Een spatiaal econometrische analyse van de determinanten van ondernemerschap

STEUNPUNT ONDERNEMEN EN REGIONALE ECONOMIE NAAMSESTRAAT 61 – BUS 3550 BE-3000 LEUVEN TEL + 32 16 32 66 61 | FAX + 32 16 37 35 11 [email protected] www.steunpuntore.be

Beleidsrapport STORE-B-13-025

Een spatiaal econometrische analyse van de determinanten van ondernemerschap A. Aelvoet (Universiteit Gent) B. Merlevede (Universiteit Gent)

December 2013

1

Inhoudstafel 1. Ondernemerschap, innovatie en groei............................................................................................ 4 2. Determinanten van ondernemerschap ........................................................................................... 6 3. Onderzoeksopzet............................................................................................................................. 9 3.1 Dataset ...................................................................................................................................... 9 3.2 Methodologische aspecten ....................................................................................................... 9 3.3 Variabelen................................................................................................................................ 12 4. Bevindingen. .................................................................................................................................. 17 5. Robuustheidsanalyse ..................................................................................................................... 26 Besluit ................................................................................................................................................ 29 Bibliografie ........................................................................................................................................ 30 Bijlage A.1 Monte Carlo Simulatie ..................................................................................................... 31 Figuur 3 bias variantie ratio (n = 2) ............................................................................................... 32 Figuur 4 bias variantie ratio (n = 3) ............................................................................................... 32 Figuur 5 bias variantie ratio (n = 4) ............................................................................................... 33 Figuur 6 bias variantie ratio (n =5) ................................................................................................ 33 Figuur 7 bias variantie ratio (n = 10) ............................................................................................. 34 Figuur 8 bias variantie ratio (n =20) .............................................................................................. 34

Lijst met figuren Figuur 1 dataverwerking (rasteren)....................................................................................................... 11 Figuur 2 dataverwerking (rasteren)....................................................................................................... 11 Figuur 3 bias variantie ratio (n = 2) ....................................................................................................... 32 Figuur 4 bias variantie ratio (n = 3) ....................................................................................................... 32 Figuur 5 bias variantie ratio (n = 4) ....................................................................................................... 33 Figuur 6 bias variantie ratio (n =5) ........................................................................................................ 33 Figuur 7 bias variantie ratio (n = 10) ..................................................................................................... 34 Figuur 8 bias variantie ratio (n =20) ...................................................................................................... 34

Lijst met tabellen Tabel 1 Sectorindeling ........................................................................................................................... 16 Tabel 2 Spatiale effecten van inputsharing bij uitgeverijen en geschreven media .............................. 20 Tabel 3 Spatiale effecten van inputsharing in de bouwsector .............................................................. 20 Tabel 4 Spatiale effecten van inputsharing in de R&D sector ............................................................... 21 Tabel 5 Spatiale effecten van inputsharing in de entertainment sector ............................................... 21 Tabel 6 Spatiale effecten van labor pooling in de voedingsindustrie ................................................... 22 2

Tabel 7 Spatiale effecten van labor pooling in de houtverwerkende nijverheid .................................. 23 Tabel 8 Spatiale effecten van labor pooling in de chemische industrie................................................ 23 Tabel 9 Spatiale effecten van labor pooling in de horeca ..................................................................... 24 Tabel 10 Spatiale effecten van labor pooling in de transportsector ..................................................... 24 Tabel 11 Spatiale effecten van labor pooling in de vastgoedsector ..................................................... 25 Tabel 12 Alternatieve sectorindeling .................................................................................................... 27 Tabel 13 Spatiale effecten in de Distributie sector ............................................................................... 27 Tabel 14 Spatiale effecten in de Rest sector ......................................................................................... 28

3

1. Ondernemerschap, innovatie en groei

De laatste 100 jaar ervaren we een continue toename van de levensstandaard. Voortdurende technologische vooruitgang is één van de belangrijkste drijvende krachten achter deze continue groei. Romer (1990) illustreert dit aan de hand van een eenvoudig gedachtenexperiment. Als we alle productiefactoren (land, grondstoffen, arbeid, en fysiek kapitaal) verdubbelen en de stand van de technologie constant houden, dan is het mogelijk om de productie te verdubbelen door replicatie van de reeds bestaande productieprocessen. Indien we de stand van de technologie vervolgens ook verhogen, dan zal dit resulteren in een verdere toename van de productie. Bijgevolg zal de productie per arbeider (ofwel het BBP per capita) eveneens stijgen. De welvaart vergroot. Hoe kan dit proces binnen een economische context vorm krijgen? Vooreerst hebben bedrijven er zelf belang bij om in innovatie en dus het verbeteren van de stand van de technologie te investeren. Het levert nieuwe of betere producten op, waarop men (tijdelijk) het monopolie verwerft. Innovaties kunnen ook leiden tot een betere organisatie van het productieproces, met lagere productiekosten en een sterkere concurrentiepositie tot gevolg. Wanneer een bedrijf een nieuwe technologie of product succesvol introduceert, zullen andere bedrijven dit trachten te kopiëren. Zelfs indien het bedrijf een patent kan nemen op de innovatie, dan nog heeft dit vaak slechts betrekking op een ‘product specifiek’ onderdeel van de kennis. De niet patenteerbare verder toepasbare inzichten kunnen door andere bedrijven worden overgenomen. Door de verspreiding van deze kennis zal de productie, bij een constante inzet van de andere productiefactoren, stijgen. Het BBP per capita en de welvaart nemen toe. Het enige probleem in deze redenering is dat bedrijven mogelijks stoppen met te investeren in R&D omdat het rendement van een nieuwe uitvinding keer op keer verlaagt. Indien reeds veel producten (variëteiten) op de markt aanwezig zijn zal de rendabiliteit van nog een nieuw product (variëteit) (door hogere concurrentie) verlagen. In de economische groeimodellen lost men dit op door te veronderstellen dat de kost van een innovatie voldoende verlaagt naarmate de stand van de technologie verbetert. Zodoende ontstaat de volgende economische groei spiraal. Een bedrijf innoveert en krijgt een tijdelijk monopolie op het goed waardoor deze innovatie rendeert. De kennis verspreidt zich over de industrie waardoor de productiviteit en de welvaart verhoogt en de kost van een additionele innovatie verlaagt. Hierdoor zal er vervolgens weer een bedrijf interesse hebben in een additionele innovatie, waarna het verhaal

4

van vooraf aan herstart. 1 Merk op dat bedrijfsopstarten an sich niet volstaan om de bovenstaande economische groei spiraal gaande te houden. Het moet telkens bedrijven betreffen die nieuwigheden inzake producten, productietechnieken, en dergelijke introduceren. Technologische kennis in de meest ruime betekenis van het woord verspreidt zich echter niet automatisch. Er zijn een aantal kanalen waarlangs de innovatie van het ene bedrijf doorsijpelt naar andere ondernemingen. Een voor de hand liggende factor is arbeidsmobiliteit. Werknemers veranderen wel eens van werkgever en nemen heel wat ‘best practices’ met zich mee (Grossman en Helpman, 1991). Maar ook werknemers die zelf een onderneming oprichten kunnen voor een aanzienlijke kennistransfer zorgen (zie Audretsch en Lehman (2005) en Audretsch (2007)). Dit verantwoordt meteen de beleidsrelevantie van het voorliggende onderzoek. Indien we het aantal opstartende bedrijven ( ‘het ondernemerschap’) kunnen doen toenemen, dan kan dit voor meer kennistransfers tussen bedrijven zorgen, en zodoende voor een hogere economische groei. In het beleidsrapport ‘Ondernemerschapskapitaal in Vlaanderen, België en Europa’ (STORE-B-13-002) tonen Aelvoet en Merlevede reeds aan dat in België de prestaties inzake ondernemerschap sterke geografische verschillen tonen. In deze bijdrage zullen we de variabiliteit van deze prestaties trachten te verklaren door gebruik te maken van spatiaal econometrische analyses voor België. In wat volgt zullen we achtereenvolgens ingaan op de relevante wetenschappelijke literatuur (paragraaf 2), het onderzoeksopzet (paragraaf 3) en de voornaamste bevindingen (paragraaf 4).

1

Voor een theoretische uiteenzetting verwijzen we de lezer door naar het uitstekende werk van Grossman en Helpman (1991).

5

2. Determinanten van ondernemerschap Er bestaan velerlei verklaringen voor de grote regionale verschillen in start-ups. Eén van de eerste economen die hier een duidelijke visie op na hield was Marshall (1920). De uitgesproken concentratie van bedrijven in bepaalde delen van een land kende volgens hem drie oorzaken: 1. Natuurlijke voordelen: bedrijven vestigen zich in de buurt van grondstoffen die een hoge transportkost kennen. Dit maakt dat regio’s die over zulke grondstoffen beschikken meer bedrijfsstichtingen laten optekenen. 2. Historisch toeval: de aanwezigheid van een hofhouding leidt tot de ontwikkeling van luxe industrieën. 3. Agglomeratiekrachten: de aantrekkelijke omstandigheden die bestaande bedrijven creëren voor nieuwkomers. Hierdoor zal een bedrijfsconcentratie, eens ze is ontstaan, meer nieuwkomers aantrekken. Marshall

(1920)

onderscheidde

daarbij

drie

agglomeratiekrachten.

Een

eerste

agglomeratiemechanisme zijn kennistransfers, ofwel het hoge tempo waaraan ondernemers ideeën kunnen uitwisselen met de nodige innovaties tot gevolg. Een tweede mechanisme is het delen van toeleveranciers (‘inputsharing’). De grote bedrijfsaantallen maken het mogelijk om de productie van zeer specifieke halffabricaten aan gespecialiseerde toeleveringsbedrijven toe te kennen, met een betere arbeidsdeling en hogere productiviteit tot gevolg. Deze hogere productiviteit laat vervolgens toe om goedkoper te produceren, wat nieuwkomers aantrekt. Tot slot schept ook de grotere arbeidsmarkt mogelijkheden (‘labor market pooling’). Door de aanwezigheid van een groter aantal bedrijven wordt de kans dat bedrijfsprestaties uiteenlopen ook groter, daardoor kan het gebeuren dat het ene bedrijf werknemers ontslaat, terwijl het andere volop aanwerft. Grotere arbeidsmarktmogelijkheden hebben dan als voordeel dat het expanderende bedrijf werknemers kan aanwerven zonder dat de loonkosten de pan uit swingen. Gedurende de twintigste eeuw hebben vele theoretici deze Marshalliaanse inzichten vertaald in moderne micro-economische modellen. Duranton en Puga (2003) bieden een uitstekend overzicht van het reeds gedane onderzoek. Daarbij plaatsen ze de uiteenlopende modellen in drie grote categorieën: delen, matchen en leren. In wat volgt geven we een beknopt overzicht van de voornaamste inzichten die dit microeconomische onderzoek heeft voorgebracht. Geïnteresseerde lezers , die de mechanismen tot in de details willen begrijpen, verwijzen we door naar Duranton en Puga (2003). 1. Bedrijven kunnen wederzijds voordeel putten uit het delen van uiteenlopende zaken: 6

a. Het delen van niet-deelbare productiefactoren. Indien verschillende bedrijven van eenzelfde niet-deelbare productiefactor gebruik maken, dan kunnen zij de vaste kost over meer actoren spreiden. De vaste kost (per bedrijf) daalt bijgevolg naarmate meer bedrijven zich samen vestigen. Dit trekt verder nieuwe bedrijven aan.

b. Het delen van toeleveringsbedrijven. Wanneer veel bedrijven zich samen vestigen kan er een groter aantal toeleveringsbedrijven ontstaan. Hierdoor is er een ruimere waaier aan inputs beschikbaar, en kan men de input mix verbeteren.

c. Het delen van arbeidstaken. De toename van het bedrijfsaantal – alsook de toename van het aantal toeleveringsbedrijven – leidt tot een verregaande arbeidsdeling.

d. Het delen van risico (labor market pooling): indien bedrijven dalende schaalopbrengsten hebben dan zal de negatieve correlatie van bedrijfsresultaten tot een wederzijds voordeel leiden. De bedrijven die verlies boeken en hun productie moeten inkrimpen zullen dankzij de kleinere schaal productiever worden. De expanderende bedrijven zullen de werknemers die door de andere ondernemingen worden ontslaan kunnen aanwerven, zonder dat het algemene loonpeil verhoogt (Krugman, 1991).

2. Bedrijven kunnen wederzijds voordeel putten uit diverse matching processen. a. Hold-up problemen. De aanwezigheid van een te klein aantal actoren kan hold-up problemen veroorzaken. We geven een voorbeeld ter illustratie (Helsley en Strange, 2007). Stel dat twee bedrijven gevestigd zijn in een regio. In een eerste fase kan bedrijf A beslissen om voor bedrijf B te produceren zonder dat men een prijs contractueel kan vastleggen (bvb. ten gevolge van onzekerheid inzake de kwaliteit van het eindproduct). In een tweede fase doet bedrijf B een bod dat door bedrijf A wordt aanvaard of verworpen. Indien bedrijf B zich optimaal gedraagt dan zal het bedrijf A aanmoedigen om een product te produceren, om in fase 2 de laagst aanvaardbare prijs te bieden, namelijk nul euro. Dit optimale gedrag indachtig zal bedrijf A in de eerste fase weigeren om een goed te produceren voor bedrijf B. Verdere arbeidsdeling wordt dus tegengehouden ten gevolge van een onvolledig contract (dat enkel de plichten van A duidelijk specifieert, maar niet die van bedrijf B). Er is sprake van een ‘hold-up’ probleem. 7

Indien ook bedrijf C zich in deze regio vestigt en in de tweede fase mee kan bieden dan zal het optimale gedrag van bedrijf B wijzigen. Bedrijf C zal immers bereid zijn om iedere prijs te bieden die voor hem winstgevend is. Dit indachtig zal bedrijf B in de laatste fase evenveel bieden als het hoogste bod dat door bedrijf C kan worden uitgebracht. Hierdoor zal bedrijf A ditmaal wel bereid zijn om een goed te produceren voor bedrijf B. De arbeidsdeling en productiviteit nemen, net als het aantal nieuwkomers, toe.

b. Matching op de arbeidsmarkt. Doordat het aantal vragers en aanbieders van arbeid op een bepaalde plek stijgt zal het minder lang duren vooraleer een vacature wordt ingevuld. Dit zorgt voor lagere zoekkosten.

3. Bedrijven kunnen van elkaar leren. Doordat werknemers tijdens hun loopbaan van werk veranderen kunnen inzichten inzake arbeidsorganisatie, … van het ene bedrijf op het andere worden overgedragen.

Naast deze micro-economische verklaringen spelen ook andere factoren een rol.

Zo maakte

Saxenian (1994) duidelijk dat de organisatie van de economische activiteit in vele kleine ondernemingen een essentieel ingrediënt is voor de creatie van nieuwe bedrijven. Meer specifiek tracht hij op anekdotische wijze het succes van Silicon Valley vis à vis Route 128 te verklaren vanuit de structuur van kleine jonge ondernemingen die in de eerste regio bestond. Verder zijn nog verschillende andere verklaringen voorgesteld, maar het bewijsmateriaal is niet steeds even sterk. In dit rapport concentreren we ons op de identificatie van het effect van agglomeratiekrachten op start-ups in België.2

2

Verder werk binnen deze onderzoekslijn zal aandacht besteden aan de heterogeniteit in start-ups, i.e. ondernemingsgrootte, succesvolle versus niet succesvolle start-ups.

8

3. Onderzoeksopzet 3.1 Dataset De voor dit onderzoek gebruikte dataset is gebaseerd op verschillende jaargangen van de Amadeus databank. De Amadeus databank, uitgegeven door Bureau van Dijk Electronic Publishing, bevat bedrijfsgegevens voor verschillende sectoren overheen heel Europa. Omwille van de hoge detailgraad is deze dataset zeer geschikt voor een fijnmazige analyse. Zo is de postcode, industriecode, ondernemingsvorm, tewerkstelling, productiviteit, rendabiliteit, … van veel opgenomen bedrijven bekend of kan dit berekend worden. Het gebruik van de Amadeus databank brengt echter enkele beperkingen met zich mee die steeds in het achterhoofd gehouden moeten worden bij cijfers en studies naar verbanden. Zo worden inactieve bedrijven automatisch uit de dataset verwijderd, waardoor je op basis van 1 versie niet kunt nagaan hoeveel bedrijven er voordien actief waren. Wij lossen dit probleem op door verscheidene jaarlijkse versies in onze databank te integreren. Desalniettemin nemen we niet alle bedrijven waar. Het aantal waargenomen bedrijven varieert daarbij naargelang tijd en ruimte. Het is dus niet omdat we een quasi exhaustieve steekproef hebben van een bepaalde sector in België dat dit ook voor bijvoorbeeld Duitsland het geval is. De dekkingsgraad van deze databank is voor België echter zeer hoog, waardoor ze uitermate geschikt is voor fijnmazige econometrische analyses zoals deze hier worden gedaan. De voor dit onderzoek gebruikte dataset is identiek aan degene waar het beleidsrapport ‘Ondernemerschapskapitaal in Vlaanderen, België en Europa’ (STORE-B-13-002) op is gebaseerd. Voor meer gedetailleerde informatie over de dataset verwijzen we de lezer door naar het voornoemde beleidsrapport.

3.2 Methodologische aspecten In ons onderzoek naar de determinanten van ondernemerschapskapitaal moeten we een aantal problemen het hoofd bieden. Een eerste probleem is de heterogene geografie van de verschillende Belgische postcodegebieden. Empirische resultaten kunnen dan enkel gebruikt worden om uitspraken te doen over hoe ver een effect reikt in termen van buurregio’s, waardoor je enkel kunt nagaan of het effect reikt tot de aangrenzende regio’s, of tot de aangrenzende regio’s van aangrenzende regio’s, enz. Gelet op de zeer wisselende omvang van de bestudeerde geografische eenheden zijn we niet in staat om de absolute reikwijdte van de effecten in afstand (kilometer) uit te drukken of te bestuderen. Bovendien tonen Glaeser et al. (2010) aan dat het niet corrigeren voor geografische heterogeniteit aanleiding kan geven tot inconsistente schattingen van de agglomeratie effecten, wat tot foute conclusies kan leiden. 9

Om tot beleidsrelevante inzichten te komen hebben we daarom de ruwe data gerasterd. Dit houdt in dat we over heel België een raster met vierkanten hebben gelegd en de bedrijven vervolgens hebben herverdeeld. Figuur 1 illustreert dit proces grafisch. Om tot geen al te grote vervormingen te komen hebben we daarbij de volgende verdeelsleutel toegepast: indien een aandeel x van postcodegebied p in vierkant A ligt, dan wordt een deel x van de in postcode p gevestigde bedrijven aan vierkant A toegewezen. Op deze manier krijgen alle bedrijven een nieuwe locatie toegewezen zonder dat nieuwe bedrijven ‘uitgevonden’ worden. Figuur 2 illustreert dit proces voor sector de entertainmentsector.

Een tweede probleem is de moeilijke identificatie van de onderscheiden agglomeratie effecten. Ieder agglomeratie-effect zorgt voor een hogere (arbeids)productiviteit in de desbetreffende regio, wat op zijn beurt leidt tot een hogere vraag naar en een hogere prijs van de betreffende input (loon) (Rosenthal en Strange, 2004). De aanwezige agglomeratiemechanismen uiten zich dus allemaal onder ongeveer dezelfde vorm, waardoor de individuele effecten niet eenvoudig kunnen nagegaan worden.

10

Figuur 1 - Correctie voor geografische heterogeniteit

Figuur 2 – Herallocatie van bedrijven en correctie voor geografische heterogeniteit

3.888889 - 93.88889 (227) 1.611111 - 3.888889 (227) .4444444 - 1.611111 (230) 0 - .4444444 (158) 0 - 0 (299)

25 - 10000 (81) 20 - 25 (24) 15 - 20 (23) 10 - 15 (44) 5 - 10 (52) 0 - 5 (31)

11

3.3 Variabelen De identificatie van specifieke agglomeratiekrachten is zoals gezegd niet eenvoudig. Dit kan enkel enerzijds door een aantal meetbare eigenschappen te zoeken die uniek zijn aan ieder type agglomeratie-effect en anderzijds door de overige agglomeratiemechanismen te vatten in zogenaamde ‘container’-variabelen. De door ons gebruikte container-variabelen zijn forward en backward linkages. Forward linkages voor industrie k in regio r meten we daarbij als:

∑

Met

de fractie van de output die industrie k aan industrie i toelevert en

het aantal bedrijven

uit industrie i dat in regio r aanwezig is. Deze informatie halen we uit de input-output tabellen voor België opgesteld door het Federaal Planbureau. Indien industrie k een groot deel van zijn output aan industrie i verkoopt, en er zijn veel bedrijven uit industrie i in regio r aanwezig, dan zal deze aan zeer veel bedrijven kunnen toeleveren. Op deze manier controleren we (deels) voor de vraag die in regio r aanwezig is. Backward linkages voor industrie k in regio r meten we als: ∑ Met

de fractie inputs die industrie k uit industrie i betrekt, en

het totaal aantal bedrijven uit

industrie i dat aanwezig is. Indien industrie k een groot deel van zijn inputs uit industrie i betrekt, en er veel bedrijven uit sector i aanwezig zijn, dan kan deze potentieel heel veel inputs toegeleverd krijgen. Op deze manier controleren we voor de voordelen die een bedrijf ondervindt door veel verschillende toeleveranciers te hebben. Merk op dat deze variabele de impact van alle mechanismes die opereren via relaties met toeleveranciers vat. Hieronder definiëren we nog een variabele die specifiek het mechanisme van inputsharing probeert te vatten. Naast deze container variabelen hebben we ook twee agglomeratiekrachten expliciet in onze analyse opgenomen: labor pooling en inputsharing. Labor pooling betreft de baten die bedrijven ondervinden door een negatieve correlatie tussen hun respectievelijk performatie (i.e. de ene expandeert terwijl de andere inkrimpt, zie sectie twee). Dit mechanisme gaat met andere woorden gepaard met bedrijven die personeel ontslaan, en andere 12

bedrijven die personeel aannemen; beide goed observeerbare gebeurtenissen. Op basis van deze vaststelling meten Overman en Puga (2009) het potentieel voor labor pooling voor industrie i in region r als volgt:

∑ Daarbij staat

√

voor het aantal werknemers in bedrijf n uit sector i met vestigingsplaats r ,

voor

het aantal werknemers in sector i in regio r en N voor het totale aantal bedrijven uit sector i die in regio r aanwezig zijn. Voor een bedrijf n is het batig om sterk te expanderen (hoge ogenblik dat de eigen sector inkrimpt (negatieve

). In dit geval zal de n-de term (√

) op een ) uit

bovenstaande som een hoge waarde aannemen. Het gemiddelde van al deze bedrijfservaringen levert bijgevolg een goede indicatie voor de voordelen die men haalt uit labor pooling. Ook voor inputsharing is er een goede indicator. Onder inputsharing verstaan we de meer efficiënte input-mix die bedrijven kunnen kiezen indien er een brede waaier aan toeleveringsbedrijven aanwezig is. Daarbij gaan we uit van bedrijven die een aantal onderling niet inruilbare ‘grondstoffen’ nodig hebben om te kunnen produceren. Zo kan een frituur zijn productie niet constant houden door aardappelen in te ruilen voor frituurvet. Je hebt beide nodig om te produceren. Economen spreken in dit verband over ‘complementaire productiefactoren’. Echter voor iedere noodzakelijke grondstof kan een bedrijf kiezen tussen verschillende types, die hij eventueel eigenhandig kan combineren. Zo kan een frituur opteren voor een dierlijk vet, een plantaardige olie, of een uniek ‘mengsel’ van beide. Economen spreken in dit verband van ‘substitueerbare productiefactoren’: je kan de ene variant frituurvet vervangen (substitueren) door een andere. Kortom: we veronderstellen dat een bedrijf een aantal complementaire productiefactoren nodig heeft, waarbij die voor iedere complementaire productiefactor een bepaald type (of een combinatie van types) kan kiezen. Via input-output tabellen van het Federaal Planbureau achterhalen we welke complementaire productiefactoren een sector nodig heeft. Daarenboven weten we op basis van de Amadeus databank hoeveel toeleveranciers er per sector aanwezig zijn in elke regio, wat ons een indicatie levert van de breedte van het gamma. Aldus bekomen we de volgende indicator voor inputsharing in industrie k en regio r.

13

∑

Daarbij staat

voor de fractie inputs die industrie k uit industrie i betrekt,

voor de

variance ratio (een indicatie voor de ‘verscheidenheid’) van industrie i in regio r en voor het totale aantal industrieën. We delen de sectoren in op basis van de NACE 2 digit code. Aangezien we ook de NACE 4 digit code van ieder bedrijf kennen kunnen we aldus per sector nagaan hoe ‘gevarieerd’ het aanbod is door te berekenen hoeveel bedrijven er aanwezig zijn van ieder type (per NACE 4 digit code) en door vervolgens de modus van deze verdeling te berekenen. Het totale aantal bedrijven in een sector (NACE 2 digit) wordt in de bovenstaande formule weergegeven door n, de modus van de NACE 4 digit verdeling door de relatieve frequentie van ‘modus(nr)’. In bijlage B tonen we aan dat onze maatstaf voor inputsharing steeds een waarde tussen nul en één aanneemt.

Deze indicator kan als volgt begrepen worden. De hele economie is ingedeeld in I sectoren. Daarbij geeft

weer welk percentage van de ‘grondstoffen’ sector k aankoopt van sector i. Is dit

percentage hoog (respectievelijk laag), dan is sector i een belangrijke (respectievelijk onbelangrijke) toeleverancier van sector k en dan maakt de juiste keuze van een bepaald grondstoftype veel (respectievelijke weinig) uit. De variance ratio geeft vervolgens weer hoe breed het productgamma van sector i in regio r is. Is dit zeer groot (respectievelijk zeer klein) dan zal de variance ratio een hoge waarde (respectievelijk lage waarde) aannemen. Dat betekent dat i de term

hoog zal

zijn indien industrie k intensief gebruik maakt van industrie i én industrie i over een uitgebreid productgamma beschikt. Door deze termen op te tellen van alle I industrieën bekomen we zodoende een goede indicatie voor de potentiële baten uit inputsharing. De aanwezigheid van de variantie ratio in de indicator van inputsharing stelt ons voor een extra uitdaging. Indien we de spreiding van de bedrijven binnen iedere sector willen kennen dient iedere geografische eenheid voor iedere sector tenminste 2 bedrijven te herbergen. Om na te gaan hoeveel bedrijven we per sector nodig hebben om tot een redelijke inschatting van de variantie ratio te komen hebben we een Monte Carlo simulatie uitgevoerd. Deze vertrok daarbij telkens van de verschillende empirische distributies die we in de verschillende Belgische gemeenten en sectoren 14

hebben kunnen waarnemen tijdens de periode 1995 - 2009. Vervolgens zijn we nagegaan hoe de vertekening zich gedraagt naarmate we de steekproef groter maken. Op basis van deze gegevens hebben we het ideale aantal bedrijven dat in iedere sector van iedere geografische eenheid aanwezig moet zijn vastgelegd op vier. Leggen we onze norm lager, dan kunnen we meer regio’s behouden maar met een erg grote bias. Leggen we onze norm hoger dan vallen er dermate veel regio’s weg dat statistische besluitvorming moeilijk wordt. Het is dan ook belangrijk om te vermelden dat deze studie de meest afgelegen regio’s heeft moeten weren en zodoende een territorium heeft overgehouden dat grosso modo overeenkomt met de Vlaamse ruit met uitlopers naar Luik, Namen en de kust. Meer informatie over de Monte Carlo simulatie vindt u terug in bijlage. We zullen in de analyse ook expliciet controleren voor verschillen in concurrentiegraad door middel van de Herfindahl Index:

∑(

Daarbij staat

)

voor het marktaandeel waarover bedrijf n in industrie i beschikt. De

Herfindahl is nul indien er zeer veel concurrentie is (veel bedrijven met elk een klein marktaandeel) en 1 indien er sprake is van een monopolie. Tot slot controleren we ook voor natuurlijke voordelen door drie dummy variabelen te introduceren, die 1 zijn indien een bedrijf dicht bij (afstand minder dan 2,5 km) een autostrade, spoorweg of rivier ligt en 0 in het andere geval. Merk op dat kennistransfers (als agglomeratiekracht) zéér moeilijk te meten zijn. We kunnen hiervoor hooguit gebruik maken van patentcitaties. We nemen deze dan ook niet op in de analyse. Onze afhankelijke variabele wordt ten slotte gemeten als het gemiddelde aantal toetreders per duizend inwoners tijdens de periode 1995 – 2009. Vooraleer over te gaan op onze onderzoeksresultaten vermelden we nog de gehanteerde sectorindeling.

15

Tabel 1 - Sectorindeling Sector

Nace 2digit code

Grondstofdelving en energieproducten

10, 11, 12, 13, 14, 40

Voedingsindustrie

15, 16

Houtnijverheid

20

Uitgeverijen en geschreven media

21, 22

Chemische industrie

24, 25, 26

Metaal industrie

27, 28

Meubelnijverheid

36

Bouwsector

45

Verkoop en verhuur van voertuigen

50, 71

Groot- en detailhandel

51

Horeca

55

Transportsector

60, 61, 62

Toeleveranciers transportsector

63

Financiële sector

65, 66, 67

Vastgoedsector

70

Research and Development

72, 73

Entertainment sector

92

16

4. Bevindingen.

Vooraleer in te gaan op impactanalyse brengen we drie concepten aan: de gemiddelde directe impact, de gemiddelde totale impact en de gemiddelde indirecte impact. De gemiddelde directe impact geeft het (gemiddelde) effect van een toename van een onafhankelijke variabele weer op het aantal bedrijfsstichtingen in dezelfde regio. De gemiddelde indirecte impact het (gemiddelde) effect van een toename van een onafhankelijke variabele op het aantal bedrijfsstichtingen in alle andere regio’s weer. Tot slot geeft de gemiddelde totale impact geeft het (gemiddelde) effect van een toename van een onafhankelijke variabele op het aantal bedrijfsstichtingen in alle regio’s weer (direct + indirect effect). Onze spatiaal-econometrische analyse laat niet enkel toe om het effect in te delen in de drie hierboven vermelde kanalen (namelijk impact op de eigen bedrijfsstichtingen, alle bedrijfsstichtingen of bedrijfsstichtingen in alle andere regio’s), maar laat ook toe om deze effecten te verdelen over de ruimte (‘spatiale partitionering’). Een toename in een variabele op regio r zal immers een effect hebben op het aantal bedrijfsstichtingen in regio r, maar mogelijks ook op het aantal bedrijfstoenamen in de buurregio’s van regio r. En via deze buurregio’s ook op de buren van deze buurregio’s, enz. Spatiale econometrie stelt ons instaat om al deze effecten op te splitsen in effecten op de eigen regio, de directe buren, de buren van de buren, enzovoort. Merk op dat het mogelijk is dat een toename in een agglomeratiekracht in regio r voor een toename in de bedrijfsstichtingen in de eigen regio zorgt, ten koste van de buurregio’s. Dit is vanuit beleidsstandpunt niet triviaal: willen we de bedrijfsstichtingen in de ene regio aanmoedigen, dan kan deze actie ook (negatieve) gevolgen hebben voor de buurregio’s. De onderhavige studie laat echter niet toe om grote besluiten te trekken hieromtrent: de spatiaal gepartitioneerde effecten in onze analyse zijn slechts zelden significant. Dit heeft wellicht te maken met de kleinere omvang van deze effecten (t.a.v. het nietgepartitioneerde effect) en het relatief beperkt aantal regio’s dat we overhouden.3 Uit onze analyse blijkt dat zowel de geschreven media (inclusief uitgeverijen), als de bouw-, R&D en entertainmentsector gevoelig zijn voor de aanwezigheid van een uitgebreid arsenaal aan toeleveringsbedrijven (inputsharing). Vanuit theoretisch oogpunt hoeft dit niet te verwonderen. Al deze sectoren zijn verbonden met toeleveranciers die een duidelijke impact zullen hebben op de prijs en kwaliteit van het eindproduct. Zo kan een projectontwikkelaar afhankelijk zijn van de diensten die 3

Merk op dat we de bedrijven in 19 sectoren hebben opgedeeld, en dat we enkel die regio’s hebben overgehouden waarvoor er in iedere sector tenminste 3 bedrijven aanwezig zijn. Hierdoor verliezen we een groot deel van het Belgische territorium.

17

loodgieters,

stukadoors,

…

als

zelfstandige

aan

het

bedrijf

toeleveren.

Indien

deze

projectontwikkelaar in een bepaalde regio een ruimere keuze heeft dan kan hij er voor opteren om meer kwalitatieve (of net goedkopere) vakmannen in te huren om zodoende de prijs en kwaliteit van het eindproduct beter af te stemmen op de wensen van de klant. Ook in de entertainment sector kunnen we zulke redenering maken. Zo zal de aanwezigheid van een breed gamma aan artiesten de programmering van heel wat (lokale) theaters, … kunnen verbeteren waardoor deze wederom een beter eindproduct afleveren. Daarbij merken we telkens een bijzonder spatiaal patroon op: indien het gamma aan toeleveringsbedrijven toeneemt in een regio dan zal dat een positief effect hebben op het aantal bedrijfsstichtingen in de eigen regio, maar een negatief effect op het aantal bedrijfsstichtingen in de buurregio’s. De buren van de buurregio’s worden dan weer positief beïnvloed, en de vierde orde buren opnieuw negatief,… We nemen een effect waar dat uitdijt als concentrische golven in het water. Op zich is dit een interessante bevinding. Indien men het ondernemerschap in een bepaalde regio wil aanmoedigen door het gamma aan toeleveranciers (op willekeurige wijze) te doen toenemen, dan zal dit bedrijfsoprichtingen onttrekken aan de onmiddellijk aangrenzende regio’s. Het aantal extra bedrijfsoprichtingen in de ene regio zal echter het verlies daarvan in de aangrenzende regio’s ruim compenseren (vandaar dat het totale cumulatieve effect steeds significant positief is). Hoewel de parameterschattingen het bovenstaande geografische patroon onthullen merken we op dat deze (spatiaal gepartitioneerde) effecten vrijwel nooit significant zijn. Dit heeft vermoedelijk te maken met de veel lagere waarde van de populatieparameters, wat het onderscheidingsvermogen 4 van de T-tests verlaagt. Merk ook op dat de ene sector beduidend gevoeliger is voor inputsharing dan de andere. Hieromtrent springt voornamelijk de R&D sector in het oog waar een toename van inputsharing maar liefst 4 maal hoger ligt dan in de mediasector, die het tweede grootste effect op zijn conto schrijft. Meer specifiek zullen maatregelen die het ondernemerschap in de NACE sectoren 24, 28, 36 (verwerkende nijverheid) stimuleren (bvb. door sectorspecifieke knelpunten te verhelpen) vervolgens het aantal start-ups in de R&D sector doen toenemen. Gelet op het belang van de R&D sector voor de productiviteit in andere sectoren (door de verspreiding van nieuwe kennis en productieprocessen) zal dit waarschijnlijk ook de algemene economische groei ten goede komen.

4

Het onderscheidingsvermogen is de kans dat we de nulhypothese (hier: er is geen effect) verwerpen indien deze fout is.

18

19

Tabel 2 Spatiale effecten van inputsharing bij uitgeverijen en geschreven media Cumulatieve effecten Effect INPSH Standaardfout T-statistiek Directe effect INPSH

-1.2161

3.0217

-0.40246

Indirecte effect INPSH 6.6886e-76

0.71802

9.3153e-76

Totale effect INPSH

1.4345

2.0763**

2.9784

Spatiaal gepartitioneerde effecten (totale effect) Effect INPSH Standaardfout T-statistiek 0-7 km

3.4996

2.8907

1.2106

7-14 km

-0.61235

0.70836

-0.86445

14-21 km

0.10715

0.21513

0.49806

21-28 km

-0.018748

0.072348

-0.25914

28-35 km

0.0032806

0.025811

0.1271

Tabel 3 Spatiale effecten van inputsharing in de bouwsector Cumulatieve effecten

Directe effect INPSH

Effect INPSH

Standaardfout T-statistiek

0.3214

0.10731

2.9951**

Indirecte effect INPSH 6.7453e-167 0.59444

1.1347e-166

Totale effect INPSH

3.3483**

0.43091

0.1287

Spatiaal gepartitioneerde effecten (totale effect) Effect INPSH


0-7 km

0.44038

0.90409

0.4871

7-14 km

-0.0096843

0.11326

-0.085509

14-21 km

0.00021296

0.020199

0.010543

21-28 km

-4.6831e-06

0.0046711

-0.0010026

28-35 km

1.0298e-07

0.0011604

8.8746e-05

20

Tabel 4 Spatiale effecten van inputsharing in de R&D sector Cumulatieve effecten

Directe effect INPSH

Effect INPSH


5.2175

1.7616

2.9618**

Indirecte effect INPSH 4.2773e-182 5.9222

7.2225e-183

Totale effect INPSH

2.3132**

11.419

4.9365

Spatiaal gepartitioneerde effecten (totale effect) Effect INPSH


0-7 km

11.5902

13.749

0.84299

7-14 km

-0.17381

1.7482

-0.099425

14-21 km

0.0026066

0.27389

0.0095172

21-28 km

-3.9091e-05

0.063821

-0.0006125

28-35 km

5.8623e-07

0.015684

3.7376e-05

Tabel 5 Spatiale effecten van inputsharing in de entertainment sector Cumulatieve effecten Effect INPSH Standaardfout T-statistiek Directe effect INPSH

-0.040853

1.8202

-0.022444

Indirecte effect INPSH 1.2764e-71

2.0238

6.3071e-72

Totale effect INPSH

1.0025

1.8855*

1.8902

Spatiaal gepartitioneerde effecten (totale effect) Effect INPSH Standaardfout T-statistiek 0-7 km

2.2568

3.858

0.58497

7-14 km

-0.43779

0.90774

-0.48228

14-21 km

0.084922

0.27545

0.30831

21-28 km

-0.016473

0.095044

-0.17332

28-35 km

0.0031955

0.035738

0.089415

21

De voedingsindustrie (inclusief lokale bakkers en slagers), houtverwerkende nijverheid, chemische industrie, horeca, transport- en vastgoedsector zijn dan weer gevoelig voor de beschikbaarheid van arbeidskrachten (ten gevolge van inkrimpende bedrijven) in perioden van expansie. Gezien de (eerder) arbeidsintensieve aard van deze sectoren hoeft dit niet te verwonderen. Een restaurant dat uitbreidt en extra personeel aantrekt zal uiteraard gebaat zijn indien de lonen, ondanks de toegenomen arbeidsvraag, constant blijven. Ook hier vinden we het bovenvermelde spatiale patroon terug: positieve effecten in de regio zelf, maar een negatief effect op de aangrenzende regio’s. Ook ditmaal zijn deze effecten niet significant. Het ‘poolen’ van de arbeidsmarkt heeft een veel beperktere impact op het aantal start-ups dan inputsharing. De effecten van labor pooling zijn vaak tot honderd maal kleiner dan deze van inputsharing.

Tabel 6 Spatiale effecten van labor pooling in de voedingsindustrie Cumulatieve effecten Effect LBPL


0.0015984

0.0010213

1.565

Indirecte effect LBPL 7.3802e-90

0.0021862

3.3758e-87

Totale effect LBPL

0.00079797

3.9698**

Directe effect LBPL

0.0031677

Spatiaal gepartitioneerde effecten (totale effect) Effect LBPL


0-7 km

0.0035985

0.0041324

7-14 km

-0.00048929 0.00077864

-0.62838

14-21 km

6.6528e-05

0.00020355

0.32684

21-28 km

-9.0459e-06

6.1754e-05

-0.14648

28-35 km

1.23e-06

2.0106e-05

0.061174

0.8708

22

Tabel 7 Spatiale effecten van labor pooling in de houtverwerkende nijverheid Cumulatieve effecten Effect LBPL Directe effect LBPL


-0.00024936 0.0010691

-0.23324


0.00078537

2.8676e-96

Totale effect LBPL

0.00012728

12.4074***

0.0015792



0-7 km

0.0017529

0.0026886

7-14 km

-0.00019277 0.000467

-0.41279

14-21 km

2.12e-05

0.00012286

0.17255

21-28 km

-2.3315e-06

3.8964e-05

-0.059837

28-35 km

2.564e-07

1.3348e-05

0.01921

0.65196

Tabel 8 Spatiale effecten van labor pooling in de chemische industrie Cumulatieve effecten

Directe effect LBPL

Effect LBPL


0.00036252

0.00064802

0.55943

Indirecte effect LBPL 6.5456e-117 0.0010944

5.9808e-114

Totale effect LBPL

2.9356**

0.0031188

0.0010624



0-7 km

0.0033464

0.003899

0.85827

7-14 km

-0.0002442

0.00063849

-0.38246

14-21 km

1.782e-05

0.00013853

0.12864

21-28 km

-1.3004e-06

3.9394e-05

-0.03301

28-35 km

9.4895e-08

1.2556e-05

0.0075578

23

Tabel 9 Spatiale effecten van labor pooling in de horeca Cumulatieve effecten

Directe effect LBPL

Effect LBPL


0.018432

0.022534

0.81797


1.6324e-136

Totale effect LBPL

0.94518

0.034416

0.036412



0-7 km

0.035861

0.012416

2.8883**

7-14 km

-0.0015055

0.00395

-0.38113

14-21 km

6.3199e-05

0.00067673

0.093389

21-28 km

-2.6531e-06

0.00019562

-0.013563

28-35 km

1.1138e-07

6.1142e-05

0.0018216

Tabel 10 Spatiale effecten van labor pooling in de transportsector Cumulatieve effecten

Directe effect LBPL

Effect LBPL


0.0026604

0.0020948

1.27


2.7637e-99

Totale effect LBPL

2.6008**

0.0052145

0.002005



0-7 km

0.0046775

0.0062774

0.74514

7-14 km

0.00048169

0.00099473

0.48424

14-21 km

4.9604e-05

0.00022328

0.22216

21-28 km

5.1081e-06

6.4942e-05

0.078657

28-35 km

5.2603e-07

2.1211e-05

0.0248

24

Tabel 11 Spatiale effecten van labor pooling in de vastgoedsector Cumulatieve effecten Effect LBPL Directe effect LBPL


-5.9552e-05 0.0036857

-0.016158


0.004684

2.0719e-79

Totale effect LBPL

0.00062731

11.7376***

0.0073631



0-7 km

0.0061629

0.012264

0.50254

7-14 km

0.0010045

0.0024209

0.41494

14-21 km

0.00016374

0.00064028

0.25573

21-28 km

2.6689e-05

0.00019313

0.1382

28-35 km

4.3504e-06

6.2476e-05

0.069633

25

5. Robuustheidsanalyse

In het vorige deel hebben we vastgesteld dat zowel labor pooling als inputsharing (in verscheidene sectoren) een significant positief effect hebben op bedrijfsoprichtingen. Daarbij stellen we vast dat inputsharing een groter effect heeft dan labor pooling. In dit deel gaan we na of we deze conclusies kunnen handhaven indien we voor een alternatieve sectorindeling opteren. Daarbij moeten we minstens over drie sectoren beschikken als we zowel forward als backward linkages willen betrekken in de analyse. We hebben voor de volgende (deels arbitraire) sectorindeling gekozen: de verwerkende nijverheid, de distributiesector (waar veel ondernemingen actief zijn, veel dynamiek waar te nemen valt en geografische patronen een belangrijke rol kunnen spelen) en een ‘rest’ sector. De rest sector is vrij heterogeen en bevat zowel de winning van delfstoffen, horeca, financiële en vastgoedsector. Merk op dat een nog ruwere indeling met zich meebrengt dat de backward en/of forward linkages niet meer meetbaar zijn. Het drie sector model is bijgevolg de ruwste vorm waarin we onze data kunnen onderbrengen. Een nauwkeurige beschrijving van deze sectorindeling in termen van de NACE revisie 1.1 nomenclatuur vindt u terug in onderstaande tabel. In wat volgt analyseren we eerst onze resultaten voor de distributiesector, en vervolgens voor de restsector. Voor de verwerkende nijverheid werden geen (duidelijk) significante effecten waargenomen en blijft daarom buiten beschouwing. Merk ten slotte op dat de variabele W X telkens staan voor de spatiaal vertraagde variabele X, d.w.z. de (gemiddelde) waarde van X bij de buurregio’s. In de distributie sector heeft zowel laborpooling als inputsharing een significant positief effect. Opvallend daarbij is dat inputsharing wederom een (veel) grotere impact heeft op het aantal bedrijfsstarten dan laborpooling. Ook in de zeer heterogene rest sector vinden we een significant positieve impact van inputsharing terug. Tot slot is het contrast tussen de significantie van spatiaal vertraagde variabelen en de insignificantie van de “niet spatiaal vertraagde” variabelen opmerkelijk. Wellicht wijst dit er op dat de buurregio’s een zeer belangrijke invloed hebben op het ondernemerschap van de eigen regio. Wat impliceert dat een spatiaal econometrische benadering de voorkeur geniet. We kunnen besluiten dat onze belangrijkste bevindingen, namelijk de relevantie van de agglomeratiekrachten laborpooling en inputsharing én het grotere effect van inputsharing t.a.v. laborpooling , ook bij deze alternatieve sectorspecificaties gehandhaafd blijven. 26

Tabel 12 Alternatieve sectorindeling Sector

Nace Revisie 1.1 code

Verwerkende nijverheid

15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37

Distributie

40,41,50,51,52,60,61,62,63,64

Rest

(extractie,

horeca, 10,11,12,13,14,55,65,66,67,70,71,72,73,74

financiele intermediatie, en vastgoed sector)

Tabel 13 Distributie sector Coef.

Standaard fout

T

P-waarde

Herfindahl

0.0001475

0.0002678

0.55

0.58

Laborpooling

2.56 E-07

3.14 E-07

0.82

0.41

Forward linkage

0.0000303

0.0000183

1.66

0.10

Backward linkage

-0.0000266

0.0000163

-1.63

0.10

Inputsharing

0.0009136

0.0041649

0.22

0.83

W Herfindahl

0.000661

0.0003196

2.07

0.04

W Laborpooling

1.74 E-06

7.17 E-07

2.43

0.02

W Forward linkage

0.0000282

0.0000232

1.21

0.23

W Backward linkage

-0.0000251

0.0000207

-1.21

0.23

W Inputsharing

0.015965

0.0054041

2.95

0.00

27

Tabel 14 Rest sector (Extractie, horeca, financiële intermediatie en vastgoed) Coef.

Standaard fout

T

P-waarde

Herfindahl

0.0000287

0.000088

0.33

0.74

Laborpooling

5.01 E-07

7.42 E-07

0.67

0.5

Forward linkage

-0.0000238

0.0000252

-0.94

0.35

Backward linkage

0.000241

0.0000233

1.03

0.30

Inputsharing

0.0020943

0035986

0.58

0.56

W Herfindahl

0.0001684

0.0001146

1.47

0.14

W Laborpooling

1.72 E-06

1.21 E- 06

1.42

0.16

W Forward linkage

0.0001419

0.0000364

3.90

0.00

W Backward linkage

-0.000135

0.0000336

-4.02

0.00

W Inputsharing

-0.0268706

0.0045286

5.93

0.00

28

Besluit Het aantal startende ondernemingen varieert sterk tussen de verscheidene Belgische regio’s. Gezien de rol die de ondernemer kan spelen in de verspreiding van innovaties is het belangrijk om deze vaststelling te kunnen verklaren. Om tot gefundeerde wetenschappelijke inzichten te komen hebben we een spatiale econometrische analyse uitgevoerd. Deze stelde ons in staat om ook voor interacties tussen regio’s en buurregio’s te controleren; iets wat aan de hand van klassieke regressieanalyse niet mogelijk is. Bij de geschreven media, de bouw-, R&D en entertainmentsector komt inputsharing als een zeer belangrijke determinant van ondernemerschap naar voren. Indien in een regio veel verschillende toeleveranciers aanwezig zijn kunnen bedrijven een betere input mix samenstellen, met betere (of goedkopere) eindproducten tot gevolg. Een verbreding van het aanbod in een regio zal daardoor extra bedrijfsstichtingen aantrekken. Vooral in de R&D sector blijkt dit effect een grote omvang te kennen. Indien we onze maatstaf voor inputsharing in een regio met één eenheid laten toenemen, neemt het aantal R&D start-ups over heel Vlaanderen toe met 69 eenheden. De effecten van labor pooling blijken veel beperkter te zijn. Indien we voor een alternatieve sectorspecificatie kiezen bekomen we gelijkaardige resultaten. De precieze reikwijdte van de effecten kunnen we jammer genoeg niet nagaan. We bekomen weliswaar schattingen van deze spatiaal gepartitioneerde effecten, maar deze zijn nooit statistisch significant (en dus verkrijgen we grote betrouwbaarheidsintervallen). De beperkte omvang van de partiële effecten in combinatie met de beperkte steekproefomvang (n = 131) is hier de hoofdschuldige. Eventueel is het wel mogelijk om een ruwere sectorindelingen te maken, waardoor het aantal beschouwde regio’s kan toenemen. Met oog op een goede schatting van de variantie ratio hebben we immers enkel die regio’s overgehouden die voor ieder van de 17 sectoren minstens vier bedrijven herbergen. Het definiëren van grotere territoriale gebieden als regio kan ook meer bedrijven opleveren, maar dit gaat ten koste van het spatiale patroon.

29

Bibliografie

Aelvoet en Merlevede, 2013, Ondernemerschapskapitaal in Vlaanderen, België en Europa, (STORE-B-13-002). Audretsch, 2007, ‘Entrepreneurship capital and economic growth’, Oxford Review of Economic Policy, 23.1, 63-78. Audretsch en Lehman, 2005, ‘Does the knowledge spillover theory of entrepreneurship hold for regions?’, Research Policy, 34, 1191–1202. Duranton en Puga, 2004, micro-foundations of urban agglomeration economies. In: Handbook of Regional and Urban Economics, Volume 4, eds J.V. Henderson and J.F. Thisse, North Holland. Glaeser, 2010, Agglomeration economics, National Bureau of Economic Research Conference report. Grossman en Helpman, innovation and growth in the global economy, MIT Press, London, England. Helsley en Strange, 2007, Agglomeration, opportunism, and the organization of production, Journal of Urban Economics 62, 55–75. Helsley en Strange, 2002, Innovation and Input Sharing, Journal of Urban Economics, 51,2545. Krugman, 1991, Geography and trade, London: MIT Press/Leuven University Press. Lesage en Pace, introduction to spatial econometrics, CRC Press, Boca Raton. Marshall, Alfred. 1920. Principles of Economics. London: Macmillan. Rosenthal en Strange, 2004, Evidence on the Nature and Sources of Agglomeration Economies. In: Handbook of Regional and Urban Economics, Volume 4, eds J.V. Henderson and J.F. Thisse, North Holland. Saxenian, A. (1994), Regional Advantage: Culture and Competition in Silicon Valley and Route 128, Cambridge, MA: Harvard University.

30

Bijlage A.1 Monte Carlo Simulatie Deze Monte Carlo simulatie heeft tot doel om het gedrag van de variantieratio schatter in zeer kleine steekproeven in kaart te brengen. Ter herinnering: de variantieratio van een verdeling is per definitie gelijk aan

. Met n het aantal categorieën, en de modus het aantal observaties binnen de

meest voorkomende categorie. Binnen een Monte Carlo simulatie kunnen we een gekende verdeling vooropstellen. Aldus is de ware variantieratio bekend. Vervolgens nemen we uit deze verdeling een duizend tal steekproeven van gelijke omvang en berekenen we voor iedere steekproef de schatter

. Op basis van deze

trekkingen kunnen we de bias berekenen. Deze is bij definitie gelijk aan de ware variantieratio (van de veronderstelde populatie) minus het gemiddelde van de duizend geschatte variantieratio’s. In veel gevallen zal deze bias niet gelijk zijn aan nul. Het gemiddelde van de schattingen is dus verschillend van de ware variantieratio. Echter, indien we het bovenvermelde simulatie experiment hernemen met grotere steekproeven dan zal de bias – meestal – afnemen. We zijn dus in staat om na te gaan hoe sterk de vertekening afneemt door de steekproefomvang met een eenheid te doen toenemen. Deze conclusies zijn echter enkel geldig met betrekking tot de veronderstelde populatieverdeling. Indien onze variabelen in werkelijkheid anders verdeeld zijn zal deze Monte Carlo simulatie ons (mogelijks) misleiden. Om dit te vermijden hebben we echter zeer veel verschillende Monte Carlo simulaties uitgevoerd (36000 in totaal). Daarbij hebben we telkens een andere populatieverdeling verondersteld. Meer specifiek hebben we de empirische kansverdeling van iedere sector in iedere gemeente als uitgangspunt genomen en dit voor de jaren 1995-2009. Het lijkt ons daarom waarschijnlijk dat deze verdeling nauw verwant is aan de ware populatieverdeling, waardoor het simulatie experiment bruikbare conclusies oplevert. De onderstaande histogrammen geven de bias weer in ieder van de 36.000 steekproeven. Daarbij maken we gebruik van streekproeven met 2, 3, 4, 5, 10 en 20 observaties. De resultaten zijn vrij duidelijk. In het overgrote merendeel van de steekproeven is er sprake van een positieve bias, die afneemt naarmate de steekproefomvang vergroot. Op basis van deze resultaten hebben we geopteerd voor een minimale steekproefomvang van vier eenheden. Dit wil zeggen dat alle gemeenten die in tenminste één sector minder dan vier bedrijven herbergen uit onze analyse

31

werden geweerd. Zodoende hebben we een territorium overgehouden dat circa overeenkomt met de Vlaamse ruit met uitlopers naar Namen, Luik en de kust.

Figuur 3 bias variantie ratio (n = 2)


32


Figuur 6 bias variantie ratio (n =5)

33


Figuur 8 bias variantie ratio (n =20)

34

Bijlage B: Maatstaf voor inputsharing De indicator voor inputsharing in industrie k en regio r wordt gedefinieerd als:

∑

In deze bijlage tonen we aan dat deze indicator steeds tussen 0 en 1 ligt. Ten eerste stellen we vast dat

steeds tussen 0 en 1. Het neemt deze eerste waarde aan indien alle bedrijven uit de

NACE 2 digit sector i in allemaal in dezelfde sub sector (NACE 4 digit sector) actief zijn, d.w.z. dat al deze bedrijven zich in dezelfde producten & diensten hebben gespecialiseerd. De

zal

gelijk zijn aan één indien het totale aantal actieve bedrijven zéér groot is én al deze bedrijven in een andere sub sector (NACE 4 digit sector) actief zijn, d.w.z. dat deze bedrijven uiteenlopende fracties zijn waardoor ∑

productvarianten aanbieden. Stel ook vast dat

steeds gelijk is

aan 1. Met dit in het achterhoofd kunnen we aantonen dat Aangezien

steeds tussen 0 en 1 ligt.

zal

.

Bijgevolg geldt:

∑

Anderzijds is

∑

, waardoor

.

Bijgevolg geldt:

∑

∑

We kunnen dus besluiten dat voor alle industrieën k en regio’s r onze maatstaf tussen 0 en 1 ligt, ofwel:

35

Een spatiaal econometrische analyse van de determinanten van ondernemerschap

Recommend Documents