Vlaams Brabant (BE), Berlin (DE), Île de France (FR), Wien (AT), Länsi-Suomi (FI), Östra Mellansverige, Västsverige (SE), Herefordshire, Worcestershire and Warks, Hampshire and Isle of Wight, Cheshire (UK), regiony, dla których w pierwszej kolumnie odnotowano średnią przynależność większą niż w dwóch pozostałych podokresach, – regiony, które, na podstawie prognoz, opuszczą grupę – Hamburg (DE), Limburg (NL), czyli: w pierwszej kolumnie największa liczba, w drugiej większa od 0,5, a w trzeciej najmniejsza – najwyraźniej opisywaną tendencję wskazuje liczba zero, – regiony jak wahadła – Koblenz (DE), Pais Vasco, Comunidad Foral de Navarra (ES), Noord-Brabant (NL), – niemal zawsze w grupie: Prov. Oost-Vlaanderen (BE), Dresden (DE), – sporadycznie w grupie: Lüneburg, Weser-Ems, Leipzig (DE), Cataluña (ES), Basse-Normandie, Pays de la Loire, Bretagne, Provence-Alpes-Côte d’Azur (FR), Etelä-Suomi, Pohjois-Suomi (FI), Derbyshire and Nottinghamshire, West Midlands, Gloucestershire, Wiltshire and Bristol (UK). Grupa B2 to skupienie regionów z krajów UE 15, wymiana w ramach grupy dotyczy powiększania liczebności grupy przez regiony niemieckie (10), francuskie (3) i austriacki oraz prognozowanego „wejścia do grupy” przez kolejne niemieckie i francuskie (po 3) i austriackie (2), a także włoskie (4) – łącznie 26 regionów. Natomiast wśród 13 regionów, które opuściły lub opuszczą grupę, jest 13 regionów (w tym m.in. 4 brytyjskie oraz stołeczne: Berlin, Île de France i Wien). Powiększanie składu grupy B1 nastąpiło głównie przez regiony z grupy C2 i C1, a wychodzenie z grupy przez regiony, które powiększyły skupienie A2. Oznacza to, że zarówno regiony, które doszły lub dojdą do grupy, jak i te, które grupę opuściły lub na podstawie wartości prognozowanych ją opuszczą, poprawiły osiągi w zakresie innowacyjności. Macierz odległości dla klasy B2 przedstawiono w tab. 6.37, uzyskane periodyzacje (dendrogram Warda) na rys. 6.7, a ocenę przynależności zestawiono w tab. 6.38. Największe podobieństwo między okresami w klasie B2 obserwowano między latami: 2005 i 2006, 2005 i 2007 oraz 2010 i 2011, najmniejsze zaś w parach 1999 i 2010 oraz 1999 i 2011. 346 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tabela 6.37. Macierz odległości na podstawie miary niezgodności procentowej w klasie B2 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 1999 0,00 0,20 0,24 0,24 0,28 0,35 0,35 0,34 0,35 0,32 0,42 0,51 0,54 2000 0,20 0,00 0,15 0,13 0,23 0,27 0,32 0,28 0,30 0,27 0,37 0,45 0,48 2001 0,24 0,15 0,00 0,11 0,10 0,11 0,23 0,21 0,20 0,23 0,30 0,38 0,44 2002 0,24 0,13 0,11 0,00 0,13 0,20 0,25 0,32 0,25 0,31 0,38 0,46 0,49 2003 0,28 0,23 0,10 0,13 0,00 0,13 0,21 0,25 0,21 0,27 0,34 0,42 0,48 2004 0,35 0,27 0,11 0,20 0,13 0,00 0,20 0,18 0,17 0,20 0,24 0,32 0,38 2005 0,35 0,32 0,23 0,25 0,21 0,20 0,00 0,07 0,08 0,17 0,18 0,30 0,35 2006 0,34 0,28 0,21 0,32 0,25 0,18 0,07 0,00 0,10 0,13 0,14 0,25 0,31 2007 0,35 0,30 0,20 0,25 0,21 0,17 0,08 0,10 0,00 0,17 0,15 0,27 0,35 2008 0,32 0,27 0,23 0,31 0,27 0,20 0,17 0,13 0,17 0,00 0,18 0,27 0,32 2009 0,42 0,37 0,30 0,38 0,34 0,24 0,18 0,14 0,15 0,18 0,00 0,11 0,20 2010 0,51 0,45 0,38 0,46 0,42 0,32 0,30 0,25 0,27 0,27 0,11 0,00 0,08 2011 0,54 0,48 0,44 0,49 0,48 0,38 0,35 0,31 0,35 0,32 0,20 0,08 0,00 Źródło: opracowanie własne. Rys. 6.7. Periodyzacje dla klasy B2 Źródło: opracowanie własne. 347 6.2. Ocena stabilności grup i zmian w czasie Na podstawie otrzymanego dendrogramu można rozważać cztery grupy, ale wówczas zakłócona jest ciągłość czasowa, co implikuje podział na trzy podokresy: 1999–2004, 2005–2008 i 2009–2011. Tabela 6.38. Ocena przynależności regionów do klasy B2 w ramach otrzymanych podokresów Regiony 1 Sjælland (DK) Syddanmark (DK) Midtjylland (DK) Nordjylland (DK) Leipzig (DE) Basse-Normandie (FR) Nord-Pas-de-Calais (FR) Provincia Autonoma Trento (IT) Lazio (IT) Groningen (NL) Friesland (NL) Drenthe (NL) Overijssel (NL) Gelderland (NL) Flevoland (NL) Noord-Holland (NL) Zuid-Holland (NL) Zeeland (NL) Limburg (NL) Niederösterreich (AT) Wien (AT) Kärnten (AT) Steiermark (AT) Salzburg (AT) Tirol (AT) Vzhodna Slovenija (SI) Zahodna Slovenija (SI) Bratislavský kraj (SK) Itä-Suomi (FI) Länsi-Suomi (FI) Pohjois-Suomi (FI) Åland (FI) Östra Mellansverige (SE) 1999–2004 2 1,00 1,00 1,00 0,67 0,00 0,00 0,00 0,00 0,00 0,83 0,67 0,67 0,50 0,67 1,00 0,17 0,67 0,50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,17 0,00 1,00 0,17 0,67 0,33 0,33 Podokresy 2005–2008 3 0,25 1,00 0,25 0,50 0,25 0,00 0,00 0,00 0,00 0,25 0,75 1,00 1,00 0,50 1,00 0,00 0,00 0,50 0,75 0,00 1,00 0,00 0,00 0,00 0,00 0,00 1,00 0,75 1,00 0,00 0,00 0,00 0,00 2009–2011 4 0,00 0,67 0,00 1,00 0,67 0,67 0,33 0,67 0,67 0,00 1,00 1,00 0,67 0,00 1,00 0,00 0,00 1,00 1,00 1,00 0,00 0,67 0,33 1,00 0,67 0,33 1,00 0,33 1,00 0,00 0,00 0,00 0,00 348 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tabela 6.38, cd. 1 Småland med öarna (SE) Norra Mellansverige (SE) Mellersta Norrland (SE) Övre Norrland (SE) Tees Valley and Durham (UK) Northumberland, Tyne and Wear (UK) Cumbria (UK) Cheshire (UK) Greater Manchester (UK) Lancashire (UK) Merseyside (UK) East Yorkshire and Northern Lincolnshire (UK) North Yorkshire (UK) South Yorkshire (UK) West Yorkshire (UK) Derbyshire and Nottinghamshire (UK) Leicestershire, Rutland and Northants (UK) Lincolnshire (UK) Herefordshire, Worcestershire and Warks (UK) Shropshire and Staffordshire (UK) West Midlands (UK) East Anglia (UK) Bedfordshire, Hertfordshire (UK) Essex (UK) Outer London (UK) Surrey, East and West Sussex (UK) Hampshire and Isle of Wight (UK) Kent (UK) Gloucestershire, Wiltshire and Bristol (UK) Dorset and Somerset (UK) Cornwall and Isles of Scilly (UK) Devon (UK) West Wales and The Valleys (UK) East Wales (UK) Eastern Scotland (UK) South Western Scotland (UK) North Eastern Scotland (UK) Highlands and Islands (UK) Źródło: opracowanie własne. 2 1,00 1,00 1,00 0,67 0,83 1,00 0,67 0,33 1,00 1,00 1,00 0,83 1,00 1,00 1,00 0,83 1,00 0,83 0,00 0,83 0,83 1,00 0,50 1,00 0,17 0,17 0,33 1,00 0,83 1,00 0,83 1,00 1,00 1,00 0,83 1,00 0,83 1,00 3 1,00 1,00 1,00 0,00 1,00 1,00 0,75 0,75 1,00 1,00 1,00 1,00 0,75 1,00 1,00 1,00 1,00 0,75 1,00 1,00 1,00 1,00 0,00 1,00 0,00 0,00 1,00 1,00 0,25 1,00 1,00 1,00 1,00 1,00 0,00 1,00 0,75 1,00 4 1,00 1,00 0,33 0,00 1,00 1,00 1,00 0,00 1,00 1,00 1,00 1,00 0,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0,00 1,00 0,00 0,00 1,00 1,00 0,00 1,00 1,00 1,00 1,00 0,00 0,00 0,00 0,00 0,33 6.2. Ocena stabilności grup i zmian w czasie 349 W klasie B2 można wyróżnić, ze względu na otrzymane periodyzacje następujące grupy: – regiony, które doszły do grupy – Limburg (NL), Zahodna Slovenija (SI), Cheshire, Herefordshire, Worcestershire and Warks, Hampshire and Isle of Wight (UK), – regiony, które dojdą do grupy (w oparciu o wartości prognoz) –Nordjylland (DK), Leipzig (DE), Provincia Autonoma Trento, Lazio (IT), Zeeland (NL), Niederösterreich, Kärnten, Salzburg, Tirol (AT), – regiony na trwałe w grupie, to siedemnaście regionów: Flevoland (NL), Itä-Suomi (FI), Småland med öarna, Norra Mellansverige (SE), Northumberland, Tyne and Wear, Greater Manchester, Lancashire, Merseyside, South Yorkshire, West Yorkshire, Leicestershire, Rutland and Northants, East Anglia, Essex, Kent, Dorset and Somerset, Devon, West Wales and The Valleys (UK), – regiony, które opuściły grupę – Sjælland, Midtjylland (DK), Basse-Normandie (FR), Groningen, Zuid-Holland (NL), Pohjois-Suomi (FI), Övre Norrland (SE), Bedfordshire, Hertfordshire, Gloucestershire, Wiltshire and Bristol, Eastern Scotland (UK), – regiony, które na podstawie prognoz opuszczą grupę – Gelderland (NL), Mellersta Norrland (SE), North Yorkshire, East Wales, South Western Scotland, North Eastern Scotland, Highlands and Islands (UK), – regiony jak wahadła – Wien (AT), Bratislavský kraj (SK), – prawie zawsze w grupie: Syddanmark (DK), Friesland, Drenthe, Overijssel (NL), Tees Valley and Durham, Cumbria, East Yorkshire and Northern Lincolnshire, Derbyshire and Nottinghamshire, Lincolnshire, Shropshire and Staffordshire, West Midlands, Cornwall and Isles of Scilly (UK), – rzadko w grupie: Nord-Pas-de-Calais (FR), Noord-Holland (NL), Steiermark (AT), Vzhodna Slovenija (SI), Länsi-Suomi, Åland (FI), Östra Mellansverige (SE), Outer London, Surrey, East and West Sussex (UK). W skupieniu B2 dominowały regiony UE 15, ponieważ łącznie przez grupę przewinęły się tylko 3 regiony UE 12 (słowackie i słoweńskie). Zdecydowanie najwięcej było regionów z Wielkiej Brytanii (łącznie 34, w tym 13 na stałe w grupie, a 6 doszło do grupy). Na podstawie macierzy odległości dla klasy C1 (tab. 6.39) można wskazać, iż lata najbardziej podobne w klasyfikacji to 1999 i 2000 oraz 2010 i 2011 (miara 0,07), a najmniej podobne to 1999 i 2009, 1999 i 2010, 1999 i 2011; 2000 i 2009, 2000 i 2010, 2000 i 2011 oraz para 2002 i 2011 (miara 0,6 i wyżej). Periodyzacje dla tej klasy C1 przedstawiono na rys. 6.8, a w tab. 6.40 ocenę przynależności. Z oceny wzrokowej danych (rys. 6.8) wynika raczej oczywisty podział na następujące podokresy: 1999–2002, 2003–2008 i 2009–2011. 350 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tabela 6.39. Macierz odległości na podstawie miary niezgodności procentowej w klasie C1 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 1999 0,00 0,07 0,11 0,12 0,19 0,31 0,33 0,38 0,43 0,46 0,62 0,63 0,67 2000 0,07 0,00 0,09 0,14 0,21 0,32 0,37 0,36 0,43 0,44 0,62 0,63 0,67 2001 0,11 0,09 0,00 0,10 0,16 0,25 0,28 0,31 0,33 0,37 0,53 0,54 0,57 2002 0,12 0,14 0,10 0,00 0,11 0,22 0,23 0,30 0,32 0,38 0,52 0,53 0,60 2003 0,19 0,21 0,16 0,11 0,00 0,19 0,18 0,22 0,25 0,31 0,44 0,45 0,53 2004 0,31 0,32 0,25 0,22 0,19 0,00 0,18 0,22 0,25 0,29 0,41 0,45 0,51 2005 0,33 0,37 0,28 0,23 0,18 0,18 0,00 0,10 0,13 0,22 0,34 0,39 0,46 2006 0,38 0,36 0,31 0,30 0,22 0,22 0,10 0,00 0,10 0,23 0,31 0,38 0,45 2007 0,43 0,43 0,33 0,32 0,25 0,25 0,13 0,10 0,00 0,20 0,23 0,28 0,35 2008 0,46 0,44 0,37 0,38 0,31 0,29 0,22 0,23 0,20 0,00 0,27 0,33 0,41 2009 0,62 0,62 0,53 0,52 0,44 0,41 0,34 0,31 0,23 0,27 0,00 0,10 0,18 2010 0,63 0,63 0,54 0,53 0,45 0,45 0,39 0,38 0,28 0,33 0,10 0,00 0,07 2011 0,67 0,67 0,57 0,60 0,53 0,51 0,46 0,45 0,35 0,41 0,18 0,07 0,00 Źródło: opracowanie własne. Rys. 6.8. Periodyzacje dla klasy C1 Źródło: opracowanie własne. 351 6.2. Ocena stabilności grup i zmian w czasie Tabela 6.40. Ocena przynależności regionów do klasy C1 w ramach otrzymanych podokresów Regiony 1 Prov. Oost-Vlaanderen (BE) Prov. West-Vlaanderen (BE) Prov. Hainaut (BE) Prov. Liège (BE) Prov. Luxembourg (BE) Prov. Namur (BE) Yugozapaden (BG) Praha (CZ) Brandenburg-Nordost (DE) Brandenburg-Südwest (DE) Mecklenburg-Vorpommern (DE) Weser-Ems (DE) Koblenz (DE) Trier (DE) Saarland (DE) Chemnitz (DE) Dresden (DE) Leipzig (DE) Sachsen-Anhalt (DE) Thüringen (DE) Estonia (EE) Border, Midlands and Western (IE) Southern and Eastern (IE) Kentriki Makedonia (GR) Attiki (GR) Galicia (ES) Principado de Asturias (ES) Cantabria (ES) Pais Vasco (ES) Comunidad Foral de Navarra (ES) La Rioja (ES) Aragón (ES) Comunidad de Madrid (ES) Castilla y León (ES) Castilla-la Mancha (ES) Extremadura (ES) Cataluña (ES) 1999–2002 2 0,25 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0,00 0,00 1,00 0,00 1,00 0,25 1,00 1,00 1,00 1,00 0,00 1,00 0,00 1,00 0,00 0,25 0,00 1,00 0,00 0,00 0,00 1,00 0,50 0,00 0,00 0,00 Podokresy 2003–2008 3 0,00 1,00 1,00 1,00 1,00 1,00 1,00 0,67 1,00 0,83 1,00 0,17 0,33 1,00 0,17 0,00 0,00 0,50 1,00 0,17 1,00 1,00 1,00 0,00 1,00 0,83 1,00 1,00 0,17 0,17 0,83 1,00 0,83 1,00 0,00 0,17 0,67 2009–2011 4 0,00 1,00 1,00 1,00 1,00 1,00 1,00 0,00 1,00 0,00 1,00 1,00 1,00 1,00 0,00 0,00 0,00 0,00 1,00 0,00 1,00 1,00 0,67 0,33 1,00 1,00 1,00 1,00 0,00 1,00 1,00 1,00 0,00 1,00 1,00 1,00 1,00 352 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tabela 6.40, cd. 1 Comunidad Valenciana (ES) Islas Baleares (ES) Andalucia (ES) Región de Murcia ES() Canarias (ES) Champagne-Ardenne (FR) Picardie (FR) Centre (FR) Basse-Normandie (FR) Bourgogne (FR) Nord-Pas-de-Calais (FR) Lorraine (FR) Pays de la Loire (FR) Bretagne (FR) Poitou-Charentes (FR) Aquitaine (FR) Midi-Pyrénées (FR) Limousin (FR) Auvergne (FR) Languedoc-Roussillon (FR) Provence-Alpes-Côte d’Azur (FR) Corse (FR) Liguria (IT) Provincia Autonoma Bolzano-Bozen (IT) Provincia Autonoma Trento (IT) Toscana (IT) Umbria (IT) Lazio (IT) Abruzzo (IT) Molise (IT) Campania (IT) Puglia (IT) Basilicata (IT) Calabria (IT) Sicilia (IT) Sardegna (IT) Cyprus (CY) Latvia (LV) Lithuania (LT) 2 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,25 0,00 0,25 0,25 0,00 0,75 0,75 0,00 0,50 1,00 1,00 0,50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,50 0,00 1,00 3 0,67 0,00 0,50 0,17 0,00 0,67 0,17 0,17 0,50 0,33 1,00 0,50 0,83 0,83 0,67 1,00 0,50 0,83 1,00 1,00 0,83 0,33 0,67 0,00 0,50 0,00 0,17 0,83 0,00 0,00 0,00 0,00 0,00 0,17 0,00 0,00 1,00 0,33 1,00 4 1,00 0,33 1,00 1,00 1,00 1,00 0,67 0,00 0,33 1,00 0,67 0,00 1,00 0,67 1,00 1,00 0,00 1,00 1,00 1,00 1,00 1,00 1,00 0,67 0,33 1,00 1,00 0,33 1,00 0,67 0,33 0,33 1,00 1,00 1,00 0,67 1,00 1,00 1,00 353 6.2. Ocena stabilności grup i zmian w czasie 1 2 3 4 Luxembourg (LU) 1,00 0,83 0,00 Közép-Magyarország (HU) 1,00 1,00 1,00 Malta (MT) 0,00 0,00 0,67 Friesland (NL) 0,50 0,17 0,00 Drenthe (NL) 0,50 0,00 0,00 Overijssel (NL) 0,75 0,00 0,00 Gelderland (NL) 0,50 0,17 0,00 Zeeland (NL) 0,50 0,33 0,00 Burgenland (AT) 0,00 0,00 1,00 Niederösterreich (AT) 0,00 0,50 0,00 Kärnten (AT) 0,00 0,00 0,33 Salzburg (AT) 0,00 0,83 0,00 Tirol (AT) 0,00 0,33 0,33 Łódzki (PL) 0,00 0,00 1,00 Mazowiecki (PL) 0,00 1,00 1,00 Małopolski (PL) 0,00 0,17 1,00 Śląski (PL) 0,00 0,00 1,00 Lubelski (PL) 0,00 0,00 0,67 Podlaski (PL) 0,00 0,00 1,00 Zachodniopomorski (PL) 0,00 0,33 1,00 Dolnośląski (PL) 0,00 0,00 1,00 Opolski (PL) 0,00 0,00 0,33 Pomorski (PL) 0,00 0,00 1,00 Lisboa (PT) 0,00 0,83 1,00 Bucureşti-Ilfov (RO) 0,25 1,00 1,00 Zahodna Slovenija (SI) 0,50 0,17 0,00 Bratislavský kraj (SK) 1,00 0,50 0,00 Cumbria (UK) 0,25 0,17 0,00 Lincolnshire (UK) 0,00 0,17 0,00 Cornwall and Isles of Scilly (UK) 0,00 0,17 0,00 North Eastern Scotland (UK) 0,00 0,17 0,00 Northern Ireland (UK) 1,00 1,00 1,00 Źródło: opracowanie własne. Grupa C1 to grupa przyciągająca, obserwowano w niej dużo regionów w klasach regionów zasilających grupę, i tak: – regiony, które doszły do grupy – Border, Midlands and Western (IE), Galicia, Principado de Asturias, Cantabria, La Rioja, Aragón, Cataluña, Comunidad Valenciana, Andalucia (ES), Champagne-Ardenne, Nord-Pas-de-Calais, Pays de la 354 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Loire, Bretagne, Poitou-Charentes, Limousin (FR), Liguria (IT), mazowiecki (PL), Lisboa (PT), Bucureşti-Ilfov (RO), – regiony, które dojdą do grupy – Weser-Ems, Koblenz (DE), Comunidad Foral de Navarra, Castilla-la Mancha, Extremadura, Región de Murcia, Canarias (ES), Picardie, Bourgogne (FR), Provincia Autonoma Bolzano-Bozen, Toscana, Umbria, Abruzzo, Molise, Basilicata, Calabria, Sicilia, Sardegna (IT), Latvia (LV), Malta (MT), Burgenland (AT), łódzki, małopolski, śląski, lubelski, podlaski, zachodniopomorski, dolnośląski, pomorski (PL), – regiony na stałe w grupie: Prov. West-Vlaanderen, Prov. Hainaut, Prov. Liège, Prov. Luxembourg, Prov. Namur (BE), Yugozapaden (BG), Brandenburg-Nordost, Mecklenburg-Vorpommern, Trier, Sachsen-Anhalt (DE), Estonia (EE), Attiki (GR), Languedoc-Roussillon (FR), Lithuania (LT), Közép-Magyarország (HU), Northern Ireland (UK), – regiony, które opuściły grupę – Chemnitz, Thüringen (DE), Pais Vasco (ES), Friesland, Drenthe, Overijssel, Gelderland, Zeeland (NL), Zahodna Slovenija (SI), – regiony, które w ostatnim podokresie opuszczą grupę – Praha (CZ), Brandenburg – Südwest, Leipzig (DE), Comunidad de Madrid (ES), Midi-Pyrénées (FR), Luxembourg (LU), Bratislavský kraj (SK), – regiony jak wahadła – Basse-Normandie, Lorraine, Corse (FR), Provincia Autonoma Trento, Lazio (IT), Niederösterreich, Salzburg (AT), – okazjonalnie w grupie odnotowano: Prov. Oost-Vlaanderen (BE), Saarland, Dresden (DE), Kentriki Makedonia (GR), Islas Baleares (ES), Centre (FR), Campania, Puglia (IT), Kärnten, Tirol (AT), Opolskie (PL), Cumbria, Lincolnshire, Cornwall and Isles of Scilly, North Eastern Scotland (UK), – prawie zawsze w grupie: Southern and Eastern (IE), Castilla y León (ES), Aquitaine, Auvergne, Provence-Alpes-Côte d’Azur (FR), Cyprus (CY). Wśród polskich regionów były w tej klasie, jako regiony, które dojdą do grupy: mazowiecki (9 lat od 2003 r.), zachodniopomorski (5 lat, od 2007 r.), małopolski (4 lata od 2008 r.), łódzki, śląski, podlaski, dolnośląski i pomorski (po 3 lata – cały okres prognozowany) oraz lubelski (2010 i 2011) i opolski (2011) – regiony polskie zasiliły grupę C1 (poza pomorskim), przechodząc do niej ze skupienia D. Przez grupę tę przewinęło się 18 regionów stołecznych lub zawierających stolicę (ich nazwy w powyższym opisie pogrubiono), w tym wszystkie z UE 12. Trwałe centrum to regiony wschodnich Niemiec (byłe NRD) oraz graniczące terytorium belgijsko-niemieckie i Luksemburg. Następną z analizowanych klas, klasę C2, charakteryzuje druga pod względem wysokich wartości średnia HIT i trzecia dla HIT 2 oraz niska (druga w uporządkowaniu rosnącym) średnia WYKSZ. Lata najbardziej podobne w klasie C2 to 2009 i 2010 oraz 2010 i 2011 (miary 0,05 i 0,06), najmniej podobne zaś to 1999 i 2010, 1999 i 2011; 2000 i 2010, 2000 i 2011 (miara powyżej 0,6) – zob. tab. 6.41. 355 6.2. Ocena stabilności grup i zmian w czasie Tabela 6.41. Macierz odległości na podstawie miary niezgodności procentowej w klasie C2 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 1999 0,00 0,17 0,28 0,30 0,36 0,47 0,42 0,42 0,52 0,52 0,55 0,61 0,63 2000 0,17 0,00 0,14 0,22 0,28 0,42 0,44 0,44 0,50 0,50 0,56 0,63 0,64 2001 0,28 0,14 0,00 0,17 0,23 0,38 0,36 0,36 0,42 0,42 0,48 0,55 0,56 2002 0,30 0,22 0,17 0,00 0,22 0,33 0,31 0,31 0,41 0,34 0,44 0,47 0,48 2003 0,36 0,28 0,23 0,22 0,00 0,20 0,19 0,22 0,31 0,28 0,31 0,38 0,42 2004 0,47 0,42 0,38 0,33 0,20 0,00 0,17 0,23 0,23 0,23 0,30 0,33 0,38 2005 0,42 0,44 0,36 0,31 0,19 0,17 0,00 0,09 0,13 0,16 0,16 0,22 0,27 2006 0,42 0,44 0,36 0,31 0,22 0,23 0,09 0,00 0,19 0,19 0,19 0,25 0,30 2007 0,52 0,50 0,42 0,41 0,31 0,23 0,13 0,19 0,00 0,19 0,19 0,22 0,27 2008 0,52 0,50 0,42 0,34 0,28 0,23 0,16 0,19 0,19 0,00 0,16 0,19 0,23 2009 0,55 0,56 0,48 0,44 0,31 0,30 0,16 0,19 0,19 0,16 0,00 0,06 0,11 2010 0,61 0,63 0,55 0,47 0,38 0,33 0,22 0,25 0,22 0,19 0,06 0,00 0,05 2011 0,63 0,64 0,56 0,48 0,42 0,38 0,27 0,30 0,27 0,23 0,11 0,05 0,00 Źródło: opracowanie własne. Rys. 6.9. Periodyzacje dla klasy C2 Źródło: opracowanie własne. 356 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Z oceny periodyzacji dla klasy C2 (rys. 6.9) wynika, że podobne są lata w okresach: 1999–2002, 2003–2008, 2009–2011, a z oceny przynależności (zestawionej w tab. 6.42) wynika, że grupę C2 można określić jako zanikającą. Tabela 6.42. Ocena przynależności regionów do klasy C2 w ramach otrzymanych podokresów Regiony 1 Střední Čechy (CZ) Jihozápad (CZ) Severozápad (CZ) Severovýchod (CZ) Jihovýchod (CZ) Střední Morava (CZ) Moravskoslezsko (CZ) Niederbayern (DE) Oberpfalz (DE) Oberfranken (DE) Bremen (DE) Kassel (DE) Lüneburg (DE) Weser-Ems (DE) Münster (DE) Detmold (DE) Arnsberg (DE) Koblenz (DE) Saarland (DE) Comunidad Foral de Navarra (ES) Aragón (ES) Cataluña (ES) Picardie (FR) Haute-Normandie (FR) Centre (FR) Basse-Normandie (FR) Bourgogne (FR) Lorraine (FR) Alsace (FR) Franche-Comté (FR) Pays de la Loire (FR) Bretagne (FR) Poitou-Charentes (FR) 1999–2002 2 1,00 0,25 0,00 1,00 0,50 0,50 0,00 1,00 0,25 1,00 0,75 1,00 1,00 1,00 0,75 0,75 1,00 1,00 1,00 0,50 1,00 1,00 0,75 1,00 1,00 0,75 1,00 0,75 1,00 1,00 0,50 0,50 0,00 Podokresy 2003–2008 3 1,00 1,00 0,17 1,00 0,67 1,00 0,00 1,00 0,00 0,50 0,00 0,33 0,83 0,67 0,00 0,00 0,17 0,17 0,33 0,00 0,00 0,17 0,67 0,83 0,33 0,17 0,33 0,50 0,00 0,67 0,00 0,00 0,33 2009–2011 4 1,00 1,00 0,67 1,00 1,00 1,00 0,67 1,00 0,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,33 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 357 6.2. Ocena stabilności grup i zmian w czasie 1 Piemonte (IT) Valle d’Aosta (IT) Liguria (IT) Lombardia (IT) Veneto (IT) Friuli-Venezia Giulia (IT) Emilia-Romagna (IT) Marche (IT) Abruzzo (IT) Basilicata (IT) Közép-Dunántúl (HU) Nyugat-Dunántúl (HU) Dél-Dunántúl (HU) Észak-Magyarország (HU) Zeeland (NL) Niederösterreich (AT) Kärnten (AT) Steiermark (AT) Oberösterreich (AT) Vorarlberg (AT) Dolnoslaskie (PL) Pomorskie (PL) Centru (RO) Vest (RO) Vzhodna Slovenija (SI) Zahodna Slovenija (SI) Západné Slovensko (SK) Stredné Slovensko (SK) Tees Valley and Durham (UK) East Yorkshire and Northern Lincolnshire (UK) Shropshire and Staffordshire (UK) 2 1,00 1,00 0,50 1,00 1,00 1,00 1,00 0,00 0,00 0,25 1,00 1,00 0,00 0,25 0,25 0,00 0,50 0,00 1,00 0,75 0,00 0,00 0,25 0,00 0,00 0,25 0,25 0,00 0,25 0,25 0,25 3 1,00 1,00 0,00 0,83 1,00 1,00 1,00 0,50 0,17 0,00 1,00 1,00 0,00 0,83 0,00 0,17 0,33 0,83 1,00 0,17 0,17 0,33 0,00 0,33 1,00 0,00 1,00 0,00 0,00 0,00 0,00 4 0,33 1,00 0,00 0,00 1,00 0,00 0,00 1,00 0,00 0,00 1,00 1,00 0,33 1,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 1,00 0,87 0,00 1,00 0,33 0,00 0,00 0,00 Źródło: opracowanie własne. – – – Skupienie C2 to grupa, w której przeważają regiony opuszczające grupę: regiony, które doszły do grupy – Jihozápad (CZ), Észak-Magyarország (HU), Vzhodna Slovenija (SI), Západné Slovensko (SK), regiony, które dojdą do grupy – Severozápad, Moravskoslezsko (CZ), Marche (IT), Vest (RO), regiony na stałe w grupie: Střední Čechy, Severovýchod (CZ), Niederbayern (DE), Valle d’Aosta, Veneto (IT), Közép-Dunántúl, Nyugat-Dunántúl (HU), 358 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności regiony, które opuściły grupę – Bremen, Kassel, Münster, Detmold, Arnsberg, Koblenz, Saarland (DE), Comunidad Foral de Navarra, Aragón, Cataluña (ES), Centre, Basse-Normandie, Bourgogne, Alsace, Pays de la Loire, Bretagne (FR), Kärnten, Vorarlberg (AT), – regiony, które opuszczą grupę w ostatnim podokresie – Oberfranken, Weser-Ems (DE), Picardie, Haute-Normandie, Lorraine, Franche-Comté (FR), Lombardia, Piemonte, Friuli-Venezia Giulia, Emilia-Romagna (IT), Oberösterreich (AT), – regiony jak wahadła – Steiermark (AT), – sporadycznie w grupie: Oberpfalz (DE), Poitou-Charentes (FR), Abruzzo, Basilicata (IT), Dél-Dunántúl (HU), Zeeland (NL), Niederösterreich (AT), dolnośląski, pomorski (PL), Centru (RO), Zahodna Slovenija (SI), Stredné Slovensko (SK), Tees Valley and Durham, East Yorkshire and Northern Lincolnshire, Shropshire and Staffordshire (UK), – prawie zawsze w grupie: Jihovýchod, Střední Morava (CZ), Lüneburg (DE). Znamienne, że regionami opuszczającymi grupę są przeważnie regiony UE 15, które zasiliły po jej opuszczeniu przede wszystkim skupienie B1. Na stale w grupie C2 notowano regiony UE 12, a wśród regionów dochodzących do tej grupy są głównie regiony UE 12, które opuściły skupienie D. Macierz odległości dla klasy D przedstawiono w tabeli 6.43, periodyzacje na podstawie dendrogramu Warda na rys. 6.10, a ocenę przynależności w tab. 6.44. – Tabela 6.43. Macierz odległości na podstawie miary niezgodności procentowej w klasie D 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 1999 0,00 0,19 0,23 0,27 0,28 0,40 0,42 0,48 0,47 0,47 0,52 0,55 0,61 2000 0,19 0,00 0,13 0,22 0,30 0,40 0,45 0,46 0,45 0,47 0,52 0,55 0,64 2001 0,23 0,13 0,00 0,18 0,29 0,41 0,43 0,45 0,43 0,48 0,48 0,52 0,58 2002 0,27 0,22 0,18 0,00 0,18 0,35 0,37 0,41 0,45 0,42 0,52 0,55 0,61 2003 0,28 0,30 0,29 0,18 0,00 0,24 0,22 0,25 0,29 0,29 0,39 0,42 0,48 2004 0,40 0,40 0,41 0,35 0,24 0,00 0,19 0,20 0,27 0,22 0,24 0,33 0,41 2005 0,42 0,45 0,43 0,37 0,22 0,19 0,00 0,08 0,17 0,14 0,27 0,35 0,43 2006 0,48 0,46 0,45 0,41 0,25 0,20 0,08 0,00 0,13 0,13 0,23 0,31 0,40 2007 0,47 0,45 0,43 0,45 0,29 0,27 0,17 0,13 0,00 0,12 0,17 0,20 0,29 2008 0,47 0,47 0,48 0,42 0,29 0,22 0,14 0,13 0,12 0,00 0,17 0,25 0,34 2009 0,52 0,52 0,48 0,52 0,39 0,24 0,27 0,23 0,17 0,17 0,00 0,08 0,17 2010 0,55 0,55 0,52 0,55 0,42 0,33 0,35 0,31 0,20 0,25 0,08 0,00 0,08 2011 0,61 0,64 0,58 0,61 0,48 0,41 0,43 0,40 0,29 0,34 0,17 0,08 0,00 Źródło: opracowanie własne. 359 6.2. Ocena stabilności grup i zmian w czasie Rys. 6.10. Periodyzacje dla klasy D Źródło: opracowanie własne. W wyniku oceny wzrokowej danych (rys. 6.10) można wyodrębnić w grupie typologicznej D następujące podokresy: 1999–2003, 2004–2008 i 2009–2011. Tabela 6.44. Ocena przynależności regionów do klasy D w ramach otrzymanych podokresów Regiony 1 Severozapaden (BG) Severen tsentralen (BG) Severoiztochen (BG) Yugoiztochen (BG) Yuzhen tsentralen (BG) Jihozápad (CZ) Severozápad (CZ) Jihovýchod (CZ) Podokresy 1999–2003 2004–2008 2009–2011 2 3 4 0,40 1,00 1,00 0,40 0,60 0,60 1,00 0,60 0,20 1,00 0,60 1,00 0,00 0,00 0,80 0,20 0,00 1,00 0,00 1,00 0,00 0,00 0,33 0,00 360 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tabela 6.44, cd. 1 Střední Morava (CZ) Moravskoslezsko (CZ) Border, Midlands and Western (IE) Galicia (ES) Cantabria (ES) La Rioja (ES) Castilla y León (ES) Champagne-Ardenne (FR) Picardie (FR) Basse-Normandie (FR) Bourgogne (FR) Nord-Pas-de-Calais (FR) Lorraine (FR) Pays de la Loire (FR) Poitou-Charentes (FR) Aquitaine (FR) Limousin (FR) Auvergne (FR) Corse (FR) Liguria (IT) Provincia Autonoma Bolzano-Bozen (IT) Provincia Autonoma Trento (IT) Toscana (IT) Umbria (IT) Marche (IT) Lazio (IT) Abruzzo (IT) Molise (IT) Campania (IT) 2 0,40 1,00 0,80 0,40 0,80 0,20 0,40 1,00 0,20 0,20 0,00 0,60 0,20 0,20 0,60 0,20 0,80 0,40 0,60 0,60 0,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 3 0,00 1,00 0,00 0,00 0,00 0,00 0,00 0,20 0,20 0,20 0,40 0,00 0,00 0,00 0,00 0,00 0,20 0,00 0,40 0,20 1,00 0,40 1,00 0,80 0,40 0,00 0,80 1,00 1,00 4 0,00 0,33 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,33 0,00 0,00 0,00 0,00 0,00 0,00 0,33 0,67 Puglia (IT) Basilicata (IT) Calabria (IT) Sicilia (IT) Dél-Dunántúl (HU) Észak-Magyarország (HU) Észak-Alföld (HU) Dél-Alföld (HU) Malta (MT) 0,20 0,80 0,00 0,00 1,00 0,80 1,00 0,20 1,00 1,00 1,00 0,20 1,00 1,00 0,00 1,00 1,00 1,00 0,67 0,00 0,00 0,00 0,67 0,00 1,00 1,00 0,33 361 6.2. Ocena stabilności grup i zmian w czasie 1 2 3 4 Burgenland (AT) 0,80 1,00 0,00 Niederösterreich (AT) 1,00 0,20 0,00 Kärnten (AT) 0,60 0,60 0,00 Steiermark (AT) 1,00 0,00 0,00 Salzburg (AT) 1,00 0,00 0,00 Tirol (AT) 1,00 0,60 0,00 Vorarlberg (AT) 0,20 0,00 0,00 Łódzki (PL) 0,20 0,80 0,00 Mazowiecki (PL) 0,80 0,00 0,00 Małopolski (PL) 1,00 0,80 0,00 Śląski (PL) 1,00 1,00 0,00 Lubelski (PL) 0,00 0,80 0,33 Podkarpacki (PL) 1,00 1,00 1,00 Świętokrzyski (PL) 0,00 0,00 0,33 Podlaski (PL) 0,00 0,80 0,00 Wielkopolski (PL) 1,00 1,00 1,00 Zachodniopomorski (PL) 1,00 0,60 0,00 Lubuski (PL) 1,00 0,80 1,00 Dolnośląski (PL) 1,00 0,80 0,00 Opolski (PL) 1,00 1,00 0,67 Kujawsko-pomorski (PL) 1,00 1,00 1,00 Pomorski (PL) 1,00 0,60 0,00 Lisboa (PT) 1,00 0,00 0,00 Alentejo (PT) 0,00 0,00 0,67 Região Autónoma da Madeira (PT) 0,00 0,00 0,33 Centru (RO) 0,80 0,40 0,00 Sud-Muntenia (RO) 1,00 1,00 1,00 Bucureşti-Ilfov (RO) 0,60 0,00 0,00 Sud-Vest Oltenia (RO) 1,00 1,00 1,00 Vest (RO) 0,40 0,60 0,00 Vzhodna Slovenija (SI) 0,80 0,00 0,00 Zahodna Slovenija (SI) 0,20 0,00 0,00 Západné Slovensko (SK) 0,60 0,00 0,00 Stredné Slovensko (SK) 1,00 1,00 0,67 Východné Slovensko (SK) 1,00 1,00 1,00 Cumbria (UK) 0,20 0,00 0,00 Lincolnshire (UK) 0,20 0,00 0,00 Źródło: opracowanie własne. 362 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Grupa D to skupienie o charakterze zanikającym: regiony na stałe w grupie: Severen tsentralen (BG), Észak-Alföld (HU), podkarpacki, wielkopolski, kujawsko-pomorski (PL), Sud-Muntenia, Sud-Vest Oltenia (RO), Východné Slovensko (SK), – regiony, które doszły do grupy – Yugoiztochen (BG), Puglia (IT), Dél-Alföld (HU), – regiony, które dojdą do grupy – Alentejo (PT), – regiony, które opuściły grupę – Yuzhen tsentralen (BG), Jihozápad, Jihovýchod (CZ), Border, Midlands and Western (IE), Cantabria, (ES), Champagne-Ardenne, Nord-Pas-de-Calais, Poitou-Charentes, Limousin, Corse (FR), Liguria, Provincia Autonoma Trento, Marche, Lazio (IT), Észak-Magyarország (HU), Niederösterreich, Steiermark, Salzburg (AT), mazowiecki (PL), Lisboa (PT), Centru (RO), Bucureşti-Ilfov (RO), Vzhodna Slovenija (SI), Západné Slovensko (SK), – regiony, które na podstawie prognoz opuszczą grupę – Severoiztochen (BG), Severozápad, Moravskoslezsko (CZ), Toscana, Umbria, Abruzzo, Molise, Basilicata (IT), Malta (MT), Burgenland, Kärnten, Tirol (AT), małopolski, śląski, zachodniopomorski, dolnośląski, pomorski (PL), – regiony jak wahadła – Provincia Autonoma Bolzano-Bozen, Sicilia (IT), łódzki, lubelski, podlaski (PL), Vest (RO), – rzadko w grupie: Severozapaden (BG), Střední Morava (CZ), Galicia, La Rioja, Castilla y León (ES), Picardie, Basse-Normandie, Bourgogne, Lorraine, Pays de la Loire, Aquitaine, Auvergne (FR), Calabria (IT), Vorarlberg (AT), świętokrzyski (PL), Região Autónoma da Madeira (PT), Zahodna Slovenija (SI), Cumbria, Lincolnshire (UK), – niemal zawsze w grupie: Campania (IT), Dél-Dunántúl (HU), opolski, lubuski (PL), Stredné Slovensko (SK). Przez skupienie D, czyli jedną z najsłabszych grup w zakresie innowacyjności, przewinęło się 40 z 56 regionów UE 12, przy czym zwraca uwagę, że trwałe jądro tej grupy oraz regiony dochodzące doń stanowią właśnie regiony ostatnich rozszerzeń (poza portugalskimi Região Autónoma da Madeira i Alentejo). Zestawienie miar niezgodności procentowej w macierzy odległości dla klasy E stanowi tab. 6.45, na rys. 6.11 przedstawiono możliwe periodyzacje, a w tab. 6.46 ocenę przynależności. W grupie E można wyróżnić trzy okresy: 1999–2003, 2004–2008 oraz 2009– –2011, ewentualnie 5 faz: 1999–2000, 2002–2003, 2004–2005, 2006–2008, 2009– –2011 (rys. 6.11). Podział na mniejszą liczbę podokresów wydaje się przydatniejszy, gdyż w przypadku grup dwuelementowych miara przynależności może mieć tylko trzy wartości: 0, 0,5 oraz 1. – 363 6.2. Ocena stabilności grup i zmian w czasie Tabela 6.45. Macierz odległości na podstawie miary niezgodności procentowej w klasie E 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 1999 0,00 0,11 0,08 0,15 0,15 0,21 0,32 0,32 0,32 0,38 0,43 0,47 0,55 2000 0,11 0,00 0,08 0,11 0,19 0,25 0,32 0,32 0,32 0,34 0,43 0,47 0,55 2001 0,08 0,08 0,00 0,08 0,15 0,21 0,32 0,32 0,32 0,38 0,43 0,47 0,56 2002 0,15 0,11 0,08 0,00 0,11 0,17 0,28 0,28 0,28 0,30 0,40 0,43 0,51 2003 0,15 0,19 0,15 0,11 0,00 0,13 0,17 0,17 0,17 0,23 0,28 0,32 0,40 2004 0,21 0,25 0,21 0,17 0,13 0,00 0,11 0,15 0,19 0,21 0,23 0,26 0,34 2005 0,32 0,32 0,32 0,28 0,17 0,11 0,00 0,11 0,11 0,13 0,15 0,19 0,26 2006 0,32 0,32 0,32 0,28 0,17 0,15 0,11 0,00 0,08 0,13 0,15 0,19 0,26 2007 0,32 0,32 0,32 0,28 0,17 0,19 0,11 0,08 0,00 0,09 0,11 0,15 0,23 2008 0,38 0,34 0,38 0,30 0,23 0,21 0,13 0,13 0,09 0,00 0,09 0,13 0,21 2009 0,43 0,43 0,43 0,40 0,28 0,23 0,15 0,15 0,11 0,09 0,00 0,04 0,11 2010 0,47 0,47 0,47 0,43 0,32 0,26 0,19 0,19 0,15 0,13 0,04 0,00 0,08 2011 0,55 0,55 0,56 0,51 0,40 0,34 0,26 0,26 0,23 0,21 0,11 0,08 0,00 Źródło: opracowanie własne. Rys. 6.11. Periodyzacje dla klasy E Źródło: opracowanie własne. 364 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tabela 6.46. Ocena przynależności regionów do klasy E w ramach otrzymanych podokresów Regiony 1 Podokresy 1999–2003 2004–2008 2009–2011 2 3 4 Severozapaden (BG) 0,60 0,80 1,00 Severoiztochen (BG) 0,00 0,40 1,00 Yugoiztochen (BG) 0,60 0,00 0,00 Yuzhen tsentralen (BG) 0,40 1,00 1,00 Anatoliki Makedonia, Thraki (GR) 1,00 1,00 1,00 Kentriki Makedonia (GR) 1,00 1,00 0,67 Dytiki Makedonia (GR) 1,00 1,00 1,00 Thessalia (GR) 1,00 1,00 1,00 Ipeiros (GR) 1,00 1,00 1,00 Ionia Nisia (GR) 1,00 1,00 1,00 Dytiki Ellada (GR) 1,00 1,00 1,00 Sterea Ellada (GR) 1,00 1,00 1,00 Peloponnisos (GR) 1,00 1,00 1,00 Voreio Aigaio (GR) 1,00 1,00 1,00 Notio Aigaio (GR) 1,00 1,00 1,00 Kriti (GR) 1,00 1,00 1,00 Galicia (ES) 0,60 0,00 0,00 Principado de Asturias (ES) 0,60 0,00 0,00 La Rioja (ES) 0,60 0,20 0,00 Castilla-la Mancha (ES) 1,00 1,00 0,00 Extremadura (ES) 1,00 0,80 0,00 Comunidad Valenciana (ES) 1,00 0,20 0,00 Islas Baleares (ES) 1,00 1,00 0,67 Andalucia (ES) 1,00 0,40 0,00 Región de Murcia (ES) 1,00 0,80 0,00 Canarias (ES) 1,00 1,00 0,00 Corse (FR) 0,00 0,20 0,00 Provincia Autonoma Bolzano-Bozen (IT) 1,00 0,00 0,00 Puglia (IT) 0,80 0,00 0,00 Calabria (IT) 1,00 0,60 0,00 Sicilia (IT) 1,00 0,00 0,00 Sardegna (IT) 1,00 1,00 0,33 Cyprus (CY) 0,40 0,00 0,00 Latvia (LV) 1,00 0,60 0,00 365 6.2. Ocena stabilności grup i zmian w czasie 1 2 3 4 Dél-Alföld (HU) 0,80 0,00 0,00 Burgenland (AT) 0,20 0,00 0,00 Łódzki (PL) 0,80 0,20 0,00 Lubelski (PL) 1,00 0,20 0,00 Świętokrzyski (PL) 1,00 1,00 0,67 Podlaski (PL) 1,00 0,20 0,00 Lubuski (PL) 0,00 0,20 0,00 Warmińsko-mazurski (PL) 1,00 1,00 1,00 Norte (PT) 1,00 1,00 1,00 Algarve (PT) 1,00 1,00 1,00 Centro (PT) 1,00 1,00 1,00 Alentejo (PT) 1,00 1,00 0,33 Região Autónoma dos Açores (PT) 1,00 1,00 1,00 Região Autónoma da Madeira (PT) 1,00 1,00 0,67 Nord-Vest (RO) 1,00 1,00 1,00 Centru (RO) 0,00 0,60 1,00 Nord-Est (RO) 1,00 1,00 1,00 Sud-Est (RO) 1,00 1,00 1,00 Vest (RO) 0,60 0,00 0,00 Źródło: opracowanie własne. Podział regionów na typy, ze względu na uzyskane periodyzacje jest w klasie E następujący: – regiony, które opuściły klasę – Yugoiztochen (BG), Galicia, Principado de Asturias, La Rioja, Comunidad Valenciana, Andalucia (ES), Provincia Autonoma Bolzano-Bozen, Puglia, Sicilia (IT), Dél-Alföld (HU), łódzki, lubelski, podlaski (PL), Vest (RO), – incydentalnie w klasie: Corse (FR), Cyprus (CY), Burgenland (AT), lubuski (PL), – regiony, które na podstawie prognoz opuszczą klasę – Castilla-la Mancha, Extremadura, Región de Murcia, Canarias (ES), Calabria, Sardegna (IT), Latvia (LV), Alentejo (PT), – regiony jak wahadła – nie było takich, – prawie zawsze w klasie: Kentriki Makedonia (GR), Islas Baleares (ES), świętokrzyskie (PL), Região Autónoma da Madeira (PT), – regiony na stałe w klasie: Anatoliki Makedonia, Thraki, Dytiki Makedonia, Thessalia, Ipeiros, Ionia Nisia, Dytiki Ellada, Sterea Ellada, Peloponnisos, Voreio Aigaio, Notio Aigaio, Kriti (GR – 11), warmińsko-mazurski (PL – 1), Norte, Algarve, Centro, Região Autónoma dos Açores (PT – 4), Nord-Vest, Nord-Est, Sud-Est (RO – 3), 366 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności regiony, które doszły do klasy – Severozapaden, Yuzhen tsentralen (BG), Centru (RO), – regiony, które dojdą do klasy – Severoiztochen (BG). Klasa E to skupienie zanikające, ponieważ o ile w pierwszym roku analizy było w nim 48 regionów, to w 2009 r., już tylko 30, a na podstawie prognoz w 2011 r. w klasie tej odnotowano 23 regiony. Wśród regionów, które przez kilka ostatnich lat pozostawały w tej klasie, notowano 11 greckich, po 4 portugalskie i rumuńskie, 3 bułgarskie oraz warmińsko-mazurskie. Oceniając periodyzacje otrzymane z wykorzystaniem metody Warda, należy podkreślić, że o ile klasy A1 i B2 miały odrębne ścieżki (por. tab. 6.47), o tyle pozostałe można połączyć w dwie podobne grupy periodyzacji. – Tabela 6.47. Periodyzacje otrzymane z wykorzystaniem metody Warda Klasa Podokres I Podokres II Podokres III A1 1999–2005 2006–2011 – A2 1999–2003 2004–2008 2009–2011 B1 1999–2002 2003–2008 2009–2011 B2 1999–2004 2005–2008 2009–2011 C1 1999–2002 2003–2008 2009–2011 C2 1999–2002 2003–2008 2009–2011 D 1999–2003 2004–2008 2009–2011 E 1999–2003 2004–2008 2009–2011 Źródło: opracowanie własne. Pierwszą grupę tworzą klasy: B1, C1 i C2 (podokresy 1999–2002, 2003–2008 i 2009–2011), a drugą klasy A2 i D oraz E (uzyskane dla nich podokresy to 1999– –2003, 2004–2008 i 2009–2011), w obu tych grupach jak i dla klasy B2 uzyskano wspólny podokres (2009–2011), który odpowiada w pracy okresowi prognozowanemu. Osobny podokres 2009–2011 można uznać za raczej naturalny i zapowiadający zmiany w innowacyjnej konstelacji regionów UE. Lata 2002–2004, kiedy nastąpiły przetasowania w większości grup to, szczególnie dla regionów UE 12, okres absorpcji funduszy przedakcesyjnych, a dla całej UE czas znoszenia granic w ramach otwartego rynku pracy. Otwarte i wymagające dalszych badań pozostaje wyraźne opóźnienie tego procesu w skupieniu A1. 367 6.3. Metoda szacowania centrum grupy z danych dynamicznych 6.3. Metoda szacowania centrum grupy z danych dynamicznych Kolejny etap analizy stanowi wskazanie terytorialnych „centrów” grup, tj. najbardziej typowych regionów dla poszczególnych grup. Do analizy wybrano te regiony, które w danej grupie były zawsze, tj. w każdym z 13 analizowanych lat. Następnie ustalono dla nich średnie z wartości cech po czasie oraz średnią odległość od środka grupy. Otrzymano trzy przypadki, w których w centrum jest po 7 regionów (klasy A2, B1 i C2), 8 regionów tworzyło centrum w klasie D, w klasie A1 było to 9 regionów, a w klasach C1, B2 i E centrum stanowiło odpowiednio po: 16, 17 i 19 regionów. W tabeli 6.48 ustalonej dla klasy A1 i w następnych dotyczących kolejnych klas (6.49–6.55) obiekty są uporządkowane od najmniejszej odległości, oznacza to, że ten pierwszy jest najbardziej typowy dla grupy. W ostatnim wierszu podano średnie wartości z regionów stanowiących centrum grupy, wartości w tym wierszu stanowią pewnego rodzaju „wzorzec” dla danej klasy innowacyjności. Tabela 6.48. Charakterystyka centrum klasy A1 Średnia z danych dla lat 1999–2011 Region Freiburg (DE) WYKSZ LLL KIS 27,2 8,2 30,6 KIS 2 HRST 51,0 39,3 HIT EPO HIT 2 W odległość od środka grupy 14,8 853,2 39,8 48,2 0,26 Mittelfranken (DE) 26,9 6,7 32,5 50,4 41,7 13,0 880,7 39,5 47,6 0,37 Tübingen (DE) 29,3 8,1 29,9 52,5 41,3 17,2 932,9 43,2 51,8 0,38 Unterfranken (DE) 24,9 8,0 30,5 49,8 37,3 14,2 740,5 39,6 45,8 0,43 Rheinhessen-Pfalz (DE) 28,1 7,1 32,4 49,5 41,4 15,1 741,9 47,8 49,7 0,43 Karlsruhe (DE) 29,6 7,8 34,5 55,4 43,3 17,1 961,9 47,5 54,9 0,45 Oberbayern (DE) 32,9 7,4 38,7 55,6 49,2 13,3 997,0 47,7 55,9 0,72 Stuttgart (DE) 29,5 7,8 29,9 52,3 43,9 20,9 1160,0 51,1 57,6 0,91 Braunschweig (DE) 24,7 7,6 31,9 50,2 38,7 18,6 357,2 54,4 49,5 1,01 Średnia centrum grupy 28,1 7,6 32,3 51,8 41,8 16,0 847,3 45,6 51,2 Źródło: opracowanie własne. Proponowane podejście to niejako ocena modalnych w grupach polegająca na identyfikacji obiektów, które były w danej grupie przez cały analizowany okres oraz ustaleniu średnich z wartości oryginalnych cech dla wytypowanych obiektów. Takie ujęcie stanowi połączenie podejścia najbliższych sąsiadów z klasycznym uśrednianiem. Taka procedura wydaje się odporna na obiekty odstające. 368 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Wśród regionów tworzących centrum grupy A1 jest 9 niemieckich regionów, a najbardziej typowym regionem tej grupy jest region Freiburg, dla którego średnia odległość od środka grupy wyniosła 0,26, a wartość wskaźnika agregatowego W to 48,2 (tab. 6.48). Najwyższy wskaźnik agregatowy odnotowano w grupie A1 w regionie Stuttgart (57,6), a dla poszczególnych charakterystyk innowacyjności: – WYKSZ i KIS oraz KIS 2 – w regionie Oberbayern, odpowiednio wartości: 32,9; 38,7 i 55,6, – LLL – 8,2 w regionie Freiburg, – HIT i EPO – w regionie Stuttgart: 20,1 oraz 1160, – HIT 2 – 54,4 w regionie Braunsweig. W klasie A2 do tworzących jej trzon zaliczono 7 regionów z UE 15 (po 2 brytyjskie i szwedzkie oraz belgijski, niderlandzki i niemiecki), a najbardziej typowym dla tej grupy jest brytyjski region szczebla NUTS 2 Berkshire, Bucks and Oxfordshire, dla którego wskaźnik agregatowy W wyniósł 52,2 (tab. 6.49). Najwyższy wskaźnik agregatowy w centrum grupy charakteryzuje duński region Hovedstaden. Centrum klasy regionów zaliczonych do biegunów innowacyjności input charakteryzuje się najwyższymi przeciętnymi wartościami charakterystyk innowacyjności (w latach 1999–2011) w następujących regionach: – szwedzkim Sydsverige dla HIT i EPO, – Hovedstaden pod względem LLL, – szwedzkim Stockholm pod względem HIT 2, – brytyjskim Inner London dla WYKSZ, KIS, HRST i KIS 2. Klasą, której trzon stanowi 7 regionów UE 15 (niemieckie, belgijskie i francuski) jest klasa B1, a najbliższymi środka grupy są niemieckie regiony Hannover i Schleswig-Holstein (tab. 6.50). W centrum klasy B1 regionami o najwyższych przeciętnych wartościach charakterystyk innowacyjności (w latach 1999–2011) były: – Hannover w zakresie HIT 2, – Schleswig-Holstein pod względem LLL, – Gießen pod względem KIS 2 i HIT, – Prov. Limburg dla WYKSZ, LLL, KIS, HRST oraz wskaźnika agregatowego W, – Düsseldorf w zakresie EPO. Jedną z klas o zdecydowanie licznym trzonie jest klasa B2, w której centrum znalazło się 17 regionów UE 15 (po jednym z Niderlandów i Finlandii, dwa szwedzkie, a reszta z Wielkiej Brytanii). Najbardziej typowym dla tej grupy jest brytyjski region West Yorkshire (tab. 6.51). Spośród regionów wymienionych w tab. 6.51 najwyższą średnią wartością charakterystyk innowacyjności wyróżniały się: – Itä-Suomi ze względu na WYKSZ, – Dorset and Somerset pod względem LLL, – Norra Mellansverige dla KIS i KIS 2, – pod względem HRST Flevoland, – Sydsverige w przypadku HIT i współczynnika agregatowego W, Średnia z danych dla lat 1999–2011 Region Berkshire, Bucks and Oxfordshire (UK) Utrecht (NL) Sydsverige (SE) Hovedstaden (DK) Stockholm (SE) Région de Bruxelles (BE) Inner London (UK) Średnia centrum grupy WYKSZ LLL KIS KIS 2 HRST HIT EPO HIT2 W 38,2 43,1 32,6 43,9 39,9 50,7 52,2 42,9 21,7 12,7 22,3 30,4 21,4 9,7 24,8 21,1 46,5 48,8 46,6 51,3 55,6 47,3 59,1 50,7 59,3 57,7 62,0 62,0 64,6 54,8 66,5 60,9 44,3 52,9 42,4 53,4 55,4 50,7 57,5 50,9 7,1 2,1 6,5 5,1 4,1 2,8 1,6 4,2 313,0 251,1 543,3 350,8 513,8 209,7 325,9 358,2 34,5 15,0 29,5 31,0 31,4 21,9 14,9 25,5 52,2 46,8 51,5 58,3 57,1 46,2 56,4 52,6 odległość od środka grupy 0,51 0,61 0,64 0,74 0,79 0,79 1,06 Źródło: opracowanie własne. Tabela 6.50. Charakterystyka centrum klasy B1 Średnia z danych dla lat 1999–2011 Region Hannover (DE) Schleswig-Holstein (DE) Prov. Limburg (BE) Gießen (DE) Rhône-Alpes (FR) Prov. Limburg (BE) Düsseldorf (DE) Średnia centrum grupy LLL KIS KIS 2 HRST HIT EPO HIT 2 W 25,9 23,9 32,9 27,3 29,9 36,4 23,8 28,6 6,3 7,3 7,0 9,3 7,1 7,3 6,1 7,2 34,8 35,4 34,9 36,6 34,8 37,0 34,7 35,3 49,6 47,8 52,5 53,6 50,1 52,4 49,5 50,8 41,3 40,1 39,8 40,9 39,6 42,6 39,9 40,7 9,6 7,2 9,2 10,7 7,5 9,3 8,5 8,8 412,5 270,6 200,4 440,4 448,8 384,2 519,1 382,3 35,6 32,1 28,8 33,8 26,9 33,3 30,6 31,6 41,8 38,0 40,1 44,3 39,7 44,9 39,8 41,3 odległość od środka grupy 0,37 0,37 0,41 0,41 0,41 0,42 0,46 369 Źródło: opracowanie własne. WYKSZ 6.3. Metoda szacowania centrum grupy z danych dynamicznych Tabela 6.49. Charakterystyka centrum klasy A2 370 Tabela 6.51. Charakterystyka centrum klasy B2 Średnia z danych dla lat 1999–2011 Region EPO HIT 2 W odległość od środka grupy 33,6 5,0 91,7 20,4 39,1 0,28 54,2 35,0 6,3 107,0 27,7 42,3 0,31 42,8 55,0 33,3 5,4 106,0 26,3 40,6 0,32 17,2 38,2 52,7 31,2 6,2 57,2 25,1 38,3 0,34 30,6 18,7 41,4 54,9 35,2 5,4 77,2 23,2 40,6 0,34 Northumberland, Tyne and Wear (UK) 29,4 18,7 40,0 53,0 32,4 6,6 95,0 28,7 41,0 0,35 Leicestershire, Rutland and Northants (UK) 29,9 19,9 37,9 53,3 34,9 7,5 135,5 27,4 42,2 0,37 Kent (UK) 28,6 19,3 42,3 55,3 34,4 4,9 138,3 22,0 40,3 0,38 Devon (UK) 29,7 19,9 39,2 52,0 33,6 5,6 66,0 25,4 39,9 0,38 East Anglia (UK) 29,1 19,2 39,9 53,9 34,9 5,8 343,4 25,0 42,2 0,40 Lancashire (UK) 29,7 18,1 37,0 50,4 34,2 7,2 84,4 28,6 40,3 0,41 Essex (UK) 25,2 18,9 42,7 56,5 33,2 5,8 169,0 25,1 40,9 0,42 Itä-Suomi (FI) 34,2 18,5 38,7 58,4 36,1 4,3 120,6 18,2 40,2 0,44 South Yorkshire (UK) 27,3 18,2 39,7 54,5 31,0 4,4 76,9 17,1 38,4 0,47 Norra Mellansverige (SE) 24,9 18,2 43,3 62,3 34,7 6,0 225,5 21,8 42,1 0,50 Sydsverige (SE) 24,8 19,7 40,3 61,9 34,1 8,3 185,4 27,4 43,9 0,53 Flevoland (NL) 28,0 17,1 41,8 51,9 40,8 3,1 91,9 18,7 38,1 0,54 Średnia centrum grupy 28,7 18,7 40,4 55,0 34,3 5,7 127,7 24,0 40,5 LLL KIS West Yorkshire (UK) 29,3 18,7 40,5 54,9 Dorset and Somerset (UK) 29,8 20,5 40,4 Merseyside (UK) 29,3 17,0 West Wales and The Valleys (UK) 28,4 Greater Manchester (UK) Źródło: opracowanie własne. KIS 2 HRST 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności HIT WYKSZ Średnia z danych dla lat 1999–2011 Region WYKSZ LLL KIS KIS 2 HRST HIT EPO HIT 2 W odległość od środka grupy Brandenburg-Nordost (DE) 33,9 7,5 30,4 44,0 38,7 4,8 117,5 18,3 32,7 0,27 Mecklenburg-Vorpommern (DE) 31,5 7,2 31,4 44,0 35,9 4,1 76,2 17,9 30,9 0,29 Trier (DE) 24,7 7,8 31,9 47,7 38,3 5,1 175,3 17,9 32,3 0,31 Prov. West-Vlaanderen (BE) 32,4 7,6 33,0 49,8 40,6 6,2 230.5 20,3 36,6 0,39 Northern Ireland (UK) 32,3 11,2 34,1 47,2 34,0 4,7 61,2 19,8 33,9 0,40 Sachsen-Anhalt (DE) 29,3 5,9 28,5 41,9 34,8 6,5 74,6 23,0 31,1 0,41 Estonia (EE) 36,1 7,0 28,6 47,1 41,0 4,2 12,8 12,7 31,6 0,42 Attiki (GR) 31,3 2,8 31,6 41,6 35,9 3,6 23,3 15,4 27,9 0,42 Prov. Hainaut (BE) 32,2 3,8 36,2 49,3 38,0 6,0 168,5 24,9 35,9 0,44 Prov. Namur (BE) 36,7 4,5 38,8 50,3 41,6 3,7 155,1 18,9 35,9 0,49 Közép-Magyarország (HU) 30,3 5,1 36,6 49,6 41,3 6,4 62,6 25,9 36,5 0,49 Languedoc-Roussillon (FR) 29,6 5,5 37,3 47,6 37,2 2,2 114,2 13,6 30,7 0,50 Prov. Liège (BE) 36,5 5,8 37,7 50,8 41,5 4,0 223,9 16,6 36,4 0,50 Yugozapaden (BG) 36,2 2,4 27,3 42,2 39,6 3,7 7,8 12,3 28,2 0,53 Prov. Luxembourg (BE) 34,5 5,1 38,0 51,7 40,1 2,7 247,0 12,4 34,2 0,59 Lithuania (LT) 32,6 4,9 25,7 45,0 37,4 2,8 6,5 9,8 26,8 0,60 Średnia centrum grupy 32,4 5,9 32,9 46,9 38,5 4,4 109,8 17,5 32,6 371 Źródło: opracowanie własne. 6.3. Metoda szacowania centrum grupy z danych dynamicznych Tabela 6.52. Charakterystyka centrum klasy C1 372 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności dla EPO w regionie East Anglia, ze względu na HIT 2 w Northumberland, Tyne and Wear. Klasa C1 jest następną, w której przez każdy rok z 13 analizowanych lat była duża grupa 16 regionów (większość z UE 15 i cztery z UE 12), w tym 5 zawierających stolicę, a regionem najbardziej typowym dla klasy był niemiecki Brandenburg-Nordost, dla którego odległość od środka grupy była najmniejsza (tab. 6.52). W centrum regionów zaliczonych do klasy C1 najwyższe przeciętne wartości charakterystyk innowacyjności (w latach 1999–2011) notowano w następujących regionach: – Northern Ireland pod względem LLL, – Prov. Namur dla WYKSZ, KIS i HRST, – Sachsen-Anhalt dla HIT, – Prov. Luxembourg dla KIS 2 i EPO, – Prov. West-Vlaanderen dla wartości wskaźnika agregatowego W regionie. Po dwa regiony czeskie, włoskie i węgierskie oraz niemiecki stanowią ścisłe centrum klasy C2, a najbardziej zbliżony do środka grupy jest włoski region Vento – zob. tab. 6.53. W centrum klasy C2 do regionów o najwyższych przeciętnych wartościach charakterystyk innowacyjności (w latach 1999–2011) zaliczają się: – Vento pod względem LLL, – Niederbayern dla WYKSZ, HRST, KIS 2 oraz EPO i wskaźnika agregatowego W, – Közép-Dunántúl dla HIT, – Valle d’Aosta dla KIS i HIT 2. W ośmioelementowym centrum grupy D regionem najbardziej typowy jest węgierski Észak-Alföld (tab. 6.54). Centrum grupy stanowią regiony jedynie UE 12, w tym polskie, rumuńskie, bułgarski, węgierski i słoweński, a najbliższy środka grupy w sensie odległości jest Észak-Alföld, dla którego odnotowano także najwyższą w centrum średnią wartość wskaźnika agregatowego W i średnią EPO oraz KIS. Kolejnymi regionami, w których średnie wartości charakterystyk innowacyjności były najwyższe, są: – Východné Slovensko pod względem HIT, – wielkopolski dla KIS 2, – kujawsko-pomorski dla LLL, – Severen tsentralen pod względem WYKSZ i HRST, – Sud-Vest Oltenia dla HIT 2. Najliczniejsze centrum (19 regionów) utworzyły regiony zaklasyfikowane do skupienia E, w którym grecki region Peloponnisos jest najbardziej typowy (tab. 6.55), z wartością miary odległości od środka grupy równą 0,28 i wskaźnika agregatowego na poziomie 12,7 (najwyższą wartość średnią wskaźnika w centrum grupy odnotowano dla greckiego regionu Dytiki Ellada). – – Region Veneto (IT) Střední Čechy (CZ) Severovýchod (CZ) Nyugat-Dunántúl (HU) Niederbayern (DE) Közép-Dunántúl (HU) Valle d’Aosta (IT) Średnia w „grupie środka” Średnia z danych dla lat 1999–2011 WYKSZ LLL KIS KIS 2 HRST HIT EPO HIT 2 W 13,2 12,1 12,0 16,2 21,5 16,5 12,2 14,8 6,1 4,9 5,4 2,7 5,3 3,2 5,4 4,6 25,7 23,0 21,3 21,6 25,8 21,6 30,3 24,2 45,3 40,7 43,4 39,7 45,5 41,7 41,8 42,6 30,2 30,1 30,1 24,8 33,4 25,5 28.3 28.9 10,4 12,0 13,5 13,4 14,8 14,9 10,2 12,8 255,6 24,4 26,9 6,1 310,9 12,9 116,8 107,7 26,2 31,2 29,4 33,3 38,7 35,2 42,4 33,8 30,8 29,1 29,9 29,7 38,8 30,8 32,5 31,5 odległość od środka grupy 0,39 0,47 0,54 0,56 0,59 0,61 0,65 Źródło: opracowanie własne. Tabela 6.54. Charakterystyka centrum klasy D Region Észak-Alföld (HU) Východné Slovensko (SK) Wielkopolski (PL) Kujawsko-pomorski (PL) Podkarpacki (PL) Severen tsentralen (BG) Sud-Vest Oltenia (RO) Sud-Muntenia (RO) Średnia centrum grupy WYKSZ LLL KIS KIS 2 HRST HIT EPO HIT 2 W 18,6 14,6 19,3 17,3 18,8 25,7 12,6 10,1 17,1 2,9 2,2 3,9 4,4 3,3 0,9 1,1 1,1 2,5 25,9 24,0 21,7 22,1 19,5 20,8 10,6 11,1 19,5 43,9 43,3 44,7 44,1 42,3 39,7 38,2 36,0 41,5 26,4 24,7 24,8 22,8 25,1 27,6 16,3 15,3 22,9 7,3 7,9 6,2 5,1 5,8 7,4 5,7 7,5 6,6 19,9 6,9 4,2 3,1 8,6 4,6 0,5 0,8 6,1 22,2 20,2 18,0 15,6 20,7 20,5 27,3 25,8 21,3 25,8 23,5 23,4 21,5 22,5 24,5 16,9 16,5 21,8 odległość od środka grupy 0,23 0,30 0,31 0,32 0,33 0,46 0,80 0,85 373 Źródło: opracowanie własne. Średnia z danych dla lat 1999–2011 6.3. Metoda szacowania centrum grupy z danych dynamicznych Tabela 6.53. Charakterystyka centrum klasy C2 374 Tabela 6.55. Charakterystyka centrum klasy E Średnia z danych dla lat 1999–2011 Region WYKSZ LLL KIS KIS 2 HRST HIT EPO HIT 2 W odległość od środka grupy Peloponnisos (GR) 17,3 0,8 17,6 35,3 18,6 1,3 9,5 7,4 12,7 0,28 Anatoliki Makedonia, Thraki (GR) 19,0 2,0 17,7 34,0 20,7 1,4 4,8 7,3 13,7 0,30 Dytiki Makedonia (GR) 21,4 1,4 19,2 38,7 22,7 1,6 12,7 5,9 15,7 0,33 Ipeiros (GR) 22,8 1,5 22,6 38,7 24,2 1,4 6,7 6,5 17,1 0,34 Dytiki Ellada (GR) 20,3 2,0 20,8 36,0 22,7 1,1 9,3 6,2 20,3 0,35 19,4 3,7 22,9 42,1 25,3 2,7 1,6 8,9 19,4 0,37 23,5 1,3 19,9 35,7 25,2 1,3 10,3 6,4 16,1 0,38 Nord-Vest (RO) 13,0 1,3 14,0 37,9 19,1 3,3 2,0 10,5 13,5 0,41 Norte (PT) 11,8 3,5 18,2 37,9 15,3 3,4 10,3 8,5 13,8 0,42 Sterea Ellada (GR) 16,2 0,9 15,4 29,9 17,5 2,7 4,8 9,4 11,8 0,42 Kriti (GR) 21,8 1,8 20,1 32,5 23,3 0,8 18,2 4,8 14,3 0,44 Centro (PT) 11,3 4,4 17,4 36,4 14,9 3,6 10,9 11,2 14,0 0,45 Voreio Aigaio (GR) 21,9 0,7 22,0 34,7 24,2 0,7 10,1 3,7 14,7 0,47 Sud-Est (RO) 11,5 1,2 13,3 35,1 17,7 3,5 0,8 12,7 12,6 0,48 Ionia Nisia (GR) 14,9 0,9 18,0 27,5 16,5 1,4 11,4 8,6 10,5 0,50 Algarve (PT) 12,6 3,9 21,7 30,1 17,8 3,3 4,0 15,6 15,2 0,51 Região Autónoma dos Açores (PT) Notio Aigaio (GR) 8,8 2,0 20,5 34,1 13,9 3,3 18,7 12,1 12,8 0,52 15,3 0,8 18,3 25,9 17,5 0,9 9,3 4,2 9,3 0,58 0,60 Nord-Est (RO) 11,0 1,3 11,1 40,3 15,1 2,7 0,4 12,5 12,1 Średnia centrum grupy 16,5 1,9 18,5 34,9 19,6 2,1 8,2 8,5 14,2 Źródło: opracowanie własne. 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Warmińsko-mazurski (PL) Thessalia (GR) 6.3. Metoda szacowania centrum grupy z danych dynamicznych 375 Do regionów o skrajnych (największych i najmniejszych) wartościach średnich charakterystyk innowacyjności w klasie tej zaliczono regiony: – warmińsko-mazurski, w którym notowano najwyższe w tej klasie wartości przeciętne KIS, HRST i KIS 2, – Centro z najwyższymi średnimi wartościami LLL i HIT, Thessalia ze względu na WYKSZ, Algarve dla HIT 2, Região Autónoma dos Açores zaś ze względu na EPO , – Voreio Aigaio z najniższymi wartościami przeciętnymi LLL, HIT i HIT 2, – Região Autónoma dos Açores pod względem WYKSZ i HRST, – Notio Aigaio ze względu na KIS 2 i współczynnik agregatowy w regionie, – Nord-Est ze względu na KIS i EPO. W centrum skupienia o najniższym poziomie innowacyjności ocenianym pod względem zarówno wartości wskaźnika agregatowego, jak i poziomu średnich wartości większości (7 z 8) analizowanych charakterystyk innowacyjności są regiony greckie (11 z 13), portugalskie (4 z 7), rumuńskie (3 z 8) i warmińsko-mazurski. W tabeli 6.56 podano „współrzędne” regionów tworzących centrum każdej z grup, a z porównania współrzędnych uzyskanych dla centrum grup z poprzednimi średnimi, tj. średnimi dla skupień regionów uzyskanych z wykorzystaniem metody k-średnich, wynika, że grupa A2 ma wyższy wskaźnik agregatowy niż A1; tak było również przy wcześniejszej ocenie średnich skupień. W klasach o najwyższych poziomach innowacyjności input i output, tj. w klasach A1 i A2 współrzędne centrum grupy (poza wartościami charakterystyk KIS i LLL w klasie A1) są wyższe niż współrzędne skupień, co wskazuje, iż na stałe w grupie są regiony o wyższych przeciętnych wartościach średnich charakterystyk innowacyjności. Są to regiony o najwyższym poziomie innowacyjności, a opuściły te grupy regiony, które w większości przeszły do skupień charakteryzujących się niższym poziomem innowacyjności. W kolejnych trzech klasach B1, B2 i C1 trudno uchwycić jakąś prawidłowość, ale porównując wartości współrzędnych wektorów skupień i centrum w klasach C2 i D, odnotować należy, iż tylko dla dwóch charakterystyk innowacyjności (HIT i HIT 2) różnica między centrum grupy a współrzędnymi skupień była ujemna, dla pozostałych zaś dodatnia. Wygląda na to, że w grupach tych zatrzymują się na dłużej regiony o niższych średnich wartościach charakterystyk innowacyjności, a opuszczają je regiony o wyższych przeciętnych wartościach identyfikatorów innowacyjności. W klasie E natomiast wystąpiła sytuacja, w której współrzędne centrum grupy są niższe od współrzędnych otrzymanego skupienia, co oznacza, że na stałe w grupie są regiony o zdecydowanie niższych średnich wartościach wszystkich charakterystyk innowacyjności i to niestety są regiony o trwale najniższym poziomie innowacyjności, a opuściły grupę, przechodząc do skupień charakteryzujących się wyższym przeciętnym (mierzonym m.in. wskaźnikiem agregatowym W) poziomem innowacyjności, regiony o wyższych średnich wartościach charakterystyk innowacyjności. 376 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Tabela 6.56. Porównanie współrzędnych środków centrum grup i średnich dla grup 1 – współrzędne skupienia 2 – współrzędne centrum grupy Klasy 3 – różnica między współrzędnymi skupienia i centrum grupy A1 A2 B1 C2 KIS 2 HRST HIT EPO HIT 2 W 27,6 7,6 32,3 51,3 14,1 14,9 841,7 43,2 49,6 7,6 32,3 51,8 41,8 16 847,3 45,6 51,2 3=1–2 –0,5 0 0 –0,5 –27,7 –1,1 –5,6 –2,4 –1,6 1 39,7 19,6 46,5 59,4 47,5 4,9 293,1 25,2 49,3 2 42,9 21,1 50,7 60,9 50,9 4,2 358,2 25,5 52,6 3=1–2 –3,2 –1,5 –4,2 –1,5 –3,4 0,7 –65,1 –0,3 –3,3 1 29 9,3 35,1 51 40,3 9 341,9 31,8 41,8 2 28,6 7,2 35,3 50,8 40,7 8,8 382,3 31,6 41,3 0,4 2,1 –0,2 0,2 –0,4 0,2 –40,4 0,2 0,5 1 29,4 18,6 39,4 54,4 35,8 5,9 145,7 24,2 40,8 2 28,7 18,7 40,4 55 34,3 5,7 127,7 24 40,5 0,7 –0,1 –1 –0,6 1,5 0,2 18 0,2 0,3 30,3 7,6 31,8 46,4 37,6 4,7 103,9 18,2 32,4 1 2 32,4 5,9 32,9 46,9 38,5 4,4 109,8 17,5 32,6 3=1–2 –2,1 1,7 –1,1 –0,5 –0,9 0,3 –5,9 0,7 –0,2 1 17,8 5,3 26,2 44,2 30,9 10,9 177,8 30,6 32,4 2 14,8 4,6 24,2 42,6 28,9 12,8 107,7 33,8 31,5 3 0,7 2 1,6 2 –1,9 70,1 –3,2 0,9 4 24,2 42,4 26,4 6,2 50 19,9 24,1 1 17,1 2 17,1 2,5 19,5 41,5 22,9 6,6 6,1 21,3 21,8 0 1,5 4,7 0,9 3,5 –0,4 43,9 –1,4 2,3 1 18,1 2,9 20,2 36 22,2 2,5 11,4 9,4 16,2 2 16,5 1,9 18,5 34,9 19,6 2,1 8,2 8,5 14,2 1,7 1,1 2,6 0,4 3,2 0,9 2 3=1–2 E KIS 28,1 3=1–2 D LLL 1 3=1–2 C1 WYKSZ 2 3=1–2 B2 Średnia z danych dla lat 1999–2011 3 =1 – 2 1,6 1 Źródło: opracowanie własne. 6.4. Miara dynamicznej stabilności grup w przestrzenno-czasowej analizie skupień W macierzach przynależności regionów do klas można prześledzić zmieniające się w czasie struktury grup. Przy naturalnej ciągłości badanego zjawiska niektóre obiekty są w grupie w każdym momencie analizy, niektóre ją opuszczają, a inne pojawiają się w późniejszym okresie. 6.4. Miara dynamicznej stabilności grup w przestrzenno-czasowej analizie skupień 377 Miara dynamicznej stabilności grupy może być określona wzorem: , (6.1) gdzie k jest liczbą jedynek w macierzy przestrzenno-czasowej struktury grupy (oznaczmy ją przez S). . (6.2) Miara DS przybiera wartości z przedziału [0, 1]. Wartość zero przyjmuje wówczas, gdy każdy obiekt z grupy występuje w niej tylko w jednej jednostce czasu, jeden zaś (pełna stabilność), gdy w całym okresie skład grupy jest taki sam (w macierzy S) są same jedynki. Wartości miary DS wyraźnie pokazują, że najbardziej stabilna jest klasa A1, zawierająca regiony – bieguny innowacyjności output (z wartością miary DS na poziomie 0,806), następnie klasa E, zawierająca regiony, dla których odnotowano najniższe wartości średnie wszystkich charakterystyk innowacyjności (miara DS równa 0,657). Taka sytuacja może wskazywać na utrwalające się tendencje polaryzacji europejskiej przestrzeni europejskiej ze względu na innowacyjność. Miarę DS o wartości powyżej 0,57 uzyskano dla regionów klasy B2, natomiast dla klas A2, C1 i D wahała się ona od 0,431 do 0,485 (tab. 6.57). Tabela 6.57. Wartości miary DS w klasach Klasa Liczba obiektów (m) Liczba jedynek w S (k) Miara DS A1 15 160 0,8056 A2 51 348 0,4853 B1 64 358 0,3828 B2 71 557 0,5704 C1 108 666 0,4306 C2 64 370 0,3984 D 83 515 0,4337 E 53 471 0,6572 Źródło: opracowanie własne. Najmniej stabilne są klasy B1 i C2 (miara DS wynosiła odpowiednio 0,383 i 0,398). Klasa C2 we wcześniejszych analizach (rozdz. 6.2) została określona jako klasa, w której przeważają regiony opuszczające grupę, a regiony te to przeważnie regiony UE 15, zasilające przede wszystkim drugie z wymienionych jako najmniej stabilne skupienie B1. Natomiast trwale grupę C2 tworzą regiony UE 12, które są również wśród regionów dochodzących do tej grupy (opuściwszy skupienie D). 378 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Otrzymane wyniki miary DS są liczbowym potwierdzeniem opisywanych wcześniej przesunięć regionów między klasami. Należy również podkreślić, iż analiza stabilności dotyczy nie tylko czasu przeszłego (lat 1999–2008), lecz także okresu prognozowanego (lat 2009–2011). 6.5. Miara dynamicznej atrakcyjności grup w przestrzenno-czasowej analizie skupień Dalszym etapem jest ocena dynamicznej atrakcyjności grup, przy czym „atrakcyjność” jest tu rozumiana w sensie angielskiego słowa to attract (przyciągać). Zakładamy, że może być przyciąganie pozytywne i przyciąganie w kierunku odwrotnym, czyli odpychanie. Te określenia łączą się niekiedy z działaniem, w analizowanym przypadku należy to wiązać ze stanem. Może się zdarzyć tak, że w miarę upływu czasu liczba obiektów w grupie jest na mniej więcej podobnym poziomie – wtedy jest to pewien stan neutralny. Inna sytuacja to taka, że na początku okresu w grupie było dużo obiektów, ale potem zaczęło ich ubywać – to jest sytuacja odpychania. Sytuacja przyciągania polega na tym, że w miarę upływu czasu do grupy dołączają nowe obiekty. Proponowana miara ma globalnie oceniać ten proces. Przy neutralności (podstawowej) liczby w wierszu Razem „1” w roku (por. tab. 6.6) powinny podlegać rozkładowi równomiernemu. Mówimy tu o neutralności podstawowej, można też wyobrazić sobie, że co druga pozycja w tym wierszu jest równa zeru, a liczby w pozostałych podlegają rozkładowi równomiernemu, co daje neutralność, ale nie ma rozkładu równomiernego (dla wszystkich pól macierzy). Wydaje się, że atrakcyjność można zbadać przez oszacowanie funkcji trendu ostatniego wiersza, wykorzystanie współczynnika korelacji rangowej lub współczynnika korelacji liniowej. Niestety można wskazać przykłady podważające: – współczynnik korelacji rangowej – we wszystkich polach poza ostatnim są jedynki, a w ostatnim reszta (czyli w naszym przykładzie 15), co oznacza, że jest 12 równych rang (6,5) i jedna inna (13), a współczynnik korelacji rangowej Spearmana jest równy 0,463 i nie jest istotny statystycznie, choć grupa jest w oczywisty sposób przyciągająca, – współczynnik korelacji liniowej – do sensownego testowania próba powinna pochodzić z dwuwymiarowego rozkładu normalnego, co w skrajnym przykładzie przedstawionym powyżej oczywiście nie występuje, a współczynnik korelacji liniowej wynosi tyle samo co współczynnik Spearmana i też nie jest istotny, – linię trendu – funkcję trendu na podstawie powyższego przykładu (z nieistotnym współczynnikiem kierunkowym) przedstawiono na rys. 6.12: 6.5. Miara dynamicznej atrakcyjności grup w przestrzenno-czasowej analizie skupień 379 16 14 12 Liczba ,,1” = 0,428t – 1 10 8 6 4 2 0 -2 0 2 4 6 8 10 12 14 Rys. 6.12. Linia trendu dla analizowanego przykładu Źródło: opracowanie własne. Pozostaje zatem następująca propozycja: (6.3) do: Oznaczenia takie jak w poprzedniej propozycji miary DS. , to wzór uprości się Gdyby przyjąć, tak jak poprzednio (6.2): (6.4) Miara przybiera wartości z przedziału [–1;+1], przy czym jej ujemne wartości oznaczają odpychanie w badanym okresie, a dodatnie – przyciąganie. Otrzymane wyniki wydają się korzystne dla procesu innowacyjności, ponieważ, z wyjątkiem klasy A1, która umacniając swoją strukturę (bieguny innowacyjności out- Tabela 6.58. Ocena dynamicznej put), ma miarę ujemną, następne cztery klasy atrakcyjności klas (wartości miary DA) w kolejności (A2, B1 i B2 oraz C1) są klasami Klasa Miara DA Klasa Miara DA przyszłościowymi, wartości miary są dla tych A1 –0,0802 C1 0,1599 klas dodatnie (tab. 6.58). A2 0,2496 C2 –0,1500 Jednocześnie klasy C2, D i E to ugrupoB1 0,0996 D –0,2168 wania historyczne, a najbardziej klasa D, co B2 0,0009 E –0,1242 może wskazywać, że podnosi się poziom innowacyjności szczególnie w tych regionach, Źródło: opracowanie własne. które na początku zaliczono do klas najniższych poziomach innowacyjności. Wygląda na to, że przemieszczenia odbywały się szczególnie z trzech ostatnich klas (zwłaszcza z klasy D) do klas A2 i C1. 380 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Zakładając utrzymanie się dotychczasowych trendów zmian wskaźników innowacyjności input i output można przypuszczać, iż luka między technologicznymi liderami Europy a innowacyjnymi peryferiami będzie się zmniejszać, a znaczne zróżnicowanie krajów UE na szczeblu NUTS 2 pod względem zdolności innowacyjnej spowoduje przesunięcia w profilu ich specjalizacji międzynarodowej. Należy się spodziewać umacniania się specjalizacji najbardziej innowacyjnych regionów z krajów Europy Północnej szczególnie w przemyśle i usługach wysokiej techniki, przy czym największą dynamiką będzie się charakteryzował rozwój sektora usług high-tech. Szansą na poprawę zdolności innowacyjnej dla najsłabszych regionów UE, zaliczonych w niniejszej analizie do peryferyjnego obszaru pod względem innowacyjności, jest przede wszystkim maksymalne wykorzystanie środków oferowanych w ramach wspólnej polityki innowacyjnej UE, w tym uczestnictwo w unijnych programach ramowych. 6.6. Dynamika zmian w rozmieszczeniu regionów na podstawie wyników klasyfikacji metodą k-średnich Metody klasyfikacji umożliwiają grupowanie obiektów wielocechowych w zbiory o podobnych właściwościach obiektów. W pracy, w celu analizy zjawiska wielowymiarowego, jakim jest innowacyjność, dokonano – wykorzystując metodę k-średnich z uprzednim wyborem liczby klas na podstawie metody Warda – klasyfikacji 265 regionów UE, opisanych zbiorem 8 charakterystyk innowacyjności w 13 latach obejmujących okres 1999–2011 (10 lat na podstawie danych rzeczywistych i 3 ostatnie lata na podstawie prognoz). Wyniki przypisania regionów europejskiej przestrzeni do klas w latach 1999, 2008 i 2011 przedstawiono na rys. 6.13–6.15. Na mapach widoczne jest wyróżnianie się wśród innych regionów danego kraju regionów stołecznych (np. Czechy, Wielka Brytania, Hiszpania, Grecja, Austria) lub zawierających stolicę (Francja, Włochy). Uwagę zwraca także spójny terytorialnie ośrodek regionów innowacyjności output (klasa A1 ze średnią wartością miary syntetycznej W na poziomie 49,6 i najwyższymi średnimi wartościami charakterystyk innowacyjności HIT, EPO i HIT 2), który stanowiły (rok 1999 r,), stanowią (2008 r.) i będą stanowiły (prognozy dla 2011 r.) regiony północnych Niemiec. W klasie regionów innowacyjności output notowano zmniejszenie liczby regionów z 14 poprzez 11 do 10. Regiony innowacyjności input (klasa A2, ze średnią wartością miary W na poziomie 49,3 oraz najwyższymi przeciętnymi wartościami charakterystyk innowacyjności LLL, WYKSZ, HRST, KIS i KIS 2) to w każdym ze zilustrowanych na mapach lat: Utrecht (NL), Åland (FI), Sydsverige, Övre Norrland (SE), Berkshire, Buckinghamshire and Oxfordshire oraz Surrey, East and West Sussex (UK) i stołeczne Szwecji, Belgii, Danii oraz Wielkiej Brytanii. Wymienionych 10 regionów stanowiło o tej klasie w 1999 r., natomiast w kolejnych latach jej liczebność wzrastała z 33 w 2008 r. do 50 (w 2011 r. na podstawie prognoz). 6.6. Zmiany w rozmieszczeniu regionów – klasyikacja metodą k-średnich 381 Rys. 6.13. Regiony UE w klasach uzyskanych na podstawie metody k-średnich (przyporządkowanie w 1999 r.) Źródło: opracowanie własne. Widoczne jest przy tym, iż kolejne lata przynoszą wzrost liczby regionów w klasie A2, zwłaszcza w tych geograficznych okolicach, w których w poprzednim okresie obserwowano wysokie wartości charakterystyk input. Sytuacja taka dotyczy zwłaszcza regionów Szwecji, Finlandii, Wielkiej Brytanii, krajów Beneluksu – można wskazać w tym przypadku na widoczne zjawisko transferu, „rozlewania się” innowacji (spillovers of innovation). Regiony w klasie B1, w której średnia wartość miary W wynosiła 41,8, stanowiły w 1999 r. grupę 23-elementową (niemieckie i brytyjskie (po 6), belgijskie (4), 382 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności Rys. 6.14. Regiony UE w klasach uzyskanych na podstawie metody k-średnich (przyporządkowanie w 2008 r.) Źródło: opracowanie własne. finlandzkie (3), francuskie (2), austriacki, niderlandzki i szwedzki), w 2008 r. były to 32 regiony (16 niemieckich, 6 francuskich, po 3 belgijskie i hiszpańskie, 2 niderlandzkie, austriacki i włoski, a w 2011 r. (na podstawie prognoz) 33 regiony, w tym: – 7 tych samych, co w 1999 r. (belgijskie Prov. Antwerpen i Prov. Limburg, niemieckie Gießen, Hannover, Düsseldorf i Schleswig-Holstein oraz francuski Rhône-Alpes), – 24 te same, co w 2008 r.: 18 niemieckich, 7 francuskich, 4 włoskie, po 2 austriackie i belgijskie. 6.6. Zmiany w rozmieszczeniu regionów – klasyikacja metodą k-średnich 383 Rys. 6.15. Regiony UE w klasach uzyskanych na podstawie metody k-średnich (przyporządkowanie na podstawie prognoz dla 2011 r.) Źródło: opracowanie własne. Wartość miary W w klasie B2 wynosi 40,8, a liczebność w trzech analizowanych momentach to odpowiednio 37, 38 i 43 regiony. W klasie B2 w 1999 r. były 23 regiony brytyjskie, 5 niderlandzkich, po 4 szwedzkie i duńskie oraz finlandzki. Przy tym w 2008 r., w porównaniu z 1999 r., było w tej klasie nadal 26 tych samych regionów, co w 1999 r., a na podstawie prognoz w 2011 r. 21 regionów, w tym 15 brytyjskich, po 2 szwedzkie (Småland med öarna i Norra Mellansverige) i niderlandzkie (Drenthe i Flevoland) oraz duński (Nordjylland) i finlandzki (Itä-Suomi). 384 6. Przestrzenno-czasowa analiza skupień w ocenie innowacyjności W trzech zilustrowanych na mapach momentach widoczny jest wzrost regionów w klasie C1: z 35 poprzez 59 do 73 regionów, i to zwłaszcza kosztem regionów z klas D i E. Ponadto wiele regionów z tej klasy w kolejnych momentach notowano w klasach B1 (niemieckie: Brandenburg-Südwest, Chemnitz, Thüringen i Dresden oraz francuski Midi-Pyrénées) i A2 (belgijski Prov. Oost-Vlaanderen, niemiecki Leipzig, niderlandzkie Gelderland i Overijssel, hiszpańskie País Vasco i Comunidad de Madrid oraz stołeczne i zawierające stolice regiony: Southern and Eastern, Luxembourg oraz Bratislavský kraj i Praha), tj. w klasach o wyższej przeciętnej wartości miary W. Zwiększającej się w analizowanym okresie liczbie regionów w klasach A2, B1, B2 i C1 towarzyszy zmniejszająca się liczba regionów w klasach C2 (z 41 poprzez 26 do 19), D (z 57 poprzez 36 do 14) i E (z 48 przez 30 do 23), tj. w klasach o najniższych wartościach miary syntetycznej W. W klasie C2 w każdym ze zilustrowanych na mapach momentów było 10 regionów: czeskie (Střední Čechy, Severovýchod, Střední Morava), niemieckie (Niederbayern, Lüneburg), węgierskie (Közép-Dunántúl, Nyugat-Dunántúl, Észak-Magyarország) i włoskie (Valle d’Aosta, Veneto). Natomiast poza rumuńskim regionem Centru (który w 1999 r. był w klasie C2, a w kolejnych dwóch momentach był już w klasie E) inne, które opuszczały na przestrzeni lat tę klasę, zmieniały ją zawsze na klasę o wyższej średniej wartości miary W: w tym do klasy A1, klasy regionów innowacyjności output, awansował niemiecki region Oberpfalz, a do klasy A2, klasy regionów innowacyjności input, francuski region Bretagne. W klasie D, w której średnia wartość miary W wynosiła 24,1, a przeciętne wartości charakterystyk innowacyjności były niemal najniższe, w każdym z trzech opisywanych lat powtórzyło się 10 regionów, w tym województwa: podkarpackie, wielkopolskie, lubuskie i kujawsko-pomorskie oraz regiony bułgarskie i rumuńskie (po 2), słoweński i węgierski. Znamienne jest, że wśród regionów klasy E, którą cechuje najniższa średnia wartość miary W (16,2) i najniższe przeciętne wartości 5 z 6 charakterystyk innowacyjności, na stałe przypisanych jest 20 regionów (11 z 13 greckich, 4 portugalskie, 3 rumuńskie, bułgarski i warmińsko-mazurski). Na przedstawionych mapach ilustrujących zmiany w przyporządkowaniu do klas europejskich regionów widoczne jest wspomniane już „rozlewanie się” innowacji, związane ze zjawiskiem geograficznej bliskości, gdzie wymiana myśli, doświadczeń, pomysłów i ich konfrontacja w większych zespołach (dyfuzja) możliwa jest właśnie ze względu na geograficznie nieznaczną odległość. W obserwowanych procesach innowacyjnych zauważalne są zatem, na co wskazywali także J. Millard [2002a; 2002b] oraz E.A. Castro i C.N. Jensen-Butler [1991], dwie uzupełniające się, lecz przeciwstawne siły: koncentracja przestrzenna i dekoncentracja przestrzenna. ROZDZIAŁ 7 Analiza porównawcza wyników wykorzystanych podejść badawczych oceny poziomu innowacyjności europejskiej przestrzeni regionalnej Istnienie różnic międzyregionalnych jest problemem, który nigdy nie będzie rozwiązany, ponieważ zawsze będzie istniało zróżnicowanie przestrzenne działalności człowieka. Antoni Kukliński Cechą charakterystyczną współczesnej gospodarki światowej jest to, że działalność innowacyjna nie jest rozmieszczona na świecie równomiernie czy też przypadkowo. Znamienne, że jeśli gospodarka uzależniona jest od wiedzy, to obserwuje się tendencję do skupiania (zwłaszcza w przypadku specjalistycznego przemysłu czy usług), która się potęguje [Leyshon, Thrift 1997; Feldman 2001; Cortright, Mayer 2002]. Koncentracja przestrzenna jest zaprzeczeniem oczekiwań, iż wzrost znaczenia ITC w gospodarce spowoduje decentrację działalności innowacyjnej. Takie obserwacje skłaniają zaś do konstatacji na temat specyfiki geografii procesów tworzenia wiedzy. Obecnie, kiedy konkurowanie w globalnej gospodarce jest dla firmy gwarancją sukcesu, to właśnie zdolność do tworzenia nowych lub ulepszonych produktów i procesów, czyli tzw. cicha wiedza, jest gwarantem dla opartego na innowacji tworzenia wartości [Pavitt 2002]. Podobnie, kiedy istnieje możliwość dostępu do sprecyzowanej/skodyfikowanej wiedzy, wówczas tworzenie unikalnych możliwości i produktów zależy od wykorzystywania cichej wiedzy. W tym duchu wypowiadali się także P. Maskell i A. Malmberg [1999, s. 172], wskazując, że: „Choć często pomijaną, logiczną i interesującą konsekwencją obecnego rozwoju w stronę gospodarki globalnej jest to, że im łatwiejszy jest dostęp do kodyfikowalnej (wymienialnej) wiedzy, tym bardziej istotna dla utrzymania lub poprawienia konkurencyjnej pozycji firmy staje się cicha wiedza. Innymi słowy, jednym ze skutków trwającej globalizacji jest to, że wiele uprzednio zlokalizowanych możliwości i czynników produkcyjnych staje się wszechobecnych. Jednakże, to co nie jest rozpowszechnione, jest niewymienialnym (nieskodyfikowanym) wynikiem tworzenia wiedzy – to zakorzeniona cicha wiedza, która w danym czasie może zostać stworzona wyłącz- 386 7. Analiza porównawcza wyników podejść badawczych nie w praktyce. Zasadnicza niezdolność do wymiany tego typu wiedzy zwiększa jej ważność w miarę postępu internacjonalizacji rynków”. Wiedza jest więc przestrzennie umiejscowiona, ponieważ cicha wiedza jest kluczowym czynnikiem determinującym geografię działalności innowacyjnej. Jednak cicha wiedza jest trudna zarówno do kodyfikacji, jak i do wymieniania na dalsze odległości [Polanyi 1958, 1966]. Istotne są znaczenia kontekstowe, wynikające ze społecznych i instytucjonalnych uwarunkowań, w których powstała. A ten unikalny dla kontekstu charakter geograficznie je lokalizuje [Gertler 2003]. Ponadto fluktuujący charakter samego procesu innowacyjnego ma coraz większe znaczenie ze względu na społecznie organizowany proces uczenia się. Innowacje są wypadkową interakcji i przepływu wiedzy pomiędzy podmiotami gospodarczymi, organizacjami badawczymi oraz agencjami publicznymi. W koncepcji gospodarki opartej na wiedzy [Lundvall, Johnson 1994] zwraca się uwagę na „uczenie się przez interakcje”. A scalenie cech procesu innowacyjnego, tj. centralnej pozycji „przywiązanej”, kontekstowej cichej wiedzy oraz wzrastającego znaczenia interakcji społecznych, implikuje wzrost znaczenia geografii. W koncepcji learning regions istotne są zarówno charakter cichej wiedzy, jak i jej konsekwencje przestrzenne. Najlepszym sposobem na przekazywanie cichej wiedzy są kontakty osobiste, szczególnie w grupie, która ma wspólny język, pewne „kody” komunikacyjne, a także konwencje oraz normy. Relacje dają efekty, jeśli są realizowane we wspólnej przestrzeni twórczej, w trakcie wymiany osobistej wiedzy, dla której wsparcie stanowią fakt udanej współpracy i więzi nieformalne [Lundvall, Johnson 1994; Florida 1995; Asheim 1996, 2001; Morgan 1997; Cooke, Morgan 1998; Lundvall, Maskell 2000]. Znaczenie terytorium dla procesu innowacyjnego podkreślają także B.T. Asheim i M.S. Gertler [2007], W.M. Gaczek [2009] oraz A. Jewtuchowicz [red. 2005] i A. Nowakowska [2010, 2011], wskazując, iż trudno zrozumieć innowacje, jeśli nie docenia się znaczenia roli przestrzennej bliskości i koncentracji w tym procesie. Poziom technologiczny kraju wpływa na działalność badawczo-rozwojową sąsiedniego kraju, a przez to na jego produktywność i rozwój produkcji. Głównym kanałem „przekazu technologii” pomiędzy sąsiednimi krajami jest handel. Międzynarodowy transfer technologii, jak wskazuje L. Greunz [2003], odbywa się w geograficznej bliskości. Takie stwierdzenie uzupełnia literaturę na temat regionalnego transferu technologii, uznającą go albo za ograniczony geograficznie [Paci, Pigliaru 2001], albo odbywający się tylko pomiędzy podobnymi regionami [Maurseth 2001]. Również budowane przez B. Fingletona [2000] i B. Amable’a [1993] modele ekonometryczne wspierają te stwierdzenia [Grossman, Helpman 1991, 1994; Coe, Helpman 1995; Verspagen 1991]. Innowacja jest terytorialnie umiejscowiona. Poziom wzajemnych interakcji i podobieństwo regionalnych czynników ekonomicznych, politycznych, społecznych i kulturalnych określają skuteczność regionalnego układu innowacyjnego [De la Mothe, Paquet 1998]. W literaturze na ten temat można wskazać różne nurty, w tym 7. Analiza porównawcza wyników podejść badawczych 387 podejścia: otoczenia innowacyjnego [Aydalot 1986; Camagni 1995; Camagni, Maillat 1999], okręgu przemysłowego [Pyke, Sengenberger 1992], regionalnych układów innowacyjnych [Bralczyk i in. 1998], uczących się regionów [Morgan 1997; Florida 1998], klastrowe [Porter 2000b, Porter i in. 2000] czy też kapitału społecznego [Putnam 1993; The Well-being… 2001]. Podejścia te łączy m.in. konstatacja, iż powiązane regionalnie zmienne instytucjonalne i społeczne są głównymi determinantami dynamiki innowacyjnej i/lub zdolności do naśladowania. Jeżeli tak jest, to nadrabianie zaległości lub opóźnianie się w duchu podejścia uwzględniającego lukę technologiczną czy też inne aspekty procesu innowacyjnego powinny być badane raczej w ramach regionalnych niż krajowych, ponieważ zdolności społeczne i zgodność technologiczna, które pozwalają na zmniejszenie dystansu w zakresie poziomu innowacyjności, zależą głównie od specyfiki regionu. Z badań C. Edquista i in. [2001] wynika, że na 50% firm w regionie wschodniej Szwecji, które wdrażały innowacje, aż 76% zrealizowało działania innowacyjne we współpracy z innymi firmami i organizacjami w obrębie regionu. Najwyraźniej skala analizy oraz wytyczenie granic regionu stanowią istotne czynniki w powyższym kontekście. Bliskość geograficzna oraz interakcje, choć dalekie od uniwersalnie potrzebnych, mogą często stanowić element decydujący dla podtrzymania innowacji. Powiązanie zaangażowanych podmiotów w innowacyjny, przynoszący korzyści system, stanowi równie istotny czynnik co sami aktorzy zaangażowani w powyższe procesy. Mozaika regionalna wynikająca z dezintegracji przestrzennej łańcucha wartości oraz wymogów lokalizacyjnych różnych rodzajów wiedzy często manifestuje się poprzez wzajemne relacje dwóch przeciwstawnych sił: dekoncentracji i koncentracji przestrzennej. Dekoncentracja przestrzenna (rozprzestrzenienie) występuje np. tam, gdzie inwestycje płyną w kierunku słabszych gospodarczo regionów, w których poszczególne czynniki procesu są tańsze, prowadząc tym samym do konwergencji regionalnej na poziomie krajowym i europejskim. Dekoncentracja taka najczęściej jest obserwowana w przypadku działań, w których zasadnicze elementy wiedzy są skodyfikowane oraz w których rozprzestrzenione lokalizacje są w stanie zaoferować korzyści związane z kosztami pracy i/lub produkcji, pulę podaży dodatkowej siły roboczej dla działań podatnych na jej niedostatek lub wysoką rywalizację na rynku pracy w istniejących lokalizacjach itd. Koncentracja przestrzenna (centralizacja i aglomeracja) – zachodzi np. ze względu na zarówno ekonomie skali jak i zakresu (możliwości), w których regiony gospodarczo silniejsze zostają jeszcze bardziej wzmocnione, co prowadzi do zróżnicowania regionalnego na poziomie krajowym i europejskim. Taka koncentracja przestrzenna może nastąpić w przypadku działań, w odniesieniu do których głównymi formami wiedzy są te domniemane i milczące oraz gdy korzyści z tworzenia wysoce wyspecjalizowanych zespołów zaangażowanych w prace rozwojowo-badawcze, usługi biznesowe, produkcję typu high-tech, dostęp do wyspecjalizowanej i szybko 388 7. Analiza porównawcza wyników podejść badawczych zmieniającej się wiedzy itp., nie tylko w obrębie danej firmy, lecz, co ważniejsze, pomiędzy podobnymi lub uzupełniającymi się firmami w obrębie specyficznych dla lokalizacji grup i sieci, mogą mieć znaczenie decydujące. W takich sytuacjach wysoki poziom interakcji bezpośredniej „twarzą w twarz” oraz rozwijanie handlowych, społecznych i kulturalnych kontaktów mogą sprzyjać rozwojowi, zwłaszcza w obszarach, gdzie istnieje wysokie ryzyko i brak stabilizacji oraz gdzie korzyści wynikające ze wspólnego uczenia się i wspólnych działań, w celu wywarcia wpływu na otaczające środowisko gospodarcze, mają istotne znaczenie. Istnieją wyraźne dowody [Clarysse, Muldur 2001; The Regions in the New… 2000, 2001] na to, że różnice pomiędzy regionami europejskimi w zakresie wskaźników gospodarczych nie zmniejszają się w sposób równie widoczny co w przypadku państw członkowskich UE. W gospodarce opartej na wiedzy tendencja ukierunkowana na koncentrację przestrzenną może okazać się silniejsza niż tendencja dekoncentracji. Wzrasta tożsamość regionalna, zarówno dlatego, że konieczność gospodarcza w społeczeństwie informacyjnym, wzmacniana potencjałem ITC niezależnym od lokalizacji, narzuca wyszukiwanie specyficznych cech lokalizacji, jak i dlatego, że istnieje świadomość regionalna wśród obywateli i twórców strategii, zwłaszcza jeśli osadzona jest w specyficznym środowisku kulturalnym, nadając większe znaczenie potrzebie zastosowania podejścia przestrzennie zintegrowanego i synergicznego. Na poziomie regionalnym potrzeba promowania terytorialnej tożsamości regionalnej jest często postrzegana jako równie istotna co potrzeba promowania wzrostu gospodarczego, akceptacji społecznej i zrównoważonego rozwoju środowiskowego. Ekonomiści przygotowali wiele wyjaśnień nierównomiernego rozmieszczenia innowacji. Jedną z metod liczbowego zilustrowania tych nierównomierności jest przyjęcie takich wskaźników, jak zarejestrowane patenty czy przekazywania wiedzy1. Przykładowo, A. Jaffe i in. [1993] wskazali, że składający wnioski patentowe w gałęziach przemysłu opartych na wiedzy analitycznej częściej cytują inne patenty opracowane w tym samym mieście niż patenty powstające gdzieś indziej. Co więcej, bardziej prawdopodobne jest odnotowanie cytowań patentowych w pierwszym roku po zarejestrowaniu patentu, przy czym efekt ten słabnie z czasem, w miarę rozprzestrzeniania się wiedzy. Pokrewne podejście przedstawili L.G. Zucker i M.R. Darby [1996], badając przekazywanie wiedzy w gałęziach przemysłu opartych na wiedzy analitycznej, takich jak biotechnologia i przemysł farmaceutyczny za pomocą analizy „liderów naukowych”. Śledzili lokalizację wysoce produktywnych naukowców z powyższych dziedzin oraz ich wpływ na innowacje w lokalnej gospodarce, pokazując, że tempo uruchamiania nowych firm biotechnologicznych jest znacznie wyższe w tych regionach, w których ci kluczowi naukowcy mieszkają i pracują [Zucker, Darby 1996; Zucker, Darby, Armstrong 1998; Zucker, Darby, Brewer 1998]. 1 Użyteczny przegląd tej literatury można znaleźć w: [Feldman 2000]. 7. Analiza porównawcza wyników podejść badawczych 389 Przedstawione badania wskazują, iż proces innowacji w gałęziach przemysłu opartych na analitycznych formach wiedzy jest podobnie skoncentrowany przestrzennie jak te formy innowacyjnej działalności gospodarczej, które są oparte na syntetycznym typie wiedzy. Ponadto te pierwsze mogą wykazywać nawet wyższy stopień koncentracji geograficznej niż te drugie2. Do uwarunkowań leżących u podstaw innowacji w gałęziach przemysłu opartych na wiedzy analitycznej, wyjaśniających charakterystyczne i wysoce nierównomierne jej geograficzne rozmieszczenie, należą trzy zasadnicze czynniki. 1. Obieg nowej wiedzy pozostaje wysoce zlokalizowany, mimo znaczenia możliwej do skodyfikowania wiedzy, w sektorach o ukierunkowaniu analitycznym. Jest to spowodowane tym, że owo przekazanie występuje najszybciej i najłatwiej w obrębie ustanowionej lokalnie sieci społeczności naukowej – często w formie ustnej, na długo przed opublikowaniem oficjalnych wyników w powszechnie dostępnych wydawnictwach. Pewne formy wartościowej wiedzy nie są prawie nigdy przekazywane poza sieć lokalną. Na przykład wiedza dotycząca niepowodzeń w eksperymentach naukowych jest publikowana rzadko, o ile w ogóle jest ujawniana. A jednak wiedza o tym, że dana strategia badawcza nie przyniosła spodziewanych wyników, może oszczędzić zespołom badawczym wiele czasu i wydatków, jeżeli sprawi, że powstrzymają się one przed wyborem nieefektywnej ścieżki [Enright 2003]. Istnienie tego typu zlokalizowanego obiegu wiedzy – wspieranego przez wspólne doświadczenie i porozumienie – zostało naświetlone w ostatniej pracy M. Storpera i A.J. Venablesa [2003], którzy do określenia tego zjawiska stworzyli termin „brzęczenie”. 2. Zasadnicze znaczenie wysoko wykształconych (i potencjalnie mobilnych) pracowników w tworzeniu innowacji w gałęziach przemysłu opartych na wiedzy analitycznej oznacza, że będą faworyzowane te miejsca, które oferują najlepsze okazje do zatrudnienia [Florida 2002a]. Pracownicy są przyciągani do miejsc oferujących tego rodzaju „brzęczenie” oraz do miejsc, w których mogą spotkać ludzi pracujących w tej samej lub podobnych kategoriach zawodowych. Gdy miejsce stanie się rozpoznawalne ze względu na portfel atrakcyjnych możliwości zatrudnienia, a także przez pracodawców ze względu na zasoby wysoce wykwalifikowanej siły roboczej, dynamika rosnących efektów stworzy przestrzeń dla rozwoju sektorów opartych na wiedzy analitycznej. 3. Lokalizacje oferujące wysoką jakość życia jako dodatek do atrakcyjnych możliwości rozwoju zawodowego mają przewagę w „bitwie o talenty”. Utalentowani pracownicy mogą osiedlać się w różnorodnych lokalizacjach, ale mają tendencję do wybierania miejsca zamieszkania w miastach oferujących wyższą jakość miejsca, określaną jako szczególny charakter społeczny. Według R. Floridy [2002b], 2 J. Cortright i H. Mayer [2002] dostarczają dowodów pokazujących, że stopień koncentracji geograficznej w przemyśle biotechnologicznym w USA jest znacznie wyższy niż zagęszczenie całej populacji. Pokazują oni także – używając takich wskaźników, jak kapitał spekulacyjny, badania sponsorowane przez sojusze międzyfirmowe oraz nowe tempo tworzenia firm – że ta koncentracja znacznie wzrosła w ciągu ostatnich dwóch dziesięcioleci. 390 7. Analiza porównawcza wyników podejść badawczych takie miejsca tętnią nowatorską działalnością, jest w nich wielu zdolnych pracowników, są silnie zróżnicowane społecznie (ujmując to w kategoriach pochodzenia etnicznego lub narodowego) i tolerancyjne. Takie miejsca prezentują niskie bariery dla utalentowanych kadr o różnym pochodzeniu społecznym, ułatwiając im wejście do lokalnych sieci społecznych i wdrożenie na rynku pracy. Oferują zróżnicowane, atrakcyjne sąsiedztwo i udogodnienia kulturalne, co dodatkowo zwiększa ich atrakcyjność. Im bardziej wykształcony i kreatywny jest pracownik, tym silniejszy będzie powyższy efekt. Dlatego też najsilniejszą koncentrację geograficzną powinniśmy znaleźć w tych gałęziach przemysłu, w których siła robocza prezentuje najlepszy dla danej struktury poziom wykształcenia. Analizując wyniki badań na temat klasyfikacji regionów z wykorzystaniem statystyki pozycyjnej – mediany, przedstawionych w rozdz. 4, można wskazać kilka ogólnych wniosków (tab. 7.1). 1. Na niemal niezmienionym poziomie kształtuje się liczba regionów zaliczonych w dwóch brzegowych latach analizy (lata 1999 i 2008) do klas o mniejszych od mediany wartościach wszystkich charakterystyk innowacyjności input oraz o wyższych od mediany wartościach wszystkich charakterystyk output. Tabela 7.1. Wybrane wyniki klasyfikacji regionów z wykorzystaniem statystyk pozycyjnych w ujęciu dynamicznym Liczba regionów, dla których wartości wszystkich charakterystyk innowacyjności były w roku 1 1999 2008 2 74 < 3 ≥ 75 4 75 37 ((BG) Yuzhen tsentralen, (GR) Anatoliki Makedonia, Thraki, Dytiki Makedonia, Thessalia, Ipeiros, Ionia Nisia, Dytiki Ellada, Sterea Ellada, Peloponnisos, Voreio Aigaio, Notio Aigaio, Kriti, (HU) Közép-Dunántúl, Nyugat-Dunántúl, Észak-Alföld, Dél-Alföld, (IT) Marche, Puglia, (PL) łódzki, podkarpacki, świętokrzyski, lubuski, warmińsko-mazurski, (PT) Norte, Algarve, Centro, Alentejo, Região Autónoma dos Açores, Região Autónoma da Madeira, (RO) Nord-Vest, Centru, Nord-Est, Sud-Est, Sud-Muntenia, Sud-Vest Oltenia, Vest, (SK) Západné Slovensko) 68 42 ((BE) Région de Bruxelles, Prov. Vlaams Brabant, (CZ) Praha, (DE) Karlsruhe, Berlin, Hamburg, Darmstadt, Dresden, Leipzig, (DK) Hovedstaden, Sjælland, Syddanmark, Midtjylland, (FI) Etelä-Suomi, Länsi-Suomi, Pohjois-Suomi, (NL) Groningen, Gelderland, Utrecht, Noord-Holland, Zuid-Holland, Noord-Brabant, (SE) Stockholm, Östra Mellansverige, Sydsverige, Västsverige, Mellersta Norrland, Övre Norrland, (UK) Cheshire, North Yorkshire, Bedfordshire, Hertfordshire, Inner London, Outer London, Berkshire, Bucks and Oxfordshire, Surrey, East and West Sussex, Hampshire and Isle of Wight, Gloucestershire, Wiltshire and Bristol, East Wales, Eastern Scotland, South Western Scotland, North Eastern Scotland, Highlands and Islands) od median tych charakterystyk w zakresie input w każdym z lat w okresie 1999–2008 391 7. Analiza porównawcza wyników podejść badawczych 1 2 85 < 3 78 58 ((BG) Severozapaden, Severoiztochen, Yugozapaden, (CY) Cyprus, (DE) Mecklenburg-Vorpommern, (EE) Estonia, (ES) Galicia, Principado de Asturias, La Rioja, Castilla y León, Castilla-la Mancha, Extremadura, Comunidad Valenciana, Islas Baleares, Andalucia, Región de Murcia, Canarias, (FR) Corse, (GR) Anatoliki Makedonia, Thraki, Kentriki Makedonia, Dytiki Makedonia, Thessalia, Ipeiros, Ionia Nisia, Dytiki Ellada, Sterea Ellada, Peloponnisos, Attiki, Voreio Aigaio, Notio Aigaio, Kriti, (IT) Campania, Puglia, Calabria, Sicilia, Sardegna, (LT) Lithuania, (LV) Latvia, (PL) łódzki, mazowiecki, małopolski, lubelski, świętokrzyski, podlaski, lubuski, kujawsko-pomorski, warmińsko-mazurski, (PT) Norte, Algarve, Centro, Lisboa, Alentejo, Região Autónoma dos Açores, Região Autónoma da Madeira, (RO) Nord-Vest, Nord-Est, Sud-Est, (UK) South Yorkshire) 85 55 ((AT) Oberösterreich, (BE) Prov. Antwerpen, Prov. Limburg, Prov. Vlaams Brabant, (DE) Stuttgart, Karlsruhe, Freiburg, Tübingen, Oberbayern, Niederbayern, Oberpfalz, Oberfranken, Mittelfranken, Unterfranken, Schwaben, Bremen, Darmstadt, Gießen, Kassel, Braunschweig, Hannover, Lüneburg, Weser-Ems, Düsseldorf, Köln, Münster, Detmold, Arnsberg, Rheinhessen-Pfalz, Saarland, Schleswig-Holstein, (DK) Syddanmark, Midtjylland, (FI) Etelä-Suomi, Länsi-Suomi, (FR) Picardie, Haute-Normandie, Centre, Lorraine, Alsace, Franche-Comté, (IT) Piemonte, Lombardia, Friuli-Venezia Giulia, Emilia-Romagna, (SE) Östra Mellansverige, Småland med öarna, Sydsverige, Västsverige, (UK) Cheshire, Derbyshire and Nottinghamshire, Herefordshire, Worcestershire and Warks, Bedfordshire, Hertfordshire, Berkshire, Bucks and Oxfordshire, Hampshire and Isle of Wight) 34 25 ((GR) Anatoliki Makedonia, Thraki, Dytiki Makedonia, Thessalia, Ipeiros, Ionia Nisia, Dytiki Ellada, Sterea Ellada, Kriti, Voreio Aigaio, Peloponnisos, Notio Aigaio, (IT) Puglia, (PL) lubuski, łódzki, świętokrzyski, warmińsko-mazurski, (PT) Norte, Algarve, Centro, Alentejo, Região Autónoma dos Açores, Região Autónoma da Madeira, (RO) Nord-Vest, NordEst, Sud-Est) 30 14 ((BE) Prov. Vlaams Brabant, (DE) Karlsruhe, Darmstadt, (DK) Syddanmark, Midtjylland, (FI) Etelä-Suomi, Länsi-Suomi, (SE) Östra Mellansverige, Sydsverige, Västsverige, (UK) Cheshire, Bedfordshire, Hertfordshire, Berkshire, Bucks and Oxfordshire, Hampshire and Isle of Wight) od median tych charakterystyk w zakresie output ≥ 85 43 < w zakresie zarówno input, jak i output od median tych charakterystyk ≥ 39 4 Źródło: opracowanie własne. 2. Zmniejszyła się, w analizowanym okresie, liczba regionów przypisanych do klas o: – wyższych od mediany wartościach wszystkich charakterystyk innowacyjności (z 39 do 30), 392 7. Analiza porównawcza wyników podejść badawczych niższych od mediany wartościach każdej z 8 analizowanych charakterystyk innowacyjności (z 43 do 34). 3. Chociaż wzrosły mediany każdej z analizowanych charakterystyk input, to w grupie regionów UE szczebla NUTS 2 są takie, które zawsze (w każdym z lat 1999–2008) były w tej samej klasie – razem 84, z czego: – w klasie pierwszej, w której notowano przez 10 lat regiony o wartościach wszystkich charakterystyk input wyższych do mediany, 42 regiony z ośmiu krajów, a z listy wymienionych w tab. 7.1 regionów wynika, że w klasie tej jest dziewięć regionów stołecznych lub zawierających stolicę, a tylko jeden z UE 12 – czeska Praha (rys. 7.1), – w klasie regionów o wartościach wszystkich charakterystyk input w badanej dekadzie niższych od mediany 37 regionów, z ośmiu krajów, w tym 18 regionów z UE 12 (21%) i 9,8% regionów UE 15. 4. 134 regiony zaliczono do tych samych klas w zakresie cech output, przy czym: – w klasie regionów o wartościach każdej z trzech charakterystyk output w latach 1999–2008 wyższej od mediany było to 55 regionów z 9 krajów UE 15, w tym tylko jeden stołeczny – Etelä-Suomi (rys. 7.2), – w klasie regionów o wartościach charakterystyk HIT, EPO i HIT 2 zawsze w okresie 1999–2008 niższych od mediany było 58 regionów, w tym 8 regionów stołecznych i zawierających stolicę ze słabo rozwiniętych krajów UE 15 (grecki Attiki i portugalski Lisboa) i 6 regionów z UE 12: bułgarski Yugozapaden, mazowiecki oraz jednonutsowe kraje Litwa, Łotwa i Estonia, a także Cypr. 5. Wśród 6 krajów, które zawierają łącznie 14 regionów o wyższych od mediany zarówno wartościach charakterystyk input jak i output w latach 1999–2008 są: Belgia, Dania, Niemcy, Finlandia, Szwecja i Wielka Brytania, a w grupie tej jest tylko jeden region zawierający stolicę, tj. finlandzki region Etelä-Suomi. 6. Na drugim skraju uporządkowania, tj. w grupie regionów o niższych od mediany w każdym momencie analizy wartościach charakterystyk innowacyjności input (WYKSZ, LLL, KIS, HRST, KIS 2) i output (HIT, EPO, HIT 2) znalazło się 25 regionów z Grecji, Polski, Portugalii, Włoch i Rumunii (tab. 7.1 oraz rys. 7.3). 7. Pod względem permanentnie niższych od mediany wartości charakterystyk innowacyjności input widoczne jest regionalne ich skupienie, aż do poziomu niemal całego kraju w Grecji i Portugalii oraz Rumunii; regiony z tych krajów można określić pustyniami innowacyjności (rys. 7.1). 8. Znamienne jest widoczne „okalanie” przez regiony zdecydowanie słabsze w dziedzinie charakterystyk output obrzeży Europy (Portugalia, Hiszpania, Włochy, Grecja, Bułgaria, Rumunia, wschodnia Polska oraz Litwa, Łotwa i Estonia) oraz koncentracja regionów o wyższych od mediany wartościach tych charakterystyk w Europie Środkowej (rys. 7.2). W zakresie charakterystyk output podobnie jak w zakresie charakterystyk input stwierdzić można dla np. Grecji czy Portugalii działanie mechanizmów na poziomie państwa, a nie regionu (rys. 7.3). – 7. Analiza porównawcza wyników podejść badawczych 393 Rys. 7.1. Regiony, dla których odnotowano w latach 1999–2008 wartości wszystkich charakterystyk input wyższe lub niższe od mediany Źródło: opracowanie własne. Kolejnym etapem badawczym było wykorzystanie do pozycjonowania regionów ze względu na wartości ocenianych charakterystyk zmodyfikowanej tablicy wyników w zakresie innowacyjności (pełny opis zawarto w rozdz. 5), których zbiorcze wyniki zestawiono w tab. 7.2 i 7.3. 394 7. Analiza porównawcza wyników podejść badawczych Rys. 7.2. Regiony, dla których odnotowano w latach 1999–2008 wartości wszystkich charakterystyk output wyższe lub niższe od mediany Źródło: opracowanie własne. 1. Do regionów, dla których miara innowacyjności input (II, unormowana w przedziale [0; 50]) była w roku 1999, 2008 i 2011 niższa od 10 zaliczono odpowiednio 11, 12 i 11 regionów, przy czym w każdym z tych trzech lat było po siedem regionów, z takich krajów jak Rumunia (4), Grecja (2) i Portugalia (1). 7. Analiza porównawcza wyników podejść badawczych 395 Rys. 7.3. Regiony, dla których odnotowano w latach 1999–2008 wartości wszystkich charakterystyk input oraz output wyższe lub niższe od mediany Źródło: opracowanie własne. 2. Wśród regionów, dla których miara innowacyjności output (IO, zakres wartości [0; 30]) była w trzech analizowanych momentach niższa od 10 było odpowiednio 129 regionów i dwukrotnie po 162 regiony, natomiast powtarzało się 107 z nich, z większości krajów UE (oprócz Szwecji, Danii, Irlandii, Malty, Słowenii, Słowacji), w tym 14 regionów stołecznych i zawierających stolicę. 396 7. Analiza porównawcza wyników podejść badawczych Tabela 7.2. Liczba regionów ze względu na wartości miary innowacyjności input (II), miary innowacyjności output (IO) i sumarycznej miary innowacyjności (I) w latach 1999, 2008 i 2011 Miara Wartość miary 1999 2008 2011 11 12 11 129 162 162 I 0 0 0 II 254 253 254 136 103 103 I 265 265 265 II 155 170 195 11 9 10 132 139 137 58 57 70 152 163 184 5 3 5 76 61 69 II IO IO IO < 10 ≥ 10 ≥ 20 I II I II I ≥ 30 ≥ 40 I ≥ 50 21 12 9 I ≥ 60 1 0 0 Źródło: opracowanie własne. 3. Nie odnotowano natomiast żadnego regionu, dla którego sumaryczna miara innowacyjności (I, przybierająca wartości z zakresu [0; 80]) byłaby niższa od 10. 4. Do grupy regionów o wartości miary innowacyjności output wyższej niż 20 zaliczono w 1999 r. 11 regionów, w 2008 r. było takich regionów 9, a w 2011 r. 10, przy czym wspólny zbiór dla każdego z tych lat stanowiło 8 regionów niemieckich. 5. Wysoki próg miary innowacyjności input (powyżej 40) charakteryzował w trzech opisywanych latach odpowiednio 5, 3 i 5 regionów, natomiast powtarzały się 3 (Inner London, Stockholm i duński Hovedstaden). 6. Wartość sumarycznej miary innowacyjności (I) w latach 1999, 2008 i 2011 wyższa od: – 40 charakteryzowała odpowiednio 76, 61 i 69 regionów, a w każdym z tych lat powtarzało się 50 z nich, – 50 cechowała odpowiednio 21, 12 i 9 regionów, przy czym w grupie regionów wspólnych były to pojedyncze regiony z takich krajów, jak Belgia, Dania, Finlandia i Wielka Brytania oraz trzy regiony niemieckie – razem 7 regionów, – 60 wystąpiła tylko raz dla szwedzkiej stolicy w 1999 r. 7. Analiza porównawcza wyników podejść badawczych 397 Tabela 7.3. Wybrane wyniki porządkowania regionów z wykorzystaniem zmodyfikowanej tablicy wyników w zakresie innowacyjności w ujęciu dynamicznym Miara Regiony, dla których w każdym z trzech lat (1999, 2008, 2011) miara przybierała wartość 7 ((RO) Centru, Nord-Est, Sud-Vest Oltenia, Sud-Muntenia, (GR) Notio Aigaio, Ionia Nisia (PT) Região Autónoma dos Açores) II IO 107 ((AT) Burgenland, (BE) Prov. Liège, Prov. Luxembourg, Prov. Namur, (BG) Severozapaden, Severen tsentralen, Severoiztochen, Yuzhen tsentralen, Yugoiztochen, Yugozapaden, (CY) Cyprus, (CZ) Praha, (DE) Brandenburg-Nordost, Mecklenburg-Vorpommern, Trier, Sachsen-Anhalt, (EE) Estonia, (ES) Galicia, Principado de Asturias, Cantabria, La Rioja, Castilla y León, Castilla-la Mancha, Extremadura, Comunidad Valenciana, Illes Balears, Andalucia, Región de Murcia, Canarias, (FI) Itä-Suomi, (FR) Champagne-Ardenne, Nord-Pas-de-Calais, Aquitaine, Limousin, Auvergne, Corse, Languedoc-Roussillon, Provence-Alpes-Côte d’Azur, (GR) Anatoliki Makedonia, Thraki, Kentriki Makedonia, Dytiki Makedonia, Thessalia, Ipeiros, Ionia Nisia, Dytiki Ellada, Sterea Ellada, Attiki, < 10 Kriti, Peloponnisos, Voreio Aigaio, Notio Aigaio, (HU) Észak-Alföld, Dél-Alföld, (IT) Provincia Autonoma Bolzano-Bozen, Provincia Autonoma Trento, Toscana, Lazio, Campania, Puglia, Basilicata, Calabria, Sicilia, Sardegna, (LV) Latvia, (LT) Lithuania, (LU) Luxembourg, (NL) Groningen, Friesland, Drenthe, Overijssel, Gelderland, Utrecht, Noord-Holland, Zuid-Holland, (PL) łódzki, mazowiecki, opolski, małopolski, śląski, lubelski, podkarpacki, świętokrzyski, podlaski, wielkopolski, zachodniopomorski, lubuski, dolnośląski, kujawsko-pomorski, warmińsko-mazurski, (PT) Norte, Algarve, Centro, Lisboa, Alentejo, Região Autónoma dos Açores, Região Autónoma da Madeira, (RO) Nord-Vest, Nord-Est, Sud-Est, Sud-Vest Oltenia, (UK) South Yorkshire, West Yorkshire, Inner London, Outer London, North Eastern Scotland, Highlands and Islands, Northern Ireland) I IO 0 ≥ 20 8 ((DE) Stuttgart, Oberbayern, Rheinhessen-Pfalz, Braunschweig, Tübingen, Karlsruhe, Mittelfranken Freiburg) 3 ((UK) Inner London, (SK) Stockholm, (DK) Hovedstaden) II I 50 ((BE) Région de Bruxelles, Prov. Antwerpen, Prov. Vlaams Brabant, Prov. Brabant Wallon, (DE) Stuttgart, Karlsruhe, Freiburg, Tübingen, Oberbayern, Mittelfranken, Unterfranken, Schwaben, Berlin, Hamburg, Darmstadt, Gießen, Braunschweig, Köln, Rheinhessen-Pfalz, (DK) Hovedstaden, Sjælland, Syddanmark, Midtjylland, Nordjylland, (FI) Etelä-Suomi, Länsi-Suomi, Pohjois≥ 40 -Suomi, Åland, (FR) Île de France, (NL) Utrecht, Noord-Holland, Noord-Brabant, (SE) Stockholm, Östra Mellansverige, Småland med öarna, Sydsverige, Västsverige, (UK) Cheshire, North Yorkshire, Herefordshire, Worcestershire and Warks, Bedfordshire, Hertfordshire, Inner London, Outer London, Berkshire, Bucks and Oxfordshire, Surrey, East and West Sussex, Hampshire and Isle of Wight, Gloucestershire, Wiltshire and Bristol, Eastern Scotland, South Western Scotland, North Eastern Scotland) I ≥ 50 I ≥ 60 0 7 ((BE) Prov. Brabant Wallon, (DE) Stuttgart, Karlsruhe, Oberbayern, (DK) Hovedstaden, (FI) Etelä-Suomi, (UK) Inner London) Źródło: opracowanie własne. 398 7. Analiza porównawcza wyników podejść badawczych Trzeba także podkreślić, iż dla zestawienia wartości miary innowacyjności input (II) ustalonej na podstawie tablicy wyników zakresie innowacyjności oraz miary syntetycznej W współczynnik korelacji dla 1999 r. wynosił 0,982, a dla 2008 r. był na poziomie 0,984. Oba współczynniki korelacji okazały się w wysokim stopniu istotne statystycznie (p = 0,0000). Następnym ujęciem badawczym (rozdz. 6) była klasyfikacja 265 regionów UE z wykorzystaniem metody k-średnich dla wszystkich charakterystyk innowacyjności i łącznie dla 10 lat, dla których zebrano dane rzeczywiste (1999–2008) oraz 3 kolejnych (prognozy na lata 2009–2011). Klasy w tym podejściu uporządkowano z wykorzystaniem miary syntetycznej W. Można zauważyć, że w klasach regionów o najniższych przeciętnych wartościach charakterystyk innowacyjności (klasy C2, D i E) notuje się, wraz z upływem lat, zmniejszanie liczby przypisanych do nich regionów, a w konsekwencji wzrost liczby regionów w pozostałych klasach – poza klasą A1 (tab. 7.4). Do wstępnej oceny klas otrzymanych na podstawie metody k-średnich została wykorzystana miara syntetyczna W. Ustalono ją w każdym z analizowanych lat dla wszystkich 265 poddanych badaniom regionów UE na podstawie globalnych wartości minimum i maksimum. Interesujące wydaje się zestawienie na wykresie korelacyjnym wartości miary W w regionie łączonej w pary z: miarą innowacyjności input (II), miarą innowacyjności output i sumaryczną miarą innowacji (rys. 7.4). Należy podkreślić, iż: – współczynnik kierunkowy dla zależności regresyjnej miary syntetycznej W od miary innowacyjności input (II) był dodatnio określony, ale zmniejszał się z 1,155 w 1999 r., przez 1,119 w 2008 r. do 1,081 na podstawie prognoz w 2011 r., – dla zależności regresyjnej miary syntetycznej W od miary innowacyjności output (IO) w 1999 r. wynosił 1,549, w 2008 r. już 1,160, a w 2011 r., zgodnie z prognozami, 1,015, – nachylenie dla zależności regresyjnej miary syntetycznej W od sumarycznej miary innowacyjności (I) wynosiło odpowiednio: 0,913; 0,94; 0,932, – miara dopasowania modelu do danych empirycznych (współczynnik determinacji R2) oscylowała od 0,841 do 0,831 dla zależności miary W od II, od 0,507 do 0,26 w przypadku zależności W od IO, a ponad 0,95 stanowiła dla zależności między miarą W a sumarycznym indeksem innowacyjności regionalnej (I). Podsumowując prowadzone badania, należy wskazać punkty wspólne otrzymanych wyników podziałów z wykorzystaniem statystyk pozycyjnych, klasyfikacji na podstawie metody k-średnich i uporządkowań otrzymanych po wykorzystaniu zmodyfikowanej tablicy wyników w zakresie innowacyjności (miary innowacyjności input, miary innowacyjności output i sumarycznej miary innowacyjności). 1. W grupie regionów, dla których dysponowano danymi rzeczywistymi z okresu 1999–2008, występują wartości wszystkich charakterystyk output wyższe od mediany, i które to regiony jednocześnie miały miarę innowacyjności input wyższą od 20, miarę innowacyjności output równą co najmniej 19, a sumaryczną miarę inno- 7. Analiza porównawcza wyników podejść badawczych 399 wacyjności nie mniejszą niż 43 w każdym roku z okresu 1999–2011, a także zawsze zostały sklasyfikowane w klasie A1, odnotowano jedynie 9 niemieckich regionów (tab. 7.5) – to obecni i prognozowani długookresowi liderzy w zakresie innowacyjności output, tj. bieguny innowacyjności output. Tabela 7.4. Wybrane wyniki klasyfikacji regionów z wykorzystaniem metody k-średnich Klasa A1 A2 B1 B2 C1 C2 D E Liczba regionów, które odnotowano w danej klasie w roku w każdym z tych w każdym roku w okresie (1999–2011) trzech lat 1999 2008 2011 9 ((DE) Stuttgart, Karlsruhe, Mittelfranken, Freiburg, 14 11 10 9 Tübingen, Oberbayern, Braunschweig, Rheinhessen-Pfalz, Unterfranken) 7 ((BE) Région de Bruxelles, (NL) Utrecht, 10 6 12 10 (DK) Hovedstaden, (SE) Stockholm, Sydsverige, (UK) Inner London, Berkshire, Bucks and Oxfordshire) 7 ((BE) Prov. Antwerpen, Prov. Limburg, 23 32 33 7 (DE) Gießen, Hannover, Düsseldorf, Schleswig-Holstein, (FR) Rhône-Alpes) 17 ((NL), Flevoland, (FI) Itä-Suomi, (SE) Småland med öarna, Norra Mellansverige, (UK) Northumberland, Tyne and Wear, Greater Manchester, Lancashire, Merseyside, South Yorkshire, 37 38 43 21 West Yorkshire, Leicestershire, Rutland and Northants, East Anglia, Essex, Kent, Dorset and Somerset, Devon, West Wales and The Valleys) 16 ((BE) Prov. West-Vlaanderen, Prov. Hainaut, Prov. Liège, Prov. Luxembourg, Prov. Namur, (BG) Yugozapaden, (GR) Attiki, (DE) Brandenburg – Nordost, Mecklenburg-Vorpommern, Trier, Sachsen35 59 73 18 -Anhalt, (EE) Estonia, (FR) Languedoc-Roussillon, (LT) Lithuania, (HU) Közép-Magyarország, (UK) Northern Ireland) 7 ((CZ) Střední Čechy, Severovýchod, 41 26 19 10 (DE) Niederbayern, (IT) Valle d’Aosta, Veneto, (HU) Közép-Dunántúl, Nyugat-Dunántúl) 8 ((BG) Severen tsentralen, (PL) podkarpacki, wielkopolski, kujawsko-pomorski, (HU) Észak57 36 14 10 -Alföld, (RO) Sud-Muntenia, Sud-Vest Oltenia, (SK) Východné Slovensko) 19 ((GR) Anatoliki Makedonia, Thraki, Dytiki Makedonia, Thessalia, Ipeiros, Ionia Nisia, Dytiki Ellada, Sterea Ellada, Peloponnisos, Voreio Aigaio, 48 30 23 20 Notio Aigaio, Kriti, (PL) warmińsko-mazurski, (PT) Norte, Algarve, Centro, Região Autónoma dos Açores, (RO) Nord-Vest, Nord-Est, Sud-Est) Źródło: opracowanie własne. Rys. 7.4. Regresje miary W od miar II, IO oraz I w latach 1999, 2008 i 2011 Źródło: opracowanie własne. 401 7. Analiza porównawcza wyników podejść badawczych 2. W grupie regionów, dla których w każdym roku z okresu 1999–2009 wartości wszystkich charakterystyk input były wyższe od mediany i dla których notowano każdorazowo miarę innowacyjności input nie mniejszą niż 47, miarę innowacyjności output równą co najmniej 6, sumaryczną miarę innowacyjności zaś nie mniejszą niż 41 (w okresie 1999–2011) oraz zostały w tym okresie zawsze sklasyfikowane w klasie A2, znalazło się tylko 7 regionów, w tym 4 stołeczne i zawierające stolicę (Région de Bruxelles, Hovedstaden, Stockholm i Inner London), pojedyncze regiony Niderlandów, Szwecji i Wielkiej Brytanii (tab. 7.6); regiony te to w każdym podejściu bieguny innowacyjności input. Tabela 7.5. Zbiorcze zestawienie regionów, które przez 13 lat notowano w klasie A1 i dla których wartości wszystkich charakterystyk output były wyższe od mediany Region Kraj Wartość miary Wartości II IO I wszystkich charakterystyk 1999 II IO I II 2008 IO 2011 Stuttgart 26 29 55 25 29 54 26 29 55 Karlsruhe 29 23 52 28 27 55 28 28 56 Freiburg 25 22 47 25 25 50 25 24 49 49 24 26 50 26 25 51 56 31 26 57 33 24 57 Mittelfranken 25 24 Niemcy output wyższe 30 26 (9) od mediany 26 21 47 28 22 50 27 22 49 Unterfranken 22 21 43 25 19 44 26 21 47 Braunschweig 24 25 49 24 23 47 25 21 46 Rheinhessen-Pfalz 25 26 51 25 23 48 26 20 46 Tübingen Oberbayern Przynależność do klasy I A1 w każdym roku z 13 analizowanych lat Źródło: opracowanie własne. Tabela 7.6. Zbiorcze zestawienie regionów, które przez 13 lat notowano w klasie A2 i dla których wartości wszystkich charakterystyk input były wyższe od mediany Region Kraj Wartość miary Wartości II IO I II IO I II IO I wszystkich charakterystyk 1999 2008 2011 Région de Bruxelles Belgia 35 10 45 33 8 41 Hovedstaden Dania 44 12 56 44 11 55 Utrecht Niderlandy 38 9 47 38 Stockholm Szwecja (2) input wyższe od mediany 46 18 64 43 40 16 56 36 13 49 35 12 Wielka Brytania (2) 47 7 54 47 6 53 38 17 55 37 12 49 Sydsverige Inner London Berkshire, Bucks and Oxfordshire Źródło: opracowanie własne. 37 Przynależność do klasy 6 43 47 11 58 7 45 39 6 11 54 41 8 45 A2 w każdym 49 roku z 13 47 analizowanych lat 52 46 6 36 10 46 402 7. Analiza porównawcza wyników podejść badawczych Na drugim krańcu obserwowano 19 regionów, które były przez 13 badanych lat w klasie E, zawsze miały wszystkie charakterystyki innowacyjności, zarówno input, jak i output niższe od mediany (tab. 7.7). Regiony te cechowały wartości miary input (II) nie większe od 16, wartości miary output (IO) w przedziale od 1 do 7, wartości sumarycznej miary innowacyjności (I) zaś nie większe od 20, a nie mniejsze od 10. W grupie tej znalazło się 11 regionów greckich, 4 portugalskie, 3 rumuńskie oraz województwo warmińsko-mazurskie. To regiony peryferyjne w zakresie innowacyjności, które w perspektywie długookresowej cechują niskie wartości wszystkich ocenianych charakterystyk innowacyjności. Regionem, który wyróżnia się w tym zestawieniu, jest warmińsko-mazurski, dla którego wartość miary innowacyjności input oraz sumarycznej miary innowacyjności jest w każdym z zestawionych w tab. 7.7 lat najwyższa. Tabela 7.7. Zbiorcze zestawienie regionów, które przez 13 lat notowano w klasie E i dla których wartości wszystkich charakterystyk input oraz output były niższe od mediany Region Kraj Wartości wszystkich charakterystyk Wartość miary II IO I II 1999 IO I II 2008 IO I 2011 Anatoliki Makedonia, Thraki 11 4 15 12 3 15 13 3 16 Dytiki Makedonia 13 3 16 12 3 15 14 3 17 Thessalia 14 3 17 15 3 18 16 3 19 Ipeiros 15 3 18 14 3 17 15 3 18 8 4 12 7 3 10 3 10 13 3 16 13 3 16 15 3 18 8 5 13 9 2 11 10 2 12 Ionia Nisia Dytiki Ellada Grecja (11) Sterea Ellada Peloponnisos input i output niższe od mediany Voreio Aigaio Notio Aigaio Kriti Warmińsko-mazurski Centro Região Autónoma dos Açores Nord-Vest Nord-Est 11 3 14 10 3 13 10 3 13 14 1 15 14 2 16 13 2 9 3 12 7 3 10 7 3 11 3 14 14 3 17 15 2 15 E w każdym 10 roku z 13 17 analizowanych lat 15 5 20 16 4 20 16 4 20 9 5 14 10 5 15 10 5 15 11 6 17 10 6 16 13 5 18 10 5 15 9 5 14 10 5 15 Polska Norte Algarve 7 Portugalia (4) Rumunia (3) Sud-Est Źródło: opracowanie własne. Przynależność do klasy 9 6 15 7 5 12 7 5 12 11 5 16 9 5 14 8 5 13 9 7 16 8 4 12 8 3 11 12 6 18 7 5 12 6 5 11 403 7. Analiza porównawcza wyników podejść badawczych Na efekty opisanych w pracy badań można też popatrzeć od strony wyników klasyfikacji ze statystykami pozycyjnymi. Regiony, które w każdym roku analizowanej dekady zaliczono do grup o wartościach wszystkich charakterystyk input, output i rozpatrywanych łącznie mniejszych lub większych od mediany podano w tab. 7.1, natomiast w tab. 7.8 przedstawiono zbiorczo liczby regionów z krajów UE w tych grupach. Informacje te zestawiono z wynikami dynamicznej klasyfikacji w oparciu o metodę k-średnich. Tabela 7.8. Zbiorcze zestawienie regionów, dla których wartości wszystkich charakterystyk input, output oraz zarówno input, jak i output były w latach 1999–2008 niższe lub wyższe od mediany wraz z klasami, jakie odnotowano dla nich w klasyfikacji dynamicznej na podstawie metody k-średnich Liczba regionów, dla których wartości wszystkich charakterystyk innowacyjności były w okresie 1999–2008 Liczba obiektookresów w klasie A1 A2 B1 B2 C1 C2 D E 37 BG (1), GR (11), HU (4), IT (2), PL (5), PT (6), RO (7), SK (1) 4 42 BE (2), CZ (1), DE (6), DK (4), FI (3), NL (6), SE (6), UK (14) 28 291 61 146 20 58 BG (3), CY, DE (1) EE, ES (11), FR (1), GR (13), IT (5), LT, LV, PL (9), PT (7), RO (3), UK (1) 13 194 ≥ 55 AT (1), BE (3), DE (27), DK (2), FI (2), 152 93 226 71 FR (6) IT (4), SE (4), UK (6) 12 158 3 < 25 GR (11), IT (1), PL (4), PT (6), RO (3) 4 29 292 14 BE (1), DE (2), DK (2), FI (2), SE (3), UK (4) < w zakresie input ≥ od median tych charakterystyk < w zakresie output w zakresie zarówno input, jak i output Regiony z krajów od median tych charakterystyk ≥ Źródło: opracowanie własne. 21 93 29 39 48 114 315 108 439 404 7. Analiza porównawcza wyników podejść badawczych Zestawienie wyników klasyfikacji medianowej i metodą k-średnich dla celów porównawczych przedstawiono w tab. 7.9, a graficzną prezentację na rys. 7.5 i 7.6. Znaczna liczba pustych pól w tabeli oraz pola zawierające mniej niż 6 obserwacji nie pozwalają na zastosowanie testu chi-kwadrat do porównania wyników klasyfikacji medianowej i metodą k-średnich. Tabela 7.9. Liczba regionów w klasyfikacji medianowej i metodą k-średnich – w latach 1999 i 2008 Regiony o liczbie charakterystyk innowacyjności wyższych od mediany (wyniki klasyfikacji medianowej) Klasyfikacja k-średnich 1999 0 1 2 6 7 8 A1 2 4 8 A2 2 5 3 B1 1 5 17 7 12 10 B2 C1 3 4 2008 5 2 1 5 2 4 4 11 10 3 4 0 1 1 4 2 3 4 1 1 5 1 1 1 4 6 7 8 5 4 16 5 11 11 4 11 4 7 10 12 5 16 14 7 8 5 8 6 2 5 6 10 7 8 D 10 18 13 8 6 2 E 33 10 Razem 43 28 26 24 18 26 28 33 39 34 21 38 26 23 25 44 24 30 C2 5 6 10 12 13 24 5 10 1 1 Źródło: opracowanie własne. – – – – Przypomnijmy jeszcze, czym charakteryzują się te klasy. I tak: klasa A1 – ze średnią wartością miary syntetycznej na poziomie 49,6 i najwyższymi średnimi wartościami charakterystyk innowacyjności output, tj. HIT, EPO i HIT 2, klasa regionów wyspecjalizowanych w innowacyjności output – bieguny innowacyjności output, klasa A2 – ze średnią wartością miary W na poziomie 49,3 oraz najwyższymi przeciętnymi wartościami charakterystyk innowacyjności LLL, WYKSZ, HRST, KIS i KIS 2, to klasa regionów innowacyjności input – bieguny innowacyjności input, klasa B1 – średnia wartość miary W to 41,8, i drugie co do wartości średnie takich charakterystyk innowacyjności, jak HRST, EPO i HIT 2, a trzecie co do wartości średnie charakterystyk LLL i KIS i HIT, w klasie tej występują wyspecjalizowana kadra w przemyśle oraz kapitał ludzki w nauce i technice, a także zasoby ludzkie podnoszące kwalifikacje (wysokie LLL), klasa B2 – średnia wartość miary W wynosi 40,8, to klasa regionów o wyspecjalizowanych usługach, wykształconej i stale uczącej się kadrze (druga co do wielkości wartość średnia LLL i KIS oraz KIS 2 i trzecia co do wielkości wartość średnia WYKSZ), 7. Analiza porównawcza wyników podejść badawczych 405 Rys. 7.5. Zestawienie wspólne liczby regionów – wyniki klasyfikacji medianowej i k-średnich w 1999 r. Źródło: opracowanie własne. – – – – klasa C1 – druga co do wielkości wartość średnia WYKSZ, a trzecia w kolejności przeciętna wartość HRST i jednocześnie bardzo niskie (drugie w uporządkowaniu rosnącym) wartości przeciętne HIT i HIT 2, średnia wartość miary W to 32,4, klasa C2 – druga co do wielkości wartość średnia HIT, a trzecią w kolejności przeciętna wartość HIT 2, a zdecydowanie niska, druga w uporządkowaniu rosnącym średnią wartość WYKSZ, wartość miary agregatowej W na poziomie 32, klasa D – druga w kolejności, ale w uporządkowaniu od najmniejszych wartość średnia większości charakterystyk innowacyjności (LLL, KIS, HRST, KIS 2, i EPO), średnia wartość miary agregatowej to 24,1, klasa E – najniższa średnia wartość miary W (16,2) i najniższe przeciętne wartości pięciu z sześciu charakterystyk innowacyjności (poza WYKSZ), regiony peryferyjne w zakresie innowacyjności. 406 7. Analiza porównawcza wyników podejść badawczych Rys. 7.6. Zestawienie wspólne liczby regionów – wyniki klasyfikacji medianowej i k-średnich w 2008 r. Źródło: opracowanie własne. Poszukiwanie profili regionalnej innowacyjności i próba pozycjonowania regionów ze względu na osiągi w zakresie innowacyjności oraz wszelkie typologie zmierzające do oceny i opisu grup regionów podobnych w tym zakresie, a także prowadzone analizy dynamiczne stanowią źródło informacji o przemianach zachodzących w europejskiej przestrzeni regionalnej. Pozwoliły wytypować liderów innowacyjności input i output, bieguny innowacyjności, a także regiony peryferyjne w każdym z prowadzonych ujęć badawczych. W pracy do oceny innowacyjności regionów UE w ujęciu dynamicznym wykorzystano również, poza danymi rzeczywistymi, z lat 1999–2008, prognozy charakterystyk innowacyjności. W związku z tym, że część danych, które w momencie przygotowywania elementów analitycznych monografii nie były dostępne, obecnie można już pobrać z baz danych Eurostatu, przygotowano wstępną ocenę jakości zbudowanych prognoz. 407 7. Analiza porównawcza wyników podejść badawczych Jakość prognoz oceniano z wykorzystaniem wyrażonego w procentach względnego błędu prognozy, ustalając jego wartość graniczną na poziomie 5% (tab. 7.10). Dla EPO w kolejnych latach, dla których w przypadku danych prognozowanych opublikowane zostały dane rzeczywiste, sytuacja wyglądała następująco: – w 2006 r. zbudowane prognozy obarczone były błędami względnymi w przedziale od 0 do 90%, przy czym dla 74 regionów otrzymano prognozy obarczone błędami mniejszymi niż ustalona wartość progowa, Tabela 7.10. Skrajne wartości błędów prognoz dla charakterystyk innowacyjności Charakterystyka innowacyjności WYKSZ LLL HRST Błędy prognoz: 1 – max 2 – min 3 – liczba regionów z prognozą obarczoną błędem < 5% Rok 2009 2010 1 36% 46% 2 0% 0% 3 85 98 1 71% 80% 2 2% 0% 3 86 96 1 36% 38% 2 3 KIS KIS 2 1 39% 41% 0% 0% 3 90 94 1 46% 39% 2 0% 0% 111 1 2 3 EPO 1 2 HIT 2 0% 138 2 3 HIT 0% 151 65% 0% 83 bd – 136 56% 0% 67 bd – 3 – – 1 44% 47% 2 0% 0% 3 Źródło: obliczenia własne na podstawie danych Eurostatu. 123 145 408 7. Analiza porównawcza wyników podejść badawczych w 2007 r. otrzymane prognozy charakteryzowały błędy w przedziale od 0 do 121%, a dla 52 regionów były to błędy względne niższe od 5%, – w 2008 r. dla 41 regionów wartości zmiennych prognozowanych miały poziom zadowalający (błąd mniejszy od zadanego), a zakres wahań błędu względnego wynosił od 0 do 131%. Największe błędy cechują liczbę patentów zarejestrowanych w EPO na milion siły roboczej. Wskaźnik ten charakteryzuje także największa zmienność. Liczba regionów, dla których prognoza była obarczona błędem na akceptowalnym poziomie, zmniejszała się dla EPO z 28% w 2006 r., poprzez 20% w 2007 r., do 15% w 2008 r. W przypadku pozostałych charakterystyk innowacyjności liczba regionów, dla których otrzymane prognozy były „dobre”, wahała się od ponad 30% dla WYKSZ, LLL, HIT 2, ponad 40% dla KIS 2 i HIT 2 do 57% dla HRST. Jednakowoż w tym miejscu konieczne jest jeszcze wskazanie, iż dane z Eurostatu na temat charakterystyk innowacyjności czy też dane niezbędne do ich wyliczenia z datą pobrania 15 grudnia 2009 r. w bardzo wielu przypadkach różnią się od informacji dotyczących tego samego zakresu i roku, ale z datą pobrania 15 grudnia 2011 r. Przykładowo dla poszczególnych charakterystyk innowacyjności dla danych pobranych w dwóch wskazanych dniach obserwowano następujące różnice: – WYKSZ dla 2008 r. od –7 do 9,6%, przy czym dla 75 regionów różnice te wynosiły ±1%, – dla danych na temat LLL w 2008 r. od –2,7 do 6,5%, przy czym dla 134 regionów różnice te wahały się w granicach ±1%, – HRST dla 2008 r. od –2,8 do 4,2%, a dla 241 regionów różnice te wynosiły ±1%, – dla danych na temat KIS w 2008 r. od –1,7 do 15,4%, różnice te wahały się w granicach ±1% dla 79 regionów, – KIS 2 dla 2008 r. od –2,6 do 22,4%, a jedynie dla 11 regionów różnice te nie przekraczały zakresu ±1%, – HIT dla 2008 r. od –4 do 2,4%, a dla 190 regionów różnice te wynosiły ±1%, – dla danych na temat EPO dla 2005 r. od –25 do 40%, a dla 62 regionów różnice te wynosiły ±1%, – HIT 2 dla 2008 r. od –8,8 do 14,2%, a dla 88 regionów różnice te wynosiły ±1. Sytuację taką można wyjaśnić tym, iż wiele danych publikowanych przez Eurostat na poziomie regionalnym ma charakter szacunkowy. Natomiast w chwili, kiedy w krajowych urzędach statystycznych podawane są dane oficjalne, „podmienia się” te zamieszczone wcześniej, a mające charakter przybliżony. Duże błędy mogą również świadczyć o tym, iż pewne trendy obserwowane w okresie 1999–2008 zahamowały się, a może nawet odwróciły. W związku z tematem pracy w dalszej części interesujące byłoby ustalenie błędów otrzymanych prognoz dla analizowanych regionów. Jednak rozmiary pracy stanowią ograniczenie dla rozwijania w tym miejscu dalszych pomysłów badawczych w tym względzie. Część tę niech spuentuje powiedzenie Z. Hellwiga, iż „prognozy nie są po to, żeby się sprawdzały”. – Zakończenie Rezultatem opisanych w pracy badań jest rozwój koncepcji pomiaru innowacyjności i podejść metodologicznych do jej oceny oraz zwiększenie możliwości stosowania metod statystycznych wspomagających dynamiczne analizy innowacyjności na szczeblu regionalnym. Prezentowana praca ma charakter studium teoretyczno-metodologiczno-aplikacyjnego, a zatem przeprowadzone badania i analizy pozwalają na sformułowanie trzech grup wniosków. Do pierwszej grupy należą wnioski natury teoretycznej. 1. Kategoria innowacji i innowacyjności gospodarek zajmuje ważne miejsce w poglądach wielu ekonomistów (takich jak np. J.A. Schumpeter, J. Rae, Ch. Babbage, F. List, K.J. Arrow, F. von Hayek, M.I. Kamien, N.L. Schwartz, R.M. Solow, R.E. Lucas czy P.M. Romer, R.R. Nelson, S.G. Winter, Ch. Freeman, K.M. Pavitt, G. Dosi i N. Kaldor), co się odzwierciedla w powstających i ewoluujących teoriach ekonomicznych. Sama teoria innowacji w ekonomii rozwijała się w ujęciu funkcjonalnym, neoschumpeteriańskim (instytucjonalna i ewolucyjna) oraz neoklasycznym. 2. W podejściu do innowacji wymienić można cztery nurty: 1) klasyczny, inspirowany dorobkiem A. Smitha i K. Marksa (szczególnie użyteczny w rozumieniu znaczenia innowacji i zmiany technologicznej dla rozwoju gospodarczego; wkładem tej linii analizy jest np. indukowane podejście do zmiany technologicznej oraz roli uczenia się); 2) oparty na pracach J.A. Schumpetera (dostarcza podstaw do dociekań w dziedzinie relacji między innowacją a konkurencją na rynku, z ważnymi implikacjami dla teorii firmy oraz teorii rynków; skoncentrowany na roli innowacji jako narzędzia konkurencji, a także na korporacji i przedsiębiorczości jako czynnikach napędowych gospodarki); 3) oparty na poglądach K.J. Arrowa i je rozwijający (odkrycie ekonomii wiedzy z jej implikacjami dla teorii organizacji i ekonomii regionalnej); 4) powiązany z dorobkiem A. Marshalla, ostatecznie sformułowany w podejściach ewolucyjnych (odniesienia biologiczne oparte na pracach A. Marshalla oraz podejściu ewolucyjnym, ostatnio ponownie wzmocnione przez myślenie zgodne z ekonomią złożoności, wskazały drogę do zrozumienia dynamiki rozwoju w powiązaniu z zależnościami systemowymi, charakterystycznymi dla zmian technologicznych i strukturalnych). 3. Prace J.A. Schumpetera stanowią centrum analiz ekonomii innowacji, a do najważniejszych osiągnięć z punktu widzenia prowadzonych w pracy badań zaliczyć trzeba podstawowe narzędzia ekonomii innowacji obejmujące m.in.: zdefinio- 410 Zakończenie wanie innowacji, rozróżnienie między wynalazkiem, innowacją, naśladownictwem i dyfuzją, zrozumienie zjawiska koncentracji innowacji w czasie i przestrzeni, sprecyzowanie pojęcia „powiewu” innowacji. 4. Znaczenie innowacji w gospodarce, podkreślane w teoriach ekonomicznych, przekłada się na dostrzeganie ich roli także w teoriach dotyczących rozwoju regionalnego (m.in. teorii biegunów wzrostu, koncepcji regionu uczącego się czy gospodarki opartej na wiedzy, teorii gron, założeń koncepcji przestrzennej samoorganizacji, idei aglomeracji ekonomicznej). 5. Różnorodność powstałych definicji innowacji sprzyja znacznej liczbie ich klasyfikacji. Historyczne klasyfikacje innowacji wywodzą się z definicji J.R. Hicksa, J. Robinsona i R.F. Harroda, kolejne, te zaproponowane przez J.A. Schumpetera (produktowe, procesowe i organizacyjne), powracają u wielu autorów. Punkt wyjścia podziału mogą stanowić np.: kwestia, czy za innowacje uznać tylko pierwsze zastosowanie wynalazku, czy też każde kolejne jego zastosowanie; ujęcia akcentujące rzeczowy charakter innowacji i podkreślające ich znaczenie czynnościowe; skala i charakter zmian, które generują innowacje; kryterium stopnia nowości; intensywność technologiczna i kapitałowa; stopień złożoności; mechanizm pobudzania; warunki psychospołeczne osób realizujących innowacje; sposób, w jaki są wprowadzane; zakres powodowanych skutków; zakres skutków dla firmy i jej relacji z otoczeniem; cele statystyczne. Każda klasyfikacja ułatwia pomiar i zrozumienie znaczenia innowacji. Potencjalny zakres i rozmiar różnych rodzajów innowacji i badań innowacyjnych wskazują, że mogą one mieć różnorodne atrybuty, a ich pomiar nastręcza wiele problemów. 6. Innowacje i innowacyjność to progresywny czynnik rozwoju i wzrostu społeczno-gospodarczego w układzie terytorialnym (w tym regionalnym i lokalnym). Mogą być rozpatrywane w ujęciu inter- i intraregionalnym oraz ze względu na innowacyjność zarówno instytucji oraz firm funkcjonujących w danym regionie, jak i samych układów regionalnych. Jeśli przyjąć, że innowacyjność regionu to zdolność i motywacje gospodarki/przedsiębiorstw funkcjonujących w regionie do permanentnego poszukiwania oraz praktycznego wykorzystywania efektów naukowych badań, pomysłów, wynalazków i nowych koncepcji, to za innowacyjne można uznać regiony, w których firmy i instytucje są zdolne do tworzenia, absorpcji i pozyskiwania nowych produktów (usług) oraz charakteryzują się potencjalnymi możliwościami do adaptacji w warunkach zachodzących w otoczeniu zmian. 7. Innowacje i innowacyjność oraz ich rola dla wzrostu i rozwoju stymulują zwiększenie znaczenia badań nad procesami innowacyjności, na każdym szczeblu życia gospodarczego, w tym również na poziomie regionalnym. Innowacyjność, jako zjawisko wieloaspektowe, cechuje znaczna złożoność, dlatego niezbędne są coraz częściej stosowane wielowymiarowe podejścia badawcze, obejmujące ujęcia taksonomiczne. Wnioski o charakterze metodologicznym są następujące. 1. Metodologia statystyki innowacyjności to część obszerniejszego działu statystyki nauki i techniki – stanowi opracowywany od 40 lat międzynarodowy standard. Działy tej dziedziny statystyki dzieli się na dwie grupy zagadnień: Zakończenie 411 z dobrze rozwiniętą i ugruntowaną metodologią, gdzie zbierane i analizowane są dane z uwzględnieniem powszechnie przyjętych, międzynarodowych zaleceń metodologicznych; do wskaźników tej grupy należą: input statistics (wskaźniki statystyki „wkładu”, tj. m.in. zasoby przeznaczane na działalność B + R) oraz output and impact statistics (wskaźniki do pomiaru efektów uzyskiwanych w wyniku tej działalności oraz oceny wpływu działalności naukowo-technicznej na funkcjonowanie gospodarki); to statystyka działalności badawczej i rozwojowej, patentów, innowacji, bilans płatniczy w dziedzinie techniki, wyroby z dziedziny wysokiej techniki, usługi oparte na wiedzy, wskaźniki dotyczące zasobów ludzkich dla nauki i techniki oraz bibliometria; – działy, dla których metodologia jest rozwijana, a wskaźniki i dane, jeśli są dostępne, to ze względu na odmienną metodologię nie są w pełni porównywalne; to statystyki związane m.in. z zastosowaniem zaawansowanych technologii produkcyjnych, technologiami informacyjnymi, wskaźniki zawierające informacje z pism technicznych, o inwestycjach mających charakter niematerialny, związane ze zmianami organizacyjnymi i innowacjami nietechnologicznymi w firmach, prognozy rozwoju technologii, ankietowe badania postaw społeczeństwa względem nauki i techniki. 2. Wieloletnie prace metodologiczne i badania statystyczne, w ramach których podejścia do pomiaru innowacyjności ewoluowały, skutkowały m.in. przygotowaniem raportów pozwalających na ocenę gospodarek krajów UE pod względem innowacyjności (kilka edycji European Innovation Scoreboard), dały też podstawy do analiz porównawczych w szerszym kontekście – gospodarki światowej (Union Innovation Scoreboard). Osobną ścieżkę analityczną stanowią badania innowacyjności firm. Kolejnym etapem prac zespołów skupionych na wskaźnikach innowacyjności był nurt badań skierowany na ocenę europejskich regionów w kontekście ich innowacyjności. Opracowano zestawy wskazówek metodologicznych, rozwijane są bazy danych, w których gromadzone są informacje dotyczące szczebla regionalnego. Pierwsza kompleksowa ocena innowacyjności regionów UE roku nastąpiła w 2002 r., kolejna w 2003 r., a następne w latach 2006 i 2009. W każdej rundzie oceny zmieniały się zestawy wskaźników, dokonywano także, na fali krytyki, konwersji podejść metodologicznych. 3. Stopień złożoności problematyki innowacyjności przynosi ciągle nowe problemy badawcze i dlatego na świecie trwa boom na pomysły odnoszące się do pomiaru innowacji. Przykładami mogą być opracowywane przez wiele stanów USA odrębne podejścia, mające jeden cel – ocenę pozycji, analizy porównawcze w czasie i przestrzeni czy też opisane w pracy inne ujęcia badawcze. W wielu opisanych w pracy podejściach analitycznych do oceny innowacyjności za pomocą zagregowanych wskaźników wykorzystuje się ich podział na mierniki wkładu (input) oraz efektu (output). Ocena i badania porównawcze w zakresie innowacyjności prowadzone są także w Stanach Zjednoczonych. Szczególnie ciekawe wydaje się podejście zastoso– 412 Zakończenie wane w ramach adaptacji podejść wykorzystywanych do oceny produktywności korporacji, a zrealizowane w konstrukcji tablicy wyników w zakresie innowacyjności. 4. Wskazana stała fluktuacja podejść do pomiaru wynika m.in. z braku zgody co do uniwersalnego zestawu wskaźników, sposobu agregacji i miar odniesienia, co z jednej strony sprzyja mnożeniu podejść badawczych, a z drugiej umożliwia badaczowi zastosowanie dowolnych ścieżek w ocenie innowacyjności regionów. 5. Dorobek polskich naukowców jest istotną częścią światowych osiągnięć w zakresie szeroko pojętej taksonomii. Metody taksonomiczne, tj. statystyczną analizę danych, klasyfikację, porządkowanie liniowe w wielowymiarowej przestrzeni cech i czasu oraz periodyzację, stosuje się w wielu dyscyplinach. Wykorzystanie agregacyjnej analizy i porządkowania obiektów opisanych za pomocą wielu cech, czyli taksonomii, stanowi istotny element oceny m.in. efektywności rezultatów polityki regionalnej oraz zróżnicowania jednostek terytorialnych w świetle różnorodnych aspektów, co, jak wskazano w sformułowanych hipotezach, sprzyja stosowaniu aparatu taksonomii do dynamicznych analiz złożonego zjawiska, jakim jest innowacyjność. 6. Podejście taksonomiczne w ocenie innowacyjności można stosować z wykorzystaniem następujących ujęć: prostego, obejmującego grupowanie obiektów, periodyzację i wybór cech diagnostycznych; złożonego, w skład którego wchodzą: klasyfikacja w przestrzeni cech, klasyfikacja w przestrzeni obiektów i klasyfikacja w przestrzeni czasu oraz zagadnienia kompleksowe, tj. łączne porządkowanie obiektów, cech oraz jednostek czasu. W dynamicznych analizach innowacyjności regionalnej można z powodzeniem stosować trójwymiarową „kostkę danych”, w której wektory stanowią: obiekty badawcze (regiony), cechy diagnostyczne (wskaźniki innowacyjności) oraz jednostki czasu. 7. Identyfikacja charakterystyk innowacyjności oraz ich grupowanie z wykorzystaniem analizy czynnikowej, ocena poziomu innowacyjności i procesów zmian zachodzących w poziomie innowacyjności europejskich regionów możliwe są, jak to określono w hipotezach badawczych, z uwzględnieniem zintegrowanego, wielokryterialnego podejścia opartego na ujęciu profilowym (z wykorzystaniem klasyfikacji pozycyjnej oraz macierzy przejścia), z wykorzystaniem zmodyfikowanej amerykańskiej tablicy wyników w zakresie innowacyjności oraz na podstawie przestrzenno-czasowej analizy skupień. Oceny innowacyjności regionów UE mogą być prowadzone z wyszczególnieniem innowacyjności typu input i output, innowacyjności regionalnej (regionów całej UE) oraz innowacyjności unijnych regionów w poszczególnych krajach UE, a wymienione warianty badawcze można wykorzystać w dwóch przekrojach: dywersyfikacyjnym – w wyodrębnionych grupach regionów, oraz globalnym – w skali całej europejskiej przestrzeni regionalnej. 8. Istotne dla osiągnięcia celów pracy podejście profilowe stosuje wiele jednostek naukowo-badawczych, instytucji i organizacji światowych. Metoda klasyfikacji pozycyjnej z wykorzystaniem mediany dla wybranych do oceny innowacyjności europejskich regionów charakterystyk pozwala na grupowanie przestrzeni UE Zakończenie 413 w ujęciu dynamicznym, natomiast wyniki zestawione w postaci tablic kontyngencji umożliwiają ocenę przemian w obrazie klasyfikacji w poszczególnych okresach badania iw analizowanych zakresach (input i output). 9. Za pomocą zmodyfikowanej tablicy wyników w zakresie innowacyjności możliwe jest śledzenie „ścieżki” wybranego regionu z punktu widzenia jego pozycji w tablicy innowacyjności, w odniesieniu do wybranych lat czy też, inaczej niż przeprowadzono to w pracy, gdzie punktem odniesienia do budowy przedziałów wartości charakterystyk innowacyjności były ich zakresy w regionach unijnych można sobie wyobrazić takie badania w wybranym kraju UE, gdzie decydenci oceniają pozycję danego regionu: – na tle innych regionów w kraju, – na tle regionów o zbliżonym znaczeniu strategicznym (regiony stołeczne czy też zawierające w swoich granicach stolicę, regiony jednonutsowe), o podobnej strukturze np. pracujących, produkcji czy eksportu, o porównywalnych parametrach PKB per capita wyrażonych w PPS, wartości produkcji per capita itd., – w odniesieniu do regionów o analogicznych wartościach początkowych czy zbliżonym tempie zmian wybranych charakterystyk lub miar agregatowych, – ustalając jako wartości docelowe, nie jak w niniejszej pracy, wartości maksymalne, ale przykładowo te, które zapisano w celach strategicznych RSI danego regionu czy innych dokumentach o znaczeniu strategicznym. 10. Metody analizy skupień stanowią uniwersalne narządzie do grupowania regionów o zbliżonych parametrach wskaźników innowacyjności. Ich właściwe stosowanie wymaga analizy wielu zagadnień metodologicznych, wśród których do najistotniejszych należą: wybór metody normalizacji, miary zróżnicowania obiektów, metody klasyfikacji, kryteria wyboru optymalnego podziału wynikowego, sposób oceny zgodności wyników klasyfikacji. W ocenie stabilności otrzymanych grup regionów i zmian w czasie przydatna jest macierz odległości oparta na mierze niezgodności procentowej. Periodyzacja macierzy odległości z wykorzystaniem metody Warda pozwala na ustalenie średniej „przynależności” regionów do otrzymanych skupień. Wskazanie regionów najbardziej typowych dla poszczególnych skupień jest możliwe z wykorzystaniem szacowania środka grupy z danych dynamicznych. Opisane powyżej zrealizowane zadanie badawcze wpisuje się w weryfikację hipotez o przydatności metod współczesnej ekonometrii i narzędzi taksonomii do grupowania regionów ze względu na wielowymiarowo i dynamicznie analizowany poziom ich innowacyjności. 11. W pracy zaproponowano miary do oceny dynamicznej stabilności i atrakcyjności grup w przestrzenno-czasowej analizie skupień, które to miary uzupełniają aparat metodologiczny taksonomii. W szczególności miara do oceny dynamicznej stabilności klasyfikacji pozwala prześledzić zmieniające się w czasie struktury grup. Umożliwia ocenę zarówno incydentalnych przypadków występowania obiektów w klasie, jak i przypadku, gdy każdy z obiektów będących w skupieniu w pierwszym momencie analizy jest w nim przez cały analizowany okres – wówczas wartość mia- 414 Zakończenie ry DS jest równa 1. Natomiast z wykorzystaniem miary dynamicznej atrakcyjności grup można ocenić kierunek zmian w skupieniu (np. przewagę obiektów opuszczających grupę nad tymi, które do niej dochodzą w trakcie wskaże ujemna wartość miary DA). Z przeprowadzonych w pracy badań empirycznych wynikają następujące wnioski. 1. Podstawowym źródłem danych w zakresie statystyki nauki i techniki (w tym także statystyki innowacji) są w skali międzynarodowej bazy danych oraz publikacje OECD i Eurostatu (głównie dla krajów rozwiniętych) oraz bazy danych i publikacje UNESCO (dla pozostałych krajów). Tematyczne bazy UE w zakresie innowacji to m.in. INNOVAT (Survey on innovation in EU enterprises), obejmująca dane z kolejnych badań Community Innovation Surveys (CIS) oraz New Cronos i zasoby Eurostatu, w tym dotyczące patentów, zasobów ludzkich dla nauki i technologii, wykształcenia pracujących oraz wydatków na B + R. Podstawę informacyjną analiz innowacyjności na szczeblu regionalnym UE stanowią dane gromadzone z wykorzystaniem CIS oraz badań statystycznych prowadzonych w krajach UE. W pracy wykorzystano zasoby baz danych Eurostatu, w tym tematyczne: Regional science and technology statistics (w tym R & D expenditure and personnel, Human resources in science and technology, Employment in high technology sectors, European patent applications to EPO), Regional labour market statistics, Regional information society statistics, Regional education statistics. 2. Zestawy charakterystyk do oceny innowacyjności na szczeblu kraju i regionu w badaniach dotyczących terytoriów UE ewoluują od wielu lat. W analizach prowadzonych przez zespoły analityków opracowujących ekspertyzy dla Komisji Europejskiej wykorzystywano zwykle dane o dużym opóźnieniu, a braki w danych powodowały, że raporty dotyczyły niewiele ponad 70% obszaru UE. Przedstawiona poniżej lista zaproponowanych w pracy zmiennych stanowi kompromis między chęcią przeprowadzenia analizy dla jak największej liczby regionów na podstawie danych, których kompletność jest stosunkowo duża, gdy w przypadku luk w danych możliwe było ich uzupełnienie, a wprowadzeniem zmiennych, dla których dane były możliwe do uzyskania dla stosunkowo niewielkiej liczby regionów. Integracja propozycji Regional Innovation Scoreboard i innych podejść badawczych z zasobami baz danych umożliwiła wskazanie następujących charakterystyk: – udziału pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w regionie (WYKSZ), – udziału ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w regionie (LLL), – pracujących w usługach opartych na wiedzy jako procenta siły roboczej (KIS), – pracujących w usługach opartych na wiedzy jako udziału pracujących w usługach (KIS 2), – zasobów ludzkich dla nauki i techniki, tj. ogółu osób faktycznie zatrudnionych w zawodach N + T w relacji do aktywnych zawodowo (HRST), Zakończenie 415 pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procenta siły roboczej) (HIT), – liczby patentów zarejestrowanych w danym roku w European Patent Office na milion siły roboczej (EPO), – udziału pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle (HIT 2). Dane wykorzystane w pracy dotyczą lat 1999–2008 (dane rzeczywiste) oraz okresu 2009–2011 (prognozy). 3. W konsekwencji wykorzystania analizy czynnikowej zestaw charakterystyk innowacyjności został w wyniku porównania z zestawami zmiennych zastosowanych w innych badaniach podzielony na dwie grupy: czynniki input (LLL, WYKSZ, KIS, KIS 2, HRST) i czynniki output (HIT, EPO, HIT 2). Regiony analizowano ze względu na wartości charakterystyk innowacyjności w ujęciu dynamicznym, w następujących grupach: UE 27 – 265 regionów, regiony UE 15 – 209 regionów „starej” Unii, regiony UE 12 – 56 regionów dwóch ostatnich rozszerzeń, regiony UE 27(S) – zawierające stolice i stołeczne regiony UE, regiony UE 15(S) – zawierające stolice i stołeczne regiony UE 15, regiony UE 12(S) – zawierające stolice i stołeczne regiony UE 10 + 2, regiony polskie (16 województw). 4. W otrzymanych uporządkowaniach regionów pod względem wartości charakterystyk innowacyjności przez 10 lat (okres 1999–2008) w pierwszej (liderzy) i ostatniej (outsiderzy) dziesiątce powtarzało się wiele tych samych regionów. Największe wzrosty wartości charakterystyk innowacyjności notowano między 2008 r. a 1999 r. dla: LLL (22-krotnie), EPO (17-krotnie), WYKSZ (6-krotnie), HIT (o 275%). Oprócz regionów, dla których obserwowano w analizowanym okresie wzrost, było wiele takich, dla których wartości charakterystyk spadły: EPO (184 regiony), HIT (163), HIT 2 (131 regionów), KIS 2 (59), LLL (43 regiony), KIS (23), WYKSZ (14 regionów), HRST (12). Dla analizowanych cech, wybranych do opisu innowacyjności input w skali regionalnej, wzrosły wartości minimum, maksimum (poza KIS 2) i średniej. Natomiast w przypadku charakterystyk output wzrosły wartości minimum i maksimum (poza EPO). Z badań wynika, że europejska przestrzeń regionalna szczebla NUTS 2 jest istotnie zróżnicowana ze względu na poziom innowacyjności w zakresie zarówno input jak i output, na co wskazują np. wartości odchylenia standardowego czy współczynnika zmienności albo relacje wartości maksymalnych do minimalnych w regionach. Na podkreślenie zasługuje to, iż dla wszystkich ośmiu charakterystyk innowacyjności iloraz ten się obniża, a dla większości cech (bez HIT) zmniejszyła się także wartość współczynnika zmienności. 5. Mapy regionów ze względu na wartości charakterystyk innowacyjności pokazują, że liderami są regiony stołeczne i stolice, co jest szczególnie widoczne w zakresie charakterystyki WYKSZ. Regiony te tworzą na terytorium danego kraju wyspę o wyższym niż otoczenie udziale dobrze wykształconej kadry (efekt stolicy). Podobnie było np. w 1999 r. pod względem wartości LLL, zwłaszcza w takich krajach, jak Francja, Polska, Czechy i Niemcy. Efekt stolicy w przypadku wartości – 416 Zakończenie charakterystyki KIS w regionach jest szczególnie widoczny, zwłaszcza w układzie regionalnym we Francji, w Polsce, Hiszpanii, Włoszech, Grecji czy Bułgarii, Słowenii lub Portugalii. W zakresie wartości KIS 2 dominująca jest pozycja finlandzkiego regionu Åland, który w każdym z trzech zobrazowanych momentów (1999, 2008, 2011) notowano na pozycji pierwszej. Ponadto efekt stolicy widoczny jest m.in. we Francji, Portugalii, Rumunii, Czechach czy Austrii. Również w Wielkiej Brytanii zauważalne jest oddziaływanie stolicy, gdzie wyspecjalizowane, oparte na wiedzy usługi są na bardzo wysokim poziomie, na regiony okalające stolicę (Bedfordshire, Hertfordshire, Berkshire, Bucks and Oxfordshire, Essex, Surrey, East and West Sussex oraz Kent). Do regionów zaliczanych, ze względu na wysokie wartości charakterystyki HRST, niezmiennie do trzech najlepszych przedziałów znalazło się 12 stolic i regionów stołecznych z UE 15: Inner London i Outer London, Hovedstaden, Île de France, Stockholm, Région de Bruxelles, Noord-Holland, Berlin, Comunidad de Madrid oraz Etelä-Suomi, z UE 12 zaś Praha i Bratislavský kraj. 6. Wykorzystanie klasyfikacji pozycyjnej, którą w hipotezach podano jako jedno z narzędzi badawczych, do grupowania regionów UE, oraz otrzymane wyniki wskazują, że struktura europejskiej przestrzeni regionalnej, z uwzględnieniem jako kryterium podziału regionów wartości mediany, wykazuje umiarkowaną stabilność w ujęciu globalnej oceny poziomu wartości cech ilustrujących innowacyjność, co oceniono z wykorzystaniem testu chi-kwadrat. Stabilizacja ta jednak nie odnosi się do poszczególnych regionów, dla których zmiany w wartościach analizowanych cech są znaczące, co w efekcie spowodowało zmiany w przyporządkowaniu do klas. Wśród 265 analizowanych regionów są takie, które zawsze (w każdym z lat 1999–2008) były, ze względu na relacje do mediany (pomimo jej wzrostu) charakterystyk input, w tej samej klasie (łącznie 84 regiony), a pod względem wartości charakterystyk output zanotowano 134 takie regiony. Do państw, które mają regiony silne pod względem poziomu charakterystyk zarówno input jak i output w ciągu dziesięciu analizowanych lat zaliczono: Belgię, Danię, Niemcy, Finlandię, Szwecję i Wielką Brytanię (do klasy pierwszej ze względu na charakterystyki zarówno input jak i output w każdym momencie analizy zaliczono łącznie 14 regionów). Wśród regionów o niższych od mediany wartościach wszystkich charakterystyk innowacyjności input i output w każdym momencie analizy znalazły się regiony Grecji, Polski, Portugalii, Włoch i Rumunii, przy czym enumeratywnie jest to 25 regionów. Widoczne jest, ze względu na permanentnie niższe od mediany wartości charakterystyk innowacyjności input ich regionalne skupienie, aż do poziomu niemal całego kraju w Grecji, Portugalii i Rumunii oraz „okalanie” przez regiony zdecydowanie słabsze w dziedzinie charakterystyk output obrzeży Europy (Portugalia, Hiszpania, Włochy, Grecja, Bułgaria, Rumunia, wschodnia Polska oraz Litwa, Łotwa i Estonia) i koncentracja w przypadku regionów o wyższych od mediany wartościach tych charakterystyk w Europie Środkowej. Podobnie jak w zakresie charakterystyk input, uwagi ze względu na wartości charakterystyk output dla np. Grecji czy Portugalii stwierdzić można działanie mechanizmów na poziomie państwa, a nie regionu. Zakończenie 417 7. Przeprowadzona klasyfikacja pozycyjna potwierdza oczekiwaną w sformułowanych celach badawczych wysoką pozycję w zakresie innowacyjności regionów stołecznych, w tym w szczególności regionów stołecznych krajów UE 15. Dynamicznie rośnie zwłaszcza przewaga metropolii nad regionami peryferyjnymi. 8. Regiony polskie, mimo korzystnych zmian wartości niektórych cech, nie zdołały poprawić pozycji w regionalnej przestrzeni UE ocenianej przez pryzmat wyników przeprowadzonej klasyfikacji pozycyjnej. Polska to kraj o umiarkowanym zróżnicowaniu w zakresie poziomu innowacyjności, jednak nierówności, podobnie jak w innych krajach Europy, wykazują tendencję do pogłębiania się. 9. Ponadto na podstawie macierzy przejścia należy zwrócić uwagę, iż szybciej w nakładach (input) niż w efektach (output) zachodzą zmiany w klasyfikacjach. Przykładowo w klasyfikacji ze względu na charakterystyki input liczba regionów na stałe w klasie zmniejszyła się z 205 do 192 regionów, a w klasyfikacji ze względu na charakterystyki output liczba regionów na stałe w klasie pozostaje na niemal tym samym poziomie. 10. Zmodyfikowana tablica wyników w zakresie innowacyjności jest prosta w konstrukcji, nie wymaga skomplikowanych obliczeń, a wyniki uporządkowania regionów UE ze względu na wartości charakterystyk innowacyjności przeliczone na indeks innowacyjności dały zadziwiająco zbieżne wyniki, oceniane współczynnikiem korelacji względem wartości indeksu innowacyjności (I) oraz miary agregatowej W, co potwierdza jej przydatność w dynamicznych analizach innowacyjności oraz potwierdza realizację kolejnej hipotezy badawczej. 11. Regiony Europy oceniono, analizując, na podstawie zmodyfikowanej tablicy innowacyjności, ich punktację w przedziałach utworzonych ze względu na wartości wybranych do badania charakterystyk innowacyjności. Obliczono trzy indeksy: innowacyjności input (II), innowacyjności output (IO) i będący sumą obu, indeks innowacyjności (I). Indeks innowacyjności input to wypadkowa sumy punktów, jakie przypisano danemu regionowi ze względu na wartości następujących charakterystyk: LLL, WYKSZ, KIS, HRST, KIS 2 (unormowany w przedziale [0; 50]). Indeks innowacyjności output stanowi sumę punktów, które odnotowano dla analizowanego regionu ze względu na wartości EPO, HIT i HIT 2 (unormowany w przedziale [0; 30]). A indeks innowacyjności I jako suma indeksów input i output przybiera wartości z zakresu [0; 80]. 12. Wyniki oceny osiągów regionów UE w tablicy wyników w zakresie innowacyjności wskazują na ogromne dysproporcje w tym wymiarze. Są kraje, w regionach których najniższa wartość indeksu innowacyjności (I) jest i tak wyższa od najwyższej w regionach innych krajów. Przykładowo w bułgarskich regionach nie odnotowano indeksu I wyższego niż 30, a w regionach duńskich indeks ten był w każdym z badanych momentów dla wszystkich regionów wyższy niż 40. Tak było również np. w przypadku zestawienia regionów belgijskich, w których najniższe wartości indeksu I były wyższe od 32, i greckich, w których poziom indeksu I nie przekroczył 29. Przykładów podobnych dysproporcji obserwowano w otrzymanych wynikach 418 Zakończenie znacznie więcej. Oceniając przestrzeń UE we wskazanych do analiz podziałach, należy wspomnieć, iż wahania indeksu innowacyjności I w regionach UE 15 wynosiły od 11 (Região Autónoma da Madeira) do 64 (Stockholm) w 1999 r., od 10 (greckie Ionia Nisia i Notio Aigaio) do 57 (Oberbayern) w 2008 r., natomiast na podstawie prognoz od 10 (Ionia Nisia i Notio Aigaio) do 58 (duńskie Hovedstaden). W regionach UE 12 indeks innowacyjności wynosił od 16 (rumuńskie regiony Nord-Vest, Nord-Est i Vest) do 39 (Praha) w 1999 r., od 12 (Nord-Est i Sud-Est) do 41 (Praha) w 2008 r., na podstawie prognoz zaś od 11 (Nord-Est i Sud-Est) do 35 (Vzhodna Slovenija). Natomiast w stołecznych regionach UE 15 indeks innowacyjności I przybierał wartości od 24 (Lazio) do 64 (Stockholm) w 1999 r., od 25 (Lisboa) do 55 (Hovedstaden) w 2008 r., według prognoz zaś od 29 (Attiki i Lisboa) do 58 (Hovedstaden). Regiony stołeczne UE 12 charakteryzowała w 1999 r. rozpiętość indeksu innowacyjności (I) od 23 (Cypr) do 39 (Praha), od 24 (Łotwa) do 41 (Praha) w 2008 r., a od 21 (Litwa) do 41 (Zahodna Slovenija) na podstawie prognoz. 13. W grupie polskich regionów najniższe wartości wskaźnika I wynikające z przyporządkowania w tablicy innowacyjności odnotowano w 1999 r. dla regionów świętokrzyskiego i podlaskiego (19), a w 2008 r. dla regionu warmińsko-mazurskiego (20), który był też regionem o najniższych osiągach w 2011 r. (19 punktów). Najwyższą punktację uzyskały w 1999 r. regiony mazowiecki i dolnośląski (28). Region stołeczny miał też pozycję lidera w kolejnych latach, uzyskując 31 punktów w 2008 r. i 33 na podstawie prognoz w 2011 r. 14. Osiągnięciu celu poznawczego zmierzającego do oceny procesów innowacyjności sprzyja graficzna prezentacja wyników tablicy w zakresie innowacyjności. Z map ilustrujących zróżnicowanie regionów UE ze względu na wartość indeksu innowacyjności output w 1999 r. wynika, iż południe zjednoczonej Europy (południowe Włochy, Grecja, Malta, Cypr) oraz krańce zachodnie (regiony hiszpańskie i portugalskie) i wschodnie, w tym Litwa, Łotwa, Estonia, a także wschodnia Polska, Rumunia i Bułgaria to regiony o zdecydowanie niskich wartościach miary IO. Ścisłe centrum innowacyjności w zakresie charakterystyk output stanowiły w 1999 r. regiony południowych Niemiec, południowej Skandynawii i Wielkiej Brytanii oraz Belgii – indeks IO od 16 do 32. W 2008 r. najwyższe wartości tego indeksu obserwowano w południowych Niemczech, w zawierającym Freiburg, Tübingen, Karlsruhe i Stuttgart regionie NUTS 1 Baden-Württemberg oraz w regionie NUTS 1 Bayern (Bawaria), w tym Oberbayern – indeks powyżej 27 oraz Oberfranken, Oberpfalz, Unterfranken, Schwaben, Mittelfranken, a także w regionach Gießen, Darmstadt, Braunschweig, Rheinhessen-Pfalz – indeks w zakresie od 18 do 27. Równie wysokie indeksy innowacyjności output notowano w tych regionach w 2011 r. (na podstawie prognoz). Zmiany wynikające z obniżenia indeksu IO cechują m.in. regiony skandynawskie i brytyjskie oraz kilka francuskich (Île de France, Alsace i Franche-Comté), a także irlandzkie. Wysokie wartości indeksu II w każdym zilustrowanym na mapach roku są charakterystyczne zwłaszcza dla stołecznych regionów UE 15 Inner London, Stockholm i duński Hovedstaden (II wyższy od 40). Zauważalny Zakończenie 419 jest także zdecydowanie wyższy poziom II w regionach krajów skandynawskich, Beneluksu oraz Niemiec i Wielkiej Brytanii. Czeska Praha jest jedynym regionem UE 12 wśród prawie 50 regionów UE o indeksie II nie mniejszym niż 30 w każdym z analizowanych lat. Utrwalenie najniższych ocen, pod względem indeksu innowacyjności input jest szczególnie widoczne w regionach rumuńskich. 15. O znacznym zróżnicowaniu i różnym tempie procesów innowacyjności regionów UE świadczy to, że miara innowacyjności I powyżej 50 w każdym z trzech opisywanych momentów charakteryzuje jedynie 6 regionów: 3 niemieckie (Oberbayern, Karlsruhe, Stuttgart) oraz 3 stołeczne i zawierające stolicę: Hovedstaden, Inner London i Etelä-Suomi, jednocześnie są 22 regiony z miarą innowacyjności poniżej 20, w tym 11 regionów greckich, 6 portugalskich i 5 rumuńskich. 16. Wykorzystując narzędzia taksonomii, które w hipotezach wskazano jako przydatne w tego rodzaju analizach, do uzyskania ostatecznego podziału regionów w czasie, zastosowano metodę k-średnich z liczbą klas 8. Do interpretacji otrzymanych klas wykorzystano inne narzędzie, tj. agregatowy wskaźnik innowacyjności W i na podstawie jego średnich wartości w otrzymanych grupach ustalono 5 poziomów innowacyjności: A (bardzo wysoki), B (wysoki), C (średni), D (niski) i E (regiony peryferyjne). Rozmieszczone na tych poziomach klasy różnią się poziomem cech i strukturą ich wartości. Poniżej opisano najważniejsze właściwości otrzymanych skupień oraz określone za pomocą zaproponowanej metody szacowania centrum grupy z danych dynamicznych regiony najbardziej dla każdej grupy typowe. Klasę A1 charakteryzują najwyższa średnia wartość trzech charakterystyk, tj. HIT, EPO i HIT 2, oraz trzecia co do wartości średnia wartość LLL. W myśl wcześniej poczynionych podziałów, jest to klasa regionów, które można ewidentnie określić jako regiony wyspecjalizowane w innowacyjności output, bieguny innowacyjności output, a jej centrum stanowi 9 niemieckich regionów, najbardziej zaś typowym regionem tej grupy jest region Freiburg. Główną cechą klasy A2 są najwyższe średnie 5 charakterystyk: WYKSZ, LLL, KIS, HRST i KIS 2, które w analizie czynnikowej wykazano jako jedną grupę. To klasa regionów innowacyjności input (bieguny innowacyjności input). Obie klasy A mają bardzo zbliżone wartości średniej miary agregatowej (niemal 50). Do regionów tworzących jej trzon zaliczono 7 regionów z UE 15 (po 2 brytyjskie i szwedzkie oraz belgijski, niderlandzki i niemiecki), a najbardziej typowy dla tej grupy jest brytyjski region szczebla NUTS 2 Berkshire, Bucks and Oxfordshire. Klasa B1 ma drugą co do wielkości średnią wartość takich charakterystyk innowacyjności, jak HRST, EPO i HIT 2, a trzecią co do wartości średnią charakterystyk LLL i KIS i HIT, to klasa regionów z wyspecjalizowaną i podnoszącą kwalifikacje kadrą w przemyśle oraz kapitałem ludzkim w nauce i technice, co przynosi efekty w postaci stosunkowo wysokiej średniej liczby patentów na milion pracujących. Jej trzon stanowi 7 regionów UE 15 (niemieckie, belgijskie i jeden francuski), a najbliższymi środka grupy są niemieckie regiony Hannover i Schleswig-Holstein. 420 Zakończenie Klasę B2 charakteryzują druga co do wielkości wartość średnia LLL i KIS oraz KIS 2 i trzecia co do wielkości wartość średnia WYKSZ, to klasa regionów o wyspecjalizowanych usługach, wykształconej i stale uczącej się kadrze. Ma zdecydowanie liczny trzon, w którego centrum znalazło się 17 regionów UE 15 (po jednym z Niderlandów i Finlandii, dwa szwedzkie, a reszta z Wielkiej Brytanii). Najbardziej typowy dla tej grupy jest brytyjski region West Yorkshire. W klasie C1 zanotowano drugą co do wielkości wartość średnią WYKSZ, a trzecią w kolejności średnią wartość HRST i jednocześnie bardzo niskie (drugie w uporządkowaniu rosnącym) wartości średnie HIT i HIT 2. Charakterystyczna dla tego skupienia jest duża, bo zawierająca aż 16 regionów grupa (większość z UE 15 oraz 4 z UE 12), w tym 5 zawierających stolicę, a regionem najbardziej typowym dla klasy był niemiecki Brandenburg-Nordost, z najmniejszą odległością od środka grupy. Drugą co do wielkości wartość średnią HIT, a trzecią w kolejności średnią wartość HIT 2 i równocześnie zdecydowanie niską, drugą w uporządkowaniu rosnącym średnią wartość WYKSZ zanotowano w klasie C2. Ścisłe jej centrum stanowią po 2 regiony czeskie, włoskie i węgierskie oraz niemiecki, a najbardziej zbliżony do środka grupy jest włoski region Vento. Klasa D wyróżnia się negatywnie przede wszystkim drugą w kolejności, ale w uporządkowaniu od najmniejszych, wartością średnią 5 charakterystyk innowacyjności, tj. LLL, KIS, HRST, KIS 2, i EPO. Dla tego skupienia średnia wartość miary agregatowej jest dwukrotnie niższa od najwyższej. W 8-elementowym centrum grupy D regionem najbardziej typowym jest węgierski Észak-Alföld. Centrum grupy stanowią jedynie regiony UE 12, w tym polskie, rumuńskie, bułgarski, węgierski i słoweński. W klasie E poza WYKSZ (wartość średnia w klasie jest tylko o jeden punkt procentowy wyższa od najniższej w otrzymanych klasach) wszystkie wartości średnie analizowanych charakterystyk innowacyjności są najniższe. Średni poziom miary agregatowej W wynosi w tej klasie jedynie 16,2. Regiony stanowiące tą klasę to regiony peryferyjne w zakresie innowacyjności. Grupa E ma najliczniejsze centrum (19 regionów), w którym grecki region Peloponnisos jest najbardziej typowy. W centrum skupienia są regiony greckie (11 z 13), portugalskie (4 z 7), rumuńskie (3 z 8) i warmińsko-mazurski. 17. Na podstawie macierzy odległości oceniono stabilność grup w czasie, dokonano także, wykorzystując dendrogram Warda, periodyzacji dla skupień uzyskanych w wyniku klasyfikacji dynamicznej. Analizując wyniki otrzymanych periodyzacji, należy podkreślić, że o ile klasy A1 i B2 miały odrębne od pozostałych ścieżki, o tyle resztę skupień można połączyć w dwie podobne grupy periodyzacji. Pierwszą dla klas: B1, C1 i C2 (podobne podokresy 1999–2002, 2003–2008 i 2009–2011) oraz drugą dla klas A2, D i E (uzyskane dla nich podobne podokresy to 1999–2003, 2004–2008 i 2009–2011). Dla obu tych grup, a także dla klasy B2 uzyskano wspólny podokres (2009–2011), odpowiadający w pracy okresowi prognozowanemu. Okres Zakończenie 421 ten można uznać za raczej naturalny, zapowiadający zmiany w procesach innowacyjności w europejskiej przestrzeni regionalnej. 18. Z wartości zaproponowanej w pracy miary DS wynika wyraźnie, że najbardziej stabilna jest klasa A1, która zawiera regiony – bieguny innowacyjności output. Wartość miary DS dla tego skupienia wyniosła 0,806. Kolejną klasą o względnie stabilnym zestawie regionów (miara DS równa 0,657) jest klasa E, zawierająca regiony, dla których odnotowano najniższe wartości średnie 7 z 8 charakterystyk innowacyjności. Otrzymane wyniki mogą wskazywać na tendencje do polaryzacji europejskiej przestrzeni europejskiej ze względu na innowacyjność, i to mającej charakter utrwalającego się procesu. Najmniej stabilne okazały się klasy B1 i C2, dla których miara DS wynosiła odpowiednio 0,383 i 0,398. Warto jeszcze zaznaczyć, iż przeprowadzona analiza stabilności dotyczyła zarówno czasu przeszłego (lat 1999–2008), jak i okresu prognozowanego (lata 2009–2011). 19. Oceny otrzymanych klasyfikacji dokonano także z wykorzystaniem przedstawionej w pracy propozycji miary DA. Miara ta przybiera wartości z przedziału [–1; +1], ujemne wartości oznaczają odpychanie w badanym okresie, a dodatnie – przyciąganie. Uzyskane wyniki wydają się być korzystne dla procesu innowacyjności, gdyż jeśli wyłączyć klasę A1, która umacniając swoją strukturę (bieguny innowacyjności output) ma miarę ujemną, to następne w kolejności klasy cztery (A2, B1 i B2 oraz C1) można określić mianem przyszłościowych (wartości miary DA są dodatnie). Następne skupienia, tj. C2, D oraz E to ugrupowania historyczne (najbardziej klasa D), co może wskazywać na podnoszenie się poziomu innowacyjności, zwłaszcza w regionach, zaliczonych na początku do klas o poziomach innowacyjności najniższych. Przemieszczenia dotyczyły szczególnie 3 ostatnich klas, głównie z klasy D do klas A2 i C1. 20. Szczególnie widoczny jest spójny terytorialnie ośrodek regionów innowacyjności output, który stanowiły (rok 1999), stanowią (rok 2008) i będą stanowiły (prognozy dla roku 2011) regiony północnych Niemiec. Ponadto w kolejnych latach notowano wzrost liczby regionów w klasie A2, zwłaszcza położonych w sąsiedztwie tych regionów, w których w poprzednim okresie obserwowano wysokie wartości charakterystyk input. Taka sytuacja występuje w przypadku regionów szwedzkich, finlandzkich, brytyjskich i z krajów Beneluksu – można wskazać w tym przypadku na widoczne zjawisko transferu, „rozlewania się” innowacji (spillovers of innovation). 21. W analizie rezultatów przedstawionych w pracy zintegrowanych badań na podkreślenie zasługują także elementy zbieżne otrzymanych wyników. W grupie regionów, dla których w każdym roku z analizowanych lat, dla których dysponowano danymi rzeczywistymi, tj. z okresu 1999–2008, notowano wartości wszystkich charakterystyk output wyższe od mediany (wyniki klasyfikacji pozycyjnej), i które to regiony jednocześnie miały miarę innowacyjności input wyższą od 20, miarę innowacyjności output równą co najmniej 19, a sumaryczną miarę innowacyjności nie mniejszą niż 43 w każdym roku z okresu 1999–2011 (wyniki przypisania regionów w tablicy w zakresie innowacyjności), a także zawsze zostały 422 Zakończenie sklasyfikowane (klasyfikacja dynamiczna) w klasie A1, odnotowano jedynie 9 niemieckich regionów – to obecni i prognozowani długookresowi liderzy w zakresie innowacyjności output, tj. bieguny innowacyjności output, co wskazuje na petryfikację w tym zakresie. Wsród regionów, dla których w każdym roku z okresu 1999–2009 wartości wszystkich charakterystyk input były wyższe od mediany (wyniki klasyfikacji pozycyjnej), dla których notowano każdorazowo miarę innowacyjności input nie mniejszą niż 47, miarę innowacyjności output równą co najmniej 6, a sumaryczną miarę innowacyjności nie mniejszą niż 41 (na podstawie zmodyfikowanej tablicy wyników zakresie innowacyjności) w okresie 1999–2011 i które to regiony zostały w tym okresie zawsze sklasyfikowane w klasie A2, znalazło się tylko 7 regionów, w tym 4 stołeczne i zawierające stolicę (Région de Bruxelles, Hovedstaden, Stockholm i Inner London), pojedyncze regiony Niderlandów, Szwecji i Wielkiej Brytanii. Regiony te to w każdym podejściu bieguny innowacyjności input. Na drugim krańcu obserwowano 19 regionów, które były przez 13 badanych lat w klasie E (klasyfikacja dynamiczna), zawsze miały wszystkie charakterystyki innowacyjności, zarówno input jak i output, niższe od mediany (wyniki klasyfikacji pozycyjnej). Regiony te po zastosowaniu zmodyfikowanej tablicy wyników zakresie innowacyjności cechowały wartości miary input nie większe od 16, wartości miary output w przedziale od 1 do 7, a wartości sumarycznej miary innowacyjności nie większe od 20, a nie mniejsze od 10. W grupie tej znalazło się 11 regionów greckich, 4 portugalskie, 3 rumuńskie oraz województwo warmińsko-mazurskie. To regiony peryferyjne w zakresie innowacyjności, które w perspektywie długookresowej cechują niskie wartości wszystkich ocenianych charakterystyk innowacyjności. Regiony o wartościach wszystkich charakterystyk innowacyjności input niższych od mediany w okresie 1999–2008 (wyniki klasyfikacji pozycyjnej) najczęściej w klasyfikacji z wykorzystaniem metody k-średnich występowały w klasach D i E, w mniejszym stopniu w klasie C2, a sporadycznie w klasie C1. Dla tych regionów wartości indeksów w tablicy wyników w zakresie innowacyjności wahały się: od 9 do 16 (II), od 1 do 17 (IO) oraz od 10 do 32 dla (I). W przypadku regionów o charakterystykach innowacyjności input wyższych od mediany (wyniki klasyfikacji pozycyjnej), należy stwierdzić, że najczęściej występowały w klasyfikacji z wykorzystaniem metody k-średnich w klasach A2 i B2, w mniejszym natężeniu w klasach A1, B1 i C1. Wartości indeksów w tablicy wyników w zakresie innowacyjności wahały się dla regionów w tych klasach: od 28 do 47 (II), od 4 do 28 (IO) i od 36 do 64 dla (I). Regiony, dla których w latach 1999–2008 notowano wartości wszystkich charakterystyk innowacyjności output niższe od mediany (wyniki klasyfikacji pozycyjnej), zaklasyfikowano w kolejności częstości występowania regionów do klas: E, C1, D i sporadycznie B2 (klasyfikacja dynamiczna). W tablicy wyników w zakresie innowacyjności uzyskano dla tych regionów wartości indeksów na poziomie: 6–29 (miara II), 1–8 (miara IO), 10–35 (miara I). Zakończenie 423 W przypadku regionów o wartościach wszystkich charakterystyk output wyższych od mediany (wyniki klasyfikacji pozycyjnej), w klasyfikacji dynamicznej z wykorzystaniem metody k-średnich, zaliczono je głównie do klas: B1, C2 i A1 oraz już ze zmniejszającą się częstotliwością do klas A2 i B2, a rzadko do klas C1 i D. Dla regionów o tych własnościach otrzymano w tablicy wyników w zakresie innowacyjności indeksy: od 13 do 40 dla miary II, od 9 do 29 dla miary IO oraz od 25 do 57 dla miary I. Regiony, w których wszystkie analizowane charakterystyki innowacyjności były niższe od mediany w każdym roku z 10 lat (wyniki klasyfikacji pozycyjnej), w klasyfikacji dynamicznej w oparciu o metodę k-średnich w największym stopniu wypełniały klasę E, D, a jedynie kilkakrotnie notowano je w klasie C1. Wartości indeksów w tablicy wyników w zakresie innowacyjności wahały się dla regionów w tych klasach: od 6 do 9 dla indeksu II, od 1 do 7 (indeks IO) i od 10 do 24 dla indeksu I. Dla regionów o wyższych od mediany wartościach charakterystyk input i output (wyniki klasyfikacji pozycyjnej), w przestrzenno-czasowej analizie na podstawie metody k-średnich charakterystyczne jest ich przypisanie głównie do skupienia A2, a następnie B2, B1 i A1. Natomiast od 28 do 40 (II), od 10 do 28 (IO) oraz od 41 do 57 (I) wahały się wartości indeksów w tablicy wyników w zakresie innowacyjności dla regionów o tych właściwościach. 22. Jakość prognoz oceniano z wykorzystaniem wyrażonego w procentach względnego błędu prognozy, ustalając jego wartość graniczną na poziomie 5%, a występujące w wielu przypadkach duże błędy mogą świadczyć o tym, iż pewne trendy obserwowane w okresie 1999–2008 się zahamowały, a może nawet odwróciły. Celem opisanych w pracy analiz było m.in. wskazanie teorii rozwoju regionalnego wyjaśniających zachodzące w europejskiej przestrzeni procesy w zakresie innowacji oraz przedstawienie możliwości wykorzystania metod współczesnej ekonometrii jako narzędzi dla praktyków skupionych na regionalnym rozwoju gospodarczym, narzędzi pozwalających (poprzez wdrożenie podejścia zintegrowanego) na ocenę, czy i jakie zmiany zachodzą w układzie sił innowacyjnych regionów UE. Osiągając cele badawcze i mając na uwadze weryfikację sformułowanych hipotez, dokonano oceny możliwości identyfikacji realizacji teoretycznych koncepcji rozwoju regionalnego uwzględniających w swych założeniach innowacje jako istotny czynnik rozwoju społeczno-gospodarczego regionów. Wskazano m.in., iż w wielu krajach funkcjonują skupiska regionów rozwiniętych gospodarczo, co sprzyja powstawaniu „wysp innowacji” oraz podziałowi na centrum i peryferia. Bez wsparcia instytucjonalnego nie wystąpi proces dyfuzji postępu technicznego do regionów peryferyjnych. Transfer i pobudzanie innowacji na tych obszarach wymagają kreowania sieci współpracy na poziomie zarówno regionalnym, jak i globalnym. Do liderów gospodarczych zaliczyć należy przede wszystkim duże aglomeracje miejskie oraz regiony, w których funkcjonują, i to szczególnie z grupy regionów UE 15, a zwłaszcza regiony stołeczne. 424 Zakończenie Przedstawiono zbiorcze zestawienia definicji i typologii innowacji według wielu kryteriów klasyfikacyjnych oraz metody i mierniki do pomiaru innowacyjności wykorzystywane na różnych szczeblach gospodarowania. Scharakteryzowano ewolucję podejść do pomiaru innowacyjności regionów, z propozycji których to podejść wybrane mierniki zastosowano, na podstawie wyboru z tematycznych baz danych Eurostatu, w ocenie zróżnicowania oraz w przeprowadzonych dynamicznych analizach i klasyfikacjach regionów UE. Typologię dynamiczną innowacyjności regionów w ujęciu profilowym wykorzystano do oceny procesów zachodzących w zakresie innowacyjności europejskiej przestrzeni regionalnej. Dokonano udanej adaptacji idei amerykańskiej (tablica wyników w zakresie innowacyjności) do oceny innowacyjności europejskich regionów. Wykorzystano liczne metody i techniki taksonomii dynamicznej, a zaproponowane miary (dynamiczna miara stabilności klasyfikacji i miara oceny atrakcyjności dynamicznej grup) pozwoliły na ocenę otrzymanych wyników klasyfikacji. Oceniając wyniki badań z punktu widzenia analiz porównawczych, należy pamiętać, iż każdy region kraju będzie się charakteryzował inną mieszanką cech, mogących mieć wpływ na poprawę jego końcowego wyniku w zakresie innowacji. Nie ma dwóch identycznych krajów lub regionów i nie ma pojedynczej ścieżki prowadzącej do celu, którym jest innowacyjna i odnotowująca wzrost gospodarka. Zaproponowane podejścia pozwoliły na wytypowanie m.in. regionalnych liderów innowacyjności input i output, biegunów innowacyjności, a także regionów peryferyjnych w każdym z ujęć badawczych. Opisane wnioski i rezultaty badań potwierdzają osiągnięcie przyjętych celów metodologicznych i poznawczych, a także pozytywną weryfikację założonych hipotez badawczych. Uzyskane wyniki, ze względu na unikatowość tego typu badań, mają znaczenie poznawcze i praktyczne. Znaczenie poznawcze polega na pełniejszym rozpoznaniu mechanizmu zmian i odsłanianiu nowych właściwości procesu gospodarczego, jakim jest innowacyjność, a zachodzącego w systemie regionalnym. W praktyce wyniki badawcze mogą być użyteczne m.in. do określania kierunków polityki rozwoju regionalnego czy oceny skutków wdrażania kolejnych jej etapów. Przedstawiona w pracy problematyka dynamicznych analiz innowacyjności regionów nie została wyczerpana, stanowiąc pole przyszłych badań i analiz. Dalsze poszukiwania badawcze powinny zostać skierowane na wzbogacenie koncepcji teoretycznych i metod statystycznych rozwijających możliwości poznawcze dynamicznych analiz innowacyjności regionów, a także na zwiększenie zakresu badań empirycznych na szczeblu regionalnym. Literatura 10 years of the Index of the Massachusetts Innovation Economy. Massachusetts Technology Collaborative, John Adams Innovation Institute, Westborough, MA, 2006. A New Ranking of the World’s Most Innovative Countries, Economist Intelligence Unit, London 2009. A Strategy for Smart, Sustainable and Inclusive Growth, Communication from the Commission, Europe 2020, European Commission, COM(2010) 2020 inal, Brussels 2010. Abramovitz M., Catching up, forging and falling behind, „Journal of Economic History” 1956a, vol. 46, s. 385–406. Abramovitz M., Resource and output trends in the US since 1870, „American Economic Review” 1956b, vol. 46, no. 2, s. 5–23. Adamowicz M., Dyfuzja innowacji jako czynnik rozwoju regionów peryferyjnych, [w:] Zarządzanie wiedzą w agrobiznesie w warunkach polskiego członkostwa w Unii Europejskiej, „Prace Naukowe” nr 35, Wydawnictwo Szkoły Głównej Gospodarstwa Wiejskiego, Warszawa 2005. Aghion P., Howitt P., A model of growth through creative destruction, „Econometrica” 1992, vol. 60, no. 2, s. 323–351. Aghion P., Howitt P., Endogenous Growth Theory, MIT Press, Cambridge, MA, 1998. Ahmed P.K., Sixth generation innovation: Innovation management systems into the future, „European Journal of Innovation Management” 2000, vol. 3, no. 3, s. 112–114. Aitken M., Hage J., The organic organization and innovation, „Sociology” 1971, vol. 5, no. 1, s. 63–82. Aldenderfer M.S., Blashield R.K., Cluster Analysis, Sage Publications, Newbury Park 1984. Alexander A.J., Mitchel B.M., Measuring technological change of heterogeneous product, „Technological Forecasting and Social Change” 1985, vol. 27, s. 161–195. Almeida P., Kogut B., Localisation of knowledge and mobility of engineers in regional networks, „Management Science” 1999, vol. 45, no. 7, s. 905–917. Amable B., Catch up and convergence: A model of cumulative growth, „International Review of Applied Economics” 1993, vol. 7, no. 1, s. 1–25. Amin A., Thrift N., Neo-Marshallian nodes in global networks, „International Journal of Urban and Regional Research” 1992, vol. 16, s. 571–587. An Agenda for Policy Action on Innovation. 2009 Interim Report on the OECD Innovation Strategy, SG/INNOV(2009)2. Anderberg M., Cluster Analysis for Applications, Academic Press, New York 1973. Anderson N.R., King N., Managing innovation in organizations, „Leadership and Organizational Development Journal” 1991, vol. 12, no. 1, s. 17–21. Antonelli C., The Economics of Localized Technological Change and Industrial Dynamics, Kluwer Academic Publishers, Boston, MA, 1995. Antonelli C., The economics of path-dependence in industrial organization, „International Journal of Industrial Organization” 1997, vol. 15, s. 643–675. Antonelli C., The Microdynamics of Technological Change, Routledge, London 1999. Antonelli C., The Microeconomics of Technological System, Oxford University Press, Oxford 2001. Antonelli C., The system dynamics of collective knowledge: from gradualism and saltationism to punctuated change, „Journal of Economic Behaviour and Organization” 2007, vol. 62, s. 215–236. Antonelli C., Localized Technological Change: Towards the Economic of Complexity, Routledge, London 2008a. Antonelli C., The Economics of Innovation. Critical Concepts in Economics, Routledge, Taylor & Francis Group, London, New York 2008b. 426 Literatura Application for an Innovation Zone Planning Grant TRI-CITIES, Tri-City Development Council, Washington, DC, 2006. Arabie P., Hubert L., De Soete G. (red.), Classiication and Clustering, World Scientiic, Singapore 1996. Archibugi D., Coco A., A new indicator of technological capabilities for developed and developing countries (ArCo), „World Development” 2004, vol. 32, no. 4, s. 629–654. Archibugi D., Denni M., Filippetti A., The Global Innovation Scoreboard 2008: The Dynamics of the Innovative Performances of Countries, Measuring Innovation Thematic Paper, Pro Inno Europe, Inno Metrix, Brussels 2009. Archibugi D., Sirilli G., The direct measurement of technological innovation in business, [w:] Innovation and Enterprise Creation: Statistics and Indicators, European Commission, Eurostat, 2001. Are ICT speeding up the geographic diffusion of knowledge? An analysis of patent citations, DSTI/ ICCP/IIS(2009)3. Arrow K.J., Economic welfare and the allocation of resources for invention, [w:] R.R. Nelson (red.), The Rate and Direction of Inventive Activity: Economic and Social Factors, Princeton University Press for NBER, Princeton 1962a, s. 609–625. Arrow K.J., The economic implications of learning by doing, „Review of Economic Studies” 1962b, vol. 29, s. 155–173. Arrow K.J., Classiicatory notes on the production and transmission of technological knowledge, „American Economic Review” 1969, vol. 59, no. 2, s. 29–35. Arrow K.J., Increasing returns: Historiographic issues and path dependence, „European Journal of the History of Economic Thought” 2000, vol. 7, no. 2, s. 171–180. Arundel A., Innovation survey indicators: What impact on innovation policy?, [w:] Science, Technology and Innovation Indicators in a Changing World: Responding to Policy Needs, OECD, Paris 2007, http://213.253.134.43/oecd/pdfs/browseit/9207121E.pdf. Arundel A., Bordoy C., Kanerva M., Innovation Statistics for the European Service Sector, UNU-MERIT, Pro Inno Europe, Metrics, 2007. Arundel A., Hollanders H., “Global Innovation Scoreboard” (GIS) Report, MERIT – Maastricht Economic and Social Research and Training Centre on Innovation and Technology, European Trend Chart on Innovation, European Commission, 2006a. Arundel A., Hollanders H., Methodology Report: Searching the Forest for the Trees: Missing Indicators of Innovation, http://www.trendchart.org/scoreboards/scoreboard2006/pdf/eis_2006_methodology_report_missing_indicators. pdf, 2006b. Arundel A., Kanerva M., van Cruysen A., Hollanders H., Innovation Statistics for the European Service Sector, UNU-MERIT, 2007. Asheim B.T., Industrial districts as „learning regions”. A conditions for prosperity, Studies in Technology Innovation and Economic Policy, University of Oslo, Oslo 1995. Asheim B.T., Industrial districts as ‘learning regions’: A condition for prosperity?, „European Planning Studies” 1996, vol. 4, no. 4, s. 379–400. Asheim B.T., Learning regions as the development coalitions: Partnership as governance in European workfare states?, „Concepts and Transformation: International Journal of Action Research and Organizational Renewal” 2001, vol. 6, no. 1, s. 73–101. Asheim B.T., Gertler M.S., The geography of innovation: Regional innovation system, [w:] J. Fagerberg, D.G. Mowery, R.R. Nelson (red.), The Oxford Handbook of Innovation, Oxford University Press, Oxford 2007, s. 291–317. Atkinson A.B., Stiglitz J.E., A new technological change, „Economic Journal” 1969, vol. 79, no. 315, s. 573–578. Atkinson R.D., Correa D.K., The State of the New Economy, Ewing Marion Kauffman Foundation and Information Technology & Innovation Foundation, Kansas City 2007. Literatura 427 Audretsch D., Feldman M., R&D spillovers and the geography of innovation and production, „American Economic Review” 1996, vol. 86, no. 3, s. 630–640. Audretsch D.B., Feldman M.P., R&D spillovers and the geography of innovation and production, [w:] D.B. Audretsch (red.), Entrepreneurship, Innovation and Economic Growth, Edward Elgar, Cheltenham 2006, s. 630–640. Aydalot P., Milieux innovateurs en Europe, Gremi, Paris 1986. Ayres R.U., Empirical measures of technological change on the sectoral level, „Technological Forecasting and Social Change” 1985, vol. 27, s. 229–247. Babbage Ch., On the Economy of Machinery and Manufactures, Augustus M. Kelly, New York 1963 [reprint wydania Knight, London, Boston 1832]. Baczko T. (red.), Raport o innowacyjności gospodarki Polski w 2009 roku – synteza wyników badań, Instytut Nauk Ekonomicznych PAN, Warszawa 2009. Bailey K.D., Typologies and Taxonomies: An Introduction to Classiication Techniques, Sage Publications, London 1994. Baptista R., Swann P., Do irms in clusters innovate more?, „Research Policy” 1998, vol. 27, no. 5, s. 525–540. Barbiroli G., Elaborating a technological index for the evaluation of innovation quality, „Technovation” 1989a, vol. 9, s. 101–107. Barbiroli G., The elaboration of global performance indices for evaluating durable foods, „Technovation” 1989b, vol. 9, s. 83–100. Barbiroli G., Towards a deinition and dynamic measure of strategic technology, „Technovation” 1992, vol. 12, s. 285–296. Barkley D.L., Henry M., Lee D., Innovative activity in rural areas: The importance of local and regional characteristics, „Community Development Investment Review” 2006, vol. 2, no. 3, s. 1–14. Barkley D.L., Henry M., Nair S., Regional innovation systems: Implications for nonmetropolitan areas and workers in the South, „Growth and Change” 2006, vol. 37, no. 2, s. 278–306. Barré R., Papon P., Indicators: Purpose and limitations, [w:] World Science Report 1993, UNESCO, Paris 1993. Baruk J., Zarządzanie wiedzą i innowacjami, Wydawnictwo Adam Marszałek, Toruń 2006. Basiura B., Empiryczny test jednorodności dla metody Warda w analizie skupień, praca doktorska, Akademia Ekonomiczna w Krakowie, Kraków 2007, Akademicka Biblioteka Cyfrowa-KRAKÓW, http://abc.krakow.pl. Bathelt H.A., Malmberg A., Maskell P., Cluster and knowledge: Local buzz. Global pipelines and the process of knowledge creation, „Progress in Human Geography” 2004, vol. 28, no. 1, s. 31–56. Beckman M.J., Sato R., Aggregate production function and types of technical progress, „American Economic Review” 1969, January. Beg D., Fischer S., Dornbusch R., Makroekonomia, PWE, Warszawa 2007. Benko G., Geograia technopolii, PWN, Warszawa 1993. Bessant J., Inluential Factors in Manufacturing Innovation, Research Policy, London 1982. Bessant J., Developing continuous improvement capability, „International Journal of Innovation Management” 1998, vol. 2, no. 4, s. 409–429. Białoń L., Poziom techniczny a zatrudnienie w polskim przemyśle w układzie gałęziowym, WPW, Warszawa 1976. Bierfelder W., Entstehung und Ausbreitung von technischen Neuerungen, [w:] E. Hofmeister, M. Ulbricht (red.), Von den Bereitschaft zum technischen Wandel, Siemens Aktiengesellschaft, Berlin– München 1981. Bijnen E.J., Cluster Analysis – Survey and Evaluation of Techniques, Tilburg University Press, Groningen 1973. Black J., Słownik ekonomii, Wydawnictwo Naukowe PWN, Warszawa 2008. 428 Literatura Blaug M., A survey the theory of process-innovations, „Economica” 1963, February. Bollmann P., Technischer Fortschritt und wirtschaftlicher Wandel, Physica-Verlag, Heidelberg 1990. Boni M. (red.), Polska 2030, Kancelaria Prezesa Rady Ministrów, Warszawa 2009. Borg I., Groenen P.J.F., Modern Multidimensional Scaling, Springer-Verlag, New York 1997. Borys T., Przedmiot i podział statystyki i ekonometrii – artykuł dyskusyjny, „Wiadomości Statystyczne” 1982, nr 5, s. 9–12. Borys T. (red.), Wskaźniki zrównoważonego rozwoju, Wydawnictwo Ekonomia i Środowisko, Warszawa–Białystok 2005. Borys T., Markowska M., Możliwości i problemy pomiaru wskaźnikowego innowacyjności, [w:] Z. Kłos (red.), TQM stymulatorem innowacyjności, Politechnika Poznańska, Poznań 2008 s. 23–32. Boschma R., Looking through a window of location opportunity: A long term spatial analysis of techno-industrial upheavals in Great Britain and Belgium, Tinberen Institute Research Series, 75, Rotterdam 1997. Boschma R., Frenken K., Technological relatedness and regional branching, [w:] H. Bathelt, M.P. Feldman, D.F. Kogler (red.), Beyond Territory. Dynamic Geographies of Knowledge Creation, Diffusion and Innovation, Routledge, London–New York 2011a, s. 64–81. Boschma, R., Frenken K., Technological relatedness, related variety and economic geography, [w:] P. Cooke, B. Asheim, R. Boschma, R. Martin, D. Schwartz, F. Todtling (red.), The Handbook of Regional Innovation and Growth, Edward Elgar, Cheltenham 2011b, s. 187–197. Bralczyk H., Cooke P., Heidenreich M., Regional Innovation Systems, University College London Press, London 1998. Brandt S., Analiza danych, Wydawnictwo Naukowe PWN, Warszawa 1999. Bresnahan T.F., Trajtenberg M., General purpose technologies: ‘Engines of growth’?, „Journal of Econometrics” 1995, vol. 65, s. 83–108. Brockhoff K., Abstimmungsprobleme von Marketing und Technologiepolitik, „Die Betriebswirtschaft” 1985, Nr. 45, s. 623–637. Brown M., On the Theory and Measurement of Technological Change, Cambridge University Press, Cambridge 1966. Budner W., Lokalizacja przedsiębiorstw, Wydawnictwo Akademii Ekonomicznej, Poznań 2003. Bukietyński W., Hellwig Z., Królik U., Smoluk A., Uwagi o dyskryminacji zbiorów skończonych, Zeszyty Naukowe WSE nr 21, Wydawnictwo Wyższej Szkoły Ekonomicznej, Wrocław 1969. Camagni R., The Concept of Innovative Milieu and its Relevance for Policies in European Lagging Regions, Papers in Regional Science, 1995/4, s. 317–340. Camagni R., Maillat D., Le paradigme de milieu innovateur dans l’économie spatiale contemporaine, Colloque du GREMI – Ministère de la recherche, ADICUEER, Paris 1999. Castells M., The Rise of the Network Society, Blackwell, Oxford 1998. Castro E.A., Jensen-Butler C.N., Flexibility and the Neo-classical Model in the Analysis of Regional Growth, Institute of Political Science, University of Aarhus, Aarhus 1991. Cherchye L., Moesen W., van Puyenbroeck T., Legitimately diverse, yet comparable: On synthesizing social inclusion performance in the EU, „Journal of Common Market Studies” 2004, vol. 42, no. 5, s. 919–955. Chmielewski R., Stryjakiewicz T., Twardowska J., Waloszczyk J., Innowacyjność przemysłu i jej zróżnicowanie w układzie wojewódzkim, Biuletyn KPZK PAN, z. 197, Warszawa 2001. Chomątowski S., Sokołowski A., Taksonomia struktur, „Przegląd Statystyczny” 1978, R. XXV, Z. 2, s. 217–226. Christensen C.M., The Innovator’s Dilemma. When New Technologies Cause Great Firms to Fail, Harvard Business School Press, Cambridge, MA, 1997. Christopherson S., Why do national labor market practices continue to diverge in the global economy? The “missing link” of investment rules, „Economic Geography” 2002, vol. 78, no. 1, s. 1–20. Literatura 429 Churski P., Rozwój regionalny w warunkach transformacji gospodarczej i integracji europejskiej, [w:] A. Ciok, D. Ilnicki (red.), Przekształcenia regionalnych struktur funkcjonalno-przestrzennych, t. VIII/1. Regionalny wymiar integracji europejskiej, Instytut Geograii i Rozwoju Regionalnego, Uniwersytet Wrocławski, Wrocław 2004. Churski P., Czynniki rozwoju regionalnego w świetle koncepcji teoretycznych, [w:] Gospodarka regionu na Jednolitym Rynku Europejskim. Wybrane zagadnienia, Zeszyty Naukowe Wyższej Szkoły Humanistyczno-Ekonomicznej we Włocławku, Nauki Ekonomiczne, T. XIX, Z. 3, Włocławek 2005. CIS 4: Data collection, data dissemination and additional tabulation, Doc.Eurostat/F4/STI/8. Clark N., Juma C., Evolutionary theories in economics thought, [w:] G. Dosi (red.), Technical Change and Economics Theory, Pinter Publishers, London 1988. Clarysse B., Muldur U., Regional cohesion in Europe? An analysis of how EU public RTD support inluences the techno-economic regional landscape, „Research Policy” 2001, vol. 30, no. 2, s. 275–296. Coe D., Helpman E., International spillovers, „European Economic Review” 1995, vol. 39, s. 859–887. Cohen W.M., Empirical studies of innovative activity, [w:] P. Stoneman (red.), Handbook of the Economics of Innovation and Technological Change, Blackwell, Oxford and Cambridge, MA, 1995, s. 182–264 Cohen W.M., Levin R.C., Empirical studies of innovation and market structure, [w:] R. Schmalensee, R.D. Wiling (red.), Handbook of Industrial Organization, Volume II, Elsevier Science Publishers, Amsterdam 1989, s. 1059–1107. Cole A.J., Numerical Taxonomy, Academic Press, New York 1969. Colecchia A., Innovation Indicators on the Frontline, Joint NESTI-TIP Workshop on Innovation Indicators for Policy Making and Impact Assessment, OECD 2007, http://www.oecd.org/dataoecd/20/ 14/38911899.pdf. Collins Paperback Dictionary, HarperCollins Publishers, New York 1995. Commission Regulation No 753/2004 implementing Decision No 1608/2003/EC of the European Parliament and of the Council as regards statistics on science and technology, 2004. Commission Regulation No 1450/2004 implementing Decision No 1608/2003/EC of the European Parliament and of the Council concerning the production and development of Community statistics on innovation, nr 1450/2004, 2004. Community Innovation Survey. CIS 2008 Data Collection, Working Group Meeting on Statistics on Science, Technology and Innovation, Luxembourg, 16–17 November 2009. Cooke P., Introduction: regional innovation systems – an evolutionary approach, [w:] P. Cooke, M. Heidenreich, H.-J. Bralczyk (red.), Regional Innovation Systems, Routledge, London 2004, s. 1–18. Cooke P., Morgan K., The Associational Economy: Firms, Regions and Innovation, Oxford University Press, Oxford 1998. Coombs R., Narandren P., Richards A., A literature-based innovation output indicator, „Research Policy” 1996, vol. 25, s. 403–413. Cormack R.M., A review of classiication, „Journal of the Royal Statistical Society” A 1971, vol. 134, s. 321–367. Cortright J., Mayer H., Signs of Life: The Growth of Biotechnology Centers in the U.S., Center on Urban and Metropolitan Policy, The Brookings Institution, Washington, DC, 2002. Crossing the Next Regional Frontier. Information and Analytics Linking Regional Competitiveness to Investment in a Knowledge-Based Economy, U.S. Economic Development Administration, Washington, DC, 2009. Cuntz A., Evaluation of Socio-Economic Impact in the EU: Evidence from ERAWATCH, Joint Research Centre, Directorate General Research, Luxembourg: Publications Ofice of the European Union, 2011. 430 Literatura Czekanowski J., Objective Kriterien in der Ethnologie, „Korrespondenz-blatt der Deutschen Gesellschaft für Anthropologie, Ethnologie, und Urgeschichte” 1911, Jhg. 42, s. 1–5. Czupiał J., Zarys metodologii planowania i oceny przedsięwzięć badawczo-innowacyjnych, PWN, Warszawa 1988. Czupiał J. Dwa modele przedsiębiorstwa, „Wrocławski Biuletyn Gospodarczy” 1993, nr 3, s. l–6. Czupiał J. (red.), Ekonomika innowacji, Wydawnictwo Akademii Ekonomicznej, Wrocław 1994. Czyżewska M., Działalność innowacyjna z udziałem przedsiębiorstw venture capital w Polsce, MSN Working Papers 2, Warszawa 2005. D’Ignazio A., Giovannetti E., From exogenous to endogenous economic networks: Internet applications, „Journal of Economic Survey” 2006, vol. 20, s. 757–796. David P.A., Why are institution the ‘carriers of history’? Path dependence and the evolution of conventions, organizations and institutions, „Structural Change and Economic Dynamics” 1994, vol. 5, no. 2, s. 205–220. David P.A., Foray D., An introduction to the economy of the knowledge society, „International Social Science Journal” 2002, vol. 54, no. 171, s. 9–23. Day R.H., The emergence of chaos from classical economic growth, „Quarterly Journal of Economics” 1983, vol. 98, s. 201–213. Dąbrowski J., Koładkiewicz I., Praktyki innowacyjne polskich przedsiębiorstw, Wydawnictwo WSPiZ, Warszawa 1998. De la Mothe J., Paquet G., Local and Regional Systems of Innovation, Kluwer Academic Publishers, Boston–London 1998. Decision No 1608/2003/EC of the European Parliament and of the Council of 22 July 2003 concerning the production and development of Community statistics on science and technology, OJ L 230, 16.9.2003. Decker R., Lenz H.J. (red.), Advances in Data Analysis, Springer-Verlag, Berlin 2007. Deza E., Deza M.M., Dictionary of Distances, Elsevier, Amsterdam 2006. Deza M.M., Deza E., Encyclopedia of Distances, Springer-Verlag, Berlin–Heidelberg 2009. Dicken P., Global Shift. Transforming the World Economy, Paul Chapman Publishing, London 1998. Dinges M., Berger M., Freitsch R., Kaloudis A., Monitoring sector specialisation of public and private business research and development, „Science and Public Policy” 2007, vol. 34, no. 6, s. 431–443. Doc.Eurostat/F4/STI/10. Doc.Eurostat/F4/STI/CIS/2009/8. Dodson E.N., Measurement of state of the art and technological advance, „Technological Forecasting and Social Change” 1985, vol. 27, s. 129–146. Domański R., Przestrzenna transformacja gospodarki, Wydawnictwo Naukowe PWN, Warszawa 1997. Domański R., The Innovative City, Publishing House of Poznań University of Economics, Poznań 2001. Domański R., Modyikacje teorii wzrostu gospodarczego. Wzrost endogenny, [w:] T. Czyż, H. Rogacki (red.), Współczesne problemy i koncepcje teoretyczne badań przestrzenno-ekonomicznych, Biuletyn KPZK PAN, z. 219, Warszawa 2005a, s. 179–199. Domański R., Samowzmacnianie rozwoju miast i regionów w gospodarce intensyikującej wykorzystanie wiedzy. Wnioski z nowej teorii wzrostu endogenicznego, „Przegląd Geograiczny” 2005b, z. 2, s. 131–138. Domański R., Gospodarka przestrzenna, Wydawnictwo Naukowe PWN, Warszawa 2006. Domański R., Ewolucyjna gospodarka przestrzenna, Wydawnictwo UE, Poznań 2012. Domański B., Metropolitan areas as ‘switching points’ in the networks of relationships, [w:] T. Marszał, W. Zmitrowicz (red.), Metropolises and Metropolitan Areas – Structures, Functions and Role, „Studia Regionalia” 2007, vol. 20, s. 23–31. Literatura 431 Domański R., Wierzbicki A.P., Self-organization in dynamic settlement systems, „Papers of the Regional Science Association” 1983, t. LI, s. 141–160. Dominik W., O innowacyjności – innowacje jako przedmiot obrotu gospodarczego, [w:] Określenie istoty pojęć: innowacji i innowacyjności, ze wskazaniem aktualnych uwarunkowań i odniesień do polityki proinnowacyjnej – podejście interdyscyplinarne, KIG, Warszawa 2007. Donofrio N.M., Innovation. The New Reality for National Prosperity, 21st Century Innovation Working Group, National Innovation Initiative, Council on Competitiveness, Washington, DC, 2004. Dosi G., Technological paradigms and technological trajectories: A suggested interpretation of the determinants and directions of technological change, „Research Policy” 1982, vol. 11, s. 147–162. Dosi G., Sources, procedures, and microeconomic effects of innovation, „Journal of Economic Literature” 1988a, vol. 26, s. 1117–1120. Dosi G., The nature of the innovative process, [w:] G. Dosi i.in. (red.), Technical Change and Economic Theory, Pinter, London 1988b, s. 221–238. Dosi G., Freeman Ch., The diversity of development patterns: On the process of catching-up, forging ahead and falling behind, International Economic Association Meeting, Varenna 1992. Dosi G., Orsenigo L., Macrodynamics and Microfoundations: An Evolutionary Perspective, [w:] O. Granstrand (red.), Economics of Technology, Elsevier, Amsterdam 1994, s. 91–123. Drucker P., The Age of Discontinuity. Guidelines to Our Changing Society, Transaction Publishing, New Jersey, Reprint Edition June 1992 (1969). Duda R.O., Hart P.E., Patter Classiication and Scene Analysis, J. Wiley & Sons, New York 1973. Dunham M.H., Data Mining: Introductory and Advanced Topics, Pearsons Education, Upper Saddle River, NJ, 2003. Działalność innowacyjna przedsiębiorstw przemysłowych w latach 2002–2004, Informacje i Opracowania Statystyczne, GUS, Warszawa 2006. Działalność innowacyjna przedsiębiorstw w latach 2004–2006, Informacje i Opracowania Statystyczne, GUS, Warszawa 2008. Dzierżanowski M. i in., Kierunki inwestowania w nowoczesne technologie w przedsiębiorstwach MSP, PARP, Warszawa 2007. Edquist C., Systems of innovation: perspectives and challenges, [w:] J. Fagerberg, D. Mowery, R. Nelson (red.), The Oxford Book of Innovation, Oxford University Press, Oxford 2005, s. 181–208. Edquist C., Hommen L., McKelvey M., Innovation and Employment – Process versus Product Innovation, Edward Elgar, Cheltenham 2001. Endersheim E.H., Przesłanie Druckera. Zarządzanie oparte na wiedzy, MT Biznes, Warszawa 2010. Enhancing SME Competitiveness: The OECD Bologna Ministerial Conference, OECD, Paris 2001. Enright M., Competitiveness, Innovative Clusters and Positive Externalities, referat prezentowany na the Sixth Annual Conference of the Competitiveness Institute, Gothenburg, Sweden, 17–18 September, 2003. Esposito E., Technology measurement – a composite approach, „Technological Forecasting and Social Change” 1993, vol. 43, s. 1–17. Europe 2020 Flagship Initiative Innovation Union, Communication from the Commission to the European Parliament, the Council, the European Economic and Social Committee and the Committee of the Regions, SEC(2010) 1161, Brussels, 6.10.2010, COM(2010) 546 inal, 2010. Europe 2020, The New Lisbon Strategy, Sociaal-Economische Raad, Hague 2009. European Innovation Progress Report 2006, Trend Chart, Ofice for Oficial Publications of the European Communities, Luxembourg 2006. European Innovation Progress Report 2008, European Commission, Enterprise and Industry, Pro Inno Europe, Inno Policy Trendchart, Brussels 2008, s. 17–24. European Innovation Scoreboard 2002: EU Regions, European Trend Chart on Innovation, Technical Paper No 3, European Commission, 2002. 432 Literatura European Innovation Scoreboard 2003: Indicators and Deinitions, European Trend Chart on Innovation, Technical Paper No 1, European Commission, 2003a. European Innovation Scoreboard 2003: Regional innovation performances, European Trend Chart on Innovation, Technical Paper No 3, European Commission, 2003b. European Innovation Scoreboard 2005. Comparative analysis of innovation performance. European Trend Chart on Innovation, European Commission, Brussels 2005. European Innovation Scoreboard 2006, Pro Inno Europe Paper No. 2. www.proinno-europe.eu/admin/ uploaded_documents/EIS2006_inal.pdf. 2006. European Innovation Scoreboard 2006: Strengths and Weaknesses Report, Joint Research Centre (Institute for the Protection and Security of the Citizen) of the European Commission, European Commission, Directorate-General for Enterprise and Industry, 2007. European Innovation Scoreboard 2008. Comparative Analysis of Innovation Performance, European Commission, Enterprise and Industry, Pro Inno Europe No 10, 2009. European Innovation Scoreboard: Comparative Analysis of Innovation Performance 2005, European Trend Chart on Innovation, Pro Inno Europe, www.proinno-europe.eu/extranet/admin/uploaded documents/ EIS_2005.pdf, 2005. European Innovation Scoreboard Report 2006, European Commission, Directorate-General for Enterprise and Industry, Brussels 2007. European Innovation Scoreboard Report 2007, European Commission, Directorate-General for Enterprise and Industry, Brussels 2008. European Innovation Scoreboard Report 2009, European Commission, Directorate-General for Enterprise and Industry, Brussels 2009. Everitt B.S., Cluster Analysis, Heinemann, London 1974. Everitt B.S., Landau S., Leese M., Stahl D., Cluster Analysis, John Wiley & Sons, London 2011. Executive Index of the Massachusetts Innovation Economy 2003, Massachusetts Technology Collaborative, John Adams Innovation Institute, Westborough, MA, 2003. Fagerberg J., Innovation: A guide to the literature, [w:] J. Fagerberg, D.G. Mowery, R.R. Nelson (red.), The Oxford Handbook of Innovation, Oxford University Press, Oxford 2007, s. 19–20. Fagerberg J., Godinho M.M., Innovation and catching-up, [w:] J. Fagerberg, D.G. Mowery, R.R. Nelson (red.), The Oxford Handbook of Innovation, Oxford University Press, Oxford 2007, s. 514–543. Fagerberg J., Mowery D.G., Nelson R.R. (red.), The Oxford Handbook of Innovation, Oxford University Press, Oxford 2007. Fairlie R.W., Kauffman Index of Entrepreneurial Activity 1996–2010, Kauffman the Foundation of Entrepreneurship, University of California, Santa Cruz 2011. Feldman M.P., The Geography of Innovation, Kluwer Academic Publishers, Dordrecht 1994. Feldman M.P., The new economics of innovation, spillovers and agglomeration: A review of empirical studies, „Technology” 1999, vol. 8, s. 5–25. Feldman M.P., Location and innovation: The new economic geography of innovation, spillovers, and agglomeration, [w:] G.L. Clark, M.P. Feldman, M.S. Gertler (red.), The Oxford Handbook of Economic Geography, Oxford University Press, Oxford 2000, s. 373–394. Feldman M.P., Where science comes of life: University bioscience, commercial spin-offs, and regional economic development, „Journal of Comparative Policy Analysis: Research and Practice” 2001, vol. 2, s. 345–361. Feldman M.P., Link A.N., Innovation Policy in the Knowledge-Based Economy, Springer, Berlin–New York 2001. Felix G.H., Riggs J.L., Productivity measurement by objectives, „National Productivity Review” 1983, vol. 2, no. 4. Fellner W., Two propositions in the theory of inducted innovations, „Economic Journal” 1961, vol. 71, no. 282, s. 305–308. Literatura 433 Feltynowski M., Nowakowska A., Metoda oceny potencjału innowacyjnego regionu, [w:] A. Nowakowska (red.), Zdolności innowacyjne polskich regionów, Wydawnictwo Naukowe Uniwersytetu Łódzkiego, Łódź 2009. Fengler Z., Potencjał irmy a innowacyjność, „Ekonomika i Organizacja Przedsiębiorstwa” 1991, nr 10. Ferlie E., Challis D., Davies B., Models of innovation in the social care of the elderly, „Local Government Studies” 1984, vol. 10, no. 6, s. 67–82. Fiedor B., Teoria innowacji. Krytyczna analiza współczesnych koncepcji niemarksistowskich, PWE, Warszawa 1979a. Fiedor B., Teoria innowacji, PWN, Warszawa 1979b. Final Issues of CIS 4, Working Group Meeting on Statistics on Science, Technology and Innovation, Luxembourg 2007. Fingleton B., Convergence international comparisons based on a simultaneous equation model with regional effects, „International Review of Applied Economics” 2000, vol. 14, no. 3, s. 285–306. First Steps in Measuring Regional Innovation. Baseline Sector Analysis and the Innovation Dashboard, West Midlands Regional Observatory, Birmingham 2010. Florida R., Toward the learning region, „Futures” 1995, vol. 27, s. 527–536. Florida R., Calibrating the learning region, [w:] J. de la Mothe, G. Paquet (red.), Local and Regional Systems of Innovation, Kluwer Academic Publishers, Boston–London 1998. Florida R., The learning region, [w:] Z.J. Acs (red.), Regional Innovation, Knowledge and Global Change, Pinter, London 2000. Florida R., The economic geography of talent, „Annals of the Association of American Geographers” 2002a, vol. 92, s. 743–755. Florida R., The Rise of the Creative Class, Basic Books, New York 2002b. Fraas M., Oslo Innovation Scoreboard 2004, NIFU STEP, Studies in Innovation, Research and Education, Oslo 2004. Francik A., Sterowanie procesami innowacyjnymi w organizacji, Zeszyty Naukowe, Seria Specjalna: Monograie nr 158, Wydawnictwo Akademii Ekonomicznej, Kraków 2003. Francik A., Sokołowski A., Innowacyjność w województwie małopolskim, Zeszyty Naukowe Akademii Ekonomicznej w Krakowie nr 730, Kraków 2006. Freeman Ch., The Economics of Industrial Innovation, Pinter Publishers, London 1982. Freeman Ch., The role of technical change in national economic development, [w:] A. Amin, J. Goddard (red.), Technological Change, Industrial Restructuring and Regional Development, Allen & Unwin, London 1986, s. 103–105. Freeman Ch., Changes in the National System of Innovation, OECD Directorate for Science, Technology and Industry Ministerial Meeting, OECD, Paris 1987a. Freeman Ch., Technology, Policy and Economic Performance: Lessons from Japan, Frances Printer Publishers, London, New York 1987b. Freeman Ch., National Systems of Innovation: New Technology and International Leadership, IFIAS, The New Economics, Ontario, Canada, SPRU, October 1988. Freeman Ch., Formal Scientiic and Technical Institutions in the National System of Innovation, [w:] B.Å. Lundvall (red.), National Systems of Innovation: Towards a Theory of Innovation and Interactive Learning, Pinter Publishers, London 1992a. Freeman Ch., Science and the Growth of the West, British Gas Technology White Paper, 1992b. Freeman Ch., The economics of technical change, „Cambridge Journal of Economics” 1994, vol. 18, s. 463–514. Freeman Ch., ‘National System of Innovation’ in historical perspective, [w:] D. Archibugi, J. Michie (red.), Technology, Globalisation and Economic Performance, Cambridge University Press, Cambridge 1997. Freeman Ch., Perez C., Structural crises adjustment, business cycles and investment behavior, [w:] Ch. Freeman (red.), The Long Wave Theory. An Elgar Reference Collection, Edward Elgar, Cheltenham 1988, s. 243–270. 434 Literatura Freeman Ch., Soete L., Developing science, technology and innovation indicators: What we can learn from the past, UNU-MERIT Working Papers, 2007, http://www.merit.unu.edu/publications/wppdf/2007/wp 2007-001.pdf, 2007a. Freeman Ch., Soete L., Science, technology and innovation indicators: The twenty irst century challenges, [w:] Science, Technology and Innovation Indicators in a Changing World: Responding to Policy Needs, OECD, Paris 2007b. Frietsch R., Comments on the European Innovation Scoreboard 2005, Fraunhofer ISI, 2005. Fujita M., Krugman P., Venables A.J., The Spatial Economy: Cities, Regions and International Trade, The MIT Press, Cambridge, MA, London 1999. Gaczek W.M., Innowacyjność jako czynnik podnoszenia konkurencyjności gospodarki regionu, [w:] W.M. Gaczek (red.), Innowacje w rozwoju regionu, Wydawnictwo Akademii Ekonomicznej, Poznań 2005, s. 9–29. Gaczek W.M., Gospodarka oparta na wiedzy w regionach europejskich, Studia KPZK PAN, t. 118, Warszawa 2009. Gagacka M., Kapitał ludzki i społeczny a innowacyjność mikroprzedsiębiorstw, [w:] K. Piech, E. Skrzypek (red.), Wiedza w gospodarce, społeczeństwie, przedsiębiorstwach: pomiary, charakterystyka, zarządzanie, Instytut Wiedzy i Innowacji, Warszawa 2007. Galar R., Gospodarka oparta na wiedzy i innowacje przełomowe, [w:] A. Kukliński (red.), Gospodarka oparta na wiedzy – wyzwania dla Polski XXI wieku, Warszawa 2001. Gates B., How to make America maintain its competitiveness, „Wall Street Journal” 2007, 25 lutego. Gatnar E., Charakterystyka klas w taksonometrii, „Przegląd Statystyczny” 2002, R. XLIX, z. 4, s. 35–42. Gawlikowska-Hueckel K., Procesy rozwoju regionalnego w Unii Europejskiej. Konwergencja czy polaryzacja, Wydawnictwo Uniwersytetu Gdańskiego, Gdańsk 2003. Geodecki T., Pomiar innowacyjności gospodarki przy użyciu pośrednich i bezpośrednich wskaźników innowacji, „Zarządzanie Publiczne” 2008, nr 3 (5), s. 27–50. Gertler M.S., Tacit knowledge and the economic geography of context, or the undeinable tacitness of being (there), „Journal of Economic Geography” 2003, vol. 3, no. 1, s. 75–99. Gertler M.S., Manufacturing Culture: The Institutional Geography of Industrial Practice, Oxford University Press, Oxford 2004. Giannakopoulou L., Developing new indicators on innovation: A systems oriented approach, [w]: 21st CEIES Seminar Innovation Statistics – More Than R&D Indicators Athens, 10 and 11 April 2003, Ofice for Oficial Publications of the European Communities, Luxembourg 2003. Gillespie A., Richardson R., Cornford J., Regional development and the new economy, referat przedstawiony na European Investment Bank Conference, Luxembourg, January, 2001, http://www.e-global.es/017/017_gillespie_regional.pdf. Glaeser E.L., The new economics of urban and regional growth, [w:] G.L. Clark, M.P. Feldman, M.S. Gertler (red.), The Oxford Handbook of Economic Geography, Oxford University Press, Oxford 2000, s. 83–98. Global Competitiveness Report 2009–2010, World Economic Forum, Geneva 2009. Global Innovation Index 2007, Confederation of Indian Industry, INSEAD, The Business School for the World, Delhi 2007. Global Innovation Index 2008–2009, Confederation of Indian Industry, INSEAD, The Business School for the World, Delhi 2009. Global Innovation Index 2009–10, Confederation of Indian Industry, INSEAD, The Business School for the World, Delhi 2010. Global Innovation Scoreboard 2006 Report, European Commission, Directorate-General for Enterprise and Industry, Brussels 2007. Literatura 435 Gluszynski T., Peters V., Survey of Earned Doctorates: A Proile of Doctoral Degree Recipients, Culture, Tourism and the Centre for Education Statistics research papers, catalogue no 81-595MIE2005032, Statistics Canada, Ottawa 2005. Godin B., Are Statistics Really Useful? Myths and Politics of Science and Technology Indicators, Project on the History and Sociology of S&T Statistics, Working Paper no. 20, 2002. Godin B., The Who, What, Why and How of S&T Measurement, Project on the History and Sociology of S&T Statistics, Working Paper no. 26, 2004. Godin B., Measurement and Statistics on Science and Technology: 1920 to the Present, Routledge, London–New York 2005. Godin B., The Invention of Innovation: William F. Ogburn and the Use of Invention, Project on the Intellectual History of Innovation, INRS, Montreal 2009. Godin B., Doré Ch., Measuring the Impacts of Science: Beyond the Economic Dimension, INRS, Montreal 2005. Godlewska H., Lokalizacja działalności gospodarczej, Dom Wydawniczy Elipsa, Warszawa 2001. Goldberg I., Polska a gospodarka oparta na wiedzy. W kierunku zwiększania konkurencyjności Polski w Unii Europejskiej, The World Bank, Washington, DC, 2004. Gomułka S., Teoria innowacji i wzrostu gospodarczego, Wydawnictwo CASE, Warszawa 1998. Gomułka M., Innowacyjność polskiego przemysłu, [w:] M.A. Weresa (red.), Polska. Raport o konkurencyjności 2006. Rola innowacji w kształtowaniu przewag konkurencyjnych, Oicyna Wydawnicza Szkoły Głównej Handlowej, Warszawa 2006. Goodman R.A., Lawless M.W., Technology and Strategy. Conceptual Models and Diagnostics, Oxford University Press, New York–Oxford 1994. Gordon A.D., Classiication, Chapman & Hall/CRC, Boca Raton 1999. Gordon J., Jak utorować drogę innowacjom, „Życie Gospodarcze” 1978, nr 31. Gordon Th.J., Munson Th.R., A proposed convention for measuring the state of the art of products or processes, „Technological Forecasting and Social Change”, 1981, vol. 20, s. 1–26. Gorzelak G., Statystyczna analiza porównawcza – teoria i praktyka, „Wiadomości Statystyczne” 1981, nr 8, s. 16–19. Gorzelak G., Olechnicka A., Innowacyjny potencjał polskich regionów, [w:] L. Zienkowski (red.), Wiedza a wzrost gospodarczy, Wydawnictwo Naukowe Scholar, Warszawa 2003. Gould P.R., Spatial diffusion, Resource paper no. 4, Association of American Geographers, Washington, DC, 1969. Grabher G., The project ecology of advertising: Tasks, talents and teams, „Regional Studies” 2002, vol. 36, no. 3, s. 245–262. Grabiński T., Dynamiczne modele analizy taksonomicznej, praca doktorska, Akademia Ekonomiczna, Kraków 1975 [maszynopis powielony]. Grabiński T., Wielowymiarowa analiza porównawcza w badaniach dynamiki zjawisk ekonomicznych, Zeszyty Naukowe Akademii Ekonomicznej w Krakowie, Seria Specjalna: Monograie, nr 61, Wydawnictwo Akademii Ekonomicznej, Kraków 1984. Grabiński T., Ludwiczak B., Malina A., Zeliaś A., Ekonometria przestrzenna, PWE, Warszawa 1991. Grabiński T., Malina A., Zeliaś A., Metody analizy danych empirycznych na podstawie szeregów przekrojowo-czasowych, Wydawnictwo Akademii Ekonomicznej, Kraków 1990. Grabiński T., Wydymus S., Zeliaś A., Metody taksonomii numerycznej w modelowaniu zjawisk społeczno-gospodarczych, PWN, Warszawa 1989. Greunz L., The Technology Gap and European Regional Growth Dynamic, [w:] B. Fingleton (red.), European Regional Growth, Springer-Verlag, Berlin 2003, s. 241–266. Grifin R.W., Podstawy zarządzania organizacjami, Wydawnictwo Naukowe PWN, Warszawa 1996. Griliches Z., Hybrid corn: an exploration in the economics of technological change, „Econometrica” 1957, vol. 25, no. 4, s. 501–522. 436 Literatura Griliches, Z., Research cost and social returns: Hybrid corn and related innovations, „Journal of Political Economy” 1958, vol. 66, no. 5. Griliches Z., Discussion of Mansield’s rate of return from industrial research and development, „American Economic Review” 1965, vol. 55, s. 344–345. Griliches Z., The search for R&D spillovers, „Scandinavian Journal of Economics” 1992, vol. 94, s. 29–47. Gronau M. (red.), Technologien für Mikrosysteme – Stand und Entwicklung, VDI-Verlag, Düsseldorf 1993. Grossekettler H., Wettbewerbsttheorie, [w:] M. Borchert, H. Grossekettler (red.), Preis- und Wettbewerbstheorie. Marktprozesse analytisches Problem und ordnungspolitische Gestaltungsaufgabe, Verlag W. Kohlhammer, Stuttgart 1985, s. 113–335. Grossman G., Helpman E., Innovation and Growth in the Global Economy, MIT Press, Cambridge, MA, 1991. Grossman G., Helpman E., Endogenous innovation in the theory of growth, „Journal of Economic Perspective” 1994, vol. 8, s. 23–44. Grübler A., Nowotny H., Towards the ifth Kondratiev upswing: Elements of an emerging new growth phase and possible development trajectories, „International Journal of Technology Management” 1990, vol. 5, no. 4, s. 431–471. Grudzewski W.M., Hejduk I.K., Innowacyjność w technice i technologii źródłem przewagi konkurencyjnej małych i średnich przedsiębiorstw, Instytut Funkcjonowania Gospodarki Narodowej SGH, Warszawa 2002. Grupp H., Foundations of the Economics of Innovation. Theory, Measurement and Practice, Edward Elgar, Chelthenham, UK, and Northampton, MA, USA, 1998. Grupp H., How Robust Are Composite Innovation Indicators for Evaluating the Performance of National Innovation Systems?, University of Karlsruhe and Fraunhofer ISI, 2006. Grupp H., Mogee M.E., Indicators for national science and technology policy: How robust are composite indicators, „Research Policy” 2004, vol. 33, no. 9, s. 1373–1384. Guide Book STRINNOP. How to Strengthen the Regional Innovation Proile – A Pragmatic Approach, www. strinnop.net. Guzik R., Przestrzenne zróżnicowanie potencjału innowacyjnego w Polsce, [w:] M. Górzyński, R. Woodward (red.), Innowacyjność polskiej gospodarki, Zeszyty Innowacyjne 2, CASE – Centrum Analiz Społeczno-Ekonomicznych, Warszawa 2004, s. 33–36. Hage J., Dewar R., Elite values versus organizational structure in predicting innovation, „Administrative Science Quarterly” 1973, vol. 18, s. 279–290. Hagen E., On the Theory of Social Change: How Economic Growth Begins, Dorsey Press, Homewood 1962. Haggett P., Geography: A Global Synthesis, Prentice Hall, New York 2001. Hair J.F. Jr, Black W.C., Babin B.J., Anderson R.E., Tatham R.L., Multivariate Data Analysis, Pearson Education International, Upper Saddle River, NJ, 2006. Handbook on Constructing Composite Indicators, OECD, Paris 2008. Harman A.J., The International Computer Industry. Innovation and Comparative Advantage, Harvard University Press, Cambridge, MA, 1971. Harrod R.F., Toward a Dynamic Economics, London 1956. Hartigan J.A., Clustering Algorithms, J. Wiley & Sons, New York 1975. Hastie T., Tibshirani R., Friedman J.R., The Elements of Statistical Learning, Springer, New York 2001. Hayter R., The Dynamic of Industrial Location. The Factory, the Firm and Production System, John Wiley & Sons, Chichester 1997. Hellwig Z., Zastosowanie metody taksonomicznej do typologicznego podziału krajów ze względu na poziom ich rozwoju oraz zasoby i strukturę wykwaliikowanych kadr, „Przegląd Statystyczny” 1968, R. XV, z. 4, s. 307–327. Literatura 437 Henderson J., Abraham B., Can rural America support a knowledge economy?, Federal Bank of Kansas City’s Economic Review, Third Quarter: 2004, s. 71–96. Hicks J.R., The Theory of Wages, Macmillan, London 1932. Holland D., Wechselwirkung von ökonomischer Dynamik und Theoriendynamik, Dissertation B (Habilitationsschrift), Humboldt Universität, Berlin 1988. Hollanders H., European Regional Innovation Scoreboard (2006 RIS), European Trend Chart on Innovation, European Commission, 2006a. Hollanders H., Trend Chart Methodology Report, Searching the forest for the trees: “Missing” indicators of innovation, MERIT – Maastricht Economic Research Institute on Innovation and Technology, European Trend Chart on Innovation, 2006b. Hollanders H., European Innovation Scoreboard (EIS): Evolution and Lessons Learnt, Innovation Indicators for Latin America Workshop, OECD, March 19, 2009. Hollanders H., Arundel A., European Sector Innovation Scoreboard, European Commission, December, 2005. Hollanders H., Esser F.C., Measuring Innovation Eficiency, http://www.proinnoeurope.eu/admin/uploaded_documents/eis_2007_Innovation_eficiency.pdf, 2007. Hollanders H., Kanerva M., Service Sector Innovation: Measuring Innovation Performance for 2004 and 2006 Using Sector Speciic Innovation Indexes, Inno Metrics Statistical Paper, February 2009. Hollanders H., Tarantola S., Loschky A., Regional Innovation Scoreboard 2009: Methodology Report, Pro Inno Metrics, Inno Metrics, Maastricht 2009a. Hollanders H., Tarantola S., Loschky A., Regional Innovation Scoreboard (RIS) 2009, Pro Inno Europe InnoMetrics, Luxembourg 2009b. Hollanders H., van Cruysen A., Rethinking the European Innovation Scoreboard: A New Methodology for 2008–2010, Pro Inno Europe, Inno Metrics, 2008. Holzinger K.J., Harman H.H., Factor analysis, University of Chicago Press, Chicago 1941. Hosking D.M., Anderson N.R. (red.), Organizational Change and Innovation: Psychological Perspectives and Practices in Europe, Routledge, London 1992. Hosking D.M., Morley I., A Social Psychology of Organizing, Harvester Wheatsheaf, London 1991. Hounshell D., The medium is the message, or how context matters: The RAND Corporation builds on economics of innovation, 1946–1962, [w:] T.P. Hughes, A. Hughes (red.), Systems, Experts, and Computers, MIT Press and the Dibner Institute, Cambridge, MA, 2000. Hutzler W.P., Nelson J.R., Pei R.Y., Francisco C.M., Nonnuclear ari-to-surface ordnance for the future: An approach to propulsion technology risk assessment, „Technological Forecasting and Social Change” 1985, vol. 27, s. 197–227. Index of Innovation and Technology 2004. TRI-CITIES, Washington, Paciic Northwest National Laboratory, Richland, July 2004. Index of the Massachusetts Innovation Economy 1997, Massachusetts Technology Collaborative, John Adams Innovation Institute, Westborough, MA, 1997. Index of the Massachusetts Innovation Economy 1998, Massachusetts Technology Collaborative, John Adams Innovation Institute, Westborough, MA, 1998. Index of the Massachusetts Innovation Economy 1999, Massachusetts Technology Collaborative, John Adams Innovation Institute, Westborough, MA, 1999. Index of the Massachusetts Innovation Economy 2000, Massachusetts Technology Collaborative, John Adams Innovation Institute, Westborough, MA, 2000. Index of the Massachusetts Innovation Economy 2001, Massachusetts Technology Collaborative, John Adams Innovation Institute, Westborough, MA, 2001. Index of the Massachusetts Innovation Economy 2002, Massachusetts Technology Collaborative, John Adams Innovation Institute, Westborough, MA, 2002. Index of the Massachusetts Innovation Economy 2004, Massachusetts Technology Collaborative, John Adams Innovation Institute, Westborough, MA, 2004. 438 Literatura Index of the Massachusetts Innovation Economy 2005, Massachusetts Technology Collaborative, John Adams Innovation Institute, Westborough, MA, 2005. Index of the Massachusetts Innovation Economy 2007, Massachusetts Technology Collaborative, John Adams Innovation Institute, Westborough, MA, 2007. Index of the Massachusetts Innovation Economy 2008, Massachusetts Technology Collaborative, John Adams Innovation Institute, Westborough, MA, 2008. Index of the Massachusetts Innovation Economy 2009, Massachusetts Technology Collaborative, John Adams Innovation Institute, Westborough, MA, 2009. Industrial Development Report. Capability Building for Catching-Up, UNIDO, Historical, Empirical and Policy Dimensions, UNIDO, Vienna 2005. Ingham G., Some recent changes in the relationship between economics and sociology, „Cambridge Journal of Economics” 1996, vol. 20, no. 4, s. 243–275. Innobarometer. Analytical Report 2007, http://www.proinno-europe.eu/admin/uploaded_documents/ Fl215_Analytical_Report_2007.pdf, 2006. Innobarometer Innovation in 2003: Experience and Priorities of European Managers, European Commission, Directorate General, Press and Communication, September 2004. Innobarometer on cluster’s role in facilitating innovation in Europe, http://ec.europa.eu/public_opinion/lash/l_187_en.pdf, 2008. Innovate America, National Innovation Initiative Summit and Report, Council on Competitiveness, 2005. Innovation and industry. Leaps of faith. Innovators break all the rules. Trust them, „The Economist” 1999, February 18th. Innovation Indicators, DSTI/EAS/STP/NESTI(2008)14, 2008. Innovation Indicators. Report to the Council for Labor and Economic Growth, Michigan Department of Labor & Economics Growth, Bureau of Labor Market Information and Strategic Initiatives, Michigan, 2007. Innovation Indicators: Some Proposals and Preliminary Results Based on the NIND Project, DSTIEAS-STP NESTI(2007)16-ENG, 2007. Innovation Ireland: Ireland – the Smart Economy, Report the Innovation Taskforce, Department of the Taoiseach, Stationery Ofice, Dublin 2010. Innovation Union Scoreboard 2010. The Innovation Union’s Performance Scoreboard for Research and Innovation, Pro Inno Europe, Inno Metrics, 2011. Innovation Union Scoreboard 2011. The Innovation Union’s Performance Scoreboard for Research and Innovation, Pro Inno Europe, Inno Metrics, 2012. Innovation: Transforming the way business creates, Economist Intelligence Unit, Cisco, May 2007. Innowacyjność polskich spółek giełdowych, PricewaterhouseCoopers, GPW w Warszawie, Warszawa 2008. Jaffe A., Trajtenberg M., Henderson R., Geographical localization of knowledge spillovers as evidenced by patent citation, „Quarterly Journal of Economics” 1993, vol. 108, s. 577–598. Jain A.K., Dubes R.C., Algoritms for Clustering Data, Prentice Hall, Englewood Cliffs, NJ, 1988. Jajuga K., Zbiory rozmyte w zagadnieniu klasyikacji, „Przegląd Statystyczny” 1984, nr 3–4, s. 237– –250. Jajuga K., Walesiak M., Bąk A., On the generalized distance measure, [w:] M. Schweiger, O. Opitz (red.), Exploratory Data Analysis in Empirical Research, Springer-Verlag, Heidelberg 2003. Janasz W., Innowacyjne strategie rozwoju przemysłu, Fundacja na rzecz Uniwersytetu Szczecińskiego, Szczecin 1999. Janasz W., Kozioł K., Determinanty działalności innowacyjnej przedsiębiorstw, PWE, Warszawa 2007. Janasz W., Leśkiewicz I., Identyikacja i realizacja procesów innowacyjnych w przedsiębiorstwie, Wydawnictwo Uniwersytetu Szczecińskiego, Szczecin 1995. Literatura 439 Jardine N., Sibson R., Mathematical Taxonomy, Wiley & Sons, New York 1975. Jasiński A.H., Innowacje i polityka innowacyjna, Wydawnictwo Uniwersytetu w Białymstoku, Białystok 1997. Jewtuchowicz A., Terytorium i współczesne dylematy jego rozwoju, Wydawnictwo Uniwersytetu Łódzkiego, Łódź 2005. Jewtuchowicz A. (red.), Region w gospodarce opartej na wiedzy, Wydawnictwo Uniwersytetu Łódzkiego, Łódź 2007. Johnson J.M., Human Resources for Science & Technology: The European Region, National Science Foundation, 1996, http://www.nsf.gov/statistics/nsf96316/pdfstart.htm. Johnston R., Technical Progress and Innovation, Oxford Economic Papers 1966, no. 18, s. 158–176. Jorgenson D.W., Griliches Z., The explanation of productivity change, „Review of Economic Studies” 1967, vol. 34, no. 3, s. 249–283. Juchniewicz M., Grzybowska B., Innowacyjność mikroprzedsiębiorstw w Polsce, PARP, Warszawa 2010. Kaiser H.F., The Varimax criterion for analytic rotation in factor analysis, „Psychometrika” 1958, vol. 23, s. 187–200. Kaldor N., The irrelevance of equilibrium economics, „Economic Journal” 1972, vol. 83, s. 1237–1255. Kalisiak J., Nowy produkt. Planowanie i organizacja, PWN, Warszawa 1975. Kamien M.I., Schwartz N.L., Market Structure and Innovation, Cambridge University Press, Cambridge 1982. Kanerva M., Hollanders H., Arundel A., 2006 TrendChart Report: Can we measure and compare innovation in services?, European Trend Chart on Innovation, European Commission, 2006. Kasprzyk S., Innowacje. Od koncepcji do produkcji, IW CRZZ, Warszawa 1980. Katz L.M., Shapiro C., Technology adoption in the presence of network externalities, „Journal of Political Economy” 1986, vol. 94, no. 41, s. 822–841. Kaufman L., Rousseeuw P., Finding Groups in Data: An Introduction to Cluster Analysis, J. Wiley & Sons, New York 1990. Keller W., The Geography and Channels of Diffusion at the World’s Technology Frontier, NBER Working Paper 2001, http://ideas.repec.org/p/nbr/nberwo/8150.html. Kendrick J.W., Total factor productivity – what it does and does not measure, [w:] Technology and Productivity – The Challenge for Economics Policy, OECD, Paris 1991, s. 49–156. Kierunki zwiększania innowacyjności gospodarki na lata 2007–2013, Ministerstwo Gospodarki, Warszawa 2006. Kimberly J.R., Evanisko M.J., Organizational innovation: The inluence of individual, organizational and contextual factors on hospitals adoption of technological and administrative innovations, „Academy of Management Journal” 1981, vol. 24, s. 689–713. King N., Modelling the innovation process: An empirical comparison of approaches, „Journal of Occupational and Organizational Psychology” 1992, vol. 65, s. 89–100. King N., Anderson N.R., Innovation and Change in Organizations, Routledge, London 1995. Klincewicz K., Polska innowacyjność. Analiza bibliometryczna, Wydawnictwo Naukowe Wydziału Zarządzania Uniwersytetu Warszawskiego, Warszawa 2008. Knight Ch., Knowledge is power. A view of the productive forces of modern society and the results of labor capital and skill, John Murray, London 1857. Knight K.E., A functional and structural measurement of technology, „Technological Forecasting and Social Change” 1985, vol. 27, s. 107–127. Knowledge Assessment Methodology (KAM), World Bank Institute, World Bank, Washington, DC, 2006. Knowledge Management in the Learning Society, Educations and Skills, Centre for Educational Research and Innovation, OECD, Paris 2000. 440 Literatura Komorowski J.W., Uwarunkowania innowacyjności w przestrzeni miast i regionów, [w:] W.M. Gaczek (red.), Innowacje w rozwoju regionu, Wydawnictwo Akademii Ekonomicznej, Poznań 2005, s. 51–80. Komunikat Komisji Europejskiej – dokument konsultacyjny w sprawie pomocy państwa na rzecz innowacji, KOM(2005) 436, końcowy, Komisja Wspólnot Europejskich, Bruksela 2005. Kondratiev N.D., The long waves in economic life, „The Review of Economic Statistics” 1935, vol. 17, no. 6, s. 105–115. Koo J., Knowledge-based industry clusters: Evidenced by geographical patterns of patents in manufacturing, „Urban Studies” 2005, vol. 42, no. 9, s. 1487–1505. Koopmans T.C., Measurement without theory, „Review of Economics and Statistics” 1947, vol. 29, no. 3, s. 161–172. Kopaliński W., Słownik wyrazów obcych i zwrotów obcojęzycznych, Wiedza Powszechna, Warszawa 1994. Kopczewska K., Ekonometria i statystyka przestrzenna z wykorzystaniem programu R, CeDeWu, Warszawa 2007. Korenik D., Korenik S., Stosunki samorządowo-bankowe a rozwój w przestrzeni społeczno-ekonomicznej, CeDeWu, Warszawa 2006. Korenik S., Szołek K. (red.), Konkurencyjność i potencjał rozwoju polskich metropolii – szanse i bariery, Biuletyn KPZK PAN, z. 214, Warszawa 2004. Kot S.M., Karska A., Zając K., Matematyczne modele procesów dyfuzji innowacji, Wydawnictwo Naukowe PWN, Warszawa 1993. Kotler Ph., Marketing. Analiza, planowanie, wdrażanie i kontrola, Gebethner i S-ka, Warszawa 1994. Kozłowski J., Intellectual capital, knowledge management and intellectual products in the light of catalogue and abstract data basis, [w:] S. Kwiatkowski, Ch. Stowe (red.), Knowledge Café for Intellectual Product and Intellectual Capital, Leon Kozminski Academy of Entrepreneurship and Management, Warsaw 2001, s. 25–64. Kozłowski J., Statystyka nauki, techniki i innowacji w krajach UE i OECD. Stan i problemy rozwoju, Departament Strategii MNiSW, Warszawa 2010. Krelle W., Theorie des wirtschaftlichen Wachstums unter Berücksichtigung von erschöpfbaren Ressourcen, Geld und Aussenhandel, Springer-Verlag, Berlin 1985. Kroll H., Stahlecker T., Europe’s Regional Research Systems: Current Trends and Structures, European Commission, European Research Area, Directorate-General for Research Capacities, Brussels 2009. Krugman P., Increasing returns and economic geography, „Journal of Political Economy” 1991, vol. 99, no 3, s. 483–499. Krugman P., Complex landscape in economic geography, „American Economic Review” 1994, vol. 84, no. 2, s. 412–416. Krugman P., Development Geography, and Economic Theory, Ohlin Lectures, MIT Press, Cambridge– London 1995. Krugman P., Venables A., Globalization and inequality of nations, „Quarterly Journal of Economics” 1995, vol. 110, no. 4, s. 857–880. Krzykała F., Wprowadzenie do socjologii przedsiębiorstwa przemysłowego, PWE, Warszawa 1975. Kudłacz T., Programowanie rozwoju regionalnego, Wydawnictwo Naukowe PWN, Warszawa 1999. Kukliński A., Gospodarka oparta na wiedzy, jako wyzwanie dla Polski XXI wieku, KBN, Warszawa 2001. Kukuła K., Metoda unitaryzacji zerowanej, Wydawnictwo Naukowe PWN, Biblioteka Ekonometryczna, Warszawa 2000. Kuznets S., Economic Growth and Structure: Selected Essays, Norton, New York 1966. Kuznets S., Six Lectures on Economic Growth, The Free Press of Glencoe, Chicago 1959. Literatura 441 Lall S., Competitiveness indices and developing countries: An economic evaluation of the global competitiveness report, „World Development” 2001, vol. 29, no. 9, s. 1501–1525. Lall S., Pietrobelli C., Failing to Compete: Technology Development and Technology Systems in Africa, Edward Elgar, Cheltenham 2002. Landes D., The Wealth and Poverty of the Nations, Little, Brown and Company, London 1998. Lane D., Maxield R., Foresight, complexity, and strategy, [w:] W.B. Arthur, S.N. Durlauf, D.A. Lane (red.), The Economy as an Evolving Complex System II, Westview Press, Santa Fe 1997, s. 169–198. Lange O., Uwagi o innowacjach, [w:] Pisma społeczne i ekonomiczne 1930–1960, Warszawa 1961. Latour B., Lepinay V.A., The Science of Passionate Interests: An Introduction to Gabriel Tarde’s Economic Anthropology, Prickly Paradigm Press, Chicago 2009. Lee D., Regional innovation systems (RIS) in the U.S. South: The role of characteristics of RIS on rural development, praca doktorska, Department of Applied Economics and Statistics, Clemson University, http://etd.lib.clemson.edu/documents/1171905659/umi-clemson-1064.pdf, 2006. Lenz R.A., A heuristic approach to technology measurement, „Technological Forecasting and Social Change” 1985, vol. 27, s. 249–264. Lepori B., van den Besselaar P., Dinges M., Potì B., Reale E., Slipersaeter S., Thèves J., van der Meulen B., Comparing the evolution of national research policies: What patterns of change?, „Science and Public Policy” 2007, vol. 34, no. 6, s. 372–388. Leydesdorff L., Fritsch M., Measuring the Knowledge Base of Regional Innovation Systems in Germany in Terms of a Triple Helix Dynamics, Fifth International Triple Helix Conference, Torino, 18–21 May 2005. Leyshon A., Thrift N.J., Money/Space Geographies of Monetary Transformation, Routledge, London 1997. Lienhard J.H., Some ideas about growth and quality in technology, „Technological Forecasting and Social Change” 1985, vol. 27, s. 265–281. Lipsey R.G., Bekar C., Carlaw K., What requires explanation, [w:] E. Helpman (red.), General Purpose Technologies and Economics Growth, MIT Press, Cambridge, MA, 1998, s. 15–54. List F., The National System of Political Economy, Longman, London 1904. Littler C., Technology, innovation and the labour-management strategies, [w:] K. Urabe, J. Child, T. Kagono (red.), Innovation and Management, International Comparisons, Walter de Gruyter, Berlin–New York 1988. Lösch A., Gospodarka przestrzenna. Teoria lokalizacji, PWE, Warszawa 1961. Lucas R.E., Expectations and the neutrality of money, „Journal of Economic Theory” 1972, vol. 4, s. 103–124. Lucas R.E., On the mechanics of economic development, „Journal of Monetary Economics” 1988, vol. 22, no 1, s. 3–42. Lucas R.E., Why doesn’t capital low from rich to poor countries?, „American Economic Review” 1990, vol. 80, no. 2, s. 92–96. Lundvall B.-Å., Innovation as an interactive process: From user-producer interaction to the national innovation system, [w:] D. Dosi, Ch. Freeman, G. Silverberg, L. Soete (red.), Technical Change and Economic Theory, Frances Pinter, London 1988. Lundvall B.-Å., The learning economy: Challenges to economic theory and policy, [w:] K. Nielsen, B. Johnson (red.), Institutions and Economic Change: New Perspectives on Markets, Firms and Technology, Edward Elgar, Cheltenham, UK, and Lyme, USA, 1998, s. 33–56. Lundvall B.-Å. (red.), National Systems of Innovation: Towards a Theory of Innovation and Interactive Learning, Pinter Publishers, London 1992. Lundvall B.-Å., Borrás S., The Globalizing Learning Economy: Implications for Innovation Policies, Targeted Socio-Economic Research, Commission of the European Union, DG XII, Brussels 1998. 442 Literatura Lundvall B.-Å., Johnson B., The learning economy, „Journal of Industry Studies” 1994, vol. 1, no. 2, s. 23–42. Lundvall B.-Å., Maskell P., Nation states and economic development – from national systems of production to national systems of knowledge creation and learning, [w:] G.L. Clark, M.P. Feldman, M. Gertler S. (red.), The Oxford Handbook of Economic Geography, Oxford University Press, Oxford 2000, s. 353–372. Łoboda J., Rozwój przestrzenny telewizji w Polsce, „Czasopismo Geograiczne” 1969, R. 40, z. 4, s. 473–476. Łoboda J., Wprowadzenie do teorii dyfuzji przestrzennej, „Przegląd Zagranicznej Literatury Geograicznej” 1975, nr 1–2. Łoboda J., Rozwój koncepcji i modeli przestrzennej dyfuzji innowacji, Acta Universitatis Wratislaviensis no. 585, Studia Geograiczne 37, Wydawnictwo Uniwersytetu Wrocławskiego, Wrocław 1983. Madej Z., Nauka i rozwój gospodarczy, PWE, Warszawa 1970. Main Deinitions and Conventions for the Measurement of Research and Experimental Development (R&D): A Summary of the Frascati Manual 1993, OECD/GD(94)84, 1993. Majer H., Technology measurement: The functional approach, „Technological Forecasting and Social Change” 1985, vol. 27, s. 335–351. Malerba F., Learning by irms and incremental technical change, „Economic Journal” 1992, vol. 102, no. 413, s. 845–859. Malina A., Wielokryterialna taksonomia w analizie porównawczej struktur gospodarczych Polski, [w:] A. Zeliaś (red.), Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych, Wydawnictwo Akademii Ekonomicznej, Kraków 2002, s. 305–312. Malmberg A., Maskell P, The elusive concept of localization economic: Towards a knowledge-based theory of spatial clustering, „Environment & Planing” A 2002, vol. 34, no. 3, s. 429–449. Mansield E., Czy prace badawcze i rozwojowe przyczyniają się do wzrostu gospodarczego?, „Zagadnienia Naukoznawstwa” 1974, nr 1. Mansield E., Rates of return from industrial research and development, „American Economic Review” 1965, vol. 55, s. 310–322. Mansield E., Industrial Research and Technological Innovation: An Econometric Analysis, W.W. Norton & Co., New York 1968a. Mansield E., The Economics of Technological Change, W.W. Norton & Co., New York 1968b. Mansield E., Rapport J., Romeo A., Wagner S., Beardsley G., Social and private rates of return from industrial innovation, „Quarterly Journal of Economics” 1977, vol. 77, no. 91, s. 221–240. Maraut S., Dernis H., Webb C., Spiezia V., Guellec D., The OECD REGPAT Database: A Presentation, OECD Science, Technology and Industry Working Papers 2008/2, OECD, 2009. Marburger J.H., Wanted: Better benchmarks, „Science” 2005, vol. 308, no. 5725, s. 1087. Markowska M., Wdrażanie regionalnych strategii innowacji i ich rola w podnoszeniu konkurencyjności regionu, [w:] A. Rapacz (red.), Przestrzeń a środowisko. Konkurencyjność przedsiębiorstw, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1095, Wydawnictwo Akademii Ekonomicznej, Wrocław 2005. Markowska M., Innowacyjność regionów Polski na tle regionów UE (w świetle mierników European Innovation Scoreboard), [w:] S. Pangsy-Kania (red.), Wiedza i innowacje w rozwoju polskich regionów: siły motoryczne i bariery, Fundacja Rozwoju Uniwersytetu Gdańskiego, Gdańsk 2007, s. 49–66. Markowska M., Innowacyjność polskich regionów – ujęcie dynamiczne, [w:] K. Miszczak, Z. Przybyła (red.), Nowe paradygmaty gospodarki przestrzennej, Biuletyn PAN, Z. 236, Warszawa 2008a, s. 94–107. Markowska M., Wykorzystanie miary Braya–Curtisa do oceny zmian w innowacyjności europejskiej przestrzeni regionalnej, J. Dziechciarz (red.), Zastosowania metod ilościowych, Prace Naukowe Literatura 443 Uniwersytetu Ekonomicznego nr 7 (1206), Ekonometria 21, Wydawnictwo Uniwersytetu Ekonomicznego, Wrocław 2008b, s. 17–25. Markowska M., Innowacyjność INPUT a OUTPUT europejskiej przestrzeni regionalnej – próba oceny zmian w czasie, [w:] B. Kryk, K. Piech (red.), Innowacyjność w skali makro i mikro, Instytut Wiedzy i Innowacji, Warszawa 2009a, s. 41–57. Markowska M., Ocena zależności między innowacyjnością typu INPUT i OUTPUT w wymiarze regionalnym, [w:] R. Brol (red.), Gospodarka regionalna i lokalna w teorii i praktyce, Prace Naukowe Uniwersytetu Ekonomicznego nr 46, Wydawnictwo Uniwersytetu Ekonomicznego, Wrocław 2009b, s. 105–118. Markowska M., Strahl D., Przegląd koncepcji pomiaru regionalnej innowacyjności w unijnej statystyce, Prace Naukowe Akademii Ekonomicznej nr 1142, Wydawnictwo Akademii Ekonomicznej, Wrocław 2006. Markowska M., Strahl D., Klasyikacja europejskiej przestrzeni regionalnej ze względu na identyikatory gospodarki opartej na wiedzy, [w:] K. Jajuga, M. Walesiak (red.), Klasyikacja i analiza danych: teoria i zastosowania, Prace Naukowe Akademii Ekonomicznej nr 1169, Taksonomia 14, Wydawnictwo Akademii Ekonomicznej, Wrocław 2007a, s. 261–269. Markowska M., Strahl D., Propozycja pomiaru innowacyjności regionalnej typu Input–Output, [w:] W. Ostasiewicz (red.), Statystyka w praktyce społeczno gospodarczej, Prace Naukowe Akademii Ekonomicznej nr 1163, Wydawnictwo Akademii Ekonomicznej, Wrocław 2007b, s. 275–286. Markowska M., Strahl D., Klasyikacja europejskiej przestrzeni regionalnej ze względu na innowacyjność w ujęciu dynamicznym, [w:] J. Pociecha (red.), Modelowanie i prognozowanie zjawisk społeczno-gospodarczych, Wydawnictwo Uniwersytetu Ekonomicznego, Kraków 2008, s. 229–246. Markowska M., Strahl D., Proile innowacyjności europejskich regionów – propozycja identyikacji, [w:] M. Klamut (red.), Ekonomia i stosunki międzynarodowe. Integracja europejska, z. 4, Prace Naukowe Uniwersytetu Ekonomicznego nr 77, Wydawnictwo Uniwersytetu Ekonomicznego, Wrocław 2009, s. 136–149. Markowski T., Marszał T., Metropolie, obszary metropolitalne, metropolizacja. Problemy i pojęcia podstawowe, KPZK PAN, Warszawa 2006. Markowski T., Marszał T., Metropolitan areas of Poland – challenges and policy recommendations, [w:] T. Marszał, W. Zmitrowicz (red.), Metropolises and Metropolitan Areas – Structures, Functions and Role, „Studia Regionalia” 2007, vol. 20, s. 9–22. Marx K., Capital: A Critique of Political Economy, Penguin Books, London 1976. Marshall A., Principles of Economics, Macmillan, London 1890 [wyd. 8 1920]. Marshall A., Principles of Economics, Macmillan, London 1911. Martensen A., Dahlgaard J.J., Strategy and planning for innovation management – supported by creative and learning organisations, „International Journal of Quality & Reliability Management” 1999, vol. 16, no. 9, s. 878–891. Martino J.P., Measurement of technology using tradeoff surfaces, „Technological Forecasting and Social Change” 1985, vol. 27, s. 147–160. Maskell P., Malmberg A., Localised learning and industrial competitiveness, „Cambridge Journal of Economics” 1999, vol. 23, no. 2, s. 167–186. Matusiak K.B., Stawasz E., Otoczenie instytucjonalne małych irm innowacyjnych, [w:] K.B. Matusiak, E. Stawasz, A. Jewtuchowicz (red.), Zewnętrzne determinanty rozwoju innowacyjnych irm, Wydawnictwo Uniwersytetu Łódzkiego, Łódź 2001. Maurseth P.B., Convergence, geography and technology, „Structural Change and Economic Dynamics”. 2001, vol. 12, s. 247–276. Mayr E., Principles of Systematic Zoology, McGraw-Hill, New York 1969. Mazurek-Kucharska B., Block A., Wojtczuk-Turek A., Społeczne determinanty innowacyjności przedsiębiorstw. Raport z badania ankietowego, Pentor Research International na zlecenie Polskiej Agencji Rozwoju Przedsiębiorczości, Warszawa 2008. 444 Literatura McDaniel S.A., Capturing the elusive social impact of technology, [w:] J. de la Mothe, G. Paquet (red.) Information, Innovation and Impacts, Kluwer Academic Press, Norwell, MA, Dordrecht, Netherlands, 2000, s. 109–121. McDaniel S.A., Innovation in human/social guise, [w:] L. Earl, F. Gault (red.), National Innovation, Indicators and Policy, New Horizons in the Economics of Innovation, Edward Elgar Publishing, Northampton, MA, 2006, s. 154–164. McLachlan G., Basford, Mixture Models: Inference and Applications to Clustering, Marcel Dekker, New York 1988. Measuring Innovation and R&D: Towards a Preliminary Gap Analysis, DSTI/EAS/STP/NESTI/ (2010)8, 2010. Measuring Regional Innovation. A Guidebook for Conducting Regional Innovation assessments, US Department of Commerce Economic Development Administration, Council on Competitiveness, 2005. Mensch G., Stalemate in Technology, Ballinger, Cambridge, MA, 1979. Metcalfe J.S., Evolutionary Economics and Creative Destruction, Routledge, London 1998. Metcalfe J.S., Foster J., Ramlogan R., Adaptive economic growth, „Cambridge Journal of Economics” 2006, vol. 30, s. 7–32. Mettler A., Innovating indicators for EU 2020, Lisbon Council e-brief 4/2009, Lisbon 2009. Męczyński M., Przestrzenne zróżnicowanie i dyfuzja technologii informacyjno-komunikacyjnych, Bogucki Wydawnictwo Naukowe, Poznań 2007. Mikosik S., Teoria rozwoju gospodarczego Josepha A. Schumpetera, Wydawnictwo Naukowe PWN, Warszawa 1993. Milbergs E., Vonortas N., Innovation Metrics: Measurement to Insight, Center for Accelerating Innovation and George Washington University, National Innovation Initiative 21st Century Working Group, Sept. 22, Washington 2004. Milbergs E., Vonortas N., Innovation Metrics: Measurement to Insight. White Paper, Council on Competitiveness, Washington, DC, 2006. Millard J., The new role of regions in the knowledge economy, [w:] B. Stanford-Smith, E. Chiozza, M. Edin (red.), Challenges and Achievements in e-business and e-work, IOS Press, Amsterdam 2002, s. 379–386. Millard J., Rural areas in the digital economy, [w:] D. Schmied (red.), Winning and Losing: The Changing Geography of Europe’s Rural Areas, Ashgate, Aldershot 2005. Mirkin B., Mathematical Classiication and Clustering, Kluwer Academic Press, Dordrecht 1966. Mirkin B., Clustering for Data Mining. A Data Recovery Approach, Chapman & Hall/CRC, London 2005. Młodak A., Analiza taksonomiczna w statystyce regionalnej, Diin, Warszawa 2006. Mokyr J., Punctuated equilibria and technological progress, „American Economic Review” 1990a, vol. 80, no. 2, s. 350–354. Mokyr J., The Lever of Riches: Technological Creativity and Economic Progress, Oxford University Press, New York, Oxford 1990b. Molle W., Cappellin R., Regional Impact of Community Policies, Avebury, Aldershot 1988. Morgan K., The learning region: Institutions, innovation and regional renewal, „Regional Studies” 1997, vol. 31, no. 5, s. 491–503. Mortensen P.S., The regionalization of CIS indicators. The Danish experience, 32nd CEIES Seminar Innovation Indicators – More Than Technology?, Århus, Denmark, 5–6 February 2007. Moszczyński J., Międzynarodowe standardy metodologiczne statystyki z zakresu innowacji technologicznych, KBN, Warszawa 1994. Mowery D., Rosenberg N., The inluence of market demand upon innovation: A critical review of some recent empirical studies, „Research Policy” 1979, vol. 8, s. 102–150. Literatura 445 Murseth P., Convergence, geography and technology, „Structural Change and Economic Dynamics” 2001, vol. 12, no. 3, s. 247–276. Murtagh F., Multidimensional Clustering Algorithms, Physica-Verlag, Heidelberg 1985. Myrdal G., Economic Theory and Underdeveloped Regions, Duckworth, London 1957. Nardo M.,Saisana M., Saltelli A., Tarantola S., Hoffman A., Giovannini E., Handbook on Constructing Composite Indicators: Methodology and User Guide, OECD Statistics Working Paper, http:// www.olis.oecd.org/olis/2005doc.nsf/LinkTo/std-doc(2005)3. Narodowa Strategia Spójności, Polska, Narodowe Strategiczne Ramy Odniesienia 2007–2013 wspierające wzrost gospodarczy i zatrudnienie, Ministerstwo Rozwoju Regionalnego, Warszawa 2007, http://www.funduszeeuropejskie.gov.pl/WstepDoFunduszyEuropejskich/Documents/NSRO_ maj2007.pdf. Nauka i technika w 2007 r., GUS, Warszawa 2009. Nauka i technika w Polsce 2008 roku, GUS, Warszawa 2010. Nelson R.R., National Systems of Innovation: A Comparative Analysis, Oxford University Press, New York–Oxford 1993. Nelson R.R., Recent evolutionary theorizing about economic change, „Journal of Economic Literature” 1995, vol. 33, no. 2, s. 48–90. Nelson R.R., Winter S.G., The Schumpeterian tradeoff revisited, „The American Economic Review” 1982a, vol. 72, no. 1. Nelson R.R., Winter S.G., An Evolutionary Theory of Economic Change, Harvard University Press, Cambridge, MA, 1982b, s. 14–21. NESTI Roadmap: contributions to the innovation strategy and longer-term directions, DSTI/EAS/STP/ NESTI (2008)13. NESTI-WPIA Innovation Microdata Project: Exploring non-technological and mixed modes of innovation cross countries, DSTI/EAS/STP/NESTI(2008)15. Niedzielski P., Jaźwiński I., Absorpcja i dyfuzja innowacji jako czynnik intensyikujący rozwój regionalny, Zeszyty Naukowe WSZ „Oeconomicus” PTE w Szczecinie „Gospodarka – Rozwój i Zmiany” nr 2, Szczecin 2002. Normann R., Service Management, John Wiley, Chichester 1991. North D.C., Some fundamental puzzles in economic history/development, [w:] W.B. Arthur, S.N. Durlauf, D.A. Lane (red.), The Economy as an Evolving Complex System II, Westview Press, Santa Fe 1997, s. 223–237. Nowak E., Porównywanie obiektów społeczno-gospodarczych ze względu na ich strukturę, „Wiadomości Statystyczne” 1981, R. XXV, nr 7, s. 21–25. Nowak E., Metody taksonomiczne w klasyikacji obiektów społeczno-gospodarczych, PWE, Warszawa 1990. Nowak-Far A., Globalna konkurencja, Wydawnictwo Naukowe PWN, Warszawa–Poznań 2000. Nowakowska A., Innowacje we współczesnych koncepcjach rozwoju regionalnego, [w:] Kreatywność – innowacje – przedsiębiorczość, Uniwersytet Szczeciński, Zeszyty Naukowe nr 579, Ekonomiczne problemy usług nr 47, SOOIPP Annual 2009, Wydawnictwo Naukowe Uniwersytetu Szczecińskiego, Szczecin 2010. Nowakowska A., Regionalny wymiar procesów innowacji, Wydawnictwo Uniwersytetu Łódzkiego, Łódź 2011. Nowińska-Łaźniewska E., Relacje przestrzenne w Polsce w okresie transformacji w świetle teorii rozwoju regionalnego, Prace Habilitacyjne 13, Akademia Ekonomiczna w Poznaniu, Poznań 2004. OECD Proposed Guidelines for Collecting and Interpreting Technological Innovation Data – Oslo Manual, 2nd edition, OECD/EC/Eurostat, 1997. Okoń-Horodyńska E., Co z Narodowym Systemem Innowacji w Polsce?, [w:] E. Okoń-Horodyńska (red.), Rola polskiej nauki we wzroście innowacyjności gospodarki, PWE, Warszawa 2004. 446 Literatura Okręglicka M., Finansowanie działalności innowacyjnej mikroprzedsiębiorstw, [w:] E. Okoń-Horodyńska, A. Czachorowska-Mazurkiewicz (red.), Innowacje w rozwoju gospodarki i przedsiębiorstw: siły motoryczne i bariery, Instytut Wiedzy i Innowacji, Warszawa 2007, Olechnicka A., Regiony peryferyjne w gospodarce informacyjnej, Wydawnictwo Naukowe Scholar, Warszawa 2004. Olechnicka A., Innowacyjność polskich regionów, [w:] G. Gorzelak (red.), Polska regionalna i lokalna w świetle badań EUROREG-u, Wydawnictwo Naukowe Scholar, Warszawa 2007a. Olechnicka A., Innowacyjność polskich regionów, metody pomiaru, stanu i tendencje, [w:] G. Gorzelak, A. Tucholska (red.), Rozwój, region, przestrzeń, Ministerstwo Rozwoju Regionalnego, Warszawa 2007b. Olechnicka A., Płoszaj A., Sieć uczonych? Powiązania w polskim systemie innowacyjnym, Warszawa 2008, http://www.naukawsieci.blogspot.com/. Oregon Innovation Index 2007, Oregon InC Metrics, Oregon Economic and Community Development Department, Portland 2008. Oregon Innovation Index 2009, Oregon InC Metrics, Business Oregon, Portland 2010. Osborne S.P., Voluntary Organizations and Innovation in Public Services, Routledge, London 1998. Osęka M., Wipijewski J., Innowacyjność przedsiębiorstw. Ekonomiczne i organizacyjne determinanty, PWN, Warszawa 1985. Oslo Manual. Proposed Guidelines for Collecting and Interpreting Technological Innovation Data, OECD, Paris 1992. Oslo Manual: The Measurement of Scientiic and Technological Activities. Proposed Guidelines for Collecting and Interpreting Technological Innovation Data, OECD, Eurostat, European Commission, OECD Publishing, Paris 1997. Oslo Manual: Guidelines for Collecting and Interpreting Innovation Data, OECD-Eurostat, Paris 2005. Paci R., Pigliaru F., Technological Diffusion, Spatial Spillovers and Regional Convergence in Europe, Working Paper CRENoS, Centre for North South Economic Research, University of Cagliari and Sassari, Sardinia, 2001. Pajestka Z., Determinanty postępu. Czynniki i współzależności rozwoju społeczno-gospodarczego, PWE, Warszawa 1975. Parker J., The Economics of Innovation, The National and Multinational Enterprise in Technological Change, Longman, London 1974. Pasieczny L., Więckowski J., Ekonomika przedsiębiorstwa, PWE, Warszawa 1981. Patent Statistics Manual, OECD, Paris 2009. Pavitt K.M., Sectoral patterns of technical change: Towards a taxonomy and theory, „Research Policy” 1984, vol. 13. Pavitt K.M., Knowledge about knowledge since Nelson and Winter: A mixed record, Electronic Working Paper Series No. 83, SPRU, University of Sussex, June, 2002. Pavitt K., Patel P., Europe’s technological performance, [w:] Ch. Freeman, M. Sharp, W. Walker (red.), Technology and the Future of Europe, Pinter, London 1991. Payson S., Quality Measurement in Economics: New Perspectives on the Evaluation of Goods and Services, Edward Elgar, Aldershot 1994. Perez C., Structural change and assimilation of new technologies in the economic and social systems, „Futures” 1983, vol. 15, no. 5, s. 357–375. Perroux F., Note sur la notion de pôle de croissance, „Économie appliquée” 1955, vol. 7, no. 1–2, s. 307–320. Peter V., Frietsch R., Exploring Regional Structural and S&T Specialization: Implication for Policy, European Commission, Brussels 2009. Peters B., Gottschalk S., Rammer Ch., Improving Indicators for the European Sector Innovation Scoreboard (ESIS), Innovation Watch/Systematic report, European Commission, DG Enterprise, Brussels 2007. Literatura 447 Pfetsch F.R., Zum Stand der Innovationsforschung, [w:] F.R. Pfetsch (red.), Innovationsforschung als multidisziplinäre Aufgabe, Vandenhoeck & Ruprecht, Göttingen 1975, s. 9–27. Piech K. (red.), Knowledge and Innovation Processes in Central and East European Economies, Warsaw School of Economics, Warsaw 2007. Pieńkowska M., Badania a rozwój a innowacje w latach 1995–2003, MSN Working Papers 1, Warszawa 2005. Pietrasiński Z., Ogólne i psychologiczne zagadnienia innowacji, PWN, Warszawa 1971. Pociecha J., Rozwój metod taksonomicznych i ich zastosowań w badaniach społeczno-ekonomicznych, referat na konferencji z okazji 90-lecia GUS i 95-lecia PTS, Wrocław, 10-12.102007. Pociecha J., Podolec B., Sokołowski A., Zając K., Metody taksonomiczne w badaniach społeczno-ekonomicznych, PWN, Warszawa 1988. Podręcznik Frascati. Proponowane procedury standardowe dla badań statystycznych w zakresie działalności badawczo-rozwojowej, 2002, OECD/MNiSW, 2009. Podręcznik Oslo. Zasady gromadzenia i interpretacji danych dotyczących innowacji, wyd. 3, OECD/ Eurostat, tłum. D. Przepiórowska, Warszawa 2008. Polanyi M., Personal Knowledge: Towards a Post-Critical Philosophy, Routledge & Kegan Paul, London 1958. Polanyi M., The Tacit Dimension, Doubleday, New York 1966. Polenske K.R. (red.), The Economic Geography of Innovation, Cambridge University Press, Cambridge 2007. Pomykalski A., Zarządzanie innowacjami, Wydawnictwo Naukowe PWN, Warszawa–Łódź 2001, s. 26–41. Porat M.U., The information economy, Deinition and Measurement, National Science Foundation, Washington, DC, 1977. Porter M.E., The Competitive Advantage of Nations, The Macmillan Press, London 1990. Porter M.E., Location, competition and economic development: Local clusters in a global economy, „Economic Development Quarterly” 2000a, vol. 14, s. 15–34. Porter M.E., Locations, clusters, and company strategy, [w:] G.L. Clark, M.P. Feldman, M.S. Gretler (red.), The Handbook of Economic Geography, Oxford University Press, Oxford 2000b, s. 253–274. Porter M.E., Porter o konkurencji, PWE, Warszawa 2001. Porter M.E., Cornelius P.K., Sachs J. D., Levinson M., Warner A. M., Schwab K., The Global Competitiveness Report 2000, World Economic Forum, Oxford University Press, 2000. Porter A.L., Roessner J.D., Xiao-Yin J., Newman N., Changes in national technological competitiveness: 1990, 1993, 1996 and 1999, „Technology Analysis & Strategic Management” 2001, vol. 13, no. 4, s. 477–496. Porter M.E., Stern S., The New Challenge to America’s Prosperity: Findings from the Innovation Index, Council on Competitiveness, Washington, DC, 1999. Potì B., Reale E., Changing allocation models for public research funding: An empirical exploration based on project funding data, „Science and Public Policy” 2007, vol. 34, no. 6, s. 417–430. Prahalad C.F., Krishnan M.S., Nowa era innowacji, Wydawnictwa Profesjonalne PWN, Warszawa 2010. Procesy innowacyjne w polskiej gospodarce, RSS-G, Warszawa 2005. Program Operacyjny Innowacyjna Gospodarka 2007–2013, Ministerstwo Rozwoju Regionalnego, Warszawa 2007. Proponowane kierunki rozwoju nauki i technologii w Polsce do 2020 roku, Ministerstwo Nauki i Informatyzacji, Warszawa 2004. Proposal for a Decision of the European Parliament and of the Council on the Community Statistical Program 2008 to 2012 (presented by the Commission) COM (2006) 678, inal 2006/0229 (COD), Brussels 2006. 448 Literatura Proposed Standard Method of Compiling and Interpreting Technology Balance of Payments Data – TBP Manual, OECD, Paris 1990. Proposed Standard Practice for Surveys of Research and Development: The Measurement of Scientiic and Technical Activities, Directorate for Scientiic Affairs, DAS/PD/62.47, OECD, Paris 1963. Proposed Standard Practice for Surveys of Research and Experimental Development — Frascati Manual, sixth edition, OECD, Paris 2002. Przedpełski R., Wyniki projektu badawczego Źródła i strategie innowacyjności przedsiębiorstw, MSN Working Papers 3, Warszawa 2005. Putnam R., Making Democracy Work, Princeton University Press, Princeton, NJ, 1993. Pyciński S., Żołnierski A. (red.), Raport o stanie sektora małych i średnich przedsiębiorstw w Polsce w latach 2005–2006, PARP, Warszawa 2007. Pyke F., Sengenberger W., Industrial Districts and Local Economic Regeneration, International Institute for Labour Studies, Geneva 1992. Rae J., Statement of Some New Principles on the Subject of Political Economy. Exploring the Fallacies of the System of Free Trade, and Some Other Doctrines Maintained in the “Wealth of Nations”, Hilliard, Gray, and Co., Boston, 1834a. Rae J., Wealth of Nations, Hilliard, Gray and Co., Boston 1834b. Rammer Ch., Comments on EIS Improvements for 2005, Centre for European Economic Research (ZEW), 2005. Rantisi N., The competitive foundation of localized learning and innovation: The case of women’s garment production in New York City, „Economic Geography” 2002, vol. 78, no. 4, s. 441–462. Ratanawaraha A., Polenske K.R., Measuring the geography of innovation, [w:] K.R. Polenske (red.), The Economic Geography of Innovation, Cambridge University Press, Cambridge 2007. Raz B., Steinberg G., Ruina A., A quantitative model of technology transfer and technological “catch-up”, „Technological Forecasting and Social Change” 1983, vol. 24, s. 31–44. Regions in the European Union. Nomenclature of territorial unit for statistics NUTS 2006/EU-27, Series: Methodologies and Working Papers, European Commission, Luxembourg 2007. Report – Pilot Survey on Identiication of Indicators for Deining the Regional Innovation Proile, www. strinnop.net. Robinson J., The classiication of inventions, „Review of Economic Studies” 1938, February. Roessner J.D., Porter A.L., Newman N., Caufiel D., Anticipating the future high-tech competitiveness of nations: Indicators for twenty-eight countries, „Technological Forecasting and Social Change” 1996, vol. 51, no. 2, s. 133–149. Rogers E., Diffusion of Innovations, Free Press, New York 1995. Romer P., Dynamic Competitive Equilibria with Externalities, Increasing Returns and unbounded growth, 1983, dysertacja doktorska. Romer P.M., Increasing returns and long-run growth, „The Journal of the Political Economy” 1986, vol. 94, no. 5, s. 1002–1037. Romer P.M, Endogenous technological change, part II, „Journal of Political Economy” 1990, vol. 98, no. 5, s. 71–102. Romer P.M., The origins of endogenous growth, „Journal of Economic Perspectives” 1994, vol. 8, no. 1, s. 3–22. Romesburg C.H., Cluster Analysis for Researchers, Lifetime Learning Publications, Belmont, CA, 1984. Rooney D., Hearn G., Mandeville T., Joseph R., Public Policy in Knowledge-Based Economies: Foundations and Frameworks, Edward Elgar, Cheltenham 2003. Rooney D., Hearn G., Ninan A., Handbook on the Knowledge Economy, Edward Elgar, Cheltenham 2005. Roscher W., System der Volkswirtschaft, vol. 1: Grundlagen der Nationalökonomie, J.G. Cotta’sche Buchhandlung, Stuttgart 1886. Literatura 449 Rosenberg N., Technological change in the machine tool industry, 1840–1910, „ Journal of Economic History” 1963, vol. 23, s. 414–443. Rosenberg N., Adam Smith on the division of labour: Two views or one?, „Economica” 1965, vol. 32, no. 126, s. 127–139. Rosenberg N., Karl Marx on the economic role of science, „Journal of Political Economy” 1974, vol. 82, no. 4, s. 713–728. Rosenberg N., Marx as a student of technology, „Monthly Review” 1976a, vol. 28, s. 56–77. Rosenberg N., Perspective on Technology, Cambridge University Press, Cambridge 1976b. Rosenberg N., Frischtak C., Technological innovation and long waves, „Cambridge Journal of Economics” 1984, vol. 8, s. 7–24. Roslanowska-Plichcinska K., Measuring the technical-technological state of products and processes, „Technological Forecasting and Social Change” 1988, vol. 33, s. 63–74. Rozporządzenie Rady Ministrów z dnia 9 listopada 2010 r. w sprawie programu badań statystycznych statystyki publicznej na rok 2011, DzU z 2010 r. Nr 239, poz. 1594. Rutkowski J., Podobieństwo struktur i zmiany strukturalne – zagadnienia kwantyikacji, „Wiadomości Statystyczne” 1981, R. XXV, nr 8, s. 20–23. Sahal D., A theory of measurement of technological change, „International Journal of Systems Sciences” 1977, vol. 8, no. 6, s. 671–682. Sahal D., Foundation of technometrics, „Technological Forecasting and Social Change” 1985a, vol. 27, s. 1–37. Sahal D., Technological guidepost and innovation avenues, „Research Policy” 1985b, vol. 14, s. 61–82. Sajeva M., Gatelli D., Tarantola S., Hollanders H., 2005 European Innovation Scoreboard – Methodology Report, European Commission, DG Enterprise, Brussels 2005. Saviotti P.P., An approach to the measurement of technology based on the hedonic price method and related methods, „Technological Forecasting and Social Change” 1985, vol. 27, s. 309–334. Saviotti P.P., Technology Evolution, Variety and the Economy, Edward Elgar, Cheltenham–Brookield 1996. Saviotti P.P., Stubbs P.C., Coombs R.W., Gibbons M., An approach to the construction of indexes of technological change of technological sophistication, „Technological Forecasting and Social Change”, 1982, vol. 21, s. 133–147. Saxenian A., Regional Advantage: Culture and Competition in Silicon Valley and Route 128, Harvard University Press, Cambridge, MA, 1994. Schaldach H.G.H., Konzeption und Erklärungsansätze technologischer Disparitäten, Peter Lang, Frankfurt–Bern 1985. Scherer F.M., Research and development resource allocation under rivalry, „Quarterly Journal of Economics” 1967, vol. 81, s. 359–394. Schibany A., Streicher G., How not to compare innovation performance: A critical assessment of the European Innovation Scoreboard, Joanneum Research, 2008 [mimeo]. Schibany A., Streicher G., Gassler H., Der European Innovation Scoreboard: Vom Nutzen und Nachteil indikatorgeleiteter Länderrankings, InTeReg Research Report Nr. 65-2007, 2007. Schmookler J., The changing eficiency of the American economy 1869–1939, „Review of Economics and Statistics” 1952, vol. 34, no. 3, s. 214–231. Schmookler J., The level of inventive activity, „Review of Economics and Statistics” 1954, vol. 36, no. 2, s. 183–190. Schmookler J., Economic sources of inventive activity, „Journal of Economic History” 1962, vol. 22, s. 1–20. Schmookler J., Invention and Economic Growth, Harvard University Press, Cambridge, MA, 1966. Schmookler J., Patents, Invention, and Economic Change: Data and Selected Essays, Harvard University Press, Cambridge, MA, 1972. 450 Literatura Schubert T., How Robust Are Rankings of Composite Indicators When Weights Are Changed: Proposing a New Methodology, referat na konferencji, Neoschumpeterian Economics: An Agenda for the 21st century, Trest, June 2006. Schultz T.W., The Economic Organization of Agriculture, McGraw-Hill, New York 1953. Schumpeter J.A., The Theory of Economic Development, Harvard University Press, Cambridge, MA, 1911. Schumpeter J.A., The instability of capitalism, „Economic Journal” 1928, vol. 38, s. 361–386. Schumpeter J.A., The Business Cycles. A Theoretical, Historical and Statistical Analysis of Capitalist Process, New York–London 1939, s. 73–86. Schumpeter J.A., Capitalism, Socialism and Democracy, Harper & Brothers, New York, London 1942. Schumpeter J.A., The creative response in economic history, „Journal of Economic History” 1947, vol. 7, s. 149–159. Schumpeter J.A., Teoria rozwoju gospodarczego, PWN, Warszawa 1960. Schumpeter J.A., Konjunkturzyklen: Eine theoretische, historische und statistische Analyse des kapitalistischen Prozesses, Vandenhoeck & Ruprecht, Göttingen 1961. Schumpeter J.A., The Instability of Capitalism, [w:] N. Rosenberg (red.), The Economics of Technological Change, Harmondsworth, Baltimore–Ringwood 1971. Schwitalla B., Messung und Erklärung industrieller Innovationsaktivitäten, Physica-Verlag, Heidelberg 1993. Science and Engineering Indicators 2008, National Science Foundation, NSF, Washington, DC, 2008. Scott A.J., A perspective of economic geography, „Journal of Economic Geography” 2004, vol. 4, no. 95, s. 479–499. Siedlecka U., Zastosowanie metody taksonomii stochastycznej do dyskryminacji zbiorów skończonych, „Przegląd Statystyczny” 1976, nr 3, s. 275–288. Siłka P., Przykład indeksu potencjału innowacyjnego dla wybranych miast Polski, PAN, Prace Komisji Geograii Przemysłu, nr 15, Warszawa–Kraków 2010, s. 185–196. Simmie J. (red.), Innovative Cities, Spon Press, London 2001. Sirilli G., Science and technology indicators: The state of the art and prospects for the future, [w:] G. Antonelli, N. De Liso (red.), Economics of Structural and Technological Change, Routledge, London 1997. Sitnik L.J., Innowacja wyznacznikiem działań w XXI wieku, referat na seminarium „Transfer innowacji”, Wrocław 2009. Skolnikoff E.B., The Elusive Transformation: Science, Technology and the Evolution of International Politics, Princeton University Press, Princeton, NJ, 1993. Slappendel C., Perspectives on innovation in organizations, „Organization Studies” 1996, vol. 17, no. 1, s. 107–129. Slipersaeter S., Lepori B., Dinges M., The role of research councils. A comparison of the responses by research councils to science policy in three countries, „Science and Public Policy” 2007, vol. 34, no. 6, s. 401–415. Smith A., An Enquiry into the Nature and Causes of the Wealth of Nations, London Edition, 1776. Smith K., Measuring innovation, [w:] J. Fagerberg, D. Mowery, R. Nelson (red.), The Oxford Handbook of Innovation, Oxford University Press, Oxford 2005. Sneath P.H.A., Sokal R.R., Numerical Taxonomy, W.H. Freeman, San Francisco 1973. Soete L., Knowledge, policy and innovation, [w:] L. Earl, F. Gault (red.), National Innovation, Indicators and Policy, New Horizons in the Economics of Innovation, Edward Elgar Publishing, Northampton, MA, 2006, s. 198–217. Sokołowski A., O zagadnieniach taksonomicznych, Zeszyty Naukowe Akademii Ekonomicznej w Krakowie nr 165, Instytut Metod Rachunku Ekonomicznego, Kraków 1982, s. 65–71. Sokołowski A., Empiryczne testy istotności w taksonomii, Zeszyty Naukowe, Seria Specjalna: Monograie, nr 108, Wydawnictwo Akademii Ekonomicznej, Kraków 1992. Literatura 451 Solow R.M., A Contribution to the Theory of Economic Growth, „ Quarterly Journal of Economics” 1956, vol. 70, s. 65–94. Solow R.M., Technical change and the aggregate production function, „Review of Economics and Statistics” 1957, vol. 39, no. 3, s. 312–320. Solow R.M., New directions in growth theory, [w:] B. Gahlen i in. (red.), Wirtschaftswachstum, Strukturwandel und dynamischer Wettbewerb, Springer-Verlag, Heidelberg 1991, s. 3–17. Sosnowska A. (red.), Zarządzanie nowym produktem, Oicyna Wydawnicza Szkoły Głównej Handlowej, Warszawa 2000. Souder W.E., Shrivastava P., Towards a scale for measuring technology in new product innovations, „Research Policy” 1985, vol. 14, no. 3, s. 151–160. Spruch W., Strategia postępu technicznego. Wstęp do teorii, PWN, Warszawa 1976. Stadler M., Die Modellierung des Innovationsprozesses: Ein integrativer Mikro-Makro-Ansatz, „Zeitschrift für empirische Wirtschaftsforschung” 1993, Nr. 39 (3–4), s. 159-189. Stankiewicz J., Moczulska M., Czy nastąpiły zmiany w kulturze proinnowacyjnej w badanych przedsiębiorstwach?, [w:] K. Jaremczuk (red.), Uwarunkowania przedsiębiorczości – różnorodność i jedność, PWSZ im. S. Tarnowskiego, Tarnobrzeg 2010, s. 46–61. Starczewska-Krzysztoszek M., Konkurencyjność małych i średnich przedsiębiorstw 2006. Raport z badań Monitoring kondycji sektora MSP 2007, PKPP Lewiatan, Warszawa 2007. Stawasz E., Przegląd podstawowych pojęć, [w:] T. Markowski, E. Stawasz, R. Zembaczyński (red.), Instrumenty transferu technologii i pobudzania innowacji, Wydawnictwo Przedświt, Warszawa 1997. Stawasz E., Innowacje a mała irma, Wydawnictwo Uniwersytetu Łódzkiego, Łódź 1999. Stiglitz J.E., Learning to learn localized learning and technological progress, [w:] P. Dasgupta i. in. (red.), Economic Policy and Technological Performance, Cambridge University Press, Cambridge 1987, s. 125–144. Stoneman P., Ireland N.J., The role of supply factors in the diffusion of new process technology, „Economic Journal” 1983, vol. 93, s. 66–78. Storper M., The Regional World: Territorial Development in a Global Economy, Guilford Press, New York 1997. Storper M., Venables A.J., Buzz: The Economic Force of The City, DRUID Summer Conference 2003 „Creating, Sharing and Transferring Knowledge: The Role of Geography, Institutions and Organizations”, Elsinore, Denmark, 2003. Strahl D., Propozycja konstrukcji miary syntetycznej, „Przegląd Statystyczny” 1978, R. XXV, z. 2, s. 205–215. Strahl D., Struktura typologiczna województw Polski ze względu na stan oświaty i kultury, „Wiadomości Statystyczne” 1981, R. XXV, nr 10, s. 20–26. Strahl D., Dyskryminacja struktur, Prace Naukowe Akademii Ekonomicznej nr 360, Wydawnictwo Akademii Ekonomicznej, Wrocław 1987. Strahl D., Klasyikacja regionów z medianą, [w:] J. Dziechciarz (red.), Zastosowania metod ilościowych, Prace Naukowe Akademii Ekonomicznej nr 950, Ekonometria 10, Wydawnictwo Akademii Ekonomicznej, Wrocław 2002. Strahl D. (red.), Taksonomia struktur w badaniach regionalnych, Wydawnictwo Akademii Ekonomicznej, Wrocław 1998. Strahl D. (red.), Innowacyjność europejskiej przestrzeni regionalnej a dynamika rozwoju gospodarczego, Wydawnictwo Uniwersytetu Ekonomicznego, Wrocław 2010. Strategia rozwoju nauki w Polsce do 2015 roku, Ministerstwo Nauki i Szkolnictwa Wyższego, Warszawa 2007. Stryjakiewicz T., Adaptacja przestrzenna przemysłu w Polsce w warunkach transformacji, Bogucki Wydawnictwo Naukowe, Poznań 1999. 452 Literatura Stryjakiewicz T., Analiza innowacyjności przemysłu w ujęciu przestrzennym, [w:] H. Rogacki (red.), Możliwości i ograniczenia zastosowań metod badawczych w geograii społeczno-ekonomicznej i gospodarce przestrzennej, Bogucki Wydawnictwo Naukowe, Poznań 2002, s. 207–215. Suchecki B. (red.), Ekonometria przestrzenna, C.H. Beck, Warszawa 2010. Sundbo J., The Theory of Innovation: Entrepreneurs, Technology and Strategy, Edward Elgar, Cheltenham, UK, Northampton, MA, USA, 1998. Sunden O., Eficacité et rentabilité de la recherche industrielle, Bulletin SEDEIS 1963, no. 864 (suppl.). Swann P., Prevezer M., Stout D., The Dynamics of Industrial Clustering: International Comparisons in Computing and Biotechnology, Oxford University Press, Oxford 1998. Szalkiewicz W.K., Skonieczek A., Dynamiczny wskaźnik innowacyjności. Metoda badania innowacyjności, Wydawnictwo Olsztyńskiej Wyższej Szkoły Informatyki i Zarządzania, Olsztyn 2009. Szatkowski K., Istota i rodzaje innowacji, [w:] M. Brzeziński (red.), Zarządzanie innowacjami technicznymi i organizacyjnymi, Diin, Warszawa 2001. Szmigiel C., Wskaźnik zgodności kryteriów podziału, „Przegląd Statystyczny” 1976, nr 4, s. 491–498. Szuster M., Wpływ innowacyjności połączeń komunikacyjnych na poziom rozwoju regionów, [w:] H. Brdulak, T. Gołębiowski (red.), Wspólna Europa – innowacyjność w działalności przedsiębiorstw, Diin, Warszawa 2003. Śmiłowska T., Statystyczna analiza poziomu życia ludności Polski w ujęciu przestrzennym, Studia i Prace, z. 247, Zakład Badań Statystyczno-Ekonomicznych Głównego Urzędu Statystycznego i Polskiej Akademii Nauk, Warszawa 1997. Świadek A., Regionalne uwarunkowania kształtowania innowacyjności w polskim przemyśle, Wydawnictwo Naukowe Uniwersytetu Szczecińskiego, Szczecin 2007. Takei F., Product competitiveness evaluation – quantitative analysis for development strategy, „Technological Forecasting and Social Change” 1985, vol. 27, s. 123–139. Terleckyj N.E., Factors underlying productivity: Some empirical observations, „Journal of the American Statistical Association” 1958, s. 53–593. Terleckyj N.E., Sources of Productivity Advance. A Pilot Study of Manufacturing Industries 1899-1953, praca doktorska, Columbia University, New York 1960 [maszynopis]. The Atlantic Century Benchmarking EU & US Innovation and Competitiveness, European-American Business Council and The Information and Technology & Innovation Foundation, February 2009. The Economic Value of Education, Columbia University Press, New York 1963. The Global Competitiveness Report, World Economic Forum, Palgrave Macmillan, Houndmills 2004. The Global Competitiveness Report, World Economic Forum, Palgrave Macmillan, Houndmills 2005. The Global Competitiveness Report, World Economic Forum, Palgrave Macmillan, Houndmills 2006. The Global Competitiveness Report, World Economic Forum, Palgrave Macmillan, Houndmills 2007. The Innovation Imperative in Manufacturing – How the United States can Restore its Edge. The Boston Consulting Group, The Manufacturing Institute, National Association for Manufacturers, 2009. The Knowledge-based Economy, OECD, Paris 1996. The Link between Innovation and Productivity DSTI-EAS-STP-NESTI(2009)7-ENG; Innovation and Productivity, DSTI/EAS/NESTI(2010)4. The Measurement of Human Resources Devoted to S&T — Canberra Manual, OECD/EC/Eurostat, OECD/GD(95)77, 1995. The Measurement of Scientiic and Technological Activities: Using Patent Data as Science and Technology Indicators — Patent Manual, OECD/GD(94)114, 1994. The OECD Innovation Strategy, www.nkth.gov.hu/aktualis-hirek-esemenyek/pier-carlo-padoan, 2008a. The OECD Innovation Strategy: Progress Report, C(2008)62/REV1, 2008b. The Regional Dimension of R&D and Innovation Statistics. Regional Manual, Eurostat, 1996. The Regions and the New Economy: Guideline for Innovative Actions under the ERDF in 2000–2006, European Commission, Brussels 2001. Literatura 453 The Regions in the New Economy – Guidelines for Innovative Measures under the ERDF in the period 2000–06, European Commission, Draft Communication from the Commission to the Member States, Brussels 11/07/00, 2000. The Well-being of Nations – The role of human and social capital, OECD, Paris 2001. Thèves J., Lepori B., Larédo Ph., Changing patterns of public research funding in France, „Science and Public Policy” 2007, vol. 34, no. 6, s. 389–399. Tichy G., Die endogene Innovation als Triebkraft in Schumpeters Konjunkturtheorie, „Info-Studien” 1985, Jhg. 31, Nr. 1, s. 1–27. Tofler A., Trzecia fala, Państwowy Instytut Wydawniczy, Warszawa 1997. Tofler A., Zmiana władzy. Wiedza, bogactwo i przemoc u progu XXI stulecia, Wydawnictwo Zysk i S-ka, Poznań 2003. Tokarski J. (red.), Słownik wyrazów obcych, PWN, Warszawa 1980. Tondl G., Convergence after Divergence? Regional Growth in Europe, Springer-Verlag, Wien–New York 2001. Towards CIS 2008, Working Group Meeting on Statistics on Science, Technology and Innovation, Luxembourg 2007. Trademarks as an Indicator of Product and Marketing Innovations, STI Working Paper 2009/2 DSTI/ DOC(2009)6, http://www.oecd.org/dataoecd/50/57/42534274.pdf. Trajtenberg M., A penny for your quotes: Patent citations and the value of innovations, „RAND Journal of Economics” 1990a, vol. 21, s. 172–187. Trajtenberg M., Economic Analysis of Product Innovation – the Case of CT Scanners, Harvard University Press, Cambridge, MA, 1990b. Tri-Cities Innovation and Technology Index 2004, Paciic Northwest National Laboratory, Washington 2004. Trybuś G., Zmienna losowa dystansowa. Teoria i zastosowania, Prace Naukowe Akademii Ekonomicznej nr 173, Monograie i Opracowania 1, Wydawnictwo Akademii Ekonomicznej, Wrocław 1981. Tushman M.L., Anderson P., Technological discontinuities and organizational environments, „Administrative Science Quarterly” 1986, vol. 31, s. 439–465. Tushman M.L., Nadler D., Organizing for innovation, [w:] K. Starkey (red.), How Organizations Learn, International Thompson Business Press, London 1986. Urabe K., Innovation and the Japanese management system, [w:] Innovation and Management, International Comparisons, Walter de Gruyter, Berlin–New York 1988. Ustawa z dnia 4 marca 2005 r. o Krajowym Funduszu Kapitałowym, DzU z 2005 r. Nr 57, poz. 491. Ustawa z dnia 27 lipca 2005 r. o szkolnictwie wyższym, DzU z 2005 r. Nr 164, poz. 1365. Ustawa z dnia 28 lipca 2005 r. o partnerstwie publiczno-prywatnym, DzU z 2005 r. Nr 169, poz. 1420. Ustawa z dnia 29 lipca 2005 r. o niektórych formach wspierania działalności innowacyjnej, DzU z 2005 r. Nr 179, poz. 1484. Ustawa z dnia 30 kwietnia 2010 r. o zasadach inansowania nauki, DzU z 2010 r. Nr 96, poz. 615. Utterback J.M., Abernathy W.J., A dynamic model of process and product innovation, „Omega” 1975, vol. 3, no. 6, s. 639–656. Van Cruysen A., Hollanders H., Are Speciic Policies Needed to Stimulate Innovation in Services?, UNU-MERIT (Maastricht University), Maastricht 2008. Van Duijn J.J., Innovation theories, [w:] Ch. Freeman (red.), Long Wave Theory. An Elgar Reference Collection, Edward Elgar, Cheltenham 1983, s. 291–311. Van Steen J., The use of S&T indicators in science policy, how can they matter?, „Research Evaluation” 1995, vol. 5, no. 2. Verspagen B., A new statistical approach to catching up or falling behind, „Structural Change and Economics” 1991, vol. 2, s. 359–380. 454 Literatura Verspagen B., Schoenmakers W., The Spatial Dimension of Knowledge Spillovers in Europe: Evidence from Patenting Data, ECIS Working Papers, Eindhoven Centre for Innovation Studies, Eindhoven University of Technology 2000, http://ideas.repec.org/p/dgr/umamer/2000016.html. Von Hayek F.A., Competition as a discovery procedure, [w:] F.A. von Hayek (red.), New Studies in Philosophy, Politics, Economics and the History of Ideals, Routledge & Kegan Paul, London 1978, s. 179–190. Walendowski J., Policies and Processes of Smart Specialisation: Realising New Opportunities, Technopolis Group Belgium, 2011. Walesiak M., Metoda klasyikacji w badaniach strukturalnych, rozprawa doktorska, Akademia Ekonomiczna, Wrocław: 1985 [maszynopis]. Walesiak M., Syntetyczne badania porównawcze w świetle teorii pomiaru, „Przegląd Statystyczny” 1990, z. 1–2, s. 37–46. Walesiak M., Propozycja uogólnionej miary odległości w statystycznej analizie wielowymiarowej, [w:] J. Paraysz (red.), Statystyka regionalna w służbie samorządu regionalnego i biznesu, Internetowa Oicyna Wydawnicza Centrum Statystyki Regionalnej, Akademia Ekonomiczna w Poznaniu, Poznań 2002a, s. 15–121. Walesiak M., Problemy wyboru w procedurze conjoint analysis, [w:] A. Zeliaś (red.), Przestrzenno-czasowe modelowani i prognozowanie zjawisk gospodarczych, Wydawnictwo Akademii Ekonomicznej, Kraków 2002b, s. 227–243. Walesiak M., Bąk A., Jajuga K., Uogólniona miara odległości – badania symulacyjne, [w:] K. Jajuga, M. Walesiak (red.), Klasyikacja i analiza danych – teoria i zastosowania, Prace Naukowe Akademii Ekonomicznej nr 942, Taksonomia 9, Wydawnictwo Akademii Ekonomicznej, Wrocław 2002, s. 116–127. Walker R.M., Jeanes E.L., Rowlands R., Measuring innovation – applying the literature-based innovation output indicator to public services, „Public Administration” 2002, vol. 80, s. 201–214. Wandelt K., Studia nad postępem technicznym i organizacyjnym, PTPN, Poznań 1972. Ward J.H., Hierarchical grouping to optimize an objective function, „Journal of the American Statistical Association” 1963, vol. 58, no. 301, s. 236–244. Warsh D., Knowledge and the Wealth of Nations: A Story of Economic Discovery, W.W. Norton, Scranton, PA, 2006. Washington State Index of Innovation and Technology 2006, Washington Technology Center, 2006. Welfe W. (red.), Gospodarka oparta na wiedzy, PWE, Warszawa 2007. Weresa M.A., Zdolność innowacyjna polskiej gospodarki: pozycja w świecie i regionie, [w:] H. Brdulak, T. Gołębiowski (red.), Wspólna Europa – innowacyjność w działalności przedsiębiorstw, Diin, Warszawa 2003. Weresa M.A. (red.), Polska. Raport o konkurencyjności 2006. Rola innowacji w kształtowaniu przewag konkurencyjnych, Oicyna Wydawnicza Szkoły Głównej Handlowej, Warszawa 2006. Weresa M.A. (red.), Transfer wiedzy z nauki do biznesu. Doświadczenia regionu Mazowsze, Oicyna Wydawnicza Szkoły Głównej Handlowej, Warszawa 2007. Whitield P.R., Innowacje w przemyśle, PWE, Warszawa 1979. Witkowski K., Czynniki konkurencyjności regionu: uwarunkowania rozwoju gospodarczego i społecznego, „Ekonomia” 2002, nr 5. Witt U., Überlegungen zum gegenwärtigen Stand der evolutorischen Ökonomik, [w:] B. Biervert, M. Held (red.), Das Evolutorische Ökonomik Campus, Frankfurt 1992a. Witt U. (red.), Evolutionary Economics, Edward Elgar, Aldershot 1992b. Włosiński W., Innowacje jako proces intelektualny i wdrożeniowy, [w:] Określenie istoty pojęć: innowacji i innowacyjności, ze wskazaniem aktualnych uwarunkowań i odniesień do polityki proinnowacyjnej – podejście interdyscyplinarne, KIG, Warszawa 2007. Wojnicka E., System innowacyjny Polski z perspektywy przedsiębiorstw, IBGR, Gdańsk 2004. Literatura 455 Wójtowicz M., Analiza potencjału nauki w Małopolsce, Centrum Transferu Technologii, Politechnika Krakowska, Kraków 2007. Wolfe A., Organisational innovation: Review, critique and suggested research directions, „Journal of Management Studies” 1994, vol. 31, no. 3, s. 405–431. Wolfe D.A., Gertler M.S., Clusters from the inside and out: Insights from the Canadian study of cluster development, „Urban Studies” 2004, vol. 41, no. 5/6, s. 1071–1093. Wolfe D.A., Salter A., The Socio-Economic Importance of Scientiic Research to Canada, SPRU 1997, www.utoronto.ca/progris/pdf_iles/BASICRES.pdf; World Investment Report. Transnational Corporations and the Internationalization of R&D, UNCTAD, Geneva 2005. Wpływ realizacji Sektorowego Programu Operacyjnego Wzrost Konkurencyjności Przedsiębiorstw, lata 2004–2006 na poziom innowacyjności polskich przedsiębiorstw. Raport końcowy, PAG Uniconsult, Warszawa 2008. Wyciślak S., Innowacje produktowe w strategiach przedsiębiorstw o zasięgu krajowym a zachowania korporacji transnarodowych, [w:] B. Kryk, K. Piech (red.), Innowacyjność w skali makro i mikro, Instytut Wiedzy i Innowacji, Warszawa 2009. Wykorzystanie technologii informacyjno-telekomunikacyjnych w przedsiębiorstwach, gospodarstwach domowych i przez osoby prywatne w 2008 r., GUS, Warszawa, www.stat.gov.pl. Young A.A., Increasing returns and economic progress, „Economic Journal” 1928, vol. 38, s. 527–542. Zaborski A., Unfolding jako model pomiaru preferencji w skalowaniu wielowymiarowym, [w:] K. Jajuga, M. Walesiak (red.), Klasyikacja i analiza danych – teoria i zastosowania, Prace Naukowe Akademii Ekonomicznej nr 942, Taksonomia 9, Wydawnictwo Akademii Ekonomicznej, Wrocław 2002, s. 128–137. Zacher W. (red.), Problemy społeczeństwa informacyjnego, Wydawnictwo Naukowe PWN, Warszawa 1998. Żołnierski A., Potencjał innowacyjny polskich małych i średniej wielkości przedsiębiorstw, PARP, Warszawa 2005. Żołnierski A. (red.), Innowacyjność polskich mikroprzedsiębiorstw, PARP, Warszawa 2005. Żołnierski A. (red.), Innowacyjność 2006. Stan innowacyjności, metody wspierania, programy badawcze, PARP, Warszawa 2006. Żołnierski A. (red.), Raport o stanie sektora małych i średnich przedsiębiorstw w Polsce w latach 2007–2008, PARP, Warszawa 2009. Żołnierski A., Zadura-Lichota P. (red.), Raport o stanie sektora małych i średnich przedsiębiorstw w Polsce w latach 2006–2007, PARP, Warszawa 2008. Zucker L.G., Darby M.R., Star scientists and institutional transformation: Patterns of invention and innovation in the formation of the biotechnology industry, „Proceedings of the National Academy of Science” 1996, vol. 93, s. 12709–12716. Zucker L.G., Darby M.R., Armstrong J., Geographically localized knowledge: Spillovers or markets?, „Economic Inquiry” 1998, vol. 36, s. 65–86. Zucker L.G., Darby M.R., Brewer M. B., Intellectual human capital and the birth of U.S. biotechnology enterprises, „American Economic Review” 1998, vol. 88, s. 290–306. Zysman J., How institutions create historical rooted trajectories of growth, „Industrial and Corporate Change” 1994, vol. 3, no. 1, s. 243–283. Strony internetowe http://classiques.uqac.ca/ classiques/tarde_gabriel/tarde_gabriel.html. http://cordis.europa.eu/erawatch/index.cfm?fuseaction=intService.display&topicID=588&countryCode=AT. 456 http://graphics.eiu.com/PDF/Cisco_Innovation_Complete.pdf. http://neebor.eu/index.php?page=regionalproiles&lg=gb. http://statistics.oesr.qld.gov.au/qld-regional-proiles. http://wmro.wordpress.com/category/west-midlands-regional-observatory/. http://www.abs.gov.au/ausstats/. http://www.csiss.org/search/tools.html. http://www.esds.ac.uk/international/support/user_guides/Eurostat/NewCronos.pdf. http://www.inepan.waw.pl/badania/siec_naukowa/. http://www.innovationecolegies.com/summary_report1.htm. http://www.rim-europa.eu/index.cfm?q=p.baseline&r=DEC. http://www.stat.gov.pl/cps/rde/xbcr/gus/POZ_Rozwoj_metod_taksonomicznych.pdf. http://www3.weforum.org/docs/WEF_GlobalCompetitivenessReport_2010-11.pdf. Literatura Spis rysunków 1.1. Przegląd formalnych teorii i podejść do badań w zakresie innowacji oraz ekonomii innowacji ..................................................................................................................................... 1.2. Podział innowacji do celów statystyki publicznej ............................................................... 1.3. Typologia innowacji w usługach publicznych ..................................................................... 2.1. Wymiary i bloki tematyczne IUS ......................................................................................... 2.2. RRSII 2002 – podstawowe informacje ................................................................................ 2.3. RRSII 2003 – podstawowe informacje ................................................................................ 2.4. RRSII 2006 – podstawowe informacje ................................................................................ 2.5. Konstrukcja Global Innovation Index 2009–2010 ............................................................... 3.1. Wzajemne interakcje w modelu Triple Helix ....................................................................... 4.1. Diagram cech w przestrzeni czynników .............................................................................. 4.2. Zróżnicowanie regionów UE ze względu na procentowy udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w 1999 r. (WYKSZ_1999) ....................... 4.3. Zróżnicowanie regionów UE ze względu na procentowy udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w 2008 r. (WYKSZ_2008) ....................... 4.4. Zróżnicowanie regionów UE ze względu na procentowy udział pracujących z wyższym wykształceniem w ogólnej liczbie pracujących w 2011 r. (na podstawie prognoz) (WYKSZ_2011) ................................................................................................................... 4.5. Zróżnicowanie regionów UE ze względu na procentowy udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w roku 1999 (LLL_1999)......................... 4.6. Zróżnicowanie regionów UE ze względu na procentowy udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w roku 2008 (LLL_2008)......................... 4.7. Zróżnicowanie regionów UE ze względu na procentowy udział ludności w wieku 25–64 lata uczestniczącej w kształceniu ustawicznym w 2011 r. (na podstawie prognoz) (LLL_2011) .......................................................................................................................... 4.8. Zróżnicowanie regionów UE ze względu na poziom pracujących w usługach opartych na wiedzy (knowledge-intensive services) jako procent siły roboczej w 1999 r. (KIS_1999) 4.9. Zróżnicowanie regionów UE ze względu na poziom pracujących w usługach opartych na wiedzy (knowledge-intensive services) jako procent siły roboczej w 2008 r. (KIS_2008) . 4.10. Zróżnicowanie regionów UE ze względu na poziom pracujących w usługach opartych na wiedzy (knowledge-intensive services) jako procent siły roboczej w 2011 r. (na podstawie prognoz) (KIS_2011)..................................................................................................... 4.11. Zróżnicowanie regionów UE ze względu na poziom pracujących w usługach opartych na wiedzy jako odsetek pracujących w przemyśle w 1999 r. (KIS 2_1999) ............................ 4.12. Zróżnicowanie regionów UE ze względu na poziom pracujących w usługach opartych na wiedzy jako odsetek pracujących w przemyśle w 2008 r. (KIS 2_2008) ............................ 4.13. Zróżnicowanie regionów UE ze względu na poziom pracujących w usługach opartych na wiedzy jako odsetek pracujących w przemyśle w 2011 r. (na podstawie prognoz) (KIS 2_2011) ........................................................................................................................ 4.14. Zróżnicowanie regionów UE ze względu na kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo w 1999 r. (HRST_1999) ..................................................... 4.15. Zróżnicowanie regionów UE ze względu na kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo w 2008 r. (HRST_2008) ..................................................... 18 55 57 81 97 98 100 122 143 160 169 170 171 172 173 174 175 176 177 178 179 180 181 182 458 Spis rysunków 4.16. Zróżnicowanie regionów UE ze względu na kapitał ludzki w nauce i technologii jako odsetek aktywnych zawodowo w 2011 r. (na podstawie prognoz) (HRST_2011) .............. 4.17. Zróżnicowanie regionów UE ze względu na pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej) w 1999 r. (HIT_1999) ........ 4.18. Zróżnicowanie regionów UE ze względu na pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej) w 2008 r. (HIT_2008) ........ 4.19. Zróżnicowanie regionów UE ze względu na pracujących w przemyśle wysoko i średnio zawansowanym technologicznie (jako procent siły roboczej) w 2011 r. (na podstawie prognoz) (HIT_2011) ................................................................................................................ 4.20. Zróżnicowanie regionów UE ze względu na liczbę patentów zarejestrowanych w danym roku w European Patent Ofice na milion siły roboczej w 1999 r. (EPO_1999) ................. 4.21. Zróżnicowanie regionów UE ze względu na liczbę patentów zarejestrowanych w danym roku w European Patent Ofice na milion siły roboczej w 2008 r. (EPO_2008) ................. 4.22. Zróżnicowanie regionów UE ze względu na liczbę patentów zarejestrowanych w danym roku w European Patent Ofice na milion siły roboczej w 2011 r. (na podstawie prognoz) (EPO_2011).......................................................................................................................... 4.23. Zróżnicowanie regionów UE ze względu na procentowy udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle w 1999 r. (HIT 2_1999) ............................................................................................ 4.24. Zróżnicowanie regionów UE ze względu na procentowy udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle w 2008 r. (HIT 2_2008) ............................................................................................. 4.25. Zróżnicowanie regionów UE ze względu naprocentowy udział pracujących w przemyśle wysoko i średnio zawansowanym technologicznie w ogólnej liczbie pracujących w przemyśle w 2011 r. (na podstawie prognoz) (HIT 2_2011) ...................................................... 4.26. Rozkłady cech – liczebność regionów w poszczególnych przedziałach w latach 1999, 2008 i 2011 ........................................................................................................................... 5.1. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności input w 1999 r. ............................................................................................................................... 5.2. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności input w 2008 r. ............................................................................................................................... 5.3. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności input w 2011 r. (na podstawie prognoz) ........................................................................................................ 5.4. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności output w 1999 r. ............................................................................................................................... 5.5. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności output w 2008 r. ............................................................................................................................... 5.6. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności output w 2011 r. (na podstawie prognoz) ........................................................................................................ 5.7. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności w 1999 r. ....... 5.8. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności w 2008 r. ....... 5.9. Zróżnicowanie regionów UE ze względu wartość indeksu innowacyjności w 2011 r. (na podstawie prognoz) .............................................................................................................. 6.1. Trend liniowy wartości średnich wskaźnika agregatowego W ............................................ 6.2. Dendrogram z metody Warda – wskazanie optymalnego podziału na klasy ....................... 6.3. Średnie charakterystyk innowacyjności ustalone na podstawie wartości standaryzowanych ...................................................................................................................................... 6.4. Periodyzacje dla klasy A1 .................................................................................................... 6.5. Periodyzacje dla klasy A2 .................................................................................................... 6.6. Periodyzacje dla klasy B1 .................................................................................................... 183 184 185 186 187 188 189 190 191 192 193 292 293 294 295 296 297 298 299 300 310 313 314 337 339 342 Spis rysunków 6.7. Periodyzacje dla klasy B2 .................................................................................................... 6.8. Periodyzacje dla klasy C1 .................................................................................................... 6.9. Periodyzacje dla klasy C2 .................................................................................................... 6.10. Periodyzacje dla klasy D ...................................................................................................... 6.11. Periodyzacje dla klasy E ...................................................................................................... 6.12. Linia trendu dla analizowanego przykładu .......................................................................... 6.13. Regiony UE w klasach uzyskanych na podstawie metody k-średnich (przyporządkowanie w 1999 r.) ............................................................................................................................. 6.14. Regiony UE w klasach uzyskanych na podstawie metody k-średnich (przyporządkowanie w 2008 r.) ............................................................................................................................. 6.15. Regiony UE w klasach uzyskanych na podstawie metody k-średnich (przyporządkowanie na podstawie prognoz dla 2011 r.) ....................................................................................... 7.1. Regiony, dla których odnotowano w latach 1999–2008 wartości wszystkich charakterystyk input wyższe lub niższe od mediany ............................................................................ 7.2. Regiony, dla których odnotowano w latach 1999–2008 wartości wszystkich charakterystyk output wyższe lub niższe od mediany .......................................................................... 7.3. Regiony, dla których odnotowano w latach 1999–2008 wartości wszystkich charakterystyk input oraz output wyższe lub niższe od mediany ......................................................... 7.4. Regresje miary W od miar II, IO oraz I w latach 1999, 2008 i 2011 ................................... 7.5. Zestawienie wspólne liczby regionów – wyniki klasyikacji medianowej i k-średnich w 1999 r. ............................................................................................................................... 7.6. Zestawienie wspólne liczby regionów – wyniki klasyikacji medianowej i k-średnich w 2008 r. ............................................................................................................................... 459 346 350 355 359 363 379 381 382 383 393 394 395 400 405 406 Spis tabel 1.1. 2.1. 2.2. 2.3. 2.4. 2.5. 4.1. 4.2. 4.3. 4.4. 4.5. 4.6. 4.7. 4.8. 4.9. 4.10. 4.11. 4.12. 4.13. 4.14. 4.15. 4.16a. 4.16b. 4.17. 4.18. 4.19. Główne założenia koncepcji innowacji ............................................................................. Podstawowe wskaźniki statystyki N + T + I – rozwój w kolejnych dekadach.................. Wskaźniki Innovation Union Scoreboard 2010 ................................................................ Wskaźniki Global Innovation Scoreboard (GIS) .............................................................. Tablica wyników innowacyjności – indeksu innowacji Missisipi 2008............................ Wyniki uzyskane przez stan Oregon w badaniach InC z lat 2007 i 2009 ......................... Wyniki analizy czynnikowej ............................................................................................. Charakterystyki liczbowe wskaźników LLL, HRST, KIS i WYKSZ oraz KIS 2 w europejskich regionach szczebla NUTS 2 ................................................................................ Charakterystyki liczbowe wskaźników HIT i EPO oraz HIT 2 w europejskich regionach.................................................................................................................................... Klasyikacja europejskiej przestrzeni regionalnej ze względu na innowacyjność input dla t = 1 i t = 10 ................................................................................................................. Regiony państw UE wypełniające klasy wydzielone ze względu na innowacyjność input dla t = 1 (1999 r.) ............................................................................................................... Regiony państw UE wypełniające klasy wydzielone ze względu na innowacyjność input dla t = 10 (2008 r.) ............................................................................................................. Wyniki zastosowania testu niezależności chi-kwadrat do porównań rezultatów klasyikacji regionów ze względu na charakterystyki input......................................................... Wyniki klasyikacji z uwzględnieniem regionów stołecznych i zawierających stolice w latach 1999 i 2008 – charakterystyki input .................................................................... Regiony Polski w klasyikacji, w latach 1999 i 2008 – charakterystyki input .................. Klasyikacja europejskiej przestrzeni regionalnej ze względu na innowacyjność output dla t = 1 i t = 10 ................................................................................................................ Regiony szczebla NUTS 2 państw UE wypełniające klasy wydzielone ze względu na innowacyjność output dla t = 1 (1999 r.) ........................................................................... Regiony szczebla NUTS 2 państw UE wypełniające klasy wydzielone ze względu na innowacyjność output dla t = 10 (2008 r.) ......................................................................... Wyniki zastosowania testu niezależności chi-kwadrat do porównania rezultatów klasyikacji regionów ze względu na charakterystyki output .................................................... Wyniki klasyikacji z uwzględnieniem regionów stołecznych i zawierających stolice w latach 1999 i 2008 – charakterystyki output .................................................................. Regiony Polski – charakterystyki output ........................................................................... Macierz „przejścia” między klasami innowacyjności input unijnych regionów szczebla NUTS 2 w momentach t = 1, …, 10, cz. I ......................................................................... Macierz „przejścia” między klasami innowacyjności input unijnych regionów szczebla NUTS 2 w momentach t = 1, …, 10, cz. II........................................................................ Macierz „przejścia” między klasami innowacyjności output unijnych regionów szczebla NUTS 2 w momentach t = 1, …, 10 .................................................................................. Liczba regionów, które poprawiły (macierz lewa) lub pogorszyły (macierz prawa) pozycję w klasyikacji w zakresie charakterystyk input ........................................................... Liczba regionów, dla których nie odnotowano zmian w przyporządkowaniu do klas w zakresie charakterystyk innowacyjności input (macierz lewa) i output (macierz prawa) 29 74 82 86 109 115 159 164 167 196 197 199 201 204 206 208 209 210 212 215 215 218 220 222 224 225 Spis tabel 4.20. Liczba regionów, które poprawiły (macierz lewa) lub pogorszyły (macierz prawa) pozycję w klasyikacji w zakresie charakterystyk output ......................................................... 5.1. Przykładowy szablon tablicy innowacyjności gotowy do wypełnienia ............................ 5.2. Punktacja belgijskich regionów w tablicy wyników innowacyjności ............................... 5.3. Punktacja duńskich regionów w tablicy wyników innowacyjności .................................. 5.4. Punktacja niemieckich regionów w tablicy wyników innowacyjności ............................. 5.5. Punktacja irlandzkich regionów w tablicy wyników innowacyjności............................... 5.6. Punktacja greckich regionów w tablicy wyników innowacyjności ................................... 5.7. Punktacja hiszpańskich regionów w tablicy wyników innowacyjności ............................ 5.8. Punktacja francuskich regionów w tablicy wyników innowacyjności .............................. 5.9. Punktacja włoskich regionów w tablicy wyników innowacyjności .................................. 5.10. Punktacja Luksemburga w tablicy wyników innowacyjności ........................................... 5.11. Punktacja niderlandzkich regionów w tablicy wyników innowacyjności ......................... 5.12. Punktacja austriackich regionów w tablicy wyników innowacyjności ............................. 5.13. Punktacja portugalskich regionów w tablicy wyników innowacyjności ........................... 5.14. Punktacja inlandzkich regionów w tablicy wyników innowacyjności ............................. 5.15. Punktacja szwedzkich regionów w tablicy wyników innowacyjności .............................. 5.16. Punktacja brytyjskich regionów w tablicy wyników innowacyjności............................... 5.17. Punktacja bułgarskich regionów w tablicy wyników innowacyjności .............................. 5.18. Punktacja czeskich regionów w tablicy wyników innowacyjności ................................... 5.19. Punktacja krajów z jednym regionem NUTS 2 w tablicy wyników innowacyjności ....... 5.20. Punktacja węgierskich regionów w tablicy wyników innowacyjności ............................. 5.21. Punktacja rumuńskich regionów w tablicy wyników innowacyjności.............................. 5.22. Punktacja słoweńskich regionów w tablicy wyników innowacyjności ............................. 5.23. Punktacja słowackich regionów w tablicy wyników innowacyjności............................... 5.24. Zróżnicowanie punktacji w grupach regionów ................................................................. 5.25. Tablica wyników innowacyjności regionu łódzkiego........................................................ 5.26. Tablica wyników innowacyjności regionu mazowieckiego .............................................. 5.27. Tablica wyników innowacyjności regionu małopolskiego ................................................ 5.28. Tablica wyników innowacyjności regionu śląskiego ........................................................ 5.29. Tablica wyników innowacyjności regionu lubelskiego ..................................................... 5.30. Tablica wyników innowacyjności regionu podkarpackiego .............................................. 5.31. Tablica wyników innowacyjności regionu świętokrzyskiego ........................................... 5.32. Tablica wyników innowacyjności regionu podlaskiego .................................................... 5.33. Tablica wyników innowacyjności regionu wielkopolskiego ............................................. 5.34. Tablica wyników innowacyjności regionu zachodniopomorskiego .................................. 5.35. Tablica wyników innowacyjności regionu lubuskiego ...................................................... 5.36. Tablica wyników innowacyjności regionu dolnośląskiego ............................................... 5.37. Tablica wyników innowacyjności regionu opolskiego ...................................................... 5.38. Tablica wyników innowacyjności regionu kujawsko-pomorskiego .................................. 5.39. Tablica wyników innowacyjności regionu warmińsko-mazurskiego ................................ 5.40. Tablica wyników innowacyjności regionu pomorskiego .................................................. 5.41. Zestawienie zbiorcze punktacji regionów UE w tablicach wyników innowacyjności w 1999 r. ............................................................................................................................ 5.42. Zestawienie zbiorcze punktacji regionów UE w tablicach wyników innowacyjności w roku 2008 r. .................................................................................................................... 5.43. Zestawienie zbiorcze punktacji regionów UE w tablicach wyników innowacyjności na podstawie prognoz dla 2011 r. ........................................................................................... 5.44. Ocena rozkładu regionów z taką samą liczbą punktów na podstawie testu chi-kwadrat (wartości p) ........................................................................................................................ 461 226 231 233 234 236 240 241 242 245 247 249 250 252 253 254 255 256 260 261 263 263 265 266 267 268 270 272 273 274 275 276 278 279 280 282 283 284 285 287 288 289 302 303 304 305 462 Spis tabel 5.45. Zestawienie zbiorcze punktacji regionów UE w tablicach wyników innowacyjności w latach 1999 i 2008 oraz na podstawie prognoz dla 2011 r. – struktury i kolejność ....... 6.1. Standaryzacja globalna – punkty odniesienia.................................................................... 6.2. Wartości średnie i odchylenia standardowe wskaźnika agregatowego w regionach UE .. 6.3. Charakterystyki cech oryginalnych (globalnie)................................................................. 6.4. Zmiany odległości aglomeracyjnej – metoda Warda......................................................... 6.5. Wartości średnie charakterystyk innowacyjności w klasach ............................................. 6.6. Tablica wynikowa klasyikacji – klasa A1......................................................................... 6.7. Przyporządkowanie belgijskich regionów do klas ............................................................ 6.8. Przyporządkowanie duńskich regionów do klas ............................................................... 6.9. Przyporządkowanie niemieckich regionów do klas .......................................................... 6.10. Przyporządkowanie irlandzkich regionów do klas ............................................................ 6.11. Przyporządkowanie greckich regionów do klas ................................................................ 6.12. Przyporządkowanie hiszpańskich regionów do klas ......................................................... 6.13. Przyporządkowanie francuskich regionów do klas ........................................................... 6.14. Przyporządkowanie włoskich regionów do klas ............................................................... 6.15. Przyporządkowanie niderlandzkich regionów do klas ...................................................... 6.16. Przyporządkowanie austriackich regionów do klas........................................................... 6.17. Przyporządkowanie portugalskich regionów do klas ........................................................ 6.18. Przyporządkowanie inlandzkich regionów do klas .......................................................... 6.19. Przyporządkowanie szwedzkich regionów do klas ........................................................... 6.20. Przyporządkowanie brytyjskich regionów do klas ............................................................ 6.21. Przyporządkowanie bułgarskich regionów do klas ........................................................... 6.22. Przyporządkowanie czeskich regionów do klas ................................................................ 6.23. Przyporządkowanie do klas Estonii, Cypru, Łotwy, Litwy i Malty .................................. 6.24. Przyporządkowanie węgierskich regionów do klas........................................................... 6.25. Przyporządkowanie regionów polskich do klas ................................................................ 6.26. Przyporządkowanie rumuńskich regionów do klas ........................................................... 6.27. Przyporządkowanie do klas słoweńskich regionów .......................................................... 6.28. Przyporządkowanie słowackich regionów do klas ............................................................ 6.29. Stolice i regiony stołeczne w przyporządkowaniu do klas ................................................ 6.30. Przyporządkowanie do klas – zestawienie zbiorcze .......................................................... 6.31. Macierz odległości na podstawie miary niezgodności procentowej w klasie A1.............. 6.32. Ocena przynależności regionów do klasy A1 w ramach otrzymanych podokresów ......... 6.33. Macierz odległości na podstawie miary niezgodności procentowej w klasie A2.............. 6.34. Ocena przynależności regionów do klasy A2 w ramach otrzymanych podokresów ......... 6.35. Macierz odległości na podstawie miary niezgodności procentowej w klasie B1.............. 6.36. Ocena przynależności regionów do klasy B1 w ramach otrzymanych podokresów ......... 6.37. Macierz odległości na podstawie miary niezgodności procentowej w klasie B2.............. 6.38. Ocena przynależności regionów do klasy B2 w ramach otrzymanych podokresów ......... 6.39. Macierz odległości na podstawie miary niezgodności procentowej w klasie C1.............. 6.40. Ocena przynależności regionów do klasy C1 w ramach otrzymanych podokresów ......... 6.41. Macierz odległości na podstawie miary niezgodności procentowej w klasie C2.............. 6.42. Ocena przynależności regionów do klasy C2 w ramach otrzymanych podokresów ......... 6.43. Macierz odległości na podstawie miary niezgodności procentowej w klasie D ............... 6.44. Ocena przynależności regionów do klasy D w ramach otrzymanych podokresów .......... 6.45. Macierz odległości na podstawie miary niezgodności procentowej w klasie E ................ 6.46. Ocena przynależności regionów do klasy E w ramach otrzymanych podokresów ........... 6.47. Periodyzacje otrzymane z wykorzystaniem metody Warda .............................................. 306 309 311 311 312 314 316 320 320 321 322 322 323 324 325 326 326 327 327 328 328 329 330 330 331 331 332 332 333 334 335 336 338 338 340 342 343 346 347 350 351 355 356 358 359 363 364 366 Spis tabel 6.48. 6.49. 6.50. 6.51. 6.52. 6.53. 6.54. 6.55. 6.56. 6.57. 6.58. 7.1. Charakterystyka centrum klasy A1 .................................................................................... Charakterystyka centrum klasy A2 .................................................................................... Charakterystyka centrum klasy B1 .................................................................................... Charakterystyka centrum klasy B2 .................................................................................... Charakterystyka centrum klasy C1 .................................................................................... Charakterystyka centrum klasy C2 .................................................................................... Charakterystyka centrum klasy D...................................................................................... Charakterystyka centrum klasy E ...................................................................................... Porównanie współrzędnych środków centrum grup i średnich dla grup ........................... Wartości miary DS w klasach ............................................................................................ Ocena dynamicznej atrakcyjności klas (wartości miary DA) ............................................ Wybrane wyniki klasyikacji regionów z wykorzystaniem statystyk pozycyjnych w ujęciu dynamicznym............................................................................................................... 7.2. Liczba regionów ze względu na wartości miary innowacyjności input (II), miary innowacyjności output (IO) i sumarycznej miary innowacyjności (I) w latach 1999, 2008 i 2011 ................................................................................................................................. 7.3. Wybrane wyniki porządkowania regionów z wykorzystaniem zmodyikowanej tablicy wyników w zakresie innowacyjności w ujęciu dynamicznym .......................................... 7.4. Wybrane wyniki klasyikacji regionów z wykorzystaniem metody k-średnich ................ 7.5. Zbiorcze zestawienie regionów, które przez 13 lat notowano w klasie A1 i dla których wartości wszystkich charakterystyk output były wyższe od mediany .............................. 7.6. Zbiorcze zestawienie regionów, które przez 13 lat notowano w klasie A2 i dla których wartości wszystkich charakterystyk input były wyższe od mediany ................................ 7.7. Zbiorcze zestawienie regionów, które przez 13 lat notowano w klasie E i dla których wartości wszystkich charakterystyk input oraz output były niższe od mediany ............... 7.8. Zbiorcze zestawienie regionów, dla których wartości wszystkich charakterystyk input, output oraz zarówno input, jak i output były w latach 1999–2008 niższe lub wyższe od mediany wraz z klasami, jakie odnotowano dla nich w klasyikacji dynamicznej na podstawie metody k-średnich........................................................................................ 7.9. Liczba regionów w klasyikacji medianowej i metodą k-średnich – w latach 1999 i 2008 7.10. Skrajne wartości błędów prognoz dla charakterystyk innowacyjności ............................. 463 367 369 369 370 371 373 373 374 376 377 379 390 396 397 399 401 401 402 403 404 407 SUMMARY Dynamic taxonomy of regional innovation Problems related to the economic innovation regarding the spatial analysis create a dynamically developing research stream and owing to their complexity constitute a significant methodological challenge. The hereby study, in line with this research stream, is divided into three basic parts: theoretical, methodological, and empirical one. Theoretical background distinguishes two logically related discussion paths the first of which is focused on innovation in economic theory, while the second refers to its measurement methods. Methodological aspects refer to the concept of integrated, multicriteria approach to innovation measurement based on the multidimensional analysis of data from a dynamic perspective. The empirical part concentrates on applying switch matrices and profile analysis in order to measure innovation of European regional space and EU NUTS 2 level regions’ classification regarding the innovation level in the dynamic analysis. Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu SERIA: MONOGRAFIE I OPRACOWANIA 1. Ginter Trybuś, Zmienna losowa dystansowa. Teoria i zastosowania, Wrocław 1981. 2. Janusz Olearnik, Funkcjonowanie i rozwój sfery usług w Polsce, Wrocław 1981. 3. Wiktor Łach, Sytuacja społeczno-ekonomiczna wsi i rolnictwa w rejonach uprzemysłowionych, Wrocław 1982. 4. Marek Prymon, Badanie branżowo-przestrzenne rynku, Wrocław 1982. 5. Stanisław Krawczyk, Modyikacja przekształceń simpleksowych i ich zastosowania, Wrocław 1982. 6. Jan Lichtarski, Kryteria i metody oceny efektywności przedsięwzięć organizatorskich w przedsiębiorstwie, Wrocław 1983. 7. Rafał Krupski, Projektowanie układów regulacji w złożonych systemach produkcyjnych, Wrocław 1982. 8. Jan Rymarczyk, Migracja siły roboczej do krajów EWG i jej konsekwencje społeczno-gospodarcze, Wrocław 1982. 9. Marek Drewiński, Programowanie struktury przestrzennej sieci detalicznej, Wrocław 1983. 10. Bolesław Księżopolski, Porozumienia i umowy o prace badawcze i wdrożeniowe, Wrocław 1983. 11. Stanisław Styś, Kształtowanie kompleksu żywnościowego w regionie, Wrocław 1983. 12. Mirosława Klamut, Kierunki i dynamika przeobrażeń struktury społeczno-gospodarczej w układzie terytorialnym, Wrocław 1983. 13. Ryszard Broszkiewicz, Problemy kompleksowego programowania inwestycji w regionach, Wrocław 1983. 14. Stanisława Ostasiewicz, Wykorzystanie metod dyskryminacyjnych w prognozowaniu dyskretnym, Wrocław 1983. 15. Władysław Błaszków, Amylazy roślinne, Wrocław 1983. 16. Grażyna Borys, Finansowe instrumenty ochrony gruntów rolnych, Wrocław 1983. 17. Andrzej Siemianowski, Fakty, prawa, decyzje. Rozprawy o konwencjonalistycznej ilozoii nauki, Wrocław 1983. 18. Wanda Iżyk, Przełożony a problemy dezintegracji w zakładzie pracy, Wrocław 1983. 19. Józef Soliński, Próby otrzymania białka paszowego i spożywczego o podwyższonej jakości z odpadowego soku ziemniaka, Wrocław 1983. 20. Stanisław Kiełczewski, Prognozowanie rozwoju przemysłu. Zarys, metody, Wrocław 1984. 21. Bogumił Bernaś, Racjonalizacja produkcji i zużycia surowców energetycznych i energii w europejskich krajach RWPG, Wrocław 1984. 22. Tadeusz Miśkiewicz, Sterowanie hodowlą drożdży piekarskich z użyciem komputera, Wrocław 1984. 23. Tadeusz Borys, Kategoria jakości w statystycznej analizie porównawczej, Wrocław 1984. 24. Marian Noga, Sektor usług a dobrobyt społeczny w socjalizmie, Wrocław 1984. 25. Edward Nowak, Metodyka statystycznych analiz porównawczych efektywności obiektów rolniczych, Wrocław 1985. 466 Monograie i Opracowania 26. Jerzy Korczak, Skorowidze dużych baz tekstowych, Wrocław 1985. 27. Zbigniew Tarczyński, Funkcjonowanie opłat i kar pieniężnych w ochronie środowiska, Wrocław 1985. 28. Krzysztof R. Mazurski, Gospodarowanie rolniczą przestrzenią produkcyjną w Polsce, Wrocław 1986. 29. Andrzej Gospodarowicz, Harmonogramy przedsięwzięć czasowo-przestrzennych i przybliżone metody ich wyznaczania, Wrocław 1986. 30. Irena Hejduk, Kierunki zmian systemu transportowego kraju na tle uwarunkowań rozwoju gospodarki polskiej, Wrocław 1986. 31. Krystyna Mazurek-Łopacińska, Mechanizm kształtowania konsumpcji żywności w Polsce, Wrocław 1986. 32. Jacek Ochman, Integracja w systemach informatycznych rachunkowości, Wrocław 1986. 33. Tadeusz Listwan, Organizacja zarządzania kadrami w przedsiębiorstwach przemysłowych, Wrocław 1986. 34. Bogusław Fiedor, Neoklasyczna teoria postępu technicznego: próba systematyzacji i krytycznej analizy, Wrocław 1986. 35. Stefan Forlicz, Rozkłady asymetryczne zmiennej losowej, Wrocław 1986. 36. Janusz Olearnik (red.), Funkcjonowanie rynku usług w Polsce, Wrocław 1986. 37. Bożena Klimczak, Państwowa regulacja makroproporcji podziału dochodu narodowego w przedsiębiorstwach socjalistycznych, Wrocław 1986. 38. Teresa Skrabka-Błotnicka, Właściwości emulgujące i żelujące białek i mięśni drobiowych ze szczególnym uwzględnieniem drobiu wodnego – badania porównawcze, Wrocław 1986. 39. Krzysztof Jajuga, Statystyka ekonomicznych zjawisk złożonych – wykrywanie i analiza niejednorodnych rozkładów wielowymiarowych, Wrocław 1987. 40. Zdzisław Jasiński, Funkcjonowanie zespołów roboczych w niestabilnych warunkach produkcji, Wrocław 1987. 41. Jan Rymarczyk (red.), Spółki prawa handlowego w polskim handlu zagranicznym, Wrocław 1987. 42. Adam Ginsbert-Gebert (red.), Diagnoza stanu rozwoju społeczno-gospodarczego województwa jeleniogórskiego, Wrocław 1987. 43. Adam Nowicki, Doskonalenie systemu informacyjnego w obiekcie gospodarczym: procesy, modele, zastosowania, Wrocław 1987. 44. Stanisława Bartosiewicz, Specyikacja modeli ekonometrycznych i ich zastosowania w analizie zjawisk społeczno-gospodarczych, Wrocław 1987. 45. Joanna Stasiuk, Społeczno-ideologiczne oblicze drobnomieszczaństwa w okresie przejściowym, Wrocław 1988. 46. Aniela Styś (red.), Przemiany konsumpcji w Polsce, Wrocław 1987. 47. Emil Antoniszyn, Koordynacja terenowa a system władzy politycznej PRL, Wrocław 1988. 48. Wiesław Kotarba, Ocena projektu wynalazczego w przedsiębiorstwie, Wrocław 1988. 49. Ryszard Antoniewicz, Metoda najmniejszych kwadratów dla zależności niejawnych i jej zastosowania w ekonomii, Wrocław 1988. 50. Andrzej Rapacz, System funkcjonowania terenowych przedsiębiorstw turystycznych, Wrocław 1988. 51. Jan Rymarczyk (red.), I etap reformy w polskim handlu zagranicznym, Wrocław 1989. 52. Halina Jagodzińska-Wersty (red.), Relacje: wydajność pracy–płace, Wrocław 1989. 53. Stefan Wrzosek, Metody podejmowania decyzji o koncentracji specjalizacji i lokalizacji produkcji w przemyśle spożywczym, Wrocław 1989. 54. Małgorzata Gableta, Normowanie pracy jako narzędzie zarządzania przedsiębiorstwem, Wrocław 1989. 55. Ludwik Skiba, Czynnik ludzki w strukturze funkcjonalnej miasta przemysłowego, Wrocław 1989. 56. Jadwiga Sobieska-Karpińska, Programowanie rozwoju usług teleinformatycznych, Wrocław 1989. 57. Kazimierz Zmaczyński, Wpływ różnych sposobów sterowania, szczególnie regulacji pH, na stabilność procesu i efektywność hodowli ciągłej drożdży paszowych Candida utilis, Wrocław 1989. Monograie i Opracowania 467 58. Wanda Ronka-Chmielowiec, Modele aproksymacyjne w ekonomii, Wrocław 1989. 59. Kazimierz Perechuda, Teorie organizacji średniego zasięgu w niemieckim obszarze językowym (RFN, Austria, Szwajcaria), Wrocław 1989. 60. Andrzej Małachowski, Diagnostyka danych tekstowych w informatycznych systemach zarządzania, Wrocław 1989. 61. Grażyna Światowy, Rynkowe uwarunkowania zachowań konsumpcyjnych gospodarstw domowych, Wrocław 1990. 62. Szymon Stempin, Podstawy metodyczne rachunku efektywności doboru materiałów w przedsiębiorstwie przemysłowym, Wrocław 1989. 63. Zdzisław Pisz, Funkcje zatrudnienia w okresie przeobrażeń społeczno-gospodarczych lat osiemdziesiątych, Wrocław 1990. 64. Zbigniew Luty, Planistyczny rachunek kosztów, Wrocław 1990. 65. Jan Rymarczyk (red.), System organizacyjno-ekonomiczny polskiego handlu zagranicznego w okresie reformy gospodarczej, Wrocław 1990. 66. Paweł Dittmann, Metody dezagregacji prognoz demograicznych, Wrocław 1990. 67. Mieczysław Kufel, Koszty przepływu materiałów w przedsiębiorstwach przemysłowych: problemy budżetowania, ewidencji i kontroli, Wrocław 1990. 68. Urszula Kałążna-Drewińska, Rynki lokalne w Polsce: funkcjonowanie i typologia, Wrocław 1990. 69. Henryk Jagoda, Państwowa regulacja integracji przedsiębiorstw w polskiej gospodarce: ewolucja, ocena, kierunki, Wrocław 1990. 70. Zdzisław Knecht, Uspołecznienie i integracja zarządzania przedsiębiorstwem, Wrocław 1990. 71. Marek Górny, Przezwiska i nazwiska chłopów pałuckich w XVII w.: pochodzenie i budowa, Wrocław 1990. 72. Halina Podsiadło, Równowagi fazowe w układzie potrójnym PbO–P2O5–PbCl2, Wrocław 1990. 73. Krzysztof R. Mazurski (red.), Ekonomiczno-produkcyjna ocena gospodarstw rolnych Dolnego Śląska, Wrocław 1990. 74. Janusz Marak, Materialne warunki bytu ludności wiejskiej w województwie legnickim, Wrocław 1991. 75. Jerzy Sokołowski, Podatek dochodowy jako instrument oddziaływania na zmiany w strukturze produkcji, Wrocław 1991. 76. Ewa Konarzewska-Gubała, Wspomaganie decyzji wielokryterialnych: system ”BIPOLAR”, Wrocław 1991. 77. Witold Miszczak, Sposoby ekstrakcji informacji z próby losowej, Wrocław 1991. 78. Danuta Sołtys, Przesłanki metodyczne realizacji funkcji rachunku kosztów w warunkach produkcji aparaturowej, Wrocław 1991. 79. Barbara Olszewska, Skłonność do eksportu przedsiębiorstwa przemysłowego, Wrocław 1991. 80. Aniela Puszko, Studia nad N-tlenkami 2-chlorowcopikolin, Wrocław 1991. 81. Halina Towarnicka, Strategie i taktyki inwestycyjne polskich przedsiębiorstw w warunkach zmian systemowych, Wrocław 1991. 82. Hanna Ban-Oganowska, N-tlenki pochodnych 2,6 dimetylopirydyny, Wrocław 1991. 83. Mirosława Kwiecień, Rachunkowość jako narzędzie zarządzania. System z bazą wiedzy, Wrocław 1991. 84. Władysława Szuszkiewicz, Struktura fazowa i właściwości krystalochemiczne fosforanów itru z wapniem i sodem, Wrocław 1991. 85. Grażyna Czupińska, Struktura fazowa i właściwości krystalochemiczne fosforanów itru z potasem i magnezem, Wrocław 1991. 86. Adam Kopiński, Metody oceny kondycji ekonomicznej przedsiębiorstwa, Wrocław 1991. 87. Krystyna Mazurek-Łopacińska, Zróżnicowanie konsumpcji w Polsce w warunkach przemian rynku, Wrocław 1991. 88. Irena Kociszewska, Zmiany w zatrudnieniu w rolnictwie makroregionu południowo-zachodniego, Wrocław 1992. 468 Monograie i Opracowania 89. Juliusz Siedlecki, Równowaga binarna w ekonomii, Wrocław 1992. 90. Andrzej Kardasz, Rachunek wyników i jego funkcjonowanie w podmiocie gospodarczym, Wrocław 1992. 91. Stanisław Heilpern, Podejmowanie decyzji w warunkach niepewności, Wrocław 1992. 92. Jerzy Rymarczyk, Protekcjonizm w teorii ekonomii i w polityce handlowej Europejskiej Wspólnoty Gospodarczej, Wrocław 1992. 93. Mieczysław Przybyła, Identyikacja struktury organizacyjnej przedsiębiorstwa, Wrocław 1992. 94. Ewa Bogacka-Kisiel, Finansowe aspekty działalności państwa w ochronie środowiska, Wrocław 1993. 95. Józef Dziechciarz, Ekonometryczne modelowanie procesów gospodarczych: modele ze zmiennymi i losowymi parametrami, Wrocław 1993. 96. Jacek Karwowski, Prognozowanie kursów walutowych, Wrocław 1993. 97. Marian Jasiukiewicz, Kościół katolicki w polskim życiu politycznym 1945-1989. Podstawowe uwarunkowania, Wrocław 1993. 98. Stanisław Nowosielski, Ekonomiczna integracja sterowania produkcją na zamówienie, Wrocław 1993. 99. Urszula Siedlecka, Prognozy ostrzegawcze, Wrocław 1993. 100. Zoia Hasińska, Regionalne i lokalne rynki pracy na Dolnym Śląsku, Wrocław 1993. 101. Marek Walesiak, Statystyczna analiza wielowymiarowa w badaniach marketingowych, Wrocław 1993. 102. Jan Borowiec, Strategie rozwoju krajów Trzeciego Świata, Wrocław 1993. 103. Jerzy Wawrzynek, Statystyczne planowanie eksperymentów w zagadnieniach regresji w warunkach małej próby, Wrocław 1993. 104. Kazimiera Wilk, Integracja wschodnioeuropejska – powstanie, funkcjonowanie i upadek, Wrocław 1994. 105. Ewaryst Elimer, Badania nad wykorzystaniem tłuszczów roślinnych do biosyntezy kwasu cytrynowego przez Aspergillus niger, Wrocław 1994. 106. Józef Zarzeczny, Koncepcje i kierunki zmian systemu politycznego w Polsce w latach 1947-1953, Wrocław 1994. 107. Józef Soliński, Uzyskiwanie i charakterystyka białka z soku ziemniaka jako produktu do wzbogacania żywności, Wrocław 1994. 108. Józef Soliński, Badania białka z soku ziemniaczanego i próby zastosowań jego frakcji wytrącalnej, Wrocław 1995. 109. Maciej Jasiński, Wprowadzenie do konstrukcji modeli wzrostu gospodarki rynkowej, Wrocław 1995. 110. Józef M. Soroka, Polska Partia Socjalistyczna wobec problemów kulturalno-oświatowych 1918-1939, Wrocław 1995. 111. Marek Łyszczak, Finansowe instrumenty ochrony środowiska, Wrocław 1995. 112. Jarosław Witkowski, Strategia logistyczna przedsiębiorstw przemysłowych, Wrocław 1995. 113. Zbigniew Przybyła, Problemy współpracy ekonomicznej regionów przygranicznych (na przykładzie euroregionu Nysa), Wrocław 1995. 114. Barbara Radzikowska, Płodność w Polsce w kontekście teorii przejścia demograicznego. Modelowanie i prognozowanie, Wrocław 1995. 115. Leszek Patrzałek, Funkcje ekonomiczne samorządu terytorialnego w okresie transformacji systemowej w Polsce, Wrocław 1996. 116. Urszula Szubert-Zarzeczny, Turystyka w procesie przekształceń systemowych w Polsce, Wrocław 1996. 117. Andrzej Bytniewski, Założenia teoretyczne robotyzacji systemu rachunkowości, Wrocław 1996. 118. Ryszard Brol, Procesy urbanizacji wsi polskiej, Wrocław 1996. 119. Adam Kubów, Infrastruktura społeczna w okresie transformacji, Wrocław 1996. Monograie i Opracowania 469 120. Józef Koziński, Lokalizacja funkcji organicznych w strukturze ugrupowania gospodarczego, Wrocław 1996. 121. Barbara Iwankiewicz-Rak, Marketing organizacji niedochodowych: wybrane problemy adaptacji w warunkach polskich, Wrocław 1996. 122. Józef Soliński, Aspekty techniczne i ekonomiczne otrzymywania białka z soku ziemniaka, Wrocław 1997. 123. Stanisław Czaja, Teoriopoznawcze i metodologiczne konsekwencje wprowadzenia prawa entropii w teorii ekonomii, Wrocław 1997. 124. Mieczysław Sobczak, Stosunek Narodowej Demokracji do kwestii żydowskiej w Polsce w latach 1918-1939, Wrocław 1998. 125. Maria Piotrowska, Makroekonomiczne uwarunkowania rynku pieniężnego w Polsce, Wrocław 1998. 126. Grażyna Osbert-Pociecha, Dywestycje w przedsiębiorstwie, Wrocław 1998. 127. Małgorzata Nycz, Wspomaganie procesu podejmowania decyzji w przedsiębiorstwie przy użyciu otwartego systemu ekspertowego, Wrocław 1998. 128. Jacenta Łucewicz, Organizacyjne zachowania człowieka, Wrocław 1999. 129. Jędrzej Chumiński, Ruch zawodowy w Polsce w warunkach kształtującego się systemu totalitarnego (1944-1956), Wrocław 1999. 130. Jerzy Kociszewski, Proces integracji gospodarczej ziem zachodnich i północnych z Polską, Wrocław 1999. 131. Stanisław Korenik, Rozwój regionu ekonomicznego na przykładzie Dolnego Śląska, Wrocław 1999. 132. Dorota Korenik, System oceny efektywności terenowych centrów zysku banku komercyjnego (w warunkach wzrostu konkurencji jakościowej w sektorze bankowym), Wrocław 1999. 133. Andrzej Baniak, O statyce porównawczej dla oligopolu, Wrocław 1999. 134. Maria Wanda Kopertyńska, System płac w przedsiębiorstwie, Wrocław 2000. 135. Władysław Czupryk, Wpływ zjawisk wtórnych na zużywanie utleniające metali w procesie tarcia poślizgowego, Wrocław 2000. 136. Andrzej Kaleta, Strategia konkurencji w przemyśle, Wrocław 2000. 137. Leon Jakubów, Społeczne uwarunkowania rozwoju przedsiębiorstw, Wrocław 2000. 138. Krystyna Moszkowicz, Procesy innowacyjne w polskim przemyśle, Wrocław 2001. 139. Tomasz Lesiów, Prognozowanie jakości wyrobów z mięsa kurcząt na podstawie reologicznych właściwości homogenatów, Wrocław 2001. 140. Mariusz Czekała, Statystyki pozycyjne w modelowaniu ekonometrycznym. Wybrane problemy, Wrocław 2001. 141. Elżbieta Weiss, Ocena ekonomiczna procesu przekształceń w gospodarce komunalnej w Polsce, Wrocław 2001. 142. Andrzej Misztal, O podziałach optymalnych w ekonomii, Wrocław 2002. 143. Tadeusz Dudycz, Finansowe narzędzia zarządzania wartością przedsiębiorstwa, Wrocław 2001. 144. Waldemar Podgórski, Kształtowanie aktywności oddechowej i kwasotwórczej Aspergillus niger podczas produkcji kwasu cytrynowego w podłożach z melasą trzcinową, Wrocław 2002. 145. Janina Wołoszyn, Charakterystyka izykochemiczna i technologiczna mięśni kaczek tuczonych przymusowo, Wrocław 2002. 146. Ireneusz Kuropka, Potencjał życiowy mieszkańców Dolnego Śląska. Diagnoza i perspektywy, Wrocław 2002. 147. Jerzy Jan Pietkiewicz, Biosynteza kwasu cytrynowego przez Aspergillus niger w warunkach jedno- i wielostopniowych hodowli ciągłych, Wrocław 2002. 148. Bogusława Drelich-Skulska, Ewolucja zagranicznej polityki ekonomicznej Japonii u progu XXI wieku, Wrocław 2002. 149. Janusz Łyko, Pomiar i prognozy inlacji, Wrocław 2002. 150. Jacek Uchman, Podatkowe uwarunkowania polityki wypłat dywidend spółek kapitałowych, Wrocław 2002. 470 Monograie i Opracowania 151. Zbigniew Michna, Modele graniczne w teorii ryzyka ubezpieczeniowego, Wrocław 2002. 152. Tadeusz Janaszak, Równoległy rachunek różniczkowy w badaniach ekonomicznych, Wrocław 2003. 153. Ryszard Kłeczek, Orientacja rynkowa w przedsiębiorstwie – podejścia metodologiczne i kierunki rozwoju badań, Wrocław 2003. 154. Jacek Unold, Dynamika systemu informacyjnego a racjonalność adaptacyjna. Teoretyczno-metodologiczne podstawy nowego ujęcia zasady racjonalności, Wrocław 2003. 155. Stanisław Chełpa, Kwaliikacje kadr kierowniczych przedsiębiorstw przemysłowych. Kierunki i dynamika zmian, Wrocław 2003. 156. Olga Kowalczyk, Rola pomocy osobistej w procesie integracji społecznej osób niepełnosprawnych w Polsce i w innych krajach, Wrocław 2003. 157. Andrzej Bąk, Dekompozycyjne metody pomiaru preferencji w badaniach marketingowych, Wrocław 2004. 158. Edmund Cibis, Tlenowa biodegradacja skrobiowych wywarów gorzelniczych za pomocą mieszanej kultury bakterii termo- i mezoilnych z rodzaju Bacillus, Wrocław 2004. 159. Maciej Kramarek, Specyiczne funkcje leasingu okresu transformacji, Wrocław 2004. 160. Mieczysław Lech Owoc, Wartościowanie wiedzy w inteligentnych systemach wspomagających zarządzanie, Wrocław 2004. 161. Zbigniew Garncarek, Studia nad biosyntezą ergosterolu i jego ∆5,7 prekursorów przez szczep Saccharomyces cerevisiae D7, Wrocław 2004. 162. Zbigniew Antczak, Funkcja personalna w przedsiębiorstwie w okresie transformacji gospodarczo-społecznej w Polsce, Wrocław 2005. 163. Czesław Zając, Społeczne i organizacyjne problemy przejęć i fuzji przedsiębiorstw, Wrocław 2005. 164. Ewa Pancer-Cybulska, Uwarunkowania procesów integracji Polski z Unią Europejską na poziomie regionalnym i lokalnym, Wrocław 2005. 165. Helena Jasiulewicz, Teoria zaufania. Modele aktuarialne, Wrocław 2005. 166. Wojciech Rybicki, Reprezentacja prognoz i modelowanie ryzyka, Wrocław 2005. 167. Irena Szczygieł, Układy trójskładnikowe Ce2O3-Na2O-P2O5 i Ce2O3-K2O-P2O5, Wrocław 2005. 168. Waldemar Dotkuś, Pomiar zadłużenia w publicznych zakładach opieki zdrowotnej województwa dolnośląskiego, Wrocław 2006. 169. Wiesław Wątroba, Społeczeństwo konsumpcyjne w dobie globalizacji, Wrocław 2006. 170. Maria Kolenda, Taksonomia numeryczna. Klasyikacja, porządkowanie i analiza obiektów wielocechowych, Wrocław 2006. 171. Jerzy Niemczyk, Wyróżniki, budowa i zachowania strategiczne układów outsourcingowych, Wrocław 2006. 172. Jacek Adamek, Instytucje poręczeń i gwarancji kredytowych dla małych i średnich przedsiębiorstw – doświadczenia polskie i zagraniczne, Wrocław 2006. 173. Krzysztof Szołek, Obszary metropolitalne we współczesnej przestrzeni społeczno-gospodarczej. Studium przypadku, Wrocław 2006. 174. Mieczysław Morawski, Zarządzanie wiedzą. Organizacja – system – pracownik, Wrocław 2006. 175. Marek Nowiński, Nieliniowa dynamika szeregów czasowych w badaniach ekonomicznych, Wrocław 2007. 176. Maria Antonina Mach, Temporalna analiza otoczenia przedsiębiorstwa. Techniki i narzędzia inteligentne, Wrocław 2007. 177. Maria Jaworska, Zmiany strukturalne w przemyśle państw OECD w latach 1993-2003 – trendy i ocena efektu strukturalnego, Wrocław 2007. 178. Krzysztof Łobos, Organizacja przedsiębiorstwa wspierająca efektywność ekonomiczną, Wrocław 2007. 179. Ewa Stańczyk-Hugiet, Strategiczny kontekst zarządzania wiedzą, Wrocław 2007. 180. Małgorzata Nycz, Pozyskiwanie wiedzy menedżerskiej. Podejście technologiczne, Wrocław 2007. Monograie i Opracowania 471 181. Wojciech Misiński, Modelowanie systemu powszechnych ubezpieczeń zdrowotnych w Polsce, Wrocław 2007. 182. Krzysztof Sain, Przedsiębiorstwa rodzinne – istota i zachowania strategiczne, Wrocław 2007. 183. Waldemar Tyc, Ekonomiczne i społeczne uwarunkowania transformacji rodziny, Wrocław 2007. 184. Zoia Rusnak, Statystyczna analiza dobrobytu ekonomicznego gospodarstw domowych, Wrocław 2007. 185. Małgorzata Domiter, Eksport w doktrynie i polityce gospodarczej na tle procesów liberalizacyjnych i integracyjnych, Wrocław 2008. 186. Adela Barabasz, Osobowość organizacji. Zastosowanie w praktyce zarządzania, Wrocław 2008. 187. Agnieszka Skowrońska, Rola polityki logistycznej państwa we wdrażaniu zrównoważonego rozwoju, Wrocław 2009. 188. Małgorzata Durbajło-Mrowiec, Wyznaczniki wartości zakładu opieki zdrowotnej, Wrocław 2009. 189. Tadeusz Gospodarek, Modelowanie w naukach o zarządzaniu oparte na metodzie programów badawczych i formalizmie reprezentatywnym, Wrocław 2009. 190. Jarosław Woźniczka, Efekty reklamy w systemie komunikacji marketingowej, Wrocław 2009. 191. Bożena Borkowska, Regulacja monopolu naturalnego w teorii i praktyce, Wrocław 2009. 192. Bartłomiej Nita, Rola rachunkowości zarządczej we wspomaganiu zarządzania dokonaniami przedsiębiorstwa, Wrocław 2009. 193. Robert Kowalak, Benchmarking jako metoda zarządzania wspomagająca controlling przedsiębiorstwa, Wrocław 2009. 194. Roman Kotapski, Budżetowanie w zarządzaniu przedsiębiorstwem budowlano-montażowym, Wrocław 2010. 195. Elżbieta Sobczak, Segmentacja rynków zagranicznych, Wrocław 2010. 196. Witold Kowal, Kontrola skuteczności marketingowej – problem zmienności interpretacji i pomiaru, Wrocław 2010. 197. Grzegorz Bełz, System zarządzania jako regulator odnowy i wzrostu przedsiębiorstw, Wrocław 2011. 198. Marzena Stor, Strategiczne międzynarodowe zarządzanie zasobami ludzkimi, Wrocław 2011. 199. Wojciech Cieśliński, Doskonalenie procesowej orientacji przedsiębiorstw PDP. Model platformy treningu procesowego, Wrocław 2011. 200. Katarzyna Kuziak, Pomiar ryzyka przedsiębiorstwa. Modele pomiaru i ich ryzyko, Wrocław 2011. 201. Janusz Marek Lichtarski, Struktury zadaniowe. Składniki, własności i uwarunkowania, Wrocław 2011. 202. Grażyna Woźniewska, Potencjał konkurencyjności banku spółdzielczego, Wrocław 2011. 203. Andrzej Misztal, Degresywna proporcjonalność a kształtowanie składu Parlamentu Europejskiego, Wrocław 2012. 204. Joanna Dębicka, Modelowanie strumieni inansowych w ubezpieczeniach wielostanowych, Wrocław 2012. 205. Edyta Tabaszewska, Wprowadzanie i funkcjonowanie systemów zarządzania wiedzą w przedsiębiorstwach, Wrocław 2012. 206. Anna Cierniak-Emerych, Uczestnictwo pracobiorców w gospodarowaniu potencjałem pracy przedsiębiorstwa, Wrocław 2012. 207. Edward Pielichaty, Analiza duration w ocenie ryzyka stopy procentowej portfeli instrumentów inansowych o stałym dochodzie, Wrocław 2012. 208. Joanna Szymańska, Gospodarowanie zasobami ziemi w Polsce – aspekty teoretyczne i praktyczne, Wrocław 2012. 209. Wawrzyniec Michalczyk, Ewolucja polityki walutowej w Polsce po roku 1989 w perspektywie przystąpienia do strefy euro, Wrocław 2012. 472 Monograie i Opracowania 210. Marian Kachniarz, Efektywność usług publicznych – teoria i praktyka, Wrocław 2012. 211. Janusz Wielki, Modele wpływu przestrzeni elektronicznej na organizacje gospodarcze, Wrocław 2012 212. Katarzyna Miszczak, Dylematy rozwoju regionu ekonomicznego w świetle wyzwań XXI wieku, Wrocław 2012. 213. Dariusz Wawrzyniak, Ryzyko informatyczne w działalności bankowej, Wrocław 2012. 214. Anna Olszańska, Rynek żywca w Polsce (1955-2010) – zmiany strukturalne, koncentracja produkcji i wahania podaży, Wrocław 2012. 215. Wiesław Danielak, Kształtowanie kapitału relacyjnego w małym i średnim przedsiębiorstwie, Wrocław 2012. 216. Alicja Zakrzewska-Półtorak, Rozwój regionalny w globalizującej się gospodarce, Wrocław 2012. 217. Tomasz Słoński, Analiza wpływu wspomaganego długiem wykupu akcji (LBO) na wartość spółki, Wrocław 2012. 218. Marta Wincewicz-Bosy, Sieci podmiotów gospodarczych w biznesie końskim, Wrocław 2012. 219. Bartosz Jasiński, Rady nadzorcze wobec zjawiska kryzysu organizacyjnego, Wrocław 2012. 220. Jarosław Brach, Internacjonalizacja polskich przedsiębiorstw międzynarodowych drogowego transportu ładunków, Wrocław 2012.