Kulcsszavak: tudás-alapú gazdaság, innovációs rendszer, ko-evolúció, entrópia statisztika, átmeneti gazdaság.

Átírás

1 A tudás-alapú gazdaság térbeli szerveződése, mérésének kísérlete az átalakuló Magyarországon: az innovációs rendszerek belső szinergiái Lengyel Balázs * és Loet Leydesdorff ** * Magyar Tudományos Akadémia Regionális Kutatások Központja Budapesti Osztály, 1067 Budapest Teréz krt. 13, lengyel@rkkmta.hu ** Amsterdam School of Communications Research (ASCoR), University of Amsterdam, Kloveniersburgwal 48, NL-1012 CX Amsterdam, The Netherlands; loet@leydesdorff.net; Tanulmányunkban korábbi holland és német munkákra alapozva ötvözzük a regionális innovációs rendszerek és az egyetem- gazdaság- kormányzat kapcsolatának triple helix modelljét a regionális közgazdaságtan sztochasztikus modelljével a cégek földrajzi, technológiai és szervezeti megoszlását illetően. A hazai high-tech, medium-tech és tudás-intenzív szolgáltató cégeket három dimenzióban kategorizáltuk: székhelyük kistérsége, iparági szektoruk, és méretük szerint. A gazdaság tudás-alapon való szerveződését a cégek háromdimenziós valószínűségi megoszlásának entrópiájával és a három dimenzió entrópiát csökkentő közös információjával becsültük. Eredményeink szerint a magyar tudás-alapú gazdaság területi szempontból erősen tagolt, az innovációs rendszer nemzeti szintje nem segíti a regionális szinten kialakult szinergiákat. Budapest és agglomerációja minden tekintetben kiemelkedő az országban. Nyugat- és Közép Dunántúlon a külföldi tulajdonban lévő vállalatok az ország keleti felén pedig a központi kormányzat bír vezető szereppel a gazdaság tudás-alapú szerveződésében. A tudás-alapú gazdaság szerkezetét illetően a piacgazdasági átmenet, az európai integráció még nem fejeződött be. Kulcsszavak: tudás-alapú gazdaság, innovációs rendszer, ko-evolúció, entrópia statisztika, átmeneti gazdaság. A szerzők köszönetüket szeretnék kifejezni Szabó Istvánnak, a KSH Népesedés-, egészségügyi és szociális statisztikai főosztály osztályvezetőjének az adatgyűjtésben nyújtott segítségéért, illetve a Szegedi Tudományegyetem Gazdaságtudományi Kar Közgazdaságtani és Gazdaságfejlesztési Intézet munkatársainak a tanulmány alkotó átnézéséért. 1

2 1. Bevezetés Az evolucionista közgazdaságtanban gyökerező innovációs rendszerek (Acs és Varga, 2000; Dőry, 2005; Cooke, 2002; Lundvall, 1992; Varga, 2004) irodalmának egyik alapgondolata, hogy az innováció a cégek berkein belül, illetve egyéb intézményi szereplőkkel (egyetemek, kutatóintézetek, kormányzati szervek és iparágak) való hálózati együttműködésben egyaránt létrejöhet (Inzelt, 2004, Kapás, 2002, Lengyel B., 2005). A regionális innovációs rendszerek különböznek a tekintetben, hogy a rendszert alkotó hálózatok miképpen teremtik meg a csere, az újdonságteremtés és a szervezeti kontroll funkciói közötti szinergiákat (Cooke és Leydesdorff, 2002). A fejlett régiók példája azt mutatja, hogy az innovációs rendszerek erősségét leginkább annak alrendszerei az iparági struktúra, a cégek földrajzi megoszlása és akadémiai hagyományok közötti szinergia jelzi (Fritsch, 2004). A csere, újdonságteremtés és szervezeti kontroll funkciói tudásalapúgazdaság al-mechanizmusainak (sub-dynamics) tekinthetők, amelyek eltérő mértékben ugyan, de hatnak egymásra. Minél inkább érvényesülnek a funkciók közötti szinergikus hatások, annál inkább beszélhetünk a tevékenység ön-szervező jellegéről. A regionális innovációs rendszerek szintjén megnyilvánuló hatásokat nem elég például az egyetem- ipargazdaság kapcsolataira visszavezetni, azok közvetettebb módon is jelentkeznek (Leydesdorff, 2006,b; 2007). A tudás generálása, a tudást kiaknázó szervezetek és tudás földrajzi terjedése között kell keresnünk a szinergiákat (Storper, 1997). Az al-mechanizmusok összehangoltsága a gazdaság tudás-alapon való szerveződésére utal, a szinergia indikátora pedig a gazdaság tudásbázisának erősségét méri. A gazdaság tudás-alapon való szerveződésének mérésére a magyar vállalatok három dimenzióban való megoszlásának entrópiáját használjuk. Az entrópia módszerével egy megoszlásban megmutatkozó rendezetlenséget (az angol irodalomban a bizonytalanság, uncertainty fogalom használatos) tudjuk mérni. A megoszlás entrópiája a minimális értékét (H=0) akkor veszi fel, amikor az összes elem azonos értékű, az entrópia maximális értéke pedig az összes elem értékének különbözőségével jelentkezik. A háromdimenziós megoszlás entrópiájának értéke általában kisebb, mint a megoszlások külön-külön számított entópiáinak összege (nagyobb is lehet, erre később kitérünk). A két érték közötti különbség a három megoszlás közös információja (mutual information), mely a bizonytalanság csökkenésének, így a tudás-alapon való szerveződésnek az indikátora. A módszer számos előnye mellett kiemelten fontos, hogy lehetőségünk van azt elemekre bontani (dekompozíció), s így a megoszlás elemeinek entrópiára való hatását vizsgálni. A magyar vállalatok technológiai (tudást generáló), szervezeti (tudást kiaknázó) és földrajzi (a tudás terjedésének) dimenziókban való megoszlását vizsgáljuk. A háromdimenziós megoszlás entrópiája a rendszer bizonytalanságát méri, a három dimenzió közös információja pedig a rendezetlenség csökkenését mutatja. A bizonytalanság csökkenését az al-mechanizmusok között kialakult szinergiának tudhatjuk be. Így a háromdimenziós közös információ a gazdaság tudásalapon való szerveződésének indikátora. A technológiai dimenziót az iparági 2

3 szektorok TEÁOR besorolásával becsültük, a high-tech, medium-tech vállalatokat és tudás-intenzív szolgáltatásokat vizsgáltuk. A földrajzi dimenziót az iparvállalatok székhelyéül szolgáló kistérségekkel, a szervezeti dimenziót a vállalatok méretével (foglalkoztatottak száma) ragadtuk meg. A tanulmány első fejezetében a vizsgálat keretét jelentő elméleti modelleket mutatjuk be, s röviden kitekintünk a hazai irodalomra, mely a hipotéziseink alapjául szolgált. A harmadik fejezetben az adatfelvétel és a vizsgálati módszer leírása található, amit a negyedik fejezet eredményei követnek. Az ötödik fejezetben a tudás-alapon való szerveződés mélyebb összefüggéseinek megértéséhez az eredményeinket szektorálisan szétbontjuk, végül levonjuk következtetéseinket. 2. A tudás-alapú gazdaság térbeli vizsgálatai, kutatásunk hipotézisei A neoklasszikus alapokon nyugvó új gazdaságföldrajz (Krugman, 2000) ökonometriai elemzései a tudáshoz való hozzáférés pozitív externália-jellegére hívták fel a figyelmet (Varga 2004). A tudás áramlását ez az irányzat automatikusnak tartja, amely egy adott lokális környezetben a vállalatok között tudás-túlcsordulási (knowledge-spillover) hatásként érvényesül. Az evolucionista gazdaságföldrajz (Boschma és Martin, 2007) a tudás-externáliák között megkülönbözteti a lokális specializációhoz kapcsolódó Marshall-i- és a lokális sokszínűséghez kapcsolódó Jacobs-i externáliákat. A vállalatok rutinjai, tudása történelmi tényezők alapján koncentrálódik a térben, a tudás túlcsordulása nem automatikus, az a tudás transzferéhez kötődik (Lengyel B., 2004), amelyben a lokális és globális tényezők egyaránt szerepet játszanak (Boschma és Frenken, 2006; Breschi és Lissoni, 2001). Az innovációs rendszerek iskolájának eredete a tudás értelmezését tekintve az evolucionista közgazdaságtanra vezethető vissza (Lundvall, 1992; Nelson, 1993), viszont a nemzeti és regionális innovációs rendszerek vizsgálataira sokkal inkább jellemző az intézményi közgazdaságtan eszköztára (Acs és Varga, 2000; Boschma és Frenken, 2006). Az intézményi szemléletű regionalisták az intézmény-rendszert adottnak tekintve mérik a regionális innovációs rendszerek teljesítményét (Asheim és Coenen, 2006). Így elsősorban az innováció input- és output indikátorainak régiók közötti összehasonlítása, mintsem a regionális rendszereken belüli kölcsönhatások számszerűsítése szerepel az eszközeik között. Az innovációs rendszerek iskolája megfelelő terep lehet az evolucionista és intézményi irányzat ötvözéséhez (Boschma és Frenken, 2006), ehhez azonban az innovációnak az intézményi kereteket megújító, újra-strukturáló jellegét, a tudás-alapú rendszerek belső dinamikáját, az alrendszerek egymást alakító (ko-evolúciós) kölcsönhatását kell vizsgálnunk. Az innovációs folyamatok vizsgálatában az evolucionista közgazdászok általában megkülönböztetik a tudás teremtését (knowledge exploration) és az alkalmazását (knowledge exploitation) (Nelson és Winter, 1982). Ezek, a közgazdász szemében eltérő mechanizmusokkal leírható folyamatok, egymással szoros koevolúciós kapcsolatban állnak. A tudás teremtésén az alap- és alkalmazott kutatások által történő újdonság-teremtést szokás érteni, míg a tudás alkalmazása a vállalkozó vagy vállalat által történő előny-teremtés. Az intézményi közgazdaságtan az újdonságteremtés és a csere mechanizmusai mellett a szervezeti kontroll szerepét is kiemeli (Lorenzen és Foss, 2003). A két irányzat sajátos összeillesztése történt a 3

4 regionális innovációs rendszerekben, ahol a tudást generáló (egyetemek, kutatóintézetek) és azt felhasználó (vállalatok, iparági klaszterek stb.) alrendszerek között a tudás áramlását a személy- és intézményközi hálózatok segítségével térképezik fel (Fornahl és Brenner, 2003). Az innovációs rendszerek erőssége attól függ, hogy a tudás-alapú funkciók miképpen kapcsolódnak a szereplők közötti hálózatokhoz (Foray, 2004; Leydesdorff, 2006,a), ezek a hálózatok a tudás cseréjét jelentősen megkönnyítik. Az intézményi- és evolucionista szemléletek innovációs rendszerekben való ötvözéséhez két dolgot kell végiggondolnunk. Először is, annak ellenére, hogy az innovációs rendszerekben lévő hálózatokban a szervezett tudásteremtés, a tudás diffúziója és a kontroll feladatait más szereplők látják el, nem rendelhetünk hozzájuk egy-egy intézményt. Nem mondhatjuk például, hogy az egyetemek felelnek a tudás teremtéséért, a vállalatok pedig a tudás kiaknázásáért (Etzkowitz és Leydesdorff, 2000), hiszen a tudástranszfer a vállalatok és az egyetemek között kétirányú. Így nem a szereplők hálózatban való jelenléte a fontos, hanem a kapcsolataik minősége, s még inkább a kapcsolatok átalakulására ható erők jelenléte. Másodszor, a gazdaság tudásalapon való szerveződése nem igényel feltétlenül közvetlen kapcsolatokat, az természetéből adódóan lehet más piaci erők vagy externáliák (pl. tudás-túlcsordulás) által vezérelt (Varga, 2004). A regionális innovációs rendszerek működése sem mérhető pusztán a szereplői közötti kapcsolatok (piaci kapcsolat vagy K+F kooperáció) vizsgálatával. Az innovációs rendszeren belül a hálózatok elemzése szükséges, de nem elégséges a tudás-alapú szerveződés megértéséhez. A tudás-alapú gazdaság funkciói, alrendszerei egymással ko-evolúciós kapcsolatban állnak, az eltérő mechanizmusok közötti szinergikus kölcsönhatások erősségét kell a vizsgálatoknak megmutatnia (Fritsch, 2004). Az egyetem- gazdaság- és kormányzat szférák kapcsolatát leíró Triple Helix modellben a három szféra egymást alakítja, egymással ko-evolúciós kapcsolatban áll (Etzkowitz és Leydesdorff, 2000). A modellben lehetőség van arra, hogy figyelembe vegyük a három szféra eltérő mechanizmusait, belső motivációit, célfüggvényét (Lengyel B., 2006). Bár az egyetem a tudás létrehozásában, a gazdasági szféra a tudás kiaknázásában, a kormányzat pedig a kapcsolatok kontrollálásában főszereplőnek tekinthető, a háromoldalú kapcsolatok során az intézmények funkciói, s főleg az egymással szemben támasztott elvárások változnak (Leydesdorff, 2006,a). A három szféra összefonódása a tudás-alapú gazdaság egyik ismérve, a tudásalapon való szerveződésnél a hálózati kapcsolatokban pozitív visszacsatolásokat feltételezhetünk (network overlay). A regionális innovációs rendszerek ko-evolúciós jellemzéséhez a szférák, a tudás-alapú gazdaság funkciói közötti szinergiákat kell formalizálnunk (Fritsch, 2004). Ebben a személetben többet tudhatunk meg a kölcsönhatásokról, mintha csak a hálózatokat elemeznénk, de nem hagyjuk azokat sem figyelmen kívül, hiszen azok a három szféra kapcsolataiban integrálódnak. Leydesdorff (2006,a, 195. o.) a rendszer teljes dinamikáját modellezve a hálózatokat három dimenzió mentén aggregálta, ezzel lehetővé téve az eltérő mechanizmusok közötti kapcsolatok megragadását (1. ábra). A hálózatok jelentős része a földrajzi környezet által meghatározott, a földrajzi dimenzió pozícionálja a szereplőket, a köztük lévő kapcsolatok sűrűségére a földrajzi elhelyezkedés döntő hatással van. A tudás-alapú gazdaság csere-kapcsolatainak nagy része a 4

5 globalizáció során függetlenedett a kommunikáció lokális hálózataitól, a tudományos tudásteremtés pedig a diszciplínák szerint rendeződik. A három mechanizmus a tudás-infrastruktúra, az innováció és a gazdaságpolitika interface jellegű, elsőrendű kapcsolataiban hat egymásra. A gazdaság tudás-alapon való szerveződése a másodrendű kapcsolatok hatása, melyek az elsőrendű kapcsolatok között állnak fenn. A hálózatokban megvalósuló pozitív visszacsatolás szintén a másodrendű kapcsolatok közötti szinergiákkal formalizálható. Más szavakkal: a funkciók közötti kapcsolatok sztochasztikusak, a technológiai fejlődés pedig átrajzolja a három mechanizmus közötti összekapcsolódások rendszerét, ezért a rendszer bizonytalanságát (uncertainty) kell feltételeznünk (Hronszky, 2005). A szinergiák csökkentik a rendszerben lévő bizonytalanságot, így ha meg tudjuk ragadni a bizonytalanság-csökkenés mértékét, akkor a rendszer szintjén megvalósuló szinergiákat is tudjuk mérni. 1. Ábra: Tudásteremtés Gazdasági cserekapcsolatok Tudásinfrastruktúra Tudás-alapú gazdaság Innováció Földrajzi elhelyezkedés Gazdaságpolitika Forrás: Leydesdorff, 2006, 196. o. A nemzetgazdaságok és régiók különböznek abban, hogyan kombinálják a tudásalapú gazdaság funkcionális követelményeit, elemeit (Lundvall, 1992; Nelson, 1993; Cooke, 2002). Az egyetem- gazdaság- kormányzat kapcsolatok is eltérően alakulnak, a három szféra ko-evolúciós kölcsönhatását különböző erők alakítják (Etzkowitz és Leydesdorff, 2000). Amikor a gazdaság tudás-alapú szerveződése a rendszer szintjén megnyilvánuló szinergiából adódik, akkor egy növekvő önszabályozó visszacsatolást várhatunk a rendszerben. Ez a visszacsatolás egyaránt működhet pozitívan (csökkentheti a kapcsolatok bizonytalanságát), illetve működhet negatívan is (a globalizációt erősíti egy korábban lokális rendszerben; vagy a régió bezáródásához lock in vezet). Más szavakkal, a hálózati kapcsolatok a regionális szerkezetet termékennyé, innovatívvá tehetik, de nem minden hálózattól várhatjuk el 5

6 ezt. Például a termékenységük, innovativitásuk és a hálózati kapcsolatok sűrűsége ellenére az olasz iparági körzetek kárvallottjai lehetnek az ipar delokalizációjának. Azok a lokális kapcsolatok pedig, amelyek eredménye nem jut ki a globális piacra, a térség bezáródása felé hatnak. Michael Storper (1997) szerint a gazdasági tevékenység technológiai szintje, a vállalatok szerveződése és a földrajzi elterjedése egymástól viszonylag függetlenül oszlik meg (Bajmócy, 2007; Lengyel I., 2003). Az ipari tevékenység földrajzi megoszlása és az iparági szektorok technológiai szintjében és a vállalatok méretében megnyilvánuló különbségek miatt azt várhatjuk, hogy a földrajzi feltételek különbözően hatnak a különböző gazdasági szektorokra, így a feldolgozóiparra és a tudás-intenzív szolgáltatásokra. A tudás-intenzív szolgáltatások például elvégezhetők nagyobb távolságból is, az ipari beszállítói kapcsolatok viszont jobban kötődnek a földrajzi közelséghez. A tanulmányunkban a vállalatok e három dimenzióban való megoszlását (földrajzi, technológiai, vállalatméret) használjuk a rendszer tudás-alapú funkcióinak becsléséhez és a köztük lévő szinergiák méréséhez. A szinergiákat a magyar innovációs rendszer különböző szintjein (nemzeti és megyei) mérjük. A két korábbi hasonló, holland és német vizsgálat az alábbi hipotéziseket tesztelte (Leydesdorff et al, 2006, Leydesdorff és Fritsch, 2006): 1. a medium-tech iparágak jobban meghatározóak egy gazdaság tudásbázisának alakulásában, mint a high-tech iparágak; 2. a tudás-intenzív szolgáltatások elszakítják (uncouple) a gazdaság tudásbázisát annak földrajzi helyzetétől. Hazánk gazdaságának átmeneti jellegéből adódóan több összefüggést is érdemes feleleveníteni az innovációs rendszerekben lévő szinergiák vizsgálata előtt. Feltételezhetjük például, hogy a múlt rendszer öröksége az egyetem- gazdaságkormányzat kapcsolatait illetően még mindig meghatározó, a kapcsolatok központilag tervezett jelleget mutatnak (Etzkowitz és Leydesdorff, 2000; Inzelt, 2004). Az átmenetnek számos explicit jele van: a regionális innovációs rendszerek intézményhálózata csak most van kialakulóban, a kormányzati szféra erősen centralizált, a felsőoktatás és az egészségügy reformja szintén napjainkban zajlik stb. Szintén fontos kiemelni, hogy a magyar gazdaság átmenetének kezdete és a globalizációs folyamatok erősödése egy időre esett, így mindkettő kihívásaival egyszerre kellett megbírkózni (Enyedi, 1995, 2000). Mindkét folyamatot figyelembe kell vennünk a magyar szinergiák elemzésekor: a múlt rendszerben kialakult mechanizmusok valószínűleg meghatározóak maradtak az állam által ellenőrzött szektorokban (Hámori et al, 2007; Papanek, 2006); az átmenet sokkal gyorsabban ment végbe azokban a szektorokban, ahol a külföldi tulajdonú vállalatok érdekeltek lettek (Barta, 2000; Inzelt, 2003). A hazai gazdaság megújuló képessége és a külföldi piacokra való kijutás szoros összefüggésben van egymással (Török és Petz, 1999), a gazdasági átmenet a Közös Piachoz való csatlakozásban csúcsosodott ki. Ez a megyék versenyképességében (Lengyel I., 2003), a városhálózat megújuló képességében (Rechnitzer, Csizmadia és Grosz, 2004) és az innovációs 6

7 teljesítményében (Varga, 2007) megmutatkozó különbségek miatt területileg differenciáltan ment végbe. Két további hipotézist kell feltennünk: 3. a külföldi tulajdonban levő vállalatok újra strukturálták az innovációs rendszerek belső szinergiáit; 4. a magyar megyék az átmenet különböző fázisában vannak az egyetemgazdaság- kormányzat kapcsolatait illetően. A hazai innovációs rendszerek szinergiáinak vizsgálata az új-evolucionista modellünk alapján történik. Arra vagyunk kíváncsiak, hogy mennyi bizonytalanságot kelt vagy szüntet meg a rendszer, a rendszer melyik szintjén és dimenziójában történik ez? 3. Adatfelvétel és módszertan Az adatbázisunk a magyarországi tudás-intenzív céget tartalmazza, az adatok december 31-ére vonatkoznak. A KSH adatbázisában a cégek ) a fejezetben kifejtett módon osztályozhatóak a vizsgálatunk három dimenziójában. A földrajzi dimenziót a 168 magyar kistérség jelenti, az adatokat LAU 1-es szinten gyűjtöttük, minden céget a székhelye szerinti kistérséghez soroltunk. A kistérségi adatgyűjtés az információk megyei szintű aggregálását tette lehetővé, a szinergiákat megyei szinten tudjuk kimutatni. Egyedül Budapest és a Közép Magyarországi régió (KMR) okoz nehézséget, hiszen Budapest LAU 1-es és LAU 2- es régióként szerepel a statisztikákban, miközben kiemelkedik a térségből, a KMR pedig egyszerre jelent NUT 2-es és NUTS 3-as kategóriát. 1. táblázat: High-tech-, medium-tech vállalkozások és tudás-intenzív szolgáltatások High-tech feldolgozóipar 30 Iroda-, számítógépgyártás 32 Híradás-technikai termék, készülék gyártása 33 Műszergyártás Medium-high-tech feldolgozóipar 24 Vegyianyag, termék gyártása 29 Gép, berendezés gyártása. 31 Máshova nem sorolt villamos gép gyártása 34 Közúti jármű gyártása 35 Egyéb jármű gyártása Tudás-intenzív szolgáltatások 61 Vízi szállítás 62 Légi szállítás 64 Posta, távközlés 65 Pénzügyi közvetítés 66 Biztosítás, nyugdíjalap 67 Pénzügyi kiegészítő tevékenység 70 Ingatlanügyletek 71 Kölcsönzés 72 Számítástechnikai tevékenység 73 Kutatás-fejlesztés 74 Egyéb gazdasági szolgáltatás 80 Oktatás 85 Egészségügyi, szociális ellátás 92 Szórakoztatás, kultúra, sport A 64-es, 72-es és 73-as szektorok high-tech tudás-intenzív szolgáltatásoknak minősülnek. Forrás: OECD, 2001 A technológiai dimenzió becslése a gazdasági ágazatok TEÁOR kategóriája szerint történt az OECD, Eurostat gyakorlata alapján, a hasonló holland és német 7

8 tanulmányok módszerét követve. Mivel a gazdaság különböző szektorai várhatóan különböző technológiai fejlettségűek, más technológiákat használnak, az iparági osztályozás becslésként használható a technológia dimenzióban. Az OECD (2001, 137. o.) a szektorokat tudás-intenzivitásuk szerint definiálta (1. táblázat). Mindegyik céget az első számú tevékenysége alapján soroltuk a két-számjegyű kategóriák valamelyikébe. A szervezeti dimenzióban a vállalkozásokat méretük szerint Osztályoztuk, és az alkalmazottak száma volt az osztályozási ismérv. A holland tanulmányhoz hasonlóan a magyar adatbázis is tartalmazza az alkalmazottal nem rendelkező vagy ön-alkalmazó cégeket. Ez a kategória tartalmazza, több más cégen kívül, a spin-off vállalkozásokat is, amelyek már a piacon vannak, de a tulajdonosuk még máshol áll alkalmazásban, ezért a vizsgálatunkba ezt a kategóriát is bevontuk (2. táblázat). 2. Táblázat: a high-tech-, medium-tech- és tudás-intenzív vállalkozások megoszlása létszám-kategóriák szerint Létszámkategória A vizsgálatba bevont vállalkozások száma Regisztrált vállalkozások száma 0 vagy ismeretlen vagy több Összesen Forrás: KSH, Statisztikai évkönyv 2005 A holland, német és magyar tanulmányok közötti legnagyobb különbség adatgyűjtésben volt: ez a tanulmány csak a high-tech, medium-tech és tudás-intenzív vállalkozásokat vizsgálja, míg a holland és német tanulmány az összes vállalkozás vizsgálatából indult. Érdekes, hogy a magyar cégek nagyon nagy aránya esik ezekbe a magas hozzáadott értéket jelentő kategóriákba (53.7%). Az adatfelvétel különbségei miatt a tanulmányok néhány eredményét nem tudunk összehasonlítani. Módszer A magyar vizsgálatban az előző két tanulmány módszertanát követtük, a hazai cégek megoszlásában mért háromdimenziós entrópia közös információját mértük. Az entrópia használata két diszciplínára vezethető vissza: termodinamikai és információ-elméleti gyökerei vannak. A mutató hagyományosan a termodinamikából ered, egy rendszer rendezetlenségét s ezáltal a rendszer energiaszintjét méri (Georgescu-Roegen, 2002). A közgazdaságtanban való használatára az ökológiai közgazdaságtanban (Pataki, 2002) vagy akár a jövedelemegyenlőtlenségek számszerűsítésében (Tóth, 2003) egyaránt találunk példákat. Az entrópia területi jellegű mutatóként is gyakran megjelenik: az evolucionista gazdaságföldrajzban egy területi egység export-tevékenységének diverzitását mérik vele (Boschma és Iammarino, 2007), sőt, az entrópia a területi egyenlőtlenségek egyik alapvető mutatója (Nemes-Nagy, 2005). A tanulmányunkban a mutató másik alap- 8

9 értelmezését használjuk: az információ-elméletben az entrópia egy rendszerből kinyerhető információ-mennyiség matematikai megragadását teszi lehetővé, egy valószínűségi megoszlás vagy egy rendszer bizonytalanságának mérőszáma (Johnston et al, 2000). A Shannon (1948) formula szerint az entrópia az x változó megoszlásának bizonytalansága ( x p x ), amit a H x = x p x log 2 p x formulával fejezhetünk ki. Hasonlóképpen H xy jelenti a két-dimenziós x és y valószínűségi megoszlásának bizonytalanságát (H xy = x y p xy log 2 p xy ). Két dimenzió esetén a bizonytalanságot csökkenti a két egymással kapcsolatban lévő dimenzió entrópiájának közös információja (vagy a két dimenzió áttétele transmission), amit T xy -ként jelölünk: Txy = (Hx + Hy) Hxy (1) Abban az esetben, amikor x és y megoszlása teljesen független egymástól, a T xy = 0 és H xy = H x + H y. Minden más esetben T xy > 0, ezért H xy < H x + H y (Theil, 1972, 59. o.). Azt mondhatjuk, hogy két kapcsolódó rendszer a közös információjuk (T xy ) mértékével határozza meg egymást, illetve egymást a fennmaradó bizonytalanság mértékével (H x y és H y x ) kondicionálják. Abramson (1963, 129. oldal) a Shannon formulából levezette a három dimenzióban érvényesülő közös információt: T xyz = H x + H y + H z H xy H xz H yz + H xyz (2) A háromdimenziós megoszlásban lévő kétoldalú kapcsolatok csökkentik a bizonytalanságot, a háromoldalú tag (H xyz ) viszont visszahat erre a csökkenésre, és növeli a bizonytalanságot. Az adataink a magyarországi high- és medium tech cégek, és tudás-intenzív szolgáltatások háromdimenziós megoszlására vonatkoznak. A vizsgált három dimenzió a földrajzi, technológiai és szervezeti dimenziók, a három dimenzió közös információját T GTO -val jelöljük: T gto = H g + H t + H o H gt H go H to + H gto (3) A T GTO értéke a három dimenzió összekapcsolódását méri. Ha a formulát egy hálózatra próbáljuk értelmezni, azt látjuk, hogy a bizonytalanság csökkenése nem csak a hálózati elemeknek és kapcsolódásoknak tudható be. A három- vagy többoldalú kapcsolatok szintén meghatározóak a hálózatban, a rendszer felépítése a közös információ alakulásában döntő lehet. A mutató értéke azt jelzi, hogy csökken-e a rendszer bizonytalansága, ha a változójának ismérvei három dimenzióban is rendelkezésre állnak. Minél nagyobb abszolút értékű negatív értéket mutat, annál erősebben határozza meg egymást a három dimenzió, nagyobb mértékben csökken a rendszer bizonytalansága, illetve annál erősebbek a regionális innovációs rendszeren belüli szinergiák. Az indikátor nem méri a rendszer innovációs aktivitását vagy a gazdasági teljesítményt. Az innovációs teljesítmény feltételéül szolgáló szerkezeti körülményeket méri, és várakozásokat, valószínűséget fejez ki. 9

10 Az entrópia pozitív tulajdonságainak egyike, hogy az eredmények teljesen szétbonthatóak az információs-tagokra (dekompozíció), amely alapján feltárhatók a magyar gazdaság tudásalapon való szerveződésének összefüggései. Mivel kettesalapú logaritmussal számoltunk, az értékeink információs bit-ekben vannak kifejezve. Fontos megjegyeznünk, hogy az eredményeink formalizált (valószínűségi) értékek, így függetlenek számos empirikus vizsgálat méret és egyéb problémáitól. 4. Eredmények Az adataink lehetővé tették a megyei szintű elemzést, és meg tudtuk különböztetni a high-tech és medium tech iparágak és tudás-intenzív szolgáltatások tudásbázisra gyakorolt hatását. A 3. táblázatban a három dimenzió (földrajzi, technológiai és szervezeti) valószínűségi entrópiái találhatók Magyarország egészére és megyéire lebontva. A megyék természetesen különböznek a vizsgálatban szereplő cégek számában és kistérségeik száma is eltérő. Míg Nógrád megyében 8722 cég volt high-tech, medium tech vagy tudás-intenzív, addig Budapesten ilyen céget találtunk, Pest megyében pedig t. A megyékben található átlagos cégszám (Budapest kivételével) táblázat: A három dimenzió megoszlásának és azok kombinációinak várható információtartalma (bit) Kistérségek száma Megyék H g H t H o H gt H go H to H gto N Magyarország , Budapest ,165 1 Baranya ,308 9 Bács-Kiskun , Békés ,003 8 Borsod-A.-Z , Csongrád ,122 7 Fejér , Gyor-M.-S ,177 7 Hajdú-Bihar ,624 9 Heves ,095 7 Komárom-E ,760 7 Nógrád ,722 6 Pest , Somogy , Szabolcs-Sz.- B , Jász-N.-Sz ,513 7 Tolna ,344 5 Vas ,490 9 Veszprém ,533 9 Zala ,

11 Mivel az adatok kistérségi szinten álltak rendelkezésre, az első oszlop a megyéken belüli területi megoszlás bizonytalanságát jelöli, más szóval a gazdasági tevékenységek koncentrációját. Budapest speciális helyzetben van, kerületi szintű adataink nincsenek, így nem tudunk Budapesten belüli bizonytalanságot kimutatni. A 15 kistérséget tartalmazó Pest megyében mérhető a legnagyobb értéke ennek az indikátornak, a 3,54 bit a maximális entrópia 90,7%-át teszi ki (maximális entrópia log 2 (15) = 3.91). Ezt a magas értéket a tudás-alapú gazdasági aktivitás budapesti agglomerációban szétszórt jellegének tudhatjuk be. A többi sok kistérséggel bíró megyében magasabb a koncentráció foka. Például Borsod-Abaúj-Zemplén megyében a cégek eloszlásának bizonytalansága a maximális entrópia 62,7%-a. Az erős egyetemekkel rendelkező megyék szintén centralizáltak, ezekben az esetekben a valószínűségi entrópia a maximális entrópia alacsonyabb értékét teszi ki: Csongrád 62,5%, Baranya 54,2%, Hajdú-Bihar 59%, Győr-Moson-Sopron 66,2%. A technológiai és szervezeti dimenziókban a várható entrópia (H t és H o ) a nemzeti rendszer szintjén 61,1% és 44,9%. Mindkét érték nagyon szűk megoszlásra utal 1. A megyei szintű entrópia-értékek viszonylag alacsony változatosságot mutatnak, a megyék nem különböznek a szervezeti és technológiai diverzitásukat tekintve. A két dimenzióban mért H értékek az ország szintjén a megyei értékek átlagos szórásába esnek: H t = ± és H o = ± A várható entrópia alacsony értéke aszimmetrikus eloszlást mutat a szervezeti dimenzióban. Ennek lehetséges magyarázata az alkalmazott nélküli vagy önfoglalkoztató cégek nagy aránya az adatbázisunkban. Érdekes, hogy a magyar alkalmazott nélküli cégek 75 %-a a high- és mediumtech, illetve a tudás-intenzív iparágakba sorolt. A vizsgálatunkban szereplő cégek a szervezeti kategóriák szerint az alábbi arányban képviselik a teljes gazdaságot: 1-9 alkalmazott 46%, alkalmazott 29%, alkalmazott 45%, alkalmazott 77%, 250 főnél több 62%. Az eloszlás nagyon egyenlőtlen, például az alkalmazott nélküli ingatlan-szektorban (TEÁOR 70) működő cég az összes vizsgálatban szereplő cég 21,2%-a. Az egyéb üzleti szolgáltatást (TEÁOR 74) végző mikro vállalkozások hasonló súlyúak: cég (23,7%). A földrajzi és technológiai (H gt ), illetve a földrajzi és szervezeti (H go ) dimenziók kombinálásával a kétdimenziós megoszlások entrópiája viszonylag alacsony a nagy egyetemekkel rendelkező megyékben (Baranya, Csongrád, Győr-Moson-Sopron, Hajdú-Bihar). Pest megye ez esetben is kivételnek számít: több centruma van, több felsőoktatási intézménnyel, jobban szerteágazó gazdasággal. Közös információ A 4. táblázat a kétdimenziós entrópiák közös információjának országos és megyei értékeit tartalmazza (T). Ezek az értékek a 3. táblázat valószínűségi entrópiaértékeiből az 1. egyenlet alapján számolhatók ki. Az országos szintű értékek az első sorban találhatók. A cégek földrajzi és technológiai megoszlásának (T gt = 41,0 1 A magyar vizsgálatban csak a vizsgált 22 iparági szektorból gyűjtöttünk adatokat (a holland és német tanulmánynál minden ágazatot figyelembe vettek kezdetben). Így ebben a tanulmányban a valószínűségi entrópia csak a high-tech, medium-tech és tudás-intenzív szolgáltatások megoszlást jelöli, a maximum entrópia a technológiai dimenzióban log 2 (22) = 4.459, a szervezeti dimenzióban log 2 (6) =

12 millibit) és a földrajzi-méretének megoszlások (T go = 15,2 millibit) közös információja nagyságrendileg egymást megközelíti, ugyanakkor a technológiai és szervezeti dimenziók közös információja egy nagyságrenddel nagyobb értéket mutat (T to = 174,4 millibit). 4. táblázat: Közös információ (millibit) a vizsgált dimenziópárokban megyei szinten T gt T go T to Magyarország Budapest Baranya Bács-Kiskun Békés Borsod-Abaúj-Zemplén Csongrád Fejér Gyor-Moson-Sopron Hajdú-Bihar Heves Komárom-Esztergom Nógrád Pest Somogy Szabolcs-Szatmár-Bereg Jász-Nagykun-Szolnok Tolna Vas Veszprém Zala Az entrópia 3. fejezetben bemutatott tulajdonságai miatt a T GT és T GO mutatók a tudás-intenzív gazdasági tevékenység klaszter-szerveződésének megragadására használhatók, ezt azonban a tanulmány keretei miatt nem áll módunkban kifejteni. A T TO mutató a gazdaság technológiai fejlettsége és a cégek méretbeli megoszlásának közös információja, mely Leydesdorff et al. (2006) feltételezései szerint a lokális gazdaság fejlettségére utal. A mutató Békésben mért viszonylag alacsony értéke a megye kevésbé fejlett technikai-gazdasági szintjét jelöli. Ugyanakkor a mutató legmagasabb értékét Nógrád megyében veszi fel, amiről hasonlóan alacsony fejlettségi szintet várhatnánk, míg Budapest és Pest megye szintén alacsony értékekkel szerepel. A területi összehasonlításhoz elkerülhetetlen a megoszlások közös információjának a vizsgálatban szereplő elemszámmal történő területi normalizálása. Valószínű, hogy a tudás-intenzív cégek rendkívül alacsony száma torzítja el a Nógrád megyei értéket. A normalizálást a háromdimenziós megoszlás vizsgálatánál végeztük el. A közös információ földrajzi bontása Az 5. táblázat a közös információ három dimenzióban mért értékeit tartalmazza (T GTO ). A holland és német tanulmány tanulságai alapján azt várhatjuk, hogy a három dimenzió közös információja és az innovációs rendszeren belüli szinergiák között inverz kapcsolat van. Mindegyik magyar megyében negatívak az 12

13 értékek, azaz a megyék az innovációs rendszer releváns szintjei, a megyei szinten érvényesülő szinergiák elősegítik a tudás-alapon való szerveződést. 5. táblázat: A háromdimenziós megoszlások entrópiájának közös információja a megyékre lebontva (millibit) T tgo (mbit) Cégek száma Magyarország ,290 T (mbit) Budapest ,165 Baranya ,308 Bács-Kiskun ,158 Békés ,003 Borsod-Abaúj-Zemplén ,174 Csongrád ,122 Fejér ,075 Gyor-Moson-Sopron ,177 Hajdú-Bihar ,624 Heves ,095 Komárom-Esztergom ,760 Nógrád ,722 Pest ,342 Somogy ,680 Szabolcs-Szatmár-Bereg ,422 Jász-Nagykun-Szolnok ,513 Tolna ,344 Vas ,490 Veszprém ,533 Zala ,538 Össz T A T GTO értékei már magában foglalják a földrajzi megoszlást. Mivel a kistérségek száma eltér a megyékben, ezért nem lehet az értékeket közvetlenül összehasonlítani. Mindenesetre említésre méltó, hogy Magyarország egészére mért T tgo (abszolút-)érték kisebb, mint bármelyik megyében. Annak érdekében, hogy a megyéket össze tudjuk hasonlítani, a T TGO értékeit súlyoznunk kell a vizsgálatban szereplő cégek számával (Theil, 1972): T = T 0 + i n i /N T i (4) A táblázat második oszlopában szereplő T számok a háromdimenziós entrópia közös információjának normalizált értékeit mutatják. Az oszlopot úgy értelmezhetjük, hogy a nagyobb abszolút értékű negatív érték a tudás-alapú gazdaság funkcióinak magasabb-rendű szinergiájára utal. Másképpen: a közös információ negatív értéke a megoszlások entrópiájának, a tudás-alapú szerveződés bizonytalanságának csökkenését jelöli. A csoportok közötti entrópia (T 0 ) a kijelölt csoportok entrópiájának és az összeállított minta entrópiájának különbsége (Leydesdorff et al, 2006). Ebben az 13

14 esetben a T 0 a megyék közötti entrópia hozzájárulását jelenti a teljes megoszlás entrópiájában való csökkenéshez vagy növekedéshez. A T 0 negatív értéke azt jelentené, hogy a megyék közötti megoszlás entrópiája csökken, ha nemzeti szinten aggregáljuk a cégek háromdimenziós megoszlását. Azaz a nemzeti szint a rendszer szinergiáját segíti elő, míg a pozitív érték azt jelenti, hogy a gazdaság tudás-alapú szerveződése inkább regionális, mint nemzeti szintű szinergiák eredménye. A T 0 magas pozitív értéke azt mutatja, hogy Magyarország nemzeti szinten nem alkot szinergikus innovációs rendszert. A korábbi hasonló tanulmányok szerint T 0 értékei negatívak voltak Hollandiában és a német tartományok (Länder) szintjén, de pozitív értéket láttunk Németország egészére. Németországban nem várhatunk nemzeti szintű szinergiákat, hiszen az nagy területi különbségekkel rendelkező föderális állam, ahol a keleti területek szintén átmeneten mentek keresztül. A magyar eredmények ugyanakkor nemcsak az indikátor előjelét tekintve lepnek meg minket, a T 0 pozitív értéke kiemeli a gazdaság átmeneti jellegét. Drámai, hogy a megyék közti bizonytalansághoz való hozzájárulás (T 0 = mbit) sokkal magasabb, mint a megyei szinten megjelenő bizonytalanság-csökkenés bármelyik értéke. 2. Ábra: A háromdimenziós közös információ a magyar megyékben T (millibit) A magyar gazdaság tudás-alapú szerveződésének szinergiái Budapesten a legerősebbek ( T = 9.63 mbit), a Pest megyében ( 3.39 mbit), és Borsod-Abaúj- Zemplén megyében ( 2.39 mbit) mért kölcsönhatások kiemelkedők. Az eredményeink azt sugallják, hogy a régiók közti nagy különbségek a tudás-alapú gazdaság funkcióinak szinergiáját tekintve is megmutatkoznak: a budapesti agglomeráció az ország gazdaságának kimagasló központja. A Közép-magyarországi régió erős pozíciója mellett az is látható a 2. ábrán, hogy a közös információ mutatói a Dunántúlon erős Észak-Dél törést mutatnak. Ez összhangban van azzal a képpel, ami a gazdaság fejlettségének területi egyenlőtlenségeiről kialakult a magyar irodalomban (Lengyel I., 2003; Rechnitzer et 14

15 al, 2004). Az ország keleti felén kapott eredményeinket tekintve már nem tapasztalunk ilyen összecsengést. Például a Borsod-Abaúj-Zemplén megyében nem várnánk a tudás-alapú funkciók magas integrációs szintjét. Szintén meglepő, hogy Csongrád megye közös információja alacsonyabb, mint a Békés megyei mutató stb. Az eredményeink tovább bontásánál olyan korábbi munkák tapasztalataira hivatkozunk, melyek egyrészt a külföldi működőtőke szerepét vizsgálták a hazai gazdaság technológiai fejlettségének alakításában, másrészt a hazai egyetemek és közfinanszírozású kutatóhelyek K+F szektoron belüli súlyát és gazdaságra gyakorolt hatását elemezték. Meggyőződésünk, hogy a hazai innovációs rendszerek szinergiái az irodalom e két irányával értelmezhetők. A multinacionális cégek főként Budapesten és az észak-nyugati megyékben hozták létre telephelyeiket. Az eddig vizsgálatok azt sugallják, hogy ezeken a területeken a rendszerváltás óta erős endogén tudásbázis fejlődött ki (Antalóczy és Sass, 2005; Inzelt, 2003; Szalavetz, 2004; Török és Petz, 1999). Mi kicsit másképp közelítjük ezeket a folyamatokat. Lehetséges, hogy a külföldi-tulajdonban lévő vállalatok megváltoztatták az egyetem- gazdaság- kormányzat kapcsolatok mintázatát, amiben a helyi medium-tech vállalatok bírnának vezető szereppel a rendszer integrálásában? Azt gondoljuk, hogy a budapesti metropolisz kivételével a külföldi tőke elszakította a tudás-alapú szerveződést annak földrajzi gyökereitől. Így egészen más trendek érvényesülnek, mint Hollandiában vagy Nyugat-Németországban, ezek a rendszerek nem estek át a magyar átmenethez hasonló időszakon. Jelentheti ez a földrajzi elszakítás azt, hogy a nyugati területek jobban integrálódtak az EU-ba vagy a szomszédos országok rendszereibe, mint a nemzeti rendszerbe? Korábbi empirikus kutatások tapasztalataiból hasonló következtetésekre juthatunk: Inzelt (2003, 256. o.) megmutatta, hogy az ausztriából érkező külföldi tőkeberuházások az észak-nyugati megyékben koncentrálódnak, Borsi és társai (2007) pedig rámutattak, hogy ezekkel a területekkel Bécs regionális innovációs stratégiájában is számolnak. Magyarország keleti és déli területeit és azok tudás-alapú szerveződését kevésbé érintette az átmenet, így ott a folyamatok jobban helyhez kötöttek. 5. Az eredmények szektorális bontása Az eredmények high-tech, medium-tech és tudás-intenzív szolgáltatások szerinti szektorális bontásával relatív hatásokat fejezhetünk ki. Azt tudjuk megmutatni, hogy a kiválasztott szektorok milyen irányba (növelik vagy csökkentik) és milyen arányban hatnak a három dimenzió közös információjára. A tanulmány további részében az OECD és az Eurostat kategóriáit (lásd 1. táblázat) használjuk az al-kategóriák kialakításakor, az így kapott eredményeket a teljes adatbázis eredményeivel hasonlítjuk össze. A magasabb abszolút-értékű negatív eredmény azt mutatja, hogy az al-kategória entrópiája csökkent, ami a gazdaság erősebb tudás-alapú szerveződésének tudható be. A gazdaság átmeneti jellegét kidomborítva a high-tech és medium-tech szektorokban mutatkozó szinergiák alakulásában kiemeljük a külföldi érdekeltségű 15

16 vállalatok szerepét. A tudás-intenzív szolgáltatások szinergiáinak elemzésénél a kutatás-fejlesztés, különös tekintettel az állami finanszírozású K+F, hatását vizsgáljuk. High-tech és medium-tech szektorok A külföldi tulajdonban lévő vállalatok telephely-választási motivációi között a 90-es években főleg az alacsony munkabérek, a jó elérhetőség, a privatizáció nyújtotta lehetőségek szerepeltek (főként az energia-, bank- és feldolgozóipari szektorokban) (Barta, 2002). Ugyanakkor Budapest és agglomerációja egyre vonzóbbnak bizonyul a multinacionális vállalatok K+F tevékenysége számára (Barta et al, 2007, Inzelt, 2003); a külföldi vállalkozások által K+F-re fordított összegek 1995 és 2003 között Magyarországon nőttek a legnagyobb mértékben (UNCTAD, 2005, p. 127). A nagy külföldi vállalatok feldolgozóipari K+F-je a teljes összeg 40 százalékát (Eurostat, 2005), a külföldi vállalatok K+F ráfordítása a teljes üzleti K+F ráfordítások 80 százalékát adták (EC, 2005). A külföldi-tulajdonban lévő vállalatok meghatározó szerepét figyelembe véve azt várhatjuk, hogy a magyar tudás-alapú gazdaság szinergiáit igen nagymértékben befolyásolja a külföldön teremtett tudás. Hazánkban a Nyugat-európai rendszerekhez képest jobban előtérbe kerülnek a tudás-teremtés és tudás-alkalmazás közötti különbségek (Lengyel I., 2003), amelyek a high- és medium-tech iparágakat elválasztják a tudás-intenzív szolgáltatásoktól. Míg a high- és medium-tech iparágakat inkább tudásteremtőnek tartják, addig a tudás-intenzív szolgáltatások inkább alkalmazzák a tudást (OECD, 2001). Magyarország, mint átmeneti ország a külföldön teremtett tudástól és technikától függ, valószínűleg több az országba irányuló-, mint az országból történő tudástranszfer (Szalavetz, 2004). A tanulmány első hipotézise a high-tech és medium-tech szektorokban tapasztalt szinergiák összehasonlítását igényelné. Sajnos azonban ellentmondásos adatokat találhatunk például a magyar high-tech és medium-tech szektorok vállalati K+F ráfordításairól (BERD) (a dokumentumok ugyanazokat a definíciókat használják, ugyanarra az időszakra). Az egyik dokumentumban a high-tech szektor K+F-je a teljes BERD 65 %-át teszi ki (EC, 2005, 40. o.), a másikban ez az arány csak 16 % (Eurostat, 2006, 6. o.). Ugyanakkor az adatok hasonlóak, ha a két szektort összevontan kezeljük. Az ellentmondások miatt a tanulmányban megelégedtünk a két szektor összevont elemzésével, s elismerjük, hogy így az első hipotézist nem tudjuk tesztelni. A gazdaság tudás-alapon való szerveződését, az innovációs rendszerek szinergiáit meghatározó mértékben alakítják a high-tech és medium-tech vállalatok. A high- és medium tech iparágakban a cégek száma szinte elenyésző a teljes mintánkhoz képest, viszont a két szektor hatása az innovációs rendszerek szinergiájára hatalmas (6. táblázat). Ez a kis csoport néhány megyében a high- és medium-tech szektorokban mért entrópia-csökkenést több mint 10-szeres mértékben magyarázza. A 6. táblázat 4. oszlobában találjuk a high- és medium-tech szektorokban mért háromdimenziós közös információ értékeit. A szinergiák erősségét tekintve Budapest és Pest megye kiemelkedő, a fővárosi agglomerációt Fejér, Komárom-Esztergom, Borsod-Abaúj-Zemplén, Győr-Moson-Sopron és Bács- 16

17 Kiskun megyék követik. Az innovációs rendszerek high- és medium-tech szektorokban való szinergiái a Dél-Dunántúlon és a Dél-Alföldön a leggyengébbek. 6. Táblázat: A high- és medium-high tech feldolgozóipar vs. tudás-intenzív szolgáltatások és hatásaik a három dimenzió közös információjára Tudásintenzív szolgáltatás (millibit) Tudásintenzív arány (%) High- és medium-high tech (millibit) Entrópiára való hatás (%) High- és mediumtech elemszám (db) High- és mediumtech arány (%) Magyarország , Budapest , Baranya Bács-Kiskun Békés Borsod-A.-Z Csongrád Fejér Gyor-M.-S Hajdú-Bihar Heves Komárom-E Nógrád Pest , Somogy Szabolcs-Sz.-B Jász-N.-Sz Tolna Vas Veszprém Zala A high- és medium-tech szektorok közös információjának területi ábrázolása kicsit változtat csak a teljes mintánkból kapott, a 4. fejezetben bemutatott képen (3. ábra). Jobban kirajzolódik a közép- és nyugat-dunántúli területek fejlettsége, a budapesti agglomeráció hatása. Felfedezhetjük, hogy az ország keleti részén is Észak-Dél tengely kialakulását mutatják a közös információ megyei értékei. A háromdimenziós entrópia elemekre bontását kihasználva meg tudjuk határozni a high- és medium-tech szektorok egész rendszerre való bizonytalanságcsökkentő hatását (6. táblázat 5. oszlopa). Hogy ezt meghatározzuk, a high- és medium-tech közös információnak a teljes készlet közös információjában való részarányát kell kiszámolni 2. A high- és medium-tech vállalatok nem Budapesten, hanem Fejér, Komárom-Esztergom, Pest, Jász-Nagykun-Szolnok, és Vas megyékben fejtik ki a legerősebb hatást az innovációs rendszer szinergiáira. Ezekről 2 (High-medium-tech T Teljes T) / Teljes T

18 a megyékről mondhatjuk el, hogy a tudás-alapú gazdaságuk szerveződését a hightech és medium-tech vállalatok vezérlik. 3. Ábra: A high- and medium-tech iparágakban mért közös információ a magyar megyékben A magyar gazdaságban a jegyzett tőke több mint fele külföldi tulajdonban lévő cégekben és társaságokban jelenik meg (Kállay és Lengyel I., 2007). A nemzetközi tőkével bíró cégek aránya a kisvállalatok között jelentős (legalább %), míg a közép- és nagyvállalatoknál az összes cég több mint fele. Sajnos nem állt módunkban külön dimenzióban kezelni a vállalatok tulajdonosi formáit, s így nem tudtuk a külföldi tulajdonban lévő cégek közös információra gyakorolt hatását a modellünk alapján számolni. Összekapcsoltuk viszont a high- és medium-tech szektorok entrópia-csökkentő hatásának mérőszámait a külföldi tulajdonban lévő vállalatokban jegyzett külföldi tőke megyei értékeivel. A külföldi jegyzett tőke és a közös információra való hatás közötti korreláció -0,126, az eredmény Budapest mintából való kivételével 0,53-ra módosul, egészen más tendenciák érvényesülnek a fővárosban és vidéken. Azt láthatjuk tehát, hogy közepesen erős pozitív kapcsolat van a külföldi tőke és a high-medium-tech szektorok szinergiákat alakító szerepe között. Valószínű, hogy a külföldi vállalatok növekedésével nő a high-tech és medium-tech vállalatok tudás-alapú szervező ereje (4. ábra). Négy megyében jegyeztek 400 milliárd Ft-nál több külföldi tőkét 2005-ben, s ezekben a megyékben Pest, Komárom-Esztergom, Győr-Moson-Sopron és Fejér megyék egyaránt kiemelkedő a high-medium-tech szektorok szerepe a tudás-alapú szerveződésben. Érdekes megfigyelni, hogy a többi megyében mért alacsony külföldi jegyzett tőke egészen eltérő mértékű szinergikus hatásokhoz kapcsolódik. 18

19 4. Ábra: A külföldi vállalatokban jegyzett külföldi tőke és a high- és medium-tech szektorok hatása a tudás-alapú szerveződésre Jász-N-Sz Komárom-E Fejér Pest high- és medium tech iparágak hozzájárulása a szinergiákhoz (%) Vas Nógrád Veszprém Heves Bács- Kiskun Tolna Zala Hajdú-Bihar Borsod-A-Z Győr-M-S Szabolcs-Sz 400 Békés Baranya 200 Somogy Csongrád külföldi vállalatok külföldi tőkéje (Mrd Ft) Forrás: saját szerkesztés a KSH (2005) adatai és a kutatás eredményei alapján A külföldi tulajdonban lévő vállalatokról kevesek az ismereteink. Csak valószínűsíteni tudjuk, hogy a multinacionális vállalatok telephelyeinek köszönhető a high- és medium-tech szektorok tudásalapú szerveződésre gyakorolt Fejér-, Komárom-Esztergom-, Győr-Moson-Sopron és Pest megyében tapasztalt nagy hatása. Ezek lehetnek azok a területek, ahol a külföldi vállalatok K+F ráfordításai 1995 és 2003 között nagymértékben nőttek. Azt gondolhatjuk, hogy a hozzáadott érték növekedése és a beszállítói hálózatok fejlődése okozza ezt a pozitív hatást. Nem feledkezhetünk meg azonban arról, hogy kevés számú nagyvállalatról van szó, amelyek székhelyüket gyorsan tudják változtatni, csakúgy a jegyzett tőkéjük gyorsan változhat. Tudás-intenzív szolgáltatások A hazai tudás-intenzív szolgáltatások közös információra való hatását a holland és német eredményekkel összevetve azt mondhatjuk, hogy a tapasztalataink hasonlóak. A magyar tudás-intenzív szektor is negatív hatással van a regionális innovációs rendszerek belső szinergiáira. Ezek a szolgáltatások nem a regionális rendszerek határain belül szervezik a tudás-alapú gazdaság funkcióit, hanem azokon gyakran túllépnek, a szolgáltatások akár nagy távolságról is könnyen nyújthatók. A negatív hatás hazánkban kevésbé erőteljes, ez valószínűleg a teljes mintában betöltött nagy aránynak köszönhető: a cégek 97,1%-a ebben a kategóriában található (7. táblázat). 19

20 7. Táblázat: A high-tech szolgáltatások tudás-bázisra gyakorolt Tudásintenzív szolgáltatások (mbit) Entrópiára való hatás (%) Tudásintenzív elemszáma High-tech szolgáltatások (mbit) Entrópiára való hatás (%) High-tech szolgáltatások elemszáma Magyarország , ,415 Budapest , ,491 Baranya , ,325 Bács-Kiskun , ,075 Békés , Borsod-A.-Z , ,387 Csongrád , ,383 Fejér , ,211 Gyor-M.-S , ,195 Hajdú-Bihar , ,225 Heves , Komárom-E , Nógrád , Pest , ,019 Somogy , Szabolcs-Sz.- B , Jász-N.-Sz , Tolna , Vas , Veszprém , Zala , A high-tech tudás-intenzív szolgáltatások csak kis szeletét alkotják a tudásintenzív szolgáltatások teljes körének. A kutatás-fejlesztés, számítástechnikai szolgáltatások valamint a posta- és távközlés tartoznak ide. Feltételezhetjük a hightech szolgáltatások, high- és medium-tech szektorokhoz hasonló, tudásteremtő jellegét, míg a többi szolgáltatásnál a technológiához kapcsolódó tudást inkább csak alkalmazzák. Ugyanakkor a közös információ viszonylagos csökkenését tapasztaljuk a teljes szolgáltatások készletét a high-tech készletre szűkítve. Felmerülhet a kérdés, mennyiben tekinthető például a hazai posta és távközlés high-tech szolgáltatásnak. A vizsgálat adatai szerint a posta és telekommunikáció, illetve a számítástechnikai szolgátatások területileg jóval elterjedtebbek Magyarországon, mint a K+F tevékenység, amely természet-szerűleg nagyon koncentrált. Például a hét 250 főnél többet foglalkoztató K+F helyből öt található Budapesten, kettő Szegeden. Ebben az értelemben a posta és távközlés, a számítástechnikai szolgáltatások, illetve a K+F a tudás-alapú gazdaság funkcióira másként hatnak. Az előbbiek inkább elszakítják azokat a lokális környezettől, az utóbbiak a pedig erősen kötik a K+F helyeket a lokális rendszerekhez. 20