Czasoprzestrzenne wzorce lokalizacyjne startupów technologicznych – RNN w prognozowaniu wewnątrzmiejskich klastrów startupów

Nie­wie­le wia­do­mo na temat decy­zji loka­li­za­cyj­nych star­tu­pów tech­no­lo­gicz­nych na pozio­mie mia­sta. Pod­czas gdy ogól­ny trend przy­cią­ga­nia inno­wa­cyj­nych przed­się­biorstw do tere­nów metro­po­li­tal­nych jest dobrze zna­ny i zgłę­bio­ny w lite­ra­tu­rze, zde­cy­do­wa­nie sła­biej zro­zu­mia­ny jest temat mikro­ge­ogra­ficz­nych wzor­ców wewnątrz miast. Bio­rąc pod uwa­gę coraz więk­szą licz­bę badań, w któ­rych zauwa­ża się sil­ne wyga­sza­nie prze­strzen­ne efek­tów aglo­me­ra­cyj­nych (por. Anders­son et al., 2016, 2019; Duran­ton & Puga, 2004; Fer­ret­ti et al., 2022), to wła­śnie ana­li­za loka­li­za­cji w ska­li mikro­ge­ogra­ficz­nej jest nie­zbęd­na do zro­zu­mie­nia czy star­tu­py tech­no­lo­gicz­ne rze­czy­wi­ście czer­pią z tych ogra­ni­czo­nych prze­strzen­nie korzy­ści aglomeracji.

Bada­nie wzor­ca loka­li­za­cji star­tu­pów tech­no­lo­gicz­nych i jego ewen­tu­al­nych zmian w cza­sie prze­pro­wa­dzo­no na prób­ce star­tu­pów zało­żo­nych w War­sza­wie. Oce­nio­no, czy utwo­rzo­ny wzo­rzec loka­li­za­cyj­ny jest spój­ny z ogra­ni­czo­ny­mi prze­strzen­nie korzy­ścia­mi aglo­me­ra­cji. Dodat­ko­wo, poka­za­no jak rekur­syw­ne sie­ci neu­ro­no­we (RNN) mogą pomóc w prze­wi­dy­wa­niu loka­li­za­cji kla­strów star­tu­pów tech­no­lo­gicz­nych. Wyso­ka sku­tecz­ność tego typu mode­lu jest osią­ga­na nawet na pod­sta­wie krót­kie­go pane­lu danych. Przed­sta­wio­no w jaki spo­sób wdro­żyć wymiar prze­strzen­ny do mode­lu, aby zacho­wać wydaj­ność obli­cze­nio­wą. Poka­za­no rów­nież jak tego typu roz­sze­rze­nie sie­ci popra­wia jej wyni­ki, pozwa­la­jąc mode­lo­wi „zro­zu­mieć” rela­cje prze­strzen­ne mię­dzy sąsied­ni­mi obserwacjami.

W empi­rycz­nej czę­ści pra­cy wyko­rzy­sta­no dane na temat loka­li­za­cji star­tu­pów, któ­re ana­li­zo­wa­no przy uży­ciu meto­dy ker­nel den­si­ty esti­ma­tion. Celem  tej meto­dy było uzy­ska­nie infor­ma­cji o naj­in­ten­syw­niej zago­spo­da­ro­wa­nych obsza­rach, a następ­nie uży­cie tech­ni­ki DBSCAN, któ­ra pozwo­li­ła na ziden­ty­fi­ko­wa­nie dokład­nych loka­li­za­cji kla­strów star­tu­pów. Wyni­ki pocho­dzą­ce z DBSCAN oraz dane punk­to­we zosta­ły póź­niej zagre­go­wa­ne do pozio­mu 1km x 1km siat­ki gri­do­wej, dla przy­go­to­wa­nia danych wej­ścio­wych do sie­ci neu­ro­no­wych RNN. Wyni­ki z ana­li­zy empi­rycz­nej poka­zu­ją, że star­tu­py tech­no­lo­gicz­ne two­rzą gęste sku­pie­nia na nie­wiel­kich obsza­rach wewnątrz miast. Ten wzo­rzec utrzy­mu­je się mimo upły­wu lat, z nie­wiel­ki­mi odchy­le­nia­mi, doty­czą­cy­mi domi­na­cji tren­du kon­cen­tra­cji lub roz­pro­sze­nia. Wewnątrz­miej­ski wzo­rzec prze­strzen­ny star­tu­pów tech­no­lo­gicz­nych oka­zu­je się być zgod­ny z efek­ta­mi korzy­ści z aglo­me­ra­cji, dzia­ła­ją­cy­mi na nie­wiel­kich ska­lach prze­strzen­nych, o któ­rych mówi­li Anders­son et al., (2016 i 2019), Duran­ton i Puga (2004), oraz Fer­ret­ti et al., (2022).

Lite­ra­tu­ra:
Anders­son, M., Kla­es­son, J., & Lars­son, J. P. (2016). How Local are Spa­tial Den­si­ty Exter­na­li­ties? Neigh­bo­ur­ho­od Effects in Agglo­me­ra­tion Eco­no­mies. Regio­nal Stu­dies, 50(6), 1082–1095. https://doi.org/10.1080/00343404.2014.968119.
Anders­son, M., Lars­son, J. P., & Wer­n­berg, J. (2019). The eco­no­mic micro­ge­ogra­phy of diver­si­ty and spe­cia­li­za­tion exter­na­li­ties – firm-level evi­den­ce from Swe­dish cities. Rese­arch Poli­cy, 48(6), 1385–1398. https://doi.org/10.1016/j.respol.2019.02.003.
Duran­ton, G., & Puga, D. (2004). Micro-foun­da­tions of urban agglo­me­ra­tion eco­no­mies. In Hand­bo­ok of regio­nal and urban eco­no­mics (pp. 2063–2117). Else­vier.
Fer­ret­ti, M., Gueri­ni, M., Panet­ti, E., & Par­men­to­la, A. (2022). The part­ner next door? The effect of micro-geo­gra­phi­cal pro­xi­mi­ty on intra-clu­ster inter-orga­ni­za­tio­nal rela­tion­ships. Tech­no­va­tion, 111, 102390. https://doi.org/10.1016/J.TECHNOVATION.2021.102390