return

Lengyel Balázs – Loet Leydesdorff

A magyar gazdaság tudás-alapú szerveződésének mérése:

az innovációs rendszerek szinergiáinak térbelisége

A „tudás-alapú gazdaság” felemelkedéséről, jellemzőiről, egyáltalán a fogalom értelmezhetőségéről az elmúlt években kiélezett viták folytak. Az elméleti közgazdaságtudománnyal foglalkozók egy része kétkedéssel fogadja és tagadja a „tudás-alapú gazdaság” közgazdaságtani értelmezésére tett kísérleteket is. Az innovációs rendszerekkel foglalkozó irányzatok, az „új intézményi” közgazdaságtan, az evolúciós közgazdaságtan stb. a gazdasági élet változásait felismerve próbálja beemelni elemzési körébe a tudás-alapú gazdaság jellemzőit.

Tanulmányunkban, korábbi holland és német vizsgálatokra alapozva a gazdaság tudás-alapú szerveződésének mérésére teszünk kísérletet a tudásteremtés, tudás-kiaknázás és szervezeti kontroll funkciók innovációs rendszereken belüli szinergiájának becslésével. A gazdaság tudás-alapon való térbeli szerveződését a hazai cégek háromdimenziós valószínűségi eloszlásának entrópiájával és a három dimenzió (földrajzi, technológiai és szervezeti) közös információjával becsültük.

Eredményeink szerint a magyar tudás-alapú gazdaság területi szempontból erősen tagolt. Az ország észak-nyugati részein a külföldi tulajdonban lévő vállalatok, a keleti és déli területeken pedig a költségvetési intézmények bírnak vezető szereppel a gazdaság tudás-alapú szerveződésében. Vizsgálatunk alapján úgy tűnik, hogy az innovációs rendszer nemzeti szintje nem segíti a regionális szinten kialakult szinergiákat.*

Journal of Economic Literature (JEL) kód: B52, R12, O18

 

 

A tudás-alapú gazdaság fogalma, értelmezése elsősorban a gazdaságpolitikai elemzésekben, dokumentumokban figyelhető meg (OECD, 2001), illetve az innovációkkal foglalkozó elméleti irányzatok szakirodalmában (Foray, 2004). A fogalom alatt általában a felgyorsult információ-áramlást, a tudományos élet és a gazdaság összefonódását, a tudás gazdasági felértékelődését stb. értik. Tanulmányunkban a gazdaság tudás-alapú szerveződésének mérésére teszünk kísérletet. Arra kívánunk fókuszálni, hogy a piaci- és politikai koordináció mellett miként határozza meg a szervezett tudásteremtés a gazdaság területi szerveződését (Leydesdorff, 2006,b).

 

A gazdaság tudás-alapú szerveződése az innovációk gazdasági szerepének értelmezéséhez kötődik leginkább. Az evolúciós közgazdaságtanban gyökerező nemzeti innovációs rendszerek (Acs és Varga, 2000; Dőry, 2005; Cooke, 2002; Lundvall, 1992; Varga, 2004) irányzatának egyik alapgondolata, hogy az innováció egyaránt létrejöhet a cégek berkein belül, illetve egyéb intézményi szereplőkkel (egyetemek, kutatóintézetek, kormányzati szervek és iparágak) való hálózati együttműködésben (Inzelt, 2004, Lengyel B., 2005). A nemzeti innovációs rendszereken belül a regionális innovációs rendszerek különböznek a tekintetben, hogy a rendszert alkotó hálózatok miképpen teremtik meg a csere, az újdonságteremtés és a szervezeti kontroll funkciói közötti szinergiákat (Cooke és Leydesdorff, 2002). A fejlett régiók példája azt mutatja, hogy az innovációs rendszerek erősségét leginkább annak alrendszerei – az iparági struktúra, a cégek földrajzi eloszlása és akadémiai hagyományok – közötti szinergia jelzi (Fritsch, 2004).

 

A csere, újdonságteremtés és szervezeti kontroll funkciói a tudás-alapú szerveződés al-mechanizmusainak (sub-dynamics) tekinthetők, amelyek eltérő mértékben ugyan, de hatnak egymásra. Minél inkább érvényesülnek ezen funkciók közötti szinergikus hatások, annál inkább beszélhetünk a tevékenység „ön-szervező” jellegéről. A regionális innovációs rendszerek szintjén megnyilvánuló hatásokat nem elég például az egyetem-ipar(gazdaság) hálózati kapcsolataira visszavezetni, mivel azok közvetett módon is jelentkeznek (Leydesdorff, 2006,b; 2007). A regionális gazdaságtan egyik elfogadott irányzata szerint három tényező, mint három dimenzió között kell keresnünk a szinergiákat: a tudás generálása, a tudást kiaknázó szervezetek és a tudás földrajzi terjedése között (Lengyel I. 2003, Storper, 1997). Az al-mechanizmusok „összehangoltsága” a gazdaság tudás-alapon való szerveződésére utal.

 

Jelen tanulmányban holland és német vizsgálatok (Leydesdorff et al, 2006, Leydesdorff és Fritsch, 2006) módszertani és empirikus eredményeit felhasználva a magyar gazdaság tudás-alapon való térbeli szerveződésének mérésére, az al-mechanizmusok közötti szinergia becslésére az entrópia módszerét alkalmazzuk. Az entrópia információ-elméleti formulájával egy eloszlásban megmutatkozó rendezetlenséget vagy bizonytalanságot (az angol irodalomban az „uncertainty” fogalom használatos) tudjuk mérni (Shannon, 1948). A három vizsgált dimenzió: a magyar vállalatok technológiai (tudást teremtő), szervezeti (tudást alkalmazó) és földrajzi (a tudás terjedésének) dimenziói. A háromdimenziós eloszlás közös információja kisebb vagy egyenlő, mint a dimenziók entrópiáinak összege, ami a rendszer bizonytalanságának csökkenését mutatja. A bizonytalanság csökkenését az al-mechanizmusok között kialakult szinergiának tudhatjuk be (Leydesdorff, 2006a). Így a háromdimenziós közös információ a gazdaság tudásalapon való szerveződésének indikátoraként is felfogható. A technológiai dimenziót az iparági szektorok TEÁOR besorolásával becsültük, a high-tech, medium-tech vállalatokat és tudás-intenzív szolgáltatásokat vizsgáltuk. A földrajzi dimenziót az iparvállalatok székhelyéül szolgáló kistérségekkel, a szervezeti dimenziót a vállalatok méretével (foglalkoztatottak száma) ragadtuk meg.

 

A tanulmány első részében a vizsgálat hátterét nyújtó elméleti modellt mutatjuk be, s röviden kitekintünk a korábbi hazai vizsgálatok fontosabb eredményeire, melyek hipotéziseink alapjául szolgáltak. A második részben az adatfelvétel és a vizsgálati módszer leírása található, amit a hipotézisek empirikus tesztelése, eredményeink leírása és értelmezése követ. Vizsgálatunkban egy módszertani kísérletet tettünk, lehet-e és hogyan a fejlett országokban tesztelt becslési eljárást alkalmazni a tudás-alapú gazdaság térbeliségének mérésére egy közepesen fejlett, erős területi egyenlőtlenségekkel bíró átmeneti gazdaságban. .

 

 

A tudás-alapú gazdaság térbeliségének vizsgálata, kutatásunk hipotézisei

 

A neoklasszikus alapokon nyugvó új gazdaságföldrajz (Krugman, 2000) ökonometriai elemzései a tudáshoz való hozzáférés pozitív externália-jellegére hívták fel a figyelmet (Varga 2004). A tudás áramlását ez az irányzat automatikusnak tartja, amely egy adott lokális környezetben a vállalatok között „tudás-túlcsordulási” (knowledge-spillover) hatásként érvényesül. Az evolúciós gazdaságföldrajz a tudás-externáliák között megkülönbözteti a lokális specializációhoz kapcsolódó Marshall-i- és a lokális sokszínűséghez kapcsolódó Jacobs-i externáliákat (Boschma és Martin, 2007). A vállalatok rutinjai, szervezeti tudása történelmileg formálódó tényezők alapján koncentrálódik a térben, a tudás túlcsordulása nem automatikus, hanem a tudás transzferéhez kötődik (Lengyel B., 2004), amelyben a lokális és globális tényezők egyaránt szerepet játszanak (Boschma és Frenken, 2006; Breschi és Lissoni, 2001).

 

Az innovációs rendszerek iskolájának eredete a tudás értelmezését tekintve az evolúciós közgazdaságtanra vezethető vissza (Lundvall, 1992; Nelson, 1993), viszont a nemzeti és regionális innovációs rendszerek vizsgálataira sokkal inkább jellemző az intézményi közgazdaságtan eszköztára (Acs és Varga, 2000; Boschma és Frenken, 2006). A regionális kutatók többsége a régiók intézmény-rendszerét adottnak tekintve, és azokat összehasonlítva méri a regionális innovációs rendszerek teljesítményét (Asheim és Coenen, 2006, Lengyel és Rechnitzer 2004). Így elsősorban az innováció input- és output indikátorainak régiók közötti összehasonlítása, mintsem a regionális rendszereken belüli kölcsönhatások számszerűsítése szerepel eszközeik között. Az innovációs rendszerek iskolája megfelelő terep lehet az evolúciós és intézményi irányzat ötvözéséhez (Boschma és Frenken, 2006), ehhez azonban az innovációnak az intézményi kereteket megújító, újra-strukturáló jellegét, a tudás-alapú rendszerek belső dinamikáját, az al-rendszerek egymást alakító (ko-evolúciós) kölcsönhatását kell vizsgálnunk.

 

Az innovációs folyamatok vizsgálatában az evolúciós közgazdászok általában megkülönböztetik a tudás teremtés (knowledge exploration) és a tudás alkalmazás (knowledge exploitation) funkcióit (Nelson és Winter, 1982). A tudás teremtésén az alap- és alkalmazott kutatások által történő újdonság-teremtést szokás érteni, míg a tudás alkalmazása a vállalkozó vagy vállalat által történő előny-teremtés. Az intézményi közgazdaságtan az újdonságteremtés és a csere mechanizmusai mellett a szervezeti kontroll szerepét is kiemeli (Lorenzen és Foss, 2003). Ezek az eltérő mechanizmusokkal leírható funkciók egymással szoros ko-evolúciós kapcsolatban állnak. Az evolúciós és intézményi irányzatok sajátos összeillesztése történt a regionális innovációs rendszerekben, ahol a tudást generáló (egyetemek, kutatóintézetek) és azt felhasználó (vállalatok, iparági klaszterek stb.) alrendszerek között a tudás áramlását a személy- és intézményközi hálózatok segítségével térképezik fel (Fornahl és Brenner, 2003). Az innovációs rendszerek erőssége attól függ, hogy a tudás-alapú funkciók miképpen kapcsolódnak a szereplők közötti hálózatokhoz, hiszen ezek a hálózatok a tudás cseréjét jelentősen megkönnyítik (Foray, 2004; Leydesdorff, 2006,a).

 

Az intézményi és evolucionalista közgazdaságtani szemléletek innovációs rendszerekben való ötvözéséhez két dolgot kell végiggondolnunk. Először is, annak ellenére, hogy az innovációs rendszerekben lévő hálózatokban a szervezett tudásteremtés, a tudás transzfer és a kontroll feladatait más szereplők látják el, nem rendelhetünk hozzájuk egy-egy intézményt. Nem mondhatjuk például, hogy az egyetemek felelnek a tudás teremtéséért, a vállalatok pedig a tudás kiaknázásáért  hiszen a tudástranszfer a vállalatok és az egyetemek között kétirányú (Etzkowitz és Leydesdorff, 2000). Így nem a szereplők hálózatban való jelenléte a fontos, hanem kapcsolataik minősége, s még inkább a kapcsolatok átalakulására ható erők jelenléte. Másodszor, a gazdaság tudásalapon való szerveződése nem igényel feltétlenül közvetlen kapcsolatokat, az természetéből adódóan lehet más piaci erők vagy externáliák (pl. tudás-túlcsordulás) által vezérelt (Varga, 2004). A regionális innovációs rendszerek működése sem mérhető pusztán a szereplők közötti kapcsolatok (piaci kapcsolat vagy K+F kooperáció) vizsgálatával. Az innovációs rendszeren belül a hálózatok elemzése szükséges, de nem elégséges a tudás-alapú szerveződés megértéséhez. A tudás-alapú gazdaság funkciói – a hálózatokon belül – egymással ko-evolúciós kapcsolatban állnak, a köztük lévő szinergikus kölcsönhatások erősségét kell a vizsgálatoknak megmutatnia (Fritsch, 2004).

 

A tudás-alapú gazdaság alrendszereinek többféle csoportosítása ismert, például az egyetem- gazdaság- és kormányzat szférák kapcsolatát leíró Triple Helix modell három szférája egymást alakítja, egymással ko-evolúciós kapcsolatban áll (Etzkowitz és Leydesdorff, 2000). A modellben lehetőség van arra, hogy figyelembe vegyük a három szféra eltérő mechanizmusait, belső motivációit, célfüggvényét (Lengyel B., 2006). Bár az egyetem a tudás létrehozásában, a gazdasági szféra a tudás kiaknázásában, a kormányzat pedig a kapcsolatok kontrollálásában tekinthető főszereplőnek, a háromoldalú kapcsolatok során az intézmények funkciói változnak, s így változnak az egymással szemben támasztott elvárások is (Leydesdorff, 2006,a). A modellben a három szféra összefonódása a tudás-alapú gazdaság egyik ismérve, a tudás-alapon való szerveződésnél a hálózati kapcsolatokban pozitív visszacsatolásokat feltételezhetünk (network overlay). A regionális innovációs rendszerek ko-evolúciós jellemzéséhez a szférák, a tudás-alapú gazdaság funkciói közötti szinergiákat kell formalizálnunk (Fritsch, 2004). Véleményünk szerint ebben a szemléletben többet tudhatunk meg a kölcsönhatásokról, mintha csak a hálózatokat elemeznénk, de nem hagyjuk azokat sem figyelmen kívül, hiszen azok a három szféra kapcsolataiban integrálódnak.

 

Leydesdorff (2006,a, 195. o.) a Triple Helix modell segítségével az innovációs rendszerek teljes dinamikáját modellezve a hálózatokat három dimenzió mentén aggregálta. A fent kifejtett tudás-funkciók közötti szinergiák megragadását tette ezzel lehetővé (1. ábra). A hálózatok jelentős része a földrajzi környezet által meghatározott, a földrajzi dimenzió pozicionálja a szereplőket, a köztük lévő kapcsolatok sűrűségére (gyakoriságára) a földrajzi elhelyezkedés döntő hatással van. A tudás-alapú gazdaság csere-kapcsolatainak nagy része a globalizáció során főleg az infokommunikációs eszközöknek köszönhetően függetlenedett a kommunikáció lokális hálózataitól; ugyanakkor a tudás terjedését a cserekapcsolatok nagyban elősegítik, ha nem is fedik le teljesen. A tudásteremtés tudományos vagy technológiai paradigmák szerint rendeződik, s az általa létrehozott tudás jellegétől függően igényli a hálózatok inkább lokális (pl. mérnöki tudományok) vagy inkább globális szerveződését (pl. természettudományok) (Asheim és Coenen, 2006).

 

1. ábra

A gazdaság tudás-alapú szerveződésének dimenziói

 

Forrás: Leydesdorff, 2006, 196. o. alapján saját szerkesztés

 

Az innovációs rendszerek három tudás-funkciója: a tudásteremtés, a tudástranszfer és a szervezeti kontroll a modellben a három dimenzió interface jellegű, elsőrendű kapcsolatainak feleltethető meg. Egy innovációs rendszer tudásteremtése a tudományos/technológiai paradigmák és a földrajzi elhelyezkedés, a tudás-transzfer pedig a cserekapcsolatok és az újdonságteremtés folyamatainak együttes viszonylatában értelmezhetőek. Az innováció-politika hatásköre természetszerűen egy adott földrajzi térre (ország, régió stb.) korlátozódik, s elsősorban a gazdasági cserekapcsolatokra van hatással. A gazdaság tudás-alapon való szerveződése az innovációs rendszer tudás-funkcióinak kapcsolataival formalizálható és mérhető (szaggatott vonallal jelölve az 1. ábrán).

 

A tudásteremtés, a tudástranszfer és a szervezeti kontroll hálózatokban történik, ugyanakkor a funkciók hatással vannak egymásra. A hálózati szerveződés pozitív visszacsatolását szintén csak az alapján tudjuk megragadni, hogy van-e szinergikus kölcsönhatás a tudás-funkciók között. Azonban ha az innovációs rendszer szintjén ragadjuk meg a kölcsönhatásokat, akkor a rendszer bizonytalanságát (uncertainty) feltételezhetjük (Hronszky, 2005). Más szavakkal: a funkciók közötti kapcsolatok sztochasztikusak, a technológiai fejlődés pedig átrajzolja a három mechanizmus közötti összekapcsolódások rendszerét. A szinergiák csökkentik a rendszerben lévő bizonytalanságot, így ha meg tudjuk ragadni a bizonytalanság-csökkenés mértékét, akkor a rendszer szintjén megvalósuló szinergiákat is tudjuk mérni.

 

Az empirikus vizsgálat dimenzióinak kiválasztásánál az elméleti modellhez képest bizonyos kompromisszumokat kellett kötnünk, a vizsgálati módszer olyan dimenziókat igényelt, melyek értelmezhetők azonos vizsgálati egységre. Michael Storper (1997) szerint a gazdasági tevékenység technológiai szintje, a vállalatok szerveződése és földrajzi elterjedése egymástól viszonylag függetlenül oszlik meg (Bajmócy, 2007; Lengyel I., 2003). Esetünkben tehát a vállalatok földrajzi elhelyezkedése, technológiai besorolása és mérete jelentheti az empirikus vizsgálat három dimenzióját. A vállalatméret, illetve a piaci és nem piaci tranzakciók közötti kapcsolat az evolúciós vállalatelmélet egyik fő problémaköre (Kapás, 1999). A vállalatok mérete és a tudás transzferének (piaci és szervezeti) költsége kölcsönösen meghatározzák egymást. Például, ha túl magas a szervezetek közötti kommunikáció költsége, akkor hatékonyabb a vállalati integráció, mint a piaci koordináció. Tanulmányunkban a vállalatok méretével számszerűsítjük a gazdasági cserekapcsolatok hatását a tudás-alapú szerveződésre, s a vállalatok e három dimenzióban való eloszlásáról (földrajzi, technológiai, vállalatméret) gyűjtünk adatokat. A kétdimenziós eloszlások entrópia-csökkenésével becsüljük a tudás-alapú funkciókat, a háromdimenziós közös információval pedig a tudás-funkciók szinergiáját, az innovációs rendszer tudás-alapú szerveződését mérjük.

 

A tudásteremtés és tudástranszfer területiségével foglalkozó irodalom egyik alapkérdése, hogy a lokális vagy a globális viszonyok a meghatározóak (Acs és Varga, 2000; Breschi és Lissoni, 2001). A gazdasági tevékenység földrajzi eloszlása, az iparági szektorok technológiai szintjében és a vállalatok méretében megnyilvánuló különbségek miatt azt várhatjuk, hogy a földrajzi feltételek különbözően hatnak a különböző gazdasági szektorokra. A tudás-intenzív üzleti szolgáltatások egy része például elvégezhető távolságtól függetlenül is, az ipari beszállítói kapcsolatok viszont jobban függnek a földrajzi távolságból adódó szállítási költségektől. Kutatásunk első két hipotézisét a tudás-alapú szerveződés globális és lokális viszonyait vizsgálva fogalmaztuk meg, a hipotézisek felállításánál két korábbi hasonló tanulmányra támaszkodtunk (Leydesdorff et al, 2006, Leydesdorff és Fritsch, 2006):

 

1.         A high- és medium-tech iparágakban a gazdaság tudás-alapú szerveződése függ a földrajzi dimenziótól.

2.         A tudás-intenzív szolgáltatások elszakítják a gazdaság tudás-alapú szerveződését annak földrajzi dimenziójától.

 

Hazánk gazdaságának átmeneti jellegéből adódóan több speciális összefüggésre is tekintettel kell lennünk az innovációs rendszerekben lévő szinergiák vizsgálata előtt. Feltételezhetjük például, hogy a múlt rendszer öröksége az egyetem- gazdaság- kormányzat kapcsolatait illetően még mindig meghatározó,, az egyetemek gazdasági önállósága korlátozott (Etzkowitz és Leydesdorff, 2000; Inzelt, 2004). Az átmenetnek számos explicit jele van: a regionális innovációs rendszerek intézményhálózata csak most van kialakulóban, a kormányzati szféra erősen centralizált, a felsőoktatás és az egészségügy reformja szintén napjainkban zajlik stb.

 

Szintén fontos kiemelni, hogy a magyar gazdaság tervgazdaságból piacgazdaságba történő átmenetének kezdete és a globalizációs folyamatok erősödése egy időre esett, így mindkettő kihívásaival egyszerre kellett megbirkózni (Enyedi, 1995, 2000). Mindkét folyamatot figyelembe kell vennünk a magyar szinergiák elemzésekor: a múlt rendszerben kialakult mechanizmusok valószínűleg meghatározóak maradtak az állam által ellenőrzött szektorokban (Hámori et al, 2007; Papanek, 2006). Az átmenet sokkal gyorsabban ment végbe azokban az ágazatokban, ahol a külföldi tulajdonú vállalatok érdekeltséget szereztek (Barta, 2000; Szabó és Kocsis, 2003). A transzformáció dinamikája jelentősen különbözik a gazdasági szektorokban és az egyetemi szférában (Inzelt, 2003). A hazai gazdaság megújuló képessége és a külföldi piacokra való kijutás szoros összefüggésben van egymással (Török és Petz, 1999), a gazdasági átmenet az Európai Unióhoz való csatlakozásban csúcsosodott ki. Az átmenet a megyék versenyképességében (Lengyel I., 2003), a városhálózat megújuló képességében (Rechnitzer, Csizmadia és Grosz, 2004) és a térségek innovációs teljesítményében (Varga, 2007) megmutatkozó különbségek miatt területileg differenciáltan ment végbe. A fentiek miatt a hazai viszonyokra tekintettel két további hipotézist állítottunk fel:

 

3.         A külföldi tulajdonban levő vállalatok és a külföldi tőkeberuházások pozitív hatással vannak a tudás-alapú szerveződésre.

4.         Nagy területi különbségek találhatók a kutatás-fejlesztés tudás-alapú szerveződésre gyakorolt hatásában.

 

A nemzetgazdaságok és a szubnacionális régiók különböznek abban, hogyan kombinálják a tudás-alapú gazdaság funkcionális követelményeit, elemeit (Lundvall, 1992; Nelson, 1993; Cooke, 2002; Török, 2006b). Az egyetem- gazdaság- kormányzat kapcsolatok is eltérően alakulnak országos és regionális szinten, mivel a három szféra ko-evolúciós kölcsönhatását különböző erők alakítják (Etzkowitz és Leydesdorff, 2000). Amikor a gazdaság tudás-alapú szerveződése az innovációs rendszer szintjén megnyilvánuló szinergiából adódik, akkor egy növekvő „ön-szabályozó” visszacsatolást várhatunk a rendszerben. Ez a visszacsatolás egyaránt működhet pozitívan (csökkentheti a kapcsolatok bizonytalanságát), illetve működhet negatívan is (a globalizációt erősíti egy korábban lokális rendszerben; vagy a régió bezáródásához – lock in – vezet). Más szavakkal, a hálózati kapcsolatok a regionális szerkezetet termékennyé, innovatívvá tehetik, de nem minden hálózattól várhatjuk el ezt. Például a termelékenységük, innovativitásuk és a hálózati kapcsolatok sűrűsége ellenére az olasz iparági körzetek kárvallottjai lehetnek az ipar delokalizációjának. Azok a lokális kapcsolatok pedig, amelyek eredménye nem jut ki a globális piacra, a térség bezáródása felé hatnak. A hazai innovációs rendszerek szinergiáinak vizsgálata az „új-evolúciós” modellünk alapján történik. Arra vagyunk kíváncsiak, hogy a rendszer mennyi bizonytalanságot kelt vagy szüntet meg, a rendszer melyik szintjén és dimenziójában történik ez?

 

Adatfelvétel és módszertan

 

Adatbázisunk a magyarországi high-tech, medium-tech és tudás-intenzív szolgáltató cégeket tartalmazza, az adatok 2005. december 31-ére vonatkoznak. A KSH adatbázisa alapján a cégeket három dimenzió szerint vizsgálatuk.

 

A földrajzi dimenziót a 168 magyar kistérség jelenti, minden céget a székhelye szerinti kistérséghez soroltuk. A kistérségi adatgyűjtés az információk megyei szintű aggregálását, a megyén belüli entrópia (bizonytalanság) mérését tette lehetővé, így a szinergiákat megyei szinten tudjuk kimutatni. Egyedül Budapest és a Közép Magyarországi régió (KMR) okoz nehézséget, hiszen Budapest kiemelkedik a térségből, egyidejűleg megye és kistérség.

 

1. táblázat

High-tech-, medium-tech vállalkozások és tudás-intenzív szolgáltatások

High-tech feldolgozóipar   30 Iroda-, számítógépgyártás 32 Híradás-technikai termék, készülék gyártása 33 Műszergyártás   Medium-high-tech feldolgozóipar   24 Vegyianyag, termék gyártása 29 Gép, berendezés gyártása. 31 Máshova nem sorolt villamos gép gyártása 34 Közúti jármű gyártása 35 Egyéb jármű gyártása

Tudás-intenzív szolgáltatások   61 Vízi szállítás 62 Légi szállítás 64 Posta, távközlés 65 Pénzügyi közvetítés 66 Biztosítás, nyugdíjalap 67 Pénzügyi kiegészítő tevékenység 70 Ingatlanügyletek 71 Kölcsönzés 72 Számítástechnikai tevékenység 73 Kutatás-fejlesztés 74 Egyéb gazdasági szolgáltatás 80 Oktatás 85 Egészségügyi, szociális ellátás 92 Szórakoztatás, kultúra, sport   A 64-es, 72-es és 73-as szektorok high-tech tudás-intenzív szolgáltatásoknak minősülnek.

Forrás: OECD, 2001

A technológiai dimenzió becslése a gazdasági ágazatok TEÁOR kategóriája szerint történt az OECD, Eurostat gyakorlata szerint, az alapul vett holland és német vizsgálatok módszerét követve. Mivel a gazdaság különböző szektorai várhatóan különböző technológiai fejlettségűek, más-más technológiákat használnak, ezért az iparági osztályozás egyféle becslésként használható a technológia dimenziónál. Az OECD (2001, 137. o.) a szektorokat tudás-intenzivitásuk szerint definiálta (1. táblázat). Mindegyik céget a főtevékenysége alapján soroltuk a két-számjegyű kategóriák valamelyikébe.

 

A szervezeti dimenzióban a vállalkozásokat méretük szerint osztályoztuk, és az alkalmazottak száma volt az osztályozási ismérv. A holland vizsgálathoz hasonlóan a magyar adatbázis is tartalmazza az alkalmazottal nem rendelkező vagy ön-alkalmazó cégeket, egyéni vállalkozásokat. Ez a kategória tartalmazza, többek között a spin-off vállalkozásokat is, amelyek már a piacon vannak, de a tulajdonosuk még máshol áll alkalmazásban, részben ezért vontuk be vizsgálatunkba ezt a létszámkategóriát (2. táblázat).

 

2. táblázat

A high-tech-, medium-tech- és tudás-intenzív vállalkozások eloszlása létszám-kategóriák szerint

Forrás: KSH, Statisztikai évkönyv 2005

 

A holland, német és magyar vizsgálatok közötti legnagyobb különbség az adatgyűjtés során merült fel: mi csak a high-tech, medium-tech és tudás-intenzív vállalkozásokat vizsgáljuk, míg a holland és német esetben az összes vállalkozás vizsgálatából indultak ki. Érdekes, hogy a magyar cégek nagyon nagy aránya esik ezekbe a várhatón magas hozzáadott értéket jelentő kategóriákba (53.7%). Az adatfelvétel különbségei miatt a nemzetközi vizsgálatok több eredményét nem tudjuk összevetni a hazaiakkal.

 

Módszer

 

A magyar kutatás során a holland és német vizsgálat módszertanát követve, a hazai cégek eloszlásában mért háromdimenziós entrópia „közös információját” mértük (Leydesdorff et al, 2006, Leydesdorff és Fritsch, 2006. Az eloszlás entrópiája a minimális értékét (H=0) akkor veszi fel, amikor az összes elem azonos értékű, az entrópia maximális értéke pedig az összes elem értékének különbözőségével jelentkezik. A háromdimenziós eloszlás entrópiájának értéke általában kisebb, mint az eloszlások külön-külön számított entrópiáinak összege (nagyobb is lehet, amint erre később kitérünk), a két érték közötti különbség a három eloszlás közös információja (mutual information). A három dimenzió közös információja a tudás-alapon való szerveződés indikátora, hiszen a bizonytalanság csökkenését mérjük vele az innovációs rendszer tudásfunkcióinak ismeretében. A módszer számos előnye mellett kiemelten fontos, hogy lehetőségünk van a közös információt elemekre bontani (dekompozíció), s így az eloszlás három elemének entrópiára való hatását külön-külön vizsgálni.

 

Az entrópia módszertani használata két diszciplínára vezethető vissza: termodinamikai és információ-elméleti gyökerei vannak. A mutató hagyományosan a termodinamikából ered, egy rendszer rendezetlenségét s ezáltal a rendszer energiaszintjét méri (Georgescu-Roegen, 2002). A közgazdaságtanban való használatára az ökológiai közgazdaságtanban (Pataki, 2002) vagy akár a jövedelemegyenlőtlenségek számszerűsítésében (Tóth, 2003) egyaránt találunk példákat. Az entrópia területi jellegű mutatóként is gyakran megjelenik: az evolúciós gazdaságföldrajzban egy területi egység export-tevékenységének diverzitását mérik vele (Boschma és Iammarino, 2007), sőt, az entrópia a területi egyenlőtlenségek egyik alapvető mutatója (Nemes-Nagy, 2005). Tanulmányunkban a mutató másik alap-értelmezését használjuk: az információ-elméletben az entrópia egy rendszerből kinyerhető információ-mennyiség matematikai megragadását teszi lehetővé, „egy valószínűségi eloszlás vagy egy rendszer bizonytalanságának mérőszáma” (Johnston et al, 2000).

 

Az entrópia informatikai értelmezése Shannon (1948) alapvető munkájára vezethető vissza. A Shannon-formula szerint a valószínűségi entrópia az x esemény eloszlásának bizonytalansága (H_x jelöli a várt információmennyiséget, ami az esemény teljes valószínűségi eloszlásából kinyerhető), amit a H_x = − ∑_x p_x log₂ p_x formulával fejezhetünk ki (p_x jelöli az x esemény bekövetkezésének valószínűségét). Hasonlóképpen H_xy az x és y események két-dimenziós valószínűség-eloszlásának közös bizonytalanságát jelenti (H_xy = − ∑_x ∑y p_xy log₂ p_xy, ahol p_xy jelöli a két esemény feltételes valószínűségét). Két esemény, x és y esetén a bizonytalanság csökken, hiszen azt a két egymással kapcsolatban lévő dimenzió közös bizonytalansága csökkenti, s így a két dimenzióból összesen kinyerhető közös információ, amit T_xy-ként jelölünk:

 

Txy = (Hx + Hy) – Hxy                                                                                      (1)

 

Abban az esetben, amikor x és y eloszlása teljesen független egymástól, azaz T_xy = 0 és H_xy = H_x + H_y. Minden más esetben T_xy > 0, ezért H_xy < H_x + H_y (Theil, 1972, 59. o.). Két kapcsolódó rendszer entrópiájuk közös részével (H_xy) határozza meg egymást, illetve a fennmaradó bizonytalanság mértéke (H_x|y és H_y|x) a két rendszer eltérő mechanizmusaiból adódik (Leydesdorff, 2007). Három egymással koevolúciós kapcsolatban lévő rendszer vagy folyamat összekapcsolódásától azonban már nem várhatjuk, hogy minden esetben találunk benne olyan metszetet, amely mindhárom rendszer része[1]. Abramson (1963, 129. o.) a Shannon formulából levezette a három dimenzióban megjelenő közös információt, amit T_xyz-ként jelölünk:

 

T_xyz = H_x + H_y + H_z – H_xy – H_xz – H_yz + H_xyz                                 (2)

 

A háromdimenziós eloszlásban lévő kétoldalú kapcsolatok csökkentik a bizonytalanságot, a háromoldalú tag (H_xyz) viszont ellenétesen hat erre a csökkenésre, és növeli a bizonytalanságot (Leydesdorff, 2007). Azt mondhatjuk, hogy a rendszert az al-folyamatok közötti háromoldalú kapcsolatok teljes átfedésének hiánya dinamizálja.

 

Az adataink a magyarországi high- és medium tech- iparágak és tudás-intenzív szolgáltató cégek háromdimenziós eloszlására vonatkoznak. A vizsgált három dimenzió a földrajzi, technológiai és szervezeti dimenziók (entrópiájuk jelölése sorban: H_g, H_t és H_o), míg a három dimenzió közös információját T_GTO-val jelöljük (Leydesdorff, 2006a; 2006b):

 

T_gto = H_g + H_t + H_o – H_gt – H_go – H_to + H_gto                                  (3)

 

A T_gto értéke azt mutatja, hogy a három dimenzió összekapcsolódásával csökken-e a rendszer bizonytalansága. Ha a formulát egy hálózatra próbáljuk értelmezni, azt látjuk, hogy a bizonytalanság csökkenése nem csak a hálózati elemeknek és kétoldalú kapcsolódásoknak tudható be (Leydesdorff, 2006a). A három- vagy többoldalú kapcsolatok szintén meghatározóak a hálózatban, a „rendszer felépítése” a közös információ alakulásában döntő lehet. Minél nagyobb abszolút értékű negatív szám a T_gto értéke, annál erősebben határozza meg egymást a három dimenzió: nagyobb mértékben csökken a rendszer bizonytalansága, illetve annál erősebbek a tudásfunkciók szinergiái. A T_gto negatív értéke esetén a (3.) képletben a kétdimenziós entrópiák bizonytalanságot csökkentő hatása felülmúlja az egydimenziós eloszlások és a háromoldalú kapcsolatok bizonytalanság-növelő hatását. Az indikátor nem méri a rendszer innovációs aktivitását vagy a gazdasági teljesítményt, hanem az innovációs teljesítmény feltételéül szolgáló szerkezeti körülményeket mutatja, és várakozásokat, valószínűséget fejez ki.

 

Az entrópia pozitív tulajdonságainak egyike, hogy az eredmények teljesen szétbonthatóak az információs-tagokra (dekompozíció, lásd 4. képlet), amely alapján feltárható a magyar gazdaság tudásalapon való szerveződésének néhány fontos összefüggése. Mivel kettes-alapú logaritmussal számoltunk, az értékeink információs bit-ekben vannak kifejezve. Fontos megjegyeznünk, hogy eredményeink formalizált (valószínűségi) értékek, így függetlenek számos empirikus vizsgálat méret és egyéb problémáitól.

 

 

Eredmények

 

Adataink kistérségi szintűek, amelyek lehetővé tették a megyei szintű elemzést. Elkülönítettük a high-tech és medium tech iparágak és tudás-intenzív szolgáltatások tudásbázisra gyakorolt hatását, valamint kiszámoltuk a három dimenzió (földrajzi, technológiai és szervezeti) valószínűségi entrópiáit Magyarország egészére és megyéire lebontva (3. táblázat). A megyék természetesen különböznek a vizsgálatban szereplő cégek számában és kistérségeik száma is eltérő. Míg Nógrád megyében 8722 cég volt high-tech, medium tech vagy tudás-intenzív, addig Budapesten 229 165 ilyen céget találtunk, Pest megyében pedig 67 342-t. A megyékben található átlagos cégszám (Budapest kivételével) 22 690.

 

3. táblázat

A három dimenzió eloszlásának és azok kombinációinak várható információ-tartalma (bit)

Megyék	Hg	Ht	Ho	Hgt	Hgo	H to	H gto	N	Kistérségek száma
Magyarország	5.189	2.722	1.159	7.875	6.334	3.712	8.823	659,701	168
Budapest	0.000	2.598	1.169	2.598	1.169	3.644	3.616	229,165	1
Baranya	1.717	2.790	1.139	4.483	2.853	3.742	5.402	25,308	9
Bács-Kiskun	2.574	2.769	1.174	5.329	3.745	3.742	6.258	25,158	10
Békés	2.678	2.574	1.067	5.189	3.733	3.537	6.096	19,003	8
Borsod-A.-Z.	2.449	2.809	1.138	5.238	3.584	3.769	6.142	30,174	15
Csongrád	1.755	2.767	1.067	4.506	2.819	3.686	5.397	26,122	7
Fejér	2.345	2.715	1.152	5.043	3.493	3.701	5.984	24,075	10
Győr-M.-S.	1.858	2.658	1.130	4.500	2.985	3.577	5.380	28,177	7
Hajdú-Bihar	1.871	2.743	1.130	4.596	2.998	3.687	5.505	26,624	9
Heves	2.174	2.832	1.195	4.991	3.366	3.788	5.901	15,095	7