خلاصه
مدل سازی ماهیت پیچیده ایجاد دانش منطقه ای در دستور کار تحقیقاتی قرار دارد. این به شناسایی محرکهای ایجاد دانش منطقه‌ای از انواع مختلف، از جمله شبکه‌های بین منطقه‌ای و عوامل تجمع، و همچنین تعامل آنها می‌پردازد. به عنوان مثال، آنها از چه طریقی بر ایجاد دانش منطقه ای و بر این اساس، قابلیت های نوآوری – در کوتاه مدت و بلندمدت تأثیر می گذارند. با تکمیل یک خط طولانی از سنت – ایجاد ارتباط بین شاخص‌های ورودی دانش منطقه‌ای و خروجی دانش در چارچوب رگرسیون – ما یک مدل شبیه‌سازی مبتنی بر عامل مبتنی بر تجربی را پیشنهاد می‌کنیم که قصد دارد ماهیت پیچیده فرآیند ایجاد دانش چند منطقه‌ای را برای اروپا تقریب دهد. مناطق به طور خاص، ما ویژگی های داخلی منطقه را در نظر می گیریم، و تعبیه خاصی در سیستم پیوندهای همکاری تحقیق و توسعه منطقه-داخلی و منطقه-خارجی. با اولین کاربردهای نمونه، پتانسیل مدل را از نظر استحکام و نزدیکی تجربی نشان می‌دهیم. این مدل امکان تکرار پدیده ها و مسائل علمی فعلی مورد علاقه در حوزه جغرافیای نوآوری را فراهم می کند و از این رو، پتانسیل خود را برای پیشبرد بحث علمی در این زمینه در آینده نشان می دهد.
کلید واژه ها:
ایجاد دانش منطقه ای ؛ جغرافیای نوآوری ; شبکه های همکاری مدل سازی مبتنی بر عامل ; شبیه سازی فضایی اروپا
1. معرفی
درک و توضیح پیچیدگی‌های ایجاد دانش منطقه‌ای چالشی مداوم برای محققان تجربی در علوم منطقه‌ای است. به طور خاص، ادبیات مدت‌هاست که به توزیع فضایی ایجاد دانش و نوآوری مربوط می‌شود، و به این نتیجه رسیده است که این نوع فعالیت‌ها به طور مساوی در فضا توزیع نمی‌شوند، بلکه تمایل دارند که از نظر فضایی خوشه‌بندی شوند [1 ، 2 ] . از آنجایی که دانش در هر نقطه از فضا به راحتی قابل دسترسی نیست، مکان ایجاد دانش و همچنین فرآیندهای انتشار دانش، به یک نقطه مهم در درک توسعه و رشد منطقه ای تبدیل می شود [ 3 ، 4] .]. در این راستا، توجه به بررسی و مدلسازی فرآیندهای ایجاد دانش منطقه‌ای به عنوان یک تعامل بین (1) تعاملات دانش بومی‌شده جغرافیایی در منطقه، و (2) تعبیه منطقه در همکاری‌های R&D بین منطقه‌ای معطوف شده است. به عنوان مثال، [ 5 ])، به ویژه با استفاده از تعاملات دانش منطقه-داخلی و منطقه-خارجی در قالب همکاری های تحقیق و توسعه (برای یک نمای کلی به [ 6 ] مراجعه کنید).
مدلسازی خلق دانش منطقه‌ای از خط طولانی سنت تحقیقاتی پیروی می‌کند، که اغلب از چارچوب تابع تولید دانش (KPF) برای مدلسازی عوامل تعیین‌کننده ایجاد دانش و نوآوری منطقه‌ای استفاده می‌کند [7 ، 8 ، 9 ] . این مطالعات معمولاً تلاش می‌کنند تا ارتباط مستقیمی بین برخی از ورودی‌های دانش منطقه‌ای، مانند تحقیق و توسعه صنعتی و دانشگاهی، و خروجی‌های دانش اندازه‌گیری شده برحسب ثبت اختراع، نوآوری یا تعداد انتشار ایجاد کنند (به عنوان مثال، [7، 10 ، 11 ، 12 ] را ببینید . در این زمینه، نقش سرریز دانش [ 8 ، 13 ، 14 ]، مجاورت فضایی [15 ، 16 ، 17 ] و اشکال غیرمکانی مجاورت [ 18 ، 19 ، 20] در ایجاد دانش منطقه ای و نوآوری به طور گسترده مورد مطالعه قرار گرفته است. با این حال، همه این مطالعات در سطح کل منطقه ای انجام می شوند، و بر این اساس، ساختار خرد زیربنایی مناطق را در نظر نمی گیرند، به عنوان مثال با این فرض که هر سازمان منطقه ای به طور یکسان از سرریزهای دانش بین منطقه ای سود می برد. با این حال، تقریب و درک بهتر از پیچیدگی دنیای واقعی فرآیندهای ایجاد دانش منطقه‌ای نیازمند مدل‌هایی است که ناهمگونی جمعیت عامل، غیرخطی بودن تعاملات بین عامل‌ها و پیچیدگی محیط را در نظر بگیرند. در نظر گرفتن این جنبه ها امکان مشاهده پدیده های نوظهور مانند گرایش های تخصصی و تمرکز در ایجاد دانش منطقه ای را که توسط ساختار همکاری های تحقیق و توسعه هدایت می شود، می دهد.
مشارکت‌های اخیر در بحث ایجاد دانش با افزودن یک دیدگاه پویا با استفاده از تکنیک‌های شبیه‌سازی رایانه‌ای، به‌ویژه مدلسازی مبتنی بر عامل انجام شده است (ABM؛ مخفف ABM برای مدل‌های مبتنی بر عامل و مدلسازی مبتنی بر عامل به‌طور متوالی استفاده می‌شود). ، اما عمدتاً در سطح نظری و انتزاعی اجرا می شوند: به عنوان مثال، از منظر فضایی، مشارکت های نظری باتی [ 21 ] و کروکس و همکاران. [ 22 ] چارچوب‌های مدلسازی فضایی کلی را پیشنهاد می‌کند و چالش‌های کلیدی را در مدلسازی جغرافیایی-فضایی مطرح می‌کند ( برای نمای کلی به [ 23 ] مراجعه کنید)، در حالی که، Ausloos و همکاران. [ 24 ] در مورد شبیه سازی فعل و انفعالات فضایی در ABM بحث می کنند. از دیدگاه مفهومی، داوید [ 25]، و گیلبرت و همکاران. [ 26 ] به ترتیب نوآوری و تغییرات تکنولوژیکی و پویایی دانش در شبکه های نوآوری را هدف قرار می دهند. علاوه بر این، Vermeulen و Pyka [ 27 ] به توزیع فضایی دانش در تنظیم سیاست نوآوری منطقه ای می پردازند. در حالی که مدل‌های نظری به‌عنوان ابزاری برای تئوری‌سازی ساخته می‌شوند، اخیراً، چند مدل تجربی خلق دانش منطقه‌ای با هدف تحلیل سناریوهای دنیای واقعی انجام شده‌اند. وانگ و همکاران [ 28 ]، از یک مدل مبتنی بر عامل برای تجزیه و تحلیل انتشار فناوری ها در مناطق چین استفاده می کنند، در حالی که بکنباخ و همکاران. [ 29 ] یک شبیه‌سازی مبتنی بر عامل از پویایی‌های نوآوری منطقه‌ای شامل عواملی با دانش صریح و ضمنی ارائه می‌کند، و Paier و همکاران. [30 ] بر تکامل مشخصات فن‌آوری یک منطقه در زمینه تحلیل سیاست (در بخش بیوتکنولوژی وین) تمرکز کنید. با این حال، تا کنون، مطالعات شبیه‌سازی محدودی که این مسیر تحقیقاتی را دنبال می‌کنند، یا دارای ماهیت نظری و مفهومی هستند، فاقد پایه‌های تجربی و از این رو، قابلیت کاربرد در دنیای واقعی، به عنوان مثال، در زمینه سیاست نوآوری (منطقه‌ای) (به عنوان مثال، [27 ) ، 31 ])، تنها یک محدوده جغرافیایی و/یا بخشی محدود دارند (به عنوان مثال، [ 30 ، 32 ])، بی توجهی به مبانی نظری ایجاد دانش منطقه ای، و/یا به روشی کاملا محدود با تشکیل شبکه می پردازند (به عنوان مثال، [30، 32]). 33 و 34 ) و همچنین انتقال و انتشار دانش [28 ، 35 ، 36 ].
از این رو، ما یک مدل شبیه‌سازی مبتنی بر عامل تجربی برای ایجاد دانش منطقه‌ای در اروپا پیشنهاد می‌کنیم. در نظر دارد ماهیت پیچیده فرآیندهای ایجاد دانش منطقه‌ای چند وجهی را با در نظر گرفتن خاص (i) ویژگی‌های داخلی منطقه، (ب) ناهمگونی عامل در فرآیند ایجاد دانش، و (iii) یک تعبیه خاص در سیستم، تقریب بهتری نشان دهد. وابستگی های متقابل منطقه-داخلی و منطقه-خارجی در قالب پیوندهای همکاری تحقیق و توسعه. با این کار، ما به‌ویژه ایده جنبه‌های جغرافیایی و رابطه‌ای فرآیند خلق دانش را منعکس می‌کنیم، که توسط بحث در مورد «زنگ محلی» و «خط لوله جهانی» به عنوان دو شکل از ایجاد دانش تعاملی هدایت می‌شود [37 ]]. این به ما امکان می دهد پویایی های محلی مانند یادگیری و انتقال دانش و همچنین تکامل ساختاری را در قالب شکل گیری شبکه بین منطقه ای و تحول در سطح جهانی مدل کنیم. شالوده تئوری قوی و صریحاً تجربی ما را قادر می‌سازد تا مدل را در زمینه‌های دنیای واقعی، مانند آزمایش‌های شبیه‌سازی با اشاره به اقدامات سیاست‌گذاری تحقیق، فناوری و نوآوری (RTI) در سطوح اروپایی، ملی و منطقه‌ای اعمال کنیم. (به عنوان مثال، تخصص هوشمند، بودجه عمومی ماموریت گرا). در این مطالعه ما یک نمای کلی مدل ارائه می کنیم، جزئیاتی در مورد عناصر و فرآیندهای مدل، و همچنین مشخصات فنی و بررسی های استحکام ارائه می دهیم.
بقیه این مطالعه به شرح زیر سازماندهی شده است. در بخش 2 ، ما به‌طور کوتاه رویکرد مدلسازی مبتنی بر عامل را تشریح می‌کنیم و ارائه مفصلی از مدل شبیه‌سازی پیشنهادی ایجاد دانش چند منطقه‌ای ارائه می‌دهیم، که شامل توصیفی از عناصر و فرآیندهای مدل، و همچنین مبانی تجربی می‌شود. در بخش 3 ، ما پتانسیل مدل شبیه سازی را با کاربردهای نمونه کوچک در بحث های علمی فعلی نشان می دهیم. در بخش 4 ، با بحث در مورد نتایج مدل و ارزیابی انتقادی از عملکرد مدل به پایان می‌رسیم. علاوه بر این، مراحل توسعه آینده مدل تشریح شده و ایده هایی برای زمینه های کاربردی بیشتر ارائه شده است.
2. مواد و روشها
این بخش به تشریح مدل پیشنهادی مبتنی بر عامل چند منطقه ای برای ایجاد دانش و مشخصات پایه تجربی آن، از جمله مقداردهی اولیه عامل، کالیبراسیون و ارزیابی خروجی اختصاص دارد. شرح مدل عمداً مختصر است. جزئیات در مورد عناصر و فرآیندهای مدل در پیوست A آورده شده است .
به طور کلی، ABM ها برای کشف ویژگی های نوظهور از دیدگاه پایین به بالا توسعه داده می شوند و – در تلاش برای تکرار مفاهیم، اقدامات، روابط یا مکانیسم های دنیای واقعی – برای پیش بینی پیشرفت ها و نتایج آینده استفاده می شوند [38 ]]. از این نظر، ABM به ویژه برای بررسی ماهیت پیچیده و تطبیقی سیستم‌های نوآوری منطقه‌ای مناسب است، زیرا چارچوبی را برای مدلسازی و شبیه‌سازی رفتار عوامل ناهمگن و بررسی پویایی پیچیده تعاملات گسترده سیستم بین آنها فراهم می‌کند. از این رو، هدف این مدل شبیه‌سازی، بررسی ایجاد دانش بین منطقه‌ای در سراسر مناطق اروپایی است. در انجام این کار، ما یک رویکرد مدلسازی مبتنی بر عامل مبتنی بر تجربی (ABM) را اتخاذ می‌کنیم که از مجموعه داده‌های مقیاس بزرگ در زمینه ایجاد دانش منطقه‌ای و فعالیت‌های همکاری پژوهشی استفاده می‌کند.
2.1. توضیحات مدل
مفهوم مدل از نزدیک از مشارکت های نظری و مفهومی پیشرفته و همچنین یافته های تجربی در زمینه های علم منطقه ای، جغرافیای اقتصادی و جغرافیای ادبیات نوآوری پیروی می کند (به ویژه [39 ، 40 ، 41 ، 42 ]]). علاوه بر این، ما ABM و ابزارهای روش‌شناختی پیشرفته را از تحلیل شبکه‌های اجتماعی (SNA) و اقتصادسنجی ادغام می‌کنیم. مدل شبیه‌سازی با استفاده از عناصر محیط شبیه‌سازی چند عاملی MASON (شبیه‌ساز چند عاملی محله‌ها) در جاوا پیاده‌سازی شده است. مدل پیشنهادی شامل سه ویژگی کلیدی است، (1) مجموعه ای از عوامل متقابل، ویژگی ها و رفتارهای آنها، (ب) مجموعه ای از روابط و روش های تعامل، واقع در (iii) یک محیط مدل [43]، که به عنوان سنگ بنا عمل می کند . برای توسعه مدل، به صورت بصری توسط شکل 1 نشان داده شده است .
در این مفهوم، عوامل به عنوان بازیگران تحقیقاتی مدلسازی می‌شوند که با ویژگی‌های مبتنی بر تجربی در سطح سازمان مشخص می‌شوند. هر نماینده به نمایه دانشی مجهز است که نشان دهنده وقف دانش نماینده است که نشان دهنده کلاس های فناوری است که نماینده در آنها فعال است و همچنین تخصص در کلاس مربوطه. از این رو، وقف دانش عامل منرا می توان به عنوان بردار طول تعریف کرد ک(با کتعداد کلاس های فناوری موجود در مدل)
κمن={κمن1،κمن2،…،κمنک}
جایی که من=1،2، …،نبا نتعداد کل عوامل در مدل و مقدار آن است κمنکتعیین تخصص در کلاس فناوری مربوطه ک(سطح دانش).
مکان نمایندگان توسط منطقه NUTS-2 اروپایی مشخص شده است [ 44 ] که عامل در آن قرار دارد – در مجموع، 283 منطقه در کشورهای اتحادیه اروپا-27 به اضافه بریتانیا و نروژ تحت پوشش قرار دارند. از آنجایی که هیچ داده در سطح شرکت در مقیاس بزرگ در مورد مکان، انجمن صنعت، اندازه و شدت تحقیق و توسعه به روشی سیستماتیک برای مناطق اروپایی وجود ندارد، چنین داده‌هایی بر اساس ویژگی‌های منطقه و صنعت ساخته می‌شوند. از این رو، در فرآیند تخصیص تجربی عوامل شرکت صنعتی به مناطق، بخش صنعت ، اندازه (تعداد کارکنان) و شدت تحقیق و توسعهنیز مشخص شده است. هدف اصلی برای عوامل در مدل این است که برای هر منطقه با توجه به ویژگی های آن نماینده باشند ( برای جزئیات در مورد مقداردهی اولیه عامل به بخش 2.2 مراجعه کنید ). علاوه بر ویژگی‌های تجربی، عوامل با ویژگی‌های ذاتی مدل نیز مشخص می‌شوند: استراتژی تحقیق ، حافظه همکاری ، و موقعیت شبکه که نشان‌دهنده قابلیت شبکه‌سازی خارجی است.
روابط و تعاملات عامل ها در فرآیند خلق دانش تعریف می شود که مجموع اقدامات عاملان در ایجاد دانش جدید را در بر می گیرد. این فرآیند به‌عنوان یک فرآیند یادگیری در طول یک مسیر تحقیقاتی مشخص طراحی شده است، که هر عامل بر اساس شیوه خلق دانش خود – بهره‌برداری یا اکتشافی (به دنبال مفهومی که در مارس [ 45 ] ارائه شد) – و با توجه به فعلی خود تصمیم می‌گیرد. هدف دانش و تحقیق ایجاد دانش مبتنی بر مفهوم فضای فناوری است که به عنوان شبکه ای متشکل از مجموعه ای از کلاس های فناوری (TCs) تعریف می شود، با پیوندهای وزنی که نشان دهنده نزدیکی فناوری بین این کلاس ها است ( شکل A3 را ببینید).در ضمیمه A برای مثالی گویا). به طور رسمی، فضای فناوری اس را می توان به عنوان ماتریس متقارن تعریف کرد
اس=(پ11پ12پ21پ22⋯پ1ک…پ2ک⋮⋮پک1پک2⋱⋮⋯پکک)کایکسک
جایی که پ..ضرایب جاکارد را به عنوان معیار نزدیکی (مبتنی بر تجربی) نشان دهید و ک تعداد کلاس های فناوری در نظر گرفته شده در مدل است.
فضای فناوری اسبه عنوان چارچوبی برای عوامل به دست آوردن دانش جدید در حین حرکت در مسیرهای تحقیقاتی خود عمل می کند . هر مسیر تحقیقاتی شامل کلاس های فناوری انتخابی است که راه و جهت یادگیری را نشان می دهد. به طور کلی، یک مسیر تحقیقاتی پبه عنوان زیرمجموعه ای از تمام کلاس های فناوری در فضای فناوری تعریف می شود
پ={τ1، τ2، …، τL}∈تی={τ1،τ2،…،τک}
جایی که ل=1،2،…،Lبا Lطول مسیر تحقیق و تیمجموعه تمام کلاس های تکنولوژی
فرآیند ایجاد دانش فردی عامل از یک توالی از پیش تعریف شده از اقدامات پیروی می کند ( شکل 2 را برای نمودار جریان ساده شده ببینید). با این حال، همچنان درجات زیادی از آزادی را به همراه دارد، که امکان تعاملات و فرآیندهای ناهمگن را فراهم می کند که منجر به نتایج متفاوتی می شود. در مجموع، فرآیند خلق دانش عامل شامل انتخاب شیوه خلق دانش، تعیین مسیر تحقیق ، انتخاب استراتژی تحقیق و ارزیابی موفقیت یادگیری و تحقیق است.روند. فرآیندهای منفرد از دو دوره تناوب متفاوت پیروی می کنند: در حالی که، فرآیندهای فرعی در فرآیند یادگیری و ارزیابی خروجی در هر مرحله مدل انجام می شود (دوره ای ω)، تنظیم دستور کار تحقیق و استراتژی تحقیق در هر مرحله دیگر پس از تکمیل فرآیند یادگیری (دوره ای بودن) اتفاق می افتد. Lω) که در آن ω یک مرحله شبیه سازی را نشان می دهد و Lیک مقدار صحیح که طول مسیر تحقیقاتی عامل را نشان می دهد. برای شروع فرآیند در ابتدای شبیه سازی، یک بار شروع یک کلاس فناوری شروع برای فرآیند تحقیق انجام می شود. به عنوان مثال، یک فناوری تصادفی با تخصص غیر صفر از دانش عامل.
تعیین مسیر تحقیق به شیوه خلق دانش توسط عامل بستگی دارد : بهره برداری یا اکتشافی . که در آن ایجاد دانش استثماری منعکس کننده یک روش مستقیم و هدفمند و تجاری جهت انجام تحقیق است و اکتشاف بیانگر انتخاب مسیر غیر هدفمند و غیرمستقیم برای ایجاد دانش است. در مرحله بعدی، عامل در مورد استراتژی تحقیق تصمیم می گیرد – یعنی اینکه آیا این مسیر را با استفاده از تحقیقات داخلی دنبال کند ، یعنی تحقیقات داخلی انجام دهد، یا با جستجوی یک شریک تحقیقاتی مناسب برای انجام تحقیقات مشترک .. از این رو، عنصر اصلی فرآیند تحقیق مشارکتی، انتخاب یک شریک همکاری مناسب توسط عامل است. انتخاب شریک متکی به احتمالات همکاری ناشی از برآورد یک مدل تعامل فضایی (SIM) با در نظر گرفتن فاصله جغرافیایی بین مناطق و متغیرهایی است که منطقه و کشور همسایه را نشان می‌دهند. فاصله فضایی و همچنین مرزهای کشور و منطقه به طور کلی به عنوان یکی از مهمترین عوامل تعیین کننده برای توضیح همکاری های تحقیق و توسعه بین منطقه ای شناخته می شوند (به عنوان مثال، [ 46 ، 47]]). علیرغم جهانی شدن روزافزون و فناوری‌های اطلاعات و ارتباطات جدید، نزدیکی فضایی (هنوز) عاملی حیاتی در ایجاد و حفظ پیوندهای شبکه تحقیق و توسعه است. به ویژه، دانش پیچیده‌تر نیازمند تبادل عناصر دانش ضمنی از طریق تعامل چهره به چهره است [ 48 ، 49 ].
احتمالات حاصل از سیم کارت بر اساس داده های آماری با اشتراک های همکاری تکمیل می شود. معیار نهایی برای یک شریک مناسب، نزدیکی شناختی است، مانند وجود همپوشانی معینی از مواهب دانش. در تحقیق مشارکتی، تمایز بیشتری بین دو حالت همکاری صورت می‌گیرد ، (i) حالت تحقیق و (ii) حالت خدمات. در حالی که حالت اول با هدف ارائه پروژه های تحقیقاتی پایه و کاربردی است که در درجه اول بر ایجاد و تعمیق دانش متمرکز است، حالت دوم نمونه پروژه های کمیسیون است که معمولاً با یک دستور کار تحقیقاتی کارآمد و مستقیم مشخص می شود.
خلق دانش به عنوان یک فرآیند یادگیری در طول مسیر تحقیقاتی مشخص شده، یعنی انجام تحقیقات در طول مسیرهای کلاس های فناوری تعریف می شود. برای تعیین اینکه آیا به یک مرحله جدید (یعنی کلاس فناوری جدید) در مسیر تحقیق رسیده است یا خیر، موفقیت تحقیق ارزیابی می شود. این یک مرحله میانی ضروری برای هر انتقال از یک کلاس فناوری به کلاس دیگر است. موفقیت تحقیق یک شاخص ترکیبی مقیاس‌بندی شده (قابل تفسیر به عنوان احتمال موفقیت) بسته به (1) ویژگی‌های خاص عامل (تخصص کلی، سهمیه تحقیق و توسعه، قابلیت داخلی و خارجی) و (2) نزدیکی فن‌آوری بین کلاس‌های فناوری درگیر است. در صورت انجام تحقیقات موفق، سطح تخصص در کلاس فناوری مربوطه به روز می شود. اگر پژوهش به عنوان ناموفق ارزیابی شود، عامل یا یک مسیر تحقیقاتی جدید، اما مشابه را انتخاب می کند یا در مسیر اصلی باقی می ماند. برای تحقیقات مشارکتی، فرآیند ارزیابی موفقیت تحقیق به تخصص شرکای همکاری بستگی دارد. علاوه بر این، انتقال دانش ممکن در فرآیند ایجاد دانش مشارکتی بر اساس فاصله شناختی (فاصله دانش) بین دو عامل همکار است. به دست آوردن دانش واقعی به ظرفیت جذب بستگی دارد – که نشان دهنده مبادله بین ارزش جدید و قابل درک بودن دانش جدید است. به طور خاص، فرض بر این است که میزان به دست آوردن دانش مربوط به یک رابطه U شکل معکوس است، به عنوان مثال، دانش تکمیلی کم و زیاد منجر به دستاوردهای دانش کم می شود، که نشان دهنده وجود یک “فاصله بهینه” است که مستلزم یک مبادله بین ” یادگیری چیزی جدید» و «درک متقابل» (به عنوان مثال، [ به دست آوردن دانش واقعی به ظرفیت جذب بستگی دارد – که نشان دهنده مبادله بین ارزش جدید و قابل درک بودن دانش جدید است. به طور خاص، فرض بر این است که میزان به دست آوردن دانش مربوط به یک رابطه U شکل معکوس است، به عنوان مثال، دانش تکمیلی کم و زیاد منجر به دستاوردهای دانش کم می شود، که نشان دهنده وجود یک “فاصله بهینه” است که مستلزم یک مبادله بین ” یادگیری چیزی جدید» و «درک متقابل» (به عنوان مثال، [ به دست آوردن دانش واقعی به ظرفیت جذب بستگی دارد – که نشان دهنده مبادله بین ارزش جدید و قابل درک بودن دانش جدید است. به طور خاص، فرض بر این است که میزان به دست آوردن دانش مربوط به یک رابطه U شکل معکوس است، به عنوان مثال، دانش تکمیلی کم و زیاد منجر به دستاوردهای دانش کم می شود، که نشان دهنده وجود یک “فاصله بهینه” است که مستلزم یک مبادله بین ” یادگیری چیزی جدید» و «درک متقابل» (به عنوان مثال، [50 ، 51 ]).
محیط، فضایی را که عوامل در آن فعالیت می کنند، مشخص می کند. بر این اساس، شامل تمام اطلاعات خارج از عوامل مورد استفاده در فرآیندهای تصمیم گیری است و ساختار یا فضایی را برای تعامل با عامل فراهم می کند [ 38 ]. از منظر یک سیستم نوآوری منطقه ای، ما بازیگران تحقیقاتی ملی و بین المللی و سایر مناطق را به عنوان عناصر خارجی منطقه خاص می بینیم. به ویژه، مطالعات در زمینه سیستم‌های نوآوری منطقه‌ای (RIS) بر اهمیت چنین عوامل خارجی بر ایجاد دانش بازیگران تحقیقاتی فردی مستقر در یک منطقه خاص، به عنوان مثال، دانشگاه‌ها و سازمان‌های تحقیقاتی عمومی که تحقیقات پایه و کاربردی و منطقه‌ای را انجام می‌دهند، تأکید می‌کند. نهادهای سیاست گذاری که سیاست های نوآوری منطقه ای را اجرا می کنند [ 41]. مداخلات سیاست ملی و اروپایی، خارج از کل سیستم مناطق و عوامل مرتبط به هم، ممکن است بر فرآیندهای ایجاد دانش خاص منطقه تأثیر بگذارد. بدیهی است که این عوامل خارجی به هیچ وجه از فرآیندها و پویایی های داخلی منطقه جدا نیستند، بلکه به شدت با قابلیت های خاص عامل ارتباط متقابل دارند. در یک ABM، این واقعیت در رابطه بین رفتار عامل و محیط آن متشکل از عوامل خارجی – که توسط مدل‌ساز با استفاده از پارامترهای برون‌زا هدایت می‌شود، منعکس می‌شود.
2.2. مبانی تجربی
در حالی که مدل‌های نظری نیاز کمتری به روش‌های اولیه‌سازی شبیه‌سازی با داده‌های تجربی دارند، کاربردهای عملی و تحلیل‌های خط‌مشی به چنین روش‌هایی نیاز دارند [ 52]]. مبانی تجربی یکی از جنبه‌های حیاتی است که در آن مدل شبیه‌سازی پیشنهادی با مدل‌های صرفا نظری و مفهومی خلق دانش منطقه‌ای متفاوت است. یک پایه تجربی کامل برای نمایش فرآیندهای دنیای واقعی، کاربردهای عملی و تجزیه و تحلیل خط مشی ضروری است زیرا قدرت و مسئولیت یکپارچه آنها را افزایش می دهد. مبانی تجربی مدل مکمل مدل مفهومی همانطور که در بخش قبل ارائه شد. به طور خاص، در این مدل سه عنصر مرکزی توسط داده‌های تجربی هدایت می‌شوند: مقداردهی اولیه عامل، کالیبراسیون پارامترهای مدل، و ارزیابی خروجی. علاوه بر این، در سراسر مدل، فرآیندهای تصمیم گیری عوامل به طور تجربی با استفاده از ارقام آماری هدایت می شود.
مقداردهی اولیه عامل با استفاده از ریزشبیه سازی فضاییاولیه سازی عامل تجربی بر تولید یک جمعیت عامل نماینده برای هر منطقه متمرکز است. از آنجایی که داده های سطح خرد دقیق در سطح سازمانی برای مناطق اروپایی به صورت جامع در دسترس نیست، عوامل مدل بر اساس داده های تجربی در سطح منطقه ایجاد می شوند. داده‌های سطح عامل در فرآیندی دقیق از نمونه‌برداری از توزیع‌های تجربی بخش‌های صنعت، شدت تحقیق و توسعه و تعداد کارکنان (تعیین شده از آمارهای تجاری ساختاری Eurostat برای دوره اولیه‌سازی مربوط به سال‌های 2012 تا 2014) ساخته شده است. ترکیبات امکان پذیر از ویژگی ها برای هر عامل بر اساس همبستگی های تجربی مشخصه با استفاده از تجزیه Cholesky.53 ].
برای تولید یک جمعیت عامل نماینده برای هر منطقه، از تکنیک‌های ریزشبیه‌سازی فضایی استفاده می‌کنیم. ریزشبیه‌سازی فضایی روشی برای تخصیص افراد (سازمان‌ها) به مناطق (منطقه‌ها)، با ترکیب داده‌های فردی (سطح سازمان) و داده‌های جغرافیایی انباشته شده است [ 54 ]. در اینجا، ما برازش تناسبی تکراری (IPF) را به عنوان یک تکنیک آماری برای ترکیب داده‌های فردی و جغرافیایی برای تخصیص عوامل مشخص‌شده به مناطق اروپایی NUTS-2 با استفاده از الگوریتم‌های وزن‌دهی مجدد انتخاب می‌کنیم، که منجر به حداکثر مقادیر احتمال برای هر ترکیب منطقه-فرد می‌شود. یک ماتریس وزن (به عنوان مثال، [ 54] برای جزئیات در مورد ریزشبیه سازی فضایی و IPF). از آنجایی که هدف کلی این مدل شبیه‌سازی ایجاد دانش است، تمرکز ویژه‌ای بر راه‌اندازی نمایه‌های دانش عوامل است. هر نماینده دارای مجموعه ای منحصر به فرد از زمینه های فناوری است – که به طور تجربی توسط کلاس های ثبت اختراع نشان داده می شود – که نمایانگر مشخصات دانش آنها است. سوابق ثبت اختراع از پایگاه داده PATSTAT، پایگاه داده آماری ثبت اختراع جهانی توسط اداره ثبت اختراع اروپا، که مهمترین منبع داده برای تحقیقات علمی در مورد فعالیت های ثبت اختراع و داده های ثبت اختراع است، استخراج می شود. ما از کلاس‌های ثبت اختراع در سطح زیر کلاس سه رقمی (به عنوان مثال، A61K) همانطور که توسط طبقه‌بندی بین‌المللی ثبت اختراع (IPC) مشخص شده است، استفاده می‌کنیم که بر اساس بخش صنعت آنها (طبقه‌بندی NACE) با استفاده از جدول تطابق پیشنهاد شده توسط [.55 ]. در مجموع، بیش از 21000 نماینده در مدل گنجانده شده است، که کسری از 1000 تعداد واقعی نهادهای شرکت محلی واقع در مناطق مورد علاقه NUTS-2 است (بر اساس آمارهای تجاری ساختاری Eurostat).
کالیبراسیون پارامترهای مدل هدف فرآیند کالیبراسیون یافتن مقادیری برای پارامترهای ورودی است که باعث می شود مدل الگوهای مشاهده شده در واقعیت را به خوبی به خوبی بازتولید کند [ 56 ]. برازش پارامتر باید کل مجموعه پارامترها را در بر گیرد، که به سرعت تعداد ترکیب پارامترهای ممکن برای آزمایش را افزایش می دهد. برای کاهش ابعاد ترکیبات پارامترهایی که باید آزمایش شوند، از نمونه‌برداری هایپرمکعب لاتین استفاده می‌کنیم، که تکنیکی است که کل مجموعه پارامترها را در نظر می‌گیرد تا نماینده‌ترین زیرمجموعه فضا را به شیوه‌ای نسبتا کارآمد (و صرفه‌جویی در محاسبات) به دست آورد. ابزار نمونه برداری یکنواخت از فضای سناریو با توجه به فضای پارامتر مشخص و با محدودیت تعداد مشخصی آزمایش [ 57 ].
هسته اصلی کالیبراسیون تجربی، برازش پارامترهای مدل به گونه ای است که متغیرهای خروجی حاصل بهترین تناسب را داشته باشند. در اینجا، آنها در محدوده ای از معیارهای تجربی انتخاب شده قرار دارند. تیله و همکاران [ 56 ] به دو استراتژی مختلف برای برازش پارامترهای مدل به داده‌های مشاهده‌ای اشاره می‌کند: (1) بهترین تناسب و (2) کالیبراسیون طبقه‌بندی. در حالی که، کالیبراسیون بهترین تناسب با هدف یافتن ترکیب پارامتری است که به بهترین وجه با داده‌های مشاهده‌ای منطبق است (یعنی یک مقدار دقیق به عنوان معیار کیفیت برای ارزیابی تناسب مقادیر پارامتر وجود دارد)، با استفاده از کالیبراسیون طبقه‌ای، یک مقدار واحد به دست نمی‌آید. ، اما محدوده ای از مقادیر قابل قبول برای هر معیار کالیبراسیون تعریف شده است. همانطور که توسط Thiele و همکاران پیشنهاد شده است. [ 56] یک رویکرد ترکیبی با تبدیل معیارهای طبقه بندی به یک معیار مناسب در اینجا دنبال می شود. این کار با استفاده از معادلات شرطی و مشخص کردن یک تابع هزینه انجام می‌شود و هزینه را برای مقدار پارامتری که در محدوده مقدار قابل قبولی قرار ندارد (که به صورت خارجی تعریف می‌شود) ارزیابی می‌کند.
جrمنتیهrمنتومترr (ایکسr)={0منf ایکسمترمنn ≤ایکسr≤ایکسمترآایکس(مترهآn(ایکسمترمنn،ایکسمترآایکس)-ایکسrمترهآn(ایکسمترمنn،ایکسمترآایکس))هلسه}
جoستی(ایکسr)=∑r=1آرجrمنتیهrمنتومترr (ایکسr)،r=1، …،آر
جایی که ایکسrنتایج شبیه سازی مربوط به معیار هستند r، ایکسمترمنnو ایکسمترآایکسحداقل و حداکثر مقدار مربوطه را نشان می دهد و آرتعداد کل معیارهای کالیبراسیون است. برای هر اندازه گیری تجربی انتخاب شده، محدوده مقدار قابل قبولی تعریف می شود. اگر مقدار شبیه سازی شده در این بازه باشد، هیچ هزینه ای متحمل نمی شود. اگر اینطور نباشد، یک ضریب هزینه بر اساس مجذور انحراف نسبی به مقدار میانگین محدوده قابل قبول اختصاص داده می شود. تابع هزینه نهایی مجموع هزینه های فردی هر معیار است. در نهایت، ترکیب پارامتر با کمترین هزینه به عنوان بهترین ترکیب با سیستم دنیای واقعی انتخاب می‌شود. بکارگیری این رویکرد تابع هزینه، ترکیب چندین معیار کالیبراسیون را با یک معیار تصمیم گیری واحد [ 56 ] امکان پذیر می کند.
از نظر تجربی، چهار معیار به‌عنوان معیار برای تابع هزینه انتخاب می‌شوند: (1) تعداد کل اختراعات در جمعیت نماینده، (ب) مشخصات ثبت اختراع در سراسر مناطق، (iii) مشخصات ثبت اختراع در سراسر زمینه‌های فن‌آوری (همانطور که توسط Schmoch تعریف شده است. 58 ])، و (iv) مرکز درجه مناطق، به عنوان مثال، تعداد شرکای همکاری در شبکه همکاری. مجموعه داده‌های مرجع تجربی، داده‌های ثبت اختراع در مناطق اروپایی، و همچنین – برای معیار مرکزیت – داده‌های مربوط به پروژه‌های تحقیقاتی مشترک در برنامه‌های چارچوب اتحادیه اروپا هستند که به طور گسترده برای همکاری بین منطقه‌ای تحقیق و توسعه در اروپا استفاده می‌شوند (به عنوان مثال، [59, 59 ) . 60]). معیارهای تجربی به عنوان مقادیر کل در طی سال های 2014 تا 2018 محاسبه می شوند. کالیبراسیون با خروجی شبیه سازی شده پس از 60 مرحله زمانی انجام می شود (12 مرحله زمانی نشان دهنده یک سال؛ برای پارامترهای سیستم کالیبره شده به پیوست A مراجعه کنید). مجموعه پارامترهای کالیبره شده به اصطلاح سناریوی پایه را به عنوان مرجع شبیه سازی های ارائه شده در بخش نتایج تعریف می کند.
ارزیابی خروجی تلاش‌های تحقیقاتی موفقیت‌آمیز توسط نمایندگان منجر به کسب دانش می‌شود ( برای جزئیات به پیوست A مراجعه کنید )، که علاوه بر این می‌تواند منجر به ثبت اختراع شود. در مدل شبیه‌سازی، ما از تعداد پتنت‌ها به‌عنوان یک متغیر پروکسی برای گرفتن خروجی‌های دانش و ایجاد ارتباط بین یک کسب دانش نسبتاً عمومی – به عنوان یک نتیجه خالص از فرآیندهای یادگیری در مدل – و پتنت‌ها استفاده می‌کنیم. پتنت ها شاخص مناسبی برای سنجش توانایی ایجاد دانش جدید تجاری مرتبط هستند. به طور خاص، به عنوان خروجی تلاش‌های نوآوری صنعتی در شرکت‌ها (به عنوان مثال رجوع کنید به [ 61 ، 62]). این امکان تفسیری نزدیک به مشاهدات تجربی را فراهم می کند. این که آیا یک حق ثبت اختراع از یک دانش بدست می آید یا نه، از یک معیار ارزیابی مستقل پیروی می کند. برای آن، ما یک فیلتر خروجی تجربی را با استفاده از ضرایب تخمین زده شده از نظر اقتصاد سنجی پیاده سازی می کنیم که تمایل به ثبت اختراع یک نماینده فردی را بر اساس یک احتمال خاص منطقه ای که خود به ویژگی های منطقه (منابع انسانی، GRP سرانه، تحقیق و توسعه سرانه) بستگی دارد، تعیین می کند. ، درجه مرکزیت). به دلیل کمبود داده در سطح سازمان، مدل رگرسیون در سطح منطقه برآورد شده است. ما یک مدل رگرسیون پواسون را برای محاسبه ماهیت عدد صحیح واقعی و مفروضات توزیعی تعداد پتنت ها به عنوان متغیر وابسته تخمین می زنیم ( برای جزئیات به پیوست A مراجعه کنید).
3. نتایج
در این بخش، ما پتانسیل مدل شبیه‌سازی را با استفاده از سه کاربرد نمونه کوچک که از بحث‌های علمی کنونی مشتق شده‌اند، نشان می‌دهیم. ما خلق دانش را منحصراً از منظر منطقه ای کل ارزیابی می کنیم، زیرا خود مدل به گونه ای طراحی شده است که در سطح منطقه ای نماینده باشد (به عنوان مثال، نمایندگی جمعیت عامل). با این وجود، فرآیندهای سطح عامل در خروجی ایجاد دانش منطقه ای از طریق پویایی های محلی و ساختاری منعکس می شوند. در سطح محلی، دانش از طریق فرآیندهای ایجاد دانش مشترک بین عامل ها منتقل می شود که متعاقباً منجر به به روز رسانی پروفایل دانش عامل می شود. در سطح ساختاری شبکه، تغییرات در وضعیت دانش عامل ها و همچنین عملکرد ایجاد دانش بر تعبیه شبکه آنها و ساختار شبکه جهانی به عنوان یک کل تأثیر می گذارد. برای اطمینان از تفسیرپذیری تجربی و امکان کالیبراسیون تجربی، پیوندی بین دستاوردهای دانش مدل و ثبت اختراع، به عنوان یک خروجی دانش تجربی، ایجاد شده است (نگاه کنید بهبخش 2.2 در مورد ارزیابی خروجی). توجه داشته باشید که نتایج شبیه‌سازی ارائه‌شده در این بخش میانگین‌هایی هستند که در طول پنج مدل اجرا می‌شوند تا از یافته‌های قوی اطمینان حاصل کنند و از این رو، امکان رخ دادن مصنوعات را با تغییر در نتایج محدود می‌کنند ( پیوست B را برای بررسی‌های استحکام ببینید). سه کاربرد نمونه کوچک برای نشان دادن پتانسیل مدل بر روی الگوهای تمرکز منطقه‌ای، پویایی تخصص منطقه‌ای و شبکه‌ها به عنوان محرکهای ایجاد دانش منطقه‌ای هستند که همه آنها به شدت در جغرافیای ادبیات نوآوری مورد بحث قرار گرفته‌اند.
- (من)
-
توزیع فضایی و تمرکز خلق دانش
اولین کاربرد پدیده تمرکز فضایی خلق دانش را هدف قرار می دهد. تا حد زیادی، ایجاد دانش توسط جریان‌های دانش بومی‌شده جغرافیایی هدایت می‌شود، به‌ویژه در مورد فرآیندهای یادگیری که توسط عناصر دانش ضمنی و خاص منطقه هدایت می‌شوند. این امر نقش تسهیل کننده مجاورت فضایی برای ایجاد دانش را برجسته می کند [ 3 ، 63 ، 64 ، 65 ]. با این حال، یافته های اخیر همچنین نشان می دهد که اثر کاهش فاصله [ 59 ، 66 ]. همانطور که در بخش قبل توضیح داده شد، ما از پتنت ها به عنوان معیاری تجربی برای خروجی دانش مدل استفاده می کنیم. شکل 3توزیع فضایی پتنت‌های شبیه‌سازی‌شده را به‌عنوان خروجی‌های مدل اصلی ناشی از فرآیندهای ایجاد دانش فردی نماینده‌ها، تجمیع‌شده در سطح منطقه‌ای، نشان می‌دهد.
می توان مشاهده کرد که برخی از مناطق معمولی، مانند ایل-دو-فرانس (FR)، مادرید (ES)، کاتالونیا (ES)، اوبربایرن (DE)، رون-آلپ (FR)، و مناطق شمالی ایتالیا مانند به عنوان لومباردیا، به وضوح از نظر نتیجه ثبت اختراع خود برجسته هستند، در حالی که، اکثر مناطق تنها تعداد مناسبی از اختراعات را به نمایش می گذارند. با این حال، ما نمی توانیم (تقریبا) هیچ خوشه فضایی مشخصی از مناطق متعدد را مشاهده کنیم که فعالیت ثبت اختراع بالایی را نشان می دهند (به جز شمال ایتالیا و جنوب شرق فرانسه). از نظر نشان دادن پتانسیل مدل، این نتایج کاملا امیدوارکننده هستند. واضح است که مدل و فرآیندهای اجرا شده (به بخش 2 و بخش 3 مراجعه کنید ) قادر به تقریب توزیع فضایی مشاهده شده تجربی از دانش هستند (نگاه کنید به [ 65]]).
- (II)
-
تخصص آفرینی دانش منطقه ای
کاربرد دوم بر بحث اهمیت نسبی تخصص بخشی در مقابل تنوع برای دانش ایجاد شده یک منطقه تمرکز دارد [ 67 ، 68 ]. این دوگانگی ریشه در دو مفهوم اقتصادهای بومی‌سازی و تنوع دارد که در ابتدا به ترتیب توسط مارشال [ 69 ] و جاکوبز [ 70 ] مطرح شد . در این مثال، ما نه تنها از تعداد کل اختراعات شبیه سازی شده به تفکیک منطقه مانند مثال قبلی، بلکه از حوزه فناوری آنها نیز برای محاسبه درجه تخصصی شدن فناوری مناطق بر اساس پتنت های شبیه سازی شده استفاده می کنیم. ما از شاخص تخصص برای ارزیابی درجه تخصصی هر منطقه نسبت به مناطق دیگر استفاده می کنیم (نگاه کنید بهپیوست ج برای تعریف شاخص). توزیع فضایی تخصص فنی منطقه ای در شکل A8 ارائه شده است ( پیوست C را ببینید )، در حالی که رابطه بین تخصص فن آوری و خروجی دانش شبیه سازی شده در شکل 4 نشان داده شده است . رابطه بین درجه تخصص و تعداد اختراعات – همانطور که در شکل 4 الف نشان داده شده است – هیچ ارتباط معنی داری را نشان نمی دهد. از این رو، هیچ ارتباط مستقیمی بین تخصص بخشی مناطق و خروجی دانش مربوطه آنها در مدل وجود ندارد.
از یک سو، با توجه به مفهوم اقتصاد بومی‌سازی، درجه بالایی از تخصصی شدن بخش‌های مناطق به مزایای قابل‌توجه این مناطق به دلیل صرفه‌جویی در حوزه در هنگام استفاده از زیرساخت‌های تحقیق و توسعه محلی و تخصصی و شبکه‌های تحقیق و توسعه محلی و متراکم اشاره می‌کند. تبادل دانش با هزینه های نسبتا کم با نگاهی به شکل 4 ب، که تعداد متمرکز اختراعات و شاخص‌های تخصصی را نشان می‌دهد (یعنی انحراف از مقادیر میانگین مربوطه)، این در شبیه‌سازی مدل برای مناطق Rhône-Alpes (FR71) و Oberbayern (DE21) که نسبتاً نشان می‌دهند اعمال می‌شود. تخصص فن آوری بالا و خروجی دانش. این ممکن است نشان دهنده اهمیت تخصص بخشی برای به دست آوردن خروجی بالاتر باشد – یافته ای در رگ مارشال [69 ، 71 ]. از سوی دیگر، برای مثال، مناطق لاتزیو (ITI4) و اندلس (ES61)، نشان می‌دهند که درجه نسبتاً پایینی از تخصص (یعنی تنوع) و خروجی دانش ارتباط مثبتی با هم دارند – از اقتصادهای تنوع حمایت می‌کنند که توسط جاکوبز [70] ارائه شده است . ]. از این رو، اگرچه رابطه روشنی بین خروجی دانش و درجه تخصصی شدن فن‌آوری مناطق وجود ندارد، اما مناطق تخصصی با مناطق صنعتی یا سرریزهای خاص بخش، و عمومی‌هایی که از تنوع صنعت سود می‌برند، در میان مناطق پیشرو از نظر ایجاد دانش می‌یابیم.
- (iii)
-
شبکه ها به عنوان محرک برای ایجاد دانش منطقه ای
در کاربرد سوم، توجه به شبکه‌ها معطوف شده است – که به عنوان ترتیبات بین سازمانی در تحقیق و توسعه در نظر گرفته می‌شوند – که به طور گسترده برای افزایش قابلیت ایجاد دانش یک منطقه ضروری هستند (به عنوان مثال، [8، 9 ، 37 ، 72 ] ) . در این مطالعه، شبکه مورد بررسی به عنوان یک شبکه دانش منطقه ای شامل مجموعه ای از مناطق به عنوان گره ها، به هم پیوسته از طریق لبه هایی که نشان دهنده جریان های دانش حاصل از تلاش های مشترک تحقیق و توسعه است، تعریف می شود [46 ، 73 ] . شکل 5شبکه دانش منطقه‌ای شبیه‌سازی‌شده را نشان می‌دهد که پیوندهای همکاری بین عامل‌ها (هنگامی که روش مشارکتی ایجاد دانش را دنبال می‌کنید) در سطح منطقه‌ای جمع‌آوری شده را نشان می‌دهد. همانطور که برای توزیع فضایی در مثال اول، مدل قادر به ایجاد مجدد الگوهای شبکه فضایی مشاهده شده در ادبیات با استفاده از همکاری پروژه با برنامه‌های چارچوب اروپایی است (به عنوان مثال، [74] را ببینید ) . به نظر می رسد که مناطق اروپایی به شدت درگیر همکاری های تحقیقاتی هستند. با این حال، تنها چند هاب شبکه (از نظر تعداد شرکای شبکه آنها) متمایز هستند: اول، Île-de-France (FR)، که منجر به شکل گیری شبکه ستاره شکل مشخصه ای می شود که از مطالعات تجربی نیز شناخته شده است [46 ]] و پس از آن اوبربایرن (DE)، مادرید (ES)، لومباردیا (IT)، و رون آلپ (FR) قرار دارند. این مناطق همچنین بالاترین خروجی دانش را در مدل نشان می‌دهند که نشان‌دهنده یک رابطه مثبت بین اتصال شبکه یک منطقه و خروجی دانش (که توسط پتنت‌ها اندازه‌گیری می‌شود) است.
در شکل 6 ، ما بیشتر در مورد رابطه بین تعداد همکاری های شبیه سازی شده در مناطق و خروجی دانش منعکس می کنیم. شکل 6 الف یک رابطه مثبت و کمی تصاعدی بین تعداد همکاری ها و کمیت خروجی دانش را نشان می دهد (که با تعداد پتنت ها اندازه گیری می شود)، که نشان می دهد هر چه همکاری های نمایندگان – مستقر در مناطق – بیشتر باشد، مناطق بالاتر هستند. خروجی های دانش توجه داشته باشید که این یافته‌ها فقط کمیت پیوندهای شبکه (تعداد همکاری‌های مناطق) را منعکس می‌کنند، نه کیفیت آنها را که می‌تواند مناطق خاصی را به عنوان هاب‌هایی با موقعیت‌های معتبر در شبکه همکاری شناسایی کند.
با این حال، با نگاهی به رابطه بین تعداد همکاری ها و رشد ثبت اختراع در شکل 6 ب، نمی توانیم مشاهده کنیم که تعداد بالای همکاری ها نیز با رشد بالای ثبت اختراع همزمان است. از این رو، تعداد بالای همکاری‌های بین‌المللی نیروی محرکهای برای رشد بالای ثبت اختراع (یعنی رشد تولید دانش) در مدل نیست. بدیهی است که مناطقی که از سطح نسبتاً بالایی از بازده ثبت اختراع شروع می‌شوند، نرخ رشد کمتری را نشان می‌دهند.
4. بحث و نتیجه گیری
در این مطالعه، ما یک مدل تجربی مبتنی بر عامل از ایجاد دانش چند منطقه‌ای را معرفی می‌کنیم و پتانسیل آن را برای کاربرد در موضوعات تحقیقاتی فعلی که به شدت در ادبیات جغرافیای نوآوری مورد بحث قرار می‌گیرند، نشان می‌دهیم. با استفاده از یک رویکرد شبیه‌سازی مبتنی بر عامل، ما قصد داریم سنت پژوهشی غالب مدلسازی اقتصادسنجی خلق دانش منطقه‌ای، با تمرکز بر ویژگی‌های منطقه‌ای و عوامل تعیین‌کننده ایجاد و انتشار دانش را تکمیل کنیم. ABM در مقایسه با این تکنیک‌های مدلسازی مرسوم، مزایای متعددی را ارائه می‌کند، که به دیدگاه‌ها و بینش‌های جدید در فرآیند ایجاد دانش منطقه‌ای اجازه می‌دهد. به طور خاص، ناهمگونی عامل، ساختارهای خرد زیرین مناطق، و پویایی شبکه به عنوان یک تعامل بین وابستگی های متقابل منطقه-داخلی و منطقه-خارجی در قالب پیوندهای همکاری تحقیق و توسعه، می تواند به صراحت در نظر گرفته شود. علاوه بر این، امکان انجام سناریوهای شبیه سازی امکان مقایسه مستقیم رفتار سیستم در یک محیط کنترل شده را فراهم می کند.
با این حال، رویکرد ABM، تا کنون، به ندرت در زمینه جغرافیای نوآوری استفاده شده است. در درک ما، این تا حد زیادی به دلیل فقدان اعتبار و فقدان نزدیکی تجربی و از این رو، عدم کاربردپذیری برای سؤالات دنیای واقعی است. ما با ترسیم مجموعه‌های داده در مقیاس بزرگ و به‌کارگیری روش‌های پیشرفته برای اولیه‌سازی تجربی و کالیبره کردن مدل شبیه‌سازی به این موضوع واکنش نشان می‌دهیم. علاوه بر این، ما با استفاده از ابزارها و مفاهیم اقتصادسنجی تثبیت شده علوم شبکه، ABM را پشتیبانی می کنیم. و به این ترتیب، استفاده از “بهترین های هر جهان”، که ما معتقدیم درک منتقدان روش شناختی را در مورد مدل های شبیه سازی که یک جعبه سیاه هستند تغییر می دهد.
کاربردهای نمونه مدل نتایج کاملاً امیدوارکننده‌ای را از نظر استحکام و تقریب تجربی نشان می‌دهند که بیانگر بازنمایی مدل است. ما می‌توانیم تمرکز فضایی ایجاد دانش را نشان دهیم، مکانیسم‌های ابهام اثر تخصص بخشی در مقابل تنوع بر دانش ایجاد شده را نشان دهیم، و همچنین نقش محرک شبکه‌ها را برای ایجاد دانش منطقه‌ای تایید کنیم. تکرار پدیده‌های دنیای واقعی، که توسط یافته‌های تجربی در مطالعات مرتبط پشتیبانی می‌شود، یک مرحله ضروری از اعتبارسنجی مدل است. از این رو، نتیجه می‌گیریم که مدل شبیه‌سازی پیشنهادی در واقع پتانسیل را برای پیشبرد بحث علمی در زمینه جغرافیای نوآوری در کاربردهای آینده با استفاده از آزمایش‌های شبیه‌سازی نشان می‌دهد.
علاوه بر مشارکت در بحث علمی در مورد ایجاد دانش منطقه‌ای، مدل شبیه‌سازی پیشنهادی نیز در زمینه سیاست تحقیق، فناوری و نوآوری (RTI) ارتباط بالایی دارد. در نظر گرفتن جنبه های تکنولوژیکی، نهادی و همچنین جغرافیایی ایجاد دانش در این مدل امکان آزمایش های شبیه سازی با اشاره به اقدامات سیاست RTI در سطوح اروپایی، ملی و منطقه ای را فراهم می کند. برای مثال، چنین مداخلات سیاستی ممکن است به سیاست‌های تخصصی منطقه‌ای، هماهنگی سیاست‌های منطقه‌ای، افزایش انگیزه‌ها برای مشارکت در همکاری‌های تحقیق و توسعه یا بودجه عمومی مأموریت‌محور حوزه‌های موضوعی خاص اشاره داشته باشد. یکی از زمینه های کاربردی خاص، در این رابطه، استفاده از ABM برای ارزیابی تأثیر پیشین مداخلات سیاستی است. مانند برنامه های تحقیق و توسعه عمومی. به طور خاص، دیدگاه تکاملی و آینده نگر ABM ها باز بودن توسعه اجتماعی-فنی را در نظر می گیرد و دیدگاه خرد در مورد سیستم های عامل ممکن است به درک پیچیدگی مداخلات سیاست عمومی کمک کند.
هم برای موضوعات تحقیقات علمی و هم برای جنبه های سیاست، مدل فعلی به اندازه کافی انعطاف پذیر است تا به راحتی با موضوعات تحقیقاتی جدید مورد علاقه سازگار شود، در حالی که بر استحکام عناصر و فرآیندهای مدل اصلی تکیه دارد. مسلماً، مدل پیشنهادی محدودیت‌هایی نیز دارد که مدل‌ساز باید از آن آگاه باشد: اول، فرآیند ایجاد دانش برای اروپا به عنوان یک نهاد جغرافیایی طراحی شده است. از یک طرف، این مورد از نظر داده های مورد استفاده برای مقداردهی اولیه و کالیبراسیون تجربی است. از سوی دیگر، این امر به طور ضمنی در مورد عناصر و فرآیندهای مدل نیز صدق می‌کند، زیرا مفهوم مدل توسط روح اروپایی انجام تحقیق و توسعه در چارچوب برنامه‌های چارچوب اروپایی هدایت می‌شود که مناطق سراسر اروپا را از طریق پروژه‌های تحقیقاتی مشترک و با بودجه عمومی به هم متصل می‌کند. باید بررسی شود که آیا این مدل برای سایر سیستم‌های نوآوری منطقه‌ای، ملی و فراملی مانند چین یا ایالات متحده نیز مناسب است یا خیر. دومین، هدف مدل شبیه سازی ایجاد دانش منطقه ای با جزئیات کافی است. ما عمداً هرگونه ملاحظاتی در مورد ارزش گذاری دانش جدید ایجاد شده و اندازه گیری آن را حذف می کنیم. از این رو، باید توجه داشت که نمی توان اظهارات مربوطه را بیان کرد. با این وجود، برای داشتن نوعی تقریب، تمایز بین دستاوردهای دانش ساده، و پتنت‌هایی را که می‌تواند منجر به کسب دانش در مدل شود (بر اساس احتمالات اقتصادسنجی برآورد شده با استفاده از اطلاعات تجربی در مورد ویژگی‌های منطقه) لحاظ می‌کنیم. سومبا توجه به بازنمایی مدل، به صراحت در سطح منطقه ای تطبیق داده شده است. اگرچه عوامل در سطح سازمانی مدلسازی می‌شوند و از این رو، همچنین فرآیندهای ایجاد دانش و یادگیری آنها، مقداردهی اولیه و کالیبراسیون مدل در نتایج مدلی است که نماینده مناطق هستند. این مستلزم آن است که برای اطمینان از اعتبار نتایج، از هرگونه تحلیل در سطح عامل، مانند مشاهده رفتار یک نماینده، خودداری کنیم.
در این مطالعه، ما پتانسیل مدل شبیه‌سازی پیشنهادی را با اولین مثال‌های کاربردی نشان دادیم. با این حال، بسیاری از امکانات و ویژگی‌های مدل تاکنون مورد بهره‌برداری قرار نگرفته‌اند (به عنوان مثال، کسب دانش، فرآیندهای یادگیری)، که امکان بسیاری از کاربردهای آینده و آزمایش‌های شبیه‌سازی را فراهم می‌کند. به طور خاص، مشخص کردن تأثیر همکاری بین منطقه‌ای تحقیق و توسعه بر ایجاد دانش منطقه‌ای، جدا کردن تأثیرات محلی از تأثیرات شبکه جهانی بر ایجاد دانش منطقه‌ای، و تحلیل تخصص‌های فناوری و گرایش‌های تمرکز جغرافیایی، به ذهن متبادر می‌شود. به طور خاص، تحلیل‌های سناریویی با اشاره به اقدامات سیاستی خاص RTI برای روشن کردن مکانیسم مداخلات سیاستی در سطح اروپایی، ملی و منطقه‌ای مورد توجه است.
ضمیمه A: ضمیمه فنی – واژه نامه عناصر و فرآیندهای مدل
به ترتیب حروف الفبا
حافظه همکاری حافظه همکاری به عنوان بردار طول s (که توسط پارامترهای مدل خارجی هدایت می شود) مشخص می شود که شامل جفت های ورودی آخرین است. سشرکای همکاری قبلی آمن، با مقدار احتمال مربوطه γس نشان می دهد که همکاری گذشته چقدر موفق بوده است.
Γ={(آمنγ1)،…،(آمنγس)} برای من∈ن
جایی که نمجموعه ای از مجموع عوامل است. بردار حافظه همکاری تجدید می شود، به گونه ای که شرکای همکاری جدید در رتبه اول در بردار قرار می گیرند، در حالی که شریکی که در رتبه آخر قرار دارد (یعنی طولانی ترین در حافظه همکاری) حذف می شود. برای تعیین درجه موفقیت یک همکاری، سهم حاصل از دانش مشارکتی واقعی در کل مسیر تحقیق با توجه به حداکثر کسب دانش ممکن ارزیابی می‌شود. این سهم به عنوان احتمال همکاری مکرر تفسیر می شود. در فرآیند انتخاب شریک ، یک جفت ورودی تصادفی انتخاب می‌شود و احتمال مربوطه ارزیابی می‌شود. در حالی که یک بازده مثبت منجر به همکاری مکرر بین دو عامل می شود، یک بازده منفی روند باقی مانده انتخاب شریک را آغاز می کند.
فرآیند ایجاد دانش فرآیند خلق دانش مجموعه اقدامات عاملان در ایجاد دانش جدید شامل تنظیم حالت ایجاد دانش ، تعیین مسیر تحقیق ، انتخاب استراتژی تحقیق ، فرآیند یادگیری و ارزیابی موفقیت تحقیق را در بر می گیرد (همچنین به شکل 2 مراجعه کنید). در متن اصلی برای نمودار فرآیند ساده شده). در شکل A1 ، فرآیند ایجاد دانش عامل با جزئیات بیشتری نشان داده شده است.
شکل A1. تصویری دقیق از فرآیند ایجاد دانش عامل.
وقف دانش / مشخصات. وقف دانش عامل من نمایه دانش عامل را نشان می دهد، به عنوان مثال، نشان دهنده کلاس های فناوری است که نماینده در آنها فعال است و همچنین تخصص در کلاس مربوطه. از این رو، وقف دانش را می توان به عنوان بردار طول تعریف کرد ک(با کتعداد کلاس های فناوری در فضای فناوری )
κمن={κمن1،κمن2،…،κمنک}
جایی که ارزش κمنکتخصص در کلاس فناوری مربوطه را تعیین می کند ک(سطح دانش). ترکیب همه بردارهای دانش عاملان به فضای دانش منجر می شود .
کسب دانش در صورت انجام تحقیقات موفق، دانش عامل ارزیابی می شود، به عنوان مثال، سطح تخصص در کلاس فناوری بعدی (TC) به روز می شود. در مورد تحقیق داخلی ، نتیجه یادگیری ψتیدر مرحله زمانی تیرا می توان به صورت نوشتاری
ψتی=κمنل،تی∗(1-پτل،τل+1)
جایی که پτل،τل+1نشان دهنده نزدیکی بین دو TC متوالی در مسیر تحقیق در فضای فناوری است (نشان دهنده شباهت دو TC)؛ این منجر به افزایش سطح تخصص می شود κمنک+1از
κمنل+1،تی+1=κمنل+1، تی+ψتی
نمونه ای از به روز رسانی در سطح تخصص نماینده در شکل A2 آورده شده است . با خروج از کلاس فناوری A با تخصص فعلی 1.5، کسب دانش با انتقال به TC B در مسیر یادگیری – پل زدن فاصله 0.8 ( 1-پآ،ب) بین دو TC – به 1.2 می رسد.
شکل A2. نمونه ای از به روز رسانی سطح تخصص.
در مورد تحقیق مشارکتی ، انتقال دانش اضافی بین عوامل همکار وجود دارد . انتقال دانش در فرآیند خلق دانش مشارکتی بر اساس فاصله شناختی (فاصله دانش) است. دمنjکبین دو عامل همکار
دمنj=∑(κمنک-κjک)2
برای تعیین افزایش تخصص برای کلاس فناوری کاز نظر علاقه، فاصله سطوح بین عوامل همکار تعیین می شود. با این حال، نماینده تنها زمانی از دانش شریک سود می برد که تخصص شریک بالاتر از خودش باشد. این توسط نشان داده شده است
دمنjک=حداکثر[(κjک-κمنک)،0]
مقدار واقعی آموخته شده به ظرفیت جذب بستگی دارد – که نشان دهنده مبادله بین ارزش جدید و قابل درک بودن دانش جدید است. از این رو، فرض می شود که میزان کسب دانش با یک رابطه U شکل معکوس مطابقت دارد. به طور خاص، این رابطه برای مقیاس استفاده می شود دمنjک
ϵک=-1δ(دمنjک-δ)2+δ
جایی که δنشان دهنده فاصله یادگیری بهینه (که توسط یک پارامتر مدل خارجی مشخص می شود). همانطور که در مورد به دست آوردن دانش در تحقیقات داخلی، این فاصله سطح تخصص مقیاس شده در رابطه با فاصله فن آوری که از یک تا کلاس فناوری بعدی در مسیر تحقیق غلبه می شود تنظیم می شود.
φتی=ϵک∗(1-پτل،τل+1)
در مجموع، کسب دانش در هر کلاس فناوری هنگام انجام تحقیقات مشترک به عنوان یک تابع افزایشی مشخص می شود که شامل دستاوردهای دانش از تحقیقات داخلی است. ψتیعامل بدون توجه به شریک همکاری و تحقیقات مشترک انجام می دهد . این را می توان به صورت نوشتاری
∆Εتی=ψتی+φتی
فضای دانش ترکیب همه بردارهای دانش عاملان باعث ایجاد فضای دانش می شود. با نتعداد کل عوامل در مدل است که می تواند به عنوان کل مجموعه و مقدار دانش موجود در مدل تفسیر شود.
Κ=(κ⇀1⋮κ⇀ن)
فرآیند یادگیری. هسته فرآیند خلق دانش مکانیسم یادگیری است. این به عنوان یک فرآیند متوالی در امتداد یک مسیر تحقیقاتی مشخص طراحی شده است که هر عامل به طور جداگانه با توجه به نحوه ایجاد دانش خود (استثماری یا اکتشافی) و با توجه به دانش فعلی و هدف تحقیق خود تصمیم می گیرد. مبنای ایجاد دانش در طول مسیر تحقیق، مفهوم فضای فناوری است . این به عنوان چارچوبی برای عوامل برای به دست آوردن دانش جدید در حین حرکت در مسیرهای تحقیقاتی خود شامل کلاس های فناوری عمل می کند . هر مسیر تحقیق پزیرمجموعه ای از فضای فناوری است که راه و جهت یادگیری را نشان می دهد (به دنبال مفهوم “مسیر” شناخته شده از تجزیه و تحلیل شبکه های اجتماعی).
پ={τ1، τ2، …، τL}∈تی={τ1،τ2،…،τک}
جایی که ل=1،2،…،Lبا Lطول مسیر تحقیق است. با فرض اینکه کلاس فناوری A دانش فعلی است که بر اساس آن ساخته شده است، عامل در مسیر تحقیقاتی خود حرکت می کند (به عنوان مثال، {آ،ب،E،اچ}همانطور که در شکل A3 نشان داده شده است ).
شکل A3. نمونه ای از مسیر تحقیق در زیر مجموعه ای از فضای فناوری.
بین هر انتقال به کلاس فناوری بعدی، تحقیقات موفقیت آمیز یا عدم موفقیت ارزیابی می شود. تنها در صورت انجام تحقیقات موفق، فناوری جدید به دست می آید. در غیر این صورت عامل دوباره تلاش می کند یا در نهایت یک مسیر جایگزین را انتخاب می کند. نحوه انتخاب این مسیر به نحوه خلق دانش بستگی دارد.
شیوه همکاری دو حالت مختلف همکاری وجود دارد (نسبت توسط یک پارامتر خارجی هدایت می شود): (1) حالت تحقیق و (2) حالت خدمات. از نظر فنی، با پیروی از روش تحقیق، هر دو شریک مسیر تحقیقاتی را دنبال می‌کنند که توسط شریکی که فعالانه به دنبال شریک همکاری است، تعیین می‌شود، با این فرض که او رهبر کنسرسیوم است و از این رو جهت تحقیق را مشخص می‌کند. با این حال، از آنجایی که شریک (بر اساس تعریف جستجوی شریک) در حداقل یک کلاس فناوری در آن مسیر تحقیقاتی تخصص دارد، نماینده می‌تواند از شریک در این کلاس‌ها بیاموزد. به یک معنا، او مقدار مشخصی از تخصص شریک را دریافت می کند – علاوه بر نتایج تحقیقات خودش (سطح تخصص شریک با این کار کاهش نمی یابد). میزان افزایش سطح تخصص (میزان یادگیری در هر کلاس فناوری) به فاصله شناختی بین دو همکار و همچنین ظرفیت جذب بستگی دارد (به «کسب دانش» مراجعه کنید.).
از طرف دیگر، به دنبال حالت سرویس، ارزیابی می‌شود که آیا شریک همکاری در یکی از کلاس‌های فناوری در مسیر تحقیقاتی انتخاب‌شده تخصص بالاتری دارد یا خیر. اگر چنین است، TC شروع مسیر تحقیق برای رسیدن به هدف تحقیق به نزدیکترین TC به TC هدف تغییر می کند (اما نه خود TC هدف)، جایی که شریک تخصص بالاتری دارد. از این رو، هدف تحقیق احتمالاً سریعتر به دست می آید. با این حال، به طور بالقوه به دست آوردن دانش کمتری وجود دارد، زیرا امکانات کمتری برای کسب دانش در کلاس‌های فناوری خاص وجود دارد. در صورتی که شریک در هیچ یک از کلاس‌های فناوری در مسیر تحقیق، سطح تخصص بالاتری نداشته باشد، استراتژی مشارکتی آن به حالت تحقیق منتقل می‌شود.“ارزیابی موفقیت تحقیق” ).
شیوه خلق دانش در انتخاب استراتژی تحقیق خود، عوامل می توانند بین ایجاد دانش استثماری و اکتشافی، که در آن ایجاد دانش استثماری منعکس کننده یک راه مستقیم و اکتشاف راه غیرمستقیم تری برای ایجاد دانش است، انتخاب کنند. بسته به استراتژی تحقیق، عوامل مسیر تحقیق خود را تعیین می کنند پ. در مورد بهره برداری، با تعیین نقطه شروع مسیر تحقیق در فضای فناوری، عامل یک هدف تحقیق (یک TC هدف) را انتخاب می کند. انتخاب TC هدف با توجه به یک تابع احتمال پوسیدگی بر اساس فاصله تکنولوژیکی بین طبقات در فضای فناوری انجام می شود، به طوری که TC های نزدیکتر احتمال بیشتری را برای انتخاب به عنوان هدف نشان می دهند. از این رو، فاصله بین TC شروع و TC هدف، درجه رادیکال بودن را نشان می دهد λاز تلاش های تحقیقاتی عامل سپس، عامل مجموعه ای از کوتاه ترین مسیرها را شناسایی می کند و می تواند کوتاه ترین مسیر وزنی یا یکی از کوتاه ترین مسیرها را با توجه به تعداد TC های موجود در مسیر انتخاب کند. در مورد اکتشاف، مسیر تحقیق با انتخاب بعدی نزدیکترین TC بعدی (منشأ از TC فعلی عامل) تعیین می‌شود، که در آن طول مسیر به‌طور تصادفی تعیین می‌شود، که معادل یک دوره تحقیق بین یک تا پنج سال است. (تنظیم شده توسط پارامتر خارجی). آخرین TC مسیر تحقیق به عنوان TC هدف تعیین شده مشخص می شود.
ارزیابی خروجی این که آیا یک حق اختراع از یک دانش بدست می آید یا نه، با استفاده از ضرایب اقتصادسنجی تخمین زده شده که بر تمایل به ثبت اختراع یک نماینده فردی تأثیر می گذارد، با استفاده از یک احتمال خاص منطقه ای که با ویژگی های منطقه ای تعیین می شود، به عنوان مثال، منابع انسانی، GRP سرانه تعیین می شود. هزینه های تحقیق و توسعه سرانه و درجه مرکزیت. توجه داشته باشید که فقط مسیرهای تحقیقاتی کاملاً انجام شده برای یک پتنت مورد ارزیابی قرار می‌گیرند، که در آن هر کلاس فناوری در این مسیر یک کلاس اختراع را نشان می‌دهد (مثلاً به اسناد ثبت اختراع صادر شده توسط، برای مثال، اداره ثبت اختراع اروپا). ما یک مدل استاندارد رگرسیون پواسون را تخمین می زنیم (نگاه کنید به [ 75]) برای محاسبه ماهیت عدد صحیح واقعی و مفروضات توزیعی تعداد اختراعات به عنوان متغیر وابسته. پارامترهای تخمین زده شده برای محاسبه احتمالات تجربی پیش بینی شده منطقه (برای دریافت حداقل یک حق ثبت اختراع) با استفاده از
Pr^(y>0|ایکس)=1-Pr^(y<1|ایکس)=1-ه-ایکسβ^(ایکسβ^)مترمتر! با متر=0
مولفه های. این مدل شامل پارامترهای سیستم خارجی است که بر اساس تجربی نیستند. اولین مجموعه از پارامترها ( جدول A1 ) به مقادیر تعیین شده توسط فرآیند کالیبراسیون ثابت می شود و با این کار، یک سناریوی پایه را مشخص می کند.
جدول A1. پارامترهای سیستم خارجی کالیبره شده
علاوه بر این، مجموعه دومی از پارامترهای سیستم خارجی ( جدول A2 ) صرفاً با استفاده از ورودی کاربر مشخص می‌شود (یعنی کالیبره نشده‌اند و براساس تجربی نیستند).
جدول A2. پارامترهای سیستم خارجی کالیبره نشده
انتخاب شریک عنصر اصلی فرآیند تحقیق مشارکتی، انتخاب یک شریک همکاری مناسب توسط نماینده است. قبل از فرآیند کلی انتخاب شریک، یک حافظه همکاری ( برای جزئیات به «حافظه همکاری» مراجعه کنید) برای توضیح همکاری‌های مجدد با شرکای پروژه‌های تحقیقاتی مشترک موفق قبلی است. انتخاب شریک عمومی در طول سه مرحله اصلی سازماندهی شده است که ابعاد فضایی، بخشی و شناختی را پوشش می دهد تا بهترین رفتار همکاری در دنیای واقعی عوامل را تضمین کند. برای بعد فضاییبه عنوان مثال، انتخاب یک منطقه احتمالی تجربی برای جستجوی یک عامل شریک مناسب، از احتمالات تخمین زده شده برای همکاری بین دو عامل واقع در دو منطقه استفاده می کنیم. بنابراین، ما یک مدل تعامل فضایی (SIM; [ 76 ] برای جزئیات) را با استفاده از داده‌های پایگاه داده EUPRO (برای جزئیات و دسترسی به risis2.eu مراجعه کنید) برآورد می‌کنیم که شامل اطلاعات سیستماتیک در مورد پروژه‌های تحقیقاتی مشترک در برنامه‌های چارچوب اتحادیه اروپا است و به صراحت فاصله جغرافیایی را در نظر می‌گیرد. بین مناطق، و متغیرهایی که منطقه و کشور همسایه را نشان می‌دهند، در مدل در نظر گرفته شوند. بنابراین، ما احتمال همکاری فردی را برای همه ترکیبات مناطق با توجه به روابط جغرافیایی آنها دریافت می کنیم. با توجه به بعد بخشیبرای تعیین بخشی که جستجوی شریک در آن انجام می شود، نزدیکی بین طبقات بخشی (بر اساس همزمانی کلاس های ثبت اختراع IPC نسبت داده شده به هر کلاس NACE در Dorner و Harhoff [55]) برای شناسایی یک بخش مناسب استفاده می شود . بخش های نزدیک تر احتمال بیشتری برای انتخاب دارند. هنگامی که از نظر تجربی، یک منطقه و بخش مناسب برای انتخاب شریک شناسایی شد، نماینده به دنبال یک شریک همکاری شناختی نزدیک می‌گردد، یعنی شریکی که در یکی از کلاس‌های فناوری که در مسیر تحقیقاتی خود است، تخصص داشته باشد.
مسیر تحقیق یک مسیر تحقیقاتی پزیرمجموعه ای از فضای فناوری است که راه و جهت یادگیری را نشان می دهد (به دنبال مفهوم “مسیر” شناخته شده از تجزیه و تحلیل شبکه های اجتماعی).
پ={τ1، τ2، …، τL}∈تی={τ1،τ2،…،τک}
جایی که ل=1،2،…،Lبا Lطول مسیر تحقیق و تیمجموعه ای از تمام کلاس های فناوری ( برای جزئیات به «فرایند یادگیری» و «فضای فناوری» مراجعه کنید ).
استراتژی تحقیق دو استراتژی مختلف تحقیق وجود دارد: تحقیق داخلی و مشارکتی . بسته به استراتژی تحقیق، مکانیسم‌های مختلفی در رابطه با فرآیند یادگیری ، کسب دانش و ارزیابی موفقیت تحقیق وجود دارد (برای جزئیات به موارد مربوطه در پیوست A مراجعه کنید ).
ارزیابی موفقیت تحقیق ارزیابی موفقیت تحقیق یک گام میانی ضروری برای هر انتقال از یک کلاس فناوری به کلاس دیگر است، به عنوان مثال، برای تعیین اینکه آیا یک TC جدید در مسیر رسیده است یا خیر. در مورد تحقیقات داخلی ، موفقیت تحقیق با استفاده از یک شاخص ترکیبی مقیاس‌بندی شده (قابل تفسیر به عنوان احتمال موفقیت) بسته به (i) ویژگی‌های خاص عامل تعیین می‌شود. جمنمتر(تخصص کلی و سهمیه تحقیق و توسعه) و (ii) نزدیکی فن آوری بین کلاس های فناوری درگیر پτل،τل+1. این را می توان به صورت رسمی بیان کرد
پ(ستوججهسس)=γآ+(1-γ)پτل،τل+1
با آ=∑1متر1(جمنمتر>میانه(ج·متر))و پτل،τل+1∈[0،1]، جایی که مترتعداد مشخصه های خاص عامل را نشان می دهد. در مورد تحقیق مشارکتی ، ارزیابی موفقیت تحقیق مشابه مورد تحقیقات داخلی است، اما در مورد ویژگی‌های خاص عامل متفاوت است. به طوری که حداکثر ارزش هر یک از عوامل در مشارکت همکاری برای ارزیابی موفقیت تحقیق و در نتیجه افزایش احتمال موفقیت استفاده می شود. یادآوری فرمول موفقیت تحقیق پ(ستوججهسس)=γآ+(1-γ)پτل،τل+1، آاکنون به عنوان تعریف شده است
آ=∑1متر1(حداکثر(جمنمتر،جjمتر)>میانه(ج·متر))
کلاس فضای فناوری و فناوری (TC). فضای فناوری به عنوان شبکه‌ای شامل مجموعه‌ای از کلاس‌های فناوری تعریف می‌شود که پیوندها نشان‌دهنده نزدیکی فن‌آوری بین این کلاس‌ها هستند ( شکل A3 را برای یک مثال گویا ببینید). این شبکه با استخراج داده های ثبت اختراع از اداره ثبت اختراع اروپا برای کشورهای اتحادیه اروپا-27 از جمله بریتانیا و نروژ از سال 2012 تا 2016 و تعیین همزمانی کلاس های ثبت اختراع IPC (3 رقمی) در اسناد ثبت اختراع ساخته شده است. به طور رسمی، فضای فناوری اس را می توان به عنوان ماتریس متقارن تعریف کرد
اس=(پ11پ12پ21پ22⋯پ1ک…پ2ک⋮⋮پک1پک2⋱⋮⋯پکک)کایکسک
جایی که پ..ضریب جاکارد را به‌عنوان معیار نزدیکی (برگرفته از اتفاقات همزمان کلاس‌های ثبت اختراع IPC) نشان دهید، و ک تعداد کلاس های فناوری در نظر گرفته شده است. در شکل A4 ، نمونه ای از زیرمجموعه نمونه ای از فضای فناوری نشان داده شده است. گره ها کلاس های فناوری را نشان می دهند و پیوندها نشان دهنده اتصال بین این گره ها هستند.
شکل A4. زیرمجموعه نمونه فضای فناوری.
ضمیمه B: بررسی های استحکام
بررسی‌های استحکام رفتار مدل پایه را در طول زمان نشان می‌دهند و مدل اجرا می‌شود تا پویایی و استحکام مدل شبیه‌سازی را با توجه به متغیر بودن نتایج مدل نشان دهد. نتایج بررسی های استحکام ارائه شده 180 مرحله (معادل 15 سال) و پنج اجرا شبیه سازی را پوشش می دهد.
شکل A5. توزیع اختراعات در طول دوره.
شکل A6. تعداد اختراعات در هر مرحله (میانگین بیش از اجراها).
شکل A7. توزیع بخشی از اختراعات (میانگین بیش از اجرا).
پیوست ج: مواد تکمیلی
شاخص تخصص، درجه تخصص هر منطقه (نسبت به مناطق دیگر) را ارزیابی می کند. با این حال، این شاخص نشان نمی دهد که مناطق در کدام بخش ها تخصص دارند. شاخص تخصص به این صورت تعریف می شود
اسمن=12∑ک=1متر|yمنک-y¯ک|
جایی که yمنک=ایکسمنک/∑ک=1مترایکسمنکو y¯ک=∑من=1nایکسمنک/∑من=1n∑ک=1مترایکسمنکو ایکسنشان دهنده حق ثبت اختراع و منو کرجوع به منطقه شود من=1،…،nو بخش ک=1،…،متر، به ترتیب. این شاخص از 0 تا 1 متغیر است که 1 نشان دهنده تخصص کامل و 0 دلالت بر تنوع دارد.
شکل A8. تخصص بخشی مناطق (وقفه های طبیعی).
جدول A3. کدهای منطقه (انتخاب شده)
منابع
- مالمبرگ، ا. سولول، او. Zander، I. خوشه بندی فضایی، انباشت محلی دانش و رقابت شرکت. Geogr. ان سر. B هوم. Geogr. 1996 ، 78 ، 85-97. [ Google Scholar ] [ CrossRef ]
- Audretsch، DB; فلدمن، سرریزهای دانش و جغرافیای نوآوری. در کتاب اقتصاد منطقه ای و شهری ; الزویر: کمبریج، انگلستان، 2004; صص 2713-2739. [ Google Scholar ]
- Acs، ZJ; آنسلین، ال. وارگا، الف. ثبت اختراعات و نوآوری به عنوان معیارهای تولید منطقه ای دانش جدید به حساب می آیند. Res. سیاست 2002 ، 31 ، 1069-1085. [ Google Scholar ] [ CrossRef ]
- توتلینگ، اف. Trippl، M. یک اندازه برای همه مناسب است؟ به سوی یک رویکرد سیاست نوآوری منطقه ای متمایز. Res. Policy 2005 ، 34 ، 1203-1219. [ Google Scholar ]
- Wanzenböck، I. شرنگل، تی. برنر، تی. تعبیه مناطق در شبکه های دانش اروپایی: تحلیل مقایسه ای همکاری های تحقیق و توسعه بین منطقه ای، ثبت اختراعات و انتشارات مشترک. ان Reg. علمی 2014 ، 53 ، 337-368. [ Google Scholar ]
- شرنگل، تی. جغرافیای شبکه ها و همکاری های تحقیق و توسعه . اسپرینگر: هایدلبرگ/برلین، آلمان؛ نیویورک، نیویورک، ایالات متحده آمریکا، 2013. [ Google Scholar ]
- فیشر، MM; وارگا، الف. سرریزهای دانش فضایی و تحقیقات دانشگاهی: شواهدی از اتریش. ان Reg. علمی 2003 ، 37 ، 303-322. [ Google Scholar ] [ CrossRef ]
- رودریگز پوز، آ. Crescenzi، R. تحقیق و توسعه، سرریزها، سیستم های نوآوری، و پیدایش رشد منطقه ای در اروپا. Reg. گل میخ. 2008 ، 42 ، 51-67. [ Google Scholar ] [ CrossRef ]
- Neves، PC; Sequeira، سرریزهای TN در تولید دانش: تحلیل متارگرسیون. Res. سیاست 2018 ، 47 ، 750-767. [ Google Scholar ] [ CrossRef ]
- Jaffe, AB اثرات واقعی تحقیقات دانشگاهی. صبح. اقتصاد Rev. 1989 , 79 , 957-970. [ Google Scholar ]
- پاسی، آر. ماروکو، ای. Usai, S. اثرات مکمل ابعاد مجاورت بر سرریزهای دانش. تف کردن اقتصاد مقعدی 2014 ، 9 ، 9-30. [ Google Scholar ] [ CrossRef ]
- ماروکو، ای. پاسی، آر. یوسای، اس. رشد بهره وری در اروپای قدیم و جدید: نقش اثرات خارجی تراکم. J. Reg. علمی 2013 ، 53 ، 418-442. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Ó hUallacháin، B.; لسلی، TF بازاندیشی تابع تولید دانش منطقه ای. جی. اکون. Geogr. 2007 ، 7 ، 737-752. [ Google Scholar ] [ CrossRef ]
- پاندز، آر. اورت، FV; Frenken، K. نوآوری، سرریزها و همکاری دانشگاه و صنعت: یک رویکرد تابع تولید دانش گسترده. جی. اکون. Geogr. 2009 ، 10 ، 231-255. [ Google Scholar ] [ CrossRef ]
- گرونز، L. سرریزهای دانش با واسطه جغرافیایی و فناوری بین مناطق اروپایی. ان Reg. علمی 2003 ، 37 ، 657-680. [ Google Scholar ] [ CrossRef ]
- مورنو، آر. پاسی، آر. Usai، S. خوشه های جغرافیایی و بخشی از نوآوری در اروپا. ان Reg. علمی 2005 ، 39 ، 715-739. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- برشی، اس. Lissoni، F. سرریزهای دانش و سیستم های نوآوری محلی: یک بررسی انتقادی. شرکت هندی چانگ. 2001 ، 10 ، 975-1005. [ Google Scholar ] [ CrossRef ]
- میگوئلز، ای. مورنو، آر. شبکه های تحقیقاتی و تحرک مخترعان به عنوان محرک های نوآوری: شواهدی از اروپا. Reg. گل میخ. 2013 ، 47 ، 1668-1685. [ Google Scholar ] [ CrossRef ]
- برشی، اس. کامیلا، ال. شبکه های اختراع مشترک و بهره وری اختراعی در شهرهای ایالات متحده. J. شهری اقتصاد. 2016 ، 92 ، 66-75. [ Google Scholar ] [ CrossRef ]
- Maggioni، MA; نوسولی، م. Uberti، TE Space در مقابل شبکه ها در جغرافیای نوآوری: تحلیل اروپایی پاپ Reg. علمی 2007 ، 86 ، 471-493. [ Google Scholar ] [ CrossRef ]
- Batty، M. چارچوب عمومی برای مدلسازی فضایی محاسباتی. در مدل های عامل محور سیستم های جغرافیایی ; Springer Science & Business Media: Dordrecht، هلند، 2012; صص 19-50. [ Google Scholar ]
- کروکس، آ. قلعه، سی. Batty، M. چالش های کلیدی در مدل سازی مبتنی بر عامل برای شبیه سازی جغرافیایی فضایی. محاسبه کنید. محیط زیست سیستم شهری 2008 ، 32 ، 417-430. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- هپنستال، ای جی; کروکس، AT; ببینید، LM. Batty، M. مدل های مبتنی بر عامل سیستم های جغرافیایی ; Springer Science & Business Media: Dordrecht، هلند، 2011. [ Google Scholar ]
- آسلوس، م. داوید، اچ. Merlone، U. تعاملات فضایی در مدل سازی مبتنی بر عامل. در پیچیدگی و اقتصاد جغرافیایی ; Springer: Cham، آلمان، 2015; صص 353-377. [ Google Scholar ]
- داوید، اچ. مدل های مبتنی بر عامل از نوآوری و تغییرات تکنولوژیکی. هندب محاسبه کنید. اقتصاد 2006 ، 2 ، 1235-1272. [ Google Scholar ]
- گیلبرت، ن. پیکا، ا. Ahrweiler، P. شبکه های نوآوری-رویکرد شبیه سازی. جی آرتیف. Soc. Soc. شبیه سازی 2001 ، 4 ، 1-13. [ Google Scholar ]
- ورمولن، بی. Pyka، A. نقش توپولوژی شبکه و توزیع فضایی و ساختار دانش در سیاست نوآوری منطقه ای: یک مطالعه مدل مبتنی بر عامل کالیبره شده. محاسبه کنید. اقتصاد 2018 ، 52 ، 773-808. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- وانگ، ز. یائو، ز. گو، جی. هو، اف. Dai, X. شبیه‌سازی مبتنی بر چند عامل در انتشار نوآوری فناوری در چین. پاپ Reg. علمی 2014 ، 93 ، 385-408. [ Google Scholar ]
- بکنباخ، اف. بریگل، آر. دااسکالاکیس، M. بنیاد رفتاری و شبیه سازی مبتنی بر عامل پویایی نوآوری منطقه ای . دانشگاه کاسل: کاسل، آلمان، 2007. [ Google Scholar ]
- پایر، ام. دانسر، م. شرنگل، تی. مارتین، اس. ایجاد دانش و سیاست تحقیق در صنایع مبتنی بر علم: یک مدل تجربی مبتنی بر عامل. در شبکه های نوآوری برای توسعه منطقه ای ; Springer: Cham, Switzerland, 2017; صص 153-183. [ Google Scholar ]
- مرز، اس. فردریش-نیشیو، م. Grupp، H. انتقال دانش در یک مدل شبیه سازی نوآوری. تکنولوژی پیش بینی. Soc. چانگ. 2006 ، 73 ، 138-152. [ Google Scholar ] [ CrossRef ]
- پیکا، ا. کودیک، م. مولر، ام. مداخلات سیستمی در سیستم های نوآوری منطقه ای: کارآفرینی، انباشت دانش و نوآوری منطقه ای. Reg. گل میخ. 2019 ، 53 ، 1321-1332. [ Google Scholar ] [ CrossRef ]
- سبستین، تی. وارگا، الف. شبکه های دانش در توسعه منطقه ای: یک مدل مبتنی بر عامل و کاربرد آن. Reg. گل میخ. 2019 ، 53 ، 1333-1343. [ Google Scholar ] [ CrossRef ]
- ساوین، آی. Egbetokun، A. ظهور شبکه های نوآوری از همکاری تحقیق و توسعه با ظرفیت جذب درون زا. جی. اکون. دین کنترل 2016 ، 64 ، 82-103. [ Google Scholar ]
- تیریوت، اس. کانت، J.-D. استفاده از شبکه های انجمنی برای نمایندگی باورهای اتخاذ کننده در مدل چند عاملی انتشار نوآوری. Adv. سیستم پیچیده 2008 ، 11 ، 261-272. [ Google Scholar ] [ CrossRef ]
- مولر، ام. بوگنر، ک. بوخمن، تی. Kudic، M. اثر تفاوت‌های ساختاری بر انتشار دانش در شبکه‌ها: یک مدل شبیه‌سازی مبتنی بر عامل. جی. اکون. تعامل داشتن. هماهنگی 2017 ، 12 ، 613-634. [ Google Scholar ] [ CrossRef ]
- باتلت، اچ. مالمبرگ، ا. ماسکل، پی. خوشه ها و دانش: وزوز محلی، خطوط لوله جهانی و فرآیند خلق دانش. Prog. هوم Geogr. 2004 ، 28 ، 31-56. [ Google Scholar ] [ CrossRef ]
- نیکولیک، آی. ون دام، KH; Kasmire, J. Practice. در مدلسازی مبتنی بر عامل سیستم های فنی-اجتماعی ; Van Dam, KH, Nikolic, I., Lukszo, Z., Eds. Springer: Dordrecht، هلند، 2013; صص 73-140. [ Google Scholar ]
- فلدمن، نماینده پارلمان جغرافیای نوآوری ; Springer Science & Business Media: Dordrecht، هلند، 1994; جلد 2. [ Google Scholar ]
- بوشما، آر. فرنکن، ک. تجربیات در حال ظهور جغرافیای اقتصادی تکاملی. جی. اکون. Geogr. 2011 ، 11 ، 295-307. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Cooke, P. سیستم‌های نوآوری منطقه‌ای، خوشه‌ها و اقتصاد دانش. شرکت هندی چانگ. 2001 ، 10 ، 945-974. [ Google Scholar ] [ CrossRef ]
- پاندز، آر. ون اورت، اف. فرنکن، ک. نزدیکی جغرافیایی و نهادی همکاری تحقیقاتی. پاپ Reg. علمی 2007 ، 86 ، 423-443. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Macal، CM; North, MJ آموزش مدل سازی و شبیه سازی مبتنی بر عامل. جی. سیمول. 2010 ، 4 ، 151-162. [ Google Scholar ] [ CrossRef ]
- EC مناطق در اتحادیه اروپا در نامگذاری واحدهای سرزمینی آمار ; NUTS 2013/EU-28; دفتر انتشارات اتحادیه اروپا لوکزامبورگ: لوکزامبورگ، 2015. [ Google Scholar ]
- مارس، JG اکتشاف و بهره برداری در یادگیری سازمانی. عضو. علمی 1991 ، 2 ، 71-87. [ Google Scholar ] [ CrossRef ]
- شرنگل، تی. باربر، MJ مدلسازی تعامل فضایی همکاری‌های تحقیق و توسعه متقابل منطقه‌ای: شواهد تجربی از پنجمین برنامه چارچوب اتحادیه اروپا. پاپ Reg. علمی 2009 ، 88 ، 531-546. [ Google Scholar ]
- هوکمن، جی. فرنکن، ک. Tijssen، RJ Research همکاری از راه دور: تغییر الگوهای فضایی همکاری علمی در اروپا. Res. سیاست 2010 ، 39 ، 662-673. [ Google Scholar ] [ CrossRef ]
- رالت، آ. Torre, A. در مورد جغرافیا و فناوری: مورد روابط نزدیکی در شبکه های نوآوری محلی . خوشه ها و تخصص منطقه ای: در زمینه جغرافیا، فناوری و شبکه ها. Pion: لندن، بریتانیا، 1998. [ Google Scholar ]
- استورپر، م. Venables، AJ Buzz: تماس چهره به چهره و اقتصاد شهری. جی. اکون. Geogr. 2004 ، 4 ، 351-370. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Nooteboom، B. نوآوری، یادگیری و سازمان صنعتی. کمب. جی. اکون. 1999 ، 23 ، 127-150. [ Google Scholar ] [ CrossRef ]
- کوهن، WM; Levinthal، DA ظرفیت جذب: دیدگاهی جدید در یادگیری و نوآوری دریاسالار علمی Q. 1990 , 35 , 128-152. [ Google Scholar ] [ CrossRef ]
- کوهن، WM; شبیه‌سازی انتشار نوآوری مبتنی بر عامل لوینتال، DA: یک بررسی. سنت. یورو جی. اوپر. Res. 2012 ، 20 ، 183-230. [ Google Scholar ]
- گلوب، GH; Van Loan، CF Matrix Computations ، ویرایش چهارم. انتشارات دانشگاه جان هاپکینز: بالتیمور، MA، ایالات متحده آمریکا، 2013. [ Google Scholar ]
- لاولیس، آر. بالاس، دی. مدل سازی الگوهای رفت و آمد: یک رویکرد ریزشبیه سازی فضایی برای ترکیب داده های سطح منطقه ای و خرد. در مقالات کنفرانس ERSA ; انجمن علمی منطقه ای اروپا: براتیسلاوا، اسلواکی، 2012. [ Google Scholar ]
- دورنر، ام. هارهوف، دی. جدول تطابق فناوری و صنعت جدید بر اساس داده‌های مرتبط مخترع-تاسیس. Res. سیاست 2018 ، 47 ، 768-781. [ Google Scholar ] [ CrossRef ]
- Thiele، JC; کورث، دبلیو. گریم، وی. تخمین پارامتر و تحلیل حساسیت مدل‌های مبتنی بر عامل: کتاب آشپزی با استفاده از NetLogo و R. J. Artif. Soc. Soc. شبیه سازی 2014 ، 17 ، 11. [ Google Scholar ] [ CrossRef ]
- مک کی، دکتر بکمن، RJ; Conover, WJ مقایسه سه روش برای انتخاب مقادیر متغیرهای ورودی در تجزیه و تحلیل خروجی از یک کد کامپیوتری. تکنومتریک 2000 ، 42 ، 55-61. [ Google Scholar ] [ CrossRef ]
- Schmoch، U. مفهوم طبقه بندی فناوری برای مقایسه کشورها. در گزارش نهایی به سازمان جهانی مالکیت فکری (WIPO) ؛ 2008; در دسترس آنلاین: https://www.world-intellectual-property-organization.com/edocs/mdocs/classifications/en/ipc_ce_41/ipc_ce_41_5-annex1.pdf (در 30 ژوئیه 2020 قابل دسترسی است).
- شرنگل، تی. لاتا، R. به سوی یک منطقه تحقیقاتی اروپایی یکپارچه؟ یافته‌های مدل‌های تعامل فضایی با فیلتر فضایی Eigenvector با استفاده از داده‌های برنامه چارچوب اروپایی. پاپ Reg. علمی 2013 ، 92 ، 555-577. [ Google Scholar ] [ CrossRef ]
- Maggioni، MA; شبکه های Uberti، TE Knowledge در سراسر اروپا: کدام فاصله مهم است؟ ان Reg. علمی 2009 ، 43 ، 691-720. [ Google Scholar ] [ CrossRef ]
- Griliches, Z. آمار ثبت اختراع به عنوان شاخص های اقتصادی: یک بررسی . دفتر ملی تحقیقات اقتصادی: کمبریج، MA، ایالات متحده آمریکا، 1990. [ Google Scholar ]
- Jaffe، AB; Trajtenberg, M. Patents, Citations, and Innovations: A Window on the Knowledge Economy . انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، 2002. [ Google Scholar ]
- گرتلر، MS دانش ضمنی و جغرافیای اقتصادی بافت، یا ضمنی غیرقابل تعریف بودن (آنجا). جی. اکون. Geogr. 2003 ، 3 ، 75-99. [ Google Scholar ] [ CrossRef ]
- مولارت، اف. سکیا، اف. مدل‌های نوآوری سرزمینی: یک بررسی انتقادی. Reg. گل میخ. 2003 ، 37 ، 289-302. [ Google Scholar ] [ CrossRef ]
- پاسی، آر. Usai، S. محصورات فناورانه و مناطق صنعتی: تحلیلی از توزیع منطقه ای فعالیت های نوآورانه در اروپا. Reg. گل میخ. 2000 ، 34 ، 97-114. [ Google Scholar ] [ CrossRef ]
- گلیزر، EL; Kohlhase، JE شهرها، مناطق و کاهش هزینه های حمل و نقل. در پنجاه سال علم منطقه ای ; Springer: برلین/هایدلبرگ، آلمان، 2004; صص 197-228. [ Google Scholar ]
- بیدری، سی. Schiffauerova، A. تأثیرات همکاری و شاخص های شبکه بر کیفیت پتنت: مورد نوآوری فناوری نانو کانادا. یورو مدیریت J. 2011 , 29 , 362-376. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Van der Panne, G. اثرات بیرونی تجمع: مارشال در مقابل جاکوبز. J. Evol. اقتصاد 2004 ، 14 ، 593-604. [ Google Scholar ] [ CrossRef ]
- مارشال، الف. اصول اقتصاد . مک میلان: لندن، بریتانیا، 1890. [ Google Scholar ]
- جیکوبز، جی. اقتصاد شهرها . Random House: نیویورک، نیویورک، ایالات متحده آمریکا، 1969. [ Google Scholar ]
- مارشال، الف. صنعت و تجارت ; مک میلان: لندن، بریتانیا، 1920. [ Google Scholar ]
- Wanzenböck، I. پیرباور، شبکه های تحقیق و توسعه و تولید دانش منطقه ای در اروپا: شواهدی از مدل فضا-زمان. پاپ Reg. علمی 2018 ، 97 ، S1–S24. [ Google Scholar ]
- سبستین، تی. وارگا، الف. بهره وری تحقیق و کیفیت شبکه های دانش بین منطقه ای. ان Reg. علمی 2013 ، 51 ، 155-189. [ Google Scholar ] [ CrossRef ]
- شرنگل، تی. جغرافیای شبکه های همکاری تحقیق و توسعه. در کتابچه راهنمای علوم منطقه ای ; Fischer, MM, Nijkamp, P., Eds. Springer: برلین، آلمان، 2019. [ Google Scholar ]
- لانگ، اس جی. Freese, J. مدل‌های رگرسیون برای متغیرهای وابسته طبقه‌ای با استفاده از Stata . Stata Press: College Station، TX، ایالات متحده آمریکا، 2006. [ Google Scholar ]
- فیشر، MM; وانگ، جی. تجزیه و تحلیل داده های فضایی: مدل ها، روش ها و تکنیک ها . Springer Science & Business Media: برلین، آلمان، 2011. [ Google Scholar ]
شکل 1. مروری بر عناصر و فرآیندهای مدل – چشم انداز منطقه.
شکل 2. فرآیند ایجاد دانش عامل (ساده شده).
شکل 3. توزیع فضایی پتنت ها (شکست های طبیعی).
شکل 4. رابطه بین تخصص و خروجی دانش (پتنت).
شکل 5. شبکه همکاری R&D بین منطقه ای اروپا.
شکل 6. رابطه بین تعداد همکاری و خروجی دانش (اختراعات).
بدون دیدگاه