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

Létszámkategória

A vizsgálatba bevont vállalkozások száma

 

Regisztrált vállalkozások száma

A vizsgálatban szereplő vállalkozások aránya (%)

0 vagy ismeretlen

275 202

365 861

75

1-9

369 280

805 209

46

10-19

5 976

20 870

29

20-49

4 921

11 046

45

50-249

3 733

4 860

77

250 vagy több

589

944

62

Összesen

659 701

1 228 999

54

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 (Hx jelöli a várt információmennyiséget, ami az esemény teljes valószínűségi eloszlásából kinyerhető), amit a Hx = − ∑x px log2 px formulával fejezhetünk ki (px jelöli az x esemény bekövetkezésének valószínűségét). Hasonlóképpen Hxy az x és y események két-dimenziós valószínűség-eloszlásának közös bizonytalanságát jelenti (Hxy = − ∑x ∑y pxy log2 pxy, ahol pxy 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 Txy-ként jelölünk:

 

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

 

Abban az esetben, amikor x és y eloszlása teljesen független egymástól, azaz Txy = 0 és Hxy = Hx + Hy. Minden más esetben Txy > 0, ezért Hxy < Hx + Hy (Theil, 1972, 59. o.). Két kapcsolódó rendszer entrópiájuk közös részével (Hxy) határozza meg egymást, illetve a fennmaradó bizonytalanság mértéke (Hx|y és Hy|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 Txyz-ként jelölünk:

 

Txyz = Hx + Hy + Hz – Hxy – Hxz – Hyz + Hxyz                                 (2)

 

A háromdimenziós eloszlásban lévő kétoldalú kapcsolatok csökkentik a bizonytalanságot, a háromoldalú tag (Hxyz) 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: Hg, Ht és Ho), míg a három dimenzió közös információját TGTO-val jelöljük (Leydesdorff, 2006a; 2006b):

 

Tgto = Hg + Ht + Ho – Hgt – Hgo – Hto + Hgto                                  (3)

 

A Tgto 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 Tgto értéke, annál erősebben határozza meg egymást a három dimenzió: nagyobb mértékben csökken a rendszer bizonytalansága, illetve annál erősebbek a tudásfunkciók szinergiái. A Tgto 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

Komárom-E.

2.496

2.747

1.185

5.229

3.679

3.700

6.131

17,760

7

Nógrád

2.225

2.771

1.186

4.982

3.405

3.687

5.841

8,722

6

Pest

3.544

2.786

1.120

6.311

4.662

3.755

7.245

67,342

15

Somogy

2.445

2.804

1.160

5.218

3.601

3.767

6.135

15,680

10

Szabolcs-Sz.-B.

2.435

2.842

1.116

5.251

3.548

3.792

6.158

20,422

11

Jász-N.-Sz.

2.215

2.801

1.181

4.996

3.392

3.772

5.920

16,513

7

Tolna

2.084

2.699

1.122

4.761

3.203

3.652

5.677

12,344

5

Vas

2.061

2.711

1.172

4.750

3.225

3.674

5.655

14,490

9

Veszprém

2.739

2.756

1.144

5.474

3.880

3.671

6.342

20,533

9

Zala

1.978

2.717

1.155

4.679

3.132

3.663

5.595

16,538

6

Megjegyzés: N a vizsgált cégek száma

 

Mivel az adatok kistérségi szinten álltak rendelkezésre, a 3. táblázat első oszlopa (Hg) a megyéken belüli területi eloszlás bizonytalanságát jelöli, más szóval a gazdasági tevékenységek megyén belüli koncentrációját. Budapest speciális helyzetben van, kerületi szintű adataink nincsenek, így nem tudunk Budapesten belüli bizonytalanságot kimutatni. A 15 kistérséget tartalmazó Pest megyében mérhető a legnagyobb értéke ennek az indikátornak, a 3,54 bit a maximális entrópia 90,7%-át teszi ki (maximális entrópia log2 15 = 3.91). Ezt a magas értéket a tudásintenzív gazdasági aktivitás budapesti agglomerációban szétszórt jellegének tudhatjuk be. A viszonylag sok kistérséggel bíró megyékben magasabb a koncentráció foka. Például Borsod-Abaúj-Zemplén megyében a cégek eloszlásának bizonytalansága a maximális entrópia 62,7%-a. Az erős egyetemekkel rendelkező megyék szintén centralizáltak, ezekben az esetekben a valószínűségi entrópia a maximális entrópia alacsonyabb értékét teszi ki: Győr-Moson-Sopron 66,2%, Csongrád 62,5%, Hajdú-Bihar 59%, Baranya 54,2%.

 

A technológiai és szervezeti dimenziókban a várható entrópia (Ht és Ho) a nemzeti rendszer szintjén 61,1% és 44,9%. Mindkét érték nagyon szűk eloszlásra utal[2]. A megyei szintű entrópia-értékek viszonylag alacsony változatosságot mutatnak, a megyék nem különböznek a szervezeti és technológiai diverzitásukat tekintve. A két dimenzióban mért H értékek az ország szintjén a megyei értékek átlagos szórásába esnek: Ht = 2.744 ± 0.071 és Ho = 1.145 ± 0.035. A várható entrópia alacsony értéke aszimmetrikus eloszlást mutat a szervezeti dimenzióban. Ennek lehetséges magyarázata az alkalmazott nélküli vagy önfoglalkoztató cégek nagy aránya az adatbázisunkban.

 

Érdekes, hogy a magyar alkalmazott nélküli cégek 75 %-a a high- és medium-tech, illetve a tudás-intenzív iparágakba tartozik. Az eloszlás nagyon egyenlőtlen, például az alkalmazott nélküli ingatlan-szektorban (TEÁOR 70) működő 140 078 cég az összes vizsgálatban szereplő cég 21,2%-a. Az egyéb üzleti szolgáltatást (TEÁOR 74) végző mikro vállalkozások hasonló súlyúak: 156 807 cég (23,7%).

 

A kétdimenziós entrópia értékei csökkentik a dimenziók együttes bizonytalanságát. Amint azt az első fejezetben bemutattuk, ezek az értékek az innovációs rendszer tudásfunkcióinak becslésére szolgálhatnak: a földrajzi és technológiai eloszlások között a tudásteremtés infrastruktúrája; a technológiai és szervezeti dimenziók között a tudástranszfer és az innovációk terjedése; a szervezeti és földrajzi dimenziók között az innovációs rendszer gazdaságpolitikai kontrollja csökkenti a bizonytalanságot.  Azt láthatjuk azonban, hogy például a földrajzi és technológiai (Hgt) dimenziók kombinálásával a kétdimenziós eloszlások entrópiája viszonylag alacsony a nagy egyetemekkel rendelkező megyékben (Baranya, Csongrád, Győr-Moson-Sopron, Hajdú-Bihar). Tehát ezekben a megyékben kisebb mértékben függ egymástól a tudásintenzív gazdasági tevékenység területi és technológiai szóródása. Pest megyében pedig, ahol azt várnánk, hogy a tudás-intenzív gazdasági tevékenység jobban szóródik (több a felsőoktatási intézmény, jobban szerteágazó a gazdaság) magasabb értéket kapunk a kétdimenziós entrópiára, azaz jobban összefügg a két eloszlás. Sajnos a tanulmány szűk keretei miatt nem áll módunkban kifejteni a problémákat, amik tudás-funkcióik kétdimenziós entrópia-becslésével járnak. A továbbiakban a főbb anomáliákat a teljes rendszer bizonytalanság-csökkenése kapcsán elemezzük.

 

 

A közös információ földrajzi bontása

 

Amint korábban említettük, két dimenzió között a kétdimenziós entrópia magas értéke jelöli a dimenziók, összekapcsolódásának erősségét, három egymástól függő dimenzió közös információja azonban negatív és pozitív is lehet. A közös információ értéke attól függ, hogy három eloszlás entrópiája, a kétdimenziós eloszlások és a háromdimenziós eloszlás entrópiája miként viszonyul egymáshoz (lásd 3. képlet). Jelen esetben a kérdés egyrészt az, hogy a cégek földrajzi-, technológiai- és szervezeti megoszlásának bizonytalanságát csökkentik-e az innovációs rendszer tudás-funkciói. Illetve milyen szorosan köti össze a tudás-alapú szerveződés az innovációs rendszer három tudásfunkcióját. A holland és német vizsgálat eredményei alapján azt várhatjuk, hogy a három dimenzió közös információja (Tgto) negatív lesz, azaz a rendszerben csökken a bizonytalanság: a tudásfunkciók csökkentik azt, s a funkciók közötti szinergia miatt alacsony a háromdimenziós tag értéke. Mindegyik magyar megyében negatívak az értékek, azaz feltételezhetően a megyék az innovációs rendszer releváns szintjei, a megyékben érvényesülő szinergiák elősegítik a tudás-alapon való szerveződést (4. táblázat).

 

 

 

 

 

4. táblázat

A háromdimenziós eloszlások entrópiájának közös információja a megyékre lebontva (millibit)

 

Tgto (mbit)

∆T (mbit)

Cégek száma (db)

Magyarország

-23.55

 

660,290

Budapest

-27.75

-9.63

229,165

Baranya

-29.59

-1.13

25,308

Bács-Kiskun

-41.28

-1.57

25,158

Békés

-41.85

-1.20

19,003

Borsod-Abaúj-Zemplén

-52.32

-2.39

30,174

Csongrád

-25.26

-1.00

26,122

Fejér

-39.93

-1.46

24,075

Győr-Moson-Sopron

-34.13

-1.46

28,177

Hajdú-Bihar

-31.93

-1.29

26,624

Heves

-42.19

-0.96

15,095

Komárom-Esztergom

-49.70

-1.34

17,760

Nógrád

-50.37

-0.67

8,722

Pest

-33.22

-3.39

67,342

Somogy

-41.87

-0.99

15,680

Szabolcs-Szatmár-Bereg

-38.53

-1.19

20,422

Jász-Nagykun-Szolnok

-42.04

-1.05

16,513

Tolna

-33.95

-0.63

12,344

Vas

-48.89

-1.07

14,490

Veszprém

-43.45

-1.35

20,533

Zala

-27.78

-0.70

16,538

 Össz

 

-34.48

 

T0

 

10.94

 

Megjegyzés: A millibit (mbit) mértékegységet a könnyebb áttekintés végett a bit, az információ alapegységének az ezredrészeként használjuk.

 

A Tgto értékei mutatják a földrajzi eloszlást. Mivel a kistérségek száma eltér a megyékben, ezért nem lehet az értékeket közvetlenül összehasonlítani. Mindenesetre említésre méltó, hogy Magyarország egészére mért Tgto (abszolút-) érték kisebb, mint bármelyik megyében.

 

Az 4. táblázat második oszlopában szereplő ∆T számok a háromdimenziós entrópia közös információjának normalizált értékeit mutatják. Az oszlopot úgy értelmezhetjük, hogy a nagyobb abszolút értékű negatív érték a tudás-funkciók magasabb-rendű szinergiájára utal. Másképpen: a közös információ negatív értéke azt jelzi, hogy tudás-funkciók csökkentik a rendszer bizonytalanságát, miközben szinergiájuk erős. Annak érdekében, hogy a megyéket össze tudjuk hasonlítani, a Tgto értékeit súlyoznunk kell a vizsgálatban szereplő cégek számával (Theil, 1972):

 

T = T0 +åi  ni/N × Ti ;                                                        (4)

 

ahol T0 a megyék közötti entrópia,

Ti az i-edik megye entrópiája,

ni az i-edik megyében lévő cégek száma,

N a teljes mintában szereplő cégek száma.

 

A csoportok közötti entrópia (T0) a kijelölt csoportok entrópiájának és az összeállított minta entrópiájának különbsége (Leydesdorff et al, 2006). Ebben az esetben a T0 a megyék közötti entrópia hozzájárulását jelenti a teljes eloszlás entrópiájában való csökkenéshez vagy növekedéshez. A T0 negatív értéke azt jelentené, hogy a megyék közötti eloszlás entrópiája csökken, ha nemzeti szinten aggregáljuk a cégek háromdimenziós eloszlását. Azaz a nemzeti szint a rendszer szinergiáját segíti elő. Míg a pozitív érték azt jelenti, hogy a gazdaság tudás-alapú szerveződése inkább regionális, mint nemzeti szintű szinergiák eredménye.

 

A T0 magas pozitív értéke azt mutatja, hogy Magyarország nemzeti szinten nem alkot szinergikus innovációs rendszert. A korábbi hasonló tanulmányok szerint T0 értékei negatívak voltak Hollandiában és a német tartományok szintjén, de pozitív értéket láttunk Németország egészére. Németországban nem várhatunk nemzeti szintű szinergiákat, hiszen az nagy területi különbségekkel rendelkező föderális állam, ahol a keleti területek szintén átmeneten mentek keresztül. A magyar eredmények ugyanakkor nemcsak az indikátor előjelét tekintve lepnek meg minket, a T0 pozitív értéke kiemeli a gazdaság átmeneti jellegét. Azt láthatjuk ugyanis, hogy a megyék közti bizonytalansághoz való hozzájárulás (T0 = +10.94 mbit) sokkal magasabb, mint a megyei szinten megjelenő bizonytalanság-csökkenés bármelyik értéke.

 

2. ábra

A háromdimenziós közös információ a magyar megyékben

 


 

 

A magyar gazdaság tudás-alapú szerveződésének szinergiái Budapesten a legerősebbek (DT =−9.63 mbit), továbbá Pest megyében (−3.39 mbit) és Borsod-Abaúj-Zemplén megyében (−2.39 mbit) mért kölcsönhatások kiemelkedők. Az eredményeink azt sugallják, hogy a régiók közti nagy különbségek a tudás-alapú gazdaság funkcióinak szinergiáját tekintve is megmutatkoznak: a budapesti agglomeráció az ország gazdaságának kimagasló tudás-alapú központja, amit számos más vizsgálat is egyértelműen alátámaszt.

A Közép-magyarországi régió erős pozíciója mellett az is látható, hogy a közös információ mutatói a Dunántúlon erős Észak-Dél törést mutatnak (2. ábrán). Ez összhangban van azzal a képpel, ami a gazdaság fejlettségének területi egyenlőtlenségeiről kialakult a magyar regionalista szakirodalomban (Lengyel I., 2003; Rechnitzer et al, 2004). Az ország keleti felén kapott eredményeinket tekintve már nem tapasztalunk ilyen összecsengést. Például Borsod-Abaúj-Zemplén megyében nem várnánk a tudás-funkciók ilyen magas integrációs szintjét. Szintén meglepő, hogy Csongrád megye közös információja alacsonyabb, mint a Békés megyei mutató stb.

 

Hazai vizsgálati eredményeink további értelmezésénél figyelembe vettük olyan korábbi munkák tapasztalatait, melyek egyrészt a külföldi működőtőke szerepét vizsgálták a hazai gazdaság technológiai fejlettségének alakításában, másrészt a hazai egyetemek és közfinanszírozású kutatóhelyek K+F szektoron belüli súlyát és gazdaságra gyakorolt hatását elemezték. A multinacionális cégek főként Budapesten és az észak-nyugati megyékben hozták létre telephelyeiket, ezek alapján az eddig vizsgálatok azt sugallják, hogy ezeken a területeken a rendszerváltás óta erős endogén tudásbázis fejlődött ki (Antalóczy és Sass, 2005; Inzelt, 2003; Szalavetz, 2004; Török és Petz, 1999). A mi vizsgálatunk a megállapítást megkérdőjelezi. Lehetséges, hogy a külföldi-tulajdonban lévő vállalatok megváltoztatták az egyetem- gazdaság- kormányzat kapcsolatok mintázatát, amiben a helyi medium-tech vállalatok bírnának vezető szereppel a rendszer integrálásában?

 

Mi úgy értelmezzük vizsgálati eredményeinket, hogy a budapesti metropolisz kivételével a külföldi tőke elszakította a tudás-alapú szerveződést annak földrajzi gyökereitől. Így Magyarországon egészen más trendek érvényesülnek, mint Hollandiában vagy Németország nyugati tartományaiban, amely rendszerek nem estek át a magyar átmenethez hasonló időszakon. Jelentheti ez a földrajzi elszakítás azt, hogy Magyarország nyugati területei jobban integrálódtak az EU-ba vagy a szomszédos országok rendszereibe, mint a nemzeti rendszerünkbe? Korábbi empirikus kutatások tapasztalataiból hasonló következtetésekre juthatunk: Inzelt (2003, 256. o.) megmutatta, hogy az Ausztriából érkező külföldi tőkeberuházások az észak-nyugati megyékben koncentrálódnak, Borsi és társai (2007) pedig rámutattak, hogy ezekkel a területekkel Bécs regionális innovációs stratégiájában is számolnak. Magyarország keleti és déli területeit és azok tudás-alapú szerveződését kevésbé érintette a külföldi cégek letelepedése, így ott a folyamatok jobban helyhez kötöttek.

 

 

Hipotéziseink tesztelése

 

Az eredmények high-tech, medium-tech és tudás-intenzív szolgáltatások szerinti szektorális bontásával relatív hatásokat mérhetünk. Azt tudjuk megmutatni, hogy a kiválasztott szektorok milyen módon (növelik vagy csökkentik) és milyen arányban hatnak a három dimenzió közös információjára. A magasabb abszolút-értékű negatív eredmény azt mutatja, hogy az al-kategória entrópiája csökkent, ami a gazdaság erősebb tudás-alapú szerveződésének tudható be. A tanulmány első fejezetében felállított hipotéziseket az empirikus vizsgálat logikájához igazodva a megadott sorrendben teszteljük.

 

A high-tech és medium-tech szektorok illetve a tudás-intenzív szolgáltató szektor földrajzi kötöttsége

 

Az 1. és 2. hipotézis tesztelése az eredményeink ágazatok szerinti dekompozícióját igényli. A gazdaság tudás-alapon való szerveződését, az innovációs rendszerek szinergiáit meghatározó mértékben alakítják a high-tech és medium-tech vállalatok. A high- és medium tech iparágakban a cégek száma szinte elenyésző a teljes mintánkhoz képest, viszont a két szektor hatása az innovációs rendszerek szinergiájára erőteljes (5. táblázat). Ez a kis csoport néhány megyében a high- és medium-tech szektorokban mért entrópia-csökkenést több mint 10-szeres mértékben magyarázza. A high- és medium-tech szektorokban mért háromdimenziós közös információ értékei, az entrópiára való hatás is erős térbeliséggel bír. E szektorokban a szinergiák erősségét tekintve Budapest és Pest megye kiemelkedő, a fővárosi agglomerációt Fejér, Komárom-Esztergom, Borsod-Abaúj-Zemplén, Győr-Moson-Sopron és Bács-Kiskun megyék követik (lásd 5. táblázat 4. oszlopa). Az innovációs rendszerek high- és medium-tech szektorokban való szinergiái a Dél-Dunántúlon és a Dél-Alföldön a leggyengébbek.

 

5. táblázat

A high- és medium-high tech feldolgozóipar vs. tudás-intenzív szolgáltatások és hatásaik a három dimenzió közös információjára

 

 

Tudás-intenzív

szolgáltatás

(millibit)

Tudás-intenzív arány

(%)

High- és medium-high tech

(millibit)

Entrópiára  való hatás

(%)

High- és medium-tech elemszám

(db)

High- és medium-tech arány

(%)

Magyarország

-19.28

97.1

-3.08

351.7

19,147

2.9

Budapest

-2.64

97.5

-1.30

366.6

5,840

2.5

Baranya

-0.04

97.5

-0.14

329.3

624

2.5

Bács-Kiskun

-0.03

96.6

-0.45

886.5

845

3.4

Békés

-0.03

97.7

-0.16

351.0

440

2.3

Borsod-A.-Z.

-0.07

97.2

-0.51

633.8

847

2.8

Csongrád

-0.03

96.8

-0.09

206.4

823

3.2

Fejér

-0.02

96.8

-0.54

1172.0

776

3.2

Győr-M.-S.

-0.03

97.0

-0.46

980.4

850

3.0

Hajdú-Bihar

-0.03

97.4

-0.30

712.4

696

2.6

Heves

-0.01

96.7

-0.29

948.5

498

3.3

Komárom-E.

-0.01

95.8

-0.53

1257.2

741

4.2

Nógrád

0.00

97.4

-0.21

969.3

227

2.6

Pest

-0.16

96.2

-1.26

1179.0

2,551

3.8

Somogy

-0.02

97.5

-0.11

298.5

394

2.5

Szabolcs-Sz.-B.

-0.03

96.9

-0.23

551.7

629

3.1

Jász-N.-Sz.

-0.01

96.6

-0.37

1102.3

557

3.4

Tolna

-0.01

97.2

-0.13

632.8

349

2.8

Vas

-0.01

97.8

-0.36

1064.9

321

2.2

Veszprém

-0.02

96.9

-0.41

957.4

645

3.1

Zala

-0.01

97.2

-0.15

636.0

464

2.8

 

A háromdimenziós entrópia elemekre bontását kihasználva meg tudjuk határozni a high- és medium-tech szektorok egész rendszerre való bizonytalanság-csökkentő hatását (5. táblázat 5. oszlopa). Hogy ezt meghatározzuk, a high- és medium-tech közös információnak a teljes készlet közös információjában való részarányát kell kiszámolni[3]. Azt láthatjuk, hogy a high- és medium-tech vállalatok minden megyében és országos szinten is pozitívan hatottak a bizonytalanság-csökkenésre. Ezekben a szektorokban a tudásteremtés, tudástranszfer és szervezeti kontroll funkciói szinergikus hatással vannak egymásra.

 

A fentiek alapján az első hipotézisünket a vizsgálat megerősítette, azaz a tudás-alapú szerveződés a high-tech és medium-tech iparágakban erősen kötődik a földrajzi dimenzióhoz.

 

A hazai tudás-intenzív üzleti szolgáltatások közös információra való hatását vizsgálva a holland és német eredményekhez hasonlókat kaptunk. A magyar tudás-intenzív szektor is negatív hatással van a regionális innovációs rendszerek belső szinergiáira. Ezek a szolgáltatások nem a regionális rendszerek határain belül szervezik a tudás-alapú gazdaság funkcióit, hanem azokon gyakran túllépnek, mivel ezek a szolgáltatások akár nagy távolságról is könnyen nyújthatók. A negatív hatás hazánkban kevésbé erőteljes, ez valószínűleg a teljes mintában betöltött nagy aránynak köszönhető: a cégek 97,1%-a ebben a kategóriában található (5. táblázat).

 

Második hipotézisünket a vizsgálat szintén igazolta, a tudás-intenzív szolgáltató-szektor tudás-funkcióinak szinergiája nem kötődik a földrajzi dimenzióhoz, mivel az egyszerre globális és lokális is.

 

A külföldi tulajdonban lévő vállalatok hatása

 

A 3. hipotézis tesztelésekor a high- és medium-tech szektorok közös információjának területi ábrázolása kicsit változtat csak a teljes mintánkból kapott képen (3. ábra). Jobban kirajzolódik a közép- és nyugat-dunántúli területek fejlettsége, a budapesti agglomeráció hatása. Felfedezhetjük, hogy az ország keleti részén is Észak-Dél tengely kialakulását mutatják a közös információ megyei értékei.

 

A high- és medium-tech vállalatok azonban nem Budapesten, hanem Fejér, Komárom-Esztergom, Pest, Jász-Nagykun-Szolnok, és Vas megyékben fejtik ki a legerősebb hatást az innovációs rendszer szinergiáira (5. táblázat 5. oszlopa). Ezekről a megyékről mondhatjuk el, hogy tudás-alapú gazdaságuk szerveződését a javarészt külföldi tulajdonban lévő high-tech és medium-tech vállalatok vezérlik.

 

A külföldi tulajdonban lévő vállalatok telephely-választási motivációi között a ’90-es években főleg az alacsony munkabérek, a jó elérhetőség, a privatizáció nyújtotta lehetőségek szerepeltek (főként az energia-, bank- és feldolgozóipari szektorokban) (Barta, 2002). Ugyanakkor Budapest és agglomerációja egyre vonzóbbnak bizonyul a multinacionális vállalatok K+F tevékenysége számára (Barta et al, 2007, Inzelt, 2003); a külföldi vállalkozások által K+F-re fordított összegek 1995 és 2003 között Magyarországon nőttek a legnagyobb mértékben (UNCTAD, 2005, p. 127). A nagy külföldi vállalatok feldolgozóipari K+F-je a teljes összeg 40 százalékát (Eurostat, 2005), a külföldi vállalatok K+F ráfordítása a teljes üzleti K+F ráfordítások 80 százalékát adták Magyarországon (EC, 2005).

 

3. ábra

A high- and medium-tech iparágakban mért közös információ a magyar megyékben

 


 

 

A külföldi-tulajdonban lévő vállalatok meghatározó szerepét figyelembe véve azt várhatjuk, hogy a magyar innovációs rendszer tudás-funkcióinak szinergiáit igen nagymértékben befolyásolja a külföldön teremtett tudás. Hazánkban a Nyugat-európai rendszerekhez képest jobban előtérbe kerülnek a tudás-teremtés és tudás-alkalmazás közötti különbségek (Lengyel I., 2003), amelyek a high- és medium-tech iparágakat elválasztják a tudás-intenzív szolgáltatásoktól. Míg a high- és medium-tech iparágakat inkább tudásteremtőnek tartják, addig a tudás-intenzív szolgáltatásokat inkább tudásalkalmazónak (OECD, 2001). Magyarország, mint átmeneti ország a külföldön teremtett tudástól és technikától függ, valószínűleg több az országba befelé irányuló, mint az országból kifelé történő tudástranszfer (Szalavetz, 2004).

 

A magyar gazdaságban a jegyzett tőke több mint fele külföldi tulajdonban lévő cégekben és társaságokban jelenik meg (Kállay és Lengyel I., 2007). A nemzetközi tőkével bíró cégek aránya a kisvállalatok között kevésbé jelentős (legalább 27-28 %), míg a közép- és nagyvállalatoknál az összes cég több mint fele. Sajnos nem állt módunkban külön dimenzióban kezelni a vállalatok tulajdonosi formáit, s így nem tudtuk a külföldi tulajdonban lévő cégek közös információra gyakorolt hatását a modellünk alapján számolni. Szintén nem tudtuk hosszútávon elemezni a háromdimenziós közös információ és a külföldi tőkebefektetések közötti kapcsolatot. Területi jellegű összehasonlításokra azonban lehetőséget biztosított az adatbázisunk, néhány érdekes összefüggést meg tudtunk világítani.

 

Összekapcsoltuk a high- és medium-tech szektorok entrópia-csökkentő hatásának mérőszámait a külföldi tulajdonban lévő vállalatokban jegyzett külföldi tőke megyei értékeivel. A külföldi jegyzett tőke és a közös információra való hatás közötti korreláció -0,126, az eredmény Budapest mintából való kivételével 0,53-ra módosul, tehát egészen más tendenciák érvényesülnek a fővárosban, mint vidéken. Azt láthatjuk, hogy közepesen erős pozitív kapcsolat van a külföldi tőke és a high-medium-tech szektorok szinergiákat alakító szerepe között. Valószínű, hogy a külföldi vállalatok növekedésével nő a high-tech és medium-tech vállalatok tudás-alapú szervező ereje (4. ábra). Négy megyében jegyeztek 400 milliárd Ft-nál több külföldi tőkét 2005-ben, s ezekben a megyékben– Pest, Komárom-Esztergom, Győr-Moson-Sopron és Fejér megyék – egyaránt kiemelkedő a high-medium-tech szektorok szerepe a tudás-alapú szerveződésben. Érdekes megfigyelni, hogy a többi megyében mért alacsony külföldi jegyzett tőke egészen eltérő mértékű szinergikus hatásokhoz kapcsolódik.

 

4. ábra

A külföldi vállalatokban jegyzett külföldi tőke és a high- és medium-tech szektorok hatása a tudás-alapú szerveződésre


Forrás: saját szerkesztés a KSH (2005) adatai és a kutatás eredményei alapján

 

A külföldi tulajdonban lévő vállalatok tudásintenzitásáról kevés ismerettel bírunk. Csak valószínűsíteni tudjuk, hogy a multinacionális vállalatok telephelyeinek köszönhető a high- és medium-tech szektorok tudás-alapú szerveződésre gyakorolt Fejér, Komárom-Esztergom, Győr-Moson-Sopron és Pest megyében tapasztalt erős hatása. Ezen térségekben a külföldi vállalatok K+F ráfordításai 1995 és 2003 között nagymértékben nőttek. Azt gondolhatjuk, hogy a hozzáadott érték növekedése és a beszállítói hálózatok fejlődése okozza ezt a pozitív hatást. Nem feledkezhetünk meg azonban arról, hogy kevés számú, kis döntésű önállósággal bíró, külföldről befolyásolt nagyvállalatról, pontosabban nagyvállalati telephelyről van szó, amelyek székhelyüket gyorsan tudják változtatni, csakúgy a jegyzett tőkéjük gyorsan módosulhat.

 

A harmadik hipotézisünket feltételesen tudjuk igazolni: a külföldi tőke  pozitív hatással van a tudás-alapú szerveződésre, területileg azonban differenciált a külföldi vállalatok szerepe a tudás-funkciók szinergiáinak alakításában.

 

A kutatás-fejlesztés hatása a tudásfunkciók szinergiáira

 

A 4. hipotézis tesztelésében főszerephez jutó high-tech tudás-intenzív szolgáltatások csak kis szeletét alkotják a tudás-intenzív szolgáltatások teljes körének (6. táblázat). A kutatás-fejlesztés, számítástechnikai szolgáltatások valamint a posta- és távközlés tartoznak ide. Feltételezhetjük a high-tech szolgáltatások tudásteremtő jellegét, míg a többi szolgáltatásnál a technológiához kapcsolódó tudást inkább csak alkalmazzák. Ugyanakkor a közös információ viszonylagos csökkenését tapasztaljuk a teljes szolgáltatások esetében a high-tech készletre leszűkítve.

 

6. táblázat

A high-tech szolgáltatások tudás-alapú szerveződésre gyakorolt hatása

 

Tudás-intenzív szolgáltatások

(mbit)

Entrópiára  való hatás (%)

Tudás-intenzív elemszáma

High-tech szolgáltatások

(mbit)

Entrópiára  való hatás

 (%)

 

High-tech szolgáltatások

elemszáma

Magyarország

-19.28

-15.7

641,143

-12.02

-49.0

39,415

Budapest

-2.64

-18.9

223,325

-13.05

35.5

18,491

Baranya

-0.04

-16.9

24,684

-0.14

-88.1

1,325

Bács-Kiskun

-0.03

-42.0

24,313

-0.91

-42.0

1,075

Békés

-0.03

-19.7

18,563

-0.39

-67.8

571

Borsod-A.-Z.

-0.07

-31.2

29,327

-0.81

-66.0

1,387

Csongrád

-0.03

-11.6

25,299

-1.82

82.0

1,383

Fejér

-0.02

-55.8

23,299

-0.67

-54.1

1,211

Győr-M.-S.

-0.03

-47.9

27,327

-0.25

-83.1

1,195

Hajdú-Bihar

-0.03

-37.8

25,928

-0.38

-70.4

1,225

Heves

-0.01

-45.3

14,597

-0.21

-78.1

668

Komárom-E.

-0.01

-58.4

17,019

-0.31

-76.5

794

Nógrád

0.00

-49.6

8,495

-0.19

-71.3

332

Pest

-0.16

-51.7

64,791

-2.75

-18.7

5,019

Somogy

-0.02

-21.1

15,286

-0.58

-41.9

638

Szabolcs-Sz.-B.

-0.03

-27.8

19,793

-0.49

-58.9

811

Jász-N.-Sz.

-0.01

-52.1

15,956

-0.38

-64.1

709

Tolna

-0.01

-29.6

11,995

-0.32

-49.7

517

Vas

-0.01

-57.0

14,169

-0.39

-63.3

640

Veszprém

-0.02

-46.3

19,888

-0.35

-74.4

836

Zala

-0.01

-35.2

16,074

-0.24

-65.2

586

 

Felmerülhet a kérdés, mennyiben tekinthető például a hazai posta és távközlés high-tech szolgáltatásnak. A vizsgálat adatai szerint a posta és telekommunikáció, illetve a számítástechnikai szolgátatások területileg jóval elterjedtebbek Magyarországon, mint a K+F tevékenység, amely természetszerűleg nagyon koncentrált. Például a hét 250 főnél többet foglalkoztató K+F szervezetből öt található Budapesten, kettő Szegeden. Ebben az értelemben a posta és távközlés, a számítástechnikai szolgáltatások, illetve a K+F a tudás-alapú gazdaság funkcióira másként hatnak. Az előbbiek inkább elszakítják azokat a lokális környezettől, az utóbbiak a pedig erősen kötik a K+F helyeket a lokális rendszerekhez.

 

5. ábra

A high-tech szolgáltatások a három dimenziós közös információban (a normált mbit-ek százaléka )

 

 

 

A high-tech tudás-intenzív szolgáltatások egyedül Budapesten és Csongrád megyében, Szegeden erősítik a regionális szinergiákat (5. ábra). Ez azt jelenti, hogy a high-tech szolgáltatások csak a fővárosban és Szegeden lokális jellegűek, a többi megyében a szolgáltatásokat megyén kívüli erők szervezik. Amellett érvelhetünk, hogy a két eset pozitív hatása eltérő okból következik be: Budapest pozíciója javul a tudásintenzív üzleti szolgáltatásokban, jelenleg a high-tech szolgáltatásokban foglalkoztatottak a teljes foglalkoztatott népesség 4,5 százalékát teszik ki (Eurostat, 2007, 5. o.). Csongrád megyében az alapkutatás viszonylag erős, a Szegedi Tudományegyetem több világ-rangsorban is a vezető magyar egyetem, viszont a térség gazdasága gyenge (Lengyel I., 2006). Mindkét esetben a K+F helyek hatása erős a gazdaság tudás-alapú szerveződésére. Azt látjuk tehát, hogy Budapest szervezőereje valószínűleg minden high-tech szolgáltatásban megnyilvánul, míg Csongrád megyében a K+F kötőereje erősebb a többi high-tech szolgáltatás elszakító erejénél. Budapesten a high-tech szolgáltatások urbanizációs agglimerációs előnyei, Szegeden a szolgáltatások lokalizációs agglomerációs előnyei érvényesülnek (Lengyel és Rechnitzer, 2004). A korábbi kelet-német régiókban is a szegedi jelenséghez hasonlót tapasztaltak (Leydesdorff és Fritsch, 2006).

 

Kapcsolatot kerestünk a high-tech tudás-intenzív szolgáltatások és a szinergiákra való hatása és a K+F általános mutatói, a K+F alkalmazottak száma (fő) és a K+F ráfordítások (millió Ft) között. Azt találtuk azonban, ha kivesszük a mintából a két pozitív értékű megyét – Budapest és Csongrád – akkor nincs kapcsolat a K+F és a közös információ indikátorai között.

 

Bizonyítottuk a negyedik hipotézis állítását, a kutatás-fejlesztés hatása a tudás-alapú szerveződésre erősen különbözik a magyar megyékben.

 

Több korábbi tanulmány is kiemelte, hogy az egyetem-gazdaság kapcsolatok gyengék Magyarországon (Inzelt, 2004; Papanek, 2000), az egyetemek szerepe nem tisztázott (Török, 2006a). Mivel a régió-központokban zajló kutatás-fejlesztés nagy része közösségileg finanszírozott (Észak Alföldön és Dél Alföldön), arra következtethetünk, hogy itt az egyetem- gazdaság- kormányzat kapcsolatok torzítottak. Alig létezik ugyanis helyi üzleti igény a K+F iránt, és a kutatók közti növekvő nemzetközi együttműködés csak közvetett hatással van a helyi gazdaságfejlesztésre, a fő forrás a központi finanszírozás maradt. Más szavakkal, a három szféra (kutatás-fejlesztés, állami apparátus és gazdasági ágazatok) valószínűleg eltérő sebességgel integrálódtak az európai színtérbe.

 

 

Konklúzió és következtetések

 

Vizsgálatunk főbb eredményeit összefoglalva, a regionális innovációs rendszerek szinergiái szerint Magyarországon három térbeli fejlődési pálya mutatkozik: Budapest, mint metropolisz; az ország Észak-nyugati része, amely partnerként integrálódott az Európai Unióba; illetve az ország déli és keleti fele, ahol a régi szerkezet jellemzői még megtalálhatóak. Amikor Magyarország a tervgazdaságból a piacgazdaságba vezető útra lépett, már több szempontból túl késő volt ahhoz, hogy szinergikus Nemzeti Innovációs Rendszer épüljön ki.

 

A high-tech és medium-tech iparágak a tudás-alapú szerveződés területi jellegét erősítik. Eltérő mértékben ugyan, de minden esetben csökkentették a megyei szintű rendszerek bizonytalanságát, pozitív hatással voltak az innovációs rendszerek szinergiáira. A tudás-intenzív üzleti szolgáltatások kevésbé szakítják el a gazdaság szerveződését a földrajzi környezetétől Magyarországon, mint ahogy teszik ezt Hollandiában és Németországban. A high-tech tudás-intenzív szolgáltatások, főleg a kutatás-fejlesztés, néhány helyen területi kötőerővel bír (az erős egyetemek esetében például), mint ahogy ezt a korábbi kelet-német területekre is kimutatták.

 

Az iparági bontás megmutatta, hogy a high- és medium-tech iparágakban mért bizonytalanság-csökkenés azokban a régiókban hangsúlyosabb, ahol a külföldi-tulajdonú vállalatok nagyobb arányban vannak jelen. Figyelembe kell vennünk, hogy a külföldi tőkebefektetéseket kezdetben a termelés alacsony bérköltségei motiválták. Ezek a trendek 10-15 év akklimatizációt követően kissé megváltoztak, már jelentős az itteni fejlesztői kapacitások motiváló ereje is (UNCTAD, 2005). Ez történt például az Audi esetében Győrött (Lengyel B. et al., 2006), ahol a vállalat egyre nagyobb mértékben válik a nyugat-magyarországi autóipari klaszter vezető szereplőjévé, saját intézetet hozott létre a győri Széchenyi István Egyetemen stb. Több korábbi vizsgálatból is azt látjuk, hogy az egyetem- gazdaság- kormányzat kapcsolatokban a multinacionális vállalatok telephelyei meghatározóak (Barta et al, 2007).

 

Magyarország egyszerre szembesült az átmeneti időszak és a globalizáció kihívásaival. Véleményünk szerint a külföldi tulajdonban lévő vállalatok valószínűleg megzavarták a magyar gazdaság tudás-alapú szerveződését, a medium-tech vállalatok kiszakadtak földrajzi környezetükből. Ebben az értelemben a külföldi tulajdonú vállalatok által végzett „teremtő rombolásnak” (creative destruction) meghatározó hatása van az egyetem- gazdaság- kormányzat kapcsolatokban is. Ez alól egyedül Budapest jelenthet kivételt, ahol az urbanizációs agglomerációs előnyök miatt az integráció jóval magasabb fokot ért el.

 

A vizsgálat megmutatta, hogy a régiókon belüli szinergiák nem ellensúlyozzák a nemzeti szinten megnyilvánuló bizonytalanságot. Arra következtetünk ebből, hogy Magyarország nem alkot egységes, integrált nemzeti innovációs rendszert, a szinergiák csak regionális szinten alakultak ki. Az eredmények high- és medium-tech iparágakra és tudás-intenzív szolgáltatásokra való bontása bizonyította, hogy a magyar regionális innovációs rendszerek különböző forgatókönyvek alapján fejlődtek: a megyék az átalakulás különböző lépéseinél járnak az egyetem- gazdaság- kormányzat kapcsolatokat illetően. A kapcsolatok központosított jellegéből való átmenet még nem ért véget, ebből a szempontból az ország három részre bontható. Az ország keleti részén levő egyetemek főleg közfinanszírozású alapkutatási tevékenységgel bírnak, ez vezérli a három szféra szerveződését. A nyugati területek valószínűleg csatlakoztak azokhoz az innovációs rendszerekhez, főleg osztrák és német térségekhez, ahol már a high- és medium-tech cégek bírnak vezető szereppel. Budapest egész más szinten áll, olyan metropolisz térségekkel versenyez, mint Bécs, München vagy Pozsony, és a három szféra jóval összetettebb módon kapcsolódik egymáshoz.

 

A magyar gazdaság központilag tervezett rendszeréből a piacgazdaságig tartó átmenet során a globalizáció és az EU-hoz való csatlakozás nyomása nemcsak a termelési rendszerban lévő kapcsolatokat strukturálta át, hanem annak tágabb környezetéhez való viszonyát is. Ez idő alatt az országon belüli kapcsolatok gyengültek, míg a külső kapcsolatok aszinkron módon erősödtek. Budapest és az ország észak-nyugati része könnyebben meg tudta találni az európai piacokhoz vezető utat, mint a keleti területek. Az egyetemek tovább mélyítették nemzetközi kapcsolataikat, melyek sosem szűntek meg teljesen. A közvetlen külföldi tőkebefektetések és multinacionális telephelyek pedig vezető szerephez jutottak az egyetem- gazdaság- kormányzat kapcsolataiban. Így a magyar rendszer valószínűleg egy nagyságrenddel nagyobb arányban vesztett kontrolljából a nemzetgazdaság szervezését illetően, mint a Hollandiához hasonló országok, melyek jóval korábban kezdték a nemzeti innovációs rendszerük kialakítását, s lépésről lépésre tudták azt fejleszteni.

 

Felhasznált Irodalom

ABRAMSON, N. [1963]: Information Theory and Coding. McGraw-Hill, New York.

ACS J.Z. – VARGA ATTILA [2000]: Térbeliség, endogén növekedés és innováció. Tér és Társadalom. 4. sz. 23-39. o.

ANTALÓCZY KATALIN – SASS MAGDOLNA [2005]: A külföldi működőtőke-befektetések regionális elhelyezkedése és gazdasági hatásai Magyarországon. Közgazdasági Szemle, 5. sz. 494–520. o.

ASHEIM, B.T. – COENEN, L. [2006]: Tudásbázisok és regionális innovációs rendszerek: skandináviai klaszterek összehasonlítása. Információs Társadalom, 3. 114-141.o.

BAJMÓCY ZOLTÁN [2007]: A technológiai inkubáció elmélete és alkalmazási lehetőségei hazánk elmaradott térségeiben. Doktori értekezés, Szegedi Tudományegyetem Gazdaságtudományi Kar Közgazdaságtudományi Doktori Iskola

BARTA GYÖRGYI [2000]: A külföldi működő tőke szerepe a magyar ipar duális struktúrájának és regionális differenciálódásának kialakulásában. Megjelent: Horváth Gyula – Rechnitzer János (szerk.): Magyarország területi szerkezete és folyamatai az ezredfordulón. Pécs, MTA Regionális Kutatások Központja. 265-281.o.

BARTA GYÖRGYI – KUKELY GYÖRGY – LENGYEL BALÁZS – SÁGVÁRI BENCE [2007]: Magyarország a globális K+F térképén: Fejlődő országok a multinacionális vállalatok K+F stratégiájában. Tér és Társadalom, 3. pp. 31-50.

BORSI BALÁZS – PAPANEK GÁBOR – MENSINK, W. [2007]: The ProAct benchmarking framework: a method proposed to explore good practices in regional innovation and research policy. A ProAct konzorcium műhelytanulmánya, FP6 (szerződésszám: 030121). Budapest, 2007. április.

BOSHMA, R.A. – FRENKEN, K. [2006]: Why is economic geography not an evolutionary science? Towards an evolutionary economic geography. Journal of Economic Geography, 6. 273-302. o.

BOSCHMA, R.A. – IAMMARINO, S. [2007]: Related variety and regional growth in Italy. Paper presented at the DRUID Summer Conference 2007 on Appropriability, proximity, routines and innovation. Copenhagen, June 18-20, 2007.

BOSCHMA, R.A. – MARTIN, R. [2007]: Editorial – Constructing an evolutionary economic geography. Journal of Economic Geography, 7. 537-548. o.

BRESCHI, S. – LISSONI, F. [2001]: Knowledge spillovers and local innovation systems: a critical survey. Industrial and Corporate Change, 10. 975–1005. o.

COOKE, P. [2002]: Knowledge Economies. Clusters, learning and cooperative advantage. Routledge, London.

COOKE, P. – LEYDESDORFF, L. [2006]: Regional Development in the Knowledge-Based Economy: The Construction of Advantage. Journal of Technology Transfer, 1. 5-15. o.

DŐRY TIBOR [2005]: Regionális innováció-politika. Kihívások Az Európai Unióban és Magyarországon. Dialóg Campus, Budapest-Pécs.

EC [2005]: Towards an European Research Area, Science, Technology and Innovation. Key Figures 2005. European Comission, DG Research, Brüsszel.

ENYEDI GYÖRGY [1995]: The transition of post-socialist cities. European Review 3. 171-182. o.

ENYEDI GYÖRGY [2000]: Regionális folyamatok a posztszocialista Magyarországon. Magyar Tudomány, 9. sz. 935-941. o.

ETZKOWITZ, H. – LEYDESDORFF, L. [2000]: The dynamics of innovation: from national systems and ‘mode 2’ to a Triple Helix of university-industry-government relations. Research Policy, 2. 109-123. o.

EUROSTAT [2005]: R&D and internationalization. Statistics in focus, Science and Technology 7/2005. European Communities.

EUROSTAT [2006]: High tech industries and knowledge based services. Statistics in focus , Science and Technology 13/2006. European Communities.

EUROSTAT [2007] Employment and earnings in high-tech sectors. Statistics in focus, Science and Technology 32/2007. European Communities.

FLORIDA, R. [2002]: The Rise of the Creative Class. Basic Books, New York.

FORAY, D. [2004]: The Economics of Knowledge. MIT Press, Cambridge, MA/ London.

FORNAHL, D. – BRENNER, T. [2003]: Cooperation, networks and institutions in regional innovation systems. Edward Elgar, Cheltenham.

FRITSCH, M. [2004]: R&D-cooperation and the efficiency of regional innovation activities, Cambridge Journal of Economics, 28. 829-846. o.

GEORGESCU-ROEGEN, N. [2002]: Az entrópia törvénye és a gazdasági probléma. Kovász, 1-4. sz. 19-31. o.

HÁMORI BALÁZS – SZABÓ KATALIN – DERECSKEI A. - HURTA H. - TÓTH L., [2007]:. Versengő és kooperatív magatartás az átalakuló gazdaságban. Közgazdasági Szemle, 6. sz. 579–601. o.

HRONSZKY IMRE [2005]: Mapping and Managing Uncertainty and Indeterminacy in Future Society-Technology Relations - Remarks on Prospective Technology Analysis. Megjelent Banse, G. – Hronszky I. – Nelson, G. (eds): Towards Sustainable Technologies. Sigma, Berlin.

INZELT ANNAMÁRIA [2003]: Foreign involvement in acquiring and producing new knowledge: the case of Hungary. Megjelent: Cantwell, J. – Molero, J. (szerk.): Multinational Enterprises, Innovative Strategies and Systems of Innovation. Edward Elgar, Cheltenham- Northampton, 234-268. o.

INZELT ANNAMÁRIA [2004]: The evolution of university- industry- government relationships during transition. Research Policy 33. 975-995. o.

JOHNSTON, R. J. – GREGORY, D. – PRATT, G. – WATTS, M. [2000]: The Dictionary of Human Geography. Oxford: Blackwell.

KAPÁS JUDIT [1999]: Szükséges-e többdimenziós vállalatelmélet? Az evolúciós vállalatelmélet kritikai összefoglalása. Közgazdasági Szemle, 9. sz. 823-841. o.

KÁLLAY LÁSZLÓ – LENGYEL IMRE [2007]: The internationalisation of Hungarian SMEs. Megjelent Dana, L. – Han, M. – Ratten, V. – Welpe, I. (szerk.): Handbook of Research on European Business and Entrepreneurship. Edward Elgar, Cheltenham- Northampton, 277-295.o.

KRUGMAN, P. [2000]: A földrajz szerepe a fejlődésben. Tér és Társadalom. 4 sz. 1-21. o.

LENGYEL BALÁZS [2004]: A tudásteremtés lokalitása: hallgatólagos tudás és helyi tudástranszfer. Tér és Társadalom, 2. sz. 51-71. o.

LENGYEL BALÁZS [2005]: Knowledge Creation inside and among organisations: networks and spaces of regional innovation. Megjelent: Farkas Ferenc (szerk): Current Issues on Change Management: Challenges and responses. University of Pécs, Pécs, 225-236. o.

LENGYEL BALÁZS [2008]: Egyetemi tudásteremtés és helyi tudástranszfer: a Szegedi Tudományegyetem lehetőségeiről. Megjelenés alatt: Lengyel Imre (szerk.): Az egyetemek változó szerepe a tudásalapú gazdaságban. JATEPress, Szeged, 21. o.

LENGYEL BALÁZS – LUKÁCS ESZTER – SOLYMÁRI GÁBOR [2006]: A külföldi érdekeltségű vállalkozások és az egyetemek kapcsolata Győrött, Miskolcon és Szegeden. Tér és Társadalom 4. sz. 127-140. o.

LENGYEL IMRE [2003]: Verseny és területi fejlődés: térségek versenyképessége Magyarországon. JATEPress, Szeged.

LENGYEL IMRE [2006]: A Szegedi Tudományegyetem lehetőségei a tudásalapú helyi gazdaságfejlesztésben. Megjelent Rácz Béla (szerk.): 85 éves a szegedi felsőoktatás. Szegedi Tudományegyetem, Szeged, 45-52. o.

LENGYEL IMRE – RECHNITZER JÁNOS [2004]: Regionális gazdaságtan. Dialóg Campus, Budapest-Pécs.

LEYDESDORFF, L. [2006a]: While a Storm is Raging on the Open Sea: Regional Development in a Knowledge-based Economy. Journal of Technology Transfer, 2. 189-203. o.

LEYDESDORFF, L. [2006b]: The Knowledge-Based Economy: Modeled, Measured, Simulated. Universal Publishers, Boca Rota.

LEYDESDORFF, L. – DOLFSMA, W. – VAN DER PANNE, G. [2006]: Measuring the knowledge base of an economy in terms of Triple Helix relations among ‘technology, organization, and territory,’ Research Policy, 2. 181-199. o.

LEYDESDORFF, L. – FRITSCH, M. [2006]: Measuring the knowledge base of regional innovation systems in Germany in terms of a Triple Helix Dynamics. Research Policy, 10. 1538-1553. o.

LEYDESDORFF, L. [2007]: A kommunikáció szociológiai elmélete. Typotex, Budapest.

LORENZEN, M. – FOSS, N.J. [2003]: Cognitive coordination, institutions and clusters: an exploratory discussion. Megjelent: Fornahl, D. –  Brenner, T. (szerk.): Cooperation, networks and institutions in regional innovation systems. Edward Elgar, Cheltenham, 82-104. o.

LUNDVALL, B.-Å. [1992]: National Systems of Innovation. Pinter, London.

NELSON, R. R. [1993]: National Innovation Systems: A Comparative Analysis. Oxford University Press, New York.

NELSON, R. R. – WINTER, S. G. [1982]: An Evolutionary Theory of Economic Change. Belknap Press of Harvard University Press, Cambridge, MA.

NEMES-NAGY J. [2005]: Regionális elemzési módszerek. ELTE, Budapest.

OECD [2001]: Science, Technology and Industry Scoreboard: Towards a Knowledge-based Economy. OECD, Paris.

PAPANEK GÁBOR [2000]: The relationship between Science, Industry and the Government in Hungary, a country in transition. Paper presented at the Third Triple Helix Conference, Rio de Janeiro.

PAPANEK GÁBOR [2006]: Tudásáramlás, jogbiztonság, együttműködés: a magyar gazdaság fejlődésének láthatatlan forrásai. Aula, Budapest.

PATAKI GYÖRGY [2002]: Biofizikai közgazdaságtan és entrópia – Bevezetés Nicholas Georgescu-Roegen közgazdasági munkásságába. Kovász, 1-4. sz. 33-39. o.

RECHNITZER JÁNOS – CSIZMADIA ZOLTÁN – GROSZ ANDRÁS [2004]: A magyar városhálózat tudásalapú megújító képessége az ezredfordulón. Tér és Társadalom, 2. sz. 117-156. o.

SHANNON, C.E. [1948]: A mathematical theory of communication. Bell System Technical Journal, 27. 379–423, o. és  623–656. o.

STORPER, M. [1997]: The Regional World - Territorial Development in a Global Economy. Guilford Press, New York.

SZABÓ KATALIN – KOCSIS ÉVA [2003]: Tanulás és felejtés vegyes vállalatokban. Oktatási Minisztérium, Budapest.

SZALAVETZ A. [2004]: Technológiai fejlődés, szakosodás, komplementaritás, szerkezetátalakulás. Közgazdasági Szemle, 4. sz. 362–378. o.

THEIL, H. [1972]: Statistical Decomposition Analysis. Amsterdam/ London: North-Holland.

TÓTH ISTVÁN GYÖRGY [2003]: Jövedelemegyenlőtlenségek – tényleg növekszenek, vagy csak úgy látjuk? Közgazdasági Szemle, 3. sz. 209-234. o.

TÖRÖK ÁDÁM [2006a]: A krétakör közepén: K+F és innovációs stratégiai dilemmák Magyarországon 2006-ban. Magyar Tudomány, 4. sz. 432-444. o..

TÖRÖK ÁDÁM [2006b]: Elmaradottság, felzárkózás és innováció az Európán kívüli, nem OECD országokban. Közgazdasági Szemle, 11. sz. 1005-1022.o.

TÖRÖK ÁDÁM – PETZ RAJMUND [1999]: Kísérlet a K+F-intenzitás és az exportszerkezet közötti összefüggések vizsgálatára a magyar gazdaságban. Közgazdasági Szemle, 3. sz. 213–230. o.

UNCTAD [2005]: World Investment Report 2005. Transnational Corporations and the Internationalization of R&D. United Nations, New York és Genf.

VARGA ATTILA [2004]: Az egyetemi kutatások regionális gazdasági hatásai a nemzetközi szakirodalom tükrében. Közgazdasági Szemle. 3. sz. 259-275. o.

VARGA ATTILA [2005]: Regionális innováció politika: amerikai tapasztalatok és magyarországi lehetőségek. Magyar Tudomány 7. sz. 857-869. o.

VARGA ATTILA [2007]: Localized knowledge inputs and innovation: the role of spatially mediated knowledge spillovers in Hungary. Acta Oeconomica 57(1) 1-20. o.

 

return



* A szerzők köszönetüket szeretnék kifejezni Szabó Istvánnak, a KSH Népesedés-, egészségügyi és szociális statisztikai főosztály osztályvezetőjének az adatgyűjtésben nyújtott segítségéért, illetve a Szegedi Tudományegyetem Gazdaságtudományi Kar Közgazdaságtani és Gazdaságfejlesztési Intézet munkatársainak a tanulmány alkotó átnézéséért.

 

Lengyel Balázs a Magyar Tudományos Akadémia Regionális Kutatások Központjának tudományos segédmunkatársa (e-mail: lengyel@rkkmta.hu)

Loet Leydesdorff az Amsterdam School of Communications Research, University of Amsterdam professzora (e-mail:loet@leydesdorff.net)


 

[1] Leydesdorff (2007, 59.o.) három ko-evolúciós kapcsolatban lévő rendszer egymásra való hatását, közös információját Venn-diagrammal ábrázolja.

 

[2] A magyar vizsgálatban csak a vizsgált 22 iparági szektorból gyűjtöttünk adatokat (a holland és német vizsgálatnál minden ágazatot figyelembe vettek). Így ebben a tanulmányban a valószínűségi entrópia csak a high-tech, medium-tech és tudás-intenzív szolgáltatások eloszlását jelöli, a maximum entrópia a technológiai dimenzióban log2(22) = 4.459, a szervezeti dimenzióban log2(6) = 2.584.

[3] (High-medium-tech DT – Teljes DT) / Teljes DT * 100