Identificatie van ruimtelijke agglomeratie in high-tech sectoren in België:

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 13-006

Identificatie van ruimtelijke agglomeratie in high-tech sectoren in België: Methodologische bespreking van het detecteren en analyseren van ruimtelijk-economische clusters in het kader van het slimme specialisatiebeleid

KATJA BRINGMANN THOMAS VANOUTRIVE ANN VERHETSEL

17 JANUARI 2014

1

Inhoudstafel

Introductie .................................................................................................................................. 3 Theorieën over bedrijfsagglomeratie ......................................................................................... 5 Testen voor industriële agglomeratie ......................................................................................... 8 Kenmerken van testen die ruimtelijke concentratie meten .................................................... 8 Het meten van ruimtelijke concentratie (horizontaal) ............................................................ 9 Locatiequotiënten ............................................................................................................. 10 Hirschman-Herfindahl Index............................................................................................ 10 Gini locatie coëfficiënt ..................................................................................................... 10 Ellison Glaeser Index ....................................................................................................... 11 Afstandsmethoden ............................................................................................................ 15 Het detecteren van clusters (verticaal) ................................................................................. 15 Cluster ‘templates’ en leverancier-klant relaties .............................................................. 15 Kritische bespreking van de besproken indexen ...................................................................... 16 Data ...................................................................................................................................... 16 Ruimtelijke eenheden ........................................................................................................... 17 Clustertheorieën en de toepasbaarheid van agglomeratie-indexen ...................................... 18 Industrieconcentratie in België ................................................................................................. 19 Concentratie van hightech industrieën ..................................................................................... 21 Discussie en Conclusie ............................................................................................................. 24 Referenties ................................................................................................................................ 26

2

Introductie Sinds de publicatie van Krugman’s baanbrekende werk over economische geografie, is er een herontdekking geweest van geografie in de economie. Het is nu algemeen aanvaard dat economische activiteit niet willekeurig verspreid is over de ruimte, maar dat vele industrieën geclusterd voorkomen. Bekende voorbeelden hiervan zijn de lokale industriële agglomeraties in traditionele maakindustrieën als de automobielindustrie rond Detroit, de petroleumsector in Texas en, meer in het verleden, de katoenindustrie rond Manchester en de keramiekindustrie in de omgeving van Stoke-on-Trent (UK). Ook in sectoren die zich richten op nieuwe technologieën zoals IT, Biotechnologie en nanotechnologie, zijn er lokalisatiepatronen geobserveerd die niet door toeval kunnen verklaard worden. Duidelijke voorbeelden hiervan zijn de agglomeratie van hightech-activiteit rond San Francisco en Palo Alto, Silicon Valley (ICT), Route 128 (ICT) nabij Boston en de Cambrigde ICT-cluster (UK), net als de concentratie van farmaceutische en biotech bedrijven in de Øresund region (Denemarken en Zweden), ‘Medicon Valley’, en in het Boven-Rijndal (Frankrijk, Duitsland, Zwitserland), ‘BioValley’. Economische geografen argumenteren al lang dat de agglomeratie van bedrijven een aantal voordelen inhoudt. Sinds Alfred Marshall’s invloedrijke boek ‘Principles of Economics’ (1890), wordt in het algemeen aangenomen dat industrieclusters voor externe schaalvoordelen zorgen. Er wordt verondersteld dat deze positieve externe effecten voor bedrijven die deel uitmaken van een cluster competitieve voordelen opleveren tegenover hun concurrenten op een meer geïsoleerde locatie. De voordelen die voortkomen uit deze ruimtelijke concentratie bestaan uit technologische kennisoverdracht tussen verbonden bedrijven, de toegang tot een gespecialiseerde arbeidsmarkt en infrastructuur en een daling in transactiekosten zoals transport (Krugman, 1991; Fujita en Krugman, 1995; Fujita, 2012; Puga, 2010; Rosenthal en Strange, 2001). In de EU wordt de hightech sector tegenwoordig gezien als één van de belangrijkste drijvende krachten voor industriële groei (Eurostat, 2013). Uitgaande van de logica dat de introductie van nieuwe technologieën een belangrijke groeifactor is (Solow, 1956), geeft het beleid de hightech sectoren een sleutelrol in de transitie van de Europese Unie naar een ‘slimme, duurzame en alomvattende economie’ (de EU 2020 strategie; EU Commission, 2012). Het EU 2020 initiatief, de nieuwe groeistrategie voor de EU die werd ingevoerd door de Europese Commissie, voorziet dat de EU haar wereldwijde concurrentiepositie versterkt door haar innovatiecapaciteit te verbeteren. Om dit doel te bereiken is de versterking van beloftevolle 3

sleutelindustrieën of clusters een topprioriteit. Om deze sleutelindustrieën te identificeren, wordt vooral aan subnationale actoren een belangrijke rol toegeschreven. Regio’s zijn verantwoordelijk voor de ontwikkeling van ‘smart specialization’ (slimme specialisatie) strategieën die rekening houden met de specifieke industriële sterkten van regio’s. De intentie van ‘smart specialization’ is het voorkomen van de verspreiding van activa en het ondersteunen van resultaatgeoriënteerde projecten. Daartoe worden middelen samengebracht om te investeren in een aantal zorgvuldig geselecteerde, beloftevolle industriële sectoren waarvoor de regio een competitief voordeel toont. In Vlaanderen hebben deze inspanningen een plaats gekregen in het ‘Vlaanderen in Actie’ programma (Vlaanderen in Actie, 2012). De topprioriteiten voor de transformatie van de Vlaamse economie naar een meer competitieve, innovatieve en duurzame economie worden samengevat in het witboek ‘Nieuw Industrieel Beleid’, dat in 2011 werd aangenomen door de Vlaamse Regering (Departement Economie, Wetenschap & Innovatie [EWI], 2011). Een hoeksteen van het witboek is de versterking van clusters in zes industriële sleutelsectoren, die werden geïdentificeerd door de Vlaamse Raad voor Wetenschapsbeleid [VRWB]. De zes sleutelindustrieën waarop toekomstig beleid zou moeten focussen zijn Logitech, I-healthtech, Sociotech, Meditech, Nanotech en Ecotech (VRWB, 2012). Vanuit het oogpunt van ‘smart specialization’ is het niet enkel belangrijk om informatie over de industriële sleutelsectoren te hebben, maar is het ook essentieel om hun locatiepatronen te identificeren. Om impasses en adverse effecten op de industriële structuur van een regio te voorkomen en beleidsinspanningen goed af te stemmen, is het dus noodzakelijk om clusters te identificeren en precies te weten waar industrieclusters gelokaliseerd zijn in een bepaalde regio. Hierdoor wordt een analyse van de ruimtelijke concentratie van industriële activiteit in België noodzakelijk. Vanwege de belangrijke rol verbonden aan de hightech activiteiten in de transitie naar een meer op kennis gebaseerde economie, zullen we ons voornamelijk op hun agglomeratiepatronen concentreren. In deze paper bevat de ‘hightech sector’ de activiteiten die door de Europese commissie als ‘Key Enabling Technologies’ (KET) werden geïdentificeerd. Dit zijn activiteiten met betrekking tot biotechnologie, ICT, nanotechnologie, micro- en nanoelectronica, fotonica en geavanceerde materialen (European Commission, 2009). De termen concentratie, agglomeratie, lokalisatie en clustering zijn onderling verwisselbaar in dit artikel, ondanks hun verschillende theoretische definities.

4

Voorgaande studies leidden tot uiteenlopende resultaten wat betreft de graad van concentratie van hightech sectoren (zie Barrios et al. (2009) voor een analyse van de concentratie van de hightech industrie in Portugal, Ierland en België; Maurel en Sédillot (1999) voor een studie over hetzelfde onderwerp in Frankrijk; en Powell et al. (2002) voor een analyse van Britse hightech bedrijven). Gebaseerd op hun resultaten, is het twijfelachtig of hightech agglomeraties zoals Silicon Valley de norm zijn. Empirische studies over dit onderwerp over België zijn eerder zeldzaam, met uitzondering van Barrios et al. (2009) en Bertinelli en Decrop (2005). Deze paper is een aanzet om hier verandering in te brengen. Voorliggend rapport gaat in op het empirisch vaststellen en meten van agglomeratie, en vergelijkt enkele methoden om industriële agglomeratie te detecteren. Dit zijn algemene methoden die niet noodzakelijk toegepast zijn op hightech sectoren. Daartoe worden ook empirische studies met betrekking tot de Belgische economie besproken, waarbij de focus ligt op hun capaciteit om de ruimtelijk patronen van de hightech sectoren te identificeren. Het artikel eindigt met het geven van een aantal kritische opmerkingen en aanbevelingen voor toekomstige geografische analyses van hightech bedrijven.

Theorieën over bedrijfsagglomeratie Voordat we ingaan op de verschillende agglomeratietesten, bespreken we de verschillende definities en theorieën die verband houden met industriële agglomeraties. Deze denkkaders verklaren waarom bedrijven zich in elkaars nabijheid vestigen, ondanks duidelijke negatieve agglomeratie-effecten zoals hogere landprijzen, hogere arbeidskosten en congestie (Baldwin, 2005). Sinds Marshall (1890) wordt er vanuit gegaan dat bedrijven in sommige industrieën door colokatie kostenvoordelen of agglomeratievoordelen genereren die niet mogelijk zijn bij geïsoleerde bedrijven (McCann, 2008). Hoewel latere onderzoekers kennisoverdracht meer en meer als het voornaamste positieve extern voordeel zagen van co-lokatie (zie Malmberg en Maskell, 2002; Porter, 2000; Cooke, 1997), legde Marshall origineel de nadruk op een aantal productiekostenvoordelen, als resultaat van de nabijheid tussen bedrijven. In het algemeen kunnen de voordelen van Marshall in drie groepen worden verdeeld: (i) productie inputs (ii) de arbeidsmarkt en (iii) kennisoverdracht, of zoals Ellison et al. (2010) het stelden: ‘goederen’, ‘mensen’ en ‘ideeën’.

5

Wat goederen betreft, leidt de co-locatie van verbonden bedrijven, en meer specifiek van bedrijven die klant-leverancier relaties onderhouden, niet alleen tot een vermindering van transportkosten van inputs, maar ook tot een grotere vraag naar gespecialiseerde tussenpersonen. Vanwege de hogere lokale vraag naar grondstoffen, kunnen onderaannemers en bedrijven die oplossingen bieden voor specifiek noden van een sector, groeien. De hogere dichtheid van bedrijven in clusters zorgt voor een grotere vraag naar deze inputs, wat leidt tot de toename van schaalvoordelen. Gelijkaardig aan de vraag naar gespecialiseerde input, zoeken bedrijven van gelijkaardige of dezelfde industrieën meestal ook naar werknemers met een specifieke set van vaardigheden. Omgekeerd, gegeven de hogere dichtheid van vacatures in industriële clusters, zullen werknemers aangetrokken worden door de locaties waar een hogere vraag is naar sectorspecifieke profielen en een groot aanbod is aan gespecialiseerde opleidingen. Geclusterde bedrijven halen dus voordeel uit een grotere arbeidsmarkt van gespecialiseerde werknemers, wat mensen gemakkelijker bij de juiste job brengt en minder kosten met zich meebrengt voor de bedrijven. Tot slot zorgt bedrijfsagglomeratie ook voor verminderde transactiekosten in verband met de overdracht van kennis. De nabijheid van bedrijven vergemakkelijk persoonlijk contact, en deze regelmatige contacten doen het vertrouwen groeien. Impliciete kennis en nieuwe, innovatieve ideeën zullen bijgevolg makkelijker verspreid geraken. Daarenboven zorgt de combinatie van competitie en samenwerking voor een vluggere implementatie van innovaties. Dit leidt tot een competitief voordeel tegenover meer geïsoleerde bedrijven. De vermindering van transportkosten van inputs verklaart de agglomeratie van bedrijven in traditionele sectoren zoals de textielindustrie. Het is echter een zwakke verklaring voor de lokalisatie van meer kennisintensieve sectoren. Om de agglomeratie van voornamelijk op kennis gebaseerde industrieën te verklaren, zoals de ICT-sector in Silicon Valley, benadrukken recente agglomeratietheorieën, zoals het clustermodel (Porter, 2000) en de Regionale Innovatie Systemen [RIS] benadering (Cooke, 1997), het belang van kennisoverdracht als een bron van innovatie en competitiviteit. De benadering die het meeste aandacht heeft gekregen van beleidsmakers om het concept van ruimtelijke agglomeratie van industrieën te verklaren, is Porter’s concept van ‘industriële clusters’. Porter (2000) definieert een cluster als “geografische concentraties van onderling verbonden bedrijven, gespecialiseerde leveranciers, dienstverlening, bedrijven in verbonden 6

industrieën en geassocieerde instituten (zoals universiteiten, handelsorganisaties en overheidsagentschappen) in een bepaalde sector die concurreren maar ook samenwerken” (p.15). Het model van Porter stelt dat een cluster zowel een horizontale dimensie (verbonden industrieën en dienstverleners) als verticale dimensie bevat (klant-leverancier relaties) (Martin en Sunley, 2003). Porter stelt dat geclusterde firma’s, ondanks concurrentie, ook vaak met elkaar interageren, wat voor wederzijds vertrouwen zorgt. Dit vormt dan de basis voor kennisoverdracht en wederzijds leren. Kennisoverdracht zorgt voor verdere ontwikkeling en versterkt daardoor de concurrentiepositie van het bedrijf. In het algemeen kan Porter zijn model gezien worden als een verderzetting van Marshalls industriële districten (industrial districts) benadering. Maar daar waar Marshall voornamelijk voordelen zag in de kostenvermindering vanwege de nabijheid van inputs en markten, reflecteert het clustermodel de groeiende interesse in ‘kennis’ als een productiefactor en een basis voor competitieve voordelen. Ondanks zijn recente populariteit bij onderzoekers en vooral beleidsmakers, bekritiseren Martin en Sunley (2003) het clustermodel van Porter omdat het vaag blijft wat betreft de afbakening van geografische eenheden en industriële sectoren. In andere woorden, hij laat na om aan te geven wat de grenzen van clusters zijn en welke graad van densiteit bedrijfsagglomeraties moeten bezitten om als cluster beschouwd te worden. Verder is er geen drempelwaarde bepaald voor de grootte van de interactie tussen actoren om als ‘gerelateerd’ beschouwd te worden, en is er ook geen verwijzing naar de graad van specialisatie die geconcentreerde bedrijven moeten bezitten om als cluster aanzien te worden. Bijgevolg beschrijven Martin en Sunley het clustermodel als ‘onduidelijk en vaag’ (Martin en Sunley, 2003, p. 11). Het idee dat kennisoverdracht, komende van de interactie van verschillende actoren, leidt tot innovatie en dat bedrijven zo hun concurrentiepositie kunnen verbeteren, is ook deel van de RIS-benadering, ontwikkeld door Philip Cooke (1997). Gelijkaardig aan het clustermodel van Porter, verwacht RIS een interactie tussen verschillende economische en niet-economische actoren (zoals bedrijven, universiteiten, onderzoekcentra, regeringsorganisaties, financiële instituties, consultants, advocaten, etc.). Deze netwerken stimuleren regionale innovatie. Het idee van de RIS-benadering is dat specifieke, regionale eigenschappen, zoals regionale instituties, de regionale infrastructuur en het financiële en het onderwijssysteem bijdragen aan innovatie. 7

Net zoals Porter zijn clustermodel, steunt de RIS-benadering soms op ambigue concepten en definities. Het is onvoldoende duidelijk wat de juiste ruimtelijk analyse eenheid is, en welke institutionele actoren bij een RIS horen. Martin en Sunley hun kritiek op het cluster concept is dus ook grotendeels geldig in het geval van RIS (Doloreux en Parto, 2005). De huidige verscheidenheid in clusterdefinities en de imprecisie in de bepaling van hun geografische schaal en de omvang binnen de industrie, maakt het moeilijk om de agglomeratietheorieën toe te passen in de praktijk. Het resultaat van de uiteenlopende clustertypologieën houdt ook in dat methoden om industrieclusters te identificeren op een kwantitatieve manier sterk variëren qua methodologie. Het hangt af van de nadruk die men legt in de definitie van een cluster (zoals kennisoverdracht, externe kostenvermindering, etc.). Martin en Sunley (2003) stellen dat “er geen algemeen aanvaarde methode is voor de identificatie en het in kaart brengen van clusters, zowel wat betreft de variabelen waar rekening mee moet gehouden worden als wat betreft de procedures die de geografische grenzen van de cluster bepalen” (Martin en Sunley, 2003, p.19). Bijgevolg identificeren we in de volgende sectie niet welke de beste methode is. Wel geven we een overzicht van de bekendste methoden om clustering van industriële activiteit te identificeren en te lokaliseren. De intentie is niet om een uitgebreide samenvatting van alle bestaande benaderingen te geven, daarvoor verwijzen we de lezer naar de literatuurlijst, maar om enkele van de meest toegepaste methoden te vergelijken en meer informatie te geven over hun scope en hun belangrijkste verschillen.

Testen voor industriële agglomeratie Kenmerken van testen die ruimtelijke concentratie meten In het vorige hoofdstuk stelden we dat het clusterconcept dikwijls vaag gedefinieerd is. Hoewel het reeds uitgebreid in de literatuur is besproken, is er op dit moment nog geen consensus over een eenduidige definitie of een unieke theorie van clustering van economische activiteiten (Feser, 1998; Martin en Sunley, 2003). Bijgevolg verschillen methoden om industrieconcentratie te testen sterk in methodologie en omvang. De onderstaande sectie is dus bedoeld om de verschillende soorten van agglomeratie-indicatoren uit te leggen. In de discussie rond de verschillende benaderingen is voornamelijk aandacht gegaan naar drie aspecten: (i) de methodologische fundering (ii) de ruimtelijke analyse-eenheid (iii) en de noodzakelijke data. 8

Indicatoren die agglomeratie meten kunnen opgedeeld worden in twee grote categorieën. Enerzijds zijn er de methoden die focussen op het samen aanwezig zijn van bedrijven in een bepaalde regio, of op de afstand tussen bedrijven. Het doel daarvan is het identificeren van regionale concentraties van specifieke industriële clusters. Anderzijds zijn er testen die verticale relaties tussen bedrijven meten op basis van klant-leverancier data. Daarbij wordt niet zelden gebruik gemaakt van of input-output tabellen (zie ook Feser en Bergman, 2000; Titze et al., 2011). Tijdens hun beoordeling van zowel de horizontale als verticale methoden, hebben Duranton en Overman (2005) vijf criteria opgesteld die elke lokalisatie-index zou moeten vervullen. In het algemeen moeten testen voor industrieagglomeratie (1) vergelijkbaar zijn tussen verschillende sectoren en (2) controleren voor de agglomeratie van industrieën in het algemeen. Dit laatste is nodig omdat bedrijven in het algemeen geconcentreerd zijn in en rond agglomeraties. Bovendien dient een indicator (3) rekening te houden met industriële concentratie, de graad van verspreiding van werkgelegenheid over verschillende fabrieken. Maximale industrieconcentratie is bijgevolg bereikt als alle activiteit binnen een sector in één vestiging is gelokaliseerd. (4) De resultaten mogen ook niet beïnvloed worden door het gekozen aggregatieniveau of ruimtelijke meeteenheid (bv. gemeente, arrondissement). Dit is relevant aangezien data meestal maar beschikbaar is op geaggregeerd niveau waarbij gebruik gemaakt wordt van artificiële grenzen die niet de economische realiteit weerspiegelen. (5) De test zou ook een indicatie van de statistische significantie van de resultaten moeten bieden. In andere woorden: de test dient de waarschijnlijkheid aan te geven dat de gevonden industriële concentratie niet per toeval is ontstaan. In de onderstaande beoordeling van de lokalisatietesten zullen we deze criteria gebruiken als startpunt van de discussie.

Het meten van ruimtelijke concentratie (horizontaal) Binnen de economie zijn de vier voornaamste testen om agglomeratie te meten (i) locatiequotiënten, (ii) de Hirschman-Herfindahl index, (iii) de Gini locatiecoëfficiënt, en (iv) Ellison Glaeser indexen (Marcon en Puech, 2003). Locatiequotiënten, de HirschmanHerfindahl index, en een industriële Gini locatiecoëfficiënt zijn relatief eenvoudige indicatoren voor de ruimtelijke concentratie van één sector. De Ellison Glaeser index verbetert deze methoden door rekening te houden met de agglomeratie van industrieën in het algemeen en met industriële concentratie. Deze index blijft echter gevoelig voor de gebruikte ruimtelijke meeteenheid. Onder meer Duranton en Overman (2005) lossen dit probleem op door de afstand tussen observaties in rekening te brengen. 9

Locatiequotiënten Locatiequotiënten (LQ) meten op een zeer eenvoudige manier of het percentage van de regionale

werkgelegenheid

in

een

industriële

cluster

groter

is

dan

het

werkgelegenheidspercentage in dezelfde sector op nationaal niveau. De LQ kan berekend worden als volgt:

Waar Eir en Ei respectievelijk de werkgelegenheid van een industrie i in een regio r en de totale werkgelegenheid in de industrie i meten. Er is gelijk aan de regio r zijn totale werkgelegenheid en E staat voor de totale werkgelegenheid in alle regio’s. LQ > 1 wijst op een concentratie van werkgelegenheid in de regio, het omgekeerde is het geval indien de LQwaarde dicht bij nul ligt. Hirschman-Herfindahl Index De Hirschman-Herfindahl index (Hi) meet de ruimtelijke concentratie van een industrie door de kwadraten van de werkgelegenheidsaandelen van een bedrijf k in een specifieke industrie i (zik) te sommeren over de k bedrijven. )

∑(

De resultaten liggen tussen 0 en 1, waarbij een resultaat dicht bij 0 wijst op een gelijke verdeling van een sector en een waarde 1 wijst op een maximale concentratie van een industrie in slechts één regio (Nakamura en Paul, 2009). Gini locatie coëfficiënt De Gini locatie coëfficiënt (GiC) meet de statistische verdeling van een industrie. Het wordt gedefinieerd als:

̅

∑

10

(

̅)

Waarbij n het aantal regio’s r weergeeft, i staat voor de industrie en Cr is een maat voor de concentratie van industrie i in een regio, vergeleken met de algemene concentratie van die industrie op een geaggregeerd niveau (b.v. het nationaal niveau). Het is gelijk aan de LQ , zoals deze berekend werd in 3.1.1. ̅ beschrijft bijgevolg de gemiddelde waarde van alle regio’s Cr en wordt gegeven door

̅

∑

. Om een Lorenz curve te kunnen

tekenen die constant toeneemt, worden de LQ’s van elke regio in stijgende volgorde genoteerd. Deze wordt uitgedrukt door

. De Gini locatie coëfficiënt is het verschil tussen de

berekende Lorenz curve en een 45-graden lijn. In het geval van een gelijkmatige verdeling van industrie i over alle regio’s, komt de Lorenz curve overeen met de 45-graden lijn en is de Gini locatie coëfficiënt gelijk aan nul. Een waarde van één impliceert volledige concentratie van een industrie op slechts één locatie, grafisch weergegeven door een zeer sterke buiging in de Lorenz curve (Krugman, 1991; Brülhart, 2001; Nakamura en Paul, 2009; Farhauer en Kröll, 2009). The Gini locatie coëfficiënt is een meer geavanceerde index dan de Hirschman-Herfindahl index, omdat het rekening houdt met het totale werkgelegenheidsaandeel van alle industriële sectoren in een regio. Dit maakt het mogelijk om de ruimtelijke concentratie van verschillende sectoren te vergelijken. De tekortkoming van de methode is dat het geen indicatie geeft van de verspreiding van bedrijven in verschillende regio’s (Nakamura en Paul, 2009; Marcon en Puech, 2003). Ellison Glaeser Index Volgens Ellison en Glaeser (1997) zijn er drie voorwaarden die de locatie van een bedrijf beïnvloeden:

natuurlijke

voordelen,

industrie-specifieke

voordelen

en

persoonlijke,

bedrijfsspecifieke overwegingen. Sommige industrieën hangen sterk af van onverplaatsbare natuurlijke bronnen, zoals waterwegen, of klimaatcondities, zoals wijngaarden en scheepswerven. Elke zinvolle index van lokalisatie zou rekening moeten houden met deze voorwaarden.

Hoewel

hun

model

een

variabele

bevat

die

in

de

brede

zin

agglomeratiekrachten in hun model kwantificeert, is het nog steeds niet mogelijk om een onderscheid te maken tussen natuurlijke voordelen en kennisoverdracht bij het verklaren van concentratie (Farhauer en Kröll, 2009). Ellison en Glaeser (1997) ontwikkelden een probalistisch model om industriële locatiepatronen te analyseren op verschillende geografische en specialisatieniveaus, die 11

elementen van de Hirschman-Herfindahl index omvatten. In hun model wordt er getest in hoeverre industrieën samen gelokaliseerd zijn, in vergelijking met een willekeurig agglomeratieniveau (‘dartbord approach’). Meer specifiek kijken ze naar twee soorten agglomeraties: de concentratie van bedrijven in dezelfde sector en de co-agglomeratie van bedrijven van verschillende sectoren. In het eerste geval is de reden voor agglomeratie lokalisatievoordelen (localization economies), terwijl bedrijven in het tweede geval voordelen genieten van urbanisatievoordelen (urbanization economies). Lokalisatievoordelen geven de voordelen weer die volgen uit de concentratie van bedrijven van dezelfde sector, zoals eerst beschreven door Marshall. Ze bestaan uit een grotere beschikbaarheid van gespecialiseerde tussenpersonen, een grotere gespecialiseerde arbeidsmarkt en het plaatsvinden van kennisoverdracht. Urbanisatievoordelen zijn de voordelen van het ruimtelijk geconcentreerd zijn van verschillende sectoren in één gebied. Ellison en Glaeser tonen aan dat in het geval dat er geen agglomeratievoordelen zijn, de werkelijke industrieconcentratie overeenkomt met de willekeurige distributie van bedrijven (willekeurig met pijltjes naar een kaart gooien). Wiskundig wordt dit uitgedrukt door: ( )

(

∑

)[

(

) ]

Ellison en Glaeser vergelijken in hoeverre een industrie haar werkelijke lokalisatiepatroon verschilt van een willekeurige verdeling. De willekeurige verdeling van de industrie wordt gegeven door: ∑(

)

Waarbij Gi staat voor een industrie haar ruwe geografische concentratie, dit betekent het aandeel van werkgelegenheid van een specifieke industrie i in een regio r (sir) dat verwacht zou worden wanneer er rekening gehouden wordt met de regio haar aandeel in de totale tewerkstelling (xr). Om vervolgens de werkelijke ruimtelijke distributie van een industrie te meten, wordt de Hirschman-Herfindahl index Hi berekend, zoals in voorgaande sectie beschreven. In gevallen waarbij bedrijven hun locatie niet willekeurig kiezen en geconcentreerd lijken, verwachten

Ellison

en

Glaeser

dat

agglomeratiekrachten

(natuurlijke

voordelen,

kennisoverdracht) belangrijk zijn voor de industrie en een invloed uitoefenen op het bedrijf 12

haar locatie keuze. Bijgevolg hebben ze de index γ ontwikkeld (‘Ellison Glaeser index’) die de sterkte van deze agglomeratievoordelen meet:

(

( ∑

∑ )(

) )

In de teller wordt de werkelijke concentratie van een sector afgetrokken van de verwachte concentratie volgens een dartbordbenadering. De noemer bevat de concentratie van regionale werkgelegenheid en industriële concentratie. Hierdoor wordt het mogelijk om de resultaten te vergelijken tussen verschillende industrieën van verschillende grootte en verschillende graad van ruimtelijke verspreiding. In het geval dat γ > 0 (γ

[0,1]), zijn er agglomeratiekrachten

zoals natuurlijke voordelen of kennisoverdracht aanwezig, omdat de verdeling van industriële werkgelegenheid afwijkt van een willekeurig patroon (Ellison en Glaeser, 1997; Nakamura en Paul, 2009; Farhauer en Kröll, 2009). In tegenstelling tot de Gini coëfficiënt, betekent een Ellison en Glaeser index van nul niet dat industrie evenwichtig verspreid is over alle regio’s, maar dat een industrie haar verspreiding gelijk is aan wat de verspreiding zou zijn indien de lokalisatie werd bepaald door ‘pijltjes naar een kaart te gooien’. Bijgevolg betekenen negatieve waarden dat een industrie nog sterker verspreid is dan wat verwacht zou worden bij een ruimtelijk patroon gebaseerd op toeval. Waarden boven 0,05 wijzen daarentegen op een hoge concentratie. Een verbetering van Ellison en Glaeser’s methode, vergeleken met de Gini coëfficiënt, is dat de mogelijkheid bestaat om rekening te houden met de concentratie van de industrie. Ellison en Glaeser merkten op dat sectoren met een klein aantal bedrijven, die in werkelijkheid willekeurig verdeeld zijn, nog steeds gelijk verdeeld lijken te zijn, omdat werkgelegenheid geconcentreerd is in een beperkt aantal locaties. Desalniettemin impliceert dit onevenwicht niet dat een sector als geconcentreerd moet beschouwd worden. In sectoren met slechts een beperkt aantal fabrieken zal zelfs een willekeurige verdeling niet per se tot een gelijke verdeling van fabrieksvestigingen of -afdelingen leiden (Duranton en Overman, 2005). Verder gaan Ellison en Glaeser ervanuit dat niet enkel bedrijven van dezelfde sector voordelen halen uit kennisoverdracht door agglomeratie, maar dat door leverancierklantrelaties verbonden industrieën ook aangetrokken worden door deze kennisoverdracht. Om deze concentraties van verschillende sectoren te meten, hebben Ellison en Glaeser een tweede agglomeratie-index ontwikkeld, de co-agglomeratie index, die niet enkel rekening houdt met lokalisatievoordelen, maar ook met urbanisatievoordelen. De berekening van de 13

concentratie-index van een enkele sector en de co-agglomeratie index is gelijkaardig. Er wordt opnieuw vanuit gegaan dat zonder urbanisatievoordelen de werkelijke concentratie van de verschillende industrieën gelijk is aan een willekeurige verdeling: ( )

(

∑

)[

(

∑

)

∑

(

)]

Waar de u staat voor de geselecteerde industrieën waarvoor de co-agglomeratie index wordt berekend (uit een totaal van I industrieën). xr is het aandeel van een regio haar totale werkgelegenheid in u industrieën vergeleken met de totale werkgelegenheid in alle regio’s. De parameter Hi staat voor de concentratie van werkgelegenheid in een specifieke sector i, en H is gelijk aan de vestigings-Hirschman-Herfindahl index van alle geselecteerde industrieën u ∑

en wordt dus berekend als volgt:

. De term

is de regio r haar aandeel in de

totale werkgelegenheid van de geselecteerde industrieën in alle regio’s. De verwachte ∑ (

geografische verdeling wordt gegeven door E(G), bepaald als volgt:

) . De

term sr is de regio r haar aandeel in de geaggregeerde werkgelegenheid in de onderzochte industrieën u. De parameter

is gelijk aan

, wat voor de graad van industriële co-

agglomeratie van de geselecteerde industrieën staat. [

(

∑

)]

∑

(

)

∑ Daarbij is

de Ellison en Glaeser index voor de graad van concentratie van een industrie i

zoals reeds berekend. De interpretatie van de resultaten van de co-agglomeratie index is gelijkaardig aan die van de concentratie-index voor slechts één industrie. Om een interpretatie van de magnitude van de agglomeratievoordelenmogelijk te maken, herschalen Ellison en Glaeser

om er

uit te halen, een index die de mate van kennisoverdracht tussen

industrieën weergeeft.

∑ impliceert dat er enkel industrie specifieke agglomeratie-effecten aanwezig zijn, in tegenstelling tot

,wat aangeeft dat de agglomeratie-effecten één enkele industrie

overstijgen (Ellison en Glaeser, 1997; Ellison et al., 2010; Nakamura en Paul, 2009; Farhauer en Kröll, 2009).

14

Afstandsmethoden Duranton en Overman (2005) en Marcon en Puech (2003) introduceerden afstandsmethoden om de ruimtelijke verspreiding van industrieën te definiëren door de afstand tussen paren van vestigingen in dezelfde industrie te berekenen. Indien informatie beschikbaar is over de exacte locatie van elke vestiging, en bv. niet enkel de locatie in een bepaalde gemeente, dan is de methode ongevoelig voor de dikwijls artificiële afbakeningen van administratieve eenheden (MAUP, zie verder). Maar ook indien data geaggregeerd is op bv. gemeenteniveau, kunnen methoden rekening houden met de afstand tussen verschillende gemeenten. Dikwijls wordt hiervoor beroep gedaan op methoden die gebaseerd zijn op ruimtelijke econometrie (Anselin, 1988, 1995), zoals de ‘Local G statistic’ (zie bv. Feser en Sweeney, 2002) of de Moran’s I en de lokale Moran’s I (zie bv. van den Heuvel et al. (2011) en Vanoutrive en Verhetsel (2013)). In essentie gaan deze indexen na of gebieden met een hoge (of lage) concentratie in de buurt liggen van andere gebieden met een hoge (of lage) concentratie.

Het detecteren van clusters (verticaal) Clustertheorieën benadrukken het belang van relaties tussen bedrijven. Bedrijven die veel contacten hebben met elkaar, kunnen dus een organisatorische cluster vormen. Indexen die agglomeratie meten veronderstellen dat er meer intense contacten zijn tussen nabijgelegen bedrijven, maar meten dit niet direct. Er bestaan echter andere methoden die vertrekken van de netwerken tussen bedrijven. Feser en Bergman (2000) introduceerden een methode om clusters te identificeren die buiten de grenzen van één enkele industrie gaan. Cluster ‘templates’ en leverancier-klant relaties Feser en Bergman (2000) identificeren industrieclusters via input-output tabellen. Hierdoor zijn ze niet enkel in staat om horizontale clusters te ontdekken, maar ook verticale agglomeraties langs een industrie haar waardenketen. Via factoranalyse worden de concentraties van verbonden industrieën bloot gelegd. Vergeleken met vroeger onderzoek, dat gebruikt maakte van input-output data, verfijnen Feser en Bergman hun benadering door zogenaamde ‘cluster templates’ op te stellen, gebaseerd op nationale input-output data van de US. Industrieën die regelmatige leverancier-klantrelaties of een gelijkaardig aankoop- of verkooppatroon vertonen, worden gegroepeerd en vormen een ‘cluster template’. De 15

templates die zowel inter- als intra-industriële relaties op een nationale schaal laten zien, worden verder toegepast op subregionale data. Hierdoor wordt de graad van specialisatie van een regio met betrekking tot de respectievelijke cluster template geanalyseerd. Door de nationale cluster templates te vergelijken met de bestaande regionale industriële structuur, kunnen zowel gespecialiseerde regionale productieketens in de regio, als industrietakken die ontbreken in de nationale template geïdentificeerd worden. Feser en Bergman zijn dus niet enkel in staat om bestaande regionale sectoriële concentraties te identificeren, maar ook latent aanwezige industriële ketens (ontbrekende schakels). Zo wordt het mogelijk om veelbelovende ontwikkelingspaden voor een regio te detecteren (Feser en Bergman, 2000; Kelton et al. 2008).

In plaats van gebruik te maken van input-output tabellen, is het ook mogelijk om leverancierklant relaties op bedrijfsniveau te gebruiken om clusters te detecteren. Vanoutrive en Verhetsel (2013) aggregeerden bijvoorbeeld leverancier-klant relaties tussen logistieke bedrijven

in

België

per postcode en

clusterden vervolgens

de

relaties tussen

postcodegebieden. Daarna werd nagegaan waar de verschillende postcodegebieden gelegen zijn, en of er een logica terug te vinden is in het ruimtelijke patroon. Op die manier kunnen op basis van relationele data, clusters afgebakend worden. Ook andere netwerken tussen bedrijven, andere dan leverancier-klantrelaties, kunnen gebruikt worden om de structuur en ruimtelijke karakteristieken van clusters te bestuderen. Dit kan gaan om netwerken gebaseerd op gedeelte lidmaatschappen, aandeelhouderstructuren of gezamenlijke patentaanvragen of wetenschappelijke publicaties (Ponds et al., 2007; Corsatea, 2010).

Kritische bespreking van de besproken indexen In dit deel bespreken we drie kritische elementen in verband met de besproken indexen voor ruimtelijke agglomeratie: (i) de benodigde data, (ii) de gebruikte ruimtelijke eenheden, en (iii) de toepasbaarheid van de indexen om clustertheorieën te operationaliseren.

Data Martin en Sunley (2003) merken op dat vooral de methoden die afhangen van input-output tabellen meestal incomplete datasets of zelfs een gebrek aan data hebben (Titze et al. 2010). 16

Daardoor zijn studies meestal beperkt tot een analyse van regionale of subregionale data over werkgelegenheid, toegevoegde waarde en cijferdata van industriële eenheden. Ellison en Glaeser (1997) gebruiken werkgelegenheidsdata om locale clusters van fabricage te identificeren (zie ook Maurel en Sédillot, 1999). Ook de Gini locatie coëfficiënt, de Hirschman-Herfindahl index en het locatiequotiënt maken regelmatig gebruik van werkgelegenheidsdata geaggregeerd op bv. gemeenteniveau. Naast het aantal werknemers, wordt ook soms gebruik gemaakt van het aantal bedrijven in een gebied om zo agglomeratie te berekenen (zie Brenner, 2006). Deze data kunnen in bepaalde omstandigheden licht verschillende resultaten opleveren in verband met de ruimtelijke concentratie van industriële activiteit. Methoden die afhangen van het aantal bedrijven hebben de neiging om agglomeratie te overschatten indien er een groot aantal kleine bedrijven aanwezig is. Aan de andere kant zullen methoden die met werkgelegenheid werken een bedrijf met een grote tewerkstelling als een regionale cluster beschouwen. In de VS is de stofzuigerindustrie zo een voorbeeld. Het grootste deel van de tewerkstelling is geconcentreerd in 4 bedrijven in 4 staten (Ellison en Glaeser, 1997). Vooral de Hirschman-Herfindahl index en de Gini locatie coëfficiënten (Krugman, 1991) zullen foutief industrieagglomeratie detecteren in sectoren met een beperkt aantal bedrijven. Ellison en Glaeser (1997) bevestigen dat industrieën die oneven verspreid zijn, niet per se bewust geconcentreerd zijn. Gegeven dat een industrie enkel een beperkt aantal bedrijven bevat, leidt een willekeurig lokalisatiepatroon niet per se tot een gelijkmatig lokalisatiepatroon. Sectoren met een klein aantal bedrijven zullen per definitie een hoger niveau van concentratie tonen. Ellison en Glaeser counteren dit probleem gedeeltelijk door te kijken naar de algemene concentratie van bedrijven, maar hun methode blijft wel vertekend indien het aantal ruimtelijke eenheden groter is dan het aantal fabrieken in de sector. Op basis hiervan stellen Duranton en Overman (2005) dat een correcte agglomeratie-index rekening moet houden met de concentratie van een industrie.

Ruimtelijke eenheden Lokalisatie testen variëren niet enkel door het gebruik van verschillende data, maar ook door de keuze van de ruimtelijke schaal. Hierbij kunnen we een verschil maken tussen studies die een vaste ruimtelijke eenheid zoals regio’s, arrondissementen en gemeenten gebruiken, zoals de Ellison Glaeser index, de locatiequotiënt, de Hirschman-Herfindahl index en de Gini

17

lokalisatie coëfficiënt enerzijds (Ellison en Glaeser, 1997) en afstandsmethoden die de ruimte als continue zien anderzijds (Duranton en Overman, 2005; Marcon en Puech, 2003). Indien er gebruik gemaakt wordt van administratieve indelingen als ruimtelijke eenheden, dan bestaat het risico dat clusters die zich uitstrekken over twee of meerdere gebieden niet gedetecteerd worden. Dit probleem wordt het ‘Modifiable Area Unit Problem’ (MAUP) genoemd (Openshaw en Taylor, 1981). MAUP stelt dat de resultaten van ruimtelijke analyses sterk

afhangen

van

de

geselecteerde

geografisch

eenheid,

zoals

bijvoorbeeld

postcodegebieden, kiesdistricten of andere administratieve eenheden. Deze ruimtelijke eenheden zijn meestal gebaseerd op historische of administratieve afbakeningen waar geen economische rationale achter zit. Om MAUP te vermijden, meten Duranton en Overman de precieze euclidische afstand tussen hun observaties (bedrijfslocaties) in hun model. Met andere woorden, ze behandelen ruimte als een continu gegeven en kunnen zo met ruimtelijke autocorrelatie rekening houden. Dit in tegenstelling tot de Ellison Glaeser index die gebruikt maakt van discrete ruimtelijke eenheden. Hierdoor voldoet de methode niet aan de vierde voorwaarde van Duranton en Overman (2005).

Clustertheorieën en de toepasbaarheid van agglomeratie-indexen In het voorgaande hoofdstuk ‘Theorieën over bedrijfsagglomeratie’ werden Porter zijn clustermodel en de RIS-benadering kort besproken. Beide benaderingen benadrukken dat innovatieclusters in het beste geval bestaan uit onderling verbonden bedrijven die niet noodzakelijk tot dezelfde sector behoren. Verder behoren ook andere economische en nieteconomische actoren zoals universiteiten, overheidsagentschappen en financiële instituties tot de cluster. De meeste van de voorgaande lokalisatietesten zijn echter enkel in staat om de concentratie van een enkele sector te beschrijven, met uitzondering van Feser en Bergman (2000). Hun nut om industrieclusters te ontdekken op basis van een kader dat verder gaat dan Marshall’s originele idee van industrieagglomeratie is bijgevolg beperkt. Feser en Bergman hun benadering kan regionale concentraties van bedrijven, die tot verschillende sectoren behoren, en latente en ontbrekende relaties ontdekken en komt zo dus het dichts in de buurt van het concept van Porter. Desalniettemin kan het de relaties tussen bedrijven en universiteiten of financiële instituties die geen deel uit maken van de gewone input-output tabellen niet ontdekken. Malmberg en Maskell (2002, p. 443) besloten dat “het veel meer moeilijker is om de graad van agglomeratie tussen groepen van bedrijven die op een andere manier verbonden worden (door transacties, gedeelde technologie, etc.) te onderzoeken”.

18

De voorgestelde concentratie-indicatoren variëren niet enkel in hun capaciteit om verschillende vormen van industrieagglomeratie te ontdekken, maar ook in het beantwoorden aan de voorwaarden gesteld door Duranton en Overman (2005). Alle testen, behalve de Hirschman-Herfindahl index, vervullen de eerste twee criteria, maar ze tonen over het algemeen verschillende resultaten in verband met de laatste drie voorwaarden. Ondanks dat enkel de eerste voorwaarde, of in het geval van de Gini locatie coëfficiënt en de locatiequotiënt, de eerste twee criteria vervuld zijn, hebben de Hirschman-Herfindahl index en de twee bovenstaande benaderingen het voordeel dat ze relatief gemakkelijk kunnen berekend worden met beschikbare en publiek toegankelijke data. In tegenstelling tot de voorgaande benaderingen, houdt de Ellison Glaeser index tot op zekere hoogte rekening met de derde voorwaarde gesteld door Duranton en Overman. De Ellison Glaeser index schiet echter te kort in het testen voor statistische significantie en de index is gevoelig voor de gebruikte ruimtelijke meeteenheden. De afstandsmethoden, geïntroduceerd door Duranton en Overman (2005) en Marcon en Puech (2003), zijn niet afhankelijk van een vooropgestelde administratieve ruimtelijke eenheid. Verder beoordelen ze de statistische significantie, zodat ze ook de laatste twee criteria vervullen (Bertinelli en Decrop, 2005). Hoewel ze beantwoorden aan alle criteria, vooropgesteld door Duranton en Overman, geven Macron en Puech (2003) toe dat hun benadering in de meeste gevallen enkel in beperkte mate toepasbaar is, vanwege de nood aan extensieve datasets. De precieze locatie van elke fabriek is noodzakelijk om de euclidische afstand tussen paren van observaties te berekenen.

Industrieconcentratie in België In deze sectie worden studies die kijken naar de industriële lokalisatie in België besproken. Daarna wordt niet enkel beoordeeld in hoeverre dat beschikbare studies clusters van traditionele fabricage-industrie kunnen detecteren, maar ook agglomeraties van nieuwe technologische activiteiten, zoals bio- en nanotechnologie. Vanwege de moeilijkheden omtrent de extensieve datanoden van de afstandsgebaseerde methoden, zoals besproken in voorgaande

sectie,

gebruiken

studies

in

België

de

Ellison

Glaeser

index

om

bedrijfsconcentraties op te sporen (Bertinelli en Decrop, 2005). Bertinelli en Decrop (2005) waren de eerste om de Ellison Glaeser index toe te passen op Belgische fabricage tussen 1997 en 2000. In het algemeen bleken de gevonden Ellison 19

Glaeser indicatoren stabiel voor de onderzochte periode. De auteurs stelden vast dat op arrondissementsniveau (NUTS 3), de textielindustrie, de petroleumverwerkingssector en de verwerkingsindustrie van ruwe materialen (smelten van lichte metalen, fabricage van plat glas en de fabricage van keramiek) bij de meest geconcentreerde sectoren in België behoorden (gemeten op NACE 4 digit niveau). Gelijkaardige resultaten werden gevonden door Barrios et al. voor 1998 (Barrios et al. 2009). Ze rapporteren dat de petroleumindustrie, de textielsector, juwelen en de scheepsbouw, de grootste concentratiescores hebben. Daarnaast vertonen de farmaceutische sector, de visverwerking en de fabricage van plantaardige en dierlijke olie en vetten vertonen lokalisatiepatronen die grotendeels afwijken van willekeur. De voedselwerkende sector en de cementindustrie vertonen daarentegen een lage graad van concentratie in België. Dit kan voornamelijk worden toegeschreven aan de vervalbare natuur van deze producten en de gerelateerde transportproblemen over lange afstand. (Bertinelli en Decrop, 2005). Bertinelli en Decrop startten hun analyse in 1997 en Barrios et al. (2005) gebruiken data van 1998. Beide studies geven een EG index van 0,374 voor de petroleumindustrie. Barrios et al. (2009) stelt echter dat de petroleumindustrie de hoogste score heeft voor industriële concentratie, terwijl Bertinelli en Decrop (2005) stellen dat textiel, plaaster, nucleaire brandstof en chemische producten voor fotografie sterker geconcentreerd zijn dan petroleumverwerkingscentra. Een verklaring voor deze verschillende volgordes ligt bij de keuze voor verschillende niveaus van aggregatie van industriële activiteiten. Barrios et al. (2009) gebruiken de 4 digit ISIC codes (International Standard Classification Codes) die overeenkomen met de 3 digit NACE codes (General Industrial Classification of Economic Activity in de European Community), in tegenstelling tot Bertinelli en Decrop (2005), die gebruik maken van 4 digit NACE codes. Door gebruik te maken van een meer geaggregeerde classificatieniveau, hebben subsectoren zoals de plaasterindustrie met slechts enkele observaties, een kleinere impact op de totale industrie concentratie index en verlagen dus de score. Ondanks het feit dat de Ellison Glaeser index rekening houdt met industriële concentratie, lijkt de Ellison Glaeser index een vertekend beeld te geven van industrieën met slechts een beperkt aantal bedrijven en tewerkstelling. Het is waarschijnlijk dat een hogere concentratieratio gevonden wordt bij industrieën met slechts een beperkt aantal bedrijven, wanneer het aantal ruimtelijke eenheden groter is dan het aantal locaties. Resultaten moeten 20

daarom voorzichtig geïnterpreteerd worden en het wordt aangeraden om andere industrieindicatoren in rekening te brengen als een indicatie van de grootte van een industrie, zoals het aandeel in de totale tewerkstelling. Bijvoorbeeld in de studie van Bertinelli en Decrop (2005) waren mediagerelateerde activiteiten, zoals de fabricage van voorbereide, niet-opgenomen media (2465) en de reproductie van computermedia (2233) bij de sterkst geagglomereerde industrieën in België in 1997. Deze hoge score voor de reproductie van computermedia is te wijten aan het feit dat er slechts twee bedrijven waren in deze categorie in 1997. Een ander voorbeeld is de plaasterindustrie. Fabricage van plaaster vertoonde een concentratiescore van 0,727 in 1997, maar enkel een totale tewerkstelling van 0,02% in hetzelfde jaar (Bertinelli en Decrop, 2005). Indien de Ellison en Glaeser index wordt berekend voor het minder geaggregeerde niveau van gemeenten (NUTS 5), wordt de ruimtelijke autocorrelatie problematischer in het licht van MAUP. Bijgevolg concludeerden Bertinelli en Decrop (2005) dat het arrondissementsniveau (NUTS 3) de geschikte ruimtelijke eenheid is voor een analyse in België, gegeven dat de NUTS 4 categorie (lokale administratieve eenheid) niet gedefinieerd is voor België. Ook Barrios et al. (2009) concluderen dat de geschikte ruimtelijke eenheid van analyse voor de Ellison Glaeser index in België het arrondissementsniveau (NUTS 3) is, door te stellen dat één derde van alle sectoren patronen van positieve ruimtelijke autocorrelatie geven op lokaal niveau.

Concentratie van hightech industrieën Initiatieven met betrekking tot de creatie van clusters in de hightech sectoren zijn meestal geïnspireerd op uitzonderlijk succesvolle hightech agglomeraties, zoals Silicon Valley. Hoewel hightech industrieën sterk kennisgebaseerd zijn en kostenverminderingen door agglomeratie niet zo belangrijk zijn voor hen, heeft clusteren toch een aantal voordelen die niet beschikbaar zijn voor meer verspreide bedrijven. Deze voordelen zijn onder meer innovatie-versnellende kennisoverdracht, meer kansen voor samenwerking, een grotere lokale markt en gemakkelijkere toegang tot kapitaal (Bunker Whittington et al. 2009; Hill en Naroff, 1984; Porter en Stern, 2001; Stuart en Sorenson, 2003). Gegeven dat deze voordelen sterk benadrukt worden in de literatuur, verwachten we dat hightech bedrijven zich in elkaars buurt vestigen. Door middel van een review van resultaten van eerdere studies, is de volgende sectie

21

opgesteld om informatie te verschaffen met betrekking tot de concentratie van hightech gerelateerde bedrijven in België. Bertinelli en Decrop hun analyse beperkt zich tot de maakindustrie en negeert bijgevolg de dienstensector. Daarbij merken ze op dat “de dienstverleningssector sterk verschillende denkwijzen gebruikt vergeleken bij de maakindustrie” (Bertinelli en Decrop, 2005, p. 573). Barrios et al. (2009) hebben hun onderzoek uitgebreid door ook industriële activiteit buiten de maakindustrie op te nemen. Ze ontdekken een lage concentratie van hightech industrieën in België. Dit resultaat komt overeen met wat gelijkaardige studies voor hightech in Duitsland (Alecke et al. 2006) en in het VK (Devereux et al. 2004) bekomen. Gebaseerd op deze resultaten is het desalniettemin te vroeg om te concluderen dat de concentratie van hightech activiteit, zoals in Silicon Valley, uitzondering is in plaats van regel. De uitgebreidheid van de traditionele industriële classificatiesystemen, zoals het NACE system of haar internationale tegenhanger ISIC, is dubbelzinnig met betrekking tot dienstverlening en nieuwe technologie-industrieën. Tot zover is de meerderheid van industrieclassificatiesystemen gericht op traditionele, industriële activiteiten zoals fabricage, waardoor nieuwe industrietakken zoals biotechnologie, nanotechnologie en IT zelden worden geïdentificeerd (Brenner, 2006). De classificatie van hightech bedrijven wordt daarbovenop nog eens bemoeilijkt omdat ‘biotechnologie’ of ‘nanotechnologie’ meestal niet de kernactiviteiten vormen van een bedrijf. Bedrijven combineren de toepassing van bio- en nanotechnologische toepassingen met andere industriële activiteiten. Gegeven dat de NACE of ISIC systemen bedrijven klasseren volgens hun primaire economische activiteit, worden deze activiteiten meestal niet weergegeven. Verder worden hightech sectoren gekenmerkt door snelle technologische veranderingen en voortdurende vooruitgang, waardoor zij bijgevolg moeilijker te volgen zijn door relatief statische industriële classificatiesystemen. In de meeste gevallen vatten de bestaande industriële classificatiesystemen ook niet correct de dienstverlening die samengaat met hightech activiteiten, zoals biotechnologie. Met betrekking tot het ‘North American Industrie Classification Systeem’ (NAICS), dat vergelijkbaar is met het Europese NACE system, stellen Kelton et al. (2008) dat, hoewel de overgang van het ‘Standaard Industrial Classification’ (SIC) naar het NAICS samenging met een bredere opname van de dienstverleningssector, de classificatie van activiteiten nog steeds verre van volledig is. Hoewel durfkapitaal bijvoorbeeld een belangrijke financieringsvorm is voor 22

innovatieve startups in de hightech sector en voornamelijk in de biotech sector, geeft de bestaande NAICS classificatie dit niet weer. Durfkapitaal is echter relevant omdat het meer omvat dan een financiële stroom, het gaat ook over de input van kennis. Maar durfkapitaalactiviteiten worden ingedeeld als “Miscellaneous Intermediation” in NAICS. Bijgevolg zullen durfkapitaalinvesteringen niet verbonden worden aan de hightech sector wanneer gebruik gemaakt wordt van het NAICS-systeem. Dit bemoeilijkt de identificatie van belangrijke, regionale agglomeraties in ‘nieuwe’ industriële sectoren, zoals de biotechnologie (Kelton et al. 2008). Gegeven de moeilijkheden om hightech industrieën op basis van NACE en ISIC systemen te detecteren, gebruiken Barrios et al. (2009) de brede categorisatie van economische activiteiten in hoog-, middel- en laag-technologische sectoren van de OESO. Gebaseerd op hun onderzoek en ontwikkeling intensiteit worden de ISIC sectoren ‘Aircraft and spacecraft’, ‘Pharmaceuticals’, ‘Office’, ‘Accounting and computing machinery’, ‘Radio’, ‘TV and communications equipment’ en ‘Medical, precision and optical instruments’ geclassificeerd als hightech industrieën door de OESO (OESO, 2011). Desondanks geven deze categorieën, zoals reeds gesteld, slechts een zwakke en onvolledige beschrijving van de werkelijke hightech activiteiten. Buiten

de

tekortkomingen

van

de

industrieclassificatiesystemen

om

de

nieuwe

dienstverleningsactiviteiten, gerelateerd aan zich ontwikkelende industrieën en nieuwe industrieën in het algemeen (bv. biotechnologie) te classificeren, menen Barrios et al. (2009) dat een verschillende ruimtelijke schaal nodig is om de concentratie in de hightech sector te verklaren. Wanneer de gemiddelde Ellison en Glaeser index voor hightech en niet-hightech activiteiten worden vergeleken op lokaal en regionaal niveau, wordt het duidelijk dat de hightech index sneller daalt. Het grote verschil tussen concentratiescores van hightech activiteiten op het lokale en regionale niveau wijst erop dat voor de detectie van significante concentraties van hightech activiteiten in België er potentieel een grotere geografische eenheid moet gebruikt worden (Barrios et al. 2009). Samengevat, de gefragmenteerde opname van hightech activiteiten in de meest courante industrieclassificatiesystemen verhindert de identificatie van hightech clusters. Daarenboven is het tot nu toe onzeker of de geglobaliseerde hightech sectoren, zoals biotechnologie of IT ook concentratiepatronen vertoond op dezelfde geografische schaal als de traditionelere maakindustrieën. De data lijken er op te wijzen dat hightech activiteiten meestal op een meer 23

geaggregeerd ruimtelijke niveau plaatsvinden. Desalniettemin ontbreken diepgaande studies omtrent dit onderwerp nog, dus wordt toekomstig onderzoek hierover sterk aangeraden.

Discussie en Conclusie De intentie van deze paper was om te beoordelen in hoeverre concentratietesten in staat zijn om clusters van hightech activiteit te detecteren en agglomeratie te meten. Hightech sectoren zijn gekozen vanwege hun belangrijke rol in de transitie naar een meer op kennis gebaseerde economie. Steeds meer Europese, nationale en subnationale beleidsmakers richten zich op de ontwikkeling van hightech clusters om de competitiviteit van de op hun territorium aanwezige industrieën te vrijwaren en te versterken. Bestaande studies die de geografische lokalisatiepatronen van hightech-gerelateerde industrieën onderzochten, hebben uiteenlopende resultaten opgeleverd. Hoewel iedereen praat over hightech clusters zoals Silicon Valley en Route 128 en beleidsmakers van over heel de wereld proberen om het succes te herhalen, hebben recente studies slechts zwak bewijs geleverd voor de concentratie van hightech gerelateerde activiteiten buiten deze bekende voorbeelden. Hoewel dit lijkt te suggereren dat hightech clusters zoals Silicon Valley meer de uitzondering dan de regel zijn, kunnen we ook argumenteren dat de agglomeratietesten die afhangen van klassieke industriële classificatiesystemen zoals NACE en ISIC, slechts in beperkte mate geschikt zijn om agglomeraties van hightech activiteiten te identificeren. Deze stelling

is

gebaseerd

op

drie

bevindingen.

Ten

eerste

zijn

traditionele

industrieclassificatiesystemen sterker gericht op de maakindustrie dan op de dienstensector. Ten tweede worden bedrijven volgens hun primaire activiteit geklasseerd. Voornamelijk bioen nanotechnoligsche toepassingen zijn meestal niet de kernactiviteit van het bedrijf en worden

bijgevolg

zo

niet

geïdentificeerd.

Ten

derde

is

het

eigen

aan

industrieclassificatiesystemen dat ze relatief statisch zijn. Hightech bedrijven zijn daarentegen continu aan het veranderen, wat het toewijzen aan een sector ingewikkelder maakt. Naast tekortkomingen aan classificatiesystemen zoals ISIC en NACE, zijn regelmatig gebruikte testen zoals de Gini lokalisatie coëfficiënt en de Ellison Glaeser Index maar voor een beperkte mate geschikt om clusters van hightech activiteiten te identificeren. Hoewel ze via tewerkstellingsdata industriële agglomeraties in goed afgebakende sectoren kunnen detecteren, zijn ze niet in staat om industriële clustering, zoals gedefinieerd door Porter, te vinden. De methode die het dichtst in de buurt komt bij het detecteren van clusters zoals 24

Porter ze definieert (met ook bedrijven van andere sectoren), is die van Feser en Bergman (2000) die op basis van input-output tabellen ‘cluster templates’ opstellen. Desalniettemin is hun benadering ook niet geschikt voor de lokalisatie van niet-economische activiteiten, zoals samenwerkingen met universiteiten en onderzoekscentra die niet verschijnen in deze inputoutput tabellen. De onderzochte lokalisatietesten zijn dus in het algemeen beter geschikt om industrieconcentraties te vinden, die overeenkomen met een agglomeratie zoals Marshall die beschreef. Meer recente definities van industrieclusters, die de samenwerking tussen bedrijven benadrukken van dezelfde en gerelateerde sectoren en ook tussen economische en niet-economische actoren, zijn echter moeilijker te vinden. Deels is dit ook omdat de definities een gebrek aan geografische specificering hebben en het begrip sector vaag omschrijven. Om niet enkel te zoeken naar concentraties van bedrijven in dezelfde industrie en bedrijven die input-output relaties onderhouden, maar om kennisnetwerken tussen bedrijven te ontdekken, wat van groot belang is in het geval van de hightech sector, zijn multidimensionele benaderingen voor de identificatie van hightech clusters nodig. Titze et al. (2010)

bijvoorbeeld,

combineren

input-output

methoden

met

de

analyse

van

innovatiematrices, gebaseerd op gezamenlijke O&O-projecten. Bijkomend kunnen meer kwalitatief gerichte onderzoeksmethoden zoals ‘Social Network Analysis’ (SNA) gebruikt worden om gerelateerde economische en niet economische actoren te analyseren (Wasserman en Faust, 1997). SNA wordt voornamelijk toegepast om de sterkte van sociale relaties tussen verschillende actoren in kaart te brengen. Dit is interessant om nieuwe industrieën te onderzoeken, omdat het minder afhankelijk is van bestaande industrieindelingen. In plaats daarvan kunnen alternatieve databronnen, zoals aanwezigheidslijsten van events of lidmaatschap van koepelorganisaties, gebruikt worden om netwerken te identificeren tussen verbonden actoren van verschillende industrieën (die niet per se commerciële

relaties

onderhouden,

maar

verbonden

worden

door

gezamenlijke

onderzoeksprojecten). Hierdoor is het bijvoorbeeld mogelijk om relaties tussen hightech startups en hun durfkapitaalbronnen bloot te leggen, en zo de tekortkoming van de industrieclassificatiesystemen zoals NAICS te verminderen. Later kunnen dan eventueel meer traditionele, kwantitatieve concentratietesten gebruikt worden om accurate informatie over de geografische schaal en ruimtelijke concentratie van deze netwerken te vinden. De combinatie van zowel kwantitatieve methoden als meer kwalitatieve benaderingen is nuttig om een bredere analyse van industrieclusters te maken. 25

Referenties Alecke, B., Alsleben, C., Scharr, F., & Untiedt, G. (2006). Are there really high-tech clusters? The geographic concentration of German manufacturing industries and its determinants. Annals of Regional Science, 40, 19-42. Anselin, L. (1988). Spatial econometrics: Methods and models. Dordrecht: Kluwer Academic Publishers. Anselin, L. (1995). Local Indicators of Spatial Association-LISA. Geographical Analysis, 27(2), 93-115. Baldwin, R. (2005). Industry Location: The Causes. Swedish Economic Policy Review, 12, 927. Barrios, S., Bertinelli, L., Strobl, E. and Teixeira, A. C. (2009). Spatial Distribution of Manufacturing Activity and its Determinants: A Comparison of Three Small European Countries. Regional Studies, 43(5), 721-738. Bertinelli, L., & Decrop, J. (2005). Geographical Agglomeration: Ellison and Glaeser’s index applied to the case of Belgian Manufacturing Industry. Regional Studies, 39(5), 567-583. Brenner, T. (2006). Identification of Local Industrial Clusters in Germany. Regional Studies, 40(9), 991-1004. Brülhart, M. (2001). Evolving Geographical Concentration of European Manufacturing Industries. Weltwirtschaftliches Archiv, 137(2), 215-243. Bunker Whittington, K., Owen-Smith, J., & Powell, W. (2009). Networks, Propinquity, and Innovation in Knowledge-intensive Industries. Administrative Science Quarterly, 54, 90-122. Cooke, P., Gomez Uranga, M., & Etxebarria, G. (1997). Regional Innovation Systems: Institutional and Organizational Dimensions. Research Policy, 26, 475-491. Corsatea, T.D. (2010). Measuring science: Spatial investigation of academic opportunities in Belgium. Papers in Regional Science 89, 373-387. Departement Economie, Wetenschap & Innovatie [EWI] (2011). Witboek - Een Nieuw Industriëel Beleid voor Vlaanderen. Retrieved March 7, 2013, from http://www.ewivlaanderen.be/ewi/witboek-een-nieuw-industri%C3%ABel-beleid-voor-vlaanderen. Devereux, M.P., Griffith, R., & Simpson, H. (2004). The Geographical Distribution of Production Activity in the UK. Regional Science and Urban Economics, 34, 533-564. Doloreux, D., & Parto, S. (2005). Regional Innovation Systems: Current Discourse and Unresolved Issues. Technology in Society, 27, 133-153. Duranton, G., & Overman, H.G. (2005). Testing for Localization Using Micro-Geographic Data. Review of Economic Studies, 72, 1077-1106. Ellison, G., & Glaeser, E.L. (1997). Geographic Concentration in US Manufacturing Industries: A Dartboard Approach. Journal of Political Economy, 105(5), 889-927. Ellison, G., Glaeser, E., & Kerr, W. (2010). What Causes Industry Agglomeration? Evidence from Coagglomeration Patterns. American Economic Review, 100(3), 1195-1213. 26

European Commission (2009). Preparing for our future: Developing a common strategy for key enabling technologies in the EU. Retrieved July 15, 2013, from (http://eurlex.europa.eu/LexUriServ/LexUriServ.do?uri=COM:2009:0512:FIN:EN:PDF EU Commission (2012). Europe 2020. Retrieved July11, 2013, from http://ec.europa.eu/europe2020/europe-2020-in-a-nutshell/index_en.htm Eurostat (2013). High-technology and medium-hightechnology industries main drivers of EU27's industrial growth. Retrieved July 17, 2013, from http://epp.eurostat.ec.europa.eu/cache/ITY_OFFPUB/KS-SF-13-001/EN/KS-SF-13-001EN.PDF Farhauer, O., & Kröll, A. (2009). Verfahren zur Messung räumlicher Konzentration und regionaler Spezialisierung in der Regionalökonomik. Passauer Diskussionspapiere. Retrieved from http://www.wiwi.unipassau.de/fileadmin/dokumente/lehrstuehle/lambsdorff/Papers/Discussion_Paper_Indizes_120 216.pdf Feser, E.J. (1998). Old and new theories of industry clusters. Retrieved from http://works.bepress.com/edwardfeser/3. Feser, E.J., & Bergman, E.M. (2000). National Industry Cluster Templates: A Framework for Applied Regional Cluster Analysis. Regional Studies, 34(1), 1-19. Feser, E.J., & Bergman, E.M. (2000a). On the Ellison-Glaeser geographic concentration index. Retrieved from http://www.urban.uiuc.edu/faculty/feser/Pubs/EG_index.pdf. Feser, E.J., and Sweeney, S.H. (2002). Theory, methods and a cross-metropolitan comparison of business clustering, in P. McCann, (ed.), Industrial Location Economics. Cheltenham: Edward Elgar, pp. 222-259. Fujita, M. (2012). Thünen and the New Economic Geography. Regional Science and Urban Economics, 42, 907-912. Fujita, M., & Krugman, P. (1995). When is the economy monocentric? Von Thünen and Chamberlin unified. Regional Science and Urban Economics, 25, 505-528. Hill, J., & Naroff, J. (1984). The Effect of Location on the Performance of Hightechnology Firms. Financial Management, 13(1), 27–36. Kelton, C.M., Pasquale, M.K., & Rebelein, R.P. (2008). Using the North American Industry Classification System (NAICS) to Identify National Industry Cluster Templates for Applied Regional Analysis. Regional Studies, 42(3), 305-321. Krugman, P. (1991) Geography and Trade. London: MIT Press. Malmberg, A., & Maskell, P. (2002). The elusive concept of localization economies: towards a knowledge-based theory of spatial clustering. Environment and Planning, 34, 429-449. Marcon, E., & Puech, F. (2003). Evaluating the geographic concentration of industries using distance-based methods. Journal of Economic Geography, 3, 409-428. Martin, R., & Sunley, P. (2003). Deconstructing Clusters: Chaotic Concept or Policy Panacea. Journal of Economic Geography, 3, 5–35. 27

Maurel, F., & Sédillot, B. (1999). A Measure of the Geographic Concentration in French Manufacturing Industries. Regional Science and Urban Economics, 29, 575-604. McCann, P. (2008): Agglomeration economics. In C. Karlsson (Ed.), Handbook of Research on Cluster Theory (pp. 23-38). Cheltenham, United Kingdom: Edward Elgar. Nakamura, R., & Paul, C. (2009). Measuring agglomeration. In R. Capello & P. Nijkamp, Handbook of Regional Growth and Development Theories (pp. 305-328). Cheltenham, United Kingdom: Edward Elgar. Openshaw, S., and Taylor, P. (1981). The modifiable area unit problem. in N. Wrigley and R. Bennett, (eds.), Quantitative Geography: A British View. London: Routledge, pp. 60-69. Organization for Economic Cooperation and Development [OECD] (2011). ISIC Rev. 3 Technology Intensity Definition. Retrieved July 19, 2013, from http://www.oecd.org/sti/ind/48350231.pdf Ponds, R., van Oort, F., and Frenken, K. (2007). The geographical and institutional proximity of research collaboration. Papers in Regional Science 86, 423-443. Porter, M. (2000). Location, Competition, and Economic Development: Local Clusters in a Global Economy. Economic Development Quarterly, 14, 15-33. Porter, M. E., & Stern, S. (2001). Innovation: location matters. MIT Sloan Management Review, 42(4), 27–36. Powell, W., Koput, K., Bowie, J., & Smith-Doerr, L. (2002). The Spatial Clustering of Science and Capital: Accounting for Biotech Firm-Venture Capital Relationships. Regional Studies, 36 (3), 291-305. Puga, D. (2010). The Magnitude and Causes of Agglomeration Economies. Journal Of Regional Science, 50(1), 203-219. Rosenthal, S., & Strange, W. (2001). Determinants of Agglomeration. Journal of Urban Economics, 50, 191-229. Solow, R.M. (1956). A Contribution to the Theory of Economic Growth. The Quarterly Journal of Economics, 70(1), 65-94. Stuart, T., & Sorenson, O. (2003). The Geography of opportunity: Spatial heterogeneity in founding rates and the performance of biotechnology firms. Research Policy, 32, 229-253. Titze, M., Brachert, M., & Kubis, A. (2011). The Identification of Regional Industrial Clusters Using Quantitative Input-Output Analysis (QIOA). Regional Studies, 45(1), 89-102. van den Heuvel, F.P., De Langen, P.W., van Donselaar, K.H., and Fransoo, J.C. (2011). Identification of Employment Concentration Areas. BETA working paper 354. Eindhoven. Vanoutrive, T., Verhetsel, A. (2013). Logistiek en Locatie 1: verkennende ruimtelijke analyse van de cluster logistiek en transport. stORE deliverable 12-014, steunpunt Ondernemen en Ruimtelijke Economie, Antwerp. Vlaanderen in Actie [ViA] (2012). Over ViA. Retrieved July 17, 2013, from http://www.vlaandereninactie.be/over. 28

VRWB (2012). Six Clusters and their Spearheads. Retrieved February 1, 2013, from http://www.vrwi.be/pdf/clusterbrochure-en.pdf Wasserman, S., and Faust, K. (1997). Social Network Analysis: Methods and Applications. Cambridge, UK: Cambridge University Press.

29